OpenAdLibraryOpenAdLibrary
联盟营销与媒体购买

你应该信任智能竞价吗?算法胜过人类的地方

Taboola、Outbrain 和 MGID 上的自动竞价只有在提供足够干净的转化信号时才有效。这里告诉你如何判断你的广告系列是否符合条件,以及如何用止损线和手动控制组来测试交接。

编辑插图:你应该信任智能竞价吗?算法胜过人类的地方

当你有足够的转化信号供算法学习、干净的回传追踪以及明确的成本目标时,可以信任原生网络上的智能竞价。低于这个条件,手动竞价能给你更直接的控制,尽管有些网络建议新的转化广告系列直接以其自动策略启动,只在学习阶段结束后再添加目标。诚实的答案是条件性的,不是是或否,而条件是数据量,而不是对供应商的信任。

原生网络上“智能竞价”的实际含义#

Taboola(通过其 Realize 平台)、Outbrain(于 2025 年 2 月收购 Teads,现以 Teads 名义运营)和 MGID 都销售某种版本的自动算法竞价:Realize 的 Maximize Conversions(可选目标 CPA)、Outbrain 的 Conversion Bid Strategy(Target CPA、Target ROAS 或 Max Conversions)以及 MGID 的 CPA Tune。你设定一个转化目标或目标 CPA(在 Outbrain 上也可以是 ROAS 目标),在预算范围内交出竞价控制权,平台模型会在不同版位、设备和受众之间转移支出以追求该目标。这与 Google 的 Smart Bidding 不是同一个产品,尽管营销语言借鉴了它。原生网络每个广告系列的转化量比搜索要少,它们的竞价模型更依赖于页面级和版位级信号,而不是关键词意图,因为没有关键词。

宣传语到处都一样:算法比人类每天按地理和设备调整出价能观察到更细粒度的信号(设备、时段、发布商域名、创意-版位组合)。当它有效时,效果很好。当它没有足够数据时,它只会自信地把你的预算花在错误的方向上。

真正重要的量阈值#

每个自动竞价系统都需要足够多的转化事件,且延迟足够低,才能正确归因表现,而各网络都会发布自己的指导标准。Realize(Taboola)要求在添加目标 CPA 之前,7 个连续日内至少达到 50 次转化。Outbrain 的 Target CPA 模式以每天 7 到 10 次转化为目标,并建议在达不到这个量时改用漏斗上层事件的 Max Conversions。MGID 表示其 CPA Tune 竞价器需要约 10 次转化和七天时间才能稳定。如果一个广告系列每周只产生几个转化,自动竞价器几乎没有什么可学习的;而当每周有几十个转化且追踪稳定时,它就能找到手动竞价者会错过的模式,尤其是在数量过多无法手动竞价的长尾发布商版位上。

这些阈值是各网络自己的指导标准,会发生变化,而且能达到的量因垂直领域而异。一个销售周期为两周的高客单价 B2B 线索生成漏斗,在最终转化上可能永远达不到这种量级,这也是为什么各网络建议改为优化更靠前的漏斗事件。让竞价器缺乏信号,是智能竞价被指责表现不佳的一个常见原因。

为什么回传质量比算法更能决定结果#

自动竞价器的好坏取决于它被喂入的转化事件。如果你的服务器到服务器回传延迟两小时,或在刷新时重复触发,或未能为基于收入的竞价传回一个值,那么算法就是在针对噪声进行优化。这是媒体买家在评判智能竞价时常常跳过的部分,也是一个常见的失败点。

在将竞价控制权交给任何网络的算法之前,请确认:

  • 回传在真实转化事件发生后的几分钟内触发,而不是几小时后。
  • 每个转化事件每个点击ID仅触发一次(重复触发会悄悄训练模型使用膨胀的量)。
  • 如果你是在竞价价值而不是固定CPA,传回的值反映真实的订单价值或LTV,而不是占位符。
  • 你的追踪器和网络的点击ID在整个重定向链中干净匹配,这样没有东西在跳转中丢失。

如果这里出错,再多的“让算法学习”也修复不了,因为输入数据是坏的。

手动竞价何时仍然有意义#

手动控制在特定且反复出现的一组情况下可能更说得通:

新offer和新垂直领域。你的广告系列还没有转化历史。有些竞价器会从网络级数据起步(Realize 表示 Maximize Conversions 就是如此),但它们仍然需要你自己的转化来学习你的 offer,所以要预期会为学习阶段付出成本。稀疏且波动大的数据。仅周末的转化模式、季节性offer,或任何少于每日稳定少量转化的情况,都会混淆期望稳定信号的自动化系统。合规敏感型垂直领域。版位控制与竞价策略是分开的:在 Realize 上,Maximize Conversions 会移除手动的站点级出价提升,但仍然允许你应用屏蔽列表或已批准站点列表。手动竞价让每个站点级的出价决策都保持明确,这可能更容易记录归档。某个垂直领域是否存在法律上的版位限制,是合格法律顾问和网络政策的问题,而不是竞价模式的问题。新角度的早期测试。当你还在决定一个钩子是否有效时,你希望直接看到竞价变化的因果关系,而不是算法为你平滑噪声。

一种谨慎的模式是按顺序来,而不是非此即彼:手动运行新广告系列,直到转化量和追踪都证明干净,然后带着目标 CPA 和你自己的止损规则把竞价控制权交给算法。Realize 和 Outbrain 建议的是相反的起点(先以它们的自动策略启动,学习阶段结束后再添加目标 CPA),所以请把这种顺序当作一个可测试的选项,而不是规则。

答案会因网络而异吗?#

没有根本性变化,但实际机制差异足以产生影响,而且各网络发布的要求也不同。Taboola's的 Realize 要求,在设置目标 CPA 之前 7 个连续日内至少达到 50 次转化,且每日预算至少为目标值的 10 倍;Outbrain 的 Target CPA 期望每日支出至少为目标值的 7 倍,并以每天 7 到 10 次转化为目标;MGID 的 CPA Tune 建议每日预算为目标值的 5 到 7 倍,并需要约 10 次转化和七天时间才能稳定。Revcontent 的帮助中心描述的是按 widget 调整的手动 CPC 或 vCPM 出价,自动化则可通过 Maximus 等第三方工具实现,而不是内置的目标 CPA 竞价器。我们没有测试过各网络竞价器稳定下来的速度,所以在假设行为能从一平台延续到另一平台之前,请查看每个网络当前文档中的竞价控制和最低数据要求;这些产品细节会随时更改而通知不多。

每个网络更大的恒定因素是,自动竞价是在你无法完全看到的拍卖之上的需求方优化。它无法弥补转化率确实很弱的offer,即使底层角度平庸,它也会愉快地按你的目标继续支出,因为“针对平庸CPA的高效支出”仍然是它能够达到的目标。

测试交接的更安全方法#

与其将广告系列切换到自动竞价并观察一周的支出,不如先限制影响范围。在网络提供目标 CPA 的地方设置一个,再加上你自己的止损线——达到就暂停或回退(目标只是引导竞价器,并不保证每日 CPA 一定低于它,尤其是在学习阶段)——将其运行在预算的一部分上,同时保留手动控制组,并比较一整周(而不是一天)的每次转化成本,因为原生流量模式随星期几波动。如果自动方在你的目标范围内击败或匹配手动方,就扩大它。如果学习阶段结束后它反复漂移超过你的止损线,先检查追踪,再检查目标和预算,然后再试一次。

一个额外的参考输入:广告寿命。如果竞争对手在同一个网络上的创意在你的垂直领域已经运行了数周,说明这个角度在那里被持续使用。这并不是它能转化或通过任何优化门槛的证据;长时间运行也可能来自品牌或测试预算、优化缓慢或抓取缺口。用它来决定先测试你自己的哪个创意,并让你的转化数据——而不是竞争对手的运行时长——来决定何时把该创意交给自动竞价。

OpenAdLibrary 如何融入决策#

在信任算法找到你的获胜组合之前,看看网络上什么一直在持续投放会有所帮助。OpenAdLibrary 记录每个抓取到的原生广告的首次和最近出现时间,并在可以分类时记录广告主和垂直领域,覆盖Taboola、Teads(Outbrain)、MGID 和其他原生网络;搜索和寿命筛选功能需要 Founders 套餐。持续投放的相似广告说明某个角度被持续使用,而不是说明它能转化,所以用它们来选择先测试哪个创意,而不是当作你自己一周数据的替代品。

在切换之前要检查什么#

一个简短的预检清单可以在它们花费你一周的误导性支出之前抓住上述大多数失败模式:

  1. 确认回传延迟以分钟计,而不是小时。
  2. 确认每个点击ID仅触发一次转化事件。
  3. 确认你达到了网络公布的量级指导(例如 Realize 要求在设置目标 CPA 之前 7 个连续日内达到 50 次转化),而不是少数孤立的事件。
  4. 设置 CPA 目标和自己的止损线,并在第一周每天检查实际 CPA,而不是假设目标一直守得住;目标并不等于有保证的上限。
  5. 在预算的一小部分上保持手动控制运行,这样你就有直接比较,而不仅仅是可能被季节性解释的前后对比。

总结#

原生网络上的智能竞价是一个奖励量和干净数据并惩罚其他一切的工具。根据你的广告系列是否有足够的转化和足够快的追踪来教它一些东西来判断它,而不是根据网络营销文案。用 CPA 目标和止损线、在部分支出上、与手动控制进行测试,然后让一整周(而不是一天)的数据来做决定。

常见问题

在原生网络上信任智能竞价之前,我需要多少转化?
每个网络都会发布自己的指导标准。Realize(Taboola)要求在添加目标 CPA 之前,7 个连续日内至少达到 50 次转化;Outbrain 的 Target CPA 模式以每天 7 到 10 次转化为目标(Max Conversions 则至少每天 5 次);MGID 表示 CPA Tune 需要约 10 次转化和七天时间才能稳定下来。这些是竞价器学习所需的量,不是保证,而且会变化,所以切换之前请查看当前的帮助页面。
智能竞价在 Taboola、Outbrain 和 MGID 上的工作方式相同吗?
不同。每个网络根据其自身的库存和信号集构建了自己的模型。在一个网络上自动竞价处理良好的广告系列,在另一个网络上可能仍需要手动控制,直到它在那个网络上积累了自己的转化历史。
自动竞价表现不佳的最大单一原因是什么?
没有哪个网络发布过原因排名,但回传追踪损坏或延迟是常见原因之一,也是首先要检查的地方。如果转化报告延迟数小时、重复上报,或缺少基于收入的竞价所需的值,那么算法是在针对错误数据进行优化,而不是在良好数据上做出错误决策。转化量太少、达不到网络的学习要求,以及目标设定低得不切实际,是另外几个常见的嫌疑对象。
我应该在没有任何历史记录的全新offer上运行智能竞价吗?
不要带着目标 CPA 这么做。Realize 不建议对完全全新的广告系列设置目标 CPA,而 Outbrain 建议,如果无法达到每天 7 到 10 次转化,就在漏斗上层事件上使用 Max Conversions。有些买家会先手动开始,直到角度验证能转化且追踪确认干净,然后才带着目标 CPA 和止损规则把竞价交给算法;而网络自己则建议直接以不带目标的自动策略启动。哪种方式适合你的 offer,要自己测试。
我可以在同一个广告系列中结合手动和自动竞价吗?
你可以混合使用某些控制(Outbrain 的 Semi Manual 模式会自动调整你的 CPC,不过手动的版块级出价会覆盖它),但要进行干净的对比,需要两个并行的广告系列:拆分预算,一个手动运行,一个带着目标 CPA 自动运行,比较一整周的每次转化成本,然后再决定如何调配剩余预算。
OpenAdLibrary 编辑团队
作者OpenAdLibrary 编辑团队
广告情报与原生广告研究

我们构建了 OpenAdLibrary,一个开放的广告透明度平台。我们的系统每日捕捉 Taboola、Outbrain、MGID、Revcontent、Teads、Yahoo 和 MSN 上的实时原生广告,识别每个广告背后的真实广告主,并追踪点击至其落地页。这些指南提炼了我们在数据中的发现,助您更快地研究市场动态。