学习阶段（广告算法）

学习阶段是广告活动启动后，或对现有活动进行重大编辑后的一段时间，此时广告平台的投放算法仍在收集足够的转化数据，以可靠地优化竞价和定向。在此期间，单次结果成本往往比平时波动更大，通常认为此时判断活动是否有效还为时过早。

为什么算法需要学习窗口#

现代智能竞价系统预测哪些用户可能转化，并根据预测实时调整出价。在启动后或重大变更后，系统几乎没有针对该特定创意、受众和竞价策略组合的数据，因此它会更广泛地进行探索，以建立有效模型。这种探索自然比算法获得足够转化量从而对预测有信心后的稳定投放阶段噪音更大，效率也更低。

什么算作重置#

大多数平台不仅会在启动时触发新的学习阶段。更改竞价策略、大幅调整定向、长时间暂停后恢复，或替换大部分活跃广告创意，都可能重新计时。这也是为什么倾向于替换单个新挑战广告而非全面更换创意：在保持活动其他部分稳定的同时替换一个广告，可以避免重置同时运行的其他活动的学习进程。在在Taboola上投放广告达到一定规模之前，了解这一模式很有价值。

通常持续多长时间#

没有固定答案，主要取决于转化量而非日历时间。每天产生数十次转化的活动可以在几天内完成学习窗口，而每周只有几次转化的低量活动可能长时间处于不稳定状态，如果转化量一直过低，可能永远无法完全退出。这也是为什么预算较小的联盟营销广告主通常比大账户看到更波动的日常结果：他们每天产生的数据点更少，可供算法学习。

对广告主的实际影响#

过早判断新活动或重大编辑是媒介购买者扼杀本可能有效的活动的最常见方式之一。在前48小时内看起来成本高昂的活动，一旦算法获得足够信号，可能会稳定在完全不同的单次结果成本上。因此，在决定暂停或扩大之前，设置一个基于转化量而非天数的评估窗口是值得的。同样的耐心也适用于竞价调整：在已经不稳定的学习窗口中同时叠加多个新调整，会使得判断哪个变更真正有帮助变得更加困难。

减少不必要的重置#

将编辑合并为一次变更而非分散在一周内的多次小调整，使用计划性竞价调整而非手动暂停和恢复，以及让获胜广告继续运行而非条件反射式地替换，这些都有助于减少活动被重新推入学习阶段的频率。对于正在研究如何构建竞争对手监控列表的广告主来说，同样的逻辑解释了为什么竞争对手的广告在存活超过一两周后（通过OpenAdLibrary的广告情报平台可见）比仍在第三天运行的广告更能说明问题：它很可能已经完成了自己的学习窗口并进入了稳定表现阶段。