CN113228082A - 对便利小组数据进行多市场校准以减少行为偏差 - Google Patents

对便利小组数据进行多市场校准以减少行为偏差 Download PDF

Info

Publication number
CN113228082A
CN113228082A CN201980085488.3A CN201980085488A CN113228082A CN 113228082 A CN113228082 A CN 113228082A CN 201980085488 A CN201980085488 A CN 201980085488A CN 113228082 A CN113228082 A CN 113228082A
Authority
CN
China
Prior art keywords
market
distribution
behavior
convenience
data associated
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
Application number
CN201980085488.3A
Other languages
English (en)
Inventor
W·德尚
J·威尔斯
S·S·贝尔
B·卡拉亚卡
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.)
Nielsen Co US LLC
Original Assignee
Nielsen Co US LLC
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 Nielsen Co US LLC filed Critical Nielsen Co US LLC
Publication of CN113228082A publication Critical patent/CN113228082A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • G06Q30/0204Market segmentation
    • G06Q30/0205Location or geographical consideration
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201Market modelling; Market analysis; Collecting market data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241Advertisements
    • G06Q30/0242Determining effectiveness of advertisements

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

公开了用于实现便利小组数据的校准以减少行为偏差的示例方法、装置、系统和制品。所公开的示例装置包括分布估计器,该分布估计器用于:确定与第一市场和测量时段相关联的第一便利小组数据的第一行为分布;确定与第二市场和该测量时段相关联的第二便利小组数据的第二行为分布;以及确定与该第二市场和该测量时段相关联的概率小组数据的第三行为分布。所公开的示例装置还包括分布校准器,该分布校准器用于:基于(i)针对与第二市场相关联的第二便利小组数据确定的第二行为分布以及(ii)针对与第二市场相关联的概率小组数据确定的第三行为分布,对针对与第一市场相关联的第一便利小组数据确定的第一行为分布进行校准。

Description

对便利小组数据进行多市场校准以减少行为偏差
相关申请
本专利要求于2018年10月31日提交的序列号为62/753,657并且标题为“MULTI-MARKET PROBABILISTIC SUBSTITUTION USING ITERATIVE LEARNING TO ESTIMATEBEHAVIORAL BIASES”的美国临时申请的权益和优先权。序列号为62/753,657的美国临时申请通过引用整体并入本文。
技术领域
本公开总体上涉及受众测量,并且更具体地涉及对便利小组数据(conveniencepanel data)进行多市场校准以减少行为偏差。
背景技术
用于对在线媒体(例如,网站访问、在线广告、在线节目等)的受众进行测量的一些受众测量系统利用从概率小组和/或便利小组获得的曝光数据(impression data)。概率小组可以包括(例如,经由电话和/或面对面采访)被招募以满足指定人口统计目标(例如,对应于目标人群的人口统计分布)的个体、家庭等。概率小组可以提供准确的粒度真实数据集,该数据集表示小组中个体(并因此是人口统计群体)的行为。然而,概率小组的样本大小可能较小,并且维护成本可能很高。相比之下,便利小组可以包括偶然地(诸如响应于加入小组的在线提示)被包括在小组中的个体、家庭等。便利小组中小组成员的行为信息可以是已知的或未知的,可以偏向某些行为,和/或不表示目标人群。然而,便利小组可以具有大的样本大小,并且维护起来可以是相对便宜的。
附图说明
图1是根据本公开的教导的使用概率替代和迭代学习来实现对便利小组数据进行多市场校准以减少行为偏差的示例受众测量系统的框图。
图2是根据本公开的教导的实现对便利小组数据进行多市场校准以减少行为偏差的第二示例受众测量系统的框图。
图3是被包括在图2的示例受众测量系统中的示例行为分布估计器的框图。
图4是被包括在图2的示例受众测量系统中的示例行为分布校准器的框图。
图5A至图5D例示了用于基于针对与第一市场相关联的概率小组数据确定的行为分布来对针对与第一市场相关联的便利小组数据确定的行为分布进行校准的第一示例技术。
图6A至图6D例示了用于确定与第一市场相关联的便利小组数据的行为分布的第二示例技术。
图7A至图7D例示了用于基于针对与不同于第一市场的第二市场相关联的概率小组数据确定的初始行为分布来对针对与第一市场相关联的便利小组数据确定的行为分布进行迭代校准的第三示例技术。
图8A至图8D例示了用于基于针对与不同于第一市场的第二市场相关联的概率小组数据和便利小组数据确定的行为分布来对针对与第一市场相关联的便利小组数据确定的行为分布进行校准的第四示例技术。
图9A至图9C描绘了图5A至图5D所示的第一示例技术、图6A至图6D所示的第二示例技术以及图8A至图8D所示的第四示例技术的比较。
图10是表示可以被执行以实现图1的示例受众测量系统的示例机器可读指令的流程图。
图11是表示可以被执行以实现图2的示例受众测量系统的示例机器可读指令的流程图。
图12是被构造成执行图10和/或图11的示例机器可读指令以实现图1和/或图2的示例受众测量系统的示例处理器平台的框图。
附图未按比例绘制。通常,在整个附图和随附的书面描述中将使用相同的附图标记来指代相同或相似的部分、要素等。
在本文中,当标识可以被分别提及的多个要素或部件时,使用描述用语“第一”、“第二”、“第三”等。除非基于这些描述用语的使用上下文以其它方式指定或理解,否则这些描述用语不旨在赋予时间方面的优先级或次序的任何含义,而是仅作为用于分别指代多个要素或部件的标记,以便于理解所公开的示例。在一些示例中,可以使用描述用语“第一”来指代详细描述中的要素,而在权利要求中可以利用诸如“第二”或“第三”的不同描述用语来指代同一要素。在这种情况下,应理解,这种描述用语仅用于易于对多个要素或部件进行指代。
具体实施方式
本文公开了实现对便利小组数据进行多市场校准以减少行为偏差的示例方法、装置、系统和制品(例如,物理存储介质)。如上所述,用于对在线媒体(例如,网站访问、在线广告、在线节目等)的受众进行测量的一些受众测量系统利用从概率小组和/或便利小组获得的曝光数据。概率小组可以包括(例如,经由电话和/或面对面采访)被招募以满足指定人口统计目标(例如,对应于目标人群的人口统计分布)的个人、家庭等。概率小组中的小组成员可以同意向管理该小组的受众测量实体(AME)提供详细的人口统计信息。概率小组中的小组成员也可以同意使用计量设备和/或已安装的计量应用来监测他们对在线媒体的访问和/或与在线媒体的交互。因此,概率小组可以提供准确的粒度真实数据集,该数据集表示小组中个体的行为。然而,概率小组的样本大小可能较小,并且维护成本可能很高。相比之下,便利小组可以包括偶然地(诸如响应于加入小组的在线提示、标语等)被包括在小组中的个体、家庭等。例如,服务于在线媒体的网站可以提示用户同意将其访问信息提供给便利小组,并且可以提示用户输入人口统计信息。在一些示例中,便利小组中小组成员的人口统计信息可以是已知的、未知的和/或未验证的,可以偏向某些人口统计,和/或可以不表示目标人群。然而,便利小组可以具有大的样本大小,并且维护起来可以是相对便宜的。
为了利用概率小组数据和便利小组数据的相对优势,同时又不强调它们各自的弱点,一些受众测量系统将概率小组数据和便利小组数据组合,以获得针对给定市场的总体测量数据集,或者换句话说,是目标小组数据集。例如,一些这样的受众测量系统基于人口统计和/或地理信息(诸如通过人口统计加权或地理人口统计加权)来组合概率小组数据和便利小组数据。为了执行这样的组合,一些这样的受众测量系统基于给定市场的可用概率小组数据和可用便利小组数据两者来确定该给定市场中的人群的人口统计分布。由于概率小组数据旨在准确地表示给定市场中的人群,因此可以将概率小组数据与便利小组数据组合,以减少或另外校准与便利小组数据相关联的可能偏差,同时利用由便利数据小组提供的样本大小增加的优势。然而,如上所述,概率小组的维护成本可能很高。另外,在一些市场中,可能难以招募足够数量的小组成员来表示目标人群,因此,一些人口统计类别的代表性可能不足,使得仅人口统计加权(或结合基于位置的加权)无法充分减少与便利小组数据相关联的偏差。因此,在一些市场中,概率小组数据可能不具有足够的质量(例如,就利用相应的目标样本大小表示目标人群的人口统计而言)来校正与那些市场中的便利小组数据相关联的偏差。
本文公开的示例受众测量系统为与给定市场的非代表性概率小组数据相关联的技术问题提供了技术方案。具体地,所公开的示例受众测量系统实现了对便利小组数据进行多市场校准以减少行为偏差。为了解决给定市场的非代表性概率小组数据的问题,一些公开的示例受众测量系统利用诸如行为分布形式的行为特征来校准便利小组数据。例如,一些公开的示例受众测量系统利用针对来自另一市场(例如,在本文中称为校准市场)的概率小组数据确定的行为分布作为初始起源(seed)来对针对与给定目标市场相关联的便利小组数据确定的行为分布进行校准。然后,这种公开的示例受众测量系统将根据先前迭代确定的经校准的行为分布(其是利用针对校准市场确定的概率小组行为分布作为初始起源而获得的)与针对来自给定目标市场的便利小组数据确定的新的行为分布迭代地组合,以确定给定目标市场中便利小组数据的新的经校准的行为分布。然后,可以输出所得的经校准的行为分布,以用作下游受众测量处理阶段的输入,这些下游受众测量处理阶段利用针对给定目标市场确定的受众分布。针对当前处理迭代确定的经校准的行为分布也用作下一处理迭代的初始行为分布。以这种方式,可以使用不同市场(例如,校准市场)的更高质量的概率小组行为分布来作为用于对给定目标市场中的便利小组数据进行校准的校准处理的起源,其它校准市场的概率小组的特征与给定目标市场的特征之间的任何可能差异通过每次处理迭代而随时间推移减小。
一些公开的示例受众测量系统使用针对一测量间隔(例如,每月或某个其它时间段)从一个或更多个其它校准市场获得的概率小组数据和便利小组数据来对针对给定市场和该测量间隔的便利小组数据进行校准。例如并且如下面进一步详细地公开的,一些这样的受众测量系统可以针对给定测量间隔确定来自给定目标市场的便利小组数据的行为分布、来自校准市场的概率小组数据的行为分布以及来自校准市场的便利小组数据的行为分布。如下面进一步详细描述的,行为分布可以表示与不同行为类别相关联的个体的计数(诸如概率小组中的小组成员的计数、便利小组中的小组成员的计数、关注人群中的人的计数等)。然后一些公开的示例受众测量系统针对给定测量间隔使用来自校准市场的概率小组数据的行为分布以及来自校准市场的便利小组数据的行为分布对来自给定目标市场的便利小组数据的行为分布进行校准。然后,一些这样的受众测量系统可以输出来自给定目标市场的便利小组数据的所得的经校准的行为分布,和/或将经校准的行为分布应用于便利小组数据,以生成与目标市场中的在线媒体访问/曝光相关联的受众测量数据。
转到附图,图1例示了根据本公开的教导的实现对便利小组数据进行多市场校准以减少行为偏差的示例受众测量系统100的框图。示例受众测量系统100包括示例概率小组接口105、示例便利小组接口110、示例行为分布估计器115、示例校准分布选择器120、示例行为分布校准器125和示例目标便利小组数据校准器130。在所示示例中,概率小组接口105被构造成通过(例如,经由网络)与第一曝光监测系统接口连接来获得概率小组数据,该第一曝光监测系统生成目标市场的概率小组中的小组成员的在线媒体曝光数据和/或生成一个或更多个校准市场的概率小组中的小组成员的在线媒体曝光数据。曝光数据可以对应于例如给定概率小组中的小组成员中的相应小组成员所访问的一个或更多个不同网站或网页的计数、给定概率小组中的小组成员中的相应小组成员所观看的一个或更多个不同在线广告的计数、给定概率小组中的小组成员中的相应小组成员所访问的一个或更多个不同在线媒体节目的计数等。
在所示示例中,便利小组接口110被构造成通过(例如,经由网络)与第二曝光监测系统接口连接来获得便利小组数据,该第二曝光监测系统生成目标市场的便利小组中的小组成员的在线媒体曝光数据和/或生成一个或更多个校准市场的便利小组中的小组成员的在线媒体曝光数据。曝光数据可以对应于例如给定便利小组中的小组成员中的相应小组成员所访问的一个或更多个不同网站的计数、给定便利小组中的小组成员中的相应小组成员所观看的一个或更多个不同在线广告的计数、给定便利小组中的小组成员中的相应小组成员所访问的一个或更多个不同在线媒体节目的计数等。在一些示例中,通过便利小组接口110获得的便利小组数据被限制成跨便利小组中的小组成员聚合的曝光数据。在一些示例中,通过便利小组接口110获得便利小组数据的市场可以与通过概率小组接口105获得概率小组数据的市场相同或不同。例如,便利小组数据的市场可以是正确定受众测量数据的关注的第一目标市场,而概率小组数据的市场可以是不同于第一市场的第二校准市场,该第二校准市场的特征在于具有比第一市场中可用的小组数据质量高的小组数据。
在所示示例中,行为分布估计器115被构造成确定通过概率小组接口105获得的概率小组数据以及通过便利小组接口110获得的便利小组数据的相应行为总体估计(universe estimate)(UE)分布。在一些示例中,行为UE表示目标人群中行为有关事件的总数。在一些这样的示例中,边际行为UE表示目标人群中与给定边际所关联的行为有关特征(或类别)、一个或更多个小组成员的集合相关联的行为有关事件的总数的分数。在一些这样的示例中,行为UE分布表示给定目标人群的边际行为UE的集合。在一些这样的示例中,行为UE分布对应于如下UE分布,在该UE分布中,UE边际的小组成员特征/类别是基于关于访问在线媒体的小组成员行为(例如,如测量时段中的网站访问数量/频度、在测量时段中访问的在线广告的数量/频度、在测量时段中访问的在线媒体(例如,节目、电影、剪辑等)的数量/频度等)的。这与人口统计UE分布相反,人口统计UE分布对应于如下UE分布,在该UE分布中,UE和边际UE表示人群中个体(而不是事件)的数量,并且UE边际的特征/类别是基于小组成员的人口统计(例如,如年龄、性别、收入等)的。
表1例示了通过概率小组接口105获得的概率小组数据的、通过示例行为分布估计器115确定的行为UE分布的示例。在表1中,行为UE分布表示在给定测量时段(例如,1个月)中访问给定市场(例如,美国市场)中的搜索引擎/门户和社区的小组成员的并且按照对应于在给定测量时段中访问网站的不同频度的不同行为类别的总计数。因此,在表1的示例中,行为分布估计器115被配置成确定概率小组行为UE分布,其中,该分布的边际行为UE表示具有不同频度的不同小组成员群体的大小,小组成员以该不同频度访问给定市场中的搜索引擎/门户和社区。例如,行为分布估计器115可以按照不同小组成员在测量时段内访问监测的网站的频度的顺序来对不同小组成员的网站访问进行排序,然后将排序的网站访问划分成四分位数(quartile)(例如,四等份(fourths))。在表1的示例中,第一四分位数对应于落入网站访问频度的最低四分位数的小组成员数,而第四四分位数对应于落入网站访问频度的最高四分位数的小组成员数。在表1的示例中,边际行为计数还是基于一个或更多个人口统计特征加权的,以表示人群的人口统计。在表1的示例中,行为分布估计器115还确定边际行为计数,该边际行为计数表示在测量时段中访问网站但该网站不是关注的类别中的那些监测的网站的小组成员(对应于表1中的NO VISIT)以及是在线的但在测量时段中没有浏览器活动的小组成员(对应于表1中的INACTIVE)。如表1所示,行为分布估计器115可以被配置成将行为UE分布确定成相对百分比(如表的最后一栏中所示)。
表1
Figure BDA0003126493960000071
为了实现对便利小组数据进行多市场校准以减少行为偏差,所示示例的行为分布估计器115确定在第一测量间隔期间针对关注的第一目标市场获得的便利小组数据的行为分布,诸如类似于表1所示示例的分布。例如,目标市场可以对应于欧盟(EU)国家,并且第一测量间隔可以对应于给定的月份,诸如当前月份。所示示例的行为分布估计器115还确定在第一测量间隔期间针对第二校准市场获得的概率小组数据的行为分布,诸如类似于表1所示示例的分布。例如,第二市场可以对应于美国(U.S.)。然后,所示示例的校准分布选择器120选择第二市场的概率小组行为分布作为初始分布(例如,成为起源),以用于迭代地确定后续目标行为分布,以用于第一市场的受众测量。
然后,所示示例的行为分布校准器125将初始校准行为分布(其为第二市场的概率小组行为分布)与通过行为分布估计器115针对目标市场确定的便利小组行为分布组合,以确定第一市场的新的(后)目标行为分布,以用于确定与第一测量时段和第一市场相关联的受众测量数据。例如,行为分布校准器125可以通过对初始校准行为分布进行加权(例如,通过对初始校准行为分布的个体边际计数进行加权)和对便利小组行为分布进行加权(例如,通过对便利小组行为分布的个体边际计数进行加权)然后组合经加权的分布(例如,通过组合来自两个分布的相应加权边际计数)来将校准市场的初始校准行为分布与目标市场的便利小组行为分布组合,以确定目标市场的新的(后)目标行为分布。在一些示例中,可以将权重设置成相等的(例如,如等于0.5的值),以使初始校准行为分布和便利小组行为分布对组合做出同等贡献。在一些示例中,初始校准行为分布的权重可以不同于便利小组行为分布的权重,以使一个分布比另一分布对组合做出更大的贡献。
在图1的所示示例中,目标便利小组数据校准器130将行为分布校准器125针对目标市场和第一测量时段确定的新的(后)目标行为UE分布报告给下游受众测量处理。在一些示例中,目标便利小组数据校准器130还可以使用针对目标市场和第一测量时段确定的新的(后)目标行为UE分布来对便利小组接口110针对目标市场在第一测量时段期间获得的便利小组数据进行校准(例如,加权),以减少针对第一市场获得的便利小组数据中存在的行为偏差。在一些示例中,下游受众测量处理可以使用由目标便利小组数据校准器130针对目标市场和第一测量时段报告的经校准的便利小组数据和/或目标行为UE分布来确定目标市场中的在线媒体的受众估计(例如,收视率、到达率、曝光等)。
在所示示例中,目标便利小组数据校准器130还将针对目标市场和第一测量时段确定的新的(后)目标行为分布提供给校准分布选择器120,该校准分布选择器120选择该分布作为与下一测量时段相对应的下一处理迭代的初始校准行为分布。然后,在与下一测量时段相对应的下一处理迭代期间,所示示例的行为分布估计器115确定针对关注的目标市场并针对下一测量时段(例如,下个月)的便利小组行为分布。然后,行为分布校准器125将来自先前测量时段的目标行为分布与下一测量时段的便利小组行为分布组合,以确定下一测量时段的新的(后)目标行为分布。该迭代处理继续进行,其中在一次迭代期间确定的新的(后)目标行为分布变成将在下一处理迭代期间使用的初始校准行为分布。因此,在图1的所示示例中,校准市场的概率小组行为分布用作用于校准未来目标行为分布的概率起点,该未来目标行为分布将被加权并与目标市场中的与未来测量时段相关联的便利小组行为分布组合,以确定新的目标行为分布,该新的目标行为分布将用于与那些未来测量时段相关联的受众测量计算。然而,校准市场的数据的影响随着每次处理迭代减少。
如上所述,可以基于人群的一个或更多个人口统计特征对通过行为分布估计器115确定的行为分布进行加权,并且通过受众测量系统100确定的所得的新的(后)目标行为分布可以用于下游受众测量处理。这样的总体受众测量处理的示例如下:
1.获得关注的目标市场(例如,第一市场)的人口统计UE。
2.基于人口统计UE对校准市场(例如,第二市场)的概率小组数据进行加权。
3.如上所述,将经加权的概率小组数据用作受众测量系统100中的第一处理迭代的输入。
4.将目标市场的便利小组数据与目标市场的概率小组数据组合(如果目标市场的概率小组数据可用)。
5.基于人口统计UE以及受众测量系统100针对当前测量时段确定的新的(后)目标行为分布,对目标市场的便利小组数据(或根据步骤4确定的经组合的小组数据)进行加权。
6.基于来自步骤5的经加权的便利小组数据(或经加权的经组合的小组数据(如果可用)),确定并报告受众测量指标。
图2例示了根据本公开的教导的实现对便利小组数据进行多市场校准以减少行为偏差的第二示例受众测量系统200的框图。示例受众测量系统200被构造成通过以下操作对针对目标市场获得的便利小组数据(在本文中也称为便利样本)进行校准:使用(i)来自关注的目标市场(在以下描述中也称为市场A)的按地理人口统计加权的便利小组数据以及(ii)一个或更多个校准市场(在以下描述中也称为市场B、C、…)中的、重新加权的概率小组行为分布(在本文中也称为概率样本行为分布)与重新加权的便利小组行为分布(在本文中也称为便利样本行为分布)的关系来创建市场A的行为目标。例如,市场A可以对应于便利小组数据将被校准的关注的目标国家,市场B可以对应于将被用于校准市场A的便利小组数据的第一校准市场(诸如第一校准国家),并且市场C、D、E、…可以对应于将被用于校准市场A的便利小组数据的其它校准市场(诸如其它校准国家)。然后,示例受众测量系统200基于现有地理人口统计控制和经由上述校准处理确定的行为目标对市场A的便利小组数据进行加权,以获得市场A的经校准的便利小组数据,所述经校准的便利小组数据可以用于以相对于未经校准的便利小组数据减少的行为偏差确定在线媒体受众估计(例如,收视率、到达率、曝光等)。
转到图2,类似于图1的示例受众测量系统100,示例受众测量系统200包括示例概率小组接口105、示例便利小组接口110、示例行为分布估计器215、示例行为分布校准器225和示例目标便利小组数据校准器230。在图2的所示示例中,如上所述,概率小组接口105被构造成(例如,经由一个或更多个网络)与一个或更多个示例校准市场概率小组数据源205接口连接。在所示示例中,校准市场概率小组数据源205提供一个或更多个校准市场的概率小组数据,该一个或更多个校准市场不同于便利小组数据将被校准的目标市场。例如,概率小组接口105可以与一个或更多个曝光监测系统接口连接,所述一个或更多个曝光监测系统包括计量设备和/或监测应用,该计量设备和/或监测应用与一个或更多个校准市场中的概率小组成员的计算设备接口连接和/或在一个或更多个校准市场中的概率小组成员的计算设备上执行,以生成在线媒体曝光数据。另外地或另选地,在一些示例中,概率小组接口105可以(例如,经由一个或更多个网络)与计量设备和/或监测应用接口连接,该计量设备和/或监测应用与一个或更多个校准市场中的概率小组成员的计算设备接口连接和/或在一个或更多个校准市场中的概率小组成员的计算设备上执行,以获得在线媒体曝光数据。曝光数据的示例如上所述。
在图2的所示示例中,如上所述,便利小组接口110被构造成(例如,经由一个或更多个网络)与一个或更多个示例目标市场便利小组数据源210以及一个或更多个示例校准市场便利小组数据源212接口连接。在所示示例中,目标市场便利小组数据源210提供便利小组数据将被校准的关注的给定目标市场的便利小组数据。例如,便利小组接口110可以与一个或更多个曝光监测系统接口连接,所述一个或更多个曝光监测系统与服务于目标市场中的在线媒体的网站接口连接,以获得由那些网站提供的在线媒体曝光数据(例如,当用户从网站访问在线媒体时,该在线媒体曝光数据是响应于来自网站的提示从目标市场中的用户获得的)。另外地或另选地,在一些示例中,便利小组接口110可以(例如,经由一个或更多个网络)与服务于目标市场中的在线媒体的网站接口连接,以从该网站获得在线媒体曝光数据。类似地,校准市场便利小组数据源212提供一个或更多个校准市场的便利小组数据,所述一个或更多个校准市场不同于便利小组数据将被校准的目标市场。例如,便利小组接口110可以与一个或更多个曝光监测系统接口连接,所述一个或更多个曝光监测系统与服务于便利市场中的在线媒体的网站接口连接,以获得由那些网站提供的在线媒体曝光数据(例如,当用户从网站访问在线媒体时,该在线媒体曝光数据是响应于来自网站的提示从便利市场中的用户获得的)。另外地或另选地,在一些示例中,便利小组接口110可以(例如,经由一个或更多个网络)与服务于便利市场中的在线媒体的网站接口连接,以从该网站获得在线媒体曝光数据。曝光数据的示例如上所述。
示例受众测量系统200包括示例行为分布估计器215,其可以类似于图1的示例行为分布估计器115。在图2的所示示例中,示例行为分布估计器215被构造成确定通过概率小组接口105针对校准市场获得的(例如,从校准市场概率小组数据源205获得的)概率小组数据的行为分布。行为分布估计器215还被构造成确定通过便利小组接口110针对校准市场获得的(例如,从校准市场便利小组数据源212获得的)并且针对目标市场获得的(例如,从目标市场便利小组数据源210获得的)便利小组数据的相应行为分布。图3例示了图2的行为分布估计器215的示例实现方式。
转到图3,所示示例的行为分布估计器215包括示例行为分布初始化器305、示例目标市场小组数据加权器310、示例校准市场小组数据加权器315和示例行为分布计算器320。行为分布初始化器305被构造成限定行为控制变量(也称为行为类别),针对该行为控制变量,将针对目标市场(在以下描述中称为市场A)确定校准目标(例如,对应于经校准的便利小组分布)。举例来说,通过行为分布初始化器305限定的行为类别可以对应于表1中指定的行为类别,其对应于与市场A中的小组成员访问被监测的网站的不同频度相关联的不同小组成员四分位数。在一些示例中,行为分布初始化器305基于用户输入、一个或更多个配置脚本等来限定校准目标将被确定的行为类别。
在所示示例中,行为分布初始化器305还被构造成获得地理人口统计加权控制(geodemographic weighting controls),该地理人口统计加权控制将被用于在执行基于行为的校准之前对目标市场A的便利小组数据进行初始加权。例如,行为分布初始化器305可以获得人口统计加权控制,该人口统计加权控制限定了一个或更多个人口统计目标,目标市场A的便利小组数据将被加权以满足所述一个或更多个人口统计目标。例如,人口统计目标可以对应于表示市场A中的人群的目标年龄分布、性别分布、收入分布、教育水平分布等或其任何组合。另外地或另选地,行为分布初始化器305可以获得位置加权控制(location weighting controls),该位置加权控制限定了一个或更多个位置目标,目标市场A的便利小组数据将被加权以满足所述一个或更多个位置目标。例如,位置目标可以对应于市场A的不同地理区域中的目标人群大小。在一些示例中,行为分布初始化器305从一个或更多个数据源(诸如政府人口普查源、市场研究源等)获得人口统计加权控制和/或位置加权控制。
在所示示例中,目标市场小组数据加权器310对目标市场A的便利样本(或者换句话说,便利小组数据)进行加权,以对应于通过行为分布初始化器305针对目标市场A获得的地理人口统计加权控制。例如,目标市场A的便利样本可以包括与便利样本中表示的小组成员条目中包括的曝光数据相关联的人口统计数据和/或位置数据。在一些这样的示例中,目标市场小组数据加权器310可以按照如下方式对目标市场A的便利样本中包括的小组成员条目中的一些小组成员条目进行缩放、复制、移除等,所述方式使得不同人口统计和/或位置类别的所得的曝光贡献对应于行为分布初始化器305针对目标市场A获得的地理人口统计加权控制。举例来说,目标市场小组数据加权器310可以对目标市场A的便利样本中的对应于第一人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对市场A的该第一人口统计类别获得的人口统计加权控制相匹配。类似地,市场小组数据加权器310可以对目标市场A的便利样本中的对应于第二人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对市场A的该第二人口统计类别获得的人口统计加权控制相匹配,并且针对通过行为分布初始化器305针对市场A获得的不同人口统计加权控制依此类推。另外地或另选地,市场小组数据加权器310可以基于通过行为分布初始化器305获得的相应位置加权控制来对便利样本中表示的不同位置类别执行类似的加权。
在以下描述中,通过目标市场小组数据加权器310针对目标市场A确定的所得的经加权的便利样本称为目标市场便利样本A2。
在所示示例中,校准市场小组数据加权器315对校准市场B的概率样本(或者换句话说,概率小组数据)进行加权,以对应于通过行为分布初始化器305针对目标市场A获得的人口统计加权控制。例如,校准市场B的概率样本可以包括与概率样本中表示的小组成员条目中包括的曝光数据相关联的人口统计数据。在一些这样的示例中,校准市场小组数据加权器315可以按照如下方式对校准市场B的概率样本中包括的小组成员条目中的一些小组成员条目进行缩放、复制、移除等,所述方式使得不同人口统计类别的所得的曝光贡献对应于行为分布初始化器305针对目标市场A获得的人口统计加权控制。举例来说,校准市场小组数据加权器315可以对校准市场B的概率样本中的对应于第一人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对目标市场A的该人口统计类别获得的加权控制匹配。类似地,校准市场小组数据加权器315可以对校准市场B的概率样本中的对应于第二人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对市场A的该人口统计类别获得的加权控制匹配,并且针对通过行为分布初始化器305针对市场A获得的不同人口统计类别依此类推。
在一些示例中,校准市场B的概率样本可以在地理上关于校准市场B的便利样本和/或关于校准市场B的总体不成比例。例如,校准市场B中的不同地理区域可以基于相应地理区域中使用的不同小组采样率对概率样本和/或便利样本做出不同贡献。例如,校准市场B中的第一地理区域可以包含校准市场B中的概率样本的50%,而两个其它地理区域分别包含概率样本的20%和30%。校准市场B中的便利样本可以从相应区域贡献40%、30%和30%。因此,在这样的示例中,来自校准市场B的概率样本与第一地理区域和第二地理区域中的便利样本在地理上是不同地分布的。
在一些示例中,为了考虑来自校准市场B的地理上不成比例的概率样本和便利样本,校准市场小组数据加权器315将地理加权应用于来自市场B的概率样本。例如,校准市场小组数据加权器315可以通过确定来自市场B的概率样本的地理UE分布,然后将市场B的该地理UE分布应用于来自目标市场A的便利样本的聚合总体(例如,样本大小)来确定要应用于来自校准市场B的概率样本的地理加权目标。在一些示例中,市场小组数据加权器315以类似于如何确定行为UE分布的方式确定来自市场B的概率样本的地理UE分布,但分布类别对应于不同地理位置/区域而不是不同行为类别。
在以下描述中,通过校准市场小组数据加权器315针对校准市场B确定的所得的经加权的概率样本称为校准市场概率样本B1。
在所示示例中,校准市场小组数据加权器315对校准市场B的便利样本(或者换句话说,便利小组数据)进行类似的加权,以对应于通过行为分布初始化器305针对目标市场A获得的人口统计加权控制。例如,校准市场B的便利样本可以包括与便利样本中表示的小组成员条目中包括的曝光数据相关联的人口统计。在一些这样的示例中,校准市场小组数据加权器315可以按照如下方式对校准市场B的便利样本中包括的小组成员条目中的一些小组成员条目进行缩放、复制、移除等,所述方式使得不同人口统计类别的所得的曝光贡献对应于行为分布初始化器305针对目标市场A获得的人口统计加权控制。举例来说,校准市场小组数据加权器315可以对校准市场B的便利样本中的对应于第一人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对市场A的该人口统计类别获得的加权控制匹配。类似地,校准市场小组数据加权器315可以对校准市场B的便利样本中的对应于第二人口统计类别的小组成员条目进行加权(例如,缩放、复制和/或移除),以与通过行为分布初始化器305针对市场A的该人口统计类别获得的加权控制匹配,并且针对通过行为分布初始化器305针对市场A获得的不同人口统计类别依此类推。
在一些示例中,校准市场B的便利样本可以在地理上关于校准市场B的概率样本和/或关于校准市场B的总体不成比例。例如,校准市场B中的不同地理区域可以基于相应地理区域中使用的不同小组采样率对便利样本和概率样本做出不同贡献。在一些示例中,为了考虑来自校准市场B的地理上不成比例的便利样本和概率样本,校准市场小组数据加权器315将地理加权应用于来自市场B的便利样本。例如,校准市场小组数据加权器315可以使用如上所述确定的地理加权目标来对来自市场B的概率样本进行加权,使得也对来自市场B的便利样本进行加权。
在以下描述中,通过校准市场小组数据加权器315针对校准市场B确定的所得的经加权的便利样本称为校准市场便利样本B2。
接下来,行为分布计算器320使用通过行为分布初始化器305确定的行为控制变量来对要针对目标市场便利样本A2、校准市场概率样本B1和校准市场便利样本B2确定的行为分布的行为类别进行初始化。在一些示例中,行为分布计算器320省略了校准市场概率样本B1中未包括的行为类别。针对各个行为类别,行为分布计算器320计算各个限定的行为类别中的经加权的校准市场概率样本B1的相应百分比,以确定校准市场概率样本B1的行为分布。在以下描述中,校准市场概率样本B1的行为分布中第c行为类别的行为分布百分比值用B1c%表示。
同样,针对各个行为类别,行为分布计算器320计算各个限定的行为类别中的经加权的校准市场便利样本B2的相应百分比,以确定校准市场便利样本B2的行为分布。在以下描述中,校准市场便利样本B2的行为分布中第c行为类别的行为分布百分比值用B2c%表示。同样,针对各个行为类别,行为分布计算器320计算各个限定的行为类别中的经加权的目标市场便利样本A2的相应百分比,以确定目标市场便利样本A2的行为分布。在以下描述中,目标市场便利样本A2的行为分布中第c行为类别的行为分布百分比值用A2c%表示。
返回图2,行为分布估计器215将目标市场便利样本A2的行为分布(例如,不同行为类别c的A2c%的值)、校准市场概率样本B1的行为分布(例如,不同行为类别c的B1c%的值)以及校准市场便利样本B2的行为分布(例如,不同行为类别c的B2c%的值)输出到行为分布校准器225。在所示示例中,行为分布校准器225基于校准市场概率样本B1的行为分布(例如,不同行为类别c的B1c%的值)和校准市场便利样本B2的行为分布(例如,不同行为类别c的B2c%的值)来校准目标市场便利样本A2的行为分布(例如,不同行为类别c的A2c%的值)。图4示例了行为分布校准器225的示例实现方式。
转到图4,所示示例的行为分布校准器225包括示例初步分布校准器405和示例最终分布校准器410。初步分布校准器405基于校准市场概率样本B1的行为分布和校准市场便利样本的行为分布对目标市场便利样本A2的行为分布进行初始校准。例如,针对各个行为类别c,初步分布校准器405根据式1使用校准市场概率样本B1的行为分布的值B1c%和校准市场便利样本B2的行为分布的值B2c%来计算目标市场便利样本A2的行为分布的值A2c%的初步校准值,式1为:
PTBc=(B1c%/B2c%)×A2c%
式1
因此,根据式1,针对各个行为类别c,初步分布校准器405按照(i)校准市场概率样本B1的行为分布的值B1c%与(ii)校准市场便利样本B2的行为分布的值B2c%的比率来对目标市场便利样本A2的行为分布的值A2c%进行缩放,以确定目标市场便利样本A2的行为分布的初步校准值。该初步校准值在式1中表示为PTBc。
在一些示例中,如果校准市场概率样本B1的行为分布的第c类别的值B1c%确实满足阈值(例如,小于阈值),则(i)校准市场概率样本B1的行为分布中的更广泛(或更大级别或更高级别)分层行为类别的值与(ii)校准市场便利样本B2的行为分布中的更广泛分层行为类别的值的比率用于缩放目标市场便利样本A2的行为分布的值A2c%。例如,阈值可以基于用户输入来配置、被指定成配置参数、硬编码等。在一些示例中,行为分布的行为类别可以以分层方式布置。例如,行为类别分层的第一较高级别可以根据在线媒体访问的类型来对小组进行划分,第一级别类别例如是新闻、娱乐、公共服务和商业广告。行为类别分层的第二较低级别可以将新闻媒体访问的行为类别划分成政治新闻、体育新闻和天气新闻。如果初步分布校准器405试图校准目标市场便利样本A2的行为分布的较低级别类别(例如,政治新闻、体育新闻或天气新闻)中的一个类别,并且校准市场概率样本B1的行为分布中的该类别不满足阈值,则初步分布校准器405使用与校准市场概率样本B1的行为分布和校准市场目标样本B2的行为分布中的较低级别类别(例如,该示例中的新闻)相对应的较高级别类别来校准目标市场便利样本A2的行为分布中的该较低级别行为类别。
例如,假设目标市场便利样本A2的行为分布的值A2c%对应于前面示例中的“政治新闻”行为类别,并且校准市场概率样本B1的行为分布中的“政治新闻”行为类别的对应值B1c%不满足阈值。还假设校准市场概率样本B1的行为分布和校准市场目标样本B2的行为分布中的较高级别类别“新闻”的相应值分别为B1c’%和B2c’%。然后,初步分布校准器405根据式2使用校准市场概率样本B1的行为分布的值B1c’%和校准市场便利样本B2的行为分布的值B2c’%来计算目标市场便利样本A2的行为分布的值A2c%的初步校准值,式2为:
PTBc=(B1c’%/B2c’%)×A2c%
式2
最终分布校准器410执行目标市场便利样本A2的行为分布的最终校准,以将行为分布的值归一化成总和为100%(或概率值为1)。在一些示例中,通过初步分布校准器405针对目标市场便利样本A2的行为分布确定的初步校准值PTBc的总和不为100%(或概率值不为1)。因此,针对各个行为类别c,最终分布校准器410根据式3针对目标市场便利样本A2的行为分布的初始校准值(表示为PTBc)计算最终校准值(表示为FTBc),式3为:
FTBc=(100/∑cPTBc)×PTBc
式3
在式3中,求和是在针对目标市场便利样本A2的行为分布限定的行为类别上进行的。
在一些示例中,最终分布校准器410输出FTBc的值作为目标市场便利样本A2的经校准的行为分布。例如,由最终分布校准器410输出的这种FTBc值可以对应于上面表1的“经加权的分布”列中的值的经校准的版本。
在一些示例中,受众测量系统200的行为分布估计器215和行为分布校准器225针对附加校准市场(例如,如校准市场C、D、E等)重复前述操作。在这样的示例中,行为分布估计器215和行为分布校准器225确定目标市场便利样本A2的不同的经校准的行为分布,每一个经校准的行为分布是基于校准市场中的不同校准市场校准的。然而,在一些这样的示例中,针对通过行为分布估计器215确定的行为分布中的一些或全部行为分布初始化的行为类别限于在第一校准市场(诸如,前面示例中的市场B)的校准样本中包括的行为类别。
在一些示例中,如果利用附加校准市场,则行为分布校准器225将目标市场便利样本A2的最终经校准的行为分布计算成基于不同校准市场确定的经校准的行为分布的平均值。在一些示例中,行为分布校准器225将目标市场便利样本A2的最终经校准的行为分布计算成基于不同校准市场确定的经校准的行为分布的经加权的平均值,其中,基于一个或更多个准则,一些经校准的行为分布在平均值中的权重比其它经校准的行为分布大。
返回图2,受众测量的目标便利小组数据校准器230将通过行为分布校准器225针对目标市场A的便利样本和给定测量时段确定的经校准的行为UE分布报告给下游受众测量处理。在一些示例中,目标便利小组数据校准器230还可以使用针对目标市场A和给定测量时段确定的经校准的行为UE分布来对便利小组接口110针对目标市场A在给定测量时段期间获得的便利小组数据(例如,便利样本)进行校准(例如,加权),以减少针对目标市场获得的便利小组数据中存在的行为偏差。例如,目标便利小组数据校准器230可以按照用于满足人口统计和基于地理的目标的上述地理人口统计控制以及按照由经校准的行为UE分布表示的经校准的行为目标对便利小组接口110针对目标市场A在给定测量时段期间获得的便利小组数据(例如,便利样本)进行加权。结果获得给定测量时段期间的、针对目标市场A的经校准的便利小组数据(例如,经校准的便利样本)。另外地或另选地,目标便利小组数据校准器230可以按照目标市场A的地理人口统计控制和由经校准的行为UE分布表示的经校准的行为目标来对旨在表示目标市场A的人群总体和给定测量时段的任何其它数据样本进行加权,以确定目标市场A的对应经校准的数据样本。在一些示例中,下游受众测量处理可以使用经校准的便利小组数据、针对目标市场确定的任何其它经校准的数据样本和/或由目标便利小组数据校准器230针对目标市场和给定测量时段报告的经校准的行为UE分布来确定目标市场中的在线媒体的受众估计(例如,收视率、到达率、曝光等)。例如,这样的输出受众估计可以对应于上面表1的“经加权的估计”列中的值的经校准的版本。
在图2的所示示例中,概率小组接口105、便利小组接口110、行为分布估计器215、行为分布校准器225和示例目标便利小组数据校准器230针对各个后续测量间隔重复上述过程,以针对各个后续测量间隔确定目标市场的便利样本的新的经校准的行为UE分布。在一些示例中,目标便利小组数据校准器230还使用针对各个后续测量间隔确定的经校准的行为UE分布来针对目标市场并针对该后续测量间隔确定经校准的便利样本(和/或其它经校准的数据样本)。
图5A至图5D例示了用于基于针对与第一市场相关联的概率小组数据确定的行为UE分布以及针对也与第一市场相关联的便利小组数据确定的行为UE分布来对第一市场的便利小组行为UE分布进行校准的第一示例技术500。与以上结合图1至图4描述的示例不同的第一示例技术500开始于第一测量时段(例如,第1个月),其中,针对第一市场(例如,目标市场)和第一测量时段的示例便利小组行为UE分布505被加权以与针对同一第一市场和第一测量时段的示例概率小组行为UE分布510对准,以确定针对第一市场和第一测量时段的示例经校准的便利小组行为UE分布515。然后,在第二测量时段(例如,第2个月)期间,针对第一市场和第二测量时段的示例便利小组行为UE分布520被加权,以与针对同一第一市场和第二测量时段的示例概率小组行为UE分布525对准,以确定针对第一市场和第二测量时段的示例经校准的便利小组行为UE分布530。然后,在第三测量时段(例如,第3个月)期间,针对第一市场和第三测量时段的示例便利小组行为UE分布535被加权,以与针对第一市场和第三测量时段的示例概率小组行为UE分布540对准,以确定针对第一市场和第三测量时段的示例经校准的便利小组行为UE分布545。然后,在第四测量时段(例如,第4个月)期间,针对第一市场和第四测量时段的示例便利小组行为UE分布550被加权,以与针对第一市场和第四测量时段的示例概率小组行为UE分布555对准,以确定针对第一市场和第四测量时段的示例经校准的便利小组行为UE分布560。因此,在图5A至图5D的所示示例中,针对各个测量时段,针对第一市场并针对该测量时段获得的便利小组行为UE分布被加权,以与针对该同一第一市场和测量时段获得的概率小组行为UE分布对准。
图6A至图6D例示了用于基于仅针对与第一市场相关联的便利小组数据确定的行为UE分布来针对第一市场确定行为UE分布的第二示例技术600。与以上结合图1至图4描述的示例不同的第二示例技术600开始于第一测量时段(例如,第1个月),其中,在没有概率小组数据的情况下,使用针对第一市场(例如,目标市场)和第一测量时段的示例便利小组行为UE分布605来确定针对第一市场和第一测量时段的示例目标行为UE分布610。然后,在第二测量时段(例如,第2个月)期间,在没有概率小组数据的情况下,使用针对第一市场和第二测量时段的示例便利小组行为UE分布615来确定针对第一市场和第二测量时段的示例目标行为UE分布620。然后,在第三测量时段(例如,第3个月)期间,在没有概率小组数据的情况下,使用针对第一市场和第三测量时段的示例便利小组行为UE分布625来确定针对第一市场和第三测量时段的示例目标行为UE分布630。然后,在第四测量时段(例如,第4个月)期间,在没有概率小组数据的情况下,使用针对第一市场和第四测量时段的示例便利小组行为UE分布635来确定针对第一市场和第四测量时段的示例目标行为UE分布640。
图7A至图7D例示了用于基于根据与不同于第一市场(例如,目标市场)的第二市场(例如,校准市场)相关联的概率小组数据确定的初始行为UE分布来对针对第一市场的便利小组行为UE分布进行迭代校准的第三示例技术700。对应于以上结合图1描述的示例的第三示例技术700开始于第一测量时段(例如,第1个月),其中,针对第一市场和第一测量时段的示例便利小组行为UE分布705被加权并与针对第二市场和第一测量时段的示例经加权的概率小组行为UE分布710组合,以确定针对第一市场和第一测量时段的示例经校准的行为UE分布715。然后,在第二测量时段(例如,第2个月)期间,针对第一市场和第二测量时段的示例便利小组行为UE分布720被加权并与针对第一测量时段确定的经加权的经校准的行为UE分布715组合,以确定针对第一市场和第二测量时段的新的示例经校准的行为UE分布730。然后,在第三测量时段(例如,第3个月)期间,针对第一市场和第三测量时段的示例便利小组行为UE分布735被加权并与针对第二测量时段确定的经加权的经校准的行为UE分布730组合,以确定针对第一市场和第三测量时段的新的示例经校准的行为UE分布745。然后,在第四测量时段(例如,第4个月)期间,针对第一市场和第四测量时段的示例便利小组行为UE分布750被加权并与针对第三测量时段确定的经加权的经校准的行为UE分布745组合,以确定针对第一市场和第四测量时段的新的示例经校准的行为UE分布460。因此,在图7A至图7D的所示示例中,针对初始测量时段,针对第一市场并针对该测量时段获得的便利小组行为UE分布被加权并与针对不同第二市场获得的经加权的概率小组行为UE分布组合,以确定针对第一市场和初始测量时段的经校准的行为UE分布。此后,针对各个后续测量时段,针对第一市场并针对给定后续测量时段获得的便利小组行为UE分布被加权并与针对先前测量时段确定的经加权的经校准的行为UE分布组合,以确定针对第一市场和给定测量时段的新的经校准的行为UE分布。
图8A至图8D例示了用于基于根据与不同于第一市场(例如,目标市场)的第二市场(例如,校准市场)相关联的概率小组数据和便利小组数据确定的行为UE分布来对根据第一市场的便利小组数据确定的行为UE分布进行校准的第四示例技术800。对应于以上结合图2至图4描述的示例的第四示例技术800开始于第一测量时段(例如,第1个月),其中,针对第一市场和第一测量时段的示例便利小组行为UE分布805是基于针对第二市场和第一测量时段的概率小组行为UE分布和便利小组行为UE分布的示例组合810校准的,以确定针对第一市场和第一测量时段的示例经校准的便利小组行为UE分布815。然后,在第二测量时段(例如,第2个月)期间,针对第一市场和第二测量时段的示例便利小组行为UE分布820是基于针对第二市场和第二测量时段的概率小组行为UE分布和便利小组行为UE分布的示例组合825校准的,以确定针对第一市场和第二测量时段的新的示例经校准的便利小组行为UE分布830。然后,在第三测量时段(例如,第3个月)期间,针对第一市场和第三测量时段的示例便利小组行为UE分布835是基于针对第二市场和第三测量时段的概率小组行为UE分布和便利小组行为UE分布的示例组合840校准的,以确定针对第一市场和第三测量时段的新的示例经校准的便利小组行为UE分布845。然后,在第四测量时段(例如,第4个月)期间,针对第一市场和第四测量时段的示例便利小组行为UE分布850是基于针对第二市场和第四测量时段的概率小组行为UE分布和便利小组行为UE分布的示例组合855校准的,以确定针对第一市场和第四测量时段的新的示例经校准的便利小组行为UE分布860。因此,在图7A至图7D的所示示例中,针对各个测量时段,针对第一市场(例如,目标市场)并针对该测量时段获得的便利小组行为UE分布是基于针对不同第二市场获得的概率小组行为UE分布和便利小组行为UE分布的组合校准的,以确定针对第一市场和该测量时段的经校准的便利小组行为UE分布。
图9A至图9C描绘了图5A至图5D所示的第一示例技术500、图6A至图6D所示的第二示例技术600以及图8A至图8D所示的第四示例技术800的比较。具体地,图9A描绘了在四个示例测量时段期间通过第一示例技术500确定的所得的经校准的行为UE分布515、530、545和560,如以上结合图5A至图5D所描述的。图9B描绘了在四个示例测量时段期间通过第二示例技术600确定的所得的行为UE分布610、620、630和640,如以上结合图6A至图6D所描述的。图9C描绘了在四个示例测量时段期间通过第四示例技术800确定的所得的经校准的行为UE分布815、830、845和860,如以上结合图8A至图8D所描述的。如从图9A至图9C可以看出的,可以通过图2至图4的示例受众测量系统200实现的第四示例技术800产生比根据其它示例技术500和600获得的行为UE分布具有小波动性的经校准的行为UE分布。
虽然在图1至图4中例示了实现受众测量系统100的示例方式和受众测量系统100,但是图1至图4中所示的要素、处理和/或设备中的一者或更多者可以被组合、划分、重新布置、省略、消除和/或以任何其它方式实现。此外,图1至图4的示例概率小组接口105、示例便利小组接口110、示例行为分布估计器115、示例校准分布选择器120、示例行为分布校准器125、示例便利小组数据校准器130、示例行为分布估计器215、示例行为分布校准器225、示例目标便利小组数据校准器230、示例行为分布初始化器305、示例目标市场小组数据加权器310、示例校准市场小组数据加权器315、示例行为分布计算器320、示例初步分布校准器405、示例最终分布校准器410以及更一般地示例受众测量系统100和/或受众测量系统200可以通过硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。因此,例如,示例概率小组接口105、示例便利小组接口110、示例行为分布估计器115、示例校准分布选择器120、示例行为分布校准器125、示例便利小组数据校准器130、示例行为分布估计器215、示例行为分布校准器225、示例目标便利小组数据校准器230、示例行为分布初始化器305、示例目标市场小组数据加权器310、示例校准市场小组数据加权器315、示例行为分布计算器320、示例初步分布校准器405、示例最终分布校准器410以及更一般地示例受众测量系统100和/或示例受众测量系统200中的任一者可以由一个或更多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、图形处理单元(GPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)和/或现场可编程逻辑器件(FPLD)来实现。当将本专利的任何装置或系统权利要求阅读成涵盖纯软件和/或固件实现方式时,示例受众测量系统100、示例受众测量系统200、示例概率小组接口105、示例便利小组接口110、示例行为分布估计器115、示例校准分布选择器120、示例行为分布校准器125、示例便利小组数据校准器130、示例行为分布估计器215、示例行为分布校准器225、示例目标便利小组数据校准器230、示例行为分布初始化器305、示例目标市场小组数据加权器310、示例校准市场小组数据加权器315、示例行为分布计算器320、示例初步分布校准器405和/或示例最终分布校准器410中的至少一者在此被明确限定成包括非暂时性计算机可读存储设备或存储盘,诸如存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等,其包括软件和/或固件。更进一步,示例受众测量系统100和/或示例受众测量系统200可以除了图1至图4中所例示的那些要素、处理和/或设备之外或代替图1至图4中所例示的那些要素、处理和/或设备而包括一个或更多个要素、处理和/或设备,和/或可以包括所例示的要素、处理和设备中的超过一个的任何或所有要素、处理和设备。如本文所用,短语“进行通信”(包括其变型)涵盖直接通信和/或通过一个或更多个中间部件的间接通信,并且不需要直接的物理(例如,有线)通信和/或恒定的通信,而是还另外地包括定期间隔、计划间隔、非周期间隔和/或一次性事件的选择性通信。
图10至图11示出了表示用于实现受众测量系统100和受众测量系统200的示例硬件逻辑、机器可读指令、硬件实现的状态机和/或其任何组合的流程图。在该示例中,机器可读指令可以是一个或更多个可执行程序或其部分,以供计算机处理器执行,诸如下面结合图12讨论的示例处理器平台1200中所示的处理器1212。一个或更多个程序或其部分可以在软件中实施,所述软件存储在非临时性计算机可读存储介质(诸如与处理器1212相关联的CD-ROM、软盘、硬盘驱动器、DVD、蓝光盘TM或存储器)上,但是整个程序或多个程序和/或其部分可以另选地由处理器1212以外的设备执行,和/或在固件或专用硬件中实施。此外,尽管参照图10至图11所示的流程图描述了示例程序,但是可以另选地使用实现示例受众测量系统100和/或示例受众测量系统200的许多其它方法。例如,参照图10至图11所示的流程图,可以改变框的执行顺序,和/或所描述的框中的一些框可以被改变、消除、组合和/或细分成多个框。另外地或另选地,所述框中的任何或所有框可以由一个或更多个硬件电路(例如,分立和/或集成的模拟和/或数字电路、FPGA、ASIC、比较器、运算放大器(op-amp)、逻辑电路等)来实现,所述一个或更多个硬件电路被构造成无需执行软件或固件即可执行对应操作。
本文描述的机器可读指令可以以压缩格式、加密格式、分段格式、打包格式等中的一者或更多者来存储。本文描述的机器可读指令可以存储为可用于创建、制造和/或产生机器可执行指令的数据(例如,指令的部分、代码、代码表示等)。例如,机器可读指令可以被分段并存储在一个或更多个存储设备和/或计算设备(例如,服务器)上。机器可读指令可以需要安装、修改、改编、更新、组合、补充、配置、解密、解压缩、拆包、分发、重新指派等中的一者或更多者,以使它们可以被计算设备和/或其它机器直接读取和/或执行。例如,机器可读指令可以存储在多个部分中,这些部分各自被压缩、加密和存储在单独的计算设备上,其中,这些部分在解密、解压缩和合并后形成了实现程序(诸如本文所述的程序)的可执行指令集。在另一示例中,机器可读指令可以以它们可以被计算机读的状态来存储,但是需要附加库(例如,动态链接库)、软件开发套件(SDK)、应用编程接口(API)等,以便在特定计算设备或其它设备上执行指令。在另一示例中,在机器可读指令和/或对应程序可以被整体或部分执行之前,可能需要配置机器可读指令(例如,存储的设置、数据输入、记录的网络地址等)。因此,所公开的机器可读指令和/或对应程序旨在涵盖这样的机器可读指令和/或程序,而与机器可读指令和/或程序在存储或以其它方式静止或传输时的特定格式或状态无关。
如上所述,可以使用可执行指令(例如,计算机和/或机器可读指令)来实现图10至图11的示例处理,所述可执行指令存储在非暂时性计算机和/或机器可读介质上,诸如硬盘驱动器、闪存、只读存储器、光盘、数字通用盘、缓存、随机存取存储器和/或信息被存储任意持续时间(例如,针对延长的时间段、永久地、针对短暂的情况、针对临时缓冲和/或针对信息的缓存)的任何其它存储设备或存储盘。如本文所用,术语“非暂时性计算机可读介质”被明确限定为包括任何类型的计算机可读存储设备和/或存储盘,并且排除传播信号并排除传输介质。同样,如本文所用,除非另外指出,否则术语“计算机可读”和“机器可读”被认为是等同的。
“包含”和“包括”(及其所有形式和时态)在本文中用作开放式用语。因此,每当权利要求采用任何形式的“包含”和“包括”(例如,包括(comprises)、包含(includes)、包括(comprising)、包含(including)、具有等)作为前序或在任何种类的权利要求叙述中时,应理解,在不超出对应权利要求或叙述的范围的情况下,可以存在附加要素、用语等。如本文所用,当例如在权利要求的前序中使用短语“至少”作为过渡用语时,其以与用语“包括”和“包含”相同的方式是开放式的。用语“和/或”在被使用时(例如,以诸如A、B和/或C的形式)是指A、B、C的任何组合或子集,诸如(1)仅A,(2)仅B,(3)仅C,(4)A与B,(5)A与C,(6)B与C,以及(7)A、B和C。如本文在描述结构、部件、项、对象和/或事物的上下文中所使用的,短语“A和B中的至少一者”意指包括(1)至少一个A、(2)至少一个B以及(3)至少一个A和至少一个B中的任何一者的实现方式。类似地,如本文在描述结构、部件、项、对象和/或事物的上下文中所使用的,短语“A或B中的至少一者”意指包括(1)至少一个A、(2)至少一个B以及(3)至少一个A和至少一个B中的任何一者的实现方式。如本文在描述处理、指令、动作、活动和/或步骤的执行或实施的上下文中所使用的,短语“A和B中的至少一者”意指包括(1)至少一个A、(2)至少一个B以及(3)至少一个A和至少一个B中的任何一者的实现方式。类似地,如本文在描述处理、指令、动作、活动和/或步骤的执行或实施的上下文中所使用的,短语“A或B中的至少一者”意指包括(1)至少一个A、(2)至少一个B以及(3)至少一个A和至少一个B中的任何一者的实现方式。
如本文所用,单数引用(例如,“一”、“一个”、“第一”、“第二”等)不排除复数。如本文所用,用语“一”或“一个”实体是指该实体中的一者或更多者。用语“一”(或“一个”)、“一个或更多个”以及“至少一个”在本文中可以互换地使用。此外,尽管被单独列出,但是多个装置、要素或方法动作可以由例如单个单元或处理器来实现。另外,尽管个体特征可以被包括在不同示例或权利要求中,但是这些个体特征可以被组合,并且被包括在不同示例或权利要求中并不意味着特征的组合是不可行的和/或无利的。
图10例示了可以被执行以实现图1的示例受众测量系统100的示例程序1000。参照前面的图和相关联的书面描述,图10的示例程序1000在框1005开始执行,在框1005,如果测量间隔是要执行校准的第一测量间隔,则执行进行到框1010。在框1010,示例概率小组接口105访问针对校准市场并针对第一测量间隔的概率小组数据,如上所述。在框1015,示例行为分布估计器115确定针对校准市场并针对第一测量间隔获得的概率小组数据的行为UE分布,如上所述。在框1020,示例校准分布选择器120选择在框1015确定的概率小组行为UE分布作为初始校准行为分布,如上所述。在框1025,示例便利小组接口110访问针对目标市场并针对第一测量间隔的便利小组数据,如上所述。在框1030,行为分布估计器115确定针对目标市场并针对第一测量间隔获得的便利小组数据的行为UE分布,如上所述。在框1035,示例行为分布校准器125对在框1030确定的便利小组数据的行为UE分布与在框1020确定的初始校准行为分布进行加权并组合,以确定针对目标市场和第一测量间隔的目标行为UE分布,如上所述。在框1040,示例目标便利小组数据校准器130报告针对目标市场和第一测量间隔的经校准的便利小组UE分布,如上所述。
如果处理要针对后续测量间隔继续,则执行返回到框1005。因为后续测量间隔不是第一测量间隔,所以执行进一步继续到框1050。在框1050,示例校准分布选择器120将在框1040针对目标市场和先前测量间隔确定的目标行为UE分布选择成当前测量间隔的初始校准行为分布,如上所述。然后,处理如上所述通过框1025至框1040继续,其产生针对目标市场和后续测量间隔的目标行为UE分布,如上所述。然后,执行继续从框1045迭代到框1050,接着是框1025至框1040,以产生针对目标市场和后续测量间隔的目标行为UE分布。
图11例示了可以被执行以实现图2至图4的示例受众测量系统200的示例程序1100。参照前面的图和相关联的书面描述,图11的示例程序1100在框1105开始执行,在框1105,受众测量系统200中包括的示例行为分布估计器215的示例行为分布初始化器305对行为分布估计器215所使用的行为分布参数进行初始化,如上所述。在框1110,行为分布估计器215的示例目标市场小组数据加权器310如上所述基于目标市场的地理人口统计加权参数对来自目标市场的便利小组数据进行加权,以确定经加权的目标市场便利小组数据(例如,上述目标市场便利样本A2)。在框1115,行为分布估计器215的示例校准市场小组数据加权器315如上所述基于目标市场的人口统计加权参数对来自校准市场的概率小组数据进行加权,以确定经加权的校准市场概率小组数据(例如,上述校准市场概率样本B1)。在框1120,校准市场小组数据加权器315如上所述基于目标市场的人口统计加权参数对来自校准市场的便利小组数据进行加权,以确定经加权的校准市场便利小组数据(例如,上述校准市场便利样本B2)。
在框1125,行为分布估计器215的示例行为分布计算器320如上所述对经加权的目标市场便利小组数据的行为UE分布(例如,具有上述类别值A2c%)进行计算。在框1125,行为分布计算器320如上所述对经加权的校准市场概率小组数据的行为UE分布(例如,具有上述类别值B1c%)进行计算。在框1125,行为分布计算器320如上所述进一步对经加权的校准市场便利小组数据的行为UE分布(例如,具有上述类别值B2c%)进行计算。
在框1130,受众测量系统200中包括的示例行为分布校准器225的示例初步分布校准器405如上所述基于针对经加权的校准市场概率小组数据确定的行为UE分布(例如,具有上述类别值B1c%)以及针对经加权的校准市场便利小组数据确定的行为UE分布(例如,具有上述类别值B2c%)来执行针对经加权的目标市场便利小组数据确定的行为UE分布(例如,具有类别值A2c%)的初步校准。在框1135,行为分布校准器225的示例最终分布校准器410如上所述执行针对目标市场的便利小组行为UE分布的初步校准值(例如,对应于上述PTBc)的最终校准,以产生针对目标市场的便利小组行为UE分布的最终校准值(例如,对应于上述FTBc)。
在框1140,行为分布估计器215和行为分布校准器225重复框1105至框1135的处理,以基于针对其它校准市场的概率小组行为UE分布和便利小组行为UE分布来校准针对目标市场的便利小组行为UE分布,如上所述。在框1140,行为分布校准器225基于不同校准市场来组合(例如,平均)校准结果,以确定针对目标市场和当前测量间隔的最终经校准的便利小组行为UE分布。
在框1145,受众测量系统200的示例目标便利小组数据校准器230如上所述按照针对目标市场的地理人口统计加权参数以及由经校准的行为UE分布表示的经校准的行为目标对针对目标市场和当前测量间隔的便利小组数据(例如,便利样本)进行加权,以确定针对目标市场和当前测量间隔的经校准的便利小组数据(例如,经校准的便利样本)。另外地或另选地,在框1145,目标便利小组数据校准器230按照针对目标市场的地理人口统计加权参数以及由经校准的行为UE分布表示的经校准的行为目标对旨在表示目标市场和当前测量间隔的任何其它数据样本进行加权,以确定针对目标市场的对应经校准的数据样本。
在框1150,受众测量系统200的示例目标便利小组数据校准器230输出针对目标市场和当前测量间隔的最终经校准的便利小组行为UE分布,以用于下游受众测量处理。另外地或另选地,在框1150,目标便利小组数据校准器230输出针对目标市场的经校准的便利小组数据和/或其它经校准的数据样本,以用于下游受众测量处理。另外地或另选地,在框1150,目标便利小组数据校准器230基于针对目标市场和当前测量间隔确定的经校准的便利小组数据和/或其它经校准的数据样本来确定并输出在线媒体受众估计(例如,收视率、到达率、曝光等)。
图12是示例处理器平台1200的框图,该示例处理器平台1200被构造成执行图10和/或图11的指令以实现图1至图4的示例受众测量系统100和/或示例受众测量系统200。处理器平台1200可以是例如服务器、个人计算机、工作站、自学习机(例如,神经网络)、移动设备(例如,手机、智能电话、诸如iPadTM的平板电脑等),个人数字助理(PDA)、互联网设备或任何其它类型的计算设备。
所示示例的处理器平台1200包括处理器1212。所示示例的处理器1212是硬件。例如,处理器1212可以由来自任何期望系列或制造商的一个或更多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器来实现。硬件处理器1212可以是基于半导体的(例如,基于硅的)设备。在所示示例中,当实现示例受众测量系统100时,处理器1212实现示例概率小组接口105、示例便利小组接口110、示例行为分布估计器115、示例校准分布选择器120、示例行为分布校准器125和示例便利小组数据校准器130。在所示示例中,当实现示例受众测量系统200时,处理器1212实现示例概率小组接口105、示例便利小组接口110、示例行为分布估计器215、示例行为分布校准器225和示例目标便利小组数据校准器230。
所示示例的处理器1212包括本地存储器1213(例如,缓存)。所示示例的处理器1212经由链路1218与包括易失性存储器1214和非易失性存储器1216的主存储器进行通信。链路1218可以通过总线、一个或更多个点对点连接等或其组合来实现。易失性存储器1214可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、
Figure BDA0003126493960000271
动态随机存取存储器(
Figure BDA0003126493960000272
)和/或任何其它类型的随机存取存储器设备来实现。非易失性存储器1216可以由闪存和/或任何其它期望类型的存储器设备来实现。对主存储器1214、1216的访问由存储器控制器控制。
所示示例的处理器平台1200还包括接口电路1220。接口电路1220可以通过任何类型的接口标准(诸如以太网接口、通用串行总线(USB)、
Figure BDA0003126493960000273
接口、近场通信(NFC)接口和/或PCI Express接口)来实现。
在所示示例中,一个或更多个输入设备1222连接到接口电路1220。输入设备1222允许用户将数据和/或命令输入到处理器1212中。输入设备可以由例如音频传感器、麦克风、摄像头(静止或视频)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、轨迹条(诸如isopoint)、语音识别系统和/或任何其它人机接口来实现。而且,许多系统(诸如处理器平台1200)可以允许用户使用物理姿势(诸如但不限于手或身体移动、面部表情和面部识别)来控制计算机系统并向计算机提供数据。
一个或更多个输出设备1224也连接到所示示例的接口电路1220。输出设备1224可以例如由显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、就地开关(IPS)显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此,所示示例的接口电路1220通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1220还包括通信设备(诸如发射器、接收器、收发器、调制解调器、住宅网关、无线接入点和/或网络接口),以利于经由网络1226与外部机器(例如,任何类型的计算设备)交换数据。通信可以例如经由以太网连接、数字订户线(DSL)连接、电话线连接、同轴电缆系统、卫星系统、直线对传式无线系统、蜂窝电话系统等。
所示示例的处理器平台1200还包括用于存储软件和/或数据的一个或更多个大容量存储设备1228。这种大容量存储设备1228的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光磁盘驱动器、独立磁盘冗余阵列(RAID)系统和数字通用盘(DVD)驱动器。
与图10和/或图11的指令相对应的机器可执行指令1232可以存储在大容量存储设备1228、易失性存储器1214、非易失性存储器1216、本地存储器1213中和/或可移除非暂时性计算机可读存储介质(诸如CD或DVD)1236上。
根据前文,将理解,已经公开了执行便利小组数据的多市场校准以减少行为偏差的示例方法、装置和制品。所公开的方法、装置和制品通过在不向系统引入行为偏差的情况下或者至少以与未经校准的便利小组数据样本相关联的行为偏差相比有所减少的行为偏差实现将在受众测量系统中使用的大型便利小组数据样本来提高使用计算设备的效率。所公开的方法、装置和制品因此涉及计算机的功能的一个或更多个改进。
尽管本文已公开了某些示例方法、装置和制品,但是本专利的覆盖范围不限于此。相反,本专利涵盖了完全落入本专利的权利要求范围内的所有方法、装置和制品。
所附权利要求据此通过引用并入到具体实施方式中,其中各个权利要求独立地作为本公开的独立实施方式。

Claims (20)

1.一种装置,所述装置包括:
分布估计器,所述分布估计器用于:
确定与第一市场和第一测量时段相关联的第一便利小组数据的第一行为分布;
确定与第二市场和所述第一测量时段相关联的第二便利小组数据的第二行为分布,所述第二市场不同于所述第一市场;以及
确定与所述第二市场和所述第一测量时段相关联的概率小组数据的第三行为分布;以及
分布校准器,所述分布校准器用于:
基于(i)针对与所述第二市场相关联的所述第二便利小组数据确定的所述第二行为分布以及(ii)针对与所述第二市场相关联的所述概率小组数据确定的所述第三行为分布,对针对与所述第一市场相关联的所述第一便利小组数据确定的所述第一行为分布进行校准;以及
输出经校准的第一行为分布。
2.根据权利要求1所述的装置,其中,所述分布估计器包括:
第一数据加权器,所述第一数据加权器对与所述第一市场相关联的所述第一便利小组数据进行加权,以确定与所述第一市场相关联的经加权的第一便利小组数据,所述第一数据加权器基于针对所述第一市场获得的人口统计加权控制和位置加权控制中的至少一者对所述第一便利小组数据进行加权;以及
分布计算器,所述分布计算器基于与所述第一市场相关联的所述经加权的第一便利小组数据来确定所述第一行为分布。
3.根据权利要求2所述的装置,其中,所述分布估计器还包括:
第二数据加权器,所述第二数据加权器对与所述第二市场相关联的所述第二便利小组数据进行加权,以确定与所述第二市场相关联的经加权的第二便利小组数据,所述第二数据加权器基于针对所述第一市场获得的所述人口统计加权控制对所述第二便利小组数据进行加权;并且
所述分布计算器基于与所述第二市场相关联的所述经加权的第二便利小组数据来确定所述第二行为分布。
4.根据权利要求3所述的装置,其中:
所述第二数据加权器对与所述第二市场相关联的所述概率小组数据进行加权,以确定与所述第二市场相关联的经加权的概率小组数据,所述第二数据加权器基于针对所述第一市场获得的所述人口统计加权控制对所述概率小组数据进行加权;并且
所述分布计算器基于与所述第二市场相关联的所述经加权的概率小组数据来确定所述第三行为分布。
5.根据权利要求1所述的装置,其中,所述分布计算器包括第一分布计算器和第二分布计算器,所述第一分布计算器基于所述第一行为分布的第一类别的对应值以及所述第三行为分布的所述第一类别的对应值对所述第一行为分布的所述第一类别的值进行校准,以确定所述第一行为分布的所述第一类别的第一校准值。
6.根据权利要求5所述的装置,其中,所述第一分布计算器通过按照(i)所述第一行为分布的所述第一类别的对应值与(ii)所述第三行为分布的所述第一类别的对应值的比率来缩放所述第一行为分布的所述第一类别的所述值,对所述第一行为分布的所述第一类别的所述值进行校准。
7.根据权利要求5所述的装置,其中,所述第二分布计算器对所述第一行为分布的所述第一类别的所述第一校准值进行校准,以确定所述第一行为分布的所述第一类别的第二校准值。
8.根据权利要求1所述的装置,所述装置还包括数据校准器,所述数据校准器基于所述经校准的第一行为分布来对与所述第一市场相关联的所述第一便利小组数据进行校准。
9.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质包括计算机可读指令,所述计算机可读指令在被执行时使处理器至少执行以下操作:
确定与第一市场和第一测量时段相关联的第一便利小组数据的第一行为分布;
确定与第二市场和所述第一测量时段相关联的第二便利小组数据的第二行为分布,所述第二市场不同于所述第一市场;
确定与所述第二市场和所述第一测量时段相关联的概率小组数据的第三行为分布;
基于(i)针对与所述第二市场相关联的所述第二便利小组数据确定的所述第二行为分布以及(ii)针对与所述第二市场相关联的所述概率小组数据确定的所述第三行为分布,对针对与所述第一市场相关联的所述第一便利小组数据确定的所述第一行为分布进行校准;以及
输出经校准的第一行为分布。
10.根据权利要求9所述的非暂时性计算机可读介质,其中,所述指令在被执行时使所述处理器执行以下操作:
对与所述第一市场相关联的所述第一便利小组数据进行加权,以确定与所述第一市场相关联的经加权的第一便利小组数据,所述第一便利小组数据将基于针对所述第一市场获得的人口统计加权控制和位置加权控制中的至少一者被加权;以及
基于与所述第一市场相关联的所述经加权的第一便利小组数据来确定所述第一行为分布。
11.根据权利要求10所述的非暂时性计算机可读介质,其中,所述指令在被执行时使所述处理器执行以下操作:
对与所述第二市场相关联的所述第二便利小组数据进行加权,以确定与所述第二市场相关联的经加权的第二便利小组数据,所述第二便利小组数据将基于针对所述第一市场获得的所述人口统计加权控制被加权;以及
基于与所述第二市场相关联的所述经加权的第二便利小组数据来确定所述第二行为分布。
12.根据权利要求11所述的非暂时性计算机可读介质,其中,所述指令在被执行时使所述处理器执行以下操作:
对与所述第二市场相关联的所述概率小组数据进行加权,以确定与所述第二市场相关联的经加权的概率小组数据,所述概率小组数据将基于针对所述第一市场获得的所述人口统计加权控制被加权;以及
基于与所述第二市场相关联的所述经加权的概率小组数据来确定所述第三行为分布。
13.根据权利要求9所述的非暂时性计算机可读介质,其中,所述指令在被执行时使所述处理器执行以下操作:
基于所述第一行为分布的第一类别的对应值以及所述第三行为分布的所述第一类别的对应值对所述第一行为分布的所述第一类别的值进行校准,以确定所述第一行为分布的所述第一类别的第一校准值;以及
对所述第一行为分布的所述第一类别的所述第一校准值进行进一步校准,以确定所述第一行为分布的所述第一类别的第二校准值。
14.根据权利要求13所述的非暂时性计算机可读介质,其中,所述指令在被执行时使所述处理器执行以下操作:通过按照(i)所述第一行为分布的所述第一类别的对应值与(ii)所述第三行为分布的所述第一类别的对应值的比率来缩放所述第一行为分布的所述第一类别的所述值,对所述第一行为分布的所述第一类别的所述值进行校准。
15.一种方法,所述方法包括以下步骤:
通过利用处理器执行指令来确定与第一市场和第一测量时段相关联的第一便利小组数据的第一行为分布;以及
通过利用所述处理器执行指令来确定与第二市场和所述第一测量时段相关联的第二便利小组数据的第二行为分布,所述第二市场不同于所述第一市场;
通过利用所述处理器执行指令来确定与所述第二市场和所述第一测量时段相关联的概率小组数据的第三行为分布;
通过利用所述处理器执行指令来基于(i)针对与所述第二市场相关联的所述第二便利小组数据确定的所述第二行为分布以及(ii)针对与所述第二市场相关联的所述概率小组数据确定的所述第三行为分布,对针对与所述第一市场相关联的所述第一便利小组数据确定的所述第一行为分布进行校准;以及
输出经校准的第一行为分布。
16.根据权利要求15所述的方法,其中,确定所述第一行为分布的步骤包括:
对与所述第一市场相关联的所述第一便利小组数据进行加权,以确定与所述第一市场相关联的经加权的第一便利小组数据,所述第一便利小组数据是基于针对所述第一市场获得的人口统计加权控制和位置加权控制中的至少一者加权的;以及
基于与所述第一市场相关联的所述经加权的第一便利小组数据来确定所述第一行为分布。
17.根据权利要求16所述的方法,其中,确定所述第二行为分布的步骤包括:
对与所述第二市场相关联的所述第二便利小组数据进行加权,以确定与所述第二市场相关联的经加权的第二便利小组数据,所述第二便利小组数据是基于针对所述第一市场获得的所述人口统计加权控制加权的;以及
基于与所述第二市场相关联的所述经加权的第二便利小组数据来确定所述第二行为分布。
18.根据权利要求17所述的方法,其中,确定所述第三行为分布的步骤包括:
对与所述第二市场相关联的所述概率小组数据进行加权,以确定与所述第二市场相关联的经加权的概率小组数据,所述概率小组数据是基于针对所述第一市场获得的所述人口统计加权控制加权的;以及
基于与所述第二市场相关联的所述经加权的概率小组数据来确定所述第三行为分布。
19.根据权利要求15所述的方法,其中,对所述第一行为分布进行校准的步骤包括:
基于所述第一行为分布的第一类别的对应值以及所述第三行为分布的所述第一类别的对应值对所述第一行为分布的所述第一类别的值进行校准,以确定所述第一行为分布的所述第一类别的第一校准值;以及
对所述第一行为分布的所述第一类别的所述第一校准值进行进一步校准,以确定所述第一行为分布的所述第一类别的第二校准值。
20.根据权利要求19所述的方法,其中,对所述第一行为分布的所述第一类别的所述值进行校准的步骤包括:按照(i)所述第一行为分布的所述第一类别的对应值与(ii)所述第三行为分布的所述第一类别的对应值的比率来缩放所述第一行为分布的所述第一类别的所述值。
CN201980085488.3A 2018-10-31 2019-10-30 对便利小组数据进行多市场校准以减少行为偏差 Pending CN113228082A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862753657P 2018-10-31 2018-10-31
US62/753,657 2018-10-31
PCT/US2019/058829 WO2020092536A1 (en) 2018-10-31 2019-10-30 Multi-market calibration of convenience panel data to reduce behavioral biases

Publications (1)

Publication Number Publication Date
CN113228082A true CN113228082A (zh) 2021-08-06

Family

ID=70464675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980085488.3A Pending CN113228082A (zh) 2018-10-31 2019-10-30 对便利小组数据进行多市场校准以减少行为偏差

Country Status (4)

Country Link
US (3) US11468459B2 (zh)
EP (1) EP3874441A4 (zh)
CN (1) CN113228082A (zh)
WO (1) WO2020092536A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3874441A4 (en) * 2018-10-31 2022-07-20 The Nielsen Company (US), LLC. MULTI-MARKET CALIBRATION OF CONVENIENCE PANEL DATA TO REDUCE BEHAVIORAL PRODICTIONS
US11949932B2 (en) * 2021-05-25 2024-04-02 The Nielsen Company (Us), Llc Synthetic total audience ratings
US12039267B2 (en) * 2021-09-30 2024-07-16 Intuit Inc. Automated categorization of data by generating unity and reliability metrics

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040138958A1 (en) * 2001-05-31 2004-07-15 Koji Watarai Sales prediction using client value represented by three index axes as criteron
US20090006490A1 (en) * 2004-02-20 2009-01-01 Herbert Dennis Hunt Attribute segments and data table bias reduction
US20100191723A1 (en) * 2009-01-29 2010-07-29 Albert Perez Methods and apparatus to measure market statistics
US20110066464A1 (en) * 2009-09-15 2011-03-17 Varughese George Method and system of automated correlation of data across distinct surveys
US20170091789A1 (en) * 2012-06-01 2017-03-30 Rentrak Corporation Systems and methods for calibrating user and consumer data

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8301487B2 (en) * 2006-05-02 2012-10-30 Vendavo, Inc. System and methods for calibrating pricing power and risk scores
AU2008363490A1 (en) * 2008-10-28 2010-05-06 Norwell Sa Audience measurement system
US8677385B2 (en) * 2010-09-21 2014-03-18 The Nielsen Company (Us), Llc Methods, apparatus, and systems to collect audience measurement data
US20140089051A1 (en) * 2012-09-25 2014-03-27 Frank Piotrowski Methods and apparatus to align panelist data with retailer sales data
US9247273B2 (en) * 2013-06-25 2016-01-26 The Nielsen Company (Us), Llc Methods and apparatus to characterize households with media meter data
US10311464B2 (en) * 2014-07-17 2019-06-04 The Nielsen Company (Us), Llc Methods and apparatus to determine impressions corresponding to market segments
US20160189182A1 (en) * 2014-12-31 2016-06-30 The Nielsen Company (Us), Llc Methods and apparatus to correct age misattribution in media impressions
US10699286B2 (en) * 2015-06-26 2020-06-30 The Nielsen Company (Us), Llc Methods and apparatus to correct attribution errors and coverage bias for digital audio ratings
US20160379231A1 (en) * 2015-06-26 2016-12-29 The Nielsen Company (Us), Llc Determining ratings data from population sample data having unreliable demographic classifications
US10380633B2 (en) * 2015-07-02 2019-08-13 The Nielsen Company (Us), Llc Methods and apparatus to generate corrected online audience measurement data
US20170011420A1 (en) * 2015-07-10 2017-01-12 The Nielsen Company (Us), Llc Methods and apparatus to analyze and adjust age demographic information
US20170091794A1 (en) * 2015-09-25 2017-03-30 The Nielsen Company (Us), Llc Methods and apparatus to determine ratings data from population sample data having unreliable demographic classifications
US10045057B2 (en) * 2015-12-23 2018-08-07 The Nielsen Company (Us), Llc Methods and apparatus to generate audience measurement data from population sample data having incomplete demographic classifications
US20180225682A1 (en) * 2017-02-07 2018-08-09 Videology, Inc. Method and system for forecasting performance of persistent user accounts
EP3874441A4 (en) * 2018-10-31 2022-07-20 The Nielsen Company (US), LLC. MULTI-MARKET CALIBRATION OF CONVENIENCE PANEL DATA TO REDUCE BEHAVIORAL PRODICTIONS

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040138958A1 (en) * 2001-05-31 2004-07-15 Koji Watarai Sales prediction using client value represented by three index axes as criteron
US20090006490A1 (en) * 2004-02-20 2009-01-01 Herbert Dennis Hunt Attribute segments and data table bias reduction
US20100191723A1 (en) * 2009-01-29 2010-07-29 Albert Perez Methods and apparatus to measure market statistics
US20110066464A1 (en) * 2009-09-15 2011-03-17 Varughese George Method and system of automated correlation of data across distinct surveys
US20170091789A1 (en) * 2012-06-01 2017-03-30 Rentrak Corporation Systems and methods for calibrating user and consumer data

Also Published As

Publication number Publication date
US20200202372A1 (en) 2020-06-25
US20240086953A1 (en) 2024-03-14
WO2020092536A1 (en) 2020-05-07
US20230107456A1 (en) 2023-04-06
US11842362B2 (en) 2023-12-12
US11468459B2 (en) 2022-10-11
EP3874441A1 (en) 2021-09-08
EP3874441A4 (en) 2022-07-20

Similar Documents

Publication Publication Date Title
Valliant Comparing alternatives for estimation from nonprobability samples
US11842362B2 (en) Multi-market calibration of convenience panel data to reduce behavioral biases
US20220292528A1 (en) Methods and apparatus for campaign mapping for total audience measurement
Holupka et al. The housing and neighborhood conditions of America's children: Patterns and trends over four decades
US11568215B2 (en) Probabilistic modeling for anonymized data integration and bayesian survey measurement of sparse and weakly-labeled datasets
US11887132B2 (en) Processor systems to estimate audience sizes and impression counts for different frequency intervals
US20150363802A1 (en) Survey amplification using respondent characteristics
US11941646B2 (en) Methods and apparatus to estimate population reach from marginals
US12022155B2 (en) Methods and apparatus to deduplicate audience estimates from multiple computer sources
US11997354B2 (en) Methods and apparatus to identify and triage digital ad ratings data quality issues
US20240303676A1 (en) Methods and apparatus to generate audience metrics using matrix analysis
US11978071B2 (en) Methods and apparatus to determine reach with time dependent weights
US11276073B2 (en) Methods and apparatus to reduce computer-generated errors in computer-generated audience measurement data
US20220058664A1 (en) Methods and apparatus for audience measurement analysis
US20200202370A1 (en) Methods and apparatus to estimate misattribution of media impressions
US20240163344A1 (en) Methods and apparatus to perform computer-based community detection in a network
Zheng et al. Digital Sustainability: Assessing US Newspapers’ Online Readership with the Multidimensional Attention Model
Morales et al. On the use of aggregate survey data for estimating regional major depressive disorder prevalence
US20220207543A1 (en) Methods and apparatus to deduplicate audiences across media platforms
US20210326392A1 (en) Algorithmic attribution
US20220156783A1 (en) Methods and apparatus to estimate unique audience sizes across multiple intersecting platforms
US20230206256A1 (en) Methods, systems, apparatus, and articles of manufacture to modify audience estimates to preserve logical consistency
US12041304B2 (en) Methods and apparatus for co-viewing adjustment
Zhang Estimating the optimal cutoff point for logistic regression
US20170169482A1 (en) Calculation of reach and frequency based on relative levels of exposure across respondents by media channels contained in survey data

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40057741

Country of ref document: HK