這幾年的風向變了
早幾年 Meta 廣告的操作重心是受眾研究——挖興趣標籤、疊加排除、做各種組合。
現在的主流說法是「受眾放廣，讓演算法自己找」。
這個轉變有真實的原因：機器學習模型變強了，加上隱私政策讓細部訊號減少，人工細分的優勢在下降。
但「放廣就好」被當成通則之後，就開始出問題了。
決定因素：你的轉換目標有多難
這是我們的判斷核心。
演算法要學會找到對的人，需要足夠的正向訊號。轉換門檻越低，訊號越多，學得越快越準。
| 轉換目標 | 門檻 | 訊號量 | 建議 |
|---|---|---|---|
| 觀看影片、互動 | 極低 | 極多 | 放廣 |
| 訊息對話 | 低 | 多 | 放廣 |
| 填寫名單 | 中 | 中等 | 偏廣，保留基本條件 |
| 加入購物車 | 中高 | 中等 | 視預算 |
| 完成購買 | 高 | 少 | 預算低時需給起點 |
| 高單價購買 | 極高 | 極少 | 需要明確起點 |
規則大致是：目標越難達成，演算法需要的樣本越多；如果你的預算撐不起那個樣本數，就要給它一個起點。
預算是第二個變數
演算法需要每週約 50 次轉換才能穩定學習。這是 Meta 官方的建議值，實務上大致吻合。
用這個數字回推：
每週需要預算 ≈ 50 × 你的單次轉換成本
如果你的單次購買成本是 NT$400，那每週需要約 NT$20,000（每月 8 萬）才能讓單一廣告組穩定學習。
預算低於這個門檻時，放廣就是在賭。 演算法還沒學會就把錢花完了。這種情況給它一個較窄但精準的起點，效率會好很多。
我們的實際做法
情況一：對話型或互動型目標 → 放廣
我們有一個直銷案例，把受眾放到很寬（只保留地理與年齡），觸及衝到 354,048 人，開啟 4,128 則對話，單次對話成本 NT$117。
放廣有效的原因是對話門檻低，演算法有大量訊號可學，很快就找到願意開口的族群。
但這裡有個關鍵配套：品質靠素材維持，不是靠受眾。
情況二：用素材做篩選，不用受眾做篩選
放廣最大的疑慮是「品質會不會下降」。
我們的解法是把篩選責任交給素材：在素材裡明確描述適合誰，不適合的人不會有興趣點進來。
這樣做的好處是保留了演算法的探索空間，同時維持品質。房地產案例也是同樣邏輯——素材直接標示總價帶與坪數，讓預算不符的人自己滑過去，名單成本做到 NT$85。
情況三：預算有限的購買型目標 → 給起點
小預算跑購買轉換時，我們會給演算法一個較窄的起點：
- 類似受眾（用既有客戶或高價值客戶當種子）
- 既有互動與瀏覽者的擴展
- 少量、與產品高度相關的興趣標籤
等累積到穩定的轉換量之後，再逐步放寬。
情況四：再行銷 → 一定要細分
再行銷是唯一我們堅持要細分的場景。
不是為了幫演算法找人（那些人已經確定了），而是因為不同行為深度的人卡在不同的地方，需要不同的訊息。
我們把再行銷拆成四層之後，ROAS 做到 18.94。完整做法在這裡。
常見的錯誤操作
一、興趣標籤疊太多層 每疊一層就縮小一次受眾，疊到最後可能只剩幾萬人。而且很多興趣標籤的準確度其實不高。
二、多個廣告組的受眾互相重疊 沒設排除的話，同一個人可能同時在三個廣告組的受眾裡，等於自己跟自己競價，把成本推高。
三、頻繁大幅修改受眾 每次大改都會重啟學習期。要調整的話，寧可新開一組去測，而不是改動正在跑得好的那組。
四、放廣之後不管素材 放廣的品質完全靠素材撐。素材沒有篩選性的話，放廣就真的會帶來一堆不相干的人。
一個實用的測試方式
不確定該放廣還是細分時，直接測：
- 開兩個廣告組，用同一組素材
- 一組放廣（只保留地理與年齡）
- 一組用你原本的細分設定
- 預算對半分，跑到各自累積足夠樣本
- 比較單次轉換成本，不是 CTR
重點是素材要一樣，否則你分不清是受眾還是素材造成的差異。
重點整理
- 轉換門檻越低越適合放廣，越高越需要起點
- 預算撐不起每週 50 次轉換時，不要放廣
- 用素材做篩選，不用受眾做篩選
- 再行銷一定要分層，這是例外
- 不確定就直接 A/B 測，但素材要控制一致
想討論你目前的受眾架構有沒有問題，聊聊，我們可以一起看帳戶結構。