type
status
date
slug
summary
tags
category
icon
password
目标：在一次广告展示前，系统会对每个用户–广告–场景组合，估计两个东西：
- Estimated Action Rate (EAR)：该用户看到这条广告后，发生你优化目标（点击、加购、购买、App 安装、潜客提交等）的概率。
- Estimated Value (EV)（可选）：如果你做 价值优化 / ROAS，系统还会预测该用户带来的价值分布（例如订单金额、LTV 概率等）。
拍卖排序（简化）：
- 排名分数 ≈ 出价（或内部等价出价） × EAR + 质量项
- 质量项惩罚“低质量/带来负体验”的创意与落地页（用户负反馈、加载过慢、误导性内容等）。
- 当你使用 最低成本、成本上限、ROAS 等策略时，系统会把你的约束映射成“等价出价”，参与实时拍卖。
信号与特征：它拿什么来算概率？
一、行为/结果信号（最关键）
- Pixel / CAPI / App Events（ViewContent、AddToCart、Purchase…），含事件价值、产品 ID、货币、数量等。
- 事件匹配质量（EMQ）与去重（Pixel 与 CAPI 同步时要去重）。
- 转化回传的时延与完整度（延迟/缺失会被“建模补齐”，但越准越好）。
二、平台内部信号
- 用户画像与兴趣（近、远期互动），社交关联度，设备、网络、时段。
- 创意与落地页的内容理解嵌入（图像/文本向量）、历史互动与负反馈。
- 广告主账户健康度、域名/像素历史可信度等。
三、上下文信号
- 展示位置（Feeds/Reels/Stories/IG/AN）与当前会话上下文。
- 频次与疲劳、预算与节奏、竞争强度（同拍卖对手结构）。
模型与学习：怎么“学会”你的生意？
多任务学习 + 排序/回归模型
- CTR 预估、转化率预估、价值分布预测、质量/负反馈预测并行训练，最终在拍卖时合并。
- 创意与文案经由 CV/NLP 生成向量特征，和用户特征、上下文特征一起进入排序模型。
探索–利用机制（Multi-armed Bandit 思路）
- 同一广告组内多素材会获得初始均匀曝光，随后系统快速向“胜出素材”倾斜。
- 如果你把受众切太碎或频繁重置学习，会让系统反复重新探索，成本抬高。
学习期（Learning Phase）
- 官方建议：每个广告组每周 ≥50 个优化事件（例如 50 次购买或 50 次潜客提交）。
- 不要频繁改大幅预算、出价、受众、优化目标，尽量做合并与稳定。
竞价与预算：策略如何影响预测与排序？
出价/成本策略
- 最低成本（Lowest Cost）：系统自由追求最低 CPA/CPI，波动较小、学习更快。
- 成本上限（Cost Cap）：以目标 CPA 控制拍卖门槛，量价平衡较稳，但门槛设置过紧会掉量。
- 出价上限（Bid Cap）：手动出价，适合强拍卖控制和极限拉低 CPA 的老手，易掉量。
- 价值优化 / 目标 ROAS（tROAS）：需要稳定的价值回传，系统将优先高价值人群。
预算分配（CBO/Advantage+ / A+ Shopping）
- 跨广告组预算会动态分配给边际回报更高的单元。过多的受众/素材切分会稀释学习。
- A+ Shopping/A+ App 更偏自动化：受众更广、系统更依赖你回传的真实转化/价值信号来“自学习”。
受众与扩展：从 Lookalike 到 Advantage+ Audience
- Lookalike：以你提供的 Seed（如高价值购买人群）为目标向量，做相似度扩展。
- Advantage+ Audience（广泛受众 + 提示）：你提供“提示”（地区/年龄/兴趣/过去客户），系统不过度受限，凭预测去找可能转化的人；对数据好的账户，常比“精细兴趣堆叠”更稳。
创意分发：为什么同组内的素材流量差异巨大？
- 系统先试探多素材（图、视频、Reels、文本变体），再根据早期互动→转化的因果贡献向优胜倾斜。
- 跨版位适配（比例、时长、节奏、字幕）会直接影响 CTR→CVR 的漏斗；素材与落地页的一致性影响“质量项”。
隐私与缺失数据：它如何“补数”与归因？
- iOS14+、浏览器限制导致转化缺失；系统使用：
- *聚合事件测量（AEM）与SKAdNetwork（SKAN）**回传；
- 转化建模（基于观测数据估计未观测到的转化）；
- 安全多方计算（用于 Lift 实验、合规聚合）。
- 这意味着报表中的“转化/价值”既有直接观测也有模型估计，短期波动属正常；长期趋势与 Lift/MMM 更可靠。
预测工具：Ads Manager 的覆盖/结果预估是怎么来的？
- 预估覆盖、CPA、转化量 = 历史相似投放 + 当前受众体量/竞争强度 + 你的约束（成本/ROAS/预算/日限额） 的模型输出。
- 它是区间估计，精度取决于你的历史稳定度与信号质量；小预算/新账户会更不稳定。
你能做什么：喂好预测模型的“实操清单”
数据与测量
- 用 CAPI + Pixel 双轨回传并去重；确保 EMQ（事件匹配质量）高（携带 email/phone/zip 等哈希字段）。
- 回传 Purchase Value/货币/Item ID，为价值优化/ROAS打基础。
- 减少转化延迟：服务器端回传要准时；确保 Thank-you 页与支付回传不漏单。
- 固定归因窗口（如 7 天点击 / 1 天浏览）做环比；用 Lift/试验验证因果，而不仅看平台内归因。
结构与稳定
- 合并受众：少而精的广告组，每组保证**≥50/周**优化事件；避免“每个兴趣一个组”的碎片化。
- 预算变更温和（≤20–30%/次）；在学习期内不要频繁改动关键参数。
- A+ Shopping / A+ Audience：给“广泛+提示”，别设过窄的硬性定向。
创意与落地
- 多样化素材（视频/静图/UGC/演示/对比/信任背书）；每组 3–6 条高质量变体，利于探索。
- 落地页速度、可用性、与广告承诺一致；结构清晰的价值主张和 CTA。
- 按 版位原生比例产出（Reels 9:16、Feed 4:5/1:1），减少系统裁剪与二跳损耗。
出价与目标
- 新品/冷启动：最低成本更容易破冷；有稳定数据再切换 成本上限/ROAS。
- 做 价值优化 前，确保订单价值分布 可被模型学到（≥200–300/周 购买事件更理想）。
常见误区（对算法“友好”但对业务“不友好”的做法）
- 过度精细定向，导致量级不够 → 学习期反复、CPA 飙升。
- 频繁“清学习”（大改预算/受众/出价）→ 模型永远在探索。
- 只看平台内短窗归因做结论 → 忽视延迟转化与跨渠道影响。
- 不回传价值就跑 ROAS / 不做去重就双轨回传 → 预估价值与量级偏差。
- 创意只有 1–2 条，且与落地页不一致 → 质量项被罚、拍卖吃亏。
关键监控指标（和它们的“算法含义”）
- 事件量与频率：是否支撑稳定学习（≥50/周/组）。
- EMQ 与去重率：影响识别与匹配，直接决定“可学习的信息量”。
- 学习期状态与波动度：是否频繁重置、是否存在“探索未完成”。
- 分版位/分素材转化率：素材–场景匹配度，是否被 Bandit 倾斜。
- 预算利用率/投放占比：CBO 是否把钱花在“边际回报高”的单元上。
- 质量诊断（预期互动率/转化率/质量排名）：拍卖中的“质量项”健康度。