Creative Management de Adobe Advertising, Dynamic Creative Optimization (DCO) combina la segmentación basada en reglas con el aprendizaje automático para procesar anuncios personalizados de más de 10 000 catálogos de productos en menos de 25 m, lo que ofrece mejoras de rendimiento de entre el 20 y el 40 % a través de una arquitectura de dos niveles.

Introducción

Imaginen navegar en línea y ver un anuncio exactamente del producto que les interesa, no al azar, sino perfectamente adaptado a sus necesidades. Detrás de este anuncio aparentemente simple se encuentra un sofisticado sistema de dos niveles que combina direccionamiento basado en reglas con aprendizaje automático para ofrecer anuncios personalizados en menos de 25 milisegundos.

Administración de Adobe Advertising Creative permite a los anunciantes crear, administrar y optimizar anuncios en todos los canales. Admite creativos estáticos estándar, anuncios dinámicos de fuentes o catálogos con direccionamiento, métodos de rotación y optimización del rendimiento.

Dynamic Creative Optimization (DCO) es una funcionalidad central de Creative Management que potencia la personalización en tiempo real de los anuncios dinámicos. Mientras que Creative Management gestiona la configuración creativa, las cargas de catálogos y la configuración de experiencias, entre bastidores cuando se trata del procesamiento de anuncios, DCO ejecuta el motor de decisión en tiempo real que selecciona el producto óptimo según las preferencias del usuario. Este sistema de dos niveles (que combina reglas de segmentación deterministas con optimización del aprendizaje automático) garantiza que los anunciantes puedan aprovechar catálogos de productos masivos y, al mismo tiempo, mantener la velocidad y la escala requeridas para la publicidad de programación. DCO transforma las plantillas creativas estáticas en anuncios personalizados según el contexto que se adaptan a la ubicación y las preferencias del usuario en tiempo real.

Esto es Dynamic Creative Optimization (DCO), una arquitectura lista para la producción que maneja millones de decisiones por día mientras aprende sin interrupción lo que funciona mejor.

_{Fig. 1: Desde la adjudicación de la licitación hasta la segmentación, la selección de productos, la optimización del aprendizaje automático y la representación final del anuncio}

Fig. 2 :Flujo de trabajo de extremo a extremo para la optimización de Creative

El reto

Para publicar anuncios personalizados a escala se deben resolver cuatro restricciones de manera simultánea:

• Escala: procesa catálogos con más de 10 000 productos por anunciante.

• Velocidad: decide en <25 milisegundos por cada solicitud de anuncio.

• Relevancia: hacer coincidir los anuncios con el contexto del usuario (ubicación, intereses, dispositivo).

• Optimización: aprenda y mejore de manera continua a partir del comportamiento real del usuario.

Los enfoques tradicionales se quedan cortos. La selección aleatoria proporciona poca relevancia. El escaneo secuencial de miles de productos es demasiado lento. Las reglas de puntuación estáticas no pueden aprender lo que convierte. Y el aprendizaje automático puro sin lógica empresarial puede ofrecer anuncios irrelevantes o infringir las restricciones de la campaña.

Tipos de creativos: estándar y dinámicos

Antes de sumergirse en el sistema de segmentación, es importante comprender los dos tipos principales de creativos

Creativos estándar

Los creativos estándar son anuncios estáticos con contenido fijo y predefinido. Los recursos creativos (imágenes, copias, llamada a la acción) se cargan una vez y permanecen inalterados independientemente de quién vea el anuncio.

• Caso de uso: promociones de suscripción y conciencia de marca donde no se requiere personalización.

• Ejemplo: un banner de Adobe Creative Cloud que destaca características como “Convierta un resumen en algo brillante” o “Los clientes quieren más opciones”, y muestra plantillas publicitarias prediseñadas y herramientas creativas con un diseño y mensajes fijos, que se muestran de forma idéntica a todos los usuarios elegibles.

• Optimización: ML optimiza qué creativo estático funciona mejor, pero el contenido en sí no cambia según el usuario.

Fig. 3: Ejemplos de variantes de creativos estáticos

Creativos dinámicos

Los creativos dinámicos son anuncios basados en plantillas que extraen información de productos en tiempo real de una fuente de catálogo. La plantilla define el diseño, mientras que los datos del producto (imagen, título, precio, descripción) se insertan en el momento del servicio en función del contexto del usuario.

• Caso de uso: venta minorista, viajes, automoción; cualquier anunciante con un catálogo de productos grande que desee mostrar productos relevantes a cada usuario.

• Por ejemplo: un usuario de California que navega por la electrónica ve un anuncio dinámico que incluye un portátil disponible en su área geográfica por 999 $, mientras que un usuario de Nueva York ve un producto diferente según su historial de navegación.

• Optimización: ML optimiza la combinación de producto × plantilla creativa, seleccionando el mejor producto y el mejor tratamiento visual para ese usuario.

Grupo creativo y temas de publicidad

En Adobe Advertising Creative, las campañas están organizadas por experiencias. Una experiencia segmentada puede usar un árbol de decisiones: cada rama aplica reglas de audiencia (ubicación geográfica, dispositivo, segmento, etc.), y el nodo de hoja final de ese árbol es lo que este artículo llama un tema de publicidad (una ruta de audiencia específica con elementos creativos adjuntos).

Un grupo creativo es la colección de creativos (estándar o dinámicos) asociados a un tema de publicidad. Una vez que el nivel 1 selecciona un tema de publicidad de anuncio para la solicitud actual, el sistema aún debe decidir qué creativo de ese grupo creativo se mostrará. Esta opción está controlada por el método de rotación configurado en la IU:

Basado en algoritmo (Algo)

Utiliza el aprendizaje automático (específicamente el muestreo Thompson) para seleccionar automáticamente el creativo con mejor rendimiento. El sistema realiza un seguimiento de las métricas de éxito (clics, conversiones) de cada creativo y favorece cada vez más a los más exitosos, mientras explora alternativas. Este es el método recomendado para maximizar el rendimiento de la campaña.

Ponderado

Distribuye las impresiones entre los creativos según los porcentajes definidos por el anunciante. Por ejemplo, un anunciante puede configurar el 70 % de las impresiones en el creativo A (su mensaje principal) y el 30 % en el creativo B (una variante de prueba). Resulta útil para pruebas A/B controladas o cuando se requiere una asignación de tráfico específica.

Secuencial

Gira entre los creativos en un orden definido, recorriendo cada creativo antes de repetirlo. Garantiza una distribución uniforme a lo largo del tiempo y resulta útil para campañas en las que todos los creativos necesitan la misma exposición.

Aleatorio

Selecciona aleatoriamente entre los creativos disponibles con la misma probabilidad en cada solicitud. Es sencillo, pero no aprende ni optimiza, por lo que resulta útil para pruebas de referencia o cuando se desea una aleatorización verdadera. Nivel 1: selección de segmentación y tema publicitario

Propósito: encontrar el grupo creativo adecuado (tema publicitario). Esto ocurre con todos los tipos de anuncios: estándar, dinámicos y de vídeo.

Nivel 1: Selección de segmentación y tema publicitario

Propósito: encontrar el grupo creativo adecuado (tema publicitario). Esto ocurre con todos los tipos de anuncios: estándar, dinámicos y de vídeo.

Dos enfoques de segmentación

1. Segmentación del árbol de decisiones

Los anunciantes pueden configurar varias capas de segmentación en forma de experiencia del árbol de decisiones y asignar creativos a cada rama del árbol. Una experiencia tiene una etiqueta de anuncio que los anunciantes pueden utilizar en cualquier plataforma de la demanda (DSP)

Funcionamiento

Evalúa varios criterios simultáneamente y realiza intersecciones de conjunto. El sistema mantiene índices independientes para cada dimensión de segmentación:

• Geográfica: país, región/estado, ciudad, código postal, DMA.

• Dispositivo: tipo de dispositivo, explorador, SO.

• Paso de datos: parámetros personalizados (t1-t5).

• Perfil: atributos de usuario (ut1-ut5).

• Segmentos: direccionamiento basado en el comportamiento.

• Programación de anuncios: intervalos de fecha y hora.

2. Segmentación basada en etiquetas

El usuario puede configurar una experiencia que no sea un árbol de decisión y que funcione en diferentes configuraciones de etiquetas en tamaños de anuncio.

Cuando la solicitud incluye tag=’4', el sistema recupera directamente el tema de publicidad asociado con la etiqueta 4. Es más rápido, pero menos flexible que el árbol de decisión.

Puntuación: modelo aditivo

Después de que la intersección identifique los temas de publicidad coincidentes, la puntuación utiliza un modelo aditivo:

Ejemplo:

Fig. 4: Flujo de segmentación de nivel 1. El árbol de decisión o la segmentación basada en etiquetas se alimentan en una puntuación aditiva para seleccionar el tema de publicidad ganador para la solicitud

Para anuncios dinámicos: capa de selección de productos

Importante: la selección de productos solamente se realiza para anuncios dinámicos. Los anuncios estándar omiten esta capa.

Fig. 5: Los cuatro pilares de DCO: direccionamiento, puntuación, selección de productos y optimización del aprendizaje automático trabajando juntos en tiempo real

Archivos de catálogo de productos (archivos MUP)

Los anunciantes cargan fuentes de productos (UTF-8, delimitado por tabulaciones). Cada fila representa un producto e incluye: ID de producto, título, descripción, precio, direcciones URL de imagen, categoría, marca, proveedor, disponibilidad geográfica y campos de direccionamiento personalizados.

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.
..........

De fuente a índices: canalización sin conexión

1. Análisis de fuentes: analice filas en identificadores de producto ligeros (puntuación inicial = 1,0).

2. Configuración del índice: las columnas que se convierten en índices se determinan mediante la configuración (archivo de propiedades).

3. Creación de índice invertida: para cada columna configurada se genera un índice invertido, a menudo usando mapas de bits comprimidos.

4. Serialización y carga en caliente: serialice los índices binarios e intercámbielos en caliente en pods de servicio con actualizaciones atómicas.

Proceso de selección de productos

Paso 1. Filtrado basado en índices: recupere conjuntos de productos por criterio (país, categoría, segmento).

Paso 2. Puntuación multiplicativa (diferente del nivel 1):

Tabla de ejemplo:

Figura 6: Variante 1: el producto de mayor clasificación después del filtrado basado en índices y puntuación multiplicativa. Este es el producto seleccionado.

Figura 7: Variante 2: un producto publicitario dinámico apto que supera el direccionamiento pero recibe una puntuación final inferior

Figura 8: Variante 3: otro producto apto conservado para la comparación pero no seleccionado

Nota acumulativa: Estas cifras (figuras del 6 al 8) representan tres variantes del mismo anuncio dinámico, que derivan de diferentes filas de la fuente de productos. Todas las variantes cumplen las restricciones de direccionamiento y puntuación, pero solo la variante con puntuación más alta se ha seleccionado y asignado a la plantilla creativa.

Paso 3. Selección N superior: se devuelven los productos N principales (por ejemplo, los 200 principales). Los empates en el corte se incluyen por motivos de equidad.

Paso 4. Se devuelve el producto final después del algoritmo de optimización creativa, que se asigna a la plantilla.

Ingeniería de rendimiento: lograr <25 milisegundos

Varias prácticas de ingeniería permiten el objetivo de <25 ms:

1. Localidad de datos

• Precargar índices en la memoria del pod al inicio

• Almacenar en caché detalles del producto para elementos a los que se accede con frecuencia

• Carga en caliente para actualizaciones sin tiempo de inactividad

2. Estructuras de datos compactas

• Mapas de bits comprimidos para conjuntos de controladores

• Indirección del diccionario para evitar la duplicación de cadenas

• Operaciones de conjunto eficientes

3. Almacenamiento en caché de resultados

• Memorizar los resultados de patrones repetidos

• Invalidar en los cambios de la fuente

• Caducidad basada en TTL

4. Conjuntos de candidatos enlazados

• Limitar N principales para mantener la rapidez de ML (10-50 productos por creatividad)

• Ejecutar ML solo en un subconjunto apto

• Paralelizar las búsquedas de estadísticas y la obtención de detalles de productos.

5. Intercambios de índices atómicos

• Compatible con actualizaciones atómicas sin tiempo de inactividad

• Optimizado para lotes grandes; capacidad de reversión

Figura 9. Índices en memoria, estructuras de datos compactas y estrategias de almacenamiento en caché que permiten una latencia de decisión inferior a 25 ms

Nivel 2: optimización de ML

Propósito: selección inteligente de los principales candidatos. ML se ejecuta para todos los tipos de anuncios, pero funciona en diferentes “brazos”:

• Anuncios estándar: brazos = creatividades estáticas

• Anuncios dinámicos: brazos = producto × pares de creatividades

• Anuncios de vídeo: brazos = creatividades de vídeo

¿Cuándo se ejecuta ML?

ML se ejecuta cuando hay varias opciones competitivas o cuando se requiere exploración.

Escenario A: borrar ganador (sin ML):

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

Escenario B: vínculos u opciones competitivas (ML decide):

Muestreo Thompson: el motor ML

1. Recuperar recuentos históricos de éxito/fracaso para cada variante

2. Muestra de distribuciones de beta (una por variante)

3. Seleccione la variante con la mayor probabilidad de muestreo

¿Por qué el muestreo Thompson? Funciona con actualizaciones diarias por lotes, equilibra de forma natural la exploración y la explotación, se ejecuta rápidamente y muestra una mejora del 20 al 40 % en comparación con la selección ingenua.

Figura 10. Muestreo Thompson en DCO: los brazos aptos y las estadísticas de rendimiento por brazo alimentan el motor de bandido, que selecciona la mejor creatividad o producto × creatividad para la solicitud actual

Comprender el término “brazo” en un bandido de varios brazos

El término “brazo” proviene de las máquinas tragaperras (bandidos con un solo brazo). En DCO:

• Anuncios estándar: brazos = creatividades estáticas (por ejemplo, 5 creatividades = 5 brazos)

• Anuncios dinámicos: brazos = producto × pares de creatividades (por ejemplo, 3 creatividades × 10 productos = 30 brazos)

Por qué importan los brazos contextuales: el conjunto de brazos puede cambiar según el contexto de la solicitud (ubicación, disponibilidad). Muestras solo ML de los brazos actualmente aptos, lo que permite una adaptación dinámica sin necesidad de precalcular todas las combinaciones.

Flujo completo: solicitud de respuesta

Para anuncios estándar, el flujo es directo: el nivel 1 elige un tema de publicidad basado en reglas de direccionamiento, luego el nivel 2 de ML elige la mejor creatividad de ese grupo mediate muestreo Thompson. Para anuncios dinámicos, una capa adicional filtra y puntúa los productos antes de que ML decida el producto final × la combinación de creatividad. En ambos casos, toda la canalización de decisiones se completa en menos de 25 milisegundos

Figura 11. Flujo de solicitud de anuncio estándar: el direccionamiento y ML seleccionan la mejor creatividad estática

Figura 12: Flujo de solicitud de publicidad dinámico: incluye la selección de productos antes de la optimización y el procesamiento de ML.

Más allá de la publicidad: aplicaciones universales

El patrón de dos niveles (direccionamiento + ML) se aplica más allá de los anuncios:

1. Recomendaciones de contenido: filtrar por clasificación/disponibilidad; ML optimiza la participación.

2. Clasificación de búsqueda de comercio electrónico: filtrar por inventario/precio; ML optimiza la conversión.

3. Optimización de la campaña de correo electrónico: aplicar preferencias; ML selecciona el asunto y la hora.

4. Coincidencia de versiones de prueba clínicas: se deben cumplir los requisitos; ML optimiza el éxito de la inscripción.

El patrón: Puntuación → Objetivo → Optimizar.

Por qué funciona esta arquitectura

Segmentación + solo reglas: rápido y determinista, pero puede producir un empate de forma aleatoria.

Solo ML: puede aprender, pero podría infringir la lógica empresarial y converger lentamente sin poda.

Segmentación + reglas + ML: lo mejor de ambos; lógica empresarial aplicada, puntuación de relevancia y ML para una mejora continua. Mejoras habituales: <25 ms de latencia y una mejora del rendimiento entre un 20 y 40 % en comparación con las líneas de base nativas.

Puntos clave

1. Sistema de dos niveles: primero, segmentación o puntuación (rápida, determinista), después, optimización de ML (aprendizaje adaptable).

2. Puntuación diferente: aditivo para la selección de tema de publicidad; multiplicativo para la selección de productos.

3. Dinámico = Capa adicional: los anuncios dinámicos añaden la selección de productos entre la selección de tema de publicidad y ML.

4. ML para todos los tipos: el muestreo Thompson funciona para vídeo, dinámico y estándar; sólo difieren los brazos.

5. Escala en tiempo real: millones de decisiones por día a <25 ms por solicitud.

Conclusión

Dynamic Creative Optimization es un potente patrón de arquitectura que combina:

• Nivel 1: segmentación y puntuación basados en reglas (determinístico, rápido)

• Selección de productos: filtrado basado en índices y puntuación multiplicativa (anuncios dinámicos)

• Nivel 2: optimización de ML con muestreo Thompson (todos los tipos de anuncios)

Los datos clave: no son las reglas ni aprendizaje automático, sino ambas en secuencia. La segmentación garantiza la relevancia, la puntuación garantiza la diferenciación y ML garantiza la optimización continua.

¿Quiere obtener más información sobre cómo DCO puede mejorar el rendimiento del anuncio? Explorar Adobe Advertising Creative para comenzar.