AC（全名App Campaigns）是谷歌专门为移动应用打造的广告产品，其主要运作流程分为三部分：

第一步，收集数据

数据上可以简单的分为两类，第一类是应用类数据，即产品内产生的标签，用户设备、喜好以及行为等等内容。第二类是来自谷歌20年来收集所收集的数据。

第二步，机器学习

第一步所收集到的数据耦合在一起，交给机器去做运算与匹配。

第三步，渠道曝光

在机器通过智能算法将数据处理之后，便会直接分配给相适应的频道进行曝光，展现给算法所匹配上的不同人群。

AC广告能够做到的事情也可以分为三类：

Action（事件行动）是希望广告能引导用户完成的事件行为，譬如一款休闲游戏，希望广告可以引导用户下载即可，或是稍微重度一些的游戏，希望用户可以达到某个等级，以此来触发某一个数值的坑位需求。

Bidding, Budget（出价/预算）以及Creative（广告素材）顾名思义。

在Alfa看来，谷歌在产品上牺牲了上手的易用性，来换取中长期的稳定增长。这其中的原因之一，便是“AC不做人群的定向，只做行为的定向”。

在常用的信息流上，如国内常用的广点通、抖音以及海外的Facebook等等，都可以做到人群的定向。通过分辨用户的性别、年龄兴趣等等来定位想要的人群。

但是在这件事上，谷歌的系统就完全做不了。

在谷歌AC的逻辑上，只会关心关心用户能不能完成给出的事件。例如，当你选择事件为付费时，这个用户究竟是小孩还是大人，是男是女都不重要，唯一区分接受与否的是能不能完成制定的事件。

AC一共有三个核心版本，也就是通常俗称的1.0、2.0以及2.5。三个版本散布在从下载到质量的光谱之上。

AC 1.0代表的是AC for Installs，唯一的目标便是达到下载，在之后的留存、付费等等行为全部不管。

AC 2.0 则在1.0的下载之上附带了事件的倾向，例如在拿到下载用户之后，希望他们可以做到注册这样比较浅显的行为。

AC 2.5将重心切换到了指定事件的AC for Actions上，根据需求的动作行为来获取用户。

下图是对3个版本所做的细分介绍。

从图中我们可以进一步看到3个版本在侧重目标上差别：

AC 1.0：针对tCPI（安装量）出价，在满足特定CPI的前提下使下载量最大化。

AC 2.0：同样针对tCPI出价，但是在满足特定CPI的前提下，还会尽量使APP内事件最大化。

AC 2.5：针对tCPA（行为）出价，在完成目标CPA上，使App内事件最大化。

除了1.0、2.0以及2.5之外，AC系列还有其他产品，能在整个营销生命周期中起到决定性的作用。

AC Pre-reg（预注册）通常适合重度或IP等类型，从一开始便有很高的目标的产品。可以通过预注册来打开一些特殊市场，根据Alfa介绍，在美国，日韩、港台、东南亚等地，预注册的转化率都非常可观。

Max Con（最大化安装）的目标与AC 1.0很相似，唯一的区别是不设出价，只会在一定的预算下拿到最大的量级。譬如某个产品举办了季节性活动，预算是每天1000美元。如果想在短期内获取一波流量，便可以用最大化安装，在AC 1.0或是2.5依然在推广的基础上，尽可能获取最多的流量。

AC 3.0会针对目标价值进行出价，即指定一个ROI目标，如在7天内收回10个点，那么算法会尽可能去满足这个目标。在对比AC 2.5上，3.0会更倾向于寻找高额付费用户，来达到ROI的指标。

以往AC 2.5只会关注付费的事件，并不会界定用户花了多少钱，即便是仅仅充值价格最便宜的新手礼包，也算是完成了事件，但是这些低充值满足不了ROI的目标。3.0的出现便是解决这个问题，将去根据特定的价值目标来做大最大化的获取。

但是在实用性上，3.0更适合拥有高额付费体系的游戏系统，如果走的是“以小积多”的模式，那么可能更适合使用AC 2.0与2.5。如果游戏中有着很多大R（高付费玩家），那么就会更适合AC3.0。

首先是“单一入口，全渠道投放”。

根据Alfa介绍，在多年前，在谷歌上可以选择定点投放，譬如只投搜索，或是专攻Google Play。但现在已经没有这样的选择了，只要是使用AC投放，就会被下放到谷歌的全部渠道之上，而所曝光的位置也是由算法决定。

其次便是减少人为操作。

谷歌广告的投放极尽所能的去实现了全自动化，运用机器学习作为基底，尽可能减少人为操作。广告主只需要定下出价预算和素材，算法便可以将它们自动组装成终端用户看到的广告。

接下来算法回去分析各种信号，首先找到一个潜在用户，在各个渠道进行追踪投放。如果被如期转化了，那么就说明此类用户可以进行转化，那么机器会继续以这类用户为基准进行辐射。如果用户没有被转化，那么就需要重新分析信号，再次重复寻找潜在用户。

在谷歌看来，每一条都是一个机器学习的模型。Alfa坦言，这一点经常让客户与他都很痛苦。机器算法会基于指定的目标，在其限制之下不断地反复试验来达成目标。

这样的行为会产生一定的学习期，因为谷歌只做行为定向而不做人群定向，于是便牺牲了前期的起步能力，需要一段时间来积累数据，熟悉产品适合的人群，而不是先圈一波人定点做投放。此举换取来的是中长期相对较慢，比较稳定的成本上涨。

下图便是一个标准的AC进程，蓝色是每天获得的量级，黄色线条是出价，而红色是每天实际成本。我们可以看到绿色框中的学习期内，红色的每天实际成本十分不稳定，并且获得的量级也并不是很高。

但其实这是算法在建立边界，机器需要看到天花板在何方，什么时候会出现价格高也拿不到更好量的情况，以此来界定一个更加高效的投放模型。

譬如在学习一款休闲游戏时，当价格高于某一个点时，可能就会进入重度游戏的领域，抢来的用户完全没有价值。同时，算法也会去探索能够获取到量的最低价格。接着便会在这两个区间中反复测试，最终完成学习期之后，便会收敛到一个合适的范围。

从图中右侧的数据也可以看到，在完成学习之后投放量级非常稳定，甚至会出现实际成本低于出价的情况。就算有一些波动，也可以很快的恢复正常。

学习期的痛苦是不可避免的，但是我们可以通过一些行为来缩短这个旅程。

首先是要减少频繁的改动。

在看到学习期“乱七八糟”的数据之后，相信不少人都会下意识的去进行“优化”，但是任何大幅度的改动，都会对学习框架进行破坏，延长学习期的“结束时间”。虽然这一点很违反人性，但是这是谷歌定下的规则，只能忍一时痛苦了。

而学习期的长短，还取决于数据的量级。每天50个下载与每天1000个下载，在模型建立的时间长短上会完全不同。在这方面，如果仅仅是使用便宜的AC 1.0问题不大，但是在面对AC 2.5这样的行为目标付费时，如果指定事件过深，就可能出现预算满足不了建立稳定模型所需量级的情况。

譬如一个产品使用AC 2.5获取付费用户，在韩国一个付费CPA可能在50块钱左右，如果是博彩一类的产品，在美国可能需要80到100块。这时候体量小的预算，可能完全满足不了建立模型所需要的量级。

根据Alfa提供的数据，AC 2.5指定事件一天最少要发生30次，模型才会相对稳定。那么在韩国市场上，一天可能就需要一两千块钱，美国市场则更多。

除此之外，因为最开始一段时间的弱势，谷歌AC在出价之上也呈现了比较特殊的情景。

在其他渠道上进行投放时，出价会呈现一个正三角形，价格由低向高增长。但是据Alfa所说，在谷歌上需要从高往低走。

譬如当你自认最高能够承受的是5块钱，那么起手价可能需要出到6、7块，当流量慢慢稳定下来之后，再慢慢的降低价格，最终达到最初定下可以接受的价格。

因为出价的特殊性与量级的需求性，所以为了更好的训练AC模型，一个足够的预算是必不可少的。以Alfa目前的经验来看，如果投放的是1.0广告，每天要满足300个下载，2.5广告需要指定事件一天满足30次。通过这个数据可以推算出一天需要多少预算。

AC在决定那条广告会出现在用户面前上，会经过两轮的筛选。首先是机器学习的信号与预算。

由上图可以看出，用户A被打上了印尼地区，SLG, A, B, C...等信号，当ta点开一个广告时，后台会对广告的进行筛选。

广告1在地区、信号、与预算上都满足条件，这条广告会被用户看到。

广告2因为可能会超预算，代表你可能不需要这么多的量，所以被筛选掉了。

广告3因为地区不匹配，广告4则是信号不匹配。

广告5虽然信号有所不同，但是依然属于可展示范围内。

在筛选过后会进入第二轮，对比出价和转化率。

在广告1和广告5的对比中，我们可以看到广告1有着更高的出价，但是广告5有着更高的转化率，也就是说广告5的素材点击率和商店转化率很高。因此广告5在这一轮以更低的价格，凭借着更高的转化率获得了给用户A展示的机会。

其实从这里也可以看出，当你有着更高的转化率时，便可以以更低的出价来买量。反过来也一样，如果你的素材转化率不高，那么就可能需要多花一些钱了。

此外，正如上文所提到的，谷歌在广告上不做人群定向，只做行为定向。因此要想让广告投放效果好，事件的打点打全是重中之重，这是帮助谷歌做行为定向的基本。

根据Alfa介绍，一些比较重度的产品，“打上一两百个点很正常”。

如果事件打点没有做全的话，会出现两个问题，首先是广告前台看不到数据，不知道用户在哪一个阶段流失了，第二会影响广告的挑选。

对于所有厂商来说，产品的最终目的是获取收入，所以最常见的指定事件就是非常深层的IAP（内购）。但是IAP内购在投放上有两个致命的缺点：超级贵、量级少，非常不适合于模型学习。

Alfa在这里给出了一个公式：CPI除以事件的转化率。

例如台湾市场重度产品的每个下载需要出5块钱，而付费率假定在5个点上，那么这个付费事件的出价便是5/0.05 = 100美元。这样的价格不是每个用户都投得起，投得通。

但也有些情况需要对事件进行深度挖掘，首先是资金不允许做粗放投放，一定需要找到CP值最高的方法，其次是想要做相对长线、更精细化的游戏运营。因此，就需要将用户从进入游戏开始所遇到的事件全部打点打全。

在如何去选择打点的内容上，Alfa也给出了他自己使用的思考方式，主要可以将时间分为三类。

Progression：用户线性成长会遇到的所有一次性事件，例如说进入游戏只会注册一次，只会有一次升到1等，只会有一次升到5等，所有只会发生一次性的事件，就是Progression。

Monetization：跟收益相关的，所有礼包、进入商店、点击广告等各个不同的，与收益相关联的环节。

Engagement：非线性并且会不断触发的。譬如玩家添加好友，在PVP模式下进行游戏，或者是在游戏中使用某种特别道具等等，这一类会不断反复被触发的事件。

当选择AC 2.5进行投放的时候，事件应该怎样去进行选择呢？首先要考虑的是应用的类型，不同应用在核心事件上是有所不同的，买量的方式也不一样。所以一般在判断一条AC 2.5广告要选择什么事件时，主要参考两个点：

品类

阶段

那么，如果在测试了很多事件后，发现效果不如意怎么办？

首先可以先来定义什么是“如意”，首先产品获得了满意的用户，其次是负责投放的人完成了KPI，最后是AC广告达成了指定的目标。

接下来我们可以定义一条成功的AC 2.5广告有什么特性。首先是成本可控，其次是留存优质付费稳定，最后是起量稳定。

在最后这一点上，Alfa特意提醒，竞价市场上不存在绝对的稳定性，因为整个市场会根据你的对手走。一旦有大资本进入，就会对量级产生一定的影响。

但是，一条好的AC广告，在波动之后的恢复也会很快。

在面对这些问题的解决办法上，关键就在于选对事件与做好测试。

首先在选择事件上，有几个坑需要避免。

第一，事件返回的次数少，正如上文提到过的，如果选择的事件非常深（如IAP），想要用来做投放的话，就需要大量的资金支持，有了足够的预算才能够有效的进行算法训练。

第二，事件的回传周期如果非常长也不适合。一些通过长时间才会触及的事件，也会影响AC的学习时间。

譬如一些SLG类游戏，本身有着很好的付费数据，但因为其付费内容放在了比较靠后的时间节点，这样情况下，选择用付费来进行投放就会导致学习周期被拉长，所以也不适合用来做选择。

第三，选择的事件与最终目标无关。

在决定好事件的选择之后，就要在针对事件进行优化了。基本上步骤分为：

1. 明确优化目标

2. 定位一系列比优化目标回传更多、周期更短的前置事件

3. 基于数据分析选择与优化目标相关性较强的前置事件

4. 基于事件性质、事件深度等指标做最终调整，将前置事件投入测试

以内容与社交类APP为例，其优化目标通常分为两种，长期留存与ROI。

再假设所选择的优化目标是长期留存，这时候就需要在前置的时间窗口内，列出所有的前置事件。例如观看视频，进入直播间等等。

接下来便是根据前置行为准备用户数据，通常情况下的采集事件为1到2个月，根据不同量级的产品可以适当的增减时间，从1个星期到2个月都有可能。

并且，数据颗粒度要以用户level为主。

如上图所示，首先记录用户是否完成了7日留存的事件，之后要记录前置时间窗口中事件的完成度，如1到3天的视频观看量、点赞数等等。

当所有数据收集完成之后，就要去计算相关系数了。

相关系数（P值）计算的是所选择的这些时间与目标的相关性，上图左方的图示中，左边是正相关下的表现，右方不相关则非常混乱。这个相关系数就是7日留存与1到3日观看视频数的相关性。

相关系数的计算较为复杂，通常会使用Excel，SPSS，Python等软件来完成。

在为每个事件计算完相关性之后，还需要进行进一步的筛选。

首先是选出相关性最高的两个事件，下图举例中，使用大于0.3的相关系数作为闸值，选出了观看视频次数和设置个人资料次数两个事件。

接下来就要根据事件类型来锁定核心事件，在这方面可以将筛选看做两个轴，横轴是相关性，纵轴是产品的核心应用行为，我们所要选取的是处于最右上角，强相关性的核心行为。

所以根据例子中的两个事件，观看视频显然要比设置个人资料更为核心，并且在相关性上也更高。因此，最终筛选出来的事件是观看视频。

但是，这样一个选择引出了一个常见的问题，对于内容与社交类软件来说，观看视频是所有用户都会触发的行为，这样过浅的事件投放上与使用AC 1.0没有区别，要怎么办？

这时候就要设置门槛值。

如下图所示，在用户观看视频1次的门槛值上，事件的总用户占比达到了90%，概率过高不适合做投放。而在用户观看视频5次的门槛值上，总用户占比就下降到了50%，10次的门槛值将占比下降到了30%。

这时候，门槛值为10的观看视频次数事件，就很适合用来进行投放了。

除了通常直接的事件选择之外，还有一些比较进阶的思考方式。

例如下图所示，付费事件可以分为三种：代理事件、直接事件与预测事件。

直接事件包含的是与付费直接相关的用户行为，如FTD（首次付费）、IAP（内购）以及Combination（付费时间与频次）。

其优点在于与ROI有着直接的关联，而缺点在上文也提到过，便是过于深入很难获得数据积累，并且需要投入的预算过大。

代理事件包含的就是上文提到过的前置事件，也就是能够一些与付费产生了直接连接的事件。譬如在社交博彩游戏中，玩家进行了多少局游戏等等，都属于代理事件。

代理事件下分了两类：Engagement与Cohort Speed，前者为直接接触的行为，如游戏时间、等级进阶等等，后者加上了时间与频次维度。

代理事件的优点在于能够更好的达成数据量级的需求，可以更快的让模型通过学习期，缺点是如果事件选择不合意，就可能会无法影响到ROI。

最后预测事件上，需要一些额外的技术手段来支持，像是在谷歌的FireBase中就有类似的功能。可以预测接下来7天内有可能付费的用户，并进行定点投放。

其优点是可以更有效直接的获取到付费用户，缺点除了数据累计不易之外，也需要一定的技术门槛。

在谷歌的模型之中，对于FTD（首冲）与IAP（内购）在权重的选择上有着自己的一套逻辑。

下图将以四个玩家为例进行说明：

玩家1：充值1次5元

玩家2：充值1次100元

玩家3：充值3次5元

玩家4：充值3次100元

在FTD的逻辑中，因为只记录了一次首冲的行为，所以所有用户权重都是相等的。而在IAP下因为记录了多次行为，在权重的选择上会更侧重多次付费的用户。于是玩家3、4要大于玩家1、2。

这时候就要依靠产品本身的设计模式来进行选择。

如果产品本身的数值设置很好，用户只要充值1次就有很大几率留下继续付费，那么就很适合用FTD进行投放，来最大化的获取付费用户。但如果产品依靠的是中大R反复充值，那么就可能会更适合更有个人针对性的IAP。

而在AC 3.0的模式下，IAP模式除了考虑充值次数之外，还增加了金额的考量。因此，在AC 3.0下，玩家4的权重要大于玩家3，玩家2要大于玩家1。