Faza uczenia (algorytmy reklamowe)

Faza uczenia to okres po uruchomieniu kampanii lub po dużej edycji aktywnej kampanii, kiedy algorytm dostarczania platformy reklamowej nadal zbiera wystarczającą liczbę danych konwersji, aby wiarygodnie optymalizować licytacje i targetowanie. W tym oknie koszt wyniku ma tendencję do większych wahań niż zwykle i zazwyczaj uważa się, że jest to zbyt wczesny moment na ocenę, czy kampania rzeczywiście działa.

Dlaczego algorytmy potrzebują okna uczenia#

Nowoczesne smart bidding systemy przewidują, kto prawdopodobnie dokona konwersji i w czasie rzeczywistym dostosowują oferty na podstawie tej prognozy. Bezpośrednio po uruchomieniu lub po znaczącej zmianie system ma niewiele lub wcale nie ma danych specyficznych dla tej dokładnej kombinacji kreacji, odbiorców i strategii licytacji, więc eksploruje szerszy zakres, aby zbudować model tego, co działa. Ta eksploracja jest naturalnie bardziej hałaśliwa i często mniej efektywna niż stabilne dostarczanie, które następuje, gdy algorytm zgromadzi wystarczającą liczbę konwersji, aby być pewnym swoich prognoz.

Co liczy się jako reset#

Większość platform nie uruchamia po prostu nowej fazy uczenia przy każdym uruchomieniu. Zmiana strategii licytacji, znacząca edycja targetowania, wstrzymanie i ponowne uruchomienie po dłuższym okresie lub wymiana większości aktywnych ad creative może ponownie uruchomić licznik. To jeden z powodów, dla których wprowadzanie jednego nowego, konkurencyjnego ogłoszenia jest preferowane nad gruntownymi przekształceniami kreacji: wymiana jednej reklamy przy zachowaniu reszty kampanii stabilnej unika resetowania fazy uczenia dla wszystkiego, co działa równocześnie, co jest istotną wiedzą przed advertise on Taboola na większą skalę.

Jak długo to zazwyczaj trwa#

Nie ma stałej odpowiedzi, a zależy to w dużej mierze od wolumenu konwersji, a nie od kalendarzowego czasu. Kampania generująca dziesiątki konwersji dziennie może zakończyć okno uczenia w kilka dni, podczas gdy kampania o niskim wolumenie z kilkoma konwersjami tygodniowo może pozostawać w niestabilnym stanie znacznie dłużej, a nawet nigdy w pełni nie wyjść z tego stanu, jeśli wolumen pozostaje zbyt mały. To część powodu, dla którego reklamodawcy prowadzący mniejsze budżety affiliate często obserwują bardziej zmienne wyniki dziennie niż duże konta: po prostu generują mniej punktów danych dziennie, z których algorytm może się uczyć.

Praktyczne implikacje dla kupujących#

Ocena nowej kampanii lub dużej edycji zbyt wcześnie jest jednym z najczęstszych sposobów, w jaki media buyers niszczą coś, co mogłoby zadziałać. Kampania, która wydaje się kosztowna w pierwszych 48 godzinach, może ustabilizować się do zupełnie innego kosztu wyniku, gdy algorytm zgromadzi wystarczający sygnał, dlatego warto ustalić minimalne okno oceny, powiązane z liczbą konwersji, a nie z upływem dni, zanim zdecyduje się na wstrzymanie lub skalowanie. Ta sama cierpliwość ma zastosowanie do korekt stawek: nakładanie kilku nowych zmian jednocześnie w już niestabilnym oknie uczenia utrudnia określenie, która zmiana rzeczywiście przynosi korzyść.

Redukowanie niepotrzebnych resetów#

Grupowanie edycji w jedną zmianę zamiast kilku małych rozłożonych w ciągu tygodnia, używanie zaplanowanych korekt stawek zamiast ręcznego wstrzymywania i wznawiania oraz pozostawienie wygrywającej reklamy w działaniu zamiast jej natychmiastowej wymiany, wszystko to zmniejsza częstotliwość, z jaką kampania zostaje cofnięta do fazy uczenia. Dla osób badających how to build a competitor watchlist, ta sama logika wyjaśnia, dlaczego reklama rywala, która przetrwała ponad pierwszy tydzień lub dwa, widoczna przez OpenAdLibrary's ad intelligence platform, jest silniejszym sygnałem niż ta, która wciąż jest aktywna dopiero w trzecim dniu: prawdopodobnie zakończyła własne okno uczenia i ustabilizowała się pod kątem stałych wyników.