AI

Cara ML menentukan nilai sebuah impresi

Kurva prediksi dengan titik-titik sampel dan puncak tawaran terbaik yang ditandai

Setiap kali slot iklan terbuka, pertanyaan yang sama muncul: berapa nilai satu tayangan ini bagi saya? Manusia tidak akan pernah bisa menjawabnya cukup cepat, atau cukup sering. Model machine learning bisa — jutaan kali per detik, dengan keputusan baru setiap kali. Berikut gambaran kasar cara kerjanya, tanpa rumus matematika.

Pertanyaan di balik setiap tawaran

Dua impresi hampir tidak pernah bernilai sama. Tayangan dari seseorang yang hampir membeli jauh lebih berharga daripada tayangan dari seseorang yang tidak akan pernah melakukan konversi — meskipun iklannya terlihat sama persis. Intinya adalah membedakan keduanya dalam beberapa milidetik yang Anda miliki, lalu menawar sesuai nilainya.

Apa yang diperhatikan model

Saat bid request (permintaan tawaran) masuk, model membaca sinyal yang menyertainya dan melihat bagaimana peluang serupa berjalan di masa lalu. Secara garis besar, model menimbang hal-hal seperti:

  • konteks — aplikasi atau halaman apa, jenis kontennya seperti apa;
  • format dan penempatan — apakah iklan kemungkinan benar-benar terlihat;
  • perangkat, waktu, dan perkiraan lokasi;
  • bagaimana kinerja impresi serupa di masa lalu terhadap tujuan Anda.

Dari semua itu muncul satu angka yang berguna: perkiraan seberapa besar kemungkinan tayangan ini menghasilkan hasil yang Anda inginkan.

Prediksi dulu, lalu turunkan tawaran (bid shading)

Setelah model memprediksi nilainya, ia menghitung mundur ke sebuah harga. Model tidak sekadar menawar tinggi agar aman — itu memboroskan anggaran. Ia mencari harga terendah yang seharusnya masih menang di lelang tersebut, lalu menawar di harga itu. Ini disebut bid shading, dan di jutaan lelang, inilah yang membedakan apakah anggaran Anda membeli banyak atau sedikit.

Intuisinya

Memprediksi nilai memberi tahu Anda impresi mana yang perlu dikejar. Bid shading memberi tahu Anda berapa yang harus dibayar. Anda butuh keduanya — nilai tanpa disiplin harga berarti membayar terlalu mahal; disiplin harga tanpa nilai berarti membeli tayangan murah yang tidak berguna.

Auto-optimization: menyesuaikan diri sendiri

Bagian inilah yang paling menghemat waktu Anda. Model tidak membuat satu keputusan lalu berhenti — ia terus belajar dari hasil dan menyesuaikan diri tanpa banyak terlihat. Jika jenis penempatan tertentu menghasilkan konversi, model memperbesar porsinya; jika yang lain membuang uang, model menguranginya. Tawaran, laju pembelanjaan anggaran (budget pacing), dan penargetan semuanya bergeser ke arah yang berhasil, 24/7, tanpa ada yang perlu memutar tombol. Anda menetapkan tujuan sekali; sistem terus mengejarnya.

Mengapa "dapat dijelaskan" itu penting

Otomatisasi hanya layak dipercaya jika Anda bisa melihat apa yang dilakukannya. Sistem yang baik tidak sekadar bertindak — ia memberi tahu Anda, dengan bahasa sederhana, mengapa ia menawar seperti itu dan apa yang berubah. Itulah bedanya AI yang Anda awasi dengan kotak hitam yang Anda harap berperilaku baik. Kami tegas berada di pihak "tunjukkan cara kerjanya".

Inilah yang dilakukan mesin machine learning AdZoic pada setiap tawaran. Ingin memahami konteks lelangnya? Baca RTB dijelaskan.

A
Tim AdZoic
Membuat pembelian iklan masuk akal, dari Dhaka.
Baca juga

Panduan terkait

Linimasa lelang dengan batang tawaran yang berlomba dan tawaran pemenang berwarna tealDasar

Penjelasan RTB: lelang iklan dalam ~100 ms

Dari halaman terbuka hingga iklan pemenang muncul — langkah demi langkah.

Jun 2026 · 5 menit baca
Diagram batang dengan garis tren dan label CPM, CTR, CVR, dan ROASPengukuran

eCPM, CTR, impresi: metrik yang penting

Pahami dasbor Anda dan ketahui angka mana yang perlu dipantau.

Jun 2026 · 5 menit baca
Diagram Venn: konten halaman di satu sisi, seseorang di sisi lainPenargetan

Penargetan kontekstual vs. audiens

Dua cara menemukan orang yang tepat — dan kapan menggunakan masing-masing.

Jun 2026 · 5 menit baca

← Kembali ke semua artikel