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.
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.