DSP получает bid stream, оценивает глубину аукциона, конкуренцию по supply path и вероятность, что можно выиграть дешевле своего потолка. Дальше bid request проходит через модель: входы — geo, device, placement, user segment, floor, timeout, historical win rate; выход — shaded bid, обычно ниже исходного max bid.
Технически shading держится на трёх слоях:
— calibration: модель учится на win notice / loss notice и post-auction reconciliation;
— guardrails: не шадить below floor, below pCTR/pCVR threshold, ниже нужного viewability band;
— segmentation: разные коэффициенты для open auction, PMP, curated deals и long-tail supply.
Главный риск — переобучение на неполный bid stream. Если DSP видит только выигрыши, а лоссы размечены шумно, shading начинает «съедать» инвентарь там, где аукцион и так тонкий. Поэтому в нормальной схеме отдельно контролируют bid landscape, timeout drop-off и mismatch между bid response и impression-level logs.
Проверка простая: если after-shading растёт win rate, но падает spend efficiency на качественном supply, значит модель режет слишком агрессивно. Смотрите не только CPM, а связку win rate, cleared CPM и downstream CPA/ROAS.
Хороший shading экономит переплату. Плохой — превращает DSP в систему, которая стабильно недобирает инвентарь.
Аудит репутации бренда: чек-листы и разборы
@brand_audit
Bid shading в DSP — это не магия, а пересчёт вероятности выигрыша под реальный clearing price
Этот пост опубликован в Telegram-канале Аудит репутации бренда: чек-листы и разборы (@brand_audit). Все его публикации — на странице канала.
Открыть в Telegram