僵尸SKU救活方法：Performance Max专属竞选与BigQuery自动化进出机制

摘要：大目录电商里，总有一批商品悄悄掉进裂缝：货没问题，也没缺货，就是拿不到流量。越没流量越没数据，越没数据越拿不到流量，最后熬成僵尸SKU。与其让它们零曝光地挂着，不如单独给它们开一个Performance Max竞选，让算法重新给一次机会。本文说明僵尸SKU怎么形成、怎么用BigQuery加Feedonomics的自动化把它们识别出来并重新投放、两周实测数据是什么样，以及衡量这套竞选为什么不能只看ROAS。

先看一个电商投手都熟悉的场景。商品库里有上万个SKU，头部几百个吃掉了绝大部分预算和流量，其余成千上万个躺在库里，展示量常年为零。你知道这些商品不差，有些利润还不低，可就是没人看得到。

这和投手的操作关系不大，是算法的倾向决定的。Google的机器学习天然偏向已经有强表现信号的商品，效率确实高，副作用是把低量SKU一步步挤出局。下面这套僵尸SKU打法，就是专门用来打破这个循环的。

这套打法靠的是换一个环境，给沉底商品重新积累数据的机会，而不是多花钱。它用一笔可控的小预算，加上一套自动化，让上万个被算法冷落的商品按表现自动进出：有救的拉回来，没救的筛出去。下文从原理讲到落地，包括阈值怎么定、预算怎么给、怎么避免和其他竞选冲突，以及没有这些工具时怎么简化执行。管着几万个SKU的大目录，和只有几百个商品的小站，都能从中找到可用的部分。

什么是僵尸SKU？商品为什么会长期零流量？

僵尸SKU这个说法不新，成因也简单：一个商品一旦停止获得流量，就不再积累Google投放它所需的信号。没有展示就没有点击，没有点击就没有转化数据；数据越少，算法越不敢把流量分给它。循环几轮后，商品就陷进一种“SKU炼狱”：明明还在架上卖，却一直出不了头。

麻烦在于这种状态会自我强化。流量掉一次之后，商品会越陷越深，因为每一天的零展示都让算法对它的判断更悲观。不主动干预，它就一直停在那里。这和站内另一篇DTC海外仓SKU周转率管理、滞销预警怎么做讲的是同一个问题的两面：那篇处理仓库里的滞销，本文处理广告里的滞销，一个是货压在库里，一个是商品埋在算法里。

僵尸SKU和真正的滞销品要分开，这是整套打法的前提。真滞销是没需求，东西本身没人要；僵尸是有需求、没机会，东西可能有人要，只是算法从没让它出场。两者在后台都是零展示、零成交，看起来一样，病因却完全不同，处理方式也相反：真滞销该清仓，僵尸该救。这套打法的一大价值，就是帮你把这两类商品分辨开。在此之前，很多人把有救的僵尸当成没救的滞销一起砍掉，白白损失了潜力。

另外，僵尸SKU未必是新品或冷门品。曾经的爆款，也可能因为一段时间没投放，或者被新品抢了资源，慢慢滑进僵尸状态。所以判断谁是僵尸要看数据，别凭老印象：后台连续几周零展示、库存还在的商品，不管以前表现多好，都该列入排查范围。

僵尸SKU背后的富者愈富循环是怎么形成的？

把这个循环拆开看，就能理解它为什么很难自行恢复。

大目录电商最大的挑战之一，是Google的机器学习天然偏向历史表现好的商品。从算法效率看，这很合理：把钱花在已经证明能转化的商品上，回报最稳。副作用是形成了富者愈富的反馈循环：头部SKU持续拿到流量、持续积累数据、持续被优先；历史数据本来就少的商品，连证明自己的机会都没有。

问题在于，缺数据不等于没需求。很多SKU只是从没被展示给合适的人，并非真的没人要。算法不会替你去试，只会沿着已有数据往下走，于是那些有潜力的商品在这个循环里被系统性地忽略。你不主动打破，循环不会自己停下。

打个比方，这有点像大公司的用人方式。老板总把重要项目交给几个已经证明过自己的骨干，因为最稳妥；还没机会露脸的新人接不到能证明自己的活，慢慢被边缘化，哪怕其中有更能干的人。算法对待SKU也是这个逻辑。僵尸竞选相当于专门给这些新人开一个小项目，让他们有机会做出成绩、重新被看见。

这个循环还有一个隐性代价：它会让你误判自己的商品库。看后台数据，会觉得只有几百个爆款能打，其余都是累赘，于是更加只给爆款投钱。实际情况可能是，几千个沉底商品里有相当一部分从没得到过公平的测试机会。不打破循环，你就无法知道手里压了多少被埋没的潜力。

为什么用Performance Max竞选来救僵尸SKU？

选Performance Max，是因为在这个场景里，Google的自动化正好能反过来为你所用。

标准购物广告的打法，很大程度上仍在已知需求里做文章。Performance Max擅长的，是挖掘标准购物没覆盖到的机会和需求。Google官方对它的定位是跨YouTube、展示、搜索、发现、Gmail、地图等渠道，找到更多会转化的新客户。一个被冷落的SKU，有时缺的就是这一点：比起更高的出价，它往往更需要出现在一个从没出现过的场景里，碰到恰好想要它的人。

这里有一个反直觉的地方。PMax的黑盒和跨渠道特性，平时常被投手当成缺点，因为不好控制。对救僵尸SKU这个具体任务来说，这反而是优点：你要的就是让算法带着这些商品，去它自己都想不到的位置试一试。展示、发现、YouTube这些标准购物覆盖不到的地方，正是沉底商品最可能碰到新需求的地方。同一个特性，用在主推爆款上是失控，用在唤醒长尾上是探路，取决于你交给它什么任务。

所以这套打法的逻辑是：SKU跌破某些表现阈值后，不再让它留在原来的标准购物竞选里零流量地耗着，而是自动移进专属的僵尸SKU Performance Max竞选。目的是给被冷落的商品一次重新竞争的机会，而不是给差品硬砸预算。它们重新产生展示、点击乃至转化数据后，Google对它们的理解会改善；表现达标的，就回到原竞选。想更系统地了解PMax的特性和控制方式，可以参考PMax六个月DTC实战避坑一文，这里只讲僵尸SKU这一个具体战术。

僵尸SKU竞选的自动化流程怎么搭建？

在用Performance Max之前，这类僵尸竞选常常得不偿失：手动把SKU一个个移进移出太费人力，上万个商品根本管不过来。这套打法能成立，关键在于去掉了手动环节。

整套流程这样运转：

• 用BigQuery建一套自定义逻辑，持续评估每个SKU。僵尸SKU的标准按自己的业务来定，目标都是找出实际上已经不再获得有效机会的商品。
• 符合条件的僵尸SKU导出到一张Google Sheet。这张表是流程里的中转站，哪些商品进、哪些出，一目了然。
• Feedonomics读取这张表，自动给这些商品打上僵尸SKU的自定义标签。用自定义标签把一批商品单独圈出来，是feed管理里把低效品隔离出来单独监控的经典用法。
• Google Ads根据这个标签，把这些商品纳入专属的Performance Max竞选。Google Ads只按标签识别这批商品。
• 同一批SKU从原来的标准购物竞选里排除，避免重叠竞争。不排除的话，同一个商品会在两个竞选里互相抢量，浪费预算。
• 某个SKU不再符合僵尸标准时，标签自动移除，商品回到原竞选。进出全部自动完成，几乎不需要人工介入。

自定义标签怎么写进商品数据、可以按哪些维度划分，资深PPC团队整理的Merchant Center自定义标签用法指南写得很细，对照着看可以少踩不少坑。

这套流程里，最容易被低估的是Google Sheet这个中转站。它看起来不起眼，实际上是整个系统的仪表盘：哪些商品被判定为僵尸、哪些刚刚毕业，都能在表上直接看到。有了它，不用去翻BigQuery的查询，也不用进Google Ads后台，看一眼表就知道系统的运行状态。需要向老板或团队同步进展时，这张表也是最直接的沟通材料。

还要说明一点：整条链路单向自动流转，人的角色从执行者变成规则制定者和监督者。你负责定两条线，什么算僵尸、什么算毕业；识别、打标、纳入、排除、移除都交给系统。这和投手每天盯后台手动调整的传统模式完全不同。它把人从重复劳动里解放出来，把精力留给更有价值的判断，比如阈值该松还是该紧、预算该加还是该减。

僵尸SKU竞选两周实测数据表现如何？

只讲逻辑不够，下面是一个客户账户里僵尸SKU竞选的早期测试数据。同一批13,829个SKU，竞选启动前后的对比如下：

仅仅两周，超过13,800个此前几乎没有机会的SKU开始产生展示、点击乃至转化数据。从零到有这一步，比101.77%的ROAS数字本身重要得多。零和非零之间差的不是一点量，而是能不能被算法看见的门槛；跨过去之后，这些商品才第一次有了自己的表现记录。

拆开看，有几个数字值得细读。展示从0到近20万，说明这批商品终于被大规模展示给用户，这是积累数据的前提。点击1,617，说明确实有真实用户对它们感兴趣，曝光没有白费。转化24.42带小数，是Google按转化价值折算的结果，零头不用在意，重点是它不再是0，这批僵尸里确实有能成交的商品。ROAS做到101.77%，意味着广告费大致打平，对一个目标本来就不是赚钱的竞选，这已经超出预期。

需要提醒的是，这只是两周的早期数据，样本还小，不能当作可复制的收益承诺。它证明的是一个更基础的判断：这些被算法冷落的商品，只要给机会，是能跑起来的。整套打法就建立在这个判断上。

为什么衡量僵尸SKU竞选不能只看ROAS？

很多投手在这一点上转不过弯：僵尸竞选的成绩，不能用核心竞选的标准来衡量。

核心购物竞选的首要目标是最大化ROAS或提升销量，这是它的职责。僵尸竞选的首要目标是为这批低表现SKU积累足够的展示、点击、转化数据，让它们达到毕业条件、回到标准购物竞选，赚钱排在这之后。这个竞选是花一笔可控的预算，替这些商品攒出表现记录。

这种思路转换，是很多投手一开始最不适应的地方。习惯了盯ROAS、砍低效竞选的人，看到ROAS只有100%出头的竞选，第一反应就是关掉。用这个标准衡量僵尸竞选，等于一开始就否定了它，而它真正该被衡量的价值，也就是积累了多少数据、有多少商品毕业、毕业后表现改善了多少，完全没被看到。用错标准比不衡量更糟，因为错误信号会导致错误决策，把一个正在起作用的机制亲手关掉。

那么僵尸竞选该用哪些指标考核？更合适的有这几项：这段时间有多少SKU从零展示变成有数据，有多少积累够数据顺利毕业，以及最关键的，毕业商品回到标准竞选后整体表现有没有提升。ROAS在这里最多是副产品，能打平当然好，打不平但数据积累到了，也不算失败。把考核重点从赚了多少，转到救活了多少、筛清了多少，才算理解了这套打法。

所以看结果要结合竞选目标。101.77%的ROAS放在核心竞选里可能不算突出，放在僵尸竞选里，说明这批原本零产出的商品不仅跑起来了，还基本做到了广告费打平，已经远超预期。真正的收益在后面：积累下来的表现数据，会在SKU回到标准购物后改善它们的整体表现。评估这类投入值不值得，是一个算账问题，用ROI计算器把排名提升量化成收入与回本周期一文的思路，同样可以用来给僵尸竞选算账。

僵尸SKU什么时候算毕业？毕业后如何回归标准购物竞选？

毕业的判据，就是商品不再符合你当初设定的僵尸标准：重新有了稳定的展示、点击、转化，说明算法已经重新认识它。

此时标签自动移除，商品回到原来的标准购物竞选，把僵尸竞选的位置让给下一批被冷落的商品。这个进出是动态循环的：一批毕业，一批补进来，僵尸竞选就成了一条常设的恢复通道。可以把它类比成运动队的康复区：伤员进来做恢复训练，恢复好了归队，新受伤的再补进来，位置一直在流转。它比一次性促销活动更有价值，正是因为这种常设性：唤醒沉底商品从一次性行动变成了持续运转的机制。

毕业之后还有一步需要重点跟踪：这些SKU带着新积累的展示、点击、转化历史回到标准购物后，整体表现有没有变好。这是检验整套打法是否有效的最终问题。毕业商品回去后确实表现更好，说明这条恢复通道跑通了；如果回去后又回到原状，就要检查标准竞选本身的结构是否有问题。

有个细节要注意：毕业标准不能定得太苛刻，否则商品会在两个竞选之间反复切换。比如一个SKU刚积累够数据回到标准竞选，但那里竞争激烈，它很快又跌回僵尸线，被重新纳入。这样来回切换既浪费预算，也让数据变乱。

合理的做法是给毕业设一个稍宽松、但有持续性要求的标准：连续一段时间稳定达标才算毕业，单次达标不放行。给过渡留出缓冲，商品回归会更平稳，整套系统的进出节奏也更稳定。

僵尸SKU竞选的预算和结构怎么设置？

只有识别和标签还不够，预算给多少、竞选怎么搭，直接决定这套打法是稳步推进还是失控烧钱。

预算的原则是可控、克制。僵尸竞选的目标是给沉底商品积累数据，不是抢销量，所以不需要、也不应该给太大的预算。常见做法是先用一个能覆盖这批SKU基本曝光需求的小预算起步，观察多久能积累出有意义的数据，再决定是否追加。预算给多了，分不清效果来自打法还是来自投入；给少了，商品积累不够数据，无法毕业。合适的量需要测试出来。

结构上最关键的一条，是让僵尸竞选和标准竞选各自独立、互不干扰。这又回到前面说的排除：纳入僵尸竞选的SKU，必须从标准购物竞选里完全排除。做不到这一点，同一个商品会在两个竞选里互相抢量，数据也会混乱到无法分析。

另外，僵尸竞选内部可以按品类或利润再拆几个资产组，让不同类型的沉底商品按各自节奏运行，避免混在一起统一处理。出价目标怎么定才不会把这套竞选带偏，可以参考目标ROAS到底该定多少、四步算到能赚钱里的方法，给僵尸竞选设一个合理、稍宽松的目标。

如何避免僵尸SKU竞选与其他竞选重叠抢量？

这是这套打法里最容易出问题的环节，需要单独说明。

核心矛盾是Google的自动化竞选之间会抢量。标准购物、主推的PMax，再加上这个僵尸竞选，如果商品范围有重叠，就会在同一批商品上互相竞价，既抬高自己的成本，又把数据搅乱。前面反复强调排除，就是为了切断这种重叠：僵尸SKU进了恢复通道，就必须从其他竞选里完全退出，让这个竞选成为它们唯一的投放出口。

只做排除还不够，还要管好进出时机。SKU毕业回到标准竞选时，要确保它同时从僵尸竞选里移除，不能两边都挂着。这正是自动化的作用：靠人工手动同步进出，迟早会出现某个商品同时存在于两个竞选的窗口期，自动化能把这个窗口压到最短。上线初期，这一块最值得多抽查几轮，确认没有商品同时出现在两个竞选里。竞选之间的分工协同，和PMax与标准搜索、Meta之间怎么划分地盘属于同一类问题，思路可以互相参考。

为什么自动化是僵尸SKU打法的核心杠杆？

这套打法真正的杠杆在自动化，不在Performance Max竞选本身。

没有BigQuery、Feedonomics和自定义标签这套组合，维护成千上万个商品就得靠人不停地审核、手动移动，仅这部分工作量就足以让这套打法无法持续。有了它们，商品就能按表现在竞选之间自动流动：表现下滑的自动进入恢复通道，恢复过来的自动毕业回原竞选，全程几乎不需要人盯。

对大目录电商来说，这是一种高效的办法，能确保有潜力的商品不会因为算法暂时不优先它，就悄无声息地沉没。产品feed这份数据该由谁负责、价值多大，产品feed到底该谁管一文讲得很透。这套僵尸SKU打法，就是把feed当作可以主动调度的资产来经营的一个具体例子。

投入产出需要算一下。搭这套自动化前期要花些力气：数据团队建BigQuery逻辑、配置Feedonomics规则、调通整条链路，不是一天能完成的。但这是一次性建设，建好后以接近零的边际成本长期运行。相比之下，靠人工维护上万个商品的进出，是每天都在发生的持续消耗。规模越大，自动化分摊下来越划算。

所以要不要上自动化，主要看目录规模：SKU越多、长尾越厚，自动化的杠杆越明显；小目录未必值得，用后文的简化版手动执行就够了。

僵尸SKU的判定阈值怎么定？

这套打法里最需要仔细考虑的是阈值。什么样的SKU算进入僵尸状态，这条线画在哪里，直接决定整套系统是否好用。

阈值没有标准答案，要根据自己的目录和业务来定。一般会综合几个维度：一段时间窗口内展示量低到什么程度、点击是否几乎为零，以及商品本身是否还有库存、是否值得救。线画得太松，大量本该淘汰的商品涌进来，稀释预算；画得太紧，又会漏掉真正有潜力、只是暂时沉底的商品。

实际操作建议从紧到松逐步测试。先用相对严格的标准，圈出最明显、最该救的那批僵尸SKU跑起来，观察效果后再逐步放宽，把更多边缘商品纳入。不要一开始就把范围放到最大，否则分不清是打法有效，还是单纯靠投入换来的变化。

还有一个容易被忽略的维度是时间窗口。判断SKU是不是僵尸，要看它在合理窗口内的表现，单日快照说明不了问题。窗口太短，正常的日波动会被误判为僵尸；窗口太长，真正沉底的商品又要等很久才被识别出来。多数目录用几周的窗口比较合适，具体多长取决于商品销售周期：快消品短一些，耐用品或长尾件长一些。窗口和阈值两个参数配合调整，才能既不误判，也不遗漏。

阈值也不是一次定好就不用再管。季节变化、大促前后、新品上架，都会改变正常与僵尸的界线。最好定期复查阈值，确认它仍符合当前的目录状态。大促前后记得回头校一次。

哪些SKU不值得用PMax硬救？

要承认一点：不是每个SKU都能复活，这也没有问题。

有些商品沉底是真的没需求，问题不出在曝光：过季了、被新品替代了，或者本来就是选品失误。把这类商品放进僵尸竞选，曝光再多也换不来转化，等于拿预算填无底洞。更合适的做法是走滞销预警和清仓的流程，让它有序退出，不要硬撑。

怎么区分该救的和该放弃的？看它进入僵尸竞选、拿到曝光之后的反应。给了公平的机会，仍然零点击、零转化，基本就是市场给出的答案。僵尸竞选的价值正在于此：用一笔可控的预算，把只是缺机会的商品和真正没需求的商品清楚地分开。

从另一个角度看，这套机制把一个模糊的直觉判断变成了可验证的实验。过去判断一个沉底商品该不该继续投入，靠感觉和经验，容易看错：要么舍不得砍掉其实没救的，要么误砍了本来有潜力的。现在给每个沉底商品一次统一、公平的曝光测试，让真实的市场反应来决定。这比凭经验判断更科学，也减少了人为偏好和犹豫。

僵尸竞选既是救商品的工具，也是筛选器：把有需求的拉回来继续投放，把没需求的确认之后转去清仓。两件事一次完成，而且比人工判断更客观。既避免了误砍潜力商品的损失，也避免了在真滞销商品上继续消耗预算，整体算下来很划算。

没有BigQuery和Feedonomics，僵尸SKU竞选能简化执行吗？

能。完整流程面向有数据团队的成熟大目录电商，但核心思路小团队也能用简化版执行。

核心思路只有三步：识别僵尸SKU、把它们单独圈出来、给它们一个专属的竞选环境。BigQuery只是识别环节的一种实现方式，也可以用Google Ads和Merchant Center自带的报表，手动导出一批长期零展示的商品；Feedonomics只是打标签的工具，Merchant Center里本身就能手动设置自定义标签。规模不大时，一个人定期手动跑一轮，同样能获得这套打法的大部分收益。

等目录大到手动处理实在忙不过来，再上自动化组合也不迟。没有这些工具，不代表这套打法与你无关：工具服务于规模，核心是思路。

一个更容易上手的简化路径：每个月固定抽半天，从Google Ads报表里导出过去几周展示量最低、但仍有库存的那批SKU，在Merchant Center里手动给它们打上统一的自定义标签，据此单独建一个小预算的PMax竞选，同时把这批商品从主竞选里排除。一个月后复查，有起色的摘掉标签放回原竞选，仍然没有动静的转去清仓。

整个过程不涉及任何代码，熟练的投手半天就能跑完一轮。规模继续扩大后，自然会知道哪一步最该先自动化，通常是识别环节，因为手动导数据最费时。

出海大目录做僵尸SKU竞选还要注意什么？

如果你做的是海外市场的大目录电商，这套打法尤其适用，但有几点需要多考虑。

第一，多市场的阈值不能统一设定。同一个SKU，在一个市场热销，在另一个市场可能本来就是僵尸，因为那里没有需求。识别僵尸时最好按市场分别判断，避免用全局数据把区域性爆品误判为僵尸。

第二，先保证feed健康。出海大目录的feed往往规模大、结构杂，多语言、多货币、多规格，本身就容易出问题。僵尸SKU打法高度依赖feed数据的准确性，feed一乱，识别和打标签都会出错。所以开始之前，先把feed的基础治理做好。整个大目录在搜索端如何被有序发现和收录，可以配合百万SKU的电商sitemap分片策略一起看。

第三，不要忽略自然流量。用付费救活僵尸SKU的同时，这些商品在自然搜索和AI购物里的可见度也应一并梳理。付费和自然流量同时推进，商品的表现才稳得住。想让商品在AI购物代理的评估中达标，可以对照智能体就绪度自查打分表逐项自查。

汽配独立站案例：上万个僵尸SKU如何盘活？

看一个具体案例。一家做汽车配件和改装件的出海独立站，目录有好几万个SKU，各种车型对应的长尾配件占了一大半。这类目录天然是僵尸SKU的重灾区：通用件、爆款件吃掉了几乎所有流量，大量车型专用件常年零展示。

它最初的做法很粗放：所有SKU都放在几个大的标准购物竞选里，由算法自行分配。结果就是富者愈富，长尾配件彻底沉底，卖不动的库存越积越多。后来搭建了这套僵尸SKU自动化：先用报表圈出连续几周零展示、但仍有库存的配件，打上标签后单独开了一个PMax竞选，同时从原竞选里排除，避免内部抢量。

这个站在阈值上踩过一个坑。一开始线画得太松，展示量低的都往里放，结果大量本该淘汰的过季件、错版件都进来了，预算被稀释，看不出效果。后来收紧标准，只圈仍有库存、且历史上有过零星成交迹象的长尾件，信号一下子清晰了。这也印证了前面的经验：阈值宁紧勿松，先把最该救的那批跑通，再考虑扩大范围。

运行一段时间后，一部分长尾件开始有了零星的展示和成交，积累够数据后陆续毕业回到标准竞选；也有一批配件拿到公平曝光后仍然没有任何变化，正好据此判定为真滞销，转去清仓。

需要如实说明的是，同一时期这个站也在优化feed标题和主图，不能把变化全部归功于僵尸竞选；但在此之前，那批长尾件确实连被看见的机会都没有。对一个靠长尾件做差异化的汽配站来说，能系统性地唤醒一部分沉睡库存，同时清楚地筛出真滞销，这套自动化的投入就已经够本了。

这个案例还带来一个额外收获，解决了老板一直头疼的问题：哪些长尾件该继续备货、哪些该砍。过去全凭经验判断，现在僵尸竞选相当于给每个沉底配件做了一次市场检验：救活的说明有需求、值得保留，救不活的说明该退出。选品和备货决策因此有了实际数据支撑。一套原本为广告设计的机制，最后反过来支持了整个供应链的判断，这是当初没有预料到的收获。

僵尸SKU竞选的核心：给被冷落商品公平的曝光机会

这套打法可以概括为一句话：与其让有潜力的商品在算法循环里零曝光地沉没，不如给它们一个专属环境，积累能证明自己的表现数据。

它的巧妙之处，是用Google的自动化去抵消Google自身的偏向。算法天然偏爱表现强的商品，那就单独划出一块，让表现弱的商品也有机会做出成绩、重新被算法看见。自动化让这件事可以规模化：成千上万个商品按表现自动进出，恢复过来的毕业，恢复不了的被确认清退，全程几乎不需要人盯。

对大目录电商，尤其是靠长尾差异化的出海站来说，这套打法的价值不在那两周打平的ROAS，而在于把一份原本闲置的库存资产，重新变成可以主动调度的资源。你手里几千个沉底商品里到底埋着多少潜力，值得花些力气去验证。别等它们在算法的角落里彻底沉没，才想起当初还进过这批货。

常见问题解答

僵尸SKU竞选会不会把预算浪费在卖不动的商品上？会有一部分，但这本身就是它的设计意图之一。它用一笔可控的预算，给沉底商品一次公平的曝光机会，能救活的救活，救不活的也顺便确认了是真滞销。关键是控制好阈值和预算，别让它变成无限烧钱的黑洞。真正卖不动的商品，拿到曝光后仍然零转化，就该转去清仓，不要继续投放。

这套打法和普通的PMax竞选有什么区别？区别在目标和商品范围。普通PMax追求ROAS和销量，纳入的是你想主推的商品；僵尸竞选的目标是给低表现SKU积累数据、让它们毕业，纳入的专门是那批零流量的沉底商品，而且这些商品要从标准竞选里排除，避免重叠。目标不同，衡量标准也不同。

为什么一定要把僵尸SKU从标准购物竞选里排除？不排除的话，同一个商品会同时出现在标准竞选和僵尸竞选里，两个竞选互相抢展示、抢预算，既浪费钱又让数据混乱，你分不清效果到底来自哪个竞选。排除是为了让僵尸竞选成为这批商品唯一的投放出口，数据才干净。

ROAS只有100%左右，这样的竞选值得做吗？对僵尸竞选来说，值得。它的首要目标不是赚钱，而是给零产出的商品积累表现数据，能做到广告费大致打平已经超出预期。真正的回报在后面：这些数据会在商品毕业回到标准竞选后，改善它们的长期表现。用核心竞选的ROAS标准要求僵尸竞选，是用错了衡量标准。

多久评估一次僵尸SKU的进出比较合适？取决于目录规模和更新频率。自动化跑起来后，识别和打标签可以做到接近实时或每天一轮；整体效果的评估，尤其是毕业商品回到标准竞选后的表现，建议按周或按月看，给数据留出积累的时间，不要根据日波动做决策。

小目录电商也有必要做僵尸SKU竞选吗？要看是否有大量长期零流量的商品。如果目录不大、每个商品都还能拿到一些曝光，这套打法的收益有限。它最适用的是上千上万个SKU、头部吃掉绝大部分流量、长尾大面积沉底的大目录。小目录可以先用简化版思路，手动挑几个沉底商品单独测试。

怎么防止这套自动化误伤本来正常的商品？关键在于阈值定得准，并留出缓冲。不要用单一指标一刀切，最好综合展示、点击、库存等多个维度判断；同时给毕业设一个明确、不太苛刻的标准，让恢复过来的商品能顺利回到原竞选，避免在两个竞选之间反复切换。上线初期多做几轮人工抽查，确认逻辑没有误判，再交给系统自动运行。

出海做这套，最容易踩的坑是什么？最常见的是用全局数据判断僵尸，把某个区域市场的爆品误判为僵尸。出海涉及多个市场，同一个SKU在不同市场的表现可能差别很大，识别时最好按市场分别判断。其次是feed本身的质量：多语言、多货币的大feed容易出现脏数据，feed一乱，整套识别和打标签逻辑都会出错，所以要先把基础的feed治理做好。

僵尸竞选跑多久才能看出效果？展示和点击这类前端信号，通常一两周就能看到从零到有的变化，前面那组两周数据就是例子。真正要看的效果，也就是毕业商品回到标准竞选后表现有没有变好，需要更长的观察窗口，通常按月甚至按季度评估更可靠。不要用两周的早期数据下长期结论，既容易高估，也容易低估。

PMax是黑盒，我怎么知道钱到底花在哪些僵尸件上了？PMax的透明度确实有限，但可以通过几个途径看个大概：竞选层面的展示、点击、转化总数可以直接查看；结合标签中转站那张表，能知道当前哪些SKU在竞选里；再参考Merchant Center的商品级报表，能大致看出哪些商品拿到了曝光。做不到像标准购物那样每个词、每个商品都看得清清楚楚，但对僵尸竞选积累数据这个目标来说，看总量趋势和进出名单基本够用。

这套打法会不会和我主推的PMax竞选冲突？商品范围重叠的话会冲突。解决办法仍然是排除：确保僵尸竞选里的SKU不出现在主推的PMax或标准购物竞选里，让每个竞选各管一批商品。只要商品边界划清楚，两个竞选就是分工关系，不会互相抢量：一个负责放大你想主推的爆款，一个负责唤醒沉底的长尾商品。