Oppimisvaihe (mainosalgoritmit)

Oppimisvaihe on ajanjakso kampanjan käynnistämisen jälkeen tai merkittävän muokkauksen jälkeen aktiiviseen kampanjaan, jolloin mainosalustan toimitusalgoritmi kerää vielä riittävästi konversiotietoja optimoidakseen tarjouksen ja kohdistuksen luotettavasti. Tämän ikkunan aikana tuloksen kustannus on taipuvainen heilahtelemaan tavallista enemmän, ja sitä pidetään yleensä liian aikaisena arvioidakseen, toimiko kampanja todella.

Miksi algoritmit tarvitsevat oppimisikkunan ylipäänsä#

Nykyaikaiset älytarjousjärjestelmät ennustavat, kuka todennäköisesti muuntautuu, ja säätävät tarjouksia reaaliaikaisesti perustuen siihen ennusteeseen. Heti käynnistämisen jälkeen tai heti merkittävän muutoksen jälkeen järjestelmällä on vähän tai ei ollenkaan tietoja tarkasta luovan sisällön, kohdeyleisön ja tarjousstrategian yhdistelmästä, joten se tutkii laajemmin rakentaakseen mallin siitä, mikä toimii. Tuo tutkiminen on luonnollisesti meluisampaa ja usein vähemmän tehokasta kuin vakaatilatoimitus, joka seuraa, kun algoritmilla on riittävästi konversioita ollakseen varma ennustuksistaan.

Mikä lasketaan nollaamiseksi#

Useimmat alustat eivät laukaise vain uutta oppimisvaihetta käynnistyksessä. Tarjousstrategian muuttaminen, kohdistuksen merkittävä muokkaus, pysäyttäminen ja jatkaminen pidemmän ajanjakson jälkeen tai suurimman osan aktiivisen mainosluovan sisällön vaihtaminen voivat kaikki käynnistää kellon uudelleen. Tämä on yksi syistä, miksi yhden uuden haastajan mainoksen vaihtaminen suositaan kokonaisvaltaisten luovan sisällön uudistusten sijaan: yhden mainoksen korvaaminen samalla kun kampanjan muu osa pysyy vakaa välttää oppimisen nollaamisen kaikelle muulle, mikä toimii sen rinnalla, kuvio, joka kannattaa tietää ennen kuin mainostat Taboolassa millään todellisella mittakaavalla.

Kuinka kauan se tyypillisesti kestää#

Ei ole kiinteää vastausta, ja se riippuu voimakkaasti konversiomäärästä kalenteri-ajan sijaan. Kampanja, joka tuottaa kymmeniä konversioita päivässä, voi selvitä oppimisikkunasta muutamassa päivässä, kun taas vähäkonversioinen kampanja, jolla on kourallinen konversioita viikossa, voi olla epävakaassa tilassa paljon pidemmän ajanjakson ajan tai ei koskaan poistu siitä täysin, jos määrä pysyy liian vähäisenä. Tämä on osa syitä, miksi pienempiä affiliate-budjetteja käyttävät ostajat näkevät useammin epävakampia päivittäisiä tuloksia kuin suuret tilit: he yksinkertaisesti tuottavat vähemmän datapisteitä päivässä algoritmin oppimiseen.

Käytännön seuraukset ostajille#

Uuden kampanjan tai suuren muokkauksen arvioiminen liian aikaisin on yksi yleisimmistä tavoista, joilla mediatoimittajat tappavat jotain, mikä olisi toiminut. Kampanja, joka näyttää kalliilta ensimmäisten 48 tunnin aikana, saattaa asettua täysin erilaiseen tuloksen kustannukseen, kun algoritmilla on riittävästi signaalia, joten kannattaa asettaa vähimmäisarviointi-ikkuna, sidottuna konversiolaskentaan eikä kuluneisiin päiviin, ennen kuin päättää pysäyttää tai skaalata. Sama kärsivällisyys koskee tarjoussäätöjä: useiden uusien hienosäätöjen pinominen yhteen jo epävakaassa oppimisikkunassa tekee paljon vaikeammaksi kertoa, mikä muutos todella auttaa.

Tarpeettomien nollausten vähentäminen#

Muokkausten ryhmittäminen yhteen muutokseen useiden pienten sijaan, jotka leviävät viikon yli, ajoitettujen tarjoussäätöjen käyttäminen manuaalisen pysäyttämisen ja jatkamisen sijaan, ja voittavan mainoksen antaminen tilaa jatkaa juoksuaan refleksiivisen korvaamisen sijaan vähentävät kaikki sitä, kuinka usein kampanja työnnetään takaisin oppimiseen. Ostajille, jotka tutkivat miten rakentaa kilpailijaseurantalista, sama logiikka selittää, miksi kilpailijan mainos, joka selviää ensimmäisen viikon tai kahden jälkeen, näkyvissä OpenAdLibraryn mainostiedustelualustan kautta, on vahvempi signaali kuin yhä elossa oleva kolmantena päivänä: se on todennäköisesti selvinnyt omasta oppimisikkunastaan ja asettunut vakaaseen suorituskykyyn.