모바일 광고주가 머신 러닝의 이점을 누릴 수 있는 3가지 방법

머신 러닝은 최근 가장 과장된 분야 중 하나입니다. 이 주제는 강렬한 이론적 연구, 실용적인 산업 구현 및 정당하지 않은 몇 가지 두려움(대부분 로봇이 모든 인간을 죽이는 것에 관한 것)의 대상입니다.

머신 러닝은 일반적으로 " 명시적으로 프로그래밍하지 않고도 인식, 진단, 계획, 로봇 제어, 예측 등과 같은 특정 작업을 수행할 수 있는 능력을 컴퓨터에 제공 하는 일종의 인공 지능 (AI)"으로 정의됩니다. 새로운 데이터에 노출될 때 성장하고 변화하도록 스스로 학습할 수 있는 알고리즘 개발에 중점을 둡니다.”

이것은 우리에게 다음과 같은 질문을 던집니다. 기계 학습은 모바일 광고 산업에서 어떻게 사용됩니까? AppLift의 Florian Hoppe 박사 및 Bruno Wozniak 박사와 함께 기계 학습 알고리즘이 캠페인을 보다 효율적이고 비용 효율적으로 추진하는 데 어떻게 도움이 되는지 이해하기 위해 두 명의 데이터 과학자와 함께 했습니다.

다음은 실시간 입찰(RTB), 유사 타겟팅 및 사용자 데이터 향상 의 세 가지 주요 예입니다.

1.DSP는 기계 학습 알고리즘을 사용하여 RTB 트래픽에 입찰

머신러닝(ML)으로 개선할 수 있는 모바일 광고의 첫 번째 영역은 실시간 입찰(RTB) 트래픽입니다. RTB 환경에서 DSP(수요측 플랫폼) 는 모든 단일 특정 노출에 대해 최적의 입찰가를 결정 해야 합니다. 대부분의 RTB 지원 교환은 최대 100밀리초의 응답 대기 시간만 허용합니다. 즉, 데이터 기반 노출 평가가 매우 짧은 시간 내에 생성되어야 합니다.

입찰할 금액을 결정하기 위해 알고리즘은 클릭률(CTR), 전환/설치율(CR/IR), 설치 후와 같은 우수한 성능 측정항목으로 이어지는 노출 확률을 평가해야 합니다. 평생 가치(LTV)를 근사화할 수 있는 이벤트. 이 평가는 게시자 또는 DMP(데이터 관리 플랫폼)에서 노출과 함께 제공된 데이터와 광고주의 자사 데이터를 입력으로 활용하여 프로그래밍 방식으로 수행됩니다.

ML 알고리즘은 과거 데이터 샘플을 사용하여 미래의 성능을 추정합니다 . 예를 들어 특정 ISP, 운영 체제, 웹사이트, 인구 통계 등의 배너가 전환으로 이어질 가능성이 2%라고 결정할 수 있습니다. 과거 데이터 샘플을 사용할 때 가장 어려운 부분은 어떤 샘플을 취해야 하는지 아는 것입니다(시간 범위 및 기타 수많은 속성 결정). 알고리즘은 모든 속성을 동시에 볼 수 있으므로 노출의 어떤 속성이 더 나은 광고 실적을 예측할 수 있는지 정확하게 평가하는 데 인간보다 훨씬 더 효율적입니다 . 반면 인간은 광고 트래픽의 과거 데이터 세트에서 패턴을 찾는 데 다소 제한적입니다.

데이터 과학자는 사용할 방법(예: 로지스틱/푸아송 회귀, 베이지안 산적, 전체 목록 참조)과 같은 알고리즘 내 많은 변수에 대해 현명한 결정을 내려야 하므로 ML 알고리즘을 설정하는 것이 가장 어려운 부분입니다. 과거 데이터 세트를 생성하기 위해 할당할 시간 범위와 알고리즘에 노출을 표시할 인코딩 체계.

2. 유사 타겟팅을 위한 세그먼트는 머신 러닝 알고리즘으로 결정됩니다.

기계 학습 알고리즘이 제공되는 모바일 광고의 두 번째 분야는 유사 고객 클러스터링 및 타겟팅입니다. 유사 잠재고객은 Facebook을 통해 더 잘 알려지게 되었으며, Facebook의 광범위한 자사 데이터로 인해 기능이 매우 강력해졌습니다.

오늘날 대부분의 광고 네트워크와 거래소는 최소한 기기 수준에서 구매자에게 세분화된 타겟팅 옵션을 제공합니다. 예를 들어 시카고 지역에 거주하는 Android 사용자에게 광고를 표시할 수 있습니다. 어려운 부분은 특정 목표의 대상과 관련된 클러스터 또는 속성 집합을 아는 것입니다. ML 알고리즘의 역할은 유사한(유사한) 클러스터를 대상으로 하기 위해 특정 속성 집합으로 정의된 최상의 대상 클러스터 정의를 돕는 것 입니다.

보다 구체적으로 말하면 ML 알고리즘은 사용 가능한 다양한 속성 중에서 특정 목표에 도달하기 위해 가장 관련성이 높은 속성을 결정하여 대상 클러스터를 생성합니다. 간단한 예를 들면 30세 이상의 여성이 게임 튜토리얼을 마칠 가능성이 더 높다는 것을 알게 될 것입니다. 좀 더 자세히 살펴보면 ML 알고리즘은 새 사용자를 정의된 그룹에 자동으로 할당하는 규칙을 도출하고 궁극적으로 이 사용자가 주어진 광고에 어떻게 반응할지 예측합니다. 두 클러스터와 사용자 할당 규칙을 정의하면 광고 제품에 관심을 보일 가능성이 가장 높은 사용자에게만 특정 광고를 표시하기 위해 유사 타겟팅을 구현할 수 있습니다.

3. DMP는 기계 학습 알고리즘을 사용하여 사용자 데이터 개선

기계 학습 알고리즘이 모바일 광고를 개선하는 데 도움이 되는 세 번째 영역은 데이터 관리 플랫폼(DMP)에 대한 인상 데이터 향상입니다. RTB 환경에서 노출수는 일반적으로 게시자 수준의 사용자 및 기기 데이터와 함께 제공됩니다. 후자는 게시자가 수집한 데이터의 범위에 따라 다소 광범위할 수 있습니다. 그러나 구매자가 정보에 입각한 구매 결정을 내리는 것만으로는 충분하지 않습니다 . 특히 까다롭고 프로그래밍 방식의 환경에서는 더욱 그렇습니다. 예를 들어, 사용자에 대한 인구통계학적 데이터를 제공할 수 있는 퍼블리셔는 많지 않지만(Facebook과 일부 다른 퍼블리셔만 제공) 이러한 유형의 데이터는 구매자에게 필수적입니다. 여기서 DMP가 등장하여 공급측 데이터를 풍부하게 하고 보강하여 입찰 대상에 대한 수요측면에 대한 더 나은 그림을 제공합니다 .

이러한 맥락에서 머신 러닝 알고리즘은 각 노출에 대한 사용자 데이터를 풍부하게 하여 구매 결정을 개선하는 역할을 합니다. 동적으로 생성된 통계 모델을 사용하여 타사 데이터 세트에서 사용자에 대한 추가 관련 정보를 도출합니다 . 이 제3자 데이터는 게시자(사용자가 있는 기기, 앱 또는 모바일 웹사이트)에서 직접 제공하거나 외부 데이터 세트(사용자 리뷰)에서 가져올 수 있습니다.

더 구체적으로 말하면, 제3자 데이터에서 통계적 상호 상관 관계를 추출함으로써 DMP가 타겟팅에 중요한 사용자 인구 통계와 같은 알려지지 않은 속성을 추론할 수 있습니다. 궁극적으로 알고리즘은 주어진 노출 속성을 사용하여 광고주에게 보다 구체적이고 관련성이 높은 추가 속성을 도출할 수 있는 확률을 계산하여 이러한 정보의 고유한 부정확성을 처리하는 데 도움 이 됩니다. 예를 들어 사용자가 21세 미만이고 전략 게임을 자주 하는 남성일 가능성을 계산할 수 있습니다.

기계 학습 알고리즘의 도움으로 DMP는 DSP가 특정 노출에 대한 입찰가를 높이는 데 도움이 될 수 있습니다.

머신 러닝 알고리즘은 모바일 및 온라인 광고 파이의 성장 부분인 모바일 RTB 생태계에서 중요한 역할을 합니다. 위의 모든 사용 사례의 공통 요소는 알고리즘이 과거 데이터를 기반으로 하는 예측의 확장 가능한 자동화를 가능하게 한다는 사실입니다. 그들의 궁극적인 강점은 모바일 광고주가 애드테크 생태계의 다른 모든 플레이어와 함께 의사 결정을 위한 집계 메트릭 분석의 한계를 극복할 수 있도록 하는 것 입니다. 대신 가능한 가장 세분화된 수준에서 최적화할 수 있습니다. 모든 단일 사용자 상호 작용 .

질문이 있거나 기계 학습 알고리즘 작업 경험을 공유하고 싶으십니까? 댓글로 알려주세요!

참고: 이 기사의 버전은 원래 AppLift 블로그에 게시되었습니다.

이 기사가 마음에 드시나요? 블로그 다이제스트 이메일에 가입하세요.