Detekce výpadků impresí ve výdejových zónách Skliku pro Seznam.cz
Reklamní ekosystém Skliku je natolik rozsáhlý a dynamický, že i krátký výpadek v jediné výdejové zóně může znamenat zbytečnou, často skrytou ztrátu příjmů. Seznam.cz proto potřeboval řešení, které dokáže ve velkém měřítku automaticky rozpoznat nestandardní chování – zejména prudké poklesy nebo nulové imprese – a včas na něj upozornit.
V Data Mind jsme navrhli a dodali nástroj na míru, který nad historickými daty vyhodnocuje tisíce zón napříč zařízeními, prohlížeči i typy reklamy, stanovuje závažnost anomálií a poskytuje jasné výstupy pro rychlou operativní nápravu.
Data Science
Akční cesta od dat k zisku
Prediktivní modely, segmentace zákazníků a pokročilá analytika pro rozhodování, cílení a plánování.
Data Engineering
Pevný základ pro data
Datová architektura, integrace zdrojů, datové sklady a stabilní provoz datové platformy
Webová analytika
Jasno v tom, co funguje
Měření, analýza chování uživatelů, konverzní cesty, UX a optimalizace výkonu webů
Automatizace dokumentů
těžba, sumarizace, klasifikace, workflow bez ruční práce
Klíčové výsledky
Automatická detekce výpadků impresí
napříč téměř 10 000 výdejovými zónami denně
Výrazně rychlejší identifikace a řešení incidentů
což zkrátilo dobu výpadků reklamy
Lepší ochrana reklamních příjmů Skliku
díky včasnému upozornění na anomálie
Chcete podobný dohled nad svými daty nebo systémy?
Domluvit konzultaci
Cíl
- Odhalit výpadky impresí
- Upozornit na anomálie
- Minimalizovat skryté ztráty
- Zrychlit nápravu problémů
- Podpořit stabilní příjmy
Výpadky impresí jsme odhalili včas, aby příjmy z Skliku již nikdy nepadaly na dlouho.
Reklama představuje pro Seznam.cz klíčový zdroj příjmů a její distribuce probíhá napříč mnoha obchodními kanály. Systém pracuje s obrovským množstvím výdejových zón, jejichž počet už není možné spolehlivě kontrolovat ručně. Přestože Seznam.cz již používal základní monitorovací nástroje, chyběla cílená analytická vrstva, která by dokázala spolehlivě zachytit výpadky zobrazení reklamy v konkrétních zónách a včas na ně upozornit.
Hlavní výzvy
- 10 tisíc zón denně
- Dvouletá historie v denním rozlišení
- Rozdílné standardy chování jednotlivých zón
- Volba vhodných algoritmů
Klíčové bylo škálování na tisíce časových řad a současně respektování rozdílů mezi zónami podle velikosti, zařízení a dalších parametrů, aby systém neprodukoval falešné nálezy.
Pomůžeme vám odhalit problémy v datech dříve, než ovlivní váš byznys
Podíváme se na vaše data, systémy nebo marketingové platformy a navrhneme řešení, které zajistí včasnou detekci problémů a stabilní výkon.
Řešení Data Mind
- Nasazení v cloudové infrastruktuře Keboola
- Definice anomálií a jejich závažností
- Odfiltrování neaktivních zón
- Slučování malých zón
- Hlasování více statistických metod o závažnosti anomálie
- Rozdílné hranice pro hlásiče (alerty) u malých vs. velkých zón
Použité technologie
- Keboola Connection
- Python detekční pipeline
- MissingDays kontrola
- Isolation Forest detektor
- Prophet trendový dohled
Nejprve jsme data profilovali, kalibrovali definice výpadků a jejich závažnosti, zredukovali počet zón chytrou agregací. Následně vybrali kombinaci algoritmů podle chování jednotlivých typů zón.
Výsledek
Řešení přineslo globální reporting výdejových zón a přehled o výkonu výdeje Skliku napříč systémem. Součástí je také soubor detekovaných anomálií s automatickým alertingem, který umožňuje rychlou identifikaci problémů a jejich předání do provozu. Dodali jsme jak přehledový reporting pro analytickou práci, tak strojově zpracovatelný výstup anomálií, který slouží nejen k eskalaci výpadků, ale také jako praktický nástroj pro identifikaci neudržovaných nebo nepoužívaných zón.
Přínosy
- Okamžitá detekce výpadků
- Kratší doba incidentů
- Méně neodhalených ztrát
- Vyšší provozní jistota
- Růst reklamních příjmů
Díky včasnému upozornění na výpadky impresí se zkrátila doba mezi vznikem problému a jeho opravou, což vedlo ke snížení délky incidentů a k ochraně reklamních výnosů.
Řešíte podobný problém s daty nebo monitoringem systémů?
Probrat možnostiChcete jít více do hloubky? Ponořte se do naší knowledgebase
Customer 360
Vytvoření unifikovaného Customer 360 profilu není jen marketingový cíl, ale komplexní architektonická výzva. Tento článek analyzuje nezbytný přechod na architekturu Data Lakehouse v ekosystému Microsoft Fabric a Azure. Zjistěte, jak vybudovat moderní datovou platformu, která slouží jako robustní základna pro pokročilou cloudovou analytiku a hyper-personalizaci komunikace s využitím AI a LLM.
RAG nad firemními daty
Chcete nasadit generativní AI nad vlastním firemním know-how bez rizika halucinací? Tento technický deep-dive do architektury RAG ukazuje, že úspěch AI stojí a padá s kvalitním Data Engineeringem a datovou architekturou. Prozkoumejte, jak vybudovat moderní datovou platformu pro AI na bázi Microsoft Fabric a Azure Data Lakehouse a jak zvládnout výzvy spojené s vektorizací dat, bezpečností a přechodem do produkčního enterprise prostředí.
Propensity to Buy
Jak transformovat surová data na přesné predikce nákupního chování? Model Propensity to Buy představuje zlatý standard monetizace dat, jeho úspěch však stojí a padá na zvolené architektuře. V tomto článku prozkoumáme technické pozadí implementace v prostředí Microsoft Fabric a Azure. Zjistěte, jak využít principy Data Lakehouse, pokročilé strojové učení a generativní AI k identifikaci zákazníků s nejvyšším potenciálem – a jak to vše orchestrovat v moderní, škálovatelné infrastruktuře.