Le monde de la publicité en ligne a été révolutionné il y a quelques années par l’apparition des technologies d’enchère en temps réel, connues sous leur dénomination anglaise Real-Time Bidding (RTB). Ces enchères permettent l’achat d’espaces publicitaires à la granularité la plus fine : impression par impression. A chaque visite d’un utilisateur sur un site de contenu, chaque annonceur peut choisir de lui afficher ou non une publicité et déterminer le prix maximum qu’il est prêt à payer pour cette opportunité. Une des conséquences est le besoin d’automatisation et d’optimisation pour les acteurs connectés au RTB et de nombreuses solutions font naturellement appel au Machine Learning. Ce sont ces solutions que ce module se propose d’explorer, tant d’un point de vue théorique que pratique…

Objectifs pédagogiques

A l’issue de ce module, les étudiants connaîtront les challenges du monde de l’AdTech et sauront identifier les problèmes auxquels le Machine Learning peut apporter une solution. Des cas pratiques seront donnés en réflexion afin de comprendre comment passer d’une problématique business à un problème de Machine Learning identifié. La réflexion ira jusqu’à l’analyse finale afin de prouver que la solution proposée était bien la bonne.

Plus généralement, l’accent sera mis sur le fait que le métier de Data Scientist ne se limite pas à la mise en place d’algorithmes de prédiction ou de classification.

Evaluation

L’évaluation se fera par l’utilisation du Machine Learning pour analyser un jeu de données fourni par Teads.tv.

  • Jour 1 : Introduction à l’AdTech et aux systèmes d’enchère
  • Jour 2 : Machine Learning pour le calcul du bid – Choix d’algorithmes et tuning
  • Jour 3 : Evaluation de modèles online (AB-testing) et offline
  • Jour 4 : Infrastructure et Big Data
  • Jour 5 : Autres applications du Machine Learning à l’AdTech