Drei Möglichkeiten, wie mobile Werbetreibende vom maschinellen Lernen profitieren können

Maschinelles Lernen ist eines der am meisten gehypten Felder der letzten Zeit. Das Thema ist Gegenstand intensiver theoretischer Forschung, praktischer industrieller Umsetzungen sowie einiger nicht so berechtigter Befürchtungen (die meisten davon betreffen Roboter, die alle Menschen töten).

Maschinelles Lernen wird üblicherweise definiert als „ eine Art künstlicher Intelligenz (KI), die Computern die Fähigkeit verleiht, bestimmte Aufgaben wie Erkennung, Diagnose, Planung, Robotersteuerung, Vorhersage usw. zu erledigen, ohne explizit programmiert zu werden. Es konzentriert sich auf die Entwicklung von Algorithmen, die sich selbst beibringen können, zu wachsen und sich zu verändern, wenn sie neuen Daten ausgesetzt werden.“

Das bringt uns zu der Frage: Wie wird maschinelles Lernen in der mobilen Werbebranche eingesetzt? Wir haben uns mit zwei Datenwissenschaftlern von AppLift, Dr. Florian Hoppe und Bruno Wozniak, zusammengesetzt, um zu verstehen, wie Algorithmen für maschinelles Lernen dazu beitragen können, Kampagnen effizienter und kostengünstiger zu gestalten.

Hier sind drei wichtige Beispiele: Real-Time Bidding (RTB), Lookalike-Targeting und Verbesserung der Benutzerdaten .

1. DSPs verwenden Algorithmen für maschinelles Lernen, um auf RTB-Verkehr zu bieten

Der erste Bereich der mobilen Werbung, der durch maschinelles Lernen (ML) verbessert werden kann, ist der Verkehr durch Real-Time Bidding (RTB). In einer RTB-Umgebung müssen Demand-Side-Plattformen (DSPs) den optimalen Gebotsbetrag für jede einzelne spezifische Impression bestimmen . Die meisten RTB-fähigen Börsen werden nur eine maximale Antwortlatenz von 100 Millisekunden zulassen, was bedeutet, dass eine datengetriebene Bewertung der Impression innerhalb kürzester Zeit generiert werden muss.

Um zu bestimmen, wie viel geboten werden soll, muss der Algorithmus die Wahrscheinlichkeit der Impression bewerten, die zu guten Leistungsmetriken führt, wie z. B. Klickrate (CTR), Conversion/Installationsrate (CR/IR) und sogar nach der Installation Ereignisse, die es ermöglichen, den Lifetime Value (LTV) anzunähern. Diese Bewertung erfolgt programmatisch unter Verwendung von Daten, die mit der Impression bereitgestellt werden, entweder vom Publisher oder von einer Datenverwaltungsplattform (DMP), sowie von Erstanbieterdaten des Werbetreibenden als Eingabe.

ML-Algorithmen nehmen historische Datenproben, um die zukünftige Leistung abzuschätzen . Sie können beispielsweise feststellen, dass ein Banner, das von einem bestimmten ISP, Betriebssystem, einer Website, einer demografischen Gruppe usw. stammt, mit einer Wahrscheinlichkeit von 2 % zu einer Conversion führt. Der schwierigste Teil bei der Verwendung historischer Datenproben ist zu wissen, welche genommen werden sollen (Bestimmung der Zeitspanne sowie einer Vielzahl anderer Attribute). Algorithmen sind viel effizienter als Menschen, wenn es darum geht, genau zu bewerten, welche Attribute von Impressionen gute Prädiktoren für eine bessere Anzeigenleistung sind , da sie alle gleichzeitig betrachten können, während ein Mensch ziemlich eingeschränkt darin ist, Muster in historischen Datensätzen des Anzeigenverkehrs zu finden.

Das Einrichten der ML-Algorithmen bleibt der schwierigste Teil, da Datenwissenschaftler intelligente Entscheidungen zu vielen Variablen innerhalb des Algorithmus treffen müssen, z. B. welche Methode verwendet werden soll (z. B. logistische/Poisson-Regression, Bayesian Bandit; siehe ganze Liste hier), welche Länge die Zeitspanne, die zugewiesen werden muss, um den historischen Datensatz zu erstellen, sowie mit welchem ​​Codierungsschema die Eindrücke dem Algorithmus präsentiert werden sollen.

2. Segmente für Lookalike-Targeting werden mit Machine-Learning-Algorithmen ermittelt

Der zweite Bereich der mobilen Werbung, in dem Algorithmen für maschinelles Lernen zum Einsatz kommen, ist das Clustern und Targeting von Lookalike-Zielgruppen. Lookalike Audiences wurden bekannter durch Facebook, dessen umfangreiche First-Party-Daten die Funktionalität extrem leistungsfähig machten.

Heutzutage bieten die meisten Werbenetzwerke und -börsen Käufern granulare Targeting-Optionen, zumindest auf Geräteebene. Sie können beispielsweise Anzeigen für Android-Nutzer schalten, die im Großraum Chicago leben. Der schwierige Teil besteht darin, zu wissen, welcher Cluster oder Satz von Attributen für ein bestimmtes Ziel relevant ist. Die Rolle von ML-Algorithmen besteht darin, bei der Definition der besten Zielgruppen-Cluster zu helfen, die durch einen bestimmten Satz von Attributen definiert sind, um auf ähnliche – Lookalike-Cluster abzuzielen.

Genauer gesagt bestimmen ML-Algorithmen aus einer Vielzahl verfügbarer Attribute, welche am relevantesten sind, um ein bestimmtes Ziel zu erreichen, wodurch ein Zielgruppen-Cluster erstellt wird. Um ein einfaches Beispiel zu nehmen: Sie werden feststellen, dass Frauen über 30 mit größerer Wahrscheinlichkeit ein Spiel-Tutorial beenden. Noch etwas tiefer tauchen ML-Algorithmen auf, die Regeln ableiten, um einen neuen Benutzer automatisch einer definierten Gruppe zuzuordnen und letztendlich vorherzusagen, wie dieser Benutzer auf bestimmte Anzeigen reagieren wird. Wenn beide Cluster und die Regeln für die Zuordnung von Benutzern definiert sind, kann ein Lookalike-Targeting implementiert werden, um bestimmte Anzeigen nur den Benutzern zu zeigen, die mit der höchsten Wahrscheinlichkeit Interesse an dem beworbenen Produkt zeigen.

3. DMPs verwenden maschinelle Lernalgorithmen, um Benutzerdaten zu verbessern

Der dritte Bereich, in dem maschinelle Lernalgorithmen zur Verbesserung der mobilen Werbung beitragen, ist die Verbesserung der Impressionsdaten für Datenverwaltungsplattformen (DMPs). In einer RTB-Umgebung kommen Impressionen in der Regel mit Nutzer- und Gerätedaten auf Publisher-Ebene zusammen. Letztere können je nach Umfang der vom Verlag erhobenen Daten mehr oder weniger umfangreich ausfallen. Allerdings reicht es für Käufer selten aus, eine fundierte Kaufentscheidung zu treffen , insbesondere in einem anspruchsvollen, programmatischen Umfeld. Zum Beispiel sind nicht viele Verlage in der Lage, demografische Daten über die Nutzer anzubieten (nur Facebook und einige andere), aber diese Art von Daten ist für Käufer unerlässlich. Hier kommen DMPs ins Spiel, die die angebotsseitigen Daten anreichern und erweitern, um der Nachfrageseite ein besseres Bild davon zu geben, wofür sie bieten.

In diesem Zusammenhang dienen Machine-Learning-Algorithmen dazu, die Kaufentscheidung zu verbessern, indem Nutzerdaten für jede Impression angereichert werden. Mithilfe von dynamisch erstellten statistischen Modellen leiten sie zusätzliche relevante Informationen über Benutzer aus Datensätzen von Drittanbietern ab . Diese Drittdaten können entweder direkt vom Herausgeber (Gerät, App oder mobile Website, auf der sich der Benutzer befindet) bereitgestellt werden oder aus einem externen Datensatz (Benutzerbewertungen) stammen.

Genauer gesagt, durch das Destillieren statistischer Kreuzkorrelationen aus Daten von Drittanbietern ist es DMPs dann möglich, ansonsten unbekannte Attribute abzuleiten, wie z. B. demografische Merkmale der Benutzer, die für das Targeting entscheidend sind. Letztendlich helfen Algorithmen, mit der inhärenten Ungenauigkeit solcher Informationen fertig zu werden, indem sie die Wahrscheinlichkeit berechnen, dass ein bestimmtes Impressionsattribut verwendet werden kann, um zusätzliche Attribute abzuleiten, die dann spezifischer und relevanter für den Werbetreibenden sind. Sie können beispielsweise die Wahrscheinlichkeit berechnen, dass ein Benutzer männlich, unter 21 und ein häufiger Spieler von Strategiespielen ist.

Mithilfe von maschinellen Lernalgorithmen können DMPs dann DSPs dabei unterstützen, die Preisgestaltung für ein Gebot über eine bestimmte Impression zu verbessern.

Algorithmen für maschinelles Lernen spielen eine entscheidende Rolle im mobilen RTB-Ökosystem, das ein wachsendes Stück des Kuchens für mobile und Online-Werbung darstellt. Das gemeinsame Element aller oben genannten Anwendungsfälle ist die Tatsache, dass Algorithmen die skalierbare Automatisierung von Vorhersagen auf der Grundlage historischer Daten ermöglichen. Ihre ultimative Stärke besteht darin, mobilen Werbetreibenden zusammen mit allen anderen Akteuren des Adtech-Ökosystems zu ermöglichen , die Einschränkungen der aggregierten Metrikanalyse für die Entscheidungsfindung zu überwinden . Stattdessen ermöglichen sie eine Optimierung auf möglichst granularer Ebene: jede einzelne Benutzerinteraktion .

Sie haben Fragen oder möchten Ihre Erfahrungen in der Arbeit mit Machine-Learning-Algorithmen teilen? Lass es uns in den Kommentaren wissen!

Hinweis: Eine Version dieses Artikels wurde ursprünglich im AppLift-Blog veröffentlicht.

Gefällt Ihnen dieser Artikel? Melden Sie sich für unsere Blog-Digest-E-Mails an.