DPG如何提供高质量和有价段广告商

在活动的开始,营销人员和出版商通常会有一个假设目标细分市场将是一个怎样的人,但是一旦开始运动,它可以是非常困难的,看谁反应,抽象的一段基于不同的品质不同的受访者,然后调整针对基于这些段及时。然而,机器学习,可以让它可以筛选大量的被调查者和non-respondent观众数据实时自动创建非常相像的观众特定商品或服务的广告,增加广告投资回报率(和价格出版商可以收取他们的广告库存仍为客户增加价值)。

在有针对性的广告空间DPG媒体,我们试图找到新的方法来最好的广告客户交付高质量和有价段。优化营销活动的一个方法是通过使用“低上市时间”疯高价值点击器,展示他们的广告作为改进的协议。

这将需要建立一个系统,允许我们训练一个分类模型,在竞选中“学习”一生中基于数据的连续纸(主要通过日常批次),导致在日常更新和改进目标受众为多个营销和广告活动。这种逻辑可以显示如下:

这将导致两个主要问题:

1. 我们可以创建一个图片模型随着时间的推移,学习活动click-behaviour吗?
2. 整个设置可以顺利运行和低运行时最大化收入吗?

为了回答这些问题,这篇文章着重于砖内的两种技术环境:Hyperopt PandasUDF。

Hyperopt

简而言之,Hyperopt允许我们快速培训和适应多个跨多个执行者sklearn-models hyperparameter调优和可以搜索最优配置基于先前的评估。当我们试着适应多个模型/运动,多运动,这使我们能够迅速获得最佳hyperparameter配置,导致最好的损失,在很短的时间内(如:约14分钟预处理和优化一个随机森林和24个评价和parallelism-parameter 16)。重要的是,我们的标签是倾向于点击(即。概率),而不是一个遥控器(类)。之后,最低的模型损失(定义为- Precision-Recall的AUC),写入MLflow。这个过程是完成一周一次或者运动刚刚开始,我们得到更多的数据,具体活动与前一天相比。

PandasUDF

我们有我们的模型后,我们想对所有游客得出结论的网站在过去的30天。要做到这一点,我们查询最新的、最好的模型从MLflow和广播这执行人。因为我们想要的数据集分数是相当大的,我们分发n-partitions,让每个执行者分数不同的分区;这是通过利用PandasUDF-logic。收集到的概率得到回到司机,和用户从最低点击倾向获得排名,最高点击倾向:

这后,我们选择一个阈值基于体积与质量(这是一个业务驱动的选择取决于我们有多少广告空间对于一个给定的运动)和为它创建一个段(DMP)的数据管理平台。bob体育客户端下载

结论

简而言之,我们可以总结整个过程如下

整个过程运行每运动一个小时左右,如果我们重新培训模型。如果不是这样,每天大约需要30分钟加载并取得新的观众。我们的目标是保持尽可能低运行时我们可以占更多的活动。这些观众的质量而言,他们可以差别很大,毕竟,没有免费的午餐在机器学习。

没有许多转换的新活动,我们看到了模型改进时,更多的数据被聚集在日常批次和我们的估计是越来越好。例如,对于一个随机活动地点:

• 意思是:平均每日hyperopt-run Precision-Recall AUC的评估
• 马克斯:最高Precision-Recall AUC日常hyperopt-run内的一个评估
• 分钟:最低在日常hyperopt-run Precision-Recall AUC的评价
• 圣Dev:标准差内每日hyperopt-run Precision-Recall AUC的评估

的AUC precision-recall之外,对于广告商来说,最重要的指标是点击率。我们测试这个模型有两个广告,相比正常流失网络活动。这产生了以下结果:

当然,正如天下没有免费的午餐,重要的是要意识到,没有单一的质量指标在运动和评估必须基于campaign-per-campaign完成。

BOB低频彩了解更多关于如何领先品牌和广告机构,康泰纳仕和阳狮集团等,使用砖营销驱动性能。