Meta 仙女座进阶篇：广告生命周期运营策略，从起量到稳定不衰退

事件质量在传统广告中，从安装到转化通常仅作为辅助优化手段，而在仙女座算法中，事件本身具有高价值密度。系统会根据事件的触发频率、占比以及相对价值进行加权处理。

以传统iaa工具为例，首次打开应用是一个基础事件，首次使用核心功能是一个重要事件，而使用核心功能第n次则被视为稀缺事件。如果给这些事件赋予额外价值（如绑定广告位、获取ltv），则代表后续价值的实现。

如果事件本身模糊、弱相关或缺乏价值反馈，系统便无法依据目标人群作为核心种子包进行探索。究其根本，这是AI算法对平台用户价值的二次划分：

- A用户：高粘性低价值

- B用户：高粘性高价值

- C用户：低粘性高价值

- D用户：低粘性低价值

请问您想要哪种用户？告诉我他们的行为和价值，我可以帮您找到。

正确的事件触发率和价值分配，就像是给仙女座喂食合适的饲料，它能成长为符合您期望的模型。但当前仙女座可能处于迷茫状态，数据可能显得异常。

这是因为随着各国隐私政策的推进，Meta的系统数据减少，投放信号不足，模型需要依赖更深层次的行为数据，但它无法首次推断复杂的用户意图。

本质上，事件不是为了让系统看的，而是用来告诉系统您想要哪种用户。

接下来是设计仙女座偏好的用户行为和价值。

传统安装、首次打开、A模块行为触发等单一链路的用户行为相对简单，如果这类行为占比大、权重高，系统就会在触发这些事件的人群中寻找。然而，这类人群并不能代表高留存和高回收的用户，因此需要重新设计投放的行为事件。

在探索一定核心功能行为事件触发的同时，还需探索相应的留存和用户ltv均值，这样可以让系统获得高意愿用户，并延长素材的生命周期。

以功能性阅读产品为例，仅仅完成onboarding并不意味着用户愿意继续使用，阅读30秒也不等于阅读一页内容，看一次广告也不等于具有变现价值。深层次的用户行为应当是用户自主选择的核心模块，投入一定时间，具有明确的价值指向，并能反映用户的“意愿强弱”的事件，这相对不是浅层的事件。

例如，在iaa游戏中，连续通过一定关卡并触发1-3个广告位（具有行为和价值）的行为，如果将这个行为放置在首开后十分钟到一小时内，能更好地反映用户的意愿。

用户行为权重的加权排序应为：10分钟 > 30分钟 > 24小时。另一种互动方式涉及可衡量的用户意愿，然而，这些数值对于系统来说仍属于表面层次的事件，它们主要作为价值提升的辅助工具。

例如，当一个应用用户选择语言、主题或版本时，系统视其为用户进行个性化设置的主动行为，并给予0.1的加权，使得该事件的价值提升至1.1。这类行为是早期可以测试的行为之一。

表面行为影响曝光度，而深层行为则决定用户能否长期留存。

在传统模型中，meta系统倾向于关注7天和14天的学习数据，而仙女座模型则更注重即时性：关注今天发生了什么，24小时内的用户行为，以及用户的即时反馈是否积极。

这表明素材的效果可能在一日之内就能决定其命运，即所谓的素材快速衰减。这种情况导致素材竞争激烈，需要不断更新或测试新模板；广告集/campaign数据波动剧烈；自动扩展优化器（AEO）/视觉优化器（VO）需要更深入的用户行为数据来稳定模型。

尽管存在这些劣势，但也可以反过来思考，这实际上是一种快速测试用户行为和素材效果的方法，可以直接量化模型对产品/素材的喜好程度。

在短周期的投放策略中，这意味着需要定期刷新或更新素材，高Beta国家采用每日预算。优秀的素材可以转为成本优化（CBO）以进行二次推广，而缺乏信号的材料应尽早删除以避免人群模糊和错误学习。

仙女座模型不会等待你的成熟，它只关注你当前是否值得继续投资。

AI广告算法的本质在于它研究用户，而我们则研究它。虽然这确实让投放变得更加复杂，手动选择的灵活性降低，但对投放的要求也提高了——需要“产品理解+用户分层”，从而将用户增长的重心从单纯的买量转移到了产品理解和用户增长上。这既是挑战，也是机遇。