移動廣告商可以從機器學習中受益的三種方式
已發表: 2015-05-22機器學習是近期最受炒作的領域之一。 該主題需要經過深入的理論研究、實際的工業實施以及一些不太合理的擔憂（其中大部分是關於機器人殺死所有人的擔憂）。
機器學習通常被定義為“一種人工智能（AI），它為計算機提供執行某些任務的能力，例如識別、診斷、規劃、機器人控制、預測等，而無需明確編程。 它專注於開發能夠在接觸新數據時自學成長和改變的算法。”
這給我們帶來了一個問題：移動廣告行業如何使用機器學習？ 我們與來自 AppLift 的兩位數據科學家 Florian Hoppe 博士和 Bruno Wozniak 坐下來了解機器學習算法如何幫助更有效、更經濟地推動活動。
以下是三個主要示例：實時出價 (RTB)、相似定位和用戶數據增強。
1.DSP使用機器學習算法對RTB流量進行競價
可以通過機器學習 (ML) 改進的第一個移動廣告領域是實時競價 (RTB) 流量。 在 RTB 環境中，需求方平台 (DSP) 需要確定對每一次特定展示出價的最佳金額。 大多數支持 RTB 的交易平台僅允許 100 毫秒的最大響應延遲，這意味著必須在極短的時間內生成以數據為依據的印象評估。
為了確定出價多少，算法需要評估展示的概率，從而產生良好的性能指標，例如點擊率 (CTR)、轉化/安裝率 (CR/IR)，甚至是安裝後能夠估算生命週期價值 (LTV) 的事件。 該評估以編程方式完成，利用來自發布商或來自數據管理平台 (DMP) 的印象提供的數據，以及來自廣告商的第一方數據作為輸入。
ML 算法採用歷史數據樣本來估計未來的性能。 例如，他們可以確定來自特定 ISP、操作系統、網站、人口統計等的橫幅有 2% 的可能性導致轉化。 使用歷史數據樣本最困難的部分是知道要採集哪些樣本（確定時間跨度以及無數其他屬性）。 在準確評估印象的哪些屬性是更好的廣告效果的良好預測指標方面，算法比人類更有效，因為它可以同時查看所有這些屬性，而人類在尋找廣告流量歷史數據集中的模式方面相當有限。
設置 ML 算法仍然是最難的部分，因為數據科學家需要對算法中的許多變量做出明智的決定，例如使用哪種方法（例如邏輯/泊松回歸、貝葉斯強盜；請參閱此處的完整列表）、長度分配時間跨度以創建歷史數據集，以及使用哪種編碼方案將印象呈現給算法。
2. 相似目標的細分是用機器學習算法確定的
機器學習算法所服務的第二個移動廣告領域是相似的受眾聚類和定位。 相似受眾通過 Facebook 變得更加知名，其廣泛的第一方數據使該功能非常強大。
如今，大多數廣告網絡和交易平台都為買家提供了精細的定位選項，至少在設備層面是這樣。 例如，您可以向居住在芝加哥地區的 Android 用戶展示廣告。 困難的部分是知道哪個集群或一組屬性與特定目標的目標相關。 ML 算法的作用是幫助定義由一組特定屬性定義的最佳受眾集群，以定位相似（相似）集群。
更具體地說，ML 算法將在廣泛的可用屬性中確定哪些屬性最相關以達到特定目標，從而創建受眾集群。 舉個簡單的例子，他們會發現 30 歲以上的女性更有可能完成遊戲教程。 再深入一點，機器學習算法將派生規則以自動將新用戶分配到定義的組，並最終預測該用戶對給定廣告的反應。 通過定義集群和分配它們的用戶規則，可以實施相似定位，以便僅向最有可能對廣告產品表現出興趣的用戶展示特定廣告。
3. DMP 使用機器學習算法來改進用戶數據
機器學習算法有助於改善移動廣告的第三個領域是數據管理平台 (DMP) 的印像數據增強。 在 RTB 環境中，展示次數通常與來自發布商級別的用戶和設備數據一起出現。 後者的範圍或多或少取決於出版商收集的數據的範圍。 然而，買家做出明智的購買決定是不夠的，尤其是在要求苛刻的程序化環境中。 例如，沒有多少出版商能夠提供用戶的人口統計數據（只有 Facebook 和其他一些人提供），但這種類型的數據對買家來說是必不可少的。 這就是 DMP 發揮作用的地方，他們豐富和擴充了供應方數據，以便更好地了解他們正在競標的需求方。
在這種情況下，機器學習算法通過豐富每次展示的用戶數據來改善購買決策。 使用動態創建的統計模型，他們從第三方數據集中獲取有關用戶的其他相關信息。 此第三方數據可以由發布者（用戶所在的設備、應用程序或移動網站）直接提供，也可以來自外部數據集（用戶評論）。
更具體地說，通過從第三方數據中提取統計互相關性，DMP 可以推斷出其他未知的屬性，例如用戶人口統計數據，這對於定位至關重要。 最終，算法通過計算給定印象屬性可用於派生其他屬性的概率來幫助處理此類信息的固有不准確性，這些屬性隨後更具體且與廣告商更相關。 例如，他們可以計算出用戶是男性、21 歲以下和經常玩策略遊戲的可能性。
借助機器學習算法，DMP 可以幫助 DSP 改進針對特定展示的出價定價。
機器學習算法在移動 RTB 生態系統中發揮著至關重要的作用，該生態系統是移動和在線廣告市場中不斷增長的一部分。 上述所有用例的共同點是，算法能夠根據歷史數據實現可擴展的自動化預測。 他們的最終優勢是使移動廣告商以及廣告技術生態系統的所有其他參與者能夠克服匯總指標分析的局限性，以進行決策。 相反，它們可以在最精細的級別上進行優化：每次用戶交互。
您有問題或想分享您使用機器學習算法的經驗嗎？ 讓我們在評論中知道！
注意：本文的一個版本最初發佈在 AppLift 博客上。
喜歡這篇文章嗎？ 註冊我們的博客摘要電子郵件。