眾所周知，OCPC作為實時競價系統，很大程度上依賴於歷史轉化資料的規模。 轉化資料稀疏，系統無法準確估計流量的轉化價值，難以實現穩定投放。
因此，對於放置OCPC的廣告主來說，無論是降低成本還是提高穩定性，數量都是任何操作的前提。
OCPC是如何開始的？ 以下是幫助您解決交付挑戰的幾種方法。
OCPC程式處於學習期，如何啟動卷
如果建立OCPC方案，系統將進入模型學習期，廣告效果可能會略有波動。
建議廣告主耐心觀察，不要衡量這段時間的投放效果，也不要頻繁調整投放包，這樣才能保證系統能夠獲得一致的使用者轉化行為，盡快通過學習期。
如果打算在學習期間開始，建議先注意基本設定
出價是否合理
出價過低，出價至少3-5元。 建議根據市場平均成本將OCPC出價設定為最高，然後在後期根據表現進行調整。 關鍵詞數量是否足夠
增加賬號中活躍關鍵詞的數量，流量大的關鍵詞盡可能廣泛，精簡方案級和單元級否定詞。 方向是否太窄
放寬發射時間和區域，給模型更廣闊的擴充套件空間，然後在後期根據效果進行調整和縮小。 在OCPC投放中，擁有充足的流量非常重要**。 系統會挑選流量，並自動刪除轉化預期低的流量，幫助您爭奪最合適的客戶。 如果您發現方案的基本設定不正確，建議廣告主刪除原方案並重新建立方案。 如果修改了處於學習期的方案，系統將無法獲得一致的使用者轉化行為，賬號執行困難。 “學習成功”OCPC計畫，如何開始
如果OCPC計畫已成功通過學習期，但仍然沒有卷。 我們建議您檢查以下兩個指標：
1. 優化中心
優化中心將全面分析賬戶內所有方案的物料情況和交付績效，找出改進點，並估計採用效果。 我們鼓勵廣告主每天檢視優化中心的建議，並以集中的方式應用這些建議。
如果有“新增廣告素材獲取更多流量”和“調整競價”等優化建議，則證明現有廣告素材與使用者的搜尋興趣之間存在差距，目標轉化競價低於平均水平。
2. 我的競爭力
廣告商可以通過搜尋和促銷 - 帳戶概覽檢視我的競爭力。
我的競爭力提供賬戶的整體競爭力分析和風險點預警，幫助廣告主了解廣告賬戶，快速調整廣告策略，優化廣告效果。
該指標需要注意6個指標，3個星級，2個風險點。 當廣告主的賬號處於1星或2星時，就意味著廣告競爭力的廣告展示次數不是最優的，需要不斷優化。
建議廣告主重點關注六大指標中低於行業平均水平的指標，並有針對性地進行優化“有展示次數的關鍵字數量”低於平均水平：
檢查賬號是否存在出價過低、匹配過高、字詞冷門等問題，新增新的關鍵詞來豐富定位。
“轉化出價”低於平均水平
建議您將轉化出價提高乙個低於平均值的百分比，以提高您的競爭力。 例如，如果它比平均水平低 10%，則出價將增加 10%。
轉化率低於平均水平
根據使用者的搜尋興趣和意向優化創意和落地頁面，同時適當發布否定詞，擴大系統內流量探索的範圍。
“展示的廣告素材”或“點選率”低於平均水平：
最好移除過去一到三個月內點選率較低的廣告素材，並優化廣告素材樣式和廣告素材萬用字元，以新增更多與使用者搜尋興趣相關的廣告素材。
如果賬號存在“預算過低”、“購買字數無關緊要”等兩大風險點，建議廣告主盡快優化賬號預算，及時修改賬號預算，並刪除與業務無關的關鍵詞，以免效果損失。 
當我的競爭力達到3星時，廣告展示次數更好，高於行業平均水平，除了高成本、高競爭的行業，賬號基本可以增加。 高成本、高競爭的行業計畫，如何啟動量產
在競爭激烈的市場中，對手眾多，出價高，這類賬戶想要跑量，建議在上述優化的基礎上疊加以下3個方向：
1.智慧型關鍵詞匹配
我們鼓勵廣告客戶手動圈出核心詞，然後選擇智慧型匹配。 搜尋字詞流量中包含核心詞或同義詞變體，以幫助廣告主吸引與其核心意圖相關的大量潛在客戶。
2. 開啟自動定位
如果開啟自動定位，系統會根據各個維度提供資料，深度學習會智慧型識別需求，覆蓋更全面的流量範圍，OCPC模型會找到潛在使用者，讓你掌控ROI。
3.使用淺目標
由於使用者的轉化行為是乙個從淺到深的過程，通常淺層轉化量較多，深度轉化量較少。 使用稀疏資料定位轉化事件很容易導致效果不一致。
因此，對於競爭激烈的行業賬號，建議只設定淺層目標轉化（主要是諮詢點選和**點選），不要設定深度目標轉化，以保證流量**和更可控的成本。 tips
通過以上一系列的優化方法，相信大部分廣告主都能解決起動量的問題，但是如果賬號有量≠消費，匯入的線索質量不好怎麼辦？
這裡有兩個提示給你：
做好否定詞
建議使用完全不相關的字詞（如果使用者的搜尋字詞包含廣告，則不會顯示廣告）和相關但與您的業務無關的字詞（如果使用者的搜尋字詞完全相同，則不會顯示您的廣告）。
在同一天標記潛在客戶質量回撥
借助 OCPC 定位，系統可以根據廣告商返回的轉化資料進行學習和模型訓練，因此潛在客戶標記和回傳非常重要。
建議廣告客戶在同一天投放資訊，並在同一天標記潛在客戶質量回傳。 盡快將不成功的線索標記為無效，系統將返回學習，以減少無效人員的點選，提高線索質量。