前言

为什么会详细拆解术语概念，请查看此文章如何成为顶级广告优化师 之 万字拆解CPM

为什么要讲ROAS？起始本质和CPM一样，CPM是广告平台最重视的指标，因为它本质上就是广告收入，直接对应企业最重要的销售额。ROAS 同样，它更重要，因为它包含了收入和成本，因此对应的是企业更重要的指标：利润！

最终付费部分中，将带你发现最前沿的广告优化技能：你完全可以预测素材效果，而且准确度很高！

我想了下，下次主题大家可以定一下，最终选一个评论里点赞最多的前3名，可以获得全文免费阅读权限。最终小鱼儿选中主题的粉丝，下次付费文章也免费。

给几个主题大家参考

• 广告优化师/营销人的职业规划

• 万字拆解xxxx

• 提升广告效果的xx个技能（主讲方法，进一步讲方法论）

• 管理相关的

• AI 时代，优化师何去何从

• ......

目录

前言

1.概念的解释及其历史

1.1什么是ROAS,ROI?

1.2 ROI的前世今生

1.3 ROAS的前世今生

2.购买价值的跟踪

2.1购买价值不是最重要的,最重要的是知道这个用户的购买价值!

2.2归因模型与归因窗口

为什么很多广告系统/分析工具均选择Last Click归因模型?而不不选择其他模型?

2.3这种last clicks旧因模型会造成什么后果?

3.长篇大论分析了购买价值,这到底有什么用?

4.那么什么样的优化师最赚钱?

参考资料

1. 概念的解释及其历史

1.1 什么是ROAS，ROI？

这次讲的是ROAS，即Return on Advertising Spend，直译就是广告支出回报率。但是你去搜索就会发现，这个ROAS 计算公式确有好几个。基本可以分为2类计算方法。

计算公式1：ROAS=profit/spend（cost），即毛利/花费，还有的是net profit 就是净利/花费

计算公式2：ROAS=income/spend，即收入/花费

1.2 ROI 的前世今生

最不可思议的是，你还会遇到ROI 这个指标。ROI即 Return on Investment，或成本回报率（ROC）是净收入（在一定时期内）与投资（在某一时间点投入某些资源的成本）的比率。高 ROI 意味着投资的收益与其成本相比有优势。作为绩效指标，ROI 用于评估投资的效率或比较几个不同投资的效率。从经济学的角度来看，这是将利润与投入资本相关联的一种方式。（来自https://en.wikipedia.org/wiki/Return_on_investment）

ROI 的完整计算公式

其中， I0是投资的当前价值，  I  是投资收入， Q  是初始投资和其他费用。根据公式，分子其实就是利润，至于是毛利，还是净利，取决于你的需求。

ROI 的历史

投资回报率指标是由唐纳德森·布朗（Donaldson Brown）开创的，他是一位与杜邦和通用汽车都有关系的美国金融高管。1912 年，在杜邦公司工作时，布朗开发了一个公式，通过将利润与投资联系起来来评估投资的效率。这个公式成为杜邦分析的基本组成部分，杜邦分析是一种综合性的财务评估工具，将投资回报率分解为多个因素，如利润率和资产周转率。

在杜邦公司最初应用，当布朗于 1921 年加入通用汽车公司时，投资回报率（ROI）概念得到了更广泛的认可。在通用汽车，他将 ROI 作为关键绩效指标，用于评估各个部门的盈利能力，从而促进更明智的管理决策。这一应用展示了 ROI 在大规模、多元化的组织中的实用性，导致其在企业界得到广泛应用。

几十年来，投资回报率（ROI）已成为评估各行业投资绩效的标准指标。其简单性和多功能性使企业能够比较不同投资的效率，有助于战略规划和资源配置。

可以看出来ROI 的诞生，本身就是为了解决财务问题，为了更好地衡量投资收益。

1.3 ROAS 的前世今生

ROAS 的历史

不像ROI，ROAS 没有明确的来源或者发明人，这个更多来自于一群人的实践，没有明确的历史记载。ROAS 可以认为来源自ROMI（Return on Marketing Investment，营销投资回报率），这里的Marketing 当针对的是广告时，就变成了ROAS。同样，ROAS 的诞生是源于互联网的发展，电子商务的发展，使得数字广告可以准确监控到收入，从而可以提供ROAS指标，以便企业主决定广告的投入。

现状

实际应用中，在中国，很多人会把ROI=ROAS，实际上准确的应该是ROAS，但是说实话行业发展时间太短。前期的业内人士没有特意区分，导致ROI=ROAS。这没啥大事，但是对于严谨的想要精进的新进者而言非常不友好。我还是十分建议大家使用ROAS，不要再使用ROI。

2. 购买价值的跟踪

无论是ROI还是ROAS，都包含了2部分，收入和投入。投入这个很好计算，就是之前拆解过的CPM。这次我们重点讲Return（回收，收入）。在广告行业内，return对应的就是广告收入，电商中对应的指标叫purchase value （购买价值）或 conversion value（转化价值），或者订单金额，都是一个意思。下文将统一称之为 Value/购买价值。

那么广告系统如何监控购买价值呢？单纯获取这个指标很简单，用的就是JavaScript代码（跟踪代码），Pixel像素等。只要在网站后台代码中加入即可，就是授权广告平台有权获取这些价值数据。这个对于商家和广告平台是天然双赢的，商家愿意主动授权，这无可厚非。

2.1 购买价值不是最重要的，最重要的是知道这个用户的购买价值！

难的是，如何将购买价值对应到那个客户。这就涉及到隐私了，而隐私是涉及到法律的，涉及到利益不一致的客户信息拥有方。在互联网时代，客户信息托管方就是软件系统厂家（安卓，iOS，windows）。iOS和安卓系统，两个系统均越来越重视客户信息隐私和安全性。只是iOS更激进了。

购买价值必须是基于用户的，这必须一一对应。为什么？这是基础，是广告优化的重中之重。看下图

IDFA 和 GPS-ADID 分别是iOS系统和安卓系统针对客户的广告标识符，可以理解为身份证号。我们以Meta 举例，看一下一个客户从meta进入网站内部完成购买的过程，Meta 系统里围绕内部Meta user id存储大量用户信息，这个用户A 使用苹果手机，在Facebook 上看到了一个广告，然后点击进入到了商家网站（shopify系统）上，这时候iOS系统将这个用户IDFA + 站内一系列行为数据通过 Facebook Pixel 传输给Meta，当然此时shopify系统本身也会给用户一个唯一ID 我们称之为shopify user id，一样带着各种行为数据。

整个数据传输流程：用户点击 Meta 上的广告 → Meta 使用 IDFA 跟踪用户 → 用户访问电子商务网站并进行购买 → 网站将带有 IDFA 的转化数据发送回 Meta → Meta 将销售归因于广告。

这个过程中可以看到IDFA 起到了至关重要的作用，meta和商家都可以有自己的用户ID 这没有问题，关键在于在ios系统内部，如果缺少IDFA 就无法做到用户级的数据匹配（每个用户都单独追踪到）。将双方数据打通，这个数据缺失直接导致Meta 无法精准获取用户级的转化数据，简单说就是不知道哪些客户购买了。这个问题非常大，因为Meta 必须依赖匹配到的这些转化用户（高质量用户）在Meta 旗下app（如Facebook）中去寻找相似用户，从而放大广告触达面，增加花费，优化出更高的ROAS 并给商家带来收入！

当然苹果对于广告平台提供 两种效果跟踪工具：PCM（针对网站跟踪）、SKAdNetwork（针对app）。但是，针对Apple ATT、PCM、SKAdNetwork带来的一些问题，以及对于网站事件归因，PCM无法满足广告主的一些关键需求，Meta为了弥补这一缺陷，推出了全事件衡量AEM（Aggregated Event Measurement）。即使Meta做了这些，改变不了它只能获取的是聚合数据，也就是一批用户打包好发送给meta（并没有IDFA），Meta只能依赖这些匿名数据去猜（AI，建模，概率分析等），这导致数据的精准度大大降低，而且这些聚合数据本身并不是实时的，所以Meta 也说数据归因时间也将拉长，且因为使用概率匹配预测也需要时间，进一步拉长了归因时间。

这种底层的用户ID 无法获取的问题，导致meta 广告效果大幅下降，让Meta 的收入在2022年出现罕见的同比下跌1.7%（谷歌同期同比上涨7.1%?）。

2009-2024 Meta 收入变化 - 来自statista

谷歌广告收入变化（statics）

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

我们上面分析的是没有留下email的的客户，实际上针对留下邮箱的客户，是可以做到用户级的追踪的。详细过程如下：

用户主动提交的场景：

如果用户在商家网站（如Shopify店铺）主动填写邮箱（例如注册、订阅、结账时），且商家将邮箱数据通过以下方式共享给Meta，理论上Meta可以获取：

Meta Pixel的字段传递：

Meta Pixel支持商家将用户邮箱作为自定义参数（如email字段）发送至Meta的广告系统。例如，用户在结账时输入的邮箱可能通过事件代码（如fbq('track', 'Purchase', {email: 'user@example.com'})）被记录。

服务器端数据集成：

商家可能通过服务器端API（如Conversions API）直接将用户邮箱与Meta账户关联，绕过浏览器端限制。

顶级优化师可能发现问题了，上面我说的转化不是购买嘛，既然是购买那么客户肯定留下了邮箱了，是可以追踪的呀。对，的确如此，但是转化实际上包括：浏览页面时长，加入购物车，发起结账，购买。而且越前面的行为数据越多，比如加购数量肯定远超购买的，都不是一个数量级。转化数据越多越好，你投放的时候选择的目标是sale/purchase，meta 对于加购，发起结账，购买三个转化指标都会重点参考，权重都比较高，只是相对来说purchase更大。

在如何成为顶级广告优化师 之 万字拆解CPM中我们提到当以CPA 为目标的，广告排名公式 ：eCPM = 预估点击率 × 预估转化率  × 目标转化出价 × 1000 ，大家有没有注意到这个预估转化率，这个预估转化率我们假设（极有可能是）=a*预估加购率+b*预估发起结账率+c*预估CVR（a,b,c表示权重），其中a>b>c，但是没有CVR，即时c再大也没有用，这个是0呀。再加上数据量的问题，加购数量远高于购买的，而且加购的权重实际上不比CVR低多少！

为什么加购权重高，但是我投加购广告ROAS那么差呢？

很多人应该尝试过设置加购为目标投放广告，发现ROAS 很差，低于购买目标广告roas。是的，对于大部分商家来说是这样的。然而重要的是！漏斗营销模型并没有问题，这取决于你思考问题的角度和高度，站在整个行业的角度（Meta ，谷歌角度）的确是这样的，用户在商家A 加购了产品，并没有购买，但是大概率最终还是会购买，只不过可能是在B,C,D...商家购买了！

大家思考下自己的购物过程，特别是对单价较高，没有什么品牌垄断的产品。你最开始看到的品牌和你最后购买的是不是同一个？当我们买东西的时候，加购的时候实际上我们看到了价格，也看到了详情页，加购了代表我们能接受这个价格，这个产品。只是最终没在这里买而已呀！

所以对于广告平台来说，加购是个非常重要的转化行为。如果说你是行业TOP5以内的，或者PMAX 广告中展示份额占比超过20%（可以更高），那么投放加购广告是最合适的，因为市场占有率高，渠道铺的广（SEO，KOL，联盟，EDM等都做的很好了）（也就是加购-购买成功率高）使用lifetime归因，这个加购广告最终转化ROAS 实际是很高的。下面就是一个行业top 商家的数据，90天，采用Linear Paid 归因，facebook ads，非购买广告。归因窗口1天ROAS=1.44，liftetime（实际上是90天） 归因ROAS=3.67，归因延迟乘数=3.67/1.44=2.55。是不是很变态？！也就是说，当天ROAS是1，90天之后ROAS 就是2.55！

第二张图是另一家，但是没有那么强的市场占有率，延迟归因乘数也有=1.72/0.9=1.9! 当然这也是因为测试期，没有专门针对上层漏斗广告进行优化。当天ROAS 从0.9 优化到1.2-1.5问题不大的。但不建议新品牌投上层，即时投放也不建议预算超过广告预算的10%。

前面我们已经从购买价值的计算分析到用户价值的跟踪是核心，还有个问题，就是归因窗口和归因模型，上面示例大家也看到了。这个也很重要，因为一个用户可能看过多个广告，那么就会涉及到归因问题，到底归因到哪个广告呢？

2.2 归因模型与归因窗口

先解释下常见的几个归因模型

1. 首次点击（First Click）和最后点击模型（Last Click）

第一次点击（FC）模型将所有功劳归因于初始接触点，而最后点击（LC）模型将所有功劳归因于转化前的最后一个接触点。

适用场景

• 首次点击：用于识别哪些渠道或广告引发客户兴趣并产生认知。

• 最后点击：了解哪些渠道或广告在将潜在客户转化为客户方面最有效。

优点

• 首次点击：突出顶部漏斗营销活动的有效性。

• 最后点击：关注促成交易的关键接触点，有助于优化下漏斗活动。

示例

• 想象一个客户首先看到一条 Facebook 广告并点击它，但没有购买。两周后，他们收到了你的品牌的一封电子邮件，点击了它，但仍然没有购买。最后，他们看到了一条 Google 搜索广告，点击了它，并决定购买。在首次点击模型中，Facebook 广告获得了所有功劳，因为它是开始客户旅程的初始接触点。在最后点击模型中，Google 搜索广告将获得所有功劳。

2. Linear Attribution Model  线性归因模型

线性归因模型将等量功劳分配给客户旅程中的每个触点，通过将可归因收入分配给所有触点。此模型非常适合分析各种营销努力如何共同促成转化，而不会过度强调任何单个触点。

有两种线性归因版本。

• Linear (All) 线性（全部）将功劳分配给所有流量来源，包括有机和非付费流量。它通过认识到客户与您的品牌互动的贡献，提供了一个对所有营销努力的平衡视角。

• Linear (Paid) 线性（付费）模型仅将同等功劳分配给客户旅程中的付费互动（即营销渠道）。通过排除自然流量，线性（付费）模型帮助您了解您在付费营销渠道上的投资如何促进转化。

适用场景

• 当您想了解每个营销接触点的贡献时。

• 适用于每个互动在转化过程中都发挥重要作用的营销活动。

优点

• 对所有营销活动进行公平的分析。

• 确保没有任何单一渠道或互动被高估或低估。

例子

• 想象一个客户点击了 Twitter 广告，随后在营销邮件中的博客文章链接。然后他们在 Facebook 上点击了重定向广告。最后，他们在 Google 搜索广告中点击并完成了购买。在线性（全部）模型中，功劳在所有触点（Twitter 广告、博客文章链接、Facebook 重定向广告和 Google 搜索广告）之间平均分配，表明每个互动都参与了转化。在线性（付费）模型中，功劳在所有付费触点（Twitter 广告、Facebook 重定向广告和 Google 搜索广告）之间平均分配。

3. 时间衰减归因（Time Decay）

介绍：离转化时间越近的触点，获得的功劳比例越高。

适用场景

• 短促销周期（如限时折扣、节日活动）。

• 适用于强调临近转化阶段的渠道（如再营销广告）。

优点

• 更符合用户决策逻辑（近期互动影响更大）。

• 适合评估短期促销效果。 缺点：

• 可能低估早期品牌建设的作用。

示例

用户7天前点击Facebook广告 → 3天前打开邮件 → 1天前点击Google广告并购买 → Google广告功劳最大，Facebook最小。

4. 基于位置的归因（Position-Based / U型归因）

首次和末次触点各占40%功劳，中间触点平分剩余20%。

适用场景：

强调“获客+转化”双重目标的营销策略（如电商、SaaS）。

适用于评估漏斗顶部（品牌曝光）和底部（转化促成）的效果。

优点

平衡了初始获客和最终转化的贡献。

适用于大多数数字营销场景。

缺点

中间触点（如内容营销）可能被低估。

示例

用户路径：SEO自然搜索 → 博客内容 → 再营销广告 → 购买，首次（SEO）和末次（再营销广告）各占40%，博客占20%。

5. 数据驱动归因（Data-Driven）

基于机器学习算法，动态分配各触点的功劳权重。需足够数据支持。

适用场景

数据量大的企业，追求精准归因。

适用于复杂用户路径（如跨设备、多渠道）。

优点

最科学、最贴近真实用户行为。

自动优化权重，减少人为偏差。

缺点

需要大量历史数据，不适用于小企业。

示例

某电商发现“社交媒体广告+邮件提醒”组合的转化率比单独渠道高30%，因此算法自动提高该组合的功劳权重。

6. 多触点最大化归因（非标准模型）

• 逻辑：将每个接触点视为独立贡献者，赋予其全部转化价值（如一个客户经过3个渠道购买了900美金的产品，那么各渠道均计为900美元，总和2700美元）。

• 适用场景：评估渠道对多笔潜在转化的潜在影响力，而非单次转化的实际贡献。

• 局限性：数据虚高，无法反映真实ROI，且与实际业务逻辑冲突

最后一个归因模型是小鱼儿加的，这个比较特别，并不是行业标准模型，且很少涉及，但是这个对于大家理解渠道重合度很重要。

大家请务必牢记归因模型定义和特点，才能看懂下面的分析.

为什么很多广告系统/分析工具均选择Last Click 归因模型？而不选择其他模型？

即使是谷歌广告早期也是默认Last click归因的。

我们先看一下数字广告优化逻辑图

最重要的原因是RTB（real-time bidding） 实时出价，在上一课如何成为顶级广告优化师 之 万字拆解CPM 我们提到的，排名算法中不同类型的数据权重不同，实时数据>近期数据>历史数据，last click归因是最接近实时数据的，是最准确的归因。这还涉及到一个底层原因，预测时间越短，预测越准。通俗讲就是天气预报，明天准确度几乎肯定是高于后天的天气准确度的。如果大家了解指数平滑法就能地从数学上理解了。在上一课我们提到了，GSP和VCG算法，但这只是动态的一面而已，缺少了时间维度和其他高纬数据。我们只谈时间维度，实际上GSP算法是实时的，但是在实时获取的数据时间点也是不一样的，算法会分析不同时间数据，不同类型数据不断进行降维处理，直到变成一维。也就是最终的排名分数进行排名。这个过程就可以理解为指数平滑思想在互联网广告场景的超级增强版。其他维度这还涉及到RNN,CNN,LSTM等深度学习神经网络算法，此处不再深入。

以上是数学上的研究，实际上就是人的最终行为表面上看都是最后一根稻草影响最大。这个记忆更深刻呀。但是这就是正确的吗？

很多时候并不是的，压力大到最终崩溃是最后一次矛盾影响的吗？这只是冰山一角，本质上说就应该包括前期的压力积累。甚至你自己都感觉不到，只有潜意识里感知到了。举个例子，马加爵杀人案，在正常人看来他的室友做的达不到那样的伤害，问题是他为什么觉得这很伤害他。结合多份犯罪心理学研究及家庭背景分析，是遗传（占比小）+ 家庭和学校情感链接太少（共情他太少，他共情别人太少）。实际最终结果的影响权重最大的可能是最后一点，但是最多也是40%，单一因素确实是最大的，但是前面60%的经历就忽略了吗？

这也是为什么谷歌广告比Meta更强的重要原因之一，谷歌广告归因很早就抛弃了最后一次归因，加入了各种归因模型，直到最新的data driven 归因。

2.3 这种last clicks归因模型会造成什么后果？

直接造成决策失误和团队矛盾。

大部分的系统都是默认last click归因，包括自然搜索，联盟系统，EDM系统。所以当我们每个渠道单独看自己渠道归因时候，实际上就是多触点最大化归因。算出的总销售额高于实际销售额。这个比例甚至超过150%，这还不是重点，重点是这个重合度不稳定，这季度120%，下个季度可能就是140%了。

这种归因模式，会造成对单个渠道功劳的判断出现错误。看下图，是针对联盟渠道的不同归因，ROAS 的差异。

Shareasale 是个联盟渠道，图中左边的ROAS 是Linear All 模型下的，右边的就是这渠道后台显示的ROAS。看到没，如果按照后台看明显Shareasale 还有很大的提升空间，ROAS仅次于谷歌广告。如果仅根据这个数据，决定去扩大联盟，甚至提高佣金比例，那就是大错特错了。因为按照LA 模型，这个渠道的ROAS 仅1.49，是最低的。再深入查看用户旅程就会发现，实际上这个渠道绝大部分都是在收割流量（特别典型的就是折扣站），而且这个佣金明显高了，要降低呀。这个用户接触点（渠道）数量并不是越多越好的，有一个均衡值，行业不同这个也不同。价格在100美金左右的，基本控制在3个左右。但是不能高达6个了，那样是无效的甚至引起用户反感，就像这里，实际上客户已经大概率会买了，因为联盟插了一脚还被分去了佣金。

这就说明了归因模型的准确性，直接决定了决策的准确度。要不然就会造成不可估量的损失。

那么为什么会造成团队矛盾呢？

Last click归因造成无法客观评估各渠道对整体业绩到底有多大功劳，再往下就涉及到利益分配了。各渠道之间都只看自己的后台，下图左边使用TA 归因，affliate渠道销售额高达4万美金，低于 operation（站内活动，客服，相关插件带来的），但实际上LA 模型下，其功劳高于operation 60%以上呀。

你看这就涉及到渠道功劳问题，能不能找到与网站目标一致的评估标准，最合适的就是LA（实际也不客观，但是好在绝对公平，各渠道权重一样。最优选择是根据渠道属性选择特定归因模型，但是太复杂，实操上说比较难，但是团队能力足够还是可以执行的。）

更长远的是涉及到年度目标拆解时（通常是销售额+利润率），多触点最大化归因 模型下难以有效拆解，因为你需要考虑重合度的问题，不得不做出更高的重合度预估，防止出现各渠道业绩完成，项目目标没有完成的情况。重合度高了，就相当于变相增加各渠道目标了，谁心里会真的认可？

相信到这里，大家就知道为什么ROAS那么重要了，本质不是roas。而是准确跟踪销售额，转化这个才是最重要的。我们聊到ios 更新的问题，归因窗口，归因模型的问题。那么这些数据怎么获取，大家注意到我给的截图基本都不是谷歌分析的，对，这是一个工具，为了防止广告嫌疑。转发本文，私聊告知。这个工具很贵，但是确实很重要，不建议新品牌入手（月销售额<5万美金，极限是2万美金，此时工具成本大概是销售额的2%以下，再低就不合适了），意义不大，使用谷歌分析或shopify后台的多渠道归因就够了。

3. 长篇大论分析了购买价值，这到底有什么用？

总结一下

1. 让大家认识到数据跟踪的重要性，数据归因的重要性，提升大家的认知。数据跟踪不准，地基不准，所有的一切都是错的；

2. 数据监控准确的前提下，上层漏斗可以投放，但要考虑品牌所处的阶段；

3. 高单价产品（低单价也一样，可以有效降低测试成本），长决策周期的产品，加购率权重不比CVR低；

首先为什么广告系统要监控到购买价值？因为购买价值是用户对此素材效果评价的最准确的数字，没有之一！在上一课如何成为顶级广告优化师 之 万字拆解CPM中我已经说过，这里我们再说一下。

广告排名算法，无论是GSP和VCG。本质上广告排名=出价*用户体验（用户价值，用户认可度等都是一个意思）。那么用户价值到底怎么计算出来？最重要的指标是啥，毫无疑问肯定是用户在这个品牌（网站）上到底花了多少钱，多少用户愿意在这里花钱呀（就是转化率，监控到用户价值，就能算出来转化率了）！

这里的用户价值不仅仅包括purchase value，CVR，还包含add to cart value，加购率，checkout value，发起结账率等等。对于整个行业而言，算法本身对带有金额的指标都几乎同等重要，不懂得请回忆上面讲的营销漏斗部分。大家可以自行实时观察广告预算分配情况（1:1:n结构）去进一步验证。仔细观察当广告开始跑的时候，素材ABC之间的预算自动分配的机制。没有ROAS/CPA的时候，那些花费靠前的素材哪些数据比较好，当ROAS 出现的时候，那些跑的好的素材哪些数据比较好。通过这个大量，细致的观察你就可以看出来指标权重高低排序了。

本质上广告投放人群的时候，广告系统一边在做：在利用商家已有的转化数据（整个行业数据+用户本身在meta 系统内数据）去寻找新的人群A B C，并分别预测这些A B C人群价值，假设排名是A1 B2 C3。

另一边在做：获取商家abc 的用户转化数据计算出用户体验*商家出价（现在出价也是系统自己出了）。如果排名是a1，b2，c3，两边一匹配，最终结果就是人群A1 - 商家a1，人群B1 - 商家b1，人群C1 - 商家c1。

那么，为什么广告排名要考虑用户价值？为什么一定要是用户体验好的排在前面？上节课课如何成为顶级广告优化师 之 万字拆解CPM也说了，此处简单说一下，因为要做到广告平台要取得用户体验和商家利润的均衡点。用户价值反映了广告系统推送的人群准不准，也就直接表明了这个广告算法预测人群是否准确。人群越准，广告效果就越好嘛，越来越多商家愿意花钱，市场扩张，收益最大者就是广告平台方。但是不能只考虑商家，导致用户体验下降就会流失客户呀，典型的代表就是百度。

既然用户价值重要性是最高的？如何提高用户价值呢？

到底哪些因素影响用户价值？这就是涉及商业的本质，商业的本质是满足客户需求，或者说用户第一，以用户为中心。如何提高用户价值呢？2个因素，产品最大，其次内容。

只需要做好这2件事，做好的产品，并用好的内容传达产品的价值（就是让客户看到了愿意买，并且方便买）。做好产品，本文不讲了。等下次万字拆解“用户至上”再说。

营销销售渠道管控力最强的是内容，也就是素材。整个广告行业可以说都知道。问题是数字广告行业的出现，歪曲了这个事情。或者说因为随处可见的素材，产品，可以随便用，可以说过去十几年跨境电商行业，靠的就是红利，数字广告的红利。让大部分人忽略了这个常识！直到红利消失，仍然还有很多人经验主义地坚信过去的成功，靠的是预算调整，测试测试测试。这都来自简单的归纳法类比法，忽略了演绎法，科学逻辑的思考，进而忽略了最简单的常识。

测试测试测试，这就涉及到一个问题，很多优化师思维都是测试，不动脑子地测试。甚至认为上了一堆素材，那些没有花费钱的素材，大概率就是不好的。因为坚信数字广告的算法。或者说，自然而然地认为Meta 谷歌这些大公司肯定会对素材进行解析处理，预判效果的，它预判效果差就不花钱了。OK ，那我们深入分析分析这个假设。这个分析将给你带来一个惊人的效果，可以大幅提升广告效果，是最前沿的广告技能！

Meta，谷歌等广告系统会对图片/视频进行解析处理（对图片打标签）吗？

结论：会， 但是深入到广告算法中权重较低，2023年之前应用较少，2023年之后，特别是AI 大火之后开始出现，但是解析权重<文本权重<数字数据权重，且还没有大量推送。

这里的解析处理通常大家想象的是，机器解读图片，并对图片进行分析，就像现在的AI 分析图片内容一样（图转文）。

这个现象非常普遍，很多优化师会花费100美金投放测试30个素材，其中25个素材也许根本就没有获得足够的展示（低于500甚至更低）。那么就说明这25个素材效果很差，已经测试完毕了，而且坚信这个数据结论。有经验的优化师会发现，并不是如此，最直接的就是看ASC 广告，如果上了很多素材，原本优质的一个素材效果衰减，其他素材会顶上去，有些就是之前压根没怎么花钱的素材。

坚信机器学习并没有什么不对，问题是你得知道机器学习到底学习了啥，再去决定信还是不信呀。本质上是没有好奇心去深度研究广告算法（也可以说是本能，大脑很懒，这种事情非常费脑子），他们机器学习会考虑什么参数。这是一种成见，这种成见影响你成为一个顶级优化师的。

再举个例子，有些做黑五类，仿品的，会投放各种违规素材。但是为什么没有立即封号，后台显示经过审核素材，但是依然很多违规素材反而要等至少1h甚至好几天呢，有的甚至是数周 才发被发现呢，让他们赚的盆满钵满。这个素材违规检测用图片解析去实现的，广告系统很早就在做了，但是大都在检测违规素材上，而且解析处理并不是实时的，准确率也低。做违规品的都很了解meta 的解析算法，会做各种素材规避。因为检测到的时间越晚，钱赚的越多呀。也不是说，不会进行图片解析，肯定会解析的但是重点是图片中的产品等重要信息，其他的比如色彩，构图，环境背景之类的就很少了，下文我会详细讲解这一块。

为啥广告平台一直没有大力推进图片解析呢？

很长时间内广告系统对图片的解析准确度低，效率还低、成本高。直到AI 的爆发，极大提高了图片解析准确率，效率有所提升了，但单位时间耗电也更多了。各大广告系统开始接入大模型了，这个图片解析才可能大力推广。但是推进的还是很慢，即使谷歌这种也是推进的AI生成背景工具的引入。2024年中，开始Meta 也开始推进了，据说最新的Advantage+广告就是如此，还没有大面积推进。

图片解析的这个趋势是必然的，但是考虑的目前的成本和效率，进展比较慢。考虑到RTB 实时性，目前大概率各大系统并没有使用图片解析并预测数据（太费钱和时间了，且准确度低，标签并非直接的量化数据，权重较低）。实时数据，量化数据（如CTR）依然占据绝对权重。与此同时，毫无疑问，如果加入图片解析会对广告算法效果有更大的提升，甚至可能是质的提升。我们回顾一下，广告算法核心的确实是实时数据，量化数据。广告算法之外，对人群和素材（帖子）打标签的算法更重要，然后对标签进行量化，进一步的预测用户价值（值多少钱）。对人群打标签和对素材打标签，都是量化的基础。因为用户看了帖子/广告内容，认可这些内容，被吸引了才愿意点击甚至购买。广告系统就是将这个过程进行数字化，利用数学变成可以衡量的价值。但数学做不到完全准确，都会失真，还必须需要人的介入。只不过随着AI 发展，某些工作被替代了（本来也是，机器能干的事情，人不用干呀，费时费力不费脑的活注定被淘汰），但是最核心的还是人的工作。后面会提到，这个工作做的好的优化师才能赚到最大的收入。

那么如何对人群打标签呢？三步

系统提取帖子标签 - 系统分析用户的帖子互动数据 - 对用户打上互动高的帖子标签

其中基础且最重要的是系统如何对帖子打标签：

不想写那么细了，大概说一下，标签分为3大类：帖子发布者自己打的标签，基于文本的自动标签提取（帖子文本，图片alt或名字（如有）），基于图像的自动标签提取。

经过以上深度研究，主要是各类论文，blog研究，官方从来没有说过文本标签（含OCR 图片识别文本）和计算机视觉自动识别（CV Auto Tags，即图片解析标签）。图片解析标签的权重，但是综合各类论文发现，文本标签权重 ≈ 65% ± 15%，计算机视觉自动识别 ≈ 35% ± 10%，也就说基本是7:3的权重。详细可参见付费部分的参考文献。

4. 那么什么样的优化师最赚钱？