广告投放和客户服务，在绝大多数跨境团队的组织架构里是两个几乎不说话、也没有共同指标的部门。投放盯ROAS、CPA、单量；客服盯响应时长、差评率、退款率。但我跟着复盘过的一个家居类目店铺，给出了一组很反直觉的数据：同一个运营团队、同一条供应链、同一个客服小组，只是把三条主力广告素材的承诺话术改了，30天后客服工单总量下降了约三成，而广告ROAS只掉了四个百分点。这下降的三成不是客服努力换来的，它是在投放那一刻就被写进订单里的。
这篇文章想拆开的，就是这条被绝大多数运营忽略的传导链：广告投放如何通过流量结构、承诺偏差和履约预期，一步步决定客服的工单结构、人力负载和真实利润。我会先给结论，再讲场景、误区、判断逻辑，用我在几个卖家项目里的观察数据（属于样本推演，不是行业统计）来说明，最后给出不同体量团队可以直接抄的行动建议和取舍清单。
很多人把客服看作”事后部门”，认为客服做得好不好，取决于话术、排班、响应工具。这个判断只对了一半。客服能改变的，是工单的处理效率；而工单的数量和类型，在广告计划上线的那一刻就基本定型了。
结论一：工单量不是客服指标，是投放指标。 一个店铺的工单密度（每百单产生的工单数）主要由三件事决定：投放人群的成熟度、素材承诺与实物的一致性、以及履约时效的可预期性。这三件事全部由投放和运营侧控制，客服只能被动承接。
结论二：客服成本不是线性成本，是阶梯成本。 工单量从100单/天涨到150单/天，客服可以通过加班消化；涨到250单/天就必须招聘、培训、加时区班次，成本会出现一次跳跃式上升。而广告投放的脉冲式放量，恰恰最容易把工单量推过这个台阶。
结论三：广告带来的低质流量，罚款成本远高于获客成本。 一个因为”货不对板”产生的差评和纠纷，在平台侧可能触发的是账号健康度扣分、流量降权，甚至是类目保证金扣款。这部分损失从来不会出现在广告报表里，但它真实发生在利润表的另一端。
我见过太多团队在复盘差评率上升时的第一反应是”客服响应慢了””客服话术不专业”。于是加人、上自动回复、做话术培训。结果两三个月后差评率还是没下来，只是被更多的自动回复掩盖了。
把工单按来源广告计划去反查，通常会发现一个非常集中的分布：80%的负面工单集中在20%的广告计划上。这些计划往往有几个共同特征，用了极端的价格对比素材、承诺了模糊的时效、投放了与产品定位不匹配的人群包，或者叠加了多层优惠券导致结算价和素材价不一致。
这些雷在投放设置里就已经埋好了，客服能做的只是事后拆弹。拆弹效率再高，爆炸次数也不会减少。
把广告到客服的链路完整写出来，大概是这样六个环节：投放设置 → 流量结构 → 订单结构 → 履约预期 → 工单结构 → 利润结果。每一环都有可观测的指标，也都有可控的杠杆。问题在于，大多数团队只监控了第一环和最后一环，中间四环是黑箱。
下面这张图把这个传导链和每一环的关键指标放在一起，方便对照自己的业务确认卡在哪一环。
跨境业务和国内电商有一个本质差异：广告投放和客服工单之间，隔着一段非常长的履约时差。这段时间差决定了：广告侧的异常不会被立刻发现，等发现时已经产生了几百个订单和一批不可逆的差评。
第一是时效。 一个美国消费者从点击广告到收到货，海运小包可能15到30天，海外仓发货可能3到7天。投放侧改了承诺时效，客服侧要等到大半个月后才会集中爆发”物流太慢”的工单。
第二是语言。 素材里的英文表达和客服收到的英文咨询，往往来自不同的人写的。素材写”waterproof”，消费者理解成”可以戴去游泳”，收到货发现只是防泼溅，这个差距在英文环境里几乎无法在投放阶段被发现。
第三是退货成本。 国内退货几块钱，跨境退货可能比货值还高。这导致一条策略变化：跨境消费者遇到不满时更倾向于直接开纠纷或者留差评，而不是先联系客服。所以跨境业务的负面工单，往往已经是不可挽回的最后一步。
第四是时差。 投放侧在白天放量，客服工单在目标市场的白天涌进来，正好是国内团队的深夜。这个错位会让”响应时长”指标天然难看，也容易让管理层误判成客服人力不足。
去年我参与复盘过一个家居收纳类目店铺，主营北美市场，日均广告花费在四位数美元区间。运营在旺季前一口气上了三组新素材，主打”大容量””承重强”，配合了限时折扣。
上线的头两周数据很好看：CTR比老素材高了六成，转化率也涨了。第三周开始，客服工单开始出现异常。第四周工单量翻了一倍多，其中超过四成集中在两类：一类是问”这个尺寸能装多少件衣服”，另一类是收到货后反馈”和图片看起来不一样”。
把工单和广告计划对应起来看，问题非常清楚：新素材用的是渲染图，视觉上把收纳箱的体积放大了；而投放的人群包从原来的”有孩家庭收纳需求”扩到了”家居装饰兴趣人群”，后者的购买动机是好看而不是实用，收到后对材质和容量的容忍度极低。
这次问题的最终成本不在客服加班费，而在于那一批订单的退货率和差评，把listing的评分从4.6拉到了4.2，后续两个月自然流量明显下滑，广告的CPA也跟着涨了。这是一次典型的”广告省钱、全链路付账”。
跨境的大促节奏（黑五、网一、Prime会员日、圣诞）会让这个问题变成常态。投放在大促期间放量3到5倍，订单在10天内集中产生，而工单会在订单产生后的7到20天里集中爆发，正好落在团队最疲惫、最想收工复盘的时候。
下面这张图是我在一个卖家项目里做的月度回溯，用投放峰值和工单峰值的时间差来说明这个滞后关系。数据为样本推演，用于展示趋势形态。
这一节我想集中拆一批在跨境团队里反复出现的错误判断。它们共同的特点是：听起来很有道理，执行下去也有动作，但方向错了，所以越努力越远。
几乎所有客服管理工具的第一屏都是响应时长和首次解决率。这两个指标当然重要，但它们是结果指标，不是根因指标。一个工单量被广告翻倍的系统，无论响应做得多快，人力成本都会翻倍以上。
更麻烦的是，追求响应速度会带来一个隐性副作用：客服为了快，倾向于用模板化回答，于是”货不对板”这类需要解释和补偿的工单更容易升级成纠纷。速度指标漂亮了，退款率上去了。
ROAS是广告的核心指标，但它有一个致命的盲区：它统计的是成交那一刻的收入，不统计这笔成交在之后的30天里产生的退货、纠纷、客服成本和评分损耗。
我建议所有跨境团队在广告报表旁边加一列”订单净贡献”，粗略算法是：成交额减去退货额、减去客服分摊成本、减去平台费用波动。很多高ROAS计划的净贡献其实低于中等ROAS计划，尤其在大促期间。
“售前/售后”这个二分法几乎没有诊断价值。真正有诊断价值的分类维度是责任归属：哪些工单是投放承诺导致的，哪些是物流导致的，哪些是产品本身导致的，哪些是消费者误解导致的。
我通常在项目里用一套固定的标签体系，把工单按责任方打标。这样每周可以把工单量按标签拆开，直接对着广告计划做归因。
工单责任标签体系（建议）
├── T1 投放承诺类
│ ├── T1-1 尺寸/容量与素材差异
│ ├── T1-2 功能描述与实物差异（material/function）
│ ├── T1-3 价格与优惠券认知差异
│ └── T1-4 时效承诺与实际不符
├── T2 履约物流类
│ ├── T2-1 未收到货/无轨迹更新
│ ├── T2-2 妥投异常/地址问题
│ └── T2-3 关税与清关争议
├── T3 产品自身类
│ ├── T3-1 质量缺陷
│ └── T3-2 使用说明不清晰
└── T4 消费者认知类
├── T4-1 未读说明书
└── T4-2 期望值偏差（无素材误导）
很多团队的处理方式是拉一个”运营-客服周会”，让两边对齐信息。这个动作有意义，但作用有限。因为问题的根源不在信息传递，而在于两边的KPI体系里没有共同项。
运营的KPI是GMV和ROAS，客服的KPI是满意度、响应时长、工单处理量。两套指标之间没有任何交叉，所以周会上大家只能互相通报，无法形成共同优化目标。
并非所有工单都是坏事。售前的尺码咨询、搭配咨询、功能确认，是高意向用户在下单前的求助，处理得好会直接提升转化率。真正需要压缩的是那些”本不该发生”的工单，也就是T1责任标签下的部分。
把这个区分清楚之后，客服部门的定位会从成本中心变成转化部门：一类工单要压，一类工单要主动引导。
这是最贵的一个错误。换人之后，新负责人需要三到六个月才能建立起对业务的理解，而问题依然存在于投放设置里。我见过三家店铺在一年内换了两次客服负责人，工单密度没有任何变化。
下面这张图把六个误区对应的”常见错误动作”和”真正的根因环节”放在一起对比，可以当作自查表用。
前面讲了为什么，这一节讲怎么判断。我需要一套可以在会上讲清楚、在系统里跑起来的推导逻辑，而不是”感觉这个素材会出问题”这种经验主义。
我把广告对客服的影响拆成四个维度，每个维度都能拉到数据：
| 维度 | 定义 | 数据来源 | 对工单的影响方向 |
|---|---|---|---|
| 人群成熟度 | 该人群包中了解本类目产品的人占比 | 受众定向设置、历史复购数据 | 越不成熟，售前咨询越高 |
| 承诺偏差 | 素材/落地页描述与实物属性的差距 | 素材文案、详情页、实物参数 | 偏差越大，货不对板工单越多 |
| 履约确定性 | 实际妥投时效与承诺时效的波动幅度 | 物流轨迹、承诺时效设置 | 波动越大，物流类工单越多 |
| 决策复杂度 | 用户完成下单所需判断的信息量 | SKU数量、规格维度、价格档位 | 越复杂，下单前后咨询越多 |
这四个维度里，承诺偏差是最容易被忽视、也最容易改的。改一段素材文案的成本几乎为零，但它能直接影响的一类工单，往往占总工单的两到三成。
我在项目里用过一个粗略的估算式，用来预判一次投放变更带来的工单增量：
预计新增工单数
= 新增订单数
× 基础工单密度（该店铺历史百单工单数 / 100）
× 人群成熟度系数（成熟1.0 / 混合1.4 / 陌生2.1）
× 承诺偏差系数（一致1.0 / 略有偏差1.5 / 明显偏差2.3）
× 履约确定性系数（稳定1.0 / 偶发波动1.3 / 频繁波动1.8）
这套系数不是精确的，但方向明确。举一个实际用过的例子：一个基础工单密度为每百单6件的店铺，计划新增投放800单，人群从成熟扩到混合，素材从实拍改成渲染图，物流沿用原有渠道。代入后得出：
800 × 0.06 × 1.4 × 1.5 × 1.0 ≈ 100.8 件新增工单。而原计划的客服容量只多留了50单的余量。这个数字在投放上线前就能算出来，比事后救火便宜得多。
不是所有工单都值得优化。我通常的做法是每周拉一次工单类型分布，按数量排序，看前20%的类型占了多少比例。如果是典型的帕累托分布（前20%占70%以上），那就集中火力处理这几类；如果分布很平，说明问题分散在每个环节，需要系统性调整投放结构，而不是单点修补。
下面这张图展示的是我在一个店铺里观察到的典型帕累托形态。数据为样本推演，用于说明分布特征。
最后一个判断逻辑上的转变：把工单密度从一个客服指标，变成一个投放上线前的准入指标。就像投放前要确认库存和预算一样，也应该确认这个计划预计会带来的工单类型和数量。
具体做法是给每个新素材定一个”工单预算”：如果这条素材上线后，对应的T1类工单超过某个阈值，就强制下线或修改。这条规则一旦写进SOP，能避免掉大部分事后救火。
说了这么多判断逻辑，落地时最大的障碍其实是数据不通。广告数据在广告后台，订单数据在ERP，工单数据在客服系统，三套系统各说各话。我试过用表格手工拼，一份周报要花掉大半天，而且容易出错。后来我在项目里引入了”数跨境”来做这件事，下面把配置思路和跑出来的结果讲清楚。
单独看广告报表，你只能看到CPA和ROAS；单独看客服报表，你只能看到工单量和响应时长。只有把订单和工单按SKU、按广告计划、按地区并到一张表里，才能看出哪条广告在制造工单。
这个动作的手工版是可以做的，我做过的方案是用订单ID作为主键，把广告侧的计划ID、素材ID带到订单上，再把工单通过订单号关联回来。缺点是每天都要重新跑一次，稍不留神就对不上。
数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm_plan=est&utm_unit=gys）本身是面向跨境电商的数据分析工具，我用它的主要原因是能把多平台订单、广告花费和售后数据拉到同一个数据模型里，不用自己写关联逻辑。
我的配置思路分成三层：第一层是店铺总览，看整体花费、订单、退款、工单的日趋势；第二层是SKU维度，看哪些SKU的退货率和咨询率异常；第三层是广告计划维度，把花费和工单量放在一起看，找出”高花费高工单”的计划。
| 看板层级 | 核心指标 | 使用频率 | 解决的问题 |
|---|---|---|---|
| 店铺总览层 | 广告花费、订单量、退款率、工单量、客服人力投入 | 每日查看 | 发现整体异常波动，判断是否触发预警 |
| SKU维度层 | SKU退款率、SKU咨询率、SKU广告花费占比 | 每周查看 | 识别哪些产品的广告投放效率与售后成本不匹配 |
| 广告计划维度层 | 计划花费、计划订单量、计划对应工单数、单工单成本 | 每周复盘 | 归因到具体投放设置，形成可执行的优化清单 |
第三层的”单工单成本”是我自己加的一个衍生指标，算法是：该广告计划产生的工单数 × 单工单平均处理成本 ÷ 该计划订单数。这个指标能直观告诉运营，这条广告每带来一个订单，背后还挂着多少钱的客服成本。
在积累了大约四个月的数据之后，我观察到一些比较稳定的对应关系。以下数据来自我跟踪的几个店铺样本，属于样本推演，不是行业统计口径。
第一类变更：素材从实拍转为渲染图。 这类变更最直接的影响是货不对板类工单上升。观察到的时间滞后大约是订单妥投后的3到7天，工单增幅在40%到90%之间，取决于渲染程度和产品属性的可辨别性。
第二类变更：投放地区从沿海高密度区扩到内陆分散区。 这类变更主要推高物流类工单。原因是分散地区的末端配送时效波动大，而消费者对时效的容忍度是按素材承诺来的。工单增幅通常在20%到50%，并且退款申请的上升会滞后一到两周。
第三类变更：优惠券从单层改为多层叠加。 这类变更会立刻产生价格认知类工单，几乎没有滞后。因为在结算页看到的价格和素材上看到的价格不一致时，消费者通常会在下单前就来问。这类工单量不大，但转化率损失很高，每10个价格咨询里，大约有4个最终没有下单。
把这三类变更和它们对应的指标变化放在一张图里，会看得更清楚。
回到开头提到的那次调整。在定位到问题之后，我们做了三件事：把渲染图换回实拍加尺寸标注；把落地页的容量描述从模糊的”大容量”改成具体的长宽高和可装件数示例；把人群包收敛回原来的家居收纳需求人群。
调整上线后跟踪了30天，观察到的变化如下（样本推演数据）：
这次案例给我的最大启发是：广告报表上的”好”和利润表上的”好”经常是反的。 指望运营主动牺牲ROAS去做素材校准，在现行考核体系下几乎不可能。所以这件事必须由指标设计来解决，而不是靠自觉。
前面是通用逻辑，但不同体量的团队能落地的动作差别很大。这一节我按四种典型情况给出具体建议，都是可以直接照做的动作。
铺货型的特点是SKU多、单SKU投放周期短、客服很难对单个产品建立认知。这种情况下不建议一上来就做工单归因，成本太高。
建议按这个顺序做三件事：
铺货型卖家不需要精细的净贡献核算，因为单个SKU的量太小。但素材复核这个动作一定要有，它是成本最低的止损手段。
精品型的特点是SKU少、单品投入大、广告预算集中。这类团队完全有条件做净贡献核算，而且做了收益最大。
建议按这个顺序：
精品型团队最容易踩的坑是：因为单量大，所以对退货率的微小上升不敏感。但1个百分点的退货率在年销千万的体量上，就是几十万的直接损失。
独立站的用户行为和平台不同。因为没有平台的评价体系约束，用户遇到不满时更倾向于直接离开，而不是联系客服。所以独立站的核心问题往往不是工单量，而是弃单率。
建议重点关注三个动作：
独立站还有一个优势：可以做订阅和复购。这意味着一次因为素材误导流失的用户，损失的是未来的复购价值，不只是这一单。
大促是最容易失控的时期。我建议在大促前做一张简单的投放风险表，把每个计划的预计订单量和预计工单量都写进去，然后对比客服团队的容量。
具体可以这样操作：
小团队没有余力做工单归因，但有一个动作必须做：每周把工单量最高的三个问题类型记下来，直接找对应的运营看素材。这个动作每周只需要半小时，但能避免小团队被工单彻底压垮。
小团队的另一个现实约束是：一旦工单量翻倍，就没有资源做任何优化了，只能被动响应。所以对小团队来说，预防的价值远大于优化的价值。宁可少投一点，也不要在没有准备的情况下突然放量。
前面给的建议里有很多”应该做”，但真正难的是取舍。资源有限的时候，做A就做不了B。这一节我把几个核心矛盾摆出来，给出我的判断。
在短期考核压力下，转化率优先几乎是必然选择。但我的判断是：当且仅当客服成本可以被线性消化时，才优先转化率。
线性消化是指：新增工单可以由现有团队通过加班或效率提升吸收，不会触发招聘。一旦预计会触发招聘，就应该优先控制客服成本，因为招聘的固定成本和培训周期会持续几个季度。
一个粗略的分界线是：如果预计新增工单量超过现有团队日均处理能力的30%，就应该先降转化目标，而不是先放量。
素材越有冲击力，CTR越高，但也越容易超出消费者的实际预期。这是一个天然矛盾，没有两全方案。
我的取舍原则是：在视觉冲击力上可以激进，但在功能描述上必须保守。 也就是说，可以用好看的场景图和氛围图吸引点击，但在具体的尺寸、材质、容量、功能描述上，必须和实物严格一致，甚至略低于实物。
原因很简单：视觉夸大的成本是退货，功能夸大的成本是差评和纠纷。退货成本可计算，纠纷成本会伤及账号。两害相权，前者更可控。
快速扩量往往意味着要投到新的地区和新的物流渠道，而新渠道的时效波动通常会更大，前端体验会有明显抖动。
我的判断是：在已经成熟的市场上提速，风险远小于在新市场上提速。 如果一定要开拓新市场，建议用独立的素材和独立的承诺时效，不要和成熟市场的素材复用。这样消费者看到的承诺和实际履约能力是对齐的，可以大幅降低物流类工单。
客服自动化在跨境场景下非常有价值，主要解决时差和语言问题。但我不建议把所有工单都交给自动化。
比较合理的边界是：信息查询类工单（订单状态、物流轨迹、退换货流程）用自动化，情绪类和争议类工单立刻转人工。 前者自动化能显著降低成本，后者自动化只会把差评推得更远。
下面这张图展示的是不同目标市场在四个维度上的客服压力差异，用来帮助判断在不同市场投放时应该重点防哪一类问题。数据为建议基准，不是实测统计。
这是最根本的一组取舍。短期ROAS可以通过激进的素材和广泛的人群包快速拉高，但代价是评分下滑、账号健康度下降，最终导致自然流量和广告效率一起走低。
我的判断始终是：在账号健康度还没出问题的时候，主动牺牲一小部分ROAS去做素材和定向校准，是划算的。 因为等到健康度出问题再修复，需要的时间和成本是前者的好几倍。文章开头那个案例就是佐证：ROAS降了4%，订单净贡献反而上升了。
如果你手上只有一个指标做决策，那就用订单净贡献。它不完美，但它比ROAS更接近真实。
整篇文章其实在讲一个组织问题：广告投放和客户服务在大多数团队里被放在了两个不同的考核体系里，而它们的因果关系又非常紧密。这个错位导致所有的优化都变成了局部优化，谁也解决不了全局问题。
我自己的判断是，跨境电商团队真正需要的不是更多的客服工具，也不是更精细的投放技巧，而是把客服指标挪到投放复盘会上。让做投放的人每周看一次工单类型分布，让做客服的人每周看一次广告计划变更记录。这一个动作带来的改善，通常比任何单一工具都大。
具体到下一步，我建议你按这个顺序做三件事：
如果你手上有多个平台、多个店铺的数据需要打通，可以参考我上面提到的那种三层看板结构，用数跨境这类工具把广告花费、订单、售后数据拉到同一个模型里，省掉手工关联的时间。工具本身不是关键，关键是你要有一套能把自己业务里的广告端和客服端连起来的视角。
广告投放决定的不只是订单量，它还决定了你的客服成本、退货率和账号寿命。这条链路上省下的每一块钱，都会在客服和罚款里还回去。想清楚这一点，很多看起来两难的选择，其实并没有那么难。
我之前一直觉得投放和客服是两条线，投放管拉新、客服管售后，各背各的KPI，井水不犯河水。直到去年旺季我们独立站放量，客服后台一下子涌进来几百条咨询，退款率也跟着抬头，我才意识到这两件事根本没法分开看。
机制其实就三步：广告决定来的是什么样的客户、以什么预期进来、在什么时间扎堆进来。第一，素材承诺决定客户预期，如果广告写3天到货、买一送一，客户下单后就会拿这个标准来问客服，预期和履约一有落差，咨询就变成客诉。
第二，投放节奏决定咨询峰值，一场大促把日订单从300单拉到3000单，按跨境行业常见的5%到10%咨询率算，就是150到300条咨询，如果客服还是按平时两个人排班，首响时间会从2分钟涨到半小时以上。第三，渠道和选品结构决定问题类型，投低价引流款的客户更爱问退换货，投高客单的客户更爱问物流和清关。
判断依据很简单：把广告的素材文案、投放日历、渠道分布拉出来，和客服的咨询量、咨询类型、首响时长做时间轴对齐，基本能看出谁在给谁制造麻烦。
每次大促老板都问我这次要加几个人，我以前基本靠拍脑袋，结果要么人来了没事干，要么咨询爆了没人接。后来被投诉到店铺评分掉了一档，才开始认真做测算，才发现这里面有可以套的口径。
先算咨询量：预估广告带来的订单量乘以咨询率。咨询率要按渠道拆，独立站一般3%到8%，平台站内信和IM更高，旺季能到10%以上；有历史数据就用历史数据，比行业均值靠谱，没有就先用5%打底。
再算人力：一名客服8小时能处理的会话量取决于复杂度，纯物流查询大概80到120条，涉及退换货、支付纠纷的大概40到60条，取中位数估算。然后按峰值而不是按均值排班，大促当天咨询往往集中在开抢后2小时和发货后24到48小时两波。最后留20%的余量给突发，比如物流延误或平台政策变动。
判断依据看两个数：首响时长和会话放弃率。首响超过60秒、放弃率超过5%，说明人力不够，这时候要么加人，要么用FAQ自助和机器人把简单问题分流掉，而不是让客服硬扛。
我们投手写过7天无理由退换，实际海外仓的退换流程要走14天，客户天天来问，客服只能一遍遍道歉。这事内部吵了很久，投手觉得客服不配合，客服觉得投手乱承诺，最后谁都不认账。
这个必须在上线前用一张承诺清单卡住，而不是等客诉出来再吵。具体做法是：素材定稿后，把所有对外承诺逐条拆出来，分成时效（发货、到货、清关）、价格（折扣、满减、赠品）、服务（退换、保修、客服在线时间）三类，每条都写明履约方是谁、兑现标准是什么、例外情况怎么解释。
然后由客服负责人签字确认，签不了的字就回去改素材，而不是改客服话术。经验上，跨境最容易被承诺坑的是到货时效和赠品库存，物流段不完全可控，赠品经常超卖，这两项最好留出缓冲表述。
判断依据看客诉原因的分类占比：如果与描述不符类占比超过15%，基本可以断定是素材口径问题，而不是客服态度问题，这时候优先改投放素材，见效比培训客服快得多。
我们投放看ROI，客服看满意度，两边月度会上一对账就互相甩锅。投放说客服响应慢导致转化差，客服说投放引来的都是垃圾流量。我一直想找一个能把两边说清楚的指标口径，试了几个月才理顺。
建议建一张按天、按渠道、按素材维度对齐的表，核心放四组指标。第一组广告侧：花费、点击、订单、CVR、CPA、ROI。第二组客服侧：咨询量、咨询率（咨询量除以订单量）、首响时长、解决率、会话放弃率。第三组结果侧：退款率、退货率、差评率、纠纷率、店铺评分。
第四组是关联指标，也是最有说服力的：分素材的退款率和客诉率。如果某条素材CPA很低但退款率是同渠道均值的2倍，那它就是假便宜，真实获客成本要按净ROI重算，也就是把退款金额和客诉处理人力成本一起扣掉。口径上有两点必须注意：退款要按订单创建日期归因到投放日，而不是退款发生日，否则两边永远对不上；
客诉归因要区分产品物流问题和客服态度问题，前者算投放和供应链的账，后者才是客服的账。坚持跑两三个月，你会很清楚地看到哪条素材在赚钱、哪条只是在制造工单。
读者评论
在跨境家居类目做过两年客服主管，文中说的工单集中在少数广告计划上，我这边基本能对上。但有一点想补充：责任标签体系落地时，客服打标的主观性很难控制，同一个买家抱怨尺寸，不同客服可能打成T1也可能打成T4。我们后来是让投放的人每周抽检五十条工单，两边一起定标，争议才慢慢少下来，否则归因结论会飘。
ROAS那部分看得挺扎心。我们去年黑五有个计划ROAS做到5.8，团队当成标杆继续加投，结果一月份退货和纠纷算进去是亏的。不过文章给的订单净贡献算法太粗了，客服分摊成本按什么口径分到单个计划上？按工单量还是按时长？这个如果没定清楚，算出负数也没人信服，最后还是变成拍脑袋。
质疑一点，也是我真正想不通的地方。文章说八成负面工单集中在两成计划上，但我看到的情况是素材没问题、人群也没问题的计划照样出工单，问题出在物流商某条线路那段时间清关慢。这种情况下把工单打标到T1，投放团队会觉得冤枉，然后就开始和客服扯皮。传导链讲得很顺，可履约商这个变量在链路里几乎没有位置，实际业务里它经常是最大的那个。