CN111651722B - 一种针对广告主广告投放效果的风险评估方法及平台 - Google Patents

一种针对广告主广告投放效果的风险评估方法及平台 Download PDF

Info

Publication number
CN111651722B
CN111651722B CN202010270578.4A CN202010270578A CN111651722B CN 111651722 B CN111651722 B CN 111651722B CN 202010270578 A CN202010270578 A CN 202010270578A CN 111651722 B CN111651722 B CN 111651722B
Authority
CN
China
Prior art keywords
keywords
keyword
advertisement
price
adopting
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.)
Active
Application number
CN202010270578.4A
Other languages
English (en)
Other versions
CN111651722A (zh
Inventor
赵洋
潘兴业
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.)
Westwin Technology Suzhou Co ltd
Original Assignee
Westwin Technology Suzhou Co ltd
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 Westwin Technology Suzhou Co ltd filed Critical Westwin Technology Suzhou Co ltd
Priority to CN202010270578.4A priority Critical patent/CN111651722B/zh
Publication of CN111651722A publication Critical patent/CN111651722A/zh
Application granted granted Critical
Publication of CN111651722B publication Critical patent/CN111651722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • 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
    • G06Q30/0273—Determination of fees for advertising
    • G06Q30/0275—Auctions

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及一种针对广告主广告投放效果的风险评估方法及平台，其中方法包括如下步骤，收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；建立模拟广告平台，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量，采用线性插值和概率模型预测关键词的价格；基于模拟广告平台的数据，采用广告优化算法优化关键词的投放策略；根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。广告主通过风险评估方法可提前预估广告投放的效果，辅助广告运营管理及广告投放的策略调整。

Description

一种针对广告主广告投放效果的风险评估方法及平台
技术领域
本发明涉及广告营销技术领域，尤其涉及一种针对广告主广告投放效果的风险评估方法。
背景技术
在搜索广告中，广告主购买关键词进行竞价，假如广告主的竞价大于关键词的价格，广告主有机会拿到展示，进而拿到点击与转化，給广告主带来收益。关键词实时竞价的结果受多种因素影响，投放效果不稳定，有时达不到广告主预期的效果。
目前，对于广告主来说，比较多的会依靠人工广告投放师进行广告投放的优化，起到辅助评估作用，然而并不能对于广告投放做事先的预估以及改进，无法提供相对科学的系统预测广告投放的效果。
发明内容
本发明的目的在于提供一种针对广告主广告投放效果的风险评估方法及平台，预估广告投放效果，提前做好广告投放的策略调整。
在搜索广告竞价过程中，广告主购买一系列关键词作为广告账户，当关键词被搜索，则会触发竞价机制，广告主的竞价大于关键词的价格，则广告主的广告可以在搜索页面获得展示，获得展示后，即产生点击和转化，每次点击即产生一次费用。广告账户的目的在于提高账户的转化率，降低广告主账户的消费，从而获得最大的利益。
为实现上述目的，本发明的技术方案如下：
一种针对广告主广告投放效果的风险评估方法，包括如下步骤，
收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
建立模拟广告平台，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量，采用线性插值和概率模型预测关键词的价格；
基于模拟广告平台的数据，采用广告优化算法优化关键词的投放策略；
根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
进一步地，广告优化算法的具体方法为，
根据历史数据，采用预测模型LSTM预测关键词的CPA；
根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；
基于关键词的历史花销以及历史转化函数设置调价幅度。
采用线性插值法填补t1时刻的搜索量xt1，
其中，t2时刻的搜索量xt2，t时刻的搜索量xt，round为取整函数；
采用概率模型预测关键词k在第t天的展示量impk，t，
impk，t＝round(srchk，t*(rimpk+ε))
其中，srchk，t为关键词k在第t天的搜索量，rimpk为关键词k的展示率，即展示量/搜索量，ε是符合高斯分布的随机数，其概率密度函数为N(0，τ)，其中τ为样本标准差；
采用线性插值法和概率模型填补t+1时刻的价格yt1，
其中，yt为关键词t时刻的价格，ε为符合高斯分布的随机数，其概率密度函数为N(0，σ)，其中σ为样本标准差。
关键词的点击量采取概率建模的方式，其概率密度函数p为：p(clk|cpc∈[a，b))＝N(μ，σ)，其中，clk为关键词的点击量，cpc为关键词的价格，均值μ为cpc在[a，b)之间对应的点击量的样本均值，标准差σ为cpc在[a，b)之间对应的点击量的样本标准差；
关键词的转化量的生成公式为：cnv＝round(clk*cvr)；其中，cnv为转化量，clk为点击量，cvr为转化率，转化率通过历史数据计算得到，round为取整函数。
进一步地，根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低；
其中，Wk，t+1为关键词k在t+1天的调价权重，Wk，t为关键词k在第t天的调价权重；Wbin为关键词k所在分组的调价权重，cost为关键词k前一天的花费，cmin为最小花销，cnvk，t为关键词k在第t天的转化数；当关键词k在第t天有转化，调价幅度bin_w，假如关键词k在第t天没有转化，调价幅度则依照Wbin是否大于1，进行不同幅度的调价。
多次重复评估后，期望效果即为多次预估效果的平均值，预期风险即为效果的标准差：
其中，m为采样次数，为期望效果，σcpa为预期风险。
一种针对广告主广告投放效果的风险评估平台，包括
数据搜集模块，所述数据搜集模块用于收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
模拟广告平台，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量，采用线性插值和概率模型预测关键词的价格，并采用广告优化算法优化关键词的投放策略；
风险评估模块，所述风险评估模块根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
其中，模拟广告平台采用广告优化算法的具体方法为，
根据历史数据，采用预测模型LSTM预测关键词的CPA；
根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；
基于关键词的历史花销以及历史转化函数设置调价幅度，根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低。
本发明的针对广告主广告投放效果的风险评估方法及平台，广告主通过风险评估方法可提前预估广告投放的效果，辅助广告运营管理及广告投放的策略调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明实施例公开的针对广告主广告投放效果的风险评估方法的流程图；
图2是本发明实施例公开的针对广告主广告投放效果的风险评估方法的部分方法流程图；
图3是本发明实施例公开的针对广告主广告投放效果的风险评估平台的原理框图。
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，所描述的实施例仅仅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做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。
投放周期，广告投放周期一般是14天或者一个月，手机历史数据的时间跨度一般也为14天或者一个月。
一个广告账户的历史数据可能会有缺失；即在有些时间段，某些参数可能没有记录。例如，某个账户在2020/1/1-2020/2/1时间段的数据，由于某个关键词的竞价过低，没有得到展示，在2020/1/3 14:00这个时间段，便不会有搜索量、价格、点击量、转化量和展示量的记录，因此需要对历史数据进行补全，补全的方法主要为线性回归和概率模型。
如图1所示，本发明的一种针对广告主广告投放效果的风险评估方法，包括如下步骤，
S10，收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
S20，建立模拟广告平台，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量，采用线性插值和概率模型预测关键词的价格；
S30，基于模拟广告平台的数据，采用广告优化算法优化关键词的投放策略；
S40，根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
历史数据可以选择从Bing广告平台或其他搜索广告平台的后端拉取广告主近三个月账户的效果数据，以小时为单位划分，统计每个关键词的搜索量、价格、点击量、转化量和展示量。
模拟广告平台的数据包括历史数据，主要为所有关键词每小时的展示量、点击量、价格、转化量和展示量。
对于广告主选择的关键词，广告投放的效果CPA由调节竞价得到。但是，从广告平台拉取的数据并不完整，当广告主竞价失败的情况下，则无法获得关键词的相关数据，只有在广告主竞价成功的情况下才能获得关键词的相关数据，因此模拟广告平台还包括基于历史数据进行挖掘、填补后得到的优化数据。
作为本发明的一实施例，采用线性插值模型预测关键词的展示量，采用概率模型预测关键词的点击量和展示量，采用线性插值和概率模型预测关键词的价格，而转化率通过历史数据计算得到。
采用线性插值法填补t+1时刻的搜索量其中，t2时刻的搜索量xt2，t时刻的搜索量xt，round为取整函数。
例如，在2020/2/18，9:00，‘香皂’的搜索量是10，在11:00，搜索量是5，则在10:00的搜索量为：
采用概率模型预测关键词k在第t天的展示量impk，t，具体公式为，
impk，t＝round(srchk，t*(rimpk+ε))
其中，srchk，t为关键词k在第t天的搜索量，rimpk为关键词k的展示率，即展示量/搜索量，由历史数据计算得到，ε是符合高斯分布的随机数，其概率密度函数为N(0，τ)，其中τ为样本标准差。
例如，在2020/2/18，10:00，‘香皂’的预测搜索量是7，在2020/1/18-2020/2/18，一个月内共有100次搜索，10次展示，该词的历史展示率为随机数为0.001，则‘香皂’一词在2020/2/18 10:00的展示量为，
impk，t＝round(srchk，t*(rimpk+ε))＝round(7*(0.1+0.001))＝1
采用线性插值法和概率模型填补t1时刻的价格yt1，具体公式为，
其中，yt为关键词t时刻的价格，ε为符合高斯分布的随机数，其概率密度函数为N(0，σ)，其中σ为样本标准差。
例如，在2020/2/18，9：00，‘香皂’的价格是0.8，在11：00，价格是1，随机数为0.003，则关键词‘香皂’在10：00的价格为0.9，
关键词点击量采取概率建模的方式，其概率密度函数p为：p(clk|cpc∈[a，b))＝N(μ，σ)，clk为关键词的点击量，cpc为关键词的价格，均值μ为历史cpc在[a，b)之间对应的点击量的样本均值，标准差σ为历史cpc在[a，b)之间对应的点击量的样本标准差。
例如，‘香皂’一词，挑出cpc属于[a，b)区间的数据，例如挑出cpc在0.3-0.5之间的数据，计算在过去一个月的平均点击量和标准差，例如平均值为10，标准差为1，则点击量的概率密度函数即为N(10，1)生成后取正数，若随机数为-8，则点击量为8。
关键词转化量的生成公式为：cnv＝round(clk*cvr)；其中，cnv为转化量，clk为点击量，cvr为转化率，转化率通过历史数据计算得到，round为取整函数。
例如，在2020/2/18，9:00，‘香皂’一词的点击量为8，过去一个月平均的转化率为0.01，则在2020/2/18，9:00，‘香皂’一词的转化量为cnv＝round(clk*cvr)＝round(8*0.01)＝0。
广告投放效果是投放策略的函数，不同的广告投放策略，产生不同的投放效果。广告优化的策略目的为提高广告主广告投放的效果，降低CPA。
作为本发明的一实施例，如图2所示，基于历史数据和优化数据，采用广告优化算法得到较为精准的投放策略，具体步骤为，
S301，根据模拟广告平台上的数据，采用预测模型LSTM预测关键词的CPA；其中，预测模型LSTM为Google研发的自然语言处理的神经网络模型，普遍用于时间戳的数据建模，模型中的参数hyper-model工具包得到。
S302，根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；例如，关键词“防弹少年团演唱会”，预测明天的CPA为10，此关键词和预测相近的CPA分为一组，分组规则为人为规定，例如CPA为0-10分为一组，11-20分为一组，以此类推。
S303，根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低；
其中，Wk，t+1为关键词k在t+1天的调价权重，Wk，t为关键词k在第t天的调价权重；Wbin为关键词k所在分组的调价权重，cost为关键词k前一天的花费，cmin为最小花销，cnvk，t为关键词k在第t天的转化数；当关键词k在第t天有转化，调价幅度bin_w，假如关键词k在第t天没有转化，调价幅度则依照Wbin是否大于1，进行不同幅度的调价。
针对生成的预测数据以及关键词的优化策略，模拟实时竞价过程。若关键词A的竞价高于其价格，则竞价成功，可以获得展示。其中，关键词A的展示量，点击量，转化量由广告模拟平台决定。多次实验，每次实验都会得到一个广告效果，即为CPA。
最终，广告投放的预期效果即为多次预估效果的平均值，预期效果的波动即为效果的标准差。
其中，m为采样次数，为期望效果，σcpa为预期风险。
基于上述实施例提供的针对广告主广告投放效果的风险评估方法，本发明实施例则对应提供执行针对广告主广告投放效果的风险评估平台，具体结构如图3所示，包括数据搜集模块，模拟广告平台，风险评估模块；
其中，数据搜集模块，用于收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
模拟广告平台，采用线性插值模型预测关键词的价格、搜索量和展示量，采用线性插值模型和概率模型预测关键词的点击量和转化量，并采用广告优化算法优化关键词的投放策略；
风险评估模块，根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
作为本发明的一实施例，模拟广告平台采用广告优化算法的具体方法为，
根据模拟广告平台的数据，包括原始数据和优化数据，采用预测模型LSTM预测关键词的CPA；
根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；
根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低。
其中，预测模型LSTM为Google研发的自然语言处理的神经网络模型，普遍用于时间戳的数据建模，模型中的参数hyper-model工具包得到。
反复多次实验，每次实验得到一个广告效果，即为CPA，最终，广告投放的预期效果即为多次预估效果的平均值，预期效果的波动即为效果的标准差。
本发明的针对广告主广告投放效果的风险评估方法及平台，广告主通过风险评估方法可提前预估广告投放的效果，辅助广告运营管理及广告投放的策略调整。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种针对广告主广告投放效果的风险评估方法，其特征在于，包括如下步骤，
收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
建立模拟广告平台，采用线性插值模型预测关键词的价格、搜索量和展示量，采用线性插值模型和概率模型预测关键词的点击量和转化量；
基于模拟广告平台的数据，采用广告优化算法优化关键词的投放策略；
广告优化算法的具体方法为，根据历史数据，采用预测模型LSTM预测关键词的CPA；根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；基于关键词的历史花销以及历史转化函数设置调价幅度；
根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
2.根据权利要求1所述的风险评估方法，其特征在于：采用线性插值法填补t1时刻的搜索量xt1，
其中，t2时刻的搜索量xt2，t时刻的搜索量xt，round为取整函数；
采用概率模型预测关键词k在第t天的展示量impk,t，
impk,t＝round(srchk,t*(rimpk+ε))
其中，srchk,t为关键词k在第t天的搜索量，rimpk为关键词k的展示率，即展示量/搜索量，ε是符合高斯分布的随机数，其概率密度函数为N(0,τ),其中τ为样本标准差；
采用线性插值法和概率模型填补t+1时刻的价格yt1，
其中，yt为关键词t时刻的价格，ε为符合高斯分布的随机数，其概率密度函数为N(0,σ)，其中σ为样本标准差。
3.根据权利要求1所述的风险评估方法，其特征在于：关键词的点击量采取概率建模的方式，其概率密度函数p为：p(clk|cpc∈[a,b))＝N(μ,σ)，其中，clk为关键词的点击量，cpc为关键词的价格，均值μ为cpc在[a,b)之间对应的点击量的样本均值，标准差σ为cpc在[a,b)之间对应的点击量的样本标准差；
关键词的转化量的生成公式为：cnv＝round(clk*cvr)；其中，cnv为转化量，clk为点击量，cvr为转化率，转化率通过历史数据计算得到，round为取整函数。
4.根据权利要求1所述的风险评估方法，其特征在于：根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低；
其中，Wk,t+1为关键词k在t+1天的调价权重，Wk,t为关键词k在第t天的调价权重；Wbin为关键词k所在分组的调价权重，cost为关键词k前一天的花费，cmin为最小花销，cnvk,t为关键词k在第t天的转化数；当关键词k在第t天有转化，调价幅度bin_w，假如关键词k在第t天没有转化，调价幅度则依照Wbin是否大于1，进行不同幅度的调价。
5.根据权利要求1所述的风险评估方法，其特征在于：多次重复评估后，期望效果即为多次预估效果的平均值，预期风险即为效果的标准差：
其中，m为采样次数，为期望效果，σcpa为预期风险。
6.一种针对广告主广告投放效果的风险评估平台，其特征在于，包括
数据搜集模块，所述数据搜集模块用于收集历史数据，每个关键词包括搜索量、价格、点击量、转化量和展示量；
模拟广告平台，采用线性插值模型预测关键词的价格、搜索量和展示量，采用线性插值模型和概率模型预测关键词的点击量和转化量，并采用广告优化算法优化关键词的投放策略；
模拟广告平台采用广告优化算法的具体方法为，根据历史数据，采用预测模型LSTM预测关键词的CPA；根据预期效果对关键词的CPA进行排序并将预测效果相似的关键词分为一组；基于关键词的历史花销以及历史转化函数设置调价幅度，根据前一天的历史数据调整当天关键词的竞价，若关键词的预测的效果优于广告主的要求，关键词的竞价会被提高；若关键词的预测的效果低于广告主的要求，关键词的竞价会被降低；
风险评估模块，所述风险评估模块根据关键词的投放策略，模拟搜索广告的竞价过程，广告投放的预期效果即为多次预估效果的平均值，广告投放的预期风险即为效果的标准差。
CN202010270578.4A 2020-04-08 2020-04-08 一种针对广告主广告投放效果的风险评估方法及平台 Active CN111651722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010270578.4A CN111651722B (zh) 2020-04-08 2020-04-08 一种针对广告主广告投放效果的风险评估方法及平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010270578.4A CN111651722B (zh) 2020-04-08 2020-04-08 一种针对广告主广告投放效果的风险评估方法及平台

Publications (2)

Publication Number Publication Date
CN111651722A CN111651722A (zh) 2020-09-11
CN111651722B true CN111651722B (zh) 2023-08-04

Family

ID=72350398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010270578.4A Active CN111651722B (zh) 2020-04-08 2020-04-08 一种针对广告主广告投放效果的风险评估方法及平台

Country Status (1)

Country Link
CN (1) CN111651722B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132609B (zh) * 2020-09-15 2024-03-29 腾讯科技（深圳）有限公司 一种推广效果的校验方法、装置及存储介质
CN112270569A (zh) * 2020-11-02 2021-01-26 创新奇智(成都)科技有限公司 广告投放方法及装置、电子设备、存储介质
CN112465573B (zh) * 2021-02-03 2021-05-04 北京淇瑀信息科技有限公司 一种多渠道智能广告投放方法、装置和电子设备
CN113256339B (zh) * 2021-06-04 2023-08-29 脸萌有限公司 资源投放的方法、装置、存储介质及电子设备
CN113420202B (zh) * 2021-07-15 2024-04-02 上海明略人工智能(集团)有限公司 用于预测关键词搜索次数的方法及装置、电子设备、存储介质
CN113506139B (zh) * 2021-07-19 2024-03-01 成都屏盟科技有限公司 一种广告投放定价方法、装置及计算机设备
CN113672508B (zh) * 2021-08-17 2023-09-22 大连海事大学 一种基于风险策略和多样性策略的Simulink测试方法
CN115169337B (zh) * 2022-08-24 2023-02-14 中教畅享(北京)科技有限公司 一种商品标题优化中关键词得分的计算方法
CN116491914B (zh) * 2023-04-20 2024-03-26 淮阴工学院 一种vr视频智能系统及方法
CN116629943B (zh) * 2023-05-08 2023-12-19 广州圆原元网络科技有限公司 一种3YData ASA广告投放平台
CN116362810B (zh) * 2023-06-01 2023-09-01 北京容大友信科技有限公司 广告投放效果评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108733846A (zh) * 2018-06-14 2018-11-02 湖南数魔网络科技有限公司 一种互联网搜索广告竞价优化算法
CN109272356A (zh) * 2018-09-19 2019-01-25 电子科技大学 基于关键词广告的最优竞价策略方法
CN109636491A (zh) * 2019-01-25 2019-04-16 西窗科技(苏州)有限公司 一种搜索引擎广告关键词投放的优化方法及装置
CN109658165A (zh) * 2019-02-22 2019-04-19 北京三快在线科技有限公司 广告出价方法、装置、电子设备及计算机可读介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108733846A (zh) * 2018-06-14 2018-11-02 湖南数魔网络科技有限公司 一种互联网搜索广告竞价优化算法
CN109272356A (zh) * 2018-09-19 2019-01-25 电子科技大学 基于关键词广告的最优竞价策略方法
CN109636491A (zh) * 2019-01-25 2019-04-16 西窗科技(苏州)有限公司 一种搜索引擎广告关键词投放的优化方法及装置
CN109658165A (zh) * 2019-02-22 2019-04-19 北京三快在线科技有限公司 广告出价方法、装置、电子设备及计算机可读介质

Also Published As

Publication number Publication date
CN111651722A (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
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
JP4994394B2 (ja) 推定した広告品質を用いた広告の選別、ランク付けおよび奨励
KR101044683B1 (ko) 광고 품질을 예측하는 방법 및 시스템
US8700452B1 (en) Automatically switching between pricing models for services
US8620746B2 (en) Scoring quality of traffic to network sites
CN106504011A (zh) 一种业务对象的展示方法和装置
CN104781837A (zh) 用于通过使用基于事件的情绪分析来形成预测的系统和方法
CN105912686A (zh) 一种基于机器学习的搜索引擎营销竞价方法及系统
US20120253945A1 (en) Bid traffic estimation
CN103942236A (zh) 用于供应电子内容的系统和方法
CN103309894B (zh) 基于用户属性的搜索实现方法及系统
CN106296247B (zh) 网络信息资源在线排序方法和装置
Derakhshan et al. Continuous Deployment of Machine Learning Pipelines.
CN105260477A (zh) 一种信息推送方法及装置
CN104574160A (zh) 一种广告流量平滑控制的方法
US20140058793A1 (en) Forecasting a number of impressions of a prospective advertisement listing
CN106296287A (zh) 用于调整推广信息的出价的方法和装置
CN112445690B (zh) 信息获取方法、装置及电子设备
CN111899041A (zh) 信息投放的处理和投放方法、装置、设备及存储介质
US20140257972A1 (en) Method, computer readable medium and system for determining true scores for a plurality of touchpoint encounters
CN111242368A (zh) 一种基于场景推演的物流配送调度算法
CN116843386A (zh) 一种基于大数据的广告设计管理系统及方法
KR102378436B1 (ko) 평가 점수 기반 가중치설정 및 인센티브산출 시스템
Carvalho et al. A data-driven model to evaluate the medium-term effect of contingent pricing policies on residential water demand
Hanapi et al. Developed a hybrid sliding window and GARCH model for forecasting of crude palm oil prices in Malaysia

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