如今，中國的商業社會正在快速演進中：線上年零售十多萬億，占社會零售總額四分之一；其中，淘系6萬億，小程序內2萬億，抖音快手4千億；做在線營銷的廣告優化師，已經有數十萬之多。這些數字，勾勒出一幅嶄新的商業圖景：在網絡世界做生意，靠在線營銷賣產品，正在加速成為主流。

未來，不論你涉足什么生意（黑市除外），首先要考慮的既非搭銷售隊伍，也非找線下渠道，而是在廣告平臺開戶，找優化師線上獲客。所以，就算你暫時不關心本文內容，也可以先收藏一下，遲早用得上。

廣告優化，就是每天看廣告后臺，算數據，調預算，改創意，離用戶十萬八千里，就把東西賣出去了。這個職業，有人叫“優化師”，有人叫“投手”，有人叫“增長官”，在淘系內還有個雅名：“開車的”。

開車的新老司機隊伍發展太快，以至于從人員到方法，都還處在草創階段。比如，谷歌SEO培訓接觸過很多廣告優化師，經常聽到這么一句話：廣告優化是一門玄學。

對目標曖昧的品牌客戶優化師來說，這話也不無道理。然而，電商、游戲、網絡服務這些行業，目標較確定，數據可衡量，廣告平臺決策也并非擲骰子。顯然，這是個徹底的工程實踐問題，應該在科學的框架下探討。如果帶著玄學的觀念入行，就好比拿著風水羅盤搞石油勘探，只能是我命由天不由己了。如圖：

當然，玄學之嘆并非空穴來風，比如經常有優化師談到下面這樣的困惑：

廣告測試回報不錯，可是一放量效果就崩了。

同樣的產品同事跑得很好，我怎么就跑不起來？

出價高了虧錢，出價低了又沒量，該怎么辦？

如果無法追根溯源，面對類似的困惑自然會手足無措，以玄學視之。其實，這是把“有關隨機性的科學”當成了“玄學”。怎么辦呢？還是要回到科學精神的兩大支柱：邏輯與實證。大家百思不得其解之處，十有八九都是在這兩點上出了問題。

邏輯是流程與決策中相對確定的部分，在數字廣告中有兩條主線：一是用戶從看廣告到下單的轉化漏斗，也就是歸因過程；二是廣告平臺如何選擇廣告來填充流量，今天，這往往是個競價過程。

而實證，就是看數據、用數據的方法論。對此，很多人不以為然：我們不是天天拉數據、調廣告么？其實，科學解讀和利用數據，需要一些基本原則的指導。就我的觀察，很多優化師對此重視不夠。

有人說：你又不是一線優化師，憑什么指手畫腳？雖然不是優化師，不過最近我們用完全邏輯實證的方法，搭建了一套自動投放的系統，管理著線上上千個產品的廣告優化。目前的效果，已經能達到中等優化師水準。在此過程中，積累了許多這方面的經驗和結論，值得與大家分享。

下面，我們就找幾個實踐問題，來看看在邏輯和實證方面，一名合格的廣告優化師應該有什么樣的知識框架。

應該看什么數據？

先來看看與歸因過程有關的數據問題。如今的廣告平臺，往往可以靈活地設置轉化目標（見下圖），因此，優化師們對歸因流程都比較了解。然而，即使這樣耳熟能詳的過程，也有些常見的錯誤。如圖：

比方說，某人發現他的廣告在安卓上帶來的轉化占95%，iOS只有5%。很多情況下，他會因此認為iOS效果不好，將其流量關掉。

有一次，平哥見此情形，提醒那位優化師再想想。他冷靜下來，馬上就回過味來，這個決策是不對的：iOS的轉化量只有5%，可是一看花費，只占了3%，顯然這是更優質的流量！

這是個簡單到人人都能理解的錯誤，可是實踐中發生的頻繁程度令人驚訝。比方說，經常有的優化師，會因為凌晨轉化少而把這個時段的投放停掉。究其原因，是大家對如下的原則仍然比較模糊：在判斷流量或策略的優劣時，一定要在歸因過程上找到前后相關節點，并用其數據比率來做決策。而某個環節的絕對數值，往往并沒有太大的參考意義。

看相對比率，不看絕對數值，這是在廣告優化中多數場景下看數據做決策的重要原則。

數據不夠怎么辦？

上文是個引子，而下面的數據問題，就要稍微費點腦筋了。

對電商廣告優化師來說，單均成本即CPO(Cost per Order)是關鍵指標之一，算起來也很簡單：

CPO=廣告花費/訂單量

問題來了，如果像下圖中第一行那樣，才花了3美元，還沒有出單，這么算有意義么？顯然，數據太少了，這么算并不可靠，這是個統計有效性的問題。如圖：

如果預算有限，必須要馬上決策，怎么辦呢？高階點的優化師可能知道，可以采用下面的平滑方法：

CPO=(廣告花費+a)/(訂單量+b)

其中a/b應該等于經驗的平均CPO，而b就是花多少錢你的統計就大致靠譜了。如果你還不太理解的地方，可以帶入幾個數自己體會一下。

其實還可以再進一步。實際上，在廣告后臺的數據中，除了花費和出單量，還有上圖中那一大串中間數據，像展示量、點擊量、加購次數等。這些數據對估計CPO有幫助么？答案是肯定的，每個數都有用！具體的做法，由于篇幅所限，就不展開了。

總之，看數據這事兒，還真不是會加減乘除就夠的。正確地看數據，就好比有一雙火眼金睛，讓你面對數據時的困惑云開霧散。

怎樣用數據做決策？

看數據不簡單，用數據就更難了。關于這一點，真正想登堂入室的優化師，建議都去找本跟機器學習相關的書，把前面幾章不涉及到復雜技術內容、你能看得懂的內容，都認真讀一讀，了解一些“沒有免費午餐”、訓練測試集、回歸與分類、正負樣本等基本概念。

為什么要了解這些？因為用數據做決策的過程，與機器學習的基本框架是一致的。你可以不關心復雜的建模方法，但是如果基本原則都是混亂的，像沒頭蒼蠅一樣在數據迷宮里亂撞，是很難找到正確方向的。

這么說有點抽象，再來看個具體的例子。

有位優化師，找我說起一個困惑：“我從自己的投放經驗總結了幾條規律，歷史數據上看都挺不錯的。可是一但實際執行起來，效果總是不太好，你能幫看看我總結的這些規律，有什么問題么？”

我說：“其實先不用看你的總結，這個方法就有點問題。你總結的歷史經驗，在歷史數據上驗證，這相當于是把訓練集和測試集放一起了。這樣得到的規律，很可能推廣性很差，線上實測效果當然也就不好了。”

他又問：“那么應該怎么做呢？”

我接著說：“其實只要把歷史數據分成兩部分，在一部分數據上總結規律，再到另一部分上去驗證效果，這就靠譜多了。”

所以，要用數據驅動決策，雖然用不著懂深度學習算法，可是建立起科學的決策框架，還是非常必要的。

理解競價過程有什么用？

也有些問題，是純粹的邏輯問題。對廣告優化師而言，邏輯方面的困惑往往與對競價過程的理解有關。

過于廣告的競價決策，我做過很多普及。簡單地說，此過程如下：廣告平臺把適合當前用戶的廣告候選拉出來，然后對每個候選計算其eCPM，并依此排序，最高者贏得廣告機會；在收費時，則按照第二名的eCPM扣錢，這就是所謂第二高價。

以上的內容不難理解。可是實踐中，就未必能運用自如了。

咱們來做個練習。以Facebook投放為例，有一種設定轉化出價上限的模式，即下圖中的“Bid Cap”模式所示。如果你的產品每賣出一單能掙5美元，那么出價該設成多少，才能讓自己的利益最大化呢？如圖：

我問過不少優化師，很多都會留出利潤空間，設個比5美元低的出價，比如4美金。先告訴大家，這個方法是錯誤的。

正確答案是什么呢？不要留任何利潤空間，按照5美元出價，才是對自己最有利的。實際上，這用到了二價市場的一個重要性質：Truth-telling。能正確答出此問題，并且洞悉背后原理的，競價邏輯在這一點上算是基本過關了。

其實，跟競價邏輯有關的實戰問題還有很多。再給大家留個小思考題，你改動了廣告的落地頁，會不會影響買量的CPM水平，什么情況下會影響？

說了這么多，主要是要幫大家加深這樣的觀念：在廣告優化中，具體的問題有很多，如果單擺浮擱地一個個分別研究，很容易只見樹木不見森林，陷入經驗主義的泥潭。真正的解決之道，還是要理解廣告平臺的決策邏輯，掌握正確的數據方法論。文章的篇幅有限，開頭的問題就不一一討論了，等回頭我整理整理，有系統的材料再跟大家交流。

一個優秀的老司機，天天苦練開車操作是不夠的，還要對汽車發動機的原理了然于胸啊！

不過，優化師們還要認清另外一個現實：今天的廣告優化，越來越成為在完備數據和產品體系支持下的工作。而憑著一腔熱血和單兵能力赤膊上陣，好比是刀槍不入的義和團，遇上船堅炮利的對手時，無疑會大敗而歸。