Mobil Reklamverenlerin Makine Öğreniminden Yararlanmalarının Üç Yolu

Makine öğrenimi son zamanların en çok konuşulan alanlarından biri. Konu, yoğun teorik araştırmalara, pratik endüstriyel uygulamalara ve pek de haklı olmayan birkaç korkuya (çoğu robotların tüm insanları öldürmesiyle ilgili) tabidir.

Makine öğrenimi genellikle “ bilgisayarlara tanıma, teşhis, planlama, robot kontrolü, tahmin vb. gibi belirli görevleri açıkça programlanmadan yapma yeteneği sağlayan bir tür yapay zeka (AI) olarak tanımlanır. Yeni verilere maruz kaldıklarında kendilerine büyümeyi ve değişmeyi öğretebilecek algoritmaların geliştirilmesine odaklanıyor.”

Bu bizi şu soruya getiriyor: Mobil reklamcılık endüstrisinde makine öğrenimi nasıl kullanılıyor? Makine öğrenimi algoritmalarının kampanyaları daha verimli ve uygun maliyetli bir şekilde yönlendirmeye nasıl yardımcı olabileceğini anlamak için AppLift'ten iki veri bilimci olan Dr. Florian Hoppe ve Bruno Wozniak ile görüştük.

İşte üç ana örnek: Gerçek Zamanlı Teklif Verme (RTB), benzer hedefleme ve kullanıcı verilerini geliştirme .

1.DSP'ler, RTB Trafiğine Teklif Vermek için Makine Öğrenimi Algoritmalarını Kullanıyor

Makine öğrenimi (ML) ile geliştirilebilecek mobil reklamcılığın ilk alanı Gerçek Zamanlı Teklif (RTB) trafiğidir. Bir RTB ortamında, Talep Tarafı Platformlarının (DSP'ler) , her bir belirli gösterim için teklif vermek için en uygun tutarı belirlemesi gerekir. Çoğu RTB özellikli exchange, yalnızca 100 milisaniyelik maksimum yanıt gecikmesine izin verir; bu, gösterimin veriye dayalı bir değerlendirmesinin çok kısa bir süre içinde oluşturulması gerektiği anlamına gelir.

Ne kadar teklif verileceğini belirlemek için algoritmanın, gösterimin tıklama oranı (TO), dönüşüm/yükleme oranı (CR/IR) ve hatta yükleme sonrası gibi iyi performans ölçümleriyle sonuçlanma olasılığını değerlendirmesi gerekir. Yaklaşık Yaşam Boyu Değeri (LTV) sağlayan olaylar. Bu değerlendirme, gösterimle birlikte yayıncıdan veya bir veri yönetim platformundan (DMP) sağlanan veriler ve ayrıca girdi olarak reklamverenden gelen birinci taraf verileri kullanılarak programlı olarak yapılır.

ML algoritmaları, gelecekteki performansı tahmin etmek için geçmiş veri örneklerini alır . Örneğin, belirli bir İSS'den, işletim sisteminden, web sitesinden, demografiden vb. gelen bir banner'ın dönüşümle sonuçlanma olasılığının %2 olduğunu belirleyebilirler. Geçmiş veri örneklerini kullanmanın en zor kısmı, hangilerinin alınacağını bilmektir (sayısız diğer özelliklerin yanı sıra zaman aralığını da belirler). Algoritmalar, gösterimlerin hangi özelliklerinin daha iyi reklam performansının iyi öngörücüleri olduğunu tam olarak değerlendirmede insanlardan çok daha etkilidir , çünkü bunların tümüne aynı anda bakabilir, oysa bir insan reklam trafiğinin geçmiş veri kümelerinde kalıp bulma konusunda oldukça sınırlıdır.

ML algoritmalarını kurmak, veri bilimcilerin hangi yöntemin kullanılacağı (ör. lojistik/Poisson regresyonu, Bayesian Bandit; buradaki tüm listeye bakın) gibi algoritma içindeki birçok değişken üzerinde akıllı kararlar alması gerektiğinden, en zor kısım olmaya devam ediyor. Geçmiş veri setini oluşturmak için ayrılacak zaman aralığının yanı sıra gösterimlerin algoritmaya hangi kodlama şemasıyla sunulacağı.

2. Makine Öğrenmesi Algoritmaları ile Benzer Hedefleme Segmentleri Belirleniyor

Makine öğrenimi algoritmalarının hizmet verdiği ikinci mobil reklamcılık alanı, benzer kitle kümeleme ve hedeflemedir. Benzer kitleler, kapsamlı birinci taraf verilerinin işlevselliği son derece güçlü kılan Facebook aracılığıyla daha iyi bilinir hale geldi.

Günümüzde çoğu reklam ağı ve borsa, alıcılara en azından cihaz düzeyinde ayrıntılı hedefleme seçenekleri sunuyor. Örneğin, Chicago bölgesinde yaşayan Android kullanıcılarına reklam gösterebilirsiniz. Zor olan kısım, belirli bir hedef için hangi kümenin veya nitelikler kümesinin ilgili olduğunu bilmektir. Makine öğrenimi algoritmalarının rolü, benzer – benzer – kümeleri hedeflemek için belirli bir nitelikler kümesi tarafından tanımlandığı gibi en iyi hedef kitle kümelerini tanımlamaya yardımcı olmaktır .

Daha spesifik olarak, ML algoritmaları, belirli bir amaca ulaşmak için geniş bir mevcut nitelikler kümesinden hangilerinin en alakalı olduğunu belirleyecek ve böylece bir izleyici kümesi oluşturacaktır. Basit bir örnek vermek gerekirse, 30 yaşın üzerindeki kadınların bir oyun eğitimini bitirme ihtimalinin daha yüksek olduğunu öğrenecekler. Biraz daha derine inen ML algoritmaları, tanımlanmış bir gruba otomatik olarak yeni bir kullanıcı atamak için kurallar türetecek ve nihayetinde bu kullanıcının verilen reklamlara nasıl tepki vereceğini tahmin edecektir. Hem kümeler hem de kullanıcıları tahsis etme kuralları tanımlandığında, belirli reklamları yalnızca reklamı yapılan ürüne ilgi gösterme olasılığı en yüksek olan kullanıcılara göstermek için benzer hedefleme uygulanabilir.

3. DMP'ler Kullanıcı Verilerini Geliştirmek için Makine Öğrenimi Algoritmalarını Kullanıyor

Makine öğrenimi algoritmasının mobil reklamcılığı geliştirmeye yardımcı olduğu üçüncü alan, veri yönetimi platformları (DMP'ler) için gösterim verilerinin iyileştirilmesidir. Bir RTB ortamında, gösterimler genellikle yayıncı düzeyindeki kullanıcı ve cihaz verileriyle bir araya gelir. İkincisi, yayıncı tarafından toplanan verilerin kapsamına bağlı olarak az ya da çok kapsamlı olabilir. Bununla birlikte, özellikle talepkar, programlı bir ortamda, alıcıların bilinçli bir satın alma kararı vermesi nadiren yeterlidir . Örneğin, pek çok yayıncı, kullanıcılar hakkında demografik veriler sunamaz (yalnızca Facebook ve birkaç kişi daha sunar), ancak bu tür veriler alıcılar için çok önemlidir. Burası, teklif verdikleri şeyin talep tarafına daha iyi bir resim vermek için arz yönlü verileri zenginleştiren ve artıran DMP'lerin devreye girdiği yerdir.

Bu bağlamda makine öğrenimi algoritmaları, her gösterim için kullanıcı verilerini zenginleştirerek satın alma kararını iyileştirmeye hizmet eder. Dinamik olarak oluşturulmuş istatistiksel modelleri kullanarak , üçüncü taraf veri kümelerinden kullanıcılar hakkında ek, ilgili bilgiler elde ederler . Bu üçüncü taraf verileri, doğrudan yayıncı (kullanıcının bulunduğu cihaz, uygulama veya mobil web sitesi) tarafından sağlanabilir veya harici bir veri setinden (kullanıcı incelemeleri) gelebilir.

Daha spesifik olarak, üçüncü taraf verilerinden istatistiksel çapraz korelasyonların damıtılmasıyla, VYP'lerin, hedefleme için çok önemli olan kullanıcı demografisi gibi başka türlü bilinmeyen özellikleri çıkarması mümkündür. Sonuç olarak, algoritmalar, belirli bir gösterim niteliğinin, reklamveren için daha spesifik ve daha alakalı olan ek nitelikler türetmek için kullanılabileceği olasılığını hesaplayarak, bu tür bilgilerin doğal yanlışlığıyla başa çıkmaya yardımcı olur . Örneğin, bir kullanıcının erkek, 21 yaş altı ve sık sık strateji oyunları oynayan biri olma olasılığını hesaplayabilirler.

DMP'ler, makine öğrenimi algoritmalarının yardımıyla DSP'lerin belirli bir gösterim üzerinden teklif fiyatlandırmasını iyileştirmesine yardımcı olabilir.

Makine öğrenimi algoritmaları, mobil ve çevrimiçi reklamcılık pastasının büyüyen bir parçası olan mobil RTB ekosisteminde çok önemli bir rol oynamaktadır. Yukarıdaki kullanım durumlarının hepsinin ortak unsuru, algoritmaların geçmiş verilere dayalı tahminlerin ölçeklenebilir otomasyonunu sağlamasıdır. Nihai güçleri, mobil reklamverenlerin, reklam teknolojisi ekosisteminin diğer tüm oyuncularıyla birlikte , karar verme için toplu metrik analizinin sınırlamalarının üstesinden gelmelerini sağlamaktır . Bunun yerine, mümkün olan en ayrıntılı düzeyde optimize etmeyi mümkün kılarlar: her bir kullanıcı etkileşimi .

Sorularınız mı var veya makine öğrenimi algoritmalarıyla çalışma deneyiminizi paylaşmak mı istiyorsunuz? Yorumlarda bize bildirin!

Not: Bu makalenin bir sürümü orijinal olarak AppLift blogunda yayınlanmıştır.

Bu makaleyi beğendiniz mi? Blog özet e-postalarımız için kaydolun.