Programmatique : ce que les machines peuvent (devraient) faire mieux que l'homme

Depuis que la publicité programmatique existe, des suppositions sont régulièrement émises sur le marché quant à savoir si tous les acheteurs d'espaces publicitaires perdront tôt ou tard leur emploi à cause de cela. Le développement rapide du Machine Learning pour la publicité numérique relance ce débat.

Pour Marius Rausch, VP & Managing Director Central Europe chez AppNexus, la répartition des tâches est claire : "L'homme et la machine doivent pouvoir chacun faire valoir leurs points forts. Pour cela, il doit être beaucoup plus facile pour les utilisateurs de systèmes programmatiques de définir les objectifs et les leviers vraiment importants, afin que les algorithmes puissent ensuite prendre efficacement en charge les microdécisions".

Alors que l'intuition et l'expérience des acheteurs médias devraient rester au centre de la planification des campagnes, le Machine Learning peut prendre en charge un grand nombre d'optimisations dépendant des données. Pour Marius Rausch, les quatre domaines suivants devraient à l'avenir être laissés aux algorithmes programmatiques et au Machine Learning :

1. le pacing. Les annonceurs attendent des résultats. Il est toutefois préférable que ceux-ci soient répartis uniformément sur la durée de la campagne. L'apprentissage automatique peut garantir une réalisation efficace et régulière des objectifs, en tenant compte des fuseaux horaires, des conditions du marché pour différents types d'inventaire et de nombreux autres paramètres et tendances. L'optimisation manuelle en fonction d'innombrables paramètres individuels, l'analyse qui s'ensuit et, enfin, l'adaptation des différents éléments de la campagne coûtent encore trop de temps aux traders.

2. Découverte. Dès le début d'une campagne, le Machine Learning peut trouver l'équilibre parfait entre les dépenses pour la livraison sur des inventaires dont la bonne performance est prouvée et l'allocation de budget pour l'exploration de nouveaux domaines. Cela est particulièrement utile au début des campagnes, lorsque les performances laissent généralement encore à désirer, pendant que les traders développent leur stratégie avec des informations limitées.

3. l'optimisation du chemin d'approvisionnement. L'un des grands problèmes posés par le header bidding au cours des dernières années est l'inondation du marché par des impressions doubles. Des emplacements publicitaires individuels sont désormais proposés simultanément par différents SSP. Il est donc beaucoup plus difficile de trouver le chemin optimal vers l'impression souhaitée. Même si un trader avait le temps de vérifier manuellement les différentes impressions, il serait impossible de savoir quel fournisseur est finalement le meilleur. L'apprentissage automatique peut ici déterminer le chemin le plus efficace vers un inventaire donné, en tenant compte en outre des coûts des tiers et de la qualité de l'inventaire.

4. l'optimisation de l'offre et de la demande. Le header bidding et la généralisation de différentes logiques d'enchères (first price vs second price) ont accru la complexité de la stratégie d'enchères. Les algorithmes peuvent mettre en œuvre la stratégie optimale pour chaque impression et réagir de manière dynamique aux différents types d'enchères.

AppNexus a préparé un livre blanc intitulé "The Future of Trading" sur l'avenir du commerce publicitaire et la manière dont la répartition des tâches entre l'homme et la machine évolue à cet effet. Lien direct (PDF)

AppNexus est une entreprise de technologie Internet qui permet et optimise l'achat et la vente en temps réel de publicité numérique.