Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Importante
Ce guide s’applique uniquement à l’élément de ligne hérité. Si vous utilisez l’élément de ligne augmentée (ALI), consultez Guide d’optimisation - ALI.
Le moteur d’optimisation Microsoft Advertising utilise les données de performances passées d’une campagne (taux de conversion et taux de clics) pour déterminer l’offre appropriée pour chaque impression relative à l’objectif coût par acquisition (CPA) ou coût par clic (CPC) de la campagne. Toutefois, lorsque vous ajoutez une nouvelle campagne à Microsoft Monetize, les données de performances ne sont pas encore disponibles. Dans ce cas, le moteur d’optimisation Microsoft Advertising doit d’abord apprendre à enchérir pour la campagne. Cette page décrit le processus d’apprentissage.
Vue d’ensemble
Lorsqu’une campagne démarre, aucune donnée de performances n’est encore disponible. Le moteur d’optimisation version 7 utilise des données historiques pour faire une estimation éclairée du taux de réussite, puis calcule une enchère learn en conséquence. À mesure que la campagne gagne des impressions, l’algorithme prend en compte les nouvelles données, ce qui entraîne une augmentation des enchères d’apprentissage sur des sites performants (tranches d’inventaire) et une diminution sur les sites peu performants. En résumé, en tirant parti des données historiques plus larges, notre nouvel algorithme Targeted Learn accélère la précision des enchères learn et vous permet de dépenser plus efficacement pendant l’apprentissage.
Remarque
Vous avez la possibilité de contrôler certaines zones du processus d’apprentissage avec les leviers d’optimisation, notamment la possibilité de remplacer les montants de l’offre Learn.
Conseil
Pour raccourcir la phase d’apprentissage ciblée à l’aide des rapports de type d’enchère pour une campagne avec un budget serré ou un chronologie, utilisez le rapport Type d’enchère pour l’exclusion d’inventaire.
Comment Targeted Learn tire parti des données historiques
L’algorithme Learn ciblé tire parti des données historiques de plusieurs niveaux, passant de données moins précises à des données plus précises à mesure que la campagne obtient plus d’événements de réussite. L’ordre dans lequel nous utilisons les données historiques est connu sous le nom d’entonnoir de Bayes, nommé comme tel en raison de son utilisation du théorème de Bayes, une formule mathématique permettant de calculer la probabilité en fonction de conditions connues.
- Annonceur
- annonceur, lieu
- annonceur, lieu, campagne,
- annonceur, lieu, campagne, taille créative
- annonceur, lieu, campagne, taille créative, créatif
Exemple
La façon la plus intuitive de montrer comment Targeted Learn tire parti des données consiste à utiliser un exemple avec des diagrammes de Venn. Supposons que vous venez de créer une nouvelle campagne crêpes pour l’annonceur Bob’s Diner. Vous avez déjà exécuté une campagne similaire qui utilisait le même pixel, Pixel A.
Étape 1. Tirer parti des données de l’annonceur
Une fois que l’annonceur Bob’s Diner a au moins cinq conversions (pixel A déclenché cinq fois), nous utilisons toutes les données de l’annonceur pour calculer une offre d’apprentissage.
Étape 2. Tirer parti des données d’annonceur et de lieu
Étant donné que l’annonceur a déjà exécuté cette offre, il peut même avoir obtenu cinq conversions sur un seul lieu (Pixel A tirant cinq fois sur un lieu spécifique pour cet annonceur). Dans ce cas, lors du calcul d’une offre d’apprentissage pour ce lieu, notre algorithme tire parti des données de l’annonceur spécifiques à ce lieu. Ces données sont représentées par l’intersection des données de l’annonceur et du lieu.
Étape 3. Tirer parti des données d’annonceur, de lieu et de campagne
À un moment donné, la campagne crêpes obtiendra cinq conversions sur un lieu spécifique. Dans ce cas, lors du calcul d’une enchère d’apprentissage sur ce site, notre algorithme tire parti des données de la campagne spécifiques à ce lieu. Ces données sont représentées par l’intersection des données de l’annonceur, du lieu et de la campagne.
Étape 4. Tirer parti des données d’annonceur, de lieu, de campagne et de taille créative
Supposons que la campagne crêpes a trois 300 x 250 créatifs. Finalement, les 300 x 250 créatifs obtiendront cumulativement cinq conversions sur un seul emplacement. À ce stade, lorsque l’un des 300 x 250 créatifs est en enchère sur un lieu, notre algorithme utilise les données de taille créative de 300 x 250 sur ce site pour calculer une offre d’apprentissage. Ces données sont représentées par l’intersection des données de l’annonceur, du lieu, de la campagne et de la taille.
Étape 5. Tirer parti de l’annonceur, du lieu, de la campagne, de la taille créative et des données créatives
Enfin, l’un des créateurs de la Campagne crêpes recevra trois événements à succès sur un site. Lorsque ce créateur soumissionnera sur ce site, notre algorithme tire parti des données du créatif spécifiques à ce lieu pour calculer une enchère d’apprentissage. Ces données sont représentées par l’intersection de l’annonceur, du lieu, de la campagne, de la taille et des données créatives.
Étape 6. Continuer à apprendre
L’algorithme Targeted Learn tire ensuite parti de ce niveau de données pendant que la campagne continue d’apprendre. Une fois que la campagne obtient suffisamment d’événements pour quitter la phase d’apprentissage, elle passe à la phase optimisée comme d’habitude.
Si un annonceur n’a pas de données
Lorsqu’une nouvelle campagne est lancée sous un annonceur sans données historiques à exploiter, le moteur d’optimisation détermine l’enchère moyenne sur chaque site et utilise ces données pour commencer à gagner des impressions. Une fois que l’annonceur a trois événements de réussite, le moteur commence à tirer parti des informations historiques pour calculer les enchères d’apprentissage.