我烧了10万美金，才总结出这份广告测试SOP

字数 1331，阅读大约需 7 分钟

书接上回。

我们讲了，怎么看广告数据，如何诊断数据。

现在我们手里有了一份广告数据，按照之前的模型。

我们知道了，可能是广告图不好，可能是目标客户没选对。

然后在操作层面上又犯难了。

换图，换哪张更好？换客户群体，换哪个才对？

猜的话，可能是不太符合我们一贯的行事作风。

有办法的。

A/B测试。

其实这个方法才是付费广告的核心。

说白了，就是要多个素材放一起，进行测试，最后选一个冠军。

但我要说的是，A/B测试，可不是简单的的罗列素材一起开广告就行了。

今天，我们就以Facebook广告为例，实际讲解如何建立一套低投入的广告打法模型。

一、先了解一下算法

在进行Facebook广告之前，我们要先了解一下其算法的特征。

我总结了3点。

1、算法很偏心

你在一个广告组里放好几个广告素材，想让他们跑数据。

但算法会在一开始就特别喜欢其中一个。

然后会把大部分预算都给这个广告。

剩下的广告根本分不到钱，没有测试机会。

你选出来的，可能只是算法喜欢那个，并不是客户喜欢的。

2、算法没耐心

一个广告需要拿到大约50-80个订单，才能稳定下来。这个是算法学习阶段。

如果我们用小预算来进行测试，很难达到这个数字。

这就是为啥你的广告今天效果好，明天效果差。

因为在达到稳定出单之前，这些学习阶段的结果，和扔硬币没啥区别。

3、胜利者会翻脸

很多时候，你小预算测出来这个不错的胜利者，在放大预算后，效果可能马上会变差。

因为小预算的时候，算法找的是最容易成交那批人。

你预算一加，算法马上去找更多人了，成本就上去了。

二、那怎么办？

了解了算法的特征，我们才能设计公平的测试。

我们常用的方法有两种。

方案A：海选，快速淘汰垃圾素材

既然预算小，算法会偏心，那么我们逆向工程，让它来淘汰给钱还干不好的素材。

这个方法就比较适合预算不多，但想快速测试很多素材的情况。

在一个广告组里，放5-10个不同的广告素材。

一定记住，这个方法的目的不是找到最好那个，而是快速淘汰那些效果最差的。

方案B：晋级赛，找到真正的王者

这个方法适合已经筛选出2-4个不错的素材，想找到最好的一个。

这个方法叫ABO测试，它的操作逻辑更严谨。

1、建立一个新的广告系列。要关掉CBO，广告系列预算优化。

2、在这个系列下面，建立2-4个不同的广告组。

3、每个广告组受众设置要完全一样。

4、每个广告组里，只放一个广告素材。

5、给每个广告组一模一样的日预算，比如每天10美金。

这个操作虽然麻烦点，但它可以规避算法的偏心，强制给每个广告素材相同的机会。跑个3-5天，哪个广告组数据最好，我们就选它。

三、测试好了，我们如何安全扩大预算？

前面找到了一个王者广告，你开心了，咔一下提高了每日预算。

得了，效果大概率会不好，原因前面也说了，算法会翻脸的。

打乱广告原来的学习结果，算法会重新开始，成本会飙升的。

正确的方法是啥呢？

使用CBO。

1、建立一个全新的广告系列。这次要打开CBO，广告系列预算优化。然后设置一个总预算，比如每天50美金。

2、把你用ABO测试验证过的，表现最好的1-2个广告组复制到这个新的CBO系列里。

现在你就把花钱的权利给了算法。

告诉它，我这有50美金和一个选出来的王者，你看着办，把钱花给表现最好的那个。

这就是最稳定的放大方法。

总结

A/B测试的真正作用是进行排除，帮你去掉垃圾选项。

是不是有点反常识？

如果你有很多的资金可以烧，那A/B测试就能告诉你谁更好。

可大多数人的初期投资都非常小，那么我们只能用它来排除谁更坏。

你先用海选的方式快速试错。

然后用ABO晋级科学验证。

最后用CBO安全的放大你的成果。

这样一套小投入的广告模型就建立起来了。

这里我们以Facebook广告为例，因为很多人第一次发广告就用这个，具有一定的代表性。

而其他平台的广告，也是大同小异，只要底层逻辑清晰，广告逻辑清晰，这些都是相通的。

祝爆单！