Rekayasa

Penargetan kontekstual tanpa cookie: cara kami membangun ulang mesin konteks

Animasi: sebuah bid request datang hanya membawa ID aplikasi, tanpa URL halaman dan tanpa cookie. Request itu sampai ke bidder, yang melakukan satu kali pencarian ke rak berisi putusan yang sudah dihitung sebelumnya, satu kartu per situs atau aplikasi; kartu yang cocok menyala dan bidder menjawab dengan topik aplikasi tersebut. Di bawahnya, dengan lebih lambat, mesin konteks membaca listing toko aplikasi dan halaman lebih dulu dan terus menambahkan kartu ke rak. Keterangan: semua pembacaan terjadi sebelum lelang; tawaran hanya melakukan satu pencarian.

Penargetan kontekstual berarti menempatkan iklan di samping konten yang tepat, alih-alih mengikuti seseorang ke mana pun di internet. Kami membangun ulang sistem kami agar setiap keputusan iklan tahu isi sebuah halaman atau aplikasi — seketika, dan tanpa satu pun data pribadi. Inilah yang kami warisi, apa yang kami ubah, dan alasannya, dalam bahasa sederhana.

Masalahnya: konteks tanpa halaman

Penargetan kontekstual menjanjikan relevansi tanpa melacak orang: tampilkan iklan kriket di samping berita kriket. Versi buku teksnya membaca halaman lalu mengklasifikasikannya. Trafik kami tidak cocok dengan versi itu.

Saat kami mengukur bid stream kami sendiri, sebagian besar request berasal dari aplikasi seluler, dan mayoritas besar sama sekali tidak membawa URL halaman. Sebuah aplikasi mengirim ID, terkadang nama, dan sesekali beberapa label kategori. Sistem yang menunggu teks halaman sebelum bisa memutuskan apa pun tidak akan bisa memutuskan apa pun untuk sebagian besar inventaris iklan kami.

Diagram batang animasi: batang panjang untuk request dalam aplikasi, yang membawa ID aplikasi tanpa URL halaman, dan batang pendek untuk request web, yang membawa URL halaman. Di dalam batang panjang, segmen berarsir menunjukkan sebagian kecil request dalam aplikasi yang juga menyatakan kategori konten. Keterangan: sebagian besar request datang tanpa halaman untuk dibaca. Proporsi bersifat ilustratif.

Apa yang sebenarnya dibawa sebuah bid request, dari bid stream kami sendiri. Proporsinya ilustratif; yang penting adalah polanya, bukan porsinya.

Kendala kedua adalah waktu. Lelang iklan memberi pembeli beberapa perseratus detik untuk menjawab, dan jatah kami sendiri hanya beberapa perseribu detik. Tidak ada proses membaca halaman, dan tidak ada model AI, yang bisa bekerja dalam rentang waktu itu. Jadi pertanyaan sebenarnya bukan “bagaimana kami mengklasifikasikan konten”. Melainkan: bagaimana kami tahu isi sebuah situs atau aplikasi sebelum request datang, lalu mencarinya seketika saat request tiba?

Pelajaran dari prototipe yang kami warisi

Kami memulai dari prototipe yang cukup mumpuni: pengiklan menulis “brand blueprint” dalam bahasa biasa — di mana merek mereka pantas tampil — sebuah crawler mengambil halaman, dan model AI menilai setiap halaman berdasarkan blueprint tersebut. Ide produknya tepat. Desainnya membuatnya lambat, mahal, dan buta terhadap sebagian besar trafik kami.

Masalah desainAkibatnyaPerbaikan kami
Hanya halaman webAplikasi — sebagian besar trafik kami — tidak terlihatMembuat profil aplikasi dari listing di toko aplikasi: berdasarkan ID persis jika toko menyediakan pencarian, jika tidak berdasarkan nama, dengan seseorang mengonfirmasi kecocokannya sebelum dihitung
Setiap blueprint membaca ulang setiap halamanBiaya tumbuh seiring halaman × blueprintBuat profil setiap halaman atau aplikasi sekali; nilai banyak blueprint terhadap profil itu
Model hanya melihat sekitar satu paragraf dari setiap halamanPenilaian bertumpu pada satu paragrafSatu profil terstruktur per halaman, dari keseluruhan artikel hingga batas yang wajar
“URL teratas” tidak punya urutanInventaris iklan yang ramai terlewat secara acakUrutkan berdasarkan bid request nyata dari bid stream kami sendiri
Pengambil halaman yang tampil seperti browser, bukan crawlerSitus bisa memblokirnya, dan itu bukan cara kami ingin melakukan crawlingCrawler yang menyebutkan identitasnya, menghormati aturan yang dipublikasikan situs untuk crawler, dan mengatur lajunya sendiri
Hasil berada di luar lelangKecocokan tidak bisa mengarahkan tawaran kami sendiriPencarian seketika di dalam bidder itu sendiri
Bahasa, topik, dan nada berasal dari sistem terpisahProduk tidak bisa berdiri sendiriMesin menentukan bahasa, topik, dan nada sendiri

Tujuh masalah desain pada prototipe, dampak masing-masing, dan penggantinya. Prototipe dan pembuatnya sengaja tidak disebutkan namanya.

Arsitekturnya: pahami secara offline, cari secara online

Gambar di bagian atas artikel ini adalah keseluruhan desainnya. Bidder — bagian sistem kami yang memutuskan apakah akan membeli iklan — tidak pernah membaca halaman atau memanggil model AI. Mesin konteks mengerjakan hal itu lebih dulu dan meninggalkan putusan singkat untuk setiap situs dan aplikasi yang pernah dilihatnya: tentang apa situs itu, kategori konten standar mana yang sesuai, dan kata kunci yang menjadi dasar penilaian. Saat request datang, bidder tinggal mencari putusan tersebut. Dasbor hanya menyimpan apa yang diminta orang dan menampilkan apa yang ditemukan mesin.

  1. Offline, perlahan: mesin mengurutkan situs dan aplikasi berdasarkan seberapa sering mereka benar-benar muncul di bid stream kami, sehingga inventaris iklan tersibuk dipahami lebih dulu.
  2. Offline, perlahan: masing-masing dibuatkan profil sekali — aplikasi dari listing tokonya, situs web dari halamannya — menjadi deskripsi singkat yang terstruktur dan sebuah putusan.
  3. Offline, perlahan: jika mesin ragu, kandidat diteruskan ke seseorang untuk ditinjau, dan keputusan yang sudah ditinjau tidak akan pernah ditimpa oleh proses otomatis berikutnya.
  4. Online, seketika: request datang dengan ID aplikasi atau alamat situs web; bidder mencari putusannya dan mencocokkannya dengan aturan setiap kampanye. Jika belum ada informasi apa pun, bidder tetap berjalan alih-alih gagal — penyimpanan yang lambat atau kosong tidak akan pernah membuat kami kehilangan tawaran.

Lima keputusan desain yang membuatnya berhasil

  1. Pahami secara offline, cari secara online. Semua pembacaan dan penalaran terjadi sebelum lelang; bidder hanya melakukan satu pencarian cepat per request. Ini juga satu-satunya susunan yang memungkinkan model AI ikut berperan, karena bertanya ke model memakan waktu jauh lebih lama daripada waktu yang diizinkan untuk sebuah tawaran.
  2. Buat profil sekali, nilai berkali-kali. Setiap halaman atau aplikasi mendapat satu deskripsi terstruktur: ringkasan, bahasanya, kategori standarnya, topik, kata kunci, perkiraan audiens, dan risiko brand safety (keamanan merek). Blueprint pengiklan baru dinilai terhadap profil yang sudah tersimpan, sehingga tidak perlu crawling baru. Biaya konten bertambah seiring inventaris iklan, bukan seiring jumlah pengiklan.
Animasi: sebelumnya, kisi empat halaman kali empat blueprint pengiklan terisi enam belas titik merah, satu pembacaan model per sel, sehingga biaya tumbuh seiring halaman kali blueprint. Sesudahnya, setiap halaman dibaca sekali menjadi satu profil berwarna teal dan keempat blueprint dinilai terhadap profil itu dengan garis tipis, tanpa pembacaan baru. Keterangan: biaya konten bertambah seiring inventaris iklan, bukan seiring jumlah pengiklan.

Pola biaya prototipe dibandingkan dengan versi baru. Kisi di sebelah kiri adalah penyebab prototipe mahal; kolom di sebelah kanan adalah alasan menambah pengiklan baru hampir tidak menambah biaya.

  1. Satu nama untuk setiap halaman dan aplikasi, dipakai bersama oleh setiap bagian sistem. Sebuah alamat web bisa datang dengan banyak ejaan, dan sebuah aplikasi bisa datang sebagai ID, tautan toko, atau angka. Kami menyepakati satu cara standar untuk menuliskan masing-masing, membangunnya secara identik di setiap bagian sistem, dan mengujinya dengan contoh yang sama — sehingga tidak ada dua bagian yang bisa berbeda pendapat tentang halaman mana yang sedang dibicarakan.
  2. Memahami setiap taksonomi, berpikir dengan satu. Industri iklan memiliki daftar standar kategori konten — sebuah taksonomi — yang tersedia dalam beberapa versi dan dipakai oleh exchange yang berbeda-beda. Kami menerjemahkan setiap versi ke satu daftar internal sebelum aturan apa pun dijalankan, dengan koreksi yang sudah ditinjau ketika pemetaan resmi membiarkan topik sensitif tanpa padanan. Tanpa langkah itu, topik sensitif yang diberi label dengan versi yang lebih baru bisa lolos dari blokir yang ditulis untuk versi yang lebih lama.
Animasi: tiga label untuk topik sensitif yang sama datang dalam tiga versi taksonomi. Tanpa penerjemahan, aturan blokir yang ditulis untuk satu versi akan meloloskan label yang lebih baru, ditandai merah. Lalu penerjemah mengubah setiap versi menjadi satu label internal sebelum aturan dijalankan, dan ketiganya dihentikan, ditandai teal. Keterangan: terjemahkan dulu, baru nilai.

Terjemahkan dulu, baru nilai. Satu aturan berlaku untuk setiap versi taksonomi yang dikirim exchange.

  1. Jaga agar keputusan tetap seketika. Mengambil pengaturan kampanye dari penyimpanan bersama di setiap request memakan puluhan milidetik dalam benchmark kami — sebagian besar waktu yang diizinkan untuk sebuah tawaran. Menyimpan salinan berumur pendek di memori membuatnya jauh di bawah satu milidetik. Menerjemahkan label kategori hanya butuh beberapa sepermiliar detik.
Penyimpanan bersama puluhan ms
Di memori < 1 ms
seluruh keputusan tawaran harus muat dalam beberapa milidetik

Waktu untuk mengambil pengaturan kampanye per request, dalam benchmark kami: membaca dari penyimpanan bersama dibandingkan salinan di memori. Ditampilkan sebagai proporsi, bukan angka; hasil lab, bukan produksi.

Dua aturan yang lebih kecil sama pentingnya. Keputusan manusia selalu lebih tinggi daripada keputusan mesin, sehingga proses otomatis tidak pernah bisa menimpa putusan yang sudah ditinjau seseorang. Dan teks dari halaman diperlakukan murni sebagai informasi, tidak pernah sebagai instruksi bagi model AI — sebuah halaman tidak bisa membujuk dirinya masuk ke sebuah kategori.

Manfaatnya bagi setiap pihak

UntukApa yang berubah
PengiklanJelaskan di mana merek Anda pantas tampil dengan bahasa biasa; lihat situs dan aplikasi mana yang cocok, beserta alasannya, sebelum membelanjakan anggaran.
PengiklanBrand safety yang tetap berlaku di setiap versi taksonomi yang dikirim exchange.
PengiklanPenargetan yang bekerja tanpa cookie atau ID perangkat: mesin konteks melihat situs atau aplikasinya, tidak pernah orangnya, dan tidak menggunakan data pribadi.
Ad opsSetiap keputusan bisa dijelaskan: sebuah kecocokan membawa alasan, kata kunci, dan tingkat keyakinannya.
Ad opsJika tidak setuju dengan suatu hasil, blueprint disempurnakan dan dijalankan ulang pada inventaris iklan yang sama.
Ad opsHalaman cakupan dan pencarian menunjukkan apa yang diketahui bidder tentang situs atau aplikasi mana pun.
BisnisAplikasi — sebagian besar trafik kami — kini bisa dijangkau berdasarkan konteks.
BisnisBiaya operasional rendah: profil konten dibuat sekali dan dipakai ulang oleh setiap pengiklan.
BisnisKecepatan lelang tidak berubah: keputusannya tetap berupa pencarian seketika.

Posisi kami sekarang, dan langkah berikutnya

Komponen di dalam bidder sudah aktif: penerjemahan kategori, pencocokan situs web yang tidak bisa tertukar antara satu situs dengan situs lain yang namanya mirip, pemeriksaan kategori untuk inventaris dalam aplikasi, dan salinan pengaturan kampanye di memori. Fase produk pertama — Explore dan brand blueprint — sudah dibangun dan diuji serta sedang diluncurkan sekarang.

  1. Explore dan blueprint (sedang diluncurkan): jelaskan sebuah konteks, dapatkan situs dan aplikasi yang cocok, beserta alasannya. Produk yang dibangun di atasnya adalah DeepContext.
  2. Analisis: menilai seluruh inventaris iklan sekaligus, melihat topik dan kata kunci mana yang muncul bersamaan, ekspor, dan catatan setiap penilaian.
  3. Perencanaan: jangkauan per blueprint menurut negara, bahasa, dan kategori, dengan tren dan rekomendasi yang menyebutkan angka-angkanya.
  4. Aktivasi: blueprint dipakai langsung sebagai penargetan di bidder kami sendiri, dan dibagikan sebagai audiens ke exchange mitra.

Kami akan memublikasikan hasilnya — presisi kecocokan dibandingkan tinjauan manusia, dan dampaknya terhadap hasil kampanye — setelah setiap fase berjalan cukup lama untuk diukur secara jujur. Artikel ini tidak mengklaim keduanya, karena keduanya belum diukur.

Pelajaran yang bisa dibawa ke mana saja

Lakukan pemikiran yang mahal sebelum pertanyaannya diajukan. Sistem yang harus memahami dunia di dalam request akan lambat dan buta terhadap apa pun yang tidak bisa dibacanya tepat waktu; sistem yang memahami dunia lebih dulu cukup mengingat. Sebagian besar pembangunan ulang ini adalah memindahkan pekerjaan dari saat tawaran terjadi ke jam-jam sebelumnya.

Untuk memahami apa itu penargetan kontekstual dan mengapa kini kembali naik daun, baca penargetan kontekstual dengan AI dan penargetan kontekstual versus audiens. Untuk posisi bidder dalam platform secara keseluruhan, baca artikel arsitektur.

Catatan tentang angka

Porsi trafik sengaja dijelaskan dengan kata-kata — “sebagian besar”, “mayoritas besar”, “sebagian kecil” — dan proporsi pada grafik bersifat ilustratif. Waktu yang disebutkan berasal dari benchmark kami sendiri, bukan pengukuran produksi, dan disajikan sebagai proporsi, bukan angka. Tidak ada klaim akurasi atau kinerja kampanye, karena belum ada yang diukur; klaim itu akan dipublikasikan setelah diukur. Prototipe yang kami warisi dan perusahaan pembuatnya tidak disebutkan namanya. Kami tidak memublikasikan nama mitra pasokan kami, volume trafik kami, kategori atau kata kunci di balik keputusan tertentu, maupun data klien atau pengiklan apa pun. Taksonomi konten industri yang dimaksud diterbitkan oleh IAB Tech Lab, disebut di sini hanya sebagai penerbitnya. Ini menjelaskan platform kami sendiri dan bukan saran untuk platform Anda.

Sumber

A
Tim AdZoic
Membuat pembelian iklan lebih masuk akal, dari Dhaka.
Baca juga

Bacaan terkait

Animasi: kata-kata dari sebuah artikel mengalir ke pembaca AI yang menyalakan label topik, lalu iklan yang cocok terpasang di tempatnyaPenargetan

Penargetan kontekstual dengan AI: cara mesin membaca halaman

Metodenya (NLP, embedding, sentimen, multimodal), apa kata riset publik, dan filosofi di balik pendekatan kami — tanpa perlu cookie.

Agu 2026 · 9 menit baca
Diagram Venn: konten halaman di satu sisi, seseorang di sisi lainPenargetan

Penargetan kontekstual vs. audiens — dan kapan memakai masing-masing

Dua cara menjangkau orang yang tepat, tanpa perlu cookie pihak ketiga. Inilah perbedaannya dan cara menggabungkan keduanya.

Jun 2026 · 5 menit baca
Animasi: permintaan iklan mengalir melalui lapisan ingress, bidder Go, serta cache dan model, menjadi keputusan tawaran sebelum tenggat lelangRekayasa

Di dalam adZoic: arsitektur di balik jutaan keputusan iklan per hari

Stack, desain sistem, postur keamanan, dan pendekatan penskalaan kami — dibagikan secara terbuka, dengan diagram dan angka yang jujur.

Agu 2026 · 8 menit baca

← Kembali ke semua artikel