Trois façons dont les annonceurs mobiles peuvent bénéficier de l'apprentissage automatique

L'apprentissage automatique est l'un des domaines les plus médiatisés de ces derniers temps. Le sujet fait l'objet d'intenses recherches théoriques, d'implémentations industrielles pratiques ainsi que de quelques craintes pas si justifiables (la plupart concernant des robots tuant tous les humains).

L'apprentissage automatique est généralement défini comme « un type d' intelligence artificielle (IA) qui fournit aux ordinateurs la capacité d'effectuer certaines tâches, telles que la reconnaissance, le diagnostic, la planification, le contrôle de robots, la prédiction, etc., sans être explicitement programmés. Il se concentre sur le développement d'algorithmes qui peuvent apprendre à grandir et à changer lorsqu'ils sont exposés à de nouvelles données.

Cela nous amène à la question : comment l'apprentissage automatique est-il utilisé dans l'industrie de la publicité mobile ? Nous avons rencontré deux scientifiques des données d'AppLift, le Dr Florian Hoppe et Bruno Wozniak, pour comprendre comment les algorithmes d'apprentissage automatique peuvent aider à mener des campagnes plus efficacement et à moindre coût.

Voici trois exemples majeurs : les enchères en temps réel (RTB), le ciblage similaire et l'amélioration des données utilisateur .

1.Les DSP utilisent des algorithmes d'apprentissage automatique pour enchérir sur le trafic RTB

Le premier domaine de la publicité mobile qui peut être amélioré par l'apprentissage automatique (ML) est le trafic d'enchères en temps réel (RTB). Dans un environnement RTB, les plates-formes côté demande (DSP) doivent déterminer le montant optimal à enchérir sur chaque impression spécifique . La plupart des échanges activés par RTB n'autoriseront qu'une latence de réponse maximale de 100 millisecondes, ce qui signifie qu'une évaluation de l'impression basée sur les données doit être générée dans un laps de temps extrêmement court.

Afin de déterminer le montant de l'enchère, l'algorithme doit évaluer la probabilité que l'impression se traduise par de bonnes mesures de performances, telles que le taux de clics (CTR), le taux de conversion/d'installation (CR/IR) et même la post-installation. événements qui permettent d'approximer la Lifetime Value (LTV). Cette évaluation est effectuée par programmation, en utilisant les données fournies avec l'impression, soit par l'éditeur, soit par une plate-forme de gestion de données (DMP), ainsi que les données de première partie de l'annonceur comme entrée.

Les algorithmes de ML prennent des échantillons de données historiques pour estimer les performances futures . Par exemple, ils peuvent déterminer qu'une bannière provenant d'un FAI, d'un système d'exploitation, d'un site Web, d'un groupe démographique, etc. spécifique a une probabilité de 2 % d'entraîner une conversion. La partie la plus difficile de l'utilisation d'échantillons de données historiques est de savoir lesquels prendre (déterminer la durée ainsi qu'une myriade d'autres attributs). Les algorithmes sont beaucoup plus efficaces que les humains pour évaluer exactement quels attributs d'impressions sont de bons prédicteurs de meilleures performances publicitaires , car ils peuvent tous les examiner simultanément, alors qu'un humain est plutôt limité dans la recherche de modèles dans les ensembles de données historiques du trafic publicitaire.

La configuration des algorithmes ML reste la partie la plus difficile, car les scientifiques des données doivent prendre des décisions intelligentes sur de nombreuses variables au sein de l'algorithme, telles que la méthode à utiliser (par exemple, la régression logistique/Poisson, Bayesian Bandit ; voir la liste complète ici), quelle longueur de la période à allouer pour créer l'ensemble de données historiques, ainsi que le schéma d'encodage avec lequel présenter les impressions à l'algorithme.

2. Les segments pour le ciblage similaire sont déterminés avec des algorithmes d'apprentissage automatique

Le deuxième domaine de la publicité mobile où les algorithmes d'apprentissage automatique viennent servir est le regroupement et le ciblage d'audiences similaires. Les audiences similaires sont devenues plus connues grâce à Facebook, dont les nombreuses données de première partie ont rendu la fonctionnalité extrêmement puissante.

Aujourd'hui, la plupart des réseaux publicitaires et des échanges offrent des options de ciblage granulaires aux acheteurs, au moins au niveau de l'appareil. Vous pouvez par exemple diffuser des annonces aux utilisateurs d'Android vivant dans la région de Chicago. Le plus difficile est de savoir quel cluster, ou ensemble d'attributs, est pertinent pour cibler un objectif spécifique. Le rôle des algorithmes de ML est d' aider à définir les meilleurs clusters d'audience , tels que définis par un ensemble spécifique d'attributs, afin de cibler des clusters similaires.

Plus précisément, les algorithmes ML détermineront, parmi un large éventail d'attributs disponibles, lesquels sont les plus pertinents pour atteindre un certain objectif, créant ainsi un cluster d'audience. Pour prendre un exemple simple, ils découvriront que les femmes de plus de 30 ans sont plus susceptibles de terminer un didacticiel de jeu. En plongeant encore un peu plus loin, les algorithmes ML dériveront des règles pour affecter automatiquement un nouvel utilisateur à un groupe défini, et finalement prédire comment cet utilisateur réagira aux publicités données. Avec les clusters et les règles d'attribution des utilisateurs définis, le ciblage similaire peut être mis en œuvre afin de montrer des annonces spécifiques uniquement aux utilisateurs les plus susceptibles de manifester de l'intérêt pour le produit annoncé.

3. Les DMP utilisent des algorithmes d'apprentissage automatique pour améliorer les données utilisateur

Le troisième domaine dans lequel l'algorithme d'apprentissage automatique aide à améliorer la publicité mobile est l'amélioration des données d'impression pour les plates-formes de gestion de données (DMP). Dans un environnement RTB, les impressions sont généralement associées aux données sur les utilisateurs et les appareils au niveau de l'éditeur. Ce dernier peut être plus ou moins étendu selon l'étendue des données collectées par l'éditeur. Cependant, il est rarement suffisant pour les acheteurs de prendre une décision d'achat éclairée , en particulier dans un environnement programmatique exigeant. Par exemple, peu d'éditeurs sont en mesure de proposer des données démographiques sur les utilisateurs (seuls Facebook et quelques autres le font), mais ce type de données est essentiel pour les acheteurs. C'est là qu'interviennent les DMP, enrichissant et augmentant les données du côté de l'offre pour donner une meilleure image du côté de la demande de ce sur quoi ils enchérissent.

Dans ce contexte, les algorithmes d'apprentissage automatique servent à améliorer la décision d'achat en enrichissant les données de l'utilisateur pour chaque impression. À l'aide de modèles statistiques créés dynamiquement, ils extraient des informations supplémentaires et pertinentes sur les utilisateurs à partir d'ensembles de données tiers . Ces données tierces peuvent soit être fournies directement par l'éditeur (appareil, application ou site Web mobile sur lequel se trouve l'utilisateur), soit provenir d'un ensemble de données externes (avis d'utilisateurs).

Plus précisément, en distillant des corrélations croisées statistiques à partir de données tierces, il est alors possible pour les DMP de déduire des attributs autrement inconnus, tels que les données démographiques des utilisateurs, qui sont cruciaux pour le ciblage. En fin de compte, les algorithmes aident à faire face à l'inexactitude inhérente de ces informations en calculant la probabilité qu'un attribut d'impression donné puisse être utilisé pour dériver des attributs supplémentaires qui sont alors plus spécifiques et plus pertinents pour l'annonceur. Par exemple, ils peuvent calculer la probabilité pour un utilisateur d'être un homme, âgé de moins de 21 ans et un joueur fréquent de jeux de stratégie.

À l'aide d'algorithmes d'apprentissage automatique, les DMP peuvent ensuite aider les DSP à améliorer la tarification d'une enchère par rapport à une impression spécifique.

Les algorithmes d'apprentissage automatique jouent un rôle crucial dans l'écosystème RTB mobile, qui représente une part croissante du gâteau de la publicité mobile et en ligne. L'élément commun à tous les cas d'utilisation ci-dessus est le fait que les algorithmes permettent l'automatisation évolutive des prédictions basées sur des données historiques. Leur force ultime est de permettre aux annonceurs mobiles, ainsi qu'à tous les autres acteurs de l'écosystème adtech, de surmonter les limites de l'analyse des métriques agrégées pour la prise de décision . Au lieu de cela, ils permettent d'optimiser au niveau le plus granulaire possible : chaque interaction utilisateur unique .

Avez-vous des questions ou souhaitez-vous partager votre expérience de travail avec des algorithmes d'apprentissage automatique ? Faites le nous savoir dans les commentaires!

Remarque : Une version de cet article a été initialement publiée sur le blog AppLift.

Vous aimez cet article ? Inscrivez-vous pour recevoir nos e-mails de résumé de blog.