1、不要频繁的调广告
对于新手来说，这点尤其重要，新手一般对素材与受众匹配的感知不是很强。凭感觉调广告，会耽误广告机器学习的时间。所以建议新手们最好是每调一次广告，至少间隔24小时，给予机器学习充分的时间。
PS:机器学习期间，你查看各种版位，设备覆盖信息，会发现，Facebook的算法在不断尝试覆盖各个流量渠道的潜在受众。
2、直接加预算
虽然有很多教程里有单独拎出好的素材出来单独跑的打法，但还是不建议。
如果单独拎出来，广告需要再重新学习，有国外的博主说Facebook每一个用户的账户上都有1000多个标签，你随便一动，初始覆盖的用户标签就变了，再加上外部的竞争也在不断变化，这时候单独拎出来，无疑增大了这个素材起量的难度，即使能起来，也浪费了时间。
3、好的素材及时复制到其他受众测试
这种方法虽然称之为放量有点儿牵强，但称之为横向放量方法，大家一定要记得尝试。好的产品与素材理应在最短的时间内尽可能的洗更多用户，千万别犹豫。
4、放量的速度与比例
如果没有短期内的量级KPI要求，可以使用慢策略，达到ROI与ROAS最大化，就是每隔24小时，加一次预算，预算范围是10%。
亲测，如果的初始预算是15美金的话，你加到18美金的预算可能比20美金的成效不会差，但是成本却节省了。再往上，你也要注意节奏。具体怎么加减预算你需要自己测试，基本法则是，把握频率，克制幅度。
5、受众的划分与受众的大小
大家都知道，一般来说，根据兴趣与行为标签来Targeting的时候，一般都处于转化漏斗的顶端，即项目的初期。
这个时候，如果根据单一的兴趣标签，你可能会发现，受众会很大，达到五百万往上甚至千万级别都很正常。
这个时候，你可以通过国家，地区，年龄，性别，设备等这些可以完全切割的指标，把受众划分的更细一些。这么做的好处之一等你起量了，多个小广告组都可以加预算，起量不受影响，崩坏也不相互影响。
当然了，这么做的好处还有很多，比如，针对特定的受众类型做特定的素材，各种对比测试也更方便等等。至于划分成多大，一般发达国家100~500万之间，那些第三世界国家，上千万感觉问题也不大。
