Индустрия программной рекламы переживает стремительный бум: на рынок выходят новые компании, технологии идут снегом, в воздухе витает мощная трансформация. Все это делает рекламные экосистемы невероятно сложными, создавая условия для роста мошенничества и растрат.

Вот популярные решения, которые используют модели машинного обучения (ML) и искусственного интеллекта (AI) для прогнозирования ставок и корректировки стратегий назначения ставок в режиме реального времени, чтобы все были довольны. Однако вместо вздохов облегчения разворачивается новая драма: оказывается, что программные решения на основе ИИ не решают всех проблем. Более того, они создают новые вызовы и проблемы.

В этой статье будет проанализирована специфика использования моделей искусственного интеллекта в программной рекламе, особенно в рамках прогнозного ценообразования. Поскольку искусственный интеллект широко используется и сильно идеализирован, мы заглянем за кулисы бизнес-целей для обеспечения прозрачности и ясности, а также коснемся процесса разработки.

Искусственный интеллект и машинное обучение для оптимизации

Чтобы начать дискуссию, давайте ответим на вопрос о роли ИИ в программном обеспечении: она значительна и, как ожидается, со временем будет расти. Впрочем, то же самое можно сказать и о любой области информационных технологий, поэтому давайте займемся содержанием, а не упаковкой красивых слов.

На фундаментальном уровне модели искусственного интеллекта в программной рекламе предназначены для прогнозирования вероятности достижения ожидаемого результата во время сделки. Соответственно, если ожидаемый результат достижим, необходимо выделить ресурсы для его достижения. Если это невозможно, ресурсы следует сохранить для будущих аукционов. Это работает следующим образом. Однако в деталях прячутся сотни чертей, и они постоянно их смешивают, пытаясь усложнить работу инженеров и разработчиков.

Внедрение пользовательских моделей ИИ сопряжено с серьезными проблемами. Здесь мы обсудим эти трудности, чтобы дать точную картину мира техники и роли тех, кто держит руку на пульсе автоматизации.

Программная реклама работает в экосистеме SSP, DSP, рекламных бирж и других торговых игроков. Все эти стороны представляют собой технически сложные приложения, размещенные на серверах. В данном случае пользовательская модель ИИ представляет собой программное решение, разработанное, запущенное и поддерживаемое конкретным участником рекламной цепочки на своей стороне. Вот несколько важных моментов, которые помогут понять возникшее напряжение.

• Модель искусственного интеллекта обычно используется для оптимизации ставок с конкретным партнером, поэтому стабильное и значимое торговое взаимодействие и историческое взаимодействие имеют решающее значение.
• Чем более релевантным партнер является для вашего портфолио, тем лучше, поскольку вам необходимо обучать модель на больших наборах данных для успешной автоматизации и улучшения алгоритмов.
• Самый эффективный подход к оптимизации торговли с помощью прогнозирующего ИИ — это внедрение моделей, направленных на улучшение один конкретный показатель, а не несколько показателей одновременно.

По сути, чтобы эффективно оптимизировать торговлю с несколькими индикаторами для нескольких партнеров, вам необходимо внедрить целый набор пользовательских решений искусственного интеллекта, которые можно объединить по принципу единой ведущей системы. Мы обсудим это дальше.

Лучшие практики внедрения решений искусственного интеллекта для повышения производительности программ

Роль искусственного интеллекта и машинного обучения растет пропорционально и предсказуемо по мере усложнения индустрии цифровой рекламы.

Например, искреннее намерение Google запретить сторонние файлы cookie по умолчанию для Chrome является одним из катализаторов разработки автоматизированных решений, которые должны частично или полностью компенсировать потерю эффективности таргетинга. Однако в индустрии программного обеспечения функции машинного обучения и алгоритмы ИИ уже стали в той или иной форме рутинными элементами. Рост автоматизации – лишь вопрос времени.

Далее мы представляем эту практику, предполагая, что традиционные подходы к развитию хорошо понятны. Эти идеи стали результатом тяжелой и секретной работы увлеченных специалистов по рекламе.

Инвестируйте в улучшение и контроль качества данных, используемых для обучения и совершенствования модели ИИ для прогнозирования цен.

Это первое, чем должен заняться ваш отдел разработки или аудиторская группа. Программная реклама – это сфера, в которой часто возникают несоответствия в расчете тех или иных показателей из-за наличия большого количества претендентов, недостатков используемых методов и подходов и других причин. Другие причины включают намеренное искажение или искажение показателей, зарегистрированных системой, с целью получения неэтичного преимущества на аукционах.

За долгую историю подмены рекламных технологий примеры манипулирования данными включают в себя внедрение кликов, поддельные данные о местоположении, повторяющиеся идентификаторы и многое другое. К сожалению, этот тип мошенничества с программным обеспечением может оставаться незамеченным в течение многих лет.

Вот первый вывод: хорошая модель ИИ может быть подкреплена ложными данными, что приведет к корректировке ставок таким образом, что это не пойдет на пользу вашему бизнесу. Эту проблему следует решить путем создания многоуровневого процесса тестирования решений, основанных на искусственном интеллекте, изоляции части трафика и выполнения различных автоматических тестов.

Свяжите обновления с автоматизированными моделями с помощью встроенных программных обновлений инфраструктуры.

Модели ИИ чувствительны к серверной архитектуре. Допустим, ваш партнер внезапно обновляет свою рекламную платформу до новой версии и меняет внутреннюю логику платформы. В этом случае это определенно повлияет на то, как модель прогнозной аналитики воспринимает данные. Редко изменения настолько незначительны, что не влияют на производительность. Чаще всего даже незначительные обновления требуют анализа и корректировки разработанных алгоритмов анализа моделей. Не говоря уже о случаях, когда партнеры меняют принцип расчета и передачи метрик без уведомления сторон.

Если модель обучалась на одном наборе данных, но условия изменились, стоит переобучить ее, чтобы отразить изменения.

Давайте рассмотрим пример из нашей практики. Мы постоянно отслеживаем обновления основных участников рынка, данные которых мы используем для создания пользовательских алгоритмов для наших клиентов: после обновления конкретные принятые метрики могут измениться, что повлияет на производительность алгоритма.

Отслеживайте изменения в подходах к оптимизации ваших партнеров. Автоматический анализ производительности алгоритма имеет важное значение.

Это также интересный момент, поскольку ваши рекламные партнеры могут переключить свое внимание на показатели, которых они раньше не видели. Это, вероятно, приведет к трудностям в анализе информации и ошибкам в принятии решений, с которыми столкнется разработанная модель прогнозного ценообразования. Действительно, умение отслеживать внутренние изменения в партнерском подходе — сложный навык, но нет ничего невозможного, если ставить во главу угла эффективность.

Признаки изменения фокуса компании на оптимизации включают изменения в ключевых ролях технического руководства, потерю или увеличение финансирования, изменения в модели подписки, такие как спорная плата за выполнение Unity, и многое другое.

Суть в том, что оптимизация эффективна только в текущих условиях торговли с конкретным партнером, которые могут меняться и влиять на результативность. Вы можете прогнозировать изменения, анализируя общедоступные данные о ваших партнерах. Однако гораздо важнее автоматизированные модели анализа и моделирования торгового поведения партнеров, насколько это возможно с вашей стороны, не переходя черту этики.

Обратите внимание, что прогнозирующее назначение ставок с помощью решений ML и AI — это многопользовательская игра, которая может привести к конфликтам.

Следовательно, одно из лучших правил оптимизации — нарушить логику применения правил. Если во время перерыва система «поймет», что целевая производительность улучшилась, последующий подход к оптимизации необходимо пересмотреть. Например, какой-то трафик все еще оптимизирован, какой-то нет, и результаты сравниваются для корректировки будущих действий.

Прогнозирующее назначение ставок для быстрой монетизации сайта

Один из наших клиентов, крупная американская платформа SSP, которая использует решение TeqBlaze white-label для ведения своего бизнеса, обратился к нам с проблемой. Клиент заметил, что новые издатели жалуются на низкую прибыль, и эту проблему невозможно решить, следуя лучшим практикам оптимизации. Поэтому клиент попросил нас найти проблему и решить ее технически уникальным способом.

После первоначального анализа платформы мы подтвердили, что торговые условия для новых участников и основных партнеров по доставке были практически одинаковыми. После этого заключения мы обнаружили проблему в настройках инвентаря издателя. Их процент выигрышей был намного ниже, поэтому главным подозрением сразу же стала нечеткая установка минимальной ставки. Чтобы бросить вызов нашей теории, мы провели тесты, которые доказали, что негибкий более низкая стоимость предложения привела к низким показателям выигрышей на аукционах.

Исходя из этого, мы добавили в клиентскую платформу алгоритм ML, чтобы помочь партнерам выбрать оптимальный нижний предел цен. Мы использовали изолированную часть трафика для безупречного развития.

После внедрения разработанного и проверенного алгоритма машинного обучения клиент достиг примерно Увеличение винрейта в 2-3 раза и увеличение прибыли на 30-35%.. Поскольку это ML, мы постоянно следим за работой платформы клиента и работаем над улучшением алгоритмов на основе его данных.

Эволюция автоматизации имеет значение

Времена меняются быстро, но технологии развиваются в три раза быстрее. Единственное, что остается неизменным – это желание людей влиять, быть впереди и прогнозировать ситуацию. Вместо того, чтобы обещать все сразу, ценность заключается в искренности и постепенном развитии партнерства. Хотя искусственный интеллект предлагает огромный потенциал для оптимизации процессов ценообразования, процесс оптимизации остается столь же сложным, сколь и полезным. За кулисами волшебной автоматизации честные люди остаются преданными своей работе и сосредотачиваются на стратегических улучшениях компаний в условиях сильного стресса.

Мы приглашаем вас связаться с нами, если вы хотите оптимизировать свою программную рекламную инфраструктуру с помощью интеллектуальных технологий.

Связаться с Текблэйз