投流的 bi 系统是什么呢
投流的 BI 系统，本质是广告投放的数据中台 + 决策引擎。
核心做几件事：
1. 数据聚合
把多渠道（抖音千川、快手磁力、腾讯广告、巨量引擎等）的投放数据拉到一起，统一口径，不用去各个后台来回切。
2. 实时监控
消耗、ROI、CPM、CPC、CTR、转化率这些核心指标实时看板，异常预警（比如成本突然飙了、计划跑飞了）。
3. 归因分析
把"曝光→点击→转化→付费"这条链路串起来，搞清楚到底是哪条计划、哪个素材、哪个人群包真正在出效果。这个是 BI 最难也最有价值的部分。
4. 素材和人群分析
哪个素材衰退了该换，哪个人群包跑得好该放量，A/B 测试结果对比。
5. 自动化规则
比如 ROI 低于某个阈值自动关计划、预算撞线自动加投，减少人工盯盘。
市面上常见的：
- 自研的多（尤其大投放量的公司），基于 ClickHouse + Superset/Grafana 那套
- 第三方 SaaS：热云、Adjust、AppsFlyer（偏归因）、GrowingIO、神策（偏用户行为）
- 巨量自己也有数据洞察产品
你是想了解这个概念，还是在看什么相关项目/公司？
什么叫 B 和 I
BI = Business Intelligence，商业智能。
- B — Business（商业）：业务、生意。指的是你的广告投放这门生意，所有跟钱和效果相关的数据。
- I — Intelligence（智能/情报）：不只是报表，而是能从数据里提炼出决策依据——哪些素材该换、哪些计划该关、预算往哪调。
说白了，BI 系统就是用数据告诉你生意发生了什么、为什么会发生、接下来该怎么做。报表是"看到"，智能是"看懂"。
这个投流场景的 ai agent 要怎么做，我不太理解他们的业务场景，帮我讲讲吗？
好，我把这个场景从头拆一下。
投流是什么
你在抖音刷到的带货直播、信息流广告、应用下载——这些广告位是投放来的。广告主（比如一个卖课的公司、一个游戏厂商）往抖音/快手/腾讯广告里砸钱，买曝光、买点击、买转化。
这个链路大概是：
钱 → 广告平台（千川/磁力/腾讯广告）→ 曝光 → 点击 → 落地页 → 转化（下载/付费/留资）
投流操盘手每天盯着后台，调出价、换素材、开关计划、测人群包。一个月消耗几百万到几千万的团队，操盘手可能就 3-5 个人，一个人管几百条计划。
核心痛点（为什么需要 AI agent）
人工投流有几个天然的瓶颈：
1. 同时盯的维度太多
一条计划有出价、预算、定向人群、素材、时段、投放位置……几十个参数。几百条计划就是上万维度的决策空间，人脑根本算不过来。
2. 决策有延迟
ROI 崩了半小时才发现，素材衰退了还让它跑了两天，这烧的都是真金白银。
3. 经验不可复制
老投手值钱，但新人上手慢。张三会跑美妆但不会跑 3C，李四懂千川但不懂磁力。
AI Agent 在这个场景做什么
不是"AI 帮你自动投"，那个不现实。实际是分层的：
第一层：数据层 agent（替代 BI 看板）
- 把多渠道数据拉通，实时算 ROI、消耗、转化成本
- 异常自动报警："这条计划的 CPA 比过去 3 天均值高了 40%，可能是素材衰退了"
- 人不用盯屏
第二层：建议层 agent（替代初级投手做分析）
- "这波素材的 3 秒完播率掉了，建议换 B 组素材测试"
- "你的人群包 A 跟人群包 B 重叠度太高了，建议合并"
- "明天是周末，历史上周末 CPA 会高 15%，建议预算往周内倾斜"
第三层：执行层 agent（替人做重复操作）
- ROI 低于阈值 → 自动关计划
- 预算撞线 → 自动加投
- 新计划冷启动 → 自动按阶梯出价测
为什么这个场景特别适合 agent
因为它是一个数字化的、反馈闭环极短、决策频率极高的环境：
- 数据全是结构化的（消耗、出价、转化、ROI，都是数字）
- 反馈快到分钟级别（不像做品牌投放，效果要等几周才知道）
- 决策规则可以被验证（调了这个参数，ROI 变好了还是变差了，十分钟就知道）
这是 AI agent 最容易跑通的商业场景之一——比客服、比销售、比 HR 都更适合。
回到你的投资视角，你是不是在看某个做投流 AI 的项目 / 公司？还是想了解这个赛道有哪些玩家？
如果用 agnet 做的话，agent 的输入和输出是什么？数据的格式是什么呢？
拿一个具体的例子讲更清楚。假设一个游戏公司在抖音投广告拉新用户，日预算 5 万。
Agent 的输入
分三类：
一、投放目标（人设定的）
日预算: 50000 元
考核指标: 激活成本 ≤ 30 元 / 首日付费 ROI ≥ 1.2
投放周期: 5 月 27 日 - 6 月 15 日
平台: 抖音千川
二、资产素材（有什么可投的）
视频素材: [A-游戏画面混剪.mp4, B-主播口播.mp4, C-玩家实录.mp4]
落地页: https://xxx.com/download
文案池: ["开局十连抽", "不氪金也能玩", "女朋友让我删掉的游戏"]
三、实时/历史数据（已经发生了什么）
计划 001: 消耗 3200, 曝光 12w, 点击率 3.2%, 激活成本 28 元, ROI 1.5
计划 002: 消耗 8000, 曝光 15w, 点击率 1.1%, 激活成本 55 元, ROI 0.6 ← 快赔钱了
计划 003: 消耗 1200, 曝光 3w, 点击率 4.8%, 还在冷启动
Agent 的输出
不是"给你一段分析文字"，而是结构化的决策指令：
→ 计划 002: 关停（激活成本超阈值 83%，素材 B 衰退）
→ 计划 003: 加预算 +50%（冷启动数据好，放量测试）
→ 计划 001: 保持观察
→ 建议: 素材 A 和 C 的表现接近，做一版 A+C 混剪提给设计
输出的本质就三类动作：
- 启停：关 / 开 / 暂停
- 调价：出价 +10% / -20%
- 换素材：下掉旧的 / 上新素材 / 建议做新方向
数据格式
贯穿整条链路的都是 JSON，这是行业标配：
广告平台回传的数据（千川/巨量 API 吐出来的）大概是：
{
"campaign_id": "12345",
"ad_id": "67890",
"impressions": 120000,
"clicks": 3840,
"ctr": 0.032,
"conversions": 114,
"spend": 3200.00,
"cpa": 28.07,
"roi": 1.52,
"timestamp": "2026-05-27T14:00:00Z"
}
Agent 内部流转也是 JSON，方便各个子模块之间传：
{
"ad_id": "67890",
"decision": "pause",
"reason": "cpa_exceeds_threshold",
"confidence": 0.92,
"suggested_alternative": "switch_to_creative_A"
}
Agent 出的建议最后也映射成平台 API 调用，闭环执行：
Agent 决策 JSON → 调千川 API → 计划真正被关掉/改价
总结一句话
这个 Agent 做的事就是：把实时数据流（JSON 进）→ 决策模型 → 操作指令（JSON 出）→ 自动调平台 API。数据全程结构化，没有非结构化文本的麻烦，这就是为什么这个场景特别适合 agent——输入输出都天然是机器可读的，闭环可以做到分钟级。