程序化广告在近十年经历了一次根本性的竞价机制变革：从二价拍卖（Second-Price Auction）全面转向一价拍卖（First-Price Auction）。2019 年起，Google Ad Manager、OpenX、AppNexus 等主流平台陆续完成切换。
这场变革带来一个直接后果：广告主出价多少，就要付多少。 为了避免“出价即成交价”导致的过度支付，DSP与广告平台开始引入一项新的智能竞价机制——Bid Shading（出价优化/竞价遮蔽）。
什么是Bid Shading？
Bid Shading是一种程序化广告竞价优化技术，属于出价策略优化的范畴，主要用于帮助广告买家在一价拍卖环境下降低实际支付成本。
在一价拍卖中，规则很简单：
你出价多少，最终就需要支付多少。
而Bid Shading的思路是：
基于历史数据分析，用机器学习算法预测广义第二价格，动态调整出价，使广告买家最终支付低于广义第一价格、但高于广义第二价格的金额，从而避免支付过高费用。
简单理解：Bid Shading就是帮你在一价拍卖里“省着点花”，但又不至于因为出太低而丢掉展示机会。
Bid Shading出现的原因
目前RTB主流的竞价策略有两种，但都存在一些问题：
| 竞价策略 | 优点 | 缺点 |
|---|---|---|
| 广义第一价格 | 效率高 | DSP支付金额太高 |
| 广义第二价格 | 支付金额低 | 效率低、规则复杂 |
在行业从广义第二价格转向广义第一价格的过程中，Bid Shading应运而生。它的目标是：平衡出价策略与实际支付金额，避免广告主出高价、花冤枉钱。
Bid Shading如何工作？
假设几个DSP的出价如下所示：
| DSP | 出价（单位：分/CPM） | 实际花费 |
| A | 1500 | 1500 |
| B | 800 | |
| C | 500 | |
| 低价 | 400 |
在广义第一价格下，DSP A胜出，实际花费1500。
如果采用Bid Shading，算法会根据历史数据预测第二高价（800），将A的出价动态调整到800到1500之间的某个值，例如900：
| DSP | 出价（单位：分/CPM） | Bid Shading实际花费 |
| A | 1500 | 900 |
| B | 800 | |
| C | 500 | |
| 低价 | 400 |
最终A的实际花费从1500降到900，大幅节省广告成本，同时仍然赢得展示机会。
Bid Shading的优缺点
优点：
- 节省广告成本： 在一价拍卖环境下显著降低实际支付金额，提高ROI
- 灵活的出价策略： 无需手动调整，系统根据市场动态自动优化
- 减少拍卖透明度不足的影响： 在拍卖透明度较低的市场中，帮助广告主避免过度出价
- 无缝整合： 大多数DSP（如Google Display & Video 360、The Trade Desk）和SSP（如PubMatic、Magnite）已支持Bid Shading，无需额外技术集成。
缺点：
- 算法依赖性： 效果高度依赖算法准确性。如果第二高价预测不准，可能导致支付过高或丢失展示机会
- 收费问题： 部分DSP或SSP会对Bid Shading收取额外费用，可能削弱成本节约效果
- 复杂性： 逻辑和算法对广告主不透明，难以完全理解其工作原理
- 市场波动影响： 在竞价波动剧烈的市场中，预测准确性可能下降
Bid Shading 的适用场景
Bid Shading 并非适用于所有广告，它在以下几类流量中特别有效：
- 一价拍卖的流量（目前 90%+ 的流量已转向一价拍卖）
- 新的流量源：价格不稳定时，Bid Shading 可降低试错成本
- 用户定位精准但价格昂贵的流量：优化出价，降低成本
- Open Auction 和 Header Bidding 中的竞价流量：除程序化保量（Programmatic Guaranteed）外的竞价场景
Bid Shading 不适用的情况
以下情形不建议使用 Bid Shading：
- 固定价格类广告：本身没有竞价空间
- 预算极度受限或窄定向的广告：优化空间有限
- 低价流量：本身出价已接近底价，优化价值不大
总结
Bid Shading 是一价拍卖时代的产物。它用算法在“赢得展示”和“控制成本”之间寻找平衡点，让广告主不必为胜利付出过高代价。
但它不是万能药。是否启用、在哪些流量上启用、如何评估效果，仍然需要广告运营人员结合自身投放目标和数据表现来判断。