[논문]키워드검색광고 포트폴리오 구성을 위한 통계적 최적화 모델에 대한 실증분석

양홍규; 홍준석; 김우주

doi:10.13088/jiis.2019.25.2.167

키워드검색광고 포트폴리오 구성을 위한 통계적 최적화 모델에 대한 실증분석
An Empirical Study on Statistical Optimization Model for the Portfolio Construction of Sponsored Search Advertising(SSA) 원문보기

지능정보연구 = Journal of intelligence and information systems, v.25 no.2, 2019년, pp.167 - 194

양홍규 (연세대학교 기술정책협동과정) , 홍준석 (경기대학교 경영정보학과) , 김우주 (연세학교 정보산업공학과)

초록
AI-Helper

본 논문은 키워드검색광고와 관련하여 의사결정자인 광고주의 입장에서 분석한 통계모델 기반 검색엔진최적화(Search Engine Optimization)논문이다. 일반적으로 키워드입찰은 노출순위를 대상으로 하는 입찰가액에 의해 이루어지고 있다. 그런데, 대부분 광고주는 수천 개 이상의 많은 키워드를 관리함에 있어, 매시간적으로 바뀌는 키워드별 입찰가액을 통해 입찰광고시스템을 관리하고 있는데, 사실상 시간과 인력자원측면에서 비효율적이다. 따라서, 본 논문에서는 기존의 입찰가액을 중심으로 하는 입찰시스템에 대해 의문점을 제기하고, 새로운 관점에서 노출순위를 의사결정변수로 하는 새로운 검색광고모델을 재정의하여 제시하였다. 새로운 검색광고모델에 대한 최적화실증분석을 위해 예측모델과 최적화모델을 제시하였다. 연구과정은 우선 키워드의 특성에 따라 키워드그룹을 원천 제조브랜드 유통브랜드의 범주화기준을 제시한 후, PC 와 모바일 매체별로 대표 키워드 선정한 후 노출순위와 클릭률이 비선형분포임을 보였고, 통계적 관계를 검토하였다. 클릭률예측 및 입찰가액예측을 위한 통계적 시나리오를 제시하였고, 적합성 분석을 통해 최적의 예측모델을 선정한 후, 선정된 예측모델을 기반으로 하여 클릭률과 기대이익(전환율)에 관한 최적화목적함수를 정의하고 실증분석을 진행하였다. 분석결과, 본 논문에서 제시한 검색광고모델은 클릭률 기반의 클릭수와 전환율 기반의 기대이익으로 표현되는 최적화모델 모두에서 개선효과가 있음을 확인하였다. 다만, 기대이익 최적화모델의 경우에는 핵심키워드임에도 불구하고 기대이익이 낮아 광고에서 배제되는 문제를 있음을 확인하고 대안을 제시했다. 마코브체인분석을 통해 핵심 경유키워드 개념을 도입하였고, 최적화목적함수에 대해 핵심경유키워드의 기회이익을 반영한 최적화수정모델을 제시하여 적용가능성을 확인하였다. 본 논문은 키워드입찰시스템의 의사결정변수를 노출순위의 관점으로 전환하는 새로운 모델을 제안하였고, 키워드 범주별 및 노출순위 기반의 통계적 예측을 제시하고, 포트폴리오 구성에서의 최적화실증분석을 통해 노출순위 기반 예측모델의 유효성을 확인함과 동시에, 키워드간의 확산효과를 포함하는 수정모델제시 등 전략적인 입찰을 제안한 점에 시사점이 있다.

Abstract ▼ AI-Helper

This research starts from the four basic concepts of incentive incompatibility, limited information, myopia and decision variable which are confronted when making decisions in keyword bidding. In order to make these concept concrete, four framework approaches are designed as follows; Strategic approach for the incentive incompatibility, Statistical approach for the limited information, Alternative optimization for myopia, and New model approach for decision variable. The purpose of this research is to propose the statistical optimization model in constructing the portfolio of Sponsored Search Advertising (SSA) in the Sponsor's perspective through empirical tests which can be used in portfolio decision making. Previous research up to date formulates the CTR estimation model using CPC, Rank, Impression, CVR, etc., individually or collectively as the independent variables. However, many of the variables are not controllable in keyword bidding. Only CPC and Rank can be used as decision variables in the bidding system. Classical SSA model is designed on the basic assumption that the CPC is the decision variable and CTR is the response variable. However, this classical model has so many huddles in the estimation of CTR. The main problem is the uncertainty between CPC and Rank. In keyword bid, CPC is continuously fluctuating even at the same Rank. This uncertainty usually raises questions about the credibility of CTR, along with the practical management problems. Sponsors make decisions in keyword bids under the limited information, and the strategic portfolio approach based on statistical models is necessary. In order to solve the problem in Classical SSA model, the New SSA model frame is designed on the basic assumption that Rank is the decision variable. Rank is proposed as the best decision variable in predicting the CTR in many papers. Further, most of the search engine platforms provide the options and algorithms to make it possible to bid with Rank. Sponsors can participate in the keyword bidding with Rank. Therefore, this paper tries to test the validity of this new SSA model and the applicability to construct the optimal portfolio in keyword bidding. Research process is as follows; In order to perform the optimization analysis in constructing the keyword portfolio under the New SSA model, this study proposes the criteria for categorizing the keywords, selects the representing keywords for each category, shows the non-linearity relationship, screens the scenarios for CTR and CPC estimation, selects the best fit model through Goodness-of-Fit (GOF) test, formulates the optimization models, confirms the Spillover effects, and suggests the modified optimization model reflecting Spillover and some strategic recommendations. Tests of Optimization models using these CTR/CPC estimation models are empirically performed with the objective functions of (1) maximizing CTR (CTR optimization model) and of (2) maximizing expected profit reflecting CVR (namely, CVR optimization model). Both of the CTR and CVR optimization test result show that the suggested SSA model confirms the significant improvements and this model is valid in constructing the keyword portfolio using the CTR/CPC estimation models suggested in this study. However, one critical problem is found in the CVR optimization model. Important keywords are excluded from the keyword portfolio due to the myopia of the immediate low profit at present. In order to solve this problem, Markov Chain analysis is carried out and the concept of Core Transit Keyword (CTK) and Expected Opportunity Profit (EOP) are introduced. The Revised CVR Optimization model is proposed and is tested and shows validity in constructing the portfolio. Strategic guidelines and insights are as follows; Brand keywords are usually dominant in almost every aspects of CTR, CVR, the expected profit, etc. Now, it is found that the Generic keywords are the CTK and have the spillover potentials which might increase cons

주제어

표/그림 (20)

그림 Classical SSA Model (SSA₀ Model)
그림 Novel SSA Model (SSA₁ Model)
표 Keyword Category
표 Dataset Summary
그림 Plot: Rank Score(dv) on CPC(iv): 30 months
그림 Plot: Rank Score(dv) on CPC(iv): 6 months
그림 CTR(dv) on Rank Score(iv): 30 months
그림 CTR(dv) on Rank Score(iv): 6 months
표 Linear Regression: Rank Score(dv) on CPC(iv) of 30 month period
표 Linear Regression: Rank Score(dv) on CPC(iv) of 6 month period
표 Linear Regression: CTR(dv) on Rank Score(dv) of 30 month period
표 Linear Regression: CTR(dv) on Rank Score(dv) of 6 month period
표 CTR Estimation Scenario
표 GOF Test Results: -RMSE Scores of CTR Estimation Scenarios-
표 CPC Estimation Scenarios
표 GOF Test Result: -RMSE & AIC Scores of CPC Estimation Scenarios-
표 CTR Optimization Test Results
표 CVR Optimization Test Results
표 Markov Chain Results
표 Revised CVR Optimization Test Results

질의응답

핵심어	질문	논문에서 추출한 답변
	클릭수를 노출수로 나눈 값을 클릭률(CTR)이라고 하는데, 노출이 많은 키워드라도 광고주의 제품과 관련성이 없거나 클릭률 또는 기대이익이 낮으면 의미가 없기 때문에 광고주는 어떠한 노력을 하는가?	클릭수를 노출수로 나눈 값을 클릭률(CTR)이라고 하는데, 노출이 많은 키워드라도 광고주의 제품과 관련성이 없거나 클릭률 또는 기대이익이 낮으면 의미가 없다. 따라서 광고주는 사용자의 선호도가 높은 키워드를 추출하여, 새로운 키워드로 개발하며, 수 많은 키워드의 클릭률과 구매 전환율을 높이는 포트폴리오를 구축하고, 방문한 사용자를 관리하고, 자기 고유의 브랜드 인지도를 올리고자 노력하게 된다.
	키워드검색광고는 무엇인가?	키워드검색광고, 유료검색, 혹은 검색엔진광고(SSA, Sponsor’s Search Advertising)는 고객이 쉽게 연상하거나 자주 사용하는 키워드를 활용하여 광고노출을 확대시키는 마케팅기법이다. 키워드검색과정을 사용자의 입장에서 살펴보면, 사용자는 네이버나 네이트 등의 검색엔진에서 관심 있는 키워드를 입력하고 검색하면, 검색엔진은 해당 키워드와 연관되어 있는 사이트를 보여준다.
	의미중심은 사용자의 키워드 검색목적에 따라 어떻게 구분할 수 있는가?	의미중심은 사용자의 키워드 검색목적에 따라 정보목적(informational), 탐색목적(navigational), 거래목적(transactional)으로 구분할 수 있는데, 약 80%의 검색이 정보목적이며, 각각 약10%정도가 나머지목적이다 (Jansen and Spink, 2007). 키워드 는 상품이나 광고주에 대한 인지도에 따라 원천 제품(Generic), 소매브랜드(Retailer), 제조브랜드 (Brand)의 3개 범주를 갖는데, 소매브랜드정보를 포함하는 키워드는 클릭률과 전환율의 증가와 관련이 있지만, 브랜드중심의 키워드에서는 클릭률과 전환율이 오히려 감소하였다 (Ghose and Yang, 2009).

참고문헌 (26)

Abhishek, V. "Essays on Online Advertising." University of Pennsylvania, 2012.
Abhishek, V., and H. Kartik. "Optimal Bidding in Multi-Item Multislot Sponsored Search Auctions." Operations research 61, no. 4(07/01 2013).

상세보기
Bae S. D., and D-H. Park. "The Effect of Mobile Advertising Platform through Big Data Analytics - Focusing on Advertising, and Media Characteristics." Journal of Intelligence and Information Systems 24(2) (2018.06): 37-57.
Choi K. B., and K. W. Nam. "Analysis of shopping website visit types and shopping pattern." Journal of Intelligence and Information Systems 25(1) (2019.03): 85-107.
Cholette, S., O. Ozluk, and M. Parlar. "Optimal Keyword Bids in Search-Based Advertising with Stochastic Advertisement Positions." [In English]. Journal of Optimization Theory and Applications 152, no. 1 (Jan 2012): 225-44.

상세보기
DasGupta, B., and S. Muthukrishnan. "Stochastic Budget Optimization in Internet Advertising." arXiv e-prints. (2010). Accessed January 01, 2010.
Du, X., M. Su, X. M. Zhang, and X. Zheng. "Bidding for Multiple Keywords in Sponsored Search Advertising: Keyword Categories and Match Types." Information Systems Research 28, no. 4 (2017): 711-22.

상세보기
Feldman, J., S. Muthukrishnan, M. Pal, and C. Stein. "Budget Optimization in Search-Based Advertising Auctions." arXiv e-prints. (2006). Accessed December 01, 2006.
Ferrari, S., and F. Cribari-Neto. "Beta Regression for Modelling Rates and Proportions." Journal of Applied Statistics 31, no. 7(2004/08/01): 799-815.

상세보기
Ghose, A., and S. Yang. "An Empirical Analysis of Search Engine Advertising: Sponsored Search in Electronic Markets." [In English]. Management Science 55, no. 10 (Oct 2009): 1605-22.

상세보기
Gong, J., V. Abhisek, and B. Li. "Examining the Impact of Keyword Ambiguity on Search Advertising Performance: A Topic Model Approach." MIS Quarterly 42, no. 3 (2018): 805-29.

상세보기
Gopal, R., X. Li, and R. Sankaranarayanan. "Online Keyword Based Advertising: Impact of Ad Impressions on Own-Channel and Cross-Channel Click-through Rates." Decision Support Systems 52, no. 1 (2011/12/01): 1-8.

상세보기
Jansen, B. J.., and A. Spink. "The Effect on Click-through of Combining Sponsored and Non-Sponsored Search Engine Results in a Single Listing." Paper presented at the Proceedings of the 2007 Workshop on Sponsored Search Auctions, WWW Conference, 2007.
Jeon, M. J, "A Study on CTR in Relation to Product Involvement for Keyword Search Advertising Strategy in E-commerce", Journal of International Trade & Commerce 13(3)(2017.06): 543-562.
Jerath, K., L. Ma, Y-H. Park, and K. Srinivasan. "A "Position Paradox" in Sponsored Search Auctions." Marketing science (Providence, R.I.) 30, no. 4 (07/01 2011): 612-27.

상세보기
Jeziorski, P. "Advertiser Prominence Effects in Search Advertising." Management science 64, no. 3 (03/01 2018): 1365-83.

상세보기
Kamijo, Y. "Bidding Behaviors for a Keyword Auction in a Sealed-Bid Environment." Decision Support Systems 56 (2013): 371-78.

상세보기
Kim, M. G., N. G. Kim and I. H. Jung. "A Methodology for Extracting Shopping-Related Keywords by Analyzing Internet Navigation Patterns", Journal of Intelligence and Information Systems 20(2) (2014.06): 123-136.

원문보기 상세보기
Kim S. Y., and G. W. Kim. "Ontology-based User Customized Search Service Considering User Intention." Journal of Intelligence and Information Systems 18(4) (2012.12): 129-143.
Liu, F., and E. C. Eugenio. "A Review and Comparison of Bayesian and Likelihood-Based Inferences in Beta Regression and Zero-or-One-Inflated Beta Regression." Statistical methods in medical research 27, no. 4 (04/01 2018): 1024-44.

상세보기
Paolino, P. "Maximum Likelihood Estimation of Models with Beta-Distributed Dependent Variables." Political Analysis 9, no. 4 (2001): 325-46.

상세보기
Rutz, O. J., and R. E. Bucklin. "From Generic to Branded: A Model of Spillover in Paid Search Advertising." Journal of marketing research 48, no. 1 (02/01 2011): 87-102.

상세보기
Schlangenotto, D., M. Poniatowski, and D. Kundisch. "What Drives Paid Search Success? A Systematic Literature Review." Paper presented at the Americas Conference on Information Systems 2018: Digital Disruption, AMCIS 2018, 2018.
Selcuk, B., and O. Ozluk. "Optimal Keyword Bidding in Search-Based Advertising with Target Exposure Levels." European Journal of Operational Research 226, no. 1 (2013): 163-72

상세보기
Smithson, M., and J. Verkuilen. "A Better Lemon Squeezer? Maximum-Likelihood Regression with Beta-Distributed Dependent Variables." [In English]. Psychological Methods 11, no. 1(Mar 2006): 54-71.

상세보기
Wang, F., W. Suphamitmongkol, and B. Wang. "Advertisement Click-through Rate Prediction Using Multiple Criteria Linear Programming Regression Model." Procedia Computer Science 17 (2013/01/01/ 2013): 803-11.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증