Porcentaje de aprendizaje dinámico
Sugerencia
Esta guía solo se aplica al elemento de línea heredado. Si usa el elemento de línea aumentada (ALI), consulte Guía de optimización : ALI.
El aprendizaje dinámico es un algoritmo de optimización del lado de la venta diseñado para acelerar el proceso de aprendizaje y mejorar los ingresos de los editores eCPM mediante la determinación de un porcentaje de aprendizaje óptimo mediante ajustes en el porcentaje de aprendizaje anterior en función del rendimiento del aprendizaje frente a las impresiones optimizadas.
Dado que el aprendizaje dinámico solo se aplica al optimizar un objetivo de rendimiento (por ejemplo, CPC, CPA), este contenido no se aplica a campañas o elementos de línea que no usan optimización.
Sugerencia
Las RPM (ingresos por miles) de un nodo son inversas al volumen; un volumen bajo significa que asignaremos una mayor parte de nuestras impresiones a los nodos de mayor rendimiento para optimizar el retorno.
En la plataforma Microsoft Advertising, hay dos tipos de subastas que se producen: Subastas de Learn, que dan preferencia a las ofertas de los nodos en un estado de aprendizaje, y Subastas de ingresos, que dan preferencia a las ofertas de los nodos en un estado optimizado. El sistema determina automáticamente el porcentaje de subastas que buscarán activamente ofertas de aprendizaje. Sin embargo, puede determinar el porcentaje máximo de aprendizaje en el nivel de publicador. Esta configuración se denomina Invalidar aprendizaje dinámico. Para obtener más información, consulte Create un publicador.
Para obtener más información sobre cómo afecta esta configuración a la fase de aprendizaje y optimización, consulte la sección Presupuesto de Learn .
Como regla general:
- Los publicadores quieren ejecutar subastas de Learn para ejecutar creativos más recientes en su inventario, lo que expone el sitio a nuevas campañas que ofrecen pujas continuas y pueden ofrecer mayores beneficios. Sin embargo, la cantidad de dinero reconocida por una oferta de aprendizaje puede variar considerablemente.
- Los editores quieren ejecutar subastas de ingresos para maximizar el beneficio que reconocen en su inventario (el dinero que ganan por ejecutar la impresión es bastante seguro). Sin embargo, las campañas de ingresos tienen una duración finita, por lo que no es factible ejecutar solo subastas de ingresos. Consulte Precio de entrega para obtener una descripción detallada de las subastas de learn e ingresos.
De forma predeterminada, un nuevo publicador está configurado para que hasta el 80 % de sus subastas se ejecuten como aprendizaje dinámico. Después de eso, el algoritmo de aprendizaje dinámico se ejecuta dos veces al día, ajustando la asignación de aprendizaje hacia arriba o hacia abajo en un 20 % como máximo por ejecución del algoritmo.
Sugerencia
Si un publicador establece manualmente el porcentaje de aprendizaje dinámico, el algoritmo sigue ejecutándose y actualiza la asignación de aprendizaje, pero nuestro sistema omite la cantidad calculada. Si el usuario quita la invalidación manual, se vuelve a usar la cantidad calculada.
El sistema no recuerda el punto de partida para los publicadores existentes que anteriormente usaban una asignación manual de aprendizaje. Por lo tanto, se recomienda que los publicadores permitan que el algoritmo del sistema determine la tasa de aprendizaje dinámico. (Un lugar que haya divergido de otro lugar conservará la tasa porcentual utilizada por el lugar primario).
El aprendizaje dinámico es capaz de ajustar las tasas de aprendizaje a un nivel muy granular, asignando según sea necesario para garantizar que se realicen ajustes de asignación y de destino para seguir las subastas de alto rendimiento.
Cómo se usa el aprendizaje dinámico
Los pasos siguientes ilustran la mecánica del algoritmo de aprendizaje dinámico en un nivel alto:
Cada nueva ubicación comienza en un porcentaje de aprendizaje máximo predeterminado; 80 % para un nuevo publicador o el porcentaje máximo de información más reciente del lugar desde el que divergió. Los publicadores o lugares existentes usarán su porcentaje de aprendizaje máximo actual como valor inicial.
Dos veces al día, al actualizar el porcentaje máximo de aprendizaje, agregaremos los datos de cada lugar desde la última actualización, separados en impresiones optimizadas y de aprendizaje. Uno de los elementos que agregamos es rpm.
Si las RPM optimizadas son mayores que las RPM de Learn, se reduce el porcentaje máximo de aprendizaje. Si RPM de Learn es mayor que RPM optimizadas, aumentaremos el porcentaje máximo de aprendizaje. El porcentaje máximo de aprendizaje no puede aumentar ni disminuir más del 20 % al mismo tiempo.
Cuando se optimiza un nodo de optimización en la parte superior de la cola de aprendizaje, es probable que las RPM optimizadas suba y que las RPM de aprendizaje probablemente se reduzcan. Como resultado, el algoritmo de aprendizaje dinámico reduce el porcentaje máximo de aprendizaje, que es adecuado, ya que existe un nodo optimizado adicional. Además, si una nueva campaña de alto rendimiento comienza a aprender en un lugar, la campaña salta a la parte superior de la cola de aprendizaje y es probable que aumente. Como resultado, el algoritmo de aprendizaje dinámico aumenta el porcentaje máximo de aprendizaje, lo que permite que esta nueva campaña se optimice más rápido.