lookalike-audience-seeds

Lookalike Seeds

选择、确定规模并验证用于构建相似受众、类似受众或价值型受众的种子客户名单。以下三项原则适用于每个步骤：

• 看匹配人数，而不是行数——每份上传名单在达到平台最低要求前，都会按匹配率缩减。5,000 行中有 40% 匹配率，种子受众就是 2,000 人；平台的最低人数要求按匹配人数计算——上传目标人数的 2–3 倍。
• 同质性和价值集中度比规模更重要——Meta 自身的指南指出，种子的同质性对受众效果的影响大于规模。业内实践者普遍认为（Stackmatix、Grow With Sakib——仅供参考，未经审计），几百名高价值客户胜过数千名特征不鲜明的订阅者。
• 包含只是建议，排除才是规则——在 Meta（Advantage+）和 Google（Demand Gen；相似受众覆盖层级现在充当信号，而非严格细分）上，投放算法可能覆盖包含受众。只有排除／抑制受众仍是硬性规则。

种子的作用是为算法提供最干净的信号，而不是圈定受众——这提高了质量门槛，而不是取消门槛。

本技能止于明确并验证种子定义，以及其导出／交接规范。它不会讲解如何在任何广告平台的界面中创建或上传受众。

各相关事项的说明位置：

• 整体定向计划（兴趣、行为、相似受众和再营销层级）——种子机制见此处，层级架构见 mbfinotti/advertising-skills@ad-audience-targeting。
• 再营销序列设计、各漏斗阶段的受众时间窗口和频次上限——mbfinotti/advertising-skills@retargeting-funnel。
• B2B 采购委员会和用户画像映射——mbfinotti/advertising-skills@ad-buyer-group-mapper。
• 追查账户整体表现不佳的根本原因——mbfinotti/advertising-skills@ad-account-diagnostic。
• 为基于互动的种子来源提供支持的 Pixel/CAPI 埋点——mbfinotti/advertising-skills@ad-conversion-tracking。
• 协调不同归因来源对种子表现的矛盾判断——mbfinotti/advertising-skills@ad-attribution-gap。

访谈

选择任何方案前先提问。每条消息只问一个问题；尽可能提供多选答案；跳过已回答或可从所提供数据中看出的内容。

• 面向 B2B、B2C/电商，还是两者都有？
• 哪些平台会使用种子数据？（Meta / Google / LinkedIn / TikTok / 其他——最低门槛和匹配机制各不相同）
• 有哪些客户数据，存放在哪里？（CRM / 数据仓库 / 电子邮件平台 / 仅像素和平台事件 / 几乎没有）
• 客户总数大约是多少，每行有哪些标识符？（电子邮件 / 电话 / 姓名 / 邮政地址 / 移动广告 ID——每行的标识符类型越多，匹配率越高）
• 是否有可用的价值列——它实际衡量的是什么：累计终身收入、利润率、预测 LTV，还是仅仅是订单数？数据来源比是否存在更重要。
• 数据有多新——过去 90 天和 180 天内购买或转化的名单占比分别是多少？
• 名单中是否包含欧洲经济区/英国居民或受美国州级隐私法规保护的消费者？是否有记录在案的同意或向广告平台上传数据的合法依据？是否在导出前执行了退订、删除和禁止联系记录？
• 名单将如何传至平台——手动上传 CSV，还是通过数据仓库/CDP 自动同步？由谁负责刷新？
• 相似受众要推动什么获客结果——目标新客户 CPA/CAC 是多少？对新获客客户的 LTV 或利润率有何预期？
• 账号目前这两个指标的平均值是多少——新获客客户 CPA，以及新获客客户群组的 90 天 LTV？通过门槛会依据此基线评估种子数据，因此基线未知就完全无法评估种子数据：请说明这一点，并将首个群组检查点设为建立基线的运行。
• 受众必须在什么日期前上线并开始投放？该日期是否不可变？（种子来源的准备时间从几分钟到一周协调不等，而数据丰富化环节还涉及采购流程——因此无法在此之前选定步骤 3 和 6 的排序。）
• 你想要能最快上线的受众，还是能持续增值的资产——自动化数据仓库同步、丰富化标识符、可复用的群组定义——让它在未来的每个受众中持续发挥作用？
• 工作量上限：数据团队可投入多少小时？之后由谁负责刷新？你们实际能获得隐私审批和供应商 DPA 吗？（回答“否”会直接删除相应环节，而非推迟。）

工作流

此技能中的所有排序——此处的步骤 3、6 和 9，以及参考资料中的排序——都是默认方案，并非固定规则。每种方案都假设常见情况：没有已签约的数据丰富化供应商、没有内部身份图谱、也没有本周有空的分析师。执行者不同，排序变化的影响不亚于方案本身。

先根据访谈中关于截止日期、持久性和工作量上限的回答重新排序，并指出哪个回答改变了哪个环节：

• 近期有不可变的截止日期，则优先采用平台原生的互动种子数据。
• 要求构建持续增值的资产，则优先采用数据仓库同步和数据丰富化环节，尽管它们需要前期设置。
• 无法获得隐私审批，则直接删除所有基于名单的环节。

然后根据用户实际具备的条件重新排序——以下任一条件都能将某个环节的工作量降至近乎为零，并将其提前：

• 已签署的数据丰富化 DPA。
• 数据仓库中已构建身份解析能力。
• 有分析师今天就能编写群组 SQL。
• 数据团队本来就负责导出任务。

1. 运行访谈；收集完所有答案后，再选择任何一行。

2. 运行隐私与同意检查——这是选择工作开始前的硬性停止关卡。如果以下任何一项尚未确认，请停止并明确说明缺少什么。本技能不构成法律建议：合法依据因司法管辖区而异，请将未解决的问题交由用户的法律顾问处理。

   • 有据可查的合法依据，或已获得同意，可将此名单上传至广告平台。根据 GDPR，巴伐利亚数据保护局的立场得到慕尼黑高等行政法院维持（2018 年，案号 5 CS 18.1157）：客户名单自定义受众需要事先征得同意，哈希处理不会改变这一点：SHA-256 输出属于假名化数据，而非匿名数据，因此同意义务仍然适用。
   • 在 EEA 使用 Google Customer Match 时，必须按照 Consent Mode v2 传递同意信号，并将两个 ConsentStatus 字段都设为 GRANTED（自 2024 年 3 月起为强制要求）。
   • 在导出前传递 CCPA/CPRA 的“共享”退出选择和 Global Privacy Control 信号（美国 12 个州承认此信号）。
   • 种子名单不得基于敏感类别构建：健康状况、性取向、宗教、种族、政治倾向、犯罪记录。
   • 已接受特定广告账户的平台客户名单条款（在 Meta 上，基于价值的受众需要单独接受条款）。
   • 在仓库中一次性落实抑制名单、退出选择和删除请求，并在任何同步之前完成，而不是之后在各个平台分别处理。

3. 选择种子来源：始终优先使用购买数据。如果购买数据太少，则从八种有来源依据的替代方案中选择，但绝不能只按价值排名往下选，因为所需工作量和合规成本的排序都恰好相反。这四个维度彼此不一致，因此都要仔细查看：

   • 价值：购买者 > 发起结账/加入购物车的用户 > 高意向页面浏览者 > 提交潜在客户表单的用户 > 点击电子邮件的用户 > 视频观看者 > 页面互动用户 > 所有访客
   • 工作量：视频观看者 == 页面互动用户 == 所有访客 > 高意向页面浏览者 == 提交潜在客户表单的用户 > 发起结账的用户 > 点击电子邮件的用户 > 购买者——平台原生互动受众可在广告账户内基于像素已触发的规则，在几分钟内建立；而且无需上传客户名单，也无需通过第 2 步的同意检查。购买者或 CRM 种子则需要从仓库导出、进行身份解析关联，并通过完整的检查。两处并列都是确切的相等关系：前三项是针对已触发事件的同一条通用规则，接下来两项则是将同一条规则应用于指定 URL 集或指定表单——无论哪种情况，都只需几分钟，也由同一个人完成。
   • 合规成本：购买者 == 发起结账的用户 == 点击电子邮件的用户 > 提交潜在客户表单的用户 > 高意向页面浏览者 == 视频观看者 == 页面互动用户 == 所有访客——任何以客户名单形式发送至平台的数据，都必须通过完整的第 2 步检查（合法依据、EEA 的 Consent Mode v2、退出选择传递、针对基于价值的受众单独接受条款）；而平台原生互动受众不会离开广告账户，因此不触发任何一项要求。两处并列都是精确相等，并非近似相等：三种基于名单的来源逐项经过完全相同的检查，四种原生来源则完全不需要检查——这道关卡不存在部分检查，因此无法据此区分它们。仅此维度就足以决定选择：若尚未确认上传同意，则所有基于名单的选项都不可用，而不只是成本较高。
   • 效率：购买者 > 高意向页面浏览者 > 提交潜在客户表单的用户 > 发起结账的用户 > 点击电子邮件的用户 > 视频观看者（75%+）> 页面互动用户 > 所有访客。当客户数据导出文件已存在时，购买者排名第一，这也是常见情况——只需一次查询，就能获得很大的价值差距。若文件尚不存在，高意向页面浏览者和提交潜在客户表单的用户是最优选择：设置成本近乎为零，无需上传，不会增加新的数据暴露风险，而且价值仍处于前半段。这两项的顺序有先后，并非并列——它们使用同一条简单规则，因此由价值维度决定顺序；但在 B2B 潜在客户开发中，提交表单本身_就是_转化，因此提交者应排在前面。绝不能为了降低工作量而选到它们之后：再往下，每行的质量下降速度会快于工作量的下降速度。各来源的详细说明及会改变此顺序的条件，见：references/seed-selection.md。 这种效率排序牺牲的是客户身份资产本身：购买者或 CRM 种子，以及让它变得可用的身份信息补充（后备第 1 层）。它在价值轴上位居顶端，在投入和合规成本上都排在最后，因此只要导出文件还不存在，它每次都会输给几分钟就能上线的像素规则——而账户下次提出要求时，仍然没有导出文件。

   在以下情况中，不要按比率排序，而应优先考虑它：

   • 访谈的回答是“复利资产”，而不是“尽快上线”。
   • 种子是 B2B 数据，且不经信息补充，原生匹配率无法达到任何门槛。
   • 同一账户现在已经两次在这一轮中落败。

   如果没有隐私审批的途径，或没有可用的供应商 DPA，就直接删除它——从菜单中按名称移除。没有合法依据的基于名单的数据源不是慢选项，而是不可选项；如果仍把它排在末尾，受众上线后它就会再次作为范围要求出现。

   使用邮件点击者，绝不要使用邮件打开者——Apple Mail 隐私保护（2021 年）让打开量膨胀成噪声。在 B2B 场景中，应从已成交的 CRM 商机创建种子，而不是导出所有 MQL。只包含 SQL 的名单优于所有 MQL。

4. 选择各行。references/seed-selection.md 包含完整的群组定义、时间窗口指导和排除清单。

   • 默认选择：RFM 中的 Champions + Loyal 群组，或按预测 LTV 或利润率选取排名前 10-25% 的对象——绝不要按累计生命周期收入选取，因为它反映的是任期，而不是价值。
   • 最近度窗口：从 30-90 天开始；对于使用像素/CAPI 跟踪的买家，可延长至 180 天。超过 12-18 个月的联系数据会显著降低匹配率和效果。
   • 负向筛选步骤（大多数团队都会忘记）：剔除退款者、拒付者、频繁退货者、仅购买折扣商品的买家、员工和批发账户。将现有客户保留在种子中，但在投放层面将他们从获客广告系列中排除。

5. 计算有效种子：effective seed = uploaded rows x expected match rate。从 references/platform-floors.md 中平台有据可查的范围获取预期匹配率，并根据名单的标识符密度和数据年龄进行调整，例如：

   • Google Customer Match：大多数广告主为 29-62%（据 Google 自己的文档）。
   • Meta：优质名单为 50-80%。
   • LinkedIn：使用工作邮箱的联系名单约为 30-40%。
   • Reddit：原生 CSV 约为 2%。

   将结果与平台的匹配数量门槛进行比较，并按目标量的 2-3 倍准备上传名单。如果你的执行环境能够读取客户导出文件，就直接计算数量。否则，输出确切的筛选定义（源表、筛选条件、最近度边界、价值门槛），交由用户的数据团队执行，并等待数量结果后再继续。

6. 如果有效种子无法达到门槛，就沿后备阶梯逐级尝试——绝不要先降低选择质量。阶梯编号是规格说明块和示例中使用的固定 ID；每一级都有各自的价值、工作量和合规成本：

   • 第 1 级，丰富标识符 - 通过身份解析补充个人邮箱和电话号码。价值：这是唯一能在不改变模型学习内容的情况下增加匹配人数的一级；对于面向消费平台的 B2B 工作邮箱名单，当原生匹配率约为 5% 时，它也是唯一能达到任何门槛的一级。工作量：这是阶梯编号掩盖的异常情况——选择供应商、安全审查、预算审批，然后进行匹配测试，因此在单条记录发生变化之前，至少需要一周的协调时间。合规成本：链条中新增一个处理方——需要 DPA、法务审批，以及涵盖数据丰富（而不只是上传）的合法依据复核；签约后最难撤回的一级。

   • 第 2 级，将近期时间窗口扩大一档（90 天扩大到 180 天，180 天扩大到 365 天）。价值：中等，代价是信号新鲜度降低。工作量：几乎为零——修改查询即可，只需几分钟，而且完全可逆。合规成本：没有新增。

   • 第 3 级，叠加同质性相近的相邻细分群体 - 将忠诚客户加入冠军客户，或加入另一条产品线的买家，前提是其行为确实相似。价值：中等，面临的风险是同质性下降。工作量：约一小时，另加实际工作所在的判断。合规成本：没有新增。

   • 第 4 级，切换到第 3 步排名中下一个非购买种子来源。 价值：最低——这是唯一会改变模型学习内容的一级。工作量：如果事件来源已经完成埋点，约一小时。合规成本：更低，而非更高——使用平台原生来源无需上传，也无需经过同意关卡。 默认效率排序：rung 1 > rung 2 > rung 3 > rung 4。在第一个达到门槛的级别停止，并将其记录在规格说明中。

     有记录的排序反转情况：当尚未签约数据丰富供应商，且近期时间窗口仍有扩大的空间时，rung 2 > rung 1——一个下午可能就能在采购启动前解决问题；如果不行，第 1 级仍然可用。标准 B2B 情况不适用这种反转，因为低成本级别在结构上无效：全时段已成交客户名单没有可扩大的近期时间窗口，没有不属于流失交易的相邻细分群体，而且原生匹配率太低，第 2 至第 4 级都无法达到任何门槛。

     第 1 级也是应该删除而不是降级的一级。如果没有采购渠道、没有 DPA，或没有供应商预算负责人，就将它从阶梯中完全移除——明确说明它已删除，然后执行第 2 至第 4 级。将无人能执行的级别留在效率排序顶端，最终会导致规格说明默认假定它可用。

     对于没有任何可用后备级别的标准 B2B 情况，应将此作为结论报告，而不是用质量更低的种子填补空缺。

7. 如果种子基于价值：

   • 使用利润率或预测 LTV。
   • 仅使用正值。
   • 数值不能全部相同。
   • 每份名单只能使用一种货币。
   • 对超大客户的异常值进行封顶或缩尾处理，避免少数大客户影响模型。
   • 确认上传时已映射价值列。如果价值列未映射，平台会静默创建标准相似受众，而非基于价值的相似受众——如果在构建受众时没有出现基于价值的选项，就说明该列未映射。

8. 说明标识符准备方式：

   • 每行包含多个标识符优于只包含邮箱。
   • 电话号码应采用 E.164 格式的数字，包含国家代码，不带加号，不带前导零。
   • 邮箱应转换为小写并去除首尾空格。
   • 切勿预先哈希准备通过 UI 上传的文件——平台会在摄取时进行哈希处理，带盐哈希或重复哈希都无法匹配。

   在 Meta 上，以 6.0+ 的 Event Match Quality 分数作为从业者基准。

9. 确定拆分、刷新和重叠情况。 拆分。 按 country > product line > high-AOV vs. all 的顺序拆分，并在指定的刷新负责人达到容量上限时停止。每次拆分的工作量相同（一条 WHERE 子句），但每次都会永久增加一个受众：需要刷新、监控重叠，并始终维持在其下限之上。

   国家不是可选项：Meta 相似受众在设计上按国家划分，因此覆盖多个国家需要为每个国家各准备一对种子和相似受众。确定采用某次拆分前，先检查该拆分自身的有效种子是否达到下限。

   刷新。 为刷新频率指定负责人。静态 CSV 上传不会自动刷新（LinkedIn 列表、手动上传的 Meta 客户列表），因此应安排每周至每月刷新，或改用自动化数据仓库同步。

   比较这两种方式，automated sync > manual CSV 在效率和合规成本方面更优，尽管前期工作量更大。投入一两天工程工作一次性完成，其中大部分用于测试同步及退订状态的传播，即可消除整个数据衰减故障模式，并持续传播退订和删除信息。CSV 的初始成本几乎为零，但会变成一项长期任务，每个周期都要重新上传昨天的退订记录。

   仅建议将 CSV 作为过渡方案，并指定负责人及同步上线日期。Google Customer Match 会移除超过 540 天未刷新的成员。

   重叠。 检查此种子受众与现有受众之间的重叠情况。实践中的关注阈值约为 20-30%。超过此阈值时，应合并或排除。

10. 填写种子规格块（格式如下；B2C 和 B2B 示例见 references/examples.md），并将种子的层级归属交给 mbfinotti/advertising-skills@ad-audience-targeting。

11. 附上衡量计划和一个队列周期后的复查日期。如果你的运行环境具有持久记忆，请记住种子版本、定义、数量和复查日期，以便下次运行时对照历史记录，而不是重新推导。

种子规格

每个种子提供一个区块：

SEED SPECIFICATION - <seed name/version>, <date>
platform        : <destination platform(s)> | audience type: <lookalike | similar | value-based | predictive>
definition      : <source records> filtered by <selection rule> within <recency window>
value column    : <none | column, what it measures, currency> | mapping confirmed: <yes | at upload>
row count       : <n rows> | identifiers/row: <email, phone, ...>
expected match  : <x%> (basis: <platform range + list quality adjustment>)
effective seed  : <rows x match = n matched> vs floor <platform floor> -> <clears | fails>
fallback used   : <none | ladder rung + what changed>
exclusions      : <negative-selection list applied; suppression audiences delivered separately>
consent basis   : <basis + suppression enforced in warehouse date | BLOCKED - missing item>
refresh         : <cadence + owner + mechanism (manual CSV | automated sync)>
measurement     : <new-customer CPA target, cohort LTV checkpoints by seed version>
re-check        : <date - first cohort checkpoint>

证据门槛

如果种子规格基于以下任何情况，请拒绝生成，并说明缺少什么：

• 匹配率依据不明——未参考任何平台范围，也没有过往上传数据可用于校准。只能根据已记录的范围以及列表年龄／标识符密度进行估算，并标明这是估算值。
• 同意依据未确认——隐私门槛（工作流步骤 2）未通过。无论选择质量多高，都不能成为用户缺乏合法依据时上传数据的理由。
• 价值列的来源不明——“我们有一个 LTV 字段”并非证据。如果没人能说明它代表收入、利润还是模型输出，那么在确认之前，该种子不能算基于价值。

绝不要编造客户列表、细分定义或用户数据不支持的阈值；应请求补充缺失的证据，而不是用通用列表替代。

种子诊断阶梯

当现有的类似受众表现不佳，且怀疑问题出在种子数据时，请将此表作为症状查找表，而非排名列表：每种症状对应一个原因和一项操作，因此对它们进行排名会造成虚假的精确感。

真正需要排序的是多个症状同时出现时的修复顺序。应先修复任何会导致受众无法投放或无法匹配的问题，再处理质量问题——底线未达标、映射错误或匹配率低于平台区间，都会让后续所有质量评估失去意义。然后处理重叠和刷新问题，最后处理价值和扩展相关原因。

症状	可能原因	操作
匹配率远低于平台公布的范围	列表过时、每行只有一个标识符，或格式未规范化	规范格式（E.164、电子邮件小写），添加标识符列，删除超过 18 个月的行，然后补充信息
列表已上传，但受众无法创建或投放	匹配数量低于门槛——误将行数当作种子规模	重新计算有效种子规模；执行回退阶梯
创建受众时看不到基于价值的选项	上传时未映射价值列	确认映射后重新上传；平台已静默创建标准类似受众
CPA 正常，但获客客户的 90 天队列 LTV 较弱	种子扩大了低利润转化者的规模（Churney 文档所述的陷阱）	根据利润率或预测 LTV 重新创建种子；弃用该种子版本
类似受众的表现接近随机，或不优于广泛受众	扩展比例过宽，或异质种子混合了不同类型的买家	收窄比例；按产品线、细分市场或国家/地区拆分种子
方案引用 Google Similar Audiences 或 LinkedIn Lookalikes	操作手册过时——Similar Audiences 已于 2023 年 8 月移除；LinkedIn Lookalikes 已于 2024 年 2 月停用	改用 Customer Match 作为信号 / LinkedIn Predictive Audiences（至少匹配 300 个）
两个种子受众互相蚕食	受众重叠度超过约 20-30% 的关注区间	合并种子或添加相互排除规则
数周内表现持续下滑，期间没有任何改动	静态 CSV 从未刷新；成员逐渐过期	设定刷新频率并指定负责人；自动化同步；遵守 Customer Match 的 540 天期限

平台门槛

门槛适用于匹配后的数量。精简视图——包含建议规模、扩展层级、已记录的内部不一致、弃用情况、匹配率和刷新行为的完整表格，见 references/platform-floors.md。平台门槛会随时间变化：如果你的执行环境可以浏览网页，请在最终确定规范前核对平台的最新文档；否则，请告知用户进行核实。

平台	匹配后门槛	建议种子规模
Meta	100	1,000-5,000（Meta 文档）
Google Customer Match	100（2025 年从 1,000 下调）	1,000+（从业者建议）
Google Demand Gen 相似受众	1,000 个活跃匹配用户（API 文档；帮助中心称为 100——取较严格的标准）	-
LinkedIn（匹配/预测）	300 个匹配用户	联系人列表：上传 10,000+ 行；公司列表：1,000+ 家公司
TikTok	1,000（帮助中心；常见问题解答称为 100——取较严格的标准）	10,000（从业者建议）
Pinterest	100	1,000+（从业者建议）
Reddit	1,000 个匹配用户	-
X	100 个匹配用户	-
Amazon AMC 相似受众	500 个用户 ID	10,000+（从业者建议）
Snapchat	1,000 才可投放	-

B2B 与 B2C

**两者相同：**哈希和规范化机制（SHA-256、E.164、电子邮件转小写）、匹配率计算、有效种子规模计算、负向选择、以数据仓库为先的排除，以及衡量窗口——它们都使用相同的广告系统。不同之处在于列表规模和身份信息。

B2B 面临小列表问题：400 个高 ACV 客户无法直接用于消费类平台的相似受众，因为工作邮箱在 Meta 和 TikTok 上的匹配效果较差，而个人邮箱在 LinkedIn 上的匹配效果较差。上传前进行身份信息补充是有文档记录的解决方法，也是它被列为第 1 级后备方案的原因。

B2B 种子数据以账户或联系人为单位：上传前，按职称/资历/职能将公司列表扩展为联系人。在 LinkedIn 上，公司列表需要 1,000+ 家公司，而联系人列表需要上传大约 10,000+ 个电子邮件地址，才能可靠地达到 300 个匹配用户的门槛。种子数据应来自已赢单客户，而非 MQL。

由于销售周期较长，B2B 种子的转化表现往往要滞后数周才会显现：早期应根据匹配质量和互动情况进行判断，而种子本身则应等到队列成熟后再评估。

B2C 面临相反的取舍：列表规模足够大，因此真正的限制因素是选择纪律，而非达到门槛。

衡量是否奏效

匹配率只是数据质量的先行指标——按照 Google 自己的说法，匹配率高意味着数据可能正确，但不能保证受众列表表现良好。切勿据此评判种子。

应根据新客户 CPA/CAC、品牌新客率、获客客户的 AOV，以及该技能自身的 KPI 来评估种子版本：按种子版本划分的 90/180/365 天客户群 LTV。这里的陷阱（Churney）是：相似受众 CPA 较低，但在 LTV 成熟后表现不佳，因为种子放大了低利润转化用户。解决办法是根据利润率或预测 LTV 重新创建种子，并停用该版本。

使用用户级拆分测试或地理区域留出测试比较种子变体，切勿采用简单的广告组对比——受众重叠会造成干扰。在这两种有效方法中：

• split test > geo holdout 在投入上更有优势——前者只需调整平台设置；后者则需要在整个测试窗口内排除某个市场的流量，并取得该市场业绩指标负责人的批准。
• geo holdout > split test 在证据强度上更有优势——它不受跨设备身份丢失的影响，并衡量增量销售，而非平台归因的销售。

如果平台提供真正的用户级拆分测试，默认采用该方法。当种子决策难以撤销时，改用地理区域留出测试——例如重新配置价值列、停用种子版本、拆分国家/地区；或者当拆分测试本身的结论存在争议时，也应采用该方法。

在评估任何结果前，先留出学习阶段：每个广告组每周大约需要 50 次优化事件（普遍认为这是 Meta 的指导建议），或者在低流量情况下需要 2–4 周。

通过门槛：该种子版本获客客户群的 90 天 LTV 达到或超过账户平均获客客户 LTV，且 CPA 不高于账户平均值。未达标时，应继续迭代：根据价值重新创建种子、缩短回溯窗口，或进行拆分。一个客户群窗口后重新评估——种子是带版本的资产，不是一次性上传内容。

常见失败模式

不刻意排序：这些是陷阱／修复方案对，而不是针对同一目标的相互竞争选项；而且这里的每项修复成本都足够低，若按效率排序，就会暗示存在一个实际上不存在的分诊选择——全部都做。

陷阱	为什么会造成损失	修复方案
按行数确定规模	门槛针对的是匹配到的人；5,000 行的名单若匹配率为 40%，种子受众就只有 2,000 人	计算有效种子受众；上传目标规模的 2–3 倍
为了“达到最低要求”而用所有人填充种子受众	这会稀释信号群体；同质性比规模更重要	改用回退方案阶梯——绝不首先牺牲质量
将累计终身收入作为价值列	它反映的是客户关系时长，而高收入、低利润的客户会污染模型	使用利润率或预测 LTV
跳过负面筛选环节	退款者、只买折扣商品的客户、员工和批发客户会让模型学到错误的客户特征	每次导出前都将他们剔除
为通过 UI 上传而预先对文件进行哈希	平台会在导入时进行哈希；带盐哈希将无法匹配任何人	通过 UI 上传规范化的明文；仅在要求哈希的 API／数据仓库同步中进行哈希
尚未确认同意就上传	根据 GDPR，哈希名单仍属于个人数据；监管执法确实存在	先进行隐私检查；在数据仓库中统一执行抑制规则
根据匹配率评估种子受众	匹配率衡量的是数据卫生状况，而非受众质量	按种子受众版本的群组 LTV 进行评估
在学习阶段评判种子受众	在优化量积累起来之前，早期 CPA 都是噪声	等到退出学习阶段或经过 2–4 周后再查看
多国家相似受众使用一个全局种子受众	相似受众按国家划分；模型会跨市场取平均值	每个国家使用一组种子受众—相似受众配对
认为上传一次就永远完成	静态名单会逐渐失效；成员会过期（Customer Match 采用 540 天规则）	由负责人制定刷新周期，或设置自动同步
在每个平台上混用工作和个人身份信息	工作邮箱在消费平台上的匹配率很低；个人邮箱在 LinkedIn 上的匹配率很低	让标识符类型与平台匹配；若二者不一致，则补充数据
照搬 2022 年前后的操作指南	Similar Audiences 和 LinkedIn Lookalikes 已不复存在；定向纳入也变成了建议	对照实时文档核实功能；将种子受众视为信号，将排除项视为唯一的硬性规则

参考资料

• 按平台基准线估算时，请阅读 references/platform-floors.md——其中包含各平台的完整表格、日期、不一致项、弃用项、匹配率范围和刷新行为。
• 选择行时，请阅读 references/seed-selection.md——其中包含 RFM 客群、近期时间窗口、排除列表、基于价值的规则，以及非购买来源的优先级排序。
• 编写规范时，请阅读 references/examples.md——其中提供了一个完整的 B2C 基于价值的种子示例，以及一个未达基准线并采用回退方案阶梯的 B2B 已签单种子示例。