CPO 降 90%、销量 +2,159%、ROI +411%：GMV Max 真正放大的不是广告，而是内容供给系统

很多团队第一次听到 GMV Max，会把它理解成一个更自动的投放工具：把预算交给系统，让 AI 帮你找订单。

但 Freshly Cosmetics 这个 TikTok Ads 官方案例真正值得看的地方，并不是“自动化出价”本身，而是它把 affiliate 内容、organic 验证、paid 放大、SKU 选择和 ROI 保护 接成了一条闭环。

换句话说，GMV Max 不是凭空创造增长。它是在放大一套已经开始跑通的内容供给系统。

如果你正在做 TikTok Shop，应该很熟悉那种矛盾感：你知道内容是增长的燃料，也知道投放可以放大赢家，但真正落到每天的运营里，事情会变得很碎。

创作者交来的内容质量不一；organic 里有些视频看起来热闹但不一定成交；某些 SKU 容易出单但毛利不够；投放一放量，CPO 立刻变得紧张；切到 ROI 目标，又担心系统学不动、量起不来。

对正在用 TikTok Shop 做成交的品牌方、管理 affiliate / creator 内容的运营、负责 GMV Max 或 Spark Ads 的投放团队来说，真正缺的往往不是一个新的投放按钮，而是一套能让内容、放大和利润保护同时运转的系统。

这套系统至少要回答三个问题：

1. GMV Max 的自动化，到底依赖哪些前置输入？
2. affiliate 内容为什么不是低成本素材，而是 TikTok Shop 里的分布式验证网络？
3. BeeOS 如何把 CreatorOps、ContentQA、ScaleOperator、ProfitGuard 组织成一套可追踪、可审计、可治理的增长操作系统？

零、先把事实说清楚：Freshly 跑出了什么结果？

根据 TikTok Ads 官方案例研究（Freshly Cosmetics — GMV Max TikTok Shop Case Study），Freshly Cosmetics 通过 GMV Max 在 TikTok Shop 上取得了这些结果：

先强调边界：这是 TikTok Ads 官方 case study，以下拆解只基于官方披露信息，不推断未公开预算、不编造 GMV、不假设具体出价参数。官方也明确说明：过往表现不保证未来结果。

Freshly Cosmetics 是西班牙自然护肤品牌，定位天然、有效、创新、透明和可持续。它已经拥有超过 200 万客户，销售覆盖 40 多个国家，也有 DTC 与线下零售基础。

这决定了后续解读的尺度。

Freshly 不是一个完全没有品牌资产、完全依赖广告冷启动的店铺。它进入 TikTok Shop 时，已经有产品认知、社群基础、内容语境和可选择的 SKU 池。GMV Max 在这里扮演的不是“从零造品牌”的角色，而是把一个已经存在的品牌与内容基础，转化成 TikTok Shop 里的可扩张成交系统。

官方案例里有一句话很关键：Freshly 的 GMV Max 策略充分利用了 TikTok Shop 生态，把 approved organic content、affiliate-generated assets 和 paid advertising 整合起来。

这不是单纯的 paid media 案例，而是一个混合供给案例：

organic 内容负责验证真实语境
affiliate 内容负责扩大创意供给
paid / GMV Max 负责放大已验证信号
ROI 目标负责把放量拉回利润边界

如果只看 “CPO -90%” 这个结果，会以为关键是投放算法很强。

但如果顺着官方描述往下看，真正值得学习的是：它先让系统有足够多可学习、可筛选、可放大的内容，再让 GMV Max 去做放大。

一、GMV Max 不是内容生产系统，而是内容放大系统

GMV Max 最容易被误解的地方，是“Max”这个词。

很多人会下意识把它理解为“最大化出单”，于是把问题简化成：预算给多少、目标 ROI 设多少、系统多久学习完成。

但在 TikTok Shop 这种内容成交场里，投放系统只是最后一段。真正决定它能不能跑起来的，是前面有没有足够多的内容在替你探索：

• 哪种 hook 能让人停下来；
• 哪种展示方式让用户相信产品有效；
• 哪种创作者语气最像真实推荐；
• 哪个 SKU 在 TikTok 的语境里更容易被理解；
• 哪些内容不只是有播放，而是真的能带来订单。

GMV Max 能做的是：当某些内容和 SKU 已经释放出信号，它帮你把这些信号送进更大的分发池。

它不能替你解决的问题是：

• 内容本身没有说服力；
• SKU 本身不适合短视频解释；
• 素材和商品页价格口径不一致；
• 创作者内容供给断断续续；
• 团队不知道什么时候该从放量切到 ROI 保护。

这就是为什么 Freshly 案例里最值得注意的不是“用了 GMV Max”，而是它的素材策略。

官方提到，这套 campaign 混合了 in-house assets 和来自 TikTok Shop Affiliate Center 的 creator content，并且 UGC-style videos 因为真实性和连接受众的能力表现突出。ACA 则把 affiliate 和 brand-owned creatives 统一起来，帮助整体表现。

换成运营语言，就是：

品牌素材提供一致性
创作者素材提供真实语境
organic 表现提供早期信号
ACA / GMV Max 把可用素材接入放大系统

这是一套很典型的 TikTok Shop 增长结构：organic 负责发现，affiliate 负责供给，paid 负责放大。

如果没有前两者，GMV Max 只能放大贫瘠的素材池。

如果没有后者，创作者内容再多，也可能停留在零散曝光里，无法形成可控规模。

二、affiliate 内容不是“便宜素材”，而是分布式市场验证

很多品牌对 affiliate 内容的理解还停留在“达人帮我拍素材”。

这个理解太轻了。

在 TikTok Shop 里，affiliate 更像一个分布式验证网络。每个创作者都带着自己的语境、镜头语言、粉丝关系和表达习惯，去测试同一个产品能不能在真实内容流里被相信。

这跟品牌内部拍 20 条素材完全不同。

品牌内部素材通常有三个优势：画面统一、卖点准确、品牌安全。但它也有一个天然限制：它很容易太像广告。

affiliate 内容的优势则在于：

• 它更像用户原本会刷到的内容；
• 它天然带着创作者自己的信任关系；
• 它会用生活化语言解释产品，而不是复述品牌手册；
• 它能同时测试大量 hook、angle、场景和 CTA；
• 表现好的内容，会直接告诉你“市场愿意相信哪种说法”。

所以 Freshly 案例中，affiliate content 成为 performance driver 并不意外。

真正的启发是：当 affiliate 内容进入 GMV Max，它就不只是内容资产，而变成了可被算法放大的成交信号。

这会改变团队对创作者运营的看法。

你不再只是问：“这周有多少达人发了视频？”

你会开始问：

• 哪些创作者的视频进入了可放大池；
• 哪些 hook 在 organic 里已经出现成交信号；
• 哪些 SKU 在创作者语境里解释成本最低；
• 哪些内容虽然播放高，但订单弱，不该进入 paid；
• 哪些内容能被其他创作者低成本复刻；
• 哪些素材可以进入 ACA，作为 GMV Max 的候选燃料。

这个转变很关键。

因为 TikTok Shop 的内容系统，一旦只追内容数量，就会变成噪声机器；只有当内容被结构化、打标、筛选、复用，它才会变成增长引擎。

三、SKU 选择不是商品运营细节，而是 GMV Max 的放大边界

Freshly 案例里还有一句很容易被略过的话：campaign 围绕 carefully selected product assortment，组合了不同价格带的 best-sellers。

这句话看起来普通，但非常关键。

GMV Max 不是只在“广告层”工作。它会被 SKU 的价格、毛利、转化门槛、内容解释难度共同影响。

一个 TikTok Shop SKU 适不适合进入 GMV Max，至少要看四件事：

Freshly 选择 best-sellers，并覆盖多个价格点，本质上是在降低系统学习风险。

它没有把 GMV Max 建在一个完全未验证、用户不理解、内容表达很难的新 SKU 上。它用已经有市场基础的产品，让系统更快判断哪些内容、哪些价格带、哪些商品组合更适合放大。

这对很多品牌是一个提醒：不要把 GMV Max 当成“救冷门 SKU”的机器。

更稳的做法通常是：

先用 best-seller 建立学习基础
再用相邻 SKU 测试扩展空间
再用组合装或利润款承接 ROI
最后把数据写回下一轮产品和内容策略

这不是保守，而是尊重系统学习规律。

当你把一个很难解释、毛利又薄、页面又没优化的 SKU 丢给 GMV Max，再期待它自动变成增长爆品，本质上是在让投放系统替整个业务模型还债。

四、Maximum Delivery 与 Target ROI：一个负责学习，一个负责守住结果

Freshly 案例明确提到，它采用了 hybrid bidding strategy，结合 Target ROI 与 Maximum Delivery。后续又进一步说明：先用 Maximum Delivery 优先获取 visibility 和 scale，再把投资转向更高效的产品；当利润目标达成后，再转向 Target ROI bidding，在规模下最大化回报。

这段描述很重要，因为它解释了 GMV Max 不是一个单一目标，而是一套阶段策略。

这套阶段策略可以拆成三段：

Phase 1: Maximum Delivery
目标：让系统尽快看到足够多真实成交信号

Phase 2: Efficient Product Focus
目标：把预算从低效 SKU / 低效素材里挪出来，集中到更可能盈利的组合

Phase 3: Target ROI
目标：在已验证的内容与 SKU 基础上，把规模拉到更接近利润目标的位置

这套节奏背后的逻辑是：先让系统学习，再让系统约束。

如果一开始就强行 Target ROI，系统可能因为信号不足而放不开量；如果一直 Maximum Delivery，系统可能为了订单规模牺牲利润。

真正成熟的运营，不是选一个目标永远跑，而是知道每个阶段在回答不同问题：

这也是很多团队卡住的地方。

他们在 Maximum Delivery 阶段太早焦虑 ROI，于是系统还没学够就被收紧；或者在 Target ROI 阶段还像冷启动一样不断塞新素材、新 SKU，导致目标和输入都在漂移。

更健康的方式，是把阶段切换写成可讨论的运营状态，而不是靠感觉。

例如，团队每周固定回答：

• 这周进入 GMV Max 的素材，来自哪些 creator / brief / SKU；
• 哪些素材通过 organic 或 affiliate 表现进入 paid 候选；
• 哪些 SKU 的 CPO、ROI、退款、差评已经不适合继续放大；
• 哪些 SKU 虽然订单多，但毛利不足，需要移出主放量池；
• 哪些内容结构被证明有效，应该写回下一版 brief。

这些问题看起来不像投放问题，但它们决定投放能不能持续。

五、把 Freshly 的打法翻译成一条运行流水线

如果把官方案例拆成更可执行的系统，它大概不是“开一个 GMV Max campaign”，而是下面这条流水线：

SKU 池准备
→ creator / affiliate 内容生产
→ organic 与 affiliate 表现观察
→ 内容 QA 与合规筛选
→ ACA 统一素材池
→ GMV Max / Maximum Delivery 学习放量
→ 高效 SKU 与赢家素材识别
→ Target ROI 利润放大
→ 数据回流到 brief、SKU 组合和创作者分层

这条线一旦跑起来，团队面对的就不再是单个广告账户的问题，而是一个跨角色协作问题：

• 内容团队要知道哪些素材不是“好看”，而是“能被放大”；
• 创作者运营要知道哪些 creator 不只是交付稳定，而是真的能产生成交信号；
• 投放团队要知道什么时候是学习阶段，什么时候是利润保护阶段；
• 商品团队要知道哪些 SKU 适合短视频成交，哪些只是货架商品；
• 财务或负责人要知道放量是否仍在可接受毛利边界内。

如果这些信息都散落在表格、聊天记录、广告后台和人工经验里，campaign 可能跑得起来，但很难复制。

Freshly 的案例能给出的真正启发，不是“每个品牌都能复制同样数字”，而是：当内容供给、素材筛选、SKU 选择和出价目标被接成一个系统，GMV Max 才有机会变成增长引擎。

六、BeeOS 的角色不是“替你做投放”，而是让这套循环可治理

GMV Max 本身已经是 TikTok 的自动化性能解决方案。BeeOS 不需要再扮演一个“万能投放 AI”，也不应该把投放判断包装成另一个黑箱。

BeeOS 更有价值的位置，是站在 GMV Max 之前、之中和之后，把内容供给、素材筛选、阶段切换和利润保护变成可追踪、可协作、可审计的作业系统。

这套作业系统可以拆成四个角色。

1. CreatorOps：让内容供给不断流

CreatorOps 负责的不是“找达人”这么简单，而是让内容供给侧的运行状态保持清楚：

• 本周哪些 creator 收到了哪个 brief 版本；
• 哪些 creator 已提交内容，哪些还在 pending；
• 哪些 creator 的内容多次进入 paid candidate；
• 哪些 creator 的内容经常被 ContentQA 拦下；
• 哪些 SKU 的 creator 供给不足，需要补充任务。

在 Freshly 这类模式里，CreatorOps 的价值是保证 GMV Max 不会“饿死”。

因为 GMV Max 再强，也不能长期放大同一批老素材。内容池一旦枯竭，系统就会开始在有限素材里过度消耗，ROI 下滑只是时间问题。

2. ContentQA：不要让 paid 放大质量问题

ContentQA 不是审美委员会。

它把内容进入放大池之前的最低标准固定下来：

• 是否符合品牌声称边界；
• 是否存在夸大承诺；
• 是否与商品页价格、规格、优惠一致；
• 是否清楚展示产品和使用场景；
• 是否绑定了正确 SKU；
• 是否具备复用价值，而不是只适合某个 creator 的偶然表达。

这一步在 TikTok Shop 里非常关键。

因为 paid 放大的不是“素材”，而是素材里的承诺。一旦视频里说的是 A，商品页展示的是 B，短期可能影响转化，长期则会伤害信任、退款和平台合规。

所以 ContentQA 的作用不是拖慢增长，而是确保增长放大的东西值得被放大。

3. ScaleOperator：把赢家送进 GMV Max，但不独自决定利润边界

ScaleOperator 才是最接近投放执行的角色。

它负责观察哪些内容和 SKU 组合已经出现信号，哪些适合进入 Maximum Delivery，哪些已经适合切到 Target ROI。它也负责把 GMV Max 的结果回写到系统里，让下一轮 brief、SKU 选择和 creator 分层能学习。

这里必须保留一个边界：ScaleOperator 不应该独自决定利润底线。

原因很简单：投放角色天然更容易追求规模和效率，而利润边界涉及毛利、退款、库存、履约、优惠和 LTV。它需要另一个角色来制衡。

4. ProfitGuard：保护系统不要把亏损规模化

ProfitGuard 是这套结构里最容易被低估的角色。

它不负责生产内容，也不负责投放执行。它负责盯住那些不显眼但关键的问题：

• 当前 SKU 的毛利是否支持继续放量；
• CPO 降低是否伴随退款或差评上升；
• ROI 提升是否来自短期折扣，而非真实效率改善；
• 某个 SKU 是否因为库存或履约压力不适合继续推；
• Target ROI 的目标是否与真实利润模型一致；
• Maximum Delivery 是否已经到了该收敛的时候。

很多团队的自动化事故，不是系统不会放量，而是系统太会放量，却没人及时问：“这笔增长到底赚不赚钱？”

ProfitGuard 的意义，就是防止 GMV Max 把一个坏单位经济模型放大成更大的坏单位经济模型。

七、bak_ 权限边界：增长系统越自动，钥匙越不能混用

当这套系统开始自动运转，权限边界会变得比想象中更重要。

在 GMV Max 相关工作流里，至少会碰到这些高风险能力：

• 读取和修改 TikTok Shop 商品信息；
• 读取订单、退款、SKU 表现；
• 管理 affiliate creator 和素材；
• 操作 GMV Max campaign；
• 修改预算、出价目标、ROI 目标；
• 读取利润和成本数据；
• 触发阶段切换或暂停放量。

如果所有角色共享一个大权限 key，短期看起来最省事，长期一定会制造风险。

因为你很难回答：

• 是谁把某条素材送进了放大池；
• 是谁把某个 SKU 从 Maximum Delivery 切到了 Target ROI；
• 是谁调整了 ROI 目标；
• 是哪个自动化流程导致预算异常；
• 如果要暂停，应该暂停哪个 Agent、哪把 key、哪个动作。

BeeOS 里的 bak_（Binding Agent Key）适合在这里发挥作用：把权限绑定到具体 Agent，而不是绑定到一个模糊的“增长团队自动化脚本”。

权限结构可以这样落地：

Orchestrator
├── CreatorOps
│   └── bak_creatorops_xxx
│       权限: 读取 creator / affiliate 状态，写入任务队列，不可操作广告预算
├── ContentQA
│   └── bak_contentqa_xxx
│       权限: 读取内容池，写入 QA 结果，不可发布 campaign
├── ScaleOperator
│   ├── bak_scaleop_read_xxx
│   │   权限: 读取 campaign 与素材表现
│   ├── bak_scaleop_maxdelivery_xxx
│   │   权限: 在预算上限内操作 Maximum Delivery
│   └── bak_scaleop_targetroi_xxx
│       权限: 在已批准 ROI 目标内操作 Target ROI
└── ProfitGuard
    └── bak_profitguard_xxx
        权限: 读取利润 / 退款 / 库存 / 投放表现，写入 approve / reject / pause 决策

目的不是把系统设计得复杂，而是让复杂系统在出错时仍然有边界。

ContentQA 即使出问题，也不能误改预算；CreatorOps 即使被错误调用，也不能触发 GMV Max；ScaleOperator 即使能执行投放动作，也必须受到 ProfitGuard 设置的预算和 ROI 边界约束。

对增长团队来说，这种权限设计不是“安全部门的洁癖”。它是自动化能不能长期运行的前提。

如果每个自动化动作都带有明确的 Agent ID、task_id、brief_version、skuid 和 `bak` 指纹，复盘就不再是“谁昨天动了账户”，而是可以问更精确的问题：

• 哪个 brief 版本带来的素材进入了放大池；
• 哪个 Agent 在什么条件下触发了阶段切换；
• 当时 ProfitGuard 的审批依据是什么；
• 如果要回滚，应该回滚哪一段，而不是关掉整套系统。

在这个位置上，BeeOS 与 GMV Max 的分工很清楚：TikTok 负责放大，BeeOS 负责让放大之前、之中、之后的业务状态可治理。

八、一个更现实的起步方式：先别追大系统，先跑一个可回放闭环

如果你现在还没有 Freshly 这样的品牌基础，也不需要一上来就搭完整系统。

更现实的起步方式，是从一个小闭环开始：

1 个主力 SKU
20-50 位 affiliate / creators
1 个版本化 brief
1 张内容 QA 评分卡
1 个 GMV Max learning window
1 次阶段复盘

第一轮不要急着追求完美 ROI，而是先让系统回答五个问题：

1. 哪些 creator 能稳定交付可用内容；
2. 哪些 hook / angle / CTA 出现了真实订单信号；
3. 哪些内容通过了 QA，但在成交上没有说服力；
4. 哪个 SKU 在 TikTok 语境里最容易被解释和购买；
5. Maximum Delivery 阶段结束后，哪些素材和 SKU 有资格进入 Target ROI。

如果这些问题回答不出来，直接扩大预算只会扩大不确定性。

等第一个闭环跑完，你再把它结构化：

brief_v1 → content_submitted → qa_passed → organic_signal
→ paid_candidate → max_delivery_learning → efficient_sku_selected
→ target_roi_scaled → learnings_written_back_to_brief_v2

在这个最小闭环里，BeeOS 的价值会变得非常具体：

• A2A 承接每个 task 的状态流，让团队知道批次走到哪一步；
• MCP 把 TikTok Shop、素材库、表格、BI、投放平台等工具收敛成可调用工具面；
• OpenAPI 把 creator、SKU、brief、campaign、budget、approval 这些对象变成可管理资源；
• bak_ 把每个 Agent 能做什么、不能做什么切清楚。

如果流程只有 3 个 creator、1 条视频、1 个 SKU，用表格就够了。Agent 系统真正开始有意义，是当你发现：

• 内容批次越来越多；
• brief 版本开始混乱；
• SKU 与素材绑定经常出错；
• 投放团队和内容团队对“赢家”的定义不一致；
• 放量后利润风险没人实时盯；
• 你已经无法靠群聊解释一次阶段切换为什么发生。

这时需要的不是更多人盯后台，而是一套能记录状态、约束权限、回放决策的运行层。

九、常见坑：GMV Max 跑不稳，往往不是投放设置的问题

1. 把 GMV Max 当冷启动神器

GMV Max 可以帮助放大信号，但它不能替一个没有验证过的产品、没有说服力的内容、没有利润空间的 SKU 承担全部责任。

如果输入质量很差，自动化只会更快找到输入的天花板。

2. 内容多，但没有结构化

很多团队说“我们有很多达人素材”，但问到每条素材对应哪个 brief、哪个 SKU、哪个 hook、哪个成交窗口，就答不上来。

没有结构化，内容就无法学习；无法学习，就无法复用；无法复用，GMV Max 只能不断消耗偶然性。

3. 只看播放，不看订单和利润

TikTok 的诱惑是播放很容易让人兴奋。

但 GMV Max 的目标不是制造热闹，而是把内容转成交易。播放可以是早期信号，但不能替代订单、CPO、ROI、退款和利润。

4. SKU 池过宽，系统学习被稀释

一开始就塞太多 SKU，会让内容、价格、转化路径和利润模型都变得复杂。系统还没学清楚哪个变量有效，团队已经不知道该优化哪一层。

5. 阶段切换靠感觉

什么时候从 Maximum Delivery 转向 Target ROI？什么时候把某个 SKU 移出放量池？什么时候把某条素材加入 paid candidate？

如果这些决策没有记录条件，下一次复盘就会变成经验争论。

6. 权限混用

创作者运营、内容 QA、投放执行和利润审批，如果都拿同一把钥匙，短期省事，长期一定难审计。

自动化越强，权限越要小。

十、写在最后：GMV Max 放大的，是你已经组织好的那部分能力

Freshly Cosmetics 的案例之所以值得写，不只是因为数字漂亮。

CPO 降 90%、销量提升 2,159%、ROI 提升 411%，这些结果当然很硬。但更重要的是，它提醒我们：TikTok Shop 的规模化越来越不像“投放技巧比赛”，而更像一场系统组织能力的比赛。

你能不能持续拿到真实、有说服力的 creator 内容？

你能不能把 organic 和 affiliate 里的赢家识别出来？

你能不能选择适合短视频成交、也承受得住放量的 SKU？

你能不能在 Maximum Delivery 和 Target ROI 之间切换，而不是在“要量”与“要利润”之间摇摆？

你能不能让每一次放大、暂停、切换都有记录、有依据、有权限边界？

这些问题的答案，才决定 GMV Max 是一个好用的性能工具，还是一个把混乱放大的加速器。

在 BeeOS 的视角下，未来的 TikTok Shop 增长系统不应该是一个“超级投放 Agent”。它更像一组职责清楚的协作单元：

• CreatorOps 让内容供给不断流；
• ContentQA 保证进入放大池的是可用、合规、可复用的内容；
• ScaleOperator 把赢家素材和 SKU 推进 GMV Max；
• ProfitGuard 守住利润、退款、库存和阶段切换边界；
• bak_ 把每个角色的工具权限切到最小单元。

这套结构的目标不是让人消失，而是让人从重复搬运和猜测里出来，去判断更重要的事：什么值得放大，什么应该暂停，什么需要回到内容供给端重新学习。

所以，当下一次 GMV Max 准备启动时，先别急着问“预算放多少”。

先问三个更底层的问题：

我的内容供给系统，能不能持续产生可放大的素材？
我的 SKU 和阶段目标，能不能支撑从学习到盈利的切换？
我的权限和状态记录，能不能让放大之后仍然可治理？

如果这三个问题还没有答案，GMV Max 可能会让你更快看见问题。

如果这三个问题已经被系统性解决，GMV Max 才真正有机会成为增长的放大器。

参考与延伸阅读

• 案例来源（事实基础）：Freshly Cosmetics — GMV Max TikTok Shop Case Study（TikTok Ads 官方）
• BeeOS：docs.beeos.ai · openapi.beeos.ai · a2a.beeos.ai · mcp.beeos.ai
• A2A 规范背景：A2A（Google）
• MCP 规范背景：Model Context Protocol

BeeOS： docs.beeos.ai · openapi.beeos.ai · a2a.beeos.ai · mcp.beeos.ai