Facebook廣告內(nèi)部是如何尋找受眾目標(biāo)的？

Facebook在廣告組這個(gè)層面的算法有點(diǎn)像這樣：

當(dāng)你在投放廣告的時(shí)候，首先在你的廣告系列中，這里面的廣告受眾會(huì)被分配到一個(gè)廣告中。

這些受眾前期是在測試，那么在測試階段在Facebook體系里面，這其實(shí)是動(dòng)態(tài)的匹配的一個(gè)過程（內(nèi)部會(huì)有一個(gè)匹配的標(biāo)準(zhǔn)），根據(jù)這個(gè)標(biāo)準(zhǔn)來確定，哪些受眾對(duì)你的廣告做出了反應(yīng)。

Facebook ad的算法用的是預(yù)測性算法（Predictive Algorithm）。

簡單的說，機(jī)器學(xué)習(xí)的算法通過“學(xué)習(xí)”廣告投放得到的反饋（歷史數(shù)據(jù)），對(duì)新的廣告投放效果進(jìn)行預(yù)測。

而機(jī)器學(xué)習(xí)算法有兩大類別：回歸算法（Regression）和分類算法（classification）。

回歸算法的結(jié)果是一些連續(xù)的值，比如一元二次方程里的一條直線，任意一個(gè)橫坐標(biāo)的X值，都可以找到一個(gè)對(duì)應(yīng)的Y值。

分類算法的輸出結(jié)果并不是連續(xù)的，而更像是一段又一段的區(qū)間。

舉個(gè)例子，當(dāng)你問“這個(gè)用戶看到廣告后會(huì)不會(huì)點(diǎn)擊購買我的產(chǎn)品”？

通過分析，分類算法會(huì)告訴你，“Yes”還是“No”。

但是回歸算法會(huì)告訴你“只有68.59%的可能性會(huì)買，也有31.41%的可能性不會(huì)買”。

實(shí)際上，兩種算法并不是完全無法不兼容彼此的。

比如你在回歸算法的輸出層規(guī)定區(qū)間，“低于60%的值輸出No”，“不低于60%的輸出值為Yes”，這樣回歸算法就轉(zhuǎn)化為一個(gè)分類算法了。

不管使用哪種算法，在廣告投放領(lǐng)域，機(jī)器學(xué)習(xí)的核心都是通過分析audience的特性（demographics），來對(duì)TA的行為進(jìn)行預(yù)測。舉例子比如廣告組里面，有一個(gè)廣告，這個(gè)廣告的受眾設(shè)置的唯一興趣愛好是phone cases，那么

在第一天中，facebook的廣告可能會(huì)針對(duì)這個(gè)興趣愛好，推送給一些喜歡phone cases+喜歡狗的用戶，并觀察表現(xiàn)情況是如何的

在第二天中，F(xiàn)acebook可能會(huì)把廣告推送給另外一批不同的受眾，此時(shí)這些人就不是喜歡phone cases+狗的用戶，很可能是phone cases+貓的這些受眾

好了，這個(gè)時(shí)候，F(xiàn)acebook會(huì)根據(jù)這兩批受眾的不同表現(xiàn)，開始進(jìn)行廣告優(yōu)化，這個(gè)優(yōu)化是同時(shí)結(jié)合你的網(wǎng)站廣告像素（pixel）數(shù)據(jù)來分析哪一部分受眾最容易受到你的廣告的影響。

所以這是Facebook廣告的一個(gè)優(yōu)化測試，當(dāng)然內(nèi)部的算法，這肯定不是簡單的一個(gè)一個(gè)來測試。

比如我前面說了Facebook先測試phone cases+狗，然后接下來再測試phone cases+貓，算法會(huì)幾個(gè)維度同時(shí)來進(jìn)行測試的。

Facebook對(duì)人的特征掌握非常的清楚，有很多維度來同時(shí)進(jìn)行測試。

就好像Facebook會(huì)同時(shí)派遣幾個(gè)先遣部隊(duì)，去前面刺探（根據(jù)可能喜歡你產(chǎn)品的受眾+網(wǎng)站像素）來找到最合適人。

然后派出去的幾個(gè)先遣隊(duì)回來報(bào)告，看看哪個(gè)表現(xiàn)最好，在加大對(duì)該部隊(duì)的預(yù)算

所以，你看這個(gè)是Facebook內(nèi)部，CBO的一個(gè)受眾尋找和優(yōu)化的過程。