[논문 리뷰] Attribution Modeling Increases Efficiency of Bidding in Display Advertising

Eustache Diemert, Julien Meynet외 2명|arXiv (Cornell University)|2017. 07. 20.

Consumer Market Behavior and Pricing참고 문헌 24인용 수 37

한 줄 요약

이 논문은 클릭 이후 예측된 할당 확률에 따라 입찰가를 조정함으로써 성과 광고의 효율성을 향상시키는 할당 인식 입찰 정책을 제안한다. 학습된 할당 모델을 입찰 전략에 통합함으로써 클릭 이후 입찰가를 낮추어 비용과 광고 노출을 줄이고 광고주 수익률 및 플랫폼 효율성을 높이며, 온라인 실험에서 장기적인 OEC에 5.5% 향상 효과를 보였다.

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.

연구 동기 및 목표

• 클릭 이후 변화하는 할당 확률을 고려하지 못하는 표준 입찰 정책의 비효율성을 해결하기 위해.
• 클릭이 할당 전환으로 이어질 가능성을 모델링하여 광고주, 플랫폼, 사용자 간의 인cent라이브를 더 잘 맞추기 위해.
• 예측된 할당 기반으로 동적으로 입찰가를 조정하는 실용적이고 확장 가능한 입찰 정책을 개발하기 위해.
• 실제 Criteo 생산 트래픽을 대상으로 오프라인 및 대규모 온라인 실험을 통해 방법을 검증하기 위해.
• 기존 시스템에 최소한의 변경으로도 장기적 가치 창출을 증가시키는 할당 인식 입찰 정책이 가능함을 보여주기 위해.

제안 방법

• 저자는 전환 및 맥락적 특징이 주어졌을 때 할당 전환 확률 P(A=1|S=1,X=x)를 추정하기 위해 확률적 할당 모델을 훈련한다.
• 기대 가치 입찰자(EVB)를 수정하여 할당 모델의 출력을 반영해 클릭 이후 입찰가를 조정하며, 마지막 클릭 이후 경과 시간에 기반한 감쇠 함수를 사용한다.
• 제안된 입찰 정책은 기본 입찰가에 다중항을 적용한다: bid_test ∝ bid_ref × A × (1 − B × e^(−λδ)), 여기서 δ는 마지막 클릭 이후 경과 시간이다.
• 모델은 클릭 이후 입찰가 감소 속도를 제어하기 위해 전역 파라미터 λ를 사용하며, B는 감소의 강도를 조절한다.
• 오프라인 평가에서는 온라인 배포 이전에 정책 개선을 평가하기 위해 기대 효용 지표의 업데이트된 버전을 사용한다.
• 온라인 실험은 사용자 분할 A/B 테스트를 사용하며, 예산 지출과 성능 측정을 균형 잡기 위해 A 및 B 파라미터를 조정한다.

실험 결과

연구 질문

• RQ1 입찰 정책에 할당 모델을 통합함으로써 성과 광고의 장기적 효율성을 향상시킬 수 있는가?
• RQ2 예측된 할당 확률에 기반한 클릭 이후 입찰가 조정이 광고주 수익률과 플랫폼 비용에 어떤 영향을 미치는가?
• RQ3 표준 입찰 정책에 비해 제안된 정책이 클릭 이후 사용자 광고 노출을 얼마나 줄이는가?
• RQ4 할당 인식 입찰 정책이 OEC와 같은 장기 성과 지표에서 측정 가능한 향상 효과를 가져오는가?
• RQ5 기존 광고 플랫폼에 최소한의 변경으로도 상당한 성과 향상을 달성할 수 있는가?

주요 결과

• 제안된 할당 기반 입찰(AB) 정책은 모든 생산 트래픽에서 장기 성과 지표인 종합 평가 기준(OEC)에 +5.5% 향상 효과를 보였다.
• 광고주들은 광고 지출이 감소했음에도 불구하고 단위 예산당 더 많은 전환을 생성함으로써 수익률이 향상되었다.
• 동일 광고주로부터의 클릭 이후 광고 노출이 크게 감소하여 사용자 경험과 광고 다양성이 향상되었다.
• 플랫폼 전체 비용이 클릭 이후 첫 24시간 동안 특히 낮아진 입찰가로 인해 감소하였다.
• 오프라인 지표 업데이트가 온라인 성능을 성공적으로 예측하여 평가 프레임워크의 타당성을 입증하였다.
• 단순한 다중항 기반 입찰 조정을 통해 최소한의 시스템 변경으로도 정책이 효과를 발휘하였으며, 이는 민첩하고 프로덕션 준비가 된 방식이었다.