Kinh doanh chênh lệch thống kê giữa chiến dịch CPA và quảng cáo CPM

Tóm tắt

Bài nghiên cứu điều chỉnh phương pháp kinh doanh chênh lệch thống kê cho quảng cáo hiển thị theo thời gian thực, nơi các lượt hiển thị có hiệu quả kỳ vọng tương tự có thể có mức giá khác nhau giữa các thị trường hoặc cách định giá phân mảnh. Phương pháp liên kết các chiến dịch tính phí theo hành động với lượng hiển thị tính phí trên một nghìn lượt. Một hệ thống đặt giá tổng hợp đánh giá từng yêu cầu đấu giá lượt hiển thị đến so với danh mục chiến dịch, dùng tỷ lệ chuyển đổi ước tính, cấu trúc giá thầu và các thống kê khác học từ dữ liệu trước đó để ước tính chi phí và lợi nhuận tiềm năng.

Hệ thống kết hợp tối ưu hóa đặt giá thầu nhằm tối đa hóa lợi nhuận chênh lệch ròng kỳ vọng với quản lý rủi ro danh mục, phân bổ lại khối lượng đặt giá và ngân sách giữa các chiến dịch để cân bằng rủi ro và lợi nhuận. Các tác giả cùng tối ưu hóa các thành phần này bằng phương pháp Kỳ vọng–Tối đa hóa. Họ báo cáo bằng chứng ủng hộ từ các thí nghiệm ngoại tuyến trên tập dữ liệu thực tế lớn và các thử nghiệm A/B trực tuyến trên nền tảng thương mại qua nhiều thiết lập mô hình và môi trường thị trường. Mô tả được cung cấp không nêu kết quả bằng số hay chi tiết triển khai, nên không xác định được mức tăng là bao nhiêu hoặc kéo dài ra sao. Phương pháp này áp dụng cho đấu giá quảng cáo, không phải thị trường chứng khoán tài chính.

Ý chính

• Các thị trường quảng cáo phân mảnh có thể tạo chênh lệch giá giữa những lượt hiển thị có hiệu quả kỳ vọng tương đương.
• Hệ thống đặt giá tổng hợp đánh giá lượng quảng cáo CPM so với danh mục chiến dịch CPA bằng các ước tính từ dữ liệu lịch sử.
• Phương pháp kết hợp tối ưu hóa đặt giá theo lợi nhuận kỳ vọng với phân bổ ngân sách và khối lượng ở cấp chiến dịch.
• Quy trình Kỳ vọng–Tối đa hóa cùng tối ưu hóa đặt giá thầu và quản lý rủi ro.
• Các tác giả báo cáo thí nghiệm trên tập dữ liệu ngoại tuyến và thử nghiệm A/B trực tuyến nhưng văn bản được cung cấp không nêu kết quả bằng số.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.