چگونه AI بهینه سازی خرید رسانه ها و هدف قرار دادن

مقدمه: AI = «مغز» در بالای داده های تمیز

هوش مصنوعی استراتژی را جایگزین نمی کند، مدار تهیه را سریعتر و با ثبات تر می کند: کیفیت گروه را با سیگنال های اولیه پیش بینی می کند، بودجه را توزیع می کند، مخاطبان و خلاقان را انتخاب می کند، رعایت می کند. کلید - داده های S2S، نظم و انضباط UTM و guardrails.

1) جایی که دقیقا AI تاثیر می گذارد

1. 1. انتظار و قدم زدن

پیشنهاد پویا/CPA/ROAS با توجه به «Prob (FTD)»، «ARPU _ D30» و خطر.

قدم زدن صاف: نگه می دارد جریان در راهرو بازپرداخت، جلوگیری از سوزش در صبح و underooking در شب.

1. 2. هدف گذاری و مخاطبان

مدل های گرایش: احتمال FTD/2nd-dep/Retention → بخش های شبیه به نظر می رسد و خوشه های اولویت.

مدل های خروج: ریزش احتمالی/LTV پایین/تقلب → حذف از نشان می دهد و یا کاهش نرخ.

زمینه/معناشناسی: NLP در سایت های محتوا برای فیلتر کردن قبل از پیشنهاد.

1. 3. خلاقیت و پیشنهادات

جایگذاری ویژوال/ان ال پی → خوشهبندی زاویه و چرخش راهزن (ε -greedy/Thompson).

پیش بینی شانس به ثمر رساند از «گرفتن از یادگیری» و برگزاری CR/ARPU.

1. 4. تخصیص بودجه

رویکرد نمونه کارها چند بازار: تغییر فاصله بین کانال/جغرافیایی/دستگاه Payback_D30 احتمال دارد.

سناریوهای چه می شود اگر از مدل های MMM/علیت.

1. 5. SmartLink/پیشنهاد

هدایت ترافیک به پیشنهادات با بهترین کیفیت eCPA/کوهورت، با توجه به کلاه های حساب، انطباق و اولویت ها.

2) معماری داده ها برای هدف قرار دادن AI

مجموعه: UTM + 'click _ id', s2s events 'reg/KYC/FTD/2nd _ dep/refund/chargeback', GA4/MMP, سیاهههای مربوط تغییر مسیر/postback, فراداده خلاق.

ذخیره سازی: DWH (زمان UTC، ارز معامله + «ارز گزارش»).

ویژگی ها: اعتبار/فرکانس/پولی، دستگاه/جغرافیایی/پرداخت، جلسه/تعامل، تعبیه خلاق، منبع/قرار دادن.

مدل ها: طبقه بندی (تقلب/اعتبار)، رگرسیون (ARPU/بازپرداخت)، راهزنان، NLP/چشم انداز، MMM/ماشین علی.

فعال سازی: قوانین biding/pacing، مخاطبان (در دفاتر، CDP)، SmartLink API، CRM.

باغبان: رضایت/RG، لیست سفید GEO/سن، محدودیت نرخ/فرکانس، لغو دستی و سیاهههای مربوط به تصمیم گیری.

3) ریاضیات تصمیم گیری (در طرح کلی معیارهای بازاریابی)

اهداف مالی:

'ROAS _ Dn = /Spend', 'Payback = min {n: CPA}', 'LTV = /( 1 + r) ^ {t/30}'.

Beading (ایده):

"bid ∝ Prob (FTD) × E [ARPU _ D30	سیگنال ها ]/هدف بازپرداخت '، با عوامل کاهش خطر تقلب/بازپرداخت.

اولویت بندی مخاطبان:

'score = w1· Prob (FTD) + w2· Prob (2nd_dep) + w3· E [ARPU _ D30] − w4· ریسک _ تقلب'.

چرخش باند خلاقیت/پیشنهادات:

توزیع مجدد نشان می دهد نسبت به احتمال پیروزی پس از پیروزی، ترک 10-20٪ برای اکتشاف.

4) شیوه های هدف قرار دادن AI

4. 1. مخاطبان رشد

دانه: گروه های با بازپرداخت سریع (از لحاظ تاریخی) → LAL 1-2٪ با guardrails توسط جغرافیایی/سن.

ML متنی: موجودی/موضوعات را انتخاب کنید، جایی که CR (reg → FTD) بالاتر است.

لحظه ای مبتنی بر: dayparting و «طراوت» (تازگی) حوادث: ما گرفتن کاربران گرم با پیشنهاد بالا، آنهایی که سرد با نشان می دهد ارزان است.

4. 2. صرفه جویی در مخاطبان

استثنا: شکارچیان بسیار احتمالی/شکارچیان پاداش/LTV کم - شرط را حذف یا قطع کنید.

پوشش فرکانس: منحنی ML کاهش بازگشت فرکانس (ما از مطلوب عبور می کنیم، سقف را تنظیم می کنیم).

4. 3. هدف گذاری خلاقانه

تطبیق گوشه × بخش: به عنوان مثال، اثبات اجتماعی بهتر به بازگشت/Android LATAM می رود، و گیم پلی به کاربران جدید/iOS EU می رود.

5) انطباق، حفظ حریم خصوصی و اخلاق (چارچوب اجباری)

بازاریابی پاسخگو: 18 +/21 +، بدون «پول آسان»، اصطلاحات تبلیغی صریح.

رضایت حالت/PII بهداشت: هیچ اطلاعات شخصی در URL، تبدیل سمت سرور.

بدون تبعیض: ویژگی های حساس را از ویژگی ها حذف کنید ؛ حسابرسی عادلانه

Guardrails: حداقل/حداکثر پیشنهاد، کلاه، توقف دستی برای انحراف کیفیت.

6) AI خرید معیارهای «سلامت»

Качество: 'CR (click → reg)'، 'CR (reg → FTD)'، '2nd _ dep rate'، 'Retention _ D7/D30'، 'Chargeback rate'.

اقتصاد: 'CPA'، 'ARPU _ D7/D30/D90'، 'بازپرداخت'، 'ROAS/ROI'.

تکنیک: تاخیر postback، تاخیر p95،٪ retrays، نسبت وقایع بدون 'click _ id'، اختلاف «operator↔DWH».

خلاق/هدف قرار دادن: گزینه برنده نرخ، زمان برای خروج از یادگیری، منحنی پاسخ توسط فرکانس/نرخ.

7) اشتباهات مکرر و چگونه برای جلوگیری از

1. کلیک کنید/بهینه سازی EPC به جای بازپرداخت/LTV.

2. UTM خام/مناطق زمانی/ارز - شناور D0/D1 و ROI.

3. هیچ idempotency در S2S وجود دارد - FTD دو برابر برای retrains.

4. تعصب در بهره برداری: اکتشاف خاموش شد - خلاقیت ها «می میرند»، مخاطبان می سوزند.

5. انطباق نادیده می گیرد - ممنوعیت و از دست دادن موجودی.

6. بدون A/B در فروش - «مدل در قفسه»، بدون اعتماد.

8) چک لیست

8. 1. قبل از راه اندازی

سیاست UTM, 'click _ id', s2s: 'reg/KYC/FTD/2nd _ dep/refund/chargeback' (UTC/currency, idempointency)
API تبدیل، هشدار تاخیر> 15 دقیقه، سیاهههای مربوط تغییر مسیر/postback
بخش دانه برای LAL، لیست سفید GEO/سن، سلب مسئولیت RG
مدل های پایه: کیفیت اولیه، تقلب خطر، خلاق به ثمر رساند
Guardrails: حداقل/حداکثر پیشنهاد، کلاه، فرکانس، شرایط توقف کیفیت

8. 2. هفته اول

خلبان راهزن خلاق (10-20٪ اکتشاف)
خودکار قدم زدن توسط Prob (Payback_D30) ؛ گزارش انحراف
هشدار ناهنجاری: شکست CR، سنبله ASN، EMQ/افت پشت

8. 3. در روز 30

گزارش کوهورت: Cum_ARPU D7/D30، 2-dep، بازپرداخت توسط بخش
LAL resampling در گروه های برنده، به روز رسانی لیست های محرومیت
DDA/آخرین کلیک در مقابل MMM کشش، تنظیم مخلوط

9) طرح اجرای 30-60-90

0-30 روز - چارچوب و «حقیقت اولیه»

استاندارد کردن S2S، ارزها/TZ، فعال کردن API تبدیل و هشدارها.

بالا بردن ویترین DWH: Cum_ARPU D7/D30، بازپرداخت، گزارش اختلاف.

اجرای کیفیت اولیه + خطر تقلب ؛ اتصال خلاق به ثمر رساند و چرخش باند پایه.

31-60 روز - قوانین خودرو و مقیاس

روشن خودکار biding/قدم زدن توسط Prob (Payback_D30) از guardrails.

گسترش LAL/context-ML هدف قرار دادن، اضافه کردن فرکانس بهینه ساز.

SmartLink-rooting پیشنهادات، روش تجدید نظر ضد تقلب را متصل کنید.

اعتبار سنجی A/B توسط کانال/جغرافیایی.

61-90 روز - استراتژی و پایداری

MMM/مدلهای سببی → بهینه سازی ترکیب بودجه.

MLOps: نظارت بر رانش، چرخش مدل/مخفی، دریل اضطراری (DLQ/retrays).

یکپارچهسازی با سیستمعامل به طور منظم توسط بخش/خلاق، به روز رسانی دیکشنری UTM/ویژگی.

10) کتاب های مینی

قانون شرط بندی خودکار (شبه):

اگر «Prob (Payback_D30) ≥ θ 1» → افزایش پیشنهاد توسط x٪ ؛
اگر 'θ 2 ≤ Prob <θ 1' → چپ ؛
if 'Prob <θ 2' or 'CR (reg → FTD)' قطره توسط X σ → کاهش پیشنهاد/روشن کردن کلاه.

چرخش خلاقیت:

طراحان جدید ۱۵ درصد از ترافیک را دریافت می کنند. در 100 + کلیک بدون regs یا CR <0. 7 × متوسط - توقف خودکار. برنده → تا 60-70٪ از برداشت.

مخاطبان:

بخش هایی با Ret_D7

هوش مصنوعی خرید و هدف گیری رسانه ها را از «صنایع دستی» به یک سیستم کنترل شده می برد: کیفیت را پیش بینی می کند، نرخ ها/بودجه ها را مدیریت می کند، مخاطبان و چرخش ها را پیدا می کند، در برابر تقلب و خطاهای هدفمند محافظت می کند - همه در چارچوب انطباق و بازاریابی مسئولانه. با یک مدار S2S خالص، اقتصاد کوهورت در NGR، رشته UTM و گارد محافظ روشن، الگوریتم ها Payback را تثبیت می کنند و LTV را رشد می دهند و تیم بر فرضیه های استراتژیک و نقاط رشد جدید تمرکز می کند.