Google Smart Bidding: matematika „black boxu“
Každé automatizované biddingové rozhodnutie, ktoré Google urobí, je variáciou jedného z najstarších problémov v oblasti reinforcement learningu: problému Multi-Armed Bandit (MAB).
Väčšina inzerentov vníma Smart Bidding ako jedno „magické tlačidlo“. V skutočnosti ide o sofistikovaný rámec sekvenčného rozhodovania, v ktorom algoritmus neustále volí medzi exploration (skúšaním neznámych aukcií, aby zistil ich hodnotu) a exploitation (bidovaním na aukcie, o ktorých už vie, že fungujú).
Pochopenie matematickej architektúry za týmito rozhodnutiami, od Markovových reťazcov až po Bayesovské učenie, je jediný spôsob, ako diagnostikovať, prečo stratégia uspeje alebo sa dostane do „death spiral“.
1. Algoritmický pôvod: od Markova k Thompsonovi
Biddingový systém Googlu sa riadi vlastnosťou „bez pamäte“, známou ako Markovov reťazec. To znamená, že ďalší stav (ponuka v aukcii) závisí od aktuálneho kontextu, nie od celej histórie toho, ako sa k nemu algoritmus dostal.
Tento rámec umožňuje Googlu vnímať každú aukciu ako jedinečný prechod medzi stavmi, kde „odmena“ (konverzia) aktualizuje presvedčenia modelu o tom, čo funguje.
Na riešenie kompromisu medzi exploration a exploitation využíva Google tri hlavné rodiny algoritmov:
| Algoritmus | Mechanizmus | Úloha v Smart Biddingu |
|---|---|---|
| ε-Greedy | Náhodne vyberie možnosť približne v 10 % prípadov, aby získal nové dáta. | Záložný mechanizmus pre úplne nové kampane bez histórie. |
| Upper Confidence Bound (UCB) | Pridáva „bonus za neistotu“ k zriedkavo skúšaným možnostiam. | Základ tCPA a tROAS. Cieľ funguje ako pevný strop na UCB skóre. |
| Thompson Sampling | Využíva Bayesovské distribúcie na vzorkovanie odhadov a vyberá najvyššiu hodnotu. | Hlavný mechanizmus pre Maximize Conversions. Prirodzene škáluje exploration podľa skutočnej neistoty. |
2. Bayesovské učenie a mýtus „50 konverzií“
Google explicitne uvádza, že Smart Bidding využíva Bayesovské učenie na zlepšovanie modelov počas zbierania dát. Konkrétne pracuje s Beta-Bernoulli modelom, kde „prior“ distribúcia začína ako úplne plochá (totálna neistota) a postupne sa zužuje s pribúdajúcimi konverziami.
V odvetví sa často uvádza, že 50 konverzií mesačne je magická hranica, od ktorej Smart Bidding „začne fungovať“. Technicky je to zavádzajúce z dvoch dôvodov:
- Kvalita distribúcie: 50 identických brandových konverzií nenaučí model toľko ako 50 rôznorodých vyhľadávacích dopytov.
- Variancia: Pri tROAS v e-commerce katalógu s rôznymi hodnotami objednávok môže byť potrebných 400+ konverzií, aby bol odhad štatisticky spoľahlivý.
3. Konverzný cyklus: skutočná jednotka času
Inzerenti často hodnotia úspešnosť stratégie po 14 dňoch, ale správne hodnotiace okno sú v skutočnosti 3 kompletné konverzné cykly.
Konverzný cyklus je typický čas od kliknutia po nahlásenú konverziu. Ak má váš B2B predajný cyklus 60 dní, vyhodnocovanie zmeny stratégie po dvoch týždňoch je matematicky bezvýznamné, model ešte nevidel ani prvé „úplne nahlásené“ okno dát.
4. Prečo tROAS zlyháva: Power Law a Zipfovo rozdelenie
Väčšina dát v Google Ads sa neriadi normálnym „zvonovým“ rozdelením. Namiesto toho sa riadi Power Law distribúciou, známou aj ako pravidlo 80/20.
- Kľúčové slová: horných 5 % kľúčových slov zvyčajne generuje približne 73 % konverzií.
- Produkty: príjmy e-commerce zvyčajne sledujú Zipfovo rozdelenie, kde produkt č. 1 môže generovať dvojnásobný obrat oproti produktu č. 2.
Keď je variancia hodnoty príliš vysoká, regresný model hodnoty konverzie sa stáva nespoľahlivým. Algoritmus začne naháňať zriedkavé, vysoko hodnotné „outlier“ objednávky, čo posúva priemernú ponuku ďaleko od typickej hodnoty objednávky.
Riešením býva často zastropovanie hodnôt konverzií, ktoré umelo stlačí distribúciu a obnoví stabilitu modelu.
5. „Death spiral“: keď ciele zabijú signál
Najnebezpečnejším režimom zlyhania je samoposilňujúca sa negatívna slučka, nazývaná „death spiral“. Zvyčajne ju spustí nastavenie tCPA cieľa výrazne pod skutočnými nákladmi trhu.
- Porušenie obmedzenia: strop UCB skóre algoritmu je nastavený príliš nízko.
- Strata signálu: kampaň vyhráva menej aukcií a hustota konverzií klesá.
- Kolaps exploration: keď je dát menej, neistota rastie, ale pevný strop cieľa bráni algoritmu bidovať dostatočne vysoko na to, aby sa z tejto situácie „preexploroval“.
Výsledkom je kampaň, ktorá sa pomaly prepadá do stavu Learning Limited, až nakoniec úplne prestane míňať rozpočet.
Kontrolný zoznam pri hodnotení výkonu
- Neresetujte learning len kvôli zmene cieľa. Úprava tCPA alebo tROAS je okamžitá recalibrácia bidding-u; nevymaže Bayesovské priory na úrovni vyhľadávacích dopytov.
- Ignorujte manuálne seasonality adjustments pri veľkých retail udalostiach, ako je Black Friday. Smart Bidding tieto špičky zvyčajne deteguje automaticky. Manuálne úpravy často vedú k nadmernému bidovaniu oproti skutočnému nárastu konverzií.
- Prepnite na Maximize Conversions počas exponenciálneho rastu alebo prudkých „hockey stick“ zmien. Fixné ciele počas rýchlych zmien trhu zaostávajú.
Smart Bidding je Bayesovský systém, ktorý sa zlepšuje s pribúdajúcimi dôkazmi. Každá zmena stratégie má svoju cenu.
Úspech nespočíva v hľadaní „najlepšej“ stratégie, ale vo vytvorení čo najstabilnejšieho dátového prostredia, v ktorom môže matematika algoritmu správne fungovať.