Conversion rate prediction in search engine marketing

Abstract

Arama motorları, sonuç sayfalarındaki reklam alanları için teklif veren arama reklamcıları arasında çevrimiçi açık artırmalar yapmaktadırlar. Bu arama motorları reklam verenlerin reklamlarına tıklandığında para ödedikleri bir tıklama babına ödeme modeli kullanırlar. Eğer bir kullanıcı bir reklama tıklar ve satın alma, bir haber bültenine kayıt olma veya telefonla arama gibi reklamcı tarafından `önceden değerli olarak belirlenmiş bir eylemi gerçekleştirse kullanıcının eylemi bir dönüştürme olarak sayılır. Bir reklamın dönüştürme oranının sığ bir tahmini tıklama başına ortalama dönüştürme sayısıdır. Tıklamaların ortalama sayısı ve reklamın pozisyon bağlamındaki ortalama sırası da dönüştürme oranını ayrıca etkiler. Öte yandan, bu tür istatistikler en iyi ihtimalle ` sezgiseldir. Buradaki problem yeni oluşturulan reklamlar için bir performans istatistiği mevcut olmamasıdır. Halihazırda performansa ilişkin bir veri alınabilmesi için reklamlar öncelikle yayınlanmalı ve milyonlarca dolar harcanmalıdır. Öte yandan, eğer dönüştürme ` oranı tahminleri kesinse reklam verenler reklam kampanyalarını daha iyi yönetebilir ve yatırımlarının karşılğını daha iyi alabilir. Varolan metotlara alternatif olarak önceki reklamlar için varolan veriler kullanılabilir ve herhangi bir reklam kampanyası için dönüştürmeleri en iyi karakterize eden `öznitelikler belirlenebilir. Bu çalışmada ikinci yaklaşım ele alınmakta ve olasılıksal çıkarım metin bazlı özniteliklerin çıkarılması için kullanılmaktadır. Bu metin bazlı öznitelikler kullanılarak doğru dönüştürme oranının tahmin edilebilmesi için bir tahmin modeli geliştirilmiştir. Deneysel sonuçlar bu metin bazlı özniteliklerin tahmin doğrulu`gunu artırdfgını g'ostermiştir. Dahası metinsel ve sayısal öznitelikleri birleştiren hibrit modeller yalnızca metin bazlı veya sayısal bazlı modellere nazaran daha iyi bir tahmin performansı göstermiştir.Anahtar Sözcükler: dönüştürme (oran), sponsorlu arama pazarlama, online reklam, arama motoru pazarlaması, metinsel reklamları, CPC online modeli

Search engines hold online auctions among search advertisers who are bidding for the advertisement slots in the search engine results pages. Search engines employ a pay- per-click model in which advertisers are charged whenever their ads are clicked by users. If a user clicks on an ad and then takes a particular action, which the corresponding advertiser has defined as valuable to her business, such as an online purchase, or signing up for a newsletter, or a phone call, then the user's action is counted as a conversion. A naive estimate of the conversion rate (CR) of an ad is the average number of conversions per click. The average number of clicks and the average position of the ad also affect its conversion rate. However, all such ad statistics are heuristics at best. The challenge here is that there is no performance statistics accrued for the newly created ads. In order to get any kind of performance data, new ads have to be advertised first and precious marketing dollars have to be spent. If CR estimates are precise, then advertisers can manage their campaigns more effectively and can have a better return on their investments. Alternatively, one can use the available data for the existing ads and engineer a set of features that best characterize conversions for an advertisement campaign in general. We took the second approach and used probabilistic inference for extracting text features. Using these text features, we built a prediction model to estimate the true CRs of unknown ads. Our experiment results demonstrated that such text features improved the accuracy of our predictions. Furthermore, hybrid models that combine text and numeric features achieved a superior predictive power compared to using only text features or only numeric features.