CN103562946A - 对于广告开支回报的多个归因模型 - Google Patents

对于广告开支回报的多个归因模型 Download PDF

Info

Publication number
CN103562946A
CN103562946A CN201180071222.7A CN201180071222A CN103562946A CN 103562946 A CN103562946 A CN 103562946A CN 201180071222 A CN201180071222 A CN 201180071222A CN 103562946 A CN103562946 A CN 103562946A
Authority
CN
China
Prior art keywords
data
attribution
user
conversion
cost
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
CN201180071222.7A
Other languages
English (en)
Inventor
G·休斯
D·艾利森
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.)
Google LLC
Original Assignee
Google 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 Google LLC filed Critical Google LLC
Publication of CN103562946A publication Critical patent/CN103562946A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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
    • G06Q30/0255—Targeted advertisements based on user history
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种用于基于广告转化数据提供归因的计算机系统，包括处理电路，所述处理电路被配置为接收用户交互数据、基于该用户交互数据和转化标准确定转化事件已经发生、基于该用户交互数据存储转化路径数据，其中转化路径数据包括该转化事件之前的用户交互数据和包含该转化事件的用户交互数据。该系统使用多个不同的归因模型将该转化事件归因于转化路径中的渠道。至少一个归因模型是与仅基于转化路径中最后一次点击的模型不同的模型。该系统接收表示转化路径中多个渠道的相对或实际成本的成本数据并生成包括第一归因数据、第二归因数据和成本数据的报告数据。

Description

对于广告开支回报的多个归因模型
背景技术
本申请要求在2011年5月27日提交的美国专利申请NO.13/117826的优先权，通过引用将该美国专利申请全部包含于此。
背景技术
互联网提供了对各种各样内容的访问。例如，通过互联网可以访问关于大量不同主题的图像、音频、视频和网页。可访问的内容提供了刊登广告的机会。可在诸如网页、图像或视频的内容中刊登广告，或者该内容可触发一个或多个广告的显示，例如在广告位置（slot）中展示广告。
广告客户使用各种广告管理工具来确定在特定内容中显示哪些广告。这些工具还允许广告客户跟踪各种广告或者广告活动的执行。还可以使用广告管理工具来改变用于确定何时显示特定广告的参数。用户在转化事件之前经常接触到不只一个营销渠道或者与不只一个营销渠道交互。
归因建模是将贡献额（credit）归因于导向网站并随后导致了转化事件的营销渠道的实践。归因模型包括确定如何在多个营销渠道之间共享转化贡献额的算法。
发明内容
一种用于基于广告转化数据提供归因的计算机系统，包括处理电路，所述处理电路被配置为接收用户交互数据、基于该用户交互数据和转化标准确定已经发生转化事件、基于该用户交互数据存储转化路径数据，其中该转化路径数据包括该转化事件之前的用户交互数据和包含该转化事件的用户交互数据。该系统使用多个不同的归因模型将该转化事件归因于转化路径中的渠道。至少有一个归因模型是与仅基于转化路径中最后一次点击的模型不同的模型。该系统接收表示转化路径中多个渠道的相对或实际成本的成本数据，并生成包括第一归因数据、第二归因数据和成本数据的报告数据。
附图说明
在附图和下面的描述中将阐述本说明书描述的主题的一个或多个实施例的细节。根据说明书、附图和权利要求，该主题的其他特征、方面和优点将更加明显。
图1是根据一个示例性实施例的示例环境的框图，该示例环境中广告管理系统管理广告服务。
图2是根据一个示例性实施例的用于集成用户交互日志数据的过程的流程图。
图3是根据一个示例性实施例的描述在用户交互日志数据集成过程中更新的用户交互数据的框图。
图4是示出了根据示例实施例的使用多个归因模型报告广告开支回报的方法的流程图。
图5是根据示例实施例的转化路径数据的图示。
图6是根据示例实施例的最后一次点击归因模型的图示。
图7是根据示例实施例的第一次点击归因模型的图示。
图8是根据示例实施例的第一次互动归因模型的图示。
图9是根据示例实施例的渠道互动归因模型的图示。
图10是根据示例实施例的最近归因模型的图示。
图11是根据示例实施例的显示多个归因模型计算结果的示例显示数据或报告数据的图示。
图12A是根据示例实施例的显示多个归因模型计算结果的、包括成本数据的示例显示数据或报告数据的图示。
图12B是根据又一个示例实施例显示多个归因模型计算结果的、包括成本数据的示例显示数据或报告数据的图示。
图13是与所公开的实施例一起使用的示例计算机系统的框图。
具体实施方式
在一个或多个实施例中，可以将多个不同的归因模型或算法应用于转化路径数据。每个模型可以给转化路径中不同的渠道提供不同的贡献额。在一个或多个实施例中，可以将每个渠道的成本数据与该不同的贡献额的值一起进行处理以提供关于使用营销活动中每个渠道的相对价值的信息。接着，广告客户或其他内容提供者可使用该价值信息来改善他们的营销活动，例如，给将来活动中的不同渠道分配或多或少的资金。
给内容提供者（例如，广告客户）提供公开与内容的各种用户交互的各种报告。每个用户交互可包括多个维度，所述维度可包括与该用户交互关联的数据。可以生成报告以向广告客户提供关于用户交互的信息。用户交互可包括来自各种渠道的用户交互。渠道是描述用户交互的原始来源的一种方式。用户交互和渠道的说明性示例包括在付费广告上进行点击、直接导航到网站、在自然搜索结果上进行点击、在电子邮件内的链接上进行点击、在来自引用网站的链接上进行点击、在来自社交网站的链接上进行点击、将鼠标移到广告上、在横幅广告或其他广告的网页上提供显示以便在用户不点击广告或不积极与其交互的情况下给予该用户看见该广告的机会，等等。转化路径包括在转化用户交互之前的一个或多个用户交互。
用户交互包括对用户的任何内容展示，以及用户响应于向该用户展示内容（例如在展示内容后选择内容，或者在展示内容后不选择内容）而采取的任何随后的肯定性动作或者非动作（除非另外指定，统称为“动作”）。因此，用户交互不一定需要由该用户选择内容（或者任何其他的肯定性动作）。用户交互可以仅是用户观看或者未实际观看到的接触(exposure)或印象（impression）。用户交互数据可以包括用户接触，例如，以包括关于被跟踪的用户的数据，该用户正接触广告印象但没有点击广告或主动地与其交互。
用户交互估量可包括一个或多个时间间隔估量（即估量从一个或多个指定的用户交互到转化的时间）、路径长度估量（即在转化前发生的用户交互的数量）、用户交互路径（即在转化前发生的用户交互的序列）、辅助交互估量（即在转化前发生的特定用户交互的数量）和辅助的转化估量（即由指定内容辅助的转化的数量）。可以从跨越互联网和跨越多个网络的服务和跟踪活动来收集用户交互数据。可以使用跟踪标志。用户可以以多种方式来选择退出这种跟踪活动。可以为多个不同的归因模型收集数据。
图1是根据一个示例性实施例的示例环境的框图，其中广告管理系统管理广告服务。示例环境100包括网络102，例如局域网（LAN）、广域网（WAN）、互联网或者上述的组合。网络102连接网站104、用户装置106、广告客户108和广告管理系统110。示例环境100可包括数千或更多个网站104、用户装置106和广告客户108。
网站104包括与域名关联的且由一个或多个服务器寄载的一个或多个资源105。采用超文本标记语言（HTML）格式的网页的集合就是一个网站的例子，网页可包括文本、图像、多媒体内容和编程元素，例如脚本。
当用户接触营销渠道或者与该营销渠道交互时，该渠道有市场分析可能感兴趣的多个属性，例如站点、广告类型、广告所从属的广告活动、站点布置（在站点的哪个网页）、特定广告消息、特定广告图像或文本以及广告尺寸。当使用归因模型分析广告的价值时，可以通过使用归因模型对所有类似属性给予贡献额来比较这些属性中的差异。因此，给定的归因模型可以被用来比较对在分析中包含的所有站点赋予的贡献额；但也可以被用来比较所有活动，或比较所有的广告布置等等，这取决于正在分析的属性。
资源105是可通过网络102提供的任何数据。通过与资源105关联的资源地址来标识资源105，例如统一资源定位符（URL）。举例来说，资源105可包括网页、字处理文档、可移植文档格式（PDF）文档、图像、视频、编程元素、交互内容和输入源。资源105可包括内容，例如单词、短语、图像和声音，所述内容可包含嵌入信息（例如超链接中的元信息）和/或嵌入指令。嵌入指令可包括在用户装置处（例如在网页浏览器中）执行的代码。可以采用诸如JavaScript
Figure BDA0000424053290000041
或ECMAScript
Figure BDA0000424053290000042
之类的语言来编写代码。
用户装置106是由用户控制的电子装置，并且能够通过网络102请求和接收资源105。用户装置106的例子包括个人计算机、移动通信装置和能够通过网络102发送和接收数据的其他装置。用户装置106通常包括便于通过网络102发送和接收数据的用户应用，例如网页浏览器。
用户装置106可请求来自网站104的资源105。反过来，可将表示资源105的数据提供给用户装置106，用于由用户装置106进行展示。表示资源105的数据可包括指定其中可展示广告的资源的部分或者用户显示的部分（例如，弹出式窗口的或者在网页的位置中的展示位置）的数据。资源105或者用户显示的这些指定部分称作广告位置。
为便于搜索通过网络102可访问的大量资源105，环境100可包括搜索系统112，其通过抓取和索引在网站104上提供的资源105来识别资源105。关于资源105的数据可基于与该数据关联的资源105来进行索引。可选地，将资源105的索引副本和（可选的）高速缓存副本存储在搜索索引（未示出）中。
用户装置106可通过网络102向搜索系统112提交搜索查询。作为响应，搜索系统112访问搜索索引，以识别与搜索查询相关的资源105。在一个示例性实施例中，搜索查询包括一个或多个关键词。搜索系统112识别对该查询响应的资源105、以搜索结果的形式提供关于该资源105的信息，并且以搜索结果页面向用户装置106返回搜索结果。搜索结果可包括由搜索系统112生成的数据，其标识响应于特定搜索查询的资源105，并且搜索结果可包括到资源105的链接。搜索结果的例子可包括网页标题、从网页104提取的文本片段或图像的部分、资源105的呈现，以及网页104的URL。搜索结果页面还可以包括可展示广告的一个或多个广告位置。
可将搜索结果页面和来自搜索系统112的对于用户装置106的网页浏览器设置HTTP（超文本传输协议）cookie的请求一起进行发送。例如，cookie可表示特定用户装置106和特定网页浏览器。例如，搜索系统112包括服务器，该服务器通过在HTTP响应中发送搜索结果页面对查询进行答复。该HTTP响应包括使得浏览器存储关于服务器所寄载的站点或者关于服务器的域的cookie的指令（例如，设置cookie指令）。如果浏览器支持cookie且启用cookie，则对相同服务器或者服务器域内的服务器的每一个随后的页面请求将包括该cookie。cookie可存储各种数据，包括唯一或部分唯一标识符。可隐去该唯一或部分唯一标识符并且该唯一或部分唯一标识符与用户名称没有关系。由于HTTP是无状态协议，使用cookie允许外部服务（例如搜索系统112或其他系统）在多个会话上跟踪用户的特定动作和状态。例如，用户可通过在浏览器的设置中禁用cookie，来选择退出跟踪用户动作。
当用户装置106请求资源105或搜索结果时，或者在将资源105或搜索结果提供给用户装置106时，广告管理系统110接收对将要与资源105或搜索结果一起提供的广告的请求。对广告的请求可包括为所请求的资源105或搜索结果页面限定的广告位置的特征，并且可被提供给广告管理系统110。例如，可向广告管理系统110提供：对资源105的引用（例如URL），其中对于该资源105限定广告位置；广告位置的大小；和/或可用于在该广告位置中展示的媒体类型。类似地，还可以向广告管理系统110提供与请求的资源105关联的关键词（即与内容关联的一个或多个单词）（“资源关键词”）或者请求搜索结果的搜索查询，以帮助识别与资源105或搜索查询相关的广告。
基于在对广告的请求中包括的数据，广告管理系统110可选择将要响应于该请求来提供的符合条件的广告（“合适的广告”）。例如，合适的广告可包括具有与广告位置的特征相匹配的特征的广告以及被识别为与指定的资源关键词或搜索查询相关的广告。在一些实施例中，由广告管理系统110将具有匹配资源关键词、搜索查询或搜索查询的部分的目标关键词的广告选为合适的广告。
广告管理系统110为资源105或搜索结果页面的每个广告位置选择合适的广告。由用户装置106接收资源105或搜索结果页面，以用于由该用户装置106进行展示。可将表示用户与展示的广告的交互的用户交互数据存储在历史数据存储器119中。例如，在经由广告服务器114向用户展示广告时，可在日志文件116中存储数据。如下文中所详细描述的，可将该日志文件116与历史数据存储器119中的其他数据进行聚合。因此，历史数据存储器119包括表示广告印象的数据。例如，响应于对展示的广告的请求来存储广告的展示。例如，广告请求可包括标识特定cookie的数据，使得标识cookie的数据可与标识响应于请求而展示的广告的数据一起存储。在一些实施例中，可将数据直接存储到历史数据存储器119。
类似地，当用户选择（即点击）展示的广告时，可将表示选择广告的数据存储到日志文件116、cookie或历史数据存储器119中。在一些实施例中，响应于对通过广告链接的网页的请求来存储数据。例如，用户选择广告可以发起展示由（或者为）广告客户提供的网页的请求。该请求可包括标识关于用户装置的特定cookie的数据，并且可将该数据存储到广告数据存储器中。
用户交互数据可与唯一标识符关联，该唯一标识符表示执行用户交互的相应的用户装置。例如，在一些实施例中，用户交互数据可与一个或多个cookie关联。每个cookie可包括指定初始化时间的内容，该初始化时间指示在特定用户装置106上最初设置该cookie的时间。
日志文件116或者历史数据存储器119还可以存储对广告的引用和表示条件的数据，其中在所述条件下选择用于向用户展示的每个广告。例如，历史数据存储器119可存储目标关键词、出价（bid）和选择符合条件的广告用于展示的其他标准。此外，历史数据存储器119可包括指定关于每个广告的多个印象的数据，以及可以例如使用造成广告印象的关键词和/或与印象关联的cookie来跟踪关于每个广告的多个印象。还可以存储关于每个印象的数据，使得每个印象和用户选择可与选择的广告和/或造成选择该广告用于展示的目标关键词相关联（即，参考该选择的广告和/或目标关键词存储每个印象和用户选择以及/或者根据该选择的广告和/或目标关键词对每个印象和用户选择进行索引）。
广告客户108可向广告管理系统110提交用于控制广告分发的活动参数（例如，目标关键词和相应的出价）。广告客户108可访问广告管理系统110，以监控使用活动参数分发的广告的性能。例如，广告客户可访问活动性能报告，该活动性能报告提供关于广告的多个印象（即展示）、选择（即点击），以及已标识的转化。活动性能报告还可以提供在指定的时间段内关于广告的总成本、每个点击的成本，以及其他成本测量。例如，广告客户可以访问性能报告，其指定使用短语匹配关键词“曲棍球”分发的广告已经收到1000个印象（即已被展示1000次）、已被选择（例如被点击）20次，以及已经造成了5次转化。因此，可以将1000个印象、20次点击和5个转化归功于该短语匹配关键词曲棍球。
如上文所述，提供给特定内容提供者的报告可指定评估在转化之前发生的用户与内容的交互的性能评估。当用户执行指定动作时发生转化，并且转化路径包括转化以及在由用户执行该转化之前发生的一组用户交互。构成转化的因素可能因事而异，并且可以用各种方法来确定是什么构成转化。例如，当用户点击广告，转到网页或网站，然后在离开该网页或网站之前在那完成购买时，可发生转化。再例如，当用户在特定网站花费比给定时间更多的时间时，可发生转化。来自多个用户交互的数据可用于确定在特定网站的时间量。
可由每个广告客户指定构成转化的动作。例如，每个广告客户可选择一个或多个可测量的/可观察的用户动作作为转化，例如下载白皮书、至少导航到网站的给定深度、至少查看一定数量的网页、至少在网站或网页上花费预定量的时间，购买产品，或者在网站上注册。也可以使用构成转化的其他动作。
要跟踪转化（以及与广告客户的网站的其他交互），广告客户可在该广告客户的网页中包含嵌入指令，其中该嵌入指令监控用户与广告客户的网站的交互（例如页面选择、内容项选择和其他交互），并且可以检测构成转化的用户交互（或者一系列用户交互）。在一些实施例中，当用户从引用网页（或其他资源）访问网页或另一资源时，例如，可通过执行由正被访问的网页引用的代码片段和/或基于用于访问该网页的URL来识别关于该交互的引用网页（或其他资源）。
例如，用户可通过选择在网页上展示的链接来访问广告客户的网站，例如选择作为广告客户的联属会员(affiliate)的推广活动部分的链接。该链接可与包括唯一标识资源的数据（即文本）的URL相关联，其中用户从该资源进行导航。例如，链接http://www.example.com/homepage/%affiliate_identifier%promotion_1指定将用户从与该URL中指定的联属会员标识符号关联的联属会员网页导航到example.com网页，并且基于选择在与promotion_1关联的推广活动中包含的链接将用户定向到example.com网页。可将关于该交互（即选择链接）的用户交互数据存入数据库，并且如下文所述，使用该用户交互数据来帮助性能报告。
在为广告客户检测转化时，可将表示该转化的转化数据传输到接收该转化数据的数据处理设备（“分析设备”），进而将该转化数据保存在数据存储器中。可将该转化数据与用于执行用户交互的用户装置的一个或多个cookie一起存储，使得与cookie关联的用户交互数据可与该转化关联，并且可用于生成关于该转化的性能报告。
通常，当使用目标关键词定为目标的广告是转化前最后点击的广告时，认为该转化归因于该目标关键词。例如，广告客户X可将关键词“网球”、“鞋”和“品牌X”与广告相关联。在该示例中，假设用户提交对“网球”的第一搜索查询，向该用户展示包括广告客户X的广告的搜索结果页面，并且该用户选择该广告，但是该用户并不采取构成转化的动作。进一步假设该用户随后提交对“品牌X”的第二搜索查询，向该用户展示广告客户X的广告，用户选择广告客户X的广告，并且用户采取构成转化的动作（例如，用户购买品牌X网球鞋）。在该示例中，将转化归功于关键词“品牌X，”这是因为转化前选择的最后一个广告（“最后选择的广告”）是响应于匹配“品牌X”而展示的广告。
向在转化前导致展示最后选择的广告的关键词提供转化贡献额（“最后选择贡献额”）是对广告性能的一种有效估量方法，然而单是该估量方法并不能向广告客户提供帮助分析转化周期的数据，该转化周期包括在最后选择的广告之前对广告用户接触和/或选择。例如，单独的最后选择贡献额估量方法并不指定可能已经通过在选择该最后选择的广告之前对呈现给用户的和/或由用户选择的广告的展示增加了品牌或产品知名度的关键词。然而，这些广告可能已经对随后采取构成转化的动作的用户具有重大贡献。
在上面的示例中，即使响应于匹配关键词“网球”的搜索查询而展示的广告可能对采取构成转化的动作（例如购买品牌X网球鞋）的用户有贡献，但也没有向关键词“网球”提供关于转化的任何贡献额。例如，当用户选择响应于匹配关键词“网球”而展示的广告时，用户可能已经查看了可从广告客户X获得的品牌X网球鞋。基于用户对品牌X网球鞋的接触，用户可能已经随后提交了搜索查询“品牌X，”以寻找来自品牌X的网球鞋。类似地，无论用户对广告的选择如何，用户对使用关键词“网球”定为目标的广告的接触也已经对随后采取构成转化的动作（例如购买来自广告客户X的产品）的用户有所贡献。分析在选择最后选择的广告之前发生的用户与广告客户的广告（或者其他内容）的交互，可以提高广告客户理解该广告客户的转化周期的能力。
转化周期是向用户展示广告时开始，且在用户采取构成转化的动作时结束的期间。可以由时间或动作来估量和/或约束转化周期，并且该转化周期可跨越多个用户会话。用户会话是聚合在一起用于分析的用户交互的集合。每个用户会话包括表示由特定用户执行的且在会话窗口（即指定期间）内的用户交互的数据。例如，会话窗口可以是指定的时间段（例如1小时、1天或1个月），或者可使用指定动作来划定该会话窗口。例如，用户搜索会话可包括在1小时期间内发生的和/或在会话结束事件（例如，关闭搜索浏览器）之前发生的用户搜索查询以及随后的动作。
分析转化周期可提高广告客户理解在转化周期内其顾客如何与广告交互的能力。例如，如果广告客户确定从用户第一次接触广告到转化的平均时间为20天，则广告客户可使用该数据来推断用户在转化（即采取构成转化的动作）前用于研究替代源所花费的时间。类似地，如果广告客户确定在展示使用特定关键词定为目标的广告后进行转化的很多用户这样做，则广告客户可能希望增加其在使用该关键词分发的广告上花费的资金数量，和/或提高使用该特定关键词定为目标的广告的质量。
帮助分析转化周期的用户交互估量可称作转化路径性能估量。如在下文中详细描述的，转化路径性能估量指定转化周期的持续时间、在转化周期的持续时间内发生的用户交互数量、转化前用户交互的路径、转化前发生的特定用户交互的数量，以及对在转化周期的持续时间内发生的用户交互的其他估量。
广告管理系统110包括确定转化路径性能估量的性能分析设备120，该转化路径性能估量指定在转化周期的持续时间内用户与内容项交互的估量。性能分析设备120为每个广告客户跟踪用户与该广告客户提供的广告的交互、确定（即计算）一个或多个转化路径性能估量，以及提供造成性能报告的展示的数据，其中该性能报告指定至少一个转化路径性能估量。通过使用性能报告，广告客户可分析其转化周期，并且得知其每个关键词如何引起对促成转化的广告的展示，而不管该关键词是否引起对最后选择的广告的展示。反过来，广告客户可基于性能报告来调整控制其广告分发的活动参数。
可提供配置选项来减少性能报告中的偏差。没有配置选项，某些性能报告可能有偏差，例如偏向短转化路径。例如，如果用作报告基础的数据包括高于阈值百分比的部分转化路径的百分比，则性能报告可能偏向短转化路径。部分转化路径是其中关于用户的一些用户交互数据而不是所有用户交互数据都与转化关联的转化路径。例如，如果使用小于请求报告的广告客户的典型转化周期长度的报告期间来生成该报告，则可在该报告中加入部分转化路径。
报告期间确定报告的转化周期的最大长度（以天来为单位），这是由于并不使用报告期间外的额外数据来生成该报告。性能报告可基于报告期间（即回顾窗口），使得在生成报告时不将报告期间之前的用户交互看作转化周期的部分。这样的报告期间称作“回顾窗口。”例如，当根据三十天的回顾窗口生成报告时，表示在给定年份的7月1日和7月31日之间发生的用户动作的可用用户交互数据，将会对在该年7月31发生的转化可用。
在使用默认回顾窗口（例如三十天）时，如果与报告关联的产品的典型转化周期长度大于该默认回顾窗口，则性能报告可偏向短转化路径。例如，在上文的示例中，“品牌X”网球鞋的典型转化周期（例如三十天）与较贵产品（例如，新车）的转化周期相比可能相对较短。新车可具有更长的转化周期（例如，九十天）。
归因模型可包括限定要使用多个回顾窗口中的哪个窗口和/或基于用户广告接触、交互和转化数据修改这些回顾窗口的算法。在一个实施例中，不同的归因模型可应用不同的回顾窗口来确定转化事件。使用回顾窗口选择来转化事件可以保持尽可能地宽泛，以使得选择在给定时间段内的所有转化事件来通过归因模型算法进行处理。
不同的广告客户或者广告客户的不同产品可具有不同的关联转化周期长度。例如，出售低价（例如小于100美元）产品的广告客户可指定30天的回顾窗口，而出售较昂贵的产品（例如至少1000美元）的广告客户可指定90天的回顾窗口。
在一些实施例中，广告客户108可以在请求性能报告时，例如通过输入天数或者通过从指定的回顾窗口列表中选择回顾窗口（例如30天、60天、90天）来指定要使用的回顾窗口。允许广告客户配置他们的性能报告的回顾窗口，使得广告客户能够选择与他们的产品的转化周期相对应的回顾窗口。允许回顾窗口配置还使得广告客户能够用不同的回顾窗口进行实验，其结果可能导致发现提高转化速率的方法。
其他因素可对报告部分转化路径有贡献。例如，如上文所述，用作报告基础的用户交互数据可与表示执行了用户交互的用户装置的唯一标识符相关联。如上文所述，可将唯一标识符存储为cookie。例如，可由删除cookie的用户、删除cookie的浏览器（例如，在退出浏览器时，基于浏览器参数设定），或者删除cookie的一些其他软件（例如反间谍软件）从用户装置删除cookie。
如果从用户装置删除了cookie，则当用户访问网页（例如搜索系统112）时，可在用户装置上设置新的cookie。该新的cookie可用于存储新的部分唯一标识符，并且因此在该用户装置上发生的随后的用户交互数据可与不同的标识符相关联。因此，由于每个用户标识符被认为表示不同的用户，所以与被删除的cookie关联的用户交互数据被标识为与关联新的cookie的用户交互数据不同的用户相关联。
例如，在上文的示例中，假设用户在执行对“网球”的第一搜索查询后删除cookie，并且在cookie被删除后发生对“品牌X”的第二搜索查询。在这个示例中，基于关于用户的用户交互数据计算的性能估量可能出现偏差。例如，由于不将第一搜索查询导致的广告选择看作是与第二搜索查询导致的广告选择相同的转化周期的部分，所以路径长度估量可能被计算为一，而不是二，这是因为两个用户交互看起来并不是由相同的用户执行的。
要查看减少由部分转化路径导致的偏差的报告，广告客户可为该报告指定回顾窗口。如上文所述，回顾窗口指定用于生成报告的用户交互数据是与唯一标识符关联的用户交互数据，其中，该唯一标识符具有在转化前的指定期间（例如三十天、六十天、九十天）之前的初始化时间。因此，对于其中用户交互数据与具有该指定期间后的初始化时间的唯一标识符相关联的转化不被包含在内来作为该报告的基础。具有最近初始化时间的唯一标识符指示可能最近已经在该唯一标识符表示的用户装置上重新初始化了该唯一标识符。因此，与相对较新的唯一标识符关联的用户交互数据可以仅表示部分转化路径。或者，对于其中用户交互数据与具有该指定期间后的初始化时间的唯一标识符相关联的转化被包含在该报告中。为减少偏差，在加入报告之前，从转化路径中移除在该转化路径中包括的、在指定期间之后发生的任何用户交互。
图2是根据一个示例性实施例的用于集成用户交互日志数据的过程的流程图。该过程200是更新转化路径并且基于更新的用户转化路径确定转化的过程。
可在广告管理系统110、性能分析设备120或者另一个计算装置上实现该过程200。在一个实施例中，在计算机可读介质上编码该过程200，该计算机可读介质包括当由计算装置执行时使得该计算装置执行该过程200的操作的指令。
如上文所述，日志文件116可包括用户交互数据。日志文件116可在处理前与来自其他服务器的其他日志的用户交互数据相结合，包括实现搜索系统112的那些用户交互数据。处理开始于实现该过程200的计算装置确定新日志可用于处理（210）。例如，可向计算装置发送指示新日志已准备好用于处理的通知，或者新日志的存在可指示该新日志已准备好用于处理。
接下来，检索新日志（220）。可在网络102上检索新日志。基于由新日志指示的用户动作来更新每个用户的状态历史。新日志可包括与多个用户的用户交互相关的信息。历史数据存储器119包括来自先前已处理的日志文件的用户交互数据。由于可通过用户标识符来对用户交互数据进行分组且按时间对其进行排序，所以在历史数据存储器119内包含的用户交互数据可以是有状态的。图3是根据一个示例性实施例描述在用户交互日志数据集成过程200的持续时间内更新的用户交互数据的框图。图3示出了四个用户示例标识符，然而历史数据存储器119和日志文件116可包括与数千或数百万不同用户标识符关联的数据。在一个实施例中，先前存储的用户交互数据310被存储在历史数据存储器119中的。如图所示，先前还没有任何与用户标识符3关联的用户交互数据被存储在历史数据存储器119中。
新日志可包括关于一个或多个用户标识符的用户交互数据。可根据用户标识符对用户交互数据进行分组并且接着按时间进行排序（230）。列320示出已分组和排序的用户交互数据。如图所示，用户标识符2不包括任何新的用户交互数据，并且用户标识符1、3和4已经更新了用户交互数据。例如，新日志文件包括与用户标识符1的相关用户交互a13和a14关联的用户交互数据。接着，已分组和排序的用户交互数据可与在历史数据存储器119中存储的用户交互数据相合并（240）。如果在历史数据存储器119中先前存在用户标识符，则将新的用户交互数据添加到先前的用户交互数据。否则，添加新的用户交互数据以及新的用户标识符。
列330示出关于每个用户标识符的更新的用户交互数据。基于更新的用户交互数据，可确定在每个用户交互的更新路径中发生的任何转化（250）。将用户交互路径限制为与特定广告客户108相关的那些用户交互。特定广告客户108的转化交互用于确定是否已经发生转化。例如，假设用户交互a13和a32表示转化交互。相应地，找到转化路径340和350。一旦找到，可将转化路径写入历史数据存储器119的另一部分或者另一个数据存储器，用于进一步分析。
每个用户交互包括与该用户交互关联的一组数据或维度。可以稀疏地填充该维度，使得任何用户交互可具有与维度的一个子集相关的数据。可基于接收的用户交互数据来生成大量的转化路径。关于如何执行活动或者广告客户的安排的各种报告可包括关于转化路径的各种信息。考虑到大量潜在的转化路径，可将各个转化路径聚合到一起以减少报告的不同转化路径的数量。在一个示例性实施例中，可聚合具有相同数量的用户交互以及具有相应的数据的转化路径。
在一个实施例中，用户能创建不同的组来对单独的用户交互进行分类。组包括组定义，组定义包括确定特定的用户交互是否属于特定组的一个或多个组规则。组规则使用用户交互的维度数据来确定用户交互的组。在组定义中可以使用诸如“与”、“非”、“或”等的布尔运算符来连接各种组规则。每个组还包括组名称。在一些实施例中，组可包括显示信息，例如但不限于，用于显示组名称的文本颜色和/或背景颜色。默认组也可以是对用户可用的。当默认组可用时，用户可以复制默认组（包括关联的组规则），且接着修改一个或多个组规则和/或组名称。可以将用户创建的组存储在存储器中，例如本地或远程数据库。然后可以在稍后的时间对这些组进行访问、修改或删除。
在分组定义的排序或有序列表中，一个或多个组可以互相关联。该有序列表内的组用于确定每个用户交互的组。该列表的排序确定特定组的优先级。可以将用户交互分到具有最高优先级的匹配组中。较低优先级的匹配组将被忽略。
使用分组定义的有序类别，可以将每个转化路径转换成组路径。组路径包含与转化路径的用户交互对应的组元素。组元素可包含或引用来自对应用户交互的数据。此外，组元素包含或引用该匹配组的组名称和显示信息。
在一个实施例中，可以通过添加对每个用户交互的匹配组的引用来将转化路径转换成组路径。在又一个实施例中，创建与转化路径分开的组路径。在这个实施例中，可在与存储转化路径的位置相同或不同的位置存储组路径。无论如何实现组路径，可基于组路径的长度和构成该组路径的组元素的组名称来聚合组路径。
在一个实施例中，组路径包含来自对应转化路径的各种数据。例如，转化路径可包含与该转化相关联的货币价值。在聚合组路径时，与所聚合的组路径关联的所有转化路径的该价值也可以被聚合。可以将该聚合的价值包含在报告中。
现参考图4，将会讨论示出了使用多个归因模型报告广告开支的回报的方法的流程图。实现图4的步骤的算法可以在广告管理系统110（图1）、性能分析设备120或图1所示的其他组件中的一个或多个上运行。在模块402处，该系统被配置为接收用户交互数据。在模块404处，存储转化标准并将对该转化标准的访问提供给该系统。在模块406处，该系统被配置为基于用户交互数据和转化标准确定转化事件是否已经发生。无论转化事件是否已经发生，在模块408处，存储部分或完整转化路径数据。
在模块410处，该系统被配置为提供对于在模块406检测的一个或多个转化事件的归因。可以基于被标识为归因模型0的第一归因模型或算法并以不同程度给转化路径中的一个或多个渠道提供归因。该系统可以通过计算例如以通用单位（例如1转化事件的百分比）、以货币或以其他单位计价的贡献额度来提供归因。该系统可以将与每个渠道关联的归因数据存储在存储器中。
在模块412和414，该系统可以被配置为提供在模块410处理的一个或多个相同的转化事件的归因，但在该情况下使用一个或多个另外的不同归因模型。下面将讨论一些示例的归因模型，但可以包括这样的模型，例如诸如第一次点击、第一次互动（touch）、渠道互动、最近或上述的组合。可以在模块412和414处生成另外的归因数据集并将其存储在存储器中。在一个示例实施例中，模块412和/或414可以使用与仅基于转化路径中最后一次点击的模型不同的归因模型。
在一个示例中，例如，如果归因模型包括回顾窗口，转化标准本身可以是归因模型的部分。因此，在该过程中，根据不同归因模型的需要可以应用多个转化标准。在一个实施例中，对转化事件的选择（模块406）应该是最广泛匹配选择,例如,限定对于要使用的所有归因模型将什么当作转化的规则。
在模块416处,该系统可以被配置为以文本、图形或其他格式报告不同归因模型的结果,下面将讨论其中的几个示例。
在模块418处，该系统可以被配置为接收成本数据，该成本数据表示对于特定广告客户的转化路径中的多个不同渠道的相对或实际成本。该系统可以被配置为以多种方式中的任一种来组合归因数据集与成本数据，例如通过计算比例、百分比等。在模块420处，该系统被配置为基于多个归因数据集和成本数据来生成报告数据（例如，广告开支回报或ROAS）。可以将所生成的报告数据传输到客户装置以进行显示。然后，广告客户可以使用该报告数据来对使用特定广告渠道的成本效率做出更明智的决策。
现参考图5，将描述根据示例实施例的转化路径数据的图示。该图示500（以及其他附图中的类似图示）可以或不可以代表会是被传输到客户装置的报告数据的部分的图形元素。在这个例子中，使用上文所述的方法，该系统已经存储了包括六个用户交互的转化路径，该六个用户交互（在这种情况下）导致到达广告客户站点502并在该网站进行购买的转化事件（在各个实施例中到达广告客户网站和在该网站进行购买中的任何一个可以是一个转化事件）。转化路径中的每个事件或用户交互包括渠道标识符数据，其可以标识特定的渠道和/或渠道类型。
例如，渠道504是显示网络渠道。显示网络渠道可以是与所有签约或注册到特定的广告发布网络的网站的网络关联的渠道。该发布网络可以是购买许多网站的特定位置并将来自不同广告客户的多个不同广告匹配到这些位置的实体。就渠道504而言，在2011年5月15日下午7点32分21秒示出了对广告客户站点502或其上产品的广告的印象。
几个星期后，在2011年5月30日上午12点41分8秒，通过与第一渠道不同的第二渠道，即被识别为NY杂志的面向内容的网站，给同一用户提供对广告客户站点502的印象。当用户访问该网站时记录该印象并将其保存以供稍后使用。
过了一段时间后，在2011年6月11日下午3点25分2秒，用户访问联属会员博客渠道508并通过点击与广告客户站点502关联的链接来与该渠道交互。联属会员渠道可以是比价类型的网站或其他点击跟踪器网站，其为对该网站上信息的用户点击获得贡献额或补偿。大约5小时后，用户与另一个不同的渠道（网页510）进行交互，网页510在该网页的广告位置上显示广告。
第二天，用户使用搜索引擎渠道512执行搜索。大约6分钟后，在转化事件514处最终检测到转化事件。用户已经到达了该广告客户网站。
在这个例子中所查看的或以其他方式与其交互的广告可以来自一个广告活动或者来自同时运行的多个活动，其全部与广告客户和/或至少一个相同的转化目标关联。
转化事件已经发生，并且该系统可以被配置为给转化路径中一个或多个渠道或事件赋予该转化事件的贡献额。
现参考图6，示出了最后一次点击归因模型的图示。图示600看起来与图示500类似，除了图形602已经被覆盖在转化渠道图示上，以概括表示要分配给每个渠道的归因贡献额度。在最后一次点击模型中，该系统可以被配置为将对于该转化的全部或者绝大部分贡献额（由条604表示）给予在给定的时间窗口内转化路径中在该转化事件之前的最后一次点击。如果在该时间窗口内没有出现任何点击，则给该印象窗口内的最近的显示印象指定贡献额。
现参考图7，示出了第一次点击归因模型的图示。图示700示出了对转化路径数据运行第一次点击归因模型的效果。在这种情况下，如条702所示，转化路径中第一次点击被赋予全部或绝大部分贡献额。第一次点击模型部分地受到广告客户所选择的回顾窗口的影响。将贡献额给予给定窗口内对于该转化的最远的主动（点击）类型接触。如果在该时间窗口内没有出现任何点击，则给该印象窗口内的最远的显示印象指定贡献额。
现参考图8，示出了第一次互动归因模型的图示。第一次互动将全部或绝大部分贡献额奖励给转化路径中的第一个事件，无论该事件是点击、印象或其他事件。在这种情况下，如条802所指示，显示网络渠道被授予该转化的全部贡献额。将贡献额分配给回顾窗口内距离该转化的最远的接触。在又一个实施例中，可以使用特定于第一次互动归因模型的回顾窗口来调整该模型，以确定该模型将会对营销渠道给予贡献额的转化前最早时间点。
现参考图9，示出了渠道互动归因模型的图示。渠道互动模型或可达模型在多个渠道之间共享贡献额。在这种情况下，对所有的渠道给予该转化的贡献额的相等份额，在本例中，将该贡献额的五分之一给予五个渠道中的每一个。对该模型的一种变形是均等地给予活动贡献额。例如，如果活动A代表转化路径中的两个渠道而活动B代表转化路径中的一个渠道，那么活动A和活动B中的每一个将收到该贡献额的相同份额。可以将渠道限定为活动或媒介以用于该模型的各种目的。
现参考图10，示出了最近归因模型的图示。最近模型以递增的贡献额比例来奖励对转化的邻近性。该模型还可以对点击比对显示授予更多的贡献额权重。参考图示1000，搜索点击渠道1002收到最大份额的贡献额（如条1004所指示的）。第二大份额的贡献额被分配给联属会员点击渠道1006（如条1008所指示的）。尽管渠道1006比显示视图渠道1010距离转化更远，但渠道1006由于点击而被授予更高份额的贡献额。渠道1012和1014被授予最低的贡献额度，因为它们距离该转化最远并且不与任何点击关联。
计算这些归因模型的算法可以包括例如通过广告客户可调整的参数。例如，最近权重可以是线性的或指数的。点击和视图之间权重的差可以具有可调乘数。
在一个特定示例中，在该最近模型中，可以使用反映人们记忆信息或受对信息接触的影响的非线性方式的连续指数衰减函数来分配贡献额。该函数可以具有两个参数：该函数的衰减半衰期和'主动'事件类型乘数，其中原始分数与该乘数相乘。该函数还可以应用丢弃具有最低总分的转化的逻辑测试。下面提供了用于这样的模型的示例算法。
在一个实施例中，可以使用函数来计算主动乘数，该函数将主动转化的比例作为转化的比例进行计算。
100/(1-((clickP+clickP)/(clickP+impressionP)))
clickP的值是对出现包括点击的转化的计数。impressionP的值是对出现包括印象的转化的计数。这个函数主要是由仅显示的转化路径的出现驱动的。对于仅点击的路径（其中所有项是相同的）的情况，该分子包含两个clickP来平衡该公式。该公式是偏向点击的。对于仅包括点击的转化，对点击的计数可以被添加到印象数，因为如果有点击，则会有印象。
上面所示的公式可以为点击提供高于印象的向上的加权，其中印象权重为100。例如，如果，如果这个参数是200，则点击被估价为印象的2倍。
所使用的衰减因子可以基于顾客转化有多快。对于所有的转化，可以基于从第一次互动到转化的时间间隔来计算该衰减因子。然后，可以根据从第一次互动到转化的时间间隔来对所有的转化进行排序，以提供到转化的累积时间。可以列出时间转化并对其进行分析，以达到转化基数的第50百分位。该第50百分位代表最快转化器要完成转化的至少一半所需的时间。可以使用预定的时间阈值（例如，2小时），使得当对于第50百分位的时间小于2小时时，使用2小时。这个时间被用作对转化的“半衰期（halflife），”用于时间衰减因子的计算。该半衰期确定该函数在哪个时间间隔分配0.5原始未加权贡献额，如下面公式中所示的：
(-halfLife/log(0.5))
这给出了导致在1个半衰期后分配0.5贡献额的衰减因子。最终，由于这是由报告中的转化驱动的，所以它本质上适合正在被使用的活动/媒体组合的类型。
对于最近归因模型的一个解释理由是随着时间的推移，由于记忆效应导致与营销渠道的接触或交互的影响可能衰退，而衰减因子考虑了这一点。由于这个原因，最近模型可以被称为‘记忆’模型并且该曲线可以被称为‘记忆’或‘遗忘'曲线。
可以以对于到转化的累积时间的整小时数来计算到转化的时间。例如：
到转化器的转化累积百分比的时间
0 20%
1 35%
2 45%
3 50%
4 55%
在这个示例中，20%的用户在1小时内转化。在3个小时内50%的用户已经转化。在这种情况下，3小时被用作半衰期。
对于上面讨论的任何模型或函数，该系统被配置为对所示的渠道打分或给予贡献额。接着，对输出数据进行聚合或累积。例如，按给定的组对所有的接触或渠道及其各自分数进行检查和求和，该给定的组是根据渠道来确定的。例如，可以通过函数来计算给予活动的贡献额，然后在所有记录的分数上进行循环并接着将每个接触分数添加到该接触所属的活动的累计总和。对于与接触关联的任何维度可以重复这个分数累积过程，所述维度包括站点名称、广告客户、创意、布置等等。
最后的累积阶段可以涉及计算每个分组的贡献额百分比。该计算可包括对于给定函数对总贡献额求和，然后通过所有的组划分该和。
另一个累积动作可以包括通过收入进行因子分解。该系统可以被配置为将每个转化所有函数分总和重新加权到1并通过转化价值进行因子分解。该重新加权的结果是改变了每个转化的域的价值的距离。该系统可以被配置为使用结果的百分比视图来产生最一致的结果。该系统接着可以根据给定维度组比较其开支百分比。
对于相同的用户交互（例如，广告接触、主动点击、转化数据等）可以应用多个归因算法并对结果进行比较。
现参考图11，将描述显示多个归因模型计算结果的示例显示数据或报告数据的图示。在这个示例中，已经为“Acme保险”的营销活动的多个转化路径中的多个渠道赋予了贡献额。第一渠道1102代表对关键词“Acme保险保险费”的搜索引擎搜索。第二渠道1104代表联属会员渠道。第三渠道1106代表对Acme保险产品A的在线显示活动。第四渠道1108代表对关键词“汽车保险”的搜索引擎搜索。第五渠道1110代表对Acme保险产品B的在线显示活动。
在该条形图的每组条中的第一个（顶部）条代表由该系统使用最近归因模型给该渠道赋予的贡献额度。在每组条中的第二个条代表使用最后一次点击归因模型赋予的贡献额度。第三个条代表活动渠道分布模型。第四个条代表第一次点击归因模型并且第三个条代表第一次互动归因模型。每个条可以基于由系统生成的归因数据。
广告客户可以对该数据进行某些观察。例如，如箭头1112所示的，对于每个渠道，第一次点击给予与最后一次点击所给的贡献额大约相同的贡献额。第二，如箭头1114所示的，最近模型对联属会员比对最后一次点击模型奖励稍多。第三，如箭头1116所示的，在第一次互动和渠道模型中显示出现最多。可以通过站点聚合、活动聚合、创意级别聚合、位置级别聚合或其他聚合来对报告数据或显示数据进行聚合。聚合应该总计为贡献额的百分之百。如在1118所示的，可以按照活动来对该数据进行聚合。或者，聚合可以是根据站点，站点布置等。本文使用术语“渠道”或“营销渠道”可以指任何这些级别上的渠道。
现参考图12，将描述显示多个归因模型计算结果的、包括成本数据的示例的显示数据或报告数据的图示。该系统可以被配置为以多个方式中的任何一个来生成成本数据。成本数据可以是投资回报或广告开支回报分析的部分。该系统可以被配置为接收成本数据，该成本数据表示转化路径中的多个渠道的相对或实际成本。该分析可以被配置为将该相对或实际成本与给予每个渠道的贡献额进行比较。成本数据可包括所分析的每个渠道的媒体花费数据。
参考这个例子中的渠道1，以条形图形式将收到的成本数据展示在条1202处，指示营销活动成本的15%。在条1204处的归因数据指示使用归因模型B，渠道1收到贡献额的25%。在条1206处的归因数据还指示使用归因模型A，渠道1收到贡献额的20%。广告客户或系统可以得出这样的结论：因为使用两种归因模型算法，贡献额百分比超过媒体成本百分比，所以这个渠道看起来是有相对成本效益的渠道。
转到渠道2，媒体成本为35%，模型B分配贡献额的30%并且模型A分配贡献额的25%。广告客户或系统可以得出这样的结论：因为对于这两个模型，贡献额百分比低于媒体成本百分比，所以这看起来是相对昂贵的渠道。
转到渠道3，媒体成本为25%，模型B分配转化贡献额的20%给渠道3，并且模型A分配贡献额的30%给渠道3。在这种情况下，与成本的贡献额百分比关系因模型而异。对渠道是有成本效益还是昂贵的决策以及如何分配未来成本的决策取决于广告客户或系统对接触路径如何驱动价值的看法。
如图所示，该系统可被配置为基于贡献额或归因数据和成本数据生成广告开支回报数据。该系统可以被配置为将贡献额除以成本并且将该数据以各种格式中的任何一种来展示给用户，例如以文本、比例、图形（例如条形图）或其他格式。该系统还可以被配置为使用不同的颜色、高亮显示、下划线、粗体、音效等来强调或标明某些数据。例如，在报告数据中可以将大于1的贡献额成本比标识为有效率的（例如，用绿色），而可将报告数据中小于1的贡献额成本比标识为无效率的（例如，用红色）。
该系统可以被配置为通过接收营销开支并赋予多个模型的贡献额以及计算模型贡献额与开支的比例来执行投资回报或广告开支回报。该系统可以被配置为在多个站点、多个活动、多个创意等上分配数据。
现参考图12B，将描述显示多个归因模型计算结果的、包括成本数据的示例显示数据或报告数据的图示。该图示中使用的数据与图12的数据相同。在图13中，以包括百分比和比例的文本格式展示该成本数据，并将其用彩色高亮显示。就渠道1而言，以绿色文本展示“模型A”贡献额/成本比1.33，以绿色文本展示“模型B”贡献额/成本比1.67，因为这两个模型指示有效开销。就渠道2而言，两个比例都以红色文本出现。就渠道3而言，以绿色文本展示模型A贡献额/成本比1.20，以红色文本展示模型B贡献额/成本比。可考虑其他颜色或高亮显示选项。为便于可视化，可以矩阵或表格形式来展示这些比例。
图13示出了可用于提供用户交互报告、处理日志文件、实现示例性性能分析设备130，或者实现示例性广告管理系统110的计算机系统1300。计算系统1300包括总线1305或者用于传送信息的其他通信组件，以及耦合到总线1305用于处理信息的处理器1310。计算系统1300还包括耦合到总线1305用于存储信息以及要由处理器1310执行的指令的主存储器
1315，例如随机存取存储器（RAM）或者其他动态存储装置。主存储器1315还可以用于在由处理器1310执行指令期间存储位置信息、临时变量，或者其他中间信息。计算系统1300还可以包括耦合到总线1305用于存储静态信息和用于处理器1310的指令的只读存储器（ROM）1310或者其他静态存储装置。存储装置1325（例如固态装置、磁盘或光盘）被耦合到总线1305用于持久地存储信息和指令。
计算系统1300可经由总线1305耦合到显示器1335（例如液晶显示器或有源矩阵显示器），用于向用户显示信息。输入装置1330（例如包括字母数字和其他键的键盘）可耦合到总线1305用于向处理器1310传送信息以及命令选择。在另一个实施例中，输入装置1330具有触摸屏显示器1335。输入装置1330可包括光标控制（例如鼠标）、轨迹球或光标方向键，用于向处理器1310传送方向信息和命令选择，以及用于在显示器1335上控制光标移动。
根据各个实施例，可由计算系统1300响应于执行主存储器1315中包括的指令安排的处理器1310，来实现完成本文描述的示例性实施例的过程。可将这样的指令从另一个计算机可读介质（例如存储装置1325）读取到主存储器1315中。执行在主存储器1315中包含的指令安排，使得计算系统1300执行本文描述的示例性过程。可采用多处理配置中的一个或多个处理器来执行主存储器1315中包含的指令。在可选实施例中，可使用硬连线电路来代替软件指令或者与软件指令组合，从而实现示例性实施例。因此，实施例并不限于硬件电路和软件的任何特定组合。
尽管已经在图13中描述了示例处理系统，但可在其他类型的数字电子电路、或者在计算机软件、固件或硬件（包括在本说明书中公开的结构以及它们的结构等效物），或者在它们的一个或多个的组合中实施本说明书中描述的主题和功能操作的实现。
可在数字电子电路中、或者在计算机软件、固件或硬件（包括在本说明书中公开的结构以及它们的结构等效物）中，或者在它们的一个或多个的组合中实施本说明书中描述的主题和功能操作的实施例。可将本说明书中描述的主题的实施例实现为在一个或多个计算机存储介质上编码的、用于由数据处理设备执行或者控制数据处理装置的操作的一个或多个计算机程序，即计算机程序指令的一个或多个模块。处理电路可包括被配置为执行本文所述功能的任何数字的和/或模拟的电路组件，例如，微处理器、微控制器、应用特定集成电路，可编程逻辑等。可选地或者除此之外，可在人工生成的传播信号（例如机器产生的电、光或电磁信号）上编码程序指令，其中生成该传播信号以编码用于传输到适当的接收设备由数据处理设备来执行的信息。计算机存储介质可以是计算机可读存储装置、计算机可读存储基底、随机或顺序存取存储器阵列或装置，或者它们的一个或多个的组合,或者被包含于其中。此外，尽管计算机存储介质不是传播信号，但计算机存储介质可以是在人工生成的传播信号中编码的计算机程序指令的源或目的地。计算机存储介质还可以是一个或多个单独组件或媒介（例如多个CD、盘或其他存储装置），或者被包含于其中。因此，计算机存储介质既是有形的也是永久的。
可将本说明书中描述的操作实现为由数据处理设备对在一个或多个计算机可读存储装置上存储的或者从其他源接收的数据执行的操作。
术语“数据处理设备”或“计算装置”包括用于处理数据的任何类型的设备、装置和机器，例如包括可编程处理器、计算机、片上系统或者上述的多个或组合。设备可包括专用逻辑电路，例如FPGA（现场可编程门阵列）或ASIC（专用集成电路）。除了硬件，设备还可以包括为上述计算机程序创建执行环境的代码，例如，构成处理器固件、协议堆栈、数据库管理系统、操作系统、跨平台运行时环境、虚拟机或者它们的一个或多个的组合的代码。设备和执行环境可实现各种各样不同的计算模型架构，如网络服务、分布式计算和网格计算架构。
可采用任何形式的编程语言来编写计算机程序（又称作程序、软件、软件应用、脚本或代码），包括编译或解释语言、声明或过程语言，并且可采用任何形式来部署计算机程序，包括作为独立程序或者作为模块、组件、子程序、对象或者适于在计算环境中使用的其他单元。计算机程序可以但不是必须与文件系统中的文件相对应。可将程序存储在保持其他程序或数据的文件的部分中（例如在标记语言文档中存储的一个或多个脚本）、专用于上述程序的单个文件中，或者多个协调文件（例如存储一个或多个模块、子程序或部分代码的文件）中。可将计算机程序部署为在一个计算机上执行，或者在位于一个地点或分布在多个地点上、并且由通信网络互联的多个计算机上执行。
可由执行一个或多个计算机程序的一个或多个可编程处理器来执行本说明书中描述的过程和逻辑流，从而通过对输入数据进行操作并且生成输出来执行动作。还可以由专用逻辑电路来执行该过程和逻辑流，并且还可以将设备实现为专用逻辑电路，例如FPGA（现场可编程门阵列）或ASIC（专用集成电路）。
适于执行计算机程序的处理器例如包括：通用和专用微处理器，以及任何类型的数字计算机的任何一个或多个处理器。通常，处理器将接收来自只读存储器或随机存取存储器或者两者的指令和数据。用于根据指令来执行动作的处理器，以及用于存储指令和数据的一个或多个存储装置是计算机的必要元件。通常，计算机还会包括一个或多个大容量存储装置用于存储数据，或者被有效地耦合以便接收来自大容量存储装置的数据或向其传输数据或者执行两者，该大容量存储装置例如是磁盘、磁光盘或光盘。然而，计算机并不需要具有这样的装置。此外，可将计算机嵌入另一装置，仅举几例，例如移动电话、个人数字助理（PDA）、移动音频或视频播放器、游戏控制台、全球定位系统（GPS）接收器或者移动存储装置（例如，通用串行总线（USB）闪存驱动器）。适于存储计算机程序指令和数据的装置包括所有形式的非易失性存储器、媒介和存储装置，例如包括：半导体存储装置，例如EPROM、EEPROM和闪存存储装置；磁盘，例如内置硬盘或可移动盘；磁光盘；以及CD-ROM和DVD-ROM盘。可由专用逻辑电路来补充处理器或存储器，或者将处理器或存储器并入其中。
为提供与用户的交互，可在具有用于向用户显示信息的显示装置（例如CRT（阴极射线管）或LCD（液晶显示）监控器），以及键盘和指示装置（例如鼠标或轨迹球）的计算机上实现本说明书中描述的主题的实施例，其中用户可通过键盘和指示装置向计算机提供输入。也可以使用其他类型的装置提供与用户的交互，例如，提供给用户的反馈可以是任何形式的传感反馈，例如视觉反馈、听觉反馈或触觉反馈；以及以任何形式接收的、来自用户的输入，包括声学、语音或触觉输入。此外，计算机可通过将文档发送给由用户使用的装置并且从该装置接收文档来与用户交互；例如，通过响应于从用户的客户机装置上的网页浏览器接收的请求向该网页浏览器发送网页。
可在计算系统中实现本说明书中描述的主题的实施例，该计算系统包括：后端组件，例如数据服务器；或者包括中间件组件，例如应用服务器；或者包括前端组件，例如具有图形用户接口或网页浏览器的客户机计算机，其中用户可通过图形用户接口或网页浏览器与本说明书中描述的主题的实现进行交互；或者该后端、中间件或前端组件中的一个或多个的任何组合。可通过任何形式或介质的数字数据通信来互联该系统的组件，例如通信网络。通信网络的例子包括局域网（“LAN”）和广域网（“WAN”）、互联网（例如因特网），和对等网络（例如移动自组对等网络）。
计算系统可包括客户机和服务器。客户机和服务器通常彼此远离，并且典型地，通过通信网络进行交互。由于计算机程序在各自的计算机上运行且彼此之间具有客户机-服务器关系，从产生了客户机和服务器之间的关系。在一些实施例中，服务器将数据（例如HTML页面）传输到客户机装置（例如用于向与客户机装置交互的用户显示数据，并且接收来自用户的用户输入）。可在服务器处从客户机装置接收在客户机装置处生成的数据（例如用户交互的结果）。
尽管本说明书包括多个具体的实施细节，但不应将这些理解为对任何发明或者可主张的范围的限制，而是应该理解为是针对特定发明的特定实施例的特征的描述。还可以在单个实施例中组合实现在本说明书中的独立实施例的上下文中描述的某些特征。反过来，也可以在多个实施例中分别地或以任何适当的子组合（subcombination）形式实现在单个实施例的上下文中描述的各个特征。此外，尽管可能在上文中将特征描述为在某些组合中起作用，并且甚至最初是这样主张的，但在某些情况下可将来自所主张的组合的一个或多个特征从该组合中切除，并且可将所主张的组合定向到一种子组合或子组合的变形。
类似地，尽管在附图中以特定顺序描述操作，不应将此理解为要求按照所示的特定顺序或先后顺序来执行该操作，或者要求执行所有的示出的操作，以达到期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。此外，不应将上文描述的实施例中各种系统组件的独立理解为在所有实施例中要求这种独立，并且应该理解为通常能够在单个软件产品中将所描述的程序组件和系统集成到一起，或者将其打包到多个软件产品。
因此，已经描述了主题的特定实施例。其他实施例在以下权利要求的范围内。在一些情况下，可采用不同的顺序来执行在权利要求中记载的动作，并且仍然达到期望的结果。此外，在附图中描述的过程并不要求所示的特定顺序或者先后顺序来达到期望的结果。在某些实施例中，多任务处理和并行处理可能是有利的。

Claims (20)

1.一种基于广告转化数据提供归因的计算机系统，所述系统包括：
处理电路，其被配置为：
接收用户交互数据，其中所述用户交互数据指定与内容项和转化项的用户交互，其中转化项是预先确定的满足转化标准的用户动作；
基于用户交互数据和转化标准确定转化事件已经发生；
基于用户交互数据存储转化路径数据，其中，所述转化路径数据包括在转化事件之前的用户交互数据和包含该转化事件的用户交互数据；
使用第一归因模型将转化事件至少部分地归因于转化路径中的渠道，以生成第一归因数据；
使用与第一归因模型不同的第二归因模型将转化事件至少部分地归因于转化路径中的渠道以生成第二归因数据，其中第一和第二归因模型中的至少一个是与仅基于转化路径中最后一次点击的模型不同的模型；
接收成本数据，所述成本数据表示转化路径中多个渠道的相对成本或实际成本，以及
生成报告数据，所述报告数据包括第一归因数据、第二归因数据和成本数据。
2.根据权利要求1所述的计算机系统，其中所述第二归因模型给转化路径中的多个不同渠道分配贡献额。
3.根据权利要求1所述的计算机系统，其中所述第二归因模型为点击分配比为印象分配的贡献额更多的贡献额。
4.根据权利要求1所述的计算机系统，其中所述第二归因模型给转化路径中更接近于转化事件的事件分配比给转化路径中离转化事件较远的可比事件分配的贡献额更多的贡献额。
5.根据权利要求1所述的计算机系统，其中所述处理电路还被配置为计算由转化路径表示的多个渠道的贡献额成本比，其中以第一和第二贡献额成本比的形式报告第一和第二归因数据和成本数据。
6.根据权利要求5所述的计算机系统，其中所述报告数据包括显示数据，所述显示数据对于超过1的比例相比小于1的比例具有不同外观。
7.根据权利要求1所述的计算机系统，其中所述处理电路还被配置为使用与第一和第二归因模型不同的第三归因模型将转化事件至少部分地归因于转化路径中的渠道。
8.根据权利要求1所述的计算机系统，其中所述转化路径中的渠道是从包括联属会员网页、付费搜索网页和广告显示视图的组中选择的。
9.一种基于广告转化数据提供广告开支回报数据的计算机化方法，所述方法包括：
在数据处理电路处接收用户交互数据，其中所述用户交互数据指定与内容项和转化项的用户交互，其中转化项是预先确定的满足转化标准的用户动作；
基于用户交互数据和转化标准确定转化事件已经发生；
基于用户交互数据存储转化路径数据，所述用户交互数据包括导致转化事件的用户交互数据；
使用第一归因模型将转化事件至少部分地归因于转化路径中的渠道，以生成第一归因数据；
使用与第一归因模型不同的第二归因模型将转化事件至少部分地归因于转化路径中的渠道，以生成第二归因数据；
接收成本数据，所述成本数据表示通过转化路径中多个渠道进行广告的相对成本或实际成本；以及
基于第一和第二归因数据和成本数据生成显示数据，其中所述显示数据示出关于转化路径中多个渠道的成本的回报。
10.根据权利要求9所述的方法，还包括对来自广告活动的多个转化的数据进行聚合。
11.根据权利要求9所述的方法，其中第一和第二归因模型中的至少一个给点击赋予比给印象赋予的权重更大的权重；其中，第一和第二归因模型中的至少一个给转化路径中接近于转化事件的用户交互赋予比给转化路径中离转化事件较远的用户交互赋予的权重更大的权重。
12.根据权利要求9所述的方法，其中所述显示数据包括条形图数据，其对于多个渠道中的每个渠道示出根据第一和第二归因模型的归因贡献额以及成本数据。
13.根据权利要求9所述的方法，其中所述显示数据包括文本比例数据，其表示使用多个不同归因模型的多个渠道的贡献额成本比。
14.根据权利要求9所述的方法，其中至少一个渠道表示搜索点击并且至少一个其他渠道表示联属会员点击。
15.一种包括程序指令的计算机可读介质，当通过处理电路执行该程序指令时，执行的功能包括：
接收用户交互数据，其中所述用户交互数据指定与内容项和转化项的用户交互，其中转化项是预先确定的满足转化标准的用户动作；
基于用户交互数据和转化标准确定转化事件已经发生；
基于用户交互数据存储转化路径数据，其中，所述转化路径数据包括在转化事件之前的用户交互数据和包括转化事件的用户交互数据；
使用第一归因模型将转化事件至少部分地归因于转化路径中的渠道，以生成第一归因数据；
使用与第一归因模型不同的第二归因模型将转化事件至少部分地归因于转化路径中的渠道以生成第二归因数据，其中第一和第二归因模型中的至少一个是与仅基于转化路径中最后一次点击的模型不同的模型；
接收成本数据，所述成本数据表示转化路径中多个渠道的相对成本或实际成本，以及
生成报告数据，所述报告数据包括第一归因数据、第二归因数据和成本数据。
16.根据权利要求15所述的计算机可读介质，其中所述第二归因模型给转化路径中的多个不同渠道分配贡献额。
17.根据权利要求15所述的计算机可读介质，其中所述第二归因模型为点击分配比为印象分配的贡献额更多的贡献额。
18.根据权利要求15所述的计算机可读介质，其中所述第二归因模型给转化路径中更接近于转化事件的事件分配比给转化路径中离转化事件较远的可比事件分配的贡献额更多的贡献额。
19.根据权利要求15所述的计算机可读介质，其中所述处理电路还被配置为计算由转化路径表示的多个渠道的贡献额成本比，其中以第一和第二贡献额成本比的形式报告第一和第二归因数据和成本数据。
20.根据权利要求19所述的计算机可读介质，其中所述报告数据包括显示数据，所述显示数据对于超过1的比例相比小于1的比例具有不同外观。
CN201180071222.7A 2011-05-27 2011-09-29 对于广告开支回报的多个归因模型 Pending CN103562946A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/117,826 2011-05-27
US13/117,826 US8788339B2 (en) 2011-05-27 2011-05-27 Multiple attribution models with return on ad spend
PCT/US2011/053946 WO2012166169A1 (en) 2011-05-27 2011-09-29 Multiple attribution models with return on ad spend

Publications (1)

Publication Number Publication Date
CN103562946A true CN103562946A (zh) 2014-02-05

Family

ID=47219860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180071222.7A Pending CN103562946A (zh) 2011-05-27 2011-09-29 对于广告开支回报的多个归因模型

Country Status (7)

Country Link
US (1) US8788339B2 (zh)
JP (1) JP2014515517A (zh)
KR (1) KR101807755B1 (zh)
CN (1) CN103562946A (zh)
AU (2) AU2011369352A1 (zh)
CA (1) CA2832138A1 (zh)
WO (1) WO2012166169A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225135A (zh) * 2015-10-31 2016-01-06 广州华多网络科技有限公司 潜力客户识别方法以及装置
CN105335876A (zh) * 2015-11-05 2016-02-17 精硕世纪科技（北京）有限公司 媒体投放广告的效果追踪方法及装置
CN107402944A (zh) * 2016-05-18 2017-11-28 谷歌公司 用于内容项转化的归因模型
CN107481062A (zh) * 2017-08-21 2017-12-15 小草数语（北京）科技有限公司 广告投放预算的分配方法和装置
CN108062338A (zh) * 2016-11-09 2018-05-22 北京国双科技有限公司 一种评估功能页面的导航能力的方法及装置
CN108171528A (zh) * 2016-12-07 2018-06-15 阿里巴巴集团控股有限公司 一种归因方法及归因系统
CN108647891A (zh) * 2018-05-14 2018-10-12 口口相传(北京)网络技术有限公司 数据异常归因分析方法及装置
WO2019161718A1 (zh) * 2018-02-23 2019-08-29 北京国双科技有限公司 归因方法和装置
CN110189152A (zh) * 2018-02-23 2019-08-30 北京国双科技有限公司 渠道的归因方法和装置
US20200027128A1 (en) * 2013-09-19 2020-01-23 Oracle International Corporation Generating tracking urls and redirecting from tracking urls
CN111126614A (zh) * 2018-11-01 2020-05-08 百度在线网络技术（北京）有限公司 归因方法、装置及存储介质
CN111582934A (zh) * 2020-05-07 2020-08-25 北京点众科技股份有限公司 确定购买电子书的选项贡献度的方法、终端和存储介质
CN111683146A (zh) * 2020-06-08 2020-09-18 北京明略昭辉科技有限公司 跳转指令的处理方法、装置和电子设备
CN113420261A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN113836256A (zh) * 2016-08-29 2021-12-24 谷歌有限责任公司 优化的数字分量
CN114298760A (zh) * 2021-12-30 2022-04-08 胜斗士(上海)科技技术发展有限公司 广告归因方法及装置
CN115018558A (zh) * 2022-07-01 2022-09-06 腾云天宇科技(苏州)有限公司 用于归因的方法及装置
CN116137004A (zh) * 2023-04-19 2023-05-19 江西时刻互动科技股份有限公司 广告投放效果的归因方法、系统及计算机

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8788339B2 (en) * 2011-05-27 2014-07-22 Google Inc. Multiple attribution models with return on ad spend
US10034135B1 (en) 2011-06-08 2018-07-24 Dstillery Inc. Privacy-sensitive methods, systems, and media for geo-social targeting
US8655907B2 (en) 2011-07-18 2014-02-18 Google Inc. Multi-channel conversion path position reporting
US20130030908A1 (en) * 2011-07-28 2013-01-31 Google Inc. Conversion Path Comparison Reporting
US8959450B2 (en) 2011-08-22 2015-02-17 Google Inc. Path explorer visualization
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
US10497011B2 (en) * 2012-03-15 2019-12-03 Responsys, Inc. System and method for delivering online advertisements
US9014717B1 (en) 2012-04-16 2015-04-21 Foster J. Provost Methods, systems, and media for determining location information from real-time bid requests
US9183562B2 (en) * 2012-06-08 2015-11-10 Visual Iq, Inc. Method and system for determining touchpoint attribution
US20170300959A9 (en) * 2012-06-08 2017-10-19 Anto Chittilappilly Method, computer readable medium and system for determining true scores for a plurality of touchpoint encounters
US20180005261A9 (en) * 2012-06-08 2018-01-04 Anto Chittilappilly A method , computer readable medium and system for determining touchpoint attribution
US20130346189A1 (en) * 2012-06-26 2013-12-26 Salesforce.Com Inc. Geographically-oriented profile-based object assistance
US9552590B2 (en) 2012-10-01 2017-01-24 Dstillery, Inc. Systems, methods, and media for mobile advertising conversion attribution
US9665890B1 (en) * 2012-11-21 2017-05-30 Google Inc. Determining lookback windows
US20140156388A1 (en) * 2012-12-04 2014-06-05 Visa International Service Association Tracking deal provider performance
US10311468B2 (en) * 2012-12-28 2019-06-04 International Business Machines Corporation Statistical marketing attribution correlation
US20160034948A1 (en) * 2013-02-28 2016-02-04 Google Inc. System and method for fractional attribution utilizing user-level data and aggregate level data
US20150254709A1 (en) * 2013-05-21 2015-09-10 Ignitionone, Inc. System and Method for Attributing Engagement Score Over a Channel
US9697534B2 (en) * 2013-06-19 2017-07-04 Google Inc. Attribution marketing recommendations
JP5938380B2 (ja) * 2013-09-25 2016-06-22 ピアラ・ホールディングス・リミテッド 広告活動支援装置、広告活動支援方法およびプログラム
US9767187B2 (en) 2013-11-20 2017-09-19 Google Inc. Content recommendations based on organic keyword analysis
US9858587B2 (en) 2013-12-05 2018-01-02 Google Llc Methods and systems for creating a data-driven attribution model for assigning attribution credit to a plurality of events
US20150186924A1 (en) * 2013-12-31 2015-07-02 Anto Chittilappilly Media spend optimization using a cross-channel predictive model
US10438235B2 (en) * 2014-01-21 2019-10-08 Facebook, Inc. Dynamically allocating computing resources to identify advertisements for presentation
US10558987B2 (en) * 2014-03-12 2020-02-11 Adobe Inc. System identification framework
US20150363804A1 (en) * 2014-03-28 2015-12-17 Google Inc. Lead analysis based on path data
EP3162016A4 (en) * 2014-06-27 2018-01-24 Google LLC Automated click type selection for content performance optimization
US20160027040A1 (en) * 2014-07-25 2016-01-28 Facebook, Inc. Determining contributions of various user interactions to a conversion
US20160210658A1 (en) * 2014-12-31 2016-07-21 Anto Chittilappilly Determining touchpoint attributions in a segmented media campaign
US20190279236A1 (en) * 2015-09-18 2019-09-12 Mms Usa Holdings Inc. Micro-moment analysis
MA42847A (fr) 2015-09-18 2018-07-25 Mms Usa Holdings Inc Analyse de micro-moment
US10395272B2 (en) * 2015-11-16 2019-08-27 Adobe Inc. Value function-based estimation of multi-channel attributions
US10387909B2 (en) * 2016-01-25 2019-08-20 Adobe Inc. Simulation-based evaluation of a marketing channel attribution model
US10607254B1 (en) * 2016-02-16 2020-03-31 Google Llc Attribution modeling using withheld or near impressions
JP6407185B2 (ja) * 2016-03-18 2018-10-17 ヤフー株式会社 補正装置、補正方法および補正プログラム
US10679260B2 (en) 2016-04-19 2020-06-09 Visual Iq, Inc. Cross-device message touchpoint attribution
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
WO2018071795A1 (en) 2016-10-13 2018-04-19 Rise Interactive Media & Analytics, LLC Interactive data-driven graphical user interface for cross-channel web site performance
US10979284B2 (en) 2017-04-28 2021-04-13 Google Llc Systems and methods for providing cross-network event attribution
JP6505200B2 (ja) * 2017-12-13 2019-04-24 グーグル エルエルシー コンテンツの性能の最適化のための自動化されたクリックタイプの選択
US20210334408A1 (en) * 2018-10-12 2021-10-28 Marin Software Incorporated Private Computation of Multi-Touch Attribution
US20220405800A1 (en) * 2018-10-12 2022-12-22 Marin Software Incorporated Private Computation of Multi-Touch Attribution
US11347781B2 (en) 2018-10-22 2022-05-31 Adobe Inc. Dynamically generating attribution-model visualizations for display in attribution user interfaces
US11120058B2 (en) * 2018-10-22 2021-09-14 Adobe Inc. Generating and providing stacked attribution breakdowns within a stacked attribution interface by applying attribution models to dimensions of a digital content campaign
US11347809B2 (en) 2018-11-13 2022-05-31 Adobe Inc. Performing attribution modeling for arbitrary analytics parameters
US11423422B2 (en) 2018-11-13 2022-08-23 Adobe Inc. Performing query-time attribution modeling based on user-specified segments
KR20200079835A (ko) * 2018-12-26 2020-07-06 삼성전자주식회사 광고 비용을 산출하기 위한 디스플레이 시스템
US20210182916A1 (en) * 2019-12-12 2021-06-17 b8ta, inc. Electronic kiosk
US11282105B1 (en) 2020-08-28 2022-03-22 Almondnet Inc. Anonymized cross-application or cross-site attribution without use of central IDs
US12106189B2 (en) 2020-11-03 2024-10-01 Samsung Electronics Co., Ltd. Enhanced precision machine learning prediction
CN115633542B (zh) * 2021-05-04 2024-05-14 谷歌有限责任公司 用于相关和混合的内容项目响应的归因模型
KR102680051B1 (ko) 2021-08-05 2024-07-01 주식회사 니블스카이 서드파티 광고 설정 시스템 및 방법
US20230350698A1 (en) * 2022-04-28 2023-11-02 Lemon Inc. Event processing based on multiple time windows
US20240185293A1 (en) * 2022-10-11 2024-06-06 Bliss Point Media, Inc. Impression effectiveness with greater location and time granularity

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198680A1 (en) * 2009-01-30 2010-08-05 Google Inc. Conversion Crediting

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3020129A (en) * 1958-07-25 1962-02-06 Gen Electric Production of silicon of improved purity
US6662164B1 (en) * 1998-05-19 2003-12-09 Trilogy Development Group, Inc. Method and apparatus for determining commission
JP2003263585A (ja) * 2002-03-07 2003-09-19 Fuji Xerox Co Ltd 広告配信システム、印刷システム、およびコンピュータプログラム
AU2003237135A1 (en) * 2002-04-30 2003-11-17 Veridiem Inc. Marketing optimization system
US20110071900A1 (en) * 2009-09-18 2011-03-24 Efficient Frontier Advertisee-history-based bid generation system and method for multi-channel advertising
US8108254B2 (en) * 2003-06-30 2012-01-31 Yahoo! Inc. Methods to attribute conversions for online advertisement campaigns
US7979308B2 (en) * 2005-03-03 2011-07-12 Utbk, Inc. Methods and apparatuses for sorting lists for presentation
US20080183555A1 (en) 2007-01-29 2008-07-31 Hunter Walk Determining and communicating excess advertiser demand information to users, such as publishers participating in, or expected to participate in, an advertising network
KR20090092498A (ko) 2008-02-27 2009-09-01 주식회사 케이티 고객 선택형 광고 제공 시스템 및 광고 제공방법
CA2659538A1 (en) * 2009-03-30 2010-09-30 Acquisio Inc. System and method for managing and optimizing advertising networks
US20110246298A1 (en) * 2010-03-31 2011-10-06 Williams Gregory D Systems and Methods for Integration and Anomymization of Supplier Data
AU2010358588B2 (en) * 2010-08-06 2015-11-19 Google Llc Managing revenue sharing bids
US20120191528A1 (en) * 2011-01-26 2012-07-26 Yahoo! Inc. Pricing and payment allocation among online advertising parties
US8788339B2 (en) * 2011-05-27 2014-07-22 Google Inc. Multiple attribution models with return on ad spend
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100198680A1 (en) * 2009-01-30 2010-08-05 Google Inc. Conversion Crediting

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200027128A1 (en) * 2013-09-19 2020-01-23 Oracle International Corporation Generating tracking urls and redirecting from tracking urls
US11704696B2 (en) * 2013-09-19 2023-07-18 Oracle International Corporation Generating tracking URLs and redirecting from tracking URLs
CN105225135A (zh) * 2015-10-31 2016-01-06 广州华多网络科技有限公司 潜力客户识别方法以及装置
CN105335876A (zh) * 2015-11-05 2016-02-17 精硕世纪科技（北京）有限公司 媒体投放广告的效果追踪方法及装置
CN107402944A (zh) * 2016-05-18 2017-11-28 谷歌公司 用于内容项转化的归因模型
CN113836256A (zh) * 2016-08-29 2021-12-24 谷歌有限责任公司 优化的数字分量
CN108062338B (zh) * 2016-11-09 2020-06-19 北京国双科技有限公司 一种评估功能页面的导航能力的方法及装置
CN108062338A (zh) * 2016-11-09 2018-05-22 北京国双科技有限公司 一种评估功能页面的导航能力的方法及装置
CN108171528B (zh) * 2016-12-07 2022-02-25 阿里巴巴集团控股有限公司 一种归因方法及归因系统
CN108171528A (zh) * 2016-12-07 2018-06-15 阿里巴巴集团控股有限公司 一种归因方法及归因系统
CN107481062A (zh) * 2017-08-21 2017-12-15 小草数语（北京）科技有限公司 广告投放预算的分配方法和装置
CN110189152A (zh) * 2018-02-23 2019-08-30 北京国双科技有限公司 渠道的归因方法和装置
CN110189153A (zh) * 2018-02-23 2019-08-30 北京国双科技有限公司 归因方法和装置
CN110189153B (zh) * 2018-02-23 2021-09-07 北京国双科技有限公司 归因方法和装置
WO2019161718A1 (zh) * 2018-02-23 2019-08-29 北京国双科技有限公司 归因方法和装置
CN108647891A (zh) * 2018-05-14 2018-10-12 口口相传(北京)网络技术有限公司 数据异常归因分析方法及装置
CN111126614A (zh) * 2018-11-01 2020-05-08 百度在线网络技术（北京）有限公司 归因方法、装置及存储介质
CN111126614B (zh) * 2018-11-01 2024-01-16 百度在线网络技术（北京）有限公司 归因方法、装置及存储介质
CN111582934A (zh) * 2020-05-07 2020-08-25 北京点众科技股份有限公司 确定购买电子书的选项贡献度的方法、终端和存储介质
CN111683146B (zh) * 2020-06-08 2022-11-11 北京明略昭辉科技有限公司 跳转指令的处理方法、装置和电子设备
CN111683146A (zh) * 2020-06-08 2020-09-18 北京明略昭辉科技有限公司 跳转指令的处理方法、装置和电子设备
CN113420261B (zh) * 2021-08-23 2021-11-09 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN113420261A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于归因分析的课程推荐方法、装置、设备及介质
CN114298760A (zh) * 2021-12-30 2022-04-08 胜斗士(上海)科技技术发展有限公司 广告归因方法及装置
CN115018558A (zh) * 2022-07-01 2022-09-06 腾云天宇科技(苏州)有限公司 用于归因的方法及装置
CN116137004A (zh) * 2023-04-19 2023-05-19 江西时刻互动科技股份有限公司 广告投放效果的归因方法、系统及计算机
CN116137004B (zh) * 2023-04-19 2023-07-07 江西时刻互动科技股份有限公司 广告投放效果的归因方法、系统及计算机

Also Published As

Publication number Publication date
WO2012166169A1 (en) 2012-12-06
AU2011369352A1 (en) 2013-10-24
KR101807755B1 (ko) 2017-12-11
US8788339B2 (en) 2014-07-22
JP2014515517A (ja) 2014-06-30
CA2832138A1 (en) 2012-12-06
US20120303447A1 (en) 2012-11-29
KR20140038970A (ko) 2014-03-31
AU2017258825A1 (en) 2017-11-23

Similar Documents

Publication Publication Date Title
CN103562946A (zh) 对于广告开支回报的多个归因模型
CN103797474B (zh) 提供与转化路径相关的数据的方法、装置及系统
CN103597509A (zh) 利用用户交互分组聚合转化路径
CN103748605A (zh) 转化类型到转化类型的传送
CN103733217A (zh) 用图说明跨渠道转化路径
CN103597508A (zh) 基于转化路径的分段
CN103608834A (zh) 报告优先级维度数据转化路径
US20120158456A1 (en) Forecasting Ad Traffic Based on Business Metrics in Performance-based Display Advertising
US20160098778A1 (en) Method, device, and system for analyzing and ranking products
US9824367B2 (en) Measuring effectiveness of marketing campaigns across multiple channels
CN103890799A (zh) 转化/非转化比较
US20070192279A1 (en) Advertising in a Database of Documents
CN103748608A (zh) 路径浏览器可视化
US20080306819A1 (en) System and method for shaping relevance scores for position auctions
CN102541972A (zh) 基于各自目标匹配登广告者和用户
CN108536721A (zh) 在评估与在线资源的未来用户交互时，利用在线资源的使用数据
CN102640143A (zh) 用于搜索、选择和显示内容的方法和系统
CN103608807A (zh) 路径长度选择器
CA2892169A1 (en) Ad-words optimization based on performance across multiple channels
US20110166942A1 (en) Contract auctions for sponsored search
US20130166395A1 (en) System and method for creating a delivery allocation plan in a network-based environment
WO2021025726A1 (en) Predictive platform for determining incremental lift
US20150193815A1 (en) Validating advertisement predictions using advertisement experiments
US20120239468A1 (en) High-performance supply forecasting using override rules in display advertising systems
US9159083B1 (en) Content evaluation based on user's browsing history

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140205