CN102640179A - 用于多渠道广告的基于广告受众历史的竞价生成系统和方法 - Google Patents
用于多渠道广告的基于广告受众历史的竞价生成系统和方法 Download PDFInfo
- Publication number
- CN102640179A CN102640179A CN2010800416074A CN201080041607A CN102640179A CN 102640179 A CN102640179 A CN 102640179A CN 2010800416074 A CN2010800416074 A CN 2010800416074A CN 201080041607 A CN201080041607 A CN 201080041607A CN 102640179 A CN102640179 A CN 102640179A
- Authority
- CN
- China
- Prior art keywords
- computing equipment
- event
- bidding
- kinds
- commercial audience
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0247—Calculate past, present or future revenues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0273—Determination of fees for advertising
- G06Q30/0275—Auctions
Abstract
公开了与生成多渠道广告环境的竞价相关联的方法、装置、系统以及非暂时性有形计算机可读介质,在各个实施例中,其包括生成多渠道广告模型。可以生成多渠道广告模型并且用其来估计跨各种模型化的广告渠道针对个别广告受众发生的各种广告和/或事件的效果。可以跨多个渠道来追踪广告受众,诸如例如通过当广告受众访问各种网站时使用一个或多个信息记录程序。实施例可以计算已沿着销售漏斗发生的各种广告事件对转化事件的边界贡献。可以根据事件对最终转化的边界贡献生成各种收益归因。实施例可以基于由广告受众采取的事件和/或通过改变跨多个渠道的暴露水平来为登广告者提供对广告受众随着时间的价值以及广告受众的价值怎样演进的估计。根据这些估计,可以生成供登广告者使用的、指导针对广告事件的竞价的竞价策略。
Description
背景技术
向希望在在线渠道上投放广告的登广告者呈现了许多选项,登广告者可以从这些选项中进行选择。对这些选项的定价可以不同,并且可以产生不同的结果。例如,搜索引擎允许登广告者为列表付费,其中针对将访问者从搜索引擎带入的每点击成本基于关键字或者在列表中的位置而不同。在另一示例中,网站也可以允许以不同尺寸和/或在不同位置处并且基于观看者访问的地址或关键字来显示广告。
当前系统尝试帮助登广告者跨各种在线渠道分配资源。在某些系统中,对于对观看者(或者“广告受众”)的广告效果进行建模。这些模型可以帮助产生数据,根据这些数据登广告者可以确定执行诸如为在网站上的广告空间竞价或者为搜索结果列表中的位置付费之类的广告事件实用性。
然而,许多当前系统基于广告受众的在转化点(例如,广告受众在登广告者的产品页面或者网站上购买或者交易由登广告者提供的商品或者服务的点)之前的最后事件来对收益归因进行建模。这些模型仅可以捕获转化时刻(其为广告受众的意向的时刻),而不是整个销售漏斗(例如,广告受众的知晓、兴趣、期望和意向的广告阶段的行程)。在某些此类系统中,认为对此类基于意向的渠道的投资的回报高于参与生成知晓、兴趣或者期望的投资的回报。
例如,假定某公司正在线进行搜索竞选和显示竞选这两者。由于搜索表示由web浏览者声明的显式意向,所以将把收益转化的大多数归因于搜索。然而,这低估了由显示竞选对产品的品牌化或者兴趣生成的贡献,因为这些广告并不直接导致转化。尽管某些系统利用预定经验知识(heuristics)来将收益的部分分摊给被假定沿着广告受众的路径的各种事件,但是这些方法中的许多方法并不支持跨渠道竞价策略优化。作为替代,当前系统简单地使用预定经验知识来跨各种媒介分配预算。附加地,当前系统简单地为给定登广告者聚合针对所有广告受众的数据,并且继而确定对将受广告影响的所有web浏览者共同的竞价。这些系统并不提供对个别广告受众的分析。
附图说明
图1图示了多渠道竞价生成系统的选定部件的方框图;
图2图示了用于基于针对广告受众的事件历史来生成和执行竞价策略的过程;
图3图示了用于追踪收益事件历史的过程;
图4图示了用于生成多渠道广告环境模型的过程;
图5图示了用于确定针对所生成的模型的潜在因素的过程;
图6图示了用于生成针对所生成的模型的广告受众和元数据的群集的过程;
图7图示了用于执行针对所生成的模型中的广告受众的价值估计的第一过程;
图8图示了在图7的价值估计中使用的示例网络流模型;
图9图示了用于执行针对所生成的模型中的广告受众的价值估计的第二过程;
图10图示了基于各种预算量的对预测收益的示例可视化;
图11图示了建议的预算分配的示例可视化;以及
图12图示了被配置成实践先前描述的方法的、均按本公开的各个实施例排列的各种方面的示例计算设备。
具体实施方式
在以下详细描述中,参考形成该详细描述的一部分的附图。在附图中,除非上下文另有相反指示,否则相似的符号典型地标识类似的部件。在详细描述、附图和权利要求书中描述的说明性实施例并不意味着是限制性的。在不脱离在此呈现的主题的精神实质或者范围的情况下,可以利用其他实施例,并且可以做出其他改变。将容易理解的是,本公开的各个方面,如在此总体上描述的,以及在附图中图示的,可以在多种不同的配置中被布置、替代、组合、分离和设计,所有这些均在此明确地考虑到。
在此描述的主题有时图示了包含在不同的其他部件或者元件中的或者与不同的其他部件或者元件连接的不同的部件或者元件。应当理解,此类描绘的架构仅是示例,并且事实上,可以实践实现相同功能的许多其他架构。在概念意义上,用于实现相同功能的部件的任何布置是实际上“相关联的”,从而使得实现期望的功能。因此,在此被组合以实现特定功能的任何两个部件可以被视为彼此“相关联的”,从而使得实现期望的功能,而这与架构或者中间部件无关。类似地,如此相关联的任何两个部件也可以被视为是彼此“可操作地连接的”或者“可操作地耦合的”以实现期望的功能,并且能够被如此关联的任何两个部件也可以被视为是彼此“可操作地可耦合的”以实现期望的功能。可操作地可耦合的具体示例包括但不限于物理可配合(physically mateable)的部件和/或物理交互的部件和/或无线地可交互的部件和/或无线交互的部件和/或逻辑上交互的部件和/或逻辑上可交互的部件。
在此描述的主题的各个方面使用本领域技术人员通常采用以用于传达他们的工作的实质给本领域中其他人员的术语进行描述。然而,对本领域技术人员应当明显的是,可以仅利用所描述的方面中的某些方面来实践备选实现方式。出于说明的目的,阐述了特定数目、材料和配置,以便提供对说明性示例的透彻理解。然而,对本领域技术人员应当明显的是,备选实施例可以在没有这些具体细节的情况下实践。在其他实例中,为了不模糊说明性实施例而省略或者简化了公知的特征。
关于对在此的基本上任何复数术语和/或单数的术语的使用,在对上下文和/或应用而言合适时,本领域技术人员可以从复数转化到单数和/或从单数到复数。为了清楚起见,在此可以明确地阐述各种单数/多数置换。
本领域技术人员将理解的是,一般而言,在此使用的术语,并且尤其是在所附权利要求书(例如,所附权利要求的主体)中使用的术语通常旨在为“开放式”术语(例如,术语“包括”应当被解释为“包括但是不限于”,术语“具有”应当被解释为“至少具有”,术语“包含”应当被解释为“包含但是不限于”等)。本领域内技术人员还将理解的是,如果旨在所介绍的权利要求记载的具体数目,则这种意图将在权利要求中显式记载,而在没有这种记载的情况下,不存在这种意图。例如,作为对理解的辅助,随后的所附权利要求可以包含对介绍性短语“至少一个”、“一个或者多个”的使用以介绍权利要求记载。然而,使用此类短语不应当被解释为暗示通过不定冠词“一个”或者“一”介绍的权利要求记载将含有这种所介绍的权利要求记载的任何特定权利要求限制到仅含有一个这种记载的发明,即使当该相同权利要求包含介绍性短语“一个或者多个”或者“至少一个”以及诸如“一个”或者“一”之类的不定冠词时(例如,“一个”和/或“一”典型地应当被解释为意味着“至少一个”或者“一个或者多个”);对于用于所介绍的权利要求记载的定冠词的使用适用相同的规则。另外,即使明确地记载了所介绍的权利要求记载的具体数目,本领域技术人员也将认识到这种记载应当典型地被解释为意味着至少为所记载的数目(例如,在没有其他修饰语时,对“两个记载”的单独记载典型地意味着至少两个记载,或者两个或者更多个记载)。此外,在其中使用了类似于“A、B以及C等的至少一个”的习语的实例中,一般而言,这种结构旨在在本领域技术人员将理解该习语的意义中(例如,“具有A、B和C的至少一个的系统”将包括但是不限于仅具有A的系统、仅具有B的系统、仅具有C的系统、同时具有A和B的系统、同时具有A和C的系统、同时具有B和C的系统、和/或同时具有A、B和C的系统等)。在其中使用了类似于“A、B、或者C等的至少一个”的习语的实例中,一般而言,这种结构旨在在本领域技术人员将理解该习语的意义中(例如,“具有A、B、或者C的至少一个的系统”将包括但是不限于仅具有A的系统、仅具有B的系统、仅具有C的系统、同时具有A和B的系统、同时具有A和C的系统、同时具有B和C的系统、和/或同时具有A、B和C的系统等)。本领域技术人员还将理解的是,实际上表示两个或者更多个备选术语的任何转折词(disjunctive word)和/或短语,无论是在说明书中、在权利要求书中还是在附图中,都应当被理解为考虑到包括术语之一、术语的任一个或者术语两者的可能性。例如,短语“A或者B”将被理解为包含“A”或者“B”或者“A和B”的可能性。
各种操作可以被描述为依次的多个分立的操作,以可能有助于理解实施例的方式描述;然而,描述的顺序不应当被解释为暗示这些操作是依赖于顺序的。此外,实施例可以具有比所描述的操作更少的操作。对多个分立操作的描述不应当被解释为暗示所有操作都是必须的。此外,实施例可以具有比所描述的操作更少的操作。对多个分立操作的描述不应当被解释为暗示所有操作都是必须的。
除了其他以外,本公开涉及与通过追踪广告受众来生成针对多渠道广告环境中的广告事件的竞价有关的技术、方法、装置、系统、制品和非暂时性有形计算机可读介质。
所描述的实施例包括可以与生成针对多渠道广告环境的竞价相关联的技术、方法、装置、系统、制品、非暂时性有形计算机可读介质,在实施例中包括生成多渠道广告模型。在各种实施例中,多渠道广告模型可以用来追踪和估计各种广告和/或跨各种模型化的广告渠道针对个体广告受众发生的各种事件的效果。在各种实施例中,可以在广告受众访问web浏览器上的各种网站时跨多个广告渠道,诸如例如通过使用一个或者多个信息记录程序(cookies)对广告受众进行追踪。在各种实施例中,该系统可以被配置成计算已沿着销售漏斗发生的、由各种广告事件对转化事件的递增贡献。在各种实施例中,可以根据事件在最终转化上具有的边界贡献生成各种收益归因。在各种实施例中,模型可以基于由广告受众采取的动作和/或通过改变跨多个渠道的暴露水平来为登广告者提供对广告受众的价值通过时间以及广告受众的价值如何演进的估计。
在各种实施例中,多渠道竞价生成系统可以使用所生成的模型来生成指导资源到诸如搜索关键字和广告采购之类的营销选项和广告事件的分配的竞价策略,以便满足具体复合目标和性能准则。该策略可以有助于登广告者确定针对下一事件的一个或者多个竞价。在各种实施例中,竞价的生成可以由实时环境中的系统来执行。在各种实施例中,该系统可以诸如通过呈现可视化来辅助登广告者确定广告或者竞价预算。在某些实施例中,这些可视化可以图示预算量与预测收益之间的关系。在其他实施例中,这些可视化可以在每个渠道的基础上分解预算和/或收益,以有助于辅助登广告者做出广告决策。
图1图示了根据各种实施例的多渠道竞价生成系统100的选定部件的方框图。在所图示的示例中,多渠道竞价生成系统100与登广告者105进行通信,以促进登广告者选择针对诸如但是不限于搜索关键字和/或投放的广告之类的各种广告事件的竞价。在各种实施例中,登广告者可以为商品、服务、(真实的或者虚拟的)位置或者证明登广告是有用的其他产品或者实体登广告。在各种实施例中,登广告者可以代表单个个体或企业。在各种实施例中,登广告者可以通过由多渠道竞价生成系统100提供的接口(诸如通过基于web的接口,或者通过专用应用)来与多渠道竞价生成系统100进行交互。在各种实施例中,如下将要描述的,这些交互可以包括所提供的一个或者多个可视化,这些可视化由多渠道竞价生成系统100提供给登广告者105。
此外,如图1中所图示的,一个或者多个广告受众可以与多渠道竞价生成系统100进行交互,诸如通过系统追踪和/或接收针对广告受众的可以被存储在事件历史存储设备115中的事件历史。在各种实施例中,广告受众110可以是单个个体,诸如访问网站的人。在其他实施例中,广告受众110可以代表可以根据人口统计、工作、物理位置等关联在一起的多个个体。如所示,在各种实施例中,多个广告受众110可以同时与多渠道竞价生成系统100进行交互。在各种实施例中,可以关于多个产品针对各种广告受众追踪、接收和存储事件历史;在其他实施例中,可以关于相同产品追踪多个广告受众。以下更详细地描述追踪事件历史信息的示例。
在各种实施例中,包装货运促进系统100也可以与提供诸如网页181、搜索引擎183、和/或移动设备185之类的营销选项的一个或者多个实体进行交互。例如,多渠道竞价生成系统100可以利用网页、搜索引擎、和/或移动设备来促进针对广告事件的竞价的投放。在各种实施例中,多渠道竞价生成系统100可以充当用于针对广告事件进行竞价的市场,并且可以直接作用来对各种广告事件投放竞价。在其他实施例中,多渠道竞价生成系统100可以不直接与提供广告事件的实体进行交互,而是作为替代可以向登广告者105提供一个或者多个竞价策略,从而使得登广告者105可以自己针对广告事件投放竞价。
在各种实施例中,多渠道竞价生成系统100可以包括一个或者多个模块,诸如软件、硬件和/或固件模块,以执行各种建模、优化和竞价生成操作。在各种实施例中,这些模块它们本身可以与登广告者105、广告受众110和/或提供营销选项181、183和185的实体进行交互。在各种实施例中,这些模块可以彼此合并或者进一步划分,或者完全省略。
在各种实施例中,多渠道竞价生成系统100可以包括潜在因素确定模块120,其可以分析存储在事件历史存储设备中的事件历史,以确定一个或者多个潜在因素,潜在因素不必具有相关联的语义意义。在各种实施例中,潜在因素的示例可以是高的旅行意向与低的股票交易意向。以下讨论由潜在因素确定模块120执行的过程的实施例。在各种实施例中,多渠道竞价生成系统100也可以包括群集模块130,其可以在多渠道建模期间聚集广告受众和/或元数据。在各种实施例中,群集的示例可以是在加利福利亚的20-25岁的年龄群组中具有高的旅行倾向但是对于股票交易具有低意向的男性。以下讨论由群集模块130执行的过程的实施例。在各种实施例中,多渠道竞价生成系统100还可以包括价值估计模块140,其可以执行针对一个或者多个广告受众的价值估计,以基于事件历史中的事件确定由广告受众趋于转化提供的价值。以下讨论由价值估计模块140执行的过程的实施例。
此外,在各种实施例中,多渠道竞价生成系统100还可以包括附加的模块,以用于对通过以上提到的潜在因素建模模块120、群集模块130和价值估计模块140的操作生成的模型进行优化。这些模块可以包括到达预测模块150,其可以预测在其上可以示出广告的各种网站/平台上的广告受众的到达率。这些模块还可以包括竞价/成本关系估计模块160,其可以估计竞价和由这些竞价引发的成本之间的关系,诸如每千次展示成本(CMP)评估或者每点击成本(CPC)评估。在各种实施例中,竞价/成本关系估计模块160可以利用历史花费和竞价数据来执行该估计。在各种实施例中,历史数据可以存储在诸如历史花费和竞价数据存储设备165中。
在各种实施例中,多渠道竞价生成系统100还可以包括竞价生成模块170。在各种实施例中,竞价生成模块170可以诸如通过开发对一个或者多个竞价的投放进行指导的竞价策略来生成一个或者多个竞价。在各种实施例中,竞价生成模块170可以通过对通过其他模块的操作生成的模型进行优化来生成竞价策略。在一个实施例中,该优化可以通过使用模型同时受一个或者多个约束的影响来求解一个或者多个目标函数来执行。以下讨论由竞价生成模块170执行的过程的实施例。
在各种实施例中,多渠道竞价生成系统100还可以包括可视化模块180。在各种实施例中,可视化模块180可以生成待呈现给登广告者的一个或者多个可视化,以便使得可以通知登广告者竞价生成过程或者其他度量。在各种实施例中,可视化模块180可以生成针对例如预测收益与所分配的广告预算量之间的关系、针对所生成的竞价策略的成本分布、和/或针对所生成的竞价策略的预测收益分布的可视化。在各种实施例中,可视化模块180可以通过各种方式向登广告者提供可视化,诸如通过web浏览器生成包含可视化的网页,或者通过在专用软件应用上呈现可视化。
图2图示了多渠道竞价生成系统100至少部分基于由广告受众所经历的事件历史来生成一个或者多个竞价的示例过程200。在各种实施例中,在过程200中图示的操作可以被组合、被分裂成多个分离的操作、或者被完全省略。该过程可以在操作210处开始,在此处多渠道竞价生成系统100可以追踪针对个体广告受众的隐含收益事件历史。以下描述作为操作210的一部分而执行的各种操作的实施例。
在操作220处,多渠道竞价生成系统100可以生成多渠道广告环境模型。在各种实施例中,操作220可以由以下模块中的一个或者多个执行:潜在因素建模模块110、群集模块120、和/或价值估计模块130。以下描述作为操作220的一部分而执行的各种操作的实施例。
接下来,在操作230处,多渠道竞价生成系统100可以使用模型来执行优化,以确定在竞价策略中提供的一个或者多个竞价。在各种实施例中,操作220可以由竞价生成模块170使用从事件预测模块140以及竞价/成本关系估计模块160获得的信息来执行。在各种实施例中,多渠道竞价生成系统100可以通过求解数学优化问题来执行优化,该数学优化问题旨在增加和/或最大化在预定时间范围上的针对登广告者的一个或者多个预定可测量目标。这些可测量目标可以由目标函数限定。这些目标函数的示例包括但是不限于:最大化收益、最大化利润、最大化通信量、和/或最小化通信量获取/顾客获取成本。附加地,在各种实施例中,多渠道竞价生成系统100可以对模型执行优化,同时遵守预定约束。此类约束可以包括单不限于:
·对指向具体网站、关键字、广告网络和/或营销渠道的通信量的最小化/最大化约束;
·对关键字的最小化/最大化位置和竞价约束;
·对显示平台的竞价的最小化/最大化竞价约束;
·针对关键字、关键字群组、网站、网络、和/或渠道的最大化每千次展示成本或者每点击成本约束;以及
·不可以超过特定目标的每顾客获取成本约束。
在各种实施例中,优化问题可以被建模为数学编程问题。例如,如果所涉及的模型是线性模型,则该系统可以通过使用如CPLEX或者MINOS的标准线性编程/优化解算机来求解线性编程问题而进行优化。在其他实施例中,优化问题可以被公式化成非线性问题,并且采用多个非线性优化技术中的任何一个来求解。优化问题的解可以是竞价策略和/或广告预算分配策略。在各种实施例中,竞价生成模块170可以利用来自登广告者的、关于登广告者愿意放弃以将广告受众人群的部分暴露给具有稀疏的历史数据的广告的收益量的信息。
在操作240处,多渠道竞价生成系统100向登广告者呈现可视化,以便向登广告者图示潜隐的竞价策略,和/或以示出在广告预算中的改变可以怎样影响将获得的预测收益。在各种实施例中,操作240可以由可视化模块180执行。在某些实施例中,可视化模块180可以呈现预测收益与广告预算量之间的关系的可视化。在各种实施例中,可视化模块180可以向登广告者呈现对竞价策略可以怎样跨多个渠道分布的可视指示。在各种实施例中,这些分布可以包括多渠道收益的分布。在各种实施例中,这些分布可以包括多渠道成本的分布,诸如图示被推荐作为竞价策略的一部分的竞价量。
接下来,在操作250处,多渠道竞价生成系统100可以促进竞价的执行。在各种实施例中,操作250可以由竞价生成模块170执行。在各种实施例中,作为操作250的一部分,竞价生成模块170可以在改变可用营销策略选项背景中实施、监控、和/或调节登广告者的营销策略或者花费决策。在各种实施例中,竞价生成模块170可以诸如通过使用模型进行再优化而考虑到改变的组织的目标、预算和需求。在各种实施例中,多渠道竞价生成系统100可以被配置成基于提出广告受众具有较高的转化偏好的广告受众110的近来事件来采取各种事件。例如,如果确定广告受众很可能转化,则竞价生成模块170可以生成竞价,以在特定站点、显示交流和/或显示网络处示出更多广告,从而为搜索引擎上的附加列表付费,或者改变为认为用户很可能点击的关键字进行支付的最大意向。在操作250之后,该过程可以继而结束。
图3图示了多渠道竞价生成系统100追踪隐含收益事件历史的示例过程300,根据隐含收益事件历史该系统可以生成竞价策略。在各种实施例中,在过程300中图示的操作可以被组合、分裂成多个分离的操作、或者完全省略。在各种实施例中,过程300可以作为过程200的操作210的实现方式而执行。该过程可以在操作310处开始,其中,在某些实施例中,多渠道竞价生成系统100可以促进选择从其获取数据的广告受众的适当的群体。在操作320处,多渠道竞价生成系统100可以促进对时间窗口的计算,在该时间窗口中,将从所选的群体收集数据。例如,多渠道竞价生成系统100可以选择在预定时间窗口中多渠道竞价生成系统100第一次看见的所有广告受众的群体,并且该时间窗口可以被计算为与对群体的选择相匹配。在各种实施例中,群体可以由用户选择,诸如通过从由多渠道竞价生成系统100呈现给用户的选项中选择。在其他实施例中,多渠道竞价生成系统100本身可以选择适当的群体。在各种实施例中,可以根据各种个人数据或者其他数据,诸如例如通过人口统计、地理位置、收入、兴趣、和/或与系统100的交互,来限定群体。在各种实施例中,时间窗口可以由多渠道竞价生成系统100本身计算,或者可以由用户诸如在由多渠道竞价生成系统100提供的接口上输入。在某些实施例中,多渠道竞价生成系统100可以计算其事件细节在从第一事件开始的若干天内被捕获的广告受众的分数(fraction)。
在操作330处,多渠道竞价生成系统100可以追踪事件数据。在各种实施例中,事件数据表示登广告者表达的隐含收益意向。在各种实施例中,事件数据可以追踪在诸如搜索引擎、显示广告和社会媒体之类的多个渠道上展示、点击、和/或转化。在各种实施例中,这些交互可以通过在以下的一个或者多个上的视图来追踪:网页、电子邮件、和/或社会应用。在一个实施例中,该数据还可以包括针对不同事件类型的总计数。在操作340处,将所收集的数据存储在诸如事件历史存储设备115中。
图4图示了多渠道竞价生成系统100生成多渠道广告模型的示例过程400,系统100可以使用该模型来生成竞价策略。在各种实施例中,在过程400中所图示的操作可以被组合、被分裂成多个分离的操作、或者完全省略。在各种实施例中,过程400可以作为过程200的操作220的实现方式而执行。该过程可以在操作420处开始,其中,多渠道竞价生成系统100可以确定在生成模型中使用的一个或者多个潜在因素。在各种实施例中,操作420可以由潜在因素确定模块120执行。以下描述作为操作410的一部分执行的各种操作的实施例。
在操作430处,多渠道竞价生成系统100可以生成群集,诸如广告受众和/或事件元数据的群集,以在生成模型中使用。在各种实施例中,操作430可以由群集模块130执行。以下描述作为操作430的一部分执行的各种操作的实施例。在操作440处,多渠道竞价生成系统100可以执行针对广告受众的价值估计。例如,通过操作440,在给定针对广告受众发生的事件时间戳与事件集合的情况下,多渠道竞价生成系统100可以估计广告受众转化成登广告者感兴趣的收益度量的概率。在各种实施例中,系统100可以根据所估计的概率来预测由广告受众生成的收益。在各种实施例中,操作440可以由价值估计模块140执行。以下描述作为操作440的一部分执行的各种操作的实施例。
在块450处,多渠道竞价生成系统100可以确定针对各种广告受众的站点到达率。在各种实施例中,操作450可以由到达预测模块150执行。在块460处,多渠道竞价生成系统100可以估计竞价与由这些竞价引起的成本之间的关系。在各种实施例中,操作460可以由竞价/成本关系估计模块160执行,诸如通过使用存储在历史花费和竞价数据存储设备165中的历史花费和竞价数据来执行该估计。在各种实施例中,用于估计该关系的方法包括诸如线性回归、对数线性回归、非线性回归,以及时间序列模型之类的技术。
图5图示了潜在因素确定模块120确定针对多渠道广告模型的潜在因素的示例过程500。在各种实施例中,在过程500中图示的操作可以被组合、被分裂成多个分离的操作、或者完全省略。在各种实施例中,过程500可以作为过程400的操作420的实现方式而执行。该过程可以在操作510处开始,其中潜在因素确定模块120生成包含来自存储在事件历史存储设备上的事件数据的元数据信息的隐含意向矩阵。在各种实施例中,隐含意向矩阵可以捕获由登广告者表达的针对相应的元数据的隐含收益意向。在各种实施例中,元数据可以包括广告受众与之交互的关键字、网站、广告、和/或图像中的一个或多个的指示以及对多个事件的测量。在各种实施例中,基于事件计数,多渠道竞价生成系统100采取针对每个广告受众观测的事件的时间加权的凸组合,并且提供隐含收益意向值。在各种实施例中,隐含意向矩阵包括稀疏矩阵。
在操作520处,一旦生成了隐含意向矩阵,则如本领域普通技术人员将意识到的,潜在因素确定模块120可以对该矩阵进行因式分解。在各种实施例中,该因式分解可以产生对原始矩阵的缩放的和旋转的近似。在各种实施例中,潜在因素确定模块可以通过利用正则化参数求解优化问题来估计该近似矩阵。在某些实施例中,优化函数目标可以是针对广告受众的观测到的隐含意向与针对每个广告受众-元数据的组合的混合效果模型估计之间的差。在各种实施例中,可以向优化函数添加与混合效果模型中的参数的值成比例的正则化参数来防止过度拟合。
在操作530处,潜在因素确定模块120可以基于矩阵分解来选择潜在维数。在一个实施例中,潜在因素确定模块120可以通过选择对应于矩阵的最高n个特征值的第一n个维数来选择潜在维数。在各种实施例中,这些n个特征值可以考虑在数据中观测到的变化的大部分。继而,在操作540处,潜在因素确定模块120可以创建针对n个选定维数的简档。在一个实施例中,潜在因素确定模块120可以通过评估元数据维数在n个选定维数的精简集合上的负荷来创建这些简档。模块120继而可以使用如网站类型、关键字群组、社会应用的领域等信息来扼要描述(profile)选定的维数。该过程继而可以结束。
图6图示了群集模块130生成广告受众和元数据的群集以用于在多渠道广告模型中使用的示例过程600。在各种实施例中,在过程600中图示的操作可以被组合、分裂成多个分离的操作、或者完全省略。在各种实施例中,过程600可以作为过程400的操作430的实现方式而执行。
该过程可以在操作610处开始,其中群集模块130可以计算广告受众在图5的过程期间确定的潜在维数上的负荷和/或权重。在操作620处,群集模块130可以计算元数据在这些相同潜在维数上的负荷。在接下来的两个操作期间,对于所计算的负荷集合的每个集合,群集模块130可以使用标准群集过程,诸如k均方聚类、分级过程和/或概率过程来生成群集。例如,在操作630处,群集模块可以生成广告受众群集。在一个实施例中,这些群集可以表示对用户的细分。在操作640处,群集模块可以从元数据生成群集,诸如网站或者登广告者的群集。在各种实施例中,群集模块成功地生成元数据群集的程度可以依赖于在元数据空间中的群聚水平。该过程继而可以结束。
图7图示了价值估计模块140执行价值估计以用于在多渠道广告模型中使用的第一示例过程700。在各种实施例中,在给定针对广告受众发生的事件时间戳和事件集合的情况下,可以执行过程700以估计广告受众的转化概率。在各种实施例中,在过程700中图示的操作可以被组合、分裂成多个分离的操作、或完全省略。在各种实施例中,过程700可以作为过程400的操作440的实现方式而执行。
在图示的过程700的各种实施例中,通过考虑广告受众在特定事件之前已经经历的先前事件集合和先前事件序列,可以执行该过程以找出在给定时间点处特定事件的价值。过程700的各种实施例可以在不需要参考暂态数据或者基于时间的数据的情况下执行。在这些实施例中,价值估计模块140可以计算广告受众将转化到在销售漏斗中的第一收益事件的概率。在给定该信息的情况下,价值估计模块140可以基于所计算的概率找出广告受众的总价值。
在各种实施例中,过程700可以生成网络流模型,该模型的参数将通过动态编程或者倒推方法递归地估计。在各种实施例中,网络流模型中的状态可以表示在第一事件和所考虑的转化事件的发生之间已经发生的事件集合。在各种实施例中,通过举例来说而不是限制性的,事件包括搜索引擎营销点击;页面浏览,诸如来自自然搜索点击(organic search click);显示点击;显示展示;社会媒体展示;社会媒体点击;移动广告展示;和/或移动广告点击。
图8图示了诸如可以由过程700创建的网络流模型的示例实施例。在图8的示例中,每个状态表示在第一事件和当前时刻之间已经发生的一系列事件;在图8中,“P”表示通过搜索引擎优化(“SEO”)追踪的点击,“S”对应于通过搜索引擎营销(“SEM”)追踪的点击,并且“I”表示条幅广告展示。因此,节点810表示在搜索引擎优化的点击之后的状态,并且节点820表示在节点810的SEO点击之后接着两个其他SEO点击之后达到的状态。附加地,在各种实施例中,网络流模型可以包含明确表示转化状态的节点(节点830)、非转化状态的节点(节点840)、以及“池状态”状态的节点(节点850)。在各种实施例中,非转化状态可以对应于并不导致单个转化的状态集合。在各种实施例中,池状态可以包括被分组在一起以减少转化率变化和处理数据稀疏效果的事件序列状态的集合。
过程700可以在操作720处开始,其中价值估计模块140可以标识导致转化的那些状态(例如,事件集合)。例如,在操作720处,价值估计模块140可以将由节点820表示的状态标识为导致转化的状态。在操作730处,价值估计模块140可以创建表示在第一事件与转化状态之间的事件序列的中间状态。在图8中由节点815图示了中间状态的示例。在操作740处,价值估计模块140可以添加针对转化、非转化的状态以及池状态。
在操作750处,价值估计模块140可以生成有向无环图,其节点表示先前首先创建的第一状态、转化状态、非转化状态、池状态、以及中间状态。接下来,在操作760处,价值估计模块140可以估计针对每个状态的状态转化概率。在各种实施例中,价值估计模块140可以使用诸如倒推之类的动态编程来执行估计。继而,在操作770处,价值估计模块140可以针对广告受众在每个状态计算收益价值。在各种实施例中,价值估计模块140可以根据广告受众所处的状态与先前计算的转化概率计算广告受众价值。
图9图示了价值估计模块140执行价值估计以用于在多渠道广告模型中使用的第二示例过程900。在各种实施例中,在给定针对该广告受众发生的事件时间戳和事件集合的情况下,可以执行过程900以针对广告受众估计广告受众转化概率的价值。在各种实施例中,在过程900中图示的操作可以被组合、分裂成多个分离的操作、或者完全省略。在各种实施例中,可以将过程900作为过程400的操作440的实现方式而执行。
在所图示的过程900的各种实施例中,价值估计模块140可以基于针对广告受众发生的事件序列以及事件序列的时间戳来估计广告受众的价值。与图7的过程相对比,过程900的各种实施例可以参照这些时间戳执行。在这些实施例中,价值估计模块140可以力图拟合离散时间危险模型,以估计广告受众在给定时间点处的转化概率。在各种实施例中,模型的协变量包含但不限于网站、网站类别、搜索关键字类别、社会媒体兴趣、语言、广告尺寸、广告类型(例如,flash,html)、地理位置、从第一事件起的时间、第一事件类型、从上一事件起的时间、以及其他。
在各种实施例中,通过过程900的操作生成的模型可以基于某些协变量捕获基准危险函数。在其他实施例中,通过过程900的操作生成的模型可以并入在其他协变量的条件下对基准危险函数的偏移。过程900可以导致如下模型,其中转化的条件概率被重新参数化为协变量和协变量的事件在其中发生的关联的时间段的逻辑函数。在某些实施例中,该模型可以以在估计转化概率的时间段之前的任何时间段都未转化的广告受众为条件。
该过程可以在操作910处开始,其中价值估计模块140可以创建针对每个广告受众的离散时间事件历史。在操作910的各种实施例中,价值估计模块140可以通过使用为离散时间间隔编索引并且包含事件计数的虚拟变量序列来捕获模型中的时间效应。
接下来,在操作920处,价值估计模块140可以填充针对协变量的矩阵。在各种实施例中,感兴趣的事件的发生(诸如转化)也可以被记录为虚拟变量,其值在转化发生的时间段中为1。在各种实施例中,虚拟变量在针对给定广告受众的所有其他时间段中可以具有为0的值。在某些实施例中,价值估计模块140也可以利用针对并不使用信息记录程序用于追踪的渠道的信息记录程序丢弃和/或追踪代码删除的值来填充协变量矩阵。在各种实施例中,这些丢弃或者删除通过针对每个广告受众的在0与1之间的值来捕获。该捕获可以指示价值估计模块140相信针对广告受众已经发生审查。
在操作930处,价值估计模块140可以构建离散时间危险函数关于协变量的对数似然函数。在各种实施例中,这可以包括虚拟变量和危险概率参数。在操作940处,价值估计模块140可以使用修改的逻辑递归方法来估计模型的参数。在某些实施例中,该方法作为直接、最大化似然估计技术的替代来使用。根据这些模型参数,在操作950处,价值估计模块140继而可以计算针对广告受众的收益值。该过程继而可以结束。
图10图示了基于各种预算量的预测收益的示例可视化。在各种实施例中,在图10中图示的可视化示例由多渠道竞价生成系统100的可视化模块180生成。在各种实施例中,可视化模块180可以生成预算/收益关系可视化1010,诸如图10中图示的示例。该预算/收益关系可视化1010可以向登广告者示出基于各种广告预算量对于登广告者预测了多少收益。因此,在该图示的示例中,预测收益随着广告预算的增加而增加。然而,如例如图10中所图示的,该关系可以不是线性的。在各种实施例中,预测收益和广告预算之间的关系可以至少部分基于从价值估计模块140接收到的信息来生成。
在各种实施例中,可视化模块180可以允许登广告者,诸如在图10的录入点1020处录入预算量,并且允许其激活元件以示出诸如在图10的元素1030处的一个或者多个预算分配。图11图示了建议的预算分配的示例可视化,在各种实施例中,其可以响应于这种激活而生成。在图11的示例中,关于$5000的提议预算量做出了可视化。在各种实施例中,预算分配可视化可以至少部分基于从价值估计模块140和/或竞价生成模块170接收的信息来生成。
在各种实施例中,预算分配的可视化可以包括成本分布的可视化。在该可视化中,可视化模块180生成成本分布可视化1110。该可视化示出了$5000广告预算可以怎样在诸如搜索营销、显示广告和社会媒体之类的各种渠道之间划分。在各种实施例中,预算分配的可视化可以包括收益分布的可视化,诸如收益分布可视化1120。该可视化示出怎样预测将从各个渠道生成$22,251,69(可以被视为对应于图10的可视化中的$5000的预算分配)的预测收益。例如,在可视化1120中,收益可以来自各种渠道,诸如搜索营销、显示广告、以及社会媒体。
在某些实施例中,成本和收益信息也可以按照定量形式可视化,诸如在组合预算分配1130中。这示出了在可视化1110和1120中示出的相同信息,但是向渠道附加了具体量。在各种实施例中,由可视化模块180提供的可视化可以辅助登广告者选择竞价策略。在一个示例中,使用这些可视化允许登广告者更容易地理解花费在各种渠道上的成本与预测从这些渠道达到的收益之间的关系。因此,观看图11的可视化的登广告者可以意识到与搜索营销相比,显示广告关于它们的成本实际上产生了更多的收益。这可以提供在其他系统中未产生的认识,其他系统诸如先前描述的倾向于相对于提供知晓、兴趣和/或期望的渠道,过分强调基于意向的渠道的结果。在各种实施例中,可视化模块180提供的该可视化示例或者其他可视化可以作为在web浏览器上的网页而向登广告者呈现。在其他实施例中,该可视化可以通过专用软件应用来呈现。
在此描述的技术和装置可以实现在使用合适的硬件和/或软件的系统中以根据需要配置。对于一个实施例而言,图12图示了示例系统1200,其包括一个或多个处理器1204、耦合到处理器1204的至少一个处理器的系统控制逻辑1208、耦合到系统控制逻辑1208的系统存储器1212、耦合到系统控制逻辑1208的非易失性存储器(NVM)/存储设备1216、以及耦合到系统控制逻辑1208的一个或多个通信接口1220。
对于一个实施例而言,系统控制逻辑1208可以包括任何合适的接口控制器,以提供到处理器1204的至少一个处理器和/或到与系统控制逻辑1208进行通信的任何合适的设备或者部件的任何合适的接口。
对于一个实施例而言,系统控制逻辑1208可以包括一个或多个存储器控制器,以提供到系统存储器1212的接口。系统存储器1212可以用来例如为系统1200加载和存储数据和/或指令。对于一个实施例而言,系统存储器1212可以包括任何合适的易失性存储器,诸如例如合适的动态随机存取存储器(DRAM)。
对于一个实施例而言,系统控制逻辑1208可以包括一个或多个输入/输出(I/O)控制器,以提供到NVM/存储设备1216和通信接口1220的接口。
NVM/存储设备1216可以用来存储数据和/或指令,例如,NVM/存储设备1216可以包括任何合适的非易失性存储器或者非暂时性计算机可读介质,诸如例如快闪存储器,和/或可以包括任何合适的非易失性存储设备,诸如例如一个或多个硬盘驱动器(HDD)、一个或多个固态驱动器、一个或多个紧凑盘(CD)驱动器、和/或一个或多个数字通用盘(DVD)驱动器。
NVM/存储设备1216可以包括其上安装有系统1200或者系统1200可以由其访问的设备的存储设备资源物理部分,但是不必是该设备的一部分。例如,NVM/存储设备1216可以经由通信接口1220通过网络访问。
具体地,系统存储器1212和NVM/存储设备1216可以包括逻辑1224的临时副本和永久副本。逻辑1224可以被配置成使得系统1200能够响应于该逻辑的操作来实践先前描述的多渠道竞价生成技术的某些或者所有方面。在各种实施例中,逻辑1224可以经由多种编程语言中的任何一种编程语言的编程指令的来实现,该多种编程语言包括但是不限于:C、C++、C#、HTML、XML等。
通信接口1220可以为系统1200提供接口,以用于通过一个或多个网络进行通信和/或与任何其他合适的设备进行通信。通信接口1220可以包括任何合适的硬件和/或固件。对于一个实施例而言,通信接口1220可以包括例如网络适配器、无线网络适配器、电话调制解调器、和/或无线调制解调器。对于无线通信而言,对于一个实施例而言,通信接口1220可以使用一个或多个天线。
对于一个实施例而言,处理器1204中的至少一个处理器可以与用于系统控制逻辑1208的一个或者多个控制器的逻辑封装在一起。对于一个实施例而言,处理器1204中的至少一个处理器可以与用于系统控制逻辑1208的一个或者多个控制器的逻辑封装在一起,以形成系统封装(SiP)。对于一个实施例而言,处理器1204中的至少一个处理器可以与用于系统控制逻辑1208的一个或者多个控制器的逻辑集成在相同的裸片上。对于一个实施例而言,处理器1204中的至少一个处理器可以与系统控制逻辑1208中的一个或者多个控制器的逻辑集成在相同的裸片上,以形成片上系统(SoC)。
在各种实施例中,系统1200可以具有更多或者更少部件、和/或不同架构。
尽管在此出于描述优选实施例的目的已经图示和描述了某些实施例,但是本领域普通技术人员将理解,经计算以实现相同目的多种备选和/或等价实施例或实现方式在不脱离本公开范围的情况下可以替代所示出和描述的实施例。本领域技术人员将容易理解本公开的实施例可以按照多种方式来实现。本公开旨在覆盖在此讨论的实施例的任何适应或者变形。因此,明确地旨在使本公开的实施例仅由权利要求及其等价物限定。
Claims (41)
1.一种用于多渠道广告环境的竞价生成的计算机实现的方法,所述方法包括:
由计算设备跨多个广告渠道追踪针对个别广告受众的事件历史,所述事件历史包括一个或者多个非转化广告事件;
由所述计算设备评估包括所述一个或者多个非转化广告事件的所述事件历史,以确定针对所述个别广告受众执行一个或者多个潜隐的广告事件的价值;以及
基于所述评估的结果生成对一个或者多个广告渠道中的所述一个或者多个潜隐的广告事件的一个或者多个竞价,或者提供所述评估的所述结果以用于所述生成。
2.根据权利要求1所述的方法,其中跨多个广告渠道收集针对个别广告受众的事件历史包括使用web浏览器信息记录程序来追踪所述个别广告受众。
3.根据权利要求1所述的方法,其中跨多个广告渠道收集针对个别广告受众的事件历史包括使用追踪代码来追踪所述个别广告受众。
4.根据权利要求1所述的方法,其中评估所述事件历史包括由所述计算设备至少部分基于所述事件历史生成多渠道广告模型。
5.根据权利要求4所述的方法,其中生成一个或者多个竞价包括由所述计算设备至少部分基于所生成的模型来优化目标函数。
6.根据权利要求5所述的方法,还包括在竞价策略的指导下通过执行针对广告事件的一个或者多个竞价来执行所述竞价策略。
7.根据权利要求5所述的方法,其中优化所述目标函数包括在在服从一个或者多个约束的情况下优化所述目标函数。
8.根据权利要求4所述的方法,其中生成所述多渠道广告模型包括:
由所述计算设备基于所述事件历史确定一个或者多个潜在因素;
由所述计算设备生成广告实体和事件元数据的群集;以及
由所述计算设备执行针对广告受众的价值估计。
9.根据权利要求8所述的方法,其中生成所述多渠道广告模型还包括:
由所述计算设备确定广告受众在一个或者多个网站的到达率,其中针对所述网站开发所述多渠道广告模型;以及
由所述计算设备确定广告事件的成本。
10.根据权利要求8所述的方法,其中确定一个或者多个潜在因素包括:
由所述计算设备生成隐含收益意向矩阵;
由所述计算设备对所述隐含收益意向矩阵进行因式分解;
由所述计算设备选择所述隐含收益意向矩阵中的一个或者多个潜在维数;以及
由所述计算设备将所述潜在维数扼要描述为潜在因素。
11.根据权利要求8所述的方法,其中生成广告实体的群集包括:
由所述计算设备计算广告受众的负荷;以及
由所述计算设备生成广告受众群集。
12.根据权利要求11所述的方法,其中生成广告实体的群集还包括:
由所述计算设备计算元数据的负荷;以及
由所述计算设备生成元数据群集。
13.根据权利要求8所述的方法,其中执行针对广告受众的所述价值估计包括由所述计算设备基于由个别广告受众经历的事件序列执行价值估计。
14.根据权利要求13所述的方法,其中基于事件序列执行价值估计包括由所述计算设备基于所述事件序列计算所述个别广告受众将转化到所述登广告者的收益事件的概率。
15.根据权利要求14所述的方法,其中基于所述事件序列计算所述个别广告受众将转化到所述登广告者的收益事件的概率包括:
由所述计算设备创建具有表示事件序列的状态的模型;
由所述计算设备估计状态的转化概率;以及
由所述计算设备根据所述广告受众所处的状态与所述状态的所述转化概率估计针对所述广告受众的价值。
16.根据权利要求15所述的方法,其中创建所述模型包括:
由所述计算设备标识导致转化的状态;
由所述计算设备创建中间状态;
由所述计算设备添加针对转化事件和非转化事件的模型状态;
由所述计算设备添加池状态;以及
由所述计算设备创建关于所创建的状态的有向无环图。
17.根据权利要求13所述的方法,其中基于事件序列执行估值包括由所述计算设备基于时间戳化的事件序列执行所述估值。
18.根据权利要求17所述的方法,其中基于时间戳化的事件序列执行所述估值包括由所述计算设备拟合离散时间危险模型,以估计所述个别广告受众在给定时间点处的转化概率。
19.根据权利要求18所述的方法,其中拟合所述离散时间危险模型包括:
由所述计算设备创建针对所述个别广告受众的离散时间事件历史;
由所述计算设备填充针对时间有关的变量、转化发生、以及审查的协变量矩阵;
由所述计算设备生成针对所述离散时间危险模型的对数似然函数;以及
由所述计算设备估计所述模型的模型参数。
20.根据权利要求1所述的方法,还包括由所述计算设备生成向登广告者描述所述一个或者多个竞价的一个或者多个可视化。
21.根据权利要求20所述的方法,其中生成一个或者多个可视化包括针对所述一个或者多个竞价生成描述成本将怎样跨所述多个渠道分布的成本分布可视化。
22.根据权利要求20所述的方法,其中生成一个或者多个可视化包括针对所述一个或者多个竞价生成描述怎样预测收益将跨所述多个渠道生成的成本分布可视化。
23.一种用于为多渠道环境生成竞价的系统,所述系统包括:
一个或者多个计算机处理器;
事件历史存储设备,耦合到所述一个或者多个计算机处理器,所述事件历史存储设备被配置成存储针对一个或者多个广告受众的事件历史,所述事件历史包括并非基于广告受众意向的一个或者多个广告事件;
一个或者多个多渠道广告建模模块,耦合到所述事件历史存储设备,并且被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,至少部分基于所存储的事件历史生成多渠道广告模型;以及
竞价生成模块,耦合到所述一个或者多个多渠道广告建模模块,并且被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,至少部分基于所述多渠道广告模型生成指导针对广告事件的竞价的竞价策略。
24.根据权利要求23所述的系统,其中所述事件历史存储设备还被配置成基于web浏览器信息记录程序或者追踪代码来追踪事件历史信息。
25.根据权利要求23所述的系统,其中所述一个或者多个多渠道广告建模模块包括潜在因素建模模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,基于所存储的事件历史确定一个或者多个潜在因素。
26.根据权利要求23所述的系统,其中所述一个或者多个多渠道广告建模模块包括群集模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,聚集广告实体和事件元数据。
27.根据权利要求23所述的系统,其中所述一个或者多个多渠道广告建模模块包括价值估计模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,执行针对广告受众的价值估计。
28.根据权利要求23所述的系统,还包括到达预测模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,预测广告受众在一个或者多个网站的到达率,其中针对所述网站开发所述多渠道广告模型。
29.根据权利要求23所述的系统,还包括竞价/成本关系估计模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,估计针对广告事件的竞价的成本。
30.根据权利要求23所述的系统,还包括可视化模块,其被配置成控制所述一个或者多个处理器,以响应于由所述一个或者多个处理器进行的操作,生成描述所述竞价策略跨所述多渠道环境的成本分布和/或收益分布的一个或者多个可视化。
31.一种制品,包括:
有形计算机可读存储介质;以及
存储在所述有形计算机可读存储介质上的多个计算机可执行指令,其中所述计算机可执行指令,响应于由装置执行,使得所述装置执行用于生成用于指导针对广告事件的竞价的竞价策略的操作,所述操作包括:
跨多个广告渠道收集针对广告受众的事件历史,所述事件历史包括一个或者多个非转化广告事件;
至少部分基于所述事件历史生成多渠道广告模型;
至少部分基于所生成的模型来优化目标函数,以确定包括针对所述多个广告渠道中的广告事件的一个或者多个竞价的竞价策略;以及
通过在所述多个广告渠道的竞价策略的指导下执行针对广告事件的一个或者多个竞价来执行所述竞价策略。
32.根据权利要求31所述的制品,其中跨多个广告渠道收集针对个别广告受众的事件历史包括使用web浏览器信息记录程序或者追踪代码来追踪所述个别广告受众。
33.根据权利要求31所述的制品,其中生成多渠道广告模型包括:
基于所述事件历史确定一个或者多个潜在因素;
生成广告实体的群集;
执行针对广告受众的价值估计;
确定广告受众在一个或者多个网站的到达率,其中针对所述网站开发所述多个广告渠道模型;以及
确定广告事件的成本。
34.根据权利要求32所述的制品,其中确定一个或者多个潜在因素包括:
生成隐含收益意向矩阵;
对所述隐含收益意向矩阵进行因式分解;
选择所述隐含收益意向矩阵中的一个或者多个潜在维数;以及
将潜在维数扼要描述为潜在因素。
35.根据权利要求32所述的制品,其中生成广告实体的群集包括:
计算广告受众的负荷;
生成广告受众群集;
计算元数据的负荷;以及
生成元数据群集。
36.根据权利要求32所述的制品,其中执行针对广告受众的所述价值估计包括基于所述事件序列计算所述个别广告受众将转化成所述登广告者的收益事件的概率。
37.根据权利要求36所述的制品,其中基于所述事件序列计算所述个别广告受众将转化成所述登广告者的收益事件的概率包括:
创建具有表示事件序列的状态的模型;
估计状态的转化概率;以及
根据广告受众所处的状态与所述转化概率估计针对所述广告受众的价值。
38.根据权利要求32所述的制品,其中执行针对广告受众的所述价值估计包括由所述计算设备基于时间戳化的事件序列来执行所述价值估计。
39.根据权利要求38所述的制品,其中基于时间戳化的事件序列来执行所述价值估计包括拟合离散时间危险模型,以通过以下操作估计在给定时间点处所述个别广告受众的转化概率:
创建针对所述个别广告受众的离散时间事件历史;
填充针对时间有关的变量、转化发生、以及审查的协变量矩阵;
为所述离散时间危险模型生成对数似然函数;以及
估计所述模型的模型参数。
40.根据权利要求31所述的制品,其中所述操作还包括针对所述竞价策略,生成描述成本将怎样跨所述多个广告渠道分布的成本分布可视化。
41.根据权利要求31所述的制品,其中所述操作还包括针对所述竞价策略,生成描述收益将怎样跨所述多个渠道生成的成本分布可视化。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US24387309P | 2009-09-18 | 2009-09-18 | |
US61/243,873 | 2009-09-18 | ||
PCT/US2010/049332 WO2011035156A2 (en) | 2009-09-18 | 2010-09-17 | Advertisee-history-based bid generation system and method for multi-channel advertising |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102640179A true CN102640179A (zh) | 2012-08-15 |
Family
ID=43757451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010800416074A Pending CN102640179A (zh) | 2009-09-18 | 2010-09-17 | 用于多渠道广告的基于广告受众历史的竞价生成系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20110071900A1 (zh) |
JP (1) | JP5975875B2 (zh) |
CN (1) | CN102640179A (zh) |
WO (1) | WO2011035156A2 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631698A (zh) * | 2014-11-24 | 2016-06-01 | 奥多比公司 | 用于策略部署的风险量化 |
CN107330725A (zh) * | 2017-06-29 | 2017-11-07 | 北京酷云互动科技有限公司 | 广告价值评估方法、预算分配方法、投入评估方法及系统 |
TWI622889B (zh) * | 2016-09-06 | 2018-05-01 | 創意引晴股份有限公司 | 可視化廣告投放系統、可視化廣告投放方法及廣告播放方法 |
CN108876472A (zh) * | 2018-07-02 | 2018-11-23 | 微梦创科网络科技(中国)有限公司 | 一种信息投放方法与装置 |
CN109242521A (zh) * | 2017-07-11 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种预定消耗额度的分配方法及装置 |
CN109636490A (zh) * | 2019-01-25 | 2019-04-16 | 上海基分文化传播有限公司 | 广告转化率的实时预测方法、广告评价方法与系统 |
CN110622196A (zh) * | 2017-09-18 | 2019-12-27 | 谷歌有限责任公司 | 评估依赖于聚合历史数据的模型 |
CN111563772A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 广告信息访问质量确定方法、装置、电子设备及存储介质 |
CN113473187A (zh) * | 2015-07-24 | 2021-10-01 | 安普视频有限公司 | 广告投放的跨屏优化 |
CN117408751A (zh) * | 2023-12-15 | 2024-01-16 | 江西时刻互动科技股份有限公司 | 一种多渠道的广告投放管理方法 |
Families Citing this family (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9065727B1 (en) | 2012-08-31 | 2015-06-23 | Google Inc. | Device identifier similarity models derived from online event signals |
US8843619B2 (en) * | 2009-12-10 | 2014-09-23 | Sysomos Inc. | System and method for monitoring visits to a target site |
US20120046996A1 (en) * | 2010-08-17 | 2012-02-23 | Vishal Shah | Unified data management platform |
US20140365298A1 (en) * | 2010-09-28 | 2014-12-11 | Google Inc. | Smart budget recommendation for a local business advertiser |
US20120166291A1 (en) * | 2010-12-23 | 2012-06-28 | Yahoo! Inc. | Bid generation for sponsored search |
US9037483B1 (en) * | 2011-04-07 | 2015-05-19 | Aggregate Knowledge, Inc. | Multi-touch attribution model for valuing impressions and other online activities |
US8788339B2 (en) * | 2011-05-27 | 2014-07-22 | Google Inc. | Multiple attribution models with return on ad spend |
US20140278981A1 (en) * | 2011-10-06 | 2014-09-18 | Gueorgui Mersov | Automated allocation of media via network |
US20150142565A1 (en) * | 2011-10-14 | 2015-05-21 | Xuefu Wang | Targeting Content Based On Local Queries |
WO2013116105A1 (en) * | 2012-02-01 | 2013-08-08 | Google Inc. | Alterations of calculations in attribution modeling |
US20130231977A1 (en) * | 2012-02-06 | 2013-09-05 | Kenshoo Ltd. | System, method and computer program product for attributing a value associated with a series of user interactions to individual interactions in the series |
US20160328739A1 (en) * | 2012-02-06 | 2016-11-10 | Kenshoo Ltd. | Attribution of values to user interactions in a sequence |
US9430738B1 (en) | 2012-02-08 | 2016-08-30 | Mashwork, Inc. | Automated emotional clustering of social media conversations |
US8856130B2 (en) * | 2012-02-09 | 2014-10-07 | Kenshoo Ltd. | System, a method and a computer program product for performance assessment |
US9053185B1 (en) | 2012-04-30 | 2015-06-09 | Google Inc. | Generating a representative model for a plurality of models identified by similar feature data |
US8527526B1 (en) | 2012-05-02 | 2013-09-03 | Google Inc. | Selecting a list of network user identifiers based on long-term and short-term history data |
US8914500B1 (en) | 2012-05-21 | 2014-12-16 | Google Inc. | Creating a classifier model to determine whether a network user should be added to a list |
US9183562B2 (en) * | 2012-06-08 | 2015-11-10 | Visual Iq, Inc. | Method and system for determining touchpoint attribution |
US8886575B1 (en) | 2012-06-27 | 2014-11-11 | Google Inc. | Selecting an algorithm for identifying similar user identifiers based on predicted click-through-rate |
US8874589B1 (en) | 2012-07-16 | 2014-10-28 | Google Inc. | Adjust similar users identification based on performance feedback |
US8782197B1 (en) | 2012-07-17 | 2014-07-15 | Google, Inc. | Determining a model refresh rate |
US8886799B1 (en) | 2012-08-29 | 2014-11-11 | Google Inc. | Identifying a similar user identifier |
US10229424B1 (en) | 2012-09-10 | 2019-03-12 | Google Llc | Providing online content |
US9473584B2 (en) * | 2012-12-20 | 2016-10-18 | Daniel Sullivan | Contribution filtering for online community advocacy management platform |
US20140214535A1 (en) * | 2013-01-30 | 2014-07-31 | Google Inc. | Content sequencing |
US20140222586A1 (en) * | 2013-02-05 | 2014-08-07 | Goodle Inc. | Bid adjustment suggestions based on device type |
US10628858B2 (en) | 2013-02-11 | 2020-04-21 | Facebook, Inc. | Initiating real-time bidding based on expected revenue from bids |
US9733917B2 (en) * | 2013-02-20 | 2017-08-15 | Crimson Corporation | Predicting whether a party will purchase a product |
US20140278945A1 (en) * | 2013-03-15 | 2014-09-18 | Microsoft Corporation | Online allocation with minimum targets |
US9626691B2 (en) | 2013-05-02 | 2017-04-18 | Google Inc. | Determining a bid modifier value to maximize a return on investment in a hybrid campaign |
US20140372203A1 (en) * | 2013-06-14 | 2014-12-18 | Microsoft Corporation | Quality-weighted second-price auctions for advertisements |
US8983863B2 (en) * | 2013-07-15 | 2015-03-17 | Azul Mobile, Inc. | Bidding engine for intention-based e-commerce among buyers and competing sellers |
US9489692B1 (en) | 2013-10-16 | 2016-11-08 | Google Inc. | Location-based bid modifiers |
US8935247B1 (en) | 2013-10-21 | 2015-01-13 | Googel Inc. | Methods and systems for hierarchically partitioning a data set including a plurality of offerings |
US10614491B2 (en) | 2013-11-06 | 2020-04-07 | Google Llc | Content rate display adjustment between different categories of online documents in a computer network environment |
CN103606098A (zh) * | 2013-11-29 | 2014-02-26 | 北京随视传媒科技股份有限公司 | 一种网络实时竞价控制方法及装置 |
US9852439B2 (en) | 2013-12-05 | 2017-12-26 | Google Llc | Methods and systems for measuring conversion probabilities of paths for an attribution model |
US20150186928A1 (en) * | 2013-12-31 | 2015-07-02 | Anto Chittilappilly | Real-time marketing portfolio optimization and reapportioning |
US20150186924A1 (en) | 2013-12-31 | 2015-07-02 | Anto Chittilappilly | Media spend optimization using a cross-channel predictive model |
JP5984147B2 (ja) * | 2014-03-27 | 2016-09-06 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、情報処理方法、及び、プログラム |
US11386454B1 (en) | 2014-08-29 | 2022-07-12 | Cpl Assets, Llc | Systems, methods, and devices for optimizing advertisement placement |
US20160210657A1 (en) * | 2014-12-30 | 2016-07-21 | Anto Chittilappilly | Real-time marketing campaign stimuli selection based on user response predictions |
US10672027B1 (en) * | 2015-03-10 | 2020-06-02 | Cpl Assets, Llc | Systems, methods, and devices for determining predicted enrollment rate and imputed revenue for inquiries associated with online advertisements |
US20170061502A1 (en) * | 2015-08-31 | 2017-03-02 | Ebay Inc. | Unified cross-channel advertisement platform |
MA42846A (fr) | 2015-09-18 | 2018-07-25 | Mms Usa Holdings Inc | Identification universelle |
US20190279236A1 (en) * | 2015-09-18 | 2019-09-12 | Mms Usa Holdings Inc. | Micro-moment analysis |
JP5965046B1 (ja) * | 2015-12-01 | 2016-08-03 | デジタル・アドバタイジング・コンソーシアム株式会社 | 情報処理装置及び情報処理方法 |
US10740789B2 (en) * | 2015-12-10 | 2020-08-11 | Facebook, Inc. | Modifying advertisement bids using predicted advertisement performance |
US20170358009A1 (en) * | 2016-06-13 | 2017-12-14 | Appnexus, Inc. | Online ad auction based on predicted ad space view-ability |
US10068188B2 (en) | 2016-06-29 | 2018-09-04 | Visual Iq, Inc. | Machine learning techniques that identify attribution of small signal stimulus in noisy response channels |
US10057345B2 (en) | 2016-10-11 | 2018-08-21 | Google Llc | Optimization of a multi-channel system using a feedback loop |
CN108154377B (zh) * | 2016-12-06 | 2022-03-15 | 北京国双科技有限公司 | 广告作弊预测方法及装置 |
US20190026775A1 (en) * | 2017-07-18 | 2019-01-24 | Facebook, Inc. | Placement exploration |
US11295345B1 (en) * | 2019-03-28 | 2022-04-05 | Airbnb, Inc. | Cross-channel personalized marketing optimization |
US20220108333A1 (en) * | 2020-10-01 | 2022-04-07 | Maplebear Inc. (Dba Instacart) | Providing search suggestions based on previous searches and conversions |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020029186A1 (en) * | 1997-01-22 | 2002-03-07 | Roth David William | Internet advertising system |
US20050071218A1 (en) * | 2003-06-30 | 2005-03-31 | Long-Ji Lin | Methods to attribute conversions for online advertisement campaigns |
CN1761972A (zh) * | 2003-03-18 | 2006-04-19 | Nhn株式会社 | 判断因特网用户意图的方法以及利用该判断方法进行因特网广告的方法及其系统 |
CN101253526A (zh) * | 2005-08-11 | 2008-08-27 | 康塔网络公司 | 基于因特网的广告或服务的投放和定价的方法和系统 |
US20080255915A1 (en) * | 2005-07-29 | 2008-10-16 | Yahoo! Inc. | System and method for advertisement management |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6230146B1 (en) * | 1998-09-18 | 2001-05-08 | Freemarkets, Inc. | Method and system for controlling closing times of electronic auctions involving multiple lots |
US6907566B1 (en) * | 1999-04-02 | 2005-06-14 | Overture Services, Inc. | Method and system for optimum placement of advertisements on a webpage |
US7035812B2 (en) * | 1999-05-28 | 2006-04-25 | Overture Services, Inc. | System and method for enabling multi-element bidding for influencing a position on a search result list generated by a computer network search engine |
US6269361B1 (en) * | 1999-05-28 | 2001-07-31 | Goto.Com | System and method for influencing a position on a search result list generated by a computer network search engine |
US6792399B1 (en) * | 1999-09-08 | 2004-09-14 | C4Cast.Com, Inc. | Combination forecasting using clusterization |
US20080097830A1 (en) * | 1999-09-21 | 2008-04-24 | Interpols Network Incorporated | Systems and methods for interactively delivering self-contained advertisement units to a web browser |
JP4620842B2 (ja) * | 2000-07-11 | 2011-01-26 | 株式会社 ボルテージ | 出稿計画作成システムおよび出稿計画作成方法 |
US7912868B2 (en) * | 2000-05-02 | 2011-03-22 | Textwise Llc | Advertisement placement method and system using semantic analysis |
US7406436B1 (en) * | 2001-03-22 | 2008-07-29 | Richard Reisman | Method and apparatus for collecting, aggregating and providing post-sale market data for an item |
JP2005514708A (ja) * | 2001-12-28 | 2005-05-19 | ファインドワット.コム | 一般的媒体によるペイ・フォー・パフォーマンス広告のためのシステムおよび方法 |
JP2003216864A (ja) * | 2002-01-21 | 2003-07-31 | Japan Telecom Co Ltd | 広告配信装置及び広告配信方法 |
US7403904B2 (en) * | 2002-07-19 | 2008-07-22 | International Business Machines Corporation | System and method for sequential decision making for customer relationship management |
US7870017B2 (en) * | 2003-02-26 | 2011-01-11 | Efficient Frontier | Method and apparatus for position bidding |
US8489460B2 (en) * | 2003-02-26 | 2013-07-16 | Adobe Systems Incorporated | Method and apparatus for advertising bidding |
US20040225562A1 (en) * | 2003-05-09 | 2004-11-11 | Aquantive, Inc. | Method of maximizing revenue from performance-based internet advertising agreements |
US20050144068A1 (en) * | 2003-12-19 | 2005-06-30 | Palo Alto Research Center Incorporated | Secondary market for keyword advertising |
US20070214133A1 (en) * | 2004-06-23 | 2007-09-13 | Edo Liberty | Methods for filtering data and filling in missing data using nonlinear inference |
US20070027760A1 (en) * | 2005-07-29 | 2007-02-01 | Collins Robert J | System and method for creating and providing a user interface for displaying advertiser defined groups of advertisement campaign information |
US8332269B2 (en) * | 2006-06-27 | 2012-12-11 | Adchemy, Inc. | System and method for generating target bids for advertisement group keywords |
US8527352B2 (en) * | 2006-10-30 | 2013-09-03 | Adchemy, Inc. | System and method for generating optimized bids for advertisement keywords |
US20080114639A1 (en) * | 2006-11-15 | 2008-05-15 | Microsoft Corporation | User interaction-biased advertising |
CN101669131B (zh) * | 2006-12-15 | 2014-07-09 | 埃森哲环球服务有限公司 | 交叉渠道优化系统和方法 |
US7953676B2 (en) * | 2007-08-20 | 2011-05-31 | Yahoo! Inc. | Predictive discrete latent factor models for large scale dyadic data |
US8218741B2 (en) * | 2007-11-26 | 2012-07-10 | Google Inc. | Telephone number-based advertising |
US20100257058A1 (en) * | 2009-04-06 | 2010-10-07 | Microsoft Corporation | Advertising bids based on user interactions |
US20100306161A1 (en) * | 2009-05-29 | 2010-12-02 | Yahoo! Inc. | Click through rate prediction using a probabilistic latent variable model |
US20110047025A1 (en) * | 2009-08-24 | 2011-02-24 | Yahoo! Inc. | Immediacy targeting in online advertising |
WO2012021376A2 (en) * | 2010-08-08 | 2012-02-16 | Kenshoo Ltd. | A method for efficiently allocating an advertising budget between web advertising entities |
-
2010
- 2010-09-17 CN CN2010800416074A patent/CN102640179A/zh active Pending
- 2010-09-17 JP JP2012529936A patent/JP5975875B2/ja active Active
- 2010-09-17 US US12/884,828 patent/US20110071900A1/en not_active Abandoned
- 2010-09-17 WO PCT/US2010/049332 patent/WO2011035156A2/en active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020029186A1 (en) * | 1997-01-22 | 2002-03-07 | Roth David William | Internet advertising system |
CN1761972A (zh) * | 2003-03-18 | 2006-04-19 | Nhn株式会社 | 判断因特网用户意图的方法以及利用该判断方法进行因特网广告的方法及其系统 |
US20050071218A1 (en) * | 2003-06-30 | 2005-03-31 | Long-Ji Lin | Methods to attribute conversions for online advertisement campaigns |
US20080255915A1 (en) * | 2005-07-29 | 2008-10-16 | Yahoo! Inc. | System and method for advertisement management |
CN101253526A (zh) * | 2005-08-11 | 2008-08-27 | 康塔网络公司 | 基于因特网的广告或服务的投放和定价的方法和系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631698B (zh) * | 2014-11-24 | 2021-11-26 | 奥多比公司 | 用于策略部署的风险量化 |
CN105631698A (zh) * | 2014-11-24 | 2016-06-01 | 奥多比公司 | 用于策略部署的风险量化 |
CN113473187A (zh) * | 2015-07-24 | 2021-10-01 | 安普视频有限公司 | 广告投放的跨屏优化 |
CN113473187B (zh) * | 2015-07-24 | 2023-10-10 | 安普视频有限公司 | 广告投放的跨屏优化 |
TWI622889B (zh) * | 2016-09-06 | 2018-05-01 | 創意引晴股份有限公司 | 可視化廣告投放系統、可視化廣告投放方法及廣告播放方法 |
CN107330725A (zh) * | 2017-06-29 | 2017-11-07 | 北京酷云互动科技有限公司 | 广告价值评估方法、预算分配方法、投入评估方法及系统 |
CN109242521A (zh) * | 2017-07-11 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种预定消耗额度的分配方法及装置 |
CN110622196A (zh) * | 2017-09-18 | 2019-12-27 | 谷歌有限责任公司 | 评估依赖于聚合历史数据的模型 |
CN110622196B (zh) * | 2017-09-18 | 2023-11-28 | 谷歌有限责任公司 | 评估依赖于聚合历史数据的模型 |
CN108876472A (zh) * | 2018-07-02 | 2018-11-23 | 微梦创科网络科技(中国)有限公司 | 一种信息投放方法与装置 |
CN109636490A (zh) * | 2019-01-25 | 2019-04-16 | 上海基分文化传播有限公司 | 广告转化率的实时预测方法、广告评价方法与系统 |
CN111563772A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 广告信息访问质量确定方法、装置、电子设备及存储介质 |
CN111563772B (zh) * | 2020-04-30 | 2023-07-25 | 北京百度网讯科技有限公司 | 广告信息访问质量确定方法、装置、电子设备及存储介质 |
CN117408751A (zh) * | 2023-12-15 | 2024-01-16 | 江西时刻互动科技股份有限公司 | 一种多渠道的广告投放管理方法 |
CN117408751B (zh) * | 2023-12-15 | 2024-04-09 | 江西时刻互动科技股份有限公司 | 一种多渠道的广告投放管理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP5975875B2 (ja) | 2016-08-23 |
WO2011035156A2 (en) | 2011-03-24 |
WO2011035156A3 (en) | 2011-07-21 |
JP2013505504A (ja) | 2013-02-14 |
US20110071900A1 (en) | 2011-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102640179A (zh) | 用于多渠道广告的基于广告受众历史的竞价生成系统和方法 | |
Kireyev et al. | Do display ads influence search? Attribution and dynamics in online advertising | |
Wedel et al. | Marketing analytics for data-rich environments | |
Xie et al. | Social media and brand purchase: Quantifying the effects of exposures to earned and owned social media activities in a two-stage decision making model | |
Li et al. | Attributing conversions in a multichannel online marketing environment: An empirical model and a field experiment | |
Yun et al. | Challenges and future directions of computational advertising measurement systems | |
US8655695B1 (en) | Systems and methods for generating expanded user segments | |
AU2012294601B2 (en) | Cross-media attribution model for allocation of marketing resources | |
TWI476716B (zh) | 整合及綜合廣告活動管理與最佳化 | |
US20120046996A1 (en) | Unified data management platform | |
US20050071218A1 (en) | Methods to attribute conversions for online advertisement campaigns | |
US20120158456A1 (en) | Forecasting Ad Traffic Based on Business Metrics in Performance-based Display Advertising | |
US8682839B2 (en) | Predicting keyword monetization | |
Singh et al. | How to maximize clicks for display advertisement in digital marketing? A reinforcement learning approach | |
CN103942236A (zh) | 用于供应电子内容的系统和方法 | |
Tucker | The implications of improved attribution and measurability for antitrust and privacy in online advertising markets | |
US20120271708A1 (en) | Integrated and comprehensive advertising campaign selection and implementation | |
Schultz et al. | Consumer-driven media planning and buying | |
US20160140577A1 (en) | Unified marketing model based on conduit variables | |
CN102880696A (zh) | 广告放置 | |
US10672035B1 (en) | Systems and methods for optimizing advertising spending using a user influenced advertisement policy | |
US20120130828A1 (en) | Source of decision considerations for managing advertising pricing | |
US20210382952A1 (en) | Web content organization and presentation techniques | |
Obal et al. | Improving banner ad strategies through predictive modeling | |
Bucklin et al. | Marketing models for internet advertising |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120815 |
|
RJ01 | Rejection of invention patent application after publication |