La fase de aprendizaje, y por qué esperar
Mientras un conjunto de anuncios aprende, sus números no significan nada. Aprende a detectarla y dejarás de matar campañas que funcionaban.
Qué pasa durante el aprendizaje
Cuando un conjunto arranca, el algoritmo aún no sabe a quién mostrar tu anuncio. Explora: prueba perfiles, horarios y ubicaciones, y observa qué genera el evento que optimizas. Esa exploración es cara, y los resultados suben y bajan.
La fase termina cuando el conjunto ha reunido suficientes eventos para que el modelo se estabilice. Hasta entonces, un buen día no es una prueba, y uno malo tampoco.
Qué la reinicia
Cualquier cambio grande pone el contador a cero: un público nuevo, un evento de optimización nuevo, un cambio brusco de presupuesto o cambiar todas las creatividades a la vez.
Es la espiral más habitual. Parece demasiado caro, así que cambias algo. El aprendizaje se reinicia, los costes suben, así que vuelves a cambiar algo. El conjunto nunca sale de su fase inestable, y concluyes que Meta «no funciona».
Rompe la espiral
Ponte una regla antes de lanzar: durante X días, no toco nada. Escríbela. Cuando te entren ganas de retocar (y te entrarán), sabrás que la decisión ya se tomó con la cabeza fría.
Si de verdad tienes que intervenir, cambia el anuncio, que altera menos, en lugar del público o el presupuesto. Y cambia una sola cosa cada vez, o no sabrás qué causó el efecto.
Cuando un conjunto nunca termina de aprender
Si un conjunto sigue atascado en aprendizaje semana tras semana, casi siempre le falta volumen: el presupuesto es demasiado bajo, está repartido entre demasiados conjuntos o el evento de optimización es demasiado escaso.
Esperar más no lo arreglará. Consolida: menos conjuntos, más presupuesto en cada uno y, si hace falta, un evento de optimización más frecuente para alimentar el modelo.