Meta znowu „ułatwia”. Jak reagować na kolejne zmiany i kiedy Advantage+ ma sens

Co się zmieniło: mniej zainteresowań i nowy próg decyzyjny

W lipcu Meta usunęła sporą część zainteresowań, kierując reklamodawców ku Advantage+. Kolejna nowość to dodatkowy ekran przed utworzeniem zestawu reklam, gdzie trzeba wybrać jedną z opcji:

• Pozostań w bieżącej konfiguracji — ścieżka preferowana przez Meta, z naciskiem na automaty i szerokie grupy (w praktyce blisko Advantage+).
• Zastosuj reguły wartości — możliwość podpowiedzenia systemowi, czego szukamy (np. transakcji o wyższej wartości), by algorytm szybciej optymalizował się pod „lepsze” zdarzenia.
• Jeszcze bardziej ogranicz zasięg reklam — tryb manualnych ograniczeń, który dawniej był podstawą budowania precyzyjnych grup (interesy, demografia, wykluczenia).

Nowy ekran nie blokuje ręcznej pracy, ale wymusza świadome potwierdzenie, w którym kierunku idziemy: automatyzacja i szeroko, czy precyzja i kontrola.

Kiedy Advantage+ ma sens

Automatyzacja w Meta potrafi dowieźć świetne wyniki, jeśli spełnimy kilka warunków:

• Dużo dobrych sygnałów. Konto ma historię konwersji, a Pixel + Conversions API zbierają poprawne zdarzenia (zakup/lead).
• Mocne listy źródłowe (.csv). Listy klientów, subskrybentów, kupujących — im „czystszy” seed, tym lepsze lookalike i trafniejsze dopasowania.
• Skala i elastyczność. Marki e-commerce z większym ruchem, rozbudowanym katalogiem i budżetem, który pozwala uczyć się algorytmowi bez ciągłego przerywania.

W takich warunkach Advantage+ skraca czas „do trafienia” w odpowiednie osoby i często obniża koszt pozyskania. To dobry „silnik” do skalowania.

Kiedy lepiej postawić na precyzyjne grupy (zainteresowania + lookalike)

Są scenariusze, gdzie manualne podejście wygrywa:

• Precyzja i testy. Kampanie, w których liczy się ścisłe dopasowanie profilu (B2B, niszowe branże, rynki lokalne, specyficzne persony).
• Mała skala danych. Nowe konta, niskie wolumeny konwersji, ograniczony budżet — algorytm nie ma z czego „uklejać” wzorców.
• Hipotezy produktowe/kreacyjne. Gdy chcemy jednoznacznie porównać różne segmenty odbiorców lub koncepcje kreacji, czyste, osobne grupy i zestawy są po prostu czytelniejsze.

Tu najlepiej działa połączenie wybranych zainteresowań z osobnymi grupami lookalike, z jasnymi wykluczeniami między nimi (by ograniczyć nakładanie się zasięgu).

Jak połączyć oba światy: strategia hybrydowa

W praktyce najczęściej wygrywa miks:

1. Prospecting szeroki (Advantage+) — pozwalamy algorytmowi szukać nowych użytkowników, ale…
2. Równolegle precyzyjne zestawy — osobne ad sety na 1–2 hipotezy zainteresowań oraz osobne lookalike (np. 1%, 2–5%) z jakościowego seeda.
3. Remarketing i sekwencje — zestawy na użytkowników z koszykiem/produktem/LP, osobno widzowie wideo i zaangażowani w IG/FB.
4. Wykluczenia i priorytety — wzajemne wykluczenia między prospectingiem i remarketingiem, oddzielnie listy klientów/kupujących.

Taki układ daje skalę z automatu, ale zachowuje czytelność testów i możliwość sterowania kosztami.

Co zrobić po usunięciu części zainteresowań

Brak niektórych interesów nie oznacza, że tracimy precyzję. Zastępniki:

• Własne sygnały. Widzowie wideo (25–95%), osoby zapisane na newsletter, zaangażowani w profil, osoby z koszykiem/produktem.
• Listy klientów i lookalike. Im lepszy seed (np. klienci o wysokiej wartości życiowej), tym trafniejsza grupa podobnych.
• Wykluczenia. Aktualni klienci, niskiej jakości odbiorcy, aplikacje/gry, placementy o słabej jakości — to „ciche” dźwignie poprawy wyniku.
• Formaty i placementy. Ten sam przekaz dopasowany do Reels/Stories (pion, szybki „hook”) często zmniejsza koszt kontaktu bardziej niż „dokładniejsze” zainteresowanie.

Co znaczą nowe opcje na ekranie tworzenia zestawu reklam

• Pozostań w bieżącej konfiguracji. Dla kont opartych na automatach i szerokich grupach — szybki start i skalowanie, ale mniej kontroli nad „kto dokładnie” zobaczy reklamę.
• Zastosuj reguły wartości. Gdy liczy się wartość koszyka/lead premium — algorytm kieruje budżet ku użytkownikom o wyższej wartości przewidywanej.
• Jeszcze bardziej ogranicz zasięg reklam. Dobre, jeśli musimy „dowieźć” jakość w wąskiej personie, przetestować niszowe hipotezy lub ograniczyć wycieki budżetu.

Wybór warto traktować jak dźwignię testową, a nie deklarację na zawsze. Różne linie kampanii mogą korzystać z innych opcji.

Plan testów: jak to ułożyć, żeby cokolwiek wiedzieć

• Jedna zmienna naraz. Testujemy placement/format albo grupę odbiorców, nie wszystko naraz.
• Osobne zestawy i wyraźne nazwy. Dzięki temu wiemy, co wygrało, i możemy skalować zwycięzcę.
• Czas na naukę. Dajemy 3–7 dni lub określony budżet na zestaw (np. równowartość 50–100 docelowych zdarzeń) zanim zdecydujemy.
• Stabilne środowisko. Zmiany w „paczkach” co kilka dni; brak mikro-edytowania codziennie.
• Progi decyzji. Z góry definiujemy, co oznacza „wygrywa” (np. koszt/konwersję ≤ X, ROAS ≥ Y, częstotliwość ≤ Z).

Jak mierzyć i porównywać

• Wynik bezpośredni: koszt/konwersję, ROAS, wartość koszyka/lead.
• Jakość ruchu: czas na stronie, przewijanie, mikrokonwersje (np. zapis).
• Asysty i ścieżki: czy prospecting obniża koszt w remarketingu i Search, czy rośnie brand uplift.
• Częstotliwość i overlap: czy nie „męczymy” tych samych osób i czy zestawy nie kanibalizują zasięgu.

Najczęstsze błędy (i proste poprawki)

• Za szybkie skalowanie. Budżet +50% w jeden dzień = rozjechane wyniki. Lepiej +10–20% co 2–3 dni.
• Mieszanie hipotez. Kilkanaście zainteresowań w jednym zestawie = brak wniosków. Trzymaj czystość testów.
• Brak wykluczeń. Bez wykluczeń remarketingu i klientów rośnie koszt i częstotliwość.
• Ignorowanie kreacji. UGC, dowód społeczny, demo i pierwsze 3 sekundy wideo potrafią „zrobić” kampanię bardziej niż zmiana targetu.
• Za krótkie okno oceny. Prospecting i wideo często „pracują” po kilku dniach — sprawdzaj asysty, nie tylko last click.

Podsumowanie artykułu

Automatyzacja w Meta nie jest ani „lekiem na wszystko”, ani wrogiem precyzji. Advantage+ świetnie działa, gdy mamy dobre sygnały, historię i budżet na naukę. Precyzyjne grupy (zainteresowania + lookalike) wygrywają tam, gdzie liczy się kontrola, mała skala i jasne hipotezy testowe. Najlepsze efekty zwykle daje strategia hybrydowa: szeroki silnik automatyczny + równoległe zestawy manualne, które dostarczają jakości i wniosków. Klucz to czyste testy, sensowne okno oceny, pilnowanie częstotliwości oraz praca nad kreacją i stroną docelową. Dzięki temu to my decydujemy, a algorytm… po prostu robi swoje.