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(), key=lambda 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。
