Diapositive 1 - Big Data Paris

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