CN110431576A - 用于响应于社交媒体对话来分配资源的方法和系统 - Google Patents
用于响应于社交媒体对话来分配资源的方法和系统 Download PDFInfo
- Publication number
- CN110431576A CN110431576A CN201880018755.0A CN201880018755A CN110431576A CN 110431576 A CN110431576 A CN 110431576A CN 201880018755 A CN201880018755 A CN 201880018755A CN 110431576 A CN110431576 A CN 110431576A
- Authority
- CN
- China
- Prior art keywords
- smia
- social media
- upgrading
- rank
- tracking signal
- 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.)
- Granted
Links
- 230000004044 response Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013468 resource allocation Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims description 52
- 238000003860 storage Methods 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 10
- 230000001052 transient effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008821 health effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 230000001960 triggered effect Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009118 appropriate response Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000005020 Acaciella glauca Species 0.000 description 1
- 206010024825 Loose associations Diseases 0.000 description 1
- RAQQRQCODVNJCK-JLHYYAGUSA-N N-[(4-amino-2-methylpyrimidin-5-yl)methyl]-N-[(E)-5-hydroxy-3-(2-hydroxyethyldisulfanyl)pent-2-en-2-yl]formamide Chemical compound C\C(N(Cc1cnc(C)nc1N)C=O)=C(\CCO)SSCCO RAQQRQCODVNJCK-JLHYYAGUSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 235000003499 redwood Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0244—Optimization
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Transfer Between Computers (AREA)
- Machine Translation (AREA)
Abstract
提供了一种社交媒体影响分析(SMIA)计算机设备和用于响应于社交媒体对话来分配资源的方法。所述SMIA设备针对多个升级级别存储相应的触发标准和资源分配,其中每个触发标准都包括销售影响范围和内容类别。所述SMIA设备被配置为接收在一段时间内与关于产品的社交媒体对话有关的跟踪信号,每个跟踪信号都包括社交媒体对话的主题并且与预测的未来销售影响相关联;检测跟踪信号相对于阈值偏离;将所述跟踪信号与所述升级级别的所述触发标准进行比较;以及根据针对所述升级级别中的第一升级级别的所述资源分配来响应于所述社交媒体对话进行自动分配资源。
Description
相关专利申请的交叉引用
本申请要求2017年4月7日提交的美国临时专利申请第62/483,011号的权益,该申请的全部内容和公开以引用方式并入本文中。
背景技术
本发明的领域一般涉及分析社交媒体,更具体地,涉及响应于社交媒体对话来分配资源。
社交媒体源,包括例如新闻站点、博客、公告板、消息应用程序和网站、产品评论网站等,可以作为客户对品牌和/或公司的意见的代理。这些意见通常包括过去的客户体验和当前对产品和/或服务的期望。例如,通过社交媒体传播或扩散的主观的个人观点以及关于产品和/或服务的比较客观的专业评论常常可能会影响人们的购买行为和未来的销售。
目前用于社交媒体跟踪和分析的工具提供了一种独立的测量方法,其可以量化付费和社交媒体广告曝光的影响;但是,人们并不能通过其进一步了解推动销售量增长的关于品牌对话的类型。此外,关于产品或品牌的社交媒体对话对短期销售的影响通常在1-2周的时间内是无法知道的,直到发现销售实际受到影响。因此,例如,在发生了关于产品的负面社交媒体对话的情况下,难以确定可能有效应对预期的负面销售影响的响应措施的类型和数量。此外,尽管已经使用了针对产品的负面或正面意见或评论的一般性的预先编写脚本的响应,但是,由响应者自行选择针对每个识别的社交媒体对话的响应措施的类型、预先编写脚本的内容和数量,而没有一致的方法来处理持久的每个社交媒体对话以及其潜在的销售影响。结果,响应资源的整体部署在应对负面的社交媒体对话或利用正面的社交媒体对话方面可能是低效的和/或无效的。
发明内容
提供了一种社交媒体影响分析(SMIA)计算机设备。SMIA设备针对多个升级级别存储相应的触发标准和资源分配,其中每个触发标准都包括销售影响范围和内容类别。SMIA设备被配置为接收在一段时间内与关于产品的社交媒体对话有关的跟踪信号,每个跟踪信号都包括社交媒体对话的主题并且与预测的未来销售影响相关联;检测跟踪信号相对于阈值偏离,其中阈值是从跟踪信号的历史值生成的;将跟踪信号与升级级别的触发标准进行比较;响应于确定下列两项,根据针对第一升级级别的资源分配来响应于社交媒体对话进行自动分配资源:(i)跟踪信号之一的社交媒体对话的至少一个主题在第一升级级别的内容类别内,以及(ii)跟踪信号之一的预测的未来销售影响在第一升级级别的销售影响范围内。
在另一方面,提供了一种用于响应于社交媒体对话来分配社交媒体资源的方法。该方法使用SMIA计算机设备来实现,该SMIA计算机设备包括与存储器进行通信的处理器。存储器针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配,每个相应的触发标准都包括销售影响范围和内容类别。该方法包括由SMIA计算设备接收在一段时间内与关于产品的社交媒体对话有关的多个跟踪信号。多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题,并且与预测的对产品的预期未来销售影响相关联。该方法还包括由SMIA计算设备检测跟踪信号之一相对于阈值跟踪信号偏离,其中阈值跟踪信号是从跟踪信号之一的加权历史值生成的。该方法还包括由SMIA计算设备响应于检测结果,将跟踪信号之一与多个升级级别的触发标准进行比较。该方法还包括由SMIA计算设备响应于确定下列两项中的至少一项,根据针对升级级别之一的资源分配来响应于社交媒体对话进行自动分配资源:(i)跟踪信号之一的社交媒体对话的至少一个主题在升级级别之一的内容类别内,以及(ii)跟踪信号之一的预测未来销售影响在升级级别之一的销售影响范围内。
在又一方面,提供了至少一种其上包含有计算机可执行指令的非瞬时性计算机可读存储介质。指令由与至少一个存储器设备进行通信的至少一个处理器执行,所述至少一个存储器设备针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配,每个相应的触发标准都包括销售影响范围和内容类别。计算机可执行指令使处理器接收在一段时间内与关于产品的社交媒体对话有关的多个跟踪信号,多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题并且与预测的对产品的未来销售影响相关联,检测跟踪信号之一相对于阈值跟踪信号偏离,其中阈值跟踪信号是从跟踪信号之一的加权历史值生成的,响应于检测结果,将跟踪信号之一与多个升级级别的触发标准进行比较,并响应于确定下列两项,根据针对第一升级级别的资源分配来响应于社交媒体对话进行自动分配资源:(i)跟踪信号之一的社交媒体对话的至少一个主题在第一升级级别的内容类别内,以及(ii)跟踪信号之一的预测的未来销售影响在第一升级级别的销售影响范围内。
附图说明
图1-8示出了本文描述的方法和系统的示例实施方案。
图1是用于响应于社交媒体对话来分配社交媒体资源的示例社交媒体影响分析系统的简化框图。
图2示出了根据本公开的一个实施方案的图1中所示的客户端系统的示例配置。
图3示出了根据本公开的一个实施方案的图1中所示的服务器系统的示例配置。
图4是用于使用图1所示的系统响应于社交媒体对话来分配资源的过程的流程图。
图5是可以在图1所示的系统中使用的一个或多个示例计算设备的部件的图。
图6是可以由图1中所示的系统使用的社交媒体对话跟踪信号的图。
图7是用于使用图1所示的系统响应于社交媒体对话来分配资源的过程的流程图。
图8是可以在图1所示的系统中使用的一个或多个示例计算设备的部件的图。
除非另有说明,否则本文提供的附图旨在示出本公开的实施方案的特征。相信这些特征适用于包括本公开的一个或多个实施方案的各种系统。因此,附图并不打算包括本领域普通技术人员已知的用于实施本文公开的实施方案的所有常规特征。
具体实施方式
本文描述的实现方式涉及分析社交媒体,更具体地,涉及响应于社交媒体对话来分配资源。更具体地,社交媒体影响分析(SMIA)计算机设备(也称为SMIA服务器)在一段时间内接收并监控与产品相关的多个社交媒体对话活动跟踪信号,所述多个社交媒体对话活动跟踪信号包括与产品的未来销售量相关联的社交媒体对话的主题。SMIA计算机设备通过对在该时间段内接收到的多个社交媒体对话活动跟踪信号进行平均,来生成产品的平均对话活动跟踪信号。SMIA计算机设备将当前社交媒体对话活动跟踪信号与平均对话活动跟踪信号进行比较,并响应于社交媒体对话来分配资源,诸如但不限于社交媒体响应、传统媒体响应(例如,印刷品广告或电视广告)或其他促销(或营销活动)。此外,SMIA计算机设备还有效地使实体能够基于社交媒体对话来确定潜在的销售影响,分配资源以在潜在的销售影响实际实现之前尝试减轻它,并且在分配之后且在销售影响实现之前持续监控资源的有效性。
本文描述的是诸如SMIA计算机设备和相关计算机系统之类的计算机系统。如本文所述,所有这样的计算机系统都包括处理器和存储器。然而,本文提到的计算机设备中的任何处理器也可以指一个或多个处理器,其中处理器可以在一个计算设备中或并行工作的多个计算设备中。另外,本文提到的计算机设备中的任何存储器也可以指一个或多个存储器,其中存储器可以在一个计算设备中或并行工作的多个计算设备中。
该系统解决的至少一个技术问题可能包括:(i)提高确定社交媒体对话造成的潜在销售影响的速度和效率;(ii)在实现实际销售影响之前,有效地使实体能够分配资源以抵消潜在的销售影响;(iii)在实现实际销售影响之前确定有关所分配资源有效性的反馈;以及(iv)在社交媒体用户及其各自的对话中保持正面的品牌形象。
可以使用包括计算机软件、固件、硬件或其任何组合或子集的计算机编程或工程技术来实现本文描述的方法和系统,其中可以通过执行以下步骤中的至少一个步骤来实现技术效果:(a)在一段时间内接收和监控与产品有关的多个社交媒体对话跟踪信号,所述多个社交媒体对话跟踪信号包括与产品的销售量相关的社交媒体对话的主题;(b)通过对在该时间段内接收到的多个社交媒体对话跟踪信号进行平均,来生成阈值跟踪信号;(c)将当前社交媒体对话跟踪信号与阈值跟踪信号进行比较;以及(d)响应于社交媒体对话来分配资源。
如本文所用,处理器可以包括任何可编程系统,包括使用微控制器、精简指令集电路(RISC)、专用集成电路(ASIC)、逻辑电路以及能够执行本文所述功能的任何其他电路或处理器的系统。上述示例无意以任何方式限制术语“处理器”的定义和/或含义。
如本文所用,术语“数据库”可以指数据主体、关系数据库管理系统(RDBMS)或两者。如本文所用,数据库可以包括任何数据集合,包括分层数据库、关系数据库、平面文件数据库、对象-关系数据库、面向对象的数据库、以及任何其他存储在计算机系统中的结构化的记录或数据集合。上述示例无意在以任何方式限制术语“数据库”的定义和/或含义。RDBMS的示例包括但不限于包括数据库、MySQL、DB2、SQLServer、以及PostgreSQL。然而,可以使用实现本文所描述的系统和方法的任何数据库。(Oracle是Oracle Corporation,Redwood Shores,California的注册商标;IBM是International Business Machines Corporation,Armonk,New York的注册商标;Microsoft是Microsoft Corporation,Redmond,Washington的注册商标;Sybase是Sybase,Dublin,California的注册商标。)
在一个实施方案中,提供了一种计算机程序,并且该程序被包含在计算机可读介质上。在一个示例实施方案中,该系统在单个计算机系统上执行,而不需要连接到服务器计算机。在另一个实施方案中,该系统在环境中运行(Windows是MicrosoftCorporation,Redmond,Washington的注册商标)。在又一个实施方案中,该系统在大型机环境和服务器环境上运行(UNIX是位于Reading,Berkshire,United Kingdom的X/Open Company Limited的注册商标)。该应用程序是灵活的并被设计为在各种不同的环境中运行,而不影响任何主要功能。在一些实施方案中,系统包括分布在多个计算设备中的多个部件。一个或多个部件可以是包含在计算机可读介质中的计算机可执行指令的形式。
如本文所用,以单数形式陈述并且以词语“一个”或“一种”开始的元件或步骤应当被理解为不排除多个元件或步骤,除非明确地陈述了这种排除。此外,对本发明的“示例实施方案”或“一个实施方案”的引用不旨在被解释为排除也包含所述特征的其他实施方案的存在。
如本文所用,术语“软件”和“固件”是可互换的,并且包括存储在存储器中以由处理器执行的任何计算机程序,所述存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。上述存储器类型仅仅是示例性的,并且因此不限制可用于存储计算机程序的存储器类型。
此外,如本文所使用的,术语“实时”指的是相关联事件发生的时间,测量和收集预定数据的时间,处理数据的时间以及系统对事件和环境的响应的时间这几项中的至少一项。在本文描述的实施方案中,这些活动和事件基本上瞬间地发生。
系统和过程不限于本文描述的具体实施方案。此外,每个系统的部件和每个过程可以独立地实施,并与本文描述的其他部件和过程分离。每个部件和过程还可以与其他组包装和过程结合使用。
图1是用于响应于社交媒体对话来分配资源的示例社交媒体影响分析系统100的简化框图。如下面更详细描述的,社交媒体影响分析(“SMIA”)计算机设备105被配置为在一段时间内接收和监控与产品有关的多个社交媒体对话跟踪信号,所述多个社交媒体对话跟踪信号包括与产品销售量相关联的社交媒体对话的主题。虽然SMIA计算机设备105在本文中被描述为监控关于产品的社交媒体对话,但是应当理解,在此上下文中使用的术语“产品”可以指单个产品、品牌名称或其他相关产品套件、业务部门或业务实体、与上述、或任何其他与销售相关的商品中的任何一个相关联的发言人,除非上下文表明术语“产品”是指特定产品。SMIA计算机设备105还被配置为通过对在该时间段内接收到的多个社交媒体对话跟踪信号进行平均,来生成阈值跟踪信号。SMIA计算机设备105还被配置为将当前社交媒体对话跟踪信号与阈值跟踪信号进行比较。此外,SMIA计算机设备105被配置为响应于社交媒体对话来分配资源。
在示例实施方案中,用户计算机设备110是包括web浏览器或软件应用程序的计算机,以使用户计算机设备110能够使用因特网或网络来访问SMIA计算机设备105。更具体地,用户计算机设备110通过许多接口通信地耦合到SMIA计算机设备105,所述接口包括但不限于诸如因特网、局域网(LAN)、广域网(WAN)、或综合业务数字网(ISDN)、拨号连接、数字用户线(DSL)、蜂窝电话连接和电缆调制解调器之类的网络中的至少一种。用户计算机设备110可以是能够访问因特网或任何其他网络的任何设备,包括但不限于台式计算机、膝上型计算机、个人数字助理(PDA)、蜂窝电话、智能手机、平板电脑、平板手机或其他基于web的可连接设备。在示例实施方案中,用户使用用户计算机设备110接收来自SMIA计算机设备105预测的销售影响和/或警报,并采取行动来影响社交媒体对话。
SMIA计算机设备105包括被配置为执行如本文所述的操作的一个或多个计算机设备。在示例实施方案中,SMIA计算机设备105包括被配置为与用户计算机设备110和社交媒体监控(“SMM”)计算机设备115进行通信的一个或多个服务器系统。在一些实施方案中,SMIA计算机设备105远离用户计算机设备110、SMM计算机设备115和数据库服务器120中的至少一个,并且通过因特网与远程计算机设备进行通信。更具体地,SMIA计算机设备105通过许多接口通信地耦合到因特网,所述接口包括但不限于诸如局域网(LAN)、广域网(WAN)、或综合业务数字网(ISDN)、拨号连接、数字用户线(DSL)、蜂窝电话连接和电缆调制解调器之类的网络中的至少一种。SMIA计算机设备105可以是能够访问因特网或任何其他网络的任何设备,包括但不限于台式计算机、膝上型计算机、个人数字助理(PDA)、蜂窝电话、智能手机、平板电脑、平板手机或其他基于web的可连接设备。
数据库服务器120通信地耦合到存储数据的数据库125。在一个实施方案中,数据库125包括对话主题、阈值数据、目标实体的销售数据,和/或与目标实体相关联的历史社交媒体趋势。在示例实施方案中,数据库125远离SMIA计算机设备105地存储。在一些实施方案中,数据库125是分散化的。在示例实施方案中,人可以通过登录到SMIA计算机设备105,经由用户计算机设备110来访问数据库125,如本文所述。
SMM计算机设备115被配置为监控来自多个不同社交媒体源(例如,新闻站点、博客、公告板、消息应用程序和网站、产品评论网站等)中的任何一个的社交媒体对话,并在一段时间内向SMIA计算机设备105提供与产品相关的多个社交媒体对话跟踪信号。在示例实施方案中,SMIA计算机设备105与SMM计算机设备115进行通信。更具体地,SMIA计算机设备105通过许多接口通信地耦合到SMM计算机设备115,所述接口包括但不限于因特网、诸如局域网(LAN)、广域网(WAN)、或综合业务数字网(ISDN)、拨号连接、数字用户线(DSL)、蜂窝电话连接和电缆调制解调器之类的网络中的至少一种。SMM计算机设备115可以与控制SMIA计算机设备105的目标实体相关联,或者可以与第三方相关联。
图2示出了根据本公开的一个实施方案的图1中所示的客户端系统的示例配置。用户计算机设备202由用户201操作。用户计算机设备202可以包括但不限于用户计算机设备110(如图1所示)。用户计算机设备202包括用于执行指令的处理器205。在一些实施方案中,可执行指令存储在存储区域210中。处理器205可以包括一个或多个处理单元(例如,在多核配置中)。存储区域210是允许存储和检索诸如可执行指令和/或交易数据之类的信息的任何设备。存储区域210可以包括一个或多个计算机可读介质。
用户计算机设备202还包括至少一个媒体输出部件215,用于向用户201呈现信息。媒体输出部件215是能够将信息传达给用户201的任何部件。在一些实施方案中,媒体输出部件215包括输出适配器(未示出),诸如视频适配器和/或音频适配器。输出适配器可操作地耦合到处理器205并可操作地耦合到输出设备,诸如显示设备(例如,阴极射线管(CRT)、液晶显示器(LCD)、发光二极管(LED)显示器,或“电子墨水”显示器)或音频输出设备(例如,扬声器或耳机)。在一些实施方案中,媒体输出部件215被配置为向用户201呈现图形用户界面(例如,web浏览器和/或客户端应用程序)。图形用户界面可以包括例如对一个或多个高光谱图像的分析。在一些实施方案中,用户计算机设备202包括用于接收来自用户201的输入的输入设备220。用户201可以使用输入设备220来(但不限于)选择和/或输入一个或多个任务参数或设备参数。输入设备220可以包括例如键盘、指示设备、鼠标、触控笔、触敏面板(例如,触摸板或触摸屏)、陀螺仪、加速度计、位置检测器、生物识别输入设备和/或音频输入设备。诸如触摸屏之类的单个部件可以用作媒体输出部件215的输出设备和输入设备220。
用户计算机设备202还可以包括通信接口225,该通信接口通信地耦合到诸如SMIA计算机设备105(如图1所示)之类的远程设备。通信接口225可以包括例如用于移动电信网络的有线或无线网络适配器和/或无线数据收发器。
存储在存储区域210中的是例如计算机可读指令,用于经由媒体输出部件215向用户201提供用户界面,并且可选地,接收和处理来自输入设备220的输入。除了其他可能性之外,用户界面还可以包括web浏览器和/或客户端应用程序。Web浏览器使得诸如用户201之类的用户能够显示来自SMIA计算机设备105的通常嵌入在网页或网站上的媒体和其他信息,并与其进行交互。客户端应用程序允许用户201与例如SMIA计算机设备105进行交互。例如,指令可以由云服务存储,并且指令的执行的输出被发送到媒体输出部件215。
图3示出了根据本公开的一个实施方案的图1中所示的服务器系统的示例配置。服务器计算机设备301可以包括但不限于数据库服务器120和SMIA计算机设备105(均在图1中示出)。服务器计算机设备301还包括用于执行指令的处理器305。指令可以存储在存储区域310中。处理器305可以包括一个或多个处理单元(例如,在多核配置中)。
处理器305可操作地耦合到通信接口315,以便服务器计算机设备301能够与诸如另一服务器计算机设备301、用户计算机设备110、SMM计算机设备115或SMIA计算机设备105(如图1所示)之类的远程设备进行通信。例如,通信接口315可以经由因特网接收来自用户计算机设备110的请求。
处理器305还可以可操作地耦合到存储设备334。存储设备334是适合于存储和/或检索诸如但不限于与数据库125(如图1所示)相关联的数据之类的数据的任何计算机操作的硬件。在一些实施方案中,存储设备334集成在服务器计算机设备301中。例如,服务器计算机设备301可以包括一个或多个硬盘驱动器作为存储设备334。在其他实施方案中,存储设备334在服务器计算机设备301的外部,并且可以由多个服务器计算机设备301访问。例如,存储设备334可以包括存储区域网络(SAN)、网络附加存储(NAS)系统,和/或多个存储单元,诸如廉价磁盘冗余阵列(RAID)配置中的硬盘和/或固态磁盘。
在一些实施方案中,处理器305经由存储接口320,可操作地耦合到存储设备334。存储接口320是能够向处理器305提供对存储设备334的访问的任何部件。存储接口320可以包括,例如,高级技术附件(ATA)适配器、串行ATA(SATA)适配器、小型计算机系统接口(SCSI)适配器、RAID控制器、SAN适配器、网络适配器,以及/或任何为处理器305提供对存储设备334的访问的部件。
处理器305执行用于实现本公开的各方面的计算机可执行指令。在一些实施方案中,处理器305通过执行计算机可执行指令或通过其他方式编程而变换为专用微处理器。例如,处理器305用诸如图4所示的指令之类的指令来编程。
图4是用于使用社交媒体影响分析系统100(如图1所示),响应于社交媒体对话来分配资源的过程400的流程图。在示例实施方案中,过程400由SMIA计算机设备105(如图1所示)执行。
在示例性实施方案中,SMIA计算机设备105在一段时间内接收并监控402与产品有关的多个社交媒体对话活动跟踪信号,其中对话活动跟踪信号包括对话活动的主题,因为它们与产品的销售量相关联。在示例性实施方案中,对话活动跟踪信号是从SMM计算机设备115(图1中示出)接收到的,并且可以包括由与提供产品的目标实体相关联的社交媒体用户提供的任何信息。如上所述,在此上下文中使用的术语“产品”可以指单个产品、品牌名称或其他相关产品套件,业务部门或业务实体,与上述、或任何其他与销售相关的商品中的任何一个相关联的发言人,除非上下文表明术语“产品”是指特定产品。例如,对话活动可以包括但不限于签到、页面发布、状态更新等。对话活动还可以包括,例如,标识与品牌所有者相关联的目标实体的一个或多个标签,或者可以通过对对话的内容进行文本解析或通过任何其他合适的技术,来识别与社交媒体对话相关的对象。
在示例性实施方案中,SMIA计算机设备105通过对在该时间段内接收到的多个对话活动跟踪信号进行平均,来生成404平均对话活动信号。平均对话活动信号表示在最近的时间段(诸如最近的一天,一周或两周)中主题的对话活动的平均量。由于主题与销售量直接相关联,因此平均对话活动量也表示与该主题相关的平均销售量。
在示例实施方案中,SMIA计算机设备105将当前对话活动跟踪信号与平均对话活动信号进行比较406。更具体地,当前对话活动跟踪信号是在一段时间(诸如一天)内从SMM计算机设备115接收到的信号。当前对话活动跟踪信号表示一天内主题的对话活动量。将当前对话活动跟踪信号与平均对话活动信号进行比较包括确定当前对话活动跟踪信号是否相对于平均对话活动信号偏离达预定偏差阈值。相对于阈值跟踪信号的正偏差或负偏差表示包括主题的对话的增多或减少。取决于特定主题,对话的增多或减少可能与对产品的正面或负面销售影响相关联。例如,如果主题与产品负相关,例如“不安全”或“召回”,则有关这些主题的对话的增多将与未来几周的负面销售影响相关联。或者,如果主题与产品正相关,例如“奖励”或“高质量”,则关于这些主题的对话的增多将与未来几周的正面销售影响相关联。
SMIA计算机设备105响应于社交媒体对话来分配408资源。更具体地,如果当前对话活动跟踪信号相对于平均对话活动信号的偏差超过预定偏差阈值,则SMIA计算机设备105要求分配资源以影响社交媒体对话。分配资源包括,例如,采取行动来抵消或补救对话的负面主题,并且因此,导致当前社交媒体对话跟踪信号相对于阈值跟踪信号的负偏差减小。通过在确定主题的增多的对话活动后尽快影响社交媒体对话,可以在实现任何实际销售影响之前减轻在未来一周或两周内对产品的销售的影响,或者至少比实体在试图影响社交媒体对话之前等待销售影响实现要快得多。作为另一个示例,分配资源可以包括积极主动地增大产品到零售商的分配,以满足与正面的对话主题相关联的销售需求的预测增大。
在一些实施方案中,响应于负面对话来分配资源可以包括积极主动地将消息放入社交媒体环境中以通过发送道歉、折扣、促销和/或广告,将为解决任何问题而对产品做出的改进或改变通知给用户,来尝试影响社交媒体对话。附加地或替代地,响应于负面对话来分配资源可以包括使用传统媒体或促销活动,例如印刷品广告,无线电广播或电视广告、店内展示和传单,以及其他合适的措施。在其他实施方案中,分配资源可以包括,对于与正面销售影响相关的主题,提供奖励、促销和/或消息,请求正面反馈,和/或呈现广告,将利用正面对话的新促销、产品或服务通知给用户。
在一些实施方案中,SMIA计算机设备105每天连续监控当前对话活动跟踪信号若干天,以根据需要确定资源分配在何种程度上影响社交媒体对话。更具体地,SMIA计算机设备105连续地确定当前对话活动跟踪信号相对于平均对话活动信号的偏差是否在接下来的几天内正朝着正的方向发展。当偏差回落到预定偏差阈值以下时,社交媒体对话不再被预测具有显著的销售影响,表明为社交媒体对话的特定主题分配的资源将不再具有影响。因此,SMIA计算机设备105在实际实现任何销售影响之前基于社交媒体对话来确定、解决对产品的潜在销售影响。
在一些实施方案中,SMIA计算机设备105直接分配资源,例如通过自动生成预先选择的社交媒体消息或自动更新产品分发订单。在其他实施方案中,SMIA计算机设备105间接地分配资源,例如通过警告操作员应该将资源分配给特定对话或者使其远离特定对话。
在一些实施方案中,SMIA计算机设备105接收来自SMM计算机设备115的多个对话活动跟踪信号。SMM计算机设备115被配置为监控来自多个不同社交媒体源(例如,新闻站点、博客、公告板、消息应用程序和网站、产品评论网站等)中的任何一个的社交媒体对话。SMM计算机设备115分析来自对话的非结构化文本,并从文本中提取情绪。基于情绪,SMM计算机设备115将文本组织成各种主题,并将主题输入到统计模型中以将主题与产品的销售量相关联。此相关性表示产品的销售量如何受社交媒体对话的影响。
图5是可以在系统100(如图1所示)中使用的一个或多个示例计算设备的部件的示图500。在一些实施方案中,计算设备510类似于SMIA计算机设备105(如图1所示)。数据库520可以与计算设备510内的若干单独部件耦合,这些部件执行特定任务。在该实施方案中,数据库520包括对话跟踪信号522、阈值跟踪信号524、分配数据526和历史分配成功数据528。在一些实施方案中,数据库520类似于数据库125(如图1所示)。
计算设备510包括数据库520以及数据存储设备530。计算设备510还包括通信部件540,用于接收用于监控的对话跟踪信号。计算设备510还包括用于生成阈值跟踪信号的生成部件550。比较部件560将当前社交媒体对话跟踪信号与阈值跟踪信号进行比较。处理部件560帮助执行与系统相关联的计算机可执行指令。
如上所述,在一些实施方案中,SMIA计算机设备105响应于社交媒体对话,直接地,即自动地分配资源。例如,为了响应于负面对话活动来高效率地且有效地分配资源,SMIA计算机设备105从多个预定义升级级别确定对话活动的升级级别。升级级别对应于关于产品的社交媒体对话中渐增的负面或正面趋势,如通过与产品相关联的至少一个跟踪信号的量值所指示的。每个升级级别都与相应的触发标准和相应资源分配相关联,相应资源分配可以是立即且自动的。每个升级级别的触发标准包括例如销售影响范围和内容类别。将内容类别与对话活动(其与跟踪信号相关联)的内容/语言进行比较,并且可以基于跟踪信号提供的关键词和/或对话中出现的情绪程度。将销售影响范围与如跟踪信号所提供的对产品的预测的负面或正面的未来销售影响进行比较。SMIA计算机设备105可以被配置为响应于SMIA计算机设备105检测到跟踪信号偏离平均或阈值对话活动达预定量,和/或使SMIA计算机设备105能够如本文所述起作用的任何其他触发标准,将任何当前接收到的跟踪信号与多个升级级别的触发标准进行比较。
在一些实施方案中,多个预定义升级级别包括例如至少三个升级级别,包括第一、第二和第三升级级别。然而,应该理解,对于特定应用,可以根据需要存在任何数量的预定义升级级别。
例如,第一升级级别是最低升级级别,并且当驱动跟踪信号的社交媒体对话活动包括指示与产品相关联的不便或暂时舒服的内容但不具有声誉风险,并且与跟踪信号相关联的负面销售影响在小于第一限值(诸如0.01%)的第一范围内时,达到该第一升级级别。在一些实施方案中,基于对话的持久性,可选择地重新定义第一限值。
当确定跟踪信号处于第一升级级别时,SMIA计算机设备105以适合于第一升级级别的方式,自动分配资源以减轻对话活动中的偏差。例如,SMIA计算机设备105自动地提供对社交媒体平台上的各个发贴者的贴子和/或评论的响应,以提供道歉、折扣、促销和/或广告,将对产品进行的改进或改变通知给用户。为了提供自动响应,SMIA计算机设备105访问存储在数据库125中的一组标准的预定义响应。基于与跟踪信号600相关联的关键词或其他主题内容指示,SMIA计算机设备105选择并提供适合于第一升级级别的适当响应。或者,SMIA计算机设备105实现任何合适的资源自动分配。在一些实施方案中,要在其上发布由SMIA计算机设备105提供的响应的在线社交媒体平台禁止计算机设备的自动发布,并且SMIA计算机设备105警告人类操作员完成自动发布,尽管操作人员对所需的响应没有自由裁量权。在其他实施方案中,SMIA计算机设备105自动地将响应直接发布到在线社交媒体平台而不需要操作员执行任何动作。或者,SMIA计算机设备105警告操作人员,并且操作人员行使自由裁量权来批准自动选择的响应或手动提供响应。在备选实施方案中,上述资源分配与任何合适的升级级别相关联。
与第一升级级别相比,第二升级级别的对话活动相对于平均对话活动的偏差更大。例如,当与跟踪信号相关联的社交媒体对话活动包括指示与产品相关联的短期、有限健康问题的内容时,或者当与跟踪信号相关联的负面销售影响在等于或超过第一限值且小于第二限值(诸如0.02%)的第二范围内时,达到第二升级级别。在一些实施方案中,基于对话的持久性,可选择地重新定义第二限值。
当确定对话活动跟踪信号处于第二升级级别时,SMIA计算机设备105以适合于第二升级级别的方式,自动地分配资源以减轻对话活动中的偏差。由于第二升级级别相对于产品的平均对话活动的偏差大于第一升级级别,因此,针对第一升级级别,在社交媒体平台上,除了针对各个别发贴者的自动响应之外,还可能需要额外动作来减轻对话活动跟踪信号的偏差。例如,除了像第一升级级别一样响应社交媒体平台上的每个发贴者的投诉之外,SMIA计算机设备105还自动从数据库125中选择预定义的广告内容,以应对或抵消与跟踪信号600相关联的关键词或其他主题内容指示,并使用广告内容来增大一个或多个社交媒体平台上的广告放置分布和频率。或者,SMIA计算机设备105实现任何合适的资源自动分配。在恢复到正常分布和频率之前,可以在预定的时间长度(即,一天、一周等)内安排增加的广告,或者可替换地,增加的广告可以被安排为持续,直到跟踪信号从第二升级级别降级。或者,SMIA计算机设备105警告操作人员,并且操作人员批准自动选择的响应或手动提供响应。在备选实施方案中,上述响应动作与任何合适的升级级别相关联。
与第一和第二升级级别相比,第三升级级别的对话活动相对于平均对话活动的偏差更大。特别地,第三升级级别被认为足够严重以保证自动转介给指定的决策人员,例如,与管理产品和/或产品的消费者关系相关联的人员。例如,当与跟踪信号相关联的社交媒体对话活动包括指示与产品相关联的显著负面健康影响或对产品声誉的显著负面影响的内容时,或者当与跟踪信号相关联的负面销售影响在等于或超过第二限值的第三范围内时,达到第三升级级别。
当确定跟踪信号处于第三升级级别时,SMIA计算机设备105以适合于第三升级级别的方式,自动分配资源以减轻对话活动的偏差。由于第三升级级别表明产品声誉受损和负面销售影响的风险远高于第一和第二升级级别,因此可能需要比自动响应社交媒体平台上的各个发贴者和增加在线广告更有效的干预来减轻负面对话活动。例如,如上所述,为了发布对单个贴子/评论的响应和/或在线广告的自动增加,SMIA计算机设备105可以从存储在数据库125中的一组标准声明中建议一个声明来应对与跟踪信号600相关联的关键词或其他主题内容指示,并且该声明适合于第三升级级别。另外,SMIA计算机设备105可以自动选择一个声明作为一个或多个传统媒体平台(诸如印刷媒体、电视和/或无线电广播渠道)的通信稿。此类在线响应、在线广告和通信稿的声明可能包括道歉、说明正在进行调查、产品召回和/或对产品进行改变的描述中的一项或多项等。SMIA计算机设备105被配置为将建议的声明发送给指定的决策人员,例如通过电子邮件向所指定的决策人员的个人通信设备发送附带的文本警报,以便在社交媒体平台上发布声明和/或以通信稿形式发布声明之前,可以对声明进行适当的添加或更改和/或采取额外的行动。在一些实施方案中,在触发第三升级级别时,通过不同于所建议的声明的发送的通信信道(例如,短信与电子邮件)立即将警报传输给指定的决策人员,有助于指定的决策人员根据社交媒体对话内容的严重性的要求,在尽可能早的时刻意识到并加以关注。此外,通过对第一和第二升级级别的自动处理,可确保指定的决策人员仅针对相对严重的社交媒体对话趋势接收个人警报,从而促进提高指定的决策人员对这种警报的警觉和关注。在示例实施方案中,一旦所建议的声明的最终版本已经被指定的决策人员批准,SMIA计算机设备105然后如上所述在社交媒体平台上发布该声明,和/或将最终声明作为通信稿发送给相关传统媒体渠道。在备选实施方案中,上述响应动作与任何合适的升级级别相关联。
在某些实施方案中,多个升级级别包括超出第三升级级别的附加升级级别。例如,第三升级级别还进一步被定义为包括社交媒体对话内容,其指示与产品相关联的显著负面但暂时的健康影响,或者对产品声誉的显著负面但暂时的影响,或者当与跟踪信号相关联的负面销售影响在等于或超过第二限值且小于第三限值(例如0.03%)的第三范围内时。与第一、第二和第三升级级别相比,第四升级级别的对话活动相对于平均对话活动的偏差更大。特别地,当与跟踪信号相关联的社交媒体对话活动包括指示与产品相关联的显著永久负面健康影响或对产品声誉的显著永久负面影响的内容时,或者当与跟踪信号相关联的负面销售影响在等于或超过第三限值的第四范围内时,达到第四升级级别。在一些实施方案中,基于对话的持久性,可选择地重新定义第三限值。尽管描述了诸如第一限值、第二限值和第三限值之类的限值以和与跟踪信号相关联的负面销售影响进行比较,但是,也可以实施附加的或替代的限制以用于和与跟踪信号相关联的另一合适值(诸如跟踪信号的量值或跟踪信号相对于阈值跟踪信号的偏差的量值)进行比较。
当确定跟踪信号处于第四升级级别时,SMIA计算机设备105以适合于第四升级级别的方式,自动响应以减轻对话活动中的偏差。由于第四升级级别表明存在对产品声誉永久性损坏和永久性负面销售影响的风险,因此与其他升级级别相比,可能需要更有效的干预来减轻负面对话活动。例如,如上所述,为了选择对特定贴子和评论的在线响应的响应声明、在线一般广告放置以及对传统渠道的通信稿,SMIA计算机设备105可以从标准声明数据库中建议适合于第四升级级别的声明。在一些这样的实施方案中,自动选择的第四声明不仅可以指正在推动社交媒体对话的特定产品,还可以指整个品牌或销售产品的部门。SMIA计算机设备105还将建议的声明发送给与第四升级级别相关联的指定的决策人员,以便如上所述,对声明进行适当的添加或改变和/或采取附加动作。例如,对于第四升级级别的指定的决策人员不仅包括与管理特定产品和/或特定产品的消费者关系相关联的人员,而且还包括与管理整个品牌或销售产品的部门和/或整个品牌或销售产品的部门的消费者关系相关联的人员。因此,在检测到第四级升级事件后,负责处理社交媒体对话对品牌或部门内其他产品的潜在影响的人员会收到警报,并尽早获得自动选择的响应模板。
应该注意的是,整个品牌或销售产品的部门的指定的决策人员的参与不需要与第四升级级别相关联或仅与第四升级级别相关联。在替代实施方案中,整个品牌或销售产品的部门的指定人员与任何合适的升级级别相关联或不与任何升级级别相关联。再例如,在一些实施方案中,如果驱动跟踪信号的社交媒体对话明确地针对品牌或部门,则自动选择指定的决策人员作为所针对的品牌或部门的人员。
在一些实施方案中,一旦触发了升级级别,SMIA计算机设备105就维持对应于至少已触发的升级级别的资源的分配,直到在跟踪信号中检测到预定义反馈条件。例如,在触发特定升级级别之后,接下来的一天的跟踪信号的值不再满足与已触发的升级级别或更高的升级级别相关联的条件。然而,SMIA计算机设备105维持对应于已触发的升级级别的资源的分配,直到确定另外的预定义反馈条件。在一些实施方案中,当跟踪信号降低到阈值跟踪信号以下时,满足了预定义反馈条件。响应于SMIA计算机设备105检测到跟踪信号中的预定义反馈条件,SMIA计算机设备105从先前触发的升级级别降级并进入与跟踪信号的当前值相关联的升级级别(如果有的话)。在替代实施方案中,使用任何合适的反馈条件。等待到满足附加反馈条件以从已触发的升级级别降级,有助于确定在停止对适合于已触发的升级级别的响应之前确定关于产品的社交媒体对话中的负面趋势已经停止。在备选实施方案中,当接下来的一天的跟踪信号的值不再满足与已触发的升级级别或更高的升级级别相关联的条件时,SMIA计算机设备105从已触发的升级级别降级,而不需要额外的预定义反馈条件。
在示例实施方案中,在触发较低升级级别之后,如果SMIA计算机设备105确定跟踪信号的预测的未来销售影响随后已升级到更高升级级别的销售影响范围内,则SMIA计算机设备105被配置为根据为更高升级级别定义的资源分配规则来自动地重新分配资源。
应当注意,因为在某些实施方案中阈值跟踪信号是基于跟踪信号600的最近历史数据的移动平均值,所以阈值跟踪信号可以在升级事件期间上升,并且在这种情况下,跟踪信号可以保持在升级范围内,尽管响应于由SMIA计算机设备105实施的措施而下降到低于阈值跟踪信号。
图6是可由SMIA计算机设备105使用的社交媒体对话跟踪信号600的示例的图。例如但不限于,社交媒体对话跟踪信号600从SMM计算机设备115实时发送到SMIA计算机设备105,该SMM计算机设备可以体现为由Kvantum,Inc.提供的“消费者之声”社交媒体监控平台。在示例实施方案中,基于从引用感兴趣的产品(或产品套件或品牌或部门等)的社交媒体对话中挖掘的内容,每天接收社交媒体对话跟踪信号600的值。在替代实施方案中,以任何合适的间隔接收跟踪信号600的值。
在右手垂直标度上以无量纲单位示出的跟踪信号600的值也表示社交媒体对话对感兴趣产品的销售的预测影响的值,其如由SMM计算机设备115相关联的,以左侧垂直轴上的销售额变化百分比单位表示。在示例实施方案中,相关联的预测销售影响值由SMM计算机设备115与社交媒体对话跟踪信号600一起提供。还示出了阈值跟踪信号602。在示例实施方案中,阈值跟踪信号602被计算为在合适的最近时间窗口期间(例如最近的一周)每天接收到的多个社交媒体对话跟踪信号的合适的移动平均值,如上所述。在替代实施方案中,基于跟踪信号600的加权历史值,以任何其他合适的方式来计算阈值跟踪信号602。阈值跟踪信号602可以由SMM计算机设备115提供,或者如上所述由SMIA计算机设备105根据接收到的社交媒体对话跟踪信号600进行计算。
尽管仅示出了一个社交媒体对话跟踪信号600,但是,SMIA计算机设备105可以从SMM计算机设备115接收多个社交媒体对话跟踪信号600,每个跟踪信号都基于社交媒体对话的不同类别的内容。内容的类别可以由SMM计算机设备115动态地确定,并且与每个跟踪信号600相关联的社交媒体对话的关键词或其他内容主题指示符可以与跟踪信号600相关联地提供。如上所述,基于升级级别的响应方法可以由SMIA计算机设备105单独地应用于每个跟踪信号600。
在图6中所示的示例实施方案中,被监控的产品是纸尿裤。SMIA计算机设备105实施如上所述的四个升级级别,定义了限制,用于与对与跟踪信号600相关联的纸尿裤的销售的预测影响进行比较。特别是,第一限值设置为0.01%,第二限值设置为0.02%,第三限值设置为0.03%。
在610处示出了第一升级级别的事件。在事件610处,跟踪信号600超过阈值跟踪信号602,并且与跟踪信号600相关联的预测的负面销售影响保持在0.01%以下。另外,驱动跟踪信号600的关于纸尿裤产品的社交媒体对话中的关键词包括诸如“泄漏”、“令人失望”和“沮丧”之类的术语,这些术语在数据库125中与产品的不便或暂时不适相关联,但没有声誉风险。作为响应,SMIA计算机设备105访问存储在数据库125中的第一升级级别的一组标准的预定义响应,并基于关键词,自动选择用于发布到社交媒体对话中的适当响应。
在612处示出了第二升级级别的事件。在事件612处,跟踪信号600超过阈值跟踪信号602。关于纸尿裤产品的社交媒体对话中的关键词并未暗示与第二升级级别相关联的任何健康或声誉问题。然而,与跟踪信号600相关联的预测的负面销售影响超过0.01%,但仍然低于0.02%,从而触发第二升级级别。作为响应,SMIA计算机设备105访问存储在数据库125中的第二升级级别的一组标准的预定义响应,并基于关键词,自动选择用于发布到社交媒体对话中的适当响应。另外,SMIA计算机设备105利用从数据库125中选择的广告,自动增加跨一个或多个社交媒体平台的广告放置分布和频率,以应对或抵消投诉。
在614处示出了第三升级级别的事件。在事件614处,跟踪信号600还超过阈值跟踪信号602。关于纸尿裤产品的社交媒体对话中的关键词并未暗示与第二升级级别相关联的任何健康或声誉问题。然而,与跟踪信号600相关联的预测的负面销售影响超过0.02%,但仍然低于0.03%,从而触发第三升级级别。作为响应,SMIA计算机设备105访问存储在数据库125中的第三升级级别的一组预定义声明模板,自动选择适当的声明,并且自动将建议的声明发送给与纸尿裤产品相关联的指定的决策人员,以便在将声明发布到社交媒体平台和/或作为通信稿发布声明之前,指定的决策人员可以对声明进行适当的添加或改变和/或采取额外的动作。
在616处示出了第六升级级别的事件。在事件616处,跟踪信号600超过阈值跟踪信号602。驱动跟踪信号600的关于纸尿裤产品的社交媒体对话中的关键词包括诸如“退回”和“严重”之类的术语,其在数据库125中与产品声誉的永久性损坏的风险相关联,触发第四升级级别。另外,与跟踪信号600相关联的预测的负面销售影响超过0.03%,这也足以触发第四升级级别。作为响应,SMIA计算机设备105访问存储在数据库125中的第四升级级别的一组预定义声明模板,自动选择适当的声明,并且自动将建议的声明发送给与纸尿裤产品相关联的指定的决策人员,以便在将该声明发布到社交媒体平台和/或作为通信稿发布该声明之前,指定的决策人员可以对该声明进行适当的添加或改变和/或采取额外的动作。特别地,在示例实施方案中,建议的声明应对与品牌或销售产品的部门相关联的消费者商誉。
在618处示出了降级事件。更具体地,尽管在第四升级级别事件616之后的一天的跟踪信号的值620不再满足与已触发的第四升级级别相关联的条件,因为相关联的负面销售影响已经下降到低于第三限值0.03,SMIA计算机设备105维持第四升级级别,直到在跟踪信号600中检测到预定义反馈条件。在示例实施方案中,当跟踪信号600在降级事件618处下降到阈值跟踪信号602以下时,满足了预定义反馈条件。在降级事件618处,与跟踪信号600相关联的预测的负面销售影响超过0.01%,但仍然低于0.02%,因此自动地使SMIA计算机设备105恢复到第二升级级别。因此,例如,SMIA计算机设备105避免要求指定的决策人员重复与中间第三升级级别相关联的步骤,进一步降低操作人员进行时间密集的亲自动手响应管理的必要性,并以更有效的方式自动分配消费者关系资源。
图7是用于使用社交媒体影响分析系统100(如图1所示),响应于社交媒体对话来分配资源的过程700的流程图。在示例实施方案中,过程700由SMIA计算机设备105(如图1所示)执行。SMIA计算机设备105包括处理器305(如图3所示)和存储设备,诸如数据库125(如图1所示)。存储器设备针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配。每个相应的触发标准都包括销售影响范围和内容类别。
在示例性实施方案中,SMIA计算机设备105在一段时间内接收702与关于产品的社交媒体对话有关的多个跟踪信号。多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题,并且与预测的对产品的预期未来销售影响相关联。
SMIA计算机设备105检测到704跟踪信号之一相对于阈值跟踪信号偏离,其中阈值跟踪信号是从跟踪信号之一的加权历史值生成的。
响应于该检测,SMIA计算机设备105将跟踪信号之一与多个升级级别的触发标准进行比较706。
SMIA计算设备105响应于确定下列两项中的至少一项,根据针对升级级别之一的资源分配来响应于社交媒体对话进行自动分配708资源:(i)跟踪信号之一的社交媒体对话的至少一个主题在升级级别之一的内容类别内,以及(ii)跟踪信号之一的预测未来销售影响在升级级别之一的销售影响范围内。
在一个实施方案中,根据针对升级级别之一的资源分配,响应于社交媒体对话来分配资源包括由SMIA计算设备105从至少一个存储设备中选择对应于跟踪信号之一的至少一个主题和升级级别之一的预定义响应,并且由SMIA计算设备105将对单个发贴者的响应直接发布在社交媒体平台上。
在一个实施方案中,根据针对升级级别之一的资源分配,响应于社交媒体对话来分配资源包括由SMIA计算设备105从至少一个存储器设备选择对应于跟踪信号之一的至少一个主题和升级级别之一的预定义响应。SMIA计算设备105自动将对单个发贴者的响应发布在社交媒体平台上,其中社交媒体平台禁止计算机设备的自动发布。然后,SMIA计算设备105警告操作人员完成自动发布。
在一个实施方案中,方法700还包括由SMIA计算设备105确定跟踪信号之一的预测的未来销售影响随后已经升级到更高的一个升级级别的销售影响范围内,并且由SMIA计算设备105根据对应于更高升级级别的资源分配来自动地重新分配资源。
在一个实施方案中,根据对应于更高升级级别的资源分配来自动地重新分配资源包括从至少一个存储器设备中选择对应于跟踪信号之一的至少一个主题和较高的升级级别的预定义建议声明,并将建议的声明发送给指定的决策人员。
在一个实施方案中,根据对应于更高升级级别的资源分配来自动地重新分配资源还包括使用与建议声明的发送不同的通信信道向指定的决策人员发送警报。
在一个实施方案中,方法700还包括由SMIA计算设备105根据针对更高升级级别的资源分配来维持资源的重新分配,直到在跟踪信号中检测到预定义反馈条件。
图8是可以在系统100(如图1所示)中使用的一个或多个示例计算设备的部件的示图800。在一些实施方案中,计算设备810类似于SMIA计算机设备105(如图1所示)。数据库820可以与计算设备810内的若干单独部件耦合,这些部件执行特定任务。在该实施方案中,数据库820包括升级级别数据822、触发标准数据824、分配数据826、跟踪信号数据828和阈值跟踪信号数据830。在一些实施方案中,数据库820类似于数据库125(如图1所示)。
计算设备810包括数据库820以及数据存储设备840。计算设备810还包括通信部件850,用于接收用于监控的跟踪信号。计算设备810还包括检测部件860,用于检测跟踪信号之一相对于阈值跟踪信号偏离。比较部件870将跟踪信号之一与触发标准进行比较。分配部件880自动分配资源。处理部件890帮助执行与系统相关联的计算机可执行指令。
尽管上面从响应与负面销售影响相关联的跟踪信号的角度描述了多个升级级别的示例,但是应该理解,可以类似地在SMIA计算机设备105处定义与跟踪信号(跟踪信号与正面销售影响相关联)相关联的另一多个升级级别,因此,提高了利用关于产品的正面社交媒体对话的效率。例如,SMIA计算机设备105被配置为通过将正面意见或评论交叉发布到其他社交媒体平台来响应第一正面升级级别,被配置为通过在选定的零售商处自动订购,以增大产品库存以适应预测的正面销售影响来响应第二正面升级级别,并被配置为通过自动提醒与产品相关联的指定的决策人员,应该讨论产品线的延伸或与其他产品品牌带动的“双赢效应”,以便利用检测到的商誉,来响应第三正面升级级别。
与已知的用于响应社交媒体对话的系统不同,已知的系统依赖于不协调或松散协调的一系列任意社交媒体响应决策,每个决策都基于广泛、动态和快速发展的社交媒体对话的分散的“快照”或孤立部分,而本文描述的系统和方法的实施方案基于社交媒体对话的影响的可重复和一致的测量值,根据规则的有序集合,以一致和有效的方式自动选择对社交媒体对话的响应。这些实施方案将操作人员的自由参与限制到达到预定和明确定义的正面或负面影响阈值的情况,从而降低操作人员进行时间密集的亲自动手响应管理的必要性,并以更有效的方式自动分配消费者关系资源。此外,一些实施方案响应于来自跟踪信号的反馈,使得所选择的响应被自动地重新缩放,进一步提高了效率,并限制可能由操作人员引起的无意和/或意外的负面结果,尽管有最好的意图。
可以使用有监督或无监督的机器学习来训练处理器或处理元件,并且机器学习程序可以使用神经网络,其可以是卷积神经网络、深度学习神经网络,或者在两个或多个感兴趣的领域学习的组合学习模块或程序。机器学习可以涉及标识和识别现有数据中的模式,以便于对后续数据进行预测。可以基于示例输入来创建模型,以便对新输入进行有效且可靠的预测。
附加地或替代地,可以通过将样本数据集或某些数据(诸如对话跟踪信号、阈值跟踪信号、分配数据和历史分配成功数据,以及其他数据)输入到程序中来训练机器学习程序。机器学习程序可以利用深度学习算法,这种算法可以主要关注模式识别,并且可以在处理多个示例之后进行训练。机器学习程序可以包括贝叶斯程序学习(BPL)、图像或对象识别、光学字符识别、像素识别和/或自然语言处理-单独地或组合地。机器学习程序还可以包括自然语言处理、语义分析、自动推理和/或机器学习。
在有监督机器学习中,可以向处理元件提供示例输入及其相关联的输出,并且处理元件可以寻求发现将输入映射到输出的一般规则,以便当提供后续新颖输入时,处理元件可以基于所发现的规则,准确预测正确的输出。在无监督的机器学习中,处理元件可能需要在未标记的示例输入中找到其自己的结构。在一个实施方案中,机器学习技术可用于提取对话跟踪信号、阈值跟踪信号、分配数据和历史分配成功数据以及其他数据。
本文讨论的计算机实现的方法可以包括附加的、更少的或替代的动作,包括本文其他地方讨论的动作。这些方法可以通过一个或多个本地或远程处理器、收发器、服务器和/或传感器(诸如安装在车辆或移动设备上的,或与智能基础设施或远程服务器相关联的处理器、收发器、服务器和/或传感器)来实现,和/或通过存储在非瞬时性计算机可读介质上的计算机可执行指令来实现。另外,本文讨论的计算机系统可以包括附加的、更少的或替代的功能,包括本文其他地方讨论的功能。本文讨论的计算机系统可以包括存储在非瞬时性计算机可读介质上的计算机可执行指令或通过这些指令来实现。
如本文所使用的,术语“非瞬时性计算机可读介质”旨在表示以用于在任何设备中短期和长期存储信息(诸如计算机可读指令、数据结构、程序模块和子模块,或其他数据)的任何方法或技术实现的任何有形的基于计算机的设备。因此,本文所描述的方法可以被编码为体现在有形的、非瞬时性的计算机可读介质(包括但不限于存储设备和/或存储器设备)中的可执行指令。当由处理器执行时,这些指令使处理器执行本文描述的方法的至少一部分。此外,如本文所使用的,术语“非瞬时性计算机可读介质”包括所有有形的计算机可读介质,包括但不限于非瞬时性计算机存储设备,包括但不限于易失性和非易失性介质,以及可移除的和不可移动的介质,诸如固件、物理和虚拟存储器、CD-ROM、DVD,以及任何其他数字源,诸如网络或因特网,以及尚未开发的数字手段,唯一的例外是短暂的、传播的信号。
如上所述,本文描述的实现方式涉及分析社交媒体,更具体地,涉及响应于社交媒体对话来分配资源。更具体地,社交媒体影响分析(SMIA)计算机设备(也称为SMIA服务器)在一段时间内接收并监控与产品有关的多个社交媒体对话跟踪信号。SMIA计算机设备通过对在该时间段内接收到的多个社交媒体对话跟踪信号进行平均来生成阈值跟踪信号。SMIA计算机设备将当前社交媒体对话跟踪信号与阈值跟踪信号进行比较,并响应于社交媒体对话来分配资源,以实现对销售的正面影响。
用于进行社交媒体影响分析的上述方法和系统是有成本效益的、安全的且高度可靠的。这些方法和系统提供对关于由目标实体提供的产品或服务的社交媒体对话以及对话如何影响产品或服务的未来销售的理解。这使目标实体能够采取措施来响应对话并减轻负面对话的影响和/或利用正面对话来推动对销售的正面影响。
本书面描述用示例来公开包括最佳模式的各种实现方式,并且还使本领域技术人员能实施各种实现方式,包括制造和使用任何设备或系统以及执行任何包括在内的方法。本公开的可取得专利的范围由权利要求所限定,并且可包括本领域技术人员想到的其他示例。如果这种其他示例具有与权利要求的字面语言没有不同的结构元件,或者如果它们具有与权利要求的字面语言无实质差别的等同结构元件,则这种其他示例意图在权利要求的范围内。
Claims (20)
1.一种社交媒体影响分析(SMIA)计算机设备,包括与至少一个存储器设备进行通信的至少一个处理器,所述至少一个存储器设备针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配,每个所述相应的触发标准包括销售影响范围和内容类别,所述SMIA计算机设备被配置为:
接收在一段时间内与关于产品的社交媒体对话有关的多个跟踪信号,所述多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题并且与预测的对所述产品的未来销售影响相关联;
检测所述跟踪信号之一相对于阈值跟踪信号偏离,其中所述阈值跟踪信号是从所述跟踪信号之一的加权历史值生成的;
响应于所述检测,将所述跟踪信号之一与所述多个升级级别的所述触发标准进行比较;和
响应于确定下列两项,根据针对所述升级级别中的第一升级级别的所述资源分配来响应于所述社交媒体对话进行自动分配资源:(i)所述跟踪信号之一的社交媒体对话的所述至少一个主题在所述第一升级级别的所述内容类别内,以及(ii)所述跟踪信号之一的所述预测的未来销售影响在所述第一升级级别的所述销售影响范围内。
2.根据权利要求1所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:根据针对所述第一升级级别的所述资源分配,响应于所述社交媒体对话,通过以下方式来分配资源:
从所述至少一个存储器设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述第一升级级别的预定义响应;和
自动将对单个发贴者的所述响应直接发布在社交媒体平台上。
3.根据权利要求1所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:根据针对所述第一升级级别的所述资源分配,响应于所述社交媒体对话,通过以下方式来分配资源:
从所述至少一个存储器设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述第一升级级别的预定义响应;
自动将对单个发贴者的所述响应发布在社交媒体平台上,其中所述社交媒体平台禁止计算机设备自动发布;和
提醒操作人员完成所述自动发布。
4.根据权利要求1所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:
响应于确定下列两项中的至少一项,根据针对所述升级级别中的所述另一个升级级别的所述资源分配来响应于所述社交媒体对话进行自动分配资源:(i)所述跟踪信号之一的社交媒体对话的所述至少一个主题在所述升级级别中的所述另一个升级级别的所述内容类别内,以及(ii)所述跟踪信号之一的所述预测的未来销售影响在所述升级级别中的另一个升级级别的所述销售影响范围内。
5.根据权利要求4所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:根据针对所述另一个升级级别的所述资源分配,响应于所述社交媒体对话,通过以下方式来分配资源:
从所述至少一个存储器设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述升级级别中的所述另一个升级级别的预定义建议声明;和
将所述建议的声明发送给指定的决策人员。
6.根据权利要求5所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为使用与所述建议声明的所述发送不同的通信信道向所述指定的决策人员发送警报。
7.根据权利要求5所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:
接收所述指定的决策人员对所述建议声明的最终版本的批准;和
将所述声明的所述最终版本作为通信稿发送给传统媒体渠道。
8.根据权利要求5所述的SMIA计算机设备,其中针对所述升级级别中的所述另一个升级级别存储的所述内容类别包括指示与所述产品相关联的显著负面健康影响和对所述产品的声誉的显著负面影响中的至少一项的内容。
9.根据权利要求5所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:响应于所述社交媒体对话,根据针对所述升级级别中的所述另一个升级级别的所述资源分配来维持资源的所述分配,直到在所述跟踪信号中检测到预定义反馈条件。
10.根据权利要求9所述的SMIA计算机设备,其中所述预定义反馈条件包括所述跟踪信号之一减小到低于所述相应阈值跟踪信号。
11.根据权利要求5所述的SMIA计算机设备,其中所述升级级别中的所述另一个升级级别是第三升级级别,其中所述至少一个存储设备存储针对所述第一级别的第一销售影响范围、针对所述升级级别中的第二升级级别的第二销售影响范围和针对所述第三升级级别的第三销售影响范围,其中所述第一销售影响范围小于第一限值,所述第二销售影响范围超过所述第一限值并且小于第二限值,并且所述第三销售影响范围超过所述第二限值。
12.根据权利要求11所述的SMIA计算机设备,其中所述SMIA计算机设备还被配置为:根据针对所述第二升级级别的所述资源分配,响应于所述社交媒体对话,通过以下方式来分配资源:
从所述至少一个存储设备中选择对应于与所述跟踪信号之一相关联的所述至少一个主题的预定义广告内容;和
使用所述广告内容,在一个或多个社交媒体平台上增加广告放置分布和频率。
13.一种用于响应于社交媒体对话来分配资源的方法,所述方法使用社交媒体影响分析(SMIA)计算机设备来实现,所述SMIA计算机设备包括与至少一个存储设备进行通信的至少一个处理器,所述至少一个存储器设备针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配,每个所述相应的触发标准都包括销售影响范围和内容类别,所述方法包括:
由所述SMIA计算设备接收在一段时间内与关于产品的社交媒体对话有关的多个跟踪信号,所述多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题并且与预测的对所述产品的未来销售影响相关联;
由所述SMIA计算设备检测所述跟踪信号之一相对于阈值跟踪信号偏离,其中所述阈值跟踪信号是从所述跟踪信号之一的加权历史值生成的;
由所述SMIA计算设备响应于所述检测,将所述跟踪信号之一与所述多个升级级别的所述触发标准进行比较;和
由所述SMIA计算设备响应于确定下列两项中的至少一项,根据针对所述升级级别之一的所述资源分配来响应于所述社交媒体对话进行自动分配资源:(i)所述跟踪信号之一的社交媒体对话的所述至少一个主题在所述升级级别之一的所述内容类别内,以及(ii)所述跟踪信号之一的所述预测的未来销售影响在所述升级级别之一的所述销售影响范围内。
14.根据权利要求13所述的方法,其中根据针对所述升级级别之一的所述资源分配,响应于所述社交媒体对话来分配资源包括:
由所述SMIA计算设备从所述至少一个存储器设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述升级级别之一的预定义响应;和
由所述SMIA计算设备自动将对单个发贴者的所述响应直接发布在社交媒体平台上。
15.根据权利要求13所述的方法,其中根据针对所述升级级别之一的所述资源分配,响应于所述社交媒体对话来分配资源包括:
由所述SMIA计算设备从所述至少一个存储设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述升级级别之一的预定义响应;
由所述SMIA计算设备自动将对单个发贴者的所述响应发布在社交媒体平台上,其中所述社交媒体平台禁止计算机设备自动发布;和
由所述SMIA计算设备提醒操作人员完成所述自动发布。
16.根据权利要求13所述的方法,还包括:
由所述SMIA计算设备确定所述跟踪信号之一的所述预测的未来销售影响随后已经升级到所述升级级别中的更高升级级别的所述销售影响范围内;和
由所述SMIA计算设备根据对应于所述更高升级级别的所述资源分配来自动地重新分配资源。
17.根据权利要求16所述的方法,其中根据对应于所述更高升级级别的所述资源分配来自动地重新分配资源包括:
从所述至少一个存储器设备中选择对应于所述跟踪信号之一的所述至少一个主题和所述更高升级级别的预定义建议声明;和
将所述建议的声明发送给指定的决策人员。
18.根据权利要求17所述的方法,其中根据对应于所述更高升级级别的所述资源分配来自动地重新分配资源还包括使用与所述建议声明的所述发送不同的通信信道,向所述指定的决策人员发送警报。
19.根据权利要求16所述的方法,还包括:由所述SMIA计算设备根据针对所述更高升级级别的所述资源分配来维持资源的所述重新分配,直到在所述跟踪信号中检测到预定义反馈条件。
20.至少一种非瞬时性计算机可读存储介质,具有包含在其上的计算机可执行指令,其中当由与至少一个存储器设备进行通信的至少一个处理器执行时,所述至少一个存储器设备针对多个升级级别中的每一个来存储相应的触发标准和相应的资源分配,每个所述相应的触发标准都包括销售影响范围和内容类别,所述计算机可执行指令使所述至少一个处理器:
接收在一段时间内与关于产品的社交媒体对话有关的多个跟踪信号,所述多个跟踪信号中的每个跟踪信号都包括社交媒体对话的至少一个主题并且与预测的对所述产品的未来销售影响相关联;
检测所述跟踪信号之一相对于阈值跟踪信号偏离,其中所述阈值跟踪信号是从所述跟踪信号之一的加权历史值生成的;
响应于所述检测,将所述跟踪信号之一与所述多个升级级别的所述触发标准进行比较;和
响应于确定下列两项,根据针对所述升级级别中的第一升级级别的所述资源分配来响应于所述社交媒体对话进行自动分配资源:(i)所述跟踪信号之一的社交媒体对话的所述至少一个主题在所述第一升级级别的所述内容类别内,以及(ii)所述跟踪信号之一的所述预测的未来销售影响在所述第一升级级别的所述销售影响范围内。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762483011P | 2017-04-07 | 2017-04-07 | |
US62/483,011 | 2017-04-07 | ||
PCT/US2018/026051 WO2018187448A1 (en) | 2017-04-07 | 2018-04-04 | Methods and systems for allocating resources in response to social media conversations |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110431576A true CN110431576A (zh) | 2019-11-08 |
CN110431576B CN110431576B (zh) | 2024-01-23 |
Family
ID=63712795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880018755.0A Active CN110431576B (zh) | 2017-04-07 | 2018-04-04 | 用于响应于社交媒体对话来分配资源的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11790395B2 (zh) |
KR (1) | KR102611085B1 (zh) |
CN (1) | CN110431576B (zh) |
GB (1) | GB2574991A (zh) |
WO (1) | WO2018187448A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11386506B2 (en) * | 2018-04-09 | 2022-07-12 | Massachusetts Institute Of Technology | System and technique for influence estimation on social media networks using causal inference |
US11457361B2 (en) * | 2020-08-31 | 2022-09-27 | T-Mobile Usa, Inc. | Wireless network that discovers hotspots for cyberattacks based on social media data |
US20230177429A1 (en) * | 2021-12-08 | 2023-06-08 | International Business Machines Corporation | Interactive option plan adjustment based on dynamic rules |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125550A1 (en) * | 2009-11-20 | 2011-05-26 | Avaya Inc. | Method for determining customer value and potential from social media and other public data sources |
CN102855535A (zh) * | 2011-02-10 | 2013-01-02 | 微软公司 | 社交影响者发现 |
US20140143405A1 (en) * | 2012-11-19 | 2014-05-22 | Wal-Mart Stores, Inc. | System And Method For Analyzing Social Media Trends |
CN104854615A (zh) * | 2012-11-02 | 2015-08-19 | 谷歌公司 | 使用元数据概括社交媒体内容 |
CN105264556A (zh) * | 2013-03-12 | 2016-01-20 | 斯特拉斯佩皇冠有限公司 | 用于市场分析和自动化业务决策的系统和方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7974983B2 (en) * | 2008-11-13 | 2011-07-05 | Buzzient, Inc. | Website network and advertisement analysis using analytic measurement of online social media content |
JP5810452B2 (ja) * | 2010-05-16 | 2015-11-11 | アクセス ビジネス グループ インターナショナル リミテッド ライアビリティ カンパニー | インパクト分析や影響追跡を含むマルチメディアのためのデータ収集、追跡及び分析手法 |
US8554756B2 (en) | 2010-06-25 | 2013-10-08 | Microsoft Corporation | Integrating social network data with search results |
US20130024389A1 (en) | 2011-07-19 | 2013-01-24 | Narendra Gupta | Method and apparatus for extracting business-centric information from a social media outlet |
US8909771B2 (en) | 2011-09-15 | 2014-12-09 | Stephan HEATH | System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets |
US20130124653A1 (en) | 2011-11-16 | 2013-05-16 | Loopa Llc | Searching, retrieving, and scoring social media |
US9547832B2 (en) * | 2012-01-10 | 2017-01-17 | Oracle International Corporation | Identifying individual intentions and determining responses to individual intentions |
US10319046B2 (en) | 2012-07-20 | 2019-06-11 | Salesforce.Com, Inc. | System and method for aggregating social network feed information |
US9288123B1 (en) | 2012-08-31 | 2016-03-15 | Sprinklr, Inc. | Method and system for temporal correlation of social signals |
US9959548B2 (en) * | 2012-08-31 | 2018-05-01 | Sprinklr, Inc. | Method and system for generating social signal vocabularies |
US10003560B1 (en) * | 2012-08-31 | 2018-06-19 | Sprinklr, Inc. | Method and system for correlating social media conversations |
CA2809558A1 (en) | 2012-09-28 | 2014-03-28 | Tata Consultancy Services Limited | Guided analytics |
US20140143013A1 (en) * | 2012-11-19 | 2014-05-22 | Wal-Mart Stores, Inc. | System and method for analyzing social media trends |
US20150012336A1 (en) | 2013-07-02 | 2015-01-08 | Facebook, Inc. | Assessing impact of communications between social networking system users on a brand |
WO2015010186A1 (en) * | 2013-07-25 | 2015-01-29 | In The Chat Communications Inc. | System and method for managing targeted social communications |
US20150066985A1 (en) | 2013-08-27 | 2015-03-05 | Antony Raja T | Retrieving information from social media sites based upon events in an enterprise |
US9824321B2 (en) * | 2013-09-20 | 2017-11-21 | Infosys Limited | System and method for categorization of social media conversation for response management |
US10546326B2 (en) * | 2013-09-26 | 2020-01-28 | Mark W. Publicover | Providing targeted content based on a user's preferences |
US20150149373A1 (en) * | 2013-11-27 | 2015-05-28 | Adobe Systems Incorporated | Brand Scoring for Social Media Users |
US20150181039A1 (en) * | 2013-12-19 | 2015-06-25 | Avaya, Inc. | Escalation detection and monitoring |
US10296927B2 (en) | 2013-12-20 | 2019-05-21 | Iqvia Inc. | System and method for projecting product movement |
US10346752B2 (en) | 2014-04-17 | 2019-07-09 | International Business Machines Corporation | Correcting existing predictive model outputs with social media features over multiple time scales |
US9323556B2 (en) * | 2014-09-30 | 2016-04-26 | Amazon Technologies, Inc. | Programmatic event detection and message generation for requests to execute program code |
US20170308523A1 (en) | 2014-11-24 | 2017-10-26 | Agency For Science, Technology And Research | A method and system for sentiment classification and emotion classification |
US20160335650A1 (en) | 2015-05-15 | 2016-11-17 | Mastercard International Incorporated | Systems and methods for generating aggregated merchant analytics for a sector location |
WO2017027718A1 (en) | 2015-08-12 | 2017-02-16 | Aon Singapore Centre For Innovtion, Strategy And Management | Dashboard interface, platform, and environment |
-
2018
- 2018-04-04 WO PCT/US2018/026051 patent/WO2018187448A1/en active Application Filing
- 2018-04-04 US US16/492,455 patent/US11790395B2/en active Active
- 2018-04-04 KR KR1020197031117A patent/KR102611085B1/ko active IP Right Grant
- 2018-04-04 CN CN201880018755.0A patent/CN110431576B/zh active Active
- 2018-04-04 GB GB201914839A patent/GB2574991A/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110125550A1 (en) * | 2009-11-20 | 2011-05-26 | Avaya Inc. | Method for determining customer value and potential from social media and other public data sources |
CN102855535A (zh) * | 2011-02-10 | 2013-01-02 | 微软公司 | 社交影响者发现 |
CN104854615A (zh) * | 2012-11-02 | 2015-08-19 | 谷歌公司 | 使用元数据概括社交媒体内容 |
US20140143405A1 (en) * | 2012-11-19 | 2014-05-22 | Wal-Mart Stores, Inc. | System And Method For Analyzing Social Media Trends |
CN105264556A (zh) * | 2013-03-12 | 2016-01-20 | 斯特拉斯佩皇冠有限公司 | 用于市场分析和自动化业务决策的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018187448A1 (en) | 2018-10-11 |
US20210150564A1 (en) | 2021-05-20 |
US11790395B2 (en) | 2023-10-17 |
KR20190128704A (ko) | 2019-11-18 |
GB2574991A (en) | 2019-12-25 |
KR102611085B1 (ko) | 2023-12-08 |
CN110431576B (zh) | 2024-01-23 |
GB201914839D0 (en) | 2019-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861536B1 (en) | Community-based data analysis in a software-as-a-service system using a deep learning classifier | |
US10380609B2 (en) | Web crawling for use in providing leads generation and engagement recommendations | |
US11625602B2 (en) | Detection of machine learning model degradation | |
US20150269244A1 (en) | Clustering analysis of retention probabilities | |
US20140019225A1 (en) | Multi-channel, self-learning, social influence-based incentive generation | |
Chen | The gamma CUSUM chart method for online customer churn prediction | |
Ballas et al. | Using SimBritain to model the geographical impact of national government policies | |
US20210319471A1 (en) | Conducting multivariate experiments | |
US20200394697A1 (en) | Methods and systems for artificial intelligence insights for retail location | |
CN110431576A (zh) | 用于响应于社交媒体对话来分配资源的方法和系统 | |
US9916563B1 (en) | Version recall for computerized catalog management | |
US20210150443A1 (en) | Parity detection and recommendation system | |
US20150178756A1 (en) | Survey participation rate with an incentive mechanism | |
Silva et al. | Eye tracking support for visual analytics systems: foundations, current applications, and research challenges | |
US20160353166A1 (en) | Systems and methods for spacial and temporal experimentation on content effectiveness | |
US20160086201A1 (en) | Methods and apparatus to manage marketing forecasting activity | |
US20230316420A1 (en) | Dynamic organization structure model | |
Owadally et al. | An agent-based system with temporal data mining for monitoring financial stability on insurance markets | |
Lai et al. | Analysis of customer churn behavior in digital libraries | |
US11637425B2 (en) | Methods and systems for providing estimated transactional data | |
US20240205484A1 (en) | Method, system, and apparatus for programmatically generating a channel incrementality ratio | |
Gillan et al. | Expediting assessments of database performance for streams of respiratory parameters | |
Kamleitner et al. | Information bazaar: a contextual evaluation | |
US11379929B2 (en) | Advice engine | |
Bassi | Analysing markets within the latent class approach: an application to the pharma sector |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |