Best of Both Worlds Ad Contracts: Guaranteed Allocation and Price with Programmatic Efficiency
Notice bibliographique
Résumé
Buying display ad impressions via real-time auctions comes with significant allocation and price uncertainties. We design and analyze a contract that mitigates this uncertainty risk by providing guaranteed allocation and prices while maintaining the efficiency of buying in an auction. We study how risk aversion affects the desire for guarantees and how to price a guaranteed allocation. We propose to augment the traditional auction with a programmatic purchase option (which we call a Market-Maker contract) that removes allocation and price uncertainties. Instead of participating in the auction, advertisers can secure impressions in advance at a fixed premium price offered by the Market-Maker. It is then the responsibility of the Market-Maker to procure these impressions by bidding in the auction. We model buyers as risk-averse agents and analyze the equilibrium outcome when buyers face two purchase options (auction and Market-Maker contract). We derive analytical expressions for the Market-Maker price that reveal insightful relationships with uncertainties in the auction price and buyers’ risk levels. We also show the existence of a Market-Maker price that simultaneously improves the seller’s revenue and the sum of buyers’ utilities. As a building block to our analysis, we establish the truthfulness of the multiunit auction when buyers have nonquasilinear utilities because of risk aversion. Recently, the Google’s Display & Video 360 platform started offering a product akin to Market-Maker called “Guaranteed Packages,” which was inspired by this paper. This paper was accepted by Gabriel Weintraub, revenue management and market analytics. Funding: The authors thank Google Research for its generous support.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».