Pilot Your Work with AI

1. 产品动态

1.1 Meta Ads：重写点击归因规则，引入 Engage-Through Attribution

• 平台 + 变化点：Meta Ads 在 3 月 3 日通过官方 Meta for Business 博客发布「Simplifying Ad Measurement for a Social-First World」，宣布 click‑through attribution 今后只统计「链接点击」，点赞/评论/收藏/分享等社交互动及短视频观看全部归入新口径 Engage‑Through Attribution（互动归因），同时将视频「engaged view」阈值从 10 秒降到 5 秒，本月内逐步在广告账户中放量。(about.fb.com)
• 影响：
  • 短期内 Ads Manager 报表中的点击转化数、CTR、ROAS 会下降，但真实流量与转化并未变差，只是互动被迁移到 engage‑through 维度；
  • 与 Google Analytics 等三方分析工具的差异显著收敛，跨渠道 ROI / MER 分析会更可信；
  • 由于优化信号结构发生变化（更多依赖真实落地页访问），投放团队需提前重设 KPI、重算历史对标区间，并强化对 engage‑through 转化在 Reels / 视频广告中的解释与使用。(ppc.land)

1.2 Google Ads：Performance Max 视频自动 AI 配音 3 月 20 日起默认生效

• 平台 + 变化点：Google Ads 3 月 10 日起向广告主发送邮件（由 PPC Land 披露），宣布为 Performance Max 视频资产新增自动 AI 语音配音 功能：系统会从广告系列的标题与描述中抽取文本，用 Google AI 语音模型生成旁白并叠加到原有「无语音/纯音乐视频」，生成新的视频素材；如不希望启用，广告主需在 3 月 20 日前逐个 PMax 系列关闭 video enhancement 控制开关。(ppc.land)
• 影响：
  • 对未及时 opt‑out 的账户而言，3 月 20 日后将自动开始投放 AI 配音版本的视频，创意测试基线被改变，品牌安全（话术合规、语气风格）风险上升；
  • 对中小电商和素材能力弱的广告主，这一功能能快速补齐无声素材的沟通力，可配合实验框架（对照组关闭视频增强）验证对 CVR / ROAS 的真实增益。(ppc.land)

1.3 Smartly 拟收购 INCRMNTAL：Always‑on 增量测量能力并入多平台投放编排

• 平台 + 变化点：3 月 16 日，AI 广告编排平台 Smartly 在纽约签署 LOI，拟收购增量测量公司 INCRMNTAL；3 月 21 日 PPC Land 报道称，INCRMNTAL 基于强化学习与因果 AI，从自然花费/曝光波动中推断广告 增量贡献（incrementality），无需停投或专门建对照组，可「常开」运行；Smartly 管理的年化广告支出超过 70 亿美元，覆盖 Amazon / Google / Meta / TikTok / Spotify / CTV 等渠道。(ppc.land)
• 影响：
  • 一旦并入产品栈，Smartly 将在其跨渠道出价与预算分配中直接引用「增量信号」，弱化对单个平台归因的依赖，有利于压缩 高报表 ROAS、低真实增量 的流量；
  • 对大盘电商/品牌广告主而言，这是第三方工具层面把 「增量优先」写进自动优化 loop 的信号，应预判未来代理和内部投放团队被要求以增量指标（而非平台 ROAS）对齐 KPI。(ppc.land)

1.4 TikTok Ads：Travel Ads 事件与参数规范 2026 年 3 月更新

• 平台 + 变化点：TikTok for Business 官方帮助中心页面《Available events and parameters for Travel Ads》在 2026 年 3 月更新（精确日期未披露，[不确定] 是否刚好落在本周），要求使用 Travel Ads 的广告主至少通过 TikTok Pixel / Events API 上报 ViewContent / AddToCart / CompletePayment 三个标准事件，并对酒店、机票等不同目录提供了推荐参数（如 content_type, destination, check_in_date, price 等）。(ads.tiktok.com)
• 影响：
  • 仍沿用通用电商事件体系（如仅 Purchase / AddToCart）的旅游广告，将难以触发 Travel Ads 的专项优化逻辑，转化模型与受众拓展能力受限；
  • 建议 2026Q2 前完成埋点改造，并在 CDP 或自建数仓中同步这些垂类参数，便于后续在 TikTok、Meta、Google 之间对「目的地/航线/客单价区间」进行统一维度分析与重定向建模。

验证建议：[不确定] 的是具体更新时间，可通过该帮助页底部的「Last updated」标注及 TikTok 商务负责人沟通确认，并结合您的广告账号内是否出现 Travel Ads 新事件提示来校验。(ads.tiktok.com)

2. 论文

2.1 Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds

• 基本信息：Chenfei Li 等，工业界团队（具体公司未明示，[不确定]），发表于 2026-03-04，arXiv:2603.04227。(arxiv.org)
• 核心问题：广告信息流中需要在 平台收益（GMV / 收入）与用户体验（参与度、留存） 多目标约束下做重排，同时满足曝光配额、频控、延迟上限等约束，是一个高维组合优化问题。
• 核心方法：
  • 提出统一的 生成式重排框架，将「带约束的 listwise 优化」转化为 有界的神经解码过程；
  • 用一个网络同时承担序列生成与奖励估计，避免传统「生成器 + 评估器」两阶段带来的延迟；
  • 在解码时引入 constraint-aware reward pruning，把约束直接编码进解码过程，提前剪枝不满足约束的候选序列，从而在延迟预算内找到更优解。(arxiv.org)
• 结果与落地启示：
  • 在线大规模 A/B 表明，该方法在保证延迟 SLAs 的前提下，平台收入与用户参与度双双提升，且满足业务对频控/保量位等硬约束；
  • 对广告信息流（如抖音/快手/微信视频号）而言，这是将「生成式排序」真正纳入产线的一种可行思路：在模型结构层面合并排序与约束判断，减少外层启发式，适合在您现有重排层引入一个「生成式 reranker」作为小流量实验。

2.2 Generative Recommendation for Large-Scale Advertising（GR4AD）

• 基本信息：Ben Xue 等，来自 快手广告系统团队（论文中明确提到已在 Kuaishou 广告系统全量部署），提交时间 2026-02-26，最新版修订于 2026-03-04，arXiv:2602.22732。(arxiv.org)
• 核心问题：如何在千万级候选、实时低延迟约束下，把 生成式推荐 应用于大规模广告，突破传统 DLRM 在长序列建模与扩展性上的瓶颈。
• 核心方法：
  • 提出 GR4AD 框架，从架构 / 学习 / Serving 三层协同设计；
  • 提出 UA‑SID（Unified Advertisement Semantic ID） 作为广告 Token，将多种业务信息（创意、出价、类目、商家特征等）统一编码；
  • 设计 LazyAR 解码器，放松层间依赖以缩短生成时延，适配「短序列、多候选」的广告场景；
  • 在目标函数上，引入 VSL（Value‑Aware Supervised Learning） 与 RSPO（Ranking-Guided Softmax Preference Optimization），将 RL 风格的价值函数与列表级指标（如收益）结合，实现持续在线更新；
  • Serving 侧通过 动态 Beam 宽度控制，根据在线负载与生成层级调节推理资源。(arxiv.org)
• 结果与落地启示：
  • 在快手广告系统的线上 A/B 中，相比成熟的 DLRM 堆栈，广告收入提升最高达 4.2%，并实现在 4 亿+ 用户上的实时高吞吐部署；
  • 对已大规模采用 DLRM 的电商/内容平台，这篇工作证明：只要在 token 设计、延迟控制和 RL 优化上做工程化改造，生成式推荐完全可以大规模商用；
  • 落地路径上，可以先在「高价值但流量可控」的版位（如品牌信息流、推荐 Tab）做灰度，逐步替换传统重排。

2.3 GRAB：An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm

• 基本信息：Shaopeng Chen 等，来自 百度广告团队（模型名为 Generative Ranking for Ads at Baidu），提交时间 2026-02-02，arXiv:2602.01865。(arxiv.org)
• 核心问题：传统 DLRM 在长行为序列、跨行为类型建模上存在泛化与效率瓶颈，难以充分利用用户多通道行为。
• 核心方法：
  • 提出 GRAB 框架，把 CTR 预估建模成类似 LLM 的 「Sequence‑First」生成式任务；
  • 设计 Causal Action‑aware Multi‑channel Attention (CamA)：区分不同行为类型（曝光、点击、加购、收藏等）与时间因果顺序，在序列中显式注入行动类型与时间信息；
  • 在训练上使用大规模序列数据做预训练，再在广告业务上微调，实现类似 LLM 的 scaling 行为。(arxiv.org)
• 结果与落地启示：
  • 全量线上部署显示，相比既有 DLRM，收入提升 3.05%，CTR 提升 3.49%；
  • 对已经有「用户行为日志」但仍采用浅层序列建模（如简单 RNN/Transformer）的电商平台，可以借鉴两点：
    1. 统一建模所有行为（曝光 + 互动 +转化）而非只看点击/下单；
    2. 在序列建模里显式编码「行为类型 × 时间」的因果关系，而非简单按时间拼接。

2.4 Mechanism Design via Market Clearing-Prices for Value Maximizers under Budget and RoS Constraints

• 基本信息：Xiaodong Liu, Weiran Shen, Zihe Wang，理论研究工作，提交时间 2026-02-22，arXiv:2602.19085。(arxiv.org)
• 核心问题：自动出价环境下，广告主更接近「在预算和回报率（RoS）约束下的价值最大化」，而非传统的准线性效用最大化；现有拍卖机制在考虑私有预算和 RoS 约束时缺乏兼顾激励相容与收益保证的设计。
• 核心方法：
  • 提出扩展版 Eisenberg‑Gale（EG）凸规划，将预算与 RoS 约束引入「市场均衡」框架；
  • 基于该规划构造 market‑clearing mechanism，并证明：
    1. 对买方的预算与 RoS 申报是激励相容的（truthful reporting 为最优策略）；
    2. 收入达到「一切可行机制一半」的 tight 1/2‑approximation。
  • 进一步给出一个去中心化在线算法，在多轮拍卖中卖家收入与买家效用的 regret 均为 \~O(√m)。(arxiv.org)
• 落地启示：
  • 对正在从二价向一价 + 自动出价迁移的广告平台，这是一个 直接以「预算+RoS 申报」为接口来设计机制 的理论蓝本，可指导「以回报率作为约束而非目标」的出价接口设计；
  • 对大广告主，则提示：未来平台可能要求更明确申报「可接受最低 RoS / ROI」，并通过均衡价格自动分配流量，有利于减少「暗箱补贴」式的折扣与返还博弈。

3. 技术文章

3.1 Meta 重写点击归因：与 GA 对齐，并以增量为「北极星」

• 来源：PPC Land《Meta rewrites click attribution rules, finally aligning with Google Analytics》，2026-03 上旬。(ppc.land)
• 核心观点 / 技术方案：
  • 详细解析 Meta 新的 Click + Engage‑Through Attribution：仅把真实链接点击计为 click‑through，其余社交互动统一进 engage‑through；
  • 解释 Meta 与 Northbeam / Triple Whale 等第三方分析工具的数据互通路径，以及如何通过缩短视频 engaged‑view 阈值（10s→5s）让 Reels 等短视频转化更好地显性化；
  • Meta 明确提出「增量实验（Conversion Lift）是测量金标准」，此次归因改革只是帮广告主现有体系更容易迈向增量视角。
• 可借鉴要点：
  • 立即在内部报表中 拆分「点击转化」与「互动转化」 两条链路，并统一与 GA / 自建 BI 的口径；
  • 对 Meta 上重仓短视频/互动导向素材的电商，允许一定程度上以 engage‑through 指标来评估上层漏斗，但必须通过 Holdout / Lift 实验验证其真实增量；
  • 在与代理或品牌主签订的合同/对赌 KPI 中，逐步引入「增量指标」或至少「Blend ROAS / MER」替代单一平台 ROAS。

3.2 Performance Max 高阶优化实践：结构化实验与增量视角

• 来源：Lakshya Sharma 博客《Performance Max Campaigns: Advanced Tips and Strategies》，2026-03-06。(lakshyasharma.in)
• 核心观点 / 技术方案：
  • 指出 2026 年 Performance Max 已贡献约 45% 的 Google Ads 转化，并处理 25 亿级日曝光，是事实上的主力转化引擎；
  • 结合最新功能（渠道表现报表、否定关键词、品牌排除、URL 控制）提出一套系统化优化框架：
    • 使用 Uplift 实验 测算 PMax 对搜索/购物/品牌词的增量，而不是只看整体 ROAS；
    • 以 CPMr（每千触达成本） 作为疲劳前哨指标，当 CPMr 升高时优先换创意而非简单加预算；
    • 建议按周以 15–20% 的节奏平滑加预算，避免一次性翻倍导致模型重置；
    • 强调「测试创意概念而非细节微调」，每月保持 8–20 个新创意概念，扩大可触达受众。
• 可借鉴要点：
  • 对电商广告团队，可以直接照搬其 PMax 实验与扩量 SOP：先建「含 PMax」与「不含 PMax」的对照组，确保预算与类目一致，评价增量后再决定是否放量；
  • 将 创意产能视为扩量瓶颈：在资源规划中为 PMax 明确预留月度创意配额（至少 3–8 条资产组 × 每组 15 标题/5 描述/20 图/5 视频）；
  • 把 CPMr、频次、资产评分（Low / Good / Best）纳入周度看板，作为「何时必换创意」的硬阈值。

3.3 Meta + Manus AI：代理式助手进入 Ads Manager 工作流

• 来源：Two Octobers《Digital Marketing Updates: March 2026》，2026-03-02（本周内持续被业内引用）。(twooctobers.com)
• 核心观点 / 技术方案：
  • 报道 Manus AI（Meta 于 2025 年 12 月收购）开始出现在部分广告主的 Ads Manager 界面中，以弹窗和 inline 提示的形式，引导用户启用一个「AI 代理」，可用于报告生成、受众研究等多步任务自动化；
  • 分析这是 Meta 把「多步骤运营工作流」迁移到 AI Agent 的早期探索，未来有可能扩展到 自动建 campaign / 自动调预算 / 自动 A/B 等方向。
• 可借鉴要点（细节多来自代理视角，[不确定] 最终 GA 形态）：
  • 建议在内部先定义 「AI 可代劳 / 不可代劳」的边界：例如报告整理、预算建议可以让 Manus AI 草拟，但目标设定、品牌安全审批仍由人工主导；
  • 对代理公司，可考虑将 Manus AI 输出与自家 BI / 报表模板整合，用作「初稿生成 + 人工审核」流程而非完全替代；
  • 对平台侧，这是一个可参考的路径：通过 Agent 化工具降低中小广告主的操作门槛，同时收集更细粒度的「运营意图数据」，用于反哺投放算法。

3.4 ChatGPT Ads 对 2026 媒体规划的结构性影响

• 来源：Guideline《Ads Are Coming to ChatGPT. Here’s What That Could Mean for 2026 Media Plans》，2026-03-02。(guideline.ai)
• 核心观点 / 技术方案：
  • 以媒体规划视角拆解 OpenAI 在 ChatGPT 内测广告 的三种情景路径：
    1. 「TikTok 式爆发」：快速放量但难以持续；
    2. 「Meta 式基础设施」：先建立稳定的测量与格式，再扩展场景；
    3. 「Hulu 式先发后拥挤」：先享红利，随后被竞品稀释；
  • 强调 ChatGPT Ads 初期 CPM 定价可能高于传统搜索，预算必然来自既有渠道重分配（搜索、社交、CTV、零售媒体），而非「新增钱」；
  • 认为 ChatGPT Ads 要想长期站住脚，必须在 增量、意图质量、品牌安全 上提供可验证证据。
• 可借鉴要点：
  • 对中大型广告主：2026 年下半年如有机会参与 ChatGPT Ads 测试，应将其视作 「新意图层」而非单独渠道，通过 Media Mix / Incrementality 测试来决定从哪些现有渠道转预算；
  • 提前在数据栈中预留 「对话上下文」与「推荐来源」维度，以便未来将 LLM 推荐流量与搜索 / 内容推荐流量区分，构建独立的归因与频控策略；
  • 对代理或平台：可以参考 Guideline 的做法，用场景分析 + 媒体价格曲线 + 竞争渠道 CPM/CPA，建立一套 「GenAI 媒体场景」的规划工具与销售话术。

4. 本期可执行行动清单

行动 1：围绕 Meta 新归因口径重构测量与 KPI 体系

• 适用场景：
  • 月投放预算 ≥ 数十万人民币、高度依赖 Meta 归因数据 进行预算分配的电商/品牌；
  • 同时使用 GA / 自建 BI 的多渠道广告主。
• 落地路径：
  1. 报表与 BI 对齐（1–2 周）
     • 在内部报表中新增维度：Meta 的 Engage‑Through Conversions，并将旧「点击转化」拆分为链接点击 vs 互动归因两条链路；
     • 对 2025Q4–2026Q1 历史数据做「新口径回放」（可按一定比例估算），建立新旧口径的对比曲线，用于向业务解释「数字变难看」但并非真实下滑。(ppc.land)
  2. 增量实验与模型升级（2–4 周 + 长期）
     • 对核心广告组合（如 Advantage+ Shopping + Reels）设计 Lift 实验 或至少 Geo Holdout，用以量化在新口径下的真实增量；
     • 在 MMM / 自研归因模型中增加「社交互动触点」显式变量，配合 Meta 的 engage‑through 报表，识别其对搜索 / 品牌词流量的间接贡献。(ppc.land)
  3. 重新定义 KPI 和激励
     • 将代理或内部团队的 KPI 从「平台 ROAS」迁移为 MER / 增量 ROI，避免因 Meta 报表数值变化产生不必要的惩罚或误判。
• 注意事项：
  • 由于新归因模型在 3 月内逐步放量，不同账户生效时间不同，应在分析中 用账号级切换时间而非自然周 做分段；
  • 若内部仍存在「点赞量等于成功」的认知，需要通过数据案例教育业务侧：互动被单独出表，是为了更好地区分「社交影响 vs 直接转化」。

行动 2：建立面向 Performance Max 的「增量 + 创意驱动」优化机制

• 适用场景：
  • Google Ads 中 PMax 已占整体转化 ≥30%，或计划在 2026 年大幅提升 PMax 比重的零售、电商、App 广告主。
• 落地路径：
  1. AI 配音与素材治理（本周立即）
     • 审核所有 PMax 系列 video enhancement 设置，对品牌语调敏感或合规要求严格的品类（金融、医药、跨境合规敏感品） 统一先关闭 AI 配音，再设计小流量 A/B 验证；(ppc.land)
  2. 搭建 Uplift 实验基线（2–4 周）
     • 选 1–2 个高量级市场，将 PMax 拆分为「含 PMax」与「不含 PMax」的对照地域或人群，运行至少 2–4 周，测算 PMax 对搜索 / 购物 / 品牌词的增量转化；(lakshyasharma.in)
     • 在实验结束后，为每个主要类目建立「PMax 增量因子」（如：PMax 带来额外 +18% 订单），用于预算分配模型。
  3. 创意与预算扩量框架（长期）
     • 将 「每周 15–20% 预算增幅 + 固定创意上新节奏（每月 8–20 个新概念）」 设为团队硬规范，禁止一次性翻倍预算；
     • 引入 CPMr / 频次 / 资产评分等疲劳指标，对超过阈值的资产组强制换创意而非先加预算。(lakshyasharma.in)
• 注意事项：
  • PMax 的增量高度依赖于其他搜索/购物系列的结构，如果已有大量重叠关键词与出价，应在实验前先做合理去重与命名规范；
  • AI 自动配音素材需重点关注在特定语言/地区的 发音与用词合规性，建议在 QA 流程中加入本地语种审核。

5. 论文与链接列表

说明：为方便复制使用，下列链接以代码块形式给出。

5.1 论文列表

1. Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds
   https://arxiv.org/abs/2603.04227 (arxiv.org)

2. Generative Recommendation for Large-Scale Advertising (GR4AD)
   https://arxiv.org/abs/2602.22732 (arxiv.org)

3. GRAB: An LLM-Inspired Sequence-First Click-Through Rate Prediction Modeling Paradigm
   https://arxiv.org/abs/2602.01865 (arxiv.org)

4. Mechanism Design via Market Clearing-Prices for Value Maximizers under Budget and RoS Constraints
   https://arxiv.org/abs/2602.19085 (arxiv.org)

5.2 外部产品与技术链接

1. Meta：Simplifying Ad Measurement for a Social-First World（官方博客，多语种版本）
   https://about.fb.com/ltam/news/2026/03/simplificando-la-medicion-de-anuncios-para-un-mundo-social-first/ (about.fb.com)

2. PPC Land – Meta rewrites click attribution rules, finally aligning with Google Analytics
   https://ppc.land/meta-rewrites-click-attribution-rules-finally-aligning-with-google-analytics/ (ppc.land)

3. PPC Land – Google’s AI voice-over is coming to your Performance Max videos – opt out by March 20
   https://ppc.land/googles-ai-voice-over-is-coming-to-your-performance-max-videos-opt-out-by-march-20/ (ppc.land)

4. PPC Land – Smartly signs LOI to buy INCRMNTAL, adding always-on incrementality
   https://ppc.land/smartly-signs-loi-to-buy-incrmntal-adding-always-on-incrementality/ (ppc.land)

5. PPC Land – Publicis vs Trade Desk, OpenAI’s ads manager, and Google’s health AI push
   https://ppc.land/publicis-vs-trade-desk-openais-ads-manager-and-googles-health-ai-push/ (ppc.land)

6. TikTok for Business – Available events and parameters for Travel Ads（官方帮助文档）
   https://ads.tiktok.com/help/article/available-events-and-parameters-for-travel-ads (ads.tiktok.com)

7. Two Octobers – Digital Marketing Updates: March 2026
   https://twooctobers.com/blog/digital-marketing-updates-march-2026/ (twooctobers.com)

8. Lakshya Sharma – Performance Max Campaigns: Advanced Tips and Strategies（个人博客）
   https://lakshyasharma.in/performance-max-advanced-strategies-2026/ (lakshyasharma.in)

9. Guideline – Ads Are Coming to ChatGPT. Here’s What That Could Mean for 2026 Media Plans
   https://www.guideline.ai/blog/ads-are-coming-to-chatgpt-heres-what-that-could-mean-for-2026-media-plans (guideline.ai)

10. Americaneagle – PPC Campaign Bidding Strategies for 2026: AI, Automation, and Smarter Bid Optimization（用于补充 Smart Bidding 与混合策略背景）
    https://www.americaneagle.com/insights/blog/post/ppc-campaign-bidding-strategies-for-2026 (americaneagle.com)

如需，我可以在后续版本中进一步细化某一平台（如仅 Google / Meta / 抖音电商）的专用行动手册或实验设计方案。