RTB实时竞价

RTB 实时竞价：一价与二价拍卖机制及最优出价策略

实时竞价（RTB，Real-Time Bidding）是程序化广告的核心交易模式，广告需求方（DSP）通过实时竞拍获取媒体流量，而拍卖机制（一价 / 二价）直接影响 DSP 的出价策略和成本控制。本文将深入解析两种计费方式的差异，以及 DSP 在不同机制下的最优出价算法。

RTB 实时竞价的基本流程

在 RTB 场景中，一次广告曝光的竞价流程如下：

流量请求：用户访问媒体（如 App、网站）时，媒体将流量信息（用户标签、广告位、上下文）发送给 ADX（广告交易平台）。
竞价邀请：ADX 向接入的多个 DSP 发送竞价请求，告知流量属性及竞价截止时间（通常 100-200ms）。
DSP 出价：DSP 根据流量价值（如用户转化率预估）计算出价，并返回给 ADX。
拍卖结算：ADX 根据预设的拍卖规则（一价 / 二价）确定获胜 DSP，并通知媒体展示获胜广告。
计费反馈：ADX 将最终成交价反馈给获胜 DSP，完成费用结算。

核心差异在于第 4 步的拍卖规则，即如何根据 DSP 的出价确定成交价。

二价计费拍卖（SPA，Second-Price Auction）

规则定义

排序：所有参与竞价的 DSP 按出价从高到低排序。
获胜者：出价最高的 DSP 获得曝光机会。
成交价：获胜 DSP 的实际支付价格 = 第二高的出价（若只有一家出价，则按底价或 0 计费）。

示例：
DSP A 出价 10 元，DSP B 出价 8 元，DSP C 出价 5 元。

获胜者：DSP A（最高出价）。
成交价：8 元（第二高的出价）。

DSP 的最优出价策略

在二价拍卖中，DSP 的最优策略是按流量的真实价值出价（即 “说实话”），原因如下：

若 DSP 的真实估价为 V（即该流量对其的最大价值）：
- 若出价 B ≥ V：即使获胜，成交价可能高于 V，导致亏损。
- 若出价 B ≤ V：若 B 低于其他 DSP 的出价，会错失本可盈利的流量（因成交价最多为 B，而 V ≥ B）。
结论：出价 = 真实估价 V 时，DSP 的收益最大（要么以≤V 的价格获胜，要么不获胜，避免亏损）。

优势与适用场景

优势：
- 激励 DSP 真实出价，市场效率高。
- 成交价透明且低于最高出价，降低广告主成本。
适用场景：大型公开交易市场（如 Google AdX），适合流量规模大、参与者多的场景。

一价计费拍卖（FPA，First-Price Auction）

规则定义

排序：所有参与竞价的 DSP 按出价从高到低排序。
获胜者：出价最高的 DSP 获得曝光机会。
成交价：获胜 DSP 的实际支付价格 = 自己的出价（即最高出价）。

示例：
DSP A 出价 10 元，DSP B 出价 8 元，DSP C 出价 5 元。

获胜者：DSP A（最高出价）。
成交价：10 元（自己的出价）。

DSP 的最优出价策略

在一价拍卖中，DSP 的最优策略是出价略高于预估的第二高价格，而非真实估价，原因如下：

若 DSP 的真实估价为 V，且预估其他 DSP 的最高出价为 Y（Y < V）：
- 若出价 B = V：虽能获胜，但成交价 V 可能远高于 Y，利润被压缩。
- 若出价 B = Y + ε（ε 为极小值，如 Y+0.01 元）：既能确保获胜（B > Y），又能以接近 Y 的价格成交，利润最大化。
结论：出价 = 预估的第二高价格 + 极小值，在确保获胜的同时最小化成本。

优势与适用场景

优势：
- 媒体收益更高（成交价为最高出价）。
- 规则简单，易于理解和实施。
适用场景：私有交易市场（PMP）、优质头部流量拍卖，适合参与者较少、流量价值差异大的场景。

两种拍卖机制的核心差异对比

维度	二价拍卖（SPA）	一价拍卖（FPA）
成交价	第二高的出价	最高出价（获胜者自己的出价）
DSP 最优策略	按真实价值出价（V）	略高于预估的第二高价格（Y+ε）
市场透明度	高（成交价由竞争对手决定）	低（成交价由获胜者自身决定）
媒体收益	较低（成交价为次高）	较高（成交价为最高）
DSP 成本控制难度	低（无需预测对手出价）	高（需精准预测对手出价，否则易高价成交）
典型应用	Google AdX、大型公开 ADX	私有交易市场（PMP）、中小 ADX

DSP 出价策略的工程实现

无论采用哪种拍卖机制，DSP 的出价核心是基于流量价值的预估，再结合拍卖规则调整最终出价。

流量价值预估（基础）

通过机器学习模型预估流量的转化价值（如 CPC、CPA、LTV）：

输入特征：用户标签（年龄、兴趣）、广告位属性（尺寸、位置）、时间（时段、日期）等。
输出：该流量对广告主的预估价值 V（如 “点击价值 0.8 元”）。

二价拍卖出价公式

1 2	// 二价拍卖：直接使用预估价值作为出价 double bidPrice = estimatedValue; // estimatedValue为流量的真实估价

一价拍卖出价公式

需结合对竞争对手出价的预测：

// 一价拍卖：出价 = 预测的第二高价格 + 极小值（确保获胜且成本最低）
double predictedSecondPrice = predictCompetitorMaxBid(); // 预测对手的最高出价Y
double epsilon = 0.01; // 极小值（如0.01元）
double bidPrice = predictedSecondPrice + epsilon;

// 确保出价不超过自身估价（避免亏损）
if (bidPrice > estimatedValue) {
    bidPrice = estimatedValue; 
}

竞争对手出价预测

在一价拍卖中，预测对手出价是关键，常用方法：

历史数据统计：基于同类型流量的历史竞价记录，拟合对手出价分布（如正态分布、指数分布）。
实时反馈学习：根据最近竞价结果（是否获胜、成交价）动态调整预测模型。