Методы значений Шепли для моделирования атрибуции в интернет-рекламе

А вот и готов перевод интересной научной статьи.
Ее тизер ниже:

Друзья, недавно натолкнулся на интересную научную статью, перевод которой представлен ниже. Исходник статьи вы можете найти по ссылке.

В этой статье рассматривается метод значений Шепли для анализа атрибуции в области интернет-рекламы. Будучи подходящим решением для распределения заслуг в теории кооперативных игр, метод значений Шепли напрямую количественно оценивает вклад входных данных интернет-рекламы в ключевой показатель эффективности (KPI) рекламы по нескольким каналам. Мы упрощаем метод расчета, разрабатывая альтернативную математическую формулу. Новая формула значительно повышает эффективность вычислений и, следовательно, расширяет область применения. На основе упрощенной формулы мы далее разрабатываем метод упорядоченных значений Шепли. Предложенный метод учитывает порядок посещения каналов пользователями. Мы утверждаем, что он обеспечивает более полное понимание, оценивая атрибуцию каналов на различных этапах пути конверсии пользователей. Предложенные подходы иллюстрируются на примерах реальных кампаний интернет-рекламы.

Ключевые слова: Теория кооперативных игр; Цифровая реклама; Моделирование атрибуции с несколькими касаниями; Метод упорядоченных значений Шепли.

В эпоху цифровых технологий реклама может достигать и влиять на пользователей через различные каналы и устройства. Онлайн-каналы, включая поисковые системы, паблишеры, цифровые видео и т.д., широко используются при планировании рекламных кампаний. Они воспроизводят рекламные впечатления целевым пользователям на ПК, смартфонах, планшетах и т.д. В результате решение пользователя о совершении покупки (приобретение товара или подписка на услугу) обычно вызвано множественными контактами с рекламой. Поэтому критической проблемой, интересующей рекламодателей, является вопрос о том, как ключевой показатель эффективности рекламы (KPI), такой как конверсия или доход, должен быть приписан всем рекламным каналам, участвующим в кампании. Систематические подходы к решению этой проблемы классифицируются как моделирование атрибуции.Маркетологи начинают анализ атрибуции с простых моделей, основанных на таких правилах, как модели последнего касания (первого касания), линейные, U-образные и модели временного убывания. Они распределяют “вклады” согласно предопределенным эвристическим правилам. Однако эти модели имеют значительные ограничения. В таком случае, желаемая модель атрибуции должна быть основана на конкретных данных. Результативное распределение вложений должно быть специфичным для каждой кампании, рекламируемого продукта/услуги и даже пользователей, участвующих в кампании.Альтернативный способ решения проблемы атрибуции основан на передовых методологиях анализа данных, известных как алгоритмические подходы, которые привлекают все больше внимания в последнее десятилетие . Шао и Ли предложили «простую вероятностную модель». Эта методология изучает, помимо эффекта каждого отдельного канала, совместное воздействие всех возможных комбинаций двух, трех или более каналов. Авторы предполагают, что на практике вклады от взаимодействий выше второго порядка можно не учитывать. Впоследствии Далессандро и др. разработали метод атрибуции важности канала как обобщение работы Шао и Ли. Этот метод анализирует взаимодействия каналов до полного порядка, то есть совместные эффекты всех рекламных каналов. Полученный подход эквивалентен методу значений Шепли в теории кооперативных игр.Метод значений Шепли является общим подходом к распределению вложений/заслуг в теории кооперативных игр. Он основан на оценке предельного вклада каждого игрока в игру. Заслуга, присваиваемая каждому отдельному игроку, то есть значение Шепли, является ожидаемым значением этого предельного вклада по всем возможным перестановкам игроков. Метод значений Шепли нашел применение в различных областях . Например, Ма и др. применили его для разработки механизма распределения прибыли для поставщиков интернет-услуг (ISP) в интернет-экономике. В контексте атрибуции рекламы значение Шепли рассматривает рекламную кампанию как кооперативную игру, а рекламные каналы как игроков в этой игре. Каналы сотрудничают, чтобы привлекать, влиять и конвертировать пользователей. Значение Шепли каждого канала рассчитывается на основе его вклада в ключевой показатель эффективности рекламы (KPI), который может включать индивидуальные вклады и синергию с остальными.В данной статье мы пересматриваем метод значений Шепли для моделирования атрибуции в онлайн-рекламе. Метрики эффективности, используемые в этом подходе, обсуждаются и переосмысляются специально для рекламной сферы. На основе нашей интерпретации мы разрабатываем упрощенную формулу расчета. Новая формула математически эквивалентна общему методу значений Шепли, но имеет значительно более высокую вычислительную эффективность. Мы также предлагаем рассмотреть упорядоченный метод значений Шепли, чтобы учесть эффект порядка касания рекламных каналов. Наш новый подход может предоставить больше информации об эффективности рекламных каналов на различных этапах пути конверсии пользователей.В разделе 2 данной статьи мы рассматриваем метод значений Шепли и обсуждаем метрики эффективности рекламы, включая измерения вклада и предельного вклада. Также описываем связанные свойства, которые обеспечивают эффективность и справедливость в распределении вкладов. Раздел 3 представляет нашу упрощенную формулу расчета, в то время как подробное математическое доказательство представлено в приложении. Далее, в разделе 4, мы предлагаем упорядоченный метод значений Шепли, включая мотивацию и механизм атрибуции. Раздел 5 демонстрирует эффективность предложенных подходов на основе реального набора данных онлайн рекламной кампании. Мы завершаем нашу работу кратким обсуждением в разделе 6.

Метод Шепли рассматривает рекламные каналы как игроков в кооперативной игре. Он напрямую измеряет вклад каналов в рекламные KPI и берет среднее всех добавленных вкладов в качестве значений атрибуции. В частности, имея широкую совокупность 𝑃, состоящую из рекламных каналов {𝑥1, 𝑥2, … , 𝑥𝑝}, мы используем функцию полезности 𝜈(𝑆) для описания вклада 𝑆, который представляет совокупность каналов. Значение Шепли может быть рассчитано с использованием следующей формулы.

Продолжение читайте по ссылке.