Ki célozza ma a Meta hirdetéseidet, és mi marad a te dolgod?

A Meta 2026. augusztus 5-én közzétette, hogyan épül fel a hirdetésrangsoroló
rendszere. Ez a cikk arról szól, mit jelent a Meta hirdetés célzás átalakulása
egy magyar cég hirdetési költésében: mi került át a gépbe, mi maradt nálad, és
min érdemes változtatni.

Nem platformhír-összefoglaló. Az a kérdés érdekel minket, hogy hol van még
tényleges beleszólásod, ha a célközönség kiválasztását már nem te végzed.

Kulcstanulságok

• A Meta kétlépcsős rendszert használ: az egyik rész előre, a háttérben feldolgozza a felhasználó hosszú előzményét, a másik rész hirdetéskiszolgálás közben párosítja ezt az adott hirdetéssel.
• A rendszer a felhasználó korábbi viselkedését mindig a konkrét hirdetéshez méri. A párosítás tehát modellfeladat lett, nem beállítási feladat.
• A Meta négy tengelyen mérte, mitől lesz jobb a rendszer, és azt találta, hogy csak az együttes növelés hoz eredményt. Egyetlen tengely erőltetése szűk keresztmetszetet csinál.
• A Meta saját mérése szerint az átalakítás 6 százalékkal több konverziót hozott Instagramon, 3 százalékkal többet Facebookon, és 3,5 százalékkal több hirdetéskattintást Facebookon.
• Ami nálad maradt: kit akarsz megszerezni, mit ígérsz neki, milyen anyagot adsz a rendszernek, és milyen konverziós jelzést kap vissza tőled.
• Ezek a számok a Meta saját méretén, a Meta saját mérésével készültek. Nem ígéret arra, mi történik a te fiókodban.

Mit tett közzé a Meta, és miért érdekes ez neked?

A Meta a mérnöki blogján leírta a hirdetésrangsorolás felépítését, és mellé egy kutatási anyagot is kiadott. A lényeg egy szerkezeti döntés: a rendszer szétválasztja a felhasználó megértését és a hirdetés kiválasztását.

Az első lépcső a háttérben fut. Feldolgozza a felhasználó hosszú viselkedéstörténetét, és ebből egy sűrített reprezentációt készít, amit eltárol. Ez nem hirdetéskérésre történik, hanem előre.

A második lépcső akkor fut, amikor tényleg meg kell jeleníteni valamit. Ez összeteszi az eltárolt felhasználói reprezentációt az adott hirdetés friss jelzéseivel, és ebből dönt.

Neked ebből az a fontos, hogy miért választották ezt a felépítést. Azért, mert így lehetett erősebb rendszert építeni anélkül, hogy minden egyes hirdetésmegjelenítés arányosan drágább legyen. A hosszú előzmény feldolgozása egyszer történik meg, nem minden kérésnél újra.

Miért nem az érdeklődés alapú célzás a lényeg többé?

Mert a rendszer a felhasználó korábbi viselkedését az adott hirdetéshez méri, nem általánosságban. A Meta leírásában ezt egy olyan figyelmi mechanizmus végzi, amely a felhasználó előzményének azokat a részeit súlyozza fel, amelyek a most pontozott hirdetés szempontjából számítanak.

Egy példa. Ugyanannak a felhasználónak az előzményéből egy szerszámhirdetésnél más elemek relevánsak, mint egy nyelvtanfolyamnál. Régebben ezt a szűkítést a hirdető végezte el előre, érdeklődési körökkel és hasonmás közönségekkel. Most a modell végzi el, hirdetésenként, futás közben.

Ebből következik a gyakorlati eltolódás. Ha a párosítás bemenete a hirdetés maga, akkor a hirdetés tartalma nem csak kreatív kérdés, hanem célzási bemenet is. Amit a hirdetésben mondasz és mutatsz, az része lett annak, hogy kihez jut el.

Ezt a hirdetéskezeléssel foglalkozó szakemberek egy ideje mondják, a saját fiókjaikban látott mintázatok alapján. Az új anyagban az az érdekes, hogy most maga a platform írja le a mechanizmust, nem a piac következtet rá.

A négy tengely, amit a Meta mért

A Meta négy irányban vizsgálta, mitől lesz jobb a rendszer, és mind a négyen hasonló, log-lineáris összefüggést talált a ráfordított számítás és a teljesítmény között. A fontos megállapítás viszont nem ez, hanem hogy a négyet együtt kell növelni.

Ha csak az egyiket növeled, a többi lesz a szűk keresztmetszet, és a befektetett erőforrás nem térül meg. Ez a rész az, ami a saját hirdetési munkádra is átfordítható.

Egy magyar cég hirdetési fiókjában ugyanez a hiba a leggyakoribb, csak más tengelyekkel. Több költés ugyanarra a két kreatívra. Több kreatív ugyanarra az egy ajánlatra. Több ajánlat mérés nélkül. Mindhárom egytengelyű erőltetés, és mindhárom ugyanoda vezet.

Mit jelent ez a te hirdetési költésedben?

Azt jelenti, hogy a beállítási munka értéke csökkent, a bemeneti munka értéke nőtt. Nem az a kérdés többé, hogy milyen közönséget állítasz be, hanem hogy milyen anyagot és milyen visszajelzést adsz a rendszernek.

Három bemenet van, amit tényleg te adsz:

1. A hirdetés tartalma. A szöveg és a kép együtt írja le, kinek szól. Ha minden hirdetésed ugyanazt az egy dolgot mondja ugyanúgy, a rendszer kevés fogódzót kap ahhoz, hogy elváló embercsoportokhoz vigye őket. Emiatt lesz fontos a valódi tartalmi különbség a hirdetések között, és emiatt fárad el gyorsan az, ami csak felszínesen változik. A hirdetési fáradás kezelésének ma ez az első fele.

2. A céloldal. Ahova a hirdetés visz, az szintén leírja, miről van szó. Ha a hirdetés egy szűk problémáról beszél, a céloldal pedig a teljes szolgáltatáslistát mutatja, akkor a két jelzés nem ugyanazt mondja.

3. A konverziós adat. A rendszer abból tanul, amit visszajelzésként kap. Ha nálad minden űrlapkitöltés ugyanolyan konverzió, akkor azt tanulja meg, hogy hozzon űrlapkitöltést, nem azt, hogy hozzon vevőt. Itt a mérési és adatrendszer állapota közvetlenül a hirdetési eredményben jelenik meg, ezért érdemes a martech rendszer építési hibáit még a költés növelése előtt átnézni.

Ez a három együtt működik, pont úgy, ahogy a Meta négy tengelye. Ha kettő rendben van, a harmadik viszi le az egészet.

Amit a gép nem tud megcsinálni helyetted

Négy döntés maradt teljesen nálad, és ezek egyike sem technikai. A rendszer arra tud ráhajtani, amit célként megadsz neki. Azt nem tudja eldönteni, hogy jó célt adtál-e meg.

Kit akarsz megszerezni. A modell megtalálja azokat, akik valószínűleg reagálnak. Azt nem tudja, hogy közülük melyik lesz jó ügyfél nálad. Ez üzleti döntés, és ha nincs meghozva, akkor a hirdetés a könnyen megszerezhető, de gyengén megtérülő érdeklődőket fogja hozni. Erről szól az ügyfél tudatos kiválasztása.

Mit ígérsz neki. Az ajánlat nem beállítási kérdés. Ha a piac nem akarja, amit adsz, a jobb célzás csak gyorsabban mutatja meg ezt.

Mit jelent nálad a siker. A rendszer azt hozza, amit konverzióként visszajelzel. A definíció a te felelősséged, és ez a leggyakrabban kihagyott lépés. A digitális analitika itt nem riportgyártás, hanem az a munka, ami eldönti, mire tanítod a rendszert.

Mikor kell leállni. A modell nem tudja, hogy nálad mennyi az elfogadható megszerzési költség. Ezt a saját számaidból kell tudni, mielőtt a költést növeled. A gyakori performance marketing hibák nagy része ide
vezethető vissza.

Öt kérdés a hirdetési fiókodhoz

Ezt a listát végig lehet menni egy ülésben, adathozzáférés nélkül is. Ha bármelyikre nem tudod a választ, ott van most a legnagyobb tartalék.

1. A most futó hirdetéseid tényleg különböző dolgot mondanak, vagy ugyanazt mondják más képpel?
2. A hirdetés és a céloldal ugyanarról a problémáról beszél?
3. Mit jelentesz vissza konverzióként, és az tényleg összefügg a bevétellel?
4. Tudod a saját megtérülési határodat, vagy csak azt figyelitek, hogy „megy-e”?
5. Ha most kétszerezni kellene a költést, mi lenne előbb a szűk keresztmetszet: kreatív, ajánlat vagy mérés?

Amit ne olvass ki ebből

Ez a rész azért van itt, mert a platformhírekből rendszeresen túl sokat következtet a piac. Három konkrét dolog, amit ez az anyag nem mond ki.

A Meta számai a Meta méretén készültek, a Meta saját mérésével. Egy sok százmilliós felhasználói bázison mért 3 vagy 6 százalékos javulás nem kereskedelmi ígéret, és nem is a te fiókodra vonatkozó előrejelzés.

A leírás nem mondja azt, hogy a célzási beállítások mostantól értelmetlenek. Azt mondja el, hogyan súlyoz a rendszer. Hogy ehhez a te fiókodban milyen kampányszerkezet illik, az mérés kérdése, nem levezetés kérdése.

A szakmai közösségben kering néhány konkrét számarány arról, hány százalékban teljesít jobban a szűkítés nélküli célzás. Ezek gyakorlati megfigyelések egyes ügynökségek saját fiókportfólióján, nem független mérések. Érdemes tudni róluk, de nem érdemes rájuk tervezni.

Gyakori kérdések

Mi változott a Meta hirdetések célzásában?

A párosítás átkerült a hirdetőtől a modellhez. A rendszer a felhasználó előzményét minden egyes hirdetéshez külön súlyozza, ezért a hirdetés tartalma és a céloldal maga is bemenet lett abba, hogy kihez jut el a hirdetés.

Akkor most ne állítsak be semmilyen célzást?

Ebből az anyagból ez nem következik. Azt írja le, hogy a rendszer a hirdetésből és a felhasználói előzményből dolgozik, nem azt, hogy minden fiókban a szűkítés nélküli célzás a helyes. Hogy nálad mi működik, azt a saját méréseddel kell eldönteni.

Mennyivel lesz jobb az eredményem ettől?

Erre nincs felelős válasz. A Meta a saját rendszerének javulását mérte a saját méretén, nem azt, hogy egy hirdető mennyit profitál belőle. A te eredményed a kreatívtól, az ajánlattól, a céloldaltól és a mérésedtől függ.

Mit jelent az, hogy a kreatív egyben célzás is?

Azt, hogy a hirdetés szövegéből és képéből a rendszer következtetéseket von le arról, kinek érdemes megmutatni. Ezért nem elég a formai változtatás. Ha két hirdetés ugyanazt mondja, a rendszer számára közel ugyanaz a két hirdetés.

Mi a leggyakoribb hiba ebben az új helyzetben?

Egyetlen dimenzió erőltetése. Több költés ugyanarra a két kreatívra, vagy több kreatív ugyanarra az egy ajánlatra, vagy mindkettő rendes konverziómérés nélkül. A Meta saját eredménye is azt mutatja, hogy a párhuzamos növelés hoz eredményt, nem az egytengelyű.

Honnan tudom, hogy a mérésem elég jó ehhez?

Onnan, hogy össze tudod kötni a hirdetésből érkező érdeklődőt a tényleges bevétellel, legalább nagyságrendben. Ha csak az űrlapkitöltésig látsz, akkor a rendszer is csak addig tanul.

Következő lépés

Ha most azt látod, hogy a hirdetési költés nő, az eredmény viszont nem követi, a kérdés általában nem a célzási beállítás. Legtöbbször a kreatív változatosság, az ajánlat vagy a konverziómérés valamelyike a szűk keresztmetszet, és érdemes tudni, melyik, mielőtt több pénzt teszel bele.

Ha ebben kellene egy külső szem, írj nekünk.

Források

• Meta Engineering: From user sequences to scaling laws, a multi-stage architecture for Meta’s ads ranking (2026-08-05).
• LLaTTE: Scaling Laws for Multi-Stage Sequence Modeling in Large-Scale Ads Recommendation.