Otimização de uma campanha publicitária na rede de pesquisa do Google Ads utilizando Teoria da Decisão Bayesiana
A publicidade digital promove produtos e serviços através da internet e proporciona uma excelente segmentação de clientes, pois pode filtrar clientes por determinado interesse. Entre todas as empresas que vendem espaços publicitários na internet, a que mais se destaca por quantidade de anunciantes e...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2019 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-22102019-115749 |
| Acceso en línea: | http://www.teses.usp.br/teses/disponiveis/45/45133/tde-22102019-115749/ |
| Access Level: | acceso abierto |
| Palabra clave: | Bayesian Decision Theory Google Ads optimization Internet advertisement Otimização no Google Ads Publicidade digital Teoria da Decisão Bayesiana |
| Sumario: | A publicidade digital promove produtos e serviços através da internet e proporciona uma excelente segmentação de clientes, pois pode filtrar clientes por determinado interesse. Entre todas as empresas que vendem espaços publicitários na internet, a que mais se destaca por quantidade de anunciantes e usuários é o Google Ads. A plataforma de anúncios do Google proporciona ao anunciante uma quantidade enorme de configurações para os anúncios. Por exemplo, na rede de pesquisa, o anunciante pode criar vários anúncios para diversas palavras-chave e produtos, pode escolher um lance diferente por palavra-chave, dispositivo, data, dia da semana e hora do dia. Entretanto, otimizar uma campanha com várias configurações possíveis não é algo trivial, pois requer que o agente decisor pense em todas as configurações possíveis e nos riscos induzidos por cada combinação de escolhas. Tradicionalmente, as campanhas são avaliadas por duas métricas: O ROI (Return of Investiment) e a taxa de conversão, essas métricas são calculadas em função de estatísticas descritivas da campanha e por mais eficientes que essa abordagem possa ser, não levam em consideração os fator aleatórios na tomada de decisão. O propósito desta dissertação é criar uma metodologia, que será fundamentada em teoria da decisão, para determinar a configuração ótima para uma campanha no Google Ads utilizando uma perspectiva bayesiana. |
|---|