A rápida popularização do acesso a Internet desde a década de 90 atraiu cada vez mais pessoas para a utilização da rede. Com o aumento deste público, naturalmente surgiu o interesse pela exibição de material publicitário nas páginas hospedadas. Semelhantemente ao que já acontecia em outras mídias (e.g. jornais, revistas, TV, rádio), a exibição de publicidade consolidou-se como uma das principais fontes de renda dos publicadores de conteúdo. Em certo sentido, foi a publicidade que nanciou grande parte do desenvolvimento da Internet, pois permitiu que conteúdo e serviços cada vez mais sosticados fossem oferecidos gratuitamente para os usuários. Desde seu início, a publicidade computacional tem acompanhado o crescimento da própria Internet, e hoje é um mercado multibilionário. Um dos grandes fatores para tamanho sucesso foi a personalização dos anúncios exibidos com base no conteúdo da página e dos interesses do usuário, o que criou um ecossistema favorável não somente aos interesses de anunciantes e publicadores, mas também, e principalmente, do usuário. São inúmeros os modelos de publicidade computacional, variando desde o formato visual até o modelo de cobrança. Sabe-se, no entanto, que quanto melhor a contextualização do anúncio com os interesses do usuário maiores são as chances atrair sua atenção e, portanto, de gerar receita. A escolha dos anúncios a serem exibidos é modelada por um problema de ordenação por relevância que contempla inúmeras variáveis de contexto, por exemplo: a semelhança com a página, o desempenho histórico do anúncio, o valor de receita a ser gerado, o modelo de pagamento escolhido, os dados do usuário, seu padrão de navegação, etc. Muitos trabalhos cientícos já foram publicados nesta área explorando separadamente cada um das variáveis envolvidas, mas há ainda uma lacuna de entendimento sobre como ela se comportam quando combinadas. Esta lacuna precisa ser preenchida, pois muitas vezes a denição da regra de ordenação é feita por especialistas de domínio, que precisam entender como combinar as variáveis de modo a obter um melhor desempenho dos sistemas de publicidade. Nosso trabalho estuda o problema de ordenação de anúncios e propõe uma análise dessas variáveis de ordenação baseada em técnicas estatísticas aplicadas: teste A/B e análise de componentes principais. Ela fornece ao especialista de domínio insumos essenciais para compreensão dos pontos fortes e fracos de seu sistema de publicidade, indicando caminhos para evolução do mesmo. Para aferir a validade de nossa proposta, realizamos um experimento em ambiente real e apresentamos as conclusões obtidas. Apresentamos também algumas das análises extras realizadas como desdobramentos de nossa proposta inicial.

The rapid popularization of the Internet access since the 90s attracted increasingly more people to use the network. Due to this increased public, an interest naturally grew by the display of advertising material on hosted web pages. Similar to what was already happening in other media (e.g. newspapers, magazines, TV, radio), display ads established itself as a major source of income for online content providers. Somehow, it was the advertising that funded much of the Internet development, enabling providers to build increasingly sophisticated content and services free of charge to the end user. Since its inception, computational advertising followed the Internet's growth itself, and is now a multibillion-dollar market. One of the major factors for such success was the customization of displayed ads based on page content and user interests, which created a favorable ecosystem not only to the interests of advertisers and publishers, but also and mainly, to the user. There are countless computational advertising designs, ranging from the visual format to the billing model. It's a known fact, however, that the better the matching between the ad's content and user's interest greater the odds of cathing his attention and, therefore, making prot. Choosing which ads to show is modeled by a relevance ranking problem including many context variables, for instance: page textual similarity, ad historical performance, revenue generation, payment mo- del, user data, his browsing patterns, etc. Many papers have already been published in this eld exploring each one of the involved variables separately, but there is still a lack of understanding of how they behave when combined. This needs to be overcome, for in many many cases the ranking formula is handcrafted by domain experts, who needs to understand the better way to combine all the dierent variables so as to obtain the most performance of theirs advertising systems. Our work studies the ad ranking problem and proposes an analysis on the ranking variables based on applied statistical techniques, such as A/B testing and principal component analysis. The analysis provides the domain expert with valuable insights for understanding strengths and weaknesses of the advertising system, pointing paths to evolve it. We assess the proposal's validity running online experiments on a real environment and present obtained conclusions. We also present some extra analysis executed as outspread of our initial proposal.