[論文レビュー] Attribution Modeling Increases Efficiency of Bidding in Display Advertising

Eustache Diemert, Julien Meynet+2 more|arXiv (Cornell University)|Jul 20, 2017

Consumer Market Behavior and Pricing参考文献 24被引用数 37

ひとこと要約

本論文では、クリック後の予測アトリビューション確率に基づいて入札を調整することで、パフォーマンス広告における効率性を向上させるアトリビューションに配慮した入札方針を提案する。学習されたアトリビューションモデルを入札戦略に統合することにより、クリック後の入札を低く抑えることで、コストと広告露出を削減し、広告主のROIとプラットフォームの効率性を向上させる。オンライン実験では、長期的なOECが5.5%向上した。

ABSTRACT

Predicting click and conversion probabilities when bidding on ad exchanges is at the core of the programmatic advertising industry. Two separated lines of previous works respectively address i) the prediction of user conversion probability and ii) the attribution of these conversions to advertising events (such as clicks) after the fact. We argue that attribution modeling improves the efficiency of the bidding policy in the context of performance advertising. Firstly we explain the inefficiency of the standard bidding policy with respect to attribution. Secondly we learn and utilize an attribution model in the bidder itself and show how it modifies the average bid after a click. Finally we produce evidence of the effectiveness of the proposed method on both offline and online experiments with data spanning several weeks of real traffic from Criteo, a leader in performance advertising.

研究の動機と目的

• クリック後のアトリビューション確率の変化を考慮しない標準の入札ポリシーが効率的でない問題に対処すること。
• クリックがアトリビュートされたコンバージョンに繋がる可能性をモデル化することで、広告主、プラットフォーム、ユーザーのインcentiveの整合性を高めること。
• 予測されたアトリビューションに基づいて動的に入札を調整する、実用的でスケーラブルな入札ポリシーを構築すること。
• 実際のCriteoの生産トラフィックを用いたオフラインおよび大規模なオンライン実験を通じて、この手法を検証すること。
• アトリビューションに配慮した入札が、最小限のシステム変更で長期的な価値創出を促進することを示すこと。

提案手法

• 著者らは、コンバージョンおよび文脈的特徴が与えられたもとでのアトリビュートコンバージョンの確率P(A=1|S=1,X=x)を推定するため、確率的アトリビューションモデルを学習する。
• 期待値入札者（EVB）を、アトリビューションモデルの出力を組み込んでクリック後の入札を調整するように変更し、最後のクリックからの経過時間に基づく減衰関数を用いる。
• 提案された入札ポリシーでは、ベースライン入札に乗算因子を適用する：bid_test ∝ bid_ref × A × (1 − B × e^(−λδ))、ここでδは最後のクリックからの経過時間である。
• 入札の減衰率を制御するためのグローバルなλパラメータを用い、Bは減少の激しさを調整する。
• オフライン評価では、オンライン展開前のポリシー改善を評価するため、期待効用指標の更新版を用いる。
• オンライン実験では、ユーザーを分割したA/Bテストを実施し、AおよびBパラメータを調整して予算の支出とパフォーマンスの測定をバランスさせる。

実験結果

リサーチクエスチョン

• RQ1 アトリビューションモデルを入札ポリシーに統合することで、パフォーマンス広告における長期的な効率性が向上するか？
• RQ2 クリック後の予測アトリビューション確率に基づく入札調整は、広告主のROIとプラットフォームのコストにどのように影響するか？
• RQ3 標準の入札ポリシーと比較して、提案されたポリシーはクリック後のユーザーの広告露出をどの程度低減するか？
• RQ4 アトリビューションに配慮した入札ポリシーは、OECなどの長期的パフォーマンス指標に測定可能な改善をもたらすか？
• RQ5 提案された手法は、既存の広告プラットフォームへの最小限の変更で実装可能であり、顕著な成果を上げられるか？

主な発見

• 提案されたアトリビューションベースの入札（AB）ポリシーは、すべての生産トラフィックで長期的なパフォーマンス指標である全体評価基準（OEC）が+5.5%向上した。
• 広告主は、広告支出を削減したにもかかわらず、単位予算あたりのコンバージョン生成が増加し、ROIが向上した。
• 同じ広告主からのクリック後の広告露出が顕著に低下し、ユーザー体験と広告多様性が向上した。
• この手法により、特にクリック後24時間以内に、後続のオークションでの入札を低く抑えることで、全体のプラットフォームコストが削減された。
• オフライン指標の更新がオンラインパフォーマンスをうまく予測でき、評価フレームワークの妥当性が裏付けられた。
• システム変更を最小限に抑えても、柔軟で本番環境で利用可能な単純な乗数ベースの入札調整により、ポリシーは効果的であった。