Três maneiras pelas quais os anunciantes móveis podem se beneficiar do aprendizado de máquina

O aprendizado de máquina é um dos campos mais badalados dos últimos tempos. O tópico está sujeito a intensa pesquisa teórica, implementações industriais práticas, bem como alguns medos não tão justificáveis ​​(a maioria deles sobre robôs matando todos os humanos).

O aprendizado de máquina é geralmente definido como “ um tipo de inteligência artificial (IA) que fornece aos computadores a capacidade de realizar determinadas tarefas, como reconhecimento, diagnóstico, planejamento, controle de robô, previsão, etc., sem ser explicitamente programado. Ele se concentra no desenvolvimento de algoritmos que podem aprender a crescer e mudar quando expostos a novos dados.”

Isso nos leva à pergunta: como o aprendizado de máquina é usado no setor de publicidade móvel? Conversamos com dois cientistas de dados da AppLift, Dr. Florian Hoppe e Bruno Wozniak, para entender como os algoritmos de aprendizado de máquina podem ajudar a impulsionar campanhas de forma mais eficiente e econômica.

Aqui estão três exemplos principais: Lances em tempo real (RTB), segmentação semelhante e aprimoramento de dados do usuário .

1. Os DSPs usam algoritmos de aprendizado de máquina para fazer lances no tráfego RTB

A primeira área da publicidade móvel que pode ser aprimorada pelo aprendizado de máquina (ML) é o tráfego de lances em tempo real (RTB). Em um ambiente RTB, as plataformas de demanda (DSPs) precisam determinar o valor ideal para lances em cada impressão específica . A maioria das trocas habilitadas para RTB só permitirá uma latência máxima de resposta de 100 milissegundos, o que significa que uma avaliação orientada por dados da impressão deve ser gerada em um período de tempo extremamente curto.

Para determinar o valor do lance, o algoritmo precisa avaliar a probabilidade da impressão resultar em boas métricas de desempenho, como taxa de cliques (CTR), taxa de conversão/instalação (CR/IR) e até pós-instalação eventos que permitem aproximar o Lifetime Value (LTV). Essa avaliação é feita de forma programática, utilizando dados fornecidos com a impressão, seja do editor ou de uma plataforma de gerenciamento de dados (DMP), bem como dados primários do anunciante como entrada.

Os algoritmos de ML coletam amostras de dados históricos para estimar o desempenho futuro . Por exemplo, eles podem determinar que um banner vindo de um ISP, sistema operacional, site, grupo demográfico específico, etc., tem 2% de probabilidade de resultar em uma conversão. A parte mais difícil de usar amostras de dados históricos é saber quais tomar (determinando o intervalo de tempo, bem como uma infinidade de outros atributos). Os algoritmos são muito mais eficientes do que os humanos para avaliar exatamente quais atributos de impressões são bons preditores de melhor desempenho do anúncio , pois podem analisar todos eles simultaneamente, enquanto um humano é bastante limitado em encontrar padrões em conjuntos de dados históricos de tráfego de anúncios.

A configuração dos algoritmos de ML continua sendo a parte mais difícil, pois os cientistas de dados precisam tomar decisões inteligentes sobre muitas variáveis ​​dentro do algoritmo, como qual método usar (por exemplo, regressão logística/Poisson, Bayesian Bandit; veja a lista inteira aqui), qual comprimento de intervalo de tempo a ser alocado para criar o conjunto de dados históricos, bem como com qual esquema de codificação apresentar as impressões ao algoritmo.

2. Os segmentos para segmentação semelhante são determinados com algoritmos de aprendizado de máquina

O segundo campo da publicidade móvel em que os algoritmos de aprendizado de máquina servem é o agrupamento e a segmentação de público semelhante. Públicos semelhantes se tornaram mais conhecidos por meio do Facebook, cujos extensos dados primários tornaram a funcionalidade extremamente poderosa.

Hoje, a maioria das redes de anúncios e trocas oferece opções granulares de segmentação aos compradores, pelo menos no nível do dispositivo. Você pode, por exemplo, exibir anúncios para usuários do Android que moram na área de Chicago. A parte difícil é saber qual cluster, ou conjunto de atributos, é relevante para atingir um objetivo específico. O papel dos algoritmos de ML é ajudar a definir os melhores clusters de público , conforme definido por um conjunto específico de atributos, a fim de segmentar clusters semelhantes – semelhantes.

Mais especificamente, os algoritmos de ML determinarão, de um amplo conjunto de atributos disponíveis, quais são os mais relevantes para atingir um determinado objetivo, criando assim um cluster de audiência. Para dar um exemplo direto, eles descobrirão que mulheres acima de 30 anos são mais propensas a terminar um tutorial de jogo. Aprofundando ainda mais, os algoritmos de ML derivarão regras para atribuir automaticamente um novo usuário a um grupo definido e, por fim, prever como esse usuário reagirá a determinados anúncios. Com ambos os clusters e as regras de alocação de usuários definidos, a segmentação semelhante pode ser implementada para exibir anúncios específicos apenas para os usuários com maior probabilidade de demonstrar interesse no produto anunciado.

3. DMPs usam algoritmos de aprendizado de máquina para melhorar os dados do usuário

A terceira área em que o algoritmo de aprendizado de máquina ajuda a melhorar a publicidade móvel é o aprimoramento de dados de impressão para plataformas de gerenciamento de dados (DMPs). Em um ambiente RTB, as impressões geralmente vêm junto com os dados do usuário e do dispositivo do nível do editor. Este último pode ser mais ou menos extenso, dependendo da extensão dos dados coletados pelo editor. No entanto, raramente é suficiente que os compradores tomem uma decisão de compra informada , especialmente em um ambiente programático exigente. Por exemplo, não são muitos os editores que podem oferecer dados demográficos sobre os usuários (apenas o Facebook e alguns outros fazem), mas esse tipo de dado é essencial para os compradores. É aí que entram os DMPs, enriquecendo e aumentando os dados do lado da oferta para fornecer uma imagem melhor do lado da demanda do que eles estão oferecendo.

Nesse contexto, os algoritmos de aprendizado de máquina servem para melhorar a decisão de compra, enriquecendo os dados do usuário para cada impressão. Usando modelos estatísticos criados dinamicamente, eles obtêm informações adicionais e relevantes sobre usuários de conjuntos de dados de terceiros . Esses dados de terceiros podem ser fornecidos diretamente pelo editor (dispositivo, aplicativo ou site móvel em que o usuário está) ou podem vir de um conjunto de dados externo (revisões de usuários).

Mais especificamente, ao destilar correlações estatísticas cruzadas de dados de terceiros, é possível que os DMPs infiram atributos desconhecidos, como dados demográficos do usuário, que são cruciais para a segmentação. Em última análise, os algoritmos ajudam a lidar com a imprecisão inerente de tais informações , calculando a probabilidade de que um determinado atributo de impressão possa ser usado para derivar atributos adicionais que são mais específicos e mais relevantes para o anunciante. Por exemplo, eles podem calcular a probabilidade de um usuário ser do sexo masculino, ter menos de 21 anos e um jogador frequente de jogos de estratégia.

Com a ajuda de algoritmos de aprendizado de máquina, os DMPs podem ajudar os DSPs a melhorar o preço de um lance em relação a uma impressão específica.

Os algoritmos de aprendizado de máquina desempenham um papel crucial no ecossistema RTB móvel, que é uma parte crescente do bolo de publicidade móvel e online. O elemento comum a todos os casos de uso acima é o fato de que os algoritmos permitem a automação escalável de previsões com base em dados históricos. Sua força final é permitir que os anunciantes móveis, juntamente com todos os outros players do ecossistema de adtech, superem as limitações da análise de métricas agregadas para a tomada de decisões . Em vez disso, eles possibilitam a otimização no nível mais granular possível: cada interação do usuário .

Você tem dúvidas ou gostaria de compartilhar sua experiência de trabalho com algoritmos de aprendizado de máquina? Deixe-nos saber nos comentários!

Observação: uma versão deste artigo foi publicada originalmente no blog do AppLift.

Gostou deste artigo? Inscreva-se para receber nossos e-mails de resumo do blog.