广告拦截器的流行，表面上是用户不想看广告，背后却是用户在反抗失控的广告体验。PageFair曾将安装广告拦截器的动机归纳为几类：担心安全和隐私、广告打断内容、加载速度变慢、广告数量太多，以及展示频率失控。真正让用户反感的，往往不是广告这种商业模式本身，而是一次次无关、侵扰甚至带有诱导性的曝光。
这也解释了广告产品最容易陷入的错觉：收入不够，就多加几个广告位；点击率下降，就把素材做得更醒目。短期数据可能会上升，但用户的耐心也在被消耗，最后只剩下“这产品不就是个广告播放器吗？”的感受。
真正成熟的广告系统，优化目标不是“广告越少越好”，也不是“收入越高越好”，而是让每一次曝光创造的价值，尽可能覆盖它给用户带来的打扰成本。
一、Facebook广告价值模型：出价之外还有体验
Facebook的广告价值模型提供了一种有代表性的思路：广告排序不能只计算广告主愿意付多少钱，还要计算用户是否愿意看到它。简化后，可以把一次展示的总价值理解为两部分：
Bid\times pAction 是广告主价值：Bid 是广告主愿意为点击、转化等行为支付的价格，pAction 是这种行为发生的概率。V_{experience} 是广告体验价值，它既可以是正数，也可以是负数：点赞、分享等信号说明用户认可广告；快速划走、关闭、屏蔽和投诉则意味着广告正在制造体验成本。\lambda 代表平台对长期体验的重视程度。
这个模型改变了“价高者得”的简单逻辑。一条广告即使出价很高，如果负反馈风险明显，也可能输给出价稍低但更相关、更可信的广告。平台牺牲的是眼前的一点竞价收益，换回的却是用户继续浏览、再次访问和未来可持续变现的机会。
二、淘宝质量分：CTR只是创意分的一部分
另一个典型案例是淘宝的广告质量分。CTR能反映创意是否成功吸引注意力，因此可以看作一种“创意分”，但点击并不天然代表满意。一张猎奇图片可能带来很高CTR，用户进入商品详情页后却发现货不对板，最终没有购买甚至产生反感。
因此，质量评估需要从单一点击扩展到多个维度：搜索词与广告的语义相关性、广告主和店铺的等级与信誉、素材质量、商品详情页体验，以及点击后的收藏、加购、成交或退出等行为。可以把它抽象为：
Facebook强调将正负反馈纳入广告总价值，淘宝强调用多维质量分修正CTR。两者解决的是同一个问题：**注意力不等于满意度，点击价值也不等于用户价值。**只有把体验信号真正放进排序模型，用户体验才不再是一句原则，而会直接影响哪条广告获得曝光。
三、广告负载要与产品场景匹配
信息流中常用 Ad Load 衡量广告密度：
粗略来看，广告收入可以拆为：
提高 Ad Load 确实可能直接增加库存，但它不是一个脱离场景的统一数字。同样是一条广告，出现在朋友圈这样的熟人私域里，和出现在新闻、短视频等公共内容流里，用户的心理预期完全不同。产品关系越私密、使用目的越明确，广告打断的成本通常越高。
因此，Ad Load 更适合按场景精细化管理：新老用户、轻重度用户、频道、时段、内容类型和会话深度，都可以有不同策略。与其全站统一“每十条插一条”，不如判断用户此刻是否已有足够内容消费、上一条广告距今多久，以及当前候选广告是否足够相关。
频控也不只是限制总次数，还应控制连续出现、同一广告重复和跨场景追投。用户往往不是讨厌所有广告，而是讨厌失去控制感。
四、把体验问题放回完整漏斗
广告从库存到转化，要经过请求、返回、竞胜、曝光、点击和转化。每一层数据都在描述不同问题：
| 环节 | 常见指标 | 主要回答的问题 |
|---|---|---|
| 请求与返回 | 参竞率、返回率 | 是否有足够广告参与 |
| 返回与曝光 | 曝光率 | 广告返回后是否真正展示 |
| 库存与曝光 | 填充率 | 可售库存被利用了多少 |
| 曝光与点击 | CTR | 创意和人群是否匹配 |
| 点击与转化 | CVR | 落地页、产品和承诺是否一致 |
| 用户反馈 | 关闭率、屏蔽率、投诉率 | 广告是否造成明显反感 |
只看CTR，容易鼓励标题党；只看填充率，容易把低质量广告塞进每个位置；只看短期收入，则可能把留存下降误认为正常波动。平衡体验的前提，是把短期商业指标和长期用户指标放在同一张评估表里。
五、用实验找到平台自己的边界
广告密度和体验之间通常不是线性关系。少量增加广告时，收入上升而用户几乎无感；超过某个临界点后，停留时长、留存和内容消费可能快速下降。这个临界点无法靠行业平均值直接得到，只能通过实验寻找。
一次可靠的实验，应同时观察三类指标：
- 商业指标：收入、eCPM、填充率、广告转化；
- 体验指标：广告关闭、屏蔽、投诉、跳出和页面延迟；
- 长期指标：次日或七日留存、使用时长、Feed消费量和回访频次。
A/B Test 可以判断某个策略的整体影响；当平台希望识别“哪些用户会被广告增量真正影响”时，还可以使用 uplift 模型寻找差异化人群。例如，对高广告敏感用户降低负载，对低敏感且有明确消费意图的用户提高相关广告供给。这样优化的不是平均Ad Load，而是每个用户的边际体验成本。
实验还要留出足够观察周期。广告增加当天收入上涨，并不代表策略成功；如果几天后用户访问频次下降，平台实际上是在提前透支未来库存。
结语
商业价值和用户体验并非天然对立。相关的广告可以提供信息，高质量的创意本身也可以成为内容，合理的商业收入还能支撑平台持续生产和分发内容。
真正需要避免的，是用更多曝光掩盖匹配效率和广告质量的问题。一个健康的广告系统，应同时优化三个变量：让广告更相关，让每次曝光更有价值，让广告负载始终处在用户愿意接受的边界内。
最终要追求的不是某一天的收入峰值，而是用户规模、使用深度和变现效率共同决定的长期收益。