CN110766449A - 一种广告预算分配系统及方法 - Google Patents

Abstract

本发明属于互联网广告领域，公开了一种广告预算分配系统及方法，所述系统包括用户历史数据搜集模块、约束条件设置模块和投放策略设置模块；所述用户历史数据搜集模块用于搜集用户访问广告的历史数据；所述约束条件设置模块用于设置广告投放的约束条件；所述投放策略配置模块用于根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。本发明基于第三方的大数据，利用完整的用户历史数据对广告投放进行预测，从而优化多媒体的广告预算分配效果，提高广告效率。

Description

一种广告预算分配系统及方法

技术领域

本发明涉及一种广告预算分配系统及方法，属于互联网广告领域。

背景技术

目前的OTT(Over The Top，互联网视频服务)行业广告投放的计费主要以CPM((Cost Per Mille，每千人广告浏览费)的形式为主，即按展示收费。广告主或广告代理商等在投放广告前，需要与各媒体分别确定广告的预算及投放规模，各个媒体再以约定的规则，各自控制投放策略。

在广告的投放过程中，同一用户可能因使用多个媒体，如在这多个媒体中均投放相同的广告，就会导致对同一用户重复曝光，而各个媒体无法掌握用户使用其他媒体的数据，也无法对使用多个媒体的用户的广告投放量进行控制，从而造成广告资源浪费。上述用户是指可被OTT广告触达的OTT智能终端的使用者。

现有广告投放前的预算分配方案，主要以人工计算方式进行分配。人工计算方式对PD(Preferred Deal，优先购买，保价不保量)及PDB(Programmatic Direct Buying，保价保量)模式中最普遍形式的媒体优化投放数量的计算有较大困难，对复杂形式的媒体优化投放数量的计算难度极大，因此广告主在多家媒体投放广告时，在投放前需确定投放媒体、广告形式、投放地域和投放时段等条件，如果需要优化投放效果、减小同一用户的重复曝光，则需要在投放前计算各维度的具体投放量及投放条件。同时，在多媒体投放时，广告主、广告代理商或单个媒体无法掌握完整的用户历史使用数据，因此在此基础上的预测建模不能准确优化投放数量。

发明内容

本发明的目的是提供一种广告预算分配系统及方法，。

为了实现上述目的，本发明第一方面提供一种广告预算分配系统，包括用户历史数据搜集模块、约束条件设置模块和投放策略配置模块；所述用户历史数据搜集模块用于搜集用户访问广告的历史数据；所述约束条件设置模块用于设置广告投放的约束条件；所述投放策略配置模块用于根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。

进一步地，所述投放策略配置模块包括历史数据筛选单元和投放量计算单元；所述历史数据筛选单元用于根据所述用户访问广告的历史数据及所述广告投放的约束条件计算出符合约束条件的历史数据；所述投放量计算单元基于所述符合约束条件的历史数据计算出广告投放量与用户访问量之间的函数关系，根据该函数关系，针对不同的用户访问量计算出对应的广告投放量。

进一步地，所述投放策略配置模块还包括访问量计算单元，所述访问量计算单元用于计算各媒体所投放广告的用户访问量，并据此计算多个媒体的总用户访问量和同一用户在多个媒体的重复访问量。

进一步地，所述投放策略配置模块还包括去重单元，所述去重单元通过去除所述重复访问量计算出多个媒体的总有效访问量。

本发明第二方面提供一种广告预算分配方法，包括如下步骤：

(1)搜集用户访问广告的历史数据；(2)设置广告投放的约束条件；(3)根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。

进一步地，所述步骤(3)中，先根据所述用户访问广告的历史数据及所述广告投放的约束条件计算出符合约束条件的历史数据；再基于所述符合约束条件的历史数据计算出广告投放量与用户访问量之间的函数关系，根据该函数关系，针对不同的用户访问量计算出对应的广告投放量。

进一步地，还根据所述符合约束条件的历史数据计算各媒体所投放广告的用户访问量，并据此计算多个媒体的总用户访问量和同一用户在多个媒体的重复访问量。

进一步地，通过去除所述重复访问量计算出多个媒体的总有效访问量。

通过本发明的上述技术方案，基于大量用户历史数据建立回归模型，通过该模型对投放媒体、目标人群和曝光频次进行精确预测，可预知广告投放的触达效果，从而优化多媒体的广告预算分配，提高广告效率。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1为本发明系统一实施例的原理框图；

图2为本发明系统一实施例中投放策略配置模块的原理框图；

图3为本发明系统另一实施例中投放策略配置模块的原理框图；

图4为本发明系统又一实施例中投放策略配置模块的原理框图；

图5为本发明系统/方法一实施例中广告投放量-触达UV关系曲线示意图；

图6为本发明系统/方法一实施例中两个媒体各自广告投放量-总有效投放量关系曲线示意图；

图7为本发明方法一实施例中广告投放总预算与总有效触达计算流程图；

图8为本发明方法一实施例的流程图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

如图1所示，本发明广告预算分配系统的一个实施例，包括用户历史数据搜集模块、约束条件设置模块和投放策略配置模块；所述用户历史数据搜集模块用于搜集用户访问广告的历史数据；所述约束条件设置模块用于设置广告投放的约束条件；所述投放策略配置模块用于根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。

用户访问广告的历史数据与广告类型有关，不同广告类型所需要的具体数据不同。例如，开机广告需要收集用户的开机数据；视频的前贴片广告需要收集用户的视频起播数据。通过这些历史数据来判断用户触达广告的具体时间。如，用户的开机数据包括一个时间周期(如一个月、一个季度等)内的开机明细，如每次开机的具体时间等。视频前贴片广告是在用户开始播放视频时播放的，因此，视频开始播放的时间等同于前贴片广告的曝光时间。

可以与电视厂商合作来搜集这些历史数据，如通过厂商直接传输历史数据或在OTT智能终端中植入厂商的SDK(Software Development Kit，软件开发工具包)的方式来获取历史数据。在获取足够量的广告拟投放市场内分布的OTT智能终端的机型和地域的样本数据后，根据该样本数据推总出市场总体的情况。

广告投放的约束条件包括广告形式、投放媒体、投放周期、同投放条件下各媒体对不同广告的投放策略和其他广告的投放量等。其中，广告形式包括开机广告、视频前贴片广告等；投放媒体即广告资源的供应方，如基于视频媒体的前贴片广告，则投放媒体如腾讯视频、爱奇艺等；投放周期指广告项目的投放起止日期；同投放条件下各媒体对不同广告的投放策略包括投放地区和投放时段等，投放地区如具体的省、市等，投放时段如晚间黄金时段、午间时段等；同投放条件下的广告总库存为一个定量，当其他广告占用部分库存时，为计算准确，需在做回归模型前，将这部分被占用的库存去掉。广告投放时，以协议好的约束条件，每次曝光相同单价的广告，定量或不定量的进行投放。

举例来说，如需要投放开机广告，则根据开机数据和约束条件计算开机广告的投放量，以获得较好的触达量，优化广告的预算分配。媒体在投放广告时，多数情况下同等条件下会投放多支广告。因此在计算前，需要去除其同等条件下的其他广告主占用的投放资源，以达到计算时只保留实际可利用广告库存的目的。具体的操作时，需根据各媒体的投放策略，如随机播放、按照优先级先后播放等等，分别计算。

如图2所示，在本发明广告预算分配系统的一个实施例中，投放策略配置模块包括历史数据筛选单元和投放量计算单元；所述历史数据筛选单元用于根据所述用户访问广告的历史数据及所述广告投放的约束条件计算出符合约束条件的历史数据；所述投放量计算单元基于所述符合约束条件的历史数据计算出广告投放量与用户访问量之间的函数关系，根据该函数关系，针对不同的用户访问量计算出对应的广告投放量。该函数关系可由广告投放量-触达UV关系曲线来表示。

该关系曲线由基于筛选所得历史数据建立的回归模型训练得到。主要训练过程举例说明如下：首先，将日期划分为工作日、周末和节假日等类型，选取和预测日期类型相同、日期接近多日历史数据的作为预处理数据；其次，按照广告投放的约束条件，筛选出符合约束条件的历史数据。由于是使用多天的历史数据，因此需要将如图5形式的多天历史数据通过回归的方式，训练成一天的曲线。该关系曲线确定后，就可从广告投放量和触达UV两个变量中的任意一个已知量求出另一个未知量。

历史数据筛选单元将历史数据中符合约束条件的数据筛选出来，投放量计算单元根据筛选出来的历史数据计算未来广告的总库存和各个曝光频次的触达UV(UniqueVisitor，用户访问量，或独立访客数，或独立曝光数，或独立点击数，指广告曝光或点击的数量，一般以OTT智能终端的设备数量表征)。其中各个曝光频次的触达UV包括1+UV、2+UV、3+UV等，1+UV指曝光大于等于1次的OTT智能终端的数量，2+UV指曝光大于等于2次的OTT智能终端的数量，以此类推。同时根据获知的信息，剔除同样约束条件下其他广告占用的广告库存及各个触达UV的占用量，最终得到可用的广告库存及各触达UV的分布情况。

以某媒体的某段时间的历史数据做回归分析，得到广告投放量-触达UV关系曲线如图5所示。此处的历史数据为经过历史数据筛选单元处理完成之后的可用的广告库存数据。以视频前贴片广告为例，该广告库存数据包括用户的OTT智能终端的设备ID、媒体名称和节目的每次播放时间等。利用历史数据进行回归分析以预测未来，根据用户普遍的OTT智能终端使用习惯，按照需要预测的日期类型(如：工作日、周末、节假日)，提取相近的多日的相同类型日期的历史数据进行预测。实际应用中，由于是使用多日的历史数据预测一日，所以将多日的历史数据进行回归分析时，应选取相应误差较小的模型。以前贴片广告举例，用户每播放一次影片，即为一个前贴片广告库存。当同一个用户播放该广告5次后，即该用户为这个广告的一个5+UV的用户。

图5中，X轴为广告投放量与广告全部可用库存的占比，Y轴为触达UV与全部可触达1+UV的占比。1+UV的意思为曝光大于等于1次的用户数量，同理，2+UV、3+UV为曝光大于等于该频次的用户数量。

假设A媒体的日播放量为10次，其中A、B、C、D，4个用户分别观看了1、2、3、4次。受广告主频次控制影响，不能给用户投放超过频次限制的广告。如果广告主要求频次控制为2，则C、D用户只有前2次播放视频会播放该广告。对该广告主来说，全部可用库存数量为1+2+2+2＝7次。广告主可选择投放1～7次中任意次数的广告。比值[广告投放量/广告全部可用库存]为X轴的取值。

全部可触达1+UV为4，全部可触达2+UV为3。1+UV在Y轴的取值为[实际触达1+UV/1+UV最大值]，2+UV在Y轴的取值为[实际触达2+UV/1+UV最大值]，其余情况以此类推。将4个用户的7次有效曝光的时间序列排序，任取X轴上广告投放量的一个数值，可得到与其唯一对应的Y轴上n+UV触达值。

由图5可知，如果确定广告的投放量(占比)，可得出各个触达UV的占比(即各个触达UV的数量)。相应的，如果确定某触达UV的数量(或占比)，可得出广告的投放量(或占比)。

如图3所示，在本发明广告预算分配系统的一个实施例中，所述投放策略配置模块还包括访问量计算单元，所述访问量计算单元用于计算各媒体所投放广告的用户访问量，并据此计算多个媒体的总用户访问量和同一用户在多个媒体的重复访问量。

一般情况下，广告主在多家媒体投放广告时，对每个用户的总曝光次数会认定一个有效范围。因此，除了在每个媒体投放时会有相应的各频次触达人数外，还存在同一个用户使用多个媒体的情况。在这种情况下，也就造成了同一个用户在不同媒体下的多次重复曝光。由于PD、PDB形式特点，每个媒体只能根据自己的数据控制每个用户的投放频次，无法得知同一用户在其他媒体的曝光情况，因此无法避免这一多次重复曝光的情况。

如图4所示，在本发明广告预算分配系统的一个实施例中，所述投放策略配置模块还包括去重单元，所述去重单元通过去除所述重复访问量计算出多个媒体的总有效访问量。

基于筛选后的历史数据，建立各个媒体的触达UV与重叠UV的回归模型。提供该模型将同一用户在不同媒体间的切换造成的广告投放资源的浪费进行量化，最终在各个媒体的触达UV和总触达UV之间建立相应的函数关系。

以某两个媒体的某段时间的历史数据做回归分析，同样是使用多个相同日期类型的历史数据预测未来的投放情况。此处的区别在于，随着媒体数的增加，变量的数量也随之增加。其余条件不变。分析结果见图6。

广告主会对多媒体的投放设定总的频次要求，以对两个媒体投放广告举例。如广告主要求两个媒体的频次控制均为3次，且总频次也为3次。图6中，X、Y轴分别表示A、B两个媒体的广告投放量(占比)，Z轴为总有效投放量。由图5可知每个媒体的投放量与各个触达UV占比(或数量)，由此可计算出A、B媒体的任意投放组合中单UV曝光不超过3次的有效投放量(或占比)，即Z轴。

同时，通过计算各媒体的广告投放数量与各媒体的广告投放单价的乘积可得出各媒体的广告投放预算，即广告投放预算＝广告投放数量×广告投放单价。因此，在总预算一定的情况下，可知两个媒体的投放量的全部组合，即可在图6的X、Y轴绘制一条曲线，在此曲线上取Z轴上的最大值，可得到最大的有效投放量。即在总预算一定的情况下，得出最大有效投放的各媒体预算分配。

如图8所示，本发明广告预算分配方法的一个实施例，包括如下步骤：

首先，处理用户的历史数据。各广告类型分别处理相对的数据类型。例如在计算开机广告的时候，需要调用用户的开机数据，根据媒体的投放策略，预设数据处理方式。

第二步，从广告主或广告代理商获取广告的投放价格，同时获取该投放项目的约束条件，如广告形式、投放媒体、投放周期、同投放条件下各媒体对不同广告的投放策略、其他广告的投放量等。

第三步，综合前两步的内容，以第二步获得信息为计算条件，处理第一步中获取的用户历史数据。最终得到符合广告投放约束条件的历史投放数据。

第四步，以上一步完成的数据为基础，利用回归模型训练投放量与各个触达UV曲线函数。该曲线函数确定后，可从任意一个已知量求另一个未知量。以某媒体的某段时间的历史数据做回归分析，输出结果如图5所示：

第五步，同样使用第三步的结果数据，建立各个媒体的投放量与有效投放量的回归模型。同一用户在不同媒体间的切换造成的广告投放资源的浪费，可通过此步骤得出量化结果，最终在各个媒体的投放量的组合和总有效投放量之间建立相应的函数关系。

以某两个媒体的某段时间的历史数据做回归分析，输出结果如图6所示。

同样的，除可以得到各媒体投放量与总有效投放量之间的函数关系外。由第四步的结果，还可得到各媒体触达UV与总触达UV之间的函数关系。

第六步，各媒体的广告投放数量与各媒体的广告投放成本的乘积，可得出各媒体的广告投放成本。

最终，可根据总预算下各媒体的预算组合计算总有效触达或总有效投放量的最优解。

又可通过设置总有效触达或总有效投放量，计算全部的各媒体预算组合，最终确定总预算的最优解。

例如，在确定总预算的情况下，计算总有效触达。通过各媒体的的广告投放成本，可得各媒体广告投放量的全部组合。即在图6中X、Y轴平面中的一条曲线。在此曲线中，Z值最大的X、Y组合，即为总有效触达的最优解。同样的，在确定总有效投放量，通过上述过程的逆运算，可得总预算的最优解。总预算、总有效触达、总有效投放与各媒体触达、投放量转换关系如图7所示。

本发明基于大数据的相应算法，包括单个媒体的投放触达预测，以及多个媒体间用户有效触达预测算法的综合广告投放优化算法。根据完整的用户历史数据，利用独有的大数据建模分析算法，通过对目标人群的多维度、细粒度综合计算，提供最优化的广告投放策略预测。首先，可以按照广告投放的限定条件，如：电视厂商、设备型号、屏幕尺寸、所在地域、收看的节目类型、收视时段等维度圈定人群。其次，可利用OTT行业DMP系统的各类标签、如家庭结构、人群特征、职业等圈定人群。粒度是指由于是利用自动化的计算，不是人工计算，因此在上述的维度中，可选择更具体的筛选条件。如选择地域是，可从省->市->区的粒度细化计算。

相对于当前普遍采用的投放方式，本发明可以直接向广告主或广告代理商提供最优化的预测结果，投放的预算分配策略更加科学合理，达到当前技术条件下的最优策略。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (8)

1.广告预算分配系统，其特征在于，包括用户历史数据搜集模块、约束条件设置模块和投放策略配置模块；

所述用户历史数据搜集模块用于搜集用户访问广告的历史数据；

所述约束条件设置模块用于设置广告投放的约束条件；

所述投放策略配置模块用于根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。

2.根据权利要求1所述的广告预算分配系统，其特征在于，所述投放策略配置模块包括历史数据筛选单元和投放量计算单元；

所述历史数据筛选单元用于根据所述用户访问广告的历史数据及所述广告投放的约束条件计算出符合约束条件的历史数据；

所述投放量计算单元基于所述符合约束条件的历史数据计算出广告投放量与用户访问量之间的函数关系，根据该函数关系，针对不同的用户访问量计算出对应的广告投放量。

3.根据权利要求2所述的广告预算分配系统，其特征在于，所述投放策略配置模块还包括访问量计算单元，所述访问量计算单元用于计算各媒体所投放广告的用户访问量，并据此计算多个媒体的总用户访问量和同一用户在多个媒体的重复访问量。

4.根据权利要求3所述的广告预算分配系统，其特征在于，所述投放策略配置模块还包括去重单元，所述去重单元通过去除所述重复访问量计算出多个媒体的总有效访问量。

5.广告预算分配方法，其特征在于，包括如下步骤：

(1)搜集用户访问广告的历史数据；

(2)设置广告投放的约束条件；

(3)根据所述历史数据及所述约束条件来配置广告在不同媒体的投放量。

6.根据权利要求5所述的广告预算分配方法，其特征在于，所述步骤(3)中，先根据所述用户访问广告的历史数据及所述广告投放的约束条件计算出符合约束条件的历史数据；再基于所述符合约束条件的历史数据计算出广告投放量与用户访问量之间的函数关系，根据该函数关系，针对不同的用户访问量计算出对应的广告投放量。

7.根据权利要求6所述的广告预算分配方法，其特征在于，还根据所述符合约束条件的历史数据计算各媒体所投放广告的用户访问量，并据此计算多个媒体的总用户访问量和同一用户在多个媒体的重复访问量。

8.根据权利要求7所述的广告预算分配方法，其特征在于，通过去除所述重复访问量计算出多个媒体的总有效访问量。

Images