ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ
ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
Ανάπτυξη ευφυούς πράκτορα σχετικά με δημοπρασίες διαδικτυακών διαφημίσεων.
Γρηγόριος Α. Δημόπουλος
Επιβλέποντες: Παναγιώτης Σταματόπουλος, Επίκουρος Καθηγητής στο Τμήμα Πληροφορικής και Τηλεπικοινωνιών του Πανεπιστημίου Αθηνών Ιωάννης Βέτσικας Ε.Κ.Ε.Φ.Ε. “Δημόκριτος”
ΑΘΗΝΑ ΜΑΡΤΙΟΣ 2017
ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ
Ανάπτυξη ευφυούς πράκτορα σχετικά με δημοπρασίες διαδικτυακών διαφημίσεων.
Γρηγόριος Α. Δημόπουλος Α.Μ.: 1115201100198
Επιβλέποντες: Παναγιώτης Σταματόπουλος, Επίκουρος Καθηγητής στο Τμήμα Πληροφορικής και Τηλεπικοινωνιών του Πανεπιστημίου Αθηνών Ιωάννης Βέτσικας Ε.Κ.Ε.Φ.Ε. “Δημόκριτος”
Αντικείμενο της πτυχιακής εργασίας είναι η συλλογή και εκπλήρωση διαδικτυακών διαφημιστικών καμπανιών από ευφυή πράκτορα, ο οποίος δρα σαν ενδιάμεσος ανάμεσα σε πελάτες και σε διαδικτυακές σελίδες. Η ανάπτυξη έγινε στα πλαίσια του διαγωνισμού TAC Ad-exchange 2016 οπού έλαβε μέρος και κατέκτησε την πρώτη θέση. Σκοπός του διαγωνισμού ήταν ο πράκτορας να αποκομίσει το μεγαλύτερο κέρδος προς όφελος του σε σχέση με τους αντιπάλους πράκτορες.
Ο πρώτος άξονας ανάπτυξης του ευφυούς πράκτορα έχει να κάνει με την ικανότητα του να συλλέγει διαφημιστικές καμπάνιες από πελάτες σε βιώσιμη τιμή, με στόχο την μελλοντική ανταγωνιστικότητα και το κέρδος. Η δέσμευση μιας διαφημιστικής καμπάνιας υλοποιείται με δημοπρασίες δεύτερης τιμής με ανώτατη και κατώτατη τιμή . Στο κομμάτι αυτό χρησιμοποιήθηκε μηχανική μάθηση μακράς περιόδου λαμβάνοντας υπόψιν τα έξοδα από παλαιότερες καμπάνιες με παρόμοια χαρακτηριστικά, το ποσοστό εκπλήρωσης της καμπάνιας που θέλουμε να πετύχουμε άλλα και το περιβάλλον. Δεύτερο σημαντικό κομμάτι υπήρξε η ικανότητα του πράκτορα να μπορεί να αγοράζει από διαδικτυακές σελίδες εντυπώσεις για την τοποθέτηση διαφημίσεων της επιλογής του, ώστε να εκπληρώσει σε ικανοποιητικό βαθμό για αυτόν και το μέλλον του κατά την διάρκεια του διαγωνισμού. Η δέσμευση μιας εντύπωσης από ένα πράκτορα υλοποιείται με δημοπρασίες δεύτερης τιμής με κατώτατη τιμή. Το κομμάτι αυτό αντιμετωπίστηκε λαμβάνοντας υπόψιν το αναμενόμενο κέρδος από κάθε εντύπωση και προβλέποντας μια σταθεροποιημένη τιμή πονταρίσματος των αντιπάλων. Τρίτο σημαντικό κομμάτι αποτελεί η ικανότητα του πράκτορα να γνωρίζει τα ιδιαίτερα χαρακτηριστικά του χρήστη μιας ιστοσελίδα ώστε να προβάλει την κατάλληλη διαφήμιση λαμβάνοντας υπόψιν το κομμάτι πληθυσμού που στοχεύει μια διαφημιστική καμπάνια. Το ποσοστό πληροφοριών που λαμβάνει ένας πράκτορας υλοποιείται με γενικευμένη δημοπρασία δεύτερης τιμής. Στο κομμάτι αυτό χρησιμοποιήθηκε μηχανική μάθηση μικρής περιόδου χρησιμοποιώντας το ποσοστό της γνώσης που έλαβε ο πράκτορας στο παρελθόν με συγκεκριμένα πονταρίσματα.
Τα πειράματα μαζί με τον διαγωνισμό δείχνουν ότι ο πράκτορας διακρίνεται από σταθερότητα και προσαρμοστικότητα, που βασίζεται στην ικανότητα του να αναλύει το περιβάλλον της αγοράς στο οποίο βρίσκεται.
ΘΕΜΑΤΙΚΗ ΠΕΡΙΟΧΗ: Ευφυείς Πράκτορες
ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: Μηχανική Μάθηση, Ad Exchange, Trading Agent Competition (TAC), Δημοπρασίες, Βελτιστοποίηση
The subject of the thesis is to gather and complete online ad campaigns using an intelligent agent who acts as intermediary between clients and web pages. The development of the intelligent agent software was part of the competition TAC Ad-exchange 2016 where he took part and conquered the first place. The aim of the competition was the agent to gain more profit in relation to its rivals agents.
The first axis of development of the intelligent agent has to do with its ability to collect ad campaigns in a sustainable price, taking into account his future ability to be competitive and making profit. The commitment of an advertising campaign is implemented by the second price auctions with minimum and maximum price. In this part was used long period machine learning considering the cost of previous campaigns with similar characteristics, the desirable campaign complete rate and environment of market. Second important part was the ability of the agent to be able to buy from web pages impressions for ad placement of his choice, so he can perform satisfactorily for him and his future during the competition.
The commitment of an impression to an agent was implemented by second price auctions with lowest price. This part has been addressed taking into account the expected profit from each impression and also using a main betting value of the opponents to calculate the optimized bid. The third important part is the ability of the agent to know the characteristics of the users of a website to place the appropriate ad considering the target group of an advertising campaign. The quantum of information an agent gains is implemented with generalized second price auction. In this part was used short period machine learning using the percentage of knowledge received by the agent in the past with certain bids.
As the experiments and the competition showed that the agent is distinguished by stability and resilience, and tha arrising from its ability to analyze the market environment in which he is located.
SUBJECT AREA: Intelligent Agents,
KEYWORDS: Machine Learning, Ad Exchange, Trading Agent Competition (TAC), Auctions, Optimization
Την εργασία μου αυτή αφιερώνω στην αγαπημένη μου οικογένεια, για όλα αυτά που μου έχει δώσει μέχρι σήμερα.
Θα ήθελα να ευχαριστήσω τον Δρ. Παναγιώτη Σταματόπουλο, επίκουρο καθηγητή στο Τμήμα Πληροφορικής και Τηλεπικοινωνιών του Πανεπιστημίου Αθηνών που δέχτηκε να επιβλέψει την εκπόνηση της πτυχιακής εργασίας μου. Επιπλέον ευχαριστώ ιδιαίτερα τον Δρ.
Γιάννη Βέτσικα ερευνητή στο Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών του Ε.Κ.Ε.Φ.Ε.
“Δημόκριτος” για τις πολύτιμες συμβουλές του αλλα και τον χρόνο που αφιέρωσε για να με βοηθήσει στην υλοποίηση της εργασίας αυτης. Τέλος ευχαριστώ τον Σπύρο Θεωδορόπουλο φοιτητή του Εθνικού Μετσόβιου Πολυτεχνείου για την συνεισφορά του και την συνεργασία του.
1. ΕΙΣΑΓΩΓΗ 10
1.1. Η διαφήμιση στο διαδίκτυο 10
1.2. Η χρήση υπηρεσιών Ad Exchange στις διαδικτυακές διαφημίσει 11
1.3. Ευφυείς πράκτορες για αγοραπωλησίες και οι διαγωνισμοί TAC 12
1.4. Κοινά χαρακτηριστικά των διαγωνισμών TAC 13
1.5. Ο διαγωνισμός TAC AdX. 14
1.5.1. Βασικές οντότητες του παιχνιδιού 15
1.5.2. Η ροή του παιχνιδιού 16
1.5.3. Διαφημιστικές εκστρατείες 17
1.5.4. Δημοπρασίες συμβολαίων 18
1.5.5. Δημοπρασίες εντυπώσεων 19
1.5.6. Υπηρεσία UCS 20
1.5.7. Διαφημιστικά δίκτυα 20
2. ΑΞΙΟΣΗΜΕΙΩΤΟΙ ΠΡΟΗΓΟΥΜΕΝΟΙ ΠΡΑΚΤΟΡΕΣ 21
2.1. Οι πράκτορες του TAC AdX '14 21
2.1.1. Ο πράκτορας ANL 21
2.1.2. Ο πράκτορας giza 22
2.1.3. Ο πράκτορας Agent2 23
2.1.4. Ο πράκτορας TAU 24
2.1.5. Ο πράκτορας Agent00 25
3. ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ 27
3.1. Δεντρά απόφασης και μηχανική μάθηση 27
3.1.1. Μηχανική μάθηση μεσώ δέντρων αποφάσεων(Decision tree learning) 27
3.2. Απευθείας μηχανική μάθηση και επαυξάνουμε δέντρα απόφασης 28
3.2.1. Απευθείας μηχανική μάθηση (Online Machine Learning) 28
3.2.1.1. Διαφορές επιβλεπόμενης(supervised) με απευθείας μάθηση(online learning) 29
3.2.1.2. Είδη online μοντέλων μάθησης 30
3.2.1.3. Τα στατιστικά μοντέλα μάθησης. Μια πιο αναλυτική ματιά 30
3.3. Επαυξανόμενα δεντρά απόφασης 31
3.4. Μέθοδοι πρόβλεψης ακολουθίας 31
3.4.1. Πρόβλεψη ακολουθίας χρησιμοποιώντας το μοντέλο εξαρτημένου γράφου 32
3.4.2. Πρόβλεψη ακολουθίας χρησιμοποιώντας το μοντέλο (Compact Prediction Tree+) 32
3.4.3. Πρόβλεψη ακολουθίας χρησιμοποιώντας μεθόδους πρόβλεψης μερικής ταύτισης(PPM) 33 3.4.4. Σύγκριση απόδοσης των μοντέλων πρόβλεψης ακολουθιών 34
3.5. Tαξινομητές Bayes 35
3.5.1. Η μέθοδος Naive Bayes 36
4. Η ΣΧΕΔΙΑΣΗ ΤΟΥ ΠΡΑΚΤΟΡΑ ATLAS 37
4.1. Στρατηγικές για δημοπρασίες διαφημιστικών συμβολαίων 37
4.1.1. Εξέταση αποδοτικότητας διαφημιστικών συμβολαίων 37
4.1.1.1. Πρόβλεψη τιμής εντυπώσεων πριν τη δημοπρασία συμβολαίων. 38
4.1.1.2. Υπολογισμός του πονταρίσματος για την δημοπρασία συμβολαίου χρησιμοποιώντας την γνώση από τις προβλέψεις τιμής μιας εντύπωσης 40
4.1.1.3. Ποντάρισμα για δημοπρασίες συμβολαίων σε κρίσιμα σημεία του παιχνιδιού 41
4.2. Στρατηγική για τις δημοπρασίες εντυπώσεων 41
4.2.1. Τα κυρία μέρη της στρατηγικής για τις δημοπρασίες εντυπώσεων 42
4.2.2. Η συνεργασία των κομματιών, και ο τρόπος λειτουργιά της στρατηγικής εντυπώσεων 44
4.3. Στρατηγική UCS 45
4.4. Ο πράκτορας hermes. . 49
4.5. Ο τελικός πράκτορας DemokriTAC 50
5. ΑΞΙΟΛΟΓΗΣΗ ΤΟΥ ΠΡΑΚΤΟΡΑ 51
5.1. Οργάνωση πειραμάτων 51
5.2. Παράμετροι αξιολόγησης 51
5.2.1. Επιπλεον παράμετροι για την σύγκριση στρατηγικών συμβολαίων 52
5.2.2. Επιπλέον παράμετροι για την σύγκριση στρατηγικών εντυπώσεων 52
5.2.3. Επιπλέον παράμετροι για την σύγκριση στρατηγικών UCS 52
5.3. Αποτελέσματα πειραματικής μελέτης 52
5.3.1. Αποτελέσματα αξιολόγησης στρατηγικών εκστρατειών συμβολαίων 54
5.3.2. Αποτελέσματα αξιολόγησης στρατηγικών απόκτησης εντυπώσεων 56
5.3.3. Αποτελέσματα αξιολόγησης στρατηγικών για την υπηρεσία UCS 57
5.4. Σύνοψη συμπερασμάτων αξιολόγησης 58
5.5. Αποτελέσματα του διαγωνισμού TAC AdX '16 58
5.5.1. Αποτελέσματα ελέγχου του πράκτορα 59
5.5.2. Αποτελέσματα του διαγωνισμού 61
6. ΕΠΙΛΟΓΟΣ 63
6.1. Σύνοψη και συμπεράσματα 63
6.2. Μελλοντικές επεκτάσεις 63
ΣΥΝΤΜΗΣΕΙΣ – ΑΡΚΤΙΚΟΛΕΞΑ – ΑΚΡΩΝΥΜΙΑ 65
ΠΙΝΑΚΑΣ ΟΡΟΛΟΓΙΑΣ 66
ΑΝΑΦΟΡΕΣ 67
Εικόνα 1: Υπηρεσίες Ad Exchange. ... 12
Εικόνα 2: Η ροή του παιχνιδίου(μέρος 1ο). ... 16
Εικόνα 3 : Η ρόη του παιχνιδίου(μέρος 2ο). ... 17
Εικόνα 4: To ERR(Effective Reach Ratio) για μια εκστρατεία με ζητούμενες εντυπώσεις R=500. ... 18
Εικόνα 5: Αποτελέσματα του TAC Αdx 2014 [1]. ... 21
Εικόνα 6: Δέντρο απόφασης σχέτικα με την επιβίωση των επιβατών του Τιτανικού. ... 27
Εικόνα 7: Σχηματική απεικόνιση των offline learning μεθόδων. ... 29
Εικόνα 8 : Σχηματική απεικόνιση των online learning μεθόδων. ... 30
Εικόνα 9: Παράδειγμα εισαγωγής δεδομένων σε μια δομή CPT. ... 33
Εικόνα 10: Παράδειγμα μια διαδικασίας Markov. ... 34
Εικόνα 11: Σύγκριση επεκτασιμότητας των μεθόδων πρόβλεψης ακολουθιών. ... 34
Εικόνα 12: Σύγκριση της ακρίβειας των μεθόδων πρόβλεψης ακολουθιών σε διαφορετικά προβλήματα. ... 35
Εικόνα 13: Η δομή του δέντρου απόφασης και η σημαντικότητα των μεταβλητών. ... 39
Εικόνα 14: Σχημάτικη αναπαράσταση παραδείγματος αστοχίας του δέντρου αναζήτης και ανάκαμψη απο αυτήν. ... 40
Εικόνα 15 : Η κρίσιμη περιοχή αύξησης του πονταρίσματος. ... 42
Εικόνα 16: Μια σχηματική απεικόνιση του υπολογισμού του πονταρίσματος για εντυπώσεις. Σχηματική αναπαράσταση των κομματιών της στρατηγικής και της συνεργασίας τους. .... 45
Εικόνα 17: Παράδειγμα αστοχίας ευρετηρίου UCS και τρόπος ανάκαμψης απο αυτή. ... 48
Εικόνα 18: Η διαδρομή που ακολουθεί η συνολική στρατηγική ως το τελικό ποντάρισμα. . 49
Εικόνα 19: Η εξέλιξη του συνολικού κέρδους. ... 52
Εικόνα 20: Το μέσο κέρδος ανά περιβάλλον. ... 53
Εικόνα 21: Η μέση ποιότητα ολοκλήρωσης συμβολαίων. ... 54
Εικόνα 22: Ο μέσος αριθμός κερδισμένων συμβολαίων ανά περιβάλλον. ... 54
Εικόνα 23: Το μέσο ποσοστό αποτυχημένων εκστρατειών ανά περιβάλλον. ... 55
Εικόνα 24: Το μέσο ποσοστό επιτυχημένων εκστρατειών ανά περιβάλλον... 55
Εικόνα 25: Το μέσο ποντάρισμα ανά εντύπωση των πρακτόρων στα 7 διαφορετικά περιβάλλοντα. ... 56
Εικόνα 26: Το μέσο κόστος που πλήρωσε ο πράκτορας σε καθε περιβάλλον για μια εντύπωση... 56
Εικόνα 27: Το μέσο ποντάρισμα των πρακτόρων για την υπηρεσία UCS. ... 57
Εικόνα 28: Το μέσο ποσοστό εξυπηρέτησης των πρακτόρων απο την υπηρεσία UCS στα διαφόρετικα περιβάλλοντα. ... 57
Εικόνα 29: Περιβάλλον πρώτο. ... 59
Εικόνα 30: Περιβάλλον δεύτερο. ... 59
Εικόνα 31: Περιβάλλον τρίτο. ... 60
Εικόνα 32: Περιβάλλον τέταρτο. ... 60
Εικόνα 33: Περιβάλλον πέμπτο. ... 61
Εικόνα 34:Τα αποτελέσματα του τελικού διαγωνισμού. ... 61
1. ΕΙΣΑΓΩΓΗ
Στα κεφάλαια που θα ακολουθήσουν θα αναλυθεί η σημασία της διαδικτυακής διαφήμισης και το πως έχει επηρεάσει την αγορά διαφημίσεων γενικότερα. Επιπλέον θα γίνει λόγος για την σχέση αυτού του χώρου με το κομμάτι της τεχνητής νοημοσύνης και της μηχανικής μάθησης. Στην συνεχεία θα αναφερθούμε σε κομμάτια έρευνας που έχουν γίνει μέσα από διαγωνισμούς όπως ο διαγωνισμός TAC άλλα και ανεξάρτητα από διαγωνισμούς στο κομμάτι της διαδικτυακής διαφήμισης που σχετίζονται με την Τεχνητή Νοημοσύνη και την μηχανική μάθηση. Τέλος θα αναλύσουμε τον πράκτορα που υλοποιήσαμε για τον διαγωνισμό Tac Adx 2016 και το θεωρητικό υπόβαθρο πίσω από τις ιδέες που υλοποιήσαν αυτόν τον πράκτορα. Στα τελευταία κεφάλαια ακολουθούν συμπεράσματα και αξιολόγηση του πράκτορα όπως και μελλοντικές επεκτάσεις και σκέψεις για το μέλλον του διαγωνισμού και του τομέα την τεχνητής νοημοσύνης σχετικά με τις διαδικτυακές διαφημίσεις γενικότερα.
1.1. Η διαφήμιση στο διαδίκτυο
Ως διαφήμιση μπορεί να οριστεί η πληρωμένη πράξη επικοινωνίας που προωθεί ιδέες, αγαθά ή υπηρεσίες και στοχεύει στην ενημέρωση του καταναλωτικού κοινού. Η διαδικτυακή διαφήμιση είναι ένας κλάδος με ραγδαία ανάπτυξη. Όλο και πιο πολλές εταιρείες και μεμονωμένα άτομα αυξάνουν το χρηματικό ποσό που διαθέτουν για διαφημίσεις στα προϊόντα τους ή στις υπηρεσίες τους, στο διαδίκτυο. Ο λόγος είναι ότι η χρήση του διαδικτύου από όλο και περισσότερους ανθρώπους, αναγκαστικά οδηγείσαι τις εταιρείες να ενδιαφέρονται όλο και πιο πολύ για την διαφήμιση τους στο διαδίκτυο.
Οι διαδικτυακές διαφημίσεις συνήθως μεταφέρουν την πληροφορία που θέλουν να γνωστοποιήσουν στον καταναλωτή με κείμενο, λογότυπα, κινούμενα σχέδια, βίντεο, φωτογραφίες ή άλλα γραφικά. Ο διαγωνισμός και η παρακάτω εργασία εστιάζει στα κομμάτια του βίντεο και του κειμένου. Επίσης τα μέσα τα οποία περνούν οι διαφημίσεις για να φτάσουν στον τελικό χρήστη του διαδικτύου ποικίλλουν. Κάποιοι από τους πιο γνωστούς διαύλους μετάδοσης διαδικτυακής διαφήμισης είναι οι μηχανές αναζήτησης, το ηλεκτρονικό ταχυδρομείο, υπερσύνδεσμοι μέσω γραπτού μηνύματος, τα κοινωνικά δίκτυα, οι ιστοσελίδες αγγελιών, τα λογισμικά adware και τα έξυπνα κινητά τηλέφωνα. Από αυτούς θα ασχοληθούμε με τις κινητές συσκευές όπως έξυπνα κινητά τηλέφωνα και ταμπλέτες και με την γενικευμένη διαφήμιση ηλεκτρονικού υπολογιστή που περιεχεί όλους του δυνατούς τρόπους που μπορεί μια διαφήμιση να φτάσει σε ένα χρήστη μέσω ενός υπολογιστή.
Οι βασικές οντότητες τις αγορά των διαδικτυακών διαφημίσεων περιγραφόμενες σε χρονολογική σειρά ενεργειών για να δημοσιευθεί εν τέλει η διαφήμιση στο διαδίκτυο είναι οι παρακάτω:
● ο διαφημιστής (advertiser).Σκοπός του να προωθήσει τα προϊόντα του/υπηρεσίες του μεσώ της διαδικτυακής διαφήμισης.
● τα διαφημιστικά πρακτορεία. Καλούνται να παίξουν το ρόλο του ενδιάμεσου ανάμεσα στους εκδότες και τους διαφημιστές.
● ο εκδότης (publisher). Ο κάτοχος του μεσώ προβολής της διαδικτυακής διαφήμισης(συνήθως διαδικτυακές σελίδες).[4]
Οι διαφημιστές και εκδότες χρησιμοποιούν ένα ευρύ φάσμα σχετικά με τους μεθόδους υπολογισμού πληρωμής [20]. Μερικές αξιοσημείωτες μέθοδοι υπολογισμοί πληρωμής είναι οι παρακάτω:
● Πληρωμή ανά επιλογή (Cost Per Click). H πληρωμή υπολογίζεται λαμβάνοντας υπόψιν τις φόρες που οι χρήστες επέλεξε την διαφήμιση.
● Πληρωμή ανά θέαση (Cost Per View). H πληρωμή υπολογίζεται λαμβάνοντας υπόψιν τις θεάσεις(impressions) της διαφήμισης από τους χρήστες.
● Πληρωμή ανά διάδραση (Cost Per Engagement). H πληρωμή υπολογίζεται λαμβάνοντας υπόψιν τις διαδράσεις των χρηστών με την διαφήμιση.
● Πληρωμή ανά χιλιάδα(Cost Per Mille).H πληρωμή υπολογίζεται λαμβάνοντας υπόψιν τις θεάσεις(impressions) της διαφήμισης ανά χιλιάδα από τους χρήστες
● Πληρωμή βασισμένη στην επίδοση (Performance-Based-Cost). Η πληρωμή του εκδότη υπολογίζεται αναλογικά με το ποσό επιτυχημένη ήταν η διαφημιστική καμπάνια που είχε αναλάβει.
● Σταθερή πληρωμή συμβολαίου(Fixed Cost).
Η αύξηση της διαδικτυακής διαφήμισης είναι εμφανής τα τελευταία χρόνια σε κάθε χρήστη του διαδικτύου. Μάλιστα σύμφωνα με την ετήσια έρευνα του IAB Europe AdEx Benchmark 2015, η διαδικτυακή διαφήμιση παρουσίασε αύξηση κατά 13,5% για το 2015 στην Ευρώπη.
Ένας από τους κύριους λόγους που παρατηρείται αυτή η αύξηση είναι το κόστος της διαδικτυακής διαφήμισης είναι κατά πολύ μικρότερο από αυτό της συμβατικής διαφήμισης.
Επιπλέον η διαδικτυακή διαφήμιση προσφέρει ποικιλομορφία στους τρόπους άλλα και στα μέσα μετάδοσης της. Ακόμα ένας σημαντικός παράγοντας είναι η ταχύτητα διάδοδης της πληροφορίας και η κάλυψη που προσφέρει το διαδίκτυο, όσο και η ικανότητα στοχεύσουμε διαφήμισης σε αυτό. Από την άλλη παράλληλα με όλα τα παραπάνω υπάρχουν και ανησυχίες σχετικά με την διαφήμιση στο διαδίκτυο. Μελέτες έχουν δείξει ότι οι χρήστες του διαδικτύου συχνά αγνοούν τις περιοχές σε μια ιστοσελίδα που πιθανόν να περιέχει διαφημίσεις, κάτι που σίγουρα μειώνει την αποδοτικότητα της διαφήμισης. Το φαινόμενο αυτό παρουσιάζεται περισσότερο στις διαφήμισης διαδικτύου από ότι στις συμβατικές.
Επιπλέον η συλλογή πληροφοριών των χρηστών από τους εκδότες και τους διαφημιστές έχει εγείρει ανησυχίες των καταναλωτών για την ιδιωτική τους ζωή. Χαρακτηριστικό παράδειγμα είναι άρθρο από γνωστό πρακτορείο ενημέρωσης ότι πάνω από τους μισούς χρήστες του Google και του Facebook ανησυχούν για την ιδιωτική τους ζωή.[4]
1.2. Η χρήση υπηρεσιών Ad Exchange στις διαδικτυακές διαφημίσεις
Οι διαφημιστές, τα πρακτορεία, οι εκδότες και οι μεσάζοντες διαφημίσεων χρησιμοποιούν τις υπηρεσίες Ad exchange περισσότερο από ποτέ, αλλά υπάρχει συχνά σύγχυση γύρω από αυτό που πραγματικά είναι η υπηρεσίες αυτές. Μιλώντας για υπηρεσίες Ad exchange εννοούμε μια ψηφιακή αγορά που επιτρέπει στους διαφημιστές και τους εκδότες να αγοράζουν και να πωλούν διαφημιστικό χώρο, συχνά σε πραγματικό χρόνο μέσω δημοπρασιών.
Σχεδόν ο καθένας μπορεί να αγοράσει από μια υπηρεσία Ad Exchange υπό την προϋπόθεση ότι το αυτή το επιτρέπει. Οι διαφημιστές και οι οργανισμοί χρησιμοποιούν συνήθως DSP( demand-side platforms) ή τις δικές τους τεχνολογίες προσφοράς για να το πράξουν. Ένα DSP είναι ένα σύστημα που επιτρέπει στους αγοραστές των διαφημίσεων τη διαχείριση πολλαπλών λογαριασμών Ad exchange και data exchange μέσω μιας διασύνδεσης. Επιπλέον τα δίκτυα διαφημίσεων(Ad networks) και άλλες οντότητες μπορούν να αγοράσουν διαδικτυακές διαφημίσεις από τις υπηρεσίες Ad Exchange.
Βασικά, μια υπηρεσία Ad Exchange απλουστευμένα θα μπορούσαμε να πούμε ότι πρόκειται για ένα μεγάλο σωρό από εμφανίσεις διαφημίσεων(impressions). Οι
εκδότες(publishers) τοποθετούν τις εμφανίσεις διαφημίσεων (impresssions) στον σωρό, ελπίζοντας πως κάποιος θα θελήσει να τις αγοράσει. Οι αγοραστές στη συνέχεια επιλεγούν ποιες εντυπώσεις επιθυμούν να αγοράσουν χρησιμοποιώντας τεχνολογίες όπως τα DSP( demand-side platforms). Οι αποφάσεις αυτές συχνά γίνονται σε πραγματικό χρόνο με βάση τις πληροφορίες όπως την προηγούμενη συμπεριφορά του χρήστη, την ώρα της ημέρας, τον τύπο της συσκευής, τη θέση της διαφήμισης κ.α.
Έτσι οι υπηρεσίες Ad Exchange επιτρέπουν στους διαφημιζόμενους να αγοράσουν εύκολα διαφημίσεις σε μια σειρά από sites ταυτόχρονα, σε αντίθεση με τον παραδοσιακο τρόπο που τους ανάγκαζε να αγοράζουν άμεσα απο συγκεκριμένους εκδότες. Αυτό τις κάνει πιο αποτελεσματικές και αποδοτικές ως τρόπο για αγοροπωλησίες διαφημίσεων.[25]
Από την άλλη το πρόβλημα είναι ότι τα δισεκατομμύρια εμφανίσεις διαφημίσεων(impressions) ρέει μέσω των υπηρεσιών αυτών καθημερινά από εκατομμύρια εκδότες, έτσι είναι σχεδόν αδύνατο να παρακολουθείτε ποιος πουλάει και αγοράζει τι. Αυτό σημαίνει ότι οι αγοραστές δεν μπορεί ποτέ να είναι βέβαιοι αν όλες οι εντυπώσεις τους θα εμφανιστούν. Και οι πωλητές δεν μπορεί ποτέ να είναι απόλυτα σίγουροι ποιος τις αγοράζει.
Εικόνα 1: Υπηρεσίες Ad Exchange.
Αξιοσημείωτες επιχειρήσεις που δραστηριοποιούνται στις υπηρεσίες Ad Exhange είναι οι Google Doubleclick, The Rubicon Project, OpenX, AppNexus, Yahoo, Microsoft AdExchange.
1.3. Ευφυείς πράκτορες για αγοραπωλησίες και οι διαγωνισμοί TAC
Οι διαγωνισμοί TAC (Trading Agent Competitions) άρχισαν να διοργανώνονται από το 2001 και μετά. Μεσώ των διαγωνισμών αυτών έγινε μια αύξηση του ερευνητικού ενδιαφέροντος προς τους ευφυείς πράκτορες για αγοροπωλησίες ή αλλιώς Trading Agents. Ένας ευφυείς πράκτορας εστιασμένος στις αγοροπωλησίες αποτελεί μια οντότητα λογισμικού που σκοπό έχει να μεγιστοποιήσει το όφελος του χρήστη του με απλές διαδικασίες για αυτόν. Έτσι ακόμα και χρήστες που στερούνται της απαραίτητης γνώσης μπορούν πάρουν ουσιαστικά αποφάσεις με την βοήθεια των ευφυών πρακτόρων.
Στους διαγωνισμούς TAC για πράκτορες λογισμικού, παίρνουν μέρος ερευνητικές ομάδες, από όλο τον κόσμο. Οι ομάδες που παίρνουν μέρος καλούνται να ανταγωνιστούν σε δύσκολα σενάρια προσομοίωσης. Αυτά τα σενάρια έχουν σχεδιαστεί για να παρουσιάσουν ανταγωνιστικούς παράγοντες και δύσκολα προβλήματα απόφασης, μπορούν να αντιμετωπιστούν με μια μεγάλη ποικιλία από πιθανές στρατηγικές προσφορών και διαπραγμάτευσης.
Στο βασικό/αρχικό διαγωνισμό TAC παιχνίδι πωλήσεων (shopping game) [16] οι συμμετέχοντες έπρεπε να υλοποιήσουν ένα ταξιδιωτικό πράκτορα, με στόχο την σύνθεση ταξιδιώτικων πακέτων (από μια πόλη σε μια δεύτερη, κατά τη διάρκεια μιας πλασματικής περιόδου 5 ημερών). Κάθε πράκτορας ενεργούσε για λογαριασμό οκτώ πελατών, οι οποίοι εξέφραζαν τις προτιμήσεις τους για διάφορες πτυχές του ταξιδιού. Ο στόχος του ταξιδιωτικού πράκτορα ήταν να μεγιστοποιηθεί η απόλυτη ικανοποίηση των πελατών του.
Υπάρχουν όμως και άλλοι διαγωνισμοί που περιλαμβάνονται στους TAC διαγωνισμούς.
Κάποιοι από αυτούς περιγράφονται συνοπτικά παρακάτω.
● Power TAC: Στο Power TAC, οι πράκτορες δρουν ως μεσίτες σε μια τοπική περιοχή διανομής ηλεκτρικής ενέργειας, αγοράζοντας ενεργεία από μια αγορά χονδρικής, καθώς και από τοπικές πηγές, όπως τα σπίτια και τις επιχειρήσεις με ηλιακούς συλλέκτες. Επίσης ασχολούνται με την πώληση ηλεκτρικής ενέργειας σε τοπικούς πελάτες και στην αγορά χονδρικής. Οι πράκτορες πρέπει να λύσουν ένα πρόβλημα αλυσίδας εφοδιασμού έτσι ώστε να ικανοποιούν τη ζήτηση με ελάχιστο κόστος.[22]
● TAC Ad Auctions (AA): Στο παιχνίδι TAC AA, οι πράκτορες εκπροσωπούν τους διαφημιστές στο διαδίκτυο δίνοντας πρόσφορες για την τοποθέτηση διαφημίσεων σε μηχανές αναζήτησης για ένα εύρος από συνδυασμούς λέξεων-κλειδιών. [17] [18]
● TAC Supply Chain Management (SCM): Ο διαγωνισμός αυτός προσομοιώνει ένα δυναμικό περιβάλλον μιας εφοδιαστικής αλυσίδας, όπου οι πράκτορες ανταγωνίζονται για να εξασφαλίσουν παραγγελίες από τους πελάτες και ταυτόχρονα να δεσμεύσουν τα υλικά που απαιτούνται που απαιτούνται για την υλοποίηση αυτών των παραγγελιών. Το παιχνίδι καταγράφει πολλές από τις πολυπλοκότητες μιας πραγματικής αλυσίδας εφοδιασμού, όπως προβλήματα όπου τόσο η ζήτηση όσο και η προσφορά είναι ασταθής άλλα και ότι κάθε κατασκευαστής έχει περιορισμένη ικανότητα παραγωγής.[21]
● TAC Market Design (CAT): Οι Πράκτορες λογισμικού CAT αντιπροσωπεύουν τους διαμορφωτές της αγοράς των οποίων οι στόχοι είναι να προσελκύσουν πιθανούς αγοραστές και πωλητές αντιμετωπίζοντας τους ως πελάτες, και στη συνέχεια να ταιριάξουν τους αγοραστές με τους πωλητές.[14] [15]
1.4. Κοινά χαρακτηριστικά των διαγωνισμών TAC
Το μεγαλύτερο κομμάτι των διαγωνισμών TAC περιστρέφεται γύρω από τις δημοπρασίες για διάφορα είδη και υπηρεσίες και από την επιλογή καλύτερου πονταρίσματος σε αυτές της δημοπρασίες λαμβάνοντας υπόψιν τους αντιπάλους και αναλύοντας παρελθοντικές τους συμπεριφορές. Έτσι φαίνεται ότι είναι χρήσιμο να αναφέρουμε πως αποφασίζεται η τιμή μιας δημοπρασίας σε παλαιότερους πράκτορες διαγωνισμών TAC.
Αναφέρεται ότι οι πράξεις απόφασης για μια τιμή δημοπρασίας , δηλαδή η πρόβλεψη τιμής για αυτή κατηγοριοποιούνται σε τρεις μεθόδους κατά τον Wellman [16] στον δεύτερο διαγωνισμό TAC.
H πρώτη μέθοδος αποτελεί την πρόβλεψη που εξάγει τον μέσο όρο της τιμής της δημοπρασίας από το ιστορικό προηγούμενων πονταρισμάτων. Αυτή η μέθοδος αποτελεί την περισσότερο χρησιμοποιημένη μέθοδο στον διαγωνισμό. Θα μπορούσε κάποιος να την χωρίσει σε δυο μικρότερες κατηγορίες. Η πρώτη είναι με ιστορικό μακράς περιόδου και η άλλη είναι με βραχυπρόθεσμο ιστορικό. Επίσης ενδιαφέρουσα παραλλαγή αποτελεί ο χωρισμός των πονταρισμάτων σε κλάσεις ανταγωνιστικότητας, για τους αντιπάλους, ανάλογα τις εκάστοτε συνθήκες και τέλος την εξαγωγή μέσου ορού ανά κλάση. [8]
Στην συνέχεια μεγάλο ποσοστό πρακτόρων είναι αυτό που χρησιμοποιεί για πρόβλεψη τιμής στις δημοπρασίες μηχανική μάθηση . Κάποια παραδείγματα πρακτόρων είναι ο πράκτορας ΑTTac και kavayah κ.α [19]. Η μηχανική μάθηση συσχετίζει τιμές του παιχνιδιού οι οποίες ανανεώνονται σε κάθε φάση και γνωρίζοντας αυτές προσπαθεί να τις αντιστοιχίσει με μια τιμή πονταρίσματος η οποία θα είναι η πιο κατάλληλη σύμφωνα με το της παρελθοντικές του αποφάσεις. Τεχνολογίες τεχνίτης νοημοσύνης που έχουν χρησιμοποιηθεί στο classic Tac είναι μεταξύ άλλων και η τεχνολογία ενίσχυσης(boosting) άλλα και τα νευρωνικά δίκτυα.
Τέλος μια ακόμα μέθοδος πρόβλεψης τιμής που έχει παρατηρηθεί στους διαγωνισμούς TAC είναι η μέθοδος της οικονομικής ανάλυσης. Οι πράκτορες όπως ο walverine [24] που χρησιμοποίησαν αυτές τις μεθόδους , είδαν το παιχνίδι σαν μια ανταγωνιστική οικονομία.
Χρησιμοποιώντας στοιχεία ζήτησης και προσφοράς προσπάθησαν να βρουν μια ισορροπία μέσα σε αυτήν.
Ακόμα ένα κοινό χαρακτηριστικό στους διαγωνισμούς TAC αποτελεί η εξαγωγή συμπερασμάτων από τα πειράματα. Το στάδιο πειραμάτων και βελτιστοποίησης ενός πράκτορα είναι από τα σημαντικότερα στάδια αυτού. Τα πειράματα είναι αυτά που δίνουν σιγουριά σε ένα πράκτορα για την απόδοση του. Σχετικά με τα προηγούμενα αξίζει να αναφερθούν κάποιες μεθοδολογίες πειραμάτων που αναπτύχθηκαν στα πλαίσια του διαγωνισμού.
Ερευνώντας στρατηγικές οι οποίες αποφασίζονται από τις προτιμήσεις των πρακτόρων , και από τις πληροφορίες μιας δημοπρασίας, υπολογίζοντας την μήτρα των εκ των προτέρων αναμενόμενων κερδών για όλους τους πιθανούς συνδυασμούς στρατηγικών και αναλύοντας τα αποτελέσματα της εξελικτικής,της GAMBIT και της Amoeba μεθόδου οι D.
Reeves, M.Wellman [23] υπολόγισαν σημεία ισορροπίας Nash του παιχνιδιού με κάποια πιθανότητα.
Ο I. Vetsikas και ο B.Selman [8] μελέτησαν συνδυασμούς από τριπλέτες μερικών
στρατηγικών. Το σκεπτικό είναι η εύρεση βέλτιστων τιμών για τις τρείς στρατηγικές αυτές.
Ο τρόπος που το πέτυχαν υλοποιείται σταθεροποιώντας τις δυο από τις τρεις αυτές
στρατηγικές και βελτιστοποιώντας την μια. Η βέλτιστη τιμή της πρώτης θα χρησιμοποιηθεί σαν σταθερά για να βρεθεί η δεύτερη και η τρίτη βέλτιστη μερική στρατηγική.
1.5. Ο διαγωνισμός TAC AdX
Ο διαγωνισμός AdX που συμπεριλαμβάνετε στους διαγωνισμούς TAC, βάζει τους συμμετέχοντες απέναντι σε προκλήσεις που αντιμετωπίζει ένα πραγματικό δίκτυο διαφημίσεων(Ad network) όπως προσφορές για τις ευκαιρίες προβολής διαφημίσεων άλλα και η ικανοποίηση των πελατών. Η βασική δυσκολία που έχουν να αντιμετωπίσουν οι πράκτορες είναι να εκπληρώσουν τα διαφημιστικά συμβόλαια στο ελάχιστο του κόστους με παράλληλη διατήρηση άλλα και προσέλκυση νέων διαφημιστικών εταιριών χρησιμοποιώντας μια υψηλή ποιότητα ολοκλήρωσης συμβολαίων. Ως εκ τούτου, η αποτελεσματικότητα του μάρκετινγκ παίζει σημαντικό ρόλο στην στρατηγική που θα υλοποίηση ο κάθε πράκτορας. [13]
1.5.1. Βασικές οντότητες του παιχνιδιού
Η διάρκεια του κάθε παιχνιδιού στον διαγωνισμό αποτελείται από 60 εικονικές μέρες, ένα παιχνίδι διαρκεί περίπου 15 λεπτά. Σε κάθε παιχνίδι συμμετέχουν 8 πράκτορες, οι οποίοι συνδέονται στην αρχή του παιχνιδιού με το κεντρικό σύστημα του διαγωνισμοί το οποίο προσομοιώνει τις διαδικασίες άλλα και τις βασικές οντότητες αυτού:
● Κοινό: Το κοινό περιλαμβάνει τους πληθυσμούς χρηστών που επισκέπτονται τις διαδικτυακές ιστοσελίδες των εκδοτών. Ο πληθυσμός των χρηστών χαρακτηρίζεται από την ηλικία, το γένος και το εισόδημα. Οι χρήστες επισκέπτονται διαδικτυακές σελίδες. Μέτα από κάθε επίσκεψη σελίδας μια παράμετρος επιλεγεί αν ο χρήστης συνεχίζει μέσα στην μέρα να επισκέπτεται την σελίδα ή σταματάει μέχρι την επόμενη μέρα.
● Πελάτες: Οι πελάτες αποτελούν άτομα που θέλουν να διαφημιστούν και αναζητούν κάποιον να ολοκληρώσει την διαφημιστική τους καμπάνια. Αυτό καλούνται να κάνουν τα διαφημιστικά δίκτυα/πράκτορες. Οι πράκτορες κερδίζουν ένα τέτοιο συμβόλαιο μεσώ μιας δημοπρασίας δεύτερης τιμής αφιερωμένη για αυτό τον σκοπό.
● Έκδοτες: Οι διαδικτυακές σελίδες ειδοποιούν την υπηρεσία Ad Exchange πυροδοτούμενες από επισκέψεις χρηστών σε αυτές. Οι εκδότες/ιστοσελίδες διαφέρουν στις υπηρεσίες που προσφέρουν στους χρήστες αυτών. Αντιστοιχα καθε ιστοσελιδα προσανατολίζεται σε συγκεκριμένα χαρακτηριστικά χρηστών. Αυτό μεταφράζεται σε μεγαλύτερη πιθανότητα συγκεκριμένων χρηστών να επισκεφθούν συγκεκριμένες ιστοσελίδες που προσανατολίζονται σε αυτούς. Με καθε επίσκεψη χρήστη ο εκδότης υποβάλει ένα αίτημα για διαφήμιση στην υπηρεσία Ad Exchange το οποίο αντικατοπτρίζεται σαν ευκαιρία θέασης διαφήμισης(impression opportunity) για τους πράκτορες.
● Υπηρεσία Ad Exchange: Πρόκειται για την πλατφόρμα που δημοπρατείται ο χώρος προβολής των διαφημίσεων. Όταν ένα αίτημα τοποθέτησης διαφήμισης φτάσει στην πλατφόρμα από τον εκδότη, αυτή επικοινωνεί με τους πράκτορες για να δώσουν προσφορές για μια πιθανή θέση για την διαφήμιση τους. Μαζί με το αιτήμα για προσφορά η πλατφόρμα επιπλέον δίνει στους πράκτορες πληροφορίες σχετικά με τον χρήστη και τον εκδότη στον οποίο θα εμφανιστεί η συγκεκριμένη διαφήμιση. Το ποσοστό των πληροφοριών που καθε πράκτορας δέχεται είναι αναλογικό με το ποσοστό της υπηρεσία κατηγοριοποίησης των χρηστών που κερδήθηκε στην αφιερωμένη για αυτό τον σκοπό δημοπρασία. Η υπηρεσία AdX υλοποιεί τον μηχανισμό επιλογής της νικητήριας προσφοράς, και υλοποιεί και την εικονική τοποθέτηση της συγκεκριμένης διαφήμισης στη σελίδα του εκδότη
● Υπηρεσία κατηγοριοποίησης των χρηστών (User Classification Service): Η υπηρεσία αυτή χρησιμοποιώντας μεθόδους cookies, δίνει την δυνατότητα στα δίκτυα διαφημίσεων να στοχεύουν το επιθυμητό κοινό για καθε διαφημιστικό συμβόλαιο. Η τιμη της υπηρεσίας και η ακρίβεια με την οποία θα δοθεί αυτή η πληροφορία στους πράκτορες αποφασίζεται από καθημερινή δημοπρασία αφιερωμένη για αυτόν το σκοπό.
1.5.2. Η ροή του παιχνιδιού
Όπως αναφέραμε και παραπάνω ένα παιχνίδι αντιστοιχεί σε 60 εικονικές μέρες παιχνιδιού.
Την πρώτη μέρα καθε πράκτορας ξεκινάει με ένα διαφημιστικό συμβόλαιο με τυχαία χαρακτηριστικά εξαιρούμενης της διάρκειας του. Η διάρκεια του πρώτου συμβολαίου είναι η μεσαία διάρκεια συμβολαίου που ισούται με 5 μέρες. Τα επόμενα διαφημιστικά συμβόλαια αποκτούνται από τους πράκτορες δια μέσου μιας δημοπρασίας δεύτερης τιμής κρυφού πονταρίσματος. Το συμβόλαιο κερδίζει ο πράκτορας με το χαμηλότερο ποντάρισμα στην πλειοψηφία των περιπτώσεων, όσο αναφορά τις εξαιρέσεις θα αναλυθούν παρακάτω.
Επιπλέον καθε μέρα συμβαίνει και η δημοπρασία δεύτερης τιμής κρυφού πονταρίσματος (second prize sealed bids) για το ποσοστό εξυπηρέτησης από την υπηρεσία UCS. Το ποσοστό εξυπηρέτησης είναι αντιστρόφως ανάλογο από την θέση του πράκτορα σε αυτή την δημοπρασία. Πρώτος πράκτορας θεωρείται ο νικητής δηλαδή αυτός με το μεγαλύτερο ποντάρισμα.
Για ένα συμβόλαιο που δημοπρατείται την ήμερα ν, ο νικητής θα ανακοινωθεί την ημέρα ν+1 και η υλοποίηση της διαφημιστικής καμπάνιας από τον πράκτορα θα αρχίσει την μέρα ν+2.
Όσο αναφορά τις εντυπώσεις, υπάρχει ακόμα μια δημοπρασία δεύτερης τιμής κρυφού πονταρίσματος για καθε πιθανότητα εντύπωσης οπού την εντύπωση κερδίζει το μεγαλύτερο ποντάρισμα.
Στο τέλος της μέρας ο πράκτορας μαθαίνει το ποσοστό των στοχευμένων εντυπώσεων που πέτυχε άλλα και το ποσοστό τον μη στοχευμένων εντυπώσεων που πέτυχε.
Τέλος η ποιότητα ολοκλήρωσης συμβολαίων του πράκτορα μεταβάλετε στο τέλος της διάρκειας ενός διαφημιστικού συμβολαίου αναλογικά με το ποσοστό ολοκλήρωσης αυτού.
Η ροή που περιγράφηκε φαίνεται στα δυο επόμενα σχήματα:
Εικόνα 2: Η ροή του παιχνιδίου(μέρος 1ο).
Εικόνα 3 : Η ρόη του παιχνιδίου(μέρος 2ο).
1.5.3. Διαφημιστικές εκστρατείες
Τα σημεία που χαρακτηρίζουν μια διαφημιστική καμπάνια που κερδίζεται από έναν πράκτορα μετά από μια δημοπρασία θα περιγράφουν παρακάτω:
● Στοχευμένο κομμάτι πληθυσμού: Όλες οι εκστρατείες είναι προσανατολισμένες σε ένα συγκεκριμένο κομμάτι του πληθυσμού, με την έννοια ότι οι διαφημιστές προορίζουν την συγκεκριμένη διαφημιστική καμπάνια για τα μάτια συγκεκριμένων ανθρώπων και μόνο. Αυτό φαίνεται στο γεγονός ότι στις μετρήσιμες εντυπώσεις δεν περιλαμβάνονται οι εντυπώσεις σε διαφορετικό τμήμα αγοράς από αυτό που είναι προσανατολισμένη η καμπάνια. Καθημερινά 10.000 χρήστες ιστοσελίδων επιλέγονται με συγκεκριμένα τυχαία χαρακτηριστικα. Τα χαρακτηριστικά αυτά έχουν να κάνουν με την ηλικία τους το εισόδημα τους και το φύλλο τους και επιλέγονται με σταθερή πιθανότητα καθημερινά. Η ηλικία χωρίζεται σε νέος(young) και γέρος(old), το εισόδημα σε υψηλό(high) και χαμηλό(low) και το φύλο σε αρσενικό(male) και θηλυκό(female). Ένας χρήστης χαρακτηρίζεται από οποιοδήποτε λογικό συνδυασμό των παραπάνω χαρακτηριστικών. Η απουσία ενός χαρακτηριστικού υποδηλώνει ότι το χαρακτηριστικό είναι αδιάφορο για το στοχευμένο κομμάτι πληθυσμού της καμπάνιας.
● Απαιτούμενες εντυπώσεις (Campaign Reach): ο αριθμός των στοχευμένων εντυπώσεων που καλείται να δεσμεύσει ο πράκτορας για να θεωρηθεί η ολοκλήρωση του συμβολαίου πλήρης .
● Προϋπολογισμός (Campaign Budget ): πρόκειται για το χρηματικό ποσό το οποίο είναι διαθέσιμο στον πράκτορα για την αγορά εντυπώσεων. Αυτό υπολογίζεται από
το ποσό πονταρίσματος του δεύτερου σε θέση πράκτορα στην δημοπρασία συμβολαίων και από την ποιότητα ολοκλήρωσης συμβολαίων του πράκτορα.
● Βαθμός ολοκλήρωσης: ο βαθμός ολοκλήρωσης (Effective Reach Ratio) του διαφημιστικού συμβολαίου υπολογίζεται από τον παρακάτω τύπο:
𝐸𝑅𝑅𝑛(𝐶) =2
𝑎(arctan(𝑎𝐼𝑛(𝐶)
𝐶𝑅 − 𝑏) − arctan(−𝑏))
Με 𝐼𝑛(𝐶) να αντιπροσωπεύει τις στοχευμένες αγορασμένες εντυπώσεις που δέσμευσε ο πράκτορας για το συγκεκριμένο διαφημιστικό συμβόλαιο C. Επιπλέον a και b σταθερές με a=4.08577 και b = 3.08577.
Χρησιμοποιώντας τον βαθμό ολοκλήρωσης επιπλέον υπολογίζονται και τα έσοδα του πράκτορα για το συγκεκριμένο διαφημιστικό συμβολαιο 𝐸𝑛(𝐶)καθώς ο βαθμός ποιότητας ολοκλήρωσης συμβολαίων Qn.
𝐸𝑛(𝐶) = 𝐸𝑅𝑅𝑛(𝐶)𝐶𝐵
𝑄𝑛𝑛𝑒𝑤 = (1 − 𝜂)𝑄𝑛−1+ 𝜂𝐸𝑅𝑅𝑛(𝐶)
Εικόνα 4: To ERR(Effective Reach Ratio) για μια εκστρατεία με ζητούμενες εντυπώσεις R=500.
1.5.4. Δημοπρασίες συμβολαίων
Οι δημοπρασίες συμβολαίων όπως είπαμε λαμβάνουν χώρα καθημερινά, και είναι δημοπρασίες δεύτερης τιμής με ανώτερη και κατώτερη τιμη. Αυτό γίνεται για να περιοριστούν οι πράκτορες και να μην μπορούν να δίνουν ακραίες προσφορές.
Το παράθυρο επιτρεπτών τιμών πονταρίσματος για ένα πράκτορα με ποιότητα ολοκλήρωσης συμβολαίων Qn για μια διαφημιστική καμπάνια με πλήθος διαφημιστικών εντυπώσεων CR ορίζεται από τους δυο παρακάτω τύπους:
● 𝐵𝑛× 𝑄𝑛 > 𝐶𝑅 × 𝑅𝑐𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝑀𝑖𝑛
● 𝐵𝑄𝑛
𝑛 < 𝐶𝑅 × 𝑅𝑐𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝑀𝑎𝑥
(Όπου 𝑅𝑐𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝑀𝑖𝑛 , 𝑅𝑐𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝑀𝑎𝑥 σταθερές.)
Παρατηρούμε ότι στους παραπάνω τύπους έχει δοθεί έμφαση στην διατήρηση καλής ποιότητας ολοκλήρωσης συμβολαίων από τον διαγωνισμό για τους πράκτορες. Βλέπουμε ότι όσο πιο καλή ποιότητα ολοκλήρωσης έχει κάποιος πράκτορας τόσο μεγαλύτερη ελευθεριά πονταρίσματος έχει .Επιπλέον κάτι που δεν έχει αναφερθεί ακόμα είναι ότι την τιμη πονταρίσματος επηρεάζει η ποιότητα, αυτό φαίνεται στον παρακάτω τύπο:
𝑒𝑛 = 𝑄𝑛 𝐵𝑛
όπου 𝑒𝑛 είναι το αποτελεσματικό προντάρισμα(effective bid) και αυτό που θα ληφθεί υπόψη εν τέλει. Τέλος βλέπουμε ότι η ποιότητα ολοκλήρωσης παίζει ρόλο επίσης στον προϋπολογισμό που θα πάρει ο πράκτορας από ένα συμβόλαιο αν καταφέρει και το κερδίσει, αυτό φαίνεται παρακάτω:
𝐶𝑏 = 𝑄𝑤𝑖𝑛 𝑏𝑠𝑒𝑐𝑜𝑛𝑑
όπου 𝑏𝑠𝑒𝑐𝑜𝑛𝑑= max {𝑒𝑠𝑒𝑐𝑜𝑛𝑑,1 𝑅
𝑐𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝑀𝑎𝑥×𝐶𝑅
⁄ }
Έτσι ο διαγωνισμός προσομοιώνει κατά κάποιο βαθμό της συνθήκες της πραγματικής αγοράς. Στην προσομοίωση αυτή που προσπαθεί να πετύχει ο διαγωνισμός έρχεται να προστεθεί και ο αστάθμητος παράγοντας της τυχαιότητας. Η τυχαιότητα αυτή υλοποιείται με ένα μηχανισμό που με πιθανότητα 𝑃RandomCampaign επιλεγεί τυχαία έναν πράκτορα ως νικητήριο για μια δημοπρασία συμβολαίου αν αυτός βρίσκεται μέσα στα όρια που ορίσαμε πρωτύτερα. Ο πράκτορας αυτός δεν μπορεί να είναι ο πράκτορας με την μικρότερη προσφορά.
1.5.5. Δημοπρασίες εντυπώσεων
Οι δημοπρασίες εντυπώσεων προσομοιώνονται από τον κεντρικό εξυπηρετητή του παιχνιδιού και όπως είπαμε παραπάνω πρόκειται για δημοπρασίες δεύτερης τιμής με κατώτατη τιμή η οποία επιλέγεται με διαφορετικούς τρόπους για καθε εκδότη άλλα και με διαφορετικό τρόπο επιλογής κάθε μέρα με την έννοια ότι ένας εκδότης δεν επιλεγεί με κάποιο σταθερό τρόπο την κατώτερη τιμη αυτή. Σημαντικό ρόλο στις δημοπρασίες εντυπώσεων επίσης παίζει το είδος της διαφήμισης άλλα και η πλατφόρμα του χρήστη της ιστοσελίδας που θα εμφανιστεί η διαφήμιση. Αυτό συμβαίνει γιατί μια διαφήμιση βίντεο η μια διαφήμιση σε κινητή συσκευή τείνει να έχει μεγαλύτερο αντίκτυπο από μια διαφήμιση κείμενου η μια διαφήμιση σε υπολογιστή ως επί τον πλείστον στο ποσοστό ολοκλήρωσης του συμβολαίου.
Σε ότι έχει να κάνει με την ομάδα πληθυσμού που στοχεύει μια διαφημιστική καμπάνια και τις εντυπώσεις της, ξέρουμε ότι η πιθανότητα ένας χρήστης με ηλικία a, φύλλο g και εισόδημα i να επισκεφτεί μια ιστοσελιδα w ενός εκδότη είναι :
𝑃𝐴𝑔𝑒⟨𝑎|𝑤⟩ × 𝑃𝐺𝑒𝑛𝑑𝑒𝑟⟨𝑔|𝑤⟩ × 𝑃𝐼𝑛𝑐𝑜𝑚𝑒 ⟨𝑖|𝑤⟩ × 𝑃𝑊 (𝑤)
όπου 𝑃𝑊 (𝑤) είναι η δημοτικότητα της ιστοσελίδας 𝑃𝐼𝑛𝑐𝑜𝑚𝑒 ⟨𝑖|𝑤⟩ είναι η δημοτικότητα της ιστοσελίδας σε άτομα εισοδήματος i
𝑃𝐺𝑒𝑛𝑑𝑒𝑟⟨𝑔|𝑤⟩ είναι η δημοτικότητα της ιστοσελίδας σε άτομα φύλλου g 𝑃𝐴𝑔𝑒⟨𝑎|𝑤⟩ είναι η δημοτικότητα της ιστοσελίδας σε άτομα ηλικίας a
Επιπλέον άλλα δυο χαρακτηριστικές μεταβλητές για τους εκδότες και τις ιστοσελίδες του είναι το PAdtype ⟨∙ |w⟩ όπου προσδιορίζει την δημοτικότητα διαφημίσεων συγκεκριμένου είδους στο w. Και το 𝑃𝐷𝑒𝑣𝑖𝑐𝑒⟨∙ |w⟩ όπου προσδιορίζει την δημοτικότητα διαφημίσεων
συγκεκριμένης πλατφόρμας στο w.
1.5.6. Υπηρεσία UCS
Η υπηρεσία UCS υλοποιεί το κομμάτι πληροφόρησης των πρακτόρων σχετικά με τα χαρακτηριστικά τους και το κομμάτι του πληθυσμού που ανήκουν. Βεβαία μια τόσο χρήσιμη υπηρεσία δεν θα μπορούσε να δίνετε δωρεάν σε αυτούς. Η υπηρεσία ucs παρέχεται στους πράκτορες μέσα από μια γενικευμένη δημοπρασία δεύτερης τιμής. Ο πράκτορας με το μεγαλύτερο ποντάρισμα μπορεί να ξέρει με σιγουριά τα χαρακτηριστικά των όλων χρηστών, δηλαδή λαμβάνει την πληροφορία για αυτά με πιθανότητα 1. Ένας πράκτορας στη θέση 𝑘 >
1 λαμβάνει την πληροφορία για αυτά με πιθανότητα 𝑃𝑢𝑠𝑒𝑟𝑅𝑒𝑣𝑒𝑙𝑎𝑡𝑖𝑜𝑛𝑘−1 .
1.5.7. Διαφημιστικά δίκτυα
Σαν λογικό επόμενο από τα παραπάνω φαίνεται ότι ο πράκτορας πρέπει να μεγιστοποιήσει τα έσοδα που κερδίζει από καθε συμβόλαιο μειώνοντας τα έξοδα για αυτά, όπως είναι η πληρωμή για τοποθέτηση διαφήμισης σε κάποιον εκδότη, αλλά και τα καθημερινά του έξοδα όπως είναι η πληρωμή για την υπηρεσία UCS. Από τα παραπάνω καταλήγουμε στο πόσο που καλείται καθε πράκτορας να μεγιστοποιήσει για να κερδίσει τον διαγωνισμό.
𝑁𝑛 = ∑ 𝑁𝑛(𝐶)
𝐶 − ∑ 𝐾𝑛(𝑑)
𝑑
𝑁𝑛(𝐶) = 𝐸𝑛(𝐶) − ∑ 𝑐𝑖
𝑖∈𝐼𝑛(𝐶)
