Kampanie promujące aplikacje wykorzystują rotację kreacji z użyciem systemów uczących się, aby dobierać kreacje do zasobów reklamowych, użytkowników i czasu. Które podejście do zasobów pozwala uzyskać dobre wyniki?

Kampanie promujące aplikacje wykorzystują uczenie maszynowe do optymalizacji wyświetlania reklam. Aby system mógł skutecznie testować i dopasowywać kreacje do różnych użytkowników i kontekstów, potrzebuje różnorodnych zasobów. Dostarczanie kreacji różniących się treścią (np. różne cechy aplikacji), motywem (np. różne style wizualne), długością (np. krótkie i dłuższe wersje) oraz orientacją (np. pionowa i pozioma) pozwala algorytmom znaleźć najbardziej efektywne kombinacje. Przesyłanie filmów różniących się tylko drobiazgami lub jednakowych filmów przyciętych do różnych długości ogranicza możliwości testowania i optymalizacji. Przesyłanie mniejszej liczby kreacji niż wcześniej również zmniejsza szanse na znalezienie optymalnych rozwiązań, ponieważ system ma mniej opcji do wyboru.