Mein Kunde hat einen Machine Learning Algorithmus entwickelt, der besser als jeder Mensch RTB Kampagnen optimieren kann.

Aber wie kann man einem Kampagnenmanager schnell und plausibel erklären, was dieser Algorithmus tut, warum er immer das bestmögliche Ergebnis erreicht, das unter den gewählten Parametern machbar ist, und warum er dabei die Ergebnisse des erfahrenen Kampagnenmanagers übertrifft?

Die Datenvisualisierung sollte Menschen, die sich nicht mit künstlicher Intelligenz auskennen verständlich machen, wie diese DSP Machine Learning Technologie funktioniert. Wie schafft sie es, mehrere Kampagnenzielsetzungen gleichzeitig zu erreichen, indem sie multidimensionale Raumberechnungen einsetzt?

Ich habe dafür eine Explorable Explanation, einen visuellen 2D und 3D Prototypen gebaut. Damit kann man den Möglichkeitsraum der RTB Auktionen räumlich begreifen, und die optimierte Bietstrategie verstehen.

Das ist Mengenlehre, geometrisch erklärt. Haben Sie sich jemals gefragt, inwiefern das Ändern einiger Parameter die Ergebnismenge beeinflusst? Oder was eigentlich die beste Größe der Ergebnismenge ist?

Mit dieser Explorable Explanation kann der Nutzer visuell Schritt für Schritt die Parameter ändern und den Effekt beobachten. Ich habe ein geometrisches 3D-Modell des Ergebnisraums verwendet, und Flächen, die diesen Raum durchschneiden und verkleinern. Der Aha-Effekt ist garantiert und das Tool wird mit großem Erfolg eingesetzt, um das neue Produkt vorzustellen.

Der Nutzer kann mit dem Tool mehrere Kampagnenziele setzen. Die Maschine findet daraufhin automatisch den Sweet Spot, also den optimalen Kompromiss zwischen den konkurrierenden Zielen.

Der dreidimensionale Körper beinhaltet alle theoretisch möglichen bzw. erreichbaren Kampagnenausgänge mit den Parametern Media Cost, Impressions und Clicks. Dieser Möglichkeitsraum ist immer in der zigarrenartigen Form eines sogenannten Zonotopen. Der Möglichkeitsraum ist begrenzt durch die verfügbaren Bietgelegenheiten innerhalb der Kampagnenlaufzeit und des Targetings.

Der Nutzer kann nun Schritt für Schritt die Kampagnenziele setzen, indem er zum Beispiel die maximale Anzahl der Impressions begrenzt. Diese Begrenzung wird durch einen roten Schnitt durch den Zonotopen sichtbar und grenzt damit den Möglichkeitsraum weiter ein. Zum Schluss wird mit einem Punkt der Sweet Spot markiert. So wird verständlich, warum die Maschine genau diesen Punkt ausgewählt hat als optimalen Kompromiss aller gesetzten Kampanenziele.