O que é a fase de aprendizado no Meta Ads e como sair dela?

O que é a fase de aprendizado no Meta Ads?

Toda vez que você cria um anúncio ou conjunto de anúncios, ou faz uma edição significativa em um que já existe, o sistema de entrega da Meta precisa reaprender. Ele explora diferentes formas de entregar aquele conjunto, com base no evento de otimização escolhido (por exemplo, compra, adição ao carrinho ou lead), até achar um padrão estável.

Esse período é a fase de aprendizado. Enquanto ela dura, a coluna de veiculação no Gerenciador de Anúncios mostra o status de aprendizado (Learning).

A definição oficial da Meta traz três pontos importantes:

• O sistema nunca para de aprender, mas o conjunto sai da fase de aprendizado assim que consegue entregar de forma estável.
• Isso costuma acontecer depois de cerca de 50 resultados na semana seguinte à última edição significativa do conjunto.
• Durante o aprendizado, o desempenho é menos estável e o CPA (custo por aquisição) costuma ser mais alto. Por isso, os resultados dessa fase não indicam necessariamente como o conjunto vai performar depois.

Há uma regra específica para anúncios de Shops (shops ads): a Meta exige no mínimo 17 compras pelo site e 5 pela Meta para concluir o aprendizado.

A fase de aprendizado faz parte do funcionamento normal. A própria Meta diz que você não deve tentar evitá-la por completo, porque testar novos criativos e estratégias é essencial para melhorar os resultados ao longo do tempo. O objetivo é passar por ela com eficiência, não fugir dela.

O que conta como edição significativa?

Toda edição afeta a entrega de alguma forma, mas só as edições significativas fazem o conjunto voltar para a fase de aprendizado. A Meta separa as mudanças em dois grupos.

Sempre reiniciam o aprendizado

• qualquer mudança na segmentação;
• qualquer mudança no criativo do anúncio;
• qualquer mudança no evento de otimização;
• adicionar um novo anúncio ao conjunto;
• pausar o conjunto por 7 dias ou mais (ele volta ao aprendizado quando for reativado);
• mudar a estratégia de lance;
• mudar o aviso legal (disclaimer) de anúncios sobre temas sociais, eleições ou política.

Podem reiniciar, dependendo do tamanho da mudança

• limite de gastos do conjunto;
• valor de controle de lance, de meta de custo por resultado ou de meta de ROAS;
• valor do orçamento.

O exemplo da própria Meta ajuda: subir o orçamento de US$ 100 para US$ 101 dificilmente reinicia o aprendizado; passar de US$ 100 para US$ 1.000 pode reiniciar.

E com o orçamento de campanha Advantage+?

Quando o orçamento é definido no nível da campanha (Advantage+ campaign budget, também chamado de orçamento de campanha), a Meta esclarece que:

• a redistribuição automática da verba entre conjuntos não reinicia o aprendizado;
• editar um conjunto não reinicia os outros conjuntos da mesma campanha;
• adicionar um novo conjunto à campanha não reinicia os demais;
• já mudar o orçamento ou a estratégia de lance da campanha pode fazer vários conjuntos voltarem ao aprendizado ao mesmo tempo.

Para acompanhar isso no dia a dia, adicione a coluna Última edição significativa no Gerenciador de Anúncios e compare com a coluna de resultados.

O que significa "Learning limited" (aprendizado limitado)?

Quando o conjunto não recebe eventos de otimização suficientes para sair da fase de aprendizado, o status muda para Learning limited. Segundo a Meta, isso acontece quando é improvável que o conjunto receba cerca de 50 eventos de otimização na semana seguinte à última edição significativa. Esse diagnóstico pode aparecer a qualquer momento depois da criação ou de uma edição significativa.

A Meta deixa claro que não é uma punição. É um aviso de que a verba não está sendo usada da forma mais eficiente, porque a configuração atual não deixa o sistema otimizar.

As causas mais comuns, segundo a central de ajuda da Meta:

• público pequeno demais;
• orçamento baixo;
• lance ou controle de custo baixo (nesse caso, aparece uma dica ao passar o mouse sobre o status);
• sobreposição alta no leilão, quando vários conjuntos seus disputam as mesmas pessoas;
• evento de otimização pouco frequente;
• muitos anúncios rodando ao mesmo tempo.

Quando um conjunto em Learning limited acumula eventos de otimização suficientes desde a última edição significativa, ele passa para o status ativo.

Como sair da fase de aprendizado: passo a passo

As recomendações abaixo seguem as orientações oficiais da Meta para a fase de aprendizado e para conjuntos em Learning limited.

1. Confira os números antes de agir. Adicione as colunas de eventos de otimização, resultados e última edição significativa. Sem isso, você não sabe se o problema é volume, tempo ou configuração.
2. Pare de editar. Espere o conjunto sair do aprendizado antes de mexer. A Meta orienta editar só quando houver motivo para acreditar que a mudança vai melhorar o desempenho. Cada edição significativa reinicia a contagem.
3. Consolide conjuntos e campanhas. Quando você cria muitos anúncios e conjuntos, o sistema aprende menos sobre cada um. Juntar conjuntos parecidos soma o aprendizado e reduz a sobreposição no leilão.
4. Amplie o público. Quanto maior o público, mais oportunidades de alguém concluir o evento de otimização. Usar o Advantage+ audience é uma forma de fazer isso, porque a IA não fica presa às seleções que você fez.
5. Use orçamento realista. Um orçamento muito pequeno ou inflado dá ao sistema uma referência errada. Ele precisa ser grande o bastante para gerar resultados suficientes, e mudanças frequentes devem ser evitadas.
6. Revise lance ou controle de custo. Se o limite está baixo demais para gerar eventos suficientes, o conjunto dificilmente sai do aprendizado.
7. Considere um evento de otimização mais frequente. O exemplo da Meta é trocar compra por adição ao carrinho. Atenção: trocar o evento é, em si, uma edição significativa, então faça isso de forma planejada e uma vez só.

Se a estrutura da conta tem muitas campanhas pequenas, pode valer migrar para campanhas mais consolidadas. Entenda como isso funciona em como a IA das plataformas mudou a mídia paga.

Como ler os resultados durante e depois do aprendizado?

Um erro comum é julgar uma campanha pelos primeiros dias e mexer nela por causa disso. Como o desempenho no aprendizado é menos estável, essa leitura costuma levar a edições que reiniciam o aprendizado de novo, um ciclo que nunca estabiliza.

Algumas regras de leitura a partir das orientações da Meta:

• Analise o período desde a última edição significativa. Se a edição foi feita há 7 dias, o intervalo de relatório mais útil são os últimos 7 dias.
• Espere volume antes de definir metas de custo. Para usar o custo por evento de otimização como base de um limite de custo (cost cap), a Meta recomenda esperar cerca de 50 eventos de otimização desde a última edição significativa. Alguns conjuntos estabilizam antes.
• Lembre que o evento de otimização pode ser diferente do objetivo. Uma campanha de vendas pode otimizar para cliques no link, por exemplo. O que conta para o aprendizado é o evento escolhido no conjunto.

A qualidade do sinal também pesa. Se o evento de compra chega incompleto ou duplicado, o sistema aprende com dados ruins. Por isso vale revisar o Pixel e a API de Conversões da Meta antes de culpar o algoritmo.

Como evitar que a conta viva em aprendizado?

Contas que passam a maior parte do tempo em aprendizado geralmente têm o mesmo perfil: muitos conjuntos pequenos, edições quase diárias, orçamento pulverizado e eventos de conversão com pouco volume. A saída costuma ser estrutural, não um ajuste pontual.

Na prática, isso significa:

• planejar testes de criativo em lotes, em vez de subir anúncios novos a todo momento;
• concentrar verba em menos conjuntos, com públicos mais amplos;
• escolher o evento de otimização de acordo com o volume real da conta;
• registrar cada edição significativa para separar efeito da mudança e efeito do aprendizado.

Na Increase, a estrutura das contas de Meta Ads é desenhada para que cada conjunto tenha volume suficiente para aprender, e as mudanças entram em um calendário, não no impulso. Se a sua conta vive em Learning limited, peça um Diagnóstico da operação.