लर्निंग फेज़ (एड एल्गोरिदम)

लर्निंग फेज़ वह अवधि है जो किसी कैंपेन के लॉन्च होने के बाद, या किसी सक्रिय कैंपेन में बड़ा बदलाव किए जाने के बाद शुरू होती है, जब किसी एड प्लेटफॉर्म का डिलीवरी एल्गोरिदम बिडिंग और टारगेटिंग को विश्वसनीय रूप से ऑप्टिमाइज़ करने के लिए अभी भी पर्याप्त कन्वर्ज़न डेटा एकत्र कर रहा होता है। इस दौरान, प्रति परिणाम लागत सामान्य से अधिक उतार-चढ़ाव करती है, और आमतौर पर इसे यह आकलन करने के लिए बहुत जल्दी माना जाता है कि कैंपेन वास्तव में काम कर रहा है या नहीं।

एल्गोरिदम को लर्निंग विंडो की आवश्यकता क्यों होती है#

आधुनिक स्मार्ट बिडिंग सिस्टम यह भविष्यवाणी करते हैं कि कौन कन्वर्ट होने की संभावना रखता है और उस भविष्यवाणी के आधार पर रियल-टाइम में बिड समायोजित करते हैं। लॉन्च के तुरंत बाद, या किसी महत्वपूर्ण बदलाव के तुरंत बाद, सिस्टम के पास क्रिएटिव, ऑडियंस और बिड स्ट्रैटेजी के उस सटीक संयोजन से संबंधित बहुत कम या कोई डेटा नहीं होता है, इसलिए यह यह पता लगाने के लिए अधिक व्यापक रूप से खोज करता है कि क्या काम करता है। यह खोज स्वाभाविक रूप से अधिक अशांत और अक्सर उस स्थिर-अवस्था वाली डिलीवरी से कम कुशल होती है जो तब होती है जब एल्गोरिदम के पास अपनी भविष्यवाणियों में आत्मविश्वास रखने के लिए पर्याप्त कन्वर्ज़न हो जाते हैं।

क्या रीसेट माना जाता है#

अधिकांश प्लेटफॉर्म केवल लॉन्च पर एक नया लर्निंग फेज़ शुरू नहीं करते हैं। बिड स्ट्रैटेजी बदलना, टारगेटिंग में महत्वपूर्ण संपादन करना, लंबी अवधि के लिए रोककर फिर से शुरू करना, या अधिकांश सक्रिय एड क्रिएटिव को बदलना - ये सभी घड़ी को फिर से शुरू कर सकते हैं। यही एक कारण है कि पूरे क्रिएटिव में बदलाव करने के बजाय एक नए चैलेंजर एड को शामिल करना बेहतर होता है: एक एड को बदलते हुए बाकी कैंपेन को स्थिर रखने से उसके साथ चल रही हर चीज़ के लिए लर्निंग रीसेट होने से बच जाता है, यह एक पैटर्न है जिसे किसी भी वास्तविक स्केल पर Taboola पर विज्ञापन देने से पहले जानना उचित है।

यह आमतौर पर कितने समय तक रहता है#

इसका कोई निश्चित उत्तर नहीं है, और यह कैलेंडर समय के बजाय कन्वर्ज़न वॉल्यूम पर बहुत अधिक निर्भर करता है। प्रतिदिन दर्जनों कन्वर्ज़न जनरेट करने वाला एक कैंपेन लर्निंग विंडो को कुछ दिनों में पार कर सकता है, जबकि प्रति सप्ताह मुट्ठी भर कन्वर्ज़न वाले कम वॉल्यूम वाले कैंपेन बहुत लंबे समय तक अस्थिर स्थिति में रह सकते हैं, या यदि वॉल्यूम बहुत कम रहता है तो कभी पूरी तरह से बाहर नहीं निकल पाते। यही कारण है कि छोटे एफिलिएट बजट चलाने वाले खरीदार अक्सर बड़े अकाउंट्स की तुलना में दिन-प्रतिदिन के परिणामों में अधिक उतार-चढ़ाव देखते हैं: वे एल्गोरिदम के सीखने के लिए प्रति दिन कम डेटा पॉइंट जनरेट करते हैं।

खरीदारों के लिए व्यावहारिक निहितार्थ#

किसी नए कैंपेन या बड़े संपादन का बहुत जल्दी आकलन करना, मीडिया खरीदारों द्वारा किसी ऐसी चीज़ को खत्म करने के सबसे आम तरीकों में से एक है जो काम कर सकती थी। एक कैंपेन जो अपने पहले 48 घंटों में महंगा दिखता है, वह एल्गोरिदम के पास पर्याप्त सिग्नल होने के बाद प्रति परिणाम लागत में पूरी तरह से अलग स्थिति में आ सकता है, इसलिए रोकने या स्केल करने का निर्णय लेने से पहले, दिन बीतने के बजाय कन्वर्ज़न काउंट से जुड़ी एक न्यूनतम मूल्यांकन विंडो निर्धारित करना उचित है। यही धैर्य बिड समायोजन पर भी लागू होता है: पहले से ही अस्थिर लर्निंग विंडो के दौरान एक साथ कई नए बदलाव करने से यह बताना बहुत कठिन हो जाता है कि कौन सा बदलाव वास्तव में मदद कर रहा है।

अनावश्यक रीसेट कम करना#

संपादनों को एक सप्ताह में फैले कई छोटे बदलावों के बजाय एक ही बदलाव में समूहित करना, मैन्युअल रोक और फिर से शुरू करने के बजाय शेड्यूल्ड बिड समायोजन का उपयोग करना, और किसी जीतने वाले एड को रिफ्लेक्सिवली बदलने के बजाय उसे चलते रहने का मौका देना - ये सभी इस बात को कम करते हैं कि कोई कैंपेन कितनी बार लर्निंग में वापस धकेला जाता है। प्रतिस्पर्धी वॉचलिस्ट कैसे बनाएं पर शोध करने वाले खरीदारों के लिए, यही तर्क बताता है कि किसी प्रतिद्वंद्वी का एड जो अपने पहले एक या दो सप्ताह के बाद भी जीवित रहता है, जो OpenAdLibrary के एड इंटेलिजेंस प्लेटफॉर्म के माध्यम से दिखाई देता है, दिन तीन पर अभी भी लाइव रहने वाले एड से अधिक मजबूत सिग्नल क्यों है: संभावना है कि उसने अपनी लर्निंग विंडो पार कर ली है और स्थिर प्रदर्शन में स्थापित हो गया है।