A fase de aprendizado, e por que você deve esperar
Enquanto um conjunto de anúncios aprende, os números dele não querem dizer nada. Saiba reconhecê-la e pare de matar campanhas que estavam funcionando.
O que acontece durante o aprendizado
Quando um conjunto começa a rodar, o algoritmo ainda não sabe para quem mostrar seu anúncio. Ele explora: testa perfis, horários e posicionamentos, e observa o que gera o evento que você está otimizando. Essa exploração é cara, e os resultados sobem e descem.
A fase termina quando o conjunto reúne eventos suficientes para o modelo se estabilizar. Até lá, um dia bom não é prova, e um dia ruim também não.
O que a reinicia
Qualquer grande alteração zera o contador: um público novo, um evento de otimização novo, uma mudança brusca de orçamento, ou trocar todos os criativos de uma vez.
É a espiral descendente mais comum. Parece caro demais, então você muda alguma coisa. O aprendizado recomeça, os custos sobem, então você muda de novo. O conjunto nunca sai da fase instável, e você conclui que a Meta «não funciona».
Quebre a espiral
Defina uma regra antes de lançar: durante X dias, não mexo em nada. Escreva. Quando bater a vontade de ajustar (e vai bater), você vai saber que a decisão já foi tomada de cabeça fria.
Se você realmente precisar intervir, mexa no anúncio, que atrapalha menos, em vez do público ou do orçamento. E mude uma coisa de cada vez, senão você não vai saber o que causou o efeito.
Quando um conjunto nunca termina de aprender
Se um conjunto continua preso no aprendizado semana após semana, quase sempre falta volume: o orçamento está baixo demais, dividido entre conjuntos demais, ou o evento de otimização é raro demais.
Esperar mais não resolve. Consolide: menos conjuntos, mais orçamento em cada um e, se for preciso, um evento de otimização mais frequente para alimentar o modelo.