Campaign ROAS 为何误导决策？Ad Group 级 LTV 分析的底层逻辑

在移动广告投放中，Campaign（广告系列）级别的 ROAS 往往掩盖了真实的资产表现。依赖均值决策会导致预算在低效的 Ad Group（广告组）中空耗，同时错失高潜素材的扩量窗口。本文将深入剖析 LTV 分析下钻至 Ad Group 维度的必要性、面临的数据孤岛技术挑战，并提出构建颗粒度归因体系的解决方案，帮助企业实现从粗放买量到单点爆破的运营进化。

 

一、 “均值陷阱”：Campaign 级数据的决策盲区

绝大多数投放团队的预算分配逻辑依然停留在 Campaign 层级。这种策略基于一个危险的假设：同一个 Campaign 下的所有 Ad Group 和素材表现是正态分布且趋同的。

现实数据往往呈现极端的“二八定律”甚至“一九定律”。一个总体 ROAS 达标的 Campaign 内部，通常隐藏着这样的结构：

• 20% 的 Ad Group 贡献了 150% 的利润。

• 30% 的 Ad Group 处于盈亏平衡线。

• 50% 的 Ad Group 实际上在亏损，持续拉低整体 ROI。

仅看 Campaign 级报表，决策者会得出“继续扩量”的结论。然而，在执行扩量时，由于缺乏颗粒度（Granularity）指引，预算往往被系统算法平均分配，导致亏损的 Ad Group 获得了更多预算，而真正的高 LTV 单元却受限于预算上限未能跑出。

看不清 Ad Group 级别的 LTV，本质上是在用盈利部分的利润去补贴亏损部分的成本。 这种“大锅饭”式的投放管理，在红利期尚可掩盖问题，但在流量价格高企的当下，是造成营销损耗（Marketing Waste）的根本原因。

 

二、 为什么下钻很难？数据归因的断裂带

既然 Ad Group 级别的 LTV 如此重要，为何大多数企业仍难以落地？这不是意识问题，而是由移动广告生态的数据架构决定的。要实现 Ad Group 级别的 ROI 精确计算，必须跨越三道技术鸿沟：

1. 消耗数据与行为数据的割裂

• Cost (支出端)： 数据源于媒体平台（Media Source），通常通过 Marketing API 拉取。媒体的层级结构是 Campaign -> Ad Set/Ad Group -> Ad/Creative。

• Revenue (收入端)： 数据源于 MMP（移动测量伙伴）或内部 BI。MMP 接收的是归因后的用户行为事件（Purchase, Ad View）。

• 断点： 很多 MMP 在回传数据时，由于渠道隐私政策或配置不当，无法将用户的后续 LTV 行为精确挂载到 Ad Group ID 上。这就导致了“我知道花了多少钱，也知道赚了多少钱，但不知道是哪一个具体广告组赚的”。

2. 混合变现（IAA）的归因复杂性

对于依赖广告变现（IAA）或混合变现的产品，计算 Ad Group LTV 更加困难。IAP（内购）数据相对确定，但 IAA 收入通常是聚合的。 要将 Impression 级别的广告收益拆分回具体的获客 Ad Group，需要打通聚合平台（Mediation）的 Impression Level Revenue Data (ILRD) 与 MMP 的归因链路。这一环节只要出现 ID 匹配错误，计算出的 LTV 就会产生巨大偏差。

3. ID 映射的非标准化

不同媒体对 Ad Group 的定义和参数传递方式不同。

• 有的渠道使用 Macro（宏参数）直接透传 ID。

• 有的渠道仅透传 Campaign Name，需要提取。

• 当广告计划频繁修改、复制或重启时，Ad Group ID 可能发生变动，导致历史 LTV 数据链条断裂。

 

三、 解决方案：构建 Ad Group 级 LTV 评估体系

要打破均值陷阱，企业需要建立一套标准化的数据工程，强制对齐支出与回报的颗粒度。

1. 命名规范与参数透传标准化 (Standardization)

这是最基础却最易被忽视的一环。必须建立严格的 UTM 或媒体参数命名规范。

• 强制透传 ID： 确保所有投放链接中包含 {adgroup_id} 或等效宏参数。

• 结构化命名： Ad Group 名称应包含定向方式、素材类型、出价策略等关键信息（例如：iOS_US_LAL1%_Vid005_BidHigh），以便后续 BI 系统进行标签化清洗。

2. 建立“支出-归因”对齐的 ETL 管道

企业不能完全依赖 MMP 的后台报表，而应建立自己的数据仓库。

• Cost ETL： 每日定时通过 Marketing API 拉取各媒体分 Ad Group 的消耗数据。

• Attribution ETL： 将 MMP 的 Raw Data（原始数据）接入数仓，提取其中的 User ID 与 Ad Group ID 的映射关系。

• LTV Calculation： 基于 User ID，关联其生命周期内的所有 IAP 和 IAA 收益，最终按照 Ad Group ID 进行 Group By 聚合计算。

3. 引入预测性指标 (pLTV)

在 Ad Group 层级，样本量（Sample Size）通常较小。等待 30 天或 60 天的实际 LTV 产生后再做决策，周期太长。 基于 Ad Group 维度的早期行为（如首日留存、关键事件触发率、首次付费时间），建立 pLTV (Predicted LTV) 模型。即使在样本量有限的情况下，也能通过贝叶斯推断等方法，在投放后的 24-72 小时内判断该 Ad Group 的长期回报潜力。

 

四、 统一业务口径与决策自动化

当数据下钻到 Ad Group 级别，数据量级将呈指数级增长。人工手动核对 Excel 表格已不具备实操性。此时，一套能够统一业务口径的分析工具至关重要。

热力引擎的核心价值正在于此。作为一个中立的数据分析与经营决策平台，热力引擎专注于解决“数据对齐”与“资产评估”的难题：

1. 全链路数据缝合： 热力引擎能够自动对接主流媒体 Marketing API 与归因数据，在系统底层自动完成 Cost 与 Revenue 在 Ad Group 甚至 Creative 级别的匹配，消除手动 ETL 的开发成本。

2. 统一 ROI 口径： 无论是 IAP、IAA 还是混合变现，热力引擎均支持将不同来源的收益合并，直接产出分 Ad Group 的综合 ROAS 和 LTV 报表。

3. 精细化资产管理： 通过下钻分析，使用者可以清晰识别出哪些 Ad Group 是“隐形冠军”（低消耗高 LTV），哪些是“预算黑洞”（高消耗低 LTV）。

在存量竞争时代，粗放式的 Campaign 投放已成过去。唯有掌握 Ad Group 级别的 LTV 洞察，将预算精确配置到每一个产生正向价值的最小单元，才能在红海中构建真正的增长壁垒。