案例來源：@阿里巴巴機器智慧

導讀：

為A電商做年貨節品牌營銷，目標是識別目標受眾，廣告投放後由“機會人群”轉向“興趣人群”的比例更高。

解決方案是：

第一步：多方向人群擴散。通過興趣偏好、品類偏好、競品受眾、搜尋人群、流失人群、lookalike人群 六個方向獲得潛客名單，去重後得到候選使用者集

第二步：人群優選演算法。以已購過A品牌的使用者為正樣本，購買過其它品牌的使用者未負樣本，訓練分類器。

第三步：年貨人群模型。專門為年貨場景訓練的分類模型。

第四步：模型融合與預測。

效果是“機會人群”到“興趣人群”的轉化率提高了47%。

0. 背景：

    1）廣告分成品牌廣告與效果廣告，效果廣告關心效果，即當期的轉化率；品牌廣告關心曝光與影響力，即提高未來的轉化率。傳統品牌廣告的弊端在於難以量化效果，阿里巴巴由於能監控到廣告投放與使用者行為的鏈路，因此能夠對品牌廣告的營銷效果進行量化

    2）阿里巴巴將使用者對品牌的感知區分為Opportunity（機會）、Awareness（認知）、Interest（興趣）、Purchase（購買）、Loyalty（忠誠），“O→I”的轉化衡量品牌廣告的效果，即機會人群轉化為興趣人群的比例

    3）以A品牌年貨節品牌推廣活動為案例，利用本文演算法挖掘目標潛客，相對於傳統根據業務規則圈定的目標潛客，“O→I”轉化率提升了47%

1. 目標：找到A品牌目標潛客，提高品牌廣告投放的“O→I”轉化率，從而提升A品牌的消費者資產

2. 傳統業界方法

    1）標籤擴散：根據已有使用者畫像，拓展到具有相似使用者標籤的使用者群

    2）基於標籤的協同過濾

    3）基於社交關係的擴散

    4）基於聚類的擴散：根據使用者畫像進行聚類

    5）目標人群分類方法：以種子人群為正樣本，隨機其它物件為負樣本，訓練分類模型

3. 多方向人群擴散+人群分類優選

    1）多方向人群擴散：探索6類方向，通過白盒條件篩選、黑盒模型預測的方式得到候選使用者集，然後將使用者集彙總後去重。

        a. 興趣偏好方向：採用特徵值TGI指數和TA濃度兩個指標，得到各特徵對於區分品牌偏好的有效程度，從而找到可以合理篩選出品牌目標使用者的指標（TGI指數衡量特徵值在品牌人群中的顯著性，TA濃度衡量特徵值在品牌人群中的覆蓋率）

        b. 相關品類方向：(1)利用brand-user矩陣，採用jaccard相關係數計算品牌相關性；(2)利用user-category矩陣，採用關聯分析得到各類目的相關類目

        c. 競品人群方向：(1)競品：A品牌主營類目下，top10的其它品牌為競品；(2)人群流轉分析：計算A品牌新增人群中多大比例來自競品，判斷該方向是否有效；(3)競品人群轉化模型：以來自競品的人群為目標，挖掘使用者在競品的AIPL狀態、退款、退貨、評分、評價等特徵，訓練競品人群轉化模型。通過模型對競品人群進行轉換預測，實現人群擴散

        d. 搜尋人群方向：(1)找到搜尋關鍵詞：綜合考慮搜尋詞是否充分競爭以及本品牌在搜尋詞上是否有優勢，一個搜尋詞引導到品牌的成交額佔比越高，該搜尋詞越重要；(2)選擇近15天搜尋了關鍵詞並點選了A品牌主營類目的使用者作為擴散使用者

        e. 流失人群方向：之前屬於品牌人群而現已流失了的使用者，進行擴散召回，包括近半年從IPL狀態流失的使用者和近1個月從A狀態流失的使用者

        f. 同好人群方向：找到與種子使用者相似度最高的topN使用者，相似度計算的方法有兩種 (1)使用者偏好的類目向量、品牌向量組合；(2)將user-item表示為二部圖，基於graph embedding方法生成使用者向量

    2）人群分類優選：

        a. 評估方法：PredictTA TopNPrecisio指標，表示優選的TopN人群中品牌目標人群的佔比，該指標越大說明模型預測效果越好

        b. 樣本選擇：正樣本為A品牌已購人群（對於小品牌，可能需要加入興趣人群等擴充正樣本）；負樣本為全網其它品牌的已購人群（如果是全國隨機其它人群，容易踩到很多特徵稀少的使用者）

        c. 特徵工程：(1)數值型特徵離散化：年購物天數、近30天訂單數等特徵進行等距離散，提高模型穩定性和效果；(2)列舉型特徵值篩選。汽車型號、收貨省份等特徵長尾分佈非常明顯，篩選出與目標品牌相關的特徵值；(3)特徵編碼：onehot化；(4) 稀疏特徵embedding：如品牌id、類目id，以品牌作為word，活躍使用者的行為作為doc，利用word2vec的方法做詞嵌入；(5)特徵選擇

        d. 模型訓練：(1)LR作為baseline；(2)rf，效果不好，並且特徵重要性只能精確到特徵而不能到特徵值維度，去除；(3)PS-SMART，基於PS架構的GBDT模型，效果較lr好

        e. 訓練效果：

        f. 模型預測：使用訓練好的人群優選模型，對通過6個方向擴散的人群進行篩選，去掉預測分數小於0.5的使用者

4. 年貨人群模型：屯年貨是一種特殊的消費場景，與日常消費行為不同，因此需要單獨建模

    1）樣本選擇：以農曆時間為記，選取去年同期前一個月有行為的使用者作為樣本。根據這些使用者在去年同期到元宵節的行為打正負樣本標識，轉化到品牌PL狀態的使用者為正樣本，隨機採用同等數量的其他使用者為負樣本

    2）特徵工程：

        a. 人群屬性特徵

        b. 人群偏好特徵：偏好品牌、生活標籤、偏好類目、及偏好品牌等特徵

        c. 品牌主營類目行為特徵、品牌相關年貨類目行為特徵：有行為的相關年貨類目id、類目相關性等

    3）模型訓練：PS-SMART演算法作為分類器

    4）模型預測：圈選投放日期前1個月對品牌主營類目及相關年貨類目有行為的使用者，使用年貨人群模型進行預測，去除預測分數小於0.5的使用者，根據拉新目標去除品牌現有IPL人群

5. 模型融合：

    1）根據日常人群優選模型和年貨人群模型的PredictTA TopN Precision指標，確定目標人群中2個模型優選結果的佔比，最終篩選出指定數量的投放人群，匯入資料銀行，供服務商同步到DMP進行品牌廣告投放

    2）效果：品牌A根據本文模型篩選目標潛客，服務商根據策略中心找出A的目標潛客，分別在鑽展投放。本文演算法在“O→I”的人群關係加深率上提升了47%