Facebook机器学习一文通

Part 1

Facebook机器学习
是怎样运作的

Facebook广告系统在初次投放广告组，或者重大编辑后重新投放时，系统会不断探索投放该广告组的最优方式，在这期间，我们的投放系统会探寻更有效的广告投放方案，包括广告投放的时间、位置和方式。处于机器学习阶段的广告组投放效率尚不高，这一阶段即称作机器学习阶段。当广告组表现稳定下来后（通常是7天内完成50次优化事件，SKAN需完成至少88个转化事件）会退出机器学习阶段，广告组会从”学习中” 变更为”投放中”。

Facebook机器学习的运作模式有三种：广告系列预算优化、最低费用竞价策略、自动版位。

为广告系列设置一个总体预算，并让系统实时将预算分配给表现最好的广告组，从而优化各个广告组的预算分配。广告系列预算优化是一种在广告系列层级优化预算分配的方式。意味着 Facebook会不间断地在广告系列中自动寻找实现成效的最佳机会’并实时分配预算以获得这些成效。

适用场景“相比严格的效率目标，您更重视转化量”，最低费用竞价策略允许我们的系统代您设置竞价,目标是为您获取费用最低的单次优化事件，花完预算。特别值得注意的是，在结合使用最低费用竞价和广告系列预算优化时，所有广告组必须针对同一事件进行优化。

适用最低费用竞价策略的情况：

• 当不确定竞价设为多少合适时；

• 想花完全部预算时。

在最有可能带来广告成效的版位中投放广告内容。

• 人工决定在哪个时间为哪个广告使用哪些版位很复杂会浪费时间和金钱。自动版位功能可让我们的广告投放系统帮您完成繁复的工作实时确定表现最佳的版位并动态地为这些机会分配更多预算。

• 获得在 Facebook 旗下应用和服务中的多个版位覆盖更多受众的机会。与仅限Facebook 的版位相比，实现高达 7% 的覆盖人数增长。

• 以更低的费用获取客户，从而提高您的投资回报。单次成效费用降幅高达 71%

Part 3

如何充分利用CBO和自动版位
针对实际业务成效优化广告

• 如果决定使用最低费用竞价选项，则所有广告组都应针对同一目标或事件进行优化。

• 便捷地将非 9:16 的动态消息创意自动转换为适合纵向或快拍环境的创意。可对快拍背景颜色进行简单编辑，以便灵活地掌控创意。

• 通过Campaign层级选择广告系列预算优化。

• 通过在广告组层级选择自动版位，先广泛定位受众并启用所有版位。

• 帐户概览（帐户层级）

可查看整个帐户机器学习的投放进展，并且可以查看投放建议。

• 检查工具（广告组层级）

可查看机器学习阶段的趋势，以及影响机器学习阶段的因素，指导广告主做出对应的调整。

Part 5

如何快速渡过机器学习阶段

1. 在机器学习期间，不要对广告组进行重大修改。以下是可能重置机器学习阶段的操作：

• 更改受众定位、广告创意、优化事件或竞价策略；

• 暂停广告组达 7 天或更久

• 大幅提高预算/竞价会重置机器学习阶段，提高预算的幅度建议保持在20%左右

• 为广告组新增素材

• 设置花费上限、竞价上限或最低花费回报

2. 简化广告组和广告数量。

建议1个Campaign广告组数量保持在3-6个，每个广告素材的数量保持在2-5个。过多的广告组和素材，会加重系统机器学习的探索负担

3. 不要频繁修改预算，保证预算充足。

充足的预算，可以最大程度确保广告组可以获得至少50次优化事件，SKAN需完成至少88个转化事件。

4.扩大受众群，建议使用广泛受众。

• 在机器学习阶段，投放系统仍在探索投放广告组的最佳方式（受众、版位等）；
  

• 尚未获得足够的转化量（每周约50次转化）以掌握稳定可靠的“机器学习期数据”；

• 系统预估的广告转化率会上下波动，这意味着总的广告价值并不稳定且效率未达到最优水平。

那么机器学习阶段花费占比较高的主要原因是什么呢？无非就是这几种情况：

• 广告系列和广告组的数量较多，例如太过细分，建议整合；

• 频繁进行手动、重大编辑；

• 设置中的限制因素，如受众规模、竞价/预算水平；

• 缺乏转化事件。

针对这些情况，我们又该如何调整优化，尽快结束机器学习阶段呢？

结构越繁多，冷启动效率越低。简化结构，提高系统的自动分配能力。

避免设置太多广告组：简化结构、整合广告组：收集尽可能多的信号，更快退出机器学习阶段。

如果广告主一次性投放的广告组过多，每个广告组的投放频率都将降低。这意味着，在投放系统充分优化表现之前，能够结束机器学习阶段的广告组将减少，而由此花费的预算会增多。

我们建议整合广告组，简化广告架构，广告主整合广告组时，广告投放学习成果也将一并汇总。

• 建议结构：1-1-n
  广告组的每周预算需达到 50x 每转化成本才可结束机器学习阶段。

• 建议广告策略：选品和起量广告及预算分开。

• SKAN广告系列需要达到每个广告系列单日88次安装的阈值，才能最大限度减少无效转化。

• 整合为获取详细报告而非区分不同价值的广告组/受 众细分。

• 如果受众重叠率较高，可整合重叠的广告组（及其预算），以获得更多的优化事件。

仅做少量更具有策略意义的调整。

• 每小时和每日表现指标会显得杂乱和不完整。

• 广告组在表现稳定后就会结束机器学习阶段（7 天内获得大约50次优化事件，或者动态结束机器学习阶段）。

注意：更改以下要素将导致广告重新进入机器学习阶段。

Part 7

机器学习阶段的测试框架

开展测试并总结经验，确定优化方向

广告目标

使用一个现有常规目标。
投放时长

至少 2 周（各分组保持一致）。
预算

各分组保持一致。预算应能确保每组至少可获得50-100次转化。
创意

针对移动端优化的常规创意。
关键表现指标 (KPI)

• 主要指标：转化量/成效量、单次转化费用/单次成效费用、转化金额/价值。

• 次要指标：千次展示费用、单次点击费用、点击率。

各分组的以下各项因测试设计而异：
• 受众
• 竞价上限值
• 广告系列设置，例如广告结构，开启/关闭广告系列预算优化
• 版位
• 优化目标

测试框架：不同的测试框架使用不同的要素来减少机器学习阶段的花费占比。