L'IA et le machine learning dans les enchères programmatiques

La publicité programmatique a toujours reposé sur l’automatisation, mais l’intégration du machine learning a fondamentalement changé la façon dont les décisions d’enchères sont prises. Là où les premiers systèmes appliquaient des règles simples (enchérir à un CPM fixe pour un segment d’audience donné), les DSP modernes utilisent des modèles prédictifs qui apprennent continuellement à partir des données de campagne pour optimiser les enchères au niveau de l’impression.

Ce que fait le machine learning dans un DSP

Un DSP évaluant une demande d’enchère dispose de quelques millisecondes pour décider d’enchérir ou non, et si oui, à quel montant. Les analystes humains ne peuvent pas opérer à cette vitesse ni à cette échelle. Les modèles de machine learning le peuvent, en apprenant des patterns à partir de données historiques trop complexes ou subtils pour être capturés par des règles manuelles.

Les principaux problèmes que le ML résout dans les enchères programmatiques incluent :

• Prédiction de la probabilité de conversion : étant donné cette impression (appareil, contexte, heure, signaux utilisateur), quelle est la probabilité que l’utilisateur réalise l’action souhaitée ?
• Estimation de la valeur d’une impression : que vaut cette impression par rapport à l’objectif de la campagne, pas seulement son prix plancher ?
• Optimisation du prix d’enchère : quel prix maximise la probabilité de gagner au coût le plus bas nécessaire ?
• Rythme budgétaire : comment les dépenses doivent-elles être distribuées dans le temps pour éviter d’épuiser le budget trop tôt ou trop tard ?

Modèles de probabilité de conversion

L’application la plus répandue du ML dans les enchères est la prédiction de la probabilité qu’un utilisateur spécifique convertisse après avoir vu une publicité. Ces modèles utilisent généralement la régression logistique, le gradient boosting ou des architectures de deep learning entraînées sur des données historiques d’impressions et de conversions.

Les données d’entrée de ces modèles peuvent inclure :

• Signaux contextuels : catégorie de page, domaine de l’éditeur, heure de la journée, jour de la semaine
• Signaux d’appareil : système d’exploitation, navigateur, type de connexion
• Signaux d’audience : segments comportementaux, récence des visites sur des sites pertinents
• Signaux créatifs : taille de l’annonce, format, performance passée avec des utilisateurs similaires

Le modèle produit un score, la probabilité estimée de conversion, que le moteur d’enchères utilise pour calculer la valeur de cette impression par rapport au CPA cible de la campagne.

Le bid shading

Dans les enchères au second prix, le gagnant paie la deuxième offre la plus élevée plus un petit incrément. Dans un monde purement au second prix, la stratégie théoriquement optimale est d’enchérir à sa valeur réelle. Mais avec la généralisation des enchères au premier prix (où les gagnants paient exactement ce qu’ils ont enchéri), le risque de surpayer est devenu bien réel.

Les algorithmes de bid shading réduisent l’offre depuis le maximum qu’un acheteur est prêt à payer vers un montant inférieur qui a encore une forte probabilité de gagner, tout en réduisant le prix de clearing. Ces modèles estiment le prix de clearing probable d’une enchère en se basant sur des patterns historiques pour un inventaire similaire et ajustent les offres en conséquence.

Un bid shading efficace peut significativement réduire les CPM moyens sans diminuer sensiblement les taux de gain, délivrant plus d’impressions pour le même budget.

Le rythme budgétaire (pacing)

Le rythme budgétaire contrôle la façon dont les dépenses sont distribuées tout au long d’une campagne. Sans pacing, un DSP optimisant purement la performance pourrait dépenser l’intégralité du budget quotidien dans la première heure quand la concurrence est faible, ne laissant rien pour le reste de la journée.

Les algorithmes de pacing modernes utilisent le ML pour prédire les patterns de demande tout au long de la journée et ajustent dynamiquement l’agressivité des enchères. Le pacing orienté objectif va plus loin, en cherchant à atteindre une cible de livraison spécifique (un nombre d’impressions, un objectif CPA) d’ici la fin de la période de campagne plutôt que de simplement répartir le budget uniformément.

Modélisation d’audience et lookalike

Le ML alimente également l’expansion d’audience. En partant d’une audience graine (des utilisateurs qui ont déjà acheté, visité un magasin ou effectué une autre action à haute valeur), les modèles lookalike identifient des utilisateurs avec des patterns comportementaux similaires dans la population plus large.

Ces modèles aident les annonceurs à aller au-delà de leurs audiences connues sans sacrifier la pertinence, ce qui est particulièrement utile lorsque les segments d’audience first-party sont trop petits pour un ciblage programmatique efficace.

Les limites et risques des enchères pilotées par le ML

Les modèles de machine learning dépendent de la qualité et du volume des données. En début de campagne, avant que suffisamment de données de conversion aient été collectées, les modèles ont peu d’informations sur lesquelles travailler. Cette période de “démarrage à froid” montre souvent des CPA plus élevés avant que le modèle ait suffisamment de signaux pour optimiser efficacement.

Les modèles optimisent également vers ce pour quoi ils sont entraînés à mesurer. Si un événement de conversion est mal défini, ou si les données d’entraînement contiennent des erreurs de mesure, le modèle optimisera vers le mauvais objectif. Le principe “garbage in, garbage out” s’applique directement aux enchères ML.

La transparence est une autre considération. La logique de décision des modèles ML complexes peut être difficile à inspecter ou à expliquer, ce qui complique le dépannage lorsque les campagnes sous-performent.

Comment Arago vous aide

Arago applique des enchères pilotées par le ML aux campagnes retail locales, en ajustant automatiquement les offres en fonction des signaux de conversion, des patterns d’audience et des besoins de pacing. Cela signifie que les retailers locaux bénéficient des mêmes capacités d’optimisation auparavant réservées aux grands annonceurs nationaux, sans avoir besoin d’une équipe data science pour les gérer.