CN117974229A - 广告回流率预估方法、装置及可读存储介质 - Google Patents
广告回流率预估方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN117974229A CN117974229A CN202211288651.6A CN202211288651A CN117974229A CN 117974229 A CN117974229 A CN 117974229A CN 202211288651 A CN202211288651 A CN 202211288651A CN 117974229 A CN117974229 A CN 117974229A
- Authority
- CN
- China
- Prior art keywords
- estimated
- time point
- advertisement
- time period
- rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000010992 reflux Methods 0.000 claims abstract description 331
- 230000000694 effects Effects 0.000 claims abstract description 156
- 238000005315 distribution function Methods 0.000 claims abstract description 151
- 230000001186 cumulative effect Effects 0.000 claims abstract description 133
- 238000006243 chemical reaction Methods 0.000 claims description 159
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 abstract description 28
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 65
- 230000009471 action Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000009466 transformation Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000000977 initiatory effect Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种广告回流率预估方法、装置及可读存储介质,本申请实施例可应用于云技术、人工智能、智能交通、辅助驾驶等领域,可以获取待预估广告的预估时间段;获取所述待预估广告的累积分布函数,其中,所述累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,所述累积分布函数用于指示所述待预估广告的回流率与效果延时之间的关系;获取所述预估时间段内每个时间点的已回流数;基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率。该方案能够提高广告回流率的预估准确度,降低广告投放过程中的指标误差问题。
Description
技术领域
本申请实施例涉及广告投放技术领域,具体涉及一种广告回流率预估方法、装置及计算机可读存储介质。
背景技术
随着数字媒体技术的飞速发展,各种形式的广告可以通过数字媒体触达用户,对于企业来说,广告投放过程中如预计未来会产生的回流数(本文中称为预估总回流数)、回流率、转化延时、预估成本、预估剩余回流量等各项指标对与广告投放过程具有重要的指导意义。
其中,由于广告投放过程中会存在如转化延时等多种回流延时问题,因此,现有技术中,会采用回流率(回流率=已回流数/预估总回流数)作为一项重要的广告投放指标,并会利用回流率确定如预估总回流数、剩余回流数等指标信息。
但是,本申请发明人在实际研发过程中发现:回流率与真实回流率之间往往具有一定误差,从而导致如预估总回流数、剩余回流数的误差等问题。因此,如何提高回流率的准确度成为广告投放过程中的要点问题。
发明内容
本申请实施例提供一种广告回流率预估方法、装置、计算机设备及计算机可读存储介质,能够提高广告回流率的预估准确度,降低广告投放过程中的指标误差问题。
第一方面,本申请实施例提供一种广告回流率预估方法,所述方法包括:
获取待预估广告的预估时间段;
获取所述待预估广告的累积分布函数,其中,所述累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,所述累积分布函数用于指示所述待预估广告的回流率与效果延时之间的关系;
获取所述预估时间段内每个时间点的已回流数;
基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率。
第二方面,本申请实施例提供一种广告回流率预估装置,所述广告回流率预估装置包括:
第一获取单元,用于获取待预估广告的预估时间段;
第二获取单元,用于获取所述待预估广告的累积分布函数,其中,所述累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,所述累积分布函数用于指示所述待预估广告的回流率与效果延时之间的关系;
第三获取单元,用于获取所述预估时间段内每个时间点的已回流数;
预估单元,用于基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率。
第三方面,本申请实施例还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行本申请实施例提供的任一种广告回流率预估方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的广告回流率预估方法。
第五方面,本申请实施例还提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被处理器执行时实现本发明实施例所提供的任一种广告回流率预估方法。
从以上内容可得出,本申请实施例具有以下的有益效果:
本申请实施例通过利用反映待预估广告的回流率与效果延时之间关系的累积分布函数,确定每个时间点的回流率;再结合累积分布函数指示的每个时间点的回流率以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率;一方面,由于累积分布函数是通过广告样本的效果延时进行拟合学习得到,因此可以准确地确定:效果延时等于预估时间段的起始时间点与每个时间点之间的间隔时长时,待预估广告的回流率;即可以准确地确定每个时间点的回流率。另一方面,由于结合了每个时间点的已回流数确定预估效果回流率,因此可以结合整个预估时间段整体的回流率和整个预估时间段整体的已回流数,确定预估效果回流率,避免了直接将累积分布函数指示的回流率作为预估效果回流率;从而可以避免:由于累积分布函数会潜在地将预设起始行为发生时间点(如转化延时计算时的点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的回流率直接作为预估效果回流率时准确率较低问题。由此,可以在一定程度上提高回流率的预估准确度,降低广告投放过程中的指标误差问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的广告回流率预估方法的应用场景示意图;
图2是本申请实施例中提供的广告回流率预估方法的一个实施例流程示意图;
图3是本申请实施例中提供的广告投放过程中的延时类型的一种说明示意图;
图4是本申请实施例中提供的广告投放过程中的效果延时的一种说明示意图;
图5是本申请实施例中提供的效果延时的确定说明示意图;
图6是本申请实施例提供的不同广告回流的快慢对比示意图;
图7是本实施例提供的log(x)-x对应的曲线示意图;
图8是本实施例提供的累积分布函数对应的曲线示意图;
图9是本实施例提供的实时消耗成本的一个曲线示意图;
图10本申请实施例提供的利用预估效果回流率进行调价的一个应用流程示意图;
图11本申请实施例中广告回流率预估装置的一个实施例结构示意图;
图12本申请实施例所涉及的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请实施例的描述中,需要理解的是,术语“第一”、“第二”用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
本申请实施例提供一种广告回流率预估方法、装置、计算机设备和计算机可读存储介质。其中,该广告回流率预估装置可以集成在计算机设备中,该计算机设备可以是服务器,也可以是用户终端等设备;其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。
下面以终端和服务器共同实现该广告回流率预估方法为例,对该方法进行说明。
参考图1,本发明实施例提供的广告回流率预估系统包括终端101和服务器102等;终端101与服务器102之间通过网络连接,比如,通过有线或无线网络连接等。
其中,终端101,可以为广告投放终端,用于向服务器102发送如广告拉取、曝光、点击、下载等数据。其中,服务器102,可以用于接收终端101发送的如广告拉取、曝光、点击、下载等日志数据,在广告拉取、曝光、点击、下载等日志数据基础上,获取待预估广告的预估时间段;获取待预估广告的累积分布函数,其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系;获取预估时间段内每个时间点的已回流数;基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
下文以计算机设备作为该广告回流率预估方法的执行主体为例进行说明,为简化表述后文中将省略该执行主体。
以下结合附图分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于附图所示的顺序执行所示出或描述的步骤。
如图2所示,该广告回流率预估方法的具体流程可以如下步骤201~步骤204,其中:
201、获取待预估广告的预估时间段。
其中,待预估广告是指需要进行回流率预估的广告,待预估广告具体可以是一个特定广告,例如,广告A;也可以是同一广告类型的广告,例如,a类型广告。其中,广告类型的划分标准可以根据实际业务场景需求而设置,例如,可以按照广告主进行广告类型划分,属于同一广告主的所有广告均为同一广告类型;又如,可以按照广告商品进行广告类型划分,属于同一商品的所有广告均为同一广告类型。
其中,预估时间段[t1,t2]可以根据实际业务场景需求而设置,预估时间段的起始时间点为t1、结束时间点为t2,例如,预估时间段可以是从10:00至11:00截止(即[10:00,11:00]),此时预估时间段的起始时间点为10:00、结束时间点为11:00。
为了方便理解,下面先介绍本实施例涉及到的一些名称。
1、效果行为:指广告投放过程中期望产生的效果的行为,如消耗、曝光、点击、转化等。
1.1、转化:指广告投放过程中,广告主期望收到的行为,如付费、下单等。为了便于表述,本实施例中以在点击之后发生的如下载、安装、下单、付费等行为视为转化行为为例进行说明。
1.2、曝光:指认为属于成功曝光的行为,例如,CPC广告中的点击发生时需要进行广告计费,因此CPC广告中的每次点击认为是一个曝光行为;又如,CPM广告中的展示发生时需要进行广告计费,因此CPM广告中的每次展示认为是一个曝光行为。
1.3、消耗:指需要产生广告计费的行为,例如,CPC广告中的点击发生时需要进行广告计费,因此CPC广告中的每次点击是一个消耗行为;又如,CPM广告中的展示发生时需要进行广告计费,因此CPM广告中的每次展示是一个消耗行为。
2、效果延时:用于指示从预设起始行为(如点击)到效果行为(如下载、安装或付费等转化行为)发生的时间差。如图3所示,在广告投放过程中,延时类型包括多种,如:广告拉取到曝光的延时(简称为曝光延时)、曝光到点击的延时(简称为点击延时)、点击到转化的延时(简称为转化延时)、广告拉取到消耗的延时(简称为消耗延时)等。如图4所示,不同延时类型的延时差异较大,从几分钟到几天不等。例如,广告从请求或拉取到曝光有几分钟或几小时的延时(可视为曝光延时)、从曝光到点击有几秒或几分钟的延时(可视为点击延时)、从点击到下载有几秒的延时(可视为转化延时)、从下载到安装有几分钟的延时、从点击到付费有几天的延时等等。即:效果延时=效果行为发生时间点-预设起始行为发生时间点。
2.1、转化延时:指从预设起始行为(如点击)到转化行为(如下载、安装或付费等)发生的时间差。为便于说明,后文中以转化延时对应的预设起始行为是广告“点击”为例,即:转化延时=转化时间点-点击时间点。
2.2、曝光延时:指从预设起始行为(如广告拉取)到曝光行为(如CPC广告中的点击、CPM广告中的展示等)发生的时间差。为便于说明,后文中以曝光延时对应的预设起始行为是广告“拉取”为例,即:曝光延时=曝光时间点-拉取时间点。
①CPC广告中,曝光时间点=点击时间点,即:曝光延时=点击时间点-拉取时间点。
②CPM广告中,曝光时间点=展示时间点,即:曝光延时=展示时间点-拉取时间点。
2.3、消耗延时:指从预设起始行为(如广告拉取)到消耗行为(如CPC广告中的点击、CPM广告中的展示等)发生的时间差。为便于说明,后文中以消耗延时对应的预设起始行为是广告“拉取”为例,即:消耗延时=(消耗时间点-拉取时间点)。
①CPC广告中,消耗时间点=点击时间点,即:消耗延时=(点击时间点-拉取时间点)。
②CPM广告中,消耗时间点=展示时间点,即:消耗延时=(展示时间点-拉取时间点)。
3、回流:指广告主、第三方平台将效果行为数据回传至平台的行为。
3.1、转化回流:指广告主、第三方平台将转化回传至平台的行为。
2.2、曝光回流:指广告主、第三方平台将曝光回传至平台的行为。
2.3、消耗回流:广告主、第三方平台将消耗回传至平台的行为。
4、延迟概率:指预设起始行为(如点击)后效果行为(如转化行为、曝光行为、消耗行为等)发生的概率。即:延迟概率=预设起始行为数(如点击数)/预估总效果数(如预估总下载数)。
4.1、转化率(即转化延迟概率):指预设起始行为(如点击)后转化行为(如下载)发生的概率。即:转化率=预估总转化数(如预估总下载数)/预设起始行为数(如总点击数)。
4.2、曝光率(即曝光延迟概率):指预设起始行为(如广告拉取)后曝光行为(如下载)发生的概率。即:曝光率=预估总曝光数(如预估总展示数或预估总点击数)/预设起始行为数(如总拉取数)。
4.3、消耗率(即消耗延迟概率):指预设起始行为(如广告拉取)后消耗行为(如下载)发生的概率。即:消耗率=预估总消耗数(如预估总展示数或预估总点击数)/预设起始行为数(如总拉取数)。
5、回流率:指已回流数(如已下载数)与预估总回流数(如预估总下载数)之比。即:回流率=已回流数/预估总回流数。
5.1、转化回流率=已回流数/预估总回流数=已转化数/预估总转化数。
5.2、曝光回流率=已回流数/预估总回流数=已曝光数/预估总曝光数。
5.3、消耗回流率=已回流数/预估总回流数=已消耗数/预估总消耗数。
6、CPM(Cost Per Mile)广告:按展示计费的广告。
7、CPC(Cost Per Click)广告:按点击计费的广告。
8、PCTR(Predict Click-Through Rate,广告点击率预测):点击率,可以通过广告系统预估得到,即在后文计算公式中视为已知量。
9、ECPM(Effective Cost Per Mile,千次展示收益):千次展示预估扣费,可以通过广告系统预估得到,即在后文计算公式中视为已知量。
10、CPA(Cost Per Action,每行动成本):指投放按广告实际效果,即按回应的有效问卷或定单来计费,而不限广告投放量。
202、获取待预估广告的累积分布函数。
其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系。
步骤201中,获取累积分布函数的方式有多种,示例性地,包括:
(1)实时拟合学习得到。具体地,可以参考如下步骤A1~A3的方式,学习拟合待预估广告的累积分布函数。由此,可以得到反映待预估广告的回流率与效果延时之间的关系的累积分布函数。
(2)参考如下步骤A1~A3的方式,学习拟合某一特定广告或每个广告类型(如同一广告主、同一广告内容等)广告的累积分布函数存储至数据库中;步骤202中直接从数据库读取待预估广告的累积分布函数。由此,可以得到反映待预估广告的回流率与效果延时之间的关系的累积分布函数。
下面介绍如何拟合学习得到每种广告类型广告或某个特定广告的累积分布函数,以待预估广告为例,待预估广告的累积分布函数通过如下步骤A1~A3学习得到:
A1、获取广告样本数据集。
其中,样本数据集包括多个广告样本中每个广告样本的效果延时。
具体地,广告样本数据集为D,(xi,ti)∈D,(xi,ti)表示一个广告样本,对应一条效果行为数据,其中,xi表示第i条效果行为数据,ti表示xi的效果延时(ti具体是指针对xi从预设起始行为至效果行为发生的时间差)。例如,以学习拟合转化回流率与转化延时之间关系为例,xi表示一条转化数据,ti表示xi的转化延时。又如,以学习拟合曝光回流率与曝光延时之间关系为例,xi表示一条曝光数据,ti表示xi的曝光延时。再如,以学习拟合消耗回流率与消耗延时之间关系为例,xi表示一条消耗数据,ti表示xi的消耗延时。
即:ti=xi的效果行为发生时间点-xi的预设起始行为发生时间点。例如,以学习拟合转化回流率与转化延时之间关系为例,ti=xi的转化时间点-xi的点击时间点。又如,以学习拟合曝光回流率与曝光延时之间关系为例,ti=xi的曝光时间点-xi的拉取时间点。再如,以学习拟合消耗回流率与消耗延时之间关系为例,ti=xi的消耗时间点-xi的拉取时间点。
后续步骤A2~A3中,以学习拟合转化回流率与转化延时之间关系为例进行说明。同理,可以学习拟合转化回流率与转化延时之间关系、消耗回流率与消耗延时之间关系。
A2、基于每个广告样本的效果延时和待预估广告的预设先验分布函数,确定预设先验分布函数的模型参数。
如图5所示,效果延时(如转化延时)可以用T表示,T1表示预设起始行为发生时间点(如点击时间点)、T2表示效果行为发生时间点(如转化时间点)。
具体地,假设效果延时T符合预设先验分布P,f(t,θ)是P的概率密度函数,其中,θ是参数、f的形状由θ控制。如图6所示,f1是回流比较快的广告(即效果延时相对较短)、f2是回流比较慢的广告(即效果延时相对较长)。
示例性,首先,如下公式1所示,可以采用线性模型对参数θ进行建模;或者,也可以使用其他模型对参数θ进行建模。
θ(x,w)=wTx 公式1
其中,w是模型参数,x是特征,x表示效果行为数据(如转化数据)。
然后,如下公式2所示,以预设先验分布使用指数分布为例,这时可以构建得到如公式2所示的先验分布使用指数。此处预设先验分布以指数分布为例进行说明,可以理解的是,预设先验分布也可以是其他类型分布。
P(T=t)=θe-θt 公式2
接着,利用MLE(Maximum likelihood estimation,最大似然估计)求解。具体地,似然函数如下公式3所示,本实施例中似然函数作为损失函数,将公式2代入公式3的似然函数可以整理得到如下公式4;通过最大化L,求解得到模型参数w*,如公式5所示。由此,可以得到预设先验分布函数的模型参数。
其中,广告样本数据集为D,(xi,ti)∈D,(xi,ti)表示一个广告样本,对应一条效果行为数据(如转化数据),xi表示第i条效果行为数据(如转化数据),ti表示xi的效果延时(如转化延时),w*表示学习得到的模型参数,L表示损失函数值,L是优化目标、通过极值优化得到。
如图7所示,图7是本实施例提供的log(x)-x对应的曲线示意图,公式4中,log(wTxi)-wTxiti符合log(x)-x对应的曲线分布。
A3、基于模型参数和预设先验分布函数,确定反映回流率与间隔时长之间关系的分布函数,以作为待预估广告的累积分布函数。
示例性,将公式5中求解得到的模型参数w*代入公式2的预设先验分布函数中,得到用于反映回流率与效果延时之间关系的分布函数P(t),以作为待预估广告的累积分布函数F(t)。如图8所示,图8是本实施例提供的累积分布函数对应的曲线示意图,图8中,横轴表示效果延时T,纵轴表示预估效果回流率;由于F(t)为累积分布函数,因此F(t)满足值域在[0,1]单调递增。例如,可以得到反映待预估广告的转化回流率和转化延时之间关系的分布函数,作为待预估广告的累积分布函数,用于后续预测待预估广告在预估时间段内的预估转化回流率。
可见,通过利用多条效果行为数据的效果延时(如转化延时、曝光延时、消耗延时)拟合学习,可以得到用于反映效果延时和回流率之间关系的累积分布函数,从而为后续确定不同时间段或不同时间间隔的回流率提供了准确的算法依据。
203、获取预估时间段内每个时间点的已回流数。
其中,已回流数可以是已转化数、已曝光数、已消耗数等。
例如,在效果行为是转化行为的场景下,以预估时间段[t1,t2]是[10:00,11:00]、转化行为是下载为例,如图3所示,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次下载,统计10:00至11:00点期间每个时间点t的下载数作为每个时间点t的已转化数。
又如,在效果行为是曝光行为的场景下,以预估时间段[t1,t2]是[10:00,11:00]为例,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次曝光,统计10:00至11:00点期间每个时间点t的曝光数作为每个时间点t的已曝光数。
再如,在效果行为是消耗行为的场景下,以预估时间段[t1,t2]是[10:00,11:00]为例,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次消耗,统计10:00至11:00点期间每个时间点t的消耗数作为每个时间点t的已消耗数。
204、基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
其中,预估效果回流率等于预估时间段的已回流数与预估时间段的初步总回流数。其中,预估时间段的已回流数等于每个时间点的已回流数的累积结果。预估时间段的初步总回流数等于每个时间点的已回流数与累积分布函数指示的每个时间点的回流率之间比值的累积结果。
在一些实施例中,可以只利用累积分布函数确定预估效果回流率。具体地,可以先基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的回流率,以作为每个时间点的初步回流率(记为F(t),表示当效果延时T=预估时间段内的每个时间点t与起始时间点t1之间的间隔时长时,即当T=t-t1时,根据步骤202中获取的累积分布函数计算得到的回流率);然后,直接将对每个时间点的初步总回流数进行累积的结果,作为预估效果回流率。
在另一些实施例中,可以结合预估时间段的已回流数和累积分布函数,确定预估效果回流率。由于在实际计算时累积分布函数会默认以预设起始行为发生时间点(如点击时间点)T1均为预估时间段的起始时间点t1,而实际业务场景中预设起始行为发生时间点T1可能会处于预估时间段[t1,t2]内任一时间点。因此,为了提高根据累计分布函数确定的预估效果回流率的准确性,首先,一方面,对每个时间点的已回流数进行累积,得到预估时间段的已回流数(记为);另一方面,先基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的回流率,以作为每个时间点的初步回流率(记为F(t),表示当效果延时T=预估时间段内的每个时间点t与起始时间点t1之间的间隔时长时,即当T=t-t1时,根据步骤202中获取的累积分布函数计算得到的回流率);再对每个时间点的初步总回流数进行累积,得到预估时间段的初步总回流数。然后,基于预估时间段的已回流数和预估时间段的初步总回流数,确定待预估广告在预估时间段内的预估效果回流率。其中,每个时间点的初步总回流数是指每个时间点的已回流数与每个时间点的初步回流率之间的比值。
随着预估效果回流率的不同,步骤204确定预估效果回流率的方式有多种,示例性地,包括:
(1)预估效果回流率是预估转化回流率。此时,已回流数为已转化数,每个时间点的回流率为每个时间点的初步转化回流率,如下公式6所示,步骤204具体可以包括如下步骤2041A~2044A:
2041A、对每个时间点的已转化数进行累积,得到预估时间段的已转化数。
其中,预估时间段的已转化数是指每个时间点的已转化数进行累积得到的已转化数,如公式6中分子部分所示。
示例性地,如公式6所示,以预估时间段[t1,t2]是[10:00,11:00]、转化行为是下载为例,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次下载,统计10:00至11:00点期间每个时间点t的下载数作为每个时间点t的已转化数,并对10:00至11:00点期间每个时间点t的下载数进行累积,得到10:00至11:00点期间的下载数,作为10:00至11:00点期间的已转化数。
2042A、基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的转化回流率,以作为每个时间点的初步转化回流率。
其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长。
其中,每个时间点的间隔时长关联的转化回流率是指当转化延时T=起始时间点t1与每个时间点t之间的间隔时长(记为t-t1)时,即当转化延时T=t-t1时,根据累积分布函数计算得到的回流率。
其中,每个时间点的初步转化回流率是指当转化延时T=t-t1时,根据累积分布函数计算得到的回流率。
示例性地,如公式6所示,以预估时间段[t1,t2]是[10:00,11:00]、时间点t是10:05为例,则转化延时T=10:05-10:00=5min,将转化延时T=5min代入累积分布函数即可计算得到时间点10:05的初步转化回流率。
其中,此处以时间点按照分钟粒度为例进行说明,可以理解的是,时间点的切分粒度可以根据实际业务需求而设置,不此处为限制,例如,可以为秒、分钟、小时等切分粒度。
2043A、对每个时间点的初步总转化数进行累积,得到预估时间段的初步总转化数。
其中,每个时间点的初步总转化数是指每个时间点的已转化数与每个时间点的初步转化回流率之间的比值。
其中,预估时间段的初步总转化数是指每个时间点的初步总转化数进行累积得到的总转化数,如公式6中分母部分所示。
示例性地,如公式6所示,以预估时间段[t1,t2]是[10:00,11:00]、转化行为是下载为例,首先,获取10:00至11:00点期间每个时间点t(如10:05)的下载数、与10:00至11:00点期间每个时间点t(如10:05)的初步转化回流率之间的比值,作为每个时间点t(如10:05)的初步总转化数。然后,将10:00至11:00点期间每个时间点t的初步总转化数进行累积的结果,作为预估时间段的初步总转化数。
2044A、基于预估时间段的已转化数和预估时间段的初步总转化数,确定待预估广告在预估时间段内的预估转化回流率。
示例性地,如公式6所示,以预估时间段[t1,t2]是[10:00,11:00]、转化行为是下载为例,假设10:00至11:00点期间的已转化数(即已下载数)为60,10:00至11:00点期间的初步总转化数(即根据公式6中分母部分初步预估的总下载数)为100,则预估时间段[10:00,11:00]的预估转化回流率R1(t1,t2)=60/100*100%=60%。
公式6中,R1(t1,t2)表示预估时间段[t1,t2]内的预估转化回流率。
公式6中,conversions(t)表示预估时间段[t1,t2]内每个时间点t的已转化数,conversions(t)可以通过广告投放过程中实时回传至的回流数据得到。
公式6中,表示对预估时间段[t1,t2]内每个时间点的已回流数进行累积的结果。
公式6中,F(t)为每个时间点t的初步转化回流率,F(t)表示当转化延时T=预估时间段内的每个时间点t与起始时间点t1之间的间隔时长时,即当T=t-t1时,根据步骤202中获取的累积分布函数计算得到的回流率。
公式6中,表示每个时间点t的初步总转化数。由于转化回流率=已转化数/预估总转化数,因此可以推论得出每个时间点t的初步总转化数为/>
公式6中,表示对预估时间段[t1,t2]内每个时间点的初步总转化数进行累积的结果。
可见,通过分别对每个时间点的已转化数进行累积、对每个时间点的初步总转化数进行累积,得到预估时间段的已转化数、预估时间段的初步总转化数,用于确定预估转化回流率,可以结合整个预估时间段整体的转化回流率和整个预估时间段整体的已转化数,确定预估转化回流率,避免由于累积分布函数会潜在地将预设起始行为发生时间点(即点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的转化回流率直接作为预估转化回流率时准确率较低问题。由此,可以在一定程度上提高预估转化回流率的预估准确度,降低广告投放过程中的指标误差问题。
(2)预估效果回流率是预估曝光回流率,此时,已回流数为已曝光数,每个时间点的回流率为每个时间点的初步曝光回流率,如下公式7所示,步骤204具体可以包括如下步骤2041B~2044B:
2041B、对每个时间点的已曝光数进行累积,得到预估时间段的已曝光数。
其中,预估时间段的已曝光数是指每个时间点的已曝光数进行累积得到的已曝光数,如公式7中分子部分所示。
示例性地,如公式7所示,以预估时间段[t1,t2]是[10:00,11:00]为例,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次曝光,统计10:00至11:00点期间每个时间点t的曝光数作为每个时间点t的已曝光数,并对10:00至11:00点期间每个时间点t的曝光数进行累积,得到10:00至11:00点期间的曝光数,作为10:00至11:00点期间的已曝光数。
2042B、基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的曝光回流率,以作为每个时间点的初步曝光回流率。
其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长。
其中,每个时间点的间隔时长关联的曝光回流率是指当曝光延时T=起始时间点t1与每个时间点t之间的间隔时长(记为t-t1)时,即当曝光延时T=t-t1时,根据累积分布函数计算得到的回流率。
其中,每个时间点的初步曝光回流率是指当曝光延时T=t-t1时,根据累积分布函数计算得到的回流率。
示例性地,如公式7所示,以预估时间段[t1,t2]是[10:00,11:00]、时间点t是10:05为例,则曝光延时T=10:05-10:00=5min,将曝光延时T=5min代入累积分布函数即可计算得到时间点10:05的初步曝光回流率。
2043B、对每个时间点的初步总曝光数进行累积,得到预估时间段的初步总曝光数。
其中,每个时间点的初步总曝光数是指每个时间点的已曝光数与每个时间点的初步曝光回流率之间的比值。
其中,预估时间段的初步总曝光数是指每个时间点的初步总曝光数进行累积得到的总曝光数,如公式7中分母部分所示。
示例性地,如公式7所示,以预估时间段[t1,t2]是[10:00,11:00]为例,首先,获取10:00至11:00点期间每个时间点t(如10:05)的曝光数、与10:00至11:00点期间每个时间点t(如10:05)的初步曝光回流率之间的比值,作为每个时间点t(如10:05)的初步总曝光数。然后,将10:00至11:00点期间每个时间点t的初步总曝光数进行累积的结果,作为预估时间段的初步总曝光数。
2044B、基于预估时间段的已曝光数和预估时间段的初步总曝光数,确定待预估广告在预估时间段内的预估曝光回流率。
示例性地,如公式7所示,以预估时间段[t1,t2]是[10:00,11:00]为例,假设10:00至11:00点期间的已曝光数(即已曝光数)为60,10:00至11:00点期间的初步总曝光数(即根据公式7中分母部分初步预估的总曝光数)为100,则预估时间段[10:00,11:00]的预估曝光回流率R1(t1,t2)=60/100*100%=60%。
公式7中,R2(t1,t2)表示预估时间段[t1,t2]内的预估曝光回流率。
公式7中,exposure(t)表示预估时间段[t1,t2]内每个时间点t的已曝光数,conversions(t)可以通过广告投放过程中实时回传至的回流数据得到。
公式7中,表示对预估时间段[t1,t2]内每个时间点的已回流数进行累积的结果。
公式7中,F(t)为每个时间点t的初步曝光回流率,F(t)表示当曝光延时T=预估时间段内的每个时间点t与起始时间点t1之间的间隔时长时,即当T=t-t1时,根据步骤202中获取的累积分布函数计算得到的回流率。
公式7中,表示每个时间点t的初步总曝光数。由于曝光回流率=已曝光数/预估总曝光数,因此可以推论得出每个时间点t的初步总曝光数为/>
公式7中,表示对预估时间段[t1,t2]内每个时间点的初步总曝光数进行累积的结果。
可见,通过分别对每个时间点的已曝光数进行累积、对每个时间点的初步总曝光数进行累积,得到预估时间段的已曝光数、预估时间段的初步总曝光数,用于确定预估曝光回流率,可以结合整个预估时间段整体的曝光回流率和整个预估时间段整体的已曝光数,确定预估曝光回流率,避免由于累积分布函数会潜在地将预设起始行为发生时间点(即拉取时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的曝光回流率直接作为预估曝光回流率时准确率较低问题。由此,可以在一定程度上提高预估曝光回流率的预估准确度,降低广告投放过程中的指标误差问题。
(3)预估效果回流率是预估消耗回流率。此时,已回流数为已消耗数,每个时间点的回流率为每个时间点的初步消耗回流率,如下公式8所示,步骤204具体可以包括如下步骤2041C~2044C:
2041C、对每个时间点的已消耗数进行累积,得到预估时间段的已消耗数。
其中,预估时间段的已曝光数是指每个时间点的已消耗数进行累积得到的已消耗数,如公式8中分子部分所示。
示例性地,如公式8所示,以预估时间段[t1,t2]是[10:00,11:00]为例,可以通过日志获取从10:00至11:00点期间每个时间点t实时回传的每次消耗,统计10:00至11:00点期间每个时间点t的消耗数作为每个时间点t的已消耗数,并对10:00至11:00点期间每个时间点t的消耗数进行累积,得到10:00至11:00点期间的消耗数,作为10:00至11:00点期间的已消耗数。
2042C、基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的消耗回流率,以作为每个时间点的初步消耗回流率。
其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长。
其中,每个时间点的间隔时长关联的消耗回流率是指当消耗延时T=起始时间点t1与每个时间点t之间的间隔时长(记为t-t1)时,即当消耗延时T=t-t1时,根据累积分布函数计算得到的回流率。
其中,每个时间点的初步消耗回流率是指当消耗延时T=t-t1时,根据累积分布函数计算得到的回流率。
示例性地,如公式8所示,以预估时间段[t1,t2]是[10:00,11:00]、时间点t是10:05为例,则消耗延时T=10:05-10:00=5min,将消耗延时T=5min代入累积分布函数即可计算得到时间点10:05的初步消耗回流率。
2043C、对每个时间点的初步总消耗数进行累积,得到预估时间段的初步总消耗数。
其中,每个时间点的初步总消耗数是指每个时间点的已消耗数与每个时间点的初步消耗回流率之间的比值。
其中,预估时间段的初步总消耗数是指每个时间点的初步总消耗数进行累积得到的总消耗数,如公式8中分母部分所示。
示例性地,如公式8所示,以预估时间段[t1,t2]是[10:00,11:00]为例,首先,获取10:00至11:00点期间每个时间点t(如10:05)的消耗数、与10:00至11:00点期间每个时间点t(如10:05)的初步消耗回流率之间的比值,作为每个时间点t(如10:05)的初步总消耗数。然后,将10:00至11:00点期间每个时间点t的初步总消耗数进行累积的结果,作为预估时间段的初步总消耗数。
2044C、基于预估时间段的已消耗数和预估时间段的初步总消耗数,确定待预估广告在预估时间段内的预估消耗回流率。
示例性地,如公式8所示,以预估时间段[t1,t2]是[10:00,11:00]为例,假设10:00至11:00点期间的已消耗数(即已消耗数)为60,10:00至11:00点期间的初步总消耗数(即根据公式8中分母部分初步预估的总消耗数)为100,则预估时间段[10:00,11:00]的预估消耗回流率R1(t1,t2)=60/100*100%=60%。
公式8中,R3(t1,t2)表示预估时间段[t1,t2]内的预估消耗回流率。
公式8中,consumption(t)表示预估时间段[t1,t2]内每个时间点t的已消耗数,conversions(t)可以通过广告投放过程中实时回传至的回流数据得到。
公式8中,表示对预估时间段[t1,t2]内每个时间点的已回流数进行累积的结果。
公式8中,F(t)为每个时间点t的初步消耗回流率,F(t)表示当消耗延时T=预估时间段内的每个时间点t与起始时间点t1之间的间隔时长时,即当T=t-t1时,根据步骤202中获取的累积分布函数计算得到的回流率。
公式8中,表示每个时间点t的初步总消耗数。由于消耗回流率=已消耗数/预估总消耗数,因此可以推论得出每个时间点t的初步总消耗数为/>
公式8中,表示对预估时间段[t1,t2]内每个时间点的初步总消耗数进行累积的结果。
可见,通过分别对每个时间点的已消耗数进行累积、对每个时间点的初步总消耗数进行累积,得到预估时间段的已消耗数、预估时间段的初步总消耗数,用于确定预估消耗回流率,可以结合整个预估时间段整体的消耗回流率和整个预估时间段整体的已消耗数,确定预估消耗回流率,避免由于累积分布函数会潜在地将预设起始行为发生时间点(即拉取时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的消耗回流率直接作为预估消耗回流率时准确率较低问题。由此,可以在一定程度上提高预估消耗回流率的预估准确度,降低广告投放过程中的指标误差问题。
在广告投放过程中,待预估广告的预估效果回流率(如预估转化回流率、预估曝光回流率、预估消耗回流率)有多种用途,例如,预估效果回流率可用于指导广告投放过程未来的剩余回流数、广告的实时CPA、广告投放成本调价、行业校准、报表披露、智能定向等。
以预估效果回流率用于指导广告投放过程未来的剩余回流数为例,此时,在得到预估效果回流率之后,还可以通过如下步骤B1~B3计算剩余回流数:
B1、基于每个时间点的已回流数,获取预估时间段的已回流数。
其中,预估时间段的已回流数是指每个时间点的已回流数进行累积得到的已回流数。
其中,步骤B1中预估时间段的已回流数的详细获取方式可以参考步骤2041A、2041B或2041C的相关说明,为简化表述此处不再赘述。
B2、基于预估效果回流率和预估时间段的已回流数,确定预估时间段的预估总回流数。
其中,预估总回流数是指根据预估时间段的已回流数确定的总回流数。
示例性地,可以将预估时间段的已回流数与预估效果回流率之间的比值,作为预估时间段的预估总回流数。
B3、基于预估总回流数和预估时间段的已回流数,确定待预估广告的剩余回流数。
其中,剩余回流数是指预计未来会产生的、未回流的效果行为的数量。
示例性地,可以将预估时间段的预估总回流数与预估时间段的已回流数之差,作为待预估广告的剩余回流数。
例如,步骤B1~B3中,以效果行为是转化行为、剩余回流数是剩余转化数、预估时间段[t1,t2]是[10:00,11:00]为例,如公式9所示,此时,可以将预估时间段[10:00,11:00]的已转化数(如60)、与预估时间段的预估转化回流率(如60%)之间的比值,作为预估时间段的预估总转化数(即60/60%=100)。然后,将预估时间段的预估总转化数与预估时间段的已转化数之差,作为待预估广告的剩余转化数。在实际业务场景中也可以直接将代入如公式9所示的剩余回流数计算公式中,计算得到待预估广告的剩余转化数S1。
公式9中,S1表示待预估广告的剩余回流数,S2表示待预估广告在预估时间段的已回流数,R(t1,t2)表示预估时间段的预估效果回流率,表示待预估广告在预估时间段的预估总回流数。
又如,步骤B1~B3中,以效果行为是曝光行为、剩余回流数是剩余曝光数、预估时间段[t1,t2]是[10:00,11:00]为例,如公式9所示,此时,可以将预估时间段[10:00,11:00]的已曝光数(如60)、与预估时间段的预估曝光回流率(如60%)之间的比值,作为预估时间段的预估总曝光数(即60/60%=100)。然后,将预估时间段的预估总曝光数与预估时间段的已曝光数之差,作为待预估广告的剩余曝光数。在实际业务场景中也可以直接将代入如公式9所示的剩余回流数计算公式中,计算得到待预估广告的剩余曝光数S1。
再如,步骤B1~B3中,以效果行为是消耗行为、剩余回流数是剩余消耗数、预估时间段[t1,t2]是[10:00,11:00]为例,如公式9所示,此时,可以将预估时间段[10:00,11:00]的已消耗数(如60)、与预估时间段的预估消耗回流率(如60%)之间的比值,作为预估时间段的预估总消耗数(即60/60%=100)。然后,将预估时间段的预估总消耗数与预估时间段的已消耗数之差,作为待预估广告的剩余消耗数。在实际业务场景中也可以直接将代入如公式9所示的剩余回流数计算公式中,计算得到待预估广告的剩余消耗数S1。
可以理解的是,本实施例(如步骤2041C~2044C中)是以消耗数是消耗行为的数量为例进行了说明,在实际业务场景中,消耗(cost)一般是广告计费成本,因此,可以将消耗数与每单位成本相乘的结果作为消耗成本。比如,可以将公式9计算得到的剩余消耗数与每单位成本相乘的结果作为剩余消耗成本、已消耗数与每单位成本相乘的结果作为已消耗成本、预估总消耗数与每单位成本相乘的结果作为预估总消耗成本。例如,在CPM广告中,剩余消耗成本=公式9计算得到的剩余消耗数S1*ECPM。又如,在CPC广告中,剩余消耗成本=公式9计算得到的剩余消耗数S1*PCTR*ECPM。
可见,由于通过步骤204确定的预估效果回流率的预估准确度得到提高,因此,利用步骤204确定的预估效果回流率确定待预估广告的剩余回流数,可以提高待预估广告的剩余回流数的预估准确性,进而降低了广告投放过程中剩余回流数的这一指标误差。
如图10所示,以“预估效果回流率用于计算待评估广告的实时CPA,以指导广告投放成本调价”为例,此时,在得到预估效果回流率之后,还可以通过如下步骤C1~C5计算待评估广告的实时CPA,从进而可以采用如期望全天成本最优调价算法等确定调价系数、风控系数等,进而实现广告投放成本调价。其中,预估效果回流率包括预估转化回流率和预估消耗回流率,预估时间段的结束时间点为当前时间点,如公式10所示,步骤C1~C5具体如下:
C1、基于预估转化回流率和每个时间点的已转化数,获取预估时间段的预估总转化数。
其中,预估总转化数是指根据预估时间段的已转化数确定的总转化数。
步骤C1的实现可以参考前文步骤B1~B2的相关说明,此处不再赘述。
C2、基于预估消耗回流率和每个时间点的已消耗数,获取预估时间段的预估总消耗数。
其中,预估总消耗数是指根据预估时间段的已消耗数确定的总消耗数。
步骤C2的实现可以参考前文步骤B1~B2的相关说明,此处不再赘述。
C3、基于预估总消耗数,确定当前时间点的已消耗成本。
示例性地,可以将预估时间段的预估总消耗数作为截止当前时间点的已消耗数,然后,将截止当前时间点的已消耗数与每单位成本相乘的结果作为当前时间点的已消耗成本。例如,在CPM广告中,当前时间点的已消耗成本=截止当前时间点的已消耗数*ECPM。又如,在CPC广告中,当前时间点的已消耗成本=截止当前时间点的已消耗数*PCTR*ECPM。
其中,步骤C3确定的当前时间点的已消耗成本是预估时间段对应时长(如10:00至10:05对应时长为5min)的消耗成本。进一步地,在实际业务场景中可以将某个观察时间段(如一天)内的各时间点(如10:00、10:01、10:05等)作为当前时间点,以当前时间点(如10:05)过去预设时长(如过去5min)作为预估时间段(即10:00至10:05),参考前文所述方式确定当前时间点(如10:05)的已消耗成本,从而得到某个观察时间段(如一天)内的各时间点的已消耗成本,从而得到观察时间段(如一天)内的实时消耗成本。请参考图9,图9是本实施例中提供的实时消耗成本的一个曲线示意图,图9中横轴表示当前时间点(如一天中的各时间点)、纵轴表示实时消耗成本(即当前时间点的已消耗成本,如5分钟的消耗成本),可见,实时消耗成本的变化较大,并且随时间呈现一定规律。
C4、获取待预估广告的调价时间段的期望转化数和调价时间段的期望消耗成本。
其中,预估时间段处于调价时间段内,调价时间段的开始时间点与预估时间段的起始时间点相同。
C5、基于预估总转化数、已消耗成本、期望转化数和期望消耗成本,确定调价时间段实时的每次行动成本。
其中,每次行动成本是指实时总转化数与实时总消耗成本之间的比值,实时总转化数是指预估总转化数和期望转化数之和,实时总消耗成本是指已消耗成本和期望消耗成本之和。
示例性地,可以将待预估广告的调价时间段的期望转化数、期望消耗成本、预估时间段的预估总转化数、以及当前时间点的已消耗成本代入如公式10所示的CPA计算公式中,计算得到调价时间段实时的每次行动成本。
公式10中,CPA表示调价时间段实时的每次行动成本,conve表示待预估广告的调价时间段的期望转化数,coste表示待预估广告的调价时间段的期望消耗成本,convh表示待预估广告的预估时间段的预估总转化数,costh当前时间点的已消耗成本。
可见,由于通过步骤204确定的预估效果回流率(即预估转化回流率、预估消耗回流率)的预估准确度得到提高,因此,利用步骤204确定的预估效果回流率(即预估转化回流率、预估消耗回流率)确定待预估广告实时的每次行动成本(即实时CPA),可以提高待预估广告实时CPA的预估准确性,进而降低了广告投放过程中实时CPA的这一指标误差,为广告投放成本的精准调控提供了准确的数据依据。
并且,由于预估效果回流率的预估准确度得到提高,因此避免了由于广告存在天然回流延迟而导致如预估总回流数、剩余回流数等指标低估问题,进而避免预估消耗成本虚高、转化率低估等问题,从而可以对投放成本进行更实时、精准地控制,提高广告的投放效率。
由以上内容可以看出,通过利用反映待预估广告的回流率与效果延时之间关系的累积分布函数,确定每个时间点的回流率;再结合累积分布函数指示的每个时间点的回流率以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率;一方面,由于累积分布函数是通过广告样本的效果延时进行拟合学习得到,因此可以准确地确定:效果延时等于预估时间段的起始时间点与每个时间点之间的间隔时长时,待预估广告的回流率;即可以准确地确定每个时间点的回流率。另一方面,由于结合了每个时间点的已回流数确定预估效果回流率,因此可以结合整个预估时间段整体的回流率和整个预估时间段整体的已回流数,确定预估效果回流率,避免了直接将累积分布函数指示的回流率作为预估效果回流率;从而可以避免:由于累积分布函数会潜在地将预设起始行为发生时间点(如转化延时计算时的点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的回流率直接作为预估效果回流率时准确率较低问题。由此,可以在一定程度上提高回流率的预估准确度,降低广告投放过程中的指标误差问题。
为了便于理解,结合图3至图5、图9,以“预估效果回流率包括预估转化回流率和预估消耗回流率,利用预估转化回流率和预估消耗回流率确定待预估广告的实时CPA,实时CPA用于指导调价”为例,说明本申请实施例中的广告回流率预估及应用流程,广告回流率预估及应用流程具体如下:
1)获取待预估广告的累积分布函数,包括用于预估转化回流率预测的累积分布函数、以及用于预估消耗回流率预测的累积分布函数。具体可以参考公式1至公式5、步骤A1~A3的相关说明,此处不再赘述。
2)确定待预估广告的预估时间段。预估时间段具体为从调价时间段的开始时间点截止至当前时间点,具体可以参考步骤201的相关说明,此处不再赘述。
3)获取预估时间段内每个时间点的已转化数和每个时间点的已消耗数。具体可以参考步骤203的相关说明,此处不再赘述。
4)基于预估时间段、用于预估转化回流率预测的累积分布函数和每个时间点的已转化数,确定待预估广告在预估时间段内的预估转化回流率。具体可以参考公式6、步骤2041A~2044A的相关说明,此处不再赘述。
5)基于预估时间段、用于预估消耗回流率预测的累积分布函数和每个时间点的已消耗数,确定待预估广告在预估时间段内的预估转化消耗率。具体可以参考公式8、步骤2041C~2044C的相关说明,此处不再赘述。
6)基于预估消耗回流率和每个时间点的已消耗数,确定当前时间点的已消耗成本。具体可以参考步骤C2~C3的相关说明,此处不再赘述。
7)基于预估转化回流率和每个时间点的已转化数,获取预估时间段的预估总转化数。具体可以参考步骤C1的相关说明,此处不再赘述。
8)获取待预估广告的调价时间段(如全天)的期望转化数和调价时间段的期望消耗成本。
9)基于预估总转化数、已消耗成本、期望转化数和期望消耗成本,确定调价时间段实时的每次行动成本,即待预估广告的实时CPA。具体可以参考公式10、步骤C5的相关说明,此处不再赘述。
10)根据调价时间段实时的每次行动成本,采用如期望全天成本最优调价算法等确定调价系数、风控系数等,进而实现广告投放成本调价。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息如点击广告、点击下载等操作相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
为了更好实施本申请实施例中广告回流率预估方法,在广告回流率预估方法基础之上,本申请实施例中还提供一种广告回流率预估装置,该广告回流率预估装置可以集成在计算机设备,比如服务器或终端等设备中。
例如,如图11所示,图11为本申请实施例中广告回流率预估装置的一个实施例结构示意图,该广告回流率预估装置可以包括第一获取单元1101、第二获取单元1102、第三获取单元1103、预估单元1104等,如下:
第一获取单元1101,用于获取待预估广告的预估时间段;
第二获取单元1102,用于获取待预估广告的累积分布函数,其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系;
第三获取单元1103,用于获取预估时间段内每个时间点的已回流数;
预估单元1104,用于基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
在一些实施例中,预估效果回流率包括预估转化回流率,已回流数包括已转化数,每个时间点的回流率为每个时间点的初步转化回流率;预估单元1104具体用于:
对每个时间点的已转化数进行累积,得到预估时间段的已转化数;
基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的转化回流率,以作为每个时间点的初步转化回流率,其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长;
对每个时间点的初步总转化数进行累积,得到预估时间段的初步总转化数,其中,每个时间点的初步总转化数是指每个时间点的已转化数与每个时间点的初步转化回流率之间的比值;
基于预估时间段的已转化数和预估时间段的初步总转化数,确定待预估广告在预估时间段内的预估转化回流率。
在一些实施例中,预估效果回流率包括预估曝光回流率,已回流数包括已曝光数,每个时间点的回流率为每个时间点的初步曝光回流率;预估单元1104具体用于:
对每个时间点的已曝光数进行累积,得到预估时间段的已曝光数;
基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的曝光回流率,以作为每个时间点的初步曝光回流率,其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长;
对每个时间点的初步总曝光数进行累积,得到预估时间段的初步总曝光数,其中,每个时间点的初步总曝光数是指每个时间点的已曝光数与每个时间点的初步曝光回流率之间的比值;
基于预估时间段的已曝光数和预估时间段的初步总曝光数,确定待预估广告在预估时间段内的预估曝光回流率。
在一些实施例中,预估效果回流率包括预估消耗回流率,已回流数包括已消耗数,每个时间点的回流率为每个时间点的初步消耗回流率;预估单元1104单元具体用于:
对每个时间点的已消耗数进行累积,得到预估时间段的已消耗数;
基于预估时间段和累积分布函数,确定每个时间点的间隔时长关联的消耗回流率,以作为每个时间点的初步消耗回流率,其中,每个时间点的间隔时长是指每个时间点与预估时间段的起始时间点之间的间隔时长;
对每个时间点的初步总消耗数进行累积,得到预估时间段的初步总消耗数,其中,每个时间点的初步总消耗数是指每个时间点的已消耗数与每个时间点的初步消耗回流率之间的比值;
基于预估时间段的已消耗数和预估时间段的初步总消耗数,确定待预估广告在预估时间段内的预估消耗回流率。
在一些实施例中,广告回流率预估装置包括还包括学习单元(图中未示出),学习单元具体用于:
获取广告样本数据集,其中,样本数据集包括多个广告样本中每个广告样本的效果延时;
基于每个广告样本的效果延时和待预估广告的预设先验分布函数,确定预设先验分布函数的模型参数;
基于模型参数和预设先验分布函数,确定反映回流率与间隔时长之间关系的分布函数,以作为待预估广告的累积分布函数。
在一些实施例中,广告回流率预估装置包括还包括第一确定单元(图中未示出),基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率之后,第一确定单元具体用于:
基于每个时间点的已回流数,获取预估时间段的已回流数;
基于预估效果回流率和预估时间段的已回流数,确定预估时间段的预估总回流数;
基于预估总回流数和预估时间段的已回流数,确定待预估广告的剩余回流数。
在一些实施例中,广告回流率预估装置包括还包括第二确定单元(图中未示出),预估时间段的结束时间点为当前时间点,预估效果回流率包括预估转化回流率和预估消耗回流率,已回流数包括已转化数和已消耗数;第二单元具体用于:
基于预估转化回流率和每个时间点的已转化数,获取预估时间段的预估总转化数;
基于预估消耗回流率和每个时间点的已消耗数,获取预估时间段的预估总消耗数;
基于预估总消耗数,确定当前时间点的已消耗成本;
获取待预估广告的调价时间段的期望转化数和调价时间段的期望消耗成本,其中,预估时间段处于调价时间段内,调价时间段的开始时间点与预估时间段的起始时间点相同;
基于预估总转化数、已消耗成本、期望转化数和期望消耗成本,确定调价时间段实时的每次行动成本,其中,每次行动成本是指实时总转化数与实时总消耗成本之间的比值,实时总转化数是指预估总转化数和期望转化数之和,实时总消耗成本是指已消耗成本和期望消耗成本之和。
由上可知,本申请实施例的广告回流率预估装置可以由第一获取单元1101获取待预估广告的预估时间段;由第二获取单元1102,用于获取待预估广告的累积分布函数,其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系;由第三获取单元1103获取预估时间段内每个时间点的已回流数;由预估单元1104基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
因此,本申请实施例提供的广告回流率预估装置可以带来如下技术效果:一方面,由于累积分布函数是通过广告样本的效果延时进行拟合学习得到,因此可以准确地确定:效果延时等于预估时间段的起始时间点与每个时间点之间的间隔时长时,待预估广告的回流率;即可以准确地确定每个时间点的回流率。另一方面,由于结合了每个时间点的已回流数确定预估效果回流率,因此可以结合整个预估时间段整体的回流率和整个预估时间段整体的已回流数,确定预估效果回流率,避免了直接将累积分布函数指示的回流率作为预估效果回流率;从而可以避免:由于累积分布函数会潜在地将预设起始行为发生时间点(如转化延时计算时的点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的回流率直接作为预估效果回流率时准确率较低问题。由此,可以在一定程度上提高回流率的预估准确度,降低广告投放过程中的指标误差问题。
此外,为了更好实施本申请实施例中广告回流率预估方法,在广告回流率预估方法基础之上,本申请实施例还提供一种计算机设备,如图12所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器1201、一个或一个以上计算机可读存储介质的存储器1202、电源1203和输入单元1204等部件。本领域技术人员可以理解,图12中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器1201是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器1202内的软件程序和/或模块,以及调用存储在存储器1202内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体检测。可选的,处理器1201可包括一个或多个处理核心;优选的,处理器1201可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1201中。
存储器1202可用于存储软件程序以及模块,处理器1201通过运行存储在存储器1202的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器1202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、影像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器1202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器1202还可以包括存储器控制器,以提供处理器1201对存储器1202的访问。
计算机设备还包括给各个部件供电的电源1203,优选的,电源1203可以通过电源管理系统与处理器1201逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源1203还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元1204,该输入单元1204可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,计算机设备中的处理器1201会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1202中,并由处理器1201来运行存储在存储器1202中的应用程序,从而实现各种功能,如下:
获取待预估广告的预估时间段;
获取待预估广告的累积分布函数,其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系;
获取预估时间段内每个时间点的已回流数;
基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
以上各个操作具体可参见前面的实施例,在此不作赘述。
由此,本实施例的计算机设备可以带来如下技术效果:一方面,由于累积分布函数是通过广告样本的效果延时进行拟合学习得到,因此可以准确地确定:效果延时等于预估时间段的起始时间点与每个时间点之间的间隔时长时,待预估广告的回流率;即可以准确地确定每个时间点的回流率。另一方面,由于结合了每个时间点的已回流数确定预估效果回流率,因此可以结合整个预估时间段整体的回流率和整个预估时间段整体的已回流数,确定预估效果回流率,避免了直接将累积分布函数指示的回流率作为预估效果回流率;从而可以避免:由于累积分布函数会潜在地将预设起始行为发生时间点(如转化延时计算时的点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的回流率直接作为预估效果回流率时准确率较低问题。由此,可以在一定程度上提高回流率的预估准确度,降低广告投放过程中的指标误差问题。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种物体检测方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取待预估广告的预估时间段;
获取待预估广告的累积分布函数,其中,累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,累积分布函数用于指示待预估广告的回流率与效果延时之间的关系;
获取预估时间段内每个时间点的已回流数;
基于累积分布函数指示的每个时间点的回流率、以及每个时间点的已回流数,确定待预估广告在预估时间段内的预估效果回流率。
可见,计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种广告回流率预估方法中的步骤,由此,本申请实施例的计算机可读存储介质可以带来如下技术效果:一方面,由于累积分布函数是通过广告样本的效果延时进行拟合学习得到,因此可以准确地确定:效果延时等于预估时间段的起始时间点与每个时间点之间的间隔时长时,待预估广告的回流率;即可以准确地确定每个时间点的回流率。另一方面,由于结合了每个时间点的已回流数确定预估效果回流率,因此可以结合整个预估时间段整体的回流率和整个预估时间段整体的已回流数,确定预估效果回流率,避免了直接将累积分布函数指示的回流率作为预估效果回流率;从而可以避免:由于累积分布函数会潜在地将预设起始行为发生时间点(如转化延时计算时的点击时间点)均视为预估时间段的起始时间点,而导致的累积分布函数指示的回流率直接作为预估效果回流率时准确率较低问题。由此,可以在一定程度上提高回流率的预估准确度,降低广告投放过程中的指标误差问题。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的广告回流率预估方法,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中的各种可选实现方式中提供的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的广告回流率预估装置、计算机可读存储介质、计算机设备及其相应单元的具体工作过程及可带来的有益效果,可以参考如上实施例中广告回流率预估方法的说明,具体在此不再赘述。
以上对本申请实施例所提供的一种广告回流率预估方法、装置、计算机设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (11)
1.一种广告回流率预估方法,其特征在于,所述方法包括:
获取待预估广告的预估时间段;
获取所述待预估广告的累积分布函数,其中,所述累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,所述累积分布函数用于指示所述待预估广告的回流率与效果延时之间的关系;
获取所述预估时间段内每个时间点的已回流数;
基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率。
2.根据权利要求1所述的广告回流率预估方法,其特征在于,所述预估效果回流率包括预估转化回流率,所述已回流数包括已转化数,所述每个时间点的回流率为每个时间点的初步转化回流率;
所述基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率,包括:
对所述每个时间点的已转化数进行累积,得到所述预估时间段的已转化数;
基于所述预估时间段和所述累积分布函数,确定所述每个时间点的间隔时长关联的转化回流率,以作为所述每个时间点的初步转化回流率,其中,所述每个时间点的间隔时长是指所述每个时间点与所述预估时间段的起始时间点之间的间隔时长;
对所述每个时间点的初步总转化数进行累积,得到所述预估时间段的初步总转化数,其中,所述每个时间点的初步总转化数是指所述每个时间点的已转化数与所述每个时间点的初步转化回流率之间的比值;
基于所述预估时间段的已转化数和所述预估时间段的初步总转化数,确定所述待预估广告在所述预估时间段内的预估转化回流率。
3.根据权利要求1所述的广告回流率预估方法,其特征在于,所述预估效果回流率包括预估曝光回流率,所述已回流数包括已曝光数,所述每个时间点的回流率为每个时间点的初步曝光回流率;
所述基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率,包括:
对所述每个时间点的已曝光数进行累积,得到所述预估时间段的已曝光数;
基于所述预估时间段和所述累积分布函数,确定所述每个时间点的间隔时长关联的曝光回流率,以作为所述每个时间点的初步曝光回流率,其中,所述每个时间点的间隔时长是指所述每个时间点与所述预估时间段的起始时间点之间的间隔时长;
对所述每个时间点的初步总曝光数进行累积,得到所述预估时间段的初步总曝光数,其中,所述每个时间点的初步总曝光数是指所述每个时间点的已曝光数与所述每个时间点的初步曝光回流率之间的比值;
基于所述预估时间段的已曝光数和所述预估时间段的初步总曝光数,确定所述待预估广告在所述预估时间段内的预估曝光回流率。
4.根据权利要求1所述的广告回流率预估方法,其特征在于,所述预估效果回流率包括预估消耗回流率,所述已回流数包括已消耗数,所述每个时间点的回流率为每个时间点的初步消耗回流率;
所述基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率,包括:
对所述每个时间点的已消耗数进行累积,得到所述预估时间段的已消耗数;
基于所述预估时间段和所述累积分布函数,确定所述每个时间点的间隔时长关联的消耗回流率,以作为所述每个时间点的初步消耗回流率,其中,所述每个时间点的间隔时长是指所述每个时间点与所述预估时间段的起始时间点之间的间隔时长;
对所述每个时间点的初步总消耗数进行累积,得到所述预估时间段的初步总消耗数,其中,所述每个时间点的初步总消耗数是指所述每个时间点的已消耗数与所述每个时间点的初步消耗回流率之间的比值;
基于所述预估时间段的已消耗数和所述预估时间段的初步总消耗数,确定所述待预估广告在所述预估时间段内的预估消耗回流率。
5.根据权利要求1所述的广告回流率预估方法,其特征在于,所述待预估广告的累积分布函数通过如下步骤学习得到:
获取广告样本数据集,其中,所述样本数据集包括多个广告样本中每个广告样本的效果延时;
基于所述每个广告样本的效果延时和所述待预估广告的预设先验分布函数,确定所述预设先验分布函数的模型参数;
基于所述模型参数和所述预设先验分布函数,确定反映回流率与间隔时长之间关系的分布函数,以作为所述待预估广告的累积分布函数。
6.根据权利要求1所述的广告回流率预估方法,其特征在于,所述基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率之后,还包括:
基于所述每个时间点的已回流数,获取所述预估时间段的已回流数;
基于所述预估效果回流率和所述预估时间段的已回流数,确定所述预估时间段的预估总回流数;
基于所述预估总回流数和所述预估时间段的已回流数,确定所述待预估广告的剩余回流数。
7.根据权利要求1所述的广告回流率预估方法,其特征在于,所述预估时间段的结束时间点为当前时间点,所述预估效果回流率包括预估转化回流率和预估消耗回流率,所述已回流数包括已转化数和已消耗数;
所述方法还包括:
基于所述预估转化回流率和所述每个时间点的已转化数,获取所述预估时间段的预估总转化数;
基于所述预估消耗回流率和所述每个时间点的已消耗数,获取所述预估时间段的预估总消耗数;
基于所述预估总消耗数,确定所述当前时间点的已消耗成本;
获取所述待预估广告的调价时间段的期望转化数和所述调价时间段的期望消耗成本,其中,所述预估时间段处于所述调价时间段内,所述调价时间段的开始时间点与所述预估时间段的起始时间点相同;
基于所述预估总转化数、所述已消耗成本、所述期望转化数和所述期望消耗成本,确定所述调价时间段实时的每次行动成本,其中,所述每次行动成本是指实时总转化数与实时总消耗成本之间的比值,所述实时总转化数是指所述预估总转化数和所述期望转化数之和,所述实时总消耗成本是指所述已消耗成本和所述期望消耗成本之和。
8.一种广告回流率预估装置,其特征在于,所述广告回流率预估装置包括:
第一获取单元,用于获取待预估广告的预估时间段;
第二获取单元,用于获取所述待预估广告的累积分布函数,其中,所述累积分布函数通过预设的广告样本的效果延时进行拟合学习得到,所述累积分布函数用于指示所述待预估广告的回流率与效果延时之间的关系;
第三获取单元,用于获取所述预估时间段内每个时间点的已回流数;
预估单元,用于基于所述累积分布函数指示的所述每个时间点的回流率、以及所述每个时间点的已回流数,确定所述待预估广告在所述预估时间段内的预估效果回流率。
9.一种计算机设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现如权利要求1-8任一项所述的广告回流率预估方法。
10.一种计算机可读存储介质,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权利要求1-7任一项所述方法。
11.一种计算机程序产品,包括计算机程序或指令,其特征在于,所述计算机程序或指令被处理器执行时实现如权利要求1至7中任一项所述的广告回流率预估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288651.6A CN117974229A (zh) | 2022-10-20 | 2022-10-20 | 广告回流率预估方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211288651.6A CN117974229A (zh) | 2022-10-20 | 2022-10-20 | 广告回流率预估方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117974229A true CN117974229A (zh) | 2024-05-03 |
Family
ID=90853980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211288651.6A Pending CN117974229A (zh) | 2022-10-20 | 2022-10-20 | 广告回流率预估方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974229A (zh) |
-
2022
- 2022-10-20 CN CN202211288651.6A patent/CN117974229A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110418022B (zh) | 为多个用户标识调整流量套餐的方法及装置 | |
CN108009862B (zh) | 一种广告费用余额预警的方法及装置 | |
CN109087136B (zh) | 一种广告资源值的调整方法及装置 | |
CN114255040A (zh) | 账户充值提示方法、装置、电子设备以及存储介质 | |
CA2754442A1 (en) | Targeting energy programs based on monitored consumption | |
AU2012346010B2 (en) | Configurable billing with subscriptions having conditional components | |
CN105335537A (zh) | 视频专辑中网络媒介信息的曝光量的预估方法和系统 | |
CN117974229A (zh) | 广告回流率预估方法、装置及可读存储介质 | |
CN110060077A (zh) | 信息对象竞争方法和装置 | |
CN110351098B (zh) | 资费预演方法以及相关设备 | |
CN113947441A (zh) | 一种用于SaaS化工业APP应用的计费方法 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
KR20140098313A (ko) | 타겟팅 조건 기반의 광고 가용량 관리 방법 | |
KR102493203B1 (ko) | 전력 거래 중개 장치 및 방법 | |
CN112001759A (zh) | 仓库价格数据预测方法、装置、电子设备和可读存储介质 | |
CN111160991A (zh) | Pdb广告流量优选方法、装置、存储介质及电子设备 | |
CN108700925B (zh) | 识别能量分布图的方法和系统以及估计能量消耗的方法 | |
CN112581166B (zh) | 一种多媒体对象的调价方法及装置 | |
US20210374814A1 (en) | A reconciliation system based on hybrid cloud computing platform and its reconciliation method | |
CN106934654B (zh) | 评估流量和确定价值的方法、装置以及移动终端 | |
CN117035868A (zh) | 推广内容的数据预测方法以及相关设备 | |
CN116485476A (zh) | 广告收入预估方法、装置、存储介质及计算机设备 | |
CN118337545A (zh) | 云管平台计费方法、装置、系统、电子设备及存储介质 | |
CN114466061A (zh) | 信息处理方法、信息处理装置、服务器及存储介质 | |
CN115204922A (zh) | 推广内容的数据预测方法、装置、电子设备和存储介质 |
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 |