前言

為什么會詳細拆解術語概念，請查看此文章如何成為頂級廣告優化師 之 萬字拆解CPM

為什么要講ROAS？起始本質和CPM一樣，CPM是廣告平臺最重視的指標，因為它本質上就是廣告收入，直接對應企業最重要的銷售額。ROAS 同樣，它更重要，因為它包含了收入和成本，因此對應的是企業更重要的指標：利潤！

最終付費部分中，將帶你發現最前沿的廣告優化技能：你完全可以預測素材效果，而且準確度很高！

我想了下，下次主題大家可以定一下，最終選一個評論里點贊最多的前3名，可以獲得全文免費閱讀權限。最終小魚兒選中主題的粉絲，下次付費文章也免費。

給幾個主題大家參考

• 廣告優化師/營銷人的職業規劃

• 萬字拆解xxxx

• 提升廣告效果的xx個技能（主講方法，進一步講方法論）

• 管理相關的

• AI 時代，優化師何去何從

• ......

目錄

前言

1.概念的解釋及其歷史

1.1什么是ROAS,ROI?

1.2 ROI的前世今生

1.3 ROAS的前世今生

2.購買價值的跟蹤

2.1購買價值不是最重要的,最重要的是知道這個用戶的購買價值!

2.2歸因模型與歸因窗口

為什么很多廣告系統/分析工具均選擇Last Click歸因模型?而不不選擇其他模型?

2.3這種last clicks舊因模型會造成什么后果?

3.長篇大論分析了購買價值,這到底有什么用?

4.那么什么樣的優化師最賺錢?

參考資料

1. 概念的解釋及其歷史

1.1 什么是ROAS，ROI？

這次講的是ROAS，即Return on Advertising Spend，直譯就是廣告支出回報率。但是你去搜索就會發現，這個ROAS 計算公式確有好幾個。基本可以分為2類計算方法。

計算公式1：ROAS=profit/spend（cost），即毛利/花費，還有的是net profit 就是凈利/花費

計算公式2：ROAS=income/spend，即收入/花費

1.2 ROI 的前世今生

最不可思議的是，你還會遇到ROI 這個指標。ROI即 Return on Investment，或成本回報率（ROC）是凈收入（在一定時期內）與投資（在某一時間點投入某些資源的成本）的比率。高 ROI 意味著投資的收益與其成本相比有優勢。作為績效指標，ROI 用于評估投資的效率或比較幾個不同投資的效率。從經濟學的角度來看，這是將利潤與投入資本相關聯的一種方式。（來自https://en.wikipedia.org/wiki/Return_on_investment）

ROI 的完整計算公式

其中， I0是投資的當前價值， ?I? 是投資收入，?Q? 是初始投資和其他費用。根據公式，分子其實就是利潤，至于是毛利，還是凈利，取決于你的需求。

ROI 的歷史

投資回報率指標是由唐納德森·布朗（Donaldson Brown）開創的，他是一位與杜邦和通用汽車都有關系的美國金融高管。1912 年，在杜邦公司工作時，布朗開發了一個公式，通過將利潤與投資聯系起來來評估投資的效率。這個公式成為杜邦分析的基本組成部分，杜邦分析是一種綜合性的財務評估工具，將投資回報率分解為多個因素，如利潤率和資產周轉率。

在杜邦公司最初應用，當布朗于 1921 年加入通用汽車公司時，投資回報率（ROI）概念得到了更廣泛的認可。在通用汽車，他將 ROI 作為關鍵績效指標，用于評估各個部門的盈利能力，從而促進更明智的管理決策。這一應用展示了 ROI 在大規模、多元化的組織中的實用性，導致其在企業界得到廣泛應用。

幾十年來，投資回報率（ROI）已成為評估各行業投資績效的標準指標。其簡單性和多功能性使企業能夠比較不同投資的效率，有助于戰略規劃和資源配置。

可以看出來ROI 的誕生，本身就是為了解決財務問題，為了更好地衡量投資收益。

1.3 ROAS 的前世今生

ROAS 的歷史

不像ROI，ROAS 沒有明確的來源或者發明人，這個更多來自于一群人的實踐，沒有明確的歷史記載。ROAS 可以認為來源自ROMI（Return on Marketing Investment，營銷投資回報率），這里的Marketing 當針對的是廣告時，就變成了ROAS。同樣，ROAS 的誕生是源于互聯網的發展，電子商務的發展，使得數字廣告可以準確監控到收入，從而可以提供ROAS指標，以便企業主決定廣告的投入。

現狀

實際應用中，在中國，很多人會把ROI=ROAS，實際上準確的應該是ROAS，但是說實話行業發展時間太短。前期的業內人士沒有特意區分，導致ROI=ROAS。這沒啥大事，但是對于嚴謹的想要精進的新進者而言非常不友好。我還是十分建議大家使用ROAS，不要再使用ROI。

2. 購買價值的跟蹤

無論是ROI還是ROAS，都包含了2部分，收入和投入。投入這個很好計算，就是之前拆解過的CPM。這次我們重點講Return（回收，收入）。在廣告行業內，return對應的就是廣告收入，電商中對應的指標叫purchase value （購買價值）或 conversion value（轉化價值），或者訂單金額，都是一個意思。下文將統一稱之為 Value/購買價值。

那么廣告系統如何監控購買價值呢？單純獲取這個指標很簡單，用的就是JavaScript代碼（跟蹤代碼），Pixel像素等。只要在網站后臺代碼中加入即可，就是授權廣告平臺有權獲取這些價值數據。這個對于商家和廣告平臺是天然雙贏的，商家愿意主動授權，這無可厚非。

2.1 購買價值不是最重要的，最重要的是知道這個用戶的購買價值！

難的是，如何將購買價值對應到那個客戶。這就涉及到隱私了，而隱私是涉及到法律的，涉及到利益不一致的客戶信息擁有方。在互聯網時代，客戶信息托管方就是軟件系統廠家（安卓，iOS，windows）。iOS和安卓系統，兩個系統均越來越重視客戶信息隱私和安全性。只是iOS更激進了。

購買價值必須是基于用戶的，這必須一一對應。為什么？這是基礎，是廣告優化的重中之重。看下圖

IDFA 和 GPS-ADID 分別是iOS系統和安卓系統針對客戶的廣告標識符，可以理解為身份證號。我們以Meta 舉例，看一下一個客戶從meta進入網站內部完成購買的過程，Meta 系統里圍繞內部Meta user id存儲大量用戶信息，這個用戶A 使用蘋果手機，在Facebook 上看到了一個廣告，然后點擊進入到了商家網站（shopify系統）上，這時候iOS系統將這個用戶IDFA + 站內一系列行為數據通過 Facebook Pixel 傳輸給Meta，當然此時shopify系統本身也會給用戶一個唯一ID 我們稱之為shopify user id，一樣帶著各種行為數據。

整個數據傳輸流程：用戶點擊 Meta 上的廣告 → Meta 使用?IDFA?跟蹤用戶 → 用戶訪問電子商務網站并進行購買 → 網站將帶有 IDFA 的轉化數據發送回 Meta →?Meta 將銷售歸因于廣告。

這個過程中可以看到IDFA 起到了至關重要的作用，meta和商家都可以有自己的用戶ID 這沒有問題，關鍵在于在ios系統內部，如果缺少IDFA 就無法做到用戶級的數據匹配（每個用戶都單獨追蹤到）。將雙方數據打通，這個數據缺失直接導致Meta 無法精準獲取用戶級的轉化數據，簡單說就是不知道哪些客戶購買了。這個問題非常大，因為Meta 必須依賴匹配到的這些轉化用戶（高質量用戶）在Meta 旗下app（如Facebook）中去尋找相似用戶，從而放大廣告觸達面，增加花費，優化出更高的ROAS 并給商家帶來收入！

當然蘋果對于廣告平臺提供 兩種效果跟蹤工具：PCM（針對網站跟蹤）、SKAdNetwork（針對app）。但是，針對Apple ATT、PCM、SKAdNetwork帶來的一些問題，以及對于網站事件歸因，PCM無法滿足廣告主的一些關鍵需求，Meta為了彌補這一缺陷，推出了全事件衡量AEM（Aggregated Event Measurement）。即使Meta做了這些，改變不了它只能獲取的是聚合數據，也就是一批用戶打包好發送給meta（并沒有IDFA），Meta只能依賴這些匿名數據去猜（AI，建模，概率分析等），這導致數據的精準度大大降低，而且這些聚合數據本身并不是實時的，所以Meta 也說數據歸因時間也將拉長，且因為使用概率匹配預測也需要時間，進一步拉長了歸因時間。

這種底層的用戶ID 無法獲取的問題，導致meta 廣告效果大幅下降，讓Meta 的收入在2022年出現罕見的同比下跌1.7%（谷歌同期同比上漲7.1%?）。

2009-2024 Meta 收入變化 - 來自statista

谷歌廣告收入變化（statics）

來源：https://www.statista.com/statistics/266249/advertising-revenue-of-google/

我們上面分析的是沒有留下email的的客戶，實際上針對留下郵箱的客戶，是可以做到用戶級的追蹤的。詳細過程如下：

用戶主動提交的場景：

如果用戶在商家網站（如Shopify店鋪）主動填寫郵箱（例如注冊、訂閱、結賬時），且商家將郵箱數據通過以下方式共享給Meta，理論上Meta可以獲取：

Meta Pixel的字段傳遞：

Meta Pixel支持商家將用戶郵箱作為自定義參數（如email字段）發送至Meta的廣告系統。例如，用戶在結賬時輸入的郵箱可能通過事件代碼（如fbq('track', 'Purchase', {email: 'user@example.com'})）被記錄。

服務器端數據集成：

商家可能通過服務器端API（如Conversions API）直接將用戶郵箱與Meta賬戶關聯，繞過瀏覽器端限制。

頂級優化師可能發現問題了，上面我說的轉化不是購買嘛，既然是購買那么客戶肯定留下了郵箱了，是可以追蹤的呀。對，的確如此，但是轉化實際上包括：瀏覽頁面時長，加入購物車，發起結賬，購買。而且越前面的行為數據越多，比如加購數量肯定遠超購買的，都不是一個數量級。轉化數據越多越好，你投放的時候選擇的目標是sale/purchase，meta 對于加購，發起結賬，購買三個轉化指標都會重點參考，權重都比較高，只是相對來說purchase更大。

在如何成為頂級廣告優化師 之 萬字拆解CPM中我們提到當以CPA 為目標的，廣告排名公式?：eCPM = 預估點擊率 ×?預估轉化率? × 目標轉化出價 × 1000 ，大家有沒有注意到這個預估轉化率，這個預估轉化率我們假設（極有可能是）=a*預估加購率+b*預估發起結賬率+c*預估CVR（a,b,c表示權重），其中a>b>c，但是沒有CVR，即時c再大也沒有用，這個是0呀。再加上數據量的問題，加購數量遠高于購買的，而且加購的權重實際上不比CVR低多少！

為什么加購權重高，但是我投加購廣告ROAS那么差呢？

很多人應該嘗試過設置加購為目標投放廣告，發現ROAS 很差，低于購買目標廣告roas。是的，對于大部分商家來說是這樣的。然而重要的是！漏斗營銷模型并沒有問題，這取決于你思考問題的角度和高度，站在整個行業的角度（Meta ，谷歌角度）的確是這樣的，用戶在商家A 加購了產品，并沒有購買，但是大概率最終還是會購買，只不過可能是在B,C,D...商家購買了！

大家思考下自己的購物過程，特別是對單價較高，沒有什么品牌壟斷的產品。你最開始看到的品牌和你最后購買的是不是同一個？當我們買東西的時候，加購的時候實際上我們看到了價格，也看到了詳情頁，加購了代表我們能接受這個價格，這個產品。只是最終沒在這里買而已呀！

所以對于廣告平臺來說，加購是個非常重要的轉化行為。如果說你是行業TOP5以內的，或者PMAX 廣告中展示份額占比超過20%（可以更高），那么投放加購廣告是最合適的，因為市場占有率高，渠道鋪的廣（SEO，KOL，聯盟，EDM等都做的很好了）（也就是加購-購買成功率高）使用lifetime歸因，這個加購廣告最終轉化ROAS 實際是很高的。下面就是一個行業top 商家的數據，90天，采用Linear Paid 歸因，facebook ads，非購買廣告。歸因窗口1天ROAS=1.44，liftetime（實際上是90天） 歸因ROAS=3.67，歸因延遲乘數=3.67/1.44=2.55。是不是很變態？！也就是說，當天ROAS是1，90天之后ROAS 就是2.55！

第二張圖是另一家，但是沒有那么強的市場占有率，延遲歸因乘數也有=1.72/0.9=1.9! 當然這也是因為測試期，沒有專門針對上層漏斗廣告進行優化。當天ROAS 從0.9 優化到1.2-1.5問題不大的。但不建議新品牌投上層，即時投放也不建議預算超過廣告預算的10%。

前面我們已經從購買價值的計算分析到用戶價值的跟蹤是核心，還有個問題，就是歸因窗口和歸因模型，上面示例大家也看到了。這個也很重要，因為一個用戶可能看過多個廣告，那么就會涉及到歸因問題，到底歸因到哪個廣告呢？

2.2 歸因模型與歸因窗口

先解釋下常見的幾個歸因模型

1. 首次點擊（First Click）和最后點擊模型（Last Click）

第一次點擊（FC）模型將所有功勞歸因于初始接觸點，而最后點擊（LC）模型將所有功勞歸因于轉化前的最后一個接觸點。

適用場景

• 首次點擊：用于識別哪些渠道或廣告引發客戶興趣并產生認知。

• 最后點擊：了解哪些渠道或廣告在將潛在客戶轉化為客戶方面最有效。

優點

• 首次點擊：突出頂部漏斗營銷活動的有效性。

• 最后點擊：關注促成交易的關鍵接觸點，有助于優化下漏斗活動。

示例

• 想象一個客戶首先看到一條 Facebook 廣告并點擊它，但沒有購買。兩周后，他們收到了你的品牌的一封電子郵件，點擊了它，但仍然沒有購買。最后，他們看到了一條 Google 搜索廣告，點擊了它，并決定購買。在首次點擊模型中，Facebook 廣告獲得了所有功勞，因為它是開始客戶旅程的初始接觸點。在最后點擊模型中，Google 搜索廣告將獲得所有功勞。

2. Linear Attribution Model ?線性歸因模型

線性歸因模型將等量功勞分配給客戶旅程中的每個觸點，通過將可歸因收入分配給所有觸點。此模型非常適合分析各種營銷努力如何共同促成轉化，而不會過度強調任何單個觸點。

有兩種線性歸因版本。

• Linear (All)?線性（全部）將功勞分配給所有流量來源，包括有機和非付費流量。它通過認識到客戶與您的品牌互動的貢獻，提供了一個對所有營銷努力的平衡視角。

• Linear (Paid)?線性（付費）模型僅將同等功勞分配給客戶旅程中的付費互動（即營銷渠道）。通過排除自然流量，線性（付費）模型幫助您了解您在付費營銷渠道上的投資如何促進轉化。

適用場景

• 當您想了解每個營銷接觸點的貢獻時。

• 適用于每個互動在轉化過程中都發揮重要作用的營銷活動。

優點

• 對所有營銷活動進行公平的分析。

• 確保沒有任何單一渠道或互動被高估或低估。

例子

• 想象一個客戶點擊了 Twitter 廣告，隨后在營銷郵件中的博客文章鏈接。然后他們在 Facebook 上點擊了重定向廣告。最后，他們在 Google 搜索廣告中點擊并完成了購買。在線性（全部）模型中，功勞在所有觸點（Twitter 廣告、博客文章鏈接、Facebook 重定向廣告和 Google 搜索廣告）之間平均分配，表明每個互動都參與了轉化。在線性（付費）模型中，功勞在所有付費觸點（Twitter 廣告、Facebook 重定向廣告和 Google 搜索廣告）之間平均分配。

3. 時間衰減歸因（Time Decay）

介紹：離轉化時間越近的觸點，獲得的功勞比例越高。

適用場景

• 短促銷周期（如限時折扣、節日活動）。

• 適用于強調臨近轉化階段的渠道（如再營銷廣告）。

優點

• 更符合用戶決策邏輯（近期互動影響更大）。

• 適合評估短期促銷效果。 缺點：

• 可能低估早期品牌建設的作用。

示例

用戶7天前點擊Facebook廣告 → 3天前打開郵件 → 1天前點擊Google廣告并購買 → Google廣告功勞最大，Facebook最小。

4. 基于位置的歸因（Position-Based / U型歸因）

首次和末次觸點各占40%功勞，中間觸點平分剩余20%。

適用場景：

強調“獲客+轉化”雙重目標的營銷策略（如電商、SaaS）。

適用于評估漏斗頂部（品牌曝光）和底部（轉化促成）的效果。

優點

平衡了初始獲客和最終轉化的貢獻。

適用于大多數數字營銷場景。

缺點

中間觸點（如內容營銷）可能被低估。

示例

用戶路徑：SEO自然搜索 → 博客內容 → 再營銷廣告 → 購買，首次（SEO）和末次（再營銷廣告）各占40%，博客占20%。

5. 數據驅動歸因（Data-Driven）

基于機器學習算法，動態分配各觸點的功勞權重。需足夠數據支持。

適用場景

數據量大的企業，追求精準歸因。

適用于復雜用戶路徑（如跨設備、多渠道）。

優點

最科學、最貼近真實用戶行為。

自動優化權重，減少人為偏差。

缺點

需要大量歷史數據，不適用于小企業。

示例

某電商發現“社交媒體廣告+郵件提醒”組合的轉化率比單獨渠道高30%，因此算法自動提高該組合的功勞權重。

6. 多觸點最大化歸因（非標準模型）

• 邏輯：將每個接觸點視為獨立貢獻者，賦予其全部轉化價值（如一個客戶經過3個渠道購買了900美金的產品，那么各渠道均計為900美元，總和2700美元）。

• 適用場景：評估渠道對多筆潛在轉化的潛在影響力，而非單次轉化的實際貢獻。

• 局限性：數據虛高，無法反映真實ROI，且與實際業務邏輯沖突

最后一個歸因模型是小魚兒加的，這個比較特別，并不是行業標準模型，且很少涉及，但是這個對于大家理解渠道重合度很重要。

大家請務必牢記歸因模型定義和特點，才能看懂下面的分析.

為什么很多廣告系統/分析工具均選擇Last Click 歸因模型？而不選擇其他模型？

即使是谷歌廣告早期也是默認Last click歸因的。

我們先看一下數字廣告優化邏輯圖

最重要的原因是RTB（real-time bidding） 實時出價，在上一課如何成為頂級廣告優化師 之 萬字拆解CPM?我們提到的，排名算法中不同類型的數據權重不同，實時數據>近期數據>歷史數據，last click歸因是最接近實時數據的，是最準確的歸因。這還涉及到一個底層原因，預測時間越短，預測越準。通俗講就是天氣預報，明天準確度幾乎肯定是高于后天的天氣準確度的。如果大家了解指數平滑法就能地從數學上理解了。在上一課我們提到了，GSP和VCG算法，但這只是動態的一面而已，缺少了時間維度和其他高緯數據。我們只談時間維度，實際上GSP算法是實時的，但是在實時獲取的數據時間點也是不一樣的，算法會分析不同時間數據，不同類型數據不斷進行降維處理，直到變成一維。也就是最終的排名分數進行排名。這個過程就可以理解為指數平滑思想在互聯網廣告場景的超級增強版。其他維度這還涉及到RNN,CNN,LSTM等深度學習神經網絡算法，此處不再深入。

以上是數學上的研究，實際上就是人的最終行為表面上看都是最后一根稻草影響最大。這個記憶更深刻呀。但是這就是正確的嗎？

很多時候并不是的，壓力大到最終崩潰是最后一次矛盾影響的嗎？這只是冰山一角，本質上說就應該包括前期的壓力積累。甚至你自己都感覺不到，只有潛意識里感知到了。舉個例子，馬加爵殺人案，在正常人看來他的室友做的達不到那樣的傷害，問題是他為什么覺得這很傷害他。結合多份犯罪心理學研究及家庭背景分析，是遺傳（占比小）+ 家庭和學校情感鏈接太少（共情他太少，他共情別人太少）。實際最終結果的影響權重最大的可能是最后一點，但是最多也是40%，單一因素確實是最大的，但是前面60%的經歷就忽略了嗎？

這也是為什么谷歌廣告比Meta更強的重要原因之一，谷歌廣告歸因很早就拋棄了最后一次歸因，加入了各種歸因模型，直到最新的data driven 歸因。

2.3 這種last clicks歸因模型會造成什么后果？

直接造成決策失誤和團隊矛盾。

大部分的系統都是默認last click歸因，包括自然搜索，聯盟系統，EDM系統。所以當我們每個渠道單獨看自己渠道歸因時候，實際上就是多觸點最大化歸因。算出的總銷售額高于實際銷售額。這個比例甚至超過150%，這還不是重點，重點是這個重合度不穩定，這季度120%，下個季度可能就是140%了。

這種歸因模式，會造成對單個渠道功勞的判斷出現錯誤。看下圖，是針對聯盟渠道的不同歸因，ROAS 的差異。

Shareasale 是個聯盟渠道，圖中左邊的ROAS 是Linear All 模型下的，右邊的就是這渠道后臺顯示的ROAS。看到沒，如果按照后臺看明顯Shareasale 還有很大的提升空間，ROAS僅次于谷歌廣告。如果僅根據這個數據，決定去擴大聯盟，甚至提高傭金比例，那就是大錯特錯了。因為按照LA 模型，這個渠道的ROAS 僅1.49，是最低的。再深入查看用戶旅程就會發現，實際上這個渠道絕大部分都是在收割流量（特別典型的就是折扣站），而且這個傭金明顯高了，要降低呀。這個用戶接觸點（渠道）數量并不是越多越好的，有一個均衡值，行業不同這個也不同。價格在100美金左右的，基本控制在3個左右。但是不能高達6個了，那樣是無效的甚至引起用戶反感，就像這里，實際上客戶已經大概率會買了，因為聯盟插了一腳還被分去了傭金。

這就說明了歸因模型的準確性，直接決定了決策的準確度。要不然就會造成不可估量的損失。

那么為什么會造成團隊矛盾呢？

Last click歸因造成無法客觀評估各渠道對整體業績到底有多大功勞，再往下就涉及到利益分配了。各渠道之間都只看自己的后臺，下圖左邊使用TA 歸因，affliate渠道銷售額高達4萬美金，低于 operation（站內活動，客服，相關插件帶來的），但實際上LA 模型下，其功勞高于operation 60%以上呀。

你看這就涉及到渠道功勞問題，能不能找到與網站目標一致的評估標準，最合適的就是LA（實際也不客觀，但是好在絕對公平，各渠道權重一樣。最優選擇是根據渠道屬性選擇特定歸因模型，但是太復雜，實操上說比較難，但是團隊能力足夠還是可以執行的。）

更長遠的是涉及到年度目標拆解時（通常是銷售額+利潤率），多觸點最大化歸因 模型下難以有效拆解，因為你需要考慮重合度的問題，不得不做出更高的重合度預估，防止出現各渠道業績完成，項目目標沒有完成的情況。重合度高了，就相當于變相增加各渠道目標了，誰心里會真的認可？

相信到這里，大家就知道為什么ROAS那么重要了，本質不是roas。而是準確跟蹤銷售額，轉化這個才是最重要的。我們聊到ios 更新的問題，歸因窗口，歸因模型的問題。那么這些數據怎么獲取，大家注意到我給的截圖基本都不是谷歌分析的，對，這是一個工具，為了防止廣告嫌疑。轉發本文，私聊告知。這個工具很貴，但是確實很重要，不建議新品牌入手（月銷售額<5萬美金，極限是2萬美金，此時工具成本大概是銷售額的2%以下，再低就不合適了），意義不大，使用谷歌分析或shopify后臺的多渠道歸因就夠了。

3. 長篇大論分析了購買價值，這到底有什么用？

總結一下

1. 讓大家認識到數據跟蹤的重要性，數據歸因的重要性，提升大家的認知。數據跟蹤不準，地基不準，所有的一切都是錯的；

2. 數據監控準確的前提下，上層漏斗可以投放，但要考慮品牌所處的階段；

3. 高單價產品（低單價也一樣，可以有效降低測試成本），長決策周期的產品，加購率權重不比CVR低；

首先為什么廣告系統要監控到購買價值？因為購買價值是用戶對此素材效果評價的最準確的數字，沒有之一！在上一課如何成為頂級廣告優化師 之 萬字拆解CPM中我已經說過，這里我們再說一下。

廣告排名算法，無論是GSP和VCG。本質上廣告排名=出價*用戶體驗（用戶價值，用戶認可度等都是一個意思）。那么用戶價值到底怎么計算出來？最重要的指標是啥，毫無疑問肯定是用戶在這個品牌（網站）上到底花了多少錢，多少用戶愿意在這里花錢呀（就是轉化率，監控到用戶價值，就能算出來轉化率了）！

這里的用戶價值不僅僅包括purchase value，CVR，還包含add to cart value，加購率，checkout value，發起結賬率等等。對于整個行業而言，算法本身對帶有金額的指標都幾乎同等重要，不懂得請回憶上面講的營銷漏斗部分。大家可以自行實時觀察廣告預算分配情況（1:1:n結構）去進一步驗證。仔細觀察當廣告開始跑的時候，素材ABC之間的預算自動分配的機制。沒有ROAS/CPA的時候，那些花費靠前的素材哪些數據比較好，當ROAS 出現的時候，那些跑的好的素材哪些數據比較好。通過這個大量，細致的觀察你就可以看出來指標權重高低排序了。

本質上廣告投放人群的時候，廣告系統一邊在做：在利用商家已有的轉化數據（整個行業數據+用戶本身在meta 系統內數據）去尋找新的人群A B C，并分別預測這些A B C人群價值，假設排名是A1 B2 C3。

另一邊在做：獲取商家abc 的用戶轉化數據計算出用戶體驗*商家出價（現在出價也是系統自己出了）。如果排名是a1，b2，c3，兩邊一匹配，最終結果就是人群A1 - 商家a1，人群B1 - 商家b1，人群C1 - 商家c1。

那么，為什么廣告排名要考慮用戶價值？為什么一定要是用戶體驗好的排在前面？上節課課如何成為頂級廣告優化師 之 萬字拆解CPM也說了，此處簡單說一下，因為要做到廣告平臺要取得用戶體驗和商家利潤的均衡點。用戶價值反映了廣告系統推送的人群準不準，也就直接表明了這個廣告算法預測人群是否準確。人群越準，廣告效果就越好嘛，越來越多商家愿意花錢，市場擴張，收益最大者就是廣告平臺方。但是不能只考慮商家，導致用戶體驗下降就會流失客戶呀，典型的代表就是百度。

既然用戶價值重要性是最高的？如何提高用戶價值呢？

到底哪些因素影響用戶價值？這就是涉及商業的本質，商業的本質是滿足客戶需求，或者說用戶第一，以用戶為中心。如何提高用戶價值呢？2個因素，產品最大，其次內容。

只需要做好這2件事，做好的產品，并用好的內容傳達產品的價值（就是讓客戶看到了愿意買，并且方便買）。做好產品，本文不講了。等下次萬字拆解“用戶至上”再說。

營銷銷售渠道管控力最強的是內容，也就是素材。整個廣告行業可以說都知道。問題是數字廣告行業的出現，歪曲了這個事情。或者說因為隨處可見的素材，產品，可以隨便用，可以說過去十幾年跨境電商行業，靠的就是紅利，數字廣告的紅利。讓大部分人忽略了這個常識！直到紅利消失，仍然還有很多人經驗主義地堅信過去的成功，靠的是預算調整，測試測試測試。這都來自簡單的歸納法類比法，忽略了演繹法，科學邏輯的思考，進而忽略了最簡單的常識。

測試測試測試，這就涉及到一個問題，很多優化師思維都是測試，不動腦子地測試。甚至認為上了一堆素材，那些沒有花費錢的素材，大概率就是不好的。因為堅信數字廣告的算法。或者說，自然而然地認為Meta 谷歌這些大公司肯定會對素材進行解析處理，預判效果的，它預判效果差就不花錢了。OK ，那我們深入分析分析這個假設。這個分析將給你帶來一個驚人的效果，可以大幅提升廣告效果，是最前沿的廣告技能！

Meta，谷歌等廣告系統會對圖片/視頻進行解析處理（對圖片打標簽）嗎？

結論：會， 但是深入到廣告算法中權重較低，2023年之前應用較少，2023年之后，特別是AI 大火之后開始出現，但是解析權重<文本權重<數字數據權重，且還沒有大量推送。

這里的解析處理通常大家想象的是，機器解讀圖片，并對圖片進行分析，就像現在的AI 分析圖片內容一樣（圖轉文）。

這個現象非常普遍，很多優化師會花費100美金投放測試30個素材，其中25個素材也許根本就沒有獲得足夠的展示（低于500甚至更低）。那么就說明這25個素材效果很差，已經測試完畢了，而且堅信這個數據結論。有經驗的優化師會發現，并不是如此，最直接的就是看ASC 廣告，如果上了很多素材，原本優質的一個素材效果衰減，其他素材會頂上去，有些就是之前壓根沒怎么花錢的素材。

堅信機器學習并沒有什么不對，問題是你得知道機器學習到底學習了啥，再去決定信還是不信呀。本質上是沒有好奇心去深度研究廣告算法（也可以說是本能，大腦很懶，這種事情非常費腦子），他們機器學習會考慮什么參數。這是一種成見，這種成見影響你成為一個頂級優化師的。

再舉個例子，有些做黑五類，仿品的，會投放各種違規素材。但是為什么沒有立即封號，后臺顯示經過審核素材，但是依然很多違規素材反而要等至少1h甚至好幾天呢，有的甚至是數周 才發被發現呢，讓他們賺的盆滿缽滿。這個素材違規檢測用圖片解析去實現的，廣告系統很早就在做了，但是大都在檢測違規素材上，而且解析處理并不是實時的，準確率也低。做違規品的都很了解meta 的解析算法，會做各種素材規避。因為檢測到的時間越晚，錢賺的越多呀。也不是說，不會進行圖片解析，肯定會解析的但是重點是圖片中的產品等重要信息，其他的比如色彩，構圖，環境背景之類的就很少了，下文我會詳細講解這一塊。

為啥廣告平臺一直沒有大力推進圖片解析呢？

很長時間內廣告系統對圖片的解析準確度低，效率還低、成本高。直到AI 的爆發，極大提高了圖片解析準確率，效率有所提升了，但單位時間耗電也更多了。各大廣告系統開始接入大模型了，這個圖片解析才可能大力推廣。但是推進的還是很慢，即使谷歌這種也是推進的AI生成背景工具的引入。2024年中，開始Meta 也開始推進了，據說最新的Advantage+廣告就是如此，還沒有大面積推進。

圖片解析的這個趨勢是必然的，但是考慮的目前的成本和效率，進展比較慢。考慮到RTB 實時性，目前大概率各大系統并沒有使用圖片解析并預測數據（太費錢和時間了，且準確度低，標簽并非直接的量化數據，權重較低）。實時數據，量化數據（如CTR）依然占據絕對權重。與此同時，毫無疑問，如果加入圖片解析會對廣告算法效果有更大的提升，甚至可能是質的提升。我們回顧一下，廣告算法核心的確實是實時數據，量化數據。廣告算法之外，對人群和素材（帖子）打標簽的算法更重要，然后對標簽進行量化，進一步的預測用戶價值（值多少錢）。對人群打標簽和對素材打標簽，都是量化的基礎。因為用戶看了帖子/廣告內容，認可這些內容，被吸引了才愿意點擊甚至購買。廣告系統就是將這個過程進行數字化，利用數學變成可以衡量的價值。但數學做不到完全準確，都會失真，還必須需要人的介入。只不過隨著AI 發展，某些工作被替代了（本來也是，機器能干的事情，人不用干呀，費時費力不費腦的活注定被淘汰），但是最核心的還是人的工作。后面會提到，這個工作做的好的優化師才能賺到最大的收入。

那么如何對人群打標簽呢？三步

系統提取帖子標簽 - 系統分析用戶的帖子互動數據 - 對用戶打上互動高的帖子標簽

其中基礎且最重要的是系統如何對帖子打標簽：

不想寫那么細了，大概說一下，標簽分為3大類：帖子發布者自己打的標簽，基于文本的自動標簽提取（帖子文本，圖片alt或名字（如有）），基于圖像的自動標簽提取。

經過以上深度研究，主要是各類論文，blog研究，官方從來沒有說過文本標簽（含OCR 圖片識別文本）和計算機視覺自動識別（CV Auto Tags，即圖片解析標簽）。圖片解析標簽的權重，但是綜合各類論文發現，文本標簽權重 ≈ 65% ± 15%，計算機視覺自動識別 ≈ 35% ± 10%，也就說基本是7:3的權重。詳細可參見付費部分的參考文獻。

4. 那么什么樣的優化師最賺錢？