Lookalike算法怎么用？Lookalike算法應(yīng)用注意事項

• 2018年4月19日 ZhangHongYuan來源：搜狐媒體平臺 1244 81
• 繁體

• 

  2018-2023年中國信息安全行業(yè)全景調(diào)研與發(fā)展戰(zhàn)略研究咨詢報告

  產(chǎn)業(yè)現(xiàn)狀目前，我國信息安全產(chǎn)業(yè)針對各類網(wǎng)絡(luò)威脅行為已經(jīng)具備了一定的防護、監(jiān)管、控制能力，市場開發(fā)潛力得到不斷提升。最近幾年，信息安全產(chǎn)業(yè)在政府引導(dǎo)、企業(yè)參與和用戶認可的良性循環(huán)中穩(wěn)...

作為一個廣告主，如何判斷各家的Lookalike算法孰優(yōu)孰劣，怎樣的Lookalike算法才是真正符合廣告主要求的算法呢?

隨著數(shù)字廣告的出現(xiàn)，廣告從原來的受眾被動接受轉(zhuǎn)變?yōu)殡p向互動，并且廣告的效果也變得可量化可跟蹤。隨之而來的，廣告主對于受眾定向也產(chǎn)生了越來越強烈的需求，如何在合適的時間把合適的內(nèi)容推送到合適的受眾面前，成為廣告主對廣告技術(shù)公司的普遍要求。

而針對這個普遍要求，如何找到適合廣告主品牌定位的某款產(chǎn)品的目標(biāo)受眾群，往往成為某次廣告營銷活動的起點。對于這個任務(wù)的達成，目前主要有兩類主流做法：

一類是直接基于DMP的三方數(shù)據(jù)，通過標(biāo)簽選取或LBS等方式為廣告主選取目標(biāo)受眾群，這種做法更多的依賴業(yè)務(wù)人員對業(yè)務(wù)、產(chǎn)品、市場的了解，有時候業(yè)務(wù)經(jīng)驗不一定準(zhǔn)確，而且通過標(biāo)簽或者LBS篩選出來的人群規(guī)模不容易控制，需要進行多次反復(fù)的嘗試，最終確定符合某次投放要求的目標(biāo)人群數(shù)量。

第二類是通過廣告主一方數(shù)據(jù)或二方數(shù)據(jù)通過Lookalike算法選取目標(biāo)受眾群。這種做法更多的依賴大數(shù)據(jù)和機器學(xué)習(xí)算法，對探索新的業(yè)務(wù)邏輯，例如對于某款新產(chǎn)品的市場推廣，并無很多的業(yè)務(wù)經(jīng)驗積累的場景比較適用，而且也更符合大數(shù)據(jù)營銷的發(fā)展趨勢。本文將主要圍繞該種方式展開。

既然Lookalike是輔助業(yè)務(wù)人員和市場營銷人員獲取精準(zhǔn)目標(biāo)人群的有力工具，很多提供廣告DMP數(shù)據(jù)服務(wù)的公司都宣稱自己有Lookalike算法，仿佛有了高大上的算法附體，自然找人群就能精準(zhǔn)幾分。而找到了精準(zhǔn)人群，自然后續(xù)的轉(zhuǎn)化都不是問題，在這樣的邏輯下，Lookalike成了DMP數(shù)據(jù)服務(wù)公司的標(biāo)配。于是一個問題就提出來了，作為一個廣告主，如何判斷各家的Lookalike算法孰優(yōu)孰劣，怎樣的Lookalike算法才是真正符合廣告主要求的算法呢?下文將從廣告主的視角進行深入的解讀。

Lookalike的基本流程

Lookalike字面上來講就是尋找相似性，廣告主提交一系列客群范圍，我們稱之為種子客群，它作為機器學(xué)習(xí)的正樣本。負樣本會從非種子客群，或者是說平臺歷史積累的一些人群中進行選取，于是Lookalike問題就轉(zhuǎn)化為一個二分類的模型，正負樣本組成學(xué)習(xí)的樣本，訓(xùn)練模型之后，利用模型結(jié)構(gòu)對活躍客群進行打分，最后得到廣告主需要的目標(biāo)人群。

回顧一下這個流程，我們會發(fā)現(xiàn)Lookalike在應(yīng)用上有三大關(guān)鍵點：

第一、用來學(xué)習(xí)的數(shù)據(jù)維度很關(guān)鍵

可以說，學(xué)習(xí)的數(shù)據(jù)維度就是在哪些方面尋找相似的客群，也就是說你的目標(biāo)客群會突出在哪些方面有一些特征的聚集。學(xué)習(xí)的數(shù)據(jù)維度包含幾個層次：

(1)行為結(jié)果數(shù)據(jù)

所謂行為結(jié)果數(shù)據(jù)是已經(jīng)采取了具體行動的數(shù)據(jù)，例如購買數(shù)據(jù)，入資數(shù)據(jù)等。

(2)行為意向數(shù)據(jù)

所謂行為意向數(shù)據(jù)是傾向于采取某種行為的人群數(shù)據(jù)，最典型的是搜索引擎的數(shù)據(jù)，一般來說消費者在做最終的購買決策之前，往往會通過搜索引擎了解產(chǎn)品周邊的一些相關(guān)信息，相關(guān)搜索關(guān)鍵字數(shù)據(jù)可以定位到一個有強購買傾向的人。這也是很多廣告主投入較多預(yù)算在SEM上的原因。但這種數(shù)據(jù)一般很難從搜索引擎?zhèn)全@取，購買關(guān)鍵字的成本也越來越高。一般來說，通過行為意向數(shù)據(jù)來尋找人群，轉(zhuǎn)化率會比較高，因為行為意向人群往往已經(jīng)達到了轉(zhuǎn)化前的最后一步的關(guān)鍵時刻，此時對意向人群進行營銷，效果往往很明顯。但同時廣告主也面臨一定的風(fēng)險，因為這時客戶可能已被別的競品在更早的環(huán)節(jié)進行了影響，轉(zhuǎn)化成本也相應(yīng)提高。

(3)行為偏好數(shù)據(jù)

對于大多數(shù)第三方DMP平臺來說，主要還是通過這一類數(shù)據(jù)來幫助廣告主找到潛在的人群，從業(yè)務(wù)邏輯來說，具有某種偏好或者屬于某種類型的人群往往會更傾向于購買某款產(chǎn)品，對于這部分數(shù)據(jù)的學(xué)習(xí)也能促成最終的轉(zhuǎn)化。而且行為偏好數(shù)據(jù)會保證廣告主在潛在客群覆蓋規(guī)模和精準(zhǔn)度之間達到一個很好的平衡，因此也是廣告主普遍選用的一種數(shù)據(jù)。

(4)行為模式數(shù)據(jù)

所謂行為模式是指通過分析消費者的行為與時間、空間的關(guān)系，以及一系列行為之間的時間和空間序列關(guān)系，總結(jié)出的具有一定一致性意義的行為表現(xiàn)，通過這些一致性模式預(yù)測相關(guān)行為。行為模式數(shù)據(jù)往往應(yīng)用于場景營銷，但是由于加工行為模式的數(shù)據(jù)計算復(fù)雜度較高，同時對分析的實時性要求也很高，因此目前還處在探索和優(yōu)化階段，實際的應(yīng)用落地不多。

上述所說的幾類數(shù)據(jù)在營銷領(lǐng)域各有其價值，并不能判斷孰優(yōu)孰劣。結(jié)合具體廣告主的需求都可以達到比較好的效果。

第二、Lookalike算法是否工程化

Lookalike算法本身其實并不復(fù)雜，但是目前很多DMP平臺提供的Lookalike算法對于廣告主來說更像是一個黑盒子，一方數(shù)據(jù)輸入進算法后，通常廣告主并不知道算法內(nèi)部發(fā)生了什么，也并沒有留有可供業(yè)務(wù)人員參與的接口，只需等待算法按你的要求輸出指定類型的數(shù)據(jù)。通常來說，廣告主只有在通過線上廣告真正觸達到相關(guān)受眾群體之后，才能了解機器學(xué)習(xí)的效果是否符合預(yù)期。

對于這種Lookalike算法的客戶體驗肯定是不好的，判斷某家DMP是否能在廣告營銷中為廣告主帶來價值，通常比拼的是Lookalike算法工程化方面的實力，這些實力體現(xiàn)在以下方面：

(1)算法的學(xué)習(xí)維度是否可以調(diào)節(jié)

雖然理論來說，Lookalike算法維度增多對提高學(xué)習(xí)精度是有利的，但是現(xiàn)實生活中人群表現(xiàn)出的一些特征有時候是出于主動選擇的結(jié)果，有時候是由于客觀條件限制導(dǎo)致被動選擇的結(jié)果(例如某款產(chǎn)品只在部分區(qū)域發(fā)售)，因此對于算法的學(xué)習(xí)維度需要具備預(yù)先手動調(diào)節(jié)的能力，排除掉一些不必要的學(xué)習(xí)維度。

(2)是否可以根據(jù)相似度選取最終人群的規(guī)模

對于學(xué)習(xí)輸出的人群，與種子人群的相似度越高就說明越符合要求，但同時規(guī)模也越小。一次廣告營銷所需要觸達的人群會根據(jù)本次營銷的目標(biāo)不同而有很大的變化，例如對于品效兼顧的營銷，人群觸達的規(guī)模也是一個非常重要的指標(biāo)，而對于純粹效果類廣告，則是希望能夠觸達盡可能精準(zhǔn)的目標(biāo)人群。通過相似度靈活的選取最終人群的規(guī)模，對于業(yè)務(wù)人員來說，是一個非常有用的功能。

(3)學(xué)習(xí)結(jié)果是否可設(shè)定過濾條件

具體的營銷活動會有很多限制，例如某款游戲在IOS和Android上的營銷預(yù)算不同，因此希望IOS目標(biāo)人群和Android目標(biāo)人群規(guī)模符合一定的比例;某些垂直媒體主要做三四線城市的下沉，希望更多選取三四線城市的人群等，可以通過靈活的條件篩選會使得算法可以支持更多更豐富的應(yīng)用場景。

(4)一些工程化指標(biāo)

其他一些工程化指標(biāo)對于算法的易用性、可用性非常重要，例如現(xiàn)實情況中的數(shù)據(jù)質(zhì)量往往不是特別好，用來學(xué)習(xí)的樣本數(shù)據(jù)維度很多時候不完整，甚至有些樣本的某些維度是缺失的，這就要求算法能很好的適應(yīng)這種不完整的數(shù)據(jù)，同時保證精度不迅速惡化;

在現(xiàn)實業(yè)務(wù)應(yīng)用場景中，營銷業(yè)務(wù)人員通常不具備很深度的數(shù)據(jù)挖掘背景，因此挖掘算法在應(yīng)用環(huán)節(jié)不應(yīng)該設(shè)計的非常復(fù)雜，如需要業(yè)務(wù)人員調(diào)節(jié)某些參數(shù)來優(yōu)化模型的精度等;

算法的效率和收斂速度同樣非常重要，對于動輒上億的樣本，幾百萬的特征維度來說，業(yè)務(wù)場景要求在分鐘量級返回計算結(jié)果，因此算法的性能和各廠家的計算能力是非常大的門檻。

第三、Lookalike算法的應(yīng)用Tips

(1)結(jié)合聚類算法一起使用

有時候客戶提供過來的種子人群成分是非常復(fù)雜的，往往是參雜了大量子類人群的總和，如果直接拿這些種子人群進行l(wèi)ookalike，則相當(dāng)于把人群的特征進行了弱化，最終找出來的相似人群特征會變得不明顯。例如某奢侈品牌，他們的一方種子人群中包含2類，一類是真正有錢的人群，平時開豪車住別墅的，另外一類是普通的城市小白領(lǐng)，他們往往攢好幾個月的工資進行一次消費。這2種人群必須先通過聚類算法區(qū)分出來，然后再輸入Lookalike算法去擴大。

(2)在什么媒體上用

Lookalike算法選出的人群最終是在媒體的流量人群中實現(xiàn)觸達，因此媒體自身流量對最終Lookalike算法落地的效果影響非常大，例如我們做過的某次營銷案例，選取某DSP做為精準(zhǔn)營銷的落地媒體，在整個4周的營銷過程中，最終選取的精準(zhǔn)人群只有2%曝光成功。(一方面由于該DSP媒體流量均為長尾流量，而我們選取的目標(biāo)人群為金融類目標(biāo)人群，該DSP對目標(biāo)人群覆蓋率低，另外由于低價策略，競價成功率低也導(dǎo)致了最終觸達的精準(zhǔn)人群規(guī)模比較小。)最終我們分析了這2%成功曝光的人群，發(fā)現(xiàn)他們也是Lookalike算法相似度相對較低的，也就是說最相似的那部分目標(biāo)人群在該媒體上并沒有出現(xiàn)和競得。

因此為了保證Lookalike算法落地的效果，選取與廣告主自身產(chǎn)品相對匹配的目標(biāo)媒體以及合適的出價都非常重要。

(3)根據(jù)效果數(shù)據(jù)優(yōu)化Lookalike算法

一旦精準(zhǔn)營銷活動開始后，就可以回收消費者對營銷的反饋數(shù)據(jù)做為正樣本來對Lookalike算法進行優(yōu)化。通過TalkingData對大量歷史投放數(shù)據(jù)的分析，動態(tài)優(yōu)化Lookalike算法可以極大的提升算法的轉(zhuǎn)化效果：在同樣選取相似度TOP100w樣本進行精準(zhǔn)投放的情況下，每日優(yōu)化樣本庫組相比較不優(yōu)化組在一周的投放周期內(nèi)，可提升激活率180%以上。樣本庫優(yōu)化的周期可以根據(jù)效果數(shù)據(jù)回收的量級、媒體的技術(shù)支持能力、以及DMP平臺自身的數(shù)據(jù)更新周期綜合決定，建議每1-2日更新目標(biāo)用戶群。

【總結(jié)】

以上是對Lookalike算法應(yīng)用需要注意的一些關(guān)鍵點進行的分析，總之，任何算法并不是孤立存在的，必須結(jié)合數(shù)據(jù)及業(yè)務(wù)場景進行合理的應(yīng)用才能發(fā)揮最大的價值，TalkingData致力于和廣告主一起，探索其中的奧妙。

延伸閱讀

推薦閱讀

猜您喜歡