PLTV和事件優化有什么不同嗎

如題，最近谷歌培訓上有提到預測付費事件的技術，意味著廣告平臺走入PLTV階段也成為現實可行的了，和朋友聊到這個和事件優化的區別，請注意以下是個人的理解和思考，不代表官方技術介紹，不保證想法完全無誤。

我們先我們先捋一捋基礎知識，關于1.0，2.0和2.5在優化邏輯上的區別。

1.0希望實現的目標是安裝，在設置好合理的安裝事件后，安裝事件將會作為唯一事件目標進行出價和學習，競價系統在這種狀態下對于廣告主出價的目標是單一的且不需要參考產品內安裝行為以外任何因素的。

而2.0的出價目標雖然是安裝，但是會讓你選擇獲取到更多的事件信號，獲取到的事件信號用來輔助篩選安裝目標，多了一步對安裝用戶發生某事件的概率分析，對于更加可能實現目標的安裝用戶會優先進行展示。

2.5優化的是付費事件不是安裝，純安裝的廣告會對安裝事件進行算法分析，2.5的出價和優化都是事件。這時候廣告的學習系統脫離了廣告主對純安裝的要求，會直接對事件層級進行算法分析（例如回歸算法，概率算法等處理）。基礎競價也會隨著事件學習難度和不同事件的轉化頻率發生變化。這里就會有我們經常遇到的安裝目標廣告階段沒有遇到的一個常見問題即系列學習不成功的情況，并不是說谷歌隨機讓它學習不成功的，而是每個產品的內部轉化效率不同，大多數情況下是這個事件學習的基礎門檻和不同事件的轉化頻率的問題導致的。

如果只是要安裝，谷歌對用戶的學習要求是首次打開就可以，不需要對應用內事件進行過多處理，但變為了事件目標以后，產品內事件的種類和頻率會影響事件觸發的次數；通常一個系列的學習，都是給的事件信號越多越容易學習成功，當事件難度過大或者發生次數太少，回傳的信號本來就不多，事件學習自然無法成功。理解了這種類型的優化本質，再對2.5系列進行細節分析處理能有效避免學習失敗。

不恰當的例子就是，1.0是兩個人一對一的相親面談，看中就能在一起；2.0是帶了一個小參謀去相親，參謀會給你意見會偷偷給你發信號，但是你兩能不能行還看兩人自己；2.5就相當于爸媽帶著子女去相親，爸媽幫忙選的人，你看中了還需要爸媽也同樣看得順眼，這是硬性要求，看不順眼也會影響后續的家庭相處，如果有個難搞定的父母，有成果的概率自然會比親和的父母要低一些。

扯遠了，話題拎回來，總之，2.5和1.0的最明顯的區別則是谷歌系統在競價和學習時的目標是安裝事件還是比安裝更深的應用內事件。而2.0更像是介于2.5和1.0之間進階事件學習的初期版本，競價目標和學習上會有一點點的不同，當然并不是說2.0沒有用處，對于有些類型產品還是非常適合的，這里就不多做展開。

以上都是舊知識，也是廣告從安裝優化轉到應用內事件優化的系統學習邏輯轉變，如今到預測生命周期（PLTV）預測事件環節，我的理解是，上面的相親故事中除了父母看對眼之外還直接帶了一個非常厲害的算命先生，通過相親面談告訴你如果和這個人在一起是否會幸福有結果，結果好的就更容易在一起。

預測事件模型的算法邏輯是運用GA4F的數據來訓練付費用戶模型，除了對安裝和事件進行學習處理，還會對產品內未來發生這個事件的概率進行預測競價。在競價中是否對用戶行為具有預測性這一點也是區別于事件優化的地方。

具體的預測方法推測是利用收集到的付費事件和付費金額去預測之后的可能帶來的價值，比如說拿到前面幾天的用戶付費數據，去預測之后的ROAS 7（官方目前有講是預測到7，后面可能會更久也說不定），并對用戶所對應的生命周期價值進行分層，對于和預測數據中比較高價值的那批用戶進行優先展示和數據學習。

我覺得PLTV和3.0都是直接做付費優化，PLTV這個產品功能的區別在于預測性：3.0對用戶的付費事件進行了概率和模擬分析，從而影響到競價，而PLTV不僅僅是對受眾和事件的分析，還會結合應用內用戶行為對未來幾天的付費也進行了模型訓練和算法分析。預測事件可以同時運用在2.5和3.0的優化上。

目前個人嘗試只是接通了數據和創建并對接成功預測事件，具體作用到Campaign的效果還在學習和觀察中，歡迎更多的小伙伴嘗試并討論。

現在大數據學習預測這類技術已經有相對成熟的工具或者算法，而谷歌能將這一算法用于廣告學習上，從我這個沒有接觸過技術專業的人來講，感覺已經是一個不小的突破和創新了，這也是我個人比較喜歡研究谷歌投放的原因，至少從廣告層面來說，能一直看到新的東西新的技術，能更好的對自己的廣告數據負責，而且受眾看到的廣告精準度更高，用戶的感受也會更好，是一個創造雙贏局面的互聯網廣告發展方向。

下拉推薦菜單可查看更多精彩內容↓