AdTech Engineering · Operations Playbook 流量分层与动态底价 方法、策略与算法实现 把"分层"和"底价"当作两个可独立求解、又必须联合调优的优化问题来对待：一个是给流量定档，一个是给每一档定最低成交价。这份手册给出从统计基线到强化学习的完整算法谱系、可直接改写的伪代码，以及 2026 年必须知道的合规红线。 视角： 供给侧 / ADX·SSP 运营 数据截止： 2026 年 10 月 配套： 前一份市场与运营框架报告 先定义你到底在优化什么 # 对每个曝光请求的上下文 c，选择一个底价 r # 目标是让该流量簇的总收入最大，而不是单次请求最大 max R(r | c) = r × P(bid ≥ r | c) └─单价─┘ └──中标/填充概率──┘ # 约束：填充率 ≥ F_min，且不得低于成本/合约底线 # 一阶条件（F 连续可微时）： r* 满足 1 − F(r) − r·f(r) = 0 # 若出价分布满足正则性（MHR），r* = ψ⁻¹(0)，即"垄断价" 这条公式是全篇的锚点。它说明了两件事：① 底价不是越高越好——提价同时压低中标概率，收入是乘积，存在唯一最优点；② 你真正的建模对象是 出价分布 F（或等价的中标概率曲线） ，而不是"一个价格数字"。所有算法，本质都是在对 F 做估计。 01 流量分层：先给流量定档，再谈定价 底价是"给一档流量定一个价"，所以分层的质量直接决定底价算法的上限。 分层做粗了，再好的定价模型也只能在错误的粒度上做优化。 分层的三个层次 ① 维度层：用哪些信号切流量 分层维度决定了你能切多细，也决定了样本量是否足够。实践中的信号顺序大致是： 类别 典型特征 分层作用 库存 广告位 ID、尺寸、广告形式、页面位置、可见性 决定基础价值，是分层的第一主键 媒体 / 应用 媒体 ID、App 分类、内容主题、品牌安全等级 决定买家池与品牌适配度 用户 / 设备 设备类型、OS、运营商、地域、价值分 决定需求方出价意愿（iOS/一线城市通常更高价） 上下文 / 时序 时段、星期、大促节点、竞争密度 捕捉需求侧波动，是动态定价的关键输入 切分粒度要受"最小样本量"约束：一个流量簇每周样本不足，估计出的分布就不稳定，宁可回退到上一级粒度。 ② 方法层：怎么把流量归到档位 从易到难有四条路径，绝大多数团队应该按顺序演进： 规则打标（IF-THEN）。 用人工规则给流量贴标签，如"WiFi × 一线城市 × 开屏 = 高价值档"。简单直观，但规则一多就互相冲突，且无法捕捉需求侧变化。适合冷启动。 分位数分桶。 对某个价值代理指标（历史 eCPM、历史成交价）做分位数切分，把流量均匀分进 N 个档。优点是每档样本量自动均衡，是实现"动态底价第一版"最实用的选择。 聚类 / 监督打分。 用 K-means、GBDT 或嵌入向量对流量簇聚类，再由模型输出一个连续"价值分"，按分数切档。能捕捉非线性关系，但对数据量和特征工程要求高。 在线实时分层。 把分层做成在线推理的一部分，同一批流量在不同时段、不同竞争密度下可落到不同档位。这是成熟平台的做法——分层是动态复用的，不是静态归属。 ③ 映射层：档位对应哪种交易模式 分层的结果必须落到具体的售卖方式上，否则只是标签游戏。典型的映射阶梯： PDB 最高档 · 保量定投 › PD 固定价优先成交 › PMP 邀请制竞价 › Open Auction 公开竞价 · 走量 › 兜底 ADN 长尾保底填充 分层的一条硬规则 高档流量的判定不能只看历史价格，还要看 可售性 ：如果一档流量虽然历史 eCPM 高，但买方数量少、成交不稳定，把它放进 PDB 反而会违约。分层要同时考虑"价值"和"需求的确定性"。 02 动态底价：从理论到落地的四级算法谱系 2.1 理论基础：Myerson 保留了什么问题，没解决什么问题 底价在学术上叫 保留价（Reserve Price） ，MRC 把"底价"与"保留价"视为同义词。1981 年 Myerson（以及独立的 Riley 与 Samuelson）证明：当买家估值独立同分布且满足正则性条件时， 收入最优的拍卖就是"二价拍卖 + 一个精心选择的保留价" ，该保留价等于该分布下的垄断价，记作 r* = ψ⁻¹(0) （ψ 为虚拟估值函数）。 这条结论给出了方向的正确性，但在工程上有三个现实障碍： 分布未知。 你永远不知道真实的出价分布 F，只能从成交数据里估计——而成交数据是被当前底价 截断（censored） 的：低于底价的出价根本看不到。 多买家和异质场景。 Myerson 假设 i.i.d.，而真实 ADX 的买家价值分布高度不对称，且每个流量簇的分布都不同。 优化问题非凸。 放宽假设后，求解最优保留价在理论上是困难的，实践中只能近似。 另一个重要的边界条件是 Bulow–Klemperer 的结论 ：在单物品拍卖里，"多吸引一个买家"带来的收入提升，往往超过"把保留价调到最优"。所以底价优化不能替代需求侧拓展—— 引入一个高价 DSP，常常比把底价算法调优 5% 更值钱。 2.2 关键机制区分：硬底价、软底价、第一/第二价格 机制 作用 实现要点 硬底价 Hard Floor 低于底价的出价被 直接丢弃 ，不参与胜出 OpenRTB 中由 bidfloor 承载；丢标原因码 100 软底价 Soft Floor 不改变"谁能赢"，只改变"赢家付多少" OpenRTB 没有标准字段 ；合规敏感，需谨慎使用 Deal 底价 私有交易有独立底价 不继承展示层币种；丢标原因码 101 二价拍卖 赢家支付"次高价 + 一美分"；此时底价 会直接决定成交价 若次高价低于底价，成交价被抬到底价 一价拍卖 赢家支付自己的出价；底价只做"资格筛选" Google Ad Manager 自 2019 年转向统一一价拍卖 这个区别极其重要：同样的底价，在二价拍卖里是"定价工具"，在一价拍卖里只是"过滤器"。调参前必须先确认自己平台用的是哪套机制。 一个说明机制差异的最小例子 两家 DSP 对某曝光估值分别为 $1 和 $3 。二价拍卖下，若底价设 $0.50，$3 的买家胜出但只付 $1； 把底价提到 $2.50，同一个赢家要付 $2.50 ——价格由底价而非对手决定。换成一价拍卖，面对 $1 和 $2 的出价，$2.50 的底价会让这笔交易 直接流拍 ，除非买家主动抬价。 2.3 四级算法谱系 下面的阶梯按"实现难度 / 数据需求 / 收益上限"排列，建议逐级演进，而不是一步跳到强化学习。 LEVEL 1 统计基线法 对每个流量簇，取历史成交价的 分位数 （如 P50 / P60 / P75）乘以一个系数作为底价。 任何动态底价系统的第一版都应该从这里开始 ——它给你一个干净的 Baseline，用来判断"动态底价对这个平台到底值不值得做"。 实现 数据需求 收益上限 LEVEL 2 分布估计 + 期望收入最大化 不满足于取分位数，而是 估计整个出价分布 （经验分布 / 分位数回归 / 贝叶斯后验），再在候选价网格上直接枚举求解 max r·P(bid≥r) 。数…