在巴西做游戏广告投放，扩量的天花板由种子决定——先用一方高价值玩家数据建好种子池，再做价值型相似人群扩展（Value-based Lookalike），才能把高LTV玩家的特征规模化复制到新增获客里，而不是靠平台通投盲目撒预算。种子的质量决定了算法学到的是”什么样的人会长期付费”，还是”什么样的人只会白嫖一次”。
为什么在巴西要优先做价值型相似人群，而不是平台通投？
巴西是个体量大但结构极不均匀的葡语市场：不同州的机型、网络、消费力和付费习惯差异巨大，单纯的平台通投触达过于泛化，很容易把预算喂给一批”装了就走”的低质安装，看起来CPI很低，实际ROAS却始终跑不正。进入隐私收紧的时代后，第三方信号越来越模糊，一方数据反而成了最稳、最难被稀释的信号源。用你自己积累的高价值玩家做种子，等于直接告诉算法”就找这样的人”，让它围绕真实付费者的共性特征去扩量，而不是围绕最容易被点击的人群。这也是为什么价值型相似人群往往比一味压CPI更能守住长期收入——它优化的是人群质量，而不是短期成本数字。
如何构建一份高质量的种子名单？
种子决定上限，垃圾进就是垃圾出。构建种子的第一步是分档：把玩家按LTV、留存天数、付费频次和付费金额做分层，优先取”高LTV+高留存”的头部人群做核心种子，而不是把所有注册用户一股脑丢进去。第二步是规模门槛，各平台对种子体量都有下限，实践中建议核心种子从数千人起步，样本越充分、相似人群的还原度越高；样本太小算法只能学到噪声。第三步是清洗，剔除异常账号、疑似作弊安装和一次性薅羊毛用户，避免把污染源当成”好人”喂给模型。第四步也是巴西市场绕不开的一环——LGPD合规：上传用户名单必须做哈希脱敏，取得可追溯的授权链，明确数据保留期与用途，绝不用来路不明的数据源。种子的来源建议以游戏内关键事件（首充、多次付费、通关高阶关卡）和支付成功用户为主，这些行为信号最能代表真实价值。
价值型Lookalike怎么分层扩展与排除？
相似人群不是开一个”1%相似度”就万事大吉。正确做法是阶梯式扩展：从最精准的1%相似人群起步验证质量，跑通后再向3%、5%、10%逐层放量，把精准与规模分开测，用不同的预算配比承接不同层级，越宽的层给越低的单元预算和越保守的出价。同时要做好排除：把已安装用户、近30天的再营销受众和现有种子本身排除在拉新受众之外，避免用拉新预算去重复轰炸老用户，造成受众重叠和无谓消耗。价值型相似人群的另一个优势是可移植——同一套高价值种子逻辑可以在Meta、Google、TikTok等多个平台复用，各自生成相似人群后横向对比哪个渠道的还原度和ROAS更高，把预算集中到表现最好的组合上。
种子如何保鲜与迭代，避免相似人群衰减？
相似人群会随时间漂移：市场在变、玩家画像在变，三个月前的高价值种子未必还能代表今天的付费主力。所以种子必须”保鲜”。建议每2到4周用最新的高价值玩家数据刷新一次种子池，让算法学习的始终是当下的真实付费特征。刷新要靠事件回传闭环支撑——把游戏内的付费、留存、深度行为持续、准确地回传给广告平台，种子才有源源不断的活水。同时要监控相似人群的衰减信号：当某个相似层的CPI持续走高、付费率持续下滑，往往说明该层已被跑透或种子过时，需要及时刷新种子、更换相似度层级或补充新的种子维度。用新老种子做小流量A/B，也能提前发现哪一版种子更能带来高质量用户。
用哪三本账衡量种子扩展的真实效果？
价值型相似人群的成败，要用三本账来算清楚。第一本是种子质量账：看种子人群本身的LTV、留存和付费深度，以及种子规模是否达标、清洗是否到位——种子不行，后面全是空谈。第二本是扩展效率账：按相似度层级（1%/3%/5%/10%）和渠道分别核算CPI、首周留存、付费率和ROAS，找出效率最高的层与平台组合，把预算向它倾斜，而不是看整体平均值掩盖问题。第三本是合规风控账：记录每一批上传名单的授权来源、哈希方式、数据保留期与用途说明，确保全程符合LGPD，把数据合规当成可持续放量的前提而不是事后补救。三本账按周复盘、按层切片，价值型相似人群才能从”碰运气”变成一台可复制、可放大的高质量获客引擎。
什么是价值型相似人群（Value-based Lookalike）？
它是在普通相似人群的基础上，给种子用户加上价值权重（如LTV、付费金额），让广告平台不只是找”长得像种子的人”，而是优先找”像高价值种子的人”。相比只看点击或安装的通投，它更能围绕真实付费者的共性去扩量，从而守住ROAS。
在巴西做种子上传，怎么符合LGPD数据保护要求？
上传用户名单前必须做哈希脱敏，只传经过加密的匹配标识而非明文个人信息；同时要有可追溯的用户授权链，明确数据用途与保留期限，且只使用来源合法的一方数据。把合规做在前面，才能保证长期、稳定地使用一方数据放量。
种子名单需要多少人才够用？
各平台都有种子体量下限，实践中建议核心种子从数千名高价值玩家起步，样本越充分，相似人群的还原度越高。样本过小时算法只能学到噪声，扩展出来的人群质量也难以保证。宁可先攒够高质量种子，也不要用大量低质用户凑数。
相似人群应该开多大的相似度比例？
建议阶梯式测试：先用1%的高精准相似人群验证质量，跑通后再向3%、5%、10%逐层放量，用不同预算和出价承接不同层级。越窄的层越精准但规模有限，越宽的层规模大但需要更保守的出价，按各层的CPI与ROAS表现动态调整配比。
为什么相似人群跑一段时间就效果变差？
因为市场和玩家画像会随时间漂移，旧种子逐渐无法代表当下的付费主力，同时相似层也可能被跑透。解决办法是每2到4周用最新高价值数据刷新种子池，保持事件回传闭环，并监控各层的CPI与付费率，及时刷新种子或更换相似度层级。