直到不久前,绝大多数应用营销活动都侧重以尽可能低的成本拉动应用安装量。而当我们进入了精耕细作的重运营时代,越来越多的推广人员开始直接将投资回报率(ROI)作为优化APP广告活动的基准。
在实时竞价环境下,以特定的广告曝光组来预测预期收入至关重要。先进的机器学习模型使用非归因数据,计算APP用户的购买概率并以此改善ROI预测,使进行安装后的事件优化成为可能。此外,启用非归因安装回发后,我们可动态地在竞价中将既有的用户排除,以避免为已经触达过的用户二次付费。
Aarki 如何利用非归因数据
乘法模型与点互信息模型(PMI)助力Aarki判断购买概率,保证您的广告花费将为您带来最佳用户。
乘法模型
乘法模型令我们可以直接利用基于非归因事件数据训练的模型所产生的预测。
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展现-安装漏斗建模。
这些预测在竞价时将相乘,得出预计购买量。
p(购买 | 安装)p(安装 | 曝光) = p(购买 | 曝光)
为确定乘法模型的价值,并体现非归因安装及事件对机器学习模型的竞价预测影响,我们分析了一款游戏应用的程序化广告活动。
我们通过在数千个媒体上运行了大量广告样式,并启用了非归因安装和事件。使用非归因安装及事件的乘法模型使ROI提升了5倍。
点间互信息(PMI)模型
利用PMI算法,我们可以有效地对Aarki特定用户转化漏斗建模,并同时以非归因事件数据进行预训练。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。
该特征编码技术使得与目标事件强烈相关的特征能在模型中获得更大权重。
为确定PMI模型的价值,我们分析了一款游戏应用的程序化广告活动。结果显示ROI高于标准 62.58%,安装量提高209%,每次安装成本(CPI)降低 3%。
在这两种算法的加持下,Aarki的数据科学家们提升购买预测概率,确保广告主营销预算的花费更为高效。为此,我们建议广告主在MMP后台对Aarki启用非归因事件数据,将有效提高算法的准确度,缩短学习期,令ROI曲线更上一层楼!
想要了解更多?欢迎给我们留言。