标准回答
问题背景：传统 CPC 让广告主对「点击」出价，但广告主真正要的是「转化」（下单/注册）。智能出价把出价决策交给模型，按转化目标自动定价。
OCPC（Optimized Cost Per Click）原理：
- 广告主设定目标转化成本 tCPA。
- 系统用 CVR 预估模型估计每次曝光的转化概率 pCVR，反算点击出价
bid = tCPA × pCVR，再按eCPM = bid × pCTR × 1000参与排序。 - 即「高转化概率的流量多出价、低的少出价」，把预算导向高转化人群。
OCPB / 双出价：直接对深层转化（如付费）优化，常分浅层（点击/激活）+ 深层（付费）两段预估联合建模。
成本控制：单靠预估会有偏差，叠加一个反馈控制器（PID 或对偶变量 λ）实时监测实际成本与 tCPA 的偏差，动态缩放出价系数，使整体成本收敛到目标。
核心是 ML：效果完全取决于 pCTR / pCVR 预估的准确性与校准（calibration），这是广告算法岗的核心建模工作。
常见误区
⚠️ 常见踩坑
把智能出价当成纯规则/控制问题——它的地基是 CTR/CVR 预估模型，预估不准则出价全错；忽略概率校准（pCVR 偏高会系统性超成本）。
追问
追问 1：为什么 CVR 预估比 CTR 预估更难？
CVR 正样本更稀疏（转化远少于点击）、转化回流有延迟（标签当下不可得）、且存在样本选择偏差（CVR 只在「被点击」的样本上观测，与全体曝光分布不同），需要做延迟反馈建模与 selection bias 校正。
追问 2：智能出价为什么强调概率校准（calibration）？
出价直接乘以 pCVR，所以需要的是「准确的绝对概率」而非仅排序正确。若 pCVR 系统性偏高，出价整体偏高、成本超 tCPA；偏低则拿不到量。常用 Platt scaling / 等距回归 / 校准层，并监控 PCOC（预估转化/实际转化）。
追问 3：广告主刚开计划没有转化数据，冷启动怎么办？
用相似计划/行业先验初始化、迁移已有模型、放宽探索（提高出价或扩量）积累转化样本，配合 Look-alike 找种子人群，待转化数足够再收敛到精准出价。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。