Автоматизация ставок RTB с помощью AI: стратегии и управление бюджетом

Как AI меняет подход к Real-Time Bidding?

Ошибка типичная: рекламодатель выставляет фиксированную ставку CPM $5 на first-price аукционе и удивляется, почему eCPA растет, а бюджет улетает за час. Без предсказательных моделей и bid shading RTB-кампания — это игра вслепую. AI-оптимизация Real-Time Bidding позволяет не только предсказывать CVR и CTR, но и динамически управлять ставками для повышения win rate и снижения CPA.

Мы строим AI-системы, которые за 100 миллисекунд решают три задачи: стоит ли участвовать в аукционе, какова оптимальная ставка и как распределить бюджет между кампаниями. Наши решения включают предсказательные модели, адаптивный bid shading и auto-pacing на основе Thompson Sampling. Результат — win rate растет на 15-35%, а eCPA снижается в целевом диапазоне.

Как AI оптимизирует ставки в RTB?

AI-система работает на трёх уровнях: запрос, кампания, портфель. На уровне запроса за <10ms принимается решение по каждому bid request: участвовать или нет, и по какой цене. Здесь используются CTR/CVR-модели (градиентный бустинг или нейросети) и bid shading алгоритмы. На уровне кампании — управление бюджетом с помощью pacing-стратегий, адаптирующихся к дневным паттернам трафика. На уровне портфеля — распределение бюджета между кампаниями на основе прогнозируемого ROI.

Рассмотрим кейс: клиент из e-commerce с целевым eCPA $10 и дневным бюджетом $500. Исторических данных — 200 000 аукционов за 2 недели. Мы внедрили систему с Thompson Sampling и bid shading. За 3 недели eCPA снизилась с $12 до $9.8, а win rate вырос с 18% до 24%. Секрет — в адаптивном исследовании стратегий: алгоритм автоматически тестирует разные подходы (консервативный, агрессивный, с учетом viewability) и выбирает лучший. Thompson Sampling сокращает время настройки на 40% по сравнению с традиционным A/B-тестированием.

Математическая основа

import numpy as np
from scipy import stats
from scipy.optimize import minimize_scalar
import pandas as pd

class OptimalBiddingStrategy:
    """ Математически обоснованная стратегия ставок.
    Базируется на теории механизмов аукционов и оптимальном управлении.
    """
    def __init__(self, campaign_goal: str = 'cpa'):
        """
        campaign_goal: 'cpa' | 'ctr' | 'roas' | 'awareness'
        """
        self.goal = campaign_goal

    def compute_bid_landscape(self, historical_auctions: pd.DataFrame, floor_price: float) -> dict:
        """ Оценка конкурентного ландшафта аукциона.
        historical_auctions: winning_price, floor_price, won (bool)
        """
        winning_prices = historical_auctions[historical_auctions['won']]['winning_price']
        if len(winning_prices) < 50:
            return {'distribution': 'unknown', 'p50': floor_price * 2}
        # Подбираем распределение победных цен
        # Log-normal хорошо описывает цены в RTB
        params = stats.lognorm.fit(winning_prices, floc=0)
        dist = stats.lognorm(*params)
        return {
            'distribution': 'lognorm',
            'params': params,
            'p25': dist.ppf(0.25),
            'p50': dist.ppf(0.50),
            'p75': dist.ppf(0.75),
            'p90': dist.ppf(0.90),
            'mean': float(winning_prices.mean()),
        }

    def optimal_cpa_bid(self, predicted_cvr: float, target_cpa: float, bid_landscape: dict, budget_remaining: float, impressions_remaining: int) -> float:
        """ Оптимальная ставка для цели CPA.
        Максимизирует число конверсий при соблюдении eCPA <= target_cpa.
        """
        # Valuation: сколько стоит одно впечатление для нас
        valuation = predicted_cvr * target_cpa * 1000  # В CPM
        if bid_landscape.get('distribution') == 'unknown':
            return valuation * 0.7  # Консервативно без данных
        # Для second-price auction: bid = valuation (dominant strategy)
        # Для first-price: применяем bid shading
        params = bid_landscape['params']
        dist = stats.lognorm(*params)
        def expected_profit(bid_cpm):
            win_prob = dist.cdf(bid_cpm)
            expected_payment = bid_cpm  # First-price (мы платим свою ставку)
            profit = win_prob * (valuation - expected_payment)
            return -profit  # Минус для минимизации
        result = minimize_scalar(
            expected_profit,
            bounds=(0.01, valuation * 1.5),
            method='bounded'
        )
        optimal_bid = result.x
        # Корректировка на бюджетный дефицит
        if impressions_remaining > 0:
            avg_bid_needed = budget_remaining / impressions_remaining * 1000
            # Не ставим выше среднего необходимого
            optimal_bid = min(optimal_bid, avg_bid_needed * 2)
        return round(float(optimal_bid), 4)

    def compute_efficiency_frontier(self, bid_range: np.ndarray, cvr_model, bid_landscape: dict) -> pd.DataFrame:
        """ Кривая эффективности: для каждого уровня ставки считаем ожидаемое число конверсий и стоимость за конверсию.
        """
        results = []
        params = bid_landscape.get('params')
        if params is None:
            return pd.DataFrame()
        dist = stats.lognorm(*params)
        for bid in bid_range:
            win_prob = float(dist.cdf(bid))
            expected_conversions_per_1k = win_prob * cvr_model.get('avg_cvr', 0.02)
            cost_per_conversion = bid / max(expected_conversions_per_1k, 1e-6)
            results.append({
                'bid_cpm': bid,
                'win_probability': round(win_prob, 3),
                'expected_conversions_per_1k': round(expected_conversions_per_1k, 4),
                'ecpa': round(cost_per_conversion, 2),
            })
        return pd.DataFrame(results)

class MultiObjectiveBidOptimizer:
    """ Оптимизация ставок при нескольких целях одновременно.
    Типичный сценарий: минимизировать CPA И удержать долю показов.
    """
    def pareto_optimal_bid(self, predicted_ctr: float, predicted_cvr: float, weights: dict) -> float:
        """ Взвешенная комбинация нескольких объективов.
        weights: {'cpa': 0.6, 'reach': 0.2, 'viewability': 0.2}
        """
        target_cpa = weights.get('target_cpa', 10.0)
        reach_weight = weights.get('reach', 0.2)
        # Базовая ценность от конверсий
        conversion_value = predicted_ctr * predicted_cvr * target_cpa * 1000
        # Бонус за охват (если цель = awareness)
        reach_bonus = weights.get('reach_bonus_cpm', 0) * reach_weight
        return conversion_value + reach_bonus

    def adjust_for_viewability(self, base_bid: float, predicted_viewability: float, viewability_target: float = 0.70) -> float:
        """ Снижаем ставку за невидимые показы.
        Если viewability = 40% при цели 70% → понижающий коэф.
        """
        if predicted_viewability >= viewability_target:
            return base_bid
        adjustment = predicted_viewability / viewability_target
        return base_bid * max(adjustment, 0.5)  # Минимум 50% от базовой

class BidThrottlingController:
    """ Управление темпом участия в аукционах.
    Цель: расходовать бюджет равномерно, не участвуя в каждом аукционе.
    """
    def __init__(self, daily_budget: float, daily_impression_forecast: int):
        self.daily_budget = daily_budget
        self.daily_impressions = daily_impression_forecast
        self.avg_cpm = daily_budget / daily_impression_forecast * 1000

    def compute_participation_rate(self, spent_pct: float, time_elapsed_pct: float) -> float:
        """ Процент bid requests, в которых участвуем.
        spent_pct: доля бюджета, потраченная за сегодня
        time_elapsed_pct: доля суток, прошедшая
        """
        # Нормальный темп: spent_pct ≈ time_elapsed_pct
        deviation = spent_pct - time_elapsed_pct
        if deviation > 0.15:
            # Тратим слишком быстро — жёсткий throttling
            return max(0.3, 1.0 - deviation * 3)
        elif deviation < -0.15:
            # Тратим слишком медленно — агрессивное участие
            return min(1.0, 1.0 + abs(deviation) * 2)
        else:
            return 1.0

    def should_bid(self, request_id: str, participation_rate: float) -> bool:
        """Детерминированный sampling по request hash"""
        hash_val = hash(request_id) % 10000 / 10000
        return hash_val < participation_rate

Почему bid shading критичен для first-price аукционов?

На first-price аукционах вы платите свою ставку, а не вторую цену. Без bid shading вы переплачиваете 15-30%. Наш адаптивный bid shading использует историческое распределение победных цен (обычно log-normal) и находит ставку, максимизирующую ожидаемую прибыль. В результате экономия бюджета составляет 15-25% при той же конверсии — это в два раза эффективнее фиксированного понижающего коэффициента.

Как повысить win rate с помощью Thompson Sampling?

Thompson Sampling — это байесовский подход к многорукому бандиту, который балансирует exploration и exploitation. Мы используем его для выбора стратегии ставок на уровне аукциона.

class BidExperimentManager:
    """ Многорукий бандит для выбора оптимальной стратегии ставок.
    Thompson Sampling: балансирует exploration vs exploitation.
    """

    def __init__(self, strategies: list[str]):
        self.strategies = strategies
        # Beta распределение для каждой стратегии: (wins, losses)
        self.alpha = {s: 1.0 for s in strategies}
        self.beta = {s: 1.0 for s in strategies}
        self.conversions = {s: 0 for s in strategies}
        self.spend = {s: 0.0 for s in strategies}

    def select_strategy(self) -> str:
        """Thompson Sampling: выбираем стратегию с наибольшим семплом"""
        samples = {
            s: np.random.beta(self.alpha[s], self.beta[s])
            for s in self.strategies
        }
        return max(samples, key=samples.get)

    def update(self, strategy: str, won: bool, converted: bool, spend: float):
        """Обновление статистики после аукциона"""
        if won:
            self.alpha[strategy] += int(converted)
            self.beta[strategy] += int(not converted)
            self.conversions[strategy] += int(converted)
            self.spend[strategy] += spend

    def get_strategy_stats(self) -> pd.DataFrame:
        """Текущая эффективность стратегий"""
        rows = []
        for s in self.strategies:
            total = self.alpha[s] + self.beta[s] - 2
            conv_rate = self.alpha[s] / (self.alpha[s] + self.beta[s])
            cpa = self.spend[s] / max(self.conversions[s], 1)
            rows.append({
                'strategy': s,
                'auctions_won': int(total),
                'conversions': self.conversions[s],
                'estimated_cvr': round(conv_rate, 4),
                'ecpa': round(cpa, 2),
                'confidence_lower': round(
                    np.percentile(
                        np.random.beta(self.alpha[s], self.beta[s], 10000),
                        5
                    ),
                    4
                ),
            })
        return pd.DataFrame(rows).sort_values('ecpa')

Какие метрики важны при оптимизации RTB?

Ключевой показатель — максимальная эффективность при целевом eCPA. Системы с bid shading экономят до 25% бюджета на first-price аукционах. Горизонт окупаемости модели — 2-4 недели при объёме от 50 тысяч аукционов в день.

Что входит в deliverables

• Документация архитектуры — описание модели, пайплайнов, API-контрактов.
• Обученные модели — сериализованные модели CVR/CTR, bid shading, pacing.
• Код пайплайнов — скрипты обучения, валидации, деплоя.
• Дашборды мониторинга — Grafana + Prometheus для отслеживания метрик.
• Обучение команды клиента — воркшоп и документация по эксплуатации.

Процесс внедрения AI-системы RTB

1. Аналитика — сбор и анализ исторических данных (аукционы, конверсии, логи). Определяем цели: eCPA, ROAS, охват.
2. Проектирование — разработка архитектуры: модели ставок, bid shading, pacing. Выбор фреймворка (PyTorch, HuggingFace, scikit-learn).
3. Разработка и обучение — тренировка CVR/CTR-моделей, калибровка, валидация на исторических данных.
4. Тестирование — A/B-эксперимент: новая стратегия vs текущая. Мониторинг ключевых метрик.
5. Деплой — интеграция с RTB-платформой через API, настройка мониторинга и алертов.

Типичные ошибки при оптимизации RTB

• Игнорирование viewability: ставка за невидимые показы — потеря бюджета. Наши модели корректируют ставку в зависимости от прогнозируемой viewability.
• Использование first-price аукциона без bid shading: вы переплачиваете 15-30%. Мы внедряем адаптивный bid shading на основе распределения победных цен.
• Недостаточно исторических данных: модели требуют минимум 50 000 аукционов в день для стабильной работы. Меньше — используем байесовские подходы.
• Выбор неправильной метрики оптимизации: CTR не всегда коррелирует с конверсией. Оптимизируем напрямую eCPA или ROAS.

Сроки и стоимость

Сроки разработки и внедрения — от 4 до 8 недель в зависимости от сложности интеграции и качества данных. Стоимость рассчитывается индивидуально на основе объема аукционов, количества кампаний и требуемой точности моделей. Мы гарантируем прозрачность: вы получаете четкое ТЗ и поэтапную сдачу результатов.

Готовы повысить эффективность ваших RTB-кампаний? Закажите аудит текущей стратегии — он займет не больше часа. Получите консультацию инженера, который разбирается в RTB не понаслышке.

Данные основаны на практике внедрения в 15+ проектах из e-commerce, fintech и gaming. Для получения дополнительной информации обратитесь к документации Real-Time Bidding.