Aman Sareen, CEO av Aarki – Intervju-serie

Aman Sareen er CEO i Aarki, et AI-selskap som leverer reklameoppløsninger 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 budsignal sammen med proprietær maskinlæring og atferdsmodeller. Selskapet arbeider med hundrevis av annonsører globalt og håndterer over 5M mobilreklameforespørsler per sekund fra over 10B enheter, og Aarki er 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 være med å grunnlegge ZypMedia til å lede Aarki? Hvilke nøkkelopplevelser har formet din tilnærming til AI og AdTech?

Min adtech-leder-odysse begynte med å være med å grunnlegge ZypMedia i 2013, der vi konstruerte en banebrytende demand-side-plattform tilpasset lokal reklame. Dette var ikke bare en annen DSP; vi bygde den fra bunnen av for å håndtere høyt-volum, lav-verdi-kampanjer med utenkelig effektivitet. Tenk på det som en forløper til den hyper-lokaliserte, AI-drevne måling vi ser i dag.

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

Min periode i LG Ad Solutions, etter at ZypMedias ble kjøpt av Sinclair, var en dyptgående studie av verden til enhetsprodusenter og hvordan kontrollen over seerdata kan forme fremtiden for Connected TV (CTV)-reklame. 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 reklame-revolusjonen. 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-samsvarige målgrupper i en post-enhet-ID-verden til å skape ekte og personlige annonse-erfaringer i stor skala. Jeg er overbevist om at AI ikke bare vil løse smertepunktene annonsører 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 multi-nivå maskinlærings-infrastruktur fungerer? Hva er de spesifikke fordelene det tilbyr over tradisjonelle adtech-løsninger?

Mine erfaringer har lært meg at fremtiden for adtech ligger i å harmonisere stor data, maskinlæring og menneskelig kreativitet. Hos Aarki utforsker vi hvordan AI kan forbedre hver enkelt del av den mobile reklame-økosystemet; fra bud-optimalisering og svindel-avdekning til kreativ ytelses-forutsigelse og bruker-erwerb-strategier.

På dette stadiet er Aarkis multi-nivå maskinlærings-infrastruktur designet for å håndtere flere kritiske aspekter av mobil reklame, fra svindel-forebygging til bruker-verdi-forutsigelse. Her er hvordan det fungerer og hvorfor det er fordelerikt:

• Svindel-avdekning og lagerkvalitetskontroll: Det er designet for å beskytte våre kunders ytelse og budsjetter. Vår flerlagete tilnærming kombinerer proprietære algoritmer med tredjepartsdata for å holde oss foran utviklingene i svindel-taktikker. Vi sikrer at kampanje-budsjetter investeres i ekte, høykvalitets-lager ved å konstant evaluere bruker-atferd og vedlikeholde en oppdatert svindel-database.
• Dypt Neuralt Netverk (DNN)-modeller: Vår kjern-infrastruktur utnytter multi-trinns DNN-modeller for å forutsi verdien av hver inntrykk eller bruker. Denne granulære tilnærmingen gjør at hver modell kan lære trekkene som er mest kritiske for bestemte konverterings-hendelser, muliggjør mer presise målgrupper og budsjetterings-strategier sammenlignet med en-størrelse-til-alle-modeller.
• Multi-objekt-bud-optimizer (MOBO): I motsetning til enkle bud-skjærings-algoritmer som brukes av de fleste DSP-er, tar vår MOBO hensyn til flere faktorer utover pris. Den bruker dynamiske variabler som kampanje- og lager-attributter, forutsagt bruker-verdi og CPM-segmentering for å optimalisere budsjetter. Denne sofistikerte metoden maksimerer ROI samtidig som den balanserer flere mål, finner optimale budsjetter som vinner, møter KPI-mål og pacerer korrekt for å utnytte kampanje-budsjetter fullstendig.

Disse komponentene tilbyr betydelige fordeler over tradisjonelle AdTech-løsninger:

• Overlegen svindel-avdekning
• Mer nøyaktige forutsigelser og bedre ROI gjennom multi-trinns DNN-er
• Granulær kreativ hyper-målgruppering med multi-objekt-bud-prising
• Skalerbarhet for å håndtere enorme mengder data
• Personvern-først-målgruppering med kontekstuelle kohorter

Vår AI-drevne tilnærming gjør det mulig for oss å levere utenkelig nøyaktighet, effektivitet og tilpasning i mobile reklame-kampanjer. Ved å utnytte dyp læring og avanserte optimeringsteknikker, leverer Aarki overlegen ytelse samtidig som det beholder et sterkt fokus på personvern og svindel-forebygging.

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

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

Optimizeren tar hensyn til en rekke dynamiske variabler, inkludert kampanje- og lager-attributter, forutsagt bruker-verdi og CPM-segmentering. Disse variablene guidere optimeringsprosessen rundt kunde-spesifikke KPI-er, primært ROI. Dette gjør det mulig for oss å tilpasse vår budsjetterings-strategi til hver enkelt kundes unike mål.

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

I praksis betyr dette at våre kunder kan forvente mer effektivt bruk av sine annonse-utgifter, høyere kvalitets-bruker-erwerb og, til slutt, bedre ROI på sine kampanjer. For eksempel kan det være rimelig å betale 50% mer for å bud 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 reklame-landskapet mer effektivt enn tradisjonelle, enkelt-mål-budsystemer.

Aarki legger vekt på en personvern-først-tilnærming i sine operasjoner. Hvordan sikrer din plattform bruker-personvern samtidig som den leverer effektiv annonse-målgruppering?

Jeg er stolt av å si at personvern-først-engasjement er en av de viktigste pillarene 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 annonse-målgruppering. Her er hvordan vi oppnår dette:

• ID-løs målgruppering: Vi har fullstendig tilpasset oss landskapet etter IDFA og er SKAN 4-samsvarig. Vår plattform opererer uten å avhenge av enkelt-enhets-ID-er, og prioriterer bruker-personvern fra grunnen av.
• Kontekstuelle signaler: Vi utnytter en bred rekke av kontekstuelle datapunkter som enhetstype, operativsystem, app, sjanger, tid på dagen og region. Disse signalene gir verdifulle målgrupperings-informasjon uten å kreve personlige data.
• Massiv kontekstuell data-prosessering: Vi prosesserer over 5 millioner annonseforespørsler per sekund fra over 10 milliarder enheter globalt. Hver forespørsel har en rikdom av kontekstuelle signaler, og gir oss en rik, personvern-samsvarig datasett.
• Avansert maskinlæring: Våre 800 milliarder raders treningsmodell-database korrelerer disse kontekstuelle signalene med historiske resultat-data. Dette gjør det mulig for oss å avlede innsikter og mønster uten å kompromittere enkelt-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 målgruppering: 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 enkelt-bruker-personvern.
• Kontinuerlig læring og tilpasning: Våre AI-modeller lærer og tilpasser seg kontinuerlig basert på kampanje-ytelse og utvikling av kontekstuelle data, og sikrer at vår målgruppering forblir effektiv når personvern-reguleringer og bruker-forventninger utvikler seg.
• Gjennomsiktighet og kontroll: Vi gir tydelig informasjon om våre data-praksiser og tilbyr brukerne kontroll over sine annonse-erfaringer når det er mulig, i samsvar med personvern-best-praksis.

Ved å utnytte disse personvern-først-strategiene, leverer Aarki effektiv annonse-målgruppering samtidig som vi respekterer bruker-personvern. Vi har omdannet utfordringene i personvern-æraen til muligheter for innovasjon, og resultatet er en plattform som er både personvern-samsvarig og høyt effektiv for våre kunders bruker-erwerb- og gjenengasjements-kampanjer. Når det digitale reklame-landskapet utvikler seg, forblir Aarki kommitert til å lede veien i personvern-først, AI-drevne mobile reklame-løsninger.

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

ML-drevet kreativ målgruppering er vår metode for å optimalisere annonse-kreativer basert på de atferdskohorter vi identifiserer gjennom våre maskinlærings-modeller. Denne prosessen involverer flere trinn:

• Kohort-analyse: Våre ML-modeller analyserer enorme mengder kontekstuelle data for å skape detaljerte atferdskohorter.
• Kreativ innsikt: For hver kohort, bruker vi maskinlæring for å identifisere de kreative elementene som sannsynligvis vil resonnere best. Dette kan inkludere fargeskjemaer, annonse-formater, meldings-stiler eller visuelle temaer.
• Samarbeid: Vårt data-vitenskap-team samarbeider med vårt kreative team, og deler disse ML-avledede innsiktene.
• Kreativ utvikling: Basert på disse innsiktene, utvikler vårt kreative team tilpassede annonse-kreativer for hver kohort. Dette kan innebære å justere bilder, tekst, kalles-til-aksjon eller annonse-struktur.
• Dynamisk sammenstilling: Vi bruker dynamisk kreativ optimering for å sammenstille annonse-kreativer i sanntid, og matcher de mest effektive elementene til hver kohort.
• Kontinuerlig optimering: Etter hvert som vi samler inn ytelses-data, lærer og tilpasser våre ML-modeller seg kontinuerlig, og skaper en tilbakemeldings-løkke for kontinuerlig kreativ forbedring.
• Skalerbarhet og effektivitet: Denne tilnærmingen gjør det mulig for oss å skape høyt målrettede kreativer i stor skala uten å måtte gjøre manuell segmentering eller gjette arbeid.

Resultatet er en syntese mellom data-vitenskap og kreativitet. En av våre kjerne-piller, 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 annonse-design. Denne tilnærmingen muliggjør at vi kan levere mer relevante og engasjerende annonser til hver kohort, og forbedrer samtidig kampanje-ytelse og bruker-erfaring.

Hva rolle spiller ditt kreative team i å utvikle annonse-kampanjer, og hvordan samarbeider de med AI-modellene for å optimalisere annonse-ytelse?

Vårt kreative team spiller en integrert rolle i å utvikle effektive annonse-kampanjer i Aarki. De arbeider tett sammen med våre AI-modeller for å optimalisere annonse-ytelse. Det kreative teamet tolker innsiktene fra våre ML-modeller om hva som resonnere med ulike atferdskohorter. De utvikler deretter tilpassede annonse-kreativer, og justerer elementer som bilder, tekst og formater for å matche disse innsiktene.

Etter hvert som kampanjene kjører, analyserer teamet ytelses-data sammen med AI, og kontinuerlig forbedrer sin tilnærming. Denne iterative prosessen gjør det mulig for oss å raskt optimalisere kreative elementer.

Synergien mellom menneskelig kreativitet og AI-drevne innsikter muliggjør at vi kan produsere høyt målrettede og engasjerende annonser i stor skala, og drive overlegen ytelse for våre kunders kampanjer.

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

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

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

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

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

Aarkis tilnærming til bruker-erwerb og gjenengasjement skiller seg fra andre plattformer i industrien på flere måter:

• Personvern-først-strategi: Vi har fullstendig tilpasset oss landskapet etter IDFA og er SKAN 4-samsvarig, og er dermed fremtidssikret i en personvern-fokusert landskap.
• Avansert AI og maskinlæring: Vår multi-nivå maskinlærings-infrastruktur prosesserer enorme mengder kontekstuelle data, og skaper sofistikerte atferdskohorter uten å avhenge av personlige identifikatorer.
• ML-drevet kreativ målgruppering: Vi kombinerer AI-innsikter med menneskelig kreativitet for å utvikle tilpassede annonse-kreativer for hver kohort.
• Dynamisk multi-objekt-bud-optimizer: Vår budsjetterings-system tar hensyn til flere mål samtidig, og balanserer effektivitet med utforskning for å maksimere ROI.
• Kontekstuell intelligens: Vi utnytter trillions av kontekstuelle signaler for å informere vår målgruppering, og går langt utover grunnleggende demografisk eller geografisk segmentering.
• Kontinuerlig optimering: Våre AI-modeller lærer og tilpasser seg kontinuerlig, og sikrer at våre strategier utvikler seg med endringene i bruker-atferd og marked-forhold.
• Helhetlig tilnærming: Vi tilbyr en sammenhengende integrasjon av bruker-erwerb og gjenengasjement-strategier, og gir en helhetlig visning av bruker-reisen.
• Skalerbarhet: Vår infrastruktur kan håndtere enorme datamengder (5M+ annonseforespørsler per sekund fra 10B+ enheter), og muliggjør høyt detaljerte målgruppering i stor skala.
• Avanserte svindel-forebyggings-mekanismer: Våre interne for-bud-svindel-filtre, etterfølgende analyse av massive datamengder, kombinert med tredjeparts-data, plasserer oss i forkant av å beskytte våre kunders penger mot svindel-aktivitet.

Denne kombinasjonen av personvern-sentrerte metoder, avansert AI, kreativ optimering, svindel-forebygging og skalerbar infrastruktur muliggjør at vi kan levere mer effektive, effektive og tilpassede kampanjer.

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

Kunne du dele noen suksess-historier der Aarkis plattform betydelig forbedret kunde-ROI og kampanje-ytelse?

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

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

Ved å utnytte vår dyp-neurale nettverksteknologi, samlet vi nøyaktig bruker-segmenter for å maksimere retargeting-ytelse. Dette resulterte i en 33% vekst i høy-intent-bruker-klikk og en 33% økning i konverteringer.

Mest imponerende var at mens DHgates utgifter til Aarki økte med 52%, overskred vi konsekvent deres 450% D30 ROAS-mål med 1,7 ganger, og 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 retargeting-kampanje for å reaktiver bruere og tilegne nye kunder effektivt.

Dette resulterte i en 75% reduksjon i kostnad per erwerb (CPA) og 12,3 millioner bruker-reaktivieringer. Nøkkelen til suksess var å bruke våre dyp-neurale nettverks-modeller til å målrette riktige målgrupper med tilpassede meldinger, og holdt kampanjen fersk og engasjerende. Les det her.

Disse sakene demonstrerer vår evne til å drive betydelige forbedringer i nøkkel-målinger over ulike app-kategorier og kampanje-typer. Vår personvern-først-tilnærming, avanserte AI-kapasiteter og strategisk bruk av kontekstuell data muliggjør at vi kan levere overlegen resultater for våre kunder, både i bruker-erwerb og gjenengasjements-innsats.

Hva fremtidige fremgang i AI og maskinlæring ser du som avgjørende for den mobile reklame-industrien?

Når jeg ser fremover, forventer jeg flere avgjørende fremgang i AI og maskinlæring for den mobile reklame-industrien:

• Forbedrede personvern-bevarende-teknikker: Den massive skalaen av data vi prosesserer vil føre til utenkelig lærings-evner. Dyp-neurale nettverk (DNN-er) vil utnytte dette for å skape overlegen personvern-først-målgrupperings-strategier. Faktisk vil konseptet “målgruppering” utvikle seg så dramatisk at vi vil trenge ny terminologi for å beskrive disse AI-drevne, prediktive tilnærmingene.
• Generativ AI for sanntids-kreativ-optimering: Vi vil se AI som ikke bare kan optimalisere, men også skape og dynamisk modifisere annonse-kreativer i sanntid. Dette vil revolusjonere hvordan vi nærmer oss annonse-design og personalisering.
• Helhetlige prediktive modeller: Ved å kombinere våre dyp-neurale nettverk for produkt-innsikter med vår Multi-objekt-bud-optimizer (MOBO) for prising, vil vi utvikle høyt effektive og effektive modeller for både bruker-erwerb og retargeting. Disse vil gi ideelt nøyaktige forutsigelser av langtids-bruker-verdi, og muliggjøre smartere, mer strategiske kampanje-håndtering.

Disse fremgangene vil sannsynligvis føre til mer effektive, effektive og bruker-vennlige mobile reklame-erfaringer.

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