CN110084634A

CN110084634A - 广告投放优化方法、装置、计算机设备及存储介质

Info

Publication number: CN110084634A
Application number: CN201910203093.0A
Authority: CN
Inventors: 吴昊
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2019-03-18
Filing date: 2019-03-18
Publication date: 2019-08-02
Anticipated expiration: 2039-03-18
Also published as: CN110084634B

Abstract

本发明公开了一种广告投放优化方法、装置、计算机设备及存储介质，其方法包括：获取指定地点的获客流量记录；将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型；获取与所述获客流量类型匹配的历史获客流量记录；根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率；获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数；当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点。本发明可以帮助广告主合理选择投放地点，降低投放成本的同时，保证获客效果。

Description

广告投放优化方法、装置、计算机设备及存储介质

技术领域

本发明涉及检测模型领域，尤其涉及一种广告投放优化方法、装置、计算机设备及存储介质。

背景技术

在现有的商业推广活动中，广告主往往会提供一些二维码作为获客的入口。例如，客户通过扫描二维码便可进入办理业务的页面。为了增加获客，广告主常常会选择在多个地点进行投放进行推广的二维码。然而，随着投放地点的增多，广告支出也会大大增加。

现有的广告投放方式中，负责处理广告事务的负责人往往依赖个人的投放经验进行广告投放，容易产生投放成本高，投放效果差的状况。

发明内容

基于此，有必要针对上述技术问题，提供一种广告投放优化方法、装置、计算机设备及存储介质，以解决合理选择投放地点，降低投放成本的同时，保证获客效果。

一种广告投放优化方法，包括：

获取指定地点的获客流量记录；

将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型；

获取与所述获客流量类型匹配的历史获客流量记录；

根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率；

获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数；

当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点。

一种广告投放优化装置，包括：

获取模块，用于获取指定地点的获客流量记录；

模型分析模块，用于将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型；

获取历史记录模块，用于获取与所述获客流量类型匹配的历史获客流量记录；

计算增长率模块，用于根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率；

计算推荐指数模块，用于获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数；

确定投放地点模块，用于当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述广告投放优化方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述广告投放优化方法。

上述广告投放优化方法、装置、计算机设备及存储介质，获取指定地点的获客流量记录，以获得对指定地点进行评的初始材料。将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型，以确定指定地点的客流特点(即获客流量类型)。获取与所述获客流量类型匹配的历史获客流量记录，以根据历史获客流量记录对该指定地点的获客流量进行预测。根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率，以预测该指定地点的预测获客流量(用预计获客数量增长率表示的预测获客流量)。获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数，以结合指定地点的投放成本(即投放费用)和预计获客数量增长率计算出指定地点进行投放广告的性价比(即推荐指数)。当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点，以完成投放地点的选择。本发明通过预测出投放地点的获客流量，并计算相应的推荐指数，进而确定当前的投放地点是否为推荐投放地点，可以帮助广告主合理选择投放地点，降低投放成本的同时，保证获客效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中广告投放优化方法的一应用环境示意图；

图2是本发明一实施例中广告投放优化方法的一流程示意图；

图3是本发明一实施例中广告投放优化方法的一流程示意图；

图4是本发明一实施例中广告投放优化方法的一流程示意图；

图5是本发明一实施例中广告投放优化方法的一流程示意图；

图6是本发明一实施例中广告投放优化方法的一流程示意图；

图7是本发明一实施例中广告投放优化装置的一结构示意图；

图8是本发明一实施例中广告投放优化装置的一结构示意图；

图9是本发明一实施例中广告投放优化装置的一结构示意图；

图10是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供的广告投放优化方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种广告投放优化方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：

S10、获取指定地点的获客流量记录。

本实施例中，指定地点包括但不限于公交站、商用电梯、便利店、地铁、楼宇外墙。获客流量记录包括某一指定地点按日期计数的获客数量记录。例如，在指定地点的广告中，可以设置有可供客户扫描的二维码，该二维码包括有特殊标识的链接。当客户扫描该二维码时，可以打开该链接所指向的网页，服务端可以记录该次的访问记录，并根据二维码的特殊标识确定客户的扫描地点(可以是上文的指定地点)，进而形成该扫描地点的获客流量记录。在此处，“获客”指的是获取客户，获客流量记录指的是在服务端记录的客户通过指定地点提供的链接(包含于二维码中)访问服务端的记录。

在一实施例中，一商用电梯的获客流量记录可以表示为：

表1一商用电梯的获客流量记录

日期	1月1日	1月2日	1月3日	……	11月5日
						获客数量	53	103	78		65

可以从大数据平台获取指定地点的获客流量记录。大数据平台记录有大量的客户数据，其中包括了多个地点的获客流量记录。

需要注意的是，此处的获客流量记录可以是广告主评估期进行的流量测试。通过评估期评估，可以对评估期后一段时间的获客流量进行预测。在一些情况下，在某个区域进行投放广告后，其获客流量符合一定的变化规律。根据评估期的获客流量变化可以确定该区域所属的获客流量类型，然后再根据该获客流量类型所对应的变化规律对评估期后一段时间的获客流量进行预测。

S20、将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型。

本实施例中，输入的获客流量记录可以是指经过预处理后的数据。预设的获客流量分析模型是根据机器学习算法对多个训练样本进行多次大量训练而获得的。此处的训练样本为不同地点的获客流量记录。经过预设的获客流量分析模型处理后，可判断出指定点的获客流量类型。获客流量类型包括但不限于高增长型、平稳增长型、低增长型、季候型(即获客流量呈现周期性的变化)。

S30、获取与所述获客流量类型匹配的历史获客流量记录。

在此处，历史获客流量记录可以是与指定地点的获客流量记录同一个获客流量类型的所有流量记录中最具代表性的一个流量记录，也可以是经拟合出该获客流量类型的代表性流量记录。历史获客流量记录可以反映在一定周期内不同阶段的获客流量变化。例如，在一历史获客流量记录中，可呈现“增长——回落——再增长——衰退”的获客流量变化趋势。

S40、根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率。

同一获客流量类型具有类似的获客流量变化趋势。因而，可以对获客流量记录与历史获客流量记录进行比较，确定指定地点的预计获客数量增长率。例如，历史获客流量记录的获客流量变化趋势为“增长——回落——再增长——衰退”，对应的增长率分别为：30％，-10％，18％，-60％。若当前处于“再增长”阶段，则当前的预计获客数量增长率为-18％。

S50、获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数。

本实施例中，推荐指数可以体现获客成本。由于可以根据当前的获客流量记录得到当前的获客流量，再根据上一步骤计算出的预计获客数量增长率，可以计算出在未来一段时间内指定地点的获客流量数量。然后根据获客流量数量和指定地点的投放费用计算出指定地点的推荐指数。在此处投放费用可以是投放地点的租金，但也可以是为该次投放所付出的所有成本。

推荐指数可以是获客流量数量与投放费用的比值，也可以通过其他计算方式获得。

S60、当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点。

预设推荐阈值可以根据实际需要进行设定。例如，在广告经费较为充足时，可以设置较低的预设推荐阈值；在广告经费较为紧张时，可以设置较高的预设推荐阈值。当推荐指数大于预设推荐阈值时，则可以确定指定地点为推荐投放地点；而当推荐指数小于或等于预设推荐阈值时，则指定地点不满足推荐投放地点的要求。例如，若预设推荐阈值设置为80，若某地铁站的推荐指数为95，95>80，可以确定该地铁站为推荐投放地点；若该地铁站的推荐指数为65，65<80，可以确定该地铁站不是推荐投放地点。

步骤S10-S60中，获取指定地点的获客流量记录，以获得对指定地点进行评的初始材料。将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型，以确定指定地点的客流特点(即获客流量类型)。获取与所述获客流量类型匹配的历史获客流量记录，以根据历史获客流量记录对该指定地点的获客流量进行预测。根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率，以预测该指定地点的预测获客流量(用预计获客数量增长率表示的预测获客流量)。获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数，以结合指定地点的投放成本(即投放费用)和预计获客数量增长率计算出指定地点进行投放广告的性价比(即推荐指数)。当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点，以完成投放地点的选择。

可选的，在一实施例中，如图3所示，步骤S10包括：

S101、获取带有地点标识的获客访问记录。

S102、从所述获客访问记录中选取地点标识为所述指定地点的记录数据，将被选取的记录数据确定为所述获客流量记录。

本实施例中，每个获客访问记录均带有地点标识。可以设置多个二维码作为客户访问的入口，每个二维码绑定一个地点标识。客户使用智能手机扫描二维码后，可以访问包含地点标识的链接(URL)，进入业务办理页面进行相应的业务办理。客户在访问包含地点标识的链接(URL)时，会在服务端留下相应的访问记录，即为获客访问记录。

通过不同地点的二维码所绑定的地点标识不同，因而不同用户扫描不同地点的二维码后，会产生带有不同地点标识的获客访客记录。服务端将从所有获客访问记录中选取地点标识为指定地点的记录数据作为指定地点的获客流量记录。例如，在某月某日，服务端的12478个访客的访问记录，若其中地点标识为加油站的访问数为373，则加油站的获客流量记录为373。

步骤S101-S102中，获取带有地点标识的获客访问记录，以获取带有不同地点标识的获客访问记录。从所述获客访问记录中选取地点标识为所述指定地点的记录数据，将被选取的记录数据确定为所述获客流量记录，以从带有不同地点标识的获客访问记录中，选取出指定地点的获客流量记录。

可选的，在一实施例中，如图4所示，步骤S20之前，包括：

S201、获取多个地点的获客流量记录；

S202、按预设规则处理所述多个地点的获客流量记录，获得准备数据；

S203、解析所述准备数据，获得获客分类的树形图；

S204、根据所述树形图构建获客流量分析模型，将所述准备数据输入所述获客流量分析模型中进行训练；

S205、使用测试样本对训练完毕后的获客流量分析模型进行测试，获得测试结果；

S206、若所述测试结果满足预设要求，将所述训练完毕后的获客流量分析模型确定为所述预设的获客流量分析模型。

本实施例中，预设规则用于将获客流量记录处理为获客流量分析模型可以识别的形式。获客流量记录经预设规则处理后，形成准备数据(即获客流量分析模型的训练样本)。可以采用决策树算法对准备数据进行训练，获得最后形成获客流量分析模型，该获客流量分析模型可根据指定地点的获客流量记录，对该指定地点的获客流量记录类型进行预测。

例如，可以将获客流量记录导入文本文件中，按照预设规则将各个获客流量记录批量处理为获客流量分析模型可识别的形式，获得准备数据。将准备数据(经过形式处理的文本文件)导入Python程序中，使用createPlot()函数绘制获客分类的树形图。在确定树形图准确无误后，使用createTree()函数构建决策树，经多次迭代计算，获得相应的获客流量分析模型。可以预先设置获客流量分析模型的迭代次数为一预设值(如可以是100)，在训练的过程中，若准备数据的迭代次数达到该预设值，则确定该获客流量分析模型训练完毕。

将测试样本输入训练完毕后的获客流量分析模型中，获得相应的测试结果。测试结果可以是该训练完毕后的获客流量分析模型的测试准确率。测试结果可以包括各个测试样本的模型预测类型。若测试样本的模型预测类型与该测试样本的获客流量类型相同，则该测试样本的测试结果为正确；若测试样本的模型预测类型与该测试样本的获客流量类型不相同，则该测试样本的测试结果为错误。统计所有测试样本(这里指该次测试输入训练完毕后的获客流量分析模型的所有测试样本)中测试结果为正确的测试样本的个数，将测试结果为正确的测试样本的个数与所有测试样本的总个数的百分比确定为训练完毕后的获客流量分析模型的测试准确率。

在此处，预设要求可以设置为获客流量分析模型的测试准确率不低于指定数值。若测试结果满足预设要求，将训练完毕后的获客流量分析模型确定为预设的获客流量分析模型；若测试结果未满足预设要求，则需重新调整决策树的配置参数，直到测试结果满足预设要求为止。例如，可以设置测试准确率为95％，若构建的获客流量分析模型的测试准确率低于95％，则需对该模型的配置参数重新调整，直到该模型的测试准确率不低于95％。在此处，调整决策树的配置参数的措施包括但不限于增加或删减分类节点、更换训练样本。

步骤S201-S205中，获取多个地点的获客流量记录，以获取构建获客流量分析模型的初始数据(未经预处理的训练样本)。按预设规则处理所述多个地点的获客流量记录，获得准备数据，以获得适用于获客流量分析模型的训练样本(即准备数据)。解析所述准备数据，获得获客分类的树形图，通过构建决策树，有利于对获客流量分析模型的分析及校验。根据所述树形图构建获客流量分析模型，将所述准备数据输入所述获客流量分析模型中进行训练，以完成相应的模型训练过程。使用测试样本对训练完毕后的获客流量分析模型进行测试，获得测试结果，以校验获客流量分析模型的测试正确率。若所述测试结果满足预设要求，将所述训练完毕后的获客流量分析模型确定为所述预设的获客流量分析模型，以获得满足预设要求的获客流量分析模型。

可选的，在一实施例中，如图5所示，步骤S40包括：

S401、根据所述获客流量记录计算在指定周期内的获客数量增长率变化趋势。

S402、在所述历史获客流量记录中查找与所述获客数量增长率变化趋势匹配的在先获客流量记录。

S403、从所述历史获客流量记录中获取所述在先获客流量记录的下一投放周期的获客数量增长率，并将所述下一投放周期的获客数量增长率确定为当前的预计获客数量增长率。

本实施例中，指定周期可以根据实际需要进行设定，如可以是一个月，也可以是3个月。可以将指定周期划分为多个阶段，分别计算各个阶段的获客数量增长率。例如指定周期为28天，可以分为四个阶段，每个阶段的时长为一周，分别计算各个阶段的获客数量增长率。获客数量增长率变化趋势可以由各个阶段的获客数量增长率表示，例如，计算出的四个阶段的增长率分别为：10％，-5％，3％，9％。

在此处，历史获客流量记录可以指一个较长时间内的获客流量记录，例如，可以是一年，也可以是两年。同样的，也可以将历史获客流量记录划分为多个阶段，计算每个阶段的获客数量增长率。则，以一年时长的历史获客流量记录为例，其获客流量变化趋势可表示为：增长率t₁、增长率t₂、增长率t₃、……增长率t₅₂(一年的周数为52周)。

可以将获客数量增长率变化趋势的各个获客数量增长率分别与历史获客流量记录中连续的与获客数量增长率变化趋势的获客数量增长率数量相等的增长率计算方差，选取方差值最小的获客流量记录作为与获客数量增长率变化趋势匹配的在先获客流量记录。若获客数量增长率变化趋势为：10％，

-5％，3％，9％，方差σ_n可以按以下公式进行计算：

σ_n＝(10％-t_n)²+(-5％-_n+1)²+(3％-_n+2)²+(9％-_n+3)²。

上式中，n为正整数，取值范围为[1,49]。

在确定与获客数量增长率变化趋势匹配的在先获客流量记录后，可以认为在历史获客流量记录中，在先获客流量记录之后投放周期的获客数量增长率就是当前的预计获客数量增长率。例如，如果当前的指定地点的获客数量增长率变化趋势与历史获客流量记录中十月份的获客流量记录匹配，若投放周期为一个月，则可以认为当前的预计获客数量增长率为历史获客流量记录中十一月份的获客数量增长率；若投放周期为两个月，则可以认为当前的预计获客数量增长率为历史获客流量记录中十一月份和十二月份的获客数量增长率的平均值。

步骤S401-S405中，根据所述获客流量记录计算在指定周期内的获客数量增长率变化趋势，以获客数量增长率变化趋势表示指定地点当前的获客流量状态。在所述历史获客流量记录中查找与所述获客数量增长率变化趋势匹配的在先获客流量记录，以确定指定地点当前的获客流量状态在历史获客流量记录中所处的阶段。从所述历史获客流量记录中获取所述在先获客流量记录的下一投放周期的获客数量增长率，并将所述下一投放周期的获客数量增长率确定为当前的预计获客数量增长率，以获得指定地点的预计获客数量增长率。

可选的，在一实施例中，如图6所示，步骤S50包括：

S501、根据所述获客流量记录计算当前的获客基数。

S502、根据所述获客基数和预计获客数量增长率计算投放周期内的获客数量。

S503、根据所述投放周期内的获客数量和指定地点的投放费用计算所述指定地点的推荐指数。

本实施例中，当前的获客基数可以是获客流量记录中的获客数量的总数，也可以是日平均获客数。同样的，投放周期内的获客数量可以指投放周期内的总数，也可以是投放周期内的日平均获客数。投放周期内的获客数量可以表示为：

投放周期内的获客数量＝当前的获客基数*(1+预计获客数量增长率)。

指定地点的投放费用可以指投放周期内的总费用，也可以指投放周期内的日平均费用。

可以根据实际情况确定推荐指数计算方式。例如，可以计算每单位成本的获客数量，并将该每单位成本的获客数量作为推荐指数，也可以计算获取的每个客户的成本，并将该每个客户的成本作为推荐指数。

步骤S501-S503中，根据所述获客流量记录计算当前的获客基数，以获得当前的获客数量(即获客基数)。根据所述获客基数和预计获客数量增长率计算投放周期内的获客数量，以获得预计的获客数量。根据所述投放周期内的获客数量和指定地点的投放费用计算所述指定地点的推荐指数，以确定指定地点的投放性价比(即推荐指数)。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种广告投放优化装置，该广告投放优化装置与上述实施例中广告投放优化方法一一对应。如图7所示，该广告投放优化装置包括获取模块10、模型分析模块20、获取历史记录模块30、计算增长率模块40、计算推荐指数模块50和确定投放地点模块60。各功能模块详细说明如下：

获取模块10，用于获取指定地点的获客流量记录；

模型分析模块20，用于将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型；

获取历史记录模块30，用于获取与所述获客流量类型匹配的历史获客流量记录；

计算增长率模块40，用于根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率；

计算推荐指数模块50，用于获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数；

确定投放地点模块60，用于当所述推荐指数大于预设推荐阈值时，确定所述指定地点为推荐投放地点。

可选的，如图8所示，获取模块10包括：

获取记录单元101，用于获取带有地点标识的获客访问记录；

选取单元102，用于从所述获客访问记录中选取地点标识为所述指定地点的记录数据，将被选取的记录数据确定为所述获客流量记录。

可选的，如图9所示，广告投放优化装置还包括模型构建模块70，模型构建模块70包括：

获取流量记录单元701，用于获取多个地点的获客流量记录；

预处理单元702，用于按预设规则处理所述多个地点的获客流量记录，获得准备数据；

树形图单元703，用于解析所述准备数据，获得获客分类的树形图；

训练单元704，用于根据所述树形图构建获客流量分析模型，将所述准备数据输入所述获客流量分析模型中进行训练；

测试单元705，用于使用测试样本对训练完毕后的获客流量分析模型进行测试，获得测试结果；

确定模型单元706，用于若所述测试结果满足预设要求，将所述训练完毕后的获客流量分析模型确定为所述预设的获客流量分析模型。

可选的，计算增长率模块40包括：

计算变化趋势单元，用于根据所述获客流量记录计算在指定周期内的获客数量增长率变化趋势；

查找在先记录单元，用于在所述历史获客流量记录中查找与所述获客数量增长率变化趋势匹配的在先获客流量记录；

计算增长率单元，用于从所述历史获客流量记录中获取所述在先获客流量记录的下一投放周期的获客数量增长率，并将所述下一投放周期的获客数量增长率确定为当前的预计获客数量增长率。

可选的，计算推荐指数模块50包括：

获取基数单元，用于根据所述获客流量记录计算当前的获客基数；

计算获客数量单元，用于根据所述获客基数和预计获客数量增长率计算投放周期内的获客数量；

计算推荐指数单元，用于根据所述投放周期内的获客数量和指定地点的投放费用计算所述指定地点的推荐指数。

关于广告投放优化装置的具体限定可以参见上文中对于广告投放优化方法的限定，在此不再赘述。上述广告投放优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储广告投放优化方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种广告投放优化方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取指定地点的获客流量记录；

获取与所述获客流量类型匹配的历史获客流量记录；

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取指定地点的获客流量记录；

获取与所述获客流量类型匹配的历史获客流量记录；

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims

1.一种广告投放优化方法，其特征在于，包括：

获取指定地点的获客流量记录；

获取与所述获客流量类型匹配的历史获客流量记录；

2.如权利要求1所述的广告投放优化方法，其特征在于，所述获取指定地点的获客流量记录包括：

获取带有地点标识的获客访问记录；

从所述获客访问记录中选取地点标识为所述指定地点的记录数据，将被选取的记录数据确定为所述获客流量记录。

3.如权利要求1所述的广告投放优化方法，其特征在于，所述将所述获客流量记录输入预设的获客流量分析模型，获取所述预设的获客流量分析模型输出所述指定地点的获客流量类型之前，包括：

获取多个地点的获客流量记录；

按预设规则处理所述多个地点的获客流量记录，获得准备数据；

解析所述准备数据，获得获客分类的树形图；

根据所述树形图构建获客流量分析模型，将所述准备数据输入所述获客流量分析模型中进行训练；

使用测试样本对训练完毕后的获客流量分析模型进行测试，获得测试结果；

若所述测试结果满足预设要求，将所述训练完毕后的获客流量分析模型确定为所述预设的获客流量分析模型。

4.如权利要求1所述的广告投放优化方法，其特征在于，所述根据所述历史获客流量记录和所述获客流量记录确定当前的预计获客数量增长率，包括：

根据所述获客流量记录计算在指定周期内的获客数量增长率变化趋势；

在所述历史获客流量记录中查找与所述获客数量增长率变化趋势匹配的在先获客流量记录；

从所述历史获客流量记录中获取所述在先获客流量记录的下一投放周期的获客数量增长率，并将所述下一投放周期的获客数量增长率确定为当前的预计获客数量增长率。

5.如权利要求1所述的广告投放优化方法，其特征在于，所述获取所述指定地点的投放费用，根据所述当前的预计获客数量增长率以及所述投放费用确定所述指定地点的推荐指数，包括：

根据所述获客流量记录计算当前的获客基数；

根据所述获客基数和预计获客数量增长率计算投放周期内的获客数量；

根据所述投放周期内的获客数量和指定地点的投放费用计算所述指定地点的推荐指数。

6.一种广告投放优化装置，其特征在于，包括：

获取模块，用于获取指定地点的获客流量记录；

7.如权利要求6所述的广告投放优化装置，其特征在于，所述获取模块包括：

获取记录单元，用于获取带有地点标识的获客访问记录；

选取单元，用于从所述获客访问记录中选取地点标识为所述指定地点的记录数据，将被选取的记录数据确定为所述获客流量记录。

8.如权利要求6所述的广告投放优化装置，其特征在于，还包括模型构建模块，所述模型构建模块包括：

获取流量记录单元，用于获取多个地点的获客流量记录；

预处理单元，用于按预设规则处理所述多个地点的获客流量记录，获得准备数据；

树形图单元，用于解析所述准备数据，获得获客分类的树形图；

训练单元，用于根据所述树形图构建获客流量分析模型，将所述准备数据输入所述获客流量分析模型中进行训练；

测试单元，用于训练完毕后，使用测试样本对所述预设的获客流量分析模型进行测试，测试通过后，获得所述预设的获客流量分析模型。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述广告投放优化方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述广告投放优化方法。