移动广告商可以从机器学习中受益的三种方式
已发表: 2015-05-22机器学习是近期最受炒作的领域之一。 该主题需要经过深入的理论研究、实际的工业实施以及一些不太合理的担忧（其中大部分是关于机器人杀死所有人的担忧）。
机器学习通常被定义为“一种人工智能（AI），它为计算机提供执行某些任务的能力，例如识别、诊断、规划、机器人控制、预测等，而无需明确编程。 它专注于开发能够在接触新数据时自学成长和改变的算法。”
这给我们带来了一个问题：移动广告行业如何使用机器学习？ 我们与来自 AppLift 的两位数据科学家 Florian Hoppe 博士和 Bruno Wozniak 坐下来了解机器学习算法如何帮助更有效、更经济地推动活动。
以下是三个主要示例：实时出价 (RTB)、相似定位和用户数据增强。
1.DSP使用机器学习算法对RTB流量进行竞价
可以通过机器学习 (ML) 改进的第一个移动广告领域是实时竞价 (RTB) 流量。 在 RTB 环境中，需求方平台 (DSP) 需要确定对每一次特定展示出价的最佳金额。 大多数支持 RTB 的交易平台仅允许 100 毫秒的最大响应延迟，这意味着必须在极短的时间内生成以数据为依据的印象评估。
为了确定出价多少，算法需要评估展示的概率，从而产生良好的性能指标，例如点击率 (CTR)、转化/安装率 (CR/IR)，甚至是安装后能够估算生命周期价值 (LTV) 的事件。 该评估以编程方式完成，利用来自发布商或来自数据管理平台 (DMP) 的印象提供的数据，以及来自广告商的第一方数据作为输入。
ML 算法采用历史数据样本来估计未来的性能。 例如，他们可以确定来自特定 ISP、操作系统、网站、人口统计等的横幅有 2% 的可能性导致转化。 使用历史数据样本最困难的部分是知道要采集哪些样本（确定时间跨度以及无数其他属性）。 在准确评估印象的哪些属性是更好的广告效果的良好预测指标方面，算法比人类更有效，因为它可以同时查看所有这些属性，而人类在寻找广告流量历史数据集中的模式方面相当有限。
设置 ML 算法仍然是最难的部分，因为数据科学家需要对算法中的许多变量做出明智的决定，例如使用哪种方法（例如逻辑/泊松回归、贝叶斯强盗；请参阅此处的完整列表）、长度分配时间跨度以创建历史数据集，以及使用哪种编码方案将印象呈现给算法。
2. 相似目标的细分是用机器学习算法确定的
机器学习算法所服务的第二个移动广告领域是相似的受众聚类和定位。 相似受众通过 Facebook 变得更加知名，其广泛的第一方数据使该功能非常强大。
如今，大多数广告网络和交易平台都为买家提供了精细的定位选项，至少在设备层面是这样。 例如，您可以向居住在芝加哥地区的 Android 用户展示广告。 困难的部分是知道哪个集群或一组属性与特定目标的目标相关。 ML 算法的作用是帮助定义由一组特定属性定义的最佳受众集群，以定位相似（相似）集群。
更具体地说，ML 算法将在广泛的可用属性中确定哪些属性最相关以达到特定目标，从而创建受众集群。 举个简单的例子，他们会发现 30 岁以上的女性更有可能完成游戏教程。 再深入一点，机器学习算法将派生规则以自动将新用户分配到定义的组，并最终预测该用户对给定广告的反应。 通过定义集群和分配它们的用户规则，可以实施相似定位，以便仅向最有可能对广告产品表现出兴趣的用户展示特定广告。
3. DMP 使用机器学习算法来改进用户数据
机器学习算法有助于改善移动广告的第三个领域是数据管理平台 (DMP) 的印象数据增强。 在 RTB 环境中，展示次数通常与来自发布商级别的用户和设备数据一起出现。 后者的范围或多或少取决于出版商收集的数据的范围。 然而，买家做出明智的购买决定是不够的，尤其是在要求苛刻的程序化环境中。 例如，没有多少出版商能够提供用户的人口统计数据（只有 Facebook 和其他一些人提供），但这种类型的数据对买家来说是必不可少的。 这就是 DMP 发挥作用的地方，他们丰富和扩充了供应方数据，以便更好地了解他们正在竞标的需求方。
在这种情况下，机器学习算法通过丰富每次展示的用户数据来改善购买决策。 使用动态创建的统计模型，他们从第三方数据集中获取有关用户的其他相关信息。 此第三方数据可以由发布者（用户所在的设备、应用程序或移动网站）直接提供，也可以来自外部数据集（用户评论）。
更具体地说，通过从第三方数据中提取统计互相关性，DMP 可以推断出其他未知的属性，例如用户人口统计数据，这对于定位至关重要。 最终，算法通过计算给定印象属性可用于派生其他属性的概率来帮助处理此类信息的固有不准确性，这些属性随后更具体且与广告商更相关。 例如，他们可以计算出用户是男性、21 岁以下和经常玩策略游戏的可能性。
借助机器学习算法，DMP 可以帮助 DSP 改进针对特定展示的出价定价。
机器学习算法在移动 RTB 生态系统中发挥着至关重要的作用，该生态系统是移动和在线广告市场中不断增长的一部分。 上述所有用例的共同点是，算法能够根据历史数据实现可扩展的自动化预测。 他们的最终优势是使移动广告商以及广告技术生态系统的所有其他参与者能够克服汇总指标分析的局限性，以进行决策。 相反，它们可以在最精细的级别上进行优化：每次用户交互。
您有问题或想分享您使用机器学习算法的经验吗？ 让我们在评论中知道！
注意：本文的一个版本最初发布在 AppLift 博客上。
喜欢这篇文章吗？ 注册我们的博客摘要电子邮件。