冷启动：程序化栈每一层都在解同一个问题

有一类问题：你必须现在就决策，却没有用来决策的信息。整个 AdTech 栈，不过是同一个问题的不同变体。

如果你在程序化广告团队待过，多半坐过这种会的某个版本：

产品：新广告已经上线 24 小时了，CPI 是预算的 3 倍。模型是不是坏了？ 算法：还在学习期，再给两天。 运营：客户说今天下班前 CPA 必须回到目标值。 SRE：（小声） 我们还在追昨天 bidder 重启时的 p99 尖刺呢。

四个人，一间屋，给同一件事起了四个名字：冷启动（cold start）。

• 产品看到的是广告层冷启动：一条没有转化历史的新广告。
• 算法看到的是模型层冷启动：竞价模型对新用户、新素材没有可用特征。
• SRE 看到的是系统层冷启动：JVM 还没 JIT 编译，缓存还没热。
• 客户的归因团队看到的是测量层冷启动：SKAN postback 还没回来，CV 配置还是在猜。

它们看上去毫不相干。结构上却是同一个：**现在就得决策，手里却没有同分布的历史可依。**这篇把四层收进一个统一框架，讲清先验从哪来、决策怎么熬过空窗期、以及”走出冷启动”到底意味着什么。

范围说明：本篇是一篇跨层的方法论，把四副面孔收进一个框架。各层底下的协议细节——RTA 的实时决策模式、SKAN / ATT / MMP 归因、OpenRTB 的延迟预算——各有专文，这里只在与冷启动直接相关处引用。

TL;DR

• 冷启动是 AdTech 的元问题，而不是某一个具体问题：信息稀缺撞上一个不留情面的时钟。它在四层各自现身——广告、模型、系统、归因。
• 你消不掉冷启动，只能控住它：第一周、头一千个请求、第一个 postback 窗口——把损失关在一个你付得起的预算里。这个预算就是学习税（learning tax）。
• 每一层的解法都是同一个三件套：一个先验（你不是从零开始）、一段探索（有意地、以最小成本收集信息）、一道兜底（探索失败了，也不至于炸）。
• “冷启动结束”不等于”现在数据更多了”：它意味着决策稳定下来——置信区间收敛、指标不再漂移、校准曲线在主要分桶里贴合。

Table of contents

1. 一个统一的定义

给”冷启动”一个你真能拿来做工程的定义：

你必须现在就决策，手里却没有同分布的历史观测。

三块，每一块都承重：

• 没有同分布的历史观测：不是”没数据”，而是没有对的数据。你可能存着几千条过去广告的档案，但没有一条能告诉你眼前这条广告的任何具体信息。
• 你必须现在就决策：OpenRTB 不会因为你的模型没准备好就放宽它的 100ms 预算，一条新广告也不会因为你没数据就乖乖闲置一周。
• 决策本身会重塑未来的数据分布：出价高、赢更多曝光、看到更多转化；出价低、根本采不到样本。这让冷启动是一个反馈系统，而不是一个离线训练问题。

任何同时命中这三条的东西，都会触发同样的三个问题：先验从哪来、要为探索付多少、兜底是什么。这种”现在就得决策”的处境，和 RTA 里那套实时决策同源——只是这里缺的是数据，那里缺的是回查的时间。

2. 四层：信息在哪里缺失

按”缺的是什么信息”来排，冷启动在 AdTech 栈的四层各自现身：

这张表就是本文后半程的导航图。

读这张表的一个提醒：四层里有三层（广告 / 模型 / 归因）缺的是数据，时间尺度是天到月、解法在模型层；只有系统层缺的是运行时热度，时间尺度是秒到分、解法在基建。它和另外三层同名不同源——本文为完整性把它收进同一个框架，但它该走另一条值班链路（§5.3 专门讲这个切割）。如果你只关心”数据稀缺型”冷启动，可以先跳过 §5。

3. 广告冷启动（业务层）

场景：一款新游戏上线，CPI 目标 $3。上线首日实际 $8，运营开始问要不要砍预算。

这是产品和运营聊得最多、也最常误解的那种冷启动。

3.1 为什么”学习期”是真实存在的

Meta 的 Learning Phase（学习期） 经验法则是：一个 ad set 在 7 天内攒够 50 个优化事件，才算”走出学习期”。Google Ads 的 Smart Bidding 和 TikTok 的 ALP（Audience Learning Phase）也有类似阈值。

这些数字不是平台在和稀泥。它们对应的是：一个竞价模型在它的 CTR / CVR 估计的置信区间窄到可以拿来行动之前，所需的最小样本量。

简单算一下。假设真实 CVR 在 1% 左右，要把 95% 置信区间钉在 ±0.5%（50% 相对误差），大约需要

[ n \approx \frac{1.96^2 \cdot p(1-p)}{(0.005)^2} \approx 1500 ]

最少约 1,500 次点击，才能得到一个值得拿来行动的 CVR 估计。1,500 次点击 × ~1% CVR ≈ 15 个转化——而这刚够一个决策拿到一个粗估。要在多个切片维度（geo × 版位 × 人群 × 时段）上都有把握，样本需求会按维度的乘积放大。50 个转化已经是平台为了不让客户放弃而软化过的阈值了。

关键洞察：Meta 和 Google 不是在偷懒。冷启动期间一个”表现失常”的模型，是数学，不是 bug。

3.2 三件套：先验、探索、兜底

**先验（prior）。**一条新广告其实不是从零开始。几乎总有一条相似的已经在跑——同广告主、同垂类、同 geo、同广告形式。把那条老广告的 CVR / CTR 当先验，配上伪计数平滑：

def smoothed_cvr(conversions, clicks, prior_cvr=0.02, prior_strength=500):
    """
    用贝叶斯平滑给冷启动 CVR 估计兜底。

    prior_strength = 把先验当作相当于这么多次历史试验。
    没有数据的广告由先验主导;随着真实样本累积，
    先验的权重会自动衰减。
    """
    return (conversions + prior_cvr * prior_strength) / (clicks + prior_strength)

prior_strength 是唯一真正要紧的旋钮：

• 太大 → 模型对真实数据”充耳不闻”。先验把观测永远压在底下；广告表现再好，估计也几乎不动。
• 太小 → 头几个观测就把估计甩来甩去。一个走运的转化就能把估计顶到 10% CVR。

常用经验：把 prior_strength 设成”相当于一天的预期点击量”，这样到第二天，真实信号就开始占上风。

**探索（explore）。**两种常见姿态：

• 显式探索：划出 5%–10% 的预算做无视模型分的随机出价。这逼着系统去看那些模型本来永远不会出价的人群。由此产生的流量是一份无偏样本——对长期重训来说是金子。
• 隐式探索：用 Thompson Sampling 这类 bandit，让高不确定性的选项有更高的被选概率：

import numpy as np

def thompson_sample_arm(alpha, beta):
    """
    每个 arm 维护一个 Beta(alpha, beta) 后验。
    新 arm 初始化为 alpha=1, beta=1（均匀先验 =
    最大不确定性 = 最高的被探索概率）。

    随着 arm 累积试验，它的 Beta 后验收紧，
    探索概率自动衰减。
    没有工程师需要去调一条 epsilon 衰减表。
    """
    return np.random.beta(alpha, beta)

在长尾广告和素材上，Thompson Sampling 几乎总是赢过 epsilon-greedy。原因很简单：**它自己安排自己的探索强度。**一个新上线的 arm 不确定性高，就被频繁采样；几千次拉动之后，不确定性下降，探索概率自行衰减。

**兜底（fallback）。**每一条新广告都在保守约束下上线：

• 低出价底、窄人群、能硬停花费的日预算上限
• geo 限在 1–2 个国家，广告形式限在一种主流类型
• 关掉高单价、高方差的版位（比如激励视频 pre-roll）

这些不是为了省钱，而是为了封住爆炸半径。万一竞价模型认定某个高 CPM 人群”高质量”、开始猛冲，损失也有界。

3.3 三个经典反模式

本节要点：广告冷启动是一道给”搞清楚”这件事定价的题——你愿意花多少钱，去学清楚这条广告值不值得跑。

4. 模型冷启动（算法层）

场景：双十一前两周，一个电商客户上传 5,000 个新 SKU。打开推荐看板——每个新 SKU 的 CTR 都是零，因为还没人点过。

这是推荐系统的经典话题，但 AdTech 版本更难缠。不只是新用户，还有新素材、新媒体、新版位、新人群包。

4.1 三个子类

三者都把模型输出坍缩成”垃圾分数”。倒也不算错——**预测分布坍缩到了先验上。**在这种状态下排序，本质就是按先验偏置排序，模型本该提供的判别力一点都没用上。

4.2 特征缺失时，怎么让模型还能用

**贝叶斯平滑。**永远别给 CTR / CVR 算裸的 (\frac{\text{click}}{\text{impression}})：

def smoothed_ctr(clicks, impressions, prior_ctr=0.01, prior_strength=1000):
    """
    给 CTR 估计做贝叶斯平滑——
    AdTech 入门第一课，也是最常被跳过的一课。
    """
    return (clicks + prior_ctr * prior_strength) / (impressions + prior_strength)

这是 AdTech 入门第一课。可每年都有线上事故出在：某人在一个新看板、新归因报告或新排序器里忘了平滑，把”100% CTR”当成真信号、灌进了下游某个东西。

**人群（cohort）兜底。**当用户级特征没数据时，回退到 device × geo × app × hour 的人群均值。还太稀疏，再往下回退到 geo × hour。连这个样本都太少，回退到全局均值。

不可妥协的那一点：**每一级都得有足够样本才能被用。**规则不是”找到第一级就用”，而是”用第一个样本够多的那一级”。

**元数据驱动的 embedding。**一条新素材没有曝光历史，但它有元数据：广告类型、垂类、品牌、尺寸、视频时长、调性。用这些算一个 zero-shot embedding——取同垂类历史素材 embedding 的均值，给新素材播种。几千次曝光之后，在线学习会把它拉向真实位置。

**look-alike 播种。**用户冷启动的默认动作。挑几百个现有用户做种子（高 LTV 用户、已转化用户、白名单用户），扩展到几十万个相似用户，把种子标签当作扩展集的伪标签。look-alike 是冷启动期的安全网；一旦真实交互数据流进来，让在线模型覆盖它。

4.3 探索 vs. 利用：为什么 Thompson Sampling 几乎总赢

冷启动期的广告排序，天生是为多臂老虎机准备的。和写死 ε = 5% 的 epsilon-greedy 相比，Thompson Sampling 的核心优势是自己安排探索强度：

• 一个新上线的 arm（素材 / 人群 / 版位）不确定性高 → Beta 后验平坦 → 被采样概率高。
• 几千次试验之后，不确定性下降 → Beta 后验尖锐 → 探索概率自行衰减。

没有工程师需要去调衰减表。而且根本不存在”记得要关掉的探索窗口”，因为压根没有”关”这个动作。

代价是：你得在生产里维护每个 arm 的 ((\alpha, \beta)) 状态。那是一条 KV 写路径，高 QPS 下要批量刷写——典型做法是把写聚合成每秒一次刷进 Redis 或 Aerospike，避开热 key。

4.4 修不掉的代价：选择偏差

冷启动数据有一个绕不开的问题：**你只能看到你竞胜了的那些曝光的反馈。**模型从冷启动里学到的一切都带着选择偏差。这个偏差会持续把它往回推——在冷启动早就结束之后——推回到它当初恰好赢下的那批流量上。

你能缓解，消不掉：

• 探索日志（exploration logging）：把探索期样本单独打标、给更高训练权重，或在这份无偏子集上单训一个倾向（propensity）模型。
• 反事实评估（counterfactual evaluation）：IPS（逆倾向加权）这类方法，对着日志数据估计”如果我们出了 / 没出价会怎样”。
• 永久 holdout：留一小片流量（通常 1%–5%）永远不被模型触碰，作为估计模型漂移的长期对照。

本节要点：模型冷启动是给”特征缺失”造一张理性悲观的安全网。别让”没数据”变成”随机出价”。

5. 系统冷启动（运行时层）

场景：一个新 bidder 构建灰度上线，金丝雀 1% 流量。p99 从 30ms 跳到 120ms，冲破 SSP 的 100ms 硬超时。运营立刻回滚。

这一节我们从”算法说的冷启动”切到”SRE 说的冷启动”。这是完全不同的工程问题，而且它们绝不该共用一个看板。

5.1 长驻服务：bidder / 排序器 / 特征服务

对常驻服务，启动后头几分钟的 p99 通常是稳态的 3–5 倍。四个根因：

生产实践（按推荐顺序）：

1. 预热流量 + 就绪探针：启动后、加入 LB 之前，回放一片影子流量——镜像的生产请求，响应丢弃。就绪探针只在 JIT 预热、连接打开、缓存填好之后才返回 200。
2. 慢放量（slow ramp）：新实例进了 LB 后，把它的权重在 5–10 分钟内从 1% 线性拉到 100%。比一把跳到 100% 安全得多。
3. 预热镜像：把 JIT 缓存（CDS / AppCDS）和 PGO 产物烤进容器镜像，让新实例跳过一部分预热。
4. 粘性路由：用一致性哈希把同类请求送到同一组实例，最大化每个实例的缓存命中率。

5.2 短生命周期函数：serverless 冷启动

对 Lambda / Cloud Run / Cloud Functions，“冷启动”指的是从容器拉起到首个请求返回的时间。典型数字：

关键洞察：这就是为什么 AdTech 热路径几乎从不用 serverless。一个 bidder 总共 100ms 的预算，容不下一个 100ms+ 的冷启动。

AdTech 里的 serverless 通常被限制在异步路径上：

• postback 处理（1–2s 延迟没问题）
• 离线报表生成
• 模型重训的事件触发
• webhook 处理

如果你非得把 serverless 放在延迟敏感路径上，两个真选项：provisioned concurrency，为永久容量付费——这本质上把 serverless 变成”一个会自动扩缩的常驻服务”；或者 GraalVM native image，把启动时间从秒级压到几十毫秒。

5.3 系统冷启动 ≠ 算法冷启动

这俩老被混为一谈，不该如此：

它们偶尔同时发生——一次新服务部署叠上一次新模型部署，落在同一个窗口——看上去像一个事件。它们不是。根因定位的路径完全不同。把它们塞进同一个看板，事故排查就变成了猜谜。

本节要点：系统冷启动是基建问题，用预热 + 放量 + 预热镜像来解。**它不该出现在产品需求里。**如果出现了，那是产品团队在替 SRE 背锅。

6. 归因冷启动（测量层）

场景：一个 iOS 客户开了一条新 SKAN 广告，运营问 SKAN 4 的转化值（CV）该怎么配。算法团队查看板——这条广告一个 postback 都还没回来。

这一副面孔是 SKAN 时代特有的，但结构上就是广告冷启动。缺的不是转化，是反馈本身。

6.1 SKAN 4 转化值配置

先快速复习。SKAN（SKAdNetwork）是 Apple 的隐私保护归因协议。在 iOS ATT 下，DSP 看不到 IDFA，转化数据经 SKAN postback 回流（这套端上承载详见 App 广告 SDK）。SKAN 4 同时支持细粒度 CV（64 桶）和粗粒度 CV（低 / 中 / 高），由广告主配置事件 → CV 的映射。

配 CV 归根到底是一个决策：哪些事件 + 哪些频次组合映射到高价值、哪些到低价值？这个决策取决于这条广告在这个 geo 的转化值分布——而对一条新广告，这个分布还不存在。

冷启动工程策略：

1. 从前置域数据迁先验：SKAN 之前的装机归因数据、同一广告在其他地区的表现、同一广告主的其他广告——按相似度加权，全部融成一个分布先验。
2. 先粗后细：头两周只配粗粒度 CV（三桶）。等观测到的 postback 分布稳定后，再切到细粒度。粗粒度所需样本少一个数量级。
3. 兜底 CV 槽：留一个通用事件槽，把所有未识别行为映射到单个 CV。这样冷启动期就不会仅仅因为没配对事件而把 postback 整个丢掉。
4. 别急着追”最优 CV 配置”：SKAN 的 postback 延迟（随机 0–24h，再加上 window 1 的 24h）意味着每次改配置都有一个多天的反馈回路。头几次迭代注定次优——接受它。AppsFlyer、Adjust、Singular 都把这套”先粗后细、慢慢精修”的回路默认烤进了它们的 SKAN Conversion Studio。

6.2 增量实验冷启动

第一次跑 lift / 增量实验最难的地方：没有基线。holdout 该多大？实验该跑多久？

实用的近似：

• 借行业经验：典型 holdout 5%–10%，最短跑 2 周。头几次跑保守点——宁可得一个弱结论，也别得一个功效不足的结论。
• 从功效计算反推：给定历史 CPA 方差和你在意的最小可检测效应（MDE），推出所需样本量。这个数字在 AdTech 里很吓人——检测一个 5% 的 lift 常常要几十万到上百万样本。
• 接受第一个结果是粗的：把它当作下一个实验的先验，而不是已经能拿来重分预算的东西。

6.3 MMM 冷启动

营销组合建模（MMM）有一种反直觉的冷启动：它主动需要你注入方差才能学到东西。如果一个渠道的历史花费从没有实质波动过，模型就没法识别这个渠道的边际效应。经济学家管这叫识别问题（identification problem）。

这里没多少工程可做。活儿在前期设计花费的变动——有意地把每个渠道的预算来回摆几次（包括回撤），好让 MMM 有东西可比。这很难向产品团队推销，因为它意味着拿短期 ROAS 去换长期可解释性。教科书式的学习税。

本节要点：归因冷启动是要造一套**“早期粗糙信号不致命”的兜底配置**。别让”第一版 CV 配错了”变成”接下来 30 天的归因都错了”。

7. 先验从哪来？

每一层的解法都需要一个先验。先验从哪来？五个常见来源，摊在”便宜 vs. 无偏”这个平面上：

一个冷启动策略，核心就是在”便宜但有偏的先验”和”昂贵但无偏的探索”之间做权衡。早期靠便宜的先验，随着探索数据累积，过渡到无偏估计。

8. 怎么判断冷启动结束了？

最常见的坏信号：**“今天的数据看着还行。“**那不是冷启动结束，那只是平稳的一天。

四个值得信的信号：

1. 置信区间收敛了：CTR / CVR / CPA 的 95% 置信区间，窄于当前这个决策所需的宽度。典型门槛：相对误差 < 20%。可量化、可监控。
2. 校准在主要分桶里贴合：把预测分桶，验证每个桶的预测均值与观测均值是否吻合。画校准曲线，主分位的偏离应 < 10%。冷启动早期这条曲线远离 y = x 对角线，只有收敛后才贴合。
3. 时间序列稳定：连续 7 天 CPA 在目标 ±15% 以内，且日内方差不再呈现早期那种”单调上升 / 下降”的形状。
4. 决策不再被探索流量主导：冷启动期探索可占 50% 的流量，稳态下通常 < 10%。

工程原则：把这些指标接进看板、配硬阈值告警。**别让”冷启动结束了”成为一个人的拍脑袋判断。**冷启动有清晰的触发点（广告上线 / 模型部署 / 服务重启），它也该有清晰的退出标准。

9. 反模式合集

把散在前面各节的坑收拢起来，按层分组。

广告层

• 因为第一周难看就砍掉广告。永久冷启动循环。
• 冷启动期上细粒度目标（tROAS、价值优化）。样本需求两周内够不着。
• 拿冷启动数据下归因结论。方差大、选择偏差重。

模型层

• 把贝叶斯平滑当可选项。迟早有人把没平滑的 CTR 用进决策逻辑，某个全新物料落在 100% CTR。
• 把 epsilon-greedy 当成你唯一需要的 bandit。长尾上 Thompson Sampling 几乎总更好。
• 直接拿冷启动日志数据训下一个模型，不做 IPS、不做探索日志。你在把选择偏差焊死进去。

系统层

• 相信 serverless 能跑热路径。冷启动延迟一票否决。
• 把预热当成可选优化。p99 尖刺在生产里是一票否决级的客户投诉。
• 把系统预热和算法冷启动混进同一个看板。根因定位变猜谜。

测量层

• 一上来就配细粒度 CV。两周产不出一个形状有用的分布。
• 没有 holdout 或对照组就宣称某策略有效。那可能只是冷启动后的自然回归。
• 冷启动期跳过爆炸半径限制。模型一旦咬住一个错信号，损失会无上限地放大。

10. 统一视角：先验、探索、兜底

四层看上去毫不相干，底下却是同一件事。折进一张表：

每一层都跑同一个三件套：

1. 先验：你不是从零开始。问自己：“我已经知道什么？“把它编码进决策。
2. 探索：有意地交学习税。问自己：“我愿意为信息付多少？“把它落成一个 holdout / 探索预算。
3. 兜底：探索失败了，也不会出灾难性后果。问自己：“如果先验和探索都错了，最大损失是多少？“把那个落成一道上限 / 放量 / 兜底策略。

工程师消不掉冷启动。那也不可能——只要业务还在不断上新广告、新模型、新服务、新转化事件，冷启动就会反复出现。工程师能做的，是把这三个机制设计好，让每一次新的冷启动都付出一个有界、可预测、付得起的代价。

11. 收尾

回到开头那场站会。新广告，上线 24 小时，CPI 是目标的 3 倍。产品经理问模型是不是坏了。

正确答案不是”是”或”否”，而是：

“我们在冷启动期。先验是 X（取自一条相似广告）。探索预算是 Y（花费的 8%）。兜底约束是 Z（日预算上限 $5,000、geo 仅美国）。置信区间应在 N 天内收敛到可行动的宽度。这个窗口内的表现波动，在我们商定的预算之内。稳住。”

如果你能这么回答，而且 X / Y / Z / N 全都被测量、被监控、被写进 runbook，你就把冷启动从”一种玄学之痛”挪成了一个有界的工程问题。

这是 AdTech 工程师在这件事上能给业务的最大礼物。

延伸阅读

先看同系列里和本篇相邻的几篇：

• RTA Explained：同样是”现在就得决策”的实时模式——那里缺的是回查时间，这里缺的是数据。
• App 广告 SDK 深挖：SKAN / ATT / MMP 归因在端上的承载，§6 归因冷启动的协议底座。
• IAB TCF 与 GPP：ATT / IDFA / 同意如何收窄可用信号——冷启动里”信号缺失”的上游成因之一。
• Header Bidding：Prebid.js vs Prebid Server：定义了冷启动必须在其中运作的那条 OpenRTB 延迟预算。

再是论文与一手资料：

• Chapelle, O. & Li, L. (2011). An Empirical Evaluation of Thompson Sampling. NeurIPS. 让 Thompson Sampling 在广告系统里走向生产级的那篇。
• Bottou, L. et al. (2013). Counterfactual Reasoning and Learning Systems: The Example of Computational Advertising. JMLR. 基于 IPS 的反事实评估的权威参考，出自微软 Bing 实际落地它的团队。
• IAB Tech Lab. OpenRTB 2.6 Specification. 定义了冷启动必须在其中运作的延迟预算的那个协议。
• Apple Developer. SKAdNetwork. SKAN 版本、CV 语义、postback 窗口的官方来源。
• Meta Business Help Center. About the learning phase. “50 个转化 / 7 天”规则的一手出处。

附录：术语表

• ALP（Audience Learning Phase）：TikTok / 抖音广告平台里对应 Meta Learning Phase 的概念。
• Aerospike / Redis / ScyllaDB：AdTech 常用的低延迟 KV 存储，用于用户状态、出价历史、bandit 状态。
• Attribution window（归因窗口）：归因系统接受一条”广告 → 转化”因果关系的最大时间窗，常见 7d-click + 1d-view。
• Bid landscape（竞价格局）：某库存上历史出价分布的画像，模型用它估计”出多少能赢”。
• Bid shading（出价压价）：一价拍卖里，DSP 把出价降到”赢率 × 剩余”最大化那一点的算法。
• Calibration（校准）：模型预测概率与真实频率的吻合程度。校准良好的模型说”5% CTR”，实际就交付约 5% CTR。
• 粗粒度 CV / 细粒度 CV：SKAN 4 的两种粒度——粗 3 桶（低 / 中 / 高），细 64 桶。
• Conversion Value（CV，转化值）：SKAN 协议里广告主自定义的转化价值编码，沿广告主 → MMP → DSP 流动。
• CPM / CPC / CPI / CPA：每千次曝光 / 每点击 / 每装机 / 每行动的成本。
• CTR / CVR：点击率 / 转化率。
• DSP / SSP / Ad Exchange：程序化广告生态的三个核心角色。
• eCPM（effective CPM）：把不同计价模型（CPC / CPI / CPA）归一成”每千次曝光的等效收入”；SSP 排序的核心指标。
• GAID / IDFA：Android / iOS 广告标识符。iOS ATT 之后，IDFA 覆盖率从约 70% 跌到约 25%。
• Holdout（留出 / 留空组）：有意不被策略触碰的一片流量，用于增量评估。
• Incrementality / Lift test（增量实验）：度量”广告带来的增量转化”而非”广告 + 自然流量的总转化”的实验方法。
• IPS（Inverse Propensity Scoring，逆倾向加权）：按观测时被选概率的倒数给样本加权，以缓解日志数据的选择偏差。
• JIT（Just-In-Time compilation）：JVM 把热路径字节码编译成本地码的运行时优化。
• Learning Phase（学习期）：Meta 官方对”模型走出冷启动前的学习期”的称呼，阈值为每 7 天 50 个转化。
• Look-alike audience（相似人群）：从一小撮种子用户按相似度扩展出来的人群。
• MMP（Mobile Measurement Partner）：第三方移动归因服务商——AppsFlyer、Adjust、Singular、Kochava 等。
• MMM（Marketing / Media Mix Modeling）：对历史花费与结果做回归的模型，估计各渠道的边际贡献。
• OpenRTB：IAB 定义的实时竞价标准。
• Postback：转化发生后，归因系统回调 DSP / 广告主的异步通知。
• Provisioned concurrency：AWS Lambda（及同类平台）的”预置实例”功能，付费的永久容量，用来避免冷启动。
• ROAS（Return on Ad Spend）：广告主每花一块钱赚回多少；广告主的终极 KPI。
• SKAdNetwork / SKAN：Apple 的隐私保护归因协议；当前主版本 SKAN 4。
• Smart Bidding：Google Ads 的自动出价产品线（tROAS、tCPA、Maximize Conversions 等）。
• Thompson Sampling：一种后验采样的多臂老虎机算法，会自动给冷启动 arm 倾斜出更高的探索概率。
• tROAS / tCPA（target ROAS / target CPA）：目标 ROAS / CPA 优化，AdTech 里常见的基于价值的优化目标。
• Win rate / Fill rate（竞胜率 / 填充率）：DSP 出价竞胜的比例 / SSP 广告位被填充的比例。
• Learning tax（学习税）：系统或模型为了在冷启动期”学到东西”而必须付出的有界代价。