Uczenie maszynowe w modelu Real-Time Bidding: efektywność reklam online

Od czasu pojawienia się pierwszej treści reklamowej w sieci, rynek reklam online przeszedł prawdziwą metamorfozę. Dziś, dzięki wykorzystaniu algorytmów uczenia maszynowego, reklamodawcy są w stanie jak najmniejszym kosztem idealnie dopasować treści do swoich potencjalnych klientów. Jak to działa i w jaki sposób można osiągnąć najlepsze efekty kampanii reklamowych? Zapraszamy do lektury artykułu, w którym wprowadzimy Cię w temat modelu Real-Time Bidding, a następnie opiszemy modele uczenia maszynowego, które rewolucjonizują dzisiejszy rynek reklam online.

Historia reklam online

Początki reklam online — model tradycyjny

W początkowych latach rozwoju internetu, pomijając pośredników biznesowych, jakimi były i są domy mediowe, kupowanie reklam online było całym procesem. Rozpoczynał się on od relacji między wydawcami (ang. publisher, czyli podmiotami sprzedającymi przestrzeń reklamową) i reklamodawcami (kupującymi ów przestrzeń, aby móc emitować swoje reklamy).

Był to tak samo żmudny proces, jak w przypadku umieszczenia reklamy w tradycyjnych mediach. Przykładem jest prasa, gdzie reklamodawca sam podejmuje decyzję, w jakim czasopiśmie, na której stronie i w jakim czasie pojawi się dana reklama. Wymagało to dużo pracy, związanej z wyborem najlepszego miejsca oraz czasu emisji każdej z reklam. Następnie, konieczne było jej ręczne ustawienie, a na końcu – analiza i porównanie efektów emisji pomiędzy różnymi wydawcami. Co więcej, przy takim podejściu te same reklamy były wyświetlane wszystkim użytkownikom odwiedzającym daną stronę, niezależnie od ich płci, wieku czy zainteresowań.

W związku z tym, że liczba wydawców dynamicznie rosła, pojawił się problem z komunikacją oraz z wyborem najlepszych ofert na rynku. Reklamodawcy musieli negocjować z tysiącami wydawców na raz, aby dotrzeć do jak największego grona odbiorców, będących ich potencjalnymi klientami. Wydawcy również musieli kontaktować się z tysiącami reklamodawców, aby sprawdzić, czy ktoś jest zainteresowany ich powierzchnią reklamową (ang. inventory).

Co więcej, ówczesny system znacznie ograniczał szansę zarobku wydawcom o niewielkich zasięgach, skupiających małe i bardzo niszowe grupy odbiorców. Wówczas powstały także agencje, które zajmowały się pośrednictwem między reklamodawcami a wydawcami.

Powstanie sieci reklamowych

Z czasem zauważono, że bardziej istotne gdzie publikowana jest dana reklama powinno być to, do jakiej grupy odbiorców dociera. Stworzono więc sieci reklamowe (ad networks), które kategoryzowały niesprzedane zasoby reklamowe wydawcy, aby ułatwić kupującym dostęp i włączenie go do kampanii medialnych.

Sieci reklamowe dzieliły zasoby reklamowe na dwie kategorie: premium i pozostałości. Reklamy premium były sprzedawane za pośrednictwem bezpośrednich relacji między kupującymi i sprzedającymi, natomiast w drugiej kategorii znalazły się reklamy, które pozostały niesprzedane.

To rozwiązanie pozwalało zbierać mniejszych reklamodawców w jedną grupę tematyczną, dzięki czemu mniejsze podmioty (m.in. nieznani na szeroką skalę blogerzy) mogli sprzedawać swoją powierzchnię reklamową nawet tym większym podmiotom, którzy z pewnością nie zwróciliby się do nich bezpośrednio.

Supply Side Platforms i Demand Side Platforms

Sieci reklamowe stworzyły środowisko, w którym agencje miały więcej niż jeden kanał do pozyskiwania zasobów reklamowych, ale przyczyniły się także do tego, że sam proces zakupu reklam stał się bardziej skomplikowany dla wydawców. Aby rozwiązać ten problem, stworzono tzw. Supply Side Platforms (SSP). Umożliwiają one wydawcom sprzedawanie powierzchni reklamowych na giełdach reklamowych (ang. Ad Exchange) oraz zarządzanie tym, kto uzyskał dostęp do zasobów reklamowych.

SSP działają jako pośrednik między sprzedawcą a sieciami reklamowymi, pomagając wydawcom zmaksymalizować przychody uzyskane za pośrednictwem sieci reklamowych. Dzięki nim wydawcy mają więcej kontroli nad zasobami reklamowymi i mogą mieć wpływ na to, w jaki sposób są one dostarczane do sieci reklamowej.

W tym samym czasie pojawiły się także tzw. Demand Side Platforms (DSP), których celem było pomaganie agencjom i reklamodawcom w zdobyciu przestrzeni reklamowych poprzez umożliwienie im zarządzania zakupem mediów za pośrednictwem jednej platformy. 

Z czasem technologie DSP i SSP ewoluowały, tworząc infrastrukturę Real-Time Bidding (RTB), która integruje te obie platformy.

Real-Time Bidding

Co to jest Real-Time Bidding?

Real-Time Bidding (RTB) to powstała w 2009 roku metoda zautomatyzowanego procesu kupna i sprzedaży online reklamy w modelu aukcyjnym. W skrócie, jest to rozbudowany ekosystem służący do tego, żeby w efektywny sposób pozyskiwać reklamy i wyświetlać je odpowiednim ludziom. 

W tym modelu reklamodawcy w czasie rzeczywistym składają oferty na emisję swojej reklamy. Kiedy wygrają licytację, wówczas ich kreacja reklamowa natychmiast wyświetla się w witrynie wydawcy. 

Warto podkreślić, że aukcje RTB główny nacisk kładą na wyświetlanie określonej reklamy w konkretnym miejscu, podczas gdy aukcje statyczne (czyli takie, które polegają na jednokrotnej możliwości złożenia oferty handlowej) mają tendencję do grupowania wyświetleń, pozwalając reklamodawcom na licytowanie ich w pakietach.

RTB to rozwiązanie zwiększające skalowalność reklamy cyfrowej i zapewniające lepiej dopasowane targetowanie odbiorców. RTB nie tylko przynosi korzyści wydawcom, którzy mogą sprzedawać swoją powierzchnię reklamową w jak najwyższej cenie, ale także reklamodawcom, którzy są w stanie zoptymalizować swoje działania, aby zwiększyć zasięg reklam wyświetlanych osobom znajdujących się w gronie ich potencjalnych klientów.

Jak działa Real-Time Bidding?

Kiedy użytkownik odwiedza stronę internetową, natychmiast odpowiednie zapytanie ofertowe jest wysyłane do giełdy reklamowej.

Ad Exchange lub inny element systemu (DSP lub SSP) organizuje licytację, na której reklamodawcy licytują w czasie rzeczywistym wyświetlanie swojej reklamy na stronie internetowej, którą właśnie odwiedza ten użytkownik. Reklamodawca, który poda najwyższą kwotę wygrywa licytację i to jego treści pokazywane są tej konkretnej osobie. 

Decyzja o dopasowaniu reklamy do danego użytkownika opiera się na szeregu informacji na jego temat, które mogą być zbierane na różnych etapach całego procesu przez wszystkie podmioty w nim uczestniczące.

Tak wygląda to w przypadku każdej osoby odwiedzającej daną stronę. Cały proces, podczas którego wysyłane jest zapytanie ofertowe, trwa licytacja oraz obsługa reklamy trwa zaledwie 100 milisekund.

Proces Real-Time Bidding

1. Ad Exchange, za pomocą SSD wysyła do reklamodawcy informacje o zawartości strony i użytkownikach. 
2. Reklamodawcy składają oferty na te wyświetlenia, a wyświetlenie (zazwyczaj) trafia do oferenta, który złożył najwyższą ofertę.
3. DSP automatyzują proces licytacji i ułatwiają kierowanie reklam do odpowiednich użytkowników.

Rodzaje aukcji w modelu Real-Time Bidding

• First price offer —  model, w którym kupujący (reklamodawca) płaci dokładnie taką cenę, jaką wylicytował za daną emisję reklamy.
• Second price offer —  model, w którym reklamodawca podaje najwyższą kwotę, jaką może zapłacić, ale jeżeli okaże się, że inne oferty były znacznie niższe, to zapłaci mniej.

Modele uczenia maszynowego zwiększające efektywność reklam w modelu Real-Time Bidding

Aby zmaksymalizować skuteczność reklam, firmy tworzące rozwiązania oparte na uczeniu maszynowym oferują zaawansowane modele. Usprawniają one licytacje w modelu RTB, a tym samym znacznie poprawiają efektywność wyświetlanych reklam. Poniżej zostawiliśmy 5 najważniejszych modeli, które mogą mieć znaczny wpływ na optymalizację reklam internetowych.

1. Modele do rekomendacji produktów

Szczegółowe dane o użytkownikach, zawierające informacje wynikające ze śledzenia ruchu danej osoby. Mogą to być m.in. wiek, dane demograficzne czy zainteresowania. Są one gromadzone w ogromnej bazie danych o nazwie Data Management Platform.

Modele uczenia maszynowego są oparte na analizie predykcyjnej oraz wcześniejszych zachowań danego użytkownika. Na ich podstawie są w stanie przewidzieć, które produkty będą w danej chwili najbardziej interesować danego użytkownika. 

Przykładowo, z historii wyszukiwania wiemy, że dany użytkownik to mężczyzna w średnim wieku, który właśnie wybudował dom jednorodzinny. Dzięki zastosowaniu modeli do rekomendacji produktów, wyświetlane mu reklamy będą dotyczyły tematów, którymi się obecnie interesuje. W tym przypadku mogą to być np. farby do malowania ścian czy panele podłogowe. 

2. Modele do przewidywania kliku

Modele uczenia maszynowego, na podstawie historii śledzenia danego użytkownika, przewidują, jaka jest szansa, że kliknie on w wyświetlaną reklamę.

Przykładowo: naszym użytkownikiem jest młoda kobieta, która od niedawna posiada psa. Z historii śledzenia jej ruchu możemy wiedzieć, że np. zdecydowanie częściej klika w reklamy zabawek dla psów niż modnych sukienek. Modele uczenia maszynowego sprawią, że reklamy związane z artykułami zoologicznymi będą pojawiały się jej częściej niż promocje odzieży.

3. Modele do przewidywania zakupu

Musimy pamiętać, że reklamodawca płaci efekt swojej reklamy zgodny z wybranym modelem rozliczeniowym (np. CPC, CPO, COS/ROAS, CPS itd.). Jeśli jednak reklama przyniesie niewielki zysk, czyli znikoma liczba użytkowników podejmie oczekiwaną akcję, to reklamodawcy nie będzie się to opłacać.

Aby zmaksymalizować parametr ROAS (Return on Ad Spend), tworzone są właśnie modele do przewidywania zakupu, które są w stanie przewidzieć, kto będzie rzeczywiście będzie zainteresowany zakupem reklamowanego produktu.

4. Modele do look-a-lików

Aby móc jeszcze lepiej dopasować reklamę do odbiorcy, modele oparte na Machine Learning dzielą danych użytkowników na grupy o podobnym profilu behawioralnym. Dzięki temu, są w stanie przewidywać, jak zachowa się dany użytkownik na podstawie zachowań innych ludzi z podobnymi cechami.

5. Modele do przewidywania prawdopodobieństwa wygranej w zależności od ceny 

Reklamodawcy zazwyczaj płacą określoną cenę za jedno kliknięcie czy inną akcję użytkownika. Jeśli jednak zaproponują zbyt wysoką cenę, może nie starczyć na pokrycie wszystkich wyświetleń. Z kolei jeśli zaproponują za mało, istnieje ryzyko, że inni przebiją tę ofertę, a reklama nigdy się nie wyświetli.

W tym także mogą pomóc modele oparte na uczeniu maszynowym, które będą w stanie przewidywać tzw. rent scape, czyli to, ile inni reklamodawcy są w stanie zapłacić za danego klienta. To rozwiązanie znacznie optymalizuje kampanie reklamowe i minimalizuje ryzyko przepłacania.

Real-Time Bidding w Twojej strategii reklamowej

Czy chcesz zwiększyć efektywność reklam, wykorzystując zaawansowane modele uczenia maszynowego?

Skontaktuj się z naszymi ekspertami. Posiadamy pełen zbiór rozwiązań, które mogą zrewolucjonizować Twoje dotychczasowe kampanie reklamowe.