Aman Sareen, VD för Aarki – Intervjuserie

Aman Sareen är VD för Aarki, ett AI-företag som erbjuder annonslösningar som driver intäktsökning för mobilapp-utvecklare. Aarki möjliggör för varumärken att engagera sig effektivt med sin publik i en värld som prioriterar integritet genom att använda miljarder kontextuella budsignaleringssignaler i kombination med proprietär maskinlärande och beteendemodeller. Genom att arbeta med hundratals annonsörer globalt och hantera över 5M mobilannonsförfrågningar per sekund från över 10B enheter, är Aarki ett privatägt företag med huvudkontor i San Francisco, CA och kontor i USA, EMEA och APAC.

Kan du berätta lite om din resa från att ha medgrundat ZypMedia till att leda Aarki? Vilka viktiga erfarenheter har format din syn på AI och AdTech?

Min adtech-ledarskapsresa började med att jag medgrundade ZypMedia 2013, där vi utvecklade en banbrytande efterfrågeplattform specialiserad på lokal annonsering. Detta var inte bara en annan DSP; vi byggde den från grunden för att hantera högvolym, lågkostnads-kampanjer med en aldrig tidigare skådad effektivitet. Tänk på det som en föregångare till den hyperlokala, AI-drivna målgruppsanpassningen vi ser idag.

Som VD styrde jag ZypMedia till 20 miljoner dollar i SaaS-intäkter och bearbetade 200 miljoner dollar i medietransaktioner årligen. Denna erfarenhet var en utmaning som var skräddarsydd för att förstå den enorma mängd data som moderna annonsplattformar måste hantera – en utmaning som är skräddarsydd för AI-lösningar.

Min tid på LG Ad Solutions, efter att ZypMedias förvärv av Sinclair, var ett djupdykning i världen av enhetstillverkare och hur kontrollen av tittarsdata kan forma framtiden för Connected TV (CTV)-annonsering. Vi använde mycket AI/maskinlärande i byggandet av LG Ads-verksamheten, där data som samlades in från enheter användes för att generera målgruppssegment, inventeringsblock och planeringsprogram.

Som VD för Aarki sedan 2023 står jag i spetsen för den mobila annonsrevolutionen. Jag kan säga att min resa har gett mig en djup förståelse för den transformerande kraften av AI i adtech. Utvecklingen från grundläggande programmatisk annonsering till AI-drivna prediktiva modeller och dynamisk kreativ optimering har varit ingenting annat än anmärkningsvärd.

Jag har kommit att se AI inte bara som ett verktyg utan som ryggraden i nästa generations adtech. Det är nyckeln till att lösa branschens mest pressande utmaningar; från integritetskompatibel målgruppsanpassning i en värld utan enhets-ID till att skapa äkta och personliga annonsupplevelser i stor skala. Jag är övertygad om att AI inte bara kommer att lösa de smärtor annonsörerna möter utan också revolutionera hur operationer körs på plattformar som Aarki. Lektionerna från min resa – vikten av skalbarhet, datastyrd beslutsfattning och kontinuerlig innovation – är mer relevanta än någonsin i denna AI-första era.

Kan du förklara hur Aarkis multi-nivåmaskinlärningsinfrastruktur fungerar? Vilka specifika fördelar erbjuder den jämfört med traditionella adtech-lösningar?

Mina erfarenheter har lärt mig att framtiden för adtech ligger i harmonin mellan stora data, maskinlärande och mänsklig kreativitet. På Aarki utforskar vi hur AI kan förbättra varje aspekt av den mobila annons-ekosystemet; från budoptimering och bedrägeridetektering till kreativ prestandaprediktion och användaranskaffningsstrategier.

På detta stadium är Aarkis multi-nivåmaskinlärningsinfrastruktur utformad för att hantera flera kritiska aspekter av mobil annonsering, från bedrägeriförebyggande till användarvärdesprediktion. Här är hur det fungerar och varför det är fördelaktigt:

• Bedrägeridetektering och inventeringskvalitetskontroll: Det är utformat för att skydda våra kunders prestationer och budgetar. Vår flernivåtillvägagångssätt kombinerar proprietära algoritmer med tredjepartsdata för att ligga före utvecklingen av bedrägeritaktik. Vi säkerställer att kampanjbudgetar investeras i äkta, högkvalitativ inventering genom att ständigt utvärdera användarbetenden och upprätthålla en uppdaterad bedrägeridatabas.
• Djup neurala nätverksmodeller (DNN): Vår kärninfrastruktur använder flerstegs-DNN-modeller för att förutsäga värdet av varje intryck eller användare. Denna granulära tillvägagångssätt tillåter varje modell att lära sig funktioner som är mest kritiska för specifika konverteringshändelser, vilket möjliggör mer exakt målgruppsanpassning och budstrategier jämfört med en-storlek-passar-alla-modeller.
• Multi-objektbuds-optimerare (MOBO): Till skillnad från den enkla budskuggningen som används av de flesta DSP:er, överväger vår MOBO flera faktorer utöver pris. Den använder dynamiska variabler som kampanj- och inventeringsattribut, förutsagt användarvärde och CPM-segmentering för att optimera bud. Denna sofistikerade metod maximerar ROI samtidigt som den balanserar flera mål, hittar optimala bud som vinner, uppfyller KPI-mål och pacificerar korrekt för att utnyttja kampanjbudgetar fullt ut.

Dessa komponenter erbjuder betydande fördelar jämfört med traditionella AdTech-lösningar:

• Överlägsen bedrägeridetektering
• Mer exakta förutsägelser och bättre ROI genom flerstegs-DNN
• Granulär kreativ hypermålgruppsanpassning med multi-objektbudsprissättning
• Skalbarhet för att hantera enorma mängder data
• Integritetsförsta målgruppsanpassning med kontextuella kohorter

Vår AI-drivna tillvägagångssätt möjliggör oöverträffad noggrannhet, effektivitet och anpassningsförmåga i mobilannonskampanjer. Genom att utnyttja djupinlärning och avancerad optimeringsteknik levererar Aarki överlägsen prestanda samtidigt som den upprätthåller ett starkt fokus på integritet och bedrägeriförebyggande.

Hur fungerar den dynamiska multi-objektbuds-optimeraren, och vad är dess påverkan på att maximera ROI för dina kunder?

Den dynamiska multi-objektbuds-optimeraren är ett sofistikerat system som går utöver traditionella budskuggningsalgoritmer. Till skillnad från enkla budskuggningsalgoritmer som fokuserar enbart på prissättning strax under den förutsagda vinnande budet, överväger vår optimerare flera mål samtidigt. Detta inkluderar inte bara pris utan också kampanjprestandamått, inventeringskvalitet och budgetanvändning.

Optimeraren tar hänsyn till en rad dynamiska variabler, inklusive kampanj- och inventeringsattribut, förutsagt användarvärde och CPM-segmentering. Dessa variabler vägleder optimeringsprocessen runt klient-specifika KPI:er, främst ROI. Detta tillåter oss att anpassa vår budstrategi till varje klients unika mål.

En av de viktigaste styrkorna hos vår optimerare är dess förmåga att balansera mellan att effektivt förvärva högvärdesanvändare och utforska nya, outnyttjade användarsegment och inventering. Denna utforskning hjälper oss att upptäcka värdefulla möjligheter som mer rigida system kan missa.

I praktiken innebär detta att våra kunder kan förvänta sig en mer effektiv användning av sin annonsutgift, högkvalitativ användaranskaffning och, slutligen, bättre ROI på sina kampanjer. Till exempel kan det vara meningsfullt att betala 50% mer för att bjuda på en användare som är 5 gånger mer värdefull (ROAS). Optimerarens förmåga att balansera flera mål och anpassa sig i realtid tillåter oss att navigera i den komplexa mobilannonslandskapet mer effektivt än traditionella, enkla mål-budsystem.

Aarki betonar en integritetsförsta strategi i sin verksamhet. Hur säkerställer din plattform användarintegritet samtidigt som den levererar effektiv annonsmålgruppsanpassning?

Jag är stolt över att säga att integritetsförsta engagemang är en av de grundläggande pelarna i vår plattform, tillsammans med vår AI-plattform. Vi har omfamnat utmaningarna i en värld utan enhets-ID och utvecklat innovativa lösningar för att säkerställa användarintegritet samtidigt som vi levererar effektiv annonsmålgruppsanpassning. Här är hur vi åstadkommer detta:

• ID-lös målgruppsanpassning: Vi har fullständigt anpassat oss till landskapet efter IDFA och är SKAN 4-kompatibla och redo för framtiden i ett integritetsfokuserat landskap.
• Kontextuella signaler: Vi utnyttjar en stor mängd kontextuella datapunkter, såsom enhetstyp, operativsystem, app, genre, tid på dygnet och region. Dessa signaler tillhandahåller värdefull målgruppsanpassningsinformation utan att kräva personlig data.
• Massiv kontextuell datahantering: Vi bearbetar över 5 miljoner annonsförfrågningar per sekund från över 10 miljarder enheter globalt. Varje förfrågan har en rikedom av kontextuella signaler, vilket ger oss en rik, integritetskompatibel dataset.
• Avancerad maskinlärande: Vår 800 miljarder raders träningsmodell-databas korrelerar dessa kontextuella signaler med historiska resultatdata. Detta tillåter oss att härleda insikter och mönster utan att kompromissa med enskild användarintegritet.
• Dynamiska beteendekohorter: Med hjälp av maskinlärande skapar vi högt detaljerade, dynamiska beteendekohorter baserade på aggregerad kontextuell data. Dessa kohorter möjliggör effektiv optimering och skalbarhet utan att förlita sig på personliga identifierare.
• ML-drivet kreativt mål: För varje kohort använder vi maskinlärande i samarbete med vårt kreativa team för att utveckla optimala kreativa strategier. Denna tillvägagångssätt säkerställer relevans och effektivitet utan att kränka individuell integritet.
• Kontinuerligt lärande och anpassning: Våra AI-modeller lär sig kontinuerligt och anpassar sig baserat på kampanjprestanda och föränderlig kontextuell data, vilket säkerställer att vår målgruppsanpassning förblir effektiv allteftersom integritetsregler och användarförväntningar utvecklas.
• Transparens och kontroll: Vi tillhandahåller tydlig information om våra datapraxis och erbjuder användare kontroll över sina annonsupplevelser när det är möjligt, i linje med integritetsbästa praxis.

Genom att utnyttja dessa integritetsförsta strategier levererar Aarki effektiv annonsmålgruppsanpassning samtidigt som vi respekterar användarintegritet. Vi har förvandlat utmaningarna i den integritetsförsta eran till möjligheter för innovation, vilket resulterar i en plattform som är både integritetskompatibel och högt effektiv för våra kunders användaranskaffnings- och återengagemangskampanjer. Allteftersom det digitala annonslandskapet utvecklas förblir Aarki engagerat i att leda vägen inom integritetsförsta, AI-drivna mobilannonslösningar.

Kan du förklara konceptet ML-drivet kreativt mål och hur det integreras med din kreativa strategi?

ML-drivet kreativt mål är vår metodik för att optimera annonskreativitet baserat på de beteendekohorter vi identifierar genom våra maskinlärande-modeller. Denna process omfattar flera steg:

• Kohortanalys: Våra maskinlärande-modeller analyserar stora mängder kontextuell data för att skapa detaljerade beteendekohorter.
• Kreativa insikter: För varje kohort använder vi maskinlärande för att identifiera de kreativa element som sannolikt kommer att fungera mest effektivt. Detta kan omfatta färgscheman, annonsformat, budskap, visuella teman eller andra kreativa aspekter.
• Samarbete: Vårt datavetenskapsteam samarbetar med vårt kreativa team, delar dessa maskinlärande-insikter.
• Kreativ utveckling: Baserat på dessa insikter utvecklar vårt kreativa team anpassade annonskreativiteter för varje kohort. Detta kan omfatta anpassning av bilder, text, åtgärdsknappar eller annonsstruktur.
• Dynamisk sammanställning: Vi använder dynamisk kreativ optimering för att sammanställa annonskreativitet i realtid, matchar de mest effektiva elementen till varje kohort.
• Kontinuerlig optimering: Allteftersom vi samlar in prestandadata, lär sig våra maskinlärande-modeller kontinuerligt och förbättrar sin förståelse för vad som fungerar för varje kohort, skapar en återkopplingsloop för kontinuerlig kreativ förbättring.
• Skalbarhet och effektivitet: Denna tillvägagångssätt möjliggör att skapa högt anpassade kreativiteter i stor skala utan behov av manuell segmentering eller gissningar.

Resultatet är en synergistisk effekt mellan datavetenskap och kreativitet. En av våra kärnpelare, den enhetliga kreativa ramen, säkerställer att våra maskinlärande-modeller tillhandahåller data-drivna insikter om vad som fungerar för olika målgrupper, samtidigt som vårt kreativa team förverkligar dessa insikter i övertygande annonsdesign. Denna tillvägagångssätt möjliggör att leverera mer relevanta, engagerande annonser till varje kohort, samtidigt som kampanjprestanda och användarupplevelse förbättras.

Vilken roll spelar ditt kreativa team i utvecklingen av annonskampanjer, och hur samarbetar de med AI-modellerna för att optimera annonsprestanda?

Vårt kreativa team spelar en integrerad roll i utvecklingen av effektiva annonskampanjer på Aarki. De arbetar i nära samarbete med våra AI-modeller för att optimera annonsprestanda. Det kreativa teamet tolkar insikter från våra maskinlärande-modeller om vad som fungerar för olika beteendekohorter. De skapar sedan anpassade annonskreativiteter, anpassar element som bilder, budskap och format för att matcha dessa insikter.

Så fort kampanjer körs, analyserar teamet prestandadata tillsammans med AI, kontinuerligt förfinar sin tillvägagångssätt. Denna iterativa process möjliggör snabb optimering av kreativa element.

Synergien mellan mänsklig kreativitet och AI-drivna insikter möjliggör att producera högt anpassade, engagerande annonser i stor skala, drivande överlägsen prestanda för våra kunders kampanjer.

Hur fungerar Aarkis AI-infrastruktur för att upptäcka och förhindra annonsbedrägeri? Kan du ge några exempel på de typer av bedrägeri som ditt system identifierar?

Som jag nämnde tidigare, använder Aarki en flernivåtillvägagångssätt för att bekämpa annonsbedrägeri. Vi närmar oss bedrägeriförebyggande som en för-bud-filter med efter-bud-analyser av de data som kommer genom våra system. Medan jag redan har beskrivit vår allmänna strategi, kan jag ge några specifika exempel på de typer av bedrägeri som vårt system identifierar:

• Klicköversvämning: Upptäcka onormalt höga klickfrekvenser från specifika källor.
• Installationsfabriker: Identifiera mönster av flera installationer från samma IP-adress eller enhet.
• Onormal klick-till-installationstid (CTIT): Upptäcka onormala klick-till-installationstider som signal för botaktivitet.
• Låga retentionsnivåer: Identifiera användare från utgivare som upprepat visar låga retentionsnivåer efter installation.

Vår AI utvecklas kontinuerligt för att känna igen nya bedrägeritaktiker, skyddande våra kunders budgetar.

Hur skiljer sig Aarkis tillvägagångssätt för användaranskaffning och återengagemang från andra plattformar i branschen?

Aarkis tillvägagångssätt för användaranskaffning och återengagemang skiljer sig på flera viktiga sätt:

• Integritetsförsta strategi: Vi har fullständigt anpassat oss till en värld utan enhets-ID och är SKAN 4-kompatibla, redo för framtiden i ett integritetsfokuserat landskap.
• Avancerad AI och maskinlärande: Vår flernivåmaskinlärningsinfrastruktur bearbetar enorma mängder kontextuell data, skapar sofistikerade beteendekohorter utan att förlita sig på personliga identifierare.
• ML-drivet kreativt mål: Vi kombinerar unikt AI-insikter med mänsklig kreativitet för att utveckla högt anpassade annonskreativiteter för varje kohort.
• Dynamisk multi-objektbuds-optimerare: Vårt budsysten överväger flera mål samtidigt, balanserar effektivitet med utforskning för att maximera ROI.
• Kontextuell intelligens: Vi utnyttjar trillions kontextuella signaler för att informera vår målgruppsanpassning, går utöver grundläggande demografisk eller geografisk segmentering.
• Kontinuerlig optimering: Våra AI-modeller lär sig kontinuerligt och anpassar sig, säkerställer att våra strategier utvecklas med förändrade användarbeteenden och marknadsförhållanden.
• Enhetlig tillvägagångssätt: Vi erbjuder en sömlös integration av användaranskaffning och återengagemangstrategier, tillhandahåller en holistisk vy av användarresan.
• Skalbarhet: Vår infrastruktur kan hantera enorma datamängder (5M+ annonsförfrågningar per sekund från 10B+ enheter), möjliggör högt detaljerad målgruppsanpassning i stor skala.
• Avancerade bedrägeriförebyggande mekanismer: Våra in-house för-bud-filtar, efter-bud-analyser av enorma datamängder, kombinerat med tredjepartsdata, placerar oss i framkant för att skydda våra kunders pengar från bedräglig trafik.

Denna kombination av integritetsförsta metoder, avancerad AI, kreativ optimering, bedrägeriförebyggande och skalbar infrastruktur möjliggör att leverera mer effektiva, effektiva och anpassningsbara kampanjer.

Mina erfarenheter har lärt mig att framtiden för adtech ligger i harmonin mellan stora data, maskinlärande och mänsklig kreativitet. Jag är stolt över det faktum att, förutom vår teknik, vi också har ett utmärkt team av analytiker, datavetare och kreativa proffs som lägger till mänsklig kreativitet i vår teknik.

Kan du dela några framgångshistorier där Aarkis plattform betydligt förbättrade kundens ROI och kampanjeffektivitet?

AppsFlyer Performance Index erkänner Aarki som en ledare inom retargeting, rankar oss #1 för spel i Nordamerika och #3 globalt. Vi är också rankade som en topprestation över alla Singulars annons-ROI-index. Detta fallstudie är också ett bevis på vår globala ledarskap. Inte bara för spel, men vi har nyliga fallstudier som visar vår förmåga att driva resultat över olika app-kategorier.

Jag är stolt över att lyfta fram vår partnerskap med DHgate, en ledande e-handelsplattform. Våra retargeting-kampanjer för både Android och iOS levererade exceptionella resultat, visar Aarkis förmåga att driva prestanda i stor skala.

Genom att utnyttja vår djupinlärningsteknologi, sammansatte vi exakt användarsegment för att maximera retargeting-effektivitet. Detta resulterade i en 33% tillväxt i högintenta användarklick och en 33% ökning av konverteringar.

Mest anmärkningsvärt, medan DHgates utgift med Aarki ökade med 52%, överträffade vi konsekvent deras 450% D30 ROAS-mål med 1,7 gånger, uppnådde en utmärkt 784% ROAS. Detta fall visar vår engagemang för att leverera överlägsna resultat för våra kunder. Läs mer om det här.

För en mat- och leveransapp implementerade vi en retargeting-kampanj för att återaktivera användare och förvärva nya kunder effektivt.

Detta resulterade i en 75% minskning av kostnad per förvärv (CPA) och 12,3 miljoner användaråteraktiveringar. Nyckeln till framgång var att använda vår djupinlärningsmodell för att målgruppsanpassa rätt målgrupper med anpassade budskap, hålla kampanjen färsk och engagerande. Läs det här.

Dessa fallstudier visar vår förmåga att driva betydande förbättringar i nyckelmätvärden över olika app-kategorier och kampanjtyper. Vår integritetsförsta strategi, avancerad AI-kapacitet och strategisk användning av kontextuell data möjliggör att leverera utmärkta resultat för våra kunder, antingen i användaranskaffning eller återengagemang.

Vilka framtida framsteg inom AI och maskinlärande förutser du som avgörande för den mobila annonsbranschen?

Blickande framåt, förutser jag flera avgörande framsteg inom AI och maskinlärande för mobil annonsering:

• Förbättrade integritetsbevarande tekniker: Den enorma skalan av data vi bearbetar kommer att leda till enastående lärandeförmåga. Djupinlärningsnätverk (DNN) kommer att utnyttja detta för att skapa överlägsna integritetsförsta engagemangsstrategier. Faktum är att konceptet “målgruppsanpassning” kommer att utvecklas så dramatiskt att vi kommer att behöva ny terminologi för att beskriva dessa AI-drivna, prediktiva tillvägagångssätt.
• Generativ AI för realtidskreativ optimering: Vi kommer att se AI som inte bara kan optimera utan också skapa och dynamiskt modifiera annonskreativitet i realtid. Detta kommer att revolutionera hur vi närmar oss annonsdesign och personalisering.
• Holistiska prediktiva modeller: Genom att kombinera våra djupinlärningsnätverk för produktsinsikter med vår Multi-objektbuds-optimerare (MOBO) för prissättning, kommer vi att utveckla högt effektiva och effektiva modeller för både användaranskaffning och retargeting. Dessa kommer att ge otroligt exakta förutsägelser av långsiktigt användarvärde, möjliggörande smartare, mer strategisk kampanjhantering.

Dessa framsteg kommer sannolikt att leda till mer effektiva, effektiva och användarvänliga mobilannonsupplevelser.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Aarki.