廣告自動化系統 · 設計文件
資料層Node 1 × 流域模型
系統的「眼睛」。本文件統整 Node 1 資料源層的設計討論 —— 它的唯一目的是餵 Node 2 做廣告調整。從五層級資料源、到流域模型(SUPA / SQP)如何把漏斗讀成「收割 / 拉新」情境。
設計討論進行中 — 尚未定稿
5
層級資料源
8
Node 2 動作
4
資料源角色
SQP
= 自然 + SP
◷
討論進度
這是 living document。看現況先讀這裡;新知識依章節歸位。
✅
Node 1 現行五層級§01
Brand / Product / ASIN / KW-Target / Search-term,沿用 memory #1433
✅
資料源 → Node 2 動作映射§02
四角色:觸發 / 否決 / 校準 / 情境;只有「觸發或否決」才進 Node 2 管線
🟡
情境調節層(Node 1.5)§03
標品/非標品 + 收割/拉新 + 三粒度階段;規則 = 觸發源 × 情境 → 動作
✅
流域模型 = SUPA / SQP§04
SUPA 聚合 SQP;是聚合器不是分類器,分類規則要我們建
✅
SQP 資料組成§05
= 自然 + SP,只限搜索結果頁;不含 SB / 推薦 / SD
✅
SQP 用法彙整§06
漏斗診斷 + CRI/PRI/PRT + 狀態分類 + Mansour 框架
🟡
流域模型分類器§07
漏斗 → 標籤的規則;「曝光高+點擊低」必須用位置消歧義
✅
BS 線的坑§08
變體、24h 歸因、Brand/ASIN view、~2x 落差
00
背景與範圍
本文件是廣告自動化系統(4-node 架構)中 Node 1「資料源層」 的設計討論。系統四節點:
① 五層級資料源 ──▶ ② 自動化調整 ──▶ ③ 調整後成效追蹤 ──▶ ④ 專家建議 ▲ 本文件 │ └──────────────────────── 回饋迴路 ◀───────────────────────────────────┘
Node 1 是系統的「眼睛」,它的唯一目的是餵 Node 2 做廣告調整。相關筆記:社群實務見 4node-community-practices;競品工具對照見 competitor-tools-4node-landscape;規則引擎對標見 scaleinsights-*。
01
Node 1 現行五層級資料源
定於 2026-05-19 設計討論(auto-memory #1433)。粒度由上而下細化 —— 最底層是實際被觸發的買家查詢。
1
BRAND
品牌層Brand · 策略視角
最上層,看整個品牌的搜索戰場與市場位置
SQP Brand ViewMarket BasketTop Search TermsBrand Store InsightsCustomer Journey
2
PRODUCT
產品層Product · parent ASIN
變體父體
SP-API Catalog Items彙總 Business Reports
3
ASIN
單品層child ASIN · 最細的「商品」
變體子體,最細的商品單位
listing 變更 hashFBA 庫存定價 / Buy BoxBSRCouponsSP ASIN ReportSQP ASIN View
4
KW · TARGET
關鍵詞-投放層KW / Target
規則引擎主要執行的層級
SP/SB/SD targetingplacement reportsCampaign Report(小時級)自然排名 proxy
5
SEARCH TERM
搜索詞層Search Term · 買家實際查詢
實際被觸發的買家查詢 —— 整個系統的基岩
SP Search Term ReportSearch Term Impression ShareSQP query 層
當時三個關鍵決定:① Search Catalog Performance 從 Brand 層改掛 ASIN 層;② Campaign / Ad Group 不獨立成層(歸第 4 層);③ 評論數 / 評分無官方 SP-API,懸而未決。
02
資料源 → Node 2 動作映射
核心原則
一個資料源能不能進 Node 2 的管線,只有兩種資格 —— 能觸發一個動作,或能否決一個動作。其餘全部歸 Node 3 / Node 4。
Node 2 的 8 個動作集
bidplacement %bidding strategy
budgetnegativestate
harvestdayparting
四種角色
觸發
直接驅動某個 Node 2 動作。
否決
不觸發動作,但能擋下 Node 2 的錯誤調整(閘門)。
校準
設定規則門檻值,不驅動動作。
情境
不觸發、不否決,但 modulate 每一條規則(見 §03)。
資料源主表
| 資料源 | 粒度 | 型態 | 能驅動的 Node 2 動作 | 角色 |
|---|---|---|---|---|
| 投放報告 Targeting | KW/Target | 報表·日 | bid、state、bidding strategy | 觸發 |
| 搜索詞報告 STR | Search Term | 報表·日 | negative、harvest | 觸發 |
| 廣告位報告 Placement | Placement | 報表·日 | placement %(唯一來源) | 觸發 |
| 活動報告(小時) AMS | Campaign | 串流·時 | dayparting、budget | 觸發 |
| 曝光份額報告 STIS | Search Term | 報表·日 | bid(IS 低 + 轉化好 → 提) | 觸發 |
| FBA 庫存 | ASIN | API | bid↓ / budget↓ / state(低庫存節流) | 觸發 |
| 推廣商品報告 | ASIN | 報表·日 | state(ASIN 級停播 / 分配) | 觸發 |
| 已購買商品報告(跳單) | 跨 ASIN | 報表·日 | 擋掉「A 在賣 B 卻被否 / 降」的誤判 | 否決 |
| SQP 漏斗 | Brand / 詞 | 報表·週 | 點擊份額低 = listing 問題 → 別碰 | 否決 |
| Business Report | ASIN | 報表·日 | 廣告 CVR vs 整體 CVR → 改廣告 or listing | 否決 |
| 類目 Benchmark | Brand | 報表 | 設定 Node 2 規則門檻值 | 校準 |
| TACOS / 自然排名 | ASIN / 詞 | 衍生 | Node 3 宏觀校驗 | → Node 3 |
| AMC | 事件級 | Clean-room | 受眾 + 歸因分析 | → Node 4 |
| SOV / 競品 | 競品 | 第三方 | 策略 | → Node 4 |
| NTB 新客 | Campaign | 報表 | 獲客效率 | → Node 4 |
→ Node 2 的資料管線收斂成 7 個觸發源 + 3 個否決源 = 10 個。AMC / SOV / NTB / Benchmark 不是不要,是不進這條快管線。
03
情境調節層(Node 1.5)
Node 1 → Node 2 不是直達。同一個觸發訊號,在不同情境下該做的事可能相反。
觸發源(數據) × 情境(產品類型 + 階段) ──▶ 動作 + 門檻
① 標品 / 非標品 — 靜態,設定 baseline
| baseline | 標品 | 非標品(BS 線) |
|---|---|---|
| CVR 參考 | 15–40% | 7–8% |
| CTR 合格線 | 較高 | 0.3–0.7% |
| 否詞門檻(二項分布) | CVR 高 → ~20 次點擊可否 | CVR 低 → 需 ~30–40 次才可否 |
② 收割 / 拉新傾向 — 動態,設定方向
| 同一訊號 | 拉新傾向 | 收割傾向 |
|---|---|---|
| 某搜索詞 ACOS 40% | 正常,別動 | 超標,降 bid 或否定 |
| 某詞點擊 30 次 0 單 | 還在試,再等 | 達門檻,否定 |
| CVR 低於類目均 | 拉新期可接受 | 該降 bid / 暫停 |
③ 階段有三個粒度,會互相矛盾
| 層級 | 階段概念 | 怎麼來 | 變動速度 |
|---|---|---|---|
| 產品(ASIN) | 生命週期:新品 / 成長 / 成熟 | 流域模型判斷 | 慢 |
| 活動(campaign) | 意圖:discovery / harvest / profit / defense | 人建活動時設定 | 中 |
| 關鍵詞(KW) | 角色:拓新詞 / 收割詞 | 數據動態分類 | 快 |
繼承鏈 + 衝突即訊號
活動意圖當主操作旗標,產品生命週期當外框約束,KW 角色當框內微調。三層衝突本身就是訊號 —— 一個詞坐在 discovery 活動裡卻已成熟成收割詞,這個落差就是 harvest(收割升級) 的觸發條件。流域模型(§04)就住在這一層。
04
流域模型 = SUPA / SQP
流域模型 = SUPA(Search Query Performance Analyzer),Mansour Norouzi(Incrementum Digital)做的範本,源自奈心的「流量回流模型」概念。SUPA 把三個來源拼起來、按週疊成趨勢:
| SUPA 吃的來源 | 貢獻 |
|---|---|
| SQP Search Query Performance | 主來源。漏斗:曝光→點擊→加購→購買,每層品牌「份額」 |
| 搜索詞曝光份額報告 STIS(30 天) | 「這個詞我有沒有在投廣告、投放份額 / 位置排名」 |
| 品牌分析 Top Search Terms ABA | Top-3 點擊產品的點擊 / 轉化份額、SFR、搜索量 |
關鍵澄清
SUPA 是數據聚合 + 視覺化工具,不是分類器。它給「儀表」,不給「判斷」。「收割 vs 拉新」是人讀儀表讀出來的 —— 我們系統要建的,就是把這條判讀規則寫成 code(見 §07)。
粒度:SQP 每列本來就是 (ASIN, 搜索詞) 配對 → 流域模型天生同時在 ASIN 聚合層與搜索詞層運作。
05
SQP 資料組成
查證結論(2026-05-21)。這點若搞錯,整個流域模型的基礎就歪了。
✓ 計入 SQP
- 自然流量 —— 搜索結果頁的自然排位
- SP 廣告 —— 但只算出現在「搜索結果頁」的 SP
✗ 排除
- SB(Sponsored Brands)所有版位
- 推薦類 widget(Editorial / Top rated …)
- 推薦流量 / 瀏覽流量(COSMO/Rufus、首頁、browse)
- SD(Sponsored Display)—— 非搜索
- SP 跑在詳情頁 / 推薦位的部分
一句話:SQP = 自然 + SP,而且兩者都只限「搜索結果頁」(從主搜索框搜索而來)。它是「搜索戰場」的全景,不是「全流量」的全景。
⚠ 對流域模型的盲點
流域模型建在 SQP 上 → 它判斷的「收割 / 拉新」只是 SP-搜索渠道的。SB / SD / 推薦流量是流域模型的盲區。Node 2 對 SB / SD 的調整不能靠流域模型,須另想信號源。
另一要點:SQP 曝光計入「螢幕外、折疊線以下、沒被滑到」的版位 —— 排第 8 位也算一次曝光。所以「曝光份額高」不等於「真的被看到」(見 §07)。
另一要點:SQP 曝光計入「螢幕外、折疊線以下、沒被滑到」的版位 —— 排第 8 位也算一次曝光。所以「曝光份額高」不等於「真的被看到」(見 §07)。
06
SQP 用法彙整
跨平台研究(2026-05)。來源收斂度極高,中英文社群獨立講出同一套。
6.1 漏斗形態診斷(全平台共識)
| 漏斗形態 | 診斷 | 行動 |
|---|---|---|
| 曝光份額高 + 點擊份額低 | listing / 主圖 / 價格 或 位置問題(見 §07) | 視位置而定 |
| 點擊份額高 + 加購份額低 | 詳情頁 / A+ / 評論不夠說服 | 改 listing,別加 bid |
| 加購份額高 + 購買份額低 | 結帳流失(競品截流 / 等 coupon / 配送) | SD remarketing、放 coupon |
| 曝光份額低 + 點擊份額高 | 轉化強、曝光不夠 | 加 bid / 加預算 |
共識鐵則:漏斗中段斷裂時 —— 先修問題,再加廣告。出價解決不了轉化問題。
6.2 比值法 CRI / PRI / PRT(中文社群定量框架)
CRI
點擊份額 ÷ 曝光份額
>1 點擊效率優於市場
>1 點擊效率優於市場
PRI
購買份額 ÷ 曝光份額
>1 = 加碼(拉新);<1 = 止損
>1 = 加碼(拉新);<1 = 止損
PRT
購買份額 ÷ 加購份額
<1 = 加購多購買少 → SD remarketing
<1 = 加購多購買少 → SD remarketing
分界線
PRI 是「該搶還是該守」最直接的單一量化信號,分界 100%。
6.3 狀態分類(4 個英文框架收斂成一組)
| 統一狀態 | 條件 | = 收割 / 拉新 |
|---|---|---|
| 拉新 Scale | 份額低 + 轉化健康(曝光份額 <10% 且購買率 >10%) | 拉新傾向 |
| 收割 Defend | 份額已高、購買份額高 | 收割傾向 |
| 修復優先 Fix | 漏斗中段斷裂 | 都不是 |
| 砍 Cut | 花費高 + 購買份額 ≈ 0 | — |
6.4 Mansour Norouzi 的獨門三點
① Cannibalization 測試
暫停 / 砍某詞廣告 → 看 SQP 購買份額趨勢。往下掉 = 廣告有真實增量;沒掉 = 只是吃自然單。屬 Node 3 量測手法。
② ⚠ 變體陷阱
SQP 漏斗追「同一個產品」。點 child-A、買 child-B,A 的購買份額不算到 → 有變體的 ASIN 不能用「購買 ÷ 點擊」當轉化率,只能看趨勢。
③ Click Share ≈ 自然排名代理
衝排名選詞挑「點擊份額低(排名差)+ CTR/CVR 高於市場」。
07
流域模型分類器(草案)
把 §06 拼起來,流域模型對每個 (ASIN, 搜索詞) 的運算。
輸入:SQP 四段份額(曝光BSI / 點擊BSC / 加購BST / 購買BSP) 計算:CRI=BSC/BSI PRI=BSP/BSI PRT=BSP/BST 輸出狀態: 份額低 + PRI>1 ──▶ 拉新 Node 2: 提 bid、加預算、容忍高 ACOS 份額高 + 購買份額高 ──▶ 收割 Node 2: 守、優化利潤、品牌詞防禦 曝光高點擊低 / 點擊高購買低 ──▶ 修復優先 見下方消歧義 花費高 + 購買份額≈0 ──▶ 砍 Node 2: 否定 / 暫停 數據不足 ──▶ 觀察
⚠ 「曝光份額高 + 點擊份額低」必須用位置消歧義
這個訊號有歧義,至少兩個病因 —— 不能一律當「主圖問題」:
| 病因 | 怎麼分辨 | 修法 | 角色 |
|---|---|---|---|
| 位置問題 bid 太低卡 RoS / 自然排名後段 | 位置差 | 提 bid / 衝排名 | 觸發 |
| 創意問題 位置好,還是沒人點 | 位置好(ToS / 排名前段) | 改主圖 / 標題 / 價格 | 否決 |
佐證(Amazon 相關數據)
① SQP 曝光含折疊線以下、沒被看到的版位;② ToS 拿全站約 67% 點擊,RoS CTR 遠低;③ 搜索位置 CTR 是斷崖 —— 第 1 位 ~35%、第 10 位 ~3.5%,前 3 名拿 ~64% 點擊;④ Mansour 本人也說「曝光份額高 + 點擊份額低 = 位置不夠高 → 提 bid 搶 ToS」,不是創意問題。
→ 流域模型不能只吃 SQP 漏斗,必須同時吃位置數據才能消歧義:STIS 的 Impression Rank、SP 廣告位報告(ToS/RoS 分佈)、自然排名。SUPA V4.0 本來就 import STIS,正是為此。所有門檻(份額「低」的 %、PRI 分界、數據量門檻)目前都是社群經驗值,須用 BS 線數據回測校準後才能定。
08
BS 線的 4 個坑
嬰兒襪,32 ASIN —— 套流域模型前必須先處理。
① 變體陷阱
流域模型對 BS 線只能用趨勢,不能用購買/點擊絕對比值。補救:用「已購買商品報告 / 跳單報告」抓變體間漏單(正好接回 Node 1 缺的跨 ASIN 歸因源)。
② 24 小時購買歸因
嬰兒襪是送禮 / 父母慢決策品類,「加購 >> 購買」天生正常 → PRT<1 不能機械觸發 remarketing,要先做品類基準。
③ 必須用 ASIN View
Brand View 是 32 個 ASIN 混在一起的 1000 個詞,看不出單一 ASIN。
④ 絕對數字不可信
SQP 加總與後台銷售有來源指出差到 ~2 倍(抽樣限制)→ 只用份額和趨勢,不用絕對數量。
▢
待討論 / 開放問題
parking lot —— 尚未有結論的設計問題。
Q1
流域模型分類器的門檻值未釘 —— 份額「低」是低於幾 %、PRI 分界、數據量門檻,全部待用 BS 線數據回測。
Q2
SB / SD / 推薦渠道的情境信號 —— 流域模型只覆蓋「SP-搜索」,這三條渠道要另想信號源。
Q3
階段三粒度衝突的仲裁規則 —— product / campaign / keyword 階段不一致時誰說了算(目前傾向 campaign 意圖為主)。
Q4
標品 / 非標品在系統裡怎麼標記 —— per-ASIN 靜態屬性?誰填?
Q5
Node 1 其他未結議題 —— 競品 / SOV 要不要第 6 層、AMC 放哪、跨 ASIN 歸因放哪層、各層訂單口徑、65 天留存上限是否已被 unBoxed 2025 解除。