你真的了解“機器學習階段”嗎？為什么越來越多的投手在意“機器學習階段”？

答案歸納為以下3點：

所以當我們數據受到限制、經過匯總和延遲報告等情況，可能都意味著機器學習階段的花費增加，而機器學習階段花費較高，則會導致單次操作費用的增長。

上圖是 Meta for Business 統計到的機器學習階段的花費占比情況。相比在機器學習階段花費約 80% 預算的廣告主，在機器學習階段花費約 20% 預算的廣告主獲得的轉化量多出 17%，單次操作費用要低 15%。

如何查看“機器學習階段”的狀態？

2種方法：

方法一：賬戶層級-賬戶概覽＞機器學習階段的整體進展＞投放建議

方法二：廣告組層級-檢查工具＞機器學習階段的趨勢＞影響機器學習階段的要素

為什么你在機器學習階段花費占比較高呢？

4個原因，逐一排查！

1.廣告系列和廣告組的數量較多，例如太過細分，建議整合。

——簡化賬戶結構、整合廣告組，收集盡可能多的信號，更快退出機器學習階段。

2.頻繁進行手動編輯。

——僅做少量更具策略意義的調整，避免機器學習階段重置。

3.設置中的限制因素如受眾規模、競價/預算水平。

——可獲得的轉化量取決于廣告主設置的競價金額和可用預算。

①網頁廣告組：根據退出機器學習階段所需的每周約50次轉化這一閾值計算每周預算；

②使用應用事件優化/價值優化的SKAN廣告系列：根據每個廣告系列單日88次*安裝的閾值計算預算；

③對于投放期少于3天的廣告，建議使用自動競價；

④利用廣告系列預算優化提高預算使用效率，增強系統的自動分配能力；

⑤對于競價上限：通過測試找到最優競價（大型廣告主）；

⑥如有充分的理由，可對使用廣告系列預算優化的廣告系列進行手動調整，比如提高競價上限，向規模較小的高價值受眾展開營銷；

4.缺乏轉化事件。

——賦能型廣告預算優化，實現同一筆廣告預算在多個廣告組之間的最佳分配。

①如果不能使用進階賦能型版位，則至少應啟用6個版位，以充分發掘Meta旗下各平臺的強大功能；相比使用4個或更少版位，至少啟用6個版位的廣告系列取得更出色表現的可能性為73%。

②能否結束機器學習階段取決于優化的轉化事件發生的次數。排列事件的優先順序（一個網域可設置 8 個，應用廣告最多可設置 64 個事件）。對于選擇拒絕追蹤的用戶，只會傳回優先級最高的已完成事件。

實用技巧：

簡化賬戶結構 Top 5 問

Q1：“廣告學習階段由于轉化下降，降低預算之后，會重新進入廣告學習階段，這種問題最好的解決辦法是什么？”

A1：由于最近廣告生態系統的變化，如蘋果的ATT，轉化率報告可能會被推遲。建議將廣告組單獨放置72小時，然后再審查其效果追蹤的準確性，并進行編輯。過早且大幅度的編輯可能導致退出學習階段進一步延遲，這意味著CPA延長或提高，特別是低預算的情況下。

如果因為業務原因要調整賬戶，請注意：

Q2：“機器學習期太長，多數廣告總是沒有完成學習期”

A2：關鍵是利用簡化賬戶結構的最佳實踐，更快地退出學習階段。你的大多數廣告設置是“學習受限”/不退出學習階段的主要原因可能是：

Q3：廣告的好壞評判標準只能是依靠機器學習階段的反饋來判斷嗎？如果預算較小，但是成本很低的情況下，雖然暫時沒過學習期，但不能代表這條廣告表現不好，對嗎？

A3：學習階段并不是衡量廣告表現好壞的指標，這只是表明你的廣告表現還沒有穩定下來的一個指標，因為它仍然在探索傳遞廣告的最佳方式。

一旦你的廣告退出學習階段，你便更有可能看到它的未來表現，到時你的廣告投放將會穩定下來。

Q4：“我創建的廣告組越多，我做的優化越多， 我能找到新辦法的可能性就越大”？

A4：通過減少廣告組并遵循Meta給出的最佳實踐，你將開始看到更多高效的廣告組，通過賦予系統更多的靈活性，你實際上獲得了更多的控制權。看似你的活動分割成了許多個小的廣告組能夠有助于你看到哪個表現最好，但有了過多的廣告組之后，它們就不太可能退出學習階段了，這會阻礙你的目標實現。

A5：“增加預算/出價會讓一個廣告組重新進入學習階段?”

Q5：視情況而定。但是，知道準確性的閾值可能會錯過重點，因為學習階段只是一個指標。如果我們設置一個20%的閾值來觸發這個指標，這并不意味著19%的變化不會影響你的表現。這就是為什么我們建議廣告主使用真實的預算和成本來約束，而不是將預算和成本控制作為業績的杠桿。