Ein Machine Learning-Ansatz für Display-Werbung in Echtzeit

Klicke hier - es ist keine Werbung, wir versprechen es ;-)

Seien wir ehrlich: Bei Display-Werbung denken die meisten Menschen an einen aggressiven E-Tailer, der sie buchstäblich zur Strecke bringt. Viele potenzielle Online-Kunden greifen daher zu Alles-oder-Nichts-Werbeblockern, um sich vor visueller Überlastung zu schützen. Doch abgesehen von diesen beiden extremen Nutzererfahrungen ist Display-Werbung in Wirklichkeit einfach das moderne Äquivalent zu einem klassischen Plakat, das an der Bushaltestelle hängt. Sie ist im Grunde ein Kommunikationskanal, der ein potenziell gutes Angebot eines Einzelhändlers mit dem potenziellen Bedarf eines Kunden zusammenbringt. Der einzige große Unterschied besteht in den zahlreichen Möglichkeiten, die die Technologie heutzutage für diese Art der Kommunikation bietet.

 
Dies ist ein guter Zeitpunkt, um uns vorzustellen! Wir sind das Team Nautik, ein agiles Team bestehend aus Data Scientists und Data Engineers. Wir entwickeln und erstellen Technologien, Methoden, Modelle und Lösungen, um Display-Werbung für OTTO zu verbessern. Unsere Aufgabe ist es, zu entscheiden, welche Werbung (Ad) wir einem Nutzer auf einer Website oder App zeigen wollen - und wie viel wir bereit sind, dafür zu bezahlen. Die Anzeigen werden von den OTTO-Marketingteams oder unseren Plattformpartnern bereitgestellt. Sie können unterschiedliche Formate haben (z.B. Banner oder Skyscraper), die wir in sogenannten Kampagnen bündeln. Eine Kampagne bewirbt bestimmte Produkte, Sortimente oder Marken, die auf otto.de verfügbar sind, und jede Kampagne hat ein Tagesbudget, das bis zum Ende des Tages ausgegeben werden muss.

Bis vor kurzem haben wir uns auf einen Batch-basierten Algorithmus namens Compass verlassen, der einem Nutzer oder einer Website alle zwei Stunden genau eine Kampagne zuordnete. Diese Zuordnung wurde dann verwendet, um auf Echtzeit-Gebotsanfragen zu antworten. 

Allerdings stießen wir bei den Fähigkeiten von Compass auf Grenzen. Während Display-Werbung am effizientesten ist, wenn schnelle Entscheidungen in Echtzeit getroffen werden, war Compass nicht flexibel genug, um auf Marktveränderungen zu reagieren. Wenn wir zum Beispiel eine Kampagne einem bestimmten Nutzerpool (oder Website-Pool) als Batch zugewiesen haben, konnten diese Nutzer innerhalb der nächsten zwei Stunden keine anderen Anzeigen sehen. Oder wenn die zugewiesene Kampagne keine Anzeige für das aktuell angefragte Format enthielt, erhielt der Nutzer einfach keine Anzeige. Darüber hinaus konnten bestimmte Kampagnen Schwierigkeiten haben, ihre Budgets effizient auszugeben, wenn in zugewiesenen Auktionen weniger Traffic als erwartet erzeugt wurde.

Wir brauchten also ein System, das schnelle Entscheidungen für Gebotsanfragen ermöglicht.

Du hast richtig geraten: RaBid setzt sich aus den Wörtern rapid und bid zusammen und ist der Name des Systems, das wir entwickelt haben, um den Inhalt und den Gebotspreis für eine einzelne Anfrage in nur wenigen Millisekunden zu bestimmen. Um zu verstehen, wie RaBid funktioniert, wirf einfach einen Blick auf Abbildung 1:

Abbildung 1: RaBid - Überblick über den Gebotsprozess

Abbildung 2: RaBid – Die Reise von Berta Bunny

Wie bereits erwähnt, enthält die Gebotsanfrage, die wir erhalten, Nutzerinformationen (falls vorhanden) und Kontextinformationen wie Seiten-URL und Anzeigengröße. Außerdem reichert Orbidder die Gebotsanfrage mit Informationen zu allen aktuell relevanten Kampagnen an, bevor sie an RaBid weitergeleitet wird.

Erinnerst du dich an Berta Bunny auf der Couch, die nach neuen Rezepten sucht? Als sie ihren Lieblings-Food-Blog öffnet, wird eine Gebotsanfrage ausgelöst. Sie enthält ihre Cookie-ID und die URL der Seite. Die Anfrage wird mit den Informationen über unsere drei derzeit aktiven Kampagnen und deren bisherigen Ausgaben angereichert. 

Doch wie entscheiden wir nun, welche Kampagne angezeigt werden soll?

Wir beginnen damit, alle aktiven Kampagnen zu bewerten, die für diese Gebotsanfrage geeignet sind. Dazu schauen wir uns verfügbare Nutzermerkmale an, zum Beispiel Affinitäts- und Aktivitätsprofile für Berta Bunny. Außerdem berücksichtigen wir Kontextinformationen wie die Klickrate der Website und die Kategorie (vielleicht ist es ein Obstladen oder ein Modeblog?). Wir wollen auch unser Wissen über die Produkte, die von den aktiven Kampagnen beworben werden, einbeziehen und nehmen daher kampagnenspezifische Merkmale auf.

Alle diese Merkmale werden in einem neuronalen Netz verwendet, um verschiedene KPIs wie die Klickwahrscheinlichkeit vorherzusagen. Bei jeder Gebotsanfrage wird für jede gültige Kampagne ein Score berechnet. Um die Scores über die verschiedenen Kampagnen hinweg vergleichen zu können, werden sie normalisiert. Überdurchschnittliche Ergebnisse werden belohnt und die Wahrscheinlichkeit, dass sie ausgewählt werden, steigt.

In unserem Beispiel bedeutet dies, dass Berta Bunnys Affinitäts- und Aktivitätsprofil auf ein hohes Interesse an Karotten und Äpfeln hinweist. Sie besucht gerade einen Food-Blog auf ihrem Smartphone - und wir wissen, dass dieser Food-Blog von anderen OTTO-Nutzern stark frequentiert wird, die manchmal auf unsere Anzeigen klicken, vorzugsweise auf Food-Inhalte. Das bedeutet, dass der Food-Blog eine attraktive Website ist, um OTTO-Anzeigen zu schalten. Auf der Grundlage all dieser Informationen bewerten wir jede unserer drei geeigneten Kampagnen. Da wir zwei Kampagnen im Food-Segment haben, werden die Karotten- und die Apfel-Kampagne höchstwahrscheinlich einen höheren normalisierten Score erhalten als die T-Shirt-Kampagne.

Die normalisierte Punktzahl wird dann für die Kampagnenzuordnung verwendet.

Der Prozess für alle Komponenten - Scoring, Zuweisung und Gebotsberechnung - erfolgt innerhalb von etwa 20 Millisekunden. Mit der daraus resultierenden Kampagne und dem Gebot nehmen wir an einer Auktion mit anderen Wettbewerbern teil. Das höchste abgegebene Gebot gewinnt und der siegreiche Werbetreibende kann die Kampagne anzeigen.

Mit unserem hohen Gebot für Berta überboten wir unsere Mitbewerber und gewannen die Auktion, um unsere Apfelkampagne auf dem Food-Blog anzuzeigen.