อามัน ซารีน ซีอีโอของ Aarki – สัมภาษณ์ ซีรีส์

อามัน ซารีน เป็นซีอีโอของ Aarki ซึ่งเป็นบริษัท AI ที่ให้บริการโซลูชันโฆษณาที่ช่วยให้นักพัฒนาแอปมือถือเติบโตได้ Aarki ช่วยให้แบรนด์ต่างๆ สามารถมีส่วนร่วมกับผู้ชมได้อย่างมีประสิทธิภาพในโลกที่ให้ความสำคัญกับความเป็นส่วนตัวโดยใช้สัญญาณการประมูลตามบริบทหลายพันล้านครั้ง kết hợpกับโมเดลการเรียนรู้ของเครื่องและพฤติกรรมที่เป็นกรรมสิทธิ์ โดยทำงานร่วมกับโฆษณาหลายร้อยรายทั่วโลกและจัดการคำขอโฆษณามือถือมากกว่า 5M ครั้งต่อวินาทีจากอุปกรณ์มากกว่า 10B เครื่อง Aarki เป็นบริษัทเอกชนและมีสำนักงานใหญ่อยู่ที่ ซานฟรานซิสโก รัฐแคลิฟอร์เนีย โดยมีสำนักงานอยู่ทั่วสหรัฐฯ ยุโรป ตะวันออกกลาง และเอเชีย-แปซิฟิก

คุณสามารถแบ่งปันเรื่องราวของคุณตั้งแต่เริ่มก่อตั้ง ZypMedia จนมาเป็น CEO ของ Aarki ได้หรือไม่ คุณมีประสบการณ์สำคัญ nàoที่ช่วยให้คุณเข้าใจ AI และ AdTech ได้ดีขึ้น?

การเดินทางของฉันในด้านการตลาดดิจิทัลเริ่มต้นเมื่อฉันก่อตั้ง ZypMedia ในปี 2013 โดยเราพัฒนาแพลตฟอร์มการตลาดด้านความต้องการที่มีประสิทธิภาพสูงสำหรับการโฆษณาท้องถิ่น นี่ไม่ใช่แค่แพลตฟอร์มการตลาดด้านความต้องการทั่วไป แต่เราสร้างมันขึ้นมาจากศูนย์เพื่อรับมือกับแคมเปญที่มีปริมาณมากและราคาถูก โดยสามารถจัดการข้อมูลขนาดใหญ่ได้อย่างไม่เคยเห็นมาก่อน ซึ่งเป็นความท้าทายที่เหมาะสมสำหรับโซลูชัน AI

ในฐานะซีอีโอ ฉันนำ ZypMedia ไปสู่รายได้จาก SaaS 20 ล้านดอลลาร์และประมวลผลธุรกรรมสื่อมากกว่า 200 ล้านดอลลาร์ต่อปี ประสบการณ์นี้เป็นกระบวนการเรียนรู้ที่สำคัญสำหรับการเข้าใจขนาดของข้อมูลที่แพลตฟอร์มโฆษณาแบบดิจิทัลสมัยใหม่ต้องจัดการ ซึ่งเป็นความท้าทายที่เหมาะสมสำหรับโซลูชัน AI

ช่วงเวลาที่ฉันทำงานที่ LG Ad Solutions หลังจากที่ ZypMedia ถูกซื้อโดย Sinclair เป็นการดำดิ่งลึกเข้าไปในโลกของการผลิตอุปกรณ์และวิธีการควบคุมข้อมูลผู้ชมที่สามารถกำหนดอนาคตของการโฆษณา Connected TV (CTV) ได้ เราใช้ AI และการเรียนรู้ของเครื่องมากในการสร้างธุรกิจ LG Ads โดยใช้ข้อมูลที่รวบรวมจากอุปกรณ์ในการสร้างกลุ่มเป้าหมาย การจัดสรรinventory และซอฟต์แวร์สำหรับการวางแผน

ในฐานะซีอีโอของ Aarki ตั้งแต่ปี 2023 ฉันอยู่ที่แนวหน้าของการปฏิวัติโฆษณามือถือ ฉันสามารถพูดได้ว่าการเดินทางของฉันทำให้ฉันมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับพลังการเปลี่ยนแปลงของ AI ใน AdTech การพัฒนาจากการประมูลแบบโปรแกรมเมติกไปสู่การสร้างแบบจำลองการคาดการณ์และการเพิ่มประสิทธิภาพสื่อแบบไดนามิกเป็นเรื่องที่น่าประทับใจ

ฉันเริ่มเห็น AI ไม่ใช่แค่เครื่องมือ แต่เป็นโครงร่างของ AdTech รุ่นต่อไป มันเป็นกุญแจสำคัญในการแก้ปัญหาที่ท้าทายที่สุดของอุตสาหกรรม ตั้งแต่การกำหนดเป้าหมายที่สอดคล้องกับความเป็นส่วนตัวในโลกหลังการระบุอุปกรณ์ไปจนถึงการสร้างประสบการณ์โฆษณาที่แท้จริงและเป็นส่วนตัวในระดับใหญ่ ฉันเชื่อมั่นว่า AI จะไม่เพียงแก้ปัญหา แต่ยังปฏิวัติวิธีการดำเนินงานบนแพลตฟอร์มอย่าง Aarki สิ่งที่ฉันเรียนรู้จากประสบการณ์ของฉัน เช่น ความสำคัญของการปรับขนาด การตัดสินใจโดยใช้ข้อมูล และนวัตกรรมอย่างต่อเนื่อง มีความเกี่ยวข้องมากกว่าที่เคยในยุค AI นี้

คุณสามารถอธิบายได้หรือไม่ว่าโครงสร้างการเรียนรู้ของเครื่องหลายระดับของ Aarki ทำงานอย่างไร และมีประโยชน์อย่างไรเมื่อเทียบกับโซลูชัน AdTech แบบดั้งเดิม?

ประสบการณ์ของฉันสอนฉันว่าอนาคตของ AdTech คือการสร้างสมดุลระหว่างข้อมูลขนาดใหญ่ การเรียนรู้ของเครื่อง และความคิดสร้างสรรค์ของมนุษย์ ที่ Aarki เราสำรวจวิธีการที่ AI สามารถเพิ่มประสิทธิภาพทุกด้านของระบบนิเวศการโฆษณามือถือ ตั้งแต่การเพิ่มประสิทธิภาพการประมูลและการตรวจจับฉ้อโกงไปจนถึงการคาดการณ์ประสิทธิภาพสื่อและการวางกลยุทธ์การได้มาของผู้ใช้

ในขณะนี้ โครงสร้างการเรียนรู้ของเครื่องหลายระดับของ Aarki ได้รับการออกแบบมาเพื่อจัดการกับหลายด้านที่สำคัญของการโฆษณามือถือ ตั้งแต่การป้องกันการฉ้อโกงไปจนถึงการคาดการณ์คุณค่าของผู้ใช้ นี่คือวิธีการทำงานและเหตุผลที่มันเหนือกว่าโซลูชัน AdTech แบบดั้งเดิม:

• การตรวจจับและควบคุมคุณภาพinventory: มันถูกออกแบบมาเพื่อปกป้องประสิทธิภาพและงบประมาณของลูกค้าเรา โครงสร้างหลายชั้นของเรารวมอัลกอริทึมที่เป็นกรรมสิทธิ์กับข้อมูลของบุคคลที่สามเพื่ออยู่เหนือกลยุทธ์การฉ้อโกงที่พัฒนาไป เราแน่ใจว่างบประมาณแคมเปญถูกลงทุนในinventory ที่มีคุณภาพสูงโดยการประเมินพฤติกรรมของผู้ใช้และบำรุงรักษาฐานข้อมูลการฉ้อโกงที่อัปเดตอยู่เสมอ
• แบบจำลอง DNN: โครงสร้างหลักของเรานำแบบจำลอง DNN ระดับหลายขั้นมาใช้เพื่อคาดการณ์คุณค่าของแต่ละอิมเพรสชันหรือผู้ใช้ การเข้าใกล้ที่ละเอียดอ่อนนี้ทำให้แต่ละแบบจำลองสามารถเรียนรู้คุณลักษณะที่สำคัญที่สุดสำหรับเหตุการณ์การแปลงที่เฉพาะเจาะจงได้ ทำให้สามารถมีการกำหนดเป้าหมายและกลยุทธ์การประมูลที่แม่นยำยิ่งขึ้นเมื่อเทียบกับแบบจำลองที่ใช้สำหรับทุกคน
• Multi-objective Bid Optimizer (MOBO): ไม่เหมือนกับการบิดเบือนการประมูลที่ใช้โดย DSP ส่วนใหญ่ MOBO ของเราพิจารณาปัจจัยหลายอย่างนอกเหนือจาก价格 มันใช้ตัวแปรแบบไดนามิก เช่น คุณลักษณะแคมเปญและinventory คุณค่าผู้ใช้ที่คาดการณ์ไว้ และการแบ่งส่วน CPM เพื่อเพิ่มประสิทธิภาพการประมูล วิธีการที่ซับซ้อนนี้จะเพิ่มประสิทธิภาพ ROI ในขณะเดียวกันก็สร้างสมดุลระหว่างวัตถุประสงค์หลายอย่าง เพื่อค้นหาการประมูลที่เหมาะสมที่สุดซึ่งจะชนะ เป้าหมาย KPI และจัดสรรงบประมาณแคมเปญอย่างเต็มที่

ส่วนประกอบเหล่านี้ให้ประโยชน์ที่สำคัญเหนือโซลูชัน AdTech แบบดั้งเดิม:

• การตรวจจับฉ้อโกงที่เหนือกว่า
• การคาดการณ์ที่แม่นยำยิ่งขึ้นและ ROI ที่ดีขึ้นผ่าน DNN ระดับหลายขั้น
• การกำหนดเป้าหมายสื่อแบบไดนามิกและไฮเปอร์เทอร์เก็ตติงด้วยการประมูลแบบหลายวัตถุประสงค์
• การปรับขนาดเพื่อรับมือกับข้อมูลขนาดใหญ่
• การกำหนดเป้าหมายแบบแรกส่วนตัวด้วยกลุ่มบริบท

แนวทางที่ขับเคลื่อนด้วย AI ของเราช่วยให้สามารถมีการโฆษณามือถือที่แม่นยำ มีประสิทธิภาพ และปรับเปลี่ยนได้โดยไม่สิ้นเปลือง โดยการใช้การเรียนรู้ลึกและเทคนิคการเพิ่มประสิทธิภาพขั้นสูง Aarki ส่งมอบประสิทธิภาพที่เหนือกว่าในขณะเดียวกันก็รักษามุ่งเน้นไปที่ความเป็นส่วนตัวและการป้องกันการฉ้อโกง

คุณสามารถอธิบายได้หรือไม่ว่า Dynamic Multi-object Bid Optimizer ทำงานอย่างไร และมีผลกระทบอย่างไรต่อการเพิ่มประสิทธิภาพ ROI ให้กับลูกค้าของคุณ?

Dynamic Multi-object Bid Optimizer เป็นระบบที่ซับซ้อนซึ่งไปไกลกว่าอัลกอริทึมการบิดเบือนการประมูลแบบดั้งเดิม ไม่เหมือนกับการบิดเบือนการประมูลแบบง่ายที่มุ่งเน้นไปที่การประมูลที่ชนะเพียงอย่างเดียว ระบบการเพิ่มประสิทธิภาพของเราพิจารณาวัตถุประสงค์หลายอย่างพร้อมกัน รวมถึงไม่เพียงแต่ราคาลองเท่านั้น แต่ยังรวมถึงเมตริกการแสดงผลแคมเปญ อินเวนทอรี่คุณภาพ และการใช้งบประมาณ

ระบบการเพิ่มประสิทธิภาพของเราพิจารณาตัวแปรแบบไดนามิกหลายอย่าง รวมถึงคุณลักษณะแคมเปญและอินเวนทอรี่ คุณค่าผู้ใช้ที่คาดการณ์ไว้ และการแบ่งส่วน CPM ตัวแปรเหล่านี้ช่วยให้กระบวนการเพิ่มประสิทธิภาพมุ่งเน้นไปที่ KPI ของลูกค้าเป็นหลัก

จุดแข็งหลักของระบบการเพิ่มประสิทธิภาพของเราคือความสามารถในการสร้างสมดุลระหว่างการได้มาของผู้ใช้ที่มีคุณค่าสูงอย่างมีประสิทธิภาพและการสำรวจกลุ่มผู้ใช้และอินเวนทอรี่ใหม่ที่ยังไม่ได้ถูกสำรวจ ซึ่งช่วยให้เราค้นพบโอกาสที่มีคุณค่าที่ระบบอื่นๆ อาจพลาดไป

ในทางปฏิบัติ นี่หมายความว่าลูกค้าของเราสามารถคาดหวังได้ว่าจะมีการใช้เงินโฆษณาที่มีประสิทธิภาพมากขึ้น การได้มาของผู้ใช้ที่มีคุณภาพสูง และในที่สุดก็ ROI ที่ดีกว่าสำหรับแคมเปญของพวกเขา ตัวอย่างเช่น อาจมีเหตุผลที่จะจ่ายมากกว่า 50% เพื่อประมูลผู้ใช้ที่มีคุณค่า 5 เท่า (ROAS) ความสามารถของระบบการเพิ่มประสิทธิภาพในการสร้างสมดุลระหว่างวัตถุประสงค์หลายอย่างและปรับเปลี่ยนในเวลาจริงช่วยให้เรานำทางภูมิทัศน์การโฆษณามือถือที่ซับซ้อนได้ดีกว่าระบบการประมูลแบบเดียว

Aarki เน้นย้ำถึงแนวทางที่ให้ความสำคัญกับความเป็นส่วนตัวในการดำเนินงาน คุณสามารถอธิบายได้หรือไม่ว่าแพลตฟอร์มของคุณรักษาความเป็นส่วนตัวของผู้ใช้ได้อย่างไรในขณะเดียวกันก็ส่งมอบการกำหนดเป้าหมายโฆษณาที่มีประสิทธิภาพ?

ฉันภูมิใจที่จะกล่าวว่าการมีส่วนร่วมที่ให้ความสำคัญกับความเป็นส่วนตัวเป็นหนึ่งในเสาหลักหลักของแพลตฟอร์มของเรา ร่วมกับแพลตฟอร์ม AI ของเรา เราได้สร้างแนวทางใหม่ๆ เพื่อให้แน่ใจว่าความเป็นส่วนตัวของผู้ใช้ได้รับการเคารพในขณะเดียวกันก็ส่งมอบการกำหนดเป้าหมายโฆษณาที่มีประสิทธิภาพ นี่คือวิธีการที่เราทำ:

• การกำหนดเป้าหมายโดยไม่ต้องใช้ ID: เราได้ปรับตัวให้เข้ากับภูมิทัศน์หลัง IDFA อย่างเต็มที่และเป็นไปตาม SKAN 4 เราไม่พึ่งพา ID อุปกรณ์แต่ละตัว ทำให้เราให้ความสำคัญกับความเป็นส่วนตัวของผู้ใช้ตั้งแต่เริ่มต้น
• สัญญาณบริบท: เราใช้ข้อมูลบริบทหลากหลาย เช่น ประเภทอุปกรณ์ ระบบปฏิบัติการ แอป ประเภท เวลา และภูมิภาค สัญญาณเหล่านี้ให้ข้อมูลที่มีคุณค่าสำหรับการกำหนดเป้าหมายโดยไม่ต้องใช้ข้อมูลส่วนบุคคล
• การประมวลผลข้อมูลบริบทขนาดใหญ่: เราประมวลผลคำขอโฆษณามากกว่า 5 ล้านครั้งต่อวินาทีจากอุปกรณ์มากกว่า 10 พันล้านเครื่อง แต่ละคำขอมีข้อมูลบริบทที่มีคุณค่า ทำให้เรามีฐานข้อมูลที่มีคุณค่าและให้ความสำคัญกับความเป็นส่วนตัว
• การเรียนรู้ของเครื่องขั้นสูง: ฐานข้อมูลการฝึกอบรม 800 พันล้านแถวของเราสัมพันธ์กับสัญญาณบริบทเหล่านี้กับข้อมูลผลลัพธ์ทางประวัติศาสตร์ ทำให้เราสามารถสร้างข้อมูลเชิงลึกและรูปแบบโดยไม่กระทบต่อความเป็นส่วนตัวของผู้ใช้แต่ละคน
• กลุ่มพฤติกรรมแบบไดนามิก: โดยใช้การเรียนรู้ของเครื่อง เราสร้างกลุ่มพฤติกรรมที่มีรายละเอียดและไดนามิกตามข้อมูลบริบทที่รวบรวมไว้ กลุ่มเหล่านี้ช่วยให้เราเพิ่มประสิทธิภาพและปรับขนาดได้โดยไม่ต้องใช้ตัวระบุเฉพาะบุคคล
• ML-driven Creative Targeting: สำหรับแต่ละกลุ่ม เราใช้การเรียนรู้ของเครื่องร่วมกับทีมสร้างสรรค์ของเราเพื่อสร้างกลยุทธ์สื่อที่เหมาะสมที่สุด วิธีการนี้รับประกันความเกี่ยวข้องและประสิทธิภาพโดยไม่กระทบต่อความเป็นส่วนตัวของแต่ละบุคคล
• การเรียนรู้และปรับเปลี่ยนอย่างต่อเนื่อง: โมเดล AI ของเรายังคงเรียนรู้และปรับเปลี่ยนตามประสิทธิภาพแคมเปญและข้อมูลบริบทที่เปลี่ยนแปลงไป เพื่อให้แน่ใจว่าการกำหนดเป้าหมายของเรามีประสิทธิภาพเมื่อความต้องการของผู้ใช้และข้อกำหนดด้านความเป็นส่วนตัวเปลี่ยนแปลง
• ความโปร่งใสและควบคุม: เราให้ข้อมูลที่ชัดเจนเกี่ยวกับแนวปฏิบัติด้านข้อมูลและให้ผู้ใช้ควบคุมประสบการณ์โฆษณาของตนเองเมื่อใดก็ตามที่เป็นไปได้ เพื่อให้สอดคล้องกับแนวปฏิบัติด้านความเป็นส่วนตัวที่ดีที่สุด

โดยการใช้กลยุทธ์ที่ให้ความสำคัญกับความเป็นส่วนตัวเหล่านี้ Aarki สามารถส่งมอบการกำหนดเป้าหมายโฆษณาที่มีประสิทธิภาพในขณะเดียวกันก็เคารพความเป็นส่วนตัวของผู้ใช้ เราได้เปลี่ยนความท้าทายของยุคที่ให้ความสำคัญกับความเป็นส่วนตัวให้เป็นโอกาสสำหรับการสร้างสรรค์ ซึ่งนำไปสู่แพลตฟอร์มที่ไม่เพียงแต่ให้ความสำคัญกับความเป็นส่วนตัวเท่านั้น แต่ยังให้ประสิทธิภาพสูงสำหรับแคมเปญการได้มาและการรักษาผู้ใช้ของลูกค้าด้วย

คุณสามารถอธิบายแนวคิดของ ML-driven Creative Targeting ได้หรือไม่ และวิธีการทำงานร่วมกับกลยุทธ์สร้างสรรค์ของคุณ?

ML-driven Creative Targeting เป็นแนวทางของเราในการเพิ่มประสิทธิภาพสื่อโฆษณาโดยอาศัยกลุ่มพฤติกรรมที่เราระบุผ่านโมเดลการเรียนรู้ของเครื่องของเรา กระบวนการนี้เกี่ยวข้องกับขั้นตอนต่างๆ:

• การวิเคราะห์กลุ่ม: โมเดลการเรียนรู้ของเครื่องของเราวิเคราะห์ข้อมูลบริบทจำนวนมากเพื่อสร้างกลุ่มพฤติกรรมที่มีรายละเอียด
• ข้อมูลเชิงลึกด้านสื่อ: สำหรับแต่ละกลุ่ม เราใช้การเรียนรู้ของเครื่องเพื่อระบุองค์ประกอบสื่อที่น่าจะสร้างผลกระทบได้อย่างมีประสิทธิภาพที่สุด ซึ่งอาจรวมถึงสี สื่อ รูปแบบข้อความ หรือธีมภาพ
• การทำงานร่วมกัน: ทีมวิทยาศาสตร์ข้อมูลของเราทำงานร่วมกับทีมสร้างสรรค์ของเรา โดยแบ่งปันข้อมูลเชิงลึกที่ได้รับจาก AI
• การสร้างสรรค์: ตามข้อมูลเชิงลึกเหล่านั้น ทีมสร้างสรรค์ของเราพัฒนาสื่อที่ปรับให้เหมาะสมสำหรับแต่ละกลุ่ม ซึ่งอาจเกี่ยวข้องกับการปรับเปลี่ยนภาพ ข้อความ ปุ่มกด หรือโครงสร้างสื่อโดยรวม
• การประกอบแบบไดนามิก: เราใช้การเพิ่มประสิทธิภาพสื่อแบบไดนามิกเพื่อรวมสื่อเข้าด้วยกันในเวลาจริง โดยจับคู่องค์ประกอบที่มีประสิทธิภาพสูงสุดกับแต่ละกลุ่ม
• การเพิ่มประสิทธิภาพอย่างต่อเนื่อง: เมื่อเรารวบรวมข้อมูลประสิทธิภาพ เราจะทำให้โมเดล AI ของเราสามารถปรับปรุงความเข้าใจในสิ่งที่ทำงานได้ดีที่สุดสำหรับแต่ละกลุ่ม ทำให้เกิดวงจรการให้ข้อมูลกลับสำหรับการปรับปรุงสื่ออย่างต่อเนื่อง
• การปรับขนาดและประสิทธิภาพ: วิธีการนี้ช่วยให้เราสามารถสร้างสื่อที่มุ่งเป้าหมายสูงได้ที่ระดับใหญ่โดยไม่ต้องมีการแบ่งส่วนหรือการเดา

ผลลัพธ์คือการทำงานร่วมกันระหว่างวิทยาศาสตร์ข้อมูลและความคิดสร้างสรรค์ นอกจากนี้ แพลตฟอร์มสร้างสรรค์แบบรวมของเรายังรับประกันว่าโมเดล AI ของเราจะให้ข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลเกี่ยวกับสิ่งที่ทำงานสำหรับกลุ่มผู้ชมต่างๆ ในขณะเดียวกัน ทีมสร้างสรรค์ของเราก็จะนำข้อมูลเชิงลึกเหล่านั้นมาใช้ในการออกแบบโฆษณาที่น่าดึงดูด นำไปสู่การปรับปรุงประสิทธิภาพแคมเปญและประสบการณ์ของผู้ใช้

ทีมสร้างสรรค์ของคุณมีบทบาทอย่างไรในการพัฒนาแคมเปญโฆษณา และพวกเขาทำงานร่วมกับโมเดล AI เพื่อเพิ่มประสิทธิภาพการแสดงผลโฆษณาได้อย่างไร?

ทีมสร้างสรรค์ของเรามีบทบาทที่ผสมผสานในการพัฒนาแคมเปญโฆษณาที่มีประสิทธิภาพที่ Aarki พวกเขาทำงานอย่างใกล้ชิดกับโมเดล AI ของเราเพื่อเพิ่มประสิทธิภาพการแสดงผลโฆษณา พวกเขาตีความข้อมูลเชิงลึกจากโมเดล AI ของเราเกี่ยวกับสิ่งที่สร้างผลกระทบต่อกลุ่มพฤติกรรมต่างๆ จากนั้นจึงสร้างสื่อที่ปรับให้เหมาะสม โดยปรับเปลี่ยนองค์ประกอบต่างๆ เช่น วิสัยทัศน์ ข้อความ และรูปแบบเพื่อให้ตรงกับข้อมูลเชิงลึกเหล่านั้น

เมื่อแคมเปญดำเนินไป ทีมจะวิเคราะห์ข้อมูลประสิทธิภาพร่วมกับ AI อย่างต่อเนื่อง โดยปรับปรุงแนวทางของตนอย่างต่อเนื่อง กระบวนการเชิงอุปนัยนี้ช่วยให้เราสามารถปรับเปลี่ยนองค์ประกอบสื่อได้อย่างรวดเร็ว

การทำงานร่วมกันระหว่างความคิดสร้างสรรค์ของมนุษย์และข้อมูลเชิงลึกที่ขับเคลื่อนด้วย AI ช่วยให้เราสามารถผลิตสื่อที่มุ่งเป้าหมายสูงและน่าดึงดูดได้ที่ระดับใหญ่ ซึ่งนำไปสู่ประสิทธิภาพที่เหนือกว่าสำหรับแคมเปญของลูกค้า

Aarki ใช้โครงสร้าง AI เพื่อป้องกันการฉ้อโกงโฆษณาได้อย่างไร คุณสามารถให้ตัวอย่างของการฉ้อโกงที่ระบบของคุณระบุได้หรือไม่?

ในฐานะที่ฉันกล่าวไว้ก่อนหน้านี้ Aarki ใช้แนวทางหลายชั้นในการต่อต้านการฉ้อโกงโฆษณา เราเข้าใกล้การป้องกันการฉ้อโกงเป็นฟิลเตอร์ก่อนการประมูลพร้อมกับการวิเคราะห์ข้อมูลหลังการประมูลของข้อมูลที่ผ่านระบบของเรา ในขณะที่ฉันกล่าวถึงกลยุทธ์โดยทั่วไปแล้ว ฉันสามารถให้ตัวอย่างของการฉ้อโกงที่ระบบของเราระบุได้:

• การอัดฉีดคลิก: การตรวจจออัตราการคลิกที่สูงผิดปกติจากแหล่งที่มาที่เฉพาะเจาะจง
• ฟาร์มการติดตั้ง: การระบุรูปแบบการติดตั้งหลายครั้งจากที่อยู่ IP หรืออุปกรณ์เดียวกัน
• เวลาระหว่างคลิกถึงการติดตั้งที่ผิดปกติ (CTIT): การระบุเวลาระหว่างคลิกถึงการติดตั้งที่ผิดปกติเป็นสัญญาณของกิจกรรมบอท
• อัตราการรักษาผู้ใช้ที่ต่ำ: การระบุผู้ใช้จากผู้เผยแพร่ที่แสดงอัตราการรักษาที่ต่ำซ้ำๆ หลังการติดตั้ง

ระบบ AI ของเรายังคงพัฒนาเพื่อรับรู้กลยุทธ์การฉ้อโกงใหม่ๆ เพื่อปกป้องงบประมาณของลูกค้า

แนวทางของ Aarki ในการได้มาและรักษาผู้ใช้แตกต่างจากแพลตฟอร์มอื่นๆ ในอุตสาหกรรมอย่างไร?

แนวทางของ Aarki ในการได้มาและรักษาผู้ใช้แตกต่างในหลายด้าน:

• กลยุทธ์ที่ให้ความสำคัญกับความเป็นส่วนตัว: เราได้ปรับตัวให้เข้ากับการกำหนดเป้าหมายโดยไม่ต้องใช้ ID และเป็นไปตาม SKAN 4 ทำให้เราเป็นมิตรกับความเป็นส่วนตัวและพร้อมสำหรับอนาคต
• AI และการเรียนรู้ของเครื่องขั้นสูง: โครงสร้างการเรียนรู้ของเครื่องหลายระดับของเราจัดการข้อมูลบริบทจำนวนมากเพื่อสร้างกลุ่มพฤติกรรมที่ซับซ้อนโดยไม่ต้องใช้ตัวระบุเฉพาะบุคคล
• ML-driven Creative Targeting: เราใช้ AI เพื่อปรับให้เหมาะสมกับสื่อโฆษณาโดยอิงตามกลุ่มพฤติกรรม
• Dynamic Multi-object Bid Optimizer: ระบบการประมูลของเราพิจารณาวัตถุประสงค์หลายอย่างพร้อมกัน เพื่อสร้างสมดุลระหว่างประสิทธิภาพและการสำรวจ
• ข้อมูลบริบท: เราใช้ข้อมูลบริบทหลายพันล้านรายการเพื่อแจ้งการกำหนดเป้าหมาย โดยไปไกลกว่าการแบ่งส่วนประชากรหรือภูมิศาสตร์ขั้นพื้นฐาน
• การเรียนรู้อย่างต่อเนื่อง: โมเดล AI ของเรายังคงเรียนรู้และปรับเปลี่ยนตามประสิทธิภาพแคมเปญและข้อมูลบริบทที่เปลี่ยนแปลงไป
• แนวทางแบบรวม: เราให้บริการที่รวมการได้มาและรักษาผู้ใช้เข้าด้วยกัน โดยให้มุมมองที่ครอบคลุมเกี่ยวกับเส้นทางผู้ใช้
• การปรับขนาด: โครงสร้างของเราสามารถจัดการข้อมูลได้มาก (มากกว่า 5 ล้านคำขอโฆษณาต่อวินาทีจากอุปกรณ์มากกว่า 10 พันล้านเครื่อง) ทำให้เราสามารถกำหนดเป้าหมายได้ละเอียดที่ระดับใหญ่
• กลไกการป้องกันการฉ้อโกงขั้นสูง: ฟิลเตอร์การฉ้อโกงก่อนการประมูลของเรา ร่วมกับการวิเคราะห์ข้อมูลหลังการประมูลและข้อมูลของบุคคลที่สาม ทำให้เราเป็นผู้นำในการปกป้องลูกค้าจากการฉ้อโกงโฆษณา

การผสมผสานระหว่างวิธีการที่ให้ความสำคัญกับความเป็นส่วนตัว AI ขั้นสูง การเพิ่มประสิทธิภาพสื่อ การป้องกันการฉ้อโกง และโครงสร้างที่ปรับขนาดได้ ช่วยให้เราสามารถส่งมอบแคมเปญที่มีประสิทธิภาพ มีประสิทธิภาพ และปรับเปลี่ยนได้สำหรับลูกค้า

ประสบการณ์ของฉันสอนฉันว่าอนาคตของ AdTech คือการสร้างสมดุลระหว่างข้อมูลขนาดใหญ่ การเรียนรู้ของเครื่อง และความคิดสร้างสรรค์ของมนุษย์ ฉันภูมิใจในความจริงที่ว่า นอกเหนือจากเทคโนโลยีแล้ว เรายังมีทีมวิเคราะห์ นักวิทยาศาสตร์ข้อมูล และผู้เชี่ยวชาญด้านสร้างสรรค์ที่ยอดเยี่ยมซึ่งเพิ่มความคิดสร้างสรรค์ของมนุษย์ให้กับเทคโนโลยีของเรา

คุณสามารถแบ่งปันเรื่องราวความสำเร็จที่แพลตฟอร์ม Aarki เพิ่มประสิทธิภาพ ROI และประสิทธิภาพแคมเปญให้กับลูกค้าอย่างมีนัยสำคัญได้หรือไม่?

ดัชนีการแสดงผลของ AppsFlyer ยอมรับ Aarki ในฐานะผู้นำด้านการกำหนดเป้าหมายซ้ำ โดยจัดให้เราอยู่ในอันดับที่ 1 สำหรับเกมในอเมริกาเหนือและอันดับที่ 3 ทั่วโลก เรายังได้รับการจัดอันดับให้เป็นผู้แสดงผลที่ดีที่สุดในดัชนี ROI โฆษณา Singular ทั้งหมด นี่เป็น กรณีศึกษา ที่แสดงถึงความเป็นผู้นำระดับโลกของเรา ไม่เพียงแต่สำหรับเกมเท่านั้น แต่เรายังมีกรณีศึกษาล่าสุดที่แสดงให้เห็นถึงความสามารถของเราในการขับเคลื่อนผลลัพธ์ข้ามหมวดหมู่แอปต่างๆ

ฉันภูมิใจที่จะเน้นย้ำถึงความร่วมมือกับ DHgate ซึ่งเป็นแพลตฟอร์มอีคอมเมิร์ซชั้นนำ แคมเปญการกำหนดเป้าหมายซ้ำของเราสำหรับทั้ง Android และ iOS ส่งมอบผลลัพธ์ที่น่าประทับใจ ซึ่งแสดงให้เห็นถึงความสามารถของ Aarki ในการขับเคลื่อนประสิทธิภาพที่ระดับใหญ่

โดยการใช้เทคโนโลยีเครือข่ายประสาทลึกของเรา เราได้สร้างกลุ่มผู้ใช้ที่มีรายละเอียดเพื่อเพิ่มประสิทธิภาพการกำหนดเป้าหมายซ้ำ สิ่งนี้นำไปสู่การเติบโต 33% ในการคลิกของผู้ใช้ที่มีเจตนาและเพิ่มขึ้น 33% ในการแปลง

ที่น่าประทับใจที่สุดคือ ในขณะที่การใช้จ่ายของ DHgate กับ Aarki เพิ่มขึ้น 52% เราเกินเป้าหมาย ROAS 450% ใน 30 วัน (D30) ของพวกเขาถึง 1.7 เท่า โดยบรรลุ ROAS ที่ 784% ซึ่งแสดงให้เห็นถึงความมุ่งมั่นของเราในการส่งมอบผลลัพธ์ที่เหนือกว่าให้กับลูกค้า เราอ่านเพิ่มเติม ที่นี่

สำหรับแอปอาหารและบริการจัดส่ง เราได้ดำเนินแคมเปญการกำหนดเป้าหมายซ้ำเพื่อกระตุ้นให้ผู้ใช้กลับมาอีกครั้งและได้มาผู้ใช้ใหม่ๆ อย่างมีประสิทธิภาพ

สิ่งนี้ส่งผลให้ต้นทุนการได้มาของผู้ใช้ลดลง 75% และมีการกระตุ้นผู้ใช้มากกว่า 12.3 ล้านครั้ง กุญแจสู่ความสำเร็จคือการใช้โมเดลเครือข่ายประสาทลึกของเราเพื่อกำหนดเป้าหมายกลุ่มผู้ชมที่เหมาะสมด้วยข้อความที่ปรับให้เหมาะสม ทำให้แคมเปญสดใหม่และน่าดึงดูด เราอ่าน ที่นี่

กรณีศึกษานี้แสดงให้เห็นถึงความสามารถของเราในการขับเคลื่อนการปรับปรุงอย่างมีนัยสำคัญในเมตริกหลักต่างๆ ทั่วหมวดหมู่แอปและประเภทแคมเปญต่างๆ แนวทางที่ให้ความสำคัญกับความเป็นส่วนตัวของเรา ความสามารถ AI ที่ทันสมัย และการใช้ข้อมูลบริบทอย่างมีกลยุทธ์ ช่วยให้เราสามารถส่งมอบผลลัพธ์ที่น่าประทับใจให้กับลูกค้าได้ ไม่ว่าจะเป็นการได้มาหรือการรักษาผู้ใช้

คุณคาดหวังการปรับปรุงในอนาคตของ AI และการเรียนรู้ของเครื่องจะส่งผลต่ออุตสาหกรรมโฆษณามือถืออย่างไร?

เมื่อมองไปข้างหน้า ฉันคาดหวังการปรับปรุงหลายอย่างที่จะมีผลกระทบอย่างมีนัยสำคัญต่ออุตสาหกรรมโฆษณามือถือ:

• เทคนิคการรักษาความเป็นส่วนตัวที่ดีขึ้น: ขนาดใหญ่ของข้อมูลที่เรประมวลผลจะนำไปสู่ความสามารถในการเรียนรู้ที่ไม่เคยเห็นมาก่อน DNN จะใช้ประโยชน์จากข้อมูลนี้เพื่อสร้างกลยุทธ์การมีส่วนร่วมที่ให้ความสำคัญกับความเป็นส่วนตัวในระดับใหม่
• AI ที่สร้างสรรค์แบบเรียลไทม์: เราจะเห็น AI ที่ไม่เพียงแต่เพิ่มประสิทธิภาพสื่อเท่านั้น แต่ยังสามารถสร้างและปรับเปลี่ยนสื่อโฆษณาได้อย่างมีประสิทธิภาพในขณะเดียวกัน
• โมเดลการคาดการณ์ที่ครอบคลุม: โดยการรวม DNN ของเราเข้ากับ Multi-Objective Bid Optimizer (MOBO) ของเรา เราจะพัฒนาโมเดลที่มีประสิทธิภาพและประสิทธิภาพสูงสำหรับการได้มาและรักษาผู้ใช้ โมเดลเหล่านี้จะให้การคาดการณ์ที่แม่นยำยิ่งขึ้นเกี่ยวกับคุณค่าของผู้ใช้ในระยะยาว ทำให้สามารถจัดการแคมเปญได้อย่างชาญฉลาดและเชิงกลยุทธ์มากขึ้น

การปรับปรุงเหล่านี้มีแนวโน้มที่จะนำไปสู่ประสบการณ์โฆษณามือถือที่มีประสิทธิภาพ มีประสิทธิภาพ และเป็นมิตรกับผู้ใช้มากขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Aarki เพื่อเรียนรู้เพิ่มเติม