WF-B 广告优化

从归因诊断到预算分配的完整广告优化决策链，覆盖因果归因、人群精准化与自动竞价三个核心阶段。

适用角色数据科学家广告投放运营增长负责人

入口问题：你当前最迫切的广告优化目标是什么？

预期收益

[OK] 归因准确率提升 30-40%，消除渠道预算错配
[OK] 无效预算节约 10-20 万元/年（纠正归因偏差）
[OK] 可说服用户定向精准率提升，优惠券成本节省 25-28 万/月
[OK] 实时竞价系统响应延迟 < 50ms，CTR 提升 15-25%

归因诊断

你的渠道归因可信吗？

判断现有归因是否存在混淆偏差，是否需要因果化处理

有 A/B 实验数据（处理组 / 控制组）

Difference-in-Differences (DiD) for Causal Effect Estimation估计干预净效应（政策/入驻前后对比） Switchback 实验设计 - 数据驱动的双边市场实验双边市场 / 物流场景的实验设计

仅有观测数据，无实验

Instrumental Variables (IV) for Causal Inference with Endogeneity工具变量法处理价格内生性 Causal Attribution Bridge（因果归因桥梁）因果归因替代 naive 相关性归因 Causal Discovery with PC Algorithm自动发现渠道间因果结构

多渠道归因窗口冲突（MTA）

PIE 实验增量预测多触点归因 - Amazon MTA 框架落地实验驱动的多触点归因 ALM-MTA 前门因果多触点归因 - 剔除隐藏混淆的广告真实 ROI 剥离前门准则多触点因果归因 CDA — 隐私保护因果渠道归因：无用户数据的多触点归因隐私安全的归因（无 Cookie）

人群精准化

是否需要区分不同人群的广告响应差异？

识别"可说服者"，避免对无效人群浪费预算

需要个体级别的增量效应估计

Uplift Modeling (元学习框架)T/X-Learner 元学习框架估计 CATE 智能归因 - 因果森林 (Causal Forest)因果森林直接估计异质性处理效应 Guardrailed Uplift Targeting — 约束优化 CATE：业务护栏驱动的精准干预带预算护栏的约束优化干预

受众扩展 / Lookalike 优化

Audience Knowledge Graph（广告受众知识图谱）知识图谱驱动的受众画像扩展层次图神经网络跨设备用户匹配 - 无ID的跨端行为拼接跨设备用户匹配

预算分配与竞价

是否需要自动化预算分配或实时竞价？

将前两步的因果洞察转化为可执行的预算决策

多渠道预算静态分配

ROAS Optimization and Ad Budget AllocationROAS 约束下的多渠道预算优化 Multi-Objective Budget Allocation（多目标预算分配）多目标（GMV + 品牌 + ROI）预算分配 Marketing Mix Modeling (MMM) for Macro Budget AllocationMMM 量化各渠道饱和曲线

实时动态竞价（关键词 / 受众）

LLM AutoBidding MAS — 大语言模型驱动的层次化自动竞价系统LLM 驱动的层次化自动竞价 Multi-Armed Bandit (多臂老虎机)MAB 动态流量分配 HMMCB — 跨渠道广告竞价 MARL：CPC 约束下最大化总点击（美团真实 A/B）跨渠道隐马尔可夫竞价

创意疲劳监控

广告创意是否出现效果衰减？

Creative Fatigue Detection — 生存分析驱动的广告素材疲劳检测检测创意疲劳拐点，触发轮换策略 Channel Saturation Curve（渠道饱和曲线建模）渠道饱和曲线建模，识别边际收益递减点