把 ICP 与购买信号转成分层广告受众投放计划（含规模…

当需要决定广告投给谁、如何划分受众层级、避免层级重叠并安排测试与预算时，用这套方法把 ICP 和购买信号落成可执行的分层投放计划。

适用场景

解决思路

1. 先过证据门槛：任何 ICP、购买信号或受众层级都必须有来源数据支撑（ICP 文档、CRM/客户数据、分析或历史投放结果）；缺少 ICP 就停下来索要，或索要客户名单来推导，绝不凭产品描述臆造 ICP。
2. 未知属性一律记为中性，绝不记为负面；证据缺失不等于负面信号，否则会系统性埋没公开足迹较少的账户（这与规模相关，而非与匹配度相关）。
3. 在每个层级旁记录证据来源与日期，便于日后表现异常时审计。
4. 规划前一次性问清关键问题（已答的跳过）：B2B 还是 B2C 及 ICP 依据；转化定义与目标 CPA（或 ROAS）；当前每周转化量；一方资产（客户名单规模、站点流量、CRM、互动粉丝）；月度总预算；可触达受众规模；是否涉及受监管品类（住房、就业、信贷、金融产品、健康、政治）；是否有硬性截止日期；要一次性收益还是可复利资产；投入上限（每周工时、执行人、是否有法务/隐私审查）。
5. 用最后三个答案重排层级计划，并在计划中说明哪个答案推动了哪一层级：临近硬截止日期时提升一方与再营销层级（数天内可读出证据），降低冷启动泛投（需完整学习周期）；复利诉求提升一方名单增长与冷启动泛投；完全没有隐私审查则直接删除所有需要上传可识别数据的层级（一方自定义、基于客户种子的相似受众），而不是排在最后；投入上限低只会降级这些层级，并提升平台原生行为与泛投层级。
6. 区分属性与信号：属性回答“是否匹配”（行业、公司规模、职位、年龄、地域、品类兴趣），信号回答“为何现在买”（融资、招聘激增、访问定价页、购物车放弃、季节性触发）；属性决定层级成员、排除名单与画像筛选，信号决定层级优先级、时效窗口与测试顺序。
7. 属性更新慢（按季度刷新），信号过期快（有有效期）；超过约 90 天的信号只能算背景，绝不能当触发条件；两个新鲜独立信号（如融资 + 相关招聘）优于一个陈旧信号。
8. 检验候选信号：给定十个已通过属性筛选的人/账户，它能否指出先触达谁？不能的话，它就是披着信号外衣的属性。
9. 按六个层级组装计划，按效率排序（每单位投入买到的结果），而不是按哪个最便宜：效率顺序为 first-party custom > retargeting > lookalike > behavioral/in-market > cold broad > interest & affinity；产出量顺序为 cold broad > lookalike > behavioral/in-market > first-party custom > retargeting > interest & affinity；投入顺序为 cold broad > retargeting > first-party custom == lookalike > behavioral/in-market == interest & affinity；合规成本顺序为 first-party custom > lookalike > retargeting > behavioral/in-market > interest & affinity == cold broad。
10. 只为有真实、有证据信号定义的层级立项；空层级只是行项，不是受众。
11. 默认从一方与再营销开始资助；当暖层级饱和或其管道不再补充时，向上移动一级（相似受众 → 行为 → 冷启动泛投）；只资助暖层级会在数周内吃光自己的管道。
12. 站点流量太薄不足以建再营销池时，用互动受众作为标准回退种子，按填充速度排序：video viewers > content/profile engagers > lead-form openers；视频观看池约一周投放可达可用规模，表单打开者池可能需一到三个月。
13. 该排序是默认值而非定律，写计划前结合已知情况重排：拥有数万客户的自有名单把一方提到最高；密集的现有像素流量提升再营销；有内部数据/分析团队提升相似受众。
14. 用户明确说出的约束与重排不同：它直接删除层级；在计划中写明被删除的层级、导致删除的约束以及什么条件下可恢复（例如“冷启动泛投：删除，可触达规模仅数万，若规模或地域扩大则恢复”）；没有隐私审查删除一方与客户种子相似受众；受监管品类不允许相似受众则删除该层级。
15. 泛投 vs 分层是最有争议的决策，必须作为条件判断呈现，绝不作为教条；排序随账户数据密度翻转：新账户/数据稀薄、ICP 窄或规模小、预算小、受监管时，效率顺序为 explicit layers > parallel test > broad；转化数据密集、规模大、预算足以喂养算法、目标是高效规模化时，效率顺序为 parallel test > broad > explicit layers。
16. 默认从显式分层开始；唯一能上移一级的条件是某活动轻松越过学习阈值——此时跑并行测试，只有重复组胜出才采用泛投。
17. 绝不因通用建议而整体切换账户；并行测试是唯一诚实的换挡方式，且决定期间保持分层对照组运行。
18. 泛投会隐藏买家是谁；即使泛投在成本上胜出，也至少保留一个手工定义的层级作为研究工具。
19. 过度收窄是分层阵营的典型失败模式：堆叠大量兴趣加人口筛选会得到又小又贵、反复看到同一广告的受众；若 ICP 知识丰富，应把预算花在按细分制作创意变体上，而不是加更多筛选。
20. 为每个层级定规模并对照平台最低受众规模检查（用户点名平台时加载 references/platform-notes.md；平台下限会无预警变化，需对照当前平台文档核实）。
21. 按平台学习阈值计算每层预算下限：每日下限 ≈ (目标 CPA × 每周优化事件阈值) ÷ 7；最常引用的阈值约为每个广告组每周 50 个事件；$30/天对 $50 CPA 约每周 4 次转化，永远无法退出学习，应合并或改为优化更高漏斗事件。
22. 低于规模下限或预算下限时，按效率顺序修复：merge upward > cheaper proxy event > cut；先尝试并入最近邻层级（约一小时重建排除，保留受众与投放）；其次优化到更便宜的更高漏斗事件（约一小时加一个再学习周期，代价是成功指标变软）；最后才砍掉（近乎零投入，止损，但绝不“为覆盖”保留无法资助的层级）。
23. 小受众的单次展示成本更高（AJ Wilcox 的“超小受众会让你付出高昂代价”在各平台普遍成立）。
24. 起始预算分配：70-80% 拉新层级、15-25% 再营销、其余实验；再营销超过约 40% 是扩大拉新的信号，而非再营销“有效”的证据——过度资助会抬高混合 ROAS 却饿死池子补充。
25. 分配随阶段变化：新品发布 80-90% 拉新；成熟高流量品牌可合理加重暖层支出。
26. 排除先于包含：平台优先处理排除条件，所以先建排除矩阵。
27. 全局排除：现有客户（除非是扩展/增销活动）、员工、已知竞争对手。
28. 层级之间：把每个更高意图层级从所有更低意图层级中排除——再营销池从相似受众与拉新中排除，客户名单从所有层级排除；每个人只属于一个层级。
29. 用一方抑制名单实现排除；基于兴趣的排除功能在主流平台已弃用或移除，客户/转化者抑制通过上传名单仍是标准做法。
30. 两个受资助层级的重叠阈值：低于 10% 忽略；10-30% 监控；30-50% 处理；超过 50% 合并层级；启动任何新层级前都要审计重叠，而非只在排障时。
31. 在 30-50% 区间，add an exclusion > consolidate：排除约一小时且一键可逆，而合并会摧毁测试预算买来的分层读数；只有当排除会把任一层级推到规模下限附近时才合并。
32. 注意相反失败：堆叠排除直到受众低于平台下限会静默停止投放；建完矩阵后重新检查每个层级的排除后规模。
33. 按层级模型的效率顺序资助（此处重述，因为钱在这里流动）：first-party > retargeting > lookalike > behavioral > cold broad（兴趣层级若资助则排最后）；信号速度排序几乎相同，因此在截止日期下顺序依然成立：first-party == retargeting > lookalike > behavioral == cold broad。
34. 测试时给每个受众固定预算，确保每层都真正获得花费；把已验证的赢家移入算法预算池以规模化；测试期间用算法池会饿死测试本要读取的层级。
35. 把泛投 vs 分层的并行测试作为独立实验运行——一次只变一个变量。
36. 赢家每周最多加预算约 20%；更大幅度的跳变被普遍视为重置学习的编辑，尽管没有平台记录固定百分比。
37. 每个周期后按层级执行决策规则，并在启动前写进计划：promote（超过目标，按约 20% 扩量）、hold（在目标 ±20% 内或仍在学习，继续收集）、kill（花费达目标 CPA 的 2 倍且结果比最佳受资助层级差 50% 以上，或投放停滞在下限之下）。
38. 合规是花钱前的硬门槛而非审查：敏感/受保护特征（健康、种族、宗教、政治观点、性取向、财务困境）不得定向或推断，即使来自公开信号；主流平台已直接移除这些类别。
39. 受监管品类（住房、就业、信贷、金融产品、政治）触发受限定向模式：人口与地域收窄被禁用，相似受众常被禁止；这类活动从一开始就按泛投加创意来规划。
40. 欧盟投放增加同意要求（预期相当一部分追踪信号缺失）、禁止对未成年人做基于画像的广告、禁止用户同意也无法覆盖的敏感数据定向。
41. 信号丢失是结构性的：无论同意选择如何，总有一部分转化对像素不可见；优先使用可用的服务端转化回传，存在权威数据源（CRM、订单）时绝不用纯像素数字评判层级。
42. 任何受监管品类活动在启动前走法务/合规流程。
43. B2B 与 B2C 的差异：B2B 主导层级为职业网络画像定向、账户名单、一方 CRM；规模小常接近或低于平台下限；默认分层（极小规模使算法扩展浪费）；买家是委员会而非个人（用 mbfinotti/advertising-skills@ad-buyer-group-mapper 映射角色）；周期数周到数季，按下游管道质量而非线索量评判；已知陷阱是受众太小无法退出学习、廉价线索优化压垮线索质量。
44. B2B 推论：职位规模太小时把角色定向从精确职位放宽到职能 + 资历；极小规模（数万）常作为单一合并活动比分层拆分跑得更好。
45. B2C 主导层级为泛投/算法、相似受众、行为、再营销；规模大能很好喂养算法；转化数据密集后默认泛投；买家是个人；周期数小时到数天，CPA/ROAS 可快速读出；已知陷阱是创意疲劳与季节性，而非定向。
46. 其余内容（证据门槛、属性/信号转换、排除矩阵、预算下限、测试排序、合规）对 B2B 与 B2C 同样适用。
47. 按统一文档交付计划：1) ICP 摘要含证据来源，拆分为属性与信号；2) 层级表：tier | 定义信号（含证据）| 预估受众规模 | 应用的排除 | 测试预算/天 | 成功标准——按效率排序，并写明任何重排及其原因，以及每个被删除层级和删除它的约束；3) 排除矩阵：每个排除名单 × 适用哪些层级；4) 测试序列：顺序、时长、每个测试隔离的唯一变量、promote/hold/kill 规则，并说明顺序偏离默认的原因；5) 合规说明：受监管标记及其强制要求；6) 审查节奏：任何新层级启动前审计重叠；测试期间每周对照下限检查层级表现；每 30-60 天刷新种子/名单（陈旧种子会悄悄降低相似受众质量）；每季度或 ICP 变化时全面复审计划。
48. 避免失败模式：过度细分（大量低于学习下限的小广告组，合并常能在同预算下把单结果成本减半）；兴趣过度堆叠（精确性表演，受众小、成本高、创意无改善）；再营销崇拜（其高 ROAS 大部分非增量，许多用户本来就会转化，绝不让它挤占拉新）；没有排除矩阵（层级之间及与客户群静默互相竞价）；排除过度（堆叠排除使层级跌破下限、投放停止）；输入陈旧（超过 90 天的信号当触发条件、种子名单从不刷新）；把创意效果归因于定向（或反之），每次测试只变一个变量，否则结果什么都教不了；在极小规模上信任泛投（真实市场无法吸收预算，算法扩展到无关触达）。
49. 结构通过（启动前）：100% 受资助层级同时越过平台规模下限与预算下限，且没有受资助层级对重叠超过 30% 而无书面排除；任何层级不达标就合并或砍掉并重新检查——结构不达标的计划不得启动。
50. 结果通过（首个完整测试周期后）：每个受资助层级都有数据支撑的 promote/hold/kill 结论，且存活层级中最佳与最差的单结果成本差距超过约 30%——差距这么大才可行动；差距平坦说明层级没有实质差异，应合并重规划。
51. 持续 KPI：混合 CPA/ROAS 对照目标；拉新占花费比例（除非刻意收割，保持 ≥60%）；受资助层级间重叠百分比；B2B 还要看每层下游线索质量（MQL→SQL 或等价指标）——在 CPL 上赢而在质量上输的层级是 kill 而非 promote。
52. 迭代计划直到两个通过条件都成立。

适用边界 · 注意事项

• 不要用它挑选相似受众背后的种子客户（那是 mbfinotti/advertising-skills@lookalike-audience-seeds 的职责），本技能假设种子已存在但不负责选择或构建。
• 不要用它设计再营销的分阶段信息序列（那是 mbfinotti/advertising-skills@retargeting-funnel 的职责），本技能只放置并确定再营销层级的规模。
• 缺少 ICP 或客户数据时不要强行规划——绝不要仅凭产品描述臆造 ICP，基于想象客户的计划只会朝虚构优化。