DC FieldValueLanguage
dc.contributor.advisorRauber, Andreas-
dc.contributor.authorDür, Alexander-
dc.date.accessioned2020-06-29T18:09:15Z-
dc.date.issued2014-
dc.date.submitted2014-10-
dc.identifier.urihttps://resolver.obvsg.at/urn:nbn:at:at-ubtuw:1-76396-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/7842-
dc.descriptionAbweichender Titel laut Übersetzung der Verfasserin/des Verfassers-
dc.descriptionZsfassung in dt. Sprache-
dc.description.abstractViele Smartphone-Applikationen die man heutzutage herunterlädt sind für den Benutzer gratis und finanzieren sich über Werbeeinsschaltungen. Dieser Trend führt dazu dass die Anzahl der Werbeplätze für mobile Geräte die auf sogenannten Ad-Exchanges verkauft wird Jahr für Jahr steigt. Auf Ad-Exchanges werden Werbeplätze live versteigert (Anmerkung "Ad" ist die Kurzform von Advertisement). Die Teilnehmer sehen gewisse Eigenschaften der Werbemöglichkeit wie z.B. das Land in dem sich der Smartphone-Benutzer gerade befindet, die App die er gerade verwendet und sein Gerät. Auf Basis dieser Informationen müssen die Auktionsteilnehmer ein Gebot abgeben. Die meisten Werbungen auf solchen Ad-Exchanges werden von großen Agenturen gekauft, die die Werbekampagnen ihrer Kunden bezüglich Clicks oder Conversions optimieren. Sie müssen entscheiden wie viel eine Impression für sie wert ist und falls sie die Auktion gewinnen für welchen ihrer zahlreichen Kunden sie eine Werbeanzeige schalten. Die Herausforderungen dieses Problems liegen in den großen Datenmengen die zur Entscheidungsfindung herangezogen werden müssen und dass innerhalb nur weniger Millisekunden ein Gebot abgegeben werden muss. Das Ziel dieser Diplomarbeit ist es eine gute Bietstrategie für Unternehmen zu finden, die für ihre Kunden Click- und Conversion-Optimierung anbieten. Ähnliche Optimierungsprobleme gibt es bereits für herkömmliche Internetwerbung im Browser, allerdings beruhen momentan fast alle eingesetzte Lösungen dieser Probleme auf User-tracking mit Hilfe von Cookies. Für Werbung innerhalb von Apps muss man allerdings auf kontextuelle Informationen zurückgreifen. Wir werden alle unterschiedlichen Attribute, die uns im Rahmen einer Ad-Exchange zur Verfügung stehen auf ihre Assoziation mit Click und Conversion-Performance untersuchen, da dies die zwei wichtigsten Metriken sind, um die Qualität von Werbeeinblendungen zu beurteilen. Nachdem wir herausgefunden haben welche Attribute am stärksten mit Click und Conversion-Raten assoziert sind, werden wir unterschiedliche Maschinlernverfahren anwenden um zu sehen welche Verfahren die Qualtität von Werbeeinschaltungen am besten vorsagen können. Der nächste Schritt ist eine Lösungsmöglichkeit mit der man ein System implementieren kann, das gute Vorhersagen produziert und trotzdem allen Herausforderungen in Bezug auf Geschwindigkeit und große Datenmengen gewachsen ist. Unser Ansatz basiert auf einem Naive Bayes Classifier, der stark vereinfachende Annahmen macht, welche die Klassifizierungsperformance nicht beeinträchtigen, allerdings den Rechenaufwand pro Vorhersage stark reduzieren. Dies ist eine wichtige Vorraussetzung um konsistent mit niedriger Latenz zu antworten. Ein sehr interessantes Ergebnis der Arbeit ist, dass die naive Strategie, die Click- und Conversion-Raten anhand der historischen Click und Conversion-Raten der App errechnet, sehr gute Schätzungen liefert. Die spezifische Applikation, in der eine Werbeeinblendung gezeigt wird, spielt mit Abstand die größte Rolle, wenn es darum geht den Wert einer Impression zu bestimmen. Die meisten Applikationen werden nur in wenigen Länder und zu gewissen Zeiten verwendet. Ein weiterer Vorteil unserer Methode ist, dass sie auch mit häufigen Problemen wie fehlenden Attributen oder unbekannten Attributwerten (z.B. eine neue Applikation) umgehen kann. Außerdem erlaubt die Strategie Modifikationen, um sich an die Marktgegebenheiten anzupassen. Je nach Marktgegebenheiten ist es wichtiger seine Gebote so zu wählen, dass nur wenige Auktionen gewonnen werden, die eine sehr hohe Wahrscheinlichkeit haben, in einem Click oder einer Conversion zu enden oder es ist wichtiger ja keine Gelegenheit für einen Click oder eine Conversion auszulassen. Richtig verwendet liefert unsere neue Strategie sehr viel bessere Ergebnisse als die Referenzstrategie. In einem direkten Vergleich ohne andere Auktionsteilnehmer macht die verbesserte Strategie um 250% mehr Gewinn.de
dc.description.abstractToday many smartphone applications are free for the user and financed by advertisements, also called ads. This trend leads to a larger volume of advertisement space sold each year over so called ad exchanges. On an ad exchange advertisement space is sold live to the highest bidder. The bidders see only certain characteristics of the smartphone user like the app he is using right now, the country he is in and his device. Based on this information they make an offer on how much they are willing to pay to show an advertisement of their choice right now to that user. Most advertisements are bought by big agencies that bid on behalf of customers and are paid to optimize click and conversion performance for them. They have to decide how much an impression is worth to them and the ad of which customer they want to show. This is a complex problem as there are large amounts of data to with and decisions have to be made within milliseconds. The problem which should be solved in this thesis is finding a good bidding strategy from the perspective of a company that optimizes the click or conversion performance of campaigns on behalf of their customers. Advertisements for web browsers heavily rely on cookies and user tracking while mobile advertisements that are shown within apps have to rely on other information. We will look at all available features that are known before one has to make a bidding decision and test them for their association with click and conversion performance, which are by far the most important metrics used to measure the success of an advertisement opportunity. After finding a set of attributes that is suitable to make predictions various machine learning techniques will be used to learn which prediction method performs best for the problem at hand. Then we will show how to implement a predictor that can make good predictions about click and conversion performance considering constraints such as having to learn from large datasets and make extremely fast predictions. Our approach relies on a Naive Bayes classifier which makes simplifying assumptions that do not hurt the classification performance but reduce the computational power needed for training the classifier and making predictions to a minimum. This is important to be able to consistently respond with very low latency. One key finding also is that the naive strategy of estimating click and conversion performance through the overall click or conversion rate of the app during an individual campaign has already performed surprisingly well due to the fact that the specific app used already includes a lot of information about the advertising opportunity. The specific application used is by far the most important attribute when evaluating the value of an impression. Most applications are used only in a few countries and predominantly at specific times of day. Additionally our approach can also handle common problems like missing attributes or unknown attribute values. Our strategy also allows for modifications to adapt itself to different markets and competitors that determine whether it is more important to choose one¿s advertisement opportunities very carefully or whether one should bid on as many impressions as possible as the most important thing is to not miss any clicks. With the right settings our improved strategy heavily outperforms the reference strategy. In a direct comparison without any other bidding agents our improved strategy results in 250% increased profit.en
dc.formatVIII, 74 S.-
dc.languageEnglish-
dc.language.isoen-
dc.subjectdecision supporten
dc.subjectmobile adsen
dc.subjectbiddingen
dc.titleOptimization of real-time auction bidding strategies in mobile advertisementen
dc.title.alternativeOptimierung von Bieterstrategien bei Real-Time Anzeigende
dc.typeThesisen
dc.typeHochschulschriftde
tuw.publication.orgunitE188 - Institut für Softwaretechnik und Interaktive Systeme-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC12046677-
dc.description.numberOfPages74-
dc.identifier.urnurn:nbn:at:at-ubtuw:1-76396-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.fulltextwith Fulltext-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
item.grantfulltextopen-
item.languageiso639-1en-
Appears in Collections:Thesis

Files in this item:

Show simple item record

Page view(s)

9
checked on Jun 19, 2021

Download(s)

59
checked on Jun 19, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.