假设前提

综述：本文假设用户拥有10个行为兴趣标签（真实情况可能数百上千个），标签相似用户在同一时间节点发出的广告请求形成大盘，大盘流量会有波动，相同创意过多投放给大盘（用户）将会被系统频控。

1.用户自带行为兴趣标签，每一个用户所带标签是一个子集，当两个用户拥有较多（一定比例）相似的行为兴趣标签时，可以判定为同一行业领域用户（目标用户）。

2.用户带有的标签应具有一定数额，本文假设为10左右的细分标签。

3.相似行为兴趣类型用户在某个时间点发出的广告申请数形成大盘。可以用信息流流量分析工具中的流量指数表示。

4.同一时间点，被划分到同一行业领域的活跃用户数是一定的，数量随流量高峰变化而变化。

5.系统会监测投放给大盘流量的广告计划，当某一创意重复多次投放给用户、或被用户dislike时，系统会启动频控措施。

新户如何迅速跑出并提量

解决办法可分为两个大方向，要么与大盘竞争：

（1）竞争抢量，新计划采用一键继承老户模型+高出价+搭配跑量素材文案，铺开高质量创意。

（2）提高账户创意丰富度，尽可能保证开投初期账户内每条计划创意都不同且优质。提高计划跑出率，保证计划点击转化率高于大盘。

要么另辟蹊径起量：

（3）与大盘做区分，更改创意分类、创意标签，更改基础定向，分析优质账户后端用户画像，锚定潜在人群标签，用新户进行人群拓新，积累全新模型。

（4）以远低于大盘、或远高于大盘的出价的激进方式进行投放，探索完全不同流量池（因为出价与大盘相似可能会被系统划分到同一行业领域内）。

想了解为什么起量困难，为什么老户要比新户好跑，就继续往下看。

下面是原理分析，要知道如何提量，首先需要了解账户是如何找到目标用户。

这里简单定义一下，账户模型是指：

在一个拥有所有用户标签集合里，计划通过学习期间充分探索带有特定标签的人群进行转化，并形成标签模型，再根据这些已有标签去探索类似可转化的群人。

计划探索出的模型可以赋予给整个账户，越多的数据，跑出模型越稳定。计划的ecpm值是模型最终的结果，表现为当前创意本身带来的预估点击率、转化率的高低，这种波动同样也会伴随着用户自带标签属性的不同而不同，因此竞价能力也将有所波动。

假设计划（在学习期）已转化的用户都具有（A，B，C，D，E）这五个标签。计划渡过学习期时已初步构建起模型，后续计划更有可能探索出带有标签（A，B，C）、（C，D，E）或（A，B，C，E）等的人群进行展现。当大盘多数计划都在探索类似标签人群时，会造成起量困难，竞争激烈。既然需要竞争，谁能跑出？

账户积累数据量or计划积累数据量将作为第一个参考点。

比如，我们假设两条创意相似的计划，都探索到了拥有标签（A，B，C，D）的用户，计划1是老计划，之前探索过拥有相同标签用户的转化数量是500，转化率是35%，计划2是新计划，相同用户转化数是50，转化率35%。

这时我个人认为系统会提高计划1的ecpm值让其展现，因为数据更多，能够确保该用户有35%的机会被转化，而计划2数据量少，可参考性低，展现后不转化的风险更大。因此成熟计划的竞价能力将更大，进而，成熟账户的竞价能力也会高于新开户。

第二个参考点是计划的ecpm值，代表了计划本身的核心竞争力。

当某一时段拥有类似标签（A，B，C，D，E）的用户集中发起广告请求时（某领域大盘流量指数上升），相似模型的计划表现为当前时段竞价能力变强，跑量能力变强。

具体提升的维度可能是通过bid更改计划实际出价提升竞争力（晚高峰期间成本上涨）、预估计划点击率（转化率）或实际点击率（转化率）提升进而提高计划ecpm值实现，这里ecpm值涨幅的大小将决定计划是否能获得更多展现进而快速提量（系统评估竞争力强弱的逻辑将与成本一起探讨）。

竞价能力ecpm值将随着用户标签与计划探索标签人群的匹配度上升而上升，同时计划在同一竞价流量池的排名也将上升。

排名增长与跑量能力应为指数型函数对应关系（计划详情内的诊断可以观察单个计划的ecpm值，计划跑量显著变快时，竞争计划排名应低于40，因行业不同人群不同而不同），竞争排名为20的计划跑量一定比排名40的快吗？其实也不必然，均值高不代表峰值能胜过大盘。

当某一时段的ecpm均值与大盘竞争胜出的ecpm均值差异过大时，考虑有以下几点原因。

（1）某一类标签用户发出广告请求短时间内激增，计划还未完全参与竞价，观察是否需要提价刺激。

（2）计划探索人群标签模型可能与大盘计划有差别（模型跑偏了）（大盘相似计划定义：全量在投广告中，与当前广告计划的行业、广告标的、转化目标相同，设置相似 (定向、广告形式、出价等) 的广告计划），模型跑偏可能需要重点关注以防造成数据波动。

（3）计划积累数据量少，系统判断该计划缺乏可信度，导致竞价能力张力小。

（4）计划某一时段连续探索低质用户，如点击率偏低，导致系统给到计划的权重降低。

清楚以上几点原因，并及时做出相应调整，才能在短时间内迅速拿量。虽然人为无法干预计划具体探索哪个人群（或许行为兴趣定向可以做到），但优化师可以及时制止计划模型跑偏。

当我们开新户（新计划）始终无法起量，竞价困难的时候，本段开头提到的办法便可以尝试。

（1）竞争抢量，新计划采用一键继承老户模型+高出价+搭配跑量素材文案，铺开高质量创意。目的是在相同模型的基础下通过优质创意+出价提高竞争力，核心还是在于提高竞争力。

（2）提高账户创意丰富度，尽可能保证开投初期账户内每条计划创意都不同且优质。提高计划跑出率，保证计划点击转化率高于大盘。核心在于从账户维度提高竞争力，让系统判断该账户为优质账户

（3）与大盘作区别，更改创意分类、创意标签，更改基础定向，更改定向设置，用新户进行人群拓新，积累全新模型。目的是避免缺乏转化数据而与大盘竞争中处于不利地位，前文提到了定向、出价等设置相似都有可能被系统归于同一行业领域的计划并参与竞争。

（4）考虑以远低于大盘、或远高于大盘的出价的激进方式进行投放，探索完全不同流量池。目的也是在于减少于大盘老户的竞争。

这里还需要了解到的是，计划探索的流量池是被提前划分好的。假设抖音版位当前有1000万条计划在投，一个用户发起申请时，不可能一千万条计划都参与一次竞价计算，因此系统会归类相似计划，并纳入对应带有某些标签的用户流量池内。

大盘探索的人群标签与潜在目标人群标签可能会存在一定差别，二者应是包含关系；因此前文提到的与大盘模型做出区别是具有一定可行性的。

上述办法可能会导致成本次留的不稳定，但往往我们投放需要的是整体账户达标，因此低出价低成本跑出相对劣质人群虽会拉低次留，但同样可以降低成本。参考项目当前欠缺什么，再对投放比例的合理把控也能够让整体数据达标。

数据波动如何归因并调整

本段不仅会对成本次留波动进行归因，还会深入解析ecpm模型如何影响二者。

先说成本波动归因分析，成本波动时，如何判断账户内出现什么问题：

（1）若某时段成本较高，判断该时段是否是你的高质目标用户（高转化率or高次留率）集**现的时间，如果某些不合理的时间出现成本高的情况就需要及时控停或拉空，防止模型跑偏。

比如你的高质用户岁数是50+，凌晨1点突然成本上涨（正常消耗、展现的情况下），显然并不符合常规。

（2）若某时段成本较高，观察计划历史点击率转化率与今日有何区别，若点击率偏低可能是由于该时段人群质量较低，需要拉空该时段，若判断为转化率低，则需要检查是否有劣质评论影响。这些前提都是建立在具有一定量级且分时展现正常的情况下。

（3）若计划表现为全天成本较高，且量级较小（参考不同项目，30个转化以内），观察千展成本是否显著高于账户均值，若是，则考虑为低质计划，ecpm值低，竞价困难，只能以更高出价进行展现，若不是，则考虑为计划模型跑歪。两者建议都及时控停。

（4）若计划属于跑量计划，但某日成本较高，判断可能为模型异常、流量波动引起，这时需要尽可能通过限制计划预算进行调整而不伤害计划模型；持续几日走高考虑为出价略高，可以适当下压出价，成本走高+量级减小，考虑为计划衰退，建议直接关停并复建。

次留波动时，如何判断账户内出现什么问题：

（1）若单条跑量计划次留连续几日不达标，则考虑为计划模型有偏差，建议人为干预提高次留系数重新计算模型。

（2）若账户计划某日次留产生波动，建议排查消耗时段是否符合常规。

（3）对比次留成本与转化成本，看是否是某一时段投放的用户是否为高质目标用户，若转化成本与次留成本相差过大，则说明投放用户普遍较为低质，相差小则说明触达用户更为高质。以此在后续投放中减少对某低质用户时段的投放、减少该异常计划（计划模型）的预算等。

（4）新户次留波动不建议调整。数据积累不足，次留波动很正常，尽量少调整出价or次留系数，建议一开始制定策略时就保证跑出数据是可以达标状态（参考已有账户的设置），次留出现波动可以优先限制预算，减小对单条计划模型的伤害。

这里主要描述判断“次留”概率的逻辑，可同等替换成“转化率”。

当我们设置次留出价时（后文都以次留系数代替），系统会判断某一用户在拥有ABCD标签时，其次日留存概率。这里的概率不是绝对的，如假设我们次留系数设置为25%，即要求计划投放的次留率达到25%，系统并不只会将广告展现给被判断为次日留存概率为25%+的用户，而是在一定范围区间进行波动。

如何判断带有特定标签用户的次留概率？

假设目标用户拥有ABCD四个标签时，用户次日留存的概率为50%+（基于已转化的人群标签），粗略判断一下，当我们需要该计划达到25%的次留，则计划探索的人群最好是自带ABCD四个标签中的两个左右。

当然不同标签权重自然不同，可能A标签出现后次留概率将会上升40%，而C标签出现后次留概率只会提升5%，这里需要大量的机器学习跑出的数据模型才足够置信（次留概率=α标签A+β标签B+...）。

所以，最终稳定的账户模型在参考大量用户数据并不断修正后，针对用户的每一个标签都会有特定的次留概率以及相应需要提高的出价去匹配。

设定次留系数之后，系统会依据当前系数判断针对下一个用户，是否需要提高相应ecpm值从而展现出去。这里会表现出系统的偏好，设定35%，跑出来就是低2个点，设定30，跑出来就是高两个点。这就需要考虑可能并非是你设定的问题而是产品本身或者用户本身的影响。

成本波动是如何发生的？

假设某一用户是ABC的标签，高度符合计划模型，转化率可能达到90%，次留概率可能达到75%（远超过25%的考核），这里系统显然愿意将广告展现给这个优质用户。但是别忘了，大盘其他账户可能也探索出了类似的模型，其他账户也认为带有ABC标签的用户是高转、高次留用户（甚至给出的概率更高）。

显然针对这一用户各个计划想要展现必须严格比较ecpm值，当创意丰富度类似时，更多需要参考的是出价，显然展现给这样一个高质用户的成本会上升。

但高质用户未必好，比如一个高质用户展现费用是3块，转化率是40%，而一个普通用户展现费用是1块，转化率时20%，显然过多投放给高质用户将会导致计划表现出高空耗、高成本的情况，成本上涨便开始出现。

这里可能有人会质疑为什么费用差别会如此巨大，你这个举例完全不合理，这里可以从计划的ecpm值层级看到，计划平均ecpm值与胜出的ecpm均值相差3-6倍甚至更多，而创意本身的点击率和转化率不会太大变动，因此只能从出价或者人群标签不同导致的点转率不同进而去影响该计划的ecpm值。

高成本带来的是高次留，同样我们可以降低出价告诉账户，我不需要高成本高次留，我需要你成本降低一点。难道没有成本适中高次留的情况吗？

当然有，那就是ecpm值模型，假设我的模型判断某一特定用户的转化率次留率远高于大盘其他计划，那显然我不需要增加多少价格便能获得展现。因为系统更愿意将广告投放给能够为系统本身带来收益的用户。

因此再回到本段开投提到的结论，相关归因分析就有依据。

成本波动时，我们就需要判断是否为劣质素材竞价能力不足导致的，或者为该时段人群不符合账户所需。次留波动时，同样需要排查时段人群是否为高质人群以此判断计划模型是否跑偏。

同样基于上述分析，我们可以还可以推断，账户想要提升竞争力，必须先跑出数据做积累,越多数据竞争力就越强。

我们还可以做这样一个假设，假如当前我们考核35%，我新户次留设置10%让账户迅速跑出（显然这里跑量能力高于大盘）当积累一定数据后，次留逐步调整回35%进行，跑量能力削弱的同时次留应该会稳步提升，因为不论是10%还是35%，肯定都能积累到高次留概率标签的人群并作为账户模型。

当然我自己曾经也意外尝试过（当然是运营事故，不推荐各位作死），次留率设置极低后，跑量提升巨大，而且使用的是从未跑出过的新素材，但后续提高次留设置并重新开启投放后完全无法展现，因为计划只跑了一个晚上，数量上完全不足，当然也无法准确计算出更高次留人群的标签应该是哪些。

对信息流的分析还在继续，下面是一些小测试。

比如我尝试使用多元回归去建立计划预估ecpm值的模型（实际的ecpm模型可能是logit模型？），得出的结论有时候令人匪夷所思，比如价格的系数是负数，也就是出价越高ecpm值越低，显然不合常理；

也比如点击率的系数是转化率的数十倍，这可能要求我们更多的将重心放到素材创意上而非落地页上；也有时得出价格为常数（当然都是因为选取数据维度不同），如果是基于这样一个结果，可以引申出的结论是，对于低考核成本的项目，更多需要关注素材、文案等创意本身提高竞争力；对于高考核成本项目，更多需要提升价格。

也探寻过素材与落地页是否匹配对预估转化率的影响，如果是有影响的这里便有说法了（是否因为画面的颜色，文字有相似才会使得预估转化率更高？），当然一切都因为数据量实在太少、且外部因素（账户卡预算、计划卡预算、改出价、拉时段等等）太多导致难以进行统计分析。

后续还想尝试一下计划跑出后的数据（实际点击率、转化率）对预估ecpm值的影响，以及系统如何评估素材与文案的相关性等问题。