大道至简！Meta官方揭秘中小广告主“投起来”的关键路径！

你真的了解“机器学习阶段”吗？为什么越来越多的投手在意“机器学习阶段”？

答案归纳为以下3点：

所以当我们数据受到限制、经过汇总和延迟报告等情况，可能都意味着机器学习阶段的花费增加，而机器学习阶段花费较高，则会导致单次操作费用的增长。

上图是 Meta for Business 统计到的机器学习阶段的花费占比情况。相比在机器学习阶段花费约 80% 预算的广告主，在机器学习阶段花费约 20% 预算的广告主获得的转化量多出 17%，单次操作费用要低 15%。

如何查看“机器学习阶段”的状态？

2种方法：

方法一：账户层级-账户概览＞机器学习阶段的整体进展＞投放建议

方法二：广告组层级-检查工具＞机器学习阶段的趋势＞影响机器学习阶段的要素

为什么你在机器学习阶段花费占比较高呢？

4个原因，逐一排查！

1.广告系列和广告组的数量较多，例如太过细分，建议整合。

——简化账户结构、整合广告组，收集尽可能多的信号，更快退出机器学习阶段。

2.频繁进行手动编辑。

——仅做少量更具策略意义的调整，避免机器学习阶段重置。

3.设置中的限制因素如受众规模、竞价/预算水平。

——可获得的转化量取决于广告主设置的竞价金额和可用预算。

①网页广告组：根据退出机器学习阶段所需的每周约50次转化这一阈值计算每周预算；

②使用应用事件优化/价值优化的SKAN广告系列：根据每个广告系列单日88次*安装的阈值计算预算；

③对于投放期少于3天的广告，建议使用自动竞价；

④利用广告系列预算优化提高预算使用效率，增强系统的自动分配能力；

⑤对于竞价上限：通过测试找到最优竞价（大型广告主）；

⑥如有充分的理由，可对使用广告系列预算优化的广告系列进行手动调整，比如提高竞价上限，向规模较小的高价值受众展开营销；

4.缺乏转化事件。

——赋能型广告预算优化，实现同一笔广告预算在多个广告组之间的最佳分配。

①如果不能使用进阶赋能型版位，则至少应启用6个版位，以充分发掘Meta旗下各平台的强大功能；相比使用4个或更少版位，至少启用6个版位的广告系列取得更出色表现的可能性为73%。

②能否结束机器学习阶段取决于优化的转化事件发生的次数。排列事件的优先顺序（一个网域可设置 8 个，应用广告最多可设置 64 个事件）。对于选择拒绝追踪的用户，只会传回优先级最高的已完成事件。

实用技巧：

简化账户结构 Top 5 问

Q1：“广告学习阶段由于转化下降，降低预算之后，会重新进入广告学习阶段，这种问题最好的解决办法是什么？”

A1：由于最近广告生态系统的变化，如苹果的ATT，转化率报告可能会被推迟。建议将广告组单独放置72小时，然后再审查其效果追踪的准确性，并进行编辑。过早且大幅度的编辑可能导致退出学习阶段进一步延迟，这意味着CPA延长或提高，特别是低预算的情况下。

如果因为业务原因要调整账户，请注意：

Q2：“机器学习期太长，多数广告总是没有完成学习期”

A2：关键是利用简化账户结构的最佳实践，更快地退出学习阶段。你的大多数广告设置是“学习受限”/不退出学习阶段的主要原因可能是：

Q3：广告的好坏评判标准只能是依靠机器学习阶段的反馈来判断吗？如果预算较小，但是成本很低的情况下，虽然暂时没过学习期，但不能代表这条广告表现不好，对吗？

A3：学习阶段并不是衡量广告表现好坏的指标，这只是表明你的广告表现还没有稳定下来的一个指标，因为它仍然在探索传递广告的最佳方式。

一旦你的广告退出学习阶段，你便更有可能看到它的未来表现，到时你的广告投放将会稳定下来。

Q4：“我创建的广告组越多，我做的优化越多， 我能找到新办法的可能性就越大”？

A4：通过减少广告组并遵循Meta给出的最佳实践，你将开始看到更多高效的广告组，通过赋予系统更多的灵活性，你实际上获得了更多的控制权。看似你的活动分割成了许多个小的广告组能够有助于你看到哪个表现最好，但有了过多的广告组之后，它们就不太可能退出学习阶段了，这会阻碍你的目标实现。

A5：“增加预算/出价会让一个广告组重新进入学习阶段?”

Q5：视情况而定。但是，知道准确性的阈值可能会错过重点，因为学习阶段只是一个指标。如果我们设置一个20%的阈值来触发这个指标，这并不意味着19%的变化不会影响你的表现。这就是为什么我们建议广告主使用真实的预算和成本来约束，而不是将预算和成本控制作为业绩的杠杆。