Giai đoạn Học (Thuật toán Quảng cáo)

Giai đoạn học là khoảng thời gian sau khi một chiến dịch được khởi chạy, hoặc sau một chỉnh sửa lớn đối với một chiến dịch đang hoạt động, khi thuật toán phân phối của nền tảng quảng cáo vẫn đang thu thập đủ dữ liệu chuyển đổi để tối ưu hoá việc đặt giá thầu và mục tiêu một cách đáng tin cậy. Trong khoảng thời gian này, chi phí trên mỗi kết quả có xu hướng dao động nhiều hơn bình thường, và thường được coi là quá sớm để đánh giá liệu một chiến dịch có thực sự hiệu quả hay không.

Tại sao các thuật toán cần một cửa sổ học#

Các hệ thống smart bidding hiện đại dự đoán ai có khả năng chuyển đổi và điều chỉnh giá thầu trong thời gian thực dựa trên dự đoán đó. Ngay sau khi khởi chạy, hoặc ngay sau một thay đổi đáng kể, hệ thống có rất ít hoặc không có dữ liệu cụ thể cho sự kết hợp chính xác của sáng tạo, khán giả và chiến lược đặt giá thầu, vì vậy nó sẽ khám phá rộng hơn để xây dựng mô hình về những gì hoạt động. Việc khám phá này tự nhiên sẽ ồn hơn và thường kém hiệu quả hơn so với việc phân phối ổn định mà nó đạt được sau khi thuật toán có đủ chuyển đổi để tự tin vào các dự đoán.

Điều gì được tính là một reset#

Hầu hết các nền tảng không chỉ kích hoạt một giai đoạn học mới khi khởi chạy. Thay đổi chiến lược đặt giá thầu, chỉnh sửa mục tiêu một cách đáng kể, tạm dừng và khởi động lại trong một khoảng thời gian dài, hoặc thay thế phần lớn ad creative đang hoạt động đều có thể khởi động lại đồng hồ. Đây là một trong những lý do tại sao việc thay thế một quảng cáo thách thức mới duy nhất được ưa chuộng hơn so với việc thay đổi toàn bộ sáng tạo: thay thế một quảng cáo trong khi giữ phần còn lại của chiến dịch ổn định giúp tránh việc reset giai đoạn học cho mọi thứ khác đang chạy song song, một mẫu hành vi đáng lưu ý trước khi bạn advertise on Taboola ở quy mô thực tế.

Thời gian thường kéo dài bao lâu#

Không có câu trả lời cố định, và nó phụ thuộc mạnh mẽ vào khối lượng chuyển đổi hơn là thời gian lịch. Một chiến dịch tạo ra hàng chục chuyển đổi mỗi ngày có thể hoàn thành giai đoạn học trong vài ngày, trong khi một chiến dịch có khối lượng thấp với vài chuyển đổi mỗi tuần có thể ở trong trạng thái bất ổn trong một khoảng thời gian dài hơn, hoặc không bao giờ thoát ra hoàn toàn nếu khối lượng vẫn quá mỏng. Đây là một phần lý do tại sao các nhà mua hàng chạy ngân sách affiliate nhỏ thường thấy kết quả ngày càng biến động hơn so với các tài khoản lớn: họ đơn giản tạo ra ít điểm dữ liệu hơn mỗi ngày để thuật toán học.

Hệ quả thực tiễn cho nhà mua hàng#

Đánh giá một chiến dịch mới hoặc một chỉnh sửa lớn quá sớm là một trong những cách phổ biến nhất mà media buyers làm hỏng một thứ có thể đã hoạt động. Một chiến dịch trông có vẻ đắt đỏ trong 48 giờ đầu có thể ổn định lại chi phí trên mỗi kết quả hoàn toàn khác khi thuật toán có đủ tín hiệu, vì vậy nên đặt một cửa sổ đánh giá tối thiểu, dựa trên số lượng chuyển đổi thay vì số ngày đã trôi qua, trước khi quyết định tạm dừng hoặc mở rộng. Sự kiên nhẫn này cũng áp dụng cho việc điều chỉnh giá thầu: việc xếp chồng nhiều điều chỉnh mới cùng một lúc trong một giai đoạn học đã bất ổn làm cho việc xác định thay đổi nào thực sự có lợi trở nên khó khăn hơn.

Giảm thiểu các reset không cần thiết#

Nhóm các chỉnh sửa thành một thay đổi duy nhất thay vì nhiều thay đổi nhỏ rải rác trong một tuần, sử dụng điều chỉnh giá thầu theo lịch thay vì tạm dừng và khởi động lại thủ công, và cho phép một quảng cáo thắng cuộc tiếp tục chạy thay vì thay thế nó một cách phản xạ đều giảm tần suất một chiến dịch bị đưa trở lại giai đoạn học. Đối với những nhà mua hàng đang nghiên cứu how to build a competitor watchlist, logic tương tự giải thích tại sao một quảng cáo của đối thủ tồn tại sau tuần hoặc hai đầu tiên, được nhìn thấy qua OpenAdLibrary's ad intelligence platform, là một tín hiệu mạnh hơn so với một quảng cáo vẫn còn hoạt động vào ngày thứ ba: nó có khả năng đã hoàn thành giai đoạn học của riêng mình và ổn định vào hiệu suất ổn định.