Pohjahinnat ovat jo pitkään olleet tärkeä osa julkaisijoiden mainostuottojen optimointia. Sopivan pohjahinnan löytäminen on kuitenkin yhä haastavampaa, sillä huutokauppaolosuhteet, kysyntä ja käyttäjien toiminta muuttuvat jatkuvasti. Tämän vuoksi pohjahintojen optimointi soveltuu erityisen hyvin koneoppimisen käyttökohteeksi. Sen sijaan että pohjahintoja määritettäisiin kiinteillä säännöillä tai säädettäisiin manuaalisesti historiallisten keskiarvojen perusteella, koneoppiminen pystyy analysoimaan huomattavasti enemmän tietoa ja mukautumaan jatkuvasti muuttuviin huutokauppaolosuhteisiin.
Miksi tarkka ja yksityiskohtainen data on tärkeää?
Tehokas pohjahintojen optimointi edellyttää muutakin kuin CPM:n tarkastelua. Kysyntä voi vaihdella esimerkiksi mainospaikan, laitteen, mainosmuodon, markkinan ja muiden huutokaupan ominaisuuksien mukaan. Siksi optimoinnissa tarvitaan riittävän yksityiskohtaista dataa, jotta nämä erot ja niiden vaikutukset huutokaupan kokonaisuuteen voidaan ymmärtää. Relevant Yieldin uusi automaattinen pohjahintojen optimointi (Automated Floor Price Optimisation) hyödyntää julkaisijakohtaisia koneoppimismalleja, jotka analysoivat tuhansia huutokauppasignaaleja yli 60 mittarin ja ulottuvuuden avulla. Mallit päivittyvät useita kertoja päivässä, ja optimoinnissa voidaan hyödyntää myös julkaisijan omaa ensimmäisen osapuolen dataa.
Näin optimointi perustuu kunkin julkaisijan mainosinventaarin ominaisuuksiin sen sijaan, että kaikille julkaisijoille ja ympäristöille sovellettaisiin samoja oletuksia. Korkein CPM ei välttämättä tarkoita parasta kokonaistulosta. Pohjahinnat vaikuttavat siihen, mitkä ostajat osallistuvat huutokauppaan ja mitkä tarjoukset voivat kilpailla mainosnäytöstä. Liian korkeiksi asetetut pohjahinnat voivat siten vaikuttaa myös huutokaupan muihin vaiheisiin. Automaattinen pohjahintojen optimointi huomioi pohjahintoja määrittäessään huutokauppaympäristön kokonaisuutena. Tavoitteena on löytää pohjahinnat, jotka tukevat mainostuottoja ja ylläpitävät tervettä kilpailua sen sijaan, että optimoinnissa keskityttäisiin vain yhteen yksittäiseen mittariin.
Ratkaisu kattaa Prebidin, mainospalvelimet, Amazon TAM:n ja OpenAdsin. Se toimii sekä selain- että palvelinpuolen toteutuksissa tietokoneilla, mobiiliverkossa ja natiivisovelluksissa.
Automaatiota kontrollista tinkimättä
Optimoinnin automatisointi ei tarkoita sitä, että julkaisijan pitäisi luopua pohjahintastrategiansa hallinnasta. Relevant Yieldissä julkaisijat voivat määrittää pohjahintojen vähimmäistason, valita mainospaikat, joilla automaattista optimointia käytetään, sekä hallita mainospalvelimen hinnoittelusääntöjä. Reaaliaikainen raportointi tekee optimoinnin tuloksista läpinäkyviä. Julkaisijat voivat seurata sen vaikutuksia sen sijaan, että joutuisivat luottamaan järjestelmään, jonka toimintaa ja tuloksia ei voi tarkastella.
Automaation ja läpinäkyvyyden yhdistelmä on tärkeä, kun koneoppimisen rooli mainostuottojen päivittäisessä optimoinnissa kasvaa. Teknologia pystyy käsittelemään suurempia tietomääriä ja reagoimaan muuttuviin olosuhteisiin nopeammin, mutta julkaisija päättää edelleen, miten ja missä optimointia hyödynnetään.
Mitä tämä tarkoittaa julkaisijoille?
Pohjahintojen optimoinnin vaikutukset vaihtelevat julkaisijakohtaisesti. Tuloksiin vaikuttavat muun muassa mainosinventaari, kysyntä ja käytössä oleva pohjahintastrategia. Ensimmäisten tulosten perusteella useimpien julkaisijoiden mainostuotot ovat kasvaneet muutamia prosentteja, ja osa on saavuttanut huomattavasti suurempiakin tuottoparannuksia. Koska optimointimalli oppii julkaisijan datasta ja mukautuu siihen ajan myötä, täysimittaisten vaikutusten näkyminen voi kestää muutaman kuukauden.
Tavoitteena ei ole vain nostaa pohjahintoja. Tarkoituksena on hyödyntää dataa sen arvioimiseen, milloin korkeampi tai matalampi pohjahinta todennäköisesti tuottaa paremman kokonaistuloksen ja automatisoida päätöksenteko niin yksityiskohtaisella tasolla, että vastaava optimointi olisi vaikeaa toteuttaa manuaalisesti.
Automaattinen pohjahintojen optimointi sisältyy Relevant Yieldin HB Analyticsiin ja HB Manageriin ilman lisäkustannuksia. Se tarjoaa julkaisijoille dynaamisemman tavan hallita pohjahintoja ja mukautuu jatkuvasti muuttuviin huutokauppaolosuhteisiin. Samalla julkaisija säilyttää näkyvyyden optimoinnin tuloksiin ja kontrollin sen käyttöön.
Lue lisää HB Managerista tai ota meihin yhteyttä, jos haluat kuulla ratkaisusta lisää.