AMZ
用户中心
账号与合规

广告预算不是平均分：论文里的分层控制

摘要：看懂 order 和 line 的预算协同 很多卖家遇到的广告难题，不是“一个广告活动要不要加预算”，而是更复杂的一类问题： 一个总预算下面，有多个广告组、多个 ASIN、多个关键词池或多个受众。每一条线都说自己要预算，但账户总预算、库存、毛利和风险红线又不允许所有线同时放量。 这时候，平均…

公众号文章库2026/7/310 分钟阅读

广告预算不是平均分：论文里的分层控制

摘要：看懂 order 和 line 的预算协同

很多卖家遇到的广告难题，不是“一个广告活动要不要加预算”，而是更复杂的一类问题：

一个总预算下面，有多个广告组、多个 ASIN、多个关键词池或多个受众。每一条线都说自己要预算，但账户总预算、库存、毛利和风险红线又不允许所有线同时放量。

这时候，平均分预算通常是最差的办法。强势产品可能被饿着，弱势产品可能继续烧钱；总预算看似用完了，真正有价值的流量反而没吃到。

第 23 篇论文《Feedback-control based Hierarchical Multi-constraint Ad Campaign Optimization》讨论的正是这个问题。论文研究在线广告里的 order 和 line：一个 order 可以包含多条 line，约束既可以压在 order 全局，也可以压在每条 line 局部。

它给卖家的启发是：多广告线投放，不是简单分账，而是分层控制。全局有总刹车，局部有自己的刹车，预算要能在 line 之间移动。

封面

1. Order 和 Line 是什么

论文里的 order，可以理解成一个广告订单或总活动；line 是 order 下面的多条广告线。不同 line 可能对应不同受众、创意或投放目标。

这和 Amazon 卖家后台不是一一对应关系，但很适合拿来类比：一个账户或 portfolio 下面有多个 campaign，一个 campaign 下面有多个 ad group、ASIN、关键词池或投放策略。

Order 级约束是全局红线，比如总预算。Line 级约束是局部红线，比如某条线自己的预算、CPC/eCPX 目标、事件率目标。

问题在于，这些约束会互相影响。

order 和 line 分层

2. 为什么多 Line 预算不能平均分

论文开篇说得很直接：line budgets 的总和可能超过 order budget，不同 line 的 cost per click 约束也可能不同。于是就出现了 cross-line budget optimization。

翻译成卖家语言：每个广告组都填了预算，不代表它们都应该花满。

如果所有 line 预算相加大于总预算，系统必须决定谁少花一点；如果所有 line 预算相加小于总预算，那总预算本来就不可能花满；如果刚好相等，就几乎没有跨线挪预算的空间。

这就是为什么多广告组投放不能只看“每个广告组的预算是否用完”。你更应该问：当前真正绑定的约束是谁？是总预算、局部预算、CPC、转化率，还是流量供给？

跨 line 预算关系

3. 论文怎么把问题拆开

最朴素的做法，是建立一个超级大的中央优化器：把所有展示机会、所有 line、所有约束、所有出价一起算。

论文指出这很难，因为问题极高维。一次广告活动面对的是海量 impression opportunity；每一次展示的价值、获胜价格、事件率都要预测，而且很多信息事前并不知道。

论文的贡献，是推导出一类受约束优化问题的最优出价必要条件，并说明这个出价策略可以拆成 order 和 line 上的 scalable non-cooperating agents。

“非协作”听起来像互不沟通，但这里的意思不是各干各的，而是每个子系统只解决自己该解决的子问题：全局控制器看全局反馈，line 控制器看 line 反馈，价值模型预测 impression 价值，bid shading 模块处理拍卖环境。

四类子系统

4. 四类子系统分别做什么

第一类是 impression valuation。它用历史 impression 数据、上下文和最终价值标签训练模型，预测一个展示机会的价值和事件率。卖家可以类比为：系统判断这个点击、展示、受众、关键词或 ASIN 是否值得出价。

第二类是 order controller。它吃 order 级约束和全局反馈，例如总花费、总事件数，目标是让全局拉格朗日乘子收敛到合适值。论文用一个很形象的解释：λ 可以看成 brake pedals，也就是刹车踏板。

第三类是 line controller。它类似 order controller，但只看自己这条 line 的约束和反馈。关键是，line 的刹车不能比 order 的刹车更轻。全局红线触发后，局部不能绕开。

第四类是 bid shading optimization。它结合调整后的 impression value 和历史竞价信息，计算最终 bid price。

这套拆法的运营价值很明确：不要让每个广告组都尝试解决整个账户优化问题，也不要让全局规则粗暴覆盖所有局部差异。

5. λ 是广告系统的“刹车踏板”

论文里最适合卖家理解的概念，是 λ。

如果某个约束被违反，对应的 λ 通常要增加；如果某个约束没有绑定且 λ 大于 0，它就应该下降。直观解释就是：超预算、CPC 过高、事件率不达标，就要加重刹车；约束没那么紧，就可以松一点。

更重要的是 line 和 order 的关系。

Line controller 的 λ 受到 order controller 的下界约束。卖家语言就是：如果账户或活动层面的总预算、毛利、库存红线已经触发，单个广告组不能为了抢量而踩更轻的刹车。

刹车踏板

6. 12 天 toy example 讲了什么

论文用一个 toy example 说明分层控制怎么工作。作者也明确说，这个例子不是全面评估，也不是为了特别真实，而是为了说明机制。

例子里有一个 order，下面三条 line。目标是最大化 campaign aggregate total value，也就是整个活动带来的总广告价值。Order 和三条 line 都有日预算约束。

活动持续 12 天，被分成四个阶段：

第一阶段，order 日预算 70，三条 line 合计预算 85。line 合计超过 order，至少有一条 line 不能花满。论文结果里，Line 1 没有花满，order 级控制信号 λ0 收敛到正数，用来阻止全局超支。

第二阶段，order 日预算 60，三条 line 合计刚好 60。跨 line 优化空间基本没有，各 line controller 可以让自己的预算花满，order 预算也花满。

第三阶段，order 日预算 100，三条 line 合计只有 40。line 自己花满后，order 预算仍然用不完，所以全局会留下预算。

第四阶段，order 日预算 50，三条 line 合计 80。line 合计超过 order，且没有 line 能花满自己的预算，因此三条 line 的控制信号会和 order 控制信号一致，order 级 λ0 收敛到正数。

12 天示例

7. 这对卖家有什么直接启发

第一，账户级预算要先于广告组级预算。

如果你给每个广告组都设置很高预算，但账户总毛利、库存、现金流不允许，总系统必须有一个 order 级刹车。否则局部广告组看起来都在追求增长，合起来就是账户风险。

第二，不同广告线应该有不同约束。

新品、利润款、清库存款、品牌防守词、竞品词，不应该用同一套 ACOS 和预算逻辑。它们是不同 line，约束可以不同。

第三，复盘时先判断哪个约束在绑定。

一个广告组没花出去，可能不是预算太低，而是流量供给不够、出价竞争不过、转化反馈差、或者被全局预算红线压住。没判断绑定约束就加预算，容易无效。

第四，预算要能跨线移动。

如果某条 line 预算花不出去，或者低质量消耗太多，就应该把预算向更高价值、仍有流量空间的 line 转移。平均分预算是方便管理，不是最优投放。

第五，自动化要分层。

不要只写一个“ACOS 高就降预算”的粗规则。更稳的做法是：先有账户级/组合级总护栏，再有广告组/ASIN/关键词池的局部反馈规则，最后记录每个动作触发时是哪个约束在起作用。

卖家分层广告 SOP

8. 不要误读这篇论文

第一，它不是 Amazon Ads 后台广告组预算分配公式。论文讨论的是 programmatic advertising / DSP 语境下的实时竞价和受约束优化。

第二，论文推导的是必要条件和可扩展架构，不等于给卖家一个可以直接照抄的调预算公式。

第三，示例是 toy example。作者明确说它不是全面评估，也不是特别真实的真实账户建模。

第四，这套架构假设 impression valuation 和 bid shading 等模块已经可用。卖家在后台手动运营时，无法直接获得论文里的全部底层信号，但可以借用它的分层控制思想。

结论

多广告组预算的核心，不是“每条线给多少钱”，而是“哪个约束在真正起作用”。

这篇论文给我们的运营框架很清楚：

全局约束先管风险，局部约束再管效率；预算不是平均分，而是在多条 line 之间按反馈和约束移动。

卖家如果能把广告活动看成 order 和 line 的分层系统，就不会再被单个广告组的花费率、单日 ACOS 或单条关键词的订单数牵着走。你会开始问更关键的问题：这条线该不该继续加速？如果加速，会不会撞到全局刹车？

资料来源