Nasz algorytm umożliwił precyzyjne przewidywanie działań użytkowników, co jest kluczowym składnikiem technologii RTB House.

Dla danego użytkownika i produktu musieliśmy przewidzieć prawdopodobieństwo, że użytkownik kliknie dany produkt. Nasza praca polegała na testowaniu różnych modeli, w tym sieci neuronowych, wzmocnienia gradientowego, lasów losowych, maszyn do faktoryzacji oraz różnego rodzaju regresji. Zastosowaliśmy wiele technik, takich jak funkcje związane z knn uzyskane za pomocą LSH (Locality Sensitive Hashing).

Nasza regresja LSH jest dostępna jako open source w bibliotece algorytmów aproksymacyjnych. Rozwiązanie powstało poprzez weryfikację różnych hipotez i testowanie wielu różnych pomysłów.

Wdrożenie modelu spowodowało wzrost przychodów o 14,2%, przy takim samym procencie marży brutto, oraz zmniejszenie wymaganej ilości potrzebnych zasobów.

Współpraca przyczyniła się do gwałtownego rozwoju firmy RTB House i globalnego sukcesu na rynku reklamy on-line.