VeReach AdTech
ChatGPT Ads Engine V1.0

FOCUS Matrix · Engine Overview

VeReach AdTech：ChatGPT Ads 投放预算引擎

我们把 ChatGPT Ads 黑盒投放变成可验证的预算引擎：从客户业务目标出发，将 Query 建模、仿真预算分配、四档在库分类、覆盖约束与投后闭环串成一套可复盘的决策流程。

目标定义 → 预算分配 → 意图建模 → 投后再平衡
FOCUS Matrix
Focus
Query
Simulation
Review

00 · Table of Contents

报告结构框架

从平台边界到投后治理，这份报告按五段主线展开。点击任一模块可直接跳转到对应章节。

01 · Operating Surface

ChatGPT Ads 平台只给执行接口，不给意图报表

FOCUS Matrix 的优化只能通过官方允许的输入项施加：Campaign、Ad Group、Context Hints、创意、落地页和转化回传。

Campaign 目标 / 预算 / 地理 / 排期

Objective 决定 CPC 或 CPM；预算类型与排期构成第一层约束。

Ad Group Max Bid + Context Hints

Hints 是非精确语义匹配，不是关键词。它是唯一接近“定向”的入口。

Ad 标题 / 文案 / 图片 / URL

创意与落地页共同影响相关性，落地页还要对 OpenAI 爬虫可达。

Measurement Pixel + CAPI + UTM

能看到组级聚合转化，不能看到触发对话或 query 级报表。

FOCUS Matrix

传统投放可以先买量，再通过搜索词报告发现真实触发词、否词和扩词方向；ChatGPT Ads 不提供 query 级观测变量，投后只能看到组级聚合表现。因此 Ad Group 不能只是预算容器，必须在投前把意图假设、场景边界、Context Hints、创意主张和落地页路径拆成可比较的实验单元 —— FOCUS Matrix，后续再用 UTM、Pixel 和 CAPI 回传判断哪类意图值得放量。

02 · Product Shape

FOCUS Matrix 是一条单向可审计流水线

每一步的输出都是下一步的严格输入，避免“先买流量再解释”的代投式黑盒。

方向锁定 业务目标先冻结
1 FOCUS 定义 Object × Target
2 预算一次分配 Bf = B × w × λ
意图建模 投前完成实验设计
3 Query 建模 语料 → 扩展 → 聚类
4 仿真设计 query ↔ hint 热力图
5 四档定价 T1 / T2 / T3 / T4
投放闭环 覆盖达标后再优化
6 覆盖探索 Coverage + ε-greedy
7 Matrix 策略 预算 × 出价 × 预估
8 投后闭环 真实 CVR → 再分配

03 · FOCUS Definition

FOCUS 是业务点与盈利目标的形式化表达

FOCUS 是客户最关心业务点与可测用户行为的组合。没有可测 Target 的 Object 不允许进入投放。

FOCUS Object 监测什么 Target 测什么行为
Object · 监测什么

哪个业务点值得花广告预算

我们提供五类标准 Object 模板供客户勾选与改写。每个 Object 后续会独立展开为一个 Query Bank。

  • 品类需求捕获研究品类
  • 竞品替换拦截比较或抱怨竞品
  • 决策临门推动最终对比 / 询价
  • 新品认知建立探索相邻问题
  • 高价值细分渗透行业 / 角色 / 场景
Target · 测什么行为

事件体系官方支持

Target 必须映射到 OpenAI 官方转化事件体系中的具体事件：标准事件或自定义事件，通过 JS Pixel + Conversions API 双通道上报，并以共享 event id 去重。

order_created lead_created subscription_created checkout_started

没有可测 Target 的 Object 不允许进入投放。不可测量的目标 = 不可优化的预算。

权重由年度营收目标 × 广告可影响系数推导。
转化价值同步定义一个 lead 或订单的真实价值，用于出价上限和效率评分。

STEP 2 · Budget Allocation

预算一次分配：以 FOCUS 为维度

第一次预算分配发生在任何流量数据之前。这是战略分配，唯一依据是客户的业务权重。钱先锁定在最核心的业务点上，再谈流量效率。

主预算池$26,400
探索池$3,600

05A · Query Simulation

自建 Query Bank，补上平台不给的观测层

每个 FOCUS 展开为 500–2,000 条对话体 query，再用仿真系统设计 Ad Group 与 Context Hints。

方法论

Query Bank 构建：四步流水线

①
种子采集

客户真实语料、搜索 query 数据与 LLM persona 共同生成对话体 query；日语市场必须用母语语料重建，禁止英文翻译。

②
语义扩展

做同义改写、场景变体与 funnel 阶段变体，将单个 FOCUS 扩展至 500–2,000 条。

③
向量化聚类

全部 query 嵌入向量空间并层次聚类，得到 8–20 个意图簇，标注阶段与商业价值。

④
长尾候选池

小簇与离群点不丢弃，单独入池，作为 PAGE 08 长尾贪心探索的原料。

FOCUS 意图空间 真实 query 点分布在 query bank 中，虚线圆展示 context hint 覆盖半径，颜色对应库存档位。 FOCUS 意图空间（query bank） 未覆盖簇 → 门禁拦截补 hint T1 高频红海 · CPC 高 T2 腰部主力 · 预算 40–55% T3 低频精准 · 高 CVR 利润区 T4 长尾洼地 · CPC 最低 ● = 真实 query · 虚线圈 = context hint 覆盖半径 · 颜色 = 档位

05B · Query Simulation

仿真系统：投前的「离线拍卖场」

官方确认相关性匹配基于对话上下文与多输入信号，且 hints 是非精确的语义匹配（官方口径）；行业普遍推断其底层为嵌入向量相似度。

Output 01 Hint 召回热力图
竞品替换 迁移风险 品类教育 场景选型 价格敏感 Nike 和 Adidas 跑鞋哪个更适合通勤 .92 .78 .42 .38 .66 从旧款 Nike 换到新款会不会磨脚 .74 .89 .31 .44 .69 第一次买 Nike 跑鞋该怎么选 .36 .41 .86 .71 .48 马拉松训练适合哪款 Nike 跑鞋 .28 .62 .68 .83 .45 有没有比 Nike Pegasus 更便宜的替代 .61 .54 .47 .40 .81

Demo 解读：Nike vs Adidas 的通勤问题强命中竞品替换 .92，但也旁路触发迁移风险 .78，说明竞品比较和换鞋顾虑会混在一起；马拉松训练问题主命中场景选型 .83；Pegasus 便宜替代主命中价格敏感 .81，可单独拆成价格型 hint。

Output 02 簇覆盖缺口表
意图簇Max sim状态
竞品替换.92通过
迁移风险.89通过
品类教育.86通过
尺码适配.74不通过
库存可得性.68不通过

Demo 解读：低于阈值的簇不直接上线，先补写 hint 或新建 Ad Group，避免核心意图裸奔。

Output 03 Hint 互撞矩阵
H1H2H3H4H5 H11.0.82.36.28.58 H2.821.0.41.63.34 H3.36.411.0.67.46 H4.28.63.671.0.71 H5.58.34.46.711.0

Demo 解读：红格代表多条 hint 语义重叠，可能造成自我竞争与预算稀释；H1/H2 相似度 .82，建议合并或重写边界。

06 · Inventory & Pricing

四档在库分类决定出价、角色和学习门槛

按意图簇出现频率与竞争热度，把 Ad Group 分成 T1–T4，并反推每组最小预算。

T1头部高频
在库特征
意图簇高频出现，竞争者密集，常见于品类通用问法。
出价策略
CPC 上限贴近官方建议区间上沿；必要时用 CPM Reach 保曝光。
表现画像
量大、CPC 高、CVR 中低，意图相对宽泛。
预算角色
保底流量盘，控制占比，防止吞噬预算。
T2腰部主力
在库特征
中频、意图明确、竞争中等，是主要可规模化库存。
出价策略
标准 CPC 竞价，出价 = 真实点击价值（第二价格拍卖下的理性策略）。
表现画像
量与质均衡，通常是综合 CPA 最优区。
预算角色
预算主力，一般占 FOCUS 预算 40–55%。
T3低频精准
在库特征
低频但意图收敛，来自具体场景或具体约束问法。
出价策略
CPC 可低于头部档，靠 hint 高相关性赢得单卡位。
表现画像
量小、CPC 低、CVR 显著高。
预算角色
利润区，优先保覆盖。
T4长尾探索
在库特征
极低频、在库稀薄，几乎无人竞争。
出价策略
低价试探 + 贪心扩张，成熟后再逐组晋升（见 PAGE 08）。
表现画像
单组量极小，但 CPC 最低、理论 CVR 最高。
预算角色
探索池资金 Bexplore，用于赚超额收益。
MinBudget = Nmin × CPCg / CVRestg
Nmin评估周期内所需最小转化样本，默认 30。
CPCg该 Ad Group 的预估或实际点击成本。
CVRestg该 Ad Group 当前可用的预估转化率。

07 · Coverage & Exploration

意图簇上线门禁与长尾探索算法

Coverage 是发布与结构变更的硬门禁；长尾探索只在 Coverage ≥ τ 后启动。

Coverage 达到 τ 后上线

Coverage 门禁

核心意图簇的 Coverage 必须达到阈值 τ 才能上线。投前检查一次，投后每次增删 hint、合并组或新建组后重跑。

未达 τ 提示缺口簇 补 hint / 新建组 重跑仿真

ε-greedy 探索队列

ε 初始 0.3，随样本衰减

每周期探索预算按混合策略分配：大头给已验证的长尾机会，小头保留给尚未测试的候选，让系统从“多探索”逐步过渡到“多收割”。

1−ε · 贪心收割

投给当前性价比评分最高的长尾组，放大已验证机会。

ε · 探索新候选

投给尚未测试的长尾候选，保持发现新库存的能力。

长尾组达样本门槛 CPA 优于 T2 均值 晋升正式 T3 两周期垫底则回炉

08 · Matrix Strategy

每一行都是可执行、可测量、可问责的策略单元

FOCUS、Ad Group、档位、预算、出价、预估转化汇成完整投放矩阵。

月预算$30,000
预估转化区间264–279
综合 CPA$108–114
出价与扣费解读

Max CPC：广告组层级的最高出价上限，用来保护预算和控制竞价边界；实际扣费可能低于该上限，因此不能直接等同为单次点击成本。

Eff CPC：表格中独立维护的实际/估计点击成本，冷启动期可按官方建议区间（$3–5）与档位系数预填，两周后用账户真实 Avg CPC 替换。

CVR：冷启动用「客户历史搜索广告 CVR × 渠道修正系数」作先验，每达成一批转化即贝叶斯更新，预估区间随样本量收窄。

09 · Post-flight Loop

真实 CVR 回填后，Matrix 每周自我校准

闭环目标只有一个：固定预算下综合 CPC/CPM 最低、总转化最高，且意图覆盖永不破线。

1真实数据回填Pixel + CAPI 去重，替换预估 CVR / CPC / CPA。
2加权评分效率项、战略项、覆盖项、趋势项共同决定 Score。
3预算再分配FOCUS 内部平滑迁移，单周迁移幅度不超过 20%。
4长尾晋升淘汰验证成功进入主预算盘，失败回炉 Query Bank。
Score 校准评分 = α · 效率 + β · 战略 + γ · 覆盖 + δ · 趋势

α / β / γ / δ 为策略配置权重，仅表示评分结构，不代表真实生产系数。

最终目标 固定预算下的最优解

综合 CPC/CPM 最低 · 转化最高

10 · Monthly Governance

月度治理：FOCUS 的动态扩展

业务在探索中成长，FOCUS 也应该成长——但以受治理的节奏，而不是随时改动。

方法论 月度 FOCUS Review 固定议程
  1. 1 复盘

    逐 FOCUS 对照转化数据，更新模型参数。

  2. 2 权重再确认

    基于客户业务变化，调整 FOCUS 的相关权重。

  3. 3 FOCUS 扩展

    新增 FOCUS 通过完整流水线验证。

  4. 4 退役机制

    垫底且业务优先级下调的 FOCUS 归档。

偏差来源 在库判断偏差 / CVR 先验偏差 / 创意问题
学习期 4–6 周

期间不参与全局再分配排名。

资产保留 Query Bank + 全部投放数据资产

11 · Delivery Model

三阶段交付，把方法论落成可验收资产

FOCUS Matrix 不承诺冷启动绝对数字，承诺过程科学性、预算迁移可追溯、CPA 趋势可验证。

Phase 1 · 第 1–2 周

基建

FOCUS 工作坊、Pixel + CAPI、爬虫可达性、Query Bank v1、仿真与覆盖门禁。

Phase 2 · 第 3–6 周

学习

Matrix v1 上线，组级数据累积至样本门槛，hint 数量 A/B，长尾队列启动。

Phase 3 · 第 7 周起

优化

周度评分再分配、GEO 信号联动、月度 FOCUS 治理与策略重构。

FOCUS 定义书 测量验收报告 Query Bank 意图地图 仿真热力图 周度优化日志