LES ENJEUX DE LA PUBLICITÉ EN TEMPS RÉEL Big Data au service de La publicité personnalisée RETROUVEZ-NOUS SUR LE STAND I5 Définition : la publicité personnalisée Capacité à créer et diffuser en temps réel une campagne publicitaire ultra-ciblée, en combinant 3 dimensions : 1. Data Données de ciblage d’audience Data 2. Media Achat Media via les Ad Exchanges Media Créa 3. Créa Publicités personnalisées L’achat media : les ad exchanges L’achat media en temps réel est désormais possible par les Ad Exchanges, places de marché publicitaires aux enchères, mettant en contact les annonceurs et les éditeurs. >1,5 milliards d’impressions disponibles par jour en France 50 GB De données à traiter par jour pour valoriser chaque impression 100 ms Pour répondre à une enchère 20 Millions de produits De nos annonceurs en base La créa personnalisée : fonctionnement DATA OFFRES PRODUITS TEMPLATE + BANNIERE DYNAMIQUE = CONTEXTE Création en temps réel de plusieurs milliers de variantes Jusqu’à+300% d’amélioration du taux de clic La problématique d’analyse de données opérationnelles Le besoin > Optimiser l’achat d’espaces publicitaires > Personnaliser des publicités par Internaute Besoin fort d’analyse de données Choix techno > Au début : 100% base de données relationnelles > Maintenant : DB relationnelles pour les données de référence Big Data (Hadoop/Hive/HBase) pour les données opérationnelles Modèlé de stockage et de calcul avec DB relationnelles Les données transitent vers les algos Modèlé de stockage et de calcul avec Hadoop/HBase Les algos transitent vers les données Avant le Big Data Base de données relationnelles > Mise en place initiale plutôt simple > Beaucoup d’expérience sur le marché depuis des années Augmentation du nombre de données = > Complexité croissante de la gestion des données > Augmentation du temps de calcul Difficulté 10 DBB relationnelles 0 Quantité de données Avec le Big Data La mise en place prend du temps > Acquérir la compétence en interne (il existe des sociétés spécialisées) > Adapter les applications existantes > Adapter les algos existants Augmentation du nombre de données = > Plutôt neutre. Ajout de hardware + quelques clicks > Temps de calcul linéaire Difficulté 10 DBB relationnelles Big Data 0 Quantité de données Cas Pratique : Reporting Une des briques importantes de notre métier est le reporting > Pour permettre à nos Media Trader de suivre l’évolution des campagnes publicitaires mises en place > Pour permettre à nos clients de suivre en direct l’évolution des campagnes que nous mettons en place avec l’ensemble des métriques qui les intéressent Cas Pratique : Reporting – Avant Big Data On limitait la quantité de données récupérées : 10 à 15 GB par mois Implications > Reporting aussi riche/pauvre que les données > Temps de calcul de tous les rapports : ~6 heures > Temps de calcul croissant au fur et à mesure qu’on ajoutait des données Cas Pratique : Reporting – Avec Big Data On stocke toutes les données possibles et on les enrichie de toutes parts sans restreinte +50GB par jour Implications > Reporting bien plus précis permettant une analyse beaucoup plus en profondeur > Temps de calcul constant en moins d’une heure pour générer l’ensemble de rapports > Aucune crainte d’ajouter plus de données En résumé Le choix du passage au Big Data > Quel est le besoin ? « Big Data » n’est pas une formule magique qui résout tous les problèmes > Quel « Big Data » ? Autant de solutions que de problèmes > Quel compétences ? Il vous faudra mettre des ressources sur ce projet (internes ou externes) Une fois décidé, mettez y les moyens faute de quoi ça n’arrivera jamais