对 oCPC 做优化，是智能投放之路上必须且大概率会长期面对的一个挑战。尤其，各平台的产品和技术远未成熟，功能更新快、变动多，营销人如果不能深度理解其背后的优化逻辑，就无法把握「人为操作」的价值和界限，很难在不确定因素如此之多的投放市场里，做出相对优良的决策。
. 非零和博弈
以百度搜索oCPC为例，尽管它还远称不上一个成熟的智能投放产品，但却让我们看到：通过AI优化复杂广告转化效果的未来。
搜索oCPC的工作原理是锚定CPA（每次行动成本）来调整每次的点击出价， 从而使 CPM（千人展现成本）最大化的过程。
大家发现了吗？机器学习的最终目标是平台的CPM最大化，即展示收益的最大化，而不是单个广告的CPA更划算。但也不必悲观，因为这是一个非零和博弈，技术的升级让投放的盘子更大了，同时广告主也能从中受益。其产生的原始动机固然是平台可以增加收益，但采取的手段是正面的——平台通过AI模型的投入提升其流量的转化价值。
这也同时揭露了一个事实：一个oCPC计划好不好，本质是模型能不能尽快寻找到可以平衡自家品牌和广告大盘的那个最优CPA解。
.最优CPA
我们的投放目标是「能够控制住CPA的成本，且保持足够的量」。最优CPA肯定不等于更低的CPA，而是在成本与转化量之间找到一个平衡点CPA。如下图，我画了个均衡图来解释这里面的逻辑，希望帮助大家理解。
X轴是计划的转化成本，Y轴是计划的转化量，递增的曲线代表「投放价格曲线」，出价越高，竞争力越强，转化量会提升（非线性）；递减的曲线代表「业务成本曲线」，因为考虑到规模效应，随着转化量的下降，企业需支付的投入成本升高（非线性）。这样，两条曲线的交点就是我们想寻找的最优CPA值。因此，在投放人群不出现失误的前提下，一切投放优化策略都可以遵循这个图的逻辑。
这样，我们的优化场景就只有以下种：
() CPA在最优点右侧
CPA偏高，需想办法降低，同时大概率会牺牲一些量。我们从拆解CPA开始分析，公式如下。
开启ocpc后，广告主的CPC会因为流量更精准而升高，同时，CVR因为分配到了转化更好的受众也会变高——两者的增速比例决定了CPA的最终水平。所以，可控CPA又可以拆解成可控的CPC和更高的CVR。
这时，人为干预的点是：控制住CPC 、提高CVR。主要方式有：
a.确保在第一阶段的CPC阶段，打好数据基础
b.检查数据回传，是否准确
c.提升展现量-关键词优化
d.提高点击率-创意优化
e.提高转化率-着陆页优化
() CPA在最优点左侧
这时候CPA看起来很低，但转化量根本不够，需要提升转化量。人工干预最直接的一个思路是：适当提高目标CPA，但一定控制好幅度，最高一次不要超过%，一点儿点儿尝试。
此外，还可以通过外部提升转化量的方法。我们可以根据下面的「流量问题归因图」标记出流量少的外部主要诱因，逐个击破。
a.预算不足
重新预估消费，如果是因为预算少所致，可以重新分配量给ocpc计划。
b.因展现量低导致的消耗困难
i. 增加关键词，建议手动或使用主流AI拓词工具，增加人群曝光可选范围，不建议开启智能拓词，很容易进来垃圾词汇。
ii. 匹配模式单一，可以适当放宽匹配精准度。
c. 因CTR低导致的消耗困难
i. 提高CTR（点击率）
创意优化、配置更齐全的高级创意、信息阵列、多图样式、动态标题，结合细分业务和人群，个性化设置创意。进一步提高转化率，做着陆页优化。
ii. 排名低（依旧需要使用上文提到的提高CPA大法，这里不再赘述）
如果理解了上述优化逻辑，那么基本清晰了哪些环节是需要手动参与的，哪些环节是只能交给机器去跑的。我们也可以这样理解，oCPC承担了人类无法完成的高强度算法，按照既定框架去捕捉更高质量的流量；人工则需承担给oCPC模型喂足“饲料”、随时观察“环境变化”。
. 人工的关键价值
从人机协作的角度，梳理一下Part中的要点，可以看到人的核心价值体现在：
（）账户第一阶段，需要依靠人，提供充足和良好的数据“饲料”。第一阶段的效率取决于优化师在CPC阶段的能力，从账户结构、策略调整、创意优化、效果分析等，需要用可控的成本凑足转化门槛，让机器知道什么流量是所需要的。
（）账户第二阶段，就算跑稳，我们知道也是阶段性的，需要人工持续监视，在出现波动的时候人工干预。这需要人对市场和客户的变化有清醒的认识，比如创意策略优化、落地页设计更新等。
.人工需要避免的投放误区
由于对oCPC投放原理认识不清，投放人员在模型的学习阶段还是根据经验，做优化操作，导致效果变差。例如，看到点击价格很高，就慌乱调整出价；发现系统自动添加了一大堆莫名其妙的关键词，赶紧删掉；发现同一个关键词，系统多次添加到不同计划或单元，是不是出问题了？
在模型认识你的转化用户过程中，不能再以惯性的思路去盯着账户了，这个时候，很多现象反映的是机器的语言，复杂问题我们可以先交由机器处理，稳定后再看结果是否符合预期。切忌过多的干预模型，打乱学习的节奏。
.什么时机干预，什么时机不干预？
（）前期预算少干预
ocpc是AI算法优化，大概率是预算越多，分配的流量越多。所以，预算一般要充足。在设置上限的时候，最好高出你的承受能力%-%，比如日承受能力是万，预算至少设置. 万。现实是前期预算越足、流量越多。预算设置好后，盯紧消费，但不要频繁调，快到承受极限的时候再通过调节时段等方式来平衡。
（）基础定向迟干预
很多投放人员会设置很多二级定向，受经验和惯性驱使。但实际跑下来的效果却发现，刚开始还是通投最好，这样可以获得足够大的曝光量。等效果出来了，有一定数据积累，再逐步缩小定向，这个时候行业、业务经验就可以发挥其作用了。
（）出价只在探索最优CPA阶段才干预
这部分已经在本文Part里详细介绍，回想一下「寻找最优CPA」曲线图，出现明显的偏左、偏右特征时，需要人工干预。
如果前期把创意素材准备足，系统学习可以分辨出差异，各种不同的配图、标题、落地页，会让系统的学习结果更有效，自动优化的时候更有依据。但已经完成学习阶段，就减少大幅改广告创意的情况，减少对模型的干扰。
（）最终效果不好时，要做强干预
账户效果不好再考虑上新，如果账户效果好，最好不要做上新调整。因为上新会影响到原有计划，损失跑得好的计划，得不偿失。另外，新计划要和原有计划有所差别，价格、图片、标题，直到落地页，最好都能有所区别。
（）落地页随时要做强干预
其实，现在大部分品牌企业都对页面很讲究，因为落地页承载的是转化——推广中最应该被重视的一环。落地页改版和更换是投放策划的常态，但还很少有企业能做到科学改版、高频优化、有效分析，落地页优化环节目前是在智能领域相对落后的一环，这也是为什么灵蹊要在此点发力，因为企业缺乏有利工具的加持。
搜索oCPC的红利期已经过去，随着越来越多的行业加入，效果不稳定的情况只会增加，不会减少。此时的突破点，会后置到落地页的转化能力（承接能力）上。
平台的智能性提升，可以识别不同客户的转化意愿。但精准度并不能降低竞争度，当流量资源抢夺激烈时，昂贵的价格始终是绕不过的坎儿，投放的优化空间会越来越受限。这时，竞争的主战场就会发生后置，ROI的控制能力被压缩到从落地页开始的每个承接细环。
不仅如此，落地页是属于广告主的，如果广告主可以对页面的智能化进行自主控制，完全可以将页面的转化能力通过动态化功能做大幅提升，将低转化意愿人群（平台判定）的实际转化率升高。换言之，低价买到的流量也有机会获得还不错的转化率了！
这里面涉及到广告主容易忽略的一个地方——拓量能力的积累。其实，这块儿是可以间接积累数据资产的。
以目前百度搜索ocpc为例，拓量的模式主要分为三种类别：保守扩量、均衡扩量、积极扩量。
投放的时候，可以建立不同的计划，采用不同的拓量模式，对接不同的落地页。通过完善的转化优化/分析工具，帮助企业积累属于自己的分群识别能力，从而对不同价格/属性的流量探索出一套属于自己的ROI算法。
这样的操作，不仅可以摸索出业务的拓量规律，更可以结合落地页的承接环节，进行人群的细分匹配和数据积累，从而让转化承接的能力更硬核。
当然，对于ocpc可能的新突破点，我们都还需要做很多的功课。但让我们很自豪的一点，优化逻辑已经基本梳理明白，也有第一批用户愿意和我们一起、从落地页开始、一步一步地突破。
