Ihr fragt, wir antworten: Wie setzt Facebook maschinelles Lernen bei der Anzeigenauslieferung ein?

Es gibt zwei Hauptfaktoren, anhand derer wir bestimmen, welche Anzeigen wir einer Person zeigen: die von den Werbetreibenden ausgewählte Zielgruppe und die Ergebnisse unserer Anzeigenauktion.

Zuerst wählen die Werbekund*innen über unsere Self-Service-Tools ihre Zielgruppe aus. Die Zielgruppen werden anhand von Kategorien wie Alter und Geschlecht erstellt sowie ausgehend von Handlungen, die Nutzer*innen in unseren Apps durchführen, wie zum Beispiel eine Facebook-Seite mit „Gefällt mir“ zu markieren oder auf eine Anzeige zu klicken. Um eine Custom Audience oder Lookalike Audience zu erstellen, können Werbetreibende auch Informationen verwenden, die sie bereits über ihre Zielgruppe haben, etwa eine Liste von E-Mail-Adressen oder Personen, die ihre Website besucht haben.

Im nächsten Schritt wird bestimmt, welche Werbung einer Person gezeigt werden soll. Dazu ruft unser System Anzeigen ab, zu deren Zielgruppe diese Person gehört. Diese Anzeigen gehen in die Auktionsphase.

Unter den Anzeigen, die an der Auktion teilnehmen, wählt Facebook die bestgeeigneten für die jeweilige Person aus. Das System verwendet dafür den Anzeigenqualitäts-Score  – eine Kombination aus dem Wert des Werbetreibenden und der Qualität der Anzeige. Wir ermitteln den Wert eines Werbetreibenden, indem wir das Gebot einer Anzeige mit der geschätzten Aktionsrate multiplizieren. Hierbei wird geschätzt, wie wahrscheinlich es ist, dass die betreffende Person die vom Werbetreibenden gewünschte Handlung ausführt, wie zum Beispiel die Website des Werbetreibenden zu besuchen oder seine App zu installieren. Dann addieren wir den Anzeigenqualitäts-Score, der für die Gesamtqualität einer Anzeige steht. Für einige Abläufe in diesem Prozess verwenden wir maschinelles Lernen – das erklären wir weiter unten.

Maschinelles Lernen ist die Beschreibung für ein System, das hinzulernt, wenn es neue Daten erhält. So kann es komplexe Aufgaben schnell und effizient ausführen, ohne explizit dafür programmiert zu werden. Facebook verwendet maschinelles Lernen, um die geschätzte Aktionsrate und den Anzeigenqualitäts-Score zu ermitteln.

Um die geschätzte Aktionsrate festzustellen, berechnen maschinelle Lernmodelle die Wahrscheinlichkeit, mit der eine bestimmte Person die vom Werbetreibenden gewünschte Handlung durchführt. Diese Berechnung beruht auf dem Geschäftsziel, das der Werbetreibende für seine Anzeige auswählt, wie zum Beispiel mehr Besuche auf seiner Website oder mehr Verkäufe. Dazu berücksichtigen unsere Modelle das Verhalten dieser Person auf und außerhalb von Facebook sowie andere Faktoren wie den Inhalt der Werbeanzeige, die Tageszeit und die Interaktionen zwischen Nutzer*innen und Werbeanzeigen.

• Beispiele für Verhaltensweisen auf Facebook, die die Modelle berücksichtigen, sind Dinge, die eine Person in den Facebook-Apps tut, z. B. auf eine Anzeige klicken oder einen Beitrag mit „Gefällt mir“ markieren.
• Verhaltensweisen außerhalb von Facebook beinhalten Handlungen, die eine Person außerhalb von Facebook vornimmt und die Unternehmen über unsere Business Tools mit uns teilen, z. B. eine Webseite besuchen, ein Produkt kaufen oder eine App installieren.

Für die Berechnung des Anzeigenqualitäts-Scores beziehen unsere maschinellen Lernmodelle das Feedback der Personen ein, die die Anzeige ansehen oder verbergen. Sie berücksichtigen auch qualitätsmindernde Merkmale (z. B. zu viel Text im Anzeigenbild, sensationsheischende Sprache oder Engagement-Baiting).

Das Gebot des Werbetreibenden, die geschätzte Aktionsrate und der Anzeigenqualitäts-Score werden kombiniert, um den Gesamtwert der Anzeige in der Anzeigenauktion zu berechnen.