公告：利用Facebook机器学习衡量广告成效
对广告主而言，机器学习的用途有很多种。FacebookIQ已经探索了自动化系统如何能改进营销活动规划和投放。当传统方法有所欠缺时，成效衡量可能是机器学习最具价值的用途。尽管如此，很难确切地确定如何将机器学习纳入您自己的广告分析中。
Facebook在第一时间探究了其中的机遇和挑战。为了帮助营销者更准确地衡量营销工作的增量价值，我们构建了自己的数据驱动归因模型(DDA)1，将机器学习纳入其中。FacebookIQ采访了营销科学团队的数据专家SimonEdjemyr，希望了解该团队从此次经历中学到的经验。
1.Facebook数据驱动归因模型的依据是随机对照实验，有助于您更准确地衡量营销活动的增量价值。此模型目前在Facebook、Instagram、AudienceNetwork和Messenger提供。与其他基于规则的归因模型相比，数据驱动归因模型提供的成效衡量是公正的，而且更加精确，更接近真实的增量价值。
在制定和评估用于衡量广告成效的机器学习解决方案方面，Ejdemyr分享了四个关键考量要点：
1.找出当前策略的弊端
在深入研究细节之前，Ejdemyr建议先停下来找出当前成效衡量策略的弊端。从根本上讲，如果机器学习有助于我们以全新的方式解读广告表现，我们便可对其加以利用，但机器学习并非自动解决一切问题的灵丹妙药。Ejdemyr表示：“如果最终产品无法创新，无论它看起来多么迷人，最好也别为此浪费时间和金钱。”
“众所周知，营销者希望能够以低成本快速预测Facebook广告的因果影响。因此，我们有针对性地开发了这款工具，以填补基于试验设计的方法与简单的归因报告之间的鸿沟。在清楚地了解需求后，才能确保机器学习得到恰当而有效的利用。”
2.确定成功指标
在制定基于机器学习的成效衡量方法时，存在一个潜在陷阱，即只要能够制定出方法，它都将被视为是一种成功，无论这种方法是否符合您的需求。为避免这种情况，您可以在看到新解决方案的结果之前构建一个验证框架。“我们认为，创建验证系统与模型开发本身同样重要，”Ejdemyr如是说。
在开发数据驱动归因模型时，我们从其他试验中提取了一个数据点留出集，以了解尚未看到的输入数据会得到怎样的处理。这项前期工作以及对成功的定义使我们相信，我们的方法在应用于新广告系列时会取得良好成效。
3.确保您拥有优质的输入数据
基于机器学习的成效衡量方法无法凭空运作，它依赖于数据。“虽然不同的机器学习方法可以承担许多繁重的任务，但它们不能将不良的输入数据转换为优质的数据，也无法告诉您应该或不应该如何使用这些方法。因此，这项解决方案需要优质的输入数据和技术精湛的团队，”Ejdemyr说道。
数据驱动归因模型一定程度上是在转化提升2数据的基础上构建而成的，这为该方法奠定了强大而广泛的基础。正如Ejdemyr所言：“优质的输入数据将因您可访问的数据以及您的目标而异，但如果没有它们，无论方法多么复杂，任何人都无法构建出色的模型。”
2.Facebook成效衡量可以助您优化广告、了解受众和发展业务。首先找到合适的工具来获得最重要问题的答案。
4.持续验证并完善解决方案
在投入时间和资源来打造基于机器学习的新方法后，您可能很容易转向该解决方案，并宣告您的工作已经完成。但是，这些模型需要与其他工具一并使用，且会不断演变。“任何一种成效衡量解决方案都有不足之处。通过其他措施找到合适的补充和节奏可以确保更有力的决策，”Ejdemyr说道。
我们构建数据驱动归因模型的初衷绝非取代基于试验的测试，而是为那些想要探索因果关系的营销者提供强有力的补充。这意味着，这项解决方案需要持续验证和完善，以便能够有效地与其他报告方法协同运作。正如Ejdemyr所言：“机器学习模型会随时间而完善。通过持续投入，您便能确保实现全面的成效衡量。”
