形式：面试官（Q）× 候选人/优化师（A）
主题：受众拓展的误区、仙女座算法的影响、如何兼顾规模与转化

Q：很多团队一看到广告有点起色，就立刻扩大受众，希望拿到更多曝光和转化。但常见结果是 CPC/CPM/CPA 暴涨、转化率下滑。为什么会这样？

A：两个核心原因：

我补充一点经验：扩量不是错，错在“无约束扩量”。如果创意、出价策略、优化事件没有与“新的人群层级”同步升级，系统只能用旧的学习对付新的不确定性，滑坡就难免。

Q： Meta 的仙女座算法（Andromeda）常被说能让系统自动找潜客。是不是意味着兴趣标签不重要了？

A：不是“不要标签”，而是“不要过窄标签”。
仙女座的优势在于：借助大模型和用户行为信号，系统能在更广的人群里自动探索相似特征，动态优化投放。但它的挑战也明显：

我的观点：仙女座像“助推器”，不是“自动驾驶”。你要给它清晰的飞行航道（创意表达、优化事件、负反馈与排除逻辑），它才会越飞越准。

Q：受众越大越好吗？

A：不。扩量要有“密度与质量”的约束。

Q：如何做受众细分，避免一刀切？

A：三步走：

我的建议：给每个细分组明确“假设与验证指标”。比如“对‘咖啡厅移动办公’场景更敏感的人群，点击深度与CVR应更高”。用验证闭环指导扩圈路径。

Q：相似受众怎么用才能“又准又能跑得久”？

A：关键在“种子质量、相似度梯度、滚动更新”：

记得设置必要的排除：例如排除近30天已购买/目标完成用户，避免频次堆叠与浪费。

Q：扩量时，预算该怎么调？

A：原则是“小步快跑，避免重置学习”：

我的经验：如果你必须加速学习，可用“复制+更高预算”并轻微人群错位的新组，和原组并跑，减少单组学习重置风险。

Q：仙女座更看重创意，这具体怎么落地？

A：两条线并行：个性化+实验迭代。

个性化打样：按真实使用场景与人群动机去拆解创意。以“充电宝”为例：
- 露营：户外续航安全焦虑、耐低温、充满次数
- 旅游：轻便体积、快充多口、航旅安检友好
- 咖啡厅移动办公：不占桌面、兼容多设备、静音无灯干扰
- 游戏断电：峰值功率、边充边玩温控、线材兼容性
  对应不同兴趣簇/场景人群投放匹配素材。
A/B 测试原则：每周上新3-5组，确保“单一变量”（只改文案或只改首帧或只改CTA），快速淘汰劣质创意，保留胜者扩量。重点关注首帧3秒抓取率、点击深度、次级转化率。

我的观点：创意就是“标签”。当你减少显式兴趣约束时，创意必须承担“筛人”的功能，通过情境、语言与承诺，让正确的人自我选择。

Q：仙女座下还需要频繁调参吗？

A：不建议频繁改动。节奏建议：

受众侧
- 先用洞察工具锁定“高密度子人群”，建立多维细分。
- 用高质量、近期行为的种子搭建 1%→2-5% 的阶梯 LAL，人群递进测试。
- 设置排除：已购、近访、低价值段，控制频次与浪费。
预算侧
- 学习期稳住，达成稳态再加，单次+20%-30%为宜。
- 表现差组及时止损，预算向胜者集中；必要时复制新组并跑以减轻学习重置。
创意侧
- 场景化+人群化，创意即“筛人标签”。
- 严格A/B，单变量、周更、快淘汰。
数据侧
- 以“假设-实验-复盘”框架推进，记录每次变化与结果。
- 短期回本与长期LTV并看，避免只追短期 CPA。

A：仙女座并不是要我们“丢掉兴趣标签”，而是不要把标签设得过窄以限制系统探索。真正的增效来自三件事：
1) 用高质量信号做骨架（种子、事件、排除与创意表达）；
2) 用可复盘的小步扩量打牢学习（细分与预算节奏）；
3) 用创意替代过度定向，让对的人“自己进来”。

Q：一句话总结？

A：扩量要“有密度的扩量”。让系统看懂你的目标人群，用创意去筛、用数据去证、用节奏去放大。这样才能既不打折扣，又把转化率做上去。