CC BY
6
УДК 330.47:330.46: 303.094 Б01: 10.15587/2312-8372.201Б.Б0Б49
0ПТНМ13АЩЯ БЮДЖЕТУ РЕКЛАМОДАВЩВ, ЯК УЧАСННК1В РННКУ КОНТЕКСТНО! РЕКЛАМН
Дослгджено залежнгсть ефективностг бюджету рекламодавця на ринку 1нтернет-реклами вгд вибору стратеггг контекстног рекламы з використанням технологи RTB. Встановлено, що застосування довгостроковог стратеги з застосуванням методологп статистичного арбтра-жу суттево тдвищуе ефективнгсть використання бюджету рекламодавця. Апробовано модель ЕМ-алгоритму. Показано суттеве тдвищення ефективностг витрат бюджету рекламодавця при застосуваннг тдходу статистичного арбтражу для 1нтернет-реклами.
Клпчов1 слова: ринок веб-реклами, контекстний пошук, оптимгзацгя бюджету, статистичний арбтраж, ЕМ-алгоритм.
Гальчинський Л. Ю., Сташкевич Д. С.
1. Вступ
Ринок 1нтернет-реклами, або веб-реклами е швидко зростаючим i наразi вже тдтвердив свою важливкть в онлайн-економщь Зокрема веб-реклама е житте-во важливим елементом для веб-пошукових систем, онлайн контент-провайдерiв i власникiв сайтiв, тому що веб-реклама е !х основним джерелом доходу. Присут-нiсть контекстно! реклами стае все бшьш важливою для вае! медiа-iндустрii через зростання впливу 1нтернету у повсякденному життi. Для рекламодавщв — це бiльш перспективна альтернатива традицшним маркетинговим засобам, таким як телебачення i газети. В мiру еволющ! 1нтернету тривае збiр даних користувачiв i покращення методiв створення бшьш цшеспрямовано'!, iнтерактивноi i дружньо! реклами, що може мати серйозний вплив як на прогрес цифрово! економжи, так i сприяти со-цiальному розвитку суспiльства.
1нтернет-реклама з'явилась не тшьки як технологiчна шноващя, але i як економiчний об'ект, що потребуе дослвджень, якi потребують нових релевантних мето-дологiй дослвдження, таких як iнтелектуальний аналiз даних, машинне навчання, щоб передбачити i зрозумiти поведiнку користувача. Однак, як i кожна iнновацiя, контекстна реклама з моменту свое! появи переживае стрiмкi трансформацп як з точки зору технолопчних удосконалень, так i змiни свое! ролi i мшця в сощально-економiчному середовищi. Причини швидкого зростання ролi 1нтернет-реклами у свiтi докладно з'ясованi в науковш лiтературi. За оцiнками Мiжнародноi кому-нiкацiйноi мережi ZenithOptimedia [1] глобальш витра-ти на рекламу за тдсумками 2015 р. зросли на 5,5 % i досягнули $ 532 млрд., а в 2016 р. — на 6,1 % покупщв в 1нтернеть Тенденщя розвитку ринку 1нтернет-рекла-ми в УкраТш до 2014 р. ввдповщала свiтовiй, темпи Г! розвитку були навиь дещо вищими вiд свггових [2].
На даний момент ця тенденщя зростання дещо зни-зилась, але це тимчасове явище, обумовлене полиичними та соцiально-економiчними катаклiзмами. Шсля того, як вiдбудеться стабiлiзацiя, а надалi пiде економiчне зростання, тенденщя до зростання обсяпв 1нтернет-реклами безумовно повернеться. Сегмент контекстно!
реклами в укра!нському сегментi 1нтернету зростатиме як кшьюсно, так i яюсно, i при пожвавленнi економь ки, слвд очiкувати суттевого зростання частки цього сегменту. У цьому зв'язку стае актуальним вивчення як структури ринку штернет-реклами i його окремих сегментiв, особливостей, так i оцiнка дiяльностi суб'екпв цього ринку, зокрема сегменту контекстно! реклами.
За недовгий час, трохи бшьш шж за двадцять ро-кiв органiзацiя та технологiя 1нтернет-реклами про-йшла стрiмку еволюцiю, якщо не сказати, що вiдбулась справжня револющя, тому що з'явились новi учасники ринку iнтернет-реклами, яких ще до недавнього часу просто не могло бути, а наразi е визначальними еле-ментами вказаного ринку. Мова йде про поведшковий таргетинг [3], за яким розмщення реклами реалiзуеться iндивiдуально для кожного з користувачiв, з тематикою, що автоматично визначиться, виходячи з кторп ввдвь дувань веб-сторiнок користувачем. Структура сучасно-го ринку 1нтернет-реклами включае в себе наступних учасниюв: користувачi, рекламш бiржi/мережi паблше-ри, рекламодавцi. Аналiз дiяльностi цих агентiв ринку 1нтернет-реклами i е предметом даного дослвдження.
2. Анал1з л1тературних даних та постановка проблеми
Бурхливий розвиток ринку 1нтернет-реклами за ос-танне десятилитя викликав появу множини публiкацiй дослщниюв як в Украiнi, так i за кордоном.
Переважна бiльшiсть вичизняних публiкацiй спря-мованi на аналiз такого нового явища, як ринок 1нтер-нет-реклами, науковiй дефiнiцi! ринку 1нтернет-реклами, тенденцiй розвитку, якi характеризуются перманент-ними трансформацiями, в першу чергу пов'язаних з новими комушкацшними можливостями, що надае 1нтернет. В роботах [4, 5] докладний огляд вичизняних публжацш на дану тематику, як наукових, так i екс-пертних, зокрема аналiтично-дослiднi роботи члешв Мiжнародноi асоцiацi! маркетингових iнiцiатив (МАМ1) та Всеукра!нсько! рекламно! коалiцii (ВРК). Проте стан розвитку ринку рекламних 1нтернет-послуг в УкраТш вже диктуе потреби в методолопчних пiдходах, як
б давали можлившть оцiнювати дiяльнiсть учасникiв цього ринку з точки зору eKOHOMi4Hrn показниюв, а самим учасникам приймати прораховат рiшення, виходячи з точки зору свое! вигоди. Зокрема, рекламодавцям важливо ощнювати вiддачу сво!х iнвестицiй в 1нтер-нет-рекламу, обгрунтовано планувати свiй бюджет, а це потребуе кшьюсного пiдходу. Однак наукових публь кацiй в укра!нських виданнях явно бракуе. Серед цих небагатьох слвд вщзначити [6], в якш, на погляд авторiв статтi, вперше в укра!нських наукових виданнях були сформульоваш iдеi застосування кiлькiсного тдходу до вивчення ринку 1нтернет-реклами в Укра'!ш, зокрема ринку контекстно! реклами. Була також окреслена мето-долопя кiлькiсного пiдходу — iгрова модель поведшки учасникiв ринку контекстно! реклами, проте реалiза-цiя цiеi моделi представлена не була. 1нша публжа-цiя в контекстi цiеi парадигми [5] аналiзуе та оцiню6 ефектившсть одного з учасника ринку: посередника контекстно! реклами.
Проте, бшьш важливою проблемою е правильне по-зищонування рекламодавця, бо власне, його швестици е рушiйною силою ринку 1нтернет-реклами. Рiзнi аспекти оцiнки стратегiй рекламодавщв 1нтернет-реклами штен-сивно вивчались в зарубiжних виданнях. В короткому оглядi неможливо навiть згадати всi публжацп. Так, тiльки питанню оптимiзацii ставки було присвячено де-кiлька дослщжень в Iнтернет-рекламi [7-9]. Тим не менше, бiльшiсть дослiджень дос була обмежена аукщоном для спонсорованого пошуку [10-12]. Зазвичай, за сценарiем попе-реднього встановлення ставок для ключових слГв, спочатку оцiнюються ключовi слова, варпсть та обсяг, а попм проводиться про-цес оптимiзацii рекламно! мети (показ-никiв КР1) [13, 14]. В деяких з останшх робгг [15, 16] пропонуеться перюдично змь нювати попередньо встановлену щну ключо-вого слова аукцiону, з врахуванням решти бюджету i часу життя кампанп. В даному огляд1 представленi далеко не всг роботи, проте про них можна стверджувати, всг дослщження або виходять з где! оптимгзацп бюджету рекламодавця в межах одше! кампанп, або не розгля-дають проблему поведшкового маркетингу в повнш мгрг. I тгльки останшм часом з'явилися роботи, зокрема [11], де запропоновано шдхщ, який дае основу для оптимг-защ! бюджету рекламодавця.
3. 06'ект, мета i задач1 дослщження
Метою даног роботи е оптимгзащя рекламних бюд-жетгв рекламодавщв при проведенш 1нтернет-реклами в режимг реального часу.
Об'ектом дослгдження е застосування статистичного арбитражу в медшнш рекламг у режимг торпв реального часу (RTB), на бгржах, де продаж рекламного мгсця вгдбуваеться засобами шформацшних систем рекламодавщв (DSP) у режимг реального часу.
Для досягнення поставлено! мети виргшувалися наступи завдання:
— проведено аналгз тдходгв до оптимгзацГ! бюджетгв
рекламодавщв сучасно! 1нтернет-реклами;
— апробована модель статистичного арбитражу в контекст RTB онлайн-реклами;
— проведена симуляцiя ЯТВ онлайн-реклами за рiзними бюджетними стратепями рекламодавцiв. У данiй роботi задачею е проведення дослiдження i реалiзацiя методiв, якi покажуть реальнi можливос-тi застосування методiв статистичного арбитражу для оптимiзацii бюджету рекламодавцiв умовах куmвлi контекстно! реклами на аукщонах реального часу
4. Структура ринку 1нтернет-реклами та виб1р методологи моделювання
Майже всi типи рекламних оголошень в 1нтерне-тi потребують вирахування найкращо! вiдповiдностi користувача в даному онлайн-контекст i доступних рекламних оголошень. Найкращий пiдбiр рекламного оголошення е не тiльки релевантним з точки зору ло-гiки вщповвдносп iнтересу користувача та контексту, де воно з'являеться, але також включае в себе «найкращий прибуток» з точки зору рекламодавця [11].
Наразi ринок 1нтернет-реклами складають чотири основних учасники: рекламодавщ паблiшери, реклам-ш бiржi та користувачi. Однак деюлька рокiв тому з швидким розвитком iндустрii i зростаючими бюджетами, зростаючою кiлькiстю компанiй з'являються нов1 iнструменти i платформи, що розширюють традицiйних учасникiв, як показано на рис. 1.
Платформа рекламодавця (DSP, Trade desk) обслу-говуе рекламодавщв, або рекламш агентства, роблячи ставки на бгржг для багатьох рекламних бгрж автоматично.
Платформа паблгшера (SSP) обслуговуе паблгше-ргв, рееструючи !хнш швентар на бгржг i тдбираючи найбшьш вщповвдний автоматично.
Рекламна бГржа (ед-сервер, ADX) комбшуе в собГ деюлька рекламних мереж. Коли паблшери роблять запит на рекламу з певним контекстом, щоб надати !! користувачу, ADX опитуе вс мережГ у пошуках бшьш релевантно! реклами у режимГ реального часу
Обмш даними (DX, DMP) обслуговуе DSP, SSP, ADX, постачаючи шформащю про користувачГв (зазвичай в режимГ реального часу) для кращого ствставлення.
Головна задача ед-серверу — пдабрати найкрашд рек-ламш оголошення з доступних, як б вщповщали штере-сам користувача, i при цьому приносили найбшьший прибуток. Дилема балансу мГж релевантшстю i прибут-ком веде до залежност вщ розрахункових потужностей та алгоритму тдбору реклами, що повинт пiдтримувати та обслуговувати мшьярди запитiв щоденно.
Рекламний ¡нвентар рис. 1. Спрощена схема разпавсюдження реклами в мереж 1нтернет [11]
На ринку 1нтернет-реклами учасники ринку викону-ють сво! ролГ Зокрема рекламодавцi мають шщювати i керувати кампашями для кращого покриття щльово! аудиторГ!, а також аналГзувати даш з деюлькох платформ для бшьшого впливу на потенцшних покупщв. Паблшери мають брати участь у рекламних кампанГях i порГвнювати деюлька рекламних мереж, щоб отри-мувати оптимальний прибуток, як агрегований ринок закутвлГ ADX прийшов на змшу декГльком рекламним мережам, що дозволило зшвелювати деяк транзакцш-ш проблеми. Рекламодавщ можуть створювати кампанГ! та встановлювати бажаний таргетинг пльки один раз i аналГзувати показники ефективност в единому зГбраному мшщ, а паблшери можуть рееструватись в ADX i збирати оптимальний прибуток без додаткових налаштувань.
Поява за остант роки технологи RTB (Real Time Bidding) револющошзувало ринок онлайн-реклами. Ця технологГя сприяе прозорост та ефективност контекстно! онлайн-реклами, а також зростанню рекламно! ш-дустрГ! в щлому. З одного боку для рекламодавщв це дозволяе доставити релевантне рекламне оголошення для споживача в актуальний час, власникам сайтГв дозволяе краще монетизувати свш контент, нарощую-чи аудиторы !х сайпв, а споживачам отримати щкаву для них шформащю через персоналГзоваш рекламш оголошення [17]. Технолопя RTB являе собою про-цес ощнки i продажу рекламного показу в режимГ реального часу. Процес ввдбуваеться в 1нтернетГ де за допомогою онлайн-ринюв ввдбуваються продаж! за угодами укладених мГж онлайн-продавцем паблшером i покупцем-рекламодавцем. Мае мгсце певна аналогГя мГж ринком засобГв медГа-реклами i фондовим ринком: на фондовому ринку акцГ! е доступними i покупцям доводиться конкурувати за них, в результат чого вони продаються за вищою щною. Аналопчно, на ринку медГа-реклами, створюване враження стае доступним для продажу i рекламодавщ мають вести щнову кон-куренщю; рекламна площа отримуе бшьш високу цшу, доки процес торпв не припиниться.
Незважаючи на те, що RTB, як форма реклами стала доступною тГльки в другш половит 2009 року, вона швидко вдабрала значну частку ринку вщ шших форм реклами i бюджети рекламних витрат по нш неухильно зростають, наспльки вона виявилася бГльш ефективною, шж традицшна. В США, Захщнш бврот i ЯпонГ! RTB швидко набула поширення, зростае !! частка i в кра!нах Швденно-схщно! АзГ!. На погляд авторГв статтГ настав час для широкого використання RTB i в укра!нському сегмент 1нтернет-реклами.
Рекламна бГржа проводить аукцюн тсля отриман-ня вах бажаючих ставок, або по тому як вийде час очжування (зазвичай 100 мтсекунд), тсля цього за правилом друго! щни (аукцюн ВжрГ) певне рекламне оголошення виграе аукцюн i воно з'явиться у браузерГ користувача — потенцшного цГльового покупця. З поя-вою RTB для рекламодавщв постало питання про вибГр засобГв для кращого використання бюджету на рекламу. БГльшють експерпв вважають дощльним розподГл рекламного швентарю мГж «гарантованими показами» та альтернативною RTB технолопею. Проте, залиша-еться вщкритим питання про вибГр торгово! стратеги, в якш RTB буде виступати як швентар. СправдГ для рекламодавця не юнуе едино! формально! схеми як
витрачати рекламний бюджет. Два наступш головш питання, яю виникають у цьому контекстГ
1. Треба орГентуватись на короткострокову (в межах одше! кампанГ!) акщю, чи робити ставки в рекламш акцГ! в контекстГ багатьох кампанш?
2. Як пдабрати ставки для кожного аукцюну? ВарГанпв вибору ставок досить багато, зокрема:
— константна — ставка для кожного запиту е певна константа обрана рекламодавцем, найпростша з точки зору DSP платформи i реалГзацГ!, найпоширешша;
— випадкова — ставка обираеться випадково Гз за-даного промГжку;
— правдива — ставка, що закладена у вартосп кампанГ! за конвераю;
— лшшна — лшшно-пропорцшна ставка, що з параметром очжувано! конверсГ! по даному запиту.
В робот [11] був запропонований тдхщ, який дае тдставу говорити про оптимГзащю стратегГ! бюджету-вання в рамках використання RTB. Суть цього тдходу полягае у перенесенш щей статистичного арбГтражу з практики торпв на фондових бГржах на рекламш кампанГ! з RTB. На фшансових ринках серед торгових стратегш, статистичний арбГтраж е юльюсним тдходом у торпвлГ цшними паперами. У бГржовш торпвлГ роз-рГзняють класичний та статистичний арбГтражГ
Класичний арбираж — це безризикова угода, що складаеться в одночаснш кутвлГ та продажу одного й того ж щнного паперу (або товару) за рГзними щ-нами, що дае можливють отримати вГльний вщ ризику прибуток. Це просто означае, що певний покупець на однш бГржГ купляе товар за одшею щною, а продае за шшою, при умовГ що йому вГдома шформацГя про те, що перша щна вище друго!.
Статистичний арбираж розширюе поняття класич-ного арбиражу, де замГсть одночасно! кутвлГ та продажу щнного паперу (або товару), що дозволяе отримати прибуток, проводиться кутвля та продаж тГсно пов'язаних один з одним фшансових шструменпв. Така операцГя обумовлюе збГльшення ймовГрност прибутку. При статистичному арбГтражГ кожна окрема угода не зобов'язана бути виграшною — вона ильки елемент виграшно! стратегГ!, що при бГльш-менш значимш ви-б1рщ веде до сумарного виграшу.
Найпростшим варГантом статистичного арбГтражу е торпвля парою акцГй, що являе собою процес, який складаеться з двох етатв. Насамперед на тдстав1 Гс-торичних даних виявляються пари акцш, цГни на якГ рухаються паралельно. ДалГ проводиться монГторинг кожно! з пар i визначаються моменти розб1жносп цГн. У разГ якщо мГж двома акцГями в парГ кнуе статистич-но значуща розбГжнГсть цш, найсильнГша акцГя в парГ продаеться, а слабша купуеться. 1дея, що лежить в ос-новГ стратегГ!, така: цши тГсно пов'язаних одна з одною акцш мають тенденщю до зближення. З часом така стратегГя значно ускладнилася за рахунок збшьшення розмГру портфелю та застосування статистичних методГв у високочастотних торгових системах для виявлення недооцшки вартосп цГнних паперГв викликаних ринко-вою нерГвновагою, щоб отримати прибуток за рахунок велико! кшькосп транзакцГй [18].
З точки зору статистичного арбиражу можна бачити, що пара рекламних кампанш на RTB бГржГ схожа на пару корелюючих цшних паперГв у торгГвлГ на ринку цшних паперГв. Якщо продовжити цю аналопю далГ,
J
то як власники цшних папер1в часто доручають сво1 ф1нансов1 операцп брокерам, у свою чергу штереси рек-ламодавця може представляти рекламний агент. В RTB рекламний агент сплачуе за кожний рекламний показ (cost-per-mille, CPM) по правилу аукщону друго1 щни. По суп рекламний агент виконуе роль арбиражера, отримуючи дохщ доти, доки виплата по модел1 куп1вл1 товару CPA (cost-per-acquisition, CPA) вища за варпсть CPM. Потенцшно, рекламний агент може паралельно керувати великою кшьюстю рекламних кампанш вщ р1зних рекламодавщв i збшьшувати 1х прибуток. Зазна-чимо, що рекламний агент будуе свiй бiзнес на основi прийняття ризику вщ невизначеностi ринку та поведiнки користувачiв. Рекламний агент може вести свш бiзнес тiльки при умовi наявност iнформацiйно'1 системи, яка дозволяе йому оперативно використовувати статистичт данi, що дозволяе проводити операцп, наведенi вище, автоматично за допомогою мета-бiддерiв (бщдер — той, хто акумулюе ставки (бвди) i робить запити на бiржу), якi для визначено1 CPA кампанп знаходять вигiднi за щною рекламнi зони з високою можливктю конверсп.
Отже цей пiдхiд однозначно орiентований на дов-гостроковий перюд, а прийняття рiшення про вибiр кампанп приймаеться в рамках задачi статистичного арбiтражу для рекламного агента наступним чином:
Нехай кнуе m CPA-кампанiй. Кожна кампанiя i мае свою щнову винагороду за конверсш r. За перiод T мета-бвддер робить запити, де кожна ставка представлена вектором з багатьма компонентами xt. Задача для статистичного арбитражу — пiдбiр правильно'1 кампанп та встановлення правильно'1 ставки, так щоб за перюд T загальний прибуток (акумульоваш винагороди мшус вартiсть) був максимальним.
В загальному виглядi задачу оптимiзацii рекламного бюджету рекламодавця при стратеги статистичного арбиражу можна зобразити у виглядi оптимiзацiйноi моделi: знайти ймовiрнiсть вибору рекламно1 кампанп v та щну ставки b(8, r) для максимiзацii очiкуваного при-бутку з обмеженнями по бюджету та ризику:
bsAM ( ), o* = argmax E [R], (1)
b( ),v
E [C ]< B, (2)
Var [R ]< h, (3)
0 < v < 1, (4)
M
Z = 1, (5)
де Уаг [Я] — змiнна ризику, що показуе ризик не отримати прибуток i h — верхня межа ризику, V = о2,---,)т — прогнозована конверая, при виграшi i аукщону х-м бiдом; Я — арбиражний прибуток; С — вартiсть арбиражу; VI — ймовiрнiсть вибору кампанп i для портфелю кампанiй, складае певний вектор ймовiрностей. V = ^1^2,..мм)т; Ре (б) — ймовiрнiсть того, що вiдбудеться конверсiя для ^то1 кампанп.
Очевидно, що представлена задача не е класичною задачею математичного програмування, чи навиь варiа-цiйного числення. Насправдi в нш присутнi двi проблеми: а) оптимiзацiя функцiоналy в якiй треба вщнайти оптимiзуючу функцiю;
б) оцiнка параметрiв функцiоналу за результатами втiлення ршень (торгiв), отриманих на основi попе-реднiх розв'язкiв представлено1 задачi.
Шлях для 11 виршення лежить у площиш викорис-тання сучасних пiдходiв, вiдомих, як методи машинного навчання [19]. Одним з таких методiв е EM-алгоритм. 1дея EM-алгоритму полягае у двохетапнш процедурi зна-ходження оптимальних ощнок параметрiв ймовiрнiсних моделей, коли модель залежить вщ деяких прихованих параметрiв. На £-крощ (expectation) обчислюеться очь куване значення функцп правдоподiбностi, при цьому прихованi змшш розглядаються як спостережуванi. На М-крощ (maximization) обчислюеться оцiнка максималь-но1 правдоподiбностi, таким чином збiльшуеться очжу-вана правдоподiбнiсть, яка обчислюеться на £-крощ. Потiм це значення використовуеться для £-кроку на наступнiй иерацп.
Ймовiрнiсть вибору кампанп v е ствпадшням прихованих параметрiв, а функщя b(8, r) являе собою параметр, що максимiзуе функщонал. Отже, на кроцi Е автори статп фiксують прогнозне значення функцп b (8, r) i знаходять оптимальний пiдбiр кампанп та ймовiр-нiсть b (8, r). На кроцi М автори статтi фiксують ймо-вiрнiсть вибору кампанП v i знаходять оптимальну ставку b(8, r) для максимiзацii цiльовоi функцп. Пiсля проходження всiх iтерацiй ЕМ алгоритму, при задоволен-нi всiх обмежень щльова функцiя буде максимiзованою.
В умовах юнування М кампанiй з CPA щновими моделями алгоритм статистичного арбиражу виглядае у загальних рисах наступним чином:
1. Формування портфеля.
Вш виглядае як оцiнений вектор очжуваного прибутку: ц(Ь) = (ц (b), Ц2 (b),..., Ц м (b))T, та коварiацiйна матриця рiвнiв прибутку М кампанш:
E(b)={°W (b)} =1.М,j=1.М ,
де кожний елемент ог,j(b) = Р^,jог(b)oj (b), а Pjj e[-1,1] — е коефщент кореляцп рiвня прибутку мiж кампанiями г та j. Шсля проведення чергово1 кампанп компоненти портфеля мають бути переощнеш.
2. ЕМ алгоритм.
Оцтка p8 (8) для кожног кампанП i
1
тщал1защя b(8,r) = r8 та v = м">
While не вiдбулось зходження do E-крок:
Отримати ц(Ь) i ^(b)
Визначити оптимальну v шляхом пъдбору функци розподшу;
Переоцтити вектор очжуваного прибутку та коварiацiйну матрицю рiвнiв прибутку; М-крок:
Отримати вигляд форми бiддiнговог параметризованог функци; шляхом параметричног оптим1зацп отримати конкретну форму b(8,r); End while
Return v та b (8, r).
5. Порiвняльне чисельне моделювання стратегiй контекстно! реклами
У реальному онлайн-середовищГ рекламодавщ будуть включати р1зш стратеги тдбору ставок в залежносп ввд наявних технологш. Даний алгоритм статистич-ного арбиражу був протестований з припущеннями про наявшсть на ринку багатьох рекламодавщв. Для програмно! реалГзацГ! прототипу алгоритму вГзьмемо набГр даних компанГ! iPinYou, що знаходяться у ввд-критому доступ [20], мае ГсторГю запипв 4 кампанш за 10 дшв, це 64,75 мшьйошв ставок, 19,5 мшьйошв запипв, 14,79 тисяч клМв та 2400 у. о. витрат. Прототип програми реалГзований у виглядГ консольного за-стосунку на мовГ Python [21].
СтратегГ! тдбору ставок для порГвняння:
— константна — ставка для кожного запиту; певна константа, обрана рекламодавцем, найпростша з точки зору DSP платформи i реалГзацГ!, найпоширешша;
— випадкова — ставка обираеться випадково Гз за-даного промГжку;
— правдива — ставка, що закладена у вартосп кам-панГ! за конвераю;
— лшшна — лшшно-пропорцшна ставка, що з параметром очжувано! конверсГ! по даному запиту;
— ставка статистичного арбиражу.
Таблиця 1
Результати випробування портфельних запитiв за рiзними стратепями a = 0,1
Стратепя Прибу-ток Кон-вер-ci'i Запити Перегляди Бюджет Витрати Коеф^ щснт виплат
canst 59,38 1 61821 15436 205240,7 205254 0,8
rand -205,28 0 57211 12845 205240,7 205276 0,8
truth 703,64 12 80000 7727 205240,7 201749 0,8
lin 549,24 10 66134 7938 205240,7 205250 0,8
saml 549,21 10 67858 7828 205240,7 205276 0,8
samlc 549,19 10 75090 4712 205240,7 205301,8 0,8
sam2 398,34 8 66110 9357 205240,7 205249 0,8
sam2c 247,44 6 72085 6383 205240,7 205256,7 0,8
6. Обговорення результат1в дослщження оптим1заци бюджету рекламодавця
На рис. 2 ввдображено як залежить прибуток кам-пани в залежносп вiд стратеги та частки бюджету на контекстну рекламу (1/2, 1/4, 1/8 i т. д.).
Рис. 2. Розраховаш прибутки рекламних кампанш за рiзними стратегiями
За результатами експериментальних прогошв за рiзними визначеними стратегiями виявилось, що алго-ритми статистичного арбiтражу суттево перевищують прибутки для рекламодавцiв, що дтть за iншими стра-тегiями. Шд прибутками тут будемо розумiти виграш у порiвняннi з фiксованим контрактом.
В табл. 1 надаш результати прогошв для 6 портфелiв, кожен з яких мае 4 кампани з даними за однаковий перюд. Для кожного портфелю тсля зб^ання ЕМ iтерацiй, емпiрично оптимальне V i функцiя пiдбору ставок Ь(9,г) розмiщуються на тестовий етап, де об'ем запипв i бюджет такий самий, як на тренувальному етат.
РГзновиди стратегш були визначеш рашше (const — постшна, rand — випадкова, truth — правдива). КрГм того тестувались р1зш варГанти статистичного арби-ражу, в залежност ввд обрано! функцГ! ставки для фжсованого рГвня ризику. Даш в табл. 1 показують очевидну перевагу арбиражних методГв по показни-ку прибутку. На рис. 2 показано цей факт, крГм того видно, що чим бшьша частка контекстно! реклами в бюджету тим бшьший виграш вГд !! застосування, при умовГ що в !! основГ лежить стратепя статистичного арбитражу. АналГз отриманих результапв свщчить, що стратепя статистичного арбиражу дае вщчутну перевагу у порГвнянш з шшими стратепями.
7. Висновки
У результат дослвджень:
1. Проведено аналiз пiдходiв до проблеми оптимiза-ци бюджетiв рекламодавцiв, якi беруть участь у 1нтер-нет-рекламi. Встановлено, що найбшьш перспективним е використання технологи RTB.
2. Установлено, що модель статистичного арбиражу надае можлившть отримувати крашд показники бюджету рекламних кампанш при умовi використання стратеги довготривалих (багаторазових) торпв на рекламнш бiржi.
3. Апробована модель статистичного арбитражу для оцiнки можливостей цього тдходу для оптимiзацii бюджету користувача на основi ЕМ-алгоритму.
4. Проведена симулящя онлайн-реклами в режшш RTB на наборi реальних даних для рiзних сценарив поведiнки рекламодавщв при формулюванш ставок на аукщош 1нтернет-реклами.
Проведений порiвняльний аналiз свщчить про сут-теву перевагу статистичного арбитражу, що дае пiдставу стверджувати про бажашсть вибору цiеi стратеги для рекламодавця.
Крiм цього, отримають перевагу паблшери. Ма-тимуть вигоду i користувачi, бо до них точшше буде потрапляти iнформацiя про потрiбний товар, а не набрид-ливий спам. Зрештою увесь ринок 1нтернет-реклами стане бiльш ефективним.
Лггература
1. Advertising Expenditure Forecasts September 2015 [Electronic resource] // ZenithOptimedia. — Available at: \www/URL: http://www.zenithoptimedia.com/wp-content/uploads/2015/09/ Adspend-forecasts-September-2015-executive-summary1.pdf?mc_ cid=85cd21944b&mc_eid=86d41fa20c
2. Объем рекламного рынка Украины 2015 и прогноз объемов рынка 2016. Экспертная оценка Всеукраинской рекламной коалиции [Электронный ресурс] // Всеукраинская Рекламная Коалиция. — Режим доступа: \www/URL: http://www. adcoalition.org.ua/adv/statistics
3. Yan, J. How much can behavioral targeting help online advertising? [Text] / J. Yan, N. Liu, G. Wang, W. Zhang, Y. Jiang, Z. Chen // Proceedings of the 18th international conference on World wide web — WWW '09. — Association for Computing Machinery (ACM), 2009. — P. 261-270. doi:10.1145/1526709.1526745
4. Глущенко, Т. Тенденцп та перспективи розвитку рекламно-комушкацшного ринку Укра1ни [Текст] / Т. Глущенко, В. До-брянська // Бiзнес 1нформ. — 2015. — № 4. — C. 327-332.
5. Гальчинський, Л. Модель оцшки ефективност компанш-посереднигав на ринку контекстно! реклами [Текст] / Л. Гальчинський, Д. Сташкевич // Науковий вюник Мiжнародного гумаштарного ушверситету. Серiя: «Економжа i менеджмент». — 2015. — № 13. — С. 242-246.
6. Павлов, Д. Г. Теоретико-iгровi моделi поведшки учаснигав контекстно1 рекламно1 кампанп [Текст] / Д. Г. Павлов // Науковi пращ [Чорноморського державного ушверситету iменi Петра Могили]. Сер.: Комп'ютерш технологи. — 2011. — Т. 160, Вип. 148. — С. 47-51.
7. Lee, K. Estimating conversion rate in display advertising from past erformance data [Text] / K. Lee, B. Orten, A. Dasdan, W. Li // Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining — KDD '12. — Association for Computing Machinery (ACM), 2012. — P. 768-776. doi:10.1145/2339530.2339651
8. Hogan, S. Testing market efficiency using statistical arbitrage with applications to momentum and value strategies [Text] / S. Hogan, R. Jarrow, M. Teo, M. Warachka // Journal of Financial Economics. — 2004. — Vol. 73, № 3. — P. 525-565. doi:10.1016/j.jfineco.2003.10.004
9. Yuan, S. Real-time bidding for online advertising [Text] / S. Yuan, J. Wang, X. Zhao // Proceedings of the Seventh International Workshop on Data Mining for Online Advertising — ADKDD '13. — Association for Computing Machinery (ACM), 2013. — Article № 3. — Available at: \www/ URL: http://doi.org/10.1145/2501040.2501980
10. Chen, B. A Dynamic Pricing Model for Unifying Programmatic Guarantee and Real-Time Bidding in Display Advertising [Text] / B. Chen, S. Yuan, J. Wang // Proceedings of 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining — ADKDD'14. — Association for Computing Machinery (ACM), 2014. — P. 1-9. doi:10.1145/2648584.2648585
11. Zhang, W. Statistical Arbitrage Mining for Display Advertising [Text] / W. Zhang, J. Wang // Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining — KDD '15. — Association for Computing Machinery (ACM), 2015. — P. 1465-1474. doi:10.1145/2783258.2783269
12. Perlich, C. Bid optimizing and inventory scoring in targeted online advertising [Text] / C. Perlich, B. Dalessandro, R. Hook, O. Stitelman, T. Raeder, F. Provost // Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining — KDD '12. — Association for Computing Machinery (ACM), 2012. — P. 804-812. doi:10.1145/2339530.2339655
13. Cavallo, R. Display Advertising Auctions with Arbitrage [Text] / R. Cavallo, R. P. Mcafee, S. Vassilvitskii // ACM Transactions on Economics and Computation. — 2015. — Vol. 3, № 3. — P. 1-23. doi:10.1145/2668033
14. Liao, H. iPinYou Global RTB Bidding Algorithm Competition Dataset [Text] / H. Liao, L. Peng, Z. Liu, X. Shen // Proceedings of 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining — ADKDD'14. — Association for Computing Machinery (ACM), 2014. — P. 1-6. doi:10.1145/2648584.2648590
15. Bharadwaj, V. Pricing guaranteed contracts in online display advertising [Text] / V. Bharadwaj, W. Ma, M. Schwarz, J. Shanmugasundaram, E. Vee, J. Xie, J. Yang // Proceedings of the 19th ACM international conference on Information and knowledge management — CIKM '10. — Association for Computing Machinery (ACM), 2010. — P. 399-408. doi:10.1145/1871437.1871491
16. Lee, K.-C. Real time bid optimization with smooth budget delivery in online advertising [Text] / K.-C. Lee, A. Jala-li, A. Dasdan // Proceedings of the Seventh International Workshop on Data Mining for Online Advertising — ADKDD '13. — Association for Computing Machinery (ACM), 2013. — Article № 1. — Available at: \www/URL: http://doi. org/10.1145/2501040.2501979
17. Zhang, W. Joint optimization of bid and budget allocation in sponsored search [Text] / W. Zhang, Y. Zhang, B. Gao, Y. Yu, X. Yuan, T.-Y. Liu // Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining — KDD '12. — Association for Computing Machinery (ACM), 2012. — P. 1177-1185. doi:10.1145/2339530.2339716
18. Gatev, E. Pairs Trading: Performance of a Relative-Value Arbitrage Rule [Text] / E. Gatev, W. N. Goetzmann, K. G. Rou-wenhorst // Review of Financial Studies. — 2006. — Vol. 19, № 3. — P. 797-827. doi:10.1093/rfs/hhj020
19. Flach, P. Machine Learning: The Art and Science of Algorithms that Make Sense of Data [Text] / P. Flach. — Cambridge University Press, 2012. — 396 p. doi:10.1017/cbo9780511973000
20. iPinYou Real-Time Bidding Dataset for Computational Advertising Research [Electronic resource]. — Available at: \www/ URL: http://data.computational-advertising.org/
21. Statistical Arbitrage Mining for Display Advertising [Electronic resource]. — Available at: \www/URL: https://github.com/ wnzhang/rtbarbitrage
ОПТИМИЗАЦИЯ бЮДЖЕТА РЕКЛАМОДАТЕЛЕЙ, КАК УЧАСТНИКОВ РЫНКА КОНТЕКСТНОЙ РЕКЛАМЫ
Исследована зависимость эффективности бюджета рекламодателя на рынке Интернет-рекламы от выбора стратегии контекстной рекламы с использованием технологии RTD. Установлено, что применение долгосрочной стратегии с применением методологии статистического арбитража существенно повышает эффективность использования бюджета рекламодателя. Апробирована модель ЭМ-алгоритма. Показано существенное повышение эффективности расходования бюджета рекламодателя при применении подхода статистического арбитража для Интернет-рекламы.
Ключевые слова: рынок веб-рекламы, контекстный поиск, оптимизация бюджета, статистический арбитраж, ЭМ-алгоритм.
Гальчинський Леотд Юршович, кандидат технчних наук, доцент, кафедра математичного моделювання економгчних систем, Нащональний техтчний утверситет «Ктвський полтехтчний утверситет», Украта, e-mail: hleonid@gmail.com. Сташкевич Дмитро Статславович, кафедра математичного моделювання економiчних систем, Нащональний техтчний утверситет «Ктвський полтехтчний утверситет», Украта.
Гальчинский Леонид Юрьевич, кандидат технических наук, доцент, кафедра математического моделирования экономических систем, Национальный технический университет «Киевский политехнический университете», Украина. Сташкевич Дмитрий Станиславович, кафедра математического моделирования экономических систем, Национальный технический университет «Киевский политехнический университете», Украина.
Galchynsky Leonid, National Technical University of Ukraine «Kyiv Polytechnic Institute», Ukraine, e-mail: hleonid@gmail.com. Stashkevich Dmytro, National Technical University of Ukraine «Kyiv Polytechnic Institute», Ukraine
