DSP中的竞价流程详解：从曝光请求到广告展示的完整路径

更新时间：2025年11月6日

在程序化广告生态中，DSP（Demand-Side Platform，需求方平台） 是广告主进行精准投放与自动化竞价的核心工具。它通过实时竞价（RTB, Real-Time Bidding）机制，让每一次广告曝光机会都以数据为依据，自动决定是否参与竞价、出价多少、展示什么创意。

DSP竞价流程的整体架构

在程序化广告中，一次广告曝光背后，涉及多个平台协同运行。总体路径如下：

用户访问网页或App → 媒体（SSP/ADX）发送广告请求 → DSP接收请求并计算出价 → 竞价并返回创意 → 广告展示 → 数据回传与优化

简化后的系统关系：

用户浏览 → SSP（或ADX） → DSP → 广告主数据系统（DMP/CDP） → 返回创意展示

这个流程通常在 100毫秒以内 完成，是广告技术中最复杂但最精妙的自动化系统之一。

核心参与角色

DSP竞价流程的详细步骤

以下是标准的 RTB（实时竞价）流程 分解：

步骤1：ADX发起竞价请求

当用户访问一个网页或打开App时，页面中的广告位（由SSP或ADX管理）会发起一个广告请求（Bid Request）。

请求中包含以下关键信息：

• 用户ID（匿名化后的Cookie或Device ID）
• 页面URL或App名称
• 广告位尺寸（如 300×250、1080×1920）
• 地理位置、设备信息、时间、网络环境
• 媒体类别（如财经、体育、教育）

这些信息会以标准化格式（如 OpenRTB协议）发送到各DSP。

步骤2：DSP接收并筛选请求

DSP收到请求后，会在几毫秒内执行以下动作：

• 解析竞价请求：DSP会收到来自很多ADX平台的竞价邀请，各家发送的信息结构不一，所以需要不同的ADX的竞价请求转化为内部统一，可识别的格式。
• 用户匹配（Cookie Mapping）：DSP需要将SSP传来的用户ID映射成自己系统中的受众ID，以便获取对应的人群标签与历史行为数据。（这一步在程序化广告中称为 Cookie Sync 或 ID Mapping。）
• 人群判断：DSP通过DMP/CDP查找该用户是否属于目标人群（如「已访问过产品页但未购买」）。
• 黑白名单过滤：排除不符合投放策略的媒体或内容（如竞争对手网站或低质量站点）。
• 上下文判断：判断当前页面内容是否适合广告展示，例如金融品牌不希望出现在娱乐内容中。

步骤3：出价计算（Bid Decisioning）

• 请求过滤（Request Filtering）：在计算之前，DSP 会先过滤掉不值得计算的请求。过滤逻辑包括：
  •  无效请求（字段缺失、格式错误）
  •  低质量流量（bot、代理IP、隐私信号限制）
  •  不符目标（地域、媒体类型、广告尺寸不匹配）
  • 超出预算频控（超出频次上限或预算日限）

• 用户画像与数据调用（User Data Enrichment）：DSP 调用内部 DMP 或 CDP 数据，对请求中的用户进行“特征扩展”，定了 DSP 是否认为该用户是“值得投”的目标对象。

• 预测模型（CTR / CVR 预测）：出价多少主要是需要计算pCTR/pCVR，预估eCPM，RTB竞价里面基本上是按CPM的，虽然部分DSP支持CPC或CPA的方式出价， 但实际上是将CPC或CPA转化成CPM，本质还是CPM，如：

             pCPC的预估出价 eCPM=1000*pCTR*CPC

            CPC是广告主设定的，那么eCPM的准确与否就直接取决于DSP对CTR的预测是否准确的，预估的核心就转化为对CTR的预估了。

            pCPA的预估出价 eCPM=1000*pCTR*pCVR*CPA

               在这里除了CPA是固定的，pCRT 和pCVR都是需要预估的。

            出价预估的的核心就转为需要计算pCTR和pCVR，这两个因素对收益影响最大，如果能够准确预估，那么将最高eCPM的胜出就是，就非常简单，但实际的情况是CTR的预估常常不准确，对于一个新的请求来说，缺少先验经验，也缺少数据，数据是离散，所以很难预估一个合理的CTR。竞价算法就各家不一，有的简单有的复杂，但都是为了尽可能的出的准确去获利。

• 期望收益计算（Expected Value）：DSP 会基于预测结果计算“该曝光的期望收益”：$$EV=CTR\times CVR\times value$$

• 出价策略模型（Bid Strategy Model）：DSP 根据广告主设定的目标优化方式（如 CPC、CPA、ROAS）应用不同的出价公式：
  

  目标类型	出价公式示例	说明
  CPC（按点击付费）	Bid = CTR × CPC_target	以预期点击为核心
  CPA（按转化付费）	Bid = CTR × CVR × CPA_target	以预期转化为核心
  ROAS（广告收益比）	Bid = EV / ROAS_target	以收益为导向
  混合策略	Bid = CTR × (α × CVR + β × value)	综合权重模型

  最终 Bid 值需落在 SSP 给出的 floor_price（底价）以上。

• 预算与频控（Budget / Pacing Control）： DSP 会根据广告主的：日预算 / 总预算、投放进度（pacing）、用户频次（frequency cap）等调整出价：
  • 若预算进度超前 → 下调出价；
  • 若预算消耗不足 → 上调出价；
  • 若用户曝光频次过高 → 不再出价。

• 出价生成与签名（Bid Response）：DSP 最终会生成一条竞价信息（Bid Response）

步骤4：ADX执行实时竞价

ADX（广告交易平台）接收来自多个DSP的出价请求，在极短时间内执行以下动作：

1. 对所有DSP出价进行比较；
2. 选出出价最高且合规的广告；
3. 通知获胜DSP；
4. 返回对应广告素材给SSP；
5. SSP最终在用户页面中展示广告。

这整个过程的平均耗时为 50–120毫秒，取决于系统延迟与网络条件。

步骤5：广告展示与曝光追踪

用户浏览页面时，广告被成功渲染。随后触发两类追踪：

• Impression Tracking（曝光追踪）：记录广告被展示；
• Click Tracking（点击追踪）：记录用户点击行为。

这些追踪数据会回传至DSP、广告主分析系统（如GA4 / Adobe Analytics），用于计算KPI和后续优化。

步骤6：数据回流与算法优化

每一次竞价和展示都会产生大量数据（日志），DSP会对这些数据进行模型训练和策略优化：

• 更新CTR/CVR模型：提升预估精度；
• 识别高价值人群：调整受众标签；
• 优化投放策略：根据ROI、转化路径动态调整预算；
• 异常检测与品牌安全分析：排查无效流量与作弊行为。