CN102893300A - 用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备 - Google Patents

用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备 Download PDF

Info

Publication number
CN102893300A
CN102893300A CN2011800237914A CN201180023791A CN102893300A CN 102893300 A CN102893300 A CN 102893300A CN 2011800237914 A CN2011800237914 A CN 2011800237914A CN 201180023791 A CN201180023791 A CN 201180023791A CN 102893300 A CN102893300 A CN 102893300A
Authority
CN
China
Prior art keywords
demographic
consumption index
geography
product
discussion group
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
Application number
CN2011800237914A
Other languages
English (en)
Inventor
J·清水
R·C·米勒
G·Y·格奥尔基
吴敬一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nielsen Co US LLC
Original Assignee
Nielsen Co US LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nielsen Co US LLC filed Critical Nielsen Co US LLC
Publication of CN102893300A publication Critical patent/CN102893300A/zh
Pending legal-status Critical Current

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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • G06Q30/0205—Location or geographical consideration
    • 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
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的示例方法涉及基于在较大地理区域的多个地理单元中的第一单元中的产品的第一每个个人销售量生成针对该产品的基于地理的消费指数。示例方法还涉及针对在第一单元中的人口统计群组，基于该产品的第二每个个人销售量生成针对该产品的基于人口统计的消费指数。基于个人的在线网络兴趣、地理位置和人口统计以及还基于所述基于地理的消费指数和基于人口统计的消费指数来选择向所述个人呈现的广告。

Description

用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备
相关申请
本申请是要求在2010年3月15日提交的美国临时专利申请No.61/314,019的优先权的国际专利合作条约专利申请，该美国临时专利申请的全部内容通过引用合并于此。
技术领域
本发明一般涉及媒体传输，更具体而言，涉及用于将总量销售数据（volumetricsales data）、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备。
背景技术
产品制造商、服务提供商和广告商通常依赖于广告来使得人们了解产品和服务。这种广告可以被人看见且引起对广告产品或服务感兴趣的个人的购买。然而，对于广告产品或服务少有兴趣或没有兴趣的个人而言，这种广告通常被这种个人当作无关信息而忽略。
附图说明
图1是可以用于基于指示因特网行为和购买行为的集合客户特性的建模有目的地投放在线广告的示例过程的概述。
图2示意用于生成地理-人口统计消费指数网格的示例过程。
图3是可以用于确定产品消费指数、客户亲和力模型和基于这种指数和模型有目的地投放广告的示例设备。
图4是表示示例机器可读指令的流程图，该示例机器可读指令可以被执行以执行图1和2中示意的数据融合和建模过程。
图5是表示示例机器可读指令的流程图，该示例机器可读指令可以被执行以基于使用图4的示例过程生成的客户亲和力模型和/或消费指数值识别靶向广告。
图6是表示示例机器可读指令的流程图，该机器可读指令可以被执行以确定基于地理的消费指数。
图7是表示示例机器可读指令的流程图，该机器可读指令可以被执行以确定基于人口统计的消费指数。
图8是示例处理器系统，该示例处理器系统可以用于执行图4、5、6和/或7的示例指令以实施图3的示例设备和/或此处公开的示例方法、设备和/制造物品。
图9示出相对于图2的地理区域的店铺级网格覆盖和接合网格覆盖。
具体实施方式
此处公开的示例方法、设备和/或制造物品可以用于利用地理和人口统计信息来有目的地投放广告。例如，此处公开的示例方法、设备和/或制造物品可以用于生成识别地理位置、人口统计信息、在线网络媒体的主题兴趣和/或产品购买行为之间的关联的关系模型。此处公开的示例方法、设备和/或制造物品还可以用于采用关系模型来基于这些用户的地理位置和在线网络媒体的主题兴趣识别不同用户的产品亲和力。通过以这种方式识别产品亲和力，这种示例方法、设备和/或制造物品可以用于针对不同用户识别具有与高级亲和力相关的产品且针对这些识别的产品以这些用户为目标来投放广告。以这种方式投放广告增加了这些广告与相应用户的关联性且因而增加了这些广告的效用。
如下面详细描述，一些公开的示例利用地理-人口统计消费指数网格来针对不同地理位置的不同产品（例如，通过分类、商标、子商标、产品类型）且针对客户的不同人口统计成分来识别消费指数（例如亲和力级）。在此处公开的所示示例中，地理-人口统计消费指数网格用于以个人或个人群组（例如客户）为目标，以例如传递关联广告。这种靶向可以通过与地理-人口统计消费指数网格相关的地理或人口统计中的客户采用的任意媒体（例如，因特网、电视、印刷品、无线电、直接邮件等）完成。基于客户的地理和人口统计特性的这种靶向实现了针对不同广告消息识别基本关联的主顾。因而，地理-人口统计消费指数网格的使用明显改善了针对特定广告消息选择明显相关的受众的可能性。
在一些示例中，通过将个人的地理和人口统计成分映射到在地理-人口统计消费指数网格中的特定指数单元直接向特定个人应用靶向过程。例如，可以通过在呈现用于靶向营销活动的特定广告消息的所需消费指数特性（例如，高于平均、低于平均、平均等）的较大地理区域内选择地理和人口统计，可以定位较小规模的营销活动。与在不采用这些靶向技术的情况下运行活动相比，广告商可以通过购买较小规模的活动且达到相同数量的商标/分类财富或通过购买相同规模的活动且达到更广/更多分类的财富来有利地使用这种靶向技术。
在其他示例中，通过使用类众分析建模应用靶向。在类众分析建模实施方式中，在使用或不使用附加变量的条件下，地理-人口统计消费指数单元中的值用作预测模型（例如，使用回归技术、判定树、商业规则、神经网络等中的一个或更多个生成的预测模型）的输入和/或因变量。在一些这种示例中，来自地理-人口统计消费指数单元的数据被转变成适于特定建模方法的形状，且所得的模型更广泛地实现针对相应广告量化真实客户与所需类型理想受众的匹配的过程。在这种示例中，为了进一步增加靶向广告的关联性，关于真实预期客户的附加用户兴趣信息与地理-人口统计消费指数数据结合使用。这种兴趣信息例如可以基于在线行为、搜索行为、与广告的交互、电视观看兴趣/模式、调查回答和/或任意其他可用信息。
地理-人口统计消费指数网格可以基于包括国家内的地域和/或在世界范围上跨越多个国家的地域的小或大地理区域。以这种方式，此处公开的示例方法、设备和/或制造物品可以用作靶向媒介物以识别期望发放广告活动的客户意愿。此处公开的靶向技术可以在世界范围内的任何地方针对任意类型的介质（例如电视、因特网、印刷品、无线电、直接邮件等），针对可以基于与地理-人口统计消费指数网格相关的地理或人口统计识别的个人使用。例如，如果因特网协议（IP）地址或浏览器cookie用于确定（例如经由反查找技术）地理位置（例如邮政编码），则该地理位置可以用于将IP地址或浏览器cookie与相应地理-人口统计消费指数单元相关联。然后可以基于来自地理-人口统计消费指数单元的值或基于使用地理-人口统计消费指数数据实施的类众分析模型做出相对于广告活动对象的客户意愿的判定。
尽管此处通过网页结合在线广告公开示例方法、设备和/或制造物品，但是，示例方法、设备和/或制造物品可以附加地或可选地用于经由不同类型的媒体投放广告，这些不同类型的媒体包括电视、印刷媒体（例如，报纸、杂志、期刊、定期期刊等）、无线电和/或任意其他类型的媒体。另外，尽管此处公开的示例方法、设备和/或制造物品被描述为基于指示客户在线网络兴趣和产品购买亲和力的集合数据有目的地投放广告，但是这种示例方法、设备和/或制造物品可以附加地或可选地实施为基于其他类型的集合数据有目的地投放广告，该其他类型的集合数据包括指示电视观众兴趣或习惯、无线电听众兴趣或习惯、印刷媒体读者兴趣或习惯的数据。
在一些示例性实施方式中，此处公开的示例技术可以用于在营销混合模型中有目的地投放广告，该营销混合模型针对不同地理区域（例如邮递区号）使用代表家庭级销售的历史销售数据的观察且与零售级数据和国家人口普查数据混合。以这种方式，此处公开的技术可以有利地用于在更加粒度化的地理级（例如子邮递区号级）观察或分析总量销售趋势且根据营销混合模型使用这种总量销售数据来有目的地投放广告。
图1是可以用于基于指示因特网行为和购买行为的集合客户特性的建模有目的地投放在线广告的示例过程100的概述。在所示示例中，从讨论组成员102a-c收集指示因特网行为和购买行为的客户特性，该讨论组成员被允许参与市场研究实体针对特殊市场研究目的监控的一个或更多讨论组。在其他示例中，讨论组成员102a-c可以是奖励程序或其他服务的注册用户，这些奖励程序或其他服务用于市场研究的明确目的而未被广告，但是跟踪这种注册用户的因特网行为和/或购买行为。在所示示例中，针对讨论组成员102a-c中的每一个，基于唯一用户ID 104a-c收集因特网行为，且使用产品购买日志106a-c收集产品购买信息。
讨论组计算机110a-c跟踪且发送信息到在线网络行为收集器服务器112以监控因特网行为和讨论组成员102a-c访问的网站。这种监控可以使用任意已知技术执行。这种示例性因特网行为监控技术涉及在讨论组计算机（例如讨论组计算机110a-c）安装计算机仪表，该计算机仪表监控用户计算机行为且在日志文件中存储这种行为的指示，该日志文件随后被传送到收集服务器。这种示例计算机测定技术在Coffey等人的美国专利No.5,675,510中公开，此处通过引用其全部内容以作参考。其他示例因特网行为监控技术涉及收集cookie以评估用户的兴趣（例如访问的网站）和因特网行为。这种示例因特网行为监控技术在Blumenau的美国专利No.6,460,079中公开，此处通过引用其全部内容以作参考。又一示例因特网行为监控技术涉及使用在呈现的内容中嵌入的监控指令监控在计算机显示或呈现的内容（例如，广告、视频、图片、音频等）。这种示例因特网行为监控技术在Blumenau的美国专利No.6,108,637中公开，此处通过引用其全部内容以作参考。
在一些示例中，被访问的网站信息可以指示讨论组成员102a-c的主题兴趣（例如，汽车、运动、金融、育婴、健康、健身、时尚、约会、夜生活等）。在线网络行为收集器服务器112可以通过因特网服务提供商（ISP）、网站主机、因特网公司、诸如Nielsen公司之类的媒体监控公司和/或协约执行这种数据收集的第三方来操作。
在购买行为收集器服务器114收集产品购买日志106a-c。例如可以使用用于市场研究的明确目的的Nielsen
Figure BDA00002393727900051
购买数据收集服务和/或从任意其他购买数据收集技术（例如，从零售商的忠诚卡计划的交易日志（tlog）数据、从信用卡公司数据等）获得产品购买日志106a-c中的数据。产品购买日志106a-c可以指示在零售商店、通过网站、通过邮件订购、通过电话订购和/或通过任意其他方式做出的购买。
在所示示例中，模型生成器116接收来自购买行为收集器114的购买行为信息118以及来自在线网络行为收集器112的网络行为信息120。购买行为信息118包括将产品/服务购买与讨论组ID相关联的记录。
网络行为信息120包括将主题兴趣、年龄、性别和地理编码（例如邮政编码、区域标识符等）与相应讨论组ID相关联的记录。在所示示例中，从针对相应地理位置（例如图2中示出的地理单元）存储针对不同产品的消费指数值的地理-人口统计消费指数数据库124获得局部指数值122。局部指数值122能够基于针对客户的相应局部地理区域的指数值122指示的产品/服务亲和力增加靶向广告与客户的关联性。例如，用于特定区域中的特定产品且在特定人口统计分布或人口统计群组的语境中分析的指数值可以指示该人口统计分布的客户绝不或很少在该区域中购买这种产品。因而，用于该产品的广告与该区域中的该人口统计分布的客户具有相对低的关联性。因而，即使当基于特定个人的因特网网络行为针对特定产品的广告可能看上去与该特定个人相关时，当在与那一个人相关的基于人口统计-地理的消费指数的语境中分析时，该广告可能是不相关的。低消费指数值22的原因可能是特定区域中的整体产品偏好（例如本地商标是优选的）、特定产品（例如特定类型的产品/服务、特定商标）可能在一个区域中不可用、产品可能在一个区域中具有很小的用途（例如，热带气候区域中的冬衣）等。下面结合图2详细描述地理-人口统计消费指数数据库124。
在所示示例中，例如使用一个或更多回归技术、判定树、商业规则、神经网络和/或任意其他合适的建模技术，模型生成器116基于购买行为信息118、网络行为信息120以及局部指数值122生成客户亲和力模型126。客户亲和力模型126可以用来基于这些客户的网络行为习惯、地理位置和人口统计识别针对不同产品/服务的客户亲和力。
客户亲和力模型126例如随后可以被ISP、因特网公司、网站主机等使用以基于（多个）非讨论组用户128的在线网络兴趣130和人口统计/位置分布132向（多个）非讨论组用户128投放广告。在所示示例中，例如可以经由跟踪cookie、因特网地址、代理服务器、注册和/或任意其他适当的在线网络行为收集技术来收集在线网络兴趣130。人口统计/位置分布132可以包括性别信息、年龄信息、家庭收入信息、地理位置信息，且例如可以经由订户账户信息、调查信息或任意其他合适的技术或基于行为（例如访问的网站、购买、行为等）的信息来收集。在一些示例中，订户帐户可以用于社会网络网站或提供用户注册机会的任意其他在线服务。在一些示例中，可以使用将IP地址映射到邮政编码的ID地址-邮政编码检测技术来收集非讨论组用户的地理位置信息。
为了在图1的示例中有目的地投放广告，在线网络兴趣130和人口统计/位置分布132作为输入提供到客户亲和力模型126。客户亲和力模型126处理这些输入以识别用于模型关联到在线网络兴趣130的一个或更多个产品/服务的客户亲和力值134。在所示示例中，广告选择器136使用产品亲和力134来从广告数据库144选择用于在客户计算机142的广告显示140中呈现的一个或更多靶向广告138。在所示示例中，广告显示140可以呈现于在客户计算机142上当前激活浏览的网页上，或可以呈现在激活浏览的网页外部或之外的弹出网页（例如辅助网页）上。
图2示出用于生成图1的地理-人口统计消费指数数据库124的示例过程。在此处公开的所示示例中，来自地理-人口统计消费指数数据库124的消费指数值可以用于提供图1的局部指数值122以基于涉及这些客户的人口统计和地理位置的产品消费指数增加靶向广告与客户的关联性。例如，针对特定区域（例如地理单元208）中的特定产品且在特定人口统计分布的语境中分析的地理-人口统计消费指数数据库124中的局部指数值可以指示该人口统计分布的客户绝不或很少在该区域中购买这种产品，且因而，针对该产品的广告与该区域中的该人口分布的客户具有相对低的关联性。因而，即使当基于该个人的因特网网络行为（或诸如电视观众、无线电听众、印刷媒体读者等任意其他行为）针对特定产品的广告可能看上去与特定个人相关时，当在与该个人相关的基于人口统计-地理的消费指数的语境中分析时，广告可能是不相关的。
在所示示例中，地理区域202示为与具有多个地理单元的店铺级网格覆盖203交叠，所述多个地理单元中的一个以参考数字208示出。地理区域202例如可以是地域、州、国家、邮政编码限定的区域（例如自治市、国家或其一部分）或任意其他地理区域。在一些示例中，在保持地理单元的数量相同的情况下针对地理区域202使用较小的区域可以导致更加相关和有作用的地理单元信息。这是因为，每个地理单元将覆盖更少的人且因而覆盖客户特性中的更少变化，使得这些地理单元中的指数将相对于这些更少的人更加专用或精确。
店铺级网格覆盖203的地理单元中的每一个可以通过识别比地理区域202小的子区域的位置识别器或地理编码（例如，人口普查小册子、街区群组、邮递区号、邮政编码、国家、州、地域等）识别。在所示示例中，地理区域202是邮递区号（或邮政编码）限定的区域且地理单元中的每一个是较小的局部区域（例如，人口普查小册子或邮递区号（zip+4 code））且代表店铺级区域（例如，其中一个或更多个店铺被识别为主要服务居住在相同局部区域和/或诸如相邻地理单元这样的识别的相邻区域内的个人的区域）。在所示示例中，针对在地理单元208中在零售店铺212销售的不同产品，使用汇聚零售级销售点（POS）数据210，生成用于地理单元208的基于地理的消费指数网格204。使用此处公开的技术，可以生成用于其他地理单元的类似的基于地理的消费指数网格。
不同产品可以被分类（例如咸味快餐）、商标（例如
Figure BDA00002393727900071
快餐）、子商标（例如
Figure BDA00002393727900072
墨西哥玉米片）、产品类型（例如奶酪墨西哥玉米片）等参考。在基于地理的消费指数网格204中表示的关于每个产品的每个值是消费指数（例如一般消费指数（GCI））。每个GCI可以涉及分类、产品类型、商标或子商标产品消费。在所示示例中，如下面的等式3所示，通过基于来自在相应地理单元208中的零售店铺212的POS数据210确定在某一产品级（例如分类、商标或子商标、产品类型等）的每个个人局部平均销售量（VPL(avg)）、将所得的每个个人局部平均销售量（VPL(avg)）除以相同产品级（例如分类、商标或子商标、产品类型等）的每个个人国家平均销售量（VPN(avg)）且然后将商结果乘以100来计算针对地理单元208中的特定产品的GCI（例如，下面等式3的地理区域消费指数（GAI））。在所示示例中，针对不同产品的每个个人国家平均销售量（VPN(avg)）可以从国家零售分析数据库214获得，该国家零售分析数据库214存储针对不同产品的每个个人国家销售量平均且还存储通过人口统计分段和总体人口针对不同产品的国家消费信息（例如，总量销售数据、国家消费指数等）。所示示例的国家零售分析数据库214由Nielsen公司生成和维护的SpectraTM数据库实施。在一些示例中，附加和/或可选的数据源可以用于解释针对每个地理单元的原始的零售店铺数据（例如POS数据210）的欠覆盖或填补任意丢失的数据点。
图2中还示出对应于地理单元208的基于人口统计的消费指数网格206。可以使用此处公开的技术生成用于其他地理单元的类似的基于人口统计的消费指数网格。基于人口统计的消费指数网格206一般通过编译个人级购买数据（例如个人客户的图1的产品购买日志106a-c）以创建人口统计网格（例如，年龄/性别群组或由诸如家庭收入、家庭成员数量等任意其他人口统计信息组成的群组）而生成。基于人口统计的消费指数网格206的每个单元通过人口统计因子的特定组合（例如，女性、年龄20-30等）来参考。
在所示示例中，基于人口统计的消费指数网格206中的每个单元值是加权的人口统计消费指数（WDI）（例如，针对诸如地理单元208这样的特定地理单元的局部的基于人口统计的消费指数）。加权的人口统计消费指数（WDI）基于地理区域消费指数（GAI）、原始的人口统计消费指数（DI）和人口统计比例加权值（W）。
在所示示例中，使用下面的示例性等式1确定针对在基于人口统计的消费指数网格206中表达的地理单元208的特定人口统计群组的加权人口统计消费指数（WDI）。
等式1    WDIn=DIn+GAAT
在上面的等式1中，通过将地理区域调节总数（GAAT）和与特定人口统计群组或分段对应的原始的人口统计消费指数（DI）相加来确定针对特定人口统计群组或分段的加权的人口统计消费指数（WDI）。上面的等式1可以用于针对地理区域202中的所有（N个）地理单元中的相同人口统计群组或分段确定加权的人口统计消费指数（WDIn）。
对于在示例等式1中的使用，可以从地理区域202的各个客户的图1的产品购买日志106a-c中的一个或更多个获得在图2的不同地理单元中的特定人口统计群组或分段的针对特定产品的销售量的原始的人口统计消费指数（DIn）。
在图2的所示示例中，地理区域调节总数（GAAT）用于关联（多个）产品的销售量或（多个）产品类型与贡献这些销售量的（多个）人口统计群组或（多个）分段。用于地理区域202的地理区域调节总数（GAAT）用于加权与地理单元208中的（多个）不同人口统计群组或（多个）分段对应的原始的人口统计消费指数（DI）以确定针对这些人口统计群组或（多个）分段的（多个）相应的加权的人口统计消费指数（WDI）。下面的示例等式2可以用于确定地理区域调节总数（GAAT）。
等式2
Figure BDA00002393727900091
在上面的等式2中，每个人口统计比例加权值（Wn）表示落在与地理区域调节总数（GAAT）对应的特定人口统计群组内的相应地理单元（例如图2的地理单元208）中的人口比例。在所示示例中，基于针对所有（N个）地理单元（即n=1,2，...N-1,N）的人口统计比例加权值（Wn）和原始的人口统计消费指数（DIn）确定针对地理区域202的地理区域调节总数（GAAT）。
如上面的等式2所示，从地理区域消费指数（GAI）（使用下面的等式3确定）减去针对所有（N个）地理单元的人口统计比例加权值（Wn）和原始的人口统计消费指数（DIn）的乘积的和（即
Figure BDA00002393727900092
）以确定地理区域调节总数（GAAT）。
具体地参考地理单元208，针对特定人口统计群组或分段的地理比例加权值（Wn）实现用于地理单元208中的相同人口统计群组的相应的原始的人口统计消费指数（DIn）与表示落在那一人口统计群组中的地理单元208中的客户数量的百分比的加权。例如，对于与女性、年龄20-30对应的在基于人口统计的消费指数网格206中的加权的人口统计消费指数（WDI）（例如具有相应人口统计比例加权值（Wn）和原始的人口统计消费指数（DIn）的人口统计群组），来自国家人口普查数据库216的人口普查数据用于量化落在女性、年龄20-30的人口统计群组中的客户的百分比（例如相应人口统计比例加权值（Wn））。如等式2所示，该百分比（由人口统计比例加权值（Wn）表示）然后用于对与女性、年龄20-30的人口统计群组对应的原始的人口统计消费指数（DIn）进行加权以达到在与地理单元208对应的地理位置处的针对特定产品的基于人口统计的消费指数（例如加权的人口统计消费指数（WDI））。在所示示例中，国家人口普查数据库216使用政府人口普查数据库（例如由美国人口普查办公署汇编和维护的美国国家人口普查数据库）实施。
地理区域消费指数（GAI）表示整个地理区域202或包含诸如图2的地理单元这样的多个较小单元的任意其他地理区域的总人口中针对特定产品的消费指数。在一些示例中，可以使用下面的等式3确定地理区域消费指数（GAI）。
等式3
如上面的等式3所示，通过将针对地理区域202的总人口的在某一产品级（例如分类、商标、子商标、产品类型等）的每个个人局部平均购买量（或每个个人局部平均销售量）（VPL(avg)）除以相同产品级（例如分类、商标、子商标、产品类型等）的每个个人国家平均购买量（或每个个人国家平均销售量）（VPN(avg)）确定针对地理区域202的地理区域消费指数（GAI）。在所示示例中，每个个人局部平均购买量（VPL(avg)）和每个个人国家平均购买量（VPN(avg)）与人口统计分段无关，且因而指示针对总人口的平均购买量（或平均销售量）。如上面的等式3所示，所得的商
Figure BDA00002393727900102
乘以100。
在一些示例中，可以从图2的POS数据获得等式3的每个个人局部平均购买量（VPL(avg)）且可以从国家零售分析数据库214获得等式3的每个个人国家平均购买量（VPN(avg)）。在上面等式3的示例使用中，如果针对地理区域202中的给定产品的每个个人局部平均购买量（VPL(avg)）是$10,00，且针对相同产品的每个个人国家平均购买量（VPN(avg)）是$5,00，则地理区域202的局部客户人口的指数超过国家平均100％且实施或呈现200的消费指数。
此处公开的示例技术可以使用加权的人口统计消费指数（WDIn）基于产品的局部销售量相对于国家销售量是过索引还是欠索引来确定针对不同产品的客户亲和力值。例如，如果在地理单元208中的女性、年龄20-30（例如在基于地理的消费指数网格206中表示的人口统计群组或分段）的局部人口统计群组平均消费或购买$5,00的给定产品，且对于相同产品的国家平均是$10,00，则该人口统计群组欠索引国家平均100％且实施或呈现50的消费指数。
在一些示例中，为了更好地对准来自基于人口统计的消费指数网格206的分解的个人信息和来自基于地理的消费指数网格204的汇聚的店铺信息，可以执行接合过程和调节。在某些示例中，通过在与交叠到地理区域202上的店铺级网格覆盖203相同或更高的地理级但是在相同的产品级（例如分类、商标、子商标、产品类型）创建另一网格实施这种接合和调节。图9中的示例较高地理级网格示为具有接合地理单元222的接合网格覆盖220，该接合地理单元222与店铺级网格覆盖203的地理单元相比较大。接合网格覆盖220（与图9的所示示例中的地理区域202交叠）的每个接合地理单元222基于来自在较大的接合地理单元222中的个人的产品购买信息（例如产品购买日志106a-c）填充消费指数。通过确定相应接合地理单元222中某一级（例如，分类、商标、子商标、产品类型等）的个人平均购买能力、将所得的每个个人平均购买能力除以在相同产品级（例如分类、商标、子商标、产品类型等）的每个个人平均国家购买能力且将所得的商乘以100来计算这些消费指数。一旦接合网格覆盖220的接合地理单元222填入这些数据，原始的店铺级网格覆盖203（也示为交叠到图2和9中的地理区域202）的相邻较小地理单元群组可以与放大单元的网格覆盖220的相对较大接合地理单元222对准，以基于接合网格覆盖220的接合地理单元222的相应消费指数取代或修改店铺级网格覆盖203的相对较小地理单元中的个人产品购买信息（例如产品购买日志106a-c）的消费指数。基于店铺级网格覆盖203的较小地理单元的消费指数和接合网格覆盖220中的接合地理单元的消费指数，店铺级网格覆盖203中消费指数的这种修改可以使用矩阵乘法操作或任意其他矩阵操作执行。
如果接合交叠网格（例如接合网格覆盖220）处于较高地理级（例如，都市区域）且原始店铺级网格（例如店铺级网格覆盖203）处于较低地理级（例如邮政区号），则两个网格203和220之间的所获得的对准在店铺级网格覆盖203中生成相邻地理单元的群组，该群组具有关于相应地理区域的与放大单元网格覆盖220的相应较大接合地理单元222相等的消费指数。例如，图9示出店铺级网格覆盖203的与接合地理单元228对应的相邻较小地理单元226的群组。在所示示例中，基于相应接合地理单元228的消费指数取代或修改较小地理单元226的消费指数，使得可以基于接合地理单元228的消费指数调节较小地理单元226中任意一个或更多个的任意不正确或丢失的消费指数信息。
另外，来自基于地理的消费指数网格204的汇聚店铺信息可以被调节以针对由于其中存在大容量（large-volume）店铺而导致具有非同寻常高集中的产品销售行为的地理单元补偿或引入校正因子。这种大容量店铺通常指的是大亨店铺或折扣店铺，并且典型地，与诸如杂货店铺或其他本地店铺之类的其他零售店铺相比，彼此之间相距更长距离。这些店铺通常由于其低价格和产品多样性吸引来自相对远距离（包括相邻地理单元）的客户。跨越多个地理单元的这种宽大客户吸引可以导致具有大容量店铺的地理单元中的产品销售行为的较高集中，且削减了在相邻地理单元中反应出来的销售行为。为了在这种情形中补偿或引入校正因子，可以调节受到大容量店铺影响的每个地理单元中的消费指数以增加归因于居中在这些地理区域中的个人的销售精度（即使由于大容量店铺，这些个人移动到相邻地理单元）。例如，可以通过从具有大容量店铺的地理单元减去由于在其他区域（例如相邻地理单元）生活的客户导致的销售执行这种调节。减去的销售然后可以添加到相应地理单元（例如，与具有大容量店铺的地理单元相邻的地理单元）的销售，那些销售归因于居中在该相应地理单元中的客户。
执行上述调节增加了将销售归因于与这些销售相关的客户居住的地理单元的精度。另外，在每个地理单元中的针对特定产品的消费指数可以通过向消费指数添加在地理区域202中销售的国家所有商品量（ACV）的相应共享或比例来加权。执行这种调节基本减小或消除了如下情形的影响：呈现相对高购买量（例如特定商标、子商标或兴趣分类）的少量小店铺（各个地理单元中）驱使它们的相应地理单元的消费指数人为较高，因为这些销售的一部分错误地归因于居住在包含这些店铺的地理单元中的客户，而不是归因于移动到这些店铺的在周边地理单元中的客户。
在图2所示的示例中，基于地理的消费指数网格204（通过接合调节或不调节）和基于人口统计的消费指数网格206相组合以生成存储在地理-人口统计消费指数数据库124中的指数。例如，网格204和206中的指数可以使用矩阵乘法操作或任意其他矩阵操作组合以确定地理-人口统计消费指数数据库124的地理-人口统计消费指数。新的地理-人口统计消费指数数据库124将具有与网格204和206的单元的乘积相同数目的单元（例如，如果基于地理的消费指数网格204具有45,000个单元且基于人口统计的消费指数网格206具有20个单元，则在地理-人口统计消费指数数据库124中表示的所得的网格将包括900,000个单元）。在地理-人口统计消费指数数据库124中表示的每个单元组合来自原始的网格204和206的相应单元的信息。地理-人口统计消费指数数据库124的每个单元中的所得的信息能够说明：在购买方面，在每个个人基础上与国家平均相比，多少过/欠指标化是专用于每个单元的区域和人口统计的特性。这种地理和人口统计学调节的消费指数可以在图1中示出的示例过程中有利地使用以使得针对产品/服务的靶向广告与各个客户更加相关（且有效）。在一些示例中，可以使用地理-人口统计消费指数数据库124中的指数而无需图1中示出的建模来有目的地投放广告。在这种示例中，可以基于客户的地理和人口统计信息（例如不使用上面结合图1讨论的网络行为和主题兴趣信息）在地理-人口统计消费指数数据库124中查找指数值，以识别特定广告更相关和有效的客户。
图3是可以用于确定产品消费指数、客户亲和力模型和/或基于这种指数和模型的靶向广告的示例设备300。例如，设备300可以用于确定图2的基于地理的消费指数网格204的基于地理的消费指数、图2的基于人口统计的消费指数网格206的基于人口统计的消费指数、图1和2的地理-人口统计消费指数数据库124的地理-人口统计消费指数和/或诸如图1的亲和力模型126这样的亲和力模型。
在所示示例中，设备300包括地理单元选择器302、人口统计群组选择器304、基于地理的消费指数确定器306、地理区域消费指数（GAI）确定器308、地理区域调节总数（GAAT）确定器310、基于人口统计的消费指数确定器312、图1的模型生成器116以及图1的广告选择器136。地理单元选择器302、人口统计群组选择器304、基于地理的消费指数确定器306、地理区域消费指数（GAI）确定器308、地理区域调节总数（GAAT）确定器310、基于人口统计的消费指数确定器312、模型生成器116和/或广告选择器136可以使用硬件、固件和/或软件的任意所需组合实施。例如，可以使用一个或更多个集成电路、分离的半导体组件和/或无源电子组件。因此，例如，地理单元选择器302、人口统计群组选择器304、基于地理的消费指数确定器306、地理区域消费指数（GAI）确定器308、地理区域调节总数（GAAT）确定器310、基于人口统计的消费指数确定器312、模型生成器116和/或广告选择器136或其部件可以使用一个或更多个电路、可编程处理器、专用集成电路（ASIC）、可编程逻辑设备（PLD）、现场可编程逻辑设备（FPLD）等实施。地理单元选择器302、人口统计群组选择器304、基于地理的消费指数确定器306、地理区域消费指数（GAI）确定器308、地理区域调节总数（GAAT）确定器310、基于人口统计的消费指数确定器312、模型生成器116和/或广告选择器136或其部件可以使用存储在机器可访问介质或计算机可读介质（例如图8的存储器824、825、827）且例如可以通过处理器（例如图8的示例处理器812）执行的指令、代码和/或其他软件和/或固件等实施。当所附权利要求其中任一项被阅读为覆盖纯软件实施时，地理单元选择器302、人口统计群组选择器304、基于地理的消费指数确定器306、地理区域消费指数（GAI）确定器308、地理区域调节总数（GAAT）确定器310、基于人口统计的消费指数确定器312、模型生成器116或广告选择器136此处明确地定义为包括诸如固态存储器、磁性存储器、数字多功能盘（DVD）、光盘（CD）、蓝光光盘等有形介质。
详细地参考图3，所示示例的设备300设置有地理单元选择器302以选择图2的地理区域202的一个或更多个地理单元（例如地理单元208）。例如，地理单元选择器302可以用于在生成用于图2的基于地理的消费指数网格204的基于地理的消费指数时、在生成用于图2的基于人口统计的消费指数网格206的基于人口统计的消费指数时和/或在以位于不同地理单元中的在线用户为目标投放广告时选择地理单元。
为了选择人口统计群组或分段，所示示例的设备设置有人口统计群组选择器304。例如，人口统计群组选择器304可以用于在生成基于人口统计的消费指数和/或在以具有特定人口统计的在线用户为目标投放广告时选择在图2的基于人口统计的消费指数网格206中表示的人口统计群组。
为了确定用于图2的基于地理的消费指数网格204的基于地理的消费指数，设备300设置有基于地理的消费指数确定器306。
为了确定地理区域消费指数（GAI），设备设置有地理区域消费指数（GAI）确定器308。在所示示例中，地理区域消费指数（GAI）确定器308基于上面的等式3确定地理区域消费指数（GAI）。
为了确定地理区域调节总数（GAAT），设备设置有地理区域调节总数（GAAT）确定器310。在所示示例中，地理区域调节总数（GAAT）确定器310基于上面的等式2确定地理区域调节总数（GAAT）。
为了确定基于人口统计的消费指数，设备设置有基于人口统计的消费指数确定器312。在所示示例中，基于人口统计的消费指数确定器312基于上面的等式1确定用于图2的基于人口统计的消费指数网格206的基于人口统计的消费指数。
图4-7是表示可以执行以实施图3的设备的示例机器可读指令的流程图。在一些示例中，图4-7的示例过程其中一个或更多个使用机器可读指令实施，当被执行时，这些机器可读指令促使设备（例如图8的处理器812、可编程控制器或其他可编程机器或集成电路）执行图4-7所示的操作。例如，图4-7的示例过程可以使用处理器、控制器和/或任意其他合适的处理设备执行。例如，图4-7的示例过程可以以存储在有形机器可读介质上的代码指令实施，该有形机器可读介质诸如是闪存、只读存储器（ROM）、数字多功能盘（DVD）、光盘（CD）、蓝光光盘以及与处理器或控制器相关的随机存取存储器（RAM）。
当在此使用的，术语有形计算机可读介质明确地定义为包括任意类型的计算机可读存储且排除传播信号。另外地或可选地，图4-7的示例过程可以使用存储在非临时计算机可读介质上的代码指令（例如计算机可读指令）实施，该非临时计算机可读介质诸如是闪存、只读存储器（ROM）、随机存取存储器（RAM）、缓存或其中存储信息任意持续时间（例如，扩展的时段、永久地、短暂地，用于临时缓存和/或用于信息的缓存）的任意其他存储介质。当在此使用的，术语非临时计算机可读介质明确地定义为包括任意类型的计算机可读介质且排除传播信号。
可选地，图4-7的示例过程可以使用专用集成电路（ASIC）、可编程逻辑设备（PLD）、现场可编程逻辑设备（FPLD）、分离的逻辑、硬件、固件等的任意组合实施。而且，图4-7的示例过程可以实施为上述技术中的任何技术的任意组合，例如，固件、软件、分离的逻辑和/或硬件的任意组合。
尽管参考图4-7的流程图描述了图4-7的示例过程，但是可以采用实施图4-7的过程的其他方法。例如，方框的执行顺序可以改变，和/或描述的方框中的一些可以改变、取消、细分或组合。另外，图4-7的示例过程中的一个或二者例如可以通过分离的处理线程、处理器、设备、分离的逻辑、电路等顺序地和/或并行地执行。
图4是代表示例机器可读指令的流程图，该示例机器可读指令可以被执行以执行图1和2中示意的数据融合和建模过程。最初，如上面结合图2所讨论，基于地理的消费指数确定器306（图3）生成图2的基于地理的消费指数网格204（方框402）。下面结合图6的示例过程描述可以用于生成基于地理的消费指数网格204的示例过程。
如上面结合图2所讨论的，基于人口统计的消费指数确定器312生成图2的基于人口统计的消费指数网格206（方框404）。下面结合图7的示例过程描述可以用于生成基于人口统计的消费指数网格206的示例过程。
如上面结合图2讨论的，生成图1和2的地理-人口统计消费指数数据库124（方框406）。然后如结合图1所讨论的，生成图1的客户亲和力模型126。在一些示例中，方框408的操作被省略且使用地理-人口统计消费指数数据库124执行靶向广告技术而无需使用客户亲和力模型126。图4的示例过程然后结束。
图5是代表示例机器可读指令的流程图，该示例机器可读指令可以被执行以基于图1的客户亲和力模型126和/或图1和2的地理-人口统计消费指数数据库124识别靶向广告（例如，图1的靶向广告138）。最初，亲和力模型126接收输入参数值（方框502）。输入参数值例如可以是人口统计信息、位置信息、在线网络行为信息（例如，主题兴趣）、产品/服务名称等。模型126生成产品/服务亲和力值（方框504）。例如，如上面结合图1所讨论，可以基于图1的客户亲和力模型126生成产品/服务亲和力值（例如图1的一个或更多产品亲和力134）。在不使用亲和力模型126的一些示例中，基于地理-人口统计消费指数数据库124（图1和2）生成产品/服务亲和力值而不使用客户亲和力模型126。例如，可以基于客户的地理和人口统计信息（例如不使用结合图1讨论的网络行为和主题兴趣信息）在地理-人口统计消费指数数据库124中查找指数值，以识别特定广告更相关和有效的客户。
广告选择器136选择靶向广告（方框506）。例如，如图1所示，广告选择器136可以基于产品亲和力134从广告数据库144选择靶向广告138。在不使用客户亲和力模型126的示例中，广告选择器136可以基于来自地理-人口统计消费指数数据库124的指数值选择靶向广告138。例如，广告选择器136可以设置有阈值，该阈值必须被满足或被指数值超过，以选择和与该指数值对应的产品相关的靶向广告。
靶向广告然后被发送以例如在客户计算机（例如图1的客户计算机142）进行显示。在所示示例中，在靶向用户（例如非讨论组用户128）接入和曝露于包含广告显示140的网页的同时，在方框506实时地选择靶向广告，且在方框508发送靶向广告以进行显示。在所示示例中，广告显示140可以呈现在客户计算机142当前激活浏览的网页上，或可以呈现在激活浏览的网页外部或之外生成的弹出网页（例如辅助网页）上。图5的示例过程然后结束。
图6是代表示例机器可读指令的流程图，该示例机器可读指令可以被执行以确定用于图2的基于地理的消费指数网格204的基于地理的消费指数。最初，地理单元选择器302（图3）选择地理单元（方框602），诸如图2的地理单元其中之一（例如地理单元208）。基于地理的消费指数确定器（图3）接收针对所选地理单元的店铺级POS数据210（图2）（方框604）。基于地理的消费指数确定器306选择产品级（例如分类、商标、子商标、产品类型等）（方框606）且选择用于该选择的产品级的产品群组（方框608）。产品群组例如可以是咸味快餐（分类）、
Figure BDA00002393727900161
快餐（商标）、
Figure BDA00002393727900162
墨西哥玉米片（子商标）、奶酪墨西哥玉米片（产品类型）等。方框606和608的操作可以基于用户输入或是从产品级和产品群组列表选择产品级和产品群组的自动过程。在一些示例中，产品级列表和产品群组列表可以含有通过与此处公开的技术的实施和/或使用相关的（多个）营销研究实体、（多个）广告商和/或（多个）任意其他实体其中一个或更多个所识别的产品级和产品群组。
通过将从POS数据210获得的产品群组的总销售量除以所选地理单元（例如地理单元208）中的客户数量，基于地理的消费指数确定器306针对所选产品群组确定每个个人局部平均销售量（VPL(avg)）（方框610）。
基于地理的消费指数确定器306例如从图2的国家零售分析数据库214检索每个个人国家平均销售量（VPN(avg)）（方框612）。基于地理的消费指数确定器306确定针对所选地理单元中的所选产品群组的局部的基于地理的消费指数（方框614）。在所示示例中，基于地理的消费指数确定器306可以使用上面的等式3确定局部的基于地理的消费指数（例如地理区域消费指数（GAI））。基于地理的消费指数确定器306在基于地理的消费指数网格204中存储局部的基于地理的消费指数（方框616）。
基于地理的消费指数确定器306确定是否存在要确定局部的基于地理的消费指数的另一产品群组（方框618）。例如，产品群组可以从产品群组列表选择或可以经由用户输入提供。如果存在另一产品群组，则控制返回到方框608。否则，基于地理的消费指数确定器306确定是否存在要确定局部的基于人口统计的消费指数的另一产品级（方框620）。例如，产品级可以从产品级列表选择或可以经由用户输入提供。如果存在另一产品级，则控制返回到方框606。否则，地理单元选择器302确定是否存在要确定局部的基于地理的消费指数的另一地理单元（例如图2的地理单元其中之一）（方框622）。如果存在另一地理单元，则控制返回到方框602。否则，图6的示例过程结束。
图7是代表示例机器可读指令的流程图，该示例机器可读指令可以被执行以确定用于图2的基于人口统计的消费指数网格206的基于人口统计的消费指数。最初，地理单元选择器302（图3）选择地理单元（方框702），诸如图2的地理单元其中之一（例如地理单元208）。人口统计群组选择器304（图2）选择例如与在图2的基于人口统计的消费指数网格206中表示的人口统计群组对应的人口统计群组（方框704）。基于人口统计的消费指数确定器312检索针对选择的人口统计群组的讨论组购买数据（方框706）。在所示示例中，从图1的产品购买日志106a-c获得讨论组购买数据。基于人口统计的消费指数确定器312选择产品级（例如分类、商标、子商标、产品类型等）（方框708）且选择用于所选产品级的产品群组（方框710）。产品群组例如可以是咸味快餐（分类）、
Figure BDA00002393727900171
快餐（商标）、
Figure BDA00002393727900172
墨西哥玉米片（子商标）、奶酪墨西哥玉米片（产品类型）等。方框708和710的操作可以基于用户输入或是从产品级和产品群组列表选择产品级和产品群组的自动过程。在一些示例中，产品级列表和产品群组列表可以含有通过与此处公开的技术的实施和/或使用相关的（多个）营销研究实体、（多个）广告商和/或（多个）任意其他实体其中一个或更多个来识别的产品级和产品群组。
如上面结合等式3所述，地理区域消费指数（GAI）确定器308（图3）确定地理区域消费指数（GAI）（方框712）。如上面结合等式2所述，地理区域调节总数（GAAT）确定器310（图3）确定地理区域调节总数（GAAT）（方框714）。如上面结合等式1所述，基于人口统计的消费指数确定器312确定局部的基于人口统计的消费指数（例如，人口统计消费指数（WDI））（方框716）。基于人口统计的消费指数确定器312在基于人口统计的消费指数网格206中存储局部的基于人口统计的消费指数。
基于人口统计的消费指数确定器312确定是否存在要确定局部的基于人口统计的消费指数的另一产品群组（方框720）。例如，产品群组可以从产品群组列表选择或可以经由用户输入提供。如果存在另一产品群组，则控制返回到方框710。否则，基于人口统计的消费指数确定器312确定是否存在要确定局部的基于人口统计的消费指数的另一产品级（方框722）。例如，产品级可以从产品级列表选择或可以经由用户输入提供。如果存在另一产品级，则控制返回到方框708。否则，人口统计群组选择器304确定针对当前选择的地理单元，是否存在要确定局部的基于人口统计的消费指数的另一人口统计群组（方框724）。如果在当前选择的地理单元中存在另一人口统计群组，则控制返回方框704。否则，地理单元选择器302确定是否存在要确定局部的基于人口统计的消费指数的另一地理单元（例如图2的地理单元其中之一）（方框726）。如果存在另一地理单元，则控制返回到方框702。否则，图7的示例过程结束。
图8是可以用于实施此处公开的示例设备、方法和系统的示例处理器系统810的框图。如图8所示，处理器系统810包括耦合到互连总线814的处理器812。处理器812可以是任意合适的处理器、处理单元或微处理器。尽管在图8中没有示出，系统810可以是多处理器系统且因而可以包括与处理器812相同或类似且可通信耦合到互连总线814的一个或更多个另外的处理器。
图8的处理器812耦合到包括存储器控制器820和输入/输出（I/O）控制器822的芯片集818。芯片集提供I/O和存储器管理功能以及可以被耦合到芯片集818的一个或更多个处理器访问或使用的多个通用目的和/或专用目的寄存器、定时器等。存储器控制器820执行这种功能：其使得处理器812（如果存在多个处理器为多个处理器）能够访问系统存储器824、大容量存储器825和/或光学介质827。
一般而言，系统存储器824可以包括任意所需类型的易失性和/或非易失性存储器，例如静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、闪存、只读存储器（ROM）等。大容量存储器825可以包括任意所需类型的大容量存储设备，包括硬盘驱动、光学驱动、磁带存储设备等。光学介质827可以包括任意所需类型的光学介质，诸如数字多功能盘（DVD）、光盘（CD）或蓝光光盘。
I/O控制器822执行这样的功能：使得处理器812能够经由I/O总线832与外围输入/输出（I/O）设备826和828以及网络接口830通信。I/O设备826和828可以是任意类型的I/O设备，诸如例如是键盘、视频显示器或监控器、鼠标等。网络接口830例如可以是以太网设备、异步传输模式（ATM）设备、802.11鼠标、数字订户线路（DSL）调制解调器、线缆调制解调器、蜂窝调制解调器等，使得处理器系统810能够与另一处理器系统通信。
尽管存储器控制器820和I/O控制器822在图8中示为芯片集818内的分离的功能方框，但是这些方框执行的功能可以集成在单个半导体电路内或可以使用两个或更多个分离的集成电路实施。
尽管上文公开了包括在硬件上执行的固件和/或软件的示例方法、设备、系统和制造物品，但是，应当注意，这种方法、设备、系统和制造物品仅是说明性的且不应解读为限制。例如，可以预期，这些硬件、固件和/或软件部件其中任意一个或全部可以排他性地在硬件中、排他性地在固件中、排他性地在软件中或在硬件、固件和/或软件的任意组合中实施。因此，尽管上文公开了示例方法、设备、系统和制造物品，但是提供的示例不是实施这种方法、设备、系统和制造物品的唯一方式。
尽管此处公开了某些方法、设备、系统和制造物品，但是本专利的覆盖范围不限于此。相反，本发明覆盖文字地或在等同的法律原则下完全地落在权利要求书的范围内的所有方法、设备、系统和制造物品。

Claims (24)

1.一种方法，该方法包括以下步骤：
基于较大地理区域的多个地理单元中的第一单元中的产品的第一每个个人销售量生成针对所述产品的基于地理的消费指数；
针对在所述第一单元中的人口统计群组，基于所述产品的第二每个个人销售量生成针对所述产品的基于人口统计的消费指数；以及
基于个人的在线网络兴趣、地理位置和人口统计以及还基于所述基于地理的消费指数和所述基于人口统计的消费指数来选择在所述个人的计算机上呈现的广告。
2.根据权利要求1所述的方法，其中，所述第一每个个人销售量和所述第二每个个人销售量基于位于所述第一单元中的零售商的总量销售。
3.根据权利要求1所述的方法，该方法进一步包括：基于针对所述产品的所述基于地理的消费指数和针对所述产品的所述基于人口统计的消费指数来生成针对所述产品的地理-人口统计消费指数。
4.根据权利要求3所述的方法，其中，基于所述基于地理的消费指数和所述基于人口统计的消费指数来选择广告包括基于所述地理-人口统计消费指数来选择用于呈现给所述个人的广告。
5.根据权利要求1所述的方法，该方法进一步包括以下步骤：
基于讨论组成员信息和非讨论组信息生成客户亲和力模型，所述讨论组成员信息指示讨论组离线购买、讨论组在线行为、讨论组地理位置以及所述讨论组成员的人口统计，所述非讨论组信息与所述基于地理的消费指数和所述基于人口统计的消费指数相关联并且与监控所述讨论组成员的行为无关地生成；以及
使用所述客户亲和力模型来基于所述个人的所述在线网络兴趣、地理位置和人口统计而选择向所述个人呈现的广告。
6.根据权利要求5所述的方法，其中，所述讨论组成员是市场研究实体针对明确的市场研究目的而维护和监控的讨论组的成员。
7.根据权利要求5所述的方法，其中，与所述计算机相关联的所述个人不是所述讨论组成员其中之一。
8.根据权利要求1所述的方法，其中，在所述个人访问网页的同时，实时选择广告以呈现给所述个人，所述广告经由所述网页或与所述网页相关的第二网页呈现。
9.一种设备，该设备包括：
处理器；以及
存储器，在所述存储器上存储有指令，所述指令当被执行时使得所述处理器：
基于较大地理区域的多个地理单元中的第一单元中的产品的第一每个个人销售量生成针对所述产品的基于地理的消费指数；
针对在所述第一单元中的人口统计群组，基于所述产品的第二每个个人销售量生成针对所述产品的基于人口统计的消费指数；以及
基于个人的在线网络兴趣、地理位置和人口统计以及还基于所述基于地理的消费指数和所述基于人口统计的消费指数来选择在所述个人的计算机上呈现的广告。
10.根据权利要求9所述的设备，其中，所述第一每个个人销售量和所述第二每个个人销售量基于位于所述第一单元中的零售商的总量销售。
11.根据权利要求9所述的设备，其中，所述指令当被执行时，使得所述处理器基于针对所述产品的所述基于地理的消费指数和针对所述产品的所述基于人口统计的消费指数来生成针对所述产品的地理-人口统计消费指数。
12.根据权利要求11所述的设备，其中，基于所述基于地理的消费指数和所述基于人口统计的消费指数来选择广告包括基于所述地理-人口统计消费指数来选择用于呈现给所述个人的广告。
13.根据权利要求9所述的设备，其中，所述指令当被执行时，使得所述处理器：
基于讨论组成员信息和非讨论组信息生成客户亲和力模型，所述讨论组成员信息指示讨论组离线购买、讨论组在线行为、讨论组地理位置以及所述讨论组成员的人口统计，所述非讨论组信息与所述基于地理的消费指数和所述基于人口统计的消费指数相关联并且与监控所述讨论组成员的行为无关地生成；以及
使用所述客户亲和力模型来基于所述个人的所述在线网络兴趣、地理位置和人口统计而选择向所述个人呈现的广告。
14.根据权利要求13所述的设备，其中，所述讨论组成员是市场研究实体针对明确的市场研究目的而维护和监控的讨论组的成员。
15.根据权利要求13所述的设备，其中，与所述计算机相关联的所述个人不是所述讨论组成员其中之一。
16.根据权利要求9所述的设备，其中，所述指令当被执行时，使得所述处理器在所述个人访问网页的同时实时地选择广告，所述广告经由所述网页或与所述网页相关的第二网页呈现。
17.一种机器可读介质，在所述机器可读介质上存储有指令，所述指令当被执行时，使得机器：
基于针对产品的基于地理的消费指数和针对所述产品的基于人口统计的消费指数来生成针对所述产品的地理-人口统计消费指数，针对所述产品的所述基于地理的消费指数基于较大地理区域的多个地理单元中的第一单元中的所述产品的第一每个个人销售量，针对所述产品的所述基于人口统计的消费指数基于针对在所述第一单元中的人口统计群组的所述产品的第二每个个人销售量；以及
基于个人的在线网络兴趣、地理位置和人口统计以及基于针对所述产品的所述地理-人口统计消费指数来选择在所述个人的计算机上呈现的广告。
18.根据权利要求17所述的机器可读介质，其中，所述第一每个个人销售量和所述第二每个个人销售量基于位于所述第一单元中的零售商的总量销售。
19.根据权利要求17所述的机器可读介质，在所述机器可读介质上存储有指令，所述指令当被执行时，使得所述机器：基于针对所述产品的所述基于地理的消费指数和针对所述产品的所述基于人口统计的消费指数来生成针对所述产品的地理-人口统计消费指数。
20.根据权利要求19所述的机器可读介质，在所述机器可读介质上存储有指令，所述指令当被执行时，使得所述机器：通过基于所述地理-人口统计消费指数选择用于呈现给所述个人的广告的方式来基于所述基于地理的消费指数和所述基于人口统计的消费指数选择广告。
21.根据权利要求17所述的机器可读介质，在所述机器可读介质上存储有指令，所述指令当被执行时，使得所述机器：
基于讨论组成员信息和非讨论组信息生成客户亲和力模型，所述讨论组成员信息指示讨论组离线购买、讨论组在线行为、讨论组地理位置以及所述讨论组成员的人口统计，所述非讨论组信息与所述基于地理的消费指数和所述基于人口统计的消费指数相关联并且与监控所述讨论组成员的行为无关地生成；以及
使用所述客户亲和力模型来基于所述个人的所述在线网络兴趣、地理位置和人口统计而选择向所述个人呈现的广告。
22.根据权利要求21所述的机器可读介质，其中，所述讨论组成员是市场研究实体针对明确的市场研究目的而维护和监控的讨论组的成员。
23.根据权利要求21所述的机器可读介质，其中，与所述计算机相关联的所述个人不是所述讨论组成员其中之一。
24.根据权利要求17所述的机器可读介质，在所述机器可读介质上存储有指令，所述指令当被执行时，使得所述机器：在所述个人访问网页的同时实时地选择广告，所述广告经由所述网页或与所述网页相关的第二网页呈现。
CN2011800237914A 2010-03-15 2011-03-14 用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备 Pending CN102893300A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US31401910P 2010-03-15 2010-03-15
US61/314,019 2010-03-15
PCT/US2011/028364 WO2011115916A1 (en) 2010-03-15 2011-03-14 Methods and apparatus for integrating volumetric sales data, media consumption information, and geographic -demographic data to target advertisements

Publications (1)

Publication Number Publication Date
CN102893300A true CN102893300A (zh) 2013-01-23

Family

ID=44649538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011800237914A Pending CN102893300A (zh) 2010-03-15 2011-03-14 用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备

Country Status (4)

Country Link
US (1) US8688516B2 (zh)
CN (1) CN102893300A (zh)
CA (1) CA2789800A1 (zh)
WO (1) WO2011115916A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111078816A (zh) * 2019-12-16 2020-04-28 秒针信息技术有限公司 基于位置的分析方法、装置、终端及存储介质
CN112184735A (zh) * 2020-10-09 2021-01-05 上海晶确科技有限公司 地理信息架构及内容形成的方法

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9208510B1 (en) 2011-06-29 2015-12-08 American Express Travel Related Services Company, Inc. Systems and methods for digital spend based targeting and measurement
US8700633B1 (en) * 2012-03-22 2014-04-15 Google Inc. Determining categories for geographic data
US9129313B1 (en) 2012-04-06 2015-09-08 MaxPoint Interactive, Inc. System and method for optimizing real-time bidding on online advertisement placements utilizing mixed probability methods
US10282758B1 (en) 2012-04-06 2019-05-07 MaxPoint Interactive, Inc. Pricing control in a real-time network-based bidding environment
US8862642B1 (en) * 2012-06-29 2014-10-14 Emc Corporation Endurant cache
US9058326B1 (en) 2012-06-29 2015-06-16 Emc Corporation Recovery and flush of endurant cache
US20140129293A1 (en) 2012-11-08 2014-05-08 xAd, Inc. Method and Apparatus for Dynamic Fencing
US20140188553A1 (en) * 2013-01-02 2014-07-03 E-Rewards, Inc. Quota Cell Priority Determination to Match a Panelist to a Market Research Project
US10013481B2 (en) 2013-01-02 2018-07-03 Research Now Group, Inc. Using a graph database to match entities by evaluating boolean expressions
US9390195B2 (en) 2013-01-02 2016-07-12 Research Now Group, Inc. Using a graph database to match entities by evaluating boolean expressions
US20150006255A1 (en) * 2013-06-28 2015-01-01 Streetlight Data, Inc. Determining demographic data
US9280749B1 (en) 2013-10-08 2016-03-08 Google Inc. Determining an attribute of an online user using user device data
US9595055B2 (en) 2013-11-27 2017-03-14 At&T Intellectual Property I, L.P. Feedback service
US10290025B1 (en) * 2013-12-18 2019-05-14 MaxPoint Interactive, Inc. Controlling impression delivery pacing for multiple geographic regions associated with an online campaign in a real-time bidding environment
US10002365B2 (en) 2014-10-31 2018-06-19 The Nielsen Company (Us), Llc Methods and apparatus to identify publisher advertising behavior
US10235684B2 (en) 2015-03-31 2019-03-19 The Nielsen Company (Us), Llc Methods and apparatus to generate consumer data
US20160321299A1 (en) * 2015-04-29 2016-11-03 Mastercard International Incorporated Method and system for determining and disseminating standardized aggregated measurements of activity
US10547971B2 (en) 2015-11-04 2020-01-28 xAd, Inc. Systems and methods for creating and using geo-blocks for location-based information service
US20180276704A1 (en) * 2017-03-27 2018-09-27 Jpmorgan Chase Bank, N.A. Systems and methods for using internet service co-branded financial instruments
CN107402955B (zh) * 2017-06-02 2020-04-14 阿里巴巴集团控股有限公司 确定地理围栏的索引网格的方法和装置
US11172324B2 (en) 2018-08-17 2021-11-09 xAd, Inc. Systems and methods for predicting targeted location events
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
US11146911B2 (en) 2018-08-17 2021-10-12 xAd, Inc. Systems and methods for pacing information campaigns based on predicted and observed location events
US11134359B2 (en) 2018-08-17 2021-09-28 xAd, Inc. Systems and methods for calibrated location prediction
US11869036B2 (en) * 2021-03-19 2024-01-09 DoorDash, Inc. System and method for logistical assistance with data exchange
US20240193143A1 (en) * 2022-12-08 2024-06-13 Vmware, Inc. Optimized searching based on self-balanced index storing at searchers in a distributed environment

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007002859A2 (en) * 2005-06-28 2007-01-04 Choicestream, Inc. Methods and apparatus for a statistical system for targeting advertisements

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030009379A1 (en) * 1995-06-06 2003-01-09 Ashok Narasimhan System and method for providing an automatic purchase reward
US5675510A (en) 1995-06-07 1997-10-07 Pc Meter L.P. Computer use meter and analyzer
US6108637A (en) 1996-09-03 2000-08-22 Nielsen Media Research, Inc. Content display monitor
US6636489B1 (en) 1997-11-03 2003-10-21 Bell South Wireless Data. L.P. Wireless management system and a method for an automated over-the-air managing process for wireless communication device
US6029139A (en) 1998-01-28 2000-02-22 Ncr Corporation Method and apparatus for optimizing promotional sale of products based upon historical data
US6460079B1 (en) 1999-03-04 2002-10-01 Nielsen Media Research, Inc. Method and system for the discovery of cookies and other client information
DE60035978D1 (de) 1999-03-19 2007-09-27 Shopper Trak Rct Corp System um fussgängerverkehr zu indizieren
US7844492B2 (en) * 1999-11-17 2010-11-30 Ipf, Inc. Internet-based E-commerce network for enabling commission-based E-commerce transactions along the fabric of the world wide web (WWW) using server-side driven multi-mode virtual kiosks (MMVKS) and transaction and commission tracking servers
US7028072B1 (en) 1999-07-16 2006-04-11 Unicast Communications Corporation Method and apparatus for dynamically constructing customized advertisements
US8495679B2 (en) * 2000-06-30 2013-07-23 Thomson Licensing Method and apparatus for delivery of television programs and targeted de-coupled advertising
US20020107733A1 (en) * 2000-07-25 2002-08-08 Liu Wanqian D. Method for promoting products using a world wide web
US6968179B1 (en) 2000-07-27 2005-11-22 Microsoft Corporation Place specific buddy list services
US7155508B2 (en) 2000-09-01 2006-12-26 Yodlee.Com, Inc. Target information generation and ad server
AU2002255790A1 (en) * 2001-03-14 2002-09-24 Clubmom, Inc. Systems and methods for conducting a loyalty program
US20030182188A1 (en) * 2001-10-26 2003-09-25 Mark Duchow System and method for providing electronic vouchers
US20090234717A1 (en) 2002-10-15 2009-09-17 Wiggins Randall T Targeted information content delivery using a combination of environmental and demographic information
CA2539784C (en) * 2003-09-22 2016-07-05 Citicorp Credit Services, Inc. Method and system for purchase-based segmentation
US7849154B2 (en) 2005-06-27 2010-12-07 M:Metrics, Inc. Acquiring, storing, and correlating profile data of cellular mobile communications system's users to events
JP2007058820A (ja) * 2005-08-26 2007-03-08 Hiroshi Sato 携帯型情報処理装置、ネットワーク上の情報処理装置、並びにシステム、及びマーケティング方法。
US20070061195A1 (en) 2005-09-13 2007-03-15 Yahoo! Inc. Framework for selecting and delivering advertisements over a network based on combined short-term and long-term user behavioral interests
US8302030B2 (en) 2005-09-14 2012-10-30 Jumptap, Inc. Management of multiple advertising inventories using a monetization platform
JP2007102340A (ja) 2005-09-30 2007-04-19 Pasuko:Kk マーケティング情報生成システム、このシステムで用いるデータマッチング装置、データマイニング装置、及びマーケティング情報生成方法
US7949714B1 (en) * 2005-12-05 2011-05-24 Google Inc. System and method for targeting advertisements or other information using user geographical information
US7606581B2 (en) 2005-12-13 2009-10-20 Yahoo! Inc. System and method for providing geo-relevant information based on a location
US7788188B2 (en) 2006-01-30 2010-08-31 Hoozware, Inc. System for providing a service to venues where people aggregate
US20080189169A1 (en) 2007-02-01 2008-08-07 Enliven Marketing Technologies Corporation System and method for implementing advertising in an online social network
US20080281711A1 (en) * 2007-05-11 2008-11-13 Bridges Thomas L System and method for displaying advertisements according to business and consumer relevance
US8099316B2 (en) 2007-07-09 2012-01-17 Velti Plc Mobile device marketing and advertising platforms, methods, and systems
JP2010537323A (ja) 2007-08-20 2010-12-02 フェイスブック，インク． ソーシャルネットワークにおける広告のターゲット設定
WO2009105707A2 (en) * 2008-02-20 2009-08-27 Dnp Photo Imaging America Corporation Method and system for advertising on a self-service order station
US8275682B2 (en) * 2008-02-29 2012-09-25 The Nielsen Company (Us), Llc. Systems and methods for consumer price index determination using panel-based and point-of-sale market research data
CA2722273A1 (en) 2008-04-30 2009-11-05 Intertrust Technologies Corporation Data collection and targeted advertising systems and methods
US7841526B2 (en) 2008-07-21 2010-11-30 Sensormatic Electronics, LLC System and method for correlating supply chain theft with internet auction activity
KR101024149B1 (ko) 2008-09-11 2011-03-22 야후! 인크. 광고 등록 참고 정보를 이용하여 전자지도 상에 광고를 등록하는 방법
US8219638B2 (en) * 2008-12-15 2012-07-10 Google Inc. Editing information configured for use in selecting content regarding at least one content provider
AU2010204563B2 (en) * 2009-01-15 2016-05-26 Google Llc Requesting offline profile data for online use in a privacy-sensitive manner
US20100257023A1 (en) 2009-04-07 2010-10-07 Facebook, Inc. Leveraging Information in a Social Network for Inferential Targeting of Advertisements
US8583511B2 (en) 2009-05-19 2013-11-12 Bradley Marshall Hendrickson Systems and methods for storing customer purchasing and preference data and enabling a customer to pre-register orders and events
US20110035280A1 (en) 2009-08-04 2011-02-10 Visa U.S.A. Inc. Systems and Methods for Targeted Advertisement Delivery
US20110035273A1 (en) 2009-08-05 2011-02-10 Yahoo! Inc. Profile recommendations for advertisement campaign performance improvement
US20110035288A1 (en) 2009-08-10 2011-02-10 Visa U.S.A. Inc. Systems and Methods for Targeting Offers
US20110276394A1 (en) * 2010-05-05 2011-11-10 Positioniq, Inc. Automated Targeted Information System

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007002859A2 (en) * 2005-06-28 2007-01-04 Choicestream, Inc. Methods and apparatus for a statistical system for targeting advertisements

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111078816A (zh) * 2019-12-16 2020-04-28 秒针信息技术有限公司 基于位置的分析方法、装置、终端及存储介质
CN111078816B (zh) * 2019-12-16 2023-08-25 秒针信息技术有限公司 基于位置的分析方法、装置、终端及存储介质
CN112184735A (zh) * 2020-10-09 2021-01-05 上海晶确科技有限公司 地理信息架构及内容形成的方法

Also Published As

Publication number Publication date
US20120053991A1 (en) 2012-03-01
WO2011115916A1 (en) 2011-09-22
CA2789800A1 (en) 2011-09-22
US8688516B2 (en) 2014-04-01

Similar Documents

Publication Publication Date Title
CN102893300A (zh) 用于将总量销售数据、媒体消费信息和地理-人口统计数据集成到靶向广告的方法和设备
Ratchford et al. Online and offline retailing: What we know and directions for future research
US10127574B2 (en) Internet marketing analytics system
US20050246358A1 (en) System & method of identifying and predicting innovation dissemination
US20050246391A1 (en) System & method for monitoring web pages
TW200945231A (en) Method and system for displaying correlated advertisements to internet users
US10592918B2 (en) Predictive recommendation system using tiered feature data
US20220180392A1 (en) Predictive recommendation system using tiered feature data
US10909553B1 (en) Systems and methods for generating an affinity graph
US20200111121A1 (en) Systems and methods for automatic processing of marketing documents
Pradana et al. Moderating of SERVQUAL on E-WOM, product quality, and brand image on and E-commerce purchase intention
Reutterer et al. A data mining framework for targeted category promotions
Dai et al. What influences online sales across different types of e-commerce platforms
Finotto et al. Factors influencing the use of e-commerce in the agri-food sector: an analysis of Italian consumers
KR20230142975A (ko) 온오프라인 통합 고객행동기반 개인화 마케팅 시스템
KR102106617B1 (ko) 광고 반응 기반의 사용자 관심도 예측 방법
Aday et al. Competitive advantage or market saturation: An in-depth comparison of flash-sale sites through content analysis
Park Individualization, information asymmetry, and exploitation in the advertiser-driven digital era
Jintana et al. Customer clustering for a new method of marketing strategy support within the courier business
US20140222563A1 (en) Solutions For Hedging Against Foreign-Exchange Currency Risk
US20200111130A1 (en) Systems and methods for automatic processing of marketing documents
Long Factors influencing consumers intention towards online food purchasing in Phnom Penh
US20100250363A1 (en) Exchange based on traders buying and selling fictitious shares of content types based upon anticipated returns of such content
Verheijden Predicting purchasing behavior throughout the clickstream
ANTCZAK THE INFLUENCE OF DIGITAL MARKETING AND SOCIAL MEDIA MARKETING ON CONSUMER BUYING BEHAVIOR.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1180815

Country of ref document: HK

C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130123

REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1180815

Country of ref document: HK