Lookalike 模型在客户精准营销中的应用

陈文宝

（中海油能源发展珠海石化销售有限公司，珠海 519000）

1 大数据及精准营销研究

精准营销是二十世纪九十年代末期美国学者Lester U Weidman 提出的一种营销概念，他认为精准营销是一种改变过去传统营销渠道与方式的体系，在该体系下生厂商围绕客户为中心，利用各种新兴的渠道如互联网、手机等，搜集客户的数据，从而充分的把握客户特征，达到合理的对产品市场进行细分的目的，并为每一个细分市场制定一套操作性较强的营销策略。精准营销的核心在于依托于先进的技术充分的挖掘客户的个性化需求，建立完备的客户沟通与服务体系，从而可以低成本的扩张市场。

精准营销是伴随大数据时代到来的产物，只有依托于大数据技术，才有可能全面的收集客户的数据，对客户进行细分。精准营销的核心点在于精准二字，也就是需要对客户精准的定位，当面对某一市场或者客户群体的时候能够精准的对客户进行细分及个性化，同时精准的实施营销策略，测评营销结果，使得营销工作能够被精准的测量，从而提高管理效率降低业务成本。

2 Lookalike 模型研究

“Lookalike Audiences”最早由Facebook 在2013 年提出，该模型实现了一种新型的广告瞄准功能，主要用于广告主寻找与某些广告类似的潜在客户群体。Lookalike 技术的核心在于通过已有的客户群体发掘更多的相似客户，以往企业在做营销的时候是通过对客户的标签进行筛选，尝试性的选择客户。而使用Lookalike 模型后，业务人员不用显示的筛选标签，只需要上传部分已经购买产品的客户名单，通过算法自动寻找同该批客户具有类似需求的客户。从本质上来讲，该模型的学习过程就是利用部分已经标记（已经购买服务或产品）的样本，对更多的无标记客户样本进行标记的过程，因此其本质是属于半监督学习问题。

3 Lookalike 精准营销体系建设

本文将构建基于Lookalike 模型的智能化营销体系，在画像系统的基础上，进一步发挥机器学习、数据挖掘的能力，提升精准营销的效率。

3.1 Lookalike 智能化营销体系流程

图1为Lookalike 精准营销体系的流程图，从图中可以看到Lookalike 基于大数据画像系统整合的各种数据源信息，包括传统的CRM 系统、销售管理系统、APP 客户行为数据、第三方数据源、爬虫等各类数据。经过大数据画像系统处理后，形成统一的客户标签视图，供给下游各系统使用。Lookalike 模型的数据源也来源于大数据画像系统。营销人员上传种子客户集合以及待选客户集合后，系统自动对数据进行预处理，缺失的客户标签进行填充，对数值型变量进行标准化处理，同时进行特征工程处理，加工机器学习所以需要的特征。Lookalike 算法模型模块根据种子客户从待续客户集中寻找同种子客户集最相似的客户，并输出给营销人员，营销活动结束后可对该批数据集进行评价，模型根据评价结果优化模型及参数。

通过Lookalike 模型，业务人员不再需要根据主观的经验来筛选标签，只需要上传部分种子客户群体，系统便能根据算法自动找到潜在购买需求最大的客户群体。

3.2 Lookalike 算法设计

Lookalike 精准营销体系的关键是Lookalike 算法的实现，目前互联网公司虽然较多采用了该算法，但是算法的实现是各个公司的核心技术，并没有完全公开，本文将基于PU learning 的两步骤算法来实现该模型。根据上文介绍的两步骤方法，第一步是需要找到可靠的负样本，伪代码如表1所示：

图1 Lookalike智能化营销体系流程图

表1 可信负样本选择算法RNIS（P，U，s，θ）

在第二步中，将对RN数据进行分类，同时迭代运行第一步直到达到一定的迭代次数或者准确率，如表2所示：

表2 Lookalike PU实现算法PU（P，U，s，θ，iter，precision）

经过表3的算法，便能完成对没有标记的样本的分类，输出值为样本属于某分类的概率大小，因此可以根据该值来找到同种子用户最相似的群体。

测试结果如图2所示，蓝色点为待选客户集，其分布并非线性分布：

图2 lookalike模型输出图

从图2中可以看到Lookalike 对每一个候选客户集的样本进行了评分，评分越大则属于潜在客户的可能性便越大，而评分越小，属于潜在客户的可能性就越小。

4 结束语

本文引入Lookalike 模型，基于大数据客户画像系统，设计了基于Lookalike 的智能化营销体系。解决了目前精准营销过程中过于依赖人工经验筛选客户导致的定位粗糙的问题。