开环广告与闭环广告

📝 Before You Continue: 本章需先读 12.4（智能出价与预算控制）——oCPM 与深度转化出价的公式是本章「闭环能做什么」的地基；以及 12.5（预估偏差与校准）——归因与延迟反馈是本章「开环为什么难」的前置。本章从数据可观测性视角，为整个 Part 12 收束。

前五章讲完了一件事的四个侧面：怎么投放（12.1）、怎么计费（12.2）、怎么定价（12.3）、怎么出价（12.4）、怎么测量（12.5）。但所有这些精妙机制都踩着一个未被明说的假设——平台能观察到多少转化数据。设想同一个 oCPM 出价公式：$\text{eCPM}=1000\cdot \text{pCTR}\cdot \text{pCVR}\cdot {\text{Bid}}_{\text{CPA}}$，在抖音小店里，用户下单支付全在平台眼皮底下，pCVR 模型每天有海量转化标签可学；可一旦广告主投的是「App 下载」，用户跳出抖音、在 App Store 里点了下载按钮，抖音根本看不见那一下「转化」到底发生了没有。同一个公式，前一个场景里 pCVR 是实打实的观测，后一个场景里 pCVR 是半猜半等。

这一章讨论的，就是这条把广告世界一分为二的线： 转化行为是否发生在平台可观测的域内。域内是 闭环广告（Closed-loop Advertising） ，域外是 开环广告（Open-loop Advertising）。你会看到这条线如何决定了一个平台能做多深的优化、能报多贵的价格、能兑现多大的承诺，也会看到隐私浪潮如何把这条线越推越偏向「平台自己闭环」。

读完本章，你将能够：

• 用「转化是否在平台可观测域内」这条标准，把任意一个广告场景归类为闭环或开环，并说清它影响的不是广告形式而是数据链路
• 解释闭环为何让平台能训练深度 pCVR 模型、做深度转化出价（付费/ROI/次留/7 日 ROI），以及「越投越准」的正向循环如何推高 eCPM
• 描述开环归因的完整流程（clickid 下发 → 回传 → ip+ua 兜底）与六种归因模型的分配规则，说清 MMP 为何能对抗重复计数
• 说明 ATT、SKAdNetwork、Android Privacy Sandbox 如何让确定性归因坍缩，以及开环场景下的混合归因策略
• 描述开环工程实战的六层基础设施：回传协议设计（clickid/幂等/乱序）、MMP 多路匹配与反作弊、SKAN 落地（Conversion Value 编码/聚合建模）、延迟反馈与样本偏差的三族解法、半闭环的激励回传机制、增量测量（geo 实验/MMM）
• 用一张对比表串联闭环 vs 开环在出价目标、数据可得性、延迟反馈、模型训练、归因确定性上的全面差异，完成分层练习题

12.6.0 广告的第二根轴：数据可观测性

12.1 的生态全景里，我们把广告按「投放模式的演进」切了三刀：直签、广告网络、程序化交易。那是一条关于 交易结构 的轴。现在引入第二条轴，与交易结构正交： 数据可观测性（Data Observability）——广告主想要的转化，到底发生在平台的视线之内，还是视线之外。两根轴拼起来，才是一张完整的广告地图：你既要知道流量是怎么买来的（12.1），也要知道转化是怎么被看见的（本章）。

这条轴的两端有业界通用的名字。闭环广告（Closed-loop Advertising） ，也叫 内循环 ：广告曝光、点击、下单、支付这一整条链路都在平台自己的生态里完成，数据一步也不离开平台。典型形态是抖音小店、快手小店的电商闭环，或 Facebook Shops 里的站内购买——用户在信息流里看到广告，点进去直接进商品页，下单支付都在 App 内。开环广告（Open-loop Advertising） ，也叫 外循环 ：转化发生在平台之外，用户从广告点击出发，跳出平台去 App Store 下载、去品牌官网注册、去线下门店消费。平台的视线在这里断了——它能确认「用户点了广告」，却无法确认「用户到底下载了没有、买没买」。

这里有一个必须先钉死的认知： 开环 vs 闭环不是广告形式的区别，而是数据链路是否闭合的区别。原生广告、信息流广告这些「形式」并不天然属于任何一端——同样是信息流里的一条广告，投「抖音小店商品」就是闭环，投「某款手游的 App 下载」就是开环。判断标准只有一个：用户完成转化时，平台能不能直接观测到。这条标准的威力在于它是个二分的开关：链路闭合，后链路的每一层转化（下单、支付、复购、次留）都是平台的训练数据；链路断开，平台手里就只剩「点击」这一个相对可靠的信号，再往后全靠广告主愿不愿意、能不能回传。

左图闭环链路里，四个环节都收在「平台域」的方框内，转化数据沿着实线箭头即时回流，模型与出价都能拿到完整标签。右图开环链路里，「曝光→点击」还在平台内，但「转化」这一步从方框跳了出去，指向 App Store、品牌官网、线下门店——平台与转化之间只剩一条需要广告主回传的虚线，且随时可能断裂。

🧠 Mental Model: 账本在谁手里

闭环广告像在自家店里收银：每一笔成交都记在自己的账本上，今天卖了什么、谁买的、买完又买了什么，翻账本就知道。开环广告像在别人的店里埋单：你只能看着顾客走进门（点击），至于他在里头买了没有、买了多少，得靠店主事后发微信告诉你（回传）。账本在谁手里，决定了你第二天能多聪明地进货。

这一节确立了本章的判据，接下来四节沿着这条轴的两端分别展开。12.6.0 确立判据；12.6.1 讲闭环为什么是「更好的那一端」；12.6.2 与 12.6.3 讲开环的归因与隐私两大难关；12.6.4 全景对比表；12.6.5 是面向工程师的开环实战六层；12.6.6 回到 Part 12 的整体收束。

12.6.1 为什么闭环改变一切

12.6.1 为什么闭环改变一切

闭环的价值不在「形式好看」，而在它补上了前五章所有机制最渴望的一样东西： 完整的转化标签。回想 12.4 的结论——oCPM 的本质是平台用预测能力换定价权，平台敢接转化出价，前提是 pCVR 预估足够准。而 pCVR 要准，前提是有转化标签可学。闭环场景里，这个前提天然成立：曝光、点击、下单、支付每一步都发生在平台域内，平台能直接观测到「这个用户点了广告之后，到底有没有付费」。于是它才能训练真正的深度 pCVR 模型，才敢承诺 深度转化出价——付费单出价、付费 ROI 出价、激活-次留双出价、7 日 ROI 出价这些后链路目标。

这一层差别把出价目标劈成了两个世界。开环场景下，平台只能做 浅层目标 ：点击、激活、表单提交、注册——因为再往后的转化它看不见。闭环场景下，平台能做 深层目标 ：付费、ROI、次留、7 日 ROI——因为这些行为就发生在它的域内。12.4.1 的 oCPM 两阶段实践（先 CPC 冷启动积累转化、再切转化出价）在这里获得了一个新解读：冷启动要积累的「转化数据」，闭环平台靠自己的全链路观测就能拿到，开环平台却只能等广告主的稀疏回传慢慢攒。

更深一层，闭环触发了一个 正向循环。平台用付费用户的完整行为训练深度模型，模型越准，就越能把广告分发给「更可能付费」的人，投放效果越好，广告主越愿意加预算，平台又拿到更多转化数据，模型再进一步——「越投越准」的飞轮转起来了。这条飞轮的终点，是 12.2 风险谱系的最深端：平台甚至敢按「付费」这个最接近钱的目标来代管出价，把转化风险几乎全部揽到自己身上。源材料里头条/抖音的行业口径把这层价值说得很直白：以付费用户为训练数据的模型，稳定后通投效果优异、前端出价更高， eCPM 普遍高出约 20%（行业口径）——广告主买到更优质的流量，平台的千次展示收益也更高，这是一个双边都受益的结构。

这解释了超级 App（抖音、快手、淘宝）广告增长的底层逻辑。它们不满足于做「流量中转站」，而是拼命把交易搬到自己的生态里——建小店、开直播带货、做本地生活——因为每多圈住一段转化链路，就多一份别人拿不到的训练数据。当一家平台同时拥有「海量流量」和「完整转化观测」两样东西时，它的广告系统就能做别的平台做不了的深度优化，这构成了近乎不可逾越的护城河。12.1 的生态演进讲的是「谁能买到流量」，本章补上的是「谁能看见转化」——后者才是现代广告竞争里更稀缺的资源。

🧠 Mental Model: 越投越准的复利

闭环广告像一门有复利的生意：第一笔转化数据是本金，模型是利率，每轮投放都用「本金 + 利息」去赚下一轮更大的转化数据。开环广告则像按次结清、拿不到账本的生意——每次投放结束，你能确定的就是「点了多少下」，本金都攒不下来，谈何复利。数据可观测性，就是这个行业里真正的复利来源。

Analysis: 闭环的「约 20% eCPM 溢价」要放在口径里读：它是第三方行业转述的头条/抖音口径，反映的是「深度模型 + 全链路数据」带来的整体收益提升，不同行业、不同类目会有波动。可把它当作趋势证据，而非放之四海皆准的常数。另需注意：闭环的深度转化出价并非没有门槛——深度后链路事件（如付费）转化稀疏、延迟更高，需要数据积累，这也是快手等平台对「付费 ROI 出价、7 日 ROI 出价」产品要求加白的原因（12.6.4 的对比表会再回到这一点）。

12.6.2 开环的归因难题

现在把镜头转向开环那一端。转化发生在域外，平台看不见，于是横亘在广告主和平台之间的问题是： 这一次转化，到底该算谁的功劳？ 这就是 归因（Attribution）——在广告行为链路里，识别「关键行为」究竟由哪个广告、哪个渠道带来。闭环场景下这个问题几乎不存在（转化就发生在平台内，链路唯一）；开环场景下它成了一个必须靠基础设施去解决的问题。

归因的前提是平台能拿到「转化确实发生了」这条消息，而这条消息要靠广告主 回传。完整流程分三步。第一步， 广告触点追踪 ：用户点击或看到广告时，媒体通过监测链接下发 clickid、广告 id、ip、ua 等参数，给这次曝光或点击盖一个独一无二的戳。第二步， 转化行为回传 ：用户完成激活、注册、下单等转化时，广告主的 App 或网站通过 SDK / API 把设备 ID、clickid、时间戳回传给媒体平台——「这个用户是我要的」。第三步， 兜底归因 ：拿不到设备 ID 时，退而用 ip + ua 做模糊匹配，精度随之下降。回传不仅是为了「算清账」，还是平台做相似人群探索（Look-alike）与放量判断的依据：媒体要知道哪些流量真的有效，才知道该把预算往哪加。

拿到「谁在哪一步转化」之后，还要决定「功劳怎么分」——这就是 归因模型（Attribution Model）。注意它的本质：归因不是客观事实的测量，而是一套 分配规则 的约定。同一条用户旅程，换一个模型，结论可能截然相反。常见的归因模型谱系如下表：

同一条「广告A曝光 → 广告B点击 → 广告C点击 → 转化下单」的旅程，五种模型给出五种答案：最后点击把功劳全给 C，首次点击全给 A，线性三人均分，时间衰减按「离转化远近」递减，位置加权把首尾（A、C）抬高、中间（B）压平。这不是谁对谁错，而是「你相信哪个环节更值钱」的立场选择——下面这个交互式模拟器让你亲手切换模型，步进看同一旅程的结论如何翻转。

建议按剧本走：先在「设定」步看清这条三条触点的旅程，然后依次切到最后点击、首次点击、线性、时间衰减、位置加权，观察横向条形图里功劳的分配如何被同一段旅程「重新洗牌」。最后一步的总结会告诉你，为什么说「归因是一种分配规则，而非客观事实」。

归因还有一个「谁来算」的问题。自归因（Self-attribution） ：平台或媒体自己完成归因，宣称「这次安装是我带来的」——苹果搜索广告、部分头部平台采用此方式。非自归因 ：广告主自行匹配用户与媒体信息，独立完成归因。问题在于，如果每家广告网络都「自己说自己赢」，同时跑多个网络时，各家报告的安装数加起来会远超真实安装量——常达真实安装量的 200%～300%。于是第三方中立仲裁者登场： 移动归因伙伴（Mobile Measurement Partner, MMP） ，如 AppsFlyer、Adjust、Branch、Singular、Kochava。MMP 站在广告主与各广告网络之间，用统一的口径判定每一次转化该记给谁，把「老王卖瓜」的重复计数压下去。

🧠 Mental Model: 法官 vs 当事人

归因模型是「怎么判案」的规则（最后点击 = 只信最后一击；线性 = 人人有份），MMP 是「谁来当法官」的制度安排。让广告网络自己归因，等于让当事人自己写判决书——每一家都觉得自己才是促成转化的关键先生，加起来自然超过 100%。MMP 的存在价值，就是把判决权从当事人手里，转移到中立的第三方。

Analysis: 归因模型的选择本质是一个业务假设，而不是一个可被「算出来」的最优解：最后点击适合决策链短、即点即买的场景；首次点击适合重品牌曝光、决策周期长的品类；数据驱动归因最「聪明」，但它需要大量可观测的转化数据才能学出可信的贡献——这恰恰在开环、尤其隐私受限的开环场景下最难满足。因此选归因模型，先问「我的转化链路多长、数据够不够」再问「哪个模型更准」。

12.6.3 隐私浪潮让开环更难

开环归因的地基是一样东西： 设备级的确定性标识。平台靠 IDFA、GAID 这类广告标识符把「广告点击」和「后来的转化」绑到同一个用户身上。这条地基在 2021 年前后开始塌陷，第一块塌下来的是苹果的 ATT（App Tracking Transparency，应用追踪透明度） ：iOS 14.5 起，App 要访问 IDFA 必须弹窗获得用户授权。结果绝大多数用户拒绝——opt-in 比例仅约 25% ，设备级标识随之大面积坍缩。确定性归因赖以为生的「唯一用户 ID」没了，开环场景的测量精度应声下跌。

苹果随后给出的替代品是 SKAdNetwork（SKAN） ：一套由 Apple 自己校验安装、以聚合且延迟的方式回传转化数据的隐私保护归因框架。它的设计处处透着「反确定性」：数据是 聚合 的而非用户级；回传带有 随机计时器延迟 ；粒度受限；还有 群组匿名（Crowd Anonymity）——安装量太小时回传更少信息，防止单个用户被反向定位。转化则通过 conversion value 上报，App 用 updateConversionValue 记录用户互动。SKAN 4.0 进一步把回传结构化：引入粗/细两种转化值，并设 三次回传窗口（约 0–2 天、3–7 天、8–35 天） ，允许随转化进程多次回传；层级 source identifier 用 4 位分层编码（前 2 位活动、第 3 位位置、第 4 位屏位等），随群组匿名级别升高返回更多位。注意：SKAN 不是 IDFA 的等价替代，它是「用确定性换隐私」的全新契约。

Android 侧也在走同一条路。Android Privacy Sandbox （2024+）是 Google 的无 cookie 归因方案： Attribution Reporting API 提供事件级与聚合两种归因报告，聚合报告自带 差分隐私 噪声；Topics API 则用于基于兴趣的广告。三家平台殊途同归：都把「你是谁」从归因信号里抹掉，只留下加了噪声的「有一群人做了某件事」。

这套隐私浪潮的实用后果是： 开环的确定性归因彻底坍缩，只能退而求其次地「混搭」。iOS 上，广告主与 MMP 如今必须混合使用三层信号：SKAN 的聚合回传（隐私但模糊、延迟）+ 少数 opt-in 用户授权后的确定性数据（精确但样本小）+ 用这两者训练出的建模估计（把模糊补齐成可用的预测）。接受了更多的噪声，也就接受了「每一分钱花在哪」这件事从精确记账退化成带误差的估算。正是这种「看得越来越模糊」的处境，把整个行业推向两个方向：能闭环的，拼命把转化圈回自己的域内（闭环化）；不能闭环的，则转向第一方数据战略——不再依赖跨 App 追踪，而是经营自己与用户直接发生的、合法合规的数据关系。

🧠 Mental Model: 磨砂玻璃

IDFA 时代的归因像透明玻璃：点广告的人、装 App 的人，看得一清二楚。ATT 之后换上了磨砂玻璃：你只能看见「有人进来了」，看不清是谁。SKAN 则是玻璃上再加一层百叶窗：每隔一阵子，Apple 掀开一条缝，给你看一个模糊的、加了噪声的、迟到的结果。广告主和 MMP 能做的，就是透过这三层遮挡，把「到底发生了什么」尽可能拼回来——拼得越像，越接近过去的确定性。

Analysis: 隐私浪潮对开环的打击是结构性的，而非一次性的政策摩擦：ATT 砍掉的是「唯一标识」，SKAN 砍掉的是「及时性与颗粒度」，Privacy Sandbox 砍掉的是「无噪的事件级回传」。三者叠加意味着开环的测量精度有一个被制度锁死的上限——这不是靠更好的算法能完全补回来的。这也是为什么本章把「数据可观测性」拔高为与机制、出价、测量并列的第四根支柱：当测量信号本身被制度性削弱时，谁能用第一方数据重建观测，谁就掌握了下一个十年的主动权。

12.6.4 闭环 vs 开环技术差异全景

把前面三节的差异收拢成一张表，闭环与开环的分野就不再是抽象概念，而是一串可逐项核对的技术差异。

这张表不是孤立的清单，它把前几章的伏笔逐条收了回来。出价目标 一栏，对应 12.4.1 的 oCPM 深度转化出价——闭环才有资格做「付费/ROI」这类后链路目标，开环只能停在「激活/表单」。延迟反馈严重度 一栏，对应 12.5.3 的延迟反馈与标签窗口：闭环里转化即时可见、标签窗口好定，开环里转化既要等广告主回传、又要等 SKAN 的随机延迟，标签成熟的时间被拉长且不可控——「未等标签成熟就校准」的风险在开环里被成倍放大。模型训练 与 归因确定性 两栏，则对应 12.5.2 的样本选择偏差与 12.5.3 的胜出偏差：开环模型能拿到的转化标签稀疏且有偏，训练空间与推理空间的裂缝比闭环宽得多。

阶梯左半是开环也能做的浅层目标——曝光、点击、激活、表单、注册，平台只需观察前链路行为即可出价；跨越那条「闭环才能做的深度目标」分界线后，是付费、ROI、次留、7 日 ROI 这些必须看见后链路转化的深层目标。阶梯逐级升高，对应平台对转化数据的观测要求也逐级加深，这正是「数据可观测性决定优化深度」的可视化表达。

这里要补一个容易被忽略的工程细节：深度目标的门槛不只是「能观测」，还有「观测够不够密」。付费、次留这类后链路事件天然稀疏、延迟高，oCPX 类产品通常要求累计转化数达到门槛才能开深度目标——这也是 12.4.1 两阶段冷启动思想在后链路目标上的复现。闭环只是把「攒够数据」这件事变得可行且快，并不能让稀疏事件变稠密。

12.6.5 开环广告工程实战：把断掉的链路工程化地接回来

前几节从概念与机制层面刻画了开环的困境。这一节换一个视角：假设你就是开环广告平台的工程师，链路已经断了，怎么用一整套基础设施把它尽量接回来。这条工程链路自下而上分六层：回传协议、MMP 仲裁、隐私框架落地、稀疏标签下的建模、半闭环的折中优化、以及顶端的增量测量。

第一层：回传协议与触点标识工程

回传听起来只是「广告主发个 HTTP 请求」，工程上却是一整套 协议设计。触点侧，媒体在用户点击/曝光时通过监测 URL 下发的参数是一个元组：clickid（本次触点的全局唯一 ID）、广告 id / 创意 id / 投放计划 id（归因到哪一层由这些字段决定）、ip + ua（无设备 ID 时的兜底匹配键）、时间戳。转化侧，广告主回传的 payload 要包含：设备标识（iOS 的 IDFA/CAID、Android 的 OAID/GAID——注意开环场景下媒体能拿到什么设备标识，直接决定匹配精度）、clickid 原样回传（若 App 内能解析落地页参数）、转化事件类型与层级（激活→注册→首购→复购的事件流）、金额与时间。

这里有三个工程上必须想清楚的设计决策。其一，匹配键的层级：clickid 匹配是确定性的（同一个戳），但要求「点击时的浏览器/落地页上下文」与「转化时的 App 上下文」能被串联——Web→App 的跨越（点击在浏览器、激活在 App）会让 clickid 断链，这是指纹方案（如 Alipay/微信 clickid 的各家私有方案）存在的理由。其二，回传的时效与语义：实时回传（转化后秒级）服务于平台的在线学习与出价控制；批量回传（小时/天级）服务于对账。两者字段可以相同，但平台必须区分消费方。其三，幂等与乱序：网络重试会导致同一转化被回传多次（重复），跨事件流回传会乱序（付费先于激活到达）；回传接收端必须按「设备 × 事件类型 × 去重键」做幂等，并按事件时间戳（而非到达时间）重排漏斗。

第二层：MMP 的仲裁机制与反作弊

MMP 作为中立第三方，其核心资产是 唯一的设备标识视角：广告主的所有渠道（抖音、快手、苹果搜索广告、Facebook……）的点击日志与转化日志都汇总到 MMP，由它按统一规则判定记功。判定流程是一次 多路匹配：安装事件到达 MMP 后，先查设备 ID 是否出现在任一渠道的点击日志中（确定性匹配，带归因窗口约束，如点击后 7 天内的安装才记功）；查不到再退化为概率匹配（ip+ua+模糊指纹）；都查不到则记为自然量。归因窗口本身就是协议参数：点击窗口（常见 7 天）、曝光窗口（常见 1 天）分开设置，窗口越长、该渠道「抢功」的机会越多——这也是渠道间扯皮的常客。

MMP 的反作弊职责同样关键。它要校验点击的 真实性（点击密度异常、点击到安装间隔过短的 click flooding 特征）、曝光劫持与点击注入（12.11 的两类归因作弊在 MMP 侧表现为归因分布的异常集中）、以及 回传造假（某些渠道伪造设备 ID 批量「认领」自然量）。工程手段包括：设备指纹去重、点击-安装时间分布监控、以及与媒体侧日志的对账差异监控。

第三层：SKAN 的落地工程

SKAN 的官方协议只有几页，落地到投放系统却是一大块工程。要处理的硬约束有四条：Postback 的接收方与签名验证（SKAN postback 发给广告主配置的 MMP/自有端点，需验签防伪）；Conversion Value 的编码设计——SKAN 3.x 只有 6 bit（64 个值），SKAN 4.x 有 coarse（low/medium/high 三档）与 fine（64 值）两层，广告主必须把「想观测的漏斗进度」压进这几个 bit，这是典型的 信息压缩 问题（例如：fence 1 用 fine 编码「激活后第 0/1/2/3 天的留存+付费标志」，coarse 编码付费金额分档）；三次回传窗口的期待管理（0–2 / 3–7 / 8–35 天，且实际到达还叠加随机延迟）；Crowd Anonymity 的不确定性（安装量小时连 source identifier 的位数都会缩水）。落地侧因此演化出一套 SKAN 侧的建模管线：用同期 opt-in 用户的确定性数据训练「SKAN 聚合分布 → 真实漏斗」的映射模型（如用小样本校准的混合模型或贝叶斯估计），把聚合、带噪、延迟的 postback 流还原成可优化的预估信号。这套「从聚合数据反推个体级预估」的技术栈，与差分隐私下的频率估计（噪声去除）是同一族问题。

第四层：稀疏延迟标签下的开环建模

开环给模型工程师的真实处境是：标签稀疏、延迟、有偏。三个困难分别有对应的武器。

延迟反馈：付费/深度转化在点击后数天乃至数周才发生，等待标签成熟会让模型永远滞后，立即使用又会把「未转化」错标成「负样本」。主流解法有三族——重要性采样（Zhang et al., CIKM 2016 把「标签是否已成熟」视为一种抽样机制，对早期观测重加权）、多任务「假负样本校正」（Chen et al., 2020 模型「最终会转化」与「已观测到转化」两个过程）、以及流式场景下的数据复制/纠错（延迟反馈下的实时 FTRL 更新框架）。选型的关键判断是 延迟分布的形状：电商下单分钟级，激活当天级，付费/次留数天级——延迟越长，等待式方案越不可行。

样本选择偏差：开环模型的训练数据只有「回传了转化的广告主」贡献的样本，推理时却要服务所有广告；且回传意愿与广告主质量相关（效果好的更愿意回传），偏差方向难以先验判断。ESMM 式的多任务结构（12.5.2）能缓解「点击→转化」这一段的偏差，但「是否回传」这一段要靠对回传行为本身建模（倾向得分加权）或干脆以平台内浅层目标为代理做迁移。

标签噪声：MMP 归因错误、归因窗口切换、渠道抢功，都会让转化标签本身有噪声。工程上的底线做法是监控 归因口径稳定性（同口径的分日转化量不应无故跳变），并在模型侧用 robust loss（如 Huber）降低个别错误标签的影响。

把这层接回 12.4：开环下平台的「深度转化出价」实际是 浅层代理 + 深度校正 的结构——出价公式仍用 pCTR × pCVR（浅层、标签充足），再用回传的深度数据周期性校准浅层目标与真实深度目标的映射（「激活成本多少时，付费成本大概率达标」）。这是开环平台能提供「付费出价」产品的真实形态：不是直接预估付费，而是用代理链路逼近它。

第五层：半闭环的折中与优化空间

半闭环（广告主只回传部分事件）是当前 App 下载广告的主流状态，值得单独展开它的 优化空间在哪。设广告主回传「激活」而不回传「付费」。平台能直接优化激活成本，但激活成本与付费成本的相关性因广告主而异——同一激活成本下，素材 A 拉来的用户付费率可能两倍于素材 B。平台手里的杠杆有三个：素材/人群维度的付费率分层估计（用回传激活但后续行为可见的子样本——若平台还能通过其他产品观测到部分后链路——估计「哪类激活更可能付费」）、探索性放量与 bandit 权衡（对付费信号不确定的定向组合，用 E&E 决定继续收割还是探索）、以及 激励回传（对全量回传的广告主给予出价深度的解锁——回传付费事件才开放付费出价，这是平台侧「用产品换数据」的机制设计）。最后一点把半闭环从纯技术问题变成了机制问题：数据回传本身可以被定价与交易，与 12.10 的数据交易视角接壤。

第六层：增量测量：归因的尽头是「有没有用」

归因回答「功劳记给谁」，增量测量回答更根本的问题：这些广告费不花，转化会不会照样发生？ 开环场景下归因链路已经千疮百孔，增量测量的地位反而上升。三个层级的手段：实验法（geo 实验/受众 holdout——把流量按地域或人群切分，对照组完全不出广告，直接测增量转化，这是因果上最干净的方案，代价是牺牲对照组的营收）；合成控制（用未投放的相似地域/时段合成「反事实基线」，估计投放期的增量）；营销组合模型（MMM）（用宏观的时间序列回归把销售量分解到各渠道投入，不依赖用户级数据——隐私时代因此复兴）。工程上要把增量结论接回投放：增量测量得到的 渠道/素材级增量系数，可以修正归因口径的「虚功」，指导预算在渠道间的再分配——这正是「归因管分账、增量管决策」的分工。

Analysis: 把六层串起来看，开环广告的工程哲学是 在确定性缺失的世界里做工程化的近似：回传协议解决「能不能拿到数据」，MMP 解决「拿到的数据可不可信」，SKAN 建模解决「聚合噪声里怎么还原信号」，延迟/偏差建模解决「残缺标签怎么用」，半闭环机制解决「怎么激励数据变得更完整」，增量测量解决「这一切分出来的账到底指向什么决策」。每一层都不是完美解，但叠加起来，开环平台可以在 70%～80% 的精度上支撑完整的投放闭环——而一个开环广告工程师的核心竞争力，就是知道每一层的精度边界与失效模式。

🧠 Mental Model: 修复文物的考古队

闭环广告像有监控的博物馆，每件展品的来龙去脉都在录像里。开环广告像出土现场：文物（转化）散落在域外的土层里，你得先有发掘协议（回传规范）、再请中立的鉴定师（MMP）防止各家都说是自己挖的、还得懂碳十四（SKAN 建模）从聚合残片里断代、用概率模型（延迟反馈建模）推断缺失的部分、并设计激励机制（半闭环）让藏家愿意交出私藏。考古队永远得不到监控录像，但一支装备齐全的考古队，能把历史还原到足够指导今天决策的程度。

12.6.6 Part 12 最终收束：闭环不是目的，可观测性才是

回到本章开头那句话，现在可以把它说完整了。闭环广告之所以「改变一切」，不是因为「闭环」这个词本身有什么魔力，而是因为它意味着 可观测性（Observability） ：谁能拿到更完整的转化数据，谁就能把优化做得更深。闭环只是实现可观测性的一种方式——把转化圈进自己的域内。开环场景里，广告主也可以用高质量的回传、MMP 的中立仲裁、第一方数据战略，部分地重建这种可观测性。所以别把「闭环」当目的去追逐，要追逐的是它背后的东西： 数据链路的完整度。

于是可以给整个 Part 12 写下最终的一条乘法总结，在 12.5 的版本上补上最后一项：

$$\text{广告系统}=\text{机制设计（12.3）}\times \text{出价策略（12.4）}\times \text{测量系统（12.5）}\times \text{数据可观测性（本章）}$$

机制决定「规则怎么定」，出价决定「预测怎么花」，测量决定「预测准不准」，而数据可观测性决定「预测有没有料可学」。前三者的一切精妙，都建立在一个更底层的前提上——平台手上握着多少真实转化样本。12.1 的生态全景讲透了「流量怎么流动」，8.3 的 EGA 讲透了「机制怎么被学进模型」，而本章补上了它们共同依赖的底座：没有可观测的转化，EGM 也好、oCPM 也好、ESMM 也好，都只是在一份残缺的账本上做算术。

最后的趋势判断，落在三条并行的迁移上。其一， 超级 App 闭环化 ：抖音、快手、淘宝把交易、直播、本地生活圈进生态，把「流量 + 观测」的双重护城河越挖越深。其二， 半闭环 的折中：广告主不全量回传，只回传部分事件（如只回传「激活」而不回传「付费」），平台拿一份不完整的标签做部分优化——这是开环与闭环之间的灰色地带，也是当前多数 App 下载广告的真实状态。其三， 隐私政策推动第一方数据战略 ：当跨 App 追踪被制度性收紧，企业与平台都转向经营自己与用户直接发生的数据关系。三条迁移指向同一个结论： 未来广告竞争的胜负手，正在从「谁能买到流量」转向「谁能看见转化」——而看懂这条线，你就读懂了 Part 12 的最后一页。

⚠️ Common Mistakes in 12.6

本章小结

📌 Key Takeaways

❓ FAQ

Q1: 闭环广告一定比开环广告好吗？

A: 对平台而言，闭环的数据完整度与优化深度通常更高，但它也有代价：广告主把转化圈进平台，等于把交易数据、客户关系也交给了平台，私域掌控力下降。对广告主而言，开环保留了自由度和第一方数据，代价是测量精度差、深度优化做不了。因此「闭环 vs 开环」不是绝对优劣，而是数据主权与优化深度之间的权衡——半闭环（回传部分事件）正是这条权衡线上的折中态。

Q2: 归因模型选哪个最好？数据驱动归因是不是永远最优？

A: 数据驱动归因在「数据充足」时确实最能反映真实贡献，但它需要大量可观测的转化样本去学——开环且隐私受限的场景下往往喂不饱它。决策链短、即点即买选最后点击；重品牌曝光、周期长选首次点击或位置加权；意图短促选时间衰减。没有放之四海皆准的最优，只有匹配「链路长度 + 数据量」的最合适。

Q3: SKAN 的三次回传窗口意味着什么？广告主该怎么用？

A: SKAN 4.0 把回传拆成约 0–2 天、3–7 天、8–35 天三个窗口，意味着转化数据不是一次性到达，而是随转化进程分波次、且带随机延迟地回流。广告主的正确姿势不是「等一份完整报告」，而是把 SKAN 的聚合回传、opt-in 用户的确定性数据、以及基于两者训练的建模估计三层信号组合使用，接受「模糊但合规」的测量，而不是追求恢复 IDFA 时代的精确。

Q4: 开环场景的延迟反馈建模，三族解法（重要性采样 / 假负样本 / 流式 FTRL）该怎么选？

A: 数据量小、能承受周期性重训选重要性采样——离线对延迟分布建模后加权，实现最简单；在线实时训练（数据按时间流式到达、样本随到随学）选假负样本纠正——转化未到时先当负样本用、回传到达后纠正，配合 FTRL 更新；介于两者之间用「延迟窗口 + 定期回填」的折中。共同前提是样本必须按事件时间组织（见练习 12.6.5），否则三族方法修的都是错误的偏。

🔗 前后关联

• 12.1 （计算广告全景与生态）——本章引入「数据可观测性」这根与「交易结构」正交的第二根轴；12.1 讲流量怎么流动，本章讲转化怎么被看见，二者拼成完整的广告地图。
• 12.4 （智能出价与预算控制）——闭环之所以能做出价栈最深的那层（oCPM/深度转化出价），正是因为它补上了 12.4.1 公式里 pCVR 的训练数据前提；两阶段冷启动在深度目标上再次复现。
• 12.5 （预估偏差与校准）——开环的延迟反馈（回传 + SKAN 随机延迟）放大 12.5.3 的标签晚到问题；开环的稀疏回传标签也加深 12.5.2 的训练/推理空间裂缝。
• 8.3 （端到端生成式广告 EGA）——EGA 把分配与支付端到端学进模型，但同样逃不开「有没有转化标签可学」这一底座；没有可观测转化，EGA 学到的只是一份残缺账本上的算术。
• Part 3 （排序与预估模型）——pCVR/pDeepCVR 模型结构同源，但它们的「能不能训练」由本章的数据可观测性决定；推荐模型进广告场景，先问数据链路是否闭合。

Practice Problems

Work through all problems in order — they get progressively harder. Each has a complete solution you can reveal after trying it yourself.

Problem 12.6.1 — 判断开环还是闭环 🟢 Easy

判断以下场景属于闭环广告、开环广告还是半闭环，并说明判断依据（看「转化是否发生在平台可观测域内」，而不是看广告形式）： (a) 抖音信息流里的一条抖音小店商品广告，用户点击后站内下单支付。 (b) 同一条抖音信息流广告，但落地是引导用户去 App Store 下载某款手游。 (c) 该手游广告主只向平台回传「激活」事件，不回传「付费」事件。 (d) Facebook feed 里的品牌广告，点击后跳转到品牌官网完成注册。

Problem 12.6.2 — 手算归因模型分配 🟡 Medium

一条用户旅程包含三个触点，按时间顺序：广告 A 曝光（第 0 天）→ 广告 B 点击（第 1 天）→ 广告 C 点击（第 3 天）→ 第 4 天转化下单。 (a) 分别用 最后点击 与 首次点击 模型，写出 A、B、C 各自的功劳分配。 (b) 用 线性 模型写出分配。 (c) 用 位置加权 （U 型：首尾各 40%、中间均分）写出分配。

Problem 12.6.3 — 时间衰减归因的权重 🟡 Medium

同 12.6.2 的旅程（A 曝光第 0 天 → B 点击第 1 天 → C 点击第 3 天 → 第 4 天转化）。时间衰减模型按「离转化越近权重越大」分配，设每次往回退一个触点，权重减半：C 的基础权重为 1，B 为 1/2，A 为 1/4。 (a) 计算归一化后 A、B、C 各自的功劳百分比。 (b) 对比线性模型，说明时间衰减在「短周期意图驱动」场景下为何更合理。 (c) 若 B 和 C 是同一天发生的两次点击（B 第 3 天、C 第 3 天），时间衰减权重该如何调整？这暴露了该模型什么局限？

Problem 12.6.4 — SKAN 归因坍缩的量化分析 🔴 Hard

某 iOS 手游广告主投放 10,000 次安装。ATT 落地前，确定性归因（IDFA）可覆盖全部安装；ATT 落地后，opt-in 仅约 25%，SKAN 聚合回传覆盖其余部分，但 SKAN 回传受群组匿名与随机延迟影响，仅约 60% 的安装能被 SKAN 及时、可靠地归因到具体广告系列。 (a) 计算确定性覆盖、SKAN 覆盖、以及「完全无法归因」三部分安装数。 (b) 说明这三部分各自对应的测量方式（授权确定性 / 聚合回传 / 建模估计），以及建模估计在其中扮演的角色。 (c) 为什么说「SKAN 不是 IDFA 的等价替代」？从及时性与颗粒度两个维度解释。

Problem 12.6.5 — 设计回传去重与乱序处理 🔴 Hard

你是某广告平台的回传系统工程师。广告主的服务器在支付成功后异步回调平台的转化接口，实际线上观察到三类脏数据：(1) 同一次支付因重试机制被回调了 3 次；(2) 一条「激活」回传比对应的「付费」回传晚到了 2 小时（网络重试）；(3) 一次回传的时间戳被广告主服务器时钟错误标到了 8 天前。 (a) 设计幂等去重键，说明应取哪些字段、为什么「订单号」单字段不够。 (b) 乱序到达的事件流如何恢复真实顺序？说明为什么离线训练样本必须按真实事件时间而非到达时间组织。 (c) 时钟错误如何检测与兜底？

🏆 Problem 12.6.6 — 设计一个闭环深度转化出价方案

你是某超级 App 广告平台的算法工程师，平台已建成完整电商闭环（站内曝光→点击→下单→支付全链路可观测）。请为一个「站内小店商品推广」广告主设计一套深度转化出价方案，要求： (a) 明确出价目标选型：在「付费单出价 / 付费 ROI 出价 / 激活-次留双出价 / 7 日 ROI 出价」中选一个，说明理由与适用广告主画像。 (b) 写出深度出价的核心公式（基于 12.4 的 oCPM 推广到深度目标），并说明 pDeepCVR 与普通 pCVR 的关系。 (c) 给出冷启动与数据积累的过渡方案，以及「累计转化数门槛」如何设定。 (d) 讨论该方案相对「开环 App 下载广告」在数据、出价深度、延迟反馈三个维度的优势。