Aprendizaje dirigido
Importante
Esta guía solo se aplica al elemento de línea heredado. Si usa el elemento de línea aumentada (ALI), consulte Guía de optimización : ALI.
El motor de optimización de Microsoft Advertising usa los datos de rendimiento anteriores de una campaña (tasa de conversión y tasa de clics) para determinar la puja adecuada para cada impresión en relación con el objetivo de costo por adquisición (CPA) o costo por clic (CPC) de la campaña. Sin embargo, al agregar una nueva campaña a Microsoft Monetize, los datos de rendimiento aún no están disponibles. En este caso, el motor de optimización de Microsoft Advertising primero debe saber qué pujar por la campaña. En esta página se describe el proceso de aprendizaje.
Información general
Cuando se inicia una campaña, aún no hay datos de rendimiento disponibles. El motor de optimización de la versión 7 usa datos históricos para hacer una estimación educada de la tasa de éxito y, a continuación, calcula una oferta de aprendizaje en consecuencia. A medida que la campaña gana impresiones, el algoritmo tiene en cuenta los nuevos datos, lo que hace que las ofertas de aprendizaje aumenten en los lugares de buen rendimiento (segmentos de inventario) y disminuyan en los lugares con un rendimiento deficiente. En resumen, al aprovechar datos históricos más amplios, nuestro nuevo algoritmo de Targeted Learn hace que las ofertas de aprendizaje sean más precisas más rápidas y hace que gaste más eficientemente mientras aprende.
Nota:
Tiene la capacidad de controlar ciertas áreas del proceso de aprendizaje con las palancas de optimización, incluida la capacidad de invalidar los importes de la oferta de aprendizaje.
Sugerencia
Para acortar la fase de aprendizaje dirigida mediante informes de tipo de oferta para una campaña con un presupuesto o una escala de tiempo ajustados, use el informe Tipo de oferta para la exclusión del inventario.
Cómo Targeted Learn aprovecha los datos históricos
El algoritmo de Aprendizaje dirigido aprovecha los datos históricos de varios niveles, pasando de datos menos granulares a más granulares a medida que la campaña obtiene más eventos de éxito. El orden en el que aprovechamos los datos históricos se conoce como embudo de Bayes, denominado como tal debido a su uso del teorema de Bayes, una fórmula matemática para calcular la probabilidad en función de las condiciones conocidas.
- Anunciante
- anunciante, lugar
- anunciante, lugar, campaña,
- anunciante, lugar, campaña, tamaño creativo
- anunciante, lugar, campaña, tamaño creativo, creativo
Ejemplo
La manera más intuitiva de demostrar cómo Targeted Learn aprovecha los datos es a través de un ejemplo con diagramas de Venn. Supongamos que acaba de crear una nueva campaña de panqueques para el anunciante Bob's Diner. Antes se ejecutaba una campaña similar que usaba el mismo píxel, Píxel A.
Paso 1. Aprovechar los datos del anunciante
Una vez que el anunciante Bob's Diner tiene al menos cinco conversiones (píxel A cinco veces), aprovechamos todos los datos del anunciante para calcular una oferta de aprendizaje.
Paso 2. Aprovechar los datos de anunciantes y lugares
Dado que el anunciante ha ejecutado esta oferta antes, puede que incluso haya obtenido cinco conversiones en un solo lugar (píxel A disparando cinco veces en un lugar específico para ese anunciante). En este caso, al calcular una oferta de aprendizaje para este lugar, nuestro algoritmo aprovecha los datos del anunciante específicos de este lugar. Estos datos se representan mediante la intersección de los datos del anunciante y del lugar.
Paso 3. Aprovechar los datos de anunciantes, lugares y campañas
En algún momento, la campaña Panqueques obtendrá cinco conversiones en un lugar específico. En este caso, al calcular una oferta de aprendizaje en este lugar, nuestro algoritmo aprovecha los datos de la campaña específicos de ese lugar. Estos datos se representan mediante la intersección del anunciante, el lugar y los datos de la campaña.
Paso 4. Aprovechar los datos de anunciante, lugar, campaña y tamaño creativo
Digamos que la Campaña de Panqueques tiene tres creativos de 300 x 250. Con el tiempo, los creativos de 300 x 250 obtendrán acumulativamente cinco conversiones en un solo lugar. En este momento, cuando cualquiera de los 300 x 250 creativos está pujando en un lugar, nuestro algoritmo usa los datos de tamaño creativo de 300 x 250 en ese lugar para calcular una oferta de aprendizaje. Estos datos se representan mediante la intersección de los datos de anunciante, lugar, campaña y tamaño.
Paso 5. Aprovechar el anunciante, el lugar, la campaña, el tamaño creativo y los datos creativos
Por último, uno de los creativos de la Campaña de Panqueques recibirá tres eventos de éxito en un lugar. Cuando esa creatividad está pujando por este lugar, nuestro algoritmo aprovecha los datos de la creatividad específicos de ese lugar para calcular una oferta de aprendizaje. Estos datos se representan mediante la intersección del anunciante, el lugar, la campaña, el tamaño y los datos creativos.
Paso 6. Seguir aprendiendo
A continuación, el algoritmo de Aprendizaje dirigido aprovecha este nivel de datos mientras la campaña continúa aprendiendo. Una vez que la campaña obtiene suficientes eventos para salir de la fase de aprendizaje, pasa a la fase optimizada como de costumbre.
Si un anunciante no tiene datos
Cuando se inicia una nueva campaña con un anunciante sin datos históricos que aprovechar, el motor de optimización determina la puja media en cada lugar y usa estos datos para empezar a ganar impresiones. Una vez que el anunciante tiene tres eventos de éxito, el motor comienza a aprovechar la información histórica para calcular las pujas de aprendizaje.