중복 광고 타겟팅으로 전환 수 늘리기

디지털 광고는 수십억 개 이상의 상호작용을 통해 이루어지는 숫자 게임입니다. 광고주와 출판사는 트래픽을 사고팔기 위한 예측 모델을 구축한 다음, 그러한 모델을 반복해서 적용합니다. 심지어 모델에 대한 작은 변화, 즉 전환율을 1%의 비율로 바꾸는 변화는 10억 건의 거래 과정에서 수익에 지대한 영향을 미칠 수 있다.

---

타겟팅된 광고를 게재하려면 관심 분야 및 인구 통계 정보로 분류된 사용자 데이터베이스가 필요합니다. 세분화를 통해 보다 효과적인 타겟팅이 가능합니다. 예를 들어 일반적인 음악 팬 목록보다 락앤롤, 재즈 및 클래식 음악을 좋아하는 사용자 목록이있는 경우 더 관련성 높은 광고를 선택할 수 있습니다.

​

여러 사용자 세그먼트 간의 중복을 알면 타겟팅에 대한 새로운 기회가 열립니다. 예를 들어, 사용자는 클래식 음악의 팬이고 샌프란시스코 만 지역에 살고 있다는 것을 알면 샌프란시스코 심포니 티켓 광고를 낼 수 있습니다. 이 광고는 대다수의 청중과 관련이 없지만, 이 특정 "중복" 부문에 대해 높은 비율로 전환될 수 있습니다. 비슷하게, 당신은 남부 캘리포니아의 클래식 팬들에게 LA 필하모닉 티켓을 제공할 수 있습니다. 아웃사이드 랜즈 티켓은 베이 지역의 락앤롤 팬에게 제공합니다.

​

최근까지 기술적인 문제로 인해 중복 타겟팅이 어려워졌습니다. Ad Exchange의 원래 백엔드인 기존 OLTP 데이터베이스는 실시간으로 오버랩 분석을 수행하기 위한 쿼리 성능을 제공할 수 없습니다. 반면, 사전 계산 세그먼트 겹침은 너무 많은 세그먼트 조합(예 : 클래식 및 SF, 록 및 SF, 재즈 및 SF,…, 클래식 및 LA, 록 및 LA 등)을 저장해야하며 계산 및 저장량이 증가합니다. 더 많은 세그먼트 유형을 결합하기 시작할 때 더 빠릅니다.

​

SingleStore는 단일 데이터베이스에서 실시간 데이터 수집 및 세그먼트 분석을 통합하여 보다 간단한 접근 방식을 가능하게 합니다. 이 게시물에서는 SingleStore를 사용하여 대상 세그먼트 겹침을 실시간으로 계산하는 시스템을 구축하는 방법에 대해 설명합니다.

​

데이터의 크기와 모양

20 억 명의 사용자 (인터넷의 모든 사용자)가 있고 그 사용자가 10 만 개의 정의된 범주 또는 "세그먼트"의 구성원일 수 있다고 가정합니다. 클릭 수는 세 가지를 기록됩니다 (user_id, segment_id, 타임 스탬프). 테이블 정의에 다음 DDL을 사용합니다.

CREATE TABLE user_groups ( user_id BIGINT , segment_id INT, ts TIMESTAMP , shard key(user_id) , key segment (segment_id) using clustered columnstore )

이 데이터는 고유하지 않으므로 여러 번 다른 사용자와 그룹이 여러 번 출력될 수 있습니다.

​

이제 매달 약 1,000 억 건의 클릭(클릭)을 수집한다고 가정 해보십시오. 새로운 데이터를 지속적으로 로드하면서도 2 초 이상의 두 세그먼트 이상에 걸친 Union 및 Intersection을 계산하는 것은 레거시 기술로는 불가능했습니다.

​

SingleStore는 대용량 저장소를 효율적으로 저장하고 검색 할 수 있도록 Columntore 인덱스를 제공합니다 . SingleStore Columnstore 테이블은 압축률이 높은 형식으로 디스크에 유지됩니다. 2 천억 개의 클릭 레코드는 1TB 미만의 압축 데이터와 같습니다.

​

데이터 로딩 및 정렬 순서 유지

한 달에 1,000 억 개의 레코드가 하루에 약 30 억 개의 레코드로 작동합니다. 이러한 수준의 수집을 제공하기 위해 SingleStore는 SingleStore Loader라는 오픈 소스 도구를 도입하여 AWS, S3, HDFS 또는 로컬 파일 시스템에서 빠른 속도로 대량 데이터를 로드할 수 있습니다. 데이터가 로드되면 SingleStore는 새 데이터를 백그라운드에서 기존 데이터와 정렬하고 병합합니다. 비용이 많이 드는 완벽한 정렬 순서를 유지하는 대신 SingleStore는 이 설명서 페이지에 설명된 대로 데이터 세트를 "거의 정렬 된" 상태로 유지합니다. 데이터 로드 중에 어느 정도의 정렬 순서를 유지하는 것이 Union 및 Intersection에서 1 초 미만의 쿼리 성능을 제공하는 데 중요합니다.

​

데이터 로드는 완전히 트랜잭션 방식이며 다른 쿼리를 방해하지 않습니다. 레거시 데이터웨어 하우스와 같이 데이터를 "비울" 필요가 없습니다. SingleStore는 자동으로 데이터를 정렬하며 SHOW COLUMNAR MERGE STATUS 명령을 사용하여 진행 상황을 모니터링 할 수 있습니다.

​

복합 세그먼트 찾기 및 타겟팅

단일 테이블에있는 모든 사용자 데이터를 사용하면 SQL을 통해 사용자 세그먼트 간의 관계를 쉽게 분석하고 분석 할 수 있습니다.

​

다음 쿼리는 세그먼트 1 (s1)과 세그먼트 2 (s2)의 그룹 통합을 계산합니다.

SELECT distinct segment_id FROM user_groups WHERE

세그먼트 Intersection을 계산하는 방법에는 여러 가지가 있습니다. 직관적으로 쿼리를 자체 조인으로 작성하는 단계로 넘어갈 수 있지만 실제로는 내장 함수를 영리하게 사용하여 더 간단하게 작성할 수 있습니다. 다음 쿼리는 s1과 s2의 교차점을 계산합니다 (예 : s1과 s2의 모든 사용자).

SELECT user_id, (max(segment_id = s2) and max(segment_id =s1)) both_segments FROM user_groups WHERE segment_id IN(s1, s2) GROUP BY user_id HAVING both_segments = true

이 쿼리에서 표현식 (max (segment_id = s2) 및 max (segment_id = s1))은 user_id로 식별 된 지정된 사용자가 세그먼트 s1과 세그먼트 s2에 속하는지 테스트합니다. segment_id = s2는 segment_id가 s2와 일치하면 1 (true)을 반환하고 그렇지 않으면 0 (false)을 반환합니다. query의 프로젝션에서 max (segment_id = s2)는 segment_id가 s2와 일치하면 1을 반환하고 그렇지 않으면 0을 반환합니다. "이 user_id는 두 세그먼트에 속합니다."와 같이 전체 표현식은 변수 both_segments로 요약됩니다.

​

약간의 조정만으로 이와 같은 쿼리를 사용하여 다른 세그먼트 겹침 질문에 답변할 수 있습니다. 예를 들어 다음 쿼리를 사용하여 s1이 아닌 s1의 모든 사용자를 찾을 수 있습니다.

​

SELECT user_id, (max(segment_id = s1) and min(segment_id !=s2)) s1_only FROM user_groups WHERE segment_id IN(s1, s2) GROUP BY user_id HAVING s1_only = true

이전 쿼리의 both_segments와 마찬가지로 식 (max (segment_id = s1) and min (segment_id! = s2))은 user_id uid가 일부 있는 경우에만 1 (true)을 반환합니다.

​

1 초 미만의 쿼리 성능

SingleStore 쿼리 옵티마이저는 user_id에 의해 데이터 세트가 분할되므로 개별 user_id의 계산을 각 개별 파티션으로 푸시한 다음 결과를 요약할 수 있다는 것을 이해합니다.

​

또한 각 파티션은 segment_id로 정렬되므로 SingleStore는 대부분의 데이터를 실제로 읽지 않고도 건너 뛸 수 있습니다. 쿼리와 관련된 테이블 부분만 압축 해제하고 사용해야 합니다. 이러한 효율적인 검색으로 인해 각 파티션은 수십만 개의 레코드를 병렬로 처리하므로 SingleStore는 1 초 이내에 오버랩 쿼리를 계산할 수 있습니다.

​

데이터 보존

본질적으로 광고 타겟팅 데이터는 나이가 들어감에 따라 관련성이 떨어집니다. 데이터 삭제는 단순히 삭제 쿼리를 실행하여 이루어집니다.

DELETE from user_groups where ts < date_sub(now(), interval 2 month);

명령문이 실행된 후 SingleStore는 백그라운드에서 Column 세그먼트를 압축합니다. 삭제 작업은 진행중인 쿼리를 방해하지 않습니다. 이를 통해 광고 플랫폼을 온라인 상태로 유지하고 24 시간 내내 새로운 데이터에 대한 쿼리를 실행할 수 있습니다.

​

하드웨어

설명된 워크로드는 3 개의 노드, 즉 하나의 Aggregator와 두 개의 Leaf(모두 Amazon cr3x.large 인스턴스)에서 실행할 수 있습니다. 정렬된 정수 목록의 압축률이 높기 때문에 노드 당 700GB의 SSD로 2 천억 개의 데이터 포인트를 저장하기에 충분합니다.

​

심화

사용자 세그먼트를 결합하고 교차 시키면 광고주는 사전 수집된 데이터만 사용하여 잠재 고객을 더 잘 이해할 수 있습니다. 기존의 데이터베이스 기술 제한으로 인해 과거에는 이러한 유형의 분석이 복잡해졌습니다. 그러나 SingleStore를 사용하면 개념과 실행 모두에서 복합 세그먼트 컴퓨팅이 단순 해집니다.

​

이러한 기술은 디지털 광고 외부에도 적용됩니다. 잠재적으로 겹치는 범주를 분석해야하는 모든 비즈니스 문제는 이 빅 데이터 벤 다이어그램을 활용할 수 있습니다. SingleStore를 사용하면 SQL만 사용하여 라이브 데이터에서 복합 세그먼트를 생성 할 수 있습니다.

​

​

April 14, 2015

​

Conor Doherty

---

https://www.singlestore.com/blog/overlap-ad-targeting/

Boost Conversions with Overlap Ad Targeting - SingleStore Blog - MemSQL is Now SingleStore

Advertisers & publishers build predictive models for buying & selling traffic. Learn how to boost conversions with overlap ad targeting. Read more now!

www.singlestore.com

​

​

​

​※ www.a-platform.biz | info@a-platform.biz