目录
第15章 程序化交易核心技术
15.1 广告交易平台
15.1.1 Cookie映射
15.1.2 询价优化
15.2 需求方平台
15.2.1 定制化用户标签
15.2.2 DSP中的点击率预测
15.2.3 点击价值估计
15.2.4 出价策略
15.3 供给方平台
第15章 程序化交易核心技术
程序化交易代表了数字广告交易范式的根本性革命——从人工谈判、固定合同的传统模式，转向由数据和算法驱动、通过自动化平台实时完成的智能匹配模式。它不仅仅是技术的升级，更是整个行业生产关系的重构。本章将深入剖析构成程序化交易生态的三大核心支柱：作为公开市场的广告交易平台、代表买方智能的需求方平台和代表卖方优化的供给方平台，揭示其背后的关键技术。
15.1 广告交易平台
广告交易平台（Ad Exchange， ADX）是程序化交易的“公开证券交易所”。它是一个中立的、技术驱动的市场，以实时竞价（RTB）为核心机制，连接海量的广告曝光供给（通过SSP接入）与海量的广告购买需求（通过DSP接入）。ADX的核心使命是在极致的速度与规模下，实现每一次曝光的市场清算价发现。
15.1.1 Cookie映射
在程序化交易中，DSP需要基于用户画像做出出价决策。然而，DSP和ADX（以及媒体）通常处于不同的互联网域名下，由于浏览器的同源策略，它们无法直接共享用户的Cookie标识符。Cookie映射（Cookie Matching/Sync）就是为解决这一身份隔离问题而设计的分布式身份识别协议。
1. 映射流程：三步握手
Cookie映射是一个异步的、持续进行的后台过程，其经典的三方（用户浏览器、ADX、DSP）交互如下：
第一步：DSP种下ID（初始化）：当用户访问广告主的网站（或DSP的合作站点）时，DSP会在自己的域名下（如
dsp.com）为用户设置一个唯一的Cookie，即DSP ID。这是DSP识别该用户的“内部身份证”。第二步：ADX发起映射请求（握手）：当同一用户后来访问一个接入该ADX的媒体网站时，ADX会在其域名下（如
adexchange.com）为用户设置一个ADX ID。为了与DSP建立联系，ADX的代码会在页面上加载一个来自DSP的映射像素（一个1x1的透明图片），并将自己的ADX ID作为参数传递给DSP。例如，像素URL可能是：https://dsp.com/match?adex_id=abc123&redir=https%3A%2F%2Fadexchange.com%2F...。第三步：DSP记录并确认映射（完成）：DSP的服务器收到请求后，从请求的Cookie中读取自己的DSP ID，然后将(ADX ID=abc123， DSP ID=xyz789)这个映射关系存储在自己的映射表中。同时，DSP通常会返回一个HTTP重定向，将用户引回ADX的一个URL，并附上DSP ID作为参数。ADX收到后，也记录下(ADX ID=abc123， DSP ID=xyz789)这个映射关系。
结果：现在，ADX和DSP各自拥有一个将对方用户ID与自己用户ID关联起来的表。当ADX再次向DSP发送带有
adex_id=abc123的竞价请求时，DSP就能通过查表，知道这对应的是自己的用户xyz789，从而调用该用户的画像进行智能出价。
2. 技术挑战与演进
映射率：映射的成功依赖于用户同时接触DSP和ADX的域名。通常只有30%-60%的用户能被成功映射，这限制了DSP的精准出价能力。
延迟与带宽：大量的映射请求增加了页面负载和延迟。
隐私时代的终结：随着Safari的ITP、Firefox的ETP，特别是Google Chrome逐步淘汰第三方Cookie，这套建立在第三方Cookie基础上的身份桥梁正在崩塌。这迫使行业寻找替代方案，如：
基于第一方数据的身份解决方案：鼓励媒体和广告主在获得用户同意后，使用登录邮箱等第一方标识符。
隐私沙盒提案：如谷歌的Topics API、Protected Audience API，旨在不暴露个体身份的情况下，实现基于兴趣群组或受控环境的广告定向和测量。
身份图：通过概率匹配技术，整合邮箱、手机号哈希、设备指纹等多种信号，构建跨域的身份图谱。
15.1.2 询价优化
ADX每秒处理数百万乃至上千万的竞价请求。每次请求，它都需要在约10毫秒内完成向多个DSP的询价、收集出价、决出胜者并返回结果。询价优化是ADX保障高吞吐、低延迟、高收入的核心工程能力。
1. DSP的智能筛选（候选生成）
向所有合作的DSP广播每个请求是低效且浪费的。ADX会预先或实时筛选最有可能对当前曝光出高价的DSP子集。筛选依据包括：
历史表现：该DSP在此类流量（如特定媒体、地域、用户标签）上的历史出价水平、预算消耗速度。
交易合同：是否有保证交付的私有市场交易（PMP）需要优先满足。
实时信号：DSP的实时响应健康状况、预算余额（通过预算更新流感知）。
机器学习预测：使用轻量级模型预测各DSP的出价概率和预期价格，选择期望收入最高的组合。
2. 并行询价与超时控制
向筛选出的DSP发送竞价请求。为了最小化延迟，所有请求必须并行发送。ADX会设置一个严格的全局超时（如50-80毫秒）。任何超过此时限未返回响应的DSP将被视为放弃本次竞价。这要求DSP自身也必须具备极高的计算和网络响应能力。
3. 竞价裁决与底价
收到所有DSP的出价响应后，ADX进行裁决：
最高价胜出：原则上，出价最高的DSP赢得曝光。
底价检查：ADX会设置一个底价。胜出者的出价必须高于底价。底价可以是：
静态底价：媒体预设的某个固定CPM价格。
动态底价：基于历史竞价分布、当前流量质量（用户价值、上下文价值）、市场竞争热度实时计算出的最优底价。动态底价算法（如基于分位数）能显著提升媒体收入，避免“贱卖”优质流量。
第二价格结算：为鼓励DSP诚实出价，ADX普遍采用第二价格结算：胜出者实际支付的价格是第二名出价与底价之间的较高者，再加一个最小货币单位（如0.01美元）。这与GSP精神一脉相承。
4. 头部竞价的集成
传统“瀑布流”模式下，媒体先询问自己的直接销售和SSP，未售出再进入ADX，导致ADX看到的是“剩余流量”。头部竞价（Header Bidding）革新了此流程：在页面加载初期，媒体就通过JS代码让所有买方（包括多个ADX和DSP）同时竞价，然后将最高出价“传送”给其默认的广告服务器（或SSP）进行比较，价高者最终展示。现代ADX必须提供完善的头部竞价Wrapper解决方案，以透明、高效的方式参与这场发生在页面端的“预拍卖”，确保自己能代表背后的DSP公平竞争。
15.2 需求方平台
需求方平台（DSP）是广告主（买方）在程序化海洋中的“智能战舰”。它聚合了来自众多ADX和SSP的流量，赋予广告主跨平台、跨媒体、跨设备进行自动化、数据驱动的广告采购能力。DSP的核心竞争力在于其算法驱动的出价引擎。
15.2.1 定制化用户标签
DSP允许广告主基于自己的数据资产定义高度定制化的目标受众，超越平台提供的通用标签。
第一方数据上传与匹配：广告主上传自己的客户关系管理数据（如邮箱哈希列表）。DSP通过身份图服务，将这些第一方ID与平台可识别的用户ID进行匹配，从而实现对“已知客户”的定向（用于重定向或客户关系管理）或排除（避免向现有客户重复广告）。
站内行为重定向：通过部署DSP提供的监测代码（像素），广告主可以追踪用户在其网站或APP上的行为（如浏览产品页、加入购物车）。DSP实时接收这些行为事件，为用户打上“购物车放弃者”、“高意向浏览者”等标签，用于即时或后续的重定向营销。
Lookalike建模（相似人群扩展）：基于广告主提供的种子用户（如高价值转化用户），DSP使用机器学习算法（如逻辑回归、Embedding相似度）在更广的人群中寻找与种子用户特征相似的其他用户。这能有效扩大高质量潜在客户的覆盖范围，是获取新客的利器。
15.2.2 DSP中的点击率预测
与媒体方的CTR预测模型不同，DSP的CTR预测面临独特挑战：
特征受限与稀疏：ADX在竞价请求中提供的信息有限（为保护隐私和商业机密），通常只有媒体域名、广告位尺寸、粗略的用户分类、设备信息等，缺乏详细的页面内容和完整的用户历史。
样本选择偏差：DSP只能观察到它选择出价的曝光样本，以及胜出后的点击结果。这是一个严重的部分可观测和带偏的数据集，因为出价决策本身就基于一个预估模型。这容易导致模型在反馈循环中不断强化已有偏见。
实时性要求：需要在几毫秒内完成预测。
解决方案：
使用轻量级、高迭代模型：如在线逻辑回归（FTRL），配合海量的稀疏特征工程（如将媒体域名、广告位尺寸组合成交叉特征）。
纠偏学习：采用逆概率加权等技术，对观测到的样本进行重新加权，以模拟从全体曝光中随机采样的分布，从而纠正选择偏差。
迁移学习与领域自适应：利用在其他数据丰富的场景（如自有媒体）训练的模型进行知识迁移，辅助在稀疏竞价数据上的学习。
15.2.3 点击价值估计
对于效果广告主，点击只是中间环节，转化（购买、注册、下载）才是终极目标。因此，DSP需要预估点击价值。
转化率预估模型：类似于CTR模型，但目标变量是转化。其挑战更大：
数据极度稀疏：转化率通常比点击率低1-2个数量级。
延迟反馈：点击与转化之间可能存在数天甚至数周的延迟（如旅游、汽车等高决策周期品类）。需要采用延迟反馈建模技术（如Fake Negative Weighting、Delayed Feedback Model）来处理未转化样本的标签不确定性。
转化价值建模：对于不同转化赋予不同价值（如购买金额）。需要训练回归模型预测转化价值的期望。
15.2.4 出价策略
出价策略是DSP算法的皇冠。它综合CTR、CVR、价值预估以及广告主目标（如最大化转化量、控制目标CPA、追求指定ROAS）和实时预算约束，计算出一个最优出价。
1. 基于目标的出价算法
固定出价：最简单，但效率低下。
线性出价：
出价 = (预估CTR × 预估CVR × 转化价值) / λ。其中，λ 是一个关键的控制参数，可以理解为“投资回报率的影子价格”。λ 越高，出价越保守，倾向于高ROI但可能花费慢；λ 越低，出价越激进，花费快但ROI可能降低。λ 需要通过在线算法动态调整，以适应预算消耗进度和市场竞争变化。非线性出价（如双曲线）：
出价 = sqrt( (预估CTR × 预估CVR × 转化价值) / λ )。这类策略在理论和实践中被证明能在预算约束下更好地逼近最优分配。
2. 预算平滑与在线控制
广告主通常设有日预算或总预算。DSP必须在长时间尺度上平滑花费，避免预算在高峰时段过早耗尽，导致全天其他时间无广告展示。
PID控制器：将预算消耗视为一个控制过程，通过比例、积分、微分项来动态调整λ，使实际消耗速度紧密跟踪计划速度。
基于模型的预测控制：预测未来流量的大小和价值分布，提前规划出价策略，以实现预算结束时边际价值耗尽的最优状态。
3. 考虑频次与疲劳度的出价
聪明的出价策略会考虑用户已看到该广告的次数。随着频次增加，预估CTR应衰减（智能频次控制），出价也应相应降低，避免浪费预算在已疲劳的用户身上。
15.3 供给方平台
供给方平台（SSP）是媒体（卖方）的程序化收入管家。它帮助媒体将其广告库存（曝光机会）接入程序化交易生态，对接多个ADX、DSP以及直接买家，通过智能决策实现收入最大化。
1. 核心功能与架构
库存与规则管理：媒体定义广告位属性、设置全局或细粒度底价、制定品牌安全与内容分级策略（如屏蔽特定品类广告）。
渠道聚合与路由：SSP集成了众多下游需求源，包括：
直接交易：与特定广告主的程序化直接购买（Programmatic Direct）。
私有市场：邀请制的PMP交易。
公开交易市场：通过连接一个或多个ADX接入公开RTB流量。
头部竞价：管理来自页面端的头部竞价请求。
决策引擎（Waterfall vs. Unified Auction）：这是SSP的核心算法模块，决定如何将一次曝光请求路由给下游渠道以获取最高收入。
传统瀑布流：一系列按优先级排序的规则。依次询问每个渠道：“你是否能以不低于X元的价格购买这次曝光？”如果答案是“是”，则交易达成，流程结束。X值通常递减。这种方式简单，但效率低下，且由于顺序固定，可能无法获得全局最优价。
统一竞价（Unified Auction）：现代SSP的标配。它将所有可用渠道（包括头部竞价）视为一个虚拟的、统一的拍卖市场。SSP同时（或近乎同时）向所有渠道询价，收集所有出价后，选择价高者胜出，并以次高价（或底价）结算。这确保了每次曝光都能以市场最高价售出，极大提升了媒体收入。工程实现上需要强大的并行化和超时管理能力。
2. 收入优化技术
动态底价优化：SSP为每个广告位、每种流量类型设置动态底价，其目标是最大化
底价 × 填充率的期望值。这需要精准预测不同底价下，来自下游需求方的出价分布（即“需求曲线”）。存货预测与分配：对于有担保合约的媒体，SSP需要将优质流量优先分配给高价的私有交易和直接交易，将剩余流量导向公开市场。这本质上是一个在线分配问题（参见第11.3节），需要平衡即时收入与长期合约履约。
头部竞价拍卖管理：SSP作为“服务器端头部竞价”的协调者，需要公平、高效地运行这场涉及多个买方的拍卖，防止买方合谋或技术超时，并确保获胜广告能快速、无误地展示。
3. 挑战与趋势
广告供应链透明化：媒体日益担忧“广告技术税”，要求SSP提供清晰、可审计的收入分成报告和供应链路径。
集成广告验证：直接集成广告可见度、品牌安全、无效流量检测服务，在竞价前或展示前进行过滤，保护媒体品牌。
第一方数据变现：帮助媒体安全、合规地将其第一方用户数据封装到交易中，为广告主提供精准定向，同时为媒体创造数据溢价。
总结：程序化交易核心技术构建了一个由ADX、DSP、SSP三方协同运作的复杂生态系统。ADX是高速运转的市场清算所，DSP是搭载了预测与优化算法的智能买方代理，SSP是配备了收益管理系统的智能卖方代理。它们通过实时竞价协议和身份映射技术紧密耦合，在海量、微观的交易中，动态地实现了广告曝光的优化配置。理解这三者的技术原理与互动关系，就掌握了程序化广告世界的运行法则。然而，这个生态也面临隐私变革、广告欺诈、供应链损耗等严峻挑战，这将是下一章讨论的重点。
