O Adobe Advertising Creative Management - Dynamic Creative Optimization (DCO) combina segmentação baseada em regras com aprendizado de máquina para renderizar anúncios personalizados de mais de 10.000 catálogos de produtos em menos de 25 ms, proporcionando melhorias de desempenho de 20 a 40% por meio de uma arquitetura de duas camadas.

Introdução

Imagine navegar online e ver um anúncio referente exatamente ao produto em que você está interessado, não aleatório, mas perfeitamente adaptado a você. Por trás desse anúncio aparentemente simples está um sistema sofisticado de duas camadas que combina direcionamento baseado em regras com aprendizado de máquina para veicular anúncios personalizados em menos de 25 milissegundos.

Com o Adobe Advertising Creative Management, anunciantes podem criar, gerenciar e otimizar anúncios entre canais. Ele oferece suporte a recursos criativos estáticos padrão, anúncios dinâmicos em feeds/catálogos com segmentação, métodos de rotação e otimização de desempenho.

O Dynamic Creative Optimization (DCO) é um recurso principal do Creative Management que possibilita a personalização em tempo real de anúncios dinâmicos. Enquanto o Creative Management cuida da configuração dos recursos criativos, do upload de catálogos e da configuração das experiências, nos bastidores da renderização do anúncio, o DCO executa o mecanismo de decisão em tempo real que seleciona o produto mais adequado de acordo com as preferências do usuário. Esse sistema de dois níveis, que combina regras determinísticas de direcionamento com otimização de aprendizado de máquina, garante que anunciantes possam aproveitar catálogos de produtos extensos enquanto mantêm a velocidade e a escala necessárias para a publicidade programática. O DCO transforma modelos criativos estáticos em anúncios personalizados com reconhecimento de contexto que se adaptam à localização e às preferências do usuário em tempo real.

Este é o Dynamic Creative Optimization (DCO), uma arquitetura pronta para produção que lida com milhões de decisões por dia enquanto aprende continuamente o que funciona melhor.

_{Figura 1: do lance vencedor ao direcionamento, seleção de produto, otimização por aprendizado de máquina e renderização final do anúncio.}

Figura 2: fluxo de trabalho de otimização criativa de ponta a ponta

O desafio

Veicular anúncios personalizados em grande escala exige a resolução de quatro desafios simultaneamente:

• Escala: processar catálogos com mais de 10.000 produtos por anunciante

• Velocidade: decida em <25 milissegundos para cada solicitação de publicidade

• Relevância: corresponder anúncios ao contexto do usuário (localização, interesses, dispositivo)

• Otimização: aprender e melhorar continuamente a partir do comportamento real do usuário

As abordagens tradicionais não são suficientes. A seleção aleatória oferece baixa relevância. A varredura sequencial de milhares de produtos é muito lenta. As regras de pontuação estáticas não conseguem aprender o que gera conversões. E o aprendizado de máquina puro sem lógica de negócios pode veicular anúncios irrelevantes ou violar restrições de campanha.

Tipos de recursos criativos: padrão e dinâmico

Antes de entrar no sistema de direcionamento, é importante entender os dois principais tipos de criativos

Criativos padrão

Os criativos padrão são anúncios estáticos com conteúdo fixo e predefinido. Os ativos criativos (imagens, cópia, chamada para ação) são carregados uma vez e permanecem inalterados, independentemente de quem vê o anúncio.

• Caso de uso: percepção da marca e promoções de assinatura em que a personalização não é necessária.

• Exemplo: um banner da Adobe Creative Cloud apresentando recursos como “Transforme um resumo em algo brilhante” ou “Os clientes desejam mais opções”, com destaque para modelos de anúncios pré-projetados e ferramentas criativas com layout e mensagens fixos, mostrados de forma idêntica a todos os usuários elegíveis.

• Otimização: o aprendizado de máquina otimiza quais criativos estáticos têm melhor desempenho, mas o conteúdo em si não é alterado para cada usuário.

Figura 3: exemplos de variantes de criativos estáticos

Criativos dinâmicos

Criativos dinâmicos são anúncios baseados em modelo que extraem informações de produtos em tempo real de um feed de catálogo. O modelo define o layout, enquanto os dados do produto (imagem, título, preço, descrição) são inseridos no momento da veiculação com base no contexto do usuário.

• Caso de uso: varejo, viagens, automotivo ou qualquer anunciante com um grande catálogo de produtos que deseja mostrar produtos relevantes a cada usuário.

• Exemplo: um usuário na Califórnia que procura por eletrônicos vê um anúncio dinâmico mostrando um laptop disponível em sua região por US$ 999, enquanto um usuário em Nova York vê um produto diferente com base em seu histórico de navegação.

• Otimização: o aprendizado de máquina otimiza a combinação produto × modelo de criativo, selecionando o melhor produto e o melhor tratamento visual para esse usuário.

Grupo de criativos e AdThemes

No Adobe Advertising Creative, as campanhas são organizadas em experiências. Uma experiência direcionada pode usar uma árvore de decisão: cada ramificação aplica regras de público-alvo (localização geográfica, dispositivo, segmento etc.), e o nó de folha final nessa árvore é o que este artigo chama de AdTheme, um caminho de público-alvo específico com criativos anexados.

Um Grupo de criativos é a coleção de criativos (padrão ou dinâmicos) associada a um AdTheme. Depois que a Camada 1 seleciona um AdTheme para a solicitação atual, o sistema ainda precisa decidir qual criativo do grupo de criativos deve ser exibido. Esta opção é controlada pelo método de rotação configurado na interface:

Baseado em algoritmo (Algo)

Usa aprendizado de máquina, especificamente a Amostragem de Thompson, para selecionar automaticamente o criativo com melhor desempenho. O sistema monitora as métricas de sucesso (cliques, conversões) de cada criativo e favorece cada vez mais os vencedores enquanto explora alternativas. Esse é o método recomendado para maximizar o desempenho da campanha.

Ponderado

Distribui impressões entre criativos de acordo com as porcentagens definidas pelo anunciante. Por exemplo, um anunciante pode configurar 70% das impressões no Criativo A (a mensagem principal) e 30% no Criativo B (uma variante de teste). Útil para um teste A/B controlado ou quando uma alocação específica de tráfego é necessária.

Sequencial

Alterna entre os criativos em uma ordem definida, passando por cada criativo antes de repetir. Garante distribuição uniforme ao longo do tempo e é útil para campanhas em que todos os criativos precisam de exposição igual.

Aleatório

Seleciona aleatoriamente criativos disponíveis com igual probabilidade em cada solicitação. Simples, mas não inclui aprendizado ou otimização: útil para testes de linha de base ou quando se deseja verdadeira aleatoriedade. Camada 1: direcionamento e seleção de AdTheme

Finalidade: encontrar o grupo de criativos correto (AdTheme). Isso acontece para todos os tipos de anúncios: padrão, dinâmico e vídeo.

Camada 1: direcionamento e seleção de AdTheme

Finalidade: encontrar o grupo de criativos correto (AdTheme). Isso acontece para todos os tipos de anúncios: padrão, dinâmico e vídeo.

Duas abordagens de direcionamento

1. Direcionamento da árvore de decisão

Anunciantes podem configurar várias camadas de direcionamento na forma da experiência de árvore de decisão e atribuir criativos a cada ramificação da árvore. Uma experiência tem uma tag de publicidade que anunciantes podem usar em qualquer plataforma do lado da demanda (DSP)

Como funciona

Avalia vários critérios simultaneamente e realiza a interseção definida. O sistema mantém índices separados para cada dimensão de direcionamento:

• Geografia: país, região/estado, cidade, CEP, DMA

• Dispositivo: tipo de dispositivo, navegador, SO

• Data Pass: parâmetros personalizados (t1-t5)

• Perfil: atributos de usuário (ut1-ut5)

• Segmentos: segmentação comportamental

• Agendamento de anúncios: intervalos de data/hora

2. Direcionamento baseado em tag

O usuário pode configurar uma experiência que não utiliza árvore de decisão e funciona com diferentes tags configuradas nos tamanhos de anúncio.

Quando a solicitação inclui tag='4', o sistema recupera diretamente o AdTheme associado à tag 4. Mais rápido, porém menos flexível que a árvore de decisão.

Pontuação: modelo aditivo

Após a interseção identificar AdThemes correspondentes, a pontuação usa um modelo aditivo:

Exemplo:

Figura 4: fluxo de direcionamento de Nível 1 - A árvore de decisão ou direcionamento baseado em tags atualiza a pontuação aditiva para selecionar o AdTheme vencedor para a solicitação

Para anúncios dinâmicos: camada de seleção de produto

Importante: a seleção de produtos ocorre APENAS em anúncios dinâmicos. Os anúncios padrão ignoram essa camada.

Figura 5: os quatro pilares do DCO (direcionamento, pontuação, seleção de produtos e otimização de aprendizado de máquina) trabalhando juntos em tempo real

Arquivos de catálogo de produtos (arquivos MUP)

Os anunciantes fazem upload dos feeds de produto (UTF-8, delimitado por tabulação). Cada linha representa um produto e inclui: ID do produto, título, descrição, preço, URLs de imagem, categoria, marca, provedor, disponibilidade geográfica e campos de direcionamento 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.
..........

Do feed aos índices: pipeline offline

1. Análise de feed: analisar linhas em identificadores de produto leves (pontuação inicial = 1,0).

2. Configuração de índice: as colunas que se tornam índices são orientadas por configuração (arquivo de propriedades).

3. Criação de índice invertido: para cada coluna configurada, crie um índice invertido, frequentemente usando bitmaps compactados.

4. Serialização e carregamento dinâmico: serialize índices binários e faça a troca dinâmica por pods de serviço com atualizações atômicas.

Processo de seleção de produto

Etapa 1 - Filtragem baseada em índice: busca conjuntos de produtos por critério (país, categoria, segmento).

Etapa 2 - Pontuação multiplicativa (diferente da Camada 1):

Tabela de exemplo:

Figura 6: variante 1 - O produto mais bem classificado após a filtragem baseada em índice e pontuação multiplicativa. Este é o produto selecionado.

Figura 7: variante 2 - Um produto de anúncio dinâmico elegível que passa pelo direcionamento, mas recebe uma pontuação final mais baixa

Figura 8: variante 3 - Outro produto qualificado retido para comparação, mas não selecionado

Nota cumulativa: Estas figuras (figuras 6 a 8) representam três variantes do mesmo anúncio dinâmico, derivadas de diferentes linhas do feed do produto. Todas as variantes satisfazem as restrições de direcionamento e pontuação, mas apenas a variante com a pontuação mais alta é selecionada e mapeada para o modelo criativo.

Etapa 3 - Seleção dos N melhores: retorna os N melhores produtos (por exemplo, os 200 melhores). Empates no ponto de corte são incluídos por questão de equidade.

Etapa 4 - Produto final: após o algoritmo de otimização criativa, o produto final é retornado e mapeado para o modelo.

Engenharia de desempenho: alcançando <25 milissegundos

Várias práticas de engenharia permitem atingir a meta de <25 ms:

1. Localidade de dados

• Pré-carregar índices na memória do pod na inicialização

• Armazene em cache os detalhes dos produtos acessados com frequência

• Carregamento dinâmico para atualizações sem tempo de inatividade

2. Estruturas de dados compactas

• Bitmaps compactados para conjuntos de identificadores

• Indireção de dicionário para evitar duplicação de strings

• Operações eficientes com conjuntos

3. Armazenamento em cache de resultados

• Memorizar resultados para padrões repetidos

• Invalidar em caso de alterações no feed

• Expiração baseada em TTL

4. Conjuntos de candidatos limitados

• Limite os “N principais” para agilizar o aprendizado de máquina (10 a 50 produtos por criativo)

• Executar aprendizado de máquina apenas no subconjunto elegível

• Paralelizar pesquisas de estatísticas e obtenção de detalhes do produto

5. Trocas de índice atômico

• Ofereça suporte a atualizações atômicas sem tempo de inatividade

• Otimizado para grandes lotes; capacidade de reversão

Figura 9: índices em memória, estruturas de dados compactas e estratégias de armazenamento em cache que permitem uma latência de decisão inferior a 25 ms

Nível 2: otimização de aprendizado de máquina

Propósito: seleção inteligente dos principais candidatos. O aprendizado de máquina é executado para todos os tipos de anúncios, mas opera em “braços” diferentes:

• Anúncios padrão: braços = criativos estáticos

• Anúncios dinâmicos: braços = produto × pares criativos

• Anúncios de vídeo: braços = criativos de vídeo

Quando o aprendizado de máquina é executado?

O aprendizado de máquina é executado quando há várias opções competitivas ou quando a exploração é necessária.

Cenário A - Vencedor claro (sem aprendizado de máquina):

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

Cenário B - Empates/opções competitivas (o aprendizado de máquina decide):

Amostragem de Thompson: o mecanismo de aprendizado de máquina

1. Recuperar contagens históricas de sucesso/fracasso para cada variante

2. Amostra de distribuições do Beta (uma por variante)

3. Selecionar a variante com a maior probabilidade de amostra

Por que usar a amostragem de Thompson? Funciona com atualizações diárias em lote, equilibra naturalmente a exploração e o aproveitamento, executa rapidamente e apresenta melhorias de 20 a 40% em comparação com a seleção nativa.

Figura 10: Amostragem de Thompson no DCO - Os braços elegíveis e as estatísticas de desempenho por braço alimentam o mecanismo de bandido, que seleciona o melhor criativo ou produto com relação ao criativo para a solicitação atual

Entenda sobre os “braços” de um bandido multibraços

O termo “braço” vem das máquinas caça-níqueis (bandidos armados).  No DCO:

• Anúncios padrão: braços = criativos estáticos (por exemplo, 5 criativos = 5 braços)

• Anúncios dinâmicos: braços = pares de produtos × criativos (por exemplo, 3 criativos × 10 produtos = 30 braços)

Por que os braços contextuais são importantes: o conjunto de braços pode mudar com base no contexto da solicitação (localização, disponibilidade). O aprendizado de máquina cria amostras com base apenas nos braços atualmente elegíveis, permitindo uma adaptação dinâmica sem pré-calcular todas as combinações.

Fluxo completo: da solicitação à resposta

Para anúncios padrão, o fluxo é direto: o Nível 1 escolhe um AdTheme com base nas regras de direcionamento e, em seguida, o aprendizado de máquina do Nível 2 escolhe o melhor criativo desse grupo usando a Amostragem de Thompson. Para anúncios dinâmicos, uma camada extra filtra e pontua os produtos antes que o aprendizado de máquina decida a combinação final de produto e criativo. Em ambos os casos, todo o processo de decisão é concluído em menos de 25 milissegundos

Figura 11: fluxo padrão de solicitação de publicidade - O direcionamento e o aprendizado de máquina selecionam o melhor criativo estático

Figura 12: fluxo dinâmico de solicitações de publicidade - Inclui a seleção de produtos antes da otimização e renderização do aprendizado de máquina.

Além da publicidade: aplicativos universais

O padrão de dois níveis (direcionamento + aprendizado de máquina) se aplica além dos anúncios:

1. Recomendações de conteúdo: filtragem por classificação/disponibilidade; o aprendizado de máquina otimiza o engajamento.

2. Classificação de pesquisa de comércio eletrônico: filtragem por estoque/preço; o aprendizado de máquina otimiza a conversão.

3. Otimização de campanha por email: aplica preferências; o aprendizado de máquina seleciona o assunto/hora.

4. Correspondência de avaliação clínica: impõe a elegibilidade; o aprendizado de máquina otimiza o êxito da inscrição.

O padrão: Destino → Pontuação → Otimizar.

Por que esta arquitetura funciona

Direcionamento + Apenas regras: rápido e determinístico, mas pode desempatar aleatoriamente.

Apenas aprendizado de máquina: pode aprender, mas também pode violar a lógica de negócios e convergir lentamente sem remoção.

Direcionamento + regras + aprendizado de máquina: o melhor de ambos - Lógica de negócios imposta, pontuação de relevância e aprendizado de máquina para melhoria contínua. Principais benefícios: latência de <25 ms e melhoria de desempenho de 20 a 40% em relação às linhas de base nativas.

Principais conclusões

1. Sistema em dois níveis: primeiro o direcionamento/pontuação (rápido, determinístico), depois a otimização por aprendizado de máquina (aprendizado adaptativo).

2. Pontuação diferente: aditiva para seleção de AdTheme; multiplicativa para seleção de produto.

3. Dinâmico = camada extra: anúncios dinâmicos adicionam a seleção de produto entre a seleção de AdTheme e o aprendizado de máquina.

4. Aprendizado de máquina para todos os tipos: a Amostragem de Thompson funciona para vídeo, dinâmico e padrão, somente os braços são diferentes.

5. Escala em tempo real: milhões de decisões por dia a <25 ms por solicitação.

Conclusão

O Dynamic Creative Optimization é um padrão de arquitetura eficiente que combina:

• Nível 1: direcionamento e pontuação com base em regras (determinístico, rápido)

• Seleção de produtos: filtragem baseada em índice e pontuação multiplicativa (anúncios dinâmicos)

• Nível 2: otimização de aprendizado de máquina com Amostragem de Thompson (todos os tipos de anúncios)

O insight principal: não são regras ou aprendizado de máquina, mas sim ambos em sequência. O direcionamento garante a relevância, a pontuação garante a diferenciação e o aprendizado de máquina garante a otimização contínua.

Deseja saber mais sobre como o DCO pode melhorar o desempenho de publicidade? Explore o Adobe Advertising Creative para começar.