Aman Sareen, CEO of Aarki – Interview Serie

Aman Sareen er CEO af Aarki, et AI-selskab, der leverer reklameløsninger, der driver indtægtsvækst for mobile app-udviklere. Aarki giver mulighed for, at mærker kan engagere sig effektivt med publikum i en verden med fokus på privatliv ved at bruge milliarder af kontekstuelle budsignaler kombineret med proprietær maskinlæring og adfærdsmønstre. Ved at arbejde med hundredvis af annoncører globalt og håndtere over 5M mobile reklameforespørgsler per sekund fra over 10B enheder, er Aarki et privat selskab med hovedsæde i San Francisco, CA og kontorer over hele USA, EMEA og APAC.

Kunne du dele lidt om din rejse fra at co-founder ZypMedia til at lede Aarki? Hvad er de vigtigste erfaringer, der har formet din tilgang til AI og AdTech?

Min adtech-ledelsesodysse begyndte med at co-founder ZypMedia i 2013, hvor vi designede en avanceret demand-side-platform til lokal reklame. Dette var ikke bare endnu en DSP; vi byggede det fra bunden for at håndtere højvolumen, lav-dollarkampagner med en hidtil uset effektivitet. Tænk på det som en forløber for den hyper-lokaliserede, AI-drevne måling, vi ser i dag.

Som CEO, styrede jeg ZypMedia til $20 millioner i SaaS-omsetning og behandling af $200 millioner i medietransaktioner årligt. Denne erfaring var en prøvesten for at forstå den enorme mængde data, som moderne reklameplatforme må håndtere — en udfordring, der er skræddersyet til AI-løsninger.

Min periode hos LG Ad Solutions, efter ZypMedias overtagelse af Sinclair, var et dybt dyk i verden af enhedsproducenter og hvordan kontrollen over seerdata kan forme fremtiden for Connected TV (CTV)-reklame. Vi brugte meget AI/maskinlæring i opbygningen af LG Ads-forretningen, hvor data, der blev indsamlet fra enheder, blev brugt til at generere målgrupper, lagerblokke og planlægningssoftware.

Som CEO af Aarki siden 2023, er jeg i frontlinjen for den mobile reklamerevolution. Jeg kan sige, at min rejse har givet mig en dyb respekt for den transformerende kraft af AI i adtech. Fremgangen fra grundlæggende programmatisk til AI-drevet predictivt modellering og dynamisk kreativ optimering har været intet mindre end bemærkelsesværdigt.

Jeg er kommet til at se AI ikke bare som et værktøj, men som rygmarven for næste generations adtech. Det er nøglen til at løse branchens mest presserende udfordringer; fra privatlivskompatibelt måling i en post-device ID-verden til at skabe ægte og personlige annonceringsoplevelser i stor målestok. Jeg er fast overbevist om, at AI ikke kun vil løse de problemer, som annoncørerne står overfor, men også revolutionere, hvordan operationer køres på platforme som Aarki. Lektionerne fra min rejse — vigtigheden af skalerbarhed, data-drevne beslutninger og kontinuerlig innovation — er mere relevante end nogensinde i denne AI-første æra.

Kan du uddybe, hvordan Aarkis multi-niveau maskinlæringsinfrastruktur fungerer? Hvad er de specifikke fordele, det tilbyder i forhold til traditionelle adtech-løsninger?

Mine erfaringer har lært mig, at fremtiden for adtech ligger i at harmonisere big data, maskinlæring og menneskelig kreativitet. Hos Aarki udforsker vi, hvordan AI kan forbedre enhver aspekt af den mobile reklameøkosystem; fra budoptimering og svindelbekæmpelse til kreativ præstationsforudsigelse og brugererhvervingsstrategier.

På dette stadium er Aarkis multi-niveau maskinlæringsinfrastruktur designet til at tackle flere kritiske aspekter af mobil reklame, fra svindelbekæmpelse til bruger-værdiforudsigelse. Her er, hvordan det fungerer og hvorfor det er fordelagtigt:

• Svindelbekæmpelse og Lagerkvalitetskontrol: Det er designet til at beskytte vores kunders præstationer og budgetter. Vores multi-lagde tilgang kombinerer proprietære algoritmer med tredjepartsdata for at holde os foran udviklingen af svindeltaktikker. Vi sikrer, at kampagnebudgetter investeres i ægte, højkvalitetslager ved at evaluere brugeradfærd og opretholde en opdateret svindeldatabase.
• Deep Neural Network (DNN)-modeller: Vores kerneinfrastruktur udnytter multi-trin DNN-modeller til at forudsige værdien af hver impression eller bruger. Denne granulerede tilgang giver mulighed for, at hver model kan lære de funktioner, der er mest kritiske for bestemte konverteringsbegivenheder, og muliggør mere præcis måling og budstrategier i forhold til en-size-fits-all-modeller.
• Multi-objektet Bid Optimizer (MOBO): I modsætning til den simple budskygning, der bruges af de fleste DSP’er, overvejer vores MOBO flere faktorer end bare pris. Det bruger dynamiske variabler som kampagne- og lagerattributter, forudsigelig brugerværdi og CPM-segmentering til at optimere bud. Denne sofistikerede metode maksimerer ROI, mens den balancerer flere mål og finder optimale bud, der vinder, opfylder KPI-mål og pacing korrekt for at udnytte kampagnebudgetter fuldt ud.

Disse komponenter tilbyder betydelige fordele i forhold til traditionelle AdTech-løsninger:

• Overlegen svindelbekæmpelse
• Mere præcise forudsigelser og bedre ROI gennem multi-trins DNN’er
• Granuleret kreativ hyper-måling med multi-objektet budpris
• Skalerbarhed til at håndtere enorme mængder data
• Privatlivs-venlig måling med kontekstuelle kohorter

Vores AI-drevne tilgang giver mulighed for usædvanlig præcision, effektivitet og tilpasning i mobile reklamekampagner. Ved at udnytte dyb læring og avanceret optimeringsteknik leverer Aarki overlegen præstation, mens vi fastholder et stærkt fokus på privatliv og svindelbekæmpelse.

Hvordan fungerer Aarkis Dynamiske Multi-objektet Bid Optimizer, og hvilken indvirkning har det på at maksimere ROI for dine kunder?

Dynamiske Multi-objektet Bid Optimizer er et sofistikeret system, der går ud over traditionelle budskygning-algoritmer. I modsætning til simple budskygning-algoritmer, der kun fokuserer på pris, overvejer vores optimizer flere mål samtidigt. Dette inkluderer ikke kun pris, men også kampagnepræstation, lagerkvalitet og budgetudnyttelse.

Optimizeren tager i betragtning en række dynamiske variabler, herunder kampagne- og lagerattributter, forudsigelig brugerværdi og CPM-segmentering. Disse variabler vejleder optimeringsprocessen omkring klient-specifikke KPI’er, primært ROI. Dette giver os mulighed for at tilpasse vores budstrategi til hver klients unikke mål.

En af de vigtigste styrker i vores optimizer er dens evne til at balancere mellem at erhverve højværdi-brugere effektivt og at udforske nye, utilgangede brugersegmenter og lager. Denne udforskning hjælper os med at opdage værdifulde muligheder, som mere stive systemer måske ville overse.

I praksis betyder dette, at vores kunder kan forvente en mere effektiv udnyttelse af deres reklamebudget, højere kvalitet af brugererhvervelse og, i sidste ende, bedre ROI på deres kampagner. For eksempel kan det være rationelt at betale 50% mere for at byde på en bruger, der er 5 gange mere værdi (ROAS). Optimizerens evne til at balancere flere mål og tilpasse sig i realtid giver os mulighed for at navigere i den komplekse mobile reklameverden mere effektivt end traditionelle, single-objektive budsystemer.

Aarki lægger vægt på en privatlivs-venlig tilgang i sine operationer. Hvordan sikrer din platform brugerprivatliv, mens den stadig leverer effektiv annoncering?

Jeg er stolt af at sige, at privatlivs-venlig engagement er en af de centrale piller i vores platform, sammen med vores AI-platform. Vi har omfattet udfordringerne i en verden uden device-ID’er og udviklet innovative løsninger til at sikre brugerprivatliv, mens vi leverer effektiv annoncering. Her er, hvordan vi opnår dette:

• ID-løs Måling: Vi har fuldt ud tilpasset os til landskabet efter IDFA og er SKAN 4-kompatibel. Vores platform opererer uden at afhænge af enkelt enheds-ID’er, med fokus på brugerprivatliv fra bunden.
• Kontekstuelle Signaler: Vi udnytter en bred vifte af kontekstuelle datapunkter som enhedstype, operativsystem, app, genre, tid på dagen og region. Disse signaler giver værdifuld målingsinformation uden at kræve personlige data.
• Massiv Kontekstuel Dataforarbejdning: Vi forarbejder over 5 millioner reklameforespørgsler per sekund fra over 10 milliarder enheder globalt. Hver anmodning har en rigdom af kontekstuelle signaler, hvilket giver os en rig, privatlivs-venlig dataset.
• Avanceret Maskinlæring: Vores 800 milliarder rækker træningsmodeldatabase korrelerer disse kontekstuelle signaler med historisk resultatdata. Dette giver os mulighed for at udlede indsigt og mønstre uden at kompromittere enkelt brugerprivatliv.
• Dynamiske Adfærdskohorter: Ved hjælp af maskinlæring opretter vi højtdetaljerede, dynamiske adfærdskohorter baseret på aggregerte kontekstuelle data. Disse kohorter giver mulighed for effektive optimeringer og skalerbarhed uden at afhænge af personlige identifikatorer.
• ML-drevet Kreativ Måling: For hver kohorte bruger vi maskinlæring i samarbejde med vores kreative team til at udvikle optimale kreative strategier. Denne tilgang sikrer relevans og effektivitet uden at krænke enkelt brugerprivatliv.
• Kontinuerlig Læring og Tilpasning: Vores AI-modeller lærer og tilpasser sig kontinuerligt baseret på kampagnepræstation og udviklingen af kontekstuelle data, hvilket sikrer, at vores måling forbliver effektiv, mens brugerprivatliv og -forventninger udvikler sig.
• Gennemsigtighed og Kontrol: Vi giver tydelig information om vores datapraksis og tilbyder brugerne kontrol over deres annonceringsoplevelser, hvor det er muligt, i overensstemmelse med privatlivsbedste praksis.

Ved at udnytte disse privatlivs-venlige strategier leverer Aarki effektiv annoncering, mens vi respekterer brugerprivatliv. Vi har omdannet udfordringerne i den privatlivs-venlige æra til muligheder for innovation, hvilket resulterer i en platform, der både er privatlivs-kompatibel og højtydende for vores kunders brugererhvervelse og genengagement-kampagner. Mens den digitale annonceringsverden udvikler sig, forbliver Aarki fast besluttet på at føre an i privatlivs-venlig, AI-drevet mobil annoncering.

Kan du forklare begrebet ML-drevet Kreativ Måling og hvordan det integrerer med jeres kreative strategi?

ML-drevet Kreativ Måling er vores metode til at optimere annonceringskreativer baseret på de adfærdskohorter, vi identificerer gennem vores maskinlæringsmodeller. Denne proces omfatter flere trin:

• Kohortanalyse: Vores ML-modeller analyserer enorme mængder af kontekstuelle data for at oprette detaljerede adfærdskohorter.
• Kreative Indsigt: For hver kohorte bruger vi maskinlæring til at identificere de kreative elementer, der sandsynligvis vil have den største effekt. Dette kan omfatte farveskemaer, annonceringsformater, budskabsstilarter eller visuelle temaer.
• Samarbejde: Vores datavidenskabelige team samarbejder med vores kreative team, hvor vi deler disse maskinlærings-afledte indsigt.
• Kreativ Udvikling: Baseret på disse indsigt udvikler vores kreative team tilpassede annonceringskreativer til hver kohorte. Dette kan indebære tilpasning af billeder, kopiering, aktionsappeller eller annonceringsstruktur.
• Dynamisk Sammensætning: Vi bruger dynamisk kreativ optimering til at samle annonceringskreativer i realtid, hvor vi matcher de mest effektive elementer til hver kohorte.
• Kontinuerlig Optimering: Mens vi indsamler præstationsdata, refinerer vores ML-modeller kontinuerligt deres forståelse af, hvad der virker for hver kohorte, og skaber en feedback-løkke for kontinuerlig kreativ forbedring.
• Skalérbarhed og Effektivitet: Denne tilgang giver os mulighed for at oprette højtydende kreativer i stor målestok uden behov for manuel segmentering eller gætteriarbejde.

Resultatet er en syntese mellem datavidenskab og kreativitet. En af vores kernepillere, Unified Creative Framework, sikrer, at vores ML-modeller giver data-drevne indsigt i, hvad der virker for forskellige målgrupper. Samtidig bringer vores kreative team disse indsigt til live i overbevisende annonceringsdesign. Denne tilgang giver os mulighed for at levere mere relevante, engagerende annoncer til hver kohorte, samtidig med at vi forbedrer kampagnepræstation og brugeroplevelse.

Hvad er rollen for jeres kreative team i udviklingen af annonceringskampagner, og hvordan samarbejder de med AI-modellerne til at optimere annonceringspræstation?

Vores kreative team spiller en integreret rolle i udviklingen af effektive annonceringskampagner hos Aarki. De samarbejder tæt med vores AI-modeller til at optimere annonceringspræstation. Det kreative team fortolker indsigt fra vores ML-modeller om, hvad der resonerer med forskellige adfærdskohorter. De udvikler herefter tilpassede annonceringskreativer, hvor de tilpasser elementer som visuelle, budskaber, formater og mere for at matche disse indsigt.

Mens kampagnerne køres, analyserer teamet præstationsdata sammen med AI, og refinerer kontinuerligt deres tilgang. Denne iterative proces giver mulighed for hurtig optimering af kreative elementer.

Synergien mellem menneskelig kreativitet og AI-drevne indsigt giver os mulighed for at producere højtydende, engagerende annoncer i stor målestok, og driver overlegen præstation for vores kunders kampagner.

Hvordan fungerer Aarkis AI-infrastruktur til at opdage og forhindre annoncerings-svindel? Kan du give nogle eksempler på de typer af svindel, som systemet identificerer?

Som jeg tidligere nævnte, bruger Aarki en multi-lagd tilgang til at bekæmpe annoncerings-svindel. Vi nærmer os svindelbekæmpelse som en forudgående filter med efterfølgende analyse af data, der kommer gennem vores systemer. Mens jeg allerede har beskrevet vores generelle strategi, kan jeg give nogle specifikke eksempler på de typer af svindel, som vores system identificerer:

• Klik-flod: Detektering af usædvanligt høje klik-rater fra bestemte kilder.
• Installations-fabrikker: Identificering af mønstre af multiple installationer fra samme IP-adresse eller enhed.
• Usædvanlig klik-til-installationstid (CTIT): Plettet usædvanlig klik-til-installationstid som signal for bot-aktivitet.
• Lav Retention Rate: Identificering af brugere fra udgivere, der gentagne gange viser lav retention rate efter installation.

Vores AI udvikler sig kontinuerligt for at genkende nye svindel-taktikker, og beskytter vores kunders budgetter.

Hvordan adskiller Aarkis tilgang til brugererhvervelse og genengagement sig fra andre platforme i branchen?

Aarkis tilgang til brugererhvervelse og genengagement adskiller sig på flere nøgleområder:

• Privatlivs-venlig Strategi: Vi har fuldt ud omfattet ID-løs måling, og er SKAN 4-kompatibel, og fremtidssikrer os i en privatlivs-fokuseret landskab.
• Avanceret AI og Maskinlæring: Vores multi-niveau maskinlæringsinfrastruktur forarbejder enorme mængder af kontekstuelle data, og opretter sofistikerede adfærdskohorter uden at afhænge af personlige identifikatorer.
• ML-drevet Kreativ Måling: Vi kombinerer unikt AI-indsigt med menneskelig kreativitet til at udvikle højtydende annonceringskreativer til hver kohorte.
• Dynamisk Multi-objektet Bid Optimizer: Vores budsystem overvejer flere mål samtidigt, og balancerer effektivitet med udforskning for at maksimere ROI.
• Kontekstuel Intelligens: Vi udnytter trillioner af kontekstuelle signaler til at informere vores måling, og går ud over grundlæggende demografisk eller geografisk segmentering.
• Kontinuerlig Optimering: Vores AI-modeller lærer og tilpasser sig kontinuerligt, og sikrer, at vores strategier udvikler sig med ændringer i brugeradfærd og markedsbetingelser.
• Enhetlig Tilgang: Vi tilbyder en sammenhængende integration af brugererhvervelse og genengagement-strategier, og giver en helhedsorienteret visning af brugerrejseen.
• Skalérbarhed: Vores infrastruktur kan håndtere enorme datamængder (5M+ annonceringsforespørgsler per sekund fra 10B+ enheder), og giver mulighed for højtydende måling i stor målestok.
• Avanceret Svindelbekæmpelse: Vores indbyggede forudgående svindelfilter, efterfølgende analyse af massive datamængder kombineret med tredjepartsdata, sætter os i frontlinjen for at beskytte vores kunders budgetter mod svindel.

Denne kombination af privatlivs-venlige metoder, avanceret AI, kreativ optimering, svindelbekæmpelse og skalérbar infrastruktur giver os mulighed for at levere mere effektive, effektive og tilpasningsdygtige kampagner.

Min erfaring har lært mig, at fremtiden for adtech ligger i at harmonisere big data, maskinlæring og menneskelig kreativitet. Jeg er stolt over, at vi ikke kun har en fremragende teknologi, men også et exceptionelt team af analytikere, datavidenskabsfolk og kreative fagfolk, der tilfører menneskelig kreativitet til vores teknologi.

Kunne du dele nogle succes-historier, hvor Aarkis platform har betydeligt forbedret kundernes ROI og kampagne-effektivitet?

AppsFlyer Performance Index anerkender Aarki som en leder i retargeting, og rangerer os #1 for gaming i Nordamerika og #3 globalt. Vi er også vurderet som en top-performer på tværs af alle Singular annoncerings-ROI-indekser. Denne sagstudie er også et bevis på vores globale lederskab. Ikke kun for gaming, men vi har også nylige sagstudier, der viser vores evne til at drive resultater på tværs af forskellige app-kategorier.

Jeg er stolt af at fremhæve vores partnerskab med DHgate, en førende e-handelsplatform. Vores retargeting-kampagner for både Android og iOS leverede exceptionelle resultater, og viser Aarkis evne til at drive præstation i stor målestok.

Ved at udnytte vores dybe neurale netværksteknologi, oprettede vi præcise brugersegmenter for at maksimere retargeting-effektivitet. Dette resulterede i en 33% vækst i høj-intent-brugerklik og en 33% øgning i konverteringer.

Mest imponerende var, at mens DHgates udgifter til Aarki øgedes med 52%, overgik vi konstant deres 450% D30 ROAS-mål med 1,7 gange, og opnåede en fremragende 784% ROAS. Denne sagstudie viser vores engagement i at levere overlegen resultater for vores kunder. Læs mere om det her.

For en mad- og leverings-app implementerede vi en retargeting-kampagne for at reaktiverer brugere og erhverve nye kunder effektivt.

Dette resulterede i en 75% reduktion i omkostninger pr. erhvervelse (CPA) og 12,3 millioner brugerreaktivering. Nøglen til succes var at udnytte vores dybe neurale netværksmodeller til at målrette de rette målgrupper med tilpassede budskaber, og holde kampagnen frisk og engagerende. Læs det her.

Disse sagstudier viser vores evne til at drive betydelige forbedringer i nøgle-metrrikker på tværs af forskellige app-kategorier og kampagne-typer. Vores privatlivs-venlige tilgang, avanceret AI-kapacitet og strategisk brug af kontekstuelle data giver os mulighed for at levere overlegen resultater for vores kunder, både i brugererhvervelse og genengagement-bestræbelser.

Hvad ser du for fremtidige fremskridt i AI og maskinlæring som afgørende for den mobile annonceringsindustri?

Set fremad ser jeg flere afgørende fremskridt i AI og maskinlæring for mobil annoncering:

• Forbedrede privatlivs-bevarende teknikker: Den massive skala af data, vi forarbejder, vil føre til hidtil usete læringsmuligheder. Dybe neurale netværk (DNN’er) vil udnytte dette til at oprette overlegen privatlivs-venlig engagement-strategier. I virkeligheden vil begrebet “måling” udvikle sig så dramatisk, at vi vil have brug for nye begreber til at beskrive disse AI-drevne, predictivt tilgange.
• Generativ AI til realtids-kreativ optimering: Vi vil se AI, der ikke kun kan optimere, men også oprette og dynamisk modificere annonceringskreativer i realtid. Dette vil revolutionere, hvordan vi tilgår annonceringsdesign og personliggørelse.
• Holistiske Predictive Modeller: Ved at kombinere vores dybe neurale netværk for produktindsigt med vores Multi-objektet Bid Optimizer (MOBO) for prissætning, vil vi udvikle højtydende og effektive modeller for både brugererhvervelse og retargeting. Disse vil give usædvanligt præcise forudsigelser af langsigtede brugerværdi, og muliggøre smartere, mere strategisk kampagneledelse.

Disse fremskridt vil sandsynligvis føre til mere effektive, effektive og bruger-venlige mobile annonceringsoplevelser.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Aarki.