對 oCPC 做優化，是智能投放之路上必須且大概率會長期面對的一個挑戰。尤其，各平臺的產品和技術遠未成熟，功能更新快、變動多，營銷人如果不能深度理解其背后的優化邏輯，就無法把握「人為操作」的價值和界限，很難在不確定因素如此之多的投放市場里，做出相對優良的決策。

1. 非零和博弈

以百度搜索oCPC為例，盡管它還遠稱不上一個成熟的智能投放產品，但卻讓我們看到：通過AI優化復雜廣告轉化效果的未來。

搜索oCPC的工作原理是錨定CPA（每次行動成本）來調整每次的點擊出價， 從而使 CPM（千人展現成本）最大化的過程。

大家發現了嗎？機器學習的最終目標是平臺的CPM最大化，即展示收益的最大化，而不是單個廣告的CPA更劃算。但也不必悲觀，因為這是一個非零和博弈，技術的升級讓投放的盤子更大了，同時廣告主也能從中受益。其產生的原始動機固然是平臺可以增加收益，但采取的手段是正面的——平臺通過AI模型的投入提升其流量的轉化價值。

這也同時揭露了一個事實：一個oCPC計劃好不好，本質是模型能不能盡快尋找到可以平衡自家品牌和廣告大盤的那個最優CPA解。

2.最優CPA

我們的投放目標是「能夠控制住CPA的成本，且保持足夠的量」。最優CPA肯定不等于更低的CPA，而是在成本與轉化量之間找到一個平衡點CPA。如下圖，我畫了個均衡圖來解釋這里面的邏輯，希望幫助大家理解。

X軸是計劃的轉化成本，Y軸是計劃的轉化量，遞增的曲線代表「投放價格曲線」，出價越高，競爭力越強，轉化量會提升（非線性）；遞減的曲線代表「業務成本曲線」，因為考慮到規模效應，隨著轉化量的下降，企業需支付的投入成本升高（非線性）。這樣，兩條曲線的交點就是我們想尋找的最優CPA值。因此，在投放人群不出現失誤的前提下，一切投放優化策略都可以遵循這個圖的邏輯。

這樣，我們的優化場景就只有以下2種：

(1) CPA在最優點右側

CPA偏高，需想辦法降低，同時大概率會犧牲一些量。我們從拆解CPA開始分析，公式如下。

開啟ocpc后，廣告主的CPC會因為流量更精準而升高，同時，CVR因為分配到了轉化更好的受眾也會變高——兩者的增速比例決定了CPA的最終水平。所以，可控CPA又可以拆解成可控的CPC和更高的CVR。

這時，人為干預的點是：控制住CPC 、提高CVR。主要方式有：

a.確保在第一階段的CPC階段，打好數據基礎

b.檢查數據回傳，是否準確

c.提升展現量-關鍵詞優化

d.提高點擊率-創意優化

e.提高轉化率-著陸頁優化

(2) CPA在最優點左側

這時候CPA看起來很低，但轉化量根本不夠，需要提升轉化量。人工干預最直接的一個思路是：適當提高目標CPA，但一定控制好幅度，最高一次不要超過20%，一點兒點兒嘗試。

此外，還可以通過外部提升轉化量的方法。我們可以根據下面的「流量問題歸因圖」標記出流量少的外部主要誘因，逐個擊破。

a.預算不足

重新預估消費，如果是因為預算少所致，可以重新分配量給ocpc計劃。

b.因展現量低導致的消耗困難

i. 增加關鍵詞，建議手動或使用主流AI拓詞工具，增加人群曝光可選范圍，不建議開啟智能拓詞，很容易進來垃圾詞匯。

ii. 匹配模式單一，可以適當放寬匹配精準度。

c. 因CTR低導致的消耗困難

i. 提高CTR（點擊率）

創意優化、配置更齊全的高級創意、信息陣列、多圖樣式、動態標題，結合細分業務和人群，個性化設置創意。進一步提高轉化率，做著陸頁優化。

ii. 排名低（依舊需要使用上文提到的提高CPA大法，這里不再贅述）

如果理解了上述優化邏輯，那么基本清晰了哪些環節是需要手動參與的，哪些環節是只能交給機器去跑的。我們也可以這樣理解，oCPC承擔了人類無法完成的高強度算法，按照既定框架去捕捉更高質量的流量；人工則需承擔給oCPC模型喂足“飼料”、隨時觀察“環境變化”。

1. 人工的關鍵價值

從人機協作的角度，梳理一下Part1中的要點，可以看到人的核心價值體現在：

（1）賬戶第一階段，需要依靠人，提供充足和良好的數據“飼料”。第一階段的效率取決于優化師在CPC階段的能力，從賬戶結構、策略調整、創意優化、效果分析等，需要用可控的成本湊足轉化門檻，讓機器知道什么流量是所需要的。

（2）賬戶第二階段，就算跑穩，我們知道也是階段性的，需要人工持續監視，在出現波動的時候人工干預。這需要人對市場和客戶的變化有清醒的認識，比如創意策略優化、落地頁設計更新等。

2.人工需要避免的投放誤區

由于對oCPC投放原理認識不清，投放人員在模型的學習階段還是根據經驗，做優化操作，導致效果變差。例如，看到點擊價格很高，就慌亂調整出價；發現系統自動添加了一大堆莫名其妙的關鍵詞，趕緊刪掉；發現同一個關鍵詞，系統多次添加到不同計劃或單元，是不是出問題了？

在模型認識你的轉化用戶過程中，不能再以慣性的思路去盯著賬戶了，這個時候，很多現象反映的是機器的語言，復雜問題我們可以先交由機器處理，穩定后再看結果是否符合預期。切忌過多的干預模型，打亂學習的節奏。

3.什么時機干預，什么時機不干預？

（1）前期預算少干預

ocpc是AI算法優化，大概率是預算越多，分配的流量越多。所以，預算一般要充足。在設置上限的時候，最好高出你的承受能力20%-30%，比如日承受能力是1萬，預算至少設置1.2 萬?，F實是前期預算越足、流量越多。預算設置好后，盯緊消費，但不要頻繁調，快到承受極限的時候再通過調節時段等方式來平衡。

（2）基礎定向遲干預

很多投放人員會設置很多二級定向，受經驗和慣性驅使。但實際跑下來的效果卻發現，剛開始還是通投最好，這樣可以獲得足夠大的曝光量。等效果出來了，有一定數據積累，再逐步縮小定向，這個時候行業、業務經驗就可以發揮其作用了。

（3）出價只在探索最優CPA階段才干預

這部分已經在本文Part1里詳細介紹，回想一下「尋找最優CPA」曲線圖，出現明顯的偏左、偏右特征時，需要人工干預。

（4）創意強干預，但優化穩定后少干預

如果前期把創意素材準備足，系統學習可以分辨出差異，各種不同的配圖、標題、落地頁，會讓系統的學習結果更有效，自動優化的時候更有依據。但已經完成學習階段，就減少大幅改廣告創意的情況，減少對模型的干擾。

（5）最終效果不好時，要做強干預

賬戶效果不好再考慮上新，如果賬戶效果好，最好不要做上新調整。因為上新會影響到原有計劃，損失跑得好的計劃，得不償失。另外，新計劃要和原有計劃有所差別，價格、圖片、標題，直到落地頁，最好都能有所區別。

（6）落地頁隨時要做強干預

其實，現在大部分品牌企業都對頁面很講究，因為落地頁承載的是轉化——推廣中最應該被重視的一環。落地頁改版和更換是投放策劃的常態，但還很少有企業能做到科學改版、高頻優化、有效分析，落地頁優化環節目前是在智能領域相對落后的一環，這也是為什么靈蹊要在此點發力，因為企業缺乏有利工具的加持。

搜索oCPC的紅利期已經過去，隨著越來越多的行業加入，效果不穩定的情況只會增加，不會減少。此時的突破點，會后置到落地頁的轉化能力（承接能力）上。

平臺的智能性提升，可以識別不同客戶的轉化意愿。但精準度并不能降低競爭度，當流量資源搶奪激烈時，昂貴的價格始終是繞不過的坎兒，投放的優化空間會越來越受限。這時，競爭的主戰場就會發生后置，ROI的控制能力被壓縮到從落地頁開始的每個承接細環。

不僅如此，落地頁是屬于廣告主的，如果廣告主可以對頁面的智能化進行自主控制，完全可以將頁面的轉化能力通過動態化功能做大幅提升，將低轉化意愿人群（平臺判定）的實際轉化率升高。換言之，低價買到的流量也有機會獲得還不錯的轉化率了！

這里面涉及到廣告主容易忽略的一個地方——拓量能力的積累。其實，這塊兒是可以間接積累數據資產的。

以目前百度搜索ocpc為例，拓量的模式主要分為三種類別：保守擴量、均衡擴量、積極擴量。

投放的時候，可以建立不同的計劃，采用不同的拓量模式，對接不同的落地頁。通過完善的轉化優化/分析工具，幫助企業積累屬于自己的分群識別能力，從而對不同價格/屬性的流量探索出一套屬于自己的ROI算法。

這樣的操作，不僅可以摸索出業務的拓量規律，更可以結合落地頁的承接環節，進行人群的細分匹配和數據積累，從而讓轉化承接的能力更硬核。

當然，對于ocpc可能的新突破點，我們都還需要做很多的功課。但讓我們很自豪的一點，優化邏輯已經基本梳理明白，也有第一批用戶愿意和我們一起、從落地頁開始、一步一步地突破。如果你也相信“凡遇瓶頸、必有突破”，歡迎聯系我們，或有緣做轉化突破之路上的長期伙伴。

作者：靈蹊

來源：靈蹊（MartechtoolLingXi）