人工知能技術の研究開発組織「AI Lab」研究員の森脇大輔・芝田将およびAI事業本部 DX本部のデータサイエンティスト早川裕太・MLエンジニアの宗政一舟、ならびに南カリフォルニア大学博士課程の松井暉氏・コーネル大学博士課程の齋藤優太氏による共著論文が、データマイニングに関する国際カンファレンス「IEEE Big Data 2021」にて採択されたことをお知らせいたします。
■論文の概要
今回採択された論文「A Real-World Implementation of Unbiased Lift-based Bidding System」では、オンライン広告における因果効果にもとづいた実用的な入札戦略を提案し、実際の広告キャンペーンを用いた実験を行ってその優位性についての分析を行っています。
オンライン広告においては、DSPといわれるサーバーがパブリッシャーの開催するオークションで広告枠を買い付けて広告を配信しています。この際、広告枠の値付けは広告を視聴した後のクリックやコンバージョン確率を予測することで行ってきました。しかしながら、広告視聴後のコンバージョン確率は「広告をみていない場合のコンバージョン確率」を考慮していないことから、広告の価値を過剰評価している可能性が指摘されていました。
こうした背景のもと、近年、Yahoo!やCriteo、Netflixなどを中心に広告の因果効果をもとにした広告入札に関する研究 ※1,2,3 がなされてきましたが、因果効果ベースの広告入札戦略は現状の広告の課金ルールと相性が悪いため実現が困難でした。
本研究は、現状のクリック課金のもとで、広告の因果効果とクリック確率の予測を組み合わせた入札戦略を実装し、さまざまなタイプの因果効果予測モデルと比較することで、DSPの利益と広告主の利益を両立できることを実際の広告キャンペーンを用いた実験によって示しました。
本研究の結果、広告の因果効果を過去のデータにおけるバイアスをのぞいて学習した予測モデルが、もっとも費用対効果がよく高いROAを達成することが示されました。
今後、当社で提供している小売・広告配信をはじめとしたプロダクトへ研究成果を反映することで、プロダクトのさらなる広告効果向上において貢献が期待されます。「AI Lab」は今後も、プロダクトと協働しビジネス上重要な分野における研究・開発に努めてまいります。
※1 J. Xu, X. Shao, J. Ma, K. chih Lee, H. Qi, and Q. Lu, “Liftbased bidding in ad selection,” in AAAI’16: Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence, 2016, pp. 651–657.
※2 R. A. Lewis and J. Wong, “Incrementality bidding & attribution,” 2018.
※3 J. Barajas, N. Bhamidipati, and J. G. Shanahan, “Online Advertising Incrementality Testing And Experimentation: Industry Practical Lessons,” in Proceedings of KDD’21.
New York, NY, USA: Association for Computing Machinery, Aug. 2021, pp. 4027–4028.
■論文の概要
今回採択された論文「A Real-World Implementation of Unbiased Lift-based Bidding System」では、オンライン広告における因果効果にもとづいた実用的な入札戦略を提案し、実際の広告キャンペーンを用いた実験を行ってその優位性についての分析を行っています。
オンライン広告においては、DSPといわれるサーバーがパブリッシャーの開催するオークションで広告枠を買い付けて広告を配信しています。この際、広告枠の値付けは広告を視聴した後のクリックやコンバージョン確率を予測することで行ってきました。しかしながら、広告視聴後のコンバージョン確率は「広告をみていない場合のコンバージョン確率」を考慮していないことから、広告の価値を過剰評価している可能性が指摘されていました。
こうした背景のもと、近年、Yahoo!やCriteo、Netflixなどを中心に広告の因果効果をもとにした広告入札に関する研究 ※1,2,3 がなされてきましたが、因果効果ベースの広告入札戦略は現状の広告の課金ルールと相性が悪いため実現が困難でした。
本研究は、現状のクリック課金のもとで、広告の因果効果とクリック確率の予測を組み合わせた入札戦略を実装し、さまざまなタイプの因果効果予測モデルと比較することで、DSPの利益と広告主の利益を両立できることを実際の広告キャンペーンを用いた実験によって示しました。
本研究の結果、広告の因果効果を過去のデータにおけるバイアスをのぞいて学習した予測モデルが、もっとも費用対効果がよく高いROAを達成することが示されました。
今後、当社で提供している小売・広告配信をはじめとしたプロダクトへ研究成果を反映することで、プロダクトのさらなる広告効果向上において貢献が期待されます。「AI Lab」は今後も、プロダクトと協働しビジネス上重要な分野における研究・開発に努めてまいります。
※1 J. Xu, X. Shao, J. Ma, K. chih Lee, H. Qi, and Q. Lu, “Liftbased bidding in ad selection,” in AAAI’16: Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence, 2016, pp. 651–657.
※2 R. A. Lewis and J. Wong, “Incrementality bidding & attribution,” 2018.
※3 J. Barajas, N. Bhamidipati, and J. G. Shanahan, “Online Advertising Incrementality Testing And Experimentation: Industry Practical Lessons,” in Proceedings of KDD’21.
New York, NY, USA: Association for Computing Machinery, Aug. 2021, pp. 4027–4028.