자동 최적화 모델은 비즈니스 클라이언트가 설정한 반환(KPI)을 극대화하는 오퍼를 제공하는 것을 목표로 합니다. 이러한 KPI는 전환율, 매출 등의 유형일 수 있습니다. 이때 자동 최적화는 오퍼를 Adobe Target으로 전환하여 오퍼 클릭 최적화에 중점을 둡니다. 자동 최적화는 오퍼의 "전역" 성능을 기반으로 개인화되지 않고 최적화합니다.
의사 결정 관리에 자동 최적화 모델을 사용하는 경우에는 아래 제한 사항이 적용됩니다.
다음 용어는 자동 최적화에 대해 논의할 때 유용합니다.
다중 무장 강도: A 다중 무장 강도단최적화를 위한 접근 방식은 해당 학습의 탐구적 학습과 활용에 대한 균형을 맞춥니다.
톰슨 샘플링: Thompson 샘플링은 즉각적인 성능을 최대화하기 위해 알려진 것을 이용하고 향후 성능을 향상시킬 수 있는 새로운 정보를 축적하기 위해 투자 간의 균형을 맞추기 위해 순차적으로 조치를 취하는 온라인 의사 결정 문제에 대한 알고리즘입니다. 자세히 알아보기
자동 최적화의 기반이 되는 알고리즘은 톰슨 샘플링. 이 섹션에서는 톰슨의 샘플에 대한 직관에 대해 토론합니다.
톰슨 샘플링 또는 Bayesian 도적은 다중 무장 산적 문제에 대한 Bayesian 접근입니다. 기본적인 생각은 평균적인 보상을 다루는 ?? 각 오퍼에서 임의 변수 그리고 우리가 지금까지 수집한 데이터를 이용하여 평균적인 보상금에 대한 우리의 "믿음"을 갱신합니다. 이 "믿음"은 수학적으로 후순위 확률 분포 - 기본적으로 각 오퍼에 대해 해당 값이 있는 성향(또는 가능성)과 함께 평균 포상금에 대한 값의 범위입니다. 그럼 모든 결정을 위해 이 후기 보상 분배 각각에 대한 포인트 샘플 그리고 샘플링된 보상이 가장 높은 오퍼를 선택합니다.
이 프로세스는 아래 그림에 나와 있으며, 여기에서는 3개의 다른 오퍼가 있습니다. 처음에 우리는 데이터로부터 어떤 증거도 가지고 있지 않으며, 우리는 모든 오퍼에 일관된 후순위 보상 분포가 있다고 가정합니다. 각 오퍼의 후순위 보상 분포에서 샘플을 추출합니다. 오퍼 2의 배포에서 선택한 샘플이 가장 높은 값을 갖습니다. 이것은 탐험. 오퍼 2를 표시한 후 잠재적 보상(예: 전환/전환 없음)을 수집하고 아래 설명된 대로 Bayes Theory를 사용하여 오퍼 2의 사후 배포를 업데이트합니다. Adobe에서는 오퍼가 표시되고 보상이 수집될 때마다 이 프로세스를 계속 진행하고 후기 분배를 갱신합니다. 두 번째 그림에서 오퍼 3이 선택되었습니다. 평균 보상(후순위 보상 분포가 가장 오른쪽에 있음)이 가장 높은 오퍼 1에도 불구하고 각 배포의 샘플링 프로세스를 통해 명백히 최적 오퍼 3을 선택했습니다. 따라서 Adobe에서는 Offer 3의 실제 보상 분포에 대해 자세히 알아볼 수 있는 기회를 제공합니다.
더 많은 샘플이 수집되면 신뢰도가 높아지고 가능한 포상금에 대한 보다 정확한 추정이 획득됩니다(좁은 보상 분포에 해당). 더 많은 증거가 가능해짐에 따라 우리의 믿음을 업데이트하는 이러한 과정은 다음과 같이 알려져 있습니다 베이시안 추론.
결과적으로 한 오퍼(예: 오퍼 1)가 명백한 승자인 경우 해당 후순위 보상 분포가 다른 오퍼와 구분됩니다. 이 시점에서 각 결정에 대해, 오퍼 1에서 샘플링된 보상이 가장 높을 가능성이 있으며, 가능성이 더 높은 오퍼를 선택할 것입니다. 이것은 개발 " 저희는 오퍼 1이 가장 훌륭하다고 믿고 있습니다.따라서 보상을 극대화하기 위해 오퍼를 선택하게 되었습니다."
그림 1: 모든 결정에 대해, 우리는 후기 보상 분포에서 포인트를 샘플링합니다. 샘플 값이 가장 높은 오퍼(전환율)가 선택됩니다. 초기 단계에서는 데이터에서 오퍼의 전환율에 대한 증거가 없으므로 모든 오퍼에 균일한 분산이 있습니다. 우리가 더 많은 샘플을 수집함에 따라, 후기 분배는 더 좁고 더 정확해진다. 궁극적으로, 전환율이 가장 높은 오퍼가 매번 선택됩니다.
분배를 계산/갱신하려면 베이스 정리. 각 오퍼에 대해 iP(??i)를 계산하려고 합니다. | data), 즉 각 오퍼에 대해 i: 보상 값의 가능성 ??i** 은(는) 해당 오퍼에 대해 지금까지 수집한 데이터가 주어지면 됩니다.
베이스 정리:
후기 = 가능성 * 이전
다음 이전 확률 은 출력을 생성할 가능성에 대한 초기 추측입니다. 몇 가지 증거를 수집한 후, 그 확률을 후기 확률.
자동 최적화는 이진 보상을 고려하도록 설계되었습니다(클릭/클릭 없음). 이 경우, 가능성은 N개의 시도 성공 횟수를 나타내며 이종 분포. 일부 가능성 기능의 경우, 특정 이전 을 선택하는 경우, 포스트레이터는 이전 과 동일한 배포로 끝납니다. 이러한 전의 는 이전. 이런 종류의 이전은 후기 분배의 계산을 매우 간단하게 합니다. 다음 베타 배포 바이너리 가능성(이진 보상) 이전의 접합체이므로 이전 및 후기 확률 분포에 편리하고 현명한 선택입니다.베타 배포는 두 가지 매개 변수를 사용합니다. 알파 및 베타. 이러한 매개 변수는 성공 및 실패 수 및 에 의해 제공되는 평균 값으로 생각할 수 있습니다.
위에서 설명한 Positive 함수는 성공(전환) 및 실패(전환 없음)와 q가 있는 Binomial 분포를 통해 모델링됩니다 임의 변수( 베타 배포.
이전 버전은 베타 배포로 모델링되며 후기 배포는 다음 양식을 사용합니다.
포스트리터는 기존 매개 변수에 성공 및 실패 횟수를 추가하면 계산됩니다 알파, 베타.
위의 예에 표시된 자동 최적화의 경우, Adobe에서는 이전 배포로 시작합니다 베타(1, 1) (균일한 배포) 모든 오퍼에 대해 그리고 지정된 오퍼에 대한 성공 및 실패를 받은 후, 포스트리저는 매개 변수를 사용한 베타 배포가 됩니다 (s+a, f+베타) 참조하십시오.
관련 항목:
톰슨의 샘플에 대해 자세히 알아보려면 다음 연구 논문을 읽으세요.
새 오퍼가 캠페인에 추가되면 "콜드 시작" 문제가 발생하고, 새 오퍼의 전환율에 대해 사용할 수 있는 데이터가 없습니다. 이 기간 동안 이 새 오퍼의 전환율에 대한 정보를 수집하는 동안 성과 감소를 최소화하도록 이 새 오퍼를 선택하는 빈도에 대한 전략을 만들어야 합니다. 이 문제를 해결하는 데 사용할 수 있는 여러 가지 해결 방법이 있습니다. 중요한 것은 우리가 그 착취를 별로 희생하지 않고 이 새로운 오퍼의 탐구 사이에 균형을 찾는 것이다. 현재 Adobe에서는 새 오퍼의 전환율(이전 배포)에 대한 초기 추측으로 "균일한 배포"를 사용합니다. 기본적으로 모든 전환율 값을 발생 가능성과 동일하게 제공합니다.
그림 2: 3개의 오퍼가 있는 캠페인을 고려하십시오. 캠페인이 라이브 상태인 동안 오퍼 4가 캠페인에 추가됩니다. 처음에는 오퍼 4의 전환율에 대한 데이터가 없으며 시작 미해결 문제를 해결해야 합니다. Adobe에서는 이 새 오퍼에 대한 데이터를 수집하는 동안 오퍼 4의 전환율에 대한 초기 추측으로 균일한 배포를 사용합니다. 에 설명된 대로 톰슨 샘플링 섹션에서 사용자에게 표시할 오퍼를 선택하려면 오퍼의 후기 보상 배포에서 포인트를 샘플링하고 가장 높은 샘플 값이 있는 오퍼를 선택합니다. 위의 예에서, 오퍼 4는 수집된 리워드를 기반으로 하여 선택된 후 이 오퍼의 사후 배포는 다음에 설명된 대로 업데이트됩니다. 톰슨 샘플링 섹션을 참조하십시오.
상승도는 기준 전략(오퍼를 임의로 제공)과 비교하여 순위 서비스에 배포된 모든 전략의 성과를 측정하는 데 사용되는 지표입니다.
예를 들어, 순위 지정 서비스에서 사용되는 TS(Thompson Sampling) 전략의 성과를 측정하고 KPI가 전환율(CVR)인 경우 기준 전략에 대한 TS 전략의 "상승도"는 다음과 같이 정의됩니다.