Автоматизація ставок RTB за допомогою AI: стратегії та управління бюджетом

Як AI змінює підхід до Real-Time Bidding?

Помилка типова: рекламодавець виставляє фіксовану ставку CPM $5 на first-price аукціоні й дивується, чому eCPA зростає, а бюджет відлітає за годину. Без передбачувальних моделей і bid shading RTB-кампанія — це гра наосліп. AI-оптимізація Real-Time Bidding дозволяє не лише передбачати CVR і CTR, але й динамічно керувати ставками для підвищення win rate та зниження CPA.

Ми будуємо AI-системи, які за 100 мілісекунд вирішують три завдання: чи варто брати участь в аукціоні, яка оптимальна ставка та як розподілити бюджет між кампаніями. Наші рішення включають передбачувальні моделі, адаптивний bid shading та auto-pacing на основі Thompson Sampling. Результат — win rate зростає на 15-35%, а eCPA знижується в цільовому діапазоні.

Як AI оптимізує ставки в RTB?

AI-система працює на трьох рівнях: запит, кампанія, портфель. На рівні запиту за <10ms приймається рішення по кожному bid request: чи брати участь, і за якою ціною. Тут використовуються CTR/CVR-моделі (градієнтний бустинг або нейромережі) та bid shading алгоритми. На рівні кампанії — управління бюджетом за допомогою pacing-стратегій, які адаптуються до денних паттернів трафіку. На рівні портфеля — розподіл бюджету між кампаніями на основі прогнозованого ROI.

Розглянемо кейс: клієнт з e-commerce з цільовим eCPA $10 і денним бюджетом $500. Історичних даних — 200 000 аукціонів за 2 тижні. Ми впровадили систему з Thompson Sampling та bid shading. За 3 тижні eCPA знизилась з $12 до $9.8, а win rate зріс з 18% до 24%. Секрет — в адаптивному дослідженні стратегій: алгоритм автоматично тестує різні підходи (консервативний, агресивний, з урахуванням viewability) і обирає найкращий. Thompson Sampling скорочує час налаштування на 40% порівняно з традиційним A/B-тестуванням.

Математична основа

import numpy as np from scipy import stats from scipy.optimize import minimize_scalar import pandas as pd class OptimalBiddingStrategy: """ Математично обґрунтована стратегія ставок. Базується на теорії механізмів аукціонів та оптимальному управлінні. """ 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: """ Оцінка конкурентного ландшафту аукціону. 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} # Підбираємо розподіл переможних цін # Log-normal добре описує ціни 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: """ Оптимальна ставка для цілі CPA. Максимізує кількість конверсій при дотриманні eCPA <= target_cpa. """ # Valuation: скільки коштує одне враження для нас valuation = predicted_cvr * target_cpa * 1000 # В CPM if bid_landscape.get('distribution') == 'unknown': return valuation * 0.7 # Консервативно без даних # Для second-price auction: bid = valuation (dominant strategy) # Для first-price: застосовуємо 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 (ми платимо свою ставку) profit = win_prob * (valuation - expected_payment) return -profit # Мінус для мінімізації result = minimize_scalar( expected_profit, bounds=(0.01, valuation * 1.5), method='bounded' ) optimal_bid = result.x # Коригування на бюджетний дефіцит if impressions_remaining > 0: avg_bid_needed = budget_remaining / impressions_remaining * 1000 # Не ставимо вище середнього необхідного 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: """ Крива ефективності: для кожного рівня ставки рахуємо очікувану кількість конверсій та вартість за конверсію. """ 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: """ Оптимізація ставок при кількох цілях одночасно. Типовий сценарій: мінімізувати CPA І утримати частку показів. """ def pareto_optimal_bid(self, predicted_ctr: float, predicted_cvr: float, weights: dict) -> float: """ Зважена комбінація кількох об'єктивів. 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) # Базова цінність від конверсій conversion_value = predicted_ctr * predicted_cvr * target_cpa * 1000 # Бонус за охоплення (якщо ціль = 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: """ Знижуємо ставку за невидимі покази. Якщо viewability = 40% при цілі 70% → понижувальний коеф. """ if predicted_viewability >= viewability_target: return base_bid adjustment = predicted_viewability / viewability_target return base_bid * max(adjustment, 0.5) # Мінімум 50% від базової class BidThrottlingController: """ Управління темпом участі в аукціонах. Мета: витрачати бюджет рівномірно, не беручи участь у кожному аукціоні. """ 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: """ Відсоток bid requests, в яких беремо участь. spent_pct: частка бюджету, витрачена за сьогодні time_elapsed_pct: частка доби, що минула """ # Нормальний темп: spent_pct ≈ time_elapsed_pct deviation = spent_pct - time_elapsed_pct if deviation > 0.15: # Витрачаємо занадто швидко — жорсткий throttling return max(0.3, 1.0 - deviation * 3) elif deviation < -0.15: # Витрачаємо занадто повільно — агресивна участь return min(1.0, 1.0 + abs(deviation) * 2) else: return 1.0 def should_bid(self, request_id: str, participation_rate: float) -> bool: """Детермінований sampling по request hash""" hash_val = hash(request_id) % 10000 / 10000 return hash_val < participation_rate 

Чому bid shading критичний для first-price аукціонів?

На first-price аукціонах ви платите свою ставку, а не другу ціну. Без bid shading ви переплачуєте 15-30%. Наш адаптивний bid shading використовує історичний розподіл переможних цін (зазвичай log-normal) і знаходить ставку, яка максимізує очікуваний прибуток. В результаті економія бюджету становить 15-25% при тій самій конверсії — це вдвічі ефективніше за фіксований понижувальний коефіцієнт.

Як підвищити win rate за допомогою Thompson Sampling?

Thompson Sampling — це байєсівський підхід до багаторукого бандита, який балансує exploration та exploitation. Ми використовуємо його для вибору стратегії ставок на рівні аукціону.

class BidExperimentManager: """ Багаторукий бандит для вибору оптимальної стратегії ставок. Thompson Sampling: балансує exploration vs exploitation. """ def __init__(self, strategies: list[str]): self.strategies = strategies # Beta розподіл для кожної стратегії: (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: вибираємо стратегію з найбільшим 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): """Оновлення статистики після аукціону""" 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: """Поточна ефективність стратегій""" 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') 

Які метрики важливі при оптимізації RTB?

Ключовий показник — максимальна ефективність при цільовому eCPA. Системи з bid shading економлять до 25% бюджету на first-price аукціонах. Горизонт окупності моделі — 2-4 тижні при обсязі від 50 тисяч аукціонів на день.

Що входить в deliverables

• Документація архітектури — опис моделі, пайплайнів, API-контрактів.
• Навчені моделі — серіалізовані моделі CVR/CTR, bid shading, pacing.
• Код пайплайнів — скрипти навчання, валідації, деплою.
• Дашборди моніторингу — Grafana + Prometheus для відстеження метрик.
• Навчання команди клієнта — воркшоп та документація з експлуатації.

Процес впровадження AI-системи RTB

1. Аналітика — збір та аналіз історичних даних (аукціони, конверсії, логи). Визначаємо цілі: eCPA, ROAS, охоплення.
2. Проектування — розробка архітектури: моделі ставок, bid shading, pacing. Вибір фреймворку (PyTorch, HuggingFace, scikit-learn).
3. Розробка та навчання — тренування CVR/CTR-моделей, калібрування, валідація на історичних даних.
4. Тестування — A/B-експеримент: нова стратегія vs поточна. Моніторинг ключових метрик.
5. Деплой — інтеграція з RTB-платформою через API, налаштування моніторингу та алертів.

Типові помилки при оптимізації RTB

• Ігнорування viewability: ставка за невидимі покази — втрата бюджету. Наші моделі коригують ставку залежно від прогнозованої viewability.
• Використання first-price аукціону без bid shading: ви переплачуєте 15-30%. Ми впроваджуємо адаптивний bid shading на основі розподілу переможних цін.
• Недостатньо історичних даних: моделі потребують мінімум 50 000 аукціонів на день для стабільної роботи. Менше — використовуємо байєсівські підходи.
• Вибір неправильної метрики оптимізації: CTR не завжди корелює з конверсією. Оптимізуємо напряму eCPA або ROAS.

Терміни та вартість

Терміни розробки та впровадження — від 4 до 8 тижнів залежно від складності інтеграції та якості даних. Вартість розраховується індивідуально на основі обсягу аукціонів, кількості кампаній та необхідної точності моделей. Ми гарантуємо прозорість: ви отримуєте чітке ТЗ та поетапну здачу результатів.

Готові підвищити ефективність ваших RTB-кампаній? Замовте аудит поточної стратегії — це безкоштовно та займе не більше години. Отримайте консультацію інженера, який розбирається в RTB не з чуток.

Дані засновані на практиці впровадження в 15+ проектах з e-commerce, fintech та gaming. Для отримання додаткової інформації зверніться до документації Real-Time Bidding.