Hoe maak je slim gebruik van machine learning op Facebook?

Het algoritme oftewel het machine learning-systeem van Facebook combineert verschillende data en signalen om te voorspellen welke persoon het meest relevant is voor een merk en de bijbehorende campagnedoelstelling. Veel adverteerders hebben een verouderde Facebook-strategie, waardoor het algoritme te veel restricties krijgt. Hoe profiteer je wél van machine learning op Facebook?

Ieder merk heeft andere klanten, met andere voorkeuren en gedrag. Om de juiste strategie toe te passen, is het essentieel om de klant te begrijpen. Natuurlijk kun je input verzamelen vanuit websitedata of andere bronnen en daarmee de campagnes klein en specifiek inrichten, maar daarmee zul je niet de strijd winnen van het Facebook-algoritme.

“Wat zijn de juiste stappen om je strategie aan te passen op het Facebook-algoritme?”

Vorige maand vond het Facebook Accelerate-event plaats. Tijdens dit tweedaagse event kwam het thema machine learning veel aan bod. Handig, want in de afgelopen maanden werkte ik met diverse campagnestrategieën, aangepast om meer te werken met machine learning. Deze aanpassingen resulteerden in een verdubbeling van het conversiepercentage en forse afname in de Cost per Acquisition (CPA). Wat zijn de juiste stappen om je strategie aan te passen op het Facebook-algoritme, oftewel machine learning?

Slimme tracking

De Facebook-pixel is een belangrijke databron voor machine learning. Door middel van de pixel-implementatie worden alle website bezoekers verzameld en worden de acties die zij uitvoeren op de website ook gevolgd. Hierbij is het belangrijk dat alle relevante acties worden afgevuurd, zoals gestarte betaling en aankoop. Genereer je te weinig aankopen, dan kun je altijd nog bijsturen op een soft conversie. Hoe meer dataconversie, hoe beter het algoritme zichzelf kan bijsturen op basis van je campagnedoel.

Om een completer beeld te krijgen van de klant is het koppelen van offline conversies een goede toevoeging. Offline conversies zijn bijvoorbeeld de aankopen in fysieke winkels. Een aantal voordelen van het koppelen van deze offline data zijn:

• Effect van de campagnes doormeten in de fysieke winkelen
• Offline conversies opvangen in een doelgroep
• Campagnes activeren voor het stimuleren van offline conversies

Daarnaast kan Advanced matching aangezet worden binnen de Facebook-pixel. Advanced matching zorgt ervoor dat er automatisch meer (conversie)data kan worden afgevangen van de websitebezoeker, met als resultaat dat er meer personen gematcht kunnen worden binnen Facebook. Dit kan van belang zijn bij attributie, het vergroten van de remarketing-doelgroep en de prestaties van de campagne. Alle data die de pixel verzameld, wordt gehasht zodat de data niet te herleiden is tot een persoon en daarmee voldoet aan de AVG-wetgeving.

Doelgroepenstrategie

Een aantal jaar geleden was het normaal dat de doelgroepenstrategie bestond uit vele kleine, specifieke doelgroepen. Door de doelgroep zo specifiek mogelijk te maken, zou je het meest relevant zijn voor de doelgroep en daarmee de beste resultaten halen.

“Om machine learning het best te laten werken, steek je doelgroepen breed in”

Anno 2019 werkt het Facebook-algoritme heel anders en is dit juist de strategie waardoor campagnes falen. Om machine learning in zijn kracht te zetten, moet er ruimte worden gecreëerd, daarom is het advies om de doelgroepen breed in te steken. De ideale doelgroepgrootte ligt tussen de vijfhonderdduizend en een miljoen personen. Het algoritme kan binnen een grote groep namelijk beter voorspellen welke personen wél converteren en welke niet. Doordat de doelgroep groter is, kan het systeem meer signalen verzamelen en een specifieke prognose maken.

Bij het formuleren van de lookalikes is de grootte van de doelgroep belangrijk, maar ook welke bron door de doelgroep gebruikt wordt. Zijn offline aankopen het doel? Probeer dan de bron van de doelgroep te specificeren naar offline aankopen in plaats van aankopen in het algemeen en maak hier een grote lookalike van. Kijkend naar de ideale doelgroepgrootte, kom je daarmee uit op 5 procent voor Nederland.

In een aantal situaties blijft het handig om de doelgroep op te splitsen, bijvoorbeeld bij gepersonaliseerde content of wanneer de data opgesplitst moet worden voor een doelgroepanalyse. Hierbij is het dus belangrijk om te bedenken: is de opsplitsing noodzakelijk?

Automatische plaatsing: ja of nee?

In de afgelopen twee jaar probeerde Facebook de automatische plaatsingen enorm te promoten. Door de ontwikkeling die het algoritme heeft gemaakt, is het een logische stap om het systeem ook binnen de plaatsingen alle ruimte te geven.

“Er zijn merken die liever niet worden uitgeleverd op bepaalde plaatsingen en platformen”

Uiteraard zijn er merken die liever niet worden uitgeleverd op bepaalde plaatsingen en platformen. Vooral voor organisaties die wettelijk niet onder de 18 jaar mogen targeten, is het essentieel dat automatische plaatsingen niet aangezet worden – het audience network is in dat geval een te groot risico. Maar indien er geen urgente of wettelijke restrictie is, wordt er geadviseerd om automatische plaatsingen aan te zetten. Selecteer je automatische plaatsingen, optimaliseer de content dan per plaatsing. Sinds kort kan er namelijk binnen één advertentie verschillende content worden toegevoegd, zodat er bijvoorbeeld op Instagram Stories een verticaal formaat wordt uitgeleverd en op het Facebook-nieuwsoverzicht een vierkant formaat.

Verdere optimalisatie

Om het meeste uit de campagnes te halen, is het van belang om genoeg data te verzamelen binnen de campagne. Wanneer er een campagne geactiveerd wordt, begint het systeem in een leerfase. Het systeem moet genoeg data ontvangen om uit de leerfase te komen en zo optimaal te kunnen presteren. De data die verzameld dient te worden, is afhankelijk van het conversiedoel. De eis is dat er 50 conversies per doelgroep per week verzameld worden, dit kunnen leads of aankopen of een andere relevante conversie voor jouw bedrijf zijn.

Als het doel is om verkopen te genereren, dan moeten er 50 conversies per doelgroep per week worden gemeten om genoeg te weten te komen over de doelgroep. Hierdoor wordt bijvoorbeeld bepaald aan wie er wordt uitgeleverd, wanneer, welke plaatsing en met welke advertentie. Indien er tien doelgroepen staan, kan het dus lastig worden om voor iedere doelgroep vijftig conversies te verzamelen in een week. Merk je bijvoorbeeld dat je niet aan die vijftig conversiepunten komt per week, dan zijn er twee opties. Het budget vergroten óf een ander conversiepunt kiezen hoger in de funnel, bijvoorbeeld een soft conversie zoals ‘aan winkelmand toegevoegd’.

Dagbudgetten

Om genoeg data te verzamelen binnen de campagnes, speelt budget een grote rol. Door lage dagbudgetten is het volume aan data ook lager, wat betekent dat het langer zal duren voordat de campagne uit de leerfase komt, of helemaal niet uit die fase komt. Daarom is het niet heel gek dat Facebook vaak adviseert om meer uit te geven.

“Niet heel gek dat Facebook vaak adviseert om meer uit te geven”

What’s next?

Machine learning is er om je te helpen het beste resultaat uit je campagnes te halen, dus maak daar ook goed gebruik van. Door een platform zoals Facebook een constante stroom van data te laten verzamelen en de juiste conversies in te stellen, kun je je advertenties optimaliseren en de juiste mensen bereiken.

Mijn advies is om in ieder geval de eerder genoemde punten te verwerken en al spelenderwijs op zoek te gaan naar het beste budget waardoor er vijftig conversiepunten door iedere doelgroep per week worden gerealiseerd. Als het platform zichzelf bewijst, is het een logische vervolgstap om als adverteerder meer te gaan investeren in het platform.