为获得精准投放的必要数据，Facebook必须向不同类型的用户投放广告，以此了解哪些人群最可能执行我们的优化事件 ，这就是Facebook广告背后的竞价机制——“机器学习”。
Facebook机器学习是什么？
Facebook的机器学习阶段是投放系统优化广告效果的方式。
每次展示广告时，学习阶段都会了解有关向哪些受众和哪些地区的受众展示广告的更多信息。它收集的数据越多，就能更好地了解什么样的内容更有效果。
在学习阶段，Facebook仍在寻找方法，以更好地投放你的广告组，因此效果不稳定，CPA的表现通常更差。当你创建新广告或广告组或对现有广告组或广告组进行重大修改时，广告就会进入学习阶段。
机器学习是人工智能的实践和应用，具体是通过大数据来训练算法和数据模型，从而更加准确地对新的（未知）数据及指令作出预测和判断。
那么，数据哪里来呢？
首先，对于Facebook，每天有上亿的用户自发地生成各种数据（UGC）：照片、影片、语音、文字、社交互动等等。
除此之外，Facebook还可以通过你浏览器的cookie来追踪你在互联网上的一切行为。
Facebook广告的机器学习是如何运转的呢？
Facebook ad算法是预测性算法（PredictiveAlgorithm）。
简单来说，机器学习的算法通过“学习”广告投放得到的反馈（历史数据），对新的广告投放效果进行预测。
机器学习算法的两大类别：回归算法（Regression）和分类算法（classification）。
回归算法的结果是一些连续的值，比如一元二次方程里的一条直线，任意一个横坐标的X值，都可以找到一个对应的Y值。
而分类算法的输出结果并不是连续的，而更像是一段又一段的区间。
例如：通过分析，分类算法会告诉你，“Yes”还是“No”。
但是回归算法会告诉你“只有68.59%的可能性会买，也有31.41%的可能性不会买”。
如何让Facebook广告机器学习快速到达这个完美的拟合曲线点？
就需要准备就需要大量的数据，这时候就需要我们Facebook投手出马了！
当我们开始投放广告时，Facebook最初基本是处于盲投的状态，它凭借自己的直觉投放给一些可能对我们的产品感兴趣的受众，
一旦某个用户有了相应的反馈，比如给广告点赞、或者点击了购买链接，Facebook会将该用户的数据收集入你的数据库里。
这时候很有可能会有小伙伴说：你尽说废话，谁不知道数据积累的多，广告就更精准，但老板等不及啊！
如果你老板知道Facebook广告这些算法的话，他可能会改变自己的看法？
在Facebook通过自己早期选择受众得到一个小的模型之后，算法会尝试着寻找和这些用户有相似特性的其他用户、并且推送相同的广告来反复确认自己的判断。
如果结果不符合预期，算法就会调整策略，比如调整某个特性的权重。
在这个调整的过程中，有可能会影响到广告主的决策。
比如你的目标受众可能是喜欢踢足球的男生，但是你一开始并没有对兴趣做任何的限制，而Facebook根据它已有的数据可能就“猜测”爱玩儿游戏的受众比较理想。
结果跑了几天，广告效果很差，没有耐心的人有可能就此打住，终止广告。但其实你再坚持一下，广告就可以“看到明天的太阳了”。
因为随机性，导致决策的变化，从而影响整个数字营销的效果。
Facebook广告投放时，如何加快广告学习阶段？
首先，我们需要避免在广告投放初期进行更改，重置学习阶段。其次要为Facebook Ads提供尽可能多的数据，以便你可以尽快获得50次转化。
以下是加快广告学习进度的方法：
1. Facebook广告账户预算设置：
- 预算设置足够，不要太少；
- 你的预期每次转化费用是多少？如果你希望为每次转化支付2美元，请确保你已预先分配了足够的预算，能够负担的起至少50次转化；
2. Facebook广告组及广告设置：
- 选择正确的广告优化事件；
- 合并类似的广告组和广告系列，确保每个广告都有机会收集数据；
- 可以进行测试，但不要制作过多的广告；
- 如果你的广告出现此黄色警告，则说明初始学习阶段以完成，但你的广告组生成的结果不足以完全退出学习阶段；
- 考虑更改广告组以提高效果。当广告受到受众群体规模、成本控制、预算或其他设置的限制时，通常会发生Learning Limited的情况；
3. Facebook广告账户其他设置：
- 如果你的事件触发得不够频繁，无法完成学习阶段，请尝试针对更常见的事件进行优化。例如，如果要获得销量，请尝试针对“添加到购物车”进行优化；
- 注意Learning Limited提示；
- 尝试通过放宽规则（日期范围、排除对象），从而吸引更多的网站总体流量。
数据不会说谎，但是片面的数据，会误导我们的判断能力。
因此，各位投手可以把这篇内容转给你不是很懂广告，只想要ROI的老板看一下，或许能够让你得到救赎。
