广告优化是一门玄学么？

如今，中国的商业社会正在快速演进中：线上年零售十多万亿，占社会零售总额四分之一；其中，淘系6万亿，小程序内2万亿，抖音快手4千亿；做在线营销的广告优化师，已经有数十万之多。这些数字，勾勒出一幅崭新的商业图景：在网络世界做生意，靠在线营销卖产品，正在加速成为主流。

未来，不论你涉足什么生意（黑市除外），首先要考虑的既非搭销售队伍，也非找线下渠道，而是在广告平台开户，找优化师线上获客。所以，就算你暂时不关心本文内容，也可以先收藏一下，迟早用得上。

广告优化，就是每天看广告后台，算数据，调预算，改创意，离用户十万八千里，就把东西卖出去了。这个职业，有人叫“优化师”，有人叫“投手”，有人叫“增长官”，在淘系内还有个雅名：“开车的”。

开车的新老司机队伍发展太快，以至于从人员到方法，都还处在草创阶段。比如，我接触过很多广告优化师，经常听到这么一句话：广告优化是一门玄学。

对目标暧昧的品牌客户优化师来说，这话也不无道理。然而，电商、游戏、网络服务这些行业，目标较确定，数据可衡量，广告平台决策也并非掷骰子。显然，这是个彻底的工程实践问题，应该在科学的框架下探讨。如果带着玄学的观念入行，就好比拿着风水罗盘搞石油勘探，只能是我命由天不由己了。

当然，玄学之叹并非空穴来风，比如在我的知识星球里，经常有优化师谈到下面这样的困惑：
广告测试回报不错，可是一放量效果就崩了。
同样的产品同事跑得很好，我怎么就跑不起来？
出价高了亏钱，出价低了又没量，该怎么办？

如果无法追根溯源，面对类似的困惑自然会手足无措，以玄学视之。其实，这是把“有关随机性的科学”当成了“玄学”。怎么办呢？还是要回到科学精神的两大支柱：逻辑与实证。大家百思不得其解之处，十有八九都是在这两点上出了问题。

逻辑是流程与决策中相对确定的部分，在数字广告中有两条主线：一是用户从看广告到下单的转化漏斗，也就是归因过程；二是广告平台如何选择广告来填充流量，今天，这往往是个竞价过程。

而实证，就是看数据、用数据的方法论。对此，很多人不以为然：我们不是天天拉数据、调广告么？其实，科学解读和利用数据，需要一些基本原则的指导。就我的观察，很多优化师对此重视不够。

有人说：你又不是一线优化师，凭什么指手画脚？虽然不是优化师，不过最近我们用完全逻辑实证的方法，搭建了一套自动投放的系统，管理着线上上千个产品的广告优化。目前的效果，已经能达到中等优化师水准。在此过程中，积累了许多这方面的经验和结论，值得与大家分享。

下面，我们就找几个实践问题，来看看在逻辑和实证方面，一名合格的广告优化师应该有什么样的知识框架。

应该看什么数据？

先来看看与归因过程有关的数据问题。如今的广告平台，往往可以灵活地设置转化目标（见下图），因此，优化师们对归因流程都比较了解。然而，即使这样耳熟能详的过程，也有些常见的错误。

比方说，某人发现他的广告在安卓上带来的转化占95%，iOS只有5%。很多情况下，他会因此认为iOS效果不好，将其流量关掉。

有一次，我见此情形，提醒那位优化师再想想。他冷静下来，马上就回过味来，这个决策是不对的：iOS的转化量只有5%，可是一看花费，只占了3%，显然这是更优质的流量！

这是个简单到人人都能理解的错误，可是实践中发生的频繁程度令人惊讶。比方说，经常有的优化师，会因为凌晨转化少而把这个时段的投放停掉。究其原因，是大家对如下的原则仍然比较模糊：在判断流量或策略的优劣时，一定要在归因过程上找到前后相关节点，并用其数据比率来做决策。而某个环节的绝对数值，往往并没有太大的参考意义。

看相对比率，不看绝对数值，这是在广告优化中多数场景下看数据做决策的重要原则。

数据不够怎么办？

上文是个引子，而下面的数据问题，就要稍微费点脑筋了。

对电商广告优化师来说，单均成本即CPO(Cost per Order)是关键指标之一，算起来也很简单：
CPO = 广告花费 / 订单量
问题来了，如果像下图中第一行那样，才花了3美元，还没有出单，这么算有意义么？显然，数据太少了，这么算并不可靠，这是个统计有效性的问题。

如果预算有限，必须要马上决策，怎么办呢？高阶点的优化师可能知道，可以采用下面的平滑方法：
CPO = (广告花费 + a) / (订单量 + b)
其中a/b应该等于经验的平均CPO，而b就是花多少钱你的统计就大致靠谱了。如果你还不太理解的地方，可以带入几个数自己体会一下。

其实还可以再进一步。实际上，在广告后台的数据中，除了花费和出单量，还有上图中那一大串中间数据，像展示量、点击量、加购次数等。这些数据对估计CPO有帮助么？答案是肯定的，每个数都有用！具体的做法，由于篇幅所限，就不展开了。

总之，看数据这事儿，还真不是会加减乘除就够的。正确地看数据，就好比有一双火眼金睛，让你面对数据时的困惑云开雾散。

怎样用数据做决策？

看数据不简单，用数据就更难了。关于这一点，真正想登堂入室的优化师，建议都去找本跟机器学习相关的书，把前面几章不涉及到复杂技术内容、你能看得懂的内容，都认真读一读，了解一些“没有免费午餐”、训练测试集、回归与分类、正负样本等基本概念。

为什么要了解这些？因为用数据做决策的过程，与机器学习的基本框架是一致的。你可以不关心复杂的建模方法，但是如果基本原则都是混乱的，像没头苍蝇一样在数据迷宫里乱撞，是很难找到正确方向的。

这么说有点抽象，再来看个具体的例子。

有位优化师，找我说起一个困惑：“我从自己的投放经验总结了几条规律，历史数据上看都挺不错的。可是一但实际执行起来，效果总是不太好，你能帮看看我总结的这些规律，有什么问题么？”

我说：“其实先不用看你的总结，这个方法就有点问题。你总结的历史经验，在历史数据上验证，这相当于是把训练集和测试集放一起了。这样得到的规律，很可能推广性很差，线上实测效果当然也就不好了。”

他又问：“那么应该怎么做呢？”

我接着说：“其实只要把历史数据分成两部分，在一部分数据上总结规律，再到另一部分上去验证效果，这就靠谱多了。”

所以，要用数据驱动决策，虽然用不着懂深度学习算法，可是建立起科学的决策框架，还是非常必要的。

理解竞价过程有什么用？

也有些问题，是纯粹的逻辑问题。对广告优化师而言，逻辑方面的困惑往往与对竞价过程的理解有关。

过于广告的竞价决策，我做过很多普及。简单地说，此过程如下：广告平台把适合当前用户的广告候选拉出来，然后对每个候选计算其eCPM，并依此排序，最高者赢得广告机会；在收费时，则按照第二名的eCPM扣钱，这就是所谓第二高价。

以上的内容不难理解。可是实践中，就未必能运用自如了。

咱们来做个练习。以Facebook投放为例，有一种设定转化出价上限的模式，即下图中的“Bid Cap”模式所示。如果你的产品每卖出一单能挣5美元，那么出价该设成多少，才能让自己的利益最大化呢？

我问过不少优化师，很多都会留出利润空间，设个比5美元低的出价，比如4美金。先告诉大家，这个方法是错误的。

正确答案是什么呢？不要留任何利润空间，按照5美元出价，才是对自己最有利的。实际上，这用到了二价市场的一个重要性质：Truth-telling。能正确答出此问题，并且洞悉背后原理的，竞价逻辑在这一点上算是基本过关了。

其实，跟竞价逻辑有关的实战问题还有很多。再给大家留个小思考题，你改动了广告的落地页，会不会影响买量的CPM水平，什么情况下会影响？

@-@

说了这么多，主要是要帮大家加深这样的观念：在广告优化中，具体的问题有很多，如果单摆浮搁地一个个分别研究，很容易只见树木不见森林，陷入经验主义的泥潭。真正的解决之道，还是要理解广告平台的决策逻辑，掌握正确的数据方法论。文章的篇幅有限，开头的问题就不一一讨论了，等回头我整理整理，有系统的材料再跟大家交流。

一个优秀的老司机，天天苦练开车操作是不够的，还要对汽车发动机的原理了然于胸啊！

不过，优化师们还要认清另外一个现实：今天的广告优化，越来越成为在完备数据和产品体系支持下的工作。而凭着一腔热血和单兵能力赤膊上阵，好比是刀枪不入的义和团，遇上船坚炮利的对手时，无疑会大败而归。

那么，这种“数据和产品体系”支持下的广告优化，有哪些新的趋势和具体产品呢？下回，我会约一位业内资深的老朋友来聊聊。