[{"content":"A/B 实验与增长测量体系 A/B 实验不是一个按钮，也不是一个报表，而是一套让产品、算法、运营和增长团队能持续学习的测量系统。\n我提供实验平台与增长测量体系的诊断、设计和实施陪跑，尤其关注 AI / Agent 决策是否具备可信反馈闭环。\n六维诊断框架 模块 诊断对象 核心问题 流量管理与分流能力 分层、分桶、互斥、正交 是否支撑实验规模和复杂度 实验管理与流程规范 创建、审核、发布、回滚、归档 是否有完整生命周期管理 统计分析引擎能力 p-value、置信区间、CUPED、序贯检验 结论是否科学可信 指标体系健康度 北极星指标、护栏指标、长期指标 是否避免短期指标误导 工程架构与稳定性 SDK、配置、日志、容灾 是否稳定可靠 实验文化与组织效能 假设质量、复盘机制、决策习惯 是否真正用实验学习 Agent-ready Measurement 当团队开始用 AI / Agent 做投放建议、预算调整、素材推荐时，实验体系要新增一个问题：反馈信号是否足够正确、及时、稳定，能让 Agent 越学越好，而不是越优化越偏。\n典型交付物 《实验平台成熟度诊断报告》 《流量分层与分桶模型建议》 《实验流程与治理方案》 《统计分析引擎能力清单》 《指标体系与护栏指标设计》 《Agent-ready Measurement 检查清单》 《实验平台 30/60/90 天改进路线图》 ","permalink":"https://zhanbo.netlify.app/services/experiment-platform/","summary":"\u003ch1 id=\"ab-实验与增长测量体系\"\u003eA/B 实验与增长测量体系\u003c/h1\u003e\n\u003cp\u003eA/B 实验不是一个按钮，也不是一个报表，而是一套让产品、算法、运营和增长团队能持续学习的测量系统。\u003c/p\u003e\n\u003cp\u003e我提供实验平台与增长测量体系的诊断、设计和实施陪跑，尤其关注 \u003cstrong\u003eAI / Agent 决策是否具备可信反馈闭环\u003c/strong\u003e。\u003c/p\u003e\n\u003ch2 id=\"六维诊断框架\"\u003e六维诊断框架\u003c/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth\u003e模块\u003c/th\u003e\n          \u003cth\u003e诊断对象\u003c/th\u003e\n          \u003cth\u003e核心问题\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e流量管理与分流能力\u003c/td\u003e\n          \u003ctd\u003e分层、分桶、互斥、正交\u003c/td\u003e\n          \u003ctd\u003e是否支撑实验规模和复杂度\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e实验管理与流程规范\u003c/td\u003e\n          \u003ctd\u003e创建、审核、发布、回滚、归档\u003c/td\u003e\n          \u003ctd\u003e是否有完整生命周期管理\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e统计分析引擎能力\u003c/td\u003e\n          \u003ctd\u003ep-value、置信区间、CUPED、序贯检验\u003c/td\u003e\n          \u003ctd\u003e结论是否科学可信\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e指标体系健康度\u003c/td\u003e\n          \u003ctd\u003e北极星指标、护栏指标、长期指标\u003c/td\u003e\n          \u003ctd\u003e是否避免短期指标误导\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e工程架构与稳定性\u003c/td\u003e\n          \u003ctd\u003eSDK、配置、日志、容灾\u003c/td\u003e\n          \u003ctd\u003e是否稳定可靠\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e实验文化与组织效能\u003c/td\u003e\n          \u003ctd\u003e假设质量、复盘机制、决策习惯\u003c/td\u003e\n          \u003ctd\u003e是否真正用实验学习\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003ch2 id=\"agent-ready-measurement\"\u003eAgent-ready Measurement\u003c/h2\u003e\n\u003cp\u003e当团队开始用 AI / Agent 做投放建议、预算调整、素材推荐时，实验体系要新增一个问题：反馈信号是否足够正确、及时、稳定，能让 Agent 越学越好，而不是越优化越偏。\u003c/p\u003e\n\u003ch2 id=\"典型交付物\"\u003e典型交付物\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e《实验平台成熟度诊断报告》\u003c/li\u003e\n\u003cli\u003e《流量分层与分桶模型建议》\u003c/li\u003e\n\u003cli\u003e《实验流程与治理方案》\u003c/li\u003e\n\u003cli\u003e《统计分析引擎能力清单》\u003c/li\u003e\n\u003cli\u003e《指标体系与护栏指标设计》\u003c/li\u003e\n\u003cli\u003e《Agent-ready Measurement 检查清单》\u003c/li\u003e\n\u003cli\u003e《实验平台 30/60/90 天改进路线图》\u003c/li\u003e\n\u003c/ul\u003e","title":"A/B 实验与增长测量体系"},{"content":"UA 买量增长数据诊断 UA Growth Data Diagnostic 帮助出海游戏 Studio 建立一套可验证、可复跑、可落地的买量增长诊断体系，把「去后台看数」升级为「数据可信度 + 买量效率 + 归因链路 + 决策系统」的系统诊断。\n适合团队 成长期出海游戏 Studio：数据散、ROI 不稳、扩量困难 中小型休闲游戏发行团队：优化师依赖后台和经验，缺统一看板 已有自研 BI 的成熟团队：老板、UA、BI 对 ROI 口径争议大 准备规模化买量的新项目：需要确认 SDK、事件、归因和看板基础是否可靠 要回答的四个问题 数据准不准：媒体后台、MMP、SDK、BI 之间的 spend、install、revenue、ROI 是否一致？ 钱花得好不好：预算是否流向高质量 campaign、GEO、素材和媒体？ 归因链路有没有坑：AppsFlyer / SKAN / SDK / S2S / ad revenue 回传是否导致 ROI 失真？ 团队能否持续决策：是否有日常盯盘、异常告警、action tracking 和复盘机制？ 诊断范围 广告平台与媒体后台：账户、Campaign、Ad Set、Creative、Spend、Action History 归因平台 / MMP：Attribution、Cost、Cohort、SKAN、Raw Data、Data API 游戏 SDK 与事件：SDK 初始化、Event Taxonomy、Revenue、S2S、Ad Mediation 自有数据聚合与 BI：数据源、ETL、维度、指标合同、看板和治理 标准流程 Discovery / 业务访谈：确认业务目标、投放规模、数据现状、组织结构和痛点排序。 Read-only 数据授权与诊断快照：建立一次可复跑的数据快照，避免截图和人工导出造成偏差。 UA Diagnostic Data Room：用本地 SQLite / DuckDB 建立诊断数据房间。 四大诊断分析：Data Trust、UA Efficiency、Attribution \u0026amp; Event Chain、Decision System。 报告与路线图：输出评分、问题清单、Quick Win 和 30/60/90 天路线图。 典型交付物 《诊断范围确认表》 《数据授权与安全边界清单》 《数据可信度评分》 《买量效率评分与浪费 / 机会清单》 《归因缺口表与事件链路图》 《决策系统改进建议》 《30/60/90 天增长系统路线图》 ","permalink":"https://zhanbo.netlify.app/services/ua-growth-diagnostic/","summary":"\u003ch1 id=\"ua-买量增长数据诊断\"\u003eUA 买量增长数据诊断\u003c/h1\u003e\n\u003cp\u003e\u003cstrong\u003eUA Growth Data Diagnostic\u003c/strong\u003e 帮助出海游戏 Studio 建立一套可验证、可复跑、可落地的买量增长诊断体系，把「去后台看数」升级为「数据可信度 + 买量效率 + 归因链路 + 决策系统」的系统诊断。\u003c/p\u003e\n\u003ch2 id=\"适合团队\"\u003e适合团队\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e成长期出海游戏 Studio：数据散、ROI 不稳、扩量困难\u003c/li\u003e\n\u003cli\u003e中小型休闲游戏发行团队：优化师依赖后台和经验，缺统一看板\u003c/li\u003e\n\u003cli\u003e已有自研 BI 的成熟团队：老板、UA、BI 对 ROI 口径争议大\u003c/li\u003e\n\u003cli\u003e准备规模化买量的新项目：需要确认 SDK、事件、归因和看板基础是否可靠\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"要回答的四个问题\"\u003e要回答的四个问题\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003e\u003cstrong\u003e数据准不准\u003c/strong\u003e：媒体后台、MMP、SDK、BI 之间的 spend、install、revenue、ROI 是否一致？\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e钱花得好不好\u003c/strong\u003e：预算是否流向高质量 campaign、GEO、素材和媒体？\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e归因链路有没有坑\u003c/strong\u003e：AppsFlyer / SKAN / SDK / S2S / ad revenue 回传是否导致 ROI 失真？\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e团队能否持续决策\u003c/strong\u003e：是否有日常盯盘、异常告警、action tracking 和复盘机制？\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2 id=\"诊断范围\"\u003e诊断范围\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e广告平台与媒体后台：账户、Campaign、Ad Set、Creative、Spend、Action History\u003c/li\u003e\n\u003cli\u003e归因平台 / MMP：Attribution、Cost、Cohort、SKAN、Raw Data、Data API\u003c/li\u003e\n\u003cli\u003e游戏 SDK 与事件：SDK 初始化、Event Taxonomy、Revenue、S2S、Ad Mediation\u003c/li\u003e\n\u003cli\u003e自有数据聚合与 BI：数据源、ETL、维度、指标合同、看板和治理\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"标准流程\"\u003e标准流程\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003e\u003cstrong\u003eDiscovery / 业务访谈\u003c/strong\u003e：确认业务目标、投放规模、数据现状、组织结构和痛点排序。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003eRead-only 数据授权与诊断快照\u003c/strong\u003e：建立一次可复跑的数据快照，避免截图和人工导出造成偏差。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003eUA Diagnostic Data Room\u003c/strong\u003e：用本地 SQLite / DuckDB 建立诊断数据房间。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e四大诊断分析\u003c/strong\u003e：Data Trust、UA Efficiency、Attribution \u0026amp; Event Chain、Decision System。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e报告与路线图\u003c/strong\u003e：输出评分、问题清单、Quick Win 和 30/60/90 天路线图。\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2 id=\"典型交付物\"\u003e典型交付物\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e《诊断范围确认表》\u003c/li\u003e\n\u003cli\u003e《数据授权与安全边界清单》\u003c/li\u003e\n\u003cli\u003e《数据可信度评分》\u003c/li\u003e\n\u003cli\u003e《买量效率评分与浪费 / 机会清单》\u003c/li\u003e\n\u003cli\u003e《归因缺口表与事件链路图》\u003c/li\u003e\n\u003cli\u003e《决策系统改进建议》\u003c/li\u003e\n\u003cli\u003e《30/60/90 天增长系统路线图》\u003c/li\u003e\n\u003c/ul\u003e","title":"UA 买量增长数据诊断"},{"content":"案例：A/B 实验平台与实验文化建设 背景 我在内容、电商、游戏等场景中参与过实验体系建设和方法论推广。实验平台的挑战通常不是单个功能，而是技术、统计、流程和组织文化同时成立。\n常见问题：\n有配置中心，但没有完整实验生命周期 有 p-value，但业务不知道如何解释实验结论 有大量实验，但流量互斥、正交、分层不清晰 有短期指标提升，但长期留存、变现、用户体验被忽视 实验结果没有沉淀，团队重复踩坑 解决框架 流量管理：Hash 分流、正交分层、互斥实验、联合实验、条件分流 实验管理：假设、目标指标、护栏指标、审核、发布、灰度、回滚、归档 统计分析：Welch\u0026rsquo;s t-test、Z-test、Delta Method、CUPED、MDE、多重比较校正 指标体系：北极星指标、核心指标、护栏指标、长期指标 组织推广 实验平台要真正有效，必须让产品、算法、运营和管理层对「什么是可信结论」形成共同语言。\n","permalink":"https://zhanbo.netlify.app/work/experiment-platform/","summary":"\u003ch1 id=\"案例ab-实验平台与实验文化建设\"\u003e案例：A/B 实验平台与实验文化建设\u003c/h1\u003e\n\u003ch2 id=\"背景\"\u003e背景\u003c/h2\u003e\n\u003cp\u003e我在内容、电商、游戏等场景中参与过实验体系建设和方法论推广。实验平台的挑战通常不是单个功能，而是技术、统计、流程和组织文化同时成立。\u003c/p\u003e\n\u003cp\u003e常见问题：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e有配置中心，但没有完整实验生命周期\u003c/li\u003e\n\u003cli\u003e有 p-value，但业务不知道如何解释实验结论\u003c/li\u003e\n\u003cli\u003e有大量实验，但流量互斥、正交、分层不清晰\u003c/li\u003e\n\u003cli\u003e有短期指标提升，但长期留存、变现、用户体验被忽视\u003c/li\u003e\n\u003cli\u003e实验结果没有沉淀，团队重复踩坑\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"解决框架\"\u003e解决框架\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e流量管理：Hash 分流、正交分层、互斥实验、联合实验、条件分流\u003c/li\u003e\n\u003cli\u003e实验管理：假设、目标指标、护栏指标、审核、发布、灰度、回滚、归档\u003c/li\u003e\n\u003cli\u003e统计分析：Welch\u0026rsquo;s t-test、Z-test、Delta Method、CUPED、MDE、多重比较校正\u003c/li\u003e\n\u003cli\u003e指标体系：北极星指标、核心指标、护栏指标、长期指标\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"组织推广\"\u003e组织推广\u003c/h2\u003e\n\u003cp\u003e实验平台要真正有效，必须让产品、算法、运营和管理层对「什么是可信结论」形成共同语言。\u003c/p\u003e","title":"案例：A/B 实验平台与实验文化建设"},{"content":"案例：策略产能，投放团队的第二增长曲线 什么是策略产能 策略产能 = 投放团队把数据、经验和判断转化为有效增长动作的能力。\n它不等于操作时长，也不等于 campaign 数量，而是团队能否持续回答：\n哪些 campaign 应该扩量？ 哪些 GEO 被低估？ 哪些素材正在疲劳？ 哪些出价和预算动作有效？ 哪些经验可以沉淀为规则和模板？ 诊断指标 指标 含义 人效消耗 月总消耗 / 优化师人数 策略时间占比 策略判断时间 / 工作时间 新人上手周期 新优化师多久能独立管盘 动作复盘率 调价、暂停、扩量、换素材后是否追踪效果 策略复用率 是否有可复用的规则、模板和 playbook 提升路径 减操作：批量创编、模板化 campaign、自动导数、命名规范。 推信号：ROI 红绿看板、异常预警、素材疲劳检测、机会清单。 沉策略：策略模板库、动作审计日志、Action Tracking、规则引擎与 Agent 建议草案。 ","permalink":"https://zhanbo.netlify.app/work/strategy-capacity/","summary":"\u003ch1 id=\"案例策略产能投放团队的第二增长曲线\"\u003e案例：策略产能，投放团队的第二增长曲线\u003c/h1\u003e\n\u003ch2 id=\"什么是策略产能\"\u003e什么是策略产能\u003c/h2\u003e\n\u003cp\u003e\u003cstrong\u003e策略产能\u003c/strong\u003e = 投放团队把数据、经验和判断转化为有效增长动作的能力。\u003c/p\u003e\n\u003cp\u003e它不等于操作时长，也不等于 campaign 数量，而是团队能否持续回答：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e哪些 campaign 应该扩量？\u003c/li\u003e\n\u003cli\u003e哪些 GEO 被低估？\u003c/li\u003e\n\u003cli\u003e哪些素材正在疲劳？\u003c/li\u003e\n\u003cli\u003e哪些出价和预算动作有效？\u003c/li\u003e\n\u003cli\u003e哪些经验可以沉淀为规则和模板？\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"诊断指标\"\u003e诊断指标\u003c/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth\u003e指标\u003c/th\u003e\n          \u003cth\u003e含义\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e人效消耗\u003c/td\u003e\n          \u003ctd\u003e月总消耗 / 优化师人数\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e策略时间占比\u003c/td\u003e\n          \u003ctd\u003e策略判断时间 / 工作时间\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e新人上手周期\u003c/td\u003e\n          \u003ctd\u003e新优化师多久能独立管盘\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e动作复盘率\u003c/td\u003e\n          \u003ctd\u003e调价、暂停、扩量、换素材后是否追踪效果\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e策略复用率\u003c/td\u003e\n          \u003ctd\u003e是否有可复用的规则、模板和 playbook\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003ch2 id=\"提升路径\"\u003e提升路径\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003e\u003cstrong\u003e减操作\u003c/strong\u003e：批量创编、模板化 campaign、自动导数、命名规范。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e推信号\u003c/strong\u003e：ROI 红绿看板、异常预警、素材疲劳检测、机会清单。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e沉策略\u003c/strong\u003e：策略模板库、动作审计日志、Action Tracking、规则引擎与 Agent 建议草案。\u003c/li\u003e\n\u003c/ol\u003e","title":"案例：策略产能，投放团队的第二增长曲线"},{"content":"案例：出海游戏 UA 增长数据诊断 背景 出海游戏团队在规模化买量后，常见问题不是「没有数据」，而是数据太多、口径太散、系统之间互相解释不清。\n媒体后台、MMP、BI 的 spend、install、revenue、ROI 对不上 Campaign 命名和层级变化导致 cohort 历史不可比 iOS SKAN、user-level 归因和广告变现收入混在一起解释 优化师每天看多个后台，但动作缺少效果追踪 核心判断 买量诊断不能只看 ROI 报表，要同时检查广告平台、MMP 归因、游戏事件和 BI 决策四条链路。\n方案 建立一次本地诊断数据房间，围绕四个评分输出：\nData Trust Score：数据可信度 UA Efficiency Score：买量效率 Attribution \u0026amp; Event Chain Gap：归因和事件链路缺口 Decision System Maturity：决策系统成熟度 可复用方法 先做 read-only 诊断，不直接改后台 原始数据、本地脚本、指标口径和图表全部可复跑 区分管理层看板、UA Lead 看板和优化师工作台 每个投放动作必须形成 action tracking：动作前、动作后、预期、结果 ","permalink":"https://zhanbo.netlify.app/work/ua-growth-diagnostic/","summary":"\u003ch1 id=\"案例出海游戏-ua-增长数据诊断\"\u003e案例：出海游戏 UA 增长数据诊断\u003c/h1\u003e\n\u003ch2 id=\"背景\"\u003e背景\u003c/h2\u003e\n\u003cp\u003e出海游戏团队在规模化买量后，常见问题不是「没有数据」，而是数据太多、口径太散、系统之间互相解释不清。\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e媒体后台、MMP、BI 的 spend、install、revenue、ROI 对不上\u003c/li\u003e\n\u003cli\u003eCampaign 命名和层级变化导致 cohort 历史不可比\u003c/li\u003e\n\u003cli\u003eiOS SKAN、user-level 归因和广告变现收入混在一起解释\u003c/li\u003e\n\u003cli\u003e优化师每天看多个后台，但动作缺少效果追踪\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"核心判断\"\u003e核心判断\u003c/h2\u003e\n\u003cp\u003e买量诊断不能只看 ROI 报表，要同时检查广告平台、MMP 归因、游戏事件和 BI 决策四条链路。\u003c/p\u003e\n\u003ch2 id=\"方案\"\u003e方案\u003c/h2\u003e\n\u003cp\u003e建立一次本地诊断数据房间，围绕四个评分输出：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eData Trust Score：数据可信度\u003c/li\u003e\n\u003cli\u003eUA Efficiency Score：买量效率\u003c/li\u003e\n\u003cli\u003eAttribution \u0026amp; Event Chain Gap：归因和事件链路缺口\u003c/li\u003e\n\u003cli\u003eDecision System Maturity：决策系统成熟度\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"可复用方法\"\u003e可复用方法\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e先做 read-only 诊断，不直接改后台\u003c/li\u003e\n\u003cli\u003e原始数据、本地脚本、指标口径和图表全部可复跑\u003c/li\u003e\n\u003cli\u003e区分管理层看板、UA Lead 看板和优化师工作台\u003c/li\u003e\n\u003cli\u003e每个投放动作必须形成 action tracking：动作前、动作后、预期、结果\u003c/li\u003e\n\u003c/ul\u003e","title":"案例：出海游戏 UA 增长数据诊断"},{"content":"案例：发行/投放平台从 L1 到 L4 背景 成熟出海发行团队的增长系统通常不是从零开始，而是在大量工具、报表、后台和手工流程之上继续增长。\n典型现状：\n优化师在媒体后台、MMP、BI、变现平台之间来回切换 素材、campaign、GEO、媒体、包体之间缺少统一模型 老 BI 报表很多，但缺少统一指标合同和业务解释 对账、充值、授信、权限、API token 等后台能力被低估 业务希望 AI Agent 自动优化，但底层数据和动作记录还不完整 能力分层 层级 状态 核心能力 L1 信息可见 统一看数、基础 ROI、素材效果、账户余额 L2 数据整合 媒体 API、MMP 入仓、cost / revenue 对齐、SKAN 处理 L3 效率工具 批量创编、素材挂载、跨媒体操作、账户财务对账 L4 策略辅助 红绿看板、异常预警、素材疲劳、投放健康度 L5 策略自动化 规则引擎、自动执行、跨媒体预算协同、Agent 闭环 经验总结 平台不是功能堆叠，而是决策链路设计 先解决数据可信，再谈 AI 自动化 对业务方要用 Quick Win 换长期能力建设空间 对管理层要用 ROI、人效、风险降低讲平台价值 ","permalink":"https://zhanbo.netlify.app/work/publishing-platform-l1-l4/","summary":"\u003ch1 id=\"案例发行投放平台从-l1-到-l4\"\u003e案例：发行/投放平台从 L1 到 L4\u003c/h1\u003e\n\u003ch2 id=\"背景\"\u003e背景\u003c/h2\u003e\n\u003cp\u003e成熟出海发行团队的增长系统通常不是从零开始，而是在大量工具、报表、后台和手工流程之上继续增长。\u003c/p\u003e\n\u003cp\u003e典型现状：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e优化师在媒体后台、MMP、BI、变现平台之间来回切换\u003c/li\u003e\n\u003cli\u003e素材、campaign、GEO、媒体、包体之间缺少统一模型\u003c/li\u003e\n\u003cli\u003e老 BI 报表很多，但缺少统一指标合同和业务解释\u003c/li\u003e\n\u003cli\u003e对账、充值、授信、权限、API token 等后台能力被低估\u003c/li\u003e\n\u003cli\u003e业务希望 AI Agent 自动优化，但底层数据和动作记录还不完整\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"能力分层\"\u003e能力分层\u003c/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth\u003e层级\u003c/th\u003e\n          \u003cth\u003e状态\u003c/th\u003e\n          \u003cth\u003e核心能力\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL1\u003c/td\u003e\n          \u003ctd\u003e信息可见\u003c/td\u003e\n          \u003ctd\u003e统一看数、基础 ROI、素材效果、账户余额\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL2\u003c/td\u003e\n          \u003ctd\u003e数据整合\u003c/td\u003e\n          \u003ctd\u003e媒体 API、MMP 入仓、cost / revenue 对齐、SKAN 处理\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL3\u003c/td\u003e\n          \u003ctd\u003e效率工具\u003c/td\u003e\n          \u003ctd\u003e批量创编、素材挂载、跨媒体操作、账户财务对账\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL4\u003c/td\u003e\n          \u003ctd\u003e策略辅助\u003c/td\u003e\n          \u003ctd\u003e红绿看板、异常预警、素材疲劳、投放健康度\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL5\u003c/td\u003e\n          \u003ctd\u003e策略自动化\u003c/td\u003e\n          \u003ctd\u003e规则引擎、自动执行、跨媒体预算协同、Agent 闭环\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003ch2 id=\"经验总结\"\u003e经验总结\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e平台不是功能堆叠，而是决策链路设计\u003c/li\u003e\n\u003cli\u003e先解决数据可信，再谈 AI 自动化\u003c/li\u003e\n\u003cli\u003e对业务方要用 Quick Win 换长期能力建设空间\u003c/li\u003e\n\u003cli\u003e对管理层要用 ROI、人效、风险降低讲平台价值\u003c/li\u003e\n\u003c/ul\u003e","title":"案例：发行/投放平台从 L1 到 L4"},{"content":"发行/投放平台建设咨询 面向出海游戏发行团队，帮助从「多后台人工看数 + 手工操作」升级为「统一数据底座 + 策略辅助 + AI Agent」的智能发行体系。\n背景问题 优化师每天切换 5–8 个平台后台，数据割裂，看数效率低 老 BI 累计大量零散报表，没有统一模型，数据准确性和时效性堪忧 素材管理依赖人工上传、打标、测试，设计与投放协作成本高 KOL、达人、合同、付款和效果数据割裂 账户充值、授信、对账全靠人工，财务与投放口径难统一 能力分层 能力层 核心功能 业务价值 L1 数据基建 统一数仓、ROI360 看板、素材效果、营销效果 数据打通，看数效率提升 L2 智能辅助 Campaign 红绿看板、异常预警、信号体系 问题发现从天级缩短到小时级或分钟级 L3 操作工具 跨媒体批量创编、素材库、账户财务对账 优化师和设计师人效提升 L4 AI Agent UA Monitor + Ad Agent 双轮驱动 日常监控、分析、建议自动化 四大建设抓手 出价与预算：长期 LTV 目标反推出价、跨媒体边际 ROI 均衡、预算 pacing。 点位与回传信号：自定义事件管道、事件质量评分、MMP postback + 自研回传。 人群与一方数据：高价值用户 seed、设备图谱、RTA 能力规划。 素材与创意智能：统一素材库、素材标签、效果归因、疲劳检测、批量创编。 典型交付 平台蓝图：业务问题拆解、角色工作流、L1–L5 能力分层、MVP 范围 产品与数据方案：ROI360、Campaign 健康度、素材效果、账户财务看板设计 实施路线图：Phase 1 数据底座、Phase 2 效率工具、Phase 3 策略引擎与 AI Agent ","permalink":"https://zhanbo.netlify.app/services/publishing-platform/","summary":"\u003ch1 id=\"发行投放平台建设咨询\"\u003e发行/投放平台建设咨询\u003c/h1\u003e\n\u003cp\u003e面向出海游戏发行团队，帮助从「多后台人工看数 + 手工操作」升级为「统一数据底座 + 策略辅助 + AI Agent」的智能发行体系。\u003c/p\u003e\n\u003ch2 id=\"背景问题\"\u003e背景问题\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e优化师每天切换 5–8 个平台后台，数据割裂，看数效率低\u003c/li\u003e\n\u003cli\u003e老 BI 累计大量零散报表，没有统一模型，数据准确性和时效性堪忧\u003c/li\u003e\n\u003cli\u003e素材管理依赖人工上传、打标、测试，设计与投放协作成本高\u003c/li\u003e\n\u003cli\u003eKOL、达人、合同、付款和效果数据割裂\u003c/li\u003e\n\u003cli\u003e账户充值、授信、对账全靠人工，财务与投放口径难统一\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2 id=\"能力分层\"\u003e能力分层\u003c/h2\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth\u003e能力层\u003c/th\u003e\n          \u003cth\u003e核心功能\u003c/th\u003e\n          \u003cth\u003e业务价值\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL1 数据基建\u003c/td\u003e\n          \u003ctd\u003e统一数仓、ROI360 看板、素材效果、营销效果\u003c/td\u003e\n          \u003ctd\u003e数据打通，看数效率提升\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL2 智能辅助\u003c/td\u003e\n          \u003ctd\u003eCampaign 红绿看板、异常预警、信号体系\u003c/td\u003e\n          \u003ctd\u003e问题发现从天级缩短到小时级或分钟级\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL3 操作工具\u003c/td\u003e\n          \u003ctd\u003e跨媒体批量创编、素材库、账户财务对账\u003c/td\u003e\n          \u003ctd\u003e优化师和设计师人效提升\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eL4 AI Agent\u003c/td\u003e\n          \u003ctd\u003eUA Monitor + Ad Agent 双轮驱动\u003c/td\u003e\n          \u003ctd\u003e日常监控、分析、建议自动化\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003ch2 id=\"四大建设抓手\"\u003e四大建设抓手\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003e\u003cstrong\u003e出价与预算\u003c/strong\u003e：长期 LTV 目标反推出价、跨媒体边际 ROI 均衡、预算 pacing。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e点位与回传信号\u003c/strong\u003e：自定义事件管道、事件质量评分、MMP postback + 自研回传。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e人群与一方数据\u003c/strong\u003e：高价值用户 seed、设备图谱、RTA 能力规划。\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e素材与创意智能\u003c/strong\u003e：统一素材库、素材标签、效果归因、疲劳检测、批量创编。\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2 id=\"典型交付\"\u003e典型交付\u003c/h2\u003e\n\u003cul\u003e\n\u003cli\u003e平台蓝图：业务问题拆解、角色工作流、L1–L5 能力分层、MVP 范围\u003c/li\u003e\n\u003cli\u003e产品与数据方案：ROI360、Campaign 健康度、素材效果、账户财务看板设计\u003c/li\u003e\n\u003cli\u003e实施路线图：Phase 1 数据底座、Phase 2 效率工具、Phase 3 策略引擎与 AI Agent\u003c/li\u003e\n\u003c/ul\u003e","title":"发行/投放平台建设咨询"},{"content":"企业 AI 的集体 FOMO AI 应用，尤其在编程等可验证场景，已经给个人带来了十倍效能提升。但这种个人层面的效率革命，并没有相应地转化为公司级的业务增长。这种落差，正在引发企业的集体 FOMO（Fear Of Missing Out）。\n我们看到的典型场景是：\n开通了各种订阅，额度不限——公司给全员开通 Copilot、Claude 等服务，但没人说得清 ROI 在哪里 员工刷榜比谁消耗的 token 多——账单越涨越高，业务指标却原地不动 AI 应用层出不穷，真正有用的没几个——Demo 好看、上线即死、Pilot 成功但规模化失败 McKinsey 2026 年的数据很残酷：62% 的企业在试水 AI Agent，但只有 23% 成功规模化。MIT 的研究更直接：95% 的生成式 AI 试点项目零可衡量 ROI，300-400 亿美元的企业投资基本打了水漂。\n行业推波助澜下的真相 从 VC 到大模型公司，从传统软件厂商到咨询公司，都在推波助澜。但拨开喧嚣，几家行业先锋的观点反而值得仔细品味。\n红杉资本：每花 $1 买工具，就花 $6 买服务 红杉资本 2026 年 3 月发表的《Services: The New Software》一文，给出了一个结构性洞察：\n\u0026ldquo;For every dollar spent on software, six are spent on services.\u0026rdquo;\nGartner 2026 年的数据交叉验证了这一点：全球 IT 支出首次突破 6 万亿美元，其中 IT 服务占 1.86 万亿（最大单项），企业软件仅 1.4 万亿。加上专业服务市场的 10.5 万亿，工具和服务的比例确实是 1:6 甚至更高。\n红杉更进一步提出了 Intelligence vs Judgement 二分法：\nIntelligence（智力型） Judgement（判断型） 定义 规则复杂但仍是规则——翻译、编码、填表、对账 需要经验、品味、直觉——决定做什么、何时妥协、如何取舍 AI 替代进度 已跨过自主完成门槛 正在积累，但远未到位 商业模式 Autopilot：直接卖工作结果 Copilot：工具赋能人类判断 Intelligence 比例越高的领域，Autopilot 越早胜出。\n这对企业 AI 落地的启示是：不要试图用 AI 替代一切。先把业务中的工作拆成 Intelligence 和 Judgement 两层——Intelligence 层交给 AI 自动化，Judgement 层留给人来把控。\n红杉在 2026 年 1 月的另一篇文章《2026: This is AGI》中补充道：AGI 的定义也许仍有争议，但从商业功能看，功能性 AGI 已经出现。红杉把 AGI 简化为一句话：the ability to figure things out——能把事情琢磨出来、做出来。\n关键变化在于：long-horizon agents 正在跨过门槛——它们不只是回答问题，而是能够围绕目标持续行动、犯错、修正、继续推进任务。AI 已经从 talkers 变成 doers。\n大模型公司的行动：从模型到交付 OpenAI 推出的 OpenDeploy 和 Anthropic 在企业服务方向的积极布局，指向同一个方向：大模型公司不再满足于提供模型 API，而是开始向下游延伸，切入交付环节。\n模型越好，交付越重要。因为客户买的从来不是模型能力，客户买的是用模型解决自己的业务问题。这也是为什么 OpenAI、Anthropic 都在构建企业级部署和 Agent 编排能力——模型最终要通过工作流才能产生价值。\n传统软件公司的拥抱：从工具到 AI Worker 传统软件公司为了避免在 AI 革命中被边缘化，也在积极拥抱大模型。但神策数据桑文峰的观点很尖锐：\n通用 AGI 不是企业 AGI。把通用 AGI 转化为企业可用、可控、可管理、可交付的组织智能，正是下一代软件公司的机会。\n通用 AGI 解决的是智能能力问题，企业 AGI 解决的是组织工作问题。企业不会因为接入 AGI 就自动变成智能组织，就像过去买了 BI 不会自动变成数据驱动组织，买了 CRM 不会自动变成客户经营型组织。\n桑文峰提出了 Mini AGI 组织的概念，核心是两个世界模型：\nCompany World Model：企业运作需要的一切关键知识——战略、产品、组织、流程、客户案例、服务方法、业务规则、历史决策 Customer World Model：关于客户的一切——客户是谁、需求是什么、行为如何变化、有哪些增长机会、什么动作有效 这两个世界模型共同成为企业运作的中心。过去信息分散在无数系统、文档、会议、邮件和人的脑子里；未来世界模型成为组织的信息中心、认知中心和协同中心。\n咨询公司的范式转移：Plantiar 的本体论与 FDE 交付 以 Plantiar 为代表的新型咨询公司，正在抓住软件范式变更的机会，推动行业级的大模型本体论和 FDE（Feature-Driven Execution）交付模式。\n传统咨询卖的是报告和人天，FDE 模式卖的是可执行的 AI 工作流——咨询顾问的经验被结构化成本体论，AI Agent 基于这个本体论直接交付工作结果。这和红杉的判断高度一致：software 不是简单替代 service，而是开始把 work 本身产品化。\n如何实现真正的企业级 AI 应用 说了这么多问题和趋势，企业到底应该怎么做？答案不是推翻重来，而是融合进化。\n核心原则是：从业务出发，理解已有系统，用融合的方式建设 AI 应用，而不是用 AI 否定一切。\n策略一：软件的壳保留，核心用大模型重构 企业过去几十年沉淀的业务场景、用户习惯、流程制度，这些是 Judgement 层的宝贵资产，不应该被 AI 推翻。保留\u0026quot;软件的壳\u0026quot;——界面、工作流、权限体系，但把内部的核心处理逻辑用大模型进行重构。\n比如：\n报表系统还是那个入口，但背后的数据提取、计算、异常识别交给 Agent 投放管理平台还是那个界面，但预算分配建议、素材效果归因由 AI 完成 CRM 还是那个系统，但客户洞察、增长机会识别由 AI Worker 持续产出 BCG 的 10-20-70 法则说的就是这个道理：10% 模型 + 20% 技术 + 70% 人和流程。AI 落地的瓶颈从来不是技术，是组织。\n策略二：引入 Agent Copilot，复用企业沉淀的 API 和服务 不要迷信\u0026quot;纯 AI 原生\u0026quot;的神话。企业过去沉淀的 API、微服务、数据管道，这些都是经过生产验证的资产。Agent Copilot 应该调用这些服务来提升精确性，而不是一切从零生成。\n神策桑文峰提到的 AI Growth Team 就是这个思路：它不是一个聊天机器人，也不是在 BI 里加一个问答框，而是一组围绕增长目标工作的 AI workers。它们可以持续完成客户洞察、增长诊断、策略生成、动作配置、运营执行和反馈优化——背后调用的是企业已有的 Customer Data Platform 和分析能力。\n人类角色的转变也很关键：从亲自完成所有工作，变成管理一组 agents。设定目标、定义边界、审批关键动作、评估业务结果——这就是 Jack Dorsey 说的 Player-Coach 角色。\n策略三：SaaS 订阅和定制开发不再是问题，AI 大大降低了建设成本 过去企业 IT 建设的最大矛盾是：SaaS 标准化但不够灵活，定制开发灵活但成本高、迭代慢。\nAI 改变了这个等式：\n标准 SaaS 可以接入 Agent Copilot，获得个性化的工作流能力 定制开发可以用 AI 大幅降低编码和维护成本，一个人可以交付团队级的工作量 更重要的是，商业模式可以从订阅费/人天费，转向按工作交付、按结果分成 红杉总结了三种软件公司的命运：\n被 AGI 吃掉的软件公司：只提供界面、工具、报表，没有领域深度，也没进入客户工作闭环 被 AGI 调用的软件公司：拥有稳定的数据、API、权限、流程，成为 Agent 的工具层和执行层 驾驭 AGI 的软件公司：把模型能力、领域知识、业务对象、工作流程、数据反馈和组织治理结合起来，直接帮助客户交付工作和结果 真正有前途的是第三类——它们不再只是 SaaS 公司，而更像 AI-native work company。它们卖的不只是 software，而是 software-powered work。\n结语：从卖工具，到卖工作量，再到卖结果 企业 AI 落地的路径，本质上是商业模式的演进路径：\n卖工具 → 卖工作量 → 卖结果 ↓ ↓ ↓ License AI Worker 按价值定价 订阅费 按交付付费 按结果分成 过去客户购买软件，然后组织自己的人去使用软件、分析数据、制定策略、执行动作、追踪结果。未来，客户会越来越希望直接\u0026quot;雇佣\u0026quot;一组 AI workers，让它们围绕某个业务目标持续工作。\n这个变化不会一夜之间完成，也不会在所有场景同时发生，但方向已经清楚。\n对于企业来说，AI 不是一场要追赶的潮流，而是一次重新思考工作本质的机会。哪些工作是 Intelligence，可以自动化？哪些工作是 Judgement，需要人来把控？如何把两者结合，形成持续进化的组织智能？\n回答好这些问题，FOMO 就会变成真正的业务增长。\n参考资料：\nJulien Bek, \u0026ldquo;Services: The New Software\u0026rdquo;, Sequoia Capital, 2026-03-05 Pat Grady and Sonya Huang, \u0026ldquo;2026: This is AGI\u0026rdquo;, Sequoia Capital, 2026-01-14 桑文峰, \u0026ldquo;AGI is coming，还需要软件公司吗？\u0026rdquo;, 2026-05-13 McKinsey Global Survey on AI, 2026 MIT Sloan Management Review, \u0026ldquo;The State of Enterprise AI Adoption\u0026rdquo;, 2026 ","permalink":"https://zhanbo.netlify.app/posts/%E4%BC%81%E4%B8%9A%E7%BA%A7-ai-%E5%BA%94%E7%94%A8%E8%90%BD%E5%9C%B0%E4%BB%8E-fomo-%E5%88%B0%E7%9C%9F%E6%AD%A3%E7%9A%84%E4%B8%9A%E5%8A%A1%E5%A2%9E%E9%95%BF/","summary":"\u003ch2 id=\"企业-ai-的集体-fomo\"\u003e企业 AI 的集体 FOMO\u003c/h2\u003e\n\u003cp\u003eAI 应用，尤其在编程等可验证场景，已经给个人带来了十倍效能提升。但这种个人层面的效率革命，并没有相应地转化为公司级的业务增长。这种落差，正在引发企业的集体 FOMO（Fear Of Missing Out）。\u003c/p\u003e\n\u003cp\u003e我们看到的典型场景是：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\u003cstrong\u003e开通了各种订阅，额度不限\u003c/strong\u003e——公司给全员开通 Copilot、Claude 等服务，但没人说得清 ROI 在哪里\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003e员工刷榜比谁消耗的 token 多\u003c/strong\u003e——账单越涨越高，业务指标却原地不动\u003c/li\u003e\n\u003cli\u003e\u003cstrong\u003eAI 应用层出不穷，真正有用的没几个\u003c/strong\u003e——Demo 好看、上线即死、Pilot 成功但规模化失败\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eMcKinsey 2026 年的数据很残酷：62% 的企业在试水 AI Agent，但只有 \u003cstrong\u003e23% 成功规模化\u003c/strong\u003e。MIT 的研究更直接：95% 的生成式 AI 试点项目\u003cstrong\u003e零可衡量 ROI\u003c/strong\u003e，300-400 亿美元的企业投资基本打了水漂。\u003c/p\u003e\n\u003ch2 id=\"行业推波助澜下的真相\"\u003e行业推波助澜下的真相\u003c/h2\u003e\n\u003cp\u003e从 VC 到大模型公司，从传统软件厂商到咨询公司，都在推波助澜。但拨开喧嚣，几家行业先锋的观点反而值得仔细品味。\u003c/p\u003e\n\u003ch3 id=\"红杉资本每花-1-买工具就花-6-买服务\"\u003e红杉资本：每花 $1 买工具，就花 $6 买服务\u003c/h3\u003e\n\u003cp\u003e红杉资本 2026 年 3 月发表的《Services: The New Software》一文，给出了一个结构性洞察：\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003e\u003cstrong\u003e\u0026ldquo;For every dollar spent on software, six are spent on services.\u0026rdquo;\u003c/strong\u003e\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eGartner 2026 年的数据交叉验证了这一点：全球 IT 支出首次突破 6 万亿美元，其中 IT 服务占 1.86 万亿（最大单项），企业软件仅 1.4 万亿。加上专业服务市场的 10.5 万亿，工具和服务的比例确实是 1:6 甚至更高。\u003c/p\u003e","title":"企业级 AI 应用落地：从 FOMO 到真正的业务增长"},{"content":"关于展博 你好，我是何赞，常用名字展博。我的当前定位是 Data \u0026amp; AI 独立咨询顾问，专注于出海游戏增长、数据产品、买量平台、A/B 实验和 AI Agent 增长系统。\nZhanbo Growth Lab 是我的个人增长实验室：一方面沉淀我在数据产品和增长平台上的方法论，另一方面为出海游戏 Studio 和增长团队提供咨询服务。\n我擅长什么 数据产品与增长平台 我长期关注从数据采集、数据处理到数据应用的完整闭环，尤其擅长把复杂业务问题拆成可落地的数据产品、平台模块和指标体系。\n典型场景包括：\nUA 买量 ROI、CPI、ROAS、LTV、留存和广告变现分析 AppsFlyer / MMP 归因链路、SKAN、事件回传和 BI 口径治理 发行/投放平台建设：ROI360、素材管理、批量创编、账户财务、策略引擎 A/B 实验平台：流量分层、实验管理、统计分析、指标体系和实验文化 AI Agent 在增长场景中的落地：UA Monitor、Ad Agent、Agent-ready Measurement 咨询与平台建设 我的工作方式不是只给 PPT，而是把业务问题拆成：\n现状诊断：数据是否可信，瓶颈在哪里 系统设计：平台能力如何分层，MVP 做什么，不做什么 路线规划：30/60/90 天如何推进，什么是 Quick Win 组织共识：管理层、UA、BI、研发、产品如何对齐 复用资产：指标口径、诊断清单、模板、脚本、playbook 经历背景 我曾在 IBM、TalkingData、滴滴、快手、Shopee、出海游戏等不同阶段和行业中做过咨询、数据分析、数据产品和算法平台相关工作。\n阶段 关键词 经验 IT / 数据咨询 IBM、TalkingData 企业信息化、数据咨询、客户交付 出行与内容 滴滴、快手 数据分析、A/B 实验平台、推荐/搜索/广告相关数据产品 电商与算法平台 Shopee / SEA 电商智能算法平台，多模态算法、标注、机器翻译、CV、AIGC 等场景 出海游戏增长 游戏发行与买量平台 UA 数据、发行平台、归因体系、素材智能、策略自动化、Ad Agent 在快手时期，我也参与过实验方法论的内部推广，曾作为内部培训师输出实验平台和数据产品相关内容。\n我的工作信念 先诊断，再建设：没有可信数据和清晰决策问题，dashboard 只会制造更多噪音。 平台是决策系统，不是功能堆叠：真正有价值的平台要改变团队看数、判断、行动和复盘的方式。 AI Agent 需要边界和反馈：增长 Agent 的关键不是自动化按钮，而是目标函数、数据质量、动作审计和人工确认。 把经验沉淀为系统：优秀优化师的经验应该变成规则、模板、信号和 playbook，而不是只留在个人脑子里。 联系我 GitHub: @datazhanbo Weixin: growth_zhanbo 如果你正在处理出海买量、归因、实验平台或增长系统建设问题，可以从 服务 或 案例 开始了解。\n","permalink":"https://zhanbo.netlify.app/about/","summary":"\u003ch1 id=\"关于展博\"\u003e关于展博\u003c/h1\u003e\n\u003cp\u003e你好，我是何赞，常用名字展博。我的当前定位是 \u003cstrong\u003eData \u0026amp; AI 独立咨询顾问\u003c/strong\u003e，专注于出海游戏增长、数据产品、买量平台、A/B 实验和 AI Agent 增长系统。\u003c/p\u003e\n\u003cp\u003eZhanbo Growth Lab 是我的个人增长实验室：一方面沉淀我在数据产品和增长平台上的方法论，另一方面为出海游戏 Studio 和增长团队提供咨询服务。\u003c/p\u003e\n\u003ch2 id=\"我擅长什么\"\u003e我擅长什么\u003c/h2\u003e\n\u003ch3 id=\"数据产品与增长平台\"\u003e数据产品与增长平台\u003c/h3\u003e\n\u003cp\u003e我长期关注从数据采集、数据处理到数据应用的完整闭环，尤其擅长把复杂业务问题拆成可落地的数据产品、平台模块和指标体系。\u003c/p\u003e\n\u003cp\u003e典型场景包括：\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eUA 买量 ROI、CPI、ROAS、LTV、留存和广告变现分析\u003c/li\u003e\n\u003cli\u003eAppsFlyer / MMP 归因链路、SKAN、事件回传和 BI 口径治理\u003c/li\u003e\n\u003cli\u003e发行/投放平台建设：ROI360、素材管理、批量创编、账户财务、策略引擎\u003c/li\u003e\n\u003cli\u003eA/B 实验平台：流量分层、实验管理、统计分析、指标体系和实验文化\u003c/li\u003e\n\u003cli\u003eAI Agent 在增长场景中的落地：UA Monitor、Ad Agent、Agent-ready Measurement\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3 id=\"咨询与平台建设\"\u003e咨询与平台建设\u003c/h3\u003e\n\u003cp\u003e我的工作方式不是只给 PPT，而是把业务问题拆成：\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003e现状诊断：数据是否可信，瓶颈在哪里\u003c/li\u003e\n\u003cli\u003e系统设计：平台能力如何分层，MVP 做什么，不做什么\u003c/li\u003e\n\u003cli\u003e路线规划：30/60/90 天如何推进，什么是 Quick Win\u003c/li\u003e\n\u003cli\u003e组织共识：管理层、UA、BI、研发、产品如何对齐\u003c/li\u003e\n\u003cli\u003e复用资产：指标口径、诊断清单、模板、脚本、playbook\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2 id=\"经历背景\"\u003e经历背景\u003c/h2\u003e\n\u003cp\u003e我曾在 IBM、TalkingData、滴滴、快手、Shopee、出海游戏等不同阶段和行业中做过咨询、数据分析、数据产品和算法平台相关工作。\u003c/p\u003e\n\u003ctable\u003e\n  \u003cthead\u003e\n      \u003ctr\u003e\n          \u003cth\u003e阶段\u003c/th\u003e\n          \u003cth\u003e关键词\u003c/th\u003e\n          \u003cth\u003e经验\u003c/th\u003e\n      \u003c/tr\u003e\n  \u003c/thead\u003e\n  \u003ctbody\u003e\n      \u003ctr\u003e\n          \u003ctd\u003eIT / 数据咨询\u003c/td\u003e\n          \u003ctd\u003eIBM、TalkingData\u003c/td\u003e\n          \u003ctd\u003e企业信息化、数据咨询、客户交付\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e出行与内容\u003c/td\u003e\n          \u003ctd\u003e滴滴、快手\u003c/td\u003e\n          \u003ctd\u003e数据分析、A/B 实验平台、推荐/搜索/广告相关数据产品\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e电商与算法平台\u003c/td\u003e\n          \u003ctd\u003eShopee / SEA\u003c/td\u003e\n          \u003ctd\u003e电商智能算法平台，多模态算法、标注、机器翻译、CV、AIGC 等场景\u003c/td\u003e\n      \u003c/tr\u003e\n      \u003ctr\u003e\n          \u003ctd\u003e出海游戏增长\u003c/td\u003e\n          \u003ctd\u003e游戏发行与买量平台\u003c/td\u003e\n          \u003ctd\u003eUA 数据、发行平台、归因体系、素材智能、策略自动化、Ad Agent\u003c/td\u003e\n      \u003c/tr\u003e\n  \u003c/tbody\u003e\n\u003c/table\u003e\n\u003cp\u003e在快手时期，我也参与过实验方法论的内部推广，曾作为内部培训师输出实验平台和数据产品相关内容。\u003c/p\u003e","title":"关于我"}]