公司因自己开发而浪费了数万甚至数十万美元。 这与广告业务的细节有关。

在线广告管理是一个资源匮乏的过程：你需要找到相关的受众和站点，并处理流量和设置内容显示。不可能立即整理出观众资料，也不可能组合其他元素——它始终是假设、模型和算法的枚举。这个过程需要时间和金钱。如果没有团队已经使用过这类数学系统，那么就会出现延误，或者你无法获得预期的结果。

本文讨论了公司如何处理开发和分析假设的问题，以及为什么他们决定将开发外包给 OrbitSoft。

西班牙的一家代理商通过销售广告盈利。该公司使用按印象付费模式 (CPM) 从平台购买广告，并使用按操作付费模式 (CPA) 进行销售——当只为有针对性的用户操作付费时，例如下载、订阅或注册。

问题是没有用于测试假设的资源——既没有具有必要经验的团队，也没有现成的软件解决方案。增加收入的方法之一是学习如何向更有可能执行目标操作的受众成员展示广告。这得益于设置显示内容标准的算法。

机构数学家假设了一种新算法。按照计划，它应该优化智能手机和平板电脑的流量，以便用户采取更有针对性的行动。

单个假设显然不足以确定该算法是否有效。 一切都需要测试。否则，投资于一个不会改变任何东西的解决方案是有风险的。

公司可以使用自己的资源来测试假设。这需要程序员、测试人员和分析师。另一种选择是聘请专门检查算法的外部团队。

假设该机构没有测试团队，因此必须聘请。在这种情况下，测试大约需要两年时间：首先，你找到专家，让他们融入算法的过程和特性中，开发一个测试程序——然后你才能进行测试。这一决定也受到预算的影响：据该机构称，它必须花费 200,000 美元的薪水。

解决方案：委托假设测试。该机构求助于 OrbitSoft 来测试新算法的假设。对于此类问题，我们已经有了解决方案，因此我们立即开始工作。

基于我们的需求侧平台产品 (DSP)，我们开发了可以测试数学模型的技术。我们花了 1.5 个月及客户支付的 20,000 美元来开发它。

结果：在现成技术的帮助下，客户在真实用户身上实时测试了模型。验证它花了 4 个月的时间，在此期间，公司意识到该算法在经济上是无利可图的——他们无法用它实现计划转换。

尽管该算法不起作用，但该公司仍然得到了结果。他们发现他们的假设并没有帮助他们更准确地瞄准，因此投资这种算法毫无意义。 最好开发和测试另一个。

该公司还节省了资金。如果他们使用自己的资源测试这个假设，他们将花费长达两年和高达 200,000 美元的费用。现在，该项目花费了不到六个月的时间，且仅花费了十分之一的价格。

该公司为移动运营商创建内容，例如视频、GIF、游戏等。这些合作伙伴称为内容提供商。最终用户通过蜂窝运营商购买他们的内容。

吸引客户的主要方式是展示将用户转化为客户的广告。提供者会为每个有针对性的操作收取佣金。

付费内容是游戏、视频、模因以及任何其他可能吸引用户注意力的内容。它越有趣，越符合用户的利益，他们就越愿意为它买单。

问题：人工分析广告。提供商的收入取决于比率：广告成本和随后的订阅数量。通常，价格越低，目标行动的数量越多，收益就越高。

首先，客户联系了 CPA 网络，后者为展示购买流量并为行动而出售。问题是他们机械地优化了他们的广告：他们购买流量，手动分析统计数据，手动购买效率更高的东西。这花费了很多时间，并且不可能避免错误。

解决方案：自动化广告评分。客户想要一个可以帮助他们赚取更多收入的数据分析工具。这样的工具称为模型。

总体思路：模型检查数据，并在此基础上确定购买哪个广告更有利可图，同时考虑价格和转化率。此外，它可以自动运行，无需人工干预。

该公司求助于 OrbitSoft 来开发该模型。我们使用了我们的产品并为它编写了一个预测器。在预测器的帮助下，该程序可以了解何时以及购买什么以获得相关流量。

预测器研究用户对他们看到的广告的行为和反应。例如，用户访问了哪些站点、在什么时间、他或她更频繁地查看什么、持续多长时间、他或她对什么做出反应以及他或她何时关闭它们。为了进行更准确的分析，预测器会处理来自 54 个流量来源（SSP 和 Ad Exchange）的信息。

结果：提供商自动化了广告分析并加速了广告购买过程，这影响了所有与客户内容（移动运营商）合作的绩效指标。

OrbitSoft Predictor 帮助提高转化率，其他广告指标与内容一起使用

这家公司与加密货币和投资合作，这个利基市场是有利可图的。作为另一个收入来源，业主选择在加密货币平台上为客户投放广告。

问题：不清楚如何找到相关的受众。客户愿意为广告付费，但公司不了解如何构建流程，即在哪里放置广告、在什么条件下、多久展示一次等等。

解决方案：创建一个寻找受众的算法。该公司没有浪费资源开发自己的受众分析和选择技术，并立即求助于专业人士。

为了解决这个问题，我们使用了我们自己的产品——OrbitSoft DSP，并开发了一种专门适用于客户情况的算法。 多亏了这一点，公司在很短的时间内收到了这份文件——仅仅 4 个月。

该算法适用于 10 个流量来源，例如 Google AdX、Smaato、MoPub、AOL 和 OpenX。 它分析传入的受众并确定用户适合所需细分的概率。 用户档案越多，后续分析中决策的准确性就越高。

结果：由于该算法，该公司获得了相关的受众群并增加了收入。它开始用一万块钱买流量——这是广告主的日常开销。金额越大，公司收到的佣金就越多。结果使该公司在六个月内进入前独联体国家加密货币和金融科技领域的前 10 名广告公司。