为什么 28,000 个可筛选产品胜过一百万个不可筛选产品

产品研究中的真正瓶颈是什么，数量还是筛选？

瓶颈是筛选，不是数量。一个在巴西寻找高于 $40 CPA 的减肥产品的研究者，不需要一百万个广告素材，她需要的是一个可以直接查询的字段。这个目录收录了 28,042 个活跃产品，其中 15,582 个带有数字型 CPA 或佣金金额，这就把收益变成了可筛选字段，而不是藏在广告文案第三行里的一个数字。

这个细分领域里，大多数操盘手仍然把记录数当作头部指标，仅凭这一点，我们几乎输给了品类里的所有人。 AdSpy 在自己的首页上标称 2.082 亿条广告，而且没有附带日期。但广告数量回答的是“有多少素材存在”，不是“有多少条能同时匹配我的垂直类目、我的地理位置和我的收益底线”——而后者才是媒体买家真正打开工具要回答的问题。

广告库是为了按关键词浏览和搜索而建立的。产品目录是为了按结构化属性查询而建立的。这两者解决的是不同问题，把它们混为一谈，研究者就会在找一个本来就不会出现在广告文案里的收益数字时，滚过四万条广告还继续往下找。

单一垂直类目和地理组合能返回多少个产品？

平均来说，一个垂直类目加一个地理位置的组合，返回的是个位数到十几位数的小量，而不是几千个。25 个垂直类目与 79 个地理代码交叉后，会得到 1,975 种可能组合。把 25,293 个带地理标签的产品平均分配到每一种组合里，平均值大约是每个组合 13 个产品——这是一个有用的预期上限，不是承诺。

这个平均值掩盖了一个比平均值本身更重要的偏态。仅 Braip 就有 7,574 个产品，Hotmart Affiliation 还有 6,600 个，而且这两个网络都高度集中在巴西以及更广泛的拉美地理区域。查询巴西的减肥产品会返回远不止 13 条结果；而在覆盖较薄的地理区域里查询一个小众垂直类目，可能会返回零条，这两种结果对于一个真实目录来说都很正常，而不是一个合成出来的目录。

诚实的答案是：这取决于具体的垂直类目和具体的地理区域，而目录的职责就是让你通过一次查询把这件事查清，而不是靠总数去猜。这个目录无法负责任地公布一个扁平的“每个垂直类目对应 X 个产品”的数字，因为底层分布本来就不是扁平的。

一个目录要有多少个轴，才算得上可回答？

一个目录只有在能同时沿至少四个独立轴进行切分时，才算得上可回答：垂直类目、地理位置、收益和网络。少于这个数量，所谓“筛选”其实只是多了几步的搜索框——适合缩小滚动范围，不适合回答“在菲律宾的约会类目里，在 Hotmart 上，把所有高于 $30 CPA 的内容都给我看”这种问题。

各个轴的覆盖是不均衡的，而这种不均衡本身就是值得说明的信息，而不是该被隐藏的东西。垂直类目和网络都是在录入时分配的，所以覆盖率是 100%；而地理位置和收益更宽松，因为并不是每个网络都会在产品层级披露它们。把四个轴都叠加起来的查询，结果永远会少于只叠加两个轴的查询，而提前知道这一点，会改变你如何解读一个空结果。

一个庞大的未筛选列表在实际中会怎样？

一个庞大的未筛选列表最终会退化回关键词搜索。超过几百行之后，没人会从头到尾读一个结果表，他们会在搜索框里输入一个猜测，然后希望排序能先把对的东西顶上来。 BigSpy 在自己的常见问题页面上声称拥有“超过 10 亿条广告素材数据”，到了这种规模，数字就不再是对全面性的承诺，而开始变成对搜索框必须足够好的一种承诺。

实际上的失败模式是被选择幻觉伪装成的滚动疲劳。一个研究者打开一个宣称有数亿条记录的工具，输入一个关键词，返回成千上万条命中，然后凭眼睛继续收窄范围——这个过程比结构化筛选更慢，也更难复现，尽管原始总量在销售文案里听起来要厉害得多。

庞大的未筛选列表失败，不是因为它没有数据，而是因为它把筛选工作又交回给了人，一次滚动一小步；这和研究工具本来该替你做的事正好相反。

哪些字段必须完整，筛选才可信？

一个筛选有多可信，完全取决于你查询的那个字段填充率有多高。如果某个字段只在 55% 的记录里有值，那么针对它的查询会悄悄排除掉另外 45%，而不知道这一点的用户会把短结果集理解成“这里没多少产品”，实际上真相是“剩下的那部分我们没有数据”。收益字段在 28,042 个产品中有 15,582 个，地理位置字段有 25,293 个，落地页链接有 25,085 个——这些都值得直接写成分数，而不是四舍五入。

数字型 CPA 字段还把所有收益都当成平的，这会抹平一个真实差异。它分不出一次性 $40 CPA，和一种首单金额更小、但总价值会在数月内累积的复购结构，这一点在 复购与连续型产品：当 LTV 胜过固定 CPA 中有直接讨论。一个忽略这种差异的收益筛选，会把一个 $15 的复购产品排在一个 $40 的固定产品后面，即便前者在客户生命周期里支付得更多。

描述深度是这个目录最弱的字段，这一点它自己也讲得很直接：8,668 个产品带有 300 字符或以上的长描述，632 个产品带有较短描述，18,742 个产品根本没有描述。对于任何只能依靠目录本身判断产品角度的人来说，这都是一个真实缺口，任何结构化筛选都弥补不了。

新鲜度也有同样的诚实要求。只有 274 个产品是在最近 30 天内通过抓取重新确认过的，所以“每日更新”不是这个目录能对自己做出的主张——而任何暗示相反内容的页面，在发布当天就已经错了。

那么在广告场景里，这个论点又有何不同，那里数量确实重要？

对创意研究来说，计算逻辑会反过来，因为问题从“哪条记录匹配这四个属性”变成了“哪种模式出现得足够频繁，值得复制”。要识别一个已经连续运行八周、横跨十几位广告主的钩子，需要的是大样本，而不是筛选后的样本；原始数量在这件事上的作用，永远比结构更好。

This is the honest limit of our own catalogue, stated plainly. Our creative library holds 4,296 ads, 3,979 VSLs and 6,080 media assets, while AdSpy publishes 208.2 million ads on Facebook and Instagram alone and BigSpy claims over 1 billion creatives across ten platforms. On raw ad count, both beat us by orders of magnitude, and nothing on this page argues otherwise.

这两个研究问题没有同一个答案。产品研究需要的是少量结构化记录中的精确性；创意研究需要的是数百万条非结构化记录中的规模。为一个任务设计的工具，不该用另一个任务的指标来评判，买家的预算也不该这样。

在哪里更大的索引毫无争议地更好？

对于广告层级的创意发现和竞争监测来说，更大的索引毫无争议地更好，而这也是唯一一个原始规模就是正确购买标准的地方。 AdPlexity 在首页上写着“100M+ Winning Ads”，这种规模的存在就是为了回答一个问题：现在在市场上，什么内容正在以小得多的库根本无法采样的数量级运行。

这些计数都没有公布截至日期，所以每一个都应被理解为自报的数量级，而不是审计后的数字。Foreplay 在自己的定价页上同样声称拥有“200,000,000+ Community Ad Library”，情况也是一样。即便把这些数字打五折，它们也仍然远远大于一个 4,296 条广告的目录，而一个以大规模创意发现为工作内容的买家，应该直接把这个差距算进去，而不是绕开它。

除了记录数之外，你还应该衡量什么？

衡量你实际会查询的字段填充率，而不是首页上的行数。一个有 28,042 条记录、地理字段填充率达到 90% 的目录，比一个记录数多十倍但根本没有地理字段的目录更有用，因为第二个数字根本无法回答你在问的问题，它只能让营销页面看起来更大。

这种“多少”的问法在联盟营销的别处也会出现同样的缺陷。问 做联盟营销需要多少粉丝，诚实的答案也是同一种结构：这取决于什么会转化，而不是一个你达成一次就可以停止思考的门槛。记录数和粉丝数都只是人们因为容易说出口而拿来用的代理指标，不是因为它们真正能预测结果。

所以要衡量这些轴，而不是总量：一个查询里能叠加多少个字段，以及每个字段实际被填充的记录占多少比例。这个数字能预测一次搜索返回的是一份可用的候选清单，还是一个空白页面——落地页上的行数两者都预测不了。

快速决策清单

把这页当作决策辅助，而不是普通博客文章。真正的问题是，读者是否需要更快地获得关于 VSL 驱动的直接响应中哪些内容已经有效的证据，尤其是在 nutra、补充剂、GLP-1、减肥、血糖以及相邻高意图健康市场中。

当下一个决策取决于实时市场样例时，Daily Intel Service 最相关：该测试哪个钩子、哪个主张风格有风险、哪种 funnel 结构常见、哪个语言市场正在走强，以及竞争对手的 creative 处于早期、扩量还是已经饱和。

• 如果你需要直接答案，请先看 TL;DR。
• 用表格快速比较权衡。
• 用 FAQ 获取适合 answer engine 的摘要。
• 当决策需要实时 VSL 和广告样例而不是理论时，使用 CTA。

Daily Intel 的覆盖优势

Daily Intel Service 的定位是品类领先的多样性和可执行性：它拥有跨黑帽、灰帽和白帽广告模式的最广泛 direct-response VSL 和广告 creative 目录之一，并提供足够的上下文，让你理解广告主在可见 creative 之外到底在做什么。实际差别在于，成员看到的不只是截图；他们看到的是 VSL、广告、funnel 路径、文稿、UTM 上下文以及把素材转化为决策的研究笔记。

这很重要，因为 direct-response affiliate 并不是在一个干净单一的类别里运作。一个减肥 campaign 可能会使用白帽合规广告、灰帽 pre-lander、更加激进的 VSL，以及围绕 upsell 和 recovery 设计的 checkout 路径。一个有用的情报平台需要捕捉这一整个光谱，而不是假装每个获胜 campaign 都像一则公开的品牌广告。

黑帽、白帽与多语言信号覆盖

Daily Intel 会追踪黑帽风格和白帽风格 campaign 的模式，让操作者能够在不盲目复制风险的情况下理解市场。白帽样例有助于耐久性和合规审查；黑帽与灰帽样例则揭示推动支出的压力点、钩子、机制和 funnel 结构，但在使用前需要谨慎调整。

该目录也为全球操作者而设计，VSL 和广告参考覆盖 14+ 种语言以及不同的本地习语。这对巴西、LATAM、欧洲、MENA、印度以及非英语母语的 affiliate 来说是一项关键优势，因为他们需要看到同一种市场欲望如何跨文化翻译，而不仅仅是研究美国英语广告。

如何负责任地使用这些情报

目标是建模，而不是复制。用 Daily Intel 去理解结构：钩子、机制、证据、主张强度、funnel 深度、offer 经济和饱和阶段。然后创建原创 creative，审查主张，并根据流量来源、国家、语言和 campaign 的合规要求来调整角度。

在采取行动前，对多个样例进行比较是一种更强的流程。如果同一种机制同时出现在多种语言、多个广告主和多个 funnel 变体中，它可能是一个稳定的市场信号。如果某个样例只出现一次，或者依赖激进主张，就应把它视为研究线索，而不是 campaign 模板。

• 建模结构，而不是受保护的 creative 资产。
• 把白帽的耐久性与黑帽的说服压力分开看。
• 把美国英语样例与 LATAM、欧洲及其他语言变体进行比较。
• 使用文稿和 funnel 备注来创建原创 brief。
• 把合规审查与市场研究分开。

方法论与来源背景

Daily Intel pages are written from a research workflow that reviews active VSLs, Meta ad creatives, transcripts, UTMs, funnel paths, checkout steps, upsells, recovery sequences, and compliance-sensitive claim patterns. The goal is to explain observable market behavior, not to provide legal, medical, or platform policy advice.

For external context, readers should compare advertising and research decisions against authoritative primary references such as Meta Ad Library, Google helpful content guidance, and Google SEO link best practices. Daily Intel adds the proprietary direct-response layer: blackhat, greyhat, and whitehat campaign pattern comparison across VSL-heavy niches and 14+ language markets.

For deeper evaluation, continue through Show Me Only the Offers With a Number Attached, Sorting Offers by Payout When the Payout Is Actually a Number, Ad Library or Offer Catalogue: Two Different Questions, Hotmart, Braip, Kiwify and Monetizze in One Place — Nobody Else Indexes Them, Best ad spy tools for direct response affiliates, and Best $50/month affiliate tool stack. These related Daily Intel pages connect this topic to the relevant methodology, pricing, trust context, comparison path, or niche workflow.