使用非归因数据提高ROI预测率


pmi-model

几年前,大多数应用的营销活动都专注于以尽可能低的成本实现高应用安装量。如今,营销商越来越热衷于针对投资回报率 (ROI) 直接优化应用广告活动。

在实时竞价环境中,关键在于预测特定广告曝光量的预期收入。为计算应用用户的购买率,从而改善投资回报率预测,先进的机器学习模型可使用非归因数据进行安装后的事件优化。此外,启用非归因安装回发后,广告主可动态地排除对现有用户的竞价,以避免为已经重新接触的用户花钱。

Aarki 如何使用非归因数据

利用乘法和逐点互信息 (PMI) 模型,Aarki 可确定购买率,确保您的广告支出用于最优质的用户。

乘法模型

乘法模型可以为直接使用根据非归因事件数据训练的模型的预测提供机会。

广告主的非归因事件数据用于安装后转化漏斗建模;Aarki 归因数据则独立用于曝光量/安装量漏斗建模。

这两个预测值在竞价时相乘,可得出预计购买量。multiplicative copy

p(购买量 | 安装量)p(安装量 | 曝光量) = p(购买量 | 曝光量)

为确定乘法模型的价值并体现非归因安装和事件对机器学习模型的竞价预测影响,我们对一款游戏类应用的程序化广告活动进行了分析。

我们对数千个媒体运用了大量创意形式并启用了非归因安装和事件。使用非归因安装和事件的乘法模型实现了 5 倍的投资回报率。

逐点互信息 (PMI) 模型

PMI model copy利用 PMI 算法,我们可有效对 Aarki 特定用户转化漏斗建模,同时预训练非归因事件数据。

广告主的非归因事件数据可用于计算用户画像特征与应用内购买事件的两两相关系数。然后,这些相关系数可对直接优化模型中的特征进行“预热”,预测曝光时的购买率。

此特征编码方法使得与目标事件非常相关的特征能在模型中占更大权重。

为确定 PMI 模型的价值,我们对一款游戏类应用的程序化广告活动进行了分析。结果显示投资回报率高于标准 62.58%,安装量提高 209%,每次安装成本 (CPI) 降低 3%。

利用这两种算法,Aarki 数据分析师可确定购买率,确保广告主有效支出市场营销预算。通过提供非归因事件数据,广告主可在提高投资回报率上更进一步。想要试用?请给我们留言。

Topics: Machine Learning