В последние годы программная реклама захватывает индустрию онлайн-рекламы. Программная реклама предполагает использование технологии для автоматической продажи и покупки показов рекламы между рекламодателями и издателями через аукционы в реальном времени. Ставки в реальном времени (RTB) быстро становятся ведущим методом. Программатик исключает человеческий фактор из процесса и позволяет пропускать такие задачи, как переговоры, тендеры и ввод заказов вручную, что ускоряет и удешевляет покупку выставочного пространства.
В отличие от традиционного рынка онлайн-рекламы, где определенное количество показов продается по фиксированной ставке, RTB позволяет рекламодателям назначать ставки для каждого показа индивидуально в режиме реального времени по цене, зависящей от характеристик уровня показов. Таким образом, RTB позволяет адресную рекламу, то есть возможность показывать рекламу потребителям непосредственно на основе их демографических, психографических или поведенческих характеристик.
К 2020 году затраты на программную рекламу должны составить 68,87 миллиарда долларов.
Поскольку алгоритмическая реклама автоматизирована, вам не нужно останавливать свои действия, чтобы изменить объявление. Это может упростить персонализацию рекламы, чем когда-либо прежде. Вместо того, чтобы платить за рекламу своего продукта во время шоу с наибольшим количеством зрителей, программная реклама позволяет компаниям отправлять целевую рекламу очень конкретной аудитории.
Объявления с программным голосовым поиском находятся в зачаточном состоянии, но этот сдвиг может повлиять на дальнейшие стратегии.
75% всей видеорекламы являются программными. Это означает, что если вы хотите получить доступ к обширной аудитории видео и не ухватились за программную подножку, вы отстаете от времени.
Многие маркетинговые фирмы действуют как агенты для рекламодателей и принимают участие в аукционах в режиме реального времени от их имени. Чтобы обеспечить рентабельное назначение ставок в реальном времени, качественный инвентарь или стратегии и предоставить рекламодателям желаемую производительность (клики, трафик на сайте и т. Д.) По минимально возможной цене, фирмы разрабатывают собственные алгоритмы машинного обучения, используя такие методы. как xgboost, случайные леса, нейронные сети и т. д.
Необходимость оптимальных ставок и качественного инвентаря
Как маркетинговая фирма, ваша основная обязанность - максимально эффективно провести кампанию от имени вашего клиента. Тратя на маркетинг сотни, тысячи или даже миллионы долларов в месяц, лучше сделайте это правильно!
Как менеджер кампании, вы хотели бы продолжать тратить деньги на стратегии, которые повышают эффективность. Приостановка трат на неэффективные программные инвентаризации. Вы все настроены на получение положительной рентабельности инвестиций (ROI). Но на этом оптимизация не должна заканчиваться. Когда вы найдете что-то, что работает и привлекает клиентов, вы можете еще больше его оптимизировать, используя возможности алгоритмов машинного обучения и используя это, чтобы настроить свои кампании, чтобы увидеть, сможете ли вы повысить коэффициент конверсии.
Программные маркетинговые кампании обычно имеют разные стратегии специально для оптимизации различных KPI (ключевых показателей эффективности). Эти ключевые показатели эффективности указываются рекламодателями и обозначают бизнес-цели, которых они хотят достичь, например, привлечение клиентов к веб-сайту рекламодателя и содействие различным видам конверсий (домашняя страница, страница продукта или страница подтверждения). Стратегии в основном сосредоточены на:
- Брендирование клиента перед неохваченной аудиторией
- Определение качественного инвентаря (ключевые слова, домены сайта, издатели и т. Д.)
- Получение дополнительных конверсий для клиента
- Оптимальные цены предложения для RTB вышеупомянутых запасов
Оптимизация этих стратегий - это постоянная практика, которую вы или кто-то из вашей маркетинговой команды будете продолжать выполнять ежедневно, еженедельно или ежемесячно.
Четыре простых шага:
- Собирать информацию
- Анализируйте данные для понимания
- Действуйте в рамках своих маркетинговых кампаний
- Повторять ежедневно, еженедельно, ежемесячно
Оптимизация маркетинга может разочаровывать, сбивать с толку и иногда дорого обходиться. А поскольку системы рекламных технологий становятся все более сложными и распространяемыми, оптимизация маркетинга обещает стать все более и более утомительной.
Таким образом, для достижения маркетинговой цели вам необходимо:
- Постоянно определяйте качественный инвентарь или стратегии
- Регулярно применяйте полученные знания в кампании.
Простым решением этой проблемы может быть внедрение некоторых из популярных в отрасли алгоритмов машинного обучения в ваши конвейеры данных для определения хороших стратегий и их повторного использования в кампании через регулярные и частые промежутки времени.
Использование машинного обучения и искусственного интеллекта обеспечивает минимальные затраты на рекламу и меньшее время между обучением и активацией запасов в программной кампании, что способствует достижению общей маркетинговой цели.
Как использовать ML + Data Engineering в экосистеме Programmatic
- Понимание бизнеса и данных
Программные маркетинговые кампании обычно имеют разные стратегии специально для оптимизации различных KPI (ключевых показателей эффективности). Эти KPI зависят от клиента, и, поскольку каждый KPI имеет разное значение, очевидно, что процесс подготовки данных и основные функции, влияющие на нашу целевую переменную, то есть KPI, будут разными. Ниже вы можете увидеть множество функций, которые мы используем в нашей экосистеме рекламных технологий. Каждый аукцион соответствует пользователю, который фактически сообщает о регионе, времени, домене сайта, устройстве и т. Д., Когда был показан показ рекламы. Основываясь на различных экспериментах по моделированию, мы будем определять среди них важные особенности, которые напрямую влияют на KPI, и, в конце концов, будем нацелены на них через аукционы в реальном времени.
Ниже приведен снимок данных, подготовленный для одного из тестовых случаев. Просмотрите различные типы категориальных характеристик, которые будут использоваться для моделирования и оценки.
Также полезно знать, как распределяются данные, которые вы получаете за счет текущих бюджетных расходов по стратегиям. Например, давайте посмотрим на распределение показов рекламы по высоте показанного рекламного баннера.
Мы можем видеть, что большинство показов идет к высоте 250, но ее частота событий или целевой процент ниже, чем высота 50. Таким образом, если мы можем добавить этот тип данных, которые могут различаться для нашего KPI, построенная модель будет надежной. Аналогичную аналогию можно применить к ширине показанной рекламы и другим показанным выше характеристикам.
- Моделирование и оценка
Моделирование - это сердце науки о данных. Это выполняется следующим образом:
- Выбор техники моделирования - это самый первый шаг, который нужно сделать.
- Затем следует создание тестовых сценариев для проверки качества модели.
- После этого создается еще несколько моделей.
- Затем все модели оцениваются, чтобы убедиться, что они соответствуют бизнес-целям.
Ниже приведен снимок сравнения моделей с использованием показателя Recall в качестве критерия сравнения.
Выбор лучшей модели, а затем осознание важности различных функций дает нам приблизительное представление о том, какая комбинация функций больше всего влияет на цель и на что нацеливаться. Например, после упражнения по моделированию вы можете увидеть, что идентификатор издателя, географический регион и домен сайта - это некоторые функции, которые в основном направлены на успех KPI.
Как мы обсуждали выше, ширина 320 и высота 50 становятся важными по сравнению с другими версиями, но не в таком масштабе. Так что наша интуиция была в какой-то мере верной. Большой!!
- Развертывание
Важные особенности модели, в данном случае комбинация издателя, географического местоположения, браузера и домена сайта, могут затем использоваться для таргетинга через DSP и оптимизации KPI в любой действующей кампании.
Возьмем пример. Для одного из клиентов мы попытались следовать этому подходу и активировали важные комбинации функций для достижения оптимальной CPA (затраты на приобретение) в качестве KPI.
За несколько недель модель изучила новые комбинации функций, влияющих на KPI, и попыталась достичь оптимальной цены за конверсию при минимально возможных ценах предложения. На приведенной ниже диаграмме показана эффективность различных стратегий по сравнению с нашей стратегией, основанной на машинном обучении, что является хорошим подтверждением того, что вы знаете основную истину.
Красная линия показывает эффективность стратегии машинного обучения. Неделю за неделей он учился активироваться на качественных запасах и уменьшал цену за конверсию. Конечно, некоторые стратегии работают лучше, но при более высоких ценах предложения. Оставим прогноз ставок для следующего блога.
Выводы
- Обзор алгоритмических рекламных технологий и назначения ставок в реальном времени (RTB)
- Справочная информация о целях и ключевых показателях эффективности программной маркетинговой кампании
- Использование алгоритмов машинного обучения для повышения эффективности рекламных кампаний с алгоритмической продажей
