在企業進行行銷活動預測時，最核心的挑戰在於如何找到「過去最相似的案例」來作為參考。傳統上，許多公司依賴規則驅動（Rule-driven）的邏輯，例如設定一系列的 if-else 條件：如果目標客群是年輕人且產品類別是電子產品，則對比去年的夏季促銷案。然而，隨著行銷通路增加、活動形式變得複雜，維護這些規則會變成一場噩夢，因為工程師必須不斷手動更新規則集，且無法處理那些不符合既定規則的長尾案例。
零售巨頭 Target 針對此問題開發了一套基於大語言模型（LLM）的語義匹配系統，將預測流程從單純的規則比對，轉型為基於檢索與推理的自動化工作流。
從規則比對轉向語義匹配的必要性
在舊系統中，比對邏輯是僵硬的。當行銷活動的屬性發生微小變化，或者出現全新的活動類型時，舊系統往往找不到對應的歷史案例，導致分析師必須投入大量人力手動搜尋。
為了克服這個限制，Target 引入了語義匹配（Semantic Matching）的概念。語義匹配不再是檢查兩個標籤是否完全相同，而是將數據轉換為向量空間中的座標（Embeddings），計算兩個案例在數學意義上的「距離」。這樣即使描述方式不同，只要核心意圖相似，系統就能將其識別出來。
系統架構：多階段的 RAG 流程
Target 採用的架構本質上是一種檢索增強生成（RAG, Retrieval-Augmented Generation）的變體，將流程拆分為三個獨立階段，以確保系統的可觀測性與可調優性。
第一階段是嵌入生成（Embedding Generation）。系統將歷史活動的結構化屬性，例如受眾分群、產品類別、行銷通路與活動意圖，進行標準化處理，並轉換成 Embedding（將文字或屬性轉化為高維向量的過程）。這些向量被儲存在內部的索引庫中。
第二階段是檢索（Retrieval）。當新的行銷計劃建立時，系統會將其元數據同樣轉換為向量，並在索引庫中快速搜尋出最接近的候選歷史案例。
第三階段是 LLM 排序與精煉（Ranking and Refinement）。由於向量檢索只能提供初步的相似度，無法理解深層的業務邏輯，因此 Target 將檢索出的候選名單交給 LLM。LLM 會根據結構化約束與上下文信號，對這些案例進行重新排序，並為每一個匹配結果提供解釋，說明為什麼這個歷史案例具有參考價值。
實務成效與人機協作
這套系統顯著提升了覆蓋率（Coverage）。根據測試，僅考慮排名第一的推薦結果時，覆蓋率已達百分之七十五；而當推薦深度擴展到前三名時，覆蓋率達到了百分之百，意味著每個新活動都能找到至少一個適合的歷史參考案例。
值得注意的是，Target 並未讓 AI 直接預測結果，而是將其定位為決策支持工具。分析師會審核 LLM 提供的候選名單及其解釋，最後由人類決定如何將這些數據應用於預測模型中。這種設計確保了業務決策的安全性與可解釋性。
持續演進的閉環機制
為了防止模型過時，系統建立了一套回饋機制。當一個行銷活動結束並產生實際表現數據後，這些真實結果會被回饋到系統中，用以優化 Embedding 的生成品質。這使得系統能夠隨著市場趨勢與活動形式的演進而自我進化，持續提高檢索的精準度。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。