Trzy sposoby, w jakie reklamodawcy mobilni mogą czerpać korzyści z uczenia maszynowego

Uczenie maszynowe to jedna z najbardziej rozreklamowanych dziedzin ostatnich czasów. Temat ten jest przedmiotem intensywnych badań teoretycznych, praktycznych wdrożeń przemysłowych, a także kilku nie do końca uzasadnionych obaw (większość z nich dotyczy robotów zabijających wszystkich ludzi).

Uczenie maszynowe jest zwykle definiowane jako „ rodzaj sztucznej inteligencji (AI), który zapewnia komputerom możliwość wykonywania określonych zadań, takich jak rozpoznawanie, diagnozowanie, planowanie, sterowanie robotem, przewidywanie itp., bez wyraźnego programowania. Koncentruje się na rozwoju algorytmów, które mogą nauczyć się rozwijać i zmieniać w kontakcie z nowymi danymi”.

To prowadzi nas do pytania: w jaki sposób uczenie maszynowe jest wykorzystywane w branży reklamy mobilnej? Spotkaliśmy się z dwoma analitykami danych z AppLift, dr Florianem Hoppe i Bruno Wozniakiem, aby zrozumieć, w jaki sposób algorytmy uczenia maszynowego mogą pomóc w bardziej wydajnym i oszczędnym prowadzeniu kampanii.

Oto trzy główne przykłady: określanie stawek w czasie rzeczywistym (RTB), kierowanie na podobieństwo i ulepszanie danych użytkowników .

1. DSP używają algorytmów uczenia maszynowego do licytowania ruchu RTB

Pierwszym obszarem reklamy mobilnej, który można poprawić dzięki uczeniu maszynowemu (ML), jest ruch w czasie rzeczywistym (RTB). W środowisku RTB platformy DSP (Demand Side Platform) muszą określić optymalną kwotę licytacji za każde pojedyncze wyświetlenie . Większość wymian obsługujących RTB pozwala na maksymalne opóźnienie odpowiedzi wynoszące 100 milisekund, co oznacza, że ​​opartą na danych ocenę wyświetlenia należy wygenerować w bardzo krótkim czasie.

Aby określić wysokość stawki, algorytm musi ocenić prawdopodobieństwo wyświetlenia skutkującego dobrymi wskaźnikami skuteczności, takimi jak współczynnik klikalności (CTR), współczynnik konwersji/instalacji (CR/IR), a nawet po instalacji zdarzenia, które umożliwiają przybliżenie wartości życiowej (LTV). Ta ocena jest przeprowadzana programistycznie, z wykorzystaniem danych dostarczonych wraz z wyświetleniem, pochodzących od wydawcy lub platformy zarządzania danymi (DMP), a także danych wejściowych od reklamodawcy.

Algorytmy ML pobierają próbki danych historycznych w celu oszacowania przyszłej wydajności . Na przykład mogą ustalić, że baner pochodzący od określonego dostawcy usług internetowych, systemu operacyjnego, strony internetowej, grupy demograficznej itp. ma 2% prawdopodobieństwo konwersji. Najtrudniejszą częścią korzystania z próbek danych historycznych jest wiedza, które z nich należy pobrać (określenie zakresu czasu oraz niezliczonych innych atrybutów). Algorytmy znacznie skuteczniej niż ludzie oceniają dokładnie, które atrybuty wyświetleń są dobrymi predyktorami lepszej skuteczności reklam , ponieważ mogą przeglądać je wszystkie jednocześnie, podczas gdy człowiek jest raczej ograniczony w znajdowaniu wzorców w historycznych zbiorach danych o ruchu reklamowym.

Skonfigurowanie algorytmów ML pozostaje najtrudniejszą częścią, ponieważ naukowcy zajmujący się danymi muszą podejmować mądre decyzje dotyczące wielu zmiennych w algorytmie, takich jak używana metoda (np. regresja logistyczna/Poissona, Bayesian Bandit; zobacz całą listę tutaj), jaka długość czasu, jaki należy przeznaczyć na utworzenie zbioru danych historycznych, a także jakim schematem kodowania przedstawić wyświetlenia algorytmowi.

2. Segmenty dla kierowania podobnego są określane za pomocą algorytmów uczenia maszynowego

Drugą dziedziną reklamy mobilnej, w której pojawiają się algorytmy uczenia maszynowego, jest grupowanie i targetowanie grup odbiorców w podobny sposób. Podobni odbiorcy stali się lepiej znani dzięki Facebookowi, którego obszerne dane własne sprawiły, że funkcjonalność była niezwykle potężna.

Obecnie większość sieci reklamowych i giełd oferuje kupującym opcje kierowania szczegółowego, przynajmniej na poziomie urządzenia. Możesz na przykład wyświetlać reklamy użytkownikom Androida mieszkającym w rejonie Chicago. Najtrudniejszą częścią jest wiedza o tym, który klaster lub zestaw atrybutów jest odpowiedni do celu dla określonego celu. Rolą algorytmów ML jest pomoc w zdefiniowaniu najlepszych klastrów odbiorców , zdefiniowanych przez określony zestaw atrybutów, w celu ukierunkowania na podobne – podobne – klastry.

Mówiąc dokładniej, algorytmy ML określą, z szerokiego zestawu dostępnych atrybutów, które z nich są najbardziej odpowiednie do osiągnięcia określonego celu, tworząc w ten sposób klaster odbiorców. Weźmy prosty przykład, przekonają się, że kobiety w wieku powyżej 30 lat częściej ukończą samouczek gry. Zanurzając się jeszcze nieco głębiej, algorytmy ML wyprowadzą reguły automatycznego przypisywania nowego użytkownika do zdefiniowanej grupy i ostatecznie przewidują, jak ten użytkownik zareaguje na dane reklamy. Mając zdefiniowane zarówno klastry, jak i zasady przypisywania do nich użytkowników, można wdrożyć targetowanie lookalike, aby wyświetlać konkretne reklamy tylko użytkownikom o największym prawdopodobieństwie zainteresowania reklamowanym produktem.

3. Platformy DMP wykorzystują algorytmy uczenia maszynowego do ulepszania danych użytkownika

Trzecim obszarem, w którym algorytm uczenia maszynowego pomaga ulepszyć reklamę mobilną, jest ulepszanie danych o wyświetleniach dla platform zarządzania danymi (DMP). W środowisku RTB wyświetlenia zwykle są powiązane z danymi użytkownika i urządzenia z poziomu wydawcy. Te ostatnie mogą być mniej lub bardziej rozbudowane w zależności od zakresu danych gromadzonych przez wydawcę. Jednak rzadko wystarcza kupującym podjęcie świadomej decyzji o zakupie , zwłaszcza w wymagającym, zautomatyzowanym środowisku. Na przykład niewielu wydawców jest w stanie zaoferować dane demograficzne o użytkownikach (tylko Facebook i kilka innych), ale tego typu dane są niezbędne dla kupujących. W tym miejscu wkraczają DMP, wzbogacając i powiększając dane po stronie podaży, aby dać lepszy obraz po stronie popytu tego, o co licytują.

W tym kontekście algorytmy uczenia maszynowego służą usprawnieniu decyzji o zakupie poprzez wzbogacenie danych użytkownika dla każdego wyświetlenia. Korzystając z dynamicznie tworzonych modeli statystycznych, uzyskują dodatkowe, istotne informacje o użytkownikach z zestawów danych innych firm . Te dane zewnętrzne mogą być dostarczane bezpośrednio przez wydawcę (urządzenie, aplikacja lub witryna mobilna, na której znajduje się użytkownik) lub mogą pochodzić z zewnętrznego zbioru danych (opinie użytkowników).

Mówiąc dokładniej, poprzez destylację statystycznych korelacji krzyżowych z danych zewnętrznych, platformy DMP mogą następnie wywnioskować nieznane w inny sposób atrybuty, takie jak dane demograficzne użytkowników, które mają kluczowe znaczenie dla kierowania. Ostatecznie algorytmy pomagają radzić sobie z nieodłączną niedokładnością takich informacji , obliczając prawdopodobieństwo, że dany atrybut wyświetlenia może zostać wykorzystany do uzyskania dodatkowych atrybutów, które są wtedy bardziej szczegółowe i bardziej odpowiednie dla reklamodawcy. Na przykład mogą obliczyć prawdopodobieństwo, że użytkownik jest mężczyzną, ma mniej niż 21 lat i często gra w gry strategiczne.

Za pomocą algorytmów uczenia maszynowego platformy DMP mogą następnie pomóc DSP poprawić wycenę stawki w stosunku do określonego wyświetlenia.

Algorytmy uczenia maszynowego odgrywają kluczową rolę w ekosystemie mobilnego RTB, który jest coraz większym elementem mobilnego i internetowego tortu reklamowego. Wspólnym elementem wszystkich powyższych przypadków użycia jest fakt, że algorytmy umożliwiają skalowalną automatyzację predykcji na podstawie danych historycznych. Ich największą siłą jest umożliwienie reklamodawcom mobilnym, a także wszystkim innym graczom ekosystemu adtech, przezwyciężenia ograniczeń związanych z analizą danych zbiorczych na potrzeby podejmowania decyzji . Zamiast tego umożliwiają optymalizację na najbardziej szczegółowym możliwym poziomie: każdą interakcję użytkownika .

Masz pytania lub chciałbyś podzielić się swoim doświadczeniem w pracy z algorytmami uczenia maszynowego? Daj nam znać w komentarzach!

Uwaga: wersja tego artykułu została pierwotnie opublikowana na blogu AppLift.

Podoba Ci się ten artykuł? Zarejestruj się, aby otrzymywać e-maile z podsumowaniem naszego bloga.