Facebook在广告组这个层面的算法有点像这样：
当你在投放广告的时候，首先在你的广告系列中，这里面的广告受众会被分配到一个广告中。
这些受众前期是在测试，那么在测试阶段在Facebook体系里面，这其实是动态的匹配的一个过程（内部会有一个匹配的标准），根据这个标准来确定，哪些受众对你的广告做出了反应。
Facebook ad的算法用的是预测性算法（Predictive Algorithm）。
简单的说，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。
而机器学习算法有两大类别：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。
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。
举个例子，当你问“这个用户看到广告后会不会点击购买我的产品”？
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”。
实际上，两种算法并不是完全无法不兼容彼此的。
比如你在回归算法的输出层规定区间，“低于60%的值输出No”，“不低于60%的输出值为Yes”，这样回归算法就转化为一个分类算法了。
不管使用哪种算法，在广告投放领域，机器学习的核心都是通过分析audience的特性（demographics），来对TA的行为进行预测。举例子比如广告组里面，有一个广告，这个广告的受众设置的唯一兴趣爱好是phone cases，那么
在第一天中，facebook的广告可能会针对这个兴趣爱好，推送给一些喜欢phone cases+喜欢狗的用户，并观察表现情况是如何的
在第二天中，Facebook可能会把广告推送给另外一批不同的受众，此时这些人就不是喜欢phone cases+狗的用户，很可能是phone cases+猫的这些受众
好了，这个时候，Facebook会根据这两批受众的不同表现，开始进行广告优化，这个优化是同时结合你的网站广告像素（pixel）数据来分析哪一部分受众最容易受到你的广告的影响。
所以这是Facebook广告的一个优化测试，当然内部的算法，这肯定不是简单的一个一个来测试。
比如我前面说了Facebook先测试phone cases+狗，然后接下来再测试phone cases+猫，算法会几个维度同时来进行测试的。
Facebook对人的特征掌握非常的清楚，有很多维度来同时进行测试。
就好像Facebook会同时派遣几个先遣部队，去前面刺探（根据可能喜欢你产品的受众+网站像素）来找到最合适人。
然后派出去的几个先遣队回来报告，看看哪个表现最好，在加大对该部队的预算
所以，你看这个是Facebook内部，CBO的一个受众寻找和优化的过程。
https://ds.fanyaozu.com/tag/%e8%ae%ba%e5%81%9a%e4%ba%8b%e4%bb%a5%e5%8f%8a%e9%a1%b9%e7%9b%ae%e8%bf%90%e4%bd%9c%e7%9a%84%e9%a1%ba%e5%ba%8f
转载请注明：电商实战教程 » Facebook广告内部是如何寻找受众目标的?
