搜廣推策略產品:灰盒“look alike”種子人群擴展策略(上篇)

2 評論 4706 瀏覽 18 收藏 11 分鐘

在廣告定向領域,look-alike策略的誕生幫助廣告主投放保持了營銷確定性范圍,有助于投放效果提升,因此,look-alike定向策略也是投放策略產品需要了解的重要內容之一。本篇文章里,作者便針對look-alike策略進行了拆解分析,一起來看。

講完白盒定向DMP策略,我們接下來講講廣告定向領域非常經典的灰盒定向策略“look alike”目標人群擴展策略,其擁有定向能力強,用戶擴展精準等特點。

首先大家需要理解一下所謂的“白灰黑”盒定向策略一般在行業中指代的就是智能化和可解釋性,像白盒DMP是客戶根據數據平臺標簽圈選的人群(代表可解釋性最強,智能化能力最弱),智能定向則是一個“優選黑匣子”。

廣告平臺根據廣告投放的主體item優中擇優圈選定向人群圈投放,而Look-alike介于兩者之間平衡(兼顧可解釋性與效果),所以我們稱之其為灰盒定向策略。

具體怎么實現與怎么定義我們在文章中詳細介紹,文章下篇我們將介紹Look alike策略思想在微信RALM模型框架在看一看中的應用。

一、Look-alike定向策略誕生背景&定義

1. Look-alike定向策略誕生背景

前文給大家講到了DMP白盒人群投放有投放人群標簽和數量規模確定性的特點,廣告主明確了自己的廣告計劃主體(商品item、視頻)被展示的廣告用戶對象,營銷結果可解釋性較強,也容易做“人群投放價值”的數據分析與復盤。

但是DMP投放也存在一定的缺點:

1)人群投放規模有限&人群活躍度不可控,DMP投放包人群圈選范圍過窄或者是人群活躍度偏低,例如我圈選的1W人明天都不來京東瀏覽,那么我的廣告無法獲得任何展現。

2)平臺流量分配效率無法最優,DMP少數人群包投放馬太效應明顯,少數優質的定向人群,例如京東-plus高消費人群包,廣告主集中高價投放,導致很多廣告主無法拿量,而對于少數冷門DMP人群,廣告主投放較少,廣告投放應以UV粒度而不單單以DMP人群包視角投放整體效率價值才會更優。

基于此,為了兼顧廣告主圈選人群的一定的可控性與可解釋性,同時保證廣告計劃正常拿量&投放效果,Look-alike廣告策略應運而生。

2. Look-alike定向策略定義

騰訊廣告自動擴量工具

如騰訊廣點通的自動擴量功能所示,Look-alike即相似人群擴展,即基于廣告主提供的現有DMP人群包作為種子人群,通過一定的算法評估模型策略,找到更多擁有潛在關聯性的相似人群的技術。通俗易懂的說,就是在保證精準定向廣告主營銷標的人群的同時,擴大人群的投放覆蓋面。當然,平臺一般也會提供類似“不可突破定向/屏蔽定向”等功能,限定某些Look-alike的探索邊界,保證廣告主營銷范圍可控性。

“ 例如廣告種子人群的用戶投放選擇的是【青春痘皮膚醫藥購買者】,按照其背后的規律(例如青春期、壓力大等),Look-alike會找到其對應的關聯性群體【熬夜上班族、游戲玩家、世界杯球迷】等等”在挖掘相似人群的過程中,Look-alike主要依據用戶基本屬性及其擁有的行為信息相似性分析源頭,找到相似人群。

DMP人群是Look-alike目標人群擴展技術的核心基礎,我們需要依據種子人群的特征畫像,用戶行為來擴展,我們又叫做DMP人群為種子人群(seed user)。

種子人群擴展原理示意

二、look-alike定向策略的具體實現

1. 常見的機器學習Look-alike策略

網易云音樂種子人群擴策略示意

行業當中用機器學習的防范去做Look-alike的策略其實有非常多的方式,主要也是充分利用DMP種子人群相關性的建模思路去做擴展。

基于社交關系的擴散:以具有相似社交關系的人也有相似的興趣愛好/價值觀為前提假設,利用社交網絡關系進行人群擴散,一般平臺會通過登錄QQ、手機通訊權限或者其他社交媒體粉絲、古關注等信息進行種子人群的擴散。

人工選擇標簽擴散:DMP的人群圈選一般是多個標簽的組合人群,如果希望去做相似人群的,可以對存量的人群進行畫像的解析,然后再對標簽泛化找到機會人群。

基于標簽的協同過濾:在標簽擴散的基礎上,采用基于User-CF協同過濾算法,找到與種子人群相似的機會人群,例如在電商平臺中,有點擊、加購以及入會收藏多個相似商品之間的用戶,計算相似余弦距離,再進行加權平均,詳情可見Arthur關于推薦系統召回的文章。

基于K-Means 聚類的擴散:根據用戶畫像或標簽,采用層次聚類算法(如BIRCH或CURE算法)對人群進行聚類,通過畫像、標簽內容去找到聚類相似性,再過制定相似的閾值從中找出與種子人群相似的機會人群。

基于向量相似度embedding方法:把用戶user embedding,映射到對應的低維度向量當中,再根據k-means做局部敏感的hash聚類,根據用戶屬于哪個聚類再進行對應的推薦

目標人群分類方法:以種子人群為正樣本,候選對象為負樣本,訓練分類模型,然后用模型對所有候選對象進行篩選,涉及PU Learning的問題。

2. 網易云音樂Look-alike目標人群擴展思路——基于向量embedding方法簡述

基于用戶向量表示召回相似用戶,計算種子用戶的向量表示與候選用戶的相似度,基于相似度打分來召回相似用戶。

網易云音樂Look alike獲取種子人群向量思路

優點:用戶向量可通用,能服務于所有廣告主的擴量。

難點:如何有效地學習到用戶向量表示。

如何衡量種子人群相似度?

① 種子人群向量聚類;使用種子人群的K個向量聚類中心表示種子人群。

② K個聚類簇的重要程度衡量;增加種子人群每個聚類簇的歷史統計CTR作為權重。

③ 候選用戶與種子人群的相似度打分:

  1. 計算候選用戶與K個聚類中心的向量余弦相似度;
  2. 使用K個聚類簇的權重對相似度進行加權;
  3. c選擇選用戶與K個聚類中心的加權相似度的最大值作為候選用 戶與種子人群的相似度打分。

三、關于look-alike定向策略總結與思考

Look-alike策略的誕生其實在算是廣告定向領域劃時代的策略產品標志,在幫助廣告主投放保持營銷確定性范圍的同時,提升了投放的效果,提升了廣告計劃投放的拿量獲取PV、和轉化效果的能力,是DMP定向往前邁入的一大步,也是定向策略的重點研究方向。

廣告投放平臺中的定向策略也是投放策略產品的三大方向之一,不了解定向策略也不算真正了解投放平臺策略。

下一篇我們會借助微信看一看的RALM框架來詳細的了解Look-alike是如何實現“準而全”的種子人群擴展,以及最后線上實驗如何達成正向的效果。

作者:策略產品Arthur,5年大廠策略產品專家。

本文由 @策略產品Arthur 原創發布于人人都是產品經理,未經許可,禁止轉載

題圖來自 Unsplash,基于 CC0 協議

該文觀點僅代表作者本人,人人都是產品經理平臺僅提供信息存儲空間服務。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 衡量種子人群相似度的第3.3,應該是指“選擇候選用戶與K個聚類中心的加權相似度的最大值作為候選用戶與種子人群的相似度得分”吧?我看網易原文是這么寫的:https://mp.weixin.qq.com/s/WGLZi29ZMle1CjRNmDZJMA

    來自北京 回復
    1. 是的,最終求得的就是和種子人群用戶最大相似度候選集的K個人群

      來自北京 回復