SUNDAY사의 비딩 자동화 시스템 아티클 요약

SUNDAY사의 아티클 <Optimized Bids in 4 Clicks: Our Journey Building an Automated Bidding System>의 번역 요약입니다

Summary

• 기존 UA 업무는 수작업으로 인한 불편함이 있음. 이에 대한 해결책으로 ROAS 최적화 캠페인 있으나, 특정 mediation 종속되어 데이터 변동에 대한 민감도가 떨어져 점진적 최적화가 어렵다는 한계점 존재
• SUNDAY사에서 비딩 최적화를 위해 progression multiplier 모델 활용하여 예측 정확도 95% 달성
• 대량 샘플 데이터 없이 최적화 가능했던 이유는 이상값의 영향력이 낮은 하이퍼 캐주얼 게임의 특성과 데이터 크기의 의존도 낮은 multipler 모델의 특성 때문

비딩 시스템의 문제와 기존 해결책의 한계

• 기존 UA 업무에는 데이터 수집, 함수 적용, csv 파일 업로드 등 업무들로 인한 리소스 낭비 문제 존재
• 이에 대한 해결책으로 ROAS 최적화 캠페인이 있으나 특정 mediation에 종속된다는 한계가 있음
• 이로 인해 지역, 네트워크, 플랫폼, 게임 등을 섬세하게 파악하지 못하고 덩어리들로 구성된 단순 로직만 적용하게 됨
• 데이터 변동에 대한 민감도가 떨어져 점진적인 최적화가 어렵다는 문제가 잔존

해결책으로서 비딩 최적화 자동화(Automated Bid Optimization)

• 유저 행동과 비딩 예측 모델
• 고려한 모델 : logarithmic curve fitting models,machine learning regression(XGBoost), Exponential Moving Average(EMA), etc
• 선택한 모델 : progression multiplier
• 측정 방법 : 초기일(1 또는 3일) ARPI x Progression Multiplier(Progression Multiplier 값은 특정 지역의 과거 progression에서 얻음)

대량의 샘플 사이즈 없이 점진적 최적화 가능했던 이유

• 일반적으로 신뢰할만한 예측값을 얻기 위해 샘플 데이터가 많아야 함
• 다만, 하이퍼케쥬얼 게임 특성상 이상값에 해당하는 유저 행동은 캠페인 레벨에 미치는 영향이 적고
• 데이터 크기에 의존도가 상대적으로 낮은 multiplier 모델 특성을 사용했기 때문

모델의 예측 정확도 점수

• reliability score 요소:
  • D1 ARPI에 대한 에러 1건
  • 캠페인, 지역, 플랫폼, 소스 조합의 과거 데이터에 기반한 game의 progression 값
• 의도되지 않은 spike, drop 등 이상값은 제외
• 예상 정확도 : 80% 이상
• 실제 정확도 : 95%

비딩 적용 : 비딩 세션 마다 수 많은 시트들을 적용하는 문제 해결 방법

• 자사의 어트리뷰션 파트너 플랫폼 JustTrack 사용
• 다수 네트워크들의 비딩 조정 api를 구현
• 표준 형식만 따라서 적용하면 됨
• 클릭 4번이 필요한 곳이 이 단계

추후 도입 예정 기능

• Discovery Mode 기능
• 캠페인 비딩을 더 높은 레벨에서 임시로 관리하여 캠페인 비딩을 수익을 창출할 수 있는 잠재 소스를 찾아주는 기능

레퍼런스

• https://sunday.gg/optimized-bids-in-4-clicks-our-journey-building-an-automated-bidding-system/?trk=public_post_comment-text