ads-performance-analytics

广告效果分析

data-team-mentor 的实战指南，帮助你解读付费媒体仪表板，而不被数据误导。

仪表板是付费媒体决策的关键时刻。上面的数字决定你是扩大投放、维持现状，还是停止投放。它们也暴露出各个平台的自归因偏差、各种建模转化捷径，以及平台间重复计数的问题。大多数“扩大这个广告系列”的决定，根源都是误读了仪表板。

这项技能是一门避免误读的学问。它假设广告系列的策略合理（参见 paid-media-strategy），创意也经过了适当测试（参见 ads-creative-development）。难点在于，弄清楚每个数字的实际含义、不代表什么，以及如何将平台报告的指标与数据仓库中的真实数据核对一致。

适用场景：任何时候，只要你要根据平台指标扩大投放、停止投放或重新分配预算；将平台报告与收入数据核对；评估代理商的报告；或构建一个不会误导你的付费媒体仪表板。

---

这项技能的用途

这项技能涵盖付费媒体结果解读。不涵盖付费媒体策略（请使用 paid-media-strategy）、创意制作（请使用 ads-creative-development）或特定平台的工具（这些内容见集成专题站点）。将这项技能与相关的集成专题站点配合使用，以获取特定平台的 MCP 命令和提示词示例。

适用对象包括评估付费媒体报告的营销人员、增长分析师、代理商分析师或创始人。语气应耐心、严谨。既不是“相信平台上的数字”，也不是“完全忽略平台数据”。这两种做法都不对。关键在于弄清楚不同平台上的哪些数字代表什么，以及应该与哪些数据核对，才能做出实际决策。

---

结果面板：每个付费媒体平台都应展示的内容

可信的结果面板会展示九项内容。任何一项缺失，都意味着应更加谨慎地看待报告数字。

1. 花费、展示量、点击量。 基本指标。各平台的数据在四舍五入误差范围内应一致。
2. 明确展示转化定义和归因窗口。 不只是转化次数，还要说明什么算作转化，以及采用了哪个归因窗口。没有这些信息，转化次数就无法解读。
3. 归因明细。 末次点击、浏览后转化和建模转化。展示转化归因方式的构成。
4. 频次。 每位唯一用户看到广告的次数。这是疲劳的早期预警指标。
5. 受众饱和度。 平台提供相关数据时应予以展示。受众饱和度曲线平缓，说明还有扩大投放的空间；曲线陡峭，则说明投放效率正在下降。
6. 时间序列。 按日细分，以发现新奇效应、疲劳、星期规律和外部因素导致的波动。
7. 以明确货币单位展示成本指标。 CPC、CPM、CPA、ROAS 的计算方式应有定义，并标明货币单位。不要默认使用 USD。
8. 转化路径数据。 在可用时，展示转化前的各个触点。这能告诉你广告系列是促成转化，还是负责开启用户旅程。
9. 筛选器、细分和导出功能。 没有这些，面板就只是宣传册，而不是工具。

平台会隐藏那些会让其报告显得最不可靠的内容。Google PMax 会隐藏关键词级和版位级数据。Meta 会隐藏建模转化占比。LinkedIn 会隐藏跨设备点击路径。把隐藏指标视为需要深入调查的地方。

---

平台报告数据与实际情况

每个平台的控制面板都经过优化，让平台看起来效果出色。这不是道德缺陷，而是结构性激励。报告数据越好看的平台，越容易吸引更多支出。

转化窗口。 Meta 默认采用 7 天点击加 1 天展示窗口。Google 默认采用 30 天点击加 1 天展示窗口。窗口不同，活动相同，报告的数字也不同。如果你将 Google 的 30 天点击次数与 Meta 的 7 天点击次数进行比较，就是在比较不同的定义，却假装它们相同。

展示后归因。 Meta 和 Google 会统计看过广告但未点击的用户。报告的“转化”中，展示后转化往往占一半。应将展示后转化视为对品牌认知有所贡献的信号，而非直接响应的衡量指标。用户即使没有看到广告，也可能通过自然搜索完成转化。

建模转化。 当 iOS 用户选择退出跟踪时，Meta 等平台会通过统计建模来估算可能发生的转化。建模得出的数字是有依据的估算，而非实际测量值。它们适用于判断趋势，但不适合精确衡量。

自我归因偏差。 每个平台的像素都会在发生转化时触发，而平台会将转化归功于自己。如果你在同一周投放了 Meta、Google 和 TikTok 的广告，三个平台都会将你的转化报告为自己的成果。各平台报告数据之和总是超过实际转化总数的 100%。

应遵循的原则：绝不要在董事会材料中将平台报告数据当作事实。务必与唯一可信的数据源（数据仓库、GA4 或统一分析平台）进行核对。详见 references/platform-reporting-quirks.md。

---

实际应用中的归因模型

六种模型和一种反模型。没有一种是正确的。它们都只是近似。关键在于选定一种并坚持使用，同时把其他模型作为合理性检查。

末次点击。 简单、可复现，但会低估认知阶段的贡献。转化完全归因于转化事件前的最后一次点击。易于计算，也易于跨渠道比较；但不适合了解漏斗上层的贡献。

首次点击。 偏差方向相反。完全归因于第一个触点，会低估促成转化的渠道。可用于对照末次点击进行合理性检查；很少适合作为主要视角。

线性。 所有触点平均分配功劳。每个渠道都有份。说得过去，但没有信息量。最适合董事会报告：在这类场景中，避免“Google 获得 70%，所以我们削减 Meta”这类争论，比追求精准更重要。

时间衰减。 越近的触点获得的功劳越多。符合近期广告影响力更大的直觉。难以反驳，也难以验证。

U 形（基于位置）。 首次和末次触点占比高（各 40%），中间触点占比低（合计 20%，由各触点分摊）。兼顾开场和收尾的作用。许多 MTA 工具都以此为默认模型。

数据驱动归因（DDA，Google）。 基于观察到的转化路径分配功劳的机器学习模型。模型不透明，难以审计。对于数字渠道而言，这是最接近“正确”的方法，但它是一个黑箱。

营销组合建模（MMM）。 基于回归的自上而下方法。利用各渠道的支出和收入时间序列来估算渠道贡献。需要 2 年以上的数据。它是反驳平台自我归因最有力的依据，因为它完全不依赖平台报告的转化数据。

反模型：相信平台报告的归因。 每个平台的“DDA”或“归因转化”都是平台的自我归因。各平台数据相加会超过实际总量。在平台内进行投放期间优化时，可以使用平台归因；进行跨渠道决策时，则应使用统一归因模型。

实用建议。

• 早期阶段。使用末次点击，并搭配一个护栏指标（数据仓库归因 CAC）。复杂的归因方法需要你目前不具备的数据量。
• 中期阶段。使用 Google 的数据驱动归因和 GA4，并明确标注认知渠道与促成转化渠道。
• 成熟阶段。将 MMM 作为标准的增量效果参考。使用 MTA 进行投放期间优化。在可以接受模糊性的渠道级决策中使用末次点击。

详情和决策矩阵见 references/attribution-model-comparison.md。

---

多平台对账

陷阱如下：Google 称你花了 $50K，获得 800 次转化。Meta 称花了 $30K，获得 600 次。LinkedIn 称花了 $20K，获得 200 次。各平台报告的转化总数为 1,600 次。你的数据仓库显示 950 次。多出的 650 次从哪儿来的？

答案是：哪儿也没去。它们从未存在过。各平台都声称获得了其他平台也声称获得的转化。

对账模式如下。

• 总转化量和总收入以数据仓库为准。
• 平台内的相对排名（哪个广告系列效果更好、哪个受众效果更好）以平台数据为准。
• 切勿相信平台数据之和。
• 综合 CAC 的计算方式为：（所有平台的广告总支出）除以（数据仓库中的新客户总数）。不要使用平台报告中的数据。如果无法获取数据仓库数值，则根据数据可用性规则说明这一缺口。

董事会演示文稿的做法：报告数据仓库归因的转化数，绝不报告各平台数据相加后的总数。报告综合 CAC；除非明确注明是平台自我归因数据，否则不要报告逐渠道 CAC。详情和模板见 references/dashboard-reconciliation-patterns.md。

---

ROAS 与 LTV：时间跨度陷阱

ROAS 衡量短期表现，即固定时间窗口内归因于某个营销活动的购买收入，通常为 7 至 30 天。LTV 衡量长期表现，即客户生命周期总收入。

如果不同渠道的 LTV 不同，仅依据 ROAS 做决策可能会出错。来看一个示例。

Meta 的 ROAS 为 2.5 倍，CAC 为 $40，LTV 为 $80。这相当于客户整个生命周期内的回报为 2.0 倍。

Google 的 ROAS 为 1.8 倍，CAC 为 $60，LTV 为 $200。这相当于客户整个生命周期内的回报为 3.3 倍。

Google 的 ROAS 看起来较差，但按 LTV 调整后的回报更高。因为 Meta 的 ROAS 更高就把预算分配给 Meta，是错误的做法。

解决办法：按获客渠道分析群组 LTV，并每季度更新。比较渠道时应使用回本周期或 LTV-CAC 比率，而非原始 ROAS。2 倍 ROAS 这一经验法则是危险的捷径。LTV 不同，即使 ROAS 相同，实际回报也不同。

会不断加剧的陷阱：效果营销团队会根据短期 ROAS 优化，因为这个指标每周都会更新。品牌渠道和高 LTV 渠道的短期 ROAS 较低，因此会被削减。六个月后，品牌获客管道已经萎缩，而便宜渠道也已饱和，短期 ROAS 本身开始下降。推动决策的指标采用了错误的时间跨度。

---

群组分析与每日指标

每日指标告诉你今天发生了什么。群组分析则告诉你，今天的客户是否与上个月的客户不同。

付费媒体中有三个值得关注的群组切分方式。

按获客月份。 3 月获取的用户是否比 1 月获取的用户留存更好？滚动获客群组的 LTV 持续下降，意味着近期获取的用户质量较低；等到留存开始造成影响，两三个月后每日指标才会反映出来。

按获客渠道。 来自 Meta 的用户是否比来自 Google 的用户留存更好？渠道层面的群组差异正是 LTV 与 ROAS 之争的依据。Meta 可能带来更大的用户量，但 LTV 较低；Google 可能带来较小的用户量，但 LTV 较高。群组数据揭示了每日 ROAS 所掩盖的情况。

按获客营销活动。 查看营销活动层面的群组信号。可用于诊断为什么某个在第 1 周“有效”的营销活动没有带来经常性收入。

需要采取行动的信号：连续两个月群组 LTV 下降，就是警报。在每日指标迫使你采取行动之前，暂停该渠道或营销活动。详见 references/cohort-analysis-templates.md。

---

效果指标中的统计噪声

多数“营销活动环比提升了 15%”的说法都只是噪声。对于自然波动幅度为 10% 至 20% 的指标，真实的表现变化需要达到 30% 或以上。低于这个阈值，你看到的只是方差，却把它当成了信号。

付费媒体指标中的噪声来源：

• 星期几效应。 B2C 往往在周末下滑，B2B 往往在周末增长。“周一早上效果更好”这一假设，在对星期几进行标准化后往往就不成立了。
• 节假日和季节性效应。 第 4 季度的影响远大于多数“优化”效果。在第 4 季度推出的营销活动看起来效果很好，可能是季节性所致，而非策略奏效。
• 天气、新闻、竞争对手活动。 真实的外生波动。上周的新闻周期就可能影响整个行业的 CPM。
• 像素触发和报告延迟。 按 7 天点击窗口报告的转化会逐步到达。周一查看上周表现的面板会低估转化量。

解决办法：在得出结论之前，预先确定测试时长。任何你想宣称是真实的方向性变化，都应采用 experimentation-analytics 中的实验纪律。付费媒体指标中的信噪比问题，与产品实验中的信噪比问题相同；这套框架可以直接迁移。

这里正是 experimentation-analytics 发挥衔接作用的地方。统计模式相同，应用场景不同。阅读两者，了解全貌。

---

增量性测试

这是最诚实的测试。如果我们没有投放这则广告，是否仍然会获得这次转化？高于零的部分就是增量贡献。

大多数付费媒体的增量性为 30% 到 70%，而非 100%。有些渠道的增量性为零。品牌搜索竞价的增量性通常为 5% 到 20%（大多数转化者原本就会通过自然搜索找到你）。再营销的增量性通常为 20% 到 40%（其中许多用户本来就会转化）。拓新广告的增量性通常为 50% 到 90%。

有四种方法。

地理区域留出测试。 将一个地区排除在广告系列之外。衡量留出地区与匹配测试地区的转化差异。这是大规模测试付费媒体因果效应最简洁的方法。

转化提升和实验（Google）。 “幽灵竞价”是增量性测试文献中的术语，并非可以在 Google Ads 中开启的功能。Google 实际提供的功能是由 Google 客户代表启用的转化提升研究，以及由你自行配置的地理区域实验或留出实验。

转化提升研究（Meta）。 将受众分为测试组和对照组。测试组会看到广告；对照组不会。报告增量提升。这是 Meta 平台内最简洁的测试。

公益广告测试。 向部分用户投放公益广告，而非你的广告。比较转化率。适用于预算充足的传统品牌。

各类渠道的增量率范围见 references/incrementality-testing-playbook.md。应至少每季度对支出最高的渠道进行一次增量性测试。若不进行测试，你优化的就是平台报告的归因数据，而这些数据会系统性地高估效果。

---

地理区域实验和留出测试

对于付费媒体，基于地理区域的测试是最可靠的因果分析方法。

地理区域留出测试。 在一个地区关闭付费媒体。衡量自然转化基线。留出地区的预期转化与实际转化之间的差异，就是付费媒体的增量贡献。

地理区域提升测试。 将一个地区的支出提高到 2 倍。观察转化是否随之线性增长。线性增长意味着该渠道仍有增长空间。低于线性的增长意味着已出现饱和；继续增加支出会带来递减收益。

切换测试。 交替设置广告系列开启和关闭的周数。比较开启周与关闭周。无法按地理区域划分时，此方法很有用。

前后对比分析。 在某个地区推出广告；比较推出前 30 天与之后 30 天的数据。由于外部因素会混淆比较结果，这种设计较弱。仅在没有其他测试可用时使用。

正确的设置方式：匹配市场（人口统计特征相似、基线转化率相似）。事先进行统计功效计算（测试实际能检测到多大的差异）。预先确定分析时段（避免数据看起来不错时过早停止，或数据看起来不理想时等待过久）。

需要避免的陷阱：因为与时间相关的收入提升，就宣称地理区域测试成功。在 10 月推出的广告系列可能会看到“提升”，因为第四季度刚刚开始；如果没有对照地区，就不能将提升归因于该广告系列。

---

平台归因偏差

一种值得单独说明的特定失效模式。

其机制：用户转化时，平台的像素会触发。平台便将转化归功于自己。用户可能通过任何渠道完成转化；在平台自己的数据面板上，最后加载像素的平台会获得归因。

平台为何会奖励这种设计？平台数据面板上获得的归因越多，ROAS 就显得越好看，广告主的投入也就越多。平台没有动力低报自身贡献。

检测模式：如果同一渠道的平台报告转化数比数据仓库归因转化数高出 30% 以上，说明存在严重的重复计数。如果各平台报告转化数之和超过数据仓库中的总转化数，说明存在跨平台重复计数。

解决方法：董事会报告以数据仓库为准。平台报告仅作为进行中的信号。至少每季度进行一次增量测试，确保渠道归因真实可靠。

示例：一场 Meta 再营销广告系列连续六个月显示 ROAS 为 3.5 倍。团队将月投入从 $20K 提高到 $80K。一项地理区域留出测试发现，65% 的“转化”即使不投广告，也会通过自然流量发生。按增量效果调整后，真实 ROAS 是 1.2 倍，而非 3.5 倍。该广告系列被砍掉，下一季度数据仓库归因的 CAC 下降了 18%。

---

常见解读失误

付费媒体报告工作中反复出现 12 种模式。详见 references/common-interpretation-failures.md。

• “ROAS 周环比下降了 20%，关停广告系列。”可能只是噪声。根据每周波动采取行动前，先预先设定测试窗口。
• “Meta 说有 500 次转化，数据仓库说有 200 次，到底谁对？”两者都不完全准确；数据仓库更接近事实，Meta 会将转化归因给自己。应进行核对，而不是选一个赢家。
• “我们关掉了 Google PMax，转化量却没下降。”PMax 一直在收割原本可以免费获得的品牌搜索流量。检查 PMax 中的品牌搜索词。
• “新广告系列第一周就达到了 5 倍 ROAS。”很可能是再营销触达了高意向潜在客户。宣布胜利前，先检查受众构成。
• “我们做了 A/B 测试，其中一个创意胜出 12%。”这仍在平台噪声范围内，并不显著。
• “我们的 LTV 计算显示这个渠道有盈利。”检查队列的成熟度。近期队列可能尚未达到 LTV；这个计算是预测，不是测量结果。
• “平台说频次很高也没问题，因为仍然有转化发生。”自然流量带来的免费转化掩盖了广告疲劳。该广告系列把原本无论如何都会发生的转化归功于自己。
• “末次点击归因显示 Meta 获得了 60% 的归因。”这是末次点击偏差。同一数据的首次点击视角会得出不同结果。选定一种模型并坚持使用。
• “我们把投入提高了 5 倍，转化量却只翻了一倍。”这是饱和现象。渠道已触及上限；在新的投入水平下，边际 CAC 高得多。
• “品牌广告系列的直接 ROAS 表现不佳。”品牌广告的影响不一定直接体现出来，而是体现在其他渠道的效率上。衡量品牌效果时，应看品牌搜索提升，而非直接 ROAS。
• “ROAS 持平，但利润下降了。”产品组合转向了利润率更低的商品。渠道层面的 ROAS 会掩盖产品组合效应。
• “代理商报告称这个月 ROAS 达到 4 倍。”这是哪种数据？平台报告、数据仓库归因，还是模型调整后的结果？衡量口径比数值大小更重要。

---

框架：可靠解读付费媒体的 12 项考量

在阅读即将用于决策的付费媒体仪表盘时，请逐项检查以下 12 项考量。漏掉任何一项，都可能导致团队做出错误决策。

1. 结果面板是否完整。 平台展示了什么，又隐藏了什么。
2. 平台报告与现实情况。 浏览后转化、建模转化、转化窗口。
3. 归因模型。 选定一个模型，并将其他模型作为合理性检查。
4. 多平台对账。 各平台数据相加的总和总是偏高。
5. ROAS 与 LTV 的时间跨度。 短期指标，长期影响。
6. 队列与每日数据。 队列反映质量，日数据反映数量。
7. 统计噪声。 每周波动、星期效应、季节性、外生因素。
8. 增量性。 如果没有这笔支出，会发生什么。
9. 地区与留出组测试。 诚实检验因果关系的方法。
10. 自我归因偏差。 平台会认领不应归功于自己的成效。
11. 决策规则。 预先约定扩大、保持还是缩减投放。
12. 单一事实来源。 董事会指标应以数据仓库为准，而非平台报告。

该框架的结论分为三种。扩大投放（活动带来了增量，且单位经济效益合理）。保持投放（数据尚不明确，决策前需要收集更多数据）。停止投放（活动带来的增量不足以证明这笔支出合理）。

---

如果无法获取所需数据

此技能的输出依赖于其无法自行生成的数据、测量结果或工具结果。当所需输入、工具或数据源不可用或无法验证时，获准提供的输出是交付内容，并明确说明缺口：需要什么、实际获取或验证了什么，以及输出中的哪些部分受到影响。不得捏造、估算或插值所需数值来完成交付。明确说明缺口本身就是完整的答复。

---

参考文件

• references/metric-definitions-glossary.md - CTR、CPC、CPM、CPA、ROAS、LTV、AOV、频次、触达人数、展示次数、转化窗口、浏览后转化、建模转化、混合 CAC、MER。
• references/attribution-model-comparison.md - 末次点击、首次点击、线性、时间衰减、U 形、DDA、MMM。按业务阶段划分的决策矩阵。
• references/platform-reporting-quirks.md - Google PMax 黑盒、Meta 的 iOS 影响和 Conversions API、LinkedIn 默认采用 30 天点击归因、TikTok 视频完成度归因、程序化广告的可见性门槛。
• references/incrementality-testing-playbook.md - 地区留出组、Conversion Lift 和 Experiments、公益广告测试、切换实验设计。设置、持续时间、分析模式、预期增量率。
• references/dashboard-reconciliation-patterns.md - 数据仓库作为权威来源、平台作为进行中的信号、混合 CAC 公式、董事会演示文稿模式、对账频率。
• references/cohort-analysis-templates.md - 按获客月份、渠道和活动划分。留存曲线，以及何时根据队列信号采取行动。
• references/common-interpretation-failures.md - 十二种常见失误模式及其表现、根本原因、修正方法和预防措施。

---

收尾：敢于承认增量为零

大多数付费媒体支出都不是 100% 增量。有些渠道的增量率为 70%，有些为 30%，还有些为零——它们为本来就会获得的转化买单。

接受某些渠道的增量为零，并据此削减支出的纪律，是付费媒体分析中影响最大的技能。大多数账户至少有一个广告系列，在平台上看起来有利可图，但在数据仓库中却没有增量。品牌付费搜索的 CPC 为 4 美元，而同一批用户通过自然搜索就能找到你，且排名第一。再营销的 CPC 为 0.30 美元，面向的用户早已将商品加入购物车。PMax 蚕食免费的品牌流量。

找出并关停这些广告系列，才是关键工作。平台不会告诉你。平台的激励方向恰恰相反。数据仓库结合季度增量测试，是唯一诚实的信息来源。

如果无法确定某个广告系列是否带来增量，就进行地理区域留出测试。两周的测试成本低于一个季度的非增量支出。不做增量测试的团队，是在依据系统性错误的数据进行优化；误差的大小，正是预算浪费的大小。