Facebook广告内部是如何寻找目标受众的？

今天的内容将涵盖三个主要部分：

第一：关于Facebook广告投放的一些基本原则；
第二：Facebook是如何在平台内寻找潜在目标受众的；
第三：解答大家在Facebook广告投放过程中常见的一些问题。此外，今天的内容还会穿插一些用户的提问。哈哈，我发现根据用户提问来写文章，能够拓展更多话题，内容也就更加丰富了！

Facebook广告投放，是一门玄学。

实际上，真正投放过Facebook广告的人都知道，Facebook广告有时像是一种“玄学”。

什么是“玄学”呢？

举个例子：你当前跑的一个Facebook广告，ROAS（广告回报率）表现非常好，达到了1:10。这意味着你投入了1块钱，却赚回了10块钱，这样的生意简直太棒了。

然而，接下来你决定复制这个广告，照搬一切，不改预算、不改受众、不改素材，几乎一模一样地复制，但你会发现，新的广告表现却可能糟糕透顶。

这让新手感到困惑，为什么会这样呢？
明明是自己建立的广告，没有和其他广告组产生竞争，广告目标也都是一致的，为什么复制过来的广告效果却这么差呢？

这就是所谓的“玄学”。不仅是新手，很多老手也没办法解释清楚。
Facebook广告的结果受很多因素的影响，比如受众、广告创意、预算、版位、兴趣等……这些都可能左右广告的表现。

所以我要说，Facebook广告并不是你按照某个人的建议去做，就一定能得到预期结果。
并非如此！

在Facebook广告投放中，有三点大家一定要记住：

第一：Facebook并没有一个固定的投放公式，1+1不一定等于2。
第二：所有优秀的广告投放者，背后一定有通过大量资金投入积累出来的经验。
第三：Facebook广告的成功有时真的是“玄学”，最重要的是不断测试。

如果你没有意识到这三点，那么你可能在广告投放的过程中走弯路，甚至被割韭菜。

为什么要复制广告？

即便Facebook广告有时那么“玄学”，我觉得我还是可以解答一些常见问题的。（我今天突然意识到，利用提问来写文章也是一个好方法，未来可以写的内容就多了！）

今天有朋友问我：

“早鸟，为什么当一个广告表现非常优秀时，大家会选择用复制adset的方式来扩展广告效果，而不是直接把这些广告复制到另一个CBO中并增加预算？”

举个例子，在我们投放Facebook广告时，可能采取以下策略：

CBO 1里有10个adset（其中5个广告表现非常好）；
CBO 2里同样包含10个adset，但保留了CBO 1中5个表现好的广告，并将它们分别复制一遍。

那么问题来了，为什么不直接翻倍CBO 2的预算，而是选择复制这些广告呢？难道是担心这样受众会看到两次广告吗？

在回答这个问题之前，我先给大家普及一下Facebook广告是如何寻找匹配受众的。

这部分内容可能有不少人不太了解，所以我觉得有必要解释一下。

PS：关于CBO是什么、CBO的原理、CBO的优势以及注意事项，这些内容我今天不详细讲解，大家可以自行学习和了解。

Facebook广告，内部如何寻找潜在的目标受众？

Facebook广告的算法，尤其在广告组层面，工作原理有些类似于这样：

当你投放广告时，首先你的广告系列中的广告受众会被分配到不同的广告组。在这个阶段，受众实际上是在进行测试，而这个测试在Facebook系统中是一个动态匹配的过程。Facebook有一个内部匹配标准，通过这个标准来确定哪些受众对广告的反应最好。

我们知道，Facebook的广告算法使用的是预测性算法（Predictive Algorithm）。简单来说，机器学习算法通过“学习”广告投放的历史数据来预测新广告投放的效果。

机器学习算法主要有两种类型：回归算法（Regression）和分类算法（Classification）。

回归算法的输出是连续的数值，比如一元二次方程中的一条直线，任意一个横坐标X值都能对应一个Y值。
分类算法的输出结果则是区间或类别，而不是连续值。例如，分类算法会告诉你某个用户是否会购买你的产品，输出的可能是“是”或“否”。

举个例子，假设你问：“这个用户看到广告后，会不会点击购买我的产品？”

分类算法会告诉你，答案是“Yes”或“No”。
而回归算法则可能给出具体的概率，例如“有68.59%的可能性会购买，31.41%的可能性不会购买”。
实际上，回归算法和分类算法并不是完全不兼容的。比如，你可以设置一个区间，例如回归算法输出的值低于60%就算作“No”，而不低于60%则算作“Yes”。这样，回归算法就可以转化为分类算法。

无论使用哪种算法，机器学习的核心目标都是分析受众的特征（如人口统计数据），并预测他们的行为。

举个具体的例子来说，假设某广告组中的一个广告，受众唯一的兴趣爱好是“手机壳（phone cases）”。在测试阶段，Facebook可能会把这个广告推送给一群同时对手机壳和狗感兴趣的用户，并观察他们的反应。

然后，第二天，Facebook可能会将广告推送给另一批受众，这次是对“手机壳和猫”感兴趣的用户。接下来，Facebook会根据这两组受众的表现数据，优化广告投放，结合你的网页像素（pixel）数据，分析哪些受众最可能对广告做出积极反应。

所以，这实际上是Facebook广告的优化和测试过程。当然，Facebook的算法并不是仅仅通过一个受众组与广告素材的单一测试，而是会同时测试多个维度。

例如，在前述例子中，Facebook可能不会仅仅测试“手机壳+狗”这一组，还可能同时进行其他多个测试，这些测试会涉及到受众的兴趣、人口统计特征等多个因素。

Facebook对用户的特征了解得非常清晰，能够从多个维度同时进行测试。这就像是Facebook派遣了多个“先遣队”去摸索潜在的受众，了解哪些人群最可能对你的广告产生兴趣。每个“先遣队”根据不同受众的表现来反馈信息，最终Facebook会增加表现最佳的受众组的预算。

这就是Facebook广告优化的过程，尤其是在CBO（Campaign Budget Optimization，广告系列预算优化）下，如何通过不断测试、调整和优化受众匹配来实现最佳效果。

为什么要以复制广告的形式来增加预算？

在解释完Facebook广告如何寻找匹配受众之后，接下来我们来回答一下前面提到的同学的问题：

为什么要用复制ad set的形式来实现广告扩展，而不是直接将它们复制到另一个CBO中并增加预算？

复制广告的关键在于Facebook广告的学习阶段（Learning Phase）。每个广告组在运行时都有一个学习阶段，这是Facebook算法调整和优化广告表现的过程。如果你直接增加预算，广告的学习过程可能会被打断。

举个例子：假设一个广告之前的预算是每日50美金，广告表现非常好，现在你想将预算提高到500美金，这样就会导致Facebook重新开始学习，重新匹配受众，重新调整算法。这样，原本良好的广告效果可能会被打断，甚至表现变差。

所以，为了避免打断学习阶段，最好的做法是复制广告组。这样你就能在新广告组中保持预算不变，允许Facebook继续进行学习优化，同时不会影响到原广告组的表现。

值得注意的是，复制广告时，最好是连同广告系列一起复制，而不是仅仅在现有广告系列中复制一个已经获胜的广告。通过这种方式，你能够确保广告效果最大化，同时避免改变广告的学习环境。

总结来说，复制ad set而不是直接增加预算，能够更好地保持广告的稳定性和学习效果，避免打断广告的优化过程。

以上