KR20150140689A - 소비자 별명 및 식별자를 사용하기 위한 방법 및 장치 - Google Patents

Abstract

디지털 소비자 프로필 창조의 시간에 유용한 속성 데이터를 얻을 때 역동적으로 그리고 일시적으로 발생될 디지털 소비자 프로필을 창조하기 위한 방법 및 장치들이 개시된다. 디지털 소비자 프로필은 정의에 부합하도록 다수의 사용자 프로필의 역동적이고 일시적인 발생을 가능하게 할 것이며, 표적화 또는 할당 노력의 초기에 예상되지 않는 경우들을 사용하고, 데이터 수집을 귀속시킬 것이다. 규칙 조건, 개인정보 보호정책, 기업 규칙 등은 속성 데이터의 수집, 분석 및 편집, 그리고 소비자와 관련된 별명을 형성하기 위한 그러한 데이터의 합병을 적어도 부분적으로 결정할 것이다. 디지털 소비자 서비스는 플랫 매치 테이블을 갖는 것 이상으로 유연성과 확장성을 부여하기 위해서 프로필을 역동적으로 그리고 일시적으로 확인하기 위한 결합 표현 구문론을 포함할 것이다.

Description

소비자 별명 및 식별자를 사용하기 위한 방법 및 장치{METHODS AND SYSTEMS FOR USING CONSUMER ALIASES AND IDENTIFIERS}

관련출원의 상호 참조

본 출원은 2013년 3월 15일자로 출원된 미합중국 임시 특허출원 제 61/792,701 호 및 2013년 10월 8일자로 출원된 미합중국 특허출원 제 14/057,188 호의 우선권을 주장하며, 상기 문헌들은 여기에서는 참조로서 통합된 것이다.

2013년 10월 18일자로 출원된 미합중국 특허출원 제 14/057,188 호는 다음의 계류중인 미합중국 비-임시특허출원의 일부계속출원이고, 각각은 여기에서 참조로서 통합되며, 2012년 6월 29일자로 "CREATION AND USAGE OF SYNTHETIC USER IDENTIFIERS WITHIN AN ADVERTISEMENT PLACEMENT FACILITY" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 13/537,991 호; 2010년 8월 13일자로 "DYNAMIC TARGETING ALGORITHMS FOR REAL-TIME VALUATION OF ADVERTISING PLACEMENTS" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 12/856,547 호; 2010년 8월 13일자로 "MACHINE LEARING FOR COMPUTING AND TARGETING BIDS FOR THE PLACEMENT OF ADVERTISEMENTS" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 12/856,552 호; 2010년 8월 13일자로 "USING COMPETITIVE ALGORITHMS FOR THE PREDICTION AND PRICING OF ONLINE ADVERTISEMENT OPPORTUNITIES" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 12/856,554 호; 2010년 8월 13일자로 "LEARNING SYSTEM FOR THE USE OF COMPETING VALUATION MODELS FOR REAL-TIME ADVERTISEMENT BIDDING" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 12/856,565 호; 및 2010년 8월 13일자로 "LEARNING SYSTEM FOR ADVERTISING BIDDING AND VALUATION of Third Party Data" 라는 발명의 명칭으로 출원된 미합중국 비-임시특허출원 제 12/856,560 호이다.

미합중국 비-임시특허출원 제 13/537,991 호는 비-임시특허출원 제 12/856,547 호, 제 12/856,552 호, 제 12/856,554 호, 제 12/856,565 호, 및 제 12/856,560 호의 우선권을 주장하며, 2011년 7월 1일자로 출원된 제 61/503,682 호 및 2012년 5월 18일자로 출원된 제 61/649,142 호의 미합중국 임시 특허출원의 우선권을 주장한다.

미합중국 비-임시특허출원 제 12/856,547 호, 제 12/856,552 호, 제 12/856,554 호, 제 12/856,565 호 및 제 12/856,560 호는 2009년 8월 14일자로 "REAL-TIME BIDDING SYSTEM FOR DELIVERY OF ADVERTISING"라는 발명의 명칭으로 출원된 미합중국 임시특허출원 제 61/234,186 호의 우선권을 각각 주장한다.

상기 특허출원들 중 각각은 전부 참조로서 통합된다.

기술 분야

본 발명은 디지털 미디어와 연관된 역사적 및 실시간 데이터를 사용하는 것과 관련되며, 다수의 유용한 광고채널들 중에서 광고 미디어의 가격책정 및 인도를 조정하도록 사용된다.

광고 캠페인 결과를 측정하기 위한 능력은 사용자, 사용자 그룹 등에 의해서 분류되는 결과를 포함하는 측정된 광고 캠페인 결과는 의도된 사용자 및/또는 사용자 그룹 타겟에 대한 광고 메세지의 효과를 최대화기 위하여 광고 캠페인을 수정하도록 광고회사들에 의해서 추후 이용될 것이다. 예를 들면, 광고회사는 광고 캠페인 내에 포함된 소재에 따른 속성을 공유하는 캠페인, 유사 캠페인들, 또는 광고들에 민감한 히스토리를 갖는 사용자 그룹들에 초점을 맞추도록 성취도가 낮은 것으로부터 예산과 가격을 재분배함으로써 그것의 캠페인들을 수정하게 될 것이다. 또한, 다수의 미디어 채널들은 광고 캠페인을 소비자에게 전달하기 위해서 사용될 것이다. 온라인 광고에 대하여, 쿠키들에 저장된 소비자 식별자를 사용함으로써 광고의 효과를 측정할 수 있을 것이다. 이것은 광고회사으로 하여금 소비자들의 신분 익명성을 보장하면서 개개인을 구별할 수 있게 한다. 그러나, 개개인을 구별하는 것이 가능하지 않거나 바람직하지 않은 경우들이 존재한다.

그러므로, 개개인을 구별하는 것이 가능하지 않거나 바람직하지 않은 경우들을 위하여 광고 측정 솔루션을 제공하기 위한 방법 및 장치에 대한 필요성이 존재한다.

디지털 미디어 사용자들에게 광고를 발표하는 것의 관리는 콘텐츠가 사용자들의 선택된 그룹에 대한 발표를 위해서 선택되고 성과 데이터가 수집 및 분석되고 그 다음에 양호한 향후 광고실적을 위해서 최적화 단계가 수행되는 배치 모드 최적화 계획에 의해서 자주 특징 지워진다. 이 과정은 보다 알려진 광고-사용자 쌍들 및 다른 기술들을 통해서 완결거래와 같은 광고실적 기준을 개선하기 위해 최적화 분석의 시퀀스에서 반복적으로 진행된다. 그러나, 이러한 최적화 뼈대는 여러 중요한 면들로 제한된다. 예를 들면, 디지털 미디어 사용자들의 성장은 소셜 네트워킹과 같은 대중적인 혁신을 초래하고, 해당 산업분야에서 수행되는 많은 현재 광고 퍼포먼스 모델링의 미리 계획된 배치 모드 분석들에 의해서 수용 및 분석될 수 없는 디지털 미디어 이용에 관련된 데이터의 과다가 존재한다. 또한, 광고 분석의 배치 모드는 실제적이고 항상 변하며 사용자의 행동 내에서 또는 사용자들의 풀에 걸쳐서 일어나는 광고 노출 시퀀스에 대응하지 않는 콘텐츠 그룹화를 강제할 것이다. 그 결과, 광고 콘텐츠의 출판사들은 다른 광고 네트워크들에 의해서 사용되는 기준 및 다수의 최적화 기술들 중 적어도 일부에 기초한 그들의 광고들에 다수의 광고 네트워크들을 분배하도록 불필요하게 이용을 강요받을 것이다. 이것은 디지털 미디어 사용자들의 전체 내에서 일정 시간 동안에 광고의 감동 및 그것의 퍼포먼스의 가치를 평가하기 위한 능력을 제한하게 된다.

실시 예들에 있어서, 여기에서 개시된 장치 및 방법들은 하나 또는 그 이상의 컴퓨터들에서 실행될 때 제 1 별명을 첫 번째로 획득하는 단계를 수행하는 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품을 포함할 것이다. 제 1 별명은 제 1 다수의 속성을 포함하고, 상기 제 1 다수의 속성 각각은 적어도 하나의 제 1 장치 식별자 데이터, 제 1 행동 데이터 및 제 1 인구학적 데이터를 포함할 것이다. 프로그램 제품은 제 2 별명을 획득하는 것을 포함하며, 상기 제 2 별명은 제 2 다수의 속성을 포함하고, 상기 제 2 다수의 속성 각각은 적어도 하나의 제 2 장치 식별자 데이터, 제 2 행동 데이터 및 제 2 인구학적 데이터를 포함할 것이다. 또한, 프로그램 제품은 마스터 ID를 형성하기 위해서 제 1 별명과 제 2 별명을 역동적으로 일시적으로 연결할 것이다. 제 1 및 제 2 별명의 동적 링크는 별명을 그룹화하는데 필요한 정적인 신뢰 임계치를 표현하는 결합 표현을 사용하는 제 1 및 제 2 다수의 속성의 분석에 적어도 부분적으로 기초하게 된다. 프로그램 제품은 마스터 ID에 적어도 부분적으로 기초하는 소비자 장치에 광고를 맞출 것이다. 컴퓨터 프로그램 제품은 다수의 별명에 걸쳐서 되풀이하여 별명을 획득하는 단계와 역동적으로 결합하는 단계를 수행할 것이며, 그래서 다수의 속성은 단일 마스터 ID로 통합된다. 컴퓨터 프로그램 제품은 마스터 ID, 상기 마스터 ID와 연관된 소비자 행동, 및 상기 마스터 ID와 연관된 소비자 특성을 목표로 한 적어도 하나의 광고 캠페인을 분석하는 단계를 또한 수행한다. 실시 예들에 있어서, 적어도 하나의 제 1 별명 및 제 2 별명은 조직의 적어도 하나의 소비자 데이터베이스 및 제3자 데이터베이스로부터 획득된다. 또한, 제 1 장치 식별자 데이터 및 제 2 장치 식별자 데이터는 적어도 하나의 IP 어드레스 및 장치 ID를 포함할 것이다. 실시 예들에 있어서, 별명의 동적 연결은 룰엔진에 적어도 부분적으로 기초한다. 룰엔진은 적어도 하나의 규제 제한, 업무협약, 개인정보보호정책 또는 소비자 우선에 적어도 부분적으로 기초한 별명의 동적연결을 위한 규칙들을 포함할 것이다. 별명의 동적 연결은 소정의 지리학적 위치들에서 IP 어드레스의 확인에 기초한 별명의 연결을 금지할 것이다. 또한, 별명의 동적 연결은 적어도 하나의 자체, 가정 및 친구를 포함한 링크 타입에 기초하여 수행될 것이다. 실시 예들에 있어서, 제 1 및 제 2 별명은 단지 소정의 기간 동안에 걸쳐서 연결될 것이다. 실시 예들에 있어서, 별명은 메모리에 저장되고 추가적인 시간 속성을 포함할 것이다. 실시 예들에 있어서, 컴퓨터 프로그램은 마스터 ID에 기초한 다수의 연결된 소비자 연산장치들을 목표로 하는 광고를 수행할 것이다. 실시 예들에 있어서, 정적인 신뢰 임계치는 연결된 별명 속성에 따라서 변할 것이다.

설명을 위한 그러나 비-제한적인 여러 실시 예들에 따라서, 여기에서 설명한 장치 및 방법은 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품을 포함할 것이며, 하나 또는 그 이상의 컴퓨터에서 실행될 때 제 1 별명을 1차로 획득하는 단계를 수행하며, 여기에서 제 1 별명은 제 1 다수의 속성으로 구성된다. 제 1 다수의 속성 각각은 제 1 장치 식별자 데이터, 제 1 소비자 데이터, 제 1 행동 데이터, 및 제 1 인구통계적 데이터 중 적어도 하나를 포함할 것이다. 컴퓨터 프로그램 제품은 제 2 별명을 획득하는데, 이때 제 2 별명은 제 2 다수의 속성으로 구성된다. 제 2 다수의 속성 각각은 제 2 장치 식별자 데이터, 제 2 소비자 데이터, 제 2 행동 데이터, 및 제 2 인구통계적 데이터 중 적어도 하나를 포함할 것이다. 컴퓨터 프로그램 제품은 마스터 ID를 형성하기 위해서 제 1 별명과 제 2 별명을 추가적으로 역동적으로 및 일시적으로 연결할 것이다. 제 1 및 제 2 별명의 동적 연결은 별명을 그룹화하는데 필요한 정적인 신뢰 임계치를 표현하는 결합 표현을 사용하여 제 1 및 및 제 2 다수의 속성의 분석에 적어도 부분적으로 기초할 것이다. 실시 예들에 있어서, 별명을 획득하고 역동적으로 연결하는 단계는 다수의 별명에 걸쳐서 되풀이하여 수행되고, 그래서 다수의 속성은 단일 마스터 ID로 통합된다. 또한, 컴퓨터 프로그램 제품은 마스터 ID에 적어도 부분적으로 기초하여 소비자 장치에 대한 광고 캠페인을 목표로 하고, 마스터 ID를 목표로한 광고 캠페인의 결과를 분석한다. 실시 예들에 있어서, 적어도 하나의 제 1 별명 및 제 2 별명은 조직의 소비자 데이터베이스 및 제3자 데이터베이스 중 적어도 하나로부터 획득될 것이다. 실시 예들에 있어서, 동적 연결은 IP 어드레스, 장치 ID, 이-메일 어드레스, 및 쿠키 추적정보들 중 적어도 하나를 포함하는 별명의 속성을 매칭시키는 것에 의해서 달성될 것이다. 또한, 별명의 동적 연결은 룰엔진을 기초한다. 룰엔진은 규제 제한, 업무협약, 개인정보보호정책, 및 소비자 우선 중 적어도 하나에 기초한 별명의 동적 연결을 위한 규칙들을 포함할 것이다.

설명을 위한 그러나 비-제한적인 여러 실시 예들에 따라서, 여기에서 설명한 장치 및 방법은 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품을 포함할 것이며, 하나 또는 그 이상의 컴퓨터에서 실행될 때 제 1 별명을 1차로 획득하는 단계를 먼저 수행한다. 제 1 별명은 제 1 다수의 속성으로 구성되는데, 제 1 다수의 속성 각각은 제 1 장치 식별자 데이터, 제 1 소비자 데이터, 제 1 행동 데이터, 및 제 1 인구통계적 데이터 중 적어도 하나를 포함할 것이다. 컴퓨터 프로그램 제품은 제 2 별명을 획득하는데, 이때 제 2 별명은 제 2 다수의 속성을 포함할 것이다. 제 2 다수의 속성 각각은 제 2 장치 식별자 데이터, 제 2 소비자 데이터, 제 2 행동 데이터, 및 제 2 인구통계적 데이터 중 적어도 하나를 포함할 것이다. 또한, 컴퓨터 프로그램 제품은 마스터 ID를 형성하기 위해서 제 1 별명과 제 2 별명을 역동적으로 및 일시적으로 연결하는 단계를 수행할 것이다. 제 1 및 제 2 별명의 동적 연결은 별명을 그룹화하는데 필요한 정적인 신뢰 임계치를 표현하는 제 1 결합 표현을 사용하여 제 1 및 및 제 2 다수의 속성의 분석에 적어도 부분적으로 기초할 것이다. 또한, 컴퓨터 프로그램 제품은 제 3 별명을 획득하는 단계를 수행하는데, 이때 상기 제 3 별명은 제 3의 다수의 속성을 포함하며, 상기 제 3의 다수의 속성 각각은 제 3의 장치 식별자 데이터, 제 3의 소비자 데이터, 제 3의 행동 데이터, 및 제 3의 인구통계적 데이터 중 적어도 하나를 포함한다. 컴퓨터 프로그램은 제 4 별명을 획득하는 단계를 수행하는데, 이때 상기 제 4 별명은 제 4의 다수의 속성을 포함한다. 상기 제 4의 다수의 속성 각각은 제 4의 장치 식별자 데이터, 제 4의 소비자 데이터, 제 4의 행동 데이터, 및 제 4의 인구통계적 데이터 중 적어도 하나를 포함한다. 컴퓨터 프로그램은 제 2 마스터 ID를 형성하기 위해서 제 3 별명과 제 4 별명을 역동적으로 일시적으로 연결할 것이다. 제 3 별명과 제 4 별명의 동적 연결은 별명을 그룹화하는데 필요한 정적인 신뢰 임계치를 표현하는 결합 표현을 사용하여 제 1 및 및 제 2 다수의 속성의 분석에 적어도 부분적으로 기초할 것이다. 그러면, 컴퓨터 프로그램 제품은 써클 세트를 형성하기 위해서 제 1 마스터 ID와 제 2 마스터를 통합하게 된다. 상기 통합은 마스터 ID들이 자체, 가정, 및 친구의 타입들 중 하나에 의해서 서로 관련되어 있다는 인식을 기초로 할 것이다. 또한, 컴퓨터 프로그램 제품은 써클 세트에 적어도 부분적으로 기초한 다중의 소비자 장치들에 대해 광고 캠페인을 목표로 하는 단계를 수행할 것이다. 실시 예들에 있어서, 동적 연결은 IP 어드레스, 장치 ID, 이-메일 어드레스, 및 쿠키 추적정보 중 적어도 하나를 포함하는 별명의 속성을 매칭시킴에 의해서 달성될 것이다.

본 발명은 어떤 바람직한 실시 예들과 관련하여 설명하였지만, 다른 실시 예들도 해당 기술분야의 숙련된 당업자들 중 하나에 의해서 이해될 것이며, 그것에 포함될 것이다.

본 발명은 디지털 미디어와 연관된 역사적 및 실시간 데이터를 사용하는 것과 관련되며, 다수의 유용한 광고채널들 중에서 광고 미디어의 가격책정 및 인도를 조정하도록 사용된다.

본 발명 및 본 발명의 실시 예들의 하기 상세한 설명들은 다음의 첨부도면들을 참조하여 이해될 것이다:
도 1A는 광고의 전달을 위한 실시간 입찰 방법 및 장치를 나타낸 도면.
도 1B는 다중 교환에 걸친 실시간 입찰 시스템의 실행을 나타낸 도면.
도 2는 입찰 운영의 최적화를 위한 학습방법 및 장치를 나타낸 도면.
도 3은 핵심 성능 표시기들과 연관된 미디어 성공을 예측하기 위해서 사용될 샘플 데이터 도메인들을 나타낸 도면.
도 4는 광고 캠페인과 관련한 훈련 다중 알고리즘을 나타낸 도면으로서 양호하게 수행되는 알고리즘들이 탐지되는 것을 나타낸 도면.
도 5A는 입찰 평가를 위한 마이크로-분할의 사용을 나타낸 도면.
도 5B는 광고 캠페인의 최소구분 분석을 나타낸 도면.
도 5C는 빈도 분석을 통한 가격책정의 최적화를 나타낸 도면.
도 5D는 페이싱(pacing)이 실시간 입찰 시스템 내에서의 최신 분석을 통해서 어떻게 최적화되는지를 나타낸 도면.
도 6은 입찰 평가를 위한 나노-분할의 사용을 나타낸 도면.
도 7은 주 미디어 공급체인 내에서 실시간 입찰 방법 및 장치의 샘플 통합을 나타낸 도면.
도 8A는 실시간 입찰 방법 및 장치를 사용하는 가상의 사례연구를 나타낸 도면.
도 8B는 실시간 입찰 방법 및 장치를 사용하는 2개의 광고 캠페인들을 비교한 제 2의 가상의 사례연구를 나타낸 도면.
도 9는 사용자가 실시간 입찰 방법 및 장치를 사용하는 흐름도 요약 핵심단계의 형태로 단순화한 이용 케이스를 나타낸 도면.
도 10은 실시간 입찰 시스템과 연관되는 픽셀 공급장치를 위한 사용자 인터페이스의 바람직한 실시 예를 나타낸 도면.
도 11은 실시간 입찰 시스템과 연관되는 노출 수준의 바람직한 실시 예를 나타낸 도면.
도 12는 가상의 광고 캠페인 성능 보고를 나타낸 도면.
도 13은 온라인 광고 게재 구입을 위한 실시간 입찰 및 평가를 위한 입찰 평가 시설을 나타낸 도면.
도 14는 온라인 광고 게재를 구입하기 위한 실시간 입찰 및 경제성 평가용 방법을 나타낸 도면.
도 15는 입찰 양을 결정하기 위한 방법을 나타낸 도면.
도 16은 광고를 위한 최적의 배치에서 입찰을 자동적으로 위치시키는 방법을 나타낸 도면.
도 17은 본 발명의 실시 예에 따라서 온라인 광고 구입을 위한 입찰들을 표적화하는데 사용될 분석 플랫폼의 설비들을 나타낸 도면.
도 18은 경제성 평가를 기초한 다수의 유용한 게재중 적어도 하나를 선택하여 사용자에게 제시하기 위한 방법을 나타낸 도면.
도 19는 경제성 평가로부터 파생된 유용한 광고 게재의 우선순위를 위한 방법을 나타낸 도면.
도 20은 온라인 광고를 위한 입찰용 구입 가격 동향을 예측하기 위한 대안적인 알고리즘을 선택하기 위한 실시간 시설을 나타내는 도면.
도 21은 현재 시장 상황을 기초하여 광고 게재의 성과를 예측하기 위한 방법을 나타내는 도면.
도 22는 경제성 평가를 예측하기 위한 1차 모델과 2차 모델 사이의 우선순위를 결정하기 위한 방법을 나타낸 도면.
도 23은 경제성 평가를 예측하기 위한 1차 모델과 2차 모델 사이의 우선순위를 결정하기 위한 방법을 나타낸 도면.
도 24는 광고 게재를 위한 실시간 입찰에서 다중 경쟁 평가 모델들 중에서 하나를 선택하기 위한 방법을 나타낸 도면.
도 25는 광고 배치를 위한 권유받은 입찰 양을 이끌어내기 위해 제 1 경제성 평가 모델을 제 2 경제성 평가 모델로 교체하기 위한 방법을 나타낸 도면.
도 26은 다중 경제성 평가 모델들을 평가하고 광고 배치의 미래 평가로서 하나의 평가를 선택하기 위한 방법을 나타낸 도면.
도 27은 다중 경제성 평가 모델들을 실시간으로 평가하고 광고 배치의 미래 평가로서 하나의 평가를 선택하기 위한 방법을 나타낸 도면.
도 28은 광고를 위치시키기 위한 바람직한 알고리즘을 선택하도록 다중 입찰 알고리즘을 평가하기 위한 방법을 나타낸 도면.
도 29는 광고 배치를 위해 입찰 추천을 개정된 입찰 추천으로 교체하기 위한 방법을 나타낸 도면.
도 30은 추가적인 제3자 데이터의 값을 측정하기 위한 실시간 시설을 나타낸 도면.
도 31은 추가적인 제3자 데이터의 값을 측정하기 위한 능력을 갖는 광고 평가를 위한 방법을 나타낸 도면.
도 32는 제3자 데이터세트의 평가를 계산하고 그 평가의 일부를 광고회사에게 청구하기 위한 방법을 나타낸 도면.
도 33은 제3자 데이터세트의 평가를 계산하고 상기 평가에 적어도 부분적으로 기초한 광고 콘텐츠의 배치를 위해 출판사가 지불해야 할 입찰 양 추천을 보정하기 위한 방법을 나타낸 도면.
도 34는 주의 요일 대 시간의 기준으로 광고성과의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 35는 인구밀도를 기준으로 광고성과의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 36은 미합중국의 지역을 기준으로 광고성과의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 37은 개인소득을 기준으로 광고성과의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 38은 성을 기준으로 광고성과의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 39는 광고 캠페인에 대한 카테코리별 선호도 인덱스를 나타낸 도면.
도 40은 노출의 횟수를 기준으로 페이지 방문자들의 요약을 발표하는 데이터 시각화 예를 나타낸 도면.
도 41은 제공될 매장 판매에 대하여 영향을 끼치도록 채널 ID를 통해서 노출되는 바와 같이 노출의 횟수를 매칭하는데 사용될 수 있는 행렬 연산의 예를 나타낸 도면.
도 42는 광고 재고의 SUID 분할을 만드는 매개변수들의 예를 나타낸 도면.
도 43은 광고에 대한 오프라인 데이터와 온라인 데이터를 위한 피드백 루프의 예를 나타낸 도면.
도 44는 광고 활동들을 관리하고 추적하기 위해 사용될 다수의 내부 기계장치들을 나타낸다.
도 45는 광고회사과 광고 네트워크들 사이에서 체인의 단순화한 예를 나타낸 도면.
도 46은 유용한 예산에 대한 다중의 개시 및 종료 일자들에 따른 광고 재고들과 광고 캠페인들 사이의 일시적인 관계를 나타낸 도면.
도 47은 본 발명의 실시 예에 따라서 실시간 입찰 참여에서 대리 번역가를 이용하는 구매자를 위한 예시적인 GYM을 나타낸 도면.
도 48은 본 발명의 실시 예에 따라서 실시간 입찰 참여에서 대리 번역가를 이용하는 판매자를 위한 예시적인 GYM을 나타낸 도면.
도 49는 본 발명의 실시 예에 따라서 평가를 위한 실시간 입찰 시스템을 이용하는 판매자를 위한 예시적인 GYM을 나타낸 도면.
도 50은 가상의 세계 소비자 ID 내에서 사용될 변수들의 단순화한 예를 나타낸 도면.
도 51은 광고 배치 기회들을 분석 및 이용하기 위한 단순화한 틀 구조를 나타낸 도면.
도 52는 관객 최적화를 향하는 보장된 구매를 위한 노출 수준 결정을 제공하기 위한 단순화한 틀 구조를 나타낸 도면.
도 53은 비트 요청 평가, 입찰 반응, RTB 교환, 및 최적 매개변수들과 관련된 입찰 요청을 나타내기 위한 예시적인 흐름을 나타낸 도면.
도 54는 RTB 브랜딩 입찰기능으로부터 최적의 엔진을 유도하는 캠페인, 설문조사, 반응 및 평가 알고리즘으로의 처리 흐름의 예를 나타낸 도면.
도 55 내지 도 56은 노출된 마켓 시장 증가가 어떻게 캠페인으로부터 측량 결과로서 조정되는지의 실시예들을 나타낸 도면.
도 57은 표적화한 광고를 선택하도록 사용된 다수의 합성 사용자 식별자를 만드는 방법을 나타낸 도면.
도 58은 광고를 사용자에게 제시하도록 합성 사용자 식별자를 만들어서 사용하는 방법을 나타낸 도면.
도 59는 다수의 합성 사용자 식별자를 기초한 광고의 세기수준을 변화시키기 위한 장치를 나타낸 도면.
도 60은 오프라인 패널 데이터의 사용을 포함하는 광고의 전달을 위한 방법 및 장치의 실시 예를 나타낸 도면.
도 61은 마스터 ID와 연관된 요소들을 나타낸 도면.
도 62는 속성, 별명, 및 소비자 중에서 협회의 단순화한 네트워크를 나타낸 도면.
도 63은 식별자 및 마스터 ID중에서 연계들의 단순화한 네트워크를 나타낸 도면.

도 1A를 참조하면, 후원 콘텐츠 구매기회 및 실시간 입찰을 선택하고 가치평가를 하기 위하여 그리고 광고와 같은 후원 콘텐츠를 배치하기 위하여 여기에서 설명하는 바와 같은 방법 및 장치에 따라 사용되는 실시간 입찰 시스템(100A)은 다수의 콘텐츠 운반채널들에 걸쳐서 존재한다. 실시간 입찰 시설은 다중의 광고 ("광고") 운반 채널들에 걸쳐서 후원 콘텐츠를 배치하기 위한 구매 기회들을 알려줄 것이다. 실시간 입찰 시설은 광고실적과 관련한 데이터의 수집을 가능하게 하고, 광고들을 위치시키기를 원하는 당사자들에게 지속적인 피드백을 제공하도록 이 데이터를 이용하며, 후원 콘텐츠를 발표하는데 사용되는 광고 운반 채널들을 자역동적으로 조정하고 표적화할 수 있게 된다. 실시간 입찰 시스템(100A)은 각각의 배치기회 및 일정시간 동안의 광고 배치 관련 비용(그리고 예를 들어 배치의 시간에 의해서 조정됨)을 나타내기 위해서 특별한 광고 형식의 선택을 가능하게 할 것이다. 실시간 시설은 평가 알고리즘을 사용하여 광고의 평가를 용이하게 하고, 광고회사(104)d을 위한 투자수익을 최적화할 수 있다.

실시간 입찰 시스템(100A) 광고 대행사(102)나 광고회사(104)와 같은 하나 또는 그 이상의 분배 서비스 소비자들, 광고 네트워크(108), 광고 교환(110), 출판사(112), 분석 시설(114), 광고 태그 시설(118), 광고 주문 송신 및 수신 시설(120), 및 광고 분배 서비스 시설(122), 광고 데이터 분배 서비스 시설(124), 광고 디스플레이 클라이언트 시설(128), 광고성과 데이터 시설(130), 맥락파악 서비스 시설(132), 데이터 통합 시설(134), 및 광고 및/또는 광고실적과 관련된 다른 형식의 데이터를 제공하는 하나 또는 그 이상의 데이터베이스를 포함하고 및/또는 관련될 것이다. 본 발명의 실시 예에 있어서, 실시간 입찰 시스템(100A)은 학습 기계 시설(138), 평가 알고리즘 시설(140), 실시간 입찰 기계 시설(142), 추적 기계 시설(144), 노출/클릭/동작 로그 시설(148), 및 실시간 입찰 로그 시설(150)을 적어도 부분적으로 포함하는 분석 시설을 포함할 것이다.

실시 예들에 있어서, 데이터를 실시간 입찰 시스템(100A) 및 광고, 광고실적 또는 광고 배치 문맥과 관련된 학습 기계시설(138)로 제공하는 하나 또는 그 이상의 데이터베이스는, 대행사 데이터베이스 및/또는 광고회사 데이터베이스(152)를 포함할 것이다. 대행사 데이터베이스는 캠페인 서술자들을 포함할 것이며, 채널들, 시각표들, 예산, 그리고 광고의 이용 및 분배와 관련한 역사적인 정보를 포함하는 다른 정보를 나타낼 것이다. 대행사 데이터(152)는 사용자들에게 보여진 각 광고에 대한 배치를 포함하는 역사적인 로그들 및 캠페인을 또한 포함할 것이다. 대행사 데이터(152)는 사용자를 위한 식별자, 웹 페이지 문맥, 시간, 지불된 가격, 보여진 광고 메세지, 및 결과적인 사용자 동작, 또는 몇가지 다른 형식의 캠페인이나 역사적인 로그 데이터 중 하나 또는 그 이상을 포함할 것이다. 광고회사 데이터베이스는 기업 정보수집활동 데이터 또는 몇몇 다른 형식의 데이터를 포함할 것이며, 후자는 동적 및/또는 정적 마케팅 목표를 나타내거나, 또는 광고회사(104)의 운영을 나타낼 것이다. 예에 있어서, 주어진 제품(광고회사(104)가 그것의 창고 안에 갖고 있음)의 재고과잉의 양은 광고회사 데이터(152)에 의해서 설명될 것이다. 다른 예에 있어서, 데이터는 광고회사(104)와 상호작용하는 경우에 소비자들에 의해서 실행되는 구매를 나타낸다.

실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 역사적인 사건 데이터베이스를 포함할 것이다. 역사적인 사건 데이터(154)는 예를 들어 사용자가 위치하는 지역에서 일어나는 다른 사건들과 사용자 사건의 시간을 상관시키도록 사용될 것이다. 예에 있어서, 어떤 유형의 광고들과 관련한 반응은 주식 시장 움직임과 상관될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터, 로컬 뉴스 데이터, 또는 몇가지 다른 유형의 데이터를 포함할 것이다.

실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 사용자 데이터(158) 및 데이터베이스를 포함할 것이다. 사용자 데이터(158)는 내부적으로 제공되고 및/또는 광고 수주자에 대한 개인적으로 링크된 정보를 포함하는 제3자들에 의해서 제공되는 데이터를 포함할 것이다. 이 정보는 사용자들을 우선적으로 연관시키거나 또는 사용자들에 나타내는 라벨을 붙이거나 사용자들을 묘사하거나 또는 분류하는데 사용될 다른 지표들을 연관시킬 것이다.

실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 실시간 사건 데이터베이스를 포함할 것이다. 실시간 사건 데이터(160)는 역사적인 데이터와 유사하지만 보다 현재적인 데이터를 포함할 것이다. 실시간 사건 데이터(160)는, 하기의 예로서 제한되는 것은 아니지만, 시간의 제 2의 분, 시간, 날짜 또는 몇 가지 다른 측정치에 관련한 데이터를 포함한다. 예에 있어서, 만약 학습 기계시설(138)이 광고실적 및 역사적인 주식시장 인덱스 값들 사이의 상관관계를 발견하면, 실시간 주식시장 인덱스 값은 실시간 입찰 기계 시설(142)에 의해서 광고를 평가하는데 사용될 것이다.

실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 출판사들, 출판사의 콘텐츠(예를 들면, 출판사의 웹사이트) 등과 연관된 맥락적 데이터(162) 를 제공하는 맥락적 데이터베이스를 포함할 것이다. 맥락적 데이터(162)는, 하기의 예로서 제한되는 것은 아니지만, 광고 내에서 발견된 키워드들; 광고의 사전 게재또는 몇몇 다른 형식의 맥락적 데이터(162)와 연관된 URL 을 포함할 것이며, 출판사의 콘텐츠와 관련한 범주화 메타데이터로서 저장될 것이다. 예에 있어서, 그러한 범주화 메타데이터는 제 1 출판사의 웹사이트가 재정적인 콘텐츠와 관련되고 제 2 출판사의 콘텐츠는 주로 스포츠와 관련된다는 것을 기록할 것이다.

실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 제3자/상업적인 데이터 베이스를 더 포함할 것이다. 제3자/상업적 데이터베이스는 소매 거래로부터 얻어진 매장의 스캐너 데이터와 같은 소비자 거래와 관련한 데이터(164) 또는 몇몇 다른 유형의 제3자 또는 상업적 데이터를 포함할 것이다.

본 발명의 실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스로부터 얻은 데이터는 데이터 통합 시설(134)을 통해서 실시간 입찰 시스템(100A)의 분석 설비들(114)과 공유하게 된다. 예에 있어서, 데이터 통합 시설(134)은 잠재적인 광고 및/또는 광고 배치를 평가하기 위하여 하나 또는 그 이상의 데이터베이스로부터 얻은 데이터를 실시간 입찰 시스템(100A)의 분석 설비들로 제공할 것이다. 예를 들면, 데이터 통합 시설(134)은 유용한 데이터베이스(예를 들면, 사용자 데이터(158) 및 실시간 사건 데이터(160)로부터 받은 다수의 데이터 타입들을 결합, 병합, 분석 또는 통합할 것이다. 일 실시 예에 있어서, 맥락파악는 웹 페이지가 스포츠, 금융 또는 몇몇 다른 화제에 관한 콘텐츠를 포함하는지 여부를 결정하기 위해서 웹 콘텐츠를 분석할 것이다. 이 정보는 광고가 나타날 관련 출판사들 및/또는 웹페이지들을 확인하기 위해서 분석 플랫폼 시설(114)에 대한 입력으로서 사용될 것이다.

실시 예들에 있어서, 실시간 입찰 시스템(100A)의 분석 설비들은 광고 주문 송신 및 수신 시설(120)을 거쳐서 광고 요청을 수신할 것이다. 광고 요청은 광고 대행사(102), 광고회사(104), 광고 네트워크(108), 광고 교환(110), 및 출판사(112) 또는 광고 콘텐츠를 요청하는 몇몇 다른 주체로부터 들어온다. 예를 들면, 추적 기계 시설(144)은 광고 주문 송신 및 수신 시설(120)을 통해서 광고 요청을 접수하고, 광고 태그 시설(118)을 사용하여 광고 태그와 같은 식별자를 부착하는 것 및 결과적인 광고 배치를 포함한 서비스를 각각의 광고 주문에 제공한다. 이러한 광고 추적 기능은 실시간 입찰 시스템(100A)으로 하여금 광고성과 데이터 (130)를 추적, 수집 및 분석할 수 있게 한다. 예를 들면, 온라인 디스플레이 광고는 추적 픽셀을 사용하여 태그를 붙이게 된다. 추적 기계 시설(144)로부터 일단 픽셀이 제공되면, 기회의 시간과 날짜 뿐만아니라 배치 기회를 기록하게 된다. 본 발명의 다른 실시 예에 있어서, 추적 기계 시설(144)은 광고 요청의 ID 또는 사용자, 및, 하기의 예로서 제한되는 것은 아니지만, 인터넷 프로토콜 (IP) 어드레스, 광고 및/또는 광고 배치의 문맥, 사용자의 히스토리, 사용자의 지리학적 위치정보, 사회적인 행동, 추론된 인구통계 또는 몇몇 다른 형식의 데이터 광고 노출, 사용자 클릭해서 찾아가는 것, 활동 로그들, 또는 추적 기계 시설(144)에 의해서 생성될 몇몇 다른 형식의 데이터를 포함하는 사용자를 라벨을 붙이는 다른 정보를 기록할 것이다.

실시 예들에 있어서, 기록된 로그들, 및 다른 데이터 형식들이 여기에서 설명한 바와 같이 표적화 및 평가 알고리즘(140)을 개선하고 주문제작하도록 학습 기계시설(138)에 의해서 사용될 것이다. 학습 기계시설(138)은 주어진 고객을 위해서 잘 수행하는 광고들과 관련한 규칙들을 만들고, 만들어진 규칙들을 기초하여 광고 캠페인의 콘텐츠를 최적화할 것이다. 또한, 본 발명의 실시 예들에 있어서, 학습 기계시설(138)은 실시간 입찰 기계 시설(142)을 위한 표적화 알고리즘을 개발하기 위해서 사용될 것이다. 학습 기계시설(138)은 인터넷 프로토콜 (IP) 어드레스, 광고 및/또는 광고 배치의 문맥, 광고 배치 웹사이트의 URL, 사용자의 히스토리, 사용자의 지리학적 위치정보, 사회적인 행동, 추론된 인구통계 또는 사용자에게 링크될 수 있는 사용자의 다른 특성, 또는 광고 또는 다른 것들 중에서 광고 및 광고 배치 기회들을 표적화하고 평가하는데 사용될 데이터의 몇몇 다른 형식의 다른 특성을 포함 패턴들을 학습할 것이다. 본 발명의 일 실시 예에 있어서, 학습 패턴들은 광고를 표적화하는데 사용될 것이다. 또한, 학습 기계시설(138)은 도 1에 나타낸 바와 같이 하나 또는 그 이상의 데이터베이스에 연결될 것이며, 그로부터 알고리즘(140)의 표적화 및/또는 평가를 최적화하는데 필요한 추가적인 데이터를 얻을 수 있다.

본 발명의 일 실시 예에 있어서, 광고회사(104)는 광고가 위치하게 되는 장소와 시기를 제한하는 명령을 수반한 "주문"을 제공할 것이다. 광고회사(140)로부터 발생한 주문은 학습 기계설비들 또는 플랫폼의 다른 요소에 의해서 접수될 것이다. 광고회사(104)는 광고 캠페인이 성공하기 위한 "좋은 자질"의 기준을 명시할 것이다. 또한, 추적 기계 시설(144)은 "좋은 자질" 기준을 측정하도록 사용될 것이다. 광고회사(104)는 분석의 결과를 혼자힘으로 얻기 위해서 주문시에 "주문"와 연관된 역사적인 데이터를 또한 제공할 것이다. 그러므로, 하나 또는 그 이상의 데이터베이스 및 광고회사(104)에 의해서 제공된 데이터로부터 유용한 데이터를 기초하여, 학습 기계시설(138)은 광고를 위한 맞춤형 표적화 알고리즘을 발전시킬 것이다. 표적화 알고리즘은 어떤 조건(예를 들면, 모델링의 일부로서 실시간 사건 데이터(160)를 이용함) 하에서 광고의 예상값을 계산할 것이다. 표적화 알고리즘은 명시된 "좋은 자질" 기준을 최대화하는 것을 찾게 될 것이다. 학습 기계시설(138)에 의해서 개발된 표적화 알고리즘은 광고를 위치시키기 위한 기회들을 기다릴 실시간 입찰 기계(142)에 의해서 수신된다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 광고 주문 송신 및 수신 시설(120)을 거쳐서 광고 및/또는 입찰 요청을 수신할 것이다. 실시간 입찰 기계 시설(142)은 시간 제한과 연관된 광고 또는 입찰 요청에 대하여 응답하므로 "실시간" 시설로 고려된다. 실시간 입찰 기계 시설(142)은 사용자가 장치의 결정을 기다리는 동안에 보여지는 광고 메세지를 계산하도록 non-stateless 방법을 사용할 것이다. 실시간 입찰 기계 시설(142)은 최적의 입찰 값을 역동적으로 측정하는 학습 기계시설(138)에 의해서 제공된 알고리즘을 사용하여 실시간 계산을 수행할 것이다. 실시 예들에 있어서, 대안적인 실시간 입찰 기계 시설(142)은 제공될 광고를 결정하기 위해서 stateless 구성을 가질 것이다.

실시간 입찰 기계 시설(142)은 광고 및/또는 광고 배치 기회와 연관되도록 실시간 입찰 값을 계산하기 위한 평가 알고리즘을 만들어 내기 위해 역사적인 실시 간 데이터를 조합할 것이다. 실시간 입찰 기계 시설(142)은 인터넷 프로토콜 (IP) 어드레스, 광고 및/또는 광고 배치의 문맥, 사용자의 히스토리, 사용자의 지리학적 위치정보, 사회적인 행동, 추론된 인구통계 또는 몇몇 다른 형식의 데이터에 관한 정보들을 결합하는 예상값을 계산할 것이다. 실시 예들에 있어서, 실시간 입찰 기계 시설(142)은 각각의 알고리즘의 성과에 적어도 부분적으로 기초한 알고리즘을 주문하고 우선순위를 매기기 위해 추적 기계(144) 또는 광고실적 데이터를 사용하여 기회주의적인 알고리즘 업데이트를 사용할 것이다. 학습 기계시설(138)은 기계 학습 시설 및 실시간 입찰 시설에서 다중의 완성 알고리즘의 개방된 리스트를 사용하고 그로부터 선택될 것이다. 실시간 입찰 기계(142)는 한 세트의 광고 전달 속도 및 가격정책을 제어하기 위해 제어장치 이론을 이용할 것이다. 실시간 입찰 기계 시설(142)은 사용자 프로필을 구축하기 위해 이기거나 진 입찰 데이터를 사용할 것이다. 또한, 실시간 입찰 기계(142)은 광고 수신자의 지리학에서 현재의 사건들에 따른 예상 값들을 관련시킬 것이다. 실시간 입찰 기계 시설(142)은 다중 교환에 걸친 광고 구매를 트레이드하고, 그러므로 재고의 단일 소오스로서 다중 교환을 처리하고, 실시간 입찰 시스템(100A)에 의해서 모델링된 평가에 적어도 부분적으로 기초한 광고들을 선택 및 구매한다.

실시 예들에 있어서, 실시간 입찰 시스템(100A)은 수신된 입찰 요청 및 실시간 입찰 기계 시설(142)에 의해서 보내진 입찰 반응을 기록하는 실시간 입찰 로그 시설을 더 포함할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 로그는 사용자와 관련된 로그 추가적인 데이터이다. 예에 있어서, 추가적인 데이터는 사용자가 방문하는 웹사이트들의 상세내용들을 포함한다. 이 상세내용들은 사용자 관심 또는 브라우징 습관을 이끌어내는데 사용될 것이다. 또한, 실시간 입찰 로그 시설은 다른 광고 채널들로부터 광고 배치 기회들의 도착율을 기록할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 로그 시설은 학습 기계시설(138)에 연결될 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 학습 기계시설(138)과 연관된 평가 알고리즘(140)에 적어도 부분적으로 기초한 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상된 경제성 평가를 역동적으로 결정할 것이다. 광고를 위치시키기 위한 요청의 수신에 반응하여, 실시간 입찰 기계 시설(142)은 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상된 경제성 평가를 역동적으로 결정하고, 소비자들에게 하나 또는 그 이상의 분배 서비스를 제공하기 위해서 경제성 평가에 기초한 유용한 게재를 제공하는지 여부를 선택 및 결정할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 배치를 위한 제 2 요청을 처리하기 전에 경제성 평가를 역동적으로 결정하기 위한 모델을 변경하는 것을 포함할 것이다. 모델의 변경은 학습시설과 연관된 평가 알고리즘에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 하나 또는 그 이상의 유용한 게재를 선택 및 발표하기 전에, 경제성 모델의 행동은 다수의 게재의 각각을 위한 제 2 세트의 평가를 만들도록 변경될 것이다.

실시 예들에 있어서, 평가 알고리즘(140)은 다수의 광고 게재의 각각과 관련한 성과 정보를 평가할 것이다. 역동적으로 유용한 경제성 평가 모델은 예상된 평가를 결정하기 위해서 사용될 것이다. 평가 모델은 다수의 게재를 위한 경제성 평가와 관련한 입찰 값들을 평가할 것이다. 다수의 유용한 게재 및/또는 다수의 광고들을 위한 입찰에서 한 단계는 경제성 평가에 기초할 것이다. 바람직한 케이스에 있어서, 실시간 입찰 기계 시설(142)은 다음의 절차를 채택할 것이다: 단계 1에서, 실시간 입찰 기계(142)는 평가 알고리즘(140)을 사용하여 나타낸 가능한 광고들을 필터링한다. 단계 2에 있어서, 실시간 입찰 기계 시설(142)은 필터링한 광고들이 남아있는 예산자금을 갖고있는지를 체크하고, 리스트로부터 유용한 예산자금을 갖고있지 않은 광고를 리스트로부터 제거한다. 단계 3에 있어서, 실시간 입찰 기계 시설(142)은 각각의 광고에 대한 경제적 가치를 결정하기 위해서 주문에서 광고들을 위한 경제성 평가 알고리즘을 실행하게 된다. 단계 4에 있어서, 실시간 입찰 기계(142)는 광고를 위치시키기 위한 기회비용에 의해서 경제적 가치들을 조정할 것이다. 단계 5에 있어서, 실시간 입찰 기계 시설(142)은 기회비용에 의해 조정한 후에, 최고의 경제적 가치를 갖는 광고를 선택할 것이다. 단계 6에 있어서, 요청의 출판사(112) 콘텐츠에 관한 정보를 포함하게될 제 1 요청에 관한 정보는 제 2 요청이 접수 및 처리되기전에 동적 알고리즘을 업데이트하도록 사용될 것이다. 끝으로, 단계 7에 있어서, 제 2 광고는 제 3 광고가 위치하기 전에 동적 알고리즘에 대한 업데이트로 상기 제 1 광고와 동일한 절차로 처리될 것이다. 실시 예들에 있어서, a 다수의 경쟁 평가 알고리즘(140)은 제공할 광고를 선택하는데 있어서 각 단계에서 사용될 것이다. 결과적으로 위치하는 광고의 광고성과를 추적하는 것에 의해서, 경쟁 알고리즘은 그들의 관련성과 및 유용성을 결정하도록 주문에서 평가될 것이다.

본 발명의 일 실시 예에 있어서, 경쟁 알고리즘은 데이터의 부분들을 별도의 훈련 및 인증 세트로 분할하는 것에 의해서 테스트될 것이다. 각각의 알고리즘은 데이터의 훈련 세트에서 훈련되고, 데이터의 인증 세트에 대한 예언을 위해 인증된다(측정된다). 각각의 입찰 알고리즘은 수신기 동작 특성 (ROC) 지역, 리프트, 정확성/리콜, 광고 지출에 대한 반환, 다른 신호처리 지표, 다른 기계 학습 지표, 다른 광고 지표, 또는 몇몇 다른 분석 방법, 정적인 기술이나 도구와 같은 지표들을 사용하여 인증 세트에 대한 그것의 예언을 위해 평가될 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다. 알고리즘의 예언은 광고회사 제품들 중 하나를 구입하는 것, 광고회사 제품과 결합하는 것, 광고회사 제품에 관한 소비자의 인식에 대해 영향을 끼치는 것, 웹 페이지를 방문하는 것, 또는 광고회사에 의해서 광고되는 몇몇 다른 종류의 행위를 취하는 것과 같이 원하는 행동에 소비자가 참여하도록 소비자에게 영향을 끼치기 위해 특별한 문맥에서 특별한 소비자에게 특별한 광고를 보여주는 그 가능성을 어떻게 잘 예측하는가를 측정하는 것이다.

본 발명의 일 실시 예에 있어서, 교차 유효성 검사는 알고리즘 평가 지표를 개선하기 위해서 사용될 것이다. 교차 유효성 검사는 경쟁 알고리즘 및/또는 모델들을 평가하기 위한 훈련 세트-인증 세트 절차가 데이터의 훈련 및 인증 세트들을 변화시키는 것에 의해서 여러번 반복되는 방법론을 설명한다. 여기에서 설명한 방법들 및 장치의 일부로서 사용될 교차 유효성 검사 기술들은, 하기의 예로서 제한되는 것은 아니지만, 반복된 임의의 부-샘플링 인증, k-폴드 교차 유효성 검사, k x 2 교차 유효성 검사, 리브-원-아웃 교차 유효성 검사, 또는 몇몇 다른 유형의 교차 유효성 검사 기술을 포함할 것이다.

실시 예들에 있어서, 경쟁 알고리즘은 여기에서 설명한 바와 같은 방법 및 장치를 사용하여 실시간, 배치 모드 프로세싱으로 평가되거나 또는 몇몇 다른 주기적인 프로세싱 체계를 사용하여 평가될 것이다. 실시 예들에 있어서, 경쟁 알고리즘은 인터넷이나 몇몇 다른 네트워크화된 플랫폼을 사용하는 것과 같이 온라인 평가되거나, 또는 경쟁 알고리즘은 오프라인으로 평가되고 온라인 시설 다음의 평가에 대하여 유용하게 만들어진다. 샘플 예에 있어서, 하나의 알고리즘은 예측력의 관점에서 모든 다른 알고리즘보다 확실히 더 양호할 것이며, 학습 시설(138)에서 오프라인으로 선택될 것이다. 다른 샘플 예에 있어서, 세트로부터 제공된 하나의 알고리즘은 보다 예측적으로 주어진 변수들의 특별한 조합이고, 하나 이상의 알고리즘은 실시간 입찰 시설(142)에 대하여 유용하게 만들어질 것이며, 최선으로 수행하는 알고리즘의 선택은 예를 들면 특별한 배치 요청의 속성을 조사하고 다음에는 훈련된 알고리즘의 세트로부터 제공된 알고리즘이 특별한 세트의 속성에 대해 가장 예측적인지를 결정하는 것에 의해서 실시간 일어날 것이다.

실시 예들에 있어서, 실시간 입찰 시스템(100A)으로부터 제공된 광고의 평가에 대응하는 데이터는 광고 분배 서비스 시설(122)에 의해서 수신되어 광고 대행사(102), 광고회사(104), 광고 네트워크(108), 광고 교환(110),출판사(112), 또는 다른 유형의 소비자와 같은 평가 데이터의 소비자에게 전달된다.

본 발명의 또 다른 실시 예에 있어서, 광고 분배 서비스 시설(122)은 광고 서버가 될 것이다. 광고 분배 서비스 시설(122)은 선택된 광고와 같은 실시간 입찰 시스템(100A)의 출력을 하나 또는 그 이상의 광고 서버에 분배할 것이다. 실시 예들에 있어서, 광고 분배 서비스 설비들(122)은 추적 기계 시설(144)에 연결될 것이다. 본 발명의 또 다른 실시 예에 있어서, 광고 분배 서비스 시설(122)은 광고 디스플레이 클라이언트(128)에 연결될 것이다. 실시 예들에 있어서, 광고 디스플레이 클라이언트(128)는 휴대폰, PDA, 셀폰, 컴퓨터, 통신기, 디지털장치, 디지털 디스플레이 패널 또는 광고를 제공할 수 있는 몇몇 다른 유형의 장치를 포함할 것이다.

실시 예들에 있어서, 광고 디스플레이 클라이언트(128)에서 수신한 데이터는 쌍방향 데이터; 예를 들면 영화티켓에 제안의 진열을 포함한다. 광고 디스플레이 클라이언트(128)의 사용자는 광고의 구매, 광고의 클릭, 양식을 작성, 또는 몇몇 다른 유형의 사용자 동작을 수행하는 것과 같은 동작들을 수행할 것이다. 사용자 동작은 광고성과 데이터 시설(130)에 의해서 기록될 것이다. 일 실시 예에 있어서, 광고성과 데이터 시설(130)은 하나 또는 그 이상의 데이터베이스에 연결될 것이다. 예에 있어서, 성과 데이터 시설은 맥락적 데이터베이스를 실시간으로 업이트하기 위하여 맥락적 데이터베이스에 연결될 것이다. 일 실시 예에 있어서, 업데이트된 정보는 평가 알고리즘(140)을 업데이트하기 위하여 실시간 입찰 시스템(100A)에 의해 접속될 것이다. 실시 예들에 있어서, 광고성과 데이터 시설(130)은 하나 또는 그 이상의 분배 서비스 소비자들에 연결될 것이다.

분석 플랫폼 시설(114)로부터 제공된 광고의 평가에 대응하는 데이터는 광고 분배 서비스 시설(122)에 의해서 또한 수신될 것이다. 본 발명의 일 실시 예에 있어서, 광고 분배 서비스 시설(122)은 하나 또는 그 이상의 광고를 재정렬/재배열/재구성하기 위해 평가 데이터를 이용할 것이다. 다른 실시 예에 있어서, 광고 분배 서비스 시설(122)은 미리정의된 기준에 기초하여 광고들의 순위를 매기기 위해 평가 데이터를 이용할 것이다. 미리정의된 기준은 하루의 시간, 위치 등을 포함할 것이다.

광고 데이터 분배 서비스 시설(124)은 평가 데이터를 광고 평가 데이터의 하나 또는 그 이상의 소비자에게 제공할 것이다. 실시 예들에 있어서, 광고 데이터 분배 서비스 시설(124)은 평가 데이터를 판매하거나 또는 평가 데이터의 신청을 광고 평가 데이터의 하나 또는 그 이상의 소비자에게 제공할 것이다. 실시 예들에 있어서, 광고 분배 서비스 시설(122)은 실시간 입찰 시스템(100A)이나 학습 기계시설(138)로부터의 출력을 광고 평가 데이터의 하나 또는 그 이상의 소비자에게 제공할 것이다. 광고 평가 데이터의 소비자는, 하기의 예로서 제한됨이 없이, 광고 대행사(102)/광고회사(104), 광고 네트워크(108), 광고 교환(110), 출판사(112), 또는 몇몇 다른 유형의 광고 평가 데이터 고객을 포함할 것이다. 예에 있어서, 광고 대행사(102)는 자사의 고객들을 위한 광고의 창조, 설계 및 취급을 수행하는 서비스 사업자가 될 것이다. 광고 대행사(102)는 고객으로부터 독립적이고, 고객의 제품이나 서비스를 판매하기 위한 노력의 외부 관점을 제공할 것이다. 또한, 광고 대행사(102)는, 하기의 예로서 제한됨이 없이, 제한된-서비스 광고 대행사, 특별한 광고 대행사, 내부의 광고 대행사, 쌍방향 대행사, 서치 엔진 대행사, 사회적 미디어대행사, 건강관리 통신 대행사, 의학 교육 대행사, 또는 몇몇 다른 유형의 대행사를 포함한 다른 형태들이 될 수 있다. 또한, 예에 있어서, 광고 네트워크(108)는 그들의 광고를 초대하기를 원하는 웹사이트들에 광고회사(104)를 연결하는 단체가 될 것이다. 광고 네트워크(108)는, 하기의 예로서 제한됨이 없이, 수직한 네트워크, 블라인드 네트워크 및 표적화된 네트워크를 포함할 것이다. 광고 네트워크(108)는 제 1-계위 및 제 2-계위 네트워크로서 분류될 것이다. 제 1-계위 광고 네트워크들은 다수의 그들 자체 광고회사(104) 및 출판사들을 가질 것이며, 이것들은 높은 수준의 트래픽을 가질 것이며, 제 2-계위 네트워크들에 광고 및 트래픽을 제공할 것이다. 제 2-계위 광고 네트워크들은 몇몇의 그들 자체의 광고회사(104) 및 출판사들을 가질 것이며, 그러나 그들 수익의 주 원천은 광고를 다른 광고 네트워크들로 팔아서 생길 것이다. 광고 교환(110) 네트워크는 광고 노출의 가격, 특별한 제품이나 서비스 카테고리에서 광고회사(104)의 수, 특별한 기간 동안에 최고 및 최저 입찰에 대한 레거시 데이터, 광고 성공(사용자가 광고 노출을 클릭) 등과 같은 광고 재고의 속성과 관련된 정보를 포함할 것이다. 광고회사(104)는 그들의 의사결정의 한 부분으로서 이 데이터를 사용할 수 있을 것이다. 예를 들면, 저장된 정보는 특별한 출판사(112)를 위한 성공율을 나타낼 것이다. 또한, 광고회사(104)는 금융거래를 만들기 위한 하나 또는 그 이상의 모델들을 선택하는 옵션을 가질 것이다. 예를 들면, 비용 당 거래 가격책정 구조는 광고회사(104)에 의해서 채택될 것이다. 마찬가지로, 다른 예에 있어서, 광고회사(104)는 비용 당 클릭을 지불하기 위한 옵션을 가질 것이다. 광고 교환(110)은 입찰과정 동안에 실시간으로 출판사(112)가 광고노출에 가격을 책정할 수 있게하는 알고리즘을 실행할 것이다.

실시 예들에 있어서, 광고 메세지 전달을 위한 실시간 입찰 시스템(100A)은 다중 운반 채널들에 걸쳐서 광고 메세지를 위치시키기 위한 기회들을 구매하도록 의도된 기계의 구성이 될 것이다. 이 장치는 각각의 배치 기회에서 나타날 광고 메세지 및 시간에 따른 관련 비용을 선택하는 것 뿐만아니라, 광고 메세지를 제공하는데 사용되는 채널들을 자역동적으로 미세 조정하고 표적화 하기 위하여 주문에서 능동적인 피드백을 제공할 것이다. 실시 예들에 있어서, 상관된 기계들로 구성되는 장치는, 하기의 예로서 제한되는 것은 아니지만: (1) 학습 기계시설(138), (2) 실시간 입찰 기계(142), 및 (3) 추적 기계(144)를 포함한다. 기계들 중 2개는 로그들을 생성하는데, 이것은 학습 기계시설(138)에 의해서 내부적으로 사용될 것이다. 실시 예들에 있어서, 장치에 대한 입력은 실시간 및 비-실시간 소오스로부터 제공될 것이다. 역사적인 데이터는 가격책정을 미세 조정하고 광고 캠페인들에 대한 명령을 전달하기 위해 실시간 데이터와 결합될 것이다.

실시 예들에 있어서, 광고 메세지 전달을 위한 실시간 입찰 시스템(100A)은 외부 기계 및 서비스를 포함할 것이다. 외부 기계 및 서비스는, 하기의 예로서 제한되는 것은 아니지만, 대행사 (102), 광고회사(104), 캠페인 서술자들 및 역사적인 로그들과 같은 대행사 데이터(152), 광고회사 데이터(152), 핵심 성과 지표들, 역사적인 사건 데이터(154), 사용자 데이터 (158), 맥락파악 서비스(132), 실시간 사건 데이터(160), 광고 분배 서비스(122), 광고 수신자, 또는 몇몇 다른 형식의 외부 기계 및/또는 서비스를 포함할 것이다.

실시 예들에 있어서, 대행사 및/또는 광고회사(104)는 역사적인 광고 데이터를 제공할 것이며, 실시간 입찰 시스템(100A)의 수혜자가 될 것이다.

실시 예들에 있어서, 캠페인 서술자들과 같은 대행사 데이터(152)는 채널들, 시간, 예산 및 광고 메세지의 확산을 위해서 허용될 다른 정보를 나타낼 것이다.

실시 예들에 있어서, 캠페인 및 역사적인 로그들과 같은 대행사 데이터(152)는, 사용자에게 보여지는 각각의 광고 메세지를 위한 배치를 나타낼 것이며, 사용자에 대한 식별자, 채널, 시간, 지불 가격, 게시된 광고 메세지 및 사용자 동작을 수행한 사용자, 또는 몇몇 다른 유형의 캠페인이나 역사적인 로그 데이터 중에서 하나 또는 그 이상을 포함한다. 추가적인 로그들은 예를 들면 광고 노출에 직접적으로 추적할 수 없는 사용자 동작과 같은 자연스러운 사용자 동작이나 몇몇 다른 유형의 자연스러운 사용자 동작들을 기록할 것이다.

실시 예들에 있어서, 광고회사 데이터(152)는 기업 정보수집활동 데이터, 또는 동적 및/또는 정적인 마케팅 목표를 나타내는 몇몇 다른 유형의 데이터로 구성될 것이다. 예를 들면, 광고회사(104)가 그것의 창고에 갖고 있는 주어진 제품의 재고과잉 양은 데이터에 의해서 나타내어질 것이다.

실시 예들에 있어서, 핵심 성과 지표들은 각각의 주어진 사용자 행동에 대하여 "좋은 자질"을 나타내는 매개변수들의 세트를 포함할 것이다. 예를 들면, 제품 활성화는 $X의 값이 될 것이며, 제품 구성은 $Y의 값이 될 것이다.

실시 예들에 있어서, 역사적인 사건 데이터(154)는 사용자 사건들의 시간을 그들 지역에서 일어나는 다른 사건들로 상관시키도록 실시간 입찰 시스템(100A)에 의해서 사용될 것이다. 예를 들면, 어떤 형식의 광고들에 대한 반응률은 주식시장의 움직임에 상관될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터, 로컬 뉴스 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다.

실시 예들에 있어서, 사용자 데이터(158)는 광고 수신자들에 대하여 개인적으로 연결된 정보를 포함하는 제3자들에 의해서 제공된 데이터를 포함할 것이다. 이 정보는 사용자 선호도, 또는 사용자를 표시하거나 나타내는 다른 지표들을 보여줄 것이다.

실시 예들에 있어서, 맥락파악 서비스(132)는 광고를 위한 미디어의 맥락적 카테고리를 확인할 것이다. 예를 들면, 맥락파악은 웹 페이지가 스포츠, 금융, 또는 몇몇 다른 화제에 관한 콘텐츠를 포함하고 있는지 여부를 결정하기 위해 웹 콘텐츠를 분석할 것이다. 이 정보는 광고가 나타날 페이지들의 형식을 개선하기 위해 학습 시스템(138)에 대한 입력으로서 사용될 것이다.

실시 예들에 있어서, 실시간 사건 데이터(160)는 역사적인 데이터와 유사한 그러나 보다 현재적인 데이터를 포함할 것이다. 실시간 사건 데이터(160)는, 하기의 예로서 제한되는 것은 아니지만, 제 2의, 분, 시간, 일, 또는 시간의 다른 측정치에 대하여 현재적인 데이터를 포함할 것이다. 예를 들면, 만약 학습 기계시설(138)이 광고실적과 역사적인 주식시장 인덱스 값들 사이의 상관관계를 발견하면, 실시간 주식시장 인덱스 값은 실시간 입찰 기계(142)에 의해서 광고들을 평가하기 위해 사용될 것이다.

실시 예들에 있어서, 광고 분배 서비스(122)는, 하기의 예로서 제한되는 것은 아니지만, 광고 네트워크(108), 광고 교환(110), 판매측 옵티마이저들, 또는 다른 유형의 광고 분배 서비스(122)를 포함할 것이다.

실시 예들에 있어서, 광고 수신자는 광고 메세지를 수신하는 사람을 포함할 것이다. 광고 콘텐츠는 광고 수신자에 의해 요청된 콘텐츠의 일부로서 또는 부속되는 바와 같이 특별하게 요청되거나("당겨짐"), 또는 예를 들어 광고 분배 서비스(122)에 의해 네트워크에 걸쳐서 "푸쉬(pushed)"된다. 수신광고의 모드의 몇몇 비-제한적인 예들은 인터넷, 휴대폰 디스플레이 스크린, 무선 전송, 텔레비젼 전송, 전자 게시판, 인쇄 매체 및 영화 영사를 포함할 것이다.

실시 예들에 있어서, 광고 메세지 전달을 위한 실시간 입찰 시스템(100A)은 내부 기계 및 서비스를 포함할 것이다. 내부 기계 및 서비스는, 하기의 예로서 제한되는 것은 아니지만, 실시간 입찰 기계(142), 추적 기계(144), 실시간 입찰 로그, 노출, 클릭 및 동작 로그들, 학습 기계시설(138), 또는 몇몇 다른 유형의 내부 기계 및/또는 서비스를 포함할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 광고 분배 서비스(122)로부터 제공된 입찰 요청 메세지를 수신할 것이다. 실시간 입찰 기계(142)는 시간제한과 연관된 입찰 요청에 대하여 응답하므로, "실시간" 장치로 고려될 것이다. 실시간 입찰 기계(142)는 사용자가 장치의 결정을 기다리는 동안에 광고 메세지가 나타나는 것을 계산하기 위해 non-stateless 방법을 사용할 것이다. 상기 장치는 최적의 입찰 값을 역동적으로 추정하는 학습 기계시설(138)에 의해서 제공되는 알고리즘을 사용하는 실시간 계산을 수행할 것이다. 실시 예들에 있어서, 대안적인 장치는 제공될 광고를 결정하기 위한 stateless 구성을 가질 것이다.

실시 예들에 있어서, 추적 기계(144)는 각각의 광고에 대해 추적 ID들을 부착할 서비스를 제공할 것이다. 예를 들면, 온라인 디스플레이 광고는 픽셀 다음에 할 수 있다. 일단 픽셀이 추적 기계(144)로부터 제공되면, 시간과 날짜 뿐만아니라 배치 기회를 기록할 것이다. 또한, 기계는 사용자의 ID, 및 하기의 예로서 제한되는 것은 아니지만, IP 어드레스, 지리학적 위치, 몇몇 다른 유형의 데이터를 포함한 사용자를 표시하는 다른 정보를 기록할 것이다.

실시 예들에 있어서, 실시간 입찰 로그는 수신된 입찰 요청 및 실시간 입찰 기계(142)에 의해서 보내진 입찰 반응을 기록할 것이다. 이 로그는 사용자가 방문한 사이트에 대한 추가적인 데이터를 포함할 것이며, 이 데이터는 사용자 관심이나 브라우징 습관을 얻는데 사용될 수 있다. 또한, 이 로그는 다른 채널들로부터 광고 배치 기회들의 도착 비율을 기록할 것이다.

실시 예들에 있어서, 노출, 클릭 및 동작 로그들은 학습 기계시설(138)에 의해서 사용될 수 있는 추적 시스템에 의해서 생성될 기록들이 될 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 실시간 입찰 기계(142)를 위해 표적화 알고리즘을 개발하는데 사용될 것이다. 학습 기계시설(138)은 온라인 광고들을 표적화하는데 사용될 다른 것들 중에서 사회적인 행동, 추론된 인구통계를 포함하는 패턴들을 배울 것이다.

예에 있어서, 광고회사(104)는 광고가 위치하는 장소와 시간을 제한하는 명령에 따라 "주문"를 제공할 것이다. 그 주문는 학습 기계시설(138)에 의해서 수신될 것이다. 광고회사(104)는 캠페인이 성공하기 위한 "좋은 자질"의 기준을 명시할 것이다. 그러한 '좋은 자질' 기준은 추적 기계(144)를 사용하여 측정가능할 것이다. 광고회사(104)는 장치를 시동하도록 역사적인 데이터를 제공할 것이다. 유용한 데이터를 기초하여, 학습 장치(138)는 광고를 위한 맞춤형 표적화 알고리즘을 개발할 것이다. 알고리즘은 주어진 어떤 조건하에 광고의 예상 값을 계산하고 명시된 "좋은 자질" 기준을 최대화하는 것을 찾게 될 것이다. 알고리즘은 광고를 위치시키기 위한 기회를 기다릴 실시간 입찰 기계(142)에 의해서 수신된다. 입찰 요청은 실시간 입찰 기계(142)에 의해서 수신될 것이다. 각각은 수신된 알고리즘을 사용하여 각 광고회사(104)에 대한 그것의 값이 평가될 것이다. 입찰 반응들은 매력적인 값을 갖는 광고에 대해 보내질 것이다. 만약 적절하게 추정되었다면 낮은 값들이 입찰될 것이다. 입찰 반응은 특별한 가격으로 위치될 광고를 요청할 것이다. 광고들은 브라우저에서 디스플레이된 픽셀과 같은 추적 시스템에 의해 태그가 붙여질 것이다. 추적 기계(144)는 로그 광고 노출, 사용자 클릭, 및 사용자 동작 및/또는 다른 데이터가 될 것이다. 추적 기계 로그들은 학습 시스템(138)으로 보내질 것이며, 이것은 "좋은 자질" 기준을 사용하고 개선될 알고리즘을 결정하고 그것을 또한 맞춤 개정한다. 이 프로세스는 반복될 것이다. 이 장치는 광고 수신자의 지역에서 진행중인 사건에 따라 예상 값들을 상관할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 표적화 알고리즘을 역동적으로 업데이트할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 실시간 입찰 값을 계산하기 위해 알고리즘을 생성하도록 역사적인 실시간 데이터를 조합할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 주어진 시간에 특별한 광고를 보여주는 예상 값을 계산하기 위해서 광고 배치의 문맥, 사용자의 히스토리 및 지리학적 위치정보, 및 광고 그자체 또는 다른 유형의 데이터에 대한 정보를 결합하는 예상 값을 계산할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 표적화 "버킷" 보다는 알고리즘을 사용할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 최악으로 수행되는 알고리즘에 우선순위를 주도록 추적 기계 시설(144) 피드백을 사용한 우발적인 알고리즘 업데이트를 이용할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 학습 시스템(138) 및 실시간 입찰 시스템(100A)에서 다중의 경쟁 알고리즘의 개방된 리스트를 사용할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 가격책정 및 한 세트의 광고의 전달속도를 조절하기 위해 제어 장치 이론을 사용할 것이다.

실시 예들에 있어서, 실시간 입찰 기계(142)는 사용자 프로필들을 구축하기 위해 성공 및 실패 입찰 데이터를 이용할 것이다.

도 IB에 도시된 바와 같이, 실시 예들에 있어서, 실시간 입찰 기계는 다중의 교환(100B)에 걸쳐서 교환하고 구매할 것이다. 다중 교환은 재고의 단일 소오스로서 처리한다.

도 2를 참조하면, 실시간 입찰 시스템의 분석 알고리즘은 광고 및 광고노출, 변환, 또는 몇몇 다른 유형의 광고-사용자 상호작용(200)과 연관된 입찰의 운영을 최적화하기 위해서 사용될 것이다. 실시 예들에 있어서, 예를 들어 학습 기계(138)에 의해서 체화된 학습 시스템은 광고들이 주어진 클라이언트에게 잘 수행되고 규칙들에 적어도 부분적으로 기초한 광고 캠페인의 콘텐츠 혼합을 최적화하는 것과 관련한 규칙들을 만들어 낸다. 예에 있어서, 광고를 클릭해서 찾아가는 것, 노출, 웹페이지 방문, 거래나 구매와 같은 디지털 미디어 사용자의 행동, 또는 사용자와 연관된 제3자 데이터는 실시간 입찰 시스템의 학습 시스템과 연관되고 이것에 의해서 사용될 것이다. 실시간 입찰 시스템은 광고를 위한 요청을 학습 기계에 의해서 창조된 규칙 및/또는 알고리즘에 부합하는 광고 선택과 짝을 이루기 위해 학습 시스템(예를 들면, 규칙 및 알고리즘)의 출력을 사용할 것이다. 선택된 광고는 광고 교환, 재고 파트너 또는 광고 콘텐츠의 몇몇 다른 소오스로부터 나올 것이다. 그러면, 선택된 광고는 여기에서 설명한 바와 같은 광고 태그와 연관되고, 웹 페이지와 같은 프리젠테이션을 위한 디지털 미디어 사용자에게 보내질 것이다. 광고 태그는 추적되고 향후 노출되고 클릭해 찾아가며 실시간 입찰 시스템과 연관된 데이터베이스에 기록될 것이다. 그러면, 규칙 및 알고리즘은 선택된 광고와 디지털 미디어 사용자 사이에서 새로운 상호작용들(또는 그것의 결핍)에 적어도 부분적으로 기초한 학습기계에 의해서 최적화될 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은, 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 출판사에 대하여 광고를 위치시키기 위한 요청의 수신에 적어도 부분적으로 기초하여 광고를 위한 다수의 잠재적인 게재 각각의 예상 경제성 평가를 역동적으로 결정할 것이다. 출판사에 대하여 광고를 위치시키기 위한 요청의 수신에 반응하여, 본 발명의 방법 및 장치는 광고, 및/또는 다수의 광고들에 대한 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가를 역동적으로 결정하고, 그 경제성 평가에 기초하여 다수의 유용한 게재 및/또는 다수의 광고들 중 적어도 하나를 선택하고 그것을 제시할 지 여부를 결정한다.

실시 예들에 있어서, 컴퓨터 프로그램에 의해서 실행될 수 있는 방법 및 장치는 배치를 위해 제 2 요청을 처리하기 전에 경제성 평가를 역동적으로 결정하기 위한 모델을 변경시키는 것을 포함할 것이다. 모델의 변경은 기계 학습에 적어도 부분적으로 기초할 것이다.

실시 예들에 있어서, 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나를 선택 및 제시하기 전에, 경제성 평가 모델의 거동은 다수의 게재의 각각에 대한 제 2 세트의 평가를 생성하도록 변경될 것이며, 여기에서 상기 선택 및 제시 단계는 제 2 세트의 평가에 적어도 부분적으로 기초한다. 배치를 위한 요청은 시간 제한 요청이 될 것이다.

실시 예들에 있어서, 경제성 평가 모델은 다수의 광고 게재 각각과 관련한 성과 정보를 평가할 것이다.

실시 예들에 있어서, 역동적으로 가변적인 경제성 평가 모델은 예상 경제성 평가를 결정하도록 사용될 것이다. 역동적으로 가변적인 경제성 평가 모델은 다수의 게재에 대한 경제성 평가와 관련하여 입찰 값들을 평가할 것이다. 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나에 대한 입찰의 단계는, 경제성 평가에 기초할 것이다.

도 2를 다시 참조하면, 실시간 입찰 시스템은 위에서 설명한 것에 부합하는 알고리즘(200)을 포함할 것이다. 실시간 입찰 시스템을 보여주기 위한 다수의 가능한 광고들은, 다음의 예시적인 절차에 따를 것이다: 1) 모든 가능한 광고들은 표적화 규칙들을 사용하여 보여지도록 필터링될 것이며, 열거된 광고들의 출력이 보여질 것이다; 2) 상기 장치는 유용한 광고들이 잔여 예산 자금을 갖고 있는지를 체크하고, 해당 리스트로부터 유용한 예산 자금을 갖고있지 않은 광고들을 제거할 것이다; 3) 상기 장치는 각 광고에 대한 경제적 가치를 결정하기 위해 주문에서 광고들에 대한 경제성 평가 동적 알고리즘을 실행할 것이다; 4) 그 값들은 대안적인 사이트 대신에 주어진 사이트에 광고를 위치시키는 기회비용에 의해 조정될 것이다; 5) 기회 비용에 의해 조정한 후에, 최고 가격의 광고가 선택될 것이다; 6) 요청의 출판사 콘텐츠에 관한 정보를 포함할 제 1 요청에 대한 정보는, 제 2 요청이 접수되어 처리되기 전에 동적 알고리즘을 업데이트하도록 사용될 것이다. 이 정보는 특별한 유형의 출판사 콘텐츠가 빈번하게 또는 빈번하지 않게 유용한지 또는 유용하지 않은지를 결정하기 위해서 사용될 것이다; 및 7) 상기 제 2 광고는 제 3 광고가 위치하기 전에 동적 알고리즘을 업데이트하는 방식으로 상기 제 1 광고와 같은 절차로 처리될 것이다.

실시 예들에 있어서, 동적 알고리즘은 그들이 변하는 기상조건을 조정하는 비행기 제어장치에서 사용되거나 또는 자동차가 언덕을 오르거나 내리는 것과 같이 가스 페달 위치를 역동적으로 조정하는 자동차 정속 주행 장치에서 사용하는 알고리즘과 비슷할 것이다.

도 3을 참조하면, 문맥, 소비자 (즉, 디지털 미디어 사용자), 및 메세지/광고와 관련한 데이터는 명시된 핵심 성과 지표들(300)에 적어도 부분적으로 기초한 광고의 성공을 예측하기 위해서 사용될 것이다. 맥락적 데이터는 미디어의 유형, 일이나 주의 시간과 관련한 데이터 또는 몇몇 다른 유형의 맥락적 데이터를 포함할 것이다. 소비자 또는 디지털 미디어 사용자와 관련한 데이터는 인구 통계적, 지리학적 데이터, 및 소비자 관심이나 행동과 관련한 데이터 또는 몇몇 다른 유형의 소비자 데이터를 포함할 럿이다. 메세지 및/또는 광고와 관련한 데이터는 메세지/광고의 창조적인 콘텐츠, 메세지/광고에 체화된 활동에 대한 목표와 사명감에 연관된 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다.

도 4에 나타낸 바와 같이, 실시간 입찰 시스템은 실시간으로 유용해짐에 따라서 캠페인 결과(예를 들면, 클릭 수, 전환, 거래 등)와 연관된 데이터를 사용하여 연속적으로 생성되고 테스트되고 실행되는 광고 캠페인-특정 모델들 및 알고리즘을 생성하도록 사용될 것이다(400). 실시 예들에 있어서, 다중 모델들은 단순한 광고 캠페인을 설계하도록 준비 데이터세트를 사용하여 테스트될 것이다. 다중 모델들은 핵심 성과 지표들과 같은 특별한 목적을 구체화하는 다중 훈련 알고리즘에 대하여 실행될 것이다. 알고리즘에 대하여 잘 수행되는 광고 콘텐츠는 보유되고 다수의 디지털 미디어 사용자들에게 제공된다. 추가적인 데이터는 다수의 디지털 미디어 사용자들의 상호작용 및 선택된 광고 콘텐츠에 적어도 부분적으로 기초하여 수집되고, 이 데이터는 다수의 디지털 미디어 사용자들에게 프리젠테이션을 하기 위하여 상기 알고리즘을 최적화하고 새롭거나 다른 광고 콘텐츠를 선택하도록 사용될 것이다.

도 4를 참조하면, 실시 예들에 있어서, 하나 또는 그 이상의 컴퓨터에서 실행될 때 컴퓨터 판독가능한 매체에 체화된 컴퓨터 프로그램은 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 정보를 평가하고 다수의 게재 각각에 대한 경제성 평가를 예측하기 위해 기계 학습을 통해서 개선되는 경제성 평가 모델을 효율적으로 사용할 것이다(400). 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나는 경제성 평가에 적어도 부분적으로 기초하여 선택되고 출판사에 제공될 것이다.

실시 예들에 있어서, 데이터는, 하기의 예로서 제한되는 것은 아니지만, 광고에 관한 것은 아니고 성공적인 마켓 인구통계적 데이터 등과 같은 정보를 포함한 다양한 포맷들로부터 얻어질 것이다. 이것은 특별한 데이터 스트림들, 데이터를 중립 포맷으로 변환하는 것, 특별한 기계 학습 기술들, 또는 몇몇 다른 테이터 유형이나 기술을 포함할 것이다. 실시 예들에 있어서, 학습 시스템은 하기의 예로서 제한되는 것은 아니지만, 여기에서 설명한 바와 같은 방법 및 장치를 최적화하는 것을 포함한 편집 및/또는 감독 기능을 수행할 것이다. 실시 예들에 있어서, 학습 시스템은 다중 데이터 소오스, 및 상기 다중 데이터 소오스들에 적어도 부분적으로 기초하여 여기에서 설명한 바와 같은 방법 및 장치의 기본 최적화로부터 학습할 것이다.

실시 예들에 있어서, 여기에서 설명한 바와 같은 방법 및 장치는 인터넷 기반 응용들, 모바일 응용들, 고정라인 응용들(예를 들면, 케이블 미디어), 또는 몇몇 다른 유형의 디지털 응용에서 사용될 것이다.

실시 예들에 있어서, 장치 여기에서 설명한 바와 같은 방법 및 장치 는, 하기의 예로서 제한되는 것은 아니지만, 셋탑박스, 디지털 간판, 라디오 광고, 또는 몇몇 다른 유형의 주소 광고 매체를 포함한 다수의 주소 광고 매체에서 사용될 것이다.

기계 학습 알고리즘의 예들은, 하기의 예로서 제한되는 것은 아니지만, 나이브 베이즈(Naive Bayes), 베이즈 네트(Bayes Net), 지원 벡터 기계(Support Vector Machines), 로지스틱 회귀분석법(Logistic Regression), 인공 신경망(Neural Networks), 및 의사결정 트리학습(Decision Trees)을 포함할 것이다. 이들 알고리즘은 광고가 행동을 창조할지 아닐지를 나누는 알고리즘인 분류자를 생성하기 위해 사용될 것이다. 그들의 기본적인 형식에 있어서, 이것들은 "예" 또는 "아니오" 대답 및 분류자의 확실성의 힘을 나타낸 점수로 복귀한다. 보정 기술이 적용된 경우, 이들은 올바른 것으로 될 예측 가능성의 확률 추정치로 복귀한다. 이들은 특별한 광고가 행동을 낳거나 광고를 나타내는 특징들이 행동을 낳는 것으로 또한 복귀할 수 있다. 이 특징들은 광고 컨셉, 광고 크기, 광고 색채, 광고 텍스트, 또는 광고의 다른 특징을 포함할 수 있다. 또한, 이들은 광고회사 웹사이트의 버전이 행동을 낳거나 또는 광고회사 웹사이트 버전을 나타내는 특징들이 행동을 낳는 것으로 또한 복귀할 수 있다. 이 특징들은 웹사이트 컨셉, 제시된 제품, 색채, 이미지, 가격, 텍스트 또는 웹사이트의 어느 다른 특징을 포함할 수 있다. 실시 예들에 있어서, 본 발명의 컴퓨터 실행 방법은 다양한 시장 상황하에서 온라인 광고 게재의 성과를 예측하고 다수의 알고리즘의 성과를 추적하기 위해 다수의 알고리즘을 적용하는 단계를 포함할 것이다. 알고리즘 유형에 대한 바람직한 성과 조건들이 결정되고, 시장 상황이 추적되고, 알고리즘은 현재의 시장 상황에 적어도 부분적으로 기초한 광고 게재의 예측 성과에 대해 선택될 것이다. 실시 예들에 있어서, 다수의 알고리즘은 3개의 알고리즘을 포함할 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 유사한 광고 게재의 과거 성과 및 가격에 적어도 부분적으로 기초하여 다수의 유용한 웹 공표가능한 광고 게재중 각각의 경제성 평가를 1차 모델을 사용하여 예측할 것이다. 다수의 유용한 웹 공표 가능한 광고 게재중 각각의 경제성 평가는 2차 모델을 통해서 예측될 것이며, 1차 모델 및 2차 모델에 의해서 생성된 평가들은 1차 모델과 2차 모델 사이의 우선순위를 결정하기 위해 비교될 것이다. 실시 예들에 있어서, 1차 모델은 요청을 구매하는 것에 반응하는 능동 모델이 될 것이다. 요청된 구매는 시간제한 구매 요청이 될 것이다. 실시 예들에 있어서, 2차 모델이 요청을 구배하는 것에 반응함에 따라서 2차 모델은 1차 모델을 교체할 것이다. 재배치는 현재의 시장상황하에서 2차 모델이 1차 모델보다 양호하게 수행할 예측에 적어도 부분적으로 기초할 것이다.

실시 예들에 있어서, 본 발명의 컴퓨터 실행된 방법은 다양한 시장상황하에서 온라인 광고 게재의 성과를 예측하고 다수의 알고리즘의 성과를 추적하기 위해서 다수의 알고리즘을 적용하고, 알고리즘의 유형에 대한 바람직한 성과 조건들을 결정한다. 시장상황들은 추적될 것이며, 광고 게재의 예측 성과를 위한 알고리즘은 현재의 시장상황에 적어도 부분적으로 기초하여 개선될 것이다.

실시 예들에 있어서, 본 발명의 컴퓨터 실행된 방법은 한 세트의 광고의 각각의 예측 구매가격인 알고리즘 세트를 모니터할 것이며, 현재의 시장상황에 적어도 부분적으로 기초하여 알고리즘의 세트로부터 최선의 알고리즘을 선택할 것이다.

도 4를 다시 참조하면, 새로운 데이터는 분류기구(도 4에서는 깔때기로 나타냄) 내로 들어간다(400). 이 데이터는 클릭이나 행동을 유발하는지 혹은 아닌지의 지표로 각각의 광고 노출에 표시를 함으로써 기계 학습 훈련을 위해서 준비될 것이다. 대안적인 기계 학습 알고리즘은 표시한 데이터를 대상으로 훈련될 것이다. 표시의 일부는 시험 상태를 위해 저장될 것이다. 이러한 시험부분은 각각의 대안적인 알고리즘의 예측 성과를 측정하기 위해서 사용될 것이다. 훈련 데이터 세트를 나타내는 성과의 예측에서 가장 성공적인 알고리즘은 실시간 결정 시스템으로 보내질 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 다수의 광고 게재의 각각에 대한 경제성 평가를 예측하기 위해 출판사에 대한 광고를 배치하도록 수신에 반응하여 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 생성된 평가들은 광고 배치의 현재 평가를 위한 모델들중 하나를 선택하도록 평가될 것이다. 분석 방법들, 정적인 기술들, 및 해당 기술분야의 숙련된 당업자에게 알려진 도구들 뿐만아니라 일반적인 분석 방법들, 정적인 기술들, 및 경쟁 알고리즘 및 평가 모델들과 같은 모델들을 평가하기 위한 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며, 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해 사용될 것임을 이해할 수 있을 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 다수의 유용한 광고 게재와 관련한 정보를 평가하기 위해서 광고를 위치시키기 위한 요청의 수신에 반응하여 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 경제성 평가 모델들은 다수의 광고 게재의 각각에 대한 경제성 평가를 예측하기 위해 사용될 것이다. 다수의 경쟁 경제성 평가 모델들의 각각에 의해 생성된 평가들은 미래 평가들을 위한 모델들중 하나를 선택하도록 평가될 것이다. 분석 방법들, 정적인 기술들, 및 해당 기술분야의 숙련된 당업자에게 알려진 도구들 뿐만아니라 일반적인 분석 방법들, 정적인 기술들, 및 경쟁 알고리즘 및 평가 모델들과 같은 모델들을 평가하기 위한 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며, 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해 사용될 것임을 이해할 수 있을 것이다.

실시 예들에 있어서, 데이터는 학습 시스템에서 성공 알고리즘을 지지하는지를 결정하기 위해서 평가될 것이다. 추가적인 데이터 구매의 증분값이 결정될 것이며, 데이터 샘플들의 편집 및 테스트는 데이터가 예측효율을 증가시키는지 여부를 결정하기 위해 사용될 것이다. 예를 들면, 이 시스템은 광고 서버 로그로부터 얻은 데이터를 일정 수준의 정확도로서 평가 모델을 얻도록 인구통계적인 정보와 결합하여 사용할 것이다. 그러한 모델은 시장가격하에서 장비 제조업자의 이익을 위해서 온라인 광고들의 획득을 가능하게 한다. 특별한 장비의 구매에 대한 그들의 관심을 표현한 소비자들의 재고과 같은 추가적인 데이터 소오스의 추가는 모델의 정확도를 증가시키고 그 결과 장비 제조업자의 이익을 초래하게 된다. 증가된 이익은 새로운 데이터 소오스의 추가에 관련이 있고, 그러므로 그러한 데이터 소오스는 증가되는 이익과 관련한 값으로 할당될 것이다. 비록 이 예는 온라인 광고의 케이스에 대하여 주어졌지만, 해당 기술분야의 숙련된 당업자는 이 응용이 광고에 대한 경제적 가치와 가격책정을 예측하기 위한 모델들 뿐만아니라 다른 유형의 데이터 소오스들을 사용하는 다른 채널들을 통한 광고에도 일반화될 수 있음을 알 수 있을 것이다.

도 5A 및 5B에 도시된 바와 같이, 광고 재고은 세그멘트들 또는 마이크로 세그멘트들(500,502)로 나뉘게될 것이다. 실시간 입찰 시스템은 재고 및 그것의 마이크로-세그멘트들(예를 들면, 노출의 횟수 또는 각각의 광고와 연관된 변환)에서 광고들의 성과에 대해 수신된 데이터에 적어도 부분적으로 기초하여 예를 들면 학습기계를 사용하여 알고리즘을 생성하고 연속적으로 개정할 것이다. 학습 시스템의 알고리즘에 적어도 부분적으로 기초하여 실시간 입찰 시스템은 광고성과 데이터와 관련한 "공평"한 것으로 생각되는 입찰 값을 만들어낼 것이다. 그러면, 이 입찰 값 데이터는 재고에 있는 광고들과 연관된 평균 입찰 값을 결정하기 위해 사용될 것이다. 실시 예들에 있어서, 각각의 마이크로-세그멘트는 규칙, 알고리즘, 또는 규칙들 및/또는 알고리즘의 세트, 가격 대비 지급, 및/또는 예산과 연관될 것이다. 규칙들은 하나 또는 그 이상의 기회들의 그룹에서 광고 배치 기회들을 구매하기 위해서 사용될 것이다. 배치 기회들의 그룹의 크기는 규칙에 할당된 예산에 의해서 결정될 것이다. 규칙들은 서버 대 서버 인터페이스를 통해서, 전화 및 팩스를 포함한 다른 전자통신 채널을 통해서, 종이에 기반한 주문를 통해서, 언어적 의사소통을 통해서 또는 광고 배치 기회들을 구매하도록 주문를 운반하는 다른 방식으로 광고 배치 기회들의 판매자들에게 전달될 것이다. 도 5C는 가격책정 최적화(504)의 목적을 위한 빈도 분석의 사용을 나타낸다. 도 5D는 실시간 입찰 시스템(508) 내에서 최신 분석을 통해 페이싱(pacing)이 어떻게 최적화되는지를 나타낸다. 도 6을 참조하면, 실시간 입찰 시스템은 다른 낮은-값 광고 재고(600)의 가치있는 세그멘트들(즉, 광고들)을 식별하기 위해서 주문에서 나노-세그멘트 수준(예를 들면, 각각의 노출에 대한 입찰 값)으로 광고 재고의 자동화 분석을 가능하게 할 것이다. 실시간 입찰 시스템은 광고 재고(예를 들면, 각각의 광고와 연관된 노출의 회수)의 나노-세그멘트에서 광고들의 성과에서 수신한 데이터에 적어도 부분적으로 기초하여 예를 들어 학습기계를 사용하여 알고리즘을 생성하고 연속적으로 개정할 것이다. 학습 시스템의 알고리즘에 적어도 부분적으로 기초하여, 실시간 입찰 시스템은 성과 데이터에 적어도 부분적으로 기초하여 나노- 세그멘트에서 광고에 대해 "공평"할 것으로 생각되는 입찰 값을 생성할 것이다. 실시 예들에 있어서, 나노-세그멘트와 연관된 평균 입찰 가격은 예를 들어 광고와 연관된 노출의 회수와 같은 다른 기준에 기초하여 조정될 수 있다. 실시 예들에 있어서, 각각의 나노-세그멘트는 규칙, 알고리즘, 또는 규칙들 및/또는 알고리즘의 세트에 연관될 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 다수의 광고 게재의 각각에 대한 과거 입찰 가격과 성과 정보에 적어도 부분적으로 기초하여 다수의 유용한 웹 공표가능한 광고 게재의 각각에 대한 구매 가격을 예측할 것이다. 다수의 광고들 각각에 대한 구매 가격은 가격책정 동향을 결정하기 위해 추적되고 예측될 것이다.

실시 예들에 있어서, 가격책정 동향은 평가가 미래에 변할 것인지 아닌지의 예측을 포함할 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 다수의 광고 게재의 각각에 대한 과거 입찰 가격과 성과 정보에 적어도 부분적으로 기초하여 다수의 유용한 웹 공표 가능한 광고 게재의 각각에 대한 경제성 평가를 예측할 것이다. 다수의 광고들 각각에 대한 경제성 평가는 가격책정 동향을 결정하기 위해 추적되고 예측될 것이다.

예에 있어서, 상기 시스템은 일부가 성공할 것으로 예상하고 광고가 보상으로 보내지는 경매에서 광고들을 구매하기 위한 입찰을 제공할 것이다. 시스템이 작동함에 따라서, 성공할 수 있는 입찰의 일부가 예상 목표 아래로 떨어질 것이다. 그러한 거동은 유용한 광고들에 대하여 보편적으로 일어날 수 있거나 부수적으로 일어날 수 있다. 가격 동향 예측 알고리즘은 입찰 가격에 대해 보정이 얼마나 이루어졌는지를 측정할 것이며, 그래서 성공할 수 있는 광고들의 부분이 의도한 목표에 근접해지고, 최종적으로는 의도한 목표에 도달하게 된다.

도 7에 나타낸 바와 같이, 여기에서 설명한 바와 같은 실시간 입찰 방법 및 장치는, 하기의 예로서 제한되는 것은 아니지만, 광고회사 및 광고 대행사를 포함한 다수의 조직체 및 조직체 유형들을 통해서 통합, 연관 및/또는 소속될 것이다(700). 실시간 입찰 시스템은 판매측 최적화장치, 광고 네트워크들 및/또는 교환들과 같이 콘텐츠 출판사들로부터 광고들을 수신하는 판매측 집합자들로부터 광고들의 선택을 최적화하기 위해서 여기에서 설명한 바와 같은 학습 알고리즘과 기술들을 사용하여 구매측 최적화를 수행할 것이다. 이것은 디지털 미디어 사용자들과 관련한 재고들 내에서 유용한 메세지와 광고들의 짝을 맞추는 것을 최적화할 것이다. 광고 대행사는 디지털 미디어 사용자, 및/또는 광고 구매자들에게 디스플레이되는 광고 노출을 판매하는 조직체와 같은 인터넷 기반 광고회사들, 광고 판매자들을 포함할 것이다. 광고회사 및 광고 대행사는 광고 캠페인 서술자들에게 실시간 입찰 시스템을 제공한다. 광고 캠페인 서술자는, 하기의 예로서 제한되는 것은 아니지만, 채널, 시간, 예산, 또는 몇몇 다른 유형의 캠페인 서술자 데이터를 포함한다. 실시 예들에 있어서, 광고 대행사 데이터는 각각의 광고 및 사용자 노출의 배치, 변환, 하기의 예로서 제한되는 것은 아니지만, 사용자와 연관된 식별자, 채널, 시간, 지불된 가격, 개시된 광고, 결과적인 사용자 행동들, 또는 광고 및/또는 노출과 관련한 몇몇 다른 유형의 역사적인 데이터를 포함하여 나타내는 역사적인 로그들을 포함할 것이다. 역사적인 로그들은 자연적인 사용자 행동과 관련한 데이터를 또한 포함할 것이다. 실시 예들에 있어서, 실시간 입찰 시스템에 의해서 이용된 광고회사 데이터는, 하기의 예로서 제한되는 것은 아니지만, 예를 들어 광고의 주제인 제품의 재고 수준과 같은 광고의 주제와 관련한 메타데이터를 포함할 것이다. 평가, 입찰 양 등은 이러한 메타데이터 및 다른 메타데이터에 따라서 최적화될 것이다. 평가, 입찰 양 등은 핵심 성과 지표들에 따라서 최적화될 것이다.

도 8A 및 8B는 실시간 입찰 방법 및 장치(800, 802)를 사용하여 가상의 사례 연구를 나타낸다. 실시 예들에 있어서, 학습 시스템은 사전 소매 광고 캠페인으로부터 파생된 것과 같은 훈련 데이터 세트들을 사용하여 여기에서 설명한 바와 같은 규칙 및 알고리즘을 창조할 것이다. 상기 훈련 데이터 세트는 사전 노출, 변환, 행동, 클릭률 및 사전 캠페인에 포함된 광고들을 통해 다수의 디지털 미디어 사용자들에 의해서 수행된 것의 기록을 포함할 것이다. 학습 시스템은 캠페인에서 광고들의 다른 것보다 비교적 성공적이었던 사전 캠페인으로부터 제공된 광고 콘텐츠의 부분집합을 확인할 것이며, 그것의 높은 예상값을 기초하여 미래 사용을 위해 이 광고 콘텐츠를 추천할 것이다.

실시 예들에 있어서, 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품은 하나 또는 그 이상의 컴퓨터에서 실행되는 경우, 다수의 광고 게재와 관련한 정보를 평가하기 위해서 광고를 위치시키기 위한 요청의 수신에 반응하여 경제성 평가모델을 효율적으로 사용할 것이다. 상기 경제성 평가 모델은 다수의 광고 게재의 각각에 대한 입찰을 위한 가격정책 및 경제성 평가를 예측하기 위해서 사용될 것이다. 시장 기회에 관한 가설이 결정되고, 경제성 평가 모델은 가설화된 시장 기회에 반응하여 업데이트될 것이다.

예에 있어서, 상기 시스템은 매번 적은 제 2의 데이터 세트를 발견하거나 또는 광고의 경제적 가치를 예측하기 위해서 사용된 평가 모델의 정확성을 개선하는 모델에 대한 변화들을 확인할 것이다. 상기 시스템은 새로운 데이터와 동일한 비율로 평가 모델을 전체적으로 교체하거나 또는 모델에 대한 변화들을 창조하도록 그것의 능력에 제한을 가질 것이다. 그 결과, 경제성 평가를 제공하는데 있어서 덜 효과적인 부분들을 선택하는 것이 더 이익이될 것이다. 기회적인 업데이트 요소는 평가 모델의 섹션들을 교체하기 위한 주문 및 우선권이 무엇인지 선택할 것이다. 그러한 우선순위는 섹션의 교체 대 새로운 섹션을 통합시키는 것의 경제성 평가에 기초할 것이다. 그 결과, 상기 시스템은 모델의 데이터나 섹션들이 평가 시스템에 어떻게 추가되는지와 그렇게 하기 위한 주문가 무엇인지에 따라 명령의 우선순위 세트를 창조할 수 있다.

실시 예들에 있어서, 본 발명의 방법 및 장치는 광고 캠페인을 분할하고, 여기에서 설명한 바와 같은 방법 및 장치를 사용하여 상기 캠페인으로부터 제공된 제 1 세트의 성과를 상기 방법 및 장치를 사용하지 않고 상기 캠페인으로부터 제공된 제 2 세트와 비교한다. 분석적인 비교는 제 1 세트와 제 2 세트(예를 들면, 제3자 캠페인) 사이에서 리프트 및 리프트에 기초한 변화를 나타낸다.

예에 있어서, 상기 장치는 장치가 적용되지 않는 기준 샘플을 창조하기 위해 광고들의 일부를 분리하게 되고, 따라서 그것의 잇점은 전달되지 않는다. 그러한 프로세스는 자역동적으로 이루어진다. 그러한 분리는 유용한 광고들의 세계에 걸쳐서 임의적인 선택에 의해서 수행되거나 또는 사용자들이 임의적으로 선택한 패널에 의해서 수행될 것이다. 기준 샘플에 속하지 않는 나머지 광고들은 장치를 사용하여 위치될 것이다.

실시 예들에 있어서, 광고 캠페인이 측정될 수 있는 몇몇 목표들을 나타냄에 따라서 이익이 커지고, 캠페인이 양호한 것으로 판정되고, 증가된 이익을 전달하는 광고 캠페인들을 위한 프리미엄을 광고회사가 지불할 의사가 있음을 믿을 수 있게 한다.

실시 예들에 있어서, 가격책정 모델은 기준 샘플을 기초로, 상기 장치를 사용하여 위치한 광고들에 의해서 창조되는 잇점과 상기 장치를 사용하지 않고 위치한 광고들에 의해서 창조되는 잇점 사이의 차이를 계산할 것이다. 시스템의 장점은 순익 차이이다. 광고회사가 부담하는 비용은 장치 장점의 일부가 될 것이다.

도 9는 실시간 입찰 방법 및 장치(900)를 사용하는 것에 개입될 핵심단계를 요약하는 단순화한 흐름도를 나타낸다.

도 10은 실시간 입찰 시스템(1000)과 연관될 픽셀 권한설정 장치를 위한 사용자 인터페이스의 바람직한 실시 예를 나타낸다.

도 11은 실시간 입찰 시스템(1000)과 연관될 노출 수위 데이터의 바람직한 실시 예를 나타낸다.

도 12는 가상의 광고 캠페인 성과 레포트(120)를 나타낸다.

도 13은 본 발명의 실시 예에 따라서 온라인 광고 게재의 구입을 위한 실시간 입찰 및 평가를 위한 입찰 평가 시설(1300)을 나타낸다. 입찰 평가 시설 (1300)은 (다른 설비들과는 별도로) 출판사 시설(112), 분석 플랫폼 시설(114), 광고 주문 송신 및 수신 시설(120), 맥락파악 서비스 시설(1327a), 데이터 통합 시설 (134), 분석 시설에 의한 사용을 위해 다른 유형의 데이터를 제공하는 하나 또는 그 이상의 데이터베이스를 또한 포함할 것이다. 본 발명의 일 실시 예에 있어서, 분석 플랫폼 시설(114)은 학습 기계시설(138), 평가 알고리즘 시설(140), 실시간 입찰 기계 시설(142), 추적 기계 시설(144), 노출/클릭/행동 로그들 시설(148), 및 실시간 입찰 로그들 시설(150)을 또한 포함할 것이다.

본 발명의 실시 예들에 있어서, 학습 기계(138)는 실시간 입찰 기계 시설(142)을 위해 표적화 알고리즘을 개발하기 위해서 사용될 것이다. 학습 기계(138)는 온라인 광고들을 표적화하도록 사용될 다른 것들 중에서 사회적인 행동 및 추론된 인구통계를 포함하는 패턴들을 학습할 것이다. 또한, 학습 기계시설(138)은 하나 또는 그 이상의 데이터베이스에 연결될 것이다. 본 발명의 실시 예들에 있어서, 하나 또는 그 이상의 데이터베이스는 광고 대행사/광고회사 데이터베이스(152)를 포함할 것이다. 광고 대행사 데이터(152)는 캠페인 서술자들을 포함할 것이며, 채널들, 시간, 예산, 및 광고 메세지의 확산을 위해 허용될 다른 정보를 나타낼 것이다. 광고 대행사 데이터(152)는 사용자에게 보여질 각각의 광고 메세지를 위한 배치가 될 역사적인 로그들과 캠페인을 또한 포함할 것이다. 광고 대행사 데이터(152)는 사용자를 위한 식별자, 채널, 시간, 지불 가격, 개시된 광고 메세지, 및 사용자가 결과적으로 하는 사용자 행동, 또는 몇몇 다른 유형의 캠페인이나 역사적인 로그 데이터 중 하나 또는 그 이상을 포함할 것이다. 또한, 광고회사 데이터(152)는 기업 정보수집활동 데이터, 또는 동적 및/또는 정적인 마케팅 목적을 나타내는 몇몇 다른 유형의 데이터를 포함할 것이다. 예에 있어서, 광고회사(104)가 창고에 갖고 있는 주어진 제품의 재고과잉의 양은 광고회사 데이터(152)에 의해서 나타내어질 것이다. 또한, 하나 또는 그 이상의 데이터베이스는 역사적인 사건 데이터베이스를 포함할 것이다. 역사적인 사건 데이터(154)는 사용자 사건들의 시간을 그들 지역에서 일어나는 다른 사건들과 상관시키도록 사용될 것이다. 예에 있어서, 어떤 유형의 광고에 대한 반응율은 주식시장 움직임에 상관될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터, 로컬 뉴스 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다. 또한, 하나 또는 그 이상의 데이터베이스는 사용자 데이터베이스를 포함할 것이다. 사용자 데이터(158)는 광고 수신자들에 대해 개인적으로 링크된 정보를 포함하는 제3자에 의해서 제공된 데이터를 포함할 것이다. 이 정보는 사용자들에게 우선순위들이나 사용자들에 표식을 붙이거나 사용자들을 나타내는 다른 지표들을 제공할 것이다. 또한, 하나 또는 그 이상의 데이터베이스는 실시간 사건 데이터베이스를 포함할 것이다. 실시간 사건 데이터(160)는 역사적인 데이터와 유사하지만 보다 현재적인 데이터를 포함할 것이다. 실시간 사건 데이터(160)는, 하기의 예로서 제한되는 것은 아니지만, 제 2, 분, 시간, 날짜, 또는 시간의 몇몇 다른 측정치들에 관한 데이터를 포함할 것이다. 예에 있어서, 만약 학습 기계시설(138)이 광고성과와 역사적인 주식시장 인덱스 값들 사이의 상관관계를 발견하면, 실시간 주식시장 인덱스 값은 실시간 입찰 기계 시설(142)에 의해 광고를 평가하는데 사용될 것이다. 또한, 하나 또는 그 이상의 데이터베이스는 출판사(112), 출판사의 웹사이트 등과 연관된 맥락적 데이터(162)를 제공하는 맥락적 데이터베이스를 포함할 것이다. 하나 또는 그 이상의 데이터베이스는 제3자/상업적 데이터베이스를 또한 포함할 것이다.

또한, 본 발명의 실시 예들에 있어서, 데이터 통합 시설(134) 및 맥락파악 서비스 시설(132)은 분석 플랫폼 시설(114) 및 하나 또는 그 이상의 데이터베이스에 연관될 것이다. 데이터 통합 시설(134)은 하나 또는 그 이상의 데이터베이스로부터 제공된 다른 유형의 데이터를 분석 플랫폼 시설(114)로 통합하는 것을 용이하게 수행한다. 맥락파악 서비스 시설(132)은 광고 및/또는 출판사 콘텐츠, 웹사이트, 또는 다른 출판사 광고 문맥을 위한 미디어의 맥락적 카테고리를 확인할 것이다. 예에 있어서, 맥락파악자는 웹페이지가 스포츠, 금융 또는 몇몇 다른 화제에 관한 콘텐츠를 포함하고 있는지 여부를 결정하기 위해 웹 콘텐츠를 분석할 것이다. 이 정보는 관련 출판사들 및/또는 광고가 나타나는 웹 페이지들을 확인하기 위해 주문에서 학습 기계시설에 대한 입력으로서 사용될 것이다. 다른 실시 예에 있어서, 출판사(112) 웹 페이지 상의 광고의 위치는 정보에 기초하여 결정될 것이다. 본 발명의 일 실시 예에 있어서, 맥락파악 서비스 시설(132)은 실시간 입찰 기계 시설(142) 및/또는 하나 또는 그 이상의 데이터베이스와 연관될 것이다.

본 발명의 실시 예들에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)로부터 입찰 요청 메세지를 수신할 것이다. 실시간 입찰 기계 시설(142)은 시간 제한과 연관된 입찰 요청에 응답하므로 "실시간" 시설로서 고려될 것이며, 여기에서 그 응답은 요청을 받음과 거의 동시 및/또는 요청을 받을 때와 거의 근처의 시간에서 일어난다. 실시간 입찰 기계 시설(142)은 사용자가 장치의 결정을 기다리는 동안에 광고 메세지가 보여지는 것을 계산하기 위해 non- stateless 방법을 사용할 것이다. 실시간 입찰 기계 시설(142)은 최적의 입찰 값을 역동적으로 측정하는 학습 기계(138)에 제공된 알고리즘을 사용하여 실시간 계산을 수행할 것이다. 실시 예들에 있어서, 대안적인 실시간 입찰 기계 시설(142)은 광고가 제공되는 것을 결정하기 위한 비저장 구성을 가질 것이다.

또한, 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)용 광고를 위치시키기 위한 요청의 수신에 기초하여 광고용 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가를 역동적으로 결정할 것이다. 출판사 시설(112)용 광고를 위치시키기 위한 요청의 수신에 반응하여, 실시간 입찰 기계 시설(142)은 광고용 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가를 역동적으로 결정할 것이며, 경제성 평가에 기초하여 유용한 게재를 출판사 시설(112)에 제공할지 여부를 선택하고 결정할 것이다.

실시 예들에 있어서, 실시간 입찰 기계 시설(142)은 배치를 위한 제 2 요청을 처리하기 전에 경제성 평가를 역동적으로 결정하기 위해 모델을 변경하는 것을 포함할 것이다. 모델의 변경은 기계 학습 시설에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나를 선택 및 제시하기 전에, 경제성 평가 모델의 거동은 다수의 게재의 각각을 위한 제 2 세트의 평가를 만들어내도록 변경될 것이다. 실시 예들에 있어서, 선택 및 제시를 위한 상기 단계는 제 2 세트의 평가에 기초할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 배치를 위한 요청은 실시간 제한된 요청이 될 것이다. 또한, 경제성 평가 모델은 다수의 광고 게재의 각각과 관련한 성과 정보를 평가할 것이다. 역동적으로 가변적인 경제성 평가 모델은 예상 경제성 평가를 결정하기 위해서 사용될 것이다. 본 발명의 일 실시 예에 있어서, 역동적으로 가변적인 경제성 평가 모델은 다수의 게재에 대한 경제성 평가들과 관련하여 입찰 값들을 평가할 것이다. 광고에 대한 다수의 잠재적인 게재들의 각각에 대한 예상 경제성 평가의 역동적 결정은 광고회사 데이터(152), 역사적인 사건 데이터(154), 사용자 데이터 (158), 실시간 사건 데이터 (160), 맥락적 데이터 (162), 및 제3자 상업적 데이터(164)에 적어도 부분적으로 기초한다.

실시 예들에 있어서, 실시간 입찰 기계 시설(142)은, 출판사(112)를 용 광고를 위치시키기 위한 요청의 수신에 반응하여, 광고에 대한 다수의 잠재적인 게재들의 각각에 대한 예상 경제성 평가를 동적으로 결정할 것이다. 경제성 평가 모델이 결정된 후, 실시간 입찰 기계 시설(142)은 광고에 대한 다수의 잠재적인 게재들의 각각에 대한 예상 경제성 평가에 적어도 부분적으로 기초하여 입찰 양을 결정할 것이다. 입찰 양의 결정은 실시간 입찰 로그들의 분석을 포함할 것이다. 다른 실시 예에 있어서, 입찰 양의 결정은 기계 학습에 적어도 부분적으로 기초한 분석 모델링을 포함할 것이다. 기계 학습에 적어도 부분적으로 기초한 분석 모델링은 광고 노출, 광고 클릭 수, 및 광고 제시에 연관된 사용자 행동중 적어도 하나를 요약하는 역사적인 로그 데이터의 분석을 포함할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 입찰 양의 결정은 맥락파악 서비스 시설(132)로부터 제공되는 데이터의 분석을 포함할 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사(112)를 용 광고를 위치시키기 위한 요청의 수신에 반응하여, 광고에 대한 다수의 잠재적인 게재들의 각각에 대한 예상 경제성 평가를 동적으로 결정할 것이다. 경제성 평가 모델이 결정된 후, 실시간 입찰 기계 시설(142)은 광고에 대한 다수의 잠재적인 게재들의 각각에 대한 예상 경제성 평가에 적어도 부분적으로 기초하여 입찰 양을 결정할 것이다. 그런 후에, 실시간 입찰 기계 시설은 다수의 잠재적인 게재 중에서 광고에 대한 최적 배치를 선택할 것이다. 또한, 실시간 입찰 기계 시설(142)은 광고를 위한 최적 배치에 입찰을 자동적으로 위치시킬 것이다.

도 14는 경제성 평가에 기초하여 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나를 선택하여 출판사에게 제시하기 위한 방법(1400)을 나타낸다. 상기 방법은 단계(1402)에서 시작한다. 단계(1404)에서, 출판사용 광고를 위치시키고자 하는 요청의 수신에 반응하여, 예상 경제성 평가는 광고를 위한 다수의 잠재적인 게재의 각각에 대해 역동적으로 결정될 것이다. 그런 후에, 단계(1408)에서, 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나가 경제성 평가에 적어도 부분적으로 기초하여 선택되고 출판사에 제시될 것이다. 본 발명의 일 실시 예에 있어서, 경제성 평가를 역동적으로 결정하기 위한 모델은 배치를 위한 제 2 요청을 처리하기 전에 변경될 것이다. 일 실시 예에 있어서 그 모델 은 기계 학습에 적어도 부분적으로 기초하여 변경될 것이다. 본 발명의 일 실시 예에 있어서, 선택 및 제시의 단계 전에, 경제성 평가 모델의 거동은 다수의 게재의 각각에 대한 제 2 세트의 평가를 만들어내도록 변경될 것이다. 일 실시 예에 있어서, 선택 및 제시의 단계는 제 1 평가 대신에 사용되는 제 2 세트의 평가에 기초할 것이다. 실시 예들에 있어서, 배치를 위한 요청은 시간 제한된 요청이다. 실시 예들에 있어서, 여기에서 설명한 바와 같은 경제성 평가 모델은 다수의 광고 게재 각각과 관련된 성과 정보를 평가할 것이다. 역동적으로 가변적인 경제성 평가 모델은 예상 경제성 평가를 결정하고 다수의 게재를 위한 경제성 평가들과 관련하여 입찰 값들을 평가하도록 사용될 것이다. 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가는 광고회사 데이터, 역사적인 사건 데이터, 사용자 데이터, 실시간 사건 데이터, 맥락적 데이터 또는 제3자 상업적 데이터에 적어도 부분적으로 기초할 것이다. 상기 방법은 단계(1410)에서 끝난다.

도 15는 본 발명의 실시 예에 따라서 입찰 양을 결정하기 위한 방법(1500)을 나타낸다. 상기 방법은 단계(1502)에서 시작한다. 단계(1504)에서, 출판사용 광고를 위치시키고자 하는 요청의 수신에 반응하여, 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가가 역동적으로 결정될 것이다. 그런 후에, 단계(1508)에서, 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가에 적어도 부분적으로 기초하여 입찰 양이 결정된다. 본 발명의 일 실시 예에 있어서, 입찰 양의 결정은 기계 학습에 적어도 부분적으로 기초하여 실시간 입찰 로그들의 분석 및/또는 분석적인 모델링을 포함할 것이다. 본 발명의 일 실시 예에 있어서, 분석적인 모델링은, 광고 노출, 광고 클릭률, 및 광고 프리젠테이션과 연관된 사용자 행동중 적어도 하나를 요약하는 역사적인 로그 데이터의 분석을 포함할 것이다. 본 발명의 일 실시 예에 있어서, 입찰 양의 결정은 맥락파악 서비스로부터 제공된 데이터의 분석을 포함할 것이다.

도 16은 광고를 위한 최적 배치에 입찰을 자동적으로 위치시키기 위한 방법(1600)을 나타내며, 여기에서 최적 배치는 예상 경제성 평가에 적어도 부분적으로 기초하여 선택된다. 상기 방법은 단계(1602)에서 시작한다. 단계(1604)에서, 출판사용 광고를 위치시키고자 하는 요청의 수신에 반응하여, 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가가 역동적으로 결정된다. 그런 후에, 단계(1608)에서, 광고를 위한 다수의 잠재적인 게재의 각각에 대한 예상 경제성 평가에 적어도 부분적으로 기초하여 입찰 양이 결정된다. 또한, 단계(1610)에서, 광고를 위한 최적 배치는 입찰 양에 적어도 부분적으로 기초하여 다수의 잠재적인 게재중에서 선택된다. 끝으로, 단계(1612)에서, 광고를 위한 최적 배치에서이 입찰이 자동적으로 위치한다. 상기 방법은 단계(1614)에서 끝난다.

도 17은 본 발명의 실시 예에 따라서 온라인 광고 구매용 입찰의 표적화를 위한 실시산 시설(1700)을 나타낸다. 실시간 시설은 학습 기계시설(138) 및 실시간 입찰 기계 시설(142)을 포함할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)로부터 입찰 요청 메세지를 수신할 것이다. 실시간 입찰 기계 시설(142)은 시간제한과 연관된 입찰 요청에 대해 응답하므로 "실시간" 시설로 고려될 것이다. 실시간 입찰 기계 시설(142)은 학습 기계(138)에 의해서 제공된 표적화 알고리즘을 사용하여 실시간 계산을 수행하고 최적의 입찰 값을 역동적으로 측정한다.

또한, 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 광고를 위한 하나 또는 그 이상의 잠재적인 게재의 각각에 대한 경제성 평가(출판사 시설(112)용 광고를 위치시키기 위한 요청의 수신에 기초하여)를 역동적으로 결정하게되는 경제성 평가 모델을 효율적으로 사용할 것이다. 출판사 시설(112)용 광고를 위치시키기 위한 요청의 수신에 반응하여, 실시간 입찰 기계 시설(142)은 광고를 위한 하나 또는 그 이상의 잠재적인 게재의 각각에 대한 경제성 평가를 역동적으로 결정한다. 경제성 평가가 결정된 후에, 실시간 입찰 기계 시설(142)은 경제성 평가에 기초하여 다수의 유용한 게재, 및/또는 다수의 광고들중 적어도 하나를 선택하여 사용자에게 제시할 것이다. 일 실시 예에 있어서, 출판사(112)에 대한 상기 선택 및 제시는 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나에 대해 권유받은 입찰 양을 포함할 것이다. 그 입찰 양은 시간 제한과 연관될 것이다. 또한, 일 실시 예에 있어서, 기계 학습을 통한 개선은 경제성 평가 모델들을 광고의 실제적인 경제적 성과에 대한 범위에 소급적으로 비교하는 것을 포함할 것이다. 본 발명의 실시 예들에 있어서, 제성 평가 모델은 광고 대행사 데이터(152), 실시간 사건 데이터(160), 역사적인 사건 데이터(154), 사용자 데이터 (158), 제3자 상업적 데이터(164), 및 맥락적 데이터 (162)에 적어도 부분적으로 기초할 것이다. 광고 대행사 데이터(152)는 적어도 하나의 캠페인 서술자를 포함할 것이다. 실시 예들에 있어서, 캠페인 서술자는 역사적인 로그 데이터, 광고 대행사 캠페인 예산 데이터, 및 광고 배치의 일시적인 제한을 나타내는 데이터가 될 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 경제성 평가 모델을 수신할 것이다. 경제성 평가 모델은 실시간 입찰 기계 시설(142)로부터 제공되는 실시간 입찰 로그 데이터(150)의 분석에 적어도 부분적으로 기초할 것이다. 그런 후에, 학습 기계시설(138)은 경제성 평가 모델을 개선할 것이다. 그 개선은 광고 노출 로그의 분석에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 경제성 평가 모델의 개선은, 학습 기계시설(138)에 사용될 데이터가 학습 기계시설(138)에 의해서 판독될 데이터 포맷으로 변환되는 데이터 통합 단계를 포함할 것이다. 그 포맷은 중립 포맷이 될 것이다. 또한 실시 예들에 있어서, 학습기계를 사용한 경제성 평가 모델의 개선은 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 기계 학습 알고리즘은 단순 베이지안 분석 기술들 및 로지스틱 회귀 분석 기술들에 적어도 부분적으로 기초할 것이다. 또한, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고 게재의 각각을 분류하기 위해 개선된 경제성 평가 모델을 이용할 것이다. 분류는 광고 노출을 달성하는 유용한 광고 게재의 각각의 확률을 나타내는 데이터가 될 것이다. 실시간 입찰 기계 시설(142)은 광고 노출을 달성하는 확률을 나타내는 데이터에 적어도 부분적으로 기초하여 유용한 광고의 우선순위를 매기게 될 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 우선순위에 기초하여 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나를 선택하여 사용자에게 제시할 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)에 의해서 효율적으로 사용된 경제성 평가 모델은 하나 또는 그 이상의 게재의 각각을 위한 경제성 평가를 예측하기 위해 하나 또는 그 이상의 유용한 게재를 평가하도록 기계 학습 시설에 의해 개선될 것이다. 또한, 실시 예들에 있어서, 학습 기계시설(138)은 경제성 평가 모델을 개선하기 위해 다른 유형의 데이터를 얻을 것이다. 다른 유형의 데이터는, 하기의 예로서 제한됨이 없이, 대행사 데이터(152)를 포함하는데, 이것은 캠페인 서술자들을 포함하고 채널들, 시간, 예산을 나타내며 광고 메세지의 확산을 위해 허용될 다른 정보를 포함한다. 대행사 데이터(152)는 사용자에게 보여질 각각의 광고 메세지를 위한 배치가될 캠페인 및 역사적인 로그들을 또한 포함할 것이다. 대행사 데이터(152)는 사용자용 식별자, 채널, 시간, 지불 가격, 개시된 광고 메세지, 및 사용자의 결과적인 사용자 동작, 또는 몇몇 다른 유형의 캠페인이나 역사적인 로그 데이터중 하나 또는 그 이상을 포함할 것이다. 또한, 다른 유형의 데이터는 기업 정보수집활동 데이터, 또는 동적 및/또는 정적 마케팅 목적을 나타내는 몇몇 다른 유형의 데이터를 포함할 것이다.

본 발명의 실시 예들에 있어서, 학습 기계시설(138)은 하기의 예로서 제한되는 것은 아니지만, 여기에서 설명한 바와 같은 방법 및 장치를 최적화하는 감사 및/또는 감독 기능을 수행할 것이다. 정보의 다른 실시예들에 있어서, 학습 시스템(138)은 다중 데이터 소오스들, 및 다중 데이터 소오스들에 적어도 부분적으로 기초한 여기에서 설명한 바와 같은 방법 및 장치의 최적화로부터 학습할 것이다. 실시 예들에 있어서, 여기에서 설명한 바와 같은 방법 및 장치는 인터넷 기반 응용들, 모바일 응용들, 고정라인 응용들(예를 들면, 케이블 미디어), 또는 몇몇 다른 유형의 디지털 응용에서 사용될 것이다. 실시 예들에 있어서, 장치 여기에서 설명한 바와 같은 방법 및 장치는, 하기의 예로서 제한되는 것은 아니지만, 셋탑박스, 디지털 간판, 라디오 광고, 또는 몇몇 다른 유형의 주소 광고 매체를 포함한 다수의 주소 광고 매체에서 사용될 것이다.

또한, 본 발명의 실시 예들에 있어서, 학습 기계시설(138)은 실시간 입찰 기계 시설(142)의 경제성 평가 모델들을 개선하기 위해서 다양한 형태의 알고리즘을 이용할 것이다. 상기 알고리즘은, 하기의 예로서 제한되는 것은 아니지만, 의사결정 트리 학습, 협회 규칙 학습, 인공 신경망, 유전자 프로그래밍, 유도 로직 프로그래밍, 지원 벡터 기계, 클러스터링, 베이지안 네트워크 및 강화학습을 포함할 것이다. 본 발명의 일 실시 예에 있어서, 다양한 유형의 알고리즘은 광고가 행동을 낳는지 아닌지를 구분할 알고리즘인 분류자들을 생성할 것이다. 그들의 기본적인 형태에 있어서, 이들은 "예" 또는 "아니오"의 대답 및/또는 분류자의 확실성의 힘을 나타내는 점수로 바뀐다. 보정 기술들이 적용되면, 이것들은 예측이 올바르게될 가능성의 확률로 바뀐다.

도 18은 경제성 평가에 기초한 다수의 유용한 광고 게재중 적어도 하나를 선택하여 사용자에게 제시하기 위한 방법(1800)을 나타낸다. 상기 방법은 단계(1802)에서 시작한다. 단계(1804)에서, 출판사용 광고를 위치시키고자 하는 요청의 수신에 반응하여, 경제성 평가 모델이 효율적으로 사용될 것이다. 경제성 평가 모델은 다수의 게재의 각각에 대한 경제성 평가를 예측하기 위해서 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 정보를 평가하도록 기계 학습을 통해서 개선될 것이다. 일 실시 예에 있어서, 기계 학습을 통한 개선은 모델들이 광고의 실제적 경제적 성과를 반영하는 범위를 회고적으로 비교함으로써 경제성 평가 모델들을 비교하는 단계를 포함할 것이다. 또한, 경제성 평가 모델은 광고 대행사 데이터, 실시간 사건 데이터, 역사적인 사건 데이터, 사용자 데이터, 제3자 상업적 데이터 및 맥락적 데이터에 적어도 부분적으로 기초할 것이다. 또한, 광고 대행사 데이터는 적어도 하나의 캠페인 서술자를 포함할 것이다. 또한, 캠페인 서술자는 역사적인 로그 데이터가 될 것이며, 광고 대행사 캠페인 예산 데이터 및 광고 대행사 캠페인 예산 데이터이다. 단계(1808)에서, 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나는, 경제성 평가에 기초하여 선택되고 사용자에게 제시될 것이다. 일 실시 예에 있어서, 상기 선택 및 출판사에 대한 제시는 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나에 대한 추천된 입찰 양을 포함할 것이다. 또한, 상기 입찰 양은 시간 제한과 연관될 것이다. 상기 방법(1800)은 단계(1810)에서 끝난다.

도 19는 실시간 입찰 로그 데이터를 사용한 경제성 평가 모델에 적어도 부분적으로 기초한 우선순위를 매긴 배치 기회를 다수의 유용한 광고 게재로부터 선택하기 위한 방법(1900)을 나타낸다. 상기 방법(1900)은 단계(1902)에서 시작한다. 단계(1904)에서, 학습기계에서 경제성 평가 모델이 수용될 것이다. 경제성 평가 모델은 실시간 입찰 기계로부터 제공되는 실시간 입찰 로그의 분석에 적어도 부분적으로 기초할 것이다. 단계(1908)에서, 경제성 평가 모델은 학습기계를 사용하여 개선될 것이다. 일 실시 예에 있어서, 상기 개선은 광고 노출 로그의 분석에 적어도 부분적으로 기초할 것이다. 또한, 경제성 평가 모델의 개선은 학습 기계에 사용될 데이터가 학습 기계에 의해서 판독될 수 있는 데이터 포맷으로 변환되는 동안에 데이터 통합 단계를 포함할 것이다. 일 실시 예에 있어서, 상기 포맷은 중립형 포맷이 될 것이다. 또한, 학습 기계를 사용하는 경제성 평가 모델의 개선은 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 기계 학습 알고리즘은 단순 베이지안 분석에 적어도 부분적으로 기초할 것이다. 또한, 기계 학습 알고리즘은 로지스틱 회귀 분석기술들에 적어도 부분적으로 기초할 것이다. 단계(1910)에서, 개선된 경제성 평가 모델은 다수의 유용한 광고 게재의 각각을 분류하도록 사용될 것이다. 각각의 분류는 광고 노출을 달성하는 유용한 광고 게재의 각각의 확률을 나타내는 데이터를 사용하여 요약될 것이다. 또한, 단계(1912)에서, 유용한 광고 게재는 데이터에 적어도 부분적으로 기초하여 우선순위가 매겨질 것이다. 또한, 단계(1914)에서, 다수의 유용한 게재, 및/또는 다수의 광고들 중 적어도 하나는, 우선순위를 매기는 것에 기초하여 선택되어 사용자에게 제시될 것이다. 상기 방법(1900)은 단계(1918)에서 끝난다.

도 20은 본 발명의 실시 예에 따라서 온라인 광고용 입찰을 위한 구입 가격 동향을 예측하기 위한 대안적인 알고리즘을 선택하기 위한 실시간 시설(2000)을 나타낸다. 실시간 시설(1700)은 학습 기계시설(138), 평가 알고리즘 시설(140), 실시간 입찰 기계 시설(142), 다수의 데이터(2002), 및 출판사 시설(112)로부터 제공된 입찰 요청 메세지(2004)를 포함할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)로부터 제공된 입찰 요청 메세지(1704)를 수신할 것이다. 실시간 입찰 기계 시설(142)은 시간제한과 연관된 입찰 요청에 응답하므로 "실시간" 시설로 고려될 것이다. 실시간 입찰 기계 시설(142)은 온라인 광고용 입찰을 위한 구입 가격 동향을 예측하기 위해 학습 기계시설(138)에 의해서 제공된 표적화 알고리즘을 사용하여 실시간 계산을 수행할 것이다. 본 발명의 일 실시 예에 있어서, 학습 기계시설(138)은 온라인 광고용 입찰을 위한 구입 가격 동향을 예측하기 위한 현재 작동하는 알고리즘의 성과에 기초하여 대안적인 알고리즘을 선택할 것이다. 본 발명의 또 다른 실시 예에 있어서, 학습 기계시설(138)은 온라인 광고용 입찰을 위한 구입 가격 동향을 예측하기 위한 대안적인 알고리즘의 예측된 성과에 기초하여 대안적인 알고리즘을 선택할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 학습 기계시설(138)은 평가 알고리즘 시설(140)으로부터 대안적인 알고리즘을 얻을 것이다.

실시 예들에 있어서, 실시간 입찰 기계 시설(142)은 온라인 광고 게재의 성과를 예측하기 위해 다수의 알고리즘을 적용할 것이다. 일단 다수의 알고리즘이 적용되면, 실시간 입찰 기계 시설(142)은 다양한 시장상황하에서 다수의 알고리즘의 성과를 추적할 것이다. 실시간 입찰 기계 시설(142)은 다수의 알고리즘으로부터 얻은 알고리즘 타입에 대한 성과 조건들을 결정할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 시장 상황을 추적하고, 현재 시장상황에 기초하여 광고 게재의 성과를 예측하기 위한 알고리즘을 선택할 것이다.

실시 예들에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 광고회사 데이터(152)를 포함할 것이다. 광고회사 데이터(152)는 기업 정보수집활동 데이터, 또는 동적 및/또는 정적인 마케팅 목적을 나타내는 몇몇 다른 유형의 데이터를 포함할 것이다. 본 발명의 또 다른 실시 예에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 역사적인 사건 데이터(154)를 포함할 것이다. 역사적인 사건 데이터(154)는 사용자 사건들의 시간을 그들의 지역에서 다른 사건의 발생과 상관시키도록 사용될 것이다. 예에 있어서, 광고의 어떤 유형에 대한 반응률은 주식시장 움직임에 상관될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터, 로컬 뉴스 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다. 본 발명의 다른 예에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 사용자 데이터(158)를 포함할 것이다. 사용자 데이터(158)는 광고 수신자와 개인적으로 링크된 정보를 포함하는 제 3자에 의해서 제공된 데이터를 포함할 것이다. 이 정보는 사용자에게 우선순위, 또는 사용자들에 표식을 붙이거나 사용자를 나타내는 다른 지표들을 제공할 것이다. 본 발명의 다른 예에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 실시간 사건 데이터(160)를 포함할 것이다. 실시간 사건 데이터(160)는 역사적인 데이터와 유사하지만 보다 현재적인 데이터를 포함할 것이다. 실시간 사건 데이터(160)는, 하기의 예로서 제한되는 것은 아니지만, 시간의 제 2의 분, 시간, 날짜 또는 몇 가지 다른 측정치에 관련한 데이터를 포함한다. 본 발명의 다른 실시 예에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 맥락적 데이터(162)를 포함할 것이다. 본 발명의 다른 실시 예에 있어서, 성과를 예측하기 위한 다수의 알고리즘중 적어도 하나는 제3자 상업적 데이터를 포함할 것이다.

또한, 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 유사한 광고 게재의 지난 성과와 가격에 적어도 부분적으로 기초한 다수의 유용한 웹 공표가능한 광고 게재의 각각의 경제성 평가를 예측하기 위한 1차 모델을 사용할 것이다. 실시간 입찰 기계 시설(142)은 다수의 유용한 웹 공표가능한 광고 게재의 각각의 경제성 평가를 예측하기 위한 2차 모델을 또한 사용할 것이다. 1차 모델과 2차 모델을 사용하여 경제성 평가를 예측한 후에, 실시간 입찰 기계 시설(142)는 1차 모델과 2차 모델 사이에 우선순위를 결정하기 위해 1차 모델과 2차 모델에 의해서 만들어진 평가들을 비교할 것이다. 본 발명의 일 실시 예에 있어서, 평가의 비교는 모델들이 광고의 실제적인 경제적 성과를 반영하는 범위를 회고적으로 비교하는 것을 포함할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 1차 모델은 요청을 구매하도록 반응하는 능동 모델이 될 것이다. 구매 요청은 시간제한 구매요청이 될 것이다. 본 발명의 일 실시 예에 있어서, 2차 모델은 구매 요청에 반응하는 능동 모델로서 1차 모델을 교체할 것이다. 또한, 재배치는 현재의 시장상황하에서 2차 모델이 1차 모델보다 양호하게 수행되는 예측에 기초할 것이다. 본 발명의 실시 예들에 있어서, 상기 예측은 기계 학습, 역사적인 광고성과 데이터 (130), 역사적인 사건 데이터, 및 실시간 사건 데이터(160)에 적어도 부분적으로 기초할 것이다.

본 발명의 또 다른 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 유사한 광고 게재의 지난 성과와 가격에 적어도 부분적으로 기초하여 다수의 유용한 모바일 장치 광고 게재의 각각의 경제성 평가를 예측하기 위한 1차 모델을 사용할 것이다. 실시간 입찰 기계 시설(142)은 다수의 모바일 장치 광고 게재의 각각의 경제성 평가를 예측하기 위한 2차 모델을 또한 사용할 것이다. 1차 모델과 2차 모델을 사용하여 경제성 평가를 예측한 후에, 실시간 입찰 기계 시설(142)는 1차 모델과 2차 모델 사이에 우선순위를 결정하기 위해 1차 모델과 2차 모델에 의해서 만들어진 평가들을 비교할 것이다. 본 발명의 일 실시 예에 있어서, 평가의 비교는 모델들이 광고의 실제적인 경제적 성과를 반영하는 범위를 회고적으로 비교하는 것을 포함할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 1차 모델은 요청을 구매하도록 반응하는 능동 모델이 될 것이다. 구매 요청은 시간제한 구매요청이 될 것이다. 본 발명의 일 실시 예에 있어서, 2차 모델은 구매 요청에 반응하는 능동 모델로서 1차 모델을 교체할 것이다. 또한, 재배치는 현재의 시장상황하에서 2차 모델이 1차 모델보다 양호하게 수행되는 예측에 기초할 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)에 의해서 효율적으로 사용된 경제성 평가 모델은 하나 또는 그 이상의 게재의 각각에 대한 경제성 평가를 예측하기 위해 하나 또는 그 이상의 유용한 게재와 관련한 정보를 평가하도록 기계 학습 시설(138)에 의해서 개선될 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 경제성 평가 모델을 개선하기 위해서 다른 유형의 데이터를 얻을 것이다. 다른 유형의 데이터는, 하기의 예로서 제한됨이 없이, 광고회사 데이터(152), 역사적인 사건 데이터(154), 사용자 데이터 (158), 실시간 사건 데이터 (160), 맥락적 데이터 (162), 및 제3자 상업적 데이터를 포함할 것이다. 다른 유형의 데이터는 시장 인구통계적 데이터 등과 같이 광고와 직접적으로 관련없는 정보 및 다른 포맷들을 가질 것이다. 본 발명의 실시 예들에 있어서, 다른 포맷의 다른 유형의 데이터는 중립 포맷 또는 학습 기계시설(138)과 양립할 수 있는 특별한 포맷, 또는 학습 기계시설(138)에 적합한 몇몇 다른 데이터 타입으로 변환될 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 실시간 입찰 기계 시설(142)의 경제성 평가 모델을 개선하기 위해서 다양한 유형의 알고리즘을 이용할 것이다. 그 알고리즘은, 하기의 예로서 제한되는 것은 아니지만, 의사결정 트리 학습, 협회 규칙 학습, 인공 신경망, 유전자 프로그래밍, 유도 로직 프로그래밍, 지원 벡터 기계, 클러스터링, 베이지안 네트워크 및 강화학습을 포함할 것이다.

도 21은 현재 시장상황에 기초하여 광고 게재의 성과를 예측하기 위한 본 발명의 방법(2100)을 나타낸다. 상기 방법은 단계(2102)에서 시작한다. 단계(2104)에서, 온라인 광고 배치의 성과를 예측하기 위한 다수의 알고리즘이 적용될 것이다. 본 발명의 실시 예들에 있어서, 성과를 예측하기 위한 다수의 알고리즘들 중 적어도 하나는 광고회사 데이터, 역사적인 사건 데이터, 사용자 데이터, 실시간 사건 데이터, 맥락적 데이터, 및 제3자 상업적 데이터, 몇몇 다른 유형의 데이터를 포함할 것이다. 그런 후에, 단계(2108)에서, 다수의 알고리즘의 성과는 다양한 시장상황하에서 추적될 것이다. 또한, 단계(2110)에서, 알고리즘의 유형에 대한 성과가 결정되고, 시장 상황이 단계(2112)에서 추적될 것이다. 끝으로, 단계(2(114)에서, 현재의 시장상황을 기초하여 광고 게재의 성과를 예측하기 위한 알고리즘이 선택된다. 이 방법은 단계(2118)에서 끝난다.

도 22은 본 발명의 실시 예에 따라서 경제성 평가의 예측을 위한 1차 모델과 2차 모델 사이의 우선순위를 결정하기 위한 방법(2200)을 나타낸다. 이 방법은 단계(2202)에서 시작한다. 단계(2204)에서, 1차 모델을 사용하여, 다수의 유용한 웹 공표 가능한 광고 게재의 각각의 경제성 평가가 예측될 것이다. 경제성 평가는 유사한 광고 게재의 지난 성과와 가격에 부분적으로 기초할 것이다. 단계(2208)에서, 2차 모델을 사용하여, 다수의 유용한 웹 공표 가능한 광고 게재의 각각의 경제성 평가가 예측될 것이다. 그런 후에, 단계(2210)에서, 1차 모델과 2차 모델 모두를 사용하는 경제성 평가는 1차 모델과 2차 모델 사이의 우선순위를 결정하도록 비교될 것이다. 본 발명의 일 실시 예에 있어서, 평가의 비교는, 모델들이 광고의 실제적인 경제적 성과를 반영하는 정도를 회고적으로 비교하는 단계를 포함할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 1차 모델은 구매 요청에 반응하는 능동 모델이 될 것이다. 구매 요청은 시간제한된 구매요청이 될 것이다. 본 발명의 일 실시 예에 있어서, 2차 모델은 구매 요청에 반응하는 능동 모델로서 1차 모델을 교체할 것이다. 또한, 재배치는 현재의 시장상황하에서 2차 모델이 1차 모델보다 양호하게 수행할 것이라는 예측을 기초로할 것이다. 본 발명의 실시 예들에 있어서, 상기 예측은 기계 학습, 역사적인 광고성과 데이터, 역사적인 사건 데이터, 및 실시간 사건 데이터에 적어도 부분적으로 기초할 것이다. 상기 방법은 단계(2212)에서 끝난다.

도 23을 참조하면, 본 발명의 다른 실시 예에 따라서, 경제성 평가를 예측하기 위한 1차 모델과 2차 모델 사이의 우선순위를 결정하기 위한 방법(2300)이 도시되어 있다. 상기 방법은 단계(2302)에서 시작한다. 단계(2304)에서, 1차 모델을 사용하여, 다수의 유용한 모바일 광고 게재의 각각의 경제성 평가가 예측될 것이다. 경제성 평가는 유사한 광고 게재의 지난 성과와 가격에 부분적으로 기초할 것이다. 단계(2308)에서, 2차 모델을 사용하여, 다수의 유용한 웹 공표 가능한 광고 게재의 각각의 경제성 평가가 예측될 것이다. 그런 후에, 단계(2310)에서, 1차 모델과 2차 모델 모두를 사용하는 경제성 평가는 1차 모델과 2차 모델 사이의 우선순위를 결정하도록 비교될 것이다. 본 발명의 일 실시 예에 있어서, 평가의 비교는, 모델들이 광고의 실제적인 경제적 성과를 반영하는 정도를 회고적으로 비교하는 단계를 포함할 것이다. 또한, 본 발명의 일 실시 예에 있어서, 1차 모델은 구매 요청에 반응하는 능동 모델이 될 것이다. 구매 요청은 시간제한된 구매요청이 될 것이다. 본 발명의 일 실시 예에 있어서, 2차 모델은 구매 요청에 반응하는 능동 모델로서 1차 모델을 교체할 것이다. 또한, 재배치는 현재의 시장상황하에서 2차 모델이 1차 모델보다 양호하게 수행할 것이라는 예측을 기초로할 것이다. 상기 방법은 단계(2312)에서 끝난다.

또한 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 수신한다. 이 요청에 반응하여, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 광고 배치의 현재 평가로서 하나의 경제성 평가 모델을 선택하도록 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 형성된 각각의 평가를 평가할 것이다.

본 발명의 일 실시 예에 있어서, 경제성 평가 모델은 실시간 사건 데이터(160)에 적어도 부분적으로 기초할 것이다. 실시간 사건 데이터(160)는 역사적인 데이터와 유사하지만 보다 현재적인 데이터를 포함할 것이다. 실시간 사건 데이터(160)는, 하기의 예로서 제한되는 것은 아니지만, 시간의 제 2의 분, 시간, 날짜 또는 몇 가지 다른 측정치에 관련한 데이터를 포함한다. 본 발명의 또 다른 실시 예에 있어서, 경제성 평가 모델은 역사적인 사건 데이터(154)에 적어도 부분적으로 기초할 것이다. 역사적인 사건 데이터(154)는 그들의 지역에서 다른 사건의 발생을 사용자 사건들의 시간과 상관시키도록 사용될 것이다. 예에 있어서, 광고들의 어떤 휴형에 대한 반응률은 주식시장 움직임에 상관될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터, 로컬 뉴스 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 사용자 데이터(158)에 적어도 부분적으로 기초한다. 사용자 데이터(158)는 제3자에 의해서 제공된 데이터를 포함할 것이며, 이 데이터는 광고 수신자들에 대하여 개인적으로 링크된 정보를 포함할 것이다. 이 정보는 사용자들에게 사용자들에게 우선순위, 또는 사용자들에게 표식을 붙이거나 사용자들을 나타내는 다른 지표들을 제공할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 제3자 상업적 데이터에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 제3자 상업적 데이터는 역사적인 광고 노출과 관련한 재정적인 데이터를 포함할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 맥락적 데이터(162)에 적어도 부분적으로 기초할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 광고회사 데이터(152)에 적어도 부분적으로 기초할 것이다. 광고회사 데이터(152)는 기업 정보수집활동 데이터, 또는 동적 및/또는 정적인 마케팅 목표를 나타내는 몇몇 다른 유형의 데이터로 구성될 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 광고 대행사 데이터(152)에 적어도 부분적으로 기초할 것이다. 광고 대행사 데이터(152)는 사용자에게 보여질 각각의 광고 메세지를 위한 배치가 될 캠페인 및 역사적인 로그들을 또한 포함할 것이다. 광고 대행사 데이터(152)는 사용자를 위한 식별자, 채널, 시간, 지불된 가격, 보여진 광고 메세지, 및 결과적인 사용자 동작, 또는 몇가지 다른 형식의 캠페인이나 역사적인 로그 데이터 중 하나 또는 그 이상을 포함할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 역사적인 광고성과 데이터(130)에 적어도 부분적으로 기초할 것이다. 본 발명의 다른 실시 예에 있어서, 경제성 평가 모델은 기계 학습에 적어도 부분적으로 기초할 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)에 의해서 효율적으로 사용된 경제성 평가 모델은 하나 또는 그 이상의 게재의 각각을 위한 경제성 평가를 예측하기 위해서 하나 또는 그 이상의 유용한 게재와 관련한 정보를 평가하도록 기계 학습 시설(138)에 의해서 개선될 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)이 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 접수한 후, 실시간 입찰 기계 시설(142)은 이 요청에 반응하여 다수의 광고 게재의 각각에 대힌 경제성 평가를 예측하기 위해 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 다수의 경제성 평가 모델들을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 광고 배치의 제 1 평가로서 하나를 선택하도록 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가를 평가할 것이다. 제 1 평가를 선택한 경우, 실시간 입찰 기계 시설(142)은 광고 배치의 개선된 평가로서 하나를 선택하도록 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가를 재평가할 것이다. 본 발명의 일 실시 예에 있어서, 개선된 평가는 제 1 평가를 선택했을 때에는 유용하지 않았던 실시간 사건 데이터(160)를 사용하는 경제성 평가 모델의 분석에 적어도 부분적으로 기초할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 광고 배치를 위한 추천된 입찰 양을 이끌어내는데 사용하기 위한 제 2 개선된 평가로 제 1 평가를 교체할 것이다. 본 발명의 일 실시 예에 있어서, 상기 요청은 출판사(112)로부터 수신될 것이며, 추천된 입찰 양은 출판사(112)로 자동적으로 보내질 것이다. 본 발명의 또 다른 실시 예에 있어서, 상기 요청은 출판사(112)로부터 수신될 것이며, 추천된 입찰 양의 입찰 평등화는 출판사(112)를 위해서 자동적으로 위치될 것이다. 본 발명의 일 실시 예에 있어서, 추천된 입찰 양은 광고 배치의 추천된 시간과 연관될 것이다. 본 발명의 또 다른 실시 예에 있어서, 추천된 입찰 양은 실시간 입찰 기계 시설(142)과 연관될 실시간 입찰 로그의 분석에 의해서 또한 유도될 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

본 발명의 또 다른 실시 예에 있어서, 실시간 입찰 기계 시설(142)이 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 수신한 후에, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고 게재와 관련한 정보를 평가하기 위해 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 실시간 입찰 기계 시설(142)은 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해서 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 다수의 경제성 평가 모델들을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 광고 배치의 미래 평가로서 하나의 평가를 선택하도록 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가를 평가할 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

본 발명의 또 다른 실시 예에 있어서, 실시간 입찰 기계 시설(142)이 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 수신한 후에, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고 게재와 관련한 정보를 평가하기 위해 다수의 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 실시간 입찰 기계 시설(142)은 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해서 경쟁 경제성 평가 모델들을 효율적으로 사용할 것이다. 다수의 경제성 평가 모델들을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 실시간으로 평가할 것이며, 실시간 입찰 기계 시설(142)은 광고 배치의 미래 평가로서 하나의 평가를 선택하도록 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가를 평가할 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다. 본 발명의 일 실시 예에 있어서, 미래 평가는 미래 사건를 나타내는 시뮬레이션 데이터에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 미래 사건은 주식시장 요동이 될 것이다. 또한, 본 발명의 일 실시 예에 있어서, 미래 사건을 나타내는 시뮬레이션 데이터는 역사적인 사건 데이터의 분석으로부터 얻어질 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)이 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 수신한 후에, 실시간 입찰 기계 시설(142)은 광고 게재용 입찰을 위한 다수의 유용한 광고 게재와 관련한 다수의 경쟁 실시간 입찰 알고리즘을 효율적으로 사용할 것이다. 다수의 경쟁 실시간 입찰 알고리즘을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 바람직한 알고리즘을 선택하기 위해서 각각의 입찰 알고리즘을 평가할 것이다. 본 발명의 일 실시 예에 있어서, 경쟁 실시간 입찰 알고리즘은 실시간 입찰 로그로부터 데이터를 사용할 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

본 발명의 또 다른 실시 예에 있어서, 실시간 입찰 기계 시설(142)이 출판사 시설(112)로부터 광고를 위치시키기 위한 요청을 수신한 후에, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고 게재와 관련한 다수의 경쟁 실시간 입찰 알고리즘을 효율적으로 사용할 것이다. 실시간 입찰 기계 시설(142)은 광고 게재를 위한 입찰에 다수의 경쟁 실시간 입찰 알고리즘을 효율적으로 사용할 것이다. 다수의 경쟁 실시간 입찰 알고리즘을 효율적으로 사용한 후에, 실시간 입찰 기계 시설(142)은 경쟁 실시간 입찰 알고리즘에 의해서 창조된 각각의 입찰 추천을 평가할 것이다. 실시간 입찰 기계 시설(142)은 개선된 입찰 추천으로서 하나를 선택하도록 경쟁 실시간 입찰 알고리즘에 의해서 창조된 각각의 입찰 추천을 재평가할 것이다. 본 발명의 일 실시 예에 있어서, 개선된 입찰 추천은 입찰 추천을 선택할 때에는 유용하지 않았던 실시간 사건 데이터(160)를 사용하여 실시간 입찰 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 광고 배치를 위한 추천된 입찰 양을 얻는데 사용하기 위해 상기 입찰 추천을 개선된 입찰 추천으로 교체할 것이다. 본 발명의 일 실시 예에 있어서, 상기 재배치는 광고를 위치시키기 위한 요청을 받는 것에 대하여 실시간으로 진행될 것이다.

도 24를 참조하면, 본 발명의 실시 예에 따라서 광고 제재를 위한 실시간 입찰에서 다중 경쟁 평가 모델들중 하나를 선택하기 위한 방법(2400)이 설명된다. 이 방법은 단계(2402)에서 시작한다. 단계(2404)에서, 광고를 위치시키기 위한 요청에 반응하여, 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해서 다수의 경쟁 경제성 평가 모델들이 효율적으로 사용될 것이다. 그런 후에, 단계(2408)에서, 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가는 광고 배치의 현재 평가로서 평가 모델들중 하나를 선택하도록 평가될 것이다. 본 발명의 실시 예들에 있어서, 경제성 평가 모델은 실시간 사건 데이터, 역사적인 사건 데이터, 사용자 데이터, 맥락적 데이터, 광고회사 데이터, 광고 대행사 데이터, 역사적인 광고성과 데이터, 기계 학습 및 제3자 상업적 데이터에 적어도 부분적으로 기초할 것이다. 본 발명의 일 실시 예에 있어서, 제3자 상업적 데이터는 역사적인 광고 노출과 관련한 재정적인 데이터를 포함할 것이다. 상기 방법은 단계(2410)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 25는 광고 배치를 위한 추천된 입찰 양을 얻기 위하여 제 1 경제성 평가 모델을 제 2 경제성 평가 모델로 교체하기 위한 방법(2500)을 나타낸다. 이 방법은 단계(2502)에서 시작한다. 단계(2504)에서, 광고를 위치시키기 위한 요청에 반응하여, 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해서 다수의 경쟁 경제성 평가 모델들이 효율적으로 사용될 것이다. 그런 후에, 단계(2508)에서, 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가는 평가될 것이고, 광고 배치의 제 1 평가가 선택될 것이다. 또한 단계(2510)에서, 다수의 경쟁 경제성 평가 모델들의 각각에 의해서 만들어진 각각의 평가는 재평가될 것이다. 경쟁 경제성 평가 모델들중 하나는 광고 배치의 개선된 평가로서 선택될 것이다. 개선된 평가는 제 1 평가를 선택할 때는 유용하지 않았던 실시간 사건 데이터를 사용하여 경제성 평가 모델의 분석에 적어도 부분적으로 기초할 것이다. 또한 단계(2512)에서, 제 1 평가는 광고 배치를 위한 추천된 입찰 양을 얻기 위하여 사용하기 위한 제 2의 개선된 평가로 교체될 것이다. 본 발명의 일 실시 예에 있어서, 상기 요청은 출판사로부터 수신되고, 추천된 입찰 양은 출판사로 자동적으로 보내질 것이다. 본 발명의 또 다른 실시 예에 있어서, 상기 요청은 출판사로부터 수신될 것이며, 추천된 입찰 양의 입찰 평등화는 출판사를 위해서 자동적으로 위치될 것이다. 본 발명의 다른 실시 예에 있어서, 추천된 입찰 양은 광고 배치의 추천된 시간과 연관될 것이다. 본 발명의 또 다른 실시 예에 있어서, 추천된 입찰 양은 실시간 입찰 기계와 연관될 실시간 입찰 로그의 분석에 의해서 또한 유도될 것이다. 상기 방법은 단계(2514)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 26은 본 발명의 실시 예에 따라서 다중 경제성 평가 모델들을 평가하고 광고 배치의 미래 평가로서 하나의 평가를 선택하기 위한 방법(2600)을 나타낸다. 이 방법은 단계(2602)에서 시작한다. 단계(2604)에서, 광고를 위치시키기 위한 요청에 반응하여, 다수의 경쟁 경제성 평가 모델들이 효율적으로 사용될 것이다. 다수의 유용한 광고 게재와 관련한 정보는 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해 평가될 것이다. 또한 단계(2608)에서, 다수의 경쟁 경제성 평가 모델들에 의해서 만들어진 각각의 평가는 광고 배치의 미래 평가로서 하나의 평가를 선택하도록 평가될 것이다. 상기 방법은 단계(2610)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 27은 본 발명의 실시 예에 따라서 실시간 다중 경제성 평가 모델들을 평가하고 광고 배치의 미래 평가로서 하나의 평가를 선택하기 위한 방법(2700)을 나타낸다. 이 방법은 단계(2702)에서 시작한다. 단계(2704)에서, 광고를 위치시키기 위한 요청에 반응하여, 다수의 경쟁 경제성 평가 모델들이 효율적으로 사용될 것이다. 다수의 유용한 광고 게재와 관련한 정보는 다수의 광고 게재의 각각을 위한 경제성 평가를 예측하기 위해 평가될 것이다. 그런 후에 단계(2708)에서, 다수의 경쟁 경제성 평가 모델들에 의해서 만들어진 각각의 평가는 광고 배치의 미래 평가로서 하나의 평가를 선택하도록 실시간으로 평가될 것이다. 본 발명의 일 실시 예에 있어서, 미래 평가는 미래사건을 나타내는 시뮬레이션 데이터에 적어도 부분적으로 기초할 것이다. 본 발명의 또 다른 실시 예에 있어서, 미래 사건은 주식시장 요동이 될 것이다. 본 발명의 일 실시 예에 있어서, 미래 사건을 나타내는 시뮬레이션 데이터는 광고 배치에 위치할 광고와 관련한 맥락적 데이터에 적어도 부분적으로 기초하여 선택될 수 있는 역사적인 사건 데이터의 분석으로부터 얻어질 것이다. 상기 방법은 단계(2710)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 28은 본 발명의 실시 예에 따라서 광고를 위치시키기 위한 바람직한 알고리즘을 선택하도록 다중 입찰 알고리즘을 평가하기 위한 방법(2800)을 나타낸다. 이 방법은 단계(2802)에서 시작한다. 단계(2804)에서, 광고를 위치시키기 위한 요청에 반응하여, 다수의 경쟁 실시간 입찰 알고리즘이 효율적으로 사용될 것이다. 입찰 알고리즘은 광고 게재를 위한 입찰에 대한 다수의 유용한 광고 게재와 관련된다. 그런 후에 단계(2808)에서, 각각의 입찰 알고리즘은 바람직한 알고리즘을 선택하도록 평가될 것이다. 상기 방법은 단계(2810)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 29는 본 발명의 일 실시 예에 따라서 입찰 추천을 광고 배치를 위한 개선된 입찰 추천으로 교체하기 위한 방법(2900)을 나타낸다. 이 방법은 단계(2902)에서 시작한다. 단계(2904)에서, 광고를 위치시키기 위한 요청에 반응하여, 광고 게재를 위한 입찰에 대한 다수의 유용한 광고 게재와 관련한 다수의 경쟁 실시간 입찰 알고리즘이 효율적으로 사용될 것이다. 단계(2908)에서, 경쟁 실시간 입찰 알고리즘에 의해서 창조되는 각각의 입찰 추천이 평가될 것이다. 또한, 단계(2910)에서, 경쟁 실시간 입찰 알고리즘에 의해서 창조되는 각각의 입찰 추천이 개선된 입찰 추천으로서 하나를 선택하도록 재평가될 것이다. 일 실시 예에 있어서, 개선된 입찰 추천은 입찰 추천을 선택했을 때에는 유용하지 않았던 실시간 사건 데이터를 사용하는 실시간 입찰 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 단계(2912)에서, 입찰 추천은 광고 배치를 위한 추천된 입찰 양을 이끌어내는데 사용하기 위한 개선된 입찰 추천으로 입찰 추천을 교체할 것이다. 본 발명의 일 실시 예에 있어서, 재배치는 광고를 위치시키기 위한 요청의 접수와 관련하여 실시간으로 일어날 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 30은 본 발명의 실시 예에 따라서 추가적인 제3자 데이터(164)의 값을 측정하기 위한 실시간 시설(3000)을 나타낸다. 실시간 시설(2700)은 학습 기계시설(138), 평가 알고리즘 시설(140), 실시간 입찰 기계 시설(142), 추가적인 제3자 데이터 세트(3002), 출판사 시설(112)로부터 수신한 입찰 요청 메세지(3004) , 및 추적 시설(144)을 포함할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 출판사 시설(112)로부터 입찰 요청 메세지(3004)를 수신할 것이다. 실시간 입찰 기계 시설(142)은 시간제한과 연관된 입찰 요청에 반응하므로 "실시간" 시설로 고려될 것이다. 실시간 입찰 기계 시설(142)은 학습 기계시설(138)에 제공된 표적화 알고리즘을 사용하여 실시간 계산을 수행할 것이다. 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 실시간 계산을 수행하도록 경제성 평가 모델을 효율적으로 사용할 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 경제성 평가 모델을 개선하기 위해서 제3자 데이터 세트(3002)를 얻을 것이다. 본 발명의 일 실시 예에 있어서, 제3자 데이터 세트(2702)는 광고 콘텐츠의 사용자들과 관련한 데이터를 포함할 것이다. 본 발명의 실시 예에 있어서, 광고 콘텐츠의 사용자들과 관련한 데이터는 인구통계적 데이터, 거래 데이터, 변환 데이터, 또는 몇몇 다른 유형의 데이터를 포함할 것이다. 본 발명의 또 다른 실시 예에 있어서, 제3자 데이터 세트는 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 맥락적 데이터(162)를 포함할 것이다. 본 발명의 실시 예들에 있어서, 맥락적 데이터(162)는 학습 기계시설(138)과 관련된 맥락파악 서비스(132)로부터 얻어질 것이다. 본 발명의 다른 실시 예에 있어서, 제3자 데이터 세트(3010)는 역사적인 광고 노출과 관련한 재정적인 데이터를 포함할 것이다. 또한, 본 발명의 실시 예들에 있어서, 경제성 평가 모델은 실시간 사건 데이터, 역사적인 사건 데이터(154), 사용자 데이터(158), 제3자 상업적 데이터, 광고회사 데이터(152), 및 광고 대행사 데이터(152)에 적어도 부분적으로 기초할 것이다.

본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 광고 캠페인 데이터 세트를 수신할 것이며, 광고 캠페인 데이터 세트를 제 1 광고 캠페인 데이터 세트와 제 2 광고 캠페인 데이터 세트로 분할할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 제 1 광고 캠페인 데이터 세트로부터 제공되는 광고 콘텐츠의 배치를 위한 경제성 평가를 예측하도록 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 정보를 평가하기 위해서 기계 학습을 통해서 개선될 경제성 평가 모델을 효율적으로 사용할 것이다. 본 발명의 일 실시 예에 있어서, 기계 학습은 제3자 데이터 세트에 적어도 부분적으로 기초할 것이다. 기계 학습은 학습 기계시설(138)에 의해서 달성될 것이다. 평가 모델의 개선 후에, 실시간 입찰 기계 시설(142)은 제 1 및 제 2 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠를 다수의 유용한 게재, 및/또는 다수의 광고들 내에 위치시킬 것이다. 제 1 광고 캠페인으로부터 제공된 콘텐츠는 예측된 경제성 평가에 적어도 부분적으로 기초하여 위치할 것이며, 제 2 광고 캠페인 데이터 세트로부터 제공된 콘텐츠는 제3자 데이터 세트에 의존하지 않는 방법에 기초할 것이다. 실시간 입찰 기계 시설(142)은 추적 기계 시설(144)로부터 노출 데이터를 또한 수신할 거이며, 상기 노출 데이터는 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치된 광고 콘텐츠와 관련될 것이다. 본 발명의 일 실시 예에 있어서, 상기 노출 데이터는 광고 콘텐츠와 상호작용하는 사용자에 관한 데이터를 포함할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 상기 노출 데이터는 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치된 광고 콘텐츠와 관련한 노출 데이터의 비교에 적어도 부분적으로 기초하여 제3자 데이터 세트의 값을 결정할 것이다.

또한, 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치된 광고 콘텐츠와 관련한 광고 노출 데이터의 비교에 적어도 부분적으로 기초하여 제3자 데이터 세트(3002)의 평가를 계산할 것이다. 본 발명의 일 실시 예에 있어서, 제 1 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠의 배치는 최적의 광고 게재를 선택하도록 제3자 데이터 세트(2710)를 채용하는 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 제 1 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠를 위치시키도록 평가의 일부를 광고회사(104)에 비용 청구할 것이다. 본 발명의 일 실시 예에 있어서, 광고회사(104)의 청구서 발부와 평가의 계산은 광고회사(104)로부터 제공된 콘텐츠를 위치시키기 위한 요청을 접수할 때 자동적으로 수행될 것이다. 본 발명의 또 다른 실시 예에 있어서, 평가의 계산은 다중 경쟁 평가 알고리즘(140)의 성과의 비교의 결과가 될 것이다. 본 발명의 일 실시 예에 있어서, 다중 경쟁 평가 알고리즘(140)의 성과의 비교는 역사적인 데이터에 적어도 부분적으로 기초하는 평가 알고리즘(140)의 사용을 포함할 것이다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

또한 본 발명의 일 실시 예에 있어서, 실시간 입찰 기계 시설(142)은 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치한 광고 콘텐츠와 관련한 광고 노출 데이터의 비교에 적어도 부분적으로 기초하여 제3자 데이터 세트(3010)의 평가를 계산할 것이다. 본 발명의 일 실시 예에 있어서, 제 1 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠의 배치는 최적의 광고 게재를 선택하도록 제3자 데이터 세트(3010)를 채용하는 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 평가에 적어도 부분적으로 기초하여 광고 콘텐츠의 배치를 위해 출판사(112)가 지불해야할 입찰 양 추천을 보정할 것이다. 본 발명의 일 실시 예에 있어서, 상기 보정은 실시간 사건 데이터(160) 및 평가에 대한 그것의 영향력을 설명하기 위하여 되풀이하여 조정될 것이다.

도 31은 본 발명의 일 실시 예에 따라서 추가적인 제3자 데이터의 값을 측정하기 위한 능력을 갖는 광고 평가를 위한 방법(3100)을 나타낸다. 상기 방법은 단계(3102)에서 시작한다. 단계(3104)에서, 광고 캠페인 데이터 세트는 제 1 광고 캠페인 데이터 세트와 제 2 광고 캠페인 데이터 세트로 분할될 것이다. 단계(3108)에서, 제 1 광고 캠페인 데이터 세트로부터 제공되는 광고 콘텐츠의 배치를 위한 경제성 평가를 예측하도록 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 정보를 평가하기 위해서 기계 학습을 통해서 개선될 경제성 평가 모델이 효율적으로 사용될 것이다. 본 발명의 일 실시 예에 있어서, 기계 학습은 제3자 데이터 세트에 적어도 부분적으로 기초할 것이다. 단계(3110)에서, 제 1 및 제 2 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠는 다수의 유용한 게재, 및/또는 다수의 광고들 내에 위치할 것이다. 본 발명의 일 실시 예에 있어서, 제 1 광고 캠페인으로부터 제공된 광고 콘텐츠는 예측된 경제성 평가에 적어도 부분적으로 기초하여 위치할 것이며, 제 2 광고 캠페인 데이터 세트로부터 제공된 콘텐츠는 제3자 데이터 세트에 의존하지 않는 방법에 기초할 것이다. 또한, 단계(3112)에서, 추적 기계 시설(144)로부터 제공된 노출 데이터가 수신될 것이며, 상기 노출 데이터는 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치된 광고 콘텐츠와 관련될 것이다. 일 실시 예에 있어서, 상기 노출 데이터는 광고 콘텐츠와 상호작용하는 사용자에 관한 데이터를 포함할 것이다. 그런 후에, 단계(3114)에서, 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치된 광고 콘텐츠와 관련한 노출 데이터의 비교에 적어도 부분적으로 기초하여 제3자 데이터 세트의 값이 결정될 것이다. 본 발명의 일 실시 예에 있어서, 제3자 데이터 세트는 광고 콘텐츠의 사용자들과 관련한 데이터, 다수의 유용한 게재, 및/또는 다수의 광고들과 관련한 맥락적 데이터, 또는 역사적인 광고 노출들과 관련한 재정적인 데이터를 포함할 것이다. 본 발명의 일 실시 예에 있어서, 광고 콘텐츠의 사용자들과 관련한 데이터는 인구통계적 데이터, 거래 데이터 또는 광고 변환 데이터를 포함할 것이다. 본 발명의 일 실시 예에 있어서, 맥락적 데이터는 기계 학습 시설과 연돤된 맥락파악 서비스로부터 얻어질 것이다. 본 발명의 일 실시 예에 있어서, 경제성 평가 모델은 실시간 사건 데이터, 역사적인 사건 데이터, 사용자 데이터, 제3자 상업적 데이터, 광고회사 데이터 또는 광고 대행사 데이터에 적어도 부분적으로 기초할 것이다. 상기 방법은 단계(3118)에서 끝난다.

도 32는 본 발명의 일 실시 예에 따라서 제3자 데이터 세트의 평가를 계산하고 평가의 일부를 광고회사에게 비용 청구하기 위한 방법(3200)을 나타낸다. 상기 방법은 단계(3202)에서 시작한다. 단계(3204)에서, 제3자 데이터 세트의 평가는 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치한 광고 콘텐츠와 관련된 광고 노출 데이터의 비교에 적어도 부분적으로 기초하여 계산될 것이다. 본 발명의 일 실시 예에 있어서, 제 1 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠의 배치는 최적의 광고 게재를 선택하기 위해 제3자 데이터 세트를 채용하는 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 단계(3208)에서, 광고회사는 제 1 광고 캠페인 데이터 세트로부터 제공된 콘텐츠를 위치시키기 위하여 평가의 일부에 대해 청구서를 발부할 것이다. 본 발명의 일 실시 예에 있어서, 광고회사의 청구서 발부와 평가의 계산은 광고회사로부터 제공된 콘텐츠를 위치시키기 위한 요청을 접수할 때 자동적으로 수행될 것이다. 본 발명의 또 다른 실시 예에 있어서, 평가의 계산은 다중 경쟁 평가 알고리즘의 성과의 비교의 결과가 될 것이다. 본 발명의 일 실시 예에 있어서, 다중 경쟁 평가 알고리즘의 성과의 비교는 역사적인 데이터에 적어도 부분적으로 기초하는 평가 알고리즘의 사용을 포함할 것이다. 상기 방법은 단계(3210)에서 끝난다. 해당 기술분야의 숙련된 당업자에게 알려진 분석 방법들, 정적인 기술들 및 도구들 뿐만아니라 평가 모델들과 같은 모델들 및 경쟁 알고리즘을 평가하기 위한 일반적인 분석 방법들, 정적인 기술들 및 도구들은 본 발명에 의해서 포괄되도록 의도된 것이며 본 발명의 방법 및 장치에 따라서 경쟁 알고리즘 및 평가 모델들을 평가하기 위해서 사용될 것임을 알 수 있을 것이다.

도 33은 본 발명의 일 실시 예에 따라서 제3자 데이터 세트의 평가를 계산하고 평가에 적어도 부분적으로 기초하여 광고 콘텐츠의 배치를 위해 출판사가 지불해야할 입찰 양 추천을 보정하기 위한 방법(3300)을 나타낸다. 상기 방법은 단계(3302)에서 시작한다. 단계(3304)에서, 제3자 데이터 세트의 평가는 제 1 및 제 2 광고 캠페인 데이터 세트로부터 위치한 광고 콘텐츠와 관련된 광고 노출 데이터의 비교에 적어도 부분적으로 기초하여 계산될 것이다. 본 발명의 일 실시 예에 있어서, 제 1 광고 캠페인 데이터 세트로부터 제공된 광고 콘텐츠의 배치는 최적의 광고 게재를 선택하기 위해 제3자 데이터 세트를 채용하는 기계 학습 알고리즘에 적어도 부분적으로 기초할 것이다. 그런 후에, 단계(3308)에서, 출판사가 지불해야할 입찰 양 추천은 평가에 적어도 부분적으로 기초하여 광고의 배치에 대해 보정될 것이다. 본 발명의 일 실시 예에 있어서, 상기 보정은 실시간 사건 데이터 및 평가에 대한 그것의 영향력을 설명하기 위하여 되풀이하여 조정될 것이다. 상기 방법은 단계(3310)에서 끝난다.

실시 예들에 있어서, 분석적인 플랫폼(114)의 분석적인 출력은, 하기의 예로서 제한되는 것은 아니지만, 도 34 내지 도 38에 도시된 표면 차트들을 포함하는 데이터 시각화 기술들을 사용하여 설명될 것이다. 표면 차트들은 예를 들어 광고 캠페인의 성과 내에서 효율의 위치들을 나타낼 것이며, 여기에서 표면의 높이는 평균 성과를 나타내는 광고 노출 당 변환 값이다. 일 실시 예에 있어서, 1보다 큰 값을 갖는 표면 영역들은 양호한 평균 변환 값을 나타낼 것이며, 1보다 작은 값을 갖는 표면 영역들은 예상보다 기량 발휘를 못하는 것을 나타낼 것이다. 표면 차트 및 그와 연관된 데이터의 낮은 용적 단면적들을 고려하여 적용될 것이다. 도 34는 주의 요일 대 일의 시간을 기준으로 광고성과의 요약을 나타내는 데이터 시각화의 예를 보여준다. 도 35는 인구밀도를 기준으로 광고성과의 요약을 나타내는 데이터 시각화의 예를 보여준다. 도 36은 미국에서 지역을 기준으로 광고성과의 요약을 나타내는 데이터 시각화의 예를 보여준다. 도 37은 개인소득을 기준으로 광고성과의 요약을 나타내는 데이터 시각화의 예를 보여준다. 도 38은 성을 기준으로 광고성과의 요약을 나타내는 데이터 시각화의 예를 보여준다.

도 39는 광고 캠페인/브랜드를 위한 카테고리를 기준으로 친화성 지수를 나타낸다. 본 발명의 방법들 및 장치는 일반인보다 광고회사 브랜드에 더 관심이 있는 소비자들의 특징들을 구별할 것이다. 상기 방법들 및 장치는 일반인보다 광고회사 브랜드에 관심이 적은 소비자들의 특징들을 또한 구별할 것이다. 도 39에서 차트의 좌측에는 관심이 많은 소비자들의 특징들을 나타내었다. 상기 차트는 일반인보다 관심이 많은 그러한 소비자들이 광고회사 브랜드에 얼마나 더 결합되는지를 나타내는 지수를 또한 보여준다. 차트의 우측은 관심이 적은 소비자들의 특징들을 나타내며, 관심이 적은 그러한 소비자들이 광고회사 브랜드에 얼마나 더 결합되는지를 나타내는 지수를 또한 보여준다. 도 39에 나타낸 바와 같이, 지수들은 샘플의 크기를 고려하고, 샘플의 크기와 불확실성의 범위를 통합하는 공식을 사용한다.

도 40은 노출들의 수를 기준으로 페이지 방문자들의 요약을 나타내는 데이터 시각화 예를 보여준다. 본 발명의 방법들과 장치는 소비자의 다른 집단들이 나타내는 환산율을 확인할 것이다. 도 40에 있어서, 각각의 집단은 집단의 소비자 멤버들에 보여지는 광고들의 수에 의해서 한정된다. 분석적인 플랫폼(114)은 주어진 횟수의 광고들을 본 소비자들을 분석하고 환산율을 계산할 것이다. 분석적인 플랫폼(114)은 노출 로그(148)에 포함된 데이터에 적어도 부분적으로 기초하여 소비자가 행동을 실행하기 전에 소비자들에게 보여진 노출들만을 고려한다. 예로서, 광고회사에게 바람직한 행동을 수행하기 전에 3개의 광고들을 본 소비자는 집단 3의 멤버이다. 집단 3의 다른 10명의 멤버들은 3개의 광고들을 보았을 것이지만, 광고회사에게 유익한 행동은 수행하지 않았다. 집단 3에 대한 변환율은 0.3 또는백만명의 소비자 당 300,000이다. 상기 분석은 샘플의 크기를 고려하고, 샘플의 크기와 불확실성의 범위를 통합한 방정식을 이용한다. 이 분석은 또한 모든 집단들에 걸쳐서 관찰된 행동을 나타내는 곡선에 부합한다.

광고 캠페인 결과를 측정하기 위한 능력은 대부분의 광고장치의 우선순위에 해당한다. 사용자, 사용자 그룹 등에 의해서 분류되는 결과를 포함하는 측정된 광고 캠페인 결과는 의도된 사용자 및/또는 사용자 그룹 타겟들에 대한 광고 메세지의 효과를 최대화하기 위하여 광고 캠페인들을 변경하도록 광고회사에 의해서 부수적으로 이용될 것이다. 예를 들면, 광고회사는 광고 캠페인에 포함된 재료와 속성(들)을 공유하는 캠페인들이나 광고들과 유사한 캠페인에 대한 응답의 역사를 갖는 사용자 그룹들에 초점을 맞추어 낮은 관심을 갖는 소비자들로부터 예산 및 가격을 재분배함으로써 그것의 캠페인들을 변경할 것이다. 또한, 다수의 미디어 채널들은 광고 캠페인을 소비자들에게 전달하기 위해서 사용될 것이다.

온라인 광고에 대하여, 쿠키에 저장된 소비자 식별자를 사용하여 광고들의 영향력을 측정할 수 있다. 이것은 광고회사로 하여금 개인들의 정체성을 익명으로 유지하면서 그들을 구별할 수 있게 한다. 그러나, 개인들을 구별하는 것이 가능하지 않고 바람직하지 않은 경우들이 존재한다. 본 발명의 실시 예들에 있어서 , 개인들을 구별하는 것이 가능하지 않고 바람직하지 않은 경우들을 위한 광고 측정 솔루션용 방법들 및 장치가 제공된다. 예를 들면, 본 발명의 방법들 및 장치를 사용하여, 보여진 광고 메세지 및 소비자와 소비자그룹들에 대한 그것의 부수적인 효과를 연결하도록 미디어 채널을 나타낼 다중의 특징들을 측정할 수 있다. 개인들을 구별하는 것이 가능하지 않고 바람직하지 않음에 따라서 효과의 측정이 종래의 방법들을 사용하여 실현될 수 없는 경우에도, 이것은 캠페인 효과, 광고 성공 등의 측정을 가능하게 한다. 그러한 경우들의 예들은, 하기의 예로서 제한되는 것은 아니지만, 다른 채널들(예를 들면, TV 및 온라인 미디어)에 걸친 광고의 측정 및 쿠키 식별자를 사용함이 없는 온라인 광고의 측정을 포함할 것이다.

본 발명의 다양한 실시 예들에 따라서, 미디어의 여러 특징들은 하나의 개인 또는 모두가 하나 또는 그 이상의 특징을 공유할 다수의 개인들로부터 어디에서나 포함할 수 있는 작은 세그멘트들의 창조를 가능하게 하도록 이용될 것이다. 상기 특징들은, 하기의 예로서 제한되는 것은 아니지만, 하루의 시간(예를 들면, 광고가 보여지는 하루의 시간), 지역, 콘텐츠의 유형에 대한 개인들의 관심을 포함할 것이다. 각각의 특징, 또는 특징들의 조합은 개인들의 세트를 한정 및/또는 설명하기 위해서 사용될 것이다. 그러므로, 상기 특징들(하루의 시간, 한주의 요일, 사용된 브라우저 및 작동장치, 스크린 해상도, 지역, 및 콘텐츠/콘텐츠 카테고리의 유형 등)은 표적화 매개변수들로서 사용될 것이다.

표적화 매개변수들은 이러한 채널들의 특성의 관점에서 미디어 채널들 중에서 변할 것이다. 예를 들면, 채널 A는 단지 3개의 유용한 매개변수들 가지는 반면, 채널 B는 40개 이상을 가질 것이다. 또한, 이러한 매개변수들의 특성은 변하게 된다. 예를 들면, 인쇄 매체에 대하여, 광고회사는 잡지의 호수, 잡지의 유형이나 장르, 잡지 페이지와 같은 물리적인 페이지에 실린 광고의 크기와 같은 매개변수들 또는 몇몇 다른 매개변수를 고려할 것이다. 마찬가지로, TV 광고에 대하여, 매개변수들은 광고가 보여진 시간, 그것의 주기 및 최종적으로 제품 샷에 포함되었는지의 여부 또는 몇몇 다른 매개변수가 될 것이다.

실시 예들에 있어서, 채널이 광고회사에 의해서 선택되는 것에 관계없이 채널의 확실한 섹션들에 대한 (채널에 대해 유용한) 다중 매개변수들의 조합을 사용할 수 있다. 또한, 채널 섹션들은 몇몇 경우들에 있어서 작을 것이며, 적은 개인들을 나타내지만, 그럼에도 불구하고 가능한한 많은 표적화 매개변수들을 사용하여 한정될 것이다. 다른 채널들은 그러한 채널들에 의해 도달된 개인들이 동일한 방식으로 행동한다는 가정을 기초로 연결될 것이다. 예를 들면, 스포츠 판은 TV를 통해서 스포츠를 시청하고 웹과 인쇄매체에서 스포츠를 증긴다고 가정된다.

본 발명의 실시 예들에 있어서, 특정 채널을 통해서 도달된 한세트의 사용자들을 한정하는 한세트의 표적화 매개변수들이 합성 사용자 식별자(SUID)를 창조하도록 사용될 것이다. SUID는 서버측 장치에 저장되거나 또는 그것들의 축적은 미래에는 광고 채널 분할을 추진하도록 사용될 것이다. 예를 들면, 광고 배치 나 광고 상호작용은 배치, 상호작용 또는 고객장치로부터 사용자, 장치, 및/또는 맥락적 정보의 수집 및 추출을 야기할 것이다. SUID는 여러 개인들을 나타낼 것이나, 특별한 경우들(다중 매개변수들의 추가에 의해)에 있어서 고유의 개인을 나타낼 것이다. 예를 들면, 로딩된 소프트웨어의 특별한 조합, 인터넷 프로토콜(IP) 어드레스, 작동 장치의 유형 및 스크린 해상도, 및 콘텐츠 관심도는 특별한 개인이나 개인들의 세트를 나타낼 것이다. 다른 실시 예에 있어서, 사용자들은 여러 SUID들에 의해서 태그가 붙여질 것이다. 예를 들면, 사용자는 동일지역에서 3pm 내지 6pm 동안 스포츠 콘텐츠를 즐기고 다음에는 7pm 내지 10pm 동안 새로운 콘텐츠를 즐기게 될 것이다. 그 조합들(즉, 3~6pm은 스포츠, 및 7~10pm은 뉴스)의 각각은 자체의 SUID를 가질 것이다. 또한, 본 발명의 일 실시 예에 있어서, 사용자들의 작은 군중들을 대상으로 광고들의 효과가 측정될 것이다. 이것을 위해서, 성공이 측정되었는지 매시간 관찰될 것이다. 성공은 광고 변환, 컴퓨터사용자 클릭 또는 몇몇 다른 행동과 같이 광고회사의 웹사이트에서 수행하는 특별한 행동으로서 정의될 것이다. 사용자가 광고회사의 웹사이트에서 특별한 행동을 수행하는 경우, 예를 들면, 그 행동은 광고가 수신될 때와 관련한 정보를 나타낼 것이다. 콘텐츠 카테고리(예를 들면, 소개 URL의)와 같은 매개변수들, 지리적 위치, 하루의 시간, 한주의 요일, 사용된 브라우저, 작동 장치, 스크린 해상도, 또는 몇몇 다른 데이터가 광고회사의 웹사이트에서 및/또는 그러한 웹사이트와 협력해서 작업하는 에이전트에 의해서 기록될 것이다. 그 결과, 여기에서 설명한 바와 같은 방법들 및 장치를 사용하여, 광고회사의 웹사이트에서 보여진 온라인 광고와 행동 사이에 정적인 연결을 구축할 수 있다. 또한, 오프라인으로 보여진 미디어와 광고들을 사용하는 경우, 조악한 지표에 의존할 수도 있고, 넓은 모집단(다중의 SUID들로 나타냄)에 걸쳐서 광고회사에 의해서 측정된 긍정적인 결과를 배포할 것이다. 예에 있어서, TV 광고를 특별한 사용자의 스크린 해상도 및 작동 장치에 연결시키는 것은 불가능할 것이다. 그럼에도 불구하고, TV광고의 지리적인 정보, 콘텐츠의 유형 및 시간과 요일은 그러한 광고를 통해서 표적화한 사용자들의 유형의 지표들이 될 것이다. 또한, TV 광고들에 있어서, 광고 및 다른 데이터를 수신하는 사용자들의 수는 오프라인 조사를 통해서 얻어질 것이다. 이 데이터는 각각의 SUID에 대한 멤버들의 숫자를 측정하기 위해서 사용될 것이다.

몇몇 샘플 시나리오들에 있어서, 특별한 소비자들이나 광고들을 저장하기 위해서 특별한 광고회사의 가게에 세일즈 결과를 연결하는 것은 불가능할 것이다. 그러나, 상기 가게에서 구매하는 소비자들의 주소에 의해서 나타나는 바와 같은 제한된 숫자의 우편번호에 세일즈 결과를 연결하는 것은 가능하다. 보여진 광고들의 시각표 대 세일즈 결과의 시각표를 더하는 것이 가능할 것이다. 본 발명의 일 실시 예에 따라서, 주어진 주 동안의 세일즈 결과는 가게에 가까운 우편번호에 관한 정보를 수집하는 SUID들에 할당될 것이다. 각각의 우편번호에 할당된 세일즈의 비율은 예를 들면 개인들의 계산에 기초한 비율을 제공할 포스(POS) 장치에 의해서 수집된 데이터, 각각의 우편번호에 의해서 얻어진 수익의 합계, 또는 몇몇 다른 분석적인 측정치에 의해서 얻어질 것이다. 다른 실시 예에 있어서, 전화주문은 전화를 건 사람의 지역변호를 나타내는 지리학적 영역에 대해 추적될 것이다. 만약 추가적인 정보가 수집되면, 그 결과는 "우편번호+4" 주소를 포함한 지도를 만드는 것을 가능하게 할 구매자의 우편번호 주소에 연결될 것이다.

독특한 사용자들(또는 사용자들의 작은 그룹)을 구별하는 능력, 그들에게 광고를 전달하는 능력 및 그러한 광고들의 성과를 사용자들에게 연결 능력은 여기에서 설명한 바와 같은 방법들 및 장치를 사용하여 그러한 미디어에 대한 광고 및 광고 캠페인 성공의 측정을 가능하게 하고 그것에 대해 접속 및 투자하기 위해 지불해야할 비용이나 양의 조정을 용이하게 할 수 있다. 교차-채널 할당은 다른 SUID들 사이에서 추론된 연결의 인증을 가능하게 하는 쿠폰배포의 사용에 의해서 향상되고 자극될 것이다.

도 57을 참조하면, 실시 예들에 있어서, 광고의 노출 데이터와 광고를 연관시키는 것에 의해서 다수의 합성 사용자 식별자, 및 광고(5704)에 대한 다수의 사용자들의 상호작용으로부터 얻어진 바와 같은 사용자, 장치, 및 맥락적 정보 중 적어도 2개를 서버시설에서 창조하기 위한 여기에서 설명된 발명은 방법들 및 장치(5700)를 제공한다. 하나 또는 그 이상의 데이터베이스는 광고회사, 광고회사의 콘텐츠 출판사, 출판사의 콘텐츠(예를 들면, 출판사의 웹사이트) 등과 연관된 맥락적 데이터를 제공할 맥락적 데이터베이스를 포함할 것이다. 맥락적 데이터베이스들은 분석적인 플랫폼 내에 제공되거나 또는 여기에서 설명한 바와 같은 분석적인 플랫폼과 연관될 것이다. 맥락적 데이터는, 하기의 예로서 제한되는 것은 아니지만, 광고에서 발견된 핵심단어들; 광고의 사전 게재와 연관된 URL, 또는 몇몇 다른 유형의 맥락적 데이터를 포함할 것이며, 여기에서 설명한 바와 같이 출판사의 콘텐츠와 관련된 범주화 메타데이터로서 저장될 것이다. 예에 있어서, 그러한 범주화 메타데이터는 제 1 출판사의 웹사이트가 음악 콘텐츠와 관련되고 제 2 출판사의 콘텐츠가 대부분 자동차에 관련되어 있음을 기록할 것이다. 합성 사용자 식별자는 서버 시설에 접속가능하고 고객 장치(5708)와는 별도인 데이터베이스에 저장될 것이다. 서버 시설은 분석적인 플랫폼(114) 내에 제공되거나 또는 여기에서 설명한 바와 같은 분석적인 플랫폼과 연관될 것이다. 다수의 합성 사용자 식별자는 만약 광고 채널(5710)에 제공되면 광고 유형이 소정의 변환율을 생성하고 만약 광고 채널(5712)에 제공되면 광고 유형과 연관된 표적화된 광고가 추천되는 것을 나타내는 상관관계들에 대해 분석될 것이다. 상기 분석은 여기에서 설명한 바와 같은 기계 학습 및 행렬-기초 기술들의 사용을 포함할 것이다. 기계 학습 알고리즘의 예들은, 하기의 예로서 제한되는 것은 아니지만, 단순 베이지안 학습, 베이지안 네트(Bayes Net), 지원 벡터 기계, 로지스틱 회귀분석법, 인공 신경망 및 의사결정 트리 학습을 포함할 것이다. 이들 알고리즘은 광고가 행동을 낳는지 아닌지를 구분할 알고리즘인 분류자들을 생성할 것이다. 그들의 기본적인 형태에 있어서, 이들은 "예" 또는 "아니오"의 대답 및/또는 분류자의 확실성의 힘을 나타내는 점수로 바뀐다. 보다 복잡한 예측 변수들이 사용될 것이다. 보정 기술들이 적용되면, 이것들은 예측이 올바르게될 가능성의 확률로 바뀐다. 보정 기술들은 특별한 광고가 원하는 사용자 행동을 유발하는지 또는 특징들이 행동을 유발할 광고들을 나타내는지를 또한 나타낼 수 있다.

실시 예들에 있어서, 표적화된 광고를 권유하는 단계는 표적화된 광고의 입찰 양을 추천하는 단계, 표적화된 광고를 위한 예산 할당을 추천하는 단계, 또는 몇몇 다른 유형을 추천하는 단계를 포함할 것이다. 추천은 합성 사용자 식별자에 기초하여 광고 재고를 분할하는 단계를 포함할 것이다.

실시 예들에 있어서, 광고에 대한 다수의 사용자들의 상호작용은 다수의 광고 채널들로부터 유발될 것이다. 다수의 광고 채널들은 온라인 및 오프라인 광고 채널들을 포함할 것이다. 온라인 광고 채널들은 웹사이트를 포함할 것이다. 오프라인 광고 채널들은 인쇄 매체를 포함할 것이다.

실시 예들에 있어서, 맥락적 정보는 장치 특징, 작동 장치, 광고 미디어 유형, 다수의 맥락적 정보, 사용자 인구통계적, 또는 몇몇 다른 유형의 맥락적 정보일 것이다.

도 58을 참조하면, 실시 예들에 있어서, 여기에서 설명반 발명은 다수의 유용한 광고 채널들을 분류하기 위한 방법들 및 장치(5800)를 제공할 것이며, 여기에서 유용한 광고 채널들의 각각은 맥락적 정보(5804), 노출 히스토리, 광고 채널 성과 특징들, 또는 몇몇 다른 유형의 데이터에 적어도 부분적으로 기초하여 분류된다. 예를 들면, 여기에서 설명한 바와 같은, 추적 기계 시설(144)은 광고 요청자의 ID, 사용자, 또는 하기의 예로서 제한되는 것은 아니지만 인터넷 프로토콜 (IP) 어드레스, 광고 및/또는 광고 배치의 문맥, 사용자의 히스토리, 사용자의 지리학적 위치정보, 사회적인 행동, 추론된 인구통계, 광고 노출들, 사용자가 클릭해서 찾아가는 것, 행동 로그들, 또는 몇몇 다른 유형의 데이터를 포함하여 사용자에게 표식을 하는 다른 정보를 기록할 것이며, 유용한 광고 채널들을 분류하기 위해 이 데이터를 이용할 것이다. 다수의 분류된 유용한 광고 채널들 내의 예전 광고 게재와 관련한 광고 노출 로그가 같은 정적인 기술들을 사용하여 분석될 것이며, 여기에서 상기 분석은 사용자와 적어도 하나의 유용한 광고 채널들 사이에서 양적인 연관을 만들어 내는데, 상기 양적인 연관은 적어도 하나의 유용한 광고 채널들(5808) 내에서 광고 변환을 기록하는 사용자의 확률에 적어도 부분적으로 기초하여 표현한다. 양적인 연관은 합성 사용자 식별자(5810)로서 저장되고, 광고는 합성 사용자 식별자(5812)에 적어도 부분적으로 기초하여 유용한 광고 채널들중 적어도 하나 내에서 사용자에게 제시되도록 선택될 것이다. 또한, 실시간 입찰 기계 시설(142)은 다수의 유용한 광고들중 각각을 또한 분류하도록 경제성 평가 모델을 사용할 것이다. 상기 분류는 광고 노출을 달성하는 유용한 광고들중 각각의 확률을 나타내는 데이터일 것이다. 실시간 입찰 기계 시설(142)은 합성 사용자 식별자를 사용하는 것에 추가하여 광고 노출을 달성할 가능성을 나타내는 데이터에 적어도 부분적으로 기초하여 유용한 광고 게재의 우선순위를 매길 것이다. 그런 후에, 실시간 입찰 기계 시설(142)은 우선순위를 매기는 것에 기초하여 다수의 유용한 게재, 및/또는 다수의 광고들중 적어도 하나를 선택하여 사용자에게 제시할 것이다. 유용한 광고 채널들은 합성 사용자 식별자와 입찰 데이터 또는 여기에서 설명한 바와 같은 분석적인 플랫폼(114)에 의해서 사용된 몇몇 다른 유형의 데이터에 적어도 부분적으로 기초하여 유사한 정적인 방법들을 사용하여 우선순위가 매겨질 것이다.

실시 예들에 있어서, 선택된 광고는 사용자의 속성을 사용자 합성 사용자 식별자가 연관된 사람과 공유하는 제 2 사용자에게 제시될 것이다.

실시 예들에 있어서, 선택된 광고의 새로운 노출 후 제시를 등록하기 위한 사용자의 실패는 양적인 연관을 업데이트하도록 학습 기계시설에 의해서 사용된다.

실시 예들에 있어서, 다른 것과의 양적인 연관을 각각 지니는 다수의 합성 사용자 식별자는, 실시간 입찰 기계 시설을 사용하여 광고들을 제시하기 위한 기회에 광고회사가 입찰하는 소비자 집단으로서 태그가 붙여질 것이다. 상기 분석은 실시간 입찰 로그 데이터에 적어도 부분적으로 기초할 경제성 평가 모델을 사용하는 단계를 포함할 것이다. 상기 분석은 역사적인 입찰 데이터에 또한 부분적으로 기초하는 경제성 평가 모델을 사용하는 단계를 포함할 것이다.

도 59를 참조하면, 실시 예들에 있어서, 여기에서 설명한 발명은 맥락적 정보에 적어도 부분적으로 기초하여 유용한 채널 내에서 광고의 배치를 표적화 하기 위한 방법 및 장치(5900)를 제공할 것이며, 상기 장치는 프로세서 및 상기프로세서에서 작동될 수 있는 소프트웨어를 갖는 컴퓨터를 포함한다. 상기 소프트웨어는 적어도 학습기계와 평가 알고리즘 시설을 포함하는 분석 플랫폼 시설을 포함할 것이다. 상기 소프트웨는 (i) 광고(5904)와 다수의 사용자들의 상호작용으로부터 얻는 바와 같이 사용자, 장치, 및 맥락적 정보중 적어도 2개 및 광고 노출 데이터에 광고를 연관시킴으로써, 서버 시설에서 다수의 합성 사용자 식별자를 창조하고; (ii) 고객 장치(5908)와는 별도로 서버 시설에 접속 가능한 데이터페이스에 합성 사용자 식별자를 저장하고; (iii) 광고들을 소자들에게 표적화하기 위해 합성 사용자 식별자를 사용하고 - 여기에서 소비자들에게 제시된 광고의 양, 시기 또는 주기중 적어도 하나는 합성 사용자 식별자(5910)의 사용에 적어도 부분적으로 기초하여 유용한 광고 채널들에 걸쳐서 변함 -; (iv) 만약 광고들이 일정 세기의 수준으로 광고 채널을 통해서 제시되면 광고 유형이 소정의 변환율을 생성하게 되는지를 나타내는 상관관계들을 위한 다수의 합성 사용자 식별자를 분석하고 - 여기에서 일정 세기의 수준은 제시된 광고(5912)의 양, 시기 또는 주기중 적어도 하나임 -; 그리고 (v) 각각의 광고 채널(5914)을 통해서 제시될 광고 유형과 연관된 광고의 조정된 세기를 각각의 특별한 합성 사용자 식별자를 위해 추천하도록 채택될 것이다.

일 실시 예에 있어서, 광고 결과(다른 SUID들에 의해서 확인됨)의 맵핑에 의해서 달성된 효과를 광고들의 SUID들로 양도하는 것은 행렬(M)에 의해서 조절될 것이다. 이 행렬는 다른 SUID들 사이에서 중첩될 확률론적 모델을 나타낼 것이다. 행렬(M)는 각각의 가능한 '효과 합성 사용자 ID'(EID)에 대한 컬럼 및 각각의 채널 합성 사용자 ID(CID)에 대한 열을 가질 것이다. 행렬(M)의 각각의 주어진 열에서 계수의 합은 1에 추가될 것이다.

행렬(M)의 각각의 특별한 셀 열 i, 컬럼 j에 대한 계수들은 일정한 수의 CIDi가 EIDj에 효과를 가질 확률을 계산함에 의해서 연산될 것이다. 이 확률은 각각의 주어진 열 i 컬럼 j에 대하여 1로 표준화될 것이다. 그 표준화는 CID들이 중첩되므로(예를 들면, 스포츠 애호가인 개인이 고속도로에서 야외 패널을 통해서 또한 표적화됨) 필요할 것이다. 할당의 벡터 CID는 효과 EXID를 나타내는 벡터를 순열 결과물을 통해서 행렬(M)에 곱하여 계산될 것이다.

도 41은 가게 세일즈에 대해 영향을 끼치도록 채널 ID를 통해서 표현되는 바와 같이 노출들의 수를 맵핑하도록 제공될 행렬 연산(M 효과 행렬(4102), CID 벡터(4104), 및 EID 벡터(4108)를 포함)의 예를 나타낸다.

도 42는 광고 재고의 SUID 분할을 창조할 매개변수들의 예를 나타낸다. 매개변수들은 광고가 위치하는(4202) 하루의 시간, 소비자가 위치하는(4204) 지역, 광고가 위치하는(4208) 콘텐츠 카테고리, 온라인 광고(4210)의 크기 및 광고(4212)를 광고하도록 사용된 브라우저를 포함한다.

도 43은 광고에 대한 오프라인 데이터와 온라인 데이터용 피드백의 예를 나타낸다.

도 44를 참조하면, SUID들과 연관하여 광고 활동들을 유지하고 추적하기 위해서 사용될 여기에서 설명한 바와 같은 다른 것들 중에서 실시간 입찰 기계 시설(142), 추적 기계 시설(144), 실시간 입찰 로그들(150), 노출, 클릭, 및 행동 로그들(148), 및 학습 기계시설(138)과 같은 다수의 내부 기계들(하드웨어 및 소프트웨어 성분들을 포함)이 도시되어 있다.

실시 예들에 있어서, 실시간 입찰 기계 시설(142)은 광고 분배 서비스 (광고들)(122)로부터 입찰 요청 메세지를 수신할 것이다. 입찰 요청은 일정한 시간제한 내에 반응하므로, 실시간 장치로서 고려될 것이다. 실시간 입찰 기계 시설(142)은 장치가 결정하는 것을 사용자가 기다리는 동안에 광고 메세지가 보여지는 것을 또한 계산할 것이다. SUID들과 같은 데이터는 광고 성공, 광고 변환 등과 같이 SUID들과 연관된 역사적인 데이터에 적어도 부분적으로 기초하여 입찰과 평가를 모델화하도록 사용될 것이다. 상기 장치는 학습 기계시설(138)에 의해서 적어도 부분적으로 제공되는 SUID들을 포함하는 알고리즘을 사용하여 최적의 입찰 값을 역동적으로 추정하는 바와 같이 실시간 계산을 수행할 것이다.

실시간 입찰 로그들(150)은 실시간 입찰 기계 시설(142)에 의해서 수신된 입찰요청 및 이것에 의해서 보내진 입찰 반응의 기록들을 포함할 것이다. 이 로그들은 사용자가 방분한 사이트들에 관한 데이터를 포함할 것이다. 이것은 사용자 관심, 브라우징 습관을 얻고 SUID들을 연산하는데 또한 사용될 것이다. 또한, 이 로그들은 다른 채널들로부터 광고 배치 기회들의 도착율을 기록할 것이다.

실시 예들에 있어서, 학습 기계시설(138)은 SUID들에 적어도 부분적으로 기초하는 표적화 알고리즘을 포함하여 실시간 입찰 엔진을 위한 표적화 알고리즘을 개발하도록 사용될 것이다. 온라인 광고들을 양호하게 표적화하는데 사용될 다른 것들 중에서 사회적인 행동, 추론된 인구통계, 추론된 SUID들을 포함한 패턴들을 채택할 것이다. 학습 기계시설(138)은 추적장치에 의해서 생성된 노출, 클릭 및 행동 로그들(148)을 이용할 것이다.

다양한 기계들 중에서 상호작용과 조정은 광고회사 A는 광고배치를 위한 위치와 시간을 제한 및/또는 나타내는 명령에 따라서 "주문"을 위치시키는 시나리오를 사용하여 설명될 것이다. 일 실시 예에 있어서, 이 명령들은 여기에서 설명한 바와 같은 방법들 및 장치에 의해서 제공된 SUID들과 같은 표적화 매개변수의 선택을 포함할 것이다. 다음에, 이 주문은 다중 채널들에 걸쳐서 실행될 것이다. 광고회사는 캠페인이 성공하기 위한 '좋은 자질' 의 기준을 명시할 것이다. '좋은 자질' 의 기준은 광고회사 웹사이트에서 또는 오프라인 구매, 방문 또는 광고회사와의 다른 상호작용을 통해서 완결될 사용자의 활동을 기록하는 것으로 추적될 특별한 지표를 통해서 측정될 것이다.

계속적인 예에서, 다음 단계로서, 상기 장치는 광고들(온라인 및 오프라인)을 위치시키기 위해 유용한 채널들을 작은 섹션들로 분할 할 것이며, 예를 들면 각각의 섹션은 SUID를 나타낸다. 분할은 하루의 시간, 한주의 요일, 콘텐츠의 유형, 사용자의 지리학적 위치, 사용자 브라우저, 또는 몇몇 다른 데이터 유형과 같은 매개변수들의 조합에 기초할 것이다. 예에 있어서, TV 미디어를 위한 분할은 지리학, 하루의 시간, 한주의 하루, 콘텐츠의 유형 등에 기초할 수 있다. 잡지에 있어서, 분할은 한해의 월, 지리학(다중 광고 지역에서 실행하는 잡지들 위함), 및 콘텐츠의 유형 등에 기초할 것이다. 광고회사에 의해서 특정된 '좋은 자질' 의 기준 및 긍정적인 결과들은 긍정적인 결과가 하나 또는 그 이상의 SUID들에 할당될 수 있도록 성문화될 것이다. 온라인 광고들을 위하여, 매개변수들의 조합은 각각의 SUID에 대한 적은 사용자들을 구별하는 고도의 링크들을 초래할 것이다.

실시 예들에 있어서, 학습 시스템은 SUID들이 원하는 결과 대 다른것을 창조하는데 있어서 보다 성공적인 것에 속하는 정보를 활용하도록 사용될 것이다. 이 학습 시스템은 무엇이 성공적인 것인가에 기초하여 맞춤형 표적화 알고리즘을 개발할 것이다. 알고리즘은 주어진 조건들에 기초하여 광고의 기대값을 계산하고, 특정화된 '좋은 자질' 의 기준을 최대화할 방안을 찾게될 것이다.

실시간 입찰의 경우에 있어서, 알고리즘은 광고를 위치시킬 기회를 기다리는 실시간 입찰 기계 시설(142)에 의해서 수신될 것이다. 입찰 요청들은 실시간 입찰 기계에 의해서 수신될 것이다. 각각의 요청은 수신된 알고리즘(SUID들을 이용할)을 사용하여 각각의 광고회사에 대한 값에 대해 평가될 것이다. 입찰 응답은 매력적인 값을 갖는 광고들에 대하여 보내질 것이다. 낮은 값들은 만약 적절하게 추정되었다면 입찰될 것이다. 요청에 대한 입찰은 특별한 가격에 위치될 것이다.

한편, 비-실시간광고 구매의 경우에 있어서, 알고리즘은 얼마나 많은 예산이 각각의 광고 채널에 할당되었는지를 광고 채널 지지로서 점진적인 정도로 결정할 비-실시간 주문 창조 장치에 의해서 수신될 것이다. 예를 들면, 특별한 시간에 TV 스폿을 구매하는 것은 불가능하지만, 아침, 오후, 저녁 또는 밤과 같이 다른 프로그래밍 시간 스폿은 가능하다. 비-실시간광고 구매를 위해, 광고 실행 시간, 도달 및 다른 매개변수들에 대한 지표가 오프라인 방법들을 통해서 수집되고, 관련 데이터가 장치에 추가될 것이다.

온라인 미디어에 대하여, 추적 기계 시설(144)은 광고 노출들, 사용자 클릭, 및/또는 사용자 행동을 기록할 것이다. 추적 기계 시설(144) 로그들은 학습 시스템으로 전송되는데, 상기 학습 시스템은 '좋은 자질' 의 기준을 사용하여 알고리즘의 개선 및 주문제작을 결정할 것이다. 이 프로세스는 반복적인 프로세스일 것이다.

다양한 실시 예들에 따라서, 본 발명은 미디어, 소비자, 및 사용자들이 공유하는 창조적인 속성을 통해서 사용자들을 나타내기 위해 (필요에 따라) 사용자들의 그룹화를 용이하게 수행한다. 이 그룹들의 각각은 가능한한 세분화하여 그룹들을 나타내는 SUID에 할당될 것이다. 온라인의 경우에 있어서, 모바일, 및 IP 콘텐츠를 포괄하는 비디오, 결합된 SUID들은 매우 적은 개인들 또는 단지 한사람을 나타내게될 것이다. 다중 SUID들을 이용한 사용자들의 동시적인 태그 붙이기는 가능할 것이다. 그러나, 각각의 SUID 및 각각의 SUID를 나타내는 매개변수를 위한 세분화의 정도는 채널들에 걸쳐서 변하거나 또는 다른 이유들로 변하게 될 것이다. 그럼에도 불구하고, 긍정적인 결과의 확인 및 하나 또는 그 이상의 SUID들에 대한 긍정적인 결과의 연결은 여기에서 설명한 바와 같은 방법들 및 장치를 사용하여 광고회사에 대해 가능할 것이다. 또한, 본 발명은 피드백 데이터 처리의 창조를 용이하게 하며, 이에 의해서 각각의 SUID 하에 위치한 광고들로부터 제공된 데이터는 각각의 광고와 독특한 개인을 결과에 따라서 맵핑하는 것이 불가능한 경우에도 달성된 결과에 따라서 정렬될 것이다. 실시 예들에 있어서, 본 발명은 채널들에 걸친 예산의 자동적인 재할당을 가능하게 한다.

본 발명의 일 실시 예에 따라서, 광고 캠페인의 성과를 측정하고 최대화할 디지털 및 아날로그 미디어의 구매자들 및 판매자들을 위한 글로벌 수율 관리용 방법 및 장치들이 제공된다. 디지털 미디어의 예들은, 하기의 예로서 제한되는 것은 아니지만, 디스플레이 광고들, 비디오 광고들, 모바일 광고들, 서치 광고들, 이메일 광고들, IPTV, 및 디지털 게시판을 포함할 것이다. 아날로그 미디어의 예들은, 하기의 예로서 제한되는 것은 아니지만, 라디오, 실외 패널, 실내 패널, 인쇄 매체, 또는 몇몇 다른 유형의 아날로그 미디어를 포함할 것이다.

실시 예들에 있어서, 방법들 및 장치는 구매자들이 그들의 결과를 최대화할 수 있도록 역경매를 가능하게 한다. 예에 있어서, 광고들의 판매자들은 하나 또는 다수의 광고 기회들을 팔려는 경우에 콜하게 되는 글로벌 수율 매니저-구매자(GYM-B 4712) 장치에 연결될 것이다. 구매자들은 팔기 위한 오퍼를 관찰하고 그들의 이익을 극대화할 수 있는 것을 찾아서 구매를 결정한다. 이 경우들의 어느 경우에 있어서, 상기 장치는 광고회사가 각각의 출판사에 대하여 허용되거나 그 역인 것과 관련한 규칙들을 기록 및 관찰할 것이다.

일 실시 예에 있어서, 구매자는 팔릴 광고들을 요청하는 판매자를 콜할 것이다. 다른 실시 예에 있어서, 상기 장치는 판매자가 하나 또는 그 이상의 광고들을 구매자에게 위치시킬 기회를 제공하기로 결정하는 각각의 시간에 콜될 광고서버로서 구매자를 찾을 것이다. 단순화한 예에 있어서, 글로벌 수율 운영 장치와 연관된 단일 광고회사가 제공될 것이다. 그러한 경우에 있어서, 구매자들의 전망으로부터 유용한 옵션들은 없을 것이다(즉, 출판사에 의해서 제공된 모든 노출들이 이용될 것이다). 각각의 광고 배치 기회에 대해 지불해야할 비용은 고정되고, 광고회사는 각각의 배치 기회를 위해 사용될 광고의 다중 버전들을 가질 것이다. 이 경우에 있어서, GYM-B 4712는 보여주기에 창조적인 단지 일차원으로 결정할 것이다: 그러한 캠페인을 위한 성공 측정에 의해서 측정된 바와 같이 캠페인 성과를 최대화는 방안이 모색될 것이다. 또한, GYM- B 4712은 GYM-B 4712과 연관된 각각의 출판사에 대한 특별한 성과 목표를 가질 것이며; 그리고 그러한 목표가 달성되지 않을 때는 이러한 국면을 운영자 및/또는 출판사에게 통신하기 위해 자동화된 이메일을 발송할 것이다.

다른 예에 있어서, 글로벌 수율 운영장치와 연관된 단일 광고회사가 존재할 것이며, 구매자들의 전망(즉, 구매자가 노출을 사용하지 않고 그것에 대해 지불을 하지 않음)으로부터 유용한 옵션들이 존재할 것이다. 또한, 광고 배치 기회에 대하여 지불할 가격은 고정될 것이며, 광고회사는 각각의 배치 기회에 대하여 사용될 수 있는 다중 버전의 광고를 가질 것이다. 그러한 시나리오에서, GYM-B 4712는 하나의 광고 또는 다수의 광고를 취할지 말지 여부 및 보여주기 위한 창조성의 2차원적으로 결정할 것이다. 또한, 최적화는 그러한 캠페인의 성공 메트릭에 의해서 측정된 바와 같이 캠페인 성과의 최대화를 도모할 것이다. GYM-B 4712은 GYM-B 4712와 연관된 각각의 출판사를 위한 특별한 성과 목표를 가질 것이며, 그러한 목표들이 달성되지 않으면, 운영자 및/또는 출판사와 통신하기 위한 자동 이메일을 발송할 것이다.

임의적으로 개념을 설명하기 위한 실시 예에 있어서, 광고회사는 고정된 예산 및 비용을 개입시키는 포함할 것이다. 이 경우에 있어서, 장치는 시간 및 구매 진행에 따라서 남았는 출판사 예산의 추적을 유지할 것이며, 위치된 각각의 광고에 대한 예산을 감소시킬 것이다. 타결된 협상은 "광고 배치"라는 결과를 야기할 것이다. 또한, 통합이 표준 광고 태그들을 통해서 적어도 부분적으로 달성될 것이다. 광고 태그들은 출판사 협상 및 풀(pool)(예를 들면, 출판사들은 풀(pool) 내에서 다중협상을 가질 것이다)에 의해서 독특해질 것이다.

실시예들에 있어서, 재고 선택성이 제공될 것이다. 그러므로, 그 장치는 통화량과는 독립적인 예산 양에 대하여 동의한 것을 소비할 것이다. 일 실시 예에 있어서, 장치는 요구가 받아질 것으로 결정할 것이다. 받아들여지지 않은 요구들에 대해서, 장치는 미리 할당된 URL로 복귀할 것이다. 미리 할당된 URL은 출판사, 광고회사 등에 의해서 결정될 것이다. 광고 태그들은 페이지의 URL, 사용자 대리인 정보 (OS, 브라우저, 해상도 등), 쿠키 어드레스(사용자 ID에 대한, 만약 쿠키에서 저장되면 다른 것들), 사용자의 IP 어드레스, 풀(pool)의 ID, 출판사 특별한 광고 태그의 ID와 같은 정보, 및 출판사들이 공유하는 다른 정보(예를 들면 로그인으로부터 제공된 인구통계)를 수집할 것이다. 또한, 광고 태그들은 데이터 수집을 위한 대안적인 코딩이나 자바스크립트를 사용할 것이다. 도 45는 본 발명의 일 실시 예에 따라서 출판사와 광고 네트워크들 사이에서 체인의 단순화한 예를 나타낸다. 일 실시 예에 있어서, 상기 장치는 배치가 활성화되는 모든 날들을 따라서 배치 예산을 균등하게 분배할 것이다. 또한, 예산 페이싱(pacing)은 광고 콜 볼륨과는 독립적일 것이다. 페이싱은 주기적으로(예를 들면, 매일) 고정될 것이다. 실시예들에 있어서, 월별 또는 일생 페이싱이 허용될 것이다. 다른 실시예들에 있어서, 출판사들은 개인 광고회사가 다소간 매일 사는 경우에도 집합된 고른 페이싱을 모색할 것이다. GYM-B 장치에서 각각의 출판사는 가격이 다른 경우에도 다른 것으로 대체될 것이다.

본 발명의 실시예들에 따라서, 만약 캠페인 목적이 존재하면, 장치는 배치의 값을 최대화할 것이다. 수학적으로, 이것은 배치의 값 = 입찰의 합(실시간 장치 입찰 기계에 의해서 계산되는 바와 같이) - 재고 비용의 합(구매자와 판매자 사이에 동의하고 풀(pool) 데이터베이스에 기록된 고정 또는 가변 비용)으로서 표현될 것이다. 또한, 장치는 재고 비용이 고정됨에 따라서 입찰의 합을 최대화할 것이다. 이 경우, 캠페인 목적이 없고, 입찰은 요청하여 고정된 CPM 가격이 될 것이다. 비행은 할당된 예산, 광고들을 나타내기 위해서 사용되는 미디어를 나타내는 한정된 표적화 매개변수들, 그러한 미디어를 사용하여 보여주기 위한 특별한 세트의 광고 메세지와 그래픽들을 수반하는 캠페인의 세분화로서 이해된다. 광고 캠페인은 하나 또는 그 이상의 비행을 통해서 실행된다. 그러므로, 성과 측정 및 최적화를 위한 모든 유용한 데이터를 사용하여 통합된 구매에서 이익이 달성될 것이다. 풀(pool)은 광고 적합성을 평가하기 위해 RTS 4502 평가에 의존할 것이다.

다른 실시 예에 있어서, 데이터 구조들은 GYM-B 4712 장치가 다중 출판사 게재를 고정시키도록 GYM- B 4712에 연결될 것이다. 그 게재는 출판사들에 대한 것으로 캠페인 비행과 같이 행동하므로 광고회사들에 대한 것이다; 상기 배치는 출판사로 하여금 각각을 통해 얼마의 예산이 제공될지 그리고 광고회사가 그것을 사용할 수 있을지와 같은 몇몇 조절을 연습할 수 있게 한다. GYM-B 4712 장치 명칭, 그것에 속하는 게재, 제어 법인(제어 대행사는 광고회사, 또는 광고 대행사가 될 수 있음), 풀(pool) 예산, 연결되는 비행기, 풀(pool) 시작일과 종료일(재고이 주어져야 함) 또는 몇몇 다른 속성과 같은 다수의 GYM-B 4712 장치 속성이 존재할 것이다. 실시 예들에 있어서, 배치 명칭, 출판사 이름, 그것이 속하는 풀(pool), 배치 예산, CPM 가격, 콜 볼륨, 배치 시작일 및 종료일, 패스-백 광고 태그, 배치- 특별 산업, 광고회사의 블랙리스트, 또는 몇몇 다른 속성과 같은 다수의 출판사 배치 속성이 존재할 것이다.

본 발명의 다양한 실시예들에 따라서, 사용자 인터페이스(UI) 기능성은 GYM-B 4712 장치를 위해서 제공될 것이다. UI는 GYM-B 4712 장치에 예산을 할당하는 것과 같이 GYM-B 4712 장치의 기능성을 용이하게 할 것이다. UI는 재고 소오스 유형의 선택을 용이하게 하고, 새로운 GYM-B 4712 장치 속성, GYM-B 4712 장치 명칭, GYM-B 4712 장치 예산, 광고회사 이름, 비행으로부터 전달된 시작일과 종료일, 또는 몇몇 다른 속성의 입력을 용이하게 한다. 새롭게 창조된 풀(pool)은 풀(pool)을 창조했던 광고회사에 대해서만 나타날 것이다. GYM-B 4712 장치에서 각각의 출판사를 위한 게재가 창조될 것이다. 게재는 캠페인에 비행을 추가하는 것과 유사한 방식으로 UI를 사용하여 추가될 것이다. 게재의 창조를 위해서, 배치 명칭, 출판사 이름, 배치 예산, CPM 가격, 콜 볼륨, 배치 시작일 및 종료일, 패스-백 광고 태그, 배치- 특별 산업, 광고회사의 블랙리스트 등과 같은 변수들이 제공될 것이다. UI는 광고 태그들을 출판사로 제공할 것이다. 결과적으로, 이것은 예를 들어 이메일과 통합될 것이다. UI는 또한 비행에 추가하는 것과 유사하게 게재를 추가하기 위해 추가적인 스크린들을 또한 포함할 것이다.

UI는 풀(pool) 수준 보고, 배치 수준 보고, 배치 수준 성과, 정상 수준 도메인 보고, 화해를 위한 비용청구 등과 같은 보고에 대한 접속을 제공할 것이다.

풀(pool) 수준 보고는 하루를 기준으로 및/또는 창조성을 기준으로 또는 몇몇 다른 기준으로 광고들의 볼륨을 포함할 것이다. 배치 수준 보고(예를 들면, 각각의 출판사 비행에 대하여)는 하루를 기준으로 볼륨 및 패스-백 백분율을 포함할 것이다. 또한, 배치 수준 성과(예를 들면, 각각의 출판사 비행에 대하여)는 입찰 값들의 합과 광고 비용의 합의 차이와 같아질 평가/성과를 포함할 것이다. 마찬가지로, 정상 수준 도메인 보고는 일별과 월별 축적 볼륨, 및 일별과 월별 축적 고유의 정상 수준 도메인들을 포함할 것이다. 각각의 출판사 비행에 대한 화해를 위한 비용청구 보고는 지난 6개월 및 월 대 일 정보, 소모된 예산, 획득한 노출들, 수신된 콜들, 패스-백의 백분율 또는 몇몇 다른 정보를 포함할 것이다. 일 실시 예에 있어서, 모든 예산은 명화한 시작/종료 일자에 따라 단일 비행으로부터 얻어질 것이다. 이와는 달리, 다중 광고회사는 풀(pool) 시작 및 종료 일자들 내에서 배치로부터 광고들을 이용하여 캠페인을 시작하고 종료할 것이다.

다른 예에 있어서, 글로벌 수율 운영장치와 연관된 다수의 광고회사가 존재할 것이며, 구매자들의 전망(즉, 구매자가 노출을 사용하지 않고 그것에 대해 지불을 하지 않음)으로부터 유용한 옵션들이 존재할 것이다. 각각의 광고 배치 기회에 대하여 지불할 가격은 고정될 것이며, 광고회사는 각각의 배치 기회에 대하여 사용될 수 있는 다중 버전의 광고를 가질 것이다. 이 경우에 있어서, GYM-B 4712는 예를 들면 광고 또는 광고들을 취할지 말지 여부 및 광고회사에 보여주기 위한 창조성의 3차원적으로 결정할 것이다. 최적화는 각각의 캠페인의 성공 메트릭에 의해서 측정된 바와 같이 캠페인 성과를 최대화를 도모할 것이다. 목표들이 달성되지 않은 몇몇 캠페인들이 존재할 것이다. 이것은 GYM-B 4712의 오퍼레이터에 의해서 우선순위를 정하는 동안에 고려될 것이다. GYM-B 4712의 오퍼레이터는 노출을 취할지 여부의 결정을 고려할 볼륨 목표들을 가질 것이다. 또한, GYM-B 4712은 GYM-B 4712와 연관된 각각의 출판사를 위한 특별한 성과 목표를 가질 것이며, 그러한 목표들이 달성되지 않으면, 운영자 및/또는 출판사와 통신하기 위한 자동 이메일을 발송할 것이다.

다른 예에 있어서, 글로벌 수율 운영장치와 연관된 여러 광고회사가 존재할 것이다. 구매자들의 전망(즉, 구매자가 노출을 사용하지 않고 그것에 대해 지불을 하지 않음)으로부터 유용한 옵션들이 존재할 것이다. 각각의 광고 배치 기회에 대하여 지불할 가격은 가변적일 것이다. 광고회사는 각각의 배치 기회에 대하여 사용될 수 있는 다중 버전의 광고를 가질 것이다. 이 경우에 있어서, GYM-B 4712는 예를 들면 광고(들)을 취할지 말지 여부, 광고회사가 광고(들)을 취하기 위해 얼마를 지불해야 할지 및 다른 것들 중에서 광고회사에 보여주기 위한 창조성의 다차원적으로 결정할 것이다. 최적화는 링크된 모든 캠페인에 대한 각각의 캠페인의 성공 메트릭에 의해서 측정된 바와 같이 최대성과에 도달함으로써 그리고 각각의 노출에 대해 최저의 가능한 가격을 지불함으로써 시장의 전체 가치를 최대화하는 것을 도모할 것이다. 대안적으로, 최적화는 "가치로" 또는 "이윤보다 작은 가치로" 노출들을에 대한 가격을 지불할 것이며, 이에 의해서 선택된 기회들에 대한 높은 가격을 지불함으로써 출판사들이 참여할 수 있게 된다. 고밀도의 양호한 기회들을 갖는 출판사들은 전체적으로 높은 가격을 수용할 것이며, 그리하여 양호한 질의 콘텐츠가 참여할 장려책을 창조하게 된다. 또한, GYM-B 4712의 오퍼레이터는 노출을 취할지 여부의 결정을 고려할 볼륨 목표들을 가질 것이다. 목표들이 달성되지 않은 몇몇 캠페인들이 존재할 것이며, 그것들에 대하여 GYM-B 4712의 오퍼레이터에 의해서 우선순위가 설정될 수 있다. 또한, GYM-B 4712은 GYM-B 4712와 연관된 각각의 출판사를 위한 특별한 성과 목표를 가질 것이며, 그러한 목표들이 달성되지 않으면, 운영자 및/또는 출판사와 통신하기 위한 자동 이메일을 발송할 것이다. 각각의 출판사가 그것의 광고를 팔지 않는 "최저가격"을 임의적으로 명시함을 주목할 수 있을 것이다.

또한, 상기 시나리오는 같은 GYM-B 4712 장치로부터 참여할 다중 광고회사를 포함한다. RTS 4502는 광고회사와 광고들을 보여주는 것을 결정할 것이다. RTS 4502는 광고회사와 광고들을 보여줄지를 결정하기 위한 체계화된 해법을 가질 것이다. 비록 RTS 4502가 출판사 페이싱을 해결하지 못하지만, 풀(pool)은 광고를 사용할지 그리고 패스-백 할지를 결정할 것이다. 이 장치의 실시 예들은 RTS 4502 코어에서 복잡성의 감소를 용이하게 하고, 출판사 및 출판사 최적화장치들을 대상으로 투명한 정책을 가능하게 한다.

GYM-B 4712 장치의 기능성들은 광고 콜의 수신, RTS 4502의 전달 및 콜, 콜 또는 패스-백을 취할 것인지 여부의 결정, 올바른 대답(광고 태그 또는 패스-백 어드레스)의 송신, 그것의 기반시설들을 사용하여 이러한 사건과 다른 사건들의 기록 및 사건들의 처리를 또한 포함할 것이다.

도 46은 유용한 예산을 위한 다중의 시작 및 종료일에 따라 다중 재고들과 광고 캠페인들 사이의 일시적인 관계를 나타낸다. GYM-B 4712 장치에 대한 UI 기능성은 창조적인 독립체(풀(pool)이 유용한 재고 소오스로서 보여짐)의 영역 내에서 풀(pool) 및 캠페인들을 위해 명칭의 양도를 가능하게 할 것이다. UI는 또한 예산 탭(예를 들면, 연관된 비행의 예산의 합)을 디스플레이 할 것이다. US를 사용하여, 새로운 비행 예산은 언제든지 추가될 것이다. 실시 예들에 있어서, 다중 비행은 예산을 제공할 것이며, 다중 광고회사는 재고으로부터 공급될 것이다.

실시 예들에 있어서, 예산 옵션들은 단지 새로운 비행을 새로운 재고에 대응하게 하고 시간 및 예산과 부합할 수 있도록 함으로써 균형을 이루게 될 것이다. 풀(pool)은 광고회사들 사이에서 "교환을 위한 만남 장소"가 될 것이며, 풀(pool)은 균형 잡히게 될 것이다. 다른 실시예들에 있어서, 예산 옵션들은 유용한 재고이 각각의 주 동안에 팔리도록 보장하기 위해서 주간을 기초로 시작/종료하도록 비행 및 예산을 제한함으로써 균형을 이루게될 것이다. 비행 페이싱은 변할 수 있을 것으로(예를 들면, 만약 명목상의 페이싱이 USD1K/일이면, 실제적으로는 USDO/일 내지 USD3K/일로 변할 것이다) 가정된다. 또한, 본 발명의 실시 예들에 있어서, 출판사의 게재 페이싱이 또한 변할 것이다.

UI는 다른 가격책정 체계들(즉, 고정되거나 가변적인 가격 인상 백분율) 및 광고회사에 의해서 지불될 다른 비율들에 걸쳐서 할당 이슈들을 취급하도록 설계될 것이다.

본 발명의 다른 실시예들에 있어서, UI는 출판사 또는 광고회사가 셀프 서비스할 수 있게 할 것이다. UI는 보고, 다른 가격책정 양상(가변적인 CPM), 다른 패스-백 메카니즘, 및 2차 프리미엄 등을 통합할 것이다. 패스-백은 노출에 의한 블록이나 노출로서 재판매될 것이다.

실시 예들에 있어서, 광고 태그는 프록시를 콜할 것이다. 콜은 쿠키정보, 대리인 및 다른 변수들을 포함할 것이다. 자바스크립트, 또는 몇몇 다른 방법은 콜을 창조하도록 사용될 것이다; 자바스크립트 코드는 CDN으로부터 서비스될 것이고, 그래서 광고 태그는 필요한 경우에 콤팩트하고 맞춤형으로 제작될 수 있다. 광고를 취할지 또는 취하지 말지에 대한 결정은 프록시에서 일어날 것이다. 프록시를 사용하여 이미 구축된 입찰 기반시설 대부분을 유지하면서 실행을 단순화한다. 광고 태그 정보는 예를 들면 가짜 교환 ID를 추가함으로써 매트를 위한 RTS 4502로 옮겨지게 될 것이다. 가짜 교환 ID는 광고 태그 당 독특할 것이다. 일 실시 예에 있어서, 룩 업 데이블이 재고를 분류하고 RTS 4502 콜(예를 들면 XXNews로 부터 매번 노출에 대해, XXNews 카테고리 = News 및 AA에 대한 매번 노출, 카테고리 = 비지니스)에 있는 정보를 전달하기 위해 창조될 것이다. 또한, 광고 비행은 가짜 교환 ID에서 표적화될 것이다.

여기에서 모든 설명한 시나리오들에 대하여 노출들(사용되지 않음)이 옵션없이 그것들을 취하게 될 2차 구매자를 지나치는 변화가 존재할 것이다. 그들의 광고 기회가 2차 구매자에 의해 위치될 것이므로 이 변화는 출판사의 동의를 필요로 할 것이며, 임의성이 없는 시나리오에 대해 변화는 한가지를 창조할 것이다.

실시 예들에 있어서, GYM-B 4712의 사용은 광고회사 예산의 침투를 용이하게 할 것이다. 광고회사는 집중관리되는 보고 및 최적화를 달성할 것이고, 광고 대행사는 노출 재고 할당에 의해서 캠페인 성과를 개선할 것이다. 알려지지 않은 출판사들이 제기하는 콘텐츠 안전은 효과적으로 해결될 것이며, 광고회사는 미디어 매수를 협상하고, 재고는 프리미엄 사이트들 또는 높은 질의 포털들로부터 제공될 것이다; 그리고 보장된 예산을 통해서 상기 장치는 노출을 보여줄 올바른 광고를 선택할 것이다. 상기 장치는 학습을 위한 캠페인 게재에 영향력을 발휘하고, 보고를 통합하고, 출판사 성과에 대한 초기 자동화된 레포트를 제공할 것이다. 출판사들이 협상된 미디어 구매를 실행하고 광고들이 보호된 가격으로 프리미엄 브랜드들로 팔리는 경우, 상기 장치는 노출을 위해 적당한 광고회사와 페이지를 선택할 것이다. 상기 장치는 학습을 위한 모든 캠페인 게재에 영향력을 발휘하고, 보고를 통합하고, 출판사 성과에 대한 초기 자동화된 레포트를 제공할 것이다. 출판사들은 도 45에 도시된 바와 같은 광고 서버들 및 데이지 체인에 따라 협상하도록 사용돌 것이다. 상기 장치는 그래픽을 검색하도록 실제적인 광고 서버로 사용자 브라우저를 보낼 광고 콜 또는 상기 체인에서 다음 수준으로 사용자 브라우저를 보낼 리다이렉트의 사용을 용이하게 할 것이다.

다른 실시 예에 있어서, 상기 장치는 팔기 위한 광고들, 입찰을 위해 받아들일 최소 가격을 선택하고 그러한 광고들을 다른 구매자들에게 양도함으로써 작동할 것이다. 제 1 구매자는 광고 입찰가능한 자가 될 것이고, 제 2 구매자는 광고회사가 될 것이고, 제 3의 구매자는 재판매자가 될 것이다. 구매자들의 각각은 광고들을 구매하기 위한 다른 조건들, 몇몇 조건에서 프리미엄을 지불하기 위한 조건들 및 다른 광고들을 취하지 않는 조건들을 가질 것이다. GYM-판매자 (GYM-S)의 한가지 목적은 팔린 광고 재고의 대충자금을 최대화하도록 판매자를 도울 것이다.

하나의 구현 예에 있어서, 판매자들은 광고를 팔기 위한 제안을 보내기 위해서 장치를 사용할 것이다.

GYM-S 4814 장치는 구매자가 광고 또는 광고들을 얻을지 여부, 광고 또는 광고들에 어떤 정보를 부착할지 여부, 판매하기에 수용가능한 가격은 무엇인지, 입찰을 수용할지 말지 여부, 소통될 바닥가격은 얼마인지, 판매를 제안할 옵션을 제공할지 말지 여부, 및 그렇게 할 가격이 얼마인지, 또는 몇몇 다른 정보를 얻을지를 결정할 것이다. 광고들에 부착된 정보는 변할 것이고, 출판사 정체를 포함하거나 익명으로 처리할 것이다. 상기 장치는 기록을 유지할 것이며, 각각의 출판사에 대해 허용된 광고회사(들) 또는 그 역에 대한 규칙들을 존중할 것이다.

예에 있어서, 글로벌 수율 운영 장치와 연관된 단일의 판매자와 단일의 구매자가 존재할 것이다. 구매자들의 관점에서는 선택적이지 않을 수 있다. 판매자들로부터 광고 기회들에 대해 제공된 모든 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 유사하게, 구매자들에 의해서 보내어진 모든 입찰이 수용될 것이어서 판매자의 관점에서는 선택적이지 않을 수 있다. 각각의 광고 배치 기회에 대한 입찰이 고정되므로, 모든 입찰은 같은 고정된 가격으로 진행될 것이다. 광고회사는 다중 광고 크기들을 가질 것이며, 페이지가 구매자에게 보내질 것이다. 이 페이지는 출판사에 의해서 제공된 다른 페이지들의 일부가 되거나 또는 콘텐츠의 특별한 카테고리에 속할 것이다. 이 경우에 있어서, GYM-S 4(114)은 단지 일차원적으로(예를 들면, 광고 크기) 보내지도록 결정할 것이다. 양호하게 수행되는 재고를 나타내는 구매자로부터 판매자로 제공되는 신호가 없는 경우에, 최적화 전략은 구매자에게 최저의 가능한 대안적인 대충자금으로 광고 기회들을 보낼 것이다. 그러나, 광고들이 양호하게 수행되는지를 나타내는 신호가 존재하는 경우, 상기 전략은 최고로 수행하는 페이지들을 최저의 가능한 대안적인 대충자금으로 보내는 것에 의해 성과를 최대화하게 될 것이다.

실시 예들에 있어서, GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며, 그러한 목표들이 달성되지 않은 경우, 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

다른 예에 있어서, GYM-S 4(114) 장치와 연관된 단일 판매자와 다중 판매자들이 존재할 것이다. 구매자들의 관점에서는 선택적이지 않을 수 있다. 판매자들로부터 광고 기회들에 대해 제공된 모든 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 유사하게, 구매자들에 의해서 보내어진 모든 입찰이 수용될 것이어서 판매자의 관점에서는 선택적이지 않을 수 있다. 각각의 광고 배치 기회에 대해 입찰하는 가격은 고정될 것이다(모든 입찰은 같은 고정된 가격으로 진행될 것이다). 광고회사는 다중 광고 크기들을 가질 것이며, 페이지가 구매자에게 보내질 것이다. 이 페이지는 출판사에 의해서 제공된 다른 페이지들의 일부가 되거나 또는 콘텐츠의 특별한 카테고리에 속할 것이다.

이 경우에 있어서, GYM-S 4(114)은 광고 크기, 보내질 페이지 및 그것을 받을 구매자와 같은 측면으로 결정될 것이다. 양호하게 수행되는 재고를 나타내는 구매자로부터 판매자로 제공되는 신호가 없는 경우에, 최적화 전략은 구매자에게 최저의 가능한 대안적인 대충자금으로 광고 기회들을 보낼 것이다. 그러나, 광고들이 양호하게 수행되는지를 나타내는 신호가 존재하는 경우, 상기 전략은 최고로 수행하는 페이지들을 최저의 가능한 대안적인 대충자금으로 보내는 것에 의해 성과를 최대화하게 될 것이다. GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며, 그러한 목표들이 달성되지 않은 경우, 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

다른 예에 있어서, GYM-S 4(114) 장치와 연관된 단일 판매자와 다중 구매자들이 존재할 것이다. 구매자들의 관점에서는 선택적이지 않을 수 있다. 판매자들로부터 광고 기회들에 대해 제공된 모든 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 또한, 판매자의 관점에서는 선택적일 것이다(예를 들면, 구매자들이 보낸 모든 입찰이 수용되지는 않는다). 각각의 광고 배치 기회에 대해 입찰하는 가격은 고정될 것이다(모든 입찰은 같은 고정된 가격으로 진행될 것이다). 또한, 출판사는 다중 페이지들을 가질 것이며, 각각의 페이지는 다른 유형의 콘텐츠를 가지며, 광고들 배치를 위한 다중 광고 크기들을 가지며; 상기 출판사는 특별한 페이지가 구매자에게 전송될지를 결정할 수 있고, 그 페이지 내에서 전송될 페이지를 결정할 수 있다. 이 시나리오에 있어서, GYM-S 4(114)은 전송될 광고 크기와 페이지, 그것이 보내질 구매자와 같은 차원으로 결정될 것이고, 결과적인 입찰을 수용할지 여부를 결정할 것이다. 양호하게 수행되는 재고를 나타내는 구매자로부터 판매자로 제공되는 신호가 없는 경우에, 최적화 전략은 구매자에게 최저의 가능한 대안적인 대충자금으로 광고 기회들을 보낼 것이다. 광고들이 양호하게 수행되는지를 나타내는 신호가 존재하는 경우, 상기 전략은 최고로 수행하는 페이지들을 최저의 가능한 대안적인 대충자금으로 보내는 것에 의해 성과를 최대화하게 될 것이다. GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며; 그러한 목표들이 달성되지 않은 경우, 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

다른 샘플 실시 예에 있어서, GYM-S 4(114) 장치와 연관된 단일 판매자와 다중 구매자들이 존재할 것이다. 구매자들의 관점에서는 선택적일 것이다. 예를 들면, 판매자들로부터 광고 기회들에 대해 제공되지 않은 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 유사하게, 판매자의 관점에서는 선택적일 것이다(예를 들면, 구매자들이 보낸 모든 입찰이 수용되지는 않는다). 각각의 광고 배치 기회에 대해 입찰하는 가격은 고정될 것이다. 또한, 광고회사는 다중 광고 크기를 가질 것이며, 페이지는 구매자로 보내질 것이다. 이 경우에 있어서, GYM-S 4(114)은 광고 크기, 보내질 페이지 및 그것을 받을 구매자와 같은 측면에서 결정될 것이다. 상기 장치는 재고에 대한 관심수준을 측정하기 위해서 "구매자에 의한 입찰없음" 신호를 이용할 것이며, 최저의 가능한 대안적인 대충자금으로 입찰을 얻는 최고의 가능성으로 페이지들을 보낼 것이다. GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며; 그러한 목표들이 달성되지 않은 경우, 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

다른 예에 있어서, GYM-S 4(114) 장치와 연관된 다중 판매자들과 다중 구매자들이 존재할 것이다. 구매자들의 관점에서는 선택적일 것이다. 예를 들면, 판매자들로부터 광고 기회들에 대해 제공되지 않은 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 유사하게, 판매자의 관점에서는 선택적일 것이다; 구매자들이 보낸 모든 입찰이 수용되지는 않는다. 각각의 광고 배치 기회에 대해 입찰하는 가격은 고정될 것이다(모든 입찰은 같은 고정 가격이 될 것이다). 광고회사는 다중 광고 크기를 가질 것이며, 페이지는 구매자로 보내질 것이다. 이 경우에 있어서, GYM-S 4(114)은 광고 크기, 보내질 페이지 및 그것을 받을 구매자와 같은 차원에서 결정되고 결과적인 입찰을 수용할지 여부를 판단할 것이다. 상기 장치는 재고에 대한 관심의 결핍을 측정하기 위해서 "구매자에 의한 입찰없음" 신호를 이용할 것이며, 최저의 가능한 대안적인 대충자금으로 입찰을 얻는 최고의 가능성으로 페이지들을 보낼 것이다. GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며; 그러한 목표들이 달성되지 않은 경우, 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

[00293] 다른 예에 있어서, GYM-S 4(114) 장치와 연관된 다중 판매자들과 다중 구매자들이 존재할 것이다. 구매자들의 관점에서는 선택적일 것이다. 예를 들면, 판매자들로부터 광고 기회들에 대해 제공되지 않은 콜들은 광고 입찰에 의거해서 구매자가 반응하게 될 것이다. 판매자의 관점에서는 선택적일 것이다; 구매자들이 보낸 모든 입찰이 수용되는 것은 아니다. 또한, 각각의 광고 배치 기회를 위한 입찰 가격이 가변적이다. 광고회사는 다중 광고 크기를 가질 것이며, 페이지는 구매자로 보내질 것이다. 이 경우에 있어서, GYM-S 4(114)은 사용할 판매자, 광고 크기, 보내질 페이지 및 그것을 받을 구매자와 같은 차원에서 결정하고 결과적인 입찰을 수용할지 여부를 판단할 것이다. 상기 장치는 재고에 대한 관심의 수준을 측정하기 위해서 "구매자에 의한 입찰없음" 신호 및 가격 입찰 신호를 이용하고, 최저의 가능한 대안적인 대충자금으로 입찰을 얻는 최고의 가능성으로 페이지들을 보낼 것이다. GYM-S 4(114)는 GYM-S 4(114)와 연관된 각각의 출판사를 위한 특별한 대충자금 목표(팔린 수천개 광고들 당 수익)를 가질 것이며; 이 사실을 오퍼레이터 및/또는 광고회사에 통신하는 자동화 이메일을 발송개시할 것이다.

도 47 및 48은 본 발명의 일 실시 예에 따라서 실시간 입찰 콜들에서 프록시 트랜스레이터를 사용하여 구매자들과 판매자들을 위한 예시적인 GYM을 개략적으로 나타낸다.

도 49는 본 발명의 일 실시 예에 따라서 실시간 입찰 시스템을 사용하여 판매자들을 위한 예시적인 GYM을 개략적으로 나타낸다.

본 발명의 다양한 실시예들에 따라서, 장치에는 (소프트웨어 및 하드웨어 요소들을 포함하는) 외부와 내부 기계 및 서비스가 존재할 것이다. 외부 기계 또는 서비스의 예들은 대행사 또는 광고회사, 대행사 데이터 캠페인 서술자, 대행사 데이터 역사적인 로그들, 광고회사 데이터(152), 핵심 성과 지표들, 역사적인 사건 데이터(154), 사용자 데이터, 맥락적 서비스, 실시간 사건 데이터, 광고 분배 서비스, 광고 수신자, 또는 몇몇 다른 유형의 외부 기계 및/또는 서비스를 포함할 것이다.

실시 예들에 있어서, 대행사 데이터 캠페인 서술자는 채널들, 시간, 및 광고 메세지의 확산을 위해 허용된 예산을 포함할 것이다. 대행사 데이터 역사적인 로그들은 사용자에게 각각의 광고 메세지를 배치하는 것을 나타내며, 예를 들면, 하나 또는 그 이상의 사용자 식별자, 채널, 시간, 지불 가격, 게시된 광고 메세지, 및 사용자 행동을 포함할 것이다. 추가적인 로그들은 즉흥적인 사용자 행동을 또한 기록할 것이다. 광고회사 데이터(152)는, 하기의 예로서 제한되는 것은 아니지만, 마케팅 목적을 동적 또는 정적으로 나타낼 기업 정보수집활동 데이터(예를 들면, 광고회사가 자신의 창고에 갖는 주어진 제품의 재고과잉의 양)를 포함할 것이다.

핵심 성과 지표들(KPI)은 각각의 주어진 행동을 위한 "좋은 자질"를 나타내는 매개변수들의 세트일 것이다. 예를 들면, 제품 활성화는 몇몇 특정 가격(X)으로 값이 매겨지고, 제품 구성은 다른 가격(Y)으로 값이 매겨질 수 있다. KPI는 이러한 다른 캠페인 목표들(예에 있어서, 제품 활성화 및 제품 배치)의 합으로서 표현될 것이고, 각각은 특별한 가중치를 갖는다.

실시간 입찰 시스템은 사용자 사건들의 시간을 그들의 지역에서 일어나는 다른 사건들에 상관시키도록 시도하므로, 역사적인 사건 데이터(154)가 중요할 것이다. 예를 들면, 광고들의 어떤 유형들에 대한 반응율은 주식시장 움직임에 관련될 것이다. 역사적인 사건 데이터(154)는, 하기의 예로서 제한되는 것은 아니지만, 날씨 데이터, 사건 데이터 또는 로컬 뉴스 데이터를 포함할 것이다. 사용자 데이터 블록은 제3자에 의해서 제공된 데이터를 포함할 것이며, 상기 데이터는광고 수신자들에 관한 개인적으로 링크된 정보를 포함할 것이다. 이 정보는 사용자들 우선순위 또는 사용자들에게 라벨을 붙이는 다른 지표들을 나타낼 것이다. 또한, 맥락파악 서비스는 광고를 위한 미디어의 맥락적 카테고리를 확인할 것이다. 예를 들면, 맥락파악은 웹 페이지가 스포츠, 금융 또는 몇몇 다른 화제에 관한 콘텐츠를 포함하는지 여부를 결정하기 위해 웹 콘텐츠를 분석할 것이다. 이 정보는 페이지의 유형들에 나타날 광고들을 양호하게 개선하기 위해서 학습 시스템에 대한 입력으로서 사용될 것이다. 실시간 사건 데이터는 역사적인 데이터와 유사하지만 최신인(예를 들면, 제 2의, 분, 시간, 또는 일) 데이터를 포함할 것이다. 예를 들면, 만약 학습 기계시설(138)이 광고성과 및 역사적인 주식시장 인덱스 값들 사이의 상관관계를 확인하면, 실시간 주식시장 인덱스 값은 실시간 입찰 기계 시설(142)에 의해서 광고들을 가치평가하도록 사용될 것이다. 광고 분배 서비스의 예들은 광고 네트워크들, 광고 교환들, 매도부문 최적화장치들 등을 포함할 것이다.

광고 수신자는 광고 메세지를 수신하는 사람일 것이다. 콘텐츠는 광고 수신자에 의해서 요청된 콘텐츠의 일부 또는 그것에 부착된 것으로서 특별하게 요청되거나("당겨짐") 또는 광고 분배 서비스에 의해서 그 네트워크에 걸쳐서 "밀어짐"이다. 수신광고의 모드의 몇몇 비-제한적인 예들은 인터넷, 휴대폰 디스플레이 스크린, 무선 전송, 텔레비젼 전송, 전자 게시판, 인쇄 매체 및 영화 영사를 포함할 것이다.

실시 예들에 있어서, 외부 기계들 또는 서비스들의 예들은, 하기의 예로서 제한되는 것은 아니지만, 실시간 입찰 기계 시설(142), 추적 기계 시설(144), 실시간 입찰 로그들 150, 노출 클릭 및 행동 로그들 148, 및 학습기계를 포함할 것이다.

구매자들 (GYM-B 4712)을 위한 GYM의 오퍼레이터는 연관되도록 의도될 각각의 출판사를 위한 게재를 창조할 것이다. 이 게재의 각각은 다수의 매개변수들을 가질 것이다. 오퍼레이터 또는 대리인은 미디어를 구배하기 위해서 일정 조건하에서 출판사와 협상할 것이다. 출판사 및 오퍼레이터는 일정 수의 노출들, 지불할 가격, 및 몇몇 노출들을 사용하지 않는 기회가 존재하는지 여부에 동의할 것이다. 몇몇 경우에 있어서, 지불할 가격은 결정되지 않은 상태로 남겨질 것이다. 일 실시 예에 있어서, 출판사는 광고 기회가 나타날 때마다 GYM-B 4712를 호출할 것이다. GYM-B 4712는 광고회사 광고를 사용하여야 하는 몇몇 경우에 있어서 광고를 사용할지를 결정할 것이며, 노출이 사용될지 여부와, 얼마나 많이 지불해야 하는지를 결정할 것이다. 결정하기 위한 주문에 있어서, GYM-B 4712는 각각의 광고회사의 광고의 값, 목표에 대한 출판사의 페이싱, 광고회사 캠페인의 페이싱, 또는 소비자가 그것의 빈도 한계에 도달하는지 여부, 및 오퍼레이터가 주어진 광고에 대하여 출판사가 미디어를 사용할 수 있는지 여부를 포함하는 다중 제한을 사용할 것이다. 일단 결정이 이루어지면, GYM-B 4712은 광고를 전달하도록 광고 분배 서비스에 대한 콜을 보낸다. 노출이 사용되지 않은 경우에, GYM-B 4712은 2차 시장으로 그것을 재판매하거나 또는 출판사가 사용할 수 있도록 하기 위하여 출판사로 그것을 복귀시킬 것이다.

GYM-B 4712은 이러한 기회들의 가치, 그것이 취해질지 또는 아닌지 여부, 광고회사와 창작가가 누구인지와 같이 각각의 출판사 협상을 통해서 수신한 노출 콜들의 추적을 유지할 것이다. 통계들은 다른 것들보다 출판사 협상을 가치 있게 묘사하고, 얼마나 많은 시간의 광고 노출들이 거절되거나 취해지는지, 광고회사나 창작자가 주어진 출판사들을 위한 노출들을 사용하는지를 묘사하도록 창조될 것이다. GYM-B 4712은 각각의 출판사에 대한 상당히 효과적인 페이지들의 페이지 수준으로 분석을 또한 제공할 것이며, 이에 의해서 어떤 콘텐츠가 가장 효과적인지에 대해 출판사에 입력을 제공하게 된다. GYM-B 4712로부터 창조된 보고는 사용된 미디어에 대해 광고회사에 청구서를 발송하는데 사용되고, 출판사로부터 수신한 청구서를 광고회사에 의해서 소비된 실제적인 미디어와 상관시키는데 사용될 것이다. 또한, 출판사에 의한 성과에 대한 통계는 오퍼레이터나 출판사에게 자동 이메일 메세지를 발송하는데 사용되거나 또는 일정 조건이 만족되는 경우에 사용될 것이다.

GYM-S 4814는 본 발명의 일 실시 예에 따라서 출판사의 이익을 최대화할 것이다. GYM-S 4814는 하나 또는 많은 출판사들을 위해 일할 것이며, 다수의 광고회사와 연관될 것이다. GYM-S 4814의 오퍼레이터는 각각의 광고회사와 출판사를 위한 게재를 창조할 것이며, 그 게재는 그들과 연관되도록 의도될 것이다. 오퍼레이터 또는 대리인은 일정 조건하에서 하나 또는 그 이상의 구매자들과 미디어를 구매하는 것에 대해 협상할 것이다. 구매자 및 오퍼레이터는 일정 회수의 노출들, 지불할 가격, 및 몇몇 노출들을 하용하지 않는 기회가 존재하는지 여부에 동의할 것이다. 몇몇 경우에 있어서, 지불할 가격은 여전히 결정되지 않은 상태로 남겨질 것이다. GYM-S 4814은 출판사를 위해 대충자금을 최대화할 광고회사에게 각각의 광고 기회를 양도할 것이다. 이것과 관련한 판단은 광고회사를 참여시키기 위한 평가체계를 포함하는 실시간 입찰 시스템의 사례에 대해 질문하는 것에 의해 창조될 것이다. 이들 체계는 각각의 광고회사 캠페인 KPI를 고려하는 도 1A에 나타낸 기계 학습 및 분석적인 플랫폼을 포함하는 기계학습을 사용하여 창조될 것이다. GYM-S 4814은 몇몇 경우에 있어서 광고를 사용할지, 노출이 사용될지 여부, 광고회사가 그것을 사용할지 여부, 그것을 위해서 얼마나 많이 지불해야 하는지를 결정할 것이다. 이러한 목적을 위해서, GYM-S 4814는 각각의 광고회사의 광고의 값, 목표에 대한 출판사의 페이싱, 광고회사 캠페인의 페이싱, 또는 소비자가 그것의 빈도 한계에 도달하는지 여부, 및 오퍼레이터가 주어진 광고에 대하여 출판사가 미디어를 사용할 수 있는지 여부, 그러한 광고가 다른 광고회사에 대한 대안적인 실현 가격은 무엇인지를 포함하는 다중 제한을 사용할 것이다. 일단 결정이 이루어지면, GYM-B 4814은 광고를 전달하도록 광고회사의 광고 분배 서비스에 대한 콜을 보내고, 또는 노출이 사용되지 않은 경우에, 2차 시장으로 그것을 재판매하거나 또는 출판사가 사용할 수 있도록 하기 위하여 출판사로 그것을 복귀시킬 것이다.

실 예들에 있어서, the GYM-S 4814는 각각의 출판사로부터 수신되어 각각의 광고회사로 전달된 노출 콜, 이러한 기회들의 각각이 얼마나 가치가 있는지, 이것이 취해질지 아닐지, 광고회사와 창작자가 그것을 취할지에 대한 추적을 유지한다. 그러므로, 통계들은 다른 것들보다 광고회사에게 더 가치있음을 보여주고, 얼마나 많은 시간의 광고 노출들이 거절되거나 취해지는지, 광고회사나 창작자가 주어진 출판사들을 위한 노출들을 사용하는지를 묘사하도록 창조될 것이다. GYM-S 4814는 각각의 출판사에 대해 가장 효과적인(가장 가치가 있는) 광고회사의 광고 메세지에 대한 분석을 또한 제공할 것이며, 이에 의해서 어떤 콘텐츠가 가장 효과적인지에 대해 출판사에 입력을 제공하게 된다. GYM-S 4814로부터 창조된 보고는 사용된 미디어에 대해 광고회사에 청구서를 발송하는데 사용되고, 출판사로부터 수신한 청구서를 광고회사에 의해서 소비된 실제적인 미디어와 상관시키는데 사용될 것이다. 또한, 출판사에 의한 성과에 대한 통계는 오퍼레이터, 출판사, 광고회사 또는 그들중 몇몇이나 모두에게 자동 이메일 메세지를 발송하는데 사용되거나 또는 일정 조건이 만족되는 경우(예를 들면, 수신된 미디어가 주어진 기간동안에 요구조건보다 적은 경우에, 수신된 미디어는 제기능을 발휘하지 못하고, 요구조건보다 많은 미디어가 보내지면 계약은 종료될 것이고, 광고회사 광고들은 제 역할을 못하게 된다)

본 발명은 협상 거래 및 고정 조건하에서 획득한 온라인 미디어에 대한 실시간 최적화를 촉진시킨다. 온라인 미디어에 대한 실시간 최적화는 협상 거래 및 고정 조건하에서 판매될 것이다. 본 발명은 통합장치를 사용하기 위해서 간단한 방법을 사용하여 다중 광고회사에 걸쳐서 또한 그러한 미디어의 관리 수율을 촉진시킨다. 유사하게, 본 발명은 실시간 입찰 시스템을 사용하여 다중 출판사들에 걸쳐서 미디어의 관리 수율을 촉진시킨다.

본 발명의 일 실시 예에 있어서, 광고 가치를 결정하기 위한 실시간 입찰 시스템이 사용될 것이다. 본 발명의 다른 실시 예에 있어서, 협상된 미디어를 거래하고 각각의 광고 기회에 대한 미디어를 교체하는 동적 가격책정 조정이 사용될 것이다. 다른 예에 있어서, 콘텐츠를 효과적으로 화폐화하기 위해서 실시간으로 출판사들을 거래하는 동적 가격책정이 사용될 것이다. 본 발명은 모든 유용한 광고회사의 예산에 대해 경쟁하는 출판사들의 협상 거래에 걸친 시장의 창조 및 출판사들로부터 유용한 노출들에 대하여 실시간으로 거래할 광고회사 협상 거래에 걸친 시장의 창조를 촉진할 것이다. 또한, 본 발명은 소비자 당 최대 횟수의 광고들이 하나의 광고회사에게 도달하므로 다른사람이 이익이 되는 노출을 사용할 수 있도록 광고낭비의 감소를 용이하게 할 수 있다. 본 발명은, 협상 거래 또는 광고들을 통해서 획득된 미디어가 목표 또는 과거 실적과 관련하에 제 역할을 못하는 경우에 또는 미디어가 사전에 협상된 매개변수들(일 당 노출들 등)로부터 벗어나는 경우에 출판사, 광고회사, 오퍼레이터 또는 이들의 조합과 통신할 조기 경보장치를 창조하도록 사용될 것이다.

본 발명의 다양한 실시예들에 따라서, 광고를 위치시키기 위해 미디어를 획득하기 위한 다중채널 결정용 장치는 실시간( 미디어가 획득되는 미디어 채널에 의존하는 수용가능한 시간제한과 같이)으로 실행될 것이다. 다중채널 결정에 따른 채널들의 예들은 온라인 디스플레이 광고, 모바일 디스플레이 광고, 온라인 비디오 광고, 온라인 서치 광고, 이메일 광고, TV 광고, 케이블 광고, 접속가능한 IP-TV 광고, 라디오 광고, 신문 광고, 잡지 광고, 옥괴 광고 등을 포함하도록 만들어질 것이다.

장치는 위에서 설명한 것들을 포함하는 다중 채널들에 걸쳐서 광고들을 위치시키는 것을 결정하도록 균일한 체계를 사용할 것이다. 균일한 체계는 각각의 광고 기회에 대해 가치를 할당할 것이며, 소비자에게 제공될 메세지를 결정할 것이다. 상기 체계는 광고들 및 광고들의 세트에 평가를 제공할 것이다. 또한, 상기 장치는 판매자로 하여금 그들의 가격을 낮추게 하거나 또는 제안된 가격으로는 팔지 못하게 하는 덜 효과적인 낮은 값들을 광고들에게 할당함으로써 캠페인들을 실행하기 위해서 미디어 플랜을 자동적으로 조정할 것이다. 판매자들은 그 가격을 낮춤으로써 그들의 광고 기회들을 매력적으로 만들 수 있다. 다른 한편으로, 판매를 수용하지 않음으로써, 판매자들은 다른 효과적인 광고 기회들에 대한 예산 재할당을 이끌어낼 수 있다. 두 경우에 있어서, 평가 기능은 미디 플랜을 한정할 것이며, 구매 볼륨을 조정하고 예산을 재할당할 것이다.

본 발명의 체계는 도 1A에 나타낸 학습 기계및 분석적인 플랫폼을 포함하는데, 이것은 다중 채널들을 나타내는데 사용될 것이며; 그러므로 이 변화들은 하나의 채널을 다른 채널로 교환할 것이다. 체계는 지속적으로 갱신되기 때문에, 체계는 각각의 채널이 어떻게 사용되는지 이들의 결과에 기초하여 어떻게 상호작용하는지를 끊임없이 조정할 것이다. 이것은 부수적으로 선택을 초래하고, 모든 미디어 채널들에 걸쳐서 소비자들이 도달하는 최선의 방법으로 교환할 것이다. 체계는 예를 들면 다중 변수들을 입력으로서 그리고 하나 또는 다중 변수들을 출력으로서 갖는 수학적인 함수나 알고리즘으로 제공될 것이다. 수학적인 함수의 입력은 "광고 배치 기회들" (APO)을 나타내는 매개변수들을 포함할 것이다. 예를 들면, 수학적인 함수는 광고(5002)를 위치시키기 위한 "하루의 시간", 소비자가 위치하는 "지역"(5004), 광고가 삽입되는 "콘텐츠의 유형"(5008), 온라인 디스플레이 광고들(5010)에 대해서만 유용한 "온라인 광고의 크기", TV 광고들(5012)에 대해서만 유용한 "TV 스폿의 길이", "프린트 광고 크기"(5014), 프린트 광고들(5018)에 대하여만 유용한 "홀수 또는 짝수 페이지", 위치될 광고의 유형에 대한 수학적 함수를 언급하는 "사용된 채널"(5020), 도 50에 도시된 바와 같이 실제적인 소비자 ID 또는 가상의 글로벌 소비자 ID가 될 수 있는 "소비자 ID"(5022)와 같은 입력 변수들을 수용할 것이다. 또한, 입력 변수들은 전달된 메세지의 수로 구매의 크기를 나타낼 "노출들", 영향을 받은 소비자들의 수로 구매의 크기를 나타내는 "소비자들의 수", 및 금전적 가치로 구매의 크기를 나타내는 "예산"이 될 것이다. 입력 변수들의 리스트는 예시적이고, 온라인 디스플레이, TV, 및 프린트와 같은 3개의 채널들을 통한 광고 캠페인들을 위한 체계에 개입될 다른 입력 매개변수들이 존재할 것이다.

TV 스폿이 장치에 의해서 평가될 예를 고려하여, "하루의 시간", "지역", 및 "콘텐츠의 유형"과 같은 입력 매개변수들은 제공되지 않을 것이다. 이 시나리오에 있어서, 수학적 함수는 매개변수들이 제공되지 않고 매개변수들 각각에 대해 통상적인 분배가 이루어지고 있다고 가정하는 경우에 답변을 제공할 수 있다. 유사하게, 매개변수들 "온라인 광고의 크기", "홀수 또는 짝수 페이지", 및 "소비자 ID"는 적용될 수 없다. 수학적 함수는 이러한 매개변수들이 이 문맥과 관련이 없다는 사실을 무시할 것이다. 그러나, 매개변수들 "TV 스폿의 길이" 및 "사용된 채널"은 유용할 것이며 사용될 것이다. 매개변수들 "노출들", "소비자 수", 및 "예산"은 결정의 크기를 나타내고, 그들중 적어도 하나가 제공될 것이다. 그 결과, 매개변수들(변수들)의 각각의 조합은 "광고 배치 기회" (APO)를 나타낸다. 가능하지 않을 조합들(예를 들면, "홀수 또는 짝수 페이지" 값을 갖는 TV 광고)은 유용한 APO를 창조하지 않을 것이다. 수학적 함수의 출력은 적어도 인덱스나 금전적 가치로서 광고 기회에 대한 "가치"가 될 것이다. 또한, 장치는 메세지를 나타내는 하나 또는 그 이상의 추가적인 출력 변수들을 통해서 보여질 메세지의 선택을 도울 것이다. 예들은 광고컨셉의 리스트로부터 제공된 사용할 광고의 컨셉, 유용한 변수들의 리스트로부터 제공된 사용할 광고의 변수, 유용한 CTA의 리스트로부터 제공된 소비자에게 제공할 광고의 행동에 대한 콜을 포함할 것이다.

수학적으로, 이것은 하기에 열거된 바와 같이 한 실시 예에서 나타내어질 것이다:

광고(값, 컨셉, 변수, CTA ) =f(TOD, GEO, TOC, 크기, 길이, OorE, Chan, ConslD, Imp, NofCons, 예산)

실시 예들에 있어서, 보여진 APO 및 메세지는 소비자들에게 영향을 줄 것이며, 부수적으로 체계로부터 제공된 평가 및 출력 메세지에 영향을 끼칠 것이다. 소비자에 대한 영향은 광고 캠페인의 특징, 브랜드, 및 광고 시장에 의존할 것이다. 그러므로, 이 체계의 출력은 각각의 캠페인과 시장 상황에 따라 다를 것이다. 결과적으로, 새로운 체계는 각각의 캠페인에 대해 창조될 것이다. 캠페인은 변수들의 다른 조합들(도 51 참조)을 사용하여 소비자에게 영향을 주도록 조정되므로 이것은 중요하다.

또한, 평가를 위한 체계는 도 1A에 나타낸 설비들을 포함하여 여기에서 설명한 바와 같은 기계 학습 기술들을 사용하여 창조될 것이다. 이러한 기계 학습 기술들은 APOs를 통해서 소비자들에게 메세지를 보여주고 이러한 APOs 및 메세지의 결과로서 그러한 사용자들이 그들의 행동을 어떻게 변경하는지에 관한 데이터를 수집하고줄 폐쇄된 피드백 루프에 의존할 것이다. 기계 학습 기술들에 의해서 창조된 기술들은 낮은 확률로 다른 메세지를 전달하기 보다는 긍정적인 방식으로 소비자들에게 영향을 끼치기 위하여 APOs 및 메세지를 높은 확률로 할당할 것이다.

광고 시장의 특성 때문에, 다른 채널들이 그들의 자체주소 확보능력에 대해 다른 정도의 조악함을 가질 것으로 기대된다. 예를 들면, 온라인 디스플레이에 대해 단일의 APO를 구매할 수 있는 반면에, TV APO는 많은 청중에게 제공될 다중 광고들을 개입하게될 전체 블록들을 통해서 팔릴 것이다. 위에서 설명한 바와 같은 체계는 조악한 자체주소 확보능력을 갖는 채널들에 대한 가치를 추정하기 위해서 평균 및 다른 통계를 사용하여 그들이 구매할 유닛에서 APO를 평가할 것이다. 예를 들면, 옥외 광고는 몇몇 우편번호들, 그들의 번호 및 그들이 속하는 우편번호들에서 거주 또는 일하는 사람들을 추적할 수 있게 한다. 각각의 APO 및 메세지의 결과를 측정하기 위한 주문에 있어서, 그것들을 개선하기 위해서 각각의 APO 및 메세지의 능력에 대한 광고회사의 결과에 연결될 것이다. 부수적으로, 광고회사는 그들의 광고 메세지의 효과를 극대화하기 위해서 그들의 캠페인들을 변경하도록 이러한 측정들을 이용할 것이다.

일 실시 예에 있어서, 온라인 광고는 소비자들을 익명으로 구분하고 소비자들에게 보여진 메세지 및 사용된 APO들을 연결하기 위해서 쿠키들에서 표준화된 독특한 숫자들을 사용할 것이다. 그러나, 이러한 소비자들의 독특한 숫자들이 익명인 경우에도, 이러한 독특한 숫자들의 사용이 추천되지 못하거나 사용불가능한 경우들이 존재할 것이다. 그러한 경우들에 있어서, APO 서술의 어떤 특징들의 사용은 소비자들에 대한 링크를 설정하는 것을 도울 것이다. 이러한 목적을 위해서, 비교적 균일한 소비자들의 작은 세그멘트들이 몇몇 APO 변수들에 의해서 기술될 것이다. 예를 들면, 일정한 하루의 시간, 일정한 지역, 및 콘텐츠의 유형에 대한 소비자의 관심, 개인들의 세트가 한정될 것이며, 이는 합성 사용자 식별자(SUID)를 구성할 것이다.

본 발명의 다른 실시 예에 있어서, 소비자들의 이러한 그룹들(그들의 CID에 의해서 서술됨)에게 보여진 APO들 및 메세지의 영향은 확률 행렬(M)을 통해서 실제적인 결과에 연결될 것이다. 이 컨셉은 광고들을 개인들에게 제공할 수 없거나 채널들(예를 들면, 다중 채널 광고, TV 광고들, 및 인쇄 및 온라인 미디어광고를 개입시킴)에 걸쳐서 개인들을 따르게 할 수 없는 경우에 유용할 것이다. 확률 행렬을 창조할 방법론은 에러의 최소화에 적어도 부분적으로 기초할 것이다. 이 행렬에 있는 각각의 열은 APO들 및 메세지를 통한 메세지 전송의 강도를 측정될 실제적인 결과로 바꾸게 될 무게의 선형 조합을 코드화할 것이다. 선형 조합의 계수들은 결과로서 언급한 선형 조합과 실제적인 결과 사이의 에러들을 최소화하도록 변할 것이다. 또한, 체계는 브랜드에 대한 초기의 인식으로부터 예를 들면 광고회사의 가게에서 실제적인 전환으로 이어지는 소비자 거동의 컨셉을 고려할 것이다. 매 광고 캠페인의 목적은 광고회사들의 가게에서 실제적인 전환이 측정되는 시각표 밖에서 일어나는 경우에도 이러한 거동에 따라서 이동하도록 소비자들에게 영향을 끼치기 위한 것이다.

일 실시 예에 있어서, 체계는 소비자들의 구매행동을 감지하고 그러한 상태/거동이 변할 때 APO들 및 메세지의 영향을 이해하기 위한 기 위한 입력으로서 소비자들의 거동에 따른 측정을 이용할 것이다. 적은 채널들(그러한 TV 및 라디오와 같은)이 그들의 여행의 초기단계에서 소비자에게 효과적으로 영향을 끼치고 다른 것들은 (디스플레이 및 서치 광고들과 같은) 그 판매를 종료하도록 돕는 등 진전된 상태 동안에 영향을 끼칠 것이기 때문에, 이것은 다중 채널들의 경우에 있어서 중요할 것이다. 소비자 여행의 고려는 각각의 APO의 보다 정확한 평가를 제공하게 된다. 이 여행에서 소비자의 진전을 측정하고 이 데이터를 체계에 대한 입력으로서 사용함으로써, APO들 및 메세지의 보다 효과적인 평가를 제공할 수 있다. 그러나, 몇몇 채널들은 최종 상태를 통해서 소비자들을 추동하는데 있어서 비교적 작은 효과를 가질 것이며, 최종 상태에서 소비자들을 추동하는데 있어서 상당히 가치가 있을 것이다.

본 발명의 실시 예들에 있어서, 광고 전달을 위한 효과적인 실시간 입찰을 제공하게될 것들 중에서 상호작용 및 장치에서 다수의 내외부 기계들 및/또는 서비스들이 존재할 것이다. 예를 들면, 광고회사는 광고가 위치할 장소 및 시간을 제한하는 지시에 따라 "주문"을 위치시킬 것이다. 주문은 학습 기계시설(138)에 의해서 수신될 것이다. 그런 후에, 광고회사는 캠페인이 성공하기 위한 "좋은 자질"의 기준을 명시할 것이다. 그러한 "좋은 자질"의 기준은 추적 기계(144)를 사용하거나 또는 설문조사와 같은 다른 외부장치를 통해서 측정될 수 있을 것이다. 또한, 광고회사는 사용할 채널들을 명시할 것이며, 메세지를 제공할 것이다. 또한, 광고회사는 장치를 부트스트랩하기 위한 역사적인 데이터를 제공할 것이다.

유용한 데이터에 기초하여, 학습 시스템은 수학적 함수로서 부호화할 수 있는 평가를 위한 체계를 개발할 것이다. 함수는 각각의 광고 배치 기회의 기대값을 계산할 것이며, 소비자들에게 보여줄 메세지를 선택하기 위해서 다른 것들 중에서 컨셉, 변수 및 행동을 유발할 콜을 제공할 것이다. 보여줄 값 및 메세지의 선택은 특정한 "좋은 자질" 기준을 최대화할 것이다. 그런 후에, 수학적 함수는 실시간 입찰 기계 시설(142)에 의해서 수신될 것이다. 입찰 요청들은 입찰 기계 시설(142)에 의해서 수신되고, 수신된 알고리즘을 사용하여 각각의 광고회사에 대한 그것의 가치가 평가될 것이다. 결과적으로, 입찰 반응들이 매력적인 가치를 가질 광고들에 보내질 것이다. 선택된 광고는 특별한 가격으로 위치될 것이다.

일 실시 예에 있어서, 수학적 함수는 수동 프로세스를 통해서 적용될 것이며, 평가될 광고 배치 기회를 나타내는 각각의 변수를 위한 값을 명시한다. 두 경우들에 있어서, 하나 또는 많은 광고들이 동시에 평가될 것이다. 다음 단계에서와 같이, 행렬은 결과로 나타나는 광고 배치 기회들 및 메세지를 소비자들의 구매행동에서 구매 또는 변화에 연결하도록 창조될 것이다. 행렬을 연결하는 광고 결과는 각각의 소비자에 대해 추적할 수 없는 결과를 추적하기 위해 창조되고 끊임없이 조정될 것이다.

일 실시 예에 있어서, 광고들은 브라우저에서 디스플레이되는 픽셀과 같은 추적장치를 이용하여 태그를 붙이게 될 것이다. 추적 기계 시설(144)은 로그 광고 노출들, 사용자 클릭, 및/또는 사용자 행동일 것이다. 또한, 소비자 상태를 참여시키는 추가적인 외부 지표가 포함될 것이다. 그 결과, 광고 배치 기회들, 및 메세지가 광고 결과 연결 행렬을 통해서 연결될 것이다. '좋은 자질 기준'은 평가 수학적 함수를 한층 맞춤형으로 하기 위해 학습 시스템에 의해서 사용될 것이다. 상기 장치는 기대값들을 광고 수신자 지역에서의 현재 사건들에 상관시킬 것이다.

본 발명의 다양한 실시예들은 미디어 및 가격책정을 위한 예산의 재할당을 용이하게 한다. 예산은 실시간(예를 들면, 채널이 그것을 요구하는 바와 같이 결정을 취하기 위한 적절한 방식)으로 업데이트될 것이다. 본 발명은 다중 미디어 채널들에 걸쳐서 값들 메세지를 결정하기 위해서 단일 체계의 사용을 가능하게 하고, 하나의 채널을 통해서 보여진 광고들을 다른 채널을 통해서 보여진 광고들로 거래할 수 있게 한다. 또한, 결정의 유형의 조악한 변화정도가 미디어를 얻기 위해서 개입될 것이다. 그러므로, 조악함은 자체주소 확보능력, 미디어의 유형, 및 광고들의 영향을 나타내는 것으로 결정될 것이다.

본 발명은 올바른 가격을 지불하고 광고들이 그들의 최고 효과를 보장하는 채널들을 통해서 소비자들에게 위치할 수 있게 보장함으로써 광고들 효과의 최적화를 용이하게 할 것이다. 또한, 본 발명은 소비자가 제품이나 서비스를 구매하도록 초기의 인식으로부터 여행을 통해서 진전되는 상태를 고려한다. 조사 또는 패널을 통한 소비자 구매행동의 측정이 또한 수행될 것이며, 이 측정은 소비자들이 제품이나 서비스를 구매했는지의 사실여부와는 관계없다. 또한, 본 발명은 제품이나 서비스의 구매 및 소비자 상태의 변화에 따른 결과들 및 다른 채널들을 연결하기 위한 확률 접속의 이용을 용이하게 한다. 이 해법은 경우들에서 사용될 것이다. 개인들 및 결과를 연결할 확실성이 거의 없거나 아예 없는 경우들에서 사용될 것이다.

실시 예들에 있어서, 본 발명은 관람 최적화를 지향하여 보장된 구매를 위한 노출 수준 결정을 제공할 것이다. 도 52를 참조하면, 장치는 소비자 세그멘트 멤버쉽에 기초한 것과 같이 노출들을 최선의 광고("advert") 캠페인에 할당하도록 실시간으로 규칙을 적용할 것이다. 예를 들면, 나타낸 바와 같이, 창작자 (예를 들면 AXE, Dove, Vaseline)와 관련하여 공지된 프로필을 갖는 개인들에게 어떤 인구통계적으로 개인들에게 대한 것과 같이 다양한 문맥 소오스들(예를 들면 CNN.com, Vanityfair.com, espn.com, vogue.com)이 광고를 위치시키기 위한 기회로 제공될 것이다. 기계 학습 또는 통계적 기술들의 사용은 노출 뒤의 소비자의 프로필이 알려지지 않은 경우들에서와 같이 세그멘트 적합성을 확인하기 위해서 이용될 것이다. 세그멘트 적합성과 캠페인 페이싱 사이의 거래의 규칙은 계수를 통해서 구현될 것이다.

많은 경우들에 있어서, 광고회사는 특별한 온라인 출판사 미디어 내에서 그들의 광고들을 보여주는데 관심이 있다. 이러한 경우들에 있어서, 광고회사는 이러한 온라인 출판사 내에서 보여진 광고들의 100%를 구매할 것이다. 광고회사의 구매 선택은 웹사이트를 우선적으로 돌아다니는 대중들에 의해서 안내될 것이다. 다른 경우들에 있어서, 광고회사는 온라인 웹사이트들, 온라인 모바일, 온라인 비디오, TV, IPTV, 프린트, 라디오 등과 같은 온라인 및 오프라인 콘텐츠 채널들의 조합을 사용하여 그들의 광고들을 보여주는데 관심이 있을 것이다. 이 경우들에 있어서, 최소 투자 크기는 채널 및 아울렛에 따라서 변할 것이지만, 주소가 할당된 대중들에게 어떤 속성을 알려줄 수 있는지에 의해서 변할 것이다. 예를 들면, 스포츠 사이트를 찾는 소비자의 60%는 남성이고, 남성 대중을 목표로한 광고회사는 이러한 스포츠 사이트에서 광고들을 보여줄 것이고, 그들의 표적을 클릭하지는 않지만 그것을 지불할 여성들에게 이러한 광고들이 보여지는것을 고려할 것이다. 그렇게 하여, 타겟에서 보여주는 수천가지 광고들 당 유효 비용은 표적 대중 외부의 과잉을 합친 어떤 요소에 의해서 높아질 것이다. 많은 경우들에 있어서, 제품은 다수의 대중을 타겟으로 할 것이며, 이들중 몇몇은 1차 타겟이고 다른 사람들은 2차 타겟이 될 것이다. 보다 진보된 기술을 사용하여 소비자가 "표적 내(in target)"에 있는지를 알기 위해서 소비자의 프로필이 무엇인지 경우들의 백분율을 알아낼 수 있다. 광고회사가 중첩되지 않는 대중들에 대해 다른 제품들을 광고하기를 시도하는 경우, 세그멘트나 다른 것의 일부로서 그들이 도달하는 것에 의해서 상기 장치는 사용자들을 구별할 수 있을 것이며, 그들에게 가장 최적인 제품에 대한 최선의 광고를 보여줄 것이다. 이렇게 함으로써, 상기 장치는 여성들과 관련 있는 광고들을 보여주기 위해서 여성에게 보여준 상기 스포츠 사이트로부터의 노출들을 이용하여 과잉을 줄일 것이다. 실시 예들에 있어서, 이것은 그들의 프로필을 구별하기 위한 데이터가 있는 개인으로 제한될 것이다.

몇몇 경우들에 있어서, 특별한 노출들을 어드레스하는 능력은 유용하지 않을 것이고(예를 들면, 브로드캐스트, TV, 라디오), 과잉은 회피할 수 없을 것이다. 그러나, 상기 장치는 과잉을 포함하는 유효 비용을 여전히 만들어낼 것이다. 상기 장치는 여기에서 설명한 바와 같은 분석적인 플랫폼을 사용하여 보다 세세한 자체주소 확보능력이 유용한지 채널의 효율을 다른 채널들과 비교할 것이다. 어떤 경우들에 있어서, 같은 채널은 다양한 수준의 단위 및 각각과 연관된 가변적인 가격을 제공할 것이다. 예를 들면, TV 네트워크는 하나의 가격으로 "매일 회전 전국 방송" 광고들, 높은 가격으로 "황금 시간대 전국 방송" 광고들, 다른 가격으로 "황금 시간대 지역 방송" 광고들 및 다른 가격으로 "특별한 쇼의 전국 방송" 광고들을 팔 것이다. 상기 플랫폼은 각각의 표적 대중을 평가할 것이며, 표적 대중에 도달하기 위해 모든 다른 유용한 방법들을 그것들과 비교할 것이다. 또한, 상기 장치는 하나의 채널을 다른 채널과 비교할 필요가 있는지를 탐지할 것이다. 예를 들면, TV 방송 오퍼에 도달한 소비자들의 수를 같은 표적 세그멘트에 속하는 온라인에서 발견된 개인들로 확장할 필요가 있는지 탐지할 것이다. 이러한 2개의 세그멘트들 사이에서의 중첩을 측정하기 위해서, 조사 또는 방법론들이 사용될 것이다. 또한, 장치는 소비자들이 세그멘트에 속하는지 아닌지에 관해서 매 소비자에 대해 점수를 만들 수 있다. 이 점수는 기계 학습 기술들, 또는 다른 통계적 기술들, 여기에서 설명한 바와 같은 분석적인 플랫폼, 및/또는 다중 소오스들로부터 제공된 정보를 이용하여 창조될 것이다. 그러한 정보의 한가지 소오스는 소비자에 대한 과거 브라우징 히스토리와 같이 소비자와 관련될 것이며, 온라인으로 수집되거나 또는 온라인 ID, 인구통계적, 지역적, 행동 또는 정보소비자와 관련된 다른 행동에 부합되는 오프라인 행동으로부터 수집되는 소비자의 관심들을 나타낸다. 상기 장치는 여기에서 설명한 바와 같이 소비자가 상호작용하고 소비자가 좋아하거나 좋아하지 않는 "창조성"의 유형을 고려할 것이다.

그러한 정보의 다른 소오스는 광고가 보여질 문맥과 관련될 것이며, 온라인 비디오, 온라인 모바일, 온라인 텍스트, 텔레비젼, 쌍방향 텔레비젼, IPTV, 물리적인 신문, 물리적인 잡지, 라디오 등과 같이 사용된 채널의 유형을 포함할 것이다. 어느 콘텐츠에 대하여, 채널이 무엇인지는 문제가 되지 않으며, 통상적으로 분류될 것이며(예를 들면, 스포츠, 뉴스, 과학, 오락), 그러므로 화제가 되는 콘텐츠에 관한 정보가 또한 사용될 것이다. 어느 콘텐츠에 대하여, 특별한 콘텐츠(예를 들면, 웹에 공개된 뉴스의 특별한 부분, TV를 통해 방송될 때의 쇼 명칭)에 대한 브랜드가 존재할 것이다. 콘텐츠 브랜드는 잘 사용될 수 있는 정보일 것이다. 이와 동시에, 계층적인 방식으로 어떤 특별한 콘텐츠를 갖는 그룹들인 출판사들의 패밀리, 출판사 명칭이 존재할 것이다. 예를 들면 TV에서, 웹사이트의 섹션에 속하고 웹사이트에 속하는(그러한 웹사이트는 출판사에 속할 것이다) 특별한 웹 페이지들이 존재하는 온라인 사이트들을 고려한 경우와 같이 특별한 쇼 명칭 이외에 채널 명칭(ESPN2) 및 네트워크 명칭(ESPN)이 존재할 것이다. 매 콘텐츠에 대하여, 그것이 유료인지 또는 무료인지, 사용자 발생 콘텐츠가 방송되었는지 편집되었는지; 그것이 공중파 방송인지 또는 케이블인지; 고화질인지 표준화질인지; 스테레오, 다중채널 또는 모노인지; 컬러인지 또는 흑백인지; 등과 같은 추가적인 수식자들이 또한 존재할 것이다.

그러한 정보의 다른 소오스는 창작자일 것이며, 소비자에게 보여지는 특별한 광고 메세지를 나타낸다. 창작자를 나타내는 어느 정보가 사용될 수 있다. 창작자는 그의 본성을 정적인 디스플레이, 동영상으로 되거나 또는 동적 디스플레이, 영화, 오디오 등으로 나타낸다. 창작자는 제 2의, 컬럼-인치, 컬럼-센티미터 등의 픽셀들에서와 같이 그의 크기로 나타낸다. 창작자는 제품 특징들을 보여주고, 소비자로 하여금 저가에 관심을 갖게 하고, 소비자와 감정적인 수준으로 결합하고, 경쟁자들을 능가하는 장점을 소비자게 설명하고, 왜 경쟁자들이 적당하지 않은지를 소비자에게 설명하는 시도로서 그의 의도를 나타낼 것이다. 창작자는 그의 특별한 메세지로 나타낸다. 창작자는 그의 성공, 그러한 성공이 어디에서 언제 누구와 함께 이루어 냈는지와 어떻게 측정했는지로 나타낼 것이다. 창작자는 소비자에게 보여준 시간으로 나타낼 것이다.

프로필이 알려진 소비자들에 대해서만이 아니라 매 소비자에 대하여 그리고 매 노출에 대하여 점수가 존재할 것이다. 그 점수는 소비자가 어떤 등급의 멤버이거나 어떤 속성을 갖는 확실성이 높아질 수록 높아질 것이다. 상기 장치는 예를 들어 '도시성' (도시환경에서 거주할 가능성), '합리적인'-ness (합리적인 사상가와 같이 생각할 가능성), '여성'- ness (여성과 같이 행동할 가능성) 등과 같이 어떤 '몇몇'-ness를 갖는 가능성으로서 그것을 나타낼 것이다. 예를 들면, 상기 점수는 개인이 마케팅 세그멘트의 멤버가 될 확률을 나타낼 것이다. 이 점수는 속성의 설명에 대한 개인의 친밀감에 의해서 변할 것이다. 교외에서 사는 어떤 사람은 '깊은 농촌' 지리학적 위치에서 사는 어떤 사람보다 높은 '도시성'을 갖는다. 그 점수는 개인에 관한 어떤 평균 '도시성' 값을 투영하게 될 개인이 거주하는 지역만을 단지 대략적으로 아는 것; 개인 거주자가 그러한 점수의 값을 한정할 수 있는 특별한 지역을 아는 것;과 같이 개인의 점수를 또한 확인하는 추가적인 데이터에 따라서 변할 것이다. 지역은 어떤 사람의 '도시성'을 추정하기 위해서 사용된 매개변수들중 단지 하나일 것이며, 다른 것들은 방문한 콘텐츠의 유형이 될 것이다.

이 점수를 사용함으로써, 상기 장치는 소비자들의 프로필이 알려져있지 않은 경우에도 소비자들에게 잘 맞는 세그멘트에 소비자들을 할당할 것이다. 최종적인 결론은 매 노출이 최선의 가능한 응용에 사용될 것이라는 사실이다. 프로필이 알려져 있는 사람들에 대해서, 상기 장치는 그들을 세그멘트에 할당하거나 그들이 멤버로 있는 세그멘트들에 할당할 것이며; 프로필이 알려져 있지 않은 사람들에 대해서는 매 프로필에 대한 점수들이 사용될 것이다. 이 점수는 제시간에 광고 노출들을 전달할 필요가 있는 캠페인을 반영하는 다른 점수와 조합하여 사용될 것이다. 전달된 충분한 노출들을 갖는 캠페인들은 목적이 부족한 캠페인들에 비해서 낮은 점수를 가질 것이다. 이러한 2개의 요소들은 결합될 것이며 그래서 캠페인들은 그들의 기대 노출 전달율 내에서 최선의 가능한 소비자에 맞추어 진행된다. 캠페인의 과대 또는 과소 전달을 허용하는 것은 양호한 세그멘트 적합성 계수들을 고려하여 허용될 것이다. 그러므로, 앞선 열에서 계수들을 결합시키도록 사용된 가중치는 세그멘트 적합성 및 캠페인 페이싱 사이에서 거래를 이끌어낼 것이다. 제3자 장치는 광고들을 수신한 대중을 측정하고, 수신된 광고들모집 패널 방법론을 사용하는 것과 같이 타겟 대중에 이들이 존재하는지 여부를 확인한다. 예를 들면, 그러한 제3자 장치는 캠페인을 위하여 전달된 수천의 광고들 당 최고의 유효 가격으로 전달된 실행을 확인하고 캠페인 등과 연관된 미디어 및 데이터 비용을 고려하여, '타겟에 있는 대중'으로 전달되는 광고들만을 계산함으로써 수천의 광고들 당 유효 가격을 측정할 것이다.

여기에서 설명한 바와 같은 방법론을 사용함으로써, 광고들을 보여주기 위해서 사용된 콘텐츠 수율의 글로벌 운영을 달성할 수 있을 것이다. 많은 경우들에 있어서, 광고들을 보여주기 위한 콘텐츠의 구매자는 여러 부서, 기업들의 협회와 협동할 것이며, 기꺼이 협력할 것이다. 기업들 내에서 그것의 부서들은 다른 라인들과 제품들을 가질 것이며, 각각의 제품 및 라인에 대해서는 다른 메세지, 창작가들, 오퍼들이 존재할 것이다. 여기에서 설명한 장치를 사용함으로써, 광고들을 보여주기 위해서 콘텐츠에서 주어진 투자의 효과를 최대화할 수 있다. 각각의 광고는 광고회사의 광고 목적에 가장 잘 부합하는 바와 같이 선택될 것이다. 광고의 효과는 광고들을 보여주기 위해서 콘텐츠에서 특별한 투자를 사용하는 제한들이 주어지고, 기업, 부서, 라인, 제품, 메세지, 창작자, 오퍼 당 최소 및 최대 투자수준의 제한이 주어질 것이다. 그러한 최적 할당의 조사는 획득되는 콘텐츠의 특성을 통합할 것이고, 노출-대-노출 베이스로 또는 특별한 최소 투자 크기에 기초하여 획득된다.

실시 예들에 있어서, 본 발명은 오프라인 결과의 자동적인 통합에 기초하여 광고 효과를 최대화하기 위한 방법들 및 장치를 제공하고, 여기에서 상기 장치는 오프라인 소오스(예를 들면 조사, 오프라인 구매 패턴)로부터 실시간 피드백을 수용하고, 그러한 피드백을 광고 캠페인의 최적화 내로 통합하게 된다. 상기 장치는 속성들의 조합에 걸쳐서 노출된 주민과 노출되지 않은 주민들 사이의 차이를 이용할 것이며, 브랜드 지표 지향 광고를 위해 사용된 광고들의 재고를 한정할 것이고; 새롭게 안 사람, 새롭게 유리한 사람, 구매를 위해 브랜드를 새롭게 고려하는 사람 당 가격의 측정치를 제공할 것이며; 새롭게 아는것 당 최저 가격을 지향하여 광고 캠페인을 최적화할 것이다. 도 53을 참조하면, 입찰 요청은 비트 요청 평가, 입찰 반응, 실시간 입찰(RTB) 교환, 및 최적화 매개변수들과 관련될 것이다. 도 54는 RTB 브랜딩 입찰 기능으로부터 캠페인, 조사, 반응 및 최적화 엔진을 이끄는 평가 알고리즘으로의 공정 흐름의 실시 예를 나타낸다. 도 55 및 56은 노출된 시장 증가분들이 캠페인으로부터의 조사 결과로서 어떻게 조정되는지의 실시 예들을 나타낸다.

소비자들에게 광고들을 위치시키는 경우, 그러한 광고들의 가능한 목표들 중 하나는 제품에 대한 호감을 증가시키고 제품이 고려대상에 포함되도록 하기 위하여 제품이나 메세지에 대한 소비자의 인식에 영향을 끼치기 위한 것이다. 이것들은 '브랜딩 지표'로서 일반적으로 언급된다. 이 경우들에 있어서, 그러한 광고들을 보여주는 결과가 측정될 수 있는 방식으로 그러한 소비자들에게 조사를 통해 결과들을 측정하는 것이 바람직하다. 어떤 경우들에 있어서, 소비자들의 구성원은 2가지로 나뉘는데, 구성원의 한 부분에게는 실제적인 광고들이 보여지고(노출되고), 구성원의 다른 부분에게는 다른 브랜드, 비영리 법인에 대한 광고들, 또는 광고가 없는 것을 보여준다(노출없음). 브랜딩 지표를 측정하기 위한 조사는 두 그룹, 노출 및 비노출로 제공된다. 광고들에 노출된 사람은 노출되지 않은 사람들 보다 많은 양의 관련 브랜드 메트릭을 갖는 것으로 조사에 반응할 것이다. 이 차이는 절대적인 브랜드 리프트로서 언급되고, 광고 노출의 결과로서 브랜드 메트릭에서의 증가를 나타낸다. 또한, 예를 들어 몇몇 특별한 지역으로부터 하루의 시간 동안 특별한 콘텐츠에 노출된 사람들과 같이 노출된 조건하에 있는 사람은 다른 사람들보다 높은 절대 브랜드 리프트를 나타낼 것으로 기대된다. 이것들과 같은 속성은 단독으로 혹은 조합하여 장치가 그것의 광고들에 대해 수용적인 대중을 가장 효과적으로 찾을 수 있는 광고들 재고의 영역을 나타낸다. 이들 속성은 수백가지가 될 것이며, 다른 유형의 광고중에서 변할 것이다. 예를 들면, 속성은 광고를 수신하는 소비자를 나타내는 것, 광고를 전달하는데 사용된 재고, 보여진 광고와 관련된 것(크기, 컨셉, 색채)과 같이 다양한 등급들에 속할 것이다.

상기 장치는 비-실시간 환경하에서 구매를 위한 주문으로 바뀔 수 있는 보고를 통해서 실시간 환경에서 고도의 입찰을 통한 것과 같이 광고들 재고의 그러한 영역들을 획득하기 위해 보다 적극적이 되도록 자체적으로 결정할 것이다. 최적화 방법론은 가장 효과적인 증가분의 브랜드 리프트를 달성하기 위해서 최고의 가능한 브랜드 메트릭을 찾고 노출된 사람과 노출되지 않은 사람 사이의 최고 가능한 차이를 찾는 것이다. 광고의 고도의 동적특성에도 불구하고, 소비자들이 선호도를 계속 변화시키는 경우, 상기 장치는 유도된 브랜드 지표를 위한 모델을 창조 및 한정할 수 있도록 조사 반응을 연속적으로 통합하고 최적화에 의해서 제공된 결과를 가장 잘 잡을 수 있게 그것의 입찰 행동을 역동적으로 조정하도록 충고를 제공할 것이다. 그러한 자동화된 장치는 여기에서 설명한 바와 같이 어디에서 가장 효과적인지를 탐지하고 각각의 문맥 내에서 관련 브랜드 지표를 최대화하기 위해서 각각의 소비자에게 어떤 광고를 보여줄 것인지를 결정할 것이다. 그러한 자동화된 장치는 거래 가능한 미디어를 교환하도록 작동할 것이며, 각각의 개인 노출의 내재가치에 기초하여 각각의 개인 노출에 대해 얼마나 입찰할지를 충고한다.

실시 예들에 있어서, 장치 출력을 측정하기 위한 목적 및 지표는 최대 브랜드 리프트, 새롭게 안 사람의 수, 소비자가 새롭게 알게 하기 위한 추정 값을 포함할 것이다. 조사들은 통합될 오프라인 메트릭의 한가지 유형이고, 제품의 세일즈와 같은 다른 지표가 사용될 수도 있다. 이것의 대안적인 사용에 있어서, 상기 장치는 제품을 구매하는 소비자들에 대한 정보를 받고, 광고들에 노출된 사람, 광고들에 노출되지 않은 사람에 대한 구매 패턴을 창조할 것이다. 광고들에 노출된 사람과 광고들에 노출되지 않은 사람 사이의 구매 패턴들의 차이는 광고들의 캠페인에 의해서 점진적으로 유도될 것이다.

조사의 경우에 있어서, 예를 들어 몇몇 특별한 지역으로부터 하루의 시간 동안 특별한 콘텐츠에 노출된 사람들과 같이 노출된 조건하에 있는 사람은 다른 사람들보다 높은 구매 패턴을 나타낼 것으로 기대된다. 이것들과 같은 속성은 단독으로 혹은 조합하여 장치가 그것의 광고들에 대해 수용적인 대중을 가장 효과적으로 찾을 수 있는 광고들 재고의 영역을 나타낸다. 이들 속성은 수백가지가 될 것이며, 다른 유형의 광고중에서 변할 것이고, 광고를 수신하는 소비자, 광고를 전달하는데 사용된 재고, 보여진 광고와 관련된 것(크기, 컨셉, 색채)과 같이 일정 수의 등급에 속할 것이다. 상기 장치는 비-실시간 환경하에서 구매를 위한 주문으로 바뀔 수 있는 보고를 통해서 실시간 환경에서 고도의 입찰을 통한 것과 같이 광고들 재고의 그러한 영역들을 획득하기 위해 보다 적극적이 되도록 자체적으로 결정할 것이다. 또한, 상기 장치는 여기에서 설명한 바와 같은 수천 또는 수백가지의 다른 속성(예를 들어 몇몇 특별한 지역으로부터 하루의 시간 동안 특별한 콘텐츠)의 모두를 찾을 수는 없지만, 사람들의 적은 잘 안정된 세그멘트 내에서 소비자들에게 광고들을 보여주기 위한 유효 빈도, 지불할 예산, 가격을 최적으로 할당할 방법을 찾을 것이다.

실시 예들에 있어서, 상기 장치는 몇몇 특징들을 공유하는 소비자들의 그룹으로서 세그멘트를 한정할 것이다. 이 세그멘트들은 브랜드에 친밀감을 나타내고 어떤 장소에 살며(예를 들면 조지아주 아틀란타 인근에 사는 사람) 시장에서 어떤 제품을 구매하고(예를 들면 마켓에서 콤팩트 카를 사는 사람) 공통의 관심을 갖는(예를 들면 우표 수집을 좋아하는 사람) 인구통계적(예를 들면 25살 내지 34살 사이의 여자)일 것이다. 이 세그멘트들은 다른 세그멘트들의 불 방식의(Boolean) 표현들을 통해서 구성될 것이다.

실시 예들에 있어서, 광고들에 노출된 사람들의 그룹과 광고들에 노출되지 않은 다른 그룹을 유지하는 것이 필요하고, 그들을 공적 서비스 광고들에 노출시키든지 그들을 함께 노출시키지 않던지, 다른 브랜드나 제품에 대한 광고들에 그들을 노출시키든지 등이 필요하고, 여기에서 조사 또는 좋은 자질의 신호로서 사용된 구매 행동과 같은 오프라인 메트릭이 사용될 것이다.

노출된 그룹과 노출되지 않은 그룹들에 걸쳐서 오프라인 메트릭을 측정함으로써, 어떤 세그멘트가 메세지를 더 수용하는지와 어떤 빈도, 입찰 가격 및 예산이 보다 효과적인지를 이해할 수 있을 것이다. 상기 장치는 점진적인 인식을 유도하기에 가장 적당한 광고들 재고를 획득하기 위해서 예산, 입찰, 빈도 등을 자동적으로 재할당 할 것이다. 또한, 상기 장치는 기대된 조사 반응률보다 낮거나 높은지를 탐지할 수 있는 능력을 가지므로 조사를 나타내기 위해서 예산 할당을 수정하기 위한 메카니즘을 포함할 것이다. 예를 들면, 장치가 주당 백만의 설문조사와 1000개의 답변을 받는 것을 보여줄 것으로 기대되는 경우에, 만일 단지 500개의 답변을 받으면, 주당 1000개 답변을 받는 것을 보장하도록 예산을 2번에 걸쳐서 자동적으로 재할당하게 될 것이다. 시간단위 당 올바른 소비가 할당되는 것을 보장하고 맞는 횟수의 설문조사 답변들을 얻을 수 있도록 보장하기 위해서 동일한 메카니즘이 시간의 어느 메트릭에 적용될 것이다. 동일한 메카니즘이 설문조사되는 사람의 어느 세그멘트 또는 부분에 적용될 것이며, 그래서 만약 설문조사되는 사람의 어느 세그멘트 또는 부분으로부터 충분하지 않거나 너무 많은 답변들을 받는 경우(예를 들면, 18 내지 25살 남성들로부터 답변을 충분히 받지 못함), 상기 장치는 자동화된 메카니즘을 사용하여 실시간으로 답변들의 횟수를 증가키시도록 충분한 돈을 재할당할 것이다.

실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 노출의 다른 길이와 노출의 다른 세기에 의해서 측정될 간헐적 광고를 포함할 것이다. 간헐적 광고의 방법, 장치 및/또는 전략은 일정시간 동안 광고 투자에서의 갑작스런 증가와, 이어서 일정시간 동안 유지될 최초 광고 투자 또는 다른 원하는 값의 갑작스런 저하를 포함할 것이다. 상기 저하는 시장으로부터 광고들의 퇴출을 포함할 것이며, 예를 들면 시장에서 효과를 갖는 것이 중단되지 않는 방식으로 광고회사 광고들을 다른 광고회사 광고들이나 공적 서비스 광고로 교체하는 것을 포함할 것이다. 실시 예들에 있어서, 상기 간헐적 광고는, 하기의 예로서 제한되는 것은 아니지만, 웹 배너들, 소셜 광고들, 서치 광고들, 온라인 비디오, 모바일 배너들, 모바일 비디오들, SMS 메세지, 침입형 광고들, 이메일, 및 개인들이 쌍방향 스크린을 통해서 도달하는 다른 형태의 이메일과 같은 온라인 미디어를 포함하는 어느 유형의 광고 채널을 통해서 일어날 것이다. 실시 예들에 있어서, 상기 간헐적 광고는, 하기의 예로서 제한되는 것은 아니지만 TV, 라디오, 시네마, 게재, 옥외 게시판, 인쇄 잡지, 인쇄 신문, 다른 유형의 인쇄물, 케이블, 거리 게시, 및 광고 메세지를 퍼뜨리기 위한 어느 다른 채널과 같은 어느 유형의 오프라인 미디어를 통해서 일어날 것이다. 실시 예들에 있어서, 간헐적 광고는 광고 분배 시설(122), 광고 수신 시설 (120), 또는 광고 데이터 분배 서비스 시설(124), 하기의 예로서 제한되는 것은 아니지만, 이 설비들을 통한 분배들을 거쳐서 효율적으로 사용될 것이다.

간헐적 광고는 광고 투자에 있어서 갑작스런 증가를 포함할 것이다. 이 증가는, 하기의 예로서 제한되는 것은 아니지만, 1. 광고 투자에서 얼마나 많이 증가하였는지, 2. 증가된 투자가 얼마나 오랫동안 유지되었는지, 및 3. 간헐적 광고가 끝나고 다른 간헐적 광고사 시작되기까지 얼마의 시간이 걸렸는지와 같은 여러 사실들을 평가하여 결정될 것이다. 간헐적 광고는 해당 기술분야의 숙련된 당업자에게 알려진 하나 또는 다수의 표적화 칫수로 마켓 표적화로 보내질 것이다. 표적화는 다른 칫수들의 조합을 포함할 것이다. 비-제한적인 예에 있어서, 표적화 칫수 변수들은, 하기의 예로서 제한되는 것은 아니지만: 지역적인 변수들(하기의 예로서 제한되는 것은 아니지만, 특별한 가정, 블록, 이웃, 우편번호, 시장, 시, 지역, 시골; 및 하기의 예로서 제한되는 것은 아니지만, 가정들의 그룹, 블록들의 그룹, 이웃들의 그룹, 우편번호들 등과 같이 선행 타겟들의 그룹화의 타켓팅과 같은); 인구통계적인 변수들(하기의 예로서 제한되는 것은 아니지만, 나이, 성, 수입, 교육정도, 민족성, 종교 등과 같은; 하기의 예로서 제한되는 것은 아니지만 18~24살, 25~34살 범위의 개인 또는 집단이 될 수 있는 것과 같은); 소비자 관심(하기의 예로서 제한되는 것은 아니지만, 자동차, 전자제품 등에 관심이 있는 소비자들과 같은); 개인이 소비하는 콘텐츠의 유형(하기의 예로서 제한되는 것은 아니지만, 뉴스의 독자들, 오락 콘텐츠의 독자들, 과학 콘텐츠의 독자들, 영화 관람객들 등과 같은); 및/또는 소비자에게 도달하는데 필요한 채널들의 유형(하기의 예로서 제한되는 것은 아니지만, 온라인 배너들, 온라인 서치, 온라인 비디오, 모바일 , TV, 라디오, 옥외 패널 등과 같은)이 될 것이다.

실시 예들에 있어서, 다른 세기, 주기, 타겟들 또는 다른 변수들의 다중 펄스들이 사용될 것이다. 이러한 간헐적 광고들은 특별히 원하는 패턴이 창조되도록 프로그램될 것이다. 부분 요소 실험 디자인은 펄스들의 패턴을 설계하는데 사용될 것이다. 펄스의 실행과 관련된 그러한 패턴과 모든 명령 및 펄스들의 조합으로부터 야기된 패턴들이 시설(201)에 존재할 것이다. 도 60을 참조하면, 시설(201)은 노출 베이스에 의해서 노출시에 실시간 실행을 위해, 비-실시간 실행을 위해, 다수의 광고들을 한번에 인수하는 것을 통해서 실행하기 위해 시설(142)로 실행 주문들을 보낼 것이다.

실시 예들에 있어서, 다른 유형의 자극을 받는 경우에 시장 반응을 측정하기 위해서 펄스들이 효율적으로 사용될 것이다. 상기 자극에 반응하는 시장은 다른 지표를 통해서 측정될 것이다. 이들 지표는 오프라인 또는 온라인 지표의 견지에서 측정될 것이다. 오프라인 지표는, 하기의 예로서 제한되는 것은 아니지만, 세일즈 볼륨, 재고 이동, 설문조사, 자동차 교통 패턴, 가게 고객 트래픽, 눈 추적 측정과 같은 물리적인 세계 측정에 연결될 것이다. 온라인 지표는, 하기의 예로서 제한되는 것은 아니지만, 웹사이트 활동도, 이메일 개방율, 온라인 설문조사 반응, 온라인 세일즈 볼륨, 소셜 상호작용 볼륨(광고한 제품/서비스에 대한 언급이 있거나 없음), 광고한 제품이나 서비스에 어느 방식으로 연결된 콘텐츠의 부분들에서 해설 게시물들을 포함하는 인터넷 기초 활동들에 연결될 것이다. 이들 지표는 전부 합쳐서 측정될 것이고(즉, 모든 지리학적 위치에 대하여), 또는 비-제한적인 예에서, 예를 들면, 칫수의 특별한 부분으로 결과를 직접적으로 할당할 수 있는 경우에 특별한 우편번호 또는 시장에 대하여 측정될 것이다. 이 양태들은 설비들 (152, 154, 158, 160, 164, 205, 206)에 그들의 기록들을 보관할 장치에 의해서 측정될 것이다.

실시 예들에 있어서, 펄스의 효과의 측정은, 하기의 예로서 제한되는 것은 아니지만: 측정된 메트릭에서 펄스의 전체 충격(펄스가 시작된 지점으로부터 메트릭이 메트릭에 의해서 달성된 최대값의 어떤 백분율로 떨어진 지점을 통해서 달성된 전체 증가분); 메트릭에 의해서 달성된 최대 값; 최대값을 달성하기 위한 지연; 최대값을 절반으로 떨어뜨리는데 소요된 시간(또는 최대값의 어느 다른 백분율; 저하가 완료되었다고 고려한 후에 사전-펄스 메트릭에 걸친 증가분으로서 고려되는 잔여 충격, 이때 완전한 저하의 고려는 최대로부터 일정 백분율로 저하하는 것으로서 정의될 것임; 최대로부터 어느 편리한 지점으로의 쇠퇴 곡선의 형상; 하기의 예로서 제한되는 것은 아니지만 이웃하는 우편번호들에 영향을 끼칠 어떤 우편번호에 대한 광고를 보여주는 것 및/또는 다른 연결되지 않은 연령대의 그룹 등에게 영향을 끼칠 광고들을 어떤 연령의 그룹들에게 보여주는 것과 같이 이웃하는 펄스들과 이웃하지 않는 펄스들 사이의 교차-공급을 포함할 것이다.

무-채널 속성을 위한 방법

실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 무-채널 속성을 위한 방법을 포함할 것이다. 간헐적 광고의 세기에서의 증가는 고객들에 대한 영향에서의 증가에 비례적으로 항상 연결되는 것이 아님은 해당 기술분야의 숙련된 당업자에게는 명백하다. 실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 작동 펄스들의 최적 지점을 발견할 장치를 포함할 것이다. 실시 예들에 있어서, 펄스들의 특별한 패턴이 창조될 것이며, 이것은 시장에 자극을 제공하여 증가된 광고 투자와 원하는 특별한 시장 반응사이에 대략적인 연결이 조성될 것이다. 실시 예들에 있어서, 펄스들은 특별한 개인에게는 연결될 필요가 없지만 일정 시간 동안에 성능을 유지하는 가상의 식별자에 연결하여 분석될 것이다. 가상의 식별자는 시장 분할로서 특별화되고, 그래서 광고 시장들 또는 몇몇 다른 의이밌는 구별에 의해서 실패될 것이다. 가상의 식별자는, 하기의 예로서 제한되는 것은 아니지만, 지리학적 위치와 인구통계적 성분과의 조합과 같이 보다 섬세한 방식으로 구성될 것이다.

실시 예들에 있어서, 상기 방법은 표적화 칫수들의 넓은 범위의 조합을 축출하는 패턴을 사용하는 단계를 포함할 것이다. 메트릭이 특별한 세기의 지점들에 따라서 자동적으로 변하는 그러한 유형의 패턴들은 요인 실험이다. 비-제한적인 예에 있어서, 광고의 세기는 일정한 투자증가의 0% 25%, 50%, 75% 및 100%에서 탐구될 수 있으며, 1, 6, 9, 11, 및 12가 될 수 있는 결과 측정을 기대한다. 예에 의해서, 만약 투자의 처음 25%가 5 유닛의 증가를 창조하고 마지막 25% 증가가 1유닛 증가를 창조할 수 있다면, 이것은 효율에서 손실을 나타낼 것이다.

실시 예들에 있어서, 기계, 방법들 및/또는 장치는 여기에서 가상의 글로벌 소비자 ID를 참조하여 설명한 바와 같이 재고 부분들을 초래하느 연결의 컨셉에 의존할 것이다. 그러한 ID에 관련된 몇몇 실시 예들에서 설명한 바와 같은 아이템들은 결과들이 재고의 특별한 부분(채널 사용자 ID들 또는 CID)에 연결되거나 연결되지 않는 일반적인 경우에 존재하는 반면, 여기에서 설명한 방법들 및 장치는 가능한한 CID에 근접하게 연결을 유지시킬 방법을 모색할 것이다.

실시 예들에 있어서, 상기 방법은 재고 부분을 포함할 것이다. 실시 예들에 있어서, 그러한 방법들은 제한된 교차 오염을 개입시킬 것이며, 이것은 시간을 절약하고 방법에 의해서 만들어진 예산 할당의 확실성을 증가시킬 것이다. 비-제한적인 예에 있어서, 충분한 거리로 떨어진 시장들 사이에서 개인들은 제한된 이동성을 나타내므로, 다른 지리학적 시장들 사이에 작은 교차효과가 있다고 가정한다. 여기에서 설명한 방법들에 의해서 구축된 체계하에서, 특별한 시장 내에서 광고들을 수용하는 개인들은 거기에 존재할 것으로 기대되고, 시장에 확실하게 속하는 방식으로 관련 출력 메트릭(기대된 메트릭 ID-EID)을 보여줄 것으로 기대된다.

다른 비-제한적인 예에 있어서, 부분은 지리학적 성분 뿐만아니라 인구통계적 성분으로 양도될 것이다. 이 경우에 있어서, 몇몇 교차효과는 인구통계적 그룹(예를 들면 18~24세 여성)이 다른 그룹(예를 들면 18~24세 남성)에 영향을 끼칠 수 있는 방식으로 기대될 수 있다. 필요에 따라서 복제될 수 있는 인과관계 모델을 만들어내기 위한 주문에 있어서, 각각의 부분에 걸쳐 다른 정도의 세기를 갖는 펄스들이 필수적일 것이며, 그래서 교차효과가 적당하게 측정될 수 있다. 이 효과들은 선형 모델을 가정하는 행력 M으로서 제공될 것이며; 그러나, 몇몇 실시 예들에 있어서, 그 가정은 비-선형 모델이 긍정적인 슬로프이지만 음의 제 2 팜스로서 수익을 감소시키는 특징으로 달성될 것으로 될 것이다.

다른 비-제한적인 예에 있어서, 교차 오염을 회피하기 위한 다른 방법은 몇몇 영구적인 ID를 사용하는 것이며, 여기에서 개인들이 그들의 정체성을 보유하고 있고 결과는 영구 ID로 다시 추적될 수 있다고 가정할 수 있다. 실시 예들에 있어서, 이 경우는 또한 교차효과를 제공할 것이며, 광고 메세지를 수용한 개인들로부터 광고 메세지와 접촉하지 않는 사람들로 이동함에 따른 광고 메세지의 사회적인 침투성을 측정하는데 유용할 것이다. 편리하게 구축된 펄스들의 패턴을 사용함으로써, 계절적 변동의 영향과 표적화한 대중들에 의한 학습의 영향을 중립화하거나 줄일 수 있다. 그러한 패턴들은 시장의 유사한 부분들이 유사하게 거동할 것이며 그들이 양향은 평균적일 것이라는 사실에 의존할 것이다.

실시 예들에 있어서, 증가된 광고 투자(펄스)를 갖는 기간과 감소한 광고 투자(밸리)를 갖는 기간의 길이는 감소를 추정할 수 있게 할 수 있다. 그러한 실시예들에 있어서, 광고 자극을 퇴출시키면 시장 반응에서 확실한 저하를 창조하는 방식으로 학습의 효과를 줄이고 인과관계를 보장하는 것이 바람직할 것이다. 이것은 최저 투자로부터 시작하지 않는 펄스 패턴들의 창조를 가능하게 할 수 있고, 낮은 투자 기준이 될 것으로 믿어지는 결과에서 절대적인 증가의 측정을 할 수 있다. 또한, 하기에서 설명하는 바와 같이 채널들 사이에 교차 효과들을 분리할 필요가 있다.

실시 예들에 있어서, 채널들에 의해서 광고 투자를 나누는 것은 다른 것들에 비해서 하나의 채널을 통한 증가된 광고의 효과를 분리할 수 있게 한다. 채널은 광고가 타겟화할 수 있는 어느 차원이 될 것이다. 채널들의 예는 온라인 미디어(웹 배너들, 소셜 광고들, 서치 광고들, 온라인 비디오, 모바일 배너들, 모바일 비디오들, SMS 메세지, 침입형 광고들, 이메일, 및 개인들이 쌍방향 스크린을 통해서 도달하는 어느 다른 형태의 이메일) 및 오프라인 미디어(TV, 라디오, 시네마, 게재, 옥외 게시판, 인쇄 잡지, 인쇄 신문, 다른 유형의 인쇄물, 케이블, 거리 게시, 및 광고 메세지를 퍼뜨리기 위한 어느 다른 채널)과 같은 전통적인 광고 채널들을 포함할 것이다. 펄스들은 소비자의 마음에 설득효과를 창조할 설비들(203,120, 122, 124)을 통해서 실행될 것이다.

실시 예들에 있어서, 상기 방법은 채널을 다른 광고 메세지 아이디어로 양도하는 단계, 채널을 다른 유형의 콘텐츠로 양도하는 단계, 콘텐츠를 다른 인구통계에 양도하는 단계, 및/또는 채널을 광고 재고의 다른 벤더에 양도하는 단계를 포함할 것이다. 일반적으로, 표적화 차원은 채널로서 구축될 것이며, 이 실패는 기계나 사람이 한 채널 대 다른 채널의 효과를 측정할 수 있게 한다. 실시 예들에 있어서, 이 측정은 최선의 투자가 무엇인지를 결정하는데 사용될 것이다.

다른 재고 분할 사이의 교차 오염은 최소화되는 반면, 다른 채널들 사이의 교차 효과는 기대될 것이다. 그리하여, 다른 광고 세기들을 조합하여 가능한한 완벽하게 축출하는 패턴을 창조하는 모델에 의존하는 것이 필요하다. 투자의 0%, 25%, 50%, 75%, 및 100% 할당의 위에서 언급한 비-제한적인 예에 있어서, 간단한 패턴 실행은 이러한 5개의 세기중 매 하나에 각각의 채널을 부속시키고 다른 것들은 고정된 상태로 유지하는 것에 달려 있다. 이러한 비-제한적인 예에 있어서, 2개 채널들의 경우에 있어서, 채널 A는 0%로 남을 것이며, 반면에 채널 B는 광고가 크기면에서 출어드는 곳(밸리들)에서의 기간을 포함하여 0% 내지 100%(펄스들)의 5개 투자 레벨의 각각을 통해서 진행되고; 그러면 채널은 밸리로 낮추어질 것이며, 부수적으로 25%로 증가되고, 이때 동일한 패턴이 채널 B(펄스들과 밸리들에 따른 모든 5개의 투자 레벨들)에서 반복될 수 있을 것이며; 그러면 채널 A는 100%가 채널들에서 달성될 때까지 밸리로 낮추어지고 50% 등으로 부수적으로 증가될 것이다. 패턴을 양호한 측정으로 만들고 측정에서 몇몇 관성 또는 자기이력을 폐기하기 위해서, 실행의 주문은 모든 채널들에 대하여 0%로부터 100%로 진행되지 않을 것이지만 다른 패턴을 따르는데, 예를 들면, 75%에서 시작하여 25%로 떨어지고 100%로 증가하여 50%로 떨여져서 최종적으로는 0% 레벨에 도달하게 된다.

이러한 패턴들은 극단적으로 길고 보다 시간이 많이 소모되는 반응이고, 매 조합을 탐구하지 않는 패턴이 사용될 것이다. 채널들 사이의 교차 효과는 탐구에 관심을 갖게 된다. 예를 들면, 주어진 채널에 대한 곡선의 기울기는 다른 채널이 높은 세기를 갖는 경우에 변할 것이다. 실시 예들에 있어서, 다차원의 감소 리턴 곡선이 구축될 것이며, 이 곡선은 투자수준을 곡선의 수학적인 구배 함수에 따라서 최고 효율 구성으로 크기조정할 수 있는 흥미로운 특성을 제공할 것이다.

실시 예들에 있어서, 분석의 출력은 수평축에서 광고 투자 및 수직축에서 광고 결과를 보여주는 곡선들의 세트가 될 것이다. 실시 예들에 있어서, 상기 방법은 채널 당 및 재고 분할 당 그러한 곡선들의 창조를 포함할 것이다. 광고 투자와 광고 결과를 비교하는 곡선들이 "수익 감소"를 나타낼 것이라는 사실이 주어지면, 이것들은 긍정적인 제 1 함수와 부정적인 제 2 함수를 가질 것이다. 이 곡선들에 대한 기울기가 긍정적인 것으로 기대되지만, 그 기울기는 제로(0)를 향해 떨어질 것으로 또한 기대된다. 실시 예들에 있어서, 투자의 최적 할당의 결정은 시장 및 재고 분할의 각각에서 투자가 투자의 지점에서 곡선의 기울기가 같은 그러한 값인 경우에 결정될 것이다. 이것은 매 재고 분할 및 매 채널에서 같은 효과를 창조함에 따라 다음의 증가분 예산을 투자하는 곳 사이에 무차별이 존재함을 의미할 것이다. 이것은 모든 채널들 및 재고 분할에 걸쳐서 네트 증분을 창조하기 위하여 하나의 채널 및 재고 분할로부터 다른 것으로 투자할 수 있는 예산이 없음을 또한 의미할 것이다. 실시 예들에 있어서, 모든 재고 분할이 충분한 예측성을 제공하지는 않을 것이다. 그 결과, 실시 예들에 있어서, 메트릭은 모델을 어떻게 근접하여 복사할 수 있는지에 기초하고, 데이터의 집합을 보유하는 것은 현실의 올바른 표현을 보장하고 모델이 합당한 답변을 생성할 수 없는 그러한 경우들을 분리하기 위해서 필요할 것이다.

온라인 마켓에 대한 리스크 모델링

실시 예들에 있어서, 여기에서 설명한 장치 및 방법들은 온라인 마켓을 위한 리스크 모델링용 방법을 포함할 것이다. 상기 방법은 온라인 광고를 통해서 어떤 결과를 달성하는 것에 대한 보장 및 그러한 보장에 대한 공정 가격을 제공함으로써, 발생한 위험의 비용을 나타내는 모델을 창조하는 단계를 포함할 것이다. 실시 예들에 있어서, 상기 방법은, 하기의 예로서 제한되는 것은 아니지만, 성과가 불확실한 경우들에서도 원하는 성과를 달성하기 위한 판매 및 구매 리스크에 대하여 공정한 평가를 구축하기 위한 Black-Scholes 모델링 장치와 같은 재정적인 툴을 사용하는 단계를 포함할 것이다. 실시 예들에 있어서, 그러한 모델들에 따라서 거래될 다양한 위치들은, 하기의 예로서 제한되는 것은 아니지만, 스폿과 보장된 시장들의 비교가 달성되는 일정한 볼륨으로 노출들을 획득하기 위한 CPM 가격, 일정 볼륨에서 리스크의 가격책정하에서 X 메트릭(가시성, 대중 타겟, 리타겟 등)을 달성하기 위한 eCPM이 될 것이며, 그래서 광고회사는 광고회사가 팔고 최소 리스크를 전달하는 가격을 결정하기 위한 관점에서 대중에게 eCPM, CPA 및 볼륨의 백분율로서 달성될 이익을 팔 것이다. 상기 방법은 지난 데이터를 수집하고 위에서 언급한 바와 같은 모델링 포지션들로부터 파생된 성과의 확률론적 분배를 창조하는 것을 포함할 것이다. 상기 방법은 손실 및 다른 가격이 발생할 가능성을 추정하는 단계를 또한 포함할 것이다. 이러한 손실과 다른 유형의 투자에 대한 손실 가능성을 비교함으로서, 상기 방법은 원하는 리스크를 발생시키도록 오더에서 추정된 프리미엄을 발생시킬 것이다. 상기 방법을 사용하여, 개인이나 법인은 리스크를 덜 것이다. 실시 예들에 있어서, 만약 리스크가 상관되지 않은 것으로 취급되면, 개인이나 법인은 여러 포지션들을 취할 것이고 추정된 네트 리스크를 줄일 것이다. 이러한 비-제한적인 예는 리스크를 구매함으로서 이익을 창조하는 결과를 가져올 수 있다. 실시 예들에 있어서, 상기 방법은 다시 팔 수 있는 리스크를 구매하는 개인/법인을 또한 포함할 것이다. 그렇게 함으로써, 시장이 창조될 것이며, 여기에서 의사 결정권자들이 거래하고 광고결과를 전달하기 위한 능력을 판매하는 시장에서 환금성을 가능하게 하는 공정한 가격으로 리스크를 획득하게 될 것이다. 실시 예들에 있어서, 상기 방법은 공정한 시장 평가를 위한 공지된 세트의 도구하에서 리스크가 구매되고 판매될 수 있는 파생상품 시장을 창조하는 단계를 포함할 것이다.

소비자 견인 속성 분류

광고들을 분석들을 나타내는데 사용되거나 또는 그것을 달성하기 위해서 부분으로 나뉠 다른 부분이나 치수로 위치시키기 위한 기회들을 분류하는 것은 흥미로울 것이다. 통상적인 분류는 콘텐츠의 유형, 광고들을 수신하는 소비자들의 거주지역, 하루의 시간, 소비자 작동 장치(온라인 광고들용)의 유형, 케이블 공급자(케이블 기초 광고용)등이다. 실시 예들에 있어서, 설명한 방법들 및 장치는 다양한 치수들의 분석을 분류하기 위한 방법을 포함할 것이다. 상기 방법은 해당 기술분야에서 현재 유용한 주문 기준에 대한 보다 통찰력 있는 의미를 제공할 것이다. 실시 예들에 있어서, 방법들 및 장치는 소비자행동에 의존할 것이며, 다른 부분들 또는 차원으로부터 소비자들이 측정됨에 따라서 결과 지표가 어떻게 변하는지에 대한 분석에 의존할 것이다. 비-제한적인 예에 있어서, 만약 관점의 유형이 콘텐츠 유형이고 가능한 것들이 뉴스, 과학, 오락 및 날씨이면; 콘텐츠의 각각의 유형에 대한 메트릭 "전환율"을 찾게 되고, 최고 전환율을 갖는 것으로부터 최저 전환율을 갖는 것으로 콘텐츠 유형을 주문할 것이다.

실시 예들에 있어서, 카테고리에 대한 단일 메트릭은 카테고리 내의 주문에 대한 충분한 이해를 이끌어내지 못할 것이다. 평균 전환율은 대체로 일정할 것이지만, 전환율은 하루의 시간 동안 아침의 전환율은 날씨에 대해 최고가 될 것이고 이어서 뉴스, 문학 및 오락의 패턴으로 변할 것이다. 오후 동안에, 패턴은 어느 정도 일정할 것이며, 저녁에 행동은 오락에 대해 최고의 전환율을 가질 것이며, 그 다음에는 문학, 그다음에는 뉴스, 끝으로 날씨 순이다. 그러한 예에 있어서, 전환율이 변화된 주문은 로직을 보여주도록 나타날 것이며, 콘텐츠와 접하는 경우 소비자 행동을 나타낼 것이다. 그러므로, 상기 방법은 합성 메트릭을 창조하도록 카테고리들의 새로운 주문을 합성화하는 단계를 포함할 것이다. 실시 예들에 있어서, 상기 방법은 어느 주어진 노출 속성(일반적으로, A1,A2,..An)에 대하여 유용한 값들을 평가하는 단계를 포함할 것이다. 상기 방법은 또한 각각의 다른 것들과 독립적인 지표의 세트 또는 프로젝션 지표(일반적으로, B, C, D,..., Z, ...AA, AB, ... nn)가 존재하는지 여부를 평가하는 단계를 또한 포함할 것이다. 상기 방법은 2개의 극단적 속성 사이에서 A축으로 전체 거리가 존재하는 Β. , .ηη 스페이스에서 측정된 메트릭 A의 매 속성 사이에서 거리들의 합을 최소화하는 단계를 포함할 것이다. 상기 방법은 B...nn 지표의 각각에 대해 단조적으로 증가하거나 감소하는 함수로부터 제곱오차를 최소화하는 단계를 또한 포함할 것이다. 상기 방법은 이러한 최소화들을 가중치의 세트와 결합하여 단일 메트릭이 최소화되는 단계를 또한 포함할 것이다. 그러므로, 상기 방법은 소비자 행동에 의해서 분류될 속성 A에 대하여 인공적인 방향을 창조하도록 값들 A1 내지 An에 대한 주문을 이끌어낼 것이다. 합성 메트릭을 사용함으로써, 이 합성 메트릭으로 일정 량을 할당하고 그래서 각각의 명복 값이 수로서 나타내도록 할 수 있다. 근접한 수들은 소비자 관점과 선택된 프로젝션 지표에 대해 유사한 명복 값을 나타낼 것이다. 상기 방법은 실제적인 의미를 가질 합성 메트릭을 결과적으로 제공할 것이다. 심지어 그렇지 않은 경우에도, 상기 방법은 확실한 소비자 행동을 나타내는 연속적인 함수에 의존함에 따라서 확률의 양호한 모델링을 가능하게 할 것이다.

매개변수 ETL

실시 예들에 있어서, 여기에서 설명한 장치 및 방법들은 매개변수 추출 변환 로드 프로세스(ETL)를 포함할 것이다. 실시 예들에 있어서, ETL은 입력 매개변수들을 메타데이터에 의한 보충 데이터 세트를 사용하여 파싱된 핵심 값 쌍으로 명시하기 위한 능력을 포함할 것이며, 이때 상기 핵심 값 쌍들의 하나는 파싱하도록 사용될 메타데이터의 이름을 명시한다. 비-제한적인 예에 있어서, 입력들은 다음과 같다: 메타="VF", A=50000, B=40220, C= 1000000000, D=Edimburg, E=NA, F=NA, 여기에서 VF 메타-데이터 세트는 "우리의 VF 고객에 대하 세일즈를 위한 데이터"이고 "테이블 VF/세일즈로 입력되어야만 함"으로 언급되고, A는 "세일즈 rep ID", B는 "전체 유닛들", C는 "세일즈 전체 수익", D는 "위치"이고, E와 F는 사용되지 않았다. 파싱 시간에서, 열은 판독될 것이고, 대응하는 메타데이터 파일이 파싱을 위해서 사용될 것이다.

플랫 테이블 데이터베이스 스키마

실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 플랫 테이블 데이터베이스 스키마를 포함할 것이다. 설명한 데이터베이스 장치는 쉼표로 분리된 텍스트 파일들 및 다중 플랫폼들에 의해서 소비되고 제시간에 견뎌내는 데이터베이스 장치를 창조하기위해서 저장된 데이터에 대해 메타데이터를 제공하는 별도의 텍스트 기초 파일과 같이 간단한 코드화에 의존할 것이다. 실시 예들에 있어서, 데이터베이스 장치는 쉼표로 분리된 요소들을 갖는 플랫 데이터 파일, 및 상기 컬럼의 마지막 요소의 종료에 있는 CR을 포함할 것이다. 블랭크 요소들은 생략한 값들을 가질 것이다. 파일의 이름은, 하기의 예로서 제한되는 것은 아니지만, 표 이름, 임의적으로 버전, 및 시간/날짜 및 서수(시간/날짜/또는 서수 조합의 독특함을 보장하기 위해서 5자리 숫자와 같은)를 포함할 것이며, 그래서 큰 데이터 세트가 별도 파일에 저장될 것이다. 데이터베이스 장치 데이터파일과 연관된 메타데이터 파일을 또한 포함할 것이다. 연계는 파일이름에 의해서 이루어질 것이다. 메타데이터는 데이터 파일의 파싱을 가능하게 하는 데이터를 짜기 위해서 뿐만아니라 플랫 데이터 파일에서 나타나는 컬럼들의 이름을 주문에 포함할 것이다. 실시 예들에 있어서, 데이터베이스 장치는 메타데이터 파일들 내로의 모든 가능한 엔트리들이 명명되는사전, 및 그것이 뜻하고 그것에 부합하는 간략한 설명을 포함할 것이다. 저장된 메타데이터의 유형은, 하기의 예로서 제한되는 것은 아니지만, 각각의 컬럼의 이름 및 컬럼에 저장된 데이터의 포맷을 포함할 것이다. 컬럼들의 이름은 독특해야만 하며, 그래서 이들은 사전에 저장될 것이다.

실시 예들에 있어서, 사전은 독특한 단어들에 의존할 것이다. 실시 예들에 있어서, 상기 장치는 중앙 저장소를 필요로 하고 그래서 단어들은 반복되지 않는다. 단어들은 긴 이름을 가질 것이며, 그래서 이들은 단어의 콘텐츠가 무엇인지에 대해서 분명하게 할 것이다. 만일 단어들의 수가 과도하게 길면, 접미사 개요가 배열될 것이며, 여기에서 단어(예를 들면 수익)는 접미사가 붙을 것이다(예를 들면 수익.총 대 수익.순익). 이 체계는 긴 용어 데이터 저장(간단한 ETL 장치에 의해서 쉽게 파싱될 수 있고 다른 새로운 기술로 입력되는 바과 같이)을 허용할 것이며, 데이터베이스 사이에서 운반을 허용할 것이다. 파라메트릭 ETL은 이 파일을 원하는 어느 데이터베이스 내로 파싱 및 입력하도록 쉽게 사용될 것이다.

준 정적 입찰

광고 노출들이 하나씩 구매될 수 없는 경우들에서 광고 재고 구매를 최적화하기 위한 방법에 대한 수요가 현재 존재하고 있다. 동시에, 평가를 하나씩 창조하기 위한 모델들은 유용할 것이며, 광고 노출들에 대하여 지불할 수용가능한 값이 얼마인지를 결정하기 위해서 정확한 메카니즘을 제공할 것이다. 노출들이 하나씩 구매될 수 없는 경우들은 광고 노출들을 하나씩 구매할 수 있는 능력이 개발되어 있지 않거나 불가능한 경우이다. 그러한 경우들의 예는, 선형 TV를 통한 광고 배치 또는 잡지에서의 광고 배치와 같이 비-온라인 미디어를 통해서 위치된 광고들을 획득하는 것이 될 수 있다. 또한, 노출-대 노출 베이스로 거래하는 것이 기술적으로 가능한 경우들이 존재하지만, 사업적 고려로 인하여, 재고의 큰 폭에 대하여 합계 값을 제공하는 것에 흥미가 있다. 그러한 경우들에 있어서, 광고들의 판매자는 어느정도 표적화 능력을 허용할 것이다. 여기에서 설명한 방법들 및 장치는 작은 부분들로의 유용한 노출들의 유니버스를 파괴하는 방법을 개시한다.

실시 예들에 있어서, 특별한 부분 내에 해당하는 노출들의 샘플에 평가 메카니즘을 적용함으로써, 상기 방법 및 장치는 부분의 집합체에서 평가를 측정할 수 있게 하고 그러므로 부분의 효율이 무엇인지를 배운다. 이러한 작은 부분들의 몇몇은 다른 것들보다 양호한 평가를 가질 것이며, 그러므로 구매하기에 보다 매력적일 것이다. 실시 예들에 있어서, 상기 방법은 부분들의 크기를 줄임으로써 부분들의 몇몇이 부분의 크기가 큰 경우보다 높은 성과를 나타낼 것으로 가정하는 것이 필요하다. 그러므로, 각각의 부분의 평균 크기를 줄이는 주문에서 표적화 매개변수들의 조합을 사용하는 것이 유리할 것이다. 실시 예들에 있어서, 부분들은 중첩될 것이며, 같은 크기를 가질 필요는 없다. 실시 예들에 있어서, 평가 모델은 하나씩 그리고 부분 베이스로 광고들을 동시에 구매하도록 사용될 것이다. 실시 예들에 있어서, 광고들은 온라인으로 제공될 필요가 없고, 이 모델은 오프라인 채널들을 갖는 미디어를 최적화 하기 위해서 사용될 것이다. 방법론들은 "점진적 요청"을 제공할 것이다.

실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 소비 조정을 쉽게 할 수 있는 광고 게재를 위한 확률을 보정하는 방법을 포함할 것이다. 실시간 광고 교환에서 입찰하는 경우, 입찰 시간에 유용한 정보의 속성 또는 "특징"을 달러 입찰 값으로 전환시키는 것이 필요할 것이다. 이 속성은 하루의 시간, 주의 하루, 창작자의 크기와 위치에 관한 정보, 사용자 정보, 사이트 이름 등을 포함한다. 실시 예들에 있어서, 상기 방법 다음의 2단계 프로세스를 포함할 것이다: 1. 속성의 세트에 주어진 전환의 가능성의 확률론적 모델을 구축하는 단계 - 그러한 모델은 광고 배치로부터 생긴 전환의 0과 1 사이에 확률을 제공할 것임 -; 2. 이 확률을 달러 값으로 전환하는 단계. 이 단계는 보정으로서 알려져 있고, 보정의 많은 방법들이 문헌에 존재한다. 통상적으로 이 방법들은 편항된 확률 추정 또는 모델 스코어를 실증적인 데이터에 기초한 편향되지 않은 확률론적 추정으로 전환하도록 사용될 것이다. 2가지 예들은 Isotonic 보정 (Zadrozny and Elkan (2002) and loistic regression 보정 (Piatt 1999)이다.

실시 예들에 있어서, 개시된 방법은 방법들의 Isotonic family과 흡사할 것이다. 이 방법들은 확률 밀도 함수(pdf)의 소정의 또는 데이터-파생 bins를 사용하여 확률 추정치들을 계산하고 교차 인증 예들을 사용하여 이러한 bins에 해당하는 추정치들에 대한 진실 확률을 계산할 것이다. 실시 예들에 있어서, 개시된 상기 방법 및 장치는 시장의 숙련된 지식과 실증적인 결과에 기초한 소정의 bins을 이용할 것이다. 실시 예들에 있어서, 상기 방법은 시장 데이터의 샘플들을 사용하여 bin 경계에서 확률을 계산하는 단계를 포함할 것이다. 각각의 bin에 대한 보정된 값은 확률이 아니라 입찰 가격이 될 것이다. 실시 예들에 있어서, 상기 방법 및 장치는 평균 CPM 가격의 승수로서 이 가격을 계산할 것이다. 실시 예들에 있어서, 이것은 CPM을 변화시킴에 의해서 입찰이 간단히 게시판에 걸쳐서 상승 또는 하강하므로 매일 상승 및 하강하도록 휴먼 캠페인 매니저를 하나의 단순한 노브로 제공할 것이다. 실시 예들에 있어서, 입찰은 보다 "까다롭고" 또는 보다 "공격적인" 보정 프로필들을 선택함으로써 변경될 것이다.

실시 예들에 있어서, bin 경계에서의 확률은 오프라인 또는 온라인 방식으로 계산될 것이다. 오프라인 버전에 있어서, 입찰 요청들의 샘플은 비행의 표적화 매개변수들(예를 들면, 지역, 블랙리스트/화이트리스트)에 따라서 보정될 각각의 비행을 부합시키도록 수집될 것이다. 각각의 샘플에 대한 확률이 계산될 것이며, 확률 밀도 함수로서 출력될 것이다.

실시 예들에 있어서, "스트리밍 보정"으로서 알려진 온라인 버전에 있어서, 시장 샘플들은 실시간 입찰 시스템에서 "즉석에서" 수집될 것이다. 이 판단이 실시간 입찰 기계 시설에서 진행되는 실시 예들에 있어서 효과적인 실행이 필요할 것이다. 예를 들면, "Greedy online histograms applied to deterministic sampling", Vermor el and Herv'e Bronnimann, 2003 or " A Streaming Parallel Decision Tree Algorithm", Yael Ben-Haim and Elad Tom-Tov (2010)에 개시된 온라인 방법들이 있다. 스트리밍 방법은 엄격한 표적화를 갖는 비행기들이 샘플링을 위한 제한된 시간과 공간으로 인하여 오프라인 샘플링에서 일어날 수 없는 양호한 샘플 pdf를 갖기에 충분한 입찰 요청을 궁극적으로 부합시키는 장점을 가질 것이다.

실시 예들에 있어서, 오프라인 보정은 "학습 기계시설(138)"에서 수행될 것이며, 도 100A에 도시된 바와 같이 "실시간 입찰 기계 시설(142)" 내로 플러그인될 매개변수화된 모델들을 창조한다. 스트리밍 보정은 "실시간 입찰 기계 시설(142)"에서 이루어질 것이며, 입찰을 하도록 사용된 모델들을 계속해서 업데이트할 것이다.

입찰 시스템을 위한 접속할 수 있는 전문가 소프트웨어

실시 예들에 있어서, 여기에서 설명한 방법들 및 장치는 입찰 시스템을 위한 접속할 수 있는 전문가 소프트웨어를 포함할 것이다. 특별한 노출에 대해서 실시간으로 재고의 부분들에 대하여 배치모드로 표적화 매개변수들의 다양성에 기초한 광고들에 대한 평가를 제공할 수 있는 발전된 입찰장치가 존재한다. 이들 평가는 전문가 소프트웨어 에이전트에 의해서 창조될 것이며, 이것은 모든 유용한 데이터 포인트들, 및 소비자, 문맥 및 사용할 창조성을 포함한 노출 속성을 고려할 것이다. 그러나, 매 광고 캠페인 및 광고회사가 같은 목적을 추구하지 않기 때문에, 평가를 제공할 메카니즘들은 캠페인들 사이에 다를 것이다. 여기에서 설명한 장치 및 방법들은 다른 상황들을 위한 다른 전문가 소프트웨어 에이전트를 사용하여 가능성을 어드레스하도록 플랫폼 솔루션을 제공할 것이다. 그렇게 하여, 다른 전문가 소프트웨어 에이전트의 사용은 이러한 에이전트들이 접속할 수 있고 쉽게 접속해제할 수 있는 모듈러 장치를 필요로할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 여기에서 설명한 장치 및 방법들은 광고 배치 기회들을 확인하고 광고 배치 기회들을 제공하기 위해 광고 및 후원 콘텐츠의 선택을 최적화하는 목적을 위해서 사용될 디지털 소비자 서비스를 포함할 것이다. 상기 콘텐츠는, 하기의 예로서 제한되는 것은 아니지만, 광고 배치 기회들, 동적 웹사이트 콘텐츠, 디지털 라디오, IP 텔레비젼 콘텐츠, 및 다른 형태의 디지털 미디어를 포함할 것이다. 이 방법들은 소비자, 전체적인 시장, 하나 또는 그 이상의 광고 캠페인, 또는 정치적인 행동을 포함하여 소비자들을 개입시키는 다른 유형의 통신에 대한 통찰을 이끌어내기 위한 분석을 창조할 목적으로 또한 사용될 수 있다.

디지털 소비자 서비스는 다른 것들 중에서 광고 및 콘텐츠 제공 목적을 위해서 다중 문맥들에서 다중 장치들에 걸쳐서 그리고 그 내부에서 소비자들을 실시간으로 확인할 것이다. 실시 예들에 있어서, 디지털 소비자 서비스는 다른 장치들과 각각의 그러한 장치 표현의 결합에 의해서 발생된 별명의 연결과 인식을 가능하게 할 것이고 및/또는 그러한 별명들 사이에서 공유된 프로필의 익명 및 필명 인식을 가능하게 하도록 온라인 및 오프라인 콘텐츠를 통해서 장치 식별자 및 등과 같은 속성에 역동적으로 및 일시적으로 연관된다. 이렇게 공유된 프로필은 표적화된 광고를 위해서 사용될 것이고 온라인 및 오프라인 콘텐츠를 제공한다. 프로필은 콘텐츠 및 광고와의 온라인/오프라인 결합을 위해서 온라인/오프라인 활동의 분석 및 할당의 목적으로 프로필의 거동 분석을 위해서 사용될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 서비스는 디지털 소비자 프로필 또는 그것의 창작을 포함할 것이다. 디지털 소비자 프로필은 디지털 소비자 프로필 창작의 시간에서 유용한 속성 데이터를 이끌어낼 때 역동적으로 및 일시적으로 발생된다. 그러한 실시예들에 있어서, 디지털 소비자 프로필은 표적화 또는 할당 노력 및 속성 데이터 수집의 착수시에 기대되지 않는 경우들을 이용하고 정의에 맞추기 위해서 다수의 사용자 프로필의 역동적 및 일시적 발생을 또한 제공할 것이다. 그러한 소비자 프로필은 다른 것들 중에서 광고회사 및 서비스 제공자들의 개인정보 보호정책, 콘텐츠 문맥의 규제조건들에 기초하여 또한 변할 것이다. 규제조건들, 개인정보 보호정책, 기업규칙 등은 속성 데이터의 수집 및 분석, 및 소비자와 연관될 별명을 형성하기 위해서 그러한 데이터의 통합을 적어도 부분적으로 결정할 것이다. 그러한 규칙, 정책들은 분석 플랫폼 시설(114)에 연관된 룰 엔진으로부터 제공되는 속성 및 다른 데이터에 적용되는 규칙 세트로서 나타낸다. 디지털 소비자 프로필은 왜 콘텐츠가 최초 콘텐츠 요청에 제공되지 않은 별명에 표적화되는지에 대한 감사가능성을 허용할 것이다. 디지털 소비자 서비스는 플랫 매치 테이블을 갖는 것을 넘어서 유연성과 확장성을 부여하기 위해서 프로필을 역동적으로 및 일시적으로 확인하는 결합 표현 구문론을 포함할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 도 61을 참조하면, 디지털 소비자 프로필 아키텍처(6100)는 조직 데이터(6108) 뿐만아니라 마스터 ID(6102), 별명(6104)를 포함할 것이다. 별명은 다른 것들 중에서 소비자 장치 ID, IP 어드레스, 개인용 컴퓨터 지문, 쿠키 확인과 같이 개인적으로 확인된 별명(6110)을 포함할 것이다. 마스터 ID는 조직 데이터를 포함할 것이다. 비-제한적인 예에 있어서, 소비자 A의 마스터 ID는 자동차 회사 또는 광고회사와 같이 조직으로부터 제공된 조직 데이터를 포함할 것이다. 그러한 조직 데이터는 소비자에 대해 콘텐츠를 표적화하거나 소비자에 귀속시키기 위해서 사용될 데이터(6112)를 포함한 특별한 데이터 세트(6114)를 포함할 것이다. 소비자의 조직 데이터는 소비자 A의 마지막 자동차의 메이커 모델과 같이 소비자에 대한 수송 데이터를 포함할 것이다. 조직 데이터는 콘텐츠를 소비자 A에게 부합, 표적화 또는 귀속시키기 위하여 조직 캠페인들(6118,6120)에 대한 정보 및 조직 캠페인들(6214)의 부품들에 대한 정보를 또한 포함할 것이다. 소비자 A에 대한 조직 데이터는 표적화되고 귀속된 콘텐츠에 대한 빈도(6128) 및 출력(6130) 매개변수들을 포함하여 최신 차량에 대한 자동차 회사의 캠페인에 관한 정보를 포함할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 프로필은 마스터 ID를 포함할 것이다. 실시 예들에 있어서, 마스터 ID는 연관된 소비자 프로필 데이터를 갖는 익명의 장치-발생된 식별자를 포함할 것이다. 마스터 ID 는 온라인 콘텐츠 표적화 및 할당의 목적을 위해서 사용될 것이다. 마스터 ID는 콘텐츠에 부착된 노출, 빈도, 및 활동도 데이터 뿐만아니라 마스터 ID와 연관된 행동 데이터를 갖는 데이터 저장을 참조할 것이다. 실시 예들에 있어서, 소비자들은 정보가 보다 유용해지게 시간이 지남에 따라 그룹화될 다수의 다른 마스터 ID들과 역동적으로 그리고 일시적으로 연관될 것이다. 마스터 ID는 같은 소비자에 대하여 유용한 디지털 소비자 식별자의 다양한 유형들을 역동적으로 그리고 일시적으로 교차-결합시키도록 사용될 것이다. 마스터 ID는 교차-채널 계획적 마케팅에서 적용될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 프로필은 별명을 포함할 것이다. 별명은 장치, 브라우저, 알고리즘, 또는 마스터 ID를 참조할 수 있는 제3자들에 의해서 발생된 식별자를 포함할 것이다. 실시 예들에 있어서, 별명은, 하기의 예로서 제한되는 것은 아니지만, 다른 도메인들로부터 제공된 쿠키들, 이메일 주소, 장치 ID(예를 들면 IDFA와 같은 장치 제조업자에 의해서 발생된 ID), IP 어드레스, 또는 다른 식별 특징들과 같은 특징들을 포함할 것이다. 실시 예들에 있어서, 별명은, 하기의 예로서 제한되는 것은 아니지만, 출판사나 제3자들에 의해서 제공된 별명(예를 들면 해쉬화 이메일 주소들), 또는 고객-특별 별명 (예를 들면 암호화된 가게 멤버 ID)과 같은 식별 특징들을 소유한 조직에 의해서 제공될 것이다. 실시 예들에 있어서, 별명은 예를 들면 웹페이지를 방문하는 것 그리고 다른 별명을 통해서 다른 장치에서 같은 소비자에게 콘텐츠를 제공하기 위해서 같은 소비자를 다른 별명과 연관시키는 것과 같이 과거에 어떤 콘텐츠에 접속한 소비자들을 확인하기 위해서 사용될 것이다. 그러한 사용은 사용자들로 하여금 장치에 걸쳐서 소비자들을 역동적으로 그리고 일시적으로 확인할 수 있게 하고 교차-채널 할당 방법론들을 창조할 수 있게 할 것이다. 비-제한적인 예에 있어서, 모바일 장치에서 보여지는 광고를 보고 컴퓨터를 거쳐서 광고회사를 위한 웹 페이지를 방문한 소비자는 소비자의 별명과 (별명에 적어도 부분적으로 기초할) 그의 마스터 ID 사이에서의 상호작용에 기초하여 광고에 귀속될 것이다. 실시 예들에 있어서, 별명은 재표적화 또는 할당을 위해 쿠키들의 삭제를 살리고 정보를 보전할 집요한 식별자로서 작용할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 프로필은 링크와 같은 속성을 포함할 것이다. 링크들은 다수의 별명들 사이에 관계를 역동적으로 그리고 일시적으로 설정할 것이다. 링크들은 링크를 확인할 몇몇의 속성을 포함할 것이다. 실시 예들에 있어서, 링크는 원천 조직 또는 링크의 소유주에 의해서 확인될 것이다. 링크 원천 조직은 분석 플랫폼(114)과 같이 동일한 플랫폼의 일부일 것이다. 그러한 링크는 동일한 거주 네트워크에서 다른 별명을 확인할 것이다. 실시 예들에 있어서, 링크 원천 조직은 고객들에 의해서 제공될 것이다. 비-제한적인 예에 있어서, 디지털 소비자 서비스는 장치 ID(1)와 쿠키(2)가 멤버 ID를 거쳐서 연결된 것을 확인할 수 있다. 실시 예들에 있어서, 링크 원천 조직은 출판사들이나 다른 제3자들에 의해서 제공될 것이다. 비-제한적인 예에 있어서, 디지털 소비자 서비스는 같은 마스터 ID에 링크된 해쉬화 이메일 주소 및 장치 ID를 역동적으로 그리고 일시적으로 확인할 것이다. 실시 예들에 있어서, 링크는 유형에 의해서 확인될 것이다. 링크는 다른 것들 중에서 "자신" "가정" 또는 "친구"와 같이 다른 별명의 관계를 기초한 다른 유형들을 가질 것이다. 실시 예들에 있어서, 링크는 다른 별명이 같은 마스터 ID에 부착된 것에 대한 신뢰를 결정할 신뢰 수준 속성을 포함할 것이다. 또한, 링크는 시간 대 라이브(TTL) 속성을 포함할 것이다. TTL 속성은 주어진 신뢰 수준으로 링크가 유용한 시간을 확인할 것이다. 실시 예들에 있어서, 링크는 링크의 창조 시간을 확인할 시간 스탬프 속성을 포함할 것이다. 다른 용도들 중에서, 이것은 적당한 시간 한계 내에서 링크들을 노출시키는데 사용될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 마스터 ID는 써클로 불리우는 세트로 그룹화될 것이다. 그러한 세트들은 무명 세트들이 될 것이며, 하기의 예로서 제한되는 것은 아니지만, 가정 구성원 또는 친구들의 그룹들과 같이 대략적으로 실제 전세계를 표적화 할 수 있고 귀속할 수 있는 실체가 될 것이다. 비-제한적인 예에 있어서, "소비자" 써클들을 역동적으로 그리고 일시적으로 창조하기 위해서 결합 표현이 사용될 것이며, 상기 서클들은 주어진 별명이 링크들에 의해서 "자체"의 유형을 갖는 다른 별명에 결합되는 어느 마스터 ID들의 모든 가능한 세트들이 될 것이다. 다른 비-제한적인 예에 있어서, "가정" 써클은 "가정"의 유형과의 링크들에 의해서 결합한 별명과 어느 마스터 ID들의 모든 가능한 세트들을 발생시키는 결합 표면을 거쳐서 역동적으로 그리고 일시적으로 발생될 것이며, 상기 "가정"의 유형에서는 유형 "암호화된 IP 어드레스"를 갖는 주어진 별명이 유형 "암호화된 장치 식별자"에 대해 5개의 링크들보다 적거나 같다. 다른 비-제한적인 예에 있어서, 결합 표현은 "친구" 써클들을 역동적으로 그리고 일시적으로 창조하기 위해서 사용될 것이며, 상기 "친구" 써클들은 별명 사이의 거리가 2보다 작은 다른 별명에 대해 유형 "친구"의 링크들에 의해서 결합된 별명을 갖는 어느 마스터 ID들의 모든 가능한 세트들을 포함할 것이다. 실시 예들에 있어서, 단일 써클 예의 프로필들은 평가될 때 역동적으로 그리고 일시적으로 합쳐질 것이다. 실시 예들에 있어서, 결합 표현은 유용한 링크들/별명에 기초한 마스터 ID들을 써클들 내로 그룹화하는 것을 위한 규칙들을 역동적으로 그리고 일시적으로 한정할 것이다. 결합 표현들은 마스터 ID들을 써클 세트들로 그룹화하기 위한 주문에서 발견적 학습을 실행할 것이다. 결합 표현들의 몇몇 비-제한적인 예들은 시간의 함수(예를 들면 지수 감소)로서 신뢰 임계치를 사용하는 발견적 학습 표현들이 될 것이다. 다른 비-제한적인 예에 있어서, 결합 표현은 마스터 ID들을 써클 세트들로 그룹화하기 위하여 별명 또는 링크들의 소유권(예를 들면 회사 A의 데이터를 사용하여 구축한 링크들은 회사 A에 대해서 유용해야 함)을 사용할 것이다. 다른 비-제한적인 예에 있어서, 지리학적 또는 다른 맥락적 제한들(예를 들면 EU에서 IP 어드레스들은 사용할 수 없음)은 마스터 ID들을 써클 세트들로 역동적으로 그리고 일시적으로 그룹화하는데 사용될 것이다. 실시 예들에 있어서, 결합 표현들이 실행될 것이고, 그래서 별명은 "자체"의 링크 유형으로 마스터 ID에 링크될 수 있다. 그러한 결합들은 마스터 ID를 갖는 특별한 개인에 대해 링크의 능력의 확률을 나타낼 "링크의 확실성"과 같은 속성을 포함할 것이다. 또한, 상기 결합은 연결을 위해서 사용된 데이터의 소오스를 나타내는 상기 링크의 소유권을 확인할 것이며, 상기 링크의 사용을 제한하거나 또는 상기 링크의 소유자에 대해 어떤 콘텐츠를 유용하게 할 것이다. 상기 결합은 소비자의 개인정보를 보호하면서 사용될 링크의 조건을 나타내는 하나 또는 그 이상의 속성이 될 개인정보보호 특징 속성을 또한 포함할 것이다. 상기 결합은 상기 링크가 지역적인 법률에 따라서 링크가 실행되거나 실행될 지리학적 조건과 같은 위치정보를 또한 포함할 것이다. 마스터 ID들은 다른 써클들을 창조하도록 다양한 유형의 링크들을 갖는 다른 마스터 ID에 링크될 것이다. 그러한 링크들은 그러한 마스터 ID가 그 별명에 속하지 않는 경우, 별명과 마스터 ID 사이의 영향의 강도를 나타내는 "링크의 강도" 속성을 포함할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 결합 표현들은 다른 것들 중에서 조직 수준, 장치 수준 및 캠페인 수준들과 같은 디지털 소비자 프로필의 다른 수준들로 실행될 것이다. 그러한 결합 표현들은 다른 수준 표현과 연관시켜서 평가될 것이다. 비-제한적인 예에 있어서, 상기 별명을 표적화 또는 귀속화하는 경우, 특별한 캠페인 수준 결합 표현은 써클 이름에 따라서 역동적으로 그리고 일시적으로 발생될 것이다. 조직 및 장치 수준 결합 표현들은 표적화를 위한 써클을 나타내는 최종 표현을 구축하도록 적용될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 써클은 표적화되고 귀속되는 콘텐츠의 문맥을 사용하여 역동적으로 그리고 일시적으로 발생될 것이다. 문맥은 평가를 위해 링크들 및 별명을 포함하거나 배제하기 위해 결합표현들에 의해서 사용될 것이다. 비-제한적인 예에 있어서, 별명/링크들은 콘텐츠의 소유자가 콘텐츠에 대해 접속하는 경우에만 사용하도록 제한될 것이다. 다른 비-제한적인 예에 있어서, 콘텐츠 문맥은 별명/링크가 어떤 지리학에서 사용될 콘텐츠의 지리학적 위치에 의존할 것이다. 그러한 경우들에 있어서, 암호화된 IP 어드레스들은 콘텐츠에 태그가 붙거나 결합표현들이 평가되고 평가를 위한 별명/링크를 포함시키기 위한 결합 표현들의 능력을 제한하는 몇몇 지리학적 위치들에서 합법적이거나 불법적일 것이다.

도 63은 디지털 소비자 서비스 환경(6300) 내에서 링크들, 별명, 및 써클들의 수집의 비-제한적인 예를 나타낸다. 단일 마스터 ID(6302)는 몇몇의 속성 별명에 대한 별명/마스터 링크(6318)에 역동적으로 그리고 일시적으로 연관될 것이다. 그러한 별명은 다른 것들 중에서 장치 ID들(6308), 디지털 ID들(예를 들면 암호화된 IP + 사용자 에이전트)(6314), 플랫폼 쿠키 ID들(6310), 마스터 ID들의 암호화된 거주 IP(6312), 및 소비자 ID들에게 제공된 광고회사(6304)를 포함할 것이다. 이러한 속성 별명의 각각은 다른 것들 중에서 "가정"(6320), "자체"(6314) 또는 "친구"(6322)와 같은 다른 링크 유형들과 함께 연관될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 결합 표현은 다른 장치 수준 규칙들 또는 선호도에 따라서 평가될 것이다. 그러한 규칙들 또는 선호도는 서비스된 콘텐츠의 문맥, 별명 및/또는 링크에 따라 제공될 것이다. 비-제한적인 예에 있어서, 장치 수준 결합 표현은 지리학적 위치에서 그 지역에서의 데이터 사용에 관한 법률에 의거하여 모든 콘텐츠 표적화를 보장하기 위해서 사용될 것이다. 그러한 규칙은 결합 표현들을 창조하는 어느 조직에 의해서 재정의될 수 없는 장치 수준 디폴트가 될 것이다. 실시 예들에 있어서, 결합 표현은 조직의 데이터 접속 또는 개인정보보호 정책에 대해 계산할 것이다. 비-제한적인 예로서, 만약 조직이 별명 또는 링크들의 특별한 유형들을 사용하여 써클들을 평가하기를 원하지 않는 경우, 또는 조직이 특별화된 별명이나 링크들을 제공하면, 그러한 결합 표현들은 그러한 선호도에 따라서 평가될 것이다. 실시 예들에 있어서, 별명, 링크들, 및 써클들은 평가될 주문에서 데이터 구조를 이주시킬 것이다. 그러한 데이터 구조는 내부 데이터 소오스들, 다른 조직에 의해서 제공된 데이터 또는 제3자들에 의해서 제공된 데이터로부터 이주될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 서비스는 별명에 대한 표적화 콘텐츠를 포함할 것이다. 실시 예들에 있어서, 써클에 포함된 마스터 ID들의 프로필들은 콘텐츠의 표적화를 위해 단일 실체로서 합쳐진 프로필을 나타내도록 주문에 역동적으로 그리고 일시적으로 합쳐진다. 비-제한적인 예에 있어서, 만약 광고회사가 "가정"을 5의 빈도로 표적화 하기를 희망하는 경우, 광고회사는 "가정" 써클을 한정하기 위한 제 1 필요성이 될 것이다. 별명이 결합 표현에 의해서 평가되는 경우, 써클내로 통합된 모든 마스터 ID들의 프로필들은 그러한 캠페인을 위한 빈도를 합칠 것이다. 만약 빈도가 5보다 작으면, 캠페인은 그러한 콘텐츠에 대해 표적화될 것이다. 콘텐츠와의 결합이 확인되면, 가장 가까운(최초 별명에 대한 거리에서) 모든 마스터 ID에 대해서는 아니지만 마스터 ID의 빈도는 1만큼 증가될 것이다. 거리와 결부시킨 경우에 있어서, 가장 오래된 마스터 ID는 증가시키도록 사용될 것이다. 다른 비-제한적인 예에 있어서, 만약 광고회사가 "가정" 써클을 표적화 하기를 원하면, 그러한 가정 내의 모든 개인 마스터 ID들은 재표적화에 대해 유용하다. 빈도는 마스터 ID 수준으로 할당될 것이다. 타겟으로서 마스터 ID 유용성은 마스터와 별명을 연결하는 신호가 유용한 때에 미리 계산될 것이다. 별명은 마스터 ID를 보유한 개인이 광고회사를 위한 웹사이트를 방문하고 상기 별명을 제공하는 장치를 사용하는 상황에서 세그멘트나 써클에 역동적으로 그리고 일시적으로 링크될 것이다. 그러한 예에 있어서, 언제나 광고를 위치시키기 위한 기회(입찰에 대한 기회)가 관찰되고, 상기 기회는 결합 표현을 통해서 마스터 ID에 대한 별명을 제공하고, 그러한 결합 표현은 광고회사에 대해 수용가능한 충분히 높은 확률을 가지며, 상기 표현은 규칙 내에서 허용되고, 그러면 마스터 ID는 입찰을 위한 기회에 부착될 것이다. 다중 마스터 ID들은 광고를 위치시키기 위한 단일의 기회에 부착될 것이다. 링크의 유형, 확률, 및 강도에 관한 정보가 또한 부착될 것이다. 그러한 정보는 광고를 위치시키기 위한 그러한 기회에 대한 값을 결정하는 기계에 의해서 사용될 것이며, 상기 기계는 실시간 입찰 환경에 대하여 특별히 유용할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 서비스는 다중 마스터 ID들 사이에서 그리고 별명 및 마스터 ID들 사이에서 링크들을 실시간으로 발견하기 위한 요청을 실행할 것이다. 그러한 실시예들에 있어서, 핵심-값 쌍들의 다단계 요청을 실행하는 것이 필요할 것이다. 그러한 요청들은 다중 기계들에 걸쳐서 데이터의 적당한 공유를 통해서 실시간으로 역동적으로 그리고 일시적으로 실행될 것이다. 별명이 마스터 ID들을 나타냄에 따라서(이것은 다시 별명을 나타냄), 이 다단계 요청은 콤팩트 폼으로 저장할 수 있게 한다. 마스터 ID들은 다른 마스터 ID를 또한 나타낼 것이다. 그러한 다단계 요청 아키텍처는 마스터 ID들 사이에서 링크들의 수에 추가하여 별명의 수에 대략적으로 비례하는 연결들의 복합 세트를 초래할 것이다. 그러한 복잡성의 비-제한적인 예는 도 62에 나타날 것이다. 실시 예들에 있어서, 디지털 소비자 서비스(6200)는 다른 소비자 마스터 ID들 (6202) 사이에서 링크들을 발견할 것이다. 예를 들면, 소비자 1의 마스터 ID와 소비자 2의 마스터 ID 사이의 링크는 소비자 1이 6214 소비자 2와 함께 사는 것이다. 마찬가지로, 소비자 2는 소비자 3과 "작용하는" 링크(6220)를 가질 것이며, 소비자 4와 "소셜 네트워크를 통한 친구들" 링크(6218)를 가질 것이다. 소비자 4는 소비자 5와 "거주하는" 링크를 또한 가질 것이다. 각각의 소비자는 콘텐츠를 표적화하거나 귀속시키는데 사용될 입력들을 갖는 다른 것들 중에서 휴대폰들 또는 개인용 컴퓨터들과 같은 다양한 장치들에 대한 접속을 가질 것이다. 그러한 장치들은 장치 별명을 다른 소비자 마스터 ID들과 연관시키기 위한 장치 별명 링크들(6212) 뿐만아니라 별명(6204)을 포함할 것이다. 그러한 장치들은 다른 것들 중에서 IP 어드레스, 쿠키들, 또는 장치 지문과 같은 콘텐츠를 표적화하거나 귀속시키기 위해서 사용될 다양한 속성 별명(6208)을 포함할 것이다. 이러한 속성 별명은 다른 속성 별명 및 다른 소비자 마스터 ID들 사이에 연결을 구축하기 위해서 장치 별명에 역동적으로 그리고 일시적으로 링크될 것이다(6210). 소비자 2와 함께 사는 소비자 1은 소비자 2와 가정에서 동일한 IP광고를 사용할 것이다. 마찬가지로, 소비자 1은 개인용 컴퓨터 및 소비자 2와 공유하는 IP광고에 보존된 좋아하는 뉴스 웹사이트 쿠키들을 가질 것이다. 실시 예들에 있어서, 디지털 소비자 서비스는 콤팩트 형태로 이러한 복잡한 별명/마스터 ID 네트워크 맵들을 저장하기 위해서 핵심 값 쌍들 내에 다중 junps를 포함할 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 서비스는 역동적으로 그리고 일시적으로 콘텐츠를 별명에 귀속시킬 것이다. 그러한 실시예들, 활동도의 주어진 별명은 결합 표현이 평가되고 별명이 콘텐츠와 결합된 경우의 콘텐츠 문맥과 함께 긍정적인 신호를 복귀시키는 경우에 콘텐츠와의 결합에 대해 관련되거나 관련되지 않을 것이다. 또한, 실시 예들에 있어서, 조직은 콘텐츠 및 활동도의 표적화 및 귀속의 목적을 위해서 조직이 결속되는 규칙이나 법령에 따르도록 하기 위해서 플랫폼 아키텍처의 상태 뿐만아니라 감사 결합 표현들이 될 것이다.

다양한 설명 및 비-제한적인 실시 예들에 있어서, 디지털 소비자 서비스는 다중 별명에 대한 속성을 타겟으로 한다. 실시 예들에 있어서, 별명은 장치들, 브라우저들, 알고리즘 또는 요청을 통해서 플랫폼으로 전달되고 입찰과정 동안에 유용해지는 제3자에 의해서 발생된 식별자가 될 것이다. 별명은 통계적인 가정 ID 또는 통계적인 사용자 식별자를 포함할 것이다. 상기 별명은 별명 소유자 및 별명이 "이용 회수제"에 해당하는지 여부에 대한 정보를 제공한다. 통계적인 가정 ID는 IP가 가정인지 여부를 결정하는 필터를 일단 통과한 소비자의 IP 어드레스로부터 얻어질 것이다. 통계적인 사용자 ID는 소비자 에이전트 및 소비자의 IP 어드레스의 결합으로부터 얻어질 것이다. 실시 예들에 있어서, 플랫폼 사용자들은 세그멘트 창조에 별명 유형을 추가할 수 있다. 별명은 세그멘트 멤버쉽 기준을 구성하도록 사용될 것이다. 또한, 플랫폼 사용자들은 성과를 최적화 하기 위한 할당 모델에 포함될 다중 별명을 선택할 것이다. 실시 예들에 있어서, 새로운 별명은 API를 거쳐서 예시될 것이며, 단지 내부 플랫폼 사용자들만이 그러한 별명에 접속할 수 있다. 별명 데이터는 플랫폼 서버들을 거쳐서 수용되는데, 상기 플랫폼 서버는 URL 매개변수들을 거쳐서 전달되어야만 하는 별명을 명시하기 위해서 부가된 URL 매개변수들을 또한 가질 것이다.

실시 예들에 있어서, 여기에서 설명한 분석적인 플랫폼 시설(114) 및 입찰 시스템과 같은 상기 장치 및 방법들은, 몇몇 옵션들이 다른 것들보다 양호하게 작용할 것으로 기대하는 다른 옵션들을 시도하기 위해서 광고회사로 하여금 전문가 구매 대행의 다양성에 접속할 수 있게 할 것이다. 실시 예들에 있어서, 상기 장치 및 방법들은 소프트웨어 에이전트가 공개, 공유, 판매 및 구매될 시장을 창조할 것이다. 실시 예들에 있어서, 장치 및 방법들은 데이터의 유형이 입력으로서 유용한지, 연산 소오스의 유형이 유용한지(메모리, CPU 사이클, 반응 시간), 그리고 출력을 매칭시키기 위한 유형이 제공되는지 판단하는 명확한 API 인터페이스를 갖는 플랫폼을 포함할 것이다. 실시 예들에 있어서, 상기 장치는 소오스 코드의 변경에 의존함이 없이 사용자로 하여금 구매 대행을 바꿀 수 있게 하는 사용자 노출 레버를 포함할 것이다. 실시 예들에 있어서, 다른 구매 대행을 동시에 사용할 수 있고 그들을 재고의 어떤 부분들 또는 지리학적 위치와 같은 어떤 분할에 적용할 수 있는 능력은 광고들을 위치시키기 위한 기회들을 구매하는 다른 방법들의 테스트를 비교하기 위한 환경을 창조할 것이다.

여기에서 설명한 방법들 및 장치는 컴퓨터 소프트웨어, 프로그램 코드들을 실행하고 및/또는 프로세스에서 명령을 실행하는 기계를 통해서 부분적으로 또는 전체적으로 효율적으로 사용될 것이다. 프로세서는 서버, 클라이언트, 네트워크 기반시설, 모바일 연산 플랫폼, 정적인 연산 플랫폼, 또는 다른 연산 플랫폼의 일부일 것이다. 프로세서는 프로그램 명령, 코드, 2진법 명령을 실행할 수 있는 컴퓨터 또는 처리장치의 일종이 될 것이다. 프로세서는 단일 프로세서 , 디지털 프로세서, 임베디드 프로세서, 마이크로프로세서 또는 프로그램 코드이나 거기에 저장된 프로그램 명령들의 실행을 직접적으로 또는 간접적으로 용이하게 실행하는 코프로세서(매치 코프로세서, 그래픽 코프로세서, 통신 코프로세서 등)와 같은 어느 변형이 되거나 포함할 것이다. 또한, 프로세서는 다중 프로그램, 스레드 및 코드들의 실행을 가능하게 할 것이다. 스레드는 프로세서의 성과를 향상시키고 적용의 동시적인 작동을 용이하게 하기 위해서 동시에 실행될 것이다. 실행에 의해서, 여기에서 설명한 방법들, 프로그램 코드들, 프로그램 명령 등은 하나 또는 그 이상의 스레드에서 실행될 것이다. 스레드는 그것과 연관된 할당 우선권을 가질 다른 스레드를 야기할 것이며, 프로세서는 프로그램 코드에 제공된 명령어에 기초한 어느 다른 주문 또는 우선권에 기초하여 이러한 스레드를 실행할 것이다. 프로세서는 여기에서 또는 다른 곳에서 설명한 바와 같은 방법들, 코드들, 명령어들 및 프로그램을 저장하는 메모리를 또한 포함할 것이다. 프로세서는 여기에서 또는 다른 곳에서 설명한 바와 같은 방법들, 코드들, 명령어들을 저장할 인터페이스를 통해서 저장 매체에 접속할 것이다. 연산 또는 처리장치에 의해서 실행될 수 있는 방법들, 코드들, 프로그램 명령어들 또는 다른 유형의 명령어들을 저장하기 위한 프로세서와 연관된 저장 매체는, 하기의 예로서 제한되는 것은 아니지만, 하나 또는 그 이상의 D-ROM, DVD, 메모리, 하드 디스크, 플래시 디스크, RAM, ROM, 캐시 등을 포함할 것이다.

프로세서는 멀티프로세서의 속도와 성과를 향상시킬 수 있는 하나 또는 그 이상의 코드들을 포함할 것이다. 실시 예들에 있어서, 프로세스는 듀얼 코어 프로세서, 쿼드코어 프로세서들, 둘 또는 그 이상의 코어들(다이로 불리움)을 결합하는 다른 칩-수분 멀티프로세서 등이 될 수 있다.

여기에서 설명한 방법들 및 장치는 서버, 클라이언트, 방화벽, 게이트웨이, 허브, 라우터, 또는 다른 그러한 컴퓨터 및/또는 네트워킹 하드웨어에서 컴퓨터 소프트웨어를 실행하는 기계를 통해서 부분적으로 또는 전체적으로 효율적으로 사용될 것이다. 소프트웨어 프로그램은 파일 서버, 프린트 서버, 도메인 서버, 인터넷 서버, 인트라넷 서버 및 2차 서버, 호스트 서버, 분배 서버등과 같은다른 변화들을 포함하는 서버와 연관될 것이다. 상기 서버는 하나 또는 그 이상의 메모리들, 프로세서, 컴퓨터 판독가능한 미디어, 저장 매체, 포트들(물리적 및 가상의), 통신장치, 및 유선 또는 무선 미디어를 통해서 다른 서버, 클라이언트, 기계 및 장치에 접속할 수 있는 인터페이스를 포함할 것이다. 여기에서 또는 다른 곳에서 설명한 바와 같은 방법들, 프로그램 또는 코드들은 서버에 의해서 실행될 것이다. 또한, 본 출원에서 설명한 방법들의 실행에 필요한 다른 장치들은 서버와 연관된 기반시설의 일부로서 고려될 것이다.

서버는 하기의 예로서 제한되는 것은 아니지만, 클라이언트들, 다른 서버들, 프린터들, 데이터베이스 서버들, 프린트 서버들, 파일 서버들, 통신서버들, 분배서버들을 포함하는 다른 장치들로 인터페이스를 제공할 것이다. 또한, 이러한 결합 및/또는 연결은 네트워크를 가로질러서 프로그램의 원격 실행을 용이하게 할 것이다. 이 장치들의 몇몇 또는 모두의 네트워킹은 본 발명이 범위로부터 벗어남이 없이 하나 또는 그 이상의 위치에서 프로그램 또는 방법의 병행 처리를 용이하게 할 것이다. 또한, 인터페이스를 통해서 서버에 부착된 장치들의 어느 것은 방법들, 프로그램, 코드 및/또는 명령을 저장할 수 있는 적어도 하나의 저장 매체를 포함할 것이다. 중앙 저장소는 다른 장치들에서 실행될 프로그램 명령들을 제공할 것이다. 이 실행에 있어서, 원격 저장소는 프로그램 코드, 명령 및 프로그램에 대한 저장 매체로서 작용할 것이다.

소프트웨어 프로그램은 파일 클라이언트, 프린트 클라이언트, 도메인 클라이언트, 인터넷 클라이언트, 인트라넷 클라이언트 및 2차 클라이언트, 호스트 클라이언트, 분배 클라이언트 등과 같은 다른 변화들을 포함하는 클라이언트와 연관될 것이다. 상기 클라이언트는 하나 또는 그 이상의 메모리, 프로세서, 컴퓨터 판독가능한 미디어, 저장 매체, 포트(물리적 및 가상의), 통신장치, 및 유선 또는 무선 매체 등을 통해서 다른 클라이언트들, 서버, 기계, 및 장치에 접속할 수 있는 인터페이스를 포함할 것이다. 여기에서 또는 다른 곳에서 설명한 바와 같은 방법들, 프로그램 또는 코드들은 클라이언트에 의해서 실행될 것이다. 또한, 본 출원에서 설명한 방법들의 실행에 필요한 다른 장치들은 클라이언트와 연관된 기반시설의 일부로서 고려될 것이다.

클라이언트는 하기의 예로서 제한되는 것은 아니지만, 서버들, 다른 클라이언트들, 프린터들, 데이터베이스 서버들, 프린트 서버들, 파일 서버들, 통신서버들, 분배서버들을 포함하는 다른 장치들에 대해 인터페이스를 제공할 것이다. 또한, 이러한 결합 및/또는 연결은 네트워크를 가로질러서 프로그램의 원격 실행을 용이하게 할 것이다. 이 장치들의 몇몇 또는 모두의 네트워킹은 본 발명이 범위로부터 벗어남이 없이 하나 또는 그 이상의 위치에서 프로그램 또는 방법의 병행 처리를 용이하게 할 것이다. 또한, 인터페이스를 통해서 서버에 부착된 장치들의 어느 것은 방법들, 프로그램, 코드 및/또는 명령을 저장할 수 있는 적어도 하나의 저장 매체를 포함할 것이다. 중앙 저장소는 다른 장치들에서 실행될 프로그램 명령들을 제공할 것이다. 이 실행에 있어서, 원격 저장소는 프로그램 코드, 명령 및 프로그램에 대한 저장 매체로서 작용할 것이다.

여기에서 설명한 방법들 및 장치는 네트워크 기반시설을 통해서 부분적으로 또는 전체적으로 효율적으로 사용될 것이다. 네트워크 기반시설은, 연산장치, 서버, 라우터, 허브, 방화벽, 클라이언트, 개인용 컴퓨터, 통신장치, 라우팅 장치 및 다른 능동 및 수동장치들, 모듈 및/또는 해당 기술분야에 알려진 부품들과 같은 요소들을 포함할 것이다. 네트워크 기반시설과 연관된 연산 및/또는 비-연산 장치들은 다른 부품들과는 달리 플래시 메모리, 버터, 스택, RAM, ROM 등과 같은 저장 매체를 포함할 것이다. 여기에서 그리고 다른 곳에서 설명한 프로세스, 방법들, 프로그램 코드, 명령은 하나 또는 그 이상의 네트워크 인프라 요소들에 의해서 실행될 것이다.

여기에서 그리고 다른 곳에서 설명한 방법들, 프로그램 코드들, 및 명령은 다중 셀들을 갖는 셀룰러 네트워크에서 실행될 것이다. 셀룰러 네트워크는 주파수 분할 다중 접속(FDMA) 네트워크 또는 코드 분할 다중 접속(CDMA) 네트워크가 될 것이다. 셀룰러 네트워크는 모바일 장치, 셀 사이트, 기지국, 리피터, 안테나, 타워 등을 포함할 것이다. 셀 네트워크는 GSM, GPRS, 3G, EVDO, mesh, 또는 다른 네트워크들 유형일 것이다.

여기에서 그리고 다른 곳에서 설명한 방법들, 프로그램 코드들, 및 명령은 모바일장치에서 또는 이것을 통해서 실행될 것이다. 모바일 장치는 네비게이션 장치, 셀 폰, 휴대폰, 휴대용 개인 디지털 단말기, 랩탑, 팜탑, 넷북, 무선 호출기, 전자책 판독기, 음악 재생기등을 포함할 것이다. 이 장치들은 다른 부품들 이외에 플래시 메모리, 버퍼, RAM, ROM 및 하나 또는 그 이상의 연산장치와 같은 저장 매체를 포함할 것이다. 모바일 장치와 연관된 연산장치들은 프로그램 코드들, 방법들, 및 거기에 저장된 명령을 실행할 수 있을 것이다. 대안적으로, 모바일 장치는 다른 장치와 공동으로 명령을 실행하도록 구성될 것이다. 모바일 장치는 서버와 인터페이스되고 프로그램 코드들을 실행하도록 구성된 기지국과 통신한다. 모바일 장치는 피어 투 피어 네터워크, 메쉬 네트워크, 또는 다른 통신 네트워크에서 통신한다. 프로그램 코드는 서버와 연관된 저장 매체에 저장되고, 서버에 임베디드된 연산장치에 의해서 실행될 것이다. 기지국은 연산장치와 저장 매체를 포함할 것이다. 저장장치는 기지국과 연관된 연산장치에 의해서 실행될 프로그램 코드와 명령을 저장할 것이다.

컴퓨터 소프트웨어, 프로그램 코드들, 및/또는 명령은 기계 판독가능한 미디어에 저장 및/또는 접속될 것이며, 상기 기계 판독가능한 미디어는 다음을 포함할 것이다: 컴퓨터 부품, 장치, 및 시간의 몇몇 인터벌을 계산하기 위해서 사용된 디지털 데이터를 보유하는 저장 매체; 랜덤 액세스 메모리(RAM)로서 알려진 반도체 저장장치; 하드 디스크, 테이프, 드럼, 카드 및 다른 유형물과 같은 자기 저장형태, 광학 디스크와 같은 보다 영구적인 저장체인 매스 저장장치; 프로세서 레지스터, 캐시 메모리, 휘발성 메모리, 비휘발성 메모리; CD, DVD와 같은 광학적 저장장치; 플래시 메모리(예를 들면 USB 스틱 또는 키), 플로피 디스크, 자기테이프, 종이 테이프, 펀치 카드, 독립형 RAM 디스크, Zip 드라이브, 제거가능한 매스 저장체, 오프라인 등과 같은 제거가능한 매체; 동적 메모리, 정적 메모리, 판독/기록 저장체, 이변성 저장체, 판독 only, 임의 접속, 순차 접속, 위치 주소지정, 파일 주소지정, 콘텐츠 주소지정, 네트워크 부착 저장체, 저장영역 네트워크, 바 코드들, 자기 잉크 등과 같은 다른 컴퓨터 메모리.

여기에서 설명한 방법들 및 장치는 한 상태에서 다른 상태로 물리적 및/또는 무형의 항목을 변형시킬 것이다. 여기에서 설명한 방법들 및 장치는 한 상태에서 다른 상태로 물리적 및/또는 무형의 항목을 나타내는 데이터를 또한 변형시킬 것이다.

도면들을 통해서 흐름도와 블록 다이어그램을 포함하여 여기에서 설명하고 나타낸 요소들은 요소들 사이에서 논리적인 경계를 암시한다. 그러나, 소프트웨어 또는 하드웨어 엔지니어링 사례에 따르면, 나타낸 요소들 및 그것의 기능들은 모놀리식 소프트웨어 구조, 독립형 소프트웨어 모듈, 또는 외부 루틴, 코드 서비스 등을 채용한 모듈, 또는 이들의 조합으로서 거기에 저장된 프로그램 명령을 실행할 수 있는 프로세서를 갖는 미디어를 실행할 수 있는 컴퓨터를 통해서 기계상에서 실행될 것이며, 모든 그러한 실행들은 본 발명의 범위 내에 있을 것이다. 그러한 기계들의 예들은, 하기의 예로서 제한되는 것은 아니지만, 개인용 디지털 단말기, 랩탑, 개인용 컴퓨터, 휴대폰, 다른 휴대용 연산장치, 의료장비, 유선 또는 무선 통신장치들, 변환기, 칩, 계산기, 위성, 태블릿 PC, 전자책, 가젯, 전자장치, 인공지능을 갖는 장치, 계산장치, 네트워킹 장비, 서버, 라우터등을 포함할 것이다. 또한, 흐름도와 블록다이어그램에서 나타낸 요소들 또는 어느 다른 논리적인 요소는 프로그램 명령을 실행할 수 있는 기계에서 실행될 것이다. 그러므로, 상기한 도면 및 설명은 개시한 장치이 기능적인 양태들을 발표하였지만, 문맥으로부터 명쾌하게 서술하거나 다른 한편으로 명백해지지 않는 한, 이러한 기능적인 양태들을 실행하기 위한 소프트웨어의 특별한 배열이 이러한 설명으로부터 추론되지는 않는다. 유사하게, 위에서 설명하고 확인한 다양한 단계는 변할 것이며, 단계의 순서는 여기에서 설명한 것들의 특별한 응용에 적합할 것이다. 모든 그러한 수정 및변경은 본 발명의 범위 내에 있다. 다양한 단계의 순서에 대한 묘사 및/또는 설명은 특별한 응용에서 요구되거나 또는 문맥으로부터 명백히 서술되거나 분명히 밝혀지지 않는 한, 그러한 단계에 대한 실행의 특별한 순서를 필요로 하는 것으로 이해되지는 않는다.

위에서 언급한 방법들 및/또는 프로세스들, 및 그것의 단계는, 특별한 응용에 적합한 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 어느 조합으로 실현될 것이다. 상기 하드웨어는 일반적인 목적의 컴퓨터 및/또는 전용 연산장치 또는 특별한 연산장치 또는 특별한 연산장치의 특별한 양태를 포함할 것이다. 상기 프로세스들은 하나 또는 그 이상의 마이크로프로세서, 마이크로컨트롤러, 임베디드 마이크로컨트롤러, 프로그래밍 가능한 디지털 신호 처리기 또는 내부 및/또는 외부 메모리와 함께 다른 프로그래밍 가능한 장치에 의해서 구현될 것이다. 상기 프로세서는 또한 또는 그 대신에 주문형 집적회로, 프로그래밍 가능한 게이트 어레이, 프로그래밍 가능한 어레이 로직 또는 전자 신호들을 처리하도록 구성된 어느 다른 장치나 장치들의 조합에 체화될 것이다. 하나 또는 그 이상의 프로세스는 기계 판독가능한 미디어에서 실행될 수 있는 컴퓨터 실행가능한 코드로서 구현될 수 있음을 알 수 있을 것이다.

컴퓨터로 실행가능한 코드는 C와 같이 구조화된 프로그래밍 언어, C++와 같이 객체 지향 프로그래밍 언어, 또는 프로세서들, 프로세서 아키텍처의 이종 조합 또는 다른 하드웨어와 소프트웨어 또는 프로그램 명령을 실행할 수 있는 다른 기계의 조합 뿐만아니라, 상기 장치들 중 하나에서 실행하도록 저장, 편집 또는 해석될 어느 다른 높은 수준 또는 낮은 수준의 프로그래밍 언어(어셈블리 언더, 하드웨어 기술 언어, 및 데이터베이스 프로그래밍 언어 및 기술들을 포함하는)를 사용하여 만들어질 것이다.

그러므로, 일 양태에 있어서, 컴퓨터로 실행가능한 코드에 체화될 위에서 설명한 각각의 방법 및 그것의 조합은 하나 또는 그 이상의 연산장치들에서 실행될 때 그것의 단계를 수행하게 된다. 다른 양태에 있어서, 상기 방법은 그것의 단계를 수행하는 장치에 체화될 것이며, 장치들에 걸쳐서 여러 방법들로 분배될 것이며, 또는 모든 기능성들은 전용의 독립된 장치나 다른 하드웨어 내로 통합될 것이다. 다른 양태에 있어서, 상기한 프로세스들과 연관된 단계를 수행하기 위한 수단은 위에서 언급한 하드웨어 및/또는 소프트웨어의 어느 것을 포함할 것이다. 모든 그러한 치환 및 조합은 본 발명의 범위 내에 해당하도록 의도된다.

본 발명은 상세하게 도시되고 나타낸 바람직한 실시 예들과 관련하여 설명하였지만, 그것의 다양한 변경 및 개선들은 해당 기술분야의 숙련된 당업자에게는 쉽게 명백하게 이해될 수 있을 것이다. 따라서, 본 발명의 사상 및 영역은 상기 예들에 의해서 제한되지 않으며, 특허법에 의해서 허용 가능한 광범위한 의미에서 이해될 것이다.

여기에서 참조한 모든 문서들은 참조로서 통합된다.

Claims (20)

1. 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품으로서, 하나 또는 그 이상의 컴퓨터에서 실행하는 경우에,
   제 1 별명을 획득하는 단계 - 상기 제 1 별명은 제 1 다수의 속성으로 구성되고, 제 1 다수의 속성의 각각은 제 1 장치 식별자 데이터, 제 1 행동 데이터, 및 제 1 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
   제 2 별명을 획득하는 단계 - 상기 제 2 별명은 제 2 다수의 속성으로 구성되고, 제 2 다수의 속성의 각각은 제 2 장치 식별자 데이터, 제 2 행동 데이터, 및 제 2 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
   마스터 ID를 형성하기 위해서 상기 제 1 별명과 상기 제 2 별명을 역동적으로 그리고 일시적으로 연결하는 단계 - 상기 제 1 별명과 상기 제 2 별명의 동적 연결은 별명을 그룹화하는데 필요한 정적인 신뢰 임계치를 표현하는 결합표현을 사용한 상기 제 1 및 및 제 2 다수의 속성의 분석에 적어도 부분적으로 기초함 -; 그리고
   상기 마스터 ID에 적어도 부분적으로 기초하여 소비자 장치에 광고를 표적화하는 단계;
   를 수행하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
2. 제 1 항에 있어서, 상기 컴퓨터 프로그램 제품은 다수의 별명에 걸쳐서 상기 별명을 획득하는 단계와 상기 역동적으로 연결하는 단계를 되풀이하여 또한 수행하며 그래서 다수의 속성이 단일 마스터 ID로 통합되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
3. 제 1 항에 있어서, 상기 컴퓨터 프로그램 제품은 상기 마스터 ID, 상기 마스터 ID와 연관된 소비자 행동, 상기 마스터 ID와 연관된 소비자 특성에 표적화된 적어도 하나의 광고 캠페인을 분석하는 단계를 더 수행하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
4. 제 1 항에 있어서, 상기 제 1 별명과 상기 제 2 별명의 적어도 하나는 조직의 소비자 데이터베이스와 제3자 데이터베이스 중 적어도 하나로부터 획득되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
5. 제 1 항에 있어서, 상기 제 1 장치 식별자 데이터와 상기 제 2 장치 식별자 데이터 중 적어도 하나는 적어도 하나의 IP 어드레스 및 장치 ID를 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
6. 제 1 항에 있어서, 상기 발명의 동적 연결은 룰엔진에 적어도 부분적으로 기초하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
7. 제 6 항에 있어서, 상기 룰엔진은 규제 제한, 업무협약, 개인정보보호정책, 및 소비자 우선 중 적어도 부분적으로 기초한 별명의 동적 연결을 위한 규칙들을 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
8. 제 7 항에 있어서, 상기 별명의 동적 연결은 소정의 지리학적 위치들에서 IP 어드레스의 식별에 기초하여 별명을 연결하는 것을 금지하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
9. 제 1 항에 있어서, 상기 별명의 동적 연결은 자체, 가정, 및 친구 중 적어도 하나를 포함하는 연결 타입에 기초하여 수행되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
10. 제 1 항에 있어서, 상기 제 1 및 제 2 별명은 단지 소정의 기간 동안에만 연결되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
11. 제 1 항에 있어서, 상기 별명은 메모리에 저장되고, 추가적인 속성 시간을 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
12. 제 1 항에 있어서, 상기 광고는 마스터 ID에 기초하여 다수의 연결된 소비자 연산장치들에 표적화되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
13. 제 1 항에 있어서, 상기 정적인 신뢰 임계치는 연결된 별명 속성에 따라서 변하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
14. 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품으로서, 하나 또는 그 이상의 컴퓨터에서 실행하는 경우에,
    제 1 별명을 획득하는 단계 - 상기 제 1 별명은 제 1 다수의 속성으로 구성되고, 제 1 다수의 속성의 각각은 제 1 장치 식별자 데이터, 제 1 소비자 데이터,제 1 행동 데이터, 및 제 1 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    제 2 별명을 획득하는 단계 - 상기 제 2 별명은 제 2 다수의 속성으로 구성되고, 제 2 다수의 속성의 각각은 제 2 장치 식별자 데이터, 제 2 소비자 데이터,제 2 행동 데이터, 및 제 2 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    마스터 ID를 형성하기 위해서 상기 제 1 별명과 상기 제 2 별명을 역동적으로 그리고 일시적으로 연결하는 단계 - 상기 제 1 및 제 2 별명들의 역동적 연결은 별명을 그룹화하는데 필요한 통계적인 신뢰 임계치를 표현하는 결합 표현을 사용한 상기 다수의 제 1 및 제 2 속성들의 분석에 적어도 부분적으로 기초하고, 상기 별명을 획득하고 역동적으로 연결하는 단계들은 다수의 별명에 걸쳐서 되풀이하여 수행되고 그래서 다수의 속성은 단일 ID 내로 통합됨 -;
    상기 마스터 ID에 적어도 부분적으로 기초하여 광고 캠페인을 소비자 장치에 표적화하는 단계; 그리고
    상기 마스터 ID에 대해 표적화된 광고 캠페인의 결과를 분석하는 단계;
    를 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
15. 제 14 항에 있어서, 상기 제 1 별명과 상기 제 2 별명중 적어도 하나는 조직의 소비자 데이터베이스와 제3자 데이터 베이스중 적어도 하나로부터 획득되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
16. 제 1 항에 있어서, 상기 역동적 연결은 IP 어드레스, 장치 ID, 이메일 어드레스, 및 쿠키 추적정보중 적어도 하나를 포함하는 별명의 속성들을 매칭시켜서 달성되는 것을 특징으로 하는 컴퓨터 프로그램 제품.
17. 제 16 항에 있어서, 상기 별명의 역동적 연결은 룰 엔진에 기초하고, 상기 룰 엔진은 규제 제한, 업무협약, 개인정보보호정책, 및 소비자 선호도 중 적어도 하나에 적어도 부분적으로 기초하여 별명의 동적 연결을 위한 규칙을 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
18. 제 17 항에 있어서, 상기 룰엔진은 다른 지리학적 위치들에 대한 다른 규칙들을 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
19. 비-일시적 컴퓨터 판독가능한 미디어에 체화된 컴퓨터 프로그램 제품으로서, 하나 또는 그 이상의 컴퓨터에서 실행하는 경우에,
    제 1 별명을 획득하는 단계 - 상기 제 1 별명은 제 1 다수의 속성으로 구성되고, 제 1 다수의 속성의 각각은 제 1 장치 식별자 데이터, 제 1 소비자 데이터,제 1 행동 데이터, 및 제 1 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    제 2 별명을 획득하는 단계 - 상기 제 2 별명은 제 2 다수의 속성으로 구성되고, 제 2 다수의 속성의 각각은 제 2 장치 식별자 데이터, 제 2 소비자 데이터,제 2 행동 데이터, 및 제 2 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    제 1 마스터 ID를 형성하기 위해서 상기 제 1 별명과 상기 제 2 별명을 역동적으로 그리고 일시적으로 연결하는 단계 - 상기 제 1 및 제 2 별명들의 역동적 연결은 별명을 그룹화하는데 필요한 통계적인 신뢰 임계치를 표현하는 제 1 결합 표현을 사용한 상기 다수의 제 1 및 제 2 속성들의 분석에 적어도 부분적으로 기초함 -;
    제 3 별명을 획득하는 단계 - 상기 제 3 별명은 제 3 다수의 속성으로 구성되고, 제 3 다수의 속성의 각각은 제 3 장치 식별자 데이터, 제 3 소비자 데이터,제 3 행동 데이터, 및 제 3 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    제 4 별명을 획득하는 단계 - 상기 제 4 별명은 제 4 다수의 속성으로 구성되고, 제 4 다수의 속성의 각각은 제 4 장치 식별자 데이터, 제 4 소비자 데이터,제 4 행동 데이터, 및 제 4 인구통계적 데이터들 중 적어도 하나로 구성됨 -;
    제 2 마스터 ID를 형성하기 위해서 상기 제 3 별명과 상기 제 4 별명을 역동적으로 그리고 일시적으로 연결하는 단계 - 상기 제 3 및 제 4 별명들의 역동적 연결은 별명을 그룹화하는데 필요한 통계적인 신뢰 임계치를 표현하는 제 2 결합 표현을 사용한 상기 다수의 제 1 및 제 2 속성들의 분석에 적어도 부분적으로 기초함 -;
    써클 세트를 형성하기 위해서 상기 제 1 마스터 ID와 상기 제 2 마스터 ID를 통합하는 단계 - 상기 통합은 상기 마스터 ID들이 자체, 가정 및 친구의 유형들 중 하나에 의해서 서로 관련된 인식을 기초로 함 -; 그리고
    상기 써클 세트에 적어도 부분적으로 기초하여 광고 캠페인을 다중 소비자 장치들에 표적화하는 단계;
    를 포함하는 것을 특징으로 하는 컴퓨터 프로그램 제품.
20. 제 19 항에 있어서, 상기 역동적 연결은 IP 어드레스, 장치 ID, 이메일 어드레스, 및 쿠키 추적정보중 적어도 하나를 포함하는 별명의 속성들을 매칭시킴으로써 달성되는 것을 특징으로 하는 컴퓨터 프로그램 제품.

Images