Dynamic Creative Optimization (DCO) par Adobe Advertising Creative Management associe le ciblage basé sur des règles au machine learning pour effectuer le rendu d’annonces personnalisées à partir de plus de 10 000 catalogues de produits en moins de 25 ms, offrant ainsi des améliorations de performances de 20 à 40 % grâce à une architecture à deux niveaux.

Introduction

Vous êtes sur le Web et tombez sur une publicité qui correspond exactement au produit qui vous intéresse — pas n’importe lequel, mais celui parfaitement adapté à vos besoins. Derrière cette publicité apparemment anodine se trouve un système sophistiqué à deux niveaux qui combine le ciblage basé sur des règles au machine learning pour diffuser des annonces personnalisées en moins de 25 millisecondes.

Adobe Advertising Creative Management permet aux annonceurs de créer, gérer et optimiser des annonces sur plusieurs canaux. La solution prend en charge les contenus créatifs statiques standard, les annonces dynamiques basées sur des flux ou des catalogues avec ciblage, les méthodes de rotation, ainsi que l’optimisation des performances.

Dynamic Creative Optimization (DCO) est une fonctionnalité principale de Creative Management qui alimente la personnalisation en temps réel des annonces dynamiques. Creative Management gère la configuration des contenus créatifs, les chargements de catalogues et la configuration de l’expérience. Pour le rendu publicitaire, DCO exécute le moteur de décision en temps réel, qui sélectionne le produit optimal adapté aux préférences de l’utilisateur ou de l’utilisatrice. Ce système à deux niveaux associant des règles de ciblage déterministes à l’optimisation du machine learning permet aux annonceurs de tirer parti de catalogues de produits volumineux tout en conservant la vitesse et l’échelle requises pour la publicité programmatique. DCO transforme les modèles de création statiques en annonces personnalisées adaptées au contexte, qui s’ajustent en temps réel à l’emplacement et aux préférences des personnes.

Dynamic Creative Optimization (DCO) est une architecture prête pour la production qui gère des millions de décisions par jour tout en apprenant en permanence à partir de ce qui fonctionne le mieux.

_{Figure 1 : vente, ciblage, sélection du produit, optimisation du ML et rendu publicitaire final.}

Figure 2 : workflow de bout en bout de Creative Optimization

Le défi

Diffuser des publicités personnalisées à grande échelle nécessite de résoudre quatre contraintes simultanément :

• Échelle : traiter les catalogues avec plus de 10 000 produits par annonceur

• Vitesse : décider en moins de 25 millisecondes pour chaque requête publicitaire

• Pertinence : faire correspondre les annonces au contexte d’utilisation (emplacement, centres d’intérêt, appareil)

• Optimisation : apprendre continuellement du comportement réel de l’utilisateur ou de l’utilisatrice

Les approches traditionnelles sont insuffisantes. La sélection aléatoire offre une pertinence médiocre. L’analyse séquentielle de milliers de produits est trop lente. Les règles de notation statiques ne peuvent pas apprendre ce qui génère des conversions. Et le machine learning pur sans logique commerciale peut diffuser des annonces non pertinentes ou enfreindre les contraintes de campagne.

Types de contenus créatifs : standard et dynamiques

Avant de passer au système de ciblage, il est important de comprendre les deux principaux types de contenu créatif.

Contenus créatifs standard

Les contenus créatifs standard sont des annonces statiques à contenu fixe prédéfini. Les ressources de création (images, copies, appels à l’action) sont chargées une fois et restent inchangées, quelle que soit la personne qui voit la publicité.

• Cas d’utilisation : notoriété de la marque et promotions d’abonnement sans aucune personnalisation requise.

• Exemple : une bannière Adobe Creative Cloud mettant en avant des fonctionnalités telles que « De l’ordinaire à l’excellence » ou « Les clients veulent plus d’options », présentant des modèles d’annonces préconçus et des outils de création avec une mise en page et un message fixes, affichée de manière identique pour toutes les personnes éligibles.

• Optimisation : le ML optimise quelle création statique est la plus performante, mais le contenu lui-même ne change pas en fonction de la personne.

Figure 3 : exemples de variantes de création statiques

Contenus créatifs dynamiques

Les contenus créatifs dynamiques sont des annonces basées sur des modèles qui extraient des informations sur les produits en temps réel depuis un flux de catalogue. Le modèle définit la mise en page, tandis que les données de produit (image, titre, prix, description) sont injectées au moment de la diffusion en fonction du contexte de la personne.

• Cas d’utilisation : vente au détail, voyage, automobile — tout annonceur disposant d’un catalogue de produits volumineux qui souhaite présenter des produits pertinents en fonction de la personne.

• Exemple : une personne en Californie recherchant des produits électroniques voit une publicité dynamique d’un ordinateur portable à 999 $ disponible dans sa zone géographique, tandis qu’une personne à New-York voit un produit différent en fonction de son historique de navigation.

• Optimisation : le ML optimise la combinaison produit × modèle créatif en sélectionnant à la fois le meilleur produit et le meilleur traitement visuel en fonction de la personne.

Groupe de contenus créatifs et thèmes publicitaires

Dans Adobe Advertising Creative, les campagnes sont organisées en expériences. Une expérience ciblée peut utiliser un arbre de décision : chaque branche applique des règles d’audience (zone géographique, appareil, segment, etc.). Le nœud feuille final de cet arbre correspond au thème publicitaire : un chemin d’audience spécifique auquel sont associés des contenus créatifs.

Un groupe de contenus créatifs désigne l’ensemble des contenus créatifs (standard ou dynamiques) associés à un thème publicitaire. Quand le niveau 1 sélectionne un thème publicitaire pour la requête en cours, le système décide quel contenu créatif de ce groupe afficher. Ce choix est contrôlé par la méthode de rotation configurée dans l’interface d’utilisation :

Basé sur des algorithmes (Algo)

Utilise le machine learning, en particulier l’échantillonnage de Thompson, pour sélectionner automatiquement le contenu créatif le plus performant. Le système effectue le suivi des mesures de succès (clics, conversions) de chaque contenu créatif et favorise de plus en plus les gagnants tout en explorant d’autres solutions. Il s’agit de la méthode recommandée pour optimiser les performances de la campagne.

Pondéré

Répartit les impressions entre les contenus créatifs en fonction de pourcentages définis par l’annonceur. Par exemple, un annonceur peut configurer 70 % des impressions sur Contenu créatif A (son message principal) et 30 % sur Contenu créatif B (une variante de test). Utile pour les tests AB contrôlés ou lorsqu’une affectation de trafic spécifique est requise.

Séquentiel

Fait pivoter les contenus créatifs dans un ordre défini, en faisant défiler chaque contenu créatif avant de le répéter. Garantit une distribution uniforme au fil du temps et est utile pour les campagnes où tous les contenus créatifs nécessitent une exposition égale.

Aléatoire

Sélectionne aléatoirement des contenus créatifs disponibles avec une probabilité égale sur chaque demande. Simple, mais sans apprentissage ni optimisation : utile pour les tests de référence ou lorsqu’une véritable randomisation est souhaitée. Niveau 1 : ciblage et sélection de thèmes publicitaires

Objectif : trouver le groupe de contenus créatifs approprié (thème publicitaire). Cela se produit pour tous les types d’annonces : standard, dynamiques et vidéo.

Niveau 1 : ciblage et sélection de thèmes publicitaires

Objectif : trouver le groupe de contenus créatifs approprié (thème publicitaire). Cela se produit pour tous les types d’annonces : standard, dynamiques et vidéo.

Deux approches de ciblage

1. Ciblage de l’arbre de décision

Les annonceurs peuvent configurer plusieurs couches de ciblage sous la forme d’une expérience d’arbre de décision et affecter des contenus créatifs à chaque branche de l’arbre. Une expérience comporte une balise d’annonce publicitaire que les annonceurs peuvent utiliser dans n’importe quelle plateforme côté demande (DSP).

Fonctionnement

Évalue plusieurs critères simultanément et effectue une intersection d’ensembles. Le système conserve des index distincts pour chaque dimension de ciblage :

• Géographique : pays, région/État, ville, code postal, DMA

• Appareil : type d’appareil, navigateur, système d’exploitation

• Transmission de données : paramètres personnalisés (t1-t5)

• Profil : attributs d’utilisation (ut1-ut5)

• Segments : ciblage comportemental

• Planification des annonces publicitaires : périodes

2. Ciblage basé sur les balises

La personne peut configurer une expérience qui n’est pas un arbre de décision et qui fonctionne sur différentes configurations de balises sur les tailles d’annonce publicitaire.

Lorsque la requête inclut tag='4' le système récupère directement le thème publicitaire associé à la balise 4. Plus rapide mais moins flexible que l’arbre de décision.

Notation : modèle additif

Une fois que l’intersection identifie les thèmes publicitaires correspondants, la notation utilise un modèle additif :

Exemple :

Figure 4 : flux de ciblage de niveau 1: le ciblage basé sur l’arbre de décision ou les balises alimente la notation additive pour sélectionner le thème publicitaire gagnant de la requête.

Pour les publicités dynamiques : couche de sélection de produit

Important : la sélection de produit se produit UNIQUEMENT pour les publicités dynamiques. Les publicités standard ignorent cette couche.

Figure 5 : les quatre piliers de DCO : ciblage, notation, sélection de produits et optimisation du machine learning, travaillant ensemble en temps réel

Fichiers de catalogue de produits (fichiers MUP)

Les annonceurs chargent des flux de produit (UTF-8, délimités par des tabulations). Chaque ligne représente un produit et comprend les éléments suivants : ID de produit, titre, description, prix, URL d’image, catégorie, marque, fournisseur, disponibilité géographique et champs de ciblage personnalisés.

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.
..........

Du flux aux index : pipeline hors ligne

1. Analyse des flux : analysez les lignes en descripteurs de produit légers (score initial = 1.0).

2. Configuration de l’index : les colonnes qui deviennent des index sont pilotées par la configuration (fichier de propriétés).

3. Création d’index inversé : pour chaque colonne configurée, créez un index inversé, souvent à l’aide de bitmaps compressés.

4. Sérialisation et chargement à chaud : sérialisez les index binaires et permutez-les à chaud dans des pods de diffusion avec des mises à jour atomiques.

Processus de sélection des produits

Étape 1 — Filtrage basé sur les index : récupérez des ensembles de produits par critère (pays, catégorie, segment).

Étape 2 — Notation multiplicative (différente du niveau 1) :

Exemple de tableau :

Figure 6 : variante 1 : produit le mieux classé après le filtrage basé sur l’index et la notation multiplicative. Il s’agit du produit sélectionné.

Figure 7 : variante 2 : produit d’annonce dynamique éligible qui réussit le ciblage, mais reçoit un score final inférieur.

Figure 8 : variante 3 : autre produit admissible retenu pour comparaison, mais non sélectionné.

Note cumulative : ces figures (figures 6-8) représentent trois variantes d’une même publicité dynamique, dérivées de différentes lignes du flux de produits. Toutes les variantes répondent aux contraintes de ciblage et de notation, mais seule la variante ayant le score le plus élevé est sélectionnée et mappée au modèle de création.

Étape 3 : sélection Top-N : renvoyez les N premiers produits (par exemple, Top 200). Les égalités au point de coupure sont incluses pour des raisons d’équité.

Étape 4 : produit final : après l’algorithme d’optimisation de la création, le produit final est renvoyé et est mappé au modèle.

Ingénierie des performances : passer sous la barre des 25 millisecondes

Plusieurs pratiques d’ingénierie permettent d’atteindre la cible de <25 ms :

1. Localité des données

• Précharger les index dans la mémoire pod au démarrage

• Mettre en cache les détails de produit pour les éléments fréquemment consultés

• Charger à chaud les mises à jour sans temps d’arrêt

2. Structures de données compactes

• Bitmaps compressés pour les ensembles de handles

• Indirection de dictionnaire pour éviter la duplication des chaînes

• Opérations d’ensemble efficaces

3. Mise en cache des résultats

• Mémoriser les résultats pour les motifs répétés

• Invalider lors des modifications du flux

• Expiration basée sur une durée de vie

4. Ensembles de candidats limités

• Limiter le top-N pour pour garder la rapidité du ML (10-50 produits par contenu créatif)

• Exécuter le ML uniquement sur le sous-ensemble éligible

• Mettre en parallèle les consultations des statistiques et la récupération des détails des produits

5. Permutations d’index atomiques

• Prendre en charge les mises à jour atomiques sans temps d’arrêt

• Optimisation pour les lots volumineux, fonctionnalité de restauration

Figure 9 : index en mémoire, structures de données compactes et stratégies de mise en cache qui permettent une latence de décision inférieure à 25 ms

Niveau 2 : optimisation du ML

Objectif : sélection intelligente parmi les meilleurs candidats. Le ML s’exécute pour tous les types de publicités, mais fonctionne avec différents « bras » :

• Publicités standard : bras = contenus créatifs statiques

• Publicités dynamiques : bras = paires produit × contenu créatif

• Publicités vidéo : bras = contenus créatifs vidéo

À quel moment le ML s’exécute-t-il ?

Le ML s’exécute lorsqu’il existe plusieurs options concurrentes ou lorsqu’une exploration est requise.

Scénario A — Un vainqueur évident (pas de ML) :

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

Scénario B — Ex-æquo / options qui se valent (le ML décide) :

Échantillonnage de Thompson : moteur de ML

1. Récupérer l’historique des succès/échecs pour chaque variante

2. Exemple tiré de distributions bêta (une par variante)

3. Sélectionner la variante ayant la probabilité échantillonnée la plus élevée

Pourquoi utiliser l’échantillonnage de Thompson ? Il fonctionne avec les mises à jour quotidiennes par lots, équilibre naturellement l’exploration et l’exploitation, s’exécute rapidement et affiche une amélioration de 20 % à 40 % par rapport à la sélection naïve.

Figure 10 : échantillonnage de Thompson dans DCO : les statistiques de performances par bras et de bras éligibles alimentent le moteur de bandit manchot, lequel sélectionne le meilleur contenu créatif ou produit × contenu créatif pour la requête actuelle.

Comprendre ce que sont les « bras » d’un bandit manchot.

Le terme « bras » est tiré des machines à sous (bandits manchots). Dans DCO :

• Publicités standard : bras = contenus créatifs statiques (par exemple, 5 contenus créatifs = 5 bras)

• Publicités dynamiques : bras = paires produit × contenu créatif (par exemple, 3 contenus créatifs × 10 produits = 30 bras)

Pourquoi les bras contextuels sont importants : l’ensemble des bras peut changer en fonction du contexte de la requête (emplacement, disponibilité). Le ML ne prélève des échantillons qu’à partir des bras actuellement éligibles, ce qui permet une adaptation dynamique sans précalculer toutes les combinaisons.

Flux complet : de la demande à la réponse

Pour les publicités standard, le flux est direct : le niveau 1 sélectionne un thème de publicité en fonction des règles de ciblage, puis le ML de niveau 2 sélectionne les meilleurs contenus créatifs de ce groupe à l’aide de l’échantillonnage de Thompson. Pour les publicités dynamiques, une couche supplémentaire filtre et note les produits avant que le ML ne décide de la combinaison finale produit × contenu créatif. Dans les deux cas, l’intégralité du pipeline de décision s’exécute en moins de 25 millisecondes.

Figure 11 : flux de requêtes publicitaires standard : le ciblage et le ML sélectionnent le meilleur contenu créatif statique.

Figure 12 : flux de requêtes publicitaires dynamiques : comprend la sélection de produits avant l’optimisation et le rendu par le ML.

Au-delà de la publicité : les applications universelles

Le modèle à deux niveaux (ciblage + ML) s’applique au-delà des publicités :

1. Recommandations de contenu : filtrez par évaluation/disponibilité ; le ML optimise l’engagement.

2. Classement des recherches de e-commerce : filtrez par inventaire/prix ; le ML optimise la conversion.

3. Optimisation de campagne par e-mail : appliquez les préférences ; le ML sélectionne l’objet/l’heure.

4. Correspondance des essais cliniques : renforcez l’éligibilité ; le ML optimise le succès des inscriptions.

Le modèle : Cibler → Noter → Optimiser.

Les raisons pour lesquelles cette architecture fonctionne.

Ciblage + Règles uniquement : rapide et déterministe, mais peut donner des résultats ex-æquo de manière aléatoire.

ML seul : peut apprendre, mais pourrait enfreindre la logique commerciale et converger au fil du temps sans élagage.

Ciblage + Règles + ML : le meilleur des deux solutions : application de la logique commerciale, score de pertinence et ML pour une amélioration continue. Gains habituels : latence inférieure à 25 ms et amélioration des performances de 20 % à 40 % par rapport aux références naïves.

Points clés à retenir

1. Système à deux niveaux : ciblage/notation en premier (rapide, déterministe), puis optimisation par ML (apprentissage adaptatif).

2. Notation différente : additive pour la sélection du thème publicitaire, multiplicative pour la sélection de produits.

3. Dynamique = couche supplémentaire : les publicités dynamiques ajoutent une sélection de produits entre la sélection du thème publicitaire et le ML.

4. ML pour tous les types : l’échantillonnage de Thompson fonctionne pour les formats standard, dynamiques et vidéo. Seuls les bras diffèrent.

5. Échelle en temps réel : des millions de décisions par jour, en moins de 25 ms par requête.

Conclusion

Dynamic Creative Optimization est un puissant modèle d’architecture qui combine les éléments suivants :

• Niveau 1 : ciblage et notation basés sur des règles (déterministe, rapide)

• Sélection de produits : filtrage basé sur les index et notation multiplicative (publicités dynamiques)

• Niveau 2 : optimisation par ML avec échantillonnage de Thompson (tous les types de publicités)

À retenir : il ne s’agit pas de règles ni de machine learning, mais bien des deux éléments à la suite. Le ciblage assure la pertinence, la notation assure la différenciation et le ML assure l’optimisation en continu.

Vous souhaitez en savoir plus sur la manière dont DCO peut améliorer vos performances publicitaires ? Pour commencer, explorez Adobe Advertising Creative.