Ennustav pakkumine ja tehisintellekti roll programmilise ökosüsteemi muutmisel
Programmilise reklaami valdkond läbib kiiret õitseaega: turule siseneb uusi ettevõtteid, tehnoloogiad arenevad lumepalliefekti käigus ja õhus on võimsad muutused. Kõik see muudab reklaami ökosüsteeme uskumatult keerulisemaks, luues tingimused pettuste ja raiskamise suurenemiseks.
Siin on trendikad lahendused, mis kasutavad masinõpet (ML) ja tehisintellekt (AI) kõigi rõõmuks tulevad mängu mudelid hindade ennustamiseks ja pakkumisstrateegiate reaalajas kohandamiseks. Kergenduseohkete asemel aga hargneb lahti uus draama: selgub, et tehisintellektil põhinevad programmilised lahendused ei lahenda kõiki probleeme. Lisaks tekitavad need uusi väljakutseid ja probleeme.
See artikkel analüüsib tehisintellekti mudelite kasutamise iseärasusi programmilises reklaamis, eriti ennustava pakkumise puhul. Kuna tehisintellekt on laialdaselt omaks võetud ja idealiseeritud, vaatame läbipaistvuse ja selguse huvides ärieesmärkide telgitaguseid ning puudutame arendusprotsessi.
Tehisintellekt ja masinõpe optimeerimise nimel
Arutelu alustamiseks vastame küsimusele tehisintellekti rolli kohta programmilises tehnoloogias: see on märkimisväärne ja eeldatavasti aja jooksul suureneb. Sama võib öelda iga infotehnoloogia valdkonna kohta, seega tegeleme sisuga, mitte ilusate sõnadega.
Põhimõtteliselt on programmilise reklaami tehisintellekti mudelid loodud ennustama kauplemise ajal oodatava tulemuse saavutamise tõenäosust. Seega, kui oodatav tulemus on saavutatav, tuleks selle saavutamiseks eraldada ressursse. Kui see pole teostatav, tuleks ressursse säästa tulevaste oksjonite jaoks. Nii see toimibki. Kuid detailides peitub sadu kuradeid ja neid pidevalt nihutatakse, püüdes inseneride ja arendajate tööd keerulisemaks muuta.
Kohandatud tehisintellekti mudelite rakendamine tekitab märkimisväärseid väljakutseid. Siin arutame neid raskusi, et anda täpne pilt insenerimaailmast ja nende inimeste rollist, kes hoiavad kätt automatiseerimise pulsil.
Programmiline reklaam toimib ökosüsteemis, mis koosneb SSP-d, DSP-d, reklaamibörsid ja muud kauplemisosalised. Kõik need osapooled on serverites juurutatud tehniliselt keerukad rakendused. Antud juhul on kohandatud tehisintellekti mudel tarkvaralahendus, mille on arendanud, käivitanud ja haldab reklaamiahela konkreetne osaleja enda poolel. Siinse pinge mõistmiseks on mitu olulist punkti.
- Tehisintellekti mudelit kasutatakse tavaliselt pakkumise optimeerimiseks konkreetse partneriga, seega on stabiilsed ja olulised kauplemisinteraktsioonid ning ajalooline kaasatus üliolulised.
- Mida olulisem partner teie portfoolio jaoks on, seda parem, sest eduka automatiseerimise ja algoritmide täiustamise jaoks peate mudelit treenima suurte andmekogumite peal.
- Ennustava tehisintellektiga kauplemise optimeerimise kõige tõhusam viis on rakendada mudeleid, mis keskenduvad parendamisele üks konkreetne mõõdik mitme samaaegse asemel.
Põhimõtteliselt peate mitme partneri jaoks mitme mõõdiku abil tõhusa kauplemise optimeerimiseks juurutama terve komplekti kohandatud tehisintellekti lahendusi, mida saab ühendada ühe juhtsüsteemi põhimõttega. Seda arutame lähemalt.
Programmilise reklaamimise jõudluse parandamiseks tehisintellekti lahenduste rakendamise parimad tavad
Tehisintellekti ja masinõppe roll kasvab proportsionaalselt ja prognoositavalt digitaalse reklaamitööstuse kasvava keerukusega.
Näiteks Google'i siiras kavatsus keelata oma Chrome'i brauseris vaikimisi kolmandate osapoolte küpsised on üks katalüsaatoritest automatiseeritud lahenduste väljatöötamiseks, mis peaksid osaliselt või täielikult kompenseerima sihtimise efektiivsuse kadu. Programmilises tööstuses on masinõppe funktsioonid ja tehisintellekti algoritmid aga juba ühel või teisel kujul rutiinseteks elementideks muutunud. Automatiseerimise kasv on vaid aja küsimus.
Allpool esitame praktikaid, mis eeldavad, et traditsioonilised arendusmeetodid on hästi mõistetavad. Need teadmised pärinevad kirglike reklaamitehnikute rangest ja salakavalast tööst.
Investeerige ennustava pakkumise tehisintellekti mudeli treenimiseks ja täiustamiseks kasutatavate andmete kvaliteedi parandamisse ja kontrollimisse.
See on esimene asi, millega teie arendusosakond või kaasatud meeskond peab tegelema. Programmiline reklaam on valdkond, kus teatud mõõdikute arvutamisel tekivad sageli lahknevused, mis on tingitud arvukatest pakkujatest, kasutatavate meetodite ja lähenemisviiside ebatäiuslikkusest ning muudest põhjustest. Muude põhjuste hulka kuulub süsteemi poolt salvestatud mõõdikute andmete tahtlik moonutamine või vale esitamine, et saada oksjonitel ebaeetiline eelis.
Reklaamtehnoloogia võltsimise pika ajaloo jooksul on andmete moonutamise näideteks olnud klikkide süstimine, võltsitud asukohaandmed, dubleeritud identifikaatorid ja palju muud. Kahjuks võivad sellised pettused programmilises reklaamimises aastaid märkamatuks jääda.
Esimene järeldus on järgmine: head tehisintellekti mudelit saab toetada valeandmetega, sundides seda pakkumist teie ettevõtte kasuks mittesoodsas suunas kohandama. See punkt tuleks kõrvaldada, luues mitmekihilise protsessi tehisintellekti juhitud otsuste kontrollimiseks, eraldades osa liiklusest ja viies läbi mitmesuguseid automatiseeritud teste.
Seo automatiseeritud mudelite värskendused programmilise reklaami infrastruktuuri kohalike uuendustega.
Tehisintellekti mudelid on serveri arhitektuuri suhtes tundlikud. Oletame, et teie partner uuendab ootamatult oma reklaamiplatvormi uuele versioonile ja muudab platvormi sisemist loogikat. Sellisel juhul mõjutab see kindlasti seda, kuidas ennustava analüüsi mudel andmeid tajub. Harva on muudatused nii tähtsusetud, et need ei mõjuta jõudlust. Enamasti nõuavad isegi väikesed uuendused väljatöötatud mudelite analüüsialgoritmide analüüsimist ja kohandamist. Rääkimata juhtudest, kus partnerid muudavad mõõdikute arvutamise ja edastamise põhimõtet ilma osapooli hoiatamata.
Kui mudelit treeniti ühe andmestiku põhjal, kuid asjaolud on muutunud, tasub seda ümber treenida, et see muutust kajastaks.
Vaatame näidet meie praktikast. Jälgime pidevalt suuremate turuosaliste uuendusi, kelle andmeid kasutame kohandatud kliendialgoritmide loomiseks: konkreetsed vastuvõetud mõõdikud võivad pärast uuendust muutuda, mõjutades algoritmi toimivust.
Jälgige oma partnerite optimeerimismeetodite muudatusi. Algoritmide käitumise automatiseeritud analüüs on hädavajalik.
See on samuti huvitav punkt, kuna teie reklaamipartnerid võivad muuta fookust mõõdikutele, mida nad pole varem jälginud. See toob tõenäoliselt kaasa raskusi teabe analüüsimisel ja vigu otsuste tegemisel, millega väljatöötatud ennustav pakkumismudel silmitsi seisab. Partnerite lähenemisviiside sisemiste muutuste jälgimine on tõepoolest keeruline oskus, kuid miski pole võimatu, kui seada esikohale efektiivsus.
Ettevõtte optimeerimise fookuse nihkumise märkide hulka kuuluvad oluliste tehniliste juhtide vahetused, rahastamise kadumine või vastupidi, selle saamine, tellimusmudeli muudatused, näiteks Unity vastuoluline Runtime Fee ja palju muud.
Kokkuvõtteks võib öelda, et optimeerimine on efektiivne ainult konkreetse partneri praeguste kauplemistingimuste korral, mis võivad muutuda ja mõjutada tulemuslikkust. Muutusi saab ennustada partnerite avalike andmete analüüsimise kaudu. Siiski on partnerite kauplemiskäitumise analüüsimise ja modelleerimise automatiseeritud mudelid palju olulisemad, kuna see on teie poolt võimalik eetika piire ületamata.
Järgige reeglit, et ennustav pakkumine masinõppe ja tehisintellekti lahenduste abil on mitme mängijaga mäng, mis võib viia konfliktideni.
Seetõttu on üks parimaid optimeerimisreegleid reeglite rakendamise loogikas paus. Kui süsteem pausi ajal „mõistab“, et sihtmõõdikud on paranenud, tuleks edasist optimeerimisviisi ümber hinnata. Näiteks osa liiklust optimeeritakse jätkuvalt, osa mitte, ja tulemusi võrreldakse edasiste toimingute kohandamiseks.
Ennustav pakkumine veebisaidi kiireks monetiseerimiseks
Üks meie klientidest, suur USA-s asuv SSP platvorm, mis kasutab TeqBlaze oma äri haldamiseks valge sildiga lahendust pakkuv ettevõte võttis meiega ühendust probleemiga. Klient märkas, et uued kirjastajad kurtsid madala kasumi üle ja seda probleemi ei saanud lahendada parimate optimeerimispraktikate järgimisega. Seega palus klient meil probleemi leida ja see tehniliselt ainulaadsel viisil lahendada.
Pärast platvormi esialgset analüüsi kinnitasime, et kauplemistingimused olid nii uute tulijate kui ka peamiste tarnepartnerite jaoks peaaegu samad. Sellele järeldusele tuginedes tuvastasime probleemi kirjastajate inventari seadetes. Nende võidumäär oli palju madalam, seega langes peamine kahtlus kohe valesti määratletud pakkumise alammäärale. Oma teooria vaidlustamiseks viisime läbi teste, mis tõestasid, et paindumatu Pakkumislävi viis oksjonitel madala võidumäärani.
Selle põhjal lisasime kliendi platvormile masinõppe algoritmi, mis aitab valida partneritele optimaalse pakkumise alammäära. Sujuva arenduse tagamiseks oleme kasutanud liikluse isoleeritud osa.
Pärast kavandatud ja hästi testitud masinõppe algoritmi juurutamist saavutas klient umbes 2–3-kordne võidumäära paranemine ja 30–35% kasumi kasvKuna tegemist on masinõppega, jälgime pidevalt kliendi platvormi jõudlust ja töötame selle andmete põhjal algoritmide täiustamise kallal.
Automaatika evolutsioon on oluline
Ajad muutuvad kiiresti, aga tehnoloogia areneb kolm korda kiiremini. Ainus, mis jääb samaks, on inimeste soov mõju avaldada, sammu pidada ja olukorda ennustada. Kõige korraga lubamise asemel on väärtust kogumas siirus ja järkjärguline partnerluse kasv. Kuigi tehisintellekt pakub tohutut potentsiaali pakkumisprotsesside sujuvamaks muutmiseks, on optimeerimise teekond jätkuvalt sama keeruline kui rahuldust pakkuv. Maagilise automatiseerimise kulisside taga on ausad inimesed endiselt pühendunud oma tööle ja keskendunud ettevõtete strateegilistele täiustustele ka suure pinge ees.
Kui soovite oma programmilise reklaami infrastruktuuri intelligentsete tehnoloogiate abil optimeerida, kutsume teid meiega ühendust võtma.
seotud Martech Zone sisu
