Facebook廣告的AI學習效用測試
上一篇文章我們談論過如何利用網絡追蹤工具及數據進行 Remarketing;然而,當中所涉及的資訊安全問題卻經常被忽略,以致網站資料被用作不當用途,例如訪者資料被用作推銷競爭對手的產品等等。
上一篇文章我們談論過如何利用網絡追蹤工具及數據進行 Remarketing;然而,當中所涉及的資訊安全問題卻經常被忽略,以致網站資料被用作不當用途,例如訪者資料被用作推銷競爭對手的產品等等。
基本上所有 Performance Campaign 都會應用到再行銷 (Remarketing),然而「做了」並不代表「做得好」。一個完善的 Remarketing Strategy,必須把受眾細分 (Audience Segmentation)、受眾估值 (Audience Valuation) 及受眾排除 (Audience Exclusion) 做得仔細,從而有效地為不同 Audience Segments 定下合適的競價及預算分配。
「要比啲時間System Learn吓」這句像黑洞一般的說話,相信所有客戶都曾聽過。可是,究竟需要多少時間,才能完成學習期呢?要解答這個問題,就必須先了解不同廣告競價及優化方式的特點及運作原理:Insertion Order Buy、Algorithm-based RTB 及 Machine Learning。
文章上部份提到,雖然香港人口相對其他國家或地區而言可能較少,但由於建立品牌認知以至改變消費者行為並非易事,因此便需要提高曝光次數 (Frequency),以達致轉換 (Conversion) 及銷售的推廣目標。但究竟多少次曝光才是足夠呢?在考慮合適的曝光次數時,可考慮以下各項因素。
過往遞交媒介策劃書時,曾經有客戶詢問過為什麼在我們的受眾設定裡,每個廣告組合的最大潛在觸及人數只有約三十萬人,只及其他廣告代理的百多萬人的三份一,這是否代表我們的廣告表現較差呢?要回答這個問題,當中涉及了媒介策劃中兩個最重要的維度:觸及人數 及曝光頻率。
我們於上一篇文章介紹了如何透過 Facebook Split Test (分組測試) 來找出較佳的廣告變數。今次我們將會以實例示範如何進行 Facebook Split Test,以及可如何解讀及利用所得的測試數據,改善廣告表現。
上一篇文章解釋了 Facebook Pixels 的基本原理及安裝後,今次將會介紹 Facebook Pixels 的其中一項重要功能–紀錄及收集事件轉換資料。透過收集轉換數據,我們可以進行分組測試,測試不同廣告設定對業務轉換成效的影響,找出自己業務專屬的Winning Formula!
Facebook廣告系統經過多年來不斷調整機器學習(Machine Learning)的模型,以及擴闊收集行為數據的種類及途徑,它內建的程序化購買(Programmatic Buying)功能雖然仍有不少進步空間,但無可否認,它已經變得越趨準確。但由於每個客戶的目標顧客群組亦不盡相同,所以它便非常依賴我們提供的數據,才能作出較準確的數據建模。
投放Facebook廣告時,不少人都會遇上大量菲傭、印傭等外籍人士讚好貼文,因此便可能造成浪費廣告預算的情況。但原來要真正做好受眾排除設定,就必須了解「於香港受僱的外籍家傭」及廣泛性的「菲律賓人」兩者的分別!