Fáze učení (reklamní algoritmy)

Fáze učení je období po spuštění kampaně nebo po zásadní úpravě aktivní kampaně, kdy doručovací algoritmus reklamní platformy stále sbírá dostatek dat o konverzích, aby mohl spolehlivě optimalizovat nabízení a cílení. Během tohoto období mají náklady na výsledek tendenci kolísat více než obvykle a obecně se považuje za příliš brzy na to, abychom mohli posoudit, zda kampaň skutečně funguje.

Proč algoritmy vůbec potřebují okno učení#

Moderní systémy smart bidding předpovídají, kdo se pravděpodobně zkonvertuje, a na základě této predikce upravují nabídky v reálném čase. Hned po spuštění nebo po významné změně má systém málo nebo žádná data specifická pro danou kombinaci kreativy, publika a nabídkové strategie, proto zkoumá širší spektrum, aby vytvořil model toho, co funguje. Toto zkoumání je přirozeně hlučnější a často méně efektivní než ustálené doručování, které následuje, jakmile algoritmus získá dostatek konverzí, aby si byl svými predikcemi jistý.

Co se počítá jako reset#

Většina platforem nevyvolá novou fázi učení pouze při spuštění. Změna nabídkové strategie, významná úprava cílení, pozastavení a obnovení po delší době nebo výměna většiny aktivní reklamní kreativy mohou všechny restartovat odpočítávání. To je jeden z důvodů, proč je výměna jedné nové testovací reklamy upřednostňována před kompletní výměnou kreativy: nahrazení jedné reklamy při zachování stability zbytku kampaně zabrání resetování učení pro vše ostatní, co běží současně. Tento vzorec stojí za to znát, než začnete inzerovat na Taboola v jakémkoli větším měřítku.

Jak dlouho obvykle trvá#

Neexistuje jednoznačná odpověď a silně závisí na objemu konverzí spíše než na kalendářním čase. Kampaň generující desítky konverzí denně může překonat okno učení za několik dní, zatímco kampaň s nízkým objemem a hrstkou konverzí týdně může zůstat v nestabilním stavu mnohem déle, nebo se z něj nikdy plně nedostane, pokud objem zůstane příliš nízký. To je částečně důvod, proč nákupčí pracující s menšími affiliate rozpočty často vidí volatilnější denní výsledky než velké účty: prostě generují méně datových bodů denně, ze kterých se může algoritmus učit.

Praktické důsledky pro nákupčí#

Příliš brzké hodnocení nové kampaně nebo velké úpravy je jedním z nejčastějších způsobů, jak nákupčí médií ukončí něco, co by mohlo fungovat. Kampaň, která vypadá draho během prvních 48 hodin, se může po získání dostatečného signálu algoritmem ustálit na zcela jiných nákladech na výsledek. Proto stojí za to stanovit minimální hodnotící období, vázané na počet konverzí spíše než na uplynulé dny, než se rozhodnete kampaň pozastavit nebo škálovat. Stejná trpělivost platí pro úpravy nabídek: provádění několika nových úprav najednou během již tak nestabilního období učení výrazně ztěžuje určení, která změna skutečně pomáhá.

Snížení zbytečných resetů#

Seskupení úprav do jedné změny namísto několika malých rozložených během týdne, použití plánovaných úprav nabídek místo manuálního pozastavení a obnovení a ponechání prostoru pro běh úspěšné reklamy namísto jejího reflexivního nahrazování – to vše snižuje, jak často je kampaň vrácena zpět do fáze učení. Pro nákupčí, kteří zkoumají jak vytvořit seznam sledování konkurentů, stejná logika vysvětluje, proč je reklama konkurenta, která přežije první týden nebo dva (viditelná prostřednictvím platformy pro inteligenci reklam OpenAdLibrary), silnějším signálem než reklama stále aktivní třetí den: pravděpodobně překonala své vlastní okno učení a ustálila se na stabilním výkonu.