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。
整个系统采用多阶段流水线架构，将 Embedding 生成、候选检索以及基于大语言模型的排序三个阶段彼此解耦。这种设计使各个模块能够独立调优，同时提升了中间结果的可观测性。在预测流程中，营销分析师仍会对检索结果及模型生成的匹配解释进行审核，确保人工验证始终是整个流程的一部分。
新系统整体架构（来源：Target 博客）
这套系统并不直接预测营销活动的最终效果，而是通过识别与当前活动最相似的历史案例，为预测提供决策依据。这意味着营销预测从过去依赖规则的方式，转向基于检索与推理的工作流，并通过历史活动属性作为依据，提高了预测结果的可解释性。
Target 工程部表示，旧系统最大的挑战之一在于，随着营销活动模式不断变化，维护规则集的成本持续上升。新方案利用语义相似度和模型驱动的排序能力，减少了对人工规则更新的依赖，也能够更好地适应各种营销活动的变化。此外，对于过去由于缺乏可靠规则定义而难以处理的长尾营销活动类型，新系统也显著提升了覆盖能力。
系统还引入了反馈机制，利用已完成营销活动的实际表现不断优化 Embedding，并持续提升检索质量。Target 工程部表示，这使系统能够随着新的营销活动结果不断演进，并在未来的预测流程中提供更加相关、更准确的历史活动匹配结果。
查看英文原文：Inside Target’s LLM-Based System for Semantic Matching in Marketing Forecast Pipelines - InfoQ
