Arbitrage statistique entre les campagnes CPA et l’inventaire publicitaire CPM

Résumé

L’article adapte l’arbitrage statistique à la publicité display en temps réel, où des impressions d’efficacité attendue similaire peuvent avoir des prix différents selon les places de marché fragmentées ou les modalités de tarification. Sa méthode relie les campagnes au coût par action à l’inventaire au coût pour mille impressions. Un méta-enchérisseur évalue chaque demande d’enchère reçue pour une impression au regard d’un portefeuille de campagnes, en utilisant des taux de conversion estimés, des courbes d’enchères et d’autres statistiques tirées des données passées pour estimer les coûts et les profits potentiels.

Le système combine l’optimisation des enchères, visant à maximiser le profit net attendu de l’arbitrage, avec la gestion du risque du portefeuille, qui réalloue le volume des enchères et les budgets entre les campagnes afin d’équilibrer risque et rendement. Les auteurs optimisent conjointement ces composantes à l’aide d’un algorithme d’espérance-maximisation (EM). Ils indiquent que des expériences hors ligne sur un grand jeu de données réel et des tests A/B en ligne sur une plateforme commerciale étayent leur méthode, dans plusieurs configurations de modèles et environnements de marché. La description fournie ne donne aucun résultat chiffré ni détail de déploiement ; elle n’établit donc pas l’ampleur ou la durabilité des gains. La méthode concerne les enchères publicitaires, et non les marchés de titres financiers.

Idées clés

• La fragmentation des places de marché publicitaires peut entraîner des écarts de prix pour des impressions d’efficacité attendue comparable.
• Le méta-enchérisseur évalue l’inventaire CPM par rapport à un portefeuille de campagnes CPA à l’aide d’estimations historiques.
• La méthode combine l’optimisation des enchères selon le profit attendu avec l’allocation des budgets et des volumes au niveau des campagnes.
• Un algorithme d’espérance-maximisation (EM) optimise conjointement les enchères et la gestion du risque.
• Les auteurs rapportent des expériences hors ligne sur un jeu de données et des tests A/B en ligne sans fournir de résultats chiffrés dans le texte présenté.

Étiquettes

# Statistical Arbitrage Mining for Display Advertising


# Statistical Arbitrage Mining for Display Advertising









We study and formulate arbitrage in display advertising. Real-Time Bidding (RTB) mimics stock spot exchanges and utilises computers to algorithmically buy display ads per impression via a real-time auction. Despite the new automation, the ad markets are still informationally inefficient due to the heavily fragmented marketplaces. Two display impressions with similar or identical effectiveness (e.g., measured by conversion or click-through rates for a targeted audience) may sell for quite different prices at different market segments or pricing schemes. In this paper, we propose a novel data mining paradigm called Statistical Arbitrage Mining (SAM) focusing on mining and exploiting price discrepancies between two pricing schemes. In essence, our SAMer is a meta-bidder that hedges advertisers' risk between CPA (cost per action)-based campaigns and CPM (cost per mille impressions)-based ad inventories; it statistically assesses the potential profit and cost for an incoming CPM bid request against a portfolio of CPA campaigns based on the estimated conversion rate, bid landscape and other statistics learned from historical data. In SAM, (i) functional optimisation is utilised to seek for optimal bidding to maximise the expected arbitrage net profit, and (ii) a portfolio-based risk management solution is leveraged to reallocate bid volume and budget across the set of campaigns to make a risk and return trade-off. We propose to jointly optimise both components in an EM fashion with high efficiency to help the meta-bidder successfully catch the transient statistical arbitrage opportunities in RTB. Both the offline experiments on a real-world large-scale dataset and online A/B tests on a commercial platform demonstrate the effectiveness of our proposed solution in exploiting arbitrage in various model settings and market environments.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.