/* gtm-popup close button*/ Skip to main content

6 strategie per sfruttare al meglio il Machine Learning di Facebook Ads

By Gennaio 2, 2021Gennaio 4th, 2021Advertising

Grazie all’evoluzione degli algoritmi di machine learning (ML), la targetizzazione degli utenti in Facebook Ads e famiglia (Facebook, Instagram, Messenger e WhatsApp) non è mai stata così precisa ed efficace.

 Il machine learning è un sistema che apprende e si sviluppa nel momento in cui riceve nuovi dati, senza essere esplicitamente programmato, per svolgere compiti complessi in modo rapido ed efficiente.

In questo articolo cerchiamo di capire meglio cos’è l’apprendimento automatico, come lo utilizza Facebook per la diffusione degli annunci e quali sono le 6 strategie principali che abbiamo sfruttato durante questo ultimo anno.

Come utilizza Facebook il ML?

Facebook utilizza il machine learning per generare il tasso di azione stimato e il punteggio di qualità dell’annuncio utilizzato nell’equazione del punteggio del valore totale dell’annuncio all’asta.

Cosa significa? Per trovare il tasso di azione stimato, i modelli di machine learning di Facebook prevedono la probabilità che una particolare persona intraprenda l’azione desiderata dall’inserzionista, in base all’obiettivo di business che l’inserzionista seleziona per il suo annuncio, come ad esempio aumentare le visite al suo sito web o portare nuovi acquisti.
Per fare questo, i modelli di machine learning considerano il comportamento di quell’utente su Facebook, insieme ad altri fattori, come il contenuto dell’annuncio, l’ora del giorno e le interazioni tra le persone e gli annunci (fonte).

Per generare il punteggio di qualità di un annuncio, i modelli di Facebook prendono in considerazione il feedback delle persone che visualizzano o nascondono l’annuncio, così come le valutazioni di attributi di bassa qualità (omissione di informazioni, linguaggio sensazionalistico, engagement bait, ecc).
L’offerta dell’inserzionista, il tasso di azione stimato e il punteggio di qualità dell’annuncio sono combinati insieme per calcolare il punteggio del valore totale dell’annuncio all’asta.

Come affidarsi al Machine Learning di Facebook

Per alimentare gli algoritmi ML di Facebook è di fondamentale importanza un corretto setup del Pixel, con un tracciamento accurato sia degli eventi di conversione che degli eventi intermedi, come add to cart, view content, scroll o initiate checkout.

Un tracciamento efficace garantirà, nel tempo, un migliore apprendimento degli algoritmi, una conseguente ottimizzazione delle campagne e massimizzazione dei risultati ottenuti tramite la piattaforma. Nel frattempo è possibile adottare diverse strategie di ottimizzazione, nei prossimi paragrafi trovate le mie 6 preferite.

Campagne Always On e Social Funnel

Parti da una strategia e dal classico funnel di marketing per creare una struttura di base delle tue campagne pubblicitarie su Facebook.

In base al tuo modello di business, ricordati sempre di definire delle campagne di prospecting, ossia campagne destinate ad un pubblico freddo che ancora non conosce il tuo brand e delle campagne di considerazione per avvicinare il tuo pubblico all’azione e delle campagne di remarketing che lavorano nella parte bassa del funnel per un pubblico che è già entrato in contatto con il brand.

In questa fase è importante andare a suddividere il tuo budget considerando il posizionamento attuale del tuo brand, ma anche altri fattori come la stagionalità ed altre esigenze commerciali. 

Per darti un suggerimento generale, parti con: 

  • una distribuzione del 60/90% del budget destinato alla fase di Prospecting dove puoi prediligere audience broad, per interessi o ampi lookalike 
  • una distribuzione del 10/40% del budget destinato alla fase di remarketing che utilizza segmenti di pubblici personalizzati

Questo ti permetterà di:

  • separare in diverse fasi l’avvicinamento al brand tramite diverse campagne, senza mischiare il pubblico freddo e caldo insieme, differenziando quindi i messaggi e di conseguenza l’efficacia della comunicazione
  • sfruttare il ML con campagne evergreen che ti permetteranno una maggiore stabilità e scalabilità
  • campagne always on: più le campagne restano attive, più si ottimizzano, prima riescono ad uscire dalla fase di apprendimento
  • astenersi da frequenti modifiche delle campagne, soprattutto all’inizio, per dare il tempo agli algoritmi di elaborare i dati ricevuti e a te di valutare il rendimento di ogni strategia

Meno campagne, più strategia: struttura l’account nel modo più snello possibile

Less is more per i nostri account pubblicitari Facebook, infatti ridurre al minimo la quantità di campagne attive aiuta i modelli di ML ad apprendere meglio e più velocemente. 

Questo perché ogni campagna avrà più budget a disposizione e quindi ha più possibilità di generare dati ed eventi di conversione necessari per uscire dalla fase di apprendimento. 

Più semplici sono gli obiettivi e i segnali, minore è il controllo di cui si ha bisogno e maggiore è l’apprendimento automatico che possiamo ottenere; solo in questo modo, infatti, informeremo il sistema con quelli che sono i nostri obiettivi e lo lasciamo libero di trovare l’approccio ottimale.

Al contrario, più i segnali e gli vostri obiettivi sono complessi più è difficile comunicare gli obiettivi al sistema, maggiore è il controllo di cui si ha bisogno e minore è la liquidità che possiamo ottenere.

Quindi, è bene dividere le campagne esclusivamente per obiettivo e non per messaggio da veicolare: per questo ti basterà aggiornare le inserzioni all’interno di ogni singolo gruppo di inserzioni in occasione di offerte speciali, stagionalità o quando il CTR degli annunci sta diminuendo.

 

Posizionamenti automatici e controllo sulle piattaforme di Facebook

Un posizionamento è il luogo in cui un annuncio può essere distribuito, esempio Facebook News Feed, Audience Network o Instagram Stories.

Utilizzare i posizionamenti automatici nelle campagne sponsorizzate permette di essere presenti su tutte le piattaforme Facebook disponibili e di dare quindi l’opportunità al sistema di testare tutti gli spazi disponibili.

In pratica

Per valutare l’efficacia dei diversi collocamenti ed eventualmente decidere di ­passare ai posizionamenti manuali puoi andare su Dettagli: Piattaforma e dispositivo

E successivamente su Dettagli: Piattaforma e dispositivo > In base alla pubblicazione > Piattaforma e dispositivo

Ricorda

Se utilizzi la liquidità di posizionamento, ricordati di avere a disposizione tutti i formati richiesti da Facebook per coprire i diversi posizionamenti con la creatività. Inoltre, non dimenticarti di sfruttare tutte le creatività messe a disposizione da Facebook: integra i caroselli, le raccolte, i video e le creatività dinamiche.

Usa tecniche come Betatyping per individuare le creatività migliori per la tua audience

Betatyping è un framework creativo e di misurazione per fornire agli inserzionisti la possibilità di rispondere alle domande sugli elementi costitutivi di una campagna, attingendo direttamente dal pubblico di Facebook (fonte).

Gli elementi principali di Betatyping sono:

  • Chiedi: elabora le ipotesi in base a ciò che stai cercando di apprendere e i parametri di misurazione dei risultati che determineranno il successo.
  • Crea: progetta l’esperimento (usando il test A/B o il test preliminare del brand lift) e le risorse creative in base alla tua ipotesi.
  • Apprendimento: analizza i risultati e gli approfondimenti dell’esperimento in base ai KPI primari e alla diagnostica secondaria. 
  • Adatta: Determina le implementazioni successive e future di quanto appreso a livello strategico e creativo.

CBO con controllo

L’ottimizzazione del budget della campagna Facebook (CBO) al massimo della sua automatizzazione funziona trovando le opportunità di costo più basse per raggiungere l’obiettivo dichiarato in tutti i set di annunci all’interno di una campagna.

Questo permette di spostare automaticamente e continuamente il budget sui set di annunci più preziosi, invece di dover definire il budget a livello di set di annunci e spostare manualmente la spesa.

Il budget giornaliero a livello di campagna CBO si traduce quindi in aumento del valore dell’inserzionista in quanto il sistema trova maggiori o migliori opportunità di mostrare l’annuncio per lo stesso costo, risparmiando tempo.

In questo modo potrai testare più pubblici nella stessa campagna, lasciando ai i sistemi di machine learning la necessità di spostare manualmente il budget tra i set di annunci.

Cose da tenere a mente per le audience CBO:

  1. Soprattutto nelle campagne di prospecting, evita pubblici troppo piccoli. Suddividi i gruppi di inserzioni per tipologia di pubblico, per esempio se devi targetizzare gli utenti sulla base dei loro interessi e comportamenti, inseriscili tutti in un unico gruppo di inserzioni.
    Ad esempio, se il budget è liquido ma tutti i gruppi di inserzioni all’interno della campagna sono limitati a un pubblico ristretto, le opportunità di dare spazio agli annunci è limitato a questo piccolo pool, anche se il budget può fluire tra i diversi gruppi di inserzioni.
    Il risultato in questo caso tende ad essere l’aumento dei costi per risultato, in quanto la riduzione del pool di opportunità disponibili limita la capacità del sistema di trovare quelle più efficienti.
  2. Tra i diversi pubblici di CBO cerca di avere delle audience coerenti con l’obiettivo e la creatività della campagna, tentando di non avere una copertura troppo sproporzionata tra le diverse audience.
  3. Evitare di segmentare troppo a fondo: evita la creazione di un gruppo di inserzioni per ogni fascia d’età, sesso, interesse, ecc che si intendono targettizzare a meno che non vi sia la reale necessità.
  4. Evita la sovrapposizione tra i diversi pubblici: aiutati con le esclusioni tra le diverse audience
  5. Aiutati con i limiti di budget (min e max) nei gruppi di inserzioni per indirizzare il budget della CBO su un’audience particolare, senza strozzare troppo l’algoritmo.
  1. Aiutati con le offerte per esprimere diverse valutazioni di opportunità all’interno di una campagna utilizzando quindi i limiti di offerta o limiti di costo. I limiti di offerta stabiliscono l’importo massimo che sei disposto a pagare per una conversione, mentre i limiti di costo stabiliscono il costo medio massimo desiderato per ogni risultato. Questi limiti sono stabiliti a livello di gruppi di inserzioni e trasmettono all’asta il valore dei risultati di ogni set di annunci.

Buyer personas affidabili

L’individuazione delle Buyer Personas si basa sull’analisi dei dati, quindi utilizzando strumenti come Facebook Audience Insights, Facebook Analytics, Google Analytics e altri tool che ti aiutano ad individuare età, sesso, dati demografici, interessi e comportamenti del target obiettivo.

Perché è importante? Perché solo così riusciamo lavorare bene con i criteri di targeting di Facebook, mettendo insieme una buona base dati dalla quale sarà possibile utilizzare i famosi Lookalike, pubblici che riescono ad avere buone prestazioni solamente quando hai a disposizione una buona quantità di dati, i quali devono essere precisi e differenziati.

Veicolare il giusto contenuto al tuo target e nel momento giusto ora è più semplice, tutto sta nel permettere a Facebook di ricevere dati a sufficienza per apprendere.

Queste sono le mie 6 strategie preferite per sfruttare il ML di Facebook! Quali sono le tue?
Lascia un commento e…buone campagne.

Leave a Reply

Leave a Reply