فیسبوک ادز مجموعه بسیار گسترده ای از ابزارها و روش های تارگتینگ را ارائه می دهد تا تبلیغ دهندگان بتوانند به دقیق ترین شکل ممکن به مخاطبان خود برسند. شما می توانید کاربران را بر اساس فاکتورهایی مثل سن، جنسیت، موقعیت جغرافیایی، علایق، رفتارها و حتی تعاملاتی که قبلا با محتوا داشته اند، گروه بندی کنید. با این حال همیشه مشخص نیست که متا چطور این ویژگی ها را برای هر کاربر تشخیص می دهد یا بر چه اساسی، افراد را در دسته های مختلف قرار می دهد. در این مطلب، قصد دارم توضیح بدهم که فیسبوک چگونه کاربران را در هر گروه طبقه بندی می کند و در کنار آن، تمام انواع روش های تارگتینگ در فیسبوک ادز را معرفی کنم تا بتوانید بهترین استراتژی را برای کمپین های خود انتخاب کنید.
‼️ اگر برای اجرای تبلیغات و استراتژی دیجیتال مارکتینگ به مشاوره نیاز دارید، با من تماس بگیرید ‼️
تغییر بزرگ: عبور از تارگتینگ مبتنی بر سگمنت به تارگتینگ مبتنی بر سیگنال
در سال های گذشته، سوال اصلی تبلیغ دهندگان این بود که «به چه کسانی باید تبلیغ را نشان بدهم؟». اما در سال ۲۰۲۵ مدل تارگتینگ تغییر کرده و سوال مهم تر این است که «چه سیگنال هایی در اختیار الگوریتم متا قرار دهم تا بهتر یاد بگیرد؟».
اینجا است که نقش طراحی اطلاعات اهمیت پیدا می کند. وظیفه شما فقط انتخاب گروه های مخاطب نیست، بلکه باید داده هایی با کیفیت بالا وارد سیستم کنید تا الگوریتم بتواند الگوها را دقیق تر تشخیص دهد. در حقیقت، موثرترین انواع روش های تارگتینگ در فیسبوک ادز دیگر به تارگتینگ دستی وابسته نیستند، بلکه بر پایه سیگنال های رفتاری و عملکردی ساخته می شوند.
سیگنال هایی که بیشترین تاثیر را در عملکرد تارگتینگ متا دارند عبارت اند از:
- بازدیدکنندگان سایت که در طول زمان ردیابی شده اند
- کاربرانی که ویدئوهای شما را مشاهده کرده اند
- لیست های CRM یا ایمیل با برچسب ارزش مشتری
- کاربران درگیر شده با فیسبوک و اینستاگرام
- رویدادهای سمت سرور از طریق پیکسل و Conversions API
این سیگنال ها ستون اصلی تارگتینگ متا در سال ۲۰۲۵ هستند. آنها به سیستم کمک می کنند الگوهای رفتاری را تشخیص دهد، دامنه مخاطبان را هوشمندانه گسترش دهد و بدون نیاز به تنظیمات متعدد، کمپین را مقیاس پذیر کند.
مدل قدیمی تارگتینگ:
- ایجاد ۱۰ تا ۱۵ ادست بر اساس سن، جنسیت، علایق و رفتارها
- استفاده از فیلترهای پیچیده و حذف های دستی
- ریست شدن فاز یادگیری با هر تغییر کوچک در کمپین
مدل جدید تارگتینگ در ۲۰۲۵:
- تمرکز روی یک یا دو ادست اصلی
- استفاده از تارگتینگ گسترده با لایه هایی از آدینس های سفارشی مثل بازدیدکنندگان و Engagers
- واگذاری بخش عمده بهینه سازی به الگوریتم متا بر اساس سیگنال های عملکردی و ساختار کمپین
در این مدل، به جای اینکه بخواهید دسترسی سیستم را محدود کنید، تمرکز روی کیفیت داده ها است. هرچه سیگنال های دقیق تر، پایدارتر و مرتبط تری وارد الگوریتم شود، تارگتینگ هوشمندتر عمل می کند و کمپین ها با هزینه کمتر و مقیاس پذیری بیشتر رشد می کنند.
این تغییر دیدگاه باعث می شود متا بتواند از ظرفیت کامل یادگیری ماشین خود استفاده کند و شما نیز از انواع روش های تارگتینگ در فیسبوک ادز بهترین نتیجه را دریافت کنید؛ بدون اینکه مجبور باشید هر هفته چندین تارگت جدید بسازید یا تنظیمات پیچیده را مدیریت کنید.
انواع روش های تارگتینگ در فیسبوک ادز
به طور کلی، روشهای تارگت کردن مخاطبان در فیسبوک را می توان در سه دسته اصلی قرار داد. هر کدام از این دسته ها از داده های متفاوتی استفاده می کنند و می توانند تاثیر قابل توجهی بر عملکرد کمپین های شما داشته باشند. در ادامه، این دسته بندی ها و نحوه استفاده از هر کدام را بررسی می کنیم.
گزینه های Detailed Targeting در فیسبوک
جزئی ترین و دقیق ترین ابزارهایی که برای تارگتینگ در اختیار تبلیغ دهندگان قرار می گیرد، در بخش Detailed Targeting قرار دارد. این قسمت شامل چهار نوع اصلی از روشهای تارگت کردن مخاطبان در فیسبوک است که هر کدام نکات و محدودیت های خاص خود را دارند.
تارگتینگ بر اساس سن و جنسیت
اولین لایه از انواع روش های تارگتینگ در فیسبوک ادز، هدف گذاری بر اساس سن و جنسیت است. این گزینه ها جزو پایه ای ترین تنظیمات دموگرافیک به حساب می آیند. شما می توانید کاربران را بر اساس سن آنها و همچنین جنسیت (زن، مرد یا همه کاربران) هدف بگیرید.
منبع این داده ها اطلاعاتی است که کاربران هنگام ساخت حساب کاربری وارد می کنند. بنابراین هیچ پردازش پیچیده ای پشت این داده ها وجود ندارد، اما باید توجه داشت که فیسبوک صحت این اطلاعات را بررسی نمی کند. ممکن است برخی افراد سن خود را کمی دستکاری کنند، اما به طور کلی این داده ها قابل اعتماد هستند.
تارگتینگ دموگرافیک پیشرفته
اگرچه سن و جنسیت خود بخشی از داده های دموگرافیک هستند، اما فیسبوک در بخش Detailed Targeting امکان هدف گذاری دقیق تری را نیز فراهم کرده است. اگر گزینه Browse را انتخاب کنید، سه دسته اصلی شامل Demographics، Interests و Behaviors نمایش داده می شود. در این بخش، روی Demographics تمرکز می کنیم.
در این قسمت می توانید کاربران را بر اساس ویژگی های مختلف مانند سطح تحصیلات، وضعیت والدین، شغل، وضعیت تاهل و ده ها گزینه دیگر هدف قرار دهید.
بخشی از این اطلاعات توسط خود کاربران در پروفایل وارد می شود. اما قسمت مهمی از داده ها نیز توسط سیستم فیسبوک تفسیر می شود. فیسبوک بر اساس تبلیغاتی که کاربر روی آنها کلیک کرده، صفحاتی که دنبال کرده، محتوایی که با آن درگیر شده و حتی نوع دستگاه و سرعت اینترنت او، سیگنال هایی برای دسته بندی دموگرافیک ایجاد می کند.
در برخی بخش ها داده ها بسیار دقیق هستند، اما در بعضی موارد گزینه های موجود محدودترند. برای مثال، در دسته Financial تنها داده های میانگین درآمد مناطق مختلف در ایالات متحده در دسترس است. این یعنی هدف گذاری بر اساس داده های تجمیعی و نه اطلاعات مربوط به هر فرد.
تارگتینگ بر اساس علایق (Interests)
پس از دموگرافیک، یکی از مهم ترین بخش ها در انواع روش های تارگتینگ در فیسبوک ادز، هدف گذاری بر اساس علایق است. سیستم فیسبوک علاقه مندی های کاربران را بر اساس محتوایی که قبلا لایک کرده اند، صفحاتی که دنبال کرده اند، رویدادهایی که در آنها شرکت داشته اند و سایر تعاملات آنها تشخیص می دهد.
در بخش Interests موضوعات بسیار گسترده ای وجود دارد و هر کدام شامل زیرمجموعه های بیشتری هستند. شما می توانید از طریق جستجو نیز به نتایج دقیق تری برسید. برای مثال اگر کلمه Hiking را جستجو کنید، مجموعه ای از علایق مرتبط با این موضوع نمایش داده می شود؛ حتی مواردی که در لیست اصلی دسته بندی ها دیده نمی شوند.
تارگتینگ بر اساس رفتار کاربران (Behaviors)
Behaviors بخش دیگری از Detailed Targeting است که به شما اجازه می دهد کاربران را بر اساس رفتارهای واقعی یا احتمالی آنها هدف قرار دهید. این رفتارها شامل نوع دستگاه، الگوهای خرید، رفتارهای سفر، شیوه پرداخت در فروشگاه های فیسبوک و اینستاگرام و ده ها مورد دیگر است.
این بخش نسبت به علایق و دموگرافیک ساختار کمتر منظمی دارد و گزینه های آن ترکیبی و متنوع است. از کاربران تازه کسب و کار گرفته تا علاقه مندان به بازی های آنلاین یا کسانی که از یک نوع دستگاه خاص استفاده می کنند. پیشنهاد می کنم مانند بخش علایق، علاوه بر مرور گزینه ها، جستجوی مستقیم نیز انجام دهید تا رفتارهایی که با مخاطب هدف شما همخوانی دارد پیدا کنید.
Meta Advantage+؛ نسل جدید تارگتینگ خودکار در فیسبوک
Meta Advantage+ یکی از جدیدترین و پیشرفته ترین روشهای تارگت کردن مخاطبان در فیسبوک است که بر پایه الگوریتم های یادگیری ماشین متا کار می کند. در واقع، این سیستم نسخه مدرن و خودکار همان چیزی است که قدیمی ترها به آن Broad Targeting می گفتند. تفاوت اصلی اینجاست که حالا بخش زیادی از تحلیل و تصمیم گیری را هوش مصنوعی انجام می دهد.
در این مدل، فیسبوک به صورت خودکار مخاطبانی را پیدا می کند که بیشترین احتمال برای تبدیل شدن به مشتری را دارند. این فرایند کاملا مبتنی بر داده است. متا از اطلاعات عملکرد کمپین های قبلی، داده های پیکسل شما، الگوهای رفتاری کاربران و حتی نحوه تعامل آنها با تبلیغات گذشته استفاده می کند تا تشخیص دهد چه کسانی بالاترین شانس برای انجام اکشن موردنظر شما دارند.
نکته مهم اینجاست که بخشی از این داده ها علاوه بر تعاملات کاربران با تبلیغات شما، احتمالا از رفتار آنها در برابر تبلیغات دیگر برندها در پلتفرم نیز جمع آوری می شود. همین موضوع باعث می شود که Meta Advantage+ دید گسترده تری نسبت به رفتار واقعی کاربران داشته باشد.
Audience Suggestion
در بخش Advantage+ گزینه ای وجود دارد به نام Audience Suggestion که به شما اجازه می دهد علاقه مندی ها، رفتارها یا ویژگی های دموگرافیک موردنظر خود را وارد کنید. اما باید این نکته مهم را بدانید: این موارد تنها یک «پیشنهاد» هستند نه تارگتینگ واقعی.
این یعنی چه؟
یعنی سیستم ابتدا ممکن است تبلیغ را به کاربرانی که شما پیشنهاد داده اید نمایش دهد، اما در ادامه، بر اساس الگوهای رفتاری و داده های عملکرد، کاملا آزادانه دایره مخاطبان را گسترش می دهد و به سراغ گروه های جدیدی می رود که احتمال تبدیل در آنها بالا است.
برای چه کسانی مناسب نیست؟
اگر شما ترجیح می دهید کنترل کامل تارگتینگ را در اختیار داشته باشید و همه چیز را به صورت دستی تنظیم کنید، Meta Advantage+ انتخاب مناسبی برای شما نیست. این روش به طور طبیعی آزادی زیادی به الگوریتم می دهد.
اما دلیلی برای نادیده گرفتن آن هم وجود ندارد.
مخصوصا اگر عملکرد کمپین ها در ماه های اخیر افت کرده یا متوجه شده اید که تارگتینگ های قبلی شما دیگر مثل قبل نتیجه نمی دهند.
واقعیت این است که فیسبوک یکی از بزرگ ترین پلتفرم های تبلیغاتی جهان است و سیستم یادگیری ماشین آن طی سال های اخیر بسیار پیشرفت کرده است. بنابراین آزمایش Meta Advantage+ می تواند فرصتی باشد برای دسترسی به مخاطبانی که شاید تا امروز در تارگتینگ دستی به آنها نرسیده بودید.
تارگتینگ Lookalike در فیسبوک ادز
تارگتینگ Lookalike یکی از مهم ترین و کاربردی ترین روشهای تارگت کردن مخاطبان در فیسبوک است و سال ها جزو ستون های اصلی استراتژی های تبلیغاتی در این پلتفرم بوده است. هرچند در سال های اخیر برخی تبلیغ دهندگان به دلیل رشد مدل های خودکار مثل Advantage+ کمتر به این روش تکیه کرده اند، اما واقعیت این است که Lookalike هنوز هم در بسیاری از کمپین ها عملکرد بسیار خوبی دارد.
Lookalike چیست و چطور کار می کند؟
مکانیزم Lookalike کاملا ساده و قابل فهم است. ابتدا شما یک «سورس آدینس» یا همان منبع اولیه در اختیار فیسبوک قرار می دهید. سپس فیسبوک این داده ها را تحلیل می کند، رفتار و ویژگی های مشترک کاربران را استخراج می کند و یک پروفایل مشخص از آنها می سازد. بعد از این مرحله، فیسبوک گروهی از کاربران جدید را پیدا می کند که رفتار و علایق آنها بیشترین شباهت را با همین پروفایل دارند. این گروه همان Lookalike Audience شما است.
نکته مهم اینجاست که کیفیت سورس آدینس، مستقیما روی نتیجه نهایی تاثیر می گذارد. هرچه داده های اولیه دقیق تر و واقعی تر باشند، الگوریتم بهتر می تواند الگوهای مشترک را پیدا کند و مخاطبان مشابه تری برای شما بسازد.
سورس آدینس در Lookalike دقیقا چیست؟
هر نوع Custom Audience که در فیسبوک می سازید می تواند به عنوان سورس آدینس استفاده شود. برخی از رایج ترین آنها عبارت اند از:
- کاربران سایت که با پیکسل شناسایی شده اند
- مشتریانی که قبلا خرید انجام داده اند
- لیست ایمیل یا شماره موبایل مشتریان
- افرادی که با صفحه یا محتوای شما تعامل داشته اند
- کسانی که اپلیکیشن شما را نصب یا استفاده کرده اند
این منبع اولیه ستون اصلی الگوریتم Lookalike است و باید تا حد ممکن دقیق و هدفمند انتخاب شود.
چطور یک Lookalike Audience می سازیم؟
وقتی بخواهید یک Lookalike Audience ایجاد کنید، سه تنظیم مهم باید انجام شود:
- انتخاب سورس آدینس
همان گروهی که فیسبوک باید بر اساس آن الگو سازی کند. - انتخاب کشور هدف
Lookalike بر اساس جمعیت کشور انتخاب شده ساخته می شود. این ویژگی فقط در سطح کشور کار می کند، نه شهر یا منطقه. - انتخاب درصد شباهت (Lookalike Percentage)
درصد ۱ درصد کوچک ترین و دقیق ترین حالت است. یعنی فیسبوک ۱ درصد از جمعیت کشور را هدف می گیرد که نزدیک ترین شباهت را به سورس آدینس دارند.
با افزایش درصد، اندازه آدینس بزرگ تر می شود اما دقت شباهت کمتر خواهد شد.
حداقل و مقدار پیشنهادی سورس آدینس
برای اینکه بتوانید Lookalike بسازید، سورس آدینس باید حداقل شامل ۱۰۰ کاربر از یک کشور باشد. اما فیسبوک توصیه می کند که منبع بین ۱۰۰۰ تا ۵۰۰۰ کاربر باشد.
کمتر از ۱۰۰۰ نفر باعث می شود الگوی رفتاری قابل اعتمادی شکل نگیرد.
بیش از ۵۰۰۰ نفر نیز ممکن است داده ها را بیش از حد عمومی کند و الگوریتم نتواند ویژگی های دقیق را استخراج کند.
Lookalike وقتی بهترین نتایج را می دهد که سورس آدینس شما کوچک اما بسیار هدفمند باشد؛ مثل:
«فقط کسانی که خرید دوم خود را انجام داده اند»
یا
«کاربرانی که بیشترین ارزش خرید را داشته اند».
Broad یا Open Targeting با حداقل محدودیتها
در میان انواع روش های تارگتینگ در فیسبوک ادز، مدل Broad یا Open یکی از سادهترین و در عین حال مؤثرترین تنظیمات برای کمپینهایی است که داده کافی دارند. در این مدل، شما فقط لوکیشن و محدودیتهای الزامی مثل حداقل سن را مشخص میکنید و هیچ نوع علاقه، رفتار یا فیلتر جمعیت شناختی اضافه نمیکنید مگر اینکه دلیل مشخص و قابل دفاعی برای آن وجود داشته باشد.
چه زمانی باید از Broad Targeting استفاده کنید؟
این نوع تارگتینگ زمانی مناسب است که شرایط زیر برقرار باشد:
- هر ادست به صورت پایدار هفتهای ۵۰ تا ۱۰۰ کانورژن دریافت کند.
- هدف اصلی کمپین خرید باشد، نه جمعآوری لید.
- سیستم ثبت و اندازهگیری کانورژنها دقیق، بدون خطا و ثابت باشد.
چه زمانی Broad Targeting بهترین عملکرد را دارد؟
وقتی حجم کانورژن شما به حدی برسد که الگوریتم بتواند رفتار کاربران را به درستی تحلیل کند، این روش بالاترین بازده را دارد. معمولا وقتی هر ادست حداقل ۵۰ تا ۱۰۰ خرید در هفته دارد، الگوریتم متا به اندازه کافی هوشمند شده و محدود کردن بیش از حد مخاطب فقط باعث افزایش هزینه و کاهش کارایی میشود.
چرا Broad Targeting کار میکند؟
متا بر اساس دادهای که از رفتار کاربران در گذشته جمع کرده، دقیقا میداند چه کسانی احتمال تبدیل بیشتری دارند. وقتی شما فیلترهای اضافی را حذف کنید و دامنه گستردهتری بدهید، الگوریتم فرصت بیشتری پیدا میکند تا بهترین کاربران را پیدا کند. هر محدودیت غیر ضروری در واقع مانعی برای الگوریتم است و باعث کاهش اثربخشی کمپین میشود.
نکات مهم برای راه اندازی Broad Targeting
برای اینکه این مدل بیشترین بازده را داشته باشد، نکات زیر را رعایت کنید:
- فقط از فیلترهای ضروری مثل لوکیشن و حداقل سن استفاده کنید.
- به الگوریتم اجازه دهید در محدوده لوکیشن شما آزادانه اکسپلور کند.
- از فرمتهای کارآمد مانند تبلیغات داینامیک که برای کانورژن بهینه شدهاند استفاده کنید.
- این ساختار زمانی بهترین نتیجه را میدهد که اکانت شما داده کافی داشته باشد و متا بتواند الگوهای رفتاری کاربران را تحلیل کند.
Custom Audiences یا سیگنال های فرست پارتی
در میان انواع روش های تارگتینگ در فیسبوک ادز، ساختن Custom Audiences یکی از مهمترین اقداماتی است که تاثیر مستقیم بر عملکرد بلندمدت کمپین ها دارد. این گروه ها بر اساس داده های واقعی شما ساخته میشوند؛ یعنی افرادی که از سایت بازدید کردهاند، ویدیوهای شما را دیدهاند، در فیسبوک یا اینستاگرام تعامل داشتهاند یا در لیست مشتریان شما قرار دارند.
چه نوع Custom Audience هایی را باید به صورت پیش فرض بسازید؟
به طور معمول، ساخت این گروهها باید در اولویت باشد:
- بازدیدکنندگان وبسایت طی ۱۸۰ روز گذشته
- افرادی که حداقل سه ثانیه از ویدیوهای شما را در ۳۶۵ روز گذشته دیدهاند
- کاربران تعامل کننده با فیسبوک و اینستاگرام در ۳۶۵ روز گذشته
- لیست مشتریان یا ایمیل ها، ترجیحا با برچسب هایی مثل مشتری ارزشمند یا لید واجد شرایط
چرا بازه های زمانی طولانی بهتر عمل میکنند؟
متا به صورت خودکار تعامل های اخیر را اولویت میدهد، اما اگر بازه زمانی را کوتاه بگیرید، حجم مخاطب شما کم میشود و هزینه ها بالا میرود. بازه زمانی طولانی در عین حفظ ارتباط موضوعی، حجم کافی برای تارگتینگ ایجاد میکند.
ساخت Audiences پیشرفته بعد از جمع شدن داده پیکسل
وقتی داده های پیکسل شما به اندازه کافی جمع شد، لازم است گروه های تکمیلی و دقیق تری بسازید. بهتر است این گروه ها را از همان ابتدا ایجاد کنید، حتی اگر جمع آوری آنها زمان ببرد:
- ویدیو ویوئر ۷۵ تا ۹۵ درصد در بازه ۱۸۰ تا ۳۶۵ روز
- Add to Cart در بازه ۱۸۰ تا ۳۶۵ روز
- Initiate Checkout در بازه ۱۸۰ تا ۳۶۵ روز
- Purchase در بازه ۱۸۰ تا ۳۶۵ روز
این نوع مخاطب ها مخصوصا در تجارت الکترونیک عملکرد فوق العاده ای دارند. میتوان از آنها برای ریتارگتینگ افرادی که محصول دیدهاند، خریداران قبلی یا سبدهای رها شده در مقیاس بالا استفاده کرد.
ترکیب مخاطب گرم و سرد یا ساختار جداگانه؟
در سال ۲۰۲۵ یکی از موثرترین رویکردها در انواع روش های تارگتینگ در فیسبوک ادز، ترکیب مخاطب گرم و سرد در یک Ad Set است. این روش برخلاف تصور اولیه، نه تنها پیچیده نیست، بلکه کاملا هماهنگ با نحوه عملکرد سیستم متا طراحی شده است.
وقتی شما همزمان مخاطب های گرم مثل بازدیدکنندگان سایت، افراد تعامل کننده و اعضای لیست ایمیل را در کنار مخاطب های سرد مثل گروه های براود یا علاقهمند اضافه میکنید، الگوریتم متا خودش اولویت بندی را انجام میدهد. ابتدا کاربران با نیت خرید بالاتر را هدف میگیرد و سپس به سمت مخاطب های تازه و جدید حرکت میکند.
این مدل باعث میشود مرحله یادگیری سریعتر انجام شود، پایداری نمایش بالا برود و بودجه شما روی تعداد کمی Ad Set متمرکز شود. به جای اینکه بودجه در میان چند ادست ضعیف پخش شود، یک ادست قدرتمند و غنی از سیگنال میسازید که متا راحتتر میتواند با آن کار کند.
با این حال در بعضی شرایط، جدا کردن مخاطب ها انتخاب بهتری است.
چه زمانی بهتر است مخاطب ها را جدا کنید؟
- وقتی یک پروموشن حساس دارید: اگر قرار است یک تخفیف خیلی جذاب یا پیشنهاد ویژه برای اولین خرید ارائه کنید، بهتر است این پیام برای خریداران قبلی نمایش داده نشود. در این حالت، باید مخاطب های سرد را جدا هدف بگیرید و خریداران گذشته را حذف کنید.
- وقتی در یک قیف محتوایی یا لید نرچرینگ هستید: برای محتواهای میانی قیف یا پیام هایی که باید فقط برای کاربرانی ارسال شود که هنوز تبدیل نشدهاند، تفکیک مخاطب ضروری است.
نگاهی دوباره به روش های Exclusion
یکی از اشتباهات رایج این است که به صورت پیش فرض خریداران قبلی را از همه کمپین ها حذف میکنند. هرچند ممکن است منطقی به نظر برسد، اما در بسیاری از موارد نتیجه معکوس دارد.
با حذف این افراد، شما فرصت خرید دوباره را از مشتریان وفادار میگیرید و همچنین از بازخورد مثبت آنها مثل لایک، کامنت و شیر محروم میشوید. این تعامل ها نقش مهمی در ایجاد اعتبار اجتماعی دارند و میتوانند هزینه های کمپین را کاهش دهند.
اگر کمپین شما صرفا برای مشتریان جدید نیست، بهتر است خریداران قبلی را نگه دارید. الگوریتم متا به طور طبیعی روی کسانی تمرکز میکند که احتمال خرید بیشتری دارند و مشتریان وفادار معمولا بیش از یک بار خرید میکنند.
چطور از محدودیت های دستی استفاده کنیم بدون اینکه عملکرد کمپین آسیب ببیند
در بیشتر موارد، متا زمانی بهترین نتیجه را میدهد که اجازه دهید کمپین به صورت Broad اجرا شود و الگوریتم بر اساس سیگنال های رفتاری کاربران بهینه سازی کند. هرچه فضای بیشتری برای یادگیری وجود داشته باشد، مقیاسپذیری کمپین سریعتر و پایدارتر پیش میرود. اما گاهی لازم است برای کنترل بهتر، محدودیت های دستی یا همان Hard Boundaries تعیین کنید.
این کار معمولا از طریق فعال کردن گزینهای انجام میشود که به شما اجازه میدهد «دسترسی تبلیغ» را محدودتر کنید. با فعال شدن این تنظیم، امکان اعمال فیلترهای سخت مثل سن، جنسیت یا سایر محدودیت های مشخص وجود دارد. البته باید بدانید که این محدودیت ها معمولا باعث کاهش دسترسی، کند شدن مرحله یادگیری و کاهش امتیاز عملکرد کمپین میشوند.
با این حال، در برخی شرایط استفاده از این رویکرد منطقی است.
چه زمان هایی باید از Hard Boundaries استفاده کنید؟
- وقتی محصول شما فقط برای یک گروه مشخص طراحی شده است
مثلا اگر یک مکمل مخصوص بانوان میفروشید و متا کاربران مرد را هدف گرفته، اعمال فیلتر جنسیت به بهبود ترافیک کمک میکند. - وقتی داده های شما یک الگوی واضح از ضعف عملکرد در یک بخش نشان میدهند
مثال های رایج:- داده CRM نشان میدهد لیدهای بالای ۵۵ سال تقریبا تبدیل نمیشوند
- شما تبلیغات را بدون محدودیت تست کردهاید و هزینه هر لید در این گروه به شدت بالا رفته است
- وقتی الزامات قانونی یا الزامات داخلی برند شما را مجبور به اعمال محدودیت میکنند
مثل:- تبلیغات در حوزه های حساس مانند مسکن، استخدام یا خدمات مالی
- الزاماتی که پیام را بر اساس سن، جنسیت یا مرحله قیف بازاریابی تفکیک میکنند
ساختار صحیح هنگام استفاده از Hard Boundaries
اگر تصمیم به اعمال محدودیت های دستی گرفتید، باید ساختار کمپین را به دقت رعایت کنید:
- همیشه مخاطبان گرم و سرد را در ادست های جداگانه قرار دهید.
تاثیر فیلترهای دستی روی هر گروه متفاوت است و ترکیب آنها باعث اختلال در داده ها و تحلیل عملکرد میشود. - بودجه کافی برای مرحله یادگیری در نظر بگیرید.
هرچه مخاطب شما محدودتر باشد، الگوریتم به داده بیشتر و زمان بیشتری نیاز دارد تا بتواند نمایش را بهینه کند.
نکته کلیدی
هدف از تارگتینگ دستی این نیست که همیشه کنترل بیشتری داشته باشید، بلکه باید تنها زمانی از آن استفاده کنید که داده ها به وضوح نشان دهند محدودسازی ضروری است. در اغلب مواقع، ساختارهای Broad همراه با سیگنال های تمیز و دقیق، عملکرد بسیار بهتری نسبت به کمپین هایی دارند که بیش از حد هدفمند شدهاند.
