在ocpx主流的时代，对于优化师的要求也越来越高，需要优化师学会灵活的运用平台规则。做扣量策略之前，首先得明白什么是扣量，以及为什么要扣量。简单来说，扣量就是通过减少给媒体回传的数据来改变投放模型。这里用的“改变”，其实意味着扣量本身并不一定都是正向的操作，因为会对用户群以及买量成本造成影响，要看实际具体数据和需求去调整。其次，扣量本身有两种实现方式，一种是是改变对应的埋点深度，另一种是直接在回传端口减少数据回传。

一、埋点深浅“扣量”

埋点的深度比较好理解，比如游戏产品，一般的产品激活埋点会放在产品打开后的页面，在广告用户达到这个页面时会触发对应的事件回传，告诉广告平台这个用户已经达成激活目标。但是这个数据的上报过程是受广告主本身控制的，你也可以在打开页面不激活，再往后一步，等用户注册完成再上报，这个时候本身的注册事件在媒体端看来就成了激活事件。以此类推还有对应的比如IAA中将第一次广告展示作为激活上报埋点。，比如对于一些APP产品跑关键行为，反馈出留存数据较差，这个时候可以把激活埋点后置，换成一个较浅的关键行为事件，再去跑次留双出价，解决关键行为中留存率难以控制的问题。用这种方式需要注意埋点深浅的问题，因为会影响转化率，进而影响拿量。这里可以通过埋点的转化路径去测算一个比较合理的事件回传目标，通过转化率这一指标来进行出价的测算。例如下图：

二、数据回传扣量

数据回传扣量本身，是以用户分层作为基础来进行，在扣量时需要明白自己扣量扣掉的哪一层在哪一个范围，相比原来的整体差了多少。不同层级的用户代表了不同的价值，体现在广告投放中就是出价的差异。但是对用户进行分层这里容易会处理失误。以游戏产品为例，付费用户中有大中小R的概念，一般会以充值的金额作为评判。当游戏中有1、10、60的三个充值档位时，如果单纯就付费金额作为判断依据，那冲60次1元，6次10元和1次60元的用户就会划分到一层，但是这三种用户本身的属性可能就存在很大的差别，当划分到一组时，从充值金额这个数据就不好做判断。同样的，在IAA产品中，ARPU和IPU的组合也会出现ECPM高低的问题，低ECPM用户但是更高IPU的用户同样能达成ARPU的转化目标。这里有个比较简单的方式，即把指标本身公式化，拆解成最基础的元素，再从基础元素上去组合拆分。只有分层明确了，在调整转化层级的时候才好对出价、转化率等做准确预估。如下图：

三、实际案例

某广告主的扣量需求是：扣20%次留低于30%的激活数，第二天下午进行扣量。

明确需求本身的内容：首先广告主希望扣除20%的量，这20%量的条件是次留低于30%的激活用户，其次，在第二天下午执行这个策略。

这个需求有几个问题：

1、为什么是扣20%？

2、为什么是扣次留低于30%的激活？

3、怎么扣次留低于30%的激活？

4、激活定义标准是什么？

5、为什么是第二天下午？

6、第二天下午的什么时候？

对于上面几个问题，咱们可以通过上文提到的部分内容去拆解。

首先对于第一和第二个问题，为什么是扣除20%次留低于30%的激活数？（实际上无法扣）这里的20%和30%不能是拍脑袋得来的结论，需要我们去拉取用户的分层数据，同时结合大盘数据去做判断。通过拉取正常留存数据，再筛选次留低于30%的用户的占比，再扣除掉20%的量之后，去计算实际的回传留存数据。如果这个数据高于大盘转化，初始拿量会比较好拿，反之较难。当然，这里的这个策略本身是有问题的，上面只是提供一种思路，如何去拉取分层数据与大盘做对比。

对于第三个问题，实际上是如何实现的问题，这里就需要对数据指标的定义本身有足够清晰的认识，想要扣除低于30%的留存本身就是不能实现的。以常规的留存用户做例子，留存的定义一般是以自然日作为区分标准，即过了0点，次日从0-24小时中达到活跃标准的就叫做次留用户。所以对于一个用户来说，只存在有次留和没次留的状态，在次留用户中是没有低于30%的留存用户这个概念的。但是用户本身还有很多其他的指标，比如ecpm，ipu等，可以用这些作为筛选标准取交叉。第四个问题上文埋点有讲到，这里需要有一个明确的行为信息作为筛选路径，不多赘述。

第五个问题实际上是回传窗口的问题。因为优化师平时看到的都是聚合的数据，大部分指标都是实时计算，所以在这个上面通常会忽略细节，但是放到回传窗口上就必须有一个明确的行为信息。上面的问题中如果将时间明确为次日下午5点，这个描述本身是可以实现的，但是在实际过程中会出现很大的问题。在程序执行策略上，会认为是在下午5点统一执行这个策略，这会导致什么情况呢？我们在广告平台后台就会出现这种诡异的情况：过了0点后，前一日数据在0-17点没有任何的次留数据回传，直接导致计划崩盘。而在17点又会突然出现大量的留存回传。而且在这里面也没有明确在17点执行策略后，对于17-24点这段时间达成条件的用户是否回传。

所以对于上述的扣量需求来说可以进一步优化：

1、如果是为了直接优化留存，可以采取随机扣量的规则，这里又分为两种，一是在用户激活这一刻就判断这个用户是否在次日回传留存，但是这里就无法精准扣量，因为这个用户本身如果次日不留存，那实际上讨论是否需要回传该用户的数据是毫无意义。二就是在用户次日达到留存时随机决定是否进行扣量，比如扣除30%留存，就在留存用户中随机标注0、1、2，命中0的留存用户不回传。随机的方式还可以进一步升级，比如想提高用户质量，可以选择筛选扣除低ecpm的用户或者低ipu的用户。

2、如何实现提高用户质量的扣量需求。以IAA中的变现ecpm为例，部分优化师可能对于ecpm只停留在定义本身，假设想扣ecpm低于20的用户，首先得明确ecpm作为一个筛选指标，还需要有其对应的筛选条件，比如ecpm低于20是指某一次广告展示，还是综合的广告展示？是激励视频的广告展示还是信息流的广告展示？而时间窗对于转化回传本身的建模而言，一般时长越短建模效率越高。以上面提到的次留扣量为例，次留本身是0点后的用户，就需要我们实时去计算每个用户本身的数据，当他达到次留时判断他是否达成回传条件，还需要考虑条件达成的滞后性，用户在留存达成但是判断条件未达成时是立即判断还是延后处理。比如对于arpu低于1的用户进行扣量，先要明确达到arpu等于1的时间窗，是某个时间段内未达成arpu等于1的用户我们才进行扣量。A用户在0点过后的1点活跃了，此时已经留存，但是arpu未达到1，就不进行回传，但是当他在2点arpu达到1.1时，就回传次留。

综上，如果对需求进行优化，我们可以定义为：在次日24时前，激励视频ipu高于5次的次留用户才回传次留；或者用户新增24小时内，arpu达到1以上的次留用户才回传次留。

总结下来，对于扣量回传需要：

1、针对目标需求进行用户数据分层和链路分析，筛选合适的点

2、明确数据的筛选指标和具体内容，不熟练的可以自己拆解数据（拆到程序能单个统计的数据维度）拉个表取集合

3、有明确的回传时间窗口，避免脉冲式回传，需要实时计算

不过从媒体角度看，肯定是不希望广告主通过这种“作弊”的方式来干扰模型的，这样不利于预估模型的稳定。当然，也会影响广告收益。而对广告主之间而言，策略优化、数据细分上的比拼将会越来越重要。