广告优化与机器学习

本篇文章是我写与谷歌广告相关的内容的第一篇，也是个人认为最重要的一篇，所以放在开头。

在这篇文章中，我将带大家从底层的机器学习层面来认识谷歌广告的智能出价。虽然谷歌不会披露广告的算法细节，但是必然会遵循机器学习的逻辑。那么理解了机器学习，广告优化不就豁然开朗了！

所以我们先来讲讲机器学习吧。

机器学习

什么是机器学习？

简而言之，计算机通过分析大数据样本，提取与样本相关的所有通用特征，基于统计学、概率论等数学方法为不同特征参数分配不同权重，耦合参数关系，并建立算法模型，这个过程称为机器学习。

对于广告来说，购买人的年龄、性别、爱好等个人特征，所在地、浏览时间、使用设备、操作系统等因素以及我们指定的转化目标、目标每次转化费用等广告设置都是机器学习算法里的参数。

而样本对象、样本规模、数据偏向性是我认为对机器学习有重要影响的第三方因素。下面我就来详细说说这3个方面。

机器学习的样本对象

对于有特定目标的算法来说，不是所有的样本都是有效样本，只有符合目标的样本所具备的特征才对算法建模有帮助。那些无效的样本通常被称为“脏”数据。

所以谷歌广告当然也不会把所有广告点击当成有效样本来学习，只有那些符合我们转化目标的广告点击才会是有效样本。

比如我们将广告目标设置为“购买”，1000个人点了广告，其中100个人完成购买，那么谷歌只会用这100人的特征去建模；要是我们将广告目标设置为“加购”和“购买”，1000个人点了广告，其中300人有过加购行为，100人完成购买（50人在产品页立即结账购买，50人先加购再购买），那么广告系统会使用这350人的特征去建模。

所以我们得出一个结论：

广告转化目标是确定有效样本的决定条件，所以需要设置正确的转化目标。设置路径：广告系列 > 设置 > 目标 。

机器学习的样本规模

对于机器学习来说，有效数据集当然是越大越好，因为这样算法能够获得更多特征值，考虑到的变量会增加，当然随着数据量的增加，算法模型也会越精准。

举个大家都知道的抛硬币的例子，扔10次硬币，可能7次是正面向上，只有3次反面向上，假如仅依据这10次抛掷试验得出结论：硬币正面向上的概率为70%，反面向上的概率是30%——读过书的人都知道这个结论明显不对；因为当我们扔1000次、10000次、100000次及更多，正反面向上的概率将会无限接近1:1。——机器学习的算法也是如此。

还有大火的ChatGPT以及AI绘画Midjourney等，能够有现在这种惊人的表现，哪个不是被“喂”了多少亿的样本数据！

谷歌推荐使用广泛匹配关键字的原因也是出于此目的——通过更多的点击来收集更多可能的转化，让算法更快地学习。

机器学习的数据偏向性

机器学习后的算法就一定准确吗？实际上不一定，因为算法是根据被“喂”的原始数据跑出来的。当原始数据集的“脏”数据比例过高之后，算法是会被带歪的。

拿女性内衣举例。如果我们跑常规的内衣广告，正常人肯定知道它的受众99%是女性。但是，机器可没有这种意识。假如，我们的广告在近期共积累100条转化数据，然而其中有30条是由一群变态下单的，因为他们正在准备一个内衣party（手动狗头），那么此时算法会认为男性也是这个产品的主要销售对象，可能之后会广泛为男性受众展示广告、提高出价。但是这30条数据妥妥地就是“脏”数据呀。

因此算法会被“脏”数据带偏，而且可能会越带越偏。要是我们的受众群体本身就小，一个月可能总共就100次转化，30条错误数据也许还好，但若是换成50条，70条呢？这不就完全带偏了嘛。所以，我们需要保证咱们转化数据大部分都是没问题的。一旦出现很多不正常的数据，且广告效果越来越差，尽早新建一个广告系列也不失为一个好办法；当然你也可以选择排除某个期间的数据。

说完了机器学习的几个重要特点，接下来回到谷歌广告本身。

谷歌广告中的这4种出价策略——目标每次转化费用（tCPA）、目标广告支出回报率（tROAS）、尽可能提高转化次数和尽可能提高转化价值，属于智能出价。文章开头也说过，智能出价的原理便是机器学习。

· 目标每次转化费用（tCPA）：算法将仅以小于每次转化费用的转化的转化特征为建模参数，或是会为每次转化费用小于设定费用的转化的参数增加权重；
· 目标广告支出回报率（tROAS）：算法将仅以大于目标支出回报率的转化的转化特征为建模参数，或是会为每次转化ROAS大于设定ROAS的转化的参数增加权重；
· 尽可能提高转化次数：算法将以全部转化的的转化特征为建模参数；
· 尽可能提高转化价值：算法将仅以高转化价值的转化的转化特征为建模参数，或是为这些转化的转化特征增加权重。

广告优化

广告学习期

在咱们对一个广告系列开启智能出价的时候，广告系列会进入学习期。所谓的学习期，是指机器在积累有效样本数据并根据样本特征和出价策略进行初步算法建模的阶段。

谷歌广告明面上的学习期一般在5-7天，在广告系列层级会显示。

但是学习期过去之后广告算法就保持不变了吗？

肯定不是的，学习期只进行了初步的数据建模，大部分情况下算法模型是不完善的，仍需要依据新收集到的转化数据持续优化。并且，转化次数越多（意味着积累的特征越多），算法模型会越收敛越精确。所以，这就是智能广告往往跑的时间越长效果越好的原因。

哪些因素会导致广告重新学习？

谷歌广告官方文档列举如下：

· 新出价策略：该出价策略是最近才创建或重新启用的；

· 设置变更：该出价策略的某项设置有更改；

· 转化操作设置变更：您最近添加或移除了与您的某个出价策略相关的转化操作，更改了“纳入到‘转化次数’列中”设置或更改了转化“计数”设置；

· 组成部分变更：该出价策略中添加或移除了广告系列、广告组或关键字。

https://support.google.com/google-ads/answer/6263057?hl=zh-Hans

归根结底，只要是算法模型中权重较高的参数发生了较大变化，广告系列就会重新学习。

是否所有广告都适合使用智能出价？

并不是。上面已经详细解释了精度较高的算法模型基本上都需要大规模的有效数据集，假如你的产品是小众类目，转化次数不多，无法为算法提供较多特征，那么就不建议使用智能出价。

另外还有一个原因，对于大多数行业，谷歌广告算法会为近期数据赋予高权重，时间越久的数据在模型中的权重越小。

我们的算法采用自适应历史数据加权，在调整出价时会更加依赖于近期数据，同时还会将转化周期长度纳入考虑范围。我们发现，近期的效果或许可以更好地预测未来的效果，但由于转化延迟时间而尚未发生转化的点击所占的权重应该较低。

https://support.google.com/google-ads/answer/10970825?hl=zh-Hans

所以，小众类目的广告系列即使长期积累了足够的转化数据，但是在近期（比如一个月内）没有足够的数据，效果可能也不会好。

这也是谷歌推荐智能出价广告至少在一个月内获得30次转化后再去评估效果的原因。

为准确评估结果，我们建议衡量较长时间段（例如一个月或更长时间）的效果，选用的时间段应至少获得了 30 次转化（对于“目标广告支出回报率”出价策略，则要求至少获得 50 次转化）。

https://support.google.com/google-ads/answer/7065882?hl=zh-Hans&ref_topic=6294205

我们应该如何优化智能出价广告？

虽然谷歌说智能出价是根据账户中所有广告系列的数据进行优化建模的，而不仅限于单个关键词或广告系列的数据，但我依然建议最好等单个广告系列积累了足够的转化数据再转智能出价。不过，假如你的新广告系列的产品与账户中其它广告系列的产品类目一致、受众等差不多，那么倒是可以放宽松条件，在没数据或者只有少量数据的时候也可以提前转智能出价。

以下讨论这两种具体情况：

预算充足：

对于搜索广告和购物广告而言，在前期可以开“尽可能争取更多点击次数”或“目标展示次数份额”来获得流量，尽可能地提高转化次数，起码在1个月内获得30次以上的转化后开启智能出价；当然，并不是达到30次就要换成智能出价，我们在初期积累的转化数据越多，机器学习的准确性将越高。

对于PMAX广告，我们无法使用人工出价，但是可以通过受众群体信号来控制早期的受众范围，不过尽量不对受众群体进行限制，让广告自动去跑，通过大量的转化数据来让机器自行优化算法。

预算较少：

对于搜索广告和购物广告而言，在前期使用“每次点击费用人工出价”，设置合理的CPC价格，等到一个月内转化次数积累30次以上后再转成智能出价。

对于PMAX广告，那我们自然要给谷歌提示受众群体信号，但也不要限定过多。慢慢让机器按照最佳目标人群的转化数据进行学习。

注意：我们设置了受众群体信号，并不代表广告系统只对这部分人群投放，更多的是在投放初期作为参考。根据后续的转化数据，系统会自动扩大受众范围。

当然，虽然我全篇都在讲谷歌智能出价与机器学习的关系，其实Facebook广告原理也是相同的。毕竟都是基于机器学习。

Facebook官方的机器学习说明：
https://www.facebook.com/business/help/316478108955072