• 欢迎访问 宇宙鸟窝,推荐使用最新版火狐浏览器和Chrome浏览器访问本网站
  • 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏 宇宙鸟窝 吧!

facebook广告投放思路2:把更多工作交给机器

Facebook广告 辰沙 7个月前 (03-08) 768次浏览 0个评论

之前写过一篇讲投放基本思路的文章,但是现在投放的思路其实是有了一些变化,但是自己理解得不全面,而在上周,在YouTube上看到了一个演讲,主题是“FB广告机器学习是不是比优化师更聪明”,听了几遍之后,突然感觉:这与之前的投放思路相比,是一种新的思路。

所以,在周末,把一些内容,认真梳理了一遍,现在在此分享给大家。主要内容包括两个部分

  • power 5 模型
  • CBO VS 优化师

1 POWER 5

2019年,FB提出”Power 5”模型,这个模型包括下面几个部分:

  • Auto advanced matching
  • dynamic creatives
  • CBO
  • accounts simplification
  • automatic placements

下面来一一介绍。

1.1、自动高级匹配

这个是啥东西呢?它就是像素,只不过是升级版的高级像素,它能够回传更多的数据。

这个东西在2016年就已经有了,开启它之后,高级像素能够回传一些额外的用户信息,比如:姓名,邮箱,地址,电话,邮编等等。

原先的像素虽然也能追踪到用户,但是有很大区别,首先就是,之前的像素不会收集身份信息(高级像素收集后会删除),其次是由有一些限制,比如要求用户是处于FB账号的登录状态,如果用户使用多个设备或浏览器,或者用户清除了cookies,像素就可能跟踪不到。

但是有了这个额高级版的像素,我们就能知道。这样的好处,大家应该就能自然想到:

一是,我们的自定义受众规模变大了。大家如果用自定义用得多的话,就会发现,你创建自定义得到的种子用户的量会比真实数据要少,看上去就像是漏了一些。这是因为有一些用户数据,像素就没能抓到。但有了这个高级像素,这些用户就很可能抓得到。

二是,你的转化量会变多。这个是从归因模型来看的,就是如果一个用户看了你的广告,然后通过SEO进入你的网站上购买,FB是不知道这个用户其实是看过广告的,但是有了这个高级的像素之后,FB就能抓到了。这样做的好处是什么呢?首先,大家都知道学习期大约需要50个转化对吧,这种增加了转化量,实际上就是间接地缩短了学习期,其次,转化量增加,实际上你的单次转化费用也同步降低。

其实,高级匹配分两种,一种是自动的,一种是手动的,具体的详细情况大家去看官方的说明即可:About Advanced Matching for Web

1.2 动态广告

什么是动态广告?

一般情况下,我们为每一个产品设置广告系列,设置广告组人群,对于这部分认为,上传广告素材,1个广告1个素材,1个产品,我们可以认为这个是“静态的”。

但是动态广告不一样,对于一个广告组的人群,推广的是目录下的多个产品,所以,这样这类广告看起来,就是“动态的”。

动态广告要解决的问题是把合适的产品、素材在合适的时间推送给合适的用户。

具体操作上,我们先要创建商品目录,目录设置好了之后就创建广告,广告目标那里选择目录促销,然后在人群设置的时候和我们常规的广告组不太一样,可以有两个选择,一是访问网站的老用户,二是宽泛的新用户,最后在广告层,我们去按照设置好的catalogue去推产品,facebook直接去用产品的图片去创建广告,然后投放给不同的用户。

这个功能我觉得目前对我没啥用,主要在于素材的格式只支持2中,分别是轮播和精品栏,不支持上传多个视频。

我觉得它的使用非常局限,首先,同类的商品要多,这样放在一起推广告会更好一些;其次,你的商品的特征基本上靠图片就能比较好的展示,比如服装。

我刚开始还是以为可以支持视频的格式,吓了一跳。后来才发现这个动态广告还没做到这么强大。

不过关于测试多个视频的功能,其实已经有了,叫动态素材测试,

什么是动态素材测试?

首先,需要注意这个功能和上面的动态广告没啥关系,但它的确是实打实的动态,因为素材在变,它的动态是针对的是素材,前面的动态广告的动态针对的是产品。

动态素材测试就在常规广告系列目标的广告组就可以设置,打开这个功能之后,在广告素材层,可以上传多个视频,好像是小于10个,大量的正文,标题,描述,然后FB自己对不同的视频、图片进行重新组合,去测试不同组合的效果。

具体的创建办法,见下面这篇文章:Why Facebook’s Dynamic Creative Will Be Your New Favorite Ad Feature

这个功能解决的是多变量素材测试的难题,因为随着你要测试的变量增多,用人手动去设置,是非常麻烦,而且靠人来监控,也会非常耗时费力,最好得出的数据是否有效,可能最后自己都不知道。

现在动态素材测试直接把这个难题给解决,我们只需要做素材、文案的上传,用更少的时间,更少的预算,找到更好的结果。

1.3 自动版位

第三个要素是自动版位。

我自己很长一段时间都是不知道为啥要选自动版位,因为我发现自己很多产品都是某些版位出单,所以我会去不选一些版位。

但必须承认,这只是经验上的判断,经验并不是那么可靠,在测新的时候,我的确不好判断某些版位是不是能够出单。

这是一个边际成本和收益的问题。

如果不勾选一些版位,那么我就完全失去了在这个版本上曝光和出单的机会。

自动版本的出发点在于,当这些版本的成效更低的时候,机器能够帮我们抓住这些机会,让我们以更低的成本产生转化。

所以,理论上,自动版位长期来看可能是有很大优势,但在实际应用中,尤其是测试新品的时候,或者当我想节省预算的时候,我可能只勾选我认为OK的版位。

1.4 简化账户结构

过去很常见的策略是创建很多广告系列和广告组,这会让广告账户变得非常杂乱、低效,现在这类策略已经不再符合当前的算法的需求。

首先,广告组太多之后,每个组平均下来积累的数据变得更少了,学习期更长;

其次,广告组之间受众重叠,相互竞争,转化成本也上升;

另外,管理起来非常费时间,你得对每个组去设置受众,去调预算;

现在比较建议的账户结构是:

大神建议按照漏斗层级来细分广告系列:

  • One campaign for Prospecting (Top Funnel)
  • One campaign for Re-Engagement (Mid Funnel)
  • One campaign for Remarketing (Bottom Funnel)
  • One campaign for DPA’s (Bottom Funnel)

大伙注意这里的DPA,它是指的动态广告,也就是上面我们提到的创建目录后,去推多个产品的广告。这里我们看的时候,其实更需要注意它这种按照漏斗的层次分配campaign。

我觉得还是得看自己的实际情况,因为不是每个人都会去跑漏斗的前面2层,有的产品,我可能直接就去跑底部转化层。如果这类产品非常之多,那么按照漏斗的层级来分配系列,其实意义不大。

不过如果你的策略是按照漏斗来跑,那么可以试试这种分配方式。这样会非常清楚看清楚漏斗各个层级的表现。

1.5 广告系列预算优化——CBO

第5个是CBO,这个是演讲中的重头戏了。

关于CBO之前文章也有介绍,CBO直接改变了预算的分配方式,广告组预算消失,只设置广告系列的预算,这样做有很多好处。

① CBO的优势

首先,之前我们对不同受众规模的广告组,通常都设置相同的预算,但是实际上这是“不公平的”,科学地做法是,大受众的预算应当给得更多,小的给得更少,之前广告组预算下,单个单个去分配会非常麻烦,CBO能够比较好的处理这个问题,各个组共享一个总预算。

其次,表现好的组也应该多花钱,表现少的要少花钱。在广告组预算下,我们经常面临的问题是,对于表现好的组,我给的预算不够,表现差的组,我给的可能太多。cbo同样也解决了这个问题。

另外,从操作上来讲,不需要去对广告组调预算,不需要纠结受众重叠,我们在账号操作上的时间变少了,这部分空出来的时间,优化师可以利用在素材创意等更需要脑力的事情上。

最后,还有2个我觉得非常值得注意的点,一是,演讲者提到了CBO的决策依据:优化师在做优化的操作的时候,是根据我们广告过去已经发生的数据,但是CBO不仅仅知道这些数据,它还能预测用户未来可能发生的互动数据,这部分数据可能更加有利于做出正确的决策。

二是,CBO下,重大编辑不会那么频繁。之前在广告组预算下,调预算的频率可能会很高,比如2个小时调一下,这样广告组就很容易出现重大编辑,重启机器学习。

除了优势,CBO也存在一些劣势

② CBO的劣势

首先,CBO需要大量的转化数据,才能表现得非常给力。FB需要知道你的购买用户的特征,如果没有足够的转化数据,机器就很难从那么宽泛的人群中识别出潜在的购买用户。

其次,CBO下我们对广告的控制力降低了很多。这个是非常让我们纠结的地方,就是如果我们放开了广告的方向盘,如果CBO跑偏了,巨亏了,咋办?当然我们也能说去设置广告组花费上线,但是这种情况下,我们捆绑了CBO,这还不如直接用广告组预算。这个的确还没有太好的办法,只能说“需要相信FB”,相信FB广告的目标是:让广告主以更低的转化成本实现广告目标,让FB用户看到更相关的广告。

最后,这个演讲中,还分享了 CBO VS 优化师的测试数据,这是演讲中最精华的部分。

2 CBO VS 优化师

我自己是觉得这个主题就非常有趣,因为我自己就是优化师中的一个小白,我也经常会想,如果机器能胜过我们的投放经验,未来我们这群人到底会不会失业。

下面我们来看下大神的这个测试中的一些环境和设置。

2.1 测试设置

首先,是1个月消耗8W美金的账户,客单价是30美金,这是一个有了大量转化数据素材的账户。

其次,是测试的设置,测试期限是2个星期,CBO 和优化师各自5000美金预算。

CBO设置好之后,就让它自己优化,想对比之下,优化师可以由预算上的调整,能够去关闭广告组,但是不能动广告层。所以,这里测试的时候,是把素材当做常量。

其次,下面是一些广告组的设置。这里可以看到,采用的是自动版位,优化事件是购买,自动的出价,投放地区是全球。

再下面,是广告组的人群设置,标签相同,分别设置4个组。

OK,上面是测试的一些设置。下面来看看具体的测试结果。

2.2 测试数据

首先,是CBO优化的广告组测试结果。我们会发现,CBO对人群1的喜爱程度在不断增加,消耗不断增多,人群2恰好相反,消耗在不断减少,最后基本上已经停止分配预算。

然后,我们来看下两边ROAS的情况,可以发现,在第一周,人的ROAS要高于CBO,但是第二周,要低于CBO。

这个数据可以说明,CBO需要学习一段时间,才能有比较突出的表现。这和结论是非常值得关注的。

首先,CBO需要先跑一段时间,那如果某个广告组已经跑高,我们要不要急着去关广告组?我们一般都会关,想法很简单,它花的钱不对,为什么CBO要继续向那些表现不好的组分配预算,而不是把预算都发给ROAS最高的组?

这里其实也是我之前比较困惑的地方,演讲者给出的答案是:
CBO的决策会考虑未来可能的用户数据,虽然当前这个组的ROAS是最高的,但是可能这个组的人群已经有些疲劳了,继续加预算的效果会变差,所以CBO会把预算分配给其他组。

这个答案其实也解释了CBO和人的核心差别,优化师在后期为什么没CBO优化得好,很可能就是因为人有盲点,我们看不到一些数据,我们因此做出的优化决策就可能错得很远。

OK,以上就是CBO测试的一些内容。

 


 

到此,这里已经比较初步学习了POWER 5的个模块。

回顾这5个模块,比较容易发现,对于FB广告,机器实际上承接的工作在不断变多,很多原本需要人来做的事情,机器都可以做了,而且可能会做得越来越好。

这种影响不仅仅是针对某一账户设置或操作的影响,还是针对投放思路的影响,当更多工作交给机器的时候,就需要人放开一些控制,而如果原先那些控制力度比较强的投放思路,就不是那么好用了。

环境在变,思路也在变,希望大伙也能有一些收获。

到此,这篇文章也就结束了,整个读下来,信息量还是挺大的,大伙有空还是看看视频: Facebook Ads Machine Learning: Smarter Than a Seasoned Media Buyer?

加油。


宇宙鸟窝 , 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权
转载请注明原文链接:facebook广告投放思路2:把更多工作交给机器
喜欢 (3)
发表我的评论
取消评论
表情 贴图 加粗 删除线 居中 斜体 签到

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址