Omnichannel-Medienkaufplattform

Der Kunde wollte seine alte Medienmanagement-Plattform auf ein modernes, skalierbares System umstellen, das die Leistung, Benutzerfreundlichkeit und Integrationsmöglichkeiten verbessert. Die aktualisierte Plattform sollte die Verarbeitung von Echtzeitdaten und erweiterte Analysen unterstützen und gleichzeitig eine nahtlose Konnektivität mit externen Tools wie Finanzsystemen und Datenquellen gewährleisten. Sie sollte eine reaktionsschnelle Benutzererfahrung bieten und gleichzeitig mit dem wachsenden Geschäft skalierbar sein.

• Hohe Datenmengen: Der Kunde bearbeitet mehrere Medienprojekte. Oftmals belastet ein einzelner Medienplan mit bis zu 15.000 Einzelposten die Grid-Rendering- und Datenverarbeitungseffizienz des Systems.
• Echtzeit-Synchronisation: Die Plattform erforderte eine Echtzeit-Synchronisation mit externen Finanzsystemen und Forschungsdatenquellen.
• Träge APIs: Mehrere APIs hatten hohe Antwortzeiten, was sich negativ auf die allgemeine Benutzererfahrung auswirkte.
• Dateninkonsistenz: Diskrepanzen zwischen der Plattform des Kunden und externen Systemen erforderten eine ständige Überwachung und Abstimmung.
• Veraltete Technologie: Das bestehende System wurde mit veralteter Technologie entwickelt und erforderte häufige Neugestaltungen und Modernisierungen.
• Mangelnde Skalierbarkeit: Ständige Implementierungsanfragen des Produktteams sowie Leistungsverbesserungen beeinträchtigten kritische Prozesse wie das Zusammenführen von Code, Tests und Releases.

Ein 60-köpfiges funktionsübergreifendes Team, bestehend aus Entwicklern, Architekten, Testern und DevOps-Ingenieuren, hat die Medienmanagement-Plattform aktualisiert. Die überarbeitete Plattform verbindet Marken, Agenturen, Lieferanten und Ad-Tech-Partner innerhalb eines zentralisierten Workflows über alle Kanäle hinweg. Veraltete Module wurden auf Spring Boot migriert, wodurch die Wartbarkeit und Skalierbarkeit verbessert wurden. Spring Boot wurde aufgrund seiner schnellen Entwicklungsmöglichkeiten, seiner Benutzerfreundlichkeit und seiner Unterstützung für die Microservices-Architektur ausgewählt. Zusätzlich wurde MongoDB implementiert, um verschiedene Datenformate und Skalierbarkeit zu verarbeiten und eine robuste Datenbank zu gewährleisten.

• Verbesserte Produktivität: Die aktualisierte Plattform verbesserte die Benutzererfahrung erheblich und führte zu einer höheren Produktivität für Medienplaner.
• Gesicherte finanzielle Genauigkeit: Die Datenintegrität über alle Systeme hinweg sorgte für eine genauere Abrechnung und Auditgenauigkeit.
• Zukunftssichere Funktionen: Nach der Modernisierung wurde die Plattform skalierbar und zukunftsfähig.
• Verbesserte Zuverlässigkeit und Reaktionsfähigkeit Intelligente Leistungsoptimierungen, Echtzeit-Synchronisierungsstrategien und umfassende Überwachung machten die Plattform zuverlässiger, reaktionsschneller und bereit für den Medienkauf im Unternehmensmaßstab.

Leistungsoptimierung

• Asynchrone Verarbeitung: Schwere Datenspalten, wie z. B. Forschungsdaten, wurden auf asynchrone Aufrufe verlagert, wodurch die anfängliche Ladezeit des Rasters reduziert wurde.
• Hintergrunddienste: Die Dienste wurden umstrukturiert, um nicht kritische Aufgaben an Hintergrundarbeiter auszulagern und so die Reaktionsfähigkeit der Benutzeroberfläche zu verbessern.
• Grid-Virtualisierung: Die Grid-Komponenten wurden überarbeitet, um auch bei großen Datensätzen eine konsistente Leistung zu gewährleisten.

Überwachung und Korrekturmaßnahmen

• New Relic-Integration: Mit New Relic wurde eine kontinuierliche Überwachung eingerichtet, um langsam arbeitende APIs zu identifizieren.
• API-Optimierung: Es wurden gezielte Optimierungen an Engpass-APIs (Indizierung, Batching, Caching) durchgeführt.
• Fehlererkennung: Protokolle und Leistungsdaten wurden analysiert, um Speicherlecks und Datenbankaufruf-Overhead zu identifizieren.

Datensynchronisation und -integrität

• Externe Validierungsskripte: Es wurden automatisierte Skripte eingesetzt, um die Plattformdaten des Kunden mit den Finanzsystemen zu vergleichen.
• Checker-Anwendung: Es wurde ein benutzerdefiniertes Visualisierungstool implementiert, um Diskrepanzen anzuzeigen und Teams dabei zu helfen, Dateninkonsistenzen schnell zu beheben.
• Tägliche Synchronisierungsberichte: Automatisch generierte Berichte machten die Beteiligten auf fehlende oder verzögerte Synchronisierungsereignisse aufmerksam.

• IntelliJ IDEA
• Bitbucket
• GitHub Copilot
• JDK
• Maven
• Spring Boot Core
• Spring Data JPA
• Hibernate
• Spring Cloud Config
• Spring Actuator
• ReactJS
• Knockout.js
• MongoDB
• MongoDB Compass
• RabbitMQ
• Hazelcast
• Apache Solr
• New Relic
• JProfiler
• JConsole (JMX)
• Spring Boot Actuators
• Jenkins
• JaCoCo
• SonarQube
• JUnit
• Mockito
• Karate
• Selenium
• JMeter
• Amazon Web Services
• Docker
• Rancher
• Jira Cloud
• Confluence