目录
2.2 互联网广告的技术特点
一、可衡量性（Measurability）：从“迷雾”到“显微镜”
1. 测量维度的革命
2. 从“衡量结果”到“优化过程”
二、可定向性（Targetability）：从“广播”到“狙击”
1. 定向技术的演进谱系
2. 技术实现：标签系统与实时决策
三、可交互性（Interactivity）：从“诉说”到“对话”
1. 交互层次的深化
2. 技术支撑
四、可程序化（Programmability）：从“手工”到“自动化”的产业重塑
1. 核心：实时竞价（RTB）
2. 自动化与智能化的外延
总结：四大特点的合力与未来
2.3 计算广告的核心问题
一、核心问题的多维度解构
2.3.1 广告收入的分解
1. 单次广告展示的价值链条
2. 不同市场结构下的收入分解
3. 收入分解的产业意义
2.3.2 结算方式与eCPM估计的关系
1. 结算方式的“全家福”
2. eCPM：统一的“价值度量衡”
3. 结算方式、eCPM与三方博弈的精妙平衡
4. 从我的实践视角看：eCPM估计的演进与挑战
2.2 互联网广告的技术特点
当我们从原理层面理解了广告何以有效，一个随之而来的问题便是：这种有效性，如何在互联网这一特定介质上被系统地实现、放大和优化？互联网并非简单的“另一个媒体渠道”，它是一套全新的技术基础设施。这套设施赋予广告一系列传统媒体无法企及的革命性特点，正是这些特点，使得“计算广告”从概念变为现实，并催生出一个庞大的技术驱动型产业。
本节将深入剖析互联网广告区别于传统广告的四大核心技术特点：可衡量性、可定向性、可交互性与可程序化。这四大特点并非彼此孤立，而是层层递进、相互增强，共同构成了现代在线广告系统的技术基石。理解它们，是理解所有后续产品、技术和商业逻辑的钥匙。
一、可衡量性（Measurability）：从“迷雾”到“显微镜”
传统广告效果衡量如同在迷雾中估测距离，而互联网广告的衡量则像是在显微镜下观察细胞。其核心在于，数字世界的每一次用户与广告的接触，都能以日志的形式被精确记录，形成一个完整、闭环的数据反馈系统。
1. 测量维度的革命
曝光（Impression）：广告被下载并展示在用户设备上的次数。这是最基础的计量单位，对应传统媒体的“发行量”或“收视率”，但更精确。
点击（Click）：用户主动与广告互动的行为。这是数字广告独有的、革命性的指标，它标志着用户从“被动接收”进入“主动探索”阶段。点击率（CTR）成为衡量广告吸引力和相关性的黄金指标。
转化（Conversion）：用户点击后完成的具有商业价值的特定行为，如下载、注册、购买、留资等。转化率（CVR）直接连接了广告支出与商业回报。
后续行为（Post-Conversion）：转化后的用户活跃度、复购率、生命周期价值（LTV）等。这衡量了广告带来的用户质量。
“可衡量性”的实现，依赖于一整套技术栈：
前端监测代码（Tracking Pixel/SDK）：嵌入在网页或APP中，在广告展示、点击或应用内关键行为发生时，向广告服务器的日志系统发送一条记录。
广告服务器（Ad Server）：不仅是投放引擎，也是中央化的数据记录仪，统一记录所有曝露、点击数据。
归因分析平台：将分散在不同渠道、不同时间的用户接触点与最终转化串联起来，解决“功劳归谁”的问题。
2. 从“衡量结果”到“优化过程”
可衡量性的真正威力，不在于事后报告，而在于实时反馈与在线优化。
A/B测试成为常态：可以同时在线测试两个不同的创意、两个不同的出价策略或两个不同的人群定向，并依据实时数据（如CTR）快速决定优胜者。
动态出价：基于对当前流量实时预估的CTR和CVR，动态调整每次竞价的出价，实现“不同的人，不同的价”。
预算自动化分配：系统可以实时监控各渠道、各广告计划的转化成本和ROI，自动将预算从效果差的计划调往效果好的计划。
挑战与演进：
归因难题：跨设备、跨渠道的归因仍是技术挑战。苹果的SKAdNetwork等隐私框架引入了数据延迟和聚合，给实时优化带来困难。
衡量欺诈：虚假流量（Bot Traffic）、点击欺诈等一直与可衡量性如影随形，催生了庞大的反作弊技术产业。
从“最后点击”到“全触点衡量”：行业正从简单粗暴的“最后点击归因”向更科学的“数据驱动归因（DDA）”演进，以更公平地衡量品牌曝光等非直接转化类广告的价值。
从我的实践视角看，在雅虎和MediaV的早期，我们花大力气建立的可信、统一的监测体系，是赢得广告主信任的基石。在360，由于我们同时拥有媒体（浏览器、安全产品）和广告平台（DSP）角色，我们深刻体会到“围墙花园”内外衡量标准的割裂。花园内（如Facebook）的数据闭环且完整，但对外不透明；花园外的开放网络则需要依赖可能被拦截或失真的第三方监测代码。这种割裂今天依然是行业痛点。
二、可定向性（Targetability）：从“广播”到“狙击”
如果说可衡量性解决了“效果如何”的问题，可定向性则解决了“给谁看”的问题。它指的是将特定广告投放给特定人群的能力，其精度从模糊的人口统计区间，一直可以提升到个体级别。这是互联网广告精准化的核心。
1. 定向技术的演进谱系
定向能力的发展，是一部数据利用深度不断进化的历史：
上下文定向（Contextual Targeting）：根据广告所在页面的内容来投放相关广告（例如，在体育新闻页面投放运动鞋广告）。技术基础是自然语言处理（NLP）和主题分类。
地域定向（Geographic Targeting）：基于用户IP地址或GPS位置。
人口属性定向（Demographic Targeting）：推测用户的年龄、性别、收入等。早期通过注册信息，如今更多通过机器学习模型基于行为数据预测。
行为定向（Behavioral Targeting）：定向技术的飞跃。通过分析用户长期的历史浏览、搜索、购买等行为，构建兴趣标签体系（例如，“数码爱好者”、“备孕妈妈”）。这是程序化广告的基石。
意图定向（Intent Targeting）：捕捉用户当下的实时意图，最典型的是搜索关键词。这是转化率最高的定向方式。
人群扩展（Look-alike Modeling）：定向技术的集大成者。给定一小群种子用户（如高价值客户），通过机器学习算法在全网寻找与其特征相似的潜在用户。它实现了定向从“规则定义”到“模型发现”的升级。
图2-2：广告定向技术演进与数据深度关系图
（此处可配图：一个从左到右的箭头，标示“数据利用深度”增加。从左至右排列：上下文定向（利用页面数据）、地域定向（利用位置数据）、人口属性定向（利用推测数据）、行为定向（利用历史行为数据）、意图定向（利用实时行为数据）、人群扩展（利用种子用户+全网行为数据）。）
2. 技术实现：标签系统与实时决策
标签体系（Tagging System）：是定向的“语言”。一个结构化的、可扩展的标签分类体系（Taxonomy）是基础。标签可以是预先定义的（如行业分类），也可以是算法实时挖掘的（如动态兴趣点）。
实时用户画像（Real-time User Profile）：系统需要将分散在多个数据源的用户行为，在毫秒级内汇聚成统一的、可用于定向的画像。这依赖于高性能的键值存储（如Redis）和实时流处理技术。
定向逻辑服务器（Targeting Logic Server）：在广告检索时，快速判断请求中的用户ID是否命中广告主设置的复杂定向条件组合（如“北京且男性且（爱好汽车或科技）且最近7天搜索过‘新能源车’”）。
挑战与演进：
隐私之殇：基于跨站追踪的行为定向，是当前隐私监管打击的核心。第三方Cookie和移动设备ID的消亡，正在迫使行业寻找新范式。
数据孤岛：用户数据分散在各个“围墙花园”内，难以形成跨平台的统一视图。
解决方案探索：联邦学习、差分隐私、基于第一方数据的协作（如Clean Room），以及谷歌倡导的基于兴趣群体（Topics API）的隐私沙盒方案，都是试图在保护隐私前提下保留一定定向能力的技术尝试。
三、可交互性（Interactivity）：从“诉说”到“对话”
互联网广告不是一幅静止的平面海报或一段单向的电视广告。它允许，甚至鼓励用户实时参与和互动，这彻底改变了广告沟通的模式。
1. 交互层次的深化
点击（Click）：最基本的交互，将用户从曝光场景带至落地页，开启深度沟通。
富媒体交互（Rich Media Interaction）：广告单元本身即可包含视频播放、360度产品旋转、迷你游戏、表单填写等，用户无需离开当前页面即可完成深度互动，极大提升体验和转化效率。
社交互动（Social Engagement）：点赞、评论、分享。广告成为社交话题的起点，其传播力被指数级放大。
直接行动（Direct Action）：在广告单元内直接完成核心操作，如一键预约、一键加购、一键下载。这得益于移动生态的完善（如微信小程序），将转化路径缩短到极致。
2. 技术支撑
HTML5与WebGL：使得在浏览器内创建复杂的交互式广告成为可能，无需插件。
小程序与快应用：提供接近原生APP的体验，且即点即用，是“直接行动”型广告的理想载体。
增强现实（AR）广告：用户可通过摄像头“试用”产品（如试戴眼镜、试摆家具），互动性和体验感极强。
可交互性的意义在于，它将广告从“成本中心”（需要额外的落地页成本）部分转变为“体验中心”甚至“销售终端”，直接创造了价值。
四、可程序化（Programmability）：从“手工”到“自动化”的产业重塑
这是互联网广告最本质、也是最具颠覆性的技术特点。它意味着广告的购买、售卖、投放和优化全过程，可以通过软件和算法自动执行，无需人工逐笔谈判和操作。它催生了“程序化交易”这一全新产业。
1. 核心：实时竞价（RTB）
RTB是可程序化的巅峰体现。它将每一次广告展示机会，都变成了一次在公开市场或私有市场上的实时、自动化拍卖。
流程（在<100毫秒内完成）：
用户访问媒体页面。
媒体SSP向ADX发送广告请求，附带用户匿名ID。
ADX向多家DSP发送竞价请求（Bid Request）。
各DSP的算法基于用户数据、上下文等，在毫秒内决定是否出价及出价多少。
出价最高的DSP赢得展示，其广告创意被返回并展示给用户。
竞价结果、后续点击/转化数据通过日志返回各方，用于模型优化。
技术挑战：超低延迟、高并发、海量数据实时处理、复杂的算法决策。
2. 自动化与智能化的外延
可程序化远不止RTB，它渗透到全链条：
程序化创意（Programmatic Creative）：根据用户画像动态组合广告的图文元素。
程序化直投（Programmatic Direct）：通过软件自动执行保量、优先等直接交易合约的投放和优化。
智能预算分配（Smart Budget Allocation）：算法自动跨渠道、跨时段分配预算。
自动化的规则与策略（Automated Rules & Strategies）：广告主可设置“若CPA高于X，则自动降低出价”等策略，系统自动执行。
可程序化的商业本质，是将广告交易从基于“关系”和“规模”的模糊批发，转变为基于“数据”和“价值”的精确零售。它极大地提升了市场效率，但也带来了复杂性和透明度等新问题。
总结：四大特点的合力与未来
可衡量性、可定向性、可交互性与可程序化，这四大技术特点并非简单并列，而是构成了一个强大的增强回路：
因为可衡量，所以可优化，优化需要定向和程序化。
因为可定向，所以衡量和程序化更有价值。
因为可交互，所以产生了更丰富的、可衡量的行为数据，进一步优化定向和程序化。
因为可程序化，所以海量的定向、衡量和交互决策才能以工业级规模自动化执行。
它们共同作用，将广告从一个创意主导的、人力密集的、效果模糊的“传统行业”，重塑为一个数据与算法驱动的、自动化智能化的、效果高度可追踪和优化的“高科技行业”。
从我的整体实践来看，中国在线广告产业的发展史，正是这四大特点逐步深化和应用的历史。早期门户时代，我们仅有初级的可衡量性和简陋的可定向性。搜索时代，可定向性（意图定向）和可衡量性（点击）实现突破。到了我在MediaV和360深度参与的移动与程序化时代，可程序化和深度的行为定向成为主角。而现在及未来，我们面临的挑战是：在隐私约束下，如何利用联邦学习等技术，在保护用户数据的前提下，延续甚至革新这些技术特点？同时，如何利用更强的AI（如生成式AI）提升可交互性的体验和可程序化的智能水平？这将是下一代计算广告技术的核心命题。
理解了这四大技术特点，我们就拥有了分析任何在线广告产品和技术的透镜。在下一节，我们将聚焦于所有计算广告系统都在解决的那个最核心、最根本的商业问题。
2.3 计算广告的核心问题
当我们穿越了广告有效性的心理迷雾，剖析了互联网媒介的四大技术利刃之后，现在终于可以直面整个计算广告领域最核心、最根本的商业命题。这个命题并非一个悬而未决的学术猜想，而是所有从业者——无论是产品经理、算法工程师还是商业决策者——每日都必须应对并给出答案的实践课题。
这个核心问题可以精炼地表述为：
给定一组用户和一组广告，如何在海量、实时、动态的展示机会（Inventory）中，找到每一次展示的最优匹配，以实现某一全局目标（通常是整个平台或广告系统的整体价值）的最大化？
这个看似抽象的问题，其解决方案构成了千亿美元在线广告产业的运行基石。它不仅是一个算法问题，更是一个涉及经济学、博弈论和系统设计的复杂系统工程。本节将深入解构这个核心问题，并将其具体化为两个可分析、可操作的子问题：广告收入的分解与结算方式与eCPM估计的关系。
一、核心问题的多维度解构
在深入公式之前，我们需要从几个层面来理解这个“最优匹配”问题的复杂性：
参与方的多元性：问题中至少涉及三方利益：用户（体验）、广告主（投资回报）、媒体平台（收入与生态健康）。最优匹配不是单方利益最大化，而是在三方之间寻找可持续的平衡点。
目标的层次性：全局目标可以有不同的定义：
平台收入最大化：这是最直接的商业目标。
广告主总价值最大化：追求平台为广告主创造的总价值最大，这有助于长期生态健康。
用户体验伤害最小化：在保证收入的前提下，尽可能减少对用户的干扰。
综合长期目标：通常是以上几者的加权组合。例如，“在保证用户体验指标不低于阈值的前提下，最大化平台长期收入”。
约束的多样性：匹配过程受到多重约束：
广告主约束：预算、定向条件（人群、时间、地域）、出价、创意审核规则。
平台约束：广告位尺寸、频次控制、品牌安全与内容合规、反作弊规则。
用户约束：（隐性但至关重要）对糟糕广告的容忍度，表现为用脚投票（离开APP）或直接反馈（关闭广告）。
因此，计算广告系统本质上是一个“带有多方复杂约束的、实时、大规模的优化系统”。
2.3.1 广告收入的分解
要理解如何最大化收入，首先要理解每一次广告展示所产生的收入是如何产生、如何流动、最终被谁获取的。这个过程如同一次精密的价值分解手术。
1. 单次广告展示的价值链条
当一个用户打开一个APP，产生一次广告展示机会，并最终被一个广告填充时，其产生的广告收入（以eCPM计）会在一个多层次的生态中进行分配。下图清晰地展示了在一个典型的、包含广告交易平台（ADX）的开放竞价生态中，收入的分解路径（见图2-3）。
+-------------------+ 赢得竞价 +-------------------+
| 广告主(Advertiser)| -------------> | 需求方平台(DSP) |
| | 支付最终费用 | |
+-------------------+ +-------------------+
| 支付竞价费用
v
+-------------------+ 发送广告请求 +-------------------+
| 媒体(Publisher) | <----------------- | 广告交易平台(ADX) |
| | 返回广告创意 | |
+-------------------+ +-------------------+
| 获得媒体分成 | 扣除交易平台费用
v v
[媒体实际收入] [ADX平台收入](注：DSP向ADX支付的“竞价费用”即为本次展示的成交价，通常按广义第二高价计。
ADX扣除一定比例（如10-20%）作为技术服务费后，将剩余部分支付给媒体。)
图2-3：开放竞价市场中单次广告展示的收入分解路径
以一个具体数字示例说明：
假设一次展示，DSP A出价2元，DSP B出价1.5元（均为CPM价格）。
根据广义第二高价规则，A赢得展示，但只需支付第二高的价格加一个最小单位（例如0.01元），即1.51元。这就是本次展示的“市场结算价”。
假设ADX与媒体的分成协议是“媒体分成率 = 80%”，ADX收取20%作为技术服务费。
那么，媒体实际收入 = 1.51元 × 80% = 1.208元。
ADX收入 = 1.51元 × 20% = 0.302元。
广告主（通过DSP A）最终支付1.51元。
2. 不同市场结构下的收入分解
上述是开放RTB市场的典型情况。在更复杂的市场结构中，链条可能更长或更短：
“围墙花园”内部闭环：如Facebook、抖音。广告主直接与平台交易。链条简化为：广告主 -> 平台。平台无需与外部SSP/ADX分成，掌握了全部收入和价值链。平台内部则通过算法直接将广告匹配给用户。
包含供给方平台（SSP）：大型媒体（如纽约时报）通常会使用自己的SSP来管理多个ADX的对接和统一竞价。链条变为：广告主->DSP->ADX->SSP->媒体。SSP会从媒体收入中再分走一部分（通常5-15%），作为流量管理和优化服务的报酬。
合约广告：广告主或代理商直接与媒体签订保量合约。收入链条为：广告主/代理商 -> 媒体。但媒体内部在履行合约时，其自有的广告系统仍会进行内部的优化分配，以最低的成本完成合约承诺，这部分节省的成本或创造的多余价值成为媒体的利润。
3. 收入分解的产业意义
理解收入分解对于生态中的每一方都至关重要：
对于媒体：追求的是自身实际收入的eCPM最大化。这意味着它不仅要争取高的市场结算价，还要谈判有利的分成比例，并减少中间环节的损耗。因此，优质媒体倾向于与ADX进行私有市场（PMP）交易或发展直客销售，以提升分成比例。
对于ADX/SSP：它们是“流量批发商”和“市场搭建者”。其收入取决于总流水（GMV）和佣金率。它们有动力扩大交易规模、提升竞价激烈程度（流动性），并提高技术服务的附加值以维持佣金率。
对于DSP：它们是“流量零售商”。其商业模式是向广告主收取服务费（通常是广告花费的一个固定比例，如15-20%），或以技术授权费形式获利。其核心能力是以低于广告主目标成本（CPA）的价格，在ADX中竞得有转化价值的流量，赚取差价。DSP追求的是“自身利润 = 广告主总支出 × 服务费率 - 流量采购成本 - 运营成本”的最大化。
对于广告主：他们最关心的是“最终转化成本（CPA）”和投资回报率（ROI）。他们支付的价格是市场结算价加上DSP服务费。因此，广告主有动力选择更高效、更透明的DSP，并直接与优质媒体合作以去除中间环节。
从我的实践视角看，这种收入分解模型深刻地影响了产业竞争格局。在360商业化时期，我们既作为媒体（拥有浏览器、导航等流量），也运营着广告平台。这种双重身份让我们必须深刻理解内部博弈：作为媒体，我们希望把最优质的流量以最高的价格卖出；作为平台，我们需要保证有足够的、优质的流量供给来吸引广告主。这催生了内部“市场化”的结算机制，即平台需要像外部DSP一样，通过公平竞价来获取内部优质流量的一部分，这倒逼平台技术必须足够强，否则“肥水”也会流入外人田。
2.3.2 结算方式与eCPM估计的关系
如果说收入分解描述了“钱怎么分”，那么结算方式与eCPM估计则决定了“价值怎么算”和“谁该赢”。这是计算广告系统决策引擎的绝对核心，也是连接商业诉求与算法技术的桥梁。
1. 结算方式的“全家福”
结算方式定义了广告效果的计价单位，是广告主与媒体/平台之间风险与激励的分配契约。主要方式有：
CPM (Cost Per Mille): 按千次展示付费。
风险承担：广告主承担效果风险（用户可能不点击不转化），媒体承担填充风险（必须展示足够次数）。
适用场景：品牌广告，追求曝光和认知度。
CPC (Cost Per Click): 按点击付费。
风险承担：广告主风险降低（只为点击付费），媒体风险增加（必须吸引用户点击）。
适用场景：经典的效果广告，平衡了各方风险，是长期主流方式。
CPA (Cost Per Action)/CPI (Cost Per Install): 按行动/安装付费。
风险承担：广告主风险进一步降低（只为最终转化付费），媒体/平台承担几乎所有效果风险。
适用场景：对效果要求极高的广告主，如游戏下载、电商转化。通常需要平台有极强的预测和优化能力。
oCPM/oCPC (Optimized CPM/CPC): 优化千次展示/点击付费。
本质：这是结算方式演进的里程碑。广告主按CPA目标出价，但结算仍按CPM或CPC进行。平台利用算法，预估每次展示的点击率和转化率，将CPA目标反向折算成实时的CPM或CPC出价，参与竞价。
风险与激励：平台承担了核心的预估和优化风险，以此换取广告主的预算和信任。广告主获得更稳定的转化成本。这是平台技术实力的体现。
CPS (Cost Per Sale): 按销售分成。
风险承担：风险完全共担，与销售结果深度绑定。
适用场景：联盟营销、电商导购。
2. eCPM：统一的“价值度量衡”
在同一个竞价市场中，可能同时存在按CPM、CPC、甚至oCPA出价的广告主。如何让它们在同一杆秤上公平竞争？这就需要引入eCPM（expected Cost Per Mille， 期望千次展示收入）作为统一的“价值度量衡”。
eCPM的核心思想是：将不同结算方式下的出价，统一折算成平台在一次广告展示上所能获得的“期望收入”。
其通用公式为：
eCPM = p(Click) × p(Conversion|Click) × 目标转化价值 × 1000
在实际系统中，根据不同的结算方式，公式具体化为：
对于CPM出价广告：
eCPM = 出价（CPM价格）
因为广告主直接为千次展示付费，期望收入即出价本身。
对于CPC出价广告：
eCPM =预估点击率（pCTR）× 出价（CPC价格） × 1000
解释：一次展示的期望收入 = 点击概率 × 单次点击价格。乘以1000是为了统一到“千次展示”的尺度上。
对于oCPM/oCPA出价广告（广告主给出目标CPA）：
eCPM =预估点击率（pCTR）×预估转化率（pCVR）× 目标CPA价格 × 1000
解释：这是最完整的公式。一次展示的期望收入 = 点击概率 × （点击后）转化概率 × 单次转化价格。
广告排序与竞价获胜的规则通常是：按照eCPM从高到低排序，eCPM最高者胜出。这保证了在单次展示粒度上，平台能获得最高的期望收入。
3. 结算方式、eCPM与三方博弈的精妙平衡
这个框架精妙地平衡了广告主、平台和用户三方的利益：
对平台而言：eCPM最大化是其直接收入目标。无论广告主如何出价，平台都通过预估模型（pCTR, pCVR）将其转化为统一的eCPM，从而做出全局最优的分配决策。
对广告主而言：他们可以用自己最关心、最能控制的指标（CPC或CPA）来出价和衡量效果，无需理解复杂的eCPM折算过程。oCPM/oCPA模式更是将优化负担交给了平台，自己只需关心最终成本是否达标。
对用户而言：eCPM排序规则无形中引入了“质量”因子。因为eCPM = pCTR × 出价。一个出价很高但预估点击率极低（即用户非常不感兴趣）的广告，其eCPM可能低于一个出价适中但预估点击率很高的广告。因此，eCPM排序在最大化平台收入的同时，也倾向于展示更相关、用户更可能点击的广告，客观上保护了用户体验。这就是为什么搜索和推荐广告系统要引入“质量度”或“用户体验分数”来进一步调节排序，其本质是对pCTR的强调，有时甚至采用
eCPM = pCTR^α × 出价（其中α>1）的公式，给予用户体验更高的权重。
图2-4：结算方式、eCPM估计与广告排序决策流程图
（此处可配图：流程图展示决策过程。输入：一次广告请求，附带用户ID和上下文。步骤1：检索符合条件的广告候选集。步骤2：对每个广告，根据其结算类型（CPM/CPC/CPA）调用相应的pCTR/pCVR模型进行预测。步骤3：根据公式计算每个广告的eCPM。步骤4：按eCPM降序排序。步骤5：选择eCPM最高者展示。图中突出pCTR/pCVR预测模型是关键。）
4. 从我的实践视角看：eCPM估计的演进与挑战
eCPM公式的简洁性背后，是极其复杂的技术挑战。pCTR和pCVR的预估精度，是计算广告系统的“命门”。
在雅虎研究院的早期，我们主要使用逻辑回归（LR）和梯度提升树（GBDT）来预估pCTR。特征工程是核心，如何从用户行为日志中构造出有效的特征（如用户历史点击某类广告的次数、广告与当前页面的主题匹配度），决定了模型的天花板。
到了MediaV和360的程序化时代，竞争进入白热化。pCTR预估的细微提升（例如AUC增加0.1%），直接意味着在大量竞价中能以更低成本获胜或更高价格卖出，带来巨大的收入增益。我们开始探索更复杂的模型，如因子分解机（FM）和早期的深度模型，以更好地捕捉特征间的组合效应。
而现在，在深度学习时代，pCTR预估模型已经发展到DeepFM、DIN、DIEN等复杂结构。它们不仅能处理高维稀疏特征，更能建模用户兴趣的动态演化。例如，DIEN模型通过模拟用户点击序列，能够判断用户当前是处于稳定的兴趣阶段，还是兴趣正在发生转移。这对预测其下一刻会点击什么广告至关重要。
然而，最大的挑战来自于“反馈闭环的偏见”和“探索与利用的困境”。
偏见问题：训练pCTR模型的数据，来自于历史展示和点击日志。但历史展示本身就是旧模型决策的结果（高pCTR的广告才被展示）。这导致模型会不断强化已有的偏见，对那些历史上展示少、但可能潜在点击率高的新广告或新创意不公平。这需要引入逆倾向评分（IPS）等因果推断技术进行纠偏。
探索与利用：为了准确估计一个新广告的pCTR，系统必须给它一定的曝光机会（探索）。但探索意味着可能牺牲短期收入（利用已知的高pCTR广告）。如何在探索新可能性和利用已知确定性之间平衡，是强化学习（如Bandit算法）要解决的核心问题。
结论：
计算广告的核心问题，通过“收入分解”明确了价值流动的路径，通过“结算方式与eCPM估计”构建了价值衡量和决策的统一框架。eCPM公式是这个框架的结晶，它将商业目标（出价）、用户体验（预估点击率）和技术能力（预估模型）完美地融合在一个等式中。理解这个等式，就理解了计算广告所有产品设计、算法优化和商业谈判的底层逻辑。它告诉我们，在这个智能匹配的时代，广告竞争的终极维度，已经演变为对用户注意力与意图的预测精度之战。在接下来的章节中，我们将看到这个核心框架如何具体落地为各种在线广告产品。