Facebook 相似受众：源名单质量、体量门槛，以及为什么建不出来（2026）
Facebook 相似受众（lookalike audience）做的事是：你把一份已经有价值的名单交出去——买过的人、订阅的人、高价值用户——让 Meta 去找更多"像他们"的账号。机制一句话说得清，却极容易用错。大多数被归咎于"算法"的结果，其实追溯回去都落在三个更早的决定上：源名单里放了谁、名单有多大、百分比开到了多宽。
这篇讲清楚：模型到底在匹配什么、决定受众能不能建起来的体量门槛、创建失败的真实原因，以及怎么读相似受众的表现才不会自欺。
相似受众到底是从什么长出来的
输入是一份源受众——由客户名单、像素或转化 API 事件、App 行为、或主页与视频互动建出来的自定义受众。Meta 给源里的人做画像，再在你选定的国家里，按"与这个画像的相似度"给其他所有人打分。
由此推出两件决定了大半结果的事：
模型会连你源名单里的偏差一起继承，包括你自己都没意识到的那部分。 如果源是"最近 180 天买过的人"，而其中 70% 来自某次折扣活动、吸引来的是薅羊毛的人，那相似受众会忠实地帮你找来更多薅羊毛的人。模型没有"你想要哪种客户"这个概念，它只看得见你递过去的那份名单。
相似度是对着源算的，不是对着你的生意算的。 用邮件订阅者建的相似受众，找到的是"像订阅者的人"——也就是容易注册各种东西的人。这和"容易付钱的人"是两个人群。选源就是在选结果，而这个决定发生在花第一分钱之前。
落到操作上：源要建在离钱最近的行为上。用购买事件建的相似受众，和用全站访客建的相似受众，不是同一件事的两个版本。
体量门槛，以及贴着门槛会发生什么
Meta 的硬性要求是源受众里单一国家至少 100 人才允许建相似受众。那是系统受理请求的下限，不是结果开始可靠的那条线。
真正可用的区间要高得多。源只有几百人时，模型能拿来画像的信号极少，建出来的受众很不稳定：过一个月成员略有变化再重建一次，人群就会明显不同。源在几千人量级时，多次重建之间稳定得多——这一点很重要，因为随着客户基数变化，你迟早要重建它。
但也不是越大越好，"直接用我最大的那份名单"这个直觉恰恰错在这里。五万条良莠不齐的联系人，画出来的像是一团模糊的平均值；三千个真正的高价值客户，画出来的像才具体。当体量和纯度必须二选一时，通常纯度赢——前提是你离 100 这条底线留足了余量。
百分比是与选源相互独立的另一个决定。 1%–10% 那个滑块设定的是"按相似度排序后，取该国人口的多少比例"。在大国，1% 已经是几百万人。往宽了拉并不会"提升"受众质量，只是把相似度更低的人依次追加到排序尾部。默认从 1% 起步，只有在投放确实受量级限制时才放宽。
相似受众建不出来的原因
创建报错很常见，原因大多平淡无奇：
源还没填充完。 客户名单类的自定义受众要等匹配跑完，事件类的要等合格事件攒够。显示"正在填充中"或体量低于门槛的源，此时还不能用，解法是等。
所选国家里不足 100 人。 一份五千人的名单分散在四十个国家，你选的那个国家里可能不到 100 人。门槛是按国家算的，而界面上显示的体量是总数——这两个数字对不上的频率，比多数人预期的高得多。
源本身就是相似受众。 不能用相似受众再建相似受众，得回到最初那份自定义受众。
源已失去资格。 某些事件类型建的受众、或底层数据源后来不可用了，都会让它不再合格。如果一个一直能用的源突然不能用了，先查底层的像素、转化 API 接入或 App 事件流是否还在正常上报——故障点往往在受众的上游。
账户本身有限制。 广告账户被限制或在审核中时，受众创建是会被一并挡住的功能之一。那是另一个问题穿着"受众"的外衣；账户处在这种状态时，先把账户问题解决掉。
自动化改变的是相似受众的位置，不是它的作用
Meta 的自动化受众产品越来越把你填的定向当作"建议"而非"边界"——当系统预测别处效果更好时，它会跑到你指定的受众之外去探索。于是反复有人问：相似受众是不是要没了。
比较有用的读法是：相似受众正在从围栏变成输入信号。在老的购买流程里，选了 1% 相似受众，就意味着广告只投给这些人；在新的自动化流程里，同一份受众是一个很强的起点提示，系统可以往外走。
实际影响：
- 相似受众之间互相 A/B 测，会变得没那么干净。 如果系统在两个受众之外都做了探索，那么实际触达人群的差异，会小于你在后台选择上的差异。
- 源的质量更重要了，不是更不重要。 提示也还是提示。用真实购买者建的源，仍然比用全部流量建的源，把系统指向更好的方向。
- "泛投 vs 相似受众"不再是干净的二选一。 老实的做法是：在可比的花费下，加上相似受众这个信号，每个结果的成本有没有变化——当成一次测试去跑，别预设任何一边的答案。
怎么读表现才不会自欺
三个习惯能挡掉大部分错误结论：
看每个结果的成本，别看受众层的比率。 相似受众的点击率通常会好过泛投，因为它本来就是在挑"像已经跟你互动过的人"的人——这近乎循环论证。真正要看的是它有没有用更低的成本换来结果。
给源留出刷新的时间。 事件类源建的相似受众会随源更新。用"最近 30 天购买者"建的受众是个移动靶，拿它第 1 周和第 6 周的表现对比，比的是两个不同的人群。
下"A 比 B 好"的结论前先查重叠。 两个来源相近的相似受众可能高度重叠。真重叠了，同时跑就不是测试，而是同一个受众挂了两个名字、把预算劈成两半。
归因也该保持同样的怀疑：如果相似受众的结果好得或差得离谱，先确认参与对比的转化数据是完整的，再去重做受众。服务端事件是否去重、链接跟踪是否一致，决定了你拿来比较的那些数字有没有意义。
一个能避开常见错误的搭建顺序
- 挑离收入最近的那个行为建自定义受众。购买优于加购，加购优于浏览。
- 看按国家拆的人数，不是总数。确认目标国家过 100 且有明显余量。
- 先按 1%、单个国家建。一个相似受众只对一个国家，读数比多国混在一起干净得多。
- 等它建完再挂预算。 还在填充的受众会跑不出量，而你会把这误读成定向失败。
- 一次只改一个变量。 换源或换百分比，别同时换。
- 按周期重建。 客户基数会变，用去年买家建的相似受众，画的是去年的生意。
这件事落在哪一层
相似受众是一个分发决定，但它依赖一个度量决定。源名单的质量上限，等于填充它的那些事件的质量，也就是说像素与服务端事件的质量位于你建的每一个受众的上游。事件不全或重复，源就是错的，而基于一个错误的源精心配置出来的相似受众，只是更快地触达了错的人。
DeepClick 做的是下面那一层——面向 Meta 与 TikTok 投放的链接与投放基础设施，跟踪一致性与落地页交付，决定了你用来建受众的那些事件，究竟有没有如实反映真实发生过的事。
