申探社：聊聊Nobid
Nobid（在某手有时也叫MCB，在Facebook叫LowestCost）是指广告主不用（也不能）对转化成本进行出价，而是出一个预算（大多数是日预算），然后投放平台的目标是在时间范围内，尽量平稳高
申探社
申探社：再谈oCPX中的双出价
在《申探社：深入互联网广告中的出价模式》（上，中，下，补充篇）系列文章中，我们初步探讨了双出价这种产品形式（本文的讨论建立在读者已经读过这一系列文章的基础之上，如果没有看过的同学，推荐先阅读一下）。双
申探社：不确定度建模（下）-变分推断及应用
在（上）篇中，我们讨论了什么是不确定度，为什么需要关注不确定度建模，以及不确定度可以怎么用。也从最大似然估计（MLE）到最大后验概率（MAP），讲到了贝叶斯推断(BayesianInference)。而我们希望用来建模不确定度的目标模型是贝叶斯神经网络（BN
申探社：不确定度建模（中）-蒙特卡洛采样
在（上）篇中，我们讨论了什么是不确定度，为什么需要关注不确定度建模，以及不确定度可以怎么用。也从最大似然估计（MLE）到最大后验概率（MAP），讲到了贝叶斯推断(BayesianInference)。而我们希望用来建模不确定的目标模型是贝叶斯神经网络（BNN
申探社：不确定度建模（上）- 贝叶斯推断基础
在广告系统中，CTR，CvR等模型想必大家都非常熟悉了。将一个包含一系列特征值的样本输入CTR,CvR模型，模型输出一个点击率或者转化率的预估值。有时候我们也会遇到一些情况，除了需要预估值之外，还需要知道预估值的不确定度（Uncertainty）（或者预估
申探社：深入互联网广告中的出价模式（3合1完整版）
互联网广告中的出价模式发展经历了许多变迁。从一开始的CPM，到CPC出价模式，随着Facebook的oCPX (如oCPM/oCPC) 成为了网红，之后的双出价，激活且付费，Facebook的AEO及VO等等新一代的出价模式也层出不穷。本系列文章会介绍并使用一个较为通用的“四点三率两控制一加强”分析框架，对各个出价模式进行解析。相信大家阅读完本系列文章后，会对当前最流行的出价模式建立较为全面的理解。
申探社：深入互联网广告中的出价模式（补充篇）
之前出价模式（上，中，下三篇）的文章得到了几千次的转发，也得到很多朋友的私信评论和反馈，非常荣幸。有些朋友也提出了一些想进一步了解的内容，另外在和读者群一些朋友的探讨中，笔者对部分内容也有了一些新的认知。因此再攒出了这一篇狗尾续貂的“补充篇”和大家进行探讨。（
申探社：深入互联网广告中的出价模式（下）— 联盟，RTB和RTA
（上篇）及（中篇）回顾在（上篇）及（中篇）中我们探讨了出价模式的“四点三率两控制一加强”分析模型。其中“四点”即竞价点，计费点，出价点，考核点。各种出价模式的差异，很大程度上就是因为这四点位置的不同而造成的。例如下图展示了CPC和oCPC中四点的位置差异。
申探社：深入互联网广告中的出价模式(中) — 智能出价模式
（上）篇回顾在（上）篇中我们探讨了出价模式的“四点三率两控制一加强”分析模型中的“四点三率”。其中“四点”即竞价点，计费点，出价点，考核点。各种出价模式的差异，很大程度上就是因为这四点位置的不同而造成的。例如下图展示了CPM和CPC中四点的位置差异。
申探社：深入互联网广告中的出价模式（上）— 基础出价模式
一.导读互联网广告中的出价模式发展经历了许多变迁。从一开始的CPM，到CPC出价模式，随着Facebook的oCPX(如oCPM/oCPC)成为了网红，之后的双出价，激活且付费，Facebook的AEO及VO等等新一代的出价模式也层出不穷。本系列文章
关于作者
关于互联网广告，机器学习技术的唠唠叨叨
