名词：Lookalike
中文名称：相似人群拓展
名词解释：
在互联网商业应用中，许多广告主在“搜寻潜客”时，都会遇到难以识别高潜人群、难于平衡成本与规模等问题。Lookalike技术可以利用广告主第一方数据，基于少量的种子用户，通过大数据分析和机器学习拓展出和种子相似的用户人群。而这些拓展出的相似人群同时也有很大可能成为客户的目标人群。
解释拓展：
如何找到适合广告主品牌定位的某款产品的目标受众群，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，第二类就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。
相比显式用户定向标签（如人口学，兴趣，行为等）需要大量广告主人工参与试错，隐式 Lookalike 几乎不需要广告主参与。部分平台只需要广告主上传具有特定目标（如曾经有过购买行为的）的种子用户的User ID或Device ID，即可在满足广告主设定的目标（如平均转化成本）下，通过Lookalike技术扩大潜在人群，大幅增加广告主的转化量。
虽然目前广告系统都提供了丰富定向接口，如人口学、LBS/地域、兴趣、行为、再营销等等，但是依然很难满足很多广告主的个性化需求。如果要为每个广告主打造定制化标签，不仅周期长、成本高，而且很难通用。而Lookalike技术可以根据种子数据自动发现相似人群，有效规避了自定义标签面临的问题；
高潜力用户难寻、精准与规模之间难取平衡点是广告主所面临的两个主要难题，其核心仍在于对大规模潜在用户的有效触及。效果和规模之间达成“帕累托最优”(最理想状态)显得相对棘手——随着流量数量的增大，人群的聚焦性也必然逐步降低，寻找目标人群的难度加大，致使非目标人群的比例也随着流量的增加而增加。而Lookalike技术通过大数据分析和复杂模型学习归纳高质量人群的人口特征，然后在更大的流量范围内，寻找具有类似人口特征的人。
解释参考：