Mehrdimensionale Attribution verbessert Conversion‑Rate‑Vorhersagen

Die Vorhersage der Conversion‑Rate (CVR) ist ein zentrales Element moderner Online‑Werbung. Dabei bestimmen die Attribution‑Mechanismen – die Regeln, wie Konversionspunkte den einzelnen Nutzer‑Touchpoints zugeordnet werden – die Labels, mit denen die Modelle trainiert werden.

Viele Plattformen nutzen unterschiedliche Attribution‑Strategien wie First‑Click, Last‑Click, Linear oder datengetriebene Multi‑Touch‑Attribution. Traditionell wird jedoch das Modell ausschließlich mit Labels aus einer einzigen, produktionskritischen Attribution trainiert. Dadurch bleiben wertvolle Signale aus den alternativen Perspektiven ungenutzt.

Um dieses Problem anzugehen, wurde das Multi‑Attribution‑Learning‑Framework (MAL) entwickelt. MAL integriert Signale aus mehreren Attribution‑Ansichten, um die zugrunde liegenden Muster, die zu Konversionen führen, besser zu erfassen.

Das Framework besteht aus zwei Kernkomponenten: dem Attribution Knowledge Aggregator (AKA) und dem Primary Target Predictor (PTP). Der AKA ist ein Multi‑Task‑Learner, der Wissen aus den verschiedenen Attribution‑Labels zusammenführt. Der PTP konzentriert sich darauf, gut kalibrierte Konversionswahrscheinlichkeiten zu erzeugen, die exakt mit dem systemoptimierten Attribution‑Metrik (z. B. CVR unter Last‑Click) übereinstimmen, sodass die Modelle direkt in der Industrie eingesetzt werden können.

Zusätzlich wird die CAT‑Strategie (Cartesian‑Product‑Attribution‑Training) eingesetzt. Sie nutzt das kartesische Produkt aller Attribution‑Label‑Kombinationen, um reichhaltigere Lernsignale zu erzeugen und das Modell weiter zu stärken.

Durch die Kombination dieser Ansätze kann MAL die Genauigkeit der CVR‑Vorhersagen deutlich steigern, während es gleichzeitig die Anforderungen industrieller Produktionsumgebungen erfüllt.