【数据应用案例】人群优选算法模型，挖掘品牌潜客

案例来源：@阿里巴巴机器智能

案例地址：https://mp.weixin.qq.com/s/OF51cPHD7C3rfw-WW5NA3Q

 

导读：

为A电商做年货节品牌营销，目标是识别目标受众，广告投放后由“机会人群”转向“兴趣人群”的比例更高。

解决方案是：

第一步：多方向人群扩散。通过兴趣偏好、品类偏好、竞品受众、搜索人群、流失人群、lookalike人群 六个方向获得潜客名单，去重后得到候选用户集

第二步：人群优选算法。以已购过A品牌的用户为正样本，购买过其它品牌的用户未负样本，训练分类器。

第三步：年货人群模型。专门为年货场景训练的分类模型。

第四步：模型融合与预测。

效果是“机会人群”到“兴趣人群”的转化率提高了47%。

 

0. 背景：

    1）广告分成品牌广告与效果广告，效果广告关心效果，即当期的转化率；品牌广告关心曝光与影响力，即提高未来的转化率。传统品牌广告的弊端在于难以量化效果，阿里巴巴由于能监控到广告投放与用户行为的链路，因此能够对品牌广告的营销效果进行量化

    2）阿里巴巴将用户对品牌的感知区分为Opportunity（机会）、Awareness（认知）、Interest（兴趣）、Purchase（购买）、Loyalty（忠诚），“O→I”的转化衡量品牌广告的效果，即机会人群转化为兴趣人群的比例

    3）以A品牌年货节品牌推广活动为案例，利用本文算法挖掘目标潜客，相对于传统根据业务规则圈定的目标潜客，“O→I”转化率提升了47%

 

1. 目标：找到A品牌目标潜客，提高品牌广告投放的“O→I”转化率，从而提升A品牌的消费者资产

 

2. 传统业界方法

    1）标签扩散：根据已有用户画像，拓展到具有相似用户标签的用户群

    2）基于标签的协同过滤

    3）基于社交关系的扩散

    4）基于聚类的扩散：根据用户画像进行聚类

    5）目标人群分类方法：以种子人群为正样本，随机其它对象为负样本，训练分类模型

 

3. 多方向人群扩散+人群分类优选

    1）多方向人群扩散：探索6类方向，通过白盒条件筛选、黑盒模型预测的方式得到候选用户集，然后将用户集汇总后去重。

        a. 兴趣偏好方向：采用特征值TGI指数和TA浓度两个指标，得到各特征对于区分品牌偏好的有效程度，从而找到可以合理筛选出品牌目标用户的指标（TGI指数衡量特征值在品牌人群中的显著性，TA浓度衡量特征值在品牌人群中的覆盖率）

        b. 相关品类方向：(1)利用brand-user矩阵，采用jaccard相关系数计算品牌相关性；(2)利用user-category矩阵，采用关联分析得到各类目的相关类目

        c. 竞品人群方向：(1)竞品：A品牌主营类目下，top10的其它品牌为竞品；(2)人群流转分析：计算A品牌新增人群中多大比例来自竞品，判断该方向是否有效；(3)竞品人群转化模型：以来自竞品的人群为目标，挖掘用户在竞品的AIPL状态、退款、退货、评分、评价等特征，训练竞品人群转化模型。通过模型对竞品人群进行转换预测，实现人群扩散

        d. 搜索人群方向：(1)找到搜索关键词：综合考虑搜索词是否充分竞争以及本品牌在搜索词上是否有优势，一个搜索词引导到品牌的成交额占比越高，该搜索词越重要；(2)选择近15天搜索了关键词并点击了A品牌主营类目的用户作为扩散用户

        e. 流失人群方向：之前属于品牌人群而现已流失了的用户，进行扩散召回，包括近半年从IPL状态流失的用户和近1个月从A状态流失的用户

        f. 同好人群方向：找到与种子用户相似度最高的topN用户，相似度计算的方法有两种 (1)用户偏好的类目向量、品牌向量组合；(2)将user-item表示为二部图，基于graph embedding方法生成用户向量

    2）人群分类优选：

        a. 评估方法：PredictTA TopNPrecisio指标，表示优选的TopN人群中品牌目标人群的占比，该指标越大说明模型预测效果越好

        b. 样本选择：正样本为A品牌已购人群（对于小品牌，可能需要加入兴趣人群等扩充正样本）；负样本为全网其它品牌的已购人群（如果是全国随机其它人群，容易踩到很多特征稀少的用户）

        c. 特征工程：(1)数值型特征离散化：年购物天数、近30天订单数等特征进行等距离散，提高模型稳定性和效果；(2)枚举型特征值筛选。汽车型号、收货省份等特征长尾分布非常明显，筛选出与目标品牌相关的特征值；(3)特征编码：onehot化；(4) 稀疏特征embedding：如品牌id、类目id，以品牌作为word，活跃用户的行为作为doc，利用word2vec的方法做词嵌入；(5)特征选择

        d. 模型训练：(1)LR作为baseline；(2)rf，效果不好，并且特征重要性只能精确到特征而不能到特征值维度，去除；(3)PS-SMART，基于PS架构的GBDT模型，效果较lr好

        e. 训练效果：

        f. 模型预测：使用训练好的人群优选模型，对通过6个方向扩散的人群进行筛选，去掉预测分数小于0.5的用户

 

4. 年货人群模型：屯年货是一种特殊的消费场景，与日常消费行为不同，因此需要单独建模

    1）样本选择：以农历时间为记，选取去年同期前一个月有行为的用户作为样本。根据这些用户在去年同期到元宵节的行为打正负样本标识，转化到品牌PL状态的用户为正样本，随机采用同等数量的其他用户为负样本

    2）特征工程：

        a. 人群属性特征

        b. 人群偏好特征：偏好品牌、生活标签、偏好类目、及偏好品牌等特征

        c. 品牌主营类目行为特征、品牌相关年货类目行为特征：有行为的相关年货类目id、类目相关性等

    3）模型训练：PS-SMART算法作为分类器

    4）模型预测：圈选投放日期前1个月对品牌主营类目及相关年货类目有行为的用户，使用年货人群模型进行预测，去除预测分数小于0.5的用户，根据拉新目标去除品牌现有IPL人群

 

5. 模型融合：

    1）根据日常人群优选模型和年货人群模型的PredictTA TopN Precision指标，确定目标人群中2个模型优选结果的占比，最终筛选出指定数量的投放人群，导入数据银行，供服务商同步到DMP进行品牌广告投放

    2）效果：品牌A根据本文模型筛选目标潜客，服务商根据策略中心找出A的目标潜客，分别在钻展投放。本文算法在“O→I”的人群关系加深率上提升了47%