FB 廣告分層投放策略：依顧客關係階段配置目標、受眾與預算

FB 廣告要分層投，起點在一份你自己掌握的地圖：你對眼前這個人，握有什麼資料。完全沒有資料的陌生大眾，先靠興趣與人口條件去接近。逛過官網、看過影片的人，有互動資料可以鎖定。把商品放進購物車、填過名單的人，出現了意圖訊號。買過的人，在你自己的顧客名單裡。四段人馬各自配對應的廣告目標、受眾與最佳化事件，層與層之間用排除受眾和種子名單銜接，預算分配要看每層養不養得起學習期（一週內約 50 個成果僅是官方曾列出的學習期參考值，並非成效保證），錢不夠就先把層數收斂。

重點先看

廣告競價的總價值由出價、動作回應率估計值、廣告品質三個因素決定，動作回應率估計值會針對特定用戶與廣告分別估算，不同人的估計結果可能不同。

廣告組合會在重大編輯後重新起算學習，一週內約 50 個成果是退出階段的參考值，低頻的成交事件配陌生大眾，事件量養不起學習。

麥肯錫 2009 年的研究把決策歷程畫成四階段圓形旅程，並指出跨階段的通用訊息可能要換成針對特定階段的訊息。

四段拆解按「握有什麼資料」切：陌生大眾、已互動未轉換、出現意圖訊號、既有顧客，直接對應後台的受眾類型。

層間銜接靠排除現有顧客、用高品質種子建類似廣告受眾、活動層預算統一分配。

Advantage+ 廣告受眾的官方 A/B 數字：品牌認知目標每次成果成本降低 14.8%，流量、互動與開發潛在顧客 9.7%，銷售與應用程式推廣 7.2%。再行銷活動不在官方建議之列。

站上另有一篇 Meta Ads 廣告投放教學，處理從零開投的操作面：帳號地基、Pixel 與 Conversions API、版位選擇、指標判讀。分層投放站在結構面：顧客關係怎麼分段、每段配什麼、段與段怎麼接。兩篇互補，設定層的疑問回操作篇查，這裡談的是把廣告排成互相銜接的系統。

一支廣告打全部的人，機制上輸在哪

先看 Facebook 的廣告怎麼被決定送給誰。Meta 在廣告競價說明頁寫得直白：每當有機會向用戶投遞廣告，系統就透過競價決定這一次送哪一則，Facebook 和其他 Meta 平台的競價量以數十億筆計。誰贏？系統算「總價值」，三個主要因素：出價（你願意為目標成果付的金額）、動作回應率估計值（系統預估這個特定用戶因為這則廣告而完成你目標成果的機率）、廣告品質（用戶的意見回饋，加上對隱瞞資訊、聳動描述、互動誘餌這類劣質內容的評估）。

動作回應率估計值和廣告品質合起來衡量相關性，官方明講：與用戶更切身相關的廣告，可能在競價中擊敗出價更高的廣告。

競價的參與者由目標受眾決定。官方的例子：一個廣告主鎖定喜愛滑雪的女性，另一個鎖定所有熱愛滑雪的加州居民，一位住在加州的女性滑雪愛好者就同時符合兩組目標受眾，兩個廣告主的廣告於是有資格在她的競價裡出價。品質因素裡還有一個直接的警告：官方明講，使用點擊誘餌和互動誘餌並不會提升廣告成效。

問題在這裡。動作回應率估計值是系統針對特定用戶與特定廣告，預估互動或轉換機率的數值。同一支強推結帳優惠的廣告，對剛認識你品牌的人與對考慮到末端的人，估計結果可能不同。把不同關係階段的人放進同一個廣告組合、用同一個成交事件最佳化，等於要求系統用同一組設定面對兩種估計情境。

預算怎麼花也有對應的機制。官方對競價的補充說明裡有一句：系統做的競價調整，不會讓你被收取比出價更高的金額來顯示廣告。搭配出價與預算調節的官方定義看，所謂調節，是系統提高或降低你參與每一場競價的出價金額，或者直接決定這一場競價要不要參加，依據是廣告組合所剩的預算與刊登時間。對分層結構的意義在於：每一層的預算水位會影響系統在競價裡的手腳，預算見底的組合會跳過競價，這是設計層數時要先算事件量的另一個原因。

第二個機制在學習期。Meta 在系統學習階段說明頁定義：新建廣告或廣告組合，或對現有廣告組合做了重大編輯，投遞系統會探索這個組合的投遞方式，投遞直欄顯示「學習中」。此時廣告組合的表現較不穩定，CPA 可能較高。官方寫的退出條件帶數字：重大編輯完成後的一週內獲得大約 50 個成果，廣告組合一般就能穩定投遞。商店廣告另有門檻，網站購買要 17 次以上、Meta 購買要 5 次以上。

50 這個數字和事件頻率的關係，正是分層的核心約束。Meta 在學習效果有限說明頁列的常見原因包含：小規模廣告受眾、低預算、低出價上限或成本上限、高競價重疊率、低最佳化事件出現頻率、同時刊登太多廣告。購買屬於低頻事件，把它當最佳化事件直接投向陌生大眾，正是「低最佳化事件出現頻率」這一項的典型情境，一週內湊出約 50 個成果的機會跟著縮小。官方解法裡有一條直接把方向指向分層：變更最佳化事件，選出現頻率較高的事件，官方舉的例子是改選「加到購物車」來取代「購買」。事件出現頻率要夠高，這個原則官方已經寫進解法清單。分層投法把它往前推一步，對還沒成熟的人，一開始就配頻率較高的事件。

第三個機制在訊息面，證據來自麥肯錫。研究團隊在 2009 年 6 月發表於麥肯錫季刊的消費者決策歷程研究，檢視了將近 20,000 名消費者、橫跨五個產業與三個大洲的購買決策，結論之一寫在訊息章節：跨階段的通用訊息，可能必須換成針對特定階段弱點的訊息，例如初步考慮或主動評估。這是從研究側給同一個結論：一支素材打通關，等於放棄了在各個階段分別做對的機會。

三個機制疊起來，分層就從「聽起來有道理」變成有依據的設計：競價按人算相關性、學習期按事件量算成熟、訊息按階段算效果。

階段地圖：研究的講法與後台的對應

麥肯錫那篇研究對傳統行銷漏斗提出修正。漏斗的假設是：消費者一開始腦中有幾個品牌，行銷一路對他們施力，他們循序刪減選項，末端剩下要買的那一個。研究團隊檢視購買決策後提出，過程更接近圓形旅程，四個主要階段：初步考慮（initial consideration，消費者開始想買這類東西時先想到哪些品牌）、主動評估（active evaluation，研究與比較候選的階段）、成交（closure，買下某個品牌）、購後（postpurchase，體驗之後形成下一次決策的基礎）。旅程會繞圈：購後的體驗回頭影響下一次的初步考慮。研究裡有個數字說明購後不是終點：超過 60% 的臉部保養品消費者，在購買之後還會上網做進一步研究。

理論的階段名詞好談，落地到廣告後台要換一個問法。你在 Meta 廣告管理員裡實際能操作的差別，在於你對一個人握有什麼資料：沒有資料，你先用興趣與人口條件去框一群人。有互動資料（他看過你的影片、造訪過你的網站），你能用自訂廣告受眾直接鎖定他。有意圖訊號（加到購物車、提交名單），你的最佳化事件可以往成交靠。有購買資料，他就進了你的顧客名單。把購買歷程拆成四段來對應後台設定：陌生大眾、已互動未轉換、出現意圖訊號、既有顧客。這個拆解是為了對應廣告設定所做的整理，麥肯錫的階段講的是消費者腦中的歷程，這裡的四段講的是你後台可用的資料軸，兩套可以對照著看，不必硬綁成一比一。

漏斗的完整理論與其他模型（AIDA 等），站上的行銷漏斗完全拆解有系統性的整理。想把手上的顧客訪談與觸點畫成一張旅程圖，看顧客旅程地圖完全指南。四段之間人怎麼移動、什麼心理在推動，消費心理學那篇用五階段決策歷程拆解了十二個原理。廣告端的配置，從資料軸的四段拆解展開。

資料軸還有一個實務上的好處：它直接決定你能用哪些受眾產品。Meta 在自訂廣告受眾說明頁把自訂受眾分成兩大來源：你自己的資料（網站訪客靠 Meta 像素追蹤、應用程式動態、商品目錄互動、顧客名單、離線店面資料），以及 Meta 平台上的互動資料（看過影片、開過或提交名單型廣告表單、即時體驗、購物互動、Instagram 帳號互動、回覆活動、粉絲專頁互動、站內商品互動）。每個廣告帳號的自訂廣告受眾建立上限是 500 個。這份清單就是四段拆解的原料庫：你在每一段累積的資料，決定下一段能鎖定誰。

漏斗與圓形旅程的差別，對廣告配置有一個實務含義。漏斗把購買當終點，廣告的責任到成交為止。圓形旅程把購後接回起點，麥肯錫指出，消費者完成購買後，行銷工作才開始，購後體驗會影響同品類的後續決策。研究的保養品案例裡，超過六成消費者購買後仍會上網研究。對配置的意義：既有顧客段仍有訊息任務，不宜只把成交視為流程終點。

把官方清單放回四段，看資料的流向更清楚。陌生大眾段沒有自有資料可用，這段的成果就是產生資料：影片觀看累積成影片互動受眾，網站造訪靠像素累積成網站受眾，名單型廣告的表單開啟與提交累積成名單受眾。已互動段與意圖段的差別在事件深度，同一批網站訪客，看過首頁與把商品放進購物車是兩種訊號，回溯條件設得越貼近意圖事件，這一層就越接近成交。既有顧客段的資料從訂單來，官方列的來源包含顧客名單、網站的購買事件與離線店面資料，實體經營的店家同樣接得進這一層。

分層投放的四段配置：目標、受眾、事件與訊息

四段的配置整理成一張表。表裡的目標方向引用 Meta 官方對各目標的定位，受眾欄對應官方的受眾產品，事件欄的原則來自學習效果有限的官方解法。配置是從這些官方條件做的判讀，自己的商品節奏不同時，以此為底再調。

分段	這段的人	受眾設定	目標方向	最佳化事件與訊息重點
陌生大眾	對你還沒有互動資料的人	興趣、人口條件，或類似廣告受眾	品牌認知（觸及較可能記住廣告的人）、流量	高頻事件：觀看、造訪。訊息講你是誰、解決什麼問題
已互動未轉換	看過影片、造訪過網站、與 Facebook 粉絲專頁互動過	互動自訂廣告受眾、網站自訂廣告受眾	流量、互動、開發潛在顧客	中頻事件：內容互動、加入名單。訊息講差異、證據、案例
出現意圖訊號	加到購物車、提交表單	網站事件或名單型廣告表單的互動受眾	開發潛在顧客、銷售	事件按頻率選，官方例：加到購物車取代購買。訊息處理疑慮、比較、完成前一步
既有顧客	買過、在你的顧客名單裡	顧客名單自訂廣告受眾、購買事件受眾	銷售（回購、交叉銷售）	購買事件。訊息講下一次需要、新品、會員專屬

官方目標對照表裡的舊目標去向，可以幫你判斷定位。轉換次數這個舊目標，依轉換位置拆到互動（網站或應用程式）、開發潛在顧客（網站或應用程式）或銷售（網站、應用程式、Messenger 或 WhatsApp）。訊息這個舊目標，同樣按位置分散到流量、互動、開發潛在顧客與銷售。這張表的意思是：官方把「在哪裡轉換」與「用什麼目標」拆成兩個決定，分層時同一段人可以因為轉換位置不同而走不同目標，陌生大眾段的網站閱讀與既有顧客的回購，在系統裡屬於兩種配置。

麥肯錫研究給行銷組織的建議，與分層的思路同源：把行銷的各個要素，包括策略、支出、通路管理與訊息，與消費者實際走的決策旅程對齊，把資源集中在影響力高的觸及點上，研究舉的方向性例子：品牌廣告的重心或許從初步考慮階段，移往在主動評估階段幫助消費者更理解品牌的網路內容資產。四段配置表做的事就是它的操作版：把每一塊支出對到一個階段，讓錢與訊息跟著人走。

陌生大眾這段，目標的官方定位值得逐字看。Meta 在廣告目標官方說明對品牌認知的描述是：打響商家知名度，觸及較可能記得你廣告的用戶，並且點名適合剛創立或更改名稱的商家。流量目標提高的是指定目的地的造訪，官方舉的情境包含商店裡的限時特賣活動，或把潛在顧客導向說明服務內容的網頁。官方在同一頁提醒了選目標的前置動作：先想清楚業務目標與重視的成果，才知道選哪個目標，而且行銷活動目標會隨事業階段改變，事業初期你可能想專注建立知名度與開發新客群，之後可能想轉向刺激消費。官方還給了一個選目標的思考動作：想清楚潛在顧客可以採取哪些行動，來協助你達成當下的目標。這段的重點在於把「記得你」和「造訪」當成果，成交壓力不放在這一層。

已互動未轉換這段，兩種自訂廣告受眾各有來源。互動自訂廣告受眾收的是 Meta 平台上的動作：看過影片、追蹤粉絲專頁、開過名單型廣告的表單。網站自訂廣告受眾靠 Meta 像素收網站訪客。官方在網站受眾頁給的再行銷例子很具體：再次鎖定在過去 30 天內造訪過網站、但尚未轉換的用戶。給這段人的訊息，比重放在差異化與證據：他已經知道你，缺的是選你的理由。

兩種受眾的界線照官方定義切：互動自訂廣告受眾參照的動作發生在 Meta 平台上，網站自訂廣告受眾參照的動作發生在你的網站上，官方把後者稱為事件。官方還列了網站受眾的另一個用途，開發潛在顧客：用它找出與現有顧客相似的新顧客，這條路徑往類似廣告受眾接過去。假設你經營線上課程，看完整支試聽影片的人進互動受眾，造訪過課程頁但沒報名的人進網站受眾，兩層的訊息要分開寫，前者給更深的內容證明，後者處理報名的猶豫點。

出現意圖訊號這段，配置的重心從觸及移到事件。開發潛在顧客目標的官方定義是透過訊息、通話或註冊程序蒐集潛在顧客，官方例子是找到願意分享個人資訊、進一步瞭解商家的人。銷售目標找的是有可能購買的人，而且官方明講可以對其他動作最佳化，加到購物車就在官方舉例裡。事件選擇回扣學習效果有限的官方解法：出現頻率較高的事件優先，加到購物車取代購買是官方原例。假設你賣的是單價較高的服務，這段的事件也許是預約或詢問表單，原則相同，頻率要養得起學習期。

既有顧客這段，受眾從顧客名單來。顧客名單說明頁寫得清楚：名單由識別資料組成（電子郵件、電話、地址），Meta 在使用前做雜湊處理，再透過配對程序與平台上的個人檔案比對，你能提供的資訊越多，符合率越高。隱私面官方有一句明確的話：Meta 無法透過雜湊資料得知與您顧客有關的新識別資訊。這段的用途，官方在網站受眾頁列了追加銷售與交叉銷售：向曾在網站上購物的用戶推相關的下一個商品。麥肯錫的購後證據替這段補了理由：購後體驗形塑顧客對品類裡每一次後續決策的看法，購後階段的訊息有實際的閱讀者。

這一段補一組研究數字。麥肯錫把顧客忠誠分成主動與被動兩類，並發現主要品牌之間，兩類忠誠者的比例差距可達六倍。這組數字放在顧客段的用途，是提醒回購受眾裡存在兩類忠誠者。名單技術面，官方另提醒 iOS 14 之後，行動廣告主編號的配對率可能受到廣告主識別碼變更影響，補上電子郵件、手機號碼等識別資料，有機會提高配對率。

把四段連成一個假設的完整例子。假設你賣手工皮件，官網與 Meta 像素都建好了。陌生大眾層用品牌認知或流量目標，受眾用皮革工藝與送禮興趣去框，事件看影片觀看與造訪，素材講品牌故事與製作過程。看過影片與在過去 30 天內造訪過網站的人，接著進已互動段，受眾換成影片互動受眾與網站造訪受眾，目標轉流量或互動，內容給保養知識與顧客回饋。

把商品放進購物車的人進意圖段，用銷售目標對加到購物車事件最佳化，訊息處理尺寸與運送的疑慮。完成購買的人進顧客段，顧客名單上傳後，用銷售目標推保養品與新色，成交之外，這一段同時在養下一輪類似受眾的種子。四層各自有目標、受眾與事件，層與層用排除切開，這就是一張可以照著開的配置圖。

層與層怎麼銜接：排除、種子與預算

分段之後，層與層要有明確的邊，錢才不會重複花。第一個工具是排除受眾。Meta 在受眾使用說明裡寫明：你可以排除特定目標對象，避免他們看到廣告，並給了官方例子，為了招攬新顧客開的行銷活動，可以把現有顧客從廣告受眾中排除。放到四段結構裡：對陌生大眾投的廣告，排除已互動與既有顧客名單。對已互動段的廣告，排除已成交者。排除的直接作用是讓指定對象看不到該廣告，因此可減少層間受眾重疊，讓各層目標對象的邊界更清楚。成效歸因仍要另行判讀。

排除還有專用形態。官方在受眾說明裡列了「僅排除的自訂廣告受眾」，屬於顧客名單類型，只能用來把人從廣告受眾中排除，不能用於投放。使用受眾前有一個前置檢查：官方要求廣告受眾要先填入資料、狀態顯示完成，才能當目標對象使用。把這個細節放進開層前的檢查清單，層界才不會在有洞的狀態下開跑。

針對新顧客開發，銷售目標的廣告主還有一個專用工具：顧客生命週期策略。官方說明寫道，這個策略會強化排除範圍、盡可能觸及新顧客，使用前要先建立代表既有顧客的自訂廣告受眾以便排除（顧客名單與購買事件的網站受眾都可以）。

策略裡有兩個選項：「從所有廣告受眾取得轉換」，取每次成果成本較低的轉換。「開發新客群」，把受眾縮小到只含新潛在顧客。官方對第二個選項的提醒很有價值：受眾縮小可能導致每次成果成本增加，CPA 上升的原因是投遞著重在高價值的新顧客轉換，評估時該用新顧客衡量指標（新顧客 CPA），不要只看整體活動 CPA。同樣一批錢，買便宜的重複轉換或買貴的新客人，兩個數字各有意義，混在一起看會誤判。附帶一個硬限制：這個策略不適用於社會議題、選舉或政治行銷活動，以及藥品行銷活動。

第二個銜接點：上一層的資料養下一層的受眾。類似廣告受眾在官方說明頁寫的原理是：系統拿來源受眾的人口統計、興趣與行為資訊，找出相似特質的新客群。建立時用百分比範圍控制相近程度，較小的百分比更貼近來源，較大的百分比建立更廣的受眾。官方在同一頁給了種子品質的提醒：用由表現較好的顧客組成的受眾當來源，不要直接用包含所有顧客的受眾，根據你的目標有可能獲得更出色的結果。對應到四段結構：拿「出現意圖訊號」或「已購買」的高品質名單當種子，開出來的陌生大眾段起點就更接近會買的人。金融商品、就業與住房類廣告的類似受眾有額外限制，部分情況無法使用，這幾類的廣告主要注意。

第三個銜接點在預算。多層結構容易開出多個廣告組合，官方對應的分配工具是Advantage+ 行銷活動預算：說明頁將至少 2 個廣告組合的行銷活動列為適合情境，並寫明系統會自動管理各組合的預算，即時持續分配給較能帶來成果的組合。要留意的是分配不均等：官方舉例，兩個進行中的廣告組合，如果把大部分預算花在其中一個能取得較好的整體結果，系統就可能這樣做，所以使用時應該在行銷活動層級分析成果，廣告組合層級的數字當輔助。分層之後看數字，看的是這一層的整體，單一組合的起伏留給系統調節。

活動預算的金額形態也影響分層操作。官方說明寫道：總經費可以搭配排程刊登，即使刊登中的廣告有不同的開始與結束時間，預算最佳化照樣進行。需要錯開各層的起訖時間時，可使用總經費搭配排程，預算分配仍在同一個活動裡完成。

自動化受眾與手動分層的關係也要交代。Advantage+ 廣告受眾讓 Meta 的 AI 用大量資訊自行尋找受眾，官方列的資料例包含先前的轉換次數、Meta 像素資料、與先前廣告的互動。

官方說明頁列出的 A/B 測試數字：品牌認知目標每次成果成本降低 14.8%，流量、互動與開發潛在顧客目標降低 9.7%，銷售與應用程式推廣目標降低 7.2%。官方建議幾乎所有行銷活動（再行銷行銷活動除外）都用它跑 A/B 測試。銷售、開發潛在顧客或應用程式推廣目標的活動，官方建議升級到整套的 Advantage+ 行銷活動。從這套條件判讀：自動化接手的是「找人」，再行銷這一層官方明確除外，段內的受眾邊界與排除邏輯仍要自己顧，兩者是分工關係。官方對它的定位有一句實用：想用 AI 找受眾、同時保留自己對顧客的了解，又不想讓自動化接手設定行銷活動的全部步驟時，它是有效的替代方案。

Advantage+ 這個名字指的是一整套產品，官方定位是用 AI 即時把行銷活動最佳化，把廣告與較可能採取行動的受眾配對，模型可分析的訊號以百萬計。分層結構與它的關係，可以想成骨架與肌肉：分段、排除、種子是骨架，找人的效率交給自動化補強。

銜接設計還有一塊是名單流向。網站的追蹤與事件設定（Meta 像素、Conversions API）是四段資料的源頭，設定的完整做法在 Meta 廣告資產教學。累積出來的顧客名單，除了投廣告，放進自己擁有的通道經營，後續觸及不依賴競價，做法參考 私域流量經營。

調整的紀律：學習期與重大編輯

分層結構開出去之後，常見的失誤是手太快。Meta 在重大編輯說明頁列了會讓廣告組合重新進入學習階段的編輯：變更目標設定、變更廣告創意、變更最佳化事件、新增廣告至廣告組合、將廣告組合暫停至少 7 天（取消暫停後重新進入）、變更出價策略。花費上限、出價上限或成本目標、ROAS 目標、預算金額這幾種，則視變更幅度決定。官方給的預算例子直接標出幅度：從 100 美元調到 101 美元不會觸發，從 100 美元調到 1,000 美元就可能讓一或多個廣告組合重新進入學習階段。

用 Advantage+ 行銷活動預算的廣告主，官方 FAQ 給了三顆定心丸：預算在組合之間分配時，廣告組合不會重新進入學習階段。對單一廣告組合做的重大編輯，不會讓同活動裡的其他組合重新進入。新增廣告組合到活動，也不會重設其他組合的學習。這三則合起來看：層與層之間的日常調節（預算挪移、加開組合）在活動層預算下成本較低，真正的重設風險來自組合層級的目標與事件變更。

學習期的四個官方作法，對應到分層結構各有位置。完成學習階段後再編輯：學習期間的成效不穩定，數字還不能代表未來表現，急著改等於把機器推回起點。官方的用詞更重：學習期間的編輯會重設學習階段，並延遲投遞系統把廣告最佳化的時間。避免不必要的編輯：有明確理由預期編輯能改善成效時才動手。避免廣告數量過多：官方明講，建立多個廣告和廣告組合，投遞系統對每個組合的理解會變少，合併相似的廣告組合等於合併系統學習的資訊。分層切得太細，每一層都在跟系統搶學習資料。設定務實的預算：官方提醒預算過低或過高，系統無法準確判斷該優先向誰投遞，而且要避免頻繁變更預算。官方同時聲明，學習階段是幫助投遞系統最佳化的必要步驟，不該試著完全避免。

狀態欄出現「學習效果有限」時，照官方列的排解方向走：合併廣告組合和行銷活動，加快取得成果的速度。擴大廣告受眾規模，受眾越大，完成最佳化事件的機會越多。預算太低就提高預算。出價上限或成本上限太低就放寬。事件頻率太低就換事件，官方原例是加到購物車取代購買。

官方特地澄清，這個狀態沒有懲罰意味，它傳達的資訊是：以這套設定，系統無法有效率地花你的預算。把它當診斷訊號讀。官方還提供一個小幫手：若廣告組合是因低出價上限或成本上限而受限，把滑鼠移到「學習效果有限」狀態上方，系統會顯示工具提示。

名單與資料的日常維護

四段結構的品質，取決於資料新鮮度。互動自訂廣告受眾是滾動式名單：互動受眾說明頁舉的機制是，回溯設 30 天時，29 天前互動過的人還在名單裡，隔天沒有再互動就會被移出，期間內有新互動的人自動補進來。名單自己會呼吸，設定回溯天數等於決定這一層收「多近的互動」，官方並說明互動受眾的資料會持續自動更新，除非要變更回溯期間或互動類型，無需手動重建名單。顧客名單受眾則有明確的保鮮期：官方定義，名單超過 30 天未更新就算過期，可能影響廣告投遞。

名單品質可以量化。後台的配對分數顯示名單裡的識別資料與 Meta 平台個人檔案的配對程度，滿分 10 分，以 0.5 分為單位增加，計算方式是相符列數除以上傳列數。官方給的提高方法：增加更多電子郵件、電話號碼與裝置編號等識別資料，補上之後有機會提高分數。

維護的節奏跟著兩個數字走：互動受眾的回溯天數（決定區間寬度）與顧客名單的 30 天更新線。名單過期前補上傳，配對分數掉下來時補欄位。這些是機械動作，放進行事曆執行就好。

什麼時候不該分層

分層不是越多層越好，約束條件回到學習期的算術。每一層要養得起自己的學習：官方的經驗值是一週內約 50 個成果，加上學習效果有限頁列出的原因（小受眾、低預算、事件頻率低、廣告太多），可以整理成判讀的順序：先算你每層能穩定產出的事件量，再決定層數。假設拆層後，各層的預算與事件量無法累積足夠成果，就先收斂層數，把互動段與意圖段先合併，事件往頻率高的方向選。這項判讀依據是低預算、事件頻率低與廣告太多會造成學習效果有限。事件量足夠後再拆。

廣告數量的約束在同一條線上。官方建議避免廣告數量過多，理由是系統對每個組合的理解變少，合併相似組合可以合併學習資訊。官方說明則把至少 2 個廣告組合的行銷活動，列為適合使用 Advantage+ 行銷活動預算的情境。分層的拆分細度先看每層養不養得起學習，地圖上的段數當參考就好。段數是思考工具，層數是預算決策，兩者不必相等。當整體預算要在 Google 與 Meta 之間分配時，Google Ads 與 Meta Ads 怎麼選、怎麼分預算則是上一層的決定。若把預算放到 Google 搜尋這一側，搜尋廣告從競價到比對類型的完整拆解能補上機制面的細節。

事件量可用相對頻率先做初篩：購買事件的發生次數若遠少於加到購物車，小眾層用購買當最佳化事件就要保守估計，量不夠時依官方原例改選加到購物車。

三個邊界分別是預算判讀、機會分數與學習階段本身。每層預算以事件量能否完成學習來判讀，不用固定金額代替。機會分數是官方用來推薦設定的工具，能近乎即時地找出有效的行銷活動建議並排定優先順序，但分數高低經官方聲明不代表實際或未來成效，建議照單全收之前自己驗。學習階段是系統最佳化的必要步驟，官方明說不該試著完全避免。看到「學習中」，表示投遞系統仍在探索這個組合的投遞方式。

收斂回一句話：分層投放的重心在資料軸。對每一段人，用你握有的資料選受眾，用他們做得到的事件選最佳化目標，用排除與種子把層接起來，用學習期的算術決定開幾層。這套結構沒有成效保證，它給的是讓每一塊預算面對正確對象、讓系統拿到乾淨訊號的設計。數字的起伏仍要回到事件品質、素材與商品本身去解釋。