Три способа, которыми мобильные рекламодатели могут извлечь выгоду из машинного обучения

Машинное обучение — одна из самых раскрученных областей в последнее время. Тема является предметом интенсивных теоретических исследований, практических промышленных реализаций, а также нескольких не совсем оправданных опасений (большинство из них связаны с роботами, убивающими всех людей).

Машинное обучение обычно определяется как « тип искусственного интеллекта (ИИ), который предоставляет компьютерам возможность выполнять определенные задачи, такие как распознавание, диагностика, планирование, управление роботами, прогнозирование и т. д., без явного программирования. Он фокусируется на разработке алгоритмов, которые могут научить себя расти и изменяться при воздействии новых данных».

Это подводит нас к вопросу: как машинное обучение используется в индустрии мобильной рекламы? Мы встретились с двумя исследователями данных из AppLift, доктором Флорианом Хоппе и Бруно Возняком, чтобы понять, как алгоритмы машинного обучения могут помочь проводить кампании более эффективно и экономично.

Вот три основных примера: назначение ставок в режиме реального времени (RTB), таргетинг на похожие объявления и улучшение пользовательских данных .

1.DSP используют алгоритмы машинного обучения для ставок на RTB-трафик

Первая область мобильной рекламы, которую можно улучшить с помощью машинного обучения (ML), — это трафик с назначением ставок в реальном времени (RTB). В среде RTB платформы Demand-Side (DSP) должны определять оптимальную сумму для каждого отдельного показа . Большинство бирж с поддержкой RTB допускают максимальную задержку ответа только в 100 миллисекунд, а это означает, что оценка показа на основе данных должна быть произведена в течение очень короткого промежутка времени.

Чтобы определить, какую ставку делать, алгоритм должен оценить вероятность того, что показ приведет к хорошим показателям эффективности, таким как рейтинг кликов (CTR), коэффициент конверсии/установок (CR/IR) и даже пост-установочный контент. события, которые позволяют приблизить Lifetime Value (LTV). Эта оценка выполняется программно с использованием данных, предоставленных вместе с показом либо от издателя, либо от платформы управления данными (DMP), а также исходных данных от рекламодателя в качестве входных данных.

Алгоритмы машинного обучения берут образцы исторических данных для оценки будущей производительности . Например, они могут определить, что баннер, исходящий от определенного интернет-провайдера, операционной системы, веб-сайта, демографической группы и т. д., имеет 2%-ную вероятность конверсии. Самая сложная часть использования выборок исторических данных — это знать, какие из них брать (определение временного интервала, а также множества других атрибутов). Алгоритмы намного эффективнее людей определяют, какие именно атрибуты показов являются хорошими предикторами повышения эффективности рекламы , поскольку они могут рассматривать их все одновременно, в то время как человек довольно ограничен в поиске закономерностей в исторических наборах данных о рекламном трафике.

Настройка алгоритмов ML остается самой сложной частью, поскольку специалистам по данным необходимо принимать разумные решения по множеству переменных в алгоритме, например, какой метод использовать (например, логистическая/регрессия Пуассона, байесовский бандит; полный список см. здесь), какая длина временной отрезок, который необходимо выделить для создания набора исторических данных, а также схему кодирования для представления показов алгоритму.

2. Сегменты для похожего таргетинга определяются с помощью алгоритмов машинного обучения

Вторая область мобильной рекламы, в которой используются алгоритмы машинного обучения, — это кластеризация и таргетинг похожей аудитории. Похожая аудитория стала более известной благодаря Facebook, чьи обширные собственные данные сделали эту функциональность чрезвычайно мощной.

Сегодня большинство рекламных сетей и бирж предлагают покупателям детализированные варианты таргетинга, по крайней мере, на уровне устройства. Например, вы можете показывать рекламу пользователям Android, живущим в районе Чикаго. Трудная часть состоит в том, чтобы знать, какой кластер или набор атрибутов релевантны для достижения конкретной цели. Роль алгоритмов машинного обучения заключается в том, чтобы помочь определить лучшие кластеры аудитории , определяемые определенным набором атрибутов, чтобы нацеливаться на похожие — похожие — кластеры.

В частности, алгоритмы машинного обучения будут определять из широкого набора доступных атрибутов, какие из них наиболее актуальны для достижения определенной цели, тем самым создавая кластер аудитории. Чтобы взять простой пример, они обнаружат, что женщины старше 30 лет с большей вероятностью закончат обучение игре. Погружаясь еще немного глубже, алгоритмы машинного обучения будут выводить правила для автоматического назначения нового пользователя в определенную группу и, в конечном итоге, предсказывать, как этот пользователь будет реагировать на данную рекламу. Когда кластеры и правила их распределения определены пользователями, можно реализовать таргетинг на похожие объявления, чтобы показывать определенные объявления только тем пользователям, которые с наибольшей вероятностью проявят интерес к рекламируемому продукту.

3. DMP используют алгоритмы машинного обучения для улучшения пользовательских данных

Третья область, в которой алгоритм машинного обучения помогает улучшить мобильную рекламу, — это улучшение данных о показах для платформ управления данными (DMP). В среде RTB показы обычно объединяются с данными о пользователях и устройствах на уровне издателя. Последнее может быть более или менее обширным в зависимости от объема данных, собранных издателем. Однако покупателям редко бывает достаточно принять обоснованное решение о покупке , особенно в сложной программной среде. Например, не многие издатели могут предоставить демографические данные о пользователях (только Facebook и некоторые другие), но этот тип данных важен для покупателей. Именно здесь вступают в действие DMP, обогащая и дополняя данные со стороны предложения, чтобы дать лучшее представление о спросе на то, за что они торгуются.

В этом контексте алгоритмы машинного обучения служат для улучшения решения о покупке, обогащая пользовательские данные для каждого показа. Используя динамически создаваемые статистические модели, они получают дополнительную актуальную информацию о пользователях из сторонних наборов данных . Эти сторонние данные могут быть предоставлены непосредственно издателем (устройством, приложением или мобильным веб-сайтом, на котором находится пользователь), или могут поступать из внешнего набора данных (отзывы пользователей).

В частности, путем извлечения статистических взаимных корреляций из сторонних данных DMP могут сделать вывод о неизвестных в противном случае атрибутах, таких как демографические данные пользователей, которые имеют решающее значение для таргетинга. В конечном счете, алгоритмы помогают справиться с присущей такой информации неточностью, вычисляя вероятность того, что данный атрибут показа может быть использован для получения дополнительных атрибутов, которые затем становятся более конкретными и релевантными для рекламодателя. Например, они могут рассчитать вероятность того, что пользователь будет мужчиной моложе 21 года и часто играет в стратегические игры.

Затем с помощью алгоритмов машинного обучения DMP могут помочь DSP улучшить ценообразование на ставку по сравнению с конкретным показом.

Алгоритмы машинного обучения играют решающую роль в мобильной экосистеме RTB, которая является растущей частью пирога мобильной и онлайн-рекламы. Общим элементом для всех вышеперечисленных вариантов использования является тот факт, что алгоритмы обеспечивают масштабируемую автоматизацию прогнозов на основе исторических данных. Их конечная сила заключается в том, чтобы позволить мобильным рекламодателям, наряду со всеми другими игроками экосистемы рекламных технологий, преодолеть ограничения анализа совокупных показателей для принятия решений . Вместо этого они позволяют оптимизировать на максимально детальном уровне: каждое взаимодействие с пользователем .

У вас есть вопросы или вы хотите поделиться своим опытом работы с алгоритмами машинного обучения? Дайте нам знать об этом в комментариях!

Примечание. Версия этой статьи изначально была опубликована в блоге AppLift.

Нравится эта статья? Подпишитесь на рассылку дайджеста нашего блога.