非帰属データのROI予測の改善への利用


pmi-model

 

そう遠くない昔は、大部分のアプリマーケティングキャンペーンは最小のコストでアプリのインストール数を大きく伸ばすことに注力していました。

現在では、マーケターは投資利益率(ROI)に直接基づいたアプリキャンペーンの最適化にますます注目するようになっています。リアルタイムビッディングの設定では、特定の広告インプレッションからの期待収益の予測が極めて重要です。アプリユーザーの購買確率を計算しROI予測を改善するために、先進的な機械学習モデルは非帰属データを利用します。それによりインストール後のイベントの最適化が可能となります。また、非帰属インストールのポストバックが有効化されることで、広告主が動的に既存ユーザーの入札を除外し、既にリエンゲージしているユーザーに費用をかけるのを避けることができます。

Aarkiによる非帰属データの利用法

乗法モデルおよび自己相互情報量(PMI)モデルを用いて、Aarkiは購買確率を決定し、お客様が予算を費やした広告を最適なユーザーに確実に届けます。

乗法モデル

乗法モデルにより、非帰属イベントデータ上でトレーニングされたモデルによる予測を直接利用する機会が得られます。multiplicative copy

広告主の非帰属イベントデータは、インストール後のコンバージョンファネルのモデル化に使用されます。Aarkiにより独自に属性付けられたデータが、インプレッションからインストールまでのファネルのモデル化に使用されます。

こうした予測が入札時に掛け合わされ、購買の予測数が得られます。

p(購買 | インストール) p(インストール | インプレッション) = p(購買 | インプレッション)

乗法モデルの価値を決定し、機械学習モデルの入札予測に対する非帰属インストールとイベントの影響を示すため、私たちはゲームアプリのプログラマティックな広告キャンペーンを分析しました。

私たちは、属性のないインストールとイベントを有効に用い、数千のパブリッシャーで多数のクリエイティブフォーマットを実行しました。属性のないインストールとイベントは乗法モデルで使用され、5倍も高いROIを達成しています。

PMIモデル

PMI model copyPMIアルゴリズムを用いて、私たちは属性のないイベントデータ上で事前トレーニングを行ないつつ、Aarkiならではのユーザーのコンバージョンファネルをモデル化することが可能です。

広告主の属性のないイベントデータは、ユーザープロファイル機能とアプリ内購入イベントのペアごとの相関性の計算に使われます。次にこうした相関性を利用し、インプレッション時の購買確率を予測する直接最適化モデルにおけるフィーチャーを“ウォームアップ”します。

フィーチャーをエンコードするこの技術により、ターゲットイベントと強い相関のあるフィーチャーがこのモデルにおいてより影響力を持つようになります。

PMIモデルの価値を測定するため、私たちはゲームアプリのプログラマティックな広告キャンペーンを分析しました。その結果は、正規化されたROIは62.58%高く、インストール数は209%に増加し、インストールあたりのコスト(CPI)は3%少ないというものでした。

2つのアルゴリズムを使い、Aarkiのデータサイエンティストは購買確率を測定し、広告主のマーケティング予算が確実な効果を発揮するようにします。属性のないイベントデータの提供により、広告主はさらに高いROIへの大きな一歩を踏み出します。一度お試しになりませんか?私たちにご連絡ください。

 

Topics: Machine Learning, Homepage Posts