英語で読む

次の方法で共有


対象となる Learn

重要

このガイドは、従来の行項目にのみ適用されます。 拡張明細 (ALI) を使用している場合は、「 最適化ガイド - ALI」を参照してください。

Microsoft 広告最適化エンジンでは、キャンペーンの過去のパフォーマンス データ (コンバージョン率とクリックスルー率) を使用して、キャンペーンのコンバージョン単価 (CPA) またはクリック単価 (CPC) の目標に対して、すべてのインプレッションの適切な入札を決定します。 ただし、Microsoft 収益化に新しいキャンペーンを追加すると、パフォーマンス データはまだ利用できません。 この場合、Microsoft Advertising 最適化エンジンは、まずキャンペーンの入札方法を確認する必要があります。 このページでは、学習プロセスについて説明します。

概要

キャンペーンが開始されると、パフォーマンス データはまだ使用できません。 バージョン 7 最適化エンジンは、履歴データを使用して成功率を推測し、それに応じて学習入札を計算します。 キャンペーンがインプレッションを獲得すると、アルゴリズムによって新しいデータが考慮され、パフォーマンスの高い会場 (在庫のスライス) で学習入札が増加し、パフォーマンスの低い会場が減少します。 要約すると、より広範な履歴データを活用することで、新しい Targeted Learn アルゴリズムを使用すると、学習入札の精度が向上し、学習中の支出が効率的になります。

注意

学習プロセスの特定の領域を 最適化レバーで制御する機能があります。これには、学習の入札金額をオーバーライドする機能が含まれます。

ヒント

予算やタイムラインが狭いキャンペーンの入札タイプ レポートを使用してターゲット学習フェーズを短縮するには、在庫除外に入札タイプ レポートを使用します。

Targeted Learn が履歴データを活用する方法

Targeted Learn アルゴリズムは、複数のレベルの履歴データを活用し、キャンペーンがより多くの成功イベントを取得するにつれて、より詳細なデータからより詳細なデータに移行します。 履歴データを利用する順序はベイズファネルと呼ばれ、ベイズの定理(既知の条件に基づいて確率を計算するための数式)が使用されているため、そのように名前が付けられます。

  • 広告 主
  • 広告主, 会場
  • 広告主、会場、キャンペーン、
  • 広告主、会場、キャンペーン、クリエイティブ サイズ
  • 広告主、会場、キャンペーン、クリエイティブサイズ、クリエイティブ

Targeted Learn がデータを活用する方法を示す最も直感的な方法は、ベン図を使用した例です。 広告主の Bob's Diner 用に新しいパンケーキ キャンペーンを作成したとします。 同じピクセルであるピクセル A を使用した同様のキャンペーンが以前に実行されていました。

手順 1. 広告主データを活用する

広告主の Bob's Diner に少なくとも 5 つのコンバージョン (ピクセル A が 5 回発生) が発生したら、すべての広告主のデータを利用して学習入札を計算します。

広告主データの図。

手順 2. 広告主と会場のデータを活用する

広告主は以前にこのオファーを実行しているため、1 つの会場で 5 回のコンバージョンを得た可能性があります (ピクセル A はその広告主の特定の会場で 5 回発射されます)。 この場合、この会場の Learn 入札を計算するときに、この会場に固有の広告主のデータがアルゴリズムによって利用されます。 このデータは、広告主と会場データの積集合によって表されます。

広告主と会場データの積集合を示す図。

手順 3. 広告主、会場、キャンペーンのデータを活用する

ある時点で、パンケーキキャンペーンは特定の会場で5つのコンバージョンを得ます。 この場合、この会場に対する Learn 入札を計算するときに、その会場に固有のキャンペーンのデータがアルゴリズムによって利用されます。 このデータは、広告主、会場、キャンペーン データの積集合で表されます。

広告主、会場、キャンペーン データの積集合を示す図。

手順 4. 広告主、会場、キャンペーン、クリエイティブ サイズのデータを活用する

パンケーキ キャンペーンには 300 x 250 のクリエイティブが 3 つあるとします。 最終的に、300 x 250 のクリエイティブは、1 つの会場で 5 つのコンバージョンを累積して取得します。 この時点で、300 x 250 のクリエイティブのいずれかが会場に入札されている場合、このアルゴリズムでは、その会場の 300 x 250 クリエイティブ サイズ データを使用して学習入札を計算します。 このデータは、広告主、会場、キャンペーン、サイズデータの積集合で表されます。

広告主、会場、キャンペーン、クリエイティブ サイズ データの積集合を示す図。

手順 5. 広告主、会場、キャンペーン、クリエイティブ サイズ、クリエイティブ データを活用する

最後に、パンケーキキャンペーンのクリエイティブの1つは、会場で3つの成功イベントを受け取ります。 この会場でクリエイティブが入札されている場合、アルゴリズムは、その会場に固有のクリエイティブのデータを利用して、学習入札を計算します。 このデータは、広告主、会場、キャンペーン、サイズ、クリエイティブ データの積集合で表されます。

広告主、会場、キャンペーン、クリエイティブ サイズ、クリエイティブ データの積集合を示す図。

手順 6. 引き続き学習する

次に、Targeted Learn アルゴリズムは、キャンペーンが学習を続けている間に、このレベルのデータをさらに活用します。 キャンペーンが学習フェーズを終了するのに十分なイベントを取得すると、通常どおり最適化されたフェーズに進みます。

広告主にデータがない場合

過去のデータを利用しない広告主の下で新しいキャンペーンを開始すると、最適化エンジンによって各会場の平均入札額が決定され、このデータを使用してインプレッションの獲得が開始されます。 広告主が 3 つの成功イベントを行うと、エンジンは履歴情報を活用して学習入札を計算し始めます。