Facebook機器學習大揭秘！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，所掌握的數據信息都不足以盡可能穩定地投放廣告。為獲得這些必要的數據，Facebook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行我們的優化事件，這就是Facebook廣告背后的競價機制——“機器學習”。

　　今天這篇內容，小編就和各位FB投手一起來聊聊Facebook機器學習在算法中的作用，揭開“黑盒”機制的神秘面紗。

　　Facebook機器學習

　　機器學習是人工智能的實踐和應用，具體是通過大數據來訓練算法和數據模型，從而更加準確地對新的（未知）數據及指令作出預測和判斷。

　　那么，數據哪里來呢？

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

　　除此之外，Facebook還可以通過你瀏覽器的cookie來追蹤你在互聯網上的一切行為。

　　比如你瀏覽過哪些網站？你搜索過哪些內容？你產生過哪些購買行為?

　　在Facebook的官網中有這樣一段話：

　　“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，Facebook主要是通過追蹤瀏覽器的cookie來收集用戶的數據，進而對用戶的喜好和行為進行預測，選擇最適合的廣告呈現在用戶面前。

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

　　比如確保該廣告出現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，隱私新規中的用戶可自主選擇是否允許APP追蹤其在網站內的瀏覽歷程，使得Facebook廣告一度出現轉化歸因不準確等情況，也印證了cookie對于Facebook的重要性。

　　那Facebook廣告的機器學習是如何運轉的呢？

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

　　簡單來說，機器學習的算法通過“學習”廣告投放得到的反饋（歷史數據），對新的廣告投放效果進行預測。

　　機器學習算法的兩大類別：回歸算法（Regression）和分類算法（classification）。

　　回歸算法的結果是一些連續的值，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的Y值。

　　而分類算法的輸出結果并不是連續的，而更像是一段又一段的區間。

　　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定區間，“低于60%的值輸出No”，“不低于60%的輸出值為Yes”，這樣回歸算法就轉化為一個分類算法了。

　　不管使用哪種算法，在廣告投放領域，機器學習的核心都是通過分析audience的特性（demographics），來對TA的行為進行預測。

　　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合。

　　但無論是使用兩種算法的哪一種，Facebook廣告的LearningPhase都是在不斷的訓練算法模型，尋找完美的擬合曲線。一旦學習結束，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?器學習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據，這時候就需要我們Facebook投手出馬了！

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

　　一旦某個用戶有了相應的反饋，比如給廣告點贊、或者點擊了購買鏈接，Facebook會將該用戶的數據收集入你的數據庫里。

　　但是，前期我們只能積累到一些零星的數據，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整廣告賬戶，導致機器學習走向走歪，白白浪費廣告預算。

　　而當我們數據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，從而對新的數據進行更加準確的預測，這也就說明了為啥老的廣告組很多都可以穩定出單的，而培養一個穩定的廣告組正是專業投手最應該做的事。

　　但這時候很有可能會有小伙伴說：四海盡說廢話，誰不知道數據積累的多，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確認自己的判斷。

　　如果結果不符合預期，算法就會調整策略，比如調整某個特性的權重。

　　在這個調整的過程中，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根據它已有的數據可能就“猜測”愛玩兒游戲的受眾比較理想。

　　結果跑了幾天，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，導致決策的變化，從而影響整個數字營銷的效果。

　　數據不會說謊，但是片面的數據，會誤導我們的判斷能力。

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