最近Facebook又更新了和廣告投放比較密切的政策。為了簡化Facebook的競價工具，幫助廣告主提高效率，從2020年9月15日開始，Facebook不再支持從Ads Manager中的可用出價選項中選擇目標成本出價。

見下圖，之前的Facebook廣告中，在Ad Sets層級原本是可以選擇目標成本出價的，為安裝或者展示設置自己的心理價位。

而9月15日之后，目標成本出價的形式就將被取消，取之的是目標費用優化。

Facebook官方也給出提示，為了避免影響廣告主的廣告系列，針對這一更新策略，廣告主需要執行以下任一操作：

在政策更新之后，要么暫停之前的廣告要么就用目標費用。在我看來，Facebook的這一系列更新，包括CBO，其實是Facebook廣告系統學習的一大優化和進步；對于廣告主來說，是越來越優的數據學習策略，同時也可以大大提高優化師的賬戶優化效率。

Facebook的這一更新其實是跟之前的CBO功能更新是有一定關系的。CBO預算優化可以根據廣告數據學習的狀態將預算分配到效果最佳的廣告中，把預算盡可能的花費到效果最優的廣告組。

?CBO的設置是在廣告系列層級進行設置的，在CampaignBudget中設置好廣告的總預算，Facebook就會根據廣告系列的預算以及系列下對應的AdSets學習結果進行預算的自動分配。這個可以理解為，每個系列有一個全天無休的優化師在根據每個廣告組的數據效果調整預算的分配，這也是數據學習的效果。

Facebook更新了CBO策略并且希望我們使用這一策略，一來降低我們的精力分配，二來也幫助Facebook廣告進行更多的數據學習，使系統優化性能更優。而之前提到的取消目標成本優化，修改為目標費用優化，和CBO的優化邏輯其實是類似的系統原理，希望通過控制成本上限幫助我們增加更多的優化事件，更加合理的優化我們的預算支出。

這一方面有點類似于谷歌的UAC廣告，Facebook希望幫助我們在除了定位和素材以外的調整，都能運用系統的數據學習更有效率的完成，這也是Facebook的廣告數據系統在不斷進步的一個必然嘗試。

?彩蛋一枚：

關于上文提到的大數據學習，我曾經聽到技術大佬的一段描述，可以幫助理解什么是大數據學習：

我們可以想象一下，每一個用戶都是一串數據，數據中有用戶的身份年齡特征等屬性信息，都是平時用戶自己在網上留下的各種信息和痕跡中總結得到的；而大數據學習就是當系統發出一個標簽獲取指令的時候，就能幫助我們收集有類似標簽的用戶，同時也會根據類似標簽用戶的共性查找和匹配到更多更廣的新用戶群體；在經過了龐大的數據學習以后，系統也收集到足夠的數據量級，更進一步，當我們希望系統給用戶受眾進行匹配分級的，也可以根據系統的數據進行對應的劃分和對應，從而回饋給大數據系統進行更加精準的數據學習；經過這樣不斷的數據學習和自動優化，就會日漸形成一個越加精準的大數據系統。