CN116091130A - 面向多渠道销售的广告智能投放方法及系统 - Google Patents
面向多渠道销售的广告智能投放方法及系统 Download PDFInfo
- Publication number
- CN116091130A CN116091130A CN202211590495.9A CN202211590495A CN116091130A CN 116091130 A CN116091130 A CN 116091130A CN 202211590495 A CN202211590495 A CN 202211590495A CN 116091130 A CN116091130 A CN 116091130A
- Authority
- CN
- China
- Prior art keywords
- data
- intelligent
- popularization
- delivery
- algorithm
- 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.)
- Withdrawn
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
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0243—Comparative campaigns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- 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
- G06Q30/0253—During e-commerce, i.e. online transactions
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种面向多渠道销售的广告智能投放方法及系统,包括如下步骤:步骤1:对投放关键词进行自动优选;步骤2:对投放效果进行智能预测;步骤3:对投放标的进行智能竞价投放;步骤4:对推广时间地域进行智能优选;步骤5:对推广效果数据进行智能分析;步骤6:根据推广效果的分析结果,进行问题诊断与优化建议。本发明能够对电商商户在不同电商平台的营销预算、营销推广计划、营销推广结果、竞品营销数据等进行统一管理,并应用智能决策算法进行推广计划的实时动态优化,以实现推广预算的高水平利用,达到更好的推广营销效果,取得更高的推广收益。
Description
技术领域
本发明涉及电商广告投放技术领域,具体地,涉及一种面向多渠道销售的广告智能投放方法及系统,尤其是一种面向多电商平台的智能广告投放方法及系统。
背景技术
电商推广投放是一种由零售电商企业旗下商户在互联网电商平台上对投放标的进行竞价以获取商品曝光的一种新型网络推广形式。在电商平台的竞价推广中,通常遵循竞价排名原理,即出价越高,获取高曝光量的机会越大。为了达到更好的投放效果,商户群体往往需要实时监测广告计划的消耗、投放效果,并根据自身需求(如引流、追求成交等目的),动态调整出价或溢价等,以满足推广目的。
对于在各大电商平台都有店铺的电商商户而言,需要网络推广专员分别使用各大电商平台的推广平台进行付费推广。推广专员需要实时分析推广平台上的市场和竞品表现,综合自己的推广表现和推广预算,制定并调整推广计划。这对推广专员的能力和责任心提出了很高的要求和挑战。
而在已公开的自动化推广竞价系统中,主要做法是基于商户自定义的规则调整推广竞价方案。这种基于自定义规则的推广竞价方式无法及时地反映竞争环境的变化,往往需要针对不同的电商平台设定不同的竞价规则,在推广效果上也严重依赖于商户自定义规则的有效性。
公开号为CN112465573B的专利文献公开了一种多渠道智能广告投放方法、装置和电子设备,该方法包括:获取多渠道历史投放数据,根据各渠道的历史投放数据拟合获客量与件均成本的计算关系,以建立组合模型,该组合模型包括多个渠道的计算模型;根据用户输入确定目标获客量,采用所述组合模型自动计算各渠道的最优投放策略,所述投放策略用于控制各渠道的件均成本;根据各渠道的最优投放策略,自动进行多渠道网络广告投放。但是该专利文献与本申请的技术方案不同。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种面向多渠道销售的广告智能投放方法及系统。
根据本发明提供的一种面向多渠道销售的广告智能投放方法,包括如下步骤:
步骤1:对投放关键词进行自动优选;
步骤2:对投放效果进行智能预测;
步骤3:对投放标的进行智能竞价投放;
步骤4:对推广时间地域进行智能优选;
步骤5:对推广效果数据进行智能分析;
步骤6:根据推广效果的分析结果,进行问题诊断与优化建议。
优选的,所述步骤1,具体包括如下步骤:
步骤1.1:从关键词来源获取关键词列表,从平台流量分析工具获取关键词效果数据;
步骤1.2:导入关键词数据库,算法模型进行大数据分析,输出关键词的优先序和模型评分;
步骤1.3:根据拟投放的商品和当前投放目标生成一个或多个推广计划;
步骤1.4:针对不同推广计划,从词库中筛选优质关键词,进行试投放,积累投放数据,直至达到用户指定的投放时长或投放效果指标;
步骤1.5:对投放数据分析,输出各关键词的投放评价,剔除不达标词,保留优质词,并更新数据库。
优选的,所述步骤2,具体包括如下步骤:
步骤2.1:定期获取店铺人群推广效果报表和推广商品的市场大盘人群属性数据;
步骤2.2:导入算法引擎智能分析推广商品搜索人群标签,构建消费人群画像,并与平台提供的人群标签进行自动匹配,智能生成对应商品的人群标签;
步骤2.3:进行试投放,积累投放数据,直至达到用户指定的投放时长或投放效果指标;
步骤2.4:对投放数据进行分析,输出各人群标签的投放评价,剔除不精准人群,保留人群,并进行算法自动迭代。
优选的,所述步骤3,具体包括如下步骤:
步骤3.1:实时监控各投放关键词的投放数据,定期输入到决策引擎;
步骤3.2:推广商品的历史分时流量数据和人群属性数据定期输入到决策引擎;
步骤3.3:各关键词在不同目标排名所需的即时出价数据输入到决策引擎;
步骤3.4:算法模型根据设定的关键效果指标和预算输出关键词目标排名和对应出价;
步骤3.5:出价后定期将每个投放周期的效果数据输入到决策引擎,算法模型进行更新迭代。
优选的,所述步骤4,具体包括如下步骤:
步骤4.1:定期读取店铺整体及各推广计划、商品、创意、关键词、人群和地域的周期性推广效果报表和实时推广效果报,定期获取市场和竞品推广效果数据并自动分析生成比较基准;
步骤4.2:导入算法引擎,自动进行自顶向下地分析各个报表,通过大数据分析智能识别问题点,定位导致问题的数据字段;
步骤4.3:通过人工智能技术中的模式识别技术和专家系统分析给出原因分析和改善指导建议。
优选的,所述步骤5,具体包括如下步骤:
步骤5.1:用户根据不同时期、场景的推广目标,将推广策略类型输入到算法引擎;
步骤5.2:算法引擎根据推广目标自动生成相适应的推广策略。
优选的,所述步骤6,具体包括如下步骤:
步骤6.1:定期获取本店推广商品和主要竞品的引流和销售数据;
步骤6.2:导入算法引擎,自动对竞品推广投放策略进行识别分析,并与本店商品进行对比,分析造成与竞品间形成差距的原因,自动识别竞品的优势策略,更新至算法策略引擎。
本发明还提供一种面向多渠道销售的广告智能投放系统,包括如下模块:数据获取和回写模块、数据存储模块、算法引擎模块以及用户界面模块;所述算法引擎模块执行工作实现权利要求1~7中任一项所述的面向多渠道销售的广告智能投放方法的步骤;
所述数据获取和回写模块用于从电商平台定时获取数据,保存到所述数据存储模块,并提供API用于将投放数据回写到电商平台中;
所述算法引擎模块基于所述数据获取和回写模块获取的数据,运用人工智能算法进行决策优化,生成包括推广投放计划、投放效果分析诊断、投放关键词建议的多种优化结果,通过用户界面模块进行展示;
所述用户界面模块用于与用户的交互,并用于数据可视化展示和推广运营人员的智能投放系统的设置参数和执行各种操作。
优选的,所述算法引擎模块包括如下功能:
投放关键词智能优选、投放效果智能预测、投放标的智能竞价投放、推广时间地域智能优选、推广效果数据智能分析、问题诊断与优化建议。
优选的,所述数据获取和回写模块包括数据获取模块和数据回写模块;
所述数据获取模块用于提供所述算法引擎模块决策所需的数据,所述数据回写模块用将所述算法引擎模块生成的投放方案自动化回写到电商平台。
与现有技术相比,本发明具有如下的有益效果:
1、本发明的智能投放系统涵盖数据获取、算法优化、营销方案生成和回写、数据展示和分析等电商营销全流程,实现电商投放业务的完整闭环;
2、本发明运用多种人工智能技术和大数据技术,全面高效地分析营销数据,智能生成营销计划并对其实时进行调整,有效提高广告投放效果;
3、本发明支持多电商平台、多种营销工具、海量商品的广告投放,并提供友好的用户界面和操作体验,提升推广人员的一站式的操作体验和使用的便利性;
4、本发明流程和操作自动化和智能化,同时支持脱离人工干预的自动投放和运营人员复核后一键投放等操作模式,并可自定义投放目标和选项,灵活满足于不同的业务需要;
5、本发明采用安全的数据获取技术和存储技术,符合数据监管要求,确保数据安全,规避数据风险;
6、本发明帮助电商企业自动对接不同的电商营销平台,运用人工智能算法,根据销售商品的营销大数据自动生成营销计划并实时自动调整广告投放价格,应对复杂多变的市场情况,根据销售目标获得优良稳定的广告投放效果,以实现广告投放收益最大化;
7、本发明旨在通过系统集成的方式将各电商平台的推广竞价工作在统一的营销管理平台中完成,该平台能够对电商商户在不同电商平台的营销预算、营销推广计划、营销推广结果、竞品营销数据等进行统一管理,并应用智能决策算法进行推广计划的实时动态优化,以实现推广预算的高水平利用,达到更好的推广营销效果,取得更高的推广收益。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的面向多渠道销售的广告智能投放系统的系统架构示意图;
图2为本发明的面向多渠道销售的广告智能投放方法的步骤流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1:
如图2所示,本实施例提供一种面向多渠道销售的广告智能投放方法,包括如下步骤:
步骤1:对投放关键词进行自动优选;步骤1,具体包括如下步骤:
步骤1.1:从关键词来源获取关键词列表,从平台流量分析工具获取关键词效果数据;
步骤1.2:导入关键词数据库,算法模型进行大数据分析,输出关键词的优先序和模型评分;
步骤1.3:根据拟投放的商品和当前投放目标生成一个或多个推广计划;
步骤1.4:针对不同推广计划,从词库中筛选优质关键词,进行试投放,积累投放数据,直至达到用户指定的投放时长(如3天)或投放效果指标(如累计点击数);
步骤1.5:对投放数据分析,输出各关键词的投放评价,剔除不达标词,保留优质词,并更新数据库。
步骤2:对投放效果进行智能预测;步骤2,具体包括如下步骤:
步骤2.1:定期获取店铺人群推广效果报表和推广商品的市场大盘人群属性数据;
步骤2.2:导入算法引擎智能分析推广商品搜索人群标签(如性别年龄、消费习惯等),构建消费人群画像,并与平台提供的人群标签进行自动匹配,智能生成对应商品的人群标签;
步骤2.3:进行试投放,积累投放数据,直至达到用户指定的投放时长(如3天)或投放效果指标(如累计点击数);
步骤2.4:对投放数据进行分析,输出各人群标签的投放评价,剔除不精准人群,保留人群,并进行算法自动迭代。
步骤3:对投放标的进行智能竞价投放;步骤3,具体包括如下步骤:
步骤3.1:实时监控各投放关键词的投放数据,定期输入到决策引擎;
步骤3.2:推广商品的历史分时流量数据和人群属性数据定期输入到决策引擎;
步骤3.3:各关键词在不同目标排名所需的即时出价数据输入到决策引擎;
步骤3.4:算法模型根据设定的关键效果指标和预算输出关键词目标排名和对应出价;
步骤3.5:出价后定期将每个投放周期(如一天)的效果数据输入到决策引擎,算法模型进行更新迭代。
步骤4:对推广时间地域进行智能优选;步骤4,具体包括如下步骤:
步骤4.1:定期读取店铺整体及各推广计划、商品、创意、关键词、人群和地域的周期性推广效果报表和实时推广效果报,定期获取市场和竞品推广效果数据并自动分析生成比较基准;
步骤4.2:导入算法引擎,自动进行自顶向下地分析各个报表,通过大数据分析智能识别问题点,定位导致问题的数据字段;
步骤4.3:通过人工智能技术中的模式识别技术和专家系统(包含有大量电商投放领域专家知识与经验的智能计算机程序系统)分析给出原因分析和改善指导建议。
步骤5:对推广效果数据进行智能分析;步骤5,具体包括如下步骤:
步骤5.1:用户根据不同时期、场景的推广目标,将推广策略类型输入到算法引擎;
步骤5.2:算法引擎根据推广目标自动生成相适应的推广策略。
步骤6:根据推广效果的分析结果,进行问题诊断与优化建议;步骤6,具体包括如下步骤:
步骤6.1:定期获取本店推广商品和主要竞品的引流和销售数据;
步骤6.2:导入算法引擎,自动对竞品推广投放策略进行识别分析,并与本店商品进行对比,分析造成与竞品间形成差距的原因,自动识别竞品的优势策略,更新至算法策略引擎。
本实施例还提供一种算法引擎模块,所述算法引擎系统可以通过执行所述面向多渠道销售的广告智能投放方法的流程步骤予以实现,即本领域技术人员可以将所述面向多渠道销售的广告智能投放方法理解为所述算法引擎模块的优选实施方式。
实施例2:
如图1所示,本实施例提供一种面向多渠道销售的广告智能投放系统,包括如下模块:数据获取和回写模块、数据存储模块、算法引擎模块以及用户界面模块,算法引擎模块执行工作实现实施例1中的面向多渠道销售的广告智能投放方法的步骤。
数据获取和回写模块用于从电商平台定时获取数据,保存到数据存储模块,并提供API用于将投放数据回写到电商平台中,算法引擎模块基于数据获取和回写模块获取的数据,运用人工智能算法进行决策优化,生成包括推广投放计划、投放效果分析诊断、投放关键词建议的多种优化结果,通过用户界面模块进行展示,用户界面模块用于与用户的交互,并用于数据可视化展示和推广运营人员的智能投放系统的设置参数和执行各种操作。
数据获取和回写模块包括数据获取模块和数据回写模块,数据获取模块用于提供算法引擎模块决策所需的数据,数据回写模块用将算法引擎模块生成的投放方案自动化回写到电商平台。
算法引擎模块包括如下功能:投放关键词智能优选、投放效果智能预测、投放标的智能竞价投放、推广时间地域智能优选、推广效果数据智能分析、问题诊断与优化建议。
实施例3:
本领域技术人员可以将本实施例理解为实施例1、实施例2的更为具体的说明。
本实施例的目的在于面向在电子商务平台上开展零售业务的企业,提供一种支持多电商平台、多种投放渠道的营销广告自动投放系统,帮助电商企业自动对接不同的电商营销平台,运用人工智能算法,根据销售商品的营销大数据自动生成营销计划并实时自动调整广告投放价格,应对复杂多变的市场情况,根据销售目标获得优良稳定的广告投放效果,以实现广告投放收益最大化。
为实现上述目的,本实施例提出了一种面向多电商平台的广告智能投放方法及系统,技术方案如下:
智能投放系统主要模块包括:数据获取和回写模块(包含数据存储系统)、人工智能算法引擎、前端用户界面模块等。
(1)数据获取和回写模块
数据获取和回写模块负责从电商平台定时获取数据,保存到数据存储系统,并提供API用于将投放数据回写到电商平台中。
其中,数据获取模块负责安全、及时、正确地提供人工智能算法引擎决策所需的数据。根据所处电商平台的用户数据使用协议和开放API提供情况,数据获取方式包括从开放平台API、机器人流程自动化(RPA)技术等方式,数据存储方式包括浏览器缓存、电商平台提供的云数据库、商家自有数据库等方式,用户可按需选择适合的数据获取和存储方式。数据采集模块由数据采集机器人、数据解析分发系统两个子系统构成。数据采集机器人负责通过定期执行或用户触发等方式自动执行数据采集任务,并将采集到的原始数据,转发给数据解析分发系统使用。数据解析分发系统,负责按照数据规范,对原始数据进行筛选和计算,提取出业务需要的标准数据,存储在数据存储系统中,并对外提供数据调用接口。两个系统可独立运行,也可相互协同。
数据回写模块则负责安全、及时、正确地将算法引擎生成的投放方案自动化回写到电商平台。数据回写模块提供接口供算法引擎调用,从算法引擎获得投放方案后,对投放方案中的数据进行解析,调用开放平台API或利用机器人流程自动化技术将各项数据在电商平台中的对应位置做出新增、修改、删除等操作,并返回执行成功或失败的响应数据。
(2)人工智能算法引擎
算法引擎基于获取的数据,运用人工智能算法进行决策优化,生成推广投放计划、投放效果分析诊断、投放关键词建议等多种优化结果,展示于前端用户界面。对于用户设置为自动上线的投放计划,算法引擎会自动调用回写接口写入到电商平台。算法引擎的功能包括:
A、投放标的智能优选
电商平台的付费推广广告投放渠道通常包括搜索关键词竞价推广、推荐广告位竞价投放、平台推广展示资源位竞价投放等,根据不同推广渠道,常见的投放标的包括搜索关键词、定向人群、定向资源位等。以投放关键词为例,算法服务能够基于本店引流词、市场相关词、竞品搜索词等多个不同等关键词来源,全方位构建一个关键词词库,并可以及时根据市场情况与竞品情况挖掘出还未被本店使用的潜在的关键词,为推广计划的选词开拓出更多的可能性,从而帮助产品展现量、点击量等的增长。针对海量的关键词词库,算法将会针对每个关键词在市场上的历史表现建立一个立体化的深度解析模型,从市场趋势、地域分布、出价分布、人群特征等各个维度来对该关键词分别画像,并对流量解析和搜索分析得到的数据进行综合性评分,从而帮助用户筛选出最有价值的关键词。同时,关键词在市场的各项表现与各个不同维度上的特征,也可以进一步对本店现有的关键词与计划进行诊断,为用户进行投放效果分析和改进提供参考。
B、投放效果智能预测
算法服务能够基于商家关键词、精选人群等的历史投放效果、电商平台的实时关键词建议出价、关键词市场和竞品数据等多个维度对关键词、推广人群等在未来一定时间段内某一出价可能带来的展现量、点击量、成交量、投产比等多种关键绩效指标进行预测,并根据实际投放后的产出效果对算法模型进行持续的迭代更新,提高算法预测准确性。
C、投放标的智能竞价投放
算法服务能够基于调用算法时的最新数据,针对既定优化目标(如:ROI最优化),结合实际的预算花费情况、计划和投放标的表现情况,对投放标的的投放和出价进行智能调整。
首先,算法对计划层面的实际预算花费情况与投放表现情况进行分析,得到对各个计划整体的出价调整的建议(上浮/下调/保持)。
其次,算法会基于“获利”(Exploit,从已有的经验中找到最优的出价)和“探索”(Explore,从未知的环境中探索其它出价的价值)两种策略来生成投放标的的建议溢价。在“获利”策略中,算法服务利用长期历史出价训练得到的投放标的投放效果预测引擎,结合专家系统,从多种可行出价中获得最优出价决策;在“探索”策略中,算法服务利用投放标的智能优选引擎、投放标的平台建议出价以及竞品投放标的出价估测等多个数据维度,基于外部来源学习投放标的竞价投放策略。在算法模型训练初期或市场环境变化加剧时,算法更多地采取“探索”策略积累训练数据;在算法模型训练成熟或市场环境相对稳定时,算法更多地采取“获利”策略获取更高的收益。
最后,算法对各计划内投放标的的投放表现情况进行分析,结合第一步中计划层面整体出价调整建议,生成各个投放标的出价调整建议(上浮/下调/保持)。针对需要调整出价的投放标的,其最终出价/溢价的数值将参考上述第二步中投放策略所生成的结果。此外,针对历史长时间表现不佳的投放标的,算法将在一定时间后(如一周)将其删除,并基于投放标的智能优选引擎替换上更优质的投放标的。
D、推广时间地域智能优选
算法服务能够基于市场数据和历史投放数据,对各时段、各地域的投放表现数据进行综合评价,并在此基础上实现对各推广计划的投放地域智能筛选和分时折扣方案的自动化生成。
E、推广效果数据智能分析
算法服务能够自动对推广计划、推广单元、关键词、人群、创意等多种主体进行大数据分析,支持从店铺历史数据、市场数据、竞品数据等多个来源中智能生成一套完备的推广效果评价体系。
算法能自动选取在市场中筛选出相同品类的多种商品作为参照物,提供完整精确的市场水平基准线来对推广商品的各项指标进行比较、评价和诊断。此外,算法能智能识别推广产品的竞品,并从各项指数中智能解析出竞品的实际推广指标,以此为参考能够对推广单元、关键词、创意等对标竞品做比较分析,评价本店商品和竞品的竞争态势。同时,算法能够对历史数据报表进行大数据分析和复盘,对各推广计划、单元、关键词、创意、人群等关键推广指标的历史数据使用大时间跨度的时序分析算法进行趋势分析,获取推广商品的动态趋势和时序特征,从而对近期的推广表现进行智能评价和诊断。
通过上述的多种维度的评价标准,可以从横向、纵向等多个角度对同一个对象建立更为丰富多元的定量评价体系,从而帮助后续的诊断分析,实现对各个不同的单元、关键词、人群、创意等按展现量、点击率、转化率、交易金额等多指标综合评价,及时发现推广中存在的问题,并且能将视情况将评价结果进行可视化处理,以帮助业务人员快速理解。
F、问题诊断与优化建议
基于推广效果的大数据分析结果,算法能够智能识别整个推广链路中哪项指标存在问题,精准指出表现不佳的指标后,采用专家意见法等策略快速自动提供归因诊断与优化建议,节省人工的判断与决策时间,提高计划推广的效率。通过市场、竞品和历史等多个维度的联合分析增加归因诊断的准确性,从计划到单元,从单元到关键词、人群、创意、资源位,层层递进精准给出推广优化建议,同时将诊断结果反馈到智能决策引擎,辅助算法决策。同时,针对关键词、人群、创意等不同对象的评价结果,也可以输出给一线运营推广人员,以便更深入的挖掘商品市场竞争力等深层归因,辅助优化推广决策。
(3)前端用户界面
前端用户界面负责与用户的交互,包括数据可视化展示和推广运营人员的智能投放系统的设置参数和执行各种操作。通过可视化展示页面,用户可按电商平台、店铺、商品等维度查看推广计划状态、投放效果、优化结果等。通过前端用户界面,用户可自主进行触发算法任务、配置投放目标和参数、根据算法生成的推广计划核验修改后触发回写平台等操作。
实施例4:
本领域技术人员可以将本实施例理解为实施例1、实施例2、实施例3的更为具体的说明。
如图1所示,本实施例提供的面向多渠道销售的广告智能投放系统,包括如下具体实施步骤:
步骤1:定期自动执行或用户触发数据采集任务,数据获取模块从各电商营销平台获取电商店铺的推广营销数据,并存储在MySQL数据库中;
步骤2:定期自动执行或用户触发算法任务,算法服务通过访问系统的MySQL数据库获取算法运行所需的数据,经过算法的决策优化计算后,将调整得到的推广营销计划存储在本系统的MongoDB数据库中;MongoDB数据库中另外还存放有算法使用的一些电商投放基础数据以及算法引擎和展示应用交互的中间数据;
步骤3:数据回写模块通过调用各大电商平台提供的API将优化后的推广营销计划回写到电商平台的推广营销系统中,并将回写结果存储在MongoDB数据库中;
步骤4:投放运营展示前端按电商平台、商铺、商品展示推广计划,包括状态、优化详细结果等;投放运营展示前端使用MySQL数据库存储一些额外的数据,包括用户、角色、权限、菜单等,以及电商投放基础数据的额外信息,如店铺logo、投放计划参数等。
本系统的投放运营展示前端是基于Java开发的、由多个模块组成的系统,前端采Vue3.0框架来实现SPA应用,算法引擎和数据抓取/回写采用的是Python语言来实现的后台服务独立服务。
本实施例所描述的智能投放方法的具体实施方式包括:
(1)投放关键词自动优选
步骤1:从关键词来源获取关键词列表,从平台流量分析工具获取关键词效果数据;
步骤2:导入关键词数据库,算法模型进行大数据分析,输出关键词的优先序和模型评分;
步骤3:根据拟投放的商品和当前投放目标生成一个或多个推广计划;
步骤4:针对不同推广计划,从词库中筛选优质关键词,进行试投放,进行一定时间的投放效果数据积累;
步骤5:对投放数据分析,输出各关键词的投放评价,剔除不达标词,保留优质词,并更新数据库。
(2)投放人群自动优选
步骤1:定期获取店铺人群推广效果报表和推广商品的市场大盘人群属性数据;
步骤2:导入算法引擎智能分析推广商品的主要消费人群画像,并与平台提供的人群标签进行自动匹配,智能生成对应商品的精准人群标签;
步骤3:试投放,进行一定时间的投放效果数据积累;
步骤4:对投放数据进行分析,输出各人群标签的投放评价,剔除不精准人群,保留人群,并进行算法自动迭代。
(3)关键词自动实时竞价
步骤1:实时监控各投放关键词的投放数据,定期输入到决策引擎;
步骤2:推广商品的历史分时流量数据和人群属性数据定期输入到决策引擎;
步骤3:各关键词在不同目标排名所需的即时出价数据输入到决策引擎;
步骤4:算法模型根据设定的关键效果指标和预算等约束输出关键词目标排名和对应出价;
步骤5:出价后一定时间后的效果数据输入到决策引擎,算法模型进行更新迭代。
(4)店铺推广效果自动诊断
步骤1:定期读取店铺整体及各推广计划、商品、创意、关键词、人群和地域等周期性推广效果报表和实时推广效果报,定期获取市场和竞品推广效果数据并自动分析生成比较基准;
步骤2:导入算法引擎,自动进行自顶向下地分析各个报表,通过大数据分析智能识别问题点,精准定位导致问题的数据字段;
步骤3:通过模式识别和专家系统分析给出可能的原因分析和改善指导建议。
(5)推广策略智能制定
步骤1:用户根据不同时期、场景的推广目标,将推广策略类型输入到算法引擎,如店铺测款策略、店铺上新策略、活动大促策略等;
步骤2:算法引擎根据推广目标自动生成相适应的推广策略,具体流程包括关键词自动选择、人群自动选择和关键词自动出价等上述的建立推广计划的流程。
(6)竞品投放智能分析
步骤1:定期获取本店推广商品和主要竞品的引流和销售数据;
步骤2:导入算法引擎,自动对竞品推广投放策略进行识别分析,并与本店商品进行对比,分析造成与竞品间形成差距的原因,自动识别竞品策略中可用于本店的成分,更新至算法策略引擎。
本发明对多个电商营销平台实现广告推广投放业务的闭环和自动化管理;本发明建立统一营销管理平台对多个电商平台的推广计划进行统一管理,实现多电商平台的全局优化;本发明利用机器学习、强化学习等人工智能技术和大数据技术对推广计划实现全天不间断的实时动态优化。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种面向多渠道销售的广告智能投放方法,其特征在于,包括如下步骤:
步骤1:对投放关键词进行自动优选;
步骤2:对投放效果进行智能预测;
步骤3:对投放标的进行智能竞价投放;
步骤4:对推广时间地域进行智能优选;
步骤5:对推广效果数据进行智能分析;
步骤6:根据推广效果的分析结果,进行问题诊断与优化建议。
2.根据权利要求1所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤1,具体包括如下步骤:
步骤1.1:从关键词来源获取关键词列表,从平台流量分析工具获取关键词效果数据;
步骤1.2:导入关键词数据库,算法模型进行大数据分析,输出关键词的优先序和模型评分;
步骤1.3:根据拟投放的商品和当前投放目标生成一个或多个推广计划;
步骤1.4:针对不同推广计划,从词库中筛选优质关键词,进行试投放,积累投放数据,直至达到用户指定的投放时长或投放效果指标;
步骤1.5:对投放数据分析,输出各关键词的投放评价,剔除不达标词,保留优质词,并更新数据库。
3.根据权利要求2所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤2,具体包括如下步骤:
步骤2.1:定期获取店铺人群推广效果报表和推广商品的市场大盘人群属性数据;
步骤2.2:导入算法引擎智能分析推广商品搜索人群标签,构建消费人群画像,并与平台提供的人群标签进行自动匹配,智能生成对应商品的人群标签;
步骤2.3:进行试投放,积累投放数据,直至达到用户指定的投放时长或投放效果指标;
步骤2.4:对投放数据进行分析,输出各人群标签的投放评价,剔除不精准人群,保留人群,并进行算法自动迭代。
4.根据权利要求3所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤3,具体包括如下步骤:
步骤3.1:实时监控各投放关键词的投放数据,定期输入到决策引擎;
步骤3.2:推广商品的历史分时流量数据和人群属性数据定期输入到决策引擎;
步骤3.3:各关键词在不同目标排名所需的即时出价数据输入到决策引擎;
步骤3.4:算法模型根据设定的关键效果指标和预算输出关键词目标排名和对应出价;
步骤3.5:出价后定期将每个投放周期的效果数据输入到决策引擎,算法模型进行更新迭代。
5.根据权利要求4所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤4,具体包括如下步骤:
步骤4.1:定期读取店铺整体及各推广计划、商品、创意、关键词、人群和地域的周期性推广效果报表和实时推广效果报,定期获取市场和竞品推广效果数据并自动分析生成比较基准;
步骤4.2:导入算法引擎,自动进行自顶向下地分析各个报表,通过大数据分析智能识别问题点,定位导致问题的数据字段;
步骤4.3:通过人工智能技术中的模式识别技术和专家系统分析给出原因分析和改善指导建议。
6.根据权利要求5所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤5,具体包括如下步骤:
步骤5.1:用户根据不同时期、场景的推广目标,将推广策略类型输入到算法引擎;
步骤5.2:算法引擎根据推广目标自动生成相适应的推广策略。
7.根据权利要求6所述的面向多渠道销售的广告智能投放方法,其特征在于,所述步骤6,具体包括如下步骤:
步骤6.1:定期获取本店推广商品和主要竞品的引流和销售数据;
步骤6.2:导入算法引擎,自动对竞品推广投放策略进行识别分析,并与本店商品进行对比,分析造成与竞品间形成差距的原因,自动识别竞品的优势策略,更新至算法策略引擎。
8.一种面向多渠道销售的广告智能投放系统,其特征在于,包括如下模块:数据获取和回写模块、数据存储模块、算法引擎模块以及用户界面模块;所述算法引擎模块执行工作实现权利要求1~7中任一项所述的面向多渠道销售的广告智能投放方法的步骤;
所述数据获取和回写模块用于从电商平台定时获取数据,保存到所述数据存储模块,并提供API用于将投放数据回写到电商平台中;
所述算法引擎模块基于所述数据获取和回写模块获取的数据,运用人工智能算法进行决策优化,生成包括推广投放计划、投放效果分析诊断、投放关键词建议的多种优化结果,通过用户界面模块进行展示;
所述用户界面模块用于与用户的交互,并用于数据可视化展示和推广运营人员的智能投放系统的设置参数和执行各种操作。
9.根据权利要求8所述的面向多渠道销售的广告智能投放系统,其特征在于,所述算法引擎模块包括如下功能:
投放关键词智能优选、投放效果智能预测、投放标的智能竞价投放、推广时间地域智能优选、推广效果数据智能分析、问题诊断与优化建议。
10.根据权利要求8所述的面向多渠道销售的广告智能投放系统,其特征在于,所述数据获取和回写模块包括数据获取模块和数据回写模块;
所述数据获取模块用于提供所述算法引擎模块决策所需的数据,所述数据回写模块用将所述算法引擎模块生成的投放方案自动化回写到电商平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590495.9A CN116091130A (zh) | 2022-12-12 | 2022-12-12 | 面向多渠道销售的广告智能投放方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211590495.9A CN116091130A (zh) | 2022-12-12 | 2022-12-12 | 面向多渠道销售的广告智能投放方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091130A true CN116091130A (zh) | 2023-05-09 |
Family
ID=86201640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211590495.9A Withdrawn CN116091130A (zh) | 2022-12-12 | 2022-12-12 | 面向多渠道销售的广告智能投放方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091130A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829914A (zh) * | 2024-03-04 | 2024-04-05 | 长春大学 | 一种数字媒体广告效果评估系统 |
-
2022
- 2022-12-12 CN CN202211590495.9A patent/CN116091130A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117829914A (zh) * | 2024-03-04 | 2024-04-05 | 长春大学 | 一种数字媒体广告效果评估系统 |
CN117829914B (zh) * | 2024-03-04 | 2024-05-10 | 长春大学 | 一种数字媒体广告效果评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
US8751273B2 (en) | Predictor variable selection and dimensionality reduction for a predictive model | |
CN106407999A (zh) | 结合规则来进行机器学习的方法及系统 | |
US20110106723A1 (en) | Computer-Implemented Systems And Methods For Scenario Analysis | |
US20040138933A1 (en) | Development of a model for integration into a business intelligence system | |
US10896438B1 (en) | Systems, methods, and devices for determining predicted enrollment rate and imputed revenue for inquiries associated with online advertisements | |
US10510012B2 (en) | Real time interactive prediction | |
US20220058583A1 (en) | Project management systems and methods | |
US20140019207A1 (en) | Interactive in-memory based sales forecasting | |
CN116091130A (zh) | 面向多渠道销售的广告智能投放方法及系统 | |
Deng et al. | Multi-channel autobidding with budget and roi constraints | |
US20180342014A1 (en) | Framework for decoupled development and management of scalably-mergeable trading strategies | |
TW202242727A (zh) | 條件參數最佳化方法及系統 | |
Yang et al. | Recommender system for software project planning one application of revised CBR algorithm | |
US20200034859A1 (en) | System and method for predicting stock on hand with predefined markdown plans | |
US20220374923A1 (en) | Computational methods and processor systems for predictive marketing analysis | |
Sangeetha et al. | Financial stock market forecast using evaluated linear regression based machine learning technique | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
Wibowo et al. | Forecasting Indonesia stock price using time series analysis and machine learning in R | |
US20240152775A1 (en) | Machine learning system for forecasting customer demand | |
Quayson et al. | Machine Learning and Supply Chain Management | |
Ankita et al. | Pharmaceutical Sales Data Prediction Using Time Series Forecasting | |
US20150081383A1 (en) | Generating multiply constrained globally optimized requests subject to state of environment for proposal packages | |
US20210241347A1 (en) | Single-select predictive platform model | |
Shaw | All-Stage Machine Learning-Driven B2B Sales Predictor |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230509 |
|
WW01 | Invention patent application withdrawn after publication |