但这里值得注意的是：在本文中我们只讨论“最大转化量”策略，因为只有在它的框架内才能达到漏斗中的最终目标——线下转化。

—— 自动战略是否比手动出价管理更有效？

关键在于人工智能和人类做出决策时所依据的数据容量及其相关性。专家根据自身经验和广告系列统计数据采取行动。此时，数据的相关性是一个大问题：一个人无法全天候（24/7）监控每个广告活动并同时控制许多指标，但算法可以。

战略会实时自动进行以下操作：

• 管理竞价中的出价；

• 优化转化次数、点击次数和投资收益率；

• 保持所需的转化成本、广告支出比例和点击次数。

此外，算法可以访问广告商没有的广告系统内部数据。

在管理广告系列时，战略会考虑数百个因素：不仅包括广告系列和广告的设置，还包括竞争环境、季节性、人口统计特征和受众不断变化的兴趣、地理位置、一天中的时间、着陆页的质量等。记住所有这些因素是相当困难的，评估和考虑所有这些因素更是难上加难。算法可以在几秒钟内处理和分类所有这些信息，而人类则需要几个小时甚至几天的时间。

因此，标题中问题的答案非常简单：自动战略基于比人类更多的数据来管理广告系列，并且得益于机器学习，它们处理这些数据的速度要快很多倍。所有这些因素都会影响广告活动的效果。

用数字讲话

到 2023 年底，Yandex Direct 中 74% 的广告系列已经使用自动策略。这反映了广告商对该工具的信心程度。

—— 好的，我明白了：这些战略快速有效地发挥作用。那么问题是什么？启动了广告系列，将其管理委托给人工智能，仅此而已，您可高枕无忧！

首先，您要确保您的广告系列没有问题。为了使自动战略尽可能有效地发挥作用，系统必须积累足够的数据：

• 谁是您的目标受众；

• 哪些广告信息会带来转化？

• 何时进行更多购买等。

该数据是战略的训练和稳定运行所需要的。

系统接收到的信息越多，就越能更好地优化广告系列并实现设定的 KPI。

如果算法缺乏训练数据，广告系列效果就会降低。在这种情况下，战略将无法完全管理广告系列：展示次数、点击次数和转化次数都会很少，并且广告系列可能会完全停止。

大多数情况下，人工智能由于广告系列设置错误而缺乏训练数据。

—— 您能否提供有关这些错误的更多信息？需要做什么，以便让战略更好地学习？

当然，我们现在就告诉你！以下是导致系统缺乏数据的最常见错误，以及有关如何避免这些错误的提示。

错误一、将目标转化成本设置得太低

目标转化价格必须具有竞争力。这意味着它必须有机会赢得竞价，否则广告将无法收集足够的展示次数/点击次数/转化次数来从这些数据中学习。

根据目标转化价格，战略在每次竞价中选择最高可能出价，使其不超出此限额。也就是说，如果转化价格太低，计算出的出价根本无法赢得竞价，而如果战略没有赢得竞价，则展示次数就会减少。

目标转化价格过低的结果

错误二、选择错误的目标

我们指的是选择一个用户很少实现的目标——每周少于 10 次。在这种情况下，算法没有足够的数据进行训练，战略也无法充分发挥其潜力，也不会带来新的转化。

错误的目标所导致的结果

如果您每周的转化次数少于 10 次该怎么办？

解决方案 1：将微转化设置为优化目标。微转化可以是转化漏斗上一阶段的目标，即与宏转化相关的目标（否则微转化将不起作用）。例如，如果您选择了 CRM 中的已付订单作为目标，但一周内您收到的广告已付订单少于 10 个，请添加上一阶段的转化（在网站上下单）作为附加目标。

解决方案 2：将不同类型的多个广告系列合并为整合效果广告系列，或将相同类型的广告系列合并为组合战略。

这两种方法都将帮助您收集足够的数据来训练您的广告系列。

错误三、过度限制每周或每期预算

如果既定的每周预算不够 10 次转化的费用，则战略无法获得稳定训练所需的数据量。因此，广告系列的效果降低。

如何计算每周预算，以便有足够的资金获得训练所需的转化次数

Yandex 建议将 10~12 次转化的费用纳入您的每周预算，这是所需的最低限度。宜多不宜少。也就是说，在计算每周预算时，您需要将转化价格乘以 10，或者最好乘以 12，这样系统就可以有较小的余量，如果可以带来更多的转化，则不必限制展示次数。

错误四：选择的归因模型限制了您收到的数据量

 范围窄的归因模型比广泛的归因模型收集的数据更少，并且看不到某些转化（例如，同一用户从不同来源进行的转化）。因此，算法接收到的需要学习的信号较少，并且不知道实际上存在更多的转化。

让我们看一个示例。

假设 10 次转化中有 8 次（以某种方式与特定广告系列相关）立即完成，其余两次在一段时间后以及从另一个来源完成。通过广泛的归因模型，算法将知道实际上有 10 个转化用户，而不是 8 个。是的，并非所有用户都在此时此地进行了转化，但是一段时间后返回的那两个用户比那些根本没有转化的用户更有价值。使用较窄的归因模型，广告系列将不会收到有关这两个目标转化的数据。但这两个转化可能正是加速学习所需的。

错误五、不断改变广告系列设置

 经常更改广告系列设置并不是一个好主意。设置的频繁变化是有害的，因为它们会引发系统内一系列的重新学习或战略适应。有些人每小时更新一次统计数据，看看广告系列发生了什么变化，如果没有任何变化，他们会再次更改设置。这不是一个好办法。系统需要时间来学习并开始尽可能高效地工作。不断调整会妨碍这一点。

经常更改设置的结果

只有基于大量数据才能做出是否需要更改设置的明智决定。如果您只收到 1~3 次转化/购买，现在下结论还为时过早，让广告系列继续训练。更改设置的决定需要经过数十或数百次转化才能做出（这取决于业务的规模和营业额）。

不是错误，而是疏忽：在有机会时没有针对线下转化进行优化

我们将单独解决这个问题，因为这不是技术错误，而是战略性错误。线下转化是最有价值的转化类型。通常，这是漏斗的最终目标。借助线下转化数据，算法可以更全面地了解哪些用户采取了行动，并将其带到了渠道的末端。因此，这是训练战略的最高质量数据。

如果 Yandex Metrica 没有线下转化数据，算法不会将线下转化的用户视为目标受众。这意味着在训练期间系统不会向该受众群体投放广告。因此，您获得的高质量转化次数将低于您所能获得的。

—— 那如何设置这些线下转化呢？

 我们将在特别项目的下一篇文章中为您介绍，请继续关注。