Tanulási fázis (hirdetési algoritmusok)

A tanulási fázis az az időszak egy kampány indítása után, vagy egy aktív kampány jelentős módosítása után, amikor egy hirdetési platform kiszolgáló algoritmusa még elegendő konverziós adatot gyűjt, hogy megbízhatóan optimalizálhassa a licitálást és a célzást. Ebben az időszakban az eredményenkénti költség általában jobban ingadozik a szokásosnál, és általában túl korainak tekintik annak megítélését, hogy egy kampány valóban működik-e.

Miért van szüksége az algoritmusoknak egyáltalán egy tanulási időszakra#

A modern intelligens licitálási rendszerek előrejelzik, ki valószínűleg konvertál, és valós időben állítják a liciteket ezen előrejelzés alapján. Közvetlenül az indítás után, vagy egy jelentős változtatás után, a rendszernek kevés vagy semmilyen adata nincs az adott kreatív, célközönség és licitstratégia pontos kombinációjáról, ezért szélesebb körben fedez fel, hogy felépítsen egy modellt arról, mi működik. Ez a felderítés természetesen zajosabb és gyakran kevésbé hatékony, mint a stabil állapotú kiszolgálás, amely akkor következik, amikor az algoritmusnak már elegendő konverziója van ahhoz, hogy biztos legyen előrejelzéseiben.

Mi számít visszaállításnak#

A legtöbb platform nem csak az indításnál vált ki új tanulási fázist. A licitstratégia megváltoztatása, a célzás jelentős módosítása, hosszabb időre történő szüneteltetés és folytatás, vagy az aktív hirdetési kreatívok többségének kicserélése mind újraindíthatja az órát. Ez az egyik oka annak, hogy egyetlen új kihívó hirdetés beváltása előnyösebb, mint a kreatív anyagok teljes körű felülvizsgálata: egy hirdetés cseréje, miközben a kampány többi része stabil marad, elkerüli a tanulás visszaállítását minden más, mellette futó elemnél – egy olyan minta, amelyet érdemes ismerni, mielőtt Taboola-n hirdetne bármilyen valódi léptékben.

Mennyi ideig tart általában#

Nincs fix válasz, és ez erősen a konverziós volumen függvénye, nem pedig a naptári időé. Egy naponta több tucat konverziót generáló kampány néhány nap alatt túllépheti a tanulási időszakot, míg egy alacsony volumenű, hetente néhány konverzióval rendelkező kampány sokkal hosszabb ideig maradhat instabil állapotban, vagy soha nem lép ki teljesen belőle, ha a volumen túl alacsony marad. Ez részben magyarázza, hogy a kisebb affiliate költségvetésekkel dolgozó vásárlók miért látnak gyakran volatilisebb napi eredményeket, mint a nagyobb fiókok: egyszerűen kevesebb adatpontot generálnak naponta az algoritmus számára, amelyből tanulhat.

Gyakorlati következmények a vásárlók számára#

Egy új kampány vagy egy nagy módosítás túl korai megítélése az egyik leggyakoribb módja annak, hogy a médiavásárlók megöljenek valamit, ami működött volna. Egy olyan kampány, amely drágának tűnik az első 48 órában, teljesen más eredményenkénti költséggel stabilizálódhat, miután az algoritmusnak elegendő jelzése van, ezért érdemes egy minimális értékelési időszakot beállítani, amely a konverziók számához kötődik, nem pedig az eltelt napokhoz, mielőtt döntenének a szüneteltetésről vagy felméretezésről. Ugyanez a türelem vonatkozik a licitmódosításokra is: több új módosítás egymásra halmozása egy már instabil tanulási időszak alatt sokkal nehezebbé teszi annak megállapítását, hogy melyik változtatás segített valójában.

A szükségtelen visszaállítások csökkentése#

A módosítások egyetlen változtatásba csoportosítása több kisebb, egy hét alatt szétszórt változtatás helyett, az ütemezett licitmódosítások használata a manuális szüneteltetés és folytatás helyett, valamint egy nyerő hirdetésnek helyet adni a továbbfutáshoz a reflexszerű cseréje helyett – mind csökkenti annak gyakoriságát, hogy egy kampány visszakerüljön a tanulási fázisba. Azok számára, akik kutatják, hogyan készítsenek versenytárs-figyelőlistát, ugyanez a logika magyarázza, hogy egy versenytárs olyan hirdetése, amely túlél az első egy-két héten, és látható az OpenAdLibrary hirdetési intelligencia platformján, erősebb jelzés, mint egy, amely még a harmadik napon is él: valószínűleg túllépte a saját tanulási ablakát és stabil teljesítménybe rendeződött.