Фаза навчання (алгоритми реклами)

Фаза навчання — це період після запуску кампанії або після серйозних змін у активній кампанії, коли алгоритм доставки рекламної платформи ще збирає достатньо даних про конверсії для надійної оптимізації ставок та таргетингу. Під час цього вікна вартість за результат зазвичай коливається сильніше, ніж зазвичай, і загалом вважається занадто рано оцінювати, чи кампанія насправді працює.

Чому алгоритмам взагалі потрібне вікно навчання#

Сучасні системи smart bidding прогнозують, хто з ймовірністю здійснить конверсію, та коригують ставки в реальному часі на основі цього прогнозу. Відразу після запуску або після значної зміни система має мало або взагалі не має даних, специфічних для точної комбінації креативу, аудиторії та стратегії ставок, тому вона досліджує ширше, щоб побудувати модель того, що працює. Це дослідження природно є більш «шумним» і часто менш ефективним, ніж стабільна доставка, яка слідує після того, як алгоритм отримає достатньо конверсій для впевненості у своїх прогнозах.

Що вважається скиданням#

Більшість платформ не просто запускають нову фазу навчання під час запуску. Зміна стратегії ставок, значна корекція таргетингу, пауза та відновлення на тривалий період або заміна більшості активних рекламних креативів можуть перезапустити відлік часу. Це одна з причин, чому заміна одного нового креативу-претендента є кращою, ніж повна заміна креативів: заміна одного оголошення при збереженні стабільності решти кампанії дозволяє уникнути скидання навчання для всього іншого, що працює паралельно. Цей патерн варто знати перед тим, як рекламуватися на Taboola у будь-якому реальному масштабі.

Як зазвичай триває#

Фіксованої відповіді немає, і це сильно залежить від обсягу конверсій, а не від календарного часу. Кампанія, яка генерує десятки конверсій на день, може завершити фазу навчання за кілька днів, тоді як низькооб'ємна кампанія з кількома конверсіями на тиждень може залишатися в нестабільному стані набагато довше або взагалі не вийти з нього, якщо обсяг залишається занадто малим. Це частково пояснює, чому покупці з меншими партнерськими бюджетами часто бачать більш волатильні результати день у день, ніж великі акаунти: вони просто генерують менше точок даних на день для навчання алгоритму.

Практичні наслідки для покупців#

Занадто рання оцінка нової кампанії або серйозних змін — один з найпоширеніших способів, якими медіабаєри «вбивають» те, що могло б спрацювати. Кампанія, яка виглядає дорогою в перші 48 годин, може стабілізуватися зі зовсім іншою вартістю за результат, коли алгоритм отримає достатньо сигналів. Тому варто встановити мінімальний період оцінки, прив'язаний до кількості конверсій, а не до минулих днів, перш ніж приймати рішення про паузу або масштабування. Ця ж терпимість стосується коригувань ставок: внесення кількох нових змін одночасно під час вже нестабільної фази навчання значно ускладнює розуміння того, яка саме зміна допомагає.

Зменшення непотрібних скидань#

Об'єднання редагувань в одну зміну замість кількох невеликих протягом тижня, використання запланованих коригувань ставок замість ручної паузи та відновлення, а також надання переможному оголошенню можливості продовжувати працювати, а не рефлекторна його заміна — все це зменшує частоту, з якою кампанія повертається до фази навчання. Для покупців, які досліджують як створити список спостереження за конкурентами, така ж логіка пояснює, чому оголошення конкурента, яке виживає після першого тижня чи двох (видиме через платформу ad intelligence OpenAdLibrary), є сильнішим сигналом, ніж те, що ще активно на третій день: воно, ймовірно, пройшло свою власну фазу навчання та вийшло на стабільну ефективність.