如果把广告竞价只看成“谁出价高谁拿量”很多系统都能跑起来但跑到后期会撞上同一个问题单个广告主的最优策略不等于平台整体收益的最优。这个出现在 KDD 2026 议题背景里的快手 PlatformBid核心就是想把这句话变成一套可设计的机制从单广告主最优走向平台全局共赢。下面会拆几个实际问题这类平台级出价方案到底调整了什么、落地时要准备哪些环境、上线前后怎么判断好坏、遇到异常先查哪一层。更适合正在做广告系统、竞价策略、增长投放或者对机制设计方向感兴趣的人看。如果只是做单品投放理解 eCPM 和手动调价通常够用。但如果负责的是一个平台的流量分配就必须把预算分布、用户频次、中小广告主存活、新计划冷启动都放进考虑范围。PlatformBid 这类平台的本质就是在排序和出价之外给流量分配增加约束和调节能力。这篇文章会按“问题拆解、样例推演、工程落地、排查路径”的顺序来写重点放在可复现的判断逻辑上。1. 广告竞价里的“最优”和“共赢”为什么不是一回事1.1 单广告主最优的起点几乎所有广告平台早期都从单广告主视角出发。广告主给定一个预算希望买到越多的高转化流量越好。平台把这条计划和某次曝光匹配起来本质上是判断三件事用户会不会点点了会不会转化广告主能不能接受这个成本。一个非常自然的目标是 eCPM也就是出价乘预估点击率按期望收入排序谁高谁拿量。这个思路本身没有错它能让每次曝光尽量往“看起来更值钱”的一端走。但把时间拉长问题就出现了用户会被同一条广告反复触达点击率和转化率的边际变化会下降一个广告主的预算可能覆盖不了所有高意向用户多个广告主同时调高出价会把流量价格整体抬高最后大家成本都涨。单广告主最优的底层假设是流量彼此独立。现实显然不是。一个广告主在某个行业里拿得越多其他广告主能看到的剩余流量就越少。如果平台只优化单条计划短期收入很好看但预算会集中在少数账户用户的负反馈也会不断累积。这些都是“单广告主最优”视角下看不见的代价。1.2 平台全局共赢的真实约束平台侧的“共赢”至少包含四层约束。第一层是收入。平台不能因为追求用户体验就把价格体系完全推倒重来。收入曲线可以短期微跌但不能长期掉。第二层是用户体验。广告频次过高、素材重复、点击后落地页质量差都会反映到留存和负反馈上。第三层是广告主长期留存。一个广告主如果前期拿量很猛投产比很差后面大概率会降低预算甚至退出平台。第四层是流量结构的可持续性。新广告主、新计划需要能分到一部分冷启动流量否则平台的数据反馈会越来越偏向存量头部计划新计划很难成长。四个目标同时优化就是平台全局共赢要做的事。它不是把 eCPM 换一个公式那么简单更像是在拍卖机制和流量分配规则上做整体调整。这也是 PlatformBid 这类平台级方案和普通“智能出价”最明显的区别智能出价帮单个广告主在预算内拿量平台级出价还要考虑这一单曝光对平台长期价值的影响。比较项单广告主最优平台全局共赢排序目标单条计划期望收入最大化广告收入、用户价值、广告主结构长期健康核心参数出价、点击率、转化率出价、频次、边际价值、预算平滑、新计划探索时间尺度单次曝光或单场拍卖天级、周级甚至更长周期衡量标准成本、ROI、拿量速度收入、负反馈率、广告主续投率、用户留存表格里的差异决定了后面所有设计和评估方式。从头到尾只看“这条广告这条计划赚不赚”和看“整个平台这条流量网络稳不稳”得到的是两种完全不同的优化路径。2. 从一次拍卖到一张流量网络PlatformBid要解决的三个错位2.1 错位一单场拍卖最优不是长期最优单个曝光被卖给最高出价者在单场拍卖里是有效率的。但广告主的出价只是“我愿意为这个用户付多少钱”不代表“这个用户对平台的价值就是这么多”。如果平台把一次拍卖看成全部就很容易牺牲长期价值。从长期看假设一个用户今天连续看到三次同一条广告都没有点击还产生了负反馈。那下一次平台再把这条广告卖给他即使广告主出价很高也已经开始在伤害平台的基本盘。长期最优要求平台对高频曝光做限制甚至关闭部分展示机会。这在单场拍卖里不可能推导出来只有把多场拍卖连起来看才能发现这条约束。所以 PlatformBid 这类机制设计往往不是把一次曝光的价格卖到最高而是让每一条流量往“长期综合价值”更高的广告主手上流动。这一点对于做广告系统的人来说是视角上的重要转变。2.2 错位二个体回报与系统外部性一个广告主把出价调高会影响其他广告主获得流量的成本这就是外部性。问题在于这种外部性并没有直接反映在单次拍卖的价格里。当 A 广告主为了抢量持续加价B 广告主为了维持量也会跟着加价流量价格被人为抬高。平台收入短期内增加但广告主整体 ROI 下降后续预算就会被收紧。平台级出价如果想实现全局共赢就得对这种外部性做内部化处理。常见手法包括给单条计划设置频次上限、引入行业竞争度调节系数、对探索流量做低价保底分配、把平台的长期收入预期纳入目标函数。这里的核心不是限制谁而是让每个参与者的出价更接近真实价值而不是“为了抢量的策略性加价”。2.3 错位三短期收入与长期留存广告平台最容易受到短期收入绑架。一个新机制上线后如果收入微跌在短周期实验里很容易被判断为失败。但如果负反馈率在下降、广告主续投率在提升、用户留存更稳定长周期收入反而可能更健康。这几个错位合在一起说明平台级出价不是改一个竞价公式而是重新定义“什么算一次好的曝光”。一次好的曝光不只是这次有人点击、有人成交还要满足用户不反感、这条计划有成长、广告主未来还会继续投放、流量价格没有被策略性加价拉高。把这四个条件都放进广告系统的决策目标里才算是真正从单广告主视角转到了平台视角。3. 用一个小样例推演平台侧调整到底调了什么3.1 最小样例设置假设一个极简流量池只有 1000 次曝光两个广告主。广告主 A出价 8 元预估点击率 10%但素材变化少用户连续看到后负反馈上升。广告主 B出价 3 元预估点击率 8%转化价值更稳定并且面向的是 A 覆盖不到的中低意向人群。如果按 eCPM 排序A 的 eCPM 是 8 × 0.1 0.8 元B 是 3 × 0.08 0.24 元。A 会拿到绝大部分曝光。这个判断放到真实系统里就是经常说的“头部计划吃量很猛”。3.2 先看单广告主最优可以先用一个极简的示意代码观察两种视角的差异。这种代码不代表真实系统只是为了把机制差异说清楚# 示意伪代码观察单广告主排序和平台视角排序的差异 impressions 1000 ads { A: {bid: 8.0, ctr: 0.10, negative_user_ratio: 0.20}, B: {bid: 3.0, ctr: 0.08, negative_user_ratio: 0.05}, } def ecpm(ad): return ad[bid] * ad[ctr] # 单广告主最优按 eCPM 排序A 几乎吃满所有曝光 sorted_ads sorted(ads.keys(), keylambda k: -ecpm(ads[k])) print(sorted_ads) # [A, B]真实广告系统里当然不会这么简单。但这个样例能说明机制差异单广告主排序只会看到整体机会最大看不到用户边际价值下降看不到负反馈累积也看不到另一条低出价计划对特定人群的长期价值。3.3 再看平台视角的分配平台视角的分配可能变成这样对 A 设置频次上限同一个用户 5 天内最多看到 2 次超过就轮换到 B对新计划样本量不足时先给一部分探索流量试错在目标函数里加入负反馈惩罚对 B 这类出价不高、但覆盖细分人群的计划保留一定底量避免完全掉出竞争。按这个规则A 获得的量可能从接近 1000 次降到 600 次左右B 获得 300 次左右剩余 100 次进入探索或者留给其他新计划。收入端短期看0.8 元 × 1000 次的收益预期会下降但如果 A 的负反馈减少、B 的转化稳定、广告主整体投产比更好长周期收入是可以回补的。我不会说“一定能提升多少”因为真实结果依赖平台数据、用户结构和素材质量。这个样例的价值是平台侧调整的核心不是杀价而是给流量分配增加几个约束条件让短期收入和长期价值之间有一个可调节的杠杆。3.4 从样例里能读出的两个结论第一eCPM 排序只适合当基础层不适合当最终决策层。它计算的是“一次展示的期望收益”不是“这个流量给谁的长期价值更高”。第二“低出价”不等于“低价值”。平台要考虑广告主在特定人群上的边际回报也要考虑新计划探索和现有计划之间的取舍。新机制上线前应该先在仿真里验证广告主响应。A 看到量少了会不会加价B 有没有动力提高素材质量这些行为变化会直接影响机制能不能收敛也是 PlatformBid 和普通排序方法最大的区别所在。4. 落地PlatformBid思路时的四个关键环节4.1 离线仿真要先模拟博弈而不是只算排序很多人会先做一个离线重排实验拿历史日志按新排序规则重新排序然后对比收入。这个做法的最大问题是广告主不会原地不动。当平台调整之后广告主会修改出价、改素材、换预算分配。因此离线仿真至少要做一个“多轮响应”版本第一轮用规则 A 分配第二轮让广告主根据拿到的量调整出价第三轮再按新出价分配。这样能看到机制会不会震荡是否会收敛会不会总是让同一批广告主吃亏。没有多轮仿真直接上线很容易出现“A 广告主猛加价B 广告主不断掉量”的连环问题。我在做机制类方案时通常会先把这一步放在最前面。4.2 多目标函数要留退路PlatformBid 类方案几乎不可能只优化收入。实际落地时往往需要把多个目标压成一个可计算的优化问题。可以理解成类似下面这样的结构广告分配目标 广告收入 - 用户体验惩罚 - 广告主流失惩罚 新计划成长奖励这些权重不能拍脑袋。建议先做一组参数扫描同样一周的仿真数据看不同权重组合下收入、负反馈率、广告主留存各有什么变化。如果某个组合在仿真里收入很高但负反馈率翻倍就说明权重偏了。留退路的意思是多目标优化的结果要先在线上小流量验证同时保留按旧规则运行的开关一旦出现异常可以快速回切。4.3 关键参数与兜底策略落地时不是所有流量都适合直接交给新机制。建议先做流量分层头部广告主、中小广告主、新计划、频次过高的老计划在不同分层里使用不同的约束。常用参数示例如下参数作用一般起步建议判断标准探索流量比例给新计划和新竞价策略试错的流量占比1% - 5%新计划冷启动成功率、负反馈率用户频次上限避免同一用户高频看到同一条广告按行业和用户活跃周期设定广告负反馈率、用户时长预算平滑窗口避免广告主预算短时间内消耗完毕天级预算平均到全时段预算消耗速度、成本波动广告主保底量给中小广告主保留基础可拿量按行业和历史量级设定中小广告主留存率、新广告主数量需要注意这些数值不是标准答案。平台体量越大越需要根据行业、流量位和广告主规模做差异化设置。起始值宁可小一点尤其是探索流量比例。给太高会影响整体收入给太低又起不到探索作用。4.4 从单计划验证到全平台灰度上线顺序建议分四步先单行业单计划验证再看多条计划之间的竞争变化然后扩大到新流量位最后全量。每一步都要记录收入、点击率、转化率、负反馈率、广告主续投率。如果某一步出现某个行业广告主成本大幅上涨先停下来检查是不是机制权重过于偏向某项约束。灰度不只是控制风险也是在收集足够多的样本用于判断参数方向。如果直接全量上线一旦参数方向反了损失会很快传导到广告主预算和用户体验上。宁可灰度多跑几天也不要急着看全量效果。5. 上线之前和上线之后判断标准与排查路径5.1 广告主侧量少了不一定是平台压价新机制上线后最常收到的反馈是“为什么我的量少了”。这个问题的原因往往不是平台强行压价而是广告主这条计划的新鲜度和真实价值在下降。广告主应该先自查三件事点击率有没有变化转化率有没有变化素材和落地页是不是已经被同一批用户反复看到。如果点击率下降说明系统在减少低意愿曝光如果转化率下降说明拿量目标定得太宽如果负反馈上升说明素材已经疲劳。这三项都正常再考虑竞争环境变化比如同行出价上调。还有一个建议不要一看到量少就把出价提高 50%。平台级机制更看重长期边际价值盲目抬价会让系统认为这条计划要靠高价硬顶反而可能失去在细分人群里的机会。5.2 平台侧先看分层指标再看异常账户平台侧排查时我会先看四个分层指标总收入是否稳定用户负反馈是否上升广告主续投率是否变化新广告主进入量是否正常。这四个指标可以把问题定位到收入层、体验层还是广告主结构层。然后再看异常账户。最需要关注的是预算消耗异常快的账户、投放量突然归零的计划、同一个行业里成本全面上升的情况。这些都是机制层面可能出问题的信号。现象先查再查可能原因平台收入下降实验流量占比和开关状态头部广告主频次是否受限机制目标权重偏向了体验或探索单个账户预算消耗过快该账户计划数和素材数频次上限和底价策略新机制对高竞价计划约束不足某个行业成本全面上涨行业竞争度和出价分布是否存在广告主策略性加价外部性没有被内部化新广告主拿不到量保底流量是否生效冷启动探索比例是否过低探索参数设置太保守5.3 常见误判第一个误判是把“收入微跌”直接判定为失败。有些机制在短周期内收入微跌但负反馈率下降、广告主续投率上升长周期反而更稳。第二个误判是把“广告主加价”看成积极信号。加价有时是真实价值提升有时只是策略性抢量需要结合转化率和 ROI 一起看。第三个误判是只看点击率不看用户时长和留存。点击率可以靠标题或者素材套路拉高但用户进入落地页后没有转化长期伤害更大。排查时最忌讳一上来就改参数。应该先确认是规则问题、数据问题还是广告主行为变化问题。把现象、输入、环境和参数一层层拆开才能找到真正需要改的地方。6. 这个议题对广告算法和竞价策略从业者的实际启发6.1 从排序模型走向机制设计过去不少广告算法岗位的重点是 CTR 预估、CVR 预估、预算控制、冷启动。这些模型能力当然重要但平台级方案要求的更多是机制设计能力。你需要回答的不是“这条广告点击率是多少”而是“这个流量为什么给 A 而不给 B”“A 加价之后平台整体会怎样”“要不要对某类计划设置底价”。这些已经超出了单一模型的精度问题更像是在设计一套参与者都会响应的规则。如果你想往这个方向走建议补充三块知识拍卖理论的基础概念多目标优化里的约束处理以及因果推断在广告实验里的应用。不用一开始追求特别深入但要把“机制如何影响参与者行为”这个视角建立起来。6.2 仿真系统和监控开关比调参更值得投入一个新机制真正上线前最值得投入的不是把离线指标刷得更好看而是把仿真系统和灰度开关做好。离线仿真能提前看到震荡和集中度问题灰度开关能让你在线上异常时快速回退分层监控能告诉你问题到底出在哪个流量位、哪个行业、哪类广告主上。工具层面没有统一答案很多团队会用 Python 做数据分析配合离线日志平台、实验平台和报表系统。关键是流程不是某个框架。如果连按行业分层的收入曲线都做不出来就不适合直接讨论权重怎么调。6.3 如果准备研究这类问题先把三个问题想清楚第一个问题平台当前最痛的是什么是收入增长变慢、用户负反馈过高、广告主流失严重还是新广告主进不来不同痛点对应的机制设计差别很大。第二个问题广告主会如何响应你的新机制一旦上线广告主一定会调整策略。无论规则怎么设计都要留出应对策略性行为的空间。第三个问题用户负反馈怎么量化没有统一的负反馈指标就没有办法判断全局共赢是不是真的实现了。可以看广告关闭率、负面反馈、落地页跳出率、用户时长变化但要在上线前定义清楚不能上线后再临时补。广告平台从单广告主最优走向平台全局共赢核心不是把某条广告打压下去也不是把收入目标挪到第二位而是把约束条件补齐。我个人的判断是这类方案在工程上能不能成功很大程度不取决于模型有多强而取决于你有没有一套能持续观察博弈结果的仿真和监控体系。先把单条计划跑稳再做流量分层验证最后再讨论权重和参数这个顺序不容易出错。