ثلاث طرق يمكن لمعلني الجوال الاستفادة من التعلم الآلي

يعد التعلم الآلي أحد أكثر المجالات إثارة للاهتمام في الآونة الأخيرة. يخضع هذا الموضوع لبحوث نظرية مكثفة ، والتطبيقات الصناعية العملية بالإضافة إلى عدد قليل من المخاوف غير المبررة (معظمها يتعلق بالروبوتات التي تقتل جميع البشر).

يُعرَّف التعلم الآلي عادةً بأنه " نوع من الذكاء الاصطناعي (AI) يوفر لأجهزة الكمبيوتر القدرة على القيام بمهام معينة ، مثل التعرف والتشخيص والتخطيط والتحكم في الروبوت والتنبؤ وما إلى ذلك ، دون أن تكون مبرمجة بشكل صريح. إنه يركز على تطوير الخوارزميات التي يمكن أن تعلم نفسها كيف تنمو وتتغير عند تعرضها لبيانات جديدة ".

يقودنا هذا إلى السؤال: كيف يتم استخدام التعلم الآلي في صناعة الإعلان على الأجهزة المحمولة؟ جلسنا مع اثنين من علماء البيانات من AppLift ، وهما الدكتور فلوريان هوبي وبرونو وزنياك ، لفهم كيف يمكن لخوارزميات التعلم الآلي أن تساعد في قيادة الحملات بشكل أكثر كفاءة وفعالية من حيث التكلفة.

فيما يلي ثلاثة أمثلة رئيسية: عروض الأسعار في الوقت الفعلي (RTB) ، والاستهداف المتشابه ، وتحسين بيانات المستخدم .

1. يستخدم DSPs خوارزميات التعلم الآلي لتقديم عطاءات على حركة مرور RTB

المجال الأول لإعلانات الأجهزة المحمولة التي يمكن تحسينها عن طريق التعلم الآلي (ML) هو حركة عروض الأسعار في الوقت الفعلي (RTB). في بيئة RTB ، تحتاج الأنظمة الأساسية من جانب الطلب (DSPs) إلى تحديد المبلغ الأمثل لتقديم عطاءات على كل مرة ظهور محددة . ستسمح معظم عمليات التبادل التي تدعم RTB بحد أقصى للكمون للاستجابة يبلغ 100 مللي ثانية ، مما يعني أنه يجب إنشاء تقييم قائم على البيانات للانطباع خلال فترة زمنية قصيرة للغاية.

من أجل تحديد مقدار عرض التسعير ، تحتاج الخوارزمية إلى تقييم احتمالية الظهور الذي ينتج عنه مقاييس أداء جيدة ، مثل نسبة النقر إلى الظهور (CTR) ، ومعدل التحويل / التثبيت (CR / IR) ، وحتى ما بعد التثبيت الأحداث التي تمكن من تقدير القيمة الدائمة التقريبية (LTV). يتم إجراء هذا التقييم برمجيًا ، باستخدام البيانات المقدمة مع الانطباع ، إما من الناشر أو من نظام أساسي لإدارة البيانات (DMP) ، بالإضافة إلى بيانات الطرف الأول من المعلن كمدخلات.

تأخذ خوارزميات ML عينات بيانات تاريخية لتقدير الأداء المستقبلي . على سبيل المثال ، يمكنهم تحديد أن لافتة قادمة من مزود خدمة إنترنت معين ، أو نظام تشغيل ، أو موقع ويب ، أو ديموغرافية ، وما إلى ذلك ، لديها احتمالية بنسبة 2٪ للتسبب في تحويل. إن أصعب جزء في استخدام عينات البيانات التاريخية هو معرفة أي منها يجب أخذها (تحديد الفترة الزمنية بالإضافة إلى عدد لا يحصى من السمات الأخرى). تعد الخوارزميات أكثر فاعلية من البشر في التقييم الدقيق لسمات مرات الظهور التي تعد مؤشرات جيدة لأداء إعلان أفضل ، حيث يمكنها النظر إليها جميعًا في وقت واحد ، في حين أن الإنسان مقيد إلى حد ما في العثور على أنماط في مجموعات البيانات السابقة لزيارات الإعلانات.

يظل إعداد خوارزميات ML هو الجزء الأصعب حيث يحتاج علماء البيانات إلى اتخاذ قرارات ذكية بشأن الكثير من المتغيرات داخل الخوارزمية ، مثل الطريقة التي يجب استخدامها (مثل الانحدار اللوجستي / Poisson ، Bayesian Bandit ؛ انظر القائمة الكاملة هنا) ، أي طول من الوقت المطلوب تخصيصه من أجل إنشاء مجموعة البيانات التاريخية ، وكذلك مخطط الترميز لتقديم الانطباعات إلى الخوارزمية.

2. يتم تحديد شرائح الاستهداف المتشابه باستخدام خوارزميات التعلم الآلي

المجال الثاني لإعلانات الأجهزة المحمولة حيث تخدم خوارزميات التعلم الآلي هو تجميع الجمهور واستهدافه بشكل مشابه. أصبح الجمهور المشابه معروفًا بشكل أفضل من خلال Facebook ، حيث جعلت بيانات الطرف الأول الواسعة من هذه الوظيفة قوية للغاية.

اليوم ، تقدم معظم شبكات الإعلانات وعمليات التبادل خيارات استهداف دقيقة للمشترين ، على مستوى الجهاز على الأقل. يمكنك على سبيل المثال عرض الإعلانات لمستخدمي Android الذين يعيشون في منطقة شيكاغو. الجزء الصعب هو معرفة الكتلة ، أو مجموعة السمات ، ذات الصلة بالهدف لهدف معين. يتمثل دور خوارزميات التعلم الآلي في المساعدة في تحديد أفضل مجموعات الجمهور ، على النحو المحدد بواسطة مجموعة محددة من السمات ، من أجل استهداف مجموعات متشابهة - متشابهة -.

وبشكل أكثر تحديدًا ، ستحدد خوارزميات تعلم الآلة ، من بين مجموعة كبيرة من السمات المتاحة ، أيها أكثر صلة من أجل الوصول إلى هدف معين ، وبالتالي إنشاء كتلة جمهور. لنأخذ مثالًا مباشرًا ، سوف يكتشفون أن الإناث فوق 30 عامًا من المرجح أن ينهين درسًا تعليميًا للعبة. بالتعمق أكثر قليلاً ، ستشتق خوارزميات ML قواعد لتعيين مستخدم جديد تلقائيًا لمجموعة محددة ، وفي النهاية توقع كيف سيتفاعل هذا المستخدم مع إعلانات معينة. مع تحديد كل من المجموعات وقواعد تخصيص المستخدمين لها ، يمكن تنفيذ الاستهداف المتشابه من أجل عرض إعلانات محددة فقط للمستخدمين الذين لديهم أعلى احتمالية لإبداء الاهتمام بالمنتج المعلن عنه.

3. تستخدم DMPs خوارزميات التعلم الآلي لتحسين بيانات المستخدم

المجال الثالث حيث تساعد خوارزمية التعلم الآلي في تحسين إعلانات الهاتف المحمول هو تحسين بيانات الظهور لمنصات إدارة البيانات (DMPs). في بيئة RTB ، تأتي مرات الظهور عادةً مع بيانات المستخدم والجهاز من مستوى الناشر. يمكن أن يكون الأخير أكثر أو أقل شمولاً اعتمادًا على مدى البيانات التي يجمعها الناشر. ومع ذلك ، نادرًا ما يكون كافيًا للمشترين اتخاذ قرار شراء مستنير ، خاصة في بيئة برامجية متطلبة. على سبيل المثال ، لا يستطيع العديد من الناشرين تقديم بيانات ديموغرافية عن المستخدمين (فقط Facebook وعدد قليل من الآخرين يفعلون ذلك) ، ولكن هذا النوع من البيانات ضروري للمشترين. هذا هو المكان الذي تأتي فيه DMPs ، مما يثري ويزيد من بيانات جانب العرض لإعطاء صورة أفضل لجانب الطلب لما يقدمونه.

في هذا السياق ، تعمل خوارزميات التعلم الآلي على تحسين قرار الشراء من خلال إثراء بيانات المستخدم لكل مرة ظهور. باستخدام النماذج الإحصائية التي تم إنشاؤها ديناميكيًا ، فإنها تستمد معلومات إضافية ذات صلة حول المستخدمين من مجموعات بيانات تابعة لجهات خارجية . يمكن أن يتم توفير بيانات الطرف الثالث مباشرة من قبل الناشر (الجهاز أو التطبيق أو موقع الويب للجوال المستخدم فيه) ، أو يمكن أن تأتي من مجموعة بيانات خارجية (مراجعات المستخدم).

وبشكل أكثر تحديدًا ، من خلال استخلاص الارتباطات التبادلية الإحصائية من بيانات الطرف الثالث ، يمكن بعد ذلك لـ DMPs أن تستنتج سمات غير معروفة ، مثل التركيبة السكانية للمستخدم ، والتي تعتبر ضرورية للاستهداف. في النهاية ، تساعد الخوارزميات في التعامل مع عدم الدقة المتأصل في مثل هذه المعلومات عن طريق حساب احتمال استخدام سمة ظهور معينة لاشتقاق سمات إضافية تكون بعد ذلك أكثر تحديدًا وأكثر صلة بالمعلن. على سبيل المثال ، يمكنهم حساب احتمالية أن يكون المستخدم ذكرًا ، أقل من 21 عامًا ولاعبًا متكررًا للألعاب الإستراتيجية.

بمساعدة خوارزميات التعلم الآلي ، يمكن أن تساعد DMPs DSPs على تحسين تسعير عرض السعر على ظهور محدد.

تلعب خوارزميات التعلم الآلي دورًا مهمًا في نظام RTB البيئي للأجهزة المحمولة ، وهو جزء متزايد من فطيرة الإعلان عبر الهاتف المحمول والإنترنت. العنصر المشترك لجميع حالات الاستخدام المذكورة أعلاه هو حقيقة أن الخوارزميات تتيح أتمتة قابلة للتطوير للتنبؤات بناءً على البيانات التاريخية. وتتمثل قوتهم النهائية في تمكين المعلنين عبر الأجهزة المحمولة ، جنبًا إلى جنب مع جميع اللاعبين الآخرين في النظام البيئي لتقنية الإعلانات ، من التغلب على قيود تحليل المقاييس الإجمالية لاتخاذ القرار . وبدلاً من ذلك ، فإنهم يجعلون من الممكن التحسين على المستوى الأكثر دقة: كل تفاعل للمستخدم .

هل لديك أسئلة أو ترغب في مشاركة تجربتك في العمل باستخدام خوارزميات التعلم الآلي؟ اسمحوا لنا أن نعرف في التعليقات!

ملاحظة: تم نشر نسخة من هذه المقالة في الأصل على مدونة AppLift.

مثل هذا المقال؟ اشترك في مدونتنا رسائل البريد الإلكتروني.