Eploiting channels interdependence in Internet advertising campaigns optimization

Over recent years, Online Advertising has become one of the main tools in which companies invest to promote and sell their products and/or services. Generally, in the context of Online Advertising, companies handle several advertising campaigns to reach as many people as possible. An Internet advertising campaign can include up to thousands of sub-campaigns on multiple channels, like search, social, and display. Companies should exploit all the marketing channels to create more opportunities to generate revenue. To do so, sub-campaigns' bid and daily budget need to be optimized every day, subject to a cumulative budget constraint. Such an optimization process is often unaffordable for humans and its complete, or partial, automation can be crucial. As also shown by marketing funnel models, the sub-campaigns are usually interdependent, e.g., display ads induce awareness, increasing the number of impressions - and, thus, also the number of conversions - of search ads. This interdependence is widely exploited by humans in the optimization process, whereas, to the best of our knowledge, no algorithm for Internet Advertising Campaign Optimization takes it into account. In this work, we provide the first algorithm which exploits the sub-campaigns interdependence. The challenge is designing a model that guarantees a satisfactory trade-off between accuracy and amount of data required for training it. To do that, we provide an algorithm, called IDL, that, employing Granger Causality and Gaussian Processes, learns the campaign interdependence model from past data and returns an optimal stationary bid/daily budget allocation. Finally, we provide empirical evidence that the proposed algorithm leads to better performances in both realistic and real-world settings when compared with previous approaches.

Internet è diventato negli ultimi anni uno dei canali più utilizzati dalle aziende che vogliono promuovere i loro prodotti e servizi. Investire nella pubblicità on line permette di raggiungere un numero notevole di persone, di mettere a punto una comunicazione efficace e di rivolgersi a target di consumatori diversificati con offerte ad hoc. Una campagna pubblicitaria online può comprendere migliaia di sottocampagne che si inseriscono in diversi canali, come search, social e display. Sfruttando tutti i canali a disposizione, le aziende possono creare maggiori opportunità di guadagno. La bid e il budget di ogni sottocampagna sono soggetti a un vincolo di budget complessivo e richiedono di essere ottimizzati ogni giorno. Questo processo di ottimizzazione è spesso troppo complesso per essere gestito da un essere umano, quindi, la sua totale o parziale automatizzazione, è cruciale. Come mostrato dai modelli di marketing funnel, le sottocampagne sono spesso dipendenti tra di loro. Ad esempio, la pubblicità sul canale display aumenta il numero di impression e quindi il numero di conversioni del canale search. Queste relazioni sono ampiamente sfruttate dagli esperti del settore nel processo di ottimizzazione, tuttavia, in passato nessun algoritmo presente nella letteratura scientifica prende in considerazione tali dipendenze. La sfida è di tale modellizzazione è quindi quella di trovare un modello che garantisca un compromesso soddisfacente tra precisione e quantità di dati richiesti. Per fare ciò, proponiamo un algoritmo, chiamato IDL, che, utilizzando la Granger Causality e i Gaussian Process, apprende un modello dai dati passati e restituisce un'allocazione ottima e stazionaria di bid/budget giornalieri. Infine, forniamo evidenze empiriche che l'algoritmo proposto raggiunge risultati migliori sia con dati sperimentali, sia in un contesto reale rispetto agli approcci precedenti.