[Codex Skills] 阿波罗开源调价算法: 用 AI 预测转化率，把 ACoS 降下来- 大数跨境

首页

[Codex Skills] 阿波罗开源调价算法: 用 AI 预测转化率，把 ACoS 降下来

从宇宙大爆炸到PPC

2026-10-19

来源：Lingfei 带你看报表 · 第六期「如何使用 Codex 搭建能预测转化率的 AI 调价算法」深度整理（Lingfei 主讲，Stella 主持）｜2026-10-15

正文

同一个投放，昨天的转化率 18%，今天 8%，大前天 12%。今晚十一点，你要不要动一次竞价？

按 8% 调，明天它可能回到 15%，你昨晚白压了一档；按 18% 调，明天它可能真是 8%，你等于给一个不出单的位置加了预算。这就是绝大多数卖家调价时真正卡住的地方：不是不知道该不该调，而是不知道该拿哪一天的数据代表这个投放。

市面上大量号称「AI 调价」的工具，解决的是“帮你点一下按钮”，算的仍然是价格本身。而这套算法真正的分水岭在另一头：先把转化率预测出来，价格是算出来的结果，不是猜出来的目标。

下面分两段。第一段把这条式子从头推一遍：为什么手工做不了日调（第一节），出价这条公式怎么拆（第二节），AI 在其中只负责哪一件事（第三节），跟踪与频率怎么定（第四节）。第二段回答一个更实际的问题：算明白了，是自己搭一套，还是用现成的？（第五节）

一、延迟与随机：手工做不了日调的两个原因

先讲清楚一件事：手工做不了日调，不是能力问题，是数据问题。

原因一：数据有延迟。

广告数据本身有时效性——你今天看到的数字，并不是这个投放今天真实完成的全部。归因还在回填，晚来的订单还没来得及落进去。我们拿一个还没长齐的数字去做判断，结论本身就歪了。

原因二：一天的数据是一次随机抽样。

这一点比延迟更要命。假设一个投放的真实转化率是 50%，它依然有可能在某一天只跑出 1%——概率很低，但不是零。反过来，一个真实转化率只有 6% 的投放，也可能因为运气好，在某一天跑出 20%。

结论：只看一天，等于拿一次抽样当总体。

直播里问过观众“能不能只按一天的数据调”，绝大多数人的答案是“不能”。这个直觉是对的，但落到实操上，很多人还是每天看一眼后台的当日转化率就动手了。

延迟与随机还会叠加。 这两件事不是彼此独立的：延迟让你看到的是“昨天还没跑完的数字”，随机又让这个没跑完的数字本身带着抽样误差。两层误差叠在一起，你从单日数据里读出的那条“趋势”，很可能只是噪声的形状。

举一个具体的例子。

一个投放连续七天的单日转化率是：4%、9%、15%、6%、11%、5%、8%。只看今天，你看到 5%，会想降价；只看昨天，你看到 11%，会想加价。但这七天的合计是 58 单、700 个点击，真实表现是 8.3%。单日里没有人看得到 8.3%，只有窗口能。

样本不足，比波动可怕得多。

卖家常把两件事混着谈：波动和样本。这是两个不同的敌人。波动大的投放，只要你回看的天数够长，平均值是稳的；样本不足的投放，无论你看多少天，那个数字都不足以支撑一次调价。所以真正要防的是样本，不是波动。

再补一个常被忽略的口径：投放与产品是两个概念。

我们后面所有讨论都发生在“投放”这一层，而不是产品层。一个产品可以有很多个投放，它们的转化率彼此不同——把产品当成一个整体去看平均值，是后面所有坑的源头。

二、一条公式：出价是「算」出来的，不是「猜」出来的

先接受一个前提：调价的目标不是把价格压低，而是在给定的目标 ACoS 下，让这个投放的钱花得值。围绕这个目标，整条推导只有三步。

第一步：ACoS 的定义。

ACoS = 花费 ÷ 销售额。这是分子和分母的起点。

第二步：把花费再拆一层。

花费 = 点击量 × 单次点击成本（CPC）。而点击量 = 订单量 ×（1 ÷ 转化率）——因为 1 ÷ 转化率的意思就是“平均多少个点击能出一单”。两个合并：单订单成本 = CPC ÷ 转化率。行业里有人叫它 CPA（单次获客成本），有人叫 CPO（单订单成本），是同一回事。

第三步：把销售额落到单个投放上。

既然我们讨论的是一个投放，那它带来的销售额就应该用这个投放的客单价来算，而不是整个产品的销售额。

三步合起来，再把“CPC 与出价正相关”这一层代进去，就得到这条式子：

出价 = 目标 ACoS × 投放转化率 × 客单价

这条式子最大的价值不是“能算出一个数”，而是它把问题重新分配了。看这三个量：

变量	谁来定	特点
目标 ACoS	你自己	常数，开调价之前就该写死
客单价	产品与买家行为共同决定	短期近似常数，可观测
投放转化率	只能被预测	波动、有延迟、且按投放粒度各不相同

前两个是已知量，第三个是唯一的未知量。于是整件事的难度被压缩成一句话：能不能预测这个投放下一步的转化率。

为什么目标 ACoS 必须提前写死

这条式子里有三个量，唯一能被你单方面决定的就是目标 ACoS。它必须在你开始调价之前定下来，原因是：一旦目标会漂移，你就无法判断某一天的出价变化是“算法做对了”还是“你把标准换了”。 后面所有的验证、复盘，甚至你对算法本身的信任，都建立在“标准不动、只有转化率在动”这个前提上。

一个算例

目标 ACoS 25%、客单价 30 美金、预测出的下一个窗口转化率 12%，代进去：0.25 × 12% × 30 = 0.90 美金。

再换一个投放：同样的目标 ACoS、同样的客单价，但它是 Exact 匹配、转化率 18%，代进去：0.25 × 18% × 30 = 1.35 美金。

同一件产品、同一个目标 ACoS，两个投放的合理出价差了 0.45 美金，差了 50%。这就是“为什么必须按投放粒度预测”最直观的证据。

两个必须澄清的口径

口径一：预测的粒度是「投放」，不是产品，也不是词。

一个投放 = 一个广告活动里的“关键词 × 匹配方式”组合，也就是你能调价的最小单元。同一个大词，打 Broad、打 Phrase、打 Exact，转化率一定不一样。这个差别在实操里非常大：同样是搜索词层级的流量，Broad 的转化率可能是 10%，Exact 可能是 18%。如果只在产品层面看一个平均转化率、给所有匹配方式定同一个价，你必然要在一半的位置上亏钱。

口径二：客单价不等于 Listing 标价。

有的品类（尤其装饰类、配件类）买家一次会下好几件。这时候一个投放的真实客单价要用「这个投放的销售额 ÷ 订单数」来算，而不是直接用标价。差别有多大：标价 20 美金、买家平均一次买 3 件，真实客单价就是 60 美金——在同样目标 ACoS 下，它完全可以承受一个明显更低的转化率。反过来，如果你拿标价 20 去算，会把这个投放的合理出价算得偏高。大多数品类里“销售额 ÷ 订单数”确实就等于标价，但一定要抽查一次再下手。

三、AI 只干一件事：预测下一个窗口的转化率

既然唯一的未知量是投放转化率，AI 的任务就非常清楚了。整套东西只有四步。

步骤一：先固定一个回看窗口。

不要在“看几天”这件事上每天重新拍脑袋。先定一个固定天数 N（多数账号是 7 天或 14 天，下一节展开），之后每天的回看跨度都用它。

步骤二：每天算一个「滑动转化率」。

站在今天，拿过去 N 天的数据算出一个转化率；到了明天，再拿过去 N 天算一个。你会发现这是一个不断向右滑动的窗口。

这条序列的意义在于：它把“随机的一天”换成了“平滑过的 N 天”。单日波动被窗口吸收掉，剩下的才是这个投放真正的表现趋势。

滑动窗口长什么样（以 7 天为例）

窗口	出单	点击	滑动转化率
第 1–7 天	30	600	5.0%
第 2–8 天	42	600	7.0%
第 3–9 天	66	600	11.0%
第 4–10 天	54	600	9.0%

（示意数据，用于说明序列形态）

四个窗口给的是一条 5.0% → 7.0% → 11.0% → 9.0% 的序列。它比单日平滑得多，但依然在动——模型要读的是这条线的走向，而不是某一个点。

步骤三：在序列上拟合趋势，外推下一个窗口。

有了 A、B、C 这条序列，下一步就是顺着它的走势，外推出下一个窗口的转化率大概是多少。这一步才是“上 AI”的地方——时间序列预测、梯度提升树（GBT）这类模型在这里都能用。

步骤四：把预测值代回公式。

已知目标 ACoS、已知客单价、已知预测出来的下一个窗口转化率——出价就出来了。这就是全部。

一句话概括这套算法的分工：滑动窗口负责「去随机」，模型负责「看趋势」，公式负责「算价格」。

三层各管一件事，所以它可解释、可验证，也能拆开单独调试。这也是它跟“给个数字让你照抄”的工具有本质区别的地方。

为什么不直接训练一个模型来预测「出价」

有人会问：既然有模型，为什么不干脆让它直接输出一个价格？因为那样你会得到一个黑箱——下次它给出一个和直觉相反的价格，你没法判断该不该听。而走“预测转化率 → 代公式”这条路，中间那个量是可观测、可复盘的：你可以拿第二天的真实转化率去验证模型的预测，错了也知道错在哪个环节。

想做到小时级也是同一个思路。

把日粒度换成小时粒度（通过 AMS 数据做小时拆分），窗口从“过去 7 天”换成“过去若干小时”，其余逻辑完全不变。所以“小时调价”这件事，难点从来不在频率，而在你有没有把粒度换对。

四、跟踪与频率：模型慢两天，为什么反而是好事

这一节回答两个实操问题：模型准不准，以及多久调一次。

先接受一件事：模型一定滞后。

用真实的历史数据做过验证：窗口取 7 天时，模型的反应大约比真实转化率慢两天。真实曲线开始往上走，模型要过两天才跟上。原因很朴素：模型不是神仙，黑天鹅式的突变它没法立刻识别。

🖼 图注：真实观测到的转化率（蓝线）与两条预测线（橙、绿）——峰谷处明显慢半拍。

关键点：滞后发生在极值上，而极值恰好不该追。

看拟合图会发现，模型跟不上的是"大起大落"的顶点——转化率突然冲高的那一两天，模型不会立刻跟上去；掉下来的时候，它也降得慢。这不是缺陷，是这套东西最值钱的地方：

转化率的极值变化，通常只持续一到两天；
如果你在极值当天就大规模改价，一两天后数据回到正常波动，你会发现自己调了个白调，甚至是过调；
模型没跟上，反而帮你挡住了这次冲动。

所以「反应快」不是这套方法的目标，「不被噪声牵着走」才是。

这也解释了为什么有些工具把"每天调、甚至每小时调"当卖点——你要先问一句：它调的到底是趋势，还是噪声。

再看调价频率，分两种情况：

数据量	建议频率	原因
数据量大（每天几十单以上）	每天滑动预测，按预测值调下一天	单日样本已够，滞后由模型吸收
数据量小（每天十几单）	预测照算，但两到三天调一次	让数据继续累积，避免把噪声当趋势

双线预测怎么用。 3 天窗口反应快、噪声大；7 天窗口噪声小、反应慢。两条线一起跑，相当于同时拿到"最近在发生什么"和"整体在往哪走"。两条线方向一致时，按预测值调价更有底气；两条线打架时（比如短窗口快速下探、长窗口还平稳），更稳妥的做法是先不动，等它们重新收敛。

评分波动、评论变化这类突变量怎么办。 这类事件通常会让转化率在两三天内明显偏移。短窗口会先捕捉到，长窗口滞后跟上——这正是双线并行的价值：一个负责预警，一个负责确认。

季节性产品照样能用。 季节性产品是按"周"甚至"月"来波动的，不是按天。判断标准只有一条：在这个季节性窗口的当下，你有没有足够的数据。 一个以月为单位的旺季，本身就已经有二三十天的数据躺在那里了，只是大部分人没把它取出来。

最后是数据准备——这一步卡住的人最多：

报表：Targeting（广告投放）报告，注意不是商品投放报告；
粒度：必须下日粒度（daily）；
跨度：报表理论上能下到 60 天，但模型跑起来至少需要 30 天，建议直接下满 30 天再开始。

🖼 图注：手搓模型跑的就是这张表：Record Type、关键词、Match Type（phrase / exact）、Clicks、Orders——和今天的 Targeting 日报是同一份东西。

五、算明白之后：两条路，一条标准

到这里，方法论其实已经讲完了。但真的动手时，绝大多数人卡的不是"不信这套方法"，而是另一句更现实的话：我没时间把它搭起来，也不确定搭完谁来维护。

所以同一条公式，落地时会分成两条路。它们不是对立的，只是把不同的活交给不同的人。

路一：自己搭一套

适合的是这样一类人：有自己的数据或工程能力，想把中间过程握在手里——比如想给转化率预测加一层自己品类的人工修正，或者想把它接到自己的 BI 里。

代价也很清楚：一张 30 天的 Targeting 日报、一个能按天跑的定时任务、加上每周十分钟验证预测偏差的时间。这套东西我们已经开源成 Skills（放在文末的领取里），照着搭，两三天能跑起来。

它的好处是全链路可见：预测值、公式、出价，每一步都能拿出来看，错了知道错在哪个环节。

路二：直接用现成的

另一类人不需要这套过程。他要的是"按目标跑起来、别出事、能看得懂结果"。

Hanna 的竞价优化，本质就是把同一条公式产品化：你只回答一个问题——目标 ACoS 定多少，剩下的预测与调价它来做。 它把这条路拆成四道关，而这四道关，恰好卡在前面四节讲过的四个风险点上。

第一道关 · 不伤销量：给"算出来的价"装上护绳。

公式算出来的是一个点，但市场每天都在动，所以真正的执行需要边界。它的做法是把你亲手设的竞价最小值 / 最大值作为硬护栏：不允许跌破下限，也不允许冲过上限；同时在花费比例这一层，由你定目标投放 ACoS 和点击阈值，来区分"贵不贵"和"点够了没转化"。

配图里这张设置页，就是这个逻辑的落地：竞价最小值 $0.10、最大值 $4.00，目标投放 ACoS 25%、点击阈值 10，下方还按 SP / SD / SB 分别给出参考值——不同类型广告的合理区间本来就不一样，不能拿同一把锁锁所有投放。

🖼 图注：出价与指标 + 计划设置。黄框两处是全篇最该先定的两个数：目标投放 ACoS（25%）与运行节奏（周期运行，间隔 7 天）。

第二道关 · 上手易：你只需要回答"目标定多少"。

从「发现」里选产品，系统会把相关、且值得优化的广告活动挑出来，你在这里一键设目标；如果就是想自己设计细节，可以切到专家模式按自己的逻辑来。判断点不在"配得多细"，而在"你愿意管到多细"——两条路都留着，不逼你二选一。

🖼 图注：「发现」下的推荐页：广告活动生成、关键词挖掘、预算优化、竞价优化四类动作各自标着可覆盖的活动数量——先从「我该调哪个」变成「系统告诉我哪个值得调」。

第三道关 · 不占人：把"多久看一次"也设进去。

前四节说过，频率不该拍脑袋，要看优化后的实际表现再定。落到操作上就是计划里的"周期运行 + 间隔"，以及一条飞书告警：平时它按节奏自己跑，只有 ACoS 波动过大或订单被大规模影响时才来找你。不盯着，不等于不设告警——把告警设好，才是你敢不看的前提。

第四道关 · 可复盘：每次优化都留下结果，才能验证"预测准不准"。

这一关对应第四节讲的验证：模型预测的转化率，和第二天真实的转化率差多少。执行计划分析页把这条链摆在一张图上：优化次数、广告花费、广告销售额、ACoS 四张卡，配一条"优化次数 × ACoS"的对照曲线——如果 ACoS 稳定、甚至在往下走，说明这轮自动化跑得没问题，不用去插手；如果 ACoS 抬头而订单没跟上，才需要回来查目标定得对不对。

🖼 图注：复盘视图。看三样就够：整体 ACoS 走向、优化动作的频次、有没有哪一类投放被集中调整。

路三，其实是最好的一种：混着用

自己搭的算法，最怕的不是不准，是"没人验证"。而现成产品的复盘，正好可以当对照组：

同一批投放，一边跑自己的预测出价，一边看它的执行结果。两条线都朝目标靠，说明公式和口径都没问题；如果出现系统性偏差，先查三件事：

转化率预测的粒度是不是掉到产品层了
客单价有没有用销售额除以订单数
目标 ACoS 这两周有没有被偷偷改过

这也是为什么我说两条路不冲突：一条管"算得对不对"，一条管"跑得稳不稳、有没有留痕"。真要说区别，自己搭是把手艺学会，用现成的是把结论先用上。

六、避坑与适用边界

坑 1：拿新品期去上这套算法。

订单波动大、且基础数据少（每天几单、十几单）的那一段，这套方法不适用。真正能放心介入的时间点，是产品进入稳定期之后——后面所有降 ACoS 的过程，才是它的主场。

坑 2：用产品级或词级的转化率，去给投放级定价。

这是最常见的口径错误。同一个词在不同匹配方式下转化率不同，把平均转化率套到每个投放上，等于用平均身高给人做衣服。

坑 3：把 Listing 标价当客单价。

一次多件的品类必须用"销售额 ÷ 订单数"重算，否则会系统性地把出价算高。

坑 4：只看一天的数据就调价。

单日转化率是一次随机抽样，样本量根本不足以支撑决策。这也是"手工做不了日调"的根本原因。

坑 5：在极值上追着调。

极值通常只维持一两天，追得越紧，过调的概率越高。让模型滞后一点是保护，不是落后。

还有一条容易被忽略的平台硬规则：预算必须是竞价的 2 倍，不满足则不生效。所以调价时要把预算一起考虑，别让一个数字卡住整条链。

上手前的五项自查

按顺序问自己五个问题，全部答"是"再动手：

这个产品是否已经过了新品期，订单进入相对稳定？
这个投放每天是否有基本的数据量（而不是几天才出一单）？
我能不能拿到 Targeting 报告的日粒度数据，至少 30 天？
我的目标 ACoS 是否已经确定，并且接下来两周不打算改？
我有没有准备好每周复盘一次预测准确度的时间？

五问里只要有一项是"否"，就先把那一项补上——这比装一套算法更省钱。

适用边界（这部分要诚实说清）

产品处于稳定期、日订单量有基本盘 → 适用；
铺货型账号、单品数据量长期很小 → 不适用。数据量小的时候，最好的调价工具是 Excel，不是 AI——因为样本不够时，人基于产品和市场的判断，比模型更准；
新品期、订单波动剧烈期 → 先别用，等数据沉淀；
季节性产品 → 适用，但要求每个季节性窗口内部有足够的数据。

一句话记住这条边界：波动没那么可怕，样本不足非常可怕。

复盘看什么

每周花十分钟看两组数字就够了：一是模型预测的转化率，与第二天真实转化率之间的偏差；二是按预测值调价之后，这个投放的 ACoS 有没有朝目标靠。别用单日订单的涨跌来判它对错——那又掉回"拿一次抽样当总体"的老坑里了。

总结

手工做不了日调，不是能力问题，是数据问题：延迟 + 随机抽样。
出价不该被"猜"，它由一条式子决定：目标 ACoS × 投放转化率 × 客单价。
三个量里只有投放转化率是未知数，所以 AI 的全部任务就是预测它。
滑动窗口去随机、模型看趋势、公式算价格——顺序不能反，分工不能混。
算明白之后，自己搭和用现成的都可以，判断标准是同一条：目标写死、粒度到投放、结果能复盘。

这套方法真正的价值，从来不是"让机器替你点一次按钮"，而是把一个只能凭感觉做的动作，变成一件可以被验证的事。当你调价时能拿出那条滑动窗口的曲线，你就已经比昨天做得更好了。

领资料：这次送的是什么

文末这批 Skills 全部是免费领取的，具体包括：

AI 调价算法 Skills：滑动窗口 + 转化率预测 + 出价公式，照着搭就能跑；
广告全自动数据复盘 Skills：把每天的报表整理成结论，不用自己拼表；
PD 复盘 / Listing 关联流量 / 曝光份额体检：分别对应产品复盘、关联位流量、位置份额三类体检；
75 字符标题新规 Listing 优化 Skills：按平台新规改写标题；
A9 转化能力评估 / JEV + ABA 秒级词库搭建：从转化能力和词库两头找增量。

AI正在改变亚马逊广告的工作方式。过去需要花几个小时整理的关键词、竞品数据，现在已经可以通过Skills自动完成。但工具越来越多，真正值得卖家学习的，是怎么把AI用到实际运营中。

10月21日19:00，阿波罗广告引力场第七期，Lingfei将现场分享两套实用Skills：一秒搭建关键词词库、一秒搭建ASIN竞品库，从实际操作出发，带大家看看AI如何帮卖家减少重复工作，提高广告分析效率。

免费线上直播，感兴趣的卖家扫码预约👇

但有一点值得思考：如果连目标ACoS都定不合理，AI调价再精准，又能帮你解决多少问题？

工具可以替你执行，却不能替你决定哪些流量值得争取、哪些预算应该收回来。这些判断，才是真正影响广告利润和增长的关键。

在阿波罗特训营，Lingfei会结合真实账户，带大家拆解广告结构、预算分配和优化决策。不只是告诉你广告怎么调，更重要的是让你知道，为什么要这么调。

扫码免费领取阿波罗AMC线上大直播回放：