Shopee广告工具：哪些环节值得自动化

广告的手工操作有多重

手工操作的第一个负担是频率。广告数据每天都在变，消耗、点击、转化都在动，很多操作必须每天或隔天做一次。单次动作只需要几分钟，但一年下来累计的时间相当可观，而且这些时间被切得很碎。

第二个负担是碎片化。看数据在报表页，调出价在投放页，加否定词在搜索词页，改预算在活动页。同一个判断要在好几个页面之间来回切换，切换本身就是一种消耗，尤其在做批量处理的时候更明显。

第三个负担是容易漏。人的注意力有限，事情一多就会有动作被跳过。今天临时有事，出价调整就推迟了；明天数据没来得及看，一个表现很差的搜索词又多跑了两天。这类遗漏不易察觉，但成本是持续的。

第四个负担是规模效应差。商品数量少的时候，手工还能应付。商品一多，需要看的广告组从一个变成十几个，操作量成倍增加。很多店铺的广告问题不是策略不对，而是执行跟不上，规则定了却没落实。

第五个负担是判断容易被操作挤掉。一天的时间被填满在调数字上，就没有余力去想创意方向、目标设定这些影响更大的问题。忙的是执行，重要的判断反而被推到一边，这是手工模式下最常见的失衡。

第六个负担是经验难以沉淀。手工操作的过程往往没有被记录下来，为什么那次调价、当时的依据是什么，过两个月就说不清了。没有记录，同样的判断要重新做一遍，重复劳动也就没法避免。

这些负担叠加在一起，构成了做广告自动化的理由。它不是为了让工作看起来更先进，而是把有限的时间从重复动作里释放出来，用在真正需要人来判断的地方。

判断自己的操作负担有多重，有一个简单的办法：连续一周记录每天花在广告上的时间，并记下每次动作的类型。一周之后统计哪些动作重复出现得最多，那就是最该优先自动化的部分。

还有一个隐性负担是等待。广告数据需要时间积累才能看出效果，一个调整做完之后要等几天才知道对不对。这段时间里既不能重复调整，也不能完全放着不管，需要有人记着什么时候回来查看。

这个等待切出的碎片时间很难利用。等三天回头看出价调整的效果，这三天里注意力被分散在其他事上，回头时往往已经忘了当时为什么调、想验证什么。没有记录的情况下，很多调整其实是一次性的动作。

另外，手工操作的效果评价本身也很难。调整完之后数据变好了，是调整起了作用还是市场自然回暖，很难分清。缺少对照记录的情况下，人容易把好的结果归给自己的动作，把坏的结果归给外部原因。

这些隐性成本单看每一项都不大，合在一起就构成了一个明显的问题：广告的运营质量高度依赖执行者的状态。状态好的时候一切顺畅，忙起来的时候整个投放就会停摆，波动很大。

有个尺子可以量化这种负担。连续记录一周，每天花在广告上的分钟数加起来，再乘以一年。很多店铺算出来的结果会超过两百小时，相当于一个人一个多月的工作量，而这些时间几乎全部花在重复动作上。

更值得关注的是这些时间的产出。两百小时里，真正产生策略价值的判断可能只占很小一部分，其余都在做数据搬运和参数调整。把这部分搬走，等于凭空多出一个人手，而且不会增加成本。

但也要承认，手工操作有它的好处。亲手调过每一条出价的人，对数据的敏感度明显更高，数字异常时第一反应更快。所以自动化不该完全取代手工，比较合理的做法是保留一部分手工操作作为手感训练。

一个边界情况是超小规模的店铺。一天只有几十次点击、一两笔广告订单的时候，自动化的收益可能还抵不上配置规则的时间。这种情况下先把基础数据跑稳，等规模上来再考虑自动化更合适。

自动化的边界是执行，不是判断

哪些环节适合自动化

适合自动化的第一个特征是重复频率高。每天都要做、每次做法几乎一样的事，是自动化的首选。按表现调整出价就是典型，判断标准明确，执行动作固定，只是需要有人持续地做。

第二个特征是规则可以写清楚。把判断标准用文字写出来，如果写出来之后不同的人照着做，结果基本一致，这个环节就适合交给工具。如果写出来之后还需要大量临场解释，说明判断成分太多。

第三个特征是出错后果可控。调整出价、分配预算这类动作，即使规则设得不够好，影响也在一定范围内，不会造成不可挽回的损失。涉及投放目标、品牌定位这类事情，一旦偏了很难快速纠正。

按这三个标准过一遍，广告里适合自动化的环节大致有四类。按表现调整出价、在活动之间分配预算、识别并添加否定词、以及把各个页面的数据汇总成一张表。这四件的共同点都是机械重复。

不适合自动化的也有几类。创意的方向选择、投放目标的设定、新品的推广策略、以及品牌相关的内容判断，这几件事依赖对市场的理解和对店铺定位的把握，写成规则就会失真。

还有一个中间地带值得单独说，就是素材测试。测试的执行动作可以自动化，比如按固定的轮换节奏切换素材、按统一口径记录各素材的数据。但决定测什么方向、从结果里读出什么结论，仍然需要人来做。

开始的时候建议从一件开始，不要一次上多个环节。选一个重复度最高、后果最可控的环节先跑起来，看规则是否按预期生效，看数据有没有异常。一个环节跑顺了再考虑下一个。

自动化不是全有或全无的选择。同一个环节也可以只自动化一部分，比如自动调整幅度在百分之二十以内的出价，超过这个范围的交给人工决定。这种半自动的方式风险更低，过渡也更自然。

判断的时候可以把环节再切细一点。以预算分配为例，它其实包含两个动作：算出各活动的表现，和把预算按表现分下去。前一个动作是纯计算，适合自动化；后一个动作涉及取舍，可以只自动化一部分。

还有一类环节适合半自动化，就是那些动作简单但对时机敏感的。比如大促期间提高预算，工具可以按固定时间点执行，但具体加多少、加在哪个活动上，由人提前决定。这样既抓住了时机，也保留了对资源分配的控制。

自动化的顺序建议按收益和风险的比例来排。风险低收益高的先做，风险高收益高的后做。数据汇总的风险几乎为零，可以作为第一个试点。出价调整收益高但有一定风险，适合放在第二个阶段。

在开始之前，先把手上的动作列一个清单。每一项后面标出重复频率、是否容易写成规则、出错的后果。标完之后哪几项该先做，会变得非常清楚，不需要凭感觉挑。

还要考虑数据基础是否具备。自动化依赖数据，如果商品数量太少、单日点击量太小，规则触发所依赖的数据量不足，判断就容易失真。数据基础不足时，先积累数据比上规则更实际。

有些环节适合先做梳理再自动化。比如商品分组，如果现在的分组方式本身就很随意，直接自动化只会把随意的方式固化下来。先把分组标准理清楚，再交给工具执行，效果会好很多。

自动化的收益可以用时间来衡量。记录每个环节每周花掉的时间，乘以十二个月，得到年度投入。再估算自动化之后能省下的比例，就能看出这个环节值不值得做。这个算法粗糙但很有说服力。

还有一点是不要为了自动化而改变原有的有效做法。有的操作虽然繁琐，但正是这个繁琐过程让执行者发现了问题。自动化之前问一句这套动作有没有附加价值，能避免把有用的环节一起省掉。

越是重复且规则清晰的环节，自动化的收益越明显

预算与出价的调整规则

写规则之前先定口径。出价调整看的是什么数据，是花费、是点击、还是转化，不同口径得出的结论差别很大。建议统一用能反映结果的指标，避免只看花费高就压价这种片面判断。

一条完整的出价规则包含三个要素。触发条件写清什么情况下动作，调整幅度写清动多少，调整上限写清最多能调到什么位置。三者缺一，规则就可能在某些情况下失控。

触发条件要用连续周期来写。比如连续三个观察周期内转化成本高于某个水平，而不是某一天的数据超标就调整。单日数据的波动很大，按单日触发的规则会频繁动作，效果反而不稳定。

调整幅度建议设小一些，让变化逐步发生。一次调整百分之十到百分之二十属于常见区间，调整之后留出观察时间再看效果。一次调太多，等于同时改变了多个条件，后面很难判断是哪一步起了作用。

调整上限是规则里最容易被省掉、但最该有的一项。没有上限的规则在极端情况下会把出价推到一个完全不合理的位置。上限可以按历史平均出价的一定倍数来设，也可以按利润空间倒推。

预算分配的规则要保留例外。常规情况下按各活动的广告投入产出比分配预算是对的，但主推款、新品和清库存的款式各有各的目标。规则里要留出几个不参与自动分配的位置，由人工单独管理。

规则上线之后先看两周。这两周重点检查三件事：规则有没有按预期触发、触发之后的调整幅度是否合理、有没有出现被规则反复调整的异常情况。发现问题及时改规则，不要等到月度复盘。

所有规则都要写下来存档。规则的内容、上线时间、调整记录放在一个固定的位置。人员变动的时候，接手的人能快速知道目前跑着哪些规则，避免了靠口头交代带来的信息丢失。

规则之间还要注意不要互相打架。一条规则在压出价，另一条规则在提高该活动的预算，两个动作方向相反，结果就是资源在一个地方被压缩又在另一个地方被放大，整体效率反而下降。制定规则时要通盘看。

规则的数量也要控制。刚上线的时候三条到五条就够，跑顺之后再考虑增加。规则太多会互相干扰，出问题的时候排查也很困难。精简的规则集比庞大的规则集更容易维护和理解。

规则里的时间维度值得单独考虑。有的商品在工作日的表现好，有的在周末好。如果规则不区分时间段，可能会在不该压低的时候压低。这类差异可以在规则里按时间分档处理。

调整完规则之后要留观察期。新规则上线的前几天数据波动属于正常，不要一看到数字变化就去改规则。给规则一到两周的稳定期，之后再判断它是否有效。

规则里最好加一个冷却时间。同一个广告组被规则调整之后，若干天内不再触发第二次。这样可以避免规则在数据波动时反复调整同一个对象，让调整结果有机会体现出效果。

规则的效果要用对照组来验证。选一半广告组跑自动规则，另一半保持手工，观察一到两个月之后比较两组的单位花费产出。有对照的结论比单独看一组数据可靠得多。

对于出价规则，可以把商品的利润空间作为下限参考。转化成本接近利润空间的时候，继续投放就没有意义了。把这条底线写进规则，能避免自动化在亏损区间里一直运行。

预算规则还要考虑账户余额。如果账户余额不足，自动调整的意义就不大。可以把余额提醒也纳入复核流程，确保自动化运行时账户状态是正常的。

否定词怎么维护

否定词的作用是切断不相关的搜索流量。广告跑起来之后，系统会把商品匹配到各种各样的搜索词上，其中一部分明显不是目标买家。这些词带来点击和花费，却很少产生转化，消耗的都是预算。

筛选否定词的基本口径是消耗和转化两个维度。消耗明显偏高而转化很少的词，是优先处理的对象。只看点击不看消耗，容易把那些点击便宜但量大的词漏掉，实际上这类词的累计花费往往更高。

还有一个判断角度是词的相关性。有些词转化不好，但和商品是相关的，属于还没到转化的时候。有些词转化不好，而且和商品明显不相关，这类才是该否定的对象。只按数据机械筛选会误伤前者。

否定词加进去之后要定期回看，这是最容易漏掉的一步。买家搜索习惯会变，今天不相关的词，过一段时间可能有了新的含义。建议每季度把否定列表拉出来过一遍，把明显加错的词放出来。

否定还分不同的层级。有的平台支持在广告组层面否定，也支持在账户层面否定。账户层面的否定影响范围大，适合那些所有商品都不想要的词。广告组层面的否定更精准，适合单个商品的特殊情况。

添加否定词的节奏也值得控制。一次加几十个词看着效率高，但出错的影响面也大。建议每次处理不超过十个，加完之后观察几天，确认没有影响到正常流量再继续。分小批处理更稳妥。

否定词的来源可以更广一些。除了广告后台的搜索词报表，买家的咨询内容和评价里的描述也能提供线索。买家明确说不要某类东西，这类词如果出现在广告搜索词里，就是明确的否定信号。

维护这件事需要有专人负责。否定词不像出价那样每天都要动，但也不能长期不管。建议指定一个人按固定周期处理，同时在做其他广告操作时顺手记录可疑的词，集中到一次处理。

维护否定词的时候可以按来源分类。广告后台搜索词报表来的词是主要来源，数量和更新频率都最高。买家咨询来的词数量少但价值高，因为那是买家主动表达的需求。两类可以分开处理。

对于拿不准的词，可以先用低出价的广告组测试。把不确定的词单独放进一个测试组，观察一到两周的实际表现。这样既不影响主推组的效率，又能拿到判断依据。

否定列表也要有版本管理。每次调整记录时间和内容，保留历史版本。出现流量异常下滑时，第一件事就是看最近的否定列表有没有改动，通常能很快找到原因。

判断否定词维护是否有效，可以看两个指标：广告搜索词里明显不相关词的比例，以及这部分词的消耗占比。两个比例都在下降，说明维护工作起了作用。

对于明显不相关但消耗很大的词，处理要果断。这类词每多跑一天都是纯消耗，不需要再观察。判断不相关之后立即加入否定列表，同时记录下这个词，后面分析流量来源时会用到。

被否掉的词要留档。把每次否定的词、否定日期和当时的判断理由记录下来。过一段时间回看这份档案，能看出买家的搜索行为有哪些变化，也能发现自己当初的判断有没有偏差。

否定词与关键词工作是联动的。如果某个方向的搜索词反复被否定，说明这个方向本来就不是你的目标市场，关键词那边也不需要覆盖。两份工作放在一起看，能省掉重复的判断。

维护工作可以由一个人兼管，但要给一个固定的频率。每周花二十分钟处理一次，比想起来才做要有效得多。频率固定之后，单次需要处理的量也不会积累得太多。

自动化替代不了的判断

第一类是方向性的判断。推广的目标是冲销量还是保利润，是推新品还是守老款，这类问题没有标准答案，取决于店铺当前的阶段和资源。写成规则只会把阶段性的选择固化下来，失去调整空间。

第二类是对市场的理解。同样的数据，在不同的市场环境下解读完全不同。竞争加剧导致转化成本上升，和商品本身出了问题导致的成本上升，表现在数字上可能很相似，处理方式却完全不同。

第三类是创意相关的工作。主图选哪一张、卖点强调哪一个、文案用什么语气，这些属于对人的理解。规则可以帮你跑测试、记录结果，但决定测什么、从结果里得出什么结论，要由人来做。

第四类是异常情况的处理。规则只能覆盖预料到的情况，真正需要判断的往往是预料之外的事。比如某个广告活动突然消耗暴涨，原因可能是系统层面的故障、可能是竞品动作、也可能是自己的商品链接出了问题。

第五类是节奏的把握。什么时候加大投入、什么时候收一收，和市场节点密切相关。大促前的蓄水、大促中的收割、大促后的回落，每个阶段的策略不同。工具不理解节点，只能执行规则。

第六类是规则本身的维护。自动化的前提是规则合理，而规则需要随着店铺阶段变化而调整。刚起步时适用的规则，做到一定规模后往往不再合适。这项维护工作需要人定期审视。

还有一种情况要特别警惕，就是自动化覆盖了本该谨慎处理的场景。比如新品刚上架，数据样本很少，这时候按规则自动压价或自动扩大投放，很可能做出错误的判断。建议给新品设一个观察期，期间不跑自动规则。

把这些判断留给人的同时，也要承认一件事：人也会犯错，而且频率可能不低。自动化的好处之一恰恰是把人的判断从杂事中解放出来，让有限的注意力用在真正需要它的地方。

方向性判断的一个具体例子是阶段目标的切换。店铺在冲量阶段和稳定阶段的广告策略完全不同，前者容忍较高的花费，后者更看重效率。这个切换点由人根据整体经营状况来判断，工具无从知晓。

市场理解也需要人来做。同一个数据变化，在成熟市场和新兴市场的含义不同。这类判断依赖长期积累的感觉，很难用规则表达。人在这方面的优势不是精确，而是灵活。

异常处理是人最不可替代的部分。规则能覆盖的是已知情况，真正棘手的是那些没预料到的组合。遇到这种情况，人的第一反应往往是先停掉自动规则，回到手动状态看情况，这个动作本身也是判断的一部分。

可以给这些判断性工作设定固定的时间。比如每周留出两个小时专门做方向性思考，不被日常操作打断。自动化省下来的时间，正好用来填上这几个小时，这才是自动化的真正意义。

对买家的理解也是工具替代不了的。为什么这款商品的转化在某个价位突然变好，为什么某个卖点的点击率明显更高，这些问题的答案往往藏在买家的具体使用场景里，需要通过看评价和咨询才能获得。

资源分配的优先级同样需要人定。广告、内容、库存、客服，每个环节都需要投入，哪个优先是经营层面的决策。工具只在自己的范围内优化，跳出这个范围的取舍必须由人来判断。

还有一类判断涉及长期投入。增加广告花费能带来短期销量，但品牌认知的积累需要长期一致的内容输出。这两者之间的平衡是一种经营判断，任何规则都表达不了。

把人该做的判断明确下来，反而是自动化的前提。知道哪些事工具不管，才不会在规则设计的时候试图把判断也写进去，也才不会在自动化出问题的时候找不到该负责的人。

规则清楚、频率高、后果可控的环节，才适合交给自动化

投放数据的检查点

第一个检查点是消耗和产出的关系。广告花出去的钱带来了多少销售额，这个比例是判断投放效率的基础。单看花费没有意义，要和控制在同一口径下的销售额一起看。行业里常说的广告投入产出比，指的就是花费与广告带来销售额的比值，这个比值越低越好。

第二个检查点是转化成本的变化趋势。同一款商品的转化成本应该是相对稳定的，出现明显上升就需要找原因。可能是竞争加剧，可能是广告的受众发生了变化，也可能是商品本身的数据有了下滑。

第三个检查点是流量的结构。广告带来的流量里，新客和老客各占多少，来自哪些搜索词，在哪些时段集中。结构的变化往往比总数的变化更早反映出问题，也更接近可以行动的信息。

第四个检查点是预算的使用情况。预算是不是每天都能花完，还是经常在下午就花超了，或者一整天都花不完。花不完说明出价太低或者受众太窄，花超了则说明预算控制需要收紧。

第五个检查点是个别异常活动。总体的数据看起来正常，但可能有个别活动表现极差，被平均数掩盖了。定期把各活动的数据单独拉出来看一遍，能发现这类被掩盖的问题。

第六个检查点是数据的完整性和口径。多个来源的数据放在一起看的时候，要确认统计口径一致。有的口径含税、有的不含，有的算退款、有的不算。口径不一致的对比，结论往往站不住脚。

检查的频率不需要太高，但必须固定。建议按周做一次常规检查，按周看趋势，按月看结构。频率太高会陷入对随机波动的反应，频率太低又会错过需要及时处理的异常。

每次检查完之后留一句结论。这周数据正常，或者某个活动需要关注。一句话的记录积累下来，就是一份完整的投放过程档案，后面复盘时不需要重新翻数据。

检查的时候要注意区分因果和相关。两个指标同时变化，不代表一个是另一个的原因。比如促销期间花费和销量同时上涨，看起来是投放起了作用，实际可能是活动本身的吸引力带来的。判断因果需要对照。

还有一个检查点是季节性。同类目的广告数据在一年中的不同时期表现差别很大，把不同季节的数据直接放在一起比较，会得出错误的结论。看趋势的时候要先确认所处的时间段是否可比。

对于长期表现平稳的活动，也不需要每周都详细检查。可以给活动分等级，重点活动每周看，常规活动每月看。把精力集中在真正影响结果的少数活动上，检查的效率会明显提高。

数据检查的产出应该是一份待处理清单，而不是一份观察记录。看到问题就写下要做什么，然后按优先级处理。只记录不动作，检查就成了一种仪式，产生不了实际的价值。

检查数据的时候要避免只看最近几天。广告数据的波动性本来就大，用短周期的数据判断趋势很容易被误导。建议至少看两周以上的数据，最好是完整的一个月度周期。

还要留意数据中的结构变化。总量没变但构成变了，比如花费从主推款转移到了长尾款，这种变化往往比总量的变化更值得关注，因为它反映的是广告系统对商品的理解发生了偏移。

可以给关键指标设一条基准线。根据过去三到六个月的数据算出一个正常区间，当指标跑出区间的时候自动提醒。有基准线的检查比每次凭感觉看要高效很多。

检查结果要和动作挂钩。发现转化成本上升，就写下要在几天内做哪几件事。没有动作对应的检查容易流于形式，看完了数据但店里什么也没变。

自动化省下的是操作时间，省不下的是判断

自动化之后的复核习惯

复核的第一件事是确认规则按预期运行。把这段时间内规则触发的动作全部拉出来看一遍，对照规则的内容检查每次动作是否合理。规则写对了不代表执行就是对的，中间可能有参数理解偏差。

第二件事是看规则有没有产生意料之外的连带影响。调整出价可能影响到广告的展示位置，压缩预算可能影响到其他活动的流量分配。这些连带效应不会写在规则里，只能从整体数据里看出来。

第三件事是检查数据本身有没有异常。自动化跑起来之后，人看数据的频率会降低，对数据质量问题的敏感度也会下降。如果采集口径出了偏差，规则可能会基于错误的数据一直运行下去。

复核的节奏建议保持每周一次，每次时间不用很长。重点是快速扫一遍关键指标和规则日志，有异常就深入看，没有异常就结束。保持节奏比每次查得很细更重要。

除了常规复核，还要设几个止损条件。单日消耗超过某个额度、某一时段内规则触发的次数异常偏高、某个活动的转化成本突破了上限，出现这些情况就先停掉自动规则，回到手动状态排查。

止损之后要留下记录。什么时间触发了什么条件，排查的结论是什么，规则怎么调整的。这类记录在后续优化规则时价值很高，因为它记录的是真实发生过的异常，而不是设想的可能。

复核工作最好有第二个人参与。同一份数据，不同的人关注点不一样。一个人负责日常复核，另一个人按月看一次整体情况，两个视角结合，规则的问题更容易被发现。

几个月之后建议做一次规则的整体审视。哪些规则一直在起作用，哪些从来没触发过，哪些频繁触发说明门槛设得太松。可以把长期没用的规则去掉，让整套规则保持精简。

复核还要关注规则之间的相互作用。单独看每一条规则都合理，合在一起可能产生相反的效果。比如一条规则在压低某个活动的出价，另一条在提高该活动的预算，两条同时触发时结果就不好判断。

定期做一次无规则对照是有价值的。选一段时间把某条自动规则暂停，用人工的方式处理同一批数据，比较两种方式的结果。这样能验证规则是否真的比人工做得更好，而不是凭感觉认为它有效。

复核的频率可以分层次。日常快速扫一遍关键指标，每周做一次规则日志检查，每月做一次完整的表现回顾。三个层次的间隔不同，关注点也不同，合起来能覆盖大部分风险。

还有一点是要让复核有出口。发现的问题要有人跟进、有处理时限，处理完要回填结果。如果复核只是发现问题而没有后续动作，问题会一直累积，规则的质量也不会提升。

复核要有一个明确的负责人。自动化容易给人一种已经有人管的错觉，实际上没有人盯着的规则最容易出问题。指定一个人对整套规则的运行状态负责，是这件事能不能持续的关键。

规则的文档要跟着更新。规则改了内容、改了参数、加了例外，都要同步回文档。文档和实际运行不一致的时候，后面接手的人会按错误的理解去操作，风险比没有文档还大。

可以让复核的结果按月汇总成一份简报。写清本月规则触发了多少次、带来了什么变化、有哪些异常、下个月准备怎么调整。几个月的简报连起来看，就是一份完整的自动化实施记录。

最后要保留一个退出机制。如果自动化跑了一段时间之后发现整体效果不如手工，要能退回手动模式。提前想好怎么退回、退回之后哪些数据要保留，比事后临时决定要从容得多。

常见问题（FAQ）