Bid optimization apparatus and method

Abstract

A bid optimization apparatus and method are provided. The method comprises the following steps: collecting data on current bid amounts, auction outcomes, and performance metrics; assessing market volatility and estimating a win probability for various bid levels based on the collected data and assessed market volatility; determining a bid suggestion based on the win probability, a specified budget and a risk tolerance level; and generating suggested bid change percentages for an initial bid value in the online auction bid system based on a highest bid change return on investment estimation of the bid suggestion.

Description

BID OPTIMIZATION APPARATUS AND METHODTECHNICAL FIELD

[0001] The aspects of the disclosed embodiments relate generally to online auctions and more particularly to a bid optimization system for online auctions.BACKGROUND

[0002] The field of digital advertising has seen significant growth with the advent of real-time bidding (RTB) platforms. In these auctions, advertisers bid for ad placements in real-time based on predefined budgets. The goal is to optimize the return on investment (ROI) by ensuring that ad spend is allocated in a way that maximizes conversions or other key performance indicators (KPIs) . However, this dynamic environment presents challenges in determining the most effective way to distribute advertising budgets across multiple auction bids.

[0003] One common problem in digital ad auctions is the inefficient allocation of a budget across different bids. Traditional methods often use uniform or static distributions of budgets, which fail to account for the varying potential returns of different bids. Additionally, the inherent market volatility (i.e. the degree of unpredictability or fluctuation in the auction landscape) affects ad performance. Different users may also have different risk tolerances, meaning that while some may prefer aggressive strategies to maximize potential gains, others might prioritize safety, seeking more stable but potentially lower returns. This variation in risk preference adds complexity to the budget allocation process, making it even more challenging to optimize for ROI.

[0004] Thus, there is a need for improved budget allocation in on-line auctions. Accordingly, it would be desirable to provide a system, apparatus and method that addresses at least some of the problems described above.SUMMARY

[0005] The aspects of the disclosed embodiments are directed to bid optimization in an online auction system. The aspects of the disclosed embodiments provide an innovative system for adaptive budget surplus recommendation, aimed at optimizing the allocation of extra budget in digital auctions by intelligently targeting high-value opportunities.

[0006] According to a first aspect, the above and further advantages are obtained by an apparatus. In one embodiment the apparatus includes one or more processors coupled to one or more memory devices configured to store machine-readable instructions that, when executed by a computing device, are configured cause the computing device to optimize an auction bid by: collecting data on current bid amounts, auction outcomes, and performance metrics; assessing market volatility and estimating an auction win probability for various bid levels based on the collected data and assessed market volatility; determining a bid suggestion based on the auction win probability, a specified budget and a risk tolerance level; and generate, on a display of one or more of the computing device or a user device, suggested bid change percentages for an initial bid value in the online auction bid system based on a risk tolerance and highest bid change return on investment estimation of the bid suggestion. The aspects of the disclosed embodiments provide an innovative apparatus for adaptive budget surplus recommendation, aimed at optimizing the allocation of extra budget in digital auctions by intelligently targeting high-value opportunities.

[0007] In a possible implementation form, execution of the machine readable instructions by the computing device is further configured to cause the computing device to simulate a bid change scenario, where the initial bid value is changed by one or more percentage values; determine the auction win probability for each changed bid value based on a proportion of changed bid values that exceed market prices; and generate the bid change return on investment estimation from the auction win probability for each changed bid value. The aspects of the disclosed embodiments provide an adaptive budget surplus recommendation system that intelligently reallocates extra budget towards bids with the highest expected ROI improvement.

[0008] In a possible implementation form, execution of the machine readable instructions by the computing device is further configured to cause the computing device to: determine a number of auctions won when a changed bid value on an auction is less than a market price for the auction; determine a number of auctions lost when a changed bid value on an auction is higher than a market price for the auction; compare the determined number of auctions won to the number of auctions lost; and adjust the auction win probability percentage value based on the comparison. The aspects of the disclosed embodiments quantify estimation risk and estimate upper and lower bounds on bid increase suggestions effects to give users a clearer understanding of potential outcomes.

[0009] In a possible implementation form, execution of the machine readable instructions by the computing device is further configured to cause the computing device to: process consecutive chunks of ad exchange data (ADX) and demand side platform data (DSP) ; estimate an auction win rate percentage and bid count per bid value across each chunk; aggregate the estimate across each chunk to calculate a mean bid change effect and a standard deviation of the mean bid change effect across all chunks; calculate an average bid value change effect for each changed bid value; calculate a standard deviation of bid value change effects for each changed bid value; and update the suggested bid change percentage based on the calculated mean bid change effect, the standard deviation of the mean bid change effect and the standard deviation of the bid value change effects. The aspects of the disclosed embodiments use bid increase estimates and bid distribution statistics to recommend an optimal allocation policy for distributing extra budget across multiple bids.

[0010] In a possible implementation form, execution of the machine-readable instructions by the computing device is further configured to cause the computing device to apply the one or more percentage values incrementally and generate multiple bid scenarios for the initial bid value. The aspects of the disclosed embodiments use bid increase estimates and bid distribution statistics to recommend an optimal allocation policy for distributing extra budget across multiple bids.

[0011] In a possible implementation form, execution of the machine-readable instructions by the computing device is further configured to cause the computing device to provide a first adjustable object on the display, the first adjustable object configured to enable adjustment of a value of an auction bidding budget for a plurality of bid values; provide a second adjustable object on the display, the second adjustable object configured to enable a value of tolerance to market volatility for the plurality of bid values; and generate a first plot indicating the suggested bid change percentage for the plurality of bid values based on the value of the auction bidding budget and the value of tolerance to market volatility. The aspects of the disclosed embodiments improve decision-making by providing upper and lower bounds on ROI, ensuring better management in uncertain conditions.

[0012] In a possible implementation form, execution of the machine-readable instructions by the computing device is further configured to cause the computing device to generate a second plot indicating a bid increment amount, and a corresponding new bid value. The aspects of the disclosed embodiments improve decision-making by providing upper and lower bounds on ROI, ensuring better management in uncertain conditions.

[0013] In a possible implementation form, execution of the machine-readable instructions by the computing device is further configured to cause the computing device to generate a second plot indicating a win probability for the initial bid value and a win probability for a bid value corresponding to the suggested bid change percentage. The aspects of the disclosed embodiments improve decision-making by providing upper and lower bounds on ROI, ensuring better management in uncertain conditions.

[0014] In a possible implementation form, the computing device is coupled to a user device. The computing device is configured to calculate the suggested bid change data and send the suggested bid change data to the user device. The user device is configured to present the bid change data on a display or interface of the user device.

[0015] In a possible implementation form win rate estimation and fixed bid increase data can be calculated and presented on a user interface of the computing device. The suggested bid values are presented on the interface or display of the user device.

[0016] According to a second aspect, the above and further advantages are obtained by a method. In one embodiment, the method includes optimizing a bid in an online auction bid system by collecting data on current bid amounts, auction outcomes, and performance metrics; assessing market volatility and estimating a win probability for various bid levels based on the collected data and assessed market volatility; determining a bid suggestion based on the win probability, a specified budget and a risk tolerance level; and generating suggested bid change percentages for an initial bid value in the online auction bid system based on a highest bid change return on investment estimation of the bid suggestion and the specified risk tolerance level. The aspects of the disclosed embodiments provide an innovative process for adaptive budget surplus recommendation, aimed at optimizing the allocation of extra budget in digital auctions by intelligently targeting high-value opportunities.

[0017] In a possible implementation form, the method further includes updating suggested bid change percentages based on real-time changes in market conditions and auction dynamics. The aspects of the disclosed embodiments provide users with reliable ROI improvement even in volatile markets, with a clear probability of achieving desired results.

[0018] According to a third aspect, the above and further advantages are obtained by a computer program product. In one embodiment, the computer program product includes a non-transitory computer-readable medium having stored thereon machine-readable instructions that, when executed by a processor, cause the processor to execute the method according to any one of the possible implementation forms. The aspects of the disclosed embodiments provide an innovative apparatus and system for adaptive budget surplus recommendation, aimed at optimizing the allocation of extra budget in digital auctions by intelligently targeting high-value opportunities.

[0019] These and other aspects, implementation forms, and advantages of the exemplary embodiments will become apparent from the embodiments described herein considered in conjunction with the accompanying drawings. It is to be understood, however, that the description and drawings are designed solely for purposes of illustration and not as a definition of the limits of the disclosed invention, for which reference should be made to the appended claims. Additional aspects and advantages of the invention will be set forth in the description that follows, and in part will be obvious from the description, or may be learned by practice of the invention. Moreover, the aspects and advantages of the invention may be realized and obtained by means of the instrumentalities and combinations particularly pointed out in the appended claims.BRIEF DESCRIPTION OF THE DRAWINGS

[0020] In the following detailed portion of the present disclosure, the invention will be explained in more detail with reference to the example embodiments shown in the drawings, in which like references indicate like elements and:

[0021] FIG. 1 illustrates a schematic block diagram of an exemplary apparatus incorporating aspects of the disclosed embodiments.

[0022] FIG. 2 illustrates a schematic block diagram of an exemplary system incorporating aspects of the disclosed embodiments.

[0023] FIG. 3 illustrates win rate and average bid effect estimation graphs for an apparatus incorporating aspects of the disclosed embodiments.

[0024] FIG. 4 is a graph illustrating an example of a bid distribution estimation for each bid value in accordance with the aspects of the disclosed embodiments.

[0025] FIG. 5 is a graph illustrating an example of a suggested bid increase for each bid value in accordance with the aspects of the disclosed embodiments.

[0026] FIG. 6 illustrates an exemplary user interface incorporating aspects of the disclosed embodiments.

[0027] FIG. 7 illustrates another exemplary user interface incorporating aspects of the disclosed embodiment.

[0028] FIGs. 8 and 9 illustrate the impact of adjusting the budget slider on a user interface incorporating aspects of the disclosed embodiments.

[0029] FIGs. 10 and 11 illustrate the impact of adjusting the volatility resistance slider on a user interface incorporating aspects of the disclosed embodiments.

[0030] FIG. 12 is an exemplary process flow diagram incorporating aspects of the disclosed embodiments.

[0031] DETAILED DESCRIPTION OF THE DISCLOSED EMBODIMENTS

[0032] FIG. 1 illustrates a schematic block diagram of an exemplary apparatus or system 100 incorporating aspects of the disclosed embodiments. The aspects of the disclosed embodiments provide an innovative apparatus and system for adaptive budget surplus recommendation, aimed at optimizing the allocation of extra budget in digital auctions by intelligently targeting high-value opportunities. Instead of uniformly distributing the budget across all bids, the aspects of the disclosed embodiments identify which opportunities are likely to yield the highest returns. The approach takes market volatility into account, adapting to different levels of user risk-value tradeoffs. By personalizing the allocation to reflect both high-value opportunities and individual risk preferences, the apparatus 100 ensures more efficient use of budget, optimizing both performance and user satisfaction in a volatile and competitive digital ad landscape.

[0033] As shown in the example of FIG. 1, in one embodiment, the apparatus 100 includes one or more processors 104 coupled to one or more memory devices 106. The memory device (s) 106 are configured to store machine-readable instructions that, when executed by a computing device 102, are configured cause the computing device 102 to optimize an auction bid by collecting data on current bid amounts, auction outcomes, and performance metrics; assessing market volatility and estimating an auction win probability for various bid levels based on the collected data and assessed market volatility; determining a bid suggestion based on the auction win probability, a specified budget and a risk tolerance level. The computing device 102 is also configured to generate and present on a display 108, suggested bid change percentages for an initial bid value in the online auction bid system based on a risk tolerance and highest bid change return on investment estimation of the bid suggestion. The display 108 can be a display of the computing device 102. In one embodiment, the display 108 can be coupled to or part of a user device.

[0034] A significant challenge for users is finding a balance between their budget constraints and their risk tolerance when bidding in an online auction system. Current solutions tend to optimize bids based on budget alone, ignoring the user's risk preferences. This can result in strategies that either expose users to unnecessary financial risk or miss out on potential return on investment (ROI) improvements. The aspects of the disclosed embodiments address these issues by integrating both budget constraints and user risk tolerance into the bid increase recommendations. By incorporating the user’s risk level into the decision-making process, the aspects of the disclosed embodiments are configured to provide more personalized and risk-aware suggestions, ensuring that users achieve the desired ROI while staying within their financial and comfort limits.

[0035] The aspects of the disclosed embodiments are configured to provide certain statistical guarantees based on the user’s risk tolerance, and historical estimations of market volatility. For instance, a user with a 5%risk tolerance is guaranteed that the budget recommendations will improve ROI 95%of the time or there will not be any suggested increase in bid price. This ensures a low chance of an unfavorable result.

[0036] Furthermore, the aspects of the disclosed embodiments allow users to directly adjust their risk tolerance, enabling them to choose between riskier, higher-reward strategies or safer, more conservative strategies. This approach gives users full control over their risk-reward tradeoff, providing customized solutions to meet their specific business objectives.

[0037] FIG. 2 illustrates on example of a system 200 incorporating aspects of the disclosed embodiments. In one embodiment, modules of the system 200 shown in FIG. 2 can be incorporated in, our coupled to the computing device 102 of FIG. 1. The modules can generally include one or more processors and memories that are configured to execute non-transitory machine readable instructions to carry out the desired process and functionality. By utilizing the exemplary schema described herein, computing devices will be able to more efficiently and resourcefully carry out bid recommendation processes described herein. This provides a technological improvement over the state of the art.

[0038] As shown in FIG. 2, in one embodiment, the system 200 includes historical Ad Exchange (ADX) auctions data 202 and Demand Side Platform (DSP) auctions data 204. The data can be stored or obtained from a suitable database or other data storage facility. The ADX auctions data 202 and DSP auctions data 204 will generally include information about the user’s bidded value and other bidder’s bids (i.e. the market price) both for winning and losing ad auctions. The aspects of the disclosed embodiments are configured to accommodate auction data both from both the ADX 202 and the DSP 204 to provide suggestions via the presentation module 216, as shown in FIG. 2. However, the system 200 is also able to provide suggestions if only one of the ADX 202 or DSP 204 is available.

[0039] The system 200 can also include a Bid Increase effect on ROI estimation with confidence intervals module 206. The module 206 is configured to estimate the effect of increasing the bid prices on each auction by processing historical data and inferring confidence intervals for market volatility estimation.

[0040] The system 200 can also include a Bid Distribution Statistics module 208. The module 208 is configured to extract bid counts for each bid determining their distribution for each bid value.

[0041] The Budget Allocation module 210 is configured to determine the best extra budget allocation across all the bid values. This module 210 takes both input coming from historical data (the bid distribution statistics module 208 and the bid increase effect module 206) and from user’s preferences. The user preferences can include an Extra budget amount module 212 and a market variability tolerance module 214. The Budget Allocation module 210 is configured to output the extra budget allocation suggestion across all bid values that best match with the user’s constraints.

[0042] The presentation module 216 is configured to postprocess the suggested allocation by evaluating its stability and its expected ROI increase. The results can then be presented to the final user via a graphical user interface, such as the display 108 of FIG. 1.

[0043] In one embodiment the Bid Increase Effect on ROI estimation with confidence intervals module 206 is configured to simulate different scenarios for which each bid value is increased by a fixed percentage (+5%, +10%, ..., +50%) and count the percentage of bids that are higher than those market prices. Such percentage indicates the auction win percentage after an hypothetical bid increase for ADX. For DSP, the value is adjusted considering the percentage of auctions that are won despite receiving higher market prices bids and the percentage of auctions that are lost despite bidding more than the market price. Each percentage is estimated on consecutive chunks of the data, and all those estimates are aggregated allowing us to estimate the mean bid increase effect and its standard deviation. Once such estimates are computed both for ADX and DSP data, they are merged together. The final outputs of the algorithm are therefore two:

[0044] (1) The average bid increase effects, calculated for each bid value and taking into account multiple possible bid increase percentages, an example of which is shown in FIG. 3; and

[0045] (2) The standard deviations of the bid increase effects, calculated for each bid value and taking into account multiple possible bid increases.

[0046] The graph 300 of FIG. 3 illustrates examples of win rate estimation and average bid effect estimation for each bid value taking into account multiple bid increase percentages. (which is not the final interface as this is only for fixed bid increase while the user interface is for the suggested values, which might be outside these levels and change with the bid value) The Bid Value is presented on the X or horizontal axis while the Win Probability Increase is presented on the horizontal or Y axis. For clarity, confidence intervals have been omitted on this plot. The plots illustrated in the example of FIG. 3 are as follows:

[0047] Plot 302: Current Win Probability.

[0048] Plot 304: Win Improvement with a +10%bid increase.

[0049] Plot 306: Win Improvement with a +20%bid increase.

[0050] Plot 308: Win Improvement with a +50%bid increase.

[0051] The Bid Distribution Statistics module 208 is configured to infer the bid distribution both for ADX and DSP market prices. FIG. 4 illustrates an example of bid distribution estimation for each bid value taking into both ADX and DSP market prices. The module 208 is configured to merge the bid distributions and return the overall bid distribution 400 as shown in FIG. 4.

[0052] The Budget Allocation module 210, also referred to as an “extra budget dynamic allocation module, is configured to take as inputs the mean and standard deviations of the estimated bid increase effects; the bid distribution; the user’s total extra budget quantity, defined as a percentage of current budget; and the user’s market volatility resistance. The user’s market volatility resistance can be defined as a value between 0 and 1 (excluded) , where “0” represents very high tolerance to risks due to market volatility and “1” represents the lowest tolerance to market volatility.

[0053] The Budget Allocation module 210 is configured to output the suggested bid increase percentage for each bid value, such that budget and user volatility tolerance constraints are met. FIG. 5 illustrates an exemplary graph 500 of a suggested bid increase in percentage, along the vertical axis, for each bid value along the horizontal axis.

[0054] As shown by the graph 500, in this example, the suggestion to the user is to increment by 50%all the bids whose current bid value is lower than 20. It is also suggested to continue bidding the current amount for estimated bid values that are higher than 20. The suggested bid increase plot 500 advantageously shows the user how to allocate its extra budget. The plot 500 suggests an optimal allocation based on factors such as win rate increase and risk tolerance of the user.

[0055] In one embodiment, the Budget Allocation Module 210 includes an algorithm that performs the following steps:

[0056] (1) Calculate a bid improvement matrix I of dimensions n_bid_values x (n_increases+1) , where n_bid_values is the number of different bid values and n_increases is the number of constant bid increases that are computed (this is the same bid increase of the Bid increase effect on ROI estimation with confidence intervals module 206 and a default value of +0%) . The element in position [i, j] represents the win percentage increase if the i-th bid is increased by the j-th percentage. To deal with market volatility, such values are decreased by a quantity that depends on the standard deviation of the win increase percentages and the users market volatility resistance.

[0057] (2) Calculate the cost matrix C of dimensions n_bid_values x (n_increases+1) . The element in position [i, j] represents the cost of increasing all the bids with bid values equal to the i-th bid value of a quantity equal to the j-th percentage, that is C [i, j] = count (b_i) *b_i *percentage_j, where b_i is the i-th bid value.

[0058] (3) Find the best budget allocation suggestion by solving the following mixed linear integer program: min (-∑i, jX [i, j] *I [i, j] )

[0059] subject to

[0060] ∑i, jX [i, j] * C [i, j] ≤B (budget constraint)

[0061]

[0062] Where X [i, j] is “1” if the algorithm suggests to increase the i-th bid by the j-th percentage, and “0” otherwise.

[0063] The suggested allocation matrix X is decoded into a list of suggested bid increase, the suggestion curve is smoothed and the results outputted.

[0064] In one embodiment, the presentation of suggested bid results is part of the Variability estimates, results evaluation and presentation module 216. The module 216 is configured to allow the user to tune the input parameters and inspect both the suggested budget allocation and the estimated effects of the suggested budget allocation.

[0065] FIG. 6 illustrates one example of a user interface 600 incorporating aspects of the disclosed embodiments that is configured to allow the user to tune the input parameters in order to receive a suggested budget allocation. As will be generally understood, the user interface 600 can be presented on a display 108 of a device, such as the computing device 102 shown in FIG. 1.

[0066] As shown in FIG. 6, the user interface 600 includes a first control element 602 and a second control element 604. Although only two control elements are referred to herein, the aspects of the disclosed embodiments are not so limited. In alternate embodiments, the user interface 600 can include any suitable number of control elements to incorporate any suitable number of factors or parameters that are adjustable.

[0067] In the example of FIG. 6, the control elements 602, 604 are presented as sliders. A slider in a graphical user interface (GUI) is an interactive control element that allows users to adjust a variable or parameter within a predefined range. As shown in the example of FIG. 6, a slider can include a track 606. The track 606 is generally a horizontal or vertical line that represents the range of values the slider can adjust. The track may include markings or labels to indicate specific points or scales. In alternate embodiments, the track 606 can comprise any suitable line or shape, such as curved shape.

[0068] As shown in the example of FIG. 6, the user interface 600 also includes a movable element 608. The movable element 608 is configured so that the user can click and drag the movable element 608 along the track 606 to select or adjust a value. The position of the movable element 608 corresponds to the current value of the variable.

[0069] In one embodiment, the user interface 600 can also include a numeric or visual representation of the current value (s) selected by the control elements 602, 604. This will be described in more detail in conjunction with FIGs. 7-11. The visual representation of the current value selected by the control elements 602, 604, or the effects of the current value selected by the control elements 602, 604 can appear dynamically as the movable element 606 or respective control elements 602, 604 is moved.

[0070] While a slider mechanism is illustrated in FIG. 6, the aspects of the disclosed embodiments are not so limited. In alternate embodiments, any suitable control element can be used, other than including a slider, that responds to user inputs, typically via mouse drag, touch gestures, or keyboard navigation (e.g., arrow keys) . For example, in one embodiment, a control knob or dial can be used.

[0071] In one embodiment, the control element 602 is configured to allow the user to modify the extra budget size. This can be programmed as a percentage of the current bidding budget, or modified to display absolute quantities.

[0072] The second control element 604 is generally configured to allow the user to select a minimum result confidence, or winning probability. The functionality of the control elements 602, 604 will be described further below.

[0073] FIG. 7 illustrates one example of an exemplary user interface 700 incorporating aspects of the disclosed embodiment. In this example, the user interface includes control elements 702, 704, plots 706, 708 and a table 710. The user interface 700 can be presented on a display of the computing device that is configured to execute the calculations, such as the computing device 102. For example, the win rate estimations can be presented on the user interface. In one embodiment, user interface 700 is configured to present the suggested values, which can be presented on an interface or display of a user device, which may be separate from the computing device.

[0074] In this example, control element 702 is configured to allow the budget to be changed. As shown in FIG. 7, in this example, the control element 702 is configured to increase the budget from a lower limit of 5%to and including an upper limit of 40%.

[0075] The control element 704 in the example of FIG. 7 is configured to adjust the minimum confidence of winning probability estimation. In this example, the estimation can be adjusted from a lower limit of 0%to an upper limit of 95%. In alternate embodiments, the limits for the control elements 702 and 704 can be any suitable limits.

[0076] Plot 706 illustrates the suggested bid increase percentage for each bid value. The plot 706 takes into account the relative positions and selections of the control elements 702, 704.

[0077] Plot 708 is configured to display the win probability, and its confidence intervals, in the expected scenario. Line 710 illustrates the result when there is no increase in any bid. Line 712 illustrates the result when the suggested bid increase is implemented.

[0078] In one embodiment, table 714 can be used to summarize the information from both plot 710 and 712. In this example, the first column of table 714 includes information on the original bid value. The second column includes information on the suggested new bid value. The third column includes information on the expected win probability increase.

[0079] FIGs. 8 and 9 illustrate the effects of actioning the control element 602, which in this example is the budget increase control element. The budget increase control element is configured to affect the amount of resources that the Extra budget allocation module 210 of FIG. 2 allocates across all bid values. In one embodiment, this is done by comparing two scenarios: one in which the user sets a low budget increase, such as 5%as illustrated in FIG. 8, and another for which the user allocates a higher extra budget, such as 40%, as illustrated in FIG. 9.

[0080] In the example of FIG. 8, with a budget increase of 5%, it is only suggested to increase a few bid values. As shown in plot 802, the suggested bid increase only applies to values below 10 and above 90. However, increasing the budget can result in suggestions to increase the bid value for more bids.

[0081] As is illustrated in the example of FIG. 9, the control element 602 is adjusted to the left to the “40%” limit. Plot 902 illustrates that there are more suggested bid increases for bid values, such as for bid values between 0 and 40.

[0082] In the examples of FIGs. 10 and 11, the control element 602 for the budget increase is kept constant, while the control element 604, the minimum result confidence slider, is adjusted. The minimum result confidence slider 604 affects the user’s market volatility resistance that the Budget Allocation Module 210 of FIG. 2 has to consider to allocate the resources across riskier, i.e. more volatile, or safer, i.e. less volatile, bid values.

[0083] In the example of FIG. 10, the control element 604 is set to a low minimum result confidence, which in this example is 0%. In the example of FIG. 11, the control element 604 is set to a higher threshold, which in this example is 75%.

[0084] As shown in FIG. 10, without minimum result confidence constraints, control element 604 sent to 0%, it is suggested to allocate the additional budget on highly volatile bid values and less volatile bid values. Highly volatile bid values are generally those with a large confidence interval, such as for bid values higher than 80. Less volatile bid values are generally those with a smaller confidence interval, such as for bid values lower than 20 in the example of FIG. 10.

[0085] Referring to FIG. 11, the control element 604 is set to the higher threshold of 75%. With this higher threshold, which means lower market volatility tolerance, the suggested allocation is to allocate the additional budget only on less volatile bids, as it has to ensure that with a 75%threshold, if the market follows the historical data trends, the user will be able to observe an increase in win probability (for the increased bids) despite the market volatility.

[0086] FIG. 12 illustrates on example of a process 1200 incorporating aspects of the disclosed embodiments. In this example, Ad Exchange (ADX) auctions data and Demand Side Platform (DSP) auctions data is collected 1202. Market volatility is assessed 1204 and a win probability is estimated 1206 using the collected data. A bid suggestion is determined 1208 and the bid suggestions are presented 1210.

[0087] Based on user input, in one embodiment, the bid suggestions can be updated 1212. For example, bidding recommendations can be adjusted based on user-defined risk propensity. This empowers users to select between higher risk / higher reward or lower risk / lower reward strategies, improving control.

[0088] The aspects of the disclosed embodiments also enable suggestions to the user as to which bid values to reduce without impacting the overall win percentage. In this example, the Bid Increase Effect on ROI Estimation module can be configured to infer win probability shifts with a constant decrease in bidding, instead of a constant bid increase.

[0089] The Budget Allocation module 210 in this example can be configured to input a negative budget increase. In this way the aspects of the disclosed embodiments will suggest budget cuts across the bid values by continuing to maximize the overall win probability.

[0090] The aspects of the disclosed embodiments quantify and present estimation risk for bid increase suggestions in volatile markets. This improves decision-making by providing upper and lower bounds on ROI, ensuring better management in uncertain conditions.

[0091] The aspects of the disclosed embodiments provide bid increase suggestions that consider both budget constraints and user risk tolerance simultaneously. This ensures personalized recommendations that align with the user’s financial limits and risk preferences.

[0092] The additional budget allocation suggestions of the disclosed embodiments factor in market volatility and offer statistical guarantees based on risk tolerance and historical data. This provides users with reliable ROI improvement even in volatile markets, with a clear probability of achieving desired results.

[0093] Thus, while there have been shown, described, and pointed out, fundamental novel features of the invention as applied to the exemplary embodiments thereof, it will be understood that various omissions, substitutions and changes in the form and details of devices and methods illustrated, and in their operation, may be made by those skilled in the art without departing from the spirit and scope of the presently disclosed invention. Further, it is expressly intended that all combinations of those elements, which perform substantially the same function in substantially the same way to achieve the same results, are within the scope of the invention. Moreover, it should be recognized that structures and / or elements shown and / or described in connection with any disclosed form or embodiment of the invention may be incorporated in any other disclosed or described or suggested form or embodiment as a general matter of design choice. It is the intention, therefore, to be limited only as indicated by the scope of the claims appended hereto.

Claims

1.An apparatus (100) , comprising:one or more processors (104) coupled to one or more memory devices (106) configured to store machine-readable instructions that, when executed by a computing device (102) , are configured cause the computing device (102) to optimize an auction bid by:collecting data on current bid amounts, auction outcomes, and performance metrics;assessing market volatility and estimating an auction win probability for various bid levels based on the collected data and assessed market volatility;determining a bid suggestion based on the auction win probability, a specified budget and a risk tolerance level; andgenerate, on a display of the computing device (102) , suggested bid change percentages for an initial bid value in the online auction bid system based on a risk tolerance and highest bid change return on investment estimation of the bid suggestion.2.The apparatus (100) according to claim 1, wherein execution of the machine readable instructions by the computing device (102) is further configured to cause the computing device (102) to:simulate a bid change scenario, where the initial bid value is changed by one or more percentage values;determine the auction win probability for each changed bid value based on a proportion of changed bid values that exceed market prices; andgenerate the bid change return on investment estimation from the auction win probability for each changed bid value.3.The apparatus (100) according to claim 1 or claim 2, wherein execution of the machine readable instructions by the computing device (102) is further configured to cause the computing device (102) to:determine a number of auctions won when a changed bid value on an auction is less than a market price for the auction;determine a number of auctions lost when a changed bid value on an auction is higher than a market price for the auction;compare the determined number of auctions won to the number of auctions lost; andadjust the auction win probability percentage value based on the comparison.4.The apparatus (100) according to any one of the preceding claims, wherein execution of the machine readable instructions by the computing device (102) is further configured to cause the computing device (102) to:process consecutive chunks of ad exchange data (ADX) and demand side platform data (DSP) ;estimate an auction win rate percentage and bid count per bid value across each chunk;aggregate the estimate across each chunk to calculate a mean bid change effect and a standard deviation of the mean bid change effect across all chunks;calculate an average bid value change effect for each changed bid value;calculate a standard deviation of bid value change effects for each changed bid value; andupdate the suggested bid change percentage based on the calculated mean bid change effect, the standard deviation of the mean bid change effect and the standard deviation of the bid value change effects.5.The apparatus (100) according to any one of the preceding claims, wherein execution of the machine-readable instructions by the computing device (102) is further configured to cause the computing device (102) to:apply the one or more percentage values incrementally and generate multiple bid scenarios for the initial bid value.6.The apparatus (100) according to any one of the preceding claims, wherein execution of the machine-readable instructions by the computing device (102) is further configured to cause the computing device (102) to:provide a first adjustable object on the display, the first adjustable object configured to enable adjustment of a value of an auction bidding budget for a plurality of bid values;provide a second adjustable object on the display, the second adjustable object configured to enable a value of tolerance to market volatility for the plurality of bid values;generate a first plot indicating the suggested bid change percentage for the plurality of bid values based on the value of the auction bidding budget and the value of tolerance to market volatility.7.The apparatus (100) according to claim 6, wherein execution of the machine-readable instructions by the computing device (102) is further configured to cause the computing device (102) to generate a second plot indicating a bid increment amount, and a corresponding new bid value.8.The apparatus (100) according to claim 6, wherein execution of the machine-readable instructions by the computing device (102) is further configured to cause the computing device (102) to:generate a second plot indicating a win probability for the initial bid value and a win probability for a bid value corresponding to the suggested bid change percentage.9.A method (10) , comprising:optimizing a bid in an online auction bid system by:collecting (12) data on current bid amounts, auction outcomes, and performance metrics;assessing (14) market volatility and estimating (16) a win probability for various bid levels based on the collected data and assessed market volatility;determining (18) a bid suggestion based on the win probability, a specified budget and a risk tolerance level; andgenerating (20) suggested bid change percentages for an initial bid value in the online auction bid system based on a highest bid change return on investment estimation of the bid suggestion.10.The method of claim 9, further comprising updating (22) suggested bid change percentages based on real-time changes in market conditions and auction dynamics.11.A computer program product, comprising:a non-transitory computer-readable medium having stored thereon machine-readable instructions that, when executed by a processor, cause the processor to execute the method according to claim 9.

Images