CN117635237A - 基于SaaS信息流与跨平台人群数据的广告管理系统 - Google Patents
基于SaaS信息流与跨平台人群数据的广告管理系统 Download PDFInfo
- Publication number
- CN117635237A CN117635237A CN202311781905.2A CN202311781905A CN117635237A CN 117635237 A CN117635237 A CN 117635237A CN 202311781905 A CN202311781905 A CN 202311781905A CN 117635237 A CN117635237 A CN 117635237A
- Authority
- CN
- China
- Prior art keywords
- advertisement
- user
- keywords
- commodity
- calculating
- 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
Links
- 238000006243 chemical reaction Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 238000007726 management method Methods 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000013523 data management Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012384 transportation and delivery Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 235000002595 Solanum tuberosum Nutrition 0.000 description 2
- 244000061456 Solanum tuberosum Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及计算机技术领域,且公开了基于SaaS信息流与跨平台人群数据的广告管理系统,用于解决当目标用户行为偏好发生变化时,广告平台无法向用户准确提供感兴趣的广告的问题,包括用户数据接入模块、用户数据管理模块、匹配推送模块以及效果监测模块,将来自电商平台与广告投放平台的人群数据进行采集并接入系统,并由品牌方对数据进行拉取,对拉取出的数据进行数据管理,将目标用户的商品关键词列表与广告关键词列表进行匹配,计算关键词间的距离,根据关键词间的距离对用户进行相应的广告匹配推送,并对用户分类与广告推送效果进行监测,有效提高了通过用户的行为偏好来对用户推送感兴趣广告的准确性。
Description
技术领域
本发明涉及计算机技术领域,更具体地涉及基于SaaS信息流与跨平台人群数据的广告管理系统。
背景技术
广告管理是指对广告活动进行计划、执行、监控和优化的一系列过程和活动。它涵盖了广告策略的制定、广告创意的设计制作、广告媒体的选择和购买、广告投放的执行、数据分析和效果监测等方面。广告管理的目标是确保广告活动能够达到预期的宣传效果,并在整个过程中有效地控制成本和资源的利用。
现有的广告管理一般是采用定向广告投放的方法,定向广告投放是一种广告策略,通过使用特定的标准和条件,将广告有针对性地展示给特定类别的目标用户,这种策略是通过将广告展示给最有可能对产品或服务感兴趣的一群用户,从而提高广告的点击率和转化率,但是使用这种策略会导致在目标用户行为偏好发生变化时,广告平台无法向用户提供感兴趣的广告,从而导致在相同投入成本的条件下,无法保障广告方的转化率和回报率。
针对上述问题,本发明提出一种解决方案。
发明内容
为了克服现有技术的上述缺陷,本发明提供了基于SaaS信息流与跨平台人群数据的广告管理系统,以解决上述背景技术中存在的问题。
为实现上述目的,本发明提供如下技术方案:
基于SaaS信息流与跨平台人群数据的广告管理系统,包括用户数据接入模块、用户数据管理模块、匹配推送模块以及效果监测模块,模块之间通过信号连接;
用户数据接入模块,用于将来自电商平台与广告投放平台的人群数据进行采集并接入系统,并由品牌方对数据进行拉取;
用户数据管理模块,用于对用户数据接入模块中拉取出的数据进行数据管理;
匹配推送模块,用于对目标用户的商品关键词列表与广告关键词列表中的关键词进行匹配,计算关键词间的距离,根据关键词间的距离对用户进行广告匹配推送;
效果监测模块,用于对用户分类与广告推送效果进行监测。
优选地,对用户数据接入模块中拉取出的数据进行数据管理步骤为:
计算用户的消费指数,通过计算得到用户的消费指数将用户分为目标用户与隐藏用户;
通过K均值聚类法将待选广告关键词列表中的关键词进行分类,通过TF-IDF筛选法筛选出符合条件的广告关键词,并生成广告关键词列表;
对广告关键词列表的关键词构建商品知识图谱,用来表示关键词之间的关系。
优选地,计算用户的消费指数步骤为:
通过购买次数与总购物行为次数计算得到购买系数;
通过观看广告后购买得次数与广告总观看次数计算得到广告转化系数;
通过购买系数与广告转化系数计算得到用户的消费指数。
优选的,通过K均值聚类法将待选广告关键词列表中的关键词进行分类步骤为:
S1:随机在待选广告关键词列表中选择K个关键词作为分类簇的簇中心;
S2:计算每个关键词与各个簇中心的距离,并将其分配到距离最近的簇;
S3:对每个簇,计算其所有关键词到簇中心距离的平均值,并将这个平均值作为新的簇中心;
S4:重复步骤S2与S3,直至簇中心不再发生明显变化,最终每个关键词都被分配到一个簇,形成K个簇,即完成K均值聚类。
优选地,对广告关键词列表的关键词构建商品知识图谱步骤为:
对广告关键词列表中数据进行预处理,确保每个广告关键词的信息格式一致;
通过文本匹配建立广告关键词站之间的关系映射;
基于关键词关联规则,构建知识图谱的节点和边。
优选的,计算关键词间的距离步骤为:
通过模糊匹配中的levenshtein距离算法计算广告关键词列表中的广告关键词与商品关键词列表中的商品关键词之间的距离;
若距离小于预设阈值,则判定该广告关键词与用户购买商品相似度较高,开始判断需要对该用户推荐的广告。
优选的,判断需要对该用户推荐的广告步骤为:
计算以往用户对该商品的复购周期,并计算出该商品价格占比;
通过复购周期与价格占比计算出商品复购指数;
若商品复购指数与预设阈值进行对比,若商品复购指数大于预设阈值,则向用户推送含该关键词的广告,若商品复购指数小于预设阈值,则向用户推荐商品知识图谱中节点从级关联的关键词广告。
优选的,对用户分类与广告推送效果进行监测步骤为:
定时随机在全部用户中抽取设定百分比的用户,所述全部用户包括目标用户与隐藏用户;
计算抽取用户的变化率,若变化概率大于预设阈值,则对全部用户重新进行消费指数计算、用户分类以及广告推送计算;
计算抽取用户的实时广告转化率的变化率,若广告转化率的变化率为负数,将广告转化率的变化率与预设阈值进行对比,若广告转化率的变化率大于预设阈值,则不对用户进行重新分类,若广告转化率的变化率小于预设阈值,则对全部用户进行重新分类并对目标用户重新进行广告推送计算,若广告转化率的变化率为正数,则判定为不需要对全部用户进行重新分类并对目标用户重新进行广告推送计算。
本发明的技术效果和优点:
本发明将来自电商平台与广告投放平台的人群数据进行采集并接入系统,并由品牌方对数据进行拉取,对拉取出的数据进行数据管理,将目标用户的商品关键词列表与广告关键词列表进行匹配,计算关键词间的距离,根据关键词间的距离对用户进行相应的广告匹配推送,并对用户分类与广告推送效果进行监测,有效提高了通过用户的行为偏好来对用户推送感兴趣广告的准确性。
附图说明
图1为本发明的整体流程图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,另外,在以下的实施方式中记载的各结构的形态只不过是例示,本发明所涉及的基于SaaS信息流与跨平台人群数据的广告管理系统并不限定于在以下的实施方式中记载的各结构,在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了基于SaaS信息流与跨平台人群数据的广告管理系统,包括以下步骤:
用户数据接入模块,用于将来自电商平台与广告投放平台的人群数据进行采集接入系统,并由品牌方对数据进行拉取。
所述品牌方对数据进行拉取步骤为:
品牌方通过对商品进行配置,生成检测链接,并将检测链接接入广告平台内;
品牌方在广告平台内配置监测链接,并通过监测链接监测广告平台的数据信息;
品牌方通过在广告平台内配置的监测链接接收广告平台的数据信息,将数据信息进行整合处理,并将整合处理后的数据进行拉取;
监测链接可以帮助品牌方收集广告投放的相关数据,包括点击次数、转化率、用户行为等,这些数据对于分析广告活动的效果和了解受众行为非常重要,这些数据有助于进行更精准的人群分析和定位,从而优化广告投放策略。通过监测链接,品牌方能够追踪用户从广告点击到最终转化的整个过程,这有助于了解广告对于销售、注册、下载等转化目标的影响,进而评估广告的实际效果。
对于品牌方与多个广告平台或合作伙伴合作的情况,监测链接有助于分析每个合作伙伴的贡献和效果,从而更有针对性地进行合作伙伴选择和投放策略的调整。监测链接能够与广告平台进行集成,与广告平台的API进行交互,使品牌方能够更全面地了解广告平台提供的功能,并更好地管理和优化广告活动。
用户数据管理模块,用于对用户数据接入模块拉取出的用户数据进行管理。
本实施例中,需要具体说明的是,所述用户数据包括90天内用户购买数据与点击广告数据,所述购买数据包括购买商品关键词、购买次数以及购买频率,所述点击广告数据包括广告关键词与广告转化率;
通过购买数据与点击广告数据计算得到用户的消费指数,其计算公式为PU=a1×BU+a2×AD,其中PU表示为用户的消费指数,BU表示为购买系数,AD表示为广告转化系数,a1、a2表示为BU购买系数与AD广告转化系数的权重系数,其具体值为专业人员设定,本实施例中不对其具体值做具体计算。
将用户通过消费指数进行分类,将用户的消费指数与预设阈值进行对比,若用户的消费指数大于预设阈值,则表明该用户更容易进行消费,若用户的消费指数小于预设阈值,则表明用户不易进行消费,将消费指数大于预设阈值的用户记为目标用户,将消费指数小于预设阈值的用户记为隐藏用户。
广告平台可以选择只对购买指数高的用户进行广告推送,购买指数通常是一个综合考虑用户行为、购买历史、兴趣等因素的指标,用于衡量用户可能购买产品或服务的倾向,如果广告平台有足够的数据支持,并且购买指数是一个有效的预测指标,那么针对购买指数高的用户进行广告推送是一种合理的策略。
所述购买系数通过购买次数与总购物行为次数计算得到,其计算公式为其中NUMBU表示为购买次数,NUMSH表示为总购物行为次数,所述购买次数表示为用户90天内在购物平台下单次数,购买次数通过购物平台后台数据统计得到,所述总购物行为次数表示为用户90天内在购物平台内包括购买、浏览商品、添加购物车的次数总和,其计算公式为NUMSH=NUMBU+NUMBR+NUMSC,其中NUMBR表示为浏览商品次数,NUMSC表示为添加购物车次数,其中浏览商品次数与添加购物车次数通过购物平台后台数据统计得到。
购买系数可以帮助了解用户的购买活跃度和转化率,较高的购买系数表示该用户具有较高的消费指数。
所述广告转化系数由广告转化率表示,所述广告转化率表示为用户通过观看广告后购买的次数与广告总观看次数的比值,其计算公式为其中NUMAD表示为通过观看广告后购买的次数,NUMAL表示为广告总观看次数,通过观看广告后购买的次数越多,则广告系数越大,所述通过观看广告后购买的次数与广告总观看次数通过购物平台后台统计得到。
提取广告平台中所有广告的关键词,并生成待选广告关键词列表,所述关键词中的特征可以包括商品的名称、用途、品牌、型号以及颜色,通过K均值聚类法将待选广告关键词列表中的关键词进行分类,得到分类簇。
所述通过K均值聚类法将待选广告关键词列表中的关键词进行分类的步骤为:
S1:随机在待选广告关键词列表中选择K个关键词作为分类簇的簇中心;
S2:计算每个关键词与各个簇中心的距离,并将其分配到距离最近的簇;
S3:对每个簇,计算其所有关键词到簇中心距离的平均值,并将这个平均值作为新的簇中心;
S4:重复步骤S2与S3,直至簇中心不再发生明显变化,最终每个关键词都被分配到一个簇,形成K个簇,即完成K均值聚类。
所述计算每个关键词与各个簇中心的距离通过欧氏距离进行计算,其计算公式为其中xp与cq表示为两个关键词,o为特征数量。
在K均值聚类法中,特征指的是描述每个关键词的属性或维度,每个关键词都是一个向量,由多个特征组成,这些特征可以表示关键词在不同维度上的测量值或属性,本实施例中特征可以为用途、品牌、型号以及颜色。
所述计算其所有关键词的平均值计算公式为其中Sq表示为第q个簇内的关键词集合,K均值聚类是通过最小化簇内关键词与其簇中心的距离,同时最大化不同簇之间的距离,来形成紧凑且分离的簇。
通过TF-IDF筛选法筛选出符合条件的广告关键词,并生成广告关键词列表,其步骤为:
将待选广告关键词列表生成的每一个簇都生成对应的文档;
计算词语在文档中词频,其计算公式为其中t表示词语,d表示文档,NUMt表示为词语t在文档d中的出现次数,NUMd表示文档d的总词语数;
计算逆文档频率,所述逆文档频率表示为包含特定词语的文档在整个文档集合中的稀有程度,其计算公式为所述D表示文档集合,NUMD表示为文档集合D的总文档数,NUMt表示包含词语t的文档数,其中分母+1是为了避免分母为零的情况;
计算TF-IDF权重值,其计算公式为TF-IDF(t,d,D)=TF(t,d)×IDF(t,D),TF-IDF的计算结果用于表达词语在文档中重要性的权重值。
将词语TF-IDF权重值与预设阈值进行对比,将TF-IDF权重值大于预设阈值的词语生成广告关键词列表。
通过对广告关键词列表的关键词构建商品知识图谱,用来表示关键词之间的关系。
所述对广告关键词列表中的关键词构建知识图谱步骤为:
对广告关键词列表中数据进行预处理,确保每个广告关键词的信息格式一致;
通过文本匹配建立广告关键词站之间的关系映射;
基于关键词关联规则,构建知识图谱的节点和边,所述节点表示广告关键词和商品,边表示他们之间的关系;
所述对广告关键词列表中数据进行预处理为,处理列表数据中的缺失值,筛选列表数据中的缺失值,若缺失值数量小于预设阈值,则判定缺失值对知识图谱影响较小,则删除具有缺失信息的节点或关系,以避免对知识图谱的影响,若缺失值数量大于预设阈值,则判定缺失值对知识图谱影响较大,使用默认值填充法填充列表中的缺失值。
所述通过文本匹配建立广告关键词之间的关系映射步骤为:
使用词袋模型表示每个广告关键词的特征向量,例如对于关键词“手机”,其特征向量可以表示为[1,0],表示在文本中出现了“手机”;
使用余弦相似度计算每两个关键词之间的相似度,例如计算“手机”与“手机壳”之间的相似度,“手机壳”特征向量表示为[1,1],则计算“手机”与“手机壳”两个关键词之间的相似度公式为其中“手机”ד手机壳”=1×1+0×1=1,/>将值带入公式中,得到/>
所述关键词之间的相似度范围通常在0到1之间,越接近1表示越相似,设定相似度预设阈值,若计算两个关键词之间相似度大于相似度预设阈值,则建立两个关键词之间的关系映射,若计算两个关键词之间相似度小于相似度预设阈值,则不建立关系映射。
所述基于关键词关联规则,构建知识图谱的节点和边步骤为:
确定知识图谱中的节点类型,例如本实施例中,节点为商品节点;
确定边类型,定义知识图谱中的边类型,表示节点之间的关系,本实施例中,边类型为关联类型;
使用Apriori算法,确定关键词之间的频繁关联关系,例如“手机”与“手机壳”的频繁关联可能表示用户在购买手机时也倾向于购买手机壳;
根据提取的关联规则,建立知识图谱中的节点与边,将关联的关键词作为节点,关联规则最为边;
使用图谱可视化工具将构建的知识图谱进行可视化展示。
所述使用Apriori算法,确定关键词之间的频繁关联关系步骤为:
通过商品关键词列表,得到数据集,所述一个数据集包含一个用户购买商品的关键词,例如数据集为J1{“手机”,“手机壳”,“薯片”}、J2{“手机”,“耳机”}、J3{“手机壳”}、J4{“手机”,“手机壳”},根据数据集生成候选项集,例如候选项集为C1={“手机”,“手机壳”,“耳机”,“薯片”};
遍历数据集,计算每个候选项的支持度:
保留支持度大于等于支持度阈值的项,形成频繁项集,例如支持度阈值为0.7,则频繁项集为L1={“手机”,“手机壳”};
对频繁项集生成关联规则,在本例中关注含有两个关键词的规则:L1=>{“手机”,“手机壳”};
计算关联规则的置信度,例如
设定最小置信度阈值过滤规则,只保留置信度大于等于最小置信度阈值的关联规则。
匹配推送模块,用于根据目标用户的商品关键词列表与广告关键词列表中的关键词进行匹配;
将目标用户90天内购买商品的标题进行关键词提取;
并构建商品关键词列表,所述关键词可以包括商品的名称、用途、品牌、型号以及颜色,且所述关键词列表包含每个用户所对应的购买商品关键词。
通过模糊匹配中的levenshtein距离算法计算广告关键词列表中的广告关键词与商品关键词列表中的商品关键词之间的距离;
所述模糊匹配中的levenshtein距离算法计算广告关键词列表中的广告关键词与商品关键词列表中的商品关键词之间的距离步骤为:
将广告关键词列表与商品关键词列表中的关键词转换为二进制字符串;
记广告关键词二进制字符串为字符串A,商品关键词二进制字符串为字符串B,设字符串A长度为m,字符串B长度为n;
定义一个m+1行n+1列的矩阵G,初始化矩阵G,使G[i][0]=i,G[0][j]=j;
从G[1][1]开始填充矩阵G,按照递推关系计算每个元素G[i][j]的值;
计算最终的levenshtein距离为G[m][n]。
所述G[i][j]表示字符串A的前i个字符与字符串B的前j个字符之间的levenshtein距离,其递推关系为其中G[i-1][j]+1表示对字符串A进行删除操作,G[i][j-1]+1表示对字符串A进行插入操作,G[i-1][j-1]+(1else0),表示对字符串A进行替换操作,所述“1else0”表示若A[i]与B[j]不相等,则加1,若A[i]与B[j]相等,则加0。
在模糊匹配算法中,Levenshtein距离用于衡量两个字符串的相似度,当Levenshtein距离较小时,说明两个字符串越相似。
若距离小于预设阈值,则判定该广告关键词与用户购买商品相似度较高,开始判断需要对该用户推荐的广告。
所述判断需要对该用户推荐的广告步骤为:
计算以往用户对该商品的复购周期,并计算该商品价格占比;
通过复购周期与价格占比计算出商品复购指数;
若商品复购指数与预设阈值进行对比,若商品复购指数大于预设阈值,则向用户推送含该关键词的广告,若商品复购指数小于预设阈值,则向用户推荐知识图谱中节点从级关联的关键词广告。
所述商品复购指数计算公式为其中RC表示为该商品的复购周期,商品的复购周期越长,则商品的复购指数越低,PE表示为该商品价格占比,商品价格占比越大,则商品价格越高,用户重复购买该商品的概率越低,商品复购指数越低,b1、b2为RC该商品的复购周期与PE该商品价格占比的权重系数,且本实施例不对b1、b2具体值做具体计算。
所述对该商品的复购周期计算步骤为:
通过后台调取该商品一年内的购买数据,包括购买记录与用户信息;
筛选出进行复购的用户,统计进行复购的用户数量记为i,i从1、2、……、n,并记录他们购买该商品的次数;
计算出复购用户每次购买该商品的平均时间间隔,其计算公式为其中/>表示为第n个用户一年内购买该商品次数;
计算对该商品进行复购的用户的总平均时间间隔,记为该商品的复购周期,其计算公式为
所述商品价格占比表示为该商品价格在购物平台所有商品中价格排行,将购物平台中的商品价格从高到低进行排列,生成价格列表,并进行序号标注,计算该商品的价格在价格列表中的价格占比,其计算公式为其中ST表示该商品价格在价格列表中的序号,LT表示为价格列表中的最大序号。
并在推送的用户ID上记录每一次推送广告关键词的标签,进行广告推送前先筛选用户ID标签,若用户ID标签上已有该关键词,则不在对该用户进行含标签的广告推送,若不含此广告关键词标签,则进行广告推送,该系统可根据需求,在多个广告平台设置广告投放设置。
效果监测模块,用于对用户分类与广告推送效果进行监测;
所述对用户分类进行监测为定时随机在全部用户中抽取设定百分比的用户,所述全部用户包括目标用户与隐藏用户,所述设定百分比数值与定时具体数据由品牌方进行设定,对抽取用户重新进行消费指数计算,判断用户消费指数是否发生变化,并计算变化率为多少,若变化概率大于预设阈值,则对全部用户重新进行消费指数计算、用户分类以及广告推送计算与设置;
所述计算变化率步骤为:
重新对抽取用户的消费指数进行计算,统计上次对用户进行分类时计算消费指数大于预设阈值而此次计算消费指数小于预设阈值的人数,与上次对用户进行分类时计算消费指数小于预设阈值而此次计算消费指数大于预设阈值的人数;
计算变化率,其计算公式为其中NUMRS表示为抽取用户总数,NUMB1表示为上次对用户进行分类时计算消费指数大于预设阈值而此次计算消费指数小于预设阈值的人数,NUMB2表示为上次对用户进行分类时计算消费指数小于预设阈值而此次计算消费指数大于预设阈值的人数。
将变化率与预设阈值进行对比,若变化率小于预设阈值,则表示用户分类变化较小,保持当前广告推送设置,若变化率大于预设阈值,则表示用户分类变化较大,原有对广告推送的设置可能推送不符合目标用户喜好的广告,则对全部用户重新进行消费指数计算、用户分类以及广告推送计算与设置。
通过对广告转化率的变化率进行计算,判断是否需要对全部用户重新进行广告推送计算与设置,若广告转化率的变化率超过阈值,则对全部用户进行重新分类并对目标用户重新进行广告推送计算;
所述对广告推送效果进行监测为通过对广告转化率的变化率进行实时监测来判断广告的推送效果,并采取对应措施;
所述对广告转化率得变化率进行计算步骤为:
对广告转化率的变化率进行实时监测,设检测时间为T,计算包含广告关键词列表中关键词的广告转化率;
设初始广告转化率为AD1,时间T后广告转化率为AD2,计算广告转化率的变化率,其计算公式为若AR值为负数,则广告转化率变低,将广告转化率的变化率与预设阈值进行对比,若广告转化率的变化率大于预设阈值,判定广告转化率降低程度较低,则不对用户进行重新分类,若广告转化率的变化率小于预设阈值,判定广告转化率降低程度较大,则对全部用户进行重新分类并对目标用户重新进行广告推送计算与设置,若AR值为正数,则广告转化率变高,则判定为不需要对全部用户进行重新分类并对目标用户重新进行广告推送计算。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于,包括用户数据接入模块、用户数据管理模块、匹配推送模块以及效果监测模块,模块之间通过信号连接;
用户数据接入模块,用于将来自电商平台与广告投放平台的人群数据进行采集并接入系统,并由品牌方对数据进行拉取;
用户数据管理模块,用于对用户数据接入模块中拉取出的数据进行数据管理;
匹配推送模块,用于对目标用户的商品关键词列表与广告关键词列表中的关键词进行匹配,计算关键词间的距离,根据关键词间的距离对用户进行广告匹配推送;
效果监测模块,用于对用户分类与广告推送效果进行监测。
2.根据权利要求1所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:对用户数据接入模块中拉取出的数据进行数据管理步骤为:
计算用户的消费指数,通过计算得到用户的消费指数将用户分为目标用户与隐藏用户;
通过K均值聚类法将待选广告关键词列表中的关键词进行分类,通过TF-IDF筛选法筛选出符合条件的广告关键词,并生成广告关键词列表;
对广告关键词列表的关键词构建商品知识图谱,用来表示关键词之间的关系。
3.根据权利要求2所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:计算用户的消费指数步骤为:
通过购买次数与总购物行为次数计算得到购买系数;
通过观看广告后购买得次数与广告总观看次数计算得到广告转化系数;
通过购买系数与广告转化系数计算得到用户的消费指数。
4.根据权利要求2所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:通过K均值聚类法将待选广告关键词列表中的关键词进行分类步骤为:
S1:随机在待选广告关键词列表中选择K个关键词作为分类簇的簇中心;
S2:计算每个关键词与各个簇中心的距离,并将其分配到距离最近的簇;
S3:对每个簇,计算其所有关键词到簇中心距离的平均值,并将这个平均值作为新的簇中心;
S4:重复步骤S2与S3,直至簇中心不再发生明显变化,最终每个关键词都被分配到一个簇,形成K个簇,即完成K均值聚类。
5.根据权利要求2所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:对广告关键词列表的关键词构建商品知识图谱步骤为:
对广告关键词列表中数据进行预处理,确保每个广告关键词的信息格式一致;
通过文本匹配建立广告关键词站之间的关系映射;
基于关键词关联规则,构建知识图谱的节点和边。
6.根据权利要求1所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:计算关键词间的距离步骤为:
通过模糊匹配中的levenshtein距离算法计算广告关键词列表中的广告关键词与商品关键词列表中的商品关键词之间的距离;
若距离小于预设阈值,开始判断需要对该用户推荐的广告。
7.根据权利要求6所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:判断需要对该用户推荐的广告步骤为:
计算以往用户对该商品的复购周期,并计算出该商品价格占比;
通过复购周期与价格占比计算出商品复购指数;
若商品复购指数与预设阈值进行对比,若商品复购指数大于预设阈值,则向用户推送含该关键词的广告,若商品复购指数小于预设阈值,则向用户推荐商品知识图谱中节点从级关联的关键词广告。
8.根据权利要求1所述的基于SaaS信息流与跨平台人群数据的广告管理系统,其特征在于:对用户分类与广告推送效果进行监测步骤为:
定时随机在全部用户中抽取设定百分比的用户,所述全部用户包括目标用户与隐藏用户;
计算抽取用户的变化率,若变化概率大于预设阈值,则对全部用户重新进行消费指数计算、用户分类以及广告推送计算;
计算抽取用户的实时广告转化率的变化率,若广告转化率的变化率为负数,将广告转化率的变化率与预设阈值进行对比,若广告转化率的变化率大于预设阈值,则不对用户进行重新分类,若广告转化率的变化率小于预设阈值,则对全部用户进行重新分类并对目标用户重新进行广告推送计算,若广告转化率的变化率为正数,则判定为不需要对全部用户进行重新分类并对目标用户重新进行广告推送计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311781905.2A CN117635237A (zh) | 2023-12-22 | 2023-12-22 | 基于SaaS信息流与跨平台人群数据的广告管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311781905.2A CN117635237A (zh) | 2023-12-22 | 2023-12-22 | 基于SaaS信息流与跨平台人群数据的广告管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635237A true CN117635237A (zh) | 2024-03-01 |
Family
ID=90018333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311781905.2A Pending CN117635237A (zh) | 2023-12-22 | 2023-12-22 | 基于SaaS信息流与跨平台人群数据的广告管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635237A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130092310A (ko) * | 2012-02-10 | 2013-08-20 | (주)워터빈 | 상품 추천 시스템 |
WO2015062359A1 (en) * | 2013-10-28 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method and device for advertisement classification, server and storage medium |
CN116166878A (zh) * | 2022-01-21 | 2023-05-26 | 南京工业职业技术大学 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN116664207A (zh) * | 2023-06-05 | 2023-08-29 | 南京财经大学 | 一种基于大数据的新媒体广告投放监测系统 |
CN116957691A (zh) * | 2023-09-19 | 2023-10-27 | 翼果(深圳)科技有限公司 | 针对电商商家商品的跨平台智能广告投放方法及系统 |
-
2023
- 2023-12-22 CN CN202311781905.2A patent/CN117635237A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130092310A (ko) * | 2012-02-10 | 2013-08-20 | (주)워터빈 | 상품 추천 시스템 |
WO2015062359A1 (en) * | 2013-10-28 | 2015-05-07 | Tencent Technology (Shenzhen) Company Limited | Method and device for advertisement classification, server and storage medium |
CN116166878A (zh) * | 2022-01-21 | 2023-05-26 | 南京工业职业技术大学 | 一种基于k均值聚类的时间感知自适应兴趣点推荐方法 |
CN116664207A (zh) * | 2023-06-05 | 2023-08-29 | 南京财经大学 | 一种基于大数据的新媒体广告投放监测系统 |
CN116957691A (zh) * | 2023-09-19 | 2023-10-27 | 翼果(深圳)科技有限公司 | 针对电商商家商品的跨平台智能广告投放方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Digital mediation in business-to-business marketing: A bibliometric analysis | |
US8756095B2 (en) | E-commerce consumer-based behavioral target marketing reports | |
US20090198602A1 (en) | Ranking commercial offers based on user financial data | |
US11727014B2 (en) | Dynamic filter recommendations | |
Huang et al. | Handling sequential pattern decay: Developing a two-stage collaborative recommender system | |
Wang et al. | A strategy-oriented operation module for recommender systems in E-commerce | |
Hsu et al. | Mining skewed and sparse transaction data for personalized shopping recommendation | |
US20110131202A1 (en) | Exploration of item consumption by customers | |
US11341527B2 (en) | Multitrack performance scoring for assets comprising digital media | |
CN112435067A (zh) | 跨电商平台与社交平台的智能广告投放方法及系统 | |
CN116452261B (zh) | 一种基于跨境电商服务平台的广告投放数据处理方法 | |
Tanaka et al. | Inferring latent triggers of purchases with consideration of social effects and media advertisements | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
CN113254780A (zh) | 信息处理的方法、装置、电子设备及计算机存储介质 | |
CN117635237A (zh) | 基于SaaS信息流与跨平台人群数据的广告管理系统 | |
Zhou et al. | Model and Implementation of E-commerce Recommendation System Based on User Clustering | |
Goldstein et al. | Are we there yet? Analyzing progress in the conversion funnel using the diversity of searched products | |
CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
CN113220983A (zh) | 基于深度学习的选品方法和装置 | |
Iwata et al. | Extracting innovative buyers by scoring using Innovator Theory | |
Ramanathan | An ensemble model for click through rate prediction | |
Nath | Data warehousing and mining: Customer churn analysis in the wireless industry | |
CN116911960A (zh) | 基于大数据的电子商务数据推荐方法 | |
Chang | Customer Churn Prediction based on E-commerce Live Streaming 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 |