Search

Il presente lavoro di tesi tratta dell’ottimizzazione algoritmica della spesa nel Performance Marketing. Tra i parametri su cui si può agire, bisogna decidere come suddividere un budget totale e impostare le puntate per le aste automatiche che decidono quali annunci vengono mostrati: questo problema è stato recentemente espresso nel formalismo dei banditi multi-braccio. Tuttavia, sono stati identificati diversi limiti nello stato dell’arte, che ostacolano l’applicazione pratica. Questa tesi si propone di affrontare questi limiti. Innanzitutto, le campagne Search Engine Marketing (SEM) presentano una struttura gerarchica: un budget giornaliero è assegnato a una campagna, ma le puntate possono essere regolate sui singoli annunci che formano la campagna. Questa libertà non viene sfruttata dallo stato dell’arte, che si limita a una puntata per campagna: l’algoritmo viene qui esteso a questa struttura gerarchica. Successivamente, facendo leva su conoscenza di dominio viene proposto un bandito contestuale, per ridurre di molto il costo dell’esplorazione a causa di una più alta efficienza nell’apprendimento. Questo tratto è particolarmente importante se si fa fronte alla non-stazionarietà scartando i dati più vecchi di una certa soglia. Inoltre, il modello è interpretabile, il che facilita l’elicitazione delle distribuzioni a priori Bayesiane sui parametri, e l’ottimizzazione può essere condotta con metodi locali, invece che globali. Per confrontare l’algoritmo proposto con lo stato dell’arte, è stato sviluppato un ambiente di simulazione ad hoc, sfruttando le caratteristiche note della principale piattaforma SEM. Estesi esperimenti numerici su dati sia sintetici che reali mostrano che, in media, il bandito parametrico proposto ottiene più conversioni dello stato dell’arte. L’aumento di prestazioni è particolarmente evidente nei casi in cui c’è maggior bisogno di ottimizzazione: budget scarso, molti ad group, pochi click o bassi tassi di conversione, mercati, The present work deals with the algorithmic optimisation of return on investment in digital Performance Marketing. Among the parameters that can be tuned, an advertiser must decide how to split the total allocated budget among campaigns and set the bids for the automated auctions that regulate appearance on web pages: this bid / budget selection problem has been recently cast as a Multi-armed Bandit problem. However, several shortcomings were identified in the state of the art, which limit practical applications. This dissertation is devoted to tackling these limitations. First, Search Engine Marketing (SEM) campaigns present a hierarchical structure: a daily budget is assigned to a campaign, but bids can be finetuned across the ads that make up the campaign. This freedom is not leveraged by the current state of the art, which focuses on deciding one bid per campaign: the algorithm is here extended to handle this hierarchical structure. Then, leveraging domain knowledge, a contextual bandit model is proposed to greatly reduce the cost of exploration by achieving high learning efficiency. This is especially important if a sliding window mechanism is used to deal with non-stationarity. Further, the model is interpretable, which eases elicitation of Bayesian prior distributions upon parameters, and it can be optimised via local, as opposed to global, methods. To compare the proposed algorithm to the state of the art, a simulation environment was built, exploiting what is disclosed about a major SEM platform. Extensive numerical experiments on both synthetic and real-world data show that, on average, the proposed parametric bandit gains more conversions than state-of-the-art bandits. Gains in performance are particularly high when an optimisation algorithm is needed the most (tight budget, many ad groups, few clicks or small conversion rate, rapidly changing markets or short time horizons). Since the proposed approach needs Markov chain Monte Carlo, a lightweight approx

Échelle(s) : [1:1 320 000 environ], Appartient à l’ensemble documentaire : AnvilMF, Appartient à l’ensemble documentaire : MAEDI008, Appartient à l’ensemble documentaire : MAEDIGen0