推荐小部件如何选择你看到的广告

内容推荐小部件，即文章下方的“你可能也喜欢”框，通过实时竞价决定显示哪些广告，该竞价根据预测参与度对符合条件的创意进行排名，而非仅靠最高出价。网络的广告服务器将广告商的出价与针对该特定读者和广告位的预测点击率相结合，无论哪个组合为发布商带来最高的预期收入，即可赢得该广告位，这一切都在页面加载的瞬间完成。

以下是实际流程，以及决定你看到的广告与旁边人看到的广告有何不同的因素。

请求到呈现的流程#

1. 你加载一个发布商页面。 页面中嵌入的脚本（来自Taboola、Outbrain/Teads、MGID、Revcontent或其他网络）在页面渲染时触发。
2. 小部件向网络的广告服务器请求广告。 此请求携带上下文信号：页面的主题和类别、你的设备类型、大致位置，以及如果你之前与网络互动过，通常还会携带与cookie或设备ID相关的行为信号。
3. 广告服务器在符合条件的广告活动之间进行竞价。 每个针对该地理位置、设备和上下文的广告商都成为候选。这就是原生广告竞价，发生在毫秒之间。
4. 每个候选广告的排名不仅取决于出价，还取决于出价乘以针对该特定用户和上下文的预测点击率。 这就是为什么出价较低但创意高度相关且点击率高的广告可以击败出价较高但创意普通的广告。网络正在优化其每次页面浏览的收入，这奖励了人们真正可能点击的广告。
5. 获胜广告呈现到小部件中，通常同时显示多个，填充推荐网格，与发布商真正的编辑推荐并列。
6. 你的点击（或缺乏点击）反馈到系统中，完善该广告、该上下文以及通常该特定读者未来的预测点击率。

实际驱动排名的因素#

对于首次访问或未登录的读者，上下文信号最为重要。 在没有太多行为历史的情况下，网络依赖上下文定向，将广告的类别与文章的主题匹配。个人理财文章更可能显示理财或保险广告，而非随机家居用品广告，因为这种配对在整个网络的数据集中历史上表现更好。

随着你建立浏览历史，行为信号逐渐占据主导。 如果网络的cookie或设备ID看到你之前点击过旅游广告，那么旅游广告商在你的展示中变得更具竞争力，即使是在不相关的文章页面上。这更接近需求方平台在更广泛的程序化购买中定位受众的方式。

设备和地理位置在排名开始之前就过滤了符合条件的广告池。 一个仅针对特定国家移动用户的广告商永远不会进入其他地区桌面读者的竞价，无论出价多少。

预测点击率由模型驱动并持续更新。 每个网络运行自己的机器学习模型，估计给定广告在给定上下文中被给定读者点击的可能性。这个预测（而非原始出价）通常是决定谁获胜的更大因素，这就是为什么精心制作的标题和图像可以胜过更大的预算。

频率和新鲜度上限影响广告的资格。 网络通常避免在短时间内向你显示完全相同的创意，既是为了保护读者体验，也是因为过度展示的陈旧广告的预测点击率自然会下降。这也是为什么广告商在一个广告活动中轮换多个广告创意变体的原因之一。

头部竞价和供应路径的作用#

在通过更广泛的程序化管道转售库存的网络中，多个需求来源可以同时竞争同一个小部件广告位，这种设置类似于传统展示广告中的头部竞价。管理发布商库存的供应方平台可能在小部件渲染之前将单个广告请求路由到多个潜在买家。这是原生广告供应链可能涉及比简单的“广告商付费给发布商”模型更多中介的原因之一，也是为什么同一个广告位可以根据不同时间由不同网络的需求填充。

这个转售库存层也是为什么识别哪个网络实际上提供了你看到的广告并不总是显而易见的。一个标有某个网络品牌的小部件在实践中可能由来自合作伙伴的需求填充。如果你正在进行竞争性研究，并且网络归属对你的分析很重要，那么值得阅读小部件可见品牌之外的信息，以确认实际的服务路径——这正是供应链追踪旨在揭示的细节，而不是你可以仅从页面中目测出来的。

这对试图赢得更多竞价的广告商意味着什么#

由于预测点击率如此重要，有几个实际杠杆可以在不提高出价的情况下提高你赢得广告位的机会：

• 将创意与广告位的可能上下文匹配。 一个看起来自然与编辑内容并列的广告角度，而不是明显的干扰，倾向于获得更高的预测点击率，因为它更接近读者访问页面的目的。
• 在一个广告活动中运行多个创意变体。 由于模型的预测是针对每个创意和上下文配对的具体情况，单个广告只能给你一个数据点。多个变体让算法找到哪个变体对哪个受众细分表现最好，并让你淘汰不喜欢的变体。
• 在表现下降之前刷新创意。 由于频率和新鲜度影响预测点击率，一个月前持续获胜的广告可能今天默默输掉竞价，仅仅因为对同一受众过度曝光，即使出价不变。
• 精准定位而非广泛定位。 一个针对所有地理位置和设备的广告活动会稀释其平均预测点击率，因为它在表现不佳的上下文中竞争。将资格范围缩小到创意真正共鸣的上下文，可以提高在重要上下文中的胜率。
• 观察那些在竞价中持续生存的广告。 一个在给定网络上继续存活数周的广告，从定义上讲，已经持续赢得足够多的竞价，以证明广告商继续投入是合理的。这比任何关于算法的理论更能说明模型奖励什么。

为什么同一篇文章向不同读者显示不同广告#

如果你和同事同时打开同一篇文章，你们通常会在小部件中看到不同的广告。这是预期的，不是故障。不同的地理位置、设备、浏览历史，甚至竞价运行的具体毫秒数都可能改变哪个候选获胜。发布商从这种个性化中受益，因为它提高了整个受众的平均预测点击率，这是算法实际优化的指标。

OpenAdLibrary如何帮助#

由于算法奖励具有强大预测参与度的创意，研究那些已经持续赢得竞价数周的广告（即已经保持活跃数周的广告）是逆向工程给定网络模型奖励的最直接方法之一。OpenAdLibrary的广告情报工具允许你按网络、垂直领域和寿命筛选，以查看哪些创意在生产中持续达到该标准，而不是猜测模型偏好什么。

简短版#

推荐小部件的广告位通过实时竞价赢得，该竞价综合考虑出价和预测参与度，并由上下文和行为信号在每次页面加载时刷新。理解这种组合——而不是假设它是一个简单的最高出价竞价——是编写仅仅出价良好的创意与算法实际想要展示的创意之间的区别。

这也解释了一个让许多新接触该渠道的广告商困惑的模式：一个广告活动在第一周表现良好，然后默默下滑，而出价没有任何变化。没有出问题。使创意具有竞争力的预测点击率只是随着更多符合条件的受众已经看过它而衰减，竞价开始青睐更新的候选者。将这种下降视为刷新创意的信号，而不是网络或优惠停止工作的信号，通常才是正确的解读。