ビューアビリティ予測ダッシュボード
- Daniel Kojokaro (Unlicensed)
- Mahiro Yoshimochi
Browsiの機械学習アルゴリズムは、1人のユーザーに閲覧される可能性のあるページ上の広告ユニットスポットをリアルタイムで予測します。
Browsiは、データを広告サーバーに直接接続することで、予測ビューアビリティを使用するオプションをパブリッシャーに提供します。 この指標は、広告サーバー内で、ビューアビリティの高い新しいプレースメントを埋めるべきデマンドがある場合、どのような価格で埋めるべきかを決定するのに役立ち、インプレッションの無駄を最小限に抑えることができます。
Viewability Prediction dashboardは、これらの品質階層への在庫の内訳をよりよく理解するために必要なすべてのデータを提供します。
Browsiには、3つのビューアビリティ予測階層があります：
0-30% Low ビューアビリティ予測
31%-69% medium ビューアビリティ予測
70%-100% high ビューアビリティ予測
在庫の中で各層のシェアを測定し、CTR、フィルレート、eCPMの観点からパフォーマンスを比較することができます。
在庫の各インプレッションは、この設定におけるビューアビリティ率の重要性に応じて、ダイレクトキャンペーン/プログラマティックという3つの層のいずれかに分類され、在庫割り当てのためのインサイトを提供します。
フィルター
データは、広告ユニット、デバイス、広告申込情報の種類、期間ごとにフィルタリングできます。
デバイスと広告申込情報のタイプはクロスフィルターできないことに注意してください。一方がフィルタリングされている間、もう一方はすべてを含みます。
レートと分布
次のタイルでは、GAMからの全体的なビューアビリティ率と3つのビューアビリティ層への在庫分布が表示されます。
ビューアビリティ階層ごとのパフォーマンス
このタイルでは、メトリックを選択し、それが各ビューアビリティ予測階層でどのように実行されるかを理解することができます。
バーの色は、その階層のインプレッション量を反映しています。
データは、表または棒グラフで見ることができます。
表モードでは、すべてのビューアビリティ予測層のすべてのデータを見ることができ、一方、そのカラーリングは、パフォーマンス層の数（通常は2～3）とその範囲を素早く見つけるのに役立ちます。
このデータは、最適なダイレクト／プログラマティック価格設定の決定に役立つと思われます。
GAMの従来の価格設定、つまり特定の広告ユニットに対してグローバルに同じ価格設定を使用する代わりに、そのパフォーマンスの粒度を理解し、各ビューアビリティ予測範囲ごとにeCPMを計算することができるようになりました。
広告申込情報タイプのビューアビリティ予測シェア
このグラフは、ビューアビリティが高い割に支払いが発生しにくい広告申込情報に、質の高い在庫を誤って割り当てていることを発見するのに役立ちます。
例えば、"ハウス "広告申込情報のタイプは、高いビューアビリティ在庫の大きなシェアを獲得していますか？
ビューアビリティの低い在庫にターゲットを絞って、そのタイプのキャンペーンを実施することを検討しましょう。
ビューアビリティ予測 経過シェア
このグラフは、在庫上のビューアビリティ予測層の分布と、時間の経過に伴うそれらの間のシフトを示しています。ビューアビリティに影響を与えるBrowsiの機能（リフレッシュ、レイジーロード、より高いビューアビリティのしきい値の設定など）を利用した後は、中位および下位のものよりも上位の階層が増加することが予想されます。
