随着数字广告的出现，广告从原来的受众被动接受转变为双向互动，并且广告的效果也变得可量化可跟踪。随之而来的，广告主对于受众定向也产生了越来越强烈的需求，如何在合适的时间把合适的内容推送到合适的受众面前，成为广告主对广告技术公司的普遍要求。

　　而针对这个普遍要求，如何找到适合广告主品牌定位的某款产品的目标受众群，往往成为某次广告营销活动的起点。对于这个任务的达成，目前主要有两类主流做法：

　　一类是直接基于DMP的三方数据，通过标签选取或LBS等方式为广告主选取目标受众群，这种做法更多的依赖业务人员对业务、产品、市场的了解，有时候业务经验不一定准确，而且通过标签或者LBS筛选出来的人群规模不容易控制，需要进行多次反复的尝试，最终确定符合某次投放要求的目标人群数量。

　　第二类是通过广告主一方数据或二方数据通过Lookalike算法选取目标受众群。这种做法更多的依赖大数据和机器学习算法，对探索新的业务逻辑，例如对于某款新产品的市场推广，并无很多的业务经验积累的场景比较适用，而且也更符合大数据营销的发展趋势。本文将主要围绕该种方式展开。

　　既然Lookalike是辅助业务人员和市场营销人员获取精准目标人群的有力工具，很多提供广告DMP数据服务的公司都宣称自己有Lookalike算法，仿佛有了高大上的算法附体，自然找人群就能精准几分。而找到了精准人群，自然后续的转化都不是问题，atv直播，在这样的逻辑下，Lookalike成了DMP数据服务公司的标配。于是一个问题就提出来了，作为一个广告主，如何判断各家的Lookalike算法孰优孰劣，怎样的Lookalike算法才是真正符合广告主要求的算法呢？下文将从广告主的视角进行深入的解读。

　　Lookalike的基本流程

　　Lookalike字面上来讲就是寻找相似性，广告主提交一系列客群范围，我们称之为种子客群，它作为机器学习的正样本。负样本会从非种子客群，或者是说平台历史积累的一些人群中进行选取，于是Lookalike问题就转化为一个二分类的模型，正负样本组成学习的样本，训练模型之后，利用模型结构对活跃客群进行打分，最后得到广告主需要的目标人群。

　　回顾一下这个流程，我们会发现Lookalike在应用上有三大关键点：

　　第一、用来学习的数据维度很关键

　　可以说，学习的数据维度就是在哪些方面寻找相似的客群，也就是说你的目标客群会突出在哪些方面有一些特征的聚集。学习的数据维度包含几个层次：

　　（1）行为结果数据

　　所谓行为结果数据是已经采取了具体行动的数据，例如购买数据，入资数据等。

　　（2）行为意向数据

　　所谓行为意向数据是倾向于采取某种行为的人群数据，最典型的是搜索引擎的数据，一般来说消费者在做最终的购买决策之前，往往会通过搜索引擎了解产品周边的一些相关信息，相关搜索关键字数据可以定位到一个有强购买倾向的人。这也是很多广告主投入较多预算在SEM上的原因。但这种数据一般很难从搜索引擎侧获取，购买关键字的成本也越来越高。一般来说，通过行为意向数据来寻找人群，转化率会比较高，因为行为意向人群往往已经达到了转化前的最后一步的关键时刻，此时对意向人群进行营销，效果往往很明显。但同时广告主也面临一定的风险，因为这时客户可能已被别的竞品在更早的环节进行了影响，转化成本也相应提高。

　　（3）行为偏好数据

　　对于大多数第三方DMP平台来说，主要还是通过这一类数据来帮助广告主找到潜在的人群，从业务逻辑来说，具有某种偏好或者属于某种类型的人群往往会更倾向于购买某款产品，对于这部分数据的学习也能促成最终的转化。而且行为偏好数据会保证广告主在潜在客群覆盖规模和精准度之间达到一个很好的平衡，因此也是广告主普遍选用的一种数据。（4）行为模式数据

　　所谓行为模式是指通过分析消费者的行为与时间、空间的关系，以及一系列行为之间的时间和空间序列关系，总结出的具有一定一致性意义的行为表现，通过这些一致性模式预测相关行为。行为模式数据往往应用于场景营销，但是由于加工行为模式的数据计算复杂度较高，同时对分析的实时性要求也很高，因此目前还处在探索和优化阶段，实际的应用落地不多。

　　上述所说的几类数据在营销领域各有其价值，并不能判断孰优孰劣。结合具体广告主的需求都可以达到比较好的效果。

　　第二、Lookalike算法是否工程化