Les enchères prédictives et le rôle de l’IA dans la transformation de l’écosystème programmatique

Le secteur de la publicité programmatique connaît une période d’essor rapide : de nouvelles entreprises arrivent sur le marché, les technologies font boule de neige et de puissantes transformations sont dans l’air. Tout cela complique incroyablement les écosystèmes publicitaires, créant les conditions d’une augmentation de la fraude et du gaspillage.

C’est là que les solutions tendances qui utilisent l’apprentissage automatique (ML) et l’intelligence artificielle (IA) des modèles permettant de prédire les tarifs et d’ajuster les stratégies d’enchères en temps réel entrent en jeu, pour le plus grand plaisir de tous. Cependant, au lieu de soupirs de soulagement, un nouveau drame se déroule : il s’avère que les solutions programmatiques basées sur l’IA ne résolvent pas tous les problèmes. De plus, ils suscitent de nouveaux défis et problèmes.

Cet article analysera les particularités de l’utilisation de modèles d’intelligence artificielle dans la publicité programmatique, notamment dans le cadre des enchères prédictives. Étant donné que l’IA est largement adoptée et hautement idéalisée, nous examinerons les coulisses des objectifs commerciaux pour plus de transparence et de clarté et aborderons le processus de développement.

Intelligence artificielle et apprentissage automatique au service de l’optimisation

Pour commencer la discussion, répondons à la question du rôle de l’IA dans la programmation : il est important et devrait s’accroître avec le temps. Néanmoins, la même chose peut être dite à propos de n’importe quel domaine des technologies de l’information, alors traitons de l’essence, et non de l’emballage de jolis mots.

À un niveau fondamental, les modèles d’IA dans la publicité programmatique sont conçus pour prédire la probabilité d’atteindre le résultat attendu lors d’une négociation. Par conséquent, si le résultat attendu est réalisable, des ressources doivent être allouées pour y parvenir. Si cela n’est pas réalisable, des ressources devraient être économisées pour de futures enchères. Voilà comment ça marche. Cependant, des centaines de diables se cachent dans les détails, et ils les mélangent constamment, essayant de compliquer le travail des ingénieurs et des développeurs.

La mise en œuvre de modèles d’IA personnalisés présente des défis importants. Nous discuterons ici de ces difficultés pour donner une image précise du monde de l’ingénierie et du rôle des personnes qui prennent le pouls de l’automatisation.

La publicité programmatique fonctionne dans un écosystème de SSP, DSPles échanges publicitaires et d’autres participants commerciaux. Toutes ces parties sont des applications techniquement complexes déployées sur des serveurs. Dans ce cas, un modèle d’IA personnalisé est une solution logicielle développée, lancée et maintenue par un acteur spécifique de la chaîne publicitaire de son côté. Il y a plusieurs points essentiels pour comprendre la tension ici.

• Un modèle d’IA est généralement déployé pour optimiser les enchères avec un partenaire spécifique. Des interactions commerciales stables et significatives ainsi qu’un engagement historique sont donc fondamentaux.
• Plus le partenaire est important pour votre portefeuille, mieux c’est, car vous devez entraîner le modèle sur de grands ensembles de données pour une automatisation et une amélioration réussie des algorithmes.
• L’approche la plus efficace pour optimiser le trading avec l’IA prédictive consiste à mettre en œuvre des modèles axés sur l’amélioration un métrique spécifique au lieu de plusieurs métriques simultanément.

Fondamentalement, pour une optimisation efficace des échanges grâce à plusieurs mesures pour plusieurs partenaires, vous devez déployer tout un ensemble de solutions d’IA personnalisées qui peuvent être unies par un seul principe de système directeur. Nous en discuterons plus loin.

Meilleures pratiques dans la mise en œuvre de solutions d’IA pour améliorer les performances en programmation

Le rôle de l’intelligence artificielle et de l’apprentissage automatique croît proportionnellement et de manière prévisible avec la complexité croissante du secteur de la publicité numérique.

A titre d’illustration, la volonté sincère de Google de bannir par défaut les cookies tiers pour son navigateur Chrome est l’un des catalyseurs du développement de solutions automatisées qui devraient compenser partiellement ou totalement la perte d’efficacité du ciblage. Cependant, dans l’industrie programmatique, les fonctionnalités d’apprentissage automatique et les algorithmes d’IA sont déjà devenus des éléments courants sous une forme ou une autre. La croissance de l’automatisation n’est qu’une question de temps.

Ci-dessous, nous présentons des pratiques en supposant que les approches traditionnelles de développement sont bien comprises. Ces informations ont été extraites du travail sévère et furtif de passionnés de technologie publicitaire.

Investissez dans l’amélioration et le contrôle de la qualité des données utilisées pour former et améliorer le modèle d’IA pour les enchères prédictives.

C’est la première chose qui doit être abordée par votre service de développement ou l’équipe impliquée. La publicité programmatique est un domaine dans lequel des écarts dans le calcul de mesures spécifiques surviennent souvent en raison de la présence de nombreux soumissionnaires, des imperfections dans les méthodes et approches utilisées, et d’autres raisons. D’autres raisons incluent la distorsion intentionnelle ou la fausse représentation des données métriques enregistrées par le système pour obtenir un avantage contraire à l’éthique dans les enchères.

Dans la longue histoire de l’usurpation d’identité par les technologies publicitaires, les exemples de distorsion des données incluent les injections de clics, les données de localisation falsifiées, les identifiants dupliqués et bien d’autres encore. Malheureusement, de tels types de fraude programmatique peuvent passer inaperçus pendant de nombreuses années.

Voici la première conclusion : un bon modèle d’IA peut être soutenu par de fausses données, l’obligeant à ajuster les enchères au détriment de votre entreprise. Ce point devrait être éliminé en créant un processus à plusieurs niveaux de vérification des décisions basées sur l’IA en isolant une partie du trafic et en effectuant divers tests automatisés.

Reliez les mises à jour des modèles automatisés aux mises à niveau locales de l’infrastructure de publicité programmatique.

Les modèles d’IA sont sensibles à l’architecture du serveur. Supposons que votre partenaire mette soudainement à niveau sa plateforme publicitaire vers une nouvelle version et modifie la logique interne derrière la plateforme. Dans ce cas, cela affectera certainement la façon dont le modèle d’analyse prédictive perçoit les données. Les changements sont rarement si insignifiants qu’ils n’affectent pas les performances. Le plus souvent, même des mises à jour mineures nécessitent d’analyser et d’ajuster les algorithmes d’analyse des modèles développés. Sans parler des cas où les partenaires modifient le principe de calcul et de transmission des métriques sans en avertir les parties.

Si un modèle a été formé sur un ensemble de données, mais que les circonstances ont changé, il vaut la peine de le recycler pour refléter ce changement.

Passons en revue un exemple tiré de notre pratique. Nous surveillons constamment les mises à jour des principaux acteurs du marché, dont nous utilisons les données pour créer des algorithmes clients personnalisés : des métriques spécifiques adoptées peuvent avoir changé après la mise à jour, affectant les performances algorithmiques.

Supervisez l’évolution des démarches d’optimisation de vos partenaires. L’analyse automatisée du comportement des algorithmes est essentielle.

C’est également un point intéressant, car vos partenaires publicitaires peuvent se concentrer sur des mesures qu’ils n’avaient pas observées auparavant. Cela entraînera probablement des difficultés dans l’analyse des informations et des erreurs dans la prise de décision auxquelles le modèle d’enchères prédictives développé sera confronté. En effet, la capacité à suivre les changements internes dans les approches des partenaires est une compétence difficile, mais rien n’est impossible si l’on privilégie l’efficacité.

Les signes de changements dans l’orientation d’optimisation de l’entreprise incluent des changements de responsables techniques clés, une perte de financement ou, vice versa, la réception de financement, des changements dans le modèle d’abonnement, tels que les frais d’exécution controversés d’Unity, et bien plus encore.

La conclusion est que l’optimisation n’est efficace que dans les conditions commerciales actuelles avec un partenaire particulier, qui peuvent changer et affecter les performances. Vous pouvez prédire les changements en analysant les données publiques sur vos partenaires. Néanmoins, les modèles automatisés permettant d’analyser et de modéliser le comportement commercial des partenaires sont bien plus essentiels dans la mesure où cela est possible de votre part sans franchir la ligne de l’éthique.

Suivez la règle selon laquelle les enchères prédictives avec les solutions ML et IA sont un jeu multi-joueurs qui peut conduire à des conflits.

C’est pourquoi l’une des meilleures règles d’optimisation consiste à rompre la logique d’application des règles. Si, pendant la pause, le système « se rend compte » que les métriques cibles se sont améliorées, la poursuite de l’approche d’optimisation doit être reconsidérée. Par exemple, une partie du trafic continue d’être optimisée, d’autres non, et les résultats sont comparés pour ajuster d’autres actions.

Enchères prédictives pour une monétisation rapide de sites Web

L’un de nos clients, une grande plateforme SSP basée aux États-Unis qui utilise TeqBlaze solution en marque blanche pour gérer son activité, nous a contacté pour un problème. Le client a remarqué que les nouveaux éditeurs se plaignaient de faibles bénéfices et ce problème ne pouvait pas être résolu en suivant les meilleures pratiques d’optimisation déployées. Le client nous a donc demandé de trouver le problème et de le résoudre techniquement de manière unique.

Après avoir effectué une analyse préliminaire de la plateforme, nous avons confirmé que les conditions commerciales étaient quasiment les mêmes pour les nouveaux arrivants et les principaux partenaires fournisseurs. Suite à cette conclusion, nous avons identifié le problème dans les paramètres d’inventaire des éditeurs. Leur taux de réussite était beaucoup plus faible, de sorte que le principal soupçon s’est immédiatement porté sur un plancher d’enchère mal défini. Pour contester notre théorie, nous avons effectué des tests qui ont prouvé que le inflexible Le plancher des enchères a conduit à un faible taux de réussite aux enchères.

Sur cette base, nous avons ajouté un algorithme ML à la plate-forme du client pour aider à choisir le plancher d’enchère optimal pour les partenaires. Nous avons utilisé la partie isolée du trafic pour un développement fluide.

Après avoir déployé l’algorithme d’apprentissage automatique conçu et bien testé, le client a réalisé environ un Amélioration de 2 à 3 fois du taux de victoire et augmentation de 30 à 35 % des bénéfices. Puisqu’il s’agit de ML, nous surveillons en permanence les performances de la plateforme du client et travaillons à l’amélioration des algorithmes basés sur ses données.

L’évolution de l’automatisation est importante

Les temps changent vite, mais la technologie évolue trois fois plus vite. La seule chose qui reste inchangée est le désir des gens d’avoir un impact, de garder une longueur d’avance et de prédire la situation. Au lieu de promesses de tout en même temps, la sincérité et la croissance progressive du partenariat gagnent en valeur. Même si l’IA offre un énorme potentiel pour rationaliser les processus d’appel d’offres, le parcours d’optimisation reste aussi complexe que gratifiant. Dans les coulisses de l’automatisation magique, des gens honnêtes se consacrent toujours à leur travail et se concentrent sur les améliorations stratégiques des entreprises face à un grand suspense.

Nous vous invitons à nous contacter si vous souhaitez optimiser votre infrastructure publicitaire programmatique avec des technologies intelligentes.

Contacter Teqblaze