一.前言
放贷行业本身的业务逻辑很简单,之前几篇文章已经讲过了,这里再简单概括一下:
公司需要找到风险资质好（不容易违约的）,且有借款意愿的用户（缺钱的）,然后定价（计算借他多少钱），把钱借出去。
前半句话就是投放的数据分析师在干的事:如何获取用户。
本篇文章就来讲一下投放侧需要数据驱动业务的分析板块以及一些基础的投放相关的概念，投放是一个非常复杂的业务板块，也是互金的核心，中间的每一个part都可以单独写一篇文章，本篇只起介绍作用。
二.一些基础概念
消耗:每天花多少钱进行投放
渠道:投放的channel,让用户在什么地方看到我，国内的抖音,快手,b站,海外的google,facebook,meta是一些主流的大媒体渠道,也是花钱的主战场,一些手机的应用商城,金融网站就是一些小流量渠道
素材:投抖音时广告长啥样就是素材,真人口播&图片&短视频
归因:我要让人知道我们的app，我就要投广告，xhs，dy，快手等等我都可以投，人家看到我的广告就会下载
但是有个问题，我同时在3个平台都投了，小张在三个平台都看到了我的广告，他下载了游戏，那你觉得是哪个渠道的功劳呢？这个就是广告最核心的归因逻辑，把用户的每一次行为归到那个渠道上，注意是每个行为，小张在a渠道下载了游戏，但是没注册，1个月后在b渠道看到了打开了游戏，这时候注册了，那注册和下载的功劳分别应该归给谁？这就是归因。
三.一些核心指标
CPS:消耗/放款人数
CPA%:消耗/放款金额
CPI:消耗/下载人数
CPA:消耗/发起借款人数
CTR:素材点击率
风险通过率：成功放款的人/发起借款的人
逾期率：FPD7(短期风险），FPD14（长期风险）
备注：这些指标同样是广告行业的通用指标，如CPS(Cost Per Sale)，概念是：以实际销售产品数量来换算广告刊登金额。这里的产品数量等价于放款人数，消耗等于广告消耗金额。是同一个概念在不同业务下的换算逻辑。
四.预算和目标制定
每个月花多少钱？在哪些渠道花钱？每个月CPS目标是什么？
这部分就是预算和目标制定，这直接决定了我们一个月的投放节奏，预算拍的少了，月初向老板申请预算也少，如果市场环境很好，我没看钱加量，就错过了起量的机会，如果预算拍多了，月末没花完，和老板就不好解释。
那我们一般是怎么制定目标和预算的呢？
step1:
计算我们的买量线边界，这部分一般是和经营分析的同学一起做的，我们会一起计算出本月买一个用户花多少钱不会亏，以及今天花的这笔钱，大概多久会收回来，也就是回本周期，如果一个用户需要平均100块获客，但是他最终可能只能带来80的收益，那就是亏本买卖。
注意，这里带来的80元收益是包含长尾效应的，因为今天投了一个广告，可能今天就带来了一个新用户，但是随着时间积累，可能来的用户越来越多，数据分析师就需要根据历史的数据，估算大概今天投了100块，按照比例折算，今天带来多少用户才不亏本，里面有预测的成分在，如果老板希望回本周期提前，那我们就要尽量压低我们的买量线。
step2:
计算现在的边际cps，假设最近两周的消耗分别是100，200，放款用户数是2，3，那边际cps就是（200-100）/（3-2）=100，意味着按照现在的投放节奏，我们多买一个用户需要多花100块钱，这个比例如果在买量线内，那我们认为就是合理的，本月可以加量，如果超了，那就只能维持观察
step3:
根据月初制定的预算目标和cps目标，动态调整预算，比如近期风险很差，逾期用户比例很高，那哪怕我们的cps成本很低，也不能加量，如果cps很好，风险也很好，那我们可以在一定程度上增加消耗。
五.异动分析
一般投放最核心的两个北极星指标的异动分析就是消耗和CPS,先说消耗。
你可能会觉得奇怪，消耗不是想花多少就花多少吗？其实不是，有的渠道不是你想花钱就花的出去的，以下是一些可能的原因：
1.出价过低
在竞价广告系统中，出价是你愿意为一次点击或转化支付的价格。如果你的出价比竞争对手低，系统在竞价中就会处于劣势，无法赢得足够的曝光机会。
例子： 销售高端护肤品，目标转化出价设为50元。但竞争对手们为了抢量，出到了80元甚至更高。系统在寻找可能进行高价购买的用户时，会优先将广告展示给出价更高的广告主，导致您的广告很少被展示，消耗自然跑不起来。
2.广告计划处于“学习期”
新的广告投放计划上线后，系统需要一段时间（通常是几天）收集足够的数据（约50个转化）来学习“谁是你的目标用户”。在学习期内，系统探索效率较低，消耗可能会不稳定或偏慢。
例子： 新建了一个以“购买”为转化目标的计划。头几个小时系统可能消耗很慢，因为它还在试探性地向不同用户展示广告，观察谁会真的下单。一旦学习成功，消耗速度就会加快。
3.定向条件过窄
设置的受众范围太小，系统没有足够的空间去寻找用户。
比如在北京开了一家线下猫咖馆，投放时设置了定向：北京 + 朝阳区 + 20-25岁 + 女性 + 最近养猫 + 喜欢搜索“布偶猫”关键词。这个群体可能总共就只有几万人，其中今天会打开App并且看到广告位的更是少之又少。盘子太小，预算当然花不出去。解决方案是逐步放宽定向，比如先扩大到全北京，年龄放宽到18-35岁等。
再说CPS,这一般是我们最终的目标，对于CPS波动的分析就很重要了，常见的原因:
1.市场环境在变激烈，大家都在花高价买用户，我不得不也提高出价，成本自然变高
2.用户结构变化，虽然我能很便宜的买到用户下载我们的APP，但是风险通过率在降低，来了他们借款都过不了，也就是CPI低，但是CPS高，主要是因为风险通过率低
3.用户借款意愿变弱，来的用户，看了一眼我们的额度或者利息，不感兴趣，就走了吗，这就是CPI低，但是CPA高，导致CPS也高。
六.归因策略
一个用户可能今天看了抖音的广告，明天又在快手看到了广告，最后通过微信小程序完成借款。借款行为的功劳应该算给谁？归因分析就是解决这个“功劳分配”的问题。
听着好像很简单，但是其实里面非常复杂，如果用户卸载了app，看到了另一个广告再下载，算新的渠道的功劳吗？用户看到了抖音的广告下载了但是没注册，过了一段时间之后看到了快手的广告进入app注册了，这算谁的功劳？如果用户了看了A广告，过了30天才下载，算这个A广告的功劳吗？如果过了90天才来，还算吗？这部分需要单独篇文章讲。
常见归因模型：
最后点击归因： 功劳100%归功于用户最后点击的那个渠道。简单但可能高估了末端渠道的价值，忽略了前端渠道的“种草”作用。
首次点击归因： 功劳100%归功于用户第一次点击的渠道。
多点触归因： 基于历史数据模型，为转化路径上的每个触点分配不同的权重。这是最科学、最公平的方式，但需要足够的数据量来支撑模型训练。
七.回传策略
大家有没有想过一个问题，为什么抖音推给你的视频广告这么精准，你喜欢玩游戏就给你推游戏视频，你喜欢宠物就给你推宠物视频，这后面除了推荐算法的作用以外，还有一部分就是回传策略的作用。
我要让抖音给那些我们希望曝光的人曝光,他是这么知道我们需要哪些人的?就需要我们把想要的人的画像给他。
抖音内部通过机器学习的方式学到这群人的画像后,之后他就会给这些人比曝光了,所以回传就 是广告主和媒体方交互的一种方式,把我想要曝光的人传给媒体让他去学。
用户有各种行为，广告点击、APP下载、激活，注册，授信，发起借款，借款成功，我到底应该回传给媒体触发了哪些行为的用户？
这就是回传策略。
举个例子，我假设回传给媒体所有下载了app的用户，那大概率媒体侧学到的画像就是那些有贷款需求的用户，之后就会给他们曝光，但是里面有个问题，这些用户真的是好用户吗？
最开始我们就说我们的目的是找到既有借款意愿同时资质又好的用户，这些下载了app的用户只能代表他借款意愿强，但是不代表他们资质好，资质不好，就会借款时被风险卡掉，那其实我是白白浪费了这笔投放费用。
那我回传所有借款的用户，这是不是就是最合理的呢？也不一定，因为他们虽然是真正的我们希望找到的用户，但是如果用户量少，其实也不利于媒体的机器学习模型去学，样本量越大，学的效果越好，这里就需要数据分析师通过不断的测试寻找最优的回传人群。
再举个例子，最近我们发现来我们这边借款的用户比例提高了，但是后端的风险通过率一直在降低，在风险模型没有变化的情况下，意味着我们获客的人群结构在变化，来的坏用户越来越多，这个时候我就要考虑对我的回传策略做迭代了，因为来什么用户有很大程度是取决于我回传给媒体什么用户的，这个时候我就会在回传给媒体的用户里做一些筛选，比如把年龄小的用户砍掉，把A卡分低的砍掉，这样能保证我传给媒体侧的用户资质稍微好一细些，怎么砍，怎么留，砍多少，放多少，就是回传策略需要考虑的事情。
八.素材分析
这部分比较简单，就是我们在媒体上用哪些素材更容易吸引用户的眼球，这部分的广告素材的设计一般是由优化师和剪辑师负责的，数据分析师们大多都是充当回收数据和分析的工作。
比如红的是不是比黑的用户点击率更高，视频素材是不是比图文素材曝光率更高，视频素材里是真人口播还是场景介绍效果更好？一般也就是通过类ab实验去对比测试，注意，这里是类ab实验，不是严格意义的ab实验，因为哪怕是两张除了颜色完全一样的图片，他在媒体侧的曝光逻辑都不一样，有可能媒体天然的就喜欢给黑色图片曝光，意味着这两部分素材不是完全可比。
以上就是投放策略相关的主要数据分析内容，里面每个部分都可以单开一个专栏讲，大家可以期待一下，因为我也不清楚其他行业的投放是不是和信贷的差不多，本篇的内容只针对信贷行业，但是我估摸着也八九不离十，希望分享的内容对大家有帮助。
九.数据分析师怎么追踪数据？
以下以一个日常的投放dashboard和大家展示平时会做哪些简单的异动归因分析
十.确定性归因和概率归因
上一篇我们讲到了广告投放行业归因的重要性，在复习一遍，归因是判定一次用户转化（如购买、下载）功劳应该算给哪个营销渠道的规则和方法，其核心目的是弄清钱应该花在哪儿。
1）确定性归因
这是最准确、最主流的匹配方式。它通过匹配两个完全相同的标识符来实现。具体来说，当用户点击广告时，渠道记录下他的“设备ID”；用户安装App时，SDK也上报“设备ID”。归因平台将两个ID进行比对，完全一致则匹配成功。就将用户下载app的行为归给了这个渠道。确定性归因的结果是极其精准，确定无疑的。但是可能会高度依赖标识符的获取（如用户禁止追踪，就拿不到设备ID）
常用标识符：
设备ID：如手机的IDFA（苹果）、GAID（谷歌安卓）。
用户ID：用户登录后的账号（如邮箱、手机号）。
2）概率归因
当无法获取精确标识符时，利用多种数据进行概率算法建模，推测一次转化最可能来自哪个渠道。当用户下载app时归因平台分析这些数据，计算出一个概率值（例如93%的匹配度），如果概率超过某个阈值，就判定为匹配。
在隐私限制加强的情况下，依然能进行归因分析，但是存在误差，是“最可能的”结果，而非“确定的”结果，一般在90%左右。
十一.自归因渠道和非自归因渠道
1）非自归因渠道
非SRN指的是自我归因能力较弱或不进行自我归因的广告渠道。
几乎所有除了那几个科技巨头之外的平台都属于此类，比如Unity Ads、ironSource、AppLovin等广告网络。它们遵循行业通用规则，会将每次广告点击的详细数据（如设备ID、时间、点击的广告信息）直接、实时地发送给像AppsFlyer这样的第三方归因平台，归因的规则完全由三方平台掌控
2）自归因渠道
自归因渠道媒体是拥有庞大用户数据和强大技术实力的科技巨头。
最典型的代表就是Meta、Google、Twitter、TikTok Ads、Apple Search Ads等。它们不轻易将原始数据（如每个点击对应的设备ID）直接共享给第三方。因此它们拥有自己的一套归因系统。当有下载或者别的用户行为发生时，它们要求第三方平台来向自己“核实”。
十二.归因为什么这么重要？
上面的东西搞清楚了，我们回到最初的点，为什么说归因很重要也复杂？一句话概括就是:谁（广告主，三方，媒体）都可以做归因，但是大家的立场和方法不一样，导致各自归因结果也不一样，不一样的情况下，那我应该相信谁，比如广告主认为小张是a渠道来的，三方平台认为是b渠道来的，a渠道和b渠道都认为是他们的，那谁说了算？我们先看三者分别是怎么做归因的：
媒体：用户访问Meta或Google等媒体时，媒体会给自己生态内的用户打上自己的标识符（如Facebook的Cookie、Google的GCID），媒体查看在其生态系统内发生的所有用户互动完成归因，比如一个用户在Facebook上点击了你的广告，但24小时后通过Google搜索你的品牌名并完成购买。
Facebook的逻辑：“他点击过我的广告，所以这次购买是我的功劳。”
Google的逻辑：“他是通过搜索我的渠道才完成购买的，所以这次购买是我的功劳。”
这是一个 “黑盒” ，规则由媒体自己制定，且倾向于将转化功劳归于自己。
三方：会在广告主的应用app里进行一个埋点，也叫sdk，当一个设备ID-123安装了App并打开，SDK就会向三方平台会上报一次下载，这个时候三方平台就会在自己的数据库中查找设备ID-123在归因窗口期（如7天）内是否有广告点击记录：
如果匹配到渠道A，则归因给A。
如果匹配到多个渠道，则按照预设优先级（如最后一次点击）判决。
如果没匹配到，则记为自然量。
补充：什么是归因窗口期？
归因窗口期是指从用户发生广告互动（如点击或浏览广告）开始，到完成转化（如安装应用、购买商品）为止的一段预设时间。
如果转化发生在这个时间窗口内，这次转化的功劳就归功于那次广告互动。
如果转化发生在时间窗口之后，这次转化就不会归功于那次广告互动。
eg：比如你收到一张超市的10元优惠券，券上写明：有效期至2024年12月31日。
你在这个日期前去购物，结账时出示优惠券，成功抵扣10元。这次消费归功于这张优惠券。
你在这个日期后才去购物，优惠券已经失效，无法使用。这次消费就与优惠券无关。
常见的归因窗口期通常分为两种：点击归因窗口期和浏览归因窗口期
窗口期过长（如30天点击）：能捕捉到更长的用户决策周期，适合高价值、长决策的产品（如汽车、旅游）。但也可能过于“贪婪”，抢走了本应属于其他渠道（如品牌搜索）的功劳，导致数据不够“新鲜”，优化调整会滞后。
窗口期过短（如1天点击）：数据反馈快，能迅速优化广告，适合追求即时效果的快消品。会漏掉很多延迟转化，严重低估广告的长期价值。
至于到底怎么定，是可以广告主根据自身的业务属性来自定义的，没有一个标准答案
如果匹配到渠道A，则归因给A。
如果匹配到多个渠道，则按照预设优先级（如最后一次点击，又比如有限考虑确定性归因再考虑概率性归因）判决。其中也会根据渠道是否师自归因渠道做区分：
*根据广告渠道的不同，确定性归因又分为两种模式：
匹配到非自归因道：用户点击广告时，渠道将包含设备ID的归因链接传递给AF。用户激活应用时，AF SDK上报设备ID。AF通过直接匹配两个设备ID完成归因。
匹配到自归因道：应用激活时，SDK将设备ID上报给三方平台的服务器。服务器会向渠道（如Facebook）的服务器询问：“这个设备ID（1234-5678-9012）的用户是你们带来的吗？”渠道根据自己记录的数据进行核实，并返回“是”或“否”的答案及相关广告信息。三方平台根据渠道的回复完成归因。
如果没匹配到，则记为自然量。
广告主：使用用户的一方数据，这些数据只有广告主才能获得，比如用户注册的手机号、邮箱。系统生成的用户ID，支付信息（如信用卡号、PayPal账号），用户下载后广告主会同时看：
第三方平台的数据。
各个媒体的数据。
然后将第三方平台提供的归因数据（例如，“用户ID-456是由Facebook带来的”），与自己后台的业务数据（例如，“用户ID-456首单消费了200元”）进行关联并整合最后归因。
数据分析师或者策略分析师需要制定一套标准去判断什么条件下我应该用谁的归因，比如在我优先相信三方平台的归因结果，但是超过了3天，我就用自己的归因结果，这个同样没有对错，只有合理。
十三.回传
回传本质上是服务器与服务器之间通过特定URL进行的数据传输，用于告知媒体平台“转化”这一行为的发生。
用大白话讲就是：告诉广告主，我的广告钱，到底花得值不值？
在没有回传的时代，广告主只知道在媒体（如Facebook、Google）上花了钱，带来了多少点击，但完全不知道这些点击最终产生了什么价值——比如有多少人真的下载了App、购买了商品、或者填写了表单。广告主知道有多少用户下载了我的app，但是不知道他们是哪里来的，媒体知道有多少用户看了广告，但是不知道他们最后有多少转化，回传的出现，就是为了打通“点击”和“转化”之间的数据壁垒，让广告主能清晰地看到从点击广告到最终转化的完整效果链条。
国内投放，广告主可以直接将转换的数据给到媒体，但是在海外，回传的流程是广告主先把转化数据给到三方监测平台，再由监测平台想媒体回传数据。
十四.广告策略最核心的公式ecpm的拆解
把回传和归因讲清楚了之后，我们就可以拆解广告投放最核心的一个公式：ecpm了
eCPM 指的是每千次展示期望收入。这是媒体平台（如Meta， Google, TikTok）用来给广告排序的核心指标，简单来说，eCPM高的广告更容易获胜，获得展示机会，他代表了每条广告在一次展示竞争中的竞争力。
eCPM = 出价 × 预估CTR × 预估CVR × 调价因子
出价:这是广告主在广告中设置的最高心理价位。它表示广告主愿意为一次转化（如购买、注册）支付的最高费用。你告诉媒体“我的目标是用户放款，我愿意为一次放款转化出10美元”，媒体系统会利用它的大数据模型，自动估算出需要多少展示才能带来一次转化，并反过来帮你竞争展示机会。 这是广告主最直接、最可控的杠杆，是eCPM计算的基准值。
预估CTR:这不是广告的历史CTR，而是媒体平台基于实时上下文、用户画像和广告特征，预测您这个广告对当前这位特定用户产生点击的概率吗，它的影响因素为广告创意质量、用户兴趣标签、广告与当前媒体内容的匹配度等。
预估CVR：同样不是历史CVR，而是媒体平台预测如果这个用户点击了广告，他最终完成转化的概率。影响因素：用户设备类型、地理位置、历史行为模式、落地页质量等。
预估CTR和预估CVR是怎么计算出来的呢?
这其实是媒体平台和广告主之间共同决定的,媒体平台有自己的机器学习算法,而广告主把样本量给到媒体平台,让他们去学习
为什么上面要先讲回传和归因,因为这个地方会用到：假设a媒体某个广告一共发生了100次点击,实际的转化用户数是10次,我把这个10个用户全部传给媒体,那在本次的机器学习模型中正样本就是10个。
但是如果我的回传和归因策略做了一些调整,我把一些我认为不是这个渠道的转化以及一部分女性转化用户剔除了,我不传给媒体,那媒体那边接受到的转化数可能就是7个,那同样100次点击里正样本量就是7个,那模型训练出来的预估CTR和预估CVR肯定不一样,这就是回传策略和归因策略很重要的原因,我回传的归因的用户数直接决定了预估CTr和预估CVR,间接影响eCPM.
那到底这么传,传多少,传给媒体什么样的用户带来的预估CTR和预估CVR更好?这其实是个黑箱,我们只能通过不断的测试和调整才能知道效果,可能在a渠道我们多传效果好,在b渠道少传效果好.
调价因子是媒体平台为了帮助广告主控制成本而设置的出价上限。调价因子直接限制和影响了公式中的“出价”部分。你设置一个调价因子（例如$10），媒体平台的算法会在不超过这个上限的前提下，智能地调整每次竞拍的实际出价，以尽可能多地获取转化。
这个闭环的核心步骤在于：
归因 :“功劳认定”
当用户点击广告并完成转化后，归因过程会判定这次转化应该记在哪个媒体、哪个广告的头上。
没有正确归因，所有的数据都是混乱的。 系统无法知道哪个广告计划带来了转化，也就无法计算该广告计划的CVR。
回传 : “数据反馈”
归因确定后，会通过回传将这次转化事件通知媒体平台。
这是整个学习循环的“氧气”。 回传提供了计算CVR 所必需的 “转化次数” 数据。
闭环形成与算法优化
媒体平台收到回传后，就知道：“原来这个点击，最终产生了一个价值$X的转化”。
这些海量的回传数据持续输入媒体的算法模型，使得模型能更精准地预测：一个新用户点击广告后，他发生转化的概率（即CVR）有多大。
这个 “预测CVR” 会直接代入 eCPM公式 中，用于下一次广告拍卖。
当系统通过回传数据学习到，某类用户群的转化率（CVR）很高时，它在遇到类似新用户时，就会给出一个较高的 “预测CVR” ，从而计算出更高的eCPM，更积极地竞拍并向他们展示广告。
举例:
最近我们发现a渠道转化用户数在提高,但是主要是因为薅羊毛的新客用户在增加,这其实不是一个好现象
这意味着我们广告投放带来了很多低质量的用户,这个时候,为了减少对于这部分用户的曝光,我们做了回传策略的调整
通过一个ltv模型把哪那些ltv值很低的用户找了出来,比如找到了分数最低的20%用户,他们arpu很低,并且也没有复购,对于这部分用户,我们原来的回传策略是会把他们当作一个转化给到媒体去学习的,现在我们把他们砍掉,不再当作转化用户回传了,这个时候我们回传的量级就会减少20%,这样的策略带来两个影响:
1)媒体平台学到的用户质量会变好,因为羊毛用户不会再给到媒体了
2)学习样本量减少
这时候策略需要相应的做的动作和分析就是:
1)提高出价,因为学习样本量少了,媒体能找到的人就少,如果不提高出价,可能我们曝光的量也会少
2)实时监控前端转化量的变化是否符合预期,我们砍掉了20%的用户,是不是真实每天回传的量级就是减少了20%?
3)分析后续带来的用户质量是不是真的在变好?薅羊毛用户是不是在减少?用户复购率是否提升?