Shopee人群包怎么用：把广告打给对的人

人群包解决什么问题

最直接的问题是钱花在了不相关的人身上。投放位置和素材都差不多的时候，同样的预算有人能换回订单，有人只换来点击，区别就在于曝光落到了谁面前。人群包把这个问题从模糊变成了可以选择。

第二个问题是出价没有区分度。一个价格打给所有人群，结果是对高意愿的人群出价不够、抢不到位置，对低意愿人群出价过高、花了冤枉钱。分开出价之后，每一分钱的去向都更明确了。

第三个问题是投放效果无法归因。所有流量混在一起，看到投产比不理想也不知道该从哪改。人群包把流量拆成几个可比较的组，哪一组在拖后腿就一目了然，调整也有明确方向。

第四个问题是老客和新客互相干扰。已经买过的人还会反复看到同一个商品的广告，这对新客的曝光是一种挤占。把已购人群排除之后，预算的触达效率会提升。

第五个问题是新品冷启动缺少依据。新品没有历史数据，投放往往只能凭感觉。这时候可以拿同类目买家和浏览未购的人群先跑起来，用他们的反应判断商品是否有潜力。

这些问题归结起来其实是一件事：投放资源是有限的，而买家的意愿是有差别的。人群包做的事情就是把有限的资源按意愿的差别分配出去，让钱更容易花在接近下单的人身上。

还有一个容易被忽略的问题是买家的决策阶段不同。有的人刚开始逛，有的人已经比过几轮，有的人就差一步付款。把这三类人当成一类来投放，效果一定不平均。人群包的价值之一就是把这几个阶段分开对待。

从更长远的角度看，人群包积累的是对买家的理解。哪个阶段的人更容易被什么内容打动，哪类人群的复购周期大概多长，这些认知会留在店铺的运营经验里。投放只是它的第一个应用场景。

人群包也是新品测试的一个抓手。新品没有历史销量，可以先用几类不同意愿的人群小规模投放，看哪一类反应最好。反应好的人群特征，反过来也能指导后续的内容和视觉方向。

从成本角度看，人群包直接影响的是每一单的获客成本。同样的成交额，如果获客成本下降了，利润空间就会出来。这一点在竞争激烈、单价被压低的环境里尤其重要。

它还能减少无效曝光带来的负面效果。一个人反复看到自己不感兴趣的商品，对这个品牌的好感会下降。人群包让曝光更集中在对的人身上，也让品牌印象更干净。

理解人群包的作用，关键在于把它看成一种分配机制。它的任务是把有限的预算按买家意愿的高低分配出去，让每一层人群都拿到合适的触达力度。

还有一点是人群包让投放从经验判断转向数据判断。以前靠感觉猜买家是谁，现在能通过人群的反馈来验证猜测。这个转变看起来不大，但它决定了优化能不能持续，因为可验证的判断才能积累成方法。

对于多商品店铺，人群包还能解决资源分配的问题。哪个商品适合推给新客、哪个适合推给老客，通过人群分层投放之后，商品的定位会更清楚，后续的运营动作也有依据。

从整体上看，人群包把投放从一次性的动作变成了可以迭代的系统。每一轮投放都会产生新的数据，这些数据反过来改善下一轮的设置，效果在这个过程中逐步提升。

人群包的价值是让人和出价一一对应起来

能圈哪几类人

第一类是行为最接近下单的人。浏览过商品但没有购买、把商品加进购物车但没有付款、多次访问同一个商品页面，这些行为都说明买家已经产生了真实兴趣，只是还差一个推动。

第二类是对品类有需求但还没接触过你的人。买过同类商品的买家、浏览过相似商品的买家都属于这一类。他们的购买习惯已经形成，缺的是认识你这个店铺的机会。

第三类是和你已经有过交易关系的人。店铺老客、复购过的买家、参与过活动的人，这些人的信任基础最好，触达成本也最低。他们适合用来带动复购和上新推广。

第四类是流失的老客。曾经买过但很久没有回访的人，价值不能一概而论。有的只是需求周期还没到，有的是体验出了问题。这一类需要单独的判断，不能和活跃老客混在一起投放。

第五类是广泛兴趣人群。他们对你的品类有兴趣但行为很浅，比如只点过一次相关的内容。这类人数量大、转化低，适合用来做品牌曝光或者新品的早期兴趣收集。

第六类是应该被排除的人。已经买过当前商品的人、行为过于频繁明显异常的账号、配送范围之外的买家，这些群体放进来只会增加无效花费，应该在设置时就排除掉。

在实际操作里，这几类人群通常都能在投放后台直接找到对应的选项。浏览未购、加购未成交、店铺历史买家、同类目买家，这些都是常见的预设人群，建立的时候不需要自己从零定义。

除了预设人群，还可以按时间窗口来细分。比如最近三天浏览过的人，和最近三十天浏览过的人，意愿强度差别很大。时间窗口是调节人群质量最简单的一个参数。

也可以按消费层级来切割。消费能力偏高的买家对价格不那么敏感，更容易被品质和功能说服；价格敏感型买家则相反。同一个商品对这两类人的卖点表达应该不同。

地域也是一个维度。不同地区的买家在配送时效、使用场景、消费习惯上都有差异。如果店铺的配送能力在某些地区特别强，可以针对这些地区单独做人群投放。

还有一类是按互动程度划分的人群。评论过、关注过、参与过活动的买家，和只是浏览过的买家完全不同。互动过的人对店铺有认知，触达时可以用更熟悉的口吻。

把这些维度列出来之后，实际使用的通常只是其中两三个。选哪几个取决于本次投放的目标和商品的特点，不需要每个维度都用上。用得太多，人群会被切得过碎。

还有一类是价格敏感型的买家。这类人对优惠、门槛、配送费都很在意，用常规素材触达效果一般，但如果有明确的优惠信息，反应会比较好。这类人群通常需要单独的素材来配合。

也可以按买家在店铺里的行为深度来分。访问过店铺首页的人、浏览过多个商品的人、只看过一个商品的人，这三类的认知程度差别很大，触达时说的话也应该不一样。

圈人的时候要注意避免重叠。两个人群的条件如果有大量交叉，投放时会互相抢量，数据也分不清楚。建立之前先看看覆盖人数有没有明显重合，必要时调整时间窗口来分开。

人群的定义要有明确的时间范围。说近期浏览，到底是三天还是三十天，差别很大。把每个条件都写得具体，后续调整和复盘的时候才不会含糊。

越靠近购买动作的人群，效率通常越高

人群怎么组合

组合的第一条原则是保证量级。人群包如果太小，投放模型拿不到足够的样本来学习，效果会很不稳定。通常每个包需要有一定的基础体量，具体标准可以在后台看到预估覆盖人数。

第二条原则是同一个包里的人要有相近的意愿程度。把浏览未购和完全陌生的人放在一个包里，出价就无法兼顾。相近意愿的人放在一起，出价的设定才有意义。

第三条原则是组合数量不要太多。一次开十几个包，每个包的数据都很少，反而判断不出效果。聚焦三到五个包，把每个包的数据跑清楚，比铺得很开更有价值。

第四条原则是拉新和收割分开。拉新的人群需要用偏低的价格触达更多的人，收割的人群可以用较高的价格争取更靠后的转化。两类的目标不同，放在同一个投放里会互相拖累。

第五条原则是留出对照。可以保留一个不做特别定向的常规投放作为参照，这样才知道做了人群定向之后到底改善了多少。没有对照的数据，看不出优化的价值。

组合完成后要给每个包设定独立的预算和出价，不要让它们共享同一个预算池。共享的预算会被表现好的包吃满，表现一般的包拿不到足够的曝光，也就没机会证明自己。

组合的时候可以按从上到下的漏斗来思考。最上面是广泛兴趣人群，中间是同类目买家，下面是浏览未购和加购未下单，最底下是老客。每一层对应一种投放力度和一类素材。

漏斗的分层不是要求每一层都同时开。资源有限时，优先做下面两层，因为它们的转化路径最短、见效最快。上面两层用来做规模，适合在下面两层已经跑稳之后再加。

不同层的人群最好配不同的素材。广泛人群适合讲清楚商品是什么、解决什么问题，意向人群适合讲差异和优势，加购未下单的人群适合给出一个推动下单的理由。素材和人群对上了，效果才会明显。

组合还需要考虑排期。同一批人不需要每天都看到广告，投放的节奏可以错开。比如浏览未购的人连续触达几天之后缓一缓，把预算挪给其他人群，避免过度打扰。

如果某个包跑了一段时间表现一直不好，要先判断是人群的问题还是素材的问题。换一版素材再试一次，如果还是没有改善，那才是人群本身不合适。

组合方案定下来之后要写成文档。哪个人群用哪种出价、配哪类素材、目标是什么，都记清楚。过一段时间回头看，才能知道当初的判断是否准确。

组合方式可以随着目标切换。推新品时重点是拉新人群和兴趣人群，清库存时重点是加购未下单和浏览多次的人，做复购时重点是老客和流失老客。同一批人群在不同目标下的用法完全不同。

如果同时在推多个商品，要避免把这些商品投给同一批人。一个人在一段时间内连续看到同一个店铺的多个商品广告，容易产生疲劳。错开商品和人群的组合，体验会好一些。

人群包之间的预算分配可以按历史表现来。跑得好的包拿更多预算，跑得一般的先维持，跑得差的减少或暂停。这个比例不需要很精确，但需要有意识地调整。

组合的复杂度要和团队的能力匹配。如果只有一个人负责投放，三到四个包是相对可控的量。人手充足的时候再考虑扩到更多组合。

出价怎么差异化

出价的基准可以先用系统建议价作为起点。在此基础上，对加购未下单这类高意愿人群适度上浮，对广泛兴趣这类低意愿人群适度下调。上浮和下调的幅度从小的比例开始试。

调整出价要有节奏。一次只调一个包，观察三到五天，看点击和转化的变化。同时调好几个包，之后就分不清是哪个调整起了作用。单变量调整虽然慢，但结论可靠。

不同人群的出价上限要根据实际成本来定。某个包即使加价也拿不到足够的曝光，说明这个位置的竞争太激烈，继续加价并不划算。这时候换个投放位置或者换个人群可能更有效。

出价还要和商品的利润空间匹配。高毛利商品可以承受更高的获客成本，低毛利商品的出价空间本来就窄。脱离商品本身的毛利去谈出价，容易陷入投入多产出少的局面。

时间维度也可以做差异。买家活跃的时段出价可以高一点，成交概率本来就低的时候可以降下来。把预算集中在效果好的时段，整体的投产比会更好。

出价没有一劳永逸的答案。竞争对手在变、平台的流量结构在变、你自己的商品也在变。把调整当成一个持续的动作，按周期回看和微调，比一次性设好就不动要合理。

差异化的幅度可以从一个小的区间开始。高意愿人群比基准价上浮一到两成，低意愿人群下调一到两成，先在这个范围内观察。有数据支撑之后再考虑放大差距。

出价的调整要和预算联动。某个包加价之后确实带来了更多成交，那就同步增加它的预算。加价却不加预算，会因为预算很快用完而错失后面时段的流量。

要注意出价和展现位置的关系。同一个出价在不同位置上的竞争力并不相同。人群包要配合合适的投放位置，出价才有意义。位置选错了，出价再高也拿不到想要的流量。

出价也需要考虑商品的生命周期。新品期为了积累数据和评价，可以接受偏高的出价；成熟期商品已经有自然销量支撑，出价可以更保守一些。阶段不同，策略不同。

如果平台的投放工具支持自动出价，可以用它作为参照。先让系统跑一段时间，看看它给出的建议区间在哪里，再在此基础上手动微调。人工判断和系统数据结合，通常比只用一种更稳。

出价的结果要记录下来。每个包在什么出价水平上拿到了多少曝光和成交，记录下来之后就有了自己的参考区间。下次对类似人群出价的时候，起点会更接近合理值。

出价的上限可以用商品的毛利反推。假设这个商品每单能赚到的金额有限，那么获客成本超过一定比例之后就是亏的。把这条线算清楚，出价就有了不会越界的依据。

还要考虑不同人群的转化周期。加购未下单的人可能当天就成交，同类目买家可能需要看几次才会下单。周期长的人群前期数据会显得差，判断时要给足观察时间。

如果某个包一直跑不出量，可以检查是不是投放的位置和人群不匹配。换个位置试试往往比继续加价更有效，因为问题可能出在流量来源而不是价格上。

出价的调整最好有固定的周期。比如每周调整一次，而不是每天都动。频繁调整会让数据一直处在波动状态，很难看出真实的趋势。

怎么排除已购人群

排除的第一步是把已购的判定范围界定清楚。是排除买过当前商品的，还是排除买过店铺任何商品的，这两种做法的适用范围不同，要结合当前的投放目标来选择。

如果本次目标是把新品推给没买过的人，应该同时排除买过这个商品和买过同类商品的买家。同类商品的买家虽然可能是潜在客户，但在新品早期更适合用他们来验证需求而不是直接收割。

如果目标是带动老客复购，那就不该排除他们，而是要把这部分人单独拉出来做投放或者触达。排除和保留的判断依据始终是本次投放的目标，不存在一个固定的做法。

排除的生效有时间延迟。买家刚下单的时候，系统的行为数据还没更新，广告可能还会出现一两次。这是正常现象，不用因为偶尔看到而怀疑设置没有生效。

除了已购人群，还要考虑其他需要排除的群体。配送不到的地区、明显异常的账号、因为售后问题产生过纠纷的买家，这些都应该在设置里单独处理。

排除的设置要定期检查。买家在不断增加，之前设置的排除条件会随时间的推移而失效或者变得不适用。按月检查一次，比设置好之后一直不管更稳妥。

排除设置要区分商品维度。排除买过这个特定商品的买家，和排除买过店铺所有商品的买家，是两个不同的条件。推新品时用前者更合适，推店铺整体形象时用后者更合适。

对于复购周期明显的商品，排除的时间范围可以设得更精细一点。比如消耗品在购买后的一段时间内不太可能再买，可以把这段时间的已购人群排除，之后就重新放进来触达。

排除之后要观察整体数据的反应。如果排除之后曝光量大幅下降，说明已购人群在你的投放里占了很大比例，这也从侧面反映出拉新能力不足，需要往新人群那边加大投入。

除了已购，还要排除刚刚互动过的人。一个买家刚收到货，立即又看到这个商品的广告，体验并不好。给刚成交的人一个安静期，之后再考虑触达复购。

排除条件应该写进投放的检查清单。每次新建投放前对照一遍：有没有排除已购、有没有排除异常账号、有没有排除配送范围外。这三条是成本最低的投放保护。

如果平台的工具支持分群查看数据，可以对比排除前后的效果差异。这一组对比数据能直观说明排除动作的价值，也能帮你决定排除的范围要不要再扩大。

排除的范围可以按投放的阶段来调整。新品上市初期排除所有已购，让新买家先看到；等基础销量起来之后，再把老客放回来做复购推广。阶段不同，排除的策略也应该跟着变化。

要留意排除操作对人群规模的影响。如果排除之后可触达的人太少，投放就跑不起来。这时候可以适当放宽其他条件，把人群的基数重新做起来。

排除名单的更新是自动进行的。买家下单之后会被自动加入排除范围，不需要手工维护。你需要做的只是确认排除条件设置正确，以及定期检查它是否还在生效。

对于客单价较高的商品，排除已购尤其重要。这类商品的复购周期长，把预算花在已经买过的人身上回报很低。把资源集中在还没买过但有需求的人身上更划算。

不同人群该配不同的出价，而不是一个价打完

效果怎么对比

对比的前提是把数据分开统计。每个包单独看曝光、点击、加购、成交和花费，得出各自的点击率和投产比。混在一起看总数，判断不出哪个包有效。

对比要建立在可比的样本上。一个包花了很少的钱，另一个包花了很多，直接比成交总额没有意义。用比率指标来对比，比如每一份花费带来的成交，才有参考价值。

要设一个基准组。可以是优化之前的常规投放数据，也可以是同期保留的一个不做定向的投放。有了基准，改善的幅度才有参照。

观察周期要放长。人群包的效果会随着数据的积累而逐步改善，前两周的表现往往不代表稳定状态。通常需要观察一个月以上，得出的结论才比较可信。

除了投放本身的数据，还要看被触达人群的后续行为。广告带来的买家后续有没有复购、有没有留下评价、有没有取关，这些能反映流量的真实质量。

对比的最终目的是决定资源往哪里加。表现好的包增加预算，表现差的包调整条件或者直接停掉。每一次对比都应该产生一个具体的动作，否则就只是看数据而已。

对比的时候要留意样本量的差异。一个包只有几十次曝光，得出的点击率参考价值很低。样本太小的包可以先继续跑，等数据积累到一定程度再判断。

除了自己店铺内部对比，也可以参考类目的常见水平。点击率和投产比的合理区间在类目里有大致范围，知道自己在哪里，就能判断是正常水平还是有明显问题。

对比要注意季节和活动的影响。大促期间的转化率普遍偏高，日常期间偏低，用大促期间的数据去否定日常投放的结论是不成立的。比较要在相似条件下进行。

建议给每次调整做一次记录。什么时间改了什么、改完之后数据怎么变，这样一条一条记下来，时间久了就能看出哪些调整真正有效。

对比的结论要落到下一轮的投放计划上。哪个包保留、哪个包调整、哪个包停掉，预算怎么重新分配，都是对比之后应该产生的具体决定。

一段时间之后，这套对比形成的记录本身就成了资产。新人接手投放时，看这些记录比从头摸索要快得多。这也是为什么坚持记录比一次性的优化更重要。

对比的时候可以固定一部分变量。比如同样的素材、同样的时段、同样的预算，只改变人群这个变量，这样得出的差异才能归因到人群上。变量太多，结论就不可靠。

可以专门记录每个包的第一次成交时间。有的包曝光之后很快就有成交，有的需要更长时间才能转化。这个差异会影响你对观察周期的设定。

对比结果最好用简单的表格呈现，横向是每个包的关键指标，纵向是不同时间段。一眼就能看出哪个包在变好、哪个在变差，沟通的时候也方便。

如果数据始终看不出明显差异，可以考虑是不是人群划分得不够细，或者商品本身的适配面比较窄。这两种情况的调整方向完全不同，需要分开排查。

人群变准之后，点击和投产会一起改善

常见误区

第一个误区是把人群包当成万能工具。人群定向能做的是提高匹配度，但商品本身没竞争力、价格明显偏高的时候，再精准的人群也带不来订单。基础问题要先解决。

第二个误区是人群包设得太多。十几个包同时跑，每个包的数据都很稀疏，最后没有一个能得出明确结论。聚焦少数几个包，跑清楚了再扩。

第三个误区是出价一步到位。上来就把价格加到很高的位置，成本迅速上升，也不好判断是哪一步起了作用。从小幅开始调，逐步找到合适的区间。

第四个误区是不排除已购人群。已经买过的人不断看到同一个商品的广告，既浪费预算又影响体验。排除这个动作的成本很低，收益却很直接。

第五个误区是人群包设好之后不再管。买家的行为、竞争环境、平台规则都在变，半年前合适的设置放在今天可能已经失效。按月回看是必要的。

第六个误区是只看投产比不看规模。投产比高的包往往量很小，整体贡献有限。要同时看效率和质量，把两者结合起来判断。

第七个误区是用人群包替代商品优化。商品标题、主图、详情没做好的时候，先做人群定向等于把更好的流量引到一个留不住人的页面。顺序不能颠倒。

第八个误区是没有单独的数据记录。投放后台的数据会随时段变化，不记录下来就没法和之前对比。从第一天开始用一份表格记录，是一个成本极低的习惯。

把误区过一遍，人群包的用法就清楚了：目标先定，人群按意愿分层，出价分开设定，已购人群排除，数据分开统计，按月回看调整。这套动作不复杂，难点在于持续。

如果预算有限只能做一件事，那就先把加购未下单的人群单独拉出来投放。这批人已经走到了离成交最近的位置，争取他们的效率通常明显高于其他人群。

第九个误区是把人群包当成一次性的设置。设完之后半年不看，期间市场、竞品和买家都变了。定期的回看和调整是人群包长期有效的前提。

第十个误区是用人群包去掩盖商品问题。商品本身缺乏竞争力的时候，精准的人群只会让更多人知道这个商品不够好。先解决商品问题，再谈人群优化。

第十一个误区是不给不同人群配不同素材。同一套素材投给所有人，等于放弃了人群细分本来能带来的效果。素材和人群匹配，投入才会被放大。

第十二个误区是忽略投放的时段。有些人群在特定时段才有明显的活跃度，全时段同一个出价会浪费不少预算。按数据把时段也做一次区分，成本会更可控。

第十三个误区是看到投产比不好就立即停投。投放需要一个学习期，前几天的数据波动很大。给每个包设定一个最短观察期，再看要不要停。

第十四个误区是没有人负责这件事。投放涉及人群搭建、素材准备、出价调整、数据复盘，环节不少。没有明确的人跟进，人群包很容易停留在最初的设置上。

把这些误区过一遍会发现，人群包的核心并不在操作，而在于持续地观察和调整。设置只是开始，真正产生效果的是后面每一次基于数据的微调。

起步的时候可以从一个小目标开始，比如先把加购未下单的人群单独维护好。一个包跑出稳定的效果，比同时开五六个包更有价值。

还有一个误区是人群包建好之后不做命名规范。时间一长，后台堆着十几个名字相似的人群，根本分不清哪个是哪个。建立的时候就按目标加时间的规则命名，后面用起来会顺畅很多。

另一个误区是只看系统的预估覆盖人数就做决定。预估的数字和实际能触达的量会有效差，以实际投放后的数据为准更可靠。

再一个误区是忽略不同市场的差异。不同地区的买家在搜索习惯、价格敏感度、内容偏好上都有区别，人群策略需要按市场分别调整，不能整体套用一套设置。

还有一个误区是投放和商品页面的信息不一致。广告里说的是一个卖点，点进页面看到的却是另一个，买家的兴趣会迅速下降。投放和页面要同步维护。

常见问题（FAQ）