用户画像怎么支撑广告投放？我在出海业务的归因实战

画像支撑广告投放的完整链路：
 
Step 1: 画像标签圈选种子用户
  从ads_user_profile圈选高价值用户（RFM冠军用户）
  导出user_id列表作为种子人群包
 
Step 2: 上传人群包到广告平台
  Facebook -> Custom Audience（自定义受众）
  TikTok   -> DMP人群包
  Google   -> Customer Match
 
Step 3: 广告平台做Lookalike扩展
  基于种子用户特征，找到相似的潜在用户
  扩展比例通常1%-5%（越小越精准）
 
Step 4: 投放 + 归因
  用户看到广告 -> 点击 -> 安装App -> 注册 -> 付费
  归因系统记录每一步的渠道来源
 
Step 5: 归因数据回流到画像
  新用户的来源渠道写入标签（acquisition_channel）
  用于分析不同渠道带来的用户质量

-- Last Click归因SQL：把安装归因给最后一次广告点击
WITH install_events AS (
  SELECT user_id, install_time, device_id
  FROM dwd_app_install WHERE dt = '${bizdate}'
),
click_events AS (
  SELECT device_id, campaign_id, channel,
    click_time,
    ROW_NUMBER() OVER(
      PARTITION BY device_id
      ORDER BY click_time DESC          -- 取最后一次点击
    ) AS rn
  FROM dwd_ad_click
  WHERE click_time >= DATE_SUB('${bizdate}', 7)  -- 归因窗口7天
)
SELECT
  i.user_id,
  c.channel,                             -- 归因渠道
  c.campaign_id,                         -- 归因广告计划
  c.click_time,
  i.install_time,
  TIMESTAMPDIFF(HOUR, c.click_time, i.install_time) AS click_to_install_hours
FROM install_events i
LEFT JOIN click_events c
  ON i.device_id = c.device_id AND c.rn = 1  -- 最后一次点击
  AND c.click_time < i.install_time           -- 点击在安装之前
  AND DATEDIFF(i.install_time, c.click_time) <= 7;  -- 7天归因窗口

广告ROI分析：画像数据的核心应用

归因完成后，最重要的分析就是各渠道的ROI。画像数据在这里的作用是：把不同渠道带来的用户的长期价值（LTV）算清楚。

-- 分渠道ROI分析：结合画像标签算用户LTV
SELECT
  a.channel,
  a.campaign_id,
  COUNT(DISTINCT a.user_id) AS installs,                  -- 安装量
  SUM(a.cost_usd) AS total_cost,                          -- 广告花费
  COUNT(DISTINCT CASE WHEN p.value_level = 'high'
    THEN a.user_id END) AS high_value_users,              -- 带来的高价值用户数
  SUM(p.total_amount_usd) AS total_revenue,               -- 这批用户的总收入
  ROUND(SUM(p.total_amount_usd) / SUM(a.cost_usd), 2) AS roi,  -- ROI
  ROUND(SUM(a.cost_usd) / COUNT(DISTINCT a.user_id), 2) AS cpa  -- 单用户获取成本
FROM dwd_attribution a
JOIN ads_user_profile p ON a.user_id = p.user_id AND p.dt = '${bizdate}'
WHERE a.install_date BETWEEN DATE_SUB('${bizdate}', 30) AND '${bizdate}'
GROUP BY a.channel, a.campaign_id
ORDER BY roi DESC;

这个SQL的价值在于：不只看安装量和CPA（短期指标），还看这批用户的value_level和总收入（长期指标）。有些渠道CPA低但带来的都是白嫖用户，有些渠道CPA高但带来的都是高付费用户——只看CPA会做出错误的预算分配决策。

面试高频追问

追问一：IDFA缺失后，iOS用户怎么归因？

苹果iOS 14之后IDFA默认关闭，获取率从95%暴跌到不足30%。我们的应对方案有三层：①SKAdNetwork（苹果官方归因框架），只提供渠道级别的聚合数据，不提供用户级别的数据，做不了精细归因但至少知道大概渠道分布；②概率性归因（Probabilistic Matching），基于IP+UA+设备型号+时间窗口做模糊匹配，准确率约60-70%；③自归因渠道（SANs）如Facebook和Google有自己的归因SDK，能提供部分转化数据。三种方案结合使用，iOS归因覆盖率能恢复到80%左右。

追问二：归因窗口设多少天合理？

看业务类型。短剧类产品用户决策周期短，归因窗口设1-3天；电商类设7天；硬件类（客单价高）设14-30天。窗口太短会漏掉延迟转化，太长会把不相关的归因错误关联。我在短剧出海公司用的是点击归因7天+曝光归因1天的组合。

追问三：你们用第三方归因工具还是自建？

我们用的AppsFlyer做移动端归因，行业主流工具还有Adjust和Branch。自建归因成本太高——需要和Facebook、Google、TikTok各平台对接API，还要处理设备ID匹配、反作弊等问题。但AppsFlyer的数据也会回流到我们的数仓，和画像标签关联做深度分析。日常看板用AppsFlyer，深度分析和LTV归因用我们自己的数仓+画像数据。

实战踩坑

我在某短剧出海公司做归因时遇到过一个跨时区的坑。广告平台（Facebook）按美国太平洋时间（UTC-8）记录点击时间，我们的数仓按UTC时间记录安装时间。一个日本用户晚上10点看到广告点击了（Facebook记录为太平洋时间凌晨5点），第二天早上下载了App（UTC时间前一天22:00）。

因为时区不一致，归因SQL里的click_time < install_time这个条件判断出了问题——点击时间被记录成了安装之后，导致这个用户没有被归因到任何渠道。

-- 修复前：时区不一致导致归因遗漏
-- click_time是太平洋时间，install_time是UTC，直接比较会出错
 
-- 修复后：统一转换为UTC再比较
SELECT i.user_id, c.channel
FROM install_events i
JOIN click_events c
  ON i.device_id = c.device_id
  AND CONVERT_TZ(c.click_time, 'America/Los_Angeles', 'UTC')
    < i.install_time   -- 统一转UTC后再比较
  AND DATEDIFF(i.install_time,
    CONVERT_TZ(c.click_time, 'America/Los_Angeles', 'UTC')) <= 7;

教训：出海业务做归因，第一件事就是把所有时间统一转成UTC。不同广告平台、不同SDK上报的时间可能用不同时区，不统一就会出现归因遗漏或错误归因。这个坑看起来简单，但因为涉及多个数据源，排查起来很耗时。

总结

画像支撑广告投放的核心是闭环：画像圈选种子用户→人群包上传→Lookalike扩展→归因回流→ROI分析→反馈优化画像标签。归因模型日常用Last Click够用，深度分析用Multi-Touch。出海业务重点注意IDFA缺失和时区问题。面试时能把画像和广告ROI的关系讲清楚，说明你不只是做数据的，更是理解商业价值的。

下一篇聊一个运维类话题：标签逻辑改了，历史数据要不要重刷？标签回溯和版本管理实战。

你们公司的广告归因用的什么工具？有没有遇到过时区导致的归因问题？评论区聊聊～

关注「Wood聊大数据」| 9年大数据老兵，聊技术、聊职场、聊成长