Tres formas en que los anunciantes móviles pueden beneficiarse del aprendizaje automático

El aprendizaje automático es uno de los campos más publicitados de los últimos tiempos. El tema está sujeto a una intensa investigación teórica, implementaciones industriales prácticas, así como algunos temores no tan justificables (la mayoría de ellos se trata de robots que matan a todos los humanos).

El aprendizaje automático generalmente se define como “ un tipo de inteligencia artificial (IA) que proporciona a las computadoras la capacidad de realizar ciertas tareas, como reconocimiento, diagnóstico, planificación, control de robots, predicción, etc., sin ser programado explícitamente. Se enfoca en el desarrollo de algoritmos que pueden aprender a crecer y cambiar cuando se exponen a nuevos datos”.

Esto nos lleva a la pregunta: ¿cómo se utiliza el aprendizaje automático en la industria de la publicidad móvil? Nos sentamos con dos científicos de datos de AppLift, el Dr. Florian Hoppe y Bruno Wozniak, para comprender cómo los algoritmos de aprendizaje automático pueden ayudar a impulsar campañas de manera más eficiente y rentable.

Estos son tres ejemplos principales: ofertas en tiempo real (RTB), orientación similar y mejora de datos de usuario .

1. Los DSP utilizan algoritmos de aprendizaje automático para ofertar por tráfico RTB

La primera área de la publicidad móvil que se puede mejorar mediante el aprendizaje automático (ML) es el tráfico de ofertas en tiempo real (RTB). En un entorno RTB, las plataformas del lado de la demanda (DSP) deben determinar la cantidad óptima para ofertar en cada impresión específica . La mayoría de los intercambios habilitados para RTB solo permitirán una latencia de respuesta máxima de 100 milisegundos, lo que significa que se debe generar una evaluación de la impresión basada en datos en un período de tiempo extremadamente corto.

Para determinar cuánto ofertar, el algoritmo debe evaluar la probabilidad de que la impresión genere buenas métricas de rendimiento, como la tasa de clics (CTR), la tasa de conversión/instalación (CR/IR) e incluso la postinstalación. eventos que permiten aproximar el Lifetime Value (LTV). Esta evaluación se realiza mediante programación, utilizando datos proporcionados con la impresión, ya sea del editor o de una plataforma de gestión de datos (DMP), así como datos propios del anunciante como entrada.

Los algoritmos de ML toman muestras de datos históricos para estimar el rendimiento futuro . Por ejemplo, pueden determinar que un banner proveniente de un ISP, sistema operativo, sitio web, grupo demográfico, etc. específico tiene un 2 % de probabilidad de generar una conversión. La parte más difícil de usar muestras de datos históricos es saber cuáles tomar (determinar el período de tiempo y una miríada de otros atributos). Los algoritmos son mucho más eficientes que los humanos para evaluar exactamente qué atributos de las impresiones son buenos predictores de un mejor rendimiento de los anuncios , ya que pueden verlos todos simultáneamente, mientras que un humano está bastante limitado para encontrar patrones en conjuntos de datos históricos de tráfico de anuncios.

La configuración de los algoritmos de ML sigue siendo la parte más difícil, ya que los científicos de datos deben tomar decisiones inteligentes sobre muchas variables dentro del algoritmo, como qué método usar (p. ej., regresión logística/Poisson, Bayesian Bandit; consulte la lista completa aquí), qué longitud de lapso de tiempo a asignar para crear el conjunto de datos históricos, así como con qué esquema de codificación presentar las impresiones al algoritmo.

2. Los segmentos para la orientación similar se determinan con algoritmos de aprendizaje automático

El segundo campo de la publicidad móvil en el que se utilizan los algoritmos de aprendizaje automático es el agrupamiento y la orientación de audiencias similares. Las audiencias similares se volvieron más conocidas a través de Facebook, cuyos extensos datos propios hicieron que la funcionalidad fuera extremadamente poderosa.

Hoy en día, la mayoría de las redes publicitarias y los intercambios ofrecen opciones de orientación granular a los compradores, al menos a nivel de dispositivo. Por ejemplo, puede mostrar anuncios a los usuarios de Android que viven en el área de Chicago. La parte difícil es saber qué grupo o conjunto de atributos es relevante para un objetivo específico. El papel de los algoritmos de ML es ayudar a definir los mejores grupos de audiencia , según lo definido por un conjunto específico de atributos, para apuntar a grupos similares.

Más específicamente, los algoritmos de ML determinarán, de un amplio conjunto de atributos disponibles, cuáles son los más relevantes para alcanzar un determinado objetivo, creando así un grupo de audiencia. Para tomar un ejemplo sencillo, descubrirán que las mujeres mayores de 30 años tienen más probabilidades de terminar un tutorial de juego. Profundizando un poco más, los algoritmos de ML derivarán reglas para asignar automáticamente un nuevo usuario a un grupo definido y, en última instancia, predecir cómo reaccionará este usuario ante determinados anuncios. Con los clústeres y las reglas para asignarlos a los usuarios definidos, se puede implementar la orientación similar para mostrar anuncios específicos solo a los usuarios con la mayor probabilidad de mostrar interés en el producto anunciado.

3. Los DMP usan algoritmos de aprendizaje automático para mejorar los datos del usuario

La tercera área en la que el algoritmo de aprendizaje automático ayuda a mejorar la publicidad móvil es la mejora de los datos de impresión para las plataformas de gestión de datos (DMP). En un entorno de RTB, las impresiones generalmente vienen junto con los datos del usuario y del dispositivo del nivel del editor. Estos últimos pueden ser más o menos extensos según la extensión de los datos recopilados por el editor. Sin embargo, rara vez es suficiente que los compradores tomen una decisión de compra informada , especialmente en un entorno programático exigente. Por ejemplo, no muchos editores pueden ofrecer datos demográficos sobre los usuarios (solo Facebook y algunos otros lo hacen), pero este tipo de datos es esencial para los compradores. Aquí es donde entran los DMP, enriqueciendo y aumentando los datos del lado de la oferta para dar una mejor imagen del lado de la demanda de lo que están ofertando.

En este contexto, los algoritmos de aprendizaje automático sirven para mejorar la decisión de compra al enriquecer los datos de los usuarios por cada impresión. Usando modelos estadísticos creados dinámicamente, obtienen información adicional y relevante sobre los usuarios de conjuntos de datos de terceros . Estos datos de terceros pueden ser proporcionados directamente por el editor (dispositivo, aplicación o sitio web móvil en el que se encuentra el usuario) o pueden provenir de un conjunto de datos externos (reseñas de usuarios).

Más específicamente, al destilar correlaciones cruzadas estadísticas de datos de terceros, es posible que las DMP infieran atributos desconocidos, como la demografía del usuario, que son cruciales para la orientación. En última instancia, los algoritmos ayudan a hacer frente a la inexactitud inherente de dicha información mediante el cálculo de la probabilidad de que un atributo de impresión dado se pueda utilizar para derivar atributos adicionales que luego son más específicos y más relevantes para el anunciante. Por ejemplo, pueden calcular la probabilidad de que un usuario sea hombre, menor de 21 años y un jugador frecuente de juegos de estrategia.

Con la ayuda de algoritmos de aprendizaje automático, las DMP pueden ayudar a las DSP a mejorar el precio de una oferta sobre una impresión específica.

Los algoritmos de aprendizaje automático juegan un papel crucial en el ecosistema RTB móvil, que es una parte creciente del pastel de publicidad móvil y en línea. El elemento común a todos los casos de uso anteriores es el hecho de que los algoritmos permiten la automatización escalable de predicciones basadas en datos históricos. Su principal fortaleza es permitir que los anunciantes móviles, junto con todos los demás jugadores del ecosistema de tecnología publicitaria, superen las limitaciones del análisis de métricas agregadas para la toma de decisiones . En cambio, permiten optimizar al nivel más granular posible: cada interacción del usuario .

¿Tiene preguntas o le gustaría compartir su experiencia de trabajar con algoritmos de aprendizaje automático? ¡Cuéntanos en los comentarios!

Nota: una versión de este artículo se publicó originalmente en el blog de AppLift.

¿Te gusta este artículo? Regístrese para recibir los correos electrónicos de resumen de nuestro blog.