Nouvelle méthode pour créer de meilleures pubs en ligne
Un cadre qui améliore les combinaisons de pubs pour plus d'engagement des utilisateurs.
― 6 min lire
Table des matières
La pub est partout, et l'apparence d'une annonce peut vraiment influencer si les gens cliquent dessus ou non. Les plateformes en ligne créent des pubs en mélangeant différents éléments fournis par les annonceurs. Mais avec tant de choix, trouver le meilleur mix peut être compliqué. Au lieu de choisir des éléments qui s'accordent bien, les entreprises les choisissent souvent un par un, ce qui peut ne pas donner les meilleurs résultats. Cet article parle d'une nouvelle méthode qui aide à combiner plusieurs éléments créatifs dans les annonces pour les rendre plus attrayantes pour les utilisateurs.
L'Importance d'un Bon Design Publicitaire
Dans le monde des annonces en ligne, les annonces avec images sont les plus courantes. Elles ont généralement des images de fond, du texte sur le produit et d'autres éléments créatifs. La façon dont ces éléments se combinent peut changer le nombre de clics sur l'annonce. Avec plus d'éléments créatifs à choisir, il est important de trouver des moyens d'améliorer l'apparence des annonces et d'obtenir plus de clics.
À mesure que les annonceurs ajoutent plus d'éléments créatifs, le nombre de combinaisons possibles augmente rapidement. Par exemple, si une annonce a trois parties différentes, il y a plein de façons de les mélanger. Ça rend le choix du meilleur mélange plus difficile. Pour éviter d'être submergés, beaucoup d'entreprises ont décidé de gérer le processus de sélection en deux étapes : d'abord hors ligne pour réduire les choix, puis en ligne en utilisant les retours des utilisateurs.
Méthodes Traditionnelles et leurs Limites
Souvent, les entreprises rassemblent d'abord les éléments créatifs hors ligne pour réduire le nombre d'options. Mais cette méthode ne tient pas compte des données en temps réel sur ce que recherchent les utilisateurs. Certaines entreprises essaient d'utiliser des stratégies en ligne axées sur la popularité et les préférences des utilisateurs, mais ces méthodes mettent du temps à fournir des retours utiles.
D'autres chercheurs ont essayé de regrouper les éléments créatifs en catégories, en utilisant plusieurs stratégies pour prédire les performances d'une annonce. Bien que cette approche réduise un peu la complexité, elle ne capture pas entièrement comment différents types d'éléments créatifs interagissent entre eux.
Introduction d'un Nouveau Cadre
Pour résoudre ces problèmes, on propose un nouveau cadre spécialement conçu pour combiner plusieurs éléments créatifs, appelé Sélection Combinatoire entre Éléments (SCEE). Ce cadre se concentre sur les relations entre les différents types créatifs.
La première étape de ce cadre consiste à ajuster l'importance de chaque élément créatif en fonction de ses liens avec les autres éléments. C'est crucial, car chaque partie créative influence la façon dont les utilisateurs réagissent à l'annonce. La deuxième étape simplifie ensuite le problème de combinaison en sélectionnant les éléments par séquence au lieu de tout gérer en même temps.
Comment le Cadre Fonctionne
Cette section décompose le fonctionnement du cadre SCEE. L'ensemble du processus est divisé en deux étapes : encodage et Décodage.
Étape d'Encodage
Lors de l'étape d'encodage, les éléments créatifs candidats sont analysés pour recueillir des informations sur leurs interactions. C'est là que les relations entre différents types d'éléments créatifs sont prises en compte. En combinant les informations de tous les types créatifs, le modèle peut créer une représentation plus complète de chaque annonce.
Étape de Décodage
Dans l'étape de décodage, le cadre sélectionne les éléments créatifs un à un, en séquence. L'objectif est de s'assurer que les éléments choisis fonctionnent bien ensemble. Cette étape utilise une méthode de design qui capte les relations entre différents éléments créatifs, aidant à faire de meilleurs choix en fonction de ce qui a déjà été sélectionné.
Les Avantages de la Nouvelle Approche
Ce qui fait que la SCEE se démarque, c'est sa capacité à tenir compte des connexions entre les éléments créatifs. Lorsque le processus capte les relations entre les éléments, cela peut mener à de meilleures combinaisons. Cela améliore non seulement les Taux de clics, mais offre aussi une meilleure expérience utilisateur globale. Des études montrent que le cadre SCEE obtient de meilleures performances que les méthodes traditionnelles.
Applications Pratiques et Résultats
L'efficacité du cadre SCEE a été testée avec des données du monde réel. Les tests ont montré que les annonces créées avec cette méthode avaient un taux de clics et des performances globaux plus élevés par rapport à celles créées avec les anciennes méthodes. Cette amélioration suggère que le monde de la pub peut grandement bénéficier de l'adoption de nouveaux outils axés sur les interactions entre éléments créatifs.
Tests en Ligne
Pour voir comment le cadre fonctionne dans des scénarios publicitaires réels, des tests en ligne ont été réalisés. Les tests impliquaient de comparer la méthode SCEE à d'autres stratégies couramment utilisées dans l'industrie. Les résultats ont confirmé que la SCEE non seulement améliorait l'efficacité des annonces, mais faisait aussi une différence notable dans les résultats commerciaux.
Importance des Relations Créatives
Un point clé de cette étude est que la façon dont les éléments créatifs sont combinés peut grandement influencer l'engagement des utilisateurs. Lorsque les éléments sont choisis en fonction de leurs relations entre eux, l'annonce résultante est plus attirante. Cela va à l'encontre des méthodes traditionnelles qui ont souvent tendance à négliger ces connexions essentielles.
Directions Futures
À mesure que le paysage de la publicité continue d'évoluer, des méthodes plus récentes comme la SCEE deviendront plus essentielles. En se concentrant sur la façon dont les éléments créatifs peuvent fonctionner ensemble plutôt qu'isolément, les annonceurs peuvent créer des annonces qui sont non seulement plus attractives mais aussi plus efficaces pour engager les utilisateurs.
Conclusion
En résumé, le nouveau cadre de Sélection Combinatoire entre Éléments propose une approche novatrice pour la sélection créative des annonces. En se concentrant sur les relations entre les différents éléments créatifs, il offre un moyen de produire des annonces plus engageantes. Les résultats pratiques montrent des améliorations significatives dans l'engagement des utilisateurs et la performance commerciale, faisant de cet outil une promesse pour les annonceurs partout. Alors que le monde de la publicité en ligne évolue, des méthodes comme la SCEE joueront un rôle crucial dans la façon dont la publicité et l'expérience utilisateur se développeront.
Titre: Cross-Element Combinatorial Selection for Multi-Element Creative in Display Advertising
Résumé: The effectiveness of ad creatives is greatly influenced by their visual appearance. Advertising platforms can generate ad creatives with different appearances by combining creative elements provided by advertisers. However, with the increasing number of ad creative elements, it becomes challenging to select a suitable combination from the countless possibilities. The industry's mainstream approach is to select individual creative elements independently, which often overlooks the importance of interaction between creative elements during the modeling process. In response, this paper proposes a Cross-Element Combinatorial Selection framework for multiple creative elements, termed CECS. In the encoder process, a cross-element interaction is adopted to dynamically adjust the expression of a single creative element based on the current candidate creatives. In the decoder process, the creative combination problem is transformed into a cascade selection problem of multiple creative elements. A pointer mechanism with a cascade design is used to model the associations among candidates. Comprehensive experiments on real-world datasets show that CECS achieved the SOTA score on offline metrics. Moreover, the CECS algorithm has been deployed in our industrial application, resulting in a significant 6.02% CTR and 10.37% GMV lift, which is beneficial to the business.
Auteurs: Wei Zhang, Ping Zhang, Jian Dong, Yongkang Wang, Pengye Zhang, Bo Zhang, Xingxing Wang, Dong Wang
Dernière mise à jour: 2023-07-04 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2307.01593
Source PDF: https://arxiv.org/pdf/2307.01593
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.