Unser Kunde Ströer vertreibt Videoanzeigen von Kunden. Ein Kunde tritt an unseren Kunden heran und gibt Targeting-Kriterien (Alter, Geschlecht und Websites) sowie einen Preis pro Ansicht an. Wenn ein Nutzer auf ein Video klickt, konkurriert die Werbekampagne des Kunden mit vielen anderen Kampagnen in einer Millisekundenauktion. Die Kampagne mit dem höchsten Gebot wird dem Nutzer dann angezeigt. Natürlich sind die Kunden sehr an der potenziellen Reichweite ihrer Kampagnen interessiert, d. h. daran, wie oft ihre Werbung angesehen wird. Daher ist es für unseren Kunden wichtig, Vorhersagen darüber zu treffen, wie viele Aufrufe eine Kampagne generieren kann.

In einem ersten Schritt haben wir Traffic- und Tracking-Informationen von allen Websites gesammelt, auf denen unser Kunde Werbekampagnen schaltet. Außerdem sammelten wir alle verfolgten Auktionsdaten, um die Gewinnerkampagnen zu finden, die ihre Werbung dem Nutzer zeigen konnten.

Neben den von unserem Kunden verwalteten Kampagnen gibt es viele weitere externe Kampagnen, die mit den von unserem Kunden vertriebenen Kampagnen konkurrieren. Daher müssen wir ein Modell für die Interaktion zwischen internen und externen Kampagnen finden.

Außerdem müssen wir uns mit menschlichen Eingriffen in die Kampagneneigenschaften befassen. Wenn eine Kampagne nicht wie gewünscht funktioniert, passt die Vertriebsabteilung unseres Kunden in der Regel die Zielkriterien und Preise an. Dies führt zu häufigen Änderungen an den internen Kampagnen.

Da die internen Mechanismen hinter den Auktionen bekannt und festgelegt sind (interne Kampagnen werden nach ihrem Gebotspreis und ihrer Priorität gereiht, und es werden individuelle Häufigkeitsobergrenzen angewandt, wenn Nutzer die Anzeige mehrfach sehen würden), haben wir durch eine vollständige Simulation des realen Verkehrs, aber mit statischen Kampagnen, Ground-Truth-Daten erzeugt. Sobald diese Daten verfügbar waren, konnten wir unser Modell erstellen und testen. Anhand der Auktionsdaten konnten wir einen verstärkten Entscheidungsbaum trainieren, um die Gewinnwahrscheinlichkeit einer internen Kampagne gegenüber externen Kampagnen zu bestimmen. Das Zusammenspiel interner Kampagnen folgt einem klaren Regelwerk und konnte so gründlich simuliert werden. Zur Vorhersage des Verkehrs- und Nutzerverhaltens, d. h. wie oft einzelne Nutzer innerhalb einer bestimmten Zielgruppe die gleichen Videos ansehen, erstellen wir Histogramme der Aufrufe pro einzelnen Nutzer für jedes relevante Targeting-Kriterium. Anhand dieser aggregierten Informationen können wir eine Stichprobe des simulierten Verkehrs erstellen.

Das Produkt

Die Software, die wir unserem Kunden geliefert haben, bietet eine vollständige und genaue Simulation zur Vorhersage der Aufrufe für bestimmte Kampagnenvideoanzeigen. Unser Kunde kann seinen Kunden innerhalb weniger Minuten sagen, ob die gewünschte Wirkung erzielt werden kann. Zum Beispiel, ob die gewünschte Anzahl von Aufrufen für einen bestimmten Preis pro Aufruf und festgelegte Zielgruppen realistisch ist.