編輯導語：作為策略産品經理，你了解推薦廣告和自然推薦之間的區别和聯系嗎？而因為其之間存在區别，所以在進行相應業務處理時，所需要考慮的數據指标、收益影響因素，可能會有所差異。本文作者便針對它們之間的異同點做了總結，一起來看一下。

日常工作中我們經常會聽到推薦系統，但實際推薦系統在工業界應用時會分為自然推薦和推薦廣告，很多産品經理分不清二者的相同點和不同點，本篇我們為大家詳細介紹一下自然推薦和推薦廣告的異同點。

首先我們需要明白現階段在各大電商APP或者短視頻APP裡面，廣告結果和自然推薦結果都是原生融合在一起的。比如淘寶首頁推薦信息流裡面，下圖裡面就既有廣告，又有自然結果。二者并不是完全獨立的。

一、不同點

我們先從不同點開始介紹，一共有9個方面存在不同。

1. 本質不同

推薦廣告和自然推薦本質要處理的群體和衡量的利益完全不一樣。

1）自然推薦

提升用戶體驗和信息分發效率。隻需要考慮用戶和平台之間的利益，商家側在自然推薦裡面的體驗，自然推薦考慮較少。因為這部分流量是免費的，商家側沒有投入任何成本。

2）推薦廣告

提升廣告收入，提升流量變現效率。這裡面需要同時兼顧用戶、平台和廣告主三者之間的利益，權衡好三者之間的關系。

廣告主花錢投放了廣告，就需要對廣告主的商品盡可能地多曝光，廣告多曝光平台才可以針對廣告收更多的錢。但是曝光的廣告商品，用戶是否感興趣，給用戶強推廣告商品非常影響用戶體驗，如何做到廣告收入和用戶體驗之間的平衡是推薦廣告需要考慮的關鍵點，同時廣告主還要看廣告投入ROI。

二者本質完全不同，推薦廣告整體要比自然推薦複雜，需要考慮的業務因素和權衡的利益關系更多。

2. 優化目标

如果分别隻能挑選一個核心評估指标的話：

1）推薦廣告

CPM（Cost Per Mille，千次展現成本）。CPM越高代表推薦廣告的變現效率越高；相同流量情況下，CPM高的廣告收入更多。

2）自然推薦

CTR（點擊PV / 展現PV）。CTR越高代表用戶對于推薦的内容越感興趣。

同時很多人有一個誤區就是推薦廣告和自然推薦的點擊率差異性很大，二者有差距但沒有很大，在首頁推薦這種核心位置上差異大概在20%左右吧，這裡的CTR差異是因為兩個原因導緻的，其中一個就是廣告優化的目标是CPM。

但又因為 CPM = CPC（單次點擊成本） * CTR（點擊率） * 1000（千次展現）。目前廣告都是按照點擊進行扣費，CPC代表一次點擊收廣告多少錢，那麼千次展現*CTR=千次點擊次數，再乘以CPC就等于CPM。

廣告的CTR如果太低，CPM也會很低，雖然廣告側終極目标是提升CPM，但是CTR同樣需要兼顧。同時廣告和自然推薦在一個流量場，平台側會對比，廣告側的CTR不能太拉垮。

3. 資源位

目前互聯網平台所有的資源位基本都是由推薦系統來分發了，傳統的那種運營手工配置的模式基本沒有了。但是不是所有的資源位都接入了推薦廣告。同時同一個資源位下，廣告的比例遠小于自然推薦的比例。比如抖音的廣告基本是6出1，廣告隻有1/7。絕大部分流量都是在自然推薦側。

4. 物料池

上面介紹推薦廣告和自然推薦的CTR差異是因為兩個原因導緻的，一個是因為優化目标不一樣，另一個就是因為二者的物料池完全不一樣。

1）推薦廣告

隻能召回平台上廣告主投放的廣告物料，同時有很多商品受到《廣告法》的約束是不能投放廣告的。正常情況廣告物料會比自然物料少很多，量級大概可以差10倍。而且廣告物料會呈現價格偏高的趨勢，因為特别便宜的商品廣告主再投放廣告就更沒有利潤空間了。

2）自然推薦

理論上講可以使用平台上所有有效的物料；隻是有一些調性差，比較敏感的SKU比如情趣用品等，這種SKU自然推薦也是不會推薦的。

5. 召回

二者整個召回算法上其實沒有特别大的差異，都是多路召回，雙塔模型等等。隻是廣告側多了一層召回，準确地說叫做DMP（Data Management Platform）定向。

因為廣告主在投放廣告的時候會有針對性地進行廣告投放，比如廣告主自己圈選了一些人群，或者上傳了一些人群包，希望它的廣告重點面向這些人群進行展現，這些操作都在DMP平台上。那麼推薦廣告系統在對用戶進行物料召回時，就需要重點考慮該用戶有沒有被一些廣告主圈選，希望重點展示它的廣告物料。DMP定向在自然推薦側是沒有的。

6. 排序

二者的排序邏輯完全不一樣。

1）自然推薦

主要參考模型對于每個物料預估的CTR，可能還會再結合銷量、評價等指标，但是主要是CTR指标。

2）推薦廣告

以ecpm來進行排序。并不是用戶對哪個廣告物料更感興趣，哪個物料就排序在前，我們還需要考慮廣告收益的最大化，整體的排序計算公式見下圖。

P-CTR代表模型實時預測用戶對該廣告的點擊率，CPC代表廣告主願意為買一次廣告點擊出的價格。P-CTR * 1000就代表如果曝光1000次該廣告，用戶可能點擊的次數。比如P-CTR(B)* 1000=10次，就代表給用戶曝光1000次，用戶可能點10次，那麼平台就可以收入10*100=1000元。

所以eCPM的意義就是曝光1000次，平台側可能的收入。像B廣告主雖然出價高，但是模型預測用戶的CTR很低，最終用戶點擊的次數會很少。因為廣告一般都是按照點擊進行扣費的，用戶必須點擊平台側才可以扣廣告主的費用。所以最終C競價成功，對于平台側來說曝光C的廣告，預期收入是最大的。

但實際排序時eCPM隻是參考的一個方面，廣告側還需要去考慮廣告商品的質量、曆史銷量、曆史好評率等等各種因素，将這些因素綜合考慮組成另外一個分數Q值，最終二者按照一定權重，形成一個複合公式：

綜合分數按照綜合的 Rank_score進行排序。推薦廣告的排序要比自然推薦考慮的因素要更多，也更複雜。

7. 展現

1）廣告标識

很多場景中用戶前端看到的廣告商品是需要标識出“廣告”二字的，尤其是搜索廣告。而自然推薦則不需要任何标識。

2）業務幹預度

自然推薦結果中業務側可以強幹預，因為是免費流量期望偏向于某個類目都可以。但是廣告側很難做到，因為廣告側還需要為商家的體驗負責，某個類目多給流量自然會帶來其他類目商家的流量減少，其他商家肯定會來投訴。所以業務幹預層面廣告側自由度很低。

8. 計費

自然推薦，用戶對推薦的商品感興趣下單就結束了，至此和推薦相關的事情就全部結束了。但是在計算廣告領域還有一個非常重要的環節就是如何對廣告主進行扣費。

上面也提到過了，廣告側是按照點擊CPC扣費。這裡面又牽扯出來另外一個領域就是反作弊，因為廣告側扣費是需要扣除作弊流量的，不然廣告主被别人薅羊毛了會造成成本激增。但這部分作弊點擊對于自然推薦基本沒有影響，商家毫無損失。自然流量僅需要針對一些特殊優惠權利時，不能被某些設備某些pin一直薅羊毛就可以了。

9. 跟單

商家投放了廣告，如何去計算投放廣告的ROI？

這時候就需要知道哪些訂單是廣告流量轉化的，需要對訂單進行歸因，這就是跟單。

自然流量當然也需要跟單，需要知道哪些訂單是自然推薦流量帶來的。但是廣告側的跟單和自然流量跟單整體邏輯不太一樣。廣告側需要盡可能地跟更多的單去提升廣告主ROI，所以像點擊後直接下單的我們叫做直接訂單，但是點擊後沒有直接下單但是一段時間後下單了同店鋪其他商品的，廣告側也會算作廣告轉化，叫做間接訂單。

間接訂單的種類有很多很多，在此不再細述。總的來說就是廣告側需要盡可能多地跟上更多的單，自然推薦側跟單沒有廣告側這麼寬泛。

二、相同點

介紹完不同點，下面介紹相同點。其實推薦廣告和自然推薦整體應用的算法和系統架構是差不多的，沒有太大差異。基本上每一步雙方都有，推薦廣告唯一多的一步就是計費了。這一步自然推薦是沒有的。

1. 整體架構

不管是推薦廣告，還是自然推薦，二者整體都還是推薦系統的架構，從召回、排序再到重排，最終前端展示等。一整套系統架構二者是一樣的。

2. 召回

召回層二者所使用的一些思路和算法也基本一樣，比如針對不同用戶群體構建不同的召回策略，多路召回等等。常見的幾路召回策略比如：ItemCF、Rebuy、Top_CTR、雙塔模型等，這些策略在推薦廣告商品和自然推薦時都會用到。

3. 排序

排序層使用的排序模型比如傳統的LR GBDT，和現在的DeepFM、甚至是深度強化學習，雙方都會使用，也不存在某一個模型對于二者有什麼偏好。

4. 重排

過濾一些敏感隐私商品、針對一些連續的重複類目商品進行打散、特定時段優先展示某些商品，這些策略雙方都需要考慮。

三、總結

推薦廣告和自然推薦本身因為參與方和優化目标不同，所以很多環節的考核指标不一樣，推薦廣告的業務性會更強，但是二者整體的系統架構和技術棧差異不大。

在很多公司裡面，自然推薦和廣告部是完全兩個獨立的部門，自然推薦和廣告推薦也是兩個完全不同的推薦團隊來做，存在一種賽馬的味道。對于很多互聯網公司來說，廣告部是公司每年收入的核心。比如百度的鳳巢、阿裡的阿裡媽媽、字節的巨量引擎等。

對于技術人員來說，其實鑽研的技術沒有多大差異，但是所從事的業務卻不一樣，越靠近收入部門，未來産生的價值也就越大。所以如果有網友陷入到底選擇推薦廣告還是自然推薦，個人還是更建議推薦廣告，畢竟廣告是直接産生收益的部門。

最後給大家推薦兩本書，是我覺得對應領域比較權威且科普性強的書，一本是劉鵬寫的《計算廣告》，另外一本是項亮寫的《推薦系統實踐》。

本文由 @King James 原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自 Pexels，基于 CC0 協議

,