Como os Widgets de Recomendação Escolhem os Anúncios que Você Vê

Um widget de recomendação de conteúdo, a caixa "você também pode gostar" abaixo de um artigo, decide quais anúncios mostrar por meio de um leilão em tempo real que classifica os criativos elegíveis pelo valor de engajamento previsto, não apenas pelo maior lance. O servidor de anúncios da rede combina o lance do anunciante com uma taxa de cliques prevista para aquele leitor e posicionamento específicos, e a combinação que produz a maior receita esperada para o publisher vence o espaço, tudo no tempo que a página leva para carregar.

Aqui está a sequência real e o que determina qual anúncio específico você vê em comparação com a pessoa ao seu lado.

A sequência de requisição à renderização#

1. Você carrega uma página de um publisher. Um script incorporado na página (do Taboola, Outbrain/Teads, MGID, Revcontent ou outra rede) é acionado conforme a página é renderizada.
2. O widget solicita anúncios do servidor de anúncios da rede. Essa requisição carrega sinais contextuais: o tópico e a categoria da página, seu tipo de dispositivo, sua localização aproximada e, frequentemente, sinais comportamentais vinculados a um cookie ou ID de dispositivo, se você já interagiu com a rede antes.
3. O servidor de anúncios executa um leilão entre campanhas elegíveis. Todo anunciante segmentando aquela localização geográfica, dispositivo e contexto se torna um candidato. Este é o leilão de anúncio nativo, e ele acontece em milissegundos.
4. Cada anúncio candidato é classificado, não apenas pelo lance, mas pelo lance multiplicado por uma taxa de cliques prevista para aquele usuário e contexto específicos. É por isso que um anunciante com lance menor, mas com um criativo altamente relevante e de alta CTR, pode superar um anunciante com lance maior e criativo genérico. A rede está otimizando sua própria receita por pageview, o que recompensa anúncios que as pessoas têm maior probabilidade de clicar.
5. Os anúncios vencedores são renderizados no widget, tipicamente vários de uma vez, preenchendo a grade de recomendações ao lado de recomendações editoriais genuínas do publisher.
6. Seu clique (ou a falta dele) retroalimenta o sistema, refinando a CTR prevista para aquele anúncio, aquele contexto e, frequentemente, aquele leitor específico daí em diante.

O que realmente impulsiona a classificação#

Sinais contextuais importam mais para leitores pela primeira vez ou deslogados. Sem muito histórico comportamental, a rede depende da segmentação contextual, combinando a categoria de um anúncio com o tópico do artigo. Um artigo sobre finanças pessoais tem maior probabilidade de exibir um anúncio de finanças ou seguros do que um anúncio aleatório de artigos para casa, porque esse emparelhamento historicamente teve melhor desempenho em todo o conjunto de dados da rede.

Sinais comportamentais assumem o controle conforme você constrói um histórico de navegação. Se o cookie ou ID de dispositivo da rede registrou que você clicou em anúncios de viagens antes, os anunciantes desse setor se tornam mais competitivos para suas impressões especificamente, mesmo em uma página de artigo não relacionada. Isso se aproxima de como uma plataforma do lado da demanda segmenta audiências em compras programáticas mais amplas.

Dispositivo e localização geográfica filtram o conjunto elegível antes mesmo da classificação começar. Um anunciante segmentando apenas usuários móveis em um país específico nunca entra no leilão para um leitor em desktop em outro lugar, independentemente do lance.

A CTR prevista é orientada por modelo e constantemente atualizada. Cada rede executa seus próprios modelos de aprendizado de máquina estimando a probabilidade de um determinado anúncio ser clicado por um determinado leitor em um determinado contexto. Essa previsão, não o lance bruto, é geralmente o fator mais importante para quem vence, e é por isso que um título e uma imagem bem elaborados podem superar um orçamento muito maior.

Limites de frequência e novidade afetam o que é elegível. As redes geralmente evitam mostrar exatamente o mesmo criativo repetidamente em um curto período, tanto para proteger a experiência do leitor quanto porque a CTR prevista de um anúncio desgastado e excessivamente exibido naturalmente decai. Isso explica em parte por que os anunciantes rotacionam múltiplas variantes de criativo de anúncio dentro de uma campanha.

Onde o header bidding e os caminhos de fornecimento se encaixam#

Em redes que revendem inventário por meio de canais programáticos mais amplos, mais de uma fonte de demanda pode competir pelo mesmo espaço do widget simultaneamente, uma configuração semelhante ao header bidding no display tradicional. A plataforma do lado da oferta que gerencia o inventário do publisher pode rotear uma única requisição de anúncio para vários compradores potenciais antes do widget ser renderizado. Essa é uma das razões pelas quais a cadeia de fornecimento de anúncios nativos pode envolver mais intermediários do que o modelo simples de "anunciante paga publisher" sugere, e por que o mesmo espaço pode ser preenchido pela demanda de diferentes redes dependendo do momento.

Essa camada de inventário revendido também explica por que identificar qual rede realmente serviu um anúncio que você está vendo nem sempre é óbvio na superfície. Um widget com a marca de um posicionamento de uma rede pode, na prática, ser preenchido por demanda roteada de um parceiro. Se você está fazendo pesquisa competitiva e a atribuição da rede importa para sua análise, vale a pena olhar além da marca visível do widget para confirmar o caminho real de veiculação, que é exatamente o tipo de detalhe que um rastreamento da cadeia de fornecimento é projetado para revelar, e não algo que você pode identificar apenas olhando para a página.

O que isso significa para anunciantes tentando vencer mais leilões#

Como a CTR prevista tem tanto peso, algumas alavancas práticas aumentam suas chances de vencer o espaço sem simplesmente aumentar seu lance:

• Combine o criativo com o contexto provável do posicionamento. Uma abordagem de anúncio que pareça natural ao lado do conteúdo editorial, em vez de parecer uma interrupção óbvia, tende a obter uma CTR prevista mais alta porque se assemelha mais ao que o leitor veio buscar na página.
• Execute múltiplas variantes criativas dentro de uma campanha. Como a previsão do modelo é específica para cada combinação de criativo e contexto, um único anúncio limita você a um ponto de dados. Várias variantes permitem que o algoritmo encontre qual delas tem melhor desempenho para qual segmento de audiência e permitem que você retire as que ele não favorece.
• Atualize o criativo antes que o desempenho decaia. Como a frequência e a novidade afetam a CTR prevista, um anúncio que vencia consistentemente há um mês pode silenciosamente perder leilões hoje simplesmente por superexposição à mesma audiência, mesmo com um lance inalterado.
• Segmente de forma restrita em vez de ampla. Uma campanha elegível para todas as localizações geográficas e dispositivos dilui sua própria CTR prevista média ao competir em contextos onde não tem bom desempenho. Restringir a elegibilidade para onde o criativo realmente ressoa aumenta sua taxa de vitória nos contextos que importam.
• Observe o que já está sobrevivendo ao leilão repetidamente. Um anúncio ainda ativo após várias semanas em uma determinada rede, por definição, continuou vencendo leilões suficientes para justificar o gasto contínuo de seu anunciante. Esse é um sinal mais forte do que o modelo recompensa do que qualquer teoria sobre o algoritmo.

Por que o mesmo artigo mostra anúncios diferentes para leitores diferentes#

Se você e um colega abrirem o mesmo artigo ao mesmo tempo, frequentemente verão anúncios diferentes no widget. Isso é esperado, não uma falha. Localização geográfica, dispositivo, histórico de navegação diferentes e até mesmo o milissegundo específico em que o leilão é executado podem mudar qual candidato vence. Os publishers se beneficiam dessa personalização porque ela aumenta a CTR prevista média em toda a sua audiência, que é a métrica real que o algoritmo está otimizando.

Como o OpenAdLibrary ajuda#

Como o algoritmo recompensa criativos com forte engajamento previsto, estudar o que já está vencendo aquele leilão repetidamente, ou seja, anúncios que permaneceram ativos por semanas, é uma das formas mais diretas de engenharia reversa do que o modelo de uma determinada rede recompensa. As ferramentas de inteligência de anúncios do OpenAdLibrary permitem que você filtre por rede, vertical e longevidade para ver quais criativos continuam superando essa barreira na produção, em vez de adivinhar o que o modelo prefere.

A versão resumida#

O espaço de anúncio de um widget de recomendação é vencido por um leilão em tempo real que pondera lance e engajamento previsto juntos, atualizado por sinais contextuais e comportamentais a cada carregamento de página. Entender essa combinação, em vez de assumir que é um simples leilão de maior lance, é a diferença entre escrever um criativo que apenas dá lances altos e um criativo que o algoritmo realmente quer mostrar.

Isso também explica um padrão que confunde muitos anunciantes novos no canal: uma campanha que teve bom desempenho na primeira semana e depois silenciosamente diminuiu a entrega, sem qualquer alteração no lance. Nada quebrou. A CTR prevista que tornava o criativo competitivo simplesmente decaiu conforme mais da audiência elegível já o havia visto, e o leilão começou a favorecer candidatos mais novos. Tratar esse declínio como um sinal para atualizar o criativo, em vez de um sinal de que a rede ou a oferta parou de funcionar, geralmente é a interpretação correta.