地域定向投放策略

概述

地域定向（Geo Targeting）是 Google Ads 中最直接有效的投放优化手段之一。通过精确设定广告展示的地理位置，并针对不同区域调整出价，可以显著降低获客成本、提升转化率。

本文是 GEO 专属投放优化的实操配套，聚焦 Google Ads 平台的具体操作。

一、地域设置

1. 地域定位层级

Google Ads 支持以下地域粒度：

层级	示例	适用场景
国家	中国、美国	跨国投放
省级	广东省、加利福尼亚州	区域市场测试
市级	广州市、旧金山	精准城市投放
半径	某坐标 5km 范围	本地商圈/门店
邮编	510000	精准到区

2. 定位方式

方式	说明	适用场景
兴趣定位	用户在目标区域，或对该区域感兴趣	旅游、房地产
presence 定位	用户当前在目标区域	本地服务、到店
兴趣 + presence	两者取并集	默认推荐

B2B 建议：使用”兴趣 + presence”，覆盖更多潜在客户。

3. 排除地域

# 通过 API 排除低效区域
def exclude_locations(customer_id, campaign_id, location_ids):
    """排除指定地域"""
    operations = []
    for loc_id in location_ids:
        operation = client.get_type("CampaignCriterionOperation")
        criterion = operation.create
        criterion.campaign = f"customers/{customer_id}/campaigns/{campaign_id}"
        criterion.negative_location.geo_target_constant = (
            f"geoTargetConstants/{loc_id}"
        )
        operations.append(operation)
    
    response = campaign_criterion_service.mutate_campaign_criteria(
        customer_id=customer_id,
        operations=operations
    )
    print(f"已排除 {len(response.results)} 个地域")

二、区域出价调整

1. 出价调整原理

地域出价调整（Bid Adjustment）是在基础出价上按区域增减百分比：

实际出价 = 基础出价 × (1 + 区域调整系数)

2. 调整策略矩阵

区域表现	CPA 表现	出价调整	操作建议
高转化低成本	CPA < 目标 50%	+20% ~ +50%	加大投放
高转化高成本	CPA ≈ 目标	0% ~ +10%	维持优化
低转化低成本	CPA 未知	0%	观察测试
低转化高成本	CPA > 目标 150%	-20% ~ -30%	降低出价
无转化有花费	CPA = ∞	-50% 或排除	暂停/排除

3. 批量设置出价调整

def set_bid_adjustments(customer_id, adjustments):
    """
    批量设置地域出价调整
    
    Args:
        adjustments: [{location_id, multiplier}, ...]
                     multiplier: 1.2 = +20%, 0.8 = -20%
    """
    operations = []
    for adj in adjustments:
        operation = client.get_type("CampaignCriterionOperation")
        criterion = operation.update
        criterion.resource_name = (
            f"customers/{customer_id}/campaignCriteria/"
            f"{adj['location_id']}"
        )
        criterion.location.bid_multiplier = adj['multiplier']
        
        # 更新掩码
        field_mask = client.get_type("FieldMask")
        field_mask.paths.append("location.bid_multiplier")
        operation.update_mask.CopyFrom(field_mask)
        operations.append(operation)
    
    response = campaign_criterion_service.mutate_campaign_criteria(
        customer_id=customer_id,
        operations=operations
    )
    print(f"已更新 {len(response.results)} 个地域出价")

# 示例：S级城市 +20%，C级城市 -30%
adjustments = [
    {"location_id": "2151814", "multiplier": 1.2},  # 广州 +20%
    {"location_id": "2151845", "multiplier": 1.2},  # 深圳 +20%
    {"location_id": "2151830", "multiplier": 1.1},  # 杭州 +10%
    {"location_id": "2151874", "multiplier": 0.8},  # 武汉 -20%
    {"location_id": "2151730", "multiplier": 0.7},  # 成都 -30%
]
set_bid_adjustments("1234567890", adjustments)

三、地域报告分析

1. 关键指标

指标	公式	意义
区域 CTR	点击/展示	广告在该区域的吸引力
区域 CPC	花费/点击	该区域的流量成本
区域转化率	转化/点击	该区域用户的质量
区域 CPA	花费/转化	该区域的获客成本
区域 ROI	转化价值/花费	该区域的投入产出比

2. 生成地域报告

def generate_geo_report(customer_id, days=30):
    """生成地域性能报告"""
    query = f"""
        SELECT
            segments.geo_target_city,
            segments.geo_target_country,
            metrics.impressions,
            metrics.clicks,
            metrics.cost_micros,
            metrics.conversions,
            metrics.conversions_value,
            metrics.average_cpc
        FROM campaign
        WHERE segments.date DURING LAST_{days}_DAYS
        ORDER BY metrics.cost_micros DESC
    """
    
    response = ga_service.search(customer_id=customer_id, query=query)
    
    data = []
    for row in response:
        m = row.metrics
        s = row.segments
        clicks = m.clicks
        cost = m.cost_micros / 1_000_000
        conversions = m.conversions
        
        data.append({
            'city_id': s.geo_target_city,
            'impressions': m.impressions,
            'clicks': clicks,
            'cost': cost,
            'conversions': conversions,
            'conversion_value': m.conversions_value,
            'ctr': f"{clicks/m.impressions*100:.2f}%" if m.impressions > 0 else "0%",
            'cpc': f"{cost/clicks:.2f}" if clicks > 0 else "0",
            'conv_rate': f"{conversions/clicks*100:.2f}%" if clicks > 0 else "0",
            'cpa': f"{cost/conversions:.2f}" if conversions > 0 else "∞",
            'roi': f"{m.conversions_value/cost:.2f}" if cost > 0 else "0"
        })
    
    df = pd.DataFrame(data)
    return df

# 生成报告
report = generate_geo_report("1234567890", days=30)
print(report.to_string(index=False))

3. 优化决策树

区域数据分析
    │
    ├── CPA < 目标 50% 且转化数 > 5
    │   └── ✅ 提高出价 +20%~+50%，扩大流量
    │
    ├── CPA ≈ 目标 且转化数 > 3
    │   └── ⚠️ 维持出价，优化广告文案
    │
    ├── CPA > 目标 150% 且转化数 > 0
    │   └── ⬇️ 降低出价 -20%~-30%，观察2周
    │
    ├── 花费 > 200元 且转化数 = 0
    │   └── ❌ 暂停该地域或排除
    │
    └── 展示 > 1000 且点击 = 0
        └── ❌ 检查广告文案/落地页，可能不匹配

四、GEO × SEM 协同

协同模型

渠道	作用	GEO 联动
SEM（广告）	快速获取地域流量	区域出价调整、半径投放
SEO（自然）	长期积累地域排名	地域关键词优化、本地落地页
GEO（地图）	本地搜索曝光	Google Business Profile

数据闭环

SEM 地域报告 → 识别高价值区域
    ↓
SEO 加大该区域关键词优化
    ↓
GEO 完善 Google Business Profile
    ↓
自然流量 + 地图流量增长
    ↓
降低 SEM 依赖，整体 CPA 下降

五、常见问题

Q: 半径投放精度如何？

Google Ads 半径投放最小 1km，最大 800km。建议：

本地服务：3-5km
商圈覆盖：5-10km
城市覆盖：20-50km

Q: 如何处理”人在A城，搜B城”的情况？

使用”兴趣 + presence”定位方式，可以覆盖：

当前在 B 城的用户
近期搜索过 B 城相关内容的用户
表达过对 B 城感兴趣的用户

Q: 地域出价调整和受众出价调整叠加吗？

是的，两者相乘：

实际出价 = 基础出价 × 地域调整 × 受众调整

例如：地域 +20%，受众 +30%，则实际出价 = 基础 × 1.2 × 1.3 = 基础 × 1.56