收益：
- 能够了解点击率、转化率、每次转化费用、广告支出回报率和归因等绩效指标，并使用人工智能总结数据和起草见解
- 能够匿名向人工智能提供活动数据并生成评论、异常检测和优化提案草案
- 了解人工智能产生的每一个数字和因果关系语句必须与源数据进行比较和验证
一旦活动开始，真正的工作就开始了：了解它的作用。衡量广告效果对于将预算转移到正确的位置以及更好地设置下一个广告系列至关重要。但测量并不是一堆数字，而是一堆数字。良好的分析可以发现数字背后的故事和原因。这就是所谓的洞察力。人工智能在这个阶段是一个伟大的加速器：它在几分钟内总结数百行活动数据，指出异常情况（意外偏差），撰写报告草稿。但这个单位不变的规则是这样的：AI产生的每一个数字、每一个因果关系语句，只有与源数据进行比对验证后，才会进入报告。当语言模型没有完全访问数据或计算不正确时，它们可以生成流畅但虚构的数字。
关键绩效指标
几个指标构成了绩效分析的语言。 CTR（点击率）是看到广告并点击该广告的人数（点击次数 ÷ 展示次数）。兴趣是吸引力的衡量标准。转化率是指有多少点击者采取了所需的操作（购买、注册）。 CPA（每次获取成本）是每次获取成本（支出 ÷ 获取数量）。 ROAS（广告支出回报率）是广告支出回报率：赚取的收入 ÷ 广告支出；例如，如果您花费了 10,000 土耳其里拉并获得了 40,000 土耳其里拉的收入，则 ROAS 为 4。还有归因：将转化归因于哪个广告/渠道的问题。如果客户首先看到 Instagram 广告，然后在 Google 上搜索并购买，您会在哪个渠道上发布此次促销活动？引文模型做出这一决定并直接影响分析。
下表总结了关键指标及其含义：
公制
公式
它说什么
CTR（点击率）
点击次数 ÷ 展示次数
广告能引起注意吗？
转化率
转化 ÷ 点击
有点击购买的人吗？
注册会计师
支出 ÷ 采购
一个客户要花多少钱
投资回报率
收入 ÷ 支出
支出是否有利可图？
频率
曝光率 ÷ 覆盖率
同一个人看了多少次？
提示：不要仅根据一项指标做出决定。高点击率但低转化意味着“广告吸引但页面/优惠不成立”。一起阅读这些指标可以得出真实的情况。
一步一步：从数据到洞察力再到报告
第 1 步 — 收集数据并使其匿名。从平台仪表板（Google Ads、Meta）和分析获取数据；删除个人数据（客户 ID、电子邮件）。
第 2 步 — 计算并验证指标。自己确认赔率；交给AI时指定公式。
第 3 步 — 寻找异常情况和模式。让 AI 询问“哪个频道/日期/片段偏离了预期”；然后用数据来确认。
第四步——建立因果关系，但要谨慎。支持“CTR下降因为……”带有数据的句子；不要混淆相关性和因果关系。
第 5 步——起草报告和建议。利用AI生成执行摘要和优化建议草案；验证并确认每个数字和索赔。
三个迷你箱子
案例 1 — 快速总结，已验证的问题。一位性能专家匿名向 AI 提供了来自 6 个渠道的 300 行每周数据，并要求提供一份执行摘要草案。 AI 5分钟总结；专家将每个 ROAS 和 CPA 值与他的仪表板进行了比较，纠正了两个错误的解释。持续时间：1 小时而不是半天。人工智能给出了草稿，验证工作仍由人类进行。
案例 2 — 虚构的数字陷阱。一个团队对人工智能说，“我们的 ROAS 错过了上个月，评论”，但没有提供原始数据。 “3.5左右，表现不错”，AI自信地写道。实际ROAS为1.8，该活动实际上是亏损的。报告得到了更正，但客户信心却动摇了。错误：等待人工智能的指标而不提供数据。
案例 3——归因谬误。一个品牌将所有销售归因于最后一次点击，将所有销售输入谷歌搜索，并削减了 Instagram 预算。次月销售额下降；因为 Instagram 提高了知名度并推动了搜索。盲目依赖单一引用模型产生了错误的决定。教训：归因只是一个模型，而不是绝对真理；有必要对不同的模型进行比较。
四个可复制模板
1）数据总结器（重点是验证）：
以下是匿名营销活动数据（无客户 ID）：[粘贴数据/表格]任务： (1) 计算并显示点击率、转化率、每次转化费用、广告支出回报率及其公式。(2) 指出 2 个表现最好和最差的渠道。(3) 明确说明数据中不确定或缺失的地方。不要编造任何数据中没有的数字。我会确认账户。
2）异常/模式猎人：
以下是过去 4 周的每日数据：[数据]。任务：检测意外偏差（突然下降/上升）。对于每个异常：哪一天/通道、偏差多少、可能的解释（假设）。说明这些是假设，而不是确定原因。
3）因果关系检查器：
我的观察结果是：“[例如点击率从 2% 下降到 1.3%]”。任务：列出下降的可能原因（广告疲劳、季节、定位变化、竞争对手活动等）。告诉我可以针对每个原因测试哪些数据。不要将相关性视为因果关系；不要声称明确的原因。
4) 执行摘要+提案草案：
我验证的指标：[CTR、转化、CPA、ROAS 值]。任务：写一份 1 页的执行摘要草稿：(1) 本学期发生了什么（3 项），(2) 哪些有效/无效，(3) 下学期的 3 条优化建议。只需使用我提供的经过验证的数字即可；产生新的数字。
弱提示/强提示
弱提示：
评估我的广告系列的效果并告诉我我的广告支出回报率。
没有给出数据； AI只能弥补“ROAS”。输出很平滑但不切实际。
强力提示：
您的角色：绩效营销专家的分析助理。以下是每周匿名数据（无姓名/身份）： 广告支出：25,000 土耳其里拉。收入：60,000 里拉。观看次数：500,000。点击次数：12,000。转化：480。任务：（1）用公式计算并显示CTR、转化率、CPA和ROAS。（2）写单段评论稿。（3）不要编造任何数据中没有的数字；说明你不确定。
在这份要求中，对数据、公式的期望以及禁止“编造”的规定都明确。您再次验证输出：CTR = 12,000 ÷ 500,000 = 2.4%；转化率 = 480 ÷ 12,000 = 4%；每次转化费用 = 25,000 ÷ 480 ≈ 52 TL；广告支出回报率 = 60,000 ÷ 25,000 = 2.4。
常见错误
- 请求指标而不提供数据。 AI无法访问您的数据；他给的号码是假的。
- 看一个指标。如果点击率较高而转化率较低，则问题可能出在页面/优惠上，而不是广告上。
- 混淆相关性与因果关系。仅仅因为两件事一起作用并不意味着其中一件事会导致另一件事。
- 依靠单一引用模型。归因是一个模型；不同的模型产生不同的决策。
- 将AI的因果关系陈述放入报告中，但未予以证实。 “因为……”的句子必须有数据支持。
- 将原始数字误认为是洞察力。报告没有列出数字；告诉您这意味着什么以及该怎么做。
注意：报告中最危险的句子是未经证实的“因为”。 AI可以想出流畅的理由；如果你向管理层提出这个理由而不用数据证明的话，你可能会导致错误的决定。
总之
效果分析是将营销活动数据转化为决策的任务，其核心是CTR、转化率、CPA、ROAS 和归因问题等指标。人工智能是汇总数百行数据、发现异常和起草报告的有力助手。但它给出的每一个数字、每一个因果关系语句，只有经过源数据验证后，才会包含在报告中；当语言模型无法访问数据时，它可以进行调整。一起阅读指标，将相关性与因果关系分开，以及不将归因与单一模型联系起来，这些都是良好分析的标志。该报告提供的是意义和建议，而不是数字列表。
应用任务
准备真实或假设的营销活动数据（支出、收入、展示次数、点击次数、转化次数）。 (1) 数据匿名化。 (2) 使用“数据汇总器”计算指标，并使用公式自行确认每一项指标。 （3）用“异常猎人”寻找偏差；将其与假设联系起来。 (4) 使用“因果关系检查器”，写下造成这种偏差的可能原因以及如何测试每个原因。 (5) 制作“执行摘要”草稿，并检查其是否仅包含您已核实的数字；用数据支持“因为”句子。
清单
- [ ] 我在将活动数据提供给该工具之前对其进行了匿名处理。
- [ ] 我自己用公式验证了每个指标。
- [ ] 我一起阅读了这些指标，而不是一一阅读。
- [ ] 我用数据支持了因果关系陈述；我没有将其与相关性混淆。
- [ ] 我没有将参考归因于单个模型，而是对其进行了比较。
- [ ] 我在报告中只输入了经过验证的数字；没有假数字。