作为出海变现的第4篇，聊一聊《广告竞价策略》。

前面在《广告变现的关键指标》中提到过部分关键指标，广告收入=广告请求*填充率*展示率*eCPM，广告请求和展示率很大程度与广告聚合SDK的请求及缓存机制有关。而竞价策略更多是为了其中填充率及eCPM两个指标服务。

PART.01 如何选择广告平台

同广告聚合一样，市面上的广告平台一样很多，对于如何选择应当有这样几种考量因素：

1. 广告样式是否能满足需要？

一般游戏最常见的三种广告样式：激励视频、插屏和Banner。大部分平台都是支持的，而游戏广告收入的主要组成部分是插屏和激励，因此选择广告平台的时候尽量选择插屏和激励效果较好的广告平台。

2. 产品功能

比如是否在后台自主设置底价？比如是否有提供API接口，方便后续读取数据？

3. 考虑地区、用户差距

不同广告平台的在不同国家的表现差异是非常大的，开发者要结合自己流量分布的情况选择合适的平台接入，比如AppLovin在欧美等T1国家是表现较好的广告平台，但在欠发达的T3国家如印度、印尼就是相对比较鸡肋的广告平台。

4. 集成的便捷性、版本的稳定性

你选用的广告聚合是否支持该广告平台？同时广告平台是否能提供持续稳定的服务？

由于广告平台的数量实在太多，我这里就不一一汇总了, 我目前接触到的有Facebook、Admob、Ironsource、AppLovin、Unity、Vungle，都是相对较为常见的广告平台。个人认为接入5-6个广告平台来作为主要的变现渠道，完全足够。一次接入过多的广告平台，会导致游戏包体会更大，进而影响到下载和留存，同时也增加了后续的维护成本。

PART.02 竞价策略

目前市面上主要有三种竞价策略：

1. 传统瀑布流（Waterfall）

瀑布流模型（Waterfall）是传统用于应用广告的变现模型，开发者预先给各个广告平台设置预期eCPM出价，并进行优先级排序。当用户触发广告时，优先给出价最高的广告平台展示机会，如果该平台不填充则会流至出价第二的广告平台，通过漏斗的方式，直到有广告被展示。

2. 应用内竞价（In-App Bidding/Advanced Bidding/Header Bidding/Open Bidding）

应用内竞价在各个广告聚合中有不同的说法，但强调的都是Bidding的概念。在传统的瀑布流，想要填充一次展示，广告平台需要排队出价，直到广告位得到填充。广告平台按历史CPMs均值顺序排列，这样的竞价机制会造成延迟，同时也会错过许多高出价机会。

而通过统一的实时竞价机制，应用内竞价可以保证开发者的每次展示都是最高出价。所有的需求合作方在同时间竞价，出价最高的合作方获得该广告位的展示机会，从而让开发者获得更多收益。

3. 混合模式

由于应用内竞价是一个较新的概念和技术，一些游戏开发者已经在使用应用内竞价，而一些则考虑在不久的将来采用该技术；因而，混合方式作为一种过渡模式存在（即使用Waterfall广告聚合网络和竞价广告网络）来产生收益。

目前行业的趋势走向，游戏行业短期还是会以一种瀑布流加上应用内竞价共存竞争的形式存在，但长期则会逐渐转变为应用内竞价的这种变现模式。

PART.03 传统瀑布流的配置策略

1. 配置基本原则

头部抬高价格，保证高价卖出；中间部分要保证一定填充和展示；底部低价处理。如果eCPM比较高，填充较低，则尝试降低eCPM提升填充；反之亦然。总而言之，找到eCPM和填充率的平衡点，实现价值最大化。

2. 配置建议

初始建议：

先接入几家常见广告源，每家1层，出价选择系统出价（刚开始数值不重要，只是为了排序），取到7天平均值以后再修改初始数值。中介组中的价格设置只是为了排序，最终出价需要在三方广告源的后台中设置价格，以三方广告源的最终价格为准。

分层不要太密也不要过多：

各个之间有一定落差，分层不至于过密，导致广告请求浪费。广告填充低于10%、广告展示量低于1000的层数可以选择合并，因为一个请求到平台告诉你这个请求没有填充，大概要耗到1~2秒。如果有很多层都没有填充，加起来耗时就会很久，这样就会影响广告的一个展示情况。

时间频率不能过于频繁：

刚开始可以比较频繁，但是最频繁频率不能低于3天（机器需要学习时间）；后面可以延长调整频率，以周为单位修改。

其它：

平台之间的分层要交替排序，不交替的话，那意义就不是就不是很大了。

需要设置1~3个兜底层，这个不要去设底价，主要是用于去吃尾量。

3. 如何调整以及调整后如何判断

• 从展示占比及收入贡献占比较高的层级入手，设置价格与实际价格相差较远；目前某层级填充尚可，继续提升价格，某层级填充较低、需要降价。

• 合并展示量较低层数（低于1000），如上述。

• 单次尽量只改动1个变量，方便后续调整策略。

4. 调整后如何判断好坏

判断整体调整的好坏，在排除新增流量、节日等可能造成的影响，通过ARPU去判断，AIPU辅助判断。

如选择某一层提价，导致ARPU 提升较大，但AIPU下降较多，这种情况要分类型来看。对banner和插屏相对是好的，因为用户减少看到插屏和banner的次数；对激励视频而言是不好的，用户需要看广告的时候，看不到广告，最终需要综合产品留存和使用时长去考虑，回归到用户LTV上。

如果AIPU没有影响，ARPU略有提高，则说明提升是正向的。

如果ARPU下降，多数情况是AIPU下降引起，如发现该层级填充率及展示占比下降明显，这时候说明价格过高，可能需要考虑降价。

如选择某一层降价，也是同理，ARPU去判断，AIPU辅助判断。

如果ARPU 提升较大，但AIPU提升较多，这种情况同样要分情况去看。对banner和插屏相对是不好的，而激励视频是相对较好的，最终同样需要综合产品留存和使用时长去考虑，回归到用户LTV上。

如果ARPU略有提高，且AIPU略有提升，则说明提升是正向的。

如果ARPU提升不明显，需要查看该层级填充率及展示占比，如果填充率无明显变化，可能是因为该层价格仍然过高，需要继续降价；如果持续降价，也不见效，说明该广告平台在对应地区填充不足。

PART.04 流量精细化运营

如何进行流量精细化运营，就是按照一定的规则划分很多组，可以是国家、性别、年龄等标签。不同分组下，用户行为和广告平台的表现是有差异的。所以针对这种差异也去实施差异化的waterfall排序，这样可以达到提升广告效果的目的。前提条件是产生了一定量级以后才需要去做流量精细化运营。

部分广告聚合已经为流量精细化运营提供了很多便利工具，比如IronSource支持分国家设置瀑布流，并提供了A/B Test工具辅助运营决策。

流量精细化运营有几个注意事项：

1. 国家

这是最基础的精细化运营策略，多数广告平台都能支持，且一些广告聚合比如IronSource支持分国家设置瀑布流。

2. 性别、年龄等更多维度数据

部分广告平台没办法分性别看数据，针对这种情况，可以使用单独的广告位ID来去做区分，比如说针对男性用户可以使用一个广告位ID，女性用户使用另一个广告位ID，这样可以区分ID去看数据，但ID越多，运营成本就会越高。如果只用一个ID的话，那就可以根据展示来去拆分，运营成本会低一些，但收益并没有那么精准，所以需要去综合考虑。

-END-