ads-case-analyzer — 内容消费广告投放 Case 排查#

能力概述#

根据输入的广告主/计划标识、分析周期、排查方向，执行以下流程：

1. 拉取投后数据（日粒度大盘 + 分场域 + 分计划）
2. 拉取出价链路数据（离线出价参数 + 在线出价参数）
3. LLM 推理根因，定位问题层（跑量/出价/转化/竞争）
4. 产出结构化 Redoc 分析文档

输入参数#

参数说明是否必填advertiser_id广告主 ID三选一campaign_id计划 ID（可多个，逗号分隔）三选一brand_account_id品牌账号 ID三选一start_date分析开始日期，格式 YYYYMMDD必填end_date分析结束日期，格式 YYYYMMDD必填issue_direction排查方向（见下方枚举）必填optimize_target优化目标（数字，可不填，脚本自动从数据中推断）选填constraint_type约束目标（数字，可不填，脚本自动推断）选填

排查方向枚举（issue_direction）#

值含义volume_drop跑量/消耗下跌cpa_high激活/转化成本偏高roi_bad计费比异常（advv/fee 偏低，平台超收）retention_low次留率低bid_weak出价竞争力不足（跑不出量）pcvr_gap预估转化率与实际偏差大（calibration 问题）placement_abnormal某场域表现异常general整体健康度排查（无明确方向）

optimize_target 枚举#

值含义60下载按钮点击61激活62注册63关键行为64app 付费65小程序打开67小程序付费69预约下载按钮点击72预约表单提交73微小打开74微小激活75微小付费48下载24hROI49小程序24hROI

---

数据源说明#

1. 投后数据： ads_data_common.dws_ad_full_log_trackid_di#

核心字段：

• 维度： advertiser_id, campaign_id, ad_id, placement（场域：1=信息流,2=搜索）, platform（设备平台）, marketing_target, optimize_target, constraint_type
• 曝光/点击： imp_cnt, click_cnt
• 消耗： fee（单位：分）
• advv： advv
• 转化： app_activate_cnt, app_register_cnt, app_pay_cnt, app_pay, app_key_action_cnt, retention_1d_cnt, mini_apps_payment_cnt, mini_apps_pay_amount, app_subscribe_leads_cnt
• 预估/校准转化率： ori_pcvr, cali_pcvr, pcvr, ori_constraint_type_pcvr, constraint_cali_pcvr, constraint_type_pcvr
• 分区： dtm（格式 YYYYMMDD，无 date_ 字段）

2. 离线出价： hive_prod.ads_data_common.bidding_cube_trace_log_hourly#

过滤条件： context = 'app_ocpx' AND bucket = 'default'

metric 字段（map 类型）关键 key：

• bid_ratio：出价系数（离线校准系数）
• given_cpa：广告主出价（单位：分）
• cpa_bid：系统计算的 CPA 出价（分）
• subsidy_ratio：补贴系数
• prescreen_bid：海选价

注意：该表为小时粒度，分析时聚合到日，join key 为 advertiser_id/ campaign_id

3. 在线出价（信息流场域）： hive_prod.ads_data_common.bidding_pivot_trace_log_feed#

关键字段（ MAP<STRING, DOUBLE> 类型，直接用 ['key'] 访问，禁止 get_json_object）：

• bid_param.cpaBid：在线 CPA 出价
• bid_param.cpaBidRatio：离线出价系数透传值
• bid_param.subsidyRatio：排序计费分离系数（>1 表示欠收超扣，<1 表示过收缩扣）
• bid_req.pgmv：GMV 预估值
• bid_req.pConsCvr：约束目标 CVR 预估
• bid_req.pcvr：优化目标 CVR 预估
• bid_req.pctr：CTR 预估
• bid_layer：生效出价扰动策略， new_bid 为扰动后的 CPC bid

4. 在线出价（搜索场域）： hive_prod.ads_data_common.bidding_pivot_trace_log_search#

字段结构同 feed 表。

---

执行流程#

Step 1：解析输入，确定过滤条件#

根据输入的 advertiser_id/ campaign_id/ brand_account_id 确定 WHERE 条件。 若只有 brand_account_id，先查一下关联的 advertiser_id：

sql

-- 通过 brand_account_id 找 advertiser_id（如有此映射表）
SELECT DISTINCT advertiser_id
FROM ads_data_common.dws_ad_full_log_trackid_di
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND brand_account_id = '{brand_account_id}'
LIMIT 10

Step 2：投后数据 — 日粒度大盘#

默认分组维度： dtm + placement + optimize_target + constraint_type。 若用户明确要求拆平台，加 platform 到 GROUP BY。

sql

SELECT
    dtm,
    placement,
    -- platform,  -- 用户要求拆 iOS/Android 时取消注释
    optimize_target,
    constraint_type,
    SUM(imp_cnt)              AS imp_cnt,
    SUM(click_cnt)            AS click_cnt,
    SUM(fee) / 100.0          AS fee_yuan,
    SUM(advv)                 AS advv,
    SUM(app_activate_cnt)     AS activate_cnt,
    SUM(retention_1d_cnt)     AS retention_1d_cnt,
    SUM(app_pay_cnt)          AS pay_cnt,
    SUM(app_pay) / 100.0      AS pay_amount,
    SUM(mini_apps_payment_cnt) AS mini_pay_cnt,
    SUM(mini_apps_pay_amount) / 100.0 AS mini_pay_amount,
    -- 核心效率指标
    SUM(click_cnt) / NULLIF(SUM(imp_cnt), 0)         AS ctr,
    SUM(app_activate_cnt) / NULLIF(SUM(click_cnt), 0) AS cvr,
    SUM(fee) / NULLIF(SUM(app_activate_cnt), 0) / 100.0 AS cpa_activate,
    SUM(retention_1d_cnt) / NULLIF(SUM(app_activate_cnt), 0) AS retention_rate,
    AVG(ori_pcvr)             AS avg_ori_pcvr,
    AVG(pcvr)                 AS avg_pcvr,
    AVG(constraint_type_pcvr) AS avg_constraint_pcvr
FROM ads_data_common.dws_ad_full_log_trackid_di
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND {id_filter}
  -- AND optimize_target IN (61, 64, ...)  -- 按需过滤
GROUP BY dtm, placement, optimize_target, constraint_type
  -- , platform  -- 拆平台时取消注释
ORDER BY dtm, placement

Step 3：投后数据 — 按输入粒度汇总#

规则：输入什么维度就看什么维度，不主动下钻。

• 输入 brand_account_id → 按 advertiser_id 汇总
• 输入 advertiser_id → 按 campaign_id 汇总
• 输入 campaign_id（单个或多个）→ 按 ad_id 汇总

若用户有进一步下钻诉求，交互确认后再执行更细粒度的查询。

sql

-- 示例：输入 advertiser_id，按 campaign_id 汇总
SELECT
    dtm,
    campaign_id,
    placement,
    SUM(imp_cnt)          AS imp_cnt,
    SUM(fee) / 100.0      AS fee_yuan,
    SUM(app_activate_cnt) AS activate_cnt,
    SUM(fee) / NULLIF(SUM(app_activate_cnt), 0) / 100.0 AS cpa_activate,
    SUM(advv)             AS advv,
    SUM(advv) / NULLIF(SUM(fee), 0) AS billing_ratio
FROM ads_data_common.dws_ad_full_log_trackid_di
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND {id_filter}
GROUP BY dtm, campaign_id, placement
ORDER BY SUM(fee) DESC
LIMIT 50

Step 3b：前链路漏斗分析（掉量场景必做，超成本可选）#

数据来源：adtrace 2.0（详见 references/adtrace_funnel.md） 注意：ck 表 TTL=7天；超过 7 天用 hive 表（30天）

执行时机：

• issue_direction = volume_drop：必做，定位掉量在漏斗哪层
• issue_direction = cpa_high：可选，看精排 ecpm/pcvr 是否高估
• 其他场景：用户有明确诉求时再做

漏斗阶段（信息流）：

text

召回 → 海选 → 粗排 → 精排 → 精排后过滤 → 拍卖 → 混排竞得

标准执行步骤：

1. 先查各阶段通过数（SQL F1/F2），定位哪层骤降
2. 对骤降的阶段查过滤原因（SQL F3），找具体过滤 checkpoint
3. 如需多日趋势对比，用 SQL F4

表名：

• hive 信息流： hive_prod.redcdm.dwd_ads_adtrace_log_checkpoint_rt（ source='feed'）
• hive 搜索：同表， source='search'
• 必须加： request_label_bitset = 0（生产流量）、 is_pass = 1（正埋点）

过滤原因定位逻辑：

卡在哪层常见原因对应动作召回低定向太窄/刹车/预算不足/素材被过滤查 recall_ads_step 过滤原因海选低出价太低（prescreen_bid不够）/频控查 pre_ranking_filter_step 过滤原因 + 出价链路粗排低粗排分低/竞争截断查 running_info 粗排分分布精排/拍卖低ecpm 不足/竞价出价低结合出价链路 cpa_bid × pConsCvr 估算 ecpm

Step 3c：同笔记品牌内部竞争分析（掉量场景，有 brand_account_id 时执行）#

分析目的：判断同品牌账号下其他 advertiser 是否在使用相同笔记素材抢量，导致目标 adv 出价竞争力相对不足而掉量。

执行时机：

• issue_direction = volume_drop 且有 brand_account_id，必做
• 无 brand_account_id 时，可先查 brand_account_id：

sql

-- 先查 brand_account_id
SELECT DISTINCT brand_account_id
FROM ads_data_common.dws_ad_full_log_trackid_di
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND advertiser_id = '{advertiser_id}'
LIMIT 5

标准 SQL：

sql

-- 取目标 adv 投放的所有笔记，查同品牌下各 adv 在这批笔记上的消耗分布
WITH adv_notes AS (
    SELECT DISTINCT note_id
    FROM ads_data_common.dws_ad_full_log_trackid_di
    WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
      AND advertiser_id = '{advertiser_id}'
      AND note_id IS NOT NULL
      AND note_id != ''
)
SELECT
    t.dtm,
    t.advertiser_id,
    CASE WHEN t.advertiser_id = '{advertiser_id}' THEN '目标adv' ELSE '品牌其他adv' END AS adv_type,
    COUNT(DISTINCT t.note_id)       AS note_cnt,
    ROUND(SUM(t.fee) / 100.0, 2)   AS fee_yuan,
    SUM(t.imp_cnt)                  AS imp_cnt,
    SUM(t.click_cnt)                AS click_cnt
FROM ads_data_common.dws_ad_full_log_trackid_di t
INNER JOIN adv_notes n ON t.note_id = n.note_id
WHERE t.dtm BETWEEN '{start_date}' AND '{end_date}'
  AND t.brand_account_id = '{brand_account_id}'
GROUP BY t.dtm, t.advertiser_id
ORDER BY t.dtm, fee_yuan DESC

解读逻辑：

现象判断目标 adv 掉量，其他 adv 同批笔记消耗不变或上升✅ 内部竞争抢量，需对比出价差异目标 adv 掉量，其他 adv 同步下降❌ 非内部竞争，根因在其他层（流量/出价/回传）目标 adv 掉量，单个 adv 突然大幅放量🔴 强烈抢量信号，重点排查该 adv 出价变化

结论写法：

• 计算每天「目标 adv 消耗 / 同笔记品牌总消耗」占比，观察掉量日是否显著下降
• 点名放量的竞争 adv，建议排查其 bid_ratio 或 given_cpa 是否在掉量日有提升

---

Step 4：离线出价参数#

⚠️ 升维投放说明：部分账户使用「升维投放」模式，不经过离线出价系统（ bidding_cube_trace_log_hourly 返回 0 行），这是 正常现象，不代表出价异常。升维投放的出价逻辑由在线系统直接决定，此时跳过 Step 4，直接看 Step 5 在线出价参数。

判断方法：执行下方 SQL 后若返回 0 行，说明该账户走升维投放，记录在报告中并跳过。

sql

SELECT
    dtm,
    advertiser_id,
    campaign_id,
    ROUND(AVG(metric['bid_ratio']), 4)          AS avg_bid_ratio,
    ROUND(AVG(metric['given_cpa']) / 100.0, 2)  AS avg_given_cpa,
    ROUND(AVG(metric['cpa_bid']) / 100.0, 2)    AS avg_cpa_bid,
    ROUND(AVG(metric['subsidy_ratio']), 4)      AS avg_subsidy_ratio,
    ROUND(AVG(metric['prescreen_bid']), 4)      AS avg_prescreen_bid
FROM hive_prod.ads_data_common.bidding_cube_trace_log_hourly
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND context = 'app_ocpx'
  AND bucket = 'default'
  AND {id_filter}
GROUP BY dtm, advertiser_id, campaign_id
ORDER BY dtm

Step 5：在线出价参数（信息流场域）#

sql

SELECT
    dtm,
    campaign_id,
    ROUND(AVG(bid_param['cpaBid']) / 100.0, 2)    AS avg_cpa_bid_online,
    ROUND(AVG(bid_param['cpaBidRatio']), 4)         AS avg_bid_ratio_online,
    ROUND(AVG(bid_param['subsidyRatio']), 4)        AS avg_subsidy_ratio,
    ROUND(AVG(bid_req['pcvr']) * 100, 4)           AS avg_pcvr,
    ROUND(AVG(bid_req['pConsCvr']) * 100, 4)       AS avg_pcons_cvr,
    ROUND(AVG(bid_req['pctr']) * 100, 4)           AS avg_pctr,
    ROUND(AVG(bid_req['pgmv']), 4)                 AS avg_pgmv,
    COUNT(*)                                        AS request_cnt
FROM hive_prod.ads_data_common.bidding_pivot_trace_log_feed
WHERE dtm BETWEEN '{start_date}' AND '{end_date}'
  AND {id_filter}
GROUP BY dtm, campaign_id
ORDER BY dtm

Step 5b（搜索场域）：同上，表换为 bidding_pivot_trace_log_search。

---

Step 6：LLM 根因推理#

收集上述所有 SQL 结果后，结合 issue_direction 进行推理。两个最核心场景有专项分析逻辑：

---

场景一：超成本（ issue_direction = cpa_high）

额外执行 SQL： S1-1（PAOA 日粒度）+ S1-2（ori_pcvr vs cali_pcvr vs 实际 CVR）

PAOA 计算口径：

• placement IN (1, 2)：预估转化 = SUM(constraint_type_pcvr × click_cnt)
• placement = 7（内流）：预估转化 = SUM(constraint_type_pcvr × imp_cnt)
• 实际转化字段：按 constraint_type 映射（见 references/constraint_type_mapping.md）
• 必须同时过滤 optimize_target，防止 app_invoke_cnt/ app_activate_cnt 等重叠字段混入

分析链路：

text

PAOA > 1（高估）→ 模型预估偏高 → 超成本
  ↓
拆解：ori_pcvr vs cali_pcvr vs 实际 CVR
  - ori_pcvr 已偏高 → 原始模型问题（特征/样本）
  - ori 正常但 cali 偏高（cali_multiplier 大）→ 校准放大了偏差
  - 预估都正常但实际 CVR 低 → 素材/落地页/人群质量问题

constraint_type → 实际转化字段映射（快查）：

constraint_type实际转化字段60app_download_button_click_cnt61app_activate_cnt62app_register_cnt63app_key_action_cnt64app_pay_cnt65app_invoke_cnt67mini_apps_payment_cnt69app_subscribe_button_click_cnt72leads_cnt73app_invoke_cnt74app_activate_cnt75app_payment_cnt48/49TBD

---

场景二：掉量（ issue_direction = volume_drop）

额外执行 SQL： S2-1（出价链路趋势）+ S2-2（在线预估分趋势）

出价链路：

text

given_cpa × bid_ratio × subsidy_ratio = 系统有效 CPA 出价
  × pConsCvr（约束目标 CVR 预估）
  × pctr（CTR 预估）
  × expoOptBoostScore（bid_layer 扰动系数）
  = CPC bid（最终竞价出价）→ 影响 ecpm → 影响跑量

根因判断优先级：

1. bid_ratio 下调 → 有效出价降低 → 跑量下降（最常见）
2. avg_pcvr / avg_pctr 下降 → ecpm 降低 → 竞争力不足
3. subsidy_ratio < 1（过收缩扣）→ 实际出价被压低
4. 以上正常 → 看 avg_prescreen_bid 是否上升（竞争加剧）
5. 以上都正常 → 确认预算/投放设置是否有变更

---

通用根因框架

漏斗拆解：

text

曝光 → 点击（CTR）→ 激活/转化（CVR）→ 次留/深层

哪层下降最明显，问题就在哪层。

其他场景根因参考：

排查方向主要看的信号可能根因roi_badbilling_ratio(advv/fee)趋势、pgmv 预估advv 预估偏低、GMV 预估不准、平台超收retention_lowretention/activate 比、pcvr 分布次留模型预估偏高、落地页体验差pcvr_gapori vs cali vs constraint_type_pcvr校准系数异常、样本稀疏placement_abnormal分 placement 指标对比场域流量结构变化、出价策略差异

---

Step 7：生成 Redoc 文档#

调用 /app/skills/hi-redoc-curd/scripts/hi-redoc-curd.sh -p {report_path} 生成文档。

文档命名规则：

• 完整报告： {end_date} {品牌名}-{advertiser_id}账户{issue_type}分析（完整报告）
• 简报： {end_date} {品牌名}-{advertiser_id}账户{issue_type}分析
• issue_type 映射： volume_drop →掉量， cpa_high →超成本， roi_bad →计费比异常， general →投放分析
• end_date 格式： YYYYMMDD（8位），如 20260331
• 品牌名从 brand_account_id 关联的品牌名称获取；若无则用 advertiser_id 替代
• 示例： 20260331 杖剑传说-7540400账户掉量分析（完整报告）

文档结构：

markdown

# {end_date} {品牌名}-{advertiser_id}账户{issue_type}分析（完整报告）

## ⚡ 核心结论（TL;DR）

> **一句话描述核心异动：{消耗/曝光} 从 X 骤降至 Y（-Z%），根因如下：**

| 优先级 | 根因 | 关键数据 |
|--------|------|---------|
| 🔴 核心 | ... | ... |
| 🟡 重要 | ... | ... |
| 🟢 参考 | ... | ... |

**最紧急的行动项：**
1. 🔴 ...
2. 🔴 ...

---

## 一、基本信息
- 广告主/计划：...
- 分析周期：...
- 排查方向：...
- 优化目标/约束目标：...

## 二、整体大盘趋势
[日粒度核心指标表格：消耗/曝光/点击/激活/次留/计费比(billing_ratio=advv/fee)]
[趋势描述：哪天开始异常，幅度多大]

## 三、分场域拆解
[信息流 vs 搜索对比表]
[哪个场域是主要问题来源]

## 四、分计划拆解
[Top 计划表现，出价/消耗/CPA 对比]

## 五、出价链路分析
[离线出价参数趋势：bid_ratio / given_cpa / cpa_bid / subsidy_ratio]
[在线出价参数：pcvr / pConsCvr / pctr / pgmv 趋势]
[出价链路是否正常：given_cpa × bid_ratio × subsidy_ratio = 实际竞价]

## 六、根因定位
[漏斗断层：哪一层转化率明显下降]
[出价链路：系数变化导致的出价变化估算]
[核心根因：1-3条，明确]

## 七、结论与建议
[问题摘要]
[优化动作建议：出价调整/素材更新/人群策略/calibration修复等]

---

调用示例#

用户说：「帮我排查一下 advertiser_id=123456，3月25日到31日，消耗一直在下跌，看看是什么原因」

执行步骤：

1. 解析： advertiser_id=123456, start_date=20260325, end_date=20260331, issue_direction=volume_drop
2. 执行 Step 2–5 的 SQL（展示 DOR 执行前先给用户看 SQL，确认后执行）
3. 整理数据，执行 Step 6 根因推理
4. 生成 Redoc 文档，返回链接

---

注意事项#

• SQL 执行规则：遵循 DOR skill 规范，执行前必须展示 SQL，用户确认后再跑。大表（bidding_pivot）加时间分区过滤，必要时加 LIMIT。
• 出价表数据量： bidding_pivot_trace_log_feed/search 数据量较大，分析时优先用 bidding_cube_trace_log_hourly（已聚合），只在需要定位具体请求时才查 pivot 表。
• metric 字段解析： bidding_cube_trace_log_hourly 的 metric 是 Hive map 类型，直接用 metric['key'] 访问。
• 保浅优深计划： constraint_type ≠ optimize_target，出价锚定 constraint_type，深层目标为 optimize_target，分析时要分清两层指标。
• fee 单位： dws_ad_full_log_trackid_di 中 fee、 given_cpa、 cpa_bid 单位均为 分，展示时除以 100。
• subsidy_ratio 解读：>1 表示当前欠收正在超扣（平台补贴广告主），<1 表示过收缩扣，=1 正常。
• 升维投放： bidding_cube_trace_log_hourly 返回 0 行时属正常，记录说明并跳过，直接看在线出价参数。

---

排查经验库（来自历史 case）#

掉量场景常见根因（优先排查顺序）#

1. 客户主动操作：降价/降预算/缩窄定向/暂停/账户余额不足—— 最先排查，可查操作记录表
2. 账户/计划预算撞线：日预算用完后自动停投，次日才恢复
3. 同物料账户内抢量：相同笔记在账户内多计划/多 adv 投放，内部去重过滤导致竞得量下降
4. 素材质量问题：笔记活动声明过期、差评过多导致 CTR/CVR 持续下滑
5. ecpm 竞争力下降：pctr/pcvr/出价三者之一下滑，导致海选/粗排截断
6. lambda/调价策略波动：转化时序偶然因素导致调价系数重置（整桶调控计划尤其注意）
7. 大促节点后流量回落：大促期间流量竞争加剧，节后自然回落，属周期性波动

超成本场景常见根因#

1. PAOA > 1：模型高估，拆解 ori_pcvr vs cali_pcvr vs 实际 CVR
2. 竞争环境变化：竞争加剧导致低出价拿不到量，被迫提价后 CVR 低的流量进来
3. 素材质量下滑：CTR 正常但 CVR 下降，用户点进来后不转化

工具资源（内部平台）#

工具用途链接计划投放效果分析工具场域拆分/PAOA/操作记录/竞争力/参竞漏斗/同物料抢量redbi dashboard 3120投放排查工具（聚光）计划竞争力、竞争力拆解（出价/CTR/CVR 三维水位）ad.xiaohongshu.com/aurora/ad/tools/monitoring_tool创意粒度漏斗排查详细参竞漏斗，创意粒度内部自助分析工具hera 平台附身登录查创意审核状态hera.xiaohongshu.comred-gravity出价因子 lambda 变化趋势gravity.devops.xiaohongshu.com

掉量排查 checklist（快速核查）#

text

□ 1. 客户操作记录：近 7 天是否有降价/降预算/暂停？
□ 2. 账户预算：是否有某天撞线？
□ 3. 同物料抢量：账户内其他计划是否用了相同笔记？重复消耗占比？
□ 4. 素材状态：活动声明是否过期？CTR/CVR 是否持续下滑？
□ 5. adtrace 漏斗：哪层断层（海选/粗排/竞得）？
□ 6. 品牌内竞争（有 brand_account_id）：同笔记其他 adv 是否放量？
□ 7. 出价链路：bid_ratio/pcvr/pctr 是否有下滑？lambda 是否重置？
□ 8. 大盘环境：是否节点/大促节后自然回落？