<b>Алгоритм Facebook больше не ищет “лучший креатив” — он ищет самый предсказуемый сигнал</b>

<b>Алгоритм Facebook больше не ищет “лучший креатив” — он ищет самый предсказуемый сигнал</b>

Машинное обучение в закупке сместилось от ручной оптимизации к работе с качеством данных. Если раньше можно было вытащить кампанию частотой правок и перебором аудиторий, то сейчас модель быстрее учится на стабильном фиде событий: кто кликнул, кто дошёл до целевого действия, где теряется воронка.

Ключевые изменения для баинга:
— Система сильнее опирается на ранние конверсии и паттерны схожих действий, а не на “красоту” креатива.
— Шум в трекере, дубли событий и кривой приоритет конверсий ломают обучение быстрее, чем слабый баннер.
— Слишком узкие аудитории дают мало сигнала, и модель начинает оптимизироваться в потолок вместо поиска объёма.

Практика простая: сначала проверяете, совпадает ли событие в кабинете с событием в трекере, потом смотрите долю потерь между кликом и конверсией, затем оцениваете, хватает ли объёма на одно целевое действие в день. Если сигнал рваный, не спасёт ни новый плейсмент, ни “свежая” связка.

Для тестов держите один понятный KPI на одну кампанию, не смешивайте разные цели в одной структуре и не трогайте настройки до набора статистики. Анализ данных говорит сам за себя: модель учится на том, что вы ей скармливаете, а не на ваших ожиданиях.

Тестируем гипотезу — смотрим на спенд. Если он уходит, а событий нет, проблема обычно не в алгоритме, а в качестве входных данных.