一些大型科技公司 建立广告平台，目的是帮助企业在线营销自己和产品。
借助 前身为 广告商或营销人员拥有“足够”的信息，能够逐步开展自己的营销活动。
Think with Google 或 也不例外，这些平台基本上提供了实施、衡量和跟踪广告活动有效性的分步说明。
广告
这种内容显然对一般营销人员极具“吸引力”。 除了有关广告工具的信息外，广告商还会收到大量关于如何最有效地开展活动的“有用”建议。
归根结底 广告平台的主要目标是让广告商更加关注个性化
个性化广告——故事并不像概念那么简单。
谈到广告个性化，Facebook 可能是最受关注的平台。 为了让企业支出更多，人们讲述了一系列鼓舞人心的故事。 从企业如何通过 Facebook 广告取得成功的故事到通过个性化策略取得的非凡成果。
在 Facebook 平台本身或其他广告平台的某个地方，您不难遇到如下广告内容：
“品牌 A，一家世界领先的……制造商 巴基斯坦电话号码表 通过 Facebook 平台找到了超过 80% 的客户，或者某公司 B 通过 Facebook 应用程序和服务“增加了高达 50% 的销售额””。
这些内容听起来固然极具吸引力，但问题是企业或品牌是否真的从广告活动中获益如此之多，尤其是个性化广告。 针对非常小的客户群（甚至个人客户）？
根据拉蒙鲁尔大学 ESADE 商学院和伊拉斯姆斯大学鹿特丹管理学院营销学教授的研究，Facebook、Google 或 Twitter 等广告平台在向企业提供信息时，往往不诚实地得出广告对品牌影响的结论 .
为了更好地理解这个问题，请考虑一个来自欧洲的消费品公司的真实例子，该公司多年来一直以可持续性为品牌定位。
该公司想探索在关注可持续性的广告和关注便利性的广告之间
通过运行广告拆分测试（A/B 测试）然后比较广告支出回报率 (ROAS) 的策略。 获得的结果显示，以可持续性为重点的广告的回报要高得多。
3) Facebook 然后使用机器学习算法来完善其选择策略 中巴名录 假设年轻人更有可能点击红色广告，那么系统就会开始自动将这些广告更多地投放给年轻人。
这里有什么问题？ Facebook 用于优化广告投放的机器学习算法确实降低了所谓的拆分测试的价值。
A/B 测试是围绕随机化的想法构建的（在上面的步骤#1 和#2 中）。 但是到了第 3 步，它仍然是随机的吗？
这就是问题所在。 如果您要将第 1 组的人与第 2 组的人进行比较，您将无法得出关于“因果”效应的结论，因为从第 1 组收到广告的人与第 1 组的人本质上是不同的。 在第 2 组中有很多不同的方式。
