优化“机器学习驱动型广告竞拍”的成效！

Facebook营销科学研究（Marketing Science Research）团队的最新研究结果显示：在如今由机器学习驱动的时代，依靠点击量等间接指标来优化和评估营销活动的广告主通常付出的成本更高，而获得的提升更少。在竞拍广告系统中选择合适的优化指标可以显著提升广告表现。

在这次的讨论中，来自Facebook营销科学研究团队的Neha Bhargava分享了他们通过两年提升力研究而分析总结出的最佳实践。

机器学习已经对许多行业产生了广泛的影响，超过60%的组织报告由于采用了这些系统而对其业务规模进行了更改，广告行业也不例外。媒体的计划和购买方式已经发生了巨大变化，从而能够提供高度个性化的广告体验。实际上，现在大多数的数字显示广告交易，都是以编程的方式在基于机器学习的竞拍系统上进行。

尽管营销人员已经广泛采用了机器学习驱动的广告系统，但许多营销人员仍然严重依赖传统指标来衡量其广告系列的成功。但是来自Facebook的最新研究表明，广告商在优化“替代性”的指标时会损失大约10%的广告效率，这些指标是代表实际业务的非业务结果。

为了了解优化选择如何影响广告效果，Facebook IQ的Brittany Swanson与Facebook市场营销研究团队的广告研究经理Neha Bhargava进行了交谈。采访中，Bhargava揭示了Facebook的机器学习广告系统投放广告之前，“幕后”发生了哪些事情，成功指标为何不断发展，以及如何通过正确利用竞拍来改善广告效果。她还仔细研究了一项研究的结果，在该研究中，营销科学研究团队使用了两年中9,000个提升测试的数据，来确定广告系列优化选择如何影响Facebook竞拍的效果。

一则广告的历程

Brittany：从基础开始，当人们在Facebook上看到广告时，“幕后”发生了什么？

Neha：当您考虑购买传统媒体时，每个人都会收到相同的广告。例如，播放超级碗广告时，无论观众在该国居住在哪里，广告对于每个观众都是一样的。显然，数字媒体格局已经大大改变了这种范例。现在，如果我在线观看“病毒”式视频，可能会看到与观看同一视频的其他人完全不同的广告内容。

借助基于Facebook竞拍等基于机器学习的系统，营销人员可以确定谁能看到他们的广告或展示这些广告的位置，并且这一切都可以大规模的自动完成。这意味着，每个人都根据机器做出的一系列完全不同的决定来投放广告，这些决定是基于广告商的输入、用户数据等等。而且由于Facebook广告彼此竞争，因此我们的系统会根据您想要的结果、以及其他与广告对消费者的相关性等因素，来确定哪个广告最成功。当您的客户最终在我们的一个平台上看到广告时，该广告已经根据客户的兴趣和您的目标进行了评估和排名。

指标的演变过程

Brittany：基于竞拍的广告系统的复杂性与传统广告购买形式有何不同？这如何影响营销人员衡量成功的方式呢？

Neha：很难衡量传统媒体的成功。您必须查看相关性，例如不正确的数据视图和销量之间的相关性。例如，总收视点（GRP）仍然是广告商购买电视广告时要使用的指标，尽管计算GRP的公式仅考虑了0.03%的美国电视家庭，但您不确定是否有人看到您的广告。

但是熟悉传统媒体的营销人员习惯于根据替代性指标优化广告系列。替代性指标细微差别；视频观看次数可以作为替代性指标，但是，如果广告系列的目标是增加电影预告片的观看次数，则视频观看次数是您想要的业务成果，因此您应该对其进行优化。问题在于，广告主有时会假设点击次数或视频观看次数与业务成果（例如销售）相关联，以针对点击次数或视频观看次数进行优化。假设达到成功等于成功，并且针对替代性指标进行优化是一种在所有使用的数字媒体渠道上保持替代性指标一致的简便方法。但是，替代性指标与您的业务成果之间的联系可能并不像您想象的那样紧密。

优化广告系列的最佳方法

Brittany：您的团队在两年中进行了9,000个提升力的研究。根据您的研究，什么才是替代性优化基于机器学习的竞拍活动的最佳方法呢？

Neha：我们已经知道优化数字广告系列中的替代性指标并不理想。尽管在某些情况下，它可能是唯一可用的选项。即便如此，我们仍想量化替代性指标的优化对竞拍结果的影响程度。我们训练了机器人学习模型来预测这些研究的提升和效率（或每次转化的费用），然后检测如果改变广告系列的优化方式，这些预测会发生多少变化。这样，我们可以控制广告主决策和广告系列设置等因素，并将影响与优化选择隔离开来。

我们的研究表明，如果广告主最终对推动销售等业务成果感兴趣，那么他们会针对广告而不是替代性指标进行优化，从而更有效地推动销售。例如，针对点击次数或视频观看次数进行优化，仍将带来相关的业务成果。正如我们的研究表明，点击率和视频观看实际与转化次数相关，但是广告商最多可以减少10%的增量转化次数，比他们明确表示想要的内容-每次递增转化，要多支付10%的费用。

此外，如果他们选择根据替代性指标评估广告系列的成功，以及为该替代性指标进行优化，则他们会加倍采用这种不良做法，从而对转化产生重大影响。我们的研究表明，营销人员优化和评估点击后，每次点击可带来的转化价值减少25%。这是因为在这种情况下，每次点击的增量价值会随着点击率的增加而降低转化需要更多的点击次数。最终，您是在告诉竞拍机器学习，您更关心点击而不是业务成果，这可能会损害您的广告系列。

对于营销人员而言，了解诸多如点击或视频观看之类的替代性指标与业务成果之间不存在一对一关系，这一点非常重要。当然，您可以针对替代性指标进行优化，而竞拍会提供这些替代性指标，但请严谨考虑您的广告系列仅由于点击次数增加而看到了最佳效果。如果您根据所需的实际业务成果优化广告系列，则平均提升幅度会提高10%,也就是说，由于广告系列的直接结果，所需的业务成果会增加。

扩展测量

Brittany：听起来，为实际业务成果进行优化是在竞拍环境中进行广告活动的最有效方法。为什么广告主仍会尝试针对替代性指标进行优化呢？

Neha：答案是双重的，有时候广告主是希望在多个渠道上获得一致的绩效视图。如果他们习惯于根据其他渠道的点击次数或视频观看次数来报告广告系列的效果，则为方便起见，他们可能会以与Facebook平台相同的方式来衡量效果。

其次，在Facebook竞拍之外，广告商可能根本就没有能力针对所需的业务结果进行优化。在这种情况下，我们鼓励广告商利用他们所拥有的——但要知道他们可能并没有发挥应有的影响力。

其他竞拍注意事项

Brittany：除了优化广告系列以实现理想的业务成果外，您的团队是否还为使用竞拍的广告商确定了其他考虑因素？

Neha：除了测试提升力的研究，我们还在我们的平台上查看了超过一百万个广告，发现在竞拍广告中，制作高质量且与您的客户相关的广告是关键。更多广告并不能代表竞拍中更好的效果。实际上，花费太多预算的大多广告，或投放预算过多的低质量的广告可能会导致效果不佳。此外，如果我们的系统预测某个人更有可能对其做出回应或发现他们的质量较高，则出价较低的广告通常会获胜。

我们的研究表明，随着广告激发客户转化的可能性增加，广告的成本趋于降低。同样，广告主的费用会随着广告质量的提高而降低。换句话说，如果您希望竞拍获得最佳效果，最好专注于制作高度相关和高质量的广告。

最终，广告商应该从我们的发现中脱颖而出，因为竞拍是一种强大的工具，可以为您带来所需的结果。广告主应该将精力集中在做出更好的创意选择上，并根据其首选的业务结果简单地优化广告系列。这样做将为他们带来最佳投放效果。

对营销人员意味着什么？

Brittany：对于我们的最后一个问题，广告主在调整他们当前的做法以适应基于机器学习的竞拍世界时，有什么首要原则需要考虑吗?

Neha：当然有了！我们的研究指出了可以帮助营销人员的三个关键点。

优化业务成果

Facebook提供了许多工具，可帮助您针对所需的业务成果优化广告系列，而无论这是推动应用安装、销量还是其他行动。

拥抱机器学习的宗旨

基于机器学习的竞拍系统在交付和成本等方面的功能与传统广告购买不同。了解了这些系统的工作原理后，您可以更好地优化广告系列并衡量数字渠道的效果。

采取考试学习心态

要想驾驭快速变化的数字媒体环境，需要一种好奇的心态——以及对实验的投入。我们有很多工具，比如测试和学习，可以帮助你提高广告效果。