CN1433552A - 使用广告业务组合模型的综合广告管理系统 - Google Patents

Abstract

本发明披露了一种可以降低单独广告产品的广告交易风险的广告业务组合模型。在根据本发明的广告业务组合模型中，首先，获得用于确定综合广告风险管理指数的关系表达式，综合广告风险管理指数是利用统计学方法表示在进行广告宣传期间广告产品可能以一定概率承受的最大不希望损失量的指数，其次，根据广告产品观测数据计算广告产品的多个相关系数数据，再次，推断广告产品最佳组合，从而根据用于确定综合广告风险管理指数的关系表达式和多个相关系数数据或已间接考虑到相关性的观测数据，对广告产品的效果、效率或风险中至少之一进行分析，因此本发明可以为赞助商提供广告产品最佳组合。

Description

使用广告业务组合模型 的综合广告管理系统

技术领域

本发明涉及广告业务组合模型(portfolio model)、使用广告业务组合模型的综合广告风险管理系统以及利用广告业务组合模型进行投资决策的方法。

背景技术

通常，根据赞助商的广告策略以及包括广告预算、广告宣传活动的周期、广告量、待使用的广告媒体和广告产品以及广告材料及其媒体模式在内的基本情况，赞助商对实际购买节目进行决策，此外，除了这些条件之外，特别对于赞助商来说要考虑的决策因素还包括：选择要使用的广告媒体、广告产品与公司形象或产品形象的一致性、赞助商可以接受的广告效率基准值(根据广告成本和诸如收视率的多种调查数据计算)、已接触此广告媒体的消费者的反应率(问卷或资料请求的收集率、产品购买率等)；以及赞助商根据利用统计学方法由各种抽样调查确定的调查数据(范围与频率、引起注意的比率、赏识的比率等)中的数值设定的广告效率目标值。

已经开发出基于现有技术的购买广告产品的最佳模型，以通过对广告媒体特定的相应统计数据(例如：收视率和/或订购率)进行分析，提出广告计划。

然而，上述涉及根据现有技术的购买广告产品的最佳模型不能为可能考虑到广告产品与赞助商的关系或统计调查项目之外的评估参数的每个赞助商提供任何单独定制的广告计划。

此外，已经开发出来的涉及购买广告产品的现有技术最佳模型是利用诸如收视率或订购率的常规抽样调查，对各种统计数据进行分析，并且因为此原因，所以在为各个赞助商特别定制的广告效率方面不能提供评估方法和评估判据。

此外，在现有技术中，由于没有可以确定购买广告产品风险的指数，所以阻碍了对可以降低广告交易风险的广告产品的开发。

发明内容

考虑到上述现有技术的有关问题，本发明的一个目的是提供一种包括广告产品最佳组合的广告业务组合模型。

利用广告业务组合模型可以实现本发明的上述目的，首先，获得用于确定综合广告风险管理指数的关系表达式，综合广告风险管理指数是利用统计学方法表示在进行广告宣传期间广告产品可能以一定概率承受的最大不希望损失量的指数；其次，根据广告产品的观测数据，计算广告产品的多个相关系数数据；再次，推断广告产品最佳组合，从而根据用于确定综合广告风险管理指数的关系表达式和多个相关系数数据或间接考虑到相关性的观测数据，对广告产品的作用、效率或风险中至少之一进行分析。

在根据本发明的广告业务组合模型中，广告产品可以至少包括两个或更多个不同广告产品。

在根据本发明的广告业务组合模型中，所制作的广告产品至少包括一个广告衍生产品。

在根据本发明的广告业务组合模型中，制作广告衍生产品用于衡量单独广告交易中的风险，并同时用于降低单独广告交易风险。

此外，本发明的另一个目的是提供一种综合广告风险管理系统，该系统可以使赞助商通过对赞助商拥有的广告产品适用上述广告业务组合，实现综合投资决策。

利用采用最佳广告业务组合模型对广告产品的效果、效率或风险中至少之一进行分析的综合广告风险管理系统，可以实现本发明的上述目的，所述系统包括：输入装置，用于输入计算综合广告风险管理指数所需的设定条件；模型生成装置，首先，通过根据输入装置输入的设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值，其次，通过根据所购买广告产品的一个数据对购买的广告产品计算多个相关系数数据，产生多个广告业务组合模型；验证装置，用于将所产生的多个广告业务组合模型与提供该广告产品期间的实际数据进行比较，并用于验证所述多个广告业务组合模型是否适合真实条件；以及选择装置，用于根据所述验证装置的验证结果，从所述多个广告业务组合模型中选择对于广告产品的风险分析和效果分析最适当的广告业务组合模型。

在采用根据本发明的广告业务组合模型的综合广告风险管理系统中，广告产品可以至少包括两个或更多个不同广告产品。

在采用根据本发明的广告业务组合模型的综合广告风险管理系统中，所制作的广告产品至少包括一个广告衍生产品。

在采用根据本发明的广告业务组合模型的综合广告风险管理系统中，制作广告衍生产品以衡量单独广告交易风险并同时降低单独广告交易风险。

在采用根据本发明的广告业务组合模型的综合广告风险管理系统中，可以利用从由与收视率、每密耳成本(cost per mil(CPM))、范围、频率以及赏识有关的数值构成的组中选择的两个或更多个数值来表示与广告效果和广告效率有关的多个数值。

此外，本发明的另一个目的是提供一种投资决策方法，利用该投资决策方法，赞助商可以利用上述广告业务组合模型对所拥有的广告产品进行综合投资决策。

利用采用广告业务组合模型的投资决策方法可以实现本发明的上述目的，该方法包括下列步骤：输入计算综合广告风险管理指数所需的设定条件；根据输入装置输入的设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值；根据购买的广告产品的广告产品数据对购买的广告产品计算多个相关系数数据；根据计算结果，产生多个广告业务组合模型；将所产生的多个广告业务组合模型与提供所购买的广告产品期间的实际数据进行比较；根据比较结果，验证所述多个广告业务组合模型实际上是否适合真实条件；以及根据验证结果，从所述多个广告业务组合模型中选择对于所购买的广告产品的风险分析和效果分析最适当的广告业务组合模型。

在根据本发明采用广告业务组合模型的投资决策方法中，广告产品可以至少包括两个或更多个不同广告产品。

在根据本发明采用广告业务组合模型的投资决策方法中，所制作的广告产品至少包括一个广告衍生产品。

在根据本发明采用广告业务组合模型的投资决策方法中，制作广告衍生产品用于衡量单独广告交易中的风险，同时用于降低单独广告交易风险。

在根据本发明采用广告业务组合模型的投资决策方法中，可以利用从由与收视率、每密耳成本(cost per mil(CPM))、范围、频率以及赏识有关的数据构成的组中选择的两个或更多个数值来表示与广告效果和广告效率有关的多个数值。

附图说明

图1是根据本发明一个实施例的综合广告风险管理系统配置的方框图；

图2是由图1所示综合广告风险管理系统获得的验证结果数据实例的表格；

图3(a)是图1所示综合广告风险管理系统处理过程的流程图；

图3(b)是图1所示综合广告风险管理系统处理过程的流程图；

图3(c)是图1所示综合广告风险管理系统处理过程的流程图；

图4(a)示出从图1所示综合广告风险管理系统的用户购买条件输入部分输入的一组示例项目；

图4(b)示出从图1所示综合广告风险管理系统的用户购买条件输入部分输入的一组示例项目；

图4(c)示出从图1所示综合广告风险管理系统的用户购买条件输入部分输入的一组示例项目；

图5示出从图1所示综合广告风险管理系统的用户购买条件输入部分输入的一组示例项目；

图6是对于图1所示综合广告风险管理系统产生的每个模型的AR指数值和实际损失与收益量随时间变化的示意图；以及

图7是经过排序和编辑后的图2所示验证结果数据的表格，其中根据最佳广告业务组合模型等级表示数据。

具体实施方式

以下将参考附图说明本发明的一个实施例。

图1是根据本发明优选实施例的综合广告风险管理系统的示意配置框图。

以这样的方式构造用户购买条件输入部分10，以致赞助商即广告产品的购买人可以从设定条件中选择诸如广告产品效果和/或广告产品效率的定量估量和定性估量，并且还可以输入用户购买条件11，用户购买条件11表示根据赞助商希望根据所选估量对其附加权重的项目等级进行加权的数据。

广告产品数据存储部分20存储节目数据21、编排数据22、销售数据23、节目估计数据24以及广告效果数据25。节目数据21指出节目名称、节目类型、节目内容、角色、生产产品等。编排数据22指出节目播出日期、节目播出时间等。销售数据23指出销售天数(实际工作日天数)、CM播出日期、CM播出时间、总CM秒数、没有CM秒数、共同赞助商列表与限制销售业务种类(竞争业务种类)、广告宣传周期与销售限制条件(根据工作日、地区、定点的单位销售；仅出现60秒、仅出现30秒；或者仅是广告牌显示等)、每单位CM秒的广告费等。节目估计数据24是对节目或CM材料衡量的、表示通过根据特定估计衡量调查赞助商和观众确定的等级数据的估计数据(例如：通过请求回答者利用5个不同等级，对有关节目或CM材料内容的问题，即“该节目是否具有诸如涉及环境问题的社会意义”提供评估，并对应评估给出项目得分，来评估某个节目或CM材料)。广告效果数据25指出收视率统计数据，例如，根据收视率监视器的各个指示数据计算出的范围、频率等。

根据分别存储在广告产品数据存储部分20内的节目数据21、编排数据22、销售数据23、节目估计数据24以及广告效果数据25构成的每组数据，在用户通过用户购买条件输入部分10规定或输入的有限条件范围，即用户购买条件11内，节目组合处理部分30产生表示广告产品组合的“广告业务组合”(以下将详细说明)。

市场数据存储部分40存储市场数据41，市场数据41表示用于计算“综合广告风险管理指数”或AR(广告风险衡量)(以下将详细说明，以下在适当时简称为AR指数)的市场数据(例如：根据过去的收视率数据和单位CM秒的广告费对电视广播中的广告产品计算的CPM)。

所拥有的广告产品数据存储部分50存储所拥有的广告产品数据51，所拥有的广告产品数据51表示属于赞助商、包括诸如期货、选项以及交换的广告衍生产品在内的广告产品数据。例如，对于提供赞助节目的情况，所拥有的广告产品数据51具有许多内容(例如：签约日期99/02/20，时间划分：时点，类别：经常，期限：6个月，电视台的部门：TBS，开播日期：99/04/05，广播结束日期：99/09/25，开播时间：21：00，广播结束时间：21：54，出现秒数划分：60秒，赞助商显示划分：是，购买或销售划分：购买，出现秒数：120秒，签约价格：4千万圆)。

用户设定条件输入部分60被诸如赞助商的用户用于输入根据计算的AR指数设定的条件项目，并这样设计用户设定条件输入部分60，以致用户可以分别输入：1.)涵盖的AR指数计算周期以及数据观测周期，2.)数据补充方法，3.)是排除外露值情况下还是不排除外露值情况下/趋势，4.)计算易失系数/相关系数的方法，以及5.)衡量敏感度的方法。请注意，如果用户不进行用户设定条件输入，即用户不设定任何条件项目，则系统采用一组缺省给定条件。

参考图1，继续进行解释。

AR指数计算处理部分70接收分别由市场数据存储部分40、所拥有的广告产品数据存储部分50以及用户设定条件输入部分60输入的数据，并根据涵盖在节目组合处理部分30选择的所有节目组合的数据，输出AR指数数据71，AR指数数据71利用统计学方法指出，表示在广告产品播出期间，在某个概率下，赞助商拥有的、包括诸如期货或选项的广告衍生产品在内的广告产品价值中存在的最大不希望损失的数值(例如：26,852,350圆)。

AR指数数据存储部分80存储所述AR指数计算处理部分70输出的AR指数数据71(例如：26,852,350圆)，所述AR指数数据71用统计学方法表示在广告产品保持期间，在某个概率下，赞助商拥有的、包括广告衍生产品的广告产品价值中存在的最大不希望损失。

实际损失与收益数据存储部分90存储实际损失与收益数据91，实际损失与收益数据91表示销售和购买属于赞助人或将属于赞助人的、包括广告衍生产品在内的广告产品出现的实际损失与收益数据(例如：25,782,540圆)。首先，通过确定赞助商根据购买的广告产品用作指数的、诸如收视率的各种调查数据与完成广播时实际观测的数据之间的差值，并且其次，通过计算根据期望数据(签订合同时)与实际数据(完成广播时)之间的差值产生的、赞助商拥有的广告产品价值内实际损失与收益，来计算实际损失与收益数据91。也就是说，首先，通过确定赞助商根据购买的广告产品用作指数的、诸如收视率的各种调查数据与在完成广播时实际观测的数据之间的差值，并且其次，通过计算根据在赞助商所拥有的广告产品价值内的此确定差值产生的实际损失与收益，可以获得实际损失与收益数据91。

比较验证处理部分100接收存储在实际损失与收益数据存储部分90内的实际损失与收益数据91和存储在所属AR指数数据存储部分80内的AR指数数据81、利用“综合广告风险管理指数与广告业务组合理论之间的关系”(以下将做详细说明)进行比较验证，以及根据比较验证结果，输出验证结果数据101，验证结果数据101表示对实际损失与收益数据的数值超过以上述方式确定的AR指数数据81的事件的衡量次数。

验证结果数据存储部分110存储所述比较验证处理部分100输出的验证结果数据101。

如图2所示，所述验证结果数据101包括：业务组合模型102(①、②、③...)，用于根据用户购买条件确定购买节目；设定条件103，是用户对进行验证的AR指数模型设定的；AR指数值104，在AR指数计算周期内；天数计数105，在所述AR指数计算周期内；实际损失与收益106；AR指数超过次数107；以及最佳模型等级108。以下将对它们进行说明。

现在，将参考图3(a)至图3(c)所示的流程图说明图1所示系统的运行过程。

由图1所示用户购买条件输入部分10输入上述用户购买条件11(步骤S1)，并将包括所述节目数据21、所述编排数据22、所述销售数据23、所述节目估计数据24以及所述广告效果数据25在内的相应数据组存储到广告产品数据存储部分20(步骤S2)。

然后，在所述用户购买条件输入部分10输入的所述用户购买条件11范围内并且根据包括分别存储在图1所示所述广告产品数据存储部分20、广告产品组合处理部分30的所述节目数据21、所述编排数据22、所述销售数据23、所述节目估计数据24以及所述广告效果数据25在内的相应数据组，产生广告业务组合(步骤S3)。

此外，将所述市场数据41存储在图1所示市场数据存储部分40内(步骤S4)，将所述所拥有的广告产品数据51存储到所拥有的广告产品数据存储部分50(步骤S5)，以及由图1所示用户设定条件输入部分60输入所述用户设定条件输入61(步骤S6)。

应该注意，在步骤S1和S6，如果确定用户未输入所述用户购买条件11和/或所述用户设定条件61，则输入作为缺省给定的条件(步骤S7)。

然后，将由市场数据存储部分40、所拥有的广告产品数据存储部分50以及用户设定条件输入部分60输出的相应数据组输入到AR指数计算处理部分70(步骤S8)，并且根据在图1所示广告产品组合处理部分30内产生的所述广告业务组合，图1所示AR指数计算处理部分70计算并输出所述AR指数数据71，AR指数数据71用统计学方法表示在广告产品保持期间，在某个概率下，赞助商拥有的、包括广告衍生产品的广告产品价值中存在的最大不希望损失(步骤S9)。

此外，将所述AR指数计算处理部分70输出的所述AR指数数据71存储到图1所示AR指数数据存储部分80(步骤S10)，并确定赞助商根据购买的广告产品用作指数的、诸如收视率的各种调查数据与完成广播时实际观测的观测数据之间的差值，以及根据确定差值对广告产品价值产生的损失与收益，对赞助商卖出或买入所拥有的广告产品数据时产生的真实实际损失与收益数据91进行计算(步骤S11)，然后将计算的损失与收益数据91存储到图1所示实际损失与收益数据存储部分90内(步骤S12)。

随后，存储在图1所示实际损失与收益数据存储部分90内的所述实际损失与收益数据91和存储在图1所示AR指数数据存储部分80内的所述AR指数数据81输入到图1所示比较验证处理部分100(步骤S13)，比较验证处理部分100利用综合风险管理指数与广告业务组合原理之间的关系进行比较验证(步骤S14)，如下所述。

根据所述比较验证处理部分100的比较验证结果，对实际损失与收益数据的数值超过以上述方式确定的AR指数数据81的事件的次数进行计数(步骤S15)，然后输出计数结果，并表示为验证结果数据101(步骤S16)。

然后，将所述比较验证处理部分100输出的所述验证结果数据101存储到图1所示验证结果数据存储部分110内(步骤S17)。

以下将详细说明上述各运行过程。

首先，通过图1所示用户购买条件输入部分10，用户输入以下指出的用户购买条件11的各项目：

11-1.广告预算

11-2.购买期间

11-3.规定区域

11-4.播出时间说明

11-5.节目类型说明

11-6.排除类型说明

11-7.节目划分说明

11-8.CPM限制

11-9.家庭收视率限制

11-10.个体收视率限制

11-11.目标总GRP

11-12.CM材料类型

11-13.签约人

11-14.节目评估基准点

上述用户购买条件对于下列操作是必须的：从广告产品数据存储部分20内检索多个满足用户购买条件的广告产品，并借助输入到系统内、表示赞助商在购买广告产品时估计广告产品的价值以及做出购买决策所采用的基准的信息，根据其位于评估标准内的等级，将这些广告产品顺序排列成列表。

上述广告预算指出在某个期间内允许赞助商购买广告产品的投资额，例如，如图4(a)所示，可以规定为17.5亿圆。

上述购买期间意思是使用所述广告预算的时间，例如，可以规定为从2001年10月5日到2002年3月25日，如图4(a)所示。

上述区域说明是对传播广告产品规定的条件之一，它指出赞助商希望购买推介广告产品的特定区域，例如，Kanto街区、Kansai街区或Chubu街区，如图4(a)所示。

上述播出时间说明和时间顺序说明用于规定用户希望购买的广告产品的播出时间或时间等级，例如，(1)规定9：00～23：30范围内的期间，不包括16：00～17：30，或者(2)通过指出将20％分配A级时间，将25％分配特定B级时间，将25％分配B级时间以及将30％分配C级时间，规定大量广告陈列的份额“h”，或者广告预算的份额“s”，根据本发明目的，时间等级表示每个广告业务组合公司确定的广告业务组合基本费率，通常，按小时定义A时间等级、特定B时间等级、B时间等级以及C时间等级，其中对每个时间等级分别确定基本费率。

上述节目类型说明和排除类型说明是用于规定条件指出购买哪种类型广告产品内容的项目，例如，可以规定将购买戏曲/体育/新闻，但是动画片除外，如图4(a)所示。

上述节目区段说明是规定待购买节目的编排区段的项目，并且通过从地区节目：1，电信节目：2，拳击节目：3，专题节目：4，商业信息：5，以及邮购：6(如图4(a)所示)中选择3号拳击节目进行规定。

通过规定根据购买确定成本为(1)应用CPM、(2)应用倍率(＝购买率/基本费率)、或者(3)应用每单位A时间等级CPM的判据，并且通过对诸如750圆CPM或更低、25％或更低的倍率等的上限指定特定数值，如图4(a)所示，可以确定上述CPM限制和倍率限制。

上述家庭收视率限制和个体收视率限制指定进行购买要参考的目标平均收视率下限，例如，在分级说明中可以规定10.5％的家庭收视率和8.5％和更高的M1/F1，如图4(a)所示。请注意，CPM(Cost PerMille)指出每1000个家庭或每1000个人的广告实现成本，它还有一个等效术语，CPT(Cost Per Thousand)。

上述目标总GRP是在所述购买期间所购买的多个节目的累积总收视率，例如可以规定为20,000％或更高，如图4(a)所示。

上述CM材料类型和签约人是评估待购买节目与广告材料内容和签约人之间相关性的必要项目，并通过输入用作广告材料和签约人的CM内容，从广告产品数据存储部分自动选取高相关性节目，例如，通过输入某些秒数和/或广告材料和某个人物的CM材料，可以对它们进行规定。对于广告材料类型，应该以与节目评估判据相同的格式，事先输入广告材料类型，如下所述，这样就可以计算与节目数据21的相关性。

上述节目评估基准点(如图4(b)和图4(c)所示)是在购买节目时用作根据赞助商或特殊观众通过事先利用2级或5级评估来评估包括其详细内容在内的节目内容，并确定每个节目内容的收视率信息提供的收视率信息进行决策的指数的信息，其中仅利用节目类型不能说明节目内容。此信息有助于根据节目赞助商或观众自己的评估数据购买广告产品，因此，通过量化定性节目内容，可以利用所考虑的定量条件购买广告产品。

在此，再回过头来说明运行过程。

接着，通过图1所示用户设定条件输入输入部分60，用户输入用户设定条件输入61内的每个项目，如下所述：

61-0.AR指数计算周期

61-1.数据观测周期

61-2.数据的平滑方法

61-3.是排除外露值情况下还是不排除外露值情况下/趋势

61-4.计算易失系数/相关系数的方法

61-5.衡量敏感度的方法

如图5所示，对于上述每个项目的特定实例，将AR指数计算周期和数据观测周期分别设置为“从1998年4月5日到1998年9月25日”和“从1997年4月5日到1998年9月25日”(步骤S102)，然后，从由(1)不进行平滑、(2)线性平滑以及(3)仿样平滑构成的组中选择数据平滑方法(在此实施例中通常选择线性平滑)。然后，从由(1)排除(排除情况下)和(2)不排除(不排除情况下)构成的组中选择排除外露值情况下还是不排除外露值情况下/趋势(在此实施例中通常选择(2)“不排除情况下”)；从例如由(1)每天，(2)10天间隔，(3)20天间隔以及(4)30天间隔构成的组中选择计算易失系数/相关系数的方法项目(在此实施例中，通常选择(1)每天)；以及从由(1)+1bp(1bp＝0.01％)，(2)-1bp以及(3)(1)与(2)差值的绝对值的平均值构成的组中选择衡量敏感度的方法项目(在此实施例中通常选择(1)+1bp)。

以这样的方式对该系统进行编程，即如果存在用户没有选择的任何项目，则用户购买条件输入部分10和/或用户设定条件输入输入部分60采用事先设置为用户购买项目11和/或用户设定条件项目61的条件(缺省条件)。请注意，选择设定条件不会引起输入数据和输出数据模式的任何变化，因此选择设定条件不会影响总体处理过程流程。

因此，根据选择的参数和方法，对所有可能组合计算多个AR指数，如下所述。

如下所述，根据AR指数的定义，将在广告产品引起的某个可能置信间隔低于某个期望值条件下，CPM的最大不希望损失定义为“综合广告风险管理指数”AR(广告风险衡量)，如果用“σ”表示某个节目收视率的标准偏差，并用N(x)表示随机变量“x”基于正态分布的累积分布函数，则利用下式计算收视率Rα：

Rα＝ R-N^-1(1-α)σ

并且，因此：

AR＝CPM×<[ R/{ R-N^-1(1-α)σ}]-1>

＝CPM×{N^-1(1-α)}/{( R/σ)-N^-1(1-α)

在此，置信间隔指出实际收视率满足某个概率的间隔。例如，以10％期望收视率和20％标准偏差的广告产品为例，如果收视率为正态分布，则在95％概率下，实际收视率会落入+/-2σ(标准偏差)，即在从10％-2×20％＝-30％到10％+2×20％＝+50％的间隔内。换句话说，对于95％的置信间隔，下限应该为-30％，上限应该为+50％。

为了根据本发明计算整个“广告业务组合”y＝(y₁，...，y_n)(将在以下说明)的AR指数，假定用“σ_j”表示节目“S_j”的收视率标准偏差，并用N(x)表示根据正态分布、随机变量“x”的累积分布函数。利用下式计算整个广告业务组合

的平均收视率： $\stackrel{\&OverBar;}{R_p}=\mathrm{\&Sigma;}{y}_j\stackrel{\&OverBar;}{R_j}(j=1,...,n)---{(}^{*})$

利用下式确定全部广告业务组合的方差σ_p：

σ_p＝∑∑y_jy_kσ_jk(j＝1，...，n，k＝1，...，n)    (^**)

(其中，σ_jk是广告产品j的收视率与另一个广告产品k的收视率的协方差。)

根据相关系数的定义，假定用ρ_jk表示广告产品j与k的相关系数则可以确定如下关系表达式：

ρ_jk＝σ_jk/σ_jσ_k                 (^***)

其中，根据AR的所述定义，表示为Rα＝ σ＝σ_p，则将全部业务组合AR_p的AR指数表示为：

AR_p＝CPM×<[ R_p/{ R_p-N^-1(1-α)σ_p}]-1>

   ＝CPM×{N^-1(1-α)}/{ R_p/σ_p)-N^-1(1-α)

从上述等式中可以看出，将全部广告业务组合AR_p的AR指数降低到最小与将全部广告业务组合的方差σ_p降低到最小等效，因此确定最适当广告业务组合y＝(y₁，...，y_n)的过程等效于解以下关系表达式的过程：

最小化∑∑σ_jky_jy_k                    (1)

条件是∑ R_jy_j/∑y_j≥RE                (2)

      W_L≤∑P_jy_j≤W_U                 (3)

      y_j：整数变量                       (4)

回顾一下上述内容，为了确定最佳业务组合，具有所述等式(^*)所示的参数y_j的广告产品_j的平均收视率 R_j用作观测数据，而可以在所述表达式(2)至(4)限定的条件下确定使所述表达式(^**)σ_p＝∑∑y_jy_kσ_jk实现最小化的y_j。

从所述等式(1)内可以看出，为了确定最佳广告业务组合，必须计算广告产品j与另一个广告产品k的协方差σ_jk。

首先，通过用户购买条件输入部分10，输入赞助商所要求广告产品的条件项目，然后，从由节目数据21、编排数据22、销售数据23、节目估计数据24以及广告效果数据25构成的、存储在广告产品数据存储部分20内的广告产品数据26中检索满足条件的节目，最后，通过组合多个满足所述条件的节目，节目组合处理部分30产生多个业务组合模型。

在这方面，对于满足所述条件的多个节目，应该从存储在市场数据存储部分40内的观测数据(电视广告的收视率数据)中删除外露值。在实际数据中可能存在或包括各种错误，并且因为某种原因，部分错误表示基本数据值之外的数值。在统计学中，一般认为，在以调查的方式检验数据时，为了实现最小化，优先禁止这种外露值的影响。在此实施例中，将平均值中偏离标准偏差、被某个整数乘的数据看作所述外露值。也就是说，处理过程确定是否删除外露值，并且如果确定删除外露值，则处理过程从观测数据中删除在所述条件下(即：确定平均值中偏离标准偏差、被某个整数乘的数据是外露值的条件)检测到的外露值。利用数据平滑处理之后的数据，AR指数计算部分70利用上述表达式(^***)计算易失数据(标准偏差σ_j，σ_k)。此外，根据易失数据，AR指数计算部分70计算相关系数数据(广告产品j与广告产品k的相关系数ρ_jk)。这样，可以计算广告产品j与广告产品k的协方差σ_jk。

在此说明中，易失项目用作风险衡量，它表示期望收益率满足期望的概率，并且可以将它表示为标准偏差。在很大程度上，易失性越高意味着期望收益率不满足期望的概率越高。此外，将期望收益率定义为分别乘以发生概率的所有可能收益率之和。

根据观测数据计算易失性(标准偏差)和/或相关系数的方法采用的公式与根据总体计算标准偏差和相关系数所使用的公式相同。

相反，根据所拥有的广告产品数据，从存储部分40内检测所拥有的广告产品的市价数据，并根据所属检测市价数据，计算敏感度数据。

敏感度数据是与风险因数有关的数据，风险因数检验市价随基础产品价值或市场指数的变化发生多大的变化。

所属风险衡量包括：相关性、β、Δ、γ、θ、ν、ρ以及基数。包括衍生产品在内的所有广告产品共享这些风险衡量，并且对这些风险衡量进行积分和管理可以使广告业务组合的综合风险管理包括各种广告产品。因此，敏感度数据的计算过程非常重要。

因此，根据上述易失数据、相关系数数据以及敏感度数据，可以单独对(1)节目组合处理部分30内产生的所有广告业务组合以及(2)当前赞助商拥有的广告产品的广告业务组合，计算AR指数数据，然后，根据利用所有计算AR指数数据和实际损失与收益数据计算的AR指数变换值数据，可以产生如上述图2所示的表。

在此，为了解释图2所示的AR指数变换值数据，实际损失与收益数据(例如：对应于1998/4/5一行所示的数字598,652。)是销售或购买属于赞助商、包括诸如期货、选项以及交换的广告衍生产品在内的广告产品可能发生的真实损失与收益数据，并且首先，通过确定在赞助商购买广告产品时用作指数的、诸如收视率的各种调查数据与结束播出广告产品时实际观测的数据之间的差值，并且其次，通过根据估计数据(签订合同时)与实际数据(结束播出广告产品时)之间的差值计算对赞助商产生的实际损失与收益，来计算实际损失与收益。因此，AR指数变换值数据是表示转换为CPM的实际损失与收益数据的数据形式。

然后，比较验证处理部分100利用根据本发明的“综合广告风险管理指数与广告业务组合原理之间的关系”对上述业务组合(1)和(2)的所有AR指数值与AR指数变换值进行比较验证，因此衡量实际损失与收益数据内的AR指数变换值超过AR指数数据值的事件数量，以及根据最佳模型等级，建立模型，其中超过事件数量较少的模型被看作最接近最佳模型。

图6示出每个所述产生模型的时序图(水平轴是天数，垂直轴是实际损失与收益的AR指数值和AR指数变换值)。应该用负值来表示AR指数值，因为它们表示最大不希望损失量。将实际损失与收益中AR指数值超过AR指数变换值的事件数量作为超过次数进行计数。

图7示出通过编排和编辑图2所示的验证结果表产生的表，并且根据可能最佳模型等级表示其中的模型。将各设定条件进行比较以检验每种选择方法的趋势。

现在，将简要说明上述每种风险衡量。Δ表示“市价(当前价值)”相对于与衍生产品相关市场指数(基础产品)有关的价格变化的敏感度。γ表示Δ本身相对于市场指数变化的敏感度。θ表示“市价”相对于缩短时间的敏感度。ν表示“市价”相对于易失性的敏感度。ρ是“市价”相对于利率(贴现率)的敏感度。在必须利用其中一个风险指数系统对两个其价格变化表现不同的基础产品进行管理时，必需基数，还需要利用某个权重来将一个基础产品的价格变化并入另一个基础产品的价格变化中。应该将此权重称为基数，可以利用历史数据中的相关系数确定此基数。

现在，通过说明性说明作为所述风险衡量例子的相关性和β，更详细说明广告业务组合风险管理中的敏感度数据的作用。

通常，如果检测到n组数据{(X₁，Y₁)，(X₂，Y₂)，...，(X_n，Y_n)}，并将这些数据组用于估计表达式y＝α+βx+e中的α和β，则假定所述n个数据组满足y＝α+βx+e，则

 y_j＝α+βx_j+e    (j＝1，2，...，n)    (12)

其中，利用估计表达式

，以及x的数值x_j，则估计值

满足

将观测值y_j与估计值 之间的差值定义为“剩余误差”，将观测值(x_j，y_j)的剩余误差e_j表示为：

其中，利用用于规定 和

的最小平方法，使观测值y_j与估计值

之间的“剩余误差”e_j最小化，则：

其中，为了将所述两个变量 和 的作用降低到最小，仅需要将对于变量 和

的偏导数设置为0，并且因此：

其中

给出上述表达式(16)的解：

$={\mathrm{\&sigma;}}_{\mathrm{xy}}/{\mathrm{\&sigma;}}_x^2$ 其中， $\stackrel{\&OverBar;}{x}=(1/n)\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_j,\stackrel{\&OverBar;}{y}=(1/n)\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_j$

也就是说，如果假定利用x_j和y_j的线性函数来表示n个数据组{(X₁，Y₁)，(X₂，Y₂)，...，(X_n，Y_n)}的关系表达式，则以上述方式确定该线性函数的截距和斜率。确定完成之后，如表达式(17)所示，重要的是，可以利用x和y、σ_xy的协方差来估计β值。

现在，对将上述单个回归模型产生的收益数据用作广告业务组合模型的情况进行研究。

在此，假定在广告市场中有n种广告产品S_j(j＝1，2，...，n)，利用R_m表示某个广告产品的收益市场指数。假定β_j是广告产品S_j的收益R_j到R_m变化的期望变化率(敏感度指数)；α_j是与此广告市场无关的广告产品S_j的单独收益的期望值；e_j与此广告市场无关的广告产品S_j的单独收益的随机项目(误差)，则根据上述回归模型中的关系可以获得等式：

R_j＝α_j+β_jR_m+e_j    (j＝1，2，...，n)    (18)

为了结合e_j和R_m说明期望值E(x)与方差V(x)之问的关系，根据期望值与方差的定义等式可以获得如下关系表达式(请参考图A)。

E(e_j)＝0，(j＝1，2，...，n)

E[e_j(R_m- R_m)]＝0，(因为e_j和R_m的协方差等于0)

E(e_i*e_j)＝0，(i，j＝1，2，...，n，and i≠j)

V(e_j)＝E(e_j ²)＝σe_j ²，(j＝1，2，...，n)

V(R_m)＝E(R_m- R_m)²＝σ_m ²

根据上述关系表达式，可以利用两个包括对广告产品S_j唯一的收益α_j和与市场有关的收益β_j R_m在内的单独项目，描述广告产品S_j的收益。可以将它表示为：

R_j＝α_j+β_j R_m                                        (19)

此外，还可以利用两个包括对广告产品S_j唯一的风险σe_j ²和与市场有关的风险β_j ²σ_m ²在内的单独项目，描述广告产品S_j的方差。可以将它表示为：

σ_j ²＝β_j ²σ_m ²+σe_j ²                               (20)

此外，还可以仅根据市场风险对它进行描述。可以将它表示为：

σ_ij＝β_jβ_jσ_m ²                                     (21)

根据上述分析，可以利用包括对广告产品S_j唯一的收益(α_j)和与市场有关的收益(β_j R_m)在内的单独项目，描述广告产品S_j的收益，还可以利用包括对广告产品S_j唯一的风险(σe_j ²)和与市场有关的风险(β_j ²σ_j ²)在内的单独项目，描述广告产品S_j的方差(风险)。此外仅根据市场风险(β_jβ_jσ_m ²)描述协方差(σ_ij)。在广告市场中，将这些模型定义为广告业务组合单指数模型，可以建立如下关系式：对于广告业务组合收益： ${\stackrel{\&OverBar;}{R}}_p=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\stackrel{\&OverBar;}{R}}_i=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&alpha;}}_i+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&beta;}}_i{\stackrel{\&OverBar;}{R}}_m$ 以及对于方差： ${\mathrm{\&sigma;}}_p^2=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i^2{\mathrm{\&sigma;}}_i^2+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{x}_j{\mathrm{\&sigma;}}_{\mathrm{ij}}$

                     j≠i $=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&beta;}}_i^2{\mathrm{\&sigma;}}_m^2+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j-1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{x}_j{\mathrm{\&beta;}}_i{\mathrm{\&beta;}}_j{\mathrm{\&sigma;}}_m^2+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i^2{{\mathrm{\&sigma;}}_{\mathrm{ei}}}^2$

                     j≠i $=\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&beta;}}_i\right)\left(\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_j{\mathrm{\&beta;}}_j\right){\mathrm{\&sigma;}}_m^2+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i^2{\mathrm{\&sigma;}}_{\mathrm{ei}}^2$ $={\mathrm{\&beta;}}_p^2{\mathrm{\&sigma;}}_m^2+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i^2{\mathrm{\&sigma;}}_{\mathrm{ei}}^2---(\#)$

引入上述单指数模型可以将待估计的参数数量从平均值模型/方差模型的n(n+3)/2，( R_i，σ_ij或 R_j，σ_j，ρ_ij)减少到3n+2，(α_i，β_i，σ_ei， R_mσ_m ²)，因此显著降低了对业务组合进行分析所需的计算量。

上述市场模型的最显著特征在于，利用市场与相应广告产品之间的关系代替相应广告产品之间的相关性，其中，例如，在假定每个不同回归模型的误差项目互相不相关情况下，对n个广告产品总共研究n个回归模型。因此，由于已经假定利用整个市场的关系说明在相应广告产品之间观测到的相关变化特性，所以可以显著降低进行分析所需的计算负荷。此外，由于已经假定每个广告产品回归模型的误差项目是具有0期望值和恒方差的正态分布，并且互相独立，而且还与R_m不相关，所以可以建立如下关系表达式：

e_i～N(0，σ_ei ²)，E[e_i(R_m-E[R_m])]＝0

E[e_i，e_i]＝0，i≠j

其中，将广告业务组合模型内的α_p和β_p表示为： ${\mathrm{\&alpha;}}_p=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&alpha;}}_i---(+)$ ${\mathrm{\&beta;}}_p=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i{\mathrm{\&beta;}}_i---(++)$

并且，将广告业务组合的收益 R_p表示为：

R_p＝α_p+β_p R_m                  (+++)

这样，如果α_p＝0，β_p＝1，则 R_p＝ R_m，这样导致广告业务组合“P”的收益等于市场业务组合的收益。

因此，可以这样估计它：

^*β_p＞1：广告业务组合P的风险比市场大，以及

^**β_p＜1：广告业务组合P的风险比市场小。

在此，假定表达式(#)内的业务组合方差为x_i＝1/n，则： ${\mathrm{\&sigma;}}_p^2={\mathrm{\&beta;}}_p^2{\mathrm{\&sigma;}}_m^2+(1/n)(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&sigma;}}_{\mathrm{ei}}^2/n)$

并且，显然，在n增大时，所述第二项目的平均剩余风险就降低。

根据上述分析，利用关系表达式σ_i ²＝β_i ²σ_m ²+σ_ei ²表示每个广告产品的风险，可以将风险归类为与n的值无关的风险β_i ²σ_ei ²(系统风险、市场风险或非多样化风险)和在n增大时接近0的风险σ_ei ²(非系统风险、多样化风险或非市场风险)。其中非系统风险如此小以致可以被忽略的足够大业务组合可以采用β_i作为广告产品“i”的风险衡量。

因此，市场风险指数β提供将广告市场风险与广告业务组合模型风险进行比较的重要信息。此外，在对广告市场模型、广告业务组合模型以及单独广告产品的风险进行比较时，相关性(协方差)的衡量非常重要。

对于上述单指数模型(S.I.M)，可以对具有多个市场指数的情况建立多指数模型(M.I.M)，假定：

I_k：指数k的值；

b_ik：根据收益，广告产品“i”相对于指数k的变化的敏感度指数；

a_i：广告产品i的单独收益的期望值；

c_i：广告产品i的单独收益的随机项目；

L：指数数量

n：广告产品的数量。则： $R_i=a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}+c_i$                                 (￥)

其中，i＝1，...，n

E[c_i]＝0

其中，i＝1，...，n

cov(I_k，I_l)＝E[(I_k- I_k)(I_l- I_i)]＝0

其中，k，l＝1，...，L，并且K≠1           (￥￥)

cov(c_i，I_k)＝E[c_i(I_k- I_k)]＝0

其中，i＝1，...，n，并且k＝1，...，L

E[c_i，c_j]＝0

其中，i，j＝1，...，n，并且i≠j

在此将c_i与I_k的方差定义为：

V(c_i)＝σ_ei ²

其中，i＝1，...，n，

V(I_k)＝σ_jk ²

其中，k＝1，...，L

根据多指数模型的上述定义表达式(￥)和上述条件表达式(￥￥)，可以获得如下表达式： ${\stackrel{\&OverBar;}{R}}_i=a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{\stackrel{\&OverBar;}{I}}_k$ 期望值为： $=E[a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{I}_k+c_i]$ $=a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}E\left[I_k\right]+E\left[c_i\right]$ 方差为： ${\mathrm{\&sigma;}}_i^2=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b_{\mathrm{ik}}}^2{{\mathrm{\&sigma;}}_{\mathrm{lk}}}^2+{{\mathrm{\&sigma;}}_{\mathrm{ei}}}^2=E{[R_i-{\stackrel{\&OverBar;}{R}}_i]}^2$ $=E{[(a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{I}_k+c_i)-(a_i+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{\stackrel{\&OverBar;}{I}}_k)]}^2$ $=E{[\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}(I_k-{\stackrel{\&OverBar;}{I}}_k)+c_i]}^2$ $=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b_{\mathrm{ik}}}^{2}E\left[{(I_k-{\stackrel{\&OverBar;}{I}}_k)}^2\right]+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{b}_{\mathrm{il}}E\left[(I_k-{\stackrel{\&OverBar;}{I}}_k)(I_l-{\stackrel{\&OverBar;}{I}}_i)\right]+2\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}E\left[c_i(I_k-{\stackrel{\&OverBar;}{I}}_i)\right]+E{\left[c_i\right]}^2$

                   l≠k协方差为： ${{\mathrm{\&sigma;}}_{\mathrm{ij}}}^2=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{b}_{\mathrm{jk}}{{\mathrm{\&sigma;}}_{\mathrm{lk}}}^2=E\left[(R_i-{\stackrel{\&OverBar;}{R}}_i)(R_j-{\stackrel{\&OverBar;}{R}}_j)\right]$ $=E\left\{\right[\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}(I_k-{\stackrel{\&OverBar;}{I}}_k)+c_i\left]\right[\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{jk}}(I_k-{\stackrel{\&OverBar;}{I}}_k)+c_j\left]\right\}$ $=\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{b}_{\mathrm{jk}}E{[I_k-{\stackrel{\&OverBar;}{I}}_k]}^2+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}{b}_{\mathrm{jl}}E\left[(I_k-{\stackrel{\&OverBar;}{I}}_k)(I_l-{\stackrel{\&OverBar;}{I}}_l)\right]+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ik}}E\left[c_j(I_k-{\stackrel{\&OverBar;}{I}}_k)\right]$

                  l≠k        $+\underset{k=1}{\overset{L}{\mathrm{\&Sigma;}}}{b}_{\mathrm{jk}}E\left[c_i\left(I_k{\stackrel{\&OverBar;}{I}}_k\right)\right]+E\left[c_i{\&CenterDot;c}_i\right]$

其中，可以确认，如果L＝1，则多指数模型的表达式就与单指数模型中的期望值、方差以及协方差的表达式相同。

根据上述模型原理，在正确规定各指数时，可以利用各指数以模拟方式描述某个广告产品的收益，并且如果将该方法应用于风险确定过程，则可以衡量和确定本系统产生的各种广告业务组合模型的风险。

现在，说明广告产品收益。显然，根据将产品看作获得某种收益的一种手段的理论，购买广告产品以及金融产品的买方可以对这些广告产品进行投资。

例如，对于金融产品，将期间“t”内证券“i”的收益率表示为： ${\tilde{R}}_{\mathrm{it}}=({\tilde{P}}_{\mathrm{it}}-P_{i,t-1}+{\tilde{D}}_{\mathrm{it}})/P_{i,t-1}$ $=({\tilde{P}}_{\mathrm{it}}-P_{i,t-1})/P_{i,t-1}+{\tilde{D}}_{\mathrm{it}}/P_{i,t-1}$ 其中，以下说明各相应项目：

：期间“t”内证券“i”的收益率(随机变量)；

：期间t内的证券价格(随机变量)；P_i，t-1：期间t-1内的证券价格(已知)；

：期间t内证券i的红利(随机变量)；以及

～：随机变量。

在此，假定单位数量的某种证券i适合某种概率分布，并利用P_j表示发生某种事件“j”的概率，下式表示期望收益率 和方差σ_i ²： ${\stackrel{\&OverBar;}{R}}_i=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_j{\tilde{R}}_{\mathrm{ij}}$ ${\mathrm{\&sigma;}}_i^2=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_j{({\tilde{R}}_{\mathrm{ij}}-{\stackrel{\&OverBar;}{R}}_{\mathrm{ij}})}^2$ 其中，以下指出相应项目：：发生事件“j”的概率；

：事件“j”中资产“i”的收益率；

M：可能事件的数量。

对于广告产品，例如，假定利用与某个概率分布相关的随机变量表示某个电视广告节目的收视率R_i，利用上述类似表达式表示收视率R_i的期望值和方差。在此，对于广告产品，根据收视率与价格之间的关系建立如下表达式： ${\mathrm{CPM}}_{i,t}=P_{\mathrm{it}}/\left(0.01N{\tilde{R}}_{\mathrm{it}}\right)$ ${\mathrm{CPM}}_{i,t-1}=P_{i,t-1}/\left(0.01N{\tilde{R}}_{i,t-1}\right)$

                    (CPM的定义表达式)

CPM与收视率成反比。在此，如果收视率升高，引入表示期间t-1与期间t之间变化率的变量：

r_i，t＝(CPM_i，t-1-CPM_i，t)/CPM_i，t-1，

并且假定在期间t-1和期间t内的广告产品价格相同，则： ${\tilde{r}}_{i,t}=100\&times;[(P_{i,t-1}/0.01N{\tilde{R}}_{i,t-1})-(P_{i,t}/0.01N{\tilde{R}}_{i,t})]/(P_{i,t-1}/0.01N{\tilde{R}}_{i,t-1})$ $=100-[100\&times;(P_{i,t}/{\tilde{R}}_{i,t})/(P_{i,t-1}/R_{i,t-1})]$ $=100-(100\&times;R_{i,t-1}/{\tilde{R}}_{i,t})$ $=({\tilde{R}}_{i,t}-R_{i,t-1})/0.01{\tilde{R}}_{i,t}$ ∵P_i，t＝P_i，t-1其中，N：节目“i”播出区域内的家庭数量(以1000个家庭为单位)；CPM_i，t：在期间“t”内节目i的CPM；CPM_i，t-1：在期间“t-1”内节目i的CPM；r_i，t：在期间“t”内节目i的CPM变化率(％)；

：在期间“t”内节目i的收视率(随机变量)；R_i，t-1：在期间“t-1”内节目i的收视率(已知)；P_i，t：在期间“t”内节目i的价格；P_i，t-1：在期间“t-1”内节目i的价格；

如果所描述的 用于表示广告产品的变化率期望值和方差期望值，则因为 是 的函数，所以可以获得如下等式： ${\stackrel{\&OverBar;}{R}}_i=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_{\mathrm{ij}}{\tilde{r}}_{\mathrm{ij}}$ $=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_{\mathrm{ij}}[({\tilde{R}}_{i,t}-R_{i,t-1})/0.01{\tilde{R}}_{i,t}]$ ${\mathrm{\&sigma;}}_i^2=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_{\mathrm{ij}}{({\tilde{r}}_{\mathrm{ij}}-{\stackrel{\&OverBar;}{r}}_{\mathrm{ij}})}^2$ $=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_{\mathrm{ij}}[({\tilde{R}}_{i,t}-R_{i,t-1})/0.01{\tilde{R}}_{i,t}-({\stackrel{\&OverBar;}{R}}_{i,t}-R_{i,t-1})/0.01{\tilde{R}}_{i,t}]$ $=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\tilde{P}}_{\mathrm{ij}}[({\tilde{R}}_{i,t}-{\stackrel{\&OverBar;}{R}}_{i,t})/0.01{\tilde{R}}_{i,t}{]}^2$

其中，

：发生事件“j”的概率；以及

M：可能事件数量。

利用上述关系式，分析金融产品所使用的期望收益率和方差的概念可以应用于分析广告产品。

现在对上述所称的“广告业务组合”做一些补充说明。

在金融业务领域，“业务组合”通常指“银行、公司等拥有的金融资产构成”，具体地说，在证券业务领域，它还指“各种证券组合”，但是在本发明中，将“广告业务组合”定义为“赞助商拥有的各种广告产品的组合”。也就是说，在有n种广告产品S_j(j＝1，...，n)参与交易的市场中，将赞助商以y_j为单位购买广告产品S_j时的购买量表示为∑P_jy_j(j＝1，...，n)，其中P_j表示每y_j单位产品S_j的广告费。在这种情况下，矢量y＝(y₁，...，y_n)指赞助商拥有的“广告业务组合”。具体地说，对于局限于电视节目的广告产品S_j，所述广告业务组合指“节目广告业务组合”，同样，对于局限于报纸广告的广告产品S_j，它指“报纸广告业务组合”。

在此，为了在赞助商以y_j单位购买广告产品S_j的情况下，利用用σ_j表示的广告产品(节目)S_j的收视率标准偏差和用N(x)表示的基于正态分布的随机变量x(收视率)的累积分布函数，计算全部广告业务组合y＝(y₁，...，y_n)的AR指数，可以将全部广告业务组合的平均收视率 R_p表示为： ${\stackrel{\&OverBar;}{R}}_p=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i{\stackrel{\&OverBar;}{R}}_j(j=1,...,n)---{(}^{*})$

并且，可以将全部广告业务组合的方差σ_p表示为： ${\mathrm{\&sigma;}}_p=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_j{y}_k{\mathrm{\&sigma;}}_{\mathrm{jk}}(j,k=1,...,n)---{(}^{**})$

(其中，σ_jk是广告产品j与广告产品k的协方差。)

现在说明上述“综合广告风险管理指数”。

利用数学模型，综合广告风险管理指数用于说明，在与购买广告产品的期间相同期间内，从多个诸如某个广告产品的收视率或订购率的抽样调查中获得的单独广告媒体统计数据如何发生变化的，具体地说，在此，“综合广告风险管理指数”AR(AR指数)用于指出，在广告产品引起的某个可能置信间隔低于某个期望值条件下，CPM的最大损失(电视广告的期望收视率)。

现在，对如何具体对电视广告计算AR指数做补充说明。在此，假定根据某个概率分布利用随机变量表示在某个期间所购买节目的收视率 R。假定置信间隔为a％，对于根据抽样估计总体平均值(总体平均值)的情况，如果该总体是具有标准偏差σ的正态分布，并且利用 X表示从此总体中提取的n个抽样的平均值，则通常认为此总体平均值“m”可能下降：

在如下范围(置信间隔)内以95％的概率(可靠性)下降： $\stackrel{\&OverBar;}{X}-1.96(\mathrm{\&sigma;}/\sqrt{n})<m<\stackrel{\&OverBar;}{X}+1.96(\mathrm{\&sigma;}/\sqrt{n})---\left(A\right)$

以及，在如下置信间隔内以99％的概率(可靠性)下降： $\stackrel{\&OverBar;}{X}-2.58(\mathrm{\&sigma;}/\sqrt{n})<m<\stackrel{\&OverBar;}{X}+2.58(\mathrm{\&sigma;}/\sqrt{n})---\left(B\right)$

现在说明(A)和(B)的求解过程。

如果利用 $\mathrm{\&Phi;}\left(z\right)=(1/\sqrt{2\mathrm{\&pi;}})\exp (-z^2/2)$ 表示标准正态分布的概率分布函数，则根据数学表(例如，请参考1999年Tokyo Shoseki Co.，Ltd的Sadao Ishimura和Sonoko Ishimura共同编写的“Black-Scholesdifferential equation for financial and securities”pp58-63)，可以获得如下等式： ${\&Integral;}_{-1.96}^{1.96}\mathrm{\&Phi;}\left(z\right)\mathrm{dz}=2\&times;0.475=0.95$

并且，同样还可以获得 ${\&Integral;}_{-2.58}^{2.58}\mathrm{\&Phi;}\left(z\right)\mathrm{dz}=2\&times;0.4951=0.9902$

此外，在利用 X和σ分别表示从数量为N的总体中提取的n个抽样的平均值和标准偏差(不一定是正态分布)时，并且此外，其中n是个大值，但是相对于n，N足够大，则可以利用上述(A)和(B)估计总体平均值m。

在此，将说明上述“中央极限法则”。

“中央极限法则”表示这样的情况，即在从具有标准偏差σ的总体中提取数量为n的随机抽样时，随着n的增大，抽样平均值 X接近正态分布 $N(m,{(\mathrm{\&sigma;}/\sqrt{n})}^2).$

如上所述，假定在某个期间内购买的节目的收视率是随机变量，并且置信间隔为α％，则在该概率下可能出现的最小收视率Rα可以表示为：

Rα＝{RL|Prob( R＞RL)＝α}

利用表示为R的期望收视率和表示为W的广告成本，以下是置信间隔为α％条件下的综合广告风险管理指数的定义。其中用 R表示期望收视率的平均值。

AR＝(W/Rα)-(W/ R)

  ＝(W/ R)×{( R/Rα)-1}

由于可以利用W/ R表示利用平均收视率计算的CPM，所以：

AR＝CPM×{( R/Rα)-1}

为了置信间隔α％条件下的收视率Rα，可以采用以下3种方法：

(1)方差/协方差方法

假定概率分布是正态分布，其中首先计算收视率的方差-协

方差矩阵，然后计算置信间隔为α％的收视率Rα；

(2)历史模拟方法

该方法利用先前的收视率作为未来期望情形，其中在假定当

前出现过去收视率情况下，计算收视率Rα；以及

(3)Monte Carlo模拟方法

该方法不需要将先前的任何收视率作为未来期望情形，但是利用采用某种收视率估计模型的Monte Carlo模拟过程产生未来收视率，从而计算收视率Rα。

现在将说明利用(1)方差/协方差方法的计算过程，该方法是上述3种方法中最简单的一种方法。

在此，假定某个节目的收视率标准偏差为σ并且与正态分布相关的随机变量x的累积分布函数是N(x)。

在这种情况下，可以利用下式确定收视率Rα：

Rα＝ R- N(1-α)σ

因此，可以利用下式计算综合广告风险管理指数AR：

AR＝CPM×<[ R/{ R-N^-1(1-α)σ}]-1>

  ＝CPM×{N^-1(1-α}/{ R/σ)-N^-1(1-α)}

例如，假定在某个期间内所购买节目的平均偏差和标准偏差分别为20％和2％。在这种情况下，如果假定所购买节目的CPM为1000圆，则可以以如下方式确定置信间隔(不低于从平均值内减去2倍标准偏差获得的数值的概率)为97.7％的综合广告风险管理指数。

根据此定义，标准正态分布是平均值为0、标准偏差为1的正态分布N(0，1²)。假定取标准正态分布内的总体方差σ²(σ：标准偏差＝-1.00，+1.00)的值为1。为了在围绕等效于总体平均值的中央的z＝-1.00～+1.00范围内，确定存在某个抽样的概率，在z＝-1.00～+1.00范围内对标准正态概率分布函数Φ(z)进行积分，并且其面积(概率)应该为0.682。也就是说，如果总体与标准正态分布相关，则认为从总体中提取的某个抽样落入概率为0.682的±1标准偏差范围内。

根据上述说明，利用在在z＝-1.00～+1.00范围内对标准正态概率分布函数Φ(z)进行积分时，概率为0.977的标准正态分布的特性，可以得出这样的结论，即如果某个节目的收视率与正态分布相关，则为了获得超过置信间隔为97.7％的目标最低收视率R_L(在x＝-2σ时，Φ(x)的值)的节目收视率Rα，x的范围应该不小于2倍的标准偏差(-2σ～∞)。

这方面的要点是，将落入低于目标最低收视率R_L范围内的节目收视率Rα的概率用作风险估计的基准值(使用定义可靠基准值)。也就是说，落入低于目标最低收视率R_L范围内的节目收视率Rα的概率等于1-0.997，其中应该在x＝-∞～-2.00的范围内进行积分。

如果要求在平均收视率为20％、标准偏差为2％的正态分布内某个节目的收视率落入不低于概率为97.7％的目标最低收视率R_L的范围内并且取节目收视率Rα，则对于z＝-2，可以求解x＝Rα。

为了将正态分布N(m，σ²)转换为标准正态分布N(0，1²)，可以使用等式z＝(x-m)/σ。因为在此例中z＝-2，所以：

-2＝(x-m)/σ

∴x＝m-2σ

此外，由于m＝20，σ＝2，所以x＝Rα＝16％，并且根据AR指数的定义：

AR＝CPM×<[ R/{ R-N^-1(1-α)σ}]-1>

  ＝CPM×{N^-1(1-α)}/{( R/σ)-N^-1(1-α)}

利用下式计算收视率接近16％的损失量：

AR＝1,000圆×2/{(20/2)-2}＝250圆

因此，可以说，在概率为97.7％条件下收益率低于期望值的此广告产品产生的最大不希望损失量应该为250圆。(在置信间隔为97.7％情况下，存在收视率为16％的可能性，并且在这种情况下，所计算的CPM为1,250圆。)

在实际交易过程中，由于未来收视率不可预测，所以假定某个期间内的平均收视率为作为交易数据使用的实际收视率，但是如果有任何一种方法可以实际计算由于先前收视率的变化产生的风险，并且以这样的方式产生一种广告产品选择模式，以致将所述风险降低到最低，则该方法有助于降低因为收视率的变化对赞助人产生的风险。

现在将对“广告业务组合”与所述“综合广告风险管理指数”之间的关系进行说明。

利用赞助商将在电视节目中提供广告的特殊例子，说明广告业务组合与综合广告风险管理指数之间的关系。

每日天气概率是晴天、多云和阴雨分别为1/3。根据过去的统计数据，观测到节目A的收视率，在晴天为6％，在多云天为10％，在阴雨天为20％。节目B是晚间赛事的实况广播，从过去的类似统计数据中发现，在晴天，节目B的收视率可以达到9％，但是如果是阴雨天，晚间赛事实况广播被取消，而用重播节目代替，这样可以达到的收视率为5％。

因此，现在对在上述条件下，赞助商应该以什么方式购买哪种节目进行研究。显然，对于每个节目，应该确定根据节目报价计算的CPM。

表1

节目	晴天	多云	阴雨	平均	标准偏差	CPM(￥)
							A(13：00～)	6	10	20	12	5.89	660
B(18：00～)	9	7	5	7	1.63	600
							C(23：00～)	6	7	8	7	0.92	630
概率	1/3	1/3	1/3

对于表1所示的情况，根据对节目A与节目B所做的比较，可以认为，从平均收视率的观点出发，节目A更佳，但是从标准偏差的观点出发，节目B更佳，这意味着难以确定哪个节目最好。

相反，根据对节目B与节目C所做的比较，可以认为，与节目B具有同样平均收视率，但是标准偏差是其一半的节目C更佳。

表2

节目业务组合	晴天	多云	阴雨	平均	标准偏差	平均CPM(￥)
							C＝1.0C	6	7	8	7	0.82	630
D＝0.2A+0.8B	8.4	7.6	8	8	0.33	618

然而，当产生的广告产品节目业务组合如表2所示时，与具有仅涉及单个节目C的报价的节目业务组合C相比，组合了20％的节目A和80％节目B的节目业务组合D可以实现更高的平均收视率和更低的标准偏差。此外，节目业务组合D的CPM比节目业务组合C的CPM廉价。在这方面，应该注意，节目业务组合的CPM计算过程不是简单计算每个节目的加权平均值。例如，可以以如下方式计算节目业务组合D的CPM。

首先，假定利用W_i表示节目“i”的广告费，并利用 R_i表示平均收视率。其次，假定分别利用CPM_A和CPM_B表示节目A和节目B的CPM，则：

CPM_A＝W_A/ R_A

CPM_B＝W_B/ R_B

在此假定分别利用X_A和X_B表示节目A和节目B的报价比，则利用下式表示节目业务组合D的广告费W_D：

W_D＝X_AW_A+X_BW_B＝X_A R_ACPM_A+X_B R_BCPM_B

并且，因此计算节目业务组合D的CPM：

CPM_D＝W_D/R_D

    ＝{X_A R_ACPM_A+X_B R_BCPM_B}/{X_A R_A+X_B R_B}

    ＝[X_A R_A/{X_A R_A+X_B R_B}]CPM_A+[X_B R_B/{X_A R_A+X_B R_B}]CPM_B

如果将此计算过程应用于表2所示的抽样，则：

CPM_D＝{(0.2×12)/8}×660+0.8×7)/8}×600＝618

总之，如果构成节目业务组合的节目数是N，则以如下方式计算节目业务组合P的CPM。

CPM_P＝∑{(X_i R_i)/R_p}CPM_i

其中R_p＝∑X_iR_i。

尽管上述例子根据实际购买的节目，从原理方面对仅以收视率与成本之间的关系为判据所做的研究进行了说明，但是还存在这样的情况，即在做购买决策时，还要考虑选择广告媒体的条件，因此，在选择条件中反映了包括节目内容是否适合企业活动或企业形象的因素。

在这种情况下，由于必须要有这样一种机制，即除了收视率与成本之间的上述关系外，系统中还要考虑涉及广告媒体的质量效果的因素，所以必须输入节目估计数据作为基本因素，如下所述。

现在，将利用综合广告风险管理指数AR(适当时，在以下简称为AR指数)对在半年内提供3个单元的定期节目情况下，哪种广告业务组合最好或者哪种节目组合最好的情况进行审查。

在此，假定有3个单元的定期节目A、B和C，并且每个单元节目的收视率为正态分布。如表3所示，在规定平均收视率、收视率标准偏差以及最近6个月的CPM时，为了将风险降低到最小，审查赞助商应该购买哪个节目。

表3

节目名称	平均收视率	标准偏差	CPM(￥)	AR指数(￥)
					A	12	5.88	660	34646.9
B	7	1.63	600	524.8
					C	7	0.82	630	191.7

在这种情况下，根据AR指数，优先提供节目C。然而，如果广告预算足以组合购买多个节目，则根据上述研究，将在2分30秒内仅提供节目C的节目业务组合C(其实就是将一个节目看作节目业务组合的情况)的AR指数与包括节目A和节目B的组合的节目业务组合D(在30秒内提供节目A，在2分钟内提供节目B)的AR指数进行比较，如表4所示。

表4

节目业务组合名称	平均收视率	标准偏差	平均CPM(￥)	AR指数(￥)
					节目业务组合C	7	0.82	630	191.7
节目业务组合D	8	0.33	618	54.9

从表4中可以看出，购买包括各节目组合的业务组合D可以降低AR指数，而不作为一个单元分别提供节目A、B和C。

根据上述研究，可以发现，如果通过产生包括某些节目组合在内的节目业务组合(广告业务组合)，根据包括平均收视率、标准偏差以及所述节目业务组合的CPM在内的指数，可以计算因为平均收视率的变化引起的全部节目业务组合风险，并因此可以产生可以将所述风险量降低到最低的广告产品选择模式，则可以进一步降低赞助商在收视率变化方面的风险，而非根据诸如平均收视率、标准偏差以及每个单独节目的CPM的指数做出购买单独节目决策的情况。此外，引入上述AR指数可以将购买单位广告产品的绝对风险量和购买电视和报纸上的组合广告产品的广告费转换为相对风险量，并因此可以根据综合指数，AR指数，比较估计所有产生的广告业务组合。

为了利用上述研究成果以综合、合理的方式产生广告成本最佳操作计划，需要建立一种理论，如下所述。

现在将说明根据本发明的“综合广告风险管理指数和节目业务组合模型理论”。

假定在交易n种节目S_j(j＝1，...，n)的市场中，用 R_j表示在某个期间内某种属性观众的平均收视率，用σ_j表示其标准偏差。∑P_jy_j表示以y_j为单位购买节目S_j情况下的总金额(其中，P_j表示每y_j单位的广告产品S_j的广告费)。

在此表达式中，矢量：

y＝(y₁，...，y_n)表示赞助商拥有的“节目业务组合”。

在此，σ_jk表示节目S_j的收视率与节目S_k的收视率的协方差，W_L表示赞助商支出的上限预算总额，W_U表示赞助商支出的下限预算总额。

由于必须以某个整数单位来买卖节目，所以为了使赞助商预定的预算额与购买节目的实际支出总额一致，不是始终可以购买到节目，但是可以这样设置赞助商支出的上限预算总额和下限预算总额，即对实际购买节目分配赞助商预定预算的某些份额。此时，如果节目业务组合的平均收视率 R_p不低于规定值，则可以将使平均收视率方差降低到最小的问题表示为如下公式：

最小化∑∑σ_jky_jy_k                        (1)

条件是∑ R_jy_j/∑y_j≥RE                    (2)

      W_L≤∑P_jy_j≤W_U                     (3)

      y_j：整数变量                           (4)

可以将公式(2)重写为诸如∑( R_j-RE)y_j≥0的线性约束公式。此外，由于可以将它表示为：

AR_p＝CPM_p×{( R_p)/( R_pN^-1(1-α)σ_p)-1}

   ＝CPM_p×N^-1(1-α)/{( R_p/σ_p)-N^-1(1-α)}因此，显然，降低节目业务组合的标准偏差σ_p等效于降低业务组合的AR指数AR_p。

已经对本发明进行了详细说明，如上所述，根据本发明，通过简单设置作为输入条件的这些参数，可以自动产生广告产品业务组合模型，并且通过利用统计学方法对这些广告产品的产品数据进行处理，可以对每个业务组合模型计算AR指数，从而为赞助商提供广告产品业务组合模型最佳选择。此外，应用综合广告风险管理系统不仅可以对广告业务组合而且可以对单独广告产品量化广告交易风险，并因此可以提供能降低量化风险的广告衍生产品。

此外，本发明允许用户对大量方法进行模拟计算，从而掌握每种方法的特性和趋势，因此在计算AR指数的系统开始运行后，本发明可以对与市场环境变化有关的模型变化提供灵活响应。

工业应用可行性

由于在根据本发明的广告业务组合模型中，首先，获得用于确定综合广告风险管理指数的关系表达式，综合广告风险管理指数是利用统计学方法表示在进行广告宣传期间广告产品可能以一定概率承受的最大不希望损失量的指数，其次，根据广告产品观测数据计算广告产品的多个相关系数数据，再次，推断广告产品最佳组合，从而根据用于确定综合广告风险管理指数的关系表达式和多个相关系数数据或已间接考虑到相关性的观测数据，对广告产品的效果、效率或风险中至少之一进行分析，因此可以为赞助商提供广告产品最佳组合。

由于采用根据本发明的广告业务组合模型的综合广告风险管理系统是利用最佳广告业务组合模型对广告产品的效果、效率或风险中至少之一进行分析的综合广告风险管理系统，所以本发明可以提供允许用户对投资广告产品组合进行综合决策的系统，并且所述系统包括：输入装置，用于输入计算综合广告风险管理指数所需的设定条件；模型生成装置，首先，通过根据输入装置输入的设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值，其次，通过根据购买的广告产品数据对广告产品计算多个相关系数数据，产生多个广告业务组合模型；验证装置，用于将所产生的多个广告业务组合模型与提供所述广告产品期间的实际数据进行比较，并用于验证所述多个广告业务组合模型是否适合真实条件；以及选择装置，用于根据所述验证装置的验证结果，从所述多个广告业务组合模型中选择对于广告产品进行风险分析和效果分析最适当的一个广告业务组合模型。

由于采用了根据本发明的广告业务组合模型进行投资决策的方法，所以本发明允许赞助商对投资广告产品组合进行综合决策，该方法包括下列步骤：输入计算综合广告风险管理指数所需的设定条件；根据输入装置输入的设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值；根据购买的广告产品的广告产品数据对广告产品计算多个相关系数数据；根据计算结果，产生多个广告业务组合模型；将所产生的多个广告业务组合模型与提供购买的广告产品期间的实际数据进行比较；根据比较结果，验证所述多个广告业务组合模型是否适合真实条件；以及根据所述验证结果，从多个广告业务组合模型中选择对于广告产品进行风险分析和效果分析最适当的一个广告业务组合模型。

Claims (14)

1.一种广告业务组合模型，其中，首先获得用于确定综合广告风险管理指数的关系表达式，综合广告风险管理指数是利用统计学方法表示在进行广告宣传期间广告产品可能以一定概率承受的最大不希望损失量的指数；其次，根据所述广告产品的观测数据，计算所述广告产品的多个相关系数数据；再次，推断所述广告产品的最佳组合，从而根据用于确定所述综合广告风险管理指数的所述关系表达式和所述多个相关系数数据或已间接考虑到相关性的观测数据，对所述广告产品的作用、效率或风险中至少之一进行分析。

2.根据权利要求1所述的广告业务组合模型，其中所述广告产品至少包括两个或更多个不同广告产品。

3.根据权利要求1或2所述的广告业务组合模型，其中所述广告产品至少包括一个广告衍生产品。

4.根据权利要求3所述的广告业务组合模型，其中制作所述广告衍生产品用于衡量单独广告交易中的风险，并同时用于降低所述单独广告交易风险。

5.一种利用最佳广告业务组合模型对广告产品的效果、效率或风险中至少之一进行分析的综合广告风险管理系统，所述系统包括：

输入装置，用于输入计算综合广告风险管理指数所需的设定条件；

模型生成装置，首先，通过根据所述输入装置输入的所述设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值，其次，通过根据所购买广告产品的广告产品数据对所购买的广告产品计算多个相关系数数据，产生多个广告业务组合模型；

验证装置，用于将所产生的多个广告业务组合模型与提供所述广告产品期间的实际数据进行比较，并用于验证所述多个广告业务组合模型是否适合真实条件；以及

选择装置，用于根据所述验证装置的验证结果，从所述多个广告业务组合模型中选择对于广告产品进行风险分析和效果分析最适当的一个广告业务组合模型。

6.根据权利要求5所述的采用广告业务组合模型的综合广告风险管理系统，其中所述广告产品至少包括两个或更多个不同广告产品。

7.根据权利要求5或6所述的采用广告业务组合模型的综合广告风险管理系统，其中所述广告产品至少包括一个广告衍生产品。

8.根据权利要求7所述的采用广告业务组合模型的综合广告风险管理系统，其中制作所述广告衍生产品用于衡量单独广告交易中的风险，并同时用于降低所述单独广告交易风险。

9.根据权利要求5至8中任一项所述的采用广告业务组合模型的综合广告风险管理系统，其中，利用从由与收视率、每密耳成本(CPM)、范围、频率以及赏识有关的数值构成的组中选择的两个或更多个数值来表示与所述广告效果和所述广告效率有关的多个数值。

10.一种利用广告业务组合模型进行投资决策的方法，该方法包括下列步骤：

输入计算综合广告风险管理指数所需的设定条件；

根据所述输入装置输入的所述设定条件，利用过去的观测数据，计算多个与广告效果和广告效率有关的数值；

根据所购买广告产品的广告产品数据对所购买的广告产品计算多个相关系数数据；

根据所述计算结果，产生多个广告业务组合模型；

将所产生的多个广告业务组合模型与提供所购买的广告产品期间的实际数据进行比较；

根据所述比较结果，验证所述多个广告业务组合模型是否适合真实条件；以及

根据所述验证结果，从所述多个广告业务组合模型中选择对于所购买的产品进行风险分析和效果分析最适当的一个广告业务组合模型。

11.根据权利要求10所述的利用广告业务组合模型进行投资决策的方法，其中所述广告产品至少包括两个或更多个不同广告产品。

12.根据权利要求10或11所述的利用广告业务组合模型进行投资决策的方法，其中所述广告产品至少包括一个广告衍生产品。

13.根据权利要求12所述的利用广告业务组合模型进行投资决策的方法，其中制作所述广告衍生产品用于衡量单独广告交易中的风险，并同时用于降低所述单独广告交易风险。

14.根据权利要求10至13中任一项所述的利用广告业务组合模型进行投资决策的方法，其中，利用从由与收视率、每密耳成本(CPM)、范围、频率以及赏识有关的数值构成的组中选择的两个或更多个数值来表示与所述广告效果和所述广告效率有关的多个数值。

Images