这篇根据小魏 2022 年的《不同事件下的用户质量分布》整理，讨论 App 广告优化“申请、放款、回款”事件时，进件用户的风控档位与真实回收结果为何可能不一致。文中数据是特定产品、市场与时间段的案例，不应直接用作其他团队的出价或风控阈值。
下载事件质量复盘模板
App 广告事件质量复盘表（PDF，英文／简体中文）。 空白模板用于按统一口径比较申请、放款与回款批次，并记录成熟后的经营结果；不预设行业阈值。
案例：三个优化事件带来什么样的用户？
原文比较了 2022 年 10 月 1—15 日三组投放数据。表中的“前三档占比”是当时内部风控分层，不等同于真实还款率。
| 优化事件 | 消耗（原文口径） | 进件量级 | 前三档占比 |
|---|---|---|---|
| 申请 | 1,478.07 | 3,428 | 38% |
| 放款 | 1,238.25 | 2,339 | 46% |
| 回款 | 455.84 | 679 | 33% |
仅看档位，放款事件的高档位用户占比最高，回款事件反而最低；但原文随后核对内部回款数据，称回款事件组的回款表现优于其他组约 3%—5%，放款事件组优于申请事件组约 8%。这些差异的指标定义、观察期和显著性未在原文完整公开，因此只能作为案例观察，不能证明某个事件必然更好。
为什么风控档位和广告结果会“打架”？
- 代理指标不等于最终结果：档位模型预测的是某一时点的风险；实际放款、回款还受审批规则、用户行为和催收方式影响。
- 事件越后置，反馈越慢：回款更接近经营结果，但样本少、延迟长。若回传不足或超过归因窗口，系统可能学不到稳定信号。
- 不同系列不可直接因果比较：预算、受众、国家、素材和上线时间都可能不同。原文三组消耗量差异明显，直接用档位或回款率给事件排序会有偏差。
- 风控规则会改变样本：放款事件只覆盖通过审批的人，档位分布天然受到筛选流程影响。
原文的版位变化，能推断什么？
作者观察到一个放款事件广告系列在 10 月 11—23 日预算从约 100 提到 200；随着回款数据逐步回传，消耗向 Google 展示广告网络与 YouTube 转移。原文也明确提出两种猜测：算法根据回款用户信号改变分配，或预算变化造成分配变化。仅凭前后截图无法区分两者，更不能证明“回款数据让系统自动找到好版位”。
复盘 App 广告时，应把预算调整、事件回传时间、国家和素材变化放在同一时间线上；版位报告也有数据粒度限制。有关版位报表的现行口径，可参考Google Ads 官方说明及本站Google App 广告流程。
如何设计更可信的事件测试？
- 先确定最终目标，例如到期回收、净收入或风险调整后的 ROAS，再定义申请、放款等前置事件的作用。
- 固定国家、产品版本、素材方向、预算和归因口径，尽量采用平台实验或可比的时间分组。
- 对每组记录进件率、审批率、放款率、到期率、回款率、获客成本和样本量；按同一放款批次观察成熟结果。
- 在数据成熟后再比较，报告不确定性与业务约束，不因短期 3%—8% 的差异直接大幅改投放或审批规则。
风控策略与投放目标应共同设计。申请成本低并不代表最终获客划算；回款事件更接近价值，也不意味着它始终有足够数据用于优化。相关讨论可延伸阅读站内的Meta App 广告投放流程。
常见问题
优化事件越后置，用户质量一定越好吗？
不一定。后置事件更接近业务目标，但量少、回传慢，也容易受到选择偏差影响。应比较同一口径下的成熟经营结果。
能只用风控高档位占比评价广告系列吗？
不能。档位预测能力会随国家、产品和策略变化，应与真实审批、放款及回收表现一起校验。
版位消耗转向 YouTube 就说明回款信号生效了吗？
不能直接下结论。原案例同时提高了预算，需要控制其他变化后才能评估回传信号的作用。