阿里妹导读：品牌数字化营销正在成为热点，在Uni-Marketing背景下，我们通过策略中心海豹项目，探索和实践了品牌目标人群优选算法，在实际投放中取得了非常好的人群转化效果，并得出一些有价值的算法和业务结论。本文主要对品牌目标人群优选算法及相关实践结论进行介绍。

作者：云鸣、林君、泊智、一初

1.   背景简介

全域营销（Uni-Marketing）战略是依托大阿里生态，以消费者运营为核心，在新零售体系下实现全链路、全媒体、全数据、全渠道的品牌大数据营销。Uni-Marketing产品矩阵包括品牌数据银行、全域策略（策略中心）、全域传播（Uni-Desk）、全域运营（品牌号、智慧门店、天猫营销产品）等。传统品牌营销的痛点在于效果无法量化和追踪，而阿里的产品和数据闭环可以很好的解决这个问题。

策略中心年货节投放海豹项目，通过大数据+算法的手段，对A品牌的目标人群进行分析，建立人群优选算法模型，挖掘品牌目标潜客。品牌A的年货节实际投放效果，算法优选人群相比基于业务经验使用规则圈选的人群，在“O->IPL”人群关系加深率指标上好47%，显示了人群优选算法的有效性。

2.   名词解释

品牌消费者关系：Opportunity（机会）、Awareness（认知）、Interest（兴趣）、Purchase（购买）、Loyalty（忠诚）。

人群关系加深率：衡量品牌营销效果的直接指标。“O->I”人群关系加深率，即机会人群到兴趣人群的转化率。

品牌数据银行：从“融合、分析、激活”三个纬度实现品牌消费者数据资产的管理和增值，即品牌消费者数据资产的高效梳理、消费者全链路的透视分析、最后到多元营销场景的应用，包括阿里的电商、娱乐和营销服务矩阵。品牌策略中心：以解决“机会在哪里”和“如何增长”为目标，赋能品牌开发生意策略，实现策略的可应用、可验证、可优化。功能包括市场概览与细分、竞争与得失分析、消费者细分与多维洞察、人群放大与优选等，可用于新品上市、品类拉新、品类成长、品牌升级等场景。

3.   项目目标

基于策略中心的品牌人群定向，与程序化广告的不同之处在于，要根据品牌方的营销需求（包括目标、渠道、时间和预算）产出特定规模的目标人群，进而再针对性地营销投放。

此次实践即以年货节拉新为目标，找到指定规模的潜在机会人群或者认知人群，通过营销投放将其转化为品牌兴趣人群和已购人群，从而提升品牌消费者资产。

4.   业界方案

业界相关方案主要与程序化广告中人群定向相关，方法基本都是Look-alike人群扩散，具体有以下几种：

1）标签扩散：根据已有目标用户画像，给用户打各种标签，再利用标签找到机会人群。

2）基于标签的协同过滤：在标签扩散的基础上，采用基于用户的协同过滤算法，找到与种子人群相似的机会人群。

3）基于社交关系的扩散：以具有相似社交关系的人也有相似的兴趣爱好/价值观为前提假设，利用社交网络关系进行人群扩散。

4）基于聚类的扩散：根据用户画像或标签，采用层次聚类算法（如BIRCH或CURE算法）对人群进行聚类，再从中找出与种子人群相似的机会人群。

5）目标人群分类方法：以种子人群为正样本，候选对象为负样本，训练分类模型，然后用模型对所有候选对象进行筛选。涉及PU Learning的问题。

5.   技术方案介绍

根据项目目标，我们制定了“种子人群聚类细分+聚类人群扩散”和“多方向人群扩散+人群分类优选”的两种方案。由于聚类分群属于无监督学习且分群效果不容易评估，因此选择后者优先实施。

方案整体流程如下图所示：

                          

5.1    多方向人群扩散

在人群扩散方向上，我们探索了6类方向，并在每个方向下挖掘有效特征，通过白盒条件筛选和黑盒模型预测的方式进行人群扩散。

5.1.1    兴趣偏好方向

采用特征值TGI和TA浓度2个指标，挖掘了4个特征中与品牌相关的特征值，并根据特征值的全网覆盖量设定TGI和TA浓度阈值，进行白盒扩散。TGI指标衡量了特征值在品牌人群中的显著性，TA浓度则衡量了特征值在品牌人群中的覆盖率，因此二者共同考虑才能筛选出有效的人群扩散特征值。

5.1.2    相关品类方向

1)  主营类目分析：根据品牌在线商品数和销售额计算筛选主营类目，并得出主营类目权重。

2) 相关品牌分析：根据brand-user关系矩阵，采用Jaccard相似度计算相关品牌及相关分。相似度计算公式如下：

3）相关类目分析：根据线上user-cate购买行为，通过Association Rule Mining挖掘相关类目，使用confidence指标筛选类目并作为相关分，然后经过类目关系的二度扩散得到最终相关类目结果。类目扩散公式如下，其中表示类目k：

5.1.3    竞品人群方向

1)竞品分析：当前品牌主营类目中，市场份额top10的其他品牌。

2)人群流转分析：分析发现品牌新增人群中，有较大比例来自竞品，说明选择该方向进行扩散是可靠的。

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。

5.1.4    搜索人群方向

1) 搜索关键词：从引导到品牌成交的搜索词中，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，实现品牌拉相关的搜索词发现。公式如下，其中E表示关键词引导成交的类目信息熵，表示关键词引导成交额，表示关键词引导到品牌的成交额：

2）搜索人群扩散：近15天内搜索了kwords并点击了品牌主营类目的用户。

5.1.5  流失人群方向

对于之前属于品牌人群而现已流失了的用户，也进行扩散召回，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。

5.1.6    同好人群方向

基于用户的向量表示，可以直接计算用户与用户直接的相似度，从而得到种子用户最相似的topN个用户。用户表示的方法有多种，例如：

a) 用户偏好的类目向量、品牌向量组合。

b) 将user-item表示为二部图，基于graph embedding方法生成用户向量。

5.1.7    人群扩散汇总

最终6个方向的品牌扩散人群汇总去重，作为人群优选模型的输入。

5.2    目标人群优选模型

没有历史投放数据，是此次项目面临的一个挑战。我们通过训练模型来区分目标人群和非目标人群。

5.2.1    评估指标

训练集的正负样本，分别从品牌已购人群和其他品牌的人群中采样得到。从中训练的分类模型，可以较好的区分品牌目标人群和全网其它人群（大都和目标人群相距较远），但对区分和品牌目标人群相距不远的扩散人群则并非同样有效。

因此，直接使用传统的分类指标，只能评估模型在训练集上的效果，不能准确评估其在扩散人群上的分类效果，需要设计新的评估指标。

PredictTA TopNPrecision指标由此而来，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。我们通过对比该指标在不同模型上使用不同topN值的值，验证了它的一致性；并设计NewTA topN Recall指标，即优选人群在之后一段时间品牌新增目标人群的占比，验证了它的正确性。

上图中，紫色框表示品牌目标人群即种子人群，蓝色框表示模型优选出的TopN人群，它与种子人群有小部分交集，交集占蓝色框的比例即为PredictTATopN Precision。绿色框表示一周内品牌实际新增人群，与蓝色框的交集为预测准确的人群，交集占绿色框的比例即为NewTA topN Recall。

对于有效的算法模型，PredictTATopN Precision指标随着TopN的减小而增大。两个不同的算法模型，PredictTA TopN Precision指标在不同TopN取值上的表现是一致的，说明该指标的稳定性。以A品牌为例，其一致性验证结果如下图所示：

5.2.2    模型训练

以品牌目标人群为正样本，从全网其它品牌的人群中随机选负样本，经过数据预处理、归一化、序列化编码后，训练并优化人群优选模型。

1）样本选择

a. 正样本选择：对于线上市场份额大的品牌而言，直接用品牌已购人群即可。但对新品牌或者线上市场份额小的品牌，已购人群可能很小，这时就需要对正样本进行扩充，比如加入兴趣人群、加入与品牌定位相似的其它品牌的人群。

b. 负样本选择：默认从全网其它品牌的人群中随机采样，但发现全网人群中特征缺失的情况比较多，负样本集离扩散人群比较远，因此实验了从全网其它品牌的已购人群中采样，PredictTA TopN Precision（N=300万）指标绝对值有0.8%的提升。

2）特征工程

a.  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。

b. 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。

c. 多值特征处理。偏好品牌、偏好类目这样的特征，一个用户可以同时有多个特征值。以品牌A品牌为例，我们在b步筛选的基础上，对比了只保留偏好值最大的特征、只保留品牌最相关的特征、保留品牌相关的多个特征3种不同的处理方法，效果如下：

d.  特征编码。主要采用one-hot编码方式。

e. 稀疏特征embedding。对于类目id，品牌id这种高维高稀疏性的特征，直接将其作为分类模型的特征会影响最终的模型效果，为此，我们借鉴word embedding的思路，将用户过去一段时间内对类目（或品牌）的行为序列作为doc，将类目（或品牌）本身作为word，基于全网活跃用户的行为序列（doc集合）训练类目（或品牌）的embedding表示。具体而言，我们将类目（或品牌）编码为100维的低维稠密向量，并将其作为预测特征用于模型训练。

f.  特征选择。首先使用全部特征进行模型训练，然后根据特征重要性程度筛除部分尾部特征，重新训练模型，通过比较模型的PredictTA TopN Precision指标确定此次特征选择是否更好。

3）训练模型

a. LR模型。使用逻辑回归作为baseline的算法，除了模型简单容易理解外，还有个好处是可以得出特征和特征值的重要性。

b. RF模型。对随机森林模型的实验效果并不理想，在相同的样本和特征上Precision和AUC指标均比LR低，且特征重要性结果只能到特征粒度不能到特征值粒度，因此不再使用。

c. PS-SMART。基于PS架构的GBDT算法模型，决策树弱分类器加上GBM算法，具有较强的非线性拟合能力，在应用中相比其它两种算法模型效果更好。因此选择PS-SMART作为最终的算法模型，并对损失函数、树的个数深度、正则系数进行调优。

模型与特征相关对比结果如下表：

5.2.3  模型预测

使用训练好的人群优选模型，对5.1节中产出的扩散人群进行预测打分，筛除预测分数小于0.5的人群，再根据拉新的目标过滤品牌现有IPL人群。

5.3    年货人群模型

此次品牌投放需求临近春节，与年货的相关性很大。虽然可以用最新的样本数据训练日常的目标人群优选模型，但人群扩散方向和相关特征并非针对年货场景而挖掘的，因此不能有效捕捉出于屯年货动机的消费需求，需要针对年货场景单独建立一个人群模型进行预测。

但由于年货场景与日期时间高度相关，需要用到去年春节期间品牌相关的人群数据，与日常模型差异较大，不方便合并，需要单独建模。

5.3.1    品牌相关年货类目

1) 年货类目挖掘：统计春节期间包含“年货”的搜索词所引导点击的类目数据，再由运营同学根据业务经验筛选出部分与年货相关性较强的类目，从而得到二级类目粒度的年货类目数据。

2)  品牌相关年货类目：根据春节期间融合不同行为的“用户-类目”矩阵，通过I2I算法计算年货类目的相关性，进而得到品牌主营类目相关的年货类目及其相关分。

5.3.2    年货人群特征

1)  人群属性特征：同日常人群优选模型一样，包括用户人口基础属性、人口预测属性等。

2)  人群偏好特征：同日常人群优选模型一样，包括与目标品牌相关的偏好品牌、生活标签、偏好类目、及偏好品牌等特征。

3)  品牌主营类目行为特征、品牌相关年货类目行为特征。包括有行为的相关年货类目id、类目相关性等特征。

5.3.3    年货人群模型

1) 样本选择：根据投放时间的农历日期，选取去年当日前1个月有行为的用户做样本。其中以去年当日到元宵节期间转化到品牌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，训练年货人群模型。

2) 模型训练：基于日常人群优选模型的经验，同样采用PS-SMART算法进行模型训练、优化、及特征重要性分析。

3) 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。

5.4    目标人群模型融合

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。

5.5    投放效果追踪

品牌A投放案例，算法优选年货人群（A人群包），服务商通过策略中心找出品牌A购买人群同时购买的年货类目，选取买了对应类目的人群（A人群包），分别在钻展投放。其中算法优选人群在“O->IPL”人群关系加深率指标上相比高47%，拉新转化效果显著。算法优选人群内部，年货模型转化率最低，混合模型转化率最高，说明在春节期间品牌A的目标人群与日常目标人群特征比较相近，有年货囤零食需求的日常目标人群在春节期间转化率最好。

6.   挑战与应对

6.1  项目时间周期短

因此我们优先保证模型目标与业务目标的一致，时间上做到最新，对投放渠道则没有研究和优化。

6.2  无历史反馈数据

品牌人群优选模型，由于没有品牌投放历史，不能从用户的历史投放反馈中来学习品牌人群特征。尤其是不能获取大量直接的负样本，只能以随机人群来代替，在样本选择上还有很大的提升空间。

6.3  无历史属性特征

年货人群模型和时间紧密相关，但由于存储周期的原因，只能获取用户去年的行为特征，而无法获取去年的属性和偏好特征，只能用近期的属性和偏好特征来代替，在特征实效性上也有较大提升空间。

6.4  重要的稀疏特征

模型使用的特征中有较多的稀疏特征，这些特征的特征值呈长尾分布，全部使用会引入很多噪声影响模型效果，只选高频特征又会丢失较多信息，为此我们采用特征值的TGI和TA浓度两个指标综合筛选，达到保留相关特征值、减少噪音和信息丢失的目的。

6.5  有效的评估指标

也是由于无历史反馈数据，导致用于优选的扩散人群与训练模型的人群分布有较大差异，单纯的AUC、Precision等指标不能准确衡量优选模型在扩散人群上的效果，为此我们设计并验证了PredictTA TopN Precision评估指标，有效指导了模型的优化。

7. 总结与展望

针对品牌目标人群定向，此次实践的人群扩散+优选的算法流程、人群优选/年货人群模型、及提出的PredictTA TopN Precision评估指标是非常有效的。后续优化方向，包括前面挑战中提到的基于用户反馈数据的样本优化，需要大量的投放反馈数据；用户历史属性和偏好特征优化，需要存储更多的历史特征数据；稀疏特征的优化，可通过深度学习方法将稀释特征映射到稠密特征空间实现；用户在生活方式/消费心理方面的embedding特征，对于人群优选非常有用，多任务学习是不错的实现方式。

你可能还喜欢

点击下方图片即可阅读

领域驱动设计，盒马技术团队这么做

如何量化考核技术人的 KPI？

看完这8本算法好书，才算真正懂了 AI

关注「阿里技术」