Mejorando el rendimiento de anuncios online con el marco COPR

La publicidad en línea es una fuente importante de ingresos para muchos sitios web. Los anunciantes pagan para promover sus productos pujando por acciones de los usuarios, como clics y compras en sus anuncios. Para maximizar ganancias, los sistemas publicitarios necesitan clasificar estos anuncios según su Costo Esperado Por Mil (ECPM), lo que ayuda a decidir qué anuncios mostrar a los usuarios.

#El Desafío de Clasificar Anuncios

En el mundo de la publicidad en línea, que se mueve rápido, los anuncios deben ser clasificados rápidamente. Los modelos tradicionales que predicen tasas de clics (CTR) suelen ser demasiado complejos para usar en este entorno, ya que no manejan bien grandes volúmenes de anuncios. Para solucionar esto, muchos sistemas utilizan una arquitectura en cascada.

En este sistema, los anuncios pasan por diferentes fases de clasificación. Primero, un modelo básico filtra una gran cantidad de anuncios a un grupo más pequeño. Luego, un modelo de pre-clasificación evalúa estos anuncios más a fondo, produciendo CTRs predichos para identificar los mejores candidatos. Por último, un modelo de clasificación selecciona las mejores opciones para mostrarlas según el ECPM.

Este método equilibra la necesidad de velocidad y precisión. Sin embargo, surge un problema significativo: los resultados del modelo de pre-clasificación a menudo difieren de los del modelo de clasificación. Esta inconsistencia puede afectar la efectividad general del sistema publicitario, llevando a desperdicios de recursos y oportunidades perdidas.

#La Necesidad de Consistencia

Es crucial que el modelo de pre-clasificación produzca resultados que se alineen estrechamente con el modelo de clasificación. Cuando hay diferencias entre sus resultados, puede llevar a malas colocaciones de anuncios. A veces, anuncios que deberían ser mostrados pueden pasarse por alto si no clasifican como se esperaba en las etapas anteriores. Por eso, lograr clasificaciones consistentes entre estos modelos es vital para maximizar ingresos y mejorar la experiencia del usuario.

#Introduciendo un Nuevo Marco

Para abordar el problema de inconsistencia, se ha propuesto un nuevo enfoque llamado el marco de Pre-Clasificación Orientada a la Consistencia (COPR). El marco COPR busca mejorar la consistencia de las clasificaciones entre las etapas de pre-clasificación y clasificación, manteniendo la eficiencia en la evaluación de anuncios.

#Muestreo Basado en Chunks

Una característica clave del marco COPR es el muestreo basado en chunks. En este método, la lista de anuncios clasificados se divide en grupos más pequeños o chunks. Cada chunk contiene anuncios que se tratan como si tuvieran prioridad similar. En lugar de enfocarse en cada anuncio individualmente, el modelo puede aprender a clasificar anuncios dentro de estos chunks, lo que simplifica el proceso de aprendizaje mientras asegura que los anuncios sean clasificados de manera efectiva.

Esta técnica de chunking ayuda de dos maneras. Primero, permite que el marco maneje sus tareas de clasificación más fácilmente al reducir la complejidad de las clasificaciones que necesita hacer. Segundo, aún captura la información crítica necesaria de la gran cantidad de anuncios, asegurando que el modelo pueda hacer evaluaciones efectivas sin sentirse abrumado.

#Módulo de Alineación de Rangos

Otro aspecto importante del marco COPR es el módulo de alineación de rangos plug-and-play. En lugar de solo ajustar las puntuaciones del modelo de pre-clasificación para que coincidan con las del modelo de clasificación, este módulo se centra en alinear los rangos que los anuncios reciben según su ECPM. Esto significa que no es esencial que los dos modelos produzcan puntuaciones idénticas; en su lugar, solo necesitan asegurarse de que los anuncios mantengan sus clasificaciones relativas consistentes.

Esta estrategia de alineación de rangos reduce las posibilidades de errores que podrían surgir al intentar alinear puntuaciones. Dado que la influencia de las pujas en la clasificación de anuncios puede amplificar estos errores, el enfoque de alineación de rangos ayuda a aliviar los riesgos involucrados al tener en cuenta las pujas.

#Mecanismo de ponderación

Para refinar aún más el proceso de alineación, el marco COPR introduce un mecanismo de ponderación. Este mecanismo considera la importancia de diferentes anuncios en el proceso de clasificación. Algunos anuncios pueden tener un mayor impacto en el rendimiento general que otros, y este sistema ayuda a asegurar que esos anuncios críticos sean clasificados correctamente.

Al ponderar la importancia de diferentes pares de anuncios, el marco COPR puede priorizar la clasificación precisa de anuncios que tienen más probabilidades de ser mostrados a los usuarios. Este enfoque dirigido asegura que los anuncios más relevantes y rentables reciban la atención que merecen.

#Experimentando con COPR

Se probó la efectividad del marco COPR en varios entornos, utilizando tanto conjuntos de datos públicos como datos del mundo real de sistemas publicitarios. Estos experimentos tenían como objetivo validar las mejoras en consistencia y desempeño general del sistema publicitario.

#Resultados de Conjuntos de Datos Públicos

Las pruebas iniciales se realizaron usando un conjunto de datos público que contenía millones de impresiones de anuncios. Los resultados mostraron que COPR mejoró significativamente la consistencia entre las fases de pre-clasificación y clasificación. Como resultado, el rendimiento general del sistema publicitario también vio un notable aumento.

Por ejemplo, la Tasa de clics (CTR) y los ingresos por mil impresiones (RPM) mejoraron cuando se utilizó COPR. Superó muchos otros modelos que se usaban anteriormente, demostrando que el enfoque en la consistencia llevó a mejores colocaciones de anuncios y mayores ingresos.

#Resultados de Conjuntos de Datos de Producción

Se realizaron pruebas adicionales utilizando datos reales recopilados de un sistema publicitario activo. Los resultados reflejaron los del conjunto de datos público, mostrando que el marco COPR superó consistentemente a los métodos competidores.

En estos escenarios de producción, el marco no solo mejoró la consistencia entre las clasificaciones, sino que también entregó beneficios tangibles en términos de CTR y RPM. Se encontró que COPR ofreció un aumento de hasta un 12.3% en CTR y un 5.6% en RPM comparado con métodos existentes, confirmando su efectividad en aplicaciones del mundo real.

#Conclusión

La introducción del marco COPR marca un paso significativo hacia adelante en la búsqueda de modelos publicitarios en línea más efectivos. Al centrarse en la consistencia entre las salidas de pre-clasificación y clasificación, las organizaciones pueden optimizar mejor sus sistemas publicitarios para maximizar ingresos y mejorar experiencias de usuario.

El uso de muestreo basado en chunks, alineación de rangos y un mecanismo de ponderación dirigido contribuye a una solución publicitaria más robusta. Con resultados probados tanto en entornos experimentales como de producción, COPR ofrece un camino viable para las plataformas publicitarias en línea que buscan mejorar su efectividad y adaptarse al panorama digital siempre cambiante.