如何讀懂廣告逐秒留存曲線：三條曲線與一個百分位數

很多人拆解競品廣告素材的流程大同小異：先在素材中心依播放量排序，點開表現最好的影片看三遍，再憑感覺整理出「前段節奏很快」或「痛點切得很準」之類的結論，接著照著拍一支自己的版本。成品表現不冷不熱，就再去找下一支爆款，重新來一遍。

問題不在於不夠勤奮，而是從一開始就看錯了數據。播放量和按讚數只能告訴你這支素材贏了，卻無法說明它是在哪一秒贏的、靠什麼贏。偏偏這兩件事，才是你能帶進下一支素材裡的東西。

先說資料來源：本文提到的所有曲線與百分位數，都來自各平台公開的廣告資料庫與素材中心。只要用自己的帳號就能看到，不需要抓取、不需要簽名，也沒有繞過任何機制。素材中心本來就是平台為廣告主建置的工具，資料早就在裡面；多數人只是不了解，真正該看的數字其實沒有幾個。

播放量其實是最不值得看的指標

播放量深受平台分發機制影響。一支素材播放量高，可能是內容真的好，也可能只是上得早、預算下得重，剛好吃到便宜流量的窗口。單從播放量本身，你根本無法分辨「素材好」和「預算大」。

按讚數更不可靠。按讚代表情緒反應，往往和你真正關心的轉換方向不同。一支讓人發笑的素材可能拿到很多讚，但觀眾笑完就滑走，轉換仍然是零。拿按讚數當優化目標，優化到的是娛樂性，不是購買意圖。

這兩個數字還有一個致命問題：它們都是沒有時間維度的單一數值。廣告素材是隨時間展開的內容，觀眾在第 2 秒、第 5 秒與第 8 秒的行為完全不同；一個總播放量，卻把整條時間線全部壓平。你拿一個被壓平的數字，去指導一件本質上關乎「什麼時候發生什麼事」的工作，資訊在起點就已經流失了。

真正帶有時間維度的資料，其實就在素材中心的單支素材詳情頁裡，只是幾乎沒有人會點進去看。

三條曲線，要找的是三個轉折點

打開一支表現好的素材，除了影片本身，平台通常還會提供三條很少被認真研究的逐秒曲線：逐秒留存、逐秒點擊、逐秒轉換。橫軸是影片播放到第幾秒，平台也會標示素材總長度；縱軸則分別對應該秒仍在觀看的人數、點擊人數與轉換人數。平台甚至會替你標出幾個重點畫面，但標出來不等於已經幫你解讀。重點畫面只告訴你哪裡出現變化，沒有告訴你那個變化代表什麼。

讀曲線的關鍵，不是看整體高不高，而是找轉折點落在哪一秒。三條曲線各自的轉折點，分別回答不同問題：

留存曲線的斷崖，反映開場有沒有留住人。每條留存曲線都從 100% 開始往下掉，真正要看的是下滑的形狀。若在第 2 秒或第 3 秒急跌，代表前兩秒沒有給觀眾留下來的理由；那些滑走的人，就是沒有被你的開場勾住的人。斷崖出現的位置，直接對應到腳本裡那一句話、那一個鏡頭。第 3 秒崩掉，問題就在第 3 秒的畫面。

點擊曲線的峰值，告訴你賣點真正打中的時刻。點擊不會平均發生，而是往往集中爆發在一兩秒內。那一秒的畫面正在做什麼——展示價格、示範效果、喊出承諾——就是這支素材真正的鉤子。很多人以為鉤子一定在開頭，但點擊峰值經常會告訴你，真正有效的東西其實在中段。

轉換曲線的延遲，是最違反直覺、也最有價值的訊號。轉換幾乎不會和點擊同步，通常都會落後。觀眾在第 5 秒被說服而點擊，但在完整看完利益點後，可能到第 12 秒才轉換。這段延遲——也就是點擊峰值到轉換開始上升之間相隔幾秒——會告訴你，一支素材從「感興趣」走到「願意買」，需要保留多長的說服段落。延遲過長，代表利益點鋪陳得太慢，觀眾可能還沒看到重點就離開了。

把三條曲線疊在一起，整支素材的故事就會浮現：先在幾秒內留住人、在某一秒打中他們，再用幾秒把興趣推進成轉換。這三個轉折點的秒數，就是可以原封不動帶進下一版腳本的結構。

CTR 要看百分位數，絕對值幾乎沒有意義

除了曲線之外，平台還會提供另一個數字：這支素材的 CTR 百分位數。

新手最容易犯的錯，就是把 CTR 當成絕對值來讀，例如「這支 CTR 是 5%，不錯吧」。5% 到底高不高，脫離同類基準根本無法判斷：在衝動消費類別裡，5% 可能墊底；在高客單價類別裡，5% 可能已經名列前茅。CTR 的絕對值沒有足夠資訊，百分位數才有。百分位數 0.9，代表它的點擊表現勝過該產業 90% 的素材，這才是一個能用來做決策的描述。

百分位數還有一個很容易被忽略的參數：時間窗口。同一支素材，以最近 7 天、30 天或 180 天計算，可能會得到差異極大的百分位數。一支最近才開始放量的素材，在 7 天窗口中可能排名很高，但放到 180 天窗口就會被稀釋。你選擇哪個比較期間，決定了這個數字的意義，因此時間窗口必須與你的投放節奏對齊。

還有另一條常被忽略的曲線：素材的每日熱度，是正在上升、進入平台期，還是已經掉頭下滑。一支 CTR 百分位數很高、但熱度曲線已經往下走的素材，現在才去複製，就是在追逐上一波流量。真正值得參考的，是百分位數還不錯、熱度卻仍在爬升的素材。這條曲線決定的不是「要不要抄」，而是「現在抄會不會太晚」。

把一批曲線交給模型做歸因

單支素材的三條曲線，人腦還看得過來。但要得出可重複使用的結論，就得一次看一批：同一產業中表現好的十幾支或二十支素材，找出它們的轉折點有哪些共同規律。它們是否都在第 2 秒前穩住留存？點擊峰值是否都落在某種固定類型的畫面上？人腦很難做到，因為你得同時在腦中對齊數十條曲線的逐點數值；這正是模型適合介入的地方。

正確流程應該分成兩步，而不是一口氣完成。這種兩段式做法，和廣告文案分群那篇文章採用的是同一套思路：

第一步，逐支素材抽取結構化欄位。針對每支素材，擷取三條曲線各自的轉折秒數、轉折附近的數值變化，以及該秒畫面正在做什麼，整理為一筆結構化紀錄。這是高併發、偏機械性的工作，每支素材一次呼叫，一個批次可能有數百到數千次。

第二步，把整張表一次交給模型做歸因。提示詞必須鎖定輸出格式。不要問「這些素材為什麼好」，否則只會得到一堆「開場很吸引人」之類空泛的答案；應要求它針對每個共同結構，輸出以下三個部分：

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

第一步適合成本低的批次層級；第二步必須同時容納整批曲線數值，則正是長上下文層級的主場。數十支素材的逐點陣列，很容易累積到數十萬 token。兩個層級配合使用，成本與準確度才能同時到位。

歸因結果必須能直接改寫成腳本結構

提示詞的第三部分，才是整套流程真正產生價值的地方。無法轉化為下一支素材腳本指令的歸因，都是空話。

「這些爆款節奏都很好」不是歸因，只是一種感覺；你無法依照「節奏很好」去拍攝。「能留住觀眾的素材，都在第 2 秒前展示使用後的效果畫面，而不是單純拍產品本身」才是歸因，因為這是一條可直接執行的拍攝指令：下一版腳本，在第 2 秒前放入效果畫面。

判斷一個歸因是否有用，只要問一件事：它能不能變成腳本中的明確變數？秒數是變數，畫面類型是變數，說服段落的長度也是變數。能變成變數的留下，不能的刪掉。最後你要的不是一份競品分析報告，而是下一批素材的變數表：哪一秒該放什麼、要留幾秒說服、鉤子該落在哪一個畫面。

變數表再往前一步才是腳本，腳本再走一步才是成片。從腳本到成片，靠的是站內圖片與影片生成；完整的「關鍵字到曲線歸因到腳本到成片」流程，可參考關鍵字到成品廣告那篇文章。本文只處理把曲線讀成變數表的前半段。

最大的陷阱：別讓模型把相關性當成因果

批次歸因有一個幾乎無法避免的陷阱：模型非常傾向把相關性說成因果關係。

它看到十支高留存素材都在開頭出現貓，就會告訴你：「貓是留存的關鍵。」但真相可能只是這批素材剛好都來自偏愛貓的同一個團隊；貓與高留存都只是那個團隊風格的結果，彼此之間沒有因果關係。你相信這個歸因，硬是在下一批素材裡塞進貓，留存也不會有任何改善。

這個陷阱，與模型在 JS 逆向工程時「認出某種演算法家族後就停止細看」是同一種毛病：一旦模型提出一個自洽的解釋，就不再質疑自己。逆向工程工作流的解法，是強制模型在提示詞中輸出反證段落；放到這裡完全一樣。前面提示詞的第四部分——反例——不是可有可無的附加項目，而是檢驗歸因能否信任的關鍵。

做法很直接：如果模型宣稱「第 2 秒的效果畫面造成高留存」，就追問它：「這個批次中，有沒有同樣在第 2 秒放效果畫面、但留存很差的素材？」如果有，這個因果關係就不成立，代表畫面與留存之間還隔著其他因素。如果模型檢索完整批次後找不到反例，這個結構才值得寫入變數表。無法產出反例的模型，它提出的任何一條歸因都不該直接拿來指導創作；否則你只是在照著一堆相關性拍片，卻不知道為什麼始終沒有效果。

四個步驟，各自該用什麼模型

這條四步流程對模型的要求差異很大。全程只用同一個模型，不是浪費成本，就是犧牲準確度：

最值得特別提出的是反例步驟。它檢驗的，和演算法家族辨識中的反證段落是同一件事：模型會不會持續挑戰自己剛產出的結論。較弱的模型會把反例段落寫成結論重述，例如「這個結構已在大多數素材中得到驗證」；較強的模型則會真的挖出與結論相矛盾的素材。反例段落的品質，直接決定你會依照多少錯誤因果關係去拍片。

不用相信我，自己測一次就知道。測試流程如下：

1. 從同一個產業挑出 10 到 15 支頂尖素材，取得每支的三條逐秒曲線與 CTR 百分位數。

2. 先用低成本層級整理成結構化表格，包含轉折秒數與該秒畫面。

3. 把整張表連同上文第 4 部分的反例提示詞，分別交給 claude-opus-5 與 gpt-5.6-sol。

4. 只看一件事：模型會不會主動把「留存很好但轉換很差」的素材拉出來當反例。能主動提出反例的那個層級，才是你可以拿來寫腳本的歸因工具。

跑一輪就能看出差異，比任何 benchmark 都直接。

真正的阻力不在選模型，而在切換成本

四個模型、三家供應商、三套 SDK、三種驗證方式、三種錯誤格式。想在不同步驟用不同模型，最直覺的做法就是串三個 client；但多數人算一算覺得不值得，最後仍然整條流程只用一個模型。結果是在批次歸因環節用了反例能力弱的層級，對著錯誤因果拍出一堆沒用的素材，還不知道問題出在哪裡。

AIReiter把這一層攤平：一把 key、一個 OpenAI 相容介面，四個層級都在後面；只要修改請求內容中的 model 欄位，就能切換模型。

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

如果你已經使用 OpenAI SDK，只要把 base_url 指向 https://aireiter.com/api/v1，其他地方不用改。使用 Anthropic SDK 時，則以相同的 key 呼叫 POST /api/v1/messages。

價格方面，Claude 模型是牌價 7 折，GPT 模型則是半價。這套流程的折扣剛好落在主要成本上：逐支素材欄位擷取是呼叫最密集的步驟，每批數百到數千次，使用折扣後的 Claude Sonnet；單支素材差異歸因則使用半價的 GPT-5.6 Sol。批次歸因需要數十萬 token 的長上下文輸入，則使用 Kimi K3，同一把 key 就能呼叫。折扣剛好覆蓋了成本最高的兩個部分。

• 取得 API key

• 免註冊試用：先手動輸入幾條曲線，比較兩個模型是否能提出反例，再決定要串接哪一個。

結語

用播放量和按讚數看素材，本質上是拿一個被壓平時間線的單一數值，去指導一項從頭到尾都與時間相關的工作。資訊從一開始就不見了。

素材中心其實一直都在提供帶有時間維度的資料：三條逐秒曲線的轉折點，告訴你該在哪幾秒留人、在哪一秒打中、又該留幾秒促成轉換；CTR 百分位數則告訴你，這支素材在同類競品中到底算不算好，絕對值本身幾乎沒有意義。把一批素材的曲線交給模型做批次歸因，你得到的不再只是「它看起來不錯」的感覺，而是一張能直接寫進下一版腳本的變數表——前提是你必須強制模型提供反例，逐一把它臆測的相關性過濾成真正的因果關係。

模型在這裡的角色很明確：它是能同時對齊數十條曲線、找出共同結構，並且在提示詞設計得當時願意推翻自己的歸因工具。它不會替你拍廣告，也不會替你決定因果。反例負責篩出真正的因果，變數表變成腳本，而成片則是下一篇文章要處理的事。