Programmatic: cosa le macchine possono (dovrebbero) fare meglio degli umani

Dall'avvento della pubblicità programmatica, sul mercato si è speculato molto sul fatto che tutti gli ad buyer perderanno prima o poi il loro lavoro a causa di essa. Il rapido sviluppo dell'apprendimento automatico per la pubblicità digitale sta riaccendendo questo dibattito.

Per Marius Rausch, VP & Managing Director Central Europe di AppNexus, la divisione dei compiti è chiara: "Gli esseri umani e le macchine devono essere in grado di giocare ciascuno con i propri punti di forza. A tal fine, deve essere molto più facile per gli utenti dei sistemi programmatici definire gli obiettivi veramente importanti e regolare le viti, in modo che gli algoritmi possano poi assumere efficacemente le micro-decisioni".

Mentre l'intuizione e l'esperienza dei media buyer dovrebbero essere ancora al centro della pianificazione delle campagne, il machine learning può occuparsi di una serie di ottimizzazioni dipendenti dai dati. Per Marius Rausch, le seguenti quattro aree dovrebbero essere lasciate in futuro agli algoritmi programmatici e all'apprendimento automatico:

1. la cadenza. Gli inserzionisti si aspettano risultati. Tuttavia, è meglio che questi siano distribuiti in modo uniforme nel corso della durata della campagna. L'apprendimento automatico può garantire un targeting efficiente e uniforme che tenga conto dei fusi orari, delle condizioni di mercato per i diversi tipi di inventario e di molte altre tendenze e parametri. L'ottimizzazione manuale in base a innumerevoli parametri individuali, la successiva analisi e infine la regolazione dei singoli componenti della campagna costano ancora troppo tempo agli operatori.

2. scoperta. Fin dal primo momento di una campagna, il Machine Learning è in grado di trovare l'equilibrio perfetto tra la spesa per le consegne sull'inventario con buone prestazioni comprovate e l'allocazione del budget per esplorare nuovi domini. Ciò è particolarmente utile all'inizio delle campagne, quando le prestazioni lasciano solitamente a desiderare, mentre gli operatori con informazioni limitate sviluppano la loro strategia.

3. ottimizzazione del percorso di fornitura. Un grosso problema che l'header bidding ha creato negli ultimi anni è l'inondazione del mercato di impressioni duplicate. I singoli spazi pubblicitari vengono ora offerti contemporaneamente da diverse SSP. Questo rende molto più difficile individuare il percorso ottimale per raggiungere l'impression desiderata. Anche se un operatore avesse il tempo di controllare manualmente ogni impression, sarebbe impossibile scoprire quale sia il provider migliore. L'apprendimento automatico è in grado di determinare il percorso più efficiente per raggiungere un determinato inventario e tiene conto anche dei costi per le terze parti e della qualità dell'inventario.

4. ottimizzazione del prezzo dell'offerta. L'header bidding e la proliferazione di diverse logiche d'asta (primo prezzo vs. secondo prezzo) hanno aumentato la complessità della strategia d'asta. Gli algoritmi possono implementare la strategia ottimale per ogni impression e reagire dinamicamente ai diversi tipi di asta.

AppNexus ha preparato un white paper intitolato "The Future of Trading" (Il futuro del trading) su come potrebbe essere il futuro del trading pubblicitario e su come cambierà la distribuzione dei compiti tra uomini e macchine. Collegamento diretto (PDF)

AppNexus è una società di tecnologia internet che consente e ottimizza l'acquisto e la vendita in tempo reale di pubblicità digitale.