Phase d'apprentissage (algorithmes publicitaires)

La phase d'apprentissage est la période qui suit le lancement d'une campagne, ou après une modification majeure d'une campagne active, pendant laquelle l'algorithme de diffusion d'une plateforme publicitaire collecte encore suffisamment de données de conversion pour optimiser les enchères et le ciblage de façon fiable. Pendant cette fenêtre, le coût par résultat a tendance à fluctuer davantage que d'habitude, et il est généralement considéré comme trop tôt pour juger si une campagne fonctionne réellement.

Pourquoi les algorithmes ont-ils besoin d'une fenêtre d'apprentissage ?#

Les systèmes modernes d'enchères intelligentes prédisent qui est susceptible de convertir et ajustent les enchères en temps réel en fonction de cette prédiction. Immédiatement après le lancement, ou juste après un changement important, le système dispose de peu ou pas de données spécifiques à cette combinaison exacte de créatif, d'audience et de stratégie d'enchères, il explore donc plus largement pour construire un modèle de ce qui fonctionne. Cette exploration est naturellement plus bruyante et souvent moins efficace que la diffusion en régime stable qui suit une fois que l'algorithme possède suffisamment de conversions pour être confiant dans ses prédictions.

Ce qui constitue une réinitialisation#

La plupart des plateformes ne déclenchent pas simplement une nouvelle phase d'apprentissage au lancement. Modifier la stratégie d'enchères, modifier le ciblage de façon significative, mettre en pause et reprendre après une période prolongée, ou remplacer la majorité des créatifs publicitaires actifs peut redémarrer le compteur. C’est l’une des raisons pour lesquelles remplacer un seul nouveau créatif concurrent est préféré à des révisions massives de créatifs : remplacer un créatif tout en maintenant le reste de la campagne stable évite de réinitialiser l’apprentissage pour tout le reste, un schéma à connaître avant de publicité sur Taboola à grande échelle.

Durée typique#

Il n’y a pas de réponse fixe, et cela dépend fortement du volume de conversions plutôt que du temps calendaire. Une campagne générant des dizaines de conversions par jour peut clôturer une fenêtre d’apprentissage en quelques jours, tandis qu’une campagne à faible volume avec quelques conversions par semaine peut rester dans un état instable pendant beaucoup plus longtemps, voire ne jamais en sortir complètement si le volume reste trop faible. C’est en partie la raison pour laquelle les acheteurs gérant des budgets plus modestes en affiliation constatent souvent des résultats quotidiens plus volatils que les grands comptes : ils génèrent simplement moins de points de données par jour pour que l'algorithme apprenne.

Implications pratiques pour les acheteurs#

Juger une nouvelle campagne ou une grande modification trop tôt est l’une des façons les plus courantes par lesquelles les acheteurs médias sabotent quelque chose qui aurait pu fonctionner. Une campagne qui semble coûteuse pendant ses premières 48 heures peut se stabiliser à un coût par résultat complètement différent une fois que l'algorithme dispose de suffisamment de signaux, il est donc judicieux de définir une fenêtre d’évaluation minimale, liée au nombre de conversions plutôt qu’aux jours écoulés, avant de décider de mettre en pause ou d’augmenter les dépenses. Cette même patience s’applique aux ajustements d’enchères : empiler plusieurs nouveaux ajustements en même temps pendant une fenêtre d’apprentissage déjà instable rend beaucoup plus difficile l’identification du changement réellement bénéfique.

Réduire les réinitialisations inutiles#

Regrouper les modifications en un seul changement plutôt que plusieurs petites réparties sur une semaine, utiliser des ajustements d’enchères programmés plutôt que des pauses et reprises manuelles, et laisser un créatif gagnant continuer à diffuser plutôt que de le remplacer systématiquement, réduisent toutes la fréquence à laquelle une campagne est renvoyée en phase d’apprentissage. Pour les acheteurs qui recherchent comment créer une liste de veille concurrentielle, la même logique explique pourquoi une publicité concurrente qui survit au-delà de sa première ou deuxième semaine, visible via la plateforme d'intelligence publicitaire d'OpenAdLibrary, constitue un signal plus fort qu’une publicité encore en ligne le troisième jour : elle a probablement terminé sa propre fenêtre d’apprentissage et s’est stabilisée en performance constante.