Fase de aprendizaje (algoritmos de anuncios)

La fase de aprendizaje es el período después de que una campaña se lanza, o después de una edición importante a una campaña activa, cuando el algoritmo de entrega de la plataforma de anuncios aún está recopilando suficientes datos de conversión para optimizar la puja y la segmentación de manera fiable. Durante esta ventana, el costo por resultado tiende a fluctuar más de lo habitual, y generalmente se considera demasiado pronto para juzgar si una campaña está funcionando realmente.

Por qué los algoritmos necesitan una ventana de aprendizaje#

Los sistemas modernos de puja inteligente predicen quién es probable que convierta y ajustan las pujas en tiempo real basándose en esa predicción. Justo después del lanzamiento, o justo después de un cambio significativo, el sistema tiene pocos o ningún dato específico para esa combinación exacta de creativo, audiencia y estrategia de puja, por lo que explora más ampliamente para construir un modelo de lo que funciona. Esa exploración es naturalmente más ruidosa y a menudo menos eficiente que la entrega en estado estable que sigue una vez que el algoritmo tiene suficientes conversiones para estar seguro de sus predicciones.

Qué se considera un reinicio#

La mayoría de las plataformas no solo activan una nueva fase de aprendizaje al lanzar. Cambiar la estrategia de puja, editar la segmentación de forma significativa, pausar y reanudar durante un período prolongado, o sustituir la mayor parte del creativo publicitario activo pueden reiniciar el reloj. Esta es una de las razones por las que introducir un solo anuncio nuevo desafiante se prefiere sobre revisiones masivas de creativos: reemplazar un anuncio mientras se mantiene el resto de la campaña estable evita reiniciar el aprendizaje para todo lo demás que se ejecuta junto a él, un patrón que vale la pena conocer antes de publicitar en Taboola a gran escala.

Cuánto suele durar#

No hay una respuesta fija, y depende en gran medida del volumen de conversiones más que del tiempo calendario. Una campaña que genera decenas de conversiones al día puede superar una ventana de aprendizaje en pocos días, mientras que una campaña de bajo volumen con unas pocas conversiones a la semana puede permanecer en un estado inestable durante mucho más tiempo, o nunca salir completamente de ella si el volumen sigue siendo escaso. Esto forma parte de por qué los compradores que manejan presupuestos más pequeños de afiliados a menudo ven resultados diarios más volátiles que las cuentas grandes: simplemente generan menos puntos de datos por día para que el algoritmo aprenda.

Implicaciones prácticas para los compradores#

Juzgar una campaña nueva o una gran edición demasiado pronto es una de las formas más comunes en que los compradores de medios matan algo que podría haber funcionado. Una campaña que parece cara en sus primeras 48 horas puede estabilizarse en un costo por resultado completamente diferente una vez que el algoritmo tenga suficiente señal, por lo que vale la pena establecer una ventana mínima de evaluación, vinculada al recuento de conversiones más que a los días transcurridos, antes de decidir pausar o escalar. Esta misma paciencia se aplica a los ajustes de puja: acumular varios ajustes nuevos a la vez durante una ventana de aprendizaje ya inestable dificulta mucho determinar qué cambio está realmente ayudando.

Reducir reinicios innecesarios#

Agrupar los ajustes en un solo cambio en lugar de varios pequeños distribuidos a lo largo de una semana, usar ajustes de puja programados en lugar de pausas y reanudaciones manuales, y permitir que un anuncio ganador siga activo en lugar de reemplazarlo reflexivamente, reduce la frecuencia con la que una campaña vuelve a la fase de aprendizaje. Para los compradores que investigan cómo crear una lista de vigilancia de competidores, la misma lógica explica por qué un anuncio rival que supera su primera semana o dos, visible a través de la plataforma de inteligencia publicitaria de OpenAdLibrary, es una señal más fuerte que uno que sigue activo en el día tres: probablemente ha superado su propia ventana de aprendizaje y se ha estabilizado en un rendimiento constante.