PlatformBid: 통합 광고 플랫폼 관점에서 바라본 자동 입찰 벤치마크

PlatformBid: An Auto-Bidding Benchmark from a Unified Advertising Platform's Perspective

실시간 입찰은 계산 광고의 핵심 요소이며, 공급측 플랫폼(SSP)이 광고 노출을 판매하고, 수요측 플랫폼(DSP)이 광고주를 위해 입찰하며, 광고 거래소(Ad Exchange)가 이들 간의 경매를 진행하는 세 가지 요소로 구성됩니다. 기존 자동 입찰 알고리즘은 주로 DSP 측면에 초점을 맞춰 경쟁사 대비 광고주의 전환율을 극대화하도록 설계되었습니다. 그러나 현재 소셜 미디어 및 전자 상거래 회사와 같은 대규모 광고 플랫폼들은 SSP, DSP, 그리고 광고 거래소 기능을 내부적으로 통합하고 있습니다. 이러한 광고 플랫폼의 관점에서, 자동 입찰 알고리즘의 목표는 광고주의 전환율을 극대화하는 것뿐만 아니라, 플랫폼 전체의 총 수익을 증대하는 것입니다. 이러한 플랫폼 중심적인 평가 프레임워크의 부족과 자동 입찰 연구 발전에 대한 요구를 충족하기 위해, 우리는 통합 광고 플랫폼 관점에서 설계된 최초의 종합 벤치마크인 PlatformBid를 제안합니다. 실제 자동 입찰 시나리오를 정확하게 반영하기 위해, 우리는 세 가지 대표적인 환경을 정의했습니다: (1) 동일한 알고리즘을 사용하는 모든 광고주 간의 균일한 경쟁, (2) 다양한 알고리즘 전략을 사용하는 광고주 간의 이질적인 경쟁, 그리고 (3) 블랙프라이데이와 같은 프로모션 기간 동안 일부 광고주가 판매 증진을 위해 예산을 늘리는 프로모션 경쟁. 우리는 기존의 다양한 자동 입찰 방법들을 이러한 환경에서 체계적으로 평가했습니다. 여기에는 전통적인 제어 방법, 강화 학습 기반 방법 및 최근 생성적 방법이 포함됩니다. 또한, 우리는 흐름 일치(flow-matching) 방법을 활용하여 동적인 경쟁 환경에 효과적으로 대응할 수 있는 새로운 자동 입찰 방법인 BidFlow를 제안합니다. 콰이쇼우(Kuaishou)에서의 온라인 실험 결과, 목표 비용 측면에서 +0.68%의 성능 향상이 확인되었으며, 이는 PlatformBid의 오프라인-온라인 일관성을 뒷받침하는 증거입니다.

Real-time bidding is central to computational advertising, comprising three elements: Supply Side Platform (SSP) selling ad impressions, Demand Side Platform (DSP) bidding for advertisers, and Ad Exchange conducting auctions between them. Traditional auto-bidding algorithms focus solely on the DSP side, maximizing advertiser conversions by adjusting bids against competitors. However, current big ad platforms, such as social media and e-commerce companies, now integrate SSP, DSP, and Ad Exchange functions internally. From such ad platforms' perspective, the goal of the auto-bidding algorithms is not only to maximize the advertisers' conversions, but also the total revenue of the platform. Given the lack of platform-centric evaluation frameworks and the pressing need to advance auto-bidding research, we propose PlatformBid - the first comprehensive benchmark designed from a unified ad platform's perspective. To accurately reflect the real-world auto-bidding scenarios, we define three representative settings: (1) homogeneous competition with identical algorithms across advertisers, (2) heterogeneous competition with diverse algorithmic strategies, and (3) promotional competition where some advertisers surge budgets for boosting sales during promotional events like Black Friday. We systematically evaluate a broad spectrum of existing auto-bidding methods across these settings, encompassing classical control methods, RL-based methods, and recent generative methods. Besides these methods, we further propose a novel auto-bidding method based on flow-matching, termed BidFlow, which leverages the flow-matching method's expressive policy representation to effectively handle dynamic competitive environments. Online experiments on Kuaishou further show a +0.68\% improvement in target cost, providing deployment evidence for the offline-online consistency of PlatformBid.