把投放数据、实验能力和 AI Agent，变成可控的增长决策系统。# 面向出海游戏、应用、电商与平台型业务，提供 实验体系建设、营销数据平台、投放智能化、企业级 Agent 共建 四类服务。
从统一数据与指标口径 → 实验与因果验证 → 投放洞察与决策工作流 → Agent 辅助与受控执行 → 效果追踪与规则迭代，形成同一条闭环能力链。
→ 获取增长智能化成熟度诊断 查看服务与交付方式 ·
查看典型案例
你是否正在面对这些问题？# 你正在经历的现象 深层问题 可切入的服务 多个广告后台、MMP、BI 的数字对不上 指标与数据资产未统一 营销数据底座与指标治理 复盘高度依赖资深优化师，经验难复制 决策逻辑没有产品化 投放洞察与策略工作流 有实验工具，但实验量少、结果不被采用 实验机制未进入业务流程 实验平台与实验运营体系 团队在尝试 AI，却停留在聊天、报表和 Demo 没有可靠的业务闭环 Agent 场景设计与 PoC 想做投放自动化，但担心乱改预算和不可追责 缺少权限、审计、回滚机制 受控执行与 Agent 治理设计
30 秒内如果发现"这就是我团队的问题"，可以从 → 成熟度诊断 开始。
服务包：从诊断到共建，逐层承诺# 服务包 适合场景 典型周期 核心交付物 增长智能化诊断 正在判断是否应建设数据、实验或 Agent 能力 2 – 3 周 现状评估、问题地图、优先级矩阵、建设路线图 关键场景 PoC 已有明确痛点，需要验证价值 4 – 8 周 单场景闭环、数据与接口方案、评估指标、上线建议 平台共建与能力落地 多团队、多市场、长期增长基础设施升级 3 – 6 个月或分阶段 目标架构、系统方案、核心模块、治理机制、团队赋能
不预设固定报价，但每一层的合作形态是公开的——→ 服务详情与交付方式
差异化组合：实验科学 × 数据平台 × Agentic Ad# 我不是泛 AI 顾问，也不是单一广告或实验工具外包。稀缺组合来自四条能力线的交叉：
实验科学 ：流量分层、因果验证、指标治理、统计分析引擎营销数据平台 ：MMP / SKAN / 归因 / ROI360 / 素材数据模型出海游戏与广告投放 ：多市场买量、素材生命周期、批量创编、策略引擎企业级 Agentic Ad ：Schema 居中、分级授权、可审计执行、独立验证与效果闭环方法论已公开写在《企业级 Agent 建设实践》《极致 AB 实验的前置》《出海休闲游戏增长系统》等长文中——不是"会调用模型"，而是"知道怎样让 AI 在企业约束下可靠运行"。
精选案例# 每个案例回答同一组问题：客户处于什么条件、原始问题是什么、方法与架构如何选、交付边界在哪、可公开的能力指标、能迁移到哪些团队。
这不是为了做一个 AI Demo# 对增长团队而言，目标是：
减少 人工对账与盯盘时间；提高 问题发现与决策响应速度；让 有效策略可复用、可复跑；在 明确权限边界内逐步实现受控执行。每一个服务、每一份交付、每一个案例，都会回到四个问题：它替客户减少了什么成本？提升了什么决策质量或速度？降低了什么业务风险？如何证明它真的有效？
下一步# 增长不是一次灵感，也不是某个爆款素材、某个新渠道、某个产品改版带来的偶然结果。
真正可持续的增长，来自一套能够不断提出假设、验证假设、沉淀结论、再继续迭代的实验体系（贝叶斯方法）。
我想用一句话概括这个观点：实验即增长。 这也是展博增长实验室推出的产品（实验&增长咨询服务，面向内容、电商、游戏等行业提供实验&增长的诊断、咨询、平台建设、业务陪跑等服务）。
尤其在出海游戏行业，这句话更接近现实。因为出海游戏面对的是高度不确定的市场：不同国家、不同文化、不同平台、不同买量环境、不同用户付费习惯，都可能让同一个产品表现出完全不同的增长曲线。
在这种环境下，企业不能只依赖经验判断，而要依赖实验。
一、为什么说“实验”是增长的基础？ 科学的基础不是“我觉得”，而是“可论证”。
从证据可信度来看，我们可以看到一个从低到高的金字塔：案例研究、观察研究、类实验、随机控制实验，以及更高层级的统合分析。
这些方法形式不同，但本质上都在回答同一个问题：
某个变化，是否真的带来了结果？
在商业增长里，这个问题尤其关键。
比如：
留存提升，是因为新手引导改得更好，还是因为这批用户质量本来更高？ ROI 提升，是因为素材策略有效，还是因为渠道算法短期波动？ 付费率提升，是因为礼包设计更合理，还是因为活动期间用户天然更愿意付费？ 如果没有实验体系，团队很容易把相关性误判为因果关系，把短期波动误判为方法论，把偶然成功误判为可复制能力。
所以，增长团队真正需要的不是更多“拍脑袋的优化建议”，而是一套持续验证因果关系的机制。
二、为什么增长离不开实验？ 增长是所有商业组织前进的动力。
但增长本身不是一个单点问题，而是一组连续问题：
如何让更多用户看到产品？ 如何让用户愿意下载或进入游戏？ 如何让用户留下来？ 如何让用户持续活跃？ 如何让用户付费？ 如何让 LTV 高于获客成本？ 这些问题之间相互关联，任何一个环节的改动，都可能影响整体增长效率。
在出海游戏里，增长链路尤其长：从素材、广告、商店页、下载、首日体验、新手引导、核心循环、活动运营、付费设计，到广告变现和再营销，每一步都有优化空间。
这也是为什么我认为：
增长不是找到一个答案，而是建立一套不断找到答案的系统。
这个系统的核心，就是实验。
三、出海游戏公司的四类典型实验场景 如果把出海游戏公司的增长拆开看，实验至少会发生在四个关键场景里：用户体验、产品特性、买量与营销效率、商业化收益。
1. 用户体验实验：优化玩家进入游戏后的第一感受 用户体验实验关注的是：用户是否愿意继续玩下去。
常见实验包括：
新手引导流程调整 首局难度设计 UI 布局优化 任务系统节奏 奖励反馈强度 核心玩法教学方式 衡量指标通常包括：
游戏时长 次日留存、七日留存 对局数 关卡完成率 GMV 或早期付费转化 用户流失节点 例如，一个休闲游戏可能会测试两种新手引导：一种是强引导，明确告诉用户每一步怎么操作；另一种是弱引导，让用户更快进入核心玩法。
表面上看，强引导更“清楚”；但实验结果可能显示，弱引导让用户更快获得乐趣，反而提升了留存。
这就是实验的价值：它能帮助团队摆脱主观偏好，回到用户真实行为。
2. 产品特性实验：探索产品该往哪里发展 产品特性实验关注的是：产品是否真正解决了用户需求。
常见实验包括：
新玩法模块 社交系统 排行榜 活动机制 关卡类型 道具系统 个性化内容推荐 这类实验不只是验证“功能有没有用”，更重要的是帮助团队判断产品方向。
...
优化师效率和买量 ROI，这两条曲线，能不能被一个 agent 同时拉起来？
作者：zhanbo · 2026-07-11
tl;dr 4 天从 0 到能自治的 ad-agent，我在 changelog 里写了 7 个版本、5 个 Phase——顺序对了才是工具，顺序错了都是 demo。 大多数团队卡在"要不要接大模型"，其实真正卡的地方根本不在模型——关键是你的问题，你给模型准备了哪些数据以及策略迭代的领域知识。 本文附 5 道 ad-agent 就绪度自测 + 一份 90 天路线图诊断（限 2 家）。 一、问题先行：优化师的一天，值不值得被 agent 接管 先说业务，再说 agent，不然一切都是空的。
出海买量团队里，优化师的日常长这样：
早上打开 Meta / Google / TikTok 三个后台，各抄一遍昨日 spend / installs / ROAS 打开归因平台（AppsFlyer / Adjust）再抄一遍 D1 / D7 ROI 打开 BI 或飞书表格核对，发现三份数据对不上——花半小时找 last-touch 和 incremental 的口径 中午看到某个 campaign CPI 飙了 30%，猜是素材疲劳还是竞价对手加价，打开素材库比对创意 下午调预算、换素材、跑 A/B——每一步都要在三个平台重复操作一次 一个团队 20 个 campaign 就够把一个优化师钉死在屏幕前。所以 ad-agent 不是一个"AI 概念题"，它要解决的是四件很土的事：
...
钛动科技递表港交所，82% 毛利率、38 亿应收账款、代投占绝大部分收入。这套模型在 Agentic UA 时代还站得住脚吗？
作者：展博 / 2026-07-04
tl;dr 82% 毛利率不是 AI 溢价，是会计口径：钛动的毛利率不能对标 Salesforce，它用净额法把媒体成本从营收里扣掉，剩下的"服务费"计为营收。研发投入占比不到 10%，员工里大量是优化师，本质仍是高杠杆的代投公司。 代理生态是媒体让渡的生存空间：Meta / Google / TikTok 给到代理商的返点、垫资额度、独家版位，是媒体在特定阶段的"分销红利"。这个空间正在被 Agentic UA 一步步收回。 代投模式会被 PMax / Advantage+ / Smart+ 逐级替代：广告主只需要给"预算 + 创意 + 转化信号"，campaign 结构、出价、版位、受众全交给媒体算法。代投团队"搭 campaign / 调出价"的核心工作量，正在归零。 国内买家的 SaaS 接受度天然低：数据无法联通、inhouse 数据不外流、决策链条深、ROI 无法证明——TTD 那套海外投放平台生态在国内跑不通，钛动/GatherOne/飞书深诺的 SaaS 收入占比大概率不到 10%。 inhouse 自建才是国内出海买量的终局：数据自主 + ROI 预估模型 + 跨媒体灵活路由，这三件事只能自己做。代投+SaaS 双轮驱动的故事，写在招股书里好看，但打不过一个中等规模品牌自建的发行平台。 一、先拆一下钛动这张财报 钛动 2026 年 2 月递表港交所，中金 + 摩根大通保荐。招股书里最抓眼球的数字是82% 毛利率。
媒体报道基本都把这个数字包装成"AI 技术溢价、高技术壁垒"。做过发行、做过代投的都知道这里有猫腻。
1.1 82% 毛利率是怎么算出来的 代投这个生意，客户付 $100 广告预算，你替他打给 Meta 花掉 $90，再赚一点服务费或返点。传统代理会把 $100 计成收入、$90 计成成本，毛利率 10%。
...
同样在做 AB 测试，别人靠它持续迭代、增长一路向上，我们的实验却结果不可靠、推全就反转。问题往往不在平台，而在你没建之前就该想清楚的那几件事。
作者：展博 / 2026-06-22
tl;dr 竞对靠实验跑赢了，你也想做，但「实验结果不可靠、推全后效果反转、不知道该信哪个指标」——这些不是平台不够强，是实验体系没建对。 实验时涨、推全后反转，最常见的原因有三个：偷看数据提前停、只挑显著指标报、没看护栏指标。这三个坑和平台贵不贵没关系。 判断一个提升是否可信，不能只看 p<0.05，还要看效应量、护栏指标有没有掉、长期效应是否成立。 80% 的实验平台问题不是技术问题，是指标口径、流程、组织问题。 你以为缺的是工具，其实缺的是共识。 建平台之前，先花半天做个体检。 决策前花小钱搞清楚「值不值得建、该怎么建」，比拍脑袋投几十万、再发现方向错了，便宜太多。 一、你可能正被这几个问题困住 先不谈平台、不谈架构。我想先问你几个问题——如果你是增长、产品或者数据负责人，看看下面这些是不是你正在经历的：
「竞对靠实验跑出来了，我们也想做实验，但不知道从哪儿下手。」 看到对手用 AB 测试快速迭代、增长曲线一路上扬，你也想复制这套打法，可一落到自己团队，连「第一个实验该怎么设计」都说不清楚。
「我们的实验平台，结果好像不太可靠。」 平台是有了，可同一个实验，不同人看出来的结论不一样；今天说显著，明天又说不显著。你心里其实没底——这些数到底能不能信？
「实验时看着涨，推全之后效果反转，或者根本没达到预期。」 这是最让人崩溃的一种。实验阶段明明指标涨了，信心满满全量上线，结果线上效果反转，甚至还不如不改。那当初那个「提升」，到底是真的，还是数据骗了你？
「到底该看哪些指标？怎么判断一个提升是不是可信？」 一个实验看十几个指标，挑一个涨的报上去，算不算成功？p 值小于 0.05 就一定靠谱吗？留存没动、付费涨了，能推全吗？
「说到底——我们的实验平台，建得到底对不对？」 花了钱、花了人，可越用越怀疑：是不是从一开始方向就错了？
如果这些问题你中了一半以上，那我可以负责任地说：这些大概率不是「平台不够强」的问题，而是「实验体系没建对」的问题。 而后者，加再多机器、买再贵的 SaaS 也解决不了。
下面我们一个一个拆。
二、一个真实的场景：平台建好了，然后呢？ 先说一个我反复见到的场景，它正是上面那些问题的总和。
一家公司，老板拍板「我们要数据驱动」，于是数据团队花了三个月，搭了一个看起来很专业的实验平台：能分流、能看报表、能跑 AB。
然后呢？
产品团队觉得「这玩意儿太麻烦，我直接上线不行吗」； 增长团队自己有一套买量看数的逻辑，不鸟这个平台； 数据团队辛辛苦苦建的东西，三个月后没人用，结论也没人信。 钱花了，平台有了，但增长没变快。
这不是个例。根据我的观察，有实验平台的团队里，大概 80% 都卡在「建了但没人用」这个状态。
更要命的是，这个坑很贵——你不是损失了搭平台的几十万，你损失的是「本可以用来验证增长假设的几个月时间」。
三、为什么会这样？因为大部分问题，根本不是技术问题 很多团队一想到「实验能力不行」，第一反应是「我们的工具不行，得建个更好的平台」。
这是最常见的误判。
先说结论：实验体系的问题，可以拆成四层，技术只是最浅的一层。
阻力层 典型表现 真相 工具层 「我们没有实验平台」「分流都做不了」 这是最容易解决的，花钱花人就能搞定 流程层 「实验做完就忘了」「没人写假设」「结论存哪了？」 工具再好，流程不通照样白搭 组织层 「数据团队建平台，产品团队不用，增长团队自己玩」 三权不清，谁都不为实验结果负责 文化层 「老板拍板，实验数据不算数」「失败的实验没人敢说」 最深的一层，建再好的平台也救不了 这里最关键的是：很多你以为的「技术问题」，其实是流程或组织问题。
...
展博增长实验室方法论：实验即增长
关键词：产品增长、买量增长、商业化增长、系统构建
很多准备出海做休闲游戏的小 studio，最容易犯的错误，是把增长理解成「买量」。
产品上线，接 SDK，开广告账户，投 Meta、Google、TikTok，看 CPI 和 ROAS。数据不好，就换素材、换国家、换出价；再不好，就归因于「产品不行」或者「现在买量太贵」。
这个判断不完全错，但它太粗。
真正的问题通常不是「有没有买量」，而是：
你有没有一套能让产品、买量、商业化持续互相校准的增长系统。
对小团队来说，增长不是一个部门，也不是一个岗位，而是一套实验体系。产品实验提高留存，商业化实验提高 ARPU，买量实验验证规模化可能。三者合在一起，才构成休闲游戏出海的增长闭环。
这就是展博增长实验室的第一个实操方法论：
三元增长模型：产品 × 买量 × 商业化。
一、小 studio 为什么不能只谈买量？ 休闲游戏出海看起来门槛低：玩法轻、开发快、IAA 变现路径清晰、全球市场可测试、买量平台也成熟。
但真正跑起来后，小团队通常会卡在三个地方：
买来的用户留不住
CPI 看起来还能接受，但 D1、D7 留存不达标。预算越放大，亏损越明显。
有 DAU，但广告收入撑不起买量
用户愿意玩，但广告 ARPU、eCPM、填充率、展示频次没有被系统优化，看起来有流量，实际 LTV 不够。
有局部收入，但不知道怎么放大
某些国家、素材、渠道跑得不错，但团队不知道结果来自哪里。预算一放大，ROAS 就掉。
所以，小 studio 的增长起点，不应该是「我要不要加预算」，而应该是：
我有没有能力用实验不断回答三个问题：用户为什么留下来？用户能贡献多少钱？什么样的用户值得买？
二、三元增长模型：产品、买量、商业化是一套闭环 对休闲游戏来说，增长可以拆成三个引擎。
增长引擎 核心问题 关键指标 产品增长 用户为什么愿意继续玩？ D1/D7/D30 留存、时长、关卡通过率 买量增长 什么用户可以被稳定买进来？ CPI、ROAS、LTV/CAC、素材转化率 商业化增长 每个用户能产生多少收入？ 广告 ARPU、广告 LTV、eCPM、填充率 很多团队的问题，是把这三件事分开看：产品只看玩法，买量只看 CPI，商业化只看广告收入。
但真实增长里，它们是互相决定的：
产品留存决定 LTV 上限 LTV 上限决定可承受 CPI 买量带来的用户结构影响留存和广告 ARPU 广告策略过重会损伤留存，最终降低 LTV 商业化收入反过来决定买量预算和放大空间 所以三元增长模型的核心不是「三个模块都要做」，而是：
...
从 Meta 广告平台的 20 年演进，看 Marketing API 为什么从 v1 一路走到 v25，以及广告主侧的 Ad Agent 为什么会越来越重要。
tl;dr Meta 广告系统的演进，不是一条简单的"广告后台功能越来越多"的产品线，而是一条更清晰的主线：从人工投放，到算法托管，再到 Agentic execution，工具->平台->操作系统的迁移路线很清晰。
Marketing API 的版本迭代也不是纯技术问题。v1 到 v25 的变化，本质是 Meta 把广告系统的控制权，从广告主和第三方工具手里，逐步迁移到自己的算法和自动化系统里。
这件事对广告主很关键：未来不是工具层的"谁更会点后台"，也不是平台层的"做聚合投放"，而是谁能搭建一个本地的、跨平台的、可审计的 Ad Agent，把 Meta / Google / TikTok 的自动化能力策略性地聚合到自己的增长操作系统里。
一、Meta 商业化的 20 年：广告平台如何从工具变成操作系统 先说结论：Meta 商业化的历史，就是广告主控制权不断让渡给平台算法的历史。
早期 Facebook Ads 是一个广告工具。你选人群、选版位、写素材、设预算，平台负责把广告投出去。
今天的 Meta Ads 更像一个黑盒增长系统。广告主提供目标、素材、预算、转化信号，剩下的受众匹配、版位组合、预算分配、创意组合，越来越多由系统自动完成。
可以粗略分成五个阶段。
阶段 1：社交广告的诞生——把"人"变成广告库存 Facebook 广告的第一阶段，是把社交关系和用户画像商业化。
传统展示广告卖的是页面位置。Facebook 卖的是人：年龄、性别、兴趣、关系、行为。
这带来一个根本变化：广告投放从"买媒体位置"变成"买用户匹配"。
传统 display ads： 广告主 → 买网站/频道/版位 → 触达用户 Facebook Ads： 广告主 → 定义人群/目标 → 系统匹配用户 这个阶段的核心能力是 targeting。
...
2026 年 5 月
作者：展博
引言：为什么最强的模型，交付效果却不如人意？ 2026 年，AI Agent 已经不是新鲜词。
企业 CTO 们纷纷入局：买 GPU、接 GPT-5、搭 LangChain、招 AI 工程师。但半年下来，真正产生业务价值的案例寥寥无几。
一个真实的对话：
CEO：“我们投了 200 万做 AI，为什么 ROI 没提升？” CTO：“模型效果很好啊，GPT-5 的 benchmark 都是 SOTA…” CEO：“我要的是广告投放 ROI 提升 20%，不是 benchmark 第一。”
这个问题，几乎每个做 AI 转型的企业都会遇到。
核心矛盾：模型能力 ≠ 业务结果。
从最强的模型到最终的业务指标（ROI、用户体验、商业化变现），中间隔着至少 7 层漏斗。任何一层的缺失或薄弱，都会导致"叫好不叫座"。
本文将用 Ad Agent（广告投放智能体） 作为实战案例，系统讲解：
AI 应用交付的 7 层漏斗模型（自顶向下设计方法） 技术选型：LangGraph vs 自研 vs Claude Code？ 实施路径：从 Skill 验证到生产系统（含代码示例） 不同规模企业的最佳实践（<10 人 → 500 人） 一、AI 应用交付的 7 层漏斗 1.1 漏斗模型：最强的模型 ≠ 最好的业务结果 ┌─────────────────────────────────────────────────────────────────┐ │ L1 业务指标层 最顶层：ROI、用户体验、商业化变现 │ │ ↓（很多团队在这里就断了） │ │ L2 业务抽象层 基于指标定义场景和工作流 │ │ ↓ │ │ L3 应用设计层 基于编排的应用层，监控/审核/存储等 │ │ ↓ │ │ L4 流程编排层 Human-in-the-loop，人/模型/系统协调联动 │ │ ↓ │ │ L5 上下文工程层 高质量输入 → 高质量输出（Harness 工程） │ │ ↓ │ │ L6 模型调用层 合理调度模型，避免大材小用或力不从心 │ │ ↓ │ │ L7 模型能力层 最底层：模型本身的推理、理解、生成能力 │ └─────────────────────────────────────────────────────────────────┘ 关键洞察：
...
企业 AI 的集体 FOMO AI 应用，尤其在编程等可验证场景，已经给个人带来了十倍效能提升。但这种个人层面的效率革命，并没有相应地转化为公司级的业务增长。这种落差，正在引发企业的集体 FOMO（Fear Of Missing Out）。
我们看到的典型场景是：
开通了各种订阅，额度不限——公司给全员开通 Copilot、Claude 等服务，但没人说得清 ROI 在哪里 员工刷榜比谁消耗的 token 多——账单越涨越高，业务指标却原地不动 AI 应用层出不穷，真正有用的没几个——Demo 好看、上线即死、Pilot 成功但规模化失败 McKinsey 2026 年的数据很残酷：62% 的企业在试水 AI Agent，但只有 23% 成功规模化。MIT 的研究更直接：95% 的生成式 AI 试点项目零可衡量 ROI，300-400 亿美元的企业投资基本打了水漂。
行业推波助澜下的真相 从 VC 到大模型公司，从传统软件厂商到咨询公司，都在推波助澜。但拨开喧嚣，几家行业先锋的观点反而值得仔细品味。
红杉资本：每花 $1 买工具，就花 $6 买服务 红杉资本 2026 年 3 月发表的《Services: The New Software》一文，给出了一个结构性洞察：
“For every dollar spent on software, six are spent on services.”
Gartner 2026 年的数据交叉验证了这一点：全球 IT 支出首次突破 6 万亿美元，其中 IT 服务占 1.86 万亿（最大单项），企业软件仅 1.4 万亿。加上专业服务市场的 10.5 万亿，工具和服务的比例确实是 1:6 甚至更高。
...
