CN113538053A - 用于品牌建设的ott资源位分类方法、系统及存储介质 - Google Patents
用于品牌建设的ott资源位分类方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113538053A CN113538053A CN202110818684.6A CN202110818684A CN113538053A CN 113538053 A CN113538053 A CN 113538053A CN 202110818684 A CN202110818684 A CN 202110818684A CN 113538053 A CN113538053 A CN 113538053A
- Authority
- CN
- China
- Prior art keywords
- resource
- industry
- euclidean distance
- brand
- resource bit
- 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
Images
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
- G06Q30/0251—Targeted advertisements
- G06Q30/0254—Targeted advertisements based on statistics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种用于品牌建设的OTT资源位分类方法、系统及存储介质,其中方法包括:根据公式计算每一资源位各个行业的行业曝光数据与最大曝光数据之间的第一欧式距离,并且根据公式计算每一资源位各个行业的行业曝光数据与最小曝光数据之间的第二欧式距离;将每一资源位各个行业的第一欧式距离与第二欧式距离作对比,并将第一欧式距离小于第二欧式距离的资源位定义为高曝光资源位,将第一欧式距离大于第二欧式距离的资源位定义为低曝光资源位。通过本发明准确得知对于该资源位而言,该行业的行业曝光数据与最大值更为相似(为高曝光)还是与最小值更为相似(为低曝光),从而判断相应资源位对于某一行业而言处于红海阶段还是蓝海阶段。
Description
技术领域
本发明涉及信息分析技术领域,尤其涉及的是一种用于品牌建设的 OTT资源位分类方法、系统及存储介质。
背景技术
品牌是具有经济价值的无形资产,用抽象化的、特有的、能识别的心智概念来表现其差异性,从而在人们的意识当中占据一定位置的综合反映;品牌建设具有长期性。品牌的载体是用于和其他竞争者的产品或劳务相区分的名称、术语、象征、记号或者设计及其组合,增值的源泉来自于消费者心智中形成的关于其载体的印象。
品牌具有认知价值,即使企业的产品/服务/节目等等同市场上的其他产品/服务/节目相比更有优势,但潜在客户如果感觉不到产品的价值,也不会认同该产品/服务/节目。
由上述内容可以得知以下三点:1、高认知价值的品牌在同行业的竞争中更具有优势,2、品牌的形成是一个长期过程,3、宣传对于品牌的建设不可避免(无论是口口相传还是广告推广皆有其作用)。
OTT是“Over The Top”的缩写,其含义是通过互联网向用户提供各种应用服务,这种应用和目前运营商所提供的通信业务不同,它仅利用运营商的网络,而服务由运营商之外的第三方提供。目前,典型的OTT业务有互联网电视业务及应用商城等等。
在互联网电视中,存在着诸多可用于宣传推广品牌的资源位,包括广告资源位(开机、屏保、前贴、弹窗、如意帖、AI语音及不同频道的 banner位等等)及内容资源位(内容是指动漫及综艺节目等等),但并非所有的企业都适合在互联网电视中进行品牌推广建设,对于合适的企业也需要合理的品牌建设策略才能达到较佳的效果。
授权公告号为CN107580239A的发明专利公开了一种打通DTV、 IPTV及OTT资源的广告投放系统和广告投放方法,该发明专利通过唯一识别号信息作为有效连接,在广告投放活动中识别出同一家庭户中的移动终端和电视终端,同时识别附近的户外终端用户,然后剔除以上终端播放过的广告,同时判断移动终端用户的行驶状态从而判断推送视频广告或者音频广告,从而使得广告可以围绕移动终端进行曝光频次控制,避免曝光浪费,增强广告有效曝光的同时,降低过度曝光带来的品牌伤害和广告花费的浪费。其中广告投放方法的步骤如图1所述,内容较多,不再赘述。
上述发明专利可以在一定程度上帮助企业制定品牌建设策略,但对于企业判断其是否适于在互联网电视上进行品牌推广以及适于在哪些资源位上进行品牌推广并无帮助,即无法帮助企业进行资源位价值认知。
申请公布号为CN102693500A的发明专利申请为了对不同广告位进行价值量评估,提供了一种网站广告位价值量计算系统及计算方法,其根据广告位高度、广告位宽度、广告展现形式、广告位所在网页的网址、网站流量影响因子、网站所处行业影响因子及用户群影响因子等因素进行不同网站广告位的价值量计算。该发明专利申请可以帮助企业认知不同广告位的价值量,但对于企业判断其是否适于在互联网电视上进行品牌推广以及适于在哪些资源位上进行品牌推广同样没有参考价值,即无法帮助企业进行互联网电视上不同资源位的价值认知。
可见,现有技术缺乏帮助企业进行互联网电视上不同资源位价值认知的手段,企业只能通过以往的千人成本等数据进行资源位的臆测性选择。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种用于品牌建设的OTT资源位分类方法、系统及存储介质,旨在解决现有技术缺乏帮助企业进行互联网电视上不同资源位价值认知的手段,企业只能通过以往的千人成本等数据进行资源位的臆测性选择的问题。
本发明的技术方案如下:
一种用于品牌建设的OTT资源位分类方法,其特征在于,包括:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的行业平均千人成本E;
统计所计算行业平均千人成本E中的最大值E1及最小值E2,并统计每个资源位上各个行业的参投品牌主数量O中的最大值O1及最小值O2,以及每个资源位上各个行业的产品投放数量P中的最大值P1及最小值 P2,得到最大曝光数据Bmax(E1,O1,P1)及最小曝光数据Bmin(E2, O2,P2);
将每一资源位各个行业的第一欧式距离与第二欧式距离作对比,并将第一欧式距离小于第二欧式距离的资源位定义为高曝光资源位,将第一欧式距离大于第二欧式距离的资源位定义为低曝光资源位。
上述方案的效果在于:对于同一资源位而言,参与资源投放的品牌主越多说明这一资源位的竞争力度越大,反之则竞争力度越小;产品投放数量越多说明这一资源位的品牌建设重要程度越高,反之则重要程度越低;行业平均千人成本越高说明在同样的品牌建设效果下性价比越低,反之则越高。因此本发明采用行业平均千人成本、参投品牌主数量及产品投放数量这三个参数来进行资源位分类,且本发明通过计算每个资源位下每个行业曝光数据与最大最小曝光数据之间的欧式距离,并将二者作对比,可以根据计算结果准确得知对于该资源位而言,行业曝光数据与最大值更为相似(为高曝光)还是与最小值更为相似(为低曝光),从而判断相应资源位对于各个行业而言处于红海阶段还是蓝海阶段;以此来帮助资源位运营商更为准确的具有针对性的推销资源位,帮助品牌主判断某资源位是否适于其进行品牌建设(是否竞争过于激烈,导致该渠道性价比过低),当所有资源位都不适合时,对于部分资源投放预算较少的品牌主来说,可以得知互联网电视不适合其进行品牌建设,至少某一电视机系统厂商下的资源位不适合其进行品牌建设;当某一资源位该行业的千人成本较低且处于蓝海阶段时,则性价比较高,品牌主选择该资源位可以较低的成本获得较高的曝光量,避免与同行业其他品牌主集中竞争某一两个资源位。
很明显,作为对比,CN107580239A所公开的广告投放方法旨在控制广告的曝光频次,而并非着眼于帮助品牌主了解哪个资源位对其而言更为适合进行品牌建设;CN102693500A所公开的网站广告位价值量计算方法虽然能根据各种不同因素帮助品牌主认知不同广告位的价值量,但其是从广告运营商所处行业进行计算,对于品牌主了解某个资源位对其所属行业的竞争力度并无帮助,即使品牌主通过其技术方案了解到某个广告位价值量比较高,但在竞争力度较大的情况下,品牌的建设依然不能达到一个较好的效果。
在进一步地优选方案中,所述对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的行业平均千人成本E的步骤具体包括:
分别获取互联网电视系统内多个资源位的资源位ID及资源位类别,并获取指定时间段内与所述资源位ID相对应的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业、所投放资源的数量、每个所投放资源的ID、各个参投品牌主所支付的资源投放费用及与每个行业相对应的行业总曝光数值;
根据所获取的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业及各个参投品牌主所支付的资源投放费用,分别计算每个资源位ID所对应的各个行业总资源投放费用;
根据所计算的各个行业总资源投放费用以及所获取的每个行业相对应的行业总曝光数值,按照公式行业平均千人成本=(行业总资源投放费用/ 行业总曝光数值)*1000分别计算每个资源位ID上各个行业的行业平均千人成本。
上述方案的效果在于:资源可以分为很多类别,比如电视节目、比如广告等等,不同类别资源需要的资源位不同,也不具有对比意义;因此,本发明计算的是行业平均千人成本,可以更为准确的帮助品牌主识别资源位对其而言价值几何。此外,对于每一个资源位而言,资源位ID、资源位类别、每个参投品牌主ID及所属行业、所投放资源ID和各个参投品牌主所支付的资源投放费用,都是可以预先存储的;而参投品牌主数量及所投放资源的数量都是可以简单计算获得的,只有每个行业相对应的行业总曝光数值需要采集及分类统计;整个数据获取过程较为简单,并不需要太大的计算量,相对于现有技术而言,方案更为简单,计算量更小。
在进一步地优选方案中,所述每个行业相对应的行业总曝光数值的获取方式具体为:获取数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,并根据参投品牌主ID及所属行业、所投放资源ID、数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,分别统计每日曝光数值及每日曝光数值对应的行业,而后计算各个行业的行业总曝光数值。
上述方案的效果在于:对于同一资源位而言,在同一天之内通常并不会更换所投放的资源,因此,本发明每天采集一次曝光数值与资源所属行业并记录,在最终计算时,将同属一个行业的日期数据归集到一起进行累计即可获得行业总曝光数值。当然,在同一资源位一天之内会更换所投放资源的情况,可以适应性选择及调整。但可以理解的是,本发明采用T+1 的形式来统计数据,一方面将数据的汇总分散至每一天进行,防止实时汇总带来的过大计算量,同时可以防止集中汇总带来的工作量过度集中及数据汇总过程出现差错。
在进一步地优选方案中,所述行业平均千人成本E的计算之前获取序列ID,所述序列ID包含信息如下:资源位ID、资源位类别、日期、所述资源位ID相对应的参投品牌主的ID、各个参投品牌主所属行业及每个所投放资源的ID。
上述方案的效果在于:序列ID更够表述更多的内容,比如:对应的资源位是哪一个、日期是哪天以及资源位的分类是什么等等;通过序列ID 可以直接在数据库中匹配每日行业曝光值(后续的行业点击数据及行业浏览数据亦然),无需再另行采集资源位ID及资源位类别等等信息,简化了数据采集过程。
在进一步地优选方案中,所述用于品牌建设的OTT资源位分类方法还包括步骤:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的平均点击量N及平均点击率C;
统计所计算多个平均点击量N中的最大值N1及最小值N2,并统计所计算多个平均点击率C中的最大值C1及最小值C2,得到最大点击数据 Dmax(N1,C1)及最小点击数据Dmin(N2,C2);
将每一资源位的第三欧式距离与第四欧式距离作对比,并将第三欧式距离小于第四欧式距离的资源位定义为高点击资源位。
上述方案的效果在于:行业点击数据代表的是经过曝光后,相应资源位被用户点击的数据,与行业曝光数据一样是可以评价资源位价值的参数,高点击数据说明相应资源位上终端用户对相应行业具有高认同度,可以带来品牌认知的作用;因此本发明一方面结合行业曝光数据与行业点击数据评价资源位的价值,可以对各个资源位进行更为详细准确的分类;另一方面结合平均点击量和平均点击率进行高点击的类别归属判断,相对于仅使用点击量/点击率的判断方式而言,结果更为准确。
在进一步地优选方案中,所述平均点击率C的计算公式为:平均点击率C=行业总点击量/行业总曝光数据;
所述对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的平均点击量N及平均点击率C的步骤之前还包括:
获取同一系统下指定时间段内多个资源位的统计日期以及与所述统计日期对应的行业点击数据,并根据所述统计日期及行业点击数据计算每一资源位的行业累计点击数据。
上述方案的效果在于:只有在资源位看到所呈现资源信息的用户才可能点击查看,因此点击率可以有效统计某资源在某资源位对用户的吸引程度,故点击率是衡量资源位价值的一个重要参数,但该参数并不能代表资源位的价值。故本发明采用行业总点击量/行业总曝光数据的方式计算资源位在某一段时间内所有资源的平均点击率,相对而言更为客观,可较为有效消除某一资源本身对用户吸引程度过高或过低容易引起结果偏差的可能性;结合平均点击量并进行第三欧式距离及第四欧式距离的计算和对比,可以对同一系统下各个资源位的价值进行更为客观的认知。
在进一步地优选方案中,所述用于品牌建设的OTT资源位分类方法还包括步骤:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的总浏览时长T及平均浏览时长A;
统计所计算多个总浏览时长T中的最大值T1及最小值T2,并统计所计算多个平均浏览时长A中的最大值A1及最小值A2,得到最大浏览数据Lmax(T1,A1)及最小浏览数据Lmin(T2,A2);
将每一资源位的第五欧式距离与第六欧式距离作对比,并将第五欧式距离小于第六欧式距离的资源位定义为高时长资源位。
上述方案的效果在于:浏览时长能够分析用户对于相应资源位所展示资源的认同(或认购,下文不再赘述)可能性,浏览时长越高通常说明终端用户对于相应资源位所展示资源的认同可能性越高,但并不绝对。因此本发明在行业曝光数据及行业点击数据的基础上,以总浏览时长及平均浏览时长这两个数值对资源位的价值进行计算,以提高资源位更细致分类的准确性。
在进一步地优选方案中,所述将每一资源位的第三欧式距离与第四欧式距离作对比,并将第三欧式距离小于第四欧式距离的资源位定义为高点击资源位的步骤还包括:将第三欧式距离大于第四欧式距离的资源位定义为低点击资源位;
所述将每一资源位的第五欧式距离与第六欧式距离作对比,并将第五欧式距离小于第六欧式距离的资源位定义为高时长资源位的步骤还包括:将第五欧式距离大于第六欧式距离的资源位定义为低时长资源位;
所述用于品牌建设的OTT资源位分类方法还包括:
将高曝光高点击高时长的资源位定义为红海高品牌认知高认同转化类资源位,将高曝光高点击低时长的资源位定义为红海高品牌认知低认同转化类资源位,将高曝光低点击高时长的资源位定义为红海低品牌认知高认同转化类资源位,将高曝光低点击低时长的资源位定义为红海低品牌认知低认同转化类资源位,将低曝光高点击低时长的资源位定义为蓝海高品牌认知低认同转化类资源位,将低曝光高点击低时长的资源位定义为蓝海高品牌认知低认同转化类资源位,将低曝光低点击高时长的资源位定义为蓝海低品牌认知高认同转化类资源位,将低曝光低点击低时长的资源位定义为蓝海低品牌认知低认同转化类资源位。
上述方案的效果在于:高曝光意味着有对于某行业而言处于红海阶段;反之则处于蓝海阶段。高点击意味着有更多的机会让更多的终端用户获悉资源位上所展示品牌信息,以此来令终端用户逐渐熟悉相应的品牌,因此本发明将与高点击相关的资源位皆定义为品牌认知类资源位。高曝光意味着有更多的机会让更多的终端用户获悉资源位上所展示资源的详细信息,以此来获得终端用户认同,比如令用户愿意购买某产品、认同某企业制作的综艺节目或者动漫等等;因此本发明将与高时长相关的资源位皆定义为认同转化资源位。此外,高曝光高点击高时长的资源位可以更近一步地被细分为红海高品牌认知高认同转化类;同样的,高时长但其他一个或两个计算结果较低的同样可以被进一步地细分为红海非品牌认知但认同转化类、蓝海但品牌认知及认同转化类等等类别的资源位;更为细致的资源位分类,可以帮助企业制定更为细致准确的品牌推广建设策略。
一种用于实现用于品牌建设的OTT资源位分类方法的系统,其包括存储器及处理器,所述存储器用于存储用于品牌建设的OTT资源位分类程序,所述处理器用于运行用于品牌建设的OTT资源位分类程序以实现如上所述的用于品牌建设的OTT资源位分类方法。所述系统包括上述用于品牌建设的OTT资源位分类方法的全部技术特征,同样的,亦包括上述用于品牌建设的OTT资源位分类方法的全部技术效果,不再赘述。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述的用于品牌建设的OTT资源位分类方法的步骤。所述存储介质包括上述用于品牌建设的OTT资源位分类方法的全部技术特征,同样的,亦包括上述用于品牌建设的OTT资源位分类方法的全部技术效果,不再赘述。
与现有技术相比,本发明提供的用于品牌建设的OTT资源位分类方法包括:根据公式计算每一资源位各个行业的行业曝光数据与最大曝光数据Bmax之间的第一欧式距离,并且根据公式计算每一资源位各个行业的行业曝光数据与最小曝光数据Bmin之间的第二欧式距离;将每一资源位各个行业的第一欧式距离与第二欧式距离作对比,并将第一欧式距离小于第二欧式距离的资源位定义为高曝光资源位,将第一欧式距离大于第二欧式距离的资源位定义为低曝光资源位。通过本发明准确得知对于该资源位而言,该行业的行业曝光数据与最大值更为相似(为高曝光)还是与最小值更为相似(为低曝光),从而判断相应资源位对于某一行业而言处于红海阶段还是蓝海阶段;以此来帮助资源位运营商更为准确的具有针对性的推销资源位,帮助品牌主判断某资源位是否适于其进行品牌建设,当所有资源位都不适合时,那么对于部分资源投放预算较少的品牌主来说,可以得知互联网电视不适合其进行品牌建设,至少某一电视机系统厂商下的资源位不适合其进行品牌建设;当某一资源位该行业的千人成本较低且处于蓝海阶段时,则性价比较高。
附图说明
图1是CN107580239A所公开打通DTV、IPTV及OTT资源的广告投放方法的流程图。
图2是本发明中用于品牌建设的OTT资源位分类方法的流程图。
具体实施方式
本发明提供一种用于品牌建设的OTT资源位分类方法、系统及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种用于品牌建设的OTT资源位分类方法,其包括:
S100、对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的行业平均千人成本E。千人成本是一种媒体或媒体排期表 (SCHEDULING)送达1000人或“家庭”的成本,平均千人成本是指在一段时间之内,同一资源位下同一行业内多个订单千人成本的平均值。对于互联网电视机而言,运行依靠电视机系统,本发明所涉及的“互联网电视系统”指的是电视机系统,并不包含第三方应用程序,第三方应用程序内的资源位价值可根据本发明技术方案单独计算,但并不包含在本发明中的系统之内;也就是说,本发明虽然仅公开了同一系统下的资源位价值计算分类方法,但同一应用程序/同一网站等其他包含多个资源位的互联网资源提供渠道同样适用,属于本发明技术方案的等同技术方案,理所应当属于本发明的保护范围,对此本发明不再一一展开描述。
对于互联网电视而言,资源位有几十个之多,比如广告资源位:开机、屏保、前贴、弹窗、如意帖、AI语音及不同不同频道的banner位等等,还有一些电视节目内容资源位,具体地根据电视机系统厂商的不同,互联网电视的资源位数量及位置也不尽相同,对于应用程序及网站等等亦是如此,本发明不再赘述亦不做具体限定。
以互联网电视系统内的广告资源位为例,各广告主的主要认知多在开机和前贴,对于其他广告资源位多数没有正确客观的价值认知,对于开机和前贴上有多少同行业广告主亦没有正确客观的价值认知。对于企业的运营而言(不限于建设品牌),必然依赖情报制定策略,当信息获取能力不足或者情报分析能力不足时,企业无法制定出较佳的运营策略。而本发明则意在通过采集各行各业在各个资源位上的资源投放信息,而后进行相应的分析,为各行各业在互联网电视系统的资源投放行为提供情报依据,使其能够选择合适的资源位并制定合适的资源投放策略。本发明从各个资源位上资源投放情况判断各个行业在该资源位上的竞争情况、结合资源位的曝光数值,判断每个行业在该资源位上的资源投放是处于红海阶段还是蓝海阶段,具体将在下文进行详细描述及举例说明。
在具体实施时,所述S100具体包括:
S110、分别获取互联网电视系统内多个资源位的资源位ID及资源位类别,并获取指定时间段内与所述资源位ID相对应的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业、所投放资源的数量、每个所投放资源的ID、各个参投品牌主所支付的资源投放费用及与每个行业相对应的行业总曝光数值。
对于资源位ID,本发明对此不多做说明,系用于识别定位资源位的字符串,但在进一步地较佳实施例中,本发明选用序列ID代替资源位ID,序列ID更够表述更多的内容,比如:对应的资源位是哪一个、日期是哪天以及资源位的分类是什么等等;具体地,本领域技术人员可根据需要进行适应性调整及选择,本发明对此不做具体限定。可以理解的,若序列ID 包含资源位类别,则本发明无需另行获取。具体地,所述行业平均千人成本E的计算之前获取序列ID,所述序列ID包含信息如下:资源位ID、资源位类别、指定时间段内与所述资源位ID相对应的参投品牌主的ID、各个参投品牌主所属行业及每个所投放资源的ID。
S120、根据所获取的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业及各个参投品牌主所支付的资源投放费用,分别计算每个资源位ID所对应的各个行业总资源投放费用。
S130、根据所计算的各个行业总资源投放费用以及所获取的每个行业相对应的行业总曝光数值,按照公式行业平均千人成本=(行业总资源投放费用/行业总曝光数值)*1000分别计算每个资源位ID上各个行业的行业平均千人成本。
在具体实施时,资源位ID、资源位类别、每个参投品牌主ID及所属行业、所投放资源ID和各个参投品牌主所支付的资源投放费用,都是可以预先存储的;而参投品牌主数量及所投放资源的数量都是可以简单计算获得的,只有每个行业相对应的行业总曝光数值需要采集及分类统计。
较佳地是,所述每个行业相对应的行业总曝光数值的获取方式具体为:获取数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,并根据参投品牌主ID及所属行业、所投放资源ID、数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,分别统计每日曝光数值及每日曝光数值对应的行业,而后计算各个行业的行业总曝光数值。
S200、统计所计算行业平均千人成本E中的最大值E1及最小值E2,并统计每个资源位上各个行业的参投品牌主数量O中的最大值O1及最小值O2,以及每个资源位上各个行业的产品投放数量P中的最大值P1及最小值P2,得到最大曝光数据Bmax(E1,O1,P1)及最小曝光数据Bmin (E2,O2,P2)。
本发明以某个资源位的数据为例进行解释说明,详细数据如表1所示 (因实际数据过于复杂,因此本发明所提供的数据并非实际数据,只为解释说明本发明技术方案):
表1
从上表可以统计得知,行业平均千人成本E中的最大值E1是34000,最小值E2是12000;参投品牌主数量O中的最大值O1是23个及最小值 O2是3个;产品投放数量P中的最大值P1是45及最小值P2是4;由此可以得知,Bmax为(34000,23,45),Bmin为(12000,3,4)。
第一欧式距离是指相应资源位各行业曝光数据与行业最大曝光数据之间的距离,同理,第二欧式距离是指相应资源位各行业曝光数据与行业最小曝光数据之间的距离;若第一欧式距离大于第二欧式距离则说明相应的资源位曝光数据与最小曝光数据之间的距离更近,资源位的行业曝光度相对较少,处于蓝海阶段,对于需要在较短时间内建设品牌的品牌主而言,较为适用(但并不代表其他企业不合适);反之,若第一欧式距离小于第二欧式距离则说明相应的资源位曝光数据与最大曝光数据之间的距离更近,资源位的曝光度相对较高,处于红海阶段,更适于已经建设好品牌需要长期维持品牌的品牌主,对于品牌竞争力较弱的品牌主而言,不是一个较好的选择,容易被终端用户所忽视。
根据表1数据计算可以得知各个行业的第一欧式距离及第二欧式距离分别为:
S400、将每一资源位各个行业的第一欧式距离与第二欧式距离作对比,并将第一欧式距离小于第二欧式距离的资源位定义为高曝光资源位,将第一欧式距离大于第二欧式距离的资源位定义为低曝光资源位。延续表 1数据,各资源位的第一欧式距离和第二欧式距离的计算结果具体如下:
电商BDmax>电商BDmin;该资源位对电商行业而言,处于蓝海阶段;
金融BDmax>金融BDmin;该资源位对金融行业而言,处于蓝海阶段;
饮料BDmax<饮料BDmin;该资源位对饮料行业而言,处于红海阶段;
日用品BDmax<日用品BDmin;该资源位对日用品行业而言,处于红海阶段;
汽车BDmax<汽车BDmin;该资源位对汽车行业而言,处于红海阶段。
可以理解的是,本发明虽然根据第一欧式距离与第二欧式距离的比较结果来确定某一资源位是高曝光资源位还是低曝光资源位,但本发明并不要求必须对资源位进行标引等操作,本领域技术人员完全可以线下记录哪些资源位是高曝光资源位,哪些资源位是低曝光资源位,又或者利用其他方式达到相同的效果,本发明对此并不做具体限定,无论是否对资源位的曝光高低做标引皆本发明属于本发明的保护范围。
根据本发明地另一方面,本发明还对资源位的点击数据进行计算,并根据计算结果进行更为精准的分类,具体步骤如下:
S100'、对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的平均点击量N及平均点击率C。
需要注意的是,在本发明具体实施时,对于行业点击数据的采集、计算及对资源位行业点击高低的分类,与行业曝光数据的分类、计算及对资源位行业曝光高低的分类并无先后顺序的要求,因此,S100与S100'等步骤无论先执行哪一个还是同时执行皆不影响本发明技术方案的实现。
优选地,所述S100'之间还包括步骤:获取同一系统下指定时间段内多个资源位的统计日期以及与所述统计日期对应的行业点击数据,并根据所述统计日期及行业点击数据计算每一资源位的行业累计点击数据。
所述平均点击量N的计算公式是:平均点击量N=行业累计点击数据/ 天数。所述平均点击率C的计算公式为:平均点击率C=行业总点击量/行业总曝光数据。
S200'、统计所计算多个平均点击量N中的最大值N1及最小值N2,并统计所计算多个平均点击率C中的最大值C1及最小值C2,得到最大点击数据Dmax(N1,C1)及最小点击数据Dmin(N2,C2)。
平均点击量N最大值N1、平均点击量N最小值N2、平均点击率C最大值C1及平均点击率C最小值C2的统计方式,与上述平均千人成本及订单数量的统计方式相同,具体如下(以某个资源位各个行业的点击数据为例进行解释说明,非实际数据):
表2
从上表可以统计得知,平均点击量中的最大值N1是168750,最小值 N2是31733;平均点击率中的最大值C1是5.6%及最小值C2是2.3%;由此可以得知,Dmax为(168750,5.6%),Dmin为(31733,2.3%)。
根据表2数据计算可以得知各个行业的第三欧式距离及第四欧式距离分别为:
S400'、将每一资源位的第三欧式距离与第四欧式距离作对比,并将第三欧式距离小于第四欧式距离的资源位定义为高点击资源位,将第三欧式距离大于第四欧式距离的资源位定义为低点击资源位。若第三欧式距离大于第四欧式距离则说明相应资源位的行业点击数据与行业最小点击数据之间的距离更近,资源位的行业点击效果相对较弱,不足以让终端用户形成品牌认知,对于品牌认知不足的品牌主而言,并不适用,更适于已经广为人知的品牌;反之,若第三欧式距离小于第四欧式距离则说明相应资源位的行业点击数据与行业最大点击数据之间的距离更近,资源位的行业点击效果相对较好,更适于让终端用户形成品牌认知,对于品牌认知不足的品牌主而言,是较为合适的位置。
电商DDmax<电商DDmin;该资源位对电商行业而言,属于高点击资源位,具备高品牌认知价值;
金融DDmax>金融DDmin;该资源位对金融行业而言,属于低点击资源位,不具备高品牌认知价值;
饮料DDmax>饮料DDmin;该资源位对饮料行业而言,属于低点击资源位,不具备高品牌认知价值;
日用品DDmax>日用品DDmin;该资源位对日用品行业而言,属于低点击资源位,不具备高品牌认知价值;
汽车DDmax<汽车DDmin;该资源位对汽车行业而言,属于高点击资源位,具备高品牌认知价值。
根据本发明地另一方面,本发明还对资源位的浏览数据进行计算,并根据计算结果进行更为精准的分类,具体步骤如下:
S100"、对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的总浏览时长T及平均浏览时长A。总浏览时长T=统计周期内同一行业的第一天浏览时长+第二天浏览时长+……+第N天浏览时长;平均浏览时长A=总浏览时长/统计天数。
需要注意的是,在本发明具体实施时,对于行业浏览数据的采集、计算及对资源位行业点击高低的分类,与行业曝光数据的分类、计算及对资源位行业曝光高低的分类并无先后顺序的要求,因此,S100与S100"等步骤无论先执行哪一个还是同时执行皆不影响本发明技术方案的实现。
S200"、统计所计算多个总浏览时长T中的最大值T1及最小值T2,并统计所计算多个平均浏览时长A中的最大值A1及最小值A2,得到最大浏览数据Lmax(T1,A1)及最小浏览数据Lmin(T2,A2)。
总浏览时长T最大值T1、总浏览时长T最小值T2、平均点击率C最大值C1及平均点击率C最小值C2的统计方式,与上述行业平均千人成本及行业订单数量的统计方式相同,举例如下(以某个资源位各个行业的点击数据为例进行解释说明,非实际数据):
表3
从上表可以统计得知,总浏览时长中的最大值T1是13646,最小值T2是2980;平均点击率中的最大值A1是14.9及最小值A2是9.6;由此可以得知,Dmax为(13646,14.9),Dmin为(2980,9.6)。
根据表3数据计算得知各行业第五欧式距离及第六欧式距离分别为:
S400"、将每一资源位的第五欧式距离与第六欧式距离作对比,并将第五欧式距离小于第六欧式距离的资源位定义为高时长资源位,将第五欧式距离大于第六欧式距离的资源位定义为低时长资源位。若第五欧式距离大于第六欧式距离则说明相应资源位的行业浏览数据与行业最小浏览数据之间的距离更近,资源位的行业浏览效果相对较弱,没有足够的浏览时长让终端用户认同资源或认购产品,对于欲推广新产品或新节目等新资源的品牌主而言,并不适用,更适于产品促销等活动;反之,若第五欧式距离小于第六欧式距离则说明相应资源位的行业浏览数据与行业最大浏览数据之间的距离更近,资源位的行业浏览效果相对较好,有足够的时间让终端用户了解新产品或新节目等新资源,对于欲推广新产品或新节目等新资源的品牌主而言,是较为合适的位置。
根据表3数据的计算结果,所举例的各行业时长判定结果为:
电商LDmax<电商LDmin;该资源位对电商行业而言,属于高时长资源位,具备高认同转化价值;
金融LDmax>金融LDmin;该资源位对金融行业而言,属于低时长资源位,不具备高认同转化价值;
饮料LDmax>饮料LDmin;该资源位对饮料行业而言,属于低时长资源位,不具备高认同转化价值;
日用品LDmax>日用品LDmin;该资源位对日用品行业而言,属于低时长资源位,不具备高认同转化价值;
汽车LDmax<汽车LDmin;该资源位对汽车行业而言,属于高时长资源位,具备高认同转化价值;
综上,各行业可根据下述结果进行资源位选择甚至资源投放策略:
电商行业:蓝海高品牌认知高认同转化;
金融行业:蓝海低品牌认知低认同转化;
饮料行业:红海低品牌认知低认同转化;
日用品行业:红海低品牌认知低认同转化;
汽车行业:红海高品牌认知高认同转化。
在本发明同时计算资源位的行业曝光数据、行业点击数据及行业浏览数据进行分类的情况下,本发明可以将资源位分为极为细致的8个类别,资源运营方可以根据资源位类别的不同向品牌主推荐并收费,品牌主可以根据资源位类别的不同选择合适的资源位、选择不同的资源进行投放或者制定与资源位类别相适配的资源投放策略,资源位类别具体如下表所示:
类别 | 效果 |
高曝光高点击高时长 | 红海、高品牌认知、高认同转化 |
高曝光高点击低时长 | 红海、高品牌认知、低认同转化 |
高曝光低点击高时长 | 红海、低品牌认知、高认同转化 |
高曝光低点击低时长 | 红海、低品牌认知、低认同转化 |
低曝光高点击高时长 | 蓝海、高品牌认知、高认同转化 |
低曝光高点击低时长 | 蓝海、高品牌认知、低认同转化 |
低曝光低点击高时长 | 蓝海、低品牌认知、高认同转化 |
低曝光低点击低时长 | 蓝海、低品牌认知、低认同转化 |
一种用于实现用于品牌建设的OTT资源位分类方法的系统,其包括存储器及处理器,所述存储器用于存储用于品牌建设的OTT资源位分类程序,所述处理器用于运行用于品牌建设的OTT资源位分类程序以实现如上所述的用于品牌建设的OTT资源位分类方法。所述系统包括上述用于品牌建设的OTT资源位分类方法的全部技术特征,同样的,亦包括上述用于品牌建设的OTT资源位分类方法的全部技术效果,不再赘述。
一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上所述的用于品牌建设的OTT资源位分类方法的步骤。所述存储介质包括上述用于品牌建设的OTT资源位分类方法的全部技术特征,同样的,亦包括上述用于品牌建设的OTT资源位分类方法的全部技术效果,不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程 ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器 (RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM (SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(SyNchliNk)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种用于品牌建设的OTT资源位分类方法,其特征在于,包括:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的行业平均千人成本E;
统计所计算行业平均千人成本E中的最大值E1及最小值E2,并统计每个资源位上各个行业的参投品牌主数量O中的最大值O1及最小值O2,以及每个资源位上各个行业的产品投放数量P中的最大值P1及最小值P2,得到最大曝光数据Bmax(E1,O1,P1)及最小曝光数据Bmin(E2,O2,P2);
将每一资源位各个行业的第一欧式距离与第二欧式距离作对比,并将第一欧式距离小于第二欧式距离的资源位定义为高曝光资源位,将第一欧式距离大于第二欧式距离的资源位定义为低曝光资源位。
2.根据权利要求1所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的行业平均千人成本E的步骤具体包括:
分别获取互联网电视系统内多个资源位的资源位ID及资源位类别,并获取指定时间段内与所述资源位ID相对应的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业、所投放资源的数量、每个所投放资源的ID、各个参投品牌主所支付的资源投放费用及与每个行业相对应的行业总曝光数值;
根据所获取的参投品牌主数量、每个参投品牌主的ID、各个参投品牌主所属行业及各个参投品牌主所支付的资源投放费用,分别计算每个资源位ID所对应的各个行业总资源投放费用;
根据所计算的各个行业总资源投放费用以及所获取的每个行业相对应的行业总曝光数值,按照公式行业平均千人成本=(行业总资源投放费用/行业总曝光数值)*1000分别计算每个资源位ID上各个行业的行业平均千人成本。
3.根据权利要求2所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述每个行业相对应的行业总曝光数值的获取方式具体为:获取数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,并根据参投品牌主ID及所属行业、所投放资源ID、数据采集日期、资源投放订单ID、投放开始日期、投放结束日期及每日曝光数值,分别统计每日曝光数值及每日曝光数值对应的行业,而后计算各个行业的行业总曝光数值。
4.根据权利要求3所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述行业平均千人成本E的计算之前获取序列ID,所述序列ID包含信息如下:资源位ID、资源位类别、指定时间段内与所述资源位ID相对应的参投品牌主的ID、各个参投品牌主所属行业及每个所投放资源的ID。
5.根据权利要求1所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述用于品牌建设的OTT资源位分类方法还包括步骤:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的平均点击量N及平均点击率C;
统计所计算多个平均点击量N中的最大值N1及最小值N2,并统计所计算多个平均点击率C中的最大值C1及最小值C2,得到最大点击数据Dmax(N1,C1)及最小点击数据Dmin(N2,C2);
将每一资源位的第三欧式距离与第四欧式距离作对比,并将第三欧式距离小于第四欧式距离的资源位定义为高点击资源位。
6.根据权利要求5所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述平均点击率C的计算公式为:平均点击率C=行业总点击量/行业总曝光数据;
所述对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的平均点击量N及平均点击率C的步骤之前还包括:
获取同一系统下指定时间段内多个资源位的统计日期以及与所述统计日期对应的行业点击数据,并根据所述统计日期及行业点击数据计算每一资源位的行业累计点击数据。
7.根据权利要求5所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述用于品牌建设的OTT资源位分类方法还包括步骤:
对于互联网电视系统内的多个资源位,分别计算指定时间段内各个行业的总浏览时长T及平均浏览时长A;
统计所计算多个总浏览时长T中的最大值T1及最小值T2,并统计所计算多个平均浏览时长A中的最大值A1及最小值A2,得到最大浏览数据Lmax(T1,A1)及最小浏览数据Lmin(T2,A2);
将每一资源位的第五欧式距离与第六欧式距离作对比,并将第五欧式距离小于第六欧式距离的资源位定义为高时长资源位。
8.根据权利要求7所述的用于品牌建设的OTT资源位分类方法,其特征在于,所述将每一资源位的第三欧式距离与第四欧式距离作对比,并将第三欧式距离小于第四欧式距离的资源位定义为高点击资源位的步骤还包括:将第三欧式距离大于第四欧式距离的资源位定义为低点击资源位;
所述将每一资源位的第五欧式距离与第六欧式距离作对比,并将第五欧式距离小于第六欧式距离的资源位定义为高时长资源位的步骤还包括:将第五欧式距离大于第六欧式距离的资源位定义为低时长资源位;
所述用于品牌建设的OTT资源位分类方法还包括:
将高曝光高点击高时长的资源位定义为红海高品牌认知高认同转化类资源位,将高曝光高点击低时长的资源位定义为红海高品牌认知低认同转化类资源位,将高曝光低点击高时长的资源位定义为红海低品牌认知高认同转化类资源位,将高曝光低点击低时长的资源位定义为红海低品牌认知低认同转化类资源位,将低曝光高点击低时长的资源位定义为蓝海高品牌认知低认同转化类资源位,将低曝光高点击低时长的资源位定义为蓝海高品牌认知低认同转化类资源位,将低曝光低点击高时长的资源位定义为蓝海低品牌认知高认同转化类资源位,将低曝光低点击低时长的资源位定义为蓝海低品牌认知低认同转化类资源位。
9.一种用于实现用于品牌建设的OTT资源位分类方法的系统,其特征在于,包括存储器及处理器,所述存储器用于存储用于品牌建设的OTT资源位分类程序,所述处理器用于运行用于品牌建设的OTT资源位分类程序以实现如权利要求1至8中任意一项所述的用于品牌建设的OTT资源位分类方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的用于品牌建设的OTT资源位分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818684.6A CN113538053B (zh) | 2021-07-20 | 2021-07-20 | 用于品牌建设的ott资源位分类方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110818684.6A CN113538053B (zh) | 2021-07-20 | 2021-07-20 | 用于品牌建设的ott资源位分类方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538053A true CN113538053A (zh) | 2021-10-22 |
CN113538053B CN113538053B (zh) | 2023-09-01 |
Family
ID=78100429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110818684.6A Active CN113538053B (zh) | 2021-07-20 | 2021-07-20 | 用于品牌建设的ott资源位分类方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538053B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112888A1 (en) * | 2007-07-25 | 2011-05-12 | AdSwift, LLC | Marketing and advertising systems |
JP2013004086A (ja) * | 2011-06-21 | 2013-01-07 | Nhn Business Platform Corp | 順位保障型広告商品の露出順位決定及び課金方法、システム及びコンピュータ読み取り可能な記録媒体 |
CN105447724A (zh) * | 2015-12-15 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 内容项推荐方法及装置 |
CN106372249A (zh) * | 2016-09-23 | 2017-02-01 | 北京三快在线科技有限公司 | 一种点击率预估方法、装置及电子设备 |
CN110472879A (zh) * | 2019-08-20 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源效果的评估方法、装置、电子设备及存储介质 |
CN110866181A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐的方法、装置及存储介质 |
CN110995532A (zh) * | 2019-11-19 | 2020-04-10 | 上海易点时空网络有限公司 | 用于资源位的数据处理方法及系统、服务器 |
CN111582899A (zh) * | 2019-02-19 | 2020-08-25 | 北京沃东天骏信息技术有限公司 | 一种展示链接效果的量化方法、装置、系统及存储介质 |
CN112131411A (zh) * | 2020-09-21 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
KR20210022913A (ko) * | 2019-08-21 | 2021-03-04 | 에스케이플래닛 주식회사 | 광고제공장치 및 그 동작 방법 |
US20210166278A1 (en) * | 2019-12-03 | 2021-06-03 | Walmart Apollo, Llc | Methods and apparatus for electronically providing diversified item advertisement recommendations |
-
2021
- 2021-07-20 CN CN202110818684.6A patent/CN113538053B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112888A1 (en) * | 2007-07-25 | 2011-05-12 | AdSwift, LLC | Marketing and advertising systems |
JP2013004086A (ja) * | 2011-06-21 | 2013-01-07 | Nhn Business Platform Corp | 順位保障型広告商品の露出順位決定及び課金方法、システム及びコンピュータ読み取り可能な記録媒体 |
CN105447724A (zh) * | 2015-12-15 | 2016-03-30 | 腾讯科技(深圳)有限公司 | 内容项推荐方法及装置 |
CN106372249A (zh) * | 2016-09-23 | 2017-02-01 | 北京三快在线科技有限公司 | 一种点击率预估方法、装置及电子设备 |
CN111582899A (zh) * | 2019-02-19 | 2020-08-25 | 北京沃东天骏信息技术有限公司 | 一种展示链接效果的量化方法、装置、系统及存储介质 |
CN110472879A (zh) * | 2019-08-20 | 2019-11-19 | 秒针信息技术有限公司 | 一种资源效果的评估方法、装置、电子设备及存储介质 |
KR20210022913A (ko) * | 2019-08-21 | 2021-03-04 | 에스케이플래닛 주식회사 | 광고제공장치 및 그 동작 방법 |
CN110866181A (zh) * | 2019-10-12 | 2020-03-06 | 平安国际智慧城市科技股份有限公司 | 资源推荐的方法、装置及存储介质 |
CN110995532A (zh) * | 2019-11-19 | 2020-04-10 | 上海易点时空网络有限公司 | 用于资源位的数据处理方法及系统、服务器 |
US20210166278A1 (en) * | 2019-12-03 | 2021-06-03 | Walmart Apollo, Llc | Methods and apparatus for electronically providing diversified item advertisement recommendations |
CN112131411A (zh) * | 2020-09-21 | 2020-12-25 | 腾讯科技(深圳)有限公司 | 一种多媒体资源推荐方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周慧妮,吴鹏,王筱纶: "基于马田系统和VIKOR方法的网络广告效果评价研究", 《数学的实践与认识》, vol. 50, no. 6, pages 62 - 73 * |
肖鸿江;孙国华;: "基于实时竞价的网络广告投放流程设计", 信息技术, no. 07, pages 130 - 132 * |
Also Published As
Publication number | Publication date |
---|---|
CN113538053B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Immediate responses of online brand search and price search to TV ads | |
US20220036391A1 (en) | Auto-segmentation | |
US20080091516A1 (en) | Response monitoring system for an advertising campaign | |
JP5579595B2 (ja) | 予想データの測定データとの照合 | |
US20140012659A1 (en) | Modifying targeting criteria for an advertising campaign based on advertising campaign budget | |
US20140244345A1 (en) | Measuring Effectiveness Of Marketing Campaigns Across Multiple Channels | |
US20130339109A1 (en) | System and method for providing celebrity endorsed content | |
US20090144144A1 (en) | Distributed Data System | |
JP2014525109A (ja) | マーケティングリソースの割当てのためのクロスメディア帰属モデル | |
US20110218850A1 (en) | Scientific targeting for advertisement and content selection, distribution, and creation | |
Napoli | Toward a model of audience evolution: New technologies and the transformation of media audiences | |
US20200219145A1 (en) | Bidding Agent with Optimized Reach Limitation by Segment | |
US20220108354A1 (en) | Autonomous system and method of combining of digital signage and mobile media content | |
Kerkhof | Advertising and content differentiation: Evidence from YouTube | |
Knox et al. | The consumer's rent vs. buy decision in the rentailer | |
Arrazola et al. | Do new forms of television advertising occasion better recall than traditional advertising spots? | |
Sommer et al. | The role of media brands in media planning | |
KR102111491B1 (ko) | 1인 미디어 영상 채널의 간접광고 가치평가 시스템 및 방법 | |
CN113222641A (zh) | 一种基于大数据强化学习的广告分析和监控方法 | |
Kwark et al. | The spillover effects of user-generated online product reviews on purchases: Evidence from clickstream data | |
Calvano et al. | Issues in online advertising and competition policy: a two-sided market perspective | |
CN113538053A (zh) | 用于品牌建设的ott资源位分类方法、系统及存储介质 | |
Du et al. | Should TV advertisers maximize immediate online response | |
CN113538054B (zh) | Ott信息呈现位的价值计算分类方法、系统及存储介质 | |
CN118229349B (zh) | 基于偏好分析的用户权益包个性化处理方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: B1004, Building 2, Skyworth Innovation Valley, No. 8, Tangtou No.1 Road, Tangtou Community, Shiyan Street, Bao'an District, Shenzhen City, Guangdong Province, 518108 Applicant after: Shenzhen Aiyixun Data Co.,Ltd. Address before: B1004, Building 2, Skyworth Innovation Valley, No. 8, Tangtou No.1 Road, Tangtou Community, Shiyan Street, Bao'an District, Shenzhen City, Guangdong Province, 518108 Applicant before: Shenzhen Wenshi Data Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |