mcpField
A
algo-ad-bidding

algo-ad-bidding

github.com/asgard-ai-platform营销与增长24337 次安装21 周前更新
代码仓库

关于 algo-ad-bidding

用于选择和评估广告竞价策略的技能，涵盖手动 CPC 以及 Target CPA、Target ROAS 等自动策略。它根据转化量、追踪质量、预算和营销目标提出建议。

主要功能

  1. 01手动与自动策略指引
  2. 02转化量门槛
  3. 03Target CPA 和 ROAS 设置
  4. 04效果监测标准
  5. 05策略建议输出格式

适用场景

  1. 01为广告活动选择竞价策略
  2. 02排查 Target CPA 或 ROAS 问题
  3. 03评估竞价表现并调整

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill algo-ad-bidding

安装后在 Claude Code 中输入/algo-ad-bidding确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

examples/
sample_scenario.md
references/
learning-period.md
migration-playbook.md

详细介绍

广告竞价策略

概述

竞价策略决定广告主在每次竞拍中支付多少费用。策略范围从手动 CPC（完全掌控）到自动化策略（Target CPA、Target ROAS、Maximize Conversions），后者利用机器学习，根据上下文信号实时优化出价。

适用场景

触发条件：

  • 在手动和自动化竞价策略之间进行选择
  • 设置或排查 Target CPA / Target ROAS 广告系列
  • 分析竞价策略表现并进行调整

不适用场景：

  • 设计拍卖机制本身时（使用 GSP/VCG）
  • 构建 CTR 预测模型时（使用 CTR 预测技能）

算法

IRON LAW: Automated Bidding Requires SUFFICIENT Conversion Data
Below ~30 conversions/month, the algorithm lacks signal and performs
WORSE than manual bidding. Strategy selection depends on data volume:
- < 30 conv/month: Manual CPC or Maximize Clicks
- 30-50 conv/month: Maximize Conversions
- 50+ conv/month: Target CPA
- 50+ conv/month + revenue data: Target ROAS
阶段 1：输入验证

评估：每月转化量、转化跟踪准确性、广告系列预算、业务目标（规模、效率或收入）。 **门槛：**确认转化跟踪正常，且所选策略有足够的数据支持。

阶段 2：核心算法

**手动 CPC：**为每个关键词设置出价。根据设备、时间、地点和受众表现数据进行调整。

**Target CPA：**1. 设置目标每次获客成本。2. 算法利用上下文信号，预测每次竞拍中的转化概率。3. 对高转化概率的竞拍提高出价，对低转化概率的竞拍降低出价。4. 力求随着时间推移，使平均 CPA 达到目标值。

**Target ROAS：**与 CPA 类似，但优化目标为广告支出回报率 = 转化价值 / 成本。

阶段 3：验证

监控：实际 CPA 与目标值的差距、转化量稳定性、展示份额变化、预算使用情况。 **门槛：**经过学习期（2-4 周）后，实际 CPA 与目标值的偏差在 20% 以内。

阶段 4：输出

返回策略建议及预期表现范围。

输出格式

{
  "recommendation": {"strategy": "target_cpa", "target": 500, "currency": "TWD", "confidence": "high"},
  "expected_performance": {"cpa_range": [400, 600], "volume_change": "-10% to +15%"},
  "metadata": {"monthly_conversions": 85, "current_cpa": 550, "learning_period_days": 14}
}

示例

示例输入/输出

**输入：**电商广告系列，每月 120 次转化，当前 CPA=NT$450，目标：保持 CPA 并增加转化量 **预期：**将 Target CPA 设为 NT$450。预期：算法找到高效竞拍后，转化量增加 10-20%。

边缘情况
输入预期原因
每月 10 次转化手动 CPC数据不足以支持自动化
Target CPA 设定得过于激进转化量降至接近零算法无法找到有利可图的竞拍
转化跟踪失效所有策略均失效垃圾数据 → 垃圾优化

注意事项

  • **学习期波动：**切换策略后的前 2 周表现可能不稳定。此期间不要更改目标。
  • **转化延迟：**如果转化需要数天才能归因（例如 B2B），算法优化时使用的会是过时数据。请使用转化建模或延长归因窗口。
  • **预算限制：**如果无法达到目标，Target CPA 就不会花费预算。设置激进的 CPA 并提高预算不会增加支出，只会省下资金。
  • **微转化：**如果使用代理转化（加入购物车）而非最终购买进行训练，算法就会针对该代理目标进行优化。请确保跟踪的转化与业务价值一致。
  • **季节性冲击：**自动化竞价会根据近期数据学习。黑色星期五、节假日或竞争事件都可能影响算法表现。请使用季节性调整。

参考资料

  • 竞价策略迁移操作手册请参见 references/migration-playbook.md
  • 学习期最佳实践请参见 references/learning-period.md

评论

支持 Markdown