تکامل سیستم‌های تبلیغات دیجیتال مزایده‌محور: از RTB تا معماری‌های نوین

در دهه‌های اخیر تبلیغات دیجیتال دستخوش تحولاتی بنیادین شده است. خرید و فروش جایگاه‌های تبلیغاتی که روزگاری از طریق مذاکره مستقیم و فروش دستی انجام می‌شد، اکنون عمدتا به صورت مزایده‌های آنلاین و آنی صورت می‌گیرد. مزایده آنی یا RTB (Real-Time Bidding) در اواخر دهه ۲۰۰۰ میلادی ظهور کرد و به تبلیغ‌دهندگان امکان داد برای هر بازدید impression به شکل لحظه‌ای پیشنهاد قیمت دهند.

با گذشت زمان این سیستم‌های مزایده‌محور تکامل یافتند و مدل‌های جدیدی مانند مزایده‌های خصوصی، مدل‌های ترکیبی و اخیرا معماری‌های Outcome-Based یا مبتنی بر نتیجه شکل گرفتند که در آنها خروجی و عملکرد تبلیغ نیز در نظر گرفته می‌شود. این مقاله سعی می‌کند مسیر تکامل این سیستم‌ها را بررسی و تحلیل کند. همچنین نگاهی به نمونه‌های ایرانی همچون دیجی‌کالا، اسنپ و کافه‌بازار خواهیم داشت و روند آینده این صنعت را بر اساس جدیدترین پژوهش‌ها بررسی می‌کنیم.

تولد RTB و تحول تاریخی برنامه‌ریزی تبلیغات

نخستین جرقه‌های تبلیغات برنامه‌ای Programmatic در دهه ۱۹۹۰ زده شد، زمانی که بنرهای ساده وب برای اولین بار ظاهر شدند. در آن زمان خرید تبلیغ به صورت دستی و مستقیم بود. شبکه‌های تبلیغاتی ظهور کردند که فضای خالی سایت‌های متعدد را به شکل انبوه به تبلیغ‌دهندگان می‌فروختند. اما این روش ابتدایی چالش‌هایی داشت. تبلیغ‌دهنده‌ها کنترل کمی بر جای نمایش و مخاطبان داشتند و ناشران هم اغلب نمی‌دانستند چه تبلیغاتی نمایش داده می‌شود. با ورود به دهه ۲۰۰۰ رشد اینترنت و نیاز به اتوماسیون در خرید رسانه باعث شد رویکردهای نوینی شکل گیرد.

سال ۲۰۰۷ نقطه عطفی بود. دو رخداد مهم نشان‌دهنده تولد عصر برنامه‌ریزی تبلیغات بودند. یاهو شرکت Right Media (سازنده یکی از اولین اکسچنج‌های تبلیغاتی) را خریداری کرد و مایکروسافت شرکت AdECN را تصاحب کرد. این خریدها حاکی از ظهور شبکه‌های مبادله تبلیغاتی Ad Exchange بودند که در آن ناشران می‌توانستند هر بازدید را در مزایده‌ای لحظه‌ای به فروش برسانند. همان زمان برایان اوکلی از پیشگامان این حوزه مفهوم مزایده آنی RTB را توسعه داد که انقلابی در خرید تبلیغات بود.  ایده اصلی RTB این بود که به جای خرید یکجای بسته‌ای از نمایش‌ها، تبلیغ‌دهنده بتواند برای هر تک‌نمایش به صورت آنی و بر اساس اطلاعات کاربر پیشنهاد قیمت دهد.

مرتبطپست‌های

هر ۳ ثانیه یک خرید؛ کامان چگونه به برند مصرف روزانه ایرانی‌ها تبدیل شد؟

22 بهمن 1404

انتخاب پلتفرم خرید بلیط خارجی؛ راهنمای حرفه‌ای برای سفر ارزان

20 بهمن 1404

هنگامی که کاربری یک صفحه وب را باز می‌کند، درخواست نمایش تبلیغ به یک اکسچنج ارسال می‌شود. آن اکسچنج با چندین DSP یا پلتفرم سمت تقاضا فراخوان مزایده می‌دهد و هر DSP بر اساس داده‌های کاربر قیمت پیشنهادی خود را برمی‌گرداند. در نهایت بالاترین پیشنهاد برنده شده و تبلیغ مربوطه در کسری از ثانیه به کاربر نمایش می‌یابد. به تعبیری این فرایند مانند بازاری سهام اما در مقیاس میلی‌ثانیه‌ای عمل می‌کرد.

در اوایل دهه ۲۰۱۰ مزایده‌های RTB بیشتر با مدل حراج قیمت دوم انجام می‌شدند. به این صورت که برنده مزایده به جای پرداخت رقم پیشنهادی خود، مبلغ پیشنهادی نفر دوم در مزایده را می‌پرداخت. این سازوکار به تبلیغ‌دهنده‌ها اطمینان می‌داد که مبلغ اضافی بیش از نیاز پرداخت نکنند. هرچند بعدها بسیاری از پلتفرم‌ها به مزایده قیمت اول روی آوردند که شفافیت بیشتری در قیمت‌گذاری ایجاد می‌کرد. در این مدل برنده همان مبلغ پیشنهادی خود را می‌پردازد. تا سال ۲۰۱۰ سهم RTB در کل بودجه نمایش تبلیغات ناچیز (حدود ۲٪) بود اما تنها یک سال بعد به ۱۸٪ در بریتانیا رسید که نشان از رشد سریع پذیرش RTB داشت. این روند در ادامه دهه ۲۰۱۰ شتاب گرفت و برنامه‌ریزی تبلیغات را به جریان اصلی بدل کرد.

گسترش تلفن‌های هوشمند و اپلیکیشن‌ها بعد از سال ۲۰۱۰ چالش‌ها و فرصت‌های جدیدی پدید آورد. کاربران زمان بیشتری را در اپ‌ها مثل شبکه‌های اجتماعی و بازی‌ها نسبت به وب‌سایت‌ها می‌گذراندند. برای پاسخ به این تغییر فناوری‌های جدیدی مانند SDKهای تبلیغاتی مثل Mopub و IronSource عرضه شدند که به توسعه‌دهندگان اپ اجازه می‌داد فضای تبلیغاتی خود را در مزایده‌های برنامه‌ای بفروشند. همچنین پلتفرم‌های مدیریت داده DMP ظهور کردند که به تبلیغ‌دهندگان امکان می‌داد حجم عظیمی از داده‌های رفتاری و جمعیت‌شناختی کاربران را جمع‌آوری و در هدف‌گیری استفاده کنند. این دوره شاهد اوج‌گیری هدف‌گیری رفتاری و شخصی‌سازی انبوه بود. مثلا کمپینی می‌توانست کاربری را هدف گیرد که به‌تازگی به دنبال بلیت هواپیما گشته یا یک گوشی موبایل به سبد خرید افزوده است.

در همین زمان غول‌های فناوری نیز راهبردهای خود را شکل دادند. فیسبوک با راه‌اندازی Audience Network سعی کرد تبلیغات خود را فراتر از اپ فیسبوک به اپ‌ها و سایت‌های دیگر بسط دهد. گوگل پس از خرید بزرگ DoubleClick در ۲۰۰۷ اکوسیستم خود را کامل‌تر کرد.

گوگل یک DSP قدرتمند (Display & Video 360 یا همان DV360) ارائه داد و از سوی دیگر از طریق AdX و محصولاتی نظیر AdSense حجم عظیمی از موجودی نمایش آگهی را در اختیار گرفت.

در عمل گوگل یک اکوسیستم یکپارچه و اصطلاحا باغ محصور Walled Garden ایجاد کرد که تبلیغ‌دهندگان برای دسترسی به میلیاردها نمایش باید به آن تن می‌دادند. این تمرکزگرایی بعدها با اقدامات آمازون، علی‌بابا، تیک‌تاک و دیگران گسترش یافت که هر کدام به نوعی هم خریدار و هم فروشنده تبلیغات در سیستم خود شدند. در ادامه به نقش DSP و SSP و تغییر معماری آنها در این پلتفرم‌ها خواهیم پرداخت.

معماری DSP/SSP و تغییر نقش‌ها در پلتفرم‌های بزرگ

اکوسیستم برنامه‌ریزی تبلیغات از سه جز اصلی تشکیل شده است: DSP یا پلتفرم سمت تقاضا برای تبلیغ‌دهندگان، SSP یا پلتفرم سمت عرضه برای ناشران و Ad Exchange یا Auction که مزایده را برگزار می‌کند. در مدل سنتی بازار باز Open Marketplace این اجزا توسط شرکت‌های مستقل مدیریت می‌شدند و استانداردهای مشترکی مانند پروتکل OpenRTB ارتباط بین آنها را ممکن می‌ساخت.

DSPها وظیفه داشتند با اتصال به اکسچنج‌ها و SSPهای متعدد، بهترین نمایش‌ها را برای تبلیغ‌دهنده با قیمت مطلوب خریداری کنند. در سوی دیگر SSPها به نمایندگی از ناشران کار می‌کردند تا موجودی نمایش آنها را به بالاترین قیمت ممکن بفروشند. این تفکیک نقش، شفافیت و رقابت را تضمین می‌کرد اما با قدرت گرفتن پلتفرم‌های بزرگ مرز این نقش‌ها رفته‌رفته مبهم شد.

امروزه شرکت‌هایی نظیر گوگل، آمازون، تیک‌تاک، پینترست و اسپاتیفای هر یک مدل خاص خود را دارند که در آن گاه DSP و SSP در دل یک سامانه واحد ترکیب شده‌اند. به عنوان مثال گوگل هم یک SSP بزرگ دارد از طریق Google Ad Manager/AdX برای مدیریت موجودی ناشران و نمایش تبلیغات در یوتیوب و شبکه نمایش و هم DSP قدرتمندی DV360 و همچنین Google Ads برای تبلیغ‌دهندگان کوچک‌تر. گوگل ابتدا در سیستم خود از مزایده قیمت دوم استفاده می‌کرد اما در سال‌های اخیر به مزایده قیمت اول مهاجرت کرده تا سیستم مزایده را ساده‌تر و شفاف‌تر کند.

همچنین گوگل مکانیزم مزایده خود را هوشمندتر کرده است. برای مثال Ad Rank در جستجوی گوگل صرفا بر اساس مبلغ پیشنهاد نیست بلکه شامل مرتبط‌بودن تبلیغ و احتمال کلیک‌شدن را نیز لحاظ می‌کند تا تبلیغاتی برنده شوند که برای کاربر مفیدتر باشند. این یک نمونه از مزایده مبتنی بر نتیجه است که در آن خروجی مورد انتظار مثل کلیک یا رضایت کاربر در تعیین برنده دخالت داده می‌شود.

آمازون به عنوان غول خرده‌فروشی در یک دهه گذشته به سرعت به یک بازیگر بزرگ تبلیغات بدل شده است. آمازون ابتدا با فروش تبلیغات در وب‌سایت خود (جستجو و صفحات محصول) شروع کرد و اکنون درآمد تبلیغاتی سال ۲۰۲۴ آن از ۵۶ میلیارد دلار فراتر رفته است. آمازون معماری خاصی بنا کرده که در آن Retail Media و برنامه‌ریزی تبلیغات ادغام شده‌اند.

پلتفرم Amazon DSP به برندها اجازه می‌دهد با استفاده از داده‌های ارزشمند خرید کاربران آمازون، به آنها در سراسر وب و اپلیکیشن‌های دیگر هم تبلیغ نمایش دهند. در واقع آمازون هم SSP انحصاری خود را برای سایت‌ها و اپ‌هایش دارد و هم DSPای فراهم کرده که دسترسی به موجودی تبلیغاتی بیرونی از طریق ادغام با SSPهای خارجی یا قراردادهای خصوصی را امکان‌پذیر می‌کند. برای نمونه اخیرا آمازون و اسپاتیفای به یکپارچگی جهانی دست یافتند که به تبلیغ‌دهندگان Amazon DSP امکان می‌دهد موجودی تبلیغات صوتی اسپاتیفای را نیز به صورت برنامه‌ای خریداری کنند. چنین همکاری‌هایی نشان می‌دهد مرز بین DSP و SSP سنتی در حال کمرنگ‌شدن است. شرکت‌ها برای ارائه راهکار جامع، خدمات هر دو سمت عرضه و تقاضا را توسعه می‌دهند.

تیک‌تاک و پینترست به عنوان شبکه‌های اجتماعی در ابتدا باغ‌های محصور تبلیغاتی بودند. یعنی تبلیغ‌دهنده برای نمایش تبلیغ در تیک‌تاک یا پینترست الزاما باید از ابزار خود آن پلتفرم استفاده می‌کرد. این رویکرد کنترل کامل بر تجربه کاربر و داده‌ها به پلتفرم می‌دهد اما از سوی دیگر بودجه‌های تبلیغاتی کمتری را جذب می‌کند. اخیرا تیک‌تاک گام‌هایی برای ورود به اکوسیستم اپلیکیشن‌ها برداشته است. برای مثال در سال ۲۰۲۳ تیک‌تاک با The Trade Desk یکی از بزرگ‌ترین DSPهای مستقل دنیا، قرارداد همکاری بست تا موجودی تبلیغاتی خود را در منطقه شرق آسیا از طریق این DSP در دسترس خریداران قرار دهد. این بدان معناست که تبلیغ‌دهندگان می‌توانند فضای تبلیغاتی تیک‌تاک را کنار سایر رسانه‌ها در یک داشبورد واحد خریداری و مقایسه کنند. چنین حرکت‌هایی نشان‌دهنده تغییر نقش SSP/DSP در این پلتفرم‌هاست.

تیک‌تاک با حفظ SSP داخلی خود بخشی از ظرفیت فروشش را به DSPهای بیرونی هم وصل کرده تا بودجه‌های بیشتری را جذب کند. پینترست نیز اقداماتی مشابه داشته و APIهایی برای خرید برنامه‌ای برخی موجودی‌هایش ارائه کرده است، هرچند همچنان تبلیغات این شبکه عمدتا از طریق سیستم خود آن انجام می‌شود.

اسپاتیفای به عنوان یک پلتفرم استریم موسیقی و پادکست، مورد جالب دیگری است. اسپاتیفای سال‌ها موجودی تبلیغات صوتی و تصویری خود را از طریق تیم فروش مستقیم می‌فروخت اما به تدریج به سمت بازارهای خصوصی برنامه‌ای حرکت کرد. اکنون اسپاتیفای با پلتفرم‌هایی مثل Trade Desk و Amazon DSP همکاری دارد تا فضاهای تبلیغاتی صوتی خود را به صورت مزایده‌ای و داده‌محور عرضه کند. اسپاتیفای همچنین تلاش کرده است با استفاده از هوش مصنوعی و یادگیری ماشین درآمد تبلیغاتی خود را بیشینه کند.

پژوهش اخیر تیم تحقیقاتی اسپاتیفای نشان داد که با کاربرد یادگیری عمیق و نظریه بازی می‌توان حداقل قیمت هر نمایش را به‌صورت شخصی‌سازی‌شده تعیین کرد تا هم درآمد ناشر افزایش یابد و هم کارایی بازار بهتر شود. در این روش با تحلیل داده‌های مزایده‌های گذشته، تمایل واقعی تبلیغ‌دهندگان به پرداخت تخمین زده شده و آستانه قیمت هر مزایده بهینه‌سازی می‌شود. اجرای آزمایشی این مدل روی ۱۰۰ هزار مزایده واقعی درآمد اسپاتیفای را به طور متوسط 4% افزایش داد. چنین نوآوری‌هایی نشان می‌دهد معماری مزایده در حال حرکت به سمت هوشمندی بیشتر و لحاظ‌کردن سیگنال‌های پنهان بازار است.

در مجموع روند کلی در پلتفرم‌های بزرگ این است که نقش‌های DSP و SSP به سمت همگرایی و یکپارچگی پیش می‌روند. بسیاری از شرکت‌ها اکنون در هر دو جبهه عرضه و تقاضا فعال‌اند. این امر به آنها قدرت کنترل بیشتری بر زنجیره ارزش می‌دهد و امکان استفاده بهینه از داده‌های دست‌اول کاربران را فراهم می‌کند.

به بیان دیگر اگر دهه پیش تفکیک واضحی میان خریداران و فروشندگان تبلیغاتی وجود داشت اکنون شاهد ظهور اکوسیستم‌های بسته‌ای هستیم که از جمع‌آوری داده تا مزایده و نمایش آگهی را به صورت سراسری مدیریت می‌کنند. این تغییر البته چالش‌هایی مانند نگرانی‌های ضدانحصار و شفافیت را نیز به همراه داشته است که بحث مفصلی می‌طلبد. در ادامه به انواع مدل‌های مزایده‌ای که در این اکوسیستم‌ها جریان دارد می‌پردازیم.

انواع بازارهای مزایده‌ای تبلیغات: Open Auction، PMP، Hybrid و Outcome-Aware

در مسیر تکامل تبلیغات برنامه‌ای، مدل‌های مختلفی برای انجام مزایده و معامله میان ناشر و تبلیغ‌دهنده شکل گرفته است. هر یک از این مدل‌ها مزایا و کاربردهای خاص خود را دارند:

• حراج باز (Open Auction): این مدل سنگ‌بنای برنامه‌ریزی تبلیغات است. در حراج باز، موجودی تبلیغات ناشران به صورت عمومی و بدون محدودیت برای همه خریداران واجد شرایط به مزایده گذاشته می‌شود. صدها هزار وب‌سایت و اپلیکیشن می‌توانند موجودی خود را روی یک اکسچنج قرار دهند و هزاران تبلیغ‌دهنده نیز با استفاده از DSPها روی تک‌تک نمایش‌ها قیمت‌دهی کنند. مزیت اصلی حراج باز مقیاس وسیع و کارایی بالا است. تبلیغ‌دهندگان می‌توانند با هزینه معقول به مخاطبان انبوه دست یابند و مزایده رقابتی تضمین می‌کند که قیمت‌ها منصفانه و بر اساس عرضه و تقاضای لحظه‌ای تعیین شود. با این حال حراج باز ریسک‌های بیشتری هم به همراه دارد. کنترل کمتری روی محل نمایش آگهی وجود دارد و ممکن است تبلیغ در سایت‌هایی با محتوای نامناسب یا ترافیک تقلبی ظاهر شود. برای مدیریت این ریسک ابزارهای متعددی به‌کار گرفته می‌شود. از لیست سفید ناشران معتبر گرفته تا سیستم‌های ضدتقلب و فیلتر محتوا. به طور خلاصه حراج باز مناسب کمپین‌هایی است که به دنبال گستره دسترسی و کارایی هزینه هستند البته به شرط آنکه تمهیدات لازم برای حفظ ایمنی برند و مبارزه با تقلب ایجاد شود.
• بازار خصوصی یا PMP (Private Marketplace): بازار خصوصی در واقع نسخه گزینش‌شده‌ی حراج است. در PMP ناشر یا مجموعه‌ای از ناشران موجودی خود را فقط در اختیار تبلیغ‌دهندگان مشخص و منتخب قرار می‌دهند. این مدل برای مواقعی است که کیفیت و تناسب محیط نمایش آگهی اهمیت بالایی دارد. به عنوان مثال یک ناشر معتبر خبری ممکن است موجودی ویدیوی پریمیوم خود را فقط به چند برند منتخب در قالب PMP عرضه کند تا هم قیمت بهتری کسب کند و هم مطمئن باشد چه نوع تبلیغاتی نمایش داده می‌شود. شفافیت و کنترل دو مزیت کلیدی PMP هستند. تبلیغ‌دهنده می‌داند در کدام سایت یا اپ نمایش خواهد داشت و ناشر نیز از هویت تبلیغ‌دهندگان مطلع است. همچنین معمولا کف قیمت در این معاملات تعیین می‌شود تا از افت قیمت جلوگیری شود. بر اساس گزارش‌ها موجودی PMP به طور متوسط ۲۰ تا ۴۰ درصد گران‌تر از حراج باز معادل خود است اما بسیاری از تبلیغ‌دهندگان این هزینه اضافی را برای دسترسی به مخاطب در محیطی باکیفیت و امن می‌پردازند. این مدل در سال‌های اخیر بسیار محبوب شده چرا که تعادلی میان کارایی برنامه‌ای و ایمنی و روابط مستقیم برقرار می‌کند. به عنوان نمونه اسپاتیفای موجودی تبلیغات صوتی پریمیوم خود را عمدتا از طریق PMPs به برندهای مطرح می‌فروشد یا ناشران تلویزیونی ممکن است ویدیوهای آنلاین خود را در PMPهای خصوصی عرضه کنند تا هم درآمد مناسب داشته باشند و هم برندهای ناهمخوان وارد نشوند.
• حراج ترکیبی (Hybrid Auction): منظور از حراج ترکیبی مدل‌هایی از مزایده است که بیش از یک نوع معیار پیشنهاد را می‌پذیرند. در سیستم‌های سنتی، تبلیغ‌دهندگان معمولا بر اساس CPM یا هزینه به‌ازای هزار نمایش در مزایده شرکت می‌کنند. اما پلتفرم‌هایی مانند گوگل و فیسبوک سال‌هاست که اجازه می‌دهند تبلیغ‌دهندگان به جای قیمت‌گذاری مستقیم بر هر نمایش، بر اساس عملکرد یا اکشن خاصی قیمت بدهند. مثلا به‌ازای هر کلیک CPC یا هر نصب اپ. برای اینکه این مدل کار کند سیستم باید بتواند پیشنهادهای متفاوت را برای مقایسه، معادل‌سازی کند. برای مثال اگر تبلیغ‌دهنده‌ای ۱ دلار به‌ازای هر کلیک پیشنهاد داده و دیگری ۵ دلار به‌ازای هزار نمایش CPM سیستم با تخمین احتمال کلیک، این دو را قابل مقایسه می‌کند و ممکن است تشخیص دهد پیشنهاد CPC در نهایت ارزش بیشتری برای هر هزار نمایش ایجاد می‌کند. چنین مزایده‌هایی را Hybrid می‌نامیم زیرا دو نوع مزایده CPC و CPM در یک فضا ادغام شده‌اند. پژوهش‌های آکادمیک نشان داده که این نوع حراج‌های ترکیبی که برای اولین بار توسط گوگل و فیسبوک معرفی شدند، از نظر تئوری پیچیدگی‌های خاصی دارند و برای جلوگیری از سواستفاده راه‌حل‌های تعادلی باید در نظر گرفت. در عمل حراج ترکیبی باعث انعطاف بیشتر برای تبلیغ‌دهنده می‌شود تا بر اساس هدف خود (نمایش، کلیک یا اقدام خاص) استراتژی قیمت‌گذاری را انتخاب کند. گوگل ادز در شبکه جستجو مثالی از این رویکرد است که تبلیغ‌دهنده می‌تواند کمپین را هدف کلیک یا اکشن قرار دهد و همچنان در همان حراجی شرکت کند که دیگران شاید به صورت CPM رقابت می‌کنند و سیستم به طور خودکار معادل‌سازی را انجام می‌دهد.
• مزایده‌های مبتنی بر نتیجه (Outcome-Aware Auctions): تازه‌ترین روند در معماری حراج‌های دیجیتال، حرکت به سمت مزایده‌هایی است که یک گام فراتر از کلیک می‌روند و مستقیما به نتیجه نهایی مطلوب تبلیغ‌دهنده توجه می‌کنند. در این مدل‌ها معیار برنده‌شدن در حراج صرفا مبلغ پیشنهادی نیست بلکه ارزش مورد انتظار یا احتمال تحقق هدف نیز دخیل است. نمونه بارز این مدل حراج آگهی در فیسبوک است که در آن هر تبلیغ یک شانس موفقیت دارد. برای مثال احتمال اینکه کاربر پست تبلیغاتی را لایک کند یا روی آن تعامل کند و فیسبوک به جای بالاترین قیمت خام، ترکیبی از قیمت و این احتمال را لحاظ می‌کند. نتیجه آن است که گاهی تبلیغی با پیشنهاد مالی کمتر ولی محتوای جذاب‌تر و کاربرپسندتر برنده می‌شود زیرا در بلندمدت ارزش بهتری خلق می‌کند. همین مفهوم در گوگل نیز وجود دارد.

در جستجوی گوگل رتبه آگهی برابر است با  قیمت پیشنهادی * امتیاز کیفی(Quality Score)، که امتیاز کیفی خود تابعی از مرتبط‌بودن و نرخ کلیکCTR  پیش‌بینی‌شده است.

در کنار بهبود تجربه کاربر، مزایده‌های outcome-aware به تبلیغ‌دهندگان هم کمک می‌کنند تا بهینه‌تر به هدف کسب‌وکاری‌شان برسند. برای مثال علی‌بابا گزارش کرده است که از هوش مصنوعی برای تنظیم خودکار قیمت مزایده بر مبنای احتمال خرید استفاده می‌کند. بدین معنا که اگر سیستم تشخیص دهد یک نمایش تبلیغ به احتمال بالایی منجر به خرید می‌شود حاضر است قیمت پیشنهادی را بالاتر ببرد اما اگر احتمال تبدیل پایین باشد، قیمت را کاهش می‌دهد.

این نوع مزایده‌ی هوشمند یا مزایده پویا باعث افزایش درآمد به‌ازای هر بازدید برای ناشر و بهبود نرخ بازگشت تبلیغ (ROAS) برای تبلیغ‌دهنده می‌شود. به طور مشابه به نظر می‌رسد که دیجی‌کالا هم در حال حرکت از قیمت‌گذاری ثابت به سوی الگوریتم‌های قیمت‌گذاری پویا است که بر اساس عواملی چون ساعت روز، موجودی انبار فروشنده و رفتار رقبا، قیمت هر کلیک تبلیغ را بهینه کنند. این دقیقا نگاهی Outcome-Based است که به نتیجه فروش نهایی وزن می‌دهد تا صرفا نمایش یا کلیک.

مزایده‌های مبتنی بر نتیجه همچنین در بافت مدل‌های پرداخت به ازای اقدام CPA اهمیت می‌یابند. در شرایط اقتصادی دشوار، بسیاری از تبلیغ‌دهندگان تمایل دارند ریسک تبلیغاتی را کاهش دهند و مثلا تنها در صورت فروش موفق هزینه بپردازند. برای پاسخ به این نیاز، پلتفرم‌ها مزایده‌هایی طراحی کرده‌اند که بر مبنای اقدام نهایی تضمین‌شده قیمت می‌گیرند.

البته اجرای چنین مزایده‌هایی پیچیده است و غالبا ترکیبی از یادگیری ماشین برای پیش‌بینی رخداد اقدام و سازوکارهایی برای جلوگیری از تقلب را نیاز دارد. با این وجود انتظار می‌رود در آینده مدل‌های Outcome-Aware بیشتر رایج شوند، به طوری که پلتفرم تبلیغاتی عملا شریک ریسک تبلیغ‌دهنده می‌شود و هر دو سمت در موفقیت نهایی ذینفع هستند.

چشم‌انداز آینده صنعت تبلیغات دیجیتال مزایده‌محور در دنیا

هم‌اکنون صنعت تبلیغات دیجیتال مزایده‌محور در نقطه حساسی قرار دارد. حجم عظیم داده، پیشرفت هوش مصنوعی و تغییرات حریم خصوصی سه محرک اصلی شکل‌دهنده آینده این حوزه‌اند. بنابر مطالعات منتشرشده توسط گوگل ریسرچ، بسیاری از مسائل کلاسیک تبلیغات مثل طراحی مزایده‌ بهینه یا تخصیص بودجه در کمپین‌ها را می‌توان با روش‌های نوین علمی‌تری بهبود داد. برای مثال تیم تحقیقات الگوریتم بازار گوگل، روی الگوریتمی کار کرده که به جای بهینه‌سازی هر مزایده به طور مستقل، دنباله‌ای از مزایده‌ها را با هم بهینه می‌کند.

این نگاه پویا می‌تواند در تخصیص بودجه‌ی محدود تبلیغ‌دهندگان به صورت کاراتری عمل کند به این صورت که یک مزایده را پایین‌تر ببر تا در مزایده آتی برنده بهتری شوی. همچنین تحقیقات متعددی پیرامون یادگیری قیمت‌گذاری آنلاین جریان دارد که با روش‌های یادگیری تقویتی، سیستم می‌تواند در مواجهه با عرضه و تقاضای نامطمئن، بهترین قیمت کف و استراتژی مزایده را در لحظه یاد بگیرد.

هوش مصنوعی و یادگیری ماشین در هر لایه‌ای از این صنعت نفوذ کرده است. در پیش‌بینی رفتار کاربر برای هدف‌گیری بهتر، در تصمیم‌گیری خودکار قیمت مزایده، در تولید خلاقه‌های Creative شخصی‌سازی‌شده و حتی در تشخیص تقلب.

مطالعات ارائه‌شده در کنفرانس‌های معتبری چون NeurIPS و ICML نشان داده‌اند که می‌توان با یادگیری ماشین، استراتژی‌های مزایده پویا را چنان آموزش داد که طی زمان هم سود تبلیغ‌دهنده حداکثر شود و هم هزینه‌های بیهوده کاهش یابد. این نشان‌دهنده ظرفیت عظیم یادگیری ماشین در حل مسائل پیچیده مزایده‌ها در مقیاس بزرگ است.

از سوی دیگر حفظ حریم خصوصی و حرکت به دنیای بدون کوکی مسیر آینده تبلیغات را تغییر داده و خواهد داد. با تصمیم گوگل برای حذف کوکی‌های شخص ثالث در کروم و محدودیت‌های ردیابی در iOS، صنعت تبلیغات اپلیکیشن‌ها ناچار به بازآفرینی روش‌های هدف‌گیری جدید است. در آینده نزدیک داده‌های دست‌اول (First-Party Data) که توسط پلتفرم‌های بزرگ (خرده‌فروشان، شبکه‌های اجتماعی و…) جمع‌آوری می‌شود، حکم طلا را خواهد داشت.

این مساله تا حدی توضیح می‌دهد که چرا رسانه‌های خرده‌فروشی Retail Media رشد شدیدی دارند. زیرا خرده‌فروشی‌ها مثل آمازون، والمارت و دیجی‌کالا در ایران، مستقیما به داده واقعی خرید کاربران دسترسی دارند و می‌توانند هدف‌گیری دقیق و بدون اتکا به کوکی ارائه دهند. طبق گزارش‌ها حجم هزینه‌کرد جهانی در رسانه‌های خرده‌فروشی تا سال ۲۰۲۵ از ۱۰۰ میلیارد دلار فراتر رفته و همچنان رشد دو رقمی دارد. این روند نشان می‌دهد که آینده مزایده‌های تبلیغاتی در فضایی کمتر وابسته به ردیاب‌های سنتی و بیشتر متکی بر داده‌های تعاملی امن خواهد بود.

همچنین مفاهیمی چون اتاق‌های امن داده Data Clean Rooms پدید آمده‌اند که توسط پلتفرم‌هایی نظیر آمازون و گوگل ارائه می‌شوند. در این فضاهای امن، برندها می‌توانند داده‌های خود را با داده‌های کاربر پلتفرم مثلا دیجی‌کالا یا آمازون بدون افشای اطلاعات شخصی تطبیق دهند و بینش‌های عمیقی به دست آورند. این ابزارها کمک می‌کنند اثرگذاری کمپین‌ها در سفر چندکاناله مشتری سنجیده شود و مثلا یک برند بفهمد چه میزان از فروش آنلاینش ناشی از نمایش تبلیغ در شبکه‌های اجتماعی یا بنرهای آمازون یا دیجی‌کالا بوده است. در ایران نیز دیجی‌کالا در سال گذشته از راه‌اندازی سرویس بینش بازار خبر داد که الهام‌گرفته از همین ایده Amazon Marketing Cloud است.

جمع‌بندی روندهای آینده را می‌توان چنین بیان کرد که سامانه‌های تبلیغاتی به سمت هوشمندی یکپارچه و خودکار شدن پیش می‌روند. پلتفرم‌های آینده احتمالا AI-Native خواهند بود. یعنی از هدف‌گیری گرفته تا قیمت‌گذاری مزایده و حتی تولید محتوای تبلیغاتی، همگی توسط الگوریتم‌هایی انجام می‌شود که از داده‌ها یاد می‌گیرند.

نقش نیروی انسانی به جای تنظیمات دستی، بیشتر نظارت بر خروجی‌های هوش مصنوعی و تعریف اهداف کلان خواهد بود. همچنین کانال‌های جدیدی به روی برنامه‌ریزی تبلیغات گشوده می‌شود. تبلیغات همگرا با دنیای بازی‌ها، پلتفرم‌های استریم ویدیو و پلتفرم‌های واقعیت افزوده که ممکن است هر کدام بازارهای مزایده‌ای مخصوص خود را طلب کنند.

نمونه‌های ایرانی در تبلیغات دیجیتال مزایده‌محور: دیجی‌کالا، اسنپ، کافه‌بازار و دیگران

تحولات جهانی تبلیغات برنامه‌ای به شکلی با چندسال تأخیر در ایران نیز بازتاب یافته است. در سال‌های اخیر کسب‌وکارهای ایرانی تلاش کرده‌اند با الگوگیری از مدل‌های جهانی، پلتفرم‌های تبلیغاتی دیجیتال بومی خود را ایجاد کنند. هرچند بازار ایران به دلیل محدودیت‌های خاص اقتصادی و بین‌المللی چالش‌های خود را دارد، روند کلی حرکت به سمت داده‌محوری و مزایده‌ای‌شدن تبلیغات مشاهده می‌شود.

دیجی‌کالا ادز به عنوان بزرگ‌ترین مارکت پلیس ایران، نمونه بارزی است که قصد دارد مسیر آمازون و علی‌بابا را در ابعاد محلی طی کند. دیجی‌کالا از مدل تبلیغات کلیکی در نتایج جستجوی سایت خود آغاز کرد که مبنای آن مکانیزم Buy Box Winner برای فروشندگان بود. به این معنا که در یک صفحه محصول، فروشنده‌ای که برنده بای‌باکس (یعنی ارزان‌ترین و معتبرترین فروشنده) است، جایگاه تبلیغاتی بهتری می‌گیرد. این مدل با اینکه تجربه مشتری نهایی را بهبود می‌دهد چون بهترین پیشنهاد خرید را نمایش می‌دهد اما برای برندهایی که محصولاتشان توسط چند فروشنده عرضه می‌شود چالش ایجاد می‌کرد. آمازون این مشکل را با معرفی Sponsored Brands حل کرده است تا برندها بتوانند مستقل از فروشنده، خود را تبلیغ کنند. دیجی‌کالا نیز به تدریج در حال ارائه امکانات مشابه برای برندهاست.

از منظر معماری، دیجی‌کالا تاکنون بیشتر نقش SSP داخلی را ایفا کرده بود که فضای سایت و اپ خود را به تبلیغ‌دهندگان (عمدتا فروشندگان مارکت‌پلیس یا برندها) می‌فروخت. اما اخیرا گام‌هایی برای تبدیل‌شدن به یک پلتفرم تبلیغاتی جامع برداشته است. یکی از خلاهایی که وجود داشت تبلیغات Off-site و DSP بود. آمازون با Amazon DSP امکان می‌دهد داده‌های خود را بیرون از سایتش نیز برای هدف‌گیری به کار گیرد و عملا وارد رقابت برنامه‌ای گسترده شود. در ایران دیجی‌کالا شروع به همکاری با شبکه‌های تبلیغاتی مانند یکتانت کرده تا نمایش تبلیغات دیجی‌کالا در وب و اپلیکیشن‌های دیگر ممکن شود.

با این وجود هنوز یک زیرساخت یکپارچه Real-time که داده‌های ارزشمند دیجی‌کالا را مستقیما در مزایده‌های سایر شبکه‌ها به کار گیرد به طور کامل شکل نگرفته و این به عنوان یک فرصت بزرگ برای آینده دیجی‌کالا مطرح می‌شود. به عبارت دیگر احتمال دارد در آینده شاهد یک DSP بومی دیجی‌کالا باشیم که مشابه Amazon DSP عمل کند و تبلیغ‌دهندگان بتوانند هم در فضای دیجی‌کالا و هم بیرون از آن با تکیه بر داده‌های خرید کاربران، کمپین اجرا کنند.

طبق اعلام دیجی‌کالا ادز، این مجموعه همچنین بر روی ابزارهای بینش داده کار می‌کند. سرویس بینش بازار که اخیرا معرفی شده در راستای همین هدف است که به برندها امکان تحلیل رفتار خرید کاربران(آنلاین و آفلاین) را می‌دهد. هر چند این سرویس در مراحل ابتدایی‌ست، انتظار می‌رود در نسخه‌های بعدی حتی قابلیت انتساب کامل(مشخص کردن تأثیر هر کانال تبلیغاتی بر فروش) را نیز ارائه دهد.

نکته مهم دیگر، حرکت دیجی‌کالا ادز به سوی Smart Bidding است. همان‌طور که اشاره شد، علی‌بابا در چین با کمک AI قیمت پیشنهادی هر تبلیغ را بر اساس احتمال تبدیل تنظیم می‌کند. دیجی‌کالا نیز باید از مدل قیمت‌گذاری ثابت فاصله بگیرد و الگوریتم‌های مزایده هوشمند را پیاده کند. طبق تحلیل کارشناسان، این تغییر می‌تواند درآمد به ازای هر بازدید را افزایش داده و نرخ پرشدن موجودی تبلیغاتی و قیمت متوسط کلیک را به تعادل بهتری برساند.

علاوه بر این سرمایه‌گذاری بر شناسایی تقلب و حذف نویز ضروری است. آمازون با جدیت از مدل‌های یادگیری ماشین برای شناسایی کلیک‌ها و ترافیک غیرواقعی بهره می‌گیرد. اگر دیجی‌کالا بتواند سطح اطمینان برندها را در سالم‌بودن اکوسیستم تبلیغاتی‌اش بالا ببرد، بودجه‌های تبلیغاتی بیشتری را حتی از سهم رسانه‌های سنتی مثل بیلبورد و تلویزیون جذب خواهد کرد.

اسنپ به عنوان بزرگ‌ترین سوپراپ ایران، رویکرد متفاوتی داشته است. اسنپ تا حدی مانند یک رسانه عمل می‌کند و با در اختیار داشتن بیش از ۶۲ میلیون کاربر فعال فضایی جذاب برای تبلیغ برندهاست. روش‌های تبلیغات در اسنپ در حال حاضر شامل بنرهای درون اپلیکیشن در بخش‌های پرتردد، کمپین‌های پیامکی هدفمند، تبلیغات در اسنپ‌کلاب و حتی سمپلینگ محصولات است. اسنپ از یکپارچگی داده‌ای بالایی برخوردار است اما تاکنون یک پلتفرم مزایده آنی به معنای کلاسیک راه‌اندازی نکرده است. به جای آن، همکاری با شبکه‌های تبلیغاتی نظیر تپسل را برگزیده است. این نشان می‌دهد اسنپ بخشی از موجودی تبلیغاتی خود را به صورت واسطه‌ای و از طریق شبکه‌های شخص ثالث می‌فروشد.

از نظر مدل مالی، تبلیغ در اسنپ اغلب به صورت معاملات مستقیم یا بسته‌ای مثلا خرید بنر بالای صفحه برای N روز با قیمت ثابت انجام می‌گیرد. البته امکان هدف‌گیری جغرافیایی و دموگرافیک فراهم شده است اما در مقایسه با حراج‌های پیشرفته RTB، هنوز فضای بهینه‌سازی لحظه‌ای ندارد. انتظار می‌رود در آینده اسنپ نیز به سمت مزایده‌ای کردن بخش بیشتری از موجودی تبلیغاتی‌اش رود، به ویژه اگر بخواهد از بودجه‌های برنامه‌ای که توسط آژانس‌ها خرج می‌شود بهره‌مند گردد.

کافه‌بازار به عنوان اپ‌استور اندرویدی محبوب ایران، چند سالی است پلتفرم تبلیغاتی نسبتا پیشرفته‌ای راه‌اندازی کرده که کاملا مزایده‌محور است. کافه‌بازار تبلیغات در جستجو و تبلیغات در گشت‌وگذار(نمایش آگهی در صفحات معرفی برنامه‌ها) را ارائه می‌دهد. مدل مزایده کافه‌بازار نیز قیمت دوم است. یعنی برنده مزایده نصب اپ، به اندازه پیشنهاد نفر دوم هزینه می‌پردازد. برای مثال اگر توسعه‌دهنده A مبلغ ۲۰۰۰ تومان برای هر نصب پیشنهاد دهد و توسعه‌دهنده B مبلغ ۲۲۰۰ تومان، B برنده شده ولی حدود ۲۰۰۰ تومان، کمی بالاتر از پیشنهاد A از اعتبارش کسر می‌شود. این الگوریتم مزایده قیمت دوم باعث تشویق به پیشنهاد بالاتر بدون ترس از پرداخت کل آن مبلغ می‌شود و همان روشی‌ست که سال‌ها گوگل نیز در Google Ads به‌کار می‌برد. کافه‌بازار حداقل مبالغ CPI یا هزینه هر نصب را هم تعیین کرده تا کف بازار مشخص باشد.

فراتر از این‌ها، شبکه‌های تبلیغات آنلاین ایرانی مانند یكتانت، تپسل، مدیااد و دیگران نقش SSP یا Ad Exchange بومی را ایفا می‌کنند. یکتانت با در اختیار داشتن تعداد زیادی از وب‌سایت‌های پربازدید به عنوان ناشر، امکان تبلیغات بنری، همسان و ویدیویی را به صورت مزایده‌ای فراهم کرده است. اگرچه جزئیات فنی مزایده‌های این شبکه‌ها علنی نیست اما می‌دانیم که آنها نیز از پروتکل‌های RTB برای ارتباط با DSPها و تبلیغ‌دهندگان استفاده می‌کنند. حضور این واسطه‌ها کمک کرده تا کسب‌وکارهای کوچک و بزرگ ایرانی بتوانند تبلیغات هدفمند و مبتنی بر داده انجام دهند، بدون آنکه مستقیما به سراغ هر سایت به طور جداگانه بروند. رقابت این شبکه‌ها مثلا یکتانت در مقابل تپسل تا حدی باعث نوآوری و بهبود خدمات شده است. برای مثال، مدل‌های قیمت‌گذاری منعطف (CPC، CPM، CPA) توسط آنها ارائه می‌شود و ترکیبی از مزایده باز و خصوصی را نیز مدیریت می‌کنند. در کل، حرکت بازار ایران نیز مانند جهان به سمت خودکارسازی خرید رسانه و تصمیم‌گیری داده‌محور بوده، هرچند چالش‌های اقتصاد کلان و محدودیت دسترسی به منابع بین‌المللی سرعت آن را به طور محسوسی کاهش داده است.

جمع‌بندی

سیستم‌های تبلیغات دیجیتال مزایده‌محور مسیری طولانی را از نخستین مزایده‌های نمایشی تا معماری‌های پیچیده و هوشمند امروزی پیموده‌اند. ما شاهد گذار از دوران مزایده‌های باز ساده به دوره‌ای هستیم که در آن نتیجه و خروجی تبلیغ نیز به‌عنوان جزئی از مکانیسم مزایده لحاظ می‌شود. پلتفرم‌های بزرگ مانند گوگل و آمازون با بهره‌گیری از داده‌های عظیم و هوش مصنوعی، اکوسیستم‌هایی ساخته‌اند که مزایده در آن نه صرفا بر اساس بالاترین قیمت، بلکه بر پایه ارزش‌آفرینی بلندمدت انجام می‌شود.

نقش‌های کلاسیک DSP و SSP نیز در این فرایند تغییر کرده و بسیاری از مرزها از میان رفته‌اند. در کنار تحولات جهانی، تلاش نمونه‌های ایرانی همچون دیجی‌کالا ادز و کافه‌بازار نشان می‌دهد که بازار ایران نیز پتانسیل رشد به سوی مدل‌های پیشرفته برنامه‌ریزی تبلیغات را دارد. مدلی که بر شفافیت، کارایی و بازگشت سرمایه مبتنی است.

چشم‌انداز آینده حاکی از ادامه همین روند است. خودکارسازی کامل و هوشمندسازی فرایند مزایده احتمالا وجه تمایز پلتفرم‌های موفق خواهد بود. در عین حال، حفظ توازن میان منافع ناشر، تبلیغ‌دهنده و تجربه کاربر همچنان یک اصل اساسی باقی می‌ماند. مزایده‌های دیجیتال زمانی به اوج کارایی خود می‌رسند که به قول متخصصان «تکنولوژی، کسب‌وکار و مارکتینگ در یک نقطه به هم برسند و آینده‌ای خلق کنند که همه ذینفعان برنده باشند.» این آینده‌ای است که با وجود همه پیچیدگی‌هایش، نویدبخش یک اکوسیستم تبلیغاتی سالم‌تر، شفاف‌تر و اثربخش‌تر برای همه ما خواهد بود.

نویسنده میهمان: حجت قناد، متخصص تکنولوژی‌های بازاریابی