インターネット広告における 最適化とその周辺

Unused Section Space 2 Unused

Section Space 3

Unused Section Space 4

Unused Section Space 5

2.0 はじめに

検索連動型広告：仕組みと現状

まとめ

インターネット広告：概観

Unused Section Space 1

インターネット広告：研究概況、例

検索連動型広告：予測と最適化

国立情報学研究所 JST, ERATO, 河原林巨大グラフプロジェクト 大輪 拓也

最適化ワークショップ: 拡がっていく最適化 2013.2.19

2

日本の広告費推移

3

電通「日本の広告費」より

※ http://www2.ttcn.ne.jp/honkawa/5650.html

インターネット広告

※ 2011年 5.7兆円/468兆円

目次

4

はじめに

インターネット広告

概観

研究概況、例

検索連動型広告

仕組みと現状

予測と最適化

まとめ

自己紹介

5

確率論(グラフ上のランダムウォーク(Cover Time, Mixing Time, …))

【学生時代】

• 金沢大学

• 九州大学

アルゴリズム開発(インターネット広告)

【卒業後】

• (株)ブレインパッド

未だちゃんと決めてません…

【現在】

• 国立情報学研究所

Analytics

Solution ASP

6

購入見込みの高いユーザーの誘導

効果が分かり易い

クリック課金

インターネット広告 例１

7

インターネット広告 例２

8

購入見込みの高いユーザーの誘導

効果が分かり易い

クリック課金

インターネット広告 例３

9

インターネット広告 例４

10

なぜインターネット広告？

11

Efficient

Measurable Targetable

Business

Science

広告の昔と今

12

John Wanamaker ※ Wikipediaより

昔 ほぼ4マス

ある程度まとまった資金が必要

マス広告

導線を追う事が難しい

今 オンライン上に無数の媒体

少額でも広告が出せる

パーソナライズ

データの活用

広告媒体

費用

露出方法

効果測定

“Half the money I spend on advertising is wasted;

the trouble is I don’t know which half.”

インターネット広告の分類

13

• バナー広告

• テキスト広告

• 動画広告(リッチメディア広告)

種類

• ターゲティング(行動、属性、etc)

• 検索連動型

• コンテンツ連動型

• 位置連動型

配信方法

• 期間保証型

• 表示回数保証型

• 報酬型(成果報酬、クリック報酬)

課金方法

インターネット広告システム俯瞰図

※ http://www.slideshare.net/HiroshiKondo/jpchaosmap-2012

「カオスマップ」

15

Stanford大学でYahoo!Researchの研究者が講義

KDD,NIPS等でワークショップが開催

「Computational Advertising」

16

※ http://www.stanford.edu/class/msande239/

関連する研究分野

17

インター

ネット

広告

統計モデリング

機械学習、データマイニング

自然言語処理

レコメンド

最適化

ゲーム理論、デザイン

分散処理

Find the “best match” between a given user in a given context and a suitable advertisement

Central

Challenge

広告のプレーヤーと研究視点

18

“どの視点の最適化か？”がポイント

ユーザー

広告主

広告媒体

マッチメーカー

広告売上を

最大化したい 費用対効果(ROI)を

最大化したい

関心の高い

広告を表示

広告システム例：Google

19

広告配信

システム

広告配信

ネットワーク

広告媒体

Google Display Network

Google AdSense Google

検索

Google AdWords

… and more

入札 入札 入札

表示 表示 表示 枠提供

Demand Side

Platform

Google Display Network

20

• サイトの内容に関連する広告を表示

• サイト内のキーワード・頻度、フォントサイズ、リンク構造などから判断

コンテンツターゲット

• 広告主がプレースメントやウェブサイトを選択して広告を掲載

• (コンテンツターゲットの手動版)

プレイスメントターゲット

• サイト訪問者の属性情報や興味/関心がありそうな広告を表示

• 閲覧履歴(Cookie)をもとに推測する

• 詳細はAds Preferences Managerで確認・編集できる

インタレストターゲット

• サイト離脱後に他サイトで広告を表示

リマーケティング

Cookieをもとに属性や興味/関心を推測

Google Ads Preferences Manager

21

自分のブログやホームページなどを広告枠として提供

Google Adsense

22

広告配信

システム

広告配信

ネットワーク

広告媒体

Google Display Network

Google

AdSense

Googl

e

検索

Google AdWords Demand Side

Platform

枠提供

GDNから広告が選択・配信される

表示もしくはクリックされると報酬が得られる

Google Adwords

23

＊＊洋服店

春物

スカート

(検索ワード) … (画像など) …

セーター

バーゲン 社名系

Account

Campaign

Ad Group

Criterion

検索画面に表示 色んなサイトに表示

研究例

24

広告配信

システム

広告配信

ネットワーク

広告媒体

Google Display Network

Google

AdSense Google

検索

Google AdWords Demand Side

Platform

• 効果測定 • 因果分析、相関分析 • モデリング

(クリック率、獲得率)

• アトリビューション分析

• サイトのコンテンツ解析 • ユーザー属性・関心の予測 • トラフィック予測 • マッチング最適化

25

検索連動型広告とは

26

例の図

特に最適化は“どの視点の最適化か？”

2位枠 1位枠

3位枠

4位枠

5位枠

オーガニック検索

検索連動型広告

インターネット広告費内訳

27

※ 電通 http://www.dentsu.co.jp/marketing/mil/17.html より

仕組み

28

オークションで“キーワード”に入札する

キーワードの選定

• 「キーワード」、「広告」、「リンク先」を決める

入札

• 各キーワード事に値段を決める

• 媒体へ入札

表示

• キーワードが検索されたら広告が表示される

• 入札価格が高いほど上位に表示される

課金

• クリックされたら発生

• 単価はセカンドプライスオークションで決まる

セカンドプライスオークション

29

1. “パソコン”に50円で入札

2. あるユーザーが検索した際、2位で表示された

3. その時3位に表示された広告主の入札価格は45円だった

4. ユーザーが自分の広告をクリックした

⇒ 45円を媒体へ支払う

2位枠 1位枠

3位枠

4位枠

5位枠

50円

45円

30円

28円

75円

各広告主の入札額

※ 実際には他の広告主の

入札額は わからない

※ 入札価格 = 上限単価

費用対効果(ROI)が大切

広告主の観点

30

高額入札

⇒ 上位に表示

人目に付く

⇒ クリックが増える

サイト流入増加

⇒ 売上の向上や宣伝効果

1クリック辺りの単価が上がる

コスト(支払額)高騰のリスク

主な指標

31

ROI系

パフォーマンス指標

Cost per Click CPC

• コスト ÷ クリック

• 平均クリック単価

Cost per Acquisition CPA

• コスト ÷ コンバージョン(獲得)数

• 平均獲得単価

Return on Advertising Spend ROAS

• 売上 ÷ コスト

• (×100で“回収率”と言う場合も)

Click Through Rate CTR

• クリック ÷ 表示回数

• クリック率

Cost per Acquisition CPA

• コンバージョン(獲得)数 ÷ クリック数

• 獲得率

ビジネスの課題

32

キーワード数が多いとヒトの運用は難しい

適切な入札価格は？

もっとROIを改善できる？

運用不可が高い

運用者のスキルに依存

自動入札ツール

33

主に以下2つの入札方式

ルールベース

○ 「直近7日間でクリック数10以下なら、- ¥5」など

ポートフォリオ

自動入札ツール例

日本製 L２Mixer

アドエビス AutoBid

ADPLAN

海外製 Marin (アメリカ)

Kenshoo Enterprise (イスラエル)

Efficient Frontier (アメリカ)

… and more

ポートフォリオの構成：データの取得

34

データの種類

媒体から取得が可能 (APIを利用した取得も可能)

１ 入札額

２ ・表示回数

・順位

３ ・クリック数

・コスト

自社サイト

４ ・購入件数

・売上

キーワード名 日付 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上

パソコン 2013/1/1 ¥20 230 1.4 180 ¥2,470 3 ¥15,000

過去実績から、入札額に対する各値の期待効果を予測

キーワード名 日付 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上

パソコン 2013/1/1 ¥20 230 1.4 180 ¥2,470 3 ¥15,000

2013/1/2 ¥16 190 1.9 115 ¥1,800 1 ¥4,800

2013/1/3 ¥20 300 1.2 200 ¥3,000 5 ¥18,000

: : : : : : : :

Today ??? ??? ??? ??? ??? ??? ???

ポートフォリオの構成：予測

35

キーワード名 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上

パソコン ¥15 180 2.0 100 ¥1,650 1 ¥4,000

¥16 190 1.9 115 ¥1,800 2 ¥9,000

¥18 235 1.4 160 ¥2,100 3 ¥10,000

¥20 260 1.2 190 ¥2,800 5 ¥16,000

¥21 265 1.1 205 ¥3,000 6 ¥19,000

過去実績

予測値

各キーワードの予測値を求めた後、最適な入札パターンを算出

ポートフォリオの構成：最適化

36

キーワード名 入札額 表示回数 平均順位 クリック数 コスト 購入件数 売上

パソコン ¥15 180 2.0 100 ¥1,650 1 ¥4,000

¥16 190 1.9 115 ¥1,800 2 ¥9,000

¥18 235 1.4 160 ¥2,100 3 ¥10,000

¥20 260 1.2 190 ¥2,800 5 ¥16,000

ノートPC ¥24 50 3.4 18 ¥360 1 ¥800

¥26 60 3.2 25 ¥400 1 ¥900

¥28 75 3.1 29 ¥550 2 ¥1,200

¥30 80 3.0 30 ¥600 3 ¥1,800

デスクトップ ¥50 1000 1.6 500 ¥5,000 10 ¥4,000

¥60 1200 1.5 550 ¥7,500 19 ¥9,000

¥70 1400 1.3 800 ¥9,100 20 ¥10,000

¥80 1600 1.2 1,000 ¥14,300 34 ¥16,000

¥90 1800 1.1 1,500 ¥20,000 45 ¥19,000

: : : : : : : :

予測値 今日の

最適な

入札価格

ポートフォリオの構成：まとめ

37

最適化

予測

データ取得

38

自動入札ツールの処理フロー

39

• システム構築

• APIの利用

①データの取得

• 機械学習、データマイニング

②予測 • 予測モデルにもとづく最適化

③最適化

• (①とほぼ同様)

④入札

各キーワード𝑘毎、入札価格𝑥に対する予測モデル𝑓𝑘(𝑥)を構築

𝑖𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛𝑘 𝑥 : 表示回数

𝑟𝑎𝑛𝑘𝑘 𝑥 : 順位

𝑐𝑜𝑠𝑡𝑘 𝑥 : コスト

𝑐𝑙𝑖𝑐𝑘𝑘 𝑥 : クリック数

𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑘 𝑥 : 獲得数

𝑠𝑎𝑙𝑒𝑠𝑘 𝑥 : 売上

必要な予測モデル

40

予測モデルの要件と課題

41

• 説明変数は入札価格

• 各予測値は非減少を担保

• 過去(= 学習データ)に経験の無い入札価格帯に対する予測値も“ある程度”求める

予測モデルの要件

• 安定性

• 処理速度（キーワード毎にモデリング）

• できるだけ多くのキーワードにモデルを作る

• キーワードに寄っては学習データが殆ど無い場合も

• “0”予測はNG

難しいところ

予

運用戦略例と最適化の式

42

戦略 定式化

予算内でクリック数を最大化 最大化： 𝑐𝑙𝑖𝑐𝑘𝑘 𝑥𝑘

制約： 𝑐𝑜𝑠𝑡𝑘 𝑥𝑘 ≤ 𝐵𝑢𝑑𝑔𝑒𝑡

平均獲得単価(CPA)を担保したうえで、獲得件数を最大化

最大化： 𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑘 𝑥𝑘

制約： 𝑐𝑜𝑠𝑡𝑘 𝑥𝑘

𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑘 𝑥𝑘≤ 𝐶𝑃𝐴

最低獲得件数を設定したうえで、回収率(ROAS)を最大化

最大化： 𝑠𝑎𝑙𝑒𝑠𝑘 𝑥𝑘

𝑐𝑜𝑠𝑡𝑘 𝑥𝑘

制約： 𝑐𝑜𝑛𝑣𝑒𝑟𝑠𝑖𝑜𝑛𝑘 𝑥𝑘 ≥𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡

課題

キーワード数は膨大

各予測値は非線形(非凸)な場合が多い

解決策

予測モデルを区分線形近似

Special Orderd Set 制約 (Type2)

⇒ 混合整数計画問題に帰着

最適化における課題

43

𝑐𝑙𝑖𝑐𝑘𝑘 𝑥 ≈ 𝑐𝑙𝑖𝑐𝑘𝑘 = 𝑐𝑙𝑘𝜃𝑙𝑘4

𝑙=0 , 𝑥 = 𝑥𝑙(𝑘)𝜃𝑙𝑘4

𝑙=0

𝜃𝑙(𝑘)= 14

𝑙=0 , 0 ≤ 𝜃0𝑘≤ ⋯ ≤ 𝜃4

𝑘≤ 1

𝑧𝑙(𝑘)= 14

𝑙=0 , 𝑧𝑙(𝑘)∈ 0,1 , 𝑧𝑙

𝑘 ≤ 𝜃𝑙𝑘 + 𝜃𝑙+1

(𝑘)

区分線形表現とSOS制約

44

入札価格 𝑥1 𝑥2 𝑥3 𝑥4

𝑐1(𝑘)

𝑐2(𝑘)

𝑐3(𝑘)

𝑐4(𝑘)

𝑥0

𝑐𝑙𝑖𝑐𝑘𝑘 𝑥

𝑐𝑙𝑘𝜃𝑙𝑘

4

𝑙=0

「予算内でクリック数最大化」の場合 最大化

○ 𝑐𝑙𝑖𝑐𝑘𝑙𝑘𝜃𝑙𝑘

𝑙𝑘

制約

○ キーワード全体の制約

𝑐𝑜𝑠𝑡𝑙𝑘𝜃𝑙𝑘

𝑙𝑘 ≤ 𝐵𝑢𝑑𝑔𝑒𝑡

○ キーワード毎の制約

𝜃𝑙(𝑘)= 1𝑙 , 0 ≤ 𝜃0

𝑘≤ ⋯ ≤ 𝜃𝑛

𝑘≤ 1

𝑧𝑙(𝑘)= 1𝑙 , 𝑧𝑙

(𝑘)∈ 0,1 , 𝑧𝑙

𝑘≤ 𝜃𝑙

𝑘+ 𝜃𝑙+1(𝑘)

定式化再考

45

ビジネス要件

入札価格に

上限・下限が

設定される

コストコント

ロールを強化

したい

解決策

入札価格の

使用可能な

区間を制限

予測精度を

加味して使用

コストを制限

最適化(制約)

入札不可の

k, 𝑙で𝜃𝑙𝑘= 0

𝑐𝑜𝑠𝑡𝑙(𝑘)

𝑙∈𝑆𝑘≤ 25% × 𝐵𝑢𝑑𝑔𝑒𝑡

応用例

46

予測精度を

加味した集合

ポートフォリオの課題

47

ビジネス

• オーガニック検索との兼ね合い

• アトリビューション

• キーワード作成

予測モデル

• テールワードの予測

• 学習データの扱い(入札時間・頻度の影響)

最適化

？？？

48

魅力的な研究分野

関連分野は多岐に渡る

ビジネスに直結した面白さ

未開拓/未解決の領域が山積

ビジネスやテクノロジーの発展は目紛しい

更なる研究領域の拡大

(プライバシー、クロスメディア、etc)

国内研究の活性化

海外先行

“媒体”視点の研究成果が多い

まとめ

49

ユーザー

広告主

広告媒体

マッチ

メーカー