KOL Creator Matching — KOL/达人精准匹配与 ROI 预测
Skill-KOL-Creator-Matching · 15-营销投放分析
causalexperimentforecastingrecommendationdata_collection广告与投放推荐与搜索数据采集与治理WF-B 广告优化WF-D 选品扫描WF-E Review监控WF-G Listing内容优化WF-J DTC 独立站增长WF-L 内容营销增长
年化 ROI5-20 万元
实现难度⭐⭐☆☆☆
业务优先级⭐⭐⭐⭐☆
业务视角
适用角色CMO / 营销负责人 · 广告优化师 · CEO
适用平台Amazon + TikTok + Meta + KOL 四渠道 · Prime Day / Black Friday 预算前置
什么情况下用同时跑 Amazon 广告/TikTok/网红投放/邮件，不知道整体预算怎么分配最高效；网红投放花了大钱但不知道带来多少真实 GMV
成功是什么样的建立全渠道营销归因模型（MMM），每个渠道真实 ROI 可量化，大促前做预算优化模拟
业务痛点
1. 解决的问题
MCN 每月推 50 个 KOL 候选靠人工两天选 5 个，经常选到粉丝多但转化差的展示型 KOL，ROI 只有 1:2——六维精准匹配（受众/内容/互动/转化/品牌安全/性价比）30 分钟筛选，ROI 从 1:2 提升到 1:3.5+
2. 核心算法逻辑
核心思想：品牌每个月要从数百个 KOL 候选中选出 510 个合作，传统方式是看粉丝数 + 主观感觉，导致投入大但 ROI 不稳定——粉丝多不代表带货强，垂直对口才是关键。KOL 精准匹配用多维特征量化「KOL ↔ 品牌」的契合度，结合历史数据预测 ROI，把选人决策从「靠感觉」变为「靠数据」。
3. 业务应用场景
- 业务问题：MCN 每月给 50 个 KOL 候选，品牌方需要选 5 个，人工看完需要 2 天，且经常选到粉丝多但转化差的「展示型」KOL，实际带货 ROI 不到 1:2。 - 数据要求：KOL 历史帖子关键词 + 粉丝画像 + 互动率 + 报价（一般 MCN 提供）。 - 预期产出： - 每个 KOL 的六维匹配分（0-100）+ 各维度明细 - 预估 ROI（投入：报价；产出：预估带货额） - 推荐 Top-5 + 各自合作建议（主推/测试/排除） - 典型发现： - 30 万粉的「育儿专家」型 KOL 匹配分 85（受众精准），预估 ROI 1:4 - 200 万粉的「美妆博主」型 K
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：选品效率 2天→30分钟，ROI 从 1:2 提升到 1:3.5+，月节省无效投入 5-20 万元
- 实施难度：⭐⭐☆☆☆（低，数据来自 MCN 提供 + 公开平台数据）
- 优先级：⭐⭐⭐⭐☆（KOL 投入是品牌第二大营销支出，选人精准度直接决定 ROI）
- 评估依据：多维匹配框架结合 influencer marketing 行业最佳实践，母婴品类历史投放数据验证
7. 代码模板
代码块数量：2 · 路径：未检测到
from dataclasses import dataclass, field
from typing import List, Dict
@dataclass
class KOLProfile:
kol_id: str
name: str
platform: str
followers: int
engagement_rate: float
audience_match_pct: float
content_relevance: float
purchase_intent_signals: int
fee_usd: float
has_controversy: bool = False
competitor_collab: bool = False
def compute_kol_score(kol: KOLProfile, brand_aov_usd: float = 89.99) -> Dict:
engagement_ok = 0.3 <= kol.engagement_rate <= 15.0
engagement_score = kol.engagement_rate / 5.0 if engagement_ok else 0.2
engagement_score = min(1.0, engagement_score)
brand_safety = 0.0 if kol.has_controversy else (0.5 if kol.competitor_collab else 1.0)
est_reach = kol.followers * kol.engagement_rate / 100
est_clicks = est_reach * (kol.content_relevance * 0.08)
est_sales = est_clicks * (kol.audience_match_pct / 100) * 0.05
est_revenue = est_sales * brand_aov_usd
roi = est_revenue / max(kol.fee_usd, 1)
cpm = kol.fee_usd / max(est_reach / 1000, 0.1)
score = (kol.audience_match_pct / 100 * 30 +
kol.content_relevance * 25 +
engagement_score * 20 +
min(1.0, kol.purchase_intent_signals / 20) * 15 +
brand_safety * 5 +
min(1.0, 1 / max(cpm / 50, 0.1)) * 5)
tier = "🥇 强烈推荐" if score >= 70 else "🥈 建议测试" if score >= 50 else "🥉 谨慎考虑" if score >= 35 else "❌ 不推荐"
return {"kol_id": kol.kol_id, "name": kol.name, "platform": kol.platform,
"total_score": round(score, 1), "tier": tier,
"estimated_roi": round(roi, 2),
"est_revenue_usd": round(est_revenue, 0),
"cpm_usd": round(cpm, 1),
"details": {"audience_fit": round(kol.audience_match_pct, 1),
"content_relevance": round(kol.content_relevance * 100, 1),
"engagement_rate": kol.engagement_rate,
"brand_safety": "✅" if brand_safety == 1.0 else "⚠️"}}
def rank_kols(kols: List[KOLProfile], brand_aov_usd: float = 89.99,
budget_usd: float = 30000) -> List[Dict]:
results = [compute_kol_score(k, brand_aov_usd) for k in kols]
results.sort(key=lambda x: -x["total_score"])
cumulative_cost = 0
for r in results:
kol = next(k for k in kols if k.kol_id == r["kol_id"])
cumulative_cost += kol.fee_usd
r["within_budget"] = cumulative_cost <= budget_usd8. 论文来源
未自动抽取；请查看原始 Skill 卡片。