System Autonomicznej Optymalizacji Kampanii Reklamowych oparty na Uczeniu Maszynowym
Loading...
dokumentacja_ML_PL.pdf (162.39 KB)
Authors
0009-0000-8173-7634 Date
2023-05-01
Journal Title
Journal ISSN
Volume Title
Publisher
Using this material is possible in accordance with the relevant provisions of fair use or other exceptions provided by law. Other use requires the consent of the holder.
Abstract
Niniejsza dokumentacja przedstawia kompleksowe wyniki prac badawczych nad rozwojem systemu autonomicznej optymalizacji kampanii reklamowych w ekosystemie Google Ads z wykorzystaniem zaawansowanych technik uczenia maszynowego. Głównym celem projektu było opracowanie modelu predykcyjnego zdolnego do dokładnego prognozowania optymalnych stawek CPC (Cost Per Click) w kampaniach reklamowych typu PLA (Product Listing Ads) oraz Search, w celu maksymalizacji wskaźnika ROAS (Return on Ad Spend) przy zachowaniu kontroli nad budżetem reklamowym. W ramach projektu przeprowadzono systematyczne badania porównawcze sześciu architektur sieci neuronowych i algorytmów uczenia maszynowego: N-BEATS (Neural Basis Expansion Analysis for Time Series), LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), TCN (Temporal Convolutional Network), Transformer oraz LightGBM (gradient boosting). Badania przeprowadzono na rzeczywistym zbiorze danych obejmuja˛cym 468 kampanii reklamowych z okresu lipiec-grudzien´ 2021 roku, co stanowi około 19 200 obserwacji dziennych. Analiza porównawcza wykazała, z˙e architektura N-BEATS osia˛gne˛ła najlepszy balans pomiędzy dokładnością predykcji (MAPE = 13,0%), stabilnością długoterminowych prognoz oraz odpornością na wartości odstające, co przełożyło się na wybór tego modelu do wdrożenia produkcyjnego. Testy na zbiorze testowym wykazały następujące poziomy dokładności: GRU (11,0%), LightGBM (12,0%), N-BEATS (13,0%), Transformer (14,0%), LSTM (15,0%) oraz TCN (20,0%). Wdrożenie modelu N-BEATS w środowisku produkcyjnym i przeprowadzenie testów na żywych kampaniach reklamowych (okres 30-45 dni) wykazało znaczącą przewagę nad optymalizacją manualną wykonywaną przez specjalistów SEM. System autonomiczny osiągnął średni wzrost wskaźnika ROAS o +21,4% (z 4,2 do 5,1), redukcję kosztu konwersji o -16,6% (z 45,80 PLN do 38,20 PLN), wzrost liczby konwersji o +25,6% (z 328 do 412) oraz redukcję średniego CPC o -14,0% (z 2,15 PLN do 1,85 PLN). System został zaimplementowany w architekturze mikroserwisowej składającej się z sześciu kluczowych serwisów, z dedykowaną bazą danych analitycznych wspierającą procesy uczenia maszynowego oraz operacyjną bazą danych do obsługi działania aplikacji w czasie rzeczywistym.
Description
Description
Keywords
Citation
Suma, S. (2023). System Autonomicznej Optymalizacji Kampanii Reklamowych oparty na Uczeniu Maszynowym. Projekt B+R – Prace Badawcze Dokumentacja Modelu Predykcyjnego do Prognozowania Optymalnych Stawek CPC w Kampaniach Google Ads. [dokumentacja techniczna].