Wie werden Sie durch Werbung angesprochen?

Heutzutage legen Unternehmen immer mehr Wert darauf, Technologien der künstlichen Intelligenz zu nutzen, um Erkenntnisse über den Wert von Daten zu gewinnen und daraus Mehrwertdienste zu entwickeln. Die traditionelle Marketingmethode, die sich bei der Auswahl der Zielbenutzer auf Geschäftsregeln stützt, weist die Probleme eines langen Datenerfassungszyklus und einer niedrigen Marketingkontaktrate auf. In diesem Artikel wird die derzeit beliebte Lookalike-Technologie vorgestellt, die Geschäftspartner beim Präzisionsmarketing effektiv unterstützen kann.

1. Was ist Lookalike-Technologie?

Die Lookalike-Technologie, auch als Technologie zur Erweiterung ähnlicher Benutzergruppen bekannt, ist eine Methode, um mithilfe eines Algorithmusmodells aus einer kleinen Zielbenutzergruppe eine größere, ähnliche Benutzergruppe zu ermitteln. Die Kernidee besteht darin, zunächst ein Porträt einer kleinen Anzahl von Zielbenutzern (Seed-Benutzern) anhand ihrer Merkmale wie demografischen Daten, Netzwerkverhalten, Konsumpräferenzen usw. zu erstellen. Suchen Sie dann in einer größeren Benutzerpopulation nach Benutzern, die diesen Zielbenutzern ähnlicher sind. Diese neu gefundenen Benutzer sind die „ähnlichen“ Gruppen der Zielbenutzer.

Abbildung 1 Was ist Lookalike

Dabei ist zu beachten, dass es sich bei der Lookalike-Technologie nicht um einen bestimmten Algorithmustyp handelt, sondern um einen allgemeinen Begriff für eine Reihe algorithmischer Methoden. Diese Algorithmen nutzen eine Vielzahl technischer Mittel wie maschinelles Lernen, statistische Analysen und Data Mining, um durch die Auswertung und Modellierung von Benutzereigenschaften das Ziel zu erreichen, eine kleine Zielgruppe von Benutzern auf eine größere Gruppe ähnlicher Benutzer auszuweiten.

2. So nutzen Sie die Lookalike-Technologie

Der Kernwert der Lookalike-Technologie liegt in der gezielten Ausweitung der Kleinnutzer. Im konkreten Fall wählen Werbetreibende in der Geschäftspraxis zunächst eine kleine Anzahl typischer Benutzer hoher Qualität als Seed-Benutzer aus, und zwar auf Grundlage ihrer eigenen Regeln und Erfahrungen. Diese Seed-User können die Zielgruppe zwar genau repräsentieren, aufgrund der strengen Auswahlregeln ist die Anzahl der genauen Zielkunden jedoch begrenzt. Zu diesem Zeitpunkt wird der Lookalike-Algorithmus verwendet, um die charakteristischen Attribute des Seed-Benutzers zu analysieren und dann ähnliche Benutzer aus der gesamten Benutzerdatenbank zu finden. Diese neu zugeordneten Benutzer können die Marketinganforderungen des Unternehmens erfüllen, da sie den ursprünglichen Seed-Benutzern in einigen Dimensionen ähneln. Auf diese Weise kann der Lookalike-Algorithmus die Benutzerbasis auf der Grundlage begrenzter Seed-Benutzer erheblich erweitern und so kontinuierlich den Bedarf der Werbetreibenden decken, mehr hochwertige Kunden zu gewinnen.

Nehmen wir als Beispiel den Autoverkauf. Eine Automarke möchte ihren neuen SUV in einer aufstrebenden Stadt bewerben und dabei eine Million Autofahrer in der Stadt erreichen, die am Kauf eines Autos interessiert sind. Basierend auf den historischen Kaufdaten dieses Modells beträgt die Zielgruppe der Käufer jedoch nur 200.000. Um mehr potenzielle Kunden zu erreichen, setzte die Automarke auf die Lookalike-Technologie. Dabei wurden zunächst Kunden als Seed-Nutzer ausgewählt, die sich kürzlich nach diesem Modell erkundigt oder es besichtigt hatten. Anschließend wurden 800.000 ähnliche Nutzer aus der gesamten Autobevölkerung der Stadt anhand ihrer Merkmale wie Region, Einkommen, Lebensstil usw. abgeglichen. Auf diese Weise kann diese Werbeaktion mehr Zielgruppen erreichen, die den Markenwerten und Autokaufpräferenzen entsprechen.

Ein weiteres Beispiel für Bildung und Ausbildung ist eine Online-Bildungsplattform, die die Einführung eines Python-Programmierkurses vorbereitet. Ziel ist es, die Kursinformationen 5.000 Studenten zugänglich zu machen. Doch den registrierten Nutzerdaten der Plattform zufolge gibt es möglicherweise nur 1.000 Menschen, die sich für Python interessieren. Um den Einfluss des Kurses zu erweitern, entschied sich die Plattform, mithilfe der Lookalike-Technologie zunächst registrierte Benutzer als Seed-Gruppe auszuwählen, die sich im vergangenen Jahr für Programmierkurse angemeldet haben. Sie repräsentieren die Attribute von Benutzern mit Bedürfnissen. Anschließend kann die Plattform aus allen registrierten Benutzern 4.000 potenziell interessierte Benutzer zusammenbringen, die den Seed-Benutzern ähneln, und zwar auf Grundlage der Merkmale dieser Seed-Benutzer, wie etwa Bildungshintergrund, beruflicher Ausrichtung, Lernpräferenzen usw. Auf diese Weise kann der neue Kurs eine größere Zahl von Zielstudenten erreichen, die Bedarf an Programmierung haben.

3. So implementieren Sie Lookalike-Technologie

Abbildung 2: Implementierung von Lookalike

Zu den Methoden zur Erweiterung von Lookalike-Ähnlichkeitsgruppen gehören hauptsächlich die folgenden Methoden:

(1) Explizites Lookalike basierend auf Benutzerattributen

Mit dieser Methode können ähnliche Benutzer anhand von Benutzerattributen ermittelt werden. Dabei können insbesondere demografische Merkmale wie Alter, Einkommen, Bildungsniveau, Region usw. verwendet werden. Bei der Verwendung können Sie zunächst die abzugleichenden Kernattribute definieren und dann Benutzer mit ähnlichen Attributwerten aus der Benutzergruppe extrahieren. Diese Methode ist einfach zu implementieren, ist jedoch auf einige vordefinierte Attribute beschränkt und es fehlen möglicherweise andere implizite Merkmale, die den Benutzer beschreiben.

(2) Implizites Lookalike basierend auf dem Nutzerverhalten

Bei dieser Art von Methode werden verschiedene Arten von Daten zum Benutzerverhalten umfassend analysiert, wie etwa die Zeit, die auf der Seite angezeigt wird, die Klickhäufigkeit, Suchbegriffe, Verbrauchsmenge, Interessen usw., wobei Seed-Benutzer als positive Stichproben verwendet und zufällig ausgewählte Benutzer als negative Stichproben heruntergerechnet werden, wobei Algorithmen für maschinelles Lernen verwendet werden, um die Interessen und Verbrauchspräferenzen der Benutzer zu modellieren und dann Benutzer mit ähnlichen Präferenzen und Verhaltensweisen abzugleichen. Der Vorteil besteht darin, dass umfangreiche Daten zum Benutzerverhalten voll ausgenutzt werden können. Der Nachteil besteht darin, dass für die Modellierung eine große Menge an Verhaltensdaten erfasst werden muss.

(3) Implizites Lookalike basierend auf Graphdatenbank

Diese Art von Methode erstellt eine Netzwerkstruktur aus Benutzerknoten und Benutzerbeziehungskanten in der Graphdatenbank. Nach der Identifizierung der Seed-Benutzer werden die Kantenbeziehungen zwischen Knoten genutzt, um Features und Beschriftungen an benachbarte Knoten weiterzugeben. Durch rekursive Iteration entdeckt es kontinuierlich neue ähnliche Benutzer im Netzwerkdiagramm und wiederholt den Vorgang, bis eine ausreichende Anzahl von Personen gefunden wird, wodurch eine effiziente Erweiterung der Zielbenutzer erreicht wird. Diese Technologie nutzt die Modellierungs- und Rechenvorteile von Graphdatenbanken für Netzwerkdaten voll aus und kann effektiv mehr ähnliche Benutzer entdecken, die schwer zu beobachten sind, muss sich jedoch mit den Speicher- und Rechenproblemen von Beziehungsgraphen großen Maßstabs befassen.

Dieser Artikel stellt die relevanten Konzepte und Anwendungsmethoden der Lookalike-Technologie vor. In tatsächlichen Geschäftsanwendungen müssen jedoch wichtige Probleme gelöst werden: Wie wählt man Funktionen zur Benutzerbeschreibung wissenschaftlich aus, um die Wirksamkeit nachfolgender Algorithmen sicherzustellen, und wie sammelt man Marketing-Feedback, um Modelle für maschinelles Lernen kontinuierlich zu optimieren und einen geschlossenen Kreislauf zu bilden? Kurz gesagt: Kein Algorithmus existiert isoliert und muss in sinnvoller Kombination mit Daten und Geschäftsszenarien angewendet werden, um seinen Wert zu maximieren.

Verweise

【1】Alchemie-Notizen. Suchförderung trifft Benutzerporträt: Lookalike-Ähnlichkeitsgruppen-Erweiterungsalgorithmus | CSDN, 2021

Autor: Zhang Hao

Einheit: China Mobile Smart Home Operation Center