[論文レビュー] Bid Shading by Win-Rate Estimation and Surplus Maximization

Shengjun Pan, Brendan Kitts+9 more|arXiv (Cornell University)|Sep 19, 2020

Auction Theory and Applications参考文献 13被引用数 12

ひとこと要約

本論文は、SSPからの最低勝利入札価格フィードバックに依存せずに広告主の利益を最大化する、勝利確率に基づく入札シェーディングアルゴリズム（WR）を提案する。リアルタイムで最適なシェーディング入札価格を予測するために改変されたロジスティック回帰を用い、WRはベンチマーク手法よりも7%高い利益を達成し、業界のSSPサービスよりも4.3%高い利益を上げ、予算制御器と統合することでeCPM、eCPC、eCPAを顕著に低減した。

ABSTRACT

This paper describes a new win-rate based bid shading algorithm (WR) that does not rely on the minimum-bid-to-win feedback from a Sell-Side Platform (SSP). The method uses a modified logistic regression to predict the profit from each possible shaded bid price. The function form allows fast maximization at run-time, a key requirement for Real-Time Bidding (RTB) systems. We report production results from this method along with several other algorithms. We found that bid shading, in general, can deliver significant value to advertisers, reducing price per impression to about 55% of the unshaded cost. Further, the particular approach described in this paper captures 7% more profit for advertisers, than do benchmark methods of just bidding the most probable winning price. We also report 4.3% higher surplus than an industry Sell-Side Platform shading service. Furthermore, we observed 3% - 7% lower eCPM, eCPC and eCPA when the algorithm was integrated with budget controllers. We attribute the gains above as being mainly due to the explicit maximization of the surplus function, and note that other algorithms can take advantage of this same approach.

研究の動機と目的

• 第一価格広告入札における過剰支払いの問題に対処し、広告主利益を最大化する入札シェーディング手法を開発すること。
• 生産環境でしばしば入手不能または信頼性の低いSSPからの最低勝利入札価格フィードバックに依存しないこと。
• RTB環境でスケーラブルに展開可能な、リアルタイムかつ計算効率の良い入札シェーディング手法を設計すること。
• 業界ベンチマークおよび性能評価を通し、利益、支出効率、eCPMやeCPCといった主要ビジネス指標における改善を示すこと。

提案手法

• WRアルゴリズムは、各入札価格に対する勝利確率を推定するための改変されたロジスティック回帰モデルを用い、実行時における迅速な最適化を可能にする。
• 利益をシェーディング係数と勝利インジケータの関数として定式化し、単に勝利確率を最大化するのではなく、期待利益を明示的に最大化する。
• 各インプレッションに対して、予測された勝利確率と評価価値 $ V_i $ に基づき、動的に最適なシェーディング係数 $ g_i $ を計算する。
• 履歴入札および勝利データに基づいてモデルを学習させることで、直接的な最低勝利入札価格のフィードバックが不要な状態で、入札清算価格のパターンを学習可能である。
• リアルタイム予算制御器と統合されることで、支出の効率的管理とキャンペーンレベルの指標改善が実現される。
• 微分可能で閉形式の近似を用いることで、利益関数の高速最大化が可能となり、リアルタイムでの入札最適化が実現される。

実験結果

リサーチクエスチョン

• RQ1 最も確率の高い勝利入札価格を入札するナーヴィな戦略よりも、入札シェーディングアルゴリズムがより高い利益を達成できるか。
• RQ2 SSPからの最低勝利入札価格フィードバックが入手不可の場合でも、利益最大化はどの程度達成可能か。
• RQ3 実世界のRTB環境において、WRアルゴリズムは既存の業界シェーディングサービスおよびベンチマーク手法と比較してどの程度の性能を示すか。
• RQ4 予算制御器と統合された場合、入札シェーディングはeCPM、eCPC、eCPAといった主要ビジネス指標にどのような影響を与えるか。
• RQ5 明示的な利益最大化が、第一価格広告入札における広告主の利益性向上に測定可能な改善をもたらすか。

主な発見

• 生産環境においてWRアルゴリズムは最大可能利益の46.7%を達成し、次に優れた手法（LR）の44.8%を上回った。
• 最も確率の高い勝利入札価格を入札するベンチマーク手法と比較して、WRは7%高い利益を達成し、明示的な利益最大化の価値を示した。
• 予算制御器と統合された場合、WRはeCPM、eCPC、eCPAを3%から7%まで低減し、キャンペーン効率の向上を示した。
• アルゴリズムにより平均入札価格は、シェーディングなしのコストの55%まで低下し、効果的なCPMが顕著に低下した。
• 業界のSSPシェーディングサービスでさえ、利益を最大化するインcentiveがあるが、WRは4.3%高い利益を達成した。
• WRのシェーディング係数分布は左に歪んでおり（72%未満が大多数）、SSPの右に歪んだ分布（より高い入札を好む）と比較して、より深く戦略的なシェーディングがなされていることが示された。