CN107871247A - 一种前贴广告库存预估方法 - Google Patents
一种前贴广告库存预估方法 Download PDFInfo
- Publication number
- CN107871247A CN107871247A CN201710068822.7A CN201710068822A CN107871247A CN 107871247 A CN107871247 A CN 107871247A CN 201710068822 A CN201710068822 A CN 201710068822A CN 107871247 A CN107871247 A CN 107871247A
- Authority
- CN
- China
- Prior art keywords
- msub
- value
- program
- mrow
- day
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q30/0241—Advertisements
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种前贴广告库存预估方法,对节目进行分类;确定节目的开播停播日期;确定节目开播前的微博指数、百度指数、以及前期宣传短片的实际流量,预测首播日的流量;根据各个分类下的历史节目,根据历史首播日的实际流量结合历史首播日后两周的实际流量,对需要做出预测的节目预测首播日后未来两周流量情况;对于首播日两周后的预测,在基于数学模型的基础上做出流量预测;确定节目的播出周期内所有的节假日信息,对预测播出周期内的节假日流量,做出预测调整。本发明使预测结果的准确性以及可靠性大大提高;在节目稳定播出后,对数学模型的预测结果取中位数,解决了因为数学模型的缺陷而造成某些时间点预测准确性差的问题。
Description
技术领域
本发明涉及广告库存预估领域,特别是一种前贴广告库存预估方法。
背景技术
目前,视频网站的视频前贴广告库存预估都是基于整个平台或者基于频道的前贴广告库存预估,对于单个节目的前贴广告库存预估没有一个系统有效的方法,导致平台去售卖广告资源时,只能按照整个平台或者频道去售卖广告资源,无法满足广告主对于强IP资源(热门节目)进行广告投放的需求,或者因为对节目的广告库存预估不准而导致广告资源的浪费,或因广告库存不足造成广告主损失。而由于不同节目之间的播放周期、节目开播带来的访问量突增、相应的停播带来的流量下降、以及节目类型与播放平台之间的差异,用现有的纯数学算法模型无法有效的进行预测。因此,为了解决上述问题,需要一种根据节目的播放周期、节目类型、开播停播日期进行不同的预测策略调整的前贴广告库存预估方法。
发明内容
本发明所要解决的技术问题是,提供一种前贴广告库存预估方法,预测节目开播后带来的访问量突增带来的广告库存突增;节目停播后预测广告库存的减少;对于不同节目类型,预测策略能相应的调整;在节假日,能够根据节假日预测广告库存走势;在节目稳定播出后,能够根据节目的历史广告库存趋势预测出未来的广告库存量曲线走势。
为解决上述技术问题,本发明所采用的技术方案是:一种前贴广告库存预估方法,包括以下步骤:
1)确定节目当前所处的播放期,若节目处于开播之前,则根据节目微博指数、百度指数、宣传短片流量,结合历史同类型节目在开播前的微博指数、百度指数、宣传短片流量,预估出节目首播日最终的预测流量值;若节目播放期为首播日后两周内,则根据同类型N个历史节目的首播日后两周的实际流量值与首播日实际流量值的比值,获得N组系数变化值,对该N组系数变化值求平均数,得到一 组系数变化平均值,用该组系数变化平均值乘以节目首播日实际流量值,得到首播日未来两周的最终的预测流量值;若节目播放期处于播放两周后至停播前,则根据此节目最近的实际流量值,利用多个数学模型对流量进行预测,对预测的多个流量值结果排序,取中位数,将该中位数作为最终的预测流量值;
2)判断未来预估时间段内是否有节假日,若有,则根据历史同类型节目的节假日实际流量值与节假日上周同期的实际流量值的比值,得出衰减或增长系数,即升率,用该升率乘以节假日当天的预测流量值,得到节假日最终的预测流量值,进入步骤3);若无,则进入步骤3);
3)利用公式:前贴广告库存量=最终的预测流量值*前贴广告库存转化系数预测出节目的前贴广告库存量。
步骤1)中,所述首播日预测流量值F的计算公式为:
F=AVG(AVG(ω1,ω2,ω3,...ωN)*W,AVG(β1,β2,β3,...βN)*B,AVG(μ1,μ2,μ3,...μN)*U);
其中,ω1,ω2,ω3,…ωN对应历史N个同类型节目的首播日流量与开播前微博指数值的比值;β1,β2,β3,…βN对应历史N个同类型节目的首播日实际流量值与开播前百度指数值的比值;μ1,μ2,μ3,…μN对应历史N个同类型节目的首播日流量与开播前宣传短片流量值的比值;AVG()表示求平均值;W为当前预测的节目的微博指数值;B为当前预测的节目的百度指数值;U为当前预测的节目的宣传短片流量值。综合了关于节目的各渠道反馈,使预测结果的准确性以及可靠性大大提高。
首播日未来两周的最终的预测流量值的计算过程包括以下步骤:
1)确定一组系数变化平均值:
其中,表示第N个节目在首播日后第1天的实际流量值与该第N 个节目首播日实际流量值的比值,以此类推,表示第N个节目在首播日后第14天的实际流量值与该第N个节目首播日实际流量值的比值;
2)用上述一组系数变化平均值分别乘以需要预测的节目的首播日预测流量值,得到需要预测的节目首播日后两周每天的最终的预测流量值。
节目播放期处于播放两周后至停播前时,最终的预测流量值的计算过程包括以下步骤:
1)若节目的数据周期大于或等于4周,则采用基于时间序列的差分自回归移动平均模型预测节目的预测流量值F1;或者,将需要预测的节目最近一周每天的实际流量值对应除以上一周对应天的流量值,上一周每天的实际流量值对应除以上上一周对应天的实际流量值,上上一周每天的实际流量值对应除以上上上周对应天的实际流量值,得出三组7日升率,将三组7日升率的第一个升率值求平均值,三组7日升率的第二个升率值求平均值……,依此类推,直至求得三组7日升率的最后一个升率值的平均值,得出一组7日升率平均值,将这组升率平均值分别乘以最近一周的实际流量值,即为下一周每天的预测流量值F3;若节目的数据周期小于4周,则:将需要预测的节目最近一周每天的实际流量值分别除以上一周同天的实际流量值,得出一组7天的升率,去掉这组升率最高值和最低值后,取平均值做为下一周的升率,以这个下一周的升率值乘以最近一周的实际流量值,即为下一周的预测流量值F2;将需要预测的节目最近一周每天的实际流量值分别除以上一周同天的实际流量值,得出一组最近7天的升率,用最近4天的升率平均值作为下一周的升率,将该下一周的升率乘以最近一周的实际流量值,即为下一周的预测流量值F4;将需要预测的节目最近一周的实际流量值作为下一周的预测流量值F5;
2)取F1、F2、F3、F4、F5中的预测流量值的中位数作为最终的预 测流量值。
步骤2)中,节假日最终的预测流量值的计算过程包括:将历史最近同类型节目在“上班放假日”和“放假上班日”的实际流量值除以上一周同期的实际流量值,得到“上班放假日”和“放假上班日”的升率,分别乘以下一个“上班放假日”和“放假上班日”的预测流量值,得出节假日最终的预测流量值;其中,所述“上班放假日”是指周一到周五正常上班而由于法定假日调整为休息日的日期;所述“放假上班日”是指周六到周日正常休息而由于法定假日调整为上班日的日期。
本发明所述的节目前贴广告,是指节目播放前以贴片形式播放的广告。
与现有技术相比,本发明所具有的有益效果为:本发明针对节目的不同属性(类型),在节目不同的生命周期中,用不同的预测策略去预测,并且综合了关于节目的各渠道反馈,使预测结果的准确性以及可靠性大大提高;在节目稳定播出后,对数学模型的预测结果取中位数,解决了因为数学模型的缺陷而造成某些时间点预测准确性差的问题;在节假日,针对数学模型无法准确作出预测的情况,综合过往历史节目的参考,对节假日的预测广告库存作出相应调整,使节假日的广告库存预测准确性大幅度提高。
附图说明
图1为本发明方法流程图;
图2为本发明实施例一个节目完整的生命周期中,前贴广告库存量的曲线变化图。
具体实施方式
如图1,本发明方法包括以下步骤:
1、对节目类型进行分类;2、确定节目的开播停播日期,用于确定节目预测周期,以及首播日期;3、确定节目开播前的微博指数、百度指数、以及前期宣传短片的实际流量,用于根据当前节目热度信息结合历史节目的数据表现,预测首播日的流量;4、根据各个分类下的历史节目,根据历史首播日的流量结合历史首播日后两周的实际流量,对需要做出预测的节目预测首播日后未来两周流量情况;5、对于首播日两周后的节目,在基于多个数学模型的基础上做出流量预测;6、确定节目的播出周期内所有的节假日信息,对预测播出周期内的节假日流量,做出预测调整。7、将预测的节目流量转换成预测的前贴广告库存。
具体的节目类型分类包括:卫视台播出的电视剧、卫视台播出的综艺节目、平台自制综艺节目、平台自制电视剧、引入的其他平台综艺、引入的其他平台电视剧。
节目的开播停播日期指节目的播期规划,包括节目的上映日期、下映日期、每周的播放日期。
预测首播日流量的方法,用公式表示为:
F=AVG(AVG(ω1,ω2,ω3,…ωN)*W,AVG(β1,β2,β3,…βN)*B,AVG(μ1,μ2,μ3,…μN)*U)
F为预测的首播日流量,ω1,ω2,ω3,…ωN对应历史N个同类型节目的首播日实际流量与各开播前微博指数值的比值,β1,β2,β3,…βN对应历史N个同类型节目的首播日实际流量与各开播前百度指数值的比值,μ1,μ2,μ3,…μN对应历史N个同类型节目的首播日实际流量与各开播前宣传短片实际流量值的比值;以上公式表示,对历史N个同类型节目求得各个节目首播日实际流量与微博指数,百度指数,开播前宣传短片实际流量的比值ω,β,μ,对N个值求平均值后对应乘以当前预测节目的微博指数值W、百度指数值B、短片实际流量值U,最后把这三种方式预测出的首播日流量值求平均值,即为最终预测的首播日流量值。同类型历史节目的首播日实际流量与开播前微博指数的比值w表示历史同类型节目在开播前的微博指数值,f表示历史同类型节目的首播日实际流量;同类型历史节目的首播日实际流量与开播前百度指数的比值b表示历史同类型节目开播前百度指数值;同类型下各个历史节目的首播日实际流量与自己平台开播前宣传短片实际流量的比值u表示历史节目开播前宣传短片实际流量。
对需要做出预测的节目预测首播日后未来两周流量情况,具体包括:
1.计算同类型下各个历史节目首播日后两周每日的实际流量值与首播日实际流量值的比值,得到一组两周的系数变化值;
2.对同类型历史N个节目的N组系数变化值求平均值,得到一组系数变化平均值;
3.对需要预测的节目在计算出首播日实际流量值后,应用这组系数变化平均值,即得到首播日后未来两周的最终预测流量值;
一组系数变化平均值用公式表示为:
其中,表示同节目类型下历史N个节目在首播日后第1天的实际流量值与各首播日实际流量的比值,表示第N个节目在首播日后第1天的实际流量值与其首播日实际流量的比值;以此类推,表示同节目类型下历史N个节目在首播日后第14天的实际流量值与各首播日实际流量的比值,表示第N个节目在首播日后第14天的实际流量值与其首播日实际流量的比值;以上公式最终得到的是一组14天的系数变化平均值。
得到一组系数变化平均值后,用这组系数变化平均值分别乘以需要做出预测节目的首播日流量即得到预测节目首播日后两周的最终预测流量值。
对于首播日两周以后的预测,在基于数学模型的基础上做出预测,包括:
1.基于时间序列的差分自回归移动平均模型(ARIMA模型),此模型是将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列,模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值(见MBA智库.百科:http://wiki.mbalib.com/wiki/ARIMA%E6%A8%A1%E5%9E%8B),通过此模型对需要预测的节目的最近4周数据分析,预测出下一周的流量值,如果数据周期不够4周则不采用此模型做预测;
2.将需要预测的节目最近一周每天的流量值分别除以上一周同天的流量值,得出一组7天的升率,去掉这组升率最高最低值后取平均值做为下一周的升率, 以这个平均升率值乘以上一周的实际流量值,即为下一周的预测流量值;
3.将需要预测的节目的最近四周的数据,以每一周每天的实际流量除以上一周对应天的实际流量值,得出三组7日升率,三组升率各对应天求平均值(即三组升率的第一个升率值(共三个值)求平均值、第二个升率值求平均值……),得出一组7日升率平均值,将这组升率平均值分别乘以上一周的实际流量值,即为下一周的预测流量值,如果数据周期不够4周则不采用此模型做预测;
4.将需要预测的节目最近一周每天的实际流量值分别除以上一周同天的实际流量值,得出一组最近7天的升率,用最近4天的升率平均值作为下一周的升率,以这个平均乘以上一周的实际流量值,即为下一周的预测流量值;
5.将需要预测的节目最近一周的实际流量值作为下一周的预测流量值,即升率为1。
基于以上5个数学模型,预测出下一周的流量值,然后对这5组预测流量值按大小排序,取中位数作为最终的预测值。
进一步,确定节目的播出周期内所有的节假日信息,对预测播出周期内的节假日流量,做出预测调整,具体包括:
1.节假日信息指,除开正常的周一到周五上班时间和周六到周日的休息时间,由于国家法定节假日而调整了正常上班和休息时间的安排计划,为了称呼方便,暂且将周一到周五正常上班而由于法定假日调整为休息日的日期称为‘上班放假日’,而将周六到周日正常休息而由于法定假日调整为上班日的日期称为‘放假上班日’;
2.在节目播出周期内,如果遇到国家法定节假日调整,在已经进行了预测的基础上,将历史最近同类型节目在‘上班放假日’和‘放假上班日’的实际流量除以上一周同期的实际流量,得到‘上班放假日’和‘放假上班日’的升率,分别乘以下一个‘上班放假日’和‘放假上班日’已预测的流量值,得出最终的节假日的预测流量;
得到预测流量值后,由于流量值和前贴广告库存值是呈正比关系的,通过计算历史的前贴广告库存和对应流量的转化系数(转化系数反应历史前贴广告库存和流量的转换关系,比如历史同类型节目100w实际流量能带来150w的前贴广告库存,那么该节目类型下的前贴广告库存转换系数即1.5),此转化系数乘以预 测流量值,即得到最终每天预测的节目前贴广告库存值。
图2是描述一个节目完整的生命周期中,前贴广告库存量的曲线变化图,从图中可以看到从5月27号开始节目的前贴广告库存量呈现一个突然增长的趋势,因为这一天是节目的开播期,导致了库存量的突然增长,这种增长一直持续到了6月7、8号左右。
图2中,从6月11、12号这两天的量可以看到有一个明显的下降,因为6月11天刚好处于国家端午节假日的第三天,6月12号是调休日期,导致了这两天的库存量的异常。
前贴广告库存量从6月23、24开始下降非常明显,因为这两天已经播到了节目的最后一期(一集),因为剧集的结束,导致前贴广告库存量的减少。
根据图2的前贴广告库存量表现,本发明的库存预估方法具体实施过程为:在5月27号前一周左右,这时候平台已经有了部分的前期流短片访问量U,根据这部分短片访问量以及微博指数W、百度指数B以及根据过去同类型N个节目的首播日实际流量与各节目在开播前一周的微博指数的比值ω,与百度指数比值β,与前期短片流量比值μ,对应函数计算公式:
F=AVG(AVG(ω1,ω2,ω3,...ωN)*W,AVG(β1,β2,β3,...βN)*B,AVG(μ1,μ2,μ3,...μN)*U)
根据此公式求得首播日5月27号最终预测流量值F。
在预测5月28号-6月10号首播日后两周内的流量时,计算同类型下N个历史节目首播日后两周的实际流量值与首播日实际流量值的比值,得到N组系数变化值;对这N组值求平均值后得到一组系数变化平均值,用(预测/实际)首播日流量值F乘以这组系数变化平均值,得到5月28号~6月10号这两周的最终预测流量值,用公式表示如下:
根据图2,在6月11号至6月24号这段时间流量基本稳定在一个量级,即使在6月11、12号出现了明显下降,也是因为这两天是节假日,通过本方法同 样能够预见,具体的实施过程为:在6月11号至6月24号期间每天通过数学算法模型预测出未来一周的流量。
根据图2,在6月11、12号因为端午节假日因素库存出现了明显下降,依据本库存预估方法的实际实施过程为:在端午节前一周(此时节假日信息已经录入数据库中),将过去同类型节目在最近节假日(比如端午节的上一个节假日是清明节)的实际流量除以上一周的实际流量值,得出一个衰减或增长系数θ(升率),根据此系数再乘以上述数学模型预测后并取中位数后的最终预测流量值,得到节假日的最终预测流量值。
利用公式:前贴广告库存量=最终的预测流量值*前贴广告库存转化系数预测出此节目前贴广告库存量。
至此,依据本发明的方法,图2示例节目在整个生命周期内的前贴广告库存表现,在此节目的整个生命周期中都能够预测到,并有相应的预测策略。
Claims (6)
1.一种前贴广告库存预估方法,其特征在于,包括以下步骤:
1)确定节目当前所处的播放期,若节目处于开播之前,则根据节目微博指数、百度指数、宣传短片流量,结合历史同类型节目在开播前的微博指数、百度指数、宣传短片流量,预估出节目首播日最终的预测流量值;若节目播放期为首播日后两周内,则根据同类型N个历史节目的首播日后两周的实际流量值与首播日实际流量值的比值,获得N组系数变化值,对该N组系数变化值求平均数,得到一组系数变化平均值,用该组系数变化平均值乘以节目首播日实际流量值,得到首播日未来两周的最终的预测流量值;若节目播放期处于播放两周后至停播前,则根据此节目最近的实际流量值,利用多个数学模型对流量进行预测,对预测的多个流量值结果排序,取中位数,将该中位数作为最终的预测流量值;
2)判断未来预估时间段内是否有节假日,若有,则根据历史同类型节目的节假日实际流量值与节假日上周同期的实际流量值的比值,得出衰减或增长系数,即升率,用该升率乘以节假日当天的预测流量值,得到节假日最终的预测流量值,进入步骤3);若无,则进入步骤3);
3)利用公式:库存量=最终的预测流量值*前贴广告库存转化系数预测出节目前贴广告库存量。
2.根据权利要求1所述的前贴广告库存预估方法,其特征在于,步骤1)中,所述首播日最终的预测流量值F的计算公式为:
F=AVG(AVG(ω1,ω2,ω3,…ωN)*W,AVG(β1,β2,β3,…βN)*B,AVG(μ1,μ2,μ3,…μN)*U);
其中,ω1,ω2,ω3,…ωN对应历史N个同类型节目的首播日实际流量值与开播前微博指数值的比值;β1,β2,β3,…βN对应历史N个同类型节目的首播日实际流量值与开播前百度指数值的比值;μ1,μ2,μ3,…μN对应历史N个同类型节目的首播日实际流量值与开播前宣传短片实际流量值的比值;AVG()表示求平均值;W为当前预测的节目的微博指数值;B为当前预测的节目的百度指数值;U为当前预测的节目的宣传短片流量值。
3.根据权利要求1所述的前贴广告库存预估方法,其特征在于,步骤1)中,首播日未来两周的最终的预测流量值的计算过程包括以下步骤:
1)确定一组系数变化平均值:
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mi>A</mi>
<mi>V</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>d</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>Nd</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>A</mi>
<mi>V</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>d</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>Nd</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>A</mi>
<mi>V</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>d</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>d</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>Nd</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mi>A</mi>
<mi>V</mi>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mrow>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>1</mn>
<msub>
<mi>d</mi>
<mn>14</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>,</mo>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<mn>2</mn>
<msub>
<mi>d</mi>
<mn>14</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mfrac>
<msub>
<mi>f</mi>
<mrow>
<msub>
<mi>Nd</mi>
<mn>14</mn>
</msub>
</mrow>
</msub>
<msub>
<mi>F</mi>
<mi>N</mi>
</msub>
</mfrac>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,表示第N个节目在首播日后第1天的实际流量值与该第N个节目首播日实际流量值的比值,以此类推,表示第N个节目在首播日后第14天的实际流量值与该第N个节目首播日实际流量值的比值;
2)用上述一组系数变化平均值分别乘以需要预测的节目的首播日最终的预测流量值,得到需要预测的节目首播日后两周每天的最终的预测流量值。
4.根据权利要求1所述的前贴广告库存预估方法,其特征在于,步骤1)中,节目播放期处于播放两周后至停播前时,最终的预测流量值的计算过程包括以下步骤:
1)若节目的数据周期大于或等于4周,则采用基于时间序列的差分自回归移动平均模型预测节目的预测流量值F1;或者,将需要预测的节目最近一周每天的实际流量值对应除以上一周对应天的实际流量值,上一周每天的实际流量值对应除以上上一周对应天的实际流量值,上上一周每天的实际流量值对应除以上上上周对应天的实际流量值,得出三组7日升率,将三组7日升率的第一个升率值求平均值,三组7日升率的第二个升率值求平均值……,依此类推,直至求得三组7日升率的最后一个升率值的平均值,得出一组7日升率平均值,将这组升率平均值分别乘以最近一周的实际流量值,即为下一周每天的预测流量值F3;若节目的数据周期小于4周,则:将需要预测的节目最近一周每天的实际流量值分别除以上一周同天的实际流量值,得出一组7天的升率,去掉这组升率最高值和最低值后,取平均值做为下一周的升率,以这个下一周的升率值乘以最近一周的实际流量值,即为下一周的预测流量值F2;将需要预测的节目最近一周每天的实际流量值分别除以上一周同天的实际流量值,得出一组最近7天的升率,用最近4天的升率平均值作为下一周的升率,将该下一周的升率乘以最近一周的实际流量值,即为下一周的预测流量值F4;将需要预测的节目最近一周的实际流量值作为下一周的预测流量值F5;
2)取F1、F2、F3、F4、F5中的预测流量值的中位数作为最终的预测流量值。
5.根据权利要求1所述的前贴广告库存预估方法,其特征在于,步骤2)中,节假日最终的预测流量值的计算过程包括:将历史最近同类型节目在“上班放假日”和“放假上班日”的实际流量值除以上一周同期的实际流量值,得到“上班放假日”和“放假上班日”的升率,分别乘以下一个“上班放假日”和“放假上班日”的预测流量值,得出节假日的最终的预测流量值;其中,所述“上班放假日”是指周一到周五正常上班而由于法定假日调整为休息日的日期;所述“放假上班日”是指周六到周日正常休息而由于法定假日调整为上班日的日期。
6.根据权利要求1~5之一所述的前贴广告库存预估方法,其特征在于,节目类型包括卫视台播出的电视剧、卫视台播出的综艺节目、平台自制综艺节目、平台自制电视剧、引入的其他平台综艺、引入的其他平台电视剧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710068822.7A CN107871247A (zh) | 2017-02-08 | 2017-02-08 | 一种前贴广告库存预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710068822.7A CN107871247A (zh) | 2017-02-08 | 2017-02-08 | 一种前贴广告库存预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107871247A true CN107871247A (zh) | 2018-04-03 |
Family
ID=61762112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710068822.7A Pending CN107871247A (zh) | 2017-02-08 | 2017-02-08 | 一种前贴广告库存预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871247A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564404A (zh) * | 2018-04-09 | 2018-09-21 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111260414A (zh) * | 2020-01-23 | 2020-06-09 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告库存预测方法及装置 |
CN111475671A (zh) * | 2020-03-12 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 语音文案处理方法、装置以及服务器 |
CN114422826A (zh) * | 2020-10-28 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 多媒体内容播放控制方法、装置、设备和介质 |
-
2017
- 2017-02-08 CN CN201710068822.7A patent/CN107871247A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564404A (zh) * | 2018-04-09 | 2018-09-21 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN108564404B (zh) * | 2018-04-09 | 2021-10-15 | 北京搜狐新媒体信息技术有限公司 | 一种预测广告投资回报率的方法及装置 |
CN110956505A (zh) * | 2019-12-04 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN110956505B (zh) * | 2019-12-04 | 2021-03-16 | 腾讯科技(深圳)有限公司 | 一种广告库存的预估方法以及相关装置 |
CN111260414A (zh) * | 2020-01-23 | 2020-06-09 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告库存预测方法及装置 |
CN111260414B (zh) * | 2020-01-23 | 2023-04-07 | 湖南快乐阳光互动娱乐传媒有限公司 | 广告库存预测方法及装置 |
CN111475671A (zh) * | 2020-03-12 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 语音文案处理方法、装置以及服务器 |
CN111475671B (zh) * | 2020-03-12 | 2023-09-26 | 支付宝(杭州)信息技术有限公司 | 语音文案处理方法、装置以及服务器 |
CN114422826A (zh) * | 2020-10-28 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 多媒体内容播放控制方法、装置、设备和介质 |
CN114422826B (zh) * | 2020-10-28 | 2023-06-27 | 腾讯科技(深圳)有限公司 | 多媒体内容播放控制方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871247A (zh) | 一种前贴广告库存预估方法 | |
CN111651722B (zh) | 一种针对广告主广告投放效果的风险评估方法及平台 | |
CN109743588A (zh) | 直播间虚拟礼物列表生成方法、装置、服务器及存储介质 | |
CN106529714A (zh) | 一种用户流失的预测方法及系统 | |
ATE321422T1 (de) | System, verfahren und software für die bereitstellung einer gezielten werbung durch benutzerprofildatenstruktur basierend auf benutzerpräferenzen | |
TW201837812A (zh) | 電視等的廣播媒體中之廣告時段最佳化系統及廣告時段最佳化方法 | |
CN112153426B (zh) | 一种内容账号管理方法、装置、计算机设备及存储介质 | |
CN110602533B (zh) | 分时段分人群的智能电视广告推荐系统及其推荐方法 | |
Aggrawal et al. | View-count based modeling for YouTube videos and weighted criteria–based ranking | |
CN105847892A (zh) | 一种移动终端的视频更新推送方法以及客户端 | |
CN107241623B (zh) | 广播电视用户收视行为预测方法及系统 | |
CN109086822A (zh) | 一种主播用户分类方法、装置、设备及存储介质 | |
CN110415023A (zh) | 一种电梯广告推荐方法、装置、设备及存储介质 | |
CN117236529B (zh) | 基于大数据的大型活动人流量预测方法 | |
CN111738766A (zh) | 用于多媒体信息的数据处理方法、装置以及服务器 | |
CN105407364B (zh) | 基于智能电视收视率体系下频道综合竞争力实现方法 | |
CN105550772A (zh) | 一种在线历史数据潮流趋势分析方法 | |
Veeneman et al. | Efficient frontier analysis of Dutch public transport tendering: A first analysis | |
CN104935967B (zh) | 一种视频终端用户的兴趣识别方法及装置 | |
Castillo-Manzano et al. | How can the effects of the introduction of a new airline on a national airline network be measured? A time series approach for the Ryanair case in Spain | |
CN107123003A (zh) | 基于互联网深度融合的广告代理营销方法 | |
CN110264364A (zh) | 一种投资方的推荐方法 | |
CN110633641A (zh) | 一种智能安防行人检测方法、系统、装置及存储介质 | |
CN106303549B (zh) | 基于群体智能的电影纠错方法及设备 | |
CN109688439A (zh) | 播放方法、电子装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |
|
RJ01 | Rejection of invention patent application after publication |