AI热榜 Target 开发了一套 基于生成式 AI 的营销预测系统 ，在新营销活动开启前，自动检索并排序与其最相似的历史营销活动，为营销预测提供参考。
该系统目前已在 Target 内部投入使用，服务于营销和数据分析团队，支持不同类型、不同渠道的营销活动规划。
它的目标是减少人工查找可比历史活动的工作量，提高预测的一致性，并随着营销活动类型不断丰富，进一步提升决策效率。
为了评估系统效果，Target 采用按时间划分训练集和测试集的方法，对近期一批不同类型的营销活动进行了测试。
根据官方数据，当仅采用排名第一的推荐结果时，系统覆盖率达到 75%；当推荐范围扩展至前三个候选时，覆盖率提升至 100%，意味着参与评估的每一个营销活动都至少能够找到一个合适的历史活动作为参考。
Target 表示，这一改进显著减少了预测流程中人工查找和修正可比营销活动的工作量。
不同推荐深度（K）下的覆盖率（来源： Target 博客 ） 这套新系统取代了此前基于规则和简单相似度计算的方法。
旧系统需要不断维护大量人工规则，而且随着营销渠道数量增加、活动形式日益复杂，很难适应不断变化的营销活动模式，不仅带来了较高的运维成本，对新类型营销活动的支持效果也越来越差。
新系统采用了结合 Embedding（向量表示）和大语言模型的检索增强架构（RAG）。
系统首先对历史营销活动数据进行标准化处理，并将其转换为 Embedding，将受众细分、商品类别、投放渠道、营销意图等结构化属性编码为具有语义信息的向量。
这些 Embedding 随后存储到内部索引中，用于后续的相似度检索。
当创建新的营销活动时，系统会根据活动元数据生成对应的 Embedding，并检索出具有相似特征的历史营销活动作为候选。
随后，这些候选结果会交由大语言模型进一步排序和筛选。
模型会结合结构化约束条件和上下文信息评估相似程度，最终返回按相关性排序的营销活动列表，并为每条匹配结果生成解释。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接