[논문 리뷰] Multi-channel Autobidding with Budget and ROI Constraints

Yuan Deng, Negin Golrezaei외 3명|arXiv (Cornell University)|2023. 02. 03.

Auction Theory and Applications인용 수 9

한 줄 요약

이 논문은 다채널 자동입찰을 모델링합니다. 광고주가 채널별 예산과 ROI를 설정하여 전환 총합을 글로벌 ROI 및 예산 제약 하에서 극대화합니다. 예산이 글로벌 최적성에 충분하고, 제한된 피드백 하에서 채널별 예산을 학습하는 Bandit 기반 SGD-UCB 알고리즘을 제안합니다.

ABSTRACT

In digital online advertising, advertisers procure ad impressions simultaneously on multiple platforms, or so-called channels, such as Google Ads, Meta Ads Manager, etc., each of which consists of numerous ad auctions. We study how an advertiser maximizes total conversion (e.g. ad clicks) while satisfying aggregate return-on-investment (ROI) and budget constraints across all channels. In practice, an advertiser does not have control over, and thus cannot globally optimize, which individual ad auctions she participates in for each channel, and instead authorizes a channel to procure impressions on her behalf: the advertiser can only utilize two levers on each channel, namely setting a per-channel budget and per-channel target ROI. In this work, we first analyze the effectiveness of each of these levers for solving the advertiser's global multi-channel problem. We show that when an advertiser only optimizes over per-channel ROIs, her total conversion can be arbitrarily worse than what she could have obtained in the global problem. Further, we show that the advertiser can achieve the global optimal conversion when she only optimizes over per-channel budgets. In light of this finding, under a bandit feedback setting that mimics real-world scenarios where advertisers have limited information on ad auctions in each channels and how channels procure ads, we present an efficient learning algorithm that produces per-channel budgets whose resulting conversion approximates that of the global optimal problem. Finally, we argue that all our results hold for both single-item and multi-item auctions from which channels procure impressions on advertisers' behalf.

연구 동기 및 목표

• 여러 채널에 걸친 광고 캠페인을 제한된 개별 경매 제어로 최적화하는 실무 문제를 동기부여합니다.
• 두 advertiser 레버—채널별 예산과 채널별 ROIs—를 형식적으로 모델링하고 글로벌 최적을 달성하기 위한 유효성을 분석합니다.
• 글로벌 ROI 및 예산 제약 하에서 채널별 예산(ROI가 아니라)이 글로벌 최적 전환을 달성할 수 있음을 보여줍니다.
• 밴딧 피드백 하에서 근사적으로 최적의 채널별 예산을 찾는 학습 알고리즘을 개발하고 분석합니다.
• 제안된 접근법을 검증하고 일반 목표에 대한 확장 및 다중 인상 경매에 대한 확장을 탐구하는 수치 연구를 제공합니다.

제안 방법

• GL-OPT를 ROI 제약과 총 예산 제약이 있는 모든 채널에 걸친 광고주의 글로벌 최적화 문제로 정의합니다.
• 채널별 ROI 최적화가 같은 글로벌 제약 하에서 GL-OPT에 비해 임의로 더 나쁜 전환을 낳을 수 있는 반면, 채널별 예산은 GL-OPT를 달성할 수 있음을 보입니다(정리 3.2 및 정리 3.3).
• 예산만 최적화되는 경우 채널별 ROIs가 불필요해진다는 결론을 도출합니다(코렐러리 3.4).
• 예산-전용 레버로 CH-OPT를 공식화하고 밴딧 피드백 학습 문제를 분석합니다.
• SGD-UCB 기반 알고리즘을 개발하여, T 기간에 걸쳐 채널별 예산을 출력하고 예산 최적 전환에 대해 O(T^{-1/3}) 근사를 달성합니다.
• 가정 및 일반 목표와 다중 인상 경매에 대한 확장을 제공하고 논의합니다.

실험 결과

연구 질문

• RQ1 ROI 및 예산 제약 하에서 채널별 예산과 채널별 ROIs가 글로벌 최적 전환을 달성하는 데 충분합니까?
• RQ2 오직 채널별 예산만 최적화하여 GL-OPT를 달성할 수 있는지, 반면 채널별 ROIs는 실패할 수 있습니까?
• RQ3 밴딧 피드백 하에서 광고주가 근사적으로 최적의 채널별 예산을 학습할 수 있는 방법은 무엇입니까?
• RQ4 일반적인 광고주 목표와 다중 인상 경매에 대한 확장 가능한 방법은 무엇입니까?

주요 결과

• 채널별 예산은 목표 ROI 및 예산의 어느 경우에도 글로벌 최적(GL-OPT)을 달성할 수 있습니다, 한정 예산에서도.
• 동일한 글로벌 제약 하에서 채널별 ROI 전용 최적화는 GL-OPT에 비해 전환 수가 임의로 나쁠 수 있습니다.
• 예산을 최적화하면 채널별 ROI는 불필요해진다는 결과(중복성 결과).
• 밴딧 피드백 하에서 SGD-UCB 기반 알고리즘은 T 기간 내에 최적의 채널별 예산 해에 대해 O(T^{-1/3}) 근사를 달성합니다.
• 수치 연구는 제안된 알고리즘이 실용적 설정에서 채널별 예산의 최적 근사를 정확하게 나타냄을 보여줍니다.