再營(yíng)銷就是將廣告信息再次推送到曾經(jīng)訪問過你的網(wǎng)站用戶面前，Google再營(yíng)銷就是利用Google聯(lián)盟已有的網(wǎng)站和廣告數(shù)據(jù)，對(duì)曾經(jīng)來(lái)過網(wǎng)站或點(diǎn)擊過廣告的用戶群體召回，并結(jié)合數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)精準(zhǔn)再營(yíng)銷，提高轉(zhuǎn)化率。

[[182186]]

Google精準(zhǔn)再營(yíng)銷具體流程如下：

用KNIME預(yù)測(cè)模型找到高價(jià)值用戶

模型節(jié)點(diǎn)概覽

(一)數(shù)據(jù)導(dǎo)入：CSV Reader節(jié)點(diǎn)，讀入數(shù)據(jù)后可以查看到如下詳細(xì)數(shù)據(jù)列：

(二)數(shù)據(jù)處理：對(duì)讀入數(shù)據(jù)進(jìn)行去燥處理，主要包含以下幾方面：

具體方法如下：

(三)建模字段選擇：選擇出對(duì)目標(biāo)轉(zhuǎn)化關(guān)系大的輸入變量，可以通過相關(guān)系數(shù)找出，為避免同類變量影響模型效果，可以先聚類，每個(gè)類別找出一個(gè)域目標(biāo)關(guān)系***的一個(gè)變量即可，本次預(yù)測(cè)模型由于輸入變量不多，不需要聚類分類。只要根據(jù)變量間的相關(guān)系數(shù)找出輸入變量即可，以下是變量間的相關(guān)系數(shù)。

(四)數(shù)據(jù)分區(qū)和建模：

將數(shù)據(jù)分為training data和test data，training data用來(lái)訓(xùn)練模型，test data用來(lái)檢驗(yàn)?zāi)Ｐ偷倪m用性。本次預(yù)測(cè)模型經(jīng)過多重模型對(duì)比，我們選擇SVM(支持向量機(jī))建立預(yù)測(cè)模型。支持向量機(jī)(Support Vector Machine，SVM)一般應(yīng)用于有監(jiān)督的學(xué)習(xí)模型，可用來(lái)分類和預(yù)測(cè)。主要用來(lái)解決線性不可分類的問題，這也是SVM區(qū)別于其他模型的特點(diǎn)之一。此類模型需要設(shè)置輸入變量是向量，例如x1=(1,0,0,0,0), x2=(0,1,0,0,0)等，需要提前將原始數(shù)據(jù)進(jìn)行向量轉(zhuǎn)化。

核心算法

對(duì)于線性分類問題，只需要曲線或平面就能分類，但是對(duì)于非線性，如果也用線或面來(lái)粗暴式分類，結(jié)果顯然不理想，為了解決這類非線性問題，SVM通過創(chuàng)建一個(gè)超平面(可以理解為高維空間平面)將非線性側(cè)切分類.

SVM在構(gòu)建超平面過程中，需要到將原輸入數(shù)據(jù)映射到高維空間，一般用多項(xiàng)式可以實(shí)現(xiàn)，但是由于高維空間的計(jì)算量會(huì)呈現(xiàn)爆炸式增長(zhǎng)，對(duì)時(shí)間和空間是一種消耗，所以想到另一種解決方法—-核函數(shù)：即所有的計(jì)算過程都在低維空間(一般2-6維)進(jìn)行，只將結(jié)果映射到高維空間，且計(jì)算的結(jié)果與直接在高維空間計(jì)算結(jié)果一致。

核函數(shù)：特征空間的隱式映射，計(jì)算兩個(gè)向量在隱式映射過后的空間中的內(nèi)積的函數(shù)叫做核函數(shù)。主要有以下幾種核函數(shù)：

d次多項(xiàng)式核函數(shù)：

S型核函數(shù)：

經(jīng)發(fā)現(xiàn)，非線性的SVM所發(fā)現(xiàn)的超平面與神經(jīng)網(wǎng)絡(luò)分類器發(fā)現(xiàn)的超平面屬于一種類型，S型核函數(shù)等價(jià)于多層感應(yīng)器的簡(jiǎn)單2層神經(jīng)網(wǎng)絡(luò)。

高斯徑向基核函數(shù)(RBF)：

注：若 σ 很大的話，高次特征上的權(quán)重實(shí)際上衰減得非常快，所以實(shí)際上(數(shù)值上近似一下)就相當(dāng)于一個(gè)低維的子空間;反之 σ 很小，則可以將任意的數(shù)據(jù)映射為線性可分，但這并不一定是好事，因?yàn)殡S之而來(lái)的可能是非常嚴(yán)重的過擬合問題。總的來(lái)說(shuō)，通過調(diào)控參數(shù) σ ，高斯核實(shí)際上具有相當(dāng)高的靈活性，也是使用最廣泛的核函數(shù)之一。

在實(shí)踐中，核函數(shù)的選擇一般并不導(dǎo)致結(jié)果準(zhǔn)確率的很大差別。

舉例理解超平面：

假設(shè)現(xiàn)在你是一個(gè)農(nóng)場(chǎng)主，圈養(yǎng)了一批羊群，但為預(yù)防狼群襲擊羊群，你需要搭建一個(gè)籬笆來(lái)把羊群圍起來(lái)。但是籬笆應(yīng)該建在哪里呢?你很可能需要依據(jù)牛群和狼群的位置建立一個(gè)“分類器”，比較下圖這幾種不同的分類器，我們可以看到SVM完成了一個(gè)很***的解決方案。

SVM優(yōu)點(diǎn)：可以***解決線性無(wú)法解決的分類和預(yù)測(cè)問題。在精確度上有優(yōu)勢(shì)。

SVM缺點(diǎn)：雖然用了核函數(shù)，相對(duì)其他模型來(lái)說(shuō)計(jì)算量級(jí)還是較大，耗內(nèi)存耗時(shí)間，如果數(shù)據(jù)類型多，涉及到的高維空間太大不建議使用。

通過ROC曲線可以看出，這個(gè)模型的ROC=0.8318，Accuracy=76.5%，是一個(gè)比較理想的模型。

(五)數(shù)據(jù)應(yīng)用—精準(zhǔn)再營(yíng)銷投放(Adwords&DBM)

通過預(yù)測(cè)模型，將目標(biāo)轉(zhuǎn)化概率(對(duì)應(yīng)預(yù)約試駕提交成功)大于0.5的高價(jià)值用戶cookie(對(duì)應(yīng)輸變量“_c1”)找出，導(dǎo)入到Adwords&DBM系統(tǒng)中投放。即可實(shí)現(xiàn)更低成本拉回老客戶。