广告系统学习和小贷人群特征的冲突问题

前我对广告系统的理解，其实是会倾向于是系统会尽可能优先曝光最可能产生转化的人（这里最可能产生转化的通常是之前转化过多次的人）。

这个理解其实问题不大，这个逻辑在游戏行业或者其他产品上都没问题，历史产生了更多次游戏付费的人，在系统中肯定会寻找出共同特征，之后再次出现有广告需要投付费目标的时候，优先曝光这个特征的人（实际上就接近于是前面游戏付费次数多的人）。

我理解小贷其实也会有同样的逻辑，在我们投放新的小贷时候，优先曝光的一定会有前面其他小贷产生转化过的人，但是小贷和游戏不同，游戏付费多的人是好用户，但是小贷借贷多的可不一定是好用户，反而是最差的用户，共贷太多还款能力反而不行，或者可能直接是撸贷的人。

如果风控没能拦住这些人，最后贷后数据估计就会比较难看。

按照广告系统的学习逻辑，如果风控给力，在前期就能把这些共贷多的拦住，最终转化的人群可能就会慢慢降低这类人群曝光，最后进到一个良性循环中。

小贷投放的渠道中，Facebook和Google其实在流量上的差异导致这个现象会更明显一些，Facebook本身的流量池子没有Google的大（尤其是Google有GP的搜索和相似推荐），还有Facebook一直是用户精准标签，学习上更容易学到共贷（多次借贷）的人。经常能看到一些风控相对弱一点的产品，在中后期+成熟市场上Facebook的数据和Google相比差了非常多。

想解决这个问题似乎还挺难，风控要能区分出来哪些用户是多次借贷，并且没有还款能力，并且回传给到广告系统，而Facebook也要能有明确的特征分辨出来多次借贷还有还款能力，以及无还款能力的人，似乎不太可能？

从目前多家客户的数据看，成熟市场Facebook的占比确实越来越低，哪怕风控能力强的团队也无法解决，但是还好能确保量少但是至少还款没崩盘，有的客户实际上跑FB的贷后数据基本都比较糟糕。

目前能想到的解决办法：

1，不跑放款之类，反而转向去跑靠前的行为，直接扫到一个更大的人群圈子（避免让系统直接跑到共贷人群里面出不来）。

2，风控可能反而去找“新用户”，限定共贷减少通过，或者判断共贷次数等。

3，素材，尽可能避开这些共贷人群，找找“老实人”，尽可能去找一些能吸引到“新”的用户人群的素材。

这里也许做风控的人，能想到一些其他解决办法？