Part 1

Facebook機器學習
是怎樣運作的

Facebook廣告系統在初次投放廣告組，或者重大編輯后重新投放時，系統會不斷探索投放該廣告組的最優方式，在這期間，我們的投放系統會探尋更有效的廣告投放方案，包括廣告投放的時間、位置和方式。處于機器學習階段的廣告組投放效率尚不高，這一階段即稱作機器學習階段。當廣告組表現穩定下來后（通常是7天內完成50次優化事件，SKAN需完成至少88個轉化事件）會退出機器學習階段，廣告組會從”學習中” 變更為”投放中”。

Facebook機器學習的運作模式有三種：廣告系列預算優化、最低費用競價策略、自動版位。

為廣告系列設置一個總體預算，并讓系統實時將預算分配給表現最好的廣告組，從而優化各個廣告組的預算分配。廣告系列預算優化是一種在廣告系列層級優化預算分配的方式。意味著 Facebook會不間斷地在廣告系列中自動尋找實現成效的最佳機會’并實時分配預算以獲得這些成效。

適用場景“相比嚴格的效率目標，您更重視轉化量”，最低費用競價策略允許我們的系統代您設置競價,目標是為您獲取費用最低的單次優化事件，花完預算。特別值得注意的是，在結合使用最低費用競價和廣告系列預算優化時，所有廣告組必須針對同一事件進行優化。

適用最低費用競價策略的情況：

• 當不確定競價設為多少合適時；

• 想花完全部預算時。

在最有可能帶來廣告成效的版位中投放廣告內容。

• 人工決定在哪個時間為哪個廣告使用哪些版位很復雜會浪費時間和金錢。自動版位功能可讓我們的廣告投放系統幫您完成繁復的工作實時確定表現最佳的版位并動態地為這些機會分配更多預算。

• 獲得在 Facebook 旗下應用和服務中的多個版位覆蓋更多受眾的機會。與僅限Facebook 的版位相比，實現高達 7% 的覆蓋人數增長。

• 以更低的費用獲取客戶，從而提高您的投資回報。單次成效費用降幅高達 71%

Part 3

如何充分利用CBO和自動版位
針對實際業務成效優化廣告

• 如果決定使用最低費用競價選項，則所有廣告組都應針對同一目標或事件進行優化。

• 便捷地將非 9:16 的動態消息創意自動轉換為適合縱向或快拍環境的創意。可對快拍背景顏色進行簡單編輯，以便靈活地掌控創意。

• 通過Campaign層級選擇廣告系列預算優化。

• 通過在廣告組層級選擇自動版位，先廣泛定位受眾并啟用所有版位。

• 帳戶概覽（帳戶層級）

可查看整個帳戶機器學習的投放進展，并且可以查看投放建議。

• 檢查工具（廣告組層級）

可查看機器學習階段的趨勢，以及影響機器學習階段的因素，指導廣告主做出對應的調整。

Part 5

如何快速渡過機器學習階段

1. 在機器學習期間，不要對廣告組進行重大修改。以下是可能重置機器學習階段的操作：

• 更改受眾定位、廣告創意、優化事件或競價策略；

• 暫停廣告組達 7 天或更久

• 大幅提高預算/競價會重置機器學習階段，提高預算的幅度建議保持在20%左右

• 為廣告組新增素材

• 設置花費上限、競價上限或最低花費回報

2. 簡化廣告組和廣告數量。

建議1個Campaign廣告組數量保持在3-6個，每個廣告素材的數量保持在2-5個。過多的廣告組和素材，會加重系統機器學習的探索負擔

3. 不要頻繁修改預算，保證預算充足。

充足的預算，可以最大程度確保廣告組可以獲得至少50次優化事件，SKAN需完成至少88個轉化事件。

4.擴大受眾群，建議使用廣泛受眾。

• 在機器學習階段，投放系統仍在探索投放廣告組的最佳方式（受眾、版位等）；
  

• 尚未獲得足夠的轉化量（每周約50次轉化）以掌握穩定可靠的“機器學習期數據”；

• 系統預估的廣告轉化率會上下波動，這意味著總的廣告價值并不穩定且效率未達到最優水平。

那么機器學習階段花費占比較高的主要原因是什么呢？無非就是這幾種情況：

• 廣告系列和廣告組的數量較多，例如太過細分，建議整合；

• 頻繁進行手動、重大編輯；

• 設置中的限制因素，如受眾規模、競價/預算水平；

• 缺乏轉化事件。

針對這些情況，我們又該如何調整優化，盡快結束機器學習階段呢？

結構越繁多，冷啟動效率越低。簡化結構，提高系統的自動分配能力。

避免設置太多廣告組：簡化結構、整合廣告組：收集盡可能多的信號，更快退出機器學習階段。

如果廣告主一次性投放的廣告組過多，每個廣告組的投放頻率都將降低。這意味著，在投放系統充分優化表現之前，能夠結束機器學習階段的廣告組將減少，而由此花費的預算會增多。

我們建議整合廣告組，簡化廣告架構，廣告主整合廣告組時，廣告投放學習成果也將一并匯總。

• 建議結構：1-1-n
  廣告組的每周預算需達到 50x 每轉化成本才可結束機器學習階段。

• 建議廣告策略：選品和起量廣告及預算分開。

• SKAN廣告系列需要達到每個廣告系列單日88次安裝的閾值，才能最大限度減少無效轉化。

• 整合為獲取詳細報告而非區分不同價值的廣告組/受 眾細分。

• 如果受眾重疊率較高，可整合重疊的廣告組（及其預算），以獲得更多的優化事件。

僅做少量更具有策略意義的調整。

• 每小時和每日表現指標會顯得雜亂和不完整。

• 廣告組在表現穩定后就會結束機器學習階段（7 天內獲得大約50次優化事件，或者動態結束機器學習階段）。

注意：更改以下要素將導致廣告重新進入機器學習階段。

Part 7

機器學習階段的測試框架

開展測試并總結經驗，確定優化方向

廣告目標

使用一個現有常規目標。
投放時長

至少 2 周（各分組保持一致）。
預算

各分組保持一致。預算應能確保每組至少可獲得50-100次轉化。
創意

針對移動端優化的常規創意。
關鍵表現指標 (KPI)

• 主要指標：轉化量/成效量、單次轉化費用/單次成效費用、轉化金額/價值。

• 次要指標：千次展示費用、單次點擊費用、點擊率。

各分組的以下各項因測試設計而異：
? 受眾
? 競價上限值
? 廣告系列設置，例如廣告結構，開啟/關閉廣告系列預算優化
? 版位
? 優化目標

測試框架：不同的測試框架使用不同的要素來減少機器學習階段的花費占比。