再營銷就是將廣告信息再次推送到曾經訪問過你的網站用戶面前，Google再營銷就是利用Google聯盟已有的網站和廣告數據，對曾經來過網站或點擊過廣告的用戶群體召回，并結合數據挖掘技術實現精準再營銷，提高轉化率。

[[182186]]

Google精準再營銷具體流程如下：

用KNIME預測模型找到高價值用戶

模型節點概覽

(一)數據導入：CSV Reader節點，讀入數據后可以查看到如下詳細數據列：

(二)數據處理：對讀入數據進行去燥處理，主要包含以下幾方面：

具體方法如下：

(三)建模字段選擇：選擇出對目標轉化關系大的輸入變量，可以通過相關系數找出，為避免同類變量影響模型效果，可以先聚類，每個類別找出一個域目標關系***的一個變量即可，本次預測模型由于輸入變量不多，不需要聚類分類。只要根據變量間的相關系數找出輸入變量即可，以下是變量間的相關系數。

(四)數據分區和建模：

將數據分為training data和test data，training data用來訓練模型，test data用來檢驗模型的適用性。本次預測模型經過多重模型對比，我們選擇SVM(支持向量機)建立預測模型。支持向量機(Support Vector Machine，SVM)一般應用于有監督的學習模型，可用來分類和預測。主要用來解決線性不可分類的問題，這也是SVM區別于其他模型的特點之一。此類模型需要設置輸入變量是向量，例如x1=(1,0,0,0,0), x2=(0,1,0,0,0)等，需要提前將原始數據進行向量轉化。

核心算法

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

SVM在構建超平面過程中，需要到將原輸入數據映射到高維空間，一般用多項式可以實現，但是由于高維空間的計算量會呈現爆炸式增長，對時間和空間是一種消耗，所以想到另一種解決方法—-核函數：即所有的計算過程都在低維空間(一般2-6維)進行，只將結果映射到高維空間，且計算的結果與直接在高維空間計算結果一致。

核函數：特征空間的隱式映射，計算兩個向量在隱式映射過后的空間中的內積的函數叫做核函數。主要有以下幾種核函數：

d次多項式核函數：

S型核函數：

經發現，非線性的SVM所發現的超平面與神經網絡分類器發現的超平面屬于一種類型，S型核函數等價于多層感應器的簡單2層神經網絡。

高斯徑向基核函數(RBF)：

注：若 σ 很大的話，高次特征上的權重實際上衰減得非常快，所以實際上(數值上近似一下)就相當于一個低維的子空間;反之 σ 很小，則可以將任意的數據映射為線性可分，但這并不一定是好事，因為隨之而來的可能是非常嚴重的過擬合問題。總的來說，通過調控參數 σ ，高斯核實際上具有相當高的靈活性，也是使用最廣泛的核函數之一。

在實踐中，核函數的選擇一般并不導致結果準確率的很大差別。

舉例理解超平面：

假設現在你是一個農場主，圈養了一批羊群，但為預防狼群襲擊羊群，你需要搭建一個籬笆來把羊群圍起來。但是籬笆應該建在哪里呢?你很可能需要依據牛群和狼群的位置建立一個“分類器”，比較下圖這幾種不同的分類器，我們可以看到SVM完成了一個很***的解決方案。

SVM優點：可以***解決線性無法解決的分類和預測問題。在精確度上有優勢。

SVM缺點：雖然用了核函數，相對其他模型來說計算量級還是較大，耗內存耗時間，如果數據類型多，涉及到的高維空間太大不建議使用。

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

(五)數據應用—精準再營銷投放(Adwords&DBM)

通過預測模型，將目標轉化概率(對應預約試駕提交成功)大于0.5的高價值用戶cookie(對應輸變量“_c1”)找出，導入到Adwords&DBM系統中投放。即可實現更低成本拉回老客戶。