Как мы в Яндекс Еде за 3 месяца построили свой рекламный движок с нуля

Архитектура и масштабируемость

Алгоритмы и их сравнение

Рекомендации / ML

Микросервисы

Google Outlook Apple

Доклад принят в программу конференции

Мнение Программного комитета о докладе

История создания собственного рекламного движка в Яндекс Еде: от бизнес-требований до production-решения, обрабатывающего >600 запросов в секунду с откликом <200ms. Выбор между R-tree и H3 для геопоиска до ML-предсказаний в real-time. Разберем аукцион второй цены, CPA-модель и архитектуру.

Целевая аудитория

Те, кто выбирает между готовым решением и разработкой с нуля. Архитекторы высоконагруженных систем. Разработчики рекламных и рекомендательных систем

Тезисы

Когда у вас 2.2 млн DAU, 500k+ ресторанов и жесткие требования по latency, готовые решения перестают работать. Расскажу, как мы за один квартал построили рекламный движок, который:

Обрабатывает >600 RPS с 99 перцентилем <50ms на кандидатогенерации
Работает по CPA-модели (Cost Per Action) вместо классического CPC
Упростил путь рекламодателя с 5 шагов до 3
Технические детали, которые разберем:
• Кандидатогенерация за 50ms: сравнение геоиндексов (R-tree vs H3 Uber vs Geohash) на реальных данных
• ML в продакшене: как предсказываем вероятность заказа и потенциальную выручку в real-time
• Аукционы VCG vs GSP: почему провели сотни offline-симуляций перед выбором конфигурации
• Архитектура: C++ микросервис для аукциона, обработка событий, проклейка конверсий с TTL 48 часов
• Борьба с каннибализацией: механизмы амнистирования ставок и organic_tolerance

Практическая ценность:
Получите конкретные бенчмарки алгоритмов, архитектурные решения и метрики, которые помогут принять решение о создании собственного рекламного движка.