零售媒体网络（RMN）：第一方购买数据驱动的第三波广告浪潮

在探讨程序化生态时，我们常常将目光聚焦于需求方（DSP）、供给方（SSP）以及广告交易平台（Ad Exchange）这套为品牌曝光服务的运转机器。然而，当品牌方苦恼于跨域归因的极度不准、或是因第三方 cookie 贬值而找不到精准流量时，一个此前并未出现在全景图里的角色悄然崛起，吃掉了过去几年广告预算里增长最猛的一块份额——这便是零售商。正因如此，亚马逊、沃尔玛、阿里、京东、美团以及 Instacart 等手握海量第一方购买数据与自有流量的巨头，成功将广告变现打造为一门高利润的新生意。对部分玩家而言，其带来的收益甚至已成为仅次于电商本业的第二大引擎，这便是零售媒体网络（Retail Media Network, RMN）。

业界普遍将其视为继搜索、社交之后的第三波广告浪潮。本文将深入剖析 RMN 的底层交易结构及其独特的度量特性。

本文是 生态与渠道 系列的第 3 篇（新渠道）。 全系列 4 篇：

1. 程序化广告生态全景
2. 程序化策展（Curation）
3. 零售媒体网络（RMN）
4. 广告出海地区分层

一句话定位：零售商通过整合第一方购买数据与自有流量构建的广告变现平台，凭借闭环归因与极短的转化链路，成为继搜索、社交之后的第三波广告生态。

先划定一下讨论范围：本文主要聚焦 RMN 这一新生态角色及其交易与度量特性。关于程序化角色的全景可参考生态全景；归因的一般原理详见归因专文；而 cookieless 身份机制则请参阅后 Cookie 身份层。此处我们将集中探讨 RMN 独有的核心机制。

TL;DR

• 零售媒体网络（RMN）：零售商将自有流量与第一方购买数据整合为广告变现平台，向需求方（尤其是其生态内的入驻品牌）提供精准触达能力。典型代表包括 Amazon Ads、Walmart Connect，以及国内的阿里妈妈、京东京准通与美团等。
• 第三波广告浪潮：相较于搜索广告售卖「意图」、社交广告售卖「兴趣与身份」，RMN 售卖的是确定性的「购买行为」与「极近的转化场景」，其转化链路最短。
• 爆发的三大引擎：① 第一方购买数据：掌握真实的交易记录，提供最强的定向与度量信号；② 闭环归因（Closed-loop Attribution）：广告曝光与真实购买在同一账户体系内流转，实现精准对账；③ 免疫 cookieless：基于购物者的强登录态，彻底摆脱对第三方 cookie 或 IDFA 的依赖。
• 三类核心库存：涵盖 on-site（站内搜索、推荐位及商品详情页）、off-site（利用零售数据在开放网、CTV 或社交平台进行数据激活与投放）以及 in-store（线下门店的数字屏与货架媒体）。
• 护城河（闭环归因）：传统链路仅能追踪至点击层级，而 RMN 能够精准测量从广告曝光到最终下单的全链路。这使得其 ROAS（广告支出回报率）表现极为亮眼，但也因此引发了关于归因水分的争议。
• 媒体与数据的双重身份：零售商兼具供给方（SSP）与数据提供方的角色。其不仅可以自建广告平台，还能通过对接需求方平台（DSP）或第三方技术（如 The Trade Desk、Criteo）来驱动 off-site 投放。
• 生态争议：当前面临标准缺失（各平台指标口径不可比）、self-preferencing 与 ROAS 虚高（既做裁判又做运动员，易将自然转化归功于广告）、供应链抽成（ad tech tax）不透明，以及站内广告过度挤压自然搜索体验等挑战。

Table of contents

1. 什么是 RMN：零售商把数据和流量变成广告位

每天，电商平台都会承载海量用户的商品搜索、货架浏览以及下单付款行为。在这些高频交互中，蕴藏着两项极具商业化变现价值的核心资产：

• 自有流量：无论是搜索结果页、推荐流还是商品详情页，均构成了天然的广告曝光场景。更为关键的是，用户在触达这些节点时，往往已经具备了明确的购买意图。
• 第一方购买数据：涵盖了用户的具体购买品类、消费频次以及复购周期。这种基于真实交易的确定性行为数据，在精准度上远胜于任何第三方模型推断出的兴趣画像。

基于上述资产，RMN 本质上是零售商将流量与数据深度整合后构建的广告交易平台，并向广告主开放。其中最典型的需求方，正是那些已在平台上入驻的品牌。例如，一家在亚马逊销售洗发水的品牌，必然愿意投入预算以确保在用户搜索「洗发水」时获得头部曝光，因为在这种场景下，广告点击几乎等同于最终的成交。

对比来看，搜索引擎掌握的是用户的即时意图，社交平台沉淀的是基于社交图谱的兴趣偏好；而零售商不仅确切知道用户的真实购买记录，还能精准捕捉其驻足于「数字货架」前的关键时刻。正因其转化链路极短且能与底层交易数据无缝对账，RMN 的广告库存与定向信号在市场上享有极高的溢价。

那么，为何业界将其定义为「第三波」广告浪潮？这主要取决于各阶段平台所掌握的核心数据维度，以及其在转化漏斗中距离最终交易的远近：

通过上述对比可以清晰地看到：前两波浪潮售卖的意图与兴趣本质上属于间接信号——搜索行为不必然导向购买，兴趣偏好也未必能转化为实际订单。相比之下，RMN 掌握的是真实的成交记录，这是一种极具确定性的转化信号。正因为其距离交易终点最近，且能够实现曝光与购买数据的精准核对，RMN 才得以成为近年来增长最为迅猛的变现渠道。

2. 三类库存：on-site / off-site / in-store

需要强调的是，RMN 的广告库存远不止于「电商站内」这一单一场景。通常情况下，其库存体系可划分为三大类。只有深入理解这三类库存的流转机制，我们才能看清 RMN 是如何与现有的程序化广告生态无缝对接的。

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。

在上述分类中，on-site 基本属于零售商自建的封闭生态，与标准的 OpenRTB 竞价链路交集甚少；而 off-site 才是 RMN 真正接入现有程序化生态的核心接口。其底层逻辑在于，利用零售商的第一方数据进行受众定向，并通过标准的 DSP 与 SSP 竞价管道完成交易，这本质上是一种典型的数据策展 / 数据激活机制。

接下来，我们将逐一拆解这三类库存，重点剖析其广告位形态以及底层的流转逻辑。

2.1 on-site：站内自建，像「电商版搜索广告」

广告位形态：

• Sponsored Products（商品推广）：在视觉上与自然搜索结果高度一致的商品卡片，通常穿插于搜索结果页、类目页及商品详情页中，是平台广告收入的核心支柱。
• Sponsored Brands（品牌推广）：由品牌 Logo 与多款商品组成的横幅广告，高频出现于搜索结果的顶部区域。
• Sponsored Display（展示广告）：分布于详情页的 Banner 及推荐卡片（若将此形态延伸至站外，则演变为 off-site 投放）。
• 首页与推荐位：包括首页的焦点 Banner 以及「猜你喜欢」等个性化推荐信息流。

底层流转逻辑： 在 on-site 场景下，广告主直接在零售商的变现后台创建广告计划（Campaign），设定定向关键词并提交出价（通常采用 CPC 扣费模式），整个过程完全绕开外部的 DSP。当用户发起搜索或浏览行为时，系统会触发一次内部广告请求（Ad Request），随后执行候选广告召回。接着，引擎结合第一方数据与上下文定向信息，按照 bid × 质量分（预估 CTR / CVR） 的公式进行综合排序。在竞胜环节，系统通常采用广义第二价格拍卖（GSP）进行结算，最终将广告与自然内容混排，打上「Sponsored」标识后下发渲染。不难看出，这套机制几乎完美复刻了传统搜索广告的竞价漏斗；唯一的区别在于，它发生于电商站内，依赖的是硬核的购买数据，且广告曝光与最终下单均在同一账户下完成直接对账，从而实现了最强的闭环归因。

2.2 off-site：把数据带出站，走 DSP / OpenRTB

广告位形态： 在此场景下，需求方购买的不再是零售商的自有库存，而是开放市场中的标准程序化广告位。这涵盖了开放网的展示广告、原生广告、视频广告，以及联网电视（CTV，如 Hulu、Roku 的视频贴片）和各大社交平台的信息流资源。

底层流转逻辑： off-site 的核心在于数据出站。首先，零售商基于历史购买记录圈选目标人群包；随后，借助身份桥接技术（如 Hashed Email 或 UID2 / RampID / 数据洁净室），将这批受众映射为开放网可识别的统一标识。完成映射后，这些数据信号会被激活并同步至 DSP（无论是零售商自建的 DSP，还是如 The Trade Desk、Criteo 等第三方平台）。在标准的 OpenRTB 竞价流程中，一旦流量请求命中该人群包，DSP 便会发起竞价。当用户在站外触达广告并最终返回零售平台完成下单后，系统再利用内部的购买记录进行跨域归因。 需要补充的是，这份高价值数据既可以在买方侧激活（直接灌入 DSP），也可以在卖方侧打包为 Curated Deal ID（即典型的策展模式）。不过，由于涉及跨域追踪，其归因强度相对较弱，高度依赖底层的身份匹配率与数据洁净室（Data Clean Room）的连通性。

2.3 in-store：线下门店触点，场景化投放

广告位形态： 主要聚焦于线下实体场景，包括门店各类数字屏（如入口、过道、货架端头、冷柜门、收银台及自助结账屏）、数字货架标签与电子价签，以及店内音频广播、智能购物车屏幕和互动终端（Kiosk）。

底层流转逻辑： 由于驻足于实体货架前的顾客并未处于线上登录态，且受限于隐私合规与稳定标识的缺失，系统无法进行设备级或个人级的精准识别。因此，in-store 投放完全依赖场景化定向——基于门店地理位置、具体品类区域以及特定时段（Day-part）来下发策略。从技术架构上看，它更接近于数字标牌内容管理系统（CMS）与程序化户外广告（pDOOH）的结合体。其广告曝光（Impression）数据并非来自精确的客户端打点，而是依赖客流传感器与算法建模进行估算。正因如此，这一场景的归因链路最为薄弱，通常只能通过评估门店级别的整体销售增量或开展严格的对照实验来衡量效果；只有当顾客主动使用会员 App 扫码或绑定特定支付方式时，才能勉强补齐部分闭环数据。

3. 护城河：闭环归因

在整个数字广告生态中，RMN 构筑的最深护城河，正是其他渠道难以企及的**闭环归因（closed-loop attribution）**能力。

回顾我们在归因专文中探讨的行业痛点：通常情况下，广告曝光与最终转化往往割裂在不同的业务系统与身份标识中。归因平台不得不依赖繁杂的设备 ID、归因时间窗以及概率匹配模型去艰难地「拼凑」因果关系，且结果往往差强人意。然而，在 RMN 的体系内，这一顽疾迎刃而解。其核心原因在于：广告的曝光触达与最终的真实购买，完全闭环于同一个零售商的单一登录账户体系内。换言之，「该用户触达了某条广告」与「该用户最终下单了该商品」，仅仅是底层同一张数据库表里的两行关联记录。系统无需进行任何跨域追踪，即可实现精准对账。

为了更直观地理解，我们可以对比两种截然不同的流转链路：

• 传统跨域链路：用户在某资讯 App 中浏览到一双球鞋的广告，随后跳转至品牌独立站，直至三天后才完成支付。这三个关键节点横跨了不同的媒体环境与身份体系。归因平台只能依靠第三方 cookie、Click-ID 以及时间窗策略去推测「这是否为同一用户」以及「转化是否应归功于该次曝光」，这种概率推断极易产生偏差。
• RMN 闭环链路：用户在亚马逊 App 内搜索并浏览了同一双球鞋的广告，随后直接在站内完成加购与结算。这两个行为节点被牢牢绑定在同一个强登录账户之下，数据流转清晰透明，系统直接完成归因核对，彻底消除了推断带来的不确定性。

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。

这种极致的闭环归因，为 RMN 衍生出了两大决定性的生态优势：

• 天然免疫 cookieless 冲击：闭环逻辑得以成立的根基，在于购物者始终处于强登录态，而这种第一方身份验证体系完全不依赖于即将消亡的第三方 cookie 或受限的 IDFA。因此，当整个开放网络因身份标识的丢失而陷入动荡时，身处「围墙花园」内的 RMN 却几乎毫发无损。
• 反哺竞价模型的真实转化信号：得益于精准的对账能力，RMN 能够将「究竟哪次曝光切实转化为销量」的高价值信号实时回传给竞价引擎。相较于开放网中掺杂大量噪音的归因数据，这种干净、确定的信号能够构建出更为高效的模型优化回路。

4. RMN 是媒体方 + 数据方的合体

如果将其置于程序化生态全景的「买方—卖方」坐标轴中审视，RMN 展现出了一种极为特殊的双重生态位：零售商既是掌握海量库存的媒体方（Publisher），又是提供高价值定向信号的数据方（Data Provider），可谓一身两职。

• 在 on-site 场景中：零售商完全依托自建的广告系统（涵盖 Sponsored Products、Search Ads 及 Display），同时兼任了 SSP 与 Ad Server 的角色，将整个交易与归因闭环牢牢掌控在自己手中。
• 在 off-site 场景中：零售商则选择将核心数据向外延伸。它们通常会借助外部 DSP 或第三方广告技术服务商（如 The Trade Desk、Criteo、Epsilon 等），在开放网、CTV 及社交媒体上竞价采买流量，随后再利用自身的第一方购买数据完成精准定向与跨域归因。这正是 RMN 与标准程序化技术栈产生深度耦合的接缝所在。

正因为兼具媒体与数据的双重身份，RMN 在底层架构上实质性地构筑起了一座全新的「围墙花园」：核心数据绝不出墙，且归因度量规则完全由平台单方面制定。这恰好印证了我们在探讨 cookieless 危机时得出的结论——广告预算正不可逆地向拥有强登录态的封闭生态集中。然而，这种既当裁判又当运动员的机制，在铸就坚固护城河的同时，也为其埋下了备受质疑的隐患。

5. 争议：标准缺失、self-preferencing 与 ROAS 虚高

尽管 RMN 的商业化增速令人瞩目，但从工程架构与数据科学的严谨视角来看，其生态内部仍存在几个难以回避的硬伤：

• 度量标准缺失与指标不可比：目前，各大 RMN 平台在广告曝光、点击打点以及归因时间窗的定义上各自为政。这意味着，广告主在亚马逊与沃尔玛后台看到的「ROAS」数据，在底层口径上根本无法进行横向对比。尽管 IAB 等行业组织正大力推进 RMN 度量标准的统一，但距离全面落地仍有较长距离。
• Self-preferencing 与 ROAS 虚高：这是当前生态中最具争议的痛点。由于 RMN 既负责售卖广告库存，又全权出具归因报告，其模型极易将「自然发生的购买」也强行归功于广告触达。典型场景如品牌词搜索广告：当用户主动搜索特定品牌时，其本身已具备极强的购买意图，此时产生的转化究竟有多少是由广告带来的增量？这种「既当裁判又当运动员」的机制导致了 ROAS 的系统性虚高。因此，成熟的买方必须引入增量测试（Incrementality / 对照实验）来挤干报告中的水分，而非盲目迷信平台输出的华丽数据。
• 供应链抽成（Take Rate）不透明：在复杂的交易链路中，零售商究竟抽取了多少利润，而在 off-site 投放中又叠加了多少第三方技术服务费，往往是一笔糊涂账。这无疑是 ad tech tax 在新生态下的一种隐蔽变体。
• 商业化过度挤压自然体验：随着站内搜索结果被密集的 Sponsored 广告位大面积占据，虽然平台能在短期内实现变现收益的最大化，但从长远来看，这势必会透支用户对「自然搜索结果可信度」的信任，进而动摇电商平台的立身之本。

总结而言，RMN 成功将脆弱的「跨域概率归因」升级为确定性的「同库精准对账」，这是广告技术演进中实打实的突破。然而，当度量方与收款方合二为一时，不可避免地会引发公正性危机。评估一个 RMN 渠道的真实价值，绝不能仅仅盯着其后台报出的高额 ROAS，而应深入探究其是否能够提供经得起推敲的增量证据，以及底层数据口径是否具备可核验的透明度。

6. 常见误解 ↔ 正解

行业黑话总结：RMN（零售商用第一方数据与流量构建的广告平台）；on-site / off-site / in-store（站内、站外与线下门店的三大库存场景）；闭环归因（曝光与购买在同一账户体系里直接对账）；第一方购买数据（谁真的买了什么的确定性记录）；self-preferencing（平台既卖广告又做度量，易将自然转化算作广告功劳）；增量测试（用对照实验衡量真实增量，挤掉 ROAS 水分）；take rate（供应链各环节的抽成比例）；第三波广告（继搜索、社交之后的新增长浪潮）。

理解了 RMN 这种基于第一方数据的变现模式后，下一篇我们将深入探讨支撑整个程序化交易的基石——OpenRTB 协议精讲，看看这些复杂的竞价逻辑是如何在毫秒级完成流转的。

延伸阅读

• 本站. 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。
• 本站. 归因与结算：MMP / SKAdNetwork：RMN 闭环归因对照的「跨域靠拼」难题。
• 本站. 后 Cookie 身份层：为什么登录态让 RMN 免疫 cookieless。
• 本站. 程序化策展（Curation）：off-site RMN 本质是零售数据的卖方侧激活。
• 本站. OpenRTB 协议精讲：off-site 投放走的标准竞价管道。
• IAB / MRC. Retail Media Measurement Standards：RMN 指标口径标准化的进展。
• 官方文档. 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。