腾讯增长技术：智能投放篇

关注

转载最新推荐文章于 2026-11-03 11:06:25 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

AIGC 在广告创意设计软件中的多模态内容生成与智能投放策略优化 MIT媒体实验室2023年研究报告显示，整合文本、图像、音频和视频的跨模态生成模型，可使广告点击率提升47%（研究表明，整合跨模态生成、实时优化、伦理审核的技术方案，可使广告综合效率提升3-5倍（例如，某快消品牌通过。，通过模拟不同种族、性别、年龄的用户群体，检测模型输出中的隐性偏见。技术，通过分析10亿条未标注广告数据，构建的预训练模型在零标注情况下，仍能保持85%的投放效果预测准确率（混合模型，在2023年Q4广告效果预测中，准确率达到89.4%，较纯时间序列模型提升23个百分点（阅读详情

分享嘉宾：吴超腾讯技术专家

编辑整理：李萧萧

出品平台：DataFunTalk

导读："互联网的下半场"流量红利增长进入瓶颈，"用户增长"成为了互联网产品热门话题。不同形态产品随着业务发展对用户增长诉求会改变，相应AARRR增长模型下各层指标要求也不一样。增长业务中，需要抽象业务的共性，沉淀增长能力，敏捷支持不同增长需求。增长中台通过物料挖掘，智能投放，RTA/DPA等技术聚焦增长AA环节，帮助业务获量，实现业务增长。今天主要分享增长技术领域的智能投放模块，介绍下腾讯在增长中台方面的工作。

本文的主要内容包括：

增长与增长中台
投放系统与策略
增长系统与策略

增长与增长中台

1. 增长与增长中台面临的挑战

增长中台承接各大产品的增长，需要更频繁的跟产品侧同学沟通。在对接多个APP的增长过程中，主要面临以下挑战：

多渠道流量：中台负责每个APP在各大厂商各个流量的采买。

素材规格：每个APP对素材的要求不一样，互相之间不认同。导致素材方面会变的更复杂。

出价策略：不同APP由于所处的产品的生命周期不一样，不同周期里的要求也会不一样。处于增长期的APP会优先考虑产品用户量级增长；成熟期的APP会权衡成本；直播、游戏类的APP则要求付费类用户，ROI增值优先。不同APP的目标不一样，会导致增长的策略不一样。

多人群策略：不用APP的目标不一样，可能侧重大R付费、中R付费、小R付费、或者追求用户激活、注册、时长、次留等，会导致投放的人群策略需要随之改变。

2. 增长与增长中台的背景

传统的增长买量过程，一般会联系多个代理商，通过代理商联系不同的渠道，根据不同的渠道设定考核ROI和预算。对于增长中台，会有更丰富的产品流量、业务指标和精细化的人群挖掘。投放效率方面，能够程序化的投放。业务目标，支持复杂业务在不同的阶段设定不同的考核目标。人群方面：根据前面提到的不同的大R、小R、激活、注册等，对人群进行价值分层，实现阶梯出价精细化买量。素材方面也实现个性化素材自动生成。

投放系统与策略

1. 投放公式

投放系统与策略这块主要介绍如何解决上面提到的投放效率、多样性、人群、素材这些问题。左边的是投放获量的公式。其中，ad_num是一段时间能够获得的广告量。CTR、CVR决定了获量，LTV决定了获量之后的用户价值，CPA决定了成本。广告量级是和对手差异的关键，在通过媒体平台获量时，如果我们管理的广告量级是别人的n倍，那么在获取的用户量级基本上也是n倍，基本成线性关系。同时在管理广告时引入合格率的指标。在广告数量和合格率达标的情况下，我们再进行精细化管理广告。广告在媒体渠道进行投放时，都有一个自然生命周期，从冷启动、稳定获量到衰减期。由于不同阶段对ROI等指标的要求不一样。在这个阶段，做到实时的调控指标、关停衰减广告、调整广告预算、广告估价，从而在管理端每天管理十万个广告时做到投放广告的最合理的ROI的安排。

2. 投放系统与策略

投放系统主要是解决自动化投放和扩量的投放过程。基于投放策略模型、投放效果数据，构建了自动化投放链路。通过模型拟合自动化规则引擎，管理和运营投放的广告，达到了客户获量的水平，以及合格率的水平。

投放素材方面，我们搭建了一个覆盖视频、图文全屏类的素材生产平台，通过标签化的素材池、以及结合投放效果自动化优选素材的过程，来做到更大投放量的承载。
拉承一体化，负责把用户从外部的自然流量，拉到运营流量中，做到可见即可承接的效果。目前是通过剪切板、设置指纹、动态打包等一系列方法来实现拉承一体。
投放效率中更进一步的优化，RTA策略和DPA策略。RTA策略通过前置判断用户的价值来优化用户的ROI模型，DPA策略借助转化好的素材和后端的数据挖掘能力实现投放广告的千人千面，提升CTR，进而提升获量的能力。

3. 投放系统

① 投放时

首先介绍下我们的投放系统。一个用户的投放过程一般是请代理，然后代理在各个广告平台操作，我们在这个投放过程中新增了投放系统。投手在投放系统中选择投放策略，然后通过例行化投放，投放到各大平台。具体流程：

素材优选：投放系统的核心是根据回流的数据，结合后端转化数据、ROI等整体数据，根据历史数据和模型，进行素材的多层目标的分解和优选，推荐给投手，由投手自动或者人工的进行选择素材。
流量&人群的选择：在投放系统中，我们会进行渠道流量和人群的推荐。系统会提示各个渠道的ROI达成率、人群选择、量级等。
出价策略：出价时，根据历史信息，计算各个渠道不同人群的竞价状态，在进行素材和人群选择后，推荐较优的出价策略，避免人工出价摸索。
扩展复制：系统的扩展和复制功能。当投手发现某些素材在某些渠道有很好的效果时，可以进行复制和微调，批量化的进行投放。同时，投放系统支持自动化的投放扩展复制。比如，投放系统识别到某些策略在AMS平台的投放效果比较好，能够自动化的扩展到其他账号中，解决拿量问题，实现效果最大化。同时，也支持跨渠道、跨平台的扩展。

② 运行时

例行调度：

简单介绍下投放引擎在管理线上所有广告时的生命周期策略。当例行任务把全平台的广告投放出去，广告在投放平台中的运行周期主要分三个：学习期，稳定拿量期，衰退期。投放引擎会根据后台的转化数据，建立转化模型，模型会定期检测在线广告的状态。如果处于学习期学习失败时，投放系统会自动将广告下线，从而节约人工操作的成本。如果在稳定拿量期，系统会保持广告的例行更新状态；如果处于衰退期，会将广告置于自动下线的状态。部分广告的自动下线，会驱动新一轮的例行投放，同时新增更多的广告。

效果优化：

在拿量期，有两种不同的模型，自动调价和调整预算。当有一个业务有很多个广告在稳定拿量时，通过后台的数据发现不同的广告拿量能力会有差别。引擎会根据不同广告的拿量能力、数据和用户质量、媒体平台的竞争状态，对不同的广告进行不同的调价。另一方面，引擎会在广告级别调整预算。根据不同广告的拿量能力进行预算调整，从而达到所有广告的良好的获量状态。

目标优化：

接下来，介绍我们在归因方面的策略。大部分的广告主投放方式是oCPX方式。oCPX数据链路会涉及客户数据归因和渠道数据归因。在归因方面，也有很多策略工作。我们会驱动媒体平台挑选指定的数据回传到广告平台，从而驱使广告平台的模型学习我们想要的用户特点。比如，在目标ROI的归因过程中，会对大R用户会进行拆分的策略，小R用户会进行合并的策略，对于在同一个媒体平台不同地方有多个点击归因的用户，会根据策略选择归并到不同的点击中。通过不同的归因策略，帮助媒体平台寻找到想要的用户。

增长系统与策略

1. RTA投放场景

刚才主要是介绍了广告投放平台，以及一些自动化运营策略。接下来介绍RTA的投放策略。RTA的存在主要是由于媒体平台和广告主的数据处于割裂状态，双方的数据互不相通；除了oCPX有一些标准化的数据回传，对于一些高付费用户和高质量用户，广告主方和媒体方处于互不信任的状态。RTA是通过接口的形式，在广告投放过程中，对用户建模，决策用户是否进行投放。在我们的场景中，首先通过RTA实现共同建模；其次，有别于传统投放倾向于获量，增长场景中更倾向于uplift效应。

2. RTA拉活模型

我们在对用户进行拉活增长时，对用户进行分层：营销潜在用户、低活用户、高活用户、日活用户。拉取用户时，考虑到广告的本身投放成本，我们更倾向于拉起业务的低活用户，而不是业务本身已经高活的用户，这样广告的投放价值才最大。uplift公式的定义是"进行广告投放后的用户拉起概率"和"不进行营销活动的用户拉起概率"的差值。通过这样的uplift model在DPA中进行拉活的操作，在同一个场景下，消耗降低25%。

3. 素材策略

这一块主要是素材方面的策略。素材主要面临的挑战是不同APP、不同业务的投放素材形态都不太一致，有内容类的、视频类的等等。对于不同业务提供的几十、几百万素材，如何进行素材的申请、挑选、匹配、投放，效率上面临很大的挑战。我们将素材解构成素材元素池，解构完后，每个素材都有对应的标签体系。通过素材库中的元素，和策略投放引擎和媒体平台的模板进行合成，通过模板合成引擎把元素合成为最终要投放的素材。如何挑选元素进行合成，如何挑选合成后的素材进行投放呢？我们是通过优选、审核、文案、增强这四层投放模块的策略进行整体投放的拉通。

在优选和合成的环节，进行素材的挑选时，我们将投放效果归因到素材元素级别，而不仅仅是广告级别；从而对每天投放的素材进行优选，再结合审核的积累、文案的生成、元素库信息的增强，最后进行投放，整体构成了我们素材方面的策略。

4. 拉承一体

介绍完投放和素材的策略后，再介绍下拉承一体的策略。投放需求主要是通过H5落地页进行拉新、拉活时，无法有效进行数据追踪分析。同时投放过程中，用户的兴趣点到落地页承接的时候，行为信息是否一致。为了做到广告环节和承接环节的打通。业内主要的做法有用户标识、etag、apk包等方式。

我们的做法主要是通过剪切板+设备指纹+动态打包能力，集成SDK，提供拉承一体的策略。剪切板通过端上的内存块共享技术传递过程信息；设备指纹的识别是在广告主回传的设备指纹，通过设备指纹和后端的缓存获取呈现给该用户的内容元素，实现在拉起用户时，自动化激活特定素材；动态CDN打包是在用户下载激活的过程中，把拉取用户的具体的投放素材通过APK打包方式进行动态打包，从而在用户拉起激活的过程中，能够获取这个信息，实现自动化的承接。最后通过提供h5、终端sdk接入，实现集成化SDK，提供更可靠保障。整体来说，拉承一体的效果比较明显，特别是激活留存等方面取得了不错的效果。

5. DPA投放场景

在买量和投放广告的过程中，素材的投放和编辑其实是比较个性化的环节。广告主每天会生成数千的素材，同时有千人千面的投放需求。DPA的场景是这样的，用户对一些APP会产生很多历史行为（浏览、点击、喜欢、收藏等），通过对这些行为的挖掘形成了一套商品库的体系；然后广告主设置投放目标（获量、时长、付费、留存等）后，会基于这些目标挖掘素材APP相关的用户行为库。不同的行为会对应不同的目标；商品库和行为库打通之后，可以做到不同的用户、不同的目标有个性化的素材呈现。在DPA投放场景中，做到了千万级别用户覆盖。主要是提高了用户的次留、时长和留存率。

总结

刚刚介绍了我们的增长中台在承接业务、用户增长、素材挖掘等方面的工作。回过头来总结下，我们的增长中台的大致业务框架如图。最上面主要是批量投放、策略的自动化复制以及自动扩量，从而提升广告的获量、获取外部的优质的流量。在模块例行运营、人群流量、出价策略、rta+dpa中，介绍了我们在CTR、CVR、LTV等价值增长中，ROI价值目标的达成策略。

总体来说，我们的增长中台目前对接了8+国内主要媒体平台，实现了广告的程序化、批量投放能力，承接30W+QPS、每天240亿+的流量，20+APP投放的效果。

问答环节

1. 如何通过素材库进行模板生成？

其实在不同的业务场景中，生成模板的脚本会不一样。举个例子，在素材生产方面，首先在元素库里做素材元素的解构。由于素材是分广告场景的，比如图片中可能包含人物、道具、标记物广告等等，在不同的APP中会进行不同的解构，在模板合成的过程中，进行动态的组合，不一样的业务会拆分成不同的item、进行不同的组合。

2. 广告的自动运营中，会对学习期失败的广告进行自动下线，会不会导致媒体平台中的广告趋近于单一、且对下线的广告不友好，如何评估学习失败的广告对于平台的损失？

广告投放过程中必然会经过三个时期：学习期、拿量期、衰减期。一个广告在学习期学习失败，拿不到量、拿不到激活转化数据是需要进行强制下线。我们对广告进行下线也不是完全的下线，会通过例行化更新的策略，分析历史的投放数据，复制效果好的策略投放到广告平台中，来补充广告的拿量能力。我们没有担心广告下线对媒体平台的损失，我们考虑的是对于用户增长有没有损失。目前来看对于用户业务增长是没有损失，也说明是一个比较好的策略。

3. DPA拉活相比RTB拉活有什么优劣势？

DPA主要是解决触达用户多样性的问题。广告在媒体平台进行投放时，呈现给用户的素材不一定是用户想要的。即使是爆品素材，可能在后续的留存、时长等方面效果会比较差。DPA呈现给用户的是通过后端数据挖掘出来的。比如根据时长标签挖掘的用户，必然是对该内容有很好的停留时长的特点。通过对目标用户的引导，引导到目标广告或商品中。这个是DPA的优势，对不同的人群、不同的目标呈现不一样的素材。

理论上，如果外部的流量非常好，从系统上讲，RTB是一个非常好的广告呈现方式，因为RTB能够控制用户所有的行为、模型。平台只需要进行价格成本上的交付，RTB自己控制模型。从功能上，RTB更灵活，也能做更多的事情，但是从国内的流量生态上讲，DPA是跟广告媒体平台结合的更紧密的方式，能够保证媒体流量的优质性。RTB目前主要是一些边边角角的流量，这部分流量对于很多APP不适合。我们以前也尝试过利用RTB做一些游戏高质量人群的增长，发现用户的付费意图、留存意图比较低，整体流量质量比较差。从流量角度上讲，是属于不太一样的流量生态。

今天的分享就到这里，谢谢大家。

在文末分享、点赞、在看，给个3连击呗~

嘉宾介绍：