賬戶不起量？成本次留波動大？教你一勞永逸的解決辦法

大家好，我是寧阿姨，從事資訊流廣告投放超過六年，總投放金額過億，也是「三里屯資訊流」的創辦者

量級、成本、次留，資料波動不可怕，就怕甲方要你歸因沒啥話。不論是老運營還是新人，都會面臨這樣的問題；但歸因往往不準確，調控效果甚微。因此，本文將嘗試用已知資訊去推斷賬戶投放邏輯，同時伴有大量舉例說明。（本文通篇以頭條系投放為例）

01

假設前提

綜述：本文假設使用者擁有10個行為興趣標籤（真實情況可能數百上千個），標籤相似使用者在同一時間節點發出的廣告請求形成大盤，大盤流量會有波動，相同創意過多投放給大盤（使用者）將會被系統頻控。

1。使用者自帶行為興趣標籤，每一個使用者所帶標籤是一個子集，當兩個使用者擁有較多（一定比例）相似的行為興趣標籤時，可以判定為同一行業領域使用者（目標使用者）。

2。使用者帶有的標籤應具有一定數額，本文假設為10左右的細分標籤。

3。相似行為興趣型別使用者在某個時間點發出的廣告申請數形成大盤。可以用資訊流流量分析工具中的流量指數表示。

4。同一時間點，被劃分到同一行業領域的活躍使用者數是一定的，數量隨流量高峰變化而變化。

5。系統會監測投放給大盤流量的廣告計劃，當某一創意重複多次投放給使用者、或被使用者dislike時，系統會啟動頻控措施。

02

新戶如何迅速跑出並提量

解決辦法可分為兩個大方向，要麼與大盤競爭：

（1）競爭搶量，新計劃採用一鍵繼承老戶模型+高出價+搭配跑量素材文案，鋪開高質量創意。

（2）提高賬戶創意豐富度，儘可能保證開投初期賬戶內每條計劃創意都不同且優質。提高計劃跑出率，保證計劃點選轉化率高於大盤。

要麼另闢蹊徑起量：

（3）與大盤做區分，更改創意分類、創意標籤，更改基礎定向，分析優質賬戶後端使用者畫像，錨定潛在人群標籤，用新戶進行人群拓新，積累全新模型。

（4）以遠低於大盤、或遠高於大盤的出價的激進方式進行投放，探索完全不同流量池（因為出價與大盤相似可能會被系統劃分到同一行業領域內）。

想了解為什麼起量困難，為什麼老戶要比新戶好跑，就繼續往下看。

下面是原理分析，要知道如何提量，首先需要了解賬戶是如何找到目標使用者。

這裡簡單定義一下，賬戶模型是指：

在一個擁有所有使用者標籤集合裡，計劃透過學習期間充分探索帶有特定標籤的人群進行轉化，並形成標籤模型，再根據這些已有標籤去探索類似可轉化的群人。

計劃探索出的模型可以賦予給整個賬戶，越多的資料，跑出模型越穩定。計劃的ecpm值是模型最終的結果，表現為當前創意本身帶來的預估點選率、轉化率的高低，這種波動同樣也會伴隨著使用者自帶標籤屬性的不同而不同，因此競價能力也將有所波動。

假設計劃（在學習期）已轉化的使用者都具有（A，B，C，D，E）這五個標籤。計劃渡過學習期時已初步構建起模型，後續計劃更有可能探索出帶有標籤（A，B，C）、（C，D，E）或（A，B，C，E）等的人群進行展現。當大盤多數計劃都在探索類似標籤人群時，會造成起量困難，競爭激烈。既然需要競爭，誰能跑出？

賬戶積累資料量or計劃積累資料量將作為第一個參考點。

比如，我們假設兩條創意相似的計劃，都探索到了擁有標籤（A，B，C，D）的使用者，計劃1是老計劃，之前探索過擁有相同標籤使用者的轉化數量是500，轉化率是35%，計劃2是新計劃，相同使用者轉化數是50，轉化率35%。

這時我個人認為系統會提高計劃1的ecpm值讓其展現，因為資料更多，能夠確保該使用者有35%的機會被轉化，而計劃2資料量少，可參考性低，展現後不轉化的風險更大。

因此成熟計劃的競價能力將更大，進而，成熟賬戶的競價能力也會高於新開戶。

第二個參考點是計劃的ecpm值，代表了計劃本身的核心競爭力。

當某一時段擁有類似標籤（A，B，C，D，E）的使用者集中發起廣告請求時（某領域大盤流量指數上升），相似模型的計劃表現為當前時段競價能力變強，跑量能力變強。

具體提升的維度可能是透過bid更改計劃實際出價提升競爭力（晚高峰期間成本上漲）、預估計劃點選率（轉化率）或實際點選率（轉化率）提升進而提高計劃ecpm值實現，這裡ecpm值漲幅的大小將決定計劃是否能獲得更多展現進而快速提量（系統評估競爭力強弱的邏輯將與成本一起探討）。

競價能力ecpm值將隨著使用者標籤與計劃探索標籤人群的匹配度上升而上升，同時計劃在同一競價流量池的排名也將上升。

排名增長與跑量能力應為指數型函式對應關係（計劃詳情內的診斷可以觀察單個計劃的ecpm值，計劃跑量顯著變快時，競爭計劃排名應低於40，因行業不同人群不同而不同），競爭排名為20的計劃跑量一定比排名40的快嗎？其實也不必然，均值高不代表峰值能勝過大盤。

當某一時段的ecpm均值與大盤競爭勝出的ecpm均值差異過大時，考慮有以下幾點原因。

（1）某一類標籤使用者發出廣告請求短時間內激增，計劃還未完全參與競價，觀察是否需要提價刺激。

（2）計劃探索人群標籤模型可能與大盤計劃有差別（模型跑偏了）（大盤相似計劃定義：全量在投廣告中，與當前廣告計劃的行業、廣告標的、轉化目標相同，設定相似 （定向、廣告形式、出價等） 的廣告計劃），模型跑偏可能需要重點關注以防造成資料波動。

（3）計劃積累資料量少，系統判斷該計劃缺乏可信度，導致競價能力張力小。

（4）計劃某一時段連續探索低質使用者，如點選率偏低，導致系統給到計劃的權重降低。

清楚以上幾點原因，並及時做出相應調整，才能在短時間內迅速拿量。雖然人為無法干預計劃具體探索哪個人群（或許行為興趣定向可以做到），但最佳化師可以及時制止計劃模型跑偏。當我們開新戶（新計劃）始終無法起量，競價困難的時候，本段開頭提到的辦法便可以嘗試。

（1）競爭搶量，新計劃採用一鍵繼承老戶模型+高出價+搭配跑量素材文案，鋪開高質量創意。目的是在相同模型的基礎下透過優質創意+出價提高競爭力，核心還是在於提高競爭力。

（2）提高賬戶創意豐富度，儘可能保證開投初期賬戶內每條計劃創意都不同且優質。提高計劃跑出率，保證計劃點選轉化率高於大盤。核心在於從賬戶維度提高競爭力，讓系統判斷該賬戶為優質賬戶

（3）與大盤作區別，更改創意分類、創意標籤，更改基礎定向，更改定向設定，用新戶進行人群拓新，積累全新模型。目的是避免缺乏轉化資料而與大盤競爭中處於不利地位，前文提到了定向、出價等設定相似都有可能被系統歸於同一行業領域的計劃並參與競爭。

（4）考慮以遠低於大盤、或遠高於大盤的出價的激進方式進行投放，探索完全不同流量池。目的也是在於減少於大盤老戶的競爭。

這裡還需要了解到的是，計劃探索的流量池是被提前劃分好的。假設抖音版位當前有1000萬條計劃在投，一個使用者發起申請時，不可能一千萬條計劃都參與一次競價計算，因此係統會歸類相似計劃，並納入對應帶有某些標籤的使用者流量池內。

大盤探索的人群標籤與潛在目標人群標籤可能會存在一定差別，二者應是包含關係；因此前文提到的與大盤模型做出區別是具有一定可行性的。

上述辦法可能會導致成本次留的不穩定，但往往我們投放需要的是整體賬戶達標，因此低出價低成本跑出相對劣質人群雖會拉低次留，但同樣可以降低成本。參考專案當前欠缺什麼，再對投放比例的合理把控也能夠讓整體資料達標。

03

資料波動如何歸因並調整

本段不僅會對成本次留波動進行歸因，還會深入解析ecpm模型如何影響二者。

先說成本波動歸因分析，

成本波動時，如何判斷賬戶內出現什麼問題：

（1）若某時段成本較高，判斷該時段是否是你的高質目標使用者（高轉化率or高次留率）集中出現的時間，如果某些不合理的時間出現成本高的情況就需要及時控停或拉空，防止模型跑偏。

比如你的高質使用者歲數是50+，凌晨1點突然成本上漲（正常消耗、展現的情況下），顯然並不符合常規。

（2）若某時段成本較高，觀察計劃歷史點選率轉化率與今日有何區別，若點選率偏低可能是由於該時段人群質量較低，需要拉空該時段，若判斷為轉化率低，則需要檢查是否有劣質評論影響。這些前提都是建立在具有一定量級且分時展現正常的情況下。

（3）若計劃表現為全天成本較高，且量級較小（參考不同專案，30個轉化以內），觀察千展成本是否顯著高於賬戶均值，若是，則考慮為低質計劃，ecpm值低，競價困難，只能以更高出價進行展現，若不是，則考慮為計劃模型跑歪。兩者建議都及時控停。

（4）若計劃屬於跑量計劃，但某日成本較高，判斷可能為模型異常、流量波動引起，這時需要儘可能透過限制計劃預算進行調整而不傷害計劃模型；持續幾日走高考慮為出價略高，可以適當下壓出價，成本走高+量級減小，考慮為計劃衰退，建議直接關停並復建。

次留波動時，如何判斷賬戶內出現什麼問題：

（1）若單條跑量計劃次留連續幾日不達標，則考慮為計劃模型有偏差，建議人為干預提高次留係數重新計算模型。

（2）若賬戶計劃某日次留產生波動，建議排查消耗時段是否符合常規。

（3）對比次留成本與轉化成本，看是否是某一時段投放的使用者是否為高質目標使用者，若轉化成本與次留成本相差過大，則說明投放使用者普遍較為低質，相差小則說明觸達使用者更為高質。以此在後續投放中減少對某低質使用者時段的投放、減少該異常計劃（計劃模型）的預算等。

（4）新戶次留波動不建議調整。資料積累不足，次留波動很正常，儘量少調整出價or次留係數，建議一開始制定策略時就保證跑出資料是可以達標狀態（參考已有賬戶的設定），次留出現波動可以優先限制預算，減小對單條計劃模型的傷害。

這裡主要描述判斷“次留”機率的邏輯，可同等替換成“轉化率”。

當我們設定次留出價時（後文都以次留係數代替），系統會判斷某一使用者在擁有ABCD標籤時，其次日留存機率。這裡的機率不是絕對的，如假設我們次留係數設定為25%，即要求計劃投放的次留率達到25%，系統並不只會將廣告展現給被判斷為次日留存機率為25%+的使用者，而是在一定範圍區間進行波動。

如何判斷帶有特定標籤使用者的次留機率？

假設目標使用者擁有ABCD四個標籤時，使用者次日留存的機率為50%+（基於已轉化的人群標籤），粗略判斷一下，當我們需要該計劃達到25%的次留，則計劃探索的人群最好是自帶ABCD四個標籤中的兩個左右。

當然不同標籤權重自然不同，可能A標籤出現後次留機率將會上升40%，而C標籤出現後次留機率只會提升5%，這裡需要大量的機器學習跑出的資料模型才足夠置信（次留機率=α標籤A+β標籤B+。。。）。

所以，最終穩定的賬戶模型在參考大量使用者資料並不斷修正後，針對使用者的每一個標籤都會有特定的次留機率以及相應需要提高的出價去匹配。

設定次留係數之後，系統會依據當前係數判斷針對下一個使用者，是否需要提高相應ecpm值從而展現出去。這裡會表現出系統的偏好，設定35%，跑出來就是低2個點，設定30，跑出來就是高兩個點。這就需要考慮可能並非是你設定的問題而是產品本身或者使用者本身的影響。

成本波動是如何發生的？

假設某一使用者是ABC的標籤，高度符合計劃模型，轉化率可能達到90%，次留機率可能達到75%（遠超過25%的考核），這裡系統顯然願意將廣告展現給這個優質使用者。但是別忘了，大盤其他賬戶可能也探索出了類似的模型，其他賬戶也認為帶有ABC標籤的使用者是高轉、高次留使用者（甚至給出的機率更高）。

顯然針對這一使用者各個計劃想要展現必須嚴格比較ecpm值，當創意豐富度類似時，更多需要參考的是出價，顯然展現給這樣一個高質使用者的成本會上升。

但高質使用者未必好，

比如一個高質使用者展現費用是3塊，轉化率是40%，而一個普通使用者展現費用是1塊，轉化率時20%，顯然過多投放給高質使用者將會導致計劃表現出高空耗、高成本的情況，成本上漲便開始出現。

這裡可能有人會質疑為什麼費用差別會如此巨大，你這個舉例完全不合理，這裡可以從計劃的ecpm值層級看到，計劃平均ecpm值與勝出的ecpm均值相差3-6倍甚至更多，而創意本身的點選率和轉化率不會太大變動，因此只能從出價或者人群標籤不同導致的點轉率不同進而去影響該計劃的ecpm值。

高成本帶來的是高次留，同樣我們可以降低出價告訴賬戶，我不需要高成本高次留，我需要你成本降低一點。難道沒有成本適中高次留的情況嗎？

當然有，那就是ecpm值模型，假設我的模型判斷某一特定使用者的轉化率次留率遠高於大盤其他計劃，那顯然我不需要增加多少價格便能獲得展現。因為系統更願意將廣告投放給能夠為系統本身帶來收益的使用者。

因此再回到本段開投提到的結論，相關歸因分析就有依據。

成本波動時，我們就需要判斷是否為劣質素材競價能力不足導致的，或者為該時段人群不符合賬戶所需。次留波動時，同樣需要排查時段人群是否為高質人群以此判斷計劃模型是否跑偏。

同樣基於上述分析，我們可以還可以推斷，

賬戶想要提升競爭力，必須先跑出資料做積累,越多資料競爭力就越強。

我們還可以做這樣一個假設，假如當前我們考核35%，我新戶次留設定10%讓賬戶迅速跑出（顯然這裡跑量能力高於大盤）當積累一定資料後，次留逐步調整回35%進行，跑量能力削弱的同時次留應該會穩步提升，因為不論是10%還是35%，肯定都能積累到高次留機率標籤的人群並作為賬戶模型。

當然我自己曾經也意外嘗試過（當然是運營事故，不推薦各位作死），次留率設定極低後，跑量提升巨大，而且使用的是從未跑出過的新素材，但後續提高次留設定並重新開啟投放後完全無法展現，因為計劃只跑了一個晚上，數量上完全不足，當然也無法準確計算出更高次留人群的標籤應該是哪些。

對資訊流的分析還在繼續，下面是一些小測試。

比如我嘗試使用多元迴歸去建立計劃預估ecpm值的模型（實際的ecpm模型可能是logit模型？），得出的結論有時候令人匪夷所思，比如價格的係數是負數，也就是出價越高ecpm值越低，顯然不合常理；

也比如點選率的係數是轉化率的數十倍，這可能要求我們更多的將重心放到素材創意上而非落地頁上；也有時得出價格為常數（當然都是因為選取資料維度不同），如果是基於這樣一個結果，可以引申出的結論是，對於低考核成本的專案，更多需要關注素材、文案等創意本身提高競爭力；對於高考核成本專案，更多需要提升價格。

也探尋過素材與落地頁是否匹配對預估轉化率的影響，如果是有影響的這裡便有說法了（是否因為畫面的顏色，文字有相似才會使得預估轉化率更高？），當然一切都因為資料量實在太少、且外部因素（賬戶卡預算、計劃卡預算、改出價、拉時段等等）太多導致難以進行統計分析。

後續還想嘗試一下計劃跑出後的資料（實際點選率、轉化率）對預估ecpm值的影響，以及系統如何評估素材與文案的相關性等問題。總之有結果再寫吧，感謝你的觀看～（本文作者：Brain）