Aman Sareen, CEO of Aarki – Intervju-serie

Aman Sareen er administrerende direktør i Aarki, et AI-selskap som leverer annonseringsløsninger som driver omsetningsvekst for mobilapp-utviklere. Aarki gjør det mulig for merker å engasjere publikum på en effektiv måte i en verden med fokus på personvern, ved å bruke milliarder av kontekstuelle budsignaler sammen med proprietær maskinlæring og atferdsmodeller. Ved å samarbeide med hundrevis av annonserere globalt og håndtere over 5M mobil annonseringsforespørsler per sekund fra over 10B enheter, er Aarki et privat selskap med hovedkontor i San Francisco, CA og kontorer over hele USA, EMEA og APAC.

Kunne du dele litt om din reise fra å co-grunnlegge ZypMedia til å lede Aarki? Hva er de viktigste erfaringene som har formet din tilnærming til AI og AdTech?

Min reise som leder i adtech begynte med å co-grunnlegge ZypMedia i 2013, der vi utviklet en banebrytende demandsideplattform tilpasset lokal annonsering. Dette var ikke bare en annen DSP; vi bygde det fra bunnen av for å håndtere høyvolum, lavkostnads-kampanjer med utenforliggende effisiens. Tenk på det som en forløper til den hyper-lokaliserte, AI-drevne måling vi ser i dag.

Som CEO, ledet jeg ZypMedia til $20 millioner i SaaS-omsetning og prosesserte $200 millioner i medietransaksjoner årlig. Denne erfaringen var en prøvesten for å forstå den enorme skalaen av data som moderne annonseringsplattformer må håndtere — en utfordring som er skreddersydd for AI-løsninger.

Min periode i LG Ad Solutions, etter at ZypMedias ble kjøpt av Sinclair, var et dypt dykking i verden av enhetsprodusenter og hvordan kontrollen over seerdata kan forme fremtiden for Connected TV (CTV)-annonsering. Vi brukte mye AI/maskinlæring i å bygge LG Ads-forretningen, der data samlet inn fra enheter ble brukt til å generere målgrupper, lagerblokker og planleggingsprogramvare.

Som CEO i Aarki siden 2023, står jeg i forkant av den mobile annonseringsrevolusjonen. Jeg kan si at min reise har gitt meg en dyp forståelse for den transformative kraften til AI i adtech. Utviklingen fra grunnleggende programmatisk til AI-drevne prediktive modeller og dynamisk kreativ optimering har vært ikke mindre enn bemerkelsesverdig.

Jeg har kommet til å se på AI ikke bare som et verktøy, men som ryggraden i neste generasjons adtech. Det er nøkkelen til å løse bransjens mest presserende utfordringer; fra personvern-samsvarig måling i en post-enhet-ID-verden til å skape ekte og personlige annonseringsopplevelser i skala. Jeg er overbevist om at AI ikke bare vil løse smertepunktene annonsererne møter, men også revolusjonere hvordan operasjoner drives på plattformer som Aarki. Leksjonene fra min reise — viktigheten av skalerbarhet, data-drevne beslutninger og kontinuerlig innovasjon — er mer relevante enn noen gang i denne AI-første æraen.

Kan du forklare hvordan Aarkis flernivå maskinlærings-infrastruktur fungerer? Hva er de spesifikke fordelene det tilbyr sammenlignet med tradisjonelle adtech-løsninger?

Mine erfaringer har lært meg at fremtiden for adtech ligger i å harmonisere big data, maskinlæring og menneskelig kreativitet. Hos Aarki utforsker vi hvordan AI kan forbedre hver enkelt del av den mobile annonseringsøkosystemet; fra budoptimering og svindelavdekning til kreativ ytelsesprediksjon og bruker-erwerbingsstrategier.

På dette stadiet er Aarkis flernivå maskinlærings-infrastruktur designet for å håndtere flere kritiske aspekter av mobil annonsering, fra svindelavdekning til bruker-verdi-prediksjon. Her er hvordan det fungerer og hvorfor det er fordelerikt:

• Svindelavdekning og Lagerkvalitetskontroll: Det er designet for å beskytte våre kunders ytelse og budsjett. Vår flernivå-tilnærming kombinerer proprietære algoritmer med tredjepartsdata for å holde oss foran utviklingende svindeltaktikker. Vi sikrer at kampanje-budsjettene investeres i ekte, høykvalitets-lager ved å konstant evaluere bruker-atferd og vedlikeholde en oppdatert svindel-database.
• Dyb Neural Network (DNN)-modeller: Vår kjern-infrastruktur utnytter multi-trinn DNN-modeller for å predikere verdien av hver impresjon eller bruker. Denne granulære tilnærmingen gjør at hver modell kan lære egenskaper som er mest kritiske for spesifikke konverteringshendelser, muliggjør mer presis måling og budstrategier sammenlignet med en-størrelse-til-alle-modeller.
• Multi-objekt-bud-Optimiser (MOBO): I motsetning til enkle bud-skugge-algoritmer brukt av de fleste DSP-er, tar vår MOBO hensyn til flere faktorer enn bare pris. Den bruker dynamiske variabler som kampanje- og lager-egenskaper, predikert bruker-verdi og CPM-segmentering for å optimere bud. Denne sofistikerte metoden maksimerer ROI samtidig som den balanserer flere mål, finner optimale bud som vinner, møter KPI-mål og pacerer korrekt for å utnytte kampanje-budsjettene fullstendig.

Disse komponentene tilbyr betydelige fordelene sammenlignet med tradisjonelle AdTech-løsninger:

• Overlegen svindelavdekning
• Mer nøyaktige prediksjoner og bedre ROI gjennom multi-trinn DNN-er
• Granulær kreativ hyper-måling med multi-objekt-bud-prising
• Skalerbarhet for å håndtere enorme mengder data
• Personvern-samsvarig måling med kontekstuelle kohorter

Vår AI-drevne tilnærming gjør det mulig for oss å levere usammenlignelig nøyaktighet, effisiens og tilpasning i mobile annonseringskampanjer. Ved å utnytte dyb læring og avanserte optimeringsteknikker, leverer Aarki overlegen ytelse samtidig som vi vedlikeholder et sterkt fokus på personvern og svindelavdekning.

Hvordan fungerer den dynamiske Multi-objekt-bud-Optimiseren, og hva er effekten på å maksimere ROI for dine kunder?

Den dynamiske Multi-objekt-bud-Optimiseren er et sofistikert system som går langt utover tradisjonelle bud-skugge-algoritmer. I motsetning til enkle bud-skugge-algoritmer som fokuserer bare på pris, tar vår optimizer hensyn til flere mål samtidig. Dette inkluderer ikke bare pris, men også kampanje-ytelse-målinger, lager-kvalitet og budsjett-utnyttelse.

Optimiseren tar hensyn til en rekke dynamiske variabler, inkludert kampanje- og lager-egenskaper, predikert bruker-verdi og CPM-segmentering. Disse variablene veileder optimeringsprosessen rundt klient-spesifikke KPI-er, primært ROI. Dette gjør det mulig for oss å tilpasse vår budstrategi til hver klients unike mål.

En av de viktigste styrkene til vår optimizer er dens evne til å balansere mellom å tilegne høyverdi-brukere effektivt og å utforske nye, uutnyttede bruker-segmenter og lager. Denne utforskningen hjelper oss å oppdage verdifulle muligheter som mer rigid systemer måtte overse.

I praksis betyr dette at våre kunder kan forvente mer effektiv bruk av annonserings-budsjettene, høykvalitets bruker-erwerbning og, til slutt, bedre ROI på kampanjene. For eksempel kan det være meningsfullt å betale 50% mer for å by på en bruker som er 5 ganger mer verdifull (ROAS). Optimizerens evne til å balansere flere mål og tilpasse seg i sanntid gjør det mulig for oss å navigere i det komplekse mobile annonserings-landskapet mer effektivt enn tradisjonelle, enkelt-mål-budsystemer.

Aarki legger vekt på en personvern-samsvarig tilnærming i sine operasjoner. Hvordan sikrer din plattform bruker-personvern samtidig som den leverer effektiv annonserings-måling?

Jeg er stolt av å si at personvern-samsvarig engasjement er en av de viktigste pilarene i vår plattform, sammen med vår AI-plattform. Vi har omfavnet utfordringene i en verden uten enhets-ID og utviklet innovative løsninger for å sikre bruker-personvern samtidig som vi leverer effektiv annonserings-måling. Her er hvordan vi oppnår dette:

• ID-løs Måling: Vi har fullstendig tilpasset oss til post-IDFA-landskapet og er SKAN 4-samsvarig. Vår plattform opererer uten å avhenge av individuelle enhets-ID-er, prioriterer bruker-personvern fra grunnen av.
• Kontekstuelle Signaler: Vi utnytter en bred rekke kontekstuelle datapunkter som enhetstype, OS, app, sjanger, tid på dagen og region. Disse signalene gir verdifulle målingsinformasjon uten å kreve personlige data.
• Massiv Kontekstuell Data-prosessering: Vi prosesserer over 5 millioner annonseringsforespørsler per sekund fra over 10 milliarder enheter globalt. Hver forespørsel har en mengde kontekstuelle signaler, som gir oss en rik, personvern-samsvarig datasett.
• Avansert Maskinlæring: Vår 800 milliarder raders treningsmodell-database korrelerer disse kontekstuelle signalene med historiske resultatdata. Dette gjør det mulig for oss å-drive innsikt og mønster uten å kompromittere individuell bruker-personvern.
• Dynamiske Atferdskohorter: Ved å bruke maskinlæring, skaper vi høyt detaljerte, dynamiske atferdskohorter basert på aggregerte kontekstuelle data. Disse kohortene muliggjør effektive optimeringer og skalerbarhet uten å avhenge av personlige identifikatorer.
• ML-drevet Kreativ Måling: For hver kohort, bruker vi maskinlæring i samarbeid med vårt kreative team for å utvikle optimale kreative strategier. Denne tilnærmingen sikrer relevans og effektivitet uten å krenke individuell personvern.
• Kontinuerlig Læring og Tilpasning: Våre AI-modeller lærer og tilpasser seg kontinuerlig basert på kampanje-ytelse og utviklingende kontekstuelle data, sikrer at vår måling forblir effektiv samtidig som personvern og reguleringer utvikler seg.
• Gjennomsiktighet og Kontroll: Vi gir tydelig informasjon om våre data-praksiser og tilbyr brukerne kontroll over annonserings-opplevelsene når det er mulig, i samsvar med personvern-best-praksis.

Ved å utnytte disse personvern-samsvarige strategiene, leverer Aarki effektiv annonserings-måling samtidig som vi respekterer bruker-personvern. Vi har omdannet utfordringene i personvern-æraen til muligheter for innovasjon, resulterende i en plattform som er både personvern-samsvarig og høyt effektiv for våre kunders bruker-erwerbning og gjenengasjement-kampanjer. Mens det digitale annonserings-landskapet utvikler seg, forblir Aarki kommitert til å lede veien i personvern-samsvarig, AI-drevet mobil annonsering-løsninger.

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

ML-drevet Kreativ Måling er vår metode for å optimere annonserings-kreativer basert på de atferdskohorter vi identifiserer gjennom våre maskinlæringsmodeller. Denne prosessen involverer flere trinn:

• Kohort-analyse: Våre ML-modeller analyserer enorme mengder kontekstuelle data for å skape detaljerte atferdskohorter.
• Kreative Innsikter: For hver kohort, bruker vi maskinlæring for å identifisere de kreative elementene som sannsynligvis vil resonnere best. Dette kan inkludere farge-schemer, annonserings-formater, meldings-stiler eller visuelle temaer.
• Samarbeid: Vårt data-vitenskap-team samarbeider med vårt kreative team, deler disse ML-avledede innsiktene.
• Kreativ Utvikling: Basert på disse innsiktene, utvikler vårt kreative team tilpassede annonserings-kreativer for hver kohort. Dette kan involvere å justere bilder, tekst, handlinger eller annonserings-struktur.
• Dynamisk Sammensetning: Vi bruker dynamisk kreativ optimering for å samle annonserings-kreativer i sanntid, matcher de mest effektive elementene til hver kohort.
• Kontinuerlig Optimering: Etter hvert som vi samler inn ytelsesdata, refinerer våre ML-modeller kontinuerlig sin forståelse av hva som fungerer for hver kohort, skaper en tilbakemeldings-løkke for kontinuerlig kreativ forbedring.
• Skalerbarhet og Effisiens: Denne tilnærmingen gjør det mulig for oss å skape høyt målte kreativer i skala uten å måtte manuelt segmentere eller gjette.

Resultatet er en syntese mellom data-vitenskap og kreativitet. En av våre kjerne-pilarer, Unified Creative Framework, sikrer at våre ML-modeller gir data-drevne innsikter i hva som fungerer for ulike målgrupper. Samtidig bringer vårt kreative team disse innsiktene til live i overbevisende annonserings-design. Denne tilnærmingen muliggjør oss å levere mer relevante, engasjerende annonser til hver kohort, samtidig som vi forbedrer kampanje-ytelse og bruker-opplevelse.

Hva rolle spiller ditt kreative team i å utvikle annonseringskampanjer, og hvordan samarbeider de med AI-modellene for å optimere annonserings-ytelse?

Vårt kreative team spiller en integrert rolle i å utvikle effektive annonseringskampanjer hos Aarki. De samarbeider tett med våre AI-modeller for å optimere annonserings-ytelse. Det kreative teamet tolker innsikter fra våre ML-modeller om hva som resonnere med ulike atferdskohorter. De utvikler deretter tilpassede annonserings-kreativer, justerer elementer som visuelt innhold, meldinger, formater og andre aspekter for å matche disse innsiktene.

Etter hvert som kampanjene kjører, analyserer teamet ytelsesdata sammen med AI, kontinuerlig refinerer sin tilnærming. Denne iterative prosessen muliggjør rask optimering av kreative elementer.

Synergien mellom menneskelig kreativitet og AI-drevne innsikter gjør det mulig for oss å produsere høyt målte, engasjerende annonser i skala, drivende overlegen ytelse for våre kunders kampanjer.

Hvordan detekterer og forebygger Aarkis AI-infrastruktur annonserings-svindel? Kan du gi noen eksempler på typene svindel systemet identifiserer?

Som jeg nevnte tidligere, bruker Aarki en flernivå-tilnærming for å bekjempe annonserings-svindel. Vi nærmer oss svindel-avdekning som en for-bud-filter med etter-bud-analyse av data som kommer gjennom våre systemer. Mens jeg allerede har omtalt vår generelle strategi, kan jeg gi noen spesifikke eksempler på typene svindel vårt system identifiserer:

• Klikk-flomming: Detektering av uvanlig høye klikk-rater fra bestemte kilder.
• Installasjons-fabrikker: Identifisering av mønster av flere installasjoner fra samme IP-adresse eller enhet.
• Abnormal klikk-til-installasjonstid (CTIT): Sporing av abnormale klikk-til-installasjonstider som signal for bot-aktivitet.
• Lav Retentive Rater: Identifisering av brukere fra utgivere som gjentakende viser lav retentive rater etter installasjon.

Vår AI utvikler seg kontinuerlig for å gjenkjenne nye svindel-taktikker, beskytter våre kunders budsjett.

Hvordan skiller Aarkis tilnærming til bruker-erwerbning og gjenengasjement seg fra andre plattformer i industrien?

Aarkis tilnærming til bruker-erwerbning og gjenengasjement skiller seg ut på flere viktige måter:

• Personvern-samsvarig Strategi: Vi har fullstendig omfavnet ID-løs måling, gjør oss SKAN 4-samsvarig og fremtid-klar i et personvern-fokusert landskap.
• Avansert AI og Maskinlæring: Vår flernivå maskinlærings-infrastruktur prosesserer enorme mengder kontekstuelle data, skaper sofistikerte atferdskohorter uten å avhenge av personlige identifikatorer.
• ML-drevet Kreativ Måling: Vi kombinerer unikt AI-innsikter med menneskelig kreativitet for å utvikle høyt målte annonserings-kreativer for hver kohort.
• Dynamisk Multi-objekt-bud-Optimiser: Vår bud-system tar hensyn til flere mål samtidig, balanserer effisiens med utforskning for å maksimere ROI.
• Kontekstuell Intelligens: Vi utnytter trillioner av kontekstuelle signaler for å informere vår måling, går langt utover grunnleggende demografisk eller geografisk segmentering.
• Kontinuerlig Optimering: Våre AI-modeller lærer og tilpasser seg kontinuerlig, sikrer at våre strategier utvikler seg med endringene i bruker-atferd og marked-betingelser.
• Enhetlig Tilnærming: Vi tilbyr sammenhengende integrasjon av bruker-erwerbning og gjenengasjement-strategier, gir en helhetlig visning av bruker-reisen.
• Skalerbarhet: Vår infrastruktur kan håndtere enorme datamengder (5M+ annonseringsforespørsler per sekund fra 10B+ enheter), muliggjør høyt granulære måling i skala.
• Avansert Svindel-avdekning-mekanismer: Våre interne for-bud-svindel-filtre, etter-bud-analyse av massive datamengder, kombinert med tredjeparts-data, setter oss i forkant av å spare våre kunders penger fra svindel-aktivitet.

Denne kombinasjonen av personvern-sentriske metoder, avansert AI, kreativ optimering, svindel-avdekning og skalerbar infrastruktur gjør det mulig for oss å levere mer effektive, effisiente og tilpassede kampanjer.

Min erfaring har lært meg at fremtiden for adtech ligger i å harmonisere big data, maskinlæring og menneskelig kreativitet. Jeg er stolt over det faktum at, i tillegg til vår teknologi, vi også har et utmerket team av analytikere, data-vitenskapsmenn og kreative fagfolk som legger til menneskelig kreativitet til vår teknologi.

Kan du dele noen suksess-historier hvor Aarkis plattform betydelig forbedret klient-ROI og kampanje-effektivitet?

AppsFlyer Performance Index anerkjenner Aarki som en leder i gjenengasjement, rangerer oss #1 for spill i Nord-Amerika og #3 globalt. Vi er også rangert som en topp-utfører over alle Singular annonserings-ROI-indeks. Denne saken er også et bevis på vårt globale lederskap. Ikke bare for spill, men vi har nylige saker som viser vår evne til å drive resultater over ulike app-kategorier.

Jeg er stolt av å høydepunkte vårt samarbeid med DHgate, en ledende e-handelsplattform. Våre gjenengasjement-kampanjer for både Android og iOS leverte eksepsjonelle resultater, viser Aarkis evne til å drive ytelse i skala.

Ved å utnytte vår dyb neural network-teknologi, samlet vi nøyaktig bruker-segmenter for å maksimere gjenengasjementseffektiviteten. Dette resulterte i en 33% vekst i høy-intent-bruker-klikk og en 33% økning i konverteringer.

Mest imponerende, mens DHgates utgift med Aarki økte med 52%, overskred vi konsekvent deres 450% D30 ROAS-mål med 1,7 ganger, oppnådde en utmerket 784% ROAS. Denne saken eksemplifiserer vår kommitment til å levere overlegen resultater for våre kunder. Les mer om det her.

For en mat- og leverings-app, implementerte vi en gjenengasjement-kampanje for å reaktivere brukere og tilegne nye kunder effektivt.

Dette resulterte i en 75% reduksjon i kostnad per tilegnelse (CPA) og 12,3 millioner bruker-reaktivieringer. Nøkkelen til suksess var å bruke våre dyb neural network-modeller til å måle de riktige målgruppene med tilpassede meldinger, holdt kampanjen fersk og engasjerende. Les det her.

Disse saker viser vår evne til å drive betydelige forbedringer i nøkkel-målinger over ulike app-kategorier og kampanje-typer. Vår personvern-samsvarige tilnærming, avansert AI-kapasitet og strategisk bruk av kontekstuelle data gjør det mulig for oss å levere overlegen resultater for våre kunder, enten i bruker-erwerbning eller gjenengasjement-innsats.

Hva fremtidige fremgang i AI og maskinlæring ser du som avgjørende for den mobile annonseringsindustrien?

Ser fremover, forventer jeg flere avgjørende fremgang i AI og maskinlæring for mobil annonsering:

• Forbedrede personvern-bevarende-teknikker: Den massive skalaen av data vi prosesserer vil føre til utenforliggende lærings-evner. Dyb neural network (DNN) vil utnytte dette til å skape overlegen personvern-samsvarig engasjement-strategier. Faktisk, konseptet “måling” vil utvikle seg så dramatisk at vi vil trenge nye terminologier for å beskrive disse AI-drevne, prediktive tilnærmingene.
• Generativ AI for sanntids-kreativ optimering: Vi vil se AI som ikke bare kan optimere, men også skape og dynamisk modifisere annonserings-kreativer i sanntid. Dette vil revolusjonere hvordan vi nærmer oss annonserings-design og personliggjøring.
• Holistiske Prediktive Modeller: Ved å kombinere vår dyb neural network for produkt-innsikter med vår Multi-objekt-bud-Optimiser for prising, vil vi utvikle høyt effektive og effisiente modeller for både bruker-erwerbning og gjenengasjement. Disse vil gi usedvanlig nøyaktige prediksjoner av langtids-bruker-verdi, muliggjør smartere, mer strategiske kampanje-håndtering.

Disse fremgangene vil sannsynligvis føre til mer effektive, effisiente og bruker-vennlige mobile annonserings-opplevelser.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Aarki.