前面几篇讲的生态，主角是买方、卖方、交易所这套「为品牌曝光服务」的机器。但过去几年，广告预算里增长最猛的一块，来自一个此前不在这张图里的角色——零售商。亚马逊、沃尔玛、阿里、京东、美团、Instacart 这些手握海量购买数据 + 自有流量的公司，把广告做成了一门高利润的新生意——对部分玩家而言，它已是仅次于电商本业的利润来源。这就是零售媒体网络（Retail Media Network, RMN）。
业界常把它称作继搜索、社交之后的第三波广告。本文从工程实现与生态结构的角度讲清楚：RMN 到底是什么、它凭什么突然爆发、库存分为哪几类、它最硬的护城河「闭环归因」为何别人给不了、为什么它天然免疫 cookieless，以及它当前最大的隐患在哪。
范围划界：本文讲 RMN 这个新生态角色与它的交易 / 度量特性。程序化角色全景见生态全景；归因的一般原理见归因专文；cookieless 身份见后 Cookie 身份层。这里只讲 RMN 独有的部分。
TL;DR
- 一句话：RMN = 零售商把「自有流量 + 第一方购买数据」变成一个广告平台，卖给想触达其购物者的品牌（尤其是那些本就在它货架上卖货的品牌）。代表：Amazon Ads、Walmart Connect、Instacart、Kroger；国内的阿里妈妈、京东京准通、美团、抖音电商。
- 为什么是「第三波」：搜索卖「意图」、社交卖「兴趣与身份」、RMN 卖「购买行为 + 就在购买现场」——它离交易最近，转化链路最短。
- 爆发的三个引擎：① 第一方购买数据——零售商知道你真的买了什么，这是最强的定向与度量信号；② 闭环归因——广告曝光和真实购买在同一个账户体系里，能直接对上账；③ cookieless 免疫——购物者是登录态，不依赖第三方 cookie / IDFA。
- 三类库存：on-site（站内搜索广告位、推荐位、商品详情页）、off-site（把零售数据拿到开放网 / CTV / 社交上激活投放）、in-store（线下门店的数字屏与货架媒体）。
- 护城河是闭环归因：别人只能测「看到广告→点击」，RMN 能测「看到广告→真的下单了这件商品」，而且用的是自己的销售数据。ROAS 因此变得异常「好看」——这既是它的价值，也是它的争议。
- 它同时是媒体方 + 数据方：零售商一手掌握库存、一手掌握数据，既可自建广告平台，也常用 DSP / 第三方技术（如 The Trade Desk、Criteo）驱动 off-site。
- 争议：标准缺失（各家 RMN 指标口径不可比，IAB 在推标准）、self-preferencing / ROAS 虚高（裁判兼运动员，容易把本来就会发生的购买算成广告功劳）、take rate 不透明、以及站内广告挤压自然搜索体验。
Table of contents
Open Table of contents
1. 什么是 RMN：零售商把数据和流量变成广告位
一个电商平台每天有海量用户在搜索商品、浏览货架、下单付款。这些行为里藏着两样广告业梦寐以求的东西：
- 自有流量：搜索结果页、推荐位、商品详情页，全是天然的广告位——而且用户来的时候本就带着购买意图。
- 第一方购买数据：谁买了什么、买了多少、复购周期多长——这是确定性的真实购买行为，比任何第三方推断的兴趣画像都硬。
RMN 就是零售商把这两样打包成一个广告平台，卖给品牌。最典型的买家，是本来就在这个平台上卖货的品牌：一个洗发水品牌在亚马逊上卖货，自然愿意花钱买「用户搜『洗发水』时我的商品排在前面」——因为这一步几乎直接等于成交。
直觉对比：搜索引擎知道你想要什么（你搜了什么），社交平台知道你是谁、喜欢什么（你的社交图谱），而零售商知道你真的买了什么、以及你此刻正在货架前。离钱最近的数据，就是最贵的数据——这是 RMN 的第一性优势。
2. 三类库存：on-site / off-site / in-store
RMN 的库存不止「电商站内」那么简单，通常分三类，理解它们才知道 RMN 怎么和既有程序化生态接上。
三类库存共享同一份第一方购买数据——那才是 RMN 真正在卖的东西，广告位只是载体。其中 off-site 是 RMN 与本系列其它文章（DSP/SSP、OpenRTB）真正交汇的地方：它把零售数据带出站，走标准程序化管道投到开放网。
| 库存类型 | 在哪 | 怎么接入 | 闭环 / 度量强度 |
|---|---|---|---|
| on-site | 零售商自己的站 / App：搜索、推荐、详情 | 零售商自建广告系统（sponsored products 等） | 最强——曝光与购买同一账户 |
| off-site | 开放网、CTV、社交 | 用零售数据激活，走 DSP / OpenRTB | 中——需把站外曝光对回站内购买 |
| in-store | 线下门店数字屏、货架媒体 | 门店媒体系统 / 数字货架 | 最弱——线下归因最难 |
对工程师，最该记住的是：on-site 基本是零售商自建的封闭系统（和你熟悉的 OpenRTB 竞价链路关系不大）；而 off-site 才是 RMN 插进既有程序化生态的接口——它本质上是「用零售商的第一方数据做定向、走标准 DSP/SSP 竞价」的一种策展 / 数据激活。
3. 护城河：闭环归因
RMN 最硬、别人最给不了的东西，是闭环归因（closed-loop attribution）。
回忆归因专文里的难题：广告曝光和最终转化，往往发生在不同的系统、不同的身份里，要靠一堆 ID、时间窗、概率模型去「拼」出因果，还常常拼不准。而在 RMN 里，这个难题几乎消失了——因为：
广告曝光和真实购买，发生在同一个零售商、同一个登录账户体系里。 「这个人看了这条广告」和「这个人后来买了这件商品」是同一份数据库里的两条记录，直接就能对上账，不需要跨域追踪。
上：传统归因跨域、靠 cookie / click-id / 时间窗去「拼」因果，cookieless 下更难。下：RMN 里曝光与购买在同一个登录账户里，是一份数据库里的两条记录，直接对账。这条护城河的副产品是 ROAS 异常「好看」——既是卖点，也是 §5 争议的根。
闭环归因带来两个连锁优势：
- cookieless 天然免疫：闭环成立的前提是「购物者是登录态」——而登录态不依赖第三方 cookie / IDFA。当整个开放网在为身份焦头烂额时，RMN 站在登录墙内，几乎无感。
- 可优化的真实转化信号：RMN 能把「哪条广告真的带来了销量」实时喂回投放，形成比开放网干净得多的优化回路。
4. RMN 是媒体方 + 数据方的合体
放到生态全景那根「买方—卖方」轴上，RMN 是个有意思的存在：零售商同时是媒体拥有者（卖库存）和数据拥有者（供信号），一身两职。
- on-site：零售商自建广告平台（sponsored products / search ads / display），既当 SSP 又当 Ad Server，闭环全在自己手里。
- off-site：零售商把数据带出去，常借助 DSP / 第三方技术（The Trade Desk、Criteo、Epsilon 等）在开放网、CTV、社交上投放，再用自己的购买数据做定向与归因。这就是 RMN 与标准程序化栈的接缝。
因为一身两职，RMN 在结构上又是一个新的围墙花园：数据不出墙、度量自己说了算——这也正是 cookieless 那篇里「预算向登录态花园集中」的又一个例证。它带来护城河，也埋下 §5 的争议。
5. 争议：标准缺失、self-preferencing 与 ROAS 虚高
RMN 增长再猛，也有几个绕不开的硬伤，工程 / 数据视角尤其要清醒：
- 标准缺失、指标不可比：每家 RMN 的曝光、点击、归因口径都不一样，广告主在亚马逊和沃尔玛拿到的「ROAS」根本不能横向比。IAB 等在推 RMN 度量标准，但远未统一。
- self-preferencing / ROAS 虚高：这是最尖锐的一条——裁判兼运动员。RMN 既卖广告又出归因报告，容易把「本来就会发生的购买」也算成广告的功劳（尤其是品牌词搜索广告：用户搜你的牌子，本就想买，这笔转化算不算广告带来的？）。于是 ROAS 系统性偏高，广告主需要用增量测试（incrementality / 对照实验） 去挤水分，而不是尽信平台报告。
- take rate 不透明：零售商在这条链上抽多少、off-site 又叠了多少第三方技术费，往往说不清——这是 ad tech tax 的新变体。
- 广告挤压体验：站内搜索结果被越来越多 sponsored 位挤占，短期收广告费、长期可能损害用户对「搜索结果可信度」的信任。
RMN 把归因从「跨域靠拼」升级成了「同库对账」，这是实打实的进步；但当测量方同时就是收钱方时，又会冒出新的「裁判兼运动员」问题。所以判断一个 RMN 值不值，关键从来不在它报出的 ROAS 有多高，而在你能不能拿到增量证据与可核验的口径。
6. 常见误解 ↔ 正解
| 常见误解 | 正解 |
|---|---|
| RMN 就是「电商站内广告」 | 那只是 on-site；还有 off-site（开放网/CTV）和 in-store |
| RMN 卖的是广告位 | 广告位只是载体，真正在卖的是第一方购买数据 + 闭环归因 |
| RMN 的高 ROAS 说明它效果最好 | 闭环 + self-preferencing 会系统性抬高 ROAS，要用增量测试挤水分 |
| RMN 和程序化生态没关系 | off-site 走 DSP / OpenRTB，本质是零售数据的策展激活 |
| cookie 退场会打击 RMN | 相反——购物者是登录态，RMN 对 cookieless 天然免疫 |
| 各家 RMN 的 ROAS 可以横向比较 | 口径不统一、标准缺失，跨平台不可比 |
| RMN 只适合大电商平台 | 任何有第一方交易数据 + 流量的商家（连锁零售、出行、外卖等）都在做 |
7. 一张速查表
| 概念 | 一句话 | 关联 |
|---|---|---|
| RMN | 零售商用第一方购买数据 + 自有流量做广告平台 | §1 |
| 第三波广告 | 搜索(意图) → 社交(兴趣) → RMN(购买行为 + 在现场) | §1 |
| on-site | 站内搜索/推荐/详情位，零售商自建，闭环最强 | §2 |
| off-site | 用零售数据走 DSP/OpenRTB 投开放网/CTV | §2 / OpenRTB |
| in-store | 线下门店数字屏 / 货架媒体，度量最难 | §2 |
| 闭环归因 | 曝光与购买同一登录账户，直接对账 | §3 / 归因 |
| cookieless 免疫 | 购物者登录态，不依赖第三方 cookie/IDFA | §3 / 身份层 |
| 媒体方 + 数据方 | 零售商一身两职，是新的围墙花园 | §4 |
| self-preferencing | 裁判兼运动员，ROAS 系统性虚高，需增量测试 | §5 |
一句话收尾：RMN 之所以是第三波，是因为它同时握住了广告业最贵的两样东西——离交易最近的第一方数据，和曝光即可对账的闭环。 它是 cookieless 时代的结构性赢家；但也正因为「卖广告的和做度量的是同一家」，你评估它时要盯的从来不是它报出的 ROAS，而是它给不给你可核验的增量证据。
延伸阅读
- 程序化广告生态全景：买方—卖方轴、围墙花园、ad tech tax——RMN 的坐标系。
- 归因与结算：MMP / SKAdNetwork：RMN 闭环归因对照的「跨域靠拼」难题。
- 后 Cookie 身份层：为什么登录态让 RMN 免疫 cookieless。
- 程序化策展（Curation）：off-site RMN 本质是零售数据的卖方侧激活。
- OpenRTB 协议精讲：off-site 投放走的标准竞价管道。
资料：
- IAB / MRC. Retail Media Measurement Standards：RMN 指标口径标准化的进展。
- Amazon Ads / Walmart Connect / Criteo 等平台文档：各家 on-site / off-site 与闭环归因的产品实现。
附录：术语表
- RMN（Retail Media Network，零售媒体网络）：零售商用第一方购买数据 + 自有流量构建的广告平台。
- on-site / off-site / in-store：站内库存 / 站外（开放网·CTV·社交）库存 / 线下门店库存。
- 闭环归因（closed-loop attribution）：曝光与购买在同一账户体系里直接对账的归因。
- 第一方购买数据：零售商掌握的「谁真的买了什么」的确定性数据。
- self-preferencing：平台既卖广告又做度量，倾向把本会发生的转化算成广告功劳。
- 增量测试（incrementality）：用对照实验衡量广告的真实增量效果，挤掉 ROAS 水分。
- take rate：零售商 / 中间技术在这条链上的抽成比例。
- 第三波广告：继搜索、社交之后以 RMN 为代表的增长浪潮。