广告系统认知

 2025/04/10 

广告系统认知

为什么我们需要了解广告系统？

如果你是创业者，广告投放是获客的重要手段，创业者必须要了解营销技术。

如果你是广告投手，为公司广告预算制定合理的广告计划、创意，实现更好的 ROI。

如果你是架构师，大部分公司都需要收集用户信息、转化数据，用于集成广告投放，服务业务增长。

PS：对于程序员来说研究营销和广告技术对认知有一定颠覆作用。

营销部门在很多公司拥有巨大的预算，往往很少的人，但接近研发部门同样的预算，人均预算非常高。

营销和广告对人性的洞察非常深刻，这一点是程序员出身的人很难理解的。比如我们有一些技术崇拜，觉得越牛逼的东西越容易成功，其实不是的。在广告和运营行业，很多东西是反直觉的，需要不断试错，不断优化，甚至有时候越脑残效果越好。

广告优化很体现对人性的认知，比如广告投放的素材、文案、定向策略等，都是对人性的洞察。投手也不知道哪些策略会有效，只能不断尝试，所以就有广告优化师，根据不同的创意、定向策略、出价策略等，进行A/B测试，找到最优的投放策略，然后根据广告监测，跑出来效果了，就继续往这个方向投放，这就是现代广告和传统媒体广告的区别，传统媒体广告是根据经验投放，现代广告是根据数据投放。

广告和运营是离钱最近的地方，很多公司都是靠广告和运营起家的，比如小米、拼多多，你以为他们是技术公司其实是营销公司。雷军说很少做广告，实际上他的个人账号的内容也是通过广告推广投放的。

我们现在接触的信息，基本上被推荐算法垄断了，我们看到的都是算法推荐给我们的，让我们觉得我们是这样想的，其实是背后有很多推流在操控算法。

除了测试结果，不要相信自己的感觉，感觉在营销中，最不重要。这是一个非常重要的认知，相信数据和测试结果，而不是感觉。比如有一个非常经典的案例，就是女性情趣用品都是男的在买，所以不要假设自己的感觉是正确的，要相信数据和测试结果。

现代广告场景和类型

常见广告投放类型

主要的广告类型（当前占据绝大多数广告市场），一般是广告平台自己的媒体，比如腾讯广告的微信朋友圈、搜索广告：

信息流广告（Feed Ad）：

在社交媒体、新闻应用等信息流中插入的广告，通常以图片或视频形式出现，旨在提高品牌知名度和引起用户兴趣。例如小红书，就是经典的信息流广告，信息流广告会把广告和用户创作的内容混合到一起，提高用户的信任，现在信息流广告已经非常成熟，是效果广告的主要形式，主要占到广告市场的 80% 以上。但信息流广告主要用来获取新客户，而不是追求转化，因为信息流意向性比较低。

搜索广告（Search Ad）：

在搜索引擎的搜索结果页面上展示的广告，根据用户的搜索关键词进行定向，旨在提高转化率。和信息流广告恰恰相反，搜索广告主要用来追求转化，因为搜索广告的意向性非常高。毕竟用户搜索什么东西，多半是有明确需求。

种草广告：

在用户创建的内容中插入广告私货，比如小红书，用户在小红书上分享自己的生活，分享自己的使用心得，然后广告主会在这些内容中插入广告，提高品牌的曝光度。这种广告形式主要用来提高品牌知名度，而不是追求转化，因为转化率不太好统计，除非能通过某些方式提供带货链接，就能根据转化率计费。

其他广告类型(占据小部分广告市场，主要是用户的接受度不高)，这些广告来源多样，质量不高，主要通过联盟把广告主和媒体方连接起来，所以下面这些广告大部分都是联盟广告：

媒体广告：

在视频、音频、图片等媒体内容中插入的广告，旨在通过多媒体形式提高用户的参与度和品牌记忆。

插页广告：

在应用或网页的内容之间插入的全屏广告，通常以定时或滑动的形式出现，旨在提高用户的注意力和点击率。

游戏广告：

在游戏中插入的广告，通常以横幅、视频或插页的形式出现，旨在通过游戏的互动性吸引用户。

根据效果分类

效果广告：

按照转化计费，例如根据点击转化、注册、购买等具体行为进行计费，注重广告的实际效果和转化率。

品牌广告：

关注曝光时间和品牌知名度，通常用于提高品牌认知度和产品推广，计费方式多为 CPM（千次曝光成本）。

目前大部分都是效果广告，品牌广告比较少。比如小约翰可汗的视频中恰饭广告，一般都是品牌广告，只有头部的流量主才能玩。

典型的广告场景

在社交媒体平台的朋友圈中展示的广告，通常以图片或视频形式出现，旨在通过社交媒体的影响力提高品牌知名度和引起用户兴趣。例如，用户在朋友圈中看到了一条广告，广告展示了新的小米汽车，用户对这款汽车感兴趣，点击广告后被引导到汽车的购买页面，并最终完成购买。

现代广告系统的架构

现代广告系统是一个高度复杂的生态系统，涉及广告主、广告平台、媒体方等。整个系统通常包括以下核心部分：

广告投放平台（DSP，Demand-Side Platform）： 广告主通过 DSP 进行投放，DSP 负责竞价、定向、优化等功能，用户可以在 DSP 上投放广告，也可以在 DSP 上查看广告投放效果。
供应方平台（SSP，Supply-Side Platform）： 媒体方使用 SSP 来管理广告库存，广告库存就是广告位，比如一个广告位曝光多少时间，也就是流量主，并与 Ad Exchange 进行实时竞价。一般自己就是媒体公司，比如百度联盟、腾讯广点通、阿里妈妈（阿里本质其实是个广告公司）。就是自己有广告位出租给 SSP，然后不用再自己管理了，比如自己做了一个 APP，想放一点广告赚钱，不需要自己找广告主，直接把广告位卖给 SSP 就行。
广告交易市场（Ad Exchange）： 一个开放的广告竞价平台，连接 DSP 和 SSP（供应方平台）。一般终端用户接触不到，是广告公司之间的竞价平台。和股票交易平台类似的是，Ad Exchange平台的竞价机制也是竞价获得，如果竞价一样的话，先到先得，即RTB模式。 RTB —— Real Time Bidding 的简称，就是实时竞价。比如 Google 的 DoubleClick, 国内比较封闭，一般自己生态就做了。
数据管理平台（DMP，Data Management Platform）： 收集、分析用户数据，提高广告定向能力，然后还可以把数据卖给广告主将分析后的数据再次给 DSP 定向用。腾讯拥有中国最大的 DMP,类似的还有 TalkingData、友盟+（被阿里收购了）、神策数据、GrowingIO、秒针之类的。
广告监测平台（Ad Monitor）： 监测广告投放效果，比如广告投放的曝光量、点击量、转化量等，归因分析。
上面这些只是行业逻辑概念，有时候一个公司会同时提供这些服务，比如腾讯广告，既是一个 DSP，也是一个 SSP，同时也是一个 Ad Exchange，同时也是一个 DMP，同时也是一个 Ad Monitor。

一些常见的概念不属于广告系统，但属于之前 MarTech 范围：

Social CRM: 社交媒体管理平台，比如秒针的 CRM 可以集成很多社交媒体，比如小红书、抖音、快手、微博等，统一管理这些账号。
自动化营销（Automated Marketing）： 自动化营销是指通过技术手段实现营销活动的自动化，比如自动化投放、自动化创意、自动化监测等。这个和广告没关系，其中一个场景是监测到用户的一些行为，自动推送一些营销活动。比如，用户取消购买，自动推送优惠券，促进复购。个性化展示，比如根据用户的行为，自动推送一些个性化的内容。
CDP: 客户数据平台，收集用户数据，进行分析，然后给 DSP 定向用。一般是企业自己的数据，比如用户行为数据、用户画像数据、用户购买数据等。
为什么用户数据会影响广告投放？这里说几个例子：

扩大营销范围，降低转化，获得新客户：可以分析出现有购买的用户的一些特征，根据这些特征，我可以找到一些相似的用户，然后给他们投放广告，这样就可以扩大营销范围，降低转化，获得新客户。比如我被打上男性的广告，就不会给我推送女性用品的广告，这样没有意义，但是电视广告就会，所以传统广告的转化率很低。
归因：找出效果最好的产品、渠道、时段、创意、定向策略等，然后加大投放。
但是总之都是为了提高 ROI，ROI 是广告投放的最终目标。

ROI = 广告收益 / 广告成本。倒数是投资回收率：

如果 ROI=0.2（20%），倒数就是 5，表示每 1 元收益需要 5 元投入。
如果 ROI=2（200%），倒数就是 0.5，表示每 1 元投入能带来 2 元收益。

如果投放广告没有带回来成本，那么营销部门就没有存在价值了。

在《精益创业》作者建议创业公司投放一些广告，带来一些少量的用户在早期就开始做用户测试，观察每一次产品的变化获得的用户反馈。

但是很多创业公司早期都是根据产品经理的经验和运气来的，没有做数据分析的意识，所以做出来有些功能压根没人用，这一点在《精益创业》中反复被提到。

现代广告投放的逻辑

DSP 把广告位按照人群、时段、几率组合打包，所以买的广告位其实是虚拟的。现代广告投放的逻辑通常如下：

DSP 发起投放：广告主通过 DSP 平台发起广告投放，指定目标受众、广告创意和出价策略。
实时竞价：DSP 将广告请求发送到 Ad Exchange，进行实时竞价，竞争广告位。
SSP 返回广告位：媒体方的 SSP 返回可用广告位，包括广告位 ID、出价和其他相关信息。
DSP 选择广告位：DSP 根据出价策略和目标受众选择最合适的广告位。
广告投放：DSP 将广告创意投放到选定的广告位。
监测和优化：DSP 监测广告投放效果，根据数据分析和优化算法调整出价策略和广告创意，以提高广告 ROI。
前面说的都是 RTB 实时竞价，RTB 的方式精准定向、实时调整、按效果付费。

其实还有其他购买方式：

PMP（Private Marketplace，私有竞价市场）：封闭式竞价，就是在几个高端广告主之间竞价，通常基于 RTB 技术，但广告主有优先权。
PDB（Programmatic Direct Buying，程序化直采）：直接购买广告位，比如承包全天广告位，然后投放广告，这种就不竞价，直接买断。
还有传统买量方式，这种就是传统媒体用的多，比如央视广告中的黄金时段，就是直接买断，然后投放广告。

为什么搞这么复杂？

因为信息流、搜索这些广告是定量广告，比如每 10 个朋友圈出现一个广告，那么这个广告位也不是固定的，而是根据人群定向曝光，所以广告售卖单元不固定，也无法让买家相信，所以就搞出来竞价广告。根据实际效果竞价，有效果的就出价高，没效果的出价低，这样就公平了。

用竞价 + 钱的方式量化了广告价值（货币真是人类的伟大发明，可以量化一切）。

漏斗营销模型（Funnel Marketing Model）

漏斗营销模型是现代广告系统的重要理论框架，通常分为以下几个阶段：

曝光（Awareness）：通过广泛投放广告，提高品牌知名度，例如品牌展示广告（Branding Ads）。
兴趣（Interest）：针对特定人群定向投放广告，引起兴趣，例如短视频广告或信息流广告。
考虑（Consideration）：通过重定向广告（Retargeting），吸引用户多次接触，提高转化率。
转化（Conversion）：鼓励用户完成目标行为，如下单、注册等。
忠诚（Loyalty）：通过 CRM、社交媒体营销、会员体系等方式，维持客户关系，促进复购。

广告投放策略通常会结合 A/B 测试、用户行为分析和数据建模，以优化漏斗各层级的转化效果。

为什么要了解漏斗营销模型，因为漏斗营销模型是最直观最基础的模型，很多营销模型都是基于漏斗营销模型演变而来的。在每个阶段采取的策略不同，对应的效果也不一样。比如对于曝光阶段，广告主会采取品牌广告，比如央视广告，因为品牌广告的曝光量很大，但是转化率很低，所以需要通过其他方式提高转化率。

具体来说，就是通过漏斗营销模型知道销量不好出在那个地方？

是曝光阶段不行？还是兴趣阶段不行？还是考虑阶段不行？还是转化阶段不行？然后一步一步优化上来，比如一开始先提高曝光，不要太定向，用足够广泛的标签来测试哪些用户群感兴趣。继而，下一次投放就锁定这些标签，测试哪些标签的用户会转化，根据哪些路径转化。

比如：

曝光高，广告点击的少：广告创意不行，或者定向不精准。
点击足够了，注册的少：注册流程太复杂，或者注册页面设计不合理。
注册足够了，下单的少：产品本身不行，或者价格太贵。
下单足够了，复购的少：服务不好，或者产品本身不行。
加购的多了，付款的少了：支付流程太复杂，或者支付页面设计不合理。
付款的多了，退款的多了：产品本身不行，或者价格太贵。
当然，模型的这几个阶段，需要和自己的业务映射起来。

除了漏斗营销模型外，还有其它很多营销模型。例如 AIPL(Awareness -> Interest -> Purchase -> Loyalty) 模型（阿里提出的用户旅程模型）。说实话，原始的漏斗模型比较复杂，阿里妈妈营销漏斗模型更简单：拉新（Acquire）、促活（Activate）、转化（Convert）。

所以经常会听到搞运营的说拉新、促活、转化这几个词。

出价方式( RTB 竞价)

现代广告系统中，出价方式是决定广告投放效果和成本的关键因素。以下是常见的广告出价方式：

基础竞价单模式

常见的出价模式：

CPC (Cost Per Click)：按点击付费，广告主只在用户点击广告时付费，适合追求直接响应的广告活动。
CPM (Cost Per Mille)：按千次展示付费，每展示1000次收取固定费用，适合品牌曝光和知名度提升。
CPT (Cost Per Time)：按时间付费，广告在特定位置展示固定时间段，通常用于品牌广告。
CPD (Cost Per Day)：按天付费，一种固定费率模式，广告在特定位置展示一整天。
下面这些需要接入回流数据，或者使用广告平台提供的落地页：
CPA (Cost Per Action)：按行为付费，用户完成特定行为（如注册、下载）时付费。
CPS (Cost Per Sale)：按销售付费，用户完成购买行为时按销售额比例付费，常用于电商平台。
CPL (Cost Per Lead)：按潜在客户付费，用户提交联系信息成为潜在客户时付费，比如小红书留资需要专门开聚光平台，用小红书的留资功能就能被统计到。
CPR (Cost Per Response)：按反馈付费，用户提交表单或问卷时付费。
还有一种高级的 oCPX 模式后面会单独讲。

竞价机制

如何理解竞价机制？

竞价的目的是为了充分利用展示机会、充分公平的方式自动获取广告位，在广告系统中，出价单位是每千次为一个单位。

比如更好的时段、更热门的标签，那么就需要更高的出价。系统将需要展示的广告放到一个排名中，根据一定计算，优先展示给高价格的广告主。另外，广告质量也是展示的一个要素，广告质量低的话，在同等价格中，也不会被匹配（某种程度上来说，保护广告主和平台共同的收益，如果我广告质量低，广告预算想花都花不出去，广告质量太低对平台用户体验也不好）。

常见的排名计算因子有：

出价：发布广告时填写的价格（平台会给一个参考的价格，按照平均 + 加量填写就行）。
广告质量：根据历史点击率、账号（所以为啥说有的广告户跑废了）、行业相关度、落地页加载速度、创意差被投诉和标记。
相关性：这个和广告设定的意向策略有关、时段、人群之类的。
例如一个广告位有三个广告主竞争：
广告主 A：出价 3 美元，质量得分 8（满分 10）
广告主 B：出价 5 美元，质量得分 5
广告主 C：出价 4 美元，质量得分 7
计算过程：
广告主 A：3 × 8 = 24
广告主 B：5 × 5 = 25
广告主 C：4 × 7 = 28
就算广告主 B 出价更高，但是质量太差，所以最终还是 C 获得了类似相关性的广告展示机会。广告系统竞价的核心逻辑是基于实时竞价和广告相关性，它结合了广告主的出价、广告的质量得分以及其他因素，动态决定哪个广告展示给用户，并以此优化广告主的投放效果和平台的盈利能力。

竞价排名这玩意儿在中国最早的公司就是百度，其实有很多人说是百度发明的，也不算很准确。最早是 Overture 这家公司开发的，然后是 Yahoo! 收购了 Overture，最终被大家知道还是 Google AdWords。

高级出价 OCPX（Optimized Cost Per Action）

OCPX（优化目标出价）是一种现代广告竞价策略，是智能出价在实际业务场景中的具体应用形式。它广泛应用于程序化广告投放中，如 Facebook Ads、Google Ads 以及国内的巨量引擎、腾讯广告等平台。

OCPX 的核心特点是：

基于机器学习的智能出价系统
根据广告主的具体业务目标进行优化
自动调整单次展示的出价以实现整体优化目标
常见的 OCPX 类型包括：
OCPM（Optimized Cost Per Mille）：按照 1000 次展示优化出价，通常用于品牌曝光广告。
OCPA（Optimized Cost Per Action）：按照特定转化目标（如注册、购买）优化出价。
OCPC（Optimized Cost Per Click）：基于点击优化投放，目标是提高点击后转化率。
OCPX 通过机器学习和历史数据分析，动态调整出价，以提高广告 ROI（投资回报率）。

OCPX 实际应用示例

以电商平台投放广告为例，说明 OCPX 的工作原理：

场景：某电商平台希望通过抖音投放广告来获取新用户下单

传统出价方式：

如果使用 CPC 模式，广告主为每次点击支付固定费用（如 2 元/点击）
问题：点击未必转化为下单，可能导致大量无效流量支出
OCPA 方式： 1. 设置目标：广告主设定目标 CPA(Cost Per Action) 为 100 元/下单 2. 系统学习阶段： - 投放初期，系统收集数据，了解哪些用户更可能下单 - 系统分析：25-35 岁女性、周末浏览、对美妆感兴趣的用户转化率更高 3. 智能调整： - 对高转化概率用户，系统可能出价 5 元/点击（转化,目的性更强，成交优先） - 对低转化概率用户，系统可能只出价 0.5 元/点击（获客，目的性弱，成本优先） 4. 持续优化： - 系统不断学习新数据，调整用户群体的预估转化率 - 实时调整每次展示的出价，确保整体 CPA 接近目标值

结果对比： - 传统 CPC：1000 次点击 × 2 元 = 2000 元成本，获得 10 个订单，实际 CPA = 200 元 - OCPA：同样 2000 元预算，智能分配到高转化人群，获得 20 个订单，实际 CPA = 100 元

这个例子展示了 OCPX（具体是 OCPA）如何通过机器学习和智能出价，在相同预算下提高广告效果。广告主只需关注最终业务目标（获取订单的成本），而不必手动调整每次点击的出价。

OCPX 需要接入回流数据，或者使用生态内的店铺、商品、订单等数据，这是和普通的 CPX 最大的区别。

OCPX 与人群定向的协同原理

OCPX 与人群定向是现代广告系统中紧密协作的两个关键技术，它们共同提高广告投放效率。

人群定向（Audience Targeting）是根据用户特征选择广告受众的过程，主要基于：

显性特征：
人口统计学特征（年龄、性别、收入等）
地理位置（国家、城市、区域等）
设备类型（手机品牌、操作系统等）
行为特征：
浏览历史（访问过的网站、停留时间等）
购买行为（购买频率、商品类别等）
应用使用情况（安装的应用、使用频率等）
兴趣特征：
内容偏好（阅读主题、观看视频类型等）
社交互动（关注账号、互动内容等）
搜索历史（搜索关键词、搜索频率等）
现在广告系统的标签系统非常复杂，有些广告系统有几百个标签可以用，用户画像挺精确的，各个平台收集的用户数据根据某个协议共享了，例如某个用户的收入水平这种标签都比较准确。

标签可以直接和用户有关，也可以组合，然后根据组合的程度分层：

一级标签：用户性别、年龄、地域、收入水平、职业等
二级标签：根据一级标签或原始数据，组合成更规范的标签（一些营销模型），比如：
RFM 模型，消费频次、消费金额、最近一次消费时间等。
忠诚度模型：是否复购、复购周期、复购金额等。
偏好相关的标签：用户喜欢看什么类型的视频、喜欢看什么类型的文章、喜欢看什么类型的商品等。
其他营销模型，比如前面说的阿里 AIPL 模型
三级标签：每个公司或者平台自己定义的标签，比如，微信公众号有一个常读用户之类的
OCPX 与人群定向的协同机制
OCPX 系统通过以下方式与人群定向协同工作：

双层优化模型：
第一层：人群定向确定广告可以触达的用户范围
第二层：OCPX 在这些用户中进一步优化每次展示的出价
数据反馈循环：
人群定向提供初始用户池
OCPX 收集这些用户的转化数据
系统利用这些数据优化人群定向策略
优化后的人群定向提供更精准的用户池
实时调整机制：
当用户A出现在广告位时，系统会：
检查该用户是否符合人群定向条件
如符合，OCPX 系统计算该用户的预期转化概率
基于转化概率和目标成本，计算合理出价
参与实时竞价，争取广告位

技术实现示例

以抖音广告系统为例：

用户小王刷抖音 → 触发广告请求 → 广告系统分析：

→ 基础筛选：小王符合某电商设定的"18-35岁男性"人群
→ OCPX评估：
   - 分析小王近期观看了多个数码产品视频
   - 预测转化概率为3%（行业平均为1%）
   - 目标CPA为100元，计算合理CPC为3元
→ 出价决策：
   - 由于转化概率高，系统出价3元参与竞价
   - 获得广告位，向小王展示数码产品广告

这种协同机制使广告投放既能保持足够的覆盖范围（通过人群定向），又能实现精准的资源分配（通过OCPX），从而最大化广告效果。

OCPX 中的转化与获客平衡

OCPX 系统面临的核心挑战之一是在”精准转化”和”广泛获客”之间找到平衡。

实现平衡的策略
现代OCPX系统通常采用以下策略来平衡转化与获客：

探索与利用机制（Exploration vs. Exploitation）：
分配一定比例预算用于”探索”新用户群体
将主要预算用于”利用”已知高转化人群
随着数据积累，动态调整两者比例
阶段性策略调整：
投放初期：倾向于广泛获客，收集足够数据
中期：逐步优化，提高转化效率
后期：根据业务目标灵活调整获客与转化的权重
多目标优化：
设置复合目标函数，同时考虑获客量和转化率
例如：在保证最低获客量的前提下最大化转化率
实际应用示例
某电商平台的节日促销活动：

第一阶段（活动前7天）：
设置为获客导向，OCPX系统广泛触达潜在用户
人群覆盖广，出价相对保守
目的是收集用户兴趣数据，为后续精准投放做准备
第二阶段（活动期间）：
转为转化导向，OCPX系统优先投放给高转化概率用户
人群更加精准，对高价值用户提高出价
目的是最大化活动期间的销售转化
这种动态平衡策略使广告主能够在不同业务阶段灵活调整获客与转化的侧重点，实现最优的广告效果。

广告优化：监测、归因

广告监测

广告监测的目的是监控广告投放的效果，及时调整投放策略。

一般广告平台都有自己的监测能力，提供给广告主。但是，如果广告主不信任广告平台的数据，同时也可以使用第三方广告监测能力，接入多个广告平台的数据，横向对比。

常见的指标有：

曝光量
点击量
点击率（CTR）
转化量（Conversions）
每次转化成本（CPA）
广告支出回报率（ROAS，Return on Ad Spend）
每千次展示成本（CPM，Cost Per Mille）
每次点击成本（CPC，Cost Per Click）
……

获得广告监测的数据，可以进一步自行、或者第三方归因，就是下面说的归因分析。

归因分析（Attribution Modeling）

归因的目的是，回答一些运营过程中的疑问，来优化未来的运营策略：

哪个渠道效果更好？
哪个转化路径效果更好？
哪个用户群体效果更好？
哪个产品效果更好？
哪个活动效果更好？
还有一个重要用途就是怎么计算多个广告平台或者广告商的贡献（多渠道归因）。比如，一个用户在抖音上看到了广告，然后去淘宝上点了广告然后购买了商品，那么这个广告的贡献应该怎么计算？这是一个典型的营销学问题，有一些模型来解决这个问题，所以归因分析用于评估广告效果，常见的模型有：
首次接触归因（First-Touch Attribution）：归因于用户第一次接触广告。
最后接触归因（Last-Touch Attribution）：归因于促成转化的最后一次广告曝光。
线性归因（Linear Attribution）：所有接触点均分配相同的权重。
数据驱动归因（Data-Driven Attribution）：基于机器学习分析不同触点的贡献。
对于品牌广告来说，首次接触归因和最后接触归因是最常用的模型：首次接触说明了用户从那里最先知道这个品牌，最后接触说明了用户从那里最终购买了这个品牌。

除此之外归因还有一个很重要的作用，就是支付广告费用或者佣金，按照效果付费的模式，来计算佣金，这个也算归因的一部分。

心得

广告或者 Marketing 的工作主要还是放大效应，提前事产品足够好，否则通过广告带过来的用户，留存率低，转化率低
通过归因可以找到整个商业模式的瓶颈，从而替代产品经理的直觉，这点非常重要
学习营销的思维，避免程序员陷入以技术为中心的陷阱，对于理解产品、业务部门，做出更好的技术方案设计都有一些必要

参考资料

书籍《精益创业》
书籍《增长黑客》
广点通文档： https://ad.qq.com/
腾讯广点通 (ADQ)账户搭建与优化 https://www.bilibili.com/video/BV1aP411s7xe
归因: https://www.bilibili.com/video/BV1uh411s7cn/
信息流广告从入门到精通，60 分钟全攻略 https://www.bilibili.com/video/BV15199YnEyp
常见广告行业术语：https://www.zhihu.com/tardis/bd/ans/2373391603

A/B test

Author：Sparkle79

Link：https://slspk.ltd/2025/04/10/%E5%B9%BF%E5%91%8A%E7%B3%BB%E7%BB%9F%E8%AE%A4%E7%9F%A5/

Publish date：April 10th 2025, 4:24:41 am

Update date：April 11th 2025, 4:59:36 pm

License：本文采用知识共享署名-非商业性使用 4.0 国际许可协议进行许可

Previous Post

DDD领域驱动设计初探

CATALOG

1. 广告系统认知

广告系统认知

广告系统认知

为什么我们需要了解广告系统？

现代广告场景和类型

常见广告投放类型

信息流广告（Feed Ad）：

搜索广告（Search Ad）：

种草广告：

媒体广告：

插页广告：

游戏广告：

根据效果分类

效果广告：

品牌广告：

典型的广告场景

现代广告系统的架构

现代广告投放的逻辑

漏斗营销模型（Funnel Marketing Model）

出价方式( RTB 竞价)

基础竞价单模式

竞价机制

高级出价 OCPX（Optimized Cost Per Action）

OCPX 实际应用示例

OCPX 与人群定向的协同原理

技术实现示例

OCPX 中的转化与获客平衡

广告优化：监测、归因

广告监测

归因分析（Attribution Modeling）

相关职业

广告投手和优化师

数据分析师

心得

参考资料

A/B test