Tiga Cara Pengiklan Seluler Dapat Mengambil Manfaat dari Pembelajaran Mesin

Pembelajaran mesin adalah salah satu bidang yang paling populer belakangan ini. Topik ini tunduk pada penelitian teoretis yang intens, implementasi industri praktis, serta beberapa ketakutan yang tidak dapat dibenarkan (kebanyakan tentang robot yang membunuh semua manusia).

Pembelajaran mesin biasanya didefinisikan sebagai “ sejenis kecerdasan buatan (AI) yang memberikan komputer kemampuan untuk melakukan tugas-tugas tertentu, seperti pengenalan, diagnosis, perencanaan, kontrol robot, prediksi, dll., tanpa diprogram secara eksplisit. Ini berfokus pada pengembangan algoritme yang dapat mengajarkan diri mereka sendiri untuk tumbuh dan berubah saat terpapar data baru.”

Ini membawa kita pada pertanyaan: bagaimana pembelajaran mesin digunakan dalam industri periklanan seluler? Kami duduk bersama dua ilmuwan data dari AppLift, Dr. Florian Hoppe dan Bruno Wozniak, untuk memahami bagaimana algoritme pembelajaran mesin dapat membantu mendorong kampanye dengan lebih efisien dan hemat biaya.

Berikut adalah tiga contoh utama: Penawaran Waktu Nyata (RTB), penargetan serupa, dan peningkatan data pengguna .

1.DSP Menggunakan Algoritma Pembelajaran Mesin untuk Menawar Lalu Lintas RTB

Area periklanan seluler pertama yang dapat ditingkatkan dengan pembelajaran mesin (ML) adalah lalu lintas Penawaran Waktu Nyata (RTB). Dalam lingkungan RTB, Demand-Side Platforms (DSP) perlu menentukan jumlah optimal untuk menawar pada setiap tayangan tertentu . Sebagian besar pertukaran yang mendukung RTB hanya akan memungkinkan latensi respons maksimum 100 milidetik, yang berarti bahwa penilaian tayangan berdasarkan data harus dibuat dalam waktu yang sangat singkat.

Untuk menentukan berapa banyak yang harus ditawar, algoritme perlu menilai kemungkinan tayangan yang menghasilkan metrik kinerja yang baik, seperti rasio klik-tayang (RKT), rasio konversi/pemasangan (CR/IR), dan bahkan pasca pemasangan peristiwa yang memungkinkan perkiraan Nilai Umur (LTV). Penilaian ini dilakukan secara terprogram, memanfaatkan data yang diberikan dengan tayangan, baik dari penerbit atau dari platform manajemen data (DMP), serta data pihak pertama dari pengiklan sebagai input.

Algoritme ML mengambil sampel data historis untuk memperkirakan kinerja di masa mendatang . Misalnya, mereka dapat menentukan bahwa spanduk yang berasal dari ISP tertentu, sistem operasi, situs web, demografis, dll. memiliki kemungkinan 2% untuk menghasilkan konversi. Bagian tersulit dalam menggunakan sampel data historis adalah mengetahui mana yang akan diambil (menentukan rentang waktu serta segudang atribut lainnya). Algoritme jauh lebih efisien daripada manusia dalam mengevaluasi dengan tepat atribut tayangan mana yang merupakan prediktor yang baik untuk kinerja iklan yang lebih baik , karena dapat melihat semuanya secara bersamaan, sedangkan manusia agak terbatas dalam menemukan pola dalam kumpulan data historis lalu lintas iklan.

Menyiapkan algoritme ML tetap menjadi bagian tersulit karena ilmuwan data perlu membuat keputusan cerdas tentang banyak variabel dalam algoritme, seperti metode mana yang akan digunakan (mis. regresi logistik/Poisson, Bayesian Bandit; lihat seluruh daftar di sini), yang panjangnya rentang waktu yang dialokasikan untuk membuat kumpulan data historis, serta skema pengkodean mana untuk menyajikan tayangan ke algoritme.

2. Segmen untuk Penargetan Serupa Ditentukan Dengan Algoritma Pembelajaran Mesin

Bidang kedua periklanan seluler tempat algoritme pembelajaran mesin datang untuk melayani adalah pengelompokan dan penargetan audiens yang mirip. Pemirsa yang mirip menjadi lebih dikenal melalui Facebook, yang data pihak pertama yang ekstensif membuat fungsionalitasnya menjadi sangat kuat.

Saat ini, sebagian besar jaringan iklan dan bursa menawarkan opsi penargetan terperinci kepada pembeli, setidaknya di tingkat perangkat. Misalnya, Anda dapat menampilkan iklan kepada pengguna Android yang tinggal di area Chicago. Bagian yang sulit adalah mengetahui cluster mana, atau kumpulan atribut, yang relevan dengan target untuk tujuan tertentu. Peran algoritme ML adalah membantu menentukan kluster audiens terbaik , seperti yang ditentukan oleh serangkaian atribut tertentu, untuk menargetkan kluster yang serupa – mirip – serupa.

Lebih khusus lagi, algoritme ML akan menentukan, dari serangkaian atribut yang tersedia, mana yang paling relevan untuk mencapai tujuan tertentu, sehingga menciptakan kluster audiens. Untuk mengambil contoh langsung, mereka akan menemukan bahwa wanita di atas 30 lebih mungkin untuk menyelesaikan tutorial game. Menyelam sedikit lebih dalam, algoritme ML akan mendapatkan aturan untuk secara otomatis menetapkan pengguna baru ke grup yang ditentukan, dan pada akhirnya memprediksi bagaimana reaksi pengguna ini terhadap iklan yang diberikan. Dengan kluster dan aturan untuk mengalokasikannya yang ditentukan pengguna, penargetan serupa dapat diterapkan untuk menampilkan iklan tertentu hanya kepada pengguna dengan kemungkinan tertinggi untuk menunjukkan minat pada produk yang diiklankan.

3. DMP Menggunakan Algoritma Pembelajaran Mesin untuk Meningkatkan Data Pengguna

Area ketiga di mana algoritme pembelajaran mesin membantu meningkatkan periklanan seluler adalah peningkatan data tayangan untuk platform manajemen data (DMP). Dalam lingkungan RTB, tayangan biasanya digabungkan dengan data pengguna dan perangkat dari tingkat penayang. Yang terakhir bisa lebih atau kurang luas tergantung pada sejauh mana data yang dikumpulkan oleh penerbit. Namun, jarang cukup bagi pembeli untuk membuat keputusan pembelian yang terinformasi , terutama dalam lingkungan yang menuntut dan terprogram. Misalnya, tidak banyak penerbit yang dapat menawarkan data demografis tentang pengguna (hanya Facebook dan beberapa lainnya), tetapi jenis data ini penting bagi pembeli. Di sinilah DMP masuk, memperkaya dan menambah data sisi penawaran untuk memberikan gambaran yang lebih baik ke sisi permintaan dari apa yang mereka tawar.

Dalam konteks ini, algoritme pembelajaran mesin berfungsi untuk meningkatkan keputusan pembelian dengan memperkaya data pengguna untuk setiap tayangan. Dengan menggunakan model statistik yang dibuat secara dinamis, mereka memperoleh informasi tambahan yang relevan tentang pengguna dari kumpulan data pihak ketiga . Data pihak ketiga ini dapat diberikan langsung oleh penerbit (perangkat, aplikasi, atau situs web seluler tempat pengguna berada), atau dapat berasal dari kumpulan data eksternal (ulasan pengguna).

Lebih khusus lagi, dengan menyaring korelasi silang statistik dari data pihak ketiga, DMP dapat menyimpulkan atribut yang tidak diketahui, seperti demografi pengguna, yang penting untuk penargetan. Pada akhirnya, algoritme membantu mengatasi ketidakakuratan yang melekat pada informasi tersebut dengan menghitung probabilitas bahwa atribut tayangan tertentu dapat digunakan untuk memperoleh atribut tambahan yang kemudian lebih spesifik dan lebih relevan bagi pengiklan. Misalnya, mereka dapat menghitung kemungkinan seorang pengguna adalah laki-laki, di bawah 21 tahun dan sering bermain game strategi.

Dengan bantuan algoritme pembelajaran mesin, DMP kemudian dapat membantu DSP meningkatkan harga tawaran atas tayangan tertentu.

Algoritme pembelajaran mesin memainkan peran penting dalam ekosistem RTB seluler, yang merupakan bagian dari kue periklanan seluler dan online yang terus berkembang. Elemen umum dari semua kasus penggunaan di atas adalah fakta bahwa algoritme memungkinkan otomatisasi prediksi yang dapat diskalakan berdasarkan data historis. Kekuatan utama mereka adalah memungkinkan pengiklan seluler, bersama dengan semua pemain lain dari ekosistem adtech, untuk mengatasi keterbatasan analisis metrik agregat untuk pengambilan keputusan . Sebaliknya, mereka memungkinkan pengoptimalan pada tingkat yang paling terperinci: setiap interaksi pengguna tunggal .

Apakah Anda memiliki pertanyaan atau ingin berbagi pengalaman bekerja dengan algoritme pembelajaran mesin? Beri tahu kami di komentar!

Catatan: Versi artikel ini awalnya diterbitkan di blog AppLift.

Suka artikel ini? Mendaftar untuk email intisari blog kami.