Detrás del artículo: Niklas Karlsson aplica el control con comentarios para equilibrar las complejas demandas publicitarias
Para los ingenieros, el control con comentarios es el proceso de ajustar un sistema y corregirlo con el objeto de lograr un resultado deseado; por ejemplo, un robot se encuentra con un obstáculo y cambia de dirección él mismo. Este mismo enfoque es la base de un trabajo reciente de Niklas Karlsson, científico principal sénior de Amazon Ads. Como exingeniero en robótica, Niklas ha aplicado esa experiencia, así como las casi dos décadas de trabajo en tecnología publicitaria, al desafío de cumplir objetivos publicitarios complejos para los clientes.
Niklas posee títulos avanzados en ingeniería y estadística de la Universidad de California en Santa Bárbara y de la Universidad de Lund en Suecia, y es miembro distinguido del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE). Con el afán de buscar un cambio tras sus primeros pasos en robótica a principios de los años 2000, Niklas se unió a Advertising.com para ayudar a renovar su sistema de optimización publicitaria. El interés por la tecnología publicitaria se mantuvo, y Niklas se unió a Amazon en julio de 2022. Aquí habla sobre su carrera y su artículo reciente, que fue aceptado en la 63.° Conferencia IEEE sobre Decisión y Control (2023) en Singapur.
¿Por qué te uniste a Amazon Ads?
Trabajé en la industria de la publicidad en línea desde 2005, y, a principios de 2022, un reclutador me contactó para hablar sobre la posibilidad de unirme a Amazon Ads. Me sentí atraído por la idea de enfrentarme a tipos de problemas similares a los que estaba acostumbrado, pero en una empresa diferente. La perspectiva de trabajar en Amazon resultaba interesante. El tamaño de Amazon, su reputación y sus ambiciosos Principios de liderazgo (Tener iniciativa, Pensar en grande, Obtener resultados) tuvieron un impacto en mí.
¿Cuál es tu área de investigación principal?
Mis áreas de interés en investigación son el control con comentarios, los sistemas dinámicos y la optimización. Mi misión en Amazon es aportar experiencia en algoritmos para la optimización y el control de campañas publicitarias gestionadas en la plataforma de demanda de Amazon (ADSP) y avanzar en el desarrollo de ADSP para beneficiar a nuestros clientes. Nuestros clientes son anunciantes que desean invertir sus presupuestos para alcanzar un objetivo de campaña. Por ejemplo, un anunciante puede tener un presupuesto mensual de US$ 100.000 para gastar de manera tal que se maximice la cantidad total de conversiones o ventas. El objetivo es gastar el presupuesto a lo largo del mes, no gastar todo el dinero el primer día ni el último. Es común encontrarse con restricciones adicionales de entrega; por ejemplo, mostrar la mitad de las impresiones de anuncios a usuarias mujeres o gastar, en promedio, como máximo, cierta cantidad por conversión o por impresión. Una impresión de anuncio es cuando un anuncio se muestra a un usuario.
Una campaña publicitaria puede definirse como un problema de optimización con muchas restricciones y de dimensiones extremadamente significativas. A través de determinados cálculos ingeniosos, este problema puede descomponerse en subproblemas que son un poco más fáciles de resolver. Las soluciones a los subproblemas involucran técnicas avanzadas de aprendizaje automático, control con comentarios y estadística; si estas técnicas se combinan, permiten calcular las pujas que se presentan por las impresiones de anuncios en nombre del anunciante.
Cuéntanos sobre tu artículo.
Mi artículo, “Optimización erárquica de campañas publicitarias con múltiples restricciones con base en el control con comentarios”, resuelve un problema de optimización que antes se había pasado por alto. No olvides que los anunciantes generalmente quieren maximizar, por ejemplo, la cantidad total de conversiones, teniendo en cuenta una o más restricciones de entrega. Históricamente, esas restricciones se aplicaban a todo el presupuesto de la campaña. Pero en los últimos años, los anunciantes suelen imponer algunas restricciones de entrega al presupuesto total de la campaña y otras solo a subcampañas. Las subcampañas se definen en función del material creativo del anuncio único y están sujetas a sus propias restricciones, como la inversión, la proporción de mujeres y hombres y el gasto promedio por impresión o por conversión.
De ello se desprende que los objetivos de las campañas hoy en día suelen corresponder a problemas de optimización jerárquica con muchas restricciones. Esto da lugar a problemas de investigación interesantes y desafiantes. Antes de mi investigación, se había desarrollado una solución sencilla, pero esta tenía limitaciones significativas y no era compatible con la gran visión de ADSP. En mi investigación y en el artículo se aborda el problema de manera holística, encontrando la solución matemáticamente óptima y diseñando una implementación descentralizada de dicha solución.
¿Cómo surgió el artículo?
Comenzó con una auditoría que realicé del sistema general de optimización de ADSP durante mis primeros meses en Amazon. En la auditoría, identifiqué fortalezas y debilidades del sistema de optimización y establecí oportunidades para mejorar la entrega y el rendimiento de las campañas para nuestros anunciantes. Una debilidad en particular me hizo reflexionar mucho. Si bien sabía que era posible implementar mejoras, no supe de inmediato cómo describir el problema, y tampoco tenía una solución en mente. Sin embargo, hacia fines de 2022, cuando estaba en un periodo sin proyectos en marcha y tenía más tiempo para pensar, logré aclarar las ideas y resolver los detalles, primero definiendo el problema adecuadamente con cálculos matemáticos y, luego, encontrando la solución óptima y una implementación sólida. Preparé el primer borrador del artículo en diciembre de 2022 y generalicé aún más los resultados en las semanas siguientes. Mientras se finalizaba el artículo, comenzamos a desarrollar un prototipo para demostrar el concepto, y el resultado fue abrumadoramente positivo. Se demostró sin lugar a duda que esta solución debía implementarse en producción y desplegarse ampliamente, lo cual ya ha ocurrido.
¿Cuál fue el impacto que provocó?
En primer lugar, la solución permitió que los presupuestos de las campañas publicitarias se gestionaran de manera más eficiente desde el primer momento. Se dejó menos presupuesto publicitario sin usar, y el desempeño de la campaña se midió mediante estadísticas, como el costo promedio por conversión y otros indicadores clave de desempeño, que mejoraron varios puntos porcentuales cada uno.
Pero además de generar una mejora en las estadísticas, la solución nueva también habilitó una amplia variedad de restricciones de entrega que no eran compatibles con la solución anterior. Para lograr un rendimiento casi óptimo, el sistema anterior solo podía utilizarse en campañas que tuvieran únicamente restricciones de gasto. Esto significaba que las campañas con restricciones de costo por conversión, costo por impresión, costo por clic, tasa de visibilidad, tasa de llegada a la audiencia objetivo, entre otras, quedaban fuera de alcance. El sistema nuevo es general y visionario, y con él se maneja fácilmente una cantidad arbitraria de problemas jerárquicos con muchas restricciones.
¿En qué se destacaeste enfoque?
Lo que diferencia al sistema nuevo es la forma en que se fragmenta el problema y, a partir de allí, cómo se implementan diferentes controladores de comentarios de manera coordinada para resolver los distintos subproblemas de manera sólida y eficiente.
A las personas les fascina la posibilidad de convertir un problema técnico publicitario complejo en un problema de control, ya que ese no es el uso tradicional del control con comentarios; sus aplicaciones convencionales se encuentran en la aeronáutica y la robótica. Pero la belleza del control con comentarios como disciplina científica es que se basa en la abstracción, lo que permite utilizar las mismas herramientas con una amplia variedad de aplicaciones. Puedes transformar problemas del ámbito de la tecnología publicitaria de forma tal que sea posible usar exactamente las mismas herramientas que se utilizan para desarrollar sistemas de control en motores a reacción, automóviles autónomos y plantas de energía.
En el artículo, adopto un enfoque holístico e incorporo razonamiento basado en primeros principios siempre que es posible. La mayor parte del artículo es matemática, pero una vez que te acostumbras a la notación, resulta bastante simple e intuitivo.
¿Tu experiencia en robótica te permitió pensar de esta manera?
Por supuesto. Muchas personas me han preguntado si fue un gran cambio pasar de la robótica a la publicidad en línea. Yo digo que no, porque cuando trabajaba en robótica, utilizaba el mismo enfoque. Tomaba un problema de negocios y lo convertía en un problema matemático; resolvía el problema matemático y luego implementaba una solución en un sistema real. Eso es exactamente lo que estoy haciendo ahora. Todo se trata de abstracción.
¿Cuál es para ti uno de los aspectos más destacados de trabajar como científico en Amazon Ads?
Estoy rodeado de muchas personas inteligentes que tienen muchas ganas de generar un impacto. En la comunidad científica de Amazon hay representantes de muchas formaciones académicas diferentes. Hay un montón de informáticos, por supuesto, pero también hay personas que se dedican a estadística, economía, control con comentarios, matemática pura, química… y lo que se te ocurra.
Lo que me gusta de la tecnología publicitaria en general es que conecta muchas disciplinas. No es posible saberlo todo; cada persona aporta algo, y siempre aprendes de los demás y te encuentras con un montón de problemas interesantes que están esperando ser resueltos.
Amazon ofrece una cultura en la que realmente se alienta a las personas a compartir nuevas ideas. Uno recibe muchas preguntas sobre sus ideas y, en general, suele haber mucho intercambio de opiniones para analizar los méritos de lo que se tiene en mente. Pero las personas son muy receptivas a las ideas nuevas, y el proceso te ayuda a poner a prueba tu pensamiento y a lograr un trabajo de alta calidad. Es una organización muy solidaria.
¿Cómo estásreinventando la publicidad desde tu función?
La publicidad en línea existe desde hace muchos años. Hemos avanzado bastante, pero aún queda mucho por hacer. Para ponernos en contexto, cuando ingresé a la industria, no había datos a nivel de usuario, los algoritmos eran primitivos y los anunciantes casi no tenían idea de cómo aprovechar la publicidad automatizada.
Ahora, hay una gran cantidad de datos detallados disponibles para modelado y optimización; se han desarrollado algoritmos avanzados para optimización y control; y han surgido tipos nuevos de formatos de anuncios. Además, los anunciantes hoy en día son astutos y exigentes, y esperan un buen retorno de la inversión. A pesar del tremendo progreso alcanzado en los últimos 20 años, aún nos queda mucho camino por delante que requerirá personas con una variedad de habilidades para investigar y resolver problemas. Para las personas con experiencia en aprendizaje automático, inteligencia artificial, control con comentarios, estadística y matemática aplicada, anticipo que habrá muchas oportunidades de desarrollo de una carrera emocionante en Amazon Ads o en la industria publicitaria.