僵尸SKU怎么救活？用Performance Max给零流量商品再来一次机会

摘要：大目录电商里，总有一批商品不声不响地掉进了裂缝——不是货不好，也不是缺货，就是拿不到流量，然后越没流量越没数据，越没数据越拿不到流量，活活熬成一具具僵尸SKU。与其让它们零曝光地枯坐，不如给它们单独开一个Performance Max竞选，逼着算法重新给它们一次机会。这篇讲清楚僵尸SKU怎么形成的、怎么用一套BigQuery加Feedonomics的自动化把它们捞出来复活、两周实测数据长什么样，以及为什么衡量这套竞选不能只盯ROAS。

先说个电商投手都熟悉的场景。你的商品库有上万个SKU，其中头部那几百个吃掉了绝大部分预算和流量，剩下成千上万个躺在库里，展示量常年挂零。你知道它们不差，甚至有些利润还挺高，可就是没人看得到。

这不是你的错，是算法的天性。Google的机器学习天然偏向那些已经有强表现信号的商品，效率是高，但副作用就是把低量SKU一步步挤出局。今天讲的这套僵尸SKU打法，就是专门来打破这个循环的。

先把结论摆前面：这套打法的巧妙，不在于多花钱，而在于换个环境给沉底商品重新攒数据的机会。它用一笔可控的小预算，配上一套自动化，让上万个被算法冷落的商品按表现自动进出——有救的捞回来，没救的筛出去。接下来这篇会把它从原理到落地讲透，包括怎么定阈值、怎么给预算、怎么防止它和别的竞选打架，以及没有那些高级工具时怎么简化着做。不管你是管着几万SKU的大目录，还是手里就几百个商品的小站，都能各取所需。

什么是僵尸SKU？好好的商品怎么就没流量了？

僵尸SKU这个说法不新鲜，成因也简单：一个商品一旦停止获得流量，它就停止积累Google服务它所需要的那些信号。没有展示，就没有点击；没有点击，就没有转化数据；数据一少，算法就更不敢把流量分给它。这么一圈下来，商品就陷进了一种作者称之为SKU炼狱的状态——明明还在架上卖，却像被判了无期，永远出不了头。

要命的是，这种状态会自我强化。它不是掉一次流量就完了，而是掉了之后越陷越深，因为每一天的零展示，都在让算法对它的判断更悲观。你不主动干预，它就一直烂在那儿。这跟老库存里讲 DTC海外仓SKU周转率管理、滞销预警怎么做 是一体两面：那篇管的是仓库里的滞销，这篇管的是广告里的滞销，一个是货压在库里，一个是商品埋在算法里。

要注意，僵尸SKU和真正的滞销品不是一回事，这个区分是整套打法的前提。真滞销是没需求——东西本身就没人要；僵尸则是有需求、却没机会——东西可能有人要，只是算法从没给它出场的机会。二者从后台看都是零展示、零成交，长得一模一样，可病根完全不同，处理方式也截然相反。真滞销该清仓，僵尸该救。这套打法的一大价值，恰恰是帮你把这两类长得像、实则不同的商品分辨开——而在没有它之前，很多人把有救的僵尸，当成没救的滞销一并砍掉了，白白损失了潜力。

还有一点要澄清：僵尸SKU未必是新品或冷门品。一个曾经的爆款，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。所以别按老印象去判断谁是僵尸，一切以数据为准——后台连续几周零展示、但库存还在的，就该进入你的排查视野，不管它当年多风光。

富者愈富的死循环，到底是怎么形成的？

把这个循环拆开看，你会更明白它为什么难自愈。

大目录电商最大的挑战之一，就是Google的机器学习天然偏向那些历史表现好的商品。从算法效率的角度，这很合理——把钱花在已经证明能转化的商品上，回报最稳。可副作用是造出了一个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；而历史数据本就少的商品，连一个证明自己的机会都摸不到。

问题在于，缺数据不等于没需求。很多SKU只是从没被摆到对的人面前，而不是真的没人要。可算法不会替你去试，它只会照着既有的数据往下走。于是你手里那些有潜力的商品，就在这个循环里被系统性地忽略了。你不打破它，它自己不会破。

换个比方，这有点像一家大公司里的用人机制。老板永远把重要项目派给那几个已经证明过自己的明星员工，因为最保险；可那些还没机会露脸的新人，就永远接不到能证明自己的活，慢慢就被边缘化了，哪怕他们里面藏着更能打的人。算法对待SKU，就是这么个逻辑。僵尸竞选做的事，相当于专门给这些新人开一个能露脸的小项目，让他们有机会跑出成绩、重新被看见。

这个循环还有个隐蔽的代价：它会让你对自己的商品库产生错觉。你看后台数据，觉得就这几百个爆款能打，其余都是累赘，于是越发只喂爆款。可真相可能是，那几千个沉底商品里，有相当一部分只是从没得到过公平的测试机会。不打破循环，你永远不知道自己手里到底压了多少被埋没的潜力。

为什么偏偏用Performance Max来救僵尸SKU？

选Performance Max，是因为这恰好是Google的自动化能反过来为你所用的地方。

标准购物广告的打法，很大程度上还是在你已知的需求里做文章。而Performance Max的长处，正是去挖那些标准购物没发掘到的机会和需求口袋。Google官方对它的定位就是跨YouTube、展示、搜索、发现、Gmail、地图等渠道，找到更多会转化的新客户。有时候，一个被冷落的SKU缺的就是这个——不是更高的出价，而是被摆到一个它从没出现过的场景里，撞上一个恰好想要它的人。

这里有个反直觉的点值得点破：PMax的黑盒和跨渠道，平时被很多投手当成缺点吐槽，因为不好控盘。可对救僵尸SKU这个特定任务来说，这恰恰是优点。你要的就是让算法带着这些商品，去它自己都想不到的角落里碰运气——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撞上新需求的地方。换句话说，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，全看你让它干什么活。

所以这套打法的逻辑是：当一个SKU跌破某些表现阈值，别再让它留在原来的标准购物竞选里继续零流量地耗着，而是自动把它挪进一个专属的僵尸SKU Performance Max竞选。目标不是硬砸预算给差品，而是给被冷落的商品，一次重新竞争的机会。一旦它们重新产生了展示、点击乃至转化数据，Google对它们的理解就改善了；能证明自己的，就凭本事回归原竞选。想更系统地理解PMax的脾气和控盘方式，老库存那篇 PMax六个月DTC实战避坑 讲得比较全，这里只聚焦僵尸SKU这一个具体战术。

这套僵尸SKU竞选，具体怎么自动化跑起来？

先说清楚，用Performance Max之前，这种僵尸竞选常常得不偿失——手动把SKU一个个挪进挪出，太费人工，管上万个商品根本管不过来。这套打法能成立的关键，是把手动那一环彻底去掉。

整套流程是这样运转的：

• 用BigQuery建一套自定义逻辑，持续评估每个SKU。什么算僵尸SKU，由你按自己的业务定，但目标一致——找出那些实际上已经停止获得有意义机会的商品。
• 合格的僵尸SKU导出到一张Google Sheet。这张表就是流程里的中转站，谁进谁出一目了然。
• Feedonomics读这张表，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框出来，正是feed管理里把低效品隔离出来单独盯的经典用法。
• Google Ads根据这个标签，把这些商品纳进专属的Performance Max竞选。标签是那把钥匙，Google Ads认标签不认别的。
• 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，同一个商品在两个竞选里自己跟自己抢，白烧钱。
• 一旦某个SKU不再符合僵尸标准，标签自动移除，商品回归原竞选。整个进出全自动，几乎不用人插手。

自定义标签怎么在商品数据里落地、能按什么维度切，老牌PPC团队整理的 Merchant Center自定义标签用法指南 讲得很细，配合着看能少踩不少坑。

这套流程里，最容易被低估的是那张Google Sheet中转站的作用。它看着不起眼，其实是整个系统的仪表盘——谁被判成了僵尸、谁刚毕业出去，都在这张表上一目了然。有了它，你不用钻进BigQuery的查询里，也不用翻Google Ads的后台，扫一眼表就知道系统在怎么运转。对需要跟老板或团队对齐的人来说，这张表还是最好的沟通工具。

还要强调一点：整套链路是单向自动流转的，人的角色从执行者变成了规则制定者和监督者。你定的是什么算僵尸、什么算毕业这两条线，剩下的识别、打标、纳入、排除、移除，全交给系统。这跟传统那种投手天天盯后台手动调的模式是两个物种。它把你从重复劳动里解放出来，让你能把精力放在更值钱的判断上——比如阈值该松还是该紧、预算该加还是该减。

两周实测数据，到底长什么样？

光讲逻辑不够，看一组作者正在为某客户测试的僵尸SKU竞选早期数据。同样一批13,829个SKU，僵尸竞选启动前后的对比是这样的：

仅仅两周，超过13,800个此前几乎零机会的SKU，开始产生展示、点击乃至转化数据。从零到有，这一步跨过去，意义比那个101.77% 的ROAS数字本身要大得多。零和非零之间，隔的不是一点点量的差距，而是一道能不能被算法看见的门槛——跨过去，这些商品才第一次拥有了自己的表现履历。

把这张表拆开读，几个数字值得多看两眼。展示从0到近20万，说明这批商品终于被大规模摆到了人面前，这是攒数据的前提。点击1,617，意味着确实有真实用户对它们动了心，不是白曝光。转化24.42这个带小数的数字，是Google按转化价值折算的结果，不用纠结那个零头，重点是它不再是0——这批僵尸里，是真的藏着能成交的商品。而ROAS做到101.77%，等于广告费大致打平，这在一个目标压根不是赚钱的竞选里，已经是意外之喜。

要提醒的是，这只是两周的早期数据，样本还小，别拿它当成能复制的收益承诺。它真正证明的，不是这套打法能赚多少钱，而是那个更基础的判断成立了：这些被算法判了死缓的商品，一旦给机会，是能跑起来的。这一点，才是整套打法的地基。

为什么衡量僵尸竞选，不能只盯ROAS？

这里要拐一个很多投手转不过来的弯：僵尸竞选的成绩，不能拿核心竞选那把尺子来量。

你的核心购物竞选，首要目标是最大化ROAS或冲销量，那是它该干的活。可僵尸竞选的首要目标压根不是赚钱，而是为这批低表现SKU攒够展示、点击、转化数据，让它们有资格毕业、回到标准购物里去。换句话说，这个竞选是拿一笔可控的预算，去买这些商品的数据履历。

这个心态转变，是很多投手一开始最不适应的地方。做惯了盯ROAS、砍低效竞选的人，看到一个ROAS才100% 出头的竞选，第一反应就是想关掉它。可你要是用这把尺子去量僵尸竞选，等于一上来就把它判了死刑，而它本来该被衡量的价值——攒了多少数据、有多少商品毕业、毕业后表现改善了多少——你压根没看。用错尺子比不量还糟，因为它会让你在错误的信号下做出错误的决定，亲手掐死一个本来在起作用的机制。

那到底该拿什么当僵尸竞选的成绩单？几个更贴切的指标：这段时间里有多少SKU从零展示变成了有数据、有多少攒够数据顺利毕业、以及最关键的，毕业生回标准竞选后整体表现有没有抬升。这些才是这个竞选真正该被考核的东西。ROAS在这里最多算个副产品——能打平当然好，打不平只要数据攒到了，也不算失败。把考核的注意力从赚了多少，挪到救活了多少、筛清了多少，你才算真正理解了这套打法。

所以你要透过竞选目标的视角去看结果。101.77% 的ROAS放在核心竞选里可能不算亮眼，但放在僵尸竞选里，它说明这批本来零产出的商品，不光跑起来了，还基本做到了广告费打平——这已经远超预期。真正的收益，藏在后面：这些攒下的数据履历，会在SKU重新进入标准购物后，改善它们的整体表现。评估这类投入值不值，本质是个算账的问题，老库存 用ROI计算器把排名提升量化成收入与回本周期 那套思路，同样能套过来给僵尸竞选算账。

SKU什么时候算毕业？毕业之后怎么办？

毕业的判据，就是它不再符合你当初定的那套僵尸标准——重新有了稳定的展示、点击、转化，说明算法已经重新认识它了。

这时候标签自动移除，商品回到原来的标准购物竞选，把僵尸竞选的位置腾出来，给下一批被冷落的商品。这个进出是动态的、循环的：一批毕业，一批补进来，僵尸竞选就成了一条常设的康复通道，而不是一次性的活动。把它想象成一间健身房的康复区——伤员进来做恢复训练，练好了归队，队里新伤的再补进来，位置永远在流转，而不是练一次就散伙。这种常设性，正是它比一次性大促活动更有价值的地方：它把唤醒沉底商品，从一场运动变成了一项持续运转的机制。

毕业之后还有一步，是你真正要盯的：这些SKU带着新攒的展示、点击、转化历史回到标准购物后，整体表现到底有没有变好。这才是检验整套打法值不值的终极问题。如果毕业生回去后确实更能打了，说明这条康复通道跑通了；如果回去又打回原形，那就得回头看是不是标准竞选本身的结构有问题。

这里有个细节要小心：毕业标准别定得太苛刻，否则商品会在两个竞选之间反复横跳。想象一个SKU刚攒够数据毕业回标准竞选，结果标准竞选里竞争激烈，它很快又掉回僵尸线，被重新捞进来——这么来回折腾，既浪费预算，数据也乱。合理的做法是给毕业设一个稍微宽松、且有一定持续性要求的标准：不是昙花一现地达标一次就放行，而是要连续一段时间稳定达标，才算真毕业。给这个过渡留点缓冲，能让商品的回归更平稳，也让整套系统的进出节奏更从容。

僵尸竞选的预算该怎么给，结构怎么搭？

光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健推进还是失控烧钱。

预算上的原则是可控且克制。僵尸竞选的目标是给沉底商品攒数据，不是抢销量，所以不需要、也不该给它太大的预算。一个常见的做法，是先从一个能覆盖住这批SKU基本曝光需求的小预算起步，观察它多久能攒出有意义的数据，再决定要不要加。给太多，你会分不清效果是打法带来的还是预算砸出来的；给太少，商品又攒不够数据毕不了业。找到那个刚好够用的量，是需要试出来的。

结构上，最关键的一条是让僵尸竞选和标准竞选各管各的、互不打架。这就回到了前面说的排除——被纳入僵尸竞选的SKU，必须从标准购物竞选里排干净。做不到这一点，同一个商品会在两个竞选里自己跟自己抢量，数据也会脏得没法看。另外，僵尸竞选内部也可以按品类或利润再切几个资产组，让不同类型的沉底商品有各自的节奏，而不是眉毛胡子一把抓。给出价目标怎么定才不至于把这套竞选带偏，老库存 目标ROAS到底该定多少、四步算到能赚钱 那套方法可以借来给僵尸竞选设一个合理的、宽松些的目标。

怎么防止僵尸竞选和别的竞选互相打架？

这是这套打法里最容易翻车的地方，值得单独拎出来说。

核心矛盾在于，Google的自动化竞选之间会抢量。你的标准购物、主推的PMax、再加上这个僵尸竞选，如果商品范围有重叠，它们就会在同一批商品上互相竞价，结果是抬高了自己的成本、又把数据搅浑。前面反复强调的排除，就是为了斩断这种重叠——僵尸SKU进了康复通道，就必须从别处彻底退出，让这个竞选成为它们唯一的出口。

光排除还不够，还得管好进出的时机。一个SKU毕业回标准竞选的瞬间，要确保它同时从僵尸竞选里被移除，不能两头都挂着。这也正是自动化的价值所在——靠人手动同步这种进出，迟早会出现某个商品在两个竞选里同时存在的窗口期，而自动化能把这个窗口压到最小。上线初期，这块最值得多抽查几轮，确认没有商品脚踩两条船。这类竞选之间的协同分工，本质和 PMax与标准搜索、Meta之间怎么划分地盘 是同一类问题，思路可以互相参照。

自动化，才是这套打法真正的杠杆

说到底，这套打法最大的优势不是Performance Max竞选本身，而是自动化。

没有BigQuery、Feedonomics和自定义标签这套组合，维护成千上万个商品得靠人不停地审、不停地手动挪，光是这个工作量就能把这套打法压垮。有了它们，商品就能按表现在竞选之间自动流动：掉下去的自动进康复通道，缓过来的自动毕业回原竞选，全程几乎不用人盯。

对大目录电商来说，这是一种确保有潜力的商品，不会因为算法一时不优先它，就悄无声息地烂掉的高效办法。产品feed这份数据到底该谁管、值多少，老库存那篇 产品feed到底该谁管 讲得很透，这套僵尸SKU打法，本质上就是把feed当成一份能主动调度的资产来经营的一个具体例子。

值得算一笔账的是投入产出。搭这套自动化，前期要花点力气——数据团队建BigQuery逻辑、配好Feedonomics的规则、调通整条链路，确实不是一天的事。但它是一次性的建设，建好之后近乎零边际成本地长期运转。对比之下，靠人手动维护上万个商品的进出，是每天都在流血的持续消耗。规模越大，这套自动化摊下来越划算。所以判断要不要上，关键看你的目录规模：SKU越多、长尾越厚，自动化的杠杆就越明显；小目录则未必值得，用前面说的简化版手动跑就够。

阈值到底怎么定？多少算僵尸？

这套打法里最需要动脑的，其实是阈值。什么样的SKU才算掉进了僵尸状态，这条线画在哪，直接决定了整套系统好不好使。

阈值没有标准答案，得按你自己的目录和业务来定。一般会综合几个维度：一段时间窗口内的展示量低到什么程度、点击几乎没有、以及这个商品本身还有没有库存、值不值得救。线画得太松，一大堆本就该淘汰的商品涌进来，稀释了预算；画得太紧，又会漏掉那些真有潜力、只是暂时沉底的商品。

实操里的建议是从紧到松慢慢试。先用一个相对严格的标准，圈出那批最明显、最该救的僵尸SKU跑起来，观察效果，再逐步放宽，把更多边缘商品纳进来。别一上来就把闸门开到最大，那样你分不清到底是打法有效，还是单纯砸钱砸出来的动静。

还有个容易忽略的维度，是时间窗口。判断一个SKU是不是僵尸，得看它在一段合理的窗口里的表现，而不是某一天的快照。窗口太短，正常的日波动会被误判成僵尸；窗口太长，又会让真正沉底的商品拖太久才被捞出来。多数目录用几周的窗口比较合适，具体多长，得看你的商品销售周期——快消品短些，耐用品或长尾件长些。把窗口和阈值这两个旋钮配合着调，才能既不误伤、又不漏网。

另外提醒一句，阈值不是定完就一劳永逸的。季节变化、大促前后、新品上架，都会改变什么算正常什么算僵尸。最好每隔一段时间回头审一次阈值，看它是不是还符合当下的目录状态。把它当成一个需要偶尔校准的旋钮，而不是一次性拧死的螺丝。

哪些SKU别硬救？

得诚实承认一件事：不是每个SKU都能复活，那也没关系。

有些商品沉底，不是因为没被看见，而是真的没需求——过季了、被新品替代了、或者压根就是个选品失误。这类商品你把它扔进僵尸竞选，砸再多曝光也换不来转化，那是在拿预算填一个无底洞。这时候更该做的，是走 滞销预警和清仓 的路子，让它体面退场，而不是硬续命。

怎么分辨该救的和该放弃的？看它进了僵尸竞选、拿到了曝光之后的反应。给了它一个公平的机会，它还是零点击、零转化，那基本就是市场在告诉你答案了。僵尸竞选的价值恰恰在这儿：它用一笔可控的预算，帮你把那些只是缺机会的，和那些真的没需求的，干净利落地分开。

换个角度想，这套机制其实帮你把一个模糊的直觉问题，变成了一个可验证的实验。过去你判断一个沉底商品该不该继续投入，靠的是感觉和经验，容易看走眼——要么舍不得砍掉其实没救的，要么误杀了本来有潜力的。现在你给每个沉底品一个统一的、公平的曝光测试，让它用真实的市场反应替你做决定。这比拍脑袋科学得多，也少了很多人为的偏心和纠结。

说到底，僵尸竞选不只是个救商品的工具，它更是个筛选器：把有需求的捞上来续命，把没需求的验明正身送去清仓。这两件事它一次都办了，而且办得比人手动判断更公允。你既省下了误杀潜力品的损失，又省下了在真滞销上继续耗预算的浪费，一进一出，账其实很划算。

没有BigQuery和Feedonomics，能简化着做吗？

能。这套完整流程是给大目录、有数据团队的成熟电商准备的，但它的核心思路，小团队一样能用简化版跑起来。

核心思路就三步：识别出你的僵尸SKU、把它们单独框出来、给它们一个专属的竞选环境。BigQuery只是识别环节的一种实现，你完全可以用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里本来就能手动设自定义标签。规模不大的时候，一个人隔一段时间手动跑一轮，照样能吃到这套打法的大部分好处。

等你的目录大到手动实在忙不过来了，再上自动化那套组合也不迟。别因为没有那些高级工具就觉得这套打法跟你无关——工具是为规模服务的，思路才是核心。

给个更接地气的简化路径：每个月固定抽半天，从Google Ads报表里导出过去几周展示量垫底、但还有库存的那批SKU，在Merchant Center里手动给它们打一个统一的自定义标签，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。一个月后再回来看，哪些有了起色就把标签摘掉放回去，哪些还是死气沉沉就转清仓。整个过程不碰任何代码，一个熟练的投手半天就能跑完一轮。规模再往上走，你自然会知道哪一步最该先自动化——通常是识别那一环，因为手动导数据最累。

出海大目录做这套，还要注意什么？

如果你是做海外市场的大目录电商，这套打法尤其对路，但有几层要多想。

第一层是多市场的阈值不能一刀切。同一个SKU，在一个市场是热销，在另一个市场可能天生就是僵尸，因为那边压根没需求。识别僵尸时最好分市场来判，别拿全局数据把一个区域性爆品误判成僵尸。

第二层是feed的健康度。出海大目录的feed往往又大又杂，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，feed一乱，识别和打标签就全乱了。所以做这套之前，先把feed的基础治理做扎实。整个大目录在搜索侧怎么被有序地发现和收录，老库存 百万SKU的电商sitemap分片策略 那篇是配套的功课。

第三层是别忘了自然流量这条线。付费把僵尸SKU救活的同时，这些商品在自然搜索和AI购物里的可见度，也值得一并盘一盘。付费和自然两条腿一起走，商品才真正立得住。想让商品在AI购物代理眼里也及格，老库存 智能体就绪度自查打分表 那篇可以对照着自查。

一个真实的场景：出海汽配独立站怎么把上万个僵尸件盘活

说个具体的。有个做汽车配件和改装件的出海独立站，目录动辄好几万个SKU，光是各种车型对应的长尾配件就占了一大半。这类目录天生就是僵尸SKU的重灾区——头部那些通用件、爆款件吃掉了几乎所有流量，剩下海量的车型专用件常年零展示。

它一开始的做法很粗放：所有SKU都堆在几个大的标准购物竞选里，靠算法自己分配。结果就是富者愈富，那批长尾配件彻底沉底，卖不动的库存越压越多。后来搭了这套僵尸SKU的自动化：用报表先圈出连续几周零展示、但还有库存的那批件，打上标签单独开了个PMax竞选，同时从原竞选里排除掉，避免自己抢自己。

阈值上它踩过一个坑，值得说。一开始把线画得太松，凡是展示量低的都往里塞，结果一大堆本就该淘汰的过季件、错版件全涌了进来，预算被稀释得看不出效果。后来收紧标准，只圈那些还有库存、且历史上零星有过成交迹象的长尾件，信号一下就清晰了。这也印证了前面那条经验——阈值宁紧勿松，先把最该救的那批跑通，再谈扩大。

跑了一阵，一部分长尾件确实开始有了零星的展示和成交，攒够数据后陆续毕业回了标准竞选；也有一批件在拿到公平曝光后依然纹丝不动，正好借此判定为真滞销，转去走清仓。这里得诚实说一句，同一时期这个站也在优化feed标题和主图，不能把变化全记在僵尸竞选头上；但在此之前，那批长尾件是真的连一个被看见的机会都没有。对一个靠长尾件差异化的汽配站来说，能把沉睡的库存系统性地唤醒一部分、又干净地筛掉真滞销，这套自动化的价值就已经够本了。

这个案例还有个额外的好处，是它顺带解决了一个老板一直头疼的问题：到底哪些长尾件该继续备货、哪些该砍。过去这全靠拍脑袋，现在僵尸竞选相当于给每个沉底件做了一次市场体检——救活的说明有需求值得留，救不活的说明该退场。选品和备货的决策，因此多了一份实打实的数据支撑。一套本来为广告设计的机制，最后反哺了整个供应链的判断，这是当初没料到的收获。

给被冷落的商品，一次公平的机会

把这套打法收束成一句话：与其让有潜力的商品在算法的死循环里零曝光地烂掉，不如给它们一个专属的环境，去积累能证明自己的表现数据。

它的巧妙之处，在于用Google的自动化去对冲Google自己的偏心。算法天然偏爱强者，那就单独辟一块地，让弱者也有机会跑出成绩、重新被算法看见。而自动化让这件事能规模化——成千上万个商品按表现自动进出，缓过来的毕业，缓不过来的验明正身，全程几乎不用人盯。

对大目录电商，尤其是靠长尾差异化的出海站来说，这套打法真正的价值，不是那两周打平的ROAS，而是它把一份原本躺着睡觉的库存资产，重新盘活成了可以主动调度的东西。你手里那几千个沉底商品里，到底有多少被埋没的潜力，值得你花点力气去问一问。别等它们在算法的角落里彻底烂掉，才想起来当初还进过一批货。

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，但这正是它的设计意图之一。它用一笔可控的预算，给沉底商品一个公平的曝光机会，能救活的救活，救不活的也顺便帮你确认了它是真滞销。关键是把阈值和预算都控制好，别让它变成无限烧钱的黑洞。真正卖不动的，拿到曝光还是零转化，就该转去清仓而不是继续投。

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追的是ROAS和销量，纳入的是你想主推的商品；僵尸竞选追的是给低表现SKU攒数据、让它们毕业，纳入的专门是那批零流量的沉底商品，而且要从标准竞选里排除避免重叠。目标不同，衡量的尺子也不同。

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，两个竞选自己跟自己抢展示、抢预算，既浪费钱又让数据变脏，你分不清效果到底是哪个竞选带来的。排除是为了让僵尸竞选成为这批商品唯一的出口，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攒数据履历，能做到广告费大致打平已经超预期了。真正的回报在后面——这些数据会在商品毕业回标准竞选后，改善它们的长期表现。拿核心竞选的ROAS标准来要求僵尸竞选，是用错了尺子。

多久评估一次僵尸SKU的进出比较合适？取决于你的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；但整体效果的评估，尤其是毕业生回标准竞选后的表现，建议按周或按月看，给数据留出积累和沉淀的时间，别盯着日波动做决策。

小目录电商也有必要做僵尸SKU竞选吗？看你有没有大量长期零流量的商品。如果你的目录不大、每个商品都还能拿到些曝光，那这套打法的收益有限。它真正的用武之地，是那种上千上万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的思路，手动挑几个沉底品单独测试。

怎么防止这套自动化误伤本来正常的商品？关键在阈值定得准，以及给一个缓冲。别用单一指标一刀切，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的、不太苛刻的标准，让缓过来的商品能顺畅地回到原竞选，而不是在两个竞选之间反复横跳。上线初期多人工抽查几轮，确认逻辑没误伤，再放手让它自动跑。

出海做这套，最容易踩的坑是什么？最容易踩的是拿全局数据判断僵尸，把某个区域市场的爆品误判成僵尸。出海是多市场的，同一个SKU在不同市场的表现可能天差地别，识别时最好分市场来判。其次是feed本身的质量——多语言多货币的大feed容易出脏数据，feed一乱，整套识别和打标签的逻辑就跟着乱，所以基础的feed治理要先做扎实。

僵尸竞选跑多久才能看出效果？展示和点击这类前端信号，往往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。但真正要看的效果——毕业生回标准竞选后表现有没有变好——得给它更长的窗口，通常按月甚至按季度评估更靠谱。别用两周的早期数据去下长期结论，那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，但你能通过几个抓手看个大概：竞选层面的展示、点击、转化总数能看，配合那张标签中转站，你知道当前哪些SKU在竞选里；再结合Merchant Center的商品级报表，能大致看出哪些件拿到了曝光。做不到像标准购物那样每个词每个品看得一清二楚，但对僵尸竞选攒数据这个目标来说，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？会，如果商品范围重叠的话。解决办法还是排除：确保僵尸竞选里的SKU，不出现在你主推的PMax或标准购物里，让它们各管各的一批商品。只要商品边界划清楚，两个竞选就是分工而非抢食的关系，一个负责放大你想主推的爆款，一个负责唤醒沉底的长尾。