在广告投放的全链路漏斗中，流量请求 → 流量识别 → 广告召回 → 出价竞价 → 胜出反馈 → 展示→ 点击→ 数据回收是完整闭环。
本篇作为广告投流系列第一篇，完整梳理整个漏斗，并聚焦展示→点击阶段的 StarRocks 实时分析能力，解决“出价/素材实时监控”与“素材创意优选”两大难题。同时结合 Pinterest 真实生产案例，展示方案在亿级规模广告场景下的落地效果。
一、广告投放完整漏斗分析
广告投流本质上是多阶段漏斗，每一环都存在损耗, 本文 StarRocks 方案主要服务于阶段三的实时监控与决策，同时通过分钟级数据反馈反哺阶段一、二的召回与出价优化。
1.1 阶段一：请求阶段（流量进入→识别→召回→出价）
流量进来后，系统首先要做的是识别流量，匹配人群与定向，再进行广告召回和出价决策。
1.2 阶段二：竞价反馈阶段（胜出通知 → 展示准备)
竞价成功后，DSP 会收到反馈，进入投放阶段的展示环节，但竞价成功与实际展示之间存在漏斗损失（fill rate、超时、可见性等）。
1.3 阶段三: 展示交互与数据回收阶段（展示→点击→转化）
在投放交付阶段，展示后产生点击，数据实时回收，形成闭环监控与优化。
1.4 漏斗整体损耗关键点分析
- 请求多 → 召回少（召回率低）
- 竞价胜出 → 实际展示少（Win-to-Impression 损失）
- 展示多 → 点击少（CTR 低）
通过以上三个阶段的完整漏斗分析，可见展示→点击阶段的 CTR 直接影响 eCPM 排名，是起量成败的最关键变量。本文 StarRocks 方案主要针对阶段三的实时监控与素材优选，同时通过数据闭环反哺前序召回与出价，实现全链路提效。
二、业务方案分析
2.1 经典永不过时：eCPM 公式拆解 （广告主视角）
广告系统的核心竞价公式：
eCPM （effictive cost per miile）=出价*CTR*CVR*1000
- 出价： 广告主愿意为高潜力流量支付的金额
- 点击率（CTR）：点击次数 ÷ 曝光次数，反映创意素材的吸引力， 起量阶段最关键变量（直接影响 eCPM 排名）
- 转化率（CVR） ：转化数 ÷ 点击数，用于优化素材、出价与用户路径，提升 ROI
在程序化广告（RTB/竞价）中：
- 广告主看到的是“我的 eCPM 出价 / 预估成本”（系统根据出价 + 预估 CTR/CVR 计算的千次展示预估花费）
- 广告商看到的是“广告位的 eCPM 收入”
eCPM（千次展示有效收益）本质上是广告系统对单次展示价值的综合预估，它直接决定了广告在竞价排序中的竞争力（eCPM 越高 → 排名越靠前 → 曝光机会越多 → 起量越轻松）。
如上文完整漏斗所示，在展示-点击阶段，CTR 是最为关键的变量。提升 CTR 不仅能直接降低点击成本（CPC），还能显著提高 eCPM，从而在竞价队列中获得更多胜出机会。一份高 CTR 的广告足以证明其创意、文案、视觉设计或目标定向足够吸引用户。
CTR 诊断三类情况：
- 高 CTR + 低 CVR：广告吸引力强，但落地页或产品难以满足预期，需优化转化链路；
- 低 CTR + 高 CVR：广告定向精准但曝光不足，应扩大人群覆盖或改进创意；
- 双低指标：需从定向、创意、落地页全链路排查问题。
2.2 适用对象
本方案主要面向广告主的投放团队、增长团队以及运营团队，特别适用于以下场景：
- 新账户冷启动阶段： 需要快速找到精准人群；
- 老账户遭遇起量瓶颈： 展示量或者点击率持续低迷；
- 多素材并行测试： 需要实时监控各素材表现， 并快速决策。
2.3 业务痛点
在流量获取阶段，运营人员通常面临三大核心痛点：
（1）冷启动困难
新账户/新素材/新计划上线后，平台算法（如 oCPM/oCPC/oROI）需要积累足够样本（点击、转化数据）来学习和匹配人群。没有历史数据 → 系统不敢给优质流量 → 曝光少 → 起量慢 → 预算烧得慢或烧不出去。
这对广告主来说是典型的高成本低效率阶段：钱花了但没效果，测试期拉长，试错成本高。
（2）素材衰退
素材衰退：老素材 CTR 下滑（用户审美疲劳）→ eCPM 下降 → 排名掉 → 曝光减少 → 量级萎缩。广告主需要不断迭代创意，否则 ROI 崩。
（3）空跑浪费
空跑：高曝光但低点击/无转化 → 预算白烧（无效流量）。这直接导致广告主 CPA 暴涨、ROI 负值，甚至赔付（如果平台有成本保障）。优化师常见事故就是“账户总空跑”“计划前端转化好后端差”“预算瞬间跑超但没转化”。这些也都是广告主/代理商/优化师的普遍痛点。
2.4 业务目标
通过数据驱动的方式，实现以下三个核心目标：
- 缩短冷启动周期：提供分钟级甚至秒级反馈，把测试周期从天压缩到分钟级/小时级，大幅减少试错预算。
- 提升 CTR 与 ECPM：通过精准召回 + 素材优化，快速淘汰低质素材，放大高潜素材。
- 避免空跑流量：通过实时监控秒级发现异常计划，分钟级暂停低效素材，降低无效消耗。
2.5 相关指标设计
三、场景实践 1：基于 StarRocks 构建实时指标监控
实现创意×渠道×地域×人群标签 CTR 趋势监控 + 分钟级智能告警
3.1 场景描述
广告投放团队需要对不同 创意 × 渠道 × 地域 × 人群标签 的 CTR 趋势进行实时监控， 当某个创意的 CTR 突然下降超过 20%，或某个渠道的 CTR 异常上升但人群转化没有提升，系统应该在分钟级发出告警。
- 素材优选：对于 CTR 表现优异的新素材，需要立即增加预算。
- 空跑预警：对于“曝光过万，点击寥寥”的低质素材，必须在分钟级内发现并关停，防止预算浪费。
广告主投放团队在起量阶段常见的常见需求：
- 多维 CTR 趋势监控： 创意 × 渠道 × 地域 × 人群标签；
- 分钟级告警： 创意 CTR 突降 >20% / 渠道 CTR 异常上升但人群转化未提升
- 素材优选： 高 CTR 新素材自动加预算；
- 空跑预警： 曝光 >1 万且点击寥寥的低质素材分钟级发现并关停；
StarRocks：把等数据、人工盯盘变成实时智能决策引擎
- 分钟级数据新鲜度： 异步物化视图自动刷新，远超传统 T+1 或 15 分钟延迟；
- 亚秒级多维下钻： 支持上百人不同维度的分析， 同时查询不卡（CBO + Pipeline 执行引擎）；
- 极速查询性能： 针对亿级别的大表的关联操作，可以实现秒级别的查询响应；
3.2 架构设计
采用 Flink + StarRocks （明细模型 + 物化视图） 架构选型。
在广告实时监控这类高吞吐、Append-only 的场景中，我们选择 Duplicate Key（明细模型） + 异步物化视图 的组合方案。
- 数据写入：通过 Flink 作业实时消费 Kafka 中的广告日志，通过 Flink StarRocks Connector 实时写入 StarRocks 的明细表。
- 预聚合：利用 StarRocks 的异步物化视图或实时物化视图，自动按
ad_id、creative_id+ 人群标签聚合 CTR 维度聚合曝光量和点击量，计算 CTR。 - 查询：BI 看板直接查询物化视图，实现亚秒级响应。
3.3 方案设计
曝光和点击数据通过流式 append 写入 StarRocks 明细表，每条广告展示事件实时更新聚合表。
（1）明细表设计
CREATE TABLE fact_ad_events (
event_time DATETIME NOT NULL,
ad_id BIGINT,
creative_id BIGINT,
campaign_id BIGINT,
creative_version STRING,
channel VARCHAR(64),
region VARCHAR(32),
user_tag VARCHAR(128), -- 人群标签（兴趣/年龄/性别/LTV分层等）
event_type VARCHAR(20), -- 'show' / 'click' / 'convert'
cost DECIMAL(18,6),
user_id BIGINT
)
DUPLICATE KEY(event_time, ad_id, creative_id)
PARTITION BY RANGE (event_time) ()
DISTRIBUTED BY HASH(ad_id) BUCKETS 64
PROPERTIES ("replication_num" = "3");
（2）创建异步物化视图，每分钟刷新
CREATE MATERIALIZED VIEW agg_ad_realtime
PARTITION BY date_trunc('minute', event_time)
DISTRIBUTED BY HASH(creative_id)
REFRESH ASYNC EVERY (INTERVAL 1 MINUTE)
AS
SELECT
date_trunc('minute', event_time) AS event_minute,
event_time, -- 必须保留原始列，让分区能找到
ad_id,
creative_id,
creative_version,
channel,
region,
user_tag,
COUNT_IF(event_type = 'show') AS impression_count,
COUNT_IF(event_type = 'click') AS click_count,
COUNT_IF(event_type = 'convert') AS convert_count,
SUM(cost) AS cost
FROM fact_ad_events
GROUP BY
date_trunc('minute', event_time),
event_time, -- 对应上面保留的列
ad_id,
creative_id,
creative_version,
channel,
region,
user_tag;
（3）指标监控 1：素材优选， 高 CTR 新素材， 及时增加预算
WITH ranked_new_material AS (
SELECT
creative_id,
creative_version,
channel,
user_tag,
SUM(click_count) AS click_counts,
SUM(impression_count) AS impression_count,
ROUND(SUM(click_count) * 100.0 / NULLIF(SUM(impression_count), 0), 2) AS ctr_percent,
RANK() OVER (PARTITION BY channel ORDER BY
ROUND(SUM(click_count) * 100.0 / NULLIF(SUM(impression_count), 0), 2) DESC
) AS ctr_rank
FROM agg_ad_realtime
WHERE event_minute >= NOW() - INTERVAL 1 HOUR
AND creative_version LIKE '%new%' -- 新素材标识
GROUP BY creative_id, creative_version, channel, user_tag
HAVING SUM(impression_count) >= 10 -- 先过滤低曝光素材，提升性能
)
SELECT
creative_id,
creative_version,
channel,
user_tag,
impression_count,
ctr_percent,
ctr_rank
FROM ranked_new_material
WHERE ctr_rank <= 5
AND ctr_percent >= 4.0 AND impression_count >= 20;
ORDER BY channel, ctr_rank; -- Top5 且 CTR≥4%（行业可调）, 且曝光至少300才参与排名
DEMO 执行示意
（4）指标监控 2：查询近 60 分钟多维 CTR 趋势， 毫秒级查询响应
SELECT
event_minute,
creative_id,
creative_version,
channel,
region,
user_tag,
impression_count,
click_count,
ROUND(click_count * 100.0 / NULLIF(impression_count, 0), 2) AS ctr_percent,
ROUND(convert_count * 100.0 / NULLIF(click_count, 0), 2) AS cvr_percent
FROM agg_ad_realtime
WHERE event_minute >= NOW() - INTERVAL 60 MINUTE
ORDER BY event_minute DESC, ctr_percent DESC;
DEMO 执行示意
（5）异常监控 1: 使用 StarRocks 的窗口函数计算移动平均，识别 CTR 突降 20%异常
WITH ctr_trend AS (
SELECT creative_id, creative_version,
ROUND(click_count * 100.0 / NULLIF(impression_count, 0), 2) AS ctr_percent,
AVG(ROUND(click_count * 100.0 / NULLIF(impression_count, 0), 2))
OVER (PARTITION BY creative_id ORDER BY event_minute ROWS BETWEEN 10 PRECEDING AND CURRENT ROW) AS moving_avg
FROM agg_ad_realtime
WHERE event_minute >= NOW() - INTERVAL 30 MINUTE
)
SELECT * FROM ctr_trend
WHERE (moving_avg - ctr_percent) / moving_avg > 0.20
ORDER BY (moving_avg - ctr_percent) DESC;
DEMO 执行示意
（6）异常监控 2：滑动窗口进行空跑预警， 一分钟刷新一次（曝光过万 + 点击极低）
SELECT creative_id,
creative_version,
impression_count,
click_count,
ROUND(click_count * 100.0 / NULLIF(impression_count, 0), 2) AS ctr_percent
FROM agg_ad_realtime
WHERE impression_count > 10000
AND click_count < 50
AND event_minute >= NOW() - INTERVAL 10 MINUTE;
四、场景实践 2：基于 StarRocks 创意 A/B 测试与多版本对比
4.1 场景描述
广告主同时投放 3-5 个不同版本的创意素材，需要快速识别哪个版本的 CTR 最高。A/B 测试要求：流量均匀分配到各版本，实时对比各版本的曝光量、点击量、CTR，达到统计显著性（通常需要 1000+转化或 10000+曝光）后决定胜出版本，并关闭低劣版本，避免预算继续浪费在低效创意上。
用户核心诉求如下：
- 分钟级看到真实差异；
- 多维度拆解：版本 × 渠道 × 地域 × 人群标签 × 时段；
- 高效判断统计显著性；
- 行动： 胜出即扩投、劣版即关停；
StarRocks 核心优势：助力把握最佳决策期
传统方案要导出数据 → 用 Python/R 跑卡方 → 等半天 → 经常错过最佳决策窗口。StarRocks 支持将 SQL 一键计算，亚秒级出结果，物化视图每分钟自动刷新。
StarRocks 把 A/B 测试从“等数据、跑脚本”变成分钟级科学决策， 投放团队分钟级就能看到“版本 B 卡方值 18.7，已显著胜出”，立刻关停劣版。
4.2 架构设计
采用 Flink + StarRocks（异步物化视图）架构：
- Flink 实时消费 Kafka 中的广告日志，Sink 到 StarRocks 明细表。
- 异步物化视图自动按 creative_version + 多维度聚合曝光/点击/转化，分钟级刷新。
- 查询：BI 看板 直接访问物化视图，实现亚秒级响应。
- 决策自动化：自动化服务提交 SQL 判断结果，自动调整预算/关停版本。
4.3 方案设计
（1）异步物化视图定义
CREATE MATERIALIZED VIEW agg_ad_abtest
PARTITION BY event_minute -- 直接用别名分区（3.1+ 支持）
DISTRIBUTED BY HASH(creative_id, creative_version)
REFRESH ASYNC EVERY (INTERVAL 1 MINUTE)
AS
SELECT
date_trunc('minute', event_time) AS event_minute,
campaign_id,
creative_id,
creative_version,
channel,
region,
user_tag,
COUNT_IF(event_type = 'show') AS impression_count,
COUNT_IF(event_type = 'click') AS click_count,
COUNT_IF(event_type = 'convert') AS convert_count
FROM fact_ad_events
GROUP BY
date_trunc('minute', event_time), -- 对应 event_minute
creative_id,
creative_version,
campaign_id,
channel,
region,
user_tag;
（2）实时多维对比看板
SELECT
creative_version,
channel,
region,
user_tag,
SUM(impression_count) AS impressions,
SUM(click_count) AS clicks,
ROUND(SUM(click_count) * 100.0 / NULLIF(SUM(impression_count), 0), 2) AS ctr_percent,
ROUND(SUM(convert_count) * 100.0 / NULLIF(SUM(click_count), 0), 2) AS cvr_percent
FROM agg_ad_abtest
WHERE event_minute >= NOW() - INTERVAL 24 HOUR
GROUP BY creative_version, channel, region, user_tag
ORDER BY ctr_percent DESC;
Demo执行示意
（3）统计显著性自动判断（卡方检验，胜出决策核心）
WITH stats AS (
SELECT creative_version,
SUM(impression_count) AS imp,
SUM(click_count) AS clk
FROM agg_ad_abtest
WHERE campaign_id = 1234
AND creative_version IN ('V1_old','V1_new','V2_old','V2_new')
AND event_minute >= NOW() - INTERVAL 12 HOUR
GROUP BY creative_version
)
SELECT a.creative_version AS winner, b.creative_version AS loser,
ROUND(a.clk*100.0/a.imp,2) AS ctr_a,
ROUND(b.clk*100.0/b.imp,2) AS ctr_b,
POWER(a.clk - a.imp*p,2)/(a.imp*p) + POWER(b.clk - b.imp*p,2)/(b.imp*p) AS chi_square
FROM stats a CROSS JOIN stats b
CROSS JOIN (SELECT SUM(clk)*1.0/SUM(imp) AS p FROM stats) total
WHERE a.creative_version != b.creative_version
HAVING chi_square > 0.003 AND ctr_a > ctr_b;
Demo执行示意
（4）分时段细分分析
某美妆品牌发现创意 A 在晚上 8-10 点 CTR 最高，而创意 B 在中午时段表现更好。StarRocks 的分时段分析帮助实现 Dayparting 策略，实现不同时段投放不同创意：
SELECT
HOUR(event_time) as hour_of_day,
creative_version,
COUNT(CASE WHEN event_type='impression' THEN 1 END) as impressions,
COUNT(CASE WHEN event_type='click' THEN 1 END) as clicks,
ROUND(clicks * 100.0 / NULLIF(impressions, 0), 2) as ctr_percent
FROM fact_ad_events
WHERE campaign_id = 1234
AND event_time >= date_sub(NOW(), INTERVAL 7 DAY)
GROUP BY hour_of_day, creative_version
ORDER BY hour_of_day, creative_version;
Demo执行示意
五、案例：Pinterest 广告主报表重构
全球知名图片社交平台 Pinterest 在广告主报表场景中，也经历了类似的架构升级。
5.1 背景与痛点
Pinterest 拥有海量广告主，其提供的 Partner Insights工具旨在帮助广告主通过自定义仪表板查看广告的实时表现（如曝光、点击、CTR）。在原有架构中，Pinterest 使用 Druid 来存储和提供实时洞察数据。随着广告业务规模扩大，广告商对实时性、自定义分析能力及成本效率的要求日益提升， 原架构因此面临严峻挑战：
- 成本高昂：为了维持高性能，Druid 集群需要大量的实例资源，导致资源消耗大。
- SQL 支持有限 ：Druid 对标准 SQL 的支持不足，无法满足广告商复杂分析需求；
- 数据新鲜度不足：部分数据处理链路延迟较高，难以做到真正的“实时”，通常是 T+1 或分钟级延迟，无法满足广告主即时调优的需求。
- 灵活性差： 原有架构在处理复杂自定义指标分析时，依赖 JSON 配置繁琐，且对标准 SQL 支持不够完善，增加了开发和客户 Onboarding 的复杂度。
5.2 解决方案
Pinterest 将 Partner Insights 的底层分析引擎迁移至 StarRocks， 利用 StarRocks SQL 能力替代 Druid 的 JSON 查询 DSL，并构建了统一的低延迟分析层，直接接入广告曝光和点击流数据。核心优化点：
- 架构升级与数据摄取简化 ：利用 StarRocks 标准 SQL 接口替代复杂 JSON 配置，广告商可直接通过 SQL 提取数据，大幅简化客户入职流程；
- 性能优化 ：通过向量化引擎加速查询，结合物化视图预计算高频指标，降低实时分析延迟；
- 存算分离与资源效率 ：采用存算分离架构（已落地 100 + 客户），支持灵活扩缩容，降低资源消耗
新的架构图如下：
5.3 方案收益
迁移至 StarRocks 后，Pinterest 在广告报表场景取得了显著收益：
1. 性能提升：P90 查询延迟降低了 50% ，广告主查看报表的体验更加丝滑。
2. 成本大幅降低：所需实例数量减少了 68% （仅为原来的 32%），性价比大幅提升。
3. 数据极速鲜活：数据新鲜度从分钟级/小时级提升至 10 秒级，广告主可以看到 10 秒前发生的广告曝光数据。
4. 流程简化： 通过标准 SQL 进行数据提取，省去了 JSON 配置的麻烦，简化了客户 Onboarding 流程，广告主实时决策效率显著提高。
总结
广告投放的本质是在不确定性中快速迭代决策。每一次的数据分析都应该转化为可执行策略，通过引入 StarRocks，在流量获取阶段把起量监控变成实时智能决策引擎，让 CTR 与 eCPM 真正跑赢竞品。
具体收益如下：
1. 冷启动成本大幅降低： 向量召回 + 实时监控，把测试周期从“天”压缩到“分钟级”，大幅减少试错预算，提升 CTR。
2. 运营效率倍增：秒级监控 + 异常预警 + 精准人群分析，让团队从“拉数”中解放，专注策略与创意迭代。
下期预告：广告投流第二战——如何利用 StarRocks 解决“转化归因”与“ROI 实时计算”难题？敬请期待。
