[Ad Tech] Bid Strategy with Winning Price and Win Rate in Programmatic Auction

안녕하세요, 솬씨티입니다.
오늘은 Ad Tech의 Programmatic Auction에 대한 논문을
하나 소개해 드리려고 합니다.

논문 제목은 
Programmatic Buying Bidding Strategies
with Win Rate and Winning Price Estimation in Real Time Mobile Advertising
(by Xiang Li and Devin Guan )입니다. 어렵죠? ㅠㅠ 

언제봐도 어려운 논문 ㅠ_ㅠ

---

1. Introduction
-. 보통의 RTB 시장에서 낙찰 가격은 2nd Price 전략으로 이루어진다. 이는 광고주들에게 그들의 니즈에 기반한 입찰 전략에 대한 유연성을 갖게 한다.
-. 이 논문은 RTB 경매 시장에Win Rate와 Winning Price 간의 측정에 따른 입찰 전략을 다룬다.
-. Win Rate는 Winning Price 분포의 누적 분포 함수로 표현된다.
-. Win Rate의 로지스틱 회귀 모델을 사용하며, Winning Price의 분포를 알기 위해 Win Rate의 도함수(미분)를 쓴다. Winning Price로서 Bid Price의 기대값 분포를 사용한다.
-. 입찰 전략은 Winning Price와 Win Rate의 최적의 조합 함수이며 최종 입찰가를 결정함.

2. Related Work
-. 크게 중요한 내용 無

3. Win Rate Estimation
3.1 Win Rate 추정치와 상응하는 특징에 기반한 로지스틱 회귀 모델
-. 똑같은 입찰가의 두 요청 트래픽에, mobile app의 특징, 요청 시간, 광고 지면의 사이즈, 유저의Geo 정보나 다른 많은 특징들로 인해 Win rate가 철저하게 달라질 수 있다.
-. 입찰가가 높을수록 낙찰될 가능성은 높다.
-. 상기한 두 특징들로 인해 Win Rate 측정치 식은 대략 이렇다. (1)
3.2 분산 머신 러닝으로 Win Rate 예측 확대
-. 일 요청 트래픽은 대략 수십억 개에 달함. 이는 Win Rate 예측 모델 트레이닝에 쓰일 수 있다.
-. 분산 머신 러닝을 위해서는 대량의 data의 볼륨을 줄이면 안된다.
-. 분산 머신 러닝을 위해서 Mashout과 Vowpal Wabbit 알고리즘을 사용한다. VW.는 전형적인 선형 학습의 Classification task에 더 특화되어 있으며 데이터 처리 과정이 더 빠르다.
3.3 특징 선별, Win Rate 예측에 있어서 정규화와 Missing Feature (놓치는 특징들(?))
-. 사용 가능한 data에서 최대한 유용한 특징들을 뽑아서 사용하는 것이 관건.
-. Feature Selection : Off-Line에서 사전에 결정되어야 할 부분이고 비용 소요 예상, 이는 모델링 하기 전에 고유한 특징들을 추려냄으로써 모델링의 효율성을 높여줌.
-. Regularization : Model building process를 활용하여 feature selection을 mix. 분리된 feature selection 접근보다 더 효율적이다.

---

논문의 전반적인 내용을 다뤘구요.
좀더 깊이 있는 내용은 다음 심화 포스팅에
다루도록 하겠습니다.
감사합니다. ^_^