去年11月，我陪一个年销4000万人民币的家居类亚马逊卖家做旺季广告复盘。他们的黑五网一广告花费比原计划多花了38%，但广告销售额只比计划多了11%，ACOS从预算表里的22%飙到31%。老板第一反应是"运营没执行好"，运营总监的第一反应是"计划本身就不合理"。我花了两个小时翻他们的年度规划文件，发现问题根本不在执行，也不在预算数字，而在于那份规划表里的"广告销售额"口径，和广告后台里的"广告销售额"口径根本不是一回事，一个按归因7天统计，一个按归因1天统计，中间差了整整14个百分点。
这件事之后我形成了一个判断：亚马逊广告的年度规划，表面上是一道预算分配题，本质上是一道数据基础设施题。你能不能把规划做准，取决于你能不能把数据接全、把口径定死、把规则固化。本文会把这套路径完整拆开，包括我踩过的坑、我见过的失败案例、以及一个可落地的90天实施路线图。
先说结论，后面再展开论证。如果你时间有限，只看这一节也能带走80%的价值。
我见过太多团队把年度规划做成一张漂亮的Excel，里面有12个月的预算分布、有各类目的ACOS目标、有新品期的亏损容忍度。但这张表大概活不过3月。因为它建立在一堆互相矛盾的口径上：广告后台的归因窗口、ERP的销售口径、财务的收入确认口径、BI报表的计算逻辑，四套数字互相打架。
当数字打架时，人的本能不是去修口径，而是去"解释"数字。于是季度复盘会变成口径辩论会，规划自然就废了。
年度规划常见的颗粒度是"店铺×月×广告类型"，这个颗粒度在淡季够用，在旺季完全不够。旺季的预算调整窗口是以小时计的，你没有SKU×周×ASIN维度的数据，就没法判断该砍谁、该加谁。
我的经验值是：规划的制定可以粗，规划的执行必须细。年度层面用"品类×月"定盘子，执行层面用"ASIN×周×广告类型"调方向，两层之间靠一套固定的换算规则连接，而不是靠人拍脑袋。
大多数团队的顺序是反的：先买工具、再导数据、然后做报表、最后才发现口径不对。这时候返工成本极高，因为报表、看板、周报模板都要重做。
正确的顺序应该是：先定指标的唯一定义（口径层），再解决数据从哪里来、怎么自动更新（数据层），然后写清楚什么条件下做什么动作（规则层），最后才是看板和自动化执行（动作层）。这四层里，口径层花的时间最少，但省下的返工时间最多。
要理解路径怎么设计，得先理解现实是什么样。我先讲三个真实场景，这三个场景几乎覆盖了80%的卖家。
第一个场景我称之为"四本账"。广告数据在亚马逊广告后台，销售数据在卖家后台的Business Report，库存和成本在ERP，利润核算在财务的Excel。这四本账在月中对不上，月底就对不上了。
我见过最夸张的一个案例：一个团队同时用广告后台的ACOS、ERP的广告费占比、财务的营销费用率三个指标做决策。同一个月的三个数字分别是24%、19%、31%。运营看第一个，供应链看第二个，老板看第三个，会议开完没人知道到底该加预算还是砍预算。
第二个场景是"规划即归档"。年初花两周做的规划，3月之后再没人打开过。原因不是团队懒，而是规划里的假设条件和现实脱节之后，没有人有能力快速重算。
比如规划里假设Q2汇率是7.2，实际是7.05；假设海运成本下降15%，实际涨了8%。这两个变量一变，原本"亏三个月打新"的策略就变成了"亏六个月还看不到头"。动态重算能力，才是年度规划能否活下来的关键。
第三个场景最能说明问题。旺季期间，运营在群里发一句"这个ASIN的ACOS到45%了，要不要降竞价"，然后等半小时，等主管回复，主管再去看数据，再回来决策。这个循环一天可能发生二十次。
问题的核心不是响应慢，而是没有把"什么条件触发什么动作"变成不可争辩的规则。如果规则是清楚的，比如"连续3天ACOS高于35%且广告订单占比低于8%，自动把竞价下调15%"，那么大部分调整根本不需要开会。
很多人对口径差异的影响估计不足。我在一个母婴类目卖家那里做过一次对照测算：同一批广告活动、同一个自然月，只改变归因窗口设置，广告销售额的差异可以达到9%到17%。
如果再加上"广告销售额是否包含品牌推广""是否包含展示型推广的浏览归因""退货是否冲减"这三个变量，最终能算出六种不同的ACOS。这不是数据质量问题，这是定义缺失问题。
把上面的问题梳理清楚之后，实施路径其实就清晰了。我把它拆成四个阶段，每个阶段都有明确的输入、输出和验收标准。这四个阶段不是并行的，是严格串行的。
数据接入层的目标不是"接得多"，而是"接得可追溯"。什么叫可追溯？就是任何一个最终指标，你都能逆向查到它是从哪张源表、哪个字段、经过什么计算来的。
我做过的项目里，接入层至少要覆盖五类数据源：广告投放数据（商品推广、品牌推广、展示型推广）、销售与流量数据（Business Report）、库存与成本数据（ERP）、财务与费用数据、以及外部变量（汇率、海运指数、季节性指数）。
接入方式上，我的建议是优先用API而非报表下载。报表下载的问题在于人为操作不可控，字段缺失、日期漏档、重复上传都是常见事故。如果一个工具只支持Excel导入，那它只能算报表工具，不算数据平台。
这是四个阶段里最被低估、也最值钱的一步。口径层要输出一份《指标字典》，至少包含五个要素：指标名称、计算公式、数据来源字段、归因规则、责任人。
我通常要求客户在口径层明确以下六个核心指标的唯一定义：广告花费、广告销售额、广告订单量、ACOS、广告订单占比、广告贡献毛利。后面所有的规划和复盘，只允许使用这六个定义。
口径层还有一个容易被忽略的作用：它是跨部门协作的合同。运营、财务、供应链在口径上签字确认之后，复盘会就不再有"数字不对"这种扯皮。
这个阶段的产物是"预算分配规则表"和"执行触发规则表"。前者解决钱怎么分，后者解决什么时候动。规则表必须是可计算、可验证的，不能是"视情况调整"这种描述。
以旺季预算分配为例，我一般的做法是把年度盘子按"品类基准占比×季节性系数×战略权重"三层拆解，然后落到周维度。季节性系数来自过去两年的历史数据，战略权重来自老板对品类的定位。
执行触发规则要写成类似这样的形式：当某ASIN连续3天ACOS大于阈值X，且广告订单占比小于阈值Y，且库存周转天数大于阈值Z时，执行竞价下调动作。规则的价值在于它可以在人不在场的情况下被系统执行。
最后一个阶段是把复盘标准化。我通常设定三个复盘节奏：日级看异常、周级看趋势、月级看结构、季度看策略。每个节奏关注不同指标，避免所有会议都在讨论同一批数字。
复盘的产出不是"总结"，而是对规划参数的修正。比如上季度某品类的季节性系数从1.3修正为1.15，这个修正会直接进入下一轮的分配计算。这样规划才是一个活的东西。
路径讲完了，接下来讲坑。这四个误区我在不同客户身上反复见到，每一个都造成了实打实的损失。
这是最高频的一个。团队决定上系统，供应商来演示，功能很漂亮，签合同，实施，然后开始导数据。导数据的时候才发现，广告后台的日期范围和ERP的日期范围定义不同，广告销售额是否含税没有约定。
结果就是实施周期从8周拉长到16周，团队信心被消耗殆尽。正确的做法是把《指标字典》作为实施的前置交付物，供应商进场之前就应该定稿。
广告后台的搜索词报告、投放报告、广告活动报告，本质上是"给单个操作人员看的报表"，不是"给系统用的数据表"。它们有行数上限、有字段缺失、有归因窗口不可配置的问题。
我遇到过团队用搜索词报告做关键词库管理，结果因为报告只覆盖有成交的词，长尾词全被忽略，白白丢掉了大量低竞价高转化的流量。报表是观察工具，API或数据仓库才是数据源。
有些老板希望1月份做出一份12个月都不用改的规划。这个期望本身就是错的，因为亚马逊的环境变量太多：平台政策、竞品行为、汇率、物流成本、季节性。
我的建议是把规划做成"骨架+可替换模块"。骨架是年度目标、品类结构、利润底线，这些一年不动；可替换模块是月度预算、季节性系数、竞价策略，这些每季度甚至每月更新。
ACOS是效率指标，不是决策指标。一个ACOS 15%的广告活动可能是亏损的，如果它的客单价低、退货率高、需要搭配高成本物流；一个ACOS 45%的广告活动可能是赚钱的，如果它带来的是高复购的客户。
真正应该进入年度规划的指标，是广告贡献毛利，而不是ACOS。ACOS可以作为过程监控指标，但不能作为预算分配的最终依据。
上面讲的是怎么做，这一节讲怎么判断。我把自己在多个项目里用的判断框架叫"三线四表"，它的作用是让你在信息不全的时候也能做出方向性判断。
三条线必须同时看，缺一条就会判断失误。
销售额线看的是增速和结构，重点是自然销售与广告销售的占比变化。如果广告销售占比持续上升而总销售额不涨，说明广告在吃自然流量，这是危险信号。
广告效率线看的是边际效率，不是平均效率。平均ACOS下降可能是砍掉高ACOS活动带来的假象，真正的健康信号是边际ACOS（每增加一元广告花费带来的增量销售额）在合理区间。
利润线看的是广告贡献毛利，同时要剔除退货、物流、平台佣金的影响。我一般要求客户把广告贡献毛利的计算做成自动化，因为手工算太容易出错。
第一张是预算分配表，按"品类×月×广告类型"三层展开，总计必须等于年度预算。这张表的核心作用是让所有人知道钱在哪。
第二张是投放节奏表，按周展开，标注新品期、爆发期、清库存期、稳定期。节奏表要和运营的活动日历联动，否则会出现大促当天预算不够的情况。
第三张是结构监控表，监控SKU维度的广告花费集中度、订单集中度、ACOS分布。这张表能提前发现"钱都花在少数几个大词上"这类结构性问题。
第四张是校准记录表，记录每一次规划参数调整的原因、时间和结果。这张表的价值在第二年做规划时才会显现，它让你知道自己去年的假设错在哪里。
阈值不能照搬别人的数字，但可以借鉴结构。我通常设定三类阈值。
第一类是止损阈值：某ASIN连续两周广告贡献毛利为负，进入观察名单；连续四周为负，强制降预算或暂停。
第二类是加码阈值：某ASIN广告贡献毛利为正，且广告订单占比低于品类均值，同时库存周转天数在安全区，可以加预算。
第三类是结构阈值：单个ASIN的广告花费占比超过总预算的15%，需要评估集中度风险；TOP 20%的ASIN贡献的广告销售额低于70%，说明投放过于分散。
讲完框架，讲落地。这一节我用一个真实的工具形态来说明路径怎么跑通。我近一年在多个项目里使用的是数跨境（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys），它属于面向跨境电商的数据分析与报表平台，支持多源数据接入和自定义指标计算。
需要说明的是，工具只是载体，下面三个场景的重点是"这类工具应该解决什么问题"，而不是产品功能罗列。
第一个场景是我最常用的：把3个站点、7个店铺的广告数据拉到同一张表里，用统一口径计算。传统做法是下载各站点的广告报表，手工合并，再套公式，一个人一天做不完，而且每次做出来的数字都略有不同。
用平台化工具之后，广告数据按固定周期自动同步，指标口径在计算层统一定义。我给客户定的规则是：所有广告销售额统一采用7天归因，所有花费统一含税，所有退货按发货月冲减。
这套规则一旦固化，跨站点的对比才有意义。之前有个客户一直觉得美国站广告效率比德国站差，统一口径后发现，德国站只是因为退货冲减规则不同而被高估了，真实差距只有2个百分点。
第二个场景解决的是"规划做完就锁进抽屉"的问题。做法是把年度预算表拆成周维度，与实际的广告花费、广告销售额做实时对照，当偏差超过阈值时自动标记。
我在一个年销约1.2亿人民币的3C配件卖家里做了一个对照实验。实验组使用周维度滚动预警，对照组沿用月度人工复盘。三个月后，实验组的月度广告花费偏差率是11%，对照组是29%。
更关键的是响应速度。对照组发现某个ASIN投放失控平均需要11天，实验组是3天。在旺季，8天的时间差意味着一个活动周期的预算白白浪费。
第三个场景是旺季。旺季的问题不是没有数据，而是数据太多、变化太快，人工看不出结构异常。我们通常设置三类日级监控：花费集中度、订单集中度、ACOS离散度。
去年黑五期间，我在一个母婴类目客户那里发现一个异常：某个ASIN的广告花费在两天内从日均400美元涨到1400美元，但订单只涨了20%。排查发现是竞品在大促期间大量投放同类词，导致点击成本翻倍。因为发现得早，第三天就把竞价策略从"动态-提高和降低"改成"固定竞价"，避免了约6000美元的无效花费。
如果没有日级的结构监控，这个异常大概率要等到周报出来才会被发现，那时候活动已经结束。
我在过去一年多的项目里积累了一些观察值，列出来供参考。这些都是样本推演数据，不是行业统计。
框架是通用的，但落地节奏必须分规模。下面按三种典型情况给出建议，你可以直接对号入座。
这个阶段不要上重型系统。你的主要矛盾是"跑通业务"而不是"精细化管理"。我建议按以下顺序做。
这个阶段最常见的错误是过早引入复杂系统，结果数据接不满、口径定不下来，工具变成负担。
这个阶段是工具价值最大的区间。你的SKU数量、站点数量、广告类型数量都已经超出人工处理的合理范围，但团队规模还没到能自建数据团队的程度。
以我在这个规模段使用数跨境的经验看，最大的收益不是报表变好看了，而是同一个问题在不同部门之间不再需要重新解释一遍。省下的沟通成本，往往比省下的制表时间更值钱。
这个阶段的团队通常已经有数据团队，需要考虑的更多是架构问题。
这个阶段最大的风险是"数据部门做了很多报表，但业务部门不用"。解决方法是让业务部门参与指标定义，并且每个看板都必须能回答一个具体的决策问题。
资源永远是有限的，有取舍才有重点。这一节我把几个最常见的取舍场景摊开讲。
自建的优势是灵活、数据完全可控；劣势是维护成本高、人员流动风险大。我见过一个团队花6个月自建了一套广告分析系统，核心开发离职后三个月就没人能改了。
我的判断标准很简单：如果你的数据团队少于3人，或者核心业务人员无法用业务语言描述需求，就不要自建。采购平台化工具的边际成本更低，且不会因为一个人离职而瘫痪。
反过来说，如果你有5人以上的数据团队、有明确的差异化数据需求（比如自研的选品模型依赖广告数据），自建是合理的。
日级数据的价值在旺季极高，在淡季会带来大量噪音和无效告警。我的做法是分季节配置：旺季（10月至12月）用日级监控，平季用周级，淡季用双周级。
另外，日级监控只对TOP 30%的ASIN开放，长尾ASIN用周级汇总。把所有SKU都做日级监控，结果一定是告警疲劳，最后没人看。
自动化程度越高，效率越高，但失控风险也越大。我一般建议分三步走：先做提醒（系统标记异常，人做决策），再做半自动（系统给出建议动作，人确认执行），最后做全自动（只在规则内自动执行，超出规则必须人工确认）。
全自动的边界要非常清楚：竞价调整可以全自动，预算增减建议半自动，暂停广告活动必须人工确认。因为暂停容易、恢复难，误操作的成本不对称。
| 取舍维度 | 倾向自建/高自动化 | 倾向采购/低自动化 | 判断依据 |
|---|---|---|---|
| 数据团队规模 | 5人以上 | 3人以下 | 人员流动带来的系统维护风险 |
| SKU在投数量 | 200个以上 | 80个以下 | 人工处理的边际成本拐点 |
| 站点数量 | 3个站点以上 | 1至2个站点 | 跨站点口径统一的复杂度 |
| 旺季预算占比 | 全年40%以上 | 全年30%以下 | 日级监控的收益大小 |
| 决策链路长度 | 需要跨部门确认 | 运营可独立决策 | 自动化能否真正缩短链路 |
说了这么多逻辑，最后给一个可以照着做的时间表。90天分三段，每段有明确交付物。
这个阶段的目标只有一个：让所有人对指标的定义达成一致。
这个阶段最容易失败的环节是第3周。如果财务和运营对退货冲减规则达不成一致，先把分歧记录下来，用两套口径并行跑一个月，用结果说话。
这个阶段的目标是让数据自动流动起来。
数据校验这一步经常被跳过，但它是建立团队信任的关键。如果第一次看板上的数字就被业务方发现错了，后面推动会非常困难。
这个阶段的目标是让系统真的能替代一部分决策。
下面是一段我在项目里常用的规则配置示例，用来把"什么条件触发什么动作"固化成可执行的结构。
{
"rule_set": "amazon_ads_annual_plan_v3",
"scope": {
"marketplace": ["US", "DE", "JP"],
"granularity": "asin_week"
},
"stop_loss": [
{
"condition": "contribution_margin = 2",
"action": "add_to_watchlist",
"notify": ["ads_lead"]
},
{
"condition": "contribution_margin = 4",
"action": "reduce_budget",
"value": 0.3
}
],
"scale_up": [
{
"condition": "contribution_margin > 0 AND ad_order_share 0.15",
"action": "raise_concentration_warning"
},
{
"condition": "top20_asin_sales_share < 0.70",
"action": "raise_dispersion_warning"
}
]
}
对应的口径校验SQL可以写成这样，用于验证接入数据是否符合约定的口径：
-- 校验广告销售额口径一致性：7天归因、含税、按发货月冲减退货
SELECT
t.marketplace,
t.month,
SUM(a.ad_sales_7d_incl_tax) AS ad_sales_raw,
SUM(r.return_amount_by_ship_month) AS return_deduction,
SUM(a.ad_sales_7d_incl_tax)
SUM(r.return_amount_by_ship_month) AS ad_sales_final,
SUM(a.ad_spend_incl_tax) AS ad_spend,
ROUND(
SUM(a.ad_spend_incl_tax) /
NULLIF(SUM(a.ad_sales_7d_incl_tax)
SUM(r.return_amount_by_ship_month), 0) * 100, 2
) AS acos_final_pct
FROM fact_ad_daily a
LEFT JOIN fact_return r
ON a.asin = r.asin
AND a.marketplace = r.marketplace
AND a.month = r.ship_month
WHERE a.marketplace IN ('US', 'DE', 'JP')
AND a.month BETWEEN '2024-01' AND '2024-12'
GROUP BY t.marketplace, t.month
ORDER BY t.marketplace, t.month;这两段配置的意义不在于代码本身，而在于它把"规则"变成了可以被系统读取、被人审查、被版本管理的对象。当规则可以被管理，规划才有可能真正被执行。
90天结束之后，你的团队应该具备三个能力：数据每日自动更新、异常自动预警、规划参数按季度校准。这三个能力具备了，年度规划就从"一季度一次的运动"变成了"持续运行的系统"。
不需要做全流程，但需要做口径层。《指标字典》这件事和团队规模无关。两个人如果不统一口径，同样会陷入"数字对不上"的困境，只是暴露得晚一些。建议只做第一步，把六个核心指标的定义写清楚，用一张Excel跑起来，其余等规模上来再说。
我的建议是不要强行回算历史数据。新口径从某个时间点开始生效，历史数据保持原样并标注口径版本。强行回算会带来大量解释成本，而且旧数据的可信度本来就有限。你真正需要的不是完美的历史，而是从今天开始一致的数据。
我的经验是：以7天作为内部经营分析的标准口径，以1天作为投放优化的参考口径。原因是7天更接近真实成交，适合做预算和利润核算；1天更接近即时反馈，适合判断某个关键词或广告位的短期效果。关键是团队内部只允许有一个"标准口径"。
看你的核心矛盾是什么。如果核心矛盾是"数据接不上、更新不及时"，平台化工具能更快解决问题；如果核心矛盾是"有独特算法需要嵌入分析流程"，自建更合适。多数中型卖家的核心矛盾是前者，所以采购的性价比更高。
不要重做，要校准。骨架（年度目标、品类结构、利润底线）保持不变，可替换模块（月度预算、季节性系数、竞价策略）按季度调整。每次校准都要记录原因，这张校准记录表是你第二年做规划时最值钱的资产。
我一般用三个指标衡量：一是月度复盘会议时长是否下降，二是预算执行偏差率是否收敛，三是从发现异常到完成调整的平均时长是否缩短。如果这三个指标都没变化，说明你只是把Excel换成了看板，没有改变决策方式。
回到开头那个案例。那个家居卖家后来做的事情很简单：花了两周把指标口径定死，用工具把三个站点的广告数据接进来，设了四条止损加码规则。当年Q4他们的广告花费比计划少了6%，广告贡献毛利反而多了14%。
我想强调的独特观点是：亚马逊广告的年度规划，最大的杠杆不在投放技巧，而在数据口径和执行规则。投放技巧带来的是10%到20%的效率提升，而口径和规则带来的是"决策是否成立"这个层面的改变。前者是优化，后者是纠错。
如果你现在正准备做下一年度的广告规划，我建议按这个顺序动手：第一周先写《指标字典》，第二周盘点数据源，第三周确定三条核心规则，第四周开始接入数据。不要先看工具，先看自己的口径。
如果你们已经在多店铺、多站点阶段，SKU数量超过100个，人工对账已经明显吃力，那可以考虑用数跨境这类平台化工具来承接数据接入和口径统一的工作（官网：https://shukuajing.jiushuyun.com/?utm_source=seo&utm;_plan=est&utm;_unit=gys），先用一个月的真实数据跑一遍验证，再决定是否全面铺开。
最后提醒一句：工具能解决的是"数据一致"和"规则可执行"，解决不了"目标该定多少"这个判断。判断这件事，永远需要你自己对市场和品类的理解。把工具用在它该用的地方，把判断留在人该做的地方，这才是软件实施路径真正的边界。
去年我们做年度规划时，是拿上一年广告花费乘个1.2 就报上去了，看着很稳，结果 Q3 旺季前预算就见了底，只能临时申请追加，被财务追着问了一整月。今年想换个更靠谱的算法，但又不确定该从哪头开始推。
优先用目标倒推，顺推只能当校验。链条是：年度 GMV 目标 → 广告贡献占比（成熟店铺一般 15%，25%）→ 广告销售额目标 → 目标 TACOS（多数品类 8%，12%）→ 年度广告预算 = 广告销售额目标 × 目标 TACOS。
算完之后再把预算切三块：守成预算约 70%，投成熟 ASIN 和已验证的核心词；增长预算约 20%，投新品、新词、新站点；测试预算约 10%，投新广告类型、新投放位、新素材。
判断依据很简单：如果去年实际 TACOS 比目标高出 3 个点以上，说明问题不在预算总量而在结构，先修结构再加钱，否则多加的钱只会按老比例漏掉。顺推出来的数字只用来做交叉验证，两者差 20% 以内算合理，差太多就要回头检查目标假设。
我们最开始是 Excel 加广告后台两张皮，计划在表里、执行在后台，到季度复盘时三个站点的花费口径对不上，光核对数字就花了两天。后来想上系统，又担心为了一个年度规划去搭一套重工具，成本比收益还高。
建议分三层来放，不要混。数据层留在广告后台和第三方 BI，只负责出数，关键是统一归因窗口和时区，否则站点之间永远对不齐；计划层放进某项目管理平台，用“年度目标 → 季度 OKR → 月度活动 → 具体任务”四级结构搭，每条任务都必须带负责人、截止日、验收标准；
执行层的日常动作，如素材上线、否定词清理、竞品价格监控，用周期性任务模板重复生成。之所以不让计划和数据同表，是因为数据每月都会被刷新，一旦写在同一张表里就会覆盖掉当初的计划口径，年底想复盘“计划 vs 实际”时就没有基准了。
落地顺序可以先用表格跑一个季度，确认四级结构稳定后，再迁到某项目管理平台，迁移成本会低很多。
第一年做年度规划时，我把预算按 12 个月平均分了下去，结果 1，2 月花不掉、6 月和 11 月又严重不够，全年预算执行率只有八成多。现在知道要按节奏排，但具体每个阶段该占多少、提前多久备料，心里还是没数。
按流量、转化、利润三段节奏拆，不要平均分。1，2 月清库存和养词，预算占比约 12%，15%；3，5 月冲排名、抢自然位，20%，25%；6，8 月围绕大促前后集中投放，25%，30%，其中活动周要单独拉一个预算池，避免被日常投放吃掉；9，11 月旺季 30%，35%，黑五网一那两周再单独加码；
12 月收尾清尾货，5%，8%。具体做法是以周为单位排一张预算日历，把大促周、秒杀、BD 报名节点提前标出来，素材和备货提前 4，6 周准备，广告侧提前 2 周调价调预算。
判断计划是否虚高有个实用信号：如果某个月实际花费只到计划的 70% 而销量没掉，说明那个月的预算本身就是拍脑袋定的，下一年直接按实际值下调，而不是硬补花钱。
老板每月例会只问一句 ACOS 多少，降了就满意，涨了就要解释。可我发现有些月份 ACOS 很好看，总销售额却没怎么动，感觉指标选错了但又说不上该看什么。
只看 ACOS 会被结构变化骗，建议分三层看。北极星指标用 TACOS，也就是广告花费除以总销售额，因为它同时反映广告和自然单的变化；过程指标看 ACOS、CVR、CTR、CPC，用来定位问题出在流量还是转化；
健康度指标看广告订单占比，一般 30%，50%，长期高于 50% 说明自然位没起来，低于 30% 则可能广告投入不足。落地就靠每月一次固定复盘会，只看三张表：目标达成表，对比预算、销售额、TACOS 的计划与实际；结构表，按 ASIN、关键词、投放类型排花费和产出；
动作表，核对上月定的动作做了没、效果如何。如果连续两个月 TACOS 上升而总销售额不涨，优先砍低效词和低转化投放位，而不是继续加预算。另外归因口径必须写进 SOP 固定下来，一般用 7 天归因、客单价高或决策周期长的品类用 14 天，口径不统一，月度数据会反复打架。
读者评论
文中提到的‘先定口径再买工具’我深有体会，但我们团队卡在口径层推不动，因为财务和运营对广告销售额的定义谁都不肯让步，最后变成老板拍板。想请教作者，口径统一有没有更具体的落地技巧，还是只能靠自上而下强压？
天路线图看着清晰，但对我们这种年销两三千万的小团队来说，专门抽人做数据管道不太现实。文章有没有考虑过人力有限时的最小可行方案？比如先固定哪几个指标、先接哪几类数据，其余暂时靠人工补？
四本账的问题太真实了。我们之前也是广告后台、ERP、财务三套数字打架，后来只统一了ACOS和广告订单占比两个指标，复盘会就顺畅很多。不过触发规则自动化那步我们还没敢上，怕阈值设错反而砍掉有效投放，这块作者有没有踩过坑？