对于产品来说，实现商业模式的闭环与盈利是支撑产品活下去的关键步骤。而广告变现就是实现产品收入的一项重要方式，那么在广告变现上，我们如何达到最大收益呢？又该如何有效监控，并对问题行为做出改进呢？
对于大部分移动互联网公司来说，广告变现是产品收入的重要构成部分，因此，广告变现效率对于公司来说就尤为重要。
但是，在广告实践过程中，我们往往会遇到一些问题，比如广告的填充不够、eCPM太低，该展示的广告没有展示出来，又或者广告位选择不合理导致用户负面反馈变多，这些种种问题都会影响我们的广告变现效率。
接下来，我们将会从整体产品变现和具体广告位优化两个层面分别介绍如何提升我们产品的变现效率。
Part I 广告黄金公式
我们先从宏观上看产品的广告收入是如何计算的，下面是移动产品广告变现的黄金公式：
广告收入 = 活跃用户数 * 商业流量比例 * 人均广告展示数 * 广告点击率 * 单次点击广告价格
（Ad Revenue = DAU * MTR * AvgAdImps * CTR * AdPrice）
每一个从事广告变现的人，都应该理解该黄金公式中每一项的意义，并知道如何针对具体的因子去优化和提升。
活跃用户数（DAU）：产品每天至少使用产品一次的用户数；
商业流量比例（MTR）：活跃用户中进入广告场景的用户占比，即有可能看到广告的用户比例；
人均广告展示数（AvgAdImps）：能够看到广告的用户每天平均能看到的广告次数；
广告点击率（CTR）：实际点击广告的次数在整体广告展示次数中的占比，即广告点击率 = 广告点击次数 / 广告展示次数；
单次点击广告价格（AdPrice）：每一次广告点击广告平台愿意支付给我们的价格；
首先，我们应该如何优化商业流量比例？并且如何确定合适的广告展示次数？
在提升商业流量这件事上，不少开发者都直接选择尽可能多地开辟广告位，期望以量取胜。但是为了平衡用户体验，不建议我们在产品里添加过多的广告，因为这样很可能会降低用户留存，从而影响用户生命周期价值（LTV）。
其实，商业流量不在乎数量而在乎质量，我们需要在产品里选择合适的场景添加广告位，北京三环的小一居也贵过7、8线城市的大平层。应该怎么在产品中选取合适的广告位呢？可以参考《广告场景选取三要素》。
一般我们会把这CTR和AdPrice这两个指标统一起来看，也就是我们常说的千次展示收入（eCPM）。
那么，eCPM应当如何优化？也就是如何获得合理的CTR和更高的AdPrice?
这里的关键在于选取主流的、大型的广告平台合作，比如海外市场选择Admob、Facebook Audience Network，国内的广点通、百度、穿山甲，因为他们往往拥有更多的广告主，而且他们一般都处于整个生态的上游，拿到广告的单价也会较高；同时，他们有着更强大的技术和算法能力，可以根据我们的用户偏好推荐给用户更加合适的广告，从而提升广告的CTR和最终的转化效果。
Part II 广告漏斗模型
现在，我们将目光转移到更加微观的层面，来看具体每一个广告位的变现效率的影响因素有哪些，并且试图找到针对这些影响因素的优化之道。
我们先看下面这个广告漏斗，将广告从请求到转化自上而下分成五层，漏斗旁边标注着层级之间需要关注的指标。
作为一名商业化产品经理，特别是从事广告变现相关工作的时候，我们尤其需要明确这四个指标（广告填充率、广告展示率、广告点击率、广告转化率）的意义、如何计算、可能的影响因素以及对应的优化方案。
1. 广告填充率（Fill Rate）
广告填充率，指的是从发起广告请求到实际有广告填充的比例，即广告填充率 = 广告填充数 / 广告请求数。
广告填充率理想情况当然是达到100%，但是实际上几乎没有可能，主要是因为以下两个原因：
广告平台暂时没有匹配当前用户的广告资源。比如，该地区当前没有可用的广告主，该用户不是已有广告主的目标用户，甚至还有可能广告平台出现服务故障这种小概率事件；
网络原因导致广告没有正常返回。比如，部分地区或者情境下由于用户的网络不佳，广告资源不能在规定的时间内返回给客户端，从而表现出无广告填充。
对于第一种原因，我们可以通过广告瀑布流的办法解决，这是当前最主流的一种广告聚合方式，基本逻辑是先请求A广告平台的广告，如果A没有返回广告，则请求B广告平台，依次类推，直到有广告返回或者所有层级的广告平台都已经遍历结束。
而第二种网络原因，由于用户实际环境对于我们来说不可控而且不确定，因此为降低这种情况带来的广告填充损耗，我们建议在产品客户端提前缓存好广告，特别是对于那些广告展示概率比较大的广告位。
广告展示率指的是实际展示出的广告占所有填充返回广告的比例（广告展示率 = 广告展示数 / 广告填充数）。这个指标是所有指标里我们主动权最大的一个，同时也对我们的收入提升十分关键，因此我们需要尽可能提升广告展示率。理论上，广告展示率也应该尽量接近100%。
要想弄明白展示率的优化策略，就必须明白广告不展示的背后到底是发生了什么。
我们先看下面两个时间轴，上面的时间轴是从广告开始请求到广告结束展示（结束展示的原因可能是用户点击广告、关闭广告，或者用户选择离开展示该广告的页面），下面的时间轴是从用户进入当前页面到离开页面。
从上面两个时间轴上，我们可以分析出，要想广告能够顺利展示出来，就需要满足以下的条件：D1 > T1 + T2（考虑到广告的有效展示，一般我们还需要额外增加1s），即用户页面停留时长必须要大于广告从请求到资源加载总共耗费的准备时间。
建议我们在产品里加入这些对应的埋点，这样可以帮助我们精确定位广告展示率未达预期的原因。
1. 缩短广告准备时间T1+T2
实际上，我们没有办法控制网络请求耗时以及服务器处理请求的时间，但是，我们可以把这里的T1和T2变成负数，也就是提前请求广告并缓存。
在前面广告填充率优化时，也提到了这一策略，如果条件允许，我们可以尽量提前高频广告位的广告请求时间。
要注意的是，如果我们提前缓存广告，广告展示率因为缓存的广告不一定能得到充足的消耗反而会降低，但是实际广告展示数却能提升上去，这样我们的目的也达成了。
2. 延长页面停留时长D1
也就是尽量提升用户在当前页面的停留时长，最关键的就在于当前页面要对用户有价值，比如有吸引用户的内容；当然，我们还可以通过一些小技巧来提升页面停留时长，比如在广告加载过程中，加入等待动效，转移用户的注意力。
如果使用了瀑布流的方式，那么广告的填充时间和资源加载时间就会更长，我们也需要将这些对应的时长计算进去。
三、广告点击率（CTR）与广告转化率（Conversion Rate）
广告点击率，顾名思义，就是用户点击广告的比例，广告点击率 = 广告点击数 / 广告展示数。而广告转化率是指点击广告的用户最终完成广告转化（比如购买广告上推荐的商品，安装广告上推荐的App等）的比例。
这两者对于我们来说，正常情况下是不可控的，尤其是广告转化率，此时用户已经跳出我们的产品，后续的转化行为取决于广告内容对于用户的吸引力。
我们可以优化的是提升用户对于广告的关注度，但是不建议通过“聪明地”设计广告位来误导用户点击，因为这种情况带来的CTR上升，并没有为广告主创造真正的价值，因此并不能长期为我们带来广告收益。
接下来，我们来看一下广告优化的例子，希望通过这个例子提升我们对于广告位优化的感觉。
假设我们的新闻资讯App已经对接一家广告平台，App中的三个广告位近期表现平稳，我们选取其中一天数据如下：
基于以上数据，我们可以尝试给出以下优化建议：
目前的广告平台填充率只能到90%左右，仍然有提升的空间，建议再找一到两家广告平台进行聚合，提升广告填充到98%以上；
广告位二在一个二级页面上，目前广告展示率目前比较低，可以在用户刚进入App的时候提前缓存广告提高实际广告展示数，同时也可以尝试提升用户在该页面的停留时长；广告位一的展示率也可以根据实际埋点数据尝试优化提升；
广告位三入口较深，无论是广告请求量级还是广告展示率、广告点击率都比较差，如果我们通过分析数据发现这个地方没有优化空间，比如场景PV无法大幅提升，用户停留时长短，同时广告收益又非常低，那么建议可以移除该广告位。
最后，讨论一个问题，我们优化到什么时候就可以停下了呢？
这个没有统一答案，商业化策略推进的唯一标准就是投入产出比，如果发现我们策略验证成本已经提升较多，但是广告收益并没有实质性的提高，那么建议可以先停下来。
在实际广告的实践中，一定要记得完善广告行为的相关埋点，建立对各广告场景全面的数据监控。只有不断收集和分析广告数据，并且持续将目标聚焦在这些广告的关键指标上，才有机会一直将广告的变现效率优化到更高水平。
