Dietro le quinte: Niklas Karlsson applica la disciplina del controllo retroattivo per gestire le complesse richieste in merito agli annunci

Gli ingegneri conoscono il controllo retroattivo, o feedback control, come il processo di adattamento di un sistema e di correzione per ottenere un risultato desiderato. Un esempio è un robot che incontra un ostacolo e cambia percorso automaticamente. Lo stesso approccio è alla base del lavoro recente di Niklas Karlsson, Senior Principal Scientist di Amazon Ads. Come ex ingegnere robotico, Niklas ha unito queste conoscenze a quasi due decenni di esperienza nella tecnologia pubblicitaria per affrontare il problema di realizzare obiettivi pubblicitari complessi per i clienti.

Niklas ha conseguito titoli di studio avanzati in ingegneria e statistica presso l'Università della California a Santa Barbara e l'Università di Lund in Svezia, ed è membro dell'Institute of Electrical and Electronics Engineers (IEEE). Volendo cambiare il suo percorso professionale dopo le sue prime incursioni nella robotica nei primi anni 2000, Niklas è entrato in Advertising.com per contribuire al rinnovamento del suo sistema di ottimizzazione degli annunci. Il suo interesse per la tecnologia pubblicitaria si è consolidato, così Niklas è entrato in Amazon nel luglio 2022. Qui parla della sua carriera e della sua recente pubblicazione, che è stata accolta alla 63a conferenza IEEE su Decisione e controllo (2023) a Singapore.

Lavoravo nel settore della pubblicità online dal 2005 e all'inizio del 2022 un'agenzia di collocamento mi ha contattato per dirmi che c'era la possibilità di andare a lavorare in Amazon Ads. Mi piaceva l'idea di affrontare tipi di problemi simili a quelli a cui ero abituato ma per un'azienda diversa e la prospettiva di lavorare in Amazon mi intrigava. Ero colpito dalle dimensioni, dalla reputazione e dagli ambiziosi Principi di leadership di Amazon – Propensione all'azione, Pensare in grande, Conseguire risultati – in cui mi sono riconosciuto.

Il mio interesse di ricerca riguarda il controllo retroattivo, i sistemi dinamici e l'ottimizzazione. In Amazon mi occupo di sviluppare competenze specialistiche sugli algoritmi per l'ottimizzazione e il controllo delle campagne pubblicitarie gestite da Amazon Demand Side Platform (ADSP) e di migliorare ADSP a vantaggio dei nostri clienti. I nostri clienti sono inserzionisti che desiderano spendere i propri budget per raggiungere alcuni obiettivi di campagna. Ad esempio, ci sono inserzionisti che si rivolgono a noi perché hanno un budget mensile di 100.000 $ e lo vogliono spendere in modo da massimizzare il numero totale di conversioni o di vendite. Il loro desiderio è distribuire il budget su tutto il mese, non spendere tutto il primo o l'ultimo giorno. Spesso ci sono vincoli aggiuntivi da rispettare, ad esempio viene richiesto di mostrare metà degli annunci a un pubblico femminile oppure di non superare una certa spesa media per ogni conversione od ogni impressione. Un'impressione si verifica quando un annuncio viene mostrato a un utente.

Possiamo definire una campagna pubblicitaria come un problema di ottimizzazione complessa con molte variabili e molteplici vincoli. Attraverso alcuni calcoli sofisticati, questo problema può essere scomposto in problemi più piccoli, leggermente più facili da risolvere. Le soluzioni di questi problemi più piccoli prevedono l'impiego di tecniche avanzate di apprendimento automatico, controllo retroattivo e statistica. Queste tecniche vengono combinate e utilizzate per calcolare le offerte che vengono presentate per le impressioni degli annunci per conto dell'inserzionista.

Nella mia pubblicazione spiego come si risolve un problema di ottimizzazione che è sempre stato trascurato. È importante notare che gli inserzionisti in genere vogliono massimizzare, ad esempio, il numero totale di conversioni nel rispetto di uno o più vincoli di pubblicazione. Storicamente, tali vincoli si applicavano all'intero budget della campagna. Ma negli ultimi anni, spesso gli inserzionisti impongono alcuni vincoli di pubblicazione al budget complessivo della campagna e altri solo alle sotto-campagne. Una sotto-campagna è definita da un contenuto creativo di un annuncio esclusivo ed è soggetta a vincoli propri, ad esempio sulla spesa, sul rapporto pubblico femminile-pubblico maschile e sulla spesa media per impressione o per conversione.

Ne consegue che gli obiettivi delle campagne oggi implicano spesso problemi di ottimizzazione con più vincoli a livello gerarchico. Questo genera problemi di ricerca interessanti e stimolanti. Prima della mia ricerca era stata sviluppata una soluzione semplice, ma aveva forti limitazioni ed era incompatibile con la grande visione di ADSP. La mia ricerca e la mia pubblicazione affrontano il problema in modo olistico derivando la soluzione matematicamente ottimale e sviluppando un'implementazione decentralizzata della soluzione.

È iniziato con una verifica che ho condotto sul sistema di ottimizzazione complessivo di ADSP ne miei primi mesi in Amazon. Durante l'analisi, ho identificato i punti di forza e i punti deboli del sistema di ottimizzazione e ho individuato opportunità per migliorare la pubblicazione e le performance delle campagne per i nostri inserzionisti. Un punto debole in particolare mi ha fatto riflettere molto. Anche se sapevo che c'era un margine di miglioramento, all'inizio non sapevo bene come spiegare il problema, né avevo in mente una soluzione, ma, verso la fine del 2022, in un momento di stasi tra un progetto e l'altro in cui ho avuto più tempo per riflettere, ho capito realmente il problema e ho elaborato i dettagli: prima definendo adeguatamente il problema con la matematica e successivamente derivando la soluzione ottimale e un'implementazione efficace. Ho steso la prima bozza della pubblicazione nel dicembre 2022 e nelle settimane successive ho esteso i risultati e li ho resi più generali e applicabili. Nella fase di finalizzazione della pubblicazione, abbiamo iniziato a sviluppare un prototipo per dimostrare il concetto e il risultato è stato estremamente positivo. È stata dimostrata al di là di ogni ragionevole dubbio la validità della mia soluzione e così è stata distribuita.

Prima di tutto, la soluzione ha permesso subito di distribuire i budget delle campagne in modo più efficiente. Veniva lasciato inutilizzato meno budget pubblicitario e la performance di una campagna veniva misurata da parametri, come il costo medio per conversione e altri Key Performance Indicator, che sono migliorati di diversi punti percentuale ciascuno.

Ma oltre a fornire dati migliori, la nuova soluzione ha anche permesso di utilizzare una vasta gamma di altri vincoli di pubblicazione che erano incompatibili con la vecchia soluzione. Per ottenere risultati quasi ottimali, il vecchio sistema poteva essere utilizzato solo per le campagne con vincoli di spesa. Ciò significava che il sistema non si applicava alle campagne con vincoli sul costo per conversione, costo per impressione, costo per clic, tasso di visualizzazione, tasso di target, ecc. Il nuovo sistema è di applicazione generale e lungimirante e gestisce facilmente un numero arbitrario di problemi gerarchici con più vincoli.

Ciò che contraddistingue il nuovo sistema è il modo in cui il problema viene modularizzato e come più sistemi di controllo retroattivo vengono implementati in sinergia per risolvere i vari sotto-problemi in modo definitivo ed efficiente.

Le persone sono affascinate da come si può trasformare un complesso problema di tecnologia pubblicitaria in un problema di controllo perché questo non è l'uso tradizionale della disciplina: il controllo retroattivo trova in genere applicazione nel settore aerospaziale e nella robotica. Ma la bellezza del controllo retroattivo come disciplina scientifica sta nel fatto che si basa su un'astrazione che permette di utilizzare gli stessi strumenti in molte applicazioni. Puoi trasformare i problemi della tecnologia pubblicitaria in una forma che ti permette di utilizzare gli stessi identici strumenti che vengono usati per sviluppare i sistemi di controllo per i motori a reazione, le auto a guida autonoma e le centrali elettriche.

Nella pubblicazione adotto un approccio olistico e incorporo il ragionamento basato sui principi primi ovunque possibile. La maggior parte della pubblicazione è matematica, ma una volta che hai acquisito familiarità con la notazione, è abbastanza semplice e intuitiva.

Certamente. Molte persone mi hanno chiesto se è stato un grande cambiamento passare dalla robotica alla pubblicità online. Rispondo di no perché quando lavoravo nella robotica, utilizzavo lo stesso approccio. Prendevo un problema aziendale e lo trasformavo in un problema matematico. Risolvevo il problema matematico, quindi implementavo la soluzione in un sistema reale. È esattamente quello che sto facendo adesso. Tutto sta nell'astrazione.

Sono circondato da molte persone brillanti e fortemente motivate. Nella comunità scientifica di Amazon sono presenti molti background accademici. Ci sono sicuramente molti informatici, ma ci sono anche persone che vengono da statistica, economia, controllo retroattivo, matematica pura, chimica... di tutto un po'.

Quello che mi piace della tecnologia pubblicitaria in generale è la sua interdisciplinarità. Non si può sapere tutto. Ognuno porta le sue conoscenze e c'è sempre da imparare dagli altri. Ti imbatti spesso in problemi interessanti che aspettano solo di essere risolti.

È nella cultura di Amazon incoraggiare a condividere nuove idee. Ti pongono un'infinità di domande sulle tue idee e di solito si discute tanto, si confrontano i punti di vista e si cerca di capire quanto valgano veramente le proposte che hai in mente. Ma in Amazon sono molto aperti alle nuove idee e tutto questo processo ti aiuta a mettere davvero alla prova le tue idee e a produrre un lavoro di alta qualità. È un'organizzazione che ti sostiene.

La pubblicità online esiste da molti anni. Abbiamo fatto molta strada, ma c'è ancora tanto da fare. Per dare un'idea più chiara, quando sono entrato nel settore, non esistevano dati a livello di utente, gli algoritmi erano primitivi e gli inserzionisti avevano un'idea approssimativa di ciò che la pubblicità automatizzata potesse fare per loro.

Ora disponiamo di grandi volumi di dati dettagliati per la modellazione e l'ottimizzazione; abbiamo algoritmi avanzati per l'ottimizzazione e il controllo e nuovi tipi di formati di annunci. Inoltre, gli inserzionisti di oggi sono esperti ed esigenti e si aspettano un buon ritorno sull'investimento. Nonostante gli enormi progressi degli ultimi 20 anni, ci sono ancora tante sfide da affrontare che richiederanno persone con varie competenze per ricercare e risolvere i problemi. Per le persone con competenze nell'apprendimento automatico, nell'IA, nel controllo retroattivo, nella statistica e nella matematica applicata, prevedo che ci saranno molte opportunità di carriera entusiasmanti in Amazon Ads o nel settore della pubblicità.