Dealing with interdependencies and uncertainty in multi-channel advertising campaigns optimization.

Abstract

Nel 2017 la spesa in advertising online ha raggiunto 209 miliardi di dollari nel mondo, contro i 178 miliardi della TV. Una campagna online può contare migliaia di sottocampagne su più canali — search, social, display — i cui parametri (bid e budget giornaliero) vanno ottimizzati ogni giorno rispettando un vincolo di budget complessivo. Un lavoro che a mano è quasi sempre insostenibile: automatizzarlo è decisivo.

Come mostrano anche i modelli di marketing funnel, le sottocampagne sono interdipendenti: il display genera awareness, quindi più impression e più conversioni sul search. Nell'ottimizzazione manuale questa interdipendenza viene sfruttata di continuo ma, per quanto ne sappiamo, nessun algoritmo la considera.

In questo paper presentiamo il primo modello che cattura l'interdipendenza tra sottocampagne. Proponiamo inoltre l'algoritmo IDIL che, combinando Granger Causality e Gaussian Processes, impara dai dati storici e restituisce un'allocazione stazionaria ottima di bid e budget giornaliero. Dimostriamo garanzie teoriche sulla loss di IDIL rispetto alla soluzione clairvoyant e portiamo evidenza empirica della sua superiorità sugli approcci esistenti, sia in scenari realistici sia su dati reali.