เฟสการเรียนรู้ (อัลกอริทึมโฆษณา)

เฟสการเรียนรู้คือช่วงเวลาหลังจากที่แคมเปญเปิดตัว หรือหลังจากที่มีการแก้ไขครั้งใหญ่กับแคมเปญที่กำลังทำงานอยู่ เมื่ออัลกอริทึมการส่งมอบของแพลตฟอร์มโฆษณากำลังรวบรวมข้อมูลการแปลงที่เพียงพอเพื่อปรับการประมูลและการกำหนดเป้าหมายได้อย่างน่าเชื่อถือ ในช่วงเวลานี้ ต้นทุนต่อผลลัพธ์มักจะผันผวนมากกว่าปกติ และโดยทั่วไปถือว่ายังเร็วเกินไปที่จะตัดสินว่าแคมเปญนั้นได้ผลจริงหรือไม่

เหตุใดอัลกอริทึมจึงต้องการช่วงเวลาเรียนรู้#

ระบบ การประมูลอัจฉริยะ สมัยใหม่จะทำนายว่าผู้ใดมีแนวโน้มจะแปลง และปรับการประมูลแบบเรียลไทม์ตามการคาดการณ์นั้น ทันทีหลังการเปิดตัว หรือทันทีหลังการเปลี่ยนแปลงครั้งสำคัญ ระบบมีข้อมูลเฉพาะสำหรับการผสมผสานระหว่างครีเอทีฟ กลุ่มเป้าหมาย และกลยุทธ์การประมูลนั้นๆ น้อยมากหรือไม่มีเลย ดังนั้นจึงทำการสำรวจอย่างกว้างขวางมากขึ้นเพื่อสร้างโมเดลของสิ่งที่ได้ผล การสำรวจนั้นโดยธรรมชาติแล้วมีสัญญาณรบกวนมากกว่าและมักจะไม่มีประสิทธิภาพเท่ากับการส่งมอบในสภาวะคงที่ที่เกิดขึ้นหลังจากที่อัลกอริทึมมีการแปลงเพียงพอที่จะมั่นใจในการคาดการณ์ของมัน

อะไรที่ถือเป็นการเริ่มต้นใหม่#

แพลตฟอร์มส่วนใหญ่ไม่ได้ทำให้เกิดเฟสการเรียนรู้ใหม่เฉพาะตอนเปิดตัวเท่านั้น การเปลี่ยนกลยุทธ์การประมูล การแก้ไขกลุ่มเป้าหมายอย่างมีนัยสำคัญ การหยุดและกลับมาเปิดแคมเปญอีกครั้งหลังจากหยุดไปนาน หรือการเปลี่ยน ครีเอทีฟโฆษณา ส่วนใหญ่ที่ใช้งานอยู่ สามารถทำให้เวลาเริ่มต้นใหม่ทั้งหมดได้ นี่เป็นหนึ่งในเหตุผลที่การเปลี่ยนโฆษณาตัวท้าทายใหม่เพียงตัวเดียวเป็นที่ต้องการมากกว่าการปรับเปลี่ยนครีเอทีฟโฆษณาทั้งหมด: การเปลี่ยนโฆษณาหนึ่งตัวในขณะที่รักษาแคมเปญส่วนอื่นๆ ให้คงที่ช่วยหลีกเลี่ยงการเริ่มต้นเฟสการเรียนรู้ใหม่สำหรับทุกสิ่งอื่นที่ทำงานควบคู่กันไป ซึ่งเป็นรูปแบบที่ควรรู้ก่อนที่คุณจะ โฆษณาบน Taboola ในระดับที่แท้จริง

โดยทั่วไปแล้วมันใช้เวลานานเท่าไร#

ไม่มีคำตอบที่ตายตัว และขึ้นอยู่กับปริมาณการแปลงอย่างมากมากกว่าเวลาตามปฏิทิน แคมเปญที่สร้างการแปลงหลายสิบครั้งต่อวันสามารถผ่านช่วงการเรียนรู้ได้ภายในไม่กี่วัน ในขณะที่แคมเปญที่มีปริมาณการแปลงต่ำซึ่งมีการแปลงเพียงไม่กี่ครั้งต่อสัปดาห์อาจอยู่ในสถานะที่ไม่เสถียรเป็นเวลานานกว่ามาก หรืออาจไม่เคยออกจากเฟสนี้อย่างเต็มที่หากปริมาณยังคงน้อยเกินไป นี่เป็นส่วนหนึ่งของเหตุผลที่ผู้ซื้อโฆษณาที่มีงบประมาณ พันธมิตร เล็กกว่ามักจะเห็นผลลัพธ์ที่ผันผวนในแต่ละวันมากกว่าบัญชีขนาดใหญ่: พวกเขาสร้างจุดข้อมูลให้น้อยลงต่อวันสำหรับอัลกอริทึมในการเรียนรู้

ผลกระทบในทางปฏิบัติสำหรับผู้ซื้อโฆษณา#

การประเมินแคมเปญใหม่หรือการแก้ไขครั้งใหญ่เร็วเกินไปเป็นหนึ่งในวิธีที่พบบ่อยที่สุดที่ ผู้ซื้อสื่อ ทำลายสิ่งที่อาจจะได้ผล แคมเปญที่ดูมีค่าใช้จ่ายสูงใน 48 ชั่วโมงแรกอาจปรับตัวจนมีต้นทุนต่อผลลัพธ์ที่แตกต่างไปโดยสิ้นเชิงเมื่ออัลกอริทึมมีสัญญาณเพียงพอ ดังนั้นจึงควรกำหนดช่วงเวลาประเมินขั้นต่ำ โดยยึดตามจำนวนการแปลงมากกว่าจำนวนวันที่ผ่านไป ก่อนที่จะตัดสินใจหยุดหรือขยายขนาด ความอดทนเดียวกันนี้ใช้กับการปรับการประมูล: การปรับแต่งใหม่หลายอย่างพร้อมกันในช่วงการเรียนรู้ที่ยังไม่เสถียรอยู่แล้ว ทำให้ยากกว่ามากที่จะบอกว่าการเปลี่ยนแปลงใดที่ช่วยได้จริง

การลดการเริ่มต้นใหม่ที่ไม่จำเป็น#

การรวมการแก้ไขหลายอย่างเป็นการเปลี่ยนแปลงครั้งเดียว แทนที่จะทำหลายการเปลี่ยนแปลงเล็กๆ กระจายไปตลอดสัปดาห์ การใช้การปรับการประมูลตามกำหนดเวลาแทนการหยุดและกลับมาเปิดด้วยตนเอง และการปล่อยให้โฆษณาที่ชนะยังคงทำงานต่อไปแทนที่จะเปลี่ยนมันโดยรีเฟล็กซ์ ทั้งหมดนี้ช่วยลดความถี่ที่แคมเปญถูกผลักกลับเข้าสู่เฟสการเรียนรู้ สำหรับผู้ซื้อโฆษณาที่กำลังวิจัย วิธีสร้างรายชื่อติดตามคู่แข่ง ตรรกะเดียวกันนี้อธิบายว่าทำไมโฆษณาของคู่แข่งที่รอดพ้นไปเกินหนึ่งหรือสองสัปดาห์แรก ซึ่งสามารถเห็นได้ผ่าน แพลตฟอร์มข่าวกรองโฆษณาของ OpenAdLibrary จึงเป็นสัญญาณที่แข็งแกร่งกว่าโฆษณาที่ยังคงอยู่จนถึงวันที่สาม: มีแนวโน้มที่มันจะผ่านเฟสการเรียนรู้ของตัวเองและเข้าสู่ประสิทธิภาพที่เสถียรแล้ว