Product

IX Traffic Filter: Den geschäftlichen Herausforderungen 2020 mit Machine Learning die Stirn bieten

Index Exchange Traffic Filter

Das Jahr 2019: eine Zeit vor Quarantäne und Mund-Nasen-Schutz. Als wir das Jahr 2020 ins Auge fassten, war eines unserer Ziele bei Index Exchange, mehr Effizienz für Publisher und Buyer zu schaffen. Wir hätten uns nicht träumen lassen, wie wichtig dieses Ziel werden würde. Für uns war klar, dass jetzt der Moment gekommen war, um sich den Herausforderungen des Jahres 2020 zu stellen – mit Machine Learning.

Überraschende Herausforderungen 2020

Infolge der COVID-19-Pandemie verlor die Wirtschaft weltweit deutlich an Fahrt. Die eingeleiteten Maßnahmen zur Eindämmung des Virus hatten Folgen: Es kam zu einem massiven Anstieg des Datenverkehrs, da die User in Quarantäne mehr Zeit online verbrachten. Viele Werbetreibende pausierten indes ihre Kampagnen. Durch Reisebeschränkungen wurde es zudem schwieriger, zusätzliche Hardware in den Rechenzentren weltweit zu installieren. Auf ein gestiegenes Auktionsvolumen hatten wir uns eingestellt, aber unter den aktuellen Umständen wurde es immer wichtiger, dass die Infrastrukturkosten nicht linear mit dem steigenden Angebot wuchsen.

Ein Beispiel: An einem ziemlich durchschnittlichen Tag auf der Exchange laufen heute bei Index Exchange über 120.000.000.000.000 Auktionen (120 Milliarden!). Der Höhepunkt lag bei über 1,2 Millionen QPS.

Auch unsere Partner auf der Buy Side stellte dieser Traffic-Anstieg vor eine Herausforderung. Viele DSPs wurden bis an die Grenze der QPS-Beschränkungen getrieben. Als zuverlässiger Partner wollten wir Lösungen bereitstellen, die das Supply, das wir an die DSPs schicken, optimieren, ohne sie mit uninteressantem Supply zu überfordern – oder das sie angesichts der unerwarteten Anstiege einfach nicht bewältigen konnten.

Mit intelligenten Traffic-Filtern die Zukunft vorhersagen

A graphic displaying the process of Intelligent Traffic Filtration and how Ad Requests reach DSPs.

Die Challenge für uns war eindeutig: Was wäre, wenn wir vorhersagen könnten, welcher Content wahrscheinlich niemals Gebote erhalten würde, um so die Infrastruktur, die durch eine unproduktive Auktion entstehen würde, retten zu können? Wichtiger noch: Wäre das ohne Auswirkungen auf die Einnahmen unserer Verkäufer umsetzbar?

Das war die Vision hinter dem IX Traffic Filter, einer Initiative für Machine Learning, die aus separaten, aber ineinander greifenden Projekten besteht: Supply Traffic Filter und Buyer Traffic Filter.

Supply Traffic Filter

Der Supply Traffic Filter hat zwei Ziele: sicherzustellen, dass die Ad Exchange nicht nur neue Dimensionen erreichen kann, sondern ihn außerdem effizienter zu machen. Wenn nur Auktionen durchgeführt werden, bei denen wahrscheinliche Gebote abgegeben werden, wird die Effizienz für die Buyer ohne Kosten für die Publisher maximiert. Gleichzeitig wird die Infrastruktur vor Traffic Peaks geschützt (hoffentlich erleben wir in absehbarer Zeit kein weiteres COVID-19).

Und so funktioniert es: Wir wenden Machine Learning auf historische Auktionsdatensätze an und erstellen Modelle, die vorhersagen, wie Buyer auf zukünftige Ad Requests bieten werden. Diese Modelle werden an jedem Ad Exchange-Knoten in Echtzeit eingesetzt, um Anfragen herauszufiltern, die voraussichtlich kein Gebot erhalten werden. Diese Modelle sind genau genug (und werden ständig aktualisiert), um sicherzustellen, dass wir Einnahmen mit Raten von >99% erhalten und gleichzeitig die Belastung der Ad Exchange-Knoten um zweistellige Prozentsätze reduzieren können.

Weitere Informationen über die Funktionsweise des Supply Traffic Filters finden Sie in unserem Engineering-Blogbeitrag.

Buyer Traffic Filter

Während sich der Supply Traffic Filter auf die Exchange insgesamt konzentriert, zielt der Buyer Traffic Filter darauf ab, für Buyer mehr Effizienz zu schaffen. Er soll die Infrastrukturkosten senken und sie gleichzeitig mit relevantem Traffic versorgen. Im Rahmen jeder Auktion wollen wir nur Bid Requests an die Buyer senden, die diesen Traffic tatsächlich wünschen – ohne dabei ihre Kauffähigkeit zu beeinträchtigen (also werden keine Anfragen herausgefiltert, auf die ein Käufer geboten hätte). Der Buyer Traffic Filter greift an anderer Stelle als der Supply Traffic Filter und trifft viele Filterentscheidungen pro “Impression Opportunity” um sicherzustellen, dass die Auktion an jeden Käufer weitergeleitet wird, der darauf bieten möchte.

Der Buyer Traffic Filter funktioniert ähnlich wie der Supply Traffic Filter, allerdings verwendet Index Exchange DSP-spezifische Angebotsdaten, um Filterentscheidungen zu treffen. Der Nutzen für Buyer hängt dabei von der Art der DSP-Integration ab. QPS-unbegrenzte DSPs erzielen Effizienzsteigerungen, wohingegen bei QPS-beschränkten DSPs die Gebots- und Füllraten steigen, da sie einen wertvolleren Traffic-Strom erhalten. Dadurch kann die Skalierung mit der Index Exchange-Skalierung fortgesetzt werden, ohne in jeder Wachstumsphase riesige Summen in die Infrastruktur tätigen zu müssen.

Was wir gelernt haben

Bisher haben wir gelernt, dass wir unser Auktionsvolumen um zweistellige Prozentsätze reduzieren können, mit einer Auswirkung von <1% auf die Ausgaben. Wir wissen außerdem, dass wir einen kleinen Prozentsatz des Traffics durchlaufen können, um unsere Performance in Echtzeit zu überwachen und so das System ständig weiterzuentwickeln. Zu guter letzt haben wir herausgefunden, dass die aktuelle Situation der ideale Testfall für den Einsatz von Machine Learning ist. Wir investieren also weiter in IX Traffic Filter, um für die Buyer die effizienteste und für die Publisher die belastbarste Ad Exchange zu sein. Wir sind dankbar, dass wir für unsere Partner ein sicherer Hafen sein können. Angesichts der Unsicherheiten werden wir auch in Zukunft alles daran setzen, zu einem starken Ökosystem beizutragen.