Creative Management van Adobe Advertising - Dynamic Creative Optimization (DCO) combineert regelgebaseerde targeting met machine learning om gepersonaliseerde advertenties van meer dan 10.000 productcatalogi in minder dan 25 ms weer te geven, en 20-40% prestatieverbeteringen te leveren via een tweeledige architectuur met twee niveaus.

Inleiding

Stel dat u online bladert en een advertentie ziet voor een product waarin u nu net geïnteresseerd bent — niet iets toevalligs, maar perfect op maat voor wat u wilt. Achter deze ogenschijnlijk simpele advertentie schuilt een geavanceerd systeem van twee niveaus: een regelgebaseerde targetingwordt gecombineerd met machine learning om gepersonaliseerde advertenties te leveren binnen 25 milliseconden.

Met Creative Management van Adobe Advertising kunnen adverteerders advertenties maken, beheren en optimaliseren via verschillende kanalen. Het biedt ondersteuning voor standaard statische creatieve elementen, dynamische feed/catalogus-advertenties met targeting, roulatiemethoden en optimalisatie van prestaties.

Dynamic Creative Optimization (DCO) is een kernfunctie in Creative Management die realtimepersonalisatie voor dynamische advertenties mogelijk maakt. Hoewel Creative Management creatieve installatie, uploaden van catalogi en configuratie van ervaringen afhandelt, voert DCO wat betreft de weergave van advertenties de realtimebeslissingsengine uit die het optimale product selecteert, toegespitst op gebruikersvoorkeuren. Met dit tweeledige systeem, waarbij deterministische targetingregels worden gecombineerd met optimalisatie door machine learning, kunnen adverteerders enorme productcatalogi kunnen gebruiken en tegelijk de snelheid en schaal handhaven die vereist zijn voor programmatisch adverteren. DCO transformeert statische, creatieve sjablonen in gepersonaliseerde, contextbewuste advertenties die zich in real time aanpassen aan de locatie en de voorkeuren van de gebruiker.

Dit is Dynamic Creative Optimization (DCO) - een productieklare architectuur die miljoenen beslissingen per dag afhandelt en tegelijk voortdurend blijft leren van wat het beste werkt.

_{Afb. 1: van binnenhalen tot targeting, productselectie, ML-optimalisatie ML en uiteindelijke advertentieweergave.}

Afb. 2: de workflow voor end-to-end creatieve optimalisatie

De uitdaging

Als u gepersonaliseerde advertenties op schaal wilt aanbieden, moet u vier beperkingen tegelijk oplossen:

• Schaal: catalogi met 10.000+ producten per adverteerder verwerken

• Snelheid: in < 25 milliseconden beslissen voor elk advertentieverzoek

• Relevantie: advertenties matchen met gebruikerscontext (plaats, interesses, apparaat)

• Optimalisering : voortdurend blijven leren en verbeteren op basis van gebruikersgedrag in de praktijk

Traditionele benaderingen zijn ontoereikend. Willekeurige selectie levert te weinig relevantie. Het doorzoeken van duizenden producten in volgorde gaat te langzaam. Statische scoreregels kunnen niet leren wat nodig is voor conversie. En pure machine learning zonder bedrijfslogica kan leiden tot irrelevante advertenties of campagnebeperkingen overtreden.

Verschillende typen reclames: standaard en dynamisch

Voordat we ingaan op het targetingsysteem, is het belangrijk dat de twee belangrijkste soorten reclames duidelijk zijn

Standaardreclames

Standaardreclames zijn statische advertenties met vooraf bepaalde, vaste inhoud. De reclameassets (afbeeldingen, kopiëen, call-to-action) worden één keer geüpload en blijven ongewijzigd, ongeacht wie de advertentie ziet.

• Gebruiksscenario: Merkbekendheid en lidmaatschapsreclames waarbij personalisatie niet nodig is.

• Voorbeeld: Een Adobe Creative Cloud-banner die functies aanprijst als "Van kort naar briljant" of "Klanten willen meer opties", met vooraf ontworpen advertentiesjablonen en reclametools met een vaste lay-out en messaging, die precies zo aan alle in aanmerking komende gebruikers worden getoond.

• Optimalisering: ML optimaliseert welke statische reclames het best presteren, maar de content zelf verandert niet per gebruiker.

Afbeelding 3: Voorbeelden van statische reclamevarianten

Dynamische reclames

Dynamische reclames zijn op sjablonen gebaseerde advertenties die realtimeproductinformatie uit een catalogusfeed halen. De sjabloon definieert de lay-out, terwijl productgegevens (afbeelding, titel, prijs, beschrijving) worden geïnjecteerd op het juiste levermoment aan de hand van de gebruikerscontext.

• Gebruiksscenario's: Detailhandel, reizen, automobielindustrie - elke adverteerder met een grote productcatalogus die aan elke gebruiker relevante producten wil tonen.

• Voorbeeld: Een gebruiker in Californië die door elektronica surft, ziet een dynamische advertentie met een laptop die in zijn/haar regio verkrijgbaar is voor $ 999, terwijl een gebruiker in New York een ander product ziet dat op diens eigen surfgeschiedenis is gebaseerd.

• Optimalisatie: ML optimaliseert de combinatie van product × reclamesjebloon - het beste product en de beste visuele aanpak voor die gebruiker.

Reclamemateriaalgroep en advertentiethema's

In Adobe Advertising Creative worden campagnes ingedeeld in ervaringen. Een getargete ervaring kan gebruikmaken van een beslisboom: elke tak past doelgroepregels toe (geografie, apparaat, segment, enz.), en het definitieve bladknooppunt in die boom is wat we in dit artikel een advertentiethema noemen: een specifiek doelgroeppad met reclames erbij.

Een reclamemateriaalgroep is de verzameling reclamemateriaal (standaard of dynamisch) die aan één advertentiethema is gekoppeld. Zodra op niveau 1 een advertentiethema voor het huidige verzoek is geselecteerd, moet het systeem nog beslissen welk reclamemateriaal van die reclamemateriaalgroep moet worden getoond. Deze keus wordt bepaald door de roulatiemethode die in UI is geconfigureerd:

Algoritmegebaseerd (Algo)

Gebruikt machine learning, met name Thompson Sampling, om automatisch de best presterende reclame te selecteren. Het systeem volgt succescijfers (klikken, conversies) voor elke reclame en gebruikt de winnaars steeds vaker, terwijl er nog alternatieven worden onderzocht. Dit is de aanbevolen methode voor het maximaliseren van campagneprestaties.

Gewogen

Hiermee worden indrukken van verschillende reclames gespreid volgens de door adverteerders gedefinieerde percentages. Een adverteerder kan bijvoorbeeld 70% van de indrukken toewijzen aan reclame A (hun primaire boodschap) en 30% naar reclame B (een testvariant). Nuttig voor gecontroleerde A/B-tests of wanneer specifieke verkeerstoewijzing vereist is.

Sequentieel

Hiermee worden reclames in een bepaalde volgorde gerouleerd, waarbij eerst alle afzonderlijke reclames worden doorlopen voordat dit wordt herhaald. Hierdoor ontstaat in de loop van de tijd een gelijkmatige spreiding en dat is handig voor campagnes waarin alle reclames even vaak moeten worden getoond.

Willekeurig

Herbij wordt willekeurig geselecteerd uit beschikbare reclames met gelijke waarschijnlijkheid bij elk verzoek. Simpel, maar hierbij wordt niets geleerd of geoptimaliseerd: handig voor basislijntests of wanneer echte randomisatie gewenst is. Niveau 1: Targeting en selectie van advertentiethema

Doel: de juiste reclamemateriaalgroep (advertentiethema) vinden. Dit gebeurt voor alle advertentietypen: standaard, dynamisch en video.

Niveau 1: Targeting en selectie van advertentiethema

Doel: de juiste reclamemateriaalgroep (advertentiethema) vinden. Dit gebeurt voor alle advertentietypen: standaard, dynamisch, en video.

Twee targetingmethoden

1. Targeting via beslisboom

Adverteerders kunnen meerdere lagen van targeting instellen in de vorm van een beslisboomervaring, en reclames toewijzen aan elke tak van de boom. Een ervaring heeft een advertentietag die adverteerders kunnen gebruiken in elk DMS (Demand-Side Platform)

Werking

Evalueert meerdere criteria tegelijk en voert een reeksdoorsnede uit. Het systeem onderhoudt afzonderlijke indexen voor elke targetingdimensie:

• Geografie: land, regio/staat, stad, zipcode, DMA

• Apparaat: type apparaat, browser, OS

• Gegevenspas: aangepaste parameters (t1-t5)

• Profiel: gebruikerskenmerken (ut1-ut5)

• Segmenten : gedragstargeting

• Advertentieplanning: datum-/tijdbereiken

2. Taggebaseerde targeting

De gebruiker kan een ervaring instellen die geen beslisboom is en die werkt met verschillende tags die zijn ingesteld voor advertentiematen.

Wanneer een verzoek "tag='4' " bevat, haalt het systeem direct het advertentiethema op dat aan tag 4 is gekoppeld. Sneller, maar minder flexibel dan een beslisboom.

Scoren: additief model

Nadat overeenkomende advertentiethema's zijn geïdentificeerd via een doorsnede, wordt voor scoren een additief model gebruikt:

Voorbeeld:

Afbeelding 4: Targetingflow niveau 1 - beslisboom of taggebaseerde targeting wordt toegevoegd aan additief scoren om het winnende advertentiethema voor de aanvraag te selecteren

Voor dynamische advertenties: productselectielaag

Belangrijk: productselectie gebeurt ALLEEN bij dynamische advertenties. Bij standaardadvertenties wordt deze laag overgeslagen.

Afbeelding 5: De vier pijlers van DCO - targeting, scoren, productselectie en optimalisering door machine learning - werken in real time samen

Productcatalogusbestanden (MUP-bestanden)

Adverteerders uploaden productfeeds (UTF-8, door tabs gescheiden). Elke rij vertegenwoordigt een product en omvat: product-ID, titel, beschrijving, prijs, afbeeldings-URL's, categorie, merk, provider, geografische beschikbaarheid en aangepaste targetingvelden.

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.
..........

Van feed tot indexen: offline pijplijn

1. Feed parseren: rijen worden geparseerd in lichtgewichtproducthandles (initiële score = 1,0).

2. Indexconfiguratie: welke kolommen indexen worden, ligt aan de configuratie (eigenschappenbestand).

3. Omgekeerde indexcreatie: maakt voor elke geconfigureerde kolom een omgekeerde index, vaak met behulp van gecomprimeerde bitmaps.

4. Serialisatie en hot-loading: seraliseert binaire indexen en voert een hot-swap uit in serving pods met atomische updates.

Productselectieproces

Stap 1 — Index-gebaseerd filtreren: productreeksen ophalen volgens criterium (land, categorie, segment).

Stap 2 — Meervoudig scoren (verschillend van niveau 1):

Voorbeeldtabel:

Afbeelding 6: variant 1 — het product met de hoogste score na index-gebaseerd filteren meervoudig scoren. Dit is het geselecteerde product.

Afbeelding 7: variant 2 — een in aanmerking komend dynamisch advertentieproduct dat slaagt voor targeting, maar een lagere eindscore krijgt

Afbeelding 8: variant 3 — een ander in aanmerking komend product dat ter vergelijking wordt gebruikt, maar niet wordt geselecteerd

Samenvattende opmerking:Deze afbeeldingen (6-8) staan voor drie varianten van dezelfde dynamische advertentie die wordt afgeleid uit verschillende rijen van de productfeed. Alle varianten voldoen aan de beperkingen voor targeting en scoren, maar alleen de hoogst scorende variant wordt geselecteerd en toegewezen aan de reclamesjabloon.

Stap 3 — Selectie van de beste N:de beste N producten retourneren (bijvoorbeeld de beste 200). Gelijkstaande producten bij cut-off worden opgenomen om het eerlijk te houden.

Stap 4 — Eindproduct optimaliseringsalgoritme na reclame, definitieve product wordt geretourneerd en wordt aan de sjabloon toegewezen.

Prestatie-engineering: < 25 milliseconden halen

Het doel van < 25 kan met verschillende engineeringsmethoden worden gehaald:

1. Gegevenslocatie

• Indexen bij het opstarten vooraf in het podgeheugen laden

• Productgegevens voor vaak geopende items in cache plaatsen

• Hot-loading voor updates zonder uitvaltijd

2. Compacte gegevensstructuren

• Gecomprimeerde bitmaps voor handle-sets

• Woordenboek-indirectie om tekenreeksduplicatie te vermijden

• Efficiënte reeksbewerkingen

3. Resultaten in cache plaatsen

• Resultaten voor herhaalde patronen in het geheugen plaatsen

• Invalideren bij feedwijzigingen

• TTL-gebaseerde vervaldatum

4. In aantal beperkte kandidatensets

• Top-N beperken om ML snel te houden (10-50 producten per reclame)

• ML alleen uitvoeren op in aanmerking komende subset

• Opzoeken van statistieken en productdetails parallel uitvoeren

5. Swaps voor atomische index

• Automatische updates met nul uitvaltijd ondersteunen

• Geoptimaliseerd voor grote batches; terugdraaifunctionaliteit

Afb. 9: Indexen in geheugen, compacte gegevensstructuren en cachingstrategieën waardoor een beslissingslatentie van minder dan 25 ms mogelijk is

Niveau 2: ML-optimalisatie

Doel: Intelligente selectie van de beste kandidaten. ML wordt uitgevoerd voor alle advertentietypen, maar werkt met verschillende groepen:

• Standaard advertenties : groepen = statische reclame

• Dynamische advertenties: groepen = product × creatieve reclame

• Videoadvertenties : groepen = videoreclames

Wanneer wordt ML uitgevoerd?

ML wordt uitgevoerd wanneer er meerdere concurrerende opties zijn of wanneer exploratie nodig is.

Scenario A — Duidelijke winnaar (geen ML):

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

Scenario B — Gelijke uitslag/concurrerende opties (ML beslist):

Thompson-sampling: een sample van de ML-engine

1. Historische aantallen voor succes/mislukking ophalen voor elke variant

2. Sample van betadistributies (één per variant)

3. De variant selecteren met de hoogste gesamplede waarschijnlijkheid

Waarom Thompson-sampling?Werkt met dagelijkse batchupdates, natuurlijke balans tussen verkenning en exploitatie, wordt snel uitgevoerd en toont een verbetering van 20-40% ten opzichte van een naïeve selectie.

Afbeelding 10: Afbeelding 10: Thompson-sampling in DCO — in aanmerking komende groepen en prestatiecijfers per groep 'voeden' de Bandit-engine, die de beste reclame of het beste product × reclame selecteert voor de huidige aanvraag

Inzicht in groepen in een Bandit met meer groepen

De term 'arm' (groep) komt van gokautomaten (Bandits met één groep/'arm' gewapende bandjes). In DCO:

• Standaard advertenties — groepen = statische reclames (bijvoorbeeld 5 reclames = 5 groepen)

• Dynamische advertenties — groepen = product × reclameparen (bijvoorbeeld 3 reclames × 10 producten = 30 groepen)

Waarom contextafhankelijke groepen belangrijk zijn: de reeks groepen kan veranderen op basis van de context van de aanvraag (locatie, beschikbaarheid). ML neemt alleen samples van de momenteel in aanmerking komende groepen, waardoor dynamische aanpassing mogelijk is zonder dat alle combo's vooraf worden berekend.

Volledige flow: verzoek om reactie

Voor standaardadvertenties is de flow rechtstreeks: in niveau 1 wordt een advertentiethema gekozen op basis van targeting, dan wordt in niveau 2 door ML de beste reclame uit die groep gekozen met behulp van Thompson-sampling. Voor dynamische advertenties is er een extra laag waarin producten worden gefilterd en gescoord voordat ML een besluit neemt over de definitieve combinatie van product × reclamemateriaal. In beide gevallen wordt de volledige beslissingspijplijn binnen 25 milliseconden voltooid

Afbeelding 11: Aanvraagflow voor standaardadvertentie — met targeting en ML wordt de beste statische reclame gekozen

Afbeelding 12: Dynamische advertentieverzoekflow — omvat productselectie vóór ML-optimalisatie en rendering.

Voorbij reclame: universele applicaties

Het tweeledige patroon (Targeting + ML) strekt zich verder uit dan advertenties:

1. Contentaanbevelingen — filtert op beoordeling/beschikbaarheid; ML optimaliseert betrokkenheid.

2. Zoekrangschikking voor e-commerce — filtert op voorraad/prijs; ML optimaliseert de conversie.

3. E-mailcampagneoptimalisatie — dwingt voorkeuren af; ML selecteert onderwerp/tijd.

4. Klinische proefmatching — dwingt geschiktheid af; ML optimaliseert aanmeldingssucces.

Het patroon: Target → Score → Optimaliseren.

Waarom deze architectuur werkt

Alleen targeting + regels: snel en deterministisch, maar kan willekeurig uitpakken.

Alleen ML: dit kan dingen leren, maar kan soms bedrijfslogica overtreden en traag samenkomen zonder opschonen.

Targeting + regels + ML: beste van allebei - afgedwongen bedrijfslogica, scoren op basis van relevantie, en ML voor continue verbetering. Gebruikelijke voordelen: latentie van < 25 ms en 20-40% prestatieverbetering in vergelijking met naïeve basislijnen.

De belangrijkste dingen om te onthouden

1. Tweeledig systeem: eerst targeten/scoren (snel, deterministisch), dan ML-optimalisatie (adaptief leren).

2. Verschillende manieren van scoren: additief voor selectie van advertentiethema; multiplicatief voor productselectie.

3. Dynamisch = Extra laag : dynamische advertenties voegen productselectie toe tussen selectie van advertentiethema en ML.

4. ML voor alle typen: Thompson-sampling werkt voor standaard, dynamisch en video - alleen de groepen verschillen.

5. Realtimeschaal : miljoenen beslissingen per dag in < 25 ms per aanvraag.

Conclusie

Dynamic Creative Optimization is een krachtig architectuurpatroon dat het volgende combineert:

• Niveau 1 : regelgebaseerde targeting en scoren (deterministisch, snel)

• Productselectie: indexgebaseerd filtreren en multiplicatief scoren (dynamische advertenties)

• Niveau 2 : ML-optimalisatie met Thompson-sampling (alle advertentietypen)

Belangrijkste inzicht: het is geen kwestie van regels of machine learning, maar allebei achter elkaar. Targeting zorgt voor relevantie, scoren voor differentiatie, en ML voor continue optimalisatie.

Wilt u meer weten over hoe DCO uw advertentieprestaties kan verhogen? Ontdek Adobe Advertising Creative om aan de slag te gaan.