Facebook广告内部是如何寻找目标受众的？

今天来讲讲Facebook 广告

今天主要讲三大点：

1. Facebook 投放的一些真理
2. 回答大家关于 Facebook 投放中的一些问题
3. Facebook 广告内部是如何寻找潜在的目标受众？

今天的内容穿插了一些用户的提问。根据用户提问来撰写文章，可写的内容丰富了许多。

Facebook 广告投放，是一门玄学

真正投放过 Facebook 广告的人都知道，这是一个“玄学”领域。

什么是玄学？比如你正在运行的一个广告 ROAS 表现极佳，达到了 1:10（投入 1 元赚 10 元）。当你打算复制这个广告，即使预算、受众、素材完全不变，复制出的新广告最终表现可能却一塌糊涂。

新手常不理解：为什么在互不竞争的广告组中，目标一致，结果却大相径庭？这就是玄学，连很多老手也难以解释。

Facebook 广告的表现取决于太多因素：受众、创意、预算、版位、兴趣等。因此，不存在“照搬某人的方法就能得到同样结果”的公式。

在 Facebook 广告上，请大家记住三点：

1. Facebook 没有标准投放公式，并非 1+1 必然等于 2。
2. 所有优秀的广告投手，经验都是靠资金测试砸出来的。
3. 既然是玄学，核心策略就是多测试。

若对这三点认识不清，极易在广告投放中走弯路。

为什么要复制广告？

针对常见疑问：“为何在某个广告表现优秀时，大家倾向于复制 Ad Set，而不是直接将其放入另一个 CBO 并增加预算？”

例如策略如下：

• CBO 1：包含 10 个 Ad Set（其中 5 个表现好）
• CBO 2：保留 CBO 1 中 5 个表现好的广告，但每个都复制一遍

为什么不直接把 CBO 2 的预算翻番？是担心受众重复看到广告吗？要回答这个问题，需先了解 Facebook 内部如何匹配受众。

注：关于 CBO 的定义、原理、优势及注意点，此处不再赘述，建议自行学习。

Facebook 广告内部如何寻找潜在目标受众？

Facebook 在广告组层面的算法逻辑大致如下：

在投放初期，广告系列中的受众会被动态分配到不同广告中进行测试。系统依据内部标准，观察哪些受众对广告产生了反应。

Facebook 广告算法采用的是预测性算法（Predictive Algorithm），即通过机器学习“学习”历史反馈数据，预测新广告的投放效果。机器学习主要分为两类：

• 回归算法（Regression）：输出连续值。例如预测购买概率为 68.59%。
• 分类算法（Classification）：输出非连续区间。例如判断用户会买（Yes）还是不会买（No）。

两者可相互转化，如在回归算法中设定阈值（如低于 60% 视为 No），即可转化为分类逻辑。无论哪种算法，核心都是通过分析受众特征（demographics）来预测行为。

算法测试举例

假设广告组设定的兴趣标签仅为"phone cases"：

• 第一天：系统可能推送给“喜欢 phone cases + 喜欢狗”的用户群，观察表现。
• 第二天：系统可能推送给另一批人群，如“喜欢 phone cases + 喜欢猫”的用户。

随后，Facebook 会结合网站像素（Pixel）数据，分析哪类受众最容易受广告影响，从而进行优化。这并非简单的线性测试，而是多维度的并发测试。

Facebook 对人的特征掌握极为详尽，能同时派遣多个“先遣部队”去探测潜在的合适人群（结合兴趣标签与像素数据）。系统会根据各“部队”的反馈报告，将预算倾斜给表现最好的群体。这就是 Facebook 内部 CBO 进行受众寻找和优化的核心过程。