Neue Bid-Optimierung: KBD kombiniert menschliche Expertise mit Dual-Process-Ansatz

In der Online-Werbung wird die Gebotsoptimierung bislang vor allem von Black-Box‑Modellen der maschinellen Lernens bestimmt. Diese Systeme lernen aus historischen Daten, doch sie erreichen nicht die adaptive, erfahrungsbasierte und global zusammenhängende Entscheidungsfindung, die menschliche Experten auszeichnen. Besonders in datenarmen Situationen generalisieren sie schlecht, treffen kurzsichtige Entscheidungen, die langfristige Abhängigkeiten ignorieren, und zeigen Schwierigkeiten bei Ausreißern, wo Experten weiterhin erfolgreich agieren.

Um diese Schwächen zu überwinden, wurde KBD – Knowledge‑informed Bidding with Dual‑process Control – entwickelt. Das Verfahren integriert menschliche Expertise als induktive Voreinstellungen im Rahmen eines informierten Machine‑Learning‑Paradigmas. Es nutzt den Decision Transformer, um Gebotssequenzen über mehrere Schritte hinweg global zu optimieren, und kombiniert diesen „System‑2“-Ansatz mit einem schnellen regelbasierten PID‑Controller, der als „System‑1“ fungiert. Durch diese Dual‑Process‑Kontrolle werden sowohl schnelle, regelbasierte Reaktionen als auch langfristig optimierte Strategien gleichzeitig berücksichtigt.

Umfangreiche Experimente zeigen, dass KBD bestehende Methoden deutlich übertrifft. Die Ergebnisse unterstreichen den Mehrwert, die Gebotsoptimierung auf menschlicher Expertise zu stützen und gleichzeitig die Vorteile eines Dual‑Process‑Kontrollmechanismus zu nutzen. Damit eröffnet KBD einen neuen Ansatz, der sowohl die Leistungsfähigkeit von KI als auch die bewährte Intuition von Fachleuten in der Online‑Werbung vereint.