|
现在企业越来越重视运用人工智能技术洞察数据价值,从中发展增值业务。传统的依赖业务规则筛选目标用户的营销方式,存在获取数据周期长且营销接触率低的问题。本文将介绍当下流行的相似人群扩展(Lookalike)技术,能有效支撑业务方进行精准营销。 1、Lookalike技术是什么 Lookalike技术，即相似人群扩展技术，是一种从小规模的目标用户群体中,通过算法模型找到更大规模相似用户群体的方法。其核心思路是首先根据一小部分目标用户(种子用户)的特征,比如人口统计学数据、网络行为、消费偏好等,建立这部分目标用户的画像。然后,在更大范围的用户总体中,找到与这些目标用户较为相似的用户。这些新找到的用户就是目标用户的“相似”群体。
图1 什么是Lookalike 需要注意的是,lookalike技术并不是某一类特定的算法,而是一系列算法方法的统称。这些算法综合运用机器学习、统计分析、数据挖掘等多种技术手段,通过对用户特征的评估和建模,达到从小规模目标用户扩展到更大相似用户群的目的。 2、Lookalike技术怎么用 Lookalike技术核心价值在于实现小规模用户的精准扩充。具体来说,在实际业务中,广告主会基于自己的规则和经验先选取出一小部分高质量的典型用户作为种子用户。这些种子用户能够精准代表目标客户群体,但由于选取规则设置严格,导致精准的目标客户数量有限。此时,通过Lookalike算法分析种子用户的特征属性,再从全量用户库中找出与之相似的用户。新匹配的这些用户,因为与原种子用户在某些维度比较相似,所以能满足业务的营销需求。如此,Lookalike算法就能根据有限的种子用户,对用户群进行效果显著的扩展,以不断满足广告主获取更多优质客户的需求。 举个汽车销售的例子，某汽车品牌要在一个新兴城市推广它的新款SUV，目标是覆盖该城市100万有购车意向的驾驶者。但根据这一车型的历史购买数据,目标购车人群只有20万。为了触达更多潜在客户,该汽车品牌采用了Lookalike技术，先选择近期询价或参观过这一车型的客户作为种子用户,然后根据这些种子用户的特征，如地区、收入、生活方式等,在该城市全体驾驶人群中匹配出80万与之类似的用户。这样一来，这次推广就可以触达更多符合品牌价值观和购车偏好的目标人群。 再举个教育培训的例子，某在线教育平台准备推出一个Python编程课程,目标是向5000名学生推送该课程信息。但根据平台的注册用户数据,可能只有1000名对Python感兴趣。为了扩大课程的影响力,平台决定运用Lookalike技术,先选择最近1年内报名学习过编程课程的注册用户作为种子群体,他们代表了有需求的用户属性。然后,平台可以根据这部分种子用户的特征,例如学历背景、职业方向、学习偏好等,从全部注册用户中匹配出4000名与种子用户类似的潜在感兴趣用户。这样,新课程就可以触达到更多对编程有需求的目标学生。 3、Lookalike技术怎么实现
图2 如何实现Lookalike Lookalike相似人群拓展方法主要有以下几种方法： （1）基于用户属性的显式Lookalike 此类方法依据用户的属性特征来发现相似用户,具体可以使用人口统计学特征如年龄、收入、教育程度、地区等。使用时,可以先定义好要匹配的核心属性,然后在用户群中提取具有相近属性值的用户。这种方法实现简单,但仅限于预先定义的几个属性,可能会遗漏描述用户的其他隐性特征。 （2）基于用户行为的隐式Lookalike 此类方法会全面分析各类用户行为数据,例如页面浏览时间、点击频率、搜索词、消费金额、兴趣等,将种子用户作为正样本，将随机用户进行降采样后作为负样本，运用机器学习算法建模用户的兴趣和消费偏好,然后匹配具有类似偏好和行为的用户。优点是可以充分利用丰富的用户行为数据,缺点是需要收集大量行为数据进行建模。 （3）基于图数据库进行隐式Lookalike 此类方法在图数据库中构建用户节点和用户关系边的网络结构,识别种子用户后,依托节点之间的边关系进行特征与标签向相邻节点的传播扩散,通过递归迭代不断在网络图中发现新的相似用户,重复该过程直到发现足够数量的人群,从而实现对目标用户的高效扩充。这种技术充分利用图数据库对网络数据的建模与计算优势,能有效发掘更多不易观察的相似用户，但需要处理大规模关系图的存储和计算问题。 本文介绍了Lookalike技术的相关概念和应用方法，但在实际业务应用中,如何科学选择特征来描述用户,以保证后续算法的效果,以及如何收集营销反馈来持续优化机器学习模型,形成闭环,都是需要解决的关键问题。总之，任何算法并不是孤立存在的，必须结合数据及业务场景进行合理的应用才能发挥最大的价值。 参考资料 【1】炼丹笔记.搜推广遇上用户画像：Lookalike相似人群拓展算法| CSDN, 2021 作者：张豪 单位：中国移动智慧家庭运营中心 |
|
|
