Optimiser ses publicités grâce à la Data Science
0 j'aime223 vues
Le document présente un bootcamp de science des données axé sur l'optimisation des publicités grâce au machine learning. Il explique le fonctionnement de la publicité programmatique et l'utilisation de l'apprentissage par renforcement pour maximiser les revenus publicitaires en temps réel. Des stratégies algorithmiques, comme le critère de l'Upper Confidence Bound (UCB), sont abordées pour équilibrer l'exploration et l'exploitation des choix de prix.
Optimiser ses publicités grâce à la Data Science
- 1. Data Science Bootcamp Commencez votre carrière dans la Data
- 2. Notre Speaker — Yann Battard Data Marketing
- 3. OPTIMISER SES PUBLICITÉS GRÂCE AU MACHINE LEARNING
- 4. Data & Publicité : de nombreux cas d’usage Améliorer la conversion : Quels facteurs ont le plus d’influence sur la conversion client ? Optimiser l’efficacité d’une publicité: Parmi plusieurs créations, campagnes, … laquelle clique le mieux ? Acheter la publicité au meilleur prix: Quelle est la juste valeur d’un emplacement publicitaire, d’un segment de clients Trouver des bons prospects: Quels internautes ressemblent le plus à mes clients actuels ?
- 5. Use case de la publicité : problématique Permettre d’optimiser le revenu global généré par les espaces publicitaires commercialisés par les sites internet, dans le contexte de la vente en programmatique (système d’enchères en temps réel)
- 6. Qu’est-ce que la publicité programmatique ? Système d’enchères au 2eme prix : l’acheteur le mieux disant remporte l’enchère mais paye le prix du 2eme meilleur enchérisseur Vente aux enchères des espaces publicitaires Fixation de prix planchers des espaces par les vendeurs Rapidité de décision d’achat d’espace SSP Supply Side Platform SSP Supply Side Platform Agence RTB Real time bidding Audience Site éditeur Plate-forme côté vendeur Enchères en temps réel Plate-forme côté acheteur Agence d’achat média Marque annonceur
- 7. Comment se déroule une enchère ? 1. Visite la page 2. Capte les données visiteur 3. Détermine le prix plancher 4. Envoie une requête d’enchère incluant les données du visiteur + les caractéristiques de l’espace publicitaire 5. Analyse la requête Décision d’achat & fixation le prix d’enchère 6. Envoie l’enchère en réponse 7. Désigne l’enchère gagnante et le prix appliqué 8. Envoi de la pub correspondante SSP Supply Side Platform SSP Supply Side Platform Agence RTB Real time bidding
- 8. Qu’est-ce que la publicité programmatique ? Revenu de l’éditeur = prix de l’espace publicitaire * taux d’achat Déterminer le prix le plus élevé encore acceptable pour l’acheteur Pouvoir s’adapter rapidement en cas de changement de stratégie des acheteurs Passer d’une stratégie de fixation manuelle et empirique du prix plancher à une fixation temps réel optimisée au niveau du SSP (plate-forme côté vendeur de publicité)
- 9. Et en Machine Learning ? Caractéristiques du visiteur Adresse IP Langue OS, device Geolocalisation Heure de visite… Caractéristiques de l’espace pub Editeur Rubrique du site Taille du player Format pub F E A T U R E S Stratégies des acheteurs Taux d’achat Prix de l’enchère P R É D I C T I O N S MAXIMISATION DU REVENU PAR REQUÊTE Prédiction du revenu optimal (taux d’achat x prix)
- 10. Les choix parmi les approches ML Contexte : Pas de base initiale d’apprentissage Changement rapide des stratégies des acheteurs : base d’apprentissage rapidement obsolète Besoin de pouvoir « explorer » l’éventail des prix possibles et la réaction des acheteurs Solution retenue : L’apprentissage par renforcement (reinforcement learning)
- 11. Fonctionnement de l’algorithme Commence par explorer des prix arbitraires (au voisinage de ceux fixés manuellement initialement) Mesure le résultat : un acheteur achète ou pas (qui prend en compte le taux d’achat et le prix de l’enchère) « Récompense » la stratégie (ie, le prix) ayant donné le meilleur revenu, et la favorise pour le tour suivant Conserve toujours une part dédiée à l‘exploration avec le test de prix différents - Pouvoir mesurer l’incrément de revenu apporté par l’algorithme vs choix manuel - Évite de se retrouver bloqué dans un optima local 1 3 4 2
- 12. L’apprentissage par renforcement (½) Reinforcement learning : Permet d’adresser des problèmes dans lesquels on ne dispose pas de base d’apprentissage préexistante et où il est coûteux de créer cette base (donc on oublie l’apprentissage supervisé). Utilisé par exemple par AlphaGo en 2016 pour gagner le tournoi de Go. Problème du bandit manchot k machines à sous ont des distributions (ie, des chances de gagner) différentes et inconnues du joueur. Comment maximiser son gain et identifier rapidement la machine la plus intéressante ? Le dilemme Exploiter / Explorer
- 13. L’apprentissage par renforcement (2/2) Sur quel critère choisir son action ? Ici, sur le prix de la publicité L’approche « greedy » qui choisit systématiquement l’action qui a la meilleure valeur au temps t. Ses limites : Sous optimise sur le long terme Pas réactive aux changements de valeur des actions dans le temps.
- 14. Algorithme : UCB (upper confidence bound) Au tour t, on choisit l’action (ici le prix) i qui maximise Moy.Ri(t)+Ui(t) Ni(t) Nombre de fois où mon prix i a été sélectionné depuis le début jusqu’au tour t Ri(t) Somme des récompenses pour le prix i depuis le début jusqu’au tour t Moy.Ri(t) Récompense moyenne gagnée par le choix du prix i jusqu’au tour t Ui(t) Intervalle de confiance de la récompense moyenne du prix i au tour t
- 15. L’apprentissage par renforcement L’action a choisie au tour t a un intervalle de confiance réduit à t+1. Plus elle est choisie, plus on devient confiant sur la distribution de la valeur de son action, et plus son UCB est faible, ce qui donne la chance à d’autres actions d’être explorée. Upper confidence bound Upper confidence bound Moy.Ri(t) Moy.Ri(t +1)
- 16. Exemple de calcul du l’UCB Tour Pri testé Résultat Valeur de l’action R (Récompense moyenne) Récompense + UCB au tour 6 1 + 5 10€ 10€ 10€ 11.3 2 10.5€ 0€ 0€ 1.3 3 11€ 11€ 11€ 12.3 4 11.5€ 0€ 0€ 1.3 5 12€ 0€ 0€ 1.3 Après le tour 6, même si le prix de 10€ a permis de remporter l’enchère 2 fois sur 2, la valeur max prenant en compte l’UCB est de 12.3. Elle conduit donc à choisir le prix de 11€ pour le tour suivant. Choix pour le tour 7
- 17. Les atouts de l’UCB Capacité de l’algorithme à explorer en permanence Intervalle de confiance plus faible pour les actions les plus souvent choisies avec une distribution plus faible Permet aux actions peu choisies mais à potentiel d’être testées. Optimise l’arbitrage exploitation/exploration Dilemme
- 18. Résultats de l’approche appliquée C’est l’augmentation du revenu moyen pour l’éditeur vs la fixation manuelle des prix plancher. Pour des raisons de performances (temps de traitement et passage à l’ échelle) l’approche finale a combiné - Apprentissage par renforcement sur une partie des données- - Régression multifactorielle sur l’autre, permettant de prédire taux d’achat et prix de l’enchère 22%
- 19. Aller plus loin avec le Reinforcement Learning Autres applications dans le domaine publicitaire Alternative à l’A/B testing pour le test de performances publicitaires Autres algorithmes de reinforcment learning Thomson sampling
- 20. Jedha : Data Science Bootcamp — FONDAMENTAUX 11 Janvier - 29 Février Tous les samedis 10h - 16h Samedis — 7 Janvier - 27 Février Les Mardis & Jeudis 19h30 - 21h Semaine —
- 21. Jedha : Data Science Bootcamp — FULLSTACK : DEVENEZ DATA SCIENTIST Temps plein — 9 Mars - 5 Juin Lundi au Vendredi 10h - 16h
- 22. Data Science Bootcamp Merci ! A la prochaine :)