Алгоритмы подбора аудитории – важный процесс, который влияет на эффективность кампаний. Продвинутые алгоритмы экономят время и помогают сразу таргетироваться на пользователей, которые с большими шансами совершат целевое действие. Вы можете отслеживать существенные изменения на уровне групп объявлений в специальном столбце “Последняя существенная правка”.

• Как правило, мы наблюдаем сложную цепочку изменений, где могут быть неочевидные зависимости.
• В этом кейсе psi показал себя лучше, так как adversarial validation преодолел черту сильно позже.
• Нам нужно разобраться в том, как каждый из этих критериев меняется при изменении данных.
• У таких пользователей наверняка есть животные, но вероятность, что пользователь совершит конверсию ниже, чем у владельцев животных, которые часто путешествуют.
• Там есть специальный столбец «Последняя существенная правка».

FB ADS от ReliableSoft

Обучение заканчивается, когда алгоритм выходит на стабильные результаты. То есть если алгоритм получает 50 конверсий каждые 7 дней или прогнозирует, что может получать 50 конверсий каждые 7 дней, обучение заканчивается. После этого Как происходит обучение алгоритма в Facebook Ads вы уже можете опираться на результаты и вносить изменения. Вы научитесь создавать и настраивать пиксель «ВКонтакте», отслеживать все действия пользователя на сайте, чтобы понять, как пользователь воспринимает ваш продукт.

• Тут и время, которое тратят люди и сервера на обработку данных, и сложности с поиском ошибок из-за объёмов и разной структуры в данных.
• Если вы впервые запускаете кампании, сервис вернет комиссию за первый месяц оплаты рекламы.
• А официально оплатить рекламу в Facebook Ads и получить за это закрывающие документы можно через eLama.
• Не курс по FB, но отличный материал, раскрывающий конкретную стратегию.
• Если вы внесете одно из подобных правок в адсет, тогда алгоритмы обнуляются и обучение начинается заново.

Детальный геотаргетинг и таргетинг по демографии в Facebook Ads — настройка и фишки

Цена возможной ошибки растет пропорционально росту объёма данных. Тут и время, которое тратят люди и сервера на обработку данных, и сложности с поиском ошибок из-за объёмов и разной структуры в данных. Проблем становится ещё больше, когда речь заходит о построении ML-моделей. По известному всем правилу «Garbage in, garbage out» качество входных данных определяет качество итоговой модели.

• Из этой статьи вы узнаете, как оценивать качество данных при помощи алгоритма adversarial validation с использованием spark user defined function.
• Adversarial Validation — самый интересный подход, когда дело касается оценки изменений в большом объёме данных.
• Правда, многим маркетологам куда больше нравится формат видеолекций, а не их письменного аналога, как в этом курсе.
• Но Меган, автор курса, в этот раз решила действовать нетипично.
• Процесс обучения алгоритмов напрямую влияет на последующую оптимизацию рекламы.

Как повысить эффективность рекламы и упростить обучение

Есть интересный видос на английском про DeepMind от Google, которое показывает идеальную аналогию для периода обучения. В видео технология machine learning играет в свою первую игру Atari с нулевым обучением или пониманием того, как играть. После нескольких сбоев https://maxipartners.com/articles/kak-lit-foreks-trafik-po-revshare/ и всего лишь 240 минут обучения технология находит самый быстрый и эффективный способ пройти игру. Следуйте этим советам, чтобы алгоритмы сети обучались быстрее и находили профитные аудитории. Иногда алгоритм не может обучиться из-за низкого количества конверсий.

На что лить трафик из рекламных сетей в 2021: актуальные форматы и вертикали

Мы должны заранее создать столбец целевой переменной, а также столбец батча — по нему в будущем будет применяться udf-функция. Проверим наши алгоритмы на другой задаче — данные меняются менее предсказуемым образом. Посмотрим на более нетипичное изменение исходных данных, которое тем не менее вполне вероятно может произойти в обычной жизни. Цель всё та же — сравнить работу алгоритмов между собой и понять, как каждый из них реагирует на изменения разного вида.

Рекламные правила Facebook, которые нельзя нарушать

Алгоритм Facebook требует порогового значения данных для повторного обучения, в то время как Google требует установленного периода времени для процесса обучения. Алгоритмы крупных рекламных сетей могут сильно облегчить ваше продвижение. Для этого, практически все что вам нужно делать – не мешать им обучаться, располагая достаточным бюджетом и терпением. Тем не менее, не стоит забывать про стандартные статичные креативы, все зависит от конкретного гео. Например, продвигаясь в стране со слабым интернетом – видео будут только раздражать пользователей долгой загрузкой. Если алгоритм не обучается неделю-полторы – меняйте стратегию.

Специально настроенные конверсии

Таким образом, алгоритму нужно время для обработки сигналов о целевых действиях и понимания того, что хорошо работает и дает результаты. Однако ты не можешь просто сидеть сложа руки и избегать оптимизации своих рекламных кампаний, опасаясь периода обучения. Вместо этого лучше научиться контролировать последствия и дать кампании время переучиться и улучшить изменения. Когда результаты не набираются за неделю статус меняется на «Недостаточно результатов». Тогда нужно менять цель конверсии и устанавливать другое событие, которое будет происходить чаще, чтобы алгоритм успел обучиться. В процессе машинного обучения алгоритмы собирают максимальное количество данных.

Период обучения алгоритма в Facebook и Google Ads

Это полностью перезапустит алгоритмы и продлит полное обучение алгоритмов. Узнать о перезапуске можно в столбце “последняя существенная правка” – если там появилась запись, значит обучение началось заново. Так происходит, если у вас слишком мало конверсий, или любых других данных, необходимых для обучения алгоритма.

Рекомендации по минимизации негативного влияния обучения

Этот процесс повторяется, пока результаты ваших кампаний не станут стабильными – примерно 50 конверсий в кластере за неделю. Дата и время, которые показаны в этом столбце, означают, что вы внесли правку и с этого дня алгоритм начал обучаться снова. Обучение идет на уровне группы (Ad set) и заканчивается после стабилизации результатов. С таким подходом не нужно придумывать/прописывать индивидуальные проверки, достаточно применить алгоритм к новому источнику данных «из коробки». Spark UDF (User Defined Function) — функция, созданная пользователем для обработки данных в Apache Spark. Она позволяет применять пользовательский код к столбцам DataFrame для реализации нестандартных операций обработки данных.