行为定向（Behavioral Targeting）是一种数字广告技术，它根据购物者在网上的实际行为——浏览过的页面、加入购物车的商品、过往购买记录、重复搜索——向其展示商品，而不是依赖宽泛的人口统计学推测。广告平台和再营销工具会收集这些浏览和互动数据，然后据此决定在访客浏览各个网站时，向其展示商家商品目录中的哪些商品。对于基于 Feed 的广告而言，它是将静态商品目录转变为响应式、个性化体验的那一层。
为什么行为定向对基于 Feed 的广告很重要
商品 Feed 只提供原始商品目录——标题、价格、图片、库存状态——而行为定向决定了这成千上万的商品中，究竟哪些会展示给某位特定的购物者。没有准确的行为信号，即使 Feed 优化得再完美，也只会向所有人展示同样的通用商品组合，把展示次数浪费在购物者已经不感兴趣的商品上，并错失显而易见的机会，比如一位只需要轻轻推一把的弃购用户。这就是为什么再营销广告系列在单次获客成本上往往优于拓客广告系列：它们将 Feed 数据与在网站上捕获的真实互动指标结合起来，使展示的广告与已表现出的购买意向相匹配，而不是盲目猜测。要做好这一点，Feed 中的商品标识符与店面上触发的跟踪代码必须紧密协调，因为两者一旦不匹配，连接就会中断，浏览或加购事件将永远无法对应到可售商品。
行为定向的工作原理
平台通过为访客标记事件——浏览商品、加入购物车、完成购买——来构建行为受众，每个事件都与 Feed 中的特定商品 ID 相关联。当这位购物者之后看到广告时，平台的动态广告引擎会将其事件历史与实时 Feed 进行交叉比对，调取匹配的商品及其当前价格和库存状态，而不是展示静态创意。零售商通常还会叠加更细的细分，按类目、价格区间或购买时间远近划分受众，避免浏览过跑鞋的顾客看到商品目录中无关部分的广告。行为数据还能支持利基定向，让商家单独圈定一个规模虽小但意向很高的群体——比如反复浏览某个限量系列的购物者——为其投放专门的广告系列，而不是将他们并入宽泛的再营销受众池。
示例：商品 Feed 中的行为定向
<item>
<g:id>SKU-77120</g:id>
<title>Trail Running Shoe - Slate Grey, Men's 10</title>
<link>https://example-shop.com/products/trail-running-shoe-slate-10</link>
<g:price>129.00 USD</g:price>
<g:availability>in stock</g:availability>
<g:custom_label_0>cart_abandoner_7d</g:custom_label_0>
<g:custom_label_1>viewed_not_purchased</g:custom_label_1>
</item>这里的 custom_label 字段不会改变商品的自然展示方式——它们的作用是让 Feed 能够被筛选进基于行为的广告系列分组，让广告主可以建立一个弃购用户广告组，只调取以此方式标记的商品，其价格和库存以最近一次 Feed 刷新为准。
相关概念
行为定向最适合叠加在更广泛的细分之上，因为受众细分定义了行为信号所应用的范围；当商家希望单独圈定某个特定的高价值群体、而不是对所有互动过的购物者一视同仁时，它往往会进一步收窄为利基定向。而这一切的前提，是首先要有可靠的互动指标输入系统——没有这些上游数据，就没有可供定向的行为。
