河北网站建设制作网络seo关键词优化技巧
程序化广告行业（54/89）：人群标签、用户标签与Look Alike原理详解
在当今数字化营销的浪潮中，程序化广告正发挥着越来越重要的作用。它能够实现个性化精准投放，让广告主的每一分钱都花在刀刃上。今天，就和大家一起深入学习程序化广告相关知识，在探索的过程中共同进步。这篇文章作为系列的第一篇，主要为大家解析程序化广告中的人群标签原理、用户标签生成及优化过程，还有Look Alike原理，希望能帮助大家更好地理解这个充满魅力的领域。
一、人群标签原理
在设置广告活动时，我们会选择人群标签来定向目标人群，这些标签可以来自广告投放平台，也能从第三方数据管理平台（DMP）获取。标签涵盖了用户的各种属性，像性别、年龄、行业、收入等，它们就像是给用户贴上的一个个“小名片”，方便广告主找到目标客户。
给用户打人群标签的时候，要综合分析好多方面的信息。其中，用户识别号是很重要的一部分，常见的有用户cookie和设备号ID，它们就像是用户在网络世界里的“身份证”。行为信息也不容忽视，包括行为类型（比如浏览、点击、购买等）、行为介质（广告、媒体、广告主网站/App等），还有行为次数或金额。举个例子，“点击—某广告—1次”“购买—网站内商品—2万元”，从这些组合里，我们就能看出用户的兴趣爱好和购买倾向。
时间维度也很关键，行为发生的时间、持续时间以及间隔时间都有意义。假如一个用户习惯晚上8点到12点上网，最近3天浏览过某页面，或者连续看某广告2秒、每周一都购买某商品，这些时间信息能从一定程度上反映用户的质量。地点信息也有价值，通过用户所在国家、省份、城市、场所及移动轨迹，我们能了解很多，比如一个用户地点基本在北京、上海、广州，就有可能是经常出差人群。终端信息，像浏览器、操作系统、设备品牌等，也能反映用户的消费水平等特征。
二、用户标签生成及优化过程
对于常规的用户属性标签，设置起来相对简单，可以预先设定。但要是特殊行业的定制人群标签，就得费点心思了。这需要事先分析好目标群体特性，弄清楚他们在网络上的行为表现。
生成人群标签要经过六大步骤，下面以机票预订的广告投放需求为例来说明。
- 用户定义：就是要明确目标人群的特征。机票预订的目标人群是需要出行的人，可能是出差、旅游，或者其他原因出行。经常出差的人，坐标可能常出现在特定城市；经常旅游的人，每年特定时间坐标会在不同城市或国家移动，还会浏览旅游攻略或机票优惠信息；其他出行人群，一般也会有机票、酒店预订查询行为。
- 筛选条件：把人群特征用具体的筛选条件表示出来。对于机票预订人群，我们关注用户坐标的移动轨迹，还有网络上的浏览兴趣爱好、关键词等。移动轨迹可以通过用户经纬度、IP信息或者机场Wi-Fi信息解读，还能根据是否浏览旅游相关网站、搜索相关关键词来预测用户需求。
- 打标签：符合筛选条件的人群，要给他们打上用户标签和对应的用户质量信息。比如根据出行频率、消费金额等把有出行需求的人群划分不同质量级别，用权重表示。这样广告主在投放广告时，就能针对不同权重用户制定不同策略。像对低消费水平的旅游人群，推荐东南亚国家机票和优惠信息；对高消费水平的，推荐欧洲国家机票并彰显高档品位。筛选出目标人群后，给他们打上“出行人群”标签和对应权重。
- 生成人群数据包：把同一标签的人群整合到一起，形成人群数据包。比如把带有“出行人群”标签和不同权重的人群统一成“出行人群”数据包。
- 广告投放：投放机票预订广告时，在活动设置条件里选择“出行人群”标签，这样广告就能精准推送给目标人群。
- 数据更新：收集广告投放过程中的数据，根据投放效果扩大人群标签数据量，优化人群标签权重，让标签越来越精确。
下面用一段简单的Python代码来模拟这个过程（仅为示例，实际应用会复杂得多）：
# 模拟用户数据
users = [{'id': 1, 'latitude': 39.9, 'longitude': 116.4, 'behavior': ['浏览旅游网站', '搜索机票信息'], 'consumption': 5000},{'id': 2, 'latitude': 31.2, 'longitude': 121.4, 'behavior': ['购买机票', '预订酒店'], 'consumption': 8000},# 更多用户数据...
]# 用户定义和筛选条件
target_users = []
for user in users:if ('浏览旅游网站' in user['behavior'] or '搜索机票信息' in user['behavior']) and user['consumption'] > 3000:target_users.append(user)# 打标签和生成人群数据包
travelers = []
for user in target_users:if user['consumption'] < 6000:user['label'] = '低消费出行人群'user['weight'] = 1else:user['label'] = '高消费出行人群'user['weight'] = 2travelers.append(user)print(travelers)
三、Look Alike原理
Look Alike有两种类型，基于用户和基于游戏/商品的协同过滤，它主要是找出用户之间的相似性和游戏/商品之间的关联度，还会设置一个置信度（概率值）。
基于用户的Look Alike是根据种子用户的浏览兴趣和广告行为来找相似用户，从而扩大目标投放人群。浏览兴趣是用户浏览页面内容和行为汇总的偏好，广告行为包括点击、下载、购买等。对游戏行业来说，种子用户就是游戏玩家；对电商行业，就是消费人群。比如我们可以分析玩同一游戏或购买同一商品的用户都喜欢浏览哪些页面，通过什么广告创意转化，以此找到用户之间的相似性。在广告投放时，根据“浏览兴趣—广告创意—游戏/商品”的关联性推荐，把种子用户玩过的游戏或购买过的商品推荐给相似人群，在转化率高的媒体页面展示高转化率创意。
基于游戏/商品的Look Alike是通过分析同时玩多个游戏的用户或同时购买多个商品的情况来找关联，不过文档里这部分没详细说，后续我们可以继续深入研究。
下面用一段简单的代码示例来帮助理解基于用户的Look Alike（同样仅为示例，实际情况更复杂）：
# 模拟种子用户和其他用户数据
seed_user = {'behavior': ['玩游戏A', '点击广告B', '购买商品C']}
other_users = [{'id': 1, 'behavior': ['玩游戏A', '点击广告D', '购买商品E']},{'id': 2, 'behavior': ['玩游戏B', '点击广告B', '购买商品C']},{'id': 3, 'behavior': ['玩游戏A', '点击广告B', '购买商品C']},# 更多用户数据...
]similar_users = []
for user in other_users:common_behavior_count = 0for behavior in seed_user['behavior']:if behavior in user['behavior']:common_behavior_count += 1if common_behavior_count >= 2:similar_users.append(user)print(similar_users)
写作不易，如果这篇文章对你有所帮助，希望大家能关注我的博客，点赞并评论。你们的支持是我持续创作的动力，后续我还会带来更多程序化广告行业的知识分享，咱们一起在学习的道路上不断前进！