2026 數位廣告變了：兩年沒認真研究廣告，我回來一看「靠北，已經是另一個世界」

- 從人工操作平台，到人提供策略與訊號、AI 執行投放 -

這兩年，我把大量時間放在 AI、系統開發、自動化、內容與 SEO 上。

廣告反而真的比較少碰。

最近因為發現 GA4 居然已經可以直接串 Meta Ads、TikTok Ads 的廣告成本，我才開始回頭補這兩年的廣告更新。

結果越補越覺得：

靠北，我錯過的根本不是幾個新功能，而是整個「數位廣告怎麼玩」的底層邏輯，都快換了一輪。

先說明一下：本文提到的 Advantage+、Andromeda、AI Max、Symphony、GMV Max 等功能與名稱，會隨平台版本、帳戶、地區和方案調整。這篇文章真正想整理的，不是功能清單，而是 2026 年重新看廣告時，應該如何理解「產品、素材、資料與 AI 投放系統」之間的關係。

一、我錯過的不是幾個功能，而是廣告的底層邏輯

1. 受眾設定正在退居二線

以前做 Facebook 廣告，我們很愛研究受眾：

• 興趣怎麼切？
• 年齡怎麼拆？
• Lookalike 要幾 %？
• 再行銷怎麼分層？

廣告高手很大一部分的能力，是「我比別人更會找人」。

但 Meta 這兩年的方向非常明顯：你不要找了，讓 AI 找。

Advantage+ 不斷把受眾、版位、預算與素材最佳化自動化。更底層的改變，則是 Meta 在 2024 年底公開的 Andromeda——一套新的廣告推薦引擎。

簡單講，以前我們比較像是：

我先告訴 Meta 我要找誰，再讓 Meta 從裡面找可能會買的人。

現在越來越接近：

我把商品、素材與轉換資料給 Meta，讓它自己決定這個東西現在最適合給誰看。

所以我覺得，未來廣告人的核心能力，正在從 Targeting 慢慢轉成：

Signal + Creative + Offer

不是你多會按受眾，而是你給演算法什麼訊號。

2. 素材不只是廣告外皮，而是 Targeting 本身

以前我們會說：先選受眾，再做適合這群人的素材。

現在這兩件事情正在融合。

你拍一支「新手第一次買房最容易踩的三個坑」，跟你拍一支「資產 3,000 萬以上的人，買房最在意什麼」，演算法本身就能從內容、互動、觀看、轉換訊號中，逐漸理解這兩支素材適合誰。

換句話說：素材本身正在成為受眾訊號。

這也解釋了為什麼現在廣告越來越強調 Creative Diversification。

以前是：

一個受眾，測很多素材。

未來可能越來越像：

給系統大量不同 Angle、Hook、Persona、Format 的素材，讓 AI 自己完成「素材 × 人 × 時機」的配對。

所以素材量的重要性，比兩年前又更高了。但「素材多」不是把同一張圖片換 30 個背景，而是提出 30 個不同的市場假設。

3. AI 已經不只是幫你寫廣告文案

Meta 已經可以用生成式 AI 做素材延展、尺寸調整與創意變體。Google 把 Gemini 放進廣告系統。TikTok 的 Symphony 則開始處理：

• 文字生成影片
• 圖片生成影片
• 商品生成影片
• Avatar
• 配音
• 翻譯
• 從商品網址產生廣告素材

2026 年 TikTok 又推出 Symphony Agent，開始往「AI 幫你理解趨勢、想創意、找 Creator、產素材」的方向走。Google 也把 Veo 等生成能力放進廣告素材工具。

所以兩年前我們講「用 AI 幫忙做廣告」，現在比較接近：AI 本身開始成為廣告製作系統的一部分。

這差非常多。

4. Google Search Ads 也不是以前認識的 Search Ads 了

以前搜尋廣告的世界很直覺：

Keyword → Search Query → Ad → Landing Page

廣告人的重要工作就是關鍵字、Match Type、Negative Keyword、出價與廣告文案。

但 Google Search 本身正在 AI 化。AI Overviews、AI Mode、Lens 與多模態搜尋出現之後，「搜尋」已經不一定是一個短短的 Keyword。

Google 推出的 AI Max for Search，方向就是讓 AI 協助擴展搜尋意圖、動態調整文案與選擇 Landing Page。傳統 Dynamic Search Ads 也逐步往 AI Max 的方向遷移。

所以 Google Ads 也正在從：

我買哪些 Keyword？

慢慢走向：

我的產品、網站、素材與轉換訊號，能不能讓 AI 正確理解我要賣給誰？

這其實跟 SEO 最近發生的事情很像。若你也在處理 AI 搜尋，可以延伸閱讀「SEO 轉型攻略：AEO 與 GEO 時代的 AI 內容優化實戰指南」。

5. Performance Max 開始補黑盒子的洞

我以前對 PMax 最大的不爽就是：你叫我把錢給你，然後叫我相信 AI。

到底錢花去哪裡？哪些搜尋有效？哪些素材有效？哪些受眾有效？以前真的看得很痛苦。

但這兩年 Google 一邊推 AI 自動化，一邊也在補控制權，包含：

• Campaign-level Negative Keywords
• Brand Exclusions
• Demographic Exclusions
• Search Terms Insights
• 更多素材與 Channel Reporting

這透露出一個有趣的方向：廣告平台不是停止自動化，而是開始研究怎麼讓人類「控制 AI」。

我覺得這才是未來廣告操作真正需要學的能力：不是跟 AI 搶方向盤，而是知道什麼時候該給 AI 開，什麼時候要把它拉回來。

6. TikTok 已經不只是買流量

TikTok 這兩年也非常值得重新研究。

Smart+ 越來越像 TikTok 版的 Advantage+ 或 Performance Max，系統幫你處理受眾、版位、素材與最佳化。TikTok Shop 又有 GMV Max；到了 2026 年，甚至出現 Agentic Hub，可以透過 AI Skills 協助建立、管理、分析與最佳化廣告。

這件事情最值得注意的不是功能名稱，而是三大廣告平台最後居然走向同一條路：

名字不同，方向幾乎一樣：你給我商業目標、素材、產品與資料，剩下讓 AI 幫你跑。

7. 平台從流量最佳化走向商業結果最佳化

以前我們餵平台的是 Click、Lead、Purchase。

現在越來越多平台想知道：這個客戶值多少錢？是不是新客？是不是高價值客戶？這筆轉換到底是不是廣告帶來的增量？

Meta 開始往 Incremental Attribution 發展；Google 則持續往 Conversion Value、New Customer Acquisition 與 Value-based Bidding 發展。

廣告平台真正想學的，已經不只是「誰會買」，而是：

我應該把有限的廣告預算，花在哪一個人身上，才能替企業增加最多真正的商業價值？

這是完全不同的問題。

8. 歸因終於開始承認大家都有問題

廣告產業最荒謬的一件事情就是：

• Meta 說這個訂單是我的。
• Google 說也是我的。
• TikTok 可能也說有我的功勞。

每一個平台的 ROAS 都很好看。全部加起來，公司應該賺爛了。

財報打開：咦？

所以當我看到 GA4 開始可以直接把 Meta、TikTok、Pinterest、Reddit、Snap 的 Cost、Clicks、Impressions 拉進來時，覺得特別有意思。

這不能解決所有 Attribution 問題，但是方向很重要：我們終於開始從「平台說自己多厲害」，走向「把大家放到同一個 Measurement Framework 裡比較」。

這時候以前大家懶得管的 UTM、CAPI、Enhanced Conversions、First-party Data 與 CRM Data，重要性全部跑出來了。

9. 廣告操作員的價值正在重新定義

把這兩年的東西補完之後，我最大的感覺反而不是「AI 好厲害」，而是以前很多我們認為叫做「廣告技術」的東西，正在快速商品化：

• 切受眾
• 調版位
• 分預算
• 調 Bid
• 產文案
• Resize 素材
• 甚至產影片

這些事情 AI 都越來越能做。

所以如果一個廣告人的價值只剩「我很熟 Ads Manager」，未來會非常危險，因為平台自己正在努力消滅這些操作。

反而真正越來越值錢的能力是：

• 你知不知道客戶為什麼買？
• 你能不能設計 Offer？
• 你能不能找到不同的 Creative Angle？
• 你能不能建立正確的 Conversion Signal？
• 你能不能判斷平台說的 ROAS 到底是不是真的？
• 你能不能把廣告、CRM、網站、營收與 LTV 串在一起？

如果要用一句話總結這兩年廣告發生什麼：

廣告正在從「人操作平台」，進入「人提供策略與訊號，AI 操作平台」的時代。

二、2026 年重新學 Meta Ads：以前教的哪些東西已經退居二線？

前一節談的是整個數位廣告產業的方向，這一節把焦點縮回 Meta Ads，重新檢查以前那些很熟悉的操作觀念。

1. 興趣受眾沒死，但已經不是主角

以前投廣告，很大一部分時間都花在猜「我的客戶對什麼有興趣？」

賣健身課程，就切健身、減脂、重訓、蛋白粉；賣行銷課程，就切數位行銷、創業、Facebook Marketing，然後一直拆 Ad Set。

以前這叫精準，現在有時候反而是在限制演算法。

Meta 手上有瀏覽、觀看、停留、互動、點擊、購買與轉換等大量行為訊號，再加上 Advantage+ Audience。現在比較合理的思維是：把受眾設定當成提示，而不是答案。

你可以告訴 Meta「我覺得這群人可能會買」，但不要再執著「只有這群人才會買」。

2. Lookalike 還活著，但地位下降了

上傳顧客名單、建立 1% Lookalike，再建立 2%、3%、5%，這套方法到現在當然還能用，Custom Audience 也沒有消失。

但它已經從核心 Targeting 武器，慢慢變成演算法的其中一個 Signal。

真正重要的問題不再只是「我的 Lookalike 幾 %」，而是「我拿什麼資料給 Meta？」

100 個亂七八糟的 Lead，跟 100 個真的成交、甚至高 LTV 的客戶，都是 100 筆資料，但價值完全不同。

3. 超細受眾切割，很多時候真的可以放下了

以前一個 Campaign 裡可能有：男性 25–34、男性 35–44、女性 25–34、興趣 A、興趣 B、Lookalike，Retargeting 再各自分層。最後 Ads Manager 看起來超級專業，二十幾個 Ad Set 排得整整齊齊。

現在回頭看，很多時候其實只是把資料切碎：每一組都只有一點預算，每一組都沒有足夠 Conversion Signal，每一組都在重新學習。

結果不是幫 Meta，而是在妨礙 Meta。

我的理解會偏向：能合併，就不要為了「看起來很會投廣告」硬拆。尤其預算不大的帳號更是如此。

4. ABO 與 CBO 還能討論，但不是最值得吵的問題

ABO 與 CBO 到現在仍有各自的使用情境。如果要做比較受控的測試，我可能還是會想控制預算；但如果目標是「我有 10 萬元，幫我找到最多轉換」，越來越多決策本來就會交給演算法。

所以我現在反而會問：你為什麼要控制這筆預算？

如果答案只是「因為我以前都這樣投」，那就值得重新思考。

5. 廣泛受眾從偷懶投法變成正常策略

以前如果跟客戶說「我受眾沒設什麼，直接 Broad」，客戶可能會想：那我找你幹嘛？

現在 Broad 反而越來越合理，因為 Broad 不代表 Meta 隨機亂撒。真正的 Targeting 發生在你看不到的地方：系統會根據素材、轉換事件、歷史資料、網站訊號、帳號行為與預測模型，持續決定下一次 Impression 應該給誰。

所以 Broad 真正的意思不是「我沒有 Targeting」，而是「我把 Targeting 的一部分交給模型」。

6. 素材測試重要性不減反增

看到 Advantage+、Andromeda 與 AI 自動化，最容易得到的錯誤結論是：「那以後什麼都給 AI 就好了。」

完全相反。

當 Targeting 越自動化，Creative 的重要性反而越高。因為你可以控制的變數正在減少，真正可以製造差異的地方變成：

Hook、Angle、Offer、Persona、Pain Point、Visual、Format、Story。

一支影片講「AI 可以幫你省時間」，另一支講「每天加班兩小時的人，其實都在做 AI 可以完成的事情」。產品一樣、受眾可能一樣，但後者本身就帶著完全不同的受眾訊號。

我現在會把素材理解成：

Creative is Targeting.

素材不只是拿來吸引人的，它本身就在告訴演算法「什麼人會對這個訊息有反應」。如果你正在建立短影音素材系統，也可以參考建立你的短影音定位策略：用對內容才會被看見。

7. 一支神素材打天下，這個觀念反而更危險

以前很愛找 Winning Creative。找到一支 ROAS 很高的，就複製、加預算、繼續操，操到死為止。

現在這個概念需要升級。不是 Winning Creative 不重要，而是演算法越強、素材生成成本越低之後，真正重要的開始變成 Creative Portfolio。

你需要的不是 20 支長得差不多的影片，而是：

• 不同 Persona
• 不同 Pain Point
• 不同 Hook
• 不同 Offer
• 不同使用情境
• 不同證據
• 不同敘事方式

「素材多」不是叫 AI 把同一張圖片換 30 個背景，那只是 30 個檔案，不是 30 個 Creative Concepts。

8. Pixel 沒有死，但只裝 Pixel 已經不夠了

以前網站裝 Pixel，看到 Purchase 有回傳，大家就覺得好了。

現在如果真的重視廣告成效，就不能只想 Browser-side Tracking。瀏覽器限制、Cookie、iOS、Ad Blocker 與 Consent 都可能讓資料流失。

因此 Pixel 加上 Conversions API，已經是更完整的思考方式：一邊從 Browser 傳，一邊從 Server 傳，再透過 Event ID 等機制處理 Deduplication。

這背後真正重要的不是 CAPI 這三個字，而是 First-party Data Infrastructure：你的網站、CRM、會員、訂單與 Server，能不能把真正有價值的商業結果回傳給廣告系統？

這會直接影響 AI 最後學到什麼。

9. Purchase 也不是最終答案

假設 A 客人買 399 元，B 客人買 30,000 元，C 客人第一次買 1,000 元但未來一年買 100,000 元。

如果三個人在廣告系統裡都只是 Purchase = 1，其實就丟掉了很多商業資訊。

所以更值得研究的是：

• Conversion Value
• Customer Value
• New Customer
• LTV
• Offline Conversion
• CRM Signal

這也是為什麼我覺得，廣告技術正在慢慢變成資料工程問題。

10. ROAS 不要完全相信平台自己講的

Meta 說「這個人看過我的廣告，所以這筆訂單算我的」；Google 說「他搜尋之前點過我，所以也是我的」；其他平台也可能說自己曾經出現過。

最後 Meta ROAS 6、Google ROAS 8、TikTok ROAS 4，全部加起來公司應該準備上市。財報卻只會問：「你們到底在供三小？」

所以現在更需要在意 Incrementality，也就是：

如果我沒有投這筆廣告，這筆訂單還會不會發生？

這和 Attribution 是兩個不同問題：

後面這個問題，其實更接近老闆真正想知道的事情。若要先從行銷漏斗整理問題，可以延伸閱讀用 ChatGPT 解剖你的行銷漏斗，找出真正的痛點。

11. Retargeting 還有用，但不要把它想成魔法

以前 Funnel 很漂亮：

Cold Audience → Warm Audience → Retargeting → Purchase

所以我們會建立看過影片 25%、互動過粉專、網站訪客 30 天、Add to Cart 14 天、Checkout 7 天，然後每一層都建一個 Ad Set。

這套方法不是完全不能用，而是今天 Meta 本身已經能跨大量 Signal 做最佳化，很多帳號未必還需要切成這麼漂亮的「漏斗藝術品」。

真正要問的是：這個切割有沒有產生額外價值？而不是「因為 Funnel 教科書長這樣」。

12. 廣告投手到底還剩下什麼？

Targeting、Placement、Bidding、Budget Allocation、Creative Variation、Copy，甚至圖片與影片，都越來越能交給 AI。

但真正的廣告高手反而會更值錢，只是值錢的地方換了。

以前我們賣的是平台操作能力；未來真正值錢的可能是商業判斷能力：

• 你知不知道誰會買？
• 你知不知道他為什麼買？
• 你知不知道真正的競爭對手是誰？
• 你能不能設計更好的 Offer？
• 你能不能做出 10 個真正不同的 Creative Angle？
• 你知不知道該回傳什麼 Conversion Signal？
• 你知不知道平台的 ROAS 有沒有在唬爛你？
• 你能不能把 Ads、Website、CRM、Revenue、LTV 接起來？

2026 年重新學 Meta Ads，第一堂課我可能不會先打開 Ads Manager，而是先講：不要再把 Meta Ads 當成一個廣告投放工具，它現在比較像是一個大型 AI 推薦系統。

你的工作不是一筆一筆告訴它「廣告要給誰看」，而是設計一個系統，持續給它好的產品、好的 Offer、好的 Creative、好的 Conversion Data 與好的 Business Signal。

三、如果重新投 Meta 廣告，我不會再建立一堆廣告組合

知道 Meta 廣告變了之後，下一個問題一定是：如果今天真的拿錢出來投，到底要怎麼投？

假設網站、Pixel、CAPI 都準備好了，也有基本的購買資料，我分別拿每天 1,000 元、3,000 元與 10,000 元重新投一次 Meta Ads，會怎麼做？

先講最大的原則：2026 年，我會比以前更努力讓帳戶變簡單。

不是因為我懶，而是現在真正需要複雜的地方，已經從 Campaign Structure 移到 Creative、Offer 與 Data 了。

每天 1,000 元：拜託不要切了

以前可能會忍不住建立興趣一組、Broad 一組、Lookalike 一組、Retargeting 一組，每組再塞三支素材。

看起來超級專業，但你一天只有 1,000 元，切四組之後每組 250 元，還期待 Meta 幫你學出什麼東西。

這有點像給四個業務員每人 250 元，叫他們出去開發市場，晚上再開會檢討誰比較強。

如果是我現在做，反而會非常單純：

• 一個主要 Sales Campaign
• 受眾盡量 Broad
• 最佳化真正想要的 Conversion
• 把大部分精神放到 Creative

素材可以準備痛點型、利益型、故事型、見證型、比較型、UGC 型與 Demo 型，搭配不同 Hook。

不是建立八個 Ad Set，而是建立八個不同的說服理由。

因為一天只有 1,000 元，我最怕的不是 Meta 找錯人，而是根本沒有足夠資料讓它學。

每天 3,000 元：開始建立 Creative System

到了這個預算，我才會開始增加一些結構，但不是為了把受眾切得更細，而是為了回答不同問題。

例如：

• 主要 Campaign 負責 Scale
• 另外保留一小部分預算，專門做 Creative Testing

這兩個目的完全不同。

Scale Campaign 問的是「現在誰最能替我賺錢？」；Creative Testing 問的是「下一個可以替我賺錢的素材是什麼？」

很多人把這兩件事情混在一起，所以每次看到某支素材花不到錢，就說「Meta 不公平，它根本沒有測！」

其實 Meta 本來就沒有義務公平。它的工作不是當科展評審，而是替你的預算找最大機率的結果。

所以如果真的需要理解 Hook A 和 Hook B 到底誰比較強，我會另外設計測試，不會期待 Delivery System 自己幫我完成科學實驗。

每天 10,000 元：開始在意 Creative Research System

一天 10,000 元，一個月大概就是 30 萬。這時候我在意的已經不是 Campaign 數量，而是我們每週可以提出多少個不同的市場假設。

同一個產品，可能有不同的 Persona：

• 老闆買，是為了省人力。
• 行銷買，是為了提高產能。
• 業務買，是為了多成交。
• 員工買，是為了不要加班。
• 主管買，是為了管理效率。

五個 Persona，就可能有五套完全不同的 Creative Angle。

再往下拆，也可能有怕麻煩、怕浪費錢、怕學不會、怕被淘汰、想賺更多、想省時間等不同 Motivation。

這時候素材已經不是「設計部幫我做幾張 Banner」，而是一套 Creative Research System。

一個 Ad Set 放幾支素材，不如先問它們有沒有真的不同

三支、五支、八支都不是固定答案。我會先問：這五支到底有沒有真的不一樣？

如果只是同一個文案、同一個商品、同一個賣點，換五張背景，對人類來說有五個檔案，對市場來說可能只有一個 Idea。

真正有意義的五個 Creative，可以是：

我甚至會建立一張 Creative Matrix。

橫軸放 Persona，縱軸放 Pain Point、Desire、Objection、Use Case 與 Proof，然後開始組合：老闆 × Pain Point、老闆 × Proof、新手 × Objection、專業人士 × Use Case。

再搭配短影音、UGC、圖片、輪播、Demo 與 Testimonial，素材就不只是「這週要交五支影片」，而是「這週要驗證五個市場假設」。

這個差別非常大。

Conversion Signal 才是很多廣告課講太少的地方

假設今天兩家公司都花 30 萬廣告費，Creative 差不多，產品也差不多。

第一家公司只告訴 Meta：有人 Purchase。

第二家公司告訴 Meta：Purchase、Purchase Value、新客戶、高價值客戶、CRM 成交、Offline Conversion，甚至後續 Customer Value。

長期下來，哪一個 AI 比較有機會找到真正值錢的人？答案其實很直覺。

所以我現在會把 Pixel、CAPI、CRM、GA4、UTM 與訂單資料全部當成廣告系統的一部分，不是報表做漂亮而已。因為這些資料最後都可能影響 AI 到底學到了什麼。

不只看 Ads Manager，要建立三層成效判斷

Ads Manager 當然還是看，但我不會只看 Ads Manager，至少會拆成三層：

這三層數字一定不會完全一樣，沒關係。重點是你知不知道為什麼不一樣。

ROAS 不是最後答案，尤其當預算開始變大

假設廣告 A 的 ROAS 是 8，廣告 B 的 ROAS 是 4，以前很簡單：A 勝，預算加 A。

但是如果 A 全部都是本來就會買的老客戶，B 帶進來大量第一次購買的新客戶，而且這些新客戶一年平均會再買三次，那誰比較值錢？突然就不一定了。

所以預算越大，我會越想知道：

• New Customer CAC
• Contribution Margin
• LTV
• Incrementality

而不只是 Ads Manager 裡面那個漂亮的 ROAS。

Retargeting 要不要另外開？看商業邏輯

答案不是一定要，也不是一定不要。

以前 Cold、Warm、Hot 一定要切，現在我不會為了讓 Funnel 看起來漂亮，硬拆一個每天只有幾百人的 Retargeting Audience。

但如果今天有特殊 Offer、棄單優惠、高客單商品、Lead Nurturing 或特定 Customer Journey，我還是可能拆。

原則只有一個：因為商業邏輯需要，所以拆；不是因為老師以前說 Funnel 要三層。

四、把 Meta Ads 看成一個 Learning Loop

如果要我畫 2026 年 Meta Ads 的架構，我現在腦袋裡大概會長這樣：

Market → Offer → Creative System → Meta AI Delivery → Website / Landing Page → Pixel + CAPI → CRM / Order Data → GA4 / Measurement → Revenue / LTV → 把好的 Signal 餵回去

它已經不只是一個廣告 Campaign，而是一個 Learning Loop。

你的產品與素材，教 Meta 哪些人可能有興趣；使用者的行為，教 Meta 哪些人可能會轉換；訂單與 CRM，再告訴 Meta 哪些轉換其實比較值錢。下一輪，AI 再重新分配曝光。

所以我現在越來越覺得，2026 年真正厲害的廣告人，不一定是 Ads Manager 裡面按得最快的人，而是那個可以把：

市場 → 素材 → 廣告 → 網站 → 資料 → 營收 → AI

全部串成一個循環的人。

以前我們叫這件事情「投廣告」，現在回頭看，它其實越來越像在訓練一套替公司找客戶的 AI 系統。

結語：工具變複雜，行銷核心反而變簡單

兩年沒看廣告，回來一次補完，突然覺得還滿有趣的。

因為繞了一大圈，當平台把 Targeting、Bidding、Placement 與 Creative Production 全部慢慢自動化之後，最後真正拉開差距的，居然又回到最古老的那些問題：

• 你賣什麼？
• 你賣給誰？
• 他為什麼要買？
• 你要用什麼角度說服他？

工具變得非常複雜，但行銷的核心，好像反而又變簡單了。

常見問答 (FAQ)

Q1：2026 年投 Meta Ads，還需要設定興趣受眾與 Lookalike 嗎？

可以使用，但不必再把它們當成唯一答案。興趣受眾與 Lookalike 比較適合被視為提供給模型的提示或訊號；實際成效仍會受到素材、轉換事件、網站資料、Offer 與帳戶歷史學習影響。

Q2：每天只有 1,000 元的 Meta 廣告預算，應該怎麼開始？

建議先維持一個主要 Sales Campaign，受眾盡量 Broad，最佳化真正想要的 Conversion，並把主要精力放在測試不同的 Creative Angle、Hook 與說服理由，避免把有限預算切成太多 Ad Set。

Q3：Pixel 與 Conversions API 有什麼差別？

Pixel 主要從瀏覽器端回傳事件，Conversions API 則從伺服器端回傳事件。兩者搭配並使用 Event ID 做 Deduplication，可以建立較完整的轉換資料回傳，但仍需同步處理 Consent、資料品質與事件設計。

Q4：為什麼不能只看 Meta Ads Manager 的 ROAS？

平台 ROAS 是依照平台自己的歸因規則計算，可能和 GA4、真實訂單、毛利、新客成本與 LTV 不一致。更完整的判斷方式，是同時比較 Platform Metrics、Analytics Metrics 與 Business Metrics，並進一步觀察 Incrementality。

Q5：素材測試和廣告放量應該放在同一個 Campaign 嗎？

不一定。放量 Campaign 的任務是替目前預算找最大機率的結果；Creative Testing 的任務是回答下一個有效素材或市場假設是什麼。如果需要比較 Hook、Angle 或 Persona，最好設計相對獨立的測試，避免期待投放系統自動完成公平的科學實驗。