Machine Learning i Facebook
I dette blogindlæg vil jeg komme ind på hvordan Facebooks algoritmer og machine learning virker, hvordan Facebook bruger data til at finde kvalificerede målgrupper samt hvordan du kan bruge machine learning til at forbedre din Facebook Ads performance.
Machine Learning (ML) er ikke længere et begreb, som kun bliver brugt inden for softwareudvikling til at udfordre skakspillere, som IBM gjorde det tilbage i 90’erne. Machine Learning er i dag et aktivt værktøj, vi I KYNETIC bruger til at forbedre vores kunders annoncering på fx. Facebook.
Machine learning, eller maskinlæring, er en sub-gren under kunstig intelligens (AI), der giver en computer evnen til at lære, uden at den får dikteret præcist hvad den skal gøre.
Ved machine learning behandler computere en mængde data, lærer derfra, og bruger dataen til at tage en beslutning eller forudsige en adfærd. Eksempelvis som vi i dag ser det i Facebooks annonceringsplatform.
Embedded vs. Applied machine learning
Som Nordens første digitale marketing performance bureau, der har data og kunstig intelligens kodet direkte ind i vores DNA, har vi en dyb forståelse i hhv. Embedded og Applied AI/ML. Hvilket vi benytter til at øge vores kunders performance med annoncering.
Derfor, inden vi dykker nærmere ned i hvordan Facebook bruger machine learning, vil jeg gerne definere begreberne Embedded og Applied AI/ML:
Embedded AI/ML er algoritmer/ML, som er integreret dybt inde i platformene så som Google og Facebook.
Applied AI/ML er algoritmer/ML, som vi bruger vha. 3. parts platforme, og som kan hjælpe med at optimere vores annoncering ude i de forskellige platforme, vi bruger i vores digitale setup.
Applied AI/ML – import af viden til platforme
Vi bruger i KYNETIC mange forskellige platforme til at forbedre vores kunders performance inden for PPC, Paid Social, MA mv. Grunden til at jeg nævner ovenstående typer af AI/ML er, at du med høj sandsynlighed selv, vil stå over for en udfordring, som de større annonceringsplatforme ikke kan løse. Eller du ønsker endnu bedre afkast på din annoncering end du får med dit nuværende setup.
Hertil kan du tilknytte 3. parts platforme, eksempelvis APSIS, Raptor, IBM Watson m.fl. Den nye viden kan du derefter importere til dine annonceringsplatforme. Derved optimerer du din virksomheds performance, ved hjælp af applied AI/ML. Kontakt os hvis du har brug for sparring herom.
Hvordan bruger Facebook machine learning?
Tilbage til den embedded AI/ML i Facebook, som er fokus i dette indlæg.
Personliggørelse af en en brugers news feed både ift. content, forslag af nye venner, de virksomheder eller influencers man følger, annoncer, mv., er alt sammen nogle af de vigtigste og mest sofistikeret dele af Facebooks kerne-algoritmer.
Til at personliggøre alt dette bruger Facebook dette, simplificerede, framework:
Facebooks Framework forklaret:
1. Facebook bruger persondata
Facebook bruger persondata fra alle deres månedlige aktive brugere. Dette inkluderer både internt data (hvad brugeren synes godt om, kommentarer, mest sete video-kategorier, søgninger på Marketplace, demografiske og geografiske data mv.) og ekstern data.
Ekstern data inkluderer primært brugerens browserhistorik på nettet og eksempelvis hvilke produkter, brugeren har vist interesse for på webshops.
2. Dataen feedes til FBLearner Flow
Persondataen bliver feedet til FBLearner Flow. FBLearner Flow er navnet på Facebooks interne platform, der i sin tid blev bygget for nemt at kunne køre algoritmer, programmer og machine learning tests op mod hinanden. Mere end 25% af Facebooks ingeniører sidder dagligt i denne platform for at teste, forbedre og optimere dele af kerne-algoritmerne, som vi efterfølgende kan bruge bl.a. i vores annoncering.
3. FBLearner Flow benytter ML
FBLearner Flow simulerer herefter en række beslutningstræer ud fra denne data, og her kommer flere dele machine learning i spil.
4. Resultater giver nye personagrupper
Resultaterne fra disse beslutningstræer inddeler herefter x antal brugere i forskellige kategorier, og det er disse, vi kan bruge som målretninger i vores annonceringsframework – herunder, demografiske målretninger, interesser, look-a-like målgrupper mv.
5. De nye personagrupper målrettes
Matchende målgrupper fra FBLearner Flow kommer med i vores kampagnemålretning.
Boost din Facebook annoncering med Facebook Machine Learning
Du har nu en god forståelse for hvordan Facebooks algoritmer og machine learning virker, og udfordringen ligger nu i at transformere dette til bedre performance i vores annoncering.
Jeg vil nu gennemgå to helt kritiske dele, som du skal mestre for bedre performance:
1. Brug Facebooks algoritme ved hjælp af indlæringsfasen
Vi har indtil nu gennemgået hvad machine learning er samt hvordan FBLearner Flow fungerer. Skal vi tage denne viden i brug i vores annoncering, skal du bl.a. kende til Facebooks indlæringsfase.
Indlæringsfasen i Facebook Ads Manageren er en fase, der aktiveres hver gang du enten starter en ny kampagne, eller en fase, der genstartes, når du laver en større ændring i en allerede aktiv kampagne. En såkaldt ”større ændring” er ikke defineret af Facebook, men det inkluderer ændringer i bl.a. målretninger i dine ad sets, nye annoncer (eller ændringer i eksisterende) samt substantielle budgetændringer i dine kampagner (fx 10X). Mindre budgetændringer trigger ikke en ny indlæringsfase.
Indlæringsfasen indikerer hvornår din kampagne har fået nok konverteringer (min. 50) indenfor 7 dage, for at Facebooks machine learning kan optimere din kampagne vha. den indsamlede data.
Men hvorfor skal vi igennem en indlæringsfase?
Ønsker man som virksomhed at forbedre sin performance vha. Facebooks machine learning, kræver det minimum 50 konverteringer indenfor 7 dage – uanset konverteringen. Som vi gennemgik tidligere i FBLearner Flow, bruger Facebook både datapunkter fra interne samt eksterne kilder til at sammensætte og forudse en brugeradfærd.
Har Facebook derimod ikke nok datapunkter at sammenligne din målgruppe mod andre brugere, bliver målgruppen mindre kvalitativ, og derved forbliver din ads performance ikke skalerbar – det samme sker hvis din datakilde ikke er stor nok til at lave look-a-like målgrupper. Jeg anbefaler en datakilde på +5.000 personer til at lave look-a-like målgrupper ud fra, før din annoncering kan se markant performance forbedringer. Det er min erfaring at denne størrelse af datakilde, giver de bedste forudsætninger for bedre look-a-like målgrupper og giver i sidste ende bedre resultater.
For at give et eksempel på ovenstående påstand, kan du se eksemplet nedenfor. Her markerer den røde pil, at udviklingen af CPA efter indlæringsfasen, var nået på kun 2 dage.
Ovenstående CPA faldt fra 128 kr. til gns. 66 kr. for resten af kampagnens levetid, ved at få nok data i kampagnen. Jeres Facebook ads budget vil derfor også afspejle jeres ambitionsniveau. Har I en gns. CPA-target på 80 kr., skal jeres ugentlige ad spend derfor ligge på minimum 50 x CPA-target = 4.000 kr.
Igen, ovenstående estimat er et ugentligt minimum budget for at kunne gøre brug af Facebooks machine learning. Jeg anbefaler, at I i dette tilfælde starter på min. 6.000 kr., og herefter begynder at skalere indsatsen efter I er begyndt at se de første resultater.
2. Benyt det rigtige Facebook annonceringsframework
Udover at komme hurtigt ud af indlæringsfasen, skal dit annonceringsframework også være korrekt opsat. Der er flere frameworks, som virker til forskellige objektiver, men ét framework, som du skal mestre, er Facebooks Power 5. Et framework, som Facebook selv har kreeret få år tilbage, men som er begyndt at blive meget mere effektivt, hvis du formår at få nok data igennem dine kampagner.
Er Machine Learning noget for min virksomhed?
Machine learning er for alle ambitiøse virksomheder, der ønsker at løfte deres virksomhed med en skalerbar indsats. At gøre brug af FBLearner Flow er, som vist ovenfor, dog ikke altid nemt for mindre virksomheder, der ikke har ”stor” startkapital, eller virksomheder, der på nuværende tidspunkt ikke får 50 makro-konverteringer indenfor 7 dage igennem Facebook Ads.
Men som beskrevet ovenfor, kan en konvertering dække over flere handlinger. Sidder du med en ecommerce virksomhed, så behøver du ikke optimere dit ad set efter ”purchase”, men du kan istedet optimere efter mikro-konverteringer såsom ”add to cart” eller ”content view”, hvor du ofte vil se flere konverteringer. Når du derfra senere kan begynde at skalere jeres Facebook Ads setup, kan du optimere jeres kampagner efter makro-konverteringer så som ”purchase”. Jo mere præcis din optimering er, desto mere kvalitative data kan Facebook bruge til at finde nye potentielle kunder. Det vil altså sige, at FBLearner Flow bruger flere kvalitative datapunkter til at finde nye potentielle kunder, hvis du optimerer mod makro-konverteringer så som “purchase”
Er din situation at du lige er startet med Facebook annoncering, og har svært ved at få 50 makro-konverteringer indenfor 7 dage, vil jeg anbefale at optimere dine kampagner efter mikro-konverteringer, som stadig skaber værdi for din virksomhed.
Er du derimod i en ambitiøs mellemstor eller større virksomhed, der ønsker at skalere sin digitale marketing indsats vha. machine learning, data og kunstig intelligens, er du velkommen til at skrive til os for en uforpligtende snak.
Har du spørgsmål til ovenstående, så tøv ikke med at kontakte mig på mk@kynetic.dk eller på +45 30 23 24 04
