Adobe Advertising Creative Management – Dynamic Creative Optimization (DCO) kombiniert regelbasiertes Targeting mit maschinellem Lernen, um personalisierte Anzeigen aus mehr als 10.000 Produktkatalogen in weniger als 25 ms zu rendern und durch eine zweistufige Architektur Leistungsverbesserungen von 20–40 % zu erzielen.

Einführung

Stellen Sie sich vor, Sie surfen online und sehen eine Anzeige für genau das Produkt, das Sie interessiert – nicht zufällig, sondern perfekt auf Sie zugeschnitten. Hinter dieser scheinbar einfachen Anzeige verbirgt sich ein ausgeklügeltes zweistufiges System, das regelbasiertes Targeting mit maschinellem Lernen kombiniert, um personalisierte Anzeigen in weniger als 25 Millisekunden bereitzustellen.

Adobe Advertising Creative Management ermöglicht es Advertisern, Anzeigen kanalübergreifend zu erstellen, zu verwalten und zu optimieren. Es unterstützt standardmäßige statische Kreativinhalte, dynamische Feed-/Katalog-Anzeigen mit Targeting, Rotationsmethoden und Leistungsoptimierung.

Dynamic Creative Optimization (DCO) ist eine Kernfunktion in Creative Management, die die Echtzeit-Personalisierung für dynamische Anzeigen ermöglicht. Während Creative Management das Setup von Kreativinhalten, Katalog-Uploads und die Erlebniskonfiguration übernimmt, führt DCO im Hintergrund beim Rendern der Anzeige die Echtzeit-Entscheidungs-Engine aus, die das optimale, gemäß den Benutzereinstellungen zugeschnittene Produkt auswählt. Dieses zweistufige System – das deterministische Targeting-Regeln mit der Optimierung des maschinellen Lernens kombiniert – stellt sicher, dass Advertiser umfangreiche Produktkataloge nutzen können, während die Geschwindigkeit und Skalierbarkeit beibehalten werden, die für die programmgesteuerte Werbung erforderlich sind. DCO wandelt statische Vorlagen für Kreativinhalte in personalisierte, kontextbezogene Anzeigen um, die sich in Echtzeit an den Standort und die Vorlieben der Benutzenden anpassen.

Dies ist Dynamic Creative Optimization (DCO) – eine produktionsbereite Architektur, die täglich Millionen von Entscheidungen verarbeitet und dabei kontinuierlich lernt, was am besten funktioniert.

_{Abb. 1: Vom Bid-Win über Targeting, Produktauswahl, ML-Optimierung bis hin zum endgültigen Anzeigen-Rendering.}

Abb. 2: End-to-End-Workflow zur Optimierung von Kreativinhalten

Die Herausforderung

Für die Bereitstellung personalisierter Anzeigen im benötigten Umfang müssen vier Einschränkungen gleichzeitig beseitigt werden:

• Umfang: Verarbeiten Sie Kataloge mit mehr als 10.000 Produkten pro Advertiser

• Geschwindigkeit: Treffen Sie innerhalb von weniger als 25 Millisekunden eine Entscheidung für jede Anzeigenanfrage

• Relevanz: Passen Sie die Anzeigen an den Benutzerkontext an (Standort, Interessen, Gerät)

• Optimierung: Lernen Sie und verbessern Sie sich kontinuierlich anhand des realen Benutzerverhaltens

Herkömmliche Ansätze bleiben hinter den Erfordernissen zurück. Die Zufallsauswahl liefert eine geringe Relevanz. Das sequenzielle Scannen von Tausenden von Produkten ist zu langsam. Statische Bewertungsregeln können nicht lernen, was zu Konversionen führt. Und reines maschinelles Lernen ohne Geschäftslogik kann irrelevante Anzeigen schalten oder gegen Kampagnenbeschränkungen verstoßen.

Arten von Kreativinhalten: Standard und dynamisch

Bevor Sie sich mit dem Targeting-System befassen, müssen Sie die beiden Haupttypen von Kreativinhalten verstehen

Standard-Kreativinhalte

Standard-Kreativinhalte sind statische Anzeigen mit vordefiniertem, festem Content. Die Kreativ-Assets (Bilder, Texte, Call-to-Action) werden einmal hochgeladen und bleiben unabhängig von den Betrachtenden unverändert.

• Anwendungsfall: Markenwahrnehmungs- und Abonnementaktionen, bei denen keine Personalisierung erforderlich ist.

• Beispiel: Ein Adobe Creative Cloud-Banner, das Funktionen wie „Aus Briefings Brillanz machen“ oder „Kundinnen und Kunden wünschen sich mehr Optionen“ hervorhebt und vorgefertigte Anzeigenvorlagen und Kreativ-Tools mit festem Layout und Messaging zeigt, die allen berechtigten Benutzenden identisch angezeigt werden.

• Optimization: ML optimiert,  welcher  statische Kreativinhalt am besten funktioniert, aber der Inhalt selbst ändert sich nicht abhängig nach Benutzer bzw. Benutzerin.

Abb. 3: Beispiele für Varianten statischer Kreativinhalte

Dynamische Kreativinhalte

Dynamische Kreativinhalte sind vorlagenbasierte Anzeigen die Echtzeit-Produktinformationen aus einem Katalog-Feed abrufen. Die Vorlage definiert das Layout, während Produktdaten (Bild, Titel, Preis, Beschreibung) zum Zeitpunkt der Bereitstellung auf der Grundlage des Benutzerkontexts eingefügt werden.

• Anwendungsfall: Einzelhandel, Reisen, Automobilbranche – alle Advertiser mit einem großen Produktkatalog, die allen Benutzenden relevante Produkte zeigen möchten.

• Beispiel: Benutzende in Kalifornien, die nach Elektronikartikeln suchen, sehen eine dynamische Anzeige für einen Laptop, der in ihrer Region für 999 $ erhältlich ist, während Benutzende in New York aufgrund ihres Browser-Verlaufs ein anderes Produkt angezeigt bekommen.

• Optimierung: ML optimiert die Kombination aus Produkt × Kreativvorlage, wobei sowohl das beste Produkt als auch die beste visuelle Abwandlung für diesen Benutzer bzw. diese Benutzerin ausgewählt wird.

Kreativinhalt-Gruppe und AdThemes

In Adobe Advertising Creative werden Kampagnen in Erlebnissen organisiert. Ein zielgerichtetes Erlebnis kann einen Entscheidungsbaum nutzen: Jede Verzweigung wendet Zielgruppenregeln (Geografie, Gerät, Segment usw.) an und der endgültige Blattknoten in dieser Baumstruktur wird in diesem Artikel als AdTheme bezeichnet – ein bestimmter Zielgruppenpfad mit angehängten Kreativinhalten.

Eine Kreativinhalt-Gruppe ist die Sammlung von Kreativinhalten (Standard oder dynamisch), die mit einem AdTheme verknüpft sind. Sobald Stufe 1 ein AdTheme für die aktuelle Anfrage auswählt, muss das System noch entscheiden, welcher Kreativinhalt aus dieser Kreativinhalt-Gruppe angezeigt werden soll. Diese Auswahl wird durch die Rotationsmethode gesteuert, die in der Benutzeroberfläche konfiguriert ist:

Algorithmusbasiert (Algo)

Verwendet maschinelles Lernen – insbesondere Thompson Sampling –, um automatisch die Kreativinhalte mit der besten Leistung auszuwählen. Das System verfolgt Erfolgsmetriken (Klicks, Konversionen) für jeden Kreativinhalt und bevorzugt zunehmend Gewinner, während es weiterhin Alternativen untersucht. Dies ist die empfohlene Methode zur Maximierung der Kampagnenleistung.

Gewichtet

Verteilt Impressions entsprechend den vom Advertiser definierten Prozentsätzen auf die verschiedenen Kreativinhalte. Ein Advertiser könnte beispielsweise 70 % der Impressions für Kreativinhalt A (die Hauptbotschaft) und 30 % für Kreativinhalt B (eine Testvariante) konfigurieren. Nützlich für kontrollierte A/B-Tests oder wenn eine bestimmte Traffic-Zuordnung erforderlich ist.

Sequenziell

Rotiert in einer festgelegten Reihenfolge durch die Kreativinhalte und durchläuft jeden Kreativinhalt, bevor er wiederholt wird. Stellt eine gleichmäßige Verteilung im Zeitverlauf sicher und ist nützlich für Kampagnen, in denen alle Kreativinhalte gleichermaßen gezeigt werden müssen.

Zufällig

Wählt bei jeder Anfrage zufällig mit gleicher Wahrscheinlichkeit aus den verfügbaren Kreativinhalten aus. Einfach, aber ohne Lern- oder Optimierungsfunktion – nützlich für Grundlagentests oder wenn echte Randomisierung gewünscht wird. Stufe 1: Targeting und AdTheme-Auswahl

Zweck: Suche nach der richtigen Kreativinhalt-Gruppe (AdTheme). Dies geschieht bei allen Anzeigentypen: Standard, dynamisch und Video.

Stufe 1: Targeting und AdTheme-Auswahl

Zweck: Suche nach der richtigen Kreativinhalt-Gruppe (AdTheme). Dies geschieht bei allen Anzeigentypen: Standard, dynamisch und Video.

Zwei Targeting-Ansätze

1. Entscheidungsbaum-Targeting

Advertiser können mehrere Targeting-Ebenen in Form eines Entscheidungsbaumerlebnisses einrichten und jeder Verzweigung des Baums Kreativinhalte zuweisen. Ein Erlebnis verfügt über ein Anzeigen-Tag, das Advertiser in jeder Demand-Side-Plattform (DSP) verwenden können

Funktionsweise

Wertet mehrere Kriterien gleichzeitig aus und bildet eine Schnittmenge. Das System verwaltet für jede Targeting-Dimension separate Indizes:

• Geografisch: Land, Region/Bundesland, Stadt, Postleitzahl, DMA

• Gerät: Gerätetyp, Browser, Betriebssystem

• Datenübergabe: Benutzerdefinierte Parameter (t1–t5)

• Profil: Benutzerattribute (ut1–ut5)

• Segmente: Behavioral Targeting

• Anzeigenplanung: Datums-/Uhrzeitbereiche

2. Tag-basiertes Targeting

Benutzende können ein Erlebnis einrichten, das kein Entscheidungsbaum ist und mit verschiedenen Tags funktioniert, die für Anzeigengrößen eingerichtet werden.

Wenn die Anfrage „tag='4'“ enthält, ruft das System direkt das mit Tag 4 verknüpfte AdTheme ab. Schneller, aber weniger flexibel als Entscheidungsbäume.

Bewertung: Additives Modell

Nachdem die Schnittmenge übereinstimmende AdThemes identifiziert hat, wird bei der Bewertung ein additives Modell verwendet:

Beispiel:

Abb. 4: Targeting-Fluss für Stufe 1 – Entscheidungsbaum- oder Tag-basiertes Targeting fließt in die additive Bewertung ein, um das erfolgreichste AdTheme für die Anfrage auszuwählen

Für dynamische Anzeigen: Produktauswahlebene

Wichtig: Die Produktauswahl erfolgt NUR für dynamische Anzeigen. Bei Standardanzeigen wird diese Ebene übersprungen.

Abb. 5: Die vier Säulen von DCO – Targeting, Bewertung, Produktauswahl und Optimierung des maschinellen Lernens arbeiten in Echtzeit zusammen

Produktkatalogdateien (MUP-Dateien)

Advertiser laden Produkt-Feeds hoch (UTF-8, durch Tabulatoren getrennt). Jede Zeile stellt ein Produkt dar und enthält Folgendes: Produkt-ID, Titel, Beschreibung, Preis, Bild-URLs, Kategorie, Marke, Anbieter, geografische Verfügbarkeit und benutzerdefinierte Targeting-Felder.

Example feed rows:
739072 | Adobe.xlsx | 0.00 | 129725 | US | 728x90 | 2298599,2229418 | Try Acrobat AI Assistant.
739073 | Adobe.xlsx | 0.00 | 129726 | FR | 728x90 | 2298597,2229412 | Essayez l'assistant AI d'Acrobat.
739074 | Adobe.xlsx | 0.00 | 129727 | JA | 728x90 | 2298598,2229414 | アシスタントを試してみましょう
739075 | Adobe.xlsx | 0.00 | 129727 | US | 728x90 | 2298611,2229600 | Keep your PDFs secure,starting today.
..........

Vom Feed zu Indizes: Offline-Pipeline

1. Feed-Parsing: Parsen von Zeilen in einfache Produkt-Handles (Ausgangswert = 1,0).

2. Indexkonfiguration: Welche Spalten zu Indizes werden, wird durch die Konfiguration gesteuert (Eigenschaftendatei).

3. Erstellung invertierter Indizes: Für jede konfigurierte Spalte wird ein invertierter Index erstellt, häufig mithilfe komprimierter Bitmaps.

4. Serialisierung und Hot-Loading: Serialisieren von Binärindizes und Hot-Swap in Serving-Pods mit atomischen Aktualisierungen.

Produktauswahlprozess

Schritt 1 – Indexbasierte Filterung: Abrufen von Produktsätzen pro Kriterium (Land, Kategorie, Segment).

Schritt 2 – Multiplikative Bewertung (im Unterschied zu Stufe 1):

Beispieltabelle:

Abb. 6: Variante 1 – Das Produkt mit dem höchsten Rang nach indexbasierter Filterung und multiplikativer Bewertung. Dies ist das ausgewählte Produkt.

Abb. 7: Variante 2 – ein geeignetes dynamisches Anzeigenprodukt, das das Targeting besteht, aber einen niedrigeren Endwert erhält

Abb. 8: Variante 3 – ein weiteres qualifiziertes Produkt, das zum Vergleich beibehalten, aber nicht ausgewählt wurde

Kumulativer Hinweis: Diese Zahlen (Abb. 6–8) stellen drei Varianten derselben dynamischen Anzeige dar, die aus verschiedenen Zeilen des Produkt-Feeds abgeleitet wurden. Alle Varianten erfüllen die Targeting- und Bewertungsbeschränkungen, aber nur die Variante mit der höchsten Bewertung wird ausgewählt und der Kreativinhalt-Vorlage zugeordnet.

Schritt 3 – Top-N-Auswahl: Gibt die Top-N-Produkte zurück (z. B. die Top 200). Gleichstände beim Cutoff sind aus Gründen der Fairness enthalten.

Schritt 4 – Endprodukt: Algorithmus für die Optimierung von Kreativinhalten nach der Erstellung. Das Endprodukt wird zurückgegeben und der Vorlage zugeordnet.

Leistungsoptimierung: Erreichen von <25 milliseconds

Verschiedene technische Verfahren ermöglichen das Ziel von <25 ms:

1. Datenlokalität

• Vorladen von Indizes in den Pod-Speicher beim Start

• Zwischenspeichern von Produktdetails für häufig aufgerufene Elemente

• Hot-Loading für Updates ohne Ausfallzeiten

2. Kompakte Datenstrukturen

• Komprimierte Bitmaps für Handlesets

• Wörterbuch-Indirektion zur Vermeidung von String-Duplizierung

• Effiziente Set-Vorgänge

3. Ergebnis-Caching

• Memoisierung von Ergebnissen für wiederholte Muster

• Ungültigmachen von Feed-Änderungen

• TTL-basierte Gültigkeit

4. Begrenzte Kandidaten-Sets

• Begrenzen der Top-N, um ML schnell zu halten (10–50 Produkte pro Kreativinhalt)

• Ausführen von ML nur für auswählbare Teilmenge

• Parallelisierung von Statussuchen und Abrufen von Produktdetails

5. Atomindex-Swaps

• Unterstützung atomarer Updates ohne Ausfallzeiten

• Optimiert für große Batches; Rollback-Funktion

Abb. 9: In-Memory-Indizes, kompakte Datenstrukturen und Caching-Strategien, die eine Entscheidungslatenz von unter 25 ms ermöglichen

Stufe 2: ML-Optimierung

Zweck: Intelligente Auswahl aus den Spitzenkandidaten. ML wird für alle Anzeigentypen ausgeführt, arbeitet aber mit verschiedenen „Armen“:

• Standardanzeigen: „Arme“ = statische Kreativinhalte

• Dynamische Anzeigen: „Arme“ = Produkt × Kreativinhalt-Paare

• Video-Anzeigen: „Arme“ = Video-Kreativinhalte

Wann wird ML ausgeführt?

ML wird ausgeführt, wenn mehrere konkurrierende Optionen zur Verfügung stehen oder wenn Exploration erforderlich ist.

Szenario A – Klarer Gewinner (kein ML):

After Tier 1: AdTheme A = 1.8, AdTheme B = 1.2→ AdTheme A clear winner => no ML needed => decision in <5ms

Szenario B – Gleichstände/Wettbewerbsoptionen (ML entscheidet):

Thompson Sampling: die ML-Engine

1. Abrufen historischer Erfolgs-/Fehlerzahlen für jede Variante

2. Beispiel aus Beta-Distributionen (eine pro Variante)

3. Auswählen der Variante mit der höchsten Stichprobenwahrscheinlichkeit

Warum Thompson Sampling? Funktioniert mit täglichen Batch-Aktualisierungen, gleicht Exploration und Exploitation auf natürliche Weise aus, wird schnell ausgeführt und zeigt eine Verbesserung von 20–40 % gegenüber einer naiven Auswahl.

Abb. 10: Thompson Sampling in DCO – Geeignete Arme und Leistungsstatistiken pro Arm speisen die Bandit-Engine, die den besten Kreativinhalt oder das beste Produkt × Kreativinhalt für die aktuelle Anfrage auswählt

Informationen zu „Armen“ bei einem Multi-Armed-Bandit

Der Begriff „Arm“ stammt aus dem Bereich der Spielautomaten (einarmige Banditen). In DCO:

• Standardanzeigen – Arme = statische Kreativinhalte (Beispiel: 5 Kreativinhalte = 5 Arme)

• Dynamische Anzeigen – Arme = Produkt × Kreativinhalt-Paare (Beispiel: 3 Kreativinhalte × 10 Produkte = 30 Arme)

Warum kontextbezogene Arme wichtig sind: Der Satz der Arme kann sich basierend auf dem Anfragekontext ändern (Standort, Verfügbarkeit). ML-Beispiele nur aus den derzeit zulässigen Armen, wodurch eine dynamische Anpassung ohne Vorabberechnung aller Kombinationen ermöglicht wird.

Vollständiger Ablauf: Anfrage zu Antwort

Bei Standardanzeigen ist der Ablauf direkt: Auf Stufe 1 wird ein AdTheme basierend auf Targeting-Regeln ausgewählt. Anschließend wählt die ML bei Stufe 1 mithilfe von Thompson Sampling den besten Kreativinhalt aus dieser Gruppe aus. Bei dynamischen Anzeigen filtert und bewertet eine zusätzliche Ebene Produkte, bevor ML das Endprodukt × Kreativinhalt-Kombination bestimmt. In beiden Fällen wird die gesamte Entscheidungs-Pipeline in unter 25 Millisekunden abgeschlossen

Abb. 11: Standard-Anzeigenanfrage-Ablauf – Targeting und ML-Auswahl des besten statischen Kreativinhalts

Abb. 12: Dynamischer Anzeigenanfrageablauf – umfasst die Produktauswahl vor ML-Optimierung und dem Rendering.

Über Werbung hinaus: universelle Anwendungen

Das zweistufige Muster (Targeting + ML) gilt auch außerhalb der Werbung:

1. Inhaltsempfehlungen – Filtern nach Bewertung/Verfügbarkeit; ML optimiert die Interaktion.

2. E-Commerce-Such-Ranking – Filtern nach Bestand/Preis; ML optimiert die Konversion.

3. E-Mail-Kampagnenoptimierung – Erzwingen von Voreinstellungen; ML wählt Betreff/Zeit aus.

4. Abgleich klinischer Studien – Erzwingen der Gültigkeit; ML optimiert den Registrierungserfolg.

Das Muster: Targeting → Bewertung → Optimierung.

Warum diese Architektur funktioniert

Nur Targeting + Regeln: Schnell und deterministisch, kann aber nach dem Zufallsprinzip unterbrochen werden.

Nur ML: Kann lernen, aber möglicherweise gegen die Geschäftslogik verstoßen und ohne Beschneiden langsam konvergieren.

Targeting + Regeln + ML: Das Beste aus beiden Welten – erzwungene Geschäftslogik, Relevanzbewertung und ML für kontinuierliche Verbesserung. Typische Vorteile: <25 ms Latenz und 20–40 % Leistungsverbesserung gegenüber naiven Baselines.

Wichtigste Erkenntnisse

1. Zweistufiges System: Zuerst Targeting/Bewertung (schnell, deterministisch), dann ML-Optimierung (adaptives Lernen).

2. Unterschiedliche Bewertung: Additiv für die AdTheme-Auswahl; multiplikativ für die Produktauswahl.

3. Dynamisch = Zusätzliche Ebene: Dynamische Anzeigen fügen eine Produktauswahl zwischen der AdTheme-Auswahl und ML hinzu.

4. ML für alle Typen: Thompson Sampling funktioniert für Standard-, dynamische und Video-Anzeigen – nur die Arme unterscheiden sich.

5. Echtzeit-Skalierung: Millionen von Entscheidungen pro Tag mit <25 ms pro Anfrage.

Zusammenfassung

Dynamic Creative Optimization ist ein leistungsstarkes Architekturmuster, das Folgendes kombiniert:

• Stufe 1: Regelbasiertes Targeting und Bewertung (deterministisch, schnell)

• Produktauswahl: Indexbasierte Filterung und multiplikative Bewertung (dynamische Anzeigen)

• Stufe 2: ML-Optimierung mit Thompson Sampling (alle Anzeigentypen)

Die wichtigste Erkenntnis: Es geht nicht um Regeln oder maschinelles Lernen – es geht um beides nacheinander. Targeting sorgt für Relevanz, die Bewertung sorgt für Differenzierung und ML gewährleistet kontinuierliche Optimierung.

Möchten Sie mehr darüber erfahren, wie DCO die Wirksamkeit Ihrer Anzeigen steigern kann? Lernen Sie Adobe Advertising Creative kennen, um zu beginnen.