Learning framework for eCPM prediction in online advertisement

Résumé

De nos jours, la publicité en ligne devient l’outil le plus populaire pour acheter et vendre tous les produits. Surtout après l’apparition de COVID-19, la publicité en ligne est devenue un grand défi pour tous les annonceurs et éditeurs de sites Web afin d’augmenter leurs revenus. Tous les annonceurs web cherchent à acheter des emplacements publicitaires vides à bas prix. En même temps, tous les éditeurs de sites Web cherchent à vendre leurs espaces publicitaires et à obtenir des revenus élevés. La vente des espaces publicitaires des éditeurs se fait en temps réel sur une plateforme de Real-Time Bidding (RTB). Il n’y a donc pas de prix spécifique pour la vente des espaces publicitaires des éditeurs. Le prix de l’espace publicitaire est spécifié en fonction de la demande du marché à un moment donné. Les éditeurs souhaitent connaître le prix optimal de l’espace publicitaire qui leur permettra d’obtenir les meilleurs revenus. Dans ce mémoire, nous essayons d’aider les éditeurs à augmenter leurs revenus en essayant de prévoir le prix moyen des espaces publicitaires. Nous essayons de prévoir le Effective Cost per Mille (eCPM) moyen autour d’une certaine date pour les 7, 14 et 30 prochains jours à partir d’aujourd’hui en nous basant sur l’historique du eCPM. Nous avons utilisé différents modèles pour tenter d’atteindre cet objectif. Dans cette thèse, nous avons utilisé les modèles K-Nearest Neighbors (KNN), Multi Layer Perceptron (MLP), et Long Short-Term Memory (LSTM) sur quatre jeux de données différents en essayant d’atteindre la meilleure précision du modèle.

Date	11 févr. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Pascal Giard (Directeur(-trice))