Ads content optimization for Internet advertising campaigns

In the last two decades, thanks to the continuously growing popularity of the Internet, online advertising has become one of the most effective ways to promote products, services and events. One of the success factors of this form of marketing is the possibility to create ads specifically crafted for users that are more likely interested in a specific product. Moreover, thanks to the available huge amount of data about customers and their purchasing behaviour, advertisers can analyze the performance of their ads and consequently adjust both the ad contents and the target, avoiding unnecessary costs due to the display of ineffective ads to uninterested portion of users. The focus of our research is the design of the best performing ads, which maximize the advertising campaign return, having a maximum daily budget. The design of the ad concerns the contents, the format, the target audience and their interests, for example. We designed an algorithm, namely "TagOpt", that suggests the optimal structure of the ads to create and the portion of the daily budget to allocate on each one of them. The algorithm is composed by two phases: learning and optimization. In the learning phase, we use data-driven fitting methods to predict the performance of a generic ad. Subsequently, in the optimization phase, we formulate a variation of the Multiple-Choice Knapsack problem to find the optimal budget to allocate to each ad. Finally, we present empirical evidence, on both synthetic and real-world settings, that our approach provide a practical and effective solution to optimize the creation of ads for online advertising.

Nel corso degli ultimi due decenni, a seguito della crescente popolarità di Internet, la pubblicità online si è rivelata uno dei veicoli di maggior successo per promuovere prodotti, servizi o eventi. La chiave del successo è la possibilità di creare annunci finalizzati al raggiungimento di un determinato target di utenti interessato al prodotto. Inoltre grazie alla mole dei dati disponibili relativi al consumatore e alle sue abitudini di consumo, l'inserzionista può analizzare le performance dei suoi annunci e di conseguenza può perfezionare il contenuto e affinare il target di utenti. In questo modo si evitano costi non necessari dovuti alla visualizzazione di annunci non efficaci da parte di utenti non interessati. Lo scopo della nostra ricerca è la creazione di annunci che massimizzano il ritorno della campagna pubblicitaria, avendo a disposizione un budget definito. Nella creazione dell'annuncio si prendono in considerazione diversi fattori, tra cui il contenuto e il formato dell'annuncio e il pubblico a cui è rivolto. Abbiamo progettato un algoritmo, denominato TagOpt, che suggerisce la struttura ottimale dei tag da creare e la quota del budget giornaliero da allocare su ciascun ad. L'algoritmo si compone di due fasi: apprendimento e ottimizzazione. Nella fase di apprendimento usiamo dei data-drien fitting methods per stimare le performance di un annuncio generico. Successivamente, nella fase di ottimizzazione, formuliamo il problema come una variazione del Multiple-Choice Knapsack problem per trovare l'allocazione ottimale del budget sugli annunci. Infine dimostriamo, attraverso evidenze empiriche, elaborate e su dati reali e su dati sintetici, che il nostro approccio fornisce una soluzione pratica ed efficace per l'ottimizzazione della creazione degli annunci delle campagne pubblicitarie online.