包括选择退出的天点

由于部分流量未同意被跟踪选择退出因此建立这些受众群体变得更加复杂但在大多数情况下这些受众群体仍然是良好投资回报率的代名词。 即使对于选择加入减少预购买转化次数通常也会减少收集的数据量。 相似受众的准确性降低 由于 收集的数据较少该算法用于建立受众的信息也较少而且其工作效果可能会稍差些。类似受众的构建就会变得不那么精确。 还应该指出的是由于重定向受众数量的下降动态广告的效果也可能受到影响。

性能监控的局限性 用户数据的丢失不仅会影响 广告管理器从而影响广告活动的构建还会影响广告报告和 。 以下是平台中有关性能监控的具体变化 对于所有选择退出的 用户 将仅跟踪项转化事件优先级最高的项 更改了转化归因模型现在默认情况下转化最多可在点击后 天内归 C级联系人列表 因。此前该窗口默认为 天。因此这变化将主要影响更长的销售周期。 使用统计模型来弥补选择退出用户数据的缺乏。您将通过注释了解它们的使用情况。 报告中的部分结果点击后 天的选择退出归因将不可见。



另方面由于统计模型选择退出后点击 天后就有可能实现转化。请注意选择加入的 天点击后转化不击后转化。 是不是觉得有点技术含量？我们明白。 脸书 通过这些变化的直接后果我们使您的工作变得更加轻松 由于在归因窗口之外归因于 和 的转化较少 收集统计数据的延迟 汇总结果的时间 由于用于受众定位的人口统计数据不再在报告细分中提供因此 受众表现的可见性降低 由于对每个活动的真实绩效的可见性较差 管理和决策更加困难 然而我们必须正确看待事情对性能的真正影响将小于统计数据中感知到的下降。