现在信息流广告盛行的出价方式是OCPM和OCPC，平台算法越来越智能，人群定向、出价、自动版位，甚至起量都有了一键起量的工具，很多优化师都表示自己现在更像是一个无情的上计划机器，从之前的精耕细作，到现在mkt工具下批量几千上万条的计划新建去跑概率，似乎我们已经很难做人工干预了。今天想从广告逻辑方面谈一个投放取巧的话题——如何从后端干预投放模型。
我们可以从两个投放的基础逻辑出发。
1、两个投放逻辑
一、ECPM公式
eCPM=CTR*CVR*出价*1000在广告分发中，ecpm对广告竞得影响比重大（这里暂不考虑频次、定向等过滤），只有广告竞得的情况下才有后面的计划起量的说法。从公式中比较直观的可以看到影响因素主要有三个，其中广告主侧能直接进行实时干预的包括出价（CPA）和CVR，通过干预这两个参数我们可以调整干预ECPM，进而影响拿量情况。
二、转化漏斗
在转化漏斗过程中，前端数据主要由媒体提供；而后端数据，在跑API的情况下是由广告主自行上报，然后再进行归因。在自行上报的这个过程中，就可以人为干预不同层级的转化率情况。当然，跑SDK的模式也可以进行类似的干预，不过相对复杂。
通过上报不同的数据，除了能够影响ECPM之外，还会对广告模型的人群产生影响，进而影响后端更深层的数据。它的应用主要有三个方面：
1、单纯的对回传数据进行扣量（此时也会存在加量的情况），可以降低自身的实际转化成本或者提高学习期的通过率；
2、在埋点上面下功夫，将埋点行为前置或者后置（本身也是扣增量逻辑）；
3、利用数据挖掘的手段，对用户的付费率以及LTV等进行预估，提前将归因数据进行回传。
2.具体应用
先讲第一个方面，这涉及到了API数据对接回传的原理，在之前的文章中有提到，这里就不多说。简单来说就是媒体将点击数据回传给广告主，广告主这边将转化的设备号同点击设备号匹配一致，最后将转化设备回传给媒体进行建模。
以付费目标举例。我们知道媒体对于度过计划学习期是有转化数据量级要求的，比如巨量引擎，官方定义度过学习期的标准是在3天内积累20个转化就可以度过学习期。在此时我们可以将一部分真点击但是没有转化的设备号回传给媒体，此时媒体会判断该计划的转化良好，就会让该计划更好的度过学习期并且可以更好的消耗起来。
第二个则是扣量，这里的逻辑相对简单，模型是需要探索学习的，假设原本应该回传的数据是50个，但是你实际只回传了40个，对于模型来说，由于初始探索曝光以及赔付机制存在，系统会加大力度探索，这个时候你的实际数据表现会提高，表现在付费率提高等。在这种情况下，主要是通过影响CVR来调整量级。
在增量策略下，后端数据会不那么可控，这里最好结合第三点一起做，或者选取比较有竞争优势的素材计划去辅助配合。扣量策略下，由于CVR降低，在初期系统通过大盘数据进行预估给量探索，实际的转化成本会更低，但是计划会更难放量，如果按照过往数据进行出价，在过了探索期，计划很容易崩盘，这种情况可以适当调整CPA出价来拉升ECPM。具体的扣量比例，和出价比例调整可以按照实际情况微调。
第二个则是在数据埋点上面下功夫，埋点可以让我们针对不同的转化行为进行出价，得到我们所希望的结果。扣量不单纯只是在量上进行扣除，也可以埋点行为后置，比如激活定义在热云上是启动初始化激活，但是初始化可以埋在启动也可以埋在注册或者创角这个界面，通过增加转化行为的深度进行扣量。这里面要注意的点，行业大盘数据标准值是存在一个范围区间，而数据是否异常可能会影响拿量，类似上面讲的CVR。比如大盘付费率20%+，你扣量之后数值范围在15%左右的话，可能会使得模型在短期内加大探索；如果扣量太多导致付费率跌到10%以下，可能会让系统认为计划付费率过低而减少探索力度，使得量级减少。对于扣量后数据取值的话，需要存在一个标准对照，统一用自有埋点或者第三方标准的数据去做参照。比如用热云扣量激活，一个在启动就激活，一个在a行为激活，对比两者在自己后台的数据增长差异，数据是否变好，比如激活成本后端数据变化等情况。
这里的埋点回传定义有点类似关键行为的转化目标，但是媒体本身在不同的转化机制中会存在不同的建模方式和预估数值，所以又不能同一来看，比如直接用关键行为的某些参数去跑激活，这样在激活率参考上就会有很大差异，导致拿量问题。在付费回传上，有些产品会有低额付费，比如1元，这种产品去跑付费次数会更好拿量，因为降低了付费门槛，但是在跑付费率的时候，可能会造成1元付费较多，导致后端数据变差，roi难以达标，这时可以把低额付费扣除做测试。对于变现产品，由于成本较低，假量难以控制，可以通过把初始化激活埋点放到主界面或者首次广告上去进行用户过滤。
最后是通过数据预估的手段提前将数据回传，这比较考验客户的数据挖掘和建模能力，广告主通过建模预测出媒体回传回来的点击数据中是否有存在可能的转化。这个时候会涉及到两个方面的内容：
一是转化的时效性问题；转化是存在延迟的，延迟时间的长短很影响量级和消耗，比如广告主可以预测到点击数据中哪些设备号是可能会转化的，那么就可以及时将该设备号进行回传，由于此时的数据是依赖广告主建模，而不是等真实转化之后才回传，会使得转化延迟时间的问题大大减少，不仅时效性可以得到保障，而且预测的转化效果会更好，毕竟没有比广告主更了解自身产品的了。
二是预期转化率与真实转化率之间的关系；前面所列举的几种方法其实都是针对回传数据进行一定的策略调整，而最后一种办法实际上就是提前预测出转化数据并进行回传，此时我们就可以更好的控制转化率，而预期转化率在一定时间区间内是要高于媒体后台的真实转化率，也就使得ECPM提高，竞争力也同时得到提高。当然也不止于此，当广告主可以针对用户进行LTV预估的时候，用户的价值得到分层，可以针对不同的流量进行出价，更好的平衡质与量之间的关系。
总的来看，进行模型干预需要了解清楚数据每个环节的定义以及回传机制，然后是广告模型以及业务上的一些逻辑。在选取想要的数据结果的时候，一定要有一个标准量去参考，外部对齐数据的时候并不是每家情况都一样。同样的，对于不同目标和节点的比例需要根据成本拿量情况去做调整，只要实际目标的后端能得到优化，出价可以做适当的调整。
最后，媒体和市场规则一直在变，优化师角色的定位本身也一直在变，愿所有优化师都不会是一个木得感情的上计划机器。