我们一起来说说Lookalike的那些事儿

随着数字广告的出现，广告从原来的受众被动接受转变为双向互动，并且广告的效果也变得可量化可跟踪。随之而来的，广告主对于受众定向也产生了越来越强烈的需求，如何在合适的时间把合适的内容推送到合适的受众面前，成为广告主对广告技术公司的普遍要求。
而针对这个普遍要求，如何找到适合广告主品牌定位的某款产品的目标受众群，往往成为某次广告营销活动的起点。对于这个任务的达成，目前主要有两类主流做法：
一类是直接基于DMP的三方数据，通过标签选取或LBS等方式为广告主选取目标受众群，这种做法更多的依赖业务人员对业务、产品、市场的了解，有时候业务经验不一定准确，而且通过标签或者LBS筛选出来的人群规模不容易控制，需要进行多次反复的尝试，最终确定符合某次投放要求的目标人群数量。
第二类是通过广告主一方数据或二方数据通过Lookalike算法选取目标受众群。这种做法更多的依赖大数据和机器学习算法，对探索新的业务逻辑，例如对于某款新产品的市场推广，并无很多的业务经验积累的场景比较适用，而且也更符合大数据营销的发展趋势。本文将主要围绕该种方式展开。
既然Lookalike是辅助业务人员和市场营销人员获取精准目标人群的有力工具，很多提供广告DMP数据服务的公司都宣称自己有Lookalike算法，仿佛有了高大上的算法附体，自然找人群就能精准几分。而找到了精准人群，自然后续的转化都不是问题，在这样的逻辑下，Lookalike成了DMP数据服务公司的标配。于是一个问题就提出来了，作为一个广告主，如何判断各家的Lookalike算法孰优孰劣，怎样的Lookalike算法才是真正符合广告主要求的算法呢？下文将从广告主的视角进行深入的解读。

Lookalike的基本流程

Lookalike字面上来讲就是寻找相似性，广告主提交一系列客群范围，我们称之为种子客群，它作为机器学习的正样本。负样本会从非种子客群，或者是说平台历史积累的一些人群中进行选取，于是Lookalike问题就转化为一个二分类的模型，正负样本组成学习的样本，训练模型之后，利用模型结构对活跃客群进行打分，最后得到广告主需要的目标人群。