[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,67 +1,271 @@
|
||||
---
|
||||
id: wiki-2026-0508-dynamic-creative-optimization
|
||||
title: Dynamic Creative Optimization
|
||||
title: Dynamic Creative Optimization (DCO)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-Reinforce-AUTO-DCO-001]
|
||||
aliases: [DCO, dynamic ad, programmatic creative, ad personalization, creative AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.94
|
||||
tags: [auto-reinforced, dco, dynamic-creative, advertising, ad-tech, personalization, Optimization]
|
||||
verification_status: applied
|
||||
tags: [advertising, ad-tech, dco, personalization, generative-ai, mab, optimization]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-20
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: Python / TypeScript
|
||||
framework: AWS / GCP / DSP
|
||||
---
|
||||
|
||||
# [[Dynamic-Creative-Optimization|Dynamic-Creative-Optimization]]
|
||||
# Dynamic Creative Optimization (DCO)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "광고의 카멜레온적 진화: 모든 사람에게 똑같은 광고를 보여주는 대신, 사용자의 날씨, 위치, 관심사, 과거 구매 이력을 초 단위로 분석하여 텍스트부터 배경색, 제품 이미지까지 '나만을 위해 실시간으로 조립된' 최적의 전단지를 띄우는 기술."
|
||||
## 매 한 줄
|
||||
> **"매 ad creative 의 user / context 의 real-time 의 assemble"**. 매 static ad → 매 millions of variant. 매 element-level (image + headline + CTA + offer). 매 modern: 매 LLM + diffusion 의 generate, 매 RL bandit 의 select.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
동적 크리에이티브 최적화(Dynamic-Creative-Optimization, DCO)는 광고의 구성 요소를 실시간으로 조합하여 개별 사용자에게 가장 관련성 높은 광고를 노출하는 기술입니다.
|
||||
## 매 핵심
|
||||
|
||||
1. **작동 원리**:
|
||||
* **Ad Feed**: 텍스트, 이미지, 비디오 조각(Asset)들의 저장소.
|
||||
* **Data Signals**: 시간, 위치, 디바이스, 사용자 프로필, 리타겟팅 데이터.
|
||||
* **Creative Engine**: 실시간으로 시그널에 맞춰 에셋을 조립하여 완성된 배너나 영상을 생성. (Personalization와 연결)
|
||||
* **Reinforcement Learning**: 어떤 조합이 가장 많은 클릭을 유도했는지 학습하여 다음 노출에 반영. (Optimization와 연결)
|
||||
2. **왜 중요한가?**:
|
||||
* 광고 피로도(Ad fatigue)를 줄이고 전환율(Conversion)을 극대화하여 마케팅 ROI 정책을 획기적으로 높이기 때문임. ([[Efficiency|Efficiency]]와 연결)
|
||||
### 매 motivation
|
||||
- **Static ad**: 매 single creative.
|
||||
- **DCO**: 매 user 의 context 의 best variant.
|
||||
- **Result**: 매 CTR 30-200% ↑ (typical).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌**: 과거에는 수동으로 수백 개의 배너 시안 정책을 만드는 '노가다' 방식이었으나, 현대 정책은 AI 가 수천만 개의 조합 정책을 자동으로 관리하고 성과 정책을 분석함(RL Update).
|
||||
- **정책 변화(RL Update)**: 개인정보 보호 강화(쿠키리스 시대) 정책에 따라, 개인 식별 정책보다는 '맥락적 데이터 정책(Contextual data)'을 활용한 DCO 정책 모델이 새롭게 부상 중임.
|
||||
### 매 element
|
||||
- **Hero image / video**: 매 product, lifestyle.
|
||||
- **Headline**: 매 hook.
|
||||
- **Body**: 매 detail.
|
||||
- **CTA**: "Buy", "Learn", "Sign Up".
|
||||
- **Offer**: 매 discount, urgency.
|
||||
- **Logo / brand color**.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Personalization, [[Optimization|Optimization]], [[Efficiency|Efficiency]], [[Reinforcement Learning (RL)|Reinforcement Learning (RL)]], [[Statistics|Statistics]], [[Analysis|Analysis]]
|
||||
- **Key Concepts**: Dynamic Creative Alpha, Contextual Targeting.
|
||||
---
|
||||
### 매 method
|
||||
- **Rules-based**: 매 segment → variant.
|
||||
- **MAB / contextual bandit**: 매 explore-exploit.
|
||||
- **RL**: 매 long-term reward.
|
||||
- **Generative**: 매 LLM headline + diffusion image.
|
||||
- **Predictive CTR**: 매 model 의 score.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 modern AI
|
||||
- **Generative DCO**: 매 millions of unique creative.
|
||||
- **Persona-based**: 매 LLM 의 segment 의 voice.
|
||||
- **A/B at scale**: 매 thousands variant.
|
||||
- **Brand safety**: 매 LLM filter.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
### 매 응용
|
||||
1. **E-commerce**: 매 product feed-driven.
|
||||
2. **Travel**: 매 destination + season.
|
||||
3. **Finance**: 매 demographic.
|
||||
4. **Gaming**: 매 acquired-similar.
|
||||
5. **B2B SaaS**: 매 industry.
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
### Element-level template
|
||||
```typescript
|
||||
interface CreativeTemplate {
|
||||
layout: 'hero' | 'carousel' | 'video';
|
||||
slots: {
|
||||
image: string; // 매 URL
|
||||
headline: string;
|
||||
cta: string;
|
||||
body: string;
|
||||
logo: string;
|
||||
};
|
||||
brand_color: string;
|
||||
}
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
function assemble(user: User, context: Context): CreativeTemplate {
|
||||
return {
|
||||
layout: pickLayout(user, context),
|
||||
slots: {
|
||||
image: pickImage(user.interests, context.season),
|
||||
headline: pickHeadline(user.intent, context.event),
|
||||
cta: pickCTA(user.funnel_stage),
|
||||
body: pickBody(user.lang),
|
||||
logo: BRAND_LOGO,
|
||||
},
|
||||
brand_color: BRAND_COLOR,
|
||||
};
|
||||
}
|
||||
```
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
### Contextual bandit (LinUCB)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
class LinUCB:
|
||||
def __init__(self, n_arms, n_features, alpha=1.0):
|
||||
self.alpha = alpha
|
||||
self.A = [np.eye(n_features) for _ in range(n_arms)]
|
||||
self.b = [np.zeros(n_features) for _ in range(n_arms)]
|
||||
|
||||
def select(self, context):
|
||||
scores = []
|
||||
for a in range(len(self.A)):
|
||||
theta = np.linalg.solve(self.A[a], self.b[a])
|
||||
ucb = theta @ context + self.alpha * np.sqrt(
|
||||
context @ np.linalg.solve(self.A[a], context)
|
||||
)
|
||||
scores.append(ucb)
|
||||
return int(np.argmax(scores))
|
||||
|
||||
def update(self, arm, context, reward):
|
||||
self.A[arm] += np.outer(context, context)
|
||||
self.b[arm] += reward * context
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
# 매 each "arm" = 매 creative variant
|
||||
```
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
### Generative ad (LLM headline)
|
||||
```python
|
||||
def generate_headlines(product, user_segment, n=10):
|
||||
prompt = f"""Generate {n} ad headlines for "{product}" targeting {user_segment}.
|
||||
Tone: persuasive, concise (≤7 words). One per line."""
|
||||
return llm.generate(prompt).split('\n')
|
||||
|
||||
# 매 brand safety filter
|
||||
def is_safe(headline):
|
||||
return classifier.predict(headline)['toxic'] < 0.1
|
||||
```
|
||||
|
||||
### Diffusion image (variant)
|
||||
```python
|
||||
import torch
|
||||
from diffusers import StableDiffusionPipeline
|
||||
pipe = StableDiffusionPipeline.from_pretrained('stabilityai/sdxl-turbo').to('cuda')
|
||||
|
||||
def generate_hero(product, lifestyle, brand_style):
|
||||
prompt = f"{product} in {lifestyle}, {brand_style}, professional photography"
|
||||
return pipe(prompt, num_inference_steps=4).images[0]
|
||||
```
|
||||
|
||||
### CTR predictor (Wide & Deep)
|
||||
```python
|
||||
class WideDeepCTR(nn.Module):
|
||||
def __init__(self, n_cat, embed_dim=8, hidden=64):
|
||||
super().__init__()
|
||||
self.embeds = nn.ModuleList([nn.Embedding(c, embed_dim) for c in n_cat])
|
||||
self.deep = nn.Sequential(
|
||||
nn.Linear(len(n_cat) * embed_dim, hidden),
|
||||
nn.ReLU(),
|
||||
nn.Linear(hidden, 1),
|
||||
)
|
||||
self.wide = nn.Linear(sum(n_cat), 1)
|
||||
|
||||
def forward(self, sparse_feats, deep_idx):
|
||||
deep = torch.cat([e(deep_idx[:, i]) for i, e in enumerate(self.embeds)], dim=1)
|
||||
return torch.sigmoid(self.wide(sparse_feats) + self.deep(deep))
|
||||
```
|
||||
|
||||
### Multi-armed Thompson Sampling
|
||||
```python
|
||||
class ThompsonDCO:
|
||||
def __init__(self, n_arms):
|
||||
self.alpha = np.ones(n_arms)
|
||||
self.beta = np.ones(n_arms)
|
||||
|
||||
def select(self):
|
||||
samples = np.random.beta(self.alpha, self.beta)
|
||||
return int(np.argmax(samples))
|
||||
|
||||
def update(self, arm, click):
|
||||
if click: self.alpha[arm] += 1
|
||||
else: self.beta[arm] += 1
|
||||
```
|
||||
|
||||
### Real-time decisioning (DSP integration)
|
||||
```typescript
|
||||
// OpenRTB bid request
|
||||
async function decideAd(bidReq: BidRequest): Promise<AdResponse> {
|
||||
const userVec = await fetchUserEmbed(bidReq.user.id);
|
||||
const ctxVec = encodeContext(bidReq.imp[0]);
|
||||
const variantId = bandit.select(concat(userVec, ctxVec));
|
||||
const creative = assemble(variantId);
|
||||
return {
|
||||
bid: predictedCTR * cpc * 1000, // 매 CPM
|
||||
creative,
|
||||
};
|
||||
}
|
||||
```
|
||||
|
||||
### Brand safety guard
|
||||
```python
|
||||
def brand_safe(creative, context):
|
||||
"""매 placement adjacency check."""
|
||||
if context.publisher_category in BLOCKED_CATEGORIES:
|
||||
return False
|
||||
if classifier.predict(creative.headline)['toxic'] > 0.05:
|
||||
return False
|
||||
if has_competitor_logo(creative.image):
|
||||
return False
|
||||
return True
|
||||
```
|
||||
|
||||
### Frequency cap
|
||||
```python
|
||||
class FreqCap:
|
||||
def __init__(self, redis, limit_per_day=5):
|
||||
self.redis = redis
|
||||
self.limit = limit_per_day
|
||||
|
||||
def can_show(self, user_id, campaign_id):
|
||||
key = f'fc:{user_id}:{campaign_id}:{today()}'
|
||||
count = int(self.redis.get(key) or 0)
|
||||
return count < self.limit
|
||||
|
||||
def record(self, user_id, campaign_id):
|
||||
key = f'fc:{user_id}:{campaign_id}:{today()}'
|
||||
self.redis.incr(key)
|
||||
self.redis.expire(key, 86400)
|
||||
```
|
||||
|
||||
### Eval metric
|
||||
```python
|
||||
def evaluate(impressions):
|
||||
return {
|
||||
'CTR': sum(i.click for i in impressions) / len(impressions),
|
||||
'CVR': sum(i.convert for i in impressions if i.click) / max(1, sum(i.click for i in impressions)),
|
||||
'CPA': sum(i.spend for i in impressions) / max(1, sum(i.convert for i in impressions)),
|
||||
'ROAS': sum(i.revenue for i in impressions) / sum(i.spend for i in impressions),
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Few variants | A/B test |
|
||||
| Many segments | Rules + bandit |
|
||||
| Many variants | Contextual bandit |
|
||||
| Long-term reward | RL |
|
||||
| Need fresh creative | Generative + brand-safe |
|
||||
| High-stakes | CTR predictor + rules |
|
||||
|
||||
**기본값**: 매 element-level template + 매 contextual bandit + 매 generative refresh + 매 brand safety + 매 freq cap.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Advertising]] · [[Personalization]]
|
||||
- 변형: [[Programmatic-Advertising]] · [[Generative-Ad]]
|
||||
- 응용: [[Multi-Armed-Bandit]] · [[Contextual-Bandit]] · [[CTR-Prediction]]
|
||||
- Adjacent: [[Recommender-Systems]] · [[Diffusion-Models]] · [[Brand-Safety]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 ad campaign. 매 personalization. 매 generative creative.
|
||||
**언제 X**: 매 brand-safety-strict (LLM 의 risk).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **No frequency cap**: 매 user fatigue.
|
||||
- **Pure generative no filter**: 매 brand safety 의 violate.
|
||||
- **Static creative**: 매 fatigue 의 quickly.
|
||||
- **Bandit without features**: 매 personalization X.
|
||||
- **No measurement loop**: 매 optimization 의 stale.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Google Ads DCO, Meta Advantage+, AdTech industry).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto-reinforced |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — DCO element + 매 LinUCB / Thompson / generative / CTR / brand-safety code |
|
||||
|
||||
Reference in New Issue
Block a user