Tre modi in cui gli inserzionisti mobili possono trarre vantaggio dall'apprendimento automatico

L'apprendimento automatico è uno dei campi più pubblicizzati degli ultimi tempi. L'argomento è soggetto a un'intensa ricerca teorica, implementazioni industriali pratiche e ad alcuni timori non così giustificabili (la maggior parte dei quali riguarda i robot che uccidono tutti gli esseri umani).

L'apprendimento automatico è generalmente definito come " un tipo di intelligenza artificiale (AI) che fornisce ai computer la capacità di svolgere determinate attività, come riconoscimento, diagnosi, pianificazione, controllo del robot, previsione, ecc., senza essere programmato in modo esplicito. Si concentra sullo sviluppo di algoritmi che possono insegnare a se stessi a crescere e cambiare quando vengono esposti a nuovi dati".

Questo ci porta alla domanda: come viene utilizzato il machine learning nel settore della pubblicità mobile? Ci siamo incontrati con due data scientist di AppLift, il dottor Florian Hoppe e Bruno Wozniak, per capire come gli algoritmi di apprendimento automatico possono aiutare a promuovere le campagne in modo più efficiente ed economico.

Ecco tre esempi principali: offerte in tempo reale (RTB), targeting simile e miglioramento dei dati degli utenti .

1. I DSP utilizzano algoritmi di apprendimento automatico per fare offerte sul traffico RTB

La prima area della pubblicità mobile che può essere migliorata dall'apprendimento automatico (ML) è il traffico delle offerte in tempo reale (RTB). In un ambiente RTB, le Demand-Side Platforms (DSP) devono determinare l'importo ottimale per fare offerte su ogni singola impressione specifica . La maggior parte degli scambi abilitati per RTB consentirà solo una latenza di risposta massima di 100 millisecondi, il che significa che una valutazione dell'impressione basata sui dati deve essere generata in un lasso di tempo estremamente breve.

Per determinare l'importo dell'offerta, l'algoritmo deve valutare la probabilità che l'impressione si traduca in buone metriche di rendimento, come percentuale di clic (CTR), tasso di conversione/installazione (CR/IR) e persino post-installazione eventi che consentono di approssimare il Lifetime Value (LTV). Questa valutazione viene eseguita in modo programmatico, utilizzando i dati forniti con l'impressione, dall'editore o da una piattaforma di gestione dei dati (DMP), nonché i dati proprietari dell'inserzionista come input.

Gli algoritmi ML prelevano campioni di dati storici per stimare le prestazioni future . Ad esempio, possono determinare che un banner proveniente da uno specifico ISP, sistema operativo, sito Web, dati demografici, ecc. ha una probabilità del 2% di generare una conversione. La parte più difficile dell'utilizzo di campioni di dati storici è sapere quali prendere (determinare l'intervallo di tempo e una miriade di altri attributi). Gli algoritmi sono molto più efficienti degli esseri umani nel valutare esattamente quali attributi delle impressioni sono buoni predittori di un migliore rendimento degli annunci , poiché può esaminarli tutti contemporaneamente, mentre un essere umano è piuttosto limitato nel trovare modelli nei set di dati storici del traffico pubblicitario.

La configurazione degli algoritmi ML rimane la parte più difficile poiché i data scientist devono prendere decisioni intelligenti su molte variabili all'interno dell'algoritmo, come il metodo da utilizzare (ad es. regressione logistica/Poisson, Bayesian Bandit; vedere l'intero elenco qui), quale lunghezza di intervallo di tempo da allocare per creare il set di dati storici, nonché con quale schema di codifica presentare le impressioni all'algoritmo.

2. I segmenti per il targeting simile sono determinati con algoritmi di apprendimento automatico

Il secondo campo della pubblicità mobile in cui gli algoritmi di apprendimento automatico vengono utilizzati è il raggruppamento e il targeting del pubblico simile. Il pubblico simile è diventato più noto attraverso Facebook, i cui ampi dati proprietari hanno reso la funzionalità estremamente potente.

Oggi, la maggior parte delle reti pubblicitarie e degli scambi offre opzioni di targeting granulari agli acquirenti, almeno a livello di dispositivo. Ad esempio, puoi mostrare annunci agli utenti Android che vivono nell'area di Chicago. La parte difficile è sapere quale cluster, o insieme di attributi, è rilevante come target per un obiettivo specifico. Il ruolo degli algoritmi ML è quello di aiutare a definire i migliori cluster di audience , come definiti da un insieme specifico di attributi, al fine di indirizzare cluster simili – simili.

Più in particolare, gli algoritmi ML determineranno, da un ampio insieme di attributi disponibili, quali sono i più rilevanti per raggiungere un determinato obiettivo, creando così un cluster di audience. Per fare un esempio semplice, scopriranno che è più probabile che le donne sopra i 30 anni finiscano un tutorial di gioco. Immergendosi ancora un po' più a fondo, gli algoritmi ML trarranno regole per assegnare automaticamente un nuovo utente a un gruppo definito e, infine, prevedere come questo utente reagirà a determinati annunci. Con entrambi i cluster e le regole per l'allocazione degli utenti definiti, è possibile implementare il targeting simile per mostrare annunci specifici solo agli utenti con la maggiore probabilità di mostrare interesse per il prodotto pubblicizzato.

3. I DMP utilizzano algoritmi di apprendimento automatico per migliorare i dati degli utenti

La terza area in cui l'algoritmo di apprendimento automatico aiuta a migliorare la pubblicità mobile è il miglioramento dei dati sulle impressioni per le piattaforme di gestione dei dati (DMP). In un ambiente RTB, le impressioni di solito si uniscono ai dati dell'utente e del dispositivo a livello di editore. Questi ultimi possono essere più o meno estesi a seconda dell'entità dei dati raccolti dall'editore. Tuttavia, raramente è sufficiente che gli acquirenti prendano una decisione di acquisto informata , specialmente in un ambiente programmatico e impegnativo. Ad esempio, non molti editori sono in grado di offrire dati demografici sugli utenti (solo Facebook e pochi altri lo fanno), ma questo tipo di dati è essenziale per gli acquirenti. È qui che entrano in gioco le DMP, che arricchiscono e accrescono i dati dal lato dell'offerta per fornire un quadro migliore del lato della domanda di ciò per cui stanno offrendo.

In questo contesto, gli algoritmi di machine learning servono a migliorare la decisione di acquisto arricchendo i dati dell'utente per ogni impressione. Utilizzando modelli statistici creati dinamicamente, derivano informazioni aggiuntive e rilevanti sugli utenti da set di dati di terze parti . Questi dati di terze parti possono essere forniti direttamente dall'editore (dispositivo, app o sito Web mobile in cui si trova l'utente) o possono provenire da un set di dati esterno (recensioni degli utenti).

Più specificamente, distillando le correlazioni incrociate statistiche da dati di terze parti, è quindi possibile per i DMP dedurre attributi altrimenti sconosciuti, come i dati demografici degli utenti, che sono cruciali per il targeting. In definitiva, gli algoritmi aiutano a far fronte all'inesattezza intrinseca di tali informazioni calcolando la probabilità che un determinato attributo di impressione possa essere utilizzato per derivare attributi aggiuntivi che sono quindi più specifici e più rilevanti per l'inserzionista. Ad esempio, possono calcolare la probabilità che un utente sia maschio, di età inferiore ai 21 anni e un giocatore frequente di giochi di strategia.

Con l'aiuto di algoritmi di apprendimento automatico, i DMP possono quindi aiutare i DSP a migliorare il prezzo di un'offerta su un'impressione specifica.

Gli algoritmi di apprendimento automatico svolgono un ruolo cruciale nell'ecosistema mobile RTB, che è un pezzo in crescita della torta della pubblicità mobile e online. L'elemento comune a tutti i casi d'uso di cui sopra è il fatto che gli algoritmi consentono l'automazione scalabile delle previsioni basate su dati storici. Il loro punto di forza finale è consentire agli inserzionisti mobili, insieme a tutti gli altri attori dell'ecosistema adtech, di superare i limiti dell'analisi delle metriche aggregate per il processo decisionale . Consentono invece di ottimizzare al livello più granulare possibile: ogni singola interazione dell'utente .

Hai domande o vorresti condividere la tua esperienza di lavoro con algoritmi di machine learning? Fateci sapere nei commenti!

Nota: una versione di questo articolo è stata originariamente pubblicata sul blog AppLift.

Ti piace questo articolo? Iscriviti alle nostre e-mail di riepilogo del blog.