作者：zhanbo · 2026-10-10

声明：本文为独立行业观察，基于公开资料整理，不代表任何雇主或客户观点；本工作室不承接游戏（含手游 / 休闲 / 中重度）行业相关咨询。文中举例以移动应用生态为主（手游是程序化广告最早成熟的战场，很多机制从那里发源）。

tl;dr

  1. AdTech 只解决一件事：把"合适的广告，在合适的时刻，卖给合适的用户"自动化，并让每一方知道这次展示值多少钱。
  2. 记住五个角色：广告主 → DSP → Exchange → SSP → 开发者；大媒体（Meta / Google / TikTok）自成体系绕开中间层；MMP 负责独立归因。
  3. 一次展示在 100 毫秒内完成实时竞价，平均要经过十几次出价请求、至少三个交易所。
  4. 归因正在经历隐私重构：设备 ID 失效 → 精准归因缺失 → 依赖聚合数据和机器学习 → 第一方数据价值上升、增量测量成为前沿。
  5. 自动化成熟度分 L1–L5，绝大多数团队卡在 L2–L3，瓶颈是数据口径而不是算法。

一、先看全局：钱和广告怎么流动

广告技术的全部复杂度，都来自一个简单事实：广告主想买的是"结果"（安装、注册、下单），开发者卖的是"展示"，两者之间需要一整套市场来撮合和计价。

广告主 / 代理商
   │  我要这类用户，愿为一次安装付 X 元
   ▼
 DSP（需求方平台）──── 帮广告主在全网流量里自动出价、找用户
   │
   ▼
 Ad Exchange ──────── 实时拍卖市场，100ms 内撮合买卖
   │
   ▼
 SSP（供给方平台）──── 帮开发者管理广告位、把展示卖出最高价
   │
   ▼
开发者 / Publisher（App、网站）

五个角色，一次认清

角色站在哪边做什么
DSP广告主侧代表广告主在海量广告位上自动竞价、定向、控成本
SSP开发者侧接入多家买家，帮开发者把每次展示卖出最高价
Ad Exchange中间市场执行实时竞价（RTB）的交易所；很多公司同时扮演 SSP 和 Exchange
Ad Network / Mediation聚合层聚合多家流量或多家买家，给中小广告主 / 开发者一个统一入口
MMP（移动测量伙伴）独立第三方做安装归因、事件追踪、反欺诈——广告链路里的"裁判"

必须单独理解的是大媒体（Walled Garden，围墙花园）：Meta、Google、TikTok 同时拥有流量、广告系统和一方用户数据，广告主直接在其后台投放，归因也由平台自行回传（这类平台叫 SAN，Self-Attributing Network），基本绕开了 DSP–Exchange–SSP 这条公开市场。所以行业里实际存在两套并行体系：大媒体的封闭体系 和 开放互联网的程序化体系。

二、一次展示的 100 毫秒：竞价到底怎么发生

用户打开一个 App、广告位被触发的瞬间：

广告位触发
 → Mediation SDK 同时向多家买家发起出价请求
 → 各 DSP 依据"这个用户值不值"决定出不出价、出多少
 → 出价经 SSP / Exchange 汇总，最高价赢得展示
 → 广告渲染、曝光，同时触发归因追踪

这一切在约 100 毫秒内完成；行业平均一次展示会产生十几次 bid request、经过至少三个交易所。

两种竞价模式，别混淆

模式怎么运作现状
Waterfall（瀑布流）开发者按历史 eCPM 给各广告网络排优先级，从上往下依次问"你要不要"逐步淘汰：靠历史数据排序，不公平、效率低
In-App Bidding（实时竞价）多家买家同时出价，最高价当场得展示主流：公平、eCPM 更高，相当于 App 内的 header bidding

程序化交易的标准协议则是 RTB（Real-Time Bidding）——每次展示机会单独拍卖，价高者得。

三、归因：广告链路里争议最大的一环

广告主最想知道的问题是：“这个用户装了我的 App、下了单，到底是哪条广告带来的？” 这就是归因。

归因方法与现状

方法原理状态
设备 ID 确定性归因用 IDFA（iOS）/ GAID（Android）精准匹配点击与安装iOS 受限：ATT 授权率仅约 25%
概率归因（指纹）用 IP + 设备型号 + 系统版本模糊匹配Apple 已禁止
SKAN / AdAttributionKitApple 官方的聚合级隐私归因，不回传用户级数据iOS 主要归因方式
Privacy SandboxGoogle 在 Android / Chrome 上的隐私归因方案逐步落地
增量测量（Incrementality）用实验组 / 对照组直接测量"广告真正多带来了多少"前沿方向

一条必须记住的指标漏斗：

展示 Impression → 点击 Click → 安装 Install
   → 次日留存 D1 → D7 ROAS → D30 ROAS → LTV

两个入门者最容易踩的坑

  1. 归因 ≠ 因果。 主流的末次点击归因（last-click）只是把转化"记在"最后一次点击上，不证明这次点击真的带来了用户。要看真实增量，得做 incrementality / Geo holdout 这类因果实验。
  2. 多源数据天然对不齐。 大媒体后台、MMP、内部数仓三方的安装、成本、收入数字常差 5–15%——因为归因窗口、回传口径、时区、收入确认方式都不同。成本以媒体后台为准、归因以 MMP 为准、广告收入常有可观缺失。预算会上吵 ROI，八成吵的是口径。

各平台层级结构、成本与收入的对齐原则、SKAN 与非 SKAN 如何分层展示，细节很多，可对照后续的实操文章或在诊断中按你的链路走一遍。

四、出价策略：广告主怎么表达"我要什么"

策略广告主的目标典型使用
Lowest Cost（自动出价）预算花完、单次转化成本尽量低冷启动、数据少
Cost Cap / Bid Cap控制平均 / 最高出价上限控成本、稳节奏
Target CPA为目标安装 / 事件成本优化转化目标明确
Target ROAS为目标回收率优化有回收数据、看长期价值
pLTV 预测出价基于用户预测生命周期价值动态出价头部平台内建、规模化团队

一个在中国市场常见、海外大媒体基本不支持的机制是 RTA（Real-Time API）：平台把用户实时信号发给广告主，广告主在几十毫秒内返回出价 / 定向决策——本质是让广告主用自己的一方数据参与平台决策。

五、隐私冲击：为什么整个行业在重构

隐私政策（ATT、SKAN、Privacy Sandbox、GDPR、指纹禁令）带来的是一条连锁反应：

设备 ID 受限
 → 用户级精准归因缺失
 → 出价模型精度下降
 → 转而依赖聚合数据 + ML 预测 + 上下文定向（Contextual）
 → 第一方数据和数据治理的价值大幅上升

这正是"数据主权"在广告领域的具体含义：当外部平台不再回传用户级数据，谁能把自己的一方数据、口径和测量体系建好，谁就还能做决策。

六、自动化成熟度：你在哪一层

一次投放决策可以拆成四个维度：在哪里展示（点位）× 展示什么（素材）× 出多少钱（出价）× 给谁看（人群）。自动化能力则分五层：

层级能力
L1 信息可见数据能看到、能汇总
L2 规则干预按规则自动执行（如 ROAS 低于阈值 → 降预算）
L3 算法驱动ML 模型自动优化（pLTV 出价、自动人群扩展）
L4 自主决策AI Agent 自主调整策略
L5 闭环学习策略 → 执行 → 度量 → 学习全自动

现实是绝大多数团队卡在 L2–L3，而且卡点几乎从来不是"没有更聪明的算法"，而是底层数据口径不统一、三源对不齐、没有可信的效果度量。在没对齐的数据上直接上 L4 Agent，只会更快地自动花错钱。

下一步

如果你是第一次系统接触广告技术，建议的学习顺序就是本文的结构：先认清角色 → 理解竞价 → 搞清归因和口径 → 再看出价、隐私与自动化，不要从各家平台的功能列表入手。

如果你的团队已经在投放，却遇到多源数据对不齐、ROAS 口径反复吵架、或想上自动化又担心数据底座不够：

延伸阅读：