Predykcyjne budżetowanie kampanii: AI mówi, ile wydać na każdą ofertę MyLead

Każdy doświadczony wydawca zna ten moment: masz kilka kampanii, ograniczony budżet i musisz zdecydować, gdzie wrzucić więcej pieniędzy. Zwykle kierujesz się intuicją, ostatnimi wynikami albo tym, co akurat dobrze wyglądało wczoraj. To kosztuje – bo intuicja myli się regularnie, ostatnie wyniki bywają przypadkowe, a wczorajsze dane to nie jutrzejszy rynek.

Machine learning robi to samo co Ty, ale na podstawie dziesiątek zmiennych jednocześnie i bez emocji. W tym artykule pokażę Ci, jak zbudować prosty system predykcyjnego budżetowania dla swoich kampanii w MyLead – z gotowym arkuszem i skryptem Python, który możesz wdrożyć jeszcze dziś.

Dlaczego intuicyjne budżetowanie przepala pieniądze

Człowiek dobrze radzi sobie z porównywaniem 2-3 zmiennych. Kiedy masz 8 aktywnych kampanii, każda z innym EPC, CTR, współczynnikiem konwersji, sezonowością i historią wyników – Twój mózg upraszcza. Zwykle do jednej liczby: „ta kampania ostatnio szła dobrze".

Typowe błędy intuicyjnego budżetowania:

• Recency bias – przeceniasz wyniki z ostatnich 48h, ignorujesz trend z ostatnich 3 tygodni

• Survivorship bias – pamiętasz kampanie, które wygrały, zapominasz o tych, które przepaliły budżet w podobnych warunkach

• Brak early warning – zauważasz stratę, gdy już jest stratą, nie gdy dopiero się zaczyna

• Równe rozłożenie budżetu – klasyczny błąd „dam każdej kampanii po równo i zobaczę" zamiast ważenia według przewidywanego ROI

Model ML nie ma tych problemów. Przetwarza całą historię, waży każdą zmienną i daje Ci liczbę: tyle wydaj tu, tyle tam.

Jak machine learning przewiduje alokację budżetu

W uproszczeniu: model uczy się na Twoich historycznych danych, które kombinacje warunków (pora dnia, dzień tygodnia, źródło ruchu, nisza, EPC, CTR, koszt konwersji) prowadziły do rentownych wyników, a które do strat. Na tej podstawie przypisuje każdej kampanii przewidywany ROI na kolejny okres i proponuje alokację budżetu proporcjonalną do tego wskaźnika.

Nie potrzebujesz do tego zaawansowanej infrastruktury. Wystarczy:

• Dane historyczne z panelu MyLead (eksport CSV)

• Arkusz kalkulacyjny do wstępnej analizy

• Prosty skrypt Python z biblioteką scikit-learn

System early warning – jak AI wykrywa straty zanim się pojawią

Early warning to osobna warstwa systemu. Działa niezależnie od modelu alokacji i odpowiada na jedno pytanie: czy ta kampania zaczyna się psuć?

Model monitoruje odchylenia od baseline'u dla każdej kampanii. Jeśli CTR spada o więcej niż X% względem 7-dniowej średniej kroczącej, albo koszt konwersji rośnie powyżej progu rentowności – system wysyła alert, zanim dziura w budżecie stanie się widoczna w raportach.

Trzy sygnały, których nie możesz ignorować:

• CTR spada >15% względem 7-dniowej średniej – kreacja się wypala lub audience się nasyca

• Koszt konwersji przekracza 80% wartości wypłaty – kampania zbliża się do progu nierentowności

• Współczynnik konwersji spada przy stabilnym CTR – problem po stronie landing page lub oferty, nie kreacji

Każdy z tych sygnałów z osobna to jeszcze nie alarm. Dwa naraz – czas działać. Wszystkie trzy jednocześnie – zatrzymaj kampanię i zbadaj przyczynę.

Przykład obliczeniowy

Poniższy scenariusz jest hipotetyczny i służy jako ilustracja działania modelu. Liczby są przykładowe.

Wydawca prowadzi 5 kampanii CPL w niszy finansowej. Łączny budżet dzienny: 500 zł. Dotychczasowa alokacja: po 100 zł na każdą kampanię.

Po uruchomieniu modelu predykcyjnego wyniki dla kolejnego okresu:

• Kampania A – przewidywany ROI: 340% → rekomendowana alokacja: 195 zł

• Kampania B – przewidywany ROI: 210% → rekomendowana alokacja: 120 zł

• Kampania C – przewidywany ROI: 180% → rekomendowana alokacja: 103 zł

• Kampania D – przewidywany ROI: 95% → rekomendowana alokacja: 55 zł (poniżej progu – rozważ wstrzymanie)

• Kampania E – przewidywany ROI: 47% → rekomendowana alokacja: 27 zł (early warning aktywny)

Efekt: budżet przestaje być rozdzielany po równo i zaczyna pracować tam, gdzie model widzi największy potencjał. Kampanie D i E dostają sygnał do weryfikacji zanim przepalą resztę budżetu.

Praktyczny arkusz do alokacji budżetu

Skopiuj poniższą strukturę do Google Sheets lub Excel. Arkusz wylicza rekomendowaną alokację na podstawie ważonego ROI z ostatnich 30 dni.

Kolumny arkusza:

• A – Nazwa kampanii

• B – Wydatki ostatnie 30 dni (zł)

• C – Przychód ostatnie 30 dni (zł)

• D – ROI (%) = (C-B)/B*100

• E – Waga ROI = D / SUMA($D$2:$D$N) – gdzie N to ostatni wiersz z danymi

• F – Rekomendowany budżet dzienny (zł) = E * [całkowity budżet dzienny]

• G – Early warning = JEŻELI(D<100;"⚠ WERYFIKUJ";JEŻELI(D<50;"???? STOP";"OK"))

Formuła dla kolumny E (przykład dla wiersza 2, zakres danych D2:D6):

=D2/SUMA($D$2:$D$6)

Formuła dla kolumny F (całkowity budżet dzienny w komórce I1):

=E2*$I$1

Arkusz aktualizuj raz w tygodniu na podstawie eksportu danych z panelu MyLead. Nie rób tego częściej – zbyt częste zmiany alokacji nie dają modelowi czasu na zebranie danych.

Skrypt Python – gotowy do użycia

Poniższy skrypt wczytuje eksport CSV z panelu MyLead, trenuje prosty model regresji i generuje rekomendacje alokacji budżetu. Wymaga Pythona 3.8+ oraz bibliotek: pandas, scikit-learn, numpy.

Instalacja zależności:

pip install pandas scikit-learn numpy

Skrypt:

import pandas as pdimport numpy as npfrom sklearn.linear_model import Ridgefrom sklearn.preprocessing import StandardScaler # --- KONFIGURACJA ---PLIK_CSV = "mylead_export.csv"   # nazwa pliku eksportu z panelu MyLeadBUDZET_DZIENNY = 500             # całkowity budżet dzienny w złPROG_EARLY_WARNING = 100         # ROI poniżej którego włącza się early warning (w %)PROG_STOP = 50                   # ROI poniżej którego kampania powinna być wstrzymana (w %) # --- WCZYTANIE DANYCH ---df = pd.read_csv(PLIK_CSV) # Oczekiwane kolumny w eksporcie: kampania, wydatki, przychod, ctr, konwersje, klik# Dostosuj nazwy kolumn do swojego eksportu MyLeaddf.columns = df.columns.str.strip().str.lower() # --- OBLICZENIE ROI ---df["roi"] = (df["przychod"] - df["wydatki"]) / df["wydatki"] * 100 # --- CECHY DO MODELU ---# Model uczy się przewidywać ROI na podstawie CTR, kosztu konwersji i historycznego ROIdf["koszt_konwersji"] = df["wydatki"] / df["konwersje"].replace(0, np.nan)cechy = ["ctr", "koszt_konwersji", "roi"]df_model = df[cechy].dropna() # --- TRENING MODELU ---X = df_model[["ctr", "koszt_konwersji"]]y = df_model["roi"] scaler = StandardScaler()X_scaled = scaler.fit_transform(X) model = Ridge(alpha=1.0)model.fit(X_scaled, y) # --- PREDYKCJA ROI ---df["roi_predykcja"] = model.predict(scaler.transform(df[["ctr", "koszt_konwersji"]].fillna(0))) # Przycinamy ujemne predykcje do zera (kampania bez potencjału nie dostaje budżetu)df["roi_predykcja"] = df["roi_predykcja"].clip(lower=0) # --- ALOKACJA BUDŻETU ---suma_roi = df["roi_predykcja"].sum() if suma_roi > 0:    df["waga"] = df["roi_predykcja"] / suma_roielse:    # Jeśli wszystkie kampanie mają ujemny przewidywany ROI - równy podział    df["waga"] = 1 / len(df) df["budzet_rekomendowany"] = (df["waga"] * BUDZET_DZIENNY).round(2) # --- EARLY WARNING ---def status(roi):    if roi < PROG_STOP:        return "???? STOP"    elif roi < PROG_EARLY_WARNING:        return "⚠ WERYFIKUJ"    else:        return "✅ OK" df["status"] = df["roi"].apply(status) # --- WYNIKI ---wyniki = df[["kampania", "roi", "roi_predykcja", "budzet_rekomendowany", "status"]]wyniki.columns = ["Kampania", "ROI hist. (%)", "ROI predykowany (%)", "Budżet dzienny (zł)", "Status"]wyniki = wyniki.sort_values("Budżet dzienny (zł)", ascending=False) print("\n=== REKOMENDACJE ALOKACJI BUDŻETU ===\n")print(wyniki.to_string(index=False))print(f"\nŁączny budżet: {BUDZET_DZIENNY} zł")print(f"Kampanie wymagające uwagi: {(df['status'] != '✅ OK').sum()}")

Jak używać skryptu:

1. Wyeksportuj dane kampanii z panelu MyLead do pliku CSV

2. Dostosuj nazwy kolumn w sekcji "WCZYTANIE DANYCH" do swojego eksportu

3. Ustaw swój budżet dzienny w zmiennej BUDZET_DZIENNY

4. Uruchom skrypt: python budzet_predykcja.py

5. Odczytaj rekomendacje z tabeli wynikowej

Skrypt uruchamiaj raz w tygodniu. Model uczy się na danych historycznych – im dłuższa historia, tym dokładniejsze predykcje. Minimum do sensownych wyników to 30 dni danych na kampanię.

Najczęstsze błędy przy predykcyjnym budżetowaniu

1. Za mało danych historycznych. Model z 5 dniami danych wygeneruje losowe rekomendacje. Zanim wdrożysz predykcyjne budżetowanie, zbierz przynajmniej 30 dni danych dla każdej kampanii.

2. Ignorowanie sygnałów early warning. System wykrywa problem wcześnie, ale decyzję podejmujesz Ty. Jeśli ignorujesz alerty przez tydzień, tracisz cały sens monitorowania.

3. Zbyt częsta zmiana alokacji. Zmienianie budżetów co dzień nie daje kampaniom czasu na stabilizację. Tygodniowy cykl aktualizacji to minimum.

4. Optymalizacja bez zmiany kreacji. Model może powiedzieć Ci, że kampania traci potencjał, ale nie naprawi złej kreacji ani słabego landing page'a. Budżetowanie to jeden element – oferta i kreacja to drugi.

5. Ślepe zaufanie do modelu. Predykcja to prawdopodobieństwo, nie gwarancja. Model nie zna nagłych zmian rynkowych, nowych regulacji ani działań konkurencji. Twoja wiedza branżowa wciąż ma wartość – używaj jej jako filtru dla rekomendacji.

Podsumowanie – checklista wdrożenia

• Zebrałem minimum 30 dni danych historycznych dla każdej kampanii

• Wyeksportowałem dane z panelu MyLead do CSV

• Skonfigurowałem arkusz lub skrypt Python z moim budżetem dziennym

• Ustawiłem progi early warning (domyślnie: 100% i 50% ROI)

• Wdrożyłem tygodniowy cykl aktualizacji rekomendacji

• Nie zmieniam alokacji częściej niż raz w tygodniu

• Traktuję rekomendacje modelu jako wskazówkę, nie rozkaz

Chcesz wiedzieć, które kampanie w MyLead mają wystarczająco dużo danych, żeby zacząć predykcyjne budżetowanie już teraz? Zaloguj się na swoje konto i skontaktuj się z Affiliate Managerem – pomogą Ci wybrać odpowiednie oferty i wyeksportować dane w formacie gotowym do analizy.