JP7271529B2 - 自動化されたアトリビューションモデリングおよび測定 - Google Patents

Description

本出願は、その開示が参照によりその全体が本明細書に組み込まれる、2018年10月16日にPCT国際特許出願として提出されており、2017年10月19日に出願された米国特許出願第15/788,547号の優先権を主張する。

アトリビューションは、何らかの方法で所望の結果に貢献し、これらのアクションの各々に値を割り当てるユーザアクション(「イベント」または「タッチポイント」)のセットの識別である。従来のデジタルコンテンツエコシステムでは、広告の効果を測定するために、しばしばアトリビューション技法が使用される。一般に、これらの測定値は、長期間(たとえば、数週間または数か月)にわたって生成される。たとえば、商人は、通例、キャンペーンのパフォーマンスを評価するために、クレジットカードデータをターゲットコンテンツキャンペーンと同期させるために、数週間以上待つ。したがって、ほぼリアルタイムでキャンペーンのパフォーマンスを最適化するためのフィードバックを受信することは、ほとんど達成できない命題であった。

これらおよび他の一般的な考慮事項に関して、実施形態が記載されている。さらに、比較的特定の問題が論議されているが、実施形態は、背景技術で識別された特定の問題を解決することに限定されないものとすることを理解されたい。

本開示は、一般に、現実世界の訪問データを使用した自動化されたアトリビューションモデリングおよび測定のためのシステムおよび方法に関する。アトリビューションモデルは、各イベントの値が決定されるルールのセットである。態様では、アトリビューションモデリングは、単一のソースアトリビューションを指し得、モデルは、ターゲットコンテンツを表示するための最後のクリック、最初のクリック、または最後のチャネルなど1つのイベントに焦点を当てる。さらなる態様では、アトリビューションモデリングは、均等加重を含むフラクショナルアトリビューションを指し得る。均等加重モデルは、潜在的なバイヤー/顧客の変換プロセスを介して、各イベントに同じ量のクレジットを提供する。またさらなる態様では、アトリビューションモデリングは、アルゴリズム的または確率的アトリビューションを指し得、これは、統計モデリングおよび機械学習技法を使用して、変換前のすべてのイベントにわたって潜在顧客が実際の顧客に変換する確率を導出する。

デジタルコンテンツエコシステムでは、一意の識別子が、ターゲットコンテンツと対話する各デバイスに関連付けられている場合がある。これらの一意の識別子は、特定のターゲットコンテンツにさらされた一連の人々を表す「さらされた」グループを作成するために使用され得る。例では、人々は、1つまたは複数の場所を物理的に訪問することによって、または、たとえば、コンピューティングデバイスを使用してデジタルコンテンツを閲覧することによって、ターゲットコンテンツにさらされる可能性がある。限定はしないが、年齢、性別、民族、地理的位置、言語、および顧客ロイヤリティを含む、特定のユーザに関する特定の特徴を抽出するために、さらされたグループ(exposed group)の各ユーザに関連付けられた一意の識別子が使用され得る。抽出された特徴の値をエミュレートするプロファイルのコントロールグループを作成するために、これらの抽出された特徴が使用され得る。コントロールグループは、特定のターゲットコンテンツにさらされない場合がある。コントロールグループとさらされたグループの両方を構築することによって、ターゲットコンテンツの有効性を決定するために、コントロールグループおよびさらされたグループの挙動に関連するデータに対して1つまたは複数のアルゴリズムが実行され得る。その結果、ターゲットキャンペーンをほぼリアルタイムで迅速に最適化することができる。

この概要は、発明を実施するための形態において以下でさらに説明する概念の選択を、簡略化された形式で紹介するために提供されている。この概要は、請求された主題の主要な特徴または本質的な特徴を特定することを意図しておらず、請求された主題の範囲を限定するために使用されることも意図していない。

自動アトリビューションモデリングおよび測定に関連するデータを受信し、処理するための分散システムの一例を示す図である。 アトリビューションを自動的にモデリングし、測定するための例示的な方法を示すブロック図である。 アトリビューションを自動的にモデリングし、測定するための入力処理ユニットを示すブロック図である。 アトリビューションを自動的にモデリングし、測定するためのダッシュボードの一例を示す図である。 本実施形態の1つまたは複数が実施され得る適切な動作環境の一例を示す図である。

以下の詳細な説明では、本明細書の一部を形成し、例として、または特定の例として例示的な態様が示される添付の図面が参照される。本開示から逸脱することなく、これらの態様を組み合わせてもよく、他の態様が利用されてもよく、構造的変更が行われてもよい。例示的な態様は、方法、システム、またはデバイスとして実施され得る。したがって、例示的な態様は、ハードウェア実装、ソフトウェア実装、またはソフトウェアおよびハードウェアの態様を組み合わせた実装の形をとることができる。したがって、以下の発明を実施するための形態は、限定的な意味で解釈されないものとし、本開示の範囲は、添付の特許請求の範囲およびそれらの均等物によって定義される。

ターゲットコンテンツのマネージャおよびディストリビュータは、ターゲットコンテンツの有効性を知りたいと思うことがよくある。具体的には、これらのマネージャ/ディストリビュータは、ターゲットコンテンツによって最も影響を受ける人口統計を知ることを望む。最も影響を受ける人口統計を発見するために、ターゲットコンテンツのアトリビューションを使用して、各ターゲットコンテンツの印象が潜在的な消費者の購入決定に与える影響を定量化することができる。ターゲットコンテンツのアトリビューションは、潜在的な消費者に関するデータを迅速に収集し、そのデータを比較のために自動的に処理し、そのデータを使用してターゲットコンテンツの有効性を実験的にテストすることを含む。上記で詳述したように、本開示は、自動アトリビューションモデリングおよび測定のためのシステムおよび方法に関する。本明細書に開示されるウェブページおよびアプリケーションは、様々なハードウェアおよびソフトウェア構成を有する様々な異なるデバイスにおいて実行され、表示され得る。これらのデバイスは、とりわけ、ラップトップコンピュータ、携帯電話、タブレット、ヘッドマウントディスプレイ、およびウェアラブルデバイス(たとえば、スマートウォッチ)を含み得る。

以前は、ターゲットコンテンツの有効性をテストするための解決策は、ターゲットコンテンツにさらされた後すぐにアクセスできなかったクレジットカードの明細書および財務データに依存することを含んでいた。他の不十分な解決策は、ターゲットコンテンツにさらされた潜在顧客をさらされなかった潜在顧客と手動で比較することを含む。潜在顧客の大規模なグループを手動で比較することは、短時間で完了するのは困難である。さらに、手動による比較は、通常、電子デバイスから具体的なデータを収集するのではなく、自己報告の精度に依存する。手動による比較と遅延分析との組合せによって、ターゲットコンテンツの有効性に関するほぼリアルタイムの結果について、ターゲットコンテンツマネージャおよびディストリビュータの間で大きいニーズが生じている。

個人および関連する電子デバイスのすでに確立されたプロファイルデータベースを活用することによって、本開示は、1つまたは複数のアルゴリズムを使用して、ターゲットコンテンツにさらされた個人とターゲットコンテンツにさらされなかったデータベースからの個人とを照合することによって、ターゲットコンテンツマネージャおよびディストリビュータの間の大きいニーズをほぼリアルタイムで解決する。いくつかの例示的な態様では、各個々のプロファイルは、GPSロケーション機能および報告を搭載した物理的な電子デバイスに関連付けられ得る。これらの電子デバイスのGPSロケーションは、電子デバイス(したがって、ユーザ)の位置を高精度(電子デバイスのフィート内など)で正確に報告するロケーションインテリジェントデータベースに対して相互参照され得る。たとえば、バーおよびコーヒーショップが互いに隣接している場合、バーは夜にコーヒーショップよりもかなり多くの人の往来を受ける可能性があるかもしれないが、コーヒーショップは、日中にバーよりもかなり多くの人の往来を受ける可能性がある。時刻、営業時間、ならびにバーおよび/またはコーヒーショップを訪れる顧客の人口統計学的情報に関するそのような洞察によって、ロケーションインテリジェントデータベースは、正確な結果を提供することができる。

さらなる例示的な態様では、電子デバイスから収集されたデータを使用して、ターゲットコンテンツアトリビューションを自動的にモデリングし、測定するための1つまたは複数のアルゴリズムを作成することができる。たとえば、ターゲットコンテンツにさらされた個人のグループからの入力データのストリームは、様々な人口統計学的特性にセグメント化されてもよい。これらの人口統計学的特性は自動的に抽出され、すでに確立されたプロファイルデータベースから同様の個人グループを作成するために使用され得る。両方のグループは、設定された時間期間にわたって自動的に監視され得る。いくつかの例示的な態様では、監視は、ある場所への訪問の回数および/または場所固有のデータを記録し、記憶することを伴い得る。他の例示的な態様では、監視は、クリックを記録し、続いてコストパークリック(CPC)またはインプレッション1000回あたりのコスト(CPM)などのメトリックを計算することを伴い得る。さらに別の例示的な態様では、監視は、限定はしないが、場所固有のデータと変換データ(たとえば、実際にどれだけのサイト訪問者が実際に有料顧客に変わるか)との組合せを含むデータの組合せを自動的に記録することを伴い得る。

アトリビューションを自動的にモデリングし、測定する開示されたシステムは、技術システムを多くの方法で改善する。たとえば、開示されたシステムは、潜在顧客のプロファイルおよびそれらの関連する電子デバイスデータを、従来のアトリビューションシステム(および人間)よりも迅速におよび効率的に受信、処理、および比較することができ得る。そのような効率によって、デバイス側のバッテリー電源などの電子リソース、ならびにWebページ/アプリケーションプロバイダ側とデバイス側の両方の処理、メモリ、およびネットワークリソースを節約する可能性がある。さらに、分散システムを利用して電子デバイスデータを受信、処理、記憶、および比較することによって、システム内に含まれるデバイス間でメモリをより均一に分散できるようになり、最終的に、処理速度が速くなり、メモリの動的割振りが増加する。プロファイルデータベース、ロケーションインテリジェントデータベース、および他のデータセットが成長し続けるにつれて、機械学習構成要素は引き続きより正確になる可能性がある。要するに、自動アトリビューションモデリングおよび測定を介して、ターゲットコンテンツの有効性をより正確かつ的確に決定することによって、デバイスリソース、ネットワークリソース、システムメモリをより効率的に使用できるようになり、処理速度が速くなり、顧客にすぐに提供できるようになる。

図1は、自動アトリビューションモデリングおよび測定に関連するデータを受信し、処理するための分散システムの一例を示す。アトリビューションを自動的にモデリングし、測定するための電子デバイスデータのリアルタイムのアップロードおよび処理を容易にするシステム100は、限定はしないが、携帯電話104および112、タブレット106および114、パーソナルコンピュータ108および116などのクライアントデバイスを含む様々な電子デバイスにおいて実行され得る。システム100は、1人または複数人のユーザからデータを受信し、記憶するように構成されてもよい。例では、ユーザは、パネルに対応し得る。本明細書で使用されるパネルは、システム100が現在または以前に取得した情報を有するアクティブユーザのグループを指し得る。少なくとも1つの例では、パネルは、1つまたは複数のサブグループが選択され得るユーザのグループ全体を含み得る。たとえば、コントロールグループ110を作成するために、ユーザのパネルが使用されてもよい。コントロールグループ110は、サーバ102におけるプロファイルデータベースに記憶された、以前から知られているユーザおよび関連する電子デバイスで構成されてもよい。コントロールグループ110から収集され得る(またはすでに収集されている)そのような情報は、性別、年齢、位置データ、民族、言語、購入履歴、および最新性、頻度、および金額(RFM)データを含み得る。RFM分析は、ターゲットコンテンツの有効性の測定と組み合わせて使用される技法である。RFMは、顧客がどのぐらい最近購入したか(最新性)、顧客がどのぐらい頻繁に購入しているか(頻度)、および顧客がどのぐらい費やしているか(金額)を調査することによって、あるターゲットコンテンツに基づいて行動する可能性が高い顧客を定量的に決定するために使用され得る。サーバ102は、将来の入力データによる将来のアトリビューションモデリングおよび測定分析のためにこの情報を記憶してもよい。新しい入力データが引き続きサーバ102によって受信され、処理されると、その入力データは、すでに確立されているプロファイルデータベースに追加され得る履歴データに変換される。新しい入力データが受信されると、プロファイルデータベースは成長し続ける可能性がある。

いくつかの例示的な態様では、サーバ102は、さらされたグループ118から新しい入力データを受信し得る。さらされたグループ118を作成するために、ユーザのパネルが使用されてもよい。さらされたグループ118は、あるターゲットコンテンツにさらされた個人および関連する電子デバイスのグループを指し得る。いくつかの例では、あるターゲットコンテンツにさらされた個人はすでにプロファイルデータベースにあり、したがって、電子デバイス識別データはすでに記憶されている。他の例では、あるターゲットコンテンツにさらされた個人は、まだプロファイルデータベースにない。結果として、システム100は、システム100が個人の電子デバイスからある電子デバイスおよびプロファイルデータを受信することを可能にするように個人を促し得る。システム100があるデータを受信することを許可することに個人が同意した場合、データ(たとえば、性別、年齢、位置データ、言語、民族、教育レベル、購入履歴、ソーシャルメディアプロファイル、RFMデータなど)は、サーバ102に転送され、将来の分析および比較のために記憶され得る。少なくとも1つの態様では、さらされたグループ118内の任意のユーザは、同時にコントロールグループ110内にいない可能性がある。

さらに他の例示的な態様では、サードパーティサーバ120は、プロファイルおよび電子デバイスデータをサーバ102に配信してもよい。サードパーティは、最初にサーバ120を使用して、それ自体のターゲットコンテンツキャンペーンを行い、ターゲットコンテンツを受信した個人のプロファイルおよび電子デバイスデータを記録し得る。次いで、サードパーティは、この情報をサーバ120からサーバ102に渡し得る。いくつかの態様では、サーバ120は、前述のデータ(たとえば、性別、年齢、位置データ、言語、民族、教育レベル、購入履歴、ソーシャルメディアプロファイル、RFMデータなど)をさらされたグループ118内のデバイス112、114、および116から直接受信してもよい。サードパーティサーバ120は、このデータを記憶し、次いで、処理ならびに自動アトリビューションモデリングおよび測定のために、それをサーバ102に送信し得る。

例示的な態様では、あるプロファイルデータおよび電子デバイスデータにアクセスする許可の要求は、サーバ102から、さらされたグループ118内のデバイス112、114、および116に直接送信されてもよい。あるいは、これらの要求は、サードパーティサーバ120に送信されてもよく、要求は、その後、さらされたグループ118内のデバイスに送信される。同様に、さらされたグループ118内の電子デバイスに追跡機構(たとえば、追跡ピクセル)をインストールする旨の要求は、サーバ102から直接送信されてもよく、または要求は、サードパーティサーバ120を介して送信されてもよい。他の例示的な態様では、追跡機構をインストールする旨の要求を含む、データを受信し、処理する旨の要求は、当業者に知られている他の方法に従って送信されてもよい。いくつかの態様では、システム100は、複数の電子デバイスにわたってあるプロファイルを追跡することができる。たとえば、ユーザがパーソナルコンピュータ116上で1つのターゲットコンテンツにさらされた場合、その同じユーザに関連付けられたモバイルデバイス112から受信されたデータは、ユーザが以前に異なるデバイスにおいてそのターゲットコンテンツにさらされていたという事実と相互参照される。サーバ102は、パーソナルコンピュータ116からターゲットコンテンツにさらされることに関連するデータを受信し、その後、ユーザは今やターゲットコンテンツにさらされているので、サーバ102は、モバイルデバイス112から場所固有のデータを受信してもよい。同様のユーザ識別機構は、その特定のユーザに関連付けられたすべての電子デバイスで共有され得る。その結果、より正確な自動アトリビューションモデリングおよび測定が行われ得る。

図2は、アトリビューションを自動的にモデリングし、測定するための例示的な方法を示すブロック図である。例示的な方法200は、データが受信され得るデータ受信動作202で始まる。データは、コントロールグループ110および/またはさらされたグループ118からのデータを指し得る。前述のように、本明細書で開示されるシステムは、プロファイルを含むすでに確立されたプロファイルデータベース、および正確な位置を含むロケーションインテリジェントデータベース上で実行され得る。受信され得るデータは、限定はしないが、デバイスデータおよび人口統計学的データを含む。デバイスデータは、限定はしないが、デバイスの特徴、動作環境の特性、ユーザ選好または設定、ウェブページおよび/またはアプリケーション識別データ、バッテリーの寿命などを含み得る。デバイスの特徴は、限定はしないが、寸法、重量、CPU、GPU、RAM、ストレージ、メモリカード、ディスプレイ、解像度、バッテリー、オペレーティングシステム、カメラ、SIMカード、Wi-Fi、USV機能、Bluetooth（登録商標）機能、センサーなどのハードウェア仕様を含み得る。前述した人口統計学的特徴は、限定はしないが、性別、年齢、位置データ、言語、民族、人種、教育レベル、購入履歴、ソーシャルメディアプロファイル、RFMデータなどを含み得る。システム200は、データ受信動作202で、デバイスおよび/またはプロファイルに関連する上述の情報の全部または一部を受信し得る。

データ処理動作204で、システムは、次いで、デバイスデータおよびプロファイルデータを分析し得る。システム200は、デバイスおよび/または人口統計学的特性のあるセットを抽出するように構成され得る。次いで、データは、デバイスおよび/または人口統計学的特性に従って自動的にセグメント化され得る。あらかじめ選択されたデバイスおよび/または人口統計学的特性に従って、データから対応する値が抽出され得る。抽出されたデータは、1つまたは複数の特性の適切な分類を決定するために、特徴的な分類子および/または統計モデルと比較され得る。たとえば、21歳～24歳の人口統計学的特性は、年齢に関連付けられている可能性がある。「21～24歳」という値が抽出され、あるプロファイルグループおよびターゲットコンテンツに固有の統計モデルと比較され得る。ターゲットコンテンツが主に21歳～24歳の人々に効果的であり、50歳～53歳の人々には効果が顕著に低いことが示されている場合、21歳～24歳の属性の分類は、年齢特性値が「50～53歳」のプロファイルよりも重要度が高くなり得る。1つまたは複数の特性が評価された後、すべての特性の総計が分析され、その後、他の個人グループと比較され得る(たとえば、さらされたグループがコントロールグループと比較され得る)。データ処理動作204は、図3でさらに説明される。

動作204でデータが処理された後、動作206でコントロールグループが作成されてもよい。コントロールグループは、さらされたグループと類似の人口統計学的および/またはデバイス特性を含むプロファイルを含み得る。たとえば、さらされたグループは、修士号を取得し、スペイン語を話す50代後半の男性のプロファイル、および子供が2人おり、ソフトウェアエンジニアとして働く30代前半の女性のプロファイルを含み得る。コントロールグループは、それらの人口統計学的特性を可能な限り厳密にミラーリングし得る。したがって、システム200は、修士号を取得し、スペイン語を話す50代後半の少なくとも1人の男性、および子供が2人おり、ソフトウェアエンジニアとして働く30代前半の女性を含むコントロールグループを作成しようと試みる場合がある。態様では、コントロールグループのプロファイルは、さらされたグループのプロファイルに似ている可能性があるが、さらされたグループのメンバーはコントロールグループには追加されない。

いくつかの態様では、さらされたグループのプロファイルとコントロールグループのプロファイルとの間の完全な一致は可能でない場合がある。そのようなシナリオでは、あいまい一致が適用され得る。あいまい一致とは、ある境界内でデータセットを正規化することを指す。たとえば、データセットは、特徴を含み得、これらの特徴は、特徴スコアを生成するためにフィーチャー化され得る。特徴スコアは、0.0から1.0の間の値に正規化され得、次いで、特徴ベクトルを作成するために、特徴スコアが使用され得る。次いで、特徴と特徴スコアとの間のリンケージおよび/または対応を決定するために、特徴ベクトルの特徴スコアが、共通性しきい値など、境界またはしきい値と比較され得る。境界は、事前プログラムされる、または、境界は、機械学習アルゴリズムに従ってインテリジェントに選択される場合がある。たとえば、あいまい一致の境界は、プラスまたはマイナス5年の偏差に設定され得る。したがって、コントロールグループにおける50代前半の男性は、さらされたグループにおける50代後半の男性と一致すると決定され得る。

コントロールグループが動作206で、または動作206でのコントロールグループの作成と連動して作成された後、1つまたは複数のコントロールグループプロファイルは、動作208においてさらされたグループプロファイルと照合され得る。コントロールグループは、さらされたグループから受信された人口統計学的データおよびデバイスデータの総計を評価することによって、動作206において作成され得る。コントロールグループにおいて作成される各プロファイルは、さらされたグループからのプロファイルに(少なくともある程度)似ている場合がある。態様では、プロファイルの一致は1対1(たとえば、コントロールグループからの1つのプロファイルがさらされたグループからの1つのプロファイルに一致する)であり得る、または1つの制御プロファイルが複数のさらされたグループプロファイルにリンクされ得る。たとえば、さらされたグループ内の2つのプロファイルが類似している場合、さらされたグループからの2つのプロファイルを表すために、単一のプロファイルがコントロールグループ内で生成され得る。代替の態様では、コントロールグループからのプロファイルが、さらされたグループ内の任意のプロファイルと十分に一致しない場合がある。コントロールグループからの一致しないプロファイルは、分析から除外、および/または削除され得る。たとえば、さらされたグループは、50代後半の標準中国語を話す男性のプロファイルを含み得る。コントロールグループがそこから選択されるアクティブユーザプロファイルのパネルは、30代前半の標準中国語を話す女性を含み得る。さらされたプロファイルの標準中国語を話す特徴に基づいて、標準中国語を話す女性のプロファイルが選択され得る。しかしながら、照合プロセス中に、1つまたは複数のアルゴリズムを使用して、標準中国語を話す女性のプロファイルが、標準中国語を話す男性のさらされたプロファイルと不適切に類似していると決定する場合がある。たとえば、2つのプロファイル間の類似しない特徴の量は、類似する特徴の量よりも大きくなる可能性がある。代替的に、1つまたは複数のプロファイル特徴は、別の特徴または特徴のセットに対する特徴の知覚されたまたは相対的な重要性に対応するスコアまたは重みを有し得る。いずれの例でも、比較アルゴリズムを使用して、2つのプロファイルの特徴を比較および/または評価し得る。比較アルゴリズムは、しきい値またはルールセットに対して比較されたデータを評価し得る。比較されたプロファイルの類似性が不十分であると比較アルゴリズムが決定すると、コントロールグループのプロファイルが、削除されるか、以降の分析から除外され得る。

コントロールグループが作成され、コントロールグループ内のプロファイルがさらされたグループからのプロファイルにリンクされると、システム200は、動作210で、コントロールグループとさらされたグループの両方からのプロファイルを自動的に監視し得る。プロファイルの監視は、コントロールグループとさらされたグループの両方のプロファイルに関連付けられた電子デバイスからデバイスデータを受信することを指し得る。いくつかの例示的な態様では、受信され得るデバイスデータは、限定はしないが、クリックログデータおよび位置データを含み得る。クリックログデータは、ある時間期間中に「クリックされた」Web要素およびアプリケーションを指し得る。ターゲットコンテンツの有効性を決定するために、電子デバイスの位置データが使用されてもよい。たとえば、さらされたグループは、X社のあるターゲットコンテンツにさらされたグループとして識別され、コントロールグループは、X社のあるターゲットコンテンツにさらされていないグループとして識別されてもよい。さらされたグループ内の個人がターゲットコンテンツにさらされた後にX社のストアを訪問した場合、これは、ターゲットコンテンツが効果的であったことを示している可能性がある。逆に、さらされたグループ内の個人と同じプロファイルを有するコントロールグループ内の個人がX社のストアを訪問した場合も、これは、ターゲットコンテンツがさらされたグループに期待したほどの影響を与えなかったことを示す可能性がある。あるいは、ターゲットコンテンツ以外の他の要因が、X社のストアを訪問するさらされたグループの個人に影響を与えた可能性があることを示している可能性がある。さらに、そのような比較は、別の動機付け要因が、ターゲットコンテンツではなく、さらされたグループおよびコントロールグループからストアへと個人を動かしたことを示唆している可能性がある。

自動監視動作210の間、さらされたグループおよびコントロールグループからの電子デバイスの位置データが、ある時間期間の間分析されてもよい。この時間期間は、数時間から数年にわたる場合もあれば、リアルタイム処理(たとえば、定数解析)を含む場合もある。ターゲットコンテンツにさらされることとそのターゲットコンテンツに関連付けられたストアへの到着との間の時間が受信され、処理され得る。さらに、ターゲットコンテンツに関連付けられたストアに個人が戻る回数が記録され、処理され得る。

自動監視動作210からデータが集約されると、動作212でデータが比較されてもよい。いくつかの例示的な態様では、さらされたグループ内の電子デバイスの位置データは、コントロールグループ内の電子デバイスの位置データと比較されてもよい。他の例示的な態様では、電子デバイスの位置データは、クリックログデータ、購入履歴、およびRFMデータとともに、動作212において、さらされたグループおよびコントロールグループにわたって分析され、比較されてもよい。たとえば、さらされたグループからの個人は、ターゲットコンテンツにさらされた後にあるアイテムを購入した、またはある場所を訪問した可能性があり、コントロールグループからの同様の個人は、同じ時間枠中にそのあるアイテムを購入していない、または同じ場所を訪問していない可能性がある。そのような比較は、効果的なターゲットコンテンツキャンペーンを示唆している。

データが比較されると、動作214で、コントロールグループの隣にさらされたグループ内の各プロファイルの関連データポイントを表示することによって、結果が生成される。さらされたグループの電子デバイスデータが、コントロールグループからの個人よりも頻繁にターゲットコンテンツに関連付けられたあるストアを訪問した(たとえば、物理的またはオンラインで)個人の大部分を示している場合、ターゲットコンテンツが効果的だったことを示唆している可能性があり、これは、ターゲットコンテンツが、あるストアまたは製品へのトラフィックを増やしたことを意味する。具体的には、結果は人口統計学的および/またはデバイスの特性に従って整理されてもよく、したがって、エンドユーザは、ターゲットコンテンツによって最も影響を受けた人口統計学的グループ、およびターゲットコンテンツによって最も影響を受けなかった人口統計学的グループを明確に識別することができ得る。さらなる例示的な態様では、結果は、ダッシュボードの形式で生成されてもよく、さらされたグループおよびコントロールグループからの一致するプロファイル間の違いを示す。

図3は、アトリビューションを自動的にモデリングし、測定するための入力処理ユニットを示すブロック図である。入力処理ユニット300は、入力を受信するように構成され得る。いくつかの例示的な態様では、入力処理ユニット300は、機械学習アルゴリズムに従って入力データを自動的に処理するように構成され得る。機械学習アルゴリズムは、個人およびその電子デバイスデータの既存のプロファイルデータベース、ならびに正確な位置の既存のロケーションインテリジェントデータベースに関連付けられたデータセットを使用してトレーニングされてもよい。入力処理ユニット300に供給される入力は、さらされたグループに関連するデータを含み得る。他の例示的な態様では、入力は、コントロールグループに関連するデータを含み得る。さらなる例示的な態様では、入力は、さらされたグループとコントロールグループの両方の組合せであるデータを含み得る。たとえば、さらされたグループの入力は、限定はしないが、さらされたグループがさらされたターゲットコンテンツに関連する任意の情報とともに、人口統計学的および/またはデバイス特性を含み得る。いくつかの態様では、入力処理ユニット300は、入力デコーダエンジン302を介して入力を受信するように構成され得る。入力処理ユニット300が受信し得る入力は、機械可読ではない可能性がある生データを含み得る。生データを機械可読データに変換するために、入力デコーダエンジン302は、生データを受け入れ、データ変換スキームを使用して、生データを機械可読データに変換するように構成される。データ変換方式は、データを正規化し、その後、入力処理ユニット300内の他のエンジンに供給されるときにデータが一貫性を保ち得るように、データを構造化することを含み得る。たとえば、さらされたグループ入力は、緯度および経度の形式でGPS位置から成る。入力デコーダエンジン302は、GPS位置データを、入力処理ユニット300によって容易かつ効率的に分析され得る機械可読ビットのパターン(たとえば、アレイ構造)に変換し得る。他の例示的な態様では、入力処理ユニット300から受信されたデータは、すでに機械可読形式であり得る。この例示的な態様では、入力デコーダエンジン302は、入力データがすでに機械可読ビットのパターンであり、さらなる変換を必要としないことを検出してもよい。次いで、入力デコーダエンジン302は、さらなる処理のために、入力データを属性セグメンテーションエンジン304に送信してもよい。

属性セグメンテーションエンジン304は、データを受け入れ、そのデータから適切な属性をセグメント化するように構成され得る。あらかじめ選択されたセグメンテーション属性のデータベースに応じて、適切な属性が異なっていてもよい。属性セグメンテーションエンジン304は、あらかじめ選択されたセグメンテーション属性のこのデータベースと通信するように構成され得る。いくつかの例示的な態様では、データベースは、入力処理ユニット300と同じ電子デバイス内に配置され得る。他の例示的な態様では、データベースは、リモートであり、クラウドベースのサーバに収容されていてもよい。属性セグメンテーションエンジン304は、入力データ内のある属性を識別し、それらの属性をセグメント化するように構成される。たとえば、サードパーティは、あるターゲットコンテンツが40歳から45歳の男性に効果的であったかどうかを知りたい場合がある。この例では、属性セグメンテーションエンジン304は、性別および年齢の属性を識別し、残りの入力データからそれらの属性をセグメント化することになる。いくつかの例示的な態様では、入力データの各部分は、属性セグメンテーションエンジン304によってセグメント化され得る。入力データの各部分をセグメント化することによって、予期しないデータ傾向が明らかになる可能性がある。他の例示的な態様では、入力データのすべてをセグメント化する必要があるとは限らない場合がある。たとえば、サードパーティは、あるターゲットコンテンツが40歳から45歳の男性にのみ有効であったかどうかに関心があるので、言語、民族、教育レベルなど他の属性は、属性セグメンテーションエンジン304によって入力データからセグメント化されない場合がある。入力データが属性セグメンテーションエンジン304によってセグメント化された後、入力データは、次いで、属性抽出エンジン306に送られてもよい。

属性抽出エンジン306は、入力データのセグメント化された属性から属性値を抽出するように構成され得る。たとえば、属性抽出エンジン306は、性別属性から値「男性」(またはその機械可読バイナリ形式)を抽出し、または抽出エンジン306は、GPS位置データ属性から座標を抽出し得る。値を抽出した後、属性抽出機能306は、抽出された値を統計モデルおよび/または属性分類子データベースと比較してもよい。いくつかの例示的な態様では、統計モデルおよび属性分類子は、入力処理ユニット300と同じ電子デバイス内に収容されたローカルデータベースに記憶されてもよい。他の例示的な態様では、統計モデルおよび属性分類子は、クラウドベースのサーバに収容されたリモートデータベースに記憶され得る。属性抽出エンジン306は、入力データ値を統計モデルからの値と比較し得る。統計モデルは、ニューラルネットワークを利用する機械学習アルゴリズムから作成され得る。統計モデルは、ターゲットコンテンツおよび過去のターゲットコンテンツキャンペーンに関連する履歴データに従って構造化され得る。さらに、統計モデルは、あるターゲットコンテンツキャンペーンに関連付けられた、過去にさらされたグループおよびコントロールグループからの人口統計学的データおよびデバイスデータから構築されてもよい。属性抽出エンジン306が入力から値を抽出した後、値は、属性分類エンジン308に送信されてもよい。

属性分類エンジン308は、抽出された値を決定するため、または抽出された値の分類を決定するために、入力データ属性の抽出された値を統計モデルおよび/または属性分類子と比較するように構成され得る。たとえば、25歳の属性値は、「年齢」属性として分類され得る。「女性」の属性値は、「性別」属性として分類され得る。他の例示的な態様では、抽出された属性値は、サードパーティからの事前に選択された分類子に従って既存の属性分類子と比較されてもよく、または属性分類子は、時間の経過とともに記録された一貫して類似したデータから自動的に確立されてもよい。たとえば、ターゲットコンテンツマネージャまたはディストリビュータは、あるターゲットコンテンツキャンペーンの年齢および性別の属性に焦点を当て得る。しかしながら、統計モデルおよび属性分類子データベースの出力は、性別および年齢の属性分類よりも、言語および教育レベルの属性分類が、あるターゲットコンテンツキャンペーンの有効性を示すことを示している可能性がある。

他の例示的な態様では、入力処理ユニット300は、特定の属性が欠落しているデータなどの不完全なデータを受信し得る。たとえば、個人は、本明細書に開示されているシステムに位置データを受信する許可のみを与え、性別や年齢データを受信する許可を与えていない場合がある。しかしながら、入力処理ユニット300は、電子機器の位置データをロケーションインテリジェントデータベースとクロスチェックし、その人がどのストアおよびエリアに移動したかを決定する能力を有し得る。たとえば、電子デバイスの位置データが、その人がForever 21、高校、および体操スタジオに頻繁に通っていることを示している場合、統計モデルの出力は、その人が15歳から18歳までの女性であることを予測し得る。統計モデルによると、この予測には、統計モデル予測の信頼度をランク付けして、確実性スコアが与えられてもよい。より多くのデータが集められ、比較されるにつれて、確実性スコアが増加する可能性がある。最も重要な属性がセグメント化され、抽出され、分類された後、さらされたグループのデータセットが、データセット作成エンジン310によって生成され得る。

データセット作成エンジン310は、フォーマットされた、人間が読み取れるデータセットを生成するように構成され得る。データセットは、セグメント化された属性、抽出された値、および/または分類された属性を示す、人間が読み取れるデータを生成してもよい。データ作成エンジン310は、他のデータとの効率的な比較を容易にするために、アレイまたはハッシュテーブルの形であり得るデータセットを生成し得る。いくつかの例示的な態様では、データセット作成エンジン310は、あらかじめ選択されたパラメータに従ってこのデータを自動的にフォーマットし得る。他の例示的な態様では、データセット作成エンジン310の出力は、さらなる分析の前に手動で編集され得る。

入力処理ユニット300によって実施される処理および比較技法は、単一の入力処理ユニット300上で実行されてもよい。他の例示的な態様では、図3に記載されている構成要素は、別個の入力処理ユニットに収容されていてもよい。たとえば、属性セグメンテーションエンジン304は、入力処理ユニット300に収容されてもよいが、属性抽出エンジン306は、入力処理ユニット300と(たとえば、共有ネットワークを介して、または他のネットワークプロトコルを介して)通信する別個の入力処理ユニットに収容されてもよい。さらに、本明細書で説明されるデータセット作成エンジン310は、入力処理ユニット300と同じ電子デバイスに収容されていてもよく、または他の例示的な態様では、データセット作成エンジン310は、入力処理ユニット300を収容するデバイスと通信する別の電子デバイスに収容されてもよい。

図4は、アトリビューションを自動的にモデリングし、測定するためのダッシュボードの一例を示す。例示的なダッシュボード400は、ユーザが、ターゲットコンテンツキャンペーンの有効性を視覚的に分析することを可能にし得る。態様では、ダッシュボード400は、図2において説明したように、アトリビューションを自動的にモデリングし、測定した結果を表し得る。ダッシュボード400は、限定はしないが、ステータス、予測される訪問数、予測される増分訪問数、「リフト」、増分収益などを含む様々なダッシュボード要素を含み得る。図示されているように、上部ラインはさらされたグループライン402であり、下部ラインはコントロールグループライン404である。全体として、さらされたグループライン402は、コントロールグループライン404よりも高い。実際、リフト値406によって示されるように、さらされたグループラインの「リフト」は、コントロールグループライン404よりも75.9%高い。これは、ターゲットコンテンツにさらされた個人に対して、ターゲットコンテンツが全体的にポジティブな効果(たとえば、ターゲットコンテンツにさらされなかった個人よりも、ターゲットコンテンツにさらされたサイトを訪問した個人の方が多かった)があったことを示唆している。他の例示的な態様では、ダッシュボードは、さらされたグループおよびコントロールグループのプロファイルの異なるペア間のより微妙な違いを示してもよい。たとえば、ユーザは、プロファイルのあるペアを選択し、プロファイル間の違いを分析してもよい。この観点から、ターゲットコンテンツにさらされるときの挙動を測定し、予測することもできる。

諒解されるべきであるように、図1～図4に関して説明された様々な方法、デバイス、構成要素などは、対応するシステムを、記載された特定の構成要素によって実行されるように限定することを意図していない。したがって、本明細書の方法およびシステムを実施するために、追加のトポロジ構成が使用されてもよく、および/または本明細書で開示する方法およびシステムから逸脱することなく、説明した構成要素が除外されてもよい。

図5は、図1に記載された自動アトリビューションモデリングおよび測定システムに適した動作環境を示す。その最も基本的な構成では、動作環境500は、通常、少なくとも1つの処理ユニット502およびメモリ504を含む。コンピューティングデバイスの正確な構成およびタイプに応じて、メモリ504(本明細書に開示された自動属性技法を実行するための命令を記憶する)は、揮発性(RAMなど)、不揮発性(ROM、フラッシュメモリなど)、または2つの何らかの組合せであってもよい。この最も基本的な構成は、図5に破線506によって示されている。さらに、環境500は、限定はしないが、磁気または光ディスクまたはテープを含む記憶デバイス(取外し可能508、および/または取外し不可能510)も含み得る。同様に、環境500は、キーボード、マウス、ペン、音声入力などの入力デバイス514、および/またはディスプレイ、スピーカー、プリンタなどの出力デバイス516も有し得る。また、環境には、LAN、WAN、ポイントツーポイントなど1つまたは複数の通信接続512が含まれていてもよい。実施形態では、接続は、ポイントツーポイント通信、コネクション型通信、コネクションレス型通信などを容易にするように動作可能であり得る。

動作環境500は、通常、少なくとも何らかの形のコンピュータ可読媒体を含む。コンピュータ可読媒体は、処理ユニット502または動作環境を含む他のデバイスによってアクセスされ得る任意の利用可能な媒体とすることができる。限定ではなく例として、コンピュータ可読媒体は、コンピュータ記憶媒体および通信媒体を含み得る。コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュールもしくは他のデータなどの情報を記憶するための任意の方法または技術で実装される揮発性および不揮発性、取外し可能および取外し不可能媒体を含む。コンピュータ記憶媒体は、RAM、ROM、EEPROM、フラッシュメモリまたは他のメモリ技術、CD-ROM、デジタル多用途ディスク(DVD)または他の光ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージまたは他の磁気ストレージデバイス、または所望の情報を記憶するために使用され得る任意の他の非一時的媒体を含む。コンピュータ記憶媒体は、通信媒体を含まない。

通信媒体は、コンピュータ可読命令、データ構造、プログラムモジュール、または他のデータを、搬送波または他の搬送機構などの変調されたデータ信号で具体化し、任意の情報配信媒体を含む。「変調されたデータ信号」という用語は、情報を信号に符号化するような方法で、その特性の1つまたは複数が設定または変更された信号を意味する。限定ではなく例として、通信媒体は、有線ネットワークまたは直接有線接続などの有線媒体、ならびに音響、RF、赤外線、マイクロ波、および他のワイヤレス媒体などのワイヤレス媒体を含む。上記のいずれかの組合せも、コンピュータ可読媒体の範囲内に含まれるものとする。

動作環境500は、1つまたは複数のリモートコンピュータへの論理接続を使用してネットワーク化された環境で動作する単一のコンピュータであり得る。リモートコンピュータは、パーソナルコンピュータ、サーバ、ルータ、ネットワークPC、ピアデバイス、または他の一般的なネットワークノードであり得、通常、上記の要素の多くまたはすべて、ならびに言及されていない他の要素を含む。論理接続は、利用可能な通信メディアによってサポートされている任意の方法を含む。そのようなネットワーキング環境は、オフィス、企業規模のコンピュータネットワーク、イントラネット、インターネットでは一般的である。

本明細書で説明される実施形態は、本明細書で開示されるシステムおよび方法を実装および実行するために、ソフトウェア、ハードウェア、またはソフトウェアとハードウェアの組合せを使用して使用され得る。特定のデバイスが特定の機能を実行するものとして本開示全体にわたって言及されているが、当業者であれば、これらのデバイスが例示の目的で提供され、他のデバイスを使用して、本明細書の範囲から逸脱することなく、本明細書で開示される機能を実行できることを理解するであろう。

本開示は、可能な実施形態の一部のみが示された添付図面を参照して、本技術のいくつかの実施形態を説明する。しかしながら、他の態様は、多くの異なる形態で具現化されてもよく、本明細書で説明される実施形態に限定されるものと解釈されるべきではない。むしろ、これらの実施形態は、本開示が十分かつ完全であり、可能な実施形態の範囲を当業者に十分に伝えるように提供された。

本明細書で説明した本発明の実施形態は、1つまたは複数のコンピュータシステムにおける論理ステップとして実装される。本発明の論理演算は、(1)1つまたは複数のコンピュータシステムで実行される一連のプロセッサ実装ステップとして、および(2)1つまたは複数のコンピュータシステム内の相互接続された機械または回路モジュールとして実装される。実装は選択の問題であり、本発明を実装するコンピュータシステムの性能要件に依存する。したがって、本明細書で説明した本発明の実施形態を構成する論理演算は、動作、ステップ、オブジェクト、またはモジュールと様々に呼ばれる。さらに、明示的に別段の請求がない限り、または特定の順序がクレーム言語によって本質的に必要とされない限り、論理演算は任意の順序で実行できることを理解されたい。

上記の明細書、例、およびデータは、本発明の例示的な実施形態の構造および使用の完全な説明を提供する。本発明の意図および範囲から逸脱することなく、本発明の多くの実施形態を作成することができるので、本発明は、以下に付記する特許請求の範囲に属する。さらに、異なる実施形態の構造的特徴は、列挙された請求項から逸脱することなく、さらに別の実施形態に組み合わせられてもよい。

100 システム
102 サーバ
104 携帯電話
106 タブレット
108 パーソナルコンピュータ
110 コントロールグループ
112 携帯電話
114 携帯電話
116 パーソナルコンピュータ
118 さらされたグループ
120 サードパーティサーバ
200 システム
202 データ受信動作
204 データ処理動作
206 動作
208 動作
210 自動監視動作
212 動作
214 動作
300 入力処理ユニット
302 入力デコーダエンジン
304 属性セグメンテーションエンジン
306 属性抽出エンジン
308 属性分類エンジン
310 データセット作成エンジン
400 ダッシュボード
402 さらされたグループライン
404 コントロールグループライン
406 リフト値
500 動作環境
502 処理ユニット
504 メモリ
508 取外し可能
510 取外し不可能
512 通信接続
514 入力デバイス
516 出力デバイス

Claims (19)

1. 少なくとも１つのプロセッサと、
   前記少なくとも１つのプロセッサに結合されたメモリとを含み、前記メモリは、前記少なくとも１つのプロセッサによって実行されると、
   さらされたグループ内の少なくとも１つの電子デバイスからデータを受信することであり、前記さらされたグループは、ターゲットコンテンツにさらされた、受信することと、
   前記少なくとも１つの電子デバイスからのデータを処理することと、
   前記データを使用し少なくとも１つの特性のための共通性しきい値に少なくとも基づいて少なくとも１つのコントロールグループを作成することであり、前記少なくとも１つのコントロールグループは、前記ターゲットコンテンツにさらされてなく、前記共通性しきい値はさらされていないユーザのプロファイル情報を操作する機械学習アルゴリズムに従って決定され、前記機械学習アルゴリズムは、個人およびその電子デバイスデータの既存のプロファイルデータベース、ならびに正確な位置の既存のロケーションインテリジェントデータベースに関連付けられたデータセットを使用してトレーニングされる、作成することと、
   前記少なくとも１つのコントロールグループからの少なくとも１つのプロファイルを、前記さらされたグループからの少なくとも１つのプロファイルと照合することと、
   前記少なくとも１つのコントロールグループおよび前記さらされたグループに関連付けられた電子デバイスデータを自動的に監視することと、
   前記少なくとも１つのコントロールグループからの前記電子デバイスデータを、前記さらされたグループからの前記電子デバイスデータと比較することと、
   前記比較に基づいて少なくとも１つの結果を生成することと
   を含む方法を実行するコンピュータ実行可能命令を含む、
   システム。
2. 前記さらされたグループおよび前記コントロールグループは、アクティブユーザのパネルから選択され、前記パネルは、前記個人および関連する電子デバイスのすでに確立されたプロファイルデータベースに対応する、請求項１に記載のシステム。
3. 少なくとも１つのコントロールグループを作成することは、
   前記さらされたグループ内の第１のセットのプロファイルを決定することと、
   第１のセットの特性を決定するために、前記第１のセットのプロファイルを評価することと、
   前記第１のセットのプロファイルと第２のセットのプロファイルとの間の共通性を識別するために、前記第１のセットの特性を、前記パネルの前記第２のセットのプロファイルの第２のセットの特性と比較することと、
   前記少なくとも１つのコントロールグループに含めるための共通性を有する前記プロファイルを選択することと
   を含む、請求項２に記載のシステム。
4. 前記少なくとも１つのコントロールグループからの前記少なくとも１つのプロファイルを、前記さらされたグループからの前記少なくとも１つのプロファイルと照合することは、あいまい一致技法を使用して、前記第１のセットのプロファイルと前記第２のセットのプロファイルとの間の前記共通性を識別することを含む、請求項３に記載のシステム。
5. 前記あいまい一致技法は、
   前記第１のセットの特性および前記第２のセットの特性を正規化することと、
   前記第１のセットの特性のための第１の特徴ベクトル、および前記第２のセットの特性のための第２の特徴ベクトルを生成することと、
   前記第１の特徴ベクトルを前記第２の特徴ベクトルと比較することと
   を含む、請求項４に記載のシステム。
6. 前記データは、１つまたは複数のオンラインキャンペーンの前記ターゲットコンテンツに関連付けられ、前記データは、前記少なくとも１つの電子デバイスのデバイスデータおよび前記少なくとも１つの電子デバイスに関連付けられた１つまたは複数のユーザの人口統計学的データの少なくとも１つを含む、請求項１に記載のシステム。
7. 前記データを処理することは、
   前記データから特性のセットを抽出することと、
   前記特性のセット内の１つまたは複数の特性の適切な分類を決定するために、前記抽出された特性のセットを、特性分類子および統計モデルの少なくとも１つと比較することと、
   分類された前記１つまたは複数の特性を１つまたは複数のグループにセグメント化することと
   を含む、請求項１に記載のシステム。
8. 前記１つまたは複数のグループは、前記さらされたグループのメンバーの人口統計学的特性に対応する、請求項７に記載のシステム。
9. 前記監視することは、前記少なくとも１つのコントロールグループおよび前記さらされたグループの訪問データを記録することを含み、前記訪問データは、クリックログデータおよび位置データの少なくとも１つに対応する、請求項１に記載のシステム。
10. 前記少なくとも１つのコントロールグループからの前記電子デバイスデータを、前記さらされたグループからの前記電子デバイスデータと比較することは、位置データ、クリックログデータ、購入履歴、およびＲＦＭデータの少なくとも２つを評価することを含む、請求項１に記載のシステム。
11. 前記少なくとも１つの結果を生成することは、前記少なくとも１つのコントロールグループからの前記少なくとも１つのプロファイルおよび前記さらされたグループからの前記少なくとも１つのプロファイルの１つまたは複数の関連データを表示することを含む、請求項１に記載のシステム。
12. 前記少なくとも１つの結果を生成することは、ターゲットコンテンツキャンペーンの有効性を決定することを含む、請求項１に記載のシステム。
13. ターゲットコンテンツキャンペーンの前記有効性は、ターゲットコンテンツに関連付けられた場所が、前記コントロールグループのメンバーよりも前記さらされたグループのメンバーによって頻繁に訪問されるかどうかを評価することによって決定される、請求項１２に記載のシステム。
14. リアルタイムのアトリビューションモデリングおよび測定を実行するための方法であって、
    さらされたグループからデータを受信するステップであり、前記さらされたグループは、ターゲットコンテンツにさらされた、ステップと、
    前記さらされたグループからのデータを処理するステップと、
    前記処理されたデータを使用し少なくとも１つの特性のための共通性しきい値に少なくとも基づいてコントロールグループを作成するステップであり、前記コントロールグループは、前記ターゲットコンテンツにさらされてなく、前記共通性しきい値はさらされていないユーザのプロファイル情報を操作する機械学習アルゴリズムに従って決定され、前記機械学習アルゴリズムは、個人およびその電子デバイスデータの既存のプロファイルデータベース、ならびに正確な位置の既存のロケーションインテリジェントデータベースに関連付けられたデータセットを使用してトレーニングされる、ステップと、
    前記コントロールグループからの１つまたは複数のプロファイルを、前記さらされたグループからの１つまたは複数のプロファイルと照合するステップと、
    前記コントロールグループおよび前記さらされたグループに関連付けられたデバイスデータを自動的に監視するステップと、
    結果を生成するために、前記デバイスデータを評価するステップと
    を含む方法。
15. 前記さらされたグループおよび前記コントロールグループは、アクティブユーザのパネルから選択され、前記パネルは、前記個人および関連する電子デバイスのすでに確立されたプロファイルデータベースに対応する、請求項１４に記載の方法。
16. 前記さらされたグループからのデータを処理するステップは、前記ターゲットコンテンツにさらされていない前記パネルのメンバーを識別し、前記さらされたグループの１人または複数人のメンバーと共通性を共有するために、１つまたは複数のアルゴリズムを使用するステップを含む、請求項１５に記載の方法。
17. 前記コントロールグループからの１つまたは複数のプロファイルを、前記さらされたグループからの１つまたは複数のプロファイルと照合するステップは、前記さらされたグループおよび前記コントロールグループによって共有される前記共通性が共通性しきい値を超えるかどうかを決定するステップを含む、請求項１６に記載の方法。
18. 前記結果を生成するステップは、前記ターゲットコンテンツに関連付けられた場所が、前記コントロールグループのメンバーよりも前記さらされたグループのメンバーによって頻繁に訪問されるかどうかを評価することによって、ターゲットコンテンツキャンペーンの有効性を決定するステップを含む、請求項１４に記載の方法。
19. 少なくとも１つのプロセッサによって実行されると、リアルタイムアトリビューションモデリングおよび測定を実行するための方法を実行するコンピュータ実行可能命令を符号化するコンピュータ可読メモリであって、前記方法は、
    さらされたグループからデータを受信することであり、前記さらされたグループは、ターゲットコンテンツにさらされた、受信することと、
    前記さらされたグループからのデータを処理することであり、前記処理することは、前記データを帰属させることを含む、処理することと、
    前記帰属データを使用し少なくとも１つの特性のための共通性しきい値に少なくとも基づいてコントロールグループを作成することであり、前記コントロールグループは、前記ターゲットコンテンツにさらされてなく、前記共通性しきい値はさらされていないユーザのプロファイル情報を操作する機械学習アルゴリズムに従って決定され、前記機械学習アルゴリズムは、個人およびその電子デバイスデータの既存のプロファイルデータベース、ならびに正確な位置の既存のロケーションインテリジェントデータベースに関連付けられたデータセットを使用してトレーニングされる、作成することと、
    前記コントロールグループからの１つまたは複数のプロファイルを、前記さらされたグループからの１つまたは複数のプロファイルと照合することと、
    前記照合された１つまたは複数のプロファイルに関連付けられたデバイスデータを自動的に監視することと、
    前記ターゲットコンテンツに関連付けられた場所が、前記コントロールグループのメンバーよりも前記さらされたグループのメンバーによって頻繁に訪問されるかどうかを評価することによって、前記ターゲットコンテンツの有効性を決定するために、前記デバイスデータを比較することと
    を含む、コンピュータ可読メモリ。

Images