Прогноз эффективности коэффициента конверсии на основе логистической регрессии

Abstract

В статье рассмотрено оптимальное хранение прошлых данных. Рассмотрены алгоритмы для лучшей конверсии, предложены в будущем более точные результаты вероятностей той или иной конкретной рекламы. Рассмотрены сочетания оценок CTR с помощью логистической регрессии. Приведены основные сведения про CTR оптимизацию. Дается описание иерархической модели данных. В иерархической модели автоматически поддерживается целостность ссылок между предками и потомками. Основное правило: никакой потомок не может существовать без своего родителя. Также рассматриваем расчёт вероятности с помощью логистической регрессии. С помощью метода бинарной логистической регрессии можно исследовать зависимость дихотомических переменных от независимых переменных, имеющих любой вид шкалы.

In targeted display advertising, the goal is to identify the best opportunities to display a banner ad to an online user who is most likely to take a desired action such as purchasing a product or signing up for a newsletter. Finding the best ad impression, i.e., the opportunity to show an ad to a user, requires the ability to estimate the probability that the user who sees the ad on his or her browser will take an action, i.e., the user will convert. However, conversion probability estimation is a challenging task since there is extreme data sparsity across different data dimensions and the conversion event occurs rarely. In this paper, we present our approach to conversion rate estimation which relies on utilizing past performance observations along user, publisher and advertiser data hierarchies. More specifically, we model the conversion event at different select hierarchical levels with separate binomial distributions and estimate the distribution parameters individually. Then we demonstrate how we can combine these individual estimators using logistic regression to accurately identify conversion events. We provide results from real advertising campaigns to demonstrate the effectiveness of our proposed approach.