一个你每天都在做但可能完全做错的事
我问过至少 50 个做投放的人同一个问题：「你的广告回传配了什么事件？」
超过 80% 的回答是：「加粉就回传加粉，留资就回传留资，这不是明摆着的吗？」
问题就出在这个「明摆着」上。
这篇文章不教你点哪个按钮、填哪个参数——那些上一批文章写过了。这篇要讲的是：回传策略背后的逻辑，以及为什么大部分人配的是对的参数、拿到的是错的结果。
回传的本质不是「上报数据」，是「训练模型」
先厘清一个基本事实：当你在巨量引擎后台配了一个回传事件，你做的事不是「告诉平台我转化了多少」，而是给模型的强化学习系统提供奖励信号。
oCPM 出价策略本质是一个强化学习模型：
– Agent：出价模型
– Action：对某个用户展示广告
– Reward：你回传的转化事件
– 目标：最大化 Reward（在预算和出价约束下）
模型不是通过理解「这个用户可能加粉」来决策的，而是通过「向这类用户投广告 → 收到 Reward → 增加向这类用户投广告的概率」来学习的。
所以你回传什么，模型就优化什么。
你回传的是「加粉」，模型就帮你找最容易加粉的人——不管他加了之后会不会删掉。
你回传的是「加粉后下单」，模型就帮你找最可能下单的人——即使加粉率会下降。
这是回传策略设计的起点，下面每一项决策都从这出发。
原理一：回传的事件深度决定了模型的优化方向
假设你的业务漏斗是这样的：
广告展示
→ 点击（CTR 约 2%）
→ 加粉（CVR 约 5%，即 1000 个点击里 50 个加粉）
→ 有效互动（48h 内发消息，转化率约 30%，即 50 个粉里 15 个互动）
→ 下单（转化率约 10%，即 15 个互动里 1.5 个下单）
如果你只回传「加粉」，模型的目标函数是最大化加粉数。在一个有 100 万用户的流量池里，哪些人更容易加粉？
答案是：那些对广告内容好奇的人。但「好奇」和「愿意掏钱」之间没有强相关性。
如果你回传「下单」，看起来是更精准的目标。但问题来了——1000 个点击里只有 1.5 个下单。也就是说你每小时只能给模型 1-2 个 Reward 信号。强化学习模型在稀疏奖励下学习极慢，可能一个月都学不到稳定的出价策略。
结论：单一事件回传几乎一定是错的。浅层事件信号多但质量差，深层事件质量高但信号太少。
原理二：梯级回传 + 权重是平衡信号量和信号质量的手段
上一篇文章提到梯级回传策略。这里展开讲它的数学直觉：
回传事件 权重 日均信号量 信号质量
落地页点击 1 2000 很低
企微加粉 3 100 中等
48h 有效互动 7 30 较高
7 日成交 15 5 很高
模型同时接收四种 Reward 信号。高权重的事件对模型行为的影响更大，但低频。低权重事件高频，保证模型时刻有反馈。
权重怎么算？一个实用公式：
事件权重 = 该事件对最终营收的预测力 × 该事件的日均数量 / 100
比如：
– 落地页点击：对营收的预测力约 0.01（几乎没预测力），日均 2000 次。权重 = 0.01 × 2000/100 = 0.2，取 1
– 加粉：预测力 0.05，日均 100 次。权重 = 0.05 × 100/100 = 0.05，取 3（因为有示范效应）
– 下单：预测力 1.0（直接等于营收），日均 5 次。权重 = 1.0 × 5/100 = 0.05，取 15（权重高以弥补低频）
这套公式不要求精确，但给了你一个调整权重的逻辑框架，而不是拍脑袋。
原理三：延时回传解决的是「信号与行动的时差」问题
延时回传是很多人不敢碰的选项——担心延迟后模型学习慢。
但有些转化行为天然有延迟。用户从加粉到下单，平均需要 7-14 天。如果你加粉时就回传「这个粉会成交/不会成交」，那是在给模型灌噪声——你根本不知道他会不会成交。
正确的做法是使用「延时回传 + 状态回传」：
基于叮咚外链的配置：
| 时间点 | 回传内容 | 含义 |
|---|---|---|
| T+0（加粉即时） | 回传加粉事件，weight=3 | 先给一个即时信号 |
| T+48h | 如果用户发了消息，回传 effective_interaction，weight=7 | 确认是有效互动 |
| T+7d | 如果用户下单，回传 purchase，weight=15 | 最终转化确认 |
| T+7d | 如果用户没下单但有效互动过，回传 lead_qualified（可选） | 中间质量信号 |
这样模型在 T+0 就有一个即时反馈（加粉），随着时间推移收到越来越精准的反馈（互动 → 成交）。不会出现「等 7 天才知道结果」的学习困境。
原理四：否定信号比正面信号更重要
大多数团队只回传「发生转化」的信号，不回传「没有转化」的信号。
这意味着模型看到的世界是「所有展示了广告的用户中，有一部分转化了，其他人没有任何反馈」。
但如果你把「加了粉但 48h 内没互动」回传为一个低权重或零值事件，模型会学到「这类用户加粉后不互动，降低向他们出价的概率」。
回传否定信号有两种方式：
方式一：回传零值转化
在转化事件中回传 value=0，表示这个用户虽然做了浅层转化但质量很差。叮咚外链后台支持设置「质量筛选回传」——未通过筛选的用户回传 value=0。
方式二：不同事件之间的竞争
回传两个事件：positive（有效互动）和 negative（加了粉但不互动）。模型会学到有些人群 positive 概率高，有些 negative 概率高，自动避开后者。
警告：否定回传不要滥用。如果每个加粉都回传否定信号，会导致模型过度保守，跑不出量。建议只对明显低质量的转化回传否定信号——比如加了粉 1 分钟内就删除的。
原理五：回传的去重策略影响模型学习效率
同一个用户可能多次点击你的广告。如果每次点击都归因一次转化，你的转化数虚高，单次转化成本虚低。模型在虚假数据上学习的结果可想而知。
但这不代表去重越严格越好。去重窗口太长会导致：用户 A 在 20 天前点了你的广告，今天主动加粉了。这大概率不是广告拉动的，但你把它归因给广告，模型学到了错误的关联。
去重策略三个维度：
| 维度 | 建议设置 | 逻辑 |
|---|---|---|
| 设备去重 | 24 小时窗口 | 同一设备 24h 内多次点击只计一次 |
| 跨平台去重 | 按 UnionID | 同一用户在不同平台点击，只归因给最后一次点击的平台 |
| 归因窗口 | 7 天点击 | 超过 7 天的点击不计入归因 |
叮咚外链后台的去重配置支持这三种维度的组合。默认配置是合理的，但如果你同时在多个平台投放，需要手动调整跨平台去重规则。
回传策略审查清单
把上面的原理变成一份自检清单。检查你目前的回传配置：
事件维度：
– [ ] 至少回传了 2 个不同深度的转化事件
– [ ] 各事件的权重有明确的业务逻辑支撑（不是全设 1）
– [ ] 有权重计算公式或至少一个合理的估算过程
时间维度：
– [ ] 使用延时回传处理天然有延迟的转化行为
– [ ] 即时回传和延时回传的事件不重叠
质量维度：
– [ ] 区分了高质量转化和低质量转化
– [ ] 对明显低质量的转化有否定信号机制
去重维度：
– [ ] 设备去重窗口合理（建议 24h）
– [ ] 归因窗口设置合理（建议 7 天）
– [ ] 多平台投放时有跨平台去重
如果你勾了不到 3 项，你的回传策略有优化空间。如果你全都没勾，你现在的出价模型基本在盲跑。
最后一句
回传策略是你的投放策略在数据层面的投射。你怎么理解你的用户、你的转化漏斗、你的商业模型，就怎么配回传。
配按钮是 10 分钟的事。搞清楚配什么、为什么这么配，才是值钱的部分。