Utilizzo di modelli contextual bandit per l’ottimizzazione delle campagne pubblicitarie ppc

Negli ultimi anni il commercio elettronico ha registrato una crescita esponenziale, trasformando radicalmente le dinamiche di acquisto e vendita a livello globale. In tale contesto, Amazon rappresenta uno dei principali protagonisti, offrendo un ecosistema complesso in cui la pubblicità svolge un ruolo strategico per la visibilità e la competitività dei prodotti. In questo elaborato si vuole affrontare il tema dell'ottimizzazione di campagne pubblicitarie del tipo Pay-Per-Click(PPC) su Amazon, con l'obiettivo di ottimizzare la rendita economica attraverso l'impiego di tecniche di machine learning e reinforcement learning. La ricerca si è articolata in diverse fasi. Il primo passo affrontato è quello dell'acquisizione e preprocessing dei dati provenienti da campagne reali. Successivamente sono stati implementati più algoritmi di apprendimento automatico al fine di valutare la capacità predittiva di modelli tradizionali rispetto a soluzioni avanzate. Tra i modelli sperimentati, la rete neurale multi layer perceptron (MLP) ha mostrato le migliori prestazioni e, per Tale motivo, è stata adottata come base per la costruzione di un modello di contextual bandit. Quest'ultimo sfrutta le predizioni della MLP per ridurre la fase esplorativa al fine di minimizzare il regret cumulativo e migliorare la selezione delle azioni pubblicitarie. L'applicazione di questa tecnica sperimentale può svolgere un ruolo cruciale in ambienti caratterizzati da scarsità di dati, come quelli tipici delle campagne PPC, fortemente caratterizzate da micro-trend e dinamiche settoriali specifiche. Nell'ultima fase dell'elaborato vengono discussi i risultati ottenuti, nella quale si evince che la combinazione contextual bandit e MLP, se ulteriormente ottimizzata tramite tecniche di fine tuning e modellazione avanzata, può rappresentare una soluzione promettente nella promozione di prodotti attraverso campagne PPC.