C’è un errore che si commette su Meta Ads: pensare di ottimizzare degli annunci senza rendersi conto che, in realtà, si sta facendo l’esatto opposto.
Si sta lavorando contro l’account.
Funziona così.. si lancia un gruppo di annunci e nei primi giorni le performance sono instabili: il CPA è più alto del solito, i volumi sono irregolari, i risultati cambiano da un giorno all’altro.
La reazione naturale è “interveniamo!”: si modifica il targeting, si cambia la creatività, si aggiusta il budget, si prova una strategia di offerta diversa.
In fondo è quello che si fa quando qualcosa non va: si agisce.
Il problema è che ogni intervento di questo tipo, in quella finestra, non migliora le performance. Le azzera.
Più precisamente: riavvia la fase di apprendimento su Meta Ads, riportando l’algoritmo di delivery al punto di partenza.
L’instabilità che si voleva risolvere viene prolungata (invece che superata).
La maggior parte degli inserzionisti non sa con precisione quali azioni riavviano la fase di apprendimento e quali no.
Questa lista andrebbe studiata a memoria da chiunque gestisca un account, perché ogni riavvio evitabile è budget recuperato.
Vediamola nel dettaglio, insieme al meccanismo che la rende necessaria.
Cos’è la fase di apprendimento su Meta Ads e perché esiste
La fase di apprendimento su Meta Ads (o learning phase) è il periodo in cui il sistema di delivery raccoglie dati per capire come distribuire gli annunci nel modo più efficiente rispetto all’evento di ottimizzazione scelto: un acquisto, un lead, un’aggiunta al carrello o qualsiasi altro obiettivo impostato.
La fase di apprendimento su Meta Ads esiste per una ragione precisa: il sistema di erogazione sta ancora esplorando il modo più efficiente per generare risultati sull’evento di ottimizzazione.
Durante questo processo l’algoritmo testa combinazioni di audience, fasce orarie, posizionamenti e frequenze di erogazione.
Ogni segnale che riceve (un clic, una conversione, un video visualizzato) contribuisce a costruire un modello predittivo sempre più preciso su chi mostrare quell’annuncio.
Il punto chiave è che questo processo richiede dati sufficienti per completarsi.
Il riferimento generale di Meta è di circa 50 conversioni per gruppo di annunci nell’arco di sette giorni per uscire dalla learning phase in modo stabile.
Prima di quel volume, le performance sono strutturalmente instabili: non per un difetto delle creatività o del targeting, ma perché il sistema non ha ancora abbastanza informazioni per ottimizzare in modo coerente.
I sintomi visibili sono due, e sono esattamente quelli descritti da Meta:
- prestazioni instabil;
- un costo per risultato più elevato.
Entrambi tendono a normalizzarsi una volta completata la fase di apprendimento, a patto che nel frattempo non venga interrotta.
Perché l’instabilità viene fraintesa
Il problema non è tecnico, ma comportamentale.
L’instabilità, durante la fase di apprendimento su Meta Ads, è simile al segnale che qualcosa non funziona:
- CPA alto;
- volumi bassi;
- risultati che variano.
Se questi elementi compaiono in una campagna consolidata, sono segnali che meritano attenzione.
Ma se invece sono presenti durante la learning phase, invece, sono la norma: sono il prezzo della calibrazione che il sistema sta completando.
Chi non conosce questa distinzione interpreta l’instabilità come un problema e interviene per risolverlo:
- l’intervento riavvia la fase di apprendimento
- l’instabilità riparte;
- si interviene di nuovo.
- l’account entra in un loop in cui non esce mai dalla learning phase, le performance restano cronicamente instabili e il costo per acquisizione rimane più alto di quello che il sistema raggiungerebbe se lasciato completare il processo.
Questo è uno degli scenari più frequenti che troviamo quando prendiamo in gestione un ad account: campagne che non escono mai dalla fase di apprendimento perché vengono modificate troppo spesso, troppo presto e per le ragioni sbagliate.
NB: La learning phase non è un problema da risolvere intervenendo, ma è un processo da rispettare. L’unico modo per uscirne in modo stabile è lasciare che il sistema raccolga i dati di cui ha bisogno, senza interruzioni che ne azzerano il progresso.
Vuoi avere stabilità e Profitti costani nel tempo?
Le 6 azioni che riavviano sempre la fase di apprendimento
Alcune modifiche a un gruppo di annunci riavviano la fase di apprendimento in modo immediato, indipendentemente dall’entità del cambiamento.
Sono sei, e non ammettono eccezioni:
- Qualsiasi modifica al targeting: cambiare l’audience di riferimento, aggiungere o rimuovere interessi, modificare un’audience personalizzata. Il sistema la interpreta come un cambio delle condizioni di erogazione e ricomincia la calibrazione;
- Qualsiasi modifica alla creatività dell’annuncio: sostituire un’immagine, cambiare il testo, modificare il formato. Ogni variazione creativa equivale a un nuovo annuncio agli occhi del sistema di delivery;
- Qualsiasi modifica all’evento di ottimizzazione: passare dall’ottimizzazione per acquisto a quella per aggiunta al carrello, o per lead, richiede la ricostruzione completa del modello predittivo;
- L’aggiunta di un nuovo annuncio al gruppo: anche un solo annuncio inserito in un gruppo che stava completando la learning phase riavvia il processo per l’intero gruppo;
- Una pausa di sette o più giorni: dopo una settimana di inattività il sistema considera i dati raccolti non più aggiornati e richiede una nuova fase di apprendimento alla riattivazione;
- La modifica della strategia di offerta: passare da lowest cost a cost cap, o a bid cap, cambia le istruzioni date al sistema su come gestire le aste e impone una nuova calibrazione.
Su queste sei azioni non esiste il “dipende”, ogni volta che se ne compie una su un gruppo di annunci attivo la fase di apprendimento riparte.
Le modifiche che possono riavviarla: la regola della proporzionalità
Esiste poi una seconda categoria di interventi il cui effetto dipende dall’entità del cambiamento.
Non riavviano necessariamente la fase di apprendimento, ma possono farlo se la variazione è ampia:
- L’importo del budget: incrementi graduali e contenuti di solito non causano riavvii; variazioni drastiche (soprattutto al ribasso) possono riportare il gruppo in learning;
- Il limite di spesa a livello di annuncio: modificare i tetti di spesa può alterare le condizioni di distribuzione quanto basta per richiedere una nuova calibrazione;
- I controlli dell’offerta: obiettivo di costo per risultato, importo obiettivo ROAS o limiti di offerta. Se la variazione è consistente, il sistema la legge come un cambio di contesto e rientra in apprendimento.
Il principio operativo per questa categoria è la proporzionalità: un aggiustamento progressivo produce un impatto minore di un cambio di direzione netto.
Se serve intervenire su questi parametri con la campagna attiva, conviene farlo in modo incrementale, verificando dopo ogni variazione se il gruppo è rientrato in learning prima di procedere con la successiva.
Apprendimento limitato: quando il problema non è il riavvio ma il volume
C’è un caso a parte che merita attenzione: lo stato apprendimento limitato, o learning limited.
Compare quando il gruppo di annunci non riesce a raggiungere il volume di conversioni necessario per completare la calibrazione, indicativamente le 50 conversioni in sette giorni viste sopra.
Qui il problema non è un riavvio causato da una modifica, ma è strutturale.
Il gruppo non genera abbastanza segnali, e il sistema resta in una condizione di ottimizzazione incompleta a tempo indefinito.
Le direzioni di intervento indicate da Meta sono quattro, e vanno nella direzione opposta all’istinto di frammentare:
- consolidare gruppi di annunci o campagne simili, così che i dati confluiscano su meno unità di apprendimento;
- ampliare l’audience, dando al sistema più spazio di esplorazione;
- adeguare il budget al costo per risultato atteso, perché un budget troppo basso non può generare 50 conversioni a settimana;
- valutare un evento di ottimizzazione più frequente, quando quello attuale produce troppo pochi segnali.
La logica è la stessa: la fase di apprendimento si completa con i dati, e ogni scelta di struttura dell’account decide quanti dati riceve ogni gruppo di annunci.
Vuoi aumentare il Fatturato e l’Utile del tuo eCommerce?
Il costo operativo dei riavvii frequenti
“Perché tutto questo conta sul piano economico?”
Ogni volta che la fase di apprendimento riparte, il sistema torna in una condizione di distribuzione meno efficiente:
- il CPA sale;
- i volumi diventano imprevedibili;
- il budget speso non produce i risultati che produrrebbe in condizioni di stabilità.
In pratica si sta pagando due volte per la stessa raccolta dati: una quando era inevitabile, una per ogni riavvio che si poteva evitare.
C’è anche un secondo costo, meno visibile: i dati diventano illeggibili.
Se una creatività non performa durante la learning phase, non si può sapere se il problema è la creatività o se il sistema non ha ancora avuto modo di distribuirla in modo efficiente.
Ogni intervento prematuro genera un dato inquinato, e un dato inquinato non permette decisioni informate.
Il risultato è un account che spende in continuazione, non riesce a capire cosa funziona, e accumula costi di acquisizione più alti del necessario.
Un minor numero di riavvii si traduce in prestazioni più stabili nel tempo: è il motivo per cui la disciplina sulle modifiche vale quanto la qualità delle creatività.
Questa è una delle voci di spreco più silenziose nella gestione degli account Meta Ads: non compare in nessun report, ma pesa su ogni euro investito.
Come ridurre i riavvii: la gestione che rispetta il sistema
La risposta operativa non è “non toccare mai le campagne”.
È pianificare le modifiche in modo da ridurre il numero di riavvii e concentrarli nei momenti in cui il costo ha senso:
- Pianifica le modifiche prima del lancio: ogni cambiamento già previsto va implementato prima che il gruppo esca dalla fase di apprendimento. Se sai che testerai più varianti creative, valuta di inserirle all’interno del gruppo di annuncio già uscito dalla fase di apprendimento;
- Definisci una finestra minima di osservazione: prima di valutare un intervento su una campagna in learning, aspetta che il sistema abbia raccolto dati sufficienti. Decidere su base giornaliera durante la fase di apprendimento è quasi sempre controproducente;
- Distingui l’instabilità strutturale da quella congiunturale: una campagna in learning è instabile per definizione; una campagna fuori dalla learning phase con performance instabili è un segnale diverso, che richiede un’analisi diversa;
- Scala il budget in modo graduale: incrementi contenuti e distribuiti nel tempo, non variazioni brusche che rischiano di riportare il gruppo in apprendimento;
- Pianifica le pause: se un gruppo resterà inattivo per più di sette giorni, valuta prima se accettare una nuova fase di apprendimento alla riattivazione o se mantenerlo attivo con budget ridotto per non perdere la calibrazione già completata.
CONSIGLIO: tieni un registro delle modifiche di ogni gruppo di annunci, con data e descrizione dell’intervento. Ti permette di collegare ogni cambiamento di performance all’azione che lo ha generato, compreso un riavvio della fase di apprendimento che non avevi previsto. Senza questo storico, l’analisi delle cause diventa quasi impossibile.
Conclusione
La fase di apprendimento su Meta Ads non è un ostacolo, ma il processo con cui il sistema di delivery impara a distribuire gli annunci in modo efficiente per l’evento di ottimizzazione scelto.
Ogni riavvio ha un costo diretto: in budget speso in condizioni meno efficienti, in CPA più alto e in dati non affidabili.
Ma ridurre la frequenza dei riavvii non significa rinunciare a ottimizzare.
Significa pianificare le modifiche con più consapevolezza, rispettare i tempi del sistema e leggere i dati con la pazienza necessaria per distinguere l’instabilità fisiologica da quella che richiede un intervento reale.
In un account gestito così, la fase di apprendimento smette di essere un ciclo da cui non si esce e torna a essere quello che è: un investimento iniziale che si ripaga con la stabilità.
