机器学习技术助力应用营销目标达成


机器学习与移动营销

移动营销不存在“通用法则”。通过广告主提供的用户流失前收集的应用内活动数据,Aark i可以为每个广告活动搭建定制营销模型,以预测用户转化和参与后行为。

机器学习 (ML)分析数据以进行模式挖掘。通过使用历史数据,ML 模型能够对未来行为进行预测。 ML 可用于预测特定用户的下一步操作,包括他们是否可能完成转化等等。它使广告平台能够有效地利用数据,并就特定广告活动定向合适的受众。ML 无需明确编程即可自动学习和改善,赋能广告主实现自动优化并大规模用户定向。

(视频播放插件由 Youtube 提供)

查看我们的机器学习白皮书了解更多。

机器学习在移动广告中的重要性

ML 模型是以目标为核心开发的,例如投资回报率(ROI)、每次安装成本(CPI)或注册、购买、所达到的游戏级别等其他特定操作。出价优化在实时竞价设置中至关重要。因为我们必须事先就特定广告展示的重要指标进行预测,随后才能将这些 KPI 预测转换为每千次展示成本(CPM)出价,从而确保我们以合适的价格获得用户,并实现总体活动目标。

每个移动程序化广告活动都需要一个量身打造的定制机器学习模型。该模型旨在不断优化以支持您的活动 KPI。借助 ML,您将能够进行大规模的自动优化和定向,并扩大您的程序化媒体购买量级。

Aarki机器学习模型介绍

案例学习

总部位于韩国首尔的 Lynx Games 与 Aarki 取得业务联系,为其一款名为 HighRoller Vegas Casino Slots 的应用开展用户获取广告活动。该广告活动的目标是在扩大其用户群的基础上带来可观的投资回报率(ROI)。与此同时,达到并超越他们的关键绩效指标(KPI)。

通过 Aarki 的大型数据存储库、机器学习专业知识以及对 Slots 应用广告策略的深入了解,我们达成了客户的目标。

Aarki 如何利用 ML

利用 Lynx 的第一方数据,结合我们从此前的广告活动中获得的见解,确保我们向正确的目标受众提供由数据驱动的高度个性化的广告创意。 Aarki 的 ML 流程分为三个阶段:学习、扩展和优化。

我们从学习阶段开始,收集安装和展示,并将其输入到定制的算法中。在学习阶段,我们的目标是深入了解用户旅程,并将其用它来强化模型。通常这一阶段需要持续 4 周左右的时间,但这款应用仅用了 6 天就完成了学习阶段。

随后是扩展(也叫安装优化)阶段,我们的 ML 算法将预测用户安装应用程序的概率并以稳定每次安装成本(CPI)为目标进行优化。

在第 6 天,我们启动了优化(也叫事件优化)阶段,我们部署了新的定制模型,此时的模型是基于所有收集到的数据开发的。这一阶段对于实现 ROI 和 CPI 等广告活动的 KPI 至关重要。随着更多数据的收集,模型获得经验改进了学习。分析表明,安装率越来越接近预测安装概率,事件率越来越接近预测事件概率。

Lynx 广告活动结果

作为结果,投资回报率始终高于事件优化阶段的目标。

其他几个关键因素共同促成了这次广告活动的成功。点击此处阅读完整案例,了解我们如何在事件优化阶段使投资回报率始终高于目标。

Topics: Machine Learning