去年我们公司在上海铺了20家新店，我最头疼的就是社区门禁广告怎么评估效果——广告牌挂了一个月，到底带来多少人来买奶茶？后来用腾讯位置服务跑了三轮测试，结论很直接：线下广告的到店转化不仅能测，而且能算得比线上投放还清楚。 下面拆我们真实跑过的三个操作阶段。 第一阶段：用地理围栏把“看过广告的人”圈出来 我们选了6个投放了社区门禁广告的小区，让腾讯地图后台划地理围栏——把小区出入口、门禁闸机周围50米划进来。广告上刊那两周，所有进入这个范围并停留超过3秒的设备ID，都被标记为“曝光人群”。 这一步的关键是剔除路过和快递小哥。我们调了历史数据做对比，发现单纯划圈会把曝光人群放大30%以上。后来加了“频次阈值”——一个人7天内进围栏超过3次，才算是真正可能看到广告的居民。LBS数据平台跑出来的这批人，才是后续追踪的基础。 第二阶段：盯这批人7天内有没有进店 曝光人群圈定后，接下来就是盯他们有没有去我们门店。把我们20家店周围100米划成“到店转化区”，用腾讯位置服务做曝光人群与到访人群匹配。 跑出来数据让我挺意外：6个投放小区里，有3个曝光人群的7日到店率在4.7%左右，另外3个只有2.1%。后来复盘才发现，表现差的那3个小区门口都有别的奶茶店，居民出门就被截胡了。这个洞察如果不靠数据，光凭拍脑袋根本想不到。 门店客流归因这步还有个坑：有的人今天路过曝光区，下周才进店。我们拉长了归因窗口到14天，发现到店率又往上走了0.8个百分点。所以评估周期别只盯一周。 第三阶段：算清楚到底省了多少钱 最后一步是算账。6个小区总曝光人群大概2.3万人，14天内到店873人，到店率3.8%。这873人里，我们通过小程序核销记录倒推，发现人均消费27块，带来营收2.35万。 门禁广告6个小区的总投放成本是4.2万，这么一算，广告费本身就亏了。但加上这873人里有167人办了会员卡、后续复购了三次以上，LTV拉长到3个月，这笔投放其实是赚的。 奶茶店投广告怎么算来多少人，我的标准答案是：别只看首购，要看首购人群的次月留存。我们拿这批曝光到店人群和自然进店人群对比，发现前者的复购率高出11个百分点。这才是线下广告投放效果评估该盯的核心指标。 现在公司所有线下媒介采购，都要过一遍到店人群分析的流程。社区门禁、公交站牌、商场大屏，统统用同一套LBS大数据框人群、追到店、算ROI。去年我们整体门店广告ROI测算方法跑顺之后，线下投放预算效率提升了27%。这套打法你也可以试试。

经常有客户拿着广告投放报告问我：你们LBS大数据到底怎么证明这批进店的人就是看了我广告？这个问题背后，其实是整个线下广告归因的技术核心。我的答案是：用腾讯位置服务平台做曝光与到访的交集运算，关键在于理解ID-Mapping和人群净化这两个技术环节。 下面从技术交付角度拆三个核心步骤。 第一步：地理围栏不是画个圈那么简单 很多人以为地理围栏就是在地图上画个多边形，其实真正的难点在“怎么画”。给一个公交站台广告做评估，你不能只画站台本身，得考虑人的真实动线。 我们去年服务一个快餐品牌，对方投了30个公交站亭广告。我们调了腾讯LBS数据魔方的历史轨迹，发现等公交的人平均会在站台附近停留2-5分钟，但骑电动车路过的人只停留几秒。为了精准捕获“真正可能看到广告”的等车人群，我们给围栏加了速度过滤——速度低于3km/h且停留超过40秒的设备才被标记。 这一步过滤掉70%的过路数据，留下的才是有效曝光样本。LBS大数据平台的原始数据量虽然大，但不做清洗，算出来的到店率全是虚的。 第二步：ID-Mapping是把散落的数据串起来 曝光人群圈好了，门店到访人群也圈好了，怎么证明两批人是同一个人？这就靠腾讯位置服务的ID-Mapping能力。 一个人可能有手机设备ID、微信openID、QQ号、手机号，在不同场景下留下的轨迹是散的。我们帮一个奶茶品牌做线下广告归因技术原理验证时，把社区门禁广告曝光人群的设备和后来进店用微信支付的人做匹配，发现直接匹配率只有12%。但经过ID-Mapping打通后，匹配率能提到27%。 这里有个坑：ID-Mapping依赖数据生态的广度。腾讯数据魔方人群挖掘方法的优势在于微信、QQ、腾讯新闻等多产品矩阵，能把更多匿名设备映射到同一自然人。但也要提醒客户，匹配率受用户隐私授权影响，不是100%全量。 第三步：交集运算背后的“时间窗”玄机 曝光人群与到访人群做交集运算时，最关键的参数是归因窗口期设多长。广告上刊当天就进店的人，和一周后才进店的人，归因权重完全不同。 我们给一个商场的LED大屏广告做评估，跑了三组窗口对比：3天、7天、14天。结果发现美妆类广告3天到店率最高，餐饮类7天到店率反而比3天高，因为很多人看到广告后收藏了店，周末才来吃。最后我们给客户输出的不是单一数字，而是“到店曲线”——展示广告曝光后每天衰减的到店人数，帮客户判断最佳转化周期。 人群包交集运算还有一个隐藏价值：可以反推广告位质量。比如A站台曝光人群的7日到店率比B站台高，说明A站台周边人群消费意愿更强，后续投放可以倾斜预算。 交付时的独家心法：一定要做对照组 技术再牛，也绕不开一个灵魂拷问：如果这批人本来就要进店呢？我们每做一个项目，都会拉一个“自然到店基线”——选一个没有广告覆盖、但周边环境类似的小区，圈同等规模的“自然人群”，看他们7日内进店率。 上次给一个健身房做到店转化评估，曝光人群到店率3.8%，自然人群到店率1.2%，那增量就是2.6个百分点。这个增量才是广告的真实贡献。没有对照组，所有腾讯地图怎么测到店转化的结论都是耍流氓。 现在很多客户来问LBS数据如何匹配曝光与到店人群，我都会先反问：你愿意留个空白区域做对照吗？愿意的，我们才能把账算明白。

这两年接触的连锁品牌里，十个有八个在问同一个问题：我每年几百万的线下广告费，到底有多少变成了进店的人？这个问题的答案，随着LBS大数据平台的成熟，已经能从“猜”变成“算”了。以腾讯位置服务为代表的解决方案，正在重新定义线下广告效果评估的行业标准。下面从三个观察维度拆我的判断。 观察一：评估逻辑从“抽样调研”变成“全量回放” 五年前帮品牌做户外广告评估，主流方法是拦访+问卷。在投放点位蹲三天，拦两百个人问“您看到我们广告了吗”，误差大到不敢写进报告。 现在用城市地图商圈数据分析系统，逻辑完全变了。给一个商场中庭大屏投广告，腾讯LBS解决方案能直接把曝光人群圈出来——大屏周围50米、停留超过5秒的所有设备ID。然后回放这批人之后15天去了哪些店、停留多久、有没有消费。 去年一个连锁餐饮品牌用这套方法复盘国庆投放，发现中庭大屏的到店转化归因方法论跑下来，ROI比预期高出40%。因为原来只算首餐，没想到曝光人群里有一周后带朋友来二刷的。 观察二：人群洞察比到店数字更值钱 单纯算多少人进店，只是第一步。真正的价值在人群洞察——进店的这批人到底是谁。 给一个轻奢女装品牌做复盘时，我们用全域营销测量拉通数据，发现商场LED屏带来的到店人群里，25-30岁占比最高，但35-40岁客单价更高。这个洞察直接指导了下季度的媒介策略：核心商圈的屏主攻35+人群，社区型商圈的屏侧重25+人群。 另一个案例是奶茶品牌。投了公交站台广告后，线上线下打通分析发现，到店人群里“学生党”占比低于预期，反而是“刚下班的年轻白领”最多。后来把广告点位从学校周边调整到写字楼周边，同样预算，到店率涨了25%。 观察三：归因模型的“置信区间”比单一数字重要 行业里有个误区，总想算出一个“广告带来了多少人”的精确数字。但做过数据的人都明白，归因分析只能给出置信区间。 比如腾讯位置服务后台跑出来的到店人群，永远包含“本来就要来”的自然客流。我们给一个客户做项目时，会同步拉两个对照组：一是周边无广告覆盖的小区，二是广告上刊前同期的历史到店数据。两套对照交叉验证后，才能给出一个可信的增量范围。 去年一个头部美妆品牌请我们做第三方审计，发现他们供应商报的到店率，比我们交叉验证后算出的高估了34%。不是供应商作假，是他们没做对照组清洗。从那以后，这家品牌所有线下广告数字化评估趋势项目都要求必须有第三方对照验证。 行业新变量：2026年的算法升级 今年LBS大数据平台有个明显变化——开始接入场内交易数据。以前只能看到“人进了店”，现在能看到“人买了什么”。 帮一个母婴连锁做测试时，用腾讯位置服务匹配广告曝光人群和支付数据，发现看过公交广告进店的人，客单价比自然进店的人高出18%。因为广告触达的人群里，刚需型顾客占比更高，进店直奔奶粉区，不像随便逛逛的人只看不买。 连锁品牌如何评估户外广告效果，接下来的方向一定是“曝光-到店-交易”全链路打通。能走到这一步的品牌，预算效率会甩开同行一个身位。