目標人群優(yōu)選算法模型及實踐解析全域營銷（Uni-Marketing）戰(zhàn)略是依托大阿里生態(tài)，以消費者運營為核心，在新零售體系下實現全鏈路、全媒體、全數據、全渠道的品牌大數據營銷。Uni-Marketing產品矩陣包括品牌數據銀行、全域策略（策略中心）、全域傳播（Uni-Desk）、全域運營（品牌號、智慧門店、天貓營銷產品）等。傳統品牌營銷的痛點在于效果無法量化和追蹤，而阿里的產品和數據閉環(huán)可以很好的解決這個問題。策略中心年貨節(jié)投放海豹項目，通過大數據+算法的手段，對A品牌的目標人群進行分析，建立人群優(yōu)選算法模型，挖掘品牌目標潛客。品牌A的年貨節(jié)實際投放效果，算法優(yōu)選人群相比基于業(yè)務經驗使用規(guī)則圈選的人群，在“O->IPL”人群關系加深率指標上好47%，顯示了人群優(yōu)選算法的有效性。名詞解釋品牌消費者關系：Opportunity（機會）、Awareness（認知）、Interest（興趣）、Purchase（購買）、Loyalty（忠誠）。人群關系加深率：衡量品牌營銷效果的直接指標?！癘->I”人群關系加深率，即機會人群到興趣人群的轉化率。品牌數據銀行：從“融合、分析、激活”三個緯度實現品牌消費者數據資產的管理和增值，即品牌消費者數據資產的高效梳理、消費者全鏈路的透視分析、最后到多元營銷場景的應用，包括阿里的電商、娛樂和營銷服務矩陣。品牌策略中心：以解決“機會在哪里”和“如何增長”為目標，賦能品牌開發(fā)生意策略，實現策略的可應用、可驗證、可優(yōu)化。功能包括市場概覽與細分、競爭與得失分析、消費者細分與多維洞察、人群放大與優(yōu)選等，可用于新品上市、品類拉新、品類成長、品牌升級等場景。項目目標基于策略中心的品牌人群定向，與程序化廣告的不同之處在于，要根據品牌方的營銷需求（包括目標、渠道、時間和預算）產出特定規(guī)模的目標人群，進而再針對性地營銷投放。此次實踐即以年貨節(jié)拉新為目標，找到指定規(guī)模的潛在機會人群或者認知人群，通過營銷投放將其轉化為品牌興趣人群和已購人群，從而提升品牌消費者資產。業(yè)界方案業(yè)界相關方案主要與程序化廣告中人群定向相關，方法基本都是Look-alike人群擴散，具體有以下幾種：1） 標簽擴散：根據已有目標用戶畫像，給用戶打各種標簽，再利用標簽找到機會人群。2） 基于標簽的協同過濾：在標簽擴散的基礎上，采用基于用戶的協同過濾算法，找到與種子人群相似的機會人群。3） 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。4） 基于聚類的擴散：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，再從中找出與種子人群相似的機會人群。5） 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PULearning的問題。技術方案介紹根據項目目標，我們制定了“種子人群聚類細分+聚類人群擴散”和“多方向人群擴散+人群分類優(yōu)選”的兩種方案。由于聚類分群屬于無監(jiān)督學習且分群效果不容易評估，因此選擇后者優(yōu)先實施。方案整體流程如下圖所示:人髀娜幕用關競品人彝升失人樣品牌年荒珅干人薜IRAET呻羊:.MAP人髀娜幕用關競品人彝升失人樣品牌年荒珅干人薜IRAET呻羊:.MAP5.1多方向人群擴散在人群擴散方向上，我們探索了6類方向，并在每個方向下挖掘有效特征，通過白盒條件篩選和黑盒模型預測的方式進行人群擴散。5.1.1興趣偏好方向采用特征值TGI和TA濃度2個指標，挖掘了4個特征中與品牌相關的特征值，并根據特征值的全網覆蓋量設定TGI和TA濃度閾值，進行白盒擴散。TGI指標衡量了特征值在品牌人群中的顯著性，TA濃度則衡量了特征值在品牌人群中的覆蓋率，因此二者共同考慮才能篩選出有效的人群擴散特征值。5.1.2相關品類方向1） 主營類目分析：根據品牌在線商品數和銷售額計算篩選主營類目，并得出主營類目權重。2） 相關品牌分析：根據brand-user關系矩陣，采用Jaccard相似度計算相關品牌及相關分。相似度計算公式如下：3）相關類目分析：根據線上user-cate購買行為，通過AssociationRuleMining挖掘相關類目，使用confidence指標篩選類目并作為相關分，然后經過類目關系的二度擴散得到最終相關類目結果。類目擴散公式如下，其中表示類目k：5.1.3競品人群方向1）競品分析：當前品牌主營類目中，市場份額top10的其他品牌。2） 人群流轉分析：分析發(fā)現品牌新增人群中，有較大比例來自競品，說明選擇該方向進行擴散是可靠的。3） 競品人群轉化模型：以來自競品的人群為目標，挖掘用戶在競品的AIPL狀態(tài)、退款、退貨、評分、評價等特征，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。5.1.4搜索人群方向1）搜索關鍵詞：從引導到品牌成交的搜索詞中，綜合考慮搜索詞是否充分競爭以及本品牌在搜索詞上是否有優(yōu)勢，實現品牌拉相關的搜索詞發(fā)現。公式如下，其中E表示關鍵詞引導成交的類目信息熵，表示關鍵詞引導成交額，表示關鍵詞引導到品牌的成交額：kwsds=argtop〔E如少』*仇宮占出一虹以^/片心^）2）搜索人群擴散：近15天內搜索了kwords并點擊了品牌主營類目的用戶。5.1.5流失人群方向對于之前屬于品牌人群而現已流失了的用戶，也進行擴散召回，包括近半年從IPL狀態(tài)流失的用戶和近1個月從A狀態(tài)流失的用戶。5.1.6同好人群方向基于用戶的向量表示，可以直接計算用戶與用戶直接的相似度，從而得到種子用戶最相似的topN個用戶。用戶表示的方法有多種，例如：a） 用戶偏好的類目向量、品牌向量組合。b） 將user-item表示為二部圖，基于graphembedding方法生成用戶向量。5.1.7人群擴散匯總最終6個方向的品牌擴散人群匯總去重，作為人群優(yōu)選模型的輸入。5.2目標人群優(yōu)選模型沒有歷史投放數據，是此次項目面臨的一個挑戰(zhàn)。我們通過訓練模型來區(qū)分目標人群和非目標人群。5.2.1評估指標訓練集的正負樣本，分別從品牌已購人群和其他品牌的人群中采樣得到。從中訓練的分類模型，可以較好的區(qū)分品牌目標人群和全網其它人群（大都和目標人群相距較遠），但對區(qū)分和品牌目標人群相距不遠的擴散人群則并非同樣有效。因此，直接使用傳統的分類指標，只能評估模型在訓練集上的效果，不能準確評估其在擴散人群上的分類效果，需要設計新的評估指標。PredictTATopNPrecision指標由此而來，表示優(yōu)選的TopN人群中品牌目標人群的占比，該指標越大說明模型預測效果越好。我們通過對比該指標在不同模型上使用不同topN值的值，驗證了它的一致性；并設計NewTAtopNRecall指標，即優(yōu)選人群在之后一段時間品牌新增目標人群的占比，驗證了它的正確性。上圖中，紫色框表示品牌目標人群即種子人群，藍色框表示模型優(yōu)選出的TopN人群，它與種子人群有小部分交集，交集占藍色框的比例即為PredictTATopNPrecisiono綠色框表示一周內品牌實際新增人群，與藍色框的交集為預測準確的人群，交集占綠色框的比例即為NewTAtopNRecall。對于有效的算法模型，PredictTATopNPrecision指標隨著TopN的減小而增大。兩個不同的算法模型，PredictTATopNPrecision指標在不同TopN取值上的表現是一致的，說明該指標的穩(wěn)定性。以A品牌為例，其一致性驗證結果如下圖所示：PredictTATopNPrecisian5.2.2模型訓練以品牌目標人群為正樣本，從全網其它品牌的人群中隨機選負樣本，經過數據預處理、歸一化、序列化編碼后，訓練并優(yōu)化人群優(yōu)選模型。1） 樣本選擇正樣本選擇：對于線上市場份額大的品牌而言，直接用品牌已購人群即可。但對新品牌或者線上市場份額小的品牌，已購人群可能很小，這時