oCPX 重点讲应用层面，主要是如何清晰精准表达营销目标，当超成本时如何解决（包括怎么累计转化数、怎么解决预估偏差），只有oCPX预测准确，才能做到对成本有保障。

重点讲三块内容：

1、互联网商业模式，既互联网公司是如何赚钱的，广告在其中扮演什么样的角色。

2、广告生态的平衡，用户产品，商业产品，广告主，三者之间的制约和平衡关系，各自的目标和诉求是什么。

3、媒体的收益模型，媒体如何评估商业化收益，怎么分析和驱动收入增长的。

各广告平台算法原理基本上一致的，趋势上也基本从机器学习转向深度学习模型。核心的差异在于：

1、模型的特征，这些特征是算法工程师通过不断的实验提取的，如果这个特征显著就会放在模型里，不断强化模型的预测能力。

2、用户的理解，既用户数据是否完善，是否有助于对广告兴趣意图的挖掘，比如信息流App和工具App，除了场景对转化影响的差异外，信息流可以挖掘更多的商业意图特征，而工具类场景简单，所以用户标签也相对薄弱。竞价机制上，我理解区别不大，核心是按照eCPM排序取最优，当然每家媒体的情况不一样，可能从预算消耗、用户体验、广告效果等角度考虑会调整排序结果。

投放上，最关键的两点就是素材策略和数据策略，人群包也是数据策略的一种，除了人群包以外，RTA技术越来越成为主流，说的再大一点，广告主数据赋能媒体，强化媒体的广告推荐能力，是未来竞争取胜的关键。“商品化”也是一种趋势，之前DPA只在电商中应用，未来将应用到网服、游戏等各个行业。

是指所谓的“流量扶持”吗？尝试从流量扶持的角度说下，首先大原则是尽快避免对于排序结果的干扰，因为任何的干扰都会有损“收益最大化”原则。但是从实际操作层面，一般对于重点行业，重点客户，特殊时间节点，会有针对性的扶持，但都是阶段性的。举几个典型场景：

1、针对新广告，增加召回的数量，甚至排序加权，以提升新广告的竞争力；

2、针对电商大促，放宽成本的情况下，提高竞价权重获取更多流量；

3、针对垂直行业，将特定人群优先分配给此行业客户。以上都是流量扶持的场景，都能够超出常规起量，具体视业务需求。