広告はどのようにターゲットされますか?

今日、企業はデータの価値を理解し、そこから付加価値サービスを開発するために人工知能技術を活用することにますます注目しています。ビジネスルールに依存して対象ユーザーを選別する従来のマーケティング手法には、データ取得サイクルが長く、マーケティングコンタクト率が低いという問題があります。この記事では、精密マーケティングにおいて企業を効果的にサポートできる、現在人気の類似テクノロジーを紹介します。

1. Lookalike テクノロジーとは何ですか?

類似ユーザー技術は、類似人口拡張技術とも呼ばれ、アルゴリズム モデルを通じて、小さなターゲット ユーザー グループからより大きな類似ユーザー グループを見つける方法です。基本的な考え方は、まず、人口統計データ、ネットワーク行動、消費嗜好などの特性に基づいて、少数のターゲット ユーザー (シード ユーザー) のポートレートを作成することです。次に、より大きなユーザー グループ内で、これらのターゲット ユーザーに類似するユーザーを見つけます。これらの新しく見つかったユーザーは、ターゲット ユーザーの「類似」グループです。

図1 類似データとは何か

類似技術は特定の種類のアルゴリズムではなく、一連のアルゴリズム手法の総称であることに注意してください。これらのアルゴリズムは、機械学習、統計分析、データマイニングなどのさまざまな技術的手段を使用して、ユーザー特性の評価とモデル化を通じて、小規模なターゲットユーザーベースから同様のユーザーのより大きなグループに拡大するという目標を達成します。

2. 類似技術の使い方

Lookalikeテクノロジーの核心価値は、小規模ユーザーの正確な拡大を実現することにあります。具体的には、実際のビジネスでは、まず広告主が独自のルールと経験に基づいて、少数の質の高い典型的なユーザーをシードユーザーとして選定します。これらのシードユーザーはターゲット顧客グループを正確に表すことができますが、厳格な選択ルールにより、正確なターゲット顧客の数は制限されます。このとき、類似ユーザーアルゴリズムを使用してシードユーザーの特徴属性を分析し、ユーザーデータベース全体から類似ユーザーを検索します。これらの新しくマッチしたユーザーは、いくつかの点で元のシードユーザーと類似しているため、企業のマーケティングニーズを満たすことができます。このように、Lookalike アルゴリズムは、限られたシードユーザーに基づいてユーザーベースを大幅に拡大し、より質の高い顧客を獲得したいという広告主のニーズを継続的に満たすことができます。

自動車販売を例に挙げてみましょう。ある自動車ブランドは、新興都市で新型 SUV を宣伝し、その都市で自動車購入に関心のあるドライバー 100 万人をカバーすることを目標としています。しかし、このモデルの過去の購入データに基づくと、対象となる購入者人口はわずか 200,000 人です。より多くの潜在顧客にリーチするために、自動車ブランドは類似ユーザー技術を採用し、まず最近このモデルについて問い合わせた、または訪問した顧客をシードユーザーとして選択し、次に地域、収入、ライフスタイルなどのこれらのシードユーザーの特性に基づいて、市内の全運転人口の中から80万人の類似ユーザーをマッチングしました。このようにして、このプロモーションは、ブランドの価値と自動車購入の好みに一致するより多くのターゲットグループにリーチすることができます。

教育とトレーニングの別の例として、オンライン教育プラットフォームでは、コース情報を 5,000 人の学生に提供することを目標に、Python プログラミング コースを開始する準備をしています。しかし、プラットフォームの登録ユーザーデータによると、Python に興味を持っている人は 1,000 人しかいない可能性があります。コースの影響を拡大するために、プラットフォームは、Lookalike テクノロジーを使用して、まず過去 1 年間にプログラミング コースに登録した登録ユーザーをシード グループとして選択することを決定しました。これらは、ニーズを持つユーザーの属性を表します。次に、プラットフォームは、学歴、キャリアの方向性、学習の好みなどのシードユーザーの特性に基づいて、登録ユーザー全員の中からシードユーザーに似た 4,000 人の潜在的な関心ユーザーをマッチングします。このようにして、新しいコースは、プログラミングを必要としているより多くの対象学生にリーチすることができます。

3. 類似技術の実装方法

図2 類似関数の実装方法

類似類似グループ拡張方法には、主に以下の方法が含まれます。

（１）ユーザー属性に基づく明示的な類似

このタイプの方法は、ユーザー属性特性に基づいて類似ユーザーを発見し、具体的には年齢、収入、教育レベル、地域などの人口統計特性を使用できます。これを使用する場合、最初に一致させるコア属性を定義し、次にユーザーグループから類似の属性値を持つユーザーを抽出できます。この方法は実装が簡単ですが、いくつかの定義済み属性に制限されており、ユーザーを説明する他の暗黙的な特徴が欠落する可能性があります。

（２）ユーザー行動に基づく暗黙的な類似

このタイプの方法では、ページの閲覧時間、クリック頻度、検索語、消費量、興味など、さまざまな種類のユーザー行動データを総合的に分析し、シードユーザーをポジティブサンプルとして使用し、ランダムユーザーをネガティブサンプルとしてダウンサンプリングし、機械学習アルゴリズムを使用してユーザーの興味と消費嗜好をモデル化し、同様の嗜好と行動を持つユーザーをマッチングします。豊富なユーザー行動データをフル活用できるのがメリットで、モデリングには大量の行動データを収集する必要があるのがデメリットです。

（３）グラフデータベースに基づく暗黙的な類似

このタイプの方法では、グラフ データベース内にユーザー ノードとユーザー関係エッジのネットワーク構造が構築されます。シード ユーザーを識別した後、ノード間のエッジ関係を利用して、機能とラベルを隣接ノードに伝播します。再帰的な反復を通じて、ネットワーク グラフ内で新しい類似ユーザーを継続的に発見し、十分な数のユーザーが見つかるまでこのプロセスを繰り返すことで、対象ユーザーの効率的な拡大を実現します。この技術は、ネットワークデータに対するグラフデータベースのモデリングとコンピューティングの利点を最大限に活用し、観察が困難な類似ユーザーをより効果的に発見できますが、大規模な関係グラフのストレージとコンピューティングの問題に対処する必要があります。

この記事では、Lookalike テクノロジーの関連する概念と適用方法を紹介します。しかし、実際のビジネスアプリケーションでは、後続のアルゴリズムの有効性を確保するためにユーザーを記述する特徴をどのように科学的に選択するか、また、機械学習モデルを継続的に最適化してクローズドループを形成するためにマーケティングフィードバックをどのように収集するかが、解決すべき重要な課題です。つまり、アルゴリズムは単独で存在することはなく、その価値を最大化するために、データやビジネス シナリオと組み合わせて合理的に適用する必要があります。

参考文献

【1】錬金術ノート。検索プロモーションとユーザー ポートレートの融合: 類似類似グループ拡張アルゴリズム | CSDN、2021年

著者: 張昊

部署：中国移動スマートホームオペレーションセンター