Applying Bayesian Bandits For Solving Optimal Budget Allocation In Social Media Marketing

Abstract

Sequential budget allocation problems in uncertain setting are hard to solve. Allocating marketing budget is one example of such problem. These problems are always balancing between exploiting the current best option and exploring if the option that seems best at the moment truly is the best. In probability theory these problems are called Multi-armed bandit -problems. Improvements in Bayesian computation have allowed Bayesian solution called random probability matching to this problem to be suggested. The idea is based on older idea presented by Thompson (1933). This thesis shows how this approach can be used in calculating optimal budget allocation and implements a automatic tool making budget optimization decisions in Facebook marketing.

Jaksottaiset budjetin allokointi onglemat epävarmoissa olosuhteissa ovat vaikeita ratkaista. Markkinointi budjetin allokointi esimerkiksi on tällainen onglelma. Tämän tyyppisissä ongelmissa aina tasapainoillaan, kuinka paljon käytetään resursseja siihen vaihtoehtoon, joka sillä hetkellä vaikuttaa parhaalta, ja kuinka paljon käytettän resursseja tämän tiedon varmistamiseksi. Todennäköisyys teoriassa tämän kaltaisia ongelmia kutsutaan nimellä monikätinen rosvo (Multi-armed bandit). Bayesilaisen laskennan kehityttyä, tähän ongelmaan on esitetty ratkaisua nimeltä satunnainen todennäköisyys sovitus (random probability matching), joka perustuu vanhempaan ajatukseen jonka alunperin esitti Thompson (1933). Tässä diplomityössä esitetään, kuinka näitä keinoja voi käyttää optimaalisen budjetti allokaation laskemiseksi jonka lisäksi toteutetaan työkalu, joka tekee budjetti optimointi päätöksiä automaattisesti Facebook markkinoinnissa.