DE102018006371A1

DE102018006371A1 - Targeting einer digitalen erfahrung unter verwendung eines bayes-ansatzes

Info

Publication number: DE102018006371A1
Application number: DE102018006371.3A
Authority: DE
Inventors: Piyush Gupta; Nikaash Puri; Balaji Krishnamurthy
Original assignee: Adobe Inc
Current assignee: Adobe Inc
Priority date: 2017-10-18
Filing date: 2018-08-13
Publication date: 2019-04-18
Also published as: AU2018214157A1; GB201813851D0; CN109685091A; GB2567929A; US20190114673A1; CN109685091B

Abstract

Es werden Targeting-Techniken einer digitalen Erfahrung geoffenbart, welche digitale Erfahrungen anbieten, welche eine hohe Wahrscheinlichkeit einer Konversion im Hinblick auf ein gegebenes Benutzer-Besuchsprofil aufweisen. In einigen Beispielen kann ein Verfahren ein Vorhersagen einer Wahrscheinlichkeit einer jeden digitalen Erfahrung in der angebotenen Kampagne basierend auf einem Benutzer-Besuchsprofil und einer Anzeige, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, ein Vorhersagen einer Wahrscheinlichkeit einer jeden digitalen Erfahrung in einer zu bedienenden Kampagne basierend auf dem Benutzer-Besuchsprofil und einer Anzeige, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, und ein Ableiten für das Benutzer-Besuchsprofil einer Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne beinhalten. Die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne für das Benutzer-Besuchsprofil kann unter Verwendung eines Bayes-Rahmens abgeleitet werden.

Description

GEBIET DER OFFENBARUNG
Diese Offenbarung bezieht sich allgemein auf digitale Erfahrungen bzw. Erlebnisse, und genauer auf ein Targeting einer digitalen Erfahrung unter Verwendung eines Bayes-Ansatzes.
HINTERGRUND
Eine digitale Erfahrung erstreckt sich über den Bereich von Erfahrungen bzw. Erlebnissen, welche Benutzer bzw. Verwender mit Kommunikationen einer Organisation, Produkten und Prozessen über digitale Kanäle, wie beispielsweise Websites, soziale Medien, Mobil- und Tablet-Anwendungen und E-Mail haben, um einige Beispiele zu nennen. Die Entwicklung von Plattformen, wie beispielsweise Computern, Tablets, Smartphones, Smartwatches und dgl., mit welchen Benutzer auf die digitalen Kanäle ohne Rücksicht auf Zeit und Ort zugreifen können, stellt eine große Gelegenheit für Organisationen dar, Information zu liefern. Eine unglückliche bzw. nachteilige Konsequenz der Entwicklung dieser digitalen Kanäle und Plattformen ist, dass die Benutzer mit einem Überfluss an Information überwältigt sind bzw. werden.
Figurenliste
Die beigeschlossenen Zeichnungen sollen nicht maßstäblich sein. In den Zeichnungen wird jede idente oder nahezu idente Komponente, welche in verschiedenen Figuren illustriert ist, durch ein gleiches Bezugszeichen dargestellt bzw. bezeichnet, wie dies beim Lesen im Zusammenhang geschätzt bzw. erkannt werden wird.

1 ist ein Blockdiagramm, welches einen beispielhaften Rahmen für ein Targeting einer digitalen Erfahrung illustriert, welcher in Übereinstimmung mit wenigstens einigen hierin beschriebenen Ausführungsformen angeordnet ist.
2 ist ein Diagramm, welches beispielhafte Trainingsdateneingaben an eine Konversions-Mehrfachklassen-Klassifiziereinrichtung und eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung des Rahmens in Übereinstimmung mit wenigstens einigen hierin beschriebenen Ausführungsformen illustriert.
3 ist ein Diagramm, welches beispielhafte Eingaben und Ausgaben der Konversions-Mehrfachklassen-Klassifiziereinrichtung und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung des Rahmens in Übereinstimmung mit wenigstens einigen hierin beschriebenen Ausführungsformen illustriert.
4 ist ein Flussdiagramm, welches einen beispielhaften Prozess, um ein Targeting von digitalen Erfahrungen zur Verfügung zu stellen, welche die höchste Wahrscheinlichkeit einer Konversion bzw. Umwandlung aufweisen, in Übereinstimmung mit wenigstens einigen hierin beschriebenen Ausführungsformen illustriert.
5 illustriert ausgewählte Komponenten eines beispielhaften Computer- bzw. Berechnungssystems, welches verwendet werden kann, um jegliche der Techniken, wie sie verschiedentlich in der vorliegenden Offenbarung beschrieben werden, in Übereinstimmung mit wenigstens einigen hierin beschriebenen Ausführungsformen durchzuführen.

In der nachfolgenden detaillierten Beschreibung wird auf die beigeschlossenen Zeichnungen Bezug genommen, welche ein Teil hiervon bilden. In den Zeichnungen identifizieren ähnliche Symbole typischerweise ähnliche Komponenten, außer der Kontext bzw. Zusammenhang diktiert anderes. Die illustrativen Ausführungsformen, welche in der detaillierten Beschreibung, den Zeichnungen und den Ansprüchen beschrieben sind, sollen nicht beschränkend bzw. begrenzend sein. Andere Ausführungsformen können verwendet werden und andere Änderungen können durchgeführt werden, ohne von dem Geist bzw. Wesen und dem Rahmen bzw. Geltungsbereich des hierin präsentierten Gegenstands abzuweichen. Die Aspekte der vorliegenden Offenbarung, wie sie allgemein hierin beschrieben sind und in den Figuren illustriert sind, können in einer großen Vielzahl von unterschiedlichen Konfigurationen angeordnet, substituiert, kombiniert, getrennt und entwickelt bzw. aufgebaut werden, von welchen alle hierin explizit in Betracht gezogen werden.
DETAILLIERTE BESCHREIBUNG
Organisationen sind herausgefordert bzw. aufgerufen, Benutzern bzw. Verwendern, welche ihre Websites besuchen, personalisierte digitale Erfahrungen bzw. Erlebnisse anzubieten (z.B. zu zeigen), welche im Hinblick auf ein Maximieren von Gegenleistungen bzw. Erträgen für die Organisation als ein Resultat eines Anbietens der digitalen Erfahrungen beitragen werden. In dem Kontext von Konversionen bzw. Umsetzungen bzw. Umwandlungen ist die Motivation für eine Organisation, eine digitale Erfahrung auszuwählen, um einem spezifischen Benutzer zu dienen, welche helfen kann, die Chance zu maximieren, dass der Benutzer konvertiert (z.B. dass der Benutzer eine Handlung setzt, welche durch die Organisation beabsichtigt ist), wenn ihm die ausgewählte digitale Erfahrung präsentiert wird. Beispielsweise in dem Fall, wo die digitale Erfahrung eine Webseite ist, welche eine Werbung beinhaltet, konvertiert der Benutzer aufgrund der digitalen Erfahrung (führt eine Konversion bzw. Umsetzung bzw. Umwandlung bzw. einen Abschluss daran durch), indem er die Werbung anklickt oder anderweitig auswählt, welche in der Webseite angezeigt bzw. dargestellt ist. Eine Konversion durch den Benutzer kann zu der Zeit der digitalen Erfahrung vorliegen, welche dem Benutzer angeboten wird, oder innerhalb einer geeigneten Zeitperiode (z.B. 1 Stunde, 2 Stunden etc.), nachdem die digitale Erfahrung bzw. das digitale Erlebnis das erste Mal dem Benutzer angeboten wurde. In ähnlicher Weise zielt die Organisation darauf ab, die richtige digitale Erfahrung dem richtigen Nutzer anzubieten. Intuitiv bedeutet dies, dass einem spezifischen Benutzer eine digitale Erfahrung bzw. ein digitales Erlebnis angeboten werden sollte, für welche(s) es am wahrscheinlichsten ist, dass der Benutzer konvertiert bzw. umsetzt. Beispielsweise kann eine Finanzinstitution zwei Typen von digitalen Erfahrungen (z.B. Werbungen) in einer Kampagne aufweisen, eine für Platin-Kreditkarten und die andere für Goldlimit-Kreditkarten. Es kann der Fall sein, dass Benutzer von verschiedenen Stellen bzw. Orten eher die Platin-Kreditkarte als die Goldlimit-Kreditkarte bevorzugen und umgekehrt. Es ist dann die Verantwortung der Finanzinstitution zu bestimmen, für welche(s) der zwei digitalen Erfahrungen bzw. Erlebnisse ein Benutzer wahrscheinlicher konvertieren bzw. umsetzen wird und dann diese digitale Erfahrung einem neuen Benutzer anzubieten.
Überwachte Maschinenlern-Klassifiziereinrichtungen können trainiert und verwendet werden, um zu bestimmen, welche digitale Erfahrung einem spezifischen Benutzer anzubieten ist. Die Daten, welche für ein Trainieren der Klassifizierer bzw. Klassifiziereinrichtungen verfügbar sind, bestehen aus zwei Typen bzw. Arten, Konversionsdaten und Nicht-Konversionsdaten. Konversionsdaten beinhalten typischerweise für jeden Benutzer, welcher für eine besondere digitale Erfahrung bzw. ein besonderes digitales Erlebnis konvertiert hat, ein Benutzer-Besuchsprofil (z.B. Eigenschaften bzw. Attribute des Benutzers) und eine Identifiziereinrichtung der besonderen digitalen Erfahrung, für welche der Benutzer konvertiert hat. Nicht-Konversionsdaten beinhalten typischerweise für jeden Benutzer, welcher nicht für eine besondere digitale Erfahrung konvertiert hat, ein Benutzer-Besuchsprofil und eine Identifiziereinrichtung der besonderen digitalen Erfahrung, für welche der Benutzer nicht konvertiert hat. Eine Beschränkung ist, dass die Daten, welche für ein Trainieren der Klassifiziereinrichtung verfügbar sind, unvollständig sind. D.h., es gibt keine Daten im Hinblick darauf, was passiert wäre, wenn einem Benutzer eine gewisse andere (unterschiedliche) digitale Erfahrung gezeigt worden wäre. So gibt es beispielsweise, wenn der Benutzer nicht für eine digitale Erfahrung A konvertiert hat, keine Trainingsdaten im Hinblick darauf, was passiert wäre, falls dem Benutzer eine digitale Erfahrung B oder eine digitale Erfahrung C usw. gezeigt worden wäre. Diese Daten (Kenntnis) sind notwendig, um entsprechend bzw. ordnungsgemäß eine überwachte Maschinenlern-Klassifiziereinrichtung zu trainieren, welche die beste digitale Erfahrung vorhersagen kann, welche einem Benutzer zu bieten ist, wenn Attribute des Benutzer-Besuchsprofils des Benutzers als Eingabe bzw. Eingang zu der trainierten Klassifiziereinrichtung zur Verfügung gestellt werden. Jedoch ist ohne die kompletten Trainingsdaten (komplette Kenntnis) ein ordnungsgemäßes bzw. entsprechendes Trainieren einer derartigen Klassifiziereinrichtung sehr schwierig.
Eine mögliche Lösung, um die unvollständigen Trainingsdaten zu berücksichtigen, kann sein, eine Klassifiziereinrichtung für jede digitale Erfahrung in einer Kampagne zu trainieren. Beispielsweise können, wenn eine Kampagne zehn digitale Erfahrungen bzw. Erlebnisse enthält, zehn Klassifiziereinrichtungen (eine Klassifiziereinrichtung für eine spezifische digitale Erfahrung) unter Verwendung der Konversionsdaten und der Nicht-Konversionsdaten für diese besondere digitale Erfahrung trainiert werden. Jede Klassifiziereinrichtung kann trainiert werden, um die Wahrscheinlichkeit einer Konversion vorherzusagen, wenn ein Benutzer-Besuchsprofil gegeben wird. Dann kann zu der Zeit einer Bereitstellung eine Organisation jede Klassifiziereinrichtung individuell abfragen, um eine Konversions-Wahrscheinlichkeit eines besonderen Benutzers für die digitale Erfahrung zu bestimmen. Die Organisation kann dann die digitale Erfahrung mit der höchsten vorhergesagten Wahrscheinlichkeit einer Konversion für eine Lieferung an den besonderen Nutzer auswählen. Wenn es verschiedene bzw. mehrere digitale Erfahrungen in der Kampagne gibt, muss die Organisation verschiedene bzw. einige Klassifiziereinrichtungen abfragen, bevor die Organisation eine Bestimmung machen bzw. durchführen kann, welche digitale Erfahrung anzubieten ist. Leider kann bei einem Handhaben von großen Anzahlen bzw. Mengen von digitalen Erfahrungen ein Abfragen einer großen Anzahl von Klassifiziereinrichtungen eine Latenz bei einem Bereitstellen bzw. Anbieten der digitalen Erfahrung erhöhen. Darüber hinaus ignoriert jede Klassifiziereinrichtung den Wert eines beliebigen Musters oder von Mustern, welche(s) zwischen den digitalen Erfahrungen unterscheiden kann bzw. können, da jede Klassifiziereinrichtung für eine spezifische digitale Erfahrung trainiert ist bzw. wird.
Eine andere mögliche Lösung, um die unvollständigen Trainingsdaten zu berücksichtigen, kann ein Trainieren einer Mehrfachklassen-Klassifiziereinrichtung für die digitalen Erfahrungen in einer Kampagne sein. Die Mehrfachklassen-Klassifiziereinrichtung kann unter Verwendung der Konversionsdaten für alle digitalen Erfahrungen in der Kampagne, welche vorherzusagen sind, für ein Benutzer-Besuchsprofil trainiert werden, für welche digitale Erfahrung ein Benutzer dieses Benutzer-Besuchsprofils wahrscheinlich konvertieren wird. Leider können die Mehrfachklassen-Klassifiziereinrichtungen, welche auf diese Weise trainiert werden, Resultate produzieren, welche eine Varianz bzw. Abweichung, gegebenenfalls sogar eine signifikante Varianz zeigen. Die Varianz kann dadurch bedingt sein, dass die Mehrfachklassen-Klassifiziereinrichtung an einem kleinen Trainingsdatensatz trainiert wird bzw. wurde. D.h., es ist für die Konversionsrate in einer Kampagne wahrscheinlich, niedrig, sogar sehr niedrig zu sein. Somit ist es für die Anzahl von Konversionsaufzeichnungen als einem Bruchteil der gesamten Anzahl von gesamten Aufzeichnungen wahrscheinlich, dass sie sehr klein ist, wobei dies darin resultiert, dass die Mehrfachklassen-Klassifiziereinrichtung an sehr geringen bzw. wenigen Daten trainiert wird und es als ein Resultat wahrscheinlicher ist, eine Varianz in ihren Resultaten zu zeigen. Ein Zugang bzw. Ansatz, um das Varianzproblem zu korrigieren, kann sein, eine signifikante Zeitdauer abzuwarten (z.B. nachdem die Kampagne gestartet hat), um genug Trainingsdaten (z.B. Konversionsdaten) zu sammeln, um die Mehrfachklassen-Klassifiziereinrichtung zu trainieren. Darüber hinaus ignoriert die Mehrfachklassen-Klassifiziereinrichtung auch vollständig den Wert der Nicht-Konversionsdaten bei einem Bestimmen, welche digitale Erfahrung einem Benutzer anzubieten ist. Es ist möglich, dass die Nicht-Konversionsdaten wichtige Information für ein Entscheiden geben bzw. vermitteln können, welche digitale Erfahrung dem Benutzer anzubieten ist. Beispielsweise kann es sein, dass 100 Benutzer aus Kalifornien konvertierten, wenn ihnen eine digitale Erfahrung A angeboten wurde, während 50 Benutzer aus Kalifornien konvertierten, wenn ihnen eine digitale Erfahrung B angeboten wurde. Ein Verwenden einer Mehrfachklassen-Klassifiziereinrichtung, welche mit diesen Konversionsdaten trainiert wird, könnte die Organisation irrtümlicherweise schließen lassen, dass es für Benutzer aus Kalifornien wahrscheinlicher war, für eine digitale Erfahrung A eher als für eine digitale Erfahrung B zu konvertieren. Jedoch könnten die Nicht-Konversionsdaten zeigen, dass 1.000 Benutzer aus Kalifornien nicht konvertierten, wenn ihnen die digitale Erfahrung A angeboten wurde, während 50 Benutzer aus Kalifornien nicht konvertierten, wenn ihnen die digitale Erfahrung B angeboten wurde. Mit diesen zusätzlichen Daten (Nicht-Konversionsdaten) ist es sehr klar, dass tatsächlich Benutzer aus Kalifornien wahrscheinlicher konvertierten, wenn ihnen die digitale Erfahrung B angeboten wurde. Diese Tatsache wird durch die Mehrfachklassen-Klassifiziereinrichtung übersehen, welche unter Verwendung lediglich von Konversionsdaten trainiert wird.
Zu diesem Zweck werden Techniken hierin für einen Mehrfachklassen-Klassifiziereinrichtungs-Rahmen geoffenbart, um auf digitale Erfahrungen bzw. Erlebnisse unter Berücksichtigung der Beschränkung von unvollständigen Trainingsdaten abzuzielen. Der Rahmen stellt das Abzielen auf bzw. Targeting von digitale(n) Erfahrungen zur Verfügung, welche eine hohe Wahrscheinlichkeit einer Konversion im Hinblick auf ein gegebenes Benutzer-Besuchsprofil (z.B. einen Benutzer, welcher das gegebene Benutzer-Besuchsprofil aufweist oder zeigt) aufweisen. In einigen Ausführungsformen beinhaltet der Mehrfachklassen-Klassifiziereinrichtungs-Rahmen eine Konversions-Mehrfachklassen-Klassifiziereinrichtung, eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung und eine Abschätz- bzw. Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit. Die Mehrfachklassen-Klassifiziereinrichtungen können unter Verwendung eines jeglichen geeigneten Algorithmus oder Mechanismus implementiert sein bzw. werden, welcher zu einem Trainieren fähig ist, um Mehrfachklassen-Klassifizierungsprobleme zu lösen (z.B. fähig ist zu einem Lernen einer spezifischen Wahrscheinlichkeit einer digitalen Erfahrung (Klasse)), wie beispielsweise Random Forests, neurale Netzwerke (z.B. Feed-Forward neurale Netzwerke), Gradient-Boosting-Bäume, Support-Vektormaschinen (SVMs) und Entscheidungsbäume, um einige wenige Beispiele zu nennen. Die Konversions-Mehrfachklassen-Klassifiziereinrichtung wird unter Verwendung lediglich der Konversionsdaten trainiert. Das Ziel der Konversions-Mehrfachklassen-Klassifiziereinrichtung ist, für ein gegebenes Benutzer-Besuchsprofil die Wahrscheinlichkeit einer jeden digitalen Erfahrung in einer angebotenen Kampagne im Hinblick auf das gegebene Benutzer-Besuchsprofil und unter Berücksichtigung der Tatsache vorherzusagen, dass die digitale Erfahrung, für welche die Wahrscheinlichkeit vorhergesagt wird, in einer Konversion resultierte. Die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung wird unter Verwendung nur von Nicht-Konversionsdaten trainiert. Das Ziel der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung ist, für das gegebene Benutzer-Besuchsprofil die Wahrscheinlichkeit jeder digitalen Erfahrung in der Kampagne, welche angeboten wird, im Hinblick auf das gegebene Benutzer-Besuchsprofil und unter Berücksichtigung der Tatsache vorherzusagen, dass die digitale Erfahrung, für welche die Wahrscheinlichkeit vorhergesagt wird, in einer Nicht-Konversion resultierte (nicht in einer Konversion resultierte). Die Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit kombiniert die Wahrscheinlichkeiten, welche durch die zwei Mehrfachklassen-Klassifiziereinrichtungen erzeugt bzw. generiert wurden, unter Verwendung eines Bayes-Theorems, um die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne im Hinblick auf das gegebene Benutzer-Besuchsprofil abzuleiten. Die digitale Erfahrung, welche einem Benutzer anzubieten ist, welcher das gegebene Benutzer-Besuchsprofil zeigt, wird basierend auf der abgeleiteten Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung im Hinblick auf das gegebene Benutzer-Besuchsprofil bestimmt. Beispielsweise kann die digitale Erfahrung, welche das höchste Verhältnis (Verhältniswert) der Wahrscheinlichkeit einer Konversion zu der Wahrscheinlichkeit einer Nicht-Konversion, im Hinblick auf das gegebenen Benutzer-Besuchsprofil aufweist, als die digitale Erfahrung ausgewählt werden, welche die höchste Wahrscheinlichkeit einer Konversion aufweisen wird, wenn sie dem Benutzer angeboten wird, welcher das gegebene Benutzer-Besuchsprofil zeigt.
Der vorangehende Rahmen stellt eine Mehrfachklassen-Klassifiziereinrichtung, welche durch ein Verwenden von Konversionsdaten über alle digitale Erfahrungen in einer Kampagne trainiert wird, und eine zweite Mehrfachklassen-Klassifiziereinrichtung zur Verfügung, welche unter Verwendung von Nicht-Konversionsdaten über alle digitalen Erfahrungen in der Kampagne trainiert wird. D.h., es werden nur zwei Mehrfachklassen-Klassifiziereinrichtungen, eine für Konversionsdaten und die andere für Nicht-Konversionsdaten, unabhängig von der Anzahl von digitalen Erfahrungen in der Kampagne trainiert. Demgemäß werden zu der Zeit eines Anbietens der digitalen Erfahrung nur zwei Mehrfachklassen-Klassifiziereinrichtungen abgefragt, um betreffend eine anzubietende digitale Erfahrung zu entscheiden, wodurch die Fähigkeit bereitgestellt wird, rasche Entscheidungen dahingehend durchzuführen, welche digitale Erfahrung bzw. welches digitale Erlebnis anzubieten ist.
Darüber hinaus erfordert, da sowohl Konversionsdaten als auch Nicht-Konversionsdaten bei dem Training der zwei Mehrfachklassen-Klassifiziereinrichtungen verwendet werden, der Rahmen weniger Zeit, um die Trainingsdaten zu sammeln (die Konversionsdaten und die Nicht-Konversionsdaten, welche für ein Trainieren der zwei Mehrfachklassen-Klassifiziereinrichtungen verwendet werden). D.h., da der gesamte Trainingsdatensatz (die Konversionsdaten und die Nicht-Konversionsdaten) für ein Trainieren der zwei Mehrfachklassen-Klassifiziereinrichtungen verwendet wird, werden die zwei Mehrfachklassen-Klassifiziereinrichtungen mit einer ausreichend großen Menge an Daten trainiert. Zusätzlich ist der Rahmen fähig, besser ein vollständiges Bild eines Benutzerverhaltens abzuleiten, da der Rahmen sowohl Konversions- als auch Nicht-Konversionsdaten enthält.
Weiters verwendet der Rahmen zwei Mehrfachklassen-Klassifiziereinrichtungen, welche jeweils unter Verwendung von Konversionsdaten und Nicht-Konversionsdaten trainiert werden, um die Wahrscheinlichkeiten für alle Klassen zu bestimmen, wo jede Klasse eine digitale Erfahrung in einer Kampagne bezeichnet. Ein Bestimmen der Wahrscheinlichkeiten für alle Klassen erlaubt, dass die zwei Mehrfachklassen-Klassifiziereinrichtungen Muster lernen, welche zwischen digitalen Erfahrungen unterscheiden. Als ein Resultat ist es für den Rahmen wahrscheinlich, ein geringeres Gewicht Konversionsdaten zu geben, welche mit generischen Mustern assoziiert sind, wie beispielsweise „für Leute aus Kalifornien ist es wahrscheinlicher zu konvertieren, unabhängig von dem Angebot“. Eher ist es für den Rahmen wahrscheinlich, ein größeres Gewicht Konversionsdaten zu verleihen, welche mit unterscheidenden Mustern assoziiert sind, wie beispielsweise „für iPhone Benutzer aus Kalifornien ist es wahrscheinlicher, für ein Angebot X und nicht für ein Angebot Y zu konvertieren“.
Rahmen
Nunmehr unter Bezugnahme auf die Figuren ist 1 ein Blockdiagramm, welches einen beispielhaften Targeting-Rahmen 100 für eine digitale Erfahrung bzw. ein digitales Erlebnis illustriert, welcher in Übereinstimmung mit wenigstens einigen Ausführungsformen angeordnet ist, welche hierin beschrieben sind. Der Targeting-Rahmen 100 für eine digitale Erfahrung bzw. Rahmen für ein Targeting einer digitalen Erfahrung erleichtert die Auswahl von digitalen Erfahrungen bzw. Erlebnissen, welche eine hohe Wahrscheinlichkeit einer Konversion bzw. Umwandlung bzw. Umsetzung im Hinblick auf ein gegebenes Benutzer-Besuchsprofil unter Berücksichtigung der Beschränkung von unvollständigen Trainingsdaten aufweisen. Wie dies oben diskutiert wurde, ist die Beschränkung von unvollständigen Trainingsdaten, dass das Resultat (Daten) einer Konversion und Nicht-Konversion nur für die digitalen Erfahrungen bekannt ist, welche Benutzern gezeigt werden. Demgemäß kann der Targeting-Rahmen 100 für eine digitale Erfahrung durch Organisationen verwendet werden, um personalisierte digitale Erfahrungen an ihre Benutzer (Konsumenten, Besucher etc.) zur Verfügung zu stellen. Wie dies dargestellt ist, beinhaltet der Targeting-Rahmen 100 für eine digitale Erfahrung eine Konversions-Mehrfachklassen-Klassifiziereinrichtung 102, eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtungen 104 und eine Beurteilungseinrichtung 106 für eine Konversions-Wahrscheinlichkeit.
Die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 kann eine Mehrfachklassen-Klassifiziereinrichtung sein, welche, versorgt mit einem gegebenen Benutzer-Besuchsprofil, für jede digitale Erfahrung in einer Kampagne eine Wahrscheinlichkeit für jede angebotene digitale Erfahrung im Hinblick auf das gegebene Benutzer-Besuchsprofil und unter Berücksichtigung der Tatsache vorhersagt, dass die digitale Erfahrung in einer Konversion resultierte. Die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 kann eine Mehrfachklassen-Klassifiziereinrichtung sein, welche, versorgt mit einem gegebenen Benutzer-Besuchsprofil als eine Eingabe, für jede digitale Erfahrung in einer Kampagne eine Wahrscheinlichkeit für jede angebotene digitale Erfahrung im Hinblick auf das gegebene Benutzer-Besuchsprofil und unter Berücksichtigung der Tatsache vorhersagt, dass die digitale Erfahrung in einer Nicht-Konversion resultierte. In einigen Ausführungsformen kann jede der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 implementiert sein bzw. werden, indem jeglicher geeignete Algorithmus oder Mechanismus verwendet wird, welcher fähig ist trainiert zu werden, um Mehrfachklassen-Klassifizierungsprobleme zu lösen (z.B. zu einem Lernen einer spezifischen Wahrscheinlichkeit einer digitalen Erfahrung (Klasse) fähig zu sein), wie beispielsweise Random Forests, neurale Netzwerke, Gradient-Boosting-Bäume, Entscheidungsbäume, um einige wenige Beispiele zu nennen. Die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 werden jeweils trainiert, um die entsprechenden Vorhersagen bzw. Voraussagen beispielsweise basierend auf einem Trainingsdatensatz 108 zu erzeugen bzw. zu generieren, wie dies in 2 illustriert ist.
2 ist ein Diagramm, welches beispielhafte Trainingsdateneingaben an die Konversions-Mehrfahrklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 des Rahmens bzw. Systems 100 in Übereinstimmung mit wenigstens einigen Ausführungsformen illustriert, welche hierin beschrieben sind. Wie dies dargestellt ist, wird die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 durch ein Verwenden von lediglich Konversionsdaten für alle digitalen Erfahrungen, beispielsweise alle digitalen Erfahrungen 1 bis E in einer Kampagne trainiert. Die Konversionsdaten können Identifizierer bzw. Identifiziereinrichtungen für jede der digitalen Erfahrungen 1 bis E und Daten betreffend Attribute bzw. Eigenschaften jedes Benutzers (z.B. Benutzer-Besuchsprofil), welcher konvertierte, und die Identifizierungseinrichtungen der digitalen Erfahrung beinhalten, für welche der Benutzer konvertiert hat. Die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 wird durch ein Verwenden von lediglich Nicht-Konversionsdaten für alle digitalen Erfahrungen, beispielsweise alle digitalen Erfahrungen 1 bis E in der Kampagne trainiert. Ähnlich zu den Konversionsdaten können die Nicht-Konversionsdaten Identifizierungseinrichtungen für jede der digitalen Erfahrungen 1 bis E und Daten betreffend Attribute bzw. Eigenschaften jedes Benutzers (z.B. Benutzer-Besuchsprofil), welcher nicht konvertierte, und die Identifizierungseinrichtungen der digitalen Erfahrung beinhalten, für welche der Benutzer nicht konvertiert hat. Die spezifische Anzahl von digitalen Erfahrungen E, welche in der Kampagne enthalten sind, dient für eine Illustration und Fachleute werden schätzen bzw. erkennen, dass die Kampagne eine unterschiedliche Anzahl von digitalen Erfahrungen bzw. Erlebnissen, beinhaltend eine kleine Anzahl oder eine sehr große Anzahl von digitalen Erfahrungen beinhalten kann.
Die Attribute der Benutzer (z.B. Benutzer-Besuchsprofile) zeigen die Benutzercharakteristika bzw. -merkmale an, welche entweder empfänglich (z.B. Konversion) oder nicht-empfänglich (z.B. Nicht-Konversion) waren, wenn die digitalen Erfahrungen angeboten wurden. Grob gesprochen zeigen diese Attribute die Merkmale bzw. Wesenszüge der Benutzer an, welche entweder empfänglich bzw. aufnahmebereit oder nicht-empfänglich für die digitalen Erfahrungen waren, und können derart verwendet werden, um auf digitale Erfahrungen für Benutzer basierend auf den Merkmalen der Benutzer zu der Zeit eines Anbietens der digitalen Erfahrungen abzuzielen. Wie dies erkannt bzw. geschätzt werden wird, können diese Attribute bzw. Eigenschaften demographisch (z.B. Rasse, wirtschaftlicher Status, Geschlecht, Beruf, Beschäftigung, Höhe eines Einkommens, Ausbildungsniveau etc.) und/oder verhaltensmäßig (z.B. Browser-Verhalten, Einkaufs-Verhalten, Einkaufs-Geschichte, jüngste Aktivität etc.) sein. Beispielsweise kann eine Organisation das Browser-Verhalten von Benutzern, welche ihre Website besuchen, aus gegenwärtigen Sitzungsvariablen (z.B. Sitzungs-Erzeugungszeit, Sitzungs-Beendigungszeit, und dgl.), historischen Sitzungsvariablen und Cookies (z.B. ein Cookie, welches ein erstes Mal erzeugt wird, wenn ein Benutzer Teil einer Kampagne wird) bestimmen. Zusätzlich oder alternativ kann eine Organisation die Interessen von Benutzern durch ein Überwachen bzw. Überprüfen der Webseiten bestimmen, welche ein Benutzer betrachtet, während er auf ihrer Website ist. Beispielsweise kann die Organisation jede Webseite auf ihrer Website mit einem oder mehreren Interessensbereich(en) bzw. -gebiet(en) assoziieren. Wenn ein Benutzer eine Webseite auf der Website besucht, kann die Organisation die Webseiten notieren, welche der Benutzer betrachtet, und kann eine Bestimmung betreffend die Interessen des Benutzers basierend auf den betrachteten Webseiten durchführen. Beispielsweise kann das Interesse eines Benutzers aus der Frequenz und/oder Neuheit von Betrachtungen von Webseiten bestimmt werden, welche mit jedem Interessensbereich bzw. -gebiet durch den Benutzer assoziiert sind. Zusätzlich oder alternativ kann eine Organisation Attribute bzw. Eigenschaften eines Benutzer-Besuchsprofils aus Quellen bestimmen, wie beispielsweise eine Bezugnahme auf URLs, HTTP Anforderungen, die Computervorrichtung, welche durch den Benutzer verwendet wird, um auf die Website der Organisation zuzugreifen (z.B. Verkäufer der Computervorrichtung, Betriebssystem der Computervorrichtung und Schirmauflösung der Anzeige des Computersystems (z.B. Höhe und/oder Breite der Browser-App), etc.), um lediglich einige Beispiele zu nennen. In einem allgemeineren Sinn können die Attribute des Benutzer-Besuchsprofils aus einer beliebigen Anzahl von Quellen, beinhaltend Quellen Dritter, bestimmt werden.
In einigen Ausführungsformen sind bzw. werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 periodisch, beispielsweise einmal alle 12 Stunden, einmal alle 24 Stunden etc. trainiert, indem jeweils die gesammelten Konversionsdaten und Nicht-Konversionsdaten verwendet werden. Beispielsweise kann für jeden Besuch durch einen Benutzer (z.B. ein Anbieten einer digitalen Erfahrung an einen Benutzer) eine Organisation eine Besuchsaufzeichnung erzeugen bzw. generieren, welche eine Anzeige eines Konversionsstatus des Besuchs beinhaltet (d.h. die Konversionsdaten oder die Nicht-Konversionsdaten, welche mit dem Besuch assoziiert sind). Die Organisation kann die Besuchsaufzeichnungen sammeln und verwenden, um periodisch die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 zu trainieren. Die neu trainierte Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 können in dem Rahmen 100 verwendet werden, bis sie durch eine Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 ersetzt werden, welche mit neueren (aktualisierten) Trainingsdaten trainiert werden. In einigen Ausführungsformen können die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 unter Verwendung jeweils von Konversionsdaten und Nicht-Konversionsdaten trainiert werden, welche über eine vorangehende Schwellwertanzahl von Tagen (ein gleitendes Fenster), beispielsweise die vorhergehenden 30 Tage, die vorhergehenden 60 Tage, die vorhergehenden 90 Tage usw. gesammelt wurden. In dem Fall, dass eine Kampagne für eine längere Zeitperiode geführt werden soll (z.B. läuft), können alte oder verjährte bzw. gegenstandslos gewordene Daten zunehmend bzw. schrittweise von den Trainingsdaten (z.B. dem Trainingsdatensatz 108) ausgeschlossen bzw. entfernt werden, welche für ein Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 verwendet werden. Im Gegensatz dazu können bei einem Start einer Kampagne ausreichend Trainingsdaten nicht verfügbar sein, um adäquat bzw. geeignet die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 zu trainieren. Darüber hinaus kann eine Zeitperiode hinausgehend über das periodische Trainingsintervall erforderlich sein, um die ausreichenden Trainingsdaten zu sammeln. In diesem Fall können Heuristiken, wie beispielsweise ein Warten auf eine Schwellwertanzahl (z.B. 100, 150 etc.) von zu sammelnden Konversionsdaten bei einem Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 angewandt werden. Sobald sie trainiert und mit den geeigneten Eingaben versehen werden, sind die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 fähig, beispielsweise die jeweiligen Vorhersagen zu erzeugen bzw. zu generieren, wie dies in 3 illustriert ist.
3 ist ein Diagramm, welches beispielhafte Eingaben und Ausgaben der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 des Rahmens 100 in Übereinstimmung mit wenigstens einigen Ausführungsformen illustriert, welche hierin beschrieben sind. Wie dies oben beschrieben ist, wird die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 unter Verwendung von lediglich Konversionsdaten über alle digitalen Erfahrungen 1 bis E in einer Kampagne trainiert, und es wird die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 unter Verwendung von lediglich Nicht-Konversionsdaten über alle digitalen Erfahrungen 1 bis E in der Kampagne trainiert. Nachdem sie mit den Konversionsdaten über alle digitalen Erfahrungen 1 bis E trainiert wurde, ist die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 fähig, die Wahrscheinlichkeit für jede digitale Erfahrung 1 bis E vorherzusagen, welche einem gegebenen Benutzer-Besuchsprofil angeboten wird, welche in einer Konversion resultierte. D.h., wie dies in 3 ersichtlich ist, versehen mit einem Benutzer-Besuchsprofil und vorausgesetzt bzw. versorgt, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, erzeugt die Konversions-Mehrfachklassen-Klassifiziereinrichtung eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung 1 angeboten wurde, eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung 2 angeboten wurde, ..., und eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung E angeboten wurde. In ähnlicher Weise ist, nachdem sie mit den Nicht-Konversionsdaten über alle digitalen Erfahrungen 1 bis E trainiert wurde, die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 fähig, die Wahrscheinlichkeit von jeder digitalen Erfahrung 1 bis E vorherzusagen, welche einem gegebenen Benutzer-Besuchsprofil angeboten wurde, welche in einer Nicht-Konversion resultierte. D.h., wie dies auch in 3 ersichtlich ist, versehen mit einem Benutzer-Besuchsprofil und vorausgesetzt bzw. versorgt, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, erzeugt die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung 1 angeboten wurde, eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung 2 angeboten wurde, ..., und eine Wahrscheinlichkeit, dass dem Benutzer die digitale Erfahrung E angeboten wurde.
Wiederum unter Bezugnahme auf 1 ist die Beurteilungs- bzw. Abschätzeinrichtung 106 für eine Konversions-Wahrscheinlichkeit konfiguriert, um eine Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in einer Kampagne im Hinblick auf ein gegebenes Benutzer-Besuchsprofil abzuleiten. In einigen Ausführungsformen kombiniert die Beurteilungseinrichtung 106 der Konversions-Wahrscheinlichkeit die Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 erzeugt bzw. generiert wurden, um die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne für das gegebene Benutzer-Besuchsprofil abzuleiten. Die Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 erzeugt wurden, können durch ein Verwenden eines Bayes-Rahmens kombiniert werden.
Beispielsweise soll angenommen werden, dass es eine Gesamtheit von k digitalen Erfahrungen bzw. Erlebnissen gibt, welche als O₁, O₂, ..., O_i, ... O_k bezeichnet sind bzw. werden. Es soll auch angenommen werden, dass C die Zufallsvariable ist, welche einen Konversionsstatus bezeichnet, wo C=1 eine Konversion bedeutet und C=0 eine Nicht-Konversion bedeutet. In diesem Fall sagt die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102, welche unter Verwendung der Konversionsdaten über alle digitalen Erfahrungen O₁, O₂, ..., O_i, ... O_k trainiert wurde, dass für das gegebene Benutzer-Besuchsprofil, wenn für einen Benutzer, welcher das gegebene Benutzer-Besuchsprofil zeigt, bekannt ist, dass er konvertiert hat, die Wahrscheinlichkeit voraus, dass dem Benutzer O_i für alle 1 ≤ i ≤ k gezeigt wurde. Diese Wahrscheinlichkeit kann dargestellt werden durch P¹ _i = pr(O=O_i|C=1). In ähnlicher Weise sagt die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104, welche unter Verwendung der Nicht-Konversionsdaten über alle digitalen Erfahrungen O₁, O₂, ..., O_i, ... O_k trainiert wurde, dass für das gegebene Benutzer-Besuchsprofil, wenn für den Benutzer, welcher das gegebene Benutzer-Besuchsprofil zeigt, bekannt ist, dass nicht konvertiert wurde, die Wahrscheinlichkeit voraus, dass dem Benutzer O_i für alle 1 ≤ i ≤ k gezeigt wurde. Diese Wahrscheinlichkeit kann dargestellt werden durch P² _i = Pr(O=O_i|C=0). Die Beurteilungseinrichtung 106 für eine Konversions-Wahrscheinlichkeit kann dann die Wahrscheinlichkeit einer Konversion für das gegebene Benutzer-Besuchsprofil für eine digitale Erfahrung O_i unter Verwendung eines Bayes-Theorems ableiten, wie dies in Gleichung [1] unten gezeigt ist. $\begin{array}{l} Pr (C = 1 | O = O_{i}) = Pr (O = O_{i} | C = 1) * Pr (C = 1) / [Pr (O = O_{i} | C = 1) * Pr (C = 1) \\ + Pr (O = O_{i} | C = 0) * Pr (C = 0)] \\ = 1 / [1 + (P^{2}_{i} * (1 - Pr (C = 1))) / ({Pr}^{1}_{i} * Pr (C = 1))] \end{array}$
Aus der Gleichung [1] kann die Beurteilungseinrichtung 106 für die Konversions-Wahrscheinlichkeit bestimmen, dass die digitale Erfahrung, welche den höchsten Wert von Pr(C=1|O=O_i) aufweist, den höchsten Wert von P¹ _i/P² _i (das höchste Verhältnis der Wahrscheinlichkeit einer Konversion zu der Wahrscheinlichkeit einer Nicht-Konversion) haben wird. Dies deshalb, da die Wahrscheinlichkeit einer Konversion für ein gegebenes Benutzer-Besuchsprofil Pr(C=1) unabhängig von der angebotenen digitalen Erfahrung ist. Demgemäß kann, um die gesamte Konversionsrate zu maximieren, die Beurteilungseinrichtung 106 für die Konversions-Wahrscheinlichkeit die digitale Erfahrung auswählen, für welche vorhergesagt wird, dass sie die höchste Konversions-Wahrscheinlichkeit entsprechend dem gegebenen Benutzer-Besuchsprofil aufweist, um sie dem Benutzer anzubieten, welcher das gegebene Benutzer-Besuchsprofil zeigt.
In einigen Ausführungsformen kann der Targeting-Rahmen 100 für eine digitale Erfahrung optional ein Dimensionalitäts-Reduktionsmodul 110 beinhalten, welches konfiguriert ist, um die Dimensionalität der Trainingsdaten für eine Verwendung bei einem Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 zu reduzieren. Das Dimensionalitäts-Reduktionsmodul 110 kann eine nicht überwachte statistische Technik, wie beispielsweise eine Hauptkomponenten-Analyse (PCA) für bzw. über die Trainingsdaten verwenden, um die Dimensionalität der Trainingsdaten zu reduzieren. Beispielsweise kann ein Reduzieren der Dimensionalität der Trainingsdaten günstig in Fällen sein, wo die große Anzahl von Gewichten bzw. Gewichtungen aufgrund der hohen Dimensionalität der Trainingsdaten möglicherweise zu einem Überanpassen durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 führen kann (z.B. in Fällen, wo die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 unter Verwendung von neuralen Netzwerken implementiert sind bzw. werden).
4 ist ein Flussdiagramm 400, welches einen beispielhaften Prozess illustriert, um ein Targeting von digitalen Erfahrungen, welche die höchste Wahrscheinlichkeit einer Konversion aufweisen, in Übereinstimmung mit wenigstens einigen Ausführungsformen zur Verfügung zu stellen, welche hierin beschrieben sind. Beispielhafte Prozesse und Verfahren können eine(n) oder mehrere Vorgang bzw. Vorgänge, Funktion(en) oder Aktion(en) beinhalten, wie dies durch einen oder mehrere der Blöcke 402, 404, 406, 408 und/oder 410 illustriert ist, und können in einigen Ausführungsformen durch ein Berechnungssystem, wie beispielsweise ein Computer- bzw. Berechnungssystem 500 von 5 durchgeführt werden. Die Vorgänge bzw. Operationen, welche in den Blöcken 402-410 beschrieben sind, können auch als durch einen Computer ausführbare Instruktionen in einem computerlesbaren Medium, wie beispielsweise einem Speicher 504 und/oder einer Datenspeicherung 506 des Computersystems 500 gespeichert sein bzw. werden. Der Prozess kann durch Komponenten des Targeting-Rahmens 100 für eine digitale Erfahrung durchgeführt werden.
Wie dies durch das Flussdiagramm 400 dargestellt ist, kann der Prozess mit bzw. bei dem Block 402 beginnen, wo ein Profil eines Benutzers, welcher eine Website besucht, bestimmt wird. Als ein beispielhafter Benutzungsfall kann ein Benutzer eine Client-Applikation, wie beispielsweise eine Browser-Applikation bzw. -Anwendung auf einer Computer- bzw. Berechnungsvorrichtung und ein Verwenden der Client-Applikation ausführen, um eine Website einer Organisation zu besuchen (z.B. zu browsen). Die Organisation (z.B. die Website der Organisation), welche die Anwesenheit des Benutzers auf ihrer Website detektiert hat, kann den Targeting-Rahmen 100 für eine digitale Erfahrung verwenden bzw. einsetzen, um auf die digitalen Erfahrungen des Benutzers in einer Kampagne abzuzielen, welche eine hohe Wahrscheinlichkeit einer Konversion durch den Benutzer aufweisen. Der Targeting-Rahmen 100 für eine digitale Erfahrung kann das Benutzer-Besuchsprofil (Attribute bzw. Eigenschaften des Benutzers) aus Quellen bestimmen, wie beispielsweise das Browser-Verhalten des Benutzers, während er die Website besucht, historische Sitzungsvariablen von früheren Besuchen des Benutzers bei der Website, und Cookies an der Client-Applikation, welche durch den Benutzer verwendet werden, um die Website zu besuchen, um einige wenige Beispiele zu nennen.
Der Block 402 kann durch den Block 404 gefolgt werden, wo eine Wahrscheinlichkeit jeder digitalen Erfahrung in der Kampagne, welche im Hinblick auf das Benutzer-Besuchsprofil angeboten wurde, und unter der Voraussetzung, dass die digitale Erfahrung in einer Konversion resultierte, vorhergesagt wird. Bei einem Fortsetzen des obigen Beispiels kann die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102, versehen bzw. versorgt mit dem Benutzer-Besuchsprofil des Benutzers, welcher die Website besucht, eine Wahrscheinlichkeit von jeder digitalen Erfahrung in der Kampagne vorhersagen, welche im Hinblick auf das bereitgestellte Benutzer-Besuchsprofil und unter der Voraussetzung angeboten wird, dass die digitale Erfahrung in einer Konversion resultierte.
Der Block 404 kann durch den Block 406 gefolgt werden, wo eine Wahrscheinlichkeit für jede digitale Erfahrung in der Kampagne, welche im Hinblick auf das Benutzer-Besuchsprofil angeboten wird, und unter der Voraussetzung, dass die digitale Erfahrung in einer Nicht-Konversion resultierte, vorhergesagt wird. Bei einem Fortsetzen des obigen Beispiels kann die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104, versehen bzw. versorgt mit dem Benutzer-Besuchsprofil des Benutzers, welcher die Website besucht, eine Wahrscheinlichkeit für jede digitale Erfahrung in der Kampagne vorhersagen, welche im Hinblick auf das bereitgestellte Benutzer-Besuchsprofil angeboten wird, und unter der Voraussetzung, dass die digitale Erfahrung in einer Nicht-Konversion resultierte.
Der Block 406 kann durch den Block 408 gefolgt werden, wo eine Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne abgeleitet wird. Bei einem Fortsetzen des obigen Beispiels kann die Beurteilungseinrichtung 106 einer Konversions-Wahrscheinlichkeit die Wahrscheinlichkeiten kombinieren, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102 und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104 erzeugt bzw. generiert wurden, um die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne für das Benutzer-Besuchsprofil des Benutzers abzuleiten, welcher die Website besucht. In einigen Ausführungsformen kann die Beurteilungseinrichtung 106 der Konversions-Wahrscheinlichkeit die Wahrscheinlichkeiten unter Verwendung eines Bayes-Rahmens kombinieren.
Der Block 408 kann durch den Block 410 gefolgt werden, wo eine digitale Erfahrung basierend auf den abgeleiteten Wahrscheinlichkeiten einer Konversion angeboten wird. Bei einem Fortsetzen des obigen Beispiels kann die Beurteilungseinrichtung 106 der Konversions-Wahrscheinlichkeit die digitale Erfahrung in der Kampagne auswählen, für welche vorhergesagt wird, dass sie die höchste Konversions-Wahrscheinlichkeit entsprechend dem Benutzer-Besuchsprofil des Benutzers aufweist, welcher die Website besucht, um dem Benutzer angeboten zu werden, welcher die Website besucht. Die Organisation (z.B. die Website der Organisation) kann dann die digitale Erfahrung, welche durch die Beurteilungseinrichtung 106 der Konversions-Wahrscheinlichkeit ausgewählt wurde, dem Benutzer anbieten, welcher die Website besucht.
Die Fachleute werden schätzen bzw. anerkennen, dass für diesen(s) und andere Prozess(e) und Verfahren, welche hierin geoffenbart sind, die Funktionen, welche in den Prozessen und Verfahren durchgeführt werden, in einer unterschiedlichen Reihenfolge implementiert sein bzw. werden können. Zusätzlich oder alternativ können zwei oder mehr Vorgänge zur selben Zeit durchgeführt werden. Darüber hinaus werden die skizzierten Aktionen und Vorgänge bzw. Betätigungen nur als Beispiele zur Verfügung gestellt, und einige der Aktionen und Vorgänge können optional sein, in weniger Aktionen und Vorgänge kombiniert werden, oder in zusätzliche Aktionen und Vorgänge aufgeweitet bzw. erweitert werden, um von dem Wesen der geoffenbarten Ausführungsformen abzulenken.
5 illustriert ausgewählte Komponenten eines beispielhaften Computer- bzw. Berechnungssystems 500, welches verwendet werden kann, um irgendeine der Techniken, wie sie verschiedentlich in der vorliegenden Offenbarung beschrieben werden, in Übereinstimmung mit wenigstens einigen Ausführungsformen durchzuführen, welche hierin beschrieben sind. In einigen Ausführungsformen kann das Berechnungssystem 500 konfiguriert sein, um einen Vorgang oder mehrere Vorgänge zu implementieren oder zu leiten, welche(r) mit einigen oder allen der Maschinen, Komponenten und/oder Modulen assoziiert bzw. diesen zugeordnet ist bzw. sind, welche mit dem Rahmen 100 für ein Targeting einer digitalen Erfahrung von 1 assoziiert sind. Beispielsweise können die Konversions-Mehrfachklassen-Klassifiziereinrichtung 102, die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104, die Beurteilungseinrichtung 106 einer Konversions-Wahrscheinlichkeit, die Trainingsdaten 108, das Dimensionalitäts-Reduktionsmodul 110 oder eine beliebige Kombination dieser in dem Berechnungssystem 500 implementiert sein und/oder dieses verwenden. In einem beispielhaften Fall ist beispielsweise jede der Konversions-Mehrfachklassen-Klassifiziereinrichtung 102, der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung 104, der Beurteilungseinrichtung 106 einer Konversions-Wahrscheinlichkeit und des Dimensionalitäts-Reduktionsmoduls 110 in einem Speicher 504 geladen und durch einen Prozessor 502 ausführbar, und die Trainingsdaten 108 sind in einem Datenspeicher 506 enthalten. Das Berechnungssystem 500 kann irgendein Computersystem sein, wie beispielsweise eine Workstation, ein Desktop Computer, ein Server, Laptop, ein in der Hand gehaltener Computer, ein Tablet-Computer (z.B. der iPad™ Tablet-Computer), eine mobile Berechnungs- oder Kommunikationsvorrichtung (z.B. iPhone™ mobile Kommunikationsvorrichtung, Android™ mobile Kommunikationsvorrichtung und dgl.), oder eine andere Form einer Berechnungs- oder Telekommunikationsvorrichtung, welche zu einer Kommunikation fähig ist und welche eine ausreichende Prozessorleistung und Speicherkapazität aufweist, um die in dieser Offenbarung beschriebenen Vorgänge durchzuführen. Ein verteiltes Computer- bzw. Berechnungssystem kann vorgesehen bzw. zur Verfügung gestellt werden, welches eine Vielzahl von derartigen Berechnungsvorrichtungen enthält. Wie dies dargestellt ist, kann das Computersystem 500 den Prozessor 502, den Speicher 504 und den Datenspeicher 506 beinhalten. Der Prozessor 502, der Speicher 504 und der Datenspeicher 506 können kommunizierend gekoppelt bzw. verbunden sein.
Im Allgemeinen kann der Prozessor 502 jeglichen geeigneten Computer für einen speziellen Zweck oder allgemeinen Zweck, eine Computer- bzw. Berechnungseinheit bzw. -anlage, oder eine Computer- oder Bearbeitungsvorrichtung enthalten, welche verschiedene Computer-Hardware, Firmware oder Software-Module beinhaltet, und kann konfiguriert bzw. aufgebaut sein, um Instruktionen bzw. Anweisungen, wie beispielsweise Programmanweisungen auszuführen, welche auf einem beliebigen anwendbaren computerlesbaren Speichermedium gespeichert sind. Beispielsweise kann der Prozessor 502 einen Mikroprozessor, einen Mikrocontroller, einen digitalen Signalprozessor (DSP), eine anwendungsspezifische integrierte Schaltung (ASIC), ein feldprogrammierbares Gate Array (FPGA) oder jegliche andere digitale oder analoge Schaltung beinhalten, welche konfiguriert ist, um Programmanweisungen zu interpretieren und/oder auszuführen und/oder Daten zu bearbeiten. Obwohl er als ein einzelner Prozessor in 5 illustriert ist, kann der Prozessor 502 eine beliebige Anzahl von Prozessoren und/oder Prozessorkernen beinhalten, welche konfiguriert sind, um einzeln bzw. individuell oder gemeinsam eine Leistung einer beliebigen Anzahl von Operationen bzw. Vorgängen durchzuführen oder zu leiten, welche in der vorliegenden Offenbarung beschrieben sind. Zusätzlich kann bzw. können ein oder mehrere der Prozessoren an einer oder mehreren unterschiedlichen elektronischen Vorrichtung(en), wie beispielsweise unterschiedlichen Servern vorhanden sein.
In einigen Ausführungsformen kann der Prozessor 502 konfiguriert sein, um Programminstruktionen zu interpretieren und/oder auszuführen und/oder Daten zu bearbeiten, welche in dem Speicher 504, dem Datenspeicher 506 oder dem Speicher 504 oder dem Datenspeicher 506 gespeichert sind. In einigen Ausführungsformen kann der Prozessor 502 Programmanweisungen von dem Datenspeicher 506 holen und die Programmanweisungen in dem Speicher 504 laden. Nachdem die Programminstruktionen in den Speicher 504 geladen wurden, kann der Prozessor 502 die Programmanweisungen ausführen.
Beispielsweise kann bzw. können in einigen Ausführungsformen irgendeine oder mehrere der Maschinen, Komponenten und/oder Module des Rahmens 100 für ein Targeting einer digitalen Erfahrung in dem Datenspeicher 506 als Programmanweisungen enthalten sein. Der Prozessor 502 kann einige oder alle der Programmanweisungen von dem Datenspeicher 506 holen und kann die geholten Programminstruktionen in den Speicher 504 laden. Nachfolgend auf ein Laden der Programminstruktionen in den Speicher 504 kann der Prozessor 502 die Programmanweisungen derart ausführen, dass das Berechnungssystem die Vorgänge bzw. Operationen implementieren kann, wie sie durch die Anweisungen angeleitet bzw. angewiesen werden.
In einigen Ausführungsformen kann eine Virtualisierung in der Computervorrichtung 500 derart eingesetzt bzw. verwendet werden, dass eine Infrastruktur und Ressourcen in der Computervorrichtung 500 dynamisch geteilt werden können. Beispielsweise kann eine virtuelle Maschine zur Verfügung gestellt werden, um einen Prozess handzuhaben, welcher auf mehreren Prozessoren abläuft, so dass es erscheint, dass der Prozess nur eine Computer- bzw. Berechnungsressource anstelle von mehreren bzw. mehrfachen Berechnungsressourcen verwendet. Mehrfache bzw. mehrere virtuelle Maschinen können auch mit einem Prozessor verwendet werden.
Der Speicher 504 und der Datenspeicher 506 können computerlesbare Speichermedien beinhalten, um durch einen Computer ausführbare Instruktionen bzw. Anweisungen oder Datenstrukturen zu tragen oder aufzuweisen, welche darauf gespeichert sind. Derartige computerlesbare Speichermedien können jegliche verfügbare Medien beinhalten, auf welche durch einen Computer für einen allgemeinen Zweck oder einen speziellen Zweck, wie beispielsweise den Prozessor 502 zugegriffen werden kann. Beispielsweise und nicht als Beschränkung können derartige computerlesbare Speichermedien greifbare oder nicht-flüchtige computerlesbare Speichermedien beinhalten, beinhaltend einen Direktzugriffsspeicher (RAM), Nur-Lesespeicher (ROM), elektrisch löschbare programmierbare Nur-Lesespeicher (EEPROM), Compakt Disk-Nur-Lesespeicher (CD-ROM) oder einen anderen Speicher einer Optical Disk oder optischen Scheibe, einen Magnetscheiben-Speicher oder andere magnetische Speichervorrichtungen, Flashspeicher-Vorrichtungen (z.B. Solid State bzw. Halbleiter-Speichervorrichtungen), oder jegliches andere Speichermedium, welches verwendet werden kann, um einen besonderen Programmcode in der Form von durch einen Computer ausführbaren Anweisungen oder Datenstrukturen zu tragen oder zu speichern, und auf welches durch einen Computer für einen allgemeinen Zweck oder einen speziellen Zweck zugegriffen werden kann. Kombinationen der obigen können auch innerhalb des Rahmens bzw. Bereichs von durch einen Computer lesbaren Speichermedien enthalten sein. Durch einen Computer ausführbare Instruktionen können beispielsweise Instruktionen bzw. Anweisungen und Daten enthalten, welche konfiguriert sind, um den Prozessor 502 zu veranlassen, einen gewissen Vorgang oder eine Gruppe von Vorgängen bzw. Operationen durchzuführen.
Modifikationen bzw. Abwandlungen, Zusätze oder Weglassungen können an dem Computersystem 500 durchgeführt werden, ohne von dem Rahmen der vorliegenden Offenbarung abzuweichen. Beispielsweise kann in einigen Ausführungsformen das Computersystem 500 eine beliebige Anzahl von anderen Komponenten enthalten, welche hierin nicht explizit illustriert oder beschrieben sein mögen.
Wie dies oben angedeutet ist, können die Ausführungsformen, welche in der vorliegenden Offenbarung beschrieben sind, die Verwendung eines Computers für einen speziellen Zweck oder allgemeinen Zweck (z.B. den Prozessor 502 von 5) beinhalten, welcher verschiedene Computer-Hardware- oder -Software-Module enthält, wie dies im größeren Detail hierin diskutiert ist. Weiters können, wie dies oben angedeutet ist, Ausführungsformen, welche in der vorliegenden Offenbarung beschrieben sind, unter Verwendung von computerlesbaren Medien (z.B. dem Speicher 504 von 5) implementiert sein bzw. werden, oder durch einen Computer ausführbare Instruktionen oder Datenstrukturen zu tragen oder aufzuweisen, welche darauf gespeichert sind.
Zahlreiche beispielhafte Variationen und Konfigurationen werden im Licht dieser Offenbarung ersichtlich sein. Gemäß einigen Beispielen werden Systeme, um ein Targeting von digitalen Erfahrungen bzw. Erlebnissen zur Verfügung zu stellen, welche eine hohe Wahrscheinlichkeit einer Konversion aufweisen, beschrieben. Ein beispielhaftes System kann beinhalten: einen oder mehrere Prozessor(en); eine Konversions-Mehrfachklassen-Klassifiziereinrichtung, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung eine erste Eingabe, um ein Benutzer-Besuchsprofil zu erhalten, und eine zweite Eingabe aufweist, um eine Anzeige zu erhalten, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren bzw. umwandeln wird, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung konfiguriert ist, um eine Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne vorauszusagen; eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist, wobei die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung eine erste Eingabe, um das Benutzer-Besuchsprofil zu erhalten, und eine zweite Eingabe aufweist, um eine Anzeige zu erhalten, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren bzw. umwandeln wird, wobei die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung konfiguriert ist, um eine Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne vorauszusagen; und eine Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist und konfiguriert ist, um für das Benutzer-Besuchsprofil und basierend auf den Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt wurden, eine Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne abzuleiten.
In einigen Beispielen ist die Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit konfiguriert, um mathematisch die Wahrscheinlichkeiten zu kombinieren, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt wurden, um die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne abzuleiten. In anderen Beispielen beinhaltet ein Kombinieren der Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt bzw. generiert wurden, eine Verwendung eines Bayes-Theorems. In noch anderen Beispielen wird die Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen bzw. Erlebnisse in der Kampagne trainiert. In noch anderen Beispielen wird die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert. In noch weiteren Beispielen sind bzw. werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Random Forests implementiert. In anderen Beispielen sind bzw. werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von neuralen Netzwerken implementiert. In noch anderen Beispielen sind bzw. werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Gradient-Boosting-Bäumen implementiert. In noch anderen Beispielen werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Entscheidungsbäumen implementiert. In weiteren Beispielen beinhaltet das System weiters ein Dimensionalitäts-Reduktionsmodul, welches durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist und konfiguriert ist, um eine Dimensionalität von Trainingsdaten für eine Verwendung bei einem Training der Konversions-Mehrfachklassen-Klassifiziereinrichtung und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung zu reduzieren.
Gemäß einigen Beispielen werden computer-implementierte Verfahren, um ein Targeting von digitalen Erfahrungen bzw. Erlebnissen zur Verfügung zu stellen, welche eine hohe Wahrscheinlichkeit einer Konversion bzw. Umwandlung aufweisen, beschrieben. Ein beispielhaftes computer-implementiertes Verfahren kann beinhalten: ein Vorhersagen bzw. Voraussagen durch eine Konversions-Mehrfachklassen-Klassifiziereinrichtung basierend auf einer ersten Eingabe, um ein Benutzer-Besuchsprofil zu erhalten, und einer zweiten Eingabe, um eine Anzeige zu erhalten, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne; ein Vorhersagen durch eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung und basierend auf einer ersten Eingabe, um das Benutzer-Besuchsprofil zu erhalten, und einer zweiten Eingabe, um eine Anzeige zu erhalten, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in der angebotenen Kampagne; und ein Ableiten durch eine Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit für das Benutzer-Besuchsprofil und basierend auf den Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt bzw. generiert werden, einer Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne.
In einigen Beispielen beinhaltet ein Ableiten der Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne ein mathematisches Kombinieren, unter Verwendung eines Bayes-Theorems, der Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt werden. In anderen Beispielen kann das Verfahren auch beinhalten: ein Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen in der Kampagne; und ein Trainieren der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne. In noch anderen Beispielen werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils implementiert, indem eine von Random Forests, neuralen Netzwerken, Gradient-Boosting-Bäumen und Entscheidungsbäumen verwendet werden. In noch anderen Beispielen kann das Verfahren weiters ein Reduzieren einer Dimensionalität von Trainingsdaten für eine Verwendung bei einem Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung beinhalten.
Gemäß einigen Beispielen werden Computerprogrammprodukte, welche ein oder mehrere nichtflüchtige(s) maschinenlesbare(s) Medium (Medien) beinhalten, welche(s) mit Instruktionen bzw. Anweisungen codiert ist bzw. sind, welche, wenn durch einen oder mehrere Prozessor(en) ausgeführt, einen Prozess eines Bereitstellens eines Targeting von digitalen Erfahrungen bewirken, welche eine hohe Wahrscheinlichkeit aufweisen, dass eine Konversion ausgeführt wird, beschrieben. Ein beispielhafter Prozess kann beinhalten: ein Vorhersagen, basierend auf einem Benutzer-Besuchsprofil und einer Anzeige, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne; ein Vorhersagen, basierend auf dem Benutzer-Besuchsprofil und einer Anzeige, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne; und ein Ableiten für das Benutzer-Besuchsprofil einer Wahrscheinlichkeit einer Konversion bzw. Umwandlung für jede digitale Erfahrung in der Kampagne.
In einigen Beispielen wird die Wahrscheinlichkeit jeder digitalen Erfahrung in der angebotenen Kampagne basierend auf dem Benutzer-Besuchsprofil und der Anzeige, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, unter Verwendung einer Konversions-Mehrfachklassen-Klassifiziereinrichtung generiert bzw. erzeugt, und es wird die Wahrscheinlichkeit jeder digitalen Erfahrung in der angebotenen Kampagne basierend auf dem Benutzer-Besuchsprofil und der Anzeige, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, unter Verwendung einer Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung generiert, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung verschieden von der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung ist. In noch anderen Beispielen wird die Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert und es wird die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert. In weiteren Beispielen sind bzw. werden die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils implementiert, indem eine von Random Forests, neuralen Netzwerken, Gradient-Boosting-Bäumen und Entscheidungsbäumen verwendet werden. In noch weiteren Beispielen beinhaltet ein Ableiten der Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne ein mathematisches Kombinieren, unter Verwendung eines Bayes-Theorems, der Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt werden.
Wie dies in der vorliegenden Offenbarung verwendet wird, können sich die Ausdrücke „Maschine“ oder „Modul“ oder „Komponente“ auf spezifische Hardware-Implementierungen, welche konfiguriert sind, um die Vorgänge der Maschine oder des Moduls oder der Komponente durchzuführen, und/oder Software-Gegenstände bzw. -Objekte oder Software-Routinen beziehen, welche auf einer Hardware für allgemeine Zwecke (z.B. computerlesbaren Medien, Bearbeitungsvorrichtungen etc.) des Computer- bzw. Berechnungssystems gespeichert sein und/oder ausgeführt werden können. In einigen Ausführungsformen können die unterschiedlichen Komponenten, Module, Maschinen und Services bzw. Dienste, welche in der vorliegenden Offenbarung beschrieben sind, als Objekte bzw. Gegenstände oder Prozesse implementiert sein bzw. werden, welche auf dem Berechnungssystem ablaufen (z.B. als getrennte Threads bzw. Stränge). Während einige bzw. einiges des Systems und der Verfahren, welche(s) in der vorliegenden Offenbarung beschrieben ist bzw. sind, allgemein beschrieben ist bzw. sind, dass es bzw. sie in einer Software (gespeichert auf einer Hardware für allgemeine Zwecke und/oder durch diese ausgeführt) implementiert ist bzw. sind, sind bzw. werden spezifische Hardware-Implementierungen, Firmware-Implementierungen oder jegliche Kombination davon auch möglich und in Betracht gezogen. In dieser Beschreibung kann eine „Berechnungs- bzw. Computereinheit bzw. -anlage“ jegliches Computer- bzw. Berechnungssystem, wie dies vorher in der vorliegenden Offenbarung beschrieben wurde, oder jegliches Modul oder jegliche Kombination von Modulen sein, welche auf einem Computersystem ausgeführt werden.
Für Ausdrücke, welche in der vorliegenden Offenbarung und in den beigeschlossenen Ansprüchen (z.B. Teilen der beigeschlossenen Ansprüche) verwendet werden, ist allgemein beabsichtigt, dass sie „offene“ Ausdrücke sind (z.B. sollte der Ausdruck „beinhaltend“ interpretiert werden als „beinhaltend, jedoch nicht beschränkt bzw. begrenzt auf“, sollte der Ausdruck „aufweisend“ interpretiert werden als „zumindest aufweisend“, sollte der Ausdruck „beinhaltet“ interpretiert werden als „beinhaltet, jedoch nicht beschränkt bzw. begrenzt auf“, etc.).
Zusätzlich wird, wenn eine spezifische Zahl oder Anzahl einer Angabe eines eingebrachten Anspruchs beabsichtigt ist, eine derartige Absicht explizit in dem Anspruch angegeben werden, und in der Abwesenheit einer derartigen Angabe ist keine derartige Absicht vorhanden. Beispielsweise können, als eine Unterstützung für ein Verständnis, die folgenden beigeschlossenen Ansprüche eine Verwendung der einleitenden Phrasen „wenigstens eine“ und „eine oder mehrere“ enthalten, um Angaben bzw. Bezugnahmen auf einen Anspruch einzuführen. Jedoch sollte die Verwendung von derartigen Phrasen nicht angesehen werden für ein Implizieren, dass die Einführung einer Angabe eines Anspruchs durch die unbestimmten Artikel „ein“ oder „einen“ irgendeinen besonderen Anspruch, welcher eine derartige Angabe eines Anspruchs enthält, auf Ausführungsformen beschränkt, welche nur eine derartige Bezugnahme bzw. Angabe enthalten, selbst wenn derselbe Anspruch die einleitenden Phrasen „einem oder mehreren“ oder „wenigstens einen“ und unbestimmte Artikel, wie beispielsweise „ein“ oder „einen“ enthält (z.B. „ein“ und/oder „einer“ sollte interpretiert werden, um „wenigstens einen“ oder „einen oder mehrere“ zu bedeuten); dasselbe gilt für die Verwendung von bestimmten Artikeln, welche verwendet werden, um eine Bezugnahme auf einen Anspruch einzuführen.
Zusätzlich werden, wenn eine spezifische Zahl einer Bezugnahme auf einen eingeführten Anspruch explizit angeführt ist, Fachleute erkennen, dass eine derartige Bezugnahme bzw. Angabe interpretiert werden soll, wenigstens die angeführte Zahl zu bedeuten (z.B. die bloße Angabe von „zwei Bezugnahmen“, ohne andere Modifikationen, bedeutet wenigstens zwei Bezugnahmen oder zwei oder mehr Bezugnahmen). Darüber hinaus ist in derartigen Fällen, wo eine Bezeichnung analog bzw. ähnlich zu „wenigstens einem von A, B und C, etc.“ oder „einem oder mehreren von A, B und C, etc.“ verwendet wird, im Allgemeinen eine derartige Konstruktion beabsichtigt, um A alleine, B alleine, C alleine, A und B gemeinsam, A und C gemeinsam, B und C gemeinsam oder A, B und C gemeinsam, etc. zu beinhalten.
Alle Beispiele und bedingte bzw. konditionale Sprache, welche in der vorliegenden Offenbarung angegeben bzw. angeführt sind, sind für pädagogische Zwecke beabsichtigt, um den Leser bei einem Verständnis der vorliegenden Offenbarung und der Konzepte zu unterstützen, welche durch den Erfinder beigetragen werden, um den Stand der Technik weiter zu entwickeln, und es wird für diese beabsichtigt, ohne Beschränkung auf derartige speziell angegebene Beispiele und Bedingungen zu sein. Obwohl Ausführungsformen der vorliegenden Offenbarung im Detail beschrieben wurden, könnten verschiedene Änderungen, Substitutionen und Abänderungen daran gemacht werden, ohne von dem Geist bzw. Wesen und Rahmen bzw. Geltungsbereich der vorliegenden Offenbarung abzuweichen. Demgemäß ist beabsichtigt, dass der Rahmen bzw. Geltungsbereich der vorliegenden Offenbarung nicht durch diese detaillierte Beschreibung, sondern eher durch die hieran angeschlossenen Ansprüche beschränkt bzw. begrenzt ist.

Claims

System zum Bereitstellen eines Targeting von digitalen Erfahrungen, welche eine hohe Wahrscheinlichkeit einer Konversion aufweisen, wobei das System umfasst: einen oder mehrere Prozessor(en); eine Konversions-Mehrfachklassen-Klassifiziereinrichtung, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung eine erste Eingabe, um ein Benutzer-Besuchsprofil zu erhalten, und eine zweite Eingabe aufweist, um eine Anzeige zu erhalten, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren bzw. umwandeln wird, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung konfiguriert ist, um eine Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne vorauszusagen; eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist, wobei die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung eine erste Eingabe, um das Benutzer-Besuchsprofil zu erhalten, und eine zweite Eingabe aufweist, um eine Anzeige zu erhalten, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren bzw. umwandeln wird, wobei die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung konfiguriert ist, um eine Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne vorauszusagen; und eine Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit, welche durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist und konfiguriert ist, um für das Benutzer-Besuchsprofil und basierend auf den Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt wurden, eine Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne abzuleiten.
System nach Anspruch 1, wobei die Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit konfiguriert ist, um mathematisch die Wahrscheinlichkeiten zu kombinieren, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt wurden, um die Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne abzuleiten.
System nach Anspruch 2, wobei ein Kombinieren der Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt wurden, eine Verwendung eines Bayes-Theorems beinhaltet.
System nach einem der vorangehenden Ansprüche, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen bzw. Erlebnisse in der Kampagne trainiert wird.
System nach einem der vorangehenden Ansprüche, wobei die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert wird.
System nach einem der vorangehenden Ansprüche, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Random Forests implementiert sind.
System nach einem der Ansprüche 1 bis 5, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von neuralen Netzwerken implementiert sind.
System nach einem der Ansprüche 1 bis 5, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Gradient-Boosting-Bäumen implementiert sind.
System nach einem der Ansprüche 1 bis 5, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils unter Verwendung von Entscheidungsbäumen implementiert sind.
System nach einem der vorangehenden Ansprüche, weiters umfassend ein Dimensionalitäts-Reduktionsmodul, welches durch den einen oder die mehreren Prozessor(en) steuerbar oder ausführbar ist und konfiguriert ist, um eine Dimensionalität von Trainingsdaten für eine Verwendung bei einem Training der Konversions-Mehrfachklassen-Klassifiziereinrichtung und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung zu reduzieren.
Computer-implementiertes Verfahren für ein Bereitstellen eines Targeting von digitalen Erfahrungen, welche eine hohe Wahrscheinlichkeit einer Konversion bzw. Umwandlung aufweisen, wobei das Verfahren umfasst: ein Vorhersagen durch eine Konversions-Mehrfachklassen-Klassifiziereinrichtung basierend auf einer ersten Eingabe, um ein Benutzer-Besuchsprofil zu erhalten, und einer zweiten Eingabe, um eine Anzeige zu erhalten, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne; ein Vorhersagen durch eine Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung und basierend auf einer ersten Eingabe, um das Benutzer-Besuchsprofil zu erhalten, und einer zweiten Eingabe, um eine Anzeige zu erhalten, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in der angebotenen Kampagne; und ein Ableiten durch eine Beurteilungseinrichtung einer Konversions-Wahrscheinlichkeit für das Benutzer-Besuchsprofil und basierend auf den Wahrscheinlichkeiten, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt bzw. generiert werden, einer Wahrscheinlichkeit einer Konversion bzw. Umwandlung für jede digitale Erfahrung in der Kampagne.
Verfahren nach Anspruch 11, wobei ein Ableiten der Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne ein mathematisches Kombinieren, unter Verwendung eines Bayes-Theorems, der Wahrscheinlichkeiten beinhaltet, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt werden.
Verfahren nach Anspruch 11 oder 12, weiters umfassend: ein Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen in der Kampagne; und ein Trainieren der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne.
Verfahren nach einem der Ansprüche 11 bis 13, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils implementiert werden, indem eine von Random Forests, neuralen Netzwerken, Gradient-Boosting-Bäumen und Entscheidungsbäumen verwendet werden.
Verfahren nach einem der Ansprüche 11 bis 14, weiters umfassend ein Reduzieren einer Dimensionalität von Trainingsdaten für eine Verwendung bei einem Trainieren der Konversions-Mehrfachklassen-Klassifiziereinrichtung und der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung.
Computerprogrammprodukt, beinhaltend ein oder mehrere nicht-flüchtige(s) maschinenlesbare(s) Medium (Medien), welche(s) mit Instruktionen codiert ist bzw. sind, welche, wenn durch einen oder mehrere Prozessor(en) ausgeführt, einen Prozess eines Bereitstellens eines Targeting von digitalen Erfahrungen bewirken, welche eine hohe Wahrscheinlichkeit aufweisen, dass eine Konversion ausgeführt wird, wobei der Prozess umfasst: ein Vorhersagen, basierend auf einem Benutzer-Besuchsprofil und einer Anzeige, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in einer angebotenen Kampagne; ein Vorhersagen, basierend auf einem Benutzer-Besuchsprofil und einer Anzeige, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, einer Wahrscheinlichkeit von jeder digitalen Erfahrung in der angebotenen Kampagne; und ein Ableiten für das Benutzer-Besuchsprofil einer Wahrscheinlichkeit einer Konversion bzw. Umwandlung für jede digitale Erfahrung in der Kampagne.
Computerprogrammprodukt nach Anspruch 16, wobei die Wahrscheinlichkeit jeder digitalen Erfahrung in der angebotenen Kampagne basierend auf dem Benutzer-Besuchsprofil und der Anzeige, dass ein Benutzer, welcher das Benutzer-Besuchsprofil zeigt, konvertieren wird, unter Verwendung einer Konversions-Mehrfachklassen-Klassifiziereinrichtung generiert wird, und die Wahrscheinlichkeit jeder digitalen Erfahrung in der angebotenen Kampagne basierend auf dem Benutzer-Besuchsprofil und der Anzeige, dass der Benutzer, welcher das Benutzer-Besuchsprofil zeigt, nicht konvertieren wird, unter Verwendung einer Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung generiert wird, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung verschieden von der Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung ist.
Computerprogrammprodukt nach Anspruch 17, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert wird und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung unter Verwendung nur von Nicht-Konversionsdaten für digitale Erfahrungen in der Kampagne trainiert wird.
Computerprogrammprodukt nach Anspruch 17 oder 18, wobei die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung jeweils implementiert werden, indem eine von Random Forests, neuralen Netzwerken, Gradient-Boosting-Bäumen und Entscheidungsbäumen verwendet werden.
Computerprogrammprodukt nach einem der Ansprüche 17 bis 19, wobei ein Ableiten der Wahrscheinlichkeit einer Konversion für jede digitale Erfahrung in der Kampagne ein mathematisches Kombinieren, unter Verwendung eines Bayes-Theorems, der Wahrscheinlichkeiten beinhaltet, welche durch die Konversions-Mehrfachklassen-Klassifiziereinrichtung und die Nicht-Konversions-Mehrfachklassen-Klassifiziereinrichtung erzeugt werden.