A natív hirdetések tanulási fázisa: Költségvetés és türelem

A natív hirdetések tanulási fázisa az az időszak, általában egy új vagy jelentősen szerkesztett kampány első néhány napjától két hetéig, amikor a hálózat teljesítmény-algoritmusa még gyűjti az elegendő kattintási és konverziós adatot a megbízható teljesítmény-előrejelzéshez. Ebben az időszakban a teljesítmény gyakran egyenetlen, a CPC-k jobban ingadoznak, mint később, és a legnagyobb a kísértés a kampány szüneteltetésére vagy jelentős szerkesztésére, ami pontosan akkor állítja vissza az órát.

Mi is valójában a tanulási fázis#

Minden natív hálózat aukciója egy előre jelzett CTR-re (és, ahol konverziókövetés van bekapcsolva, egy előre jelzett konverziós rátára) támaszkodik annak eldöntéséhez, hogy a licited mennyi része válik valódi teljesítménnyé. Egy vadonatúj kreatívnak vagy kampánynak nincs előzménye, így az algoritmusnak felfedeznie kell: a hirdetésedet egy szélesebb, kevésbé finomított célközönség szeletéhez mutatja, mint végül fog, részben a jelzés gyűjtése miatt, részben azért, mert őszintén még nem tudja, mely szegmensek fognak reagálni.

Ez ugyanaz az alapvető mechanizmus, mint bármely aukción alapuló hirdetési rendszer felfedezési fázisa, beleértve a natívat is. Nem egy hálózatra jellemző. A Taboola, az Outbrain és az MGID is valamilyen változatát futtatja, bár egyikük sem tesz közzé részletesen pontos időtartamot és mennyiségi küszöböket.

Segít, ha a tanulási fázisra úgy gondolunk, mint egy élő kísérletre, amelyet az algoritmus futtat a célközönségeden, felosztva a forgalmat azokon a szegmenseken, amelyeket még nem értékelt, figyelve, mely szegmensek reagálnak, és fokozatosan átcsoportosítva a teljesítményt azok felé, amelyek igen. A folyamat elején a költségvetésed egy része gyakorlatilag olyan szegmensekre költődik, amelyeket az algoritmus el fog hagyni, amint elegendő adata lesz a jobb döntéshez. Ez a költés nem pazarlás abban az értelemben, hogy hiba lenne; ez magának a felfedezésnek a költsége. Azok a vásárlók, akik ezt előre megértik, sokkal kevésbé zaklatottak az első néhány csúnya nap miatt, mint azok, akik azt várják, hogy a kampány már az első impressziótól a végső stabil állapotában teljesítsen.

Mennyi költségvetés és idő valójában szükséges#

Nincs egyetlen hivatalos szám arra, hogy hány kattintásra vagy konverzióra van szüksége egy kampánynak a tanulási fázisból való kilépéshez, és bármely konkrét szám, amit online látunk idézni, csak találgatás, ami ténynek öltözik. Ami következetesen igaz az aukciós mechanizmusok tekintetében, az az, hogy az algoritmusnak elegendő eseményre van szüksége, legalább kattintásokra, ideális esetben konverziókra, hogy statisztikai bizalmat építsen egy szegmensbe. Egy naponta 20 dollárt költő kampány jelentősen tovább fog tartani ennek a jelzésnek a felhalmozásához, mint egy naponta 200 dollárt költő, egyszerűen azért, mert kevesebb eseményt generál óránként.

Gyakorlati költségvetési szabály: számolj azzal, hogy legalább néhány tucat konverzióra, vagy több száz kattintásra (ha még nincs bekapcsolva a konverziókövetés) költesz el, mielőtt kemény következtetéseket vonnál le. Ha az egység-gazdaságosságod nem tudja elviselni ezt a költést jelentős fájdalom nélkül, akkor a kampány alulfinanszírozott a tanulási fázishoz már az indulás előtt, és a megoldás egy kisebb számú, jól finanszírozott teszt, nem pedig egy széles körű, alulfinanszírozott szórás.

Itt követik el sok új natív vásárló az első igazi hibáját: egy szerény összköltségvetést öt-hat kampányra szórják szét, hogy "teszteljék a piacot", ahelyett, hogy elég forrást köteleznének el egy-két kampány mellett, hogy azok valóban átvészeljék a tanulási fázist. Öt alulfinanszírozott kampány mindegyike túl kevés adatot gyűjt ahhoz, hogy valódi következtetést lehessen levonni bármelyikről, és végül öt nem meggyőző eredményed lesz, egy-kettő helyett, amivel ténylegesen tudsz kezdeni valamit. Egyetlen, valódi konverziós mennyiség eléréséhez finanszírozott kampány jobb, mint egy maréknyi kampány, amely soha nem jut túl a találgatáson.

Mit NE tegyél a tanulási fázis alatt#

• Ne szerkeszd a kreatívat, a licitet és a célzást egyetlen munkamenetben. Minden jelentős szerkesztés visszaállíthatja az algoritmus felhalmozott jelzésének egy részét, és ha három dolgot változtatsz egyszerre, nem fogod tudni, hogy melyik változtatás okozta a következőket.

• Ne szüntesd meg és indítsd újra egy lassú indulás 'visszaállításához'. A szüneteltetés nem visz előbbre egy jobb pozícióba; általában a felfedezés óráját indítja újra közelebb a nullához.

• Ne ítéld meg a CPA-t a stabil állapotú célodhoz képest a második napon. A korai CPA szinte mindig rosszabb, mint amibe egy érett kampány beáll, mert az algoritmus még nem tanulta meg, hogy a költségvetést a gyenge szegmensektől elterelje.

• Ne skálázd agresszívan a költségvetést a tanulási fázis közepén. Egy költségvetés-emelés részleges visszaállításként működhet egyes hálózatokon, mivel megváltoztatja azt a mennyiséget és ütemet, amire az algoritmus eddig kalibrálódott.

Jelek, hogy kiléptél a tanulási fázisból#

Először a teljesítmény üteme simul ki: a nap folyamán már nem lesz szaggatott, kiszámíthatatlan impressziós mennyiség, hanem egyenletesebb órás mintázatot fogsz látni. A CPC is szűkebb tartományba stabilizálódik, nem pedig szélesen ingadozik az aukciók között. Ha már követed a konverziókat, akkor a konverziónkénti költség stabil sávba történő beállódása (még akkor is, ha ez a sáv még nem éri el a célt) erősebb jelzés, mint a CTR önmagában, mivel a CTR jól nézhet ki, miközben a forgalom még mindig rosszul konvertál.

A legtöbb hálózat valamilyen teljesítmény- vagy tanulási állapotjelzőt is megjelenít az irányítópulton, miután egy kampány elég aktivitást naplózott, bár az alapul szolgáló küszöbértékek, amikor ez átvált, nincsenek következetesen dokumentálva. Kezeld durva jelzésként, nem pedig garanciaként.

Mit tegyél, miután kiléptél#

Amint a teljesítmény stabilizálódott, ez az a pont, ahol a szándékos optimalizálás valóban megbízható jelet produkál: a licitek szigorítása vagy lazítása a hálózat valós CPC benchmarkjai alapján, a valóban gyenge kreatívváltozatok szüneteltetése, és a gondolkodás megkezdése a horizontális versus vertikális skálázásról a győztesek esetében. Ezeknek a döntéseknek a meghozatala a tanulási fázis lezárulta előtt a legáltalánosabb módja annak, ahogy a médiavásárlók megölik azt a kampányt, amely működött volna.

Amikor egy kampány soha nem lép ki a tanulási fázisból#

Néhány kampány soha nem áll be, mert az alapvető bemenetek folyamatosan változnak, mielőtt az algoritmus kalibrálódhatna: állandó kreatívcsere, egy folyamatosan szerkesztett céloldal, vagy egy naponta-kétnaponta módosított költségvetés. Ha egy kampány hetek óta fut, és még mindig mutatja a korai tanulásra jellemző ingatag ütemet és CPC-ingadozást, akkor a megoldás általában nem a nagyobb türelem, hanem annak auditálása, hogy mi és milyen gyakran változott. Egy teljes héten keresztül stabilan tartott kampány, még szerény költés mellett is, többet fog elárulni, mint egy, amelyet egy hónapig naponta finomhangoltak.

Ha szeretnéd látni, hogy a vertikális versenytársaid hogyan strukturálnak olyan kampányokat, amelyek egyértelműen kiléptek a tanulási fázisból és stabilan futnak, az OpenAdLibrary natív hirdetés-kém eszköze mutatja az élő kreatívok hosszú élettartamú adatait, ami ésszerű proxy egy olyan kampányra, amely megtalálta stabil állapotát és folyamatosan fut.

Tanulási fázis több kreatív esetén egy kampányon belül#

Egy külön csavar: egy új kreatív hozzáadása egy már stabil kampányhoz nem feltétlenül állítja vissza az egész kampány tanulási fázisát, de az a konkrét kreatívnak még mindig ki kell érdemelnie a saját teljesítményelőzményét, mielőtt az algoritmus annyira megbízna benne, mint a meglévőkben. Ezért nézhet ki úgy az első néhány napban, hogy egy frissen beillesztett kreatív egyébként érett kampányban alulteljesít, annak ellenére, hogy a kampány egésze stabil teljesítményt mutat. Adj minden új kreatív-hozzáadásnak saját futópályát, ne pedig az első napon a már meglévő kreatívok aktuális számaihoz mérgesd.

A gyakorlati implikáció az, hogy a "kreatívváltozatosság bővítése" és az "új kampány indítása" különböző tanulási költségekkel jár. Egy új címsor vagy kép beforgatása egy meglévő, stabil kampányban könnyebb érintés, mint egy teljesen új kampány indítása a semmiből, és ez általában a jobb módja a további tesztelésnek, miután túl vagy az első tanulási időszakon.

Miért lepi meg a tanulási fázis az új vásárlókat#

A tanulási fázis körüli frusztráció nagy része az elvárás és a mechanizmus közötti eltérésből származik. Azok a vásárlók, akik érettebb, átláthatóbb jelentéskészítéssel rendelkező platformokról érkeznek, azt várják, hogy egy új kampány szinte azonnal közel teljesítsen a végső stabil állapotához, és amikor a natív teljesítmény ehelyett szaggatottnak és drágának tűnik az első szakaszban, az ösztön az, hogy azt feltételezzük, valami elromlott: a kreatív rossz, az ajánlat nem működik, a hálózat hibás. Néha az egyik igaz. Gyakran a kampány egyszerűen azt teszi, amit minden új kampány egy aukción alapuló hálózaton: a korai költségvetésének egy részét felfedezésre költi, mielőtt az algoritmusnak elegendő jele lenne a többi hatékony irányításához.

Azok a vásárlók, akik ezt a legjobban kezelik, általában az indulás előtt határozzák meg az elvárásokat, nem utána: döntsd el előre, hogy mennyi költségvetést vagy hajlandó elkötelezni a tanulási fázis átvészelésére, döntsd el, milyen adatküszöböt vársz meg egy ítélet meghozatala előtt, és írd le mindkét számot oda, ahová valóban visszanézel majd. Ez az egyetlen szokás megszünteti a szorongás vezérelte licitváltoztatások és korai szüneteltetések nagy részét, amelyek megakadályozzák, hogy egyébként életképes kampányok valaha elérjék stabil állapotukat.