ad-audience-targeting

受众定位

将客户是谁（理想客户画像，ICP）以及他们表现出购买意向的行为（购买信号），映射为分层的付费媒体定向方案：投放哪些受众层级、如何定义和估算规模、如何分配预算、如何安排测试顺序，以及如何避免各层级相互竞价。

B2B 和 B2C 的层级逻辑、排除原则、重叠计算和最低预算要求完全相同。不同之处（详见 B2B 与 B2C 部分）：

• 受众规模：B2B 的 ICP 往往小于平台最低要求。
• 主导层级：B2B 更偏向企业属性和基于名单的定向；B2C 更偏向广泛定向、相似受众和行为定向。
• 周期长度。
• 成功指标：管道质量与 CPA/ROAS 量级。

此技能会制定方案，而非配置平台。它会确定再营销层级并估算其规模，但不会设计各阶段的再营销序列（mbfinotti/advertising-skills@retargeting-funnel）；它假定已有种子名单，但不会选择或构建该名单（mbfinotti/advertising-skills@lookalike-audience-seeds）。

证据门槛

• 没有可靠数据来源支撑时，绝不认定某项 ICP、购买信号或受众层级：数据来源可以是 ICP 文档、客户/CRM 数据、分析数据或过往广告活动结果。
• 缺少 ICP → 停止并索要一份 ICP（或一份可用于推导 ICP 的客户名单）。绝不只根据产品描述臆造 ICP；建立在想象中的客户之上的方案，只会朝着虚构对象优化。
• 未知属性按中性处理，绝不按负面处理。没有证据不代表负面信号；将其评为负面会系统性地埋没公开信息较少的账户，而这通常与规模相关，而非匹配度。
• 在方案中记录每个层级对应的证据（来源和日期），以便在效果出乎预期时审查方案。

澄清问题

制定方案前简短询问一次；已回答的问题不必再问。

1. 是 B2B 还是 B2C？ICP 如何描述目标客户——谁会购买，有什么证据支撑？
2. 什么算转化？目标 CPA（或 ROAS）是多少？
3. 该账户目前每周大约产生多少次转化？（这决定默认采用广泛定向还是分层定向。）
4. 有哪些第一方资产：客户名单（规模）、网站流量、CRM、活跃关注者？
5. 此方案的月度总预算是多少？
6. 可触达的受众规模有多大——数千个账户还是数百万名消费者？
7. 产品或服务是否涉及受监管的类别（住房、就业、信贷、金融产品、健康、政治）？
8. 必须在什么日期前取得结果——是否有硬性截止日期（发布、季度末、季节性窗口），还是时间安排灵活？
9. 你希望本轮只争取一次性成果，还是打造在广告活动结束后仍持续产生价值的复利资产？
10. 你的投入上限是多少——每周可投入多少小时、由谁执行，以及是否能获得法律/隐私审查支持？

最后三个问题会在方案撰写前重新调整层级顺序。方案中需说明每个答案如何改变了哪些层级：

• 临近的硬性截止日期会提升第一方和再营销层级的优先级——它们能在几天内提供可解读的证据；同时降低冷启动广泛定向的优先级，因为它需要完整的学习周期才能提供有效信息。
• 复利增长目标会提升第一方名单增长和冷启动广泛定向的优先级：前者能积累种子名单和抑制名单，供企业持续使用；后者则会训练一个随每次转化而不断优化的投放模型。停止补充流量后，再营销受众池会在几周内逐渐消失。
• 如果完全无法获得隐私审查支持，就移除所有需要上传可识别数据的层级——第一方自定义受众，以及根据客户种子名单构建的相似受众——而不是将它们排在最后；这些不是该账户可选择的方案。仅投入精力有限，只会降低这些层级的优先级，同时提升平台原生行为定向和广泛定向的优先级。

属性与信号

每个人都会跳过的翻译步骤：ICP 列出的是_属性_，而定向计划基于属性_和_信号运行。请明确区分二者。

	属性——“什么属实”	信号——“为什么是现在”
回答的问题	此人／账户是否匹配？	为什么他们现在更有可能购买？
示例	行业、公司规模、职位、年龄、地理位置、品类兴趣	融资轮次、招聘激增、访问定价页面、购物车放弃、季节性触发因素
用途	层级成员资格、排除名单、企业特征筛选条件	层级优先级、时效窗口、测试顺序
过时速度	较慢——每季度更新	较快——有过期日期

• 超过约 90 天的信号只是背景信息，绝不能作为触发因素。两个新鲜且相互独立的信号（例如融资 + 相关岗位招聘）优于一个过时信号。
• 测试任何候选信号：在十个已经通过属性筛选的人／账户中，它能否指出应该优先触达谁？如果不能，那它只是穿着信号外衣的属性。

层级模型

每个计划都由以下六个层级组成，按效率排序——即每单位投入带来的结果——而不是按搭建成本高低排序。只有在真实、有证据支持的信号界定某个层级时，才将其纳入；空层级只是一个条目，不是受众。

• 效率：第一方自定义 > 再营销 > 相似受众 > 行为／购买意向 > 广泛冷启动 > 兴趣与亲和度
• 价值（该层级在上限下可带来的结果量）：广泛冷启动 > 相似受众 > 行为／购买意向 > 第一方自定义 > 再营销 > 兴趣与亲和度
• 投入：广泛冷启动 > 再营销 > 第一方自定义 == 相似受众 > 行为／购买意向 == 兴趣与亲和度
• 合规成本：第一方自定义 > 相似受众 > 再营销 > 行为／购买意向 > 兴趣与亲和度 == 广泛冷启动

各项指标有意彼此矛盾：

• 兴趣是最容易搭建的层级，却也是效率最低的层级。

• 广泛冷启动的上限最高，但运营成本最高，见效也最慢。

• 第一方排在首位，因为企业已拥有的名单只需一小时设置，便能带来转化。但在六个层级中，它也承担最重的同意、DPA 和数据驻留风险；合规指标正是为此定价。 | 层级 | 定义性信号 | 启用所需投入 | 规模与意向 | 不适用于 | | ------------------------------------ | --------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------- | -------------------------------------------------------- | ---------------------------------------------------------- | | 第一方自定义 | 自有数据：客户／CRM 名单、网站访客、内容互动者 | 一小时——名单已存在；上传前添加同意和数据驻留检查 | 漏斗中下层：规模小，意向强 | 大规模潜在客户开发 | | 再营销池 | 曾与企业互动，按近期程度 × 互动深度分级 | 需要一周或更长时间的流量或广告支出来填充受众池；之后维护成本几乎为零 | 漏斗底部：规模最小，意向最强 | 验证方案是否有效——其 ROAS 在结构上被高估 | | 相似受众 | 与种子名单的统计相似性 | 种子名单就绪后只需一小时；获取种子名单是另一项工作 | 漏斗顶部至中部：规模大，意向质量取决于种子质量 | 替代再营销；以互动诱饵点击者作为种子 | | 行为／有购买意向 | 平台追踪的品类级购买意向行为 | 一小时——平台原生受众细分，无需构建或上传 | 漏斗中部：规模中等，意向中等 | 广泛的品牌认知覆盖 | | 冷启动潜客开发（广泛／算法驱动） | 无——投放算法根据账户的转化信号进行选择 | 持续性工作——预算保持在学习门槛以上，并持续供应创意内容 | 漏斗顶部：规模最大，意向最低 | 了解买家是谁；可触达受众规模极小 | | 兴趣与偏好 | 声明或推断出的兴趣 | 一小时——且大多付诸东流；主要平台将兴趣输入视为建议，而非限制 | 漏斗顶部：规模大，意向弱 | 精准覆盖——作为精准工具已基本过时 |

• 默认梯级：优先为第一方受众和再营销提供资金。暖受众层级饱和，或其依赖的管道停止补充时，就上移一个梯级——先相似受众，再行为受众，最后冷启动广泛受众。越暖的层级规模越小、单个结果成本越低；冷受众层级则负责补充这些受众，因此只为暖受众层级提供资金的计划，会在几周内耗尽自己的管道。

• 当网站流量不足以建立再营销受众池时，互动受众是标准的备用种子受众，按填充速度排序：video viewers > content/profile engagers > lead-form openers。视频观看者受众池大约一周投放后就能达到可用规模；潜在客户表单开启者受众池则可能需要一到三个月。

• 这个排序是默认做法，不是铁律——它会随具体情况和执行者而变。撰写计划前，应结合你对用户已有的了解重新排序：

  • 拥有数万名客户的自有名单，会使第一方受众升至首位。
  • 现有像素流量密集，会使再营销受众升至首位。
  • 内部数据或分析团队，会使相似受众升至首位。

• 用户明确提出的限制与重新排序的作用不同：它会移除相应层级。删除答案排除的任何层级，并在计划中说明该层级已删除、导致删除的限制，以及恢复该层级需要满足的条件。例如：

  • “冷启动广泛受众：已删除，可触达的受众总量只有几万人；若受众总量或覆盖地域扩大，则恢复。”
  • 没有隐私审查，就会删除第一方受众和以客户为种子受众的相似受众。
  • 受监管的产品若属于不允许使用相似受众的类别，就会删除该层级（参见“合规门槛”）。

  被排除的层级若仍留在表格底部，就会和没人考虑过的层级毫无区别，并在下一个规划周期作为新想法再次出现。

广泛定位 vs. 分层定位：如何判断

这是该领域争议最大的决策——应将其表述为有条件的选择，绝不能当成教条。排名会随一个因素而反转：账户数据密度。因此这里将其分别列出，而不是混成一个容易误导的顺序：

• 效率（新账户或数据稀少的账户、ICP 范围狭窄或受众规模较小、预算较少、受监管的产品）：明确分层 > 并行测试 > 广泛定位
• 效率（转化数据密集、受众规模大、预算足以支撑算法、目标是高效扩大规模）：并行测试 > 广泛定位 > 明确分层

默认阶梯：明确分层。唯一能让方案上升一级的条件，是某个广告系列稳定达到其学习门槛——此时进行并行测试，只有在重复广告系列表现更佳时才采用广泛定位。

策略	你投入	你得到	你放弃
明确分层	花一两天定义各层级，之后持续维护排除项并刷新名单	归因能力——揭示哪个细分群体实际有响应	算法本可自行找到的覆盖范围，以及定位过窄的风险
并行测试（复制一个广告系列，仅将副本切换为广泛定位）	花一小时设置，再为副本投入一个测试周期的预算	得到针对自身账户的答案，而非他人的泛泛之谈；整个过程完全可逆	在做出决定之前延迟一个周期
广泛定位 / 算法定位	设置成本几乎为零，但需要在完整学习周期内持续提供充足预算	在受众规模确实足够大的情况下高效扩大规模	无法了解买家是谁；当实际市场规模较小时会造成覆盖浪费

证据情况如下：

• 广泛定位阵营：

  • Ben Heath 报告称，开放式／广泛定位“往往（但并非总是）优于兴趣定位”，尤其是在“拥有不错转化数据的成熟广告账户”中。
  • Demand Curve 也独立支持广泛定位，称其“与传统营销智慧背道而驰”，但确实行之有效。
  • 平台供应商发布的自报数据也认同这一观点；应将这些数字视为营销宣传。

• 分层定位阵营： B2B 从业者（包括 B2Linked）提醒，不要自动启用受众扩展功能——如果 ICP 狭窄且定义明确，任由平台将受众扩大到“任何人、所有人”，会浪费预算。

• 中间立场： Heath 本人否定了“彻底取消再营销”的阵营，称其为“更极端的观点”——即使是优先采用广泛定位的账户，也会保留第一方受众和再营销层级。

• 切勿仅凭泛泛的建议全面改变账户策略；并行测试是切换策略阶梯的唯一可靠方式，而且在得出结论期间，分层对照组仍会继续运行。

• 广泛定位会掩盖买家是谁。即使广泛定位在成本上胜出，也至少要保留一个手动定义的层级，作为研究工具。

• 定位过窄是分层定位阵营明确指出的失败模式：叠加多种兴趣和人口统计筛选条件，会形成规模小、成本高的受众，看到的广告却始终不变。如果你对 ICP 的了解很丰富，应将这些信息用于为不同细分群体制作创意变体，而不是添加更多筛选条件。

规模与资金门槛

无法获得足够资金以产生显著效果的层级，不应纳入计划。

1. 为每个层级设定规模，并对照平台的最低受众规模进行检查（references/platform-notes.md——用户指定平台后再加载；平台门槛可能随时变更，因此请对照平台当前文档核实）。
2. 根据平台的学习门槛计算每个层级的预算底线：每日底线 ≈（目标 CPA × 每周优化事件门槛）÷ 7。最常引用的门槛是每个广告组每周约 50 个事件。若某广告组每天预算为 30 美元，目标 CPA 为 50 美元，则每周约有 4 次转化——它永远无法结束学习阶段；应将其合并，或改为针对漏斗更上层的事件进行优化。
3. 低于规模门槛或预算底线时，按以下顺序调整，以提高效率：向上合并 > 更便宜的代理事件 > 删除。
   • 将该层级合并到最接近的相邻层级——花一小时重建排除条件，就能同时保留受众和投放。优先尝试此方案。
   • 针对成本更低、漏斗更上层的事件进行优化——需要一小时和一个重新学习周期，以牺牲较宽松的成功指标为代价换取投放，之后还需将其与真实指标进行对照。
   • 删除该层级——几乎不费力，虽无收益，但能避免浪费。切勿仅为「覆盖」而保留无法获得足够资金的层级。
4. 小受众的每次展示成本也更高——AJ Wilcox 提醒「受众非常小会让你付出高昂代价」，这一点适用于各个平台。
5. 初始分配：70-80% 用于拓新层级，15-25% 用于再营销，其余用于实验。再营销支出超过约 40% 时，说明应扩大拓新，而非证明再营销「有效」——过度投入会抬高综合 ROAS，同时导致受众池补充不足。
6. 分配比例会随阶段变化：新品发布时，拓新占 80-90%；成熟且流量较大的品牌则可以合理增加对暖受众的投入。

重叠与排除规范

两个获得资金支持的层级若竞价争取同一用户，就会在竞价中相互竞争，抬高成本，却没有增加覆盖范围。

• 先设置排除条件，再设置包含条件——平台会优先处理排除条件，因此应先建立排除矩阵。

• 所有场景均应排除现有客户（除非营销活动用于拓展销售或追加销售）、员工和已知竞争对手。

• 层级之间：将每个高意向层级从所有低意向层级中排除——从相似受众和拓新受众中排除再营销受众池，从所有受众中排除客户名单。每位用户只能属于一个层级。

• 使用第一方抑制名单执行此操作。主要平台已弃用或移除基于兴趣的_排除_功能；通过上传名单抑制客户或转化用户仍是标准做法。

• 两个获得资金支持的层级之间的重叠阈值：

  • 低于 10%：忽略。
  • 10-30%：监控。
  • 30-50%：采取行动。
  • 高于 50%：合并层级。

  在启动任何新层级前，都要检查重叠情况，而不只是在排查问题时检查。

• 在 30-50% 的范围内，优先选择 添加排除条件 > 合并：设置排除条件需要一小时，且只需点击一次即可撤销；而合并会破坏测试预算原本用于读取的各层级数据。只有当排除条件会让任一层级接近其规模门槛时，才进行合并。

• 反向问题也存在：不断叠加排除条件，直到受众低于平台门槛，会导致投放悄然停止。建立矩阵后，重新检查每个层级排除后的规模。

测试顺序

1. 按照分层模型的效率顺序分配预算。这里再次列出，是因为预算会实际投入到这些层级中：第一方 > 再营销 > 相似受众 > 行为定向 > 冷启动广泛受众（如果要投放兴趣定向层级，将其排在最后）。信号速度的排序几乎相同，因此在时间紧迫时也应遵循这一顺序：第一方 == 再营销 > 相似受众 > 行为定向 == 冷启动广泛受众。
2. 为每个受众设置固定预算进行测试，确保每个层级都能实际获得预算；将已验证的优胜者纳入算法预算池进行扩量。测试期间使用算法预算池，会导致测试本应评估的层级预算不足。
3. 将广泛受众与分层受众的并行测试（见上文）作为独立实验进行——一次只改变一个变量。
4. 优胜方案的预算每周最多增加约 20%；通常认为，更大幅度的增量属于会重置学习阶段的修改，但没有平台明确规定固定百分比。
5. 在计划中预先写明每轮结束后各层级的决策规则：升级（表现优于目标，预算增加约 20%）、观望（与目标相差在 ±20% 以内或仍处于学习阶段，继续收集数据）、停止（花费达到目标 CPA 的 2 倍，但效果比预算最高的层级差 50% 以上；或投放量低于最低门槛且停滞不前）。

合规门槛

这是投放前的硬性门槛，而非事后审核。各司法管辖区和平台的规则有所不同，但以下要求基本一致：

• 敏感或受保护特征——健康状况、族裔、宗教信仰、政治观点、性取向、经济困难——不得用于定向或推断，即使这些信息来自公开信号也不例外。主要平台已彻底移除这些类别。
• 受监管的产品类别（住房、就业、信贷、金融产品、政治）会触发受限定向模式：不得缩小人口统计和地理定向范围，通常也不允许使用相似受众。从一开始就应将这些广告系列规划为“广泛受众 + 创意”。
• 在欧盟投放时，还需遵守同意要求（应预期有相当一部分追踪信号缺失）、禁止向未成年人投放基于画像的广告，以及禁止投放基于敏感数据定向的广告，且用户同意也不能豁免这一禁令。
• 信号丢失是结构性的：无论其他环节的同意设置如何，像素都会遗漏一部分转化。条件允许时，优先使用服务器端转化数据源；如果存在事实来源（CRM、订单数据），则绝不能仅依据像素数据评判各层级。
• 任何涉及受监管类别的广告系列都必须在上线前提交法务或合规团队审核。

B2B 与 B2C

维度	B2B	B2C
主导层级	基于公司特征的职业社交定向、账户列表、第一方 CRM	广泛定向／算法定向、相似受众、行为定向、再营销
受众范围	较小；通常接近或低于平台最低门槛	较大；有利于算法发挥作用
广泛与分层的默认策略	分层——受众范围极小时，算法扩展会造成浪费	转化数据充足后采用广泛定向
买家	委员会，而非个人（通过 mbfinotti/advertising-skills@ad-buyer-group-mapper 映射角色）	个人
周期	数周至数个季度——根据下游销售漏斗的质量评估，而非潜在客户数量	数小时至数天——可快速看出 CPA/ROAS
常见陷阱	受众太小，无法脱离学习阶段；低成本潜在客户优化导致潜在客户质量下降	创意疲劳和季节性，而非定向

• B2B 推论：
  • 当职称范围过小时，将角色定向从精确职称拓宽到职能 + 职级。
  • 受众范围极小（数万人）时，通常采用一个整合型广告系列，比按层级拆分效果更好。
• 本技能中的其他所有内容——证据门槛、属性／信号转换、排除矩阵、资金门槛、测试顺序、合规要求——对两者均同样适用。

输出格式

将方案整理为一份文档：

1. ICP 摘要，注明证据来源，并分为属性和信号。
2. 层级表：层级 | 定义信号（附证据）| 预估受众规模 | 已应用的排除条件 | 每日测试预算 | 成功标准——按效率排序各行，并另起一行说明是否重新排序及答案中的哪些内容导致了重新排序；再另起一行列出所有删除的层级及导致其删除的限制条件。
3. 排除矩阵：每个排除列表 × 适用的层级。
4. 测试顺序：顺序、时长、每项测试所隔离的单一变量，以及提升／保留／停止规则。若顺序偏离默认设置，说明原因。
5. 合规说明：受监管标记及其要求。
6. 审查频率：
   • 启动任何新层级前进行重叠审查。
   • 测试期间每周根据门槛检查层级表现。
   • 每 30-60 天刷新种子／列表（过时的种子会悄然降低相似受众效果）。
   • 每季度或 ICP 发生变化时全面审查方案。

参见 references/worked-example.md，其中包含填写完整的 B2B 方案、B2C 方案和反面示例。

失败模式

• 过度细分：创建许多低于学习门槛的小型广告组。整合后，在预算不变的情况下，单次结果成本通常可减半。
• 兴趣定向堆叠过多：只是装作精准——受众规模小、成本高，创意却没有改进。
• 过度迷信再营销：其报告的高 ROAS 很大程度上并非增量（其中许多用户无论如何都会转化）；绝不能让再营销挤占潜在客户开发的预算。
• 没有排除矩阵：各层级会在无形中互相竞价，也会与客户群体争抢。
• 排除过度：叠加排除条件后，某个层级会跌破门槛，投放随即停止。
• 输入数据过时：将超过 90 天的信号当作触发条件；种子列表从不刷新。
• 将创意效果归因于定向（反之亦然）：每项测试只改变一个变量，否则测试结果毫无指导意义。
• 在受众范围极小时盲目信任广泛定向：算法会将触达范围扩展到无关用户，因为真实市场无法消化这笔支出。

目标与衡量标准

• 结构检查（上线前）：100% 的获资助层级都达到平台规模下限和预算下限，并且任意两个获资助层级的重叠度都不超过 30%，除非有记录在案的排除条件。如果任何层级未达标，就合并或削减，并重新检查——不要上线结构不合格的方案。
• 成效检查（首个完整测试周期结束后）：每个获资助层级都必须有数据支持的推广／保留／淘汰结论，并且表现最佳与最差的存续层级之间的单次结果成本差距超过约 30%——如此大的差距具有可执行性；如果差距很小，说明各层级并没有实质差异，因此应合并并重新规划。
• 持续跟踪的 KPI：
  • 综合 CPA／ROAS 是否达到目标。
  • 潜客开发在支出中的占比（除非有意进行收割，否则保持 ≥60%）。
  • 获资助层级之间的重叠比例。
  • 对于 B2B，按层级评估后续线索质量（MQL→SQL 或同等指标）——如果某个层级的 CPL 表现更好、但线索质量更差，应予以淘汰，而不是推广。
• 持续迭代方案，直到两项检查都达标。

参考资料

• references/worked-example.md - 按输出格式填写的 B2B 和 B2C 定向方案，以及一个反面示例。
• references/platform-notes.md - 特定供应商的规模下限、学习阈值和机制，并附有来源。仅在用户指定平台时加载。
• mbfinotti/advertising-skills@lookalike-audience-seeds - 种子名单选择；此技能假设种子名单已存在，但不会选择或构建它。
• mbfinotti/advertising-skills@retargeting-funnel - 再营销序列设计（各阶段的消息、时间窗口、频次上限）；此技能负责设置再营销层级并确定规模，但不设计消息序列。
• mbfinotti/advertising-skills@ad-buyer-group-mapper - 面向多角色受众的 B2B 购买委员会映射。
• mbfinotti/advertising-skills@thought-leadership-ads - 使用此方案受众层级的个人主导型推广活动。
• mbfinotti/advertising-skills@ad-spend-allocation - 在多个项目之间进行跨活动预算分配。
• mbfinotti/advertising-skills@ad-platform-selection - 会影响各层级定向选项的渠道选择和平台机制。