FR3094535A1 - Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation. - Google Patents

Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation. Download PDF

Info

Publication number
FR3094535A1
FR3094535A1 FR1903301A FR1903301A FR3094535A1 FR 3094535 A1 FR3094535 A1 FR 3094535A1 FR 1903301 A FR1903301 A FR 1903301A FR 1903301 A FR1903301 A FR 1903301A FR 3094535 A1 FR3094535 A1 FR 3094535A1
Authority
FR
France
Prior art keywords
campaign
image
advertising campaign
impact
advertising
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
Application number
FR1903301A
Other languages
English (en)
Inventor
Amaury FOURNIER
Anthony BARRÉ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JCDECAUX SE, FR
Original Assignee
JCDecaux SE
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JCDecaux SE filed Critical JCDecaux SE
Priority to FR1903301A priority Critical patent/FR3094535A1/fr
Publication of FR3094535A1 publication Critical patent/FR3094535A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Multimedia (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Un procédé d’estimation (30) de l’impact d’une campagne publicitaire (14) comprend au moins une image de publicité. Le procédé (30) comprend  l’exécution par une unité centrale (20), un algorithme d’intelligence artificielle. L’exécution comprend l’obtention d’un ensemble de paramètres représentatifs de ladite au moins une image de publicité à partir d’un ensemble d’images d’entrainement; et la détermination d’au moins un paramètre d’impact de campagne à partir de l’ensemble de paramètres représentatifs de ladite au moins une image. Un procédé (40) et un ensemble d’affichage (1) sont aussi présentés.Figure 1

Description

PROCÉDÉ D’ESTIMATION DE L’IMPACT D’UNE CAMPAGNE PUBLICITAIRE, ET PROCÉDÉ ET ENSEMBLE D’AFFICHAGE UTILISANT UN TEL PROCÉDÉ D’ESTIMATION.
La présente description relève du domaine des procédés pour estimer l’impact des campagnes publicitaires, et des procédés et ensembles d’affichage utilisant un tel procédé d’estimation.
Arrière-plan technologique
Une campagne publicitaire consiste en un ou plusieurs contenus publicitaires affichés soit sous forme d’affiches, soit sous forme d’affichage numérique par des écrans électroniques.
L’impact d’une campagne publicitaire dépend de la population ayant été en contact avec la campagne publicitaire et de la composition de cette population en termes de segments de clientèle. Cet impact dépend également de l’impression laissée par la campagne publicitaire sur ladite population.
Pour déterminer l’impact de la campagne, on peut faire appel à des organismes de sondages. Ces organismes viennent questionner directement la population qui a été en contact visuel avec la campagne pour leur poser des questions sur leur ressenti par exemple.
Les méthodes actuelles de sondage direct auprès de la population en contact visuel avec la campagne publicitaire requièrent un effort et temps conséquent. Il ne permet pas d’ajustement de la campagne en fonction des résultats. Au mieux, il permet l’ajustement d’une campagne future en fonction des résultats des sondages passés.
La présente description a notamment pour but de pallier cet inconvénient.
Résumé
À cet effet, il est proposé un procédé d’estimation de l’impact d’une campagne publicitaire comprenant au moins une image de publicité, le procédé comprenant :
- exécuter, par une unité centrale, un algorithme d’intelligence artificielle, l’exécution comprenant :
- l’obtention d’un ensemble de paramètres représentatifs de ladite au moins une image de publicité à partir d’un ensemble d’images d’entrainement; et
- la détermination d’au moins un paramètre d’impact de campagne à partir de l’ensemble de paramètres représentatifs de ladite au moins une image.
Un tel procédé permet de déterminer l’impact d’une campagne publicitaire avant-même son affichage, voire pendant son affichage. Il est ainsi possible d’optimiser la campagne publicitaire pour maximiser son impact, avant voire pendant son affichage.
Les caractéristiques exposées dans les paragraphes suivants peuvent, optionnellement, être mises en œuvre. Elles peuvent être mises en œuvre indépendamment les unes des autres ou en combinaison les unes avec les autres :
- l’obtention de l’ensemble de paramètres représentatifs de ladite au moins une image de publicité inclut de plus la prise en compte des paramètres représentatifs associés à l’ensemble des images d’entrainement.
- l’algorithme d’intelligence artificielle comprend un algorithme d’apprentissage supervisé, et en particulier, l’obtention de l’ensemble de paramètres représentatifs de ladite au moins une image à partir d’un ensemble d’images d’entrainement est faite par un réseau neuronal convolutif, ou un réseau résiduel, ou un groupe de géométrie visuelle.
- l’algorithme d’apprentissage supervisé utilise un réseau neuronal ayant au moins deux couches de neurones sigmoïdes, et plus particulièrement, le réseau neuronal a plusieurs entrées connectés à des nœuds d’entrée dans une couche d’entrée, la première couche des neurones sigmoïdes ayant une pluralité de neurones sigmoïdes connectés chacun à chaque nœud d’entrée, la deuxième couche des neurones sigmoïdes ayant une pluralité de neurones sigmoïdes, et une couche de sortie, ayant par exemple un nœud de sortie connecté à tous les neurones sigmoïdes.
- la détermination d’au moins un paramètre d’impact de campagne se fait grâce à un algorithme d’apprentissage ayant comme ensemble d’entrainement des paramètres d’impact de campagnes passées.
- les paramètres d’impact des campagnes passées sont issus de sondages réalisés sur des campagnes différentes de ladite campagne publicitaire, ou par l’analyse de revenus passés liés aux campagnes passées.
– le procédé comprend de plus modifier ladite au moins une image et exécuter l’algorithme d’intelligence artificielle de façon itérative jusqu’à minimiser une différence entre ledit au moins un paramètre d’impact et au moins un paramètre de succès de campagne associé.
- l’ensemble de paramètres représentatifs de ladite au moins une image inclut au moins un de :
- identification et/ou dénombrement et/ou positionnement des couleurs de l’image ;
- positionnement et/ou taille et/ou nombre et/ou âge de femmes et/ou hommes et/ou enfants présents sur l’image ; et
- positionnement et/ou taille et/ou nombre d’animaux ou d’objets présents sur l’image.
- ledit au moins un paramètre d’impact de campagne comprend au moins un de :
- reconnaissance de la marque ;
- attribution de la marque ;
- impression laissée par la campagne publicitaire ; et
- probabilité de visite magasin suite au visionnage de la campagne publicitaire ; et
- revenus générés estimés dus au visionnage de la campagne publicitaire.
- la détermination dudit au moins un paramètre d’impact de campagne inclut la prise en compte de l’ensemble de paramètres représentatifs du produit objet de la publicité.
- l’ensemble de paramètres représentatifs du produit objet de la publicité comprenant au moins un de :
- nature du produit objet de la publicité,
- visuel associé à la marque du produit objet de la publicité, et
- secteur associé au produit objet de la publicité.
Selon un autre aspect, il est proposé un procédé d’affichage d’une campagne publicitaire comprenant le procédé d’estimation et de plus : l’affichage sur au moins un dispositif d’affichage de la campagne publicitaire, et de préférence dans une zone ouverte au public.
Les caractéristiques exposées dans les paragraphes suivants peuvent, optionnellement, être mises en œuvre. Elles peuvent être mises en œuvre indépendamment les unes des autres ou en combinaison les unes avec les autres :- la zone ouverte au public et/ou ledit au moins un dispositif d’affichage est déterminée en fonction d’au moins un paramètre démographique.
Selon un autre aspect, il est proposé un ensemble d’affichage d’une campagne de publicité comprenant :
- au moins un dispositif d’affichage publicitaire destiné à afficher la campagne publicitaire ;
- une base de donnée incluant au moins une campagne publicitaire potentielle ; et
- une unité centrale connectée à la base de données et permettant d’exécuter le procédé d’estimation pour la campagne publicitaire potentielle et de déterminer la campagne publicitaire à afficher en fonction des au moins un paramètre d’impact calculés.
D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
Fig. 1
La figure 1 montre un exemple de zone ouverte au public ayant un dispositif d’affichage de publicité ;
Fig. 2
La figure 2 montre une partie d’un dispositif d’affichage;
Fig. 3
La figure 3 est un ordinogramme d’un procédé d’évaluation de campagne publicitaire ; et
Fig. 4
La figure 4 est un ordinogramme d’un procédé d’affichage de campagne publicitaire.
Fig. 5
La figure 5 est un schéma montrant un réseau de neurones utilisable dans les procédés des figures 3 et 4 ;
Fig. 6
La figure 6 illustre le fonctionnement du réseau neuronal de la figure 5 ;
Fig. 7
La figure 7 illustre un exemple d’ensemble d’affichage ; et
Fig. 8
La figure 8 illustre certains composants logiciels de l’ensemble de la figure 7.
Les dessins et la description ci-après pourront non seulement servir à mieux faire comprendre la présente divulgation, mais aussi contribuer à sa définition, le cas échéant.
Il est maintenant fait référence à la figure 1. Unezone 10ouverte au public (voie publique, gare, aéroport, espace commercial ou autre) comprend une pluralité dedispositifs d’affichages 12 (ici panneaux). Les dispositifs d’affichage 12 peuvent comporter des affiches sur support physique (papier ou synthétique) ou être des écrans digitaux, par exemple de type LCD, plasma ou autre.
Chaque dispositif d’affichage 12 affiche (ou diffuse) au moins unecampagne publicitaire 14 (généralement plusieurs dans le cas des écrans digitaux), laquelle campagne se compose d’au moins une publicité. La campagne publicitaire peut comprendre plusieurs publicités qui sont affichées en alternance, sur une période de temps donné. Par exemple, un changement de publicité toutes les 30 secondes, ou autre. Chaque dispositif d’affichage 12 pourrait montrer une publicité de façon statique, par exemple une image, ou de façon dynamique, par exemple sous forme de vidéo. La ou les publicités qui composent la campagne publicitaire 14 ont été sélectionnée(s) selon le procédé qui va être décrit ci-dessous. Une campagne publicitaire est généralement faite au soutien d’une marque, ou d’un ensemble de marques.En référence aux figures 2 et 3, unprocédé d’estimation 30d’une campagne publicitaire 14 à afficher dans la zone 10 ouverte au public va être décrit. Le procédé d’estimation 30 permet de quantifier un impact de la campagne publicitaire 14 avant, pendant ou après sa diffusion sur les dispositifs d’affichage 12. Si le procédé d’estimation 30 est exécuté avant que la campagne publicitaire 14 soit affichée, il offre la possibilité de changer la campagne 14 au besoin pour que l’impact de la campagne corresponde au succès escompté. Selon un exemple non limitatif, on peut remplacer une publicité par une autre ou bien changer le contenu de la publicité. Si le procédé d’estimation 30 est fait après que la campagne 14 ait été diffusée, les résultats peuvent alors servir pour améliorer des campagnes à venir, par exemple.
Le procédé d’estimation 30 est exécuté par uneunité centrale 20. L’unité centrale 20 est typiquement logée dans unordinateur 22, ou bien dans un serveur sur lequel un utilisateur peut se connecter, éventuellement à distance. L’utilisateur peut accéder à uneinterface 23, notamment une interface graphique, par exemple de type interface web, ou application, permettant de rentrer des données ou paramètres pertinents pour l’évaluation de l’impact de la campagne, mais aussi de visualiser le résultat, par l’intermédiaire d’un paramètre d’impact généré.
Le procédé d’estimation 30 consiste en une première étape 32 de traitement des images de campagne publicitaire 14 qui permet d’analyser la structure de la ou les publicités qui composent la campagne 14, c’est-à-dire ses composantes et possiblement les relations en ses composantes. Si la campagne publicitaire 14 ne contient qu’une publicité, l’image associée est cette publicité même. Si la campagne publicitaire 14 contient plusieurs publicités à être affichées périodiquement les unes après les autres, les images de chacune des publicités sont soumises au traitement d’image. Il se peut aussi que l’ordre de diffusion des images les unes par rapport aux autres à l’intérieur d’une campagne publicitaire soit un paramètre pris en considération par le procédé d’estimation 30. Si la campagne publicitaire 14 contient une image animée ou vidéo, une ou plusieurs images représentatives de cette image animée ou vidéo peuvent être choisies pour le traitement d’image.
Afin de procéder au traitement de l’image, une version numérique de l’image (ou de la vidéo le cas échéant) est extraite d’unebase de données 24. La base de données 24 peut se trouver sur un disque local de l’ordinateur sur lequel l’utilisateur travaille, ou bien sur un serveur à distance dans une base de données 24. L’image est par exemple au format PNG ou JPG et contient de l’information sur le visuel que l’image représente.
Le traitement de l’image a pour but d’extraire des paramètres représentatifs du visuel de l’image. Le type de paramètres à extraire peut être fourni à l’algorithme, ou bien l’algorithme peut les déterminer lui-même par apprentissage. De façon non exhaustive, le traitement de l’image peut permettre d’identifier dans le visuel de l’image : les différentes couleurs de l’image (par leur simple identification et/ou dénombrement et/ou positionnement à l’intérieur de l’image), et/ou les humains présents (par leur positionnement et/ou taille et/ou nombre et/ou âge de femmes et/ou hommes et/ou enfants présents sur l’image), et/ou animaux présents dans l’image (par leur positionnement et/ou taille et/ou nombre), et/ou objets présents dans l’image (par leur positionnement et/ou taille et/ou nombre). Le traitement de l’image peut permettre d’identifier plus ou moins de paramètres que ceux décrits ci-dessous. Le choix des paramètres à identifier est un choix de l’utilisateur en fonction de l’objectif de la campagne publicitaire. Par exemple, pour une campagne publicitaire sur du parfum, un paramètre peut être la présence d’un flacon de parfum sur une étendue minimum donnée de l’image.
Le traitement de l’image se fait grâce à un algorithme d’intelligence artificielle, à partir de données d’entrainement. Le module d’intelligence artificielle peut être entraîné par apprentissage automatique (Par apprentissage supervisé ou non supervisé, et notamment « machine learning ») et notamment plus précisément par apprentissage supervisé (« supervised learning »), par exemple en en temps différé, dans un module de formation. Le module de formation peut être programmé pour entraîner le module d’intelligence artificielle avec les données d’entrainement, ce qui permet un apprentissage plus rapide et plus efficace.
L’ensemble de données d’entrainement comprend des images de campagnes passées. Selon un mode de réalisation, l’algorithme à partir des images de campagnes passées détermine lui-même les paramètres représentatifs de la campagne publicitaire qui fait l’objet du procédé d’estimation 30. Selon un autre mode de réalisation, des paramètres représentatifs associés aux campagnes passées font parties des données d’entrainement fournies à l’algorithme afin qu’il détermine les paramètres représentatifs associés à la campagne publicitaire qui fait l’objet du procédé d’estimation 30. Par exemple, des images contenant des chats peuvent faire partie des données d’entrainement, et le paramètre « présence de chat » peut être alors associé comme paramètre d’entrainement (fourni ou bien déduit par l’algorithme). Ainsi, une publicité contenant notamment des chats (par exemple une publicité pour litière de chat) passant au traitement d’image aura le paramètre représentatif « présence de chat » activé. Selon un mode de réalisation, le paramètre représentatif peut contenir une valeur associée. Par exemple, si trois chats sont détectés sur l’image ou si l’image du chat est de grande taille, le paramètre représentatif « présence de chat » peut avoir une valeur associée plus grande que s’il était associé à une publicité contenant une petite image de chat.
Selon un mode de réalisation, l’ensemble des données des campagnes passées est mis à jour au fil du temps en fonction des nouvelles campagnes diffusées.
L’algorithme d’intelligence artificielle peut ainsi comprendre un algorithme d’apprentissage supervisé (supervised learning) pour au moins effectuer le traitement d’image et possiblement aussi la détermination du ou des paramètre d’impacts (en une étape combinée ou pas), et en particulier de façon non exhaustive, un algorithme utilisant un réseau neuronal convolutif (convolutional neural network) un réseau résiduel (residual network), ou un groupe de géométrie visuelle (visual geometry group).
Ainsi, et en référence aux figures 5 et 6, dans un mode de réalisation, le module d’intelligence artificielle peut comprendre un réseau neuronal 117 ayant, dans cet exemple, deux couches 119, 120 de neurones sigmoïdes. Plus particulièrement, le réseau neuronal 117 peut avoir :
- plusieurs entrées connectés aux nœuds d’entrée 122-126 dans une couche d’entrée 118 (il y a 5 entrées et nœuds d’entrée dans l’exemple des Figures 5 et 6, mais ce nombre peut varier d’un mode de réalisation à l’autre),
- la première couche 119 des neurones sigmoïdes, ayant un certain nombre de neurones sigmoïdes 127 (par exemple 7 neurones sigmoïdes 127) connectés chacun à chaque nœud d’entrée 122-126,
- la deuxième couche 120 des neurones sigmoïdes, ayant un certain nombre de neurones sigmoïdes 128 (par exemple 3 neurones sigmoïdes 128) connectés chacun à chaque neurones sigmoïde 127,
-une couche de sortie 121, ayant par exemple un nœud de sortie 129 connecté à tous les neurones sigmoïdes 128.
Le réseau de neurones 117 peut avoir un taux d’apprentissage de 0,1 et une valeur Gamma de 1, par exemple. Toutes les données d’entrée et de sortie peuvent être des chiffres normalisés compris entre 0 et 1.
Le réseau de neurones 117 pourrait avoir plus que deux couches. Le nombre de couches pourrait être utilisé comme paramètre pour la détermination de la précision de l’algorithme.
L’étape de traitement de l’image ci-dessus peut être très rapide, généralement de l’ordre de 1 à quelques ms.
Dans une deuxième étape 34 du procédé d’estimation 30, qui peut être combinée à la première, on détermine un ou plusieurs paramètres d’impact de la campagne à partir des un ou plusieurs paramètres représentatifs de la publicité. Le ou les paramètres d’impacts peuvent permettre de quantifier le succès potentiel de la campagne. De ce fait, un algorithme d’apprentissage peut être utilisé pour obtenir le ou les paramètres d’impact. L’algorithme de traitement d’image et l’algorithme d’apprentissage pourraient être combinés dans un seul et même algorithme d’intelligence artificielle. La détermination du ou des paramètres d’impact de la campagne peut donc se faire en utilisant des campagnes passées pour lesquelles des paramètres d’impact sont connus.
Ces campagnes passées utilisées comme campagnes d’entrainement de l’algorithme peuvent ou pas contenir les mêmes images que celles utilisées comme images d’entrainement pour le traitement d’image décrit ci-dessus. Les paramètres d’impact des campagnes passées peuvent avoir été obtenus par sondage direct auprès de populations ayant été en contact visuel avec ces campagnes passées. Ils peuvent aussi avoir été obtenus par l’analyse de revenus passés liés à la campagne diffusée. Selon un mode de réalisation, l’ensemble des données des campagnes passées et de leur(s) paramètre(s) d’impact associé(s) est mis à jour au fil du temps en fonction des nouvelles campagnes diffusées.
De façon non exhaustive, le ou les paramètres d’impact obtenus par l’algorithme peuvent être : la reconnaissance de la marque (e.g. est-ce que la personne se souvient d’avoir vu la marque ?), et/ou l’attribution de la marque (e.g. est-ce que la personne reconnait la marque associée à la publicité même sans logo la marque ?), et/ou l’impression laissée par l’image (e.g. bonne ? mauvaise ? douceur ? légèreté ? en accord avec les valeurs de la marque ?), et/ou probabilité de visite magasin suite au visionnage de la publicité, et/ou revenus générés estimés dus au visionnage de la campagne publicitaire.
Si plusieurs paramètres d’impact sont générés, l’algorithme peut faire une moyenne pondérée de ces paramètres. La pondération peut être effectuée en fonction d’une direction à donner à la campagne. Par exemple, si une campagne a pour public cible les femmes et que les paramètres d’impact sont l’impression de douceur laissée par l’image et la reconnaissance de la marque, un poids plus important pourra être accordé au paramètre « impression de douceur laissée par l’image » qu’au paramètre « reconnaissance de la marque ».
Le ou les paramètres d’impacts peuvent aussi être calculés avec des données additionnelles aux paramètres issus du traitement d’image de la publicité. Par exemple, selon un mode de réalisation, l’algorithme prend aussi en compte un ou plusieurs paramètres représentatifs du produit objet de la publicité et/ou de la marque associée à la publicité. Ceci peut comprendre par exemple le type de produit objet de la publicité, et/ou le visuel associé à la marque du produit objet de la publicité, et/ou le secteur associé au produit objet de la publicité. Ce ou ces paramètres représentatifs du produit objet de la publicité constituent alors des paramètres pris en compte par l’algorithme d’apprentissage permettant d’obtenir le ou les paramètres d’impact de la campagne.
Le ou les paramètres d’impact peuvent être comparés à un ou des paramètres de succès désirés pour la campagne. Les paramètres de succès peuvent être établis en fonction de succès de campagnes similaires passées ou bien de façon arbitraire. Selon un mode de réalisation, le procédé d’estimation 30 comprend de plus une étape de modification de la campagne publicitaire afin de minimiser une différence entre le ou les paramètres d’impact déterminés pour une campagne potentielle, et les ou les paramètres de succès de campagne désiré pour une telle campagne. Ainsi, la campagne potentielle peut être modifiée et le procédé d’estimation 30 est exécuté de manière itérative pour minimiser une différence entre le ou les paramètres d’impact et les ou les paramètres de succès de campagne associé. Une fois le minimum atteint la campagne potentielle devient la campagne à afficher.
Unprocédé d’affichage 40utilisant le procédé d’estimation 30 ci-dessus comprend les étapes décrites ci-dessus et uneétape additionnelle d’affichage 42de la campagne publicitaire 14. Selon un mode de réalisation, l’affichage se fait dans la zone 10 ouverte au public. Selon un mode de réalisation, la zone 10 ouverte au public et/ou le dispositif d’affichage 12 sélectionné pour l’affichage est déterminée en fonction d’au moins un paramètre démographique associé, par exemple : nombre de personnes passant dans la zone (i.e. passants) par période de temps donnée, genre des passants (homme/femme), âge des passants (au moins par tranches d’âge), activés et/ou passe-temps des passants, et catégorie socio-professionnelle des passants.
Afin d’exécuter le procédé d’affichage 40 ci-dessus, un dispositif d’affichage comprend : au moins un des dispositifs d’affichage publicitaire (e.g. panneaux publicitaires 12) qui sont destinés à afficher la campagne publicitaire, la base de donnée 24 incluant au moins une campagne publicitaire potentielle (éventuellement à modifier jusqu’à la détermination de la campagne publicitaire à afficher), et l’unité centrale 20 permettant d’exécuter le procédé d’estimation 30 décrit ci-dessus.
En référence à la figure 7, un exemple d’ensemble 1 d’affichage va être présenté. L’ensemble d’affichage 1 comprend au moins un des dispositifs d’affichage publicitaire 12, la une base de donnée 24 incluant au moins une campagne publicitaire potentielle, et l’unité centrale 20 d’exécuter le procédé d’estimation 30 décrit ci-dessous afin de déterminer la campagne publicitaire à afficher en fonction des au moins un paramètre d’impact calculés.
Lesdits au moins un des dispositifs d’affichage publicitaire 12 peut inclure un ou plusieurs dispositifs d’affichage numériques D FR et/ou un ou plusieurs dispositifs d’affichage 12 à affiche papier 3 (P FR).
Lorsque les dispositifs d’affichage 12 sont des dispositifs d’affichage numériques 2 (D FR), ils peuvent inclure un lecteur 2a (c'est-à-dire un ordinateur avec un processeur et une mémoire de masse) contrôlant un écran électronique 2b tel qu’un écran électronique de type LED ou LCD, ou tout autre type connu d’écran électroniquement adressable. Les contenus joués par lecteur 2a peuvent être des images, des films, des pages web ou tout autre type de contenus numériques pouvant être affichés sur l’écran électronique 2b.
Les dispositifs d’affichage 12 à affiche papier 3 (P FR) peuvent être rétroéclairés ou non, à affiches fixes ou mobiles et les affiches peuvent être des feuilles de papier ou toute feuille synthétique appropriée.
Un ensemble d’affichage publicitaire 1 peut comprendre de plus au moins un serveur d’allocation 4 (SERV 1) programmé pour recevoir des données de campagne concernant des campagnes de publicité à attribuer à chaque dispositifs d’affichage 12 et une chronologie d’affichage sur ledit ensemble spécifique de dispositifs d’affichage (notamment plages horaires d’affichage (uniforme ou selon les dispositifs d’affichage), fréquence d’affichage en fonction des plages horaires et / ou en fonction des dispositifs d’affichage, etc.).
Les données de campagne peuvent être reçues notamment de postes de travail informatiques 5 utilisés par les opérateurs OPE, de postes de travail informatiques 6 utilisés par les clients CLT ou d’un système d’enchères en temps réel 7 (RTB).
Une fois que le serveur d’allocation 4 a alloué à une campagne de publicité spécifique des dispositifs d’affichage 2, 3 associés et une chronologie d’affichage sur ces dispositifs d’affichage, l’identification des dispositifs d’affichage alloués et de la chronologie allouée peut être envoyée par ledit au moins un serveur d’allocation 4 à au moins un serveur d’exploitation 8 (SERV 3) qui peut, immédiatement ou plus tard, envoyer (ou faire envoyer) les contenus et les chronologies vers les dispositifs d’affichage 2, 3. Les contenus peuvent être reçus sur le serveur d’exploitation 8 depuis le serveur d’allocation 4 ou depuis toute autre source extérieure.
Dans le cas des dispositifs d’affichage numériques 2, les contenus et les chronologies peuvent être envoyés vers les lecteurs 2a par un réseau 9 (N), local ou étendu.
Dans le cas des dispositifs d’affichage papier 3, l’envoi des contenus se fait par des opérateurs qui vont physiquement sur le site pour changer les affiches.
Ledit au moins un serveur d’allocation 4 peut en outre communiquer avec un ou plusieurs serveurs supplémentaires 11 (SERV 2), comme par exemple au moins un serveur adapté pour entraîner par exemple une intelligence artificielle exécutée sur ledit au moins un serveur d’allocation 4 permettant de déterminer l’attribution des dispositifs d’affichages 12 à chaque campagne publicitaire Le serveur d’allocation 4 peut aussi communiquer avec le serveur 24 et/ou l’unité de contrôle 22 pour déterminer le (ou les) paramètres d’impact d’une campagne publicitaire en utilisant l’intelligence artificielle décrite ci-dessus.
Comme illustré sur la figure 8, ledit au moins un serveur d’allocation 4 peut exécuter un logiciel appelé module d’allocation 17 qui est configuré pour allouer aux campagnes de publicité des dispositifs d’affichage et des chronologies d’affichage sur ces dispositifs d’affichage.
Le module d’allocation 17 peut communiquer avec les postes 5 d’opérateurs grâce à un logiciel d’interface (INT), avec les postes 6 de clients via une interface API 14 et avec le système d’enchères temps réel 7 grâce à une interface logicielle spécifique 15 (EXCH) permettant de réaliser des échanges automatiques de données par exemple sous le protocole « Open RTB ».
Lorsque ledit au moins un serveur d’allocation 4 est composé d’une pluralité de serveurs d’allocation 4, le module d’allocation 17 peut éventuellement être exécuté simultanément sur tous les serveurs d’allocation 4 de ladite pluralité pour améliorer la vitesse.
Les données relatives à l’inventaire de dispositifs d’affichage 12 (numérique et/ou papier) peuvent être contenues dans une base de données de l’inventaire. Éventuellement, ledit au moins un serveur d’allocation 4 peut avoir une mémoire vive (RAM) dans laquelle ladite base de données de l’inventaire est entièrement chargés sous la forme d’objets en tant qu’objets modélisés avec masque de bits pour améliorer la vitesse. La base de données de l’inventaire peut contenir au moins des données individuelles de type d’affichage, de localisation, de disponibilité et des données sur l’audience des dispositifs d’affichage 12.
Les données de type d’affichage peuvent comprendre par exemple des données telles que :
- le canal : par exemple « aéroport », « grand format » ou « mobilier urbain »,
- le type de media : par exemple numérique, papier, numérique et papier,
- le format : format d’affichage,
- etc.
Les données de localisation peuvent inclure la position de l’affichage dans la zone d’espace 10 ouverte au public.

Claims (14)

  1. Procédé d’estimation (30) de l’impact d’une campagne publicitaire (14) comprenant au moins une image de publicité, le procédé (30) comprenant :
    - exécuter, par une unité centrale (20), un algorithme d’intelligence artificielle, l’exécution comprenant :
    - l’obtention d’un ensemble de paramètres représentatifs de ladite au moins une image de publicité à partir d’un ensemble d’images d’entrainement; et
    - la détermination d’au moins un paramètre d’impact de campagne à partir de l’ensemble de paramètres représentatifs de ladite au moins une image.
  2. Procédé d’estimation (30) selon la revendication 1, dans lequel l’obtention de l’ensemble de paramètres représentatifs de ladite au moins une image de publicité inclut de plus la prise en compte des paramètres représentatifs associés à l’ensemble des images d’entrainement.
  3. Procédé d’estimation (30) selon la revendication 1 ou 2, dans lequel l’algorithme d’intelligence artificielle comprend un algorithme d’apprentissage supervisé, et en particulier, l’obtention de l’ensemble de paramètres représentatifs de ladite au moins une image à partir d’un ensemble d’images d’entrainement est faite par un réseau neuronal convolutif, ou un réseau résiduel, ou un groupe de géométrie visuelle.
  4. Procédé d’estimation (30) selon la revendication 3, dans lequel l’algorithme d’apprentissage supervisé utilise un réseau neuronal (117) ayant au moins deux couches (119, 120) de neurones sigmoïdes, et plus particulièrement, le réseau neuronal (117) a plusieurs entrées connectés à des nœuds d’entrée (122-126) dans une couche d’entrée (118), la première couche (119) des neurones sigmoïdes ayant une pluralité de neurones sigmoïdes (127) connectés chacun à chaque nœud d’entrée (122-126), la deuxième couche (120) des neurones sigmoïdes ayant une pluralité de neurones sigmoïdes (128), et une couche de sortie (121), ayant par exemple un nœud de sortie (129) connecté à tous les neurones sigmoïdes (128).
  5. Procédé d’estimation (30) selon l’une des revendications précédentes, dans lequel la détermination d’au moins un paramètre d’impact de campagne se fait grâce à un algorithme d’apprentissage ayant comme ensemble d’entrainement des paramètres d’impact de campagnes passées.
  6. Procédé d’estimation (30) selon la revendication 5, dans lequel les paramètres d’impact des campagnes passées sont issus de sondages réalisés sur des campagnes différentes de ladite campagne publicitaire, ou par l’analyse de revenus passés liés aux campagnes passées.
  7. Procédé d’estimation (30) selon l’une des revendications précédentes, comprenant de plus modifier ladite au moins une image et exécuter l’algorithme d’intelligence artificielle de façon itérative jusqu’à minimiser une différence entre ledit au moins un paramètre d’impact et au moins un paramètre de succès de campagne associé.
  8. Procédé d’estimation (30) selon l’une des revendications précédentes, dans lequel l’ensemble de paramètres représentatifs de ladite au moins une image inclut au moins un de :
    - identification et/ou dénombrement et/ou positionnement des couleurs de l’image ;
    - positionnement et/ou taille et/ou nombre et/ou âge de femmes et/ou hommes et/ou enfants présents sur l’image ; et
    - positionnement et/ou taille et/ou nombre d’animaux ou d’objets présents sur l’image.
  9. Procédé d’estimation (30) selon l’une des revendications précédentes, dans lequel ledit au moins un paramètre d’impact de campagne comprend au moins un de :
    - reconnaissance de la marque ;
    - attribution de la marque ;
    - impression laissée par la campagne publicitaire ;
    - probabilité de visite magasin suite au visionnage de la campagne publicitaire ; et
    - revenus générés estimés dus au visionnage de la campagne publicitaire.
  10. Procédé d’estimation (30) selon l’une des revendications précédentes, dans lequel la détermination dudit au moins un paramètre d’impact de campagne inclut la prise en compte de l’ensemble de paramètres représentatifs du produit objet de la publicité.
  11. Procédé d’estimation (30) de la revendication 9, dans lequel l’ensemble de paramètres représentatifs du produit objet de la publicité comprenant au moins un de :
    - nature du produit objet de la publicité,
    - visuel associé à la marque du produit objet de la publicité, et
    - secteur associé au produit objet de la publicité.
  12. Procédé d’affichage (40) d’une campagne publicitaire comprenant le procédé d’estimation selon l’une quelconque des revendications 1 à 11, comprenant de plus : l’affichage de la campagne publicitaire sur au moins un dispositif d’affichage (12), et de préférence dans une zone (10) ouverte au public.
  13. Procédé d’affichage (40) selon la revendication 12, dans lequel la zone (10) ouverte au public et/ou ledit au moins un dispositif d’affichage (12) est déterminé en fonction d’au moins un paramètre démographique.
  14. Ensemble d’affichage (1) d’une campagne de publicité comprenant :
    - au moins un dispositif d’affichage publicitaire (12) destiné à afficher la campagne publicitaire ;
    - une base de donnée (24) incluant au moins une campagne publicitaire potentielle ; et
    - une unité centrale (20) connectée à la base de données (24) et permettant d’exécuter le procédé d’estimation (30) selon l’une quelconque des revendications 1 à 11 pour la campagne publicitaire potentielle et de déterminer la campagne publicitaire à afficher en fonction des au moins un paramètre d’impact calculés.
FR1903301A 2019-03-28 2019-03-28 Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation. Pending FR3094535A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1903301A FR3094535A1 (fr) 2019-03-28 2019-03-28 Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation.

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1903301 2019-03-28
FR1903301A FR3094535A1 (fr) 2019-03-28 2019-03-28 Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation.

Publications (1)

Publication Number Publication Date
FR3094535A1 true FR3094535A1 (fr) 2020-10-02

Family

ID=67441406

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1903301A Pending FR3094535A1 (fr) 2019-03-28 2019-03-28 Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation.

Country Status (1)

Country Link
FR (1) FR3094535A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220414706A1 (en) * 2021-06-25 2022-12-29 Z2 Cool Comics Llc Semi-Autonomous Advertising Systems and Methods

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249832A1 (en) * 2007-04-04 2008-10-09 Microsoft Corporation Estimating expected performance of advertisements
US20080294577A1 (en) * 2007-05-23 2008-11-27 Deepak Agarwal Efficient Estimation of Events with Rare Occurrence Rates Using Taxonomies
US20140012659A1 (en) * 2012-07-09 2014-01-09 Rong Yan Modifying targeting criteria for an advertising campaign based on advertising campaign budget
WO2014022272A1 (fr) * 2012-07-30 2014-02-06 Yahoo! Inc. Systèmes et procédés pour la mise en œuvre d'une application mobile basée sur un système de publicités en ligne

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080249832A1 (en) * 2007-04-04 2008-10-09 Microsoft Corporation Estimating expected performance of advertisements
US20080294577A1 (en) * 2007-05-23 2008-11-27 Deepak Agarwal Efficient Estimation of Events with Rare Occurrence Rates Using Taxonomies
US20140012659A1 (en) * 2012-07-09 2014-01-09 Rong Yan Modifying targeting criteria for an advertising campaign based on advertising campaign budget
WO2014022272A1 (fr) * 2012-07-30 2014-02-06 Yahoo! Inc. Systèmes et procédés pour la mise en œuvre d'une application mobile basée sur un système de publicités en ligne

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220414706A1 (en) * 2021-06-25 2022-12-29 Z2 Cool Comics Llc Semi-Autonomous Advertising Systems and Methods

Similar Documents

Publication Publication Date Title
Lambrecht et al. Advertising to early trend propagators: Evidence from Twitter
US20080004953A1 (en) Public Display Network For Online Advertising
US10943257B2 (en) Digital media environment for analysis of components of digital content
US20190158905A1 (en) Processing Video Usage Information for the Delivery of Advertising
TW201740295A (zh) 確定用戶行為偏好的方法、推薦資訊的展示方法和裝置
FR3016459A1 (fr)
CN105975581A (zh) 媒体信息的展示方法、客户端及服务器
US11481809B2 (en) Interactive signage and data gathering techniques
Rajaram et al. Video influencers: Unboxing the mystique
Cheng et al. Everyone can be a star: Understanding the role of live video streaming in online retail
TW201310986A (zh) 虛擬廣告平台
France et al. Characterizing viral videos: Methodology and applications
KR20140043937A (ko) 광고판 관객 그룹의 경로를 식별하고 그 경로에 기반하여 광고 콘텐츠를 제공하기 위한 시스템 및 방법
US20110251889A1 (en) Inventory clustering
Nam et al. The effects of service quality and word of mouth on customer acquisition, retention and usage
FR3094535A1 (fr) Procédé d’estimation de l’impact d’une campagne publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation.
CN116051192A (zh) 处理数据的方法和装置
KR20220021689A (ko) 인공지능 디지털 사이니지 시스템 및 이의 운용방법
US20200076523A1 (en) System and method for analyzing user-supplied media at a sporting event
US11741364B2 (en) Deep neural networks modeling
Devkota et al. Factors influencing attitude toward online advertising in Kathmandu valley
FR3109004A1 (fr) Procédé d’estimation de l’impact d’une image publicitaire, et procédé et ensemble d’affichage utilisant un tel procédé d’estimation.
CN111461758B (zh) 广告投放的效果预估方法、装置及计算机存储介质
Clark et al. Who’s Watching TV?
Turov et al. Digital signage personalization through analysis of the visual information about viewers

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20201002

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

CD Change of name or company name

Owner name: JCDECAUX SE, FR

Effective date: 20230403

PLFP Fee payment

Year of fee payment: 6