モバイル広告主が機械学習からメリットを得る 3 つの方法

機械学習は、最近最も注目されている分野の 1 つです。 このトピックは、熱心な理論的研究、実用的な産業実装、およびそれほど正当化されないいくつかの恐怖 (それらのほとんどは、ロボットがすべての人間を殺すことに関するものです) の対象となります。

機械学習は通常、「明示的にプログラムすることなく、認識、診断、計画、ロボット制御、予測などの特定のタスクを実行する能力をコンピュータに提供する人工知能(AI)の一種」と定義されます。 新しいデータにさらされたときに成長し、変化することを学習できるアルゴリズムの開発に焦点を当てています。」

これは、モバイル広告業界で機械学習がどのように使用されているかという疑問をもたらします。 AppLift の 2 人のデータ サイエンティスト、Dr. Florian Hoppe と Bruno Wozniak に話を聞いて、機械学習アルゴリズムがキャンペーンをより効率的かつ費用対効果の高い方法で推進するのにどのように役立つかを理解しました。

主な例として、リアルタイム ビッダー (RTB)、類似ターゲティング、ユーザー データ拡張の3 つがあります。

1.DSP は機械学習アルゴリズムを使用して RTB トラフィックに入札する

機械学習 (ML) によって改善できるモバイル広告の最初の領域は、リアルタイム入札 (RTB) トラフィックです。 RTB 環境では、デマンド サイド プラットフォーム (DSP) は、特定のインプレッションごとに最適な入札額を決定する必要があります。 ほとんどの RTB 対応取引所では、最大 100 ミリ秒の応答遅延しか許可されません。つまり、インプレッションのデータ駆動型評価を非常に短い時間内に生成する必要があります。

入札額を決定するために、アルゴリズムは、インプレッションがクリックスルー率 (CTR)、コンバージョン/インストール率 (CR/IR)、さらにはポストインストールなどの良好なパフォーマンス指標をもたらす可能性を評価する必要があります。ライフタイム バリュー (LTV) を概算できるイベント。 この評価は、インプレッションと共に提供されるデータ (サイト運営者またはデータ管理プラットフォーム (DMP) のいずれか) と、広告主からのファースト パーティ データを入力として使用して、プログラムによって行われます。

ML アルゴリズムは、過去のデータ サンプルを取得して、将来のパフォーマンスを推定します。 たとえば、特定の ISP、オペレーティング システム、Web サイト、人口統計などからのバナーがコンバージョンにつながる可能性は 2% であると判断できます。 履歴データ サンプルを使用する際の最も難しい部分は、どのサンプルを取得するかを知ることです (時間範囲とその他の無数の属性を決定します)。 アルゴリズムは、インプレッションのどの属性がより良い広告パフォーマンスの優れた予測因子であるかを正確に評価することにおいて、人間よりもはるかに効率的です。アルゴリズムはそれらすべてを同時に見ることができるためです。一方、人間は、広告トラフィックの履歴データセットでパターンを見つけることがかなり限られています。

データ サイエンティストはアルゴリズム内の多くの変数について賢明な決定を下す必要があるため、ML アルゴリズムの設定は依然として最も難しい部分です。たとえば、使用する方法 (例: ロジスティック/ポアソン回帰、ベイズ バンディット。ここで全リストを参照)、どの長さかなどです。履歴データ セットを作成するために割り当てる期間と、インプレッションをアルゴリズムに提示するためのエンコード スキーム。

2. 類似ターゲティングのセグメントは、機械学習アルゴリズムで決定されます

機械学習アルゴリズムが役立つようになるモバイル広告の 2 番目の分野は、類似オーディエンスのクラスタリングとターゲティングです。 類似オーディエンスは、Facebook を通じてよく知られるようになりました。Facebook の広範なファーストパーティ データにより、機能が非常に強力になりました。

現在、ほとんどの広告ネットワークと取引所は、少なくともデバイス レベルで、購入者に詳細なターゲティング オプションを提供しています。 たとえば、シカゴ地域に住む Android ユーザーに広告を表示できます。 難しいのは、特定の目的のターゲットに関連するクラスターまたは属性のセットを知ることです。 ML アルゴリズムの役割は、特定の属性セットによって定義されるように、最適なオーディエンス クラスターを定義して、類似した (類似した) クラスターをターゲットにすることです。

より具体的には、ML アルゴリズムは、利用可能な属性の幅広いセットから、特定の目的に到達するために最も関連性の高い属性を決定し、それによってオーディエンス クラスターを作成します。 簡単な例を挙げると、30 歳以上の女性はゲームのチュートリアルを完了する可能性が高いことがわかります。 さらに深く掘り下げると、ML アルゴリズムは新しいユーザーを定義済みのグループに自動的に割り当てるルールを導出し、最終的にこのユーザーが特定の広告にどのように反応するかを予測します。 クラスターとそれらをユーザーに割り当てるルールの両方を定義すると、類似ターゲティングを実装して、宣伝された製品に関心を示す可能性が最も高いユーザーにのみ特定の広告を表示できます。

3. DMP は機械学習アルゴリズムを使用してユーザー データを改善する

機械学習アルゴリズムがモバイル広告の改善に役立つ 3 つ目の領域は、データ管理プラットフォーム (DMP) のインプレッション データの強化です。 RTB 環境では、インプレッションは通常、サイト運営者レベルのユーザー データとデバイス データと一緒になります。 後者は、発行者が収集するデータの範囲に応じて、多かれ少なかれ広範囲になる可能性があります。 ただし、購入者が十分な情報に基づいて購入を決定するだけでは、特に要求の厳しいプログラマティックな環境では十分とは言えません。 たとえば、ユーザーに関する人口統計データを提供できるパブリッシャーは多くありません (提供できるのは Facebook とその他の数社のみ) が、この種のデータは購入者にとって不可欠です。 これが DMP の出番であり、供給側のデータを充実させて増強し、入札対象の需要側をよりよく把握できるようにします。

このコンテキストでは、機械学習アルゴリズムは、各インプレッションのユーザー データを強化することで、購入の意思決定を改善するのに役立ちます。 動的に作成された統計モデルを使用して、サードパーティのデータ セットからユーザーに関する追加の関連情報を導き出します。 このサードパーティ データは、サイト運営者 (ユーザーがアクセスしているデバイス、アプリ、またはモバイル Web サイト) から直接提供されるか、外部データ セット (ユーザー レビュー) から取得されます。

より具体的には、サードパーティのデータから統計的な相互相関を抽出することにより、DMP は、ターゲティングに不可欠な、ユーザーの人口統計などの未知の属性を推測できるようになります。 最終的に、アルゴリズムは、特定のインプレッション属性を使用して、より具体的で広告主にとってより関連性の高い追加の属性を導出できる確率を計算することで、このような情報に内在する不正確さに対処するのに役立ちます。 たとえば、ユーザーが 21 歳未満の男性で、ストラテジー ゲームを頻繁にプレイする可能性を計算できます。

機械学習アルゴリズムの助けを借りて、DMP は DSP が特定のインプレッションに対する入札価格を改善するのに役立ちます。

モバイル RTB エコシステムでは、機械学習アルゴリズムが重要な役割を果たしています。モバイル RTB エコシステムは、モバイルおよびオンライン広告のパイの一部として成長しています。 上記のすべてのユースケースに共通する要素は、アルゴリズムが履歴データに基づくスケーラブルな予測の自動化を可能にするという事実です。 その究極の強みは、アドテック エコシステムの他のすべてのプレーヤーと同様に、モバイル広告主が、意思決定のための集計メトリクス分析の限界を克服できるようにすることです。 代わりに、可能な限り詳細なレベルでの最適化を可能にします。つまり、すべてのユーザー インタラクションです。

質問がありますか、または機械学習アルゴリズムの使用経験を共有したいですか? コメントでお知らせください！

注: この記事のバージョンは、もともと AppLift ブログで公開されたものです。

この記事が好きですか？ ブログ ダイジェスト メールにサインアップしてください。