一、广告计费体系：五大核心定价公式
广告投放的计费模式直接决定了广告主的成本结构和风险分布。不同的计费模型适用于不同的营销目标，理解每种模型的计算公式和适用场景是广告投放的“第一课”。
CPM（Cost Per Mille，千次展示成本） 是按广告每展示一千次来计费的模式，适用于品牌曝光和认知提升类投放。计算公式为：
CPM =（广告总花费 ÷ 展示次数）× 1000
举例说明：如果一次投放花费300元获得了50,000次展示，则CPM =（300 ÷ 50,000）× 1000 = 6元，即每千次展示成本为6元。CPM模式下广告主只为“被看见”付费，适合新品上市、节点造势等品牌推广场景。
CPC（Cost Per Click，每次点击成本） 是按用户实际点击广告的次数计费的模式，适用于引导流量、种草转化等场景。计算公式为：
CPC = 广告总花费 ÷ 点击次数
例如，花费500元获得200次点击，则CPC = 2.5元。CPC模式的优势在于广告主只为有效点击付费，但如果点击后的转化效率不高，依然可能造成预算浪费。
CPA（Cost Per Acquisition，每次获客成本） 是按用户完成特定转化动作（如注册、购买、下载等）来计费的模式，是效果导向广告的理想选择。计算公式为：
CPA = 广告总花费 ÷ 转化次数
如果花费1000元带来20次付费转化，则CPA = 50元。CPA模式通常能带来最强的投资回报，因为每一分钱都与收入直接挂钩。
CPL（Cost Per Lead，每条线索成本） 是CPA的一个变体，专门针对线索获取场景。计算公式为：
CPL = 广告总花费 ÷ 获取的线索数量
该指标常用于B2B行业或需要收集用户信息的营销活动，如表单提交、咨询留资等。
CPI（Cost Per Install，每次安装成本） 是移动应用推广场景下的专用计费模式，按用户完成App安装来计费，广泛应用于手游、工具类应用的买量投放中。
不同计费模式的风险各有侧重：CPM风险最低（只需保证曝光），CPA风险最高（需保证转化），但相应的回报潜力也最大。广告主应根据业务目标选择合适的计费方式：要声量选CPM，要有效流量选CPC，要深层转化选CPA/oCPC。
二、流量转化漏斗：从展示到成交的公式链
广告投放的完整流程是一条从“看到”到“买到”的转化路径，每个环节都有对应的计算公式，形成了紧密衔接的公式链。
CTR（Click-Through Rate，点击率） 衡量广告内容对用户的吸引力，是广告创意质量的核心指标。计算公式为：
CTR =（点击次数 ÷ 展示次数）× 100%
例如，广告展示10000次获得150次点击，则CTR = 1.5%。高CTR意味着广告文案、图片或视频能够有效抓住用户注意力，是判断广告相关性和创意表现的基础指标。微信朋友圈广告的优质素材CTR可达3%-5%，高于行业平均的1.5%。
CVR（Conversion Rate，转化率） 衡量点击广告的用户最终完成转化动作的比例，是判断落地页质量和产品吸引力的关键。计算公式为：
CVR =（转化次数 ÷ 点击次数）× 100%
例如，200次点击中产生了10次购买，则CVR = 5%。CVR反映了从兴趣到行动的转化效率，提升CVR是优化广告效果的核心抓手。
CTR和CVR可以串联成一个完整的转化漏斗公式：
展示量 → 点击量（展示量 × CTR） → 转化量（点击量 × CVR）
这个漏斗公式清晰地展示了用户从“看到”到“买到”的衰减路径。营销人可以通过追踪每个环节的转化率，精准定位问题所在：如果CTR低，问题可能出在广告创意或人群定向；如果CVR低，问题可能出在落地页体验或产品吸引力。
三、平台竞价逻辑：eCPM与广告排名公式
在程序化广告平台中，广告的展示机会并非简单的“价高者得”，而是通过复杂的竞价算法来分配流量。eCPM（Effective Cost Per Mille，千次展示有效收益）是平台排序的核心依据。
eCPM的核心公式为：
eCPM = 预估CTR × 预估CVR × 出价 × 1000
平台根据广告的预估点击率、预估转化率和广告主出价计算出eCPM，eCPM越高的广告优先获得曝光机会。例如，CTR为3%、CVR为4%、出价为0.3元时，eCPM = 3 × 4 × 0.3 × 1000 = 36，高于竞争对手即可拿量。该公式还可以从不同角度展开表达，如eCPM = eCPI × CTR × CVR × 1000，或eCPM = 目标CPA × CTR × CVR × 1000。
从供给侧角度，eCPM也可以理解为平台的千次展示收入：eCPM =（总收入 ÷ 总展示次数）× 1000。这是广告平台衡量自身变现效率的核心指标。
在Google Ads中，广告排名的计算略有不同，引入“质量分”作为权重调节因素。广告排名公式为：
广告排名 = 出价金额 × 广告质量分 + 广告附加信息影响
其中，广告质量分由预期点击率、广告与关键词的关联性、落地页体验三个维度构成。这意味着，即使出价不是最高，但拥有高质量分的广告仍可能获得更好的展示位置和更低的实际点击成本。
在巨量千川（抖音广告平台）中，OCPX智能出价的建议公式为：
建议出价 = 客单价 × 毛利率 × 1.2（或客单价 ÷ 预期ROI × 1.2）
这一公式为广告主提供了科学的出价起点，避免了盲目高价或低价。
四、效果核算：ROI与ROAS的深度解析
效果核算是广告投放的“灵魂”——花出去的钱到底赚回来了吗？这需要ROI（投资回报率）和ROAS（广告支出回报率）这两个指标来回答，但二者在计算口径上有本质区别。
ROI（Return on Investment，投资回报率） 衡量的是整体投资效益，包含广告费用以外的所有成本。计算公式为：
ROI =（净收益 ÷ 投资总成本）× 100% =（收益 − 总成本）÷ 总成本 × 100%
其中，总成本包括广告费、生产成本、物流费、人力成本等全部投入。ROI为正值表示盈利，负值表示亏损。
ROAS（Return on Ad Spend，广告支出回报率） 则只专注于广告支出的直接效益，不考虑其他成本。计算公式为：
ROAS = 广告带来的营收 ÷ 广告支出
ROAS以倍数或百分比表示。例如，广告花费1000元带来4000元营收，则ROAS = 4（或400%），意味着每投入1元广告费赚回4元营收。
ROI与ROAS的核心区别在于成本口径：ROAS只计算广告费，反映的是广告效益；ROI计算所有成本，反映的是整体盈利能力。一个常见的误区是：ROAS为4听起来不错，但如果产品毛利率仅为20%，扣除所有成本后ROI可能并不理想。因此，ROAS适合快速评估广告活动的即时表现，而ROI更适合从整体财务角度审视广告投资的价值。
不同行业的ROI计算口径也存在差异：电商行业以广告带来的直接订单和客单价为核心；ToB行业则以线索转化、潜在客户价值为主；线下零售需考虑门店客流量和拉新用户转化；品牌广告则需关注品牌认知提升带来的增量销售。
进阶概念：全域净成交ROI
以抖音巨量千川平台为例，2025年全面升级的“全域净成交ROI”已成为投流优化的核心指标，其计算公式为：
全域净成交ROI = 全域净成交金额 ÷ 广告实际消耗金额
其中，全域净成交金额 = 全域支付总成交金额 − 支付后1小时内秒退订单金额 − 长周期无效退款订单金额。这一公式剔除了虚假成交和无效退款，是商家真正到手的利润核算。相比之下，传统支付ROI = 支付总成交金额 ÷ 广告消耗，并未剔除退款，容易导致数据偏差。
增量ROI（iROAS） 则是更进阶的概念，通过对比测试组与对照组的收入差值，剔除自然转化带来的“伪效果”，从而计算广告带来的真正增量。公式为：
iROAS =（测试组收入 − 对照组收入）÷ 广告花费
这种衡量方法避免了将本就会发生的自然转化误归因于广告投放，是科学评估广告真实价值的利器。
五、归因分析：渠道功劳分配的公式逻辑
在实际投放中，用户往往通过多个渠道、多次接触后才完成转化。如何公平地将转化功劳分配给各个渠道，是广告效果衡量的核心难题。归因模型就是用来解决这个问题的“公式体系”。
常用的归因模型包括以下几种：
最后一次点击归因：100%的功劳归给转化前的最后一次触点。简单直接，但忽略了前期培育渠道的价值，是当前最常用的归因方式。
首次点击归因：100%功劳归给第一次触点，适用于评估品牌曝光和拉新渠道的效果。
线性归因：所有触点平均分摊功劳，适合多触点、转化周期稳定的业务场景。
时间衰减归因：越靠近转化的触点权重越高，适合转化周期较长（如B2B、高客单价）的业务，更贴近用户的决策心理。
位置归因（U型归因） ：首次触点和末次触点各占40%，中间触点均分剩余的20%，平衡了品牌曝光和转化收割两端价值。
数据驱动归因（DDA） ：基于机器学习算法，从历史转化数据中动态学习每个触点的真实贡献权重。这是目前最精准、最前沿的归因方法，但依赖高质量的大数据支撑。
Shapley值方法是数据驱动归因的典型代表，它是一种基于博弈论的算法，为所有广告渠道和接触点分配功劳，具体取决于各渠道对转化的边际贡献。
归因分析的价值在于帮助企业避免预算错配——如果仅采用“最后一次点击”模型，所有功劳归于末次渠道，前端的内容运营、品牌曝光等培育作用会被完全忽略，导致团队士气受挫和预算分配失衡。
六、营销组合模型（MMM）：高阶分析公式
当数据量足够大、营销渠道足够复杂时，归因模型的局限性开始显现——它无法处理离线渠道（如电视广告、户外广告）的效果衡量，也无法全面考虑外部环境因素（如季节性、宏观经济、竞争活动）。这时就需要营销组合模型（MMM）登场。
MMM的核心公式为：
销售额_t = 基准销售额 + Σ（系数_i × 广告存量_i_t）+ 价格系数 × 价格_t + 季节性因素 + 误差项
其中，t代表时间周期（通常以周为单位）。
MMM使用多元回归分析，将总销售额分解为基准部分（没有广告投放时也会产生的销售额）、各营销渠道的贡献（每个渠道广告投放带来的增量）和外部因素（季节性、价格变化、竞争活动等）。通过这种方式，MMM能够量化每个渠道的真实投资回报率（ROI）和边际投资回报率（mROAS），从而指导预算的优化分配。
MMM中还有两个关键的概念转化公式：
广告存量（Adstock） 公式用于处理广告效果的延迟和衰减效应：Adstock_t = 投放量_t + 衰减率 × Adstock_{t-1}。不同渠道的衰减率差异很大：电视约0.7，数字展示约0.3，搜索广告约0.1。
饱和曲线（Saturation Curve） 则用于处理边际收益递减现象——随着广告预算的增加，每增加1元带来的额外回报会逐渐减少。通过饱和曲线可以找到每个渠道的“饱和点”，避免过度投资。
MMM得出的mROAS（边际广告支出回报率）是预算优化的关键依据，它告诉广告主：在当前的预算水平下，再增加1元投放能带来多少额外收入。根据mROAS的差异，可以将预算从边际回报低的渠道转移到边际回报高的渠道，实现整体ROI的最大化。
从CPM到MMM，广告投放的公式体系层层递进、环环相扣。基础指标帮助广告主控制成本、理解流量漏斗；平台竞价公式揭示了流量分配的底层逻辑；ROI/ROAS提供了效果核算的标尺；归因模型解决了多渠道功劳分配的问题；MMM则从宏观层面优化全域预算。每一层公式都有其独特的应用场景和边界条件，真正优秀的营销人懂得在不同阶段、不同场景下组合运用这些公式，从而在激烈的流量竞争中做到“知其然，更知其所以然”，让每一分广告预算都花在刀刃上。
