推薦小工具如何決定你看到的廣告

內容推薦小工具，即文章下方的「你可能也喜歡」區塊，是透過一場即時競價來決定顯示哪些廣告的。這場競價會根據預測的互動價值對符合資格的廣告素材進行排名，而不僅僅是最高出價。廣告網絡的廣告伺服器會將廣告商的出價與針對該特定讀者和版位的預測點擊率結合起來計算，哪個組合能為發布商帶來最高的預期收益，哪個廣告就能贏得該版位，這一切都在頁面載入的瞬間完成。

以下是實際的運作順序，以及決定你與坐在旁邊的人看到不同廣告的原因。

從請求到呈現的流程#

1. 你載入一個發布商頁面。 頁面載入時，頁面上嵌入的一段腳本（來自 Taboola、Outbrain/Teads、MGID、Revcontent 或其他網絡）會觸發。
2. 小工具向廣告網絡的廣告伺服器請求廣告。 這個請求攜帶著情境訊號：頁面的主題和類別、你的裝置類型、大致地理位置，以及如果你之前與該網絡有過互動，通常還會包含與 Cookie 或裝置 ID 綁定的行為訊號。
3. 廣告伺服器在符合資格的廣告活動中進行競價。 所有針對該地理位置、裝置和情境進行定向的廣告商都成為候選者。這就是原生廣告競價，它在毫秒內完成。
4. 每個候選廣告的排名，不僅基於出價，還基於出價乘以針對該特定使用者和情境的預測點擊率。 這就是為什麼出價較低但素材高度相關、點擊率高的廣告商能擊敗出價較高但素材普通的廣告商。廣告網絡正在優化其自身的每次頁面瀏覽收益，這會獎勵人們實際上更可能點擊的廣告。
5. 勝出的廣告會呈現在小工具中，通常是多個廣告同時出現，與發布商真正的編輯推薦內容一起填滿推薦網格。
6. 你的點擊（或未點擊）行為會回饋到系統中，從而優化該廣告、該情境，以及未來針對該特定讀者的預測點擊率。

真正驅動排名的因素#

對於首次造訪或未登入的讀者，情境訊號最為重要。 在缺乏大量行為歷史記錄的情況下，廣告網絡會依賴情境式定向，將廣告類別與文章主題進行匹配。一篇個人理財文章比隨機的家居用品廣告更有可能顯示金融或保險廣告，因為這種配對在整個網絡的歷史數據中表現更好。

當你累積了瀏覽歷史後，行為訊號會開始主導。 如果廣告網絡的 Cookie 或裝置 ID 記錄到你曾點擊過旅遊廣告，那麼旅遊廣告商在爭取你的廣告曝光時會變得更有競爭力，即使是在不相關的文章頁面上。這更接近於需求方平台在更廣泛的程序化購買中定向受眾的方式。

裝置和地理位置在排名開始前就篩選了符合資格的廣告商群體。 一個僅針對特定國家行動用戶的廣告商，永遠不會進入針對其他地方桌面讀者的競價，無論其出價多高。

預測點擊率由模型驅動並持續更新。 每個廣告網絡都運行自己的機器學習模型，來估計特定廣告被特定讀者在特定情境下點擊的可能性。這個預測值，而非原始出價，通常是決定誰能勝出的更大因素，這就是為什麼精心設計的標題和圖片可以勝過預算大得多的廣告。

頻率和新鮮度上限會影響廣告的資格。 廣告網絡通常會避免在短時間內向你重複展示完全相同的廣告素材，這既是為了保護讀者體驗，也是因為一個陳舊、過度展示的廣告，其預測點擊率自然會下降。這就是為什麼廣告商會在一個廣告活動中輪播多個廣告素材變體。

標頭競價與供應路徑的角色#

在透過更廣泛的程序化管道轉售廣告版位的網絡上，多個需求來源可以同時競爭同一個小工具版位，這種設置類似於傳統展示廣告中的標頭競價。管理發布商廣告版位的供應方平台可能會將單一廣告請求路由到多個潛在買家，然後小工具才會呈現廣告。這就是為什麼原生廣告供應鏈可能涉及比簡單的「廣告商付費給發布商」模型更多的中間環節，也是為什麼同一個版位在不同時刻可能由不同網絡的需求來填充。

這個轉售版位的層級，也是為什麼從表面上看，要識別你看到的廣告實際由哪個網絡提供，並不總是那麼明顯。一個標示為某個網絡版位的小工具，實際上可能由合作夥伴路由過來的需求填充。如果你正在進行競爭對手研究，並且網絡歸因對你的分析很重要，那麼值得深入探究小工具可見的品牌標示，以確認實際的廣告投放路徑。這正是供應鏈追蹤工具旨在揭示的細節，而非僅憑肉眼觀察頁面就能判斷。

這對希望贏得更多競價的廣告商意味著什麼#

既然預測點擊率佔據如此大的權重，有幾個實用的槓桿可以在不單純提高出價的情況下，增加你贏得版位的機會：

• 讓廣告素材與版位可能的情境相匹配。 一個讀起來與編輯內容自然融合的廣告角度，而非明顯的干擾，往往能獲得更高的預測點擊率，因為它更接近讀者訪問頁面的初衷。
• 在一個廣告活動中運行多個素材變體。 由於模型的預測是針對每個素材與情境的配對，單一廣告會限制你只有一個數據點。多個變體可以讓演算法找出哪個變體對哪個受眾群體效果最好，並讓你淘汰那些效果不佳的變體。
• 在效果衰退前更新素材。 因為頻率和新鮮度會影響預測點擊率，一個月前持續勝出的廣告，即使出價不變，也可能因為對相同受眾過度曝光，而在今天的競價中悄悄落敗。
• 進行精準定向而非廣泛定向。 一個適用於所有地理位置和裝置的廣告活動，會因為在效果不佳的情境下競爭而稀釋其自身的平均預測點擊率。將資格範圍縮小到廣告素材真正能引起共鳴的地方，可以提高其在重要情境下的勝出率。
• 觀察哪些廣告能持續在競價中勝出。 一個在特定網絡上存活數週的廣告，從定義上來說，就是持續贏得足夠多的競價，以證明廣告商的持續支出是合理的。這比任何關於演算法的理論都更能強烈地顯示出模型獎勵的是什麼。

為什麼同一篇文章會向不同讀者顯示不同的廣告#

如果你和同事同時打開同一篇文章，你們在小工具中看到的廣告通常會不同。這是預期中的情況，而非故障。不同的地理位置、裝置、瀏覽歷史，甚至競價運行的具體毫秒時刻，都可能改變哪個候選廣告勝出。發布商從這種個人化中受益，因為它提高了整個受眾群體的平均預測點擊率，而這正是演算法實際優化的指標。

OpenAdLibrary 如何提供幫助#

由於演算法獎勵具有強大預測互動潛力的廣告素材，研究那些已經在競價中持續勝出的廣告（即那些已經存活數週的廣告），是逆向推斷特定網絡模型獎勵標準的最直接方法之一。OpenAdLibrary 的廣告情報工具可讓你按網絡、垂直領域和廣告存活時間進行篩選，查看哪些素材在實際投放中持續達到標準，而不是猜測模型偏好什麼。

簡要總結#

推薦小工具的廣告版位是由一場即時競價決定的，這場競價綜合考量出價和預測互動率，並在每次頁面載入時根據情境和行為訊號進行更新。理解這種組合，而非假設它是一場簡單的最高出價者競價，是區分僅僅出價高的廣告素材與演算法真正願意展示的廣告素材的關鍵。

這也解釋了一個讓許多剛接觸此渠道的廣告商感到困惑的模式：一個在第一週表現良好，然後在未更改出價的情況下，廣告投放量卻悄悄下滑的廣告活動。這並非系統故障。只是讓該廣告素材具有競爭力的預測點擊率，隨著更多符合資格的受眾已經看過它而自然衰減，競價開始轉而青睞更新鮮的候選廣告。將這種下滑視為需要更新廣告素材的訊號，而非廣告網絡或廣告活動失效的訊號，通常是正確的解讀。