Budget optimization in marketing mix models

Over the past couple of decades, the Internet has totally changed how we live. Many activities like shopping, connecting with people, and entertainment have shifted from the physical to the virtual world, leading us to spend a growing amount of time online. As a result, the landscape of advertising has transformed considerably. Nowadays, there is a growing inclination to invest more money in digital advertising as opposed to traditional methods. Indeed by the end of 2023, it is expected that non-digital advertising spending will be around 306.8 billion USD, while digital advertising is predicted to more than dou ble that, reaching 680 billion USD. The reason for this big shift is that digital advertising has some clear benefits: it is cheaper than traditional one, can reach a global audience, and collects a considerable amount of data, like impressions, clicks, number of conversions generated, and many others. Given the amount of data available and the elevated ex penditure, many solutions have been developed to help advertisers make better spending decisions. In this thesis, we study the problem of optimizing the budget allocation of the advertising channels using Marketing Mix Models (MMM). We propose an approach that uses a cascade of multiple quantile regression models with Bernstein Polynomials basis functions to estimate the relations of budgets allocated and a target KPI. In addition to that the Marketing Mix Model utilizes the annual seasonality of the target KPI and the awareness effect of some advertising channels to improve the budget allocation process. Finally, the results of the experiments on real and synthetical data validate the robustness and correctness of the model.

Negli ultimi due decenni, Internet ha cambiato totalmente il nostro modo di vivere. Molte attività come lo shopping, l’interazione con altre persone e l’intrattenimento si sono spostate dal mondo fisico a quello virtuale, portandoci a trascorrere una quantità crescente di tempo online. Di conseguenza anche il panorama della pubblicità si è notevolmente trasformato. Oggi c’è una crescente propensione a investire più denaro nella pubblicità digitale rispetto ai metodi tradizionali. Infatti entro la fine del 2023 si prevede che la spesa per la pubblicità non digitale sarà di circa 306,8 miliardi di dollari, mentre la spesa per la pubblicità digitale la spesa sarà più che doppia, raggiungendo i 680 miliardi di dollari. Il motivo di questo cambiamento è che la pubblicità digitale presenta chiari vantaggi: è più economica di quella tradizionale, può raggiungere un pubblico globale e può raccogliere una notevole quantità di dati, come impressioni, clic, numero di conversioni generate e molti altri. Data la quantità di dati disponibili e la spesa elevata, sono state sviluppate molte soluzioni per aiutare gli inserzionisti nelle loro decisioni di spesa. In questa tesi stu diamo il problema dell’ottimizzazione dell’allocazione del budget dei canali pubblicitari utilizzando Marketing Mix Models (MMM). Proponiamo un approccio che utilizza una cascata di modelli di quantile regression, che utilizzano polinomi di Bernstein come basis functions, per stimare le relazioni tra i budget allocati e un KPI target. Inoltre, il Mar keting Mix Model utilizza la stagionalità annuale del KPI target e l’effetto dell’awareness di alcuni canali pubblicitari per migliorare il processo di allocazione del budget. Infine, i risultati degli esperimenti su dati reali e sintetici convalidano la robustezza e la correttezza del modello.