Règles relatives au ROAS publicitaire

Pour les indicateurs relatifs au ROAS, il est important d’utiliser une combinaison de filtres afin de définir exactement la méthode de calcul de l’indicateur ROAS. Les filtres attribution_window, time_preset (fenêtre d’observation) et hours_since_creation notamment sont importants. ROAS (Return On Advertisement Spending) signifie « retour sur dépenses publicitaires ».

Par exemple, si vous voulez calculer le ROAS des achats sur application mobile pour les clics sur 7 jours, mais que vous ne voulez que 7 jours de données matures :

Définissez attribution_window sur 7D_CLICK.
Définissez time_preset sur LAST_ND_14_8.

Sont alors incluses toutes les valeurs d’achat sur application mobile sur 7 jours des utilisateur·ices qui ont cliqué sur la publicité dans la fenêtre d’observation, à l’exclusion des 7 derniers jours, dont les données sont immatures. Si l’utilisateur·ice a cliqué sur la publicité la veille, il ou elle n’est pas inclus·e dans le calcul du ROAS puisqu’il existe encore 6 jours d’achats potentiels.

Les valeurs d’achat désignent les valeurs des évènements d’achat sur application mobile et d’achat de conversion sur un site Web (pixel Facebook) des indicateurs ROAS considérés. Dans l’API, cela correspond aux valeurs d’achat des indicateurs de nombre app_custom_event.fb_mobile_purchase et offsite_conversion.fb_pixel_purchase, respectivement.

Si la fenêtre d’attribution comprend à la fois les clics et les vues, le ROAS calculé correspond à la somme des valeurs. Par exemple, si attribution_window est défini sur 1D_VIEW_7D_CLICK, nous prenons les valeurs de ROAS 1D_VIEW et 7D_CLICK et calculons la somme. Les deux attributions sont en effet distinctes et peuvent être ajoutées correctement sans chevauchement.

Une utilisation optimale de l’indicateur consiste à inclure également un filtre basé sur le temps pour que suffisamment de jours se soient écoulés afin de disposer de données matures. Si le cas d’utilisation nécessite des données matures, nous recommandons un filtre tel que hours_since_creation pour s’assurer que l’ensemble de publicités a été diffusé suffisamment longtemps.

Voici un exemple de règle qui :

Augmente le budget de 20 % si le ROAS des achats sur site Web pour les clics sur 7 jours est supérieur à 0,50 (50 %)
Exige 7 jours de données matures
Effectue une vérification quotidienne

Étant donné que ces règles sont très spécifiques, elles s’appliquent généralement à une liste précise d’ensembles de publicités, par exemple id = 123. Afin d’obtenir au moins une journée complète de données matures, nous utilisons 8*24 pour les heures depuis la création.

curl \
-F 'name=Test Website ROAS Rule' \
-F 'schedule_spec={
     "schedule_type": "DAILY"
   }' \
-F 'evaluation_spec={
     "evaluation_type": "SCHEDULE",
     "filters": [
       {
         "field": "id",
         "value": [123],
         "operator": "IN"
       },
       {
         "field": "time_preset",
         "value": "LAST_ND_14_8",
         "operator": "EQUAL"
       },
       {
         "field": "attribution_window",
         "value": "7D_CLICK",
         "operator": "EQUAL"
       },
       {
         "field": "hours_since_creation",
         "value": 192,
         "operator": "GREATER_THAN"
       },
       {
         "field": "website_purchase_roas",
         "value": 0.50,
         "operator": "GREATER_THAN"
       }
     ]
   }' \
-F 'execution_spec={
     "execution_type": "CHANGE_BUDGET",
     "execution_options": [
       {
         "field": "change_spec",
         "value": {
           "amount": 20,
           "unit": "PERCENTAGE"
         },
         "operator": "EQUAL"
       },
     ]
   }' \
-F "access_token=<ACCESS_TOKEN>" \
https://graph.facebook.com/<VERSION>/<AD_ACCOUNT_ID>/adrules_library

Voici un exemple de règle qui :

Fait évoluer l’enchère chaque jour vers une valeur cible de 0,80 pour le ROAS des achats sur application mobile pour les clics sur 1 jour
Présente une fenêtre de tolérance de 5 % définie par un filtre de plage sur la valeur du ROAS.

Ici aussi, pour obtenir uniquement des données matures, utilisez des préréglages de temps qui n’incluent pas les données du jour, comme LAST_7D et LAST_14D.

curl \
-F 'name=Test Mobile App ROAS Rule' \
-F 'schedule_spec={
     "schedule_type": "DAILY"
   }' \
-F 'evaluation_spec={
     "evaluation_type": "SCHEDULE",
     "filters": [
       {
         "field": "id",
         "value": [123],
         "operator": "IN"
       },
       {
         "field": "time_preset",
         "value": "LAST_7D",
         "operator": "EQUAL"
       },
       {
         "field": "attribution_window",
         "value": "1D_VIEW_1D_CLICK",
         "operator": "EQUAL"
       },
       {
         "field": "hours_since_creation",
         "value": 48,
         "operator": "GREATER_THAN"
       },
       {
         "field": "mobile_app_purchase_roas",
         "value": [0.76, 0.84],
         "operator": "NOT_IN_RANGE"
       }
     ]
   }' \
-F 'execution_spec={
     "execution_type": "CHANGE_BID",
     "execution_options": [
       {
         "field": "change_spec",
         "value": {
           "amount": 0.80,
           "target_field": "mobile_app_purchase_roas"
         },
         "operator": "EQUAL"
       },
     ]
   }' \
-F "access_token=<ACCESS_TOKEN>" \
https://graph.facebook.com/<VERSION>/<AD_ACCOUNT_ID>/adrules_library