{"id":9280,"title":"\u0422\u0435\u043b\u0435\u043f\u043e\u0440\u0442\u0430\u0446\u0438\u044f \u0440\u0435\u043a\u043b\u0430\u043c\u043d\u044b\u0445 \u043a\u0430\u043c\u043f\u0430\u043d\u0438\u0439 \u0438\u0437 \u00ab\u042f\u043d\u0434\u0435\u043a\u0441\u0430\u00bb \u0432 Google","url":"\/redirect?component=advertising&id=9280&url=https:\/\/vc.ru\/promo\/321806-kak-ne-zamorachivatsya-s-reklamnoy-kampaniey-i-bystro-nastroit-ee-v-google-obyasnyaem-v-5-50-i-500-slovah&placeBit=1&hash=99a73b9041aba100376a41bce39d118cf714c283ce1c8288a963bcb51cdcdade","isPaidAndBannersEnabled":false}
Маркетинг
German Kapnin

Байесовы бандиты: как Facebook принимает решения о распределении расходов

Очень часто сложно понять механизм автоматического распределения расходов в Facebook. Поскольку расходы неравномерно распределяются между объявлениями в группе, бывает трудно сделать вывод, какие объявления работают лучше остальных.

Очевидно, что на рекламу, которую Facebook считает лучшей, распределяется автоматически больше бюджета. И хотя мы часто видим, что на высокоэффективную рекламу тратятся приличные деньги, иногда мы сталкиваемся с объявлениями, расход на которые кажется недостаточным.

Алгоритмические решения, используемые для определения того, какая реклама лучше, а какая хуже, понять трудно.

Сегодня мы поговорим о том, как Facebook подходит к этому математически, почему Facebook принимает решения о распределении расходов именно так, а также о некоторых причинах, по которым алгоритмическое распределение может работать неправильно.

Перевод статьи Shamanth Rao. Чтобы не пропустить новые статьи, подписывайтесь на канал t.me/mobileplusblender.

Сложности подхода простых А/В-тестов

Будучи вполне понятными по сути, A/B-тесты по принципу «победителю — всё» могут привести к потере денег рекламодателей. С тестами есть три основные проблемы:

  1. Предпочтения пользователей со временем меняются. Когда одно объявление становится победителем, это значит, что на него Facebook переводит все расходы. Это не всегда корректно: A/B-тест мог проводиться в течение определенного сезона или в определенные дни (например: приложение доставки еды использует салат в качестве победившего креатива летом, а горячий шоколад — зимой). «Победитель» не всегда может быть победителем, а «проигравший» не всегда может быть проигравшим. Могут быть ложноотрицательные и ложноположительные результаты;
  2. Все объявления (иногда) эффективны. Реальная жизнь полна вероятностей: успешный креатив не является победителем для 100% пользователей/показов (как подразумевается в парадигме A/B-тестирования). Тот факт, что объявление является «победившим», означает лишь то, что большую часть времени оно работает лучше. Может существовать 10% показов/аудиторий, для которых «проигравший» креатив лучше. Некоторые показы «плохих» объявлений приводят к покупкам, а некоторые показы «хороших» — не приводят.
  3. Равное распределение показов приводит к лишним тратам. Если выигрышный креатив лучше в 90% случаев, а проигрышный — в 10%, то равное распределение между ними может привести к потере бюджета. Проигравшее объявление экономически невыгодно показывать чаще?

Парадигма Байесовых бандитов

Алгоритм Facebook использует вероятностный байесов подход для решения вышеуказанных проблем. Помимо классного (для алгоритма) названия, чем он лучше, чем менее сложные алгоритмы?

В байесовой парадигме вы используете уже известную информацию, чтобы строить прогнозы о том, что вы хотите узнать. Термин «бандиты» происходит от класса вероятностных задач, связанных с переменными, у которых «много рук», что напоминает ряд игровых автоматов в казино. «Бандиты» выглядят одинаково, но имеют разные выплаты.

В парадигме байесовых бандитов игрок знает, как часто игровые автоматы ранее приводили к «выигрышам», и сталкивается с проблемой принятия решений о том, на каких автоматах играть в будущем.

Как это применяется к рекламе в Facebook?

Подобно тому, как игрок сталкивается с проблемой, в какой автомат играть, чтобы максимизировать выигрыш, «проблема» Facebook состоит в том, чтобы выбирать и определять приоритеты показа той рекламы, которая максимизирует доход для себя (Facebook) и для рекламодателя.

Facebook мог использовать A/B-тестирование и показывать разные объявления одинаковому количеству пользователей, прежде чем отключать менее эффективную рекламу.

Как упоминалось выше, такое A/B-тестирование по принципу «победителю — всё» имеет недостатки, связанные со временем, предельной эффективностью и потраченными впустую первоначальными затратами. Для обхода этих проблем Facebook и использует парадигму байесовых бандитов.

Подход байесовых бандитов не уникален для рекламы в Facebook. За последние пару десятилетий его применимость значительно расширилась. Развитие Интернета привело к повсеместному измерению поведения и взаимодействия пользователей. Байесов подход уникальным образом использует преимущества огромного объема этих данных.

То, что когда-то было забытым статистическим методом, приобрело силу с доступностью огромных объемов информации, необходимой для алгоритма, и за последнее десятилетие байесовы подходы перенеслись из сферы загадочной математики в область, напрямую использующую повсеместно данные в Интернете.

Газеты, выбирающие между разными заголовками, ритейлеры в поиске разных упаковок, авиакомпании, занимающиеся ценообразованием, и, конечно же, рекламные платформы, выбирающие между разными объявлениями, — все они используют разновидности подхода байесовых бандитов.

Как подход байесовых бандитов работает конкретно в рекламе на Facebook

Предположим, рекламодатель оптимизирует кампанию по покупкам. В этом случае его KPI — это количество покупок на тысячу показов (PPM). Алгоритм начинается с предположения, что мы не знаем, какова ожидаемая PPM для каждого объявления.

Алгоритм показывает объявления случайной выборке пользователей и измеряет количество покупок. Если объявление (допустим, A) приводит к большему числу покупок, чем другое объявление (B) за то же количество показов, мы делаем вывод, что у рекламы A более высокая вероятность более высокого PPM.

Вот как это будет выглядеть графически: это функция распределения вероятностей, где ось X показывает PPM, а ось Y — вероятность того, что PPM представляет собой определенное значение.

Таким образом, у обоих объявлений очень низкая вероятность того, что PPM выше 0,7, у «хорошего» объявления высокая вероятность PPM около 0,5, а у «плохого» объявления с высокой вероятностью PPM составит около 0,45.

Теперь, когда алгоритм знает, какое объявление имеет более высокий «ожидаемый PPM» (в приведенном выше примере это будет объявление A), он чаще показывает объявление A и отдает меньше показов объявлению B.

Что, если ожидаемый РРМ объявления А был бы значительно выше, чем объявления В (скажем, диапазон PPM с 90%-ной достоверностью составлял от 0,8 до 0,9 для объявления А и от 0,2 до 0,3 для объявления В)?

Тогда алгоритм будет отдавать большую часть показов объявлению A, но он все равно понимает, что объявление B имеет небольшую ненулевую вероятность достигнуть PPM 0,9 и выше, и поэтому продолжит отдавать небольшое количество показов ему.

(Это упрощенное представление, и хотя фактический алгоритм Facebook действительно по-разному учитывает разные цели оптимизации, разных рекламодателей и разных пользователей, он использует данный общий принцип).

Почему практика расходится с теорией и когда эта парадигма не работает

Все это логично и интуитивно понятно. Понятно, что в парадигме байесовых бандитов «лучшие» объявления побеждают.

Так почему же они не всегда выигрывают? Это приносит разочарование большинству маркетологов: плохо работающая реклама иногда получает больше бюджетов и, по-видимому, не вписывается в парадигму байесовых бандитов, потому что выигрывает у более эффективной.

Вот почему это может произойти. Чтобы алгоритм мог принимать решения об ожидаемых вероятностях, он должен привести к достаточному объему покупок. Если объявление приводит к 2 или 3 покупкам, оценка алгоритма ожидаемой вероятности попадания PPM в определенный диапазон будет не очень точной.

Иногда алгоритм видит 1 или 2 покупки (или несколько восходящих событий, таких как установки или регистрации, которые он принимает в качестве опережающих индикаторов) и делает вывод, что объявление «лучше», только потому, что оно (пока) не привело к 10 или 20 покупкам для необходимой окончательной оценки.

Именно, поэтому опытные маркетологи предпочитают и рекомендуют использовать — достаточное количество событий конверсий, чтобы алгоритмы могли принимать более достоверные решения.

Однако это не всегда возможно или просто, тем более что реклама требует времени и расходов для накопления алгоритмами исторических данных для формирования точных оценок вероятностей.

Вот почему иногда кажется, что алгоритмы Facebook отдают предпочтение «плохой» рекламе: им просто не хватает данных для точного расчета вероятностей.

Понимание того, что решение Facebook основывается на исторической эффективности, помогает нам понять, что чем больше ценных событий мы отправляем Facebook, тем лучше может быть решение Facebook — и тем лучше эти решения могут работать на вас, а не против.

Привет, меня зовут Герман Капнин. Если вам интересно узнавать больше про мобильную рекламу, мобильную аналитику, новости из мира мобайла, давайте знакомиться лично: facebook.com/gr.kapnin или подписывайтесь на канал про мобайл, чтобы не пропустить и обсудить новые статьи: t.me/mobileplusblender

0
0 комментариев
Популярные
По порядку
Читать все 0 комментариев
Мой опыт общения с Почтой России

Первым делом хочу попросить прощения у всех граждан России. Благодаря моим действиям, описанным вкратце в этой статье, я получил некоторую сумму денег, которая иначе могла бы попасть в бюджет РФ. Но произошло это по вине сотрудников АО «Почта России». Учредителем и единственным акционером АО «Почта России» является Российская Федерация.

Tele2. Недоразумение со сменой тарифа

Моя бабушка пользуется тарифом без абонентской платы от Tele2. Недавно ей позвонили и предложили поменять тарифный план. Бабушка в этом ничего не понимает, но прекрасно понимает, что не стоит принимать решения, не посоветовавшись с детьми/внуками. Поэтому она, почти сразу,прервала разговор. На следующий день выяснилось, что с ее номера телефона…

SkillFactory раздает подарки: повышенная ставка и новогодний марафон для вебмастеров

В преддверии Нового года мы решили порадовать своих настоящих и будущих партнеров — участников партнерской программы школ Skillfactory, Contented и Product LIVE. Это возможность получить денежный бонус и заодно увеличить прибыль от продажи наших курсов.

ИТ-специалисты сообщили о блокировке Tor в России Статьи редакции

На проблемы с доступом пользователи жалуются с начала декабря.

Сайты в 2021 году
Дайджест новостей Сбера: сайт Digital Пётр, сценарии для умного дома и платина от Forbes

Прошлый дайджест мы целиком посвятили 180-летию Сбера, поэтому новостей накопилось много. Среди них — запуск сайта по распознаванию рукописей Петра I, большое обновление на платформе умного дома Sber и другие. Рассказываем всё самое интересное.

Картинка, сгенерированная ruDALL-E по запросу «рыжий котик»
От чтения мыслей до вторжения во сны: зачем исследуют сознание и чем это грозит Статьи редакции

Учёные научились считывать структуру фраз и даже визуальные образы из мыслей. Теперь они переживают, что компании внедрят в сны рекламу.

Откуда берут взрослые деревья для парков и улиц

А также сколько они стоят и почему выращивать их — неплохой бизнес.

Сбербанк компрометирует код CVC при выдаче карты

Пришёл срок замены карты, по сроку действия. Стоит сразу сказать, что на низовом видимом варианте сотрудники Сбера работают отлично. Всегда помогут, подскажут, доброжелательно и в целом приятно. Но когда работает та невидимая часть Сбера к которой не приедешь, увы начинаются проблемы.

И сотрудников тоже касается: кибербуллинг на рабочем месте
Design vector created by pikisuperstar - www.freepik.com
Продавец eBay из Кургана стала победителем в финале Всероссийского конкурса «Молодой предприниматель России 2021»

27 ноября в Москве состоялся финал ежегодного конкурса «Молодой предприниматель России 2021». В нём приняли участие предприниматели и самозанятые в возрасте до 35 лет. Всего было подано более 300 заявок из 43 регионов страны.

null