La gestion dynamique des floorprices: une aubaine pour votre revenu programmatique

      Grâce au header bidding, les éditeurs se sont encore davantage pris au jeu de la recherche de stratégies d’optimisation de la monétisation de leur inventaire publicitaire. Les données d’analyse étant de plus en plus nombreuses et les outils permettant de les analyser étant devenus très accessibles, la tendance chez les éditeurs est de se pencher sur l’optimisation de la gestion des floors.

      Historiquement, les éditeurs avaient recours à une stratégie de floors décroissants en cascade au niveau de leur ad server pour profiter de la demande des différents SSPs avec lesquels ils étaient connectés. Cela permettait de garantir des revenus supérieurs à ceux générés avec un seul partenaire mais nécessitait une charge de travail colossale et l’analyse statistique permanente de larges listes de données historiques pour définir les niveaux optimaux des floors.

       

      Désormais, avec l’adoption du header bidding et sa dynamique d’enchères de plus en plus concurrentielle qui permet aux SSPs d’avoir une visibilité first look sur une plus grande partie de l’inventaire des éditeurs, ces derniers doivent à nouveau faire preuve de créativité pour mettre en place des stratégies de floor efficaces leur permettant de maintenir des fill rates acceptables ainsi qu’un niveau de prix plus élevé à travers les différents SSPs partenaires.

      De nombreux éditeurs de taille importante ont opté pour des stratégies de floor prices échelonnés. Cette stratégie reprend les principes stratégie en cascade en fixant des niveaux de floors par SSP en se basant sur les données historiques de bids envoyés par ces derniers. Cependant, cette stratégie est contraignante en ce sens que son exécution nécessite la gestion manuelle et l'analyse de volumes de données considérables sur la base de l’historique des enchères header bidding.
      Ajouter à cela le fait que les niveaux de floor fixés se basent uniquement sur l’historique des enchères reçues et ne distinguent pas les différents segments d’audience au niveau des sites éditeurs. Ils ne reflètent donc pas la véritable valeur de l’inventaire de l’éditeur et un setup non-optimal est susceptible d'entraîner une perte de revenus considérable pour l’éditeur.

      L’enjeu est donc véritablement de mettre en place une stratégie de floors qui se basent sur des données en temps réel et qui permette à l’éditeur d’optimiser le couple fill rate / CPM.

       

      L’innovation à ce niveau est la gestion dynamique des floors. Cette stratégie utilise des algorithmes de Machine Learning (ML) pour fixer le niveau des floors par segment d’audience en temps réel dans le but d’optimiser le fill rate et le CPM.
      La mise en place d’Adlive Dynamic Floor (ADF) est relativement aisée, il suffit d’insérer un tag JavaScript sur la page de l’éditeur, ce tag collecte l’ensemble des bids reçus de la part des différents SSPs pour analyse. Un algorithme ML s’exécute alors en background et permet de créer des modèles prédictifs qui intègrent des centaines de paramètres pour fine tuner les capacités du modèle à prédire les niveau de prix qui permettent de maximiser le revenu tout en maintenant un niveau de fill rate acceptable. L’algorithme ADF définit une série de floors et les teste en temps réel au niveau des SSPs jusqu’à parvenir à l’optimisation des paramètres, puis il itère dès que les paramètres sont en dessous du stade optimal.

       

      Cette solution est entièrement transparent et offre un reporting qui indique clairement aux éditeurs l’historique des différents niveaux de floor définis au cours du temps.
      Enfin, l’uplift observé lors de l’intégration de cette solution varie entre 5% et 40%

      Topics: Floorprice