前言

為什么會詳細(xì)拆解術(shù)語概念，請查看此文章如何成為頂級廣告優(yōu)化師 之 萬字拆解CPM

為什么要講ROAS？起始本質(zhì)和CPM一樣，CPM是廣告平臺最重視的指標(biāo)，因?yàn)樗举|(zhì)上就是廣告收入，直接對應(yīng)企業(yè)最重要的銷售額。ROAS 同樣，它更重要，因?yàn)樗耸杖牒统杀?，因此對?yīng)的是企業(yè)更重要的指標(biāo)：利潤！

最終付費(fèi)部分中，將帶你發(fā)現(xiàn)最前沿的廣告優(yōu)化技能：你完全可以預(yù)測素材效果，而且準(zhǔn)確度很高！

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

給幾個(gè)主題大家參考

• 廣告優(yōu)化師/營銷人的職業(yè)規(guī)劃

• 萬字拆解xxxx

• 提升廣告效果的xx個(gè)技能（主講方法，進(jìn)一步講方法論）

• 管理相關(guān)的

• AI 時(shí)代，優(yōu)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(jià)值的跟蹤

2.1購買價(jià)值不是最重要的,最重要的是知道這個(gè)用戶的購買價(jià)值!

2.2歸因模型與歸因窗口

為什么很多廣告系統(tǒng)/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(jià)值,這到底有什么用?

4.那么什么樣的優(yōu)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(bào)率。但是你去搜索就會發(fā)現(xiàn)，這個(gè)ROAS 計(jì)算公式確有好幾個(gè)?；究梢苑譃?類計(jì)算方法。

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

計(jì)算公式2：ROAS=income/spend，即收入/花費(fèi)

1.2 ROI 的前世今生

最不可思議的是，你還會遇到ROI 這個(gè)指標(biāo)。ROI即 Return on Investment，或成本回報(bào)率（ROC）是凈收入（在一定時(shí)期內(nèi)）與投資（在某一時(shí)間點(diǎn)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(yōu)勢。作為績效指標(biāo)，ROI 用于評估投資的效率或比較幾個(gè)不同投資的效率。從經(jīng)濟(jì)學(xué)的角度來看，這是將利潤與投入資本相關(guān)聯(lián)的一種方式。（來自https://en.wikipedia.org/wiki/Return_on_investment）

ROI 的完整計(jì)算公式

其中， I0是投資的當(dāng)前價(jià)值， ?I? 是投資收入，?Q? 是初始投資和其他費(fèi)用。根據(jù)公式，分子其實(shí)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(bào)率指標(biāo)是由唐納德森·布朗（Donaldson Brown）開創(chuàng)的，他是一位與杜邦和通用汽車都有關(guān)系的美國金融高管。1912 年，在杜邦公司工作時(shí)，布朗開發(fā)了一個(gè)公式，通過將利潤與投資聯(lián)系起來來評估投資的效率。這個(gè)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(cái)務(wù)評估工具，將投資回報(bào)率分解為多個(gè)因素，如利潤率和資產(chǎn)周轉(zhuǎn)率。

在杜邦公司最初應(yīng)用，當(dāng)布朗于 1921 年加入通用汽車公司時(shí)，投資回報(bào)率（ROI）概念得到了更廣泛的認(rèn)可。在通用汽車，他將 ROI 作為關(guān)鍵績效指標(biāo)，用于評估各個(gè)部門的盈利能力，從而促進(jìn)更明智的管理決策。這一應(yīng)用展示了 ROI 在大規(guī)模、多元化的組織中的實(shí)用性，導(dǎo)致其在企業(yè)界得到廣泛應(yīng)用。

幾十年來，投資回報(bào)率（ROI）已成為評估各行業(yè)投資績效的標(biāo)準(zhǔn)指標(biāo)。其簡單性和多功能性使企業(yè)能夠比較不同投資的效率，有助于戰(zhàn)略規(guī)劃和資源配置。

可以看出來ROI 的誕生，本身就是為了解決財(cái)務(wù)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(fā)明人，這個(gè)更多來自于一群人的實(shí)踐，沒有明確的歷史記載。ROAS 可以認(rèn)為來源自ROMI（Return on Marketing Investment，營銷投資回報(bào)率），這里的Marketing 當(dāng)針對的是廣告時(shí)，就變成了ROAS。同樣，ROAS 的誕生是源于互聯(lián)網(wǎng)的發(fā)展，電子商務(wù)的發(fā)展，使得數(shù)字廣告可以準(zhǔn)確監(jiān)控到收入，從而可以提供ROAS指標(biāo)，以便企業(yè)主決定廣告的投入。

現(xiàn)狀

實(shí)際應(yīng)用中，在中國，很多人會把ROI=ROAS，實(shí)際上準(zhǔn)確的應(yīng)該是ROAS，但是說實(shí)話行業(yè)發(fā)展時(shí)間太短。前期的業(yè)內(nèi)人士沒有特意區(qū)分，導(dǎo)致ROI=ROAS。這沒啥大事，但是對于嚴(yán)謹(jǐn)?shù)南胍M(jìn)的新進(jìn)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(jià)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(gè)很好計(jì)算，就是之前拆解過的CPM。這次我們重點(diǎn)講Return（回收，收入）。在廣告行業(yè)內(nèi)，return對應(yīng)的就是廣告收入，電商中對應(yīng)的指標(biāo)叫purchase value （購買價(jià)值）或 conversion value（轉(zhuǎn)化價(jià)值），或者訂單金額，都是一個(gè)意思。下文將統(tǒng)一稱之為 Value/購買價(jià)值。

那么廣告系統(tǒng)如何監(jiān)控購買價(jià)值呢？單純獲取這個(gè)指標(biāo)很簡單，用的就是JavaScript代碼（跟蹤代碼），Pixel像素等。只要在網(wǎng)站后臺代碼中加入即可，就是授權(quán)廣告平臺有權(quán)獲取這些價(jià)值數(shù)據(jù)。這個(gè)對于商家和廣告平臺是天然雙贏的，商家愿意主動授權(quán)，這無可厚非。

2.1 購買價(jià)值不是最重要的，最重要的是知道這個(gè)用戶的購買價(jià)值！

難的是，如何將購買價(jià)值對應(yīng)到那個(gè)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(lián)網(wǎng)時(shí)代，客戶信息托管方就是軟件系統(tǒng)廠家（安卓，iOS，windows）。iOS和安卓系統(tǒng)，兩個(gè)系統(tǒng)均越來越重視客戶信息隱私和安全性。只是iOS更激進(jìn)了。

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

IDFA 和 GPS-ADID 分別是iOS系統(tǒng)和安卓系統(tǒng)針對客戶的廣告標(biāo)識符，可以理解為身份證號。我們以Meta 舉例，看一下一個(gè)客戶從meta進(jìn)入網(wǎng)站內(nèi)部完成購買的過程，Meta 系統(tǒng)里圍繞內(nèi)部Meta user id存儲大量用戶信息，這個(gè)用戶A 使用蘋果手機(jī)，在Facebook 上看到了一個(gè)廣告，然后點(diǎn)擊進(jìn)入到了商家網(wǎng)站（shopify系統(tǒng)）上，這時(shí)候iOS系統(tǒng)將這個(gè)用戶IDFA + 站內(nèi)一系列行為數(shù)據(jù)通過 Facebook Pixel 傳輸給Meta，當(dāng)然此時(shí)shopify系統(tǒng)本身也會給用戶一個(gè)唯一ID 我們稱之為shopify user id，一樣帶著各種行為數(shù)據(jù)。

整個(gè)數(shù)據(jù)傳輸流程：用戶點(diǎn)擊 Meta 上的廣告 → Meta 使用?IDFA?跟蹤用戶 → 用戶訪問電子商務(wù)網(wǎng)站并進(jìn)行購買 → 網(wǎng)站將帶有 IDFA 的轉(zhuǎn)化數(shù)據(jù)發(fā)送回 Meta →?Meta 將銷售歸因于廣告。

這個(gè)過程中可以看到IDFA 起到了至關(guān)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(guān)鍵在于在ios系統(tǒng)內(nèi)部，如果缺少IDFA 就無法做到用戶級的數(shù)據(jù)匹配（每個(gè)用戶都單獨(dú)追蹤到）。將雙方數(shù)據(jù)打通，這個(gè)數(shù)據(jù)缺失直接導(dǎo)致Meta 無法精準(zhǔn)獲取用戶級的轉(zhuǎn)化數(shù)據(jù)，簡單說就是不知道哪些客戶購買了。這個(gè)問題非常大，因?yàn)镸eta 必須依賴匹配到的這些轉(zhuǎn)化用戶（高質(zhì)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(dá)面，增加花費(fèi)，優(yōu)化出更高的ROAS 并給商家?guī)硎杖耄?/span>

當(dāng)然蘋果對于廣告平臺提供 兩種效果跟蹤工具：PCM（針對網(wǎng)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(wǎng)站事件歸因，PCM無法滿足廣告主的一些關(guān)鍵需求，Meta為了彌補(bǔ)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(shù)據(jù)，也就是一批用戶打包好發(fā)送給meta（并沒有IDFA），Meta只能依賴這些匿名數(shù)據(jù)去猜（AI，建模，概率分析等），這導(dǎo)致數(shù)據(jù)的精準(zhǔn)度大大降低，而且這些聚合數(shù)據(jù)本身并不是實(shí)時(shí)的，所以Meta 也說數(shù)據(jù)歸因時(shí)間也將拉長，且因?yàn)槭褂酶怕势ヅ漕A(yù)測也需要時(shí)間，進(jìn)一步拉長了歸因時(shí)間。

這種底層的用戶ID 無法獲取的問題，導(dǎo)致meta 廣告效果大幅下降，讓Meta 的收入在2022年出現(xiàn)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(shí)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(xì)過程如下：

用戶主動提交的場景：

如果用戶在商家網(wǎng)站（如Shopify店鋪）主動填寫郵箱（例如注冊、訂閱、結(jié)賬時(shí)），且商家將郵箱數(shù)據(jù)通過以下方式共享給Meta，理論上Meta可以獲?。?/span>

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(shù)（如email字段）發(fā)送至Meta的廣告系統(tǒng)。例如，用戶在結(jié)賬時(shí)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(wù)器端數(shù)據(jù)集成：

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

頂級優(yōu)化師可能發(fā)現(xiàn)問題了，上面我說的轉(zhuǎn)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(zhuǎn)化實(shí)際上包括：瀏覽頁面時(shí)長，加入購物車，發(fā)起結(jié)賬，購買。而且越前面的行為數(shù)據(jù)越多，比如加購數(shù)量肯定遠(yuǎn)超購買的，都不是一個(gè)數(shù)量級。轉(zhuǎn)化數(shù)據(jù)越多越好，你投放的時(shí)候選擇的目標(biāo)是sale/purchase，meta 對于加購，發(fā)起結(jié)賬，購買三個(gè)轉(zhuǎn)化指標(biāo)都會重點(diǎn)參考，權(quán)重都比較高，只是相對來說purchase更大。

在如何成為頂級廣告優(yōu)化師 之 萬字拆解CPM中我們提到當(dāng)以CPA 為目標(biāo)的，廣告排名公式?：eCPM = 預(yù)估點(diǎn)擊率 ×?預(yù)估轉(zhuǎn)化率? × 目標(biāo)轉(zhuǎn)化出價(jià) × 1000 ，大家有沒有注意到這個(gè)預(yù)估轉(zhuǎn)化率，這個(gè)預(yù)估轉(zhuǎn)化率我們假設(shè)（極有可能是）=a*預(yù)估加購率+b*預(yù)估發(fā)起結(jié)賬率+c*預(yù)估CVR（a,b,c表示權(quán)重），其中a>b>c，但是沒有CVR，即時(shí)c再大也沒有用，這個(gè)是0呀。再加上數(shù)據(jù)量的問題，加購數(shù)量遠(yuǎn)高于購買的，而且加購的權(quán)重實(shí)際上不比CVR低多少！

為什么加購權(quán)重高，但是我投加購廣告ROAS那么差呢？

很多人應(yīng)該嘗試過設(shè)置加購為目標(biāo)投放廣告，發(fā)現(xiàn)ROAS 很差，低于購買目標(biāo)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(gè)行業(yè)的角度（Meta ，谷歌角度）的確是這樣的，用戶在商家A 加購了產(chǎn)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(jià)較高，沒有什么品牌壟斷的產(chǎn)品。你最開始看到的品牌和你最后購買的是不是同一個(gè)？當(dāng)我們買東西的時(shí)候，加購的時(shí)候?qū)嶋H上我們看到了價(jià)格，也看到了詳情頁，加購了代表我們能接受這個(gè)價(jià)格，這個(gè)產(chǎn)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(gè)非常重要的轉(zhuǎn)化行為。如果說你是行業(yè)TOP5以內(nèi)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?yàn)槭袌稣加新矢撸冷伒膹V（SEO，KOL，聯(lián)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(gè)加購廣告最終轉(zhuǎn)化ROAS 實(shí)際是很高的。下面就是一個(gè)行業(yè)top 商家的數(shù)據(jù)，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(shí)際上是90天） 歸因ROAS=3.67，歸因延遲乘數(shù)=3.67/1.44=2.55。是不是很變態(tài)？！也就是說，當(dāng)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(qiáng)的市場占有率，延遲歸因乘數(shù)也有=1.72/0.9=1.9! 當(dāng)然這也是因?yàn)闇y試期，沒有專門針對上層漏斗廣告進(jìn)行優(yōu)化。當(dāng)天ROAS 從0.9 優(yōu)化到1.2-1.5問題不大的。但不建議新品牌投上層，即時(shí)投放也不建議預(yù)算超過廣告預(yù)算的10%。

前面我們已經(jīng)從購買價(jià)值的計(jì)算分析到用戶價(jià)值的跟蹤是核心，還有個(gè)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(gè)也很重要，因?yàn)橐粋€(gè)用戶可能看過多個(gè)廣告，那么就會涉及到歸因問題，到底歸因到哪個(gè)廣告呢？

2.2 歸因模型與歸因窗口

先解釋下常見的幾個(gè)歸因模型

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

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

適用場景

• 首次點(diǎn)擊：用于識別哪些渠道或廣告引發(fā)客戶興趣并產(chǎn)生認(rèn)知。

• 最后點(diǎn)擊：了解哪些渠道或廣告在將潛在客戶轉(zhuǎn)化為客戶方面最有效。

優(yōu)點(diǎn)

• 首次點(diǎn)擊：突出頂部漏斗營銷活動的有效性。

• 最后點(diǎn)擊：關(guān)注促成交易的關(guān)鍵接觸點(diǎn)，有助于優(yōu)化下漏斗活動。

示例

• 想象一個(gè)客戶首先看到一條 Facebook 廣告并點(diǎn)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(diǎn)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(diǎn)擊了它，并決定購買。在首次點(diǎn)擊模型中，F(xiàn)acebook 廣告獲得了所有功勞，因?yàn)樗情_始客戶旅程的初始接觸點(diǎn)。在最后點(diǎn)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(gè)觸點(diǎn)，通過將可歸因收入分配給所有觸點(diǎn)。此模型非常適合分析各種營銷努力如何共同促成轉(zhuǎn)化，而不會過度強(qiáng)調(diào)任何單個(gè)觸點(diǎn)。

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(jī)和非付費(fèi)流量。它通過認(rèn)識到客戶與您的品牌互動的貢獻(xiàn)，提供了一個(gè)對所有營銷努力的平衡視角。

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

適用場景

• 當(dāng)您想了解每個(gè)營銷接觸點(diǎn)的貢獻(xiàn)時(shí)。

• 適用于每個(gè)互動在轉(zhuǎn)化過程中都發(fā)揮重要作用的營銷活動。

優(yōu)點(diǎn)

• 對所有營銷活動進(jìn)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(gè)客戶點(diǎn)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(diǎn)擊了重定向廣告。最后，他們在 Google 搜索廣告中點(diǎn)擊并完成了購買。在線性（全部）模型中，功勞在所有觸點(diǎn)（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(gè)互動都參與了轉(zhuǎn)化。在線性（付費(fèi)）模型中，功勞在所有付費(fèi)觸點(diǎn)（Twitter 廣告、Facebook 重定向廣告和 Google 搜索廣告）之間平均分配。

3. 時(shí)間衰減歸因（Time Decay）

介紹：離轉(zhuǎn)化時(shí)間越近的觸點(diǎn)，獲得的功勞比例越高。

適用場景

• 短促銷周期（如限時(shí)折扣、節(jié)日活動）。

• 適用于強(qiáng)調(diào)臨近轉(zhuǎn)化階段的渠道（如再營銷廣告）。

優(yōu)點(diǎn)

• 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(diǎn)：

• 可能低估早期品牌建設(shè)的作用。

示例

用戶7天前點(diǎn)擊Facebook廣告 → 3天前打開郵件 → 1天前點(diǎn)擊Google廣告并購買 → Google廣告功勞最大，F(xiàn)acebook最小。

4. 基于位置的歸因（Position-Based / U型歸因）

首次和末次觸點(diǎn)各占40%功勞，中間觸點(diǎn)平分剩余20%。

適用場景：

強(qiáng)調(diào)“獲客+轉(zhuǎn)化”雙重目標(biāo)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(zhuǎn)化促成）的效果。

優(yōu)點(diǎn)

平衡了初始獲客和最終轉(zhuǎn)化的貢獻(xiàn)。

適用于大多數(shù)數(shù)字營銷場景。

缺點(diǎn)

中間觸點(diǎn)（如內(nèi)容營銷）可能被低估。

示例

用戶路徑：SEO自然搜索 → 博客內(nèi)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(shù)據(jù)驅(qū)動歸因（Data-Driven）

基于機(jī)器學(xué)習(xí)算法，動態(tài)分配各觸點(diǎn)的功勞權(quán)重。需足夠數(shù)據(jù)支持。

適用場景

數(shù)據(jù)量大的企業(yè)，追求精準(zhǔn)歸因。

適用于復(fù)雜用戶路徑（如跨設(shè)備、多渠道）。

優(yōu)點(diǎn)

最科學(xué)、最貼近真實(shí)用戶行為。

自動優(yōu)化權(quán)重，減少人為偏差。

缺點(diǎn)

需要大量歷史數(shù)據(jù)，不適用于小企業(yè)。

示例

某電商發(fā)現(xiàn)“社交媒體廣告+郵件提醒”組合的轉(zhuǎn)化率比單獨(dú)渠道高30%，因此算法自動提高該組合的功勞權(quán)重。

6. 多觸點(diǎn)最大化歸因（非標(biāo)準(zhǔn)模型）

• 邏輯：將每個(gè)接觸點(diǎn)視為獨(dú)立貢獻(xiàn)者，賦予其全部轉(zhuǎn)化價(jià)值（如一個(gè)客戶經(jīng)過3個(gè)渠道購買了900美金的產(chǎn)品，那么各渠道均計(jì)為900美元，總和2700美元）。

• 適用場景：評估渠道對多筆潛在轉(zhuǎn)化的潛在影響力，而非單次轉(zhuǎn)化的實(shí)際貢獻(xiàn)。

• 局限性：數(shù)據(jù)虛高，無法反映真實(shí)ROI，且與實(shí)際業(yè)務(wù)邏輯沖突

最后一個(gè)歸因模型是小魚兒加的，這個(gè)比較特別，并不是行業(yè)標(biāo)準(zhǔn)模型，且很少涉及，但是這個(gè)對于大家理解渠道重合度很重要。

大家請務(wù)必牢記歸因模型定義和特點(diǎn)，才能看懂下面的分析.

為什么很多廣告系統(tǒng)/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(rèn)Last click歸因的。

我們先看一下數(shù)字廣告優(yōu)化邏輯圖

最重要的原因是RTB（real-time bidding） 實(shí)時(shí)出價(jià)，在上一課如何成為頂級廣告優(yōu)化師 之 萬字拆解CPM?我們提到的，排名算法中不同類型的數(shù)據(jù)權(quán)重不同，實(shí)時(shí)數(shù)據(jù)>近期數(shù)據(jù)>歷史數(shù)據(jù)，last click歸因是最接近實(shí)時(shí)數(shù)據(jù)的，是最準(zhǔn)確的歸因。這還涉及到一個(gè)底層原因，預(yù)測時(shí)間越短，預(yù)測越準(zhǔn)。通俗講就是天氣預(yù)報(bào)，明天準(zhǔn)確度幾乎肯定是高于后天的天氣準(zhǔn)確度的。如果大家了解指數(shù)平滑法就能地從數(shù)學(xué)上理解了。在上一課我們提到了，GSP和VCG算法，但這只是動態(tài)的一面而已，缺少了時(shí)間維度和其他高緯數(shù)據(jù)。我們只談時(shí)間維度，實(shí)際上GSP算法是實(shí)時(shí)的，但是在實(shí)時(shí)獲取的數(shù)據(jù)時(shí)間點(diǎn)也是不一樣的，算法會分析不同時(shí)間數(shù)據(jù)，不同類型數(shù)據(jù)不斷進(jìn)行降維處理，直到變成一維。也就是最終的排名分?jǐn)?shù)進(jìn)行排名。這個(gè)過程就可以理解為指數(shù)平滑思想在互聯(lián)網(wǎng)廣告場景的超級增強(qiáng)版。其他維度這還涉及到RNN,CNN,LSTM等深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，此處不再深入。

以上是數(shù)學(xué)上的研究，實(shí)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(gè)記憶更深刻呀。但是這就是正確的嗎？

很多時(shí)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(zhì)上說就應(yīng)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(gè)例子，馬加爵殺人案，在正常人看來他的室友做的達(dá)不到那樣的傷害，問題是他為什么覺得這很傷害他。結(jié)合多份犯罪心理學(xué)研究及家庭背景分析，是遺傳（占比?。? 家庭和學(xué)校情感鏈接太少（共情他太少，他共情別人太少）。實(shí)際最終結(jié)果的影響權(quán)重最大的可能是最后一點(diǎn)，但是最多也是40%，單一因素確實(shí)是最大的，但是前面60%的經(jīng)歷就忽略了嗎？

這也是為什么谷歌廣告比Meta更強(qiáng)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(tuán)隊(duì)矛盾。

大部分的系統(tǒng)都是默認(rèn)last click歸因，包括自然搜索，聯(lián)盟系統(tǒng)，EDM系統(tǒng)。所以當(dāng)我們每個(gè)渠道單獨(dú)看自己渠道歸因時(shí)候，實(shí)際上就是多觸點(diǎn)最大化歸因。算出的總銷售額高于實(shí)際銷售額。這個(gè)比例甚至超過150%，這還不是重點(diǎn)，重點(diǎn)是這個(gè)重合度不穩(wěn)定，這季度120%，下個(gè)季度可能就是140%了。

這種歸因模式，會造成對單個(gè)渠道功勞的判斷出現(xiàn)錯(cuò)誤?？聪聢D，是針對聯(lián)盟渠道的不同歸因，ROAS 的差異。

Shareasale 是個(gè)聯(lián)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?jīng)]，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(jù)這個(gè)數(shù)據(jù)，決定去擴(kuò)大聯(lián)盟，甚至提高傭金比例，那就是大錯(cuò)特錯(cuò)了。因?yàn)榘凑誏A 模型，這個(gè)渠道的ROAS 僅1.49，是最低的。再深入查看用戶旅程就會發(fā)現(xiàn)，實(shí)際上這個(gè)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(gè)傭金明顯高了，要降低呀。這個(gè)用戶接觸點(diǎn)（渠道）數(shù)量并不是越多越好的，有一個(gè)均衡值，行業(yè)不同這個(gè)也不同。價(jià)格在100美金左右的，基本控制在3個(gè)左右。但是不能高達(dá)6個(gè)了，那樣是無效的甚至引起用戶反感，就像這里，實(shí)際上客戶已經(jīng)大概率會買了，因?yàn)槁?lián)盟插了一腳還被分去了傭金。

這就說明了歸因模型的準(zhǔn)確性，直接決定了決策的準(zhǔn)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(tuán)隊(duì)矛盾呢？

Last click歸因造成無法客觀評估各渠道對整體業(yè)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(dá)4萬美金，低于 operation（站內(nèi)活動，客服，相關(guān)插件帶來的），但實(shí)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(wǎng)站目標(biāo)一致的評估標(biāo)準(zhǔn)，最合適的就是LA（實(shí)際也不客觀，但是好在絕對公平，各渠道權(quán)重一樣。最優(yōu)選擇是根據(jù)渠道屬性選擇特定歸因模型，但是太復(fù)雜，實(shí)操上說比較難，但是團(tuán)隊(duì)能力足夠還是可以執(zhí)行的。）

更長遠(yuǎn)的是涉及到年度目標(biāo)拆解時(shí)（通常是銷售額+利潤率），多觸點(diǎn)最大化歸因 模型下難以有效拆解，因?yàn)槟阈枰紤]重合度的問題，不得不做出更高的重合度預(yù)估，防止出現(xiàn)各渠道業(yè)績完成，項(xiàng)目目標(biāo)沒有完成的情況。重合度高了，就相當(dāng)于變相增加各渠道目標(biāo)了，誰心里會真的認(rèn)可？

相信到這里，大家就知道為什么ROAS那么重要了，本質(zhì)不是roas。而是準(zhǔn)確跟蹤銷售額，轉(zhuǎn)化這個(gè)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(shù)據(jù)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(gè)工具，為了防止廣告嫌疑。轉(zhuǎn)發(fā)本文，私聊告知。這個(gè)工具很貴，但是確實(shí)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(shí)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(jià)值，這到底有什么用？

總結(jié)一下

1. 讓大家認(rèn)識到數(shù)據(jù)跟蹤的重要性，數(shù)據(jù)歸因的重要性，提升大家的認(rèn)知。數(shù)據(jù)跟蹤不準(zhǔn)，地基不準(zhǔn)，所有的一切都是錯(cuò)的；

2. 數(shù)據(jù)監(jiān)控準(zhǔn)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(jià)產(chǎn)品（低單價(jià)也一樣，可以有效降低測試成本），長決策周期的產(chǎn)品，加購率權(quán)重不比CVR低；

首先為什么廣告系統(tǒng)要監(jiān)控到購買價(jià)值？因?yàn)橘徺I價(jià)值是用戶對此素材效果評價(jià)的最準(zhǔn)確的數(shù)字，沒有之一！在上一課如何成為頂級廣告優(yōu)化師 之 萬字拆解CPM中我已經(jīng)說過，這里我們再說一下。

廣告排名算法，無論是GSP和VCG。本質(zhì)上廣告排名=出價(jià)*用戶體驗(yàn)（用戶價(jià)值，用戶認(rèn)可度等都是一個(gè)意思）。那么用戶價(jià)值到底怎么計(jì)算出來？最重要的指標(biāo)是啥，毫無疑問肯定是用戶在這個(gè)品牌（網(wǎng)站）上到底花了多少錢，多少用戶愿意在這里花錢呀（就是轉(zhuǎn)化率，監(jiān)控到用戶價(jià)值，就能算出來轉(zhuǎn)化率了）！

這里的用戶價(jià)值不僅僅包括purchase value，CVR，還包含add to cart value，加購率，checkout value，發(fā)起結(jié)賬率等等。對于整個(gè)行業(yè)而言，算法本身對帶有金額的指標(biāo)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(shí)時(shí)觀察廣告預(yù)算分配情況（1:1:n結(jié)構(gòu)）去進(jìn)一步驗(yàn)證。仔細(xì)觀察當(dāng)廣告開始跑的時(shí)候，素材ABC之間的預(yù)算自動分配的機(jī)制。沒有ROAS/CPA的時(shí)候，那些花費(fèi)靠前的素材哪些數(shù)據(jù)比較好，當(dāng)ROAS 出現(xiàn)的時(shí)候，那些跑的好的素材哪些數(shù)據(jù)比較好。通過這個(gè)大量，細(xì)致的觀察你就可以看出來指標(biāo)權(quán)重高低排序了。

本質(zhì)上廣告投放人群的時(shí)候，廣告系統(tǒng)一邊在做：在利用商家已有的轉(zhuǎn)化數(shù)據(jù)（整個(gè)行業(yè)數(shù)據(jù)+用戶本身在meta 系統(tǒng)內(nèi)數(shù)據(jù)）去尋找新的人群A B C，并分別預(yù)測這些A B C人群價(jià)值，假設(shè)排名是A1 B2 C3。

另一邊在做：獲取商家abc 的用戶轉(zhuǎn)化數(shù)據(jù)計(jì)算出用戶體驗(yàn)*商家出價(jià)（現(xiàn)在出價(jià)也是系統(tǒng)自己出了）。如果排名是a1，b2，c3，兩邊一匹配，最終結(jié)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(jià)值？為什么一定要是用戶體驗(yàn)好的排在前面？上節(jié)課課如何成為頂級廣告優(yōu)化師 之 萬字拆解CPM也說了，此處簡單說一下，因?yàn)橐龅綇V告平臺要取得用戶體驗(yàn)和商家利潤的均衡點(diǎn)。用戶價(jià)值反映了廣告系統(tǒng)推送的人群準(zhǔn)不準(zhǔn)，也就直接表明了這個(gè)廣告算法預(yù)測人群是否準(zhǔn)確。人群越準(zhǔn)，廣告效果就越好嘛，越來越多商家愿意花錢，市場擴(kuò)張，收益最大者就是廣告平臺方。但是不能只考慮商家，導(dǎo)致用戶體驗(yàn)下降就會流失客戶呀，典型的代表就是百度。

既然用戶價(jià)值重要性是最高的？如何提高用戶價(jià)值呢？

到底哪些因素影響用戶價(jià)值？這就是涉及商業(yè)的本質(zhì)，商業(yè)的本質(zhì)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(jià)值呢？2個(gè)因素，產(chǎn)品最大，其次內(nèi)容。

只需要做好這2件事，做好的產(chǎn)品，并用好的內(nèi)容傳達(dá)產(chǎn)品的價(jià)值（就是讓客戶看到了愿意買，并且方便買）。做好產(chǎn)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(qiáng)的是內(nèi)容，也就是素材。整個(gè)廣告行業(yè)可以說都知道。問題是數(shù)字廣告行業(yè)的出現(xiàn)，歪曲了這個(gè)事情?；蛘哒f因?yàn)殡S處可見的素材，產(chǎn)品，可以隨便用，可以說過去十幾年跨境電商行業(yè)，靠的就是紅利，數(shù)字廣告的紅利。讓大部分人忽略了這個(gè)常識！直到紅利消失，仍然還有很多人經(jīng)驗(yàn)主義地堅(jiān)信過去的成功，靠的是預(yù)算調(diào)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(xué)邏輯的思考，進(jìn)而忽略了最簡單的常識。

測試測試測試，這就涉及到一個(gè)問題，很多優(yōu)化師思維都是測試，不動腦子地測試。甚至認(rèn)為上了一堆素材，那些沒有花費(fèi)錢的素材，大概率就是不好的。因?yàn)閳?jiān)信數(shù)字廣告的算法?；蛘哒f，自然而然地認(rèn)為Meta 谷歌這些大公司肯定會對素材進(jìn)行解析處理，預(yù)判效果的，它預(yù)判效果差就不花錢了。OK ，那我們深入分析分析這個(gè)假設(shè)。這個(gè)分析將給你帶來一個(gè)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(tǒng)會對圖片/視頻進(jìn)行解析處理（對圖片打標(biāo)簽）嗎？

結(jié)論：會， 但是深入到廣告算法中權(quán)重較低，2023年之前應(yīng)用較少，2023年之后，特別是AI 大火之后開始出現(xiàn)，但是解析權(quán)重<文本權(quán)重<數(shù)字?jǐn)?shù)據(jù)權(quán)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(jī)器解讀圖片，并對圖片進(jìn)行分析，就像現(xiàn)在的AI 分析圖片內(nèi)容一樣（圖轉(zhuǎn)文）。

這個(gè)現(xiàn)象非常普遍，很多優(yōu)化師會花費(fèi)100美金投放測試30個(gè)素材，其中25個(gè)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(gè)素材效果很差，已經(jīng)測試完畢了，而且堅(jiān)信這個(gè)數(shù)據(jù)結(jié)論。有經(jīng)驗(yàn)的優(yōu)化師會發(fā)現(xiàn)，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(yōu)質(zhì)的一個(gè)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(jiān)信機(jī)器學(xué)習(xí)并沒有什么不對，問題是你得知道機(jī)器學(xué)習(xí)到底學(xué)習(xí)了啥，再去決定信還是不信呀。本質(zhì)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(fèi)腦子），他們機(jī)器學(xué)習(xí)會考慮什么參數(shù)。這是一種成見，這種成見影響你成為一個(gè)頂級優(yōu)化師的。

再舉個(gè)例子，有些做黑五類，仿品的，會投放各種違規(guī)素材。但是為什么沒有立即封號，后臺顯示經(jīng)過審核素材，但是依然很多違規(guī)素材反而要等至少1h甚至好幾天呢，有的甚至是數(shù)周 才發(fā)被發(fā)現(xiàn)呢，讓他們賺的盆滿缽滿。這個(gè)素材違規(guī)檢測用圖片解析去實(shí)現(xiàn)的，廣告系統(tǒng)很早就在做了，但是大都在檢測違規(guī)素材上，而且解析處理并不是實(shí)時(shí)的，準(zhǔn)確率也低。做違規(guī)品的都很了解meta 的解析算法，會做各種素材規(guī)避。因?yàn)闄z測到的時(shí)間越晚，錢賺的越多呀。也不是說，不會進(jìn)行圖片解析，肯定會解析的但是重點(diǎn)是圖片中的產(chǎn)品等重要信息，其他的比如色彩，構(gòu)圖，環(huán)境背景之類的就很少了，下文我會詳細(xì)講解這一塊。

為啥廣告平臺一直沒有大力推進(jìn)圖片解析呢？

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

圖片解析的這個(gè)趨勢是必然的，但是考慮的目前的成本和效率，進(jìn)展比較慢?？紤]到RTB 實(shí)時(shí)性，目前大概率各大系統(tǒng)并沒有使用圖片解析并預(yù)測數(shù)據(jù)（太費(fèi)錢和時(shí)間了，且準(zhǔn)確度低，標(biāo)簽并非直接的量化數(shù)據(jù)，權(quán)重較低）。實(shí)時(shí)數(shù)據(jù)，量化數(shù)據(jù)（如CTR）依然占據(jù)絕對權(quán)重。與此同時(shí)，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(zhì)的提升。我們回顧一下，廣告算法核心的確實(shí)是實(shí)時(shí)數(shù)據(jù)，量化數(shù)據(jù)。廣告算法之外，對人群和素材（帖子）打標(biāo)簽的算法更重要，然后對標(biāo)簽進(jìn)行量化，進(jìn)一步的預(yù)測用戶價(jià)值（值多少錢）。對人群打標(biāo)簽和對素材打標(biāo)簽，都是量化的基礎(chǔ)。因?yàn)橛脩艨戳颂?廣告內(nèi)容，認(rèn)可這些內(nèi)容，被吸引了才愿意點(diǎn)擊甚至購買。廣告系統(tǒng)就是將這個(gè)過程進(jìn)行數(shù)字化，利用數(shù)學(xué)變成可以衡量的價(jià)值。但數(shù)學(xué)做不到完全準(zhǔn)確，都會失真，還必須需要人的介入。只不過隨著AI 發(fā)展，某些工作被替代了（本來也是，機(jī)器能干的事情，人不用干呀，費(fèi)時(shí)費(fèi)力不費(fèi)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(gè)工作做的好的優(yōu)化師才能賺到最大的收入。

那么如何對人群打標(biāo)簽?zāi)?？三?/span>

系統(tǒng)提取帖子標(biāo)簽 - 系統(tǒng)分析用戶的帖子互動數(shù)據(jù) - 對用戶打上互動高的帖子標(biāo)簽

其中基礎(chǔ)且最重要的是系統(tǒng)如何對帖子打標(biāo)簽：

不想寫那么細(xì)了，大概說一下，標(biāo)簽分為3大類：帖子發(fā)布者自己打的標(biāo)簽，基于文本的自動標(biāo)簽提?。ㄌ游谋?，圖片alt或名字（如有）），基于圖像的自動標(biāo)簽提取。

經(jīng)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(biāo)簽（含OCR 圖片識別文本）和計(jì)算機(jī)視覺自動識別（CV Auto Tags，即圖片解析標(biāo)簽）。圖片解析標(biāo)簽的權(quán)重，但是綜合各類論文發(fā)現(xiàn)，文本標(biāo)簽權(quán)重 ≈ 65% ± 15%，計(jì)算機(jī)視覺自動識別 ≈ 35% ± 10%，也就說基本是7:3的權(quán)重。詳細(xì)可參見付費(fèi)部分的參考文獻(xiàn)。

4. 那么什么樣的優(yōu)化師最賺錢？