Product

IX Traffic Filter: relever les défis économiques de 2020 avec le Machine Learning

Revenons à une époque antérieure au confinement et aux masques: l’année 2019. Alors que nous nous tournions vers 2020, l’un de nos objectifs chez Index Exchange était d’investir dans l’efficacité, au nom de nos éditeurs et acheteurs. Nous n’aurions jamais pu prévoir à quel point cet objectif deviendrait important mais nous avons réalisé que le moment était venu de relever les défis business de 2020 grâce au Machine Learning.

Défis surprises en 2020

Avec l’apparition du COVID-19 et le ralentissement économique qui en a résulté, nous avons constaté une augmentation massive du trafic, les utilisateurs confinés passant plus de temps à naviguer sur internet, tandis que de nombreux annonceurs programmatiques avaient temporairement suspendu leurs campagnes. Dans le même temps, les restrictions relatives aux voyages ont rendu plus difficile l’installation de matériel supplémentaire dans nos centres de données mondiaux. Nous avions déjà prévu d’augmenter notre volume d’enchères cette année, mais étant donné les circonstances, il était important que nos coûts d’infrastructure n’augmentent pas parallèlement à l’augmentation de l’offre.

Pour vous donner un exemple concret, au cours d’une journée normale sur l’exchange aujourd’hui, Index Exchange gère plus de 120 000 000 000 d’enchères (120 milliards !), avec des pics à plus de 1,2 million de QPS.

Cette augmentation du trafic a également généré des difficultés pour nos partenaires côté demande. De nombreux DSP sont soumis à des contraintes QPS, qui pendant cette période, ont été poussées à leurs limites. Pour remplir au mieux notre rôle de partenaire, nous avons voulu proposer des solutions capables d’optimiser les offres envoyées aux DSP, sans les submerger d’offres qui ne les intéressaient pas , ou qu’ils ne pouvaient tout simplement pas gérer compte tenu des pics de trafics dont nous étions témoins.

Prédire l’avenir avec une filtrage intelligent du trafic

Un graphique affichant le processus de filtration intelligente du trafic et la manière dont les ad requests parviennent aux DSP.

Notre défi était simple: que se passerait-il si nous pouvions prédire quelles opportunités d’impression ne seraient jamais susceptibles de recevoir des offres, et ainsi soulager l’infrastructure de la gestion d’une enchère improductive? Plus important encore, pourrions-nous accomplir cela sans aucun impact sur les revenus de nos vendeurs?

Telle était notre vision derrière la création d’ IX Traffic Filter, une initiative de Machine Learning composée de deux projets distincts mais interconnectés:  Supply Traffic Filter et Buyer Traffic Filter.

Supply Traffic Filter

Supply Traffic Filter répond à deux objectifs: garantir que l’Exchange puisse atteindre de nouveaux sommets et le rendre plus efficace. Si nous ne gérons que les enchères susceptibles de générer des offres, nous pouvons maximiser l’efficacité des acheteurs sans frais pour les éditeurs, tout en protégeant notre infrastructure contre les pics de trafic (en espérant que nous ne connaîtrons pas une autre pandémie de si tôt).

Voici comment cela fonctionne: en appliquant le Machine Learning aux ensembles de données d’enchères historiques, nous générons des modèles prédictifs des enchères que les acheteurs feront sur les futures “ad requests” comment les acheteurs enchériront. Ces modèles sont déployés sur sur tous les nœud de l’Exchange, puis sont utilisés en temps réel pour filtrer les demandes qui ne devraient recevoir aucune enchères des acheteurs. Ces modèles sont suffisamment précis (et sont constamment recyclés!) Pour garantir que nous pouvons assurer le maintien de taux de revenus supérieurs à 99%, tout en réduisant la charge sur le nœud d’exchange de valeurs en pourcentage à deux chiffres.

Pour plus d’informations sur le fonctionnement de Supply Traffic Filter, consultez notre article de blog d’ingénierie.

Buyer Traffic Filter

Alors que Supply Traffic Filter se concentre sur l’Exchange dans son ensemble, l’objectif de Buyer Traffic Filter est d’assurer une plus grande efficacité aux acheteurs: réduire leurs coûts d’infrastructure, tout en continuant à leur transmettre le trafic le plus pertinent pour eux. Pour chaque enchère, nous souhaitons envoyer uniquement des “bid requests” aux acheteurs qui souhaitent effectivement les recevoir, sans affecter leur capacité à acheter, évitant ainsi d’exclures les bid requests un acheteur aurait soumis une offre. Buyer Traffic Filter va encore plus loin sur l’exchange que Supply Traffic Filter, et prend de nombreuses décisions de filtrage par opportunité d’impression pour nous assurer que nous acheminons cette enchère vers chaque acheteur qui souhaite enchérir.

Buyer Traffc Filter fonctionne de la même manière que Supply Traffic Filter, mais nous utilisons les données d’enchères spécifiques au DSP pour prendre les décisions de filtrage. Les bénéfices pour l’acheteur dépendent des caractéristiques de l’intégration avec le DSP: les DSP sans plafond QPS observeront des gains d’efficacité, tandis que les DSP soumis à des contraintes QPS augmenteront les taux d’enchères et les taux de remplissage car ils recevront un flux de trafic plus précieux. De plus, cela leur donne la possibilité de continuer à évoluer à mesure qu’Index Exchnage évolue sans avoir à faire des investissements massifs en infrastructure à chaque étape de leur croissance.

Ce que nous avons appris

Jusqu’à présent, nous avons appris que nous pouvons réduire notre volume d’enchères par des pourcentages à deux chiffres, avec un impact sur les dépenses inférieur à 1%.Nous avons également appris que nous pouvons passer par un petit pourcentage du trafic pour surveiller nos performances en temps réel, recyclant ainsi continuellement le système. Et nous avons aussi appris qu’il s’agissait d’un bon problème pour tester les techniques de Machine Learning. Nous continuons d’investir dans IX Traffic Filter, afin d’être la l’Exchange le plus efficace pour les acheteurs et le plus résilient pour les éditeurs. Chez Index Exchange nous sommes heureux d’être une valeur refuge pour nos partenaires, et nous continuerons de multiplier nos efforts face à l’incertitude et de repousser les limites pour maintenir un écosystème solide.

 

One thought on “IX Traffic Filter: relever les défis économiques de 2020 avec le Machine Learning

Comments are closed.