Facebook機器學(xué)習(xí)大揭秘！暗藏起量的神秘技法~

　　作為一名FB投手，對于Facebook廣告背后算法機制的探求是永無止境的。

　　在投放Facebook廣告時，無論是首次開始投放，還是在編輯后重新投放，所掌握的數(shù)據(jù)信息都不足以盡可能穩(wěn)定地投放廣告。為獲得這些必要的數(shù)據(jù)，F(xiàn)acebook必須向不同類型的用戶投放廣告，以此了解哪些人群最可能執(zhí)行我們的優(yōu)化事件，這就是Facebook廣告背后的競價機制——“機器學(xué)習(xí)”。

　　今天這篇內(nèi)容，小編就和各位FB投手一起來聊聊Facebook機器學(xué)習(xí)在算法中的作用，揭開“黑盒”機制的神秘面紗。

　　Facebook機器學(xué)習(xí)

　　機器學(xué)習(xí)是人工智能的實踐和應(yīng)用，具體是通過大數(shù)據(jù)來訓(xùn)練算法和數(shù)據(jù)模型，從而更加準確地對新的（未知）數(shù)據(jù)及指令作出預(yù)測和判斷。

　　那么，數(shù)據(jù)哪里來呢？

　　首先，對于Facebook，每天有上億的用戶自發(fā)地生成各種數(shù)據(jù)（UGC）：照片、影片、語音、文字、社交互動等等。

　　除此之外，F(xiàn)acebook還可以通過你瀏覽器的cookie來追蹤你在互聯(lián)網(wǎng)上的一切行為。

　　比如你瀏覽過哪些網(wǎng)站？你搜索過哪些內(nèi)容？你產(chǎn)生過哪些購買行為?

　　在Facebook的官網(wǎng)中有這樣一段話：

　　“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，F(xiàn)acebook主要是通過追蹤瀏覽器的cookie來收集用戶的數(shù)據(jù)，進而對用戶的喜好和行為進行預(yù)測，選擇最適合的廣告呈現(xiàn)在用戶面前。

　　同時Facebook又用cookie來判斷控制廣告的投放，以及評估廣告的質(zhì)量。

　　比如確保該廣告出現(xiàn)在同一個用戶的時間線上不超過X次（impression）。再比如該用戶是否與廣告產(chǎn)生了交互行為（點擊、留言、點贊、購買等等）。

　　IOS14.5上線之，隱私新規(guī)中的用戶可自主選擇是否允許APP追蹤其在網(wǎng)站內(nèi)的瀏覽歷程，使得Facebook廣告一度出現(xiàn)轉(zhuǎn)化歸因不準確等情況，也印證了cookie對于Facebook的重要性。

　　那Facebook廣告的機器學(xué)習(xí)是如何運轉(zhuǎn)的呢？

　　Facebookad算法是預(yù)測性算法（PredictiveAlgorithm）。

　　簡單來說，機器學(xué)習(xí)的算法通過“學(xué)習(xí)”廣告投放得到的反饋（歷史數(shù)據(jù)），對新的廣告投放效果進行預(yù)測。

　　機器學(xué)習(xí)算法的兩大類別：回歸算法（Regression）和分類算法（classification）。

　　回歸算法的結(jié)果是一些連續(xù)的值，比如一元二次方程里的一條直線，任意一個橫坐標的X值，都可以找到一個對應(yīng)的Y值。

　　而分類算法的輸出結(jié)果并不是連續(xù)的，而更像是一段又一段的區(qū)間。

　　例如：

　　通過分析，分類算法?會告訴你，“Yes”還是“No”。

　　但是回歸算法?會告訴你“只有68.59%的可能性會買，也有31.41%的可能性不會買”。

　　實際上，兩種算法并不是完全無法不兼容彼此的。

　　比如你在回歸算法的輸出層規(guī)定區(qū)間，“低于60%的值輸出No”，“不低于60%的輸出值為Yes”，這樣回歸算法就轉(zhuǎn)化為一個分類算法了。

　　不管使用哪種算法，在廣告投放領(lǐng)域，機器學(xué)習(xí)的核心都是通過分析audience的特性（demographics），來對TA的行為進行預(yù)測。

　　因為Facebook廣告的算法對外界仍然是非公開的，是個黑盒（BlackBox）。所以兩種算法其實都有可能，甚至可能是兩種算法的結(jié)合。

　　但無論是使用兩種算法的哪一種，F(xiàn)acebook廣告的LearningPhase都是在不斷的訓(xùn)練算法模型，尋找完美的擬合曲線。一旦學(xué)習(xí)結(jié)束，算法就會尋找目標受眾中，距離曲線最近的點（潛在受眾）。

　　而如何讓Facebook廣?告?機?器學(xué)習(xí)快速到達這個完美的擬合曲線點？

　　就需要準備就需要大量的數(shù)據(jù)，這時候就需要我們Facebook投手出馬了！

　　當我們開始投放廣告時，F(xiàn)acebook最初基本是處于盲投的狀態(tài)，它憑借自己的直覺投放給一些可能對我們的產(chǎn)品感興趣的受眾，

　　一旦某個用戶有了相應(yīng)的反饋，比如給廣告點贊、或者點擊了購買鏈接，F(xiàn)acebook會將該用戶的數(shù)據(jù)收集入你的數(shù)據(jù)庫里。

　　但是，前期我們只能積累到一些零星的數(shù)據(jù)，很有可能是特例，也就是一些電商賣家常說的“偶然單”。所以，投放早期，各位投手切忌胡亂調(diào)整廣告賬戶，導(dǎo)致機器學(xué)習(xí)走向走歪，白白浪費廣告預(yù)算。

　　而當我們數(shù)據(jù)隨著時間的積累足夠多時，機器也更加容易找到更符合我們目標受眾的群體，從而對新的數(shù)據(jù)進行更加準確的預(yù)測，這也就說明了為啥老的廣告組很多都可以穩(wěn)定出單的，而培養(yǎng)一個穩(wěn)定的廣告組正是專業(yè)投手最應(yīng)該做的事。

　　但這時候很有可能會有小伙伴說：四海盡說廢話，誰不知道數(shù)據(jù)積累的多，廣告就更精準，但老板等不及啊！

　　如果你老板知道Facebook廣告這些算法的話，他可能會改變自己的看法？

　　在Facebook通過自己早期選擇受眾得到一個小的模型之后，算法?會嘗試著尋找和這些用戶有相似特性的其他用戶、并且推送相同的廣告來反復(fù)確認自己的判斷。

　　如果結(jié)果不符合預(yù)期，算法就會調(diào)整策略，比如調(diào)整某個特性的權(quán)重。

　　在這個調(diào)整的過程中，有可能會影響到廣告主的決策。

　　比如你的目標受眾可能是喜歡踢足球的男生，但是你一開始并沒有對興趣做任何的限制，而Facebook根據(jù)它已有的數(shù)據(jù)可能就“猜測”愛玩兒游戲的受眾比較理想。

　　結(jié)果跑了幾天，廣告效果很差，沒有耐心的人有可能就此打住，終止廣告。但其實你再堅持一下，廣告就可以“看到明天的太陽了”

　　因為隨機性，導(dǎo)致決策的變化，從而影響整個數(shù)字營銷的效果。

　　數(shù)據(jù)不會說謊，但是片面的數(shù)據(jù)，會誤導(dǎo)我們的判斷能力。

　　因此，各位投手請把這篇內(nèi)容轉(zhuǎn)給你不是很懂廣告，只想要ROI的老板看一下，或許能夠讓你得到救贖。