原生广告学习阶段：预算与耐心

原生广告学习阶段是指新广告活动或经过重大编辑的广告活动在最初几天到两周内，广告网络的投放算法仍在收集足够的点击和转化数据，以可靠地预测性能。在此期间，投放往往不均衡，CPC波动幅度大于后期，暂停或大幅编辑广告活动的诱惑最大，而恰恰此时这样做会重置计时器。

学习阶段到底是什么#

每个原生广告网络的竞价都依赖于预测的CTR（以及，如果连接了转化跟踪，则预测的转化率）来决定你的出价中有多少实际转化为投放。全新的创意或广告活动没有历史记录，因此算法必须进行探索：向更广泛、更不精细的受众展示你的广告，部分是为了收集信号，部分是因为它确实还不知道哪些细分受众会回应。

这是任何基于竞价的广告系统（包括原生广告）中探索阶段的相同底层机制。并非某个网络独有。Taboola、Outbrain和MGID都运行某种形式的探索阶段，尽管具体时长和数量门槛都没有被任何一家详细公布。

将学习阶段视为算法在目标受众中运行实时实验有助于理解：将流量分配到尚未评分的细分受众中，观察哪些细分受众有反应，并逐渐将投放重新分配给有反应的细分受众。在此过程的早期，部分预算实际上被花在了那些一旦算法获得足够数据就会放弃的细分受众上。这种花费并非浪费，而是探索本身的成本。理解这一点的买家，在面对最初几天糟糕表现时，往往比期望广告活动从第一次展示就达到最终稳定状态的买家要冷静得多。

实际需要多少预算和时间#

没有单一的官方数字说明广告活动需要多少点击或转化才能退出学习阶段，任何你在网上看到的具体数字都是猜测伪装成事实。在竞价机制中始终一致的是，算法需要足够的事件（至少点击，最好是转化）来建立对细分受众的统计置信度。每天花费20美元的广告活动比每天花费200美元的广告活动需要更长的时间来积累信号，仅仅是因为它每小时产生的事件较少。

实际预算规则：在得出明确结论之前，预计至少需要花费几十次转化，或者如果没有实时转化跟踪，则需要几百次点击。如果你的单位经济无法承受那么多花费而不带来实质性痛苦，那么广告活动在学习阶段启动前就资金不足了，解决方案是进行少量资金充足的测试，而不是大量资金不足的测试。

这正是许多新原生广告买家犯第一个真正错误的地方：将适中的总预算分散到五六个广告活动中以“测试市场”，而不是投入足够资金到一两个广告活动中，让每个广告活动真正通过学习阶段。五个资金不足的广告活动各自收集的数据太少，无法从任何一个中得出真正结论，最终你得到的是五个不确定的结果，而不是一两个你能实际采取行动的结果。一个资金充足到能获得真实转化量的广告活动，胜过一堆从未超越猜测阶段的广告活动。

学习期间不要做什么#

• 不要在同一会话中编辑创意、出价和定向。 每次有影响的编辑都可能重置算法积累的部分信号，如果同时更改三件事，你将不知道哪个更改导致了接下来发生的事情。
• 不要暂停并重新启动以“重置”缓慢启动。 暂停并不会让你跳到更好的位置；它通常会使探索时钟从接近零重新开始。
• 不要在第二天就用稳定状态目标来评判CPA。 早期的CPA几乎总是比成熟广告活动最终达到的要差，因为算法尚未学会将预算从薄弱细分受众中挪开。
• 不要在学习过程中激进地扩大预算。 在某些网络上，预算增加会起到部分重置的作用，因为它改变了算法一直在校准的量和节奏。

表明已退出学习阶段的信号#

投放节奏首先变得平稳：不再是全天出现尖峰、不可预测的展示量，你会看到更稳定的每小时模式。CPC也趋于稳定在较窄的范围内，而不是在竞价间大幅波动。一旦你开始跟踪转化，每次转化成本趋于稳定区间（即使该区间尚未达到目标）是比CTR单独稳定更强的信号，因为CTR可能看起来不错，而流量转化效果仍然很差。大多数网络在广告活动记录足够活动后，也会在仪表板中显示某种形式的投放或学习状态指示器，但该指示器切换的底层门槛并未得到一致记录。将其视为粗略信号，而非保证。

退出后该做什么#

一旦投放稳定下来，就是进行有针对性优化以产生可靠信号的时候：根据网络的真实CPC基准收紧或放宽出价，暂停真正薄弱的创意变体，并开始考虑对获胜者进行横向与纵向扩展。在学习阶段稳定之前做出这些决定，是媒体买家扼杀本来会成功的广告活动的最常见方式。

当广告活动从未退出学习阶段#

有些广告活动永远无法稳定，因为底层输入在算法能够校准之前不断变化：频繁更换创意、不断编辑的落地页、或每天或每两天调整一次的预算。如果一个广告活动已经运行了数周，仍然显示出早期学习阶段特有的波动性投放和CPC波动，解决方法通常不是更多耐心，而是审计已更改的内容和频率。一个稳定运行一整周（即使花费不大）的广告活动，通常比一个每天调整持续一个月的广告活动更能说明问题。如果你想查看你的垂直领域中的竞争对手如何构建明显已退出学习阶段并稳定运行的广告活动，OpenAdLibrary的原生广告间谍工具展示了在线创意的长寿数据，这是广告活动已找到稳定状态并持续运行的合理代理指标。

一个广告活动中多个创意的学习阶段#

一个单独的问题：向已稳定的广告活动添加新创意不一定会重置整个广告活动的学习，但该特定创意仍需赢得自己的表现历史，算法才会像信任现有创意一样信任它。这就是为什么将新创意放入原本成熟的广告活动中，最初几天看起来可能表现不佳，即使整个广告活动显示稳定的投放。给每个新创意添加自己的跑道，而不是在第一天就根据已建立创意的当前数字来评判它。实际含义是，“增加创意多样性”和“启动新广告活动”承担不同的学习成本。在现有稳定广告活动中轮换新标题或图片，比从头开始启动全新广告活动更轻量，并且通常是在你度过初始学习窗口后继续测试的更好方式。

为什么学习阶段让新买家措手不及#

关于学习阶段的大部分挫败感来自期望与机制之间的不匹配。来自拥有更成熟、更透明报告平台的买家期望新广告活动几乎立即达到最终稳定状态，而当原生广告投放最初看起来断断续续且昂贵时，本能反应是认为出了问题：创意不好、优惠无效、网络有缺陷。有时其中一种情况确实成立。但通常广告活动只是在做每个新广告活动在基于竞价的网络上的正常行为：在算法获得足够信号以高效分配剩余预算之前，将部分早期预算用于探索。处理得最好的买家往往在启动前而不是启动后设定期望：预先决定你愿意投入多少预算来通过学习阶段，决定在做出判断之前要等待的数据阈值，并将这两个数字写在某个你实际上会再次查看的地方。这一个习惯就能消除大部分焦虑驱动的出价更改和过早暂停，这些行为使原本可行的广告活动永远无法达到其稳定状态。