Gwella effeithlonrwydd hysbysebu ar-lein
Mae ein hymchwilwyr wedi datblygu algorithmau ystadegol sy'n llywio penderfyniadau cyflym ar ddefnyddio hysbysebion i ddefnyddwyr ar-lein penodol, gan arwain at gynnydd mewn trosiant blynyddol, arbedion blynyddol sylweddol a chynnydd mewn cleientiaid newydd.
Mae mwy a mwy o gwmnïau'n gorfod cystadlu dros ofod hysbysebu mewn 'arwerthiannau rhithwir' oherwydd cynnydd mewn bidio amser real. Mae bidio amser real yn aml yn digwydd yn y milieiliadau y mae'n eu cymryd i dudalen we gael ei llwytho.
Mae ein hymchwilwyr yn yr Ysgol Mathemateg wedi datblygu algorithmau ystadegol sy'n galluogi cwmnïau i greu strategaeth fidio addasol gyffredinol ar gyfer ymgyrchoedd hysbysebu, gan lywio penderfyniadau cyflym ar ddefnyddio hysbysebion i ddefnyddwyr ar-lein penodol. Mabwysiadwyd algorithmau ein hymchwilydd gan y cwmni marchnata digidol blaenllaw Crimtan ac maent wedi arwain at gynnydd mewn gwerthiannau a amcangyfrifir yn fwy na £3.5my flwyddyn.
Ymchwil
Mae'r ymchwilwyr, yr Athro Zhigljavsky a Dr Pepelyshev yn yr Ysgol Mathemateg, wedi datblygu algorithmau mathemategol ac ystadegol sy'n galluogi targedu addasol o fewn hysbysebion gwefannau, gan helpu cwmnïau i gystadlu yn y broses o wneud ceisiadau amser real am ofod hysbysebu ar wefannau. Mae hyn yn galluogi cwmnïau i wneud penderfyniadau cyflymach a mwy cywir ynghylch a ddylid dangos hysbyseb benodol i ddefnyddiwr penodol gan ddefnyddio bidio amser real awtomataidd.
Mae ein hymchwil wedi canolbwyntio ar dechnegau dysgu peirianyddol a gynhyrchwyd algorithmau sy'n nodi cwsmeriaid addas ar gyfer hysbysebion yn seiliedig ar ymddygiad ar-lein blaenorol, ac yna'n dyfeisio strategaeth gynnig pan ystyrir bod prynu hysbyseb yn werth chweil.
Fe wnaethom hefyd archwilio dylanwad cymharol ffactorau ar gyfraddau clicio drwodd a throsi. Mae'r algorithmau canlyniadol yn gallu cyflawni'r un cywirdeb ag algorithmau dysgu peirianyddol sy'n gofyn llawer yn gyfrifiadurol megis Peiriannau Hybu Graddiant neu Beiriannau Ffactoreiddio Ymwybodol o Faes (FFM).
Roedd ein halgorithmau mewn sefyllfa dda i weithredu yn yr eiliadau y mae cynigion am hysbysebion targed yn digwydd ynddynt a, thrwy gydweithio â Crimtan, llwyddodd yr ymchwil i gael effaith gyflym ar ddatblygiad cynnyrch y cwmni a chystadleurwydd y sector.
Effaith
Trosiant cynyddol a busnes newydd
Galluogodd ein halgorithmau ystadegol Crimtan i gynyddu ei strategaeth brynu rhaglennol yn sylweddol a chynyddu llwyddiant ei ymgyrchoedd marchnata digidol. Arweiniodd ein hymchwil at gynnydd o 20% mewn trosiant a £2M o fusnes newydd i’r asiantaeth. Fe wnaeth hefyd wella ceisiadau rhaglennu amser real ar draws sylfaen cleientiaid byd-eang helaeth Crimtan. Cynyddodd y gyfradd ymateb i hysbyseb 10% ac amcangyfrifir ei fod wedi ychwanegu £3.5M y flwyddyn mewn gwerthiannau i'r cleientiaid hyn.
Gwella strategaeth hysbysebu amser real Crimtan
Trwy ymgorffori ein halgorithmau yn eu cynhyrchion cefnogi penderfyniadau, fe wnaeth Crimtan wella'r amseroldeb, effeithlonrwydd a chywirdeb y tu ôl i gynnig hysbysebion ar-lein, a lleihau eu costau staffio yn uniongyrchol. Yn benodol, bu i awtomeiddio’r broses bidio amser real alluogi Crimtan i arbed £370K y flwyddyn mewn costau staff cysylltiedig, gan ganiatáu iddynt resymoli eu strategaeth staffio ac adleoli rhai gweithwyr i feysydd busnes newydd o fewn y cwmni.
Denu cleientiaid rhyngwladol
Mae ein hymchwil hefyd wedi arwain at Crimtan yn denu cleientiaid rhyngwladol ychwanegol. Cadarnhaodd y cwmni fod y cydweithrediad wedi arwain at gaffael gwerth £2 filiwn o fusnes newydd ac wedi cynyddu trosiant 20%.
Cwrdd â'r tîm
Cyhoeddiadau
Pepelyshev A., Staroselskiy Y., Zhigljavsky, A. and Guchenko, R. (2016) Adaptive targeting in online advertisement: models based on relative influence of factors. Published in: Pardalos, P., Conca, P., Giuffrida, G. and Nicosia, G. (eds.) Machine Learning, Optimization,and Big Data. MOD 2016. Lecture Notes in Computer Science Springer, pp. 159-169.
Pepelyshev A., Staroselskiy Y. and Zhigljavsky, A. (2016) Adaptive designs for optimizing online advertisement campaigns. MODA 11 - Advances in Model-Oriented Design and Analysis. Contributions to Statistics, Springer-Verlag, pp.199-208.
Pepelyshev A., Staroselskiy Y. and Zhigljavsky A. (2015) Adaptive Targeting for Online Advertisement, Machine Learning, Optimization, and Big Data. Springer Lecture Notes in Computer Science, Vol. 9432, pp. 240-251.
Zhigljavsky A., Žilinskas A.G. (2008) Stochastic Global Optimization, Springer-Verlag US.
Zhigljavsky A., Hamilton E. (2010) Stopping rules in k-adaptive global random search algorithms. DOI: 10.1007/s10898-010-9528-6 Journal of Global Optimization, v. 48, No. 1,87–97.
Pepelyshev, A., Zhigljavsky A., and Žilinskas A. Performance of global random search algorithms for large dimensions. Journal of Global Optimization, 71 (2018): 57-71.
