广告技术公司可以通过提供技术服务来帮助广告主更好地使用数据提升广告投放的效果，这个无懈可击的技术原理加上众多事实案例的佐证，让一部分广告主们拿出了自己宝贵的数据与广告技术公司进行合作，这些往往是广告主们通过以往多年的持续营销而获取的全部客户和意向客户数据。使用这些数据来支持广告投放之后，营销部门收获了可视的营销效果提升，也向公司交出了更加满意的答卷。

“Look-alike”是个广告技术行业中如雷贯耳的数据技术服务概念。它实际上是一种算法，意思是“寻找相似性”。假如广告主愿意提供一个客户人群范围，或者提供一些原始的种子数据，那么这些数据将成为机器学习的样本，look-alike算法将可以汇总出这些种子数据的特征和特性，并基于这些特征和特性，采用对种子数据进行画像的方式对目标数据进行描述和解读，并通过种子数据与数字世界中其他数据之间发生过的关联关系来进行扩展搜寻，挖掘出与种子数据相似的目标用户数据，于是整个的目标数据总量就有可能呈现几何倍数的增长。这样下来，广告主积累了多年的种子数据就有可能变成更大规模的数据库。

Look-alike的技术原理是符合逻辑的，最终的数据量扩展结果也确实可以几何倍数的增长。于是，有更多的广告主向拥有look-alike算法能力的广告技术公司提供了自己的宝贵数据。

在look-alike的过程中，广告技术公司往往通过这样几个维度来进行数据扩展和数据挖掘：

第一是用户行为喜好方向。根据种子数据，去提炼具有某种偏好的人会倾向于购买某一类商品，然后再尽可能找到数字世界中有这种偏好的人，用这类商品的广告去触达。(www.daowen.com)

第二是用户行为规律方向。根据种子数据，去提炼拥有同一种用户行为的数据会倾向于购买某一类商品，然后再尽可能找到数字世界中行为规律与之相似的人，用这类商品的广告去触达。比如，在同一时间做某件事的人，或者在同一地点做某件事的人，找到用户行为与时间和空间的关联关系。这种用户行为模式方向的算法，更多的需要消耗实时的数据进行喂养。

第三是用户行为意图的方向。根据种子数据，去提炼在购买某一类商品之前用户都会做出哪些行为，比如到搜索引擎去搜索某些关键词，比如到哪些相关网站去搜索某一类产品的评论等，然后通过算法去获取有类似行为的人群数据，用这一类商品的广告去触达。

第四是用户行为结果数据。这一类数据是通过种子数据已经执行了某些具体行为来进行提炼和判断，总结出规律，然后再尽可能找到数字世界里做了同样行为的人，用这类产品的广告去触达。这一方向往往被应用得简单粗暴，比如所有在互联网上产生过支付行为的人，或者所有在某个社区论坛发表过文章的人，等等。

而想要look-alike算法发挥出能量，有一个前提，就是需要能够尽可能多地认识和联通数字世界中的海量数据，这样才能够基于种子数据去做扩展查询。广告技术公司由于可以获得各个Ad Exchange（广告交易平台）传递过来的用户标签，因此确实拥有海量的用户的媒体方行为数据。于是，通过这些look-alike的算法，广告技术公司们不仅获得了越来越多的广告主第一方数据，也沉淀了更多数据到自己的DMP中，快速成长壮大。