Læringsfasen (Annonsealgoritmer)

Læringsfasen er perioden etter at en kampanje lanseres, eller etter en større endring i en aktiv en, når en annonseplattforms leveringsalgoritme fortsatt samler nok konverteringsdata for å optimalisere budgivning og målgrupper pålitelig. I denne perioden har kostnad per resultat en tendens til å svinge mer enn vanlig, og det anses generelt som for tidlig å bedømme om en kampanje faktisk fungerer.

Hvorfor algoritmer trenger en læringsperiode i det hele tatt#

Moderne smart bidding-systemer forutsier hvem som sannsynligvis vil konvertere og justerer bud i sanntid basert på den forutsigelsen. Rett etter lansering, eller rett etter en betydelig endring, har systemet lite eller ingen data som er spesifikke for den eksakte kombinasjonen av kreativt innhold, målgruppe og budstrategi, så det utforsker bredere for å bygge en modell av hva som fungerer. Den utforskningen er naturligvis mer støyende og ofte mindre effektiv enn den stabile leveringen som følger når algoritmen har nok konverteringer til å være trygg på sine forutsigelser.

Hva som regnes som en nullstilling#

De fleste plattformer utløser ikke bare en ny læringsfase ved lansering. Endring av budstrategien, betydelig redigering av målgruppe, pausing og gjenopptak over en lengre periode, eller å bytte ut mesteparten av den aktive annonsekreativiteten kan alle starte klokken på nytt. Dette er en av grunnene til at det å bytte inn en enkelt ny utfordrerannonse foretrekkes fremfor en total kreativ omlegging: å erstatte én annonse mens resten av kampanjen holdes stabil unngår å nullstille læringen for alt annet som kjører sammen med den, et mønster verdt å kjenne til før du annonserer på Taboola i noen reell skala.

Hvor lenge den vanligvis varer#

Det finnes ikke noe fast svar, og det avhenger i stor grad av konverteringsvolumet heller enn kalendertid. En kampanje som genererer dusinvis av konverteringer per dag kan komme seg gjennom en læringsperiode på noen få dager, mens en lavvolumskampanje med en håndfull konverteringer per uke kan sitte i en ustabil tilstand i mye lengre tid, eller aldri helt forlate den hvis volumet forblir for tynt. Dette er en del av grunnen til at kjøpere som kjører mindre affiliate-budsjetter ofte ser mer volatile resultater dag til dag enn store kontoer: de genererer ganske enkelt færre datapunkter per dag for algoritmen å lære av.

Praktiske implikasjoner for kjøpere#

Å bedømme en ny kampanje eller en stor endring for tidlig er en av de vanligste måtene mediekjøpere dreper noe som kunne ha fungert. En kampanje som ser dyr ut i de første 48 timene kan stabilisere seg til en helt annen kostnad per resultat når algoritmen har nok signal, så det er verdt å sette et minimumsevalueringsvindu, knyttet til konverteringsantall heller enn dager som har gått, før man bestemmer seg for å pause eller skalere. Denne samme tålmodigheten gjelder for budjusteringer: å stable flere nye justeringer samtidig under en allerede ustabil læringsfase gjør det mye vanskeligere å se hvilken endring som faktisk hjelper.

Redusere unødvendige nullstillinger#

Å gruppere endringer til én enkelt endring heller enn flere små spredt over en uke, å bruke planlagte budjusteringer i stedet for manuell pause og gjenopptak, og å gi en vinnerannonse rom til å fortsette å kjøre heller enn å erstatte den refleksivt, reduserer alle hvor ofte en kampanje blir slått tilbake til læringsfasen. For kjøpere som forsker på hvordan bygge en konkurrentovervåkningsliste, forklarer den samme logikken hvorfor en konkurrents annonse som overlever utover sin første uke eller to, synlig gjennom OpenAdLibrarys annonseetterretningsplattform, er et sterkere signal enn en som fortsatt er aktiv på dag tre: den har sannsynligvis kommet seg gjennom sin egen læringsfase og stabilisert seg til jevn ytelse.