在 LinkedIn 广告中，定向不是一次性设置，而是持续优化过程。

真正拉开差距的，是你如何调整受众结构。

一、受众定向优化的核心目标是什么？

优化不是为了“更窄”，而是为了：

1. 减少无效点击

2. 提高线索质量

3. 让算法有足够学习空间

4. 为后续放量打基础

一句话概括：

用尽量少的条件，找到尽量对的人。

二、先看数据，再动定向（顺序不能反）

在改定向前，先检查以下指标（至少跑 7–10 天）：

没有数据就优化 = 瞎调。

三、受众定向优化的 4 个阶段

阶段 1：跑得动（Cold Start）

目标：让广告稳定展示

推荐定向结构

• Country

• Job Function + Seniority

• Company Size（可选）

优化动作

• 不用 Job Title

• 不用 Lookalike

• 不限制太多行业

 确保受众 ≥ 50,000

阶段 2：去噪（过滤无效人群）

触发信号：

• CTR 高但线索质量差

• 学生 / 初级岗位点击多

优化方式

• Exclude：

• Seniority：Entry / Intern

• Job Function：Education / Student

• 加 Company Size（排除太小）

???? 优化的是“谁不看”，不是“谁看”。

阶段 3：提纯（精准化）

触发信号：

• 已有稳定线索

• 知道谁在转化

可选动作（择一）：

• Job Function → Job Title

• 加 Industry

• 拆分国家 / 行业广告组

???? 每次只加 1 个条件

阶段 4：放量（Scale）

前提：

• 转化路径跑通

• 明确高质量受众画像

推荐方式

• Lookalike（基于成交客户）

• 放宽 Job Title

• 扩大 Company Size

???? 放量 ≠ 乱放

四、4 种高效定向组合（可直接用）

组合 1：稳健型（外贸冷启动）

• Country：US

• Job Function：Purchasing / Operations

• Seniority：Manager / Director

• Company Size：11–200

组合 2：高客单精准型

• Country：DE

• Industry：Manufacturing

• Job Title：Procurement Manager / Operations Director

• Company Size：50–1000

组合 3：ABM 精准狙击

• Company List（目标客户）

• Job Function：Purchasing / Engineering

• Seniority：Director+

组合 4：放量型

• Lookalike（成交客户）

• Country

• Exclude：已成交客户

五、定向优化中最容易忽视的 5 个点

1️⃣ 不要频繁改定向

• 每次改动后跑 3–5 天

• 频繁修改会重置学习

2️⃣ 拆广告组，而不是叠条件

• 想测试 ≠ 放在一个组

• 每种受众一个广告组

3️⃣ 国家差异非常大

• 美国 ≠ 德国 ≠ 东南亚

• 定向逻辑要本地化

4️⃣ 不要迷信“极精准”

• LinkedIn 也需要学习空间

• 受众太小 → 跑不动

5️⃣ 定向要配合文案

• 决策层：利润 / 风险

• 执行层：参数 / 价格

• 技术岗：认证 / 方案

六、定向优化的判断依据（不要只看 CPC）

优先级顺序应为：

1. 线索质量

2. 成交转化

3. Lead 成本

4. CPC / CTR

很多时候：

更贵的点击，带来更便宜的成交。

七、总结一句话

LinkedIn 广告受众定向优化的本质，是：
先让系统学会“谁是对的人”，再逐步告诉它“谁不是”。