# 什么是实时竞价(RTB)？广告竞价的毫秒级博弈

🚀 本文收录于Github：[AI-From-Zero](https://github.com/laizhuoc/AI-From-Zero) 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！
> by @Laizhuocheng

---

## 一、简介

想象一下，你正在浏览一个新闻网站，页面加载的瞬间，右上角出现了一条精准匹配你兴趣的广告——可能是你昨天刚搜索过的跑鞋，或是你关注已久的电子产品。你有没有想过，这条广告是如何在毫秒之间"空降"到你的屏幕上的？

这背后不是简单的"先到先得"，而是一场激烈的实时竞价大战。广告主们像拍卖场上的买家一样，在用户刷新页面的那一瞬间，为了争夺你的注意力而展开毫秒级的出价博弈。这就是**实时竞价（Real-Time Bidding，简称RTB）**——数字广告领域最精密的自动化交易系统。

RTB彻底改变了广告投放的逻辑：从"买广告位"变成了"买具体的人"。它让广告主可以针对每一个独立的用户展示机会做个性化决策，而不是盲目地包下整个广告位。这种精准度的提升，让广告效果产生了质的飞跃。

---

## 二、什么是实时竞价(RTB)

**实时竞价（RTB）是一种在数字广告领域广泛应用的程序化购买技术**。简单来说，它是一套让广告展示机会在毫秒级时间内完成拍卖交易的自动化系统。

用一个生活中的类比来理解：想象你走进一家高端商场，每家店铺都想要在你经过时向你展示他们的商品。但商场规定，每次你路过一个展示位时，所有店铺都要同时出价——谁出价最高，谁就能在这个瞬间向你展示商品。整个过程从你踏入商场到看到商品，只有不到0.1秒。

RTB的核心价值在于**"人即广告位"**。传统广告是广告主向媒体购买固定的广告位（比如某网站首页的横幅），按天或按展示次数付费，不管看到广告的是谁。而RTB的逻辑是：每次用户访问页面时，系统都会针对这个具体的用户发起一次竞价，广告主根据用户的特征（年龄、兴趣、浏览历史等）来决定是否出价、出多少价。

这种模式下，同一个广告位在不同时间可能展示完全不同的广告——因为系统认为不同时间出现的用户价值不同。

---

## 三、RTB如何工作

### 3.1 三大核心角色

RTB生态系统中有三个关键角色，它们协同完成每一次竞价：

**SSP（供应方平台）**：代表媒体方（网站、App等）。当用户访问页面时，SSP发现有一个广告位需要填充，于是把这个展示机会打包成竞价请求发送出去。SSP还会做初步的流量质量筛选，过滤掉明显作弊的流量。

**ADX（广告交易平台）**：作为中间的交易平台，ADX负责把SSP发来的竞价请求分发给多个DSP。它就像一个拍卖行的主持人，确保竞价过程公平、高效地进行。

**DSP（需求方平台）**：代表广告主。DSP收到竞价请求后，要在极短时间内判断这个流量值不值得买、该出多少钱。它内部有复杂的算法模型来评估流量价值。

### 3.2 竞价流程详解

让我们跟随一个真实的用户访问场景，看看RTB的完整流程：

**第一步：触发竞价（0毫秒）**
用户打开一个新闻App，页面上有一个广告位需要填充内容。SSP检测到这一需求，立即准备发起竞价。

**第二步：发送竞价请求（约5毫秒）**
SSP向ADX发送竞价请求，携带丰富的用户信息：用户ID、设备类型、地理位置、浏览历史、页面上下文等。这些信息帮助DSP判断这个用户的价值。

**第三步：分发与决策（约50毫秒）**
ADX将请求同时发送给多个DSP。每个DSP收到请求后，立即启动价值评估流程：
- 提取用户特征
- 用CTR模型预估用户点击广告的概率
- 用CVR模型预估点击后转化的概率
- 计算期望收益（eCPM = CTR × CVR × 目标出价）
- 根据预算情况调整出价系数
- 生成最终出价

**第四步：竞价与结算（约90毫秒）**
ADX收集所有DSP的出价，选出最高价者。但结算价格通常是第二高价（第二价格密封拍卖机制），这样可以鼓励广告主报出真实的心理价位。

**第五步：广告展示（约100毫秒）**
胜出的DSP返回广告素材，SSP将其展示给用户。从用户打开页面到看到广告，整个过程通常在100毫秒内完成。

### 3.3 价值评估的核心逻辑

DSP如何判断一个流量值多少钱？这背后有一套精密的价值评估体系：

**eCPM（有效千次展示成本）**是核心指标，它代表这次曝光预期能带来的收益：

```
eCPM = CTR × CVR × 目标CPA × 1000
```

- **CTR（点击率）**：用户看到广告后点击的概率
- **CVR（转化率）**：点击后产生购买/注册等目标行为的概率
- **目标CPA（单次转化成本）**：广告主愿意为一次转化支付的价格

举个例子：如果预估CTR是2%，CVR是5%，目标CPA是100元，那么：
```
eCPM = 0.02 × 0.05 × 100 × 1000 = 100元
```

这意味着，为了获得1000次这样的曝光，广告主愿意支付100元，单次曝光的价值就是0.1元。
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/b39d45628cb27160130721627ed59299.png)

---

## 四、出价策略如何优化

### 4.1 基础出价策略

**固定出价**是最简单的方式：对某类用户或某个时间段设定固定的出价上限。这种方式简单直接，但缺乏灵活性，无法适应市场变化。

**动态出价**则根据实时情况调整：
- 预算充足时提高出价，多拿高质量流量
- 预算紧张时降低出价，控制成本
- 遇到高价值用户时激进出价
- 竞争激烈时评估是否值得参与

### 4.2 基于预估模型的出价

准确的预估是出价的基础。工业界主流的做法是用深度学习模型：

**Wide & Deep框架**结合了记忆能力和泛化能力：
- **Wide侧**：用逻辑回归处理交叉特征，准确记忆已知模式
- **Deep侧**：用深度神经网络学习高阶特征组合，提升对新模式的泛化能力

**特征工程**也至关重要：
- 基础属性特征：年龄、性别、地域
- 时序特征：最近一周的点击频率、停留时长变化趋势
- 上下文特征：当前浏览的页面内容、时间、设备

### 4.3 预算控制与平滑

拿到预算后怎么花是个学问。常见的策略有：

**匀速消耗**：把预算平均分配到每个时段，避免一下子花完。这种方式稳定可控，但可能错过高价值流量的集中爆发期。

**PID控制器**是预算平滑的常用技术：

```java
public double getBidFactor() {
    double remainBudget = getRemainingBudget();
    double remainTime = getRemainingTime();
    
    // 理想消耗速率
    double expectedRate = remainBudget / remainTime;
    // 实际消耗速率
    double actualRate = getCurrentSpendRate();
    
    // 计算偏差
    double error = expectedRate - actualRate;
    integral += error;
    double derivative = error - lastError;
    lastError = error;
    
    // PID输出调整出价系数
    double adjustment = kp * error + ki * integral + kd * derivative;
    return Math.max(0.5, Math.min(1.5, 1.0 + adjustment));
}
```

PID控制器通过比例、积分、微分三个环节协同工作，让实际消耗曲线尽量贴合理想曲线。

### 4.4 实时反馈与动态调整

出价策略不是一成不变的。系统需要根据实时转化数据来调整后续出价：

**实时反馈机制**：
- 持续聚合最近一段时间的转化数据
- 发现某个特征组合（如特定城市、特定时间段）表现显著优于预期
- 立即提升对该特征流量的出价系数
- 把预算更多地倾斜到高转化人群上

这种反馈链路的关键是**速度要快**。如果等到第二天才根据昨天的数据调整，市场环境可能已经变了。

### 4.5 冷启动与探索利用

新上线的广告或新定向的人群面临冷启动问题：没有历史数据就无法准确预估价值，但不投放就永远积累不了数据。

**Thompson Sampling**是一种有效的解决方案：
- 为每个策略维护一个概率分布
- 每次根据分布采样决定选择哪个策略
- 表现好的策略分布逐渐向高置信度区域集中
- 自然获得更多流量，同时保持对新策略的探索

这样既保证了探索的广度，又不会过度浪费预算。

### 4.6 A/B测试验证

任何策略调整都需要通过A/B测试验证：
- 切出一小部分流量作为实验组，使用新策略
- 剩余流量保持原有策略作为对照组
- 观察至少一个完整业务周期（覆盖工作日和周末）
- 对比转化成本、ROI、预算消耗速度等关键指标

---

## 五、RTB的优缺点

| 优势 | 劣势 |
|------|------|
| **精准定向**：可以针对具体用户做个性化决策，而非购买固定广告位 | **技术门槛高**：需要复杂的算法模型和实时计算能力 |
| **成本可控**：只为实际曝光付费，预算使用更灵活 | **数据依赖强**：需要大量历史数据训练模型，冷启动困难 |
| **实时优化**：可以根据实时反馈快速调整策略 | **竞价遮蔽**：只能看到赢标时的第二高价，难以准确估计市场分布 |
| **透明度高**：每次竞价都有详细数据记录，便于分析 | **时间压力大**：100毫秒的时限对系统性能要求极高 |
| **规模效应**：可以接入海量媒体和广告主，形成生态 | **竞争激烈**：热门流量竞争激烈，可能导致出价过高 |

### 适用场景

RTB特别适合以下场景：
- **效果广告**：追求直接转化（购买、注册、下载等）的广告投放
- **个性化推荐**：需要根据用户兴趣动态调整内容的场景
- **预算灵活**：广告主可以根据效果随时调整预算和出价
- **数据丰富**：有足够的历史数据来训练预估模型

### 局限性与改进方向

**竞价遮蔽问题**：由于只能看到第二高价，DSP难以准确估计市场的真实价格分布。改进方法是使用**censored regression**建模，结合赢标和输标的数据来推断完整的市场分布。

**样本不平衡**：点击率通常只有百分之几，导致正负样本严重不平衡。可以用负采样、调整样本权重或使用Focal Loss等方法来改善。

**延迟反馈**：用户点击广告后可能不会立即转化，导致转化归因困难。需要设计合理的时间窗口和归因模型。

### 未来发展趋势

1. **强化学习应用**：将每次竞价建模为马尔可夫决策过程，用DQN、PPO等算法学习最优出价策略
2. **联邦学习**：在保护用户隐私的前提下，多方协作训练更精准的预估模型
3. **边缘计算**：将部分计算下沉到边缘节点，进一步降低响应延迟
4. **多目标优化**：同时优化点击率、转化率、品牌安全等多个目标，寻找帕累托最优解

---

## 六、总结与思考

实时竞价(RTB)代表了数字广告从"粗放式投放"向"精准化运营"的范式转变。它让广告投放从"买位置"进化到"买人"，每一次曝光都基于数据驱动的价值评估。这背后不仅是技术的胜利，更是商业逻辑的革新——在毫秒之间完成复杂的决策，让合适的广告在合适的时间出现在合适的人面前。

**更深层的思考**：RTB的本质是一个多方博弈的实时决策系统。它让我们看到，当数据、算法和工程能力达到足够水平时，传统的商业模式可以被彻底重构。这种"实时个性化决策"的思想正在从广告领域扩展到推荐系统、金融交易、供应链优化等更多场景。理解RTB，不仅是理解一种广告技术，更是理解数据智能如何重塑商业决策的未来。

---

*参考资料：*
- *Display Advertising with Real-Time Bidding (RTB) and Behavioural Targeting*
- *Bid Optimisation by Multivariate Performance Analysis in Real-time Bidding*
- *Real-Time Bidding by Reinforcement Learning in Display Advertising*


🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

什么是实时竞价(RTB)？广告竞价的毫秒级博弈

想象一下，你正在浏览一个新闻网站，页面加载的瞬间，右上角出现了一条精准匹配你兴趣的广告——可能是你昨天刚搜索过的跑鞋，或是你关注已久的电子产品。你有没有想过，这条广告是如何在毫秒之间"空降"到你的屏幕上的？

数据开发/数据仓库

人工智能

大数据

实时竞价(RTB)是数字广告领域的程序化购买技术，通过毫秒级拍卖实现精准投放。RTB将广告从"买位置"升级为"买人"，利用用户画像、点击率预估等算法，在100毫秒内完成竞价决策。这种技术大幅提升广告效果，适用于效果广告、个性化推荐等场景，是数据驱动商业决策的典型案例。

联邦学习

深度学习

强化学习

A/B测试

2026采购季 | AI焕新·智启新局

tione

fele

edgezone

oceanus

tqdrem

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

什么是实时竞价(RTB)？广告竞价的毫秒级博弈-腾讯云开发者社区-腾讯云

什么是实时竞价(RTB)？广告竞价的毫秒级博弈

什么是实时竞价(RTB)？广告竞价的毫秒级博弈

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐