「要比啲時間 System Learn 吓 ？」廣告投放系統的 Learning Phase

「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，究竟需要多少時間和金錢，才能完成「Learn吓」這個過程呢？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：(1) Insertion Order Buy、(2) Algorithm-based RTB 及 (3) Machine Learning。

(1) Insertion Order (IO) Buy
指以廣告訂單形式，以指定價格，於指定時間，買入指定版位或用戶的廣告曝光 (Impression)。這種購買方式可再細分為 (一) Placement Buy及 (二) Network Buy。前者為較早期的橫額廣告購買方式，例如直接向 Apple Daily 洽談購買它的 Splash Ad 展示橫額廣告。後者則以廣告聯播網形式，將聯網內參與網站的廣告版位合併出售。

由於 IO Buy 的購買方式通常於簽署訂單前已經決定好購買的廣告版位，很少涉及即時競價，進行廣告優化的空間有限，因此亦不存在「學習期」的問題。

(2)  Algorithm-based RTB (Real Time Bidding)
屬於廣泛定義的程序化購買 (Programmatic Buy)，指根據既定的準則及規律，調整每次競投出價。廣告交易員會根據各種數據，以 Rule 或者 Script 的方式，為廣告競價設立自動競投機制，例如：當整體每次轉換成本高於 $500 時，停止競投較次要的受眾版位、當廣告曝光佔有率 (Share of Voice, SOV) 低於 15% 時，將電腦版位的競投價格每小時提升5%，直至 SOV 回升至15%或以上。相對於 Machine Learning 來說，這裡談及的 Algorithm 是指廣告交易員根據分析過往廣告表現及其他數據而定下的競投規則，當中不牽涉 Machine Learning 或 AI。

由於這種購買方式的可控範圍為三種方式中最大，所需的「學習期」長短很大程度上取決於交易員的經驗及其投入於洞悉數據的時間。若果使用得宜，廣告的報酬率及成效往往為三種方式中最高，所以我們一般都會建議採取這種競投方式。

但由於這種競投方式對人力資源的投入十分依賴，因此在媒體廣告代理市場上，它的採用率亦相對較低。而且，若交易員無暇管理廣告活動，其成效亦會大幅降低。

(2) Machine Learning
Machine Learning 其實亦是 Algorithm-based RTB 的一種，而這裡所指的是運用由廣告需求方平台 (Demand-Side Platform, DSP) 建立的機器學習系統優化廣告投放，當中最為普及的平台包括：Facebook Ads Manager、Google Ad Manager、Google Marketing Platform (DV360 & SA360) 及 The Trade Desk 等。

雖然這種方式是以機器學習優化廣告投放，但它的表現仍十分取決於廣告交易員如何指示及運用系統，即是：(一) 數據源的設立及 (二) 廣告活動及架構設定。Programming 中有「Garbage in, garbage out」的說法，假若數據源設定不當，系統亦必然會得出錯誤的運算結果；所以若系統無法收集到準確及有用的數據，其「學習期」則永遠無法完成，而且廣告成效甚至會比 Fixed Manual Bidding 更差。同時，若廣告活動的目標及架構設定不當，系統將會難以對數據進行歸類及分析，降低運用數據進行建模的效率，令「學習期」大幅延長。

一般而言，若廣告活動設定正確，系統需要以下數據量以完成數據建模：

Facebook Ads Manager：每個廣告組合每週最少 50 個轉換
Google Ad Manager：一個月內最少 50 個轉換
DV360 & SA360：每週最少 20 個轉換，需時約半個月

然若轉換受眾的行為及興趣特徵並無較明顯趨勢，所需的轉換數據亦越多。甚至，如果產品或服務並無特定目標客戶群，或者廣告交易員並不了解目標顧客群組， Machine Learning 的競價方式的成效亦會降低。