Facebook广告机器学习大揭秘！暗藏起量的神秘技法~
1943作为一名FB投手，对于Facebook广告背后算法机制的探求是永无止境的。
在投放Facebook广告时，无论是首次开始投放，还是在编辑后重新投放，所掌握的数据信息都不足以尽可能稳定地投放广告。为获得这些必要的数据，Facebook必须向不同类型的用户投放广告，以此了解哪些人群最可能执行我们的优化事件 ，这就是Facebook广告背后的竞价机制——“机器学习”。
今天这篇内容，橙四海就和各位FB投手一起来聊聊Facebook机器学习在算法中的作用，揭开“黑盒”机制的神秘面纱。
机器学习是人工智能的实践和应用，具体是通过大数据来训练算法和数据模型，从而更加准确地对新的（未知）数据及指令作出预测和判断。
那么，数据哪里来呢？
首先，对于Facebook，每天有上亿的用户自发地生成各种数据（UGC）：照片、影片、语音、文字、社交互动等等。
除此之外，Facebook还可以通过你浏览器的cookie来追踪你在互联网上的一切行为。
比如你浏览过哪些网站？你搜索过哪些内容？你产生过哪些购买行为?
在Facebook的官网中有这样一段话：
“Weuse cookies to help us show ads and to make recommendations forbusinesses and other organizations to people who may be interested inthe products, services or causes they promote.”
所以，Facebook主要是通过追踪浏览器的cookie来收集用户的数据，进而对用户的喜好和行为进行预测，选择最适合的广告呈现在用户面前。
同时Facebook又用cookie来判断控制广告的投放，以及评估广告的质量。
比如确保该广告出现在同一个用户的时间线上不超过X次（impression）。再比如该用户是否与广告产生了交互行为（点击、留言、点赞、购买等等）。
IOS14.5上线之，隐私新规中的用户可自主选择是否允许APP追踪其在网站内的浏览历程，使得Facebook广告一度出现转化归因不准确等情况，也印证了cookie对于Facebook的重要性。
那Facebook广告的机器学习是如何运转的呢？
Facebookad算法是预测性算法（PredictiveAlgorithm）。
简单来说，机器学习的算法通过“学习”广告投放得到的反馈（历史数据），对新的广告投放效果进行预测。
机器学习算法的两大类别：回归算法（Regression）和分类算法（classification）。
回归算法的结果是一些连续的值，比如一元二次方程里的一条直线，任意一个横坐标的X值，都可以找到一个对应的Y值。
而分类算法的输出结果并不是连续的，而更像是一段又一段的区间。
例如：
通过分析，分类算法会告诉你，“Yes”还是“No”。
但是回归算法会告诉你“只有68.59%的可能性会买，也有31.41%的可能性不会买”。
实际上，两种算法并不是完全无法不兼容彼此的。
比如你在回归算法的输出层规定区间，“低于60%的值输出No”，“不低于60%的输出值为Yes”，这样回归算法就转化为一个分类算法了。
不管使用哪种算法，在广告投放领域，机器学习的核心都是通过分析audience的特性（demographics），来对TA的行为进行预测。
因为Facebook广告的算法对外界仍然是非公开的，是个黑盒（BlackBox）。所以两种算法其实都有可能，甚至可能是两种算法的结合。
但无论是使用两种算法的哪一种，Facebook广告的LearningPhase都是在不断的训练算法模型，寻找完美的拟合曲线。一旦学习结束，算法就会寻找目标受众中，距离曲线最近的点（潜在受众）。
而如何让Facebook广告机器学习快速到达这个完美的拟合曲线点？
就需要准备就需要大量的数据，这时候就需要我们Facebook投手出马了！
当我们开始投放广告时，Facebook最初基本是处于盲投的状态，它凭借自己的直觉投放给一些可能对我们的产品感兴趣的受众，
一旦某个用户有了相应的反馈，比如给广告点赞、或者点击了购买链接，Facebook会将该用户的数据收集入你的数据库里。
但是，前期我们只能积累到一些零星的数据，很有可能是特例，也就是一些电商卖家常说的“偶然单”。所以，投放早期，各位投手切忌胡乱调整广告账户，导致机器学习走向走歪，白白浪费广告预算。
而当我们数据随着时间的积累足够多时，机器也更加容易找到更符合我们目标受众的群体，从而对新的数据进行更加准确的预测，这也就说明了为啥老的广告组很多都可以稳定出单的，而培养一个稳定的广告组正是专业投手最应该做的事。
但这时候很有可能会有小伙伴说：四海尽说废话，谁不知道数据积累的多，广告就更精准，但老板等不及啊！
如果你老板知道Facebook广告这些算法的话，他可能会改变自己的看法？
在Facebook通过自己早期选择受众得到一个小的模型之后，算法会尝试着寻找和这些用户有相似特性的其他用户、并且推送相同的广告来反复确认自己的判断。
如果结果不符合预期，算法就会调整策略，比如调整某个特性的权重。
在这个调整的过程中，有可能会影响到广告主的决策。
比如你的目标受众可能是喜欢踢足球的男生，但是你一开始并没有对兴趣做任何的限制，而Facebook根据它已有的数据可能就“猜测”爱玩儿游戏的受众比较理想。
结果跑了几天，广告效果很差，没有耐心的人有可能就此打住，终止广告。但其实你再坚持一下，广告就可以“看到明天的太阳了”
因为随机性，导致决策的变化，从而影响整个数字营销的效果。
数据不会说谎，但是片面的数据，会误导我们的判断能力。
因此，各位投手请把这篇内容转给你不是很懂广告，只想要ROI的老板看一下，或许能够让你得到救赎。
关于FB投手如何避免被一些算法的不确定性影响广告投放的效果，橙四海会在下一期内容详细讲解！也欢迎有不同见解的小伙伴在评论区留言，分享自己的看法~
作为一名FB投手，对于Facebook广告背后算法机制的探求是永无止境的。
在投放Facebook广告时，无论是首次开始投放，还是在编辑后重新投放，所掌握的数据信息都不足以尽可能稳定地投放广告。为获得这些必要的数据，Facebook必须向不同类型的用户投放广告，以此了解哪些人群最可能执行我们的优化事件 ，这就是Facebook广告背后的竞价机制——“机器学习”。
今天这篇内容，橙四海就和各位FB投手一起来聊聊Facebook机器学习在算法中的作用，揭开“黑盒”机制的神秘面纱。
机器学习是人工智能的实践和应用，具体是通过大数据来训练算法和数据模型，从而更加准确地对新的（未知）数据及指令作出预测和判断。
那么，数据哪里来呢？
首先，对于Facebook，每天有上亿的用户自发地生成各种数据（UGC）：照片、影片、语音、文字、社交互动等等。
除此之外，Facebook还可以通过你浏览器的cookie来追踪你在互联网上的一切行为。
比如你浏览过哪些网站？你搜索过哪些内容？你产生过哪些购买行为?
在Facebook的官网中有这样一段话：
“Weuse cookies to help us show ads and to make recommendations forbusinesses and other organizations to people who may be interested inthe products, services or causes they promote.”
所以，Facebook主要是通过追踪浏览器的cookie来收集用户的数据，进而对用户的喜好和行为进行预测，选择最适合的广告呈现在用户面前。
同时Facebook又用cookie来判断控制广告的投放，以及评估广告的质量。
比如确保该广告出现在同一个用户的时间线上不超过X次（impression）。再比如该用户是否与广告产生了交互行为（点击、留言、点赞、购买等等）。
IOS14.5上线之，隐私新规中的用户可自主选择是否允许APP追踪其在网站内的浏览历程，使得Facebook广告一度出现转化归因不准确等情况，也印证了cookie对于Facebook的重要性。
那Facebook广告的机器学习是如何运转的呢？
Facebookad算法是预测性算法（PredictiveAlgorithm）。
简单来说，机器学习的算法通过“学习”广告投放得到的反馈（历史数据），对新的广告投放效果进行预测。
机器学习算法的两大类别：回归算法（Regression）和分类算法（classification）。
回归算法的结果是一些连续的值，比如一元二次方程里的一条直线，任意一个横坐标的X值，都可以找到一个对应的Y值。
而分类算法的输出结果并不是连续的，而更像是一段又一段的区间。
例如：
通过分析，分类算法会告诉你，“Yes”还是“No”。
但是回归算法会告诉你“只有68.59%的可能性会买，也有31.41%的可能性不会买”。
实际上，两种算法并不是完全无法不兼容彼此的。
比如你在回归算法的输出层规定区间，“低于60%的值输出No”，“不低于60%的输出值为Yes”，这样回归算法就转化为一个分类算法了。
不管使用哪种算法，在广告投放领域，机器学习的核心都是通过分析audience的特性（demographics），来对TA的行为进行预测。
因为Facebook广告的算法对外界仍然是非公开的，是个黑盒（BlackBox）。所以两种算法其实都有可能，甚至可能是两种算法的结合。
但无论是使用两种算法的哪一种，Facebook广告的LearningPhase都是在不断的训练算法模型，寻找完美的拟合曲线。一旦学习结束，算法就会寻找目标受众中，距离曲线最近的点（潜在受众）。
而如何让Facebook广告机器学习快速到达这个完美的拟合曲线点？
就需要准备就需要大量的数据，这时候就需要我们Facebook投手出马了！
当我们开始投放广告时，Facebook最初基本是处于盲投的状态，它凭借自己的直觉投放给一些可能对我们的产品感兴趣的受众，
一旦某个用户有了相应的反馈，比如给广告点赞、或者点击了购买链接，Facebook会将该用户的数据收集入你的数据库里。
但是，前期我们只能积累到一些零星的数据，很有可能是特例，也就是一些电商卖家常说的“偶然单”。所以，投放早期，各位投手切忌胡乱调整广告账户，导致机器学习走向走歪，白白浪费广告预算。
而当我们数据随着时间的积累足够多时，机器也更加容易找到更符合我们目标受众的群体，从而对新的数据进行更加准确的预测，这也就说明了为啥老的广告组很多都可以稳定出单的，而培养一个稳定的广告组正是专业投手最应该做的事。
但这时候很有可能会有小伙伴说：四海尽说废话，谁不知道数据积累的多，广告就更精准，但老板等不及啊！
如果你老板知道Facebook广告这些算法的话，他可能会改变自己的看法？
在Facebook通过自己早期选择受众得到一个小的模型之后，算法会尝试着寻找和这些用户有相似特性的其他用户、并且推送相同的广告来反复确认自己的判断。
如果结果不符合预期，算法就会调整策略，比如调整某个特性的权重。
在这个调整的过程中，有可能会影响到广告主的决策。
比如你的目标受众可能是喜欢踢足球的男生，但是你一开始并没有对兴趣做任何的限制，而Facebook根据它已有的数据可能就“猜测”爱玩儿游戏的受众比较理想。
结果跑了几天，广告效果很差，没有耐心的人有可能就此打住，终止广告。但其实你再坚持一下，广告就可以“看到明天的太阳了”
因为随机性，导致决策的变化，从而影响整个数字营销的效果。
数据不会说谎，但是片面的数据，会误导我们的判断能力。
因此，各位投手请把这篇内容转给你不是很懂广告，只想要ROI的老板看一下，或许能够让你得到救赎。
关于FB投手如何避免被一些算法的不确定性影响广告投放的效果，橙四海会在下一期内容详细讲解！也欢迎有不同见解的小伙伴在评论区留言，分享自己的看法~
热门活动 
其他
04-09 周四
热门报告 
