브랜드 광고 입찰을 위한 경량형 MPC 프레임워크

초록

브랜드 광고의 안정적인 사용자 반응과 빠른 피드백을 활용해, 온라인 등소트 회귀(PAVA) 기반의 입찰‑소비·전환 모델을 실시간으로 구축하고, 모델 예측 제어(MPC)로 예산과 비용 상한을 동시에 제어하는 경량형 입찰 알고리즘을 제안한다. 낮은 연산량과 온라인 업데이트만으로 기존 PID·이중 최적화 방식보다 지출 효율과 비용 제어에서 우수함을 시뮬레이션으로 입증한다.

상세 분석

본 논문은 브랜드 광고가 보유한 “안정적인 참여 패턴”과 “빠른 피드백 루프”라는 두 가지 고유 특성을 핵심 설계 요소로 삼는다. 이러한 특성은 전통적인 퍼포먼스 광고에서 흔히 겪는 전환 지연·데이터 희소성 문제를 크게 완화시켜, 입찰‑소비·전환 관계를 복잡한 머신러닝 모델 없이도 단순히 단조함을 가정한 함수 형태로 근사할 수 있게 만든다. 저자들은 이를 위해 온라인 등소트 회귀, 즉 Pooled Adjacent Violators Algorithm(PAVA)를 도입한다. PAVA는 입력된 (입찰, 소비) 쌍을 선형 시간 O(n) 안에 단조 비감소 형태로 정제하고, 이후 선형 보간·외삽을 통해 연속적인 bid‑spend 함수 f(b)를 구성한다. 이 함수는 실시간으로 최신 N개의 pacing 구간 데이터를 반영하므로, 급격한 시장 변동에도 빠르게 적응한다.

입찰 결정은 모델 예측 제어(MPC)의 Receding Horizon Control(RHC) 원리를 적용한다. 매 pacing 사이클(Δt)마다 남은 예산 Bτ와 예상 경매 수 Nτ,Δt를 이용해 목표 지출 TSτ = Bτ·Nτ,Δt/(T−τ)를 계산하고, f(b)의 역함수 f⁻¹(TSτ)를 통해 다음 사이클의 입찰 bτ를 도출한다. 이 과정은 “예산 소진을 정확히 목표 시점에 맞추는” 라그랑주 승수 λ*를 실시간으로 추정하는 전통적 방법과 동일한 최적성을 유지하면서, 파라미터 튜닝(예: PID 이득) 부담을 크게 감소시킨다.

또한 논문은 비용 상한(Cost Cap) 제약을 추가한 다중 제약 최적화 문제로 확장한다. 두 라그랑주 승수 λ와 μ를 동시에 업데이트하고, 비용 상한에 맞는 동적 비용 캡 Cτ = Bτ·B_C / N_Cτ 를 정의함으로써, 예산 페이싱과 비용 효율을 동시에 만족시키는 입찰 전략을 제시한다. 이때도 동일한 PAVA 기반 bid‑spend 모델을 재활용하므로, 추가 연산량이 거의 발생하지 않는다.

실험 부분에서는 오프라인 시뮬레이션과 온라인 A/B 테스트를 통해, 제안된 경량 MPC가 기존 PID 기반 페이싱, 이중 온라인 그라디언트 방법 대비 지출 효율을 10~15% 향상시키고, 비용 초과 비율을 크게 낮춤을 확인한다. 특히 브랜드 광고 특유의 빠른 피드백 덕분에 모델 수렴 속도가 빠르고, 실시간 업데이트 주기가 초단위 수준에서도 안정적인 성능을 유지한다는 점이 강조된다. 전체적으로 이 논문은 복잡한 딥러닝 예측 모델 없이도, 이론적 최적성을 보존하면서 실무 적용이 가능한 경량 입찰 프레임워크를 제시한다는 점에서 의미가 크다.