广告库存预估：行业到底怎样预测未来流量？

合约广告最怕的，不是广告投不出去，而是销售承诺了一个未来无法交付的数字。

库存预估要回答的是：未来某个广告位、某类目标人群有多少曝光可以售卖？行业内部常把1000次曝光简称为“1个CPM”。

一、从流量规模推导可售库存

最粗的估算是：

毛库存 = 预测DAU × 人均广告展示次数

例如某App明天有100万DAU，平均每人产生3次开屏机会，理论上就是300万个曝光，也就是3000个CPM。

但用户打开App，不一定触发目标广告位；触发了，也不一定满足订单的地域、设备和人群要求；满足定向，还可能被频控拦截或已被其他订单占用。因此最终可售量更接近：

可售库存 = 预测广告机会 × 定向资格率 × 频控通过率 − 已承诺库存 − 风险预留

不同条件之间还存在相关性。“北京用户”“iOS用户”和“电视剧频道观众”的交集，应通过联合分布或真实请求样本估算，而不是把各自占比直接相乘。

二、行业常见的库存预测方法

没有一种模型适合所有媒体和广告位。常见方法大致可以分成五类。

1. 规则基线

使用昨天、上周同一天、最近四周均值或去年同期预测。它实现简单、稳定、容易解释，也是判断复杂模型是否真的有效的重要基准。流量很稳定的小型媒体，规则模型可能已经够用。

2. 经典时间序列模型

ARIMA、SARIMA、ETS和Prophet适合趋势、周期较稳定的序列。Prophet擅长拆解趋势、周期和节假日效应，可预测DAU、播放量和广告请求总量。

它将时间序列表示为趋势项、季节项、节假日项和随机误差的组合：y(t)=g(t)+s(t)+h(t)+εt。趋势项通过变点适应增长速度变化，季节项用傅里叶级数描述周、月或年度周期，节假日项则把春节、国庆等特殊日期单独建模，最后将各部分相加得到预测结果。

实际建模时还可设置节前、节后窗口。但无论Prophet还是ARIMA，都很难凭历史趋势提前知道App改版、热门内容爆发或广告位规则变化，需要加入版本、活动和内容排期等外部信息。

3. 机器学习模型

LightGBM、XGBoost可以使用日期、版本、活动、内容热度等特征，适合影响因素较多的场景，但需要维护特征并另行校准预测区间。

4. 分层预测

媒体库存天然存在层级：全国—省份—城市，平台—频道—广告位。可以分别预测各层，再进行一致性校准，保证城市加总等于省份、省份加总等于全国。它比为所有维度组合单独训练模型更稳定。

5. 请求采样与流量重放

复杂询量通常不是单一序列，而是“北京、iOS、电视剧频道、某人群包”的交叉条件。行业常保留历史广告请求样本，再根据未来总量对样本重加权。询量时直接过滤样本，可以保留地域、设备和人群之间的真实相关性。

腾讯公开的请求级保证式广告规划系统就强调，精细定向需要从用户级进一步走向请求级预测；阿里在KDD 2023发表的研究则进一步把库存预测和后续商业目标联合优化。这说明大型平台关注的不只是总体误差，而是预测结果能否支撑真实询量。

三、组合式预测形成最终可售量

实践中更稳妥的方案通常是：先预测“日期×小时×广告位”的总量，再用分层结构或请求样本处理定向交集，最后根据预测风险得到可承诺量。

模型效果应按照真实销售提前期进行滚动回测。如果销售提前14天询量，就模拟历史上的每个询量日，只使用当时已有的数据预测14天后。

除了WAPE、MAE等总体误差，还要看Bias和区间覆盖率。长期高估5%的模型会持续推动超卖，即使平均误差不算高。

销售需要的也不是一个最可能的点预测，而是在可接受风险下能承诺多少：

可承诺库存 = 校准后的预测下分位数 × 安全系数 − 已承诺库存

宽定向、短提前期的库存可以积极一些；强定向、长提前期、难以补量的库存应更保守。

结语

广告库存预估不是一道“选Prophet还是选XGBoost”的模型题，而是一套从总量到定向、从点预测到风险承诺的工程系统。

小型平台可以从规则基线和Prophet起步；影响因素较多时引入机器学习；库存层级复杂时使用分层预测；面对精细定向时依靠请求采样和流量重放。最终用滚动回测与安全库存把预测结果变成真正敢卖的数量。