非帰属データのROI予測の改善への利用


Non-attributed data to improve ROI predictions

それほど遠くない過去において、ほとんどのアプリマーケティングキャンペーンは、可能な限り低いコストで大量のアプリのインストールを促進することに重点を置いていました。今日、マーケターは投資収益率(ROI)に直接基づいてアプリキャンペーンを最適化することにますます関心を持っています。

リアルタイムビッダーの設定では、特定の広告インプレッションから期待される収益を予測することが重要です。アプリユーザーの購入確率を計算してROI予測を改善するために、高度な機械学習モデルでは、非属性データ(Non- Attribute Data)を使用して、インストール後のイベントの最適化を実行できます。また非属性インストールポストバックを有効にすると、広告主は既存のユーザーへの入札を動的に除外して、すでにリエンゲージしているユーザーへの支払いを回避できます。 

Aarkiの非属性データの活用方法

乗法およびポイントワイズ相互情報(PMI)モデルを使用して、Aarkiは購入確率を決定し、広告費が最高のユーザーに費やされるようにします。  

乗法モデル

乗法モデルは、非属性イベントデータで学習されたモデルからの予測を直接使用する機会を提供します。

Multiplicative model 広告主の非属性イベントデータは、インストール後のコンバージョンファネルをモデル化するために使用されます。独立して、Aarkiに帰属するデータを使用して、インプレッションからインストールまでの目標到達プロセスをモデル化します。

これらの予測は入札時に乗算され、予想される購入数が得られます。 

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

乗法モデルの値を決定し、機械学習モデルの入札予測に対する非属性のインストールとイベントの影響を示すために、ゲームアプリのプログラマティック広告キャンペーンを分析しました。

アトリビューションのないインストールとイベントを有効にして、何千も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配信しました。非属性インストールとイベントは、5倍高いROIを達成した乗法モデルによって使用されました。

ポイントワイズ相互情報(PMI)モデル

PMIアルゴリズムを使用すると、非属性のイベントデータを事前に学習しながら、Aarki固有のユーザーコンバージョンファネルを効果的にモデル化できます。Pointwise Mutual Information (PMI) Model

広告主の非属性のイベントデータは、ユーザープロファイル機能とアプリ内購入イベントの間のペアワイズ相関を計算するために使用されます。次に、これらの相関関係を使用して、インプレッション時の購入確率を予測する直接最適化モデルの機能を「ウォームアップ」します。

この特徴量エンコード技術により、ターゲットイベントと強く相関する特徴量をモデルでより多くの重みを加えることができます。

PMIモデルの価値を判断するために、ゲームアプリのプログラマティック広告キャンペーンを分析しました。その結果、正規化されたROIが62.58%高くなり、インストール数が209%増え、インストールあたりのコスト(CPI)が3%低くなりました。 

両方のアルゴリズムの助けを借りて、Aarkiのデータサイエンティストは、広告主がマーケティング予算を効果的に使用していることを保証する購入確率を決定します。アトリビューションのないイベントデータを提供することで、広告主はROIの向上に向けて大きな一歩を踏み出します。試してみませんか? 私たちにメッセージを送ってください

Topics: Machine Learning