Sviluppi negli algoritmi di ranking delle inserzioni sponsorizzate

Le inserzioni sponsorizzate sono una forma di pubblicità online usata da molti marketplace famosi come Amazon, Walmart e Alibaba. Queste inserzioni permettono ai venditori di terze parti di pagare per far mostrare i loro prodotti in modo più in evidenza ai clienti. Quando un cliente cerca un prodotto, può vedere articoli sponsorizzati classificati in una lista insieme ai risultati di ricerca normali. I venditori vengono addebitati una commissione se un cliente acquista uno degli articoli sponsorizzati mostrati.

Il modo in cui questi articoli sponsorizzati vengono classificati è fondamentale. È un lavoro complicato perché il marketplace deve concentrarsi su due obiettivi principali: guadagnare il più possibile e mostrare articoli di alta qualità e pertinenti per i consumatori. Una buona classificazione aiuta a incoraggiare i clienti ad acquistare prodotti e aumenta la loro soddisfazione, ma deve anche considerare le entrate che derivano dalla visualizzazione di questi articoli sponsorizzati.

#Le Sfide della Classifica delle Inserzioni Sponsorizzate

Il processo di classificazione delle inserzioni sponsorizzate è spesso chiamato Classifica delle Inserzioni Sponsorizzate (SLR). Una delle maggiori sfide nella SLR è trovare il giusto equilibrio tra massimizzare le entrate e fornire raccomandazioni utili ai clienti. Una classificazione migliore potrebbe portare a più vendite e clienti più felici, ma il marketplace deve anche essere consapevole degli aspetti finanziari delle sue decisioni di classifica.

Per soddisfare le esigenze di velocità, molti marketplace online attualmente si basano su algoritmi di classificazione basati su punteggi. Questi algoritmi assegnano punteggi ai prodotti in base a vari criteri e poi li classificano in base a quei punteggi. Tuttavia, ricerche recenti suggeriscono che l'uso della programmazione lineare (LP) potrebbe fornire una soluzione migliore per la classificazione delle inserzioni sponsorizzate.

#Panoramica della Ricerca

In questo studio, abbiamo collaborato con un marketplace online leader per confrontare le prestazioni degli algoritmi di classificazione basati su punteggi con quelli basati su LP. Abbiamo condotto una serie di esperimenti sul campo che sono durati diversi giorni e hanno coinvolto un gran numero di visite. L'approccio basato su LP ha dimostrato di migliorare le entrate, i tassi di acquisto e il valore complessivo delle vendite rispetto all'approccio basato su punteggi, utilizzato dal marketplace prima di questa ricerca.

La nostra analisi ha anche mostrato che l'algoritmo basato su LP aveva una migliore capacità di offrire articoli pertinenti ai clienti. Per mettere in pratica l'algoritmo LP, abbiamo creato un algoritmo efficiente basato su dualità che può soddisfare rigorosi requisiti di velocità per la classificazione degli articoli. Inoltre, abbiamo esaminato quanto fosse flessibile l'approccio LP nel considerare obiettivi a lungo termine per il marketplace.

#L'Importanza delle Inserzioni Sponsorizzate

Le inserzioni sponsorizzate sono importanti per molti marketplace online poiché rappresentano una fonte principale di entrate. Ad esempio, Amazon e Google hanno riportato guadagni significativi dalle inserzioni sponsorizzate negli ultimi anni. Tuttavia, mentre queste inserzioni possono aumentare le entrate, non garantiscono sempre che gli articoli mostrati interessino i clienti.

Di solito, mostrare più inserzioni sponsorizzate può aumentare le entrate. Tuttavia, semplicemente mostrare più articoli non è sempre vantaggioso, poiché questi articoli potrebbero non allinearsi con gli interessi dei clienti. La sfida principale è selezionare gli articoli giusti e classificarli in un modo che coinvolga i clienti, mantenendo al contempo un focus sul ritorno finanziario.

#Considerazioni Chiave negli Algoritmi di Classifica

Quando si progettano algoritmi per la classificazione delle inserzioni sponsorizzate, devono essere considerati diversi fattori importanti:

• Efficienza: È essenziale che gli algoritmi funzionino rapidamente per soddisfare le esigenze in tempo reale della visualizzazione delle inserzioni su una pagina web.

• Chiarezza: Gli algoritmi dovrebbero avere obiettivi e vincoli chiari che rendano il processo decisionale comprensibile e facile da seguire.

• Flessibilità: Gli algoritmi devono essere adattabili, consentendo diversi obiettivi e requisiti basati su vari scenari nei marketplace online.

Di solito, lo standard del settore per risolvere il problema della SLR coinvolge un processo in due fasi: prevedere il comportamento d'acquisto dei clienti e poi ottimizzare la selezione degli articoli da mostrare in base a quelle previsioni. La maggior parte delle soluzioni si concentra su algoritmi basati su punteggi, che valutano gli articoli in base a criteri predefiniti.

#Limitazioni degli Algoritmi Basati su Punteggi

Sebbene gli algoritmi basati su punteggi siano comuni, presentano diversi svantaggi. In primo luogo, la qualità della classifica finale dipende fortemente da quanto è ben definita la funzione di punteggio, rendendo difficile per i marketplace scegliere i migliori criteri di punteggio. Questo può portare a classifiche che non sono ottimali, specialmente se i punteggi scelti non riflettono accuratamente fattori economici importanti.

Inoltre, l'uso di una funzione di punteggio multi-obiettivo può complicare la capacità di garantire che tutti gli obiettivi vengano soddisfatti adeguatamente. I metodi basati su punteggi non tengono sempre conto delle limitazioni delle risorse o di altre considerazioni come i livelli di inventario e l'equità tra i venditori.

Per affrontare questi problemi, abbiamo proposto un nuovo algoritmo basato su LP per il problema SLR. Abbiamo formulato una programmazione intera mista (MIP) per la sfida della classifica e poi l'abbiamo rilassata a un problema LP per semplificare il processo di soluzione. Sfortunatamente, anche i migliori risolutori LP non sono riusciti a risolvere il problema LP abbastanza rapidamente da soddisfare la latenza richiesta per i marketplace online.

#L'Algoritmo Basato su Dualità

Per superare i problemi di latenza, abbiamo sviluppato un algoritmo basato su dualità per gestire efficacemente la formulazione MIP del problema SLR entro il tempo richiesto. Questo approccio ci ha permesso di ottenere una soluzione fattibile e quasi ottimale rapidamente.

Inoltre, abbiamo condotto studi sul campo in collaborazione con Marketplace A per valutare empiricamente l'efficacia dell'algoritmo basato su LP rispetto all'approccio basato su punteggi utilizzato in precedenza. I risultati hanno evidenziato che l'algoritmo basato su LP ha migliorato significativamente le metriche chiave delle prestazioni.

#Contributi Chiave dello Studio

Questo studio ha fornito diversi contributi notevoli:

1. Studio sul Campo: Condurre un ampio esperimento sul campo confrontando l'algoritmo basato su LP con l'approccio esistente basato su punteggi, mostrando le prestazioni superiori del metodo LP in termini di entrate e metriche di acquisto.

2. Nuovo Algoritmo Basato su LP: Sviluppare un algoritmo basato su LP efficiente per il problema SLR, fornendo una nuova soluzione pratica per i marketplace online.

3. Incorporazione di Obiettivi a Lungo Termine: Estendere il modello LP per tenere conto di vincoli aggiuntivi e delle esigenze di pianificazione globale dei marketplace.

Questi risultati offrono importanti spunti per i rivenditori online che cercano di implementare algoritmi basati su LP per le inserzioni sponsorizzate e altre sfide di classificazione.

#Classifica delle Inserzioni Sponsorizzate in Pratica

I marketplace online puntano a far corrispondere le ricerche dei consumatori fornendo una lista accuratamente selezionata di articoli provenienti da vari venditori. Questo comporta affrontare due problemi chiave di classificazione: la classificazione delle parole chiave (KR) e la classificazione delle inserzioni sponsorizzate (SLR). Quando un consumatore cerca su una piattaforma, vede un elenco di articoli classificati in base alla loro pertinenza rispetto alle parole chiave inserite. La SLR punta a raccomandare articoli che i consumatori potrebbero voler insieme alla loro ricerca originale.

Il Marketplace A, che abbiamo studiato, genera significative entrate dalle inserzioni sponsorizzate. Le sue entrate provengono da due fonti principali: commissioni (o entrate organiche) e commissioni di sponsorizzazione (entrate pubblicitarie). I venditori pagano una percentuale del prezzo di vendita come commissione al marketplace.

I dati storici del Marketplace A indicano che le entrate organiche sono strettamente collegate al numero di acquisti. Un tasso di acquisto più alto porta a maggiori entrate, mentre un aumento delle inserzioni sponsorizzate può talvolta ridurre le entrate organiche.

#Il Metodo Attuale di Classifica Basato su Punteggi

Nel Marketplace A, l'algoritmo di classificazione basato su punteggi è il metodo principale utilizzato per le inserzioni sponsorizzate. Questo approccio coinvolge tre passaggi principali:

1. Selezione dei Candidati: L'algoritmo restringe gli articoli potenziali da visualizzare in base alla loro pertinenza rispetto all'articolo di partenza e alla cronologia di navigazione del consumatore.

2. Stima del Tasso di Acquisto (PTR): L'algoritmo prevede la probabilità che un consumatore decida di acquistare un articolo in base a varie caratteristiche dell'articolo e delle preferenze del cliente.

3. Classifica: Infine, l'algoritmo crea un punteggio per ogni articolo basato sulle entrate organiche previste e sulle entrate pubblicitarie, quindi classifica gli articoli di conseguenza.

Il metodo di classificazione basato su punteggi è stato ottimizzato estensivamente nel tempo, ma ha ancora limitazioni a causa della sfida di definire una funzione di punteggio efficace.

#Proposta di Approccio di Classifica Basato su LP

Proponiamo un metodo di classificazione alternativo basato sulla programmazione lineare (LP). Questo comporta i seguenti passaggi:

1. Formulazione del Problema: Il problema SLR viene formulato come un problema MIP, che mira a massimizzare le entrate attese garantendo al contempo un certo livello di pertinenza.

2. Rilassamento: Dato che i problemi MIP sono complessi, lo rilassiamo a un problema LP, permettendoci di risolverlo in modo più efficiente.

3. Algoritmo Basato su Dualità: Abbiamo sviluppato un nuovo algoritmo che utilizza un metodo di bisezione per trovare rapidamente una soluzione fattibile.

La nostra ricerca ha dimostrato che questo metodo basato su LP produce prestazioni superiori in diversi metriche rispetto agli algoritmi tradizionali basati su punteggi.

#Esperimenti e Risultati

Per convalidare i nostri risultati, abbiamo condotto esperimenti randomizzati sul campo presso il Marketplace A. Il test A/B ha confrontato le prestazioni dell'algoritmo basato su LP con il metodo basato su punteggi esistente per un periodo di 19 giorni. Le interazioni dei clienti sono state attentamente registrate per valutare gli impatti su entrate, tassi di acquisto e vendite complessive.

I risultati hanno mostrato miglioramenti significativi con l'algoritmo basato su LP. Metriche chiave, compresi i tassi di acquisto e il valore lordo della merce (GMV), sono aumentati rispetto all'approccio basato su punteggi. Questo ha confermato che il metodo basato su LP non solo aiuta a generare più entrate ma porta anche a una migliore pertinenza per i consumatori.

#Analisi delle Prestazioni Finanziarie

Nella nostra analisi, ci siamo concentrati sulle prestazioni finanziarie dei due algoritmi basate sulle interazioni dei consumatori. Abbiamo esaminato metriche come le entrate per consumatore, GMV per consumatore e conteggi di acquisto.

L'algoritmo basato su LP ha mostrato costantemente miglioramenti in queste metriche rispetto al metodo basato su punteggi. Ciò indicava che l'approccio basato su LP catturava efficacemente l'interesse dei clienti e stimolava più vendite senza aumentare i prezzi.

#Analisi di Regressione

Per approfondire i dati, abbiamo eseguito analisi di regressione per identificare i fattori che contribuiscono alle differenze nelle prestazioni. Questa analisi ha rivelato che gli algoritmi basati su LP hanno superato l'algoritmo basato su punteggi generando più entrate e acquisti senza portare a prezzi medi più elevati.

#Esplorazione degli Effetti del Trattamento

Abbiamo anche esaminato come diverse condizioni influenzassero le prestazioni dell'algoritmo basato su LP. I risultati hanno indicato che il modello basato su LP produceva migliori risultati di entrate quando venivano effettuati più acquisti in una singola impressione e quando gli articoli consigliati avevano un alto rapporto acquisto/clic.

#Trade-Off tra Entrate e Pertinenza

Il modello LP ha dimostrato efficacemente il trade-off tra entrate e pertinenza. Regolando i parametri correlati, potremmo esplorare questa relazione in modo più approfondito. Ad esempio, man mano che l'emphasis sulla pertinenza aumentava, le entrate attese diminuivano, e viceversa.

Abbiamo condotto un altro test A/B per indagare su diverse impostazioni per l'iperparametro che controlla la pertinenza, confermando ulteriormente il trade-off tra entrate e tassi di acquisto.

#Pianificazione Complessiva con Metodi Basati su LP

Abbiamo anche considerato vincoli aggiuntivi che i marketplace online potrebbero affrontare, come limiti di inventario e obiettivi dei venditori. L'approccio basato su LP consente di incorporare naturalmente questi vincoli nel processo di classificazione, aiutando i marketplace a rimanere flessibili con la loro pubblicità.

Questo approccio di pianificazione complessiva utilizza dati storici per sviluppare una strategia di classificazione completa che considera sia le singole inserzioni che gli obiettivi più ampi del marketplace.

#Conclusione

In conclusione, la nostra ricerca evidenzia i vantaggi degli algoritmi basati su LP nel campo della classificazione delle inserzioni sponsorizzate. Gli studi hanno dimostrato che i metodi LP possono superare gli algoritmi tradizionali basati su punteggi in diverse metriche chiave. Sottolineando un approccio strutturato alla classificazione, i marketplace online possono trarre notevoli benefici da un aumento delle entrate e da una migliore soddisfazione del cliente.

I risultati di questa ricerca non solo forniscono prove a favore dei metodi basati su LP, ma aprono anche la strada a ulteriori esplorazioni e ottimizzazioni delle inserzioni sponsorizzate nel lavoro futuro.