如何玩转lookalike拓量？

如何从海量的人群中找到有对应需求、具备高价值转化潜力的人群，是企业越发迫切的需求。在数字化能力愈发丰富的当下，营销型数字化工具采用了维度更加广阔，目标更加精准的算法。本文围绕当下较为有效的人群扩量算法—— Lookalike，介绍该算法如何通过拓展人群提升线索转化率。

通常情况下，广告运营基于O（opportunity-机会）A（aware-认知）I（interest-兴趣）P（purchase-购买）L（loyalty-拥护）路径进行人群定向。

首先从全渠道挖掘潜客，根据行为兴趣和基础属性筛选出泛潜人群。然后反复的触达泛潜人群，加深品牌印象，提升品牌认知，获得点击1次广告的潜客人群。再通过定向排除和Lookalike，获取在渠道进行注册留资、咨询的品牌高意向人群。将已购买人群引入品牌私域，持续运营。后期对购买人群持续洞察及种子人群Lookalike拓展复投，触达更多潜客人群。

整个OAIPL路径中，基于人群洞察的人群扩量，其作用至关重要。其中，Lookalike是较为常见的算法。

【Lookalike算法】

也称相似人群扩散算法，其核心思想是基于种子用户，通过特定算法，从全量用户群中找出和种子人群相似的其他目标人群用于广告投放。

Lookalike不是一种单一的算法，而是一类算法的统称。所有通过少量种子用户拓展出更多的相似目标用户的算法，均可称为Lookalike算法。

在实际应用场景中，通过拉取CDP，数据里的历史交易记录，注册会员以及加购数据等，按照不同的维度把CDP里采集的人群进行用户分层，比如把618双11等大促节点下单的人群细分出来，归为大促敏感人群。另外基于CDP中RFM模型功能，筛选出该品牌的高价值人群，重点圈选出这两个人群包依照媒体测数据模型进行Lookalike扩量。

一般情况下，采用实验对照组法，在同样的投放时间、内容、素材媒体平台上，用两种人群包的投放方式来对比：

· 一种是基于CDP，种子人群包，用户分层后进行的扩量人群包；

· 另一种是基于品牌方的行业标签，如潮牌、休闲、消费品等，并且排除已经在CDP里的人群。

通过CDP营销应用人群效果分析，依据CDP扩量人群包与媒体行业标签的人群包相比，点击率提升了1.6倍，消费者加购率提升了5倍，加购成本下降了3.5倍，下单成本直接下降了20倍，有效验证了品牌一方数据的价值。

通过广告平台还能够让品牌在公域投放的数据沉淀到CDP里。针对后链路的浏览，点击下单等事件行为进行数据埋点，全面且有效的衡量广告投放效果。当然 Lookalike扩量人群包和媒体行业标签人群包并不是对立关系，二者互为补充，Lookalike扩量方式能够弥补标签定制人群的不足，快速支持不同广告主制定人群需求，提高营销运营效率。

通过对公域主流广告平台的覆盖，以及私域全触点的覆盖，增强渠道的渗透宽度，提供基于转化率的项目执行策略，基于每一波次的投放和活动运营，降低获客成本，提升销售转化。

将私域和公域的数据进行整合与分析洞察，同时可以根据分析模型来形成人群包，以及根据特征权重来定制画像标签，在意想不到的方向精准区分不同的消费人群。

在流量“通胀”的时代，基于已有的客户资产扩量，找到相似的高潜力人群，才是保质保量的营销运营方式。通过Lookalike算法得出的扩量人群包和其他标签定向的人群包，能够快速支持运营人员找到投放人群，提高营销运营的效率，帮助企业用更低的成本找到高价值人群。