얼마 전까지만 해도 앱 마케팅 캠페인 중 대부분은 최대한 적은 비용으로 앱 설치 수를 극대화하는 것에 집중하곤 했습니다. 하지만 최근 마케터는 ROI(투자수익률)로 바로 이어지도록 앱 캠페인을 최적화하는 것에 더 많은 관심을 보이고 있습니다.
실시간 입찰 설정에서 중요한 점은 특정 광고 노출 횟수에 대한 예상 수익을 예측하는 부분입니다. 앱 사용자의 구매 가능성을 계산하고 ROI 예측을 개선하기 위해 첨단 머신 러닝 모델은 설치 후 이벤트 최적화를 수행하는 Non-Attributed 데이터를 사용합니다. 또한, non-attributed 설치 포스트백을 활성하는 경우, 광고주는 역동적으로 기존 사용자에게 대한 입찰을 제외하여 이미 관여가 이루어진 사용자에게 비용이 들어가는 것을 방지할 수 있습니다.
Aarki에서 Non-Attributed 데이터를 사용하는 방법
Aarki는 승법 및 점별 상호 정보(PMI) 모델을 이용해 구매 가능성을 결정해, 이상적인 사용자에게 비용이 쓰이도록 보장합니다.
Multiplicative 모델
Multiplicative 모델로 비속성 이벤트 데이터로 훈련된 모델에서 직접 예측을 사용할 수 있습니다.
광고주의 Non-Attributed 이벤트 데이터는 설치 후 전환 퍼넬 모형을, Aarki 속성 데이터는 개별적으로 노출-설치 퍼넬 모형을 형성하는 데 사용됩니다.
이러한 예측이 입찰 시 곱해져, 예상 구매 수를 제시합니다.
p(구매 | 설치) p(설치 | 노출) = p(구매 | 노출)
Multiplicative 모델의 가치를 결정하고 머신 러닝 모델의 입찰 예측에 대한 Non-Attributed 설치 및 이벤트의 영향을 표시하기 위해 게임 앱에의 프로그래매틱 광고 캠페인을 분석했습니다.
Aarki는 Non-Attributed 설치 및 이벤트를 지원하는 수천 퍼블리셔를 대상으로 다수의 크리에이티브 형식을 실행했으며 Multiplicative 모델에서 Non-Attributed 설치 및 이벤트를 사용해 ROI를 5배 높였습니다.
점 상호 정보(PMI) 모델
PMI 알고리즘을 이용해 Non-Attributed 이벤트 데이터 사전 훈련 중 Aarki 관련 사용자 전환 퍼넬 모형을 효과적으로 형성할 수 있습니다.
광고주의 Non-Attributed 이벤트 데이터는 사용자 프로필 기능과 인앱 구매 이벤트의 상호 연관성을 계산하는 데 사용됩니다. 이러한 연관성은 직접 최적화 모델의 기능을 '준비'하는 데 사용되어 노출 시 구매 가능성을 예측합니다.
이러한 기능 인코딩 기술은 타겟 이벤트와 긴밀하게 연관된 기능이 모형에서 더 큰 영향력을 발휘하도록 합니다.
PMI 모델의 가치를 결정하기 위해 게임 앱을 위한 프로그래매틱 광고 캠페인을 분석한 결과 정규화된 ROI는 62.58%, 설치는 209% 상승했으며 CPI(설치당 비용)는 3% 낮아졌습니다.
Aarki의 데이터 과학자는 이 두 알고리즘을 활용해 구매 가능성을 알아내어 광고주가 마케팅 비용을 효과적으로 사용할 수 있도록 돕습니다. 즉, 광고주는 Non-Attributed 이벤트 데이터를 제공함으로써 ROI를 높일 가능성이 대폭 상승합니다. 직접 체험하고 싶으신가요? 메시지를 보내주시기 바랍니다.
