KR20190002736A - 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 - Google Patents
데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR20190002736A KR20190002736A KR1020187037635A KR20187037635A KR20190002736A KR 20190002736 A KR20190002736 A KR 20190002736A KR 1020187037635 A KR1020187037635 A KR 1020187037635A KR 20187037635 A KR20187037635 A KR 20187037635A KR 20190002736 A KR20190002736 A KR 20190002736A
- Authority
- KR
- South Korea
- Prior art keywords
- exposure
- genre
- exemplary
- media
- data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0203—Market surveys; Market polls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G06F17/30861—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
- G06Q30/0245—Surveys
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/18—Information format or content conversion, e.g. adaptation by the network of the transmitted or received information for the purpose of wireless delivery to users or terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
- H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
데이터베이스 사업체에 의한 기인오류 및 논-커버리지에 대해 노출 데이터를 보상하는 방법 및 기기가 개시된다. 예시적인 방법은 제1 유형의 컴퓨팅 장치에서 발생하는 미디어 노출의 카운트를 획득하는 단계; 및 미디어 노출에 대응하는 미디어가 제1 유형의 컴퓨팅 장치에서 액세스될 제1 확률 및 미디어가 제2 유형의 장치에서 액세스될 제2 확률에 기반하여 미디어 노출의 제2 부분에 대한 인구통계 정보를 결정하는 단계를 포함하며, 미디어 노출의 제1 부분은 데이터베이스 사업체가 인구통계 정보를 인식할 수 있는 사람들에 대응하고, 미디어 노출의 제2 부분은 데이터베이스 사업체가 인구통계 정보를 이용할 수 없는 사람들에 대응한다.
Description
본 출원은 2014년 3월 13일자 출원된 미국 임시특허출원 제61/952,726호, 2014년 4월 14일자 출원된 미국 임시특허출원 제61/979,391호, 2014년 4월 30일자 출원된 미국 임시특허출원 제61/986,784호, 2014년 6월 19일자 출원된 미국 임시특허출원 제62/014,659호, 2014년 7월 11일자 출원된 미국 임시특허출원 제62/023,675호, 및 2014년 7월 29일자 출원된 미국 임시특허출원 제62/030,571호에 대한 우선권을 주장한다. 미국 임시특허출원 제61/952,726호, 미국 임시특허출원 제61/979,391호, 미국 임시특허출원 제61/986,784호, 미국 임시특허출원 제61/991,286호, 미국 임시특허출원 제62/014,659호, 미국 임시특허출원 제62/023,675호, 및 미국 임시특허출원 제62/030,571호는 그 전체가 본 명세서에 참조로 통합된다.
본 명세서는 일반적으로 미디어를 모니터하는 것에 관한 것으로서, 더욱 특히 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치에 관한 것이다.
종래에는, 시청자 측정 엔티티(audience measurement entity)는 등록된 패널 멤버에 기반하여 미디어 프로그래밍에 대한 시청자 참여 레벨을 결정한다. 즉, 시청자 측정 엔티티는 패널 내에서 모니터되는 것에 동의한 사람들을 등록시킨다. 시청자 조사 엔티티는 이후 이러한 패널 멤버들에게 노출된 미디어(예컨대, 텔레비전 프로그램 또는 라디오 프로그램, 영화, DVDs, 광고 등)를 결정하기 위해 이러한 패널 멤버들을 모니터한다. 이러한 방식으로, 시청자 측정 엔티티는 수집된 미디어 측정 데이터에 기반하여 상이한 미디어에 대한 노출 정도를 결정할 수 있다.
가령 웹 페이지, 광고 및/또는 다른 미디어와 같은 인터넷 자원으로의 사용자 액세스를 모니터하기 위한 기술은 수년간 상당히 진화하였다. 일부 종래의 시스템은 주로 서버 로그를 통해 이러한 모니터링을 수행한다. 특히, 인터넷상에서 미디어를 서빙하는 엔티티들은 그들의 서버에서 그들의 미디어에 대해 수신된 요청의 개수를 로그하기 위해 이러한 종래의 시스템을 사용할 수 있다.
본 발명의 내용 중에 포함되어 있다.
본 발명의 내용 중에 포함되어 있다.
본 발명의 내용 중에 포함되어 있다.
도 1은 모바일 장치에서 제시되는 미디어의 노출을 수집하고, 수집된 노출과 연관시키기 위해 분산된 데이터베이스 사업자들로부터의 사용자 정보를 수집하기 위한 예시적인 시스템을 도시한다.
도 2는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 1의 예시적인 시청자 측정 엔티티에 구현될 수 있는, 예시적인 노출 데이터 보상기이다.
도 3a 내지 3c는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 2의 예시적인 노출 데이터 보상기에 의해 수행될 수 있는 예시적인 데이터 흐름을 총괄적으로 도시한다.
도 4는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 5는 기인오류 보정 매트릭스 및/또는 공동-시청(co-viewing) 매트릭스를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 6은 인구통계 그룹들의 쌍에 대한 기인오류의 확률을 결정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 7은 기인오류 보정 매트릭스 및/또는 공동-시청 매트릭스를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 8은 공동-시청 매트릭스를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어의 흐름도이다.
도 9는 데이터베이스 사업자에 의해 다뤄지지 않는 미디어 시청자와 관련된 알파 인자를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 10은 기인오류 보정 매트릭스에 기반하여 노출을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 11은 데이터베이스 사업자의 노출 수집 기술에 해당하는 논-커버리지 인자에 기반하여 노출을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 12는 데이터베이스 사업자에 의해 다뤄지지 않은 미디어 시청자와 관련된 인구통계 프로필 (또는 논-커버리지 인자)를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 13은 데이터베이스 소유자에 대한 논-커버리지 인자에 기반하여 노출 및/또는 고유한 시청자를 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 14는 수집된 미디어 노출 데이터에 대한 장르를 결정하기 위해 본 명세서의 교시에 따라 구성된 예시적인 시스템을 도시한다.
도 15는 수집된 미디어 노출 데이터에 대한 장르를 결정하기 위한 도 14의 장르 예측기의 예를 도시한다.
도 16은 장르를 예측하도록, 도 15의 장르 분석기에 의해 사용될 수집된 미디어 노출 데이터를 분류하는 도 15의 데이터 분류기의 예를 도시한다.
도 17은 도 14 및 15의 장르 예측기에 의해 사용되는 예시적인 날짜 부분들 및 예시적인 날짜 분류를 도시하는 예시적인 차트를 도시한다.
도 18은 장르 모델을 구성하는데 사용될 수 있는, 도 14의 장르 모델화기(genre modeler)의 예를 도시한다.
도 19는 장르 모델을 구성하기 위해 도 14 및 18의 예시적인 장르 모델화기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 20은 수집된 미디어 노출 데이터에 장르를 할당하기 위해 도 14 및 15의 예시적인 장르 예측기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 21은 본 명세서에 개시된 예시적인 장치 및 시스템을 구현하도록 도 4 내지 13의 예시적인 명령어를 실행하는데 사용될 수 있는 예시적인 프로세서 플랫폼이다.
도 22는 본 명세서에 개시된 예시적인 장치 및 시스템을 구현하도록 도 19 및/또는 20의 예시적인 명령어를 실행하는데 사용될 수 있는 다른 예시적인 프로세서 플랫폼이다.
도 2는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 1의 예시적인 시청자 측정 엔티티에 구현될 수 있는, 예시적인 노출 데이터 보상기이다.
도 3a 내지 3c는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 2의 예시적인 노출 데이터 보상기에 의해 수행될 수 있는 예시적인 데이터 흐름을 총괄적으로 도시한다.
도 4는 데이터베이스 사업자의 노출 수집 기술로부터 발생하는 기인오류 및 논-커버리지와 관련된 부정확성에 대해 노출 데이터를 보상하고, 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 5는 기인오류 보정 매트릭스 및/또는 공동-시청(co-viewing) 매트릭스를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 6은 인구통계 그룹들의 쌍에 대한 기인오류의 확률을 결정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 7은 기인오류 보정 매트릭스 및/또는 공동-시청 매트릭스를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 8은 공동-시청 매트릭스를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어의 흐름도이다.
도 9는 데이터베이스 사업자에 의해 다뤄지지 않는 미디어 시청자와 관련된 알파 인자를 생성하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 10은 기인오류 보정 매트릭스에 기반하여 노출을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 11은 데이터베이스 사업자의 노출 수집 기술에 해당하는 논-커버리지 인자에 기반하여 노출을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 12는 데이터베이스 사업자에 의해 다뤄지지 않은 미디어 시청자와 관련된 인구통계 프로필 (또는 논-커버리지 인자)를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 13은 데이터베이스 소유자에 대한 논-커버리지 인자에 기반하여 노출 및/또는 고유한 시청자를 조정하기 위해 도 2의 예시적인 노출 데이터 보상기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 14는 수집된 미디어 노출 데이터에 대한 장르를 결정하기 위해 본 명세서의 교시에 따라 구성된 예시적인 시스템을 도시한다.
도 15는 수집된 미디어 노출 데이터에 대한 장르를 결정하기 위한 도 14의 장르 예측기의 예를 도시한다.
도 16은 장르를 예측하도록, 도 15의 장르 분석기에 의해 사용될 수집된 미디어 노출 데이터를 분류하는 도 15의 데이터 분류기의 예를 도시한다.
도 17은 도 14 및 15의 장르 예측기에 의해 사용되는 예시적인 날짜 부분들 및 예시적인 날짜 분류를 도시하는 예시적인 차트를 도시한다.
도 18은 장르 모델을 구성하는데 사용될 수 있는, 도 14의 장르 모델화기(genre modeler)의 예를 도시한다.
도 19는 장르 모델을 구성하기 위해 도 14 및 18의 예시적인 장르 모델화기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 20은 수집된 미디어 노출 데이터에 장르를 할당하기 위해 도 14 및 15의 예시적인 장르 예측기를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어를 표현하는 흐름도이다.
도 21은 본 명세서에 개시된 예시적인 장치 및 시스템을 구현하도록 도 4 내지 13의 예시적인 명령어를 실행하는데 사용될 수 있는 예시적인 프로세서 플랫폼이다.
도 22는 본 명세서에 개시된 예시적인 장치 및 시스템을 구현하도록 도 19 및/또는 20의 예시적인 명령어를 실행하는데 사용될 수 있는 다른 예시적인 프로세서 플랫폼이다.
가령 웹 페이지, 광고 및/또는 다른 미디어와 같은 인터넷 자원으로의 사용자 액세스를 모니터하기 위한 기술은 수년간 상당히 진화해왔다. 과거 한 시점에, 이러한 모니터링은 주로 서버 로그를 통해 이루어졌다. 특히, 인터넷에서 미디어를 서빙하는 엔티티들은 그들의 서버에서 그들의 미디어에 대해 수신된 요청의 개수를 로그하였다. 인터넷 사용량 연구를 서버 로그에 기반을 두는 것은 몇몇 이유들로 인해 문제가 된다. 예컨대, 서버 로그는 직접 또는 요청된 미디어에 해당하는 서버 로그의 카운트를 증가시키기 위해 서버로부터 미디어를 반복적으로 요청하는 좀비 프로그램을 통해 간섭될 수 있다. 둘째로, 미디어는 때때로 한 번에 검색되고, 로컬로 캐시된 이후 반복 시청에 있어서 서버를 연루시키지 않고 로컬 캐시로부터 반복적으로 시청된다. 서버 로그는, 로컬로 캐시된 미디어를 재생산하는 것이 서버로부터 미디어를 재-요청하는 것을 요구하지 않기 때문에, 캐시된 미디어의 이러한 시청을 추적할 수 없다. 따라서, 서버 로그는 과도-집계(over-counting) 및 과소-집계(under-counting) 에러 모두에 취약하다.
Blumenau, 미국 특허 제6,108,637호에 개시된 발명은 인터넷 모니터링이 수행되는 방식을 근본적으로 변화시켰고, 전술한 서버측 로그 모니터링 기술의 한계를 극복하였다. 예컨대, Blumenau는, 추적된 인터넷 미디어가 비콘 명령어로 태그되는 기술을 개시한다. 특히, 명령어를 모니터하는 것은 추적될 미디어의 HTML(Hypertext Markup Language)과 관련된다. 클라이언트가 미디어를 요청할 때, 미디어 및 비콘 명령어 둘 다는 클라이언트로 다운로드된다. 비콘 명령어는, 따라서, 서버로부터 또는 캐시로부터이든지 간에 미디어가 액세스될 때마다 실행된다.
비콘 명령어는 미디어로의 액세스에 관한 정보를 반영하는 모니터링 데이터로 하여금 미디어를 다운로드한 클라이언트로부터 모니터링 엔티티로 전송되도록 한다. 전형적으로, 모니터링 엔티티는, 클라이언트에게 미디어를 제공하지 않았고, 정확한 사용량 통계를 제공하기 위해 신뢰되는 제3자(예컨대, Nielsen Company, LLC)인 시청자 측정 엔티티(audience measurement entity; AME)(예컨대, 광고, 미디어, 및/또는 임의의 다른 미디어에 대한 시청자 노출을 측정 또는 추적하는데 관심이 있는 임의의 엔티티)이다. 유리하게도, 비콘 명령어는 미디어와 관련되고 미디어가 액세스될 때마다 클라이언트 브라우저에 의해 실행되기 때문에 모니터링 정보는 클라이언트가 AME의 패널리스트인지 여부와 무관하게 AME로 제공된다.
하지만, 인구통계 및/또는 다른 사용자 정보를 모니터링 정보에 링크하는 것이 유용하다. 이러한 이슈를 해결하기 위해, AME는 사용자들의 인구통계 정보를 제공하고 그들의 인터넷 브라우징 활동이 모니터되는 것에 동의한 사용자들의 패널을 확립한다. 개인이 패널에 참여하면, 그들은 그들의 신원 및 인구통계(예컨대, 성별, 인종, 소득, 집의 위치, 직업 등)에 관한 상세한 정보를 AME에 제공한다. AME는 패널리스트가 태그된 미디어에 액세스할 때마다, 패널리스트를 식별하도록 AME를 인에이블하는 패널리스트 컴퓨터상의 쿠키를 설정하고, 따라서, 모니터링 정보를 AME로 전송한다.
태그된 페이지로부터의 모니터링 정보를 제공하는 클라이언트의 대부분은 패널리스트가 아니므로 AME에 알려지지 않기 때문에, 패널리스트들에 대해 수집된 데이터에 기반한 인구통계 정보를 태그된 미디어를 위한 데이터를 제공하는 사용자들의 모집단(population)으로 기인시키기 위해 통계학적 방법들을 사용하는 것이 필요하다. 하지만, AME들의 패널 사이즈는 사용자들의 일반적인 모집단에 비해 작게 유지된다. 따라서, 패널의 인구통계 데이터의 정확성을 보장하는 한편, 패널 크기를 어떻게 증가시킬지의 문제가 제시된다.
인터넷상에서 운영되는 다수의 데이터베이스 사업체가 있다. 이러한 데이터베이스 사업체는 많은 수의 가입자들에게 서비스(예컨대, 소셜 네트워킹 서비스, 이메일 서비스, 미디어 액세스 서비스 등)를 제공한다. 이러한 서비스의 제공에 대한 대가로, 가입자들은 사업체에 등록한다. 이러한 등록의 일부로서, 가입자들은 상세한 인구통계 정보를 제공한다. 이러한 데이터베이스 사업체의 예는 페이스북, 마이스페이스, 트위터 등과 같은 소셜 네트워크 제공자를 포함한다. 이러한 데이터베이스 사업체들은, 데이터베이스 사업체들이 이러한 가입된 사용자들이 그들의 웹사이트를 방문할 때, 등록된 사용자들을 인식하는 것을 가능하게 하기 위해, 그들의 가입자들의 컴퓨터상에 쿠키를 설정한다.
본 명세서에 개시된 예들은 인터넷상에서 상이한 데이터베이스들(예컨대, 상이한 웹사이트 소유자, 서비스 제공자 등) 간에 배포되는 사용자 정보를 사용하여 미디어 노출(impression), 광고 노출, 미디어 노출(exposure) 및/또는 광고 노출을 결정하는데 사용될 수 있다. 본 명세서에 개시된 예시적인 방법, 장치, 및 제조품은 인터넷 미디어 노출의 사용자 정보에 대한 더욱 정확한 상관관계를 가능하게 할 뿐만 아니라, 그들은 또한, 시청자 측정 엔티티 및/또는 평점 엔티티의 패널에 참여하는 사람들을 넘어서서, 가령 무선 서비스 통신사, 모바일 소프트웨어/서비스 제공자, 소셜 미디어 사이트(예컨대, Facebook, Twitter, Google 등), 및/또는 임의의 다른 인터넷 사이트, 가령 Yahoo!, MSN, Apple iTunes, Experian 등과 같은 다른 인터넷 데이터베이스에 등록된 사람들까지 패널 사이즈 및 구성을 효과적으로 확장시킨다. 이러한 확장은, 가령 광고 및/또는 프로그래밍과 같은 인터넷 미디어에 대한 노출의 정확하고 신뢰성 있는 측정을 발생시키는, 방대하면서 인구통계적으로 정확한 패널을 생성시키도록, 가령 소셜 미디어 및 다른 웹사이트와 같은 비-AME 엔티티의 데이터베이스의 사용 및 AME의 기능을 추적하는 미디어 노출을 효과적으로 이용한다. 이러한 미디어의 예는 웹 사이트, 웹 사이트에 제시되는 이미지, 및/또는 컴퓨팅 장치를 통해 액세스가능한 스트리밍 미디어(예컨대, Amazon Video, Netflix, Hulu 등)를 포함한다.
종래에는, AMEs(이하 "평점 엔티티"라고도 함)는 등록된 패널 구성원에 기반하여 광고 및 미디어 프로그래밍에 대한 인구 도달을 결정한다. 즉, AME는 패널 내에서 모니터되는데 동의한 사람들을 등록시킨다. 등록 동안에, AME는 등록된 사람들로부터 인구통계 정보를 수신하여 이후의 상관관계가 이러한 패널리스트들에 대한 광고/미디어 노출 및 상이한 인구통계 시장 사이에서 만들어지도록 할 수 있다. AMEs가 인구통계-기반의 시청자 측정을 수집하기 위해, 그들 자신의 패널 구성원 데이터에만 오로지 의존하는 종래의 기술과는 다르게 본 명세서에 개시된 예시적인 방법, 장치, 및/또는 제품은 AME가 사용자 등록 모델이 기반하여 동작하는 다른 엔티티들과 인구통계 정보를 공유할 수 있게 한다. 본 명세서에서 사용되는 것처럼, 사용자 등록 모델은, 사용자들이 계정을 생성하고 그들 스스로에 관한 인구통계-관련 정보를 제공함으로써 이러한 엔티티들의 서비스에 가입하는 모델이다. 데이터베이스 사업체의 등록된 사용자들과 관련된 인구통계 정보의 공유는 AME가 외부 소스(예컨대, 데이터베이스 사업체)로부터의 실질적으로 신뢰성 있는 인구통계 정보로 그들의 패널 데이터를 확장하거나 보충할 수 있도록 하고, 따라서 그들의 인구통계-기반 시청자 측정의 커버리지, 정확성 및/또는 완전성을 확장시킨다. 이러한 액세스는 또한, AME가 그렇지 않았다면 AME 패널에 가입하지 않았을 사람들을 모니터하게 할 수 있다. 개인들의 세트의 인구통계를 식별하는 데이터베이스를 갖는 임의의 엔티티가 AME와 협력할 수 있다. 이러한 엔티티들은 "데이터베이스 사업체"로 불릴 수 있고, 가령 서비스에 대한 대가로 사용자들의 인구통계 데이터를 수집하는, 무선 서비스 통신사, 모바일 소프트웨어/서비스 제공자, 소셜 미디어 사이트(예컨대, Facebook, Twitter, Google 등), 및/또는 임의의 다른 인터넷 사이트, 가령 Yahoo!, MSN, Apple iTunes, Experian 등을 포함한다.
본 명세서에 개시된 예들은, 임의의 수의 데이터베이스 사업체, 가령 온라인 미디어 노출 측정법을 개발하는 온라인 웹 서비스 제공자와 협력하여 AME(예컨대, 광고, 컨텐츠, 및/또는 임의의 다른 미디어에 대한 시청자 노출을 측정하거나 추적하는데 관심이 있는 임의의 엔티티)에 의해 구현될 수 있다. 이러한 데이터베이스 사업체/온라인 웹 서비스 제공자는 무선 서비스 통신사, 모바일 소프트웨어/서비스 제공자, 소셜 네트워크 사이트(예컨대, Facebook, Twitter, MySpace 등), 멀티-서비스 사이트(예컨대, Yahoo!, Google, Experian 등), 온라인 소매업 사이트(예컨대, Amazon.com, Buy.com 등), 및/또는 사용자 등록 기록을 관리하는 임의의 다른 웹 서비스(들) 사이트일 수 있다.
전혀 다른 데이터 소스로부터의 인구통계 정보(예컨대, 시청자 측정 엔티티의 패널로부터의 고품질 인구통계 정보 및/또는 웹 서비스 제공자의 등록된 사용자 데이터)의 사용은 온라인 및 오프라인 광고 캠페인 둘 다에 대한 측정의 개선된 보고 효율성을 발생시킨다. 본 명세서에 개시된 예시적인 기술은 사용자들의 인구통계 및/또는 다른 사용자 정보를 식별하는데 온라인 등록 데이터를 사용하고, 이러한 사용자들에게 기인될 수 있는 노출의 수를 추적하기 위해 서버 노출 집계, 및/또는 다른 기술을 사용한다. 온라인 웹 서비스 제공자들, 가령 무선 서비스 통신사, 모바일 소프트웨어/서비스 제공자, 소셜 네트워크 사이트(예컨대, Facebook, Twitter, MySpace 등), 멀티-서비스 사이트(예컨대, Yahoo!, Google, Experian 등), 온라인 소매업 사이트(예컨대, Amazon.com, Buy.com 등) 등(본 명세서에서 집합적으로 및 개별적으로 온라인 데이터베이스 사업체라고 함)은 사용자 등록 프로세스를 통해 수집된 상세한 인구통계 정보(예컨대, 연령, 성별, 지리적 위치, 인종, 소득 수준, 교육 수준, 종교 등)를 관리한다. 노출은 해당 미디어 및/또는 광고에 노출된 가구 또는 개인에 해당한다. 따라서, 노출은 광고 또는 미디어 아니면 광고나 미디어의 그룹에 노출된 가구 또는 개인을 표현한다. 인터넷 광고에서, 노출의 수 또는 노출 집계는 광고 또는 광고 캠페인이 웹 인구에 의해 액세스된 총 횟수(예컨대, 팝-업 차단기에 의해 감소되거나 및/또는 예컨대, 로컬 캐시 메모리로부터의 검색에 의해 증가되는, 액세스 횟수를 포함함)이다.
본 명세서에 개시된 예들은 로그된 노출에 해당하는 인구통계의 정확성을 증가시키기 위해 클라이언트 장치(들) 및 데이터베이스 사업체(들)로부터 획득된 노출 정보를 조정한다. 노출에 대한 인구통계 정보를 제공하기 위해 데이터베이스 사업체 데이터를 사용할 때, 클라이언트 장치(들) 및 데이터베이스 사업체(들)로부터 획득된 시청자 인구통계 및/또는 노출 정보는: 1) 공유하는 장치로부터 발생하는 기인오류 및/또는 2) 데이터베이스 사업체 논-커버리지 오류를 포함하는 오류로 인해 편향될 수 있다. 일부 상황에서, 이러한 2개의 상이한 소스의 편향은 유사한 오류 인자를 발생시키는 것으로 보이지만, 실제로는 별개의 편향이다. 본 명세서에 개시된 예는 이러한 오류를 보정하도록 시청자 데이터에 교정 인자를 생성하고 적용한다.
기인오류는, 제1 인구통계 그룹에 속한 제1 사람이 장치상의 미디어 노출과 관련된 사람이라고 여겨질 때, 사실은 제2 인구통계 그룹에 속한 제2 사람이 미디어 노출이 발생한 사람일 때 발생하는 측정 편향을 의미한다. 이러한 상황의 일부 예에서, 모바일 장치는 가정의 다수의 사람 사이에서 공유된다. 초기에는, 가정에서의 제1 사람이 (예컨대, 모바일 장치의 웹 브라우저, 모바일 장치에 설치된 앱 등을 통해) 데이터베이스 사업체와 관련된 웹 사이트를 액세스하는데 모바일 장치를 사용하고, 데이터베이스 사업체는 제1 사람을, 제1 사람에 의한 액세스(예컨대, 로그인 이벤트)에 기반하여 모바일 장치와 관련되는 것으로 인식할 수 있다. 이후, 제1 사람은 장치를 사용하는 것을 중단하지만, 장치에서 데이터베이스 사업체 시스템으로부터 로그아웃하지 않거나 및/또는 제2 사람이 데이터베이스 사업체 시스템에 로그인하지 않아서 데이터베이스 사업체가 제2 사람을 제1 사람과 상이한 사용자로 인식하게 하지 않는다. 결과적으로, 제2 사람이 미디어에 액세스하기 위해 동일한 모바일 장치를 사용하는 것을 시작할 때, 데이터베이스 사업체는 (이 경우, 부정확하게) 모바일 장치의 사용(예컨대, 미디어 노출)을 제1 사람과 관련되는 것으로 계속 인식한다. 따라서, 제2 사람에게 기인되어야 할 노출 및 제2 인구통계 그룹은 제1 사람 및 제1 인구통계 그룹에 부정확하게 기인된다. 광범위한 기인오류의 효과는, 방대한 시청자들 간의 미디어 노출의 인구통계 분포를 부정확하게 표현함으로써 측정 편향 오류를 생성할 수 있고, 따라서 시청자 측정 엔티티에 의해 그 노출이 모니터되는 광고 및/또는 다른 미디어에 대해 수집된 노출의 시청자 인구 통계를 잘못 표현할 수 있다.
개시된 예들의 예시적인 기술적 장점
기인오류를 보정하는 종래의 기술은, A) 클라이언트 컴퓨터에 설치된 패널리스트 미터 소프트웨어를 사용하여 컴퓨팅 세션들에 대해 수집된 인구통계 정보를 B) 동일한 컴퓨팅 세션들에 대해 데이터베이스 사업체로부터 쿠키-기반 노출을 사용하여 결정된 인구통계 정보와 비교함으로써 조정 인자를 결정하는 것을 포함한다. 이러한 기술들의 예는 2013년 1월 31일자로 출원된 미국 특허출원 제13/756,493호에 개시되어 있다. 미국 특허출원 제13/756,493호 전체가 본 명세서에 참조로 통합된다. 미국 특허출원 제13/756,493호에 개시된 예들은 시청자 측정 엔티티의 패널에 등록된 패널리스트를 정확하게 식별하기 위해 클라이언트 컴퓨터에 로컬-설치된 패널리스트 미터 소프트웨어에 의존한다. 미국 특허출원 제13/756,493호에 개시된 예들은 또한, 조정 인자를 결정하기 위해 쿠키 또는 쿠키와 유사한 데이터에 의존한다. 이러한 기술들은, 패널리스트 미터 소프트웨어를 설치하지 않았거나, 및/또는 가령 일부 모바일 장치(예컨대, iOS 장치)와 같은 클라이언트 장치 식별자로 사용가능한 쿠키를 제공하지 않는 장치에서의 기인 오류에 대한 보정을 위해 적절하지 않다. 바꿔 말하면, 종래의 기술들은 기인오류 조정 인자를 생성하기 위해, 로컬-설치된 패널리스트 미터 소프트웨어 및 쿠키에 의존한다. 이러한 로컬-설치된 패널리스트 미터 소프트웨어 및/또는 이러한 쿠키 없이, 종래의 기술은 기인오류 조정 인자를 성공적으로 생성하지 않을 것이다.
종래의 시스템 및 방법과는 대조적으로, 본 명세서에 개시된 예들은 랜덤하게 선택된 사람들 및/또는 가구에 수행된 (설문)조사에 대한 응답에 기반하여 기인오류 보정 매트릭스를 사용하여 기인오류 인자를 생성하며, 기인오류 보정 인자 및/또는 기인오류 보정 매트릭스를 생성하기 위해 쿠키에 의존하거나 쿠키를 사용하지 않는다. 본 명세서에 사용되는 것처럼, 사람과 관련하여 사용되는 용어 "데이터베이스 사업체 등록 상태"는 그 사람이 하나 이상의 특정 데이터베이스 사업체(들)에 등록되었는지 여부를 의미한다. 데이터베이스 사업체 등록 상태(예컨대, 개별 가구 구성원들이 특정 데이터베이스 사업체에 등록되었는지 여부)를 수집하고, 가구 구성원들에 의한 미디어 액세스 데이터를 수집하는, 로컬-설치된 패널리스트 미터링 소프트웨어에 의존하는 종래의 기술들은, 패널리스트 미터링 소프트웨어에 의해 모니터되지 않는 장치 타입에서 발생되는 노출에 대한 기인 편향 오류 및/또는 논-커버리지 편향 오류에 대해 노출 정보를 정확하게 보정하지 못할 수 있다. 본 명세서에 개시된 예들은 데이터베이스 사업체 등록 상태 데이터를 수집하기 위해 클라이언트 컴퓨터에서 로컬-설치되는 패널리스트 미터 소프트웨어에 의존하지 않고 기인오류 보정 인자를 생성한다. 본 명세서에 개시된 예들은 또한, 가구 구성원들에 의한 미디어 액세스에 관한 데이터를 수집하기 위해 이러한 로컬-설치된 패널리스트 미터 소프트웨어에 의존하지 않고 기인오류 보정 인자를 생성한다. 따라서, 본 명세서에 개시된 예들은, 로컬-설치된 패널리스트 미터링 소프트웨어를 사용하여 데이터베이스 사업체 등록 상태 데이터, 데이터베이스 사업체 로그인 데이터, 및/또는 가구 구성원들에 의한 미디어 액세스에 관한 데이터가 수집되지 않거나 (및/또는 수집가능하지 않은) 장치 타입을 포함하는, 임의의 장치 타입(들)에 대해 기인오류 보정 인자를 결정한다. 이러한 장치들은 본 명세서에서 "논-로컬-미터되는 장치들"이라고 불린다.
일부 이러한 개시된 예에서, 패널리스트 데이터는 종래의 기술과는 상이하게 수집되고 상이하게 사용된다. 이러한 예들에서, 패널리스트 데이터는 인구통계 그룹에서 사람들이 함께 거주하는 것의 발생 정도를 더 정확히 결정하기 위해 기인오류 보정 인자를 조정하도록 이용된다. 본 명세서에서 사용되는 것처럼, "인구통계 그룹에서 사람들이 함께 거주하는 것의 발생 정도"는 제1 인구통계 그룹에서 사람들이 제2 인구통계 그룹에서의 사람들과 함께 거주하는 것의 발생의 상대적인 빈도(예컨대, 인구통계 그룹 B에서의 누군가와 함께 거주하는 인구통계 그룹 A에서의 사람의 퍼센티지)를 의미한다. 하지만, 수집된 노출에 해당하는 통합된 시청자 분포가 패널리스트 데이터와 무관하게 여전히 생성된다. 본 명세서에 개시된 예들에서, 패널리스트 데이터는 생성된 통합 시청자 분포를 조정하는데만 사용된다. 조정된 통합 시청자 분포는 기인오류 보정 인자를 생성 및/또는 조정하도록 사용된다. 예컨대, 인구통계 그룹에서의 사람들이 함께 거주하는 것의 발생 정도를 조정하는데 사용될 수 있는 패널리스트 데이터는, 제2 인구통계 그룹(제1 인구통계 그룹과 동일한 인구통계 그룹 또는 상이한 인구 통계 그룹)에서의 사람과 함께 거주하는 제1 인구통계 그룹에서의 각각의 사람들의 수를 포함할 수 있다. 일부 예에서, 인구통계 그룹들에서의 사람들의 함께 거주하는 것의 발생 정도를 위해 조정하도록 사용되는 패널리스트 데이터는 패널리스트가 데이터베이스 사업체의 등록된 사용자인지 여부를 표시(예컨대, 쿠키를 포함)하지 않고, 컴퓨팅 장치를 사용하는 미디어 액세스를 표시하는 정보를 포함하지 않는다.
개시된 예들은, 인구통계 그룹 (i)에서의 사람이 데이터베이스 사업체에 의해 미디어의 시청자로 식별될 때, 인구통계 그룹 (j)에서의 사람이 미디어의 실제 시청자일 확률을 결정함으로써, 기인오류의 확률을 결정한다. 일부 예에서, 기인오류의 확률은 (설문)조사 교정 데이터 소스를 사용하여 시청자 및/또는 가정과 연계하여 관측된 노출을 재분배함으로써 계산된다. 이러한 예에서, (설문)조사 교정 데이터 소스는 과도샘플링 및/또는 과소샘플링에 대해 다수의 가구를 위해 재분배된 시청자 및/또는 노출을 통합하고 조정하는데 사용될 수 있다. 일부 이러한 예들에서, 발생되는 확률은 데이터베이스 사업체에 의해 관측되고 인구통계 그룹과 관련되는 각각의 노출에 대한 기인오류의 확률을 반영하도록 정규화된다.
다른 개시된 예들은 3개의 별개의 확률들: a) 동일한 가정에 거주하는 확률, b) 그 가정에서 (임의의 타입의) 모바일 장치에 대한 액세스를 가질 확률, 및 c) 특정 컨텐츠 타입에 대해 모바일 장치를 공유할 확률의 조합으로서 장치로 인한 기인오류의 확률을 결정한다. 본 명세서에 개시된 예들은, 수집된 노출 데이터에 의해 표현되는 고유의 시청자에 대한 오류에 대해 보상하기 위한 인자로 기인오류의 발생 확률을 노출 데이터에 적용한다. 일부 예에서, 이러한 오류 보상을 제공하는 것은, 데이터베이스 사업체에 의해 제1 인구통계 그룹과 관련되는 것으로 인식되는 노출이 사실은 제2 인구통계 그룹과 관련되어야 하는 확률을 반영하도록 기인오류 보정 매트릭스를 구성하는 것을 수반한다.
본 명세서에서 사용되는 것처럼, 논-커버리지 오류는, 모바일 장치를 사용하여 미디어를 시청하는 시청자의 일부를 인식(예컨대, 인구통계를 식별)하는 데이터베이스 사업체의 무능력으로 인해 발생되는 측정 편향을 의미하도록 정의된다. 일부 예에서, 전술한 예와 같이 요청이 모바일 장치로부터 데이터베이스로 전송될 때, 데이터베이스 사업체는 요청의 데이터를 사람에게 매치하지 못한다. 주어진 노출과 관련된 사람을 인식하지 못하는 데이터베이스의 사업체의 무능력은: 1) 노출을 발생시키는 미디어를 액세스하는 사람이 그의 또는 그녀의 정보를 데이터베이스 사업체에 제공하지 않아서(예컨대, 사람이 데이터베이스 사업체(예컨대, Facebook)에 가입되지 않아서) 데이터베이스 사업체에 그 사람의 기록이 없거나, 그 사람에 해당하는 등록 프로필이 불완전하거나, 그 사람에 해당하는 등록 프로필이 부정확한 정보를 어쩌면 포함하는 것이 의심된다고 플래그되었다는 등으로 인해, 2) 그 사람은 데이터베이스 사업체에 등록되었으나, 노출이 발생한 특정 모바일 장치를 사용하여 데이터베이스 사업체에 액세스하지 않았음(예컨대, 현재 요청과 관련된 모바일 장치와 상이한 컴퓨터 및/또는 다른 모바일 장치로부터 데이터베이스 사업체에 액세스 및/또는 그 사람에 대한 사용자 식별자가 노출이 발생한 모바일 장치에서 이용가능하지 않음)으로 인해, 및/또는 3) 그 사람은 데이터베이스 사업체에 등록되고 노출이 발생하는 모바일 장치를 사용하여 데이터베이스 사업체에 액세스하지만(예컨대, 그 사람은 모바일 장치로부터 데이터베이스 사업체에 이전에 로그인했으나), 모바일 장치를 그 사람과 관련시키는 것으로부터 데이터 베이스를 방해하는 다른 능동 또는 수동적 조치(예컨대, 차단 또는 쿠키의 삭제)를 취함으로 인해, 발생할 수 있다. 일부 예에서, 사람에 대한 사용자 식별자는, 모바일 장치 및/또는 모바일 장치상의 애플리케이션/소프트웨어는 쿠키-기반 장치 및/또는 애플리케이션이 아니기 때문에, 노출이 발생하는 모바일 장치에서 이용가능하지 않다.
본 명세서에 개시된 예들은 미디어 카테고리 및/또는 모바일 장치 타입의 상이한 조합들에 대해 매트릭스 및/또는 논-커버리지 요인을 공유하는 장치를 생성한다. 분리된 장치 공유 매트릭스들 및/또는 논-커버리지 요인에 대해 생성될 수 있는 미디어 카테고리의 예들은 광고, 어린이 프로그래밍, 코미디, 드라마, 피처 영화, 정보 및/또는 뉴스 프로그래밍, 스포츠, 버라이어티(예컨대, 게임 쇼, 리얼리티 쇼, 토크 쇼), 및/또는 다른 카테고리를 포함한다. 분리된 장치 공유 매트릭스들 및/또는 논-커버리지 요인에 대해 생성될 수 있는 장치 타입의 예들은 스마트폰(예컨대, iPhones, Android OS-기반 스마트폰, Blackberry 스마트폰, Windows 모바일-기반 스마트폰 등), 태블릿 컴퓨터(예컨대, iPads, Android OS-기반 태블릿 컴퓨터 등), 휴대용 미디어 플레이어(예컨대, iPods 등), 및/또는 다른 장치 타입을 포함한다. 이러한 장치 타입들은 쿠키-기반 장치들(예컨대, 쿠키-기반 애플리케이션/소프트웨어를 실행하는 장치들) 및/또는 비-쿠키-기반 장치들(예컨대, 쿠키를 사용하지 않는 애플리케이션/소프트웨어를 실행하는 Apple iOS 장치들과 같은 장치들)일 수 있다.
기인오류 및/또는 논-커버리지 오류에 대해 노출 정보를 보상하기 위한 개시된 예시적 방법 및 장치는, 가령 인터넷과 같은 네트워크를 통해 전달되고 모니터되는 미디어의 노출과 관련된 인구통계를 정확하게 결정하는 기술적 문제를 해결한다. 미디어 노출은 컴퓨팅 장치들에서 발생하고, 미디어 노출의 발생을 표시하는 데이터는 이러한 컴퓨팅 장치들을 사용하여 수집된다. 이러한 데이터의 교정은, 수백, 수천, 수백만 이상의 노출들을 수집하거나, 프로세싱하거나, 및/또는 분석하는 것을 포함할 수 있다. 그리하여, 이러한 많은 양의 데이터의 교정 및/또는 보정은 엄청난 기술적 과제를 제시하게 된다. 개시된 예들은 효율적이고 신속한 방식으로 방대한 양의 미디어 노출(예컨대, 1주일에 100,000개의 노출)에 대한 정확한 인구통계 정보를 생성하기 위해 컴퓨팅 장치를 통해 수집되는 미디어 노출의 세트에 적용될 수 있다. 이것은 시청자 측정의 기술분야에서 상당한 향상을 제공한다.
본 명세서에 개시된 예들은 Nielsen Company (US), LLC에 의해 개발된 OCR(Online Campaign Ratings) 시스템과 함께 사용될 수 있다. OCR 시스템은 방대한 양의 데이터를 수집하고 분석하기 위한 효율적인 시스템이다. OCR 시스템은 프로세싱될 데이터를 획득하기 위한 패널리스트 소프트웨어를 요구하지 않는다. 본 명세서에 개시된 기술들은 패널리스트 소프트웨어의 도입을 요구함이 없이 조정 인자의 생성을 가능하게 한다. 이는 요구되는 소프트웨어의 양을 감소시키고 최종 사용자(end user) 컴퓨터의 필요를 제거한다. 이것들은 컴퓨팅 자원의 오버헤드 및 사용량을 감소시키는 기술적 이점들이다. 본 명세서에 개시된 기술들은 또한, 동작 중에 발생할 수 있는 기인오류에 대해 보정하도록 OCR 자동화 시스템을 효율적으로 교정하는 역할을 한다. 따라서, 개시된 기술들은 현실의 조건들을 정확하게 반영하도록 OCR 시스템을 교정하는 기술적 문제들을 해결하고, 따라서, 교정은 시스템 전반에 걸쳐 분포된 패널리스트 소프트웨어의 필요을 제거함으로써 달성된다.
개시된 예시적인 방법은: 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하는 것을 수반한다. 예시적인 방법에서, 제1 요청은 컴퓨팅 장치에서의 미디어로의 액세스를 표시한다. 예시적인 방법은 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 것을 더 수반한다. 요청은 제1 요청을 포함한다. 예시적인 방법은 제1 타입의 컴퓨팅 장치에서 발생하는 미디어 노출의 집계를 획득하는 것; 및 미디어 노출에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스될 제1 확률과 미디어가 제2 타입의 장치에서 액세스될 제2 확률에 기반하여 미디어 노출의 제2 부분에 대한 인구통계 정보를 결정하는 것을 더 수반하며, 미디어 노출의 제1 부분은 데이터베이스 사업체에 의해 인구통계 정보가 인식가능한 사람들에 해당하고, 미디어 노출의 제2 부분은 인구통계 정보가 데이터베이스 사업체에 이용가능하지 않은 사람들에 해당한다.
일부 예시적인 방법에서, 인구통계 정보를 결정하는 것은 제2 확률에 대한 제1 확률의 비율을 제1 인구통계 그룹에 기인하는 미디어 노출의 개수로 곱하는 것을 포함한다. 일부 예시적인 방법에서, 제1 확률은 제1 인구통계 그룹에서의 사람이 제1 타입의 컴퓨팅 장치에서 미디어에 액세스할 확률이며, 제2 확률은 제1 인구통계 그룹에서의 사람이 제2 타입의 컴퓨팅 장치에서 미디어에 액세스할 확률이다. 일부 예시적인 방법은 미디어 노출의 서브세트를 제2 인구통계 그룹에서의 제2 사람들에게 부정확하게 기인시키는 것에 대해 보상하도록 미디어 노출을 조정하는 것을 더 수반하며, 제1 인구통계 그룹에 기인되는 미디어 노출의 개수는 부정확한 기인에 대해 보상하도록 조정되는 미디어 노출의 서브세트로부터 결정된다.
일부 예시적인 방법에서, 제1 타입의 컴퓨팅 장치는 모바일 장치를 포함하고, 제2 타입의 장치는 텔레비전을 포함한다. 일부 예시적인 방법에서, 제1 타입의 컴퓨팅 장치는 스마트폰, 태블릿 컴퓨터, 또는 휴대용 미디어 플레이어 중 적어도 하나를 포함한다. 일부 예시적인 방법에서, 제1 및 제2 확률은 미디어의 미디어 카테고리에 해당한다. 일부 예시적인 방법에서, 미디어 카테고리는 코미디, 드라마, 정치, 리얼리티, 또는 미디어 카테고리 조합 중 적어도 하나이다.
일부 예시적인 방법은 미디어 노출들을 야기하지 않은 사람들에게 부정확하게 기인된 미디어 노출들에 대해, 인구통계 정보를 결정하기에 앞서 미디어 노출을 조정하는 것을 더 수반한다. 일부 예시적인 방법은 사람들의 (설문)조사에 대한 (설문)조사 응답에 기반하여 제1 및 제2 확률을 계산하는 것을 더 수반하며, 제1 확률의 계산은 (설문)조사 응답으로부터, 인구통계 그룹, 미디어 카테고리, 컴퓨팅 장치의 타입, 또는 지리적 위치 중 적어도 하나와 관련된 가중치를 결정하는 것을 포함하며, 상기 가중치는 관심있는 장치 타입에서 미디어 노출과 관련된 미디어를 액세스할 각각의 확률들을 표시한다.
일부 예시적인 방법들에서, (설문)조사는 랜덤 패널 중 적어도 하나에 대한 것이거나, 시청자 측정 엔티티에 의해 관리되는 시청자 구성원들의 패널에 대한 것이다. 일부 예시적인 방법들에서, 미디어 노출의 부분에 대한 인구통계 정보를 결정하는 것은: 사람들에 해당하는 상이한 인구통계 그룹들에게 기인될 수 있는 미디어 노출의 비율을 결정하는 것 및 미디어 노출의 비율을 미디어 노출의 부분으로 스케일링하는 것을 수반한다.
일부 예시적인 방법은 컴퓨팅 장치의 게재자(publisher)에 의해 제공되는 명령어를 게재자에게 제공하는 것을 수반한다. 컴퓨팅 장치에 의해 실행시, 게재자에 의해 제공되는 명령어는 컴퓨팅 장치로 하여금 제1 요청을 전송하도록 한다. 일부 예시적인 방법은, 미디어 노출에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스되는 제1 확률을 결정하거나, 또는 미디어가 제2 타입의 장치에서 액세스되는 제2 확률을 결정하기 위해, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않고, 온라인 사용자들로부터의 (설문)조사 응답을 요청하지 않음으로써 컴퓨터 프로세싱 자원을 보존하는 것을 더 수반한다. 일부 예시적인 방법은, 미디어 노출에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스되는 제1 확률을 결정하거나, 또는 미디어가 제2 타입의 장치에서 액세스되는 제2 확률을 결정하기 위해, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않고, 온라인 사용자들로부터의 (설문)조사 응답을 요청하지 않음으로써 네트워크 통신 대역폭을 보존하는 것을 더 수반한다.
개시되는 예시적인 장치는, 제1 인터넷 도메인에서, 컴퓨팅 장치로부터의 제1 요청을 수신하고, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청들에 해당하는 인구통계 정보에 대한 요청을 전송하는 노출 수집기를 포함하며, 상기 요청들은 제1 요청을 포함한다. 개시된 예시적인 장치에서, 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시한다. 개시된 예시적인 장치는 또한, 제1 타입의 컴퓨팅 장치에서 발생하는 미디어 노출의 집계에 액세스하는 노출 정보 수집기를 포함하고, 미디어 노출의 제1 부분은 데이터베이스 사업체에 의해 인구통계 정보가 인식가능한 사람들에 해당하며, 미디어 노출의 제2 부분은 인구통계 정보가 데이터베이스 사업체에게 이용가능하지 않은 사람들에 해당한다. 개시된 예시적인 장치는 또한, 미디어 노출에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스될 제1 확률 및 미디어가 제2 타입의 장치에서 액세스될 제2 확률에 기반하여 미디어 노출의 부분에 대한 인구통계 정보를 결정하는 논-커버리지 보정기를 포함하고, 노출 정보 수집기 또는 논-커버리지 보정기 중 적어도 하나는 논리 회로에 의해 구현된다.
일부 예시적인 장치는, 제2 확률에 대한 제1 확률의 비율에 제1 인구통계 그룹으로 기인되는 미디어 노출의 수를 곱하는 논-커버리지 계산기를 더 포함한다. 일부 예시적인 장치에서, 제1 확률은 제1 인구통계 그룹의 사람이 제1 타입의 컴퓨팅 장치에서 미디어에 액세스할 확률이며, 제2 확률은 제1 인구통계 그룹의 사람이 제2 타입의 컴퓨팅 장치에서 미디어에 액세스할 확률이다.
일부 예시적인 장치는 제2 인구통계 그룹의 제2 사람에게 미디어의 서브세트를 부정확하게 기인시키는 것에 대해 보상하도록 미디어 노출을 조정하는 기인오류 보정기를 더 포함하고, 제1 인구통계 그룹에 기인되는 미디어 노출의 개수는 부정확한 기인에 대해 보상하도록 조정되는 미디어 노출의 서브세트로부터 결정된다. 일부 예시적인 장치에서, 제1 타입의 컴퓨팅 장치는 모바일 장치를 포함하고, 제2 타입의 컴퓨팅 장치는 텔레비전을 포함한다. 일부 예시적인 장치에서, 제1 타입의 컴퓨팅 장치는 스마트폰, 태블릿 컴퓨터, 또는 휴대용 미디어 플레이어 중 적어도 하나를 포함한다. 일부 예시적인 장치에서, 논-커버리지 계산기는 사람들의 (설문)조사에 대한 (설문)조사 응답에 기반하여 제1 및 제2 확률을 계산하며, 논-커버리지 계산기는, (설문)조사 응답으로부터, 인구통계 그룹, 미디어 카테고리, 컴퓨팅 장치의 타입, 또는 지리적 영역 중 적어도 하나와 관련된 가중치를 결정함으로써 제1 확률을 계산하며, 상기 가중치는 관심있는 장치 타입에서 미디어 노출과 관련된 미디어에 액세스할 각각의 확률들을 표시한다.
일부 예시적인 장치에서, (설문)조사는 랜덤 패널 또는 시청자 측정 엔티티에 의해 관리되는 시청자 구성원들의 패널 중 적어도 하나에 대한 것이다. 일부 예시적인 장치에서, 제1 및 제2 확률들은 미디어의 미디어 카테고리에 해당한다. 일부 예시적인 장치에서, 미디어 카테고리는 코미디, 드라마, 정치, 리얼리티, 또는 미디어 카테고리 조합 중 적어도 하나이다. 일부 예시적인 장치에서, 논-커버리지 보정기는, 사람들에 해당하는 상이한 인구통계 그룹에 기인될 수 있는 미디어 노출의 비율을 결정하고 미디어 노출의 비율을 미디어 노출의 부분으로 스케일링함으로써 미디어 노출의 부분에 대한 인구통계 정보를 결정한다.
추가로 개시된 예시적인 방법은, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하고, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 것을 수반하며, 요청은 제1 요청을 포함한다. 개시된 예시적인 방법에서, 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시한다. 개시된 예시적인 방법은 제2 가구의 제2 시청자 분포와 통합되는 제1 가구의 제1 시청자 분포를 포함하는 통합된 시청자 분포를 생성하는 것; 기인오류 보정 매트릭스를 생성하도록 통합된 시청자 분포를 정규화하는 것; 및 기인오류 보정 매트릭스를 사용하여 제2 인구통계 그룹으로부터 제1 인구통계 그룹으로 노출을 재-할당함으로써 노출의 기인오류를 보상하는 것을 더 수반하며, 제1 시청자 분포는, 제1 가구의 (설문)조사 응답에 기반하는, 데이터베이스 사업체에 등록된 가구 구성원들의 인구통계 그룹으로의 제1 가구의 제1 가구 구성원들의 분포를 포함하고, 제1 시청자 분포는 제1 가구 구성원들에 의한 제1 미디어로의 액세스에 기반하며, 기인오류 보정 매트릭스는, 데이터베이스 사업체가 노출이 제2 인구통계 그룹의 사람에 해당한다고 결정할 때, 미디어의 노출이 제1 인구통계 그룹에 기인할 수 있는 확률을 포함한다.
일부 예시적인 방법은 (설문)조사 교정 데이터 소스와 관련된 과도샘플링 또는 과소샘플링 중 적어도 하나에 대해 통합된 시청자 분포를 보정하는 보정 인덱스를 생성하는 것을 더 수반하며, (설문)조사 교정 데이터 소스는 제1 가구 구성원들에 의한 미디어로의 액세스 및 제1 가구 구성원들의 데이터베이스 사업체 등록 상태를 표시한다. 일부 예시적인 방법에서, 보정 인덱스는 제1 인구통계 그룹의 제1 사람이 제2 인구통계 그룹의 제2 사람과 함께 거주할 제2 확률에 기반한다. 일부 예시적인 방법에서, 보정 인덱스를 생성하는 것은: 제1 (설문)조사 교정 데이터에 기반하여, 함께 거주하는 제1 인구통계 그룹의 제1 사람 및 제2 인구통계 그룹의 제2 사람을 포함하는 사람들의 제1 쌍들을 표현하는 사람들의 제1 쌍들의 제1 수량을 결정하는 것; 제2 (설문)조사 교정 데이터에 기반하여, 함께 거주하는 제1 인구통계 그룹의 제3 사람 및 제2 인구통계 그룹의 제4 사람을 포함하는 사람들의 제2 쌍들을 표현하는 사람들의 제2 쌍들의 제2 수량을 결정하는 것; 및 제1 수량과 제2 수량의 비율을 결정하는 것을 포함하며, 제2 (설문)조사 교정 데이터는 제1 (설문)조사 교정 데이터보다 높은 정확성을 가진다.
일부 예시적인 방법에서, 통합된 시청자 분포는, 각각의 제1 인구통계 그룹에 대해, 제1 인구통계 그룹에 기속될 제2 인구통계 그룹의 사람들의 수를 기술하고, 통합된 시청자 분포를 정규화하는 것은 제2 인구통계 그룹의 사람들 수 각각을 스케일링하여 제2 인구통계 그룹에 대한 사람들의 총수가 지정된 값이 되도록 하는 것을 포함한다. 일부 예시적인 방법은, 제1 가구에 대한 공유 패턴을 결정하는 것; 및 미디어 카테고리에 대한 공유 패턴에 기반하여 제1 가구의 제1 가구 구성원들에 대한 장치 공유 확률의 확률 밀도 함수를 결정하는 것을 더 수반하며, 공유 패턴은 제1 가구 구성원들 중 미디어 카테고리에 액세스한 구성원들 및 제1 가구 구성원들 중 미디어 카테고리에 액세스하지 않는 다른 구성원들을 표시하고, 확률 밀도 함수는 제1 가구 구성원들이 미디어 카테고리에서 미디어에 액세스할 각각의 확률을 표시하며, 제1 시청자 분포는 장치 공유 확률에 기반한다.
일부 예시적인 방법은, 제1 가구가 제1 가구 구성원들 중 동일한 제2 인구통계 그룹에 있는 2명 이상의 등록된 구성원들을 가질 때, 제1 가구 구성원들에 대한 장치 공유 확률을 통합하는 것을 더 수반한다. 일부 예시적인 방법은 분수(fractional numbers)를 인구통계 그룹들에 분포시킴으로써 제1 시청자 분포를 생성하는 것을 더 수반하며, 상기 분수는 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 집계를 총합으로 한다. 일부 예시적인 방법에서, 제1 시청자 분포를 생성하는 것은 쿠키를 사용하지 않는다. 일부 예시적인 방법에서, 제1 시청자 분포를 생성하는 것과 통합된 시청자 분포를 생성하는 것은, 가구 구성원들의 데이터베이스 사업체와의 등록 상태를 수집하거나, 또는 미디어 액세스 데이터를 수집하는데 미터링 소프트웨어를 사용하지 않는다. 일부 예시적인 방법에서, 노출을 재할당하는 것은 기인오류 보정 매트릭스 및 노출 매트릭스의 곱을 결정하는 것을 포함하고, 노출 매트릭스는 인구통계 그룹들 각각에 해당하는, 데이터베이스 사업체에 의해 결정된 노출의 개수를 표시한다. 일부 예시적인 방법에서, 노출을 재할당하는 것은 노출 매트릭스에서의 노출의 총 개수와 동일한 노출의 총 개수를 발생시킨다.
일부 예시적인 방법은 게재자에게 명령어를 제공하는 것을 더 수반하며, 게재자에 의해 컴퓨팅 장치로 제공되는 명령어는, 컴퓨팅 장치에 의해 실행시, 컴퓨팅 장치로 하여금 제1 요청을 전송하도록 한다. 일부 예시적인 방법은, 통합된 시청자 분포를 생성하기 위해 온라인 사용자들로부터 (설문)조사 응답을 요청하지 않고, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않음으로써 컴퓨터 프로세싱 자원을 보존하는 것을 더 수반한다. 일부 예시적인 방법은 통합된 시청자 분포를 생성하기 위해 온라인 사용자들로부터 (설문)조사 응답을 요청하지 않고, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않음으로써 네트워크 통신 대역폭을 보존하는 것을 더 수반한다.
추가로 개시된 예시적인 장치는, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하고, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 노출 수집기를 포함하며, 요청은 제1 요청을 포함한다. 개시된 예시적인 장치에서, 제1 요청은 컴퓨팅 장치에서의 미디어로의 액세스를 표시한다. 개시된 예시적인 장치는 또한, 제2 가구의 제2 시청자 분포와 통합되는 제1 가구의 제1 시청자 분포를 포함하는 통합된 시청자 분포를 생성하는 통합된 분포 생성기를 포함하고, 제1 시청자 분포는, 제1 가구의 (설문)조사 응답에 기반하여, 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 인구통계 그룹으로의 제1 가구의 제1 가구 구성원들을 분포를 포함하고, 제1 시청자 분포는 제1 가구 구성원들에 의한 제1 미디어로의 액세스에 기반한다. 예시적인 장치는 기인오류 보정 매트릭스를 생성하도록 통합된 시청자 분포를 정규화하는 매트릭스 정규화기를 더 포함하고, 기인오류 보정 매트릭스는, 데이터베이스 사업체가 노출이 제2 인구통계 그룹의 사람에 해당한다고 결정할 때, 미디어의 노출이 제1 인구통계 그룹에 기인될 수 있는 확률을 포함한다. 개시된 예시적인 장치는 기인오류 보정 매트릭스를 사용하여 제2 인구통계 그룹으로부터 제1 인구통계 그룹으로 노출을 재할당함으로써 노출에서의 기인오류를 보상하는 기인오류 보정기를 더 포함하며, 통합된 분포 생성기, 매트릭스 정규화기, 또는 기인오류 보정기 중 적어도 하나는 논리 회로에 의해 구현된다.
일부 예시적인 장치는 (설문)조사 교정 데이터 소스와 관련된 과도샘플링 또는 과소샘플링 중 적어도 하나에 대해 통합된 시청자 분포를 보정하는 보정 인덱스를 생성하는 매트릭스 보정기를 더 포함하고, (설문)조사 교정 데이터 소스는 제1 가구 구성원들에 의한 미디어로의 액세스 및 제1 가구 구성원들의 데이터베이스 사업체와의 등록 상태를 표시한다. 일부 예시적인 장치에서, 보정 인덱스는 제1 인구통계 그룹의 제1 사람이 제2 인구통계 그룹의 제2 사람과 함께 거주할 제2 확률에 기반한다. 일부 예시적인 장치에서, 매트릭스 보정기는: 제1 (설문)조사 교정 데이터에 기반하여, 사람들의 제1 쌍의 제1 수량을 결정하고; 제2 (설문)조사 교정 데이터에 기반하여, 사람들의 제2 쌍의 제2 수량을 결정하며; 및 제1 수량 및 제2 수량의 비율을 결정함으로써 보정 인덱스를 생성하고, 상기 사람들의 제1 쌍 각각은 함께 거주하는 제1 인구통계 그룹의 제1 사람 및 제2 인구통계 그룹의 제2 사람을 포함하고, 상기 사람들의 제2 쌍 각각은 함께 거주하는 제1 인구통계 그룹의 제3 사람 및 제2 인구통계 그룹의 제4 사람을 포함하며, 제2 (설문)조사 교정 데이터는 제1 (설문)조사 교정 데이터보다 높은 정확성을 갖는다.
일부 예시적인 장치에서, 통합된 시청자 분포는, 각각의 제1 인구통계 그룹에 대해, 제1 인구통계 그룹에 기인될 제2 인구통계 그룹의 사람들의 수를 기술하고, 매트릭스 정규화기는, 제2 인구통계 그룹의 사람들 각각의 수를 스케일링함으로써 제2 인구통계 그룹에 대한 사람들의 총수가 지정된 값이 되도록 통합된 시청자 분포를 정규화한다.
일부 예시적인 장치는: 제1 가구에 대한 공유 패턴을 결정하고; 미디어 카테고리에 대한 공유 패턴에 기반하여 제1 가구의 제1 가구 구성원들에 대한 장치 공유 확률의 확률 밀도 함수를 결정하는 가구 분포 생성기를 더 포함하고, 상기 공유 패턴은 제1 가구 구성원들 중 미디어 카테고리에 액세스한 구성원들 및 제1 가구 구성원들 중 미디어 카테고리에 액세스하지 않은 다른 구성원들을 표시하며, 상기 확률 밀도 함수는 제1 가구 구성원들이 미디어 카테고리에서 미디어에 액세스할 각각의 확률을 표현하며, 제1 시청자 분포는 장치 공유 확률에 기반한다.
일부 예시적인 장치에서, 통합된 분포 생성기는 제1 가구 구성원들 중 동일한 제2 인구통계 그룹에 있는 2명 이상의 등록된 구성원들을 제1 가구가 가질 때, 제1 가구 구성원들에 대한 장치 공유 확률을 통합한다. 일부 예시적인 장치는, 분수를 인구통계 그룹으로 분포시킴으로써 제1 시청자 분포를 생성하는 가구 분포 생성기를 더 포함하고, 상기 분수는 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 집계가 총합이 된다. 일부 예시적인 장치에서, 기인오류 보정기는 기인오류 보정 매트릭스 및 노출 매트릭스의 곱을 결정함으로써 노출을 재할당하며, 상기 노출 매트릭스는 인구통계 그룹 각각에 해당하는, 데이터베이스 사업체에 의해 결정된 노출의 수를 표시한다. 일부 예시적인 장치에서, 기인오류 보정기는 노출을 재할당하여 재할당된 노출의 총합이 노출 매트릭스에서의 노출의 수의 총 합과 동일한 노출의 총 합이되도록 한다.
추가로 개시된 예시적 방법은, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하고, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 것을 수반하며, 요청은 제1 요청을 포함한다. 개시된 예시적인 방법에서, 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시한다. 개시된 예시적인 방법은, 제2 가구의 제2 시청자 분포와 통합된 제1 가구의 제1 시청자 분포를 포함하는 통합된 시청자 분포를 생성하는 것; 기인오류 보정 매트릭스를 생성하도록 통합된 시청자 분포를 정규화하는 것; 및 기인오류 보정 매트릭스를 사용하여 노출을 제1 인구통계 그룹으로 재할당함으로써 노출에서의 기인오류를 보상하는 것을 더 수반하며, 상기 제1 시청자 분포는, 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 인구통계 그룹으로의 제1 가구의 제1 가구 구성원들의 분포를 포함하고, 상기 제1 시청자 분포는 제1 가구 구성원들에 의한 제1 미디어로의 액세스에 기반하며, 기인오류 보정 매트릭스는, 데이터베이스 사업체가 노출이 제2 인구통계 그룹의 사람에 해당한다고 결정할 때, 미디어의 노출이 제1 인구통계 그룹에 기인될 수 있는 확률을 포함하고, 노출은 모바일 장치에서 액세스되는 미디어를 표시한다.
일부 예시적인 방법은 (설문)조사 교정 데이터 소스와 관련된 과도샘플링 또는 과소샘플링 중 적어도 하나에 대해 통합된 시청자 분포를 보정하는 보정 인덱스를 생성하는 것을 더 수반하며, (설문)조사 교정 데이터 소스는 제1 가구 구성원들에 의한 미디어로의 액세스 및 제1 가구 구성원들의 데이터베이스 사업체와의 등록 상태를 표시한다. 일부 예시적인 방법에서, 보정 인덱스는 제1 인구통계 그룹의 제1 사람이 제2 인구통계 그룹의 제2 사람과 함께 거주할 제2 확률에 기반한다. 일부 예시적인 방법에서, 보정 인덱스를 생성하는 것은: 제1 (설문)조사 교정 데이터에 기반하여, 함께 거주하는 제1 인구통계 그룹의 제1 사람 및 제2 인구통계 그룹의 제2 사람을 포함하는 사람들의 제1 쌍을 표현하는 사람들의 제1 쌍의 제1 수량을 결정하는 것; 제2 (설문)조사 교정 데이터에 기반하여, 함께 거주하는 제1 인구통계 그룹의 제3 사람 및 제2 인구통계 그룹의 제4 사람을 포함하는 사람들의 제2 쌍을 표현하는 사람들의 제2 쌍의 제2 수량을 결정하는 것; 및 제1 수량 및 제2 수량의 비율을 결정하는 것을 포함하고, 제2 (설문)조사 교정 데이터는 제1 (설문)조사 교정 데이터보다 높은 정확성을 가진다.
일부 예시적인 방법에서, 통합된 시청자 분포는, 각각의 제1 인구통계 그룹에 대해, 제1 인구통계 그룹에 기인될 제2 인구통계 그룹의 사람들의 수를 기술하고, 통합된 시청자 분포를 정규화하는 것은 제2 인구통계 그룹의 사람들의 수 각각을 스케일링하여 제2 인구통계 그룹에 대한 사람들의 수의 총합이 지정된 값이 되도록 하는 것을 포함한다. 일부 예시적인 방법은 제1 가구에 대한 공유 패턴을 결정하는 것; 및 미디어 카테고리에 대한 공유 패턴에 기반하여 제1 가구에서 제1 가구 구성원들에 대한 장치 공유 확률의 확률 밀도 함수를 결정하는 것을 더 수반하며, 상기 공유 패턴은 제1 가구 구성원들 중 미디어 카테고리에 액세스하는 구성원들 및 제1 가구 구성원들 중 미디어 카테고리에 액세스하지 않는 다른 구성원들을 표시하고, 상기 확률 밀도 함수는 제1 가구 구성원들이 미디어 카테고리에서 미디어에 액세스할 각각의 확률을 표시하며, 제1 시청자 분포는 장치 공유 확률에 기반한다.
일부 예시적인 방법은, 제1 가구가 제1 가구 구성원들 중 동일한 제2 인구통계 그룹에 있는 2명 이상의 등록된 구성원들을 가질 때, 제1 가구 구성원들에 대한 장치 공유 확률을 통합하는 것을 더 수반한다. 일부 예시적인 방법은 분수를 인구통계 그룹에 분포시킴으로써 제1 시청자 분포를 생성하는 것을 더 수반하며, 상기 분수는 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 집계가 총 합이 된다. 일부 예시적인 방법에서, 제1 시청자 분포를 생성하는 것은 쿠키를 사용하지 않는다. 일부 예시적인 방법에서, 제1 시청자 분포를 생성하는 것 및 통합된 시청자 분포를 생성하는 것은 가구 구성원들의 데이터베이스 사업체의 등록 상태를 수집하거나, 미디어 액세스 데이터를 수집하는 미터링 소프트웨어를 사용하지 않는다. 일부 예시적인 방법에서, 노출을 재할당하는 것은 기인오류 보정 매트릭스 및 노출 매트릭스의 곱을 결정하는 것을 포함하고, 상기 노출 매트릭스는 인구통계 그룹의 각각의 그룹에 해당하는, 데이터베이스 사업체에 의해 결정된 노출의 개수를 표시한다. 일부 예시적인 방법에서, 노출을 재할당하는 것은 노출 매트릭스에서 노출의 개수의 총합과 동일한 노출의 총 개수를 발생시킨다.
일부 예시적인 방법은 명령어를 게재자에 제공하는 것을 더 수반하며, 상기 게재자에 의해 컴퓨팅 장치로 제공되는 명령어는, 컴퓨팅 장치에 의해 실행시, 컴퓨팅 장치로 하여금 제1 요청을 전송하도록 한다. 일부 예시적인 방법은, 통합된 시청자 분포를 생성하기 위해 온라인 사용자들로부터 (설문)조사 응답을 요청하지 않고, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않음으로써 컴퓨터 프로세싱 자원을 보존하는 것을 더 수반한다. 일부 예시적인 방법은 통합된 시청자 분포를 생성하기 위해 온라인 사용자들로부터 (설문)조사 응답을 요청하지 않고, 개별 온라인 사용자들에게 그들의 온라인 미디어 액세스 활동에 관해 통신하지 않음으로써 네트워크 통신 대역폭을 보존하는 것을 더 수반한다.
추가로 개시된 예시적인 장치는, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하고, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 노출 수집기를 포함하고, 상기 요청은 제1 요청을 포함한다. 개시되는 예시적인 장치에서, 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시한다. 개시된 예시적인 장치는 제2 가구의 제2 시청자 분포가 통합된 제1 가구의 제1 시청자 분포를 포함하는 통합된 시청자 분포를 생성하는 통합된 분포 생성기를 더 포함하고, 상기 제1 시청자 분포는 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 인구통계 그룹으로의 제1 가구의 제1 가구 구성원들의 분포를 포함하며, 통합된 분포 생성기는 쿠키를 사용하지 않고 통합된 시청자 분포를 생성하고, 제1 시청자 분포는 제1 가구 구성원들에 의한 제1 미디어로의 액세스에 기반한다. 예시적인 장치는 또한, 기인오류 보정 매트릭스를 생성하도록 통합된 시청자 분포를 정규화하는 매트릭스 정규화기를 포함하고, 기인오류 보정 매트릭스는, 데이터베이스 사업체가 노출이 제2 인구통계 그룹의 사람에 해당한다고 결정할 때, 미디어의 노출이 제1 인구통계 그룹에 기인될 수 있는 확률을 포함한다. 예시적인 장치는 또한, 기인오류 보정 매트릭스를 사용하여 노출을 제1 인구통계 그룹에 재할당함으로써 노출의 기인오류를 보상하는 기인오류 보정기를 포함하고, 노출은 모바일 장치에서 액세스되는 미디어를 표시한다. 통합된 분포 생성기, 매트릭스 정규화기, 또는 기인오류 보정기 중 적어도 하나는 논리 회로에 의해 구현된다.
일부 예시적인 장치는 (설문)조사 교정 데이터 소스와 관련된 과도샘플링 또는 과소샘플링 중 적어도 하나에 대해 통합된 시청자 분포를 보정하는 보정 인덱스를 생성하는 매트릭스 보정기를 더 포함하고, (설문)조사 교정 데이터 소스는 제1 가구 구성원들에 의한 미디어로의 액세스 및 제1 가구 구성원들의 데이터베이스 사업체에의 등록 상태를 표시한다. 일부 예시적인 장치에서, 보정 인덱스는 제1 인구통계 그룹의 제1 사람이 제2 인구통계 그룹의 제2 사람과 함께 거주할 제2 확률에 기반한다. 일부 예시적인 장치에서, 매트릭스 보정기는: 제1 (설문)조사 교정 데이터에 기반하여, 사람들의 제1 쌍의 제1 수량을 결정하고; 제2 (설문)조사 교정 데이터에 기반하여, 사람들의 제2 쌍의 제2 수량을 결정하며; 제1 수량 및 제2 수량의 비율을 결정함으로써 보정 인덱스를 생성하고, 상기 사람들의 제1 쌍 각각은 함께 거주하는 제1 인구통계 그룹의 제1 사람 및 제2 인구통계 그룹의 제2 사람을 포함하고, 사람들의 제2 쌍 각각은 함께 거주하는 제1 인구통계 그룹의 제3 사람 및 제2 인구통계 그룹의 제4 사람을 포함하며, 상기 제2 (설문)조사 교정 데이터는 제1 (설문)조사 교정 데이터보다 높은 정확성을 가진다.
일부 예시적인 장치에서, 통합된 시청자 분포는, 각각의 제1 인구통계 그룹에 대해, 제1 인구통계 그룹에 기인될 제2 인구통계 그룹의 사람들의 수를 기술하고, 매트릭스 정규화기는 제2 인구통계 그룹의 사람들의 각각의 수를 스케일링함으로써 제2 인구통계 그룹에 대한 사람들의 수의 총합이 지정된 값이 되도록 통합된 시청자 분포를 정규화한다.
일부 예시적인 장치는: 제1 가구에 대한 공유 패턴을 결정하고, 미디어 카테고리에 대한 공유 패턴에 기반하여, 제1 가구에서 제1 가구 구성원들에 대한 장치 공유 확률의 확률 밀도 함수를 결정하는 가구 분포 생성기를 더 포함하고, 상기 공유 패턴은 제1 가구 구성원들 중 미디어 카테고리에 액세스한 구성원들 및 제1 가구 구성원들 중 미디어 카테고리에 액세스하지 않은 다른 구성원들을 표시하며, 상기 확률 밀도 함수는 제1 가구 구성원들이 미디어 카테고리에서 미디어에 액세스할 각각의 확률을 표시하고, 제1 시청자 분포는 장치 공유 확률에 기반한다.
일부 예시적인 장치에서, 통합된 분포 생성기는, 제1 가구가 제1 가구 구성원들 중 동일한 제2 인구통계 그룹에 있는 2명 이상의 등록된 구성원들을 가질 때, 제1 가구 구성원들에 대한 장치 공유 확률을 통합한다. 일부 예시적인 장치는, 분수를 인구통계 그룹으로 분포시킴으로써 제1 시청자 분포를 생성하는 가구 분포 생성기를 더 포함하고, 상기 분수는 제1 가구 구성원들 중 데이터베이스 사업체에 등록된 구성원들의 집계가 총 합이 된다. 일부 예시적인 장치에서, 기인오류 보정기는 기인오류 보정 매트릭스 및 노출 매트릭스의 곱을 결정함으로써 노출을 재할당하고, 노출 매트릭스는 데이터베이스 사업체에 의해 인구통계 그룹 각각에 해당하는 것으로 결정된 노출의 개수를 표시한다. 일부 예시적인 장치에서, 기인오류 보정기는 노출을 재할당하여, 재할당된 노출이 노출 매트릭스에서 노출의 수들의 총합과 노출의 총 수가 동일하게 되도록 한다.
추가로 개시된 예시적인 방법은: 제1 타입의 컴퓨팅 장치로부터 미디어 노출을 수집하는 것; 데이터베이스 사업체로부터 미디어 노출에 대한 인구통계 정보를 요청하는 것; 데이터베이스 사업체로부터 미디어 노출의 제1 부분에 해당하는 인구통계 정보를 수신하는 것; 프로세서를 사용하여, 미디어 노출의 제2 부분에서 미디어 노출의 수를 결정하는 것; 및 프로세서를 사용하여, 미디어 노출에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스될 제1 확률에 기반하고, 미디어가 제2 타입의 장치에서 액세스될 제2 확률에 기반하여, 미디어 노출의 제2 부분에 대한 인구통계 정보를 결정하는 것을 수반하고, 상기 미디어 노출의 제1 부분은 인구통계 정보가 데이터베이스 사업체에 의해 저장되는 사람들에 해당하며, 미디어 노출의 제2 부분은 인구통계 정보가 데이터베이스 사업체에 이용가능하지 않은 사람들에 해당한다.
추가로 개시된 예시적인 방법은, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하는 것, 및 제1 인터넷 도메인에서 컴퓨팅 장치로부터 제2 요청을 수신하는 것을 수반하며, 상기 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시하고, 상기 제2 요청은 컴퓨팅 장치에서 지속시간 단위의 미디어로의 액세스를 표시한다. 개시된 예시적인 방법은 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된, 제2 요청을 포함하는 요청에 해당하는 인구통계 정보에 대한 요청을 전송하는 것을 더 수반한다. 개시된 예시적인 방법은 제1 타입의 컴퓨팅 장치에서 발생하는 듀레이션 유닛(duration unit)의 집계를 획득하는 것, 및 듀레이션 유닛에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스될 제1 확률에 기반하고, 미디어가 제2 타입의 장치에 액세스될 제2 확률에 기반하여, 듀레이션 유닛의 제2 부분에 대한 인구통계 정보를 결정하는 것을 더 수반하며, 듀레이션 유닛의 제1 부분은 인구통계 정보가 데이터베이스 사업체에 의해 인식가능한 사람들에 해당하고, 듀레이션 유닛의 제2 부분은 인구통계 정보가 데이터베이스 사업체에 이용가능하지 않은 사람들에 해당한다.
추가로 개시된 예시적인 장치는 노출 수집기를 포함한다. 개시된 예시적인 장치에서, 노출 수집기는, 제1 인터넷 도메인에서, 제1 타입의 컴퓨팅 장치로부터 제1 요청을 수신하며, 상기 제1 요청은 컴퓨팅 장치에서 미디어로의 액세스를 표시한다. 개시된 예시적인 장치에서, 노출 수집기는 또한, 제1 인터넷 도메인에서, 컴퓨팅 장치로부터 제2 요청을 수신하며, 상기 제2 요청은 컴퓨팅 장치에서 미디어 듀레이션 유닛으로의 액세스를 표시한다. 개시된 예시적인 장치에서, 노출 수집기는 또한, 제1 타입의 컴퓨팅 장치로부터 제1 인터넷 도메인에서 수신된, 제2 요청을 포함하는 요청에 해당하는 인구통계 정보에 대한 요청을 전송한다. 개시된 예시적인 장치는 또한, 제1 타입의 컴퓨팅 장치에서 발생하는 듀레이션 유닛의 집계에 액세스하는 노출 정보 수집기를 포함하고, 듀레이션 유닛의 제1 부분은 인구통계 정보가 데이터베이스 사업체에 의해 인식가능한 사람들에 해당하고, 듀레이션 유닛의 제2 부분은 인구통계 정보가 데이터베이스 사업체에 이용가능하지 않은 사람들에 해당한다. 개시된 예시적인 장치는 또한, 듀레이션 유닛에 해당하는 미디어가 제1 타입의 컴퓨팅 장치에서 액세스될 제1 확률에 기반하고, 미디어가 제2 타입의 장치에서 액세스될 제2 확률에 기반하여, 듀레이션 유닛의 부분에 대한 인구통계 정보를 결정하는 논-커버리지 보정기를 포함하고, 노출 정보 수집기 또는 논-커버리지 보정기 중 적어도 하나는 논리 회로에 의해 구현된다.
본 명세서에 개시된 예들은 모바일 장치로부터 획득된 노출 정보를 보상하거나 조정하는 것에 관해 기술되는 한편, 예들은 모바일이 아닌 장치들, 가령 데스크톱 컴퓨터, 텔레비전, 비디오 게임 콘솔, 셋톱 박스, 및/또는 다른 장치들에 또한, 적용가능하다.
노출 및 인구통계 정보의 수집
도 1은 클라이언트 장치(106)에서 제시되는 미디어의 노출과 연관시키기 위해, 분산된 데이터베이스 사업체들(104a, 104b)로부터 사용자 정보(예컨대, 사용자 정보(102a, 102b))를 수집하는 예시적인 시스템(100)을 도시한다. 도시된 예들에서, 사용자 정보(102a, 102b) 또는 사용자 데이터는 인구통계 데이터, 구매 데이터, 및/또는 사용자 활동, 행동, 및/또는 인터넷을 통해 액세스되는 정보, 구매, 전자 장치에서 액세스되는 미디어, 사용자들에 의해 방문되는 물리적 위치(예컨대, 소매 또는 상업 시설, 식당, 장소 등) 등과 관련된 선호도를 표시하는 다른 데이터 중 하나 이상을 포함한다. 본 명세서에 개시된 예들은, 휴대전화, 모바일 통신 장치, 태블릿, 게임 장치, 휴대용 미디어 프레젠테이션 장치 등일 수 있는 모바일 장치와 연계하여 기술된다. 하지만, 본 명세서에 개시된 예들은, 모바일이 아닌 장치들, 가령 인터넷 어플라이언스, 스마트 텔레비전, 인터넷 터미널, 컴퓨터, 또는 네트워크 통신을 통해 수신되는 미디어를 제시할 수 있는 임의의 다른 장치와 연계하여 구현될 수 있다.
도 1의 도시된 예에서, 클라이언트 장치(106)에서 미디어 노출을 추적하기 위해, 시청자 측정 엔티티(AME, 108)는 클라이언트 장치(106)에 데이터 수집기(112)를 다운로드하고 설치하기 위해 앱 게재자(110)와 협력하거나 협동한다. 도시된 예의 앱 게재자(110)는 모바일 장치로 앱을 배포하고 개발하는 소프트웨어 앱 개발자 및/또는 소프트웨어 앱 개발자로부터 앱을 수신하고 모바일 장치로 앱을 배포하는 배포자일 수 있다. 데이터 수집기(112)는 클라이언트 장치(106)에 로딩되는 다른 소프트웨어, 가령 운영 시스템(114), 애플리케이션(또는 앱)(116), 웹 브라우저(117), 및/또는 임의의 다른 소프트웨어에 포함될 수 있다. 도 1의 예시적인 클라이언트 장치(106)는 논-로컬 미터화(non-locally metered) 장치이다. 바꿔 말하면, 클라이언트 장치(106)는 미터링 소프트웨어를 지원하지 않거나, 및/또는 클라이언트 장치(106)에는 미터링 소프트웨어(예컨대, AME(108)에 의해 제공되는 미터링 소프트웨어)가 제공되지 않는다.
임의의 예시적인 소프트웨어(114-117)는 미디어 게재자(120)로부터 수신된 미디어(118)를 제시할 수 있다. 미디어(118)는 광고, 비디오, 오디오, 텍스트, 그래픽, 웹 페이지, 뉴스, 교육용 미디어, 엔터테인먼트 미디어, 또는 임의의 다른 타입의 미디어일 수 있다. 도시된 예에서, 미디어(118)가 클라이언트 장치(106) 또는 AME(108)에 의해 모니터되는 임의의 다른 장치에서 제시될 때, 미디어(118)에 미디어 노출을 수여할 수 있도록 미디어(118)의 식별을 가능하게 하는 미디어 ID(122)가 미디어(118)에 제공된다.
도시된 예의 데이터 수집기(112)는, 클라이언트 장치(106)에 의해 실행시, 클라이언트 장치(106)로 하여금, 앱 프로그램(116) 및/또는 클라이언트 장치(106)에 의해 제시되는 미디어(118)의 미디어 ID(122)를 수집하고, 클라이언트 장치(106)에 저장된 하나 이상의 장치/사용자 식별자(들)(124)를 수집하도록 하는 명령어(예컨대, Java, Java 스크립트, 또는 임의의 다른 컴퓨터 언어 또는 스크립트)를 포함한다. 도시된 예의 장치/사용자 식별자(들)(124)는, 클라이언트 장치(106)의 사용자 또는 사용자들을 식별하고, 사용자(들)에 해당하는 사용자 정보(102a-b)를 찾도록 협력 데이터베이스 사업체(104a-b)의 해당하는 사업체들에 의해 사용될 수 있는 식별자를 포함한다. 예컨대, 장치/사용자 식별자(들)(124)는 하드웨어 식별자(예컨대, IMEI(international mobile equipment identity), MEID(mobile equipment identifier), MAC(media access control) 주소 등), 앱 스토어 식별자(예컨대, Google Android ID, Apple ID, Amazon ID 등), 개방형 소스 고유 장치 식별자(open source unique device identifier; OpenUDID), 개방형 장치 식별 번호(open device identification number; ODIN), 로그인 식별자(예컨대, 사용자이름), 이메일 주소, 사용자 에이전트 데이터(예컨대, 애플리케이션 타입, 운영 시스템, 소프트웨어 판매자, 소프트웨어 개정 등), 제3자 서비스 식별자(예컨대, 광고 서비스 식별자, 장치 사용량 분석 서비스 식별자, 인구통계 수집 서비스 식별자), 웹 저장 데이터, DOM(document object model) 저장 데이터, 로컬 공유 객체("Flash cookies"라고도 함) 등을 포함할 수 있다. 일부 예에서, 더 적은 또는 많은 장치/사용자 식별자(들)(124)가 사용될 수 있다. 추가로, 오로지 2개의 협력 데이터베이스 사업체(104a-b)만 도 1에 도시되지만, AME(108)는 분산된 사용자 정보(예컨대, 사용자 정보(102a-b))를 수집하기 위해 임의의 수의 협력 데이터베이스 사업체와 협력할 수 있다.
일부 예에서, 클라이언트 장치(106)는 클라이언트 장치(106)에 저장된 식별 정보로의 액세스를 허용하지 않을 수 있다. 이러한 경우에 대해, 개시된 예들은 클라이언트 장치(106)에 대한 미디어 노출을 추적하기 위해, AME(108)가 클라이언트 장치(106)에 AME-제공 식별자(예컨대, AME(108)에 의해 관리되고 추적되는 식별자)를 저장하도록 할 수 있다. 예컨대, AME(108)는 앱 프로그램(116)에 할당되고 액세스가능한 메모리 공간에 AME-제공 식별자를 설정하는 명령어를 데이터 수집기(112)에 제공할 수 있고, 데이터 수집기(112)는 식별자를 장치/사용자 식별자(124)로 사용한다. 이러한 예에서, 데이터 수집기(112)에 의해 설정된 AME-제공 식별자는 심지어 앱 프로그램(116) 및 데이터 수집기(112)가 실행되지 않을 때에도 메모리 공간에 존속한다. 이러한 방식으로, 동일한 AME-제공 식별자는 연장된 듀레이션 동안 클라이언트 장치(106)와 관련되어 잔존할 수 있다. 데이터 수집기(112)가 클라이언트 장치(106)에서 식별자를 설정하는 일부 예에서, AME(108)는 클라이언트 장치(106)의 사용자를 패널리스트로 모집하고, 패널리스트 등록 프로세스 동안에 사용자로부터 수집되거나, 및/또는 AME(108)에 의해 모니터되고 사용자에 의해 사용되는 임의의 다른 장치 및/또는 클라이언트 장치(106)를 통해 사용자 활동/행동을 모니터함으로써 수집된 사용자 정보를 저장할 수 있다. 이러한 방식으로, AME(108)는 (AME(108)에 의해 저장된 패널리스트 데이터로부터) 사용자의 사용자 정보를, 클라이언트 장치(106) 상에서 사용자에게 기인되는 미디어 노출과 연관시킬 수 있다.
도시된 예에서, 데이터 수집기(112)는 미디어 ID(122) 및 하나 이상의 장치/사용자 식별자(들)(124)를 수집된 데이터(126)로서 앱 게재자(110)로 전송한다. 대안으로, 데이터 수집기(112)는, 모바일 장치들(예컨대, 클라이언트 장치(106))로부터 미디어 ID들(예컨대, 미디어 ID(122)) 및 장치/사용자 식별자(예컨대, 장치/사용자 식별자(들)(124))를 수집하기 위해, AME(108)에 의해 계약되거나 AME(108)와 협력하는 다른 수집 엔티티(앱 게재자(110)가 아닌 엔티티)로 수집된 데이터(126)를 전송하도록 구성될 수 있다. 도시된 예에서, 앱 게재자(110)(또는 수집 엔티티)는 미디어 ID(122) 및 장치/사용자 식별자(들)(124)를 노출 데이터(130)로서 AME(108)에서 노출 수집기(132)로 전송한다. 도시된 예의 노출 데이터(130)는 미디어(118)의 단일 노출을 보고하기 위해 하나의 미디어 ID(122) 및 하나 이상의 장치/사용자 식별자(들)(124)를 포함할 수 있거나, 또는 다수의 미디어 노출을 보고하기 위해 클라이언트 장치(106) 및/또는 다른 모바일 장치로부터 수집된 데이터(예컨대, 수집된 데이터(126))의 다수의 인스턴스들에 기반하여 다수의 미디어 ID들(122) 및 장치/사용자 식별자(들)(124)을 포함할 수 있다.
도시된 예에서, 노출 수집기(132)는 AME 미디어 노출 스토어(134)(예컨대, 데이터베이스 또는 다른 데이터 구조)에 노출 데이터(130)를 저장한다. 이후, AME(108)는 협력 데이터베이스 사업체(104a-b)로부터 장치/사용자 식별자(들)(124)에 해당하는 사용자 정보(예컨대, 사용자 정보(102a-b))를 수신하기 위해 해당 협력 데이터베이스 사업체(예컨대, 협력 데이터베이스 사업체(104a-b))로 장치/사용자 식별자(들)(124)를 전송하여 AME(108)가 사용자 정보를 모바일 장치(예컨대, 클라이언트 장치(106))에서 제시되는 미디어(예컨대, 미디어(118))의 해당 미디어 노출과 연관시킬 수 있도록 한다.
일부 예에서, 클라이언트 장치(106)의 사용자의 개인정보를 보호하기 위해, 미디어 식별자(122) 및/또는 장치/사용자 식별자(들)(124)는 AME(108) 및/또는 협력 데이터베이스 사업체(104a-b)로 전송되기 전에 암호화된다. 다른 예에서, 미디어 식별자(122) 및/또는 장치/사용자 식별자(들)(124)는 암호화되지 않는다.
AME(108)가 장치/사용자 식별자(들)(124)를 수신한 후, AME(108)는 해당 협력 데이터베이스 사업체(예컨대, 협력 데이터베이스 사업체(104a-b))로 장치/사용자 식별자 로그(136a-b)를 전송한다. 일부 예에서, 장치/사용자 식별자 로그(136a-b) 각각은 단일 장치/사용자 식별자를 포함하거나, 아니면 하나 이상의 모바일 장치로부터 시간에 걸쳐 수신된 다수의 통합 장치/사용자 식별자를 포함할 수 있다. 장치/사용자 식별자 로그(136a-b)를 수신한 후, 협력 데이터베이스 사업체(104a-b) 각각은 각각의 로그(136a-b)에서 장치/사용자 식별자(124)에 해당하는 사업체의 사용자들을 탐색한다. 이러한 방식으로, 협력 데이터베이스 사업체(104a-b) 각각은 AME(108)로 전송하기 위해, 장치/사용자 식별자 로그(136a-b)에서 식별된 사용자들에 해당하는 사용자 정보(102a-b)를 수집한다. 예컨대, 협력 데이터베이스 사업체(104a)가 무선 서비스 제공자이며, 장치/사용자 식별자 로그(136a)가 무선 서비스 제공자에 의해 인식가능한 IMEI 번호를 포함한다면, 무선 서비스 제공자는, 장치/사용자 식별자 로그(136a)에 수신된 IMEI 번호와 일치하는 IMEI 번호를 갖는 사용자들을 찾기 위해 그것의 가입자 기록을 액세스한다. 사용자들이 식별될 때, 무선 서비스 제공자는 AME(108)로 전달하기 위해, 사용자의 사용자 정보를 사용자 정보(102a)로 복사한다.
일부 다른 예에서, 데이터 수집기(112)는 클라이언트 장치(106)로부터 장치/사용자 식별자(들)(124)를 수집하도록 구성된다. 예시적인 데이터 수집기(112)는 수집된 데이터(126)에서 앱 게재자(110)로 장치/사용자 식별자(들)(124)를 전송하고, 그것은 또한, 장치/사용자 식별자(들)(124)를 미디어 게재자(120)로 전송한다. 이러한 다른 예에서, 데이터 수집기(112)는, 데이터 수집기(112)가 도 1의 예시적인 시스템(100)에서 수행하는 것처럼 클라이언트 장치(106)에서 미디어(118)로부터 미디어 ID(122)를 수집하지는 않는다. 대신에, 미디어(118)를 클라이언트 장치(106)로 퍼블리시하는 미디어 게재자(120)는 퍼블리시하는 미디어(118)로부터 미디어 ID(122)를 검색한다. 미디어 게재자(120)는 이후 미디어 ID(122)를 클라이언트 장치(106)에서 실행되는 데이터 수집기(112)로부터 수신된 장치/사용자 식별자(124)와 연관시키고, 수집된 데이터(138)를 클라이언트 장치(106)의 미디어 ID(122) 및 관련 장치/사용자 식별자(들)(124)를 포함하는 앱 게재자(110)로 전송한다. 예컨대, 미디어 게재자(120)가 미디어(118)를 클라이언트 장치(106)로 전송할 때, 미디어 게재자(120)는, 클라이언트 장치(106)로부터 수신된 하나 이상의 장치/사용자 식별자(들)(124)를 사용하여 미디어(118)에 대한 목적지 장치로 클라이언트 장치(106)를 식별함으로써 전송한다. 이러한 방식으로, 미디어 게재자(120)는 미디어(118)의 미디어 ID(122)를 클라이언트 장치(106)의 장치/사용자 식별자(들)(124)과 연관시킬 수 있고, 미디어(118)가 (예컨대, 미디어(118)의 노출을 생성하기 위해) 프레젠테이션을 위해 특정 클라이언트 장치(106)로 전송되었음을 표시한다.
데이터 수집기(112)가 장치/사용자 식별자(들)(124)를 미디어 게재자(120)로 전송하도록 구성된 일부 다른 예에서, 데이터 수집기(112)는 클라이언트 장치(106)에서 미디어(118)로부터 미디어 ID(122)를 수집하지 않는다. 대신에, 미디어(118)를 클라이언트 장치(106)로 퍼블리시하는 미디어 게재자(120)는 또한, 퍼블리시하는 미디어(118)로부터 미디어 ID(122)를 검색한다. 미디어 게재자(120)는 이후, 미디어 ID(122)를 클라이언트 장치(106)의 장치/사용자 식별자(들)(124)와 연관시킨다. 미디어 게재자(120)는 이후, 미디어 ID(122) 및 장치/사용자 식별자(들)(124)를 포함하는 미디어 노출 데이터(130)를 AME(108)로 전송한다. 예컨대, 미디어 게재자(120)가 미디어(118)를 클라이언트 장치(106)로 전송할 때, 미디어 게재자(120)는 하나 이상의 장치/사용자 식별자(들)(124)를 사용하여 미디어(118)에 대한 목적지 장치로서 클라이언트 장치(106)를 식별함으로써 전송한다. 이러한 방식으로, 미디어 게재자(120)는 미디어(118)의 미디어 ID(122)를 클라이언트 장치(106)의 장치/사용자 식별자(들)(124)과 연관시킬 수 있고, 미디어(118)가 (예컨대, 미디어(118)의 노출을 생성하기 위해) 제시를 위해 특정 클라이언트 장치(106)로 전송되었음을 표시한다. 도시된 예에서, AME(108)가 미디어 게재자(120)로부터 노출 데이터(130)를 수신한 후, AME(108)는 이후 도 1과 함께 전술한 사용자 정보(102a-b)를 요청하기 위해 장치/사용자 식별자 로그(136a-b)를 협력 데이터베이스 사업체(104a-b)로 전송할 수 있다.
미디어 게재자(120)는 도 1에서 앱 게재자(110)로부터 분리된 것으로 도시되지만, 앱 게재자(110)는 제시를 위해 클라이언트 장치(106)로 미디어(118)를 전송하는, 미디어 게재자(120)의 동작들의 적어도 일부를 구현할 수 있다. 예컨대, 광고 제공자, 미디어 제공자, 또는 다른 정보 제공자는 예컨대, 앱 프로그램(116)이 클라이언트 장치(106)에서 실행될 때, 앱 프로그램(116)을 통해, 클라이언트 장치(106)로 퍼블리시하기 위해 미디어(예컨대, 미디어(118))를 앱 게재자(110)로 전송할 수 있다. 이러한 예에서, 앱 게재자(110)는 미디어 게재자(120)에 의해 수행되는 것으로 전술한 동작들을 구현한다.
추가로 또는 대안으로, 클라이언트 장치(106)가 (예컨대, 애플리케이션 게재자(110), 미디어 게재자(120), 및/또는 다른 엔티티를 통해) 식별자를 시청자 측정 엔티티(108)로 전송하는 전술한 예들과는 대조적으로, 다른 예들에서, 클라이언트 장치(106)(예컨대, 클라이언트 장치(106)에 설치된 데이터 수집기(112))는 각각의 데이터베이스 사업체(104a, 104b)에 (예컨대, AME(108)를 통하지 않고) 직접 식별자(예컨대, 사용자/장치 식별자(들)(124)를 전송한다. 이러한 예에서, 예시적인 클라이언트 장치(106)는 미디어 식별자(122)를 (예컨대, 직접 또는 가령 애플리케이션 게재자(110)와 같은 중개자를 통해) 시청자 측정 엔티티(108)로 전송하지만, 미디어 식별자(122)를 데이터베이스 사업체(104a-b)로 전송하지 않는다.
전술한 바와 같이, 예시적인 협력 데이터베이스 사업체(104a-b)는, 미디어 노출 정보를 생성하도록 미디어 식별자(122)와 매칭하기 위해 사용자 정보(102a-b)를 예시적인 AME(108)로 제공한다. 또한, 전술한 바와 같이, 데이터베이스 사업체(104a-b)에는 미디어 식별자(122)의 사본이 제공되지 않는다. 대신에, 클라이언트는 노출 식별자(140)를 데이터베이스 사업체(104a-b)로 제공한다. 노출 식별자는, 클라이언트 장치(106)에서의 노출의 발생이 다른 노출의 발생들로부터 구별될 수 있도록 클라이언트 장치(106)의 다른 노출 이벤트들에 대하여 노출 이벤트를 고유하게 식별한다. 하지만, 노출 식별자(140)는 그 자체가 노출 이벤트와 관련된 미디어를 식별하지 않는다. 이러한 예에서, 클라이언트 장치(106)로부터 AME(108)로의 노출 데이터(130)는 또한, 노출 식별자(140) 및 해당 미디어 식별자(122)를 포함한다. 미디어 식별자(122)로 사용자 정보(102a-b)를 식별하기 위해, 예시적인 협력 데이터베이스 사업체(104a-b)는 사용자 정보(102a-b)의 수집을 트리거한 노출 이벤트를 위해 노출 식별자(140)와 연관된 AME(108)로 사용자 정보(102a-b)를 제공한다. 이러한 방식으로, AME(108)는, 클라이언트 장치(106)로부터 수신된 미디어 식별자(122)를 데이터베이스 사업체(104a-b)로부터 수신된 사용자 정보(102a-b)에서의 인구통계 정보와 연관시키기 위해, 클라이언트 장치(106)로부터 수신된 노출 식별자(140)를 협력 데이터베이스 사업체(104a-b)로부터 수신된 해당 노출 식별자(140)와 매칭시킬 수 있다. 노출 식별자(140)는 인구통계 정보의 중복을 감소시키거나 회피하기 위해 추가로 사용될 수 있다. 예컨대, 예시적인 협력 데이터베이스 사업체(104a-b)는 사용자 정보(102a-b) 및 노출 식별자(140)를 노출당 기준으로(예컨대, 클라이언트 장치(106)가 암호화된 식별자(208a-b) 및 노출 식별자(140)를 포함하는 요청을 협력 데이터베이스 사업체(104a-b)로 전송할 때마다) 및/또는 통합된 기준으로(예컨대, 모바일 장치(102a-b)에서 다수의 노출의 표시(예컨대, 다수의 노출 식별자(140))를 포함할 수 있는 사용자 정보(102a-b)의 세트를 클라이언트 장치(106)에서 제시되는 AME(108)로 전송함) AME(108)에 제공할 수 있다.
AME(108)로 제공된 노출 식별자(140)는 AME(108)가 고유의 노출을 구별하고, 미디어를 시청하는 고유한 사용자들 및/또는 장치들의 수를 과도하게 집계하는 것을 회피할 수 있게 한다. 예컨대, 클라이언트 장치(106)를 위한, 협력 A 데이터베이스 사업체(104a)로부터의 사용자 정보(102a) 및 협력 B 데이터베이스 사업체(104b)로부터의 사용자 정보(102b) 사이의 관계는 AME(108)에 용이하게 나타나지 않는다. 노출 식별자(140) (또는 임의의 유사 식별자)를 포함함으로써, 예시적인 AME(108)는 사용자 정보(102a-b) 둘 다에 저장된 노출 식별자(140)를 매칭시키는 것에 기반하여 사용자 정보(102a-b) 사이에서 동일한 사용자에 해당하는 사용자 정보를 연관시킬 수 있다. 예시적인 AME(108)는 (예컨대, 동일한 사용자를 다수 집계하는 것 대신에 고유한 사용자만을 집계함으로써) 모바일 장치 및/또는 사용자의 과도 집계를 회피하도록 사용자 정보(102a-b) 사이에서 노출 식별자(140)의 이러한 매칭을 사용할 수 있다.
동일한 사용자는, 예컨대 노출이 클라이언트 장치(106)로 하여금 노출 식별자(예컨대, 노출 식별자(140))없이 다수의 사용자/장치 식별자들을 다수의 상이한 데이터베이스 사업체(104a-b)로 전송하도록 한다면, 많은 횟수로 집계될 수 있다. 예컨대, 데이터베이스 사업체들 중 제1 사업체(104a)는 노출이 발생했다고 신호하는 제1 사용자 정보(102a)를 AME(108)로 전송한다. 추가로, 데이터베이스 사업체들 중 제2 사업체(104b)는, 노출이 발생했다고 별도로 신호하는 제2 사용자 정보(102b)를 AME(108)로 전송한다. 추가로, 분리하여, 클라이언트 장치(106)는 노출의 표시를 AME(108)로 전송한다. 사용자 정보(102a-b)가 동일한 노출로부터의 것임을 인식하지 않고, AME(108)는 클라이언트 장치(106)로부터의 단일 노출의 표시 및 데이터베이스 사업체(104a-b)로부터의 다수의 노출의 표시를 가진다.
노출의 과도집계를 피하기 위해, AME(108)는 노출 식별자(140)를 사용할 수 있다. 예컨대, 사용자 정보(102a-b)를 탐색한 후, 예시적인 협력 데이터베이스 사업체(104a-b)는 해당 사용자 정보(102a-b)로 노출 식별자(140)를 AME(108)로 송신한다. AME(108)는 클라이언트 장치(106)로부터 직접 획득한 노출 식별자(140)를 사용자 정보(102a-b)를 갖고 데이터베이스 사업체(104a-b)로부터 수신된 노출 식별자(140)와 매칭시키고, 그럼으로써 사용자 정보(102a-b)를 미디어 식별자(122)와 연관시키며 노출 정보를 생성한다. 이는 AME(108)가 클라이언트 장치(106)로부터 직접 노출 식별자(140)와 연관된 미디어 식별자(122)를 수신했기 때문에 가능하다. 따라서, AME(108)는 2개 이상의 데이터베이스 사업체(104a-b)로부터의 사용자 데이터를 동일한 미디어 노출 이벤트로 맵핑할 수 있고, 따라서 중복 집계를 피할 수 있다.
도시된 예에서 각각의 고유 노출 식별자(140)는 클라이언트 장치(106)에서 미디어의 특정 노출과 관련된다. 협력 데이터베이스 사업체(104a-b)는 각각의 사용자/장치 식별자(124)를 수신하고, (예컨대, 협력 데이터베이스 사업체들(104a-b)과 무관하게) 독립적이며 노출에 연루된 미디어 식별자(122)에 대한 지식이 없이 사용자 정보(102a-b)를 생성한다. (협력 데이터베이스 사업체(104a)로부터 수신된) 사용자 정보(102a)에서의 특정 사용자 인구통계 프로필이 (협력 데이터베이스 사업체(104a)로부터 수신된 사용자 정보(102a)와 독립적으로 협력 데이터베이스 사업체(104b)로부터 수신된 사용자 정보(102b)에서의 특정 사용자 인구통계 프로필로서 클라이언트 장치(106)에서 동일한 노출(예컨대, 동일한 노출의 결과)과 관련된다는 표시 및 노출 식별자(140)에 대한 참조없이, AME(108)는 사용자 정보(102a)를 사용자 정보(102b)와 연관시킬 수 없거나, 및/또는 상이한 조각의 사용자 정보(102a-b)가 동일한 노출과 관련된다고 결정할 수 있으므로, 사용자 정보(102a) 및 사용자 정보(102b)를 2개의 상이한 사용자/장치 및/또는 2개의 상이한 노출에 해당하는 것으로 집계할 수 있다.
상기의 예는 시청자 측정 엔티티(또는 다른 엔티티)에서 노출 데이터를 수집하기 위한 방법 및 장치를 도시한다. 상기에 논의된 예는, 정적 미디어(예컨대, 광고 이미지), 스트리밍 미디어(예컨대, 컨텐츠, 광고, 및/또는 다른 타입의 미디어를 포함하는 스트리밍 비디오 및/또는 오디오), 및/또는 다른 타입의 미디어를 포함하는 임의의 타입의 미디어에 대한 노출 정보를 수집하는데 사용될 수 있다. 정적 미디어(예컨대, 가령 이미지, 텍스트, 웹페이지 등과 같이 시간 성분을 갖지 않는 미디어)에 대해, 예시적인 AME(108)는 미디어가 제시되거나, 전달되거나, 아니면 클라이언트 장치(106)로 제공되는 각각의 사건에 대해 1회 노출을 기록한다. 스트리밍 미디어(예컨대, 비디오, 오디오 등)에 대해, 예시적인 AME(108)는 기간에 걸쳐 발생하는 미디어에 대한 인구통계를 측정한다. 예컨대, AME(108)는, 미디어가 클라이언트 애플리케이션/소프트웨어(114-117)에 로딩될 때, 클라이언트 장치(106)에서 실행되는 클라이언트 애플리케이션 또는 클라이언트 소프트웨어(예컨대, OS(114), 웹 브라우저(117), 앱(116) 등)로 (예컨대, 앱 게재자(110) 및/또는 미디어 게재자(120)를 통해) 비콘 명령어를 제공한다. 일부 예에서, 비콘 명령어는 클라이언트 애플리케이션/소프트웨어(114-117)로 하여금 주기적 및/또는 비주기적 간격으로(예컨대, 매분, 매 30초, 2분마다 등) 요청(예컨대, 핑백 메시지)을 노출 수집기(132)로 송신하도록 한다. 간격으로 발생하는 요청을 모니터링 및/또는 집계함으로써, 예시적인 AME(108)는 듀레이션-기반 미디어(예컨대, 비디오, 오디오 등)의 개별 노출의 듀레이션을 모니터한다. 예시적인 AME(108)는 듀레이션-기반 미디어의 노출(예컨대, 최초 로딩)의 수, 듀레이션-기반 미디어의 고유 시청자, 및/또는 다수의 노출로 시청되는 듀레이션-기반 미디어의 (가령 초나 분과 같은 단위의) 총 듀레이션을 결정할 수 있다. 본 명세서에서 사용되는 것처럼, 용어 "노출 정보"는 노출 및/또는 듀레이션 유닛을 포함할 수 있다. 예시적인 노출 수집기(132)는 웹 브라우저(117)로부터 요청을 식별하고, 하나 이상의 데이터베이스 사업체와 조합하여, 미디어에 대한 노출 정보를 웹 브라우저(117)의 사용자의 인구통계와 매칭한다.
일부 예에서, 사용자는 웹 사이트 게재자로부터 (예컨대, 브라우저(117)를 통해) 웹 페이지를 로딩하고, 웹 페이지는 특정 60분 비디오에 해당한다. 예시적인 웹 페이지의 일부로서 또는 웹 페이지에 추가로, 웹 사이트 게재자는 데이터 수집기(112)로 하여금, 예컨대, 브라우저(117)에 비콘 명령어를 제공함으로써 핑백 메시지(예컨대, 비콘 요청)를 비콘 서버(142)로 전송하도록 한다. 예컨대, 비콘 명령어가 예시적인 브라우저(117)에 의해 실행될 때, 비콘 명령어는 데이터 수집기(112)로 하여금 지정된 간격(예컨대, 1분당 한번 또는 임의의 적절한 간격)으로 핑백 메시지(예컨대, 비콘 요청, HTTP 요청, 핑)를 노출 수집기(132)로 전송하도록 한다. 예시적인 비콘 명령어(또는 예컨대, 노출 수집기(132)나 데이터베이스 사업체(104a-b)로부터의 리다이렉트 메시지)는 또한, 데이터 수집기(112)로 하여금 사용자들에 관한 인구통계 정보를 수집 및/또는 관리하는 하나 이상의 데이터베이스 사업체(104a-b)로 핑백 메시지 또는 비콘 요청을 전송하도록 한다. 데이터베이스 사업체(104a-b)는 노출 수집기(132)에 의해 결정된 노출과 조합하거나 연관시키기 위해 데이터 수집기(112)와 관련된 사용자에 관한 인구통계 정보를 송신한다. 사용자가 비디오의 종료 전에 비디오를 포함하는 웹 페이지를 닫는다면, 비콘 명령어는 중단되고, 데이터 수집기(112)는 핑백 메시지를 노출 수집기(132)에 전송하는 것을 중단한다. 일부 예에서, 핑백 메시지는 다수의 핑백 메시지가 해당하는 비디오의 위치들을 표시하는 타임스탬프 및/또는 다른 정보를 포함한다. 클라이언트 장치(106)로부터 노출 수집기(132)에 수신된 핑백 메시지의 수 및/또는 컨텐츠를 결정함으로써 예시적인 노출 수집기(132)는 사용자가 비디오의 특정 길이(예컨대, 핑백 메시지가 노출 수집기(132)에서 수신된 비디오의 부분)를 시청하였다고 결정할 수 있다.
도시된 예의 클라이언트 장치(106)는, 미디어(118)(예컨대, 오디오, 비디오, 상호작용형 미디어, 스트리밍 미디어 등)가 클라이언트 장치(106)를 통해 제시되기 위해 획득된 호스트 웹사이트(예컨대, www.acme.com)로 다이렉트되는 클라이언트 애플리케이션/소프트웨어(114-117)를 실행한다. 도시된 예에서, 미디어(118)(예컨대, 광고 및/또는 컨텐츠)는 식별자 정보(예컨대, 미디어 ID(122), 창조적 타입 ID, 배치 ID, 게재자 소스 URL 등) 및 비콘 명령어로 태그된다. 예시적인 비콘 명령어는 클라이언트 애플리케이션/소프트웨어(114-117)로 하여금 미디어(118)의 노출을 보고하기 위한 비콘 요청을 어떻게 그리고 어디에서 전송할지를 클라이언트 애플리케이션/소프트웨어(114-117)에 명령할 추가 비콘 명령어를 비콘 서버(142)로부터 요청하도록 한다. 예컨대, 예시적인 클라이언트 애플리케이션/소프트웨어(114-117)는 미디어(118)의 식별(예컨대, 미디어 식별자(122))을 포함하는 요청을 비콘 서버(142)로 송신한다. 비콘 서버(142)는 이후, 비콘 명령어(144)를 생성하고 예시적인 클라이언트 장치(106)로 돌려보낸다. 비콘 서버(142) 및 노출 수집기(132)는 분리된 것으로 도시되지만, 일부 예에서 비콘 서버(142) 및 노출 수집기(132)는 조합된다. 도시된 예에서, 비콘 명령어(144)는 하나 이상의 데이터베이스 사업체 (예컨대, 하나 이상의 협력 데이터베이스 사업체(104a-b)) 또는 클라이언트 장치(106)가 비콘 요청(예컨대, 노출 요청)을 전송해야 할 임의의 다른 서버의 URL들을 포함한다. 일부 예에서, 핑백 메시지 또는 비콘 요청은 HTTP 요청으로 구현될 수 있다. 하지만, 송신된 HTTP 요청은 다운로드될 웹 페이지 또는 다른 자원을 식별하는 한편, 핑백 메시지 또는 비콘 요청은 그것의 페이로드로서 시청자 측정 정보(예컨대, 광고 캠페인 식별, 컨텐츠 식별자, 및/또는 장치/사용자 식별 정보)를 포함한다. 핑백 메시지 또는 비콘 요청이 다이렉트되는 서버는 핑백 메시지 또는 비콘 요청의 시청자 측정 데이터를 노출(예컨대, 비콘 명령어로 태그되는 미디어의 성질에 따른 광고 및/또는 컨텐츠 노출)로 로그하도록 프로그래밍된다. 일부 예에서, 태그된 미디어(118)와 함께 수신된 비콘 명령어는 비콘 명령어(144)를 포함한다. 이러한 예에서, 클라이언트 애플리케이션/소프트웨어(114-117)는, 비콘 명령어(144)가 태그된 미디어(118)에서 이미 제공되기 때문에, 비콘 서버(142)로부터 비콘 명령어(144)를 요청할 필요가 없다.
비콘 명령어(144)가 클라이언트 장치(106)에 의해 실행될 때, 비콘 명령어(144)는 클라이언트 장치(106)로 하여금 (예컨대, 지정된 간격에서 반복적으로) 비콘 명령어(144)에서 특정된 원격 서버(예컨대, 노출 수집기(132), 미디어 게재자(120), 데이터베이스 사업체(104a-b), 또는 다른 서버)로 비콘 요청을 전송하도록 한다. 도시된 예에서, 특정된 서버는 시청자 측정 엔티티(108)의, 즉 노출 수집기(132)에서의 서버이다. 비콘 명령어(144)는 예컨대, Java, HTML 등을 포함하는 클라이언트 애플리케이션(예컨대, 웹 브라우저)을 통해 실행가능한 임의의 다른 타입의 명령어 또는 스크립트 또는 Javascript를 사용하여 구현될 수 있다.
도 1의 시스템을 구현하는데 사용될 수 있는 예들은, 2013년 8월 28일자 출원된 미국 특허출원 번호 제14/127,414호, 2014년 4월 24일자 출원된 미국 특허출원 번호 제14/261,085호, 2014년 3월 13일자 출원된 미국 임시특허출원 번호 제61/952,726호, 2014년 4월 14일자 출원된 미국 임시특허출원 번호 제61/979,391호, 2014년 4월 30일자 출원된 미국 임시특허출원 번호 제61/986,784호, 2014년 5월 9일자 출원된 미국 임시특허출원 번호 제61/991,286호, 및 2014년 6월 19일자 출원된 미국 임시특허출원 번호 제62/014,659호에 개시된다. 미국 특허출원 번호 제14/127,414호, 미국 특허출원 번호 제14/261,085호, 미국 임시특허출원 번호 제61/952,726호, 미국 임시특허출원 번호 제61/979,391호, 미국 임시특허출원 번호 제61/986,784호, 미국 임시특허출원 번호 제61/991,286호, 및 미국 임시특허출원 번호 제62/014,659호의 전체가 본 명세서에 참조로 통합된다.
도 2 내지 11의 예들은 사용자들이 미디어에 액세스를 하는 클라이언트 장치들로부터 수집된 노출 정보에서의 기인오류 및/또는 논-커버리지 오류를 보상하는데 사용될 수 있다. 이러한 노출 정보는 전술한 예시적인 기술을 포함하는, 임의의 적절한 기술을 사용하여 수집될 수 있다. 예컨대, 데이터베이스 사업체(104a-b)로부터 수집된 노출 정보는 대상 미디어 아이템(예컨대, 광고, 스트리밍 미디어, 웹 사이트 등)에 대한 노출의 수, 듀레이션-기반 미디어가 제시되는 듀레이션 유닛(예컨대, 분, 초 등)의 수, 및/또는 노출에 해당하는 측정 구성원들의 집계를 기술하는 통합된 노출 정보일 수 있다. 데이터베이스 사업체(104a-b)로부터 획득된 통합된 노출 정보는 기인오류(예컨대, 노출이 제2 인구통계 그룹의 제2 사람과 연관되어야 할 때, 데이터베이스 사업체가 노출을 제1 인구통계 그룹의 제1 사람과 부정확하게 연관시키는 것으로부터 발생하는 오류) 및/또는 논-커버리지 오류(데이터베이스 사업체가 노출을 사람과 연관시키지 못하는 것으로부터 발생하는 오류)를 겪을 수 있다. 데이터베이스 사업체(104a-b)에 의해 인구통계 정보와 연관될 수 없는 노출 및/또는 듀레이션 유닛은 통합된 인구통계 정보에 포함되지 않을 수 있기 때문에, 일부 개시된 예에서, 통합된 노출 정보에서의 논-커버리지 오류는, 예컨대 AME(108)에서 노출을 집계하고, 집계된 노출을 데이터베이스 사업체(104a-b)가 인구통계 정보를 인식하는 노출의 수와 비교하는 것을 사용하여 감지될 수 있다. 일부 다른 예에서, 데이터베이스 사업체(104a-b)는, 데이터베이스 사업체(104a-b)가 인구통계 정보를 결정할 수 없었던 노출의 수 및/또는 듀레이션 유닛을 돌려보낸다. 데이터베이스 사업체(104a-b)가 인구통계 정보를 결정할 수 없었던 노출의 수 및/또는 듀레이션 유닛은 논-커버된 노출의 수로 사용될 수 있다.
본 명세서에 개시된 예들은 각각의 오류를 추정하고 기인오류 및/또는 논-커버리지 오류에 대해 보정하도록 조정된 보상된 노출 정보를 생성하도록 (설문)조사 교정 데이터를 사용한다. 본 명세서에 개시된 예들은 클라이언트 장치(예컨대, 모바일 및/또는 모바일이 아닌 장치)로부터 수집된 노출 및/또는 듀레이션 유닛을 위해 사용될 수 있거나, 모바일 장치만으로부터 수집된 노출 및/또는 듀레이션 유닛에 적용될 수 있거나, 모바일이 아닌 장치로부터 수집된 노출 및/또는 듀레이션 유닛에 적용되는 것과 별도로 모바일 장치로부터 수집된 노출 및/또는 듀레이션 유닛에 적용될 수 있거나, 및/또는 제2 타입의 모바일 장치로부터 수집된 노출에 적용되는 것과 별도로 제1 타입의 모바일 장치로부터 수집된 노출 및/또는 듀레이션 유닛에 적용될 수 있다. 일부 예에서, 보상된 노출 정보는 모바일 장치 및 모바일이 아닌 장치에 대해 별도로 제시되거나 보고될 수 있거나, 및/또는 모바일 장치 및 모바일이 아닌 장치 둘 다에 해당하는 통합 데이터로 보고될 수 있다.
본 명세서에 개시된 예들은 실시간 또는 실질적으로 실시간(예컨대, 데이터를 수신하는 초 또는 분 이내)으로 유입되는 데이터에 적용될 수 있고, 임의의 원하는 기간(예컨대, 시간마다, 매일, 매주, 매달 등) 동안 및/또는 누적으로(예컨대, 다수의 기간에 걸쳐 수집된 노출 및/또는 듀레이션 유닛에 적용됨) 노출 정보(예컨대, 노출, 듀레이션 유닛)를 보상하는데 사용될 수 있다. 따라서, 본 명세서에 개시된 예들은, 측정된 인구통계에 맞춰 알려진 방법들보다 미디어 캠페인 전략의 더 빠른 조정을 가능하게 하기 위해 정확한 인구통계 정보를 광고자들 및/또는 미디어 배포자들에게 제공할 수 있다.
도 2는, 기인오류 및/또는 논-커버리지 오류에 대해 노출 정보를 보상하기 위해 도 1의 예시적인 노출 수집기(132)를 구현하도록 사용될 수 있는 예시적인 노출 데이터 보상기(200)의 블록도이다. 도 2의 예시적인 노출 데이터 보상기(200)는 전술한 것들과 같은 오류를 감소(예컨대, 회피)시키기 위해 클라이언트 장치(예컨대, 도 1의 클라이언트 장치(106)) 및/또는 데이터베이스 사업체(104a-104b)로부터 획득된 노출 정보를 보상하거나 조정한다.
도 2의 예시적인 노출 데이터 보상기(200)는 교정 데이터 수집기(202), 공유 매트릭스 생성기(204), 기인오류 보정기(206), 노출 정보 수집기(208), 논-커버리지 계산기(210), 논-커버리지 보정기(212), 및 노출 정보 조정기(214)를 포함한다.
도 2의 예시적인 교정 데이터 수집기(202)는 시청자의 모바일 장치 사용량 특성을 기술하는 (설문)조사 교정 데이터를 수집하거나 획득한다. 예컨대, (설문)조사 교정 데이터는 무작위로 선택된 가구의 (설문)조사에 대한 응답을 포함하거나 및/또는 응답에 기반할 수 있다. 일부 예에서, 교정 (설문)조사는, 가구의 사람의 수, 가구의 인구통계 특성(예컨대, 연령 및 성별, 인종, 국적, 언어 특성, 가구 수입, 지리적 위치 등), 가구에 존재하는 모바일 장치들(예컨대, 스마트폰, 태블릿 컴퓨터, 휴대용 미디어 플레이어 등)의 수 및/또는 타입, 및/또는 특정된 데이터베이스 사업체(예컨대, 도 1의 협력 데이터베이스 사업체(104a-b))와의 가구의 사람들의 등록을 포함하는 정보를 획득한다. 일부 예에서, 교정 (설문)조사는, 가구의 각각의 사람에 대해, 가구에 존재하는 모바일 장치 각각의 사용량 특성 및/또는 타입; 사람에 의해 통상적으로 시청되는 미디어 카테고리; 가구에서의 모바일 장치의 타입 및/또는 각각의 모바일 장치에서 사람에 의해 통상적으로 시청되는 미디어 카테고리; 가구에서 모바일 장치의 타입 및/또는 각각의 모바일 장치에서 사람에 의해 사용되는 앱; 및/또는 가구에서의 모바일 장치의 타입 및/또는 각각의 모바일 장치에서 특정된 데이터 베이스 사업체와의 상호작용의 특성을 획득한다. 예시적인 교정 데이터 수집기(202)는 적어도 임계 수의 가구들로부터 (설문)조사 교정 데이터를 획득하고, 적절하다면 일반 모집단 또는 시청자를 반영하도록 결과에 가중치를 준다.
일부 다른 예에서, (설문)조사 교정 데이터 소스는, 텔레비전 평점을 위한 NPM(Nielsen National People Meter) 패널과 같은 응답자들의 확립된 패널(들)에 대한 (설문)조사를 포함한다. 확립된 패널에 대한 (설문)조사는 종종 더 높은 품질의 (설문)조사 교정 데이터를 제공한다. 일부 예에서, 다수의 (설문)조사으로부터의 데이터는 상이한 보상 인자를 계산하는데 사용되거나 및/또는 보상 인자를 계산하기 위해 조합되어 사용된다.
기인오류 보정
도 2의 예시적인 공유 매트릭스 생성기(204)는 (설문)조사 교정 데이터에 기반하여 장치 공유 매트릭스들을 계산한다. 도 2의 예에서, 공유 매트릭스 생성기(204)는, (설문)조사 교정 데이터에 표현된 장치 타입 및 미디어 카테고리 각각의 조합에 대해 분리된 기인오류 보정 매트릭스를 생성한다.
관심있는 장치 타입 및 미디어 카테고리에 대한 기인오류 보정 매트릭스를 생성하기 위해, 예시적인 공유 매트릭스 생성기(204)는 가구 분포 생성기(216), 통합된 분포 생성기(218), 매트릭스 보정기(220), 및 매트릭스 정규화기(222)를 포함한다.
도 2의 예시적인 가구 분포 생성기(216)는 (설문)조사 교정 데이터에 기반하여 가구의 시청자 분포를 생성한다. 예컨대, 가구 분포 생성기(216)는 (설문)조사 교정 데이터에 표현된 사람들이 관심있는 장치 타입을 사용하여 관심있는 미디어 카테고리의 미디어를 시청할 각각의 확률을 결정한다. 예시를 위해 다음의 예를 고려하자. (설문)조사 교정 데이터가 수집되는 예시적인 가구는: 1) 45-54세의 남성, 2) 35-44세의 여성, 3) 18-24세의 여성, 및 4) 12-17세의 남성의 4명의 구성원을 포함한다. 18-24세 여성 및 12-17세 남성은 도 1의 예시적인 데이터베이스 사업체(104a)(예컨대, Facebook)에 등록되었으며(예컨대, 등록된 사용자들로 인식가능하며), (동시는 아니지만) 태블릿 컴퓨터(예컨대, 도 1의 클라이언트 장치(106))를 사용하여 데이터베이스 사업체(104a)에 액세스한다. 45-54세 남성 및 35-44세 여성은 태블릿 컴퓨터에서 데이터베이스 사업체(104a)에 의해 인식가능하지 않다. 아래의 표 1은 미디어 카테고리에 의한 태블릿 컴퓨터에 대한 예시적인 공유 패턴을 도시한다. 표 1에서, "X"로 표시된 셀들은 셀의 인구통계 그룹 라벨에서 표시된 사람이 컨텐츠 타입 라벨에 표시된 카테고리에서 미디어를 시청한다고 표시한다. 반대로, 표 1에서의 빈 셀들은 셀의 인구통계 그룹 라벨에 표시된 사람이 컨텐츠 타입 라벨에 표시된 카테고리에서 미디어를 시청하지 않는다고 표시한다. 미디어 카테고리는, 예컨대, (설문)조사 교정 데이터에 사용된 미디어 카테고리 및/또는 텔레비전 및/또는 다른 미디어 평점에 사용된 미디어 카테고리에 기반하여 정의될 수 있다.
[표 1] (설문)조사 교정 데이터에
기반한
예시적인
제1 가구에서
미디어 카테고리에 따른 태블릿 컴퓨터에 대한 예시적인 공유 패턴
표 1에 도시되는 것처럼, 45-54세 남성은 태블릿 컴퓨터를 사용하여 정치 미디어로 분류된 미디어(예컨대, 웹 사이트, 스트리밍 미디어 등)를 시청하고, 35-44세 여성은 태블릿 컴퓨터에서 드라마, 코미디, 및/또는 리얼리티로 분류된 미디어(예컨대, 웹 사이트, 스트리밍 미디어 등)를 시청하며, 18-24세 여성은 태블릿 컴퓨터를 사용하여 드라마 및 코미디로 분류된 미디어(예컨대, 웹 사이트, 스트리밍 미디어 등)를 시청한다. 12-17세 남성은 데이터베이스 사업체(104a)로 로그인하는데 태블릿을 사용하는 한편, 그는 태블릿 컴퓨터에서 시청자 측정 엔티티(108)에 의해 모니터되는 미디어를 시청하지 않는다. 표 1의 공유 패턴에 기반하여, 예시적인 가구 분포 생성기(216)는 하기의 표 2에 도시되는 것처럼, 표 1의 미디어 카테고리 각각에 대한 장치 공유 확률을 계산한다. 장치 공유 확률은, 인구통계 그룹 라벨에서 식별된 사람들이 장치에서 컨텐츠의 타입(예컨대, 미디어 카테고리)을 시청하는 확률 밀도 함수(probability density functions; PDFs)로서 표 2에 나타난다.
[표 2] 제1 예시적인 가구에 대한 미디어 카테고리에 따른 예시적인 장치 공유 확률
이 예에서, 12-17세 남성이 태블릿 컴퓨터에서 (예컨대, 브라우저 및/또는 앱을 통해) 데이터베이스 사업체로 로그인하지만, 데이터베이스 사업체에서 로그아웃하지 않으며, 35-44세 여성이 이후 동일한 태블릿 컴퓨터를 사용하지만(12-17세 남성은 여전히 데이터베이스 사업체(104a)에 로그인돼있는 한편), 그녀 자신의 크리덴셜로 데이터베이스 사업체(104a)로 로그인하지 않는다면, 데이터베이스 사업체(104a)는, 35-44세 여성이 태블릿 컴퓨터에서 미디어를 시청하고 있는 동안 35-44세 여성에게 적절하게 기인될 수 있는 노출 및/또는 듀레이션 유닛을 12-17세 남성에게 잘못 기인시킨다. 따라서, 이러한 예에서 노출 및/또는 듀레이션 유닛을 인구통계 정보와 연관시키는 데이터베이스 사업체 정보의 사용은 45-54세 남성 및 35-44세 여성에게 노출 및/또는 듀레이션 유닛을 전혀 기인시키지 않는 것(또는 과소-기인(under-attribution)시키는 것)을 발생시키고, 18-24세 여성 및/또는 12-17세 남성에게 노출 및/또는 듀레이션 유닛을 과도-기인(over-attribution)시키는 것을 발생시킨다.
태블릿 컴퓨터 및 '코미디' 카테고리에 대해 가구를 위한 기인오류 보정 매트릭스를 결정하기 위해, 예시적인 가구 분포 생성기(216)는 상기 표 2에서의 '코미디' 확률들을 하기 표 3에 도시된 예시적인 재분포된 시청자 매트릭스로 변환한다. 표 3에서, (인구통계 그룹 i로 인식되는) 행들은 노출과 관련되는 것으로 데이터베이스 사업체(104a)에 의해 식별되는 인구통계 그룹을 표현하고, 열들(실제 시청자 인구통계 그룹 j)은 노출에 해당하는 미디어를 실제로 시청하는 인구통계 그룹(예컨대, 실제 시청자들)을 표현한다. 따라서, 표 3은, 사람이 데이터베이스 사업체에 의해 인식된 인구통계 그룹 i에 있는 사람으로 식별될 때, 실제 또는 진실한 시청자는 실제 시청자 인구통계 그룹 j에 있는 사람일 확률 밀도 함수(PDF)를 포함한다. 각각의 셀의 값은 열의 실제 시청자 인구통계 그룹 j이, 데이터베이스 사업체(104a)가 미디어에 대한 노출을 행에서의 인식된 인구통계 그룹 i와 연관시킬 때, 미디어를 시청하고 있을 확률 이다.
[표 3] 제1 예시적인 가구에 대한 "코미디" 미디어 카테고리에 대한 예시적인 재분포된 시청자 매트릭스
가구에 대해 표 3의 재분포된 시청자 매트릭스로부터 노출을 결정하는 예로서, 인식된 인구통계 그룹 i에서 12-17세 남성에 의해 시청되는 것으로 데이터베이스 사업체(104a)에 의해 인식되는 '코미디' 미디어 카테고리에서의 10개의 노출에 대해, 노출 중 5개는 실제 시청자 인구통계 그룹 j에서의 35-44세 여성에게 수여되어야 하고(예컨대, 표 3에서 10개의 노출에 0.5의 확률을 곱함), 노출 중 5개는 실제 시청자 인구통계 그룹 j에서 18-24세 여성에게 수여되어야 하며(예컨대, 표 3에서 10개의 노출에 0.5의 확률을 곱함), 어떠한 노출도 실제 시청자 인구통계 그룹 j에서 12-17세 남성 또는 45-54세 남성에게 수여되어서는 안된다(예컨대, 표 3에서 10개의 노출에 0의 확률을 곱함).
예시적인 가구 분포 생성기(216)는 표 2 및/또는 표 3에서의 PDF들을 사용할 수 있고, PDF는 상이한 인구통계 그룹 라벨에 대해 상이한 확률을 갖거나(표 2), 및/또는 상이한 실제 시청자 인구통계 그룹에 대해 상이한 확률을 갖는다(표 3). 예컨대, PDF에서 상이한 확률은, 가구의 구성원들 중 한 명이 가구의 구성원들 중 다른 한 명보다 상당히 더 자주 관심있는 미디어 카테고리를 시청할 때, (설문)조사 교정 데이터로부터 결정될 수 있다. 예컨대, 표 2의 35-44세 여성이 '코미디' 카테고리에서 미디어를 '자주' 시청하는 것을 보고하는 한편, 표 2의 18-24세 여성이 '코미디' 카테고리에서 미디어를 '드물게' 시청하는 것을 보고한다면, 표 2에서 '코미디' 카테고리에 대한 PDF는 상이한 시청의 빈도를 반영하도록 (0, 0.75, 0, 0.25)일 수 있다. 추가로 또는 대안으로, 예시적인 가구 분포 생성기(216)는 다수의 사람이 동일한 인구통계에 존재함을 기반으로 표 2의 예시적인 공유 매트릭스에서의 상이한 확률을 갖는 PDF들을 사용할 수 있다. 예컨대, 12-17세의 2명의 여성 및 35-44세의 한 명의 여성을 갖는 가구는, F12-17 인구통계 그룹이 F35-44 인구통계 그룹의 2배의 확률을 갖는 PDF를 가질 수 있다.
도 2의 예시적인 통합된 분포 생성기(218)는 예시적인 (설문)조사 교정 데이터에서의 모든 가구들에 기반하여 장치 타입 및 미디어 카테고리의 각각의 조합에 대해 통합된 재분포 시청자 매트릭스를 생성한다.
일부 예에서, 가구 분포 생성기(216)는 개별 가구들의 (설문)조사 응답으로부터 분리된 장치 공유 매트릭스들을 생성하고, 통합된 분포 생성기(218)는 개별 재분포 시청자 매트릭스들을 통합된 재분포 시청자 매트릭스로 통합한다. 예컨대, 가구 분포 생성기(216)는 가구 내에서 데이터베이스 사업체(104a)에 의해 식별가능한 인식된 인구통계 그룹 i에 사람들을 재분포시킬 수 있다. 따라서, 가구 분포 생성기(216)는 또한, (설문)조사 교정 데이터에 기반하여 이러한 사람들과 관련된 노출을 실제 시청자 인구통계 그룹 j로 재분포시킨다.
재분포 시청자 매트릭스의 다른 예에서, 아래의 표 4는 18-24세 여성(F18-24)으로 도시되는 동일한 인식된 인구통계 그룹 i(예컨대, 데이터베이스 사업체(104a)에 의해 노출에 해당하는 미디어의 시청자들로 인식됨)의 2명의 여성을 갖는 가구에 대해 미디어 카테고리에 대한 예시적인 장치 공유 확률들을 도시한다. 도시된 예에서, F18-24 인구통계 그룹에서 2명의 여성은 F18-24 인구통계 그룹에 속하는 데이터베이스 사업체(104a)의 식별가능한 등록된 사용자들이다.
[표 4] 제2 예시적인 가구에 대해 미디어 카테고리에 대한 예시적인 장치 공유 확률
위의 표 4의 셀들은, 특정된 미디어 카테고리들(예컨대, 전체, 정치, 드라마, 코미디, 리얼리티)에 대해 특정 인식된 인구통계 그룹 i(예컨대, M45-54 인구통계 그룹에서의 1명의 사람, F35-44 인구통계 그룹에서의 1명의 사람, 및 F18-24 인구통계 그룹에서의 2명의 사람)에 속하는 사람들 사이에서 미디어 장치가 공유될 확률들을 표시하는 확률 밀도 함수(probability density functions; PDFs)를 포함한다. 예컨대, "전체" 미디어 카테고리에서 미디어가 시청될 PDF는, M45-54 인식된 인구통계 그룹 i의 사람들 각각에 대해, F35-44 인식된 인구통계 그룹 i에서의 사람에 대해, 및 F18-24 인식된 인구통계 그룹 i에서의 사람들 중 한 명의 사람에 대해 0.33이다. 도시된 예에서, PDF는 F18-24 인식된 인구통계 그룹 i에서의 다른 사람에 대해 0이다. 표 4에서의 데이터는, 가구에서의 사람들에 의해 시청되는 미디어에 관한 정보를 제공하는 (설문)조사 교정 데이터 소스(예컨대, 무작위로 선택된 사람들 및/또는 가구들의 (설문)조사)에 기반한다.
도시된 예에서, 위의 표 4에 의해 표현되는 예시적인 가구의 F18-24 인식된 인구통계 그룹 i에서의 2명의 여성은 데이터베이스 사업체(104a)(예컨대, 소셜 네트워크 서비스)의 등록된 사용자들이다. 위의 표 4의 데이터를 기반으로, 가구 분포 생성기(216)는, 예시적인 (설문)조사 교정 데이터 소스에서의 가구로부터 수집된 시청 패턴 및 장치 공유 패턴에 기반하여, 관심있는 카테고리에서 미디어를 시청한 가구에서의 실제 시청자 인구통계 그룹들 j M45-54, F35-44, 및 F18-24 사이에서 각각의 등록된 데이터베이스 사업체 사용자 중 시청자(예컨대, F18-24 인구통계 그룹에서의 시청자들) (및 그에 따른 관련 노출)을 재분포한다. "전체" 미디어 카테고리 및 표 4의 제2 예시적인 가구에 대한 예시적인 재분포 시청자가 아래의 표 5에서 도시된다.
[표 5] "전체" 카테고리에 대한 예시적인 재분포 시청자 매트릭스
위의 표 5에서, 가구 분포 생성기(216)는 동일한 PDF(예컨대, 0.33)를 동일한 인식된 인구통계 그룹 i에서의 모든 등록된 데이터베이스 사업체 사용자(예컨대, 인구통계 그룹 F18-24의 2명의 가구 구성원들)에 적용한다. 표 5의 도시된 예에서, 셀 값들은, 가구에서의 사람이 데이터베이스 사업체에 의해 인식된 인구통계 그룹 i에서의 사람(즉, 열에 표시된 사람 및/또는 인구통계 그룹)으로 인식될 때, 실제 또는 진실한 시청자가 진실 또는 실제 시청자 인구통계 그룹 j(즉, 행에 표시된 사람 및/또는 인구통계 그룹)에서의 사람일 각각의 확률을 표시한다. 예컨대, 데이터베이스 사업체가 F18-24 인식된 인구통계 그룹 i에서의 제1 사람을 인식할 때, "전체" 카테고리에서 미디어의 진실한 시청자가 M45-54 실제 시청자 인구통계 그룹 j에서의 사람일 확률은 0.33이다. 이 예에서, 데이터베이스 사업체가 F18-24 인식된 인구통계 그룹 i에서의 제2 사람을 인식할 때, "전체" 카테고리에서 미디어의 진실한 또는 실제 시청자가 M45-54 실제 시청자 인구통계 그룹 j에서의 사람일 확률은 동일하다(예컨대, 0.33이다).
도시된 예에서, F18-24 인식된 인구통계 그룹 i에서의 여성 시청자들이 표 5의 예시적인 재분포 시청자 매트릭스에 의해 표현되는 특정 장치에서 특정 미디어 카테고리를 시청한다고 표시하는지 여부는 문제가 되지 않는다. 데이터베이스 사업체(104a)가 특정 장치와 관련된 노출 및/또는 듀레이션 유닛을 캡처하기만 하면, 가구 분포 생성기(216)는 그 가구의 실제 시청자 인구통계 그룹들 j M45-54, F35-44, 및 F18-24 전체에 걸쳐 노출 및/또는 듀레이션 유닛을 동등하게 재분포할 수 있다. 따라서, F18-24로 라벨링된 열들(예컨대, 가구의 2명의 딸에 해당) 둘 다는 (M45-54 실제 시청자 인구통계 그룹 j에 대해) 0.33, (F35-44 실제 시청자 인구통계 그룹 j에 대해) 0.33, 및 (F18-24 실제 시청자 인구통계 그룹 j에 대해) 0.33의 동일한 재분포로 채워진다. F18-24 실제 시청자 인구통계 그룹 j에 대한 동일한 행에서의 확률 값들은, 동일한 인식된 인구통계 그룹들 i F18-24에 해당하기 때문에, F18-24 열들에 걸쳐 이후 합산된다. "총계(total)" 행의 셀들은 데이터베이스 사업체(104a)의 등록된 사용자들인 해당 인식된 인구통계 그룹 i(M45-54, F35-44, F18-24) 내에서의 시청자 구성원들의 수를 표시한다.
아래의 표 6은 F18-24 인식된 인구통계 그룹 i에 대해 합산된 값들이 도시되는, "전체" 장르에 걸친 예시적인 재분포 시청자 매트릭스를 도시한다.
[표 6] F18-24 인구통계 그룹에서 2명의 사람을 갖는 가구에 대하여 "전체" 미디어 카테고리에 대한 예시적인 재분포 시청자 매트릭스
위의 예시적인 표 6에서, 각각의 열(인식된 인구통계 그룹들 i M45-54, F35-44, 및 F18-24)은 가구에서 인식된 인구통계 그룹 i에서의 데이터베이스 사업체(104a)의 등록된 사용자들의 총수에 해당한다. "합계" 행에서의 셀들은, 데이터베이스 사업체(104a)의 등록된 사용자들인 해당 인식된 인구통계 그룹 i(예컨대, M54-54, F35-44, F18-24) 내의 시청자 구성원들의 수를 표시한다. 일부 예에서, 표 6의 재분포 시청자 매트릭스의 실제 시청자 인구통계 그룹들 j(예컨대, 행)는 매트릭스들의 통합을 가능하게 하기 위해 시청자 측정 엔티티(108) 및/또는 데이터베이스 사업체(104a)에 의해 사용되는 모든 인식된 인구통계 그룹들 i를 포함하도록 확장된다. 따라서, 위의 표 6에 의해 표현되는 가구는 실제 시청자 인구통계 그룹 M12-17에서 어떠한 가구 구성원들도 갖지 않지만, 위의 예시적인 표 6은 표 6의 PDF들을 아래의 표 7의 PDF들과 통합하는 것을 가능하게 하도록 M12-17 행을 포함한다.
표 4에 도시된 장치 공유 확률들이 표 5 및 6과 함께 전술한 제2 가구에 대한 재분포 시청자 매트릭스를 생성하는데 사용된 후, 표 6 및 7의 재분포 시청자 매트릭스들은, 인식된 인구통계 그룹 i에서 데이터베이스 사업체(104a)의 등록된 사용자들을 조합하고, 실제 시청자 인구통계 그룹 j에 대한 재분포 시청자를 합하기 위해 가구들에 걸쳐 통합(예컨대, 합산)된다. 예컨대, 위의 표 6 및 아래의 표 7의 재분포 시청자는 아래의 표 8에 도시된 교차-가구 통합된 재분포 시청자(cross-household aggregated redistributed audience)를 생성하도록 통합된다. 도시된 예에서, 표 6 및 7은 2개의 상이한 가구들에 해당한다.
[표 7] 한 명의 M12-17 사람 및 한 명의 F18-24 사람을 갖는 가구에 대하여 "전체" 미디어 카테고리에 대한 예시적인 재분포 시청자 매트릭스
[표 8] 다수의 가구에 대하여 "전체" 미디어 카테고리에 대한 예시적인 통합된 재분포 시청자 매트릭스
위의 표 8에서 확률들은 표 6 및 7의 해당하는 것들에서 표현되는 2개의 가구에 걸쳐있는 데이터베이스 사업체(104a)의 등록된 사용자들에 대한 재분포 시청자를 반영한다. M12-17 및 F18-24 인식된 인구통계 그룹 i 열의 합들은 인식된 인구통계 그룹 j에서 데이터베이스 사업체(104)의 등록된 사용자들의 총수를 반영한다. "총계" 행의 셀들은, 데이터베이스 사업체(104a)의 등록된 사용자들인, 해당 인식된 인구통계 그룹 i(M45-54, F35-44, M12-17, F18-24) 내의 시청자 구성원들의 수를 표시한다.
일부 예에서, 매트릭스 보정기(220)는, 동일한 가구에서 함께 거주하는 인구통계 쌍들 i, j(예컨대, 인식된 인구통계 그룹 i로부터의 한 명의 사람 및 실제 시청자 인구통계 그룹 j로부터의 한 명의 사람)의 확률들을 반영하기 위해 NPM(Nielsen national people meter) 인덱스를 생성한다. 예컨대, P(L)ij는, 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 동일한 가구에 거주할 확률이다. 도시된 예에서, NPM 인덱스는 교정 데이터의 또 다른 소스이다. 본 명세서에 개시된 예에서, NPM 데이터는 AME(108)(도 1)에 의해 설치된 미터가, 가구 구성원들이 가구와 관련된 미디어 장치를 통해 미디어를 시청/청취할 때 가구 구성원들의 식별정보를 수집하는 가구들로부터 수집된다. NPM 데이터는 가구 구성원들이 그들 자신을 식별하도록 독려하거나 (그렇지 않으면 미디어를 시청/청취하는 가구 구성원들의 식별정보를 정확하게 수집하는) 로컬-설치된 미터를 사용하여 가구들에서 수집되기 때문에, NPM 데이터는, 어떤 가구 구성원들이 미디어 장치에 의해 제시되는 미디어를 실제로 시청(예컨대, 진실한 시청자인지)하는 지의 식별과 관련하여 고도의 정확성을 가진다.
하기에 기술되는 NPM 인덱스는 P(L)ij 확률을 반영하도록 사용될 수 있다. 이러한 예들에서, 매트릭스 보정기(220)는 재분포된 데이터베이스 사업체 등록된 사용자들의 테이블(예컨대, 위의 표 5에 도시된 "전체" 카테고리에 대한 예시적인 재분포 시청자 매트릭스)에서 해당 i, j 셀에 NPM 인덱스를 적용한다. 아래의 표 9는, (이러한 예들에서, 재분포 시청자 표들이 결정되는 (설문)조사 교정 데이터 소스로 또한, 사용되는) 가구들로부터의 수집된 (설문)조사 응답들에 기반하여 함께 거주하는 사람들의 인구통계 그룹 i, j 쌍들의 추정된 수량을 도시한다. 아래의 표 10은 수집된 NPM 데이터에 기반하여 함께 거주하는 사람들의 인구통계 그룹 i, j 쌍들의 추정된 수량을 도시한다. 표 11은 표 9 및 10의 추정된 수량들에 기반하여 매트릭스 보정기(220)에 의해 생성된 NPM 인덱스들을 도시한다.
[표 9] (설문)조사 응답에
기반한
함께 거주하는 사람들의 인구통계 그룹 I, J 쌍들의 예시적인 추정 수량
[표 10]
NPM
데이터에
기반한
함께 거주하는 사람들의 인구통계 그룹 I, J 쌍들의 예시적인 추정 수량
[표 11] 예시적인 NPM 인덱스들
위의 표 11의 예시적인 NPM 인덱스들은 표 10의 값들(패널 구성원 데이터에 기반한 함께 거주하는 사람들의 인구통계 그룹 i, j 쌍들의 추정 수량)을 표 9의 해당 값들((설문)조사 응답에 기반한 함께 거주하는 사람들의 인구통계 그룹 i, j 쌍들의 추정 수량)로 나눔으로써 계산된다. 도시된 예에서, 표 11은 동일한 가구에서 함께 거주하는 상이한 인구통계 그룹들 i, j로부터의 임의의 시청자들의 과도샘플링/과소샘플링을 반영하도록 사용된다. 예컨대, 표 9는, (설문)조사 응답에 기반하여, M45-54의 인구통계 그룹들 i, j에 걸친 100명의 사람이 함께 거주한다고 추정한다. 더 정확한 NPM 데이터에 기반하여, 표 10은 M45-54의 동일한 인구통계 그룹 i, j에 걸친 105명의 사람이 동일한 가구에서 함께 거주한다고 추정한다. 따라서, 인구통계 그룹 M45-54에 대한 표 11의 예시적인 NPM 인덱스는 1.05이며, 이는 표 10의 해당 값 105에 상대적으로 함께 거주하는 M45-54의 인구통계 그룹 i, j로부터의 사람들의 수를 과소샘플링(예컨대, 100)하는 표 9에 대해 보상하기 위해 1보다 크다. 표 9에서 추정된 수량이 표 10에서 해당 수량에 비해 과도샘플링하는 예에 대해, 표 11에서의 해당 NPM 인덱스는 1보다 적다(예컨대, F18-24의 실제 시청자 인구통계 그룹 j 및 F35-44의 인식된 인구통계 그룹 i에 대한 표 11에서의 NPM index = 0.75).
일부 예에서, (예컨대, (설문)조사 응답에 기반하여 결정되는) 함께 거주하는 일부 인구통계 그룹 쌍들 i, j의 표 9로부터의 추정치는, NPM 데이터가 데이터베이스 사업체(104a)로부터의 인구통계 데이터보다 높은 품질의 데이터 소스이기 때문에, NPM 데이터에 기반하여 표 10으로부터의 추정치들과 정렬된다. 표 12 및 13은, 함께 거주하는 사람들의 인구통계 그룹 i, j 쌍들의 추정치가 NPM 데이터에 더 가깝게 정렬되는 예시적인 데이터를 도시한다. 표 12에서, 매트릭스 보정기(220)는, 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 동일한 가구에 거주할 확률 P(L)ij에 대해 위의 표 8의 재분포 시청자 값들을 조정한다. 도시된 예에서, 매트릭스 보정기(220)는 위의 표 8의 i, j 셀들의 재분포 시청자 값들을 위의 표 11의 i, j 셀 값들에서의 해당 NPM 인덱스들로 곱함으로써 표 12에서 각각의 i, j 셀 값을 결정한다. 이러한 방식으로, 공유 매트릭스 보정기(220)는, 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 동일한 가구에 거주할 확률 P(L)ij을 반영하기 위해 상이한 가구들에 걸쳐 데이터베이스 사업체(104a)에 의해 수집된 재분포 노출에 NPM 인덱스를 적용한다.
[표 12]
P(L)ij에
대해 조정된 예시적인 데이터베이스 사업체 재분포 시청자
[표 13] 예시적인 정규화된 재분포 시청자
위의 표 13에서, 매트릭스 정규화기(222)는 위의 표 12로부터의 조정된 노출 재분포를 정규화하여 인식된 인구통계 그룹 i(예컨대, M12-17 및 F18-24 인식된 인구통계 그룹들 i)의 합이 1이 되도록 한다. 이러한 방식으로, 각각의 열(예컨대, 인식된 인구통계 그룹들 i M12-17 및 F18-24)은, 데이터베이스 사업체(104a)가 특정 인식된 인구통계 그룹 i를 감지할 때, AME(108)가 미디어의 진실한 시청자의 실제 시청자 인구통계 그룹 j라고 결정하는 확률 분포 함수(PDF)를 표현한다. 도시된 예에서, 표 13의 정규화된 재분포 시청자는, 인식된 인구통계 그룹 i에서의 사람이 데이터베이스 사업체(104a)에 의해 미디어의 시청자로 식별될 때, 실제 시청자 인구통계 그룹 j에서의 사람이 실제 시청자인, 인구통계 그룹들 i, j의 각각의 쌍에 대한 기인오류 보정 인자, 또는 확률들 (예컨대, = 0.417, 0.295, 0.333, 0.338, 0.250, 및 0.368)이다.
일부 예들에서, 데이터베이스 사업체에 의해 감지된 인식된 인구통계 그룹 i 및 진실의 또는 실제의 시청자로 할당된 실제 시청자 인구통계 그룹 j의 각각의 쌍에 대한 확률들 ij는 통합된 확률을 결정하기 위해 전체 개별 가구 매트릭스들에 걸쳐서 가중치가 부여되거나, 및/또는 평균화될 수 있다. 도시된 예에서, 진실한 시청자 또는 실제 시청자는, 장치에서 미디어에 노출(예컨대, 시청, 청취, 소비 등)된 실제 시청자 구성원으로 간주하는 특정 인구통계 그룹에서의 사람을 표시한다. 예컨대, 실제 시청자는 AME(108)에 의해, 모니터되는 미디어를 실제 시청 또는 이에 노출되는 사람으로 결정된 시청자일 수 있다. 사람이 실제 시청자라고 결정하는 것은 전술한 무작위로 선택된 가구 및/또는 사람들의 (설문)조사에 대한 응답에 기반하는 실제 시청자일 가능성을 표시하는 통계학적 확률들에 기반할 수 있다. AME(108)에 의해 감지되는 실제 시청자들의 결정은 또한, 가구에서의 실제 시청자들을 표시하는 다른 수집된 데이터(예컨대, NPM 데이터) 또는 관찰에 기반할 수 있다. 어떠한 경우든, 실제 시청자는 AME(108)에 의한 누가 실제 시청자인지의 강한 추론이지만, 본 명세서에서 사용되는 것처럼, 실제 시청자라 함은 필연적으로 실제 시청자의 신원의 절대적인 확실성인 것은 아니다. 하지만, 본 명세서에서 개시된 예들과 연계하여 사용되는 실제 시청자의 추론의 강도는, 고도의 정확성을 갖는 보정된 노출 및/또는 듀레이션 유닛을 제공하기 위해 본 명세서에 개시된 예들과 연계하여 사용되기에 충분히 정확하다. 일부 예들에서, 공유 매트릭스 생성기(204)는, 가령 상이한 지리적 마켓, 상이한 스테이션, 및/또는 상이한 날의 부분들과 같은 추가적 및/또는 대안적 구분에 기반하여 장치 공유 매트릭스들을 생성한다.
전술한 재분포된 시청자를 사용하여 를 계산하기 위한 예시적인 접근법에 대한 대안으로, 일부 예들에서, 통합된 분포 생성기(218)는 수식 1에 보이는 복확률(compound probability)을 계산함으로써 통합된 재분포 시청자 매트릭스를 계산한다:
위의 수식 1에서, P(L)ij는 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 동일한 가구에 거주할 확률이고, P(D|L)ij는, 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 동일한 가구에 거주한다면, 두 사람 모두가 그 가구에서 (임의의 타입의) 모바일 장치로의 액세스를 가질 확률이며, P(Sx|D)ij는 인식된 인구통계 그룹 i에서의 제1 사람이 실제 시청자 인구통계 그룹 j에서의 사람과 선택된 타입의 동일한 모바일 장치로의 액세스를 가진다면, 두 사람 모두가 선택된 카테고리의 미디어를 위해 모바일 장치를 공유할 확률이다. 본 명세서에서 사용되는 것처럼, "선택된 카테고리"는 분석의 대상이 되는 관심있는 카테고리를 의미한다. 따라서, "선택된"은 이러한 맥락으로 "분석을 위해 선택된"으로 사용됨을 의미한다. 동일한 의미가 "선택된 장치 타입", "선택된 인구통계 그룹", 및 "인구통계 그룹들의 선택된 쌍"에 적용된다.
일부 예에서, 통합 분포 생성기(218)는 하나 이상의 교정 데이터 소스(예컨대, (설문)조사 교정 데이터)로부터의 데이터를 사용하여, 하나 이상의 확률들을 결정한다. 예컨대, 일부 예들에서, 공유 매트릭스 계산기는 전술한 NPM 인덱스 데이터를 결정하는데 사용되는 패널과 같은 확립된 패널의 (설문)조사으로부터 확률들 P(L)ij 및 P(D|L)ij를 결정하고, 무작위 가구에 대한 다른 (설문)조사으로부터 P(Sx|D)ij를 결정한다.
표 1 내지 13과 관련하여 기술된 위의 예를 참조하면, 예시적인 통합 분포 생성기(218)는, 인구통계 그룹들 i, j 각각의 쌍에 대해: (1) 재분포된 통합 시청자 매트릭스들을 사용하여, 인식된 인구통계 그룹 i에서의 사람이 미디어의 시청자로, 그리고 (2) 실제 시청자 인구통계 그룹 j에서의 사람이 실제 시청자로 데이터베이스 사업체(104a)에 의해 식별될 확률 을 계산한다. 예시적인 통합 분포 생성기(218)는 계산된 확률들 각각을 포함하는 기인오류 보정 매트릭스를 생성한다. 예시적인 통합 분포 생성기(218)는, 기인오류 보정 매트릭스의 확률들 을 계산하기 위해, 위의 수식 (1)을 사용하거나 및/또는 전술한 NPM 인덱스 방법을 사용할 수 있다. 선택된 태블릿 컴퓨터 장치 타입 및 선택된 코미디 미디어 카테고리에 대한 예시적인 통합 재분포된 시청자 매트릭스는 예시적인 기인오류 보정 매트릭스로서 표 14에서 아래에 도시된다. 예시적인 표 14의 후속 섹션들은 오른쪽으로 확장되어서 표가 동일한 개수의 행과 열을 가지도록 한다.
[표 14] 예시적인 기인오류 보정 매트릭스
위의 표 14의 예시적인 기인오류 보정 매트릭스에 도시되는 것처럼, 각각의 열의 값들의 총합은 100%이다. 따라서, 인식된 인구통계 그룹 i에 기인되는 노출들, 듀레이션 유닛들, 및/또는 시청자 모두가, 위의 표 14의 예시적인 기인오류 보정 매트릭스에 기반하여 노출들, 듀레이션 유닛들, 및/또는 시청자가 재분포될 때, 고려된다. 아래에서 더 상세히 기술되는 것처럼, 도 2의 기인오류 보정기(206)는 기인오류에 대해 노출 정보를 보상하기 위해 위의 표 14의 예시적인 기인오류 보정 매트릭스를 적용한다.
공동-시청 매트릭스
일부 예에서, 공유 매트릭스 생성기(204)는 (예컨대, 미디어 카테고리 및 장치 타입의 각각의 조합에 대해) 위의 표 14의 예시적인 기인오류 보정 매트릭스에 추가로, 공동-시청 매트릭스를 생성하는 공동-시청 매트릭스 생성기(224)를 더 포함한다. 공동-시청 매트릭스는 2개의 인구통계 그룹들 사이의 동시 시청의 확률들의 PDF들을 제공하는 매트릭스이다. 예컨대, 공동-시청 확률 κij는, 데이터베이스 사업체가 미디어 노출과 연관하여 인식된 인구통계 그룹 i에서의 사람을 인식할 때, 실제 시청자 인구통계 그룹 j에서의 사람이 또한, 인식된 사람과 함께 미디어를 시청(예컨대, 공동-시청)할 확률이다. 따라서, 공동-시청 매트릭스에서 확률 κij는, 노출이 정확하게 다수의 사람과 연관될 수 있는 상황들에 대해 노출 정보를 보상하는데 사용될 수 있다.
위의 표 14의 예시적인 기인오류 보정 매트릭스와 같이, 공동-시청 매트릭스 생성기(224)에 의해 또한, 생성될 수 있는 공동-시청 매트릭스는 동일한 수의 행 및 열을 가진다. 하지만, 위의 표 14의 예시적인 기인오류 보정 매트릭스와는 달리, 공동-시청 매트릭스의 열들은 임의의 특정 숫자(예컨대, 100%)로 필수적으로 합산되지는 않는다. 도시된 예에서, 예시적인 공동-시청 매트릭스 생성기(224)는 전술한 확률들 P(L)ij and P(D|L)ij를 사용하고, 동일한 가구에 거주하고 선택된 장치 타입의 모바일 장치로의 액세스를 갖는 인식된 인구통계 그룹 i에서의 사람과 실제 시청자 인구통계 그룹 j에서의 사람이 장치 타입 x의 동일한 모바일 장치를 사용하여 선택된 미디어 카테고리의 미디어를 동시에 시청할 확률을 기술하는 확률 P(Cx|D)ij를 또한, 사용하여, 공동-시청 확률 κij를 계산한다. 일부 예들에서, 공동-시청 매트릭스 생성기(224)는, 공동-시청 확률 κij를 계산하기 위해 위의 수식 1에서의 P(Sx|D)ij 항을 P(Cx|D)ij로 대체한다.
일부 예들에서, 기인오류 보정기(206)는, 장치 공유 기인오류에 대해 조정된 공동-시청 매트릭스를 노출들 및/또는 듀레이션 유닛들에 적용한다. 일부 다른 예들에서, 공동-시청은, 데이터 수집에서 반영되지 않은 추가 노출 및/또는 듀레이션 유닛을 표현하는 것으로 여겨질 수 있으므로, 기인오류 보정기(206)는, 데이터베이스 사업체(104a)에 의해 논-커버리지에 대해 조정되고, 장치 공유 기인오류에 대해 조정된 노출 및/또는 듀레이션 유닛에 공동-시청 매트릭스에서의 확률들 κij를 적용하고, 그럼으로써 보상된(예컨대, 보정된) 노출 및/또는 듀레이션 유닛에 기반하여 공동-시청을 결정한다.
기인오류 보정의 예 1
위의 표 14의 기인오류 보정 매트릭스를 생성한 후, 예시적인 기인오류 보정기(206)는, 도 2의 노출 정보 수집기(208)로부터 획득된 노출들의 세트에 기인오류 보정 매트릭스를 적용한다. 기인오류 보정의 제1 예에서, 기인오류 보정 매트릭스는 인구통계 그룹들에 대한 노출의 기인을 보정하도록 적용되며, 시청자 집계에 영향을 주지 않는다. 이러한 예들은, 예컨대, 인터넷-기반 스트리밍 미디어(예컨대, 스트리밍 비디오 및/또는 스트리밍 오디오)의 노출을 보정하도록 적용될 수 있다. 예컨대, 인터넷-기반 스트리밍 미디어에 대한 보정된 노출 정보는, 미디어가 추가로 또는 대안으로 액세스될 수 있는 다른 타입의 장치에 대한 노출 정보와 조합될 수 있다. 예컨대, 텔레비전 에피소드들은, 에피소드들이 텔레비전에서 제시(예컨대, 방송)된 후에 시청자 구성원들에 의한 지연되거나 시간-이동된 스트리밍 재생을 위해 컴퓨팅 장치를 통해서 액세스될 수 있다. 컴퓨팅 장치들을 통해 액세스되는 스트리밍 미디어의 노출은, 최초 제시의 시청자 노출 (또는 해당 시청자 크기)과 최초 스케줄된 방송 제시의 날 및 최초 스케줄된 방송 제시에 후속하는 7일 동안에 발생한 노출 (또는 해당 시청자 크기)의 합을 측정하는 Live +7 텔레비전 평점 메트릭에 추가될 수 있다.
도 2의 예시적인 노출 정보 수집기(208)는 데이터베이스 사업체(104a)로부터 노출 정보를 수집하고 클라이언트 장치들(예컨대, 도 1의 예시적인 클라이언트 장치(106))로부터 획득된 노출 볼륨 정보를 수집한다. 데이터베이스 사업체(104a)로부터 획득된 예시적인 노출 정보는, 데이터베이스 사업체(104a)에 의해, 각각의 인구통계 그룹들로부터의 인구통계 그룹들과 관련된 노출의 통합된 수를 포함한다.
예시적인 데이터베이스 사업체(104a)는 관심있는 각각의 미디어 아이템(예컨대, 시청자 측정 엔티티(108)에 의해 모니터되는 미디어 아이템)에 대한 노출 정보(예컨대, 데이터베이스 사업체(104a)에 의해 인식된 사람과 관련되는 것으로 식별된 노출의 수)를 제공할 수 있다. 추가로 또는 대안으로, 예시적인 데이터베이스 사업체(104a)는 각각의 타입의 장치에 대한 노출 정보를 노출 정보 수집기(208)로 제공한다. 아래의 표 15는, 예시적인 데이터베이스 사업체(104a)로부터 노출 정보 수집기(208)에 의해 획득된 태블릿 컴퓨터 장치들에 대한 예시적인 노출 정보를 도시한다. 예시적인 노출 정보 수집기(208)는 다른 타입의 모바일 장치들(예컨대, 스마트폰, 휴대용 미디어 플레이어 등)에 대한 유사한 데이터를 수집할 수 있다.
[표 15] 태블릿 컴퓨터 장치들에 대한 예시적인 노출 정보
일부 예들에서, 노출은 노출 정보 수집기(208)로 노출을 제공하기 전에 판단 트리(decision tree)를 통해 프로세싱된다. 일부 예에서, 판단 트리는 인식된 인구통계 그룹들 i 및/또는 실제 시청자 인구통계 그룹들 j 사이의 도해(delineation)를 결정하는데 사용된다. 노출을 프로세싱하는 것의 예는, 2011년 8월 12일자 출원된 미국특허출원 제13/209,292호, 및 2014년 1월 6일자 출원된 미국특허출원 제61/923,959호에 개시된다. 미국특허출원 제13/209,292호 및 미국특허출원 제61/923,959호의 전체 내용은 본 명세서에 참조로 통합된다.
도 2의 예시적인 기인오류 보정기(206)는 기인오류에 대해 데이터베이스 사업체(104a)로부터 획득된 노출 정보를 조정하거나 보상한다. 도 3a는 노출 정보를 조정하기 위해 기인오류 보정기(206)에 의해 수행되는 예시적인 계산을 도시한다. 도 2 및 3a의 예들에서, 기인오류 보정기(206)는, 예시적인 공유 매트릭스 생성기(204)에 의해 생성된 장치 공유 매트릭스들을 사용하여, 데이터베이스 사업체(104a)에 의해 제공된 인구통계 정보(예컨대, 인구통계 그룹, 장치 타입, 및/또는 미디어 카테고리 등에 대한 노출 집계)를 조정한다.
노출 정보 수집기(208)에 의해 획득된 데이터베이스 사업체 데이터(예컨대, 도 1의 노출 정보(102a, 102b))를 사용하여, 도 2의 기인오류 보정기(206)는 장치 타입 및/또는 미디어 카테고리에 대한 n x 1 데이터베이스 사업체 데이터(304)(예컨대, 노출 집계 매트릭스) 및 미디어 카테고리 및/또는 장치 타입에 대한 n x n 기인오류 보정 매트릭스(302)의 내적을 계산한다. 내적의 결과는 장치 타입 및/또는 미디어 카테고리에 대한 노출의 조정된 수를 갖는 n x 1 기인오류-조정 데이터 매트릭스(306)이다.
아래의 표 16은 표 14의 예시적인 기인오류 보정 매트릭스 및 표 15의 노출 정보를 사용하여 기인오류 보정기(206)에 의해 계산된 예시적인 기인오류-조정 노출을 도시한다. 표 16은 도 3a와 관련하여 전술한 내적에 기반하여 계산된 조정된 노출을 포함한다. 위의 표 15로부터의 조정되지 않은 노출이 또한, 비교의 용이함을 위해 표 16에 도시된다.
[표 16] 기인오류 조정 노출 및 조정되지 않은 노출
따라서, 위의 표 16에 도시되는 것처럼, 조정된 노출은 예시적인 데이터베이스 사업체(104a)로부터 수신된 노출 정보(102a, 102b)에서의 기인오류에 대해 보상된다.
기인오류 보정 예 2
기인오류 보정의 제2 예로, 위의 표 14의 기인오류 보정 매트릭스가 노출 및 시청자의 인구통계 그룹들로의 기인오류를 보정하도록 적용된다. 앞서 설명된 것처럼, 노출을 부정확한 인구통계 그룹으로 잘못 기인하는 것은, 데이터베이스 사업체(104a)가, 실제로는 노출이 제2 인구통계 그룹에서의 제2 사람에게 정확히 기인될 수 있을 때에, 노출을 제1 인구통계 그룹에서의 사람에게 기인할 때(예컨대, 제1 인구통계 그룹에서의 사람이, 제2 인구통계 그룹에서의 제2 사람이 노출을 발생시키는 미디어를 시청하는 시간에 장치에서 데이터베이스 사업체로 로그인됨으로 인해) 발생할 수 있다. 노출 및 시청자의 예시적인 기인오류 보정은, 예컨대, 미디어가 상이한 타입의 컴퓨팅 장치들로부터 액세스가능하고 이러한 컴퓨팅 장치들에 대해 로그되거나 측정되는 시청자가 중복제거(de-duplicate)될 수 있을 때, 사용될 수 있다. 예컨대, 로그된 시청자 구성원의 중복은, 시청자 구성원이 동일한 장치 및/또는 상이한 장치들로부터 동일한 미디어를 많은 횟수로 액세스할 때 발생한다. 동일한 시청자 구성원에 의한 동일한 미디어의 다수의 액세스는, 동일한 시청자 구성원이, 시청자 구성원에 의한 동일한 미디어의 다수의 액세스에 대해 로그된 다수의 노출에 기반하여 시청자 크기 집계에서 2회 이상 집계되기 때문에 시청자 중복을 발생시킨다. 이러한 시청자 중복은, 특정 미디어에 노출되거나 특정 미디어를 액세스한 진실한 시청자 크기의 과장된 표현으로 이끌어질 수 있다. 따라서, 중복제거가 미디어의 노출이 기인될 수 있는 시청자 크기를 더 정확히 집계하는데 사용될 수 있다.
도 2의 예시적인 노출 정보 수집기(208)는 데이터베이스 사업체(104a)로부터 노출 정보를 수집하고, 클라이언트 장치(106)에서 발생하는 노출에 대한 볼륨 정보를 수집한다. 데이터베이스 사업체(104a)로부터 획득되는 예시적인 노출 정보는, 데이터베이스 사업체(104a)에 의해 생성된 인구통계 그룹에 의한 노출의 통합된 수 및/또는 각각의 인구통계 그룹으로부터의 시청자 크기를 포함한다.
예시적인 데이터베이스 사업체(104a)는 관심있는 각각의 미디어 아이템(예컨대, 시청자 측정 엔티티(108)에 의해 모니터되는 미디어 아이템)에 대해, 노출 정보(예컨대, 노출 집계, 인구통계 그룹에 의한 노출 집계 등) 및/또는 시청자 정보(예컨대, 시청자 크기, 인구통계 그룹에 의한 시청자 크기)를 제공할 수 있다. 추가로 또는 대안으로, 예시적인 데이터베이스 사업체(104a)는 각각의 타입의 장치에 대한 노출 및/또는 시청자 정보를 노출 정보 수집기(208)로 제공한다. 일부 예에서, 노출 정보 수집기(208)는 컴퓨터 플랫폼(예컨대, 비-모바일 장치 플랫폼 가령 데스크톱 컴퓨터 및/또는 랩톱)에서 발생하는 미디어 노출에 대한 노출 및/또는 시청자 정보를 더 수집한다. 아래의 표 17은 예시적인 데이터베이스 사업체(104a)로부터 노출 정보 수집기(208)에 의해 획득된 태블릿 컴퓨터 장치에 대한 예시적인 노출 및 시청자 정보(예컨대, 보정되지 않은 노출 집계 및 시청자 크기)를 도시한다. 예시적인 노출 정보 수집기(208)는 다른 타입의 모바일 장치들(예컨대, 스마트폰, 휴대용 미디어 플레이어 등) 및/또는 컴퓨터 플랫폼에 대한 유사한 데이터를 수집할 수 있다. 아래의 예시적인 표 17은, 아래의 표 17이 (예컨대, 데이터베이스 사업체(104a)로부터의) 시청자 크기 및 빈도 정보를 또한, 포함한다는 것을 제외하고는 위의 예시적인 표 15와 유사하다.
[표 17] 예시적인 데이터베이스 사업체로부터 획득된 태블릿 컴퓨터 장치에 대한 예시적인 노출 및 시청자 정보
일부 예에서, 데이터베이스 사업체 총 노출 및 시청자 크기는, 노출 정보 수집기(208)로 데이터베이스 사업체 총 노출 및 시청자 크기를 제공하기 전에 판단 트리를 통해 프로세싱된다. 노출 및 고유한 시청자를 프로세싱하는 것의 예들은 2011년 8월 12일자로 출원된 미국 정규특허출원 제13/209,292호, 및 2014년 1월 6일자로 출원된 미국 임시특허출원 제61/923,959호에 개시된다. 미국 정규특허출원 제13/209,292호 및 미국 임시특허출원 제61/923,959호의 전체 내용은 본 명세서에 참조로 통합된다.
도 2의 예시적인 기인오류 보정기(206)는 기인오류에 대하여, 데이터베이스 사업체(104a)로부터 획득된 노출 정보를 조정하거나 보상한다. 전술한 도 3a는 또한, 노출 및/또는 시청자 정보를 조정하기 위해, 기인오류 보정기(206)에 의해 수행되는 예시적인 계산을 도시한다. 이 예에서, 기인오류 보정기(206)는, 예시적인 공유 매트릭스 생성기(204)에 의해 생성된 장치 공유 매트릭스들을 사용하여, 데이터베이스 사업체(104a)에 의해 제공되는 인구통계 정보(예컨대, 인구통계 그룹, 장치 타입, 및/또는 미디어 카테고리당 노출, 인구통계 그룹, 장치 타입, 및/또는 미디어 카테고리당 시청자 크기 등)를 조정한다.
노출 정보 수집기(208)에 의해 획득된 데이터베이스 사업체 데이터(예컨대, 노출 집계 및/또는 시청자 크기 정보)를 사용하여, 도 2의 기인오류 보정기(206)는 장치 타입 및/또는 미디어 카테고리에 대한 n x n 기인오류 보정 매트릭스(302) 및 n x 1 데이터베이스 사업체 데이터(304)(예컨대, 노출 집계 매트릭스, 시청자 크기 매트릭스)의 내적을 계산한다. 내적의 결과는 조정된 노출 집계 또는 조정된 시청자 크기를 갖는 n x 1 기인오류-조정 데이터 매트릭스(306)이다.
아래의 표 18은 위의 표 14의 기인오류 보정 매트릭스 및 위의 표 17의 예시적인 노출 집계 및/또는 시청자 크기 데이터를 사용하여, 기인오류 보정기(206)에 의해 계산되는 예시적인 기인오류-조정 데이터 매트릭스를 도시한다. 아래의 표 18은, 조정된 시청자 크기를 사용하여 기인오류 보정기(206)에 의해 계산된 노출 집계 정보 및 전술한 내적에 기반하여 계산되는 시청자를 포함한다. 이 예에서, 기인오류 보정기(206)는, 기인오류-조정 시청자 크기(예컨대, F45-49 인구통계 그룹에 대해 12,216)를 인구통계 그룹에 해당하는 위의 표 17의 빈도(예컨대, F45-49 인구통계 그룹에 대해 9.7)로 나눔으로써 기인오류-조정 노출(예컨대, F45-49 인구통계 그룹에 대해 118,492)을 결정한다. 조정되지 않은 시청자 크기 및 조정되지 않은 노출 집계가 비교의 용이함을 위해 아래의 표 18에 또한, 도시된다.
[표 18] 조정되지 않은 노출 집계 및 시청자 크기와의 비교를 위한,
기인오류
-조정 노출 집계 및 시청자 크기
따라서, 위의 표 18에 도시되는 것처럼, 기인오류-조정 노출 집계 및 기인오류-조정 시청자 크기는 예시적인 데이터베이스 사업체(104a)로부터 수신된 노출 집계 및 시청자 크기 정보에서의 기인오류에 대해 보상된다. 총 기인오류-조정 시청자 크기는, 데이터베이스 사업체(104a)에 의해 보고된 총 조정되지 않은 시청자 크기와 실질적으로 동일(예컨대, 반올림 오류를 제외하고 동일)하다. 이 예의 예시적인 기인오류-조정 시청자 크기 및/또는 기인오류-조정 노출 집계는, 아래의 예들에 기술되는 것처럼 논-커버리지 오류에 대해 보정된다.
논-커버리지에 대한 알파 인자
가령 텔레비전 평점과 관련된 미디어(예컨대, 스트리밍을 위해 이용가능한 텔레비전 프로그램 에피소드들)에 해당하는 노출 집계 정보의 오류에 대해 보상하는 것과 같은 일부 예에서, 도 2의 논-커버리지 계산기(210)는 "알파 인자(alpha factor)"를 사용하여 시청자에 대한 논-커버리지 오류를 계산한다. 본 명세서에서 사용되는 것처럼, 용어 "알파 인자"는 B/A의 비율을 의미하며, 여기서 B는, 사람(예컨대, 관심있는 인구통계 그룹에서의 사람)이 관심있는 미디어 아이템(예컨대, 스트리밍 비디오를 통한 텔레비전 프로그램의 에피소드)을 데이터베이스 사업체에 의해 커버되지 않는 관심있는 장치 타입을 사용하여(예컨대, 모바일 장치에서 및/또는 특정 타입의 모바일 장치, 가령 태블릿 컴퓨터, 스마트폰, 또는 휴대용 미디어 플레이어에서) 액세스할 확률로 정의된다. 예컨대, 데이터베이스 사업체는, 등록된 사용자 정보(예컨대, 인구통계)로 연관시키는데 사용할 수 있는 장치 타입에서 임의의 식별자 또는 정보(예컨대, 도 1의 장치/사용자 식별자(들)(124))로의 액세스를 갖지 않는다면, 관심있는 장치 타입을 커버하지 않을 수 있다. 본 명세서에서 사용되는 것처럼, 알파 인자 비율 B/A에서, A는 사람이 모바일 장치가 아닌 타입의 장치, 가령 관심있는 미디어 아이템을 액세스하기 위한 표준 장치(예컨대, 텔레비전 프로그램의 경우, 텔레비전 세트)에서 관심있는 미디어 아이템을 액세스할 확률로 정의된다. 예컨대, 특정 미디어 카테고리에서 텔레비전 프로그램의 에피소드에 대해, 지정된 타입은 텔레비전일 수 있고, 제1 장치 타입은, 텔레비전 프로그램의 에피소드가 스트리밍 비디오를 통해 액세스될 수 있는 컴퓨팅 장치(예컨대, 모바일 장치 및/또는 더욱 구체적인 타입의 모바일 장치, 가령 스마트폰, 태블릿 컴퓨터, 및/또는 휴대용 미디어 플레이어)일 수 있다. 이러한 텔레비전 프로그램은 텔레비전에서 최초 또는 프리미어 제시 후에 스트리밍 비디오를 통해 이용가능하게 자주 만들어진다. 따라서, 사람은 텔레비전 프로그램의 에피소드를 텔레비전에서 및/또는 컴퓨팅 장치에서 스트리밍 미디어를 통해 액세스할 수 있다.
도 2의 예시적인 논-커버리지 계산기(210)는, 상이한 인구통계 그룹, 상이한 미디어 카테고리, 상이한 모바일 장치 타입, 모바일 및 비-모바일 장치, 상이한 지리적 영역, 상이한 스테이션, 상이한 하루의 부분들, 및/또는 (설문)조사 교정 데이터 소스에 기반하여 식별된 임의의 다른 인자에 대한 상이한 알파 인자를 생성할 수 있다.
도 2의 예에서, 예시적인 논-커버리지 계산기(210)는, (예컨대, 다른 교정 데이터 소스나 (설문)조사으로부터의 응답에 기반하여) 선택된 인구통계 그룹에서의 사람들의 총수에서 선택된 장치 타입에서 (예컨대, (설문)조사가나 다른 교정 데이터 소스로부터의 응답에 기반하여) 관심있는 미디어 아이템에 액세스하는 선택된 인구통계 그룹의 비율로서 확률 B(예컨대, 사람이 관심있는 장치 타입을 사용하여 관심있는 미디어 아이템을 시청할 확률)를 계산한다. 예컨대, (설문)조사에서 표현되는 M18-24 인구통계 그룹에서 100명의 사람 중에서 M18-24 인구통계 그룹에서의 40명의 사람이 태블릿 컴퓨터에서 '코미디' 미디어 카테고리의 미디어를 액세스한다고 (설문)조사에 응답했다면, 확률 B는 40% 또는 0.40이다. 유사하게, 예시적인 논-커버리지 계산기(210)는, (예컨대, (설문)조사 또는 다른 교정 데이터 소스에 기반하여) 선택된 인구통계 그룹에서의 사람들의 총수에서 (예컨대, (설문)조사 또는 다른 교정 데이터 소스로부터의 응답에 기반하여) 다른 장치 타입에서 관심있는 미디어 아이템에 액세스하는 선택된 인구통계 그룹의 비율로서 확률 A(예컨대, 사람이 선택된 다른 장치 타입을 사용하여 관심있는 미디어 아이템을 시청할 확률)를 계산한다. 예컨대, (설문)조사에서 표현되는 M18-24 인구통계 그룹에서 100명의 사람 중 M18-24 인구통계 그룹에서의 20명의 사람이 텔레비전에서 '코미디' 미디어 카테고리의 미디어에 액세스한다고 (설문)조사에 응답했다면, 확률 A는 20% 또는 0.20이다. 아래의 수식 2 및 3은 확률들 A 및 B를 각각 계산하기 위한 예시적인 모델을 도시한다. 태블릿 컴퓨터에서 '코미디' 미디어 카테고리, M18-24 인구통계 그룹에 대해 발생하는 알파 인자는 0.40/0.20 = 2이다.
수식 2
A = (TV에서 미디어 카테고리 Y를 시청하는 연령 및 성별 그룹 X에서의 사람들의 수)/(연령 및 성별 그룹 X에서의 사람들의 총수)
수식 3
B = (관심있는 장치 타입에서 미디어 카테고리 Y를 시청하는 연령 및 성별 그룹 X에서의 사람들의 수)/(연령 및 성별 그룹 X에서의 사람들의 총수)
논-커버리지 계산기(210)가 데이터베이스 사업체(104a)에 의한 논-커버리지를 결정하기 위한 알파 인자를 결정하는 예들에서, 예시적인 논-커버리지 보정기(212)는, 인구통계 그룹에 대한 알파 인자에 관심있는 미디어 아이템에 대한 인구통계 그룹의 분포 퍼센티지를 곱함으로써 노출 정보를 보정한다. 예컨대, 35-39세 여성 그룹(예컨대, 아래 표 19에서 F35-39)은 텔레비전 프로그램의 특정 에피소드에 대한 노출의 2.9%를 나타내고, 35-39세 여성 그룹에 대한 알파 인자는, 텔레비전 프로그램이 분류되는 미디어 카테고리에 대해 3.80이며, 새롭게 계산된 퍼센티지는 약 11.2%이다. 하지만, 발생하는 퍼센티지(즉 11.2%)는 정규화되어 모든 인구통계 그룹들에 대한 퍼센티지들의 합이 텔레비전 프로그램의 에피소드에 대해 100%가 되도록 한다. 예시적인 논-커버리지 보정기(212)는, 35-39세 여성 그룹(F35-39)에게 기인될 수 있는 노출의 수를 결정하기 위해, 정규화된 퍼센티지에 데이터베이스 사업체(104a)에 의해 사용자와 연관되지 않는 노출의 수를 곱한다. 일부 예에서, 데이터베이스 사업체(104a)에 의해 사용자와 연관되지 않는 노출의 수는 1) AME(108)에 의해 식별되는 노출의 수 및 2) 데이터베이스 사업체(104a)에 의해 사용자와 연관되었던 노출의 수 사이의 차이로부터 결정된다. 추가로 또는 대안으로, 데이터베이스 사업체(104a)는, 인구통계 그룹들에 해당하는 노출(예컨대, 데이터베이스 사업체가 사용자와 연관시킬 수 있는 노출)의 수를 또한, 모니터하는 동안 데이터베이스 사업체(104a)가 사용자와 연관시킬 수 없는 노출의 수를 모니터하고 보고한다.
아래의 표 19는 알파 인자를 사용하여 노출 정보를 보정하기 위해 논-커버리지 보정기(212)에 의해 생성된 예시적인 데이터를 도시한다. 표 19의 예에서, AME(108)는 데이터베이스 사업체(104a)가 인구통계 그룹들(예컨대, 아래의 표 19의 제1 열에 표시된 "데모(Demos)")과 연관시킬 수 없는 2000개의 미디어 노출을 집계한다.
[표 19] 논-커버되는 노출
위의 표 19의 예에서 도시되는 것처럼, 논-커버리지 보정기(212)는, 각각의 인구통계 그룹(데모)에 대한 알파 인자(α = B/A) 및 측정된 퍼센티지의 곱으로서 조정된 퍼센티지(Adj %)를 계산한다. 논-커버리지 보정기(212)는, 정규화된 퍼센티지(Norm %)를 얻기 위해, 조정된 퍼센티지들(Adj %)을 100%의 합으로 정규화한다(예컨대, 조정된 퍼센티지(Adj %)를 총 조정된 퍼센티지(예컨대, 160.9%)로 나눈다). 논-커버리지 보정기(212)는, 각각의 인구통계 그룹(데모)에 기인될 수 있는 논-커버된 노출의 수(논-커버된 노출)를 얻기 위해 정규화된 퍼센티지(Norm %)에, 데이터베이스 사업체(104a)에 의해 인구통계 그룹(데모)과 연관되지 않은 노출의 수를 곱한다. 논-커버리지 보정기(212)에 의해 결정된 예시적인 노출(논-커버된 노출)은 기인오류 및 논-커버리지 조정 노출을 결정하기 위해 기인오류 조정 노출에 추가될 수 있다.
논-커버리지 보정을 위한 논-커버리지 인자
전술한 예시적인 알파 인자(α = B/A)를 사용하여 논-커버리지 오류에 대해 노출 정보를 보상하는 것에 대한으로, 도 2의 예시적인 논-커버리지 계산기(210)는 각각의 예시적인 인구통계 그룹에 대해 논-커버리지 인자를 계산할 수 있다. 논-커버리지 인자는, 데이터베이스 사업체(104a)에 의해 사람들에게 기인될 수 없는 노출의 부분을 반영한다.
인구통계 그룹 및 특정 장치 타입에 대한 논-커버리지 인자를 계산하기 위해, 예시적인 논-커버리지 계산기(210)는, (설문)조사 교정 데이터 소스로부터, 특정 장치 타입을 소유하고 액세스를 갖는 인구통계 그룹의 사람들의 비율로서, 특정 장치 타입을 사용할 때 데이터베이스 사업체(104a)에 의해 인식되지 않을 것이라고 표시한 인구통계 그룹에서의 사람들(예컨대, (설문)조사의 응답자들)의 수 또는 부분을 결정한다. 예컨대, 논-커버리지 계산기(210)는, 응답자가 응답자의 가정에서 아무도 특정 타입의 장치를 사용하여 데이터베이스 사업체(104a)에 액세스하지 않거나, 응답자가 데이터베이스 사업체(104a)에 등록되지 않았거나, 및/또는 응답자가 특정 장치 타입에서 미디어에 액세스할 때, 데이터베이스 사업체(104a)가 사람을 인식하는 것을 방지할 임의의 다른 행위 또는 비행위(inaction)을 취한다고 표시한다면, 응답자가 특정 자치 타입을 사용할 때, 데이터베이스 사업체(104a)에 의해 인식되지 않을 것이라고 결정할 수 있다.
도 2의 예시적인 논-커버리지 계산기(210)는 인구통계 그룹 및 장치 타입 각각에 대한 논-커버리지 인자들의 표를 생성하며, 논-커버리지 인자는: 논-커버리지 인자 = (장치 타입에 대하여 인구통계 그룹에서의 응답자의 논-커버된 부분)/(장치 타입의 장치로의 액세스를 갖는 인구통계 그룹에서의 응답자의 총수)로서 계산된다. 태블릿 컴퓨터에 대한 예시적인 논-커버리지 인자 표가 표 20에서 아래에 도시된다. 일부 예들에서, 예시적인 논-커버리지 계산기(210)는 다른 장치 타입들에 대해 유사한 표를 만든다. 표 20에 도시되는 것처럼, 21-24세 여성 인구통계 그룹 중 20%가 태블릿 장치에서 데이터베이스 사업체(104a)에 의해 커버되지(예컨대, 인식되지) 않는다. 즉, 태블릿 컴퓨터로의 액세스를 갖는 21-24세 여성 중 10%가 데이터베이스 사업체(104a)에 의해 인식되지 않을 것이다. 유사하게, 18-20세 남성 인구통계 그룹의 10%가 태블릿 장치에서 데이터베이스 사업체(104a)에 의해 커버되지 않는다.
[표 20] 태블릿 컴퓨터에 대한 예시적인 논-커버리지 인자
위의 표 20의 논-커버리지 인자는 노출 정보에 대해 논-커버리지 조정을 수행하기 위해서 알파 인자(α = B/A)에 대안으로 사용될 수 있다. 예컨대, 데이터베이스 사업체(104a)에 의해 관측되는 빈도(예컨대, 시간 구간 동안 시청자 구성원당 평균 노출)는 데이터베이스 사업체(104a)에 의해 관측되는 노출에 해당하는 시청자를 계산하는데 사용될 수 있다. 이후, 예시적인 논-커버리지 계산기(210)는 논-커버리지 인자에 의해 시청자를 조정하고(예컨대, 조정된 시청자 = 시청자/(1-논-커버리지 인자), 빈도를 사용하여 조정된 시청자를 논-커버리지 조정 노출로 변환한다.
위의 예는 하나의 데이터베이스 사업체에 대한 논-커버리지 인자들을 기술하지만, 예시적인 논-커버리지 계산기(210)는 추가로 또는 대안으로 다수의 데이터베이스 사업체들에 대한 논-커버리지 인자들을 계산할 수 있다. 예컨대, 2개의 데이터베이스 사업체가 사용된다면, 예시적인 (설문)조사 교정 데이터는, 하나 이상의 장치 타입(들)을 통해 응답자가 데이터베이스 사업체들(104a-b) 중 어느 하나에 액세스하는지를 결정하도록 설계된 데이터를 포함할 수 있다. 이후, 도 2의 예시적인 논-커버리지 계산기(210)는, 논-커버리지 오류가 데이터베이스 사업체들(104a-b) 중 어느 것도 인식할 수 없는 그러한 사람들 및/또는 노출들로 제한된다고 결정한다. 도 2의 예에서, 데이터베이스 사업체들(104a-b) 중 적어도 하나가 모바일 장치에서 사람을 인식할 수 있다면, 예시적인 사람은 커버되는 것으로 여겨진다.
논-커버리지 오류 보상 및 스케일링 예시 1
논-커버리지 오류를 보상하는 제1 예는 인구통계 그룹에 대한 알파 인자(α= B/A)를 동일한 인구통계 그룹에 대응하는 기인오류-조정 노출 카운트(misattribution-adjusted impression count)와 곱하는 것을 포함한다. 예컨대, 알파 인자는 표 16 및/또는 표 18을 참조로 상술한 제1 기인오류 보상 예의 기인오류-조정 노출 카운트에 기반하여 논-커버(non-covered) 노출 카운트를 계산하는데 사용될 수 있다.
도 3b는 도 2의 논-커버리지 보정기(212)에 의해 논-커버리지 오류를 보상하도록 수행될 수 있는 예시적인 계산을 도시한다. 도 3b의 예에서, 논-커버리지 보정기(212)는 도 3a의 예의 기인오류 보정기(206)에 의해 계산되는 기인오류-조정 데이터(306)를 획득한다. 논-커버리지 보정기(212)는 동일한 장치 타입(및/또는 미디어 카테고리)에 대응하는 논-커버리지 인자(308)(예컨대, 알파 인자의 세트, 스칼라의 세트)를 장치 타입(및/또는 미디어 카테고리)에 대한 기인오류-조정 데이터(306)에 적용하여 장치 타입(및/또는 미디어 카테고리)에 대한 기인오류 및 논-커버리지 조정 데이터(310)를 결정한다.
예컨대, 하기에서 표 21은 상기 표 18의 해당하는 기인오류-조정 노출 카운트의 총수를 사용하여 인구통계 그룹당 논-커버 노출의 수량을 결정하는 예시적인 계산을 도시한다. 논-커버리지 보정기(212)는 M25-29 인구통계 그룹에 대한 알파 인자(α= B/A)(예컨대, 상기 표 19로부터 1.68)를 사용하여 기인오류-조정 노출 카운트(예컨대, 상기 표 18의 M25-29 인구통계 그룹에 대해 210,945)를 조정한다. 하기에서 표 21은 기인오류 및 논-커버리지 조정 데이터(310)(예컨대, 기인오류 및 논-커버리지 조정 노출 카운트)의 예를 도시한다. 하기의 예에서, AME(108)은 데이터베이스 사업체(104)가 인구통계 그룹과 연관되지 않은 1,126,462회의 총 노출을 식별했다.
[표 21] 기인오류 및 논-커버리지 조정 노출 데이터의 예
상기 표 21에서, 예시적인 기인오류-조정 노출(기인오류-조정 노출 카운트)은 표 18을 참조로 상술한 기인오류 보정 예로부터 획득된다. 표 21의 예시적인 측정된 퍼센트(Meas %)는 총 기인오류-조정 노출 카운트(예컨대, 3,034,551)에 대한 기인오류-조정 노출 카운트(예컨대, F30-34 인구통계 그룹에 대해 182,026)의 퍼센트를 결정함으로써 기인오류-조정 노출 카운트(Misatt.-adjusted Imp. Count)에 기반하여 각각의 인구통계 그룹에 대해 결정된다.
표 21은 각각의 예시적인 인구통계 그룹에 대한 예시적인 알파 인자(α= B/A)의 세트를 포함하며, 표 19의 예를 참조로 상술한 바대로 계산될 수 있다. 예컨대, 알파 인자는 교정 조사(예컨대, 상술한 조사)의 결과와 상술한 수식 2 및 3을 통해 결정된다. 알파 인자를 사용하여, 예시적인 논-커버리지 보정기(212)는 측정된 퍼센트(Meas.%)를 표 21의 각각의 예시적인 인구통계 그룹에 대한 해당 알파 인자와 곱함으로써 조정된 퍼센트(Adj.%)를 계산한다. 예시적인 논-커버리지 보정기(212)는 또한 조정된 퍼센트(Adj.%)를 정규화하여 표 21의 각각의 예시적인 인구통계 그룹에 대한 정규화된 퍼센트(Norm.%)를 획득한다.
예시적인 논-커버리지 보정기(212)는 표 21의 각각의 예시적인 인구통계 그룹에 대해 정규화된 퍼센트(Norm.%)를 총 논-커버 노출 카운트(예컨대, 1,126,426)와 곱함으로써 논-커버 노출 카운트(Non-Covered Imp. Count)를 결정한다. 예컨대, F30-34 인구통계 그룹에 대한 논-커버 노출 카운트(Non-covered Imp. Count)는 3.85% * 1,126,426 = 43,388로 계산된다. 이후, 예시적인 논-커버리지 보정기(212)는 논-커버 노출 카운트(Non-Covered Imp. Count)를 표 21의 각각의 예시적인 인구통계 그룹에 대한 기인오류-조정 노출 카운트(Misatt.-adjusted Imp. Count)와 합산하여 기인오류 및 논-커버리지-조정 노출 카운트(Misatt. and Non-Cov.-Adj. Imp. Count)를 결정할 수 있다.
논-커버리지 오류 보상 및 스케일링 예시 2
논-커버리지 오류를 보상하는 제2 예는 상기 표 20의 논-커버리지 인자를 사용하는 것을 포함한다. 논-커버리지 인자와 함께 상술한 예시적인 논-커버리지 접근법이 예컨대 알파 인자가 특정 타입의 미디어 및/또는 특정 장치 타입에 대해 이용될 수 없을 때(예컨대, 미디어의 열람 확률 및/또는 장치 타입에서의 열람 확률이 이용될 수 없을 때) 알파 인자와 함께 상술한 논-커버리지 오류 보상 예의 알파 인자를 대신하여 사용될 수 있다.
이 예에서, 도 2의 논-커버리지 보정기(212)는 논-커버리지 인자를 사용하여 데이터베이스 사업체(104a)로부터 획득된 노출 정보를 보정한다. 예컨대, 논-커버리지 보정기(212)는 조정된 노출 수를: (보고된 노출 카운트)/(1-(인구통계 그룹에 대한 논-커버리지 인자))로 결정할 수 있다.
도 3b의 예를 사용하여, 논-커버리지 보정기(212)는 도 3a의 예에서 기인오류 보정기(206)에 의해 계산된 기인오류-조정 데이터(306)를 획득한다. 논-커버리지 보정기(212)는 동일한 장치 타입에 대응하는 논-커버리지 인자(308)(예컨대, 알파 인자 대신 스칼라의 세트)를 장치 타입에 대한 기인오류-조정 데이터(306)에 적용하여 장치 타입에 대한 기인오류 및 논-커버리지 조정 데이터(310)를 결정한다. 예컨대, 논-커버리지 보정기(212)는 표 20의 M25-29 인구통계 그룹에 대한 10.0% 논-커버리지 인자를 사용하여 기인오류-조정 노출 카운트(예컨대, 상기 표 18의 M25-29 인구통계 그룹에 대해 210,945)를 조정하여 기인오류 및 논-커버리지 조정 노출 카운트를 19,046로 결정한다. 예시적인 논-커버리지 보정기(212)는 또한 기인오류 및 논-커버리지 조정 시청자 크기를 데이터베이스 사업체 데이터로부터 계산되거나 획득된 빈도(예컨대, 상기 표 17로부터의 빈도)로 나눠진 기인오류 및 논-커버리지 조정 노출 카운트의 몫이라고 결정한다. 표 22는 태블릿 컴퓨터 장치 타입에 대한 기인오류 및 논-커버리지 조정 데이터(310)(예컨대, 기인오류 및 논-커버리지 조정 노출 및 시청자)의 예를 도시한다.
[표 22] 태블릿 컴퓨터 장치 타입에 대한
기인오류
및 논-
커버리지
조정 노출 카운트와 시청자 크기의 예
상기 표 22의 예에서, 예시적인 논-커버리지 보정기(212)는 (예컨대, 데이터베이스 사업체(104a)로부터) 해당 기인오류 및 논-커버리지 조정 노출 카운트를 표 17의 해당 빈도로 나눔으로써 각각의 인구통계 그룹에 대한 기인오류 및 논-커버리지 조정 시청자 크기를 결정한다.
도 2의 예시적인 노출 정보 조정기(214)는 시청자 측정 엔티티(108)에 의해 관찰되는 노출 수와 동조되도록 보상된 노출 카운트 및 시청자 크기를 조정한다. 도 3c는 관찰된 인구조사 데이터(census data)(예컨대, 노출량 카운트(impression volume counts))에 기반하여 보상된 (예컨대, 기인오류 및 논-커버리지 조정) 노출 카운트 및/또는 시청자 크기(310)를 조정하는 예시적인 프로세스를 도시한다.
표 15-22를 참조로 상술한 기인오류 및/또는 논-커버리지를 보상하는 예가 노출 및 고유 시청자 크기를 보상하는 것을 기술하지만, 도 2의 예시적인 기인오류 보정기(206) 및/또는 예시적인 논-커버리지 보정기(212)는 동일한 기법을 사용하여 듀레이션 유닛 기인오류 및/또는 논-커버리지를 추가로 또는 대안으로 보상할 수 있다. 하기의 표 23은 표 14의 기인오류 매트릭스를 상기 표 18의 예의 노출 및 고유 시청자 크기와 관련된 듀레이션 유닛에 적용하는 예를 보여준다.
[표 23] 태블릿 컴퓨터 장치 타입에 대한
기인오류
및 논-
커버리지
조정 노출 카운트,
듀레이션
유닛 및 고유 시청자 크기와 미조정 노출 카운트,
듀레이션
유닛 및 고유 시청자 크기의 예
상기 표 23에 나타난 바와 같이, 표 14의 기인오류 보정 매트릭스를 표 23의 미조정 듀레이션 유닛(Unadj. Duration Units)을 적용하여 듀레이션 유닛이 인구통계 그룹(Demo.Group)에 재분배된다. 기인오류 및 고유 시청자 크기의 조정은 표 18을 참조로 상술한 예와 동일하다. 이후, 예시적인 논-커버리지 보정기(212)는 표 19-21의 노출을 참조로 상술한 논-커버리지 보정 기법을 사용하여 기인오류-조정 듀레이션 유닛을 보정할 수 있다.
노출 스케일링, 듀레이션 유닛 스케일링 및/또는 시청자 스케일링의 예
도 2의 예시적인 노출 정보 조정기(214)는 시청자 측정 엔티티(108)에 의해 관찰된 노출의 수와 동조되도록 보상된 노출을 조정한다. 도 3c는 관찰된 인구조사 데이터(예컨대, 노출량 카운트)에 기반하여 보상된 (예컨대, 기인오류 및 논-커버리지 조정) 노출을 조정하는 예시적인 프로세스를 도시한다.
상기 표 21의 예의 예시적인 기인오류 및 논-커버리지 조정 노출 카운트를 사용하여, 노출 정보 조정기(214)는 이 예에서는 6,385,686회의 노출인 (예컨대, 도 1의 AME(108)에 의해 관찰된 바와 같이) 태블릿 컴퓨터로부터 관찰된 노출의 수에 부합하도록(예컨대, 동일하도록) 기인오류 및 논-커버리지 조정 노출 카운트(310)를 스케일링(312)한다. 예시적인 노출 정보 조정기(214)는 호스트 웹사이트(예컨대, 광고 또는 다른 미디어가 호스트되는 웹사이트)에 대한 노출 카운트를 스케일링할 수 있고/있거나 호스트 사이트에 위치한 미디어(예컨대, 광고 또는 다른 미디어)에 대한 노출을 스케일링할 수 있다.
인구통계 그룹에 대해 보상된 예시적인 노출 정보를 스케일링(312)하기 위해, 예시적인 노출 정보 조정기(214)는 데이터베이스 사업체로부터의 (예컨대, 인식되고 미-인식된) 총 관찰된 노출의 수(예컨대, 이 예에서는 6,385,686) 및 총 보상된 노출(예컨대, 상기 표 21에서 4,161,011)의 부분(또는 퍼센트)으로서 M21-24 인구통계 그룹에 기인한 보상된 노출 카운트(예컨대, 상기 표 21에서 158,067)를 곱한다. 예컨대, 노출 정보 조정기(214)는 21-24세 남성의 인구통계 그룹에 대한 스케일링된 보상된 노출이 (6,385,686)*(123,750/4,161,011)=189,913이라고 결정한다. 하기의 표 24는 태블릿 컴퓨터에 대한 예시적인 스케일링된 보상된 노출 카운트를 나타낸다.
[표 24] 태블릿 컴퓨터에 대한 예시적인 스케일링된 보상된 노출 카운트
몇몇 다른 예에서, 노출 정보 조정기(214)는 노출 정보가 계산되고 있는 미디어를 호스트하는 사이트의 PDF에 기반하여 노출을 스케일링한다. 예컨대, 호스트 웹사이트에 위치한 미디어에 대한 노출을 스케일링하기 위해, 예시적인 노출 정보 조정기(214)는 관심 있는 인구통계 그룹 및 관심 있는 장치(또는 모든 장치)에 대해: a) 시청자 측정 엔티티(108)에 의해 장치 타입에 대한 호스트 사이트에 대해 식별된 노출의 수(예컨대, 노출의 인구조사 카운트)와 b) 장치 타입에 대한 기인오류 및 논-커버리지 조정 노출 사이의 차이를 결정한다. 이 차이는 스케일링에 의해 처리되는 노출의 수이다. 예시적인 노출 정보 조정기(214)는 관심 있는 장치 타입에 대한 관심 있는 인구통계 그룹에 기인하는 노출의 부분과 상기 차이의 곱을 결정한다. 즉, 노출 정보 조정기(214)는 호스트 사이트에 대한 인구통계 그룹의 확률 분포 함수를 기인오류 및 논-커버리지 조정 노출을 스케일하는데 합산되어야 하는 노출의 수에 적용한다. 곱(예컨대, 인구통계 그룹에 대한 노출의 부분)이 인구통계 그룹에 대한 기인오류 및 논-커버리지 조정 노출에 합산된다. 따라서, 이 예에서, 노출 정보 조정기(214)는 스케일링된 노출을: 스케일링된 노출 = (선택된 인구통계 그룹 및 선택된 장치 타입에 대한 기인오류 및 논-커버리지 조정 노출) + (선택된 장치 타입에 대한 호스트 사이트의 미디어의 인구조사 노출 - 선택된 장치 타입에 대한 모든 인구통계 그룹에 대한 총 기인오류 및 논-커버리지 조정 미디어 노출) * (선택된 인구통계 그룹 및 선택된 장치 타입에 대한 호스트 사이트의 스케일링된 노출 / 모든 인구통계 그룹 및 선택된 장치 타입에 대한 호스트 사이트의 총 스케일링된 노출)로 결정한다.
하기의 표 25는 상술한 확률 분포 함수 방식 및 (호스트 사이트의 노출 대신) 스케일링된 미디어 노출에 대한 조정된 노출로서 상기 표 19의 예시적인 기인오류 및 논-커버리지 조정 노출을 사용하는 예시적인 스케일링을 도시한다. 표 25는 예시적인 미디어에 대한 호스트 사이트에서 태블릿 컴퓨터에 대한 총 인구조사 노출 6,385,687을 기초로 한다.
[표 25] 예시적인 스케일링
상기 표 25의 예에서, 예시적인 노출 정보 조정기(214)는 F21-24 인구통계 그룹 및 태블릿 컴퓨터 장치 타입에 대한 노출을 스케일링된 노출 = (장치 타입 및 인구통계 그룹에 대한 기인오류 및 논-커버리지 조정 노출 카운트) + (모든 인구통계 그룹에 대한 총 관찰된 태블릿 노출 카운트 - 모든 인구통계 그룹에 대한 총 기인오류 및 논-커버리지 조정 태블릿 노출 카운트) * (인구통계 그룹에 대한 스케일링된 호스트 사이트 노출 카운트 / 모든 인구통계 그룹에 대한 총 스케일링된 호스트 사이트 노출 카운트) = 123,750 + (6,385,686 - 4,161,015) * (1,132,301 / 37,873,074) = 190,262로 스케일링한다. 상기 예의 예시적인 스케일링은 (예컨대, 호스트 사이트가 관심 있는 미디어를 독점적으로 제시한다면) 가령 호스트 사이트의 노출 카운트와 같이 다른 인구조사 노출 카운트에 대해 다른 인구통계 그룹에 대한 노출을 스케일링하도록 수행될 수 있다.
본 명세서에 개시된 예들은 시청하는 비디오 미디어 및/또는 오디오/비디오 미디어의 조합을 참조로 기술되지만, 본 명세서에 개시된 예들은 또한 오디오-전용 미디어에 대한 청취자 측정에 사용될 수 있다. 예컨대, 알파 인자를 계산하는데 사용되는 미디어 카테고리, 조사 교정 데이터 및/또는 제2 장치 타입은 오디오 미디어에 대해 맞춤화될 수 있다. 예컨대, (예컨대, 상기 수식 2) "A"항을 계산하는데 사용되는 제2 장치 타입은 (라디오에서 미디어 카테고리 Y를 청취하는 연령 및 성별 그룹 X 내 사람의 수)/(연령 및 성별 그룹 X 내 총 사람의 수)를 나타내는 것으로 수정될 수 있다.
표 24 및 25를 참조로 상술한 예시적인 스케일링 기법은 호스트 사이트에서 관찰된 듀레이션 유닛 카운트(예컨대, 인구조사 듀레이션 카운트)에 대하여 기인오류 및/또는 논-커버리지 조정 듀레이션 유닛을 스케일링하는데 사용될 수 있다.
상기 예들은 기인오류 보정 및 논-커버리지 보정 모두를 수행하는 것을 개시하지만, 기인오류 보정은 논-커버리지 보정을 수행하지 않고 노출 카운트 및/또는 시청자 크기에 대해 수행될 수 있다. 대안으로, 논-커버리지 보정은 기인오류 보정을 수행하지 않고 노출 카운트 및/또는 시청자 크기에 대해 수행될 수 있다.
예시적인 노출 데이터 보상기(200)를 구현하는 예시적인 방식이 도 2에 도시되었지만, 도 2에 도시된 하나 이상의 구성요소, 프로세스 및/또는 장치가 임의의 다른 방식으로 결합, 분할, 재-배열, 생략, 제거 및/또는 구현될 수 있다. 게다가, 예시적인 교정 데이터 수집기(202), 예시적인 공유 매트릭스 생성기(204), 예시적인 기인오류 보정기(206), 예시적인 노출 정보 수집기(208), 예시적인 논-커버리지 계산기(210), 예시적인 논-커버리지 보정기(212), 예시적인 노출 정보 조정기(214), 예시적인 가구 분포 생성기(216), 예시적인 통합 분포 생성기(218), 예시적인 매트릭스 보정기(220), 예시적인 매트릭스 정규화기(222), 예시적인 공동-시청(co-viewing) 매트릭스 생성기(224) 및/또는 더 일반적으로 예시적인 노출 데이터 보상기(200)는 하드웨어, 소프트웨어, 펌웨어 및/또는 하드웨어, 소프트웨어 및/또는 펌웨어의 임의의 조합을 사용하여 구현될 수 있다. 따라서, 예컨대, 임의의 예시적인 교정 데이터 수집기(202), 예시적인 공유 매트릭스 생성기(204), 예시적인 기인오류 보정기(206), 예시적인 노출 정보 수집기(208), 예시적인 논-커버리지 계산기(210), 예시적인 논-커버리지 보정기(212), 예시적인 노출 정보 조정기(214), 예시적인 가구 분포 생성기(216), 예시적인 통합 분포 생성기(218), 예시적인 매트릭스 보정기(220), 예시적인 매트릭스 정규화기(222), 예시적인 공동-시청 매트릭스 생성기(224) 및/또는 더 일반적으로 예시적인 노출 데이터 보상기(200)는 하나 이상의 아날로그 또는 디지털 회로(들), 논리 회로(들), 프로그램가능한 프로세서(들), ASIC(s)(application specific integrated circuit(s)), PLD(s)(programmable logic device(s)) 및/또는 FPLD(s)(field programmable logic device(s)) 등을 사용하여 구현될 수 있다. 순전히 소프트웨어 및/또는 펌웨어 구현을 커버하도록 본 특허의 임의의 장치 또는 시스템 청구항을 판독할 때, 예시적인 교정 데이터 수집기(202), 예시적인 공유 매트릭스 생성기(204), 예시적인 기인오류 보정기(206), 예시적인 노출 정보 수집기(208), 예시적인 논-커버리지 계산기(210), 예시적인 논-커버리지 보정기(212), 예시적인 노출 정보 조정기(214), 예시적인 가구 분포 생성기(216), 예시적인 통합 분포 생성기(218), 예시적인 매트릭스 보정기(220), 예시적인 매트릭스 정규화기(222) 및/또는 예시적인 공동-시청 매트릭스 생성기(224) 중 적어도 하나는 소프트웨어 및/또는 펌웨어를 저장하는, 가령 메모리, DVD(digital versatile disk), CD(compact disk), 블루레이 디스크 등과 같은, 유형의 컴퓨터 판독가능한 저장 장치 또는 저장 디스크를 포함하도록 본 명세서에서 명확히 정의된다. 더욱이, 도 2의 예시적인 노출 데이터 보상기(200)는 도 2에 도시된 바에 추가하여 또는 그 대신에 하나 이상의 구성요소, 프로세스 및/또는 장치를 포함할 수 있고/있거나, 도시된 구성요소, 프로세스 및 장치의 일부 또는 전부 중 하나 이상을 포함할 수 있다.
도 2의 노출 데이터 보상기(200)를 구현하는 예시적인 기계 판독가능한 명령어를 나타내는 흐름도가 도 4 내지 도 13에 도시된다. 이 예에서, 기계 판독가능한 명령어는 도 14와 함께 후술되는 가령 예시적인 프로세서 플랫폼(1400)에 도시된 프로세서(1412)와 같은 프로세서에 의해 실행하기 위한 프로그램을 포함한다. 프로그램은 가령 프로세서(1412)와 관련된 CD-ROM, 플로피 디스크, 하드 드라이브, DVD(digital versatile disk), 블루레이 디스크 또는 메모리와 같은 유형의 컴퓨터 판독가능한 저장매체에 저장된 소프트웨어로 구현될 수 있지만, 전체 프로그램 및/또는 이들의 일부는 대안으로 프로세서(1412) 이외의 장치에 의해 실행될 수 있고/있거나 펌웨어 또는 전용 하드웨어에서 구현될 수 있다. 게다가, 비록 예시적인 프로그램은 도 4 내지 도 13에 도시된 흐름도를 참조로 기술되지만, 예시적인 노출 데이터 보상기(200)를 구현하는 많은 다른 방법이 대안으로 사용될 수 있다. 예컨대, 블록의 실행 순서는 변경될 수 있고/있거나, 기술된 블록의 일부는 변경, 제거 또는 결합될 수 있다.
상술한 바와 같이, 도 4 내지 도 13의 예시적인 프로세스는 가령 하드 디스크 드라이브, 플래시 메모리, 읽기-전용 메모리(ROM), CD(compact disk), DVD(digital versatile disk), 캐시, 랜덤-액세스 메모리(RAM) 및/또는 정보가 임의의 듀레이션 동안(예컨대, 확장된 시간 구간 동안, 영속적으로, 단시간의 인스턴스 동안, 일시적인 버퍼링 동안 및/또는 정보의 캐싱 동안) 저장되는 임의의 다른 저장 장치 또는 저장 디스크와 같은 유형의 컴퓨터 판독가능한 저장 매체에 저장되는 코드형 명령어(예컨대, 컴퓨터 및/또는 기계 판독가능한 명령어)를 사용하여 구현될 수 있다. 본 명세서에서 사용되는 바와 같이, 유형의 컴퓨터 판독가능한 저장 매체라는 용어는 임의의 타입의 컴퓨터 판독가능한 저장 장치 및/또는 저장 디스크를 포함하고 전파 신호 및 전송 매체를 배제하도록 명확히 정의된다. 본 명세서에서 사용되는 바와 같이, "유형의 컴퓨터 판독가능한 저장 매체" 및 "유형의 기계 판독가능한 저장 매체"는 교환하여 사용된다. 추가로 또는 대안으로, 도 4 내지 도 13의 예시적인 프로세스는 가령 하드 디스크 드라이브, 플래시 메모리, 읽기-전용 메모리, CD, DVD, 캐시, 랜덤-액세스 메모리 및/또는 정보가 임의의 듀레이션 동안(예컨대, 확장된 시간 구간 동안, 영속적으로, 단시간의 인스턴스 동안, 일시적인 버퍼링 동안 및/또는 정보의 캐싱 동안) 저장되는 임의의 다른 저장 장치 또는 저장 디스크와 같은 비-일시적 컴퓨터 및/또는 기계 판독가능한 매체에 저장되는 코드형 명령어(예컨대, 컴퓨터 및/또는 기계 판독가능한 명령어)를 사용하여 구현될 수 있다. 본 명세서에서 사용되는 바와 같이, 비-일시적 컴퓨터 판독가능한 매체라는 용어는 임의의 타입의 컴퓨터 판독가능한 저장 장치 및/또는 저장 디스크를 포함하고 전파 신호 및 전송 매체를 배제하도록 명확히 정의된다. 본 명세서에서 사용되는 바와 같이, "적어도(at least)"란 문구가 청구항의 말미에서 전환 용어(transition term)로 사용되는 경우, 이는 "포함하는(comprising)"이란 용어가 제한 해석되지 않는 것과 동일한 방식으로 제한 해석되지 않는다.
도 4는 노출 데이터를 보상하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령어(400)를 나타내는 흐름도이다.
도 2의 예시적인 공유 매트릭스 생성기(204)는 기인오류 보정 매트릭스 및/또는 공동-시청 매트릭스를 생성한다(블록 402). 예컨대, 공유 매트릭스 생성기(204)는 데이터베이스 사업체(104a)(도 1)로부터 교정 데이터 수집기(202)(도 2)에 의해 획득된 노출 정보(예컨대, 노출들)에 나타난 각각의 장치 타입에 대한 장치 공유 매트릭스를 계산한다. 예시적인 공유 매트릭스 생성기(204)는 수식 1에서 상술한 확률을 계산함으로써 및/또는 가구 공유 매트릭스를 계산하고 집계함으로써 장치 타입에 대한 기인오류 보정 매트릭스를 계산할 수 있다. 추가로 또는 대안으로, 예시적인 공유 매트릭스 생성기(204)는 각각의 장치 타입 및/또는 미디어 카테고리에 대한 공동-시청 확률()을 포함하는 공동-시청 매트릭스를 계산할 수 있다. 또한, 공동-시청 확률()은 예컨대 대표 가구 내 공동-시청의 발생 정도를 결정하도록 예시적인 조사 교정 데이터 소스(예컨대, 무작위로 선택된 사람 및/또는 가구의 조사)를 사용하여 계산될 수 있다. 블록 402를 구현하는데 사용될 수 있는 예시적인 명령이 도 5을 참조로 후술된다.
도 2의 예시적인 논-커버리지 계산기(210)는 관심 있는 장치 타입에서 미디어에 액세스하는 논-커버 시청자의 확률을 결정한다(블록 404). 또한, 예시적인 논-커버리지 계산기(210)는 논-커버리지 인자를 결정한다(블록 405). 예컨대, 논-커버리지 계산기(210)는 데이터베이스 사업체(104a)에 의해 인구통계 정보와 관련되지 않은 노출에 대한 인구통계 분포를 계산하기 위해 알파 인자(예컨대, 표 17을 참조로 상술한 예시적인 알파 인자 α= B/A)를 결정할 수 있다. 블록들(404 및 405)을 구현하는데 실행될 수 있는 예시적인 명령이 도 9를 참조로 후술된다.
도 2의 예시적인 노출 정보 수집기(208)는 노출의 용량 측정(예컨대, 인구조사)으로부터 노출의 카운트를 획득한다(블록 406). 예컨대, 노출 정보 수집기(208)는 관심 있는 각각의 미디어 아이템(예컨대, 모니터되는 미디어) 및/또는 각각의 장치 타입에 대하여 시청자 측정 엔티티(108)(도 1)에서 식별되는 노출의 수를 결정한다. 예시적인 용량 데이터(volumetric data)가 상기 표 16에 나타난다. 또한, 예시적인 노출 정보 수집기(208)는 노출(및/또는 노출의 서브세트)에 대응하는 인구통계 정보를 획득한다(블록 408). 예컨대, 노출 정보 수집기(208)는 각각의 장치 타입 및/또는 모든 장치 타입에 대하여 데이터베이스 사업체(104a)에 의해 각각의 인구통계 그룹과 관련된 노출의 카운트를 수신한다.
도 2의 예시적인 기인오류 보정기(206)는 미디어 카테고리(예컨대, 코미디, 드라마, 장편 영화 등)를 선택한다(블록 410). 또한, 예시적인 기인오류 보정기(206)는 장치 타입(예컨대, 스마트폰, 태블릿 컴퓨터, 휴대용 미디어 플레이어 등)을 선택한다(블록 412). 예시적인 기인오류 보정기(206)는 선택된 미디어 카테고리 및 선택된 장치 타입에 대한 기인오류 보정 매트릭스에 기반하여 (데이터베이스 사업체(104a)로부터 획득된) 노출, 듀레이션 유닛 및/또는 고유 시청자 크기를 조정한다(블록 414). 예컨대, 기인오류 보정기(206)는 도 3a에 도시된 바와 같이 기인오류 보정 매트릭스(302)와 데이터베이스 사업체 노출 데이터(304)의 내적(dot product)을 결정할 수 있다. 몇몇 예에서, 기인오류 보정기(206)는 데이터베이스 사업체(104a)에 의해 결정되는 빈도 및 기인오류-보정된 노출에 기반하여 기인오류-보정된 고유 시청자 크기를 계산한다. 블록 414를 구현하도록 실행될 수 있는 예시적인 명령이 도 7을 참조로 후술된다.
도 3의 예시적인 논-커버리지 보정기(212)는 선택된 미디어 카테고리 및 선택된 장치 타입에 대한 논-커버리지 인자에 기반하여 노출, 듀레이션 유닛 및/또는 고유 시청자 크기를 또한 조정한다(블록 416). 예컨대, 논-커버리지 보정기(212)는 도 3b의 기인오류-조정된 노출(306)을 커버된 퍼센트(예컨대, 1에서 논-커버된 퍼센트를 차감)로 나눠서 기인오류 및 논-커버리지 조정된 노출 정보(310)를 획득할 수 있다. 몇몇 예에서, 기인오류 보정기(206)는 데이터베이스 사업체(104a)에 의해 결정되는 빈도와 기인오류 및 논-커버리지 보정된 노출에 기반하여 기인오류 및 논-커버리지 보정된 시청자를 계산한다. 블록 416을 구현하도록 실행될 수 있는 예시적인 명령이 도 8을 참조로 후술된다.
예시적인 기인오류 보정기(206)는 노출 정보가 보상되는 추가적인 장치 타입이 있는지를 결정한다(블록 418). 노출 정보가 보상되는 추가적인 장치 타입이 있다면(블록 418), 컨트롤은 블록 412로 되돌아가서 다른 장치 타입을 선택한다. 노출 정보가 보상되는 더 이상의 장치 타입이 없는 경우(블록 418), 예시적인 기인오류 보정기(206)는 노출 정보가 보상되는 추가적인 미디어 카테고리가 있는지를 결정한다(블록 420). 노출 정보가 보상되는 추가적인 미디어 카테고리가 있다면(블록 420), 컨트롤은 블록 410으로 되돌아가서 다른 미디어 카테고리를 선택한다.
노출 정보가 보상되는 더 이상의 미디어 카테고리가 없는 경우(블록 420), 도 2의 예시적인 노출 정보 조정기(214)는 조정된 노출 정보에 기반하여 미디어 등급(media ratings)을 계산한다(블록 422). 예컨대, 노출 정보 조정기(214)는 시청자 측정 엔티티(108)에 의해 식별되는 노출에 부합하도록 기인오류 및 논-커버리지 조정된 노출을 스케일링할 수 있다. 추가로 또는 대안으로, 예시적인 노출 정보 조정기(214)는 다수 또는 모든 모바일 장치 타입에 대한 노출 정보를 결정하도록 장치 타입들을 결합할 수 있다. 이후, 도 4의 예시적인 명령(400)은 종료한다.
도 5는 기인오류 보정 매트릭스 및/또는 공동-시청 매트릭스를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(500)을 나타내는 흐름도이다. 예시적인 명령(500)은 도 4의 블록 402를 구현하도록 도 2의 예시적인 공유 매트릭스 생성기(204)에 의해 실행될 수 있다.
도 2의 예시적인 공유 매트릭스 생성기(204)는 조사 교정 데이터 소스로부터(예컨대, 도 2의 교정 데이터 수집기(202)로부터) 조사 교정 데이터를 획득한다. 예컨대, 공유 매트릭스 생성기(204)는 응답 가구 내 사람이 접근가능한 장치 및/또는 응답자에 의해 다른 장치 타입에서 시청되는 미디어 카테고리를 표시하는 정보를 획득할 수 있다. 예시적인 통합 분포 생성기(218)는 미디어 카테고리를 선택한다(블록 504). 예시적인 통합 분포 생성기(218)는 장치 타입을 선택한다(블록 506). 도 5의 예에서, 미디어 카테고리 및/또는 장치 타입은 조사 교정 데이터에 나타난 미디어 카테고리 및/또는 장치 타입으로부터 선택된다. 모든 인구통계 그룹 i 및 j에 대하여, 예시적인 통합 분포 생성기(218)는: (1) 인식된 인구통계 그룹 i 내 사람이 데이터베이스 사업체(예컨대, 도 1의 데이터베이스 사업체(104a))에 의해 식별되고 (2) 실제 시청자 인구통계 그룹 j 내 사람이 실제 시청자일 확률()을 결정한다(블록 508). 예컨대, 통합 분포 생성기(218)는 상기 예시적인 표 1 내지 13을 사용하여 상기 표 14에 나타난 기인오류 보정 매트릭스를 생성할 수 있다. 블록 508을 구현하도록 실행될 수 있는 예시적인 명령이 도 6을 참조로 후술된다.
예시적인 통합 분포 생성기(218)는 인구통계 그룹 i 및 j의 모든 쌍에 대하여: (1) 인식된 인구통계 그룹 i 내 사람이 미디어의 시청자로서 데이터베이스 사업체에 의해 식별되고 (2) 실제 시청자 인구통계 그룹 j 내 사람에 대한 노출도 또한 있을 확률()을 결정한다(블록 510). 인구통계 그룹 i 및 j의 쌍에 대한 확률()의 보정은 공동-시청 매트릭스로서 집계될 수 있다. 블록 510을 구현하는 예시적인 명령이 도 8을 참조로 후술된다.
예시적인 통합 분포 생성기(218)는 조사 교정 데이터 소스로부터의 조사 교정 데이터가 처리되어야 하는 임의의 추가적인 장치 타입이 있는지를 결정한다(블록 512). 추가적인 장치 타입이 있다면(블록 512), 컨트롤은 블록 506으로 되돌아간다. 추가적인 장치 타입이 없다면(블록 512), 예시적인 통합 분포 생성기(218)는 조사 교정 데이터 소스로부터의 조사 교정 데이터가 처리되어야 하는 추가적인 미디어 카테고리가 있는지를 결정한다(블록 514). 추가적인 미디어 카테고리가 있다면, 컨트롤은 블록 504로 되돌아간다. 반면에, 추가적인 미디어 카테고리가 없다면(블록 514), 예시적인 명령(500)은 종료하며, 예컨대, 컨트롤은 도 4의 블록 404로 되돌아간다.
도 6은 기인오류 확률()을 결정하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(600)을 나타내는 흐름도이다. 예시적인 명령(600)은 도 5의 블록 508을 구현하여: (1) 인식된 인구통계 그룹 i 내 사람이 데이터베이스 사업체(예컨대, 도 1의 데이터베이스 사업체(104a))에 의해 식별되고 (2) 실제 시청자 인구통계 그룹 j 내 사람이 실제 시청자일 확률()을 결정하도록 실행될 수 있다. 초기에, 예시적인 명령(600)에서, 예시적인 가구 분포 생성기(216)는 데이터베이스 사업체(104a)의 등록된 사용자인 가구 구성원의 시청자를 재분포한다(블록 602). 예컨대, 예시적인 가구 분포 생성기(216)는 상기 표 5 및/또는 표 6과 함께 기술되는 바와 같이 선택된 미디어 카테고리에 대한 예시적인 재분포된 시청자 매트릭스를 생성할 수 있다. 예시적인 통합 분포 생성기(218)는 인식된 인구통계 그룹 i 및 실제 시청자 인구통계 그룹 j에 의한 가구들에 대해 재분포된 시청자를 집계한다(블록 604). 예컨대, 통합 분포 생성기(218)는 표 8과 함께 상술한 바와 같이 다수의 가구에 대해 선택된 미디어 카테고리에 대한 예시적인 재분포된 시청자 매트릭스를 생성할 수 있다.
예시적인 매트릭스 보정기(220)는 인식된 인구통계 그룹 i 내 제1 사람이 실제 시청자 인구통계 그룹 j 내 사람과 동일한 가구에서 살고 있을 확률(P(L)ij)을 설명하는 NPM 지수를 생성한다(블록 606). 예컨대, 예시적인 매트릭스 보정기(220)는 NPM 데이터를 조사 응답 데이터에 적용하여 표 9 내지 11과 함께 상술한 바와 같이 NPM 지수를 생성할 수 있다. 예시적인 매트릭스 보정기(220)는 NPM 지수를 가구들에 대한 재분포된 데이터베이스 사업체 노출에 적용하여 인식된 인구통계 그룹 i 내 제1 사람이 실제 시청자 인구통계 그룹 j 내 사람과 동일한 가구에서 살고 있을 확률(P(L)ij)을 처리한다(블록 608). 예컨대, 표 12와 함께 상술한 바와 같이, 매트릭스 보정기(220)는 상기 표 8의 i, j 셀 내 재분포된 시청자 값을 상기 표 11의 i, j 셀 값의 해당하는 NPM 지수와 곱함으로써 표 12 내 각각의 i, j 셀 값을 결정할 수 있다. 이런 방식으로, 매트릭스 보정기(220)는 NPM 지수를 다른 가구들에 대해 데이터베이스 사업체(104a)에 의해 수집된 재분포 노출에 적용하여 인식된 인구통계 그룹 i 내 제1 사람이 실제 시청자 인구통계 그룹 j 내 사람과 동일한 가구에서 살고 있을 확률(P(L)ij)을 처리한다.
예시적인 매트릭스 정규화기(222)는 각각의 인식된 인구통계 그룹 i에 대한 확률을 정규화한다(블록 610). 예컨대, 매트릭스 정규화기(222)는 표 14의 기인오류 매트릭스 내 각각의 열(예컨대, 데이터베이스 사업체(104a)에 의해 인식된 각각의 인구통계 그룹)을 정규화하여 각각의 열의 합계가 동일한 수(예컨대, 1.00 또는 100%)와 같도록 한다. 각각의 열을 정규화함으로써 기인오류에 대한 보정 후 노출의 수는 데이터베이스 사업체(104a)에 의해 감지된 총 노출 수와 같아지며, 데이터베이스 사업체(104a)에 의해 인식된 각각의 인구통계 그룹 i과 관련된 노출의 비율을 유지한다. 도 6의 예시적인 명령(600) 및, 예컨대, 컨트롤은 도 5의 블록 510으로 되돌아간다.
도 7은 기인오류 보정 매트릭스 및/또는 공동-시청 매트릭스를 계산하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(700)을 나타내는 흐름도이다. 예시적인 명령(700)은 도 4의 블록 402를 구현하도록 도 5를 참조로 상술한 예시적인 명령에 대한 대안의 예이다.
도 2의 예시적인 공유 매트릭스 생성기(204)는 조사 교정 데이터 소스로부터(예컨대, 도 2의 교정 데이터 수집기(202)로부터) 조사 교정 데이터를 획득한다(블록 702). 예컨대, 공유 매트릭스 생성기(204)는 응답 가구 내 사람이 접근가능한 장치 및/또는 응답자에 의해 다른 장치 타입에서 시청되는 미디어 카테고리를 표시하는 정보를 획득할 수 있다. 예시적인 통합 분포 생성기(218)는 미디어 카테고리를 선택한다(블록 704). 예시적인 통합 분포 생성기(218)는 장치 타입을 선택한다(블록 706). 도 7의 예에서, 미디어 카테고리 및/또는 장치 타입은 조사 교정 데이터에 나타난 미디어 카테고리 및/또는 장치 타입으로부터 선택된다. 인구통계 그룹 i 및 j의 모든 쌍에 대하여, 예시적인 통합 분포 생성기(218)는 (예컨대, 조사 교정 데이터 소스에 기반하여) 인식된 인구통계 그룹 i 내 사람과 실제 시청자 인구통계 그룹 j 내 사람이 동일한 가구에 살고 있을 확률(P(L)ij)을 계산한다(블록 708). 예컨대, 통합 분포 생성기(218)는 동일한 가구에 살고 있는 인구통계 그룹 i 및 j 내 사람들에 의한 공동-시청의 발생 정도를 결정할 수 있다.
인구통계 그룹 i 및 j의 모든 쌍에 대하여, 예시적인 통합 분포 생성기(218)는 모두 동일한 가구에 살고 있는 인식된 인구통계 그룹 i 내 사람과 실제 시청자 인구통계 그룹 j 내 사람이 선택된 장치 타입의 모바일 장치에 액세스할 수 있는 확률(P(D|L)ij)을 결정한다(블록 710).
인구통계 그룹 i 및 j의 모든 쌍에 대하여, 예시적인 통합 분포 생성기(218)는 동일한 가구에 살고 있고 선택된 장치 타입의 모바일 장치에 액세스할 수 있는 (데이터베이스 사업체 사용자인) 인식된 인구통계 그룹 i 내 사람과 실제 시청자 인구통계 그룹 j 내 사람이 선택된 미디어 카테고리의 시청 미디어에 대해 동일한 모바일 장치를 공유할 확률(P(Sx|D)ij)을 결정한다(블록 712). 예컨대, 통합 분포 생성기(218)는 인구통계 그룹 i 및 j 내 사람들이 모두 조사 교정 데이터로부터 선택된 장치 타입에서 선택된 미디어 카테고리의 미디어에 액세스하는 발생 정도를 결정할 수 있다.
인구통계 그룹 i 및 j의 모든 쌍에 대하여, 예시적인 통합 분포 생성기(218)는 선택된 장치 타입 및 선택된 미디어 카테고리와 관련된 기인오류 보정 매트릭스에 대하여 인구통계 그룹 i, j의 선택된 쌍에 대한 공유 확률()을 결정한다(블록 714). 예컨대, 통합 분포 생성기(218)는 상술한 예시적인 수식 1을 사용하여 공유 확률()을 계산할 수 있다.
예시적인 공동-시청 매트릭스 생성기(224)는 인구통계 그룹 i 및 j의 모든 쌍에 대하여: (1) 인식된 인구통계 그룹 i 내 사람이 미디어의 시청자로서 데이터베이스 사업체에 의해 식별되고 (2) 실제 시청자 인구통계 그룹 j 내 사람에 대한 노출도 또한 있을 확률()을 결정한다(블록 716). 인구통계 그룹 i 및 j의 쌍에 대한 확률()의 수집은 공동-시청 매트릭스로서 집계될 수 있다. 블록 716을 구현하는 예시적인 명령이 도 8을 참조로 후술된다.
예시적인 통합 분포 생성기(218)는 조사 교정 데이터 소스로부터의 조사 교정 데이터가 처리되어야 하는 임의의 추가적인 장치 타입이 있는지를 결정한다(블록 718). 추가적인 장치 타입이 있다면(블록 718), 컨트롤은 블록 706으로 되돌아간다. 추가적인 장치 타입이 없다면(블록 718), 예시적인 통합 분포 생성기(218)는 조사 교정 데이터 소스로부터의 조사 교정 데이터가 처리되어야 하는 추가적인 미디어 카테고리가 있는지를 결정한다(블록 720). 추가적인 미디어 카테고리가 있다면, 컨트롤은 블록 704로 되돌아간다. 반면에, 추가적인 미디어 카테고리가 없다면(블록 720), 예시적인 명령(700)은 종료하며, 예컨대, 컨트롤은 도 4의 블록 404로 되돌아간다.
도 8은 공동-시청 매트릭스를 계산하는데 실행될 수 있는 예시적인 기계 판독가능한 명령(800)의 흐름도이다. 예컨대, 명령(800)은 도 5의 블록 510 및/또는 도 7의 블록 716을 구현하도록 도 2의 예시적인 공동-시청 매트릭스 생성기(224)에 의해 실행될 수 있다.
인구통계 그룹 i 및 j의 모든 쌍에 대하여, 예시적인 공동-시청 매트릭스 od성기(224)는 동일한 가구에 살고 있고 선택된 장치 타입의 모바일 장치에 액세스할 수 있는 인식된 인구통계 그룹 i 내 사람과 실제 시청자 인구통계 그룹 j 내 사람이 동시에 동일한 모바일 장치를 사용하여 선택된 미디어 카테고리의 미디어에 액세스(예컨대, 시청)할 확률(P(Cx|D)ij)을 결정한다(블록 802). 즉, 예시적인 공동-시청 매트릭스 생성기(224)는 동일한 가구에 살고 있고 동일한 모바일 장치에 액세스할 수 있는 사람들을 고려하여 선택된 장치 타입, 미디어 카테고리 및 인구통계 그룹 i 및 j에 대한 공동-시청의 확률 또는 발생 정도를 결정한다. 예시적인 공동-시청 매트릭스 생성기(224)는 선택된 장치 타입 및 선택된 미디어 카테고리에 대하여 공동-시청 매트릭스에 대한 확률()을 결정한다(블록 804). 예컨대, 예시적인 공동-시청 매트릭스 생성기(224)는 확률()을 = P(L)ij×P(D|L)ij×P(Cx|D)ij로 계산할 수 있다. 예시적인 확률()은 선택된 인구통계 그룹 i 및 j의 쌍, 선택된 장치 타입 및 선택된 미디어 카테고리에 대한 공동-시청 확률을 나타낸다.
예시적인 명령(800)이 종료하며, 예컨대, 컨트롤은 도 5의 블록 512 및/또는 도 7의 블록 718로 되돌아간다.
도 9는 데이터베이스 사업체에 의해 커버되지 않은 미디어 시청자와 관련된 인구통계 프로필(또는 논-커버리지 인자)을 계산하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(900)을 나타내는 흐름도이다. 예시적인 명령(900)은 도 4의 블록 404 및 블록 405를 구현하도록 도 2의 예시적인 논-커버리지 계산기(210)에 의해 실행될 수 있다.
도 2의 예시적인 논-커버리지 계산기(210)는 조사 교정 데이터 소스로부터 조사 교정 데이터를 획득한다(블록 902). 예컨대, 논-커버리지 계산기(210)는 데이터베이스 사업체(104a)에 등록되지 않은 사람의 수 및/또는 데이터베이스 사업체(104a)에 등록되어 있지만 특정 타입의 장치로 데이터베이스 사업체(104a)에 로그인하지 않은 사람의 수를 표시하는 조사 교정 데이터를 (예컨대, 도 2의 교정 데이터 수집기(202)로부터) 획득할 수 있다.
예시적인 논-커버리지 계산기(210)는 장치 타입을 선택한다(블록 904). 예시적인 논-커버리지 계산기(210)는 인구통계 그룹을 선택한다(블록 906). 예시적인 논-커버리지 계산기(210)는 미디어 카테고리를 선택한다(블록 908). 도 9의 예에서, 미디어 카테고리, 인구통계 그룹 및/또는 장치 타입은 조사 교정 데이터에 나타난 미디어 카테고리, 인구통계 그룹 및/또는 장치 타입으로부터 선택된다. 예컨대, 논-커버리지 계산기(210)는 조사 교정 데이터 소스로부터 획득된 조사 교정 데이터에 기반하여 인구통계 그룹, 미디어 카테고리 및 장치 타입의 다른 조합에 대해 다른 알파 인자(예컨대, 표 17의 예시적인 알파 인자α= B/A)를 생성할 수 있다.
예시적인 논-커버리지 계산기(210)는 조사 교정 데이터(예컨대, 조사 교정 데이터 소스로부터의 데이터)에 기반하여 확률 B를 결정하는데, 여기서 B는 선택된 인구통계 그룹 내 사람이 선택된 장치 타입에서 선택된 미디어 카테고리 내 미디어의 아이템을 시청할 확률이다(블록 910). 도 9의 예에서, 논-커버리지 계산기(210)는 조사 교정 데이터로부터 결정되는 선택된 장치 타입, 선택된 인구통계 그룹 및/또는 선택된 미디어 카테고리와 관련된 가중치에 기반하여 확률 B를 결정한다.
또한, 예시적인 논-커버리지 계산기(210)는 조사 교정 데이터에 기반하여 확률 A를 결정하는데, 여기서 A는 선택된 인구통계 그룹 내 사람이 선택된 장치 타입과 상이한 또 다른 장치 타입(예컨대, 미디어의 아이템과 관련된 표준 장치 타입)에서 선택된 미디어 카테고리 내 미디어의 아이템을 시청할 확률이다(블록 912). 도 9의 예에서, 논-커버리지 계산기(210)는 조사 교정 데이터로부터 결정되는 다른 장치 타입, 선택된 인구통계 그룹 및/또는 선택된 미디어 카테고리와 관련된 가중치에 기반하여 확률 A를 결정한다. 도 9의 예에서, 확률 B 및 A는 선택된 장치 타입과 다른 장치 타입 모두를 통해 액세스 가능한 미디어에 대하여 결정된다.
예컨대, 특정 미디어 카테고리 내 텔레비전 프로그램의 에피소드에 대하여, 다른 장치 타입은 텔레비전일 수 있고, 선택된 장치 타입은 텔레비전 프로그램의 에피소드가 스트리밍 비디오를 통해 액세스될 수 있는 컴퓨팅 장치(예컨대, 모바일 장치들 및/또는 가령 스마트폰, 태블릿 컴퓨터 및/또는 휴대용 미디어 플레이어와 같은 더 특정된 타입의 모바일 장치들)일 수 있다. 이런 텔레비전 프로그램은 텔레비전에서 초기 또는 처음 상영 이후 스트리밍 비디오를 통해 흔히 이용가능해진다. 따라서, 사람은 텔레비전(예컨대, 다른 장치 타입)에서 및/또는 컴퓨팅 장치(예컨대, 선택된 장치 타입)에서 스트리밍 미디어를 통해 텔레비전 프로그램의 에피소드에 액세스할 수 있다.
예시적인 논-커버리지 계산기(210)는 선택된 인구통계 그룹, 선택된 미디어 카테고리 및 선택된 장치 타입에 대한 알파 인자(예컨대, 상기 표 17의α= B/A)를 결정한다(블록 914). 따라서, 도 9의 예에서, 인구통계 그룹, 미디어 카테고리 및 장치 타입의 각각의 조합은 별도의 알파 인자를 가진다. 그러나, 다른 예에서, 알파 인자는 모든 인구통계 그룹, 모든 미디어 카테고리 및/또는 모든 장치 타입에 대하여 동일할 수 있다. 추가로 또는 대안으로, 예시적인 논-커버리지 계산기(210)는 가령 지리적 영역, 방송국(station), 하루의 방송 시간대(day parts) 및/또는 다른 인자와 같은 인자들을 포함하는 조합을 사용하여 알파 인자를 결정한다.
예시적인 논-커버리지 계산기(210)는 추가적인 미디어 카테고리가 있는지를 결정한다(블록 916). 추가적인 미디어 카테고리가 있다면(블록 916), 컨트롤은 블록 908로 되돌아가서 다른 미디어 카테고리를 선택한다. 더 이상 미디어 카테고리가 없다면(블록 916), 예시적인 논-커버리지 계산기(210)는 추가적인 인구통계 그룹이 있는지를 결정한다(블록 918). 추가적인 인구통계 그룹이 있다면(블록 918), 컨트롤은 블록 906으로 되돌아가서 다른 인구통계 그룹을 선택한다. 선택된 장치 타입에 대한 인구통계 그룹이 더 이상 없다면(블록 918), 예시적인 논-커버리지 계산기(210)는 추가적인 장치 타입이 있는지를 결정한다(블록 920). 추가적인 장치 타입이 있다면(블록 920), 컨트롤은 블록 904로 되돌아가서 다른 장치 타입을 선택한다. 선택된 미디어 카테고리에 대한 추가적인 장치 타입이 없다면(블록 920), 도 9의 예시적인 명령(900)은 종료하고, 예컨대, 컨트롤은 도 4의 블록 406으로 되돌아간다.
도 10은 기인오류 보정 매트릭스에 기반하여 노출 및/또는 듀레이션 유닛을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(1000)을 나타내는 흐름도이다. 예시적인 명령(1000)은 도 4의 블록 414를 구현하도록 도 2의 예시적인 기인오류 보정기(206)에 의해 실행될 수 있다.
도 2의 예시적인 기인오류 보정기(206)는: a) 선택된 미디어 카테고리 및 선택된 장치 타입에 대응하는 기인오류 보정 매트릭스, 및 b) 각각의 인식된 인구통계 그룹 i에 대하여 데이터베이스 사업체에 의해 인식된 노출 카운트의 내적을 계산함으로써 기인오류 조정된 노출을 결정한다(블록 1002). 내적의 결과는 각각의 인구통계 그룹에 대한 기인오류 조정된 노출이다. 예컨대, 기인오류 보정기(206)는 표 14의 기인오류 보정 매트릭스와 표 15의 노출 정보의 내적을 계산하여 기인오류 보정된 노출을 획득할 수 있다.
도 2의 예시적인 기인오류 보정기(206)는: a) 선택된 미디어 카테고리 및 선택된 장치 타입에 대응하는 기인오류 보정 매트릭스, 및 b) 각각의 인식된 인구통계 그룹 i에 대하여 데이터베이스 사업체에 의해 인식된 듀레이션 유닛의 내적을 계산함으로써 기인오류 조정된 듀레이션 유닛을 결정한다(블록 1004). 예시적인 명령(1000)이 종료하며, 예컨대, 컨트롤은 도 4의 블록 416으로 되돌아간다.
도 11은 데이터베이스 사업체에 대한 논-커버리지 인자에 기반하여 노출을 조정하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(1100)을 나타내는 흐름도이다. 예시적인 명령(1100)은 도 4의 블록 416을 구현하도록 도 2의 예시적인 논-커버리지 보정기(212)에 의해 실행될 수 있다.
도 2의 예시적인 논-커버리지 보정기(212)는 인구통계 그룹을 선택한다(블록 1102). 선택된 인구통계 그룹은 표 1 내지 표 14를 참조로 상술한 인식된 인구통계 그룹 i 및/또는 실제 시청자 인구통계 그룹 j일 수 있다. 논-커버리지 보정기(212)는 선택된 인구통계 그룹, 선택된 장치 타입 및/또는 선택된 미디어 카테고리와 관련된 알파 인자(예컨대, 상기 표 17의 α= B/A)와 기인오류 조정된 노출을 곱함으로써 논-커버 노출을 결정한다(블록 1104). 예컨대, 논-커버리지 보정기(212)는 (예컨대, 블록 1102에서 선택되는) 선택된 인구통계 그룹, (예컨대, 도 4의 블록 412에서 선택되는) 선택된 장치 타입 및/또는 (예컨대, 도 4의 블록 410에서 선택되는) 선택된 미디어 카테고리에 대한 (예컨대, 도 4의 블록 404에서 및/또는 도 6의 예시적인 명령(900)에서 결정되는) 적용가능한 알파 인자를 결정할 수 있다. 예시적인 논-커버리지 보정기(212)는 결정된 알파 인자를 기인오류-조정된 노출과 곱하여 블록 1104에서 논-커버 노출을 결정한다.
예시적인 논-커버리지 보정기(212)는 추가적인 인구통계 그룹이 있는지를 결정한다(블록 1106). 추가적인 인구통계 그룹이 있다면(블록 1106), 컨트롤은 블록 1102로 되돌아가서 다른 인구통계 그룹을 선택한다. 조정될 더 이상의 인구통계 그룹이 없는 경우(블록 1106), 예시적인 논-커버리지 보정기(212)는 모든 인구통계 그룹에 대한 논-커버 노출의 합계가 논-커버 노출의 관찰된 수와 같도록 인구통계 그룹(예컨대, 동일한 계산 세트 내 모든 인구통계 그룹)에 대한 논-커버 노출을 스케일링한다(블록 1108). 예컨대, 표 17을 참조로 상술한 바와 같이, 예시적인 논-커버리지 보정기(212)는 1) 각각의 인구통계 그룹(Demos)에 대한 측정된 퍼센트(표 17의 Meas %)와 알파 인자(α= B/A)의 곱으로서 조정된 퍼센트(표 17의 Adj %)를 계산하고; 2) 조정된 퍼센트(표 17의 Adj %)를 100%의 합으로 정규화하며; 3) 정규화된 퍼센트(표 17의 Norm %)를 논-커버 노출(예컨대, 데이터베이스 사업체(104a)에 의해 인구통계 그룹(표 17의 Demos)과 관련되지 않은 노출의 수)과 곱하여 각각의 인구통계 그룹(표 17의 Demos)에 기인하는 논-커버 노출(표 17의 논-커버 노출)의 스케일링된 수를 획득할 수 있다.
도 2의 예시적인 논-커버리지 보정기(212)는 인구통계 그룹을 선택한다(블록 1110). 블록 1110에서 선택되는 인구통계 그룹은 블록 1102의 반복으로 이전에 선택되는 인구통계 그룹이다. 도시된 예에서, 블록 1110, 블록 1112 및 블록 1114는 블록 1102, 블록 1104, 블록 1106 및 블록 1108에서 결정되는 모든 인구통계 그룹에 대하여 스케일링된 논-커버 노출을 처리하도록 실행된다. 논-커버리지 보정기(212)는 (예컨대, 블록 1108에서 결정되는) 스케일링된 논-커버 노출을 인구통계 그룹에 대한 기인오류 조정된 노출에 합산하여 선택된 인구통계 그룹에 대한 기인오류 및 논-커버리지 조정된 노출을 결정한다(블록 1112).
예시적인 논-커버리지 보정기(212)는 추가적인 인구통계 그룹이 있는지를 결정한다(블록 1114). 추가적인 인구통계 그룹이 있다면(블록 1114), 컨트롤은 블록 1110으로 되돌아가서 다른 인구통계 그룹을 선택한다. 조정될 더 이상의 인구통계 그룹이 없는 경우(블록 1114), 예시적인 명령(1100)은 종료하고, 예컨대, 컨트롤은 도 4의 블록 418로 되돌아간다.
상기 예들은 노출을 참조로 기술되지만, 추가로 또는 대안으로, 예들은 고유 시청자 및/또는 듀레이션 유닛에 적용될 수 있다. 예컨대, 재분포된 시청자 매트릭스는 상술한 바대로 노출에 적용되는 대신에 관심 있는 미디어의 시청자에 적용될 수 있다. 몇몇 예에서, 단지 하나의 노출이 미디어의 시청자 내 한 사람을 카운트하는데 필요하며, 사람은 그들이 노출을 가지지 않을 때 미디어의 시청자에 카운트되지 않는다. 따라서, 예컨대, 표 3의 예에서, 12-17세 남성의 시청자는 노출의 재분포 이후 1만큼 감소하는데, 이는 12-17세 남성이 데이터베이스 사업체(104a)에 의해 미디어에 액세스한 것으로 보고되지만, 재분포 이후 태블릿 컴퓨터에서 코미디 카테고리의 미디어에 대한 노출이 없는 것으로 결정됨으로써 12-17세 남성의 시청자가 1만큼 감소하기 때문이다. 반면에, 35-44세 여성의 시청자는 1만큼 증가하는데, 이는 35-44세 여성이 데이터베이스 사업체(104a)에 의해 어떤 노출도 관련되지 않고 어떤 시청자도 없지만, 시청자의 재분포 이후, 35-44세 여성이 실제로 태블릿 컴퓨터에서 관심 있는 카테고리의 미디어에 액세스한다고 결정될 수 있기 때문이다.
도 12는 데이터베이스 사업체에 의해 커버되지 않은 미디어 시청자와 관련된 인구통계 프로필(또는 논-커버리지 인자)을 계산하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(1200)을 나타내는 흐름도이다. 예시적인 명령(1200)은 도 4의 블록 404 및 블록 405를 구현하도록 도 2의 예시적인 논-커버리지 계산기(210)에 의해 실행될 수 있다.
예시적인 논-커버리지 계산기(210)는 교정 조사로부터 데이터를 획득한다(블록 1202). 예컨대, 논-커버리지 계산기(210)는 데이터베이스 사업체(104a)에 등록되지 않은 응답자의 수 및/또는 데이터베이스 사업체(104a)에 등록되어 있지만 특정 타입의 장치에서 데이터베이스 사업체(104a)로 로그인되지 않은 응답자의 수를 표시하는 교정 조사 데이터를 획득할 수 있다.
예시적인 논-커버리지 계산기(210)는 장치 타입을 선택하고(블록 1204), 인구통계 그룹을 선택한다(블록 1206). 예시적인 논-커버리지 계산기(210)는 선택된 장치 타입에서 미디어를 시청할 때 데이터베이스 사업체(104a)에 의해 인식되지 않는 선택된 인구통계 그룹 내 교정 조사에 대한 응답자의 비율로서 선택된 인구통계 그룹 및 선택된 장치 타입에 대한 논-커버리지 인자를 결정한다(블록 1208).
예시적인 논-커버리지 계산기(210)는 추가적인 인구통계 그룹이 있는지를 결정한다(블록 1210). 추가적인 인구통계 그룹이 있다면(블록 1210), 컨트롤은 블록 1206으로 되돌아가서 다른 인구통계 그룹을 선택한다. 선택된 장치 타입에 대해 더 이상의 인구통계 그룹이 없는 경우(블록 1210), 예시적인 논-커버리지 계산기(210)는 추가적인 장치 타입이 있는지를 결정한다(블록 1212). 추가적인 장치 타입이 있다면(블록 1212), 컨트롤은 블록 1204로 되돌아가서 다른 장치 타입을 선택한다. 추가적인 장치 타입이 없는 경우(블록 1212), 도 12의 예시적인 명령(1200)은 종료하며, 예컨대, 컨트롤은 가령 도 4의 예시적인 명령(400)과 같은 프로세스 또는 호출 함수로 되돌아가서 블록 406을 계속 실행한다.
도 13은 데이터베이스 사업체에 대한 논-커버리지 인자에 기반하여 노출 카운트 및/또는 시청자 크기를 조정하기 위해 도 2의 예시적인 노출 데이터 보상기(200)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(1300)을 나타내는 흐름도이다. 예시적인 명령(1300)은 도 4의 블록 416을 구현하도록 도 2의 예시적인 논-커버리지 보정기(212)에 의해 실행될 수 있다.
도 2의 예시적인 논-커버리지 보정기(212)는 인구통계 그룹을 선택한다(블록 1302). 예시적인 논-커버리지 보정기(212)는 (도 10의 명령을 사용하여 결정되는) 기인오류 조정된 고유 시청자 크기를 1 - (선택된 인구통계 그룹 및 선택된 장치 타입에 대한 논-커버리지 인자)로 나눔으로써 기인오류 및 논-커버리지 오류 조정된 고유 시청자 크기를 결정한다(블록 1304).
예시적인 논-커버리지 보정기(212)는 기인오류 및 논-커버리지 조정된 고유 시청자 크기를 노출 정보로부터 결정되는 선택된 인구통계 그룹 및 선택된 장치 타입에 대한 빈도와 곱함으로써 기인오류 및 논-커버리지 조정된 노출 카운트를 결정한다(블록 1306).
예시적인 논-커버리지 보정기(212)는 (도 10의 명령을 사용하여 결정되는) 기인오류 조정된 듀레이션 유닛을 1 - (선택된 인구통계 그룹 및 선택된 장치 타입에 대한 논-커버리지 인자)로 나눔으로써 기인오류 및 논-커버리지 오류 조정된 듀레이션 유닛을 결정한다(블록 1308).
예시적인 논-커버리지 보정기(212)는 추가적인 인구통계 그룹이 있는지를 결정한다(블록 1310). 추가적인 인구통계 그룹이 있다면(블록 1310), 컨트롤은 블록 1302로 되돌아가서 다른 인구통계 그룹을 선택한다. 조정될 더 이상의 인구통계 그룹이 없는 경우(블록 1308), 예시적인 명령(1300)은 종료하고, 예컨대, 컨트롤은 가령 도 4의 예시적인 명령(400)과 같은 프로세스 또는 호출 함수로 되돌아가서 블록 418을 계속 실행한다.
몇몇 예에서, 데이터 선택은 장르(genre)에 기반하여 수행될 수 있다. 몇몇 예에서, 장르는 미디어 게재자(120)(예컨대, 텔레비전 네트워크 제공자, 미디어 제공자 등)에 의해 제공될 수 있다. 다른 예에서, 미디어의 제공자로부터 장르가 이용되지 않을 수 있다. 이런 다른 예에서, 장르를 쉽게 이용할 수 없는 경우, 장르는, 예컨대, 도 14-20과 함께 후술할 기법을 사용하여 예측될 수 있다.
크로스-플랫폼 시청자 측정에서, AME(예컨대, 도 1의 AME(108))는 프로그램이 텔레비전(및/또는 라디오) 방송국(예컨대, 지역 텔레비전 방송국, 지역 라디오 방송국)을 통해 방송될 때 그리고 방송 후 특정 시간(예컨대, 7일) 내에 지연된 미디어 서비스를 통해 제공될 때 텔레비전(및/또는 라디오) 프로그램의 시청자를 모니터한다. 지연된 미디어 서비스의 예는 주문형(on-demand) 서비스, 스트리밍 서비스 애플리케이션, 앱, 웹 페이지 등을 통해 모바일 장치 또는 고정형 컴퓨팅 장치에서 액세스될 수 있다. 또한, 지연된 미디어 서비스의 예는 디지털 비디오 레코더(DVRs), 케이블 박스, 인터넷-미디어 전달 세트-투-박스(set-to-boxes), 스마트 텔레비전 등에서 제공될 수 있다. 이런 방식으로, AME는 텔레비전(및/또는 라디오) 시청자 및 지연된 시청자 모두에 대한 노출을 수집함으로써 크로스-플랫폼 시청자 측정을 수행한다. 몇몇 예에서, 노출은 미디어 등급을 생성하도록 분석된다. 몇몇 예에서, 장르는 모바일 인구조사 데이터를 교정하기 위한 조정 인자를 결정하는데 사용된다. 이런 예에서, 교정된 모바일 인구조사 데이터는 등급을 생성하는데 사용된다. 장르는 예컨대 형식, 스타일 및/또는 주제 등의 유사성에 기반한 미디어의 카테고리이다. 예시적인 장르는 코미디, 드라마, 스포츠, 뉴스, 어린이 프로그램 등을 포함한다.
몇몇 예에서, 노출은 미디어에서 인코딩된 데이터에 기반하여 수집된다. 그러나, 몇몇 예에서, 인코딩된 데이터는 장르 정보를 포함하지 않는다. 예컨대, 지역 방송사에 의해 방송된 프로그램은 장르 정보를 구비하지 않으며 지역 방송에 대한 인코딩된 데이터는 프로그램명 또는 식별자를 포함하지 않는다. 또한, 장르 정보 또는 프로그램명은 심야 등급을 생성하는 시간에 방송사 또는 미디어 소유자에 의해 제공되지 않는다. 심야 등급(overnight ratings)은 노출 카운트 및 시청자 크기에 기반하여 방송 프로그램의 성과를 신속히 평가하는데 흔히 사용된다. 몇몇 예에서, 심야 등급에 반영된 방송 프로그램의 성과는 미디어 네트워크(예컨대, 텔레비전 네트워크)에 의해 예컨대 미디어 네트워크(예컨대, ABC 텔레비전 방송 회사)의 앱이나 웹 페이지 또는 지연된 시청 서비스를 통해 미디어를 제공할 권리를 소유한 제3자(예컨대, Hulu.com)를 통해 이용가능한 동일한 미디어의 지연된-시청 액세스에 대응하는 광고 공간을 판매하는데 사용될 수 있다. 본 명세서에 개시된 예들은 지역 텔레비전(및/또는 라디오) 노출의 장르를 예측하는 모델을 생성하는데 사용될 수 있다. 하기의 예가 텔레비전에 대하여 기술되지만, 하기의 예는 라디오 또는 다른 미디어 타입을 사용하여 대안으로 구현될 수 있다.
장르 예측 모델링(GENRE PREDICTION MODELING)
기인오류 및/또는 논-커버리지 보정의 상기 예는 (예컨대, 가령 상기 표 14와 같이) 다수의 기인오류 보정 표를 생성하는 것을 포함할 수 있다. 몇몇 예에서, 기인오류 보정 매트릭스는 다른 장치 타입 및/또는 다른 장르의 미디어에 대하여 생성된다. 후술할 예는 장르 정보가 노출로부터 제공되지 않는 노출의 미디어 장르를 예측하는데 사용될 수 있다. 노출에 장르를 할당함으로써, 본 명세서에 개시된 예는 상술한 노출 카운트 및/또는 시청자 크기 내 기인 오류 및/또는 논-커버리지 오류를 보상하도록 적절한 기인오류 보정 매트릭스 및/또는 논-커버리지 인자(예컨대, 상기 표 19 및/또는 표 21의 알파 인자)를 선택한다.
장르 예측 모델을 생성하는 후술할 예는 클라이언트 컴퓨터 또는 텔레비전에 로컬 설치된 인-홈 미디어 미터(in-home media meters)를 사용하여 장르 예측 모델을 용이하게 생성하도록 액세스된 미디어 또는 조정된 미디어에 대한 정보를 수집한다. 그러나, 상술한 예는 데이터베이스 사업체 등록 상태를 수집하고/하거나 가구 구성원에 의해 액세스된 미디어에 대한 데이터를 수집하는데 클라이언트 컴퓨터에 로컬-설치된 패널리스트 미터 소프트웨어(panelist meter software)에 의존하지 않고 기인오류 보정 인자를 생성한다. 장르 예측 모델링 및 장르 할당에서 클라이언트 컴퓨터 또는 텔레비전에 로컬 설치된 인-홈 미디어 미터의 사용은 노출을 수집하고/하거나 노출에 장르를 할당하는 것으로 제한된다. 이런 로컬 설치된 인-홈 미터는 본 명세서에 개시된 바와 같이 기인오류 보정 매트릭스 또는 논-커버리지 인자를 생성하는데 사용되지 않는다. 후술할 장르 예측 모델링 및 장르 할당은 상술한 바와 같이 기인오류 및/또는 논-커버리지에 대한 노출을 보정하는데 사용될 수 있다.
도 14는 장르 예측 모델을 생성하며 장르를 예측하고/하거나 논-장르 노출 데이터(1402)(예컨대, 장르 정보를 포함하지 않는 노출 데이터)에 할당하는 예시적인 시스템(1400)을 도시한다. 도시된 예에서, 인-홈 미디어 미터(1404)(예컨대, 셋톱 미터(set top meters), 개별 사람 미터(personal people meter) 등)는 로컬 텔레비전 노출 데이터(1402)를 시청자 측정 엔티티(AME)(108)로 송신한다. 도 14의 예시적인 AME(108)는 도 1의 AME(108)일 수 있다.
도시된 예에서, 로컬 텔레비전 방송사는 방송 시간에 미디어를 아직 인코딩하지 않았기 때문에 로컬 방송 텔레비전으로부터 생성된 노출 데이터(1402)는 장르 정보로 인코딩되지 않는다. 도시된 예에서, 텔레비전 시청자에 대한 로컬 텔레비전 노출 데이터(1402)를 수집함과 함께 크로스-플랫폼 시청자를 모니터하기 위해, 인터넷-가능한 미디어 장치(1410)에서 인터넷-가능한 미디어 장치(1410)를 통해 스트리밍 서비스를 사용하여 액세스되는 미디어의 노출을 수집하는 예시적인 수집기(1406)가 제공된다. 도시된 예에서, 수집기(1406)는 인터넷-가능한 미디어 액세스 장치(1410)(예컨대, 컴퓨터, 텔레비전, 태블릿, 스마트폰, 전자책(e-book) 리더 등)에 의해 실행되는 웹페이지, 애플리케이션 또는 앱(예컨대, 주문형 애플리케이션, 스트리밍 애플리케이션, DVR 액세스 애플리케이션 등)으로 통합되는 명령어를 사용하여 구현된다.
예시적인 수집기(1406)를 사용하여 노출을 수집하는 예들은, 본 명세서에 전체로서 참조로 모두 통합되는, 2013년 2월 5일자로 등록된 미국특허 제8,370,489호, 2013년 12월 18일자로 출원된 미국특허출원 제14/127,414호, 2014년 7월 11일자로 출원된 미국특허출원 제14/329,779호, 2014년 3월 13일자로 출원된 미국 가출원 제61/952,726호, 2014년 6월 19일자로 출원된 미국 가출원 제62/014,659호, 2014년 7월 11일자로 출원된 미국 가출원 제62/023,675호에 개시된다. 예시적인 미디어 미터(1404) 및/또는 예시적인 수집기(1406)는 유선 및/또는 무선 연결(예컨대, 케이블/DSL/위성 모뎀, 셀 타워 등)을 통하여 예시적인 네트워크(1412)(예컨대, 인터넷, 근거리 네트워크, 광역 네트워크, 셀룰러 데이터 네트워크 등)를 통해 예시적인 AME(108)와 통신한다.
도 14의 도시된 예에서, AME(108)는 논-장르 노출 데이터(1402)에 기반하여 AME(108)에 로그된 노출에 대한 장르를 결정하도록 논-장르 노출 데이터(1402)를 처리한다. 도시된 예에서, AME(108)는 수집 데이터베이스(1414), 장르 예측 모델화기(1416), 장르 예측기(1418), 이력 장르 데이터베이스(1420) 및 예측 데이터베이스(1422)를 포함한다. 예시적인 수집 데이터베이스(1414)가 예시적인 미디어 미터(1404) 및/또는 예시적인 수집기(1406)로부터 수신되고/되거나 검색되는 예시적인 논-장르 노출 데이터(1402)에 기반하여 로그된 노출을 저장하도록 제공된다.
예시적인 장르 예측 모델화기(1416)는 예시적인 이력 장르 데이터베이스(1420)에 저장된 이력 장르 데이터(historical genre data)에 기반하여 장르 예측 모델(들)(1428)을 생성한다. 도시된 예에서, 이력 장르 데이터는 예컨대 프로그램의 장르, 프로그램의 하루 중 방송 시간대, 프로그램의 하루 카테고리, 프로그램의 듀레이션을 식별하는 이력 프로그램 기록(historical programming records)(1430)을 포함한다. 예시적인 이력 프로그램 기록(1430)은 프로그램이 방송된 후 지역 방송사(1432)에 의해 제공되는 정보(예컨대, 프로그램 식별자, 타임스탬프(들), 방송국 식별자, 제휴사 식별자(affiliate identifier) 등)에 기반한다. 예컨대, 지역 방송사(1432)는 지역 방송 그 다음주 지역 방송 프로그램의 매 15분에 대한 기록(1430)을 제공할 수 있다.
예시적인 장르 예측기(1418)는 예시적인 장르 예측 모델화기(1416)에 의해 생성된 장르 예측 모델(들)(1428)을 사용하여 장르 정보를 예측하고 논-장르 노출 데이터(1402)를 기초로 수집 데이터베이스(1414)에 로그된 노출에 예측된 장르를 할당한다. 이런 방식으로, 예시적인 장르 예측기(1418)는 예측된-장르 노출 기록(1424)(예컨대, 예측된 장르 정보와 결합한 수집 데이터베이스(1414)에 로그된 논-장르 노출)을 생성한다. 도 14의 도시된 예에서, 예측된-장르 노출 기록(1424)은 예측 데이터베이스(1422)에 저장된다. 몇몇 예에서, 예측된-장르 노출 기록(1424)은 미-보정 노출로 사용되며, 상술한 바와 같이 예측된-장르 노출이 기인하는 인구통계 그룹을 결정하도록 기인오류 및/또는 논-커버리지에 대하여 보상될 수 있다.
도 15는 도 14의 논-장르 노출 데이터(1402)에 기반하여 수집 데이터베이스(1414)에 로그된 논-장르 노출 기록(1501)에 대한 장르 정보를 결정하는 도 14의 장르 예측기(1418)의 예시적인 구현을 도시한다. 도시된 예에서, 장르 예측기(1418)는 수집 데이터베이스(1414)로부터 논-장르 노출 기록(1501)을 수신 및/또는 검색하고, 예측 데이터베이스(1422)에 저장되고/되거나 예측 리포트(1426)에 보고되는 예측된-장르 노출 기록(1424)을 생성한다. 도 15의 도시된 예에서, 장르 예측기(1418)는 데이터 카테고리화기(1500) 및 장르 분석기(1502)를 포함한다. 예시적인 데이터 카테고리화기(1500)는 예시적인 논-장르 노출 기록(1501)을 카테고리화된 노출 데이터(1504)로 변환하도록 구성된다. 카테고리화된 노출 데이터(1504)는 도 16을 참조로 하기에 더 상세히 기술된다.
예시적인 장르 분석기(1502)는 예시적인 장르 예측 모델화기(1416)에 의해 생성된 장르 예측 모델(들)(1428)을 예시적인 카테고리화된 노출 데이터(1504)에 적용하도록 구성된다. 예시적인 장르 분석기(1502)는 장르 예측 모델(들)(1428)을 카테고리화된 노출 데이터(1504)에 적용한다. 이후, 예시적인 장르 분석기(1502)는 예측된 장르를 카테고리화된 노출 데이터(1504)에 할당하여 예시적인 예측된-장르 노출 기록(1424)을 생성한다. 예시적인 장르 분석기(1502)는 예시적인 예측 데이터베이스(1422)에 예시적인 예측된-장르 노출 데이터(1424)를 저장하고/하거나 예시적인 예측 리포트(1426)에 예시적인 예측된-장르 노출 데이터(1424)를 포함한다.
도 16은 도 15의 데이터 카테고리화기(1500)가 도 15의 장르 분석기(1502)에 의해 장르를 예측하는데 사용되는 논-장르 노출 데이터 기록(1501)을 카테고리화하는 예시적인 방식을 도시한다. 도시된 예에서, 논-장르 노출 데이터 기록(1501)은 예시적인 시장 식별자(ID)(1600), 예시적인 방송국 ID(1602), 예시적인 제휴사 ID(1604), 예시적인 시작 타임스탬프(1606), 예시적인 종료 타임스탬프(1608), 예시적인 프로그램 ID(1610) 및 예시적인 소스 ID(1612)를 포함한다. 임의의 하나 이상의 이런 필드는 생략될 수 있고 하나 이상의 추가 필드가 있을 수 있다. 예컨대, 전국 프로그램에 대응하는 논-장르 노출 데이터 기록(1501)은 프로그램 ID(1610) 및 소스 ID(1612)를 포함할 수 있다. 추가로, 지역 방송 프로그램에 대응하는 논-장르 노출 데이터 기록(1501)은 프로그램 ID(1610) 및 소스 ID(1612)를 생략할 수 있다. 예시적인 사장 ID(1600)는 해당 텔레비전 프로그램이 방송되는 시장(예컨대, 지리적 위치, 지방자치제 등)을 식별한다. 몇몇 예에서, 시장 ID(1600)는 AME(108)(도 14) 또는 임의의 다른 적절한 엔티티에 의해 할당된다. 방송국 ID(1602)는 텔레비전 프로그램을 방송하는 지역 방송국을 식별한다. 몇몇 예에서, 방송국 ID(1602)는 AME(108)(도 14) 또는 임의의 다른 적절한 엔티티에 의해 할당된 영숫자 번호이다. 몇몇 예에서, 방송국 ID(1602)는 스스로 식별하고 지역 텔레비전 방송국에 의해 사용되는 호출 부호(call sign)(예컨대, WXTV, KVEA, WSNS 등)이다.
예시적인 제휴사 ID(1604)는 지역 텔레비전 방송국의 네트워크 제휴사(network affiliate)(예컨대, American Broadcasting Company, Telemundo, FOX Broadcasting Company 등)를 식별한다. 몇몇 예에서, 제휴 ID(1604)는 네트워크 제휴사(예컨대, ABC에 대해 100, NBC에 대해 101 등)를 표현하도록 AME(108)에 의해 할당된 번호이다. 몇몇 예에서, 제휴사 ID(1604)는 네트워크 제휴사의 이름의 영문자 표현(예컨대, American Broadcasting Company에 대해 "ABC", Telemundo에 대해 "TMD" 등)일 수 있다. 예시적인 시작 타임스탬프(1606)는 논-장르 노출 기록(1501)과 관련된 프로그램의 시작 날짜 및 시작 시간을 포함한다. 예시적인 종료 타임스탬프(1608)는 논-장르 노출 기록(1501)과 관련된 프로그램의 종료 날짜 및 종료 시간을 포함한다. 논-장르 노출 기록(1501)에 포함된다면, 예시적인 프로그램 ID(1610)는 논-장르 노출 기록(1501)과 관련된 텔레비전 프로그램(예컨대, "Arrested Development", "News Radio", "Sabado Gigante" 등)을 식별한다. 몇몇 예에서, 프로그램 ID(1610)는 해당 텔레비전 프로그램의 제목 및/또는 다른 정보와 레퍼런스 데이터베이스(reference database)에서 고유하게 연관되는 숫자 또는 영숫자 식별자이다. 예시적인 소스 ID(1612)는 텔레비전 프로그램의 소스(예컨대, 제작사 등)를 식별한다.
도 16의 도시된 예에서, 카테고리화된 노출 데이터(1504)는 예시적인 시장 식별자(1600), 예시적인 방송국 ID(1602), 예시적인 제휴사 ID(1604), 예시적인 하루 카테고리(day category)(1614), 예시적인 하루 중 방송시간(1616) 및 예시적인 듀레이션(1618)을 포함한다. 예시적인 데이터 카테고리화기(1500)는 논-장르 노출 기록(1501)의 시작 타임스탬프(1606) 및 종료 타임스탬프(1608)를 사용하여 카테고리화된 노출 데이터(1504)의 예시적인 하루 카테고리(1614), 예시적인 하루 중 방송시간(1616) 및 예시적인 듀레이션(1618)을 결정한다. 도시된 예에서, 카테고리화된 노출 데이터(1504)의 듀레이션(1618)은 시작 타임스탬프(1606)에 표시된 시작 시간과 종료 타임스탬프(1608)에 표시된 종료 시간 사이의 시간 차가 되도록 데이터 카테고리화기(1500)에 의해 계산된다.
도시된 예에서, 데이터 카테고리화기(1500)는 예시적인 시작 타임스탬프(1606) 내 시작 날짜 및 예시적인 종료 타임스탬프(1608) 내 종료 날짜를 사용하여 예시적인 하루 카테고리(1614)를 결정한다. 몇몇 예에서, 하루 카테고리(1614)는 주중 하루(예컨대, 월요일, 화요일, 수요일 등)의 값을 가질 수 있다. 몇몇 예에서, 하루 카테고리(1614)는 축소된 세트의 주중 요일들일 수 있다. 예컨대, 축소된 세트는 "평일", "토요일" 또는 "일요일"에 대한 값을 포함할 수 있다. 몇몇 예에서, 예시적인 시작 타임스탬프(1606)에 표시된 시작 날짜와 예시적인 종료 타임스탬프(1608)에 표시된 종료 날짜가 상이한 경우, 데이터 카테고리화기(1500)는 프로그램이 어느 한 일자에 방송되었던 시간량에 기반하여 하루 카테고리(1614)에 그 일자를 할당할 수 있다. 예컨대, 시작 타임스탬프(1606)가 "7/25/2014 23:30"(예컨대, 금요일에 30분)이고 종료 타임스탬프(1608)가 "7/26/2014 1:00(예컨대, 토요일에 60분)"이라면, "토요일"은 하루 카테고리(1614)에 할당된다. 이런 예에서, 데이터 카테고리화기(1500)는 더 많은 프로그램이 방송되었던 일자를 하루 카테고리(1614)에 할당한다.
예시적인 데이터 카테고리화기(1500)는 예시적인 시작 타임스탬프(1606)에 표시된 시작 시간 및 예시적인 종료 타임스탬프(1608)에 표시된 내 종료 시간를 사용하여 예시적인 카테고리화된 노출 데이터(1504)의 예시적인 하루 중 방송시간(1616)을 결정한다. 도 17과 함께 하기에 더 논의되는 바와 같이, 하루 중 방송시간은 각기 다른 타입의 텔레비전 프로그램이 방송되고/되거나, 광고가 구매되고/되거나, 시청자 등급이 측정되는 동안 하루 중 시간 세그먼트 또는 파티션(예컨대, 늦은 비주류 시간대(late fringe), 평일 오전, 평일 주간, 이른 비주류 시간대(early fringe), 황금 시간대, 주말 주간 등)이다. 몇몇 예에서, 도 16의 하루 중 방송시간대(1616)는 시작 타임스탬프(1606)에 표시된 시작 시간 및 종료 타임스탬프(1608)에 표시된 종료 시간을 포함하는 하루 중 방송시간대일 수 있다.
도 14의 장르 예측기(1418)를 구현하는 예시적인 방법이 도 15에 도시되지만, 도 15에 도시된 하나 이상의 구성요소, 프로세스 및/또는 장치는 임의의 다른 방식으로 결합, 분할, 재-배열, 생략, 제거 및/또는 구현될 수 있다. 게다가, 예시적인 데이터 카테고리화기(1500), 예시적인 장르 분석기(1502), 및/또는 더 일반적으로 도 14의 예시적인 장르 예측기(1418)는 하드웨어, 소프트웨어, 펌웨어 및/또는 하드웨어, 소프트웨어 및/또는 펌웨어의 임의의 조합에 의해 구현될 수 있다. 따라서, 예컨대, 임의의 예시적인 데이터 카테고리화기(1500), 예시적인 장르 분석기(1502), 및/또는 더 일반적으로, 예시적인 장르 예측기(1418)는 하나 이상의 아날로그 또는 디지털 회로(들), 논리 회로(들), 프로그램가능한 프로세서(들), ASIC(s)(application specific integrated circuit(s)), PLD(s)(programmable logic device(s)) 및/또는 FPLD(s)(field programmable logic device(s))에 의해 구현될 수 있다. 순전히 소프트웨어 및/또는 펌웨어 구현을 커버하도록 본 특허의 임의의 장치 또는 시스템 청구항을 판독할 때, 예시적인 데이터 카테고리화기(1500), 예시적인 장르 분석기(1502) 및/또는 예시적인 장르 예측기(1418) 중 적어도 하나는 소프트웨어 및/또는 펌웨어를 저장하는, 가령 메모리, DVD(digital versatile disk), CD(compact disk), 블루레이 디스크 등과 같은, 유형의 컴퓨터 판독가능한 저장 장치 또는 저장 디스크를 포함하도록 본 명세서에서 명확히 정의된다. 더욱이, 예시적인 장르 예측기(1418)는 도 15에 도시된 바에 추가하여 또는 그 대신에 하나 이상의 구성요소, 프로세스 및/또는 장치를 포함할 수 있고/있거나, 도시된 구성요소, 프로세스 및 장치의 일부 또는 전부 중 하나 이상을 포함할 수 있다.
도 17은 도 14 및 도 15의 장르 예측기(1418)에 의해 사용되는 하루 중 방송시간대(예컨대, 도 16의 예시적인 하루 중 방송시간대(1616)에 표시될 수 있는 하루 방송시간대) 및 하루 카테고리(예컨대, 도 16의 예시적인 하루 카테고리(1614)에 표시될 수 있는 하루 카테고리)를 나타내는 예시적인 도표를 도시한다. 도시된 예에서, 주중 각각의 요일(1700)은 다수의 하루 중 방송시간대(1702)로 분할된다. 도시된 예에서, 월요일 내지 금요일은 동일한 하루 중 방송시간 세그먼트 또는 파티션(예컨대, 동일한 듀레이션을 가지고 동일한 하루 중 방송시간의 시작 시간대 및 종료 시간대로 경계지어진 하루 중 방송시간대)으로 분할된다. 대안으로, 주중 각각의 요일(1700) 또는 이들의 조합은 각기 다른 하루 중 방송시간대로 분할될 수 있다. 도시된 예에서, 하루 카테고리(1704)는 3개의 카테고리, "평일", "토요일" 및 "일요일"로 분할된다. 대안으로, 하루 카테고리(1704)는 주중 각각의 요일에 대한 개별 카테고리(예컨대, "월요일" 카테고리, "화요일" 카테고리 등)를 포함할 수 있다. 몇몇 예에서, 하루 카테고리는 함께 그룹화되는 각기 다른 요일들 사이의 유사한 특성(예컨대, 시간적 근접성, 시청자의 시청 습관)에 기반하여 각기 다른 요일 그룹(day groupings)을 가질 수 있다. 예컨대, 하루 카테고리(1704)는 (예컨대, 월요일 및 화요일을 포함하는) "주-초기(early week)" 카테고리, (예컨대, 수요일 및 목요일을 포함하는) "주-중기(mid-week)" 카테고리, (예컨대, 금요일을 포함하는) "주-후기(late week)" 카테고리 및 (예컨대, 토요일 및 일요일을 포함하는) "주말(weekend)" 카테고리를 포함할 수 있다.
도 18은 도 14의 장르 예측기(1418)에 의해 사용되는 장르 예측 모델(들)(1428)을 구성하는 도 14의 장르 예측 모델화기(1416)의 예를 도시한다. 도시된 예에서, 장르 예측 모델화기(1416)는 예시적인 장르 예측 모델 구성기(1802), 예시적인 장르 예측 모델 평가기(1804) 및 예시적인 장르 예측 모델 비교기(1806)를 포함한다. 예시적인 장르 예측 모델 구성기(1802)는 예시적인 각기 다른 모델화 기법을 사용하여 하나 이상의 후보 모델을 생성하도록 이력 장르 데이터베이스(1402)로부터의 데이터 세트를 사용한다. 장르 예측 모델화기(1416)를 구현하는데 사용될 수 있는 예시적인 모델화 기법은 로지스틱 회귀분석법(logistic regression), 선형판별 분석법(linear discriminant analysis), 2차 판별 분석법(quadratic discriminant analysis), K-최근접 이웃(k-nearest neighbor) 등을 포함한다. 예시적인 모델 구성기(1802)는 이력 장르 데이터베이스(1420)로부터 예시적인 훈련 데이터 세트(1808)를 검색한다. 도시된 예에서, 훈련 데이터 세트(1808)는 장르 예측 모델(들)(1428)로의 입력(예컨대, 도 15의 카테고리화된 노출 데이터(1504)에 포함된 변수)과 장르 예측 모델(들)(1428)의 출력(예컨대, 예측된 장르) 사이의 예상 관계를 구축하는데 사용된다. 예시적인 훈련 데이터 세트(1808)는 카테고리화된 노출 데이터(예컨대, 예시적인 시장 식별자(1600), 예시적인 방송국 ID(1602), 예시적인 제휴사 ID(1604), 예시적인 하루 카테고리(1614), 예시적인 하루 중 방송시간대(1616) 및 예시적인 듀레이션(1618)) 및 할당된 장르를 포함한다. 훈련 데이터 세트(1808)를 사용하여, 예시적인 장르 예측 모델 구성기(1802)는 하나 이상의 후보 모델(1800)을 생성한다. 후보 모델(1800)은 논-장르 노출 기록(1501)(도 14)에 장르를 할당하도록 장르 분석기(1502)(도 15)에 의해 사용되는 적합성(예컨대, 정확성)에 대해 평가되고 있는 장르 예측 모델이다. 몇몇 예에서, 장르 예측 모델 구성기(1802)는 예시적인 후보 모델(1800)을 생성한 후 훈련 데이터 세트(1808)를 사용하여 CCR(correct classification rate)을 계산한다. 몇몇 예에서, CCR은 후보 모델에 의해 정확히 예측되는 훈련 데이터 세트(1808) 내 노출의 퍼센트이다.
도 18에 도시된 예에서, 장르 예측 모델 평가기(1804)는 장르 예측 모델 구성기(1802)에 의해 생성된 후보 모델(1800)을 수신 및/또는 검색한다. 또한, 장르 예측 모델 평가기(1804)는 이력 장르 데이터베이스(1420)로부터 테스트 데이터 세트(1810)를 검색한다. 예시적인 장르 예측 모델 평가기(1804)는 테스트 데이터 세트(1810)를 사용하여 후보 모델(1800)을 실증한다. 몇몇 예에서, 장르 예측 모델 평가기(1804)는 테스트 데이터 세트(1810)를 사용하여 후보 모델에 대한 CCR을 계산한다. 이런 몇몇의 예에서, 장르 예측 모델 평가기(1804)는 테스트 데이터 세트(1810)에 포함된 관심 있는 장르에 대한 CCR을 계산한다.
도 18에 도시된 예에서, 장르 예측 모델 비교기(1806)는 AME(108)(도 14)에 의해 정의된 선택 기준(selection criteria)을 사용하여 장르 예측 모델(들)(1428)인 하나 이상의 후보 모델(1800)을 선택한다. 몇몇 예에서, 선택 기준은 최고 CCR, 최단 처리 시간, 최소 자원 요구 등을 포함한다. 몇몇 예에서, 장르 예측 모델 비교기(1806)는 최고 CCR을 가진 후보 모델(1800)을 선택한다.
도 14의 장르 예측 모델화기(1416)를 구현하는 예시적인 방법이 도 18에 도시되지만, 도 18에 도시된 하나 이상의 구성요소, 프로세스 및/또는 장치는 임의의 다른 방식으로 결합, 분할, 재-배열, 생략, 제거 및/또는 구현될 수 있다. 게다가, 예시적인 장르 예측 모델 구성기(1802), 예시적인 장르 예측 모델 평가기(1804), 예시적인 장르 예측 모델 비교기(1806) 및/또는 더 일반적으로 도 14의 예시적인 장르 예측 모델화기(1416)는 하드웨어, 소프트웨어, 펌웨어 및/또는 하드웨어, 소프트웨어 및/또는 펌웨어의 임의의 조합에 의해 구현될 수 있다. 따라서, 예컨대, 임의의 예시적인 장르 예측 모델 구성기(1802), 예시적인 장르 예측 모델 평가기(1804), 예시적인 장르 예측 모델 비교기(1806) 및/또는 더 일반적으로 예시적인 장르 예측 모델화기(1416)는 하나 이상의 아날로그 또는 디지털 회로(들), 논리 회로(들), 프로그램가능한 프로세서(들), ASIC(s)(application specific integrated circuit(s)), PLD(s)(programmable logic device(s)) 및/또는 FPLD(s)(field programmable logic device(s))에 의해 구현될 수 있다. 순전히 소프트웨어 및/또는 펌웨어 구현을 커버하도록 본 특허의 임의의 장치 또는 시스템 청구항을 판독할 때, 예시적인 장르 예측 모델 평가기(1804), 예시적인 장르 예측 모델 비교기(1806) 및/또는 예시적인 장르 예측 모델화기(1416) 중 적어도 하나는 소프트웨어 및/또는 펌웨어를 저장하는, 가령 메모리, DVD(digital versatile disk), CD(compact disk), 블루레이 디스크 등과 같은, 유형의 컴퓨터 판독가능한 저장 장치 또는 저장 디스크를 포함하도록 본 명세서에서 명확히 정의된다. 더욱이, 예시적인 장르 예측 모델화기(1416)는 도 18에 도시된 바에 추가하여 또는 그 대신에 하나 이상의 구성요소, 프로세스 및/또는 장치를 포함할 수 있고/있거나, 도시된 구성요소, 프로세스 및 장치의 일부 또는 전부 중 하나 이상을 포함할 수 있다.
도 14 및 도 18의 예시적인 장르 예측 모델화기(1416)를 구현하는 예시적인 기계 판독가능한 명령을 나타내는 흐름도가 도 19에 도시된다. 도 14 및 도 15의 예시적인 장르 예측기(1418)를 구현하는 예시적인 기계 판독가능한 명령을 나타내는 흐름도가 도 20에 도시된다. 이들 예에서, 기계 판독가능한 명령은 도 21과 함께 하기에 기술되는 예시적인 프로세서 플랫폼(2100)에 도시된 프로세서(2112)와 같은 프로세서에 의해 실행하기 위한 하나 이상의 프로그램(들)을 포함한다. 프로그램(들)은 가령 프로세서(2112)와 관련된 CD-ROM, 플로피 디스크, 하드 드라이브, DVD(digital versatile disk), 블루레이 디스크 또는 메모리와 같은 유형의 컴퓨터 판독가능한 저장매체에 저장된 소프트웨어로 구현될 수 있지만, 전체 프로그램(들) 및/또는 그 일부는 대안적으로 프로세서(2112) 이외의 장치에 의해 실행될 수 있고/있거나 펌웨어 또는 전용 하드웨어로 구현될 수 있다. 게다가, 비록 예시적인 프로그램(들)은 도 19 및 도 20에 도시된 흐름도를 참조하여 기술되지만, 대안으로서 예시적인 장르 예측기(1418) 및/또는 예시적인 장르 예측 모델화기(1416)를 구현하는 많은 다른 방법이 사용될 수 있다. 예컨대, 블록의 실행 순서가 변경될 수 있고/있거나, 기술된 블록의 일부가 변경, 제거 또는 결합될 수 있다.
상술한 바와 같이, 도 19 및/또는 도 20의 예시적인 프로세스는 가령 하드 디스크 드라이브, 플래시 메모리, 읽기-전용 메모리(ROM), CD(compact disk), DVD(digital versatile disk), 캐시, 랜덤-액세스 메모리(RAM) 및/또는 정보가 임의의 듀레이션 동안(예컨대, 확장된 시간 구간 동안, 영속적으로, 단시간의 인스턴스 동안, 일시적인 버퍼링 동안 및/또는 정보의 캐싱 동안) 저장되는 임의의 다른 저장 장치 또는 저장 디스크와 같은 유형의 컴퓨터 판독가능한 저장 매체에 저장되는 코드형 명령어(예컨대, 컴퓨터 및/또는 기계 판독가능한 명령어)를 사용하여 구현될 수 있다. 추가로 또는 대안으로, 도 19 및/또는 도 20의 예시적인 프로세스는 가령 하드 디스크 드라이브, 플래시 메모리, 읽기-전용 메모리, CD, DVD, 캐시, 랜덤-액세스 메모리 및/또는 정보가 임의의 듀레이션 동안(예컨대, 확장된 시간 구간 동안, 영속적으로, 단시간의 인스턴스 동안, 일시적인 버퍼링 동안 및/또는 정보의 캐싱 동안) 저장되는 임의의 다른 저장 장치 또는 저장 디스크와 같은 비-일시적 컴퓨터 및/또는 기계 판독가능한 매체에 저장되는 코드형 명령어(예컨대, 컴퓨터 및/또는 기계 판독가능한 명령어)를 사용하여 구현될 수 있다.
도 19는 논-장르 노출 데이터(1402)(도 14)에 기반하여 로그된 논-장르 노출에 대한 장르를 예측하는데 사용되는 장르 예측 모델(들)(예컨대, 도 18의 장르 예측 모델(들)(1428))을 구성하기 위해 도 14 및 도 18의 예시적인 장르 예측 모델화기(1416)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(1900)을 나타내는 흐름도이다. 초기에, 블록 1902에서, 장르 예측 모델 구성기(1802)(도 18)는 훈련 데이터 세트(예컨대, 도 18의 훈련 데이터 세트(1808)) 내 노출에 포함되는 변수(variables) 또는 파라미터(예컨대, 시장 식별자, 방송국 ID, 제휴사 ID, 하루 카테고리, 하루 중 방송시간 및 듀레이션)를 선택한다. 몇몇 예에서, 장르 예측 모델 구성기(1802)는 변수에 대한 통계 유의성 텍스트(statistical significance testing)를 수행(예컨대, p-값을 계산, 카이-제곱 테스트(chi-squared test)를 수행 등)하여 변수를 선택한다. 블록 1903에서, 예시적인 장르 예측 모델 구성기(1802)는 선택 기준에 기반하여 훈련 데이터 세트(1808)로부터 노출을 배제(예컨대, 관심없는 장르와 관련된 노출을 배제, 임계치 미만의 노출 또는 액세스의 듀레이션을 가진 노출을 배제 등)한다. 예컨대, 이력 장르 데이터베이스(1420)(도 14) 내 기록(1430)(도 14)의 일부는 "미분류된" 장르로 카테고리화될 수 있다. 몇몇 예에서, 장르 예측 모델(1428)이 노출에 대하여 "미분류된" 장르를 예측하는 것은 바람직하지 않을 수 있다. 이런 예에서, 장르 예측 모델(1428)이 논-장르 노출(1402)(도 14)을 "미분류된" 장르에 할당하는 것을 방지하기 위해, "미분류된" 장르로 카테고리화되는 이력 장르 데이터베이스(1420) 내 기록(1430)은 훈련 데이터 세트(1808)로부터 배제된다.
블록 1904에서, 예시적인 장르 예측 모델 구성기(1802)는 훈련 데이터 세트(1808)에 기반하여 블록 1902에서 선택되는 변수 또는 파라미터를 사용하여 후보 모델(1800)(도 18)을 구성한다. 후보 모델(1800)을 생성하는데 사용될 수 있는 예시적인 모델화 기법은 로지스틱 회귀분석법, 선형판별 분석법, 2차 판별 분석법, K-최근접 이웃 등을 포함한다. 예컨대, 장르 예측 모델 구성기(1802)는 k=9인 k-최근접 이웃 알고리즘을 사용하는 모델을 구성할 수 있다. 몇몇 예에서, 장르 예측 모델 구성기(1802)는 훈련 데이터 세트(1808)를 사용하여 후보 모델(1800)의 CCR을 계산한다. 블록 1906에서, 장르 예측 모델 평가기(1804)(도 18)는 블록 1904에서 생성된 후보 모델(1800)을 평가한다. 몇몇 예에서, 장르 예측 모델 평가기(1804)는 이력 장르 데이터베이스(1420)(도 14)로부터 텍스트 데이터 세트(들)(1810)(도 18)를 검색하며 텍스트 데이터 세트(들)(1810)를 사용하여 후보 모델(1800)의 CCR(들)을 계산한다. 이런 몇몇의 예에서, 장르 예측 모델 평가기(1804)는 테스트 데이터 세트(들)(1810)에 나타난 각각의 장르에 대한 개별 CCR(들)을 계산한다.
블록 1908에서, 장르 예측 모델 평가기(1804)는 블록 1906에서 생성된 CCR(들)이 허용되는지를 결정한다. CCR(들)이 허용된다면, 프로그램 컨트롤은 블록 1912로 진행한다. 반면, CCR(들)이 허용되지 않는다면, 프로그램 컨트롤은 블록 1910으로 진행한다. 블록 1910에서, 장르 예측 모델 구성기(1802)는 블록 1904에서 생성된 후보 모델(1800)을 정제하거나 조정한다. 몇몇 예에서, 장르 예측 모델 구성기(1802)는 모델 파라미터를 조정(예컨대, k에 대한 다른 값을 선택 등)하고/하거나, 입력 변수를 조정(예컨대, 다른 하루 카테고리를 사용, 변수를 추가 및/또는 제거 등)하고/하거나, 훈련 데이터 세트(1808)를 조정(예컨대, 훈련 데이터 세트(1808)의 크기를 증가, 가령 장르의 타입에 기반하여 이전에 배제되었던 노출을 포함하도록 훈련 데이터 세트(1808)의 구성을 변경 등)한다.
블록 1912에서, 장르 예측 모델 평가기(1804)는 다른 후보 모델(1800)이 생성되는지를 결정한다. 몇몇 예에서, 장르 예측 모델 평가기(1804)는 CCR 임계치를 사용하여 다른 후보 모델(1800)이 구성되는지를 결정한다. 몇몇 예에서, 장르 예측 모델 평가기(1804)는 처리 속도 및/또는 컴퓨팅 자원 요구에 기반하여 후보 모델(1800)을 평가한다. 다른 후보 모델(1800)이 구성된다면, 프로그램 컨트롤은 블록 1902로 되돌아간다. 반면, 다른 후보 모델(1800)이 구성되지 않는다면, 프로그램 컨트롤은 블록 1914로 진행한다. 블록 1914에서, 장르 예측 모델 비교기(1806)(도 18)는 장르 예측 모델 구성기(1802)에 의해 생성된 후보 모델(1800)을 비교한다. 몇몇 예에서, 장르 예측 모델 비교기(1806)는 후보 모델(1800)의 CCR을 비교한다. 이런 몇몇의 예에서, 관심 있는 장르에 대하여, 장르 예측 모델 비교기(1806)는 후보 모델(1800)에 대응하는 개별 CCR을 비교할 수 있다. 예컨대, 제1 후보 모델은 전체 CCR(예컨대, 관심 있는 장르에 대한 CCR의 평균 등)이 70%이지만, "가족" 장르에 대한 CCR은 30%일 수 있다. 제2 후보 모델은 전체 CCR이 65%이지만, "가족" 장르에 대한 CCR은 57%일 수 있다.
블록 1916에서, 장르 예측 모델 비교기(1806)는 장르 예측 모델 예측기(1418)에 의해 사용되도록 장르 예측 모델(1428)이 될 후보 장르 예측 모델(1800)을 선택한다. 몇몇 예에서, 장르 예측 모델 비교기(1806)는 최고의 전체 CCR을 가진 후보 모델(1800)을 선택한다. 예컨대, 상기 예에서, 장르 예측 모델 비교기(1806)는 제1 후보 모델을 선택할 것이다. 몇몇 예에서, 장르 예측 모델 비교기(1806)는 관심 있는 특정 장르에서 최고의 CCR을 가진 후보 모델(1800)을 선택한다. 예컨대, 상기 예에서, "가족" 장르에 특히 관심이 있다면, 장르 예측 모델 비교기(1806)는 제2 후보 모델의 "가족" 장르 CCR이 제1 후보 모델의 "가족" 장르 CCR보다 더 크기 때문에 제2 후보 모델을 선택할 것이다. 몇몇 예에서, 장르 예측 모델 비교기(1806)는 성능 인자(예컨대, 장르 예측에 필요한 처리 전력, 장르 예측에 필요한 처리 속도 등)에 기반하여 후보 모델(1800)을 선택한다. 이후, 도 19의 예시적인 프로그램(1900)은 종료한다.
도 20은 장르 정보로 인코딩되지 않은 로컬 텔레비전 프로그램에 대해 수집된 노출의 장르(예컨대, 도 14의 논-장르 노출 데이터(1402))를 예측하기 위해 도 14 및 도 15의 예시적인 장르 예측기(1418)를 구현하도록 실행될 수 있는 예시적인 기계 판독가능한 명령(2000)을 나타내는 흐름도이다. 블록 2002에서, 예시적인 데이터 카테고리화기(1500)(도 15 및 16)는 수집 데이터베이스(1414)(도 14 및 15)로부터 논-장르 노출 데이터(예컨대, 도 14 및 15의 논-장르 노출 데이터(1402)에 기반하여 로그된 논-장르 노출 기록(1501))를 검색한다. 블록 2004에서, 데이터 카테고리화기(1500)는 논-장르 노출 기록(1501)을 카테고리화된 노출 데이터(1504)(도 15)로 변환한다. 몇몇 예에서, 데이터 카테고리화기(1500)는 논-장르 노출 기록(1501)에 포함된 타임스탬프 값(예컨대, 도 16의 시작 타임스탬프(1606) 및 종료 타임스탬프(1608))을 사용하여 장르 예측 모델(1428)로 입력되는 논-장르 노출 기록(1501)을 카테고리화하도록 장르 예측 모델(예컨대, 도 14 및 18의 장르 예측 모델(1428))에 의해 사용된 변수를 생성한다. 예컨대, 데이터 카테고리화기(1500)는 하루 카테고리 값(1614)(도 16), 하루 중 방송시간 값(1616)(도 16) 및/또는 듀레이션 값(1618)(도 16)을 생성할 수 있다.
블록 2006에서, 장르 분석기(1502)(도 15)는 장르 예측 모델화기(1416)(도 14 및 18)에 의해 생성된 장르 예측 모델(1428)을 카테고리화된 노출 데이터(1504)에 적용하여 장르 정보를 예측한다. 몇몇 예에서, 장르 예측은 정확도(accuracy level)를 포함할 수 있다. 이런 몇몇의 예에서, 정확도는 장르 예측 모델화기(1416)에 의해 계산된 장르 예측 모델(1428)의 CCR(들)에 기반할 수 있다. 블록 2008에서, 장르 분석기(1502)는 장르 예측을 논-장르 노출 데이터(1402)과 연관시켜 예측된-장르 노출(1424)(도 14 및 15)을 생성한다. 몇몇의 예에서, 장르 분석기(1502)는 예측 데이터베이스(1422)(도 14 및 15)에 예측된-장르 노출(1424)을 저장한다. 대안으로 또는 추가로, 장르 분석기(1502)는 예측 리포트(1426)(도 14 및 15)에 예측된-장르 노출(1424)을 포함한다. 이후, 도 20의 예시적인 프로그램(2000)은 종료한다.
도 21은 도 2의 예시적인 교정 데이터 수집기(202), 예시적인 공유 매트릭스 생성기(204), 예시적인 기인오류 보정기(206), 예시적인 노출 정보 수집기(208), 예시적인 논-커버리지 계산기(210), 예시적인 논-커버리지 보정기(212), 예시적인 노출 정보 조정기(214), 예시적인 가구 분포 생성기(216), 예시적인 통합 분포 생성기(218), 예시적인 매트릭스 보정기(220), 예시적인 매트릭스 정규화기(222), 예시적인 공동-시청 매트릭스 생성기(224) 및/또는, 더 일반적으로, 예시적인 노출 데이터 보상기(200)를 구현하도록 도 4, 5, 6, 7, 8, 9, 10, 11, 12 및/또는 13의 명령을 실행할 수 있는 예시적인 프로세서 플랫폼(1200)의 블록도이다. 프로세서 플랫폼(2100)은 예컨대 서버, 개인용 컴퓨터, 모바일 장치(예컨대, 셀 폰, 스마트폰, iPadTM과 같은 태블릿), 인터넷 가전 또는 임의의 다른 타입의 컴퓨팅 장치일 수 있다.
도시된 예의 프로세서 플랫폼(2100)은 프로세서(2112)를 포함한다. 도시된 예의 프로세서(2112)는 하드웨어이다. 예컨대, 프로세서(2112)는 임의의 원하는 패밀리 또는 제조자로부터의 하나 이상의 집적 회로, 논리 회로, 마이크로프로세서 또는 제어기에 의해 구현될 수 있다. 도 21의 예시적인 프로세서(2100)는 예시적인 교정 데이터 수집기(202), 예시적인 공유 매트릭스 생성기(204), 예시적인 기인오류 보정기(206), 예시적인 노출 정보 수집기(208), 예시적인 논-커버리지 계산기(210), 예시적인 논-커버리지 보정기(212), 예시적인 노출 정보 조정기(214), 예시적인 가구 분포 생성기(216), 예시적인 통합 분포 생성기(218), 예시적인 매트릭스 보정기(220), 예시적인 매트릭스 정규화기(222) 및/또는 예시적인 공동-시청 매트릭스 생성기(224)를 구현할 수 있다.
도시된 예의 프로세서(2112)는 로컬 메모리(2113)(예컨대, 캐시)를 포함한다. 도시된 예의 프로세서(2112)는 버스(2118)를 통해 휘발성 메모리(2114) 및 비-휘발성 메모리(2116)를 포함하는 메인 메모리와 통신한다. 휘발성 메모리(2114)는 SDRAM(Synchronous Dynamic Random Access Memory), DRAM(Dynamic Random Access Memory), RDRAM(RAMBUS Dynamic Random Access Memory) 및/또는 임의의 다른 타입의 랜덤 액세스 메모리 장치에 의해 구현될 수 있다. 비-휘발성 메모리(2116)는 플래시 메모리 및/또는 임의의 다른 소기의 타입의 메모리 장치에 의해 구현될 수 있다. 메인 메모리(2114, 2116)로의 액세스는 메모리 제어기에 의해 제어된다.
또한, 도시된 예의 프로세서 플랫폼(2100)은 인터페이스 회로(2120)를 포함한다. 인터페이스 회로(2120)는 가령 이더넷 인터페이스, USB(universal serial bus) 및/또는 PCI 익스프레스 인터페이스(PCI express interface)와 같은 임의의 타입의 인터페이스 표준에 의해 구현될 수 있다.
도시된 예에서, 하나 이상의 입력 장치(2122)는 인터페이스 회로(2120)와 연결된다. 입력 장치(들)(2122)는 사용자가 프로세서(2112)에 데이터 및 명령을 입력하도록 허용한다. 입력 장치(들)는 예컨대 오디오 센서, 마이크로폰, 카메라(스틸 또는 비디오), 키보드, 버튼, 마우스, 터치스크린, 트랙-패드, 트랙볼, 아이소포인트(isopoint) 및/또는 음성 인식 시스템에 의해 구현될 수 있다.
또한, 하나 이상의 출력 장치(2124)는 도시된 예의 인터페이스 회로(2120)와 연결된다. 출력 장치(2124)는 예컨대 디스플레이 장치(예컨대, LED(light emitting diode), OLED(organic light emitting diode), 액정 디스플레이, CRT(cathode ray tube display), 터치스크린, 촉각 출력 장치(tactile output device), LED(light emitting diode), 프린터 및/또는 스피커)에 의해 구현될 수 있다. 따라서, 도시된 예의 인터페이스 회로(2120)는 통상 그래픽 드라이버 카드, 그래픽 드라이버 칩 또는 그래픽 드라이버 프로세서를 포함한다.
또한, 도시된 예의 인터페이스 회로(2120)는 네트워크(2126)(예컨대, 이더넷 연결, DSL(digital subscriber line), 전화선, 동축 케이블, 셀룰러 전화 시스템 등)를 통해 외부 기계(예컨대, 임의의 종류의 컴퓨팅 장치)와의 데이터 교환을 용이하게 하는, 가령 송신기, 수신기, 송수신기, 모뎀 및/또는 네트워크 인터페이스 카드와 같은, 통신 장치를 포함한다.
또한, 도시된 예의 프로세서 플랫폼(2100)은 소프트웨어 및/또는 데이터를 저장하기 위한 하나 이상의 대용량 저장 장치(2128)를 포함한다. 도 21의 예시적인 대용량 저장 장치(2128)는 도 1의 AME 미디어 노출 스토어(134)를 구현할 수 있다. 이런 대용량 저장 장치(2128)의 예는 플로피 디스크 드라이브, 하드 드라이브 디스크, 콤팩트 디스크 드라이브, 블루레이 디스크 드라이브, RAID 시스템 및 DVD(digital versatile disk) 드라이브를 포함한다.
도 4, 5, 6, 7, 8, 9, 10, 11, 12 및/또는 13의 코드형 명령(2132)은 대용량 저장 장치(2128), 휘발성 메모리(2114), 비-휘발성 메모리(2116) 및/또는 가령 CD 또는 DVD와 같은 착탈식 유형의 컴퓨터 판독가능한 저장매체에 저장될 수 있다.
도 22는 예시적인 수집 데이터베이스(1414), 예시적인 장르 예측 모델화기(1416), 예시적인 장르 예측기(1418), 예시적인 이력 장르 데이터베이스(1420), 예시적인 예측 데이터베이스(1422), 예시적인 데이터 카테고리화기(1500), 예시적인 장르 분석기(1502), 예시적인 장르 예측 모델 구성기(1802), 예시적인 장르 예측 모델 평가기(1804), 예시적인 장르 예측 모델 비교기(1806) 및/또는, 더 일반적으로, 도 1의 예시적인 시청자 측정 엔티티(108)를 구현하도록 도 19 및/또는 20의 명령을 실행할 수 있는 예시적인 프로세서 플랫폼(1200)의 블록도이다. 프로세서 플랫폼(2200)은 예컨대 서버, 개인용 컴퓨터, 모바일 장치(예컨대, 셀 폰, 스마트폰, iPadTM과 같은 태블릿), 인터넷 가전 또는 임의의 다른 타입의 컴퓨팅 장치일 수 있다.
도시된 예의 프로세서 플랫폼(2200)은 프로세서(2212)를 포함한다. 도시된 예의 프로세서(2212)는 하드웨어이다. 예컨대, 프로세서(2212)는 임의의 원하는 패밀리 또는 제조자로부터의 하나 이상의 집적 회로, 논리 회로, 마이크로프로세서 또는 제어기에 의해 구현될 수 있다. 도 22의 예시적인 프로세서(2212)는 예시적인 장르 예측 모델화기(1416), 예시적인 장르 예측기(1418), 예시적인 데이터 카테고리화기(1500), 예시적인 장르 분석기(1502), 예시적인 장르 예측 모델 구성기(1802), 예시적인 장르 예측 모델 평가기(1804) 및/또는 예시적인 장르 예측 모델 비교기(1806)를 구현할 수 있다.
도시된 예의 프로세서(2212)는 로컬 메모리(2213)(예컨대, 캐시)를 포함한다. 도시된 예의 프로세서(2212)는 버스(2218)를 통해 휘발성 메모리(2214) 및 비-휘발성 메모리(2216)를 포함하는 메인 메모리와 통신한다. 휘발성 메모리(2214)는 SDRAM(Synchronous Dynamic Random Access Memory), DRAM(Dynamic Random Access Memory), RDRAM(RAMBUS Dynamic Random Access Memory) 및/또는 임의의 다른 타입의 랜덤 액세스 메모리 장치에 의해 구현될 수 있다. 비-휘발성 메모리(2216)는 플래시 메모리 및/또는 임의의 다른 소기의 타입의 메모리 장치에 의해 구현될 수 있다. 메인 메모리(2214, 2216)로의 액세스는 메모리 제어기에 의해 제어된다.
또한, 도시된 예의 프로세서 플랫폼(2200)은 인터페이스 회로(2220)를 포함한다. 인터페이스 회로(2220)는 가령 이더넷 인터페이스, USB(universal serial bus) 및/또는 PCI 익스프레스 인터페이스(PCI express interface)와 같은 임의의 타입의 인터페이스 표준에 의해 구현될 수 있다.
도시된 예에서, 하나 이상의 입력 장치(2222)는 인터페이스 회로(2220)와 연결된다. 입력 장치(들)(2222)는 사용자가 프로세서(2212)에 데이터 및 명령을 입력하도록 허용한다. 입력 장치(들)는 예컨대 오디오 센서, 마이크로폰, 카메라(스틸 또는 비디오), 키보드, 버튼, 마우스, 터치스크린, 트랙-패드, 트랙볼, 아이소포인트(isopoint) 및/또는 음성 인식 시스템에 의해 구현될 수 있다.
또한, 하나 이상의 출력 장치(2224)는 도시된 예의 인터페이스 회로(2220)와 연결된다. 출력 장치(2224)는 예컨대 디스플레이 장치(예컨대, LED(light emitting diode), OLED(organic light emitting diode), 액정 디스플레이, CRT(cathode ray tube display), 터치스크린, 촉각 출력 장치(tactile output device), LED(light emitting diode), 프린터 및/또는 스피커)에 의해 구현될 수 있다. 따라서, 도시된 예의 인터페이스 회로(2220)는 통상 그래픽 드라이버 카드, 그래픽 드라이버 칩 또는 그래픽 드라이버 프로세서를 포함한다.
또한, 도시된 예의 인터페이스 회로(2220)는 네트워크(2226)(예컨대, 이더넷 연결, DSL(digital subscriber line), 전화선, 동축 케이블, 셀룰러 전화 시스템 등)를 통해 외부 기계(예컨대, 임의의 종류의 컴퓨팅 장치)와의 데이터 교환을 용이하게 하는, 가령 송신기, 수신기, 송수신기, 모뎀 및/또는 네트워크 인터페이스 카드와 같은, 통신 장치를 포함한다.
또한, 도시된 예의 프로세서 플랫폼(2200)은 소프트웨어 및/또는 데이터를 저장하기 위한 하나 이상의 대용량 저장 장치(2228)를 포함한다. 도 22의 예시적인 대용량 저장 장치(2228)는 AME 미디어 노출 스토어(134), 예시적인 수집 데이터베이스(1414), 예시적인 이력 장르 데이터베이스(1420) 및/또는 예시적인 예측 데이터베이스(1422)를 구현할 수 있다. 이런 대용량 저장 장치(2228)의 예는 플로피 디스크 드라이브, 하드 드라이브 디스크, 콤팩트 디스크 드라이브, 블루레이 디스크 드라이브, RAID 시스템 및 DVD(digital versatile disk) 드라이브를 포함한다.
도 19 및/또는 20의 코드형 명령(2232)은 대용량 저장 장치(2228), 휘발성 메모리(2214), 비-휘발성 메모리(2216) 및/또는 가령 CD 또는 DVD와 같은 착탈식 유형의 컴퓨터 판독가능한 저장매체에 저장될 수 있다.
상술한 내용으로부터, 컴퓨터 및 컴퓨터 내 처리 시스템이 더 높은 정확성으로 시청자 분석 정보를 생성하는데 필요할 수 있도록 가령 고유 시청자, 노출 카운트 및 듀레이션 유닛과 같은 노출-기반 데이터의 정확성을 높이기 위해 컴퓨터의 연산을 향상시키는 방법, 장치 및 제조물품이 개시되었음이 인식될 수 있다. 몇몇 예에서, 컴퓨터 연산은 기인오류-보정 및/또는 논-커버리지-보정된 고유 시청자 크기, 기인오류-보정 및/또는 논-커버리지-보정된 노출 카운트, 및/또는 기인오류-보정 및/또는 논-커버리지-보정된 듀레이션 유닛을 결정하기 위한 상기 수식 및 기법에 기반하여 더 효율적으로 이루어질 수 있다. 즉, 이런 프로세스의 사용을 통해, 컴퓨터는 기인오류-보정 및/또는 논-커버리지-보정된 데이터를 결정하도록 상술한 기법을 통해 상대적으로 신속히 파라미터를 결정하고 이런 파라미터를 적용함으로써 더 효율적으로 동작할 수 있다. 예컨대, 본 명세서에 기술된 예시적인 프로세스를 사용하여, 컴퓨터는 개별 온라인 사용자와 계속 통신하여 이런 온라인 사용자로부터의 계속적인 조사 응답에 의존할 필요 없이 그들의 온라인 미디어 액세스 습관에 대한 조사 응답을 요청하기 위해 대용량의 네트워크 통신 대역폭을 사용하지 않으며(예컨대, 네트워크 통신 대역폭을 절약하며) 대용량의 컴퓨터 처리 자원을 사용하지 않고(예컨대, 처리 자원을 절약하고) AME(108) 및 데이터베이스 사업체(104a-b)에 의해 로그된 개발 또는 테스트 데이터 내에서 더 효율적이고 효과적으로 기인오류 에러를 보정(예컨대, 상기 표 14의 기인오류 보정 매트릭스를 노출, 고유 시청자 크기 및/또는 듀레이션 유닛에 적용)하고/하거나 논-커버리지 오류를 보정(예컨대, 논-커버리지 인자 또는 알파 인자를 노출, 고유 시청자 크기 및/또는 듀레이션 유닛에 적용)할 수 있다. 온라인 사용자로부터의 조사 응답은 온라인 미디어 액세스의 재수집시 사용자의 무능 및 비자발성으로 인해 정확하지 않을 수 있다. 또한, 조사 응답은 불완전할 수 있어서 불완전한 조사 응답을 식별하고 보완하는데 추가적인 프로세서 자원이 필요할 수 있다. 이와 같이, 본 명세서에 개시된 예들은 기인오류-보정된 데이터를 더 효율적이고 효과적으로 결정한다. 이런 기인오류-보정된 데이터는 미디어 제공자, 광고자, 제품 제조사 및/또는 서비스 제공자가 광고 비용 및/또는 미디어 생성 및 분배 비용의 소비 방식에 대해 더 현명한 결정을 할 수 있도록 다른 미디어의 노출 성과를 식별하기 위한 후속 프로세싱에 유용하다.
비록 본 명세서에서는 방법, 장치 및 제조물품의 임의의 예가 개시되었지만, 본 발명의 보호범위가 이에 국한되는 것은 아니다. 반면에, 본 발명은 본 발명의 청구항들의 타당한 범위 내에 있는 모든 방법, 장치 및 제조물품을 포함한다.
Claims (24)
- 장르 정보로 인코딩되지 않은 노출의 장르(genre of impression)를 예측하는 기기로서,
수집 데이터베이스의 서버에서 로그된 비-장르 노출 기록을 검색하고; 및
비-장르 노출 기록에 포함된 정보에 기반하여 비-장르 노출 기록을 카테고리화된 노출 데이터로 변환하는 데이터 분류기; 및
장르 예측을 생성하기 위해 카테고리화된 노출 데이터에 장르 예측 모델을 적용하고; 및
예측된 장르 노출을 생성하기 위해 장르 예측으로 비-장르 노출 기록을 업데이트하는 장르 분석기;
를 포함하고,
상기 장르 예측 모델은 예측 모델의 정확도를 나타내는 분류 비율을 포함하며,
상기 예측된 장르 노출은 예측 데이터베이스에 저장되는 노출의 장르를 예측하는 기기. - 제 1 항에 있어서,
트레이닝 데이터 세트에서 비-장르 노출 기록들의 변수를 선택하는 장르 예측 모델 구성기를 더 포함하는 노출의 장르를 예측하는 기기. - 제 2 항에 있어서,
장르 예측 모델 구성기는 변수에 대해 통계적 유의성 테스트를 수행함으로써 변수를 선택하는 노출의 장르를 예측하는 기기. - 제 2 항에 있어서,
장르 예측 모델 구성기는 선택 기준에 기반하여 트레이닝 데이터 세트로부터 비-장르 노출 기록의 적어도 일부를 배제하는 노출의 장르를 예측하는 기기. - 제 2 항에 있어서,
장르 예측 모델 구성기는 변수를 사용하여 후보 모델을 구성하는 노출의 장르를 예측하는 기기. - 제 5 항에 있어서,
이력 데이터베이스로부터 테스트 데이터 세트를 검색하는 것에 기반하여 후보 모델을 평가하고; 및
후보 모델의 제2 분류 비율을 계산하는 장르 예측 모델 평가기를 더 포함하는 노출의 장르를 예측하는 기기. - 제 6 항에 있어서,
장르 예측 모델 평가기는 제2 분류 비율이 임계치를 충족하지 않는 것에 응답하여 변수를 조정하는 노출의 장르를 예측하는 기기. - 제 6 항에 있어서,
장르 예측 모델 평가기는 가장 높은 정확성을 갖는 제2 후보 모델 또는 후보 모델 중 하나를 결정하기 위해 후보 모델의 제2 분류 비율을 제2 후보 모델의 제3 분류 비율과 비교하는 노출의 장르를 예측하는 기기. - 실행될 때, 머신으로 하여금 적어도:
수집 데이터베이스의 서버에서 로그된 비-장르 노출 기록을 검색하고;
비-장르 노출 기록에 포함된 정보에 기반하여 비-장르 노출 기록을 카테고리화된 노출 데이터로 변환하며;
장르 예측을 생성하기 위해 카테고리화된 노출 데이터에 장르 예측 모델을 적용하고; 및
예측된 장르 노출을 생성하기 위해 장르 예측으로 비-장르 노출 기록을 업데이트하도록 야기하는 명령어;
를 포함하는 비-일시적 컴퓨터 판독가능한 매체로서,
상기 장르 예측 모델은 예측 모델의 정확도를 나타내는 분류 비율을 포함하며,
상기 예측된 장르 노출은 예측 데이터베이스에 저장되는 노출의 장르를 예측하는 비-일시적 컴퓨터 판독가능한 매체. - 제 9 항에 있어서,
명령어는 머신으로 하여금, 트레이닝 데이터 세트에서 비-장르 노출 기록들의 변수를 선택하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 10 항에 있어서,
명령어는 머신으로 하여금, 변수에 대해 통계적 유의성 테스트를 수행함으로써 변수를 선택하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 10 항에 있어서,
명령어는 머신으로 하여금: 선택 기준에 기반하여 트레이닝 데이터 세트로부터 비-장르 노출 기록의 적어도 일부를 배제하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 10 항에 있어서,
명령어는 머신으로 하여금, 변수를 사용하여 후보 모델을 구성하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 13 항에 있어서,
명령어는 머신으로 하여금:
이력 데이터베이스로부터 테스트 데이터 세트를 검색하는 것에 기반하여 후보 모델을 평가하고; 및
후보 모델의 제2 분류 비율을 계산하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 14 항에 있어서,
명령어는 머신으로 하여금, 제2 분류 비율이 임계치를 충족하지 않는 것에 응답하여 변수를 조정하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 제 14 항에 있어서,
명령어는 머신으로 하여금, 가장 높은 정확성을 갖는 제2 후보 모델 또는 후보 모델 중 하나를 결정하기 위해 후보 모델의 제2 분류 비율을 제2 후보 모델의 제3 분류 비율과 비교하도록 더 야기하는 비-일시적 컴퓨터 판독가능한 매체. - 장르 정보로 인코딩되지 않은 노출의 장르(genre of impression)를 예측하는 방법으로서,
프로세서로 명령어를 실행함으로써, 수집 데이터베이스의 서버에서 로그된 비-장르 노출 기록을 검색하는 단계;
프로세서로 명령어를 실행함으로써, 비-장르 노출 기록에 포함된 정보에 기반하여 비-장르 노출 기록을 카테고리화된 노출 데이터로 변환하는 단계;
프로세서로 명령어를 실행함으로써, 장르 예측을 생성하기 위해 카테고리화된 노출 데이터에 장르 예측 모델을 적용하는 단계; 및
프로세서로 명령어를 실행함으로써, 예측된 장르 노출을 생성하기 위해 장르 예측으로 비-장르 노출 기록을 업데이트하는 단계;
를 포함하고,
상기 장르 예측 모델은 예측 모델의 정확도를 나타내는 분류 비율을 포함하며,
상기 예측된 장르 노출은 예측 데이터베이스에 저장되는 노출의 장르를 예측하는 방법. - 제 17 항에 있어서,
트레이닝 데이터 세트에서 비-장르 노출 기록들의 변수를 선택하는 단계를 더 포함하는 노출의 장르를 예측하는 방법. - 제 18 항에 있어서,
변수를 선택하는 단계는 변수에 대해 통계적 유의성 테스트를 수행하는 단계를 포함하는 노출의 장르를 예측하는 방법. - 제 18 항에 있어서,
선택 기준에 기반하여 트레이닝 데이터 세트로부터 비-장르 노출 기록의 적어도 일부를 배제하는 단계를 더 포함하는 노출의 장르를 예측하는 방법. - 제 18 항에 있어서,
변수를 사용하여 후보 모델을 구성하는 단계를 더 포함하는 노출의 장르를 예측하는 방법. - 제 21 항에 있어서,
이력 데이터베이스로부터 테스트 데이터 세트를 검색하는 것에 기반하여 후보 모델을 평가하는 단계; 및
후보 모델의 제2 분류 비율을 계산하는 단계를 더 포함하는 노출의 장르를 예측하는 방법. - 제 22 항에 있어서,
제2 분류 비율이 임계치를 충족하지 않는 것에 응답하여 변수를 조정하는 단계를 더 포함하는 노출의 장르를 예측하는 방법. - 제 23 항에 있어서,
가장 높은 정확성을 갖는 제2 후보 모델 또는 후보 모델 중 하나를 결정하기 위해 후보 모델의 제2 분류 비율을 제2 후보 모델의 제3 분류 비율과 비교하는 단계를 더 포함하는 노출의 장르를 예측하는 방법.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020207036005A KR102317823B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Applications Claiming Priority (15)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201461952726P | 2014-03-13 | 2014-03-13 | |
US61/952,726 | 2014-03-13 | ||
US201461979391P | 2014-04-14 | 2014-04-14 | |
US61/979,391 | 2014-04-14 | ||
US201461986784P | 2014-04-30 | 2014-04-30 | |
US61/986,784 | 2014-04-30 | ||
US201461991286P | 2014-05-09 | 2014-05-09 | |
US61/991,286 | 2014-05-09 | ||
US201462014659P | 2014-06-19 | 2014-06-19 | |
US62/014,659 | 2014-06-19 | ||
US201462023675P | 2014-07-11 | 2014-07-11 | |
US62/023,675 | 2014-07-11 | ||
US201462030571P | 2014-07-29 | 2014-07-29 | |
US62/030,571 | 2014-07-29 | ||
PCT/US2014/068623 WO2015138016A1 (en) | 2014-03-13 | 2014-12-04 | Methods and apparatus to compensate impression data for misattribution and/or non-coverage by a database proprietor |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020167024073A Division KR101934841B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020207036005A Division KR102317823B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190002736A true KR20190002736A (ko) | 2019-01-08 |
KR102193392B1 KR102193392B1 (ko) | 2020-12-22 |
Family
ID=54069304
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227041801A KR102663453B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020167024073A KR101934841B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020187037635A KR102193392B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020217034007A KR102473454B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020207036005A KR102317823B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227041801A KR102663453B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020167024073A KR101934841B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217034007A KR102473454B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
KR1020207036005A KR102317823B1 (ko) | 2014-03-13 | 2014-12-04 | 데이터베이스 사업자에 의한 기인오류 및/또는 논-커버리지에 대해 노출 데이터를 보상하기 위한 방법 및 장치 |
Country Status (10)
Country | Link |
---|---|
US (4) | US20150262207A1 (ko) |
EP (2) | EP4219071A3 (ko) |
JP (5) | JP6239784B2 (ko) |
KR (5) | KR102663453B1 (ko) |
CN (2) | CN106462858B (ko) |
AU (4) | AU2014386191A1 (ko) |
CA (2) | CA3119830C (ko) |
DE (1) | DE202014011625U1 (ko) |
GB (1) | GB2539588A (ko) |
WO (1) | WO2015138016A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021173845A1 (en) * | 2020-02-28 | 2021-09-02 | The Nielsen Company (Us), Llc | Methods and apparatus to predict in-tab drop using artificial intelligence |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3027898C (en) | 2010-09-22 | 2023-01-17 | The Nielsen Company (Us), Llc | Methods and apparatus to determine impressions using distributed demographic information |
EP2656297B1 (en) | 2010-12-20 | 2024-07-17 | The Nielsen Company (US), LLC | Methods and apparatus to determine media impressions using distributed demographic information |
WO2012128895A2 (en) | 2011-03-18 | 2012-09-27 | The Nielsen Company (Us), Llc | Methods and apparatus to determine media impressions |
AU2013204865B2 (en) | 2012-06-11 | 2015-07-09 | The Nielsen Company (Us), Llc | Methods and apparatus to share online media impressions data |
AU2013204953B2 (en) | 2012-08-30 | 2016-09-08 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions |
US9697533B2 (en) | 2013-04-17 | 2017-07-04 | The Nielsen Company (Us), Llc | Methods and apparatus to monitor media presentations |
US9519914B2 (en) | 2013-04-30 | 2016-12-13 | The Nielsen Company (Us), Llc | Methods and apparatus to determine ratings information for online media presentations |
US10068246B2 (en) | 2013-07-12 | 2018-09-04 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions |
US10956947B2 (en) | 2013-12-23 | 2021-03-23 | The Nielsen Company (Us), Llc | Methods and apparatus to measure media using media object characteristics |
US9852163B2 (en) | 2013-12-30 | 2017-12-26 | The Nielsen Company (Us), Llc | Methods and apparatus to de-duplicate impression information |
US9237138B2 (en) | 2013-12-31 | 2016-01-12 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions and search terms |
US10147114B2 (en) | 2014-01-06 | 2018-12-04 | The Nielsen Company (Us), Llc | Methods and apparatus to correct audience measurement data |
US20150193816A1 (en) | 2014-01-06 | 2015-07-09 | The Nielsen Company (Us), Llc | Methods and apparatus to correct misattributions of media impressions |
CN106462858B (zh) * | 2014-03-13 | 2022-03-08 | 尼尔森(美国)有限公司 | 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置 |
US10311464B2 (en) * | 2014-07-17 | 2019-06-04 | The Nielsen Company (Us), Llc | Methods and apparatus to determine impressions corresponding to market segments |
US20160063539A1 (en) | 2014-08-29 | 2016-03-03 | The Nielsen Company (Us), Llc | Methods and apparatus to associate transactions with media impressions |
US9402111B2 (en) * | 2014-09-17 | 2016-07-26 | Ispot.Tv, Inc. | Television audience measurement method and apparatus |
US20160189182A1 (en) | 2014-12-31 | 2016-06-30 | The Nielsen Company (Us), Llc | Methods and apparatus to correct age misattribution in media impressions |
US20160342699A1 (en) * | 2015-05-18 | 2016-11-24 | Turn Inc. | Systems, methods, and devices for profiling audience populations of websites |
US9870486B2 (en) | 2015-05-28 | 2018-01-16 | The Nielsen Company (Us), Llc | Methods and apparatus to assign demographic information to panelists |
US10045082B2 (en) * | 2015-07-02 | 2018-08-07 | The Nielsen Company (Us), Llc | Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices |
US10380633B2 (en) * | 2015-07-02 | 2019-08-13 | The Nielsen Company (Us), Llc | Methods and apparatus to generate corrected online audience measurement data |
US9838754B2 (en) | 2015-09-01 | 2017-12-05 | The Nielsen Company (Us), Llc | On-site measurement of over the top media |
US10332158B2 (en) | 2015-09-24 | 2019-06-25 | The Nielsen Company (Us), Llc | Methods and apparatus to adjust media impressions based on media impression notification loss rates in network communications |
US10205994B2 (en) | 2015-12-17 | 2019-02-12 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions |
US10045057B2 (en) | 2015-12-23 | 2018-08-07 | The Nielsen Company (Us), Llc | Methods and apparatus to generate audience measurement data from population sample data having incomplete demographic classifications |
CN105678587B (zh) * | 2016-01-12 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种推荐特征确定方法、信息推荐方法及装置 |
US10270673B1 (en) | 2016-01-27 | 2019-04-23 | The Nielsen Company (Us), Llc | Methods and apparatus for estimating total unique audiences |
US10547906B2 (en) | 2016-06-07 | 2020-01-28 | The Nielsen Company (Us), Llc | Methods and apparatus to impute media consumption behavior |
US20180020251A1 (en) * | 2016-07-15 | 2018-01-18 | Comcast Cable Communications, Llc | Programming Insight And Analysis |
WO2018096400A1 (en) * | 2016-11-23 | 2018-05-31 | Head Research Inc. | Method, apparatus, and computer-readable media for a web-based opinion survey factory |
US20180315060A1 (en) * | 2016-12-16 | 2018-11-01 | The Nielsen Company (Us), Llc | Methods and apparatus to estimate media impression frequency distributions |
US20180198543A1 (en) * | 2017-01-11 | 2018-07-12 | The Nielsen Company (Us), Llc | Methods and apparatus to improve media monitoring by adjusting for co-viewing |
US10469903B2 (en) | 2017-02-09 | 2019-11-05 | The Nielsen Company (Us), Llc | Methods and apparatus to correct misattributions of media impressions |
US10631018B2 (en) * | 2017-08-15 | 2020-04-21 | The Nielsen Company (Us), Llc | Methods and apparatus of identification of streaming activity and source for cached media on streaming devices |
US11468186B2 (en) * | 2017-10-30 | 2022-10-11 | Equifax Inc. | Data protection via aggregation-based obfuscation |
WO2019191875A1 (en) * | 2018-04-02 | 2019-10-10 | The Nielsen Company (Us), Llc | Processor systems to estimate audience sizes and impression counts for different frequency intervals |
WO2020103079A1 (en) | 2018-11-22 | 2020-05-28 | The Nielsen Company (US) , LLC | Methods and apparatus to reduce computer-generated errors in computer-generated audience measurement data |
US20200202370A1 (en) * | 2018-12-21 | 2020-06-25 | The Nielsen Company (Us), Llc | Methods and apparatus to estimate misattribution of media impressions |
US11308514B2 (en) * | 2019-08-26 | 2022-04-19 | The Nielsen Company (Us), Llc | Methods and apparatus to estimate census level impressions and unique audience sizes across demographics |
US20210158376A1 (en) * | 2019-11-27 | 2021-05-27 | The Nielsen Company (Us), Llc | Methods, systems and apparatus to estimate census-level audience, impressions, and durations across demographics |
WO2021231299A1 (en) * | 2020-05-13 | 2021-11-18 | The Nielsen Company (Us), Llc | Methods and apparatus to generate computer-trained machine learning models to correct computer-generated errors in audience data |
JP2022017758A (ja) * | 2020-07-14 | 2022-01-26 | 株式会社ビデオリサーチ | 再生端末数算出装置、再生端末数算出方法、及びプログラム |
US20220058665A1 (en) * | 2020-08-21 | 2022-02-24 | The Nielsen Company (Us), Llc | Methods and apparatus to assign demographic distribution data to digital television ratings (dtvr) |
US12008587B2 (en) * | 2020-08-21 | 2024-06-11 | The Nielsen Company (Us), Llc | Methods and apparatus to generate audience metrics using matrix analysis |
US11392982B2 (en) * | 2020-10-15 | 2022-07-19 | Jpmorgan Chase Bank, N.A. | Method for accounting for impact of uncertainty in customer surveys |
CN112308437B (zh) * | 2020-11-04 | 2024-07-19 | 国网北京市电力公司 | 基于大数据分析的线损治理方法、系统、装置和存储介质 |
CN112100547B (zh) * | 2020-11-10 | 2021-06-18 | 北京数智新天信息技术咨询有限公司 | 一种页面数据采集的方法、装置及电子设备 |
US11758210B1 (en) * | 2021-06-24 | 2023-09-12 | Amazon Technologies, Inc. | Audience matching and content selection for unidentified audiences |
US11564012B1 (en) * | 2021-07-29 | 2023-01-24 | The Nielsen Company (Us), Llc | Methods and apparatus to identify and triage digital ad ratings data quality issues |
US20230032845A1 (en) * | 2021-08-02 | 2023-02-02 | The Nielsen Company (Us), Llc | Methods and apparatus to generate audience metrics for connected television |
US12028578B2 (en) | 2021-09-27 | 2024-07-02 | The Nielsen Company (Us), Llc | Methods and apparatus to determine demographic classifications for census level impression counts and unique audience sizes |
US20230311006A1 (en) * | 2022-03-31 | 2023-10-05 | Dell Products L.P. | Determination of a parameter setting based on a calibration relationship for an information handling system |
JP7198965B1 (ja) | 2022-09-08 | 2023-01-04 | 株式会社ビデオリサーチ | データ処理装置、データ処理方法、およびプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6446261B1 (en) * | 1996-12-20 | 2002-09-03 | Princeton Video Image, Inc. | Set top device for targeted electronic insertion of indicia into video |
JP2003067399A (ja) * | 2001-08-27 | 2003-03-07 | Nec Corp | オーディオ信号からの分類データの抽出方法と機械学習のためのオーディオ信号の表現方法、記録媒体、装置 |
KR20050058982A (ko) * | 2003-12-12 | 2005-06-17 | 엔이씨 일렉트로닉스 가부시키가이샤 | 시청 정보 수집 시스템, 시청 정보 수집 서버, 및 휴대용단말기 |
KR20110071452A (ko) * | 2009-12-21 | 2011-06-29 | 주식회사 케이티 | 장르 가중치를 이용한 방송 프로그램 추천 방법 및 장치 |
Family Cites Families (372)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658290A (en) | 1983-12-08 | 1987-04-14 | Ctba Associates | Television and market research data collection system and method |
US4621325A (en) | 1984-06-06 | 1986-11-04 | Information Retrieval Methods, Inc. | Method for monitoring receipt and stocking of goods in a direct store delivery |
GB2176639B (en) | 1985-05-31 | 1988-11-23 | Mars Inc | Data acquisition system |
US5113518A (en) | 1988-06-03 | 1992-05-12 | Durst Jr Robert T | Method and system for preventing unauthorized use of software |
AU4522489A (en) | 1989-01-09 | 1990-08-01 | Kabushikigaisha Shogakuikueisha Kyoikukenkyusho | Apparatus for grasping tv viewing condition in household |
US5457645A (en) * | 1989-11-24 | 1995-10-10 | Matsushita Electric Industrial Co., Ltd. | Pattern recognition system including a circuit for detecting maximum or minimum data elements which determines the standard pattern closest to the input pattern |
US5214780A (en) | 1990-03-23 | 1993-05-25 | Sun Microsystems, Inc. | Synchronized journaling system |
EP0852442B1 (en) | 1992-12-09 | 2000-11-02 | Discovery Communications, Inc. | Television program delivery system |
JP3400068B2 (ja) | 1994-03-18 | 2003-04-28 | 富士通株式会社 | レスポンス金額予測システム |
CA2119970A1 (en) | 1994-03-25 | 1995-09-26 | Michael A. Lyons | Program monitoring system |
US5594934A (en) | 1994-09-21 | 1997-01-14 | A.C. Nielsen Company | Real time correlation meter |
US5758257A (en) | 1994-11-29 | 1998-05-26 | Herz; Frederick | System and method for scheduling broadcast of and access to video programs and other data using customer profiles |
US5695009A (en) | 1995-10-31 | 1997-12-09 | Sonoma Corporation | Downhole oil well tool running and pulling with hydraulic release using deformable ball valving member |
US5651010A (en) | 1995-03-16 | 1997-07-22 | Bell Atlantic Network Services, Inc. | Simultaneous overlapping broadcasting of digital programs |
WO1996028904A1 (en) | 1995-03-16 | 1996-09-19 | Bell Atlantic Network Services, Inc. | Simulcasting digital video programs for broadcast and interactive services |
US5675510A (en) | 1995-06-07 | 1997-10-07 | Pc Meter L.P. | Computer use meter and analyzer |
US8574074B2 (en) | 2005-09-30 | 2013-11-05 | Sony Computer Entertainment America Llc | Advertising impression determination |
US5848396A (en) | 1996-04-26 | 1998-12-08 | Freedom Of Information, Inc. | Method and apparatus for determining behavioral profile of a computer user |
US5832520A (en) | 1996-07-03 | 1998-11-03 | Miller, Call, Plauck And Miller | Automatic file differencing and updating system |
US6073241A (en) | 1996-08-29 | 2000-06-06 | C/Net, Inc. | Apparatus and method for tracking world wide web browser requests across distinct domains using persistent client-side state |
US6108637A (en) | 1996-09-03 | 2000-08-22 | Nielsen Media Research, Inc. | Content display monitor |
US5870740A (en) | 1996-09-30 | 1999-02-09 | Apple Computer, Inc. | System and method for improving the ranking of information retrieval results for short queries |
US5948061A (en) | 1996-10-29 | 1999-09-07 | Double Click, Inc. | Method of delivery, targeting, and measuring advertising over networks |
US6052730A (en) | 1997-01-10 | 2000-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Method for monitoring and/or modifying web browsing sessions |
US6035339A (en) | 1997-03-13 | 2000-03-07 | At&T Corporation | Network information delivery system for delivering information based on end user terminal requirements |
US5796952A (en) | 1997-03-21 | 1998-08-18 | Dot Com Development, Inc. | Method and apparatus for tracking client interaction with a network resource and creating client profiles and resource database |
US6643696B2 (en) | 1997-03-21 | 2003-11-04 | Owen Davis | Method and apparatus for tracking client interaction with a network resource and creating client profiles and resource database |
IL121230A (en) | 1997-07-03 | 2004-05-12 | Nds Ltd | Intelligent electronic program guide |
US6141694A (en) | 1997-09-16 | 2000-10-31 | Webtv Networks, Inc. | Determining and verifying user data |
US6286140B1 (en) | 1997-11-20 | 2001-09-04 | Thomas P. Ivanyi | System and method for measuring and storing information pertaining to television viewer or user behavior |
US6098093A (en) | 1998-03-19 | 2000-08-01 | International Business Machines Corp. | Maintaining sessions in a clustered server environment |
US6279036B1 (en) | 1998-05-15 | 2001-08-21 | International Business Machines Corporation | Method and apparatus for detecting actual viewing or electronic advertisements |
US20020095676A1 (en) | 1998-05-15 | 2002-07-18 | Robert A. Knee | Interactive television program guide system for determining user values for demographic categories |
US7240022B1 (en) | 1998-05-19 | 2007-07-03 | Mypoints.Com Inc. | Demographic information gathering and incentive award system and method |
US6434614B1 (en) | 1998-05-29 | 2002-08-13 | Nielsen Media Research, Inc. | Tracking of internet advertisements using banner tags |
US6223215B1 (en) | 1998-09-22 | 2001-04-24 | Sony Corporation | Tracking a user's purchases on the internet by associating the user with an inbound source and a session identifier |
EP1135741B1 (en) | 1998-11-30 | 2004-02-25 | Index Systems, Inc. | Smart agent based on habit, statistical inference and psycho-demographic profiling |
US6684194B1 (en) | 1998-12-03 | 2004-01-27 | Expanse Network, Inc. | Subscriber identification system |
US6457010B1 (en) | 1998-12-03 | 2002-09-24 | Expanse Networks, Inc. | Client-server based subscriber characterization system |
US7260823B2 (en) | 2001-01-11 | 2007-08-21 | Prime Research Alliance E., Inc. | Profiling and identification of television viewers |
US7150030B1 (en) | 1998-12-03 | 2006-12-12 | Prime Research Alliance, Inc. | Subscriber characterization system |
US7949565B1 (en) | 1998-12-03 | 2011-05-24 | Prime Research Alliance E., Inc. | Privacy-protected advertising system |
US6055573A (en) | 1998-12-30 | 2000-04-25 | Supermarkets Online, Inc. | Communicating with a computer based on an updated purchase behavior classification of a particular consumer |
CA2363501C (en) | 1999-02-17 | 2005-01-04 | Index Systems, Inc. | System and method for tailoring television and/or electronic program guide features, such as advertising |
US6460079B1 (en) | 1999-03-04 | 2002-10-01 | Nielsen Media Research, Inc. | Method and system for the discovery of cookies and other client information |
US6529952B1 (en) | 1999-04-02 | 2003-03-04 | Nielsen Media Research, Inc. | Method and system for the collection of cookies and other information from a panel |
US6721713B1 (en) | 1999-05-27 | 2004-04-13 | Andersen Consulting Llp | Business alliance identification in a web architecture framework |
US7523191B1 (en) | 2000-06-02 | 2009-04-21 | Yahoo! Inc. | System and method for monitoring user interaction with web pages |
US6102406A (en) | 1999-06-07 | 2000-08-15 | Steven A. Miles | Internet-based advertising scheme employing scavenger hunt metaphor |
EP1059599A3 (en) | 1999-06-08 | 2002-09-25 | Nokia Corporation | Method and apparatus for retrieving specific information associated with an obtained indentifier |
US6606657B1 (en) | 1999-06-22 | 2003-08-12 | Comverse, Ltd. | System and method for processing and presenting internet usage information |
US7010497B1 (en) | 1999-07-08 | 2006-03-07 | Dynamiclogic, Inc. | System and method for evaluating and/or monitoring effectiveness of on-line advertising |
AUPQ206399A0 (en) | 1999-08-06 | 1999-08-26 | Imr Worldwide Pty Ltd. | Network user measurement system and method |
US6415323B1 (en) | 1999-09-03 | 2002-07-02 | Fastforward Networks | Proximity-based redirection system for robust and scalable service-node location in an internetwork |
US6839680B1 (en) | 1999-09-30 | 2005-01-04 | Fujitsu Limited | Internet profiling |
US6704787B1 (en) | 1999-12-03 | 2004-03-09 | Intercard Payments, Inc. | Date of birth authentication system and method using demographic and/or geographic data supplied by a subscriber that is verified by a third party |
US6691163B1 (en) | 1999-12-23 | 2004-02-10 | Alexa Internet | Use of web usage trail data to identify related links |
US6993590B1 (en) | 2000-01-13 | 2006-01-31 | Inktomi Corporation | Method of creating data streams for user-specific usage data gathering systems |
US7146329B2 (en) | 2000-01-13 | 2006-12-05 | Erinmedia, Llc | Privacy compliant multiple dataset correlation and content delivery system and methods |
US7139723B2 (en) | 2000-01-13 | 2006-11-21 | Erinmedia, Llc | Privacy compliant multiple dataset correlation system |
US7065503B2 (en) | 2000-01-14 | 2006-06-20 | Matsushita Electric Industrial Co., Ltd. | Cookie data stored on transportable recording medium |
WO2001052168A1 (en) | 2000-01-14 | 2001-07-19 | Matsushita Electric Industrial Company, Limited | Cookie data stored on transportable recording medium |
WO2001054034A1 (en) | 2000-01-21 | 2001-07-26 | Angara E-Commerce Services, Inc. | Electronic commerce services |
US7930285B2 (en) | 2000-03-22 | 2011-04-19 | Comscore, Inc. | Systems for and methods of user demographic reporting usable for identifying users and collecting usage data |
US7260837B2 (en) | 2000-03-22 | 2007-08-21 | Comscore Networks, Inc. | Systems and methods for user identification, user demographic reporting and collecting usage data usage biometrics |
US7181412B1 (en) | 2000-03-22 | 2007-02-20 | Comscore Networks Inc. | Systems and methods for collecting consumer data |
JP2001338176A (ja) | 2000-03-23 | 2001-12-07 | Casio Comput Co Ltd | 情報伝達仲介方法及びシステム |
JP2001282982A (ja) | 2000-03-28 | 2001-10-12 | Hisahiro Negi | Webマーケティングシステム |
US7039699B1 (en) | 2000-05-02 | 2006-05-02 | Microsoft Corporation | Tracking usage behavior in computer systems |
US7962603B1 (en) | 2000-06-06 | 2011-06-14 | Nobuyoshi Morimoto | System and method for identifying individual users accessing a web site |
JP2001357192A (ja) | 2000-06-12 | 2001-12-26 | Toshiba Corp | 顧客意識調査方法およびシステム、ならびにプログラムを記憶した記憶媒体 |
KR100765735B1 (ko) | 2000-07-03 | 2007-10-15 | 삼성전자주식회사 | 인터넷을 통한 사용자 정보 보호 시스템 및 그 방법 |
EP1222599A2 (en) | 2000-07-18 | 2002-07-17 | Yahoo Inc. | System and method for selecting alternative advertising inventory in place of sold out advertising inventory |
WO2002019717A2 (en) | 2000-08-31 | 2002-03-07 | Myrio Corporation | Real-time audience monitoring, content rating, and content enhancing |
KR20020037980A (ko) | 2000-11-16 | 2002-05-23 | 김형순 | 정보 중개 시스템 |
JP2002163562A (ja) | 2000-11-27 | 2002-06-07 | Dainippon Printing Co Ltd | 情報配信サーバー装置 |
US6879960B2 (en) | 2000-12-01 | 2005-04-12 | Claritas, Inc. | Method and system for using customer preferences in real time to customize a commercial transaction |
US20030006911A1 (en) | 2000-12-22 | 2003-01-09 | The Cadre Group Inc. | Interactive advertising system and method |
EP1223757B1 (en) | 2001-01-09 | 2006-03-22 | Metabyte Networks, Inc. | System, method, and software application for targeted advertising via behavioral model clustering, and preference programming based on behavioral model clusters |
JP2002324025A (ja) * | 2001-02-20 | 2002-11-08 | Sony Computer Entertainment Inc | 視聴率調査装置及び方法、ネットワーク配信番組受信装置及び受信方法、視聴率調査システム、視聴率調査プログラムを記録した記録媒体、ネットワーク配信番組受信装置の制御プログラムを記録した記録媒体、視聴率調査プログラム及びネットワーク配信番組受信装置の制御プログラム |
JP4248183B2 (ja) | 2001-02-26 | 2009-04-02 | パナソニック株式会社 | クッキー処理プログラムおよび画像データ表示装置 |
JP2002344933A (ja) * | 2001-03-15 | 2002-11-29 | Matsushita Electric Ind Co Ltd | データ放送を利用した視聴情報収集システム及び方法、並びにそのシステムに用いられる放送受信端末、視聴情報サーバ、販売店端末及び視聴情報利用端末 |
US20020133393A1 (en) | 2001-03-15 | 2002-09-19 | Hidenori Tatsumi | Viewing information collection system and method using data braodcasting, and broadcast receiver, viewing information server, shop terminal, and advertiser terminal used therein |
AU2002305137A1 (en) | 2001-04-06 | 2002-10-21 | Predictive Media Corporation | Method and apparatus for identifying unique client users from user behavioral data |
WO2002084507A1 (en) | 2001-04-13 | 2002-10-24 | Netiq Corporation | User-side tracking of multimedia application usage within a web page |
US7647418B2 (en) | 2001-06-19 | 2010-01-12 | Savvis Communications Corporation | Real-time streaming media measurement system and method |
JP2003027860A (ja) | 2001-07-12 | 2003-01-29 | Tamotsu Fukazawa | サッシ用防水水受け水切りセット |
JP2003044396A (ja) | 2001-08-03 | 2003-02-14 | Fujitsu Ltd | アクセス管理方法 |
US20030037131A1 (en) | 2001-08-17 | 2003-02-20 | International Business Machines Corporation | User information coordination across multiple domains |
JP2003067289A (ja) | 2001-08-30 | 2003-03-07 | Bear Communications Co Ltd | ウェブ広告配信システム |
JPWO2003027860A1 (ja) | 2001-09-19 | 2005-01-13 | 株式会社エヌ・ティ・ティ・アド | 時間軸上で変化するコンテンツを配信するコンテンツ配信システム、コンテンツ配信サーバ、ログ収集サーバ、コンテンツ中継サーバ、ユーザ端末、コンテンツ視聴状態把握方法、レコメンデーション方法及びコンテンツ提供方法 |
US20030074252A1 (en) | 2001-10-12 | 2003-04-17 | Avenue A, Inc. | System and method for determining internet advertising strategy |
US6877007B1 (en) | 2001-10-16 | 2005-04-05 | Anna M. Hentzel | Method and apparatus for tracking a user's interaction with a resource supplied by a server computer |
US7272617B1 (en) | 2001-11-30 | 2007-09-18 | Ncr Corp. | Analytic data set creation for modeling in a customer relationship management system |
US7343417B2 (en) | 2001-11-30 | 2008-03-11 | Knowledge Networks, Inc. | System and method for rating media information |
US7103749B2 (en) | 2002-02-01 | 2006-09-05 | John Fairweather | System and method for managing memory |
US20030177488A1 (en) | 2002-03-12 | 2003-09-18 | Smith Geoff S. | Systems and methods for media audience measurement |
US7899915B2 (en) | 2002-05-10 | 2011-03-01 | Richard Reisman | Method and apparatus for browsing using multiple coordinated device sets |
US20030229884A1 (en) | 2002-05-21 | 2003-12-11 | Hewlett-Packard Development Company | Interaction manager template |
US20040167763A1 (en) | 2002-05-31 | 2004-08-26 | Liebman Michael N | Information processing method for evaluating biochemical pathway models using clinical data |
EP1379044A1 (en) | 2002-06-22 | 2004-01-07 | TELEFONAKTIEBOLAGET LM ERICSSON (publ) | Method for providing information to a web server |
US20040003394A1 (en) | 2002-07-01 | 2004-01-01 | Arun Ramaswamy | System for automatically matching video with ratings information |
US8086559B2 (en) | 2002-09-24 | 2011-12-27 | Google, Inc. | Serving content-relevant advertisements with client-side device support |
US7890451B2 (en) | 2002-10-09 | 2011-02-15 | Compete, Inc. | Computer program product and method for refining an estimate of internet traffic |
US20040088212A1 (en) * | 2002-10-31 | 2004-05-06 | Hill Clarke R. | Dynamic audience analysis for computer content |
US7505958B2 (en) | 2004-09-30 | 2009-03-17 | International Business Machines Corporation | Metadata management for a data abstraction model |
US7574423B2 (en) | 2003-03-20 | 2009-08-11 | International Business Machines Corporation | Partial data model exposure through client side caching |
CA2686265A1 (en) | 2003-06-17 | 2004-12-17 | Ibm Canada Limited - Ibm Canada Limitee | Multiple identity management in an electronic commerce site |
ZA200600900B (en) | 2003-08-01 | 2007-05-30 | Tacoda Systems Inc | System and method for segmenting and targeting audience members |
US8464290B2 (en) | 2003-08-01 | 2013-06-11 | Tacoda, Inc. | Network for matching an audience with deliverable content |
US7805332B2 (en) | 2003-08-01 | 2010-09-28 | AOL, Inc. | System and method for segmenting and targeting audience members |
US9117217B2 (en) | 2003-08-01 | 2015-08-25 | Advertising.Com Llc | Audience targeting with universal profile synchronization |
US20070198327A1 (en) | 2003-08-15 | 2007-08-23 | Amir Yazdani | Systems and methods for measuring, targeting, verifying, and reporting advertising impressions |
US7053799B2 (en) | 2003-08-28 | 2006-05-30 | Motorola, Inc. | Keypad with illumination structure |
WO2005024689A1 (ja) | 2003-09-04 | 2005-03-17 | Interscope Inc. | 消費者の購買行動分析方法及び装置 |
US7152074B2 (en) | 2003-09-19 | 2006-12-19 | International Business Machines Corporation | Extensible framework supporting deposit of heterogenous data sources into a target data repository |
AU2003272178A1 (en) | 2003-10-24 | 2005-05-11 | Telefonaktiebolaget Lm Ericsson (Publ) | A method and device for audience monitoring on multicast capable networks |
JP4384895B2 (ja) | 2003-11-14 | 2009-12-16 | フィールファイン株式会社 | 年齢アセスメント装置及び年齢アセスメント方法 |
US20050144069A1 (en) | 2003-12-23 | 2005-06-30 | Wiseman Leora R. | Method and system for providing targeted graphical advertisements |
US7949639B2 (en) | 2004-02-20 | 2011-05-24 | Symphonyiri Group, Inc. | Attribute segments and data table bias reduction |
US7792954B2 (en) | 2004-04-02 | 2010-09-07 | Webtrends, Inc. | Systems and methods for tracking web activity |
US20050267799A1 (en) | 2004-05-10 | 2005-12-01 | Wesley Chan | System and method for enabling publishers to select preferred types of electronic documents |
US8942882B2 (en) | 2004-07-02 | 2015-01-27 | The Boeing Company | Vehicle health management systems and methods |
US7302447B2 (en) | 2005-01-14 | 2007-11-27 | International Business Machines Corporation | Virtual columns |
WO2006020560A2 (en) | 2004-08-09 | 2006-02-23 | Nielsen Media Research, Inc | Methods and apparatus to monitor audio/visual content from various sources |
US7546370B1 (en) | 2004-08-18 | 2009-06-09 | Google Inc. | Search engine with multiple crawlers sharing cookies |
US20060089754A1 (en) | 2004-10-27 | 2006-04-27 | Andrew Mortenson | An installed Vehicle Personal Computing (VPC) system with touch interaction, voice interaction or sensor interaction(s) that provides access to multiple information sources and software applications such as internet connected data applications, dynamic traffic-aware navigational routing, vehicle tracking, emergency accident dispatching, business applications, office applications, music and video player(s), personal info portal, vehicle monitoring, alarm and camera security and recording. |
JP2006127320A (ja) * | 2004-10-29 | 2006-05-18 | Solid Technology Kk | 端末属性推定装置および端末属性推定方法 |
JP2006127321A (ja) | 2004-10-29 | 2006-05-18 | Solid Technology Kk | 端末属性後付装置および端末属性後付方法 |
JP4640582B2 (ja) | 2005-03-09 | 2011-03-02 | ソニー株式会社 | 照合装置、登録装置、画像補正方法及びプログラム |
US8131861B2 (en) | 2005-05-20 | 2012-03-06 | Webtrends, Inc. | Method for cross-domain tracking of web site traffic |
US8312172B2 (en) | 2005-05-26 | 2012-11-13 | Bytemobile, Inc. | Method and system for delta compression |
US7849154B2 (en) | 2005-06-27 | 2010-12-07 | M:Metrics, Inc. | Acquiring, storing, and correlating profile data of cellular mobile communications system's users to events |
JP4764103B2 (ja) | 2005-08-18 | 2011-08-31 | 株式会社東芝 | コンテンツデータ配信システム、及び情報処理装置 |
CN100452781C (zh) | 2005-10-26 | 2009-01-14 | 华为技术有限公司 | 一种传送目的地用户部分不可用消息的方法 |
US20080086356A1 (en) | 2005-12-09 | 2008-04-10 | Steve Glassman | Determining advertisements using user interest information and map-based location information |
US20090030780A1 (en) | 2006-01-03 | 2009-01-29 | Ds-Iq, Inc. | Measuring effectiveness of marketing campaigns presented on media devices in public places using audience exposure data |
US20070208640A1 (en) | 2006-02-21 | 2007-09-06 | Banasiak Michael J | Method and Apparatus for Assessing Debtor Payment Behavior |
EP2011002B1 (en) | 2006-03-27 | 2016-06-22 | Nielsen Media Research, Inc. | Methods and systems to meter media content presented on a wireless communication device |
MX2007015979A (es) | 2006-03-31 | 2009-04-07 | Nielsen Media Res Inc | Metodos, sistemas y aparato para medicion de multiples fines. |
US7941525B1 (en) | 2006-04-01 | 2011-05-10 | ClickTale, Ltd. | Method and system for monitoring an activity of a user |
US20130254787A1 (en) | 2006-05-02 | 2013-09-26 | Invidi Technologies Corporation | Method and apparatus to perform real-time audience estimation and commercial selection suitable for targeted advertising |
US8131763B2 (en) | 2006-05-03 | 2012-03-06 | Cellco Partnership | Age verification and content filtering systems and methods |
US20070271580A1 (en) | 2006-05-16 | 2007-11-22 | Bellsouth Intellectual Property Corporation | Methods, Apparatus and Computer Program Products for Audience-Adaptive Control of Content Presentation Based on Sensed Audience Demographics |
US20070271518A1 (en) | 2006-05-16 | 2007-11-22 | Bellsouth Intellectual Property Corporation | Methods, Apparatus and Computer Program Products for Audience-Adaptive Control of Content Presentation Based on Sensed Audience Attentiveness |
US7818290B2 (en) | 2006-06-14 | 2010-10-19 | Identity Metrics, Inc. | System to associate a demographic to a user of an electronic system |
CN101536503B (zh) | 2006-06-15 | 2012-09-26 | 尼尔森(美国)有限公司 | 利用隐藏字幕信息来计量内容曝光的方法和装置 |
US20080004958A1 (en) | 2006-06-29 | 2008-01-03 | Tony Ralph | Client side counting verification testing |
CN100456298C (zh) | 2006-07-12 | 2009-01-28 | 百度在线网络技术(北京)有限公司 | 广告信息检索系统及广告信息检索方法 |
US20100004977A1 (en) | 2006-09-05 | 2010-01-07 | Innerscope Research Llc | Method and System For Measuring User Experience For Interactive Activities |
KR100823853B1 (ko) * | 2006-09-22 | 2008-04-21 | 숭실대학교산학협력단 | 인구통계학적 속성과 구매이력을 이용한 개인화 콘텐츠추천 방법 |
US20080097806A1 (en) | 2006-10-24 | 2008-04-24 | Harver Group Llc | Social Online Memory Systems |
US8700457B2 (en) | 2007-01-03 | 2014-04-15 | William H. Bollman | Mobile phone based rebate device for redemption at a point of sale terminal |
CN101222348B (zh) | 2007-01-10 | 2011-05-11 | 阿里巴巴集团控股有限公司 | 统计网站真实用户的方法及系统 |
US7996519B1 (en) | 2007-03-07 | 2011-08-09 | Comscore, Inc. | Detecting content and user response to content |
US8166076B2 (en) | 2007-03-08 | 2012-04-24 | Microsoft Corporation | Digital media metadata management |
KR100910517B1 (ko) | 2007-03-21 | 2009-07-31 | 엔에이치엔비즈니스플랫폼 주식회사 | 브라우저-로그인 맵핑을 통한 타겟 인벤토리 확장 방법 및시스템 |
JP2008252536A (ja) * | 2007-03-30 | 2008-10-16 | Nec Corp | 視聴者情報収集システム、視聴者情報収集装置、視聴者情報収集方法、視聴者情報収集プログラム及び通信装置 |
US7743394B2 (en) | 2007-04-03 | 2010-06-22 | Google Inc. | Log processing of channel tunes and channel tune times generated from a television processing device |
US8229458B2 (en) | 2007-04-08 | 2012-07-24 | Enhanced Geographic Llc | Systems and methods to determine the name of a location visited by a user of a wireless device |
US20080262900A1 (en) * | 2007-04-18 | 2008-10-23 | Michael Day Duffy | Methods and apparatus to facilitate sales estimates |
US7957106B2 (en) | 2007-04-30 | 2011-06-07 | Hitachi Global Storage Technologies Netherlands, B.V. | Chemically disordered material used to form a free layer or a pinned layer of a magnetoresistance (MR) read element |
US20080276179A1 (en) | 2007-05-05 | 2008-11-06 | Intapp Inc. | Monitoring and Aggregating User Activities in Heterogeneous Systems |
US20090217315A1 (en) | 2008-02-26 | 2009-08-27 | Cognovision Solutions Inc. | Method and system for audience measurement and targeting media |
EP2153559A2 (en) | 2007-05-31 | 2010-02-17 | The Nielsen Company | Methods and apparatus to model set-top box data |
US8099315B2 (en) | 2007-06-05 | 2012-01-17 | At&T Intellectual Property I, L.P. | Interest profiles for audio and/or video streams |
US8660895B1 (en) | 2007-06-14 | 2014-02-25 | Videomining Corporation | Method and system for rating of out-of-home digital media network based on automatic measurement |
US7890592B2 (en) | 2007-06-29 | 2011-02-15 | Microsoft Corporation | Processing data obtained from a presence-based system |
US8229780B2 (en) | 2007-07-30 | 2012-07-24 | Silvercarrot, Inc. | System and method for online lead generation |
US20090055241A1 (en) | 2007-08-23 | 2009-02-26 | Att Knowledge Ventures L.P. | System and Method for Estimating a Qualiifed Impression Count for Advertising Data in a Communication System |
KR101489315B1 (ko) * | 2007-08-31 | 2015-02-04 | 유나이티드 비디오 프로퍼티즈, 인크. | 대화형 미디어 전달 시스템에서 인기 미디어를 기록하는 시스템 및 방법 |
US7698422B2 (en) | 2007-09-10 | 2010-04-13 | Specific Media, Inc. | System and method of determining user demographic profiles of anonymous users |
US20090076899A1 (en) | 2007-09-14 | 2009-03-19 | Gbodimowo Gbeminiyi A | Method for analyzing, searching for, and trading targeted advertisement spaces |
JP4273359B2 (ja) | 2007-09-28 | 2009-06-03 | Necソフト株式会社 | 年齢推定システム及び年齢推定方法 |
US7925694B2 (en) | 2007-10-19 | 2011-04-12 | Citrix Systems, Inc. | Systems and methods for managing cookies via HTTP content layer |
US8073807B1 (en) | 2007-11-02 | 2011-12-06 | Google Inc | Inferring demographics for website members |
JP5267062B2 (ja) | 2007-11-16 | 2013-08-21 | ソニー株式会社 | 情報処理装置、情報処理方法、コンテンツ視聴装置、コンテンツ表示方法、プログラム及び情報共有システム |
US8235814B2 (en) | 2007-12-13 | 2012-08-07 | Google Inc. | Impression normalization |
US9391789B2 (en) | 2007-12-14 | 2016-07-12 | Qualcomm Incorporated | Method and system for multi-level distribution information cache management in a mobile environment |
US20090171762A1 (en) | 2008-01-02 | 2009-07-02 | Microsoft Corporation | Advertising in an Entertainment Access Service |
US8180112B2 (en) | 2008-01-21 | 2012-05-15 | Eastman Kodak Company | Enabling persistent recognition of individuals in images |
JP5178219B2 (ja) | 2008-01-31 | 2013-04-10 | 三菱スペース・ソフトウエア株式会社 | アクセス解析装置及びアクセス解析方法及びアクセス解析プログラム |
US8302120B2 (en) | 2008-02-19 | 2012-10-30 | The Nielsen Company (Us), Llc | Methods and apparatus to monitor advertisement exposure |
US8151194B1 (en) | 2008-03-26 | 2012-04-03 | Google Inc. | Visual presentation of video usage statistics |
US8112301B2 (en) | 2008-04-14 | 2012-02-07 | Tra, Inc. | Using consumer purchase behavior for television targeting |
WO2009146197A1 (en) | 2008-04-17 | 2009-12-03 | Arbitron Inc. | Cross-media interactivity metrics |
JP2009259119A (ja) * | 2008-04-18 | 2009-11-05 | Video Research:Kk | 情報収集システム、情報収集方法、及び情報収集プログラム |
US9083853B2 (en) | 2008-06-02 | 2015-07-14 | Intent IQ, LLC | Targeted television advertisements associated with online users' preferred television programs or channels |
US20090307084A1 (en) | 2008-06-10 | 2009-12-10 | Integrated Media Measurement, Inc. | Measuring Exposure To Media Across Multiple Media Delivery Mechanisms |
US8494897B1 (en) | 2008-06-30 | 2013-07-23 | Alexa Internet | Inferring profiles of network users and the resources they access |
JP5123765B2 (ja) * | 2008-07-03 | 2013-01-23 | 株式会社ビデオリサーチ | 受信端末及び視聴情報収集システム |
US20100010866A1 (en) | 2008-07-11 | 2010-01-14 | Microsoft Corporation | Advertising across social network communication pathways |
US8280683B2 (en) | 2008-07-17 | 2012-10-02 | International Business Machines Corporation | Probabilistic framework for the highly efficient correlation of call chains with hardware events |
US8945198B2 (en) | 2008-07-31 | 2015-02-03 | Boston Scientific Scimed, Inc. | Locating side catheter branch relative to inflation portion |
JP4834042B2 (ja) | 2008-08-06 | 2011-12-07 | ヤフー株式会社 | ユーザ作成コンテンツ管理装置、ユーザ作成コンテンツ管理システムおよび閲覧者の嗜好調査方法 |
CN105468963A (zh) | 2008-08-20 | 2016-04-06 | 韦尔普罗有限责任公司 | 用于生成密码的数据包发生器 |
US8549163B2 (en) | 2008-09-18 | 2013-10-01 | Jonathan M. Urdan | Passive parameter based demographics generation |
US20100076814A1 (en) | 2008-09-24 | 2010-03-25 | Manning Kathleen E | Method for financial forecasting for associations using actuarial open group simulation |
US20100088152A1 (en) | 2008-10-02 | 2010-04-08 | Dominic Bennett | Predicting user response to advertisements |
US20100088373A1 (en) | 2008-10-06 | 2010-04-08 | Jeremy Pinkham | Method of Tracking & Targeting Internet Payloads based on Time Spent Actively Viewing |
US8893201B2 (en) | 2008-10-16 | 2014-11-18 | At&T Intellectual Property I, L.P. | Presentation of an avatar in association with a merchant system |
AU2008363490A1 (en) | 2008-10-28 | 2010-05-06 | Norwell Sa | Audience measurement system |
US20100121676A1 (en) | 2008-11-11 | 2010-05-13 | Yahoo! Inc. | Method and system for logging impressions of online advertisments |
WO2010060206A1 (en) * | 2008-11-26 | 2010-06-03 | Calgary Scientific Inc. | Method and system for providing remote access to a state of an application program |
US8087041B2 (en) | 2008-12-10 | 2011-12-27 | Google Inc. | Estimating reach and frequency of advertisements |
US20100153175A1 (en) | 2008-12-12 | 2010-06-17 | At&T Intellectual Property I, L.P. | Correlation of Psycho-Demographic Data and Social Network Data to Initiate an Action |
US8356247B2 (en) | 2008-12-16 | 2013-01-15 | Rich Media Worldwide, Llc | Content rendering control system and method |
US8412648B2 (en) | 2008-12-19 | 2013-04-02 | nXnTech., LLC | Systems and methods of making content-based demographics predictions for website cross-reference to related applications |
US7890609B2 (en) | 2009-01-15 | 2011-02-15 | Almondnet, Inc. | Requesting offline profile data for online use in a privacy-sensitive manner |
US20100191689A1 (en) | 2009-01-27 | 2010-07-29 | Google Inc. | Video content analysis for automatic demographics recognition of users and videos |
EP2382723A4 (en) | 2009-01-29 | 2013-10-09 | Nielsen Co Us Llc | METHOD AND DEVICE FOR MEASURING MARKET STATISTICS |
US20100205057A1 (en) | 2009-02-06 | 2010-08-12 | Rodney Hook | Privacy-sensitive methods, systems, and media for targeting online advertisements using brand affinity modeling |
KR101168705B1 (ko) | 2009-02-18 | 2012-08-02 | 김기미 | 이동통신 단말기와 아이피 기반 정보 단말기를 이용한 맞춤, 지능형 심볼, 아이콘 인터넷 정보 검색시스템 |
GB2524907A (en) | 2009-03-06 | 2015-10-07 | Appnexus Inc | A computer system |
CN101505247A (zh) | 2009-03-09 | 2009-08-12 | 成都市华为赛门铁克科技有限公司 | 一种共享接入主机数目的检测方法和装置 |
KR101073112B1 (ko) | 2009-03-11 | 2011-10-12 | 박상호 | 저작물과 광고를 공개라이센스를 이용하여 결합한 컨텐츠 관리방법 및 그 장치 |
KR100931328B1 (ko) | 2009-03-12 | 2009-12-11 | 주식회사 로그 | 복수의 접속 통계 서버를 통합하여 운영하는 시스템 및 그 방법 |
US8150974B2 (en) | 2009-03-17 | 2012-04-03 | Kindsight, Inc. | Character differentiation system generating session fingerprint using events associated with subscriber ID and session ID |
US7882054B2 (en) | 2009-03-19 | 2011-02-01 | Gutman Levitan | System for estimating audience size in a digital broadcast environment using control packets and predictions |
US8266687B2 (en) | 2009-03-27 | 2012-09-11 | Sophos Plc | Discovery of the use of anonymizing proxies by analysis of HTTP cookies |
JP5492630B2 (ja) | 2009-03-31 | 2014-05-14 | 株式会社ビデオリサーチ | コンテンツ接触調査システム及びコンテンツ接触調査方法 |
JP5424306B2 (ja) | 2009-03-31 | 2014-02-26 | ソニー株式会社 | 情報処理装置および方法、プログラム、並びに記録媒体 |
US10008212B2 (en) | 2009-04-17 | 2018-06-26 | The Nielsen Company (Us), Llc | System and method for utilizing audio encoding for measuring media exposure with environmental masking |
US20100268540A1 (en) | 2009-04-17 | 2010-10-21 | Taymoor Arshi | System and method for utilizing audio beaconing in audience measurement |
US20100268573A1 (en) | 2009-04-17 | 2010-10-21 | Anand Jain | System and method for utilizing supplemental audio beaconing in audience measurement |
US8429287B2 (en) | 2009-04-29 | 2013-04-23 | Rangecast Technologies, Llc | Network audio distribution system and method |
US8990337B2 (en) | 2009-06-08 | 2015-03-24 | Collective, Inc. | Tracking advertising abandonment rates |
US20100313009A1 (en) | 2009-06-09 | 2010-12-09 | Jacques Combet | System and method to enable tracking of consumer behavior and activity |
US20100325051A1 (en) | 2009-06-22 | 2010-12-23 | Craig Stephen Etchegoyen | System and Method for Piracy Reduction in Software Activation |
JP2011015355A (ja) * | 2009-07-06 | 2011-01-20 | Nippon Telegr & Teleph Corp <Ntt> | 属性推定装置及び方法及びプログラム |
JP5546632B2 (ja) | 2009-07-08 | 2014-07-09 | テレフオンアクチーボラゲット エル エム エリクソン(パブル) | マルチメディアコンテンツを分析するための方法および機構 |
US9178634B2 (en) | 2009-07-15 | 2015-11-03 | Time Warner Cable Enterprises Llc | Methods and apparatus for evaluating an audience in a content-based network |
US8612860B2 (en) | 2009-08-12 | 2013-12-17 | Warner Music Inc. | Systems, methods, and media for coordinating the presentation of media with an event |
CN101635009B (zh) | 2009-08-21 | 2015-06-17 | 腾讯科技(深圳)有限公司 | 基于海量数据的用户年龄估算方法及系统 |
US20120192214A1 (en) | 2009-12-22 | 2012-07-26 | Resonate Networks | Method and apparatus for delivering targeted content to television viewers |
KR101118741B1 (ko) | 2009-08-31 | 2012-03-12 | 주식회사 나스미디어 | 인터넷 광고 시청률 제공 방법 |
US8504411B1 (en) | 2009-09-14 | 2013-08-06 | Aol Advertising Inc. | Systems and methods for online user profiling and segmentation |
US20110087519A1 (en) | 2009-10-09 | 2011-04-14 | Visa U.S.A. Inc. | Systems and Methods for Panel Enhancement with Transaction Data |
US8595058B2 (en) | 2009-10-15 | 2013-11-26 | Visa U.S.A. | Systems and methods to match identifiers |
US8549552B2 (en) | 2009-11-03 | 2013-10-01 | The Nielsen Company (Us), Llc | Methods and apparatus to monitor media exposure in vehicles |
TWI378204B (en) | 2009-11-11 | 2012-12-01 | Acer Inc | Rotation angle limitation device and portable electronic device having the same |
KR20110058544A (ko) | 2009-11-26 | 2011-06-01 | 삼성전기주식회사 | 이동통신망을 통한 dmb 시청률 조사방법 |
US8566856B2 (en) | 2009-12-01 | 2013-10-22 | International Business Machines Corporation | Video stream measurement method and system |
WO2011072062A2 (en) | 2009-12-08 | 2011-06-16 | Adxpose, Inc. | Systems and methods for capturing and reporting metrics regarding user engagement including a canvas model |
US20110153391A1 (en) * | 2009-12-21 | 2011-06-23 | Michael Tenbrock | Peer-to-peer privacy panel for audience measurement |
US8925024B2 (en) | 2009-12-31 | 2014-12-30 | The Nielsen Company (Us), Llc | Methods and apparatus to detect commercial advertisements associated with media presentations |
US20110191184A1 (en) | 2010-01-29 | 2011-08-04 | Bank Of America Corporation | Mobile location integrated merchant offer program and customer shopping |
US20110246306A1 (en) | 2010-01-29 | 2011-10-06 | Bank Of America Corporation | Mobile location tracking integrated merchant offer program and customer shopping |
US20110191664A1 (en) | 2010-02-04 | 2011-08-04 | At&T Intellectual Property I, L.P. | Systems for and methods for detecting url web tracking and consumer opt-out cookies |
US20110196735A1 (en) | 2010-02-05 | 2011-08-11 | Von Sydow Gustav | System and method for measuring effectiveness of electronically presented advertizing |
WO2011097624A2 (en) | 2010-02-08 | 2011-08-11 | Facebook, Inc. | Communicating information in a social network system about activities from another domain |
US8595789B2 (en) | 2010-02-15 | 2013-11-26 | Bank Of America Corporation | Anomalous activity detection |
WO2011106925A1 (en) | 2010-03-01 | 2011-09-09 | Nokia Corporation | Method and apparatus for estimating user characteristics based on user interaction data |
US20120310729A1 (en) | 2010-03-16 | 2012-12-06 | Dalto John H | Targeted learning in online advertising auction exchanges |
WO2011116514A1 (en) | 2010-03-23 | 2011-09-29 | Nokia Corporation | Method and apparatus for determining a user age range |
JP5423879B2 (ja) | 2010-03-29 | 2014-02-19 | 日本電気株式会社 | データアクセス場所選択システム、方法およびプログラム |
CA2795128A1 (en) | 2010-03-31 | 2011-10-06 | Mediamath, Inc. | Systems and methods for integration of a demand side platform |
US8626901B2 (en) | 2010-04-05 | 2014-01-07 | Comscore, Inc. | Measurements based on panel and census data |
US20110282730A1 (en) | 2010-05-13 | 2011-11-17 | AdChoice, Inc. | System and method for selecting and implementing an internet advertising campaign |
US8307006B2 (en) | 2010-06-30 | 2012-11-06 | The Nielsen Company (Us), Llc | Methods and apparatus to obtain anonymous audience measurement data from network server data for particular demographic and usage profiles |
US8484511B2 (en) | 2010-07-01 | 2013-07-09 | Time Warner Cable Enterprises Llc | Apparatus and methods for data collection, analysis and validation including error correction in a content delivery network |
US9747605B2 (en) | 2010-08-02 | 2017-08-29 | Facebook, Inc. | Measuring quality of user interaction with third party content |
MX2013001160A (es) | 2010-08-10 | 2013-03-22 | Ericsson Telefon Ab L M | Agregacion de informacion de distribucion demografica. |
US8886773B2 (en) | 2010-08-14 | 2014-11-11 | The Nielsen Company (Us), Llc | Systems, methods, and apparatus to monitor mobile internet activity |
CA3027898C (en) * | 2010-09-22 | 2023-01-17 | The Nielsen Company (Us), Llc | Methods and apparatus to determine impressions using distributed demographic information |
JP5681421B2 (ja) | 2010-09-22 | 2015-03-11 | 株式会社ビデオリサーチ | 情報配信システム |
AU2013203898B2 (en) | 2010-09-22 | 2015-07-02 | The Nielsen Company (Us), Llc | Methods and apparatus to determine impressions using distributed demographic information |
US9092797B2 (en) * | 2010-09-22 | 2015-07-28 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust demographic information |
US20120078725A1 (en) | 2010-09-27 | 2012-03-29 | Infosys Technologies Limited | Method and system for contextual advertisement recommendation across multiple devices of content delivery |
US9122760B2 (en) | 2010-10-12 | 2015-09-01 | Robert Osann, Jr. | User preference correlation for web-based selection |
JP5674414B2 (ja) | 2010-10-27 | 2015-02-25 | 株式会社ビデオリサーチ | アクセスログマッチングシステム及びアクセスログマッチング方法 |
US8495143B2 (en) | 2010-10-29 | 2013-07-23 | Facebook, Inc. | Inferring user profile attributes from social information |
US8484241B2 (en) | 2010-10-29 | 2013-07-09 | Russell Kent Bouse | Systems and methods to consolidate and communicate user profiles and modality preferences information for content delivery or interaction experiences |
US8650587B2 (en) | 2011-07-06 | 2014-02-11 | Symphony Advanced Media | Mobile content tracking platform apparatuses and systems |
US8631122B2 (en) | 2010-11-29 | 2014-01-14 | Viralheat, Inc. | Determining demographics based on user interaction |
WO2012078662A1 (en) | 2010-12-06 | 2012-06-14 | Campaigngrid, Llc | Electronic and network-based franking |
US9336486B2 (en) | 2010-12-08 | 2016-05-10 | Nec Solution Innovators, Ltd. | Attribute value estimation device, attribute value estimation method, program, and recording medium |
EP2649442A1 (en) | 2010-12-09 | 2013-10-16 | Nestec S.A. | Quantitation of lactoferrin in infant formulas by electrophoresis using ir fluorescence imaging |
US20120151079A1 (en) | 2010-12-13 | 2012-06-14 | Jan Besehanic | Methods and apparatus to measure media exposure |
US9497154B2 (en) | 2010-12-13 | 2016-11-15 | Facebook, Inc. | Measuring social network-based interaction with web content external to a social networking system |
US8453173B1 (en) | 2010-12-13 | 2013-05-28 | Google Inc. | Estimating demographic compositions of television audiences from audience similarities |
US20120158490A1 (en) | 2010-12-16 | 2012-06-21 | Yahoo! Inc. | Sponsored search auction mechanism for rich media advertising |
EP2656297B1 (en) * | 2010-12-20 | 2024-07-17 | The Nielsen Company (US), LLC | Methods and apparatus to determine media impressions using distributed demographic information |
US8874639B2 (en) | 2010-12-22 | 2014-10-28 | Facebook, Inc. | Determining advertising effectiveness outside of a social networking system |
US8699855B2 (en) | 2010-12-23 | 2014-04-15 | Echostar Technologies L.L.C. | User-selected interstitial media content recording |
US20120173701A1 (en) | 2010-12-30 | 2012-07-05 | Arbitron Inc. | Matching techniques for cross-platform monitoring and information |
US20120185274A1 (en) | 2011-01-14 | 2012-07-19 | Guzihou Hu | System and Method for Predicting Inner Age |
US20120209920A1 (en) | 2011-02-10 | 2012-08-16 | Microsoft Corporation | Social influencers discovery |
US20120206331A1 (en) | 2011-02-14 | 2012-08-16 | Gandhi Sidhant D | Methods and Systems for Supporting Gesture Recognition Applications across Devices |
US8543454B2 (en) | 2011-02-18 | 2013-09-24 | Bluefin Labs, Inc. | Generating audience response metrics and ratings from social interest in time-based media |
WO2012128895A2 (en) | 2011-03-18 | 2012-09-27 | The Nielsen Company (Us), Llc | Methods and apparatus to determine media impressions |
US8984547B2 (en) | 2011-04-11 | 2015-03-17 | Google Inc. | Estimating demographic compositions of television audiences |
US20120265606A1 (en) | 2011-04-14 | 2012-10-18 | Patnode Michael L | System and method for obtaining consumer information |
US8315620B1 (en) | 2011-05-27 | 2012-11-20 | The Nielsen Company (Us), Llc | Methods and apparatus to associate a mobile device with a panelist profile |
US9282158B2 (en) | 2011-06-06 | 2016-03-08 | Google Inc. | Reducing redirects |
US8560683B2 (en) | 2011-06-10 | 2013-10-15 | Google Inc. | Video and site analytics |
US9515904B2 (en) | 2011-06-21 | 2016-12-06 | The Nielsen Company (Us), Llc | Monitoring streaming media content |
US8688524B1 (en) | 2011-06-28 | 2014-04-01 | Amazon Technologies, Inc. | Tracking online impressions to offline purchases |
US8498491B1 (en) | 2011-08-10 | 2013-07-30 | Google Inc. | Estimating age using multiple classifiers |
US10783547B2 (en) | 2011-08-17 | 2020-09-22 | Facebook, Inc. | Approximating unique advertisement impressions on a social networking system |
US20130060629A1 (en) | 2011-09-07 | 2013-03-07 | Joshua Rangsikitpho | Optimization of Content Placement |
JP2013057918A (ja) | 2011-09-09 | 2013-03-28 | Shigeto Umeda | 可変長の広告を表示また、入札するシステム |
US8909771B2 (en) | 2011-09-15 | 2014-12-09 | Stephan HEATH | System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets |
US20130080263A1 (en) | 2011-09-23 | 2013-03-28 | Jonathan Goldman | Per-view charging for video advertisements |
US20130085803A1 (en) * | 2011-10-03 | 2013-04-04 | Adtrak360 | Brand analysis |
US20140310058A1 (en) | 2011-11-07 | 2014-10-16 | New York University | Identifying Influential and Susceptible Members of Social Networks |
US20130117103A1 (en) | 2011-11-08 | 2013-05-09 | Insightexpress, Llc | Universal control |
US20130124628A1 (en) | 2011-11-15 | 2013-05-16 | Srilal Weerasinghe | Method and apparatus for providing social network based advertising with user control and privacy |
JP2015039094A (ja) * | 2011-11-24 | 2015-02-26 | シャープ株式会社 | コンテンツ提供装置、コンテンツ提供装置にて実行されるプログラム、テレビ受像機、プログラムを記憶した記憶媒体 |
WO2013078640A1 (en) | 2011-11-30 | 2013-06-06 | Google Inc. | Estimating user demographics |
US9331975B2 (en) | 2011-12-16 | 2016-05-03 | The Nielsen Company (Us), Llc | Systems, methods, and apparatus to identify media presentation devices |
JP2015512081A (ja) | 2012-01-26 | 2015-04-23 | ザ ニールセン カンパニー (ユーエス) エルエルシー | オンラインオーディエンスを測定するシステム、方法及び製造品 |
US8600796B1 (en) | 2012-01-30 | 2013-12-03 | Bazaarvoice, Inc. | System, method and computer program product for identifying products associated with polarized sentiments |
US20130204694A1 (en) | 2012-02-07 | 2013-08-08 | Sayso, Llc | Context-Based Study Generation and Administration |
US9015255B2 (en) | 2012-02-14 | 2015-04-21 | The Nielsen Company (Us), Llc | Methods and apparatus to identify session users with cookie information |
US8973023B1 (en) | 2012-02-29 | 2015-03-03 | The Nielsen Company (Us), Llc | Methods and apparatus to determine audience duplication in cross-media campaigns |
US9659105B2 (en) | 2012-03-15 | 2017-05-23 | The Nielsen Company (Us), Llc | Methods and apparatus to track web browsing sessions |
US20130262181A1 (en) | 2012-03-30 | 2013-10-03 | Alexander Topchy | Methods and apparatus to predict audience composition and/or solicit audience members |
US9965767B2 (en) | 2012-04-20 | 2018-05-08 | Comscore, Inc. | Attribution of demographics to census data |
US20130325588A1 (en) | 2012-06-04 | 2013-12-05 | The Board of Trustees for the Leland Stanford, Junior, University | Method and System for Measuring the Effectiveness of Search Advertising |
US9071886B2 (en) | 2012-06-05 | 2015-06-30 | Almondnet, Inc. | Targeted television advertising based on a profile linked to an online device associated with a content-selecting device |
US20130331971A1 (en) | 2012-06-10 | 2013-12-12 | Eran Bida | Watermarking and using same for audience measurement |
AU2013204865B2 (en) * | 2012-06-11 | 2015-07-09 | The Nielsen Company (Us), Llc | Methods and apparatus to share online media impressions data |
WO2013188761A1 (en) | 2012-06-14 | 2013-12-19 | Flextronics Ap, Llc | Methosd and system for customizing television content |
CN104620267A (zh) | 2012-06-21 | 2015-05-13 | 汤姆逊许可公司 | 用于推断用户人口统计的方法和装置 |
US9430778B2 (en) * | 2012-07-30 | 2016-08-30 | Kount Inc. | Authenticating users for accurate online audience measurement |
US20140040171A1 (en) | 2012-07-31 | 2014-02-06 | Triapodi Ltd | Content-based demographic estimation of users of mobile devices and usage thereof |
US8843951B1 (en) | 2012-08-27 | 2014-09-23 | Google Inc. | User behavior indicator |
US9461876B2 (en) | 2012-08-29 | 2016-10-04 | Loci | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
AU2013204953B2 (en) * | 2012-08-30 | 2016-09-08 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions |
US9571606B2 (en) | 2012-08-31 | 2017-02-14 | Verance Corporation | Social media viewing system |
US20140108130A1 (en) | 2012-10-12 | 2014-04-17 | Google Inc. | Calculating audience metrics for online campaigns |
US9621446B2 (en) | 2012-10-26 | 2017-04-11 | Comscore, Inc. | Combining measurements based on beacon data |
US9055021B2 (en) | 2012-11-30 | 2015-06-09 | The Nielsen Company (Us), Llc | Methods and apparatus to monitor impressions of social media messages |
US9215489B2 (en) | 2012-11-30 | 2015-12-15 | The Nielson Company (Us), Llc | Custom electronic program guides |
US9491090B1 (en) | 2012-12-20 | 2016-11-08 | Juniper Networks, Inc. | Methods and apparatus for using virtual local area networks in a switch fabric |
US9363388B2 (en) | 2013-02-18 | 2016-06-07 | Tekelec, Inc. | Methods, systems, and computer readable media for providing targeted services to telecommunications network subscribers based on information extracted from network signaling and data traffic |
US20140280888A1 (en) | 2013-03-15 | 2014-09-18 | Francis Gavin McMillan | Methods, Apparatus and Articles of Manufacture to Monitor Media Devices |
US20140282665A1 (en) | 2013-03-15 | 2014-09-18 | Nick Salvatore ARINI | Set top box cookies |
US20140279724A1 (en) | 2013-03-15 | 2014-09-18 | Turn Inc. | Taxonomy configuration for page analytics and campaign creation |
US20140324544A1 (en) | 2013-04-26 | 2014-10-30 | Paul Donato | Methods and apparatus to determine demographic distributions of online users |
US9519914B2 (en) | 2013-04-30 | 2016-12-13 | The Nielsen Company (Us), Llc | Methods and apparatus to determine ratings information for online media presentations |
US9269049B2 (en) | 2013-05-08 | 2016-02-23 | Exelate, Inc. | Methods, apparatus, and systems for using a reduced attribute vector of panel data to determine an attribute of a user |
US20140337104A1 (en) | 2013-05-09 | 2014-11-13 | Steven J. Splaine | Methods and apparatus to determine impressions using distributed demographic information |
EP2806669A1 (de) | 2013-05-23 | 2014-11-26 | Deutsche Telekom AG | Verschobene Übertragung von Daten zur Entlastung der Luftschnittstelle |
US8775332B1 (en) | 2013-06-13 | 2014-07-08 | InsideSales.com, Inc. | Adaptive user interfaces |
US9319443B2 (en) | 2013-06-26 | 2016-04-19 | Comcast Cable Communications, Llc | Content segment detection and replacement |
US10068246B2 (en) | 2013-07-12 | 2018-09-04 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions |
KR101487323B1 (ko) | 2013-08-08 | 2015-01-29 | (주)에보소닉 | 음향 압력을 이용하는 진동 장치 및 이를 구비하는 인체 자극 장치 |
US9313294B2 (en) | 2013-08-12 | 2016-04-12 | The Nielsen Company (Us), Llc | Methods and apparatus to de-duplicate impression information |
US9084013B1 (en) | 2013-11-15 | 2015-07-14 | Google Inc. | Data logging for media consumption studies |
US20150181267A1 (en) | 2013-12-19 | 2015-06-25 | Simulmedia, Inc. | Systems and methods for inferring and forecasting viewership and demographic data for unmonitored media networks |
US10909551B2 (en) | 2013-12-23 | 2021-02-02 | The Nielsen Company (Us), Llc | Methods and apparatus to identify users associated with device application usage |
US9852163B2 (en) | 2013-12-30 | 2017-12-26 | The Nielsen Company (Us), Llc | Methods and apparatus to de-duplicate impression information |
US9237138B2 (en) | 2013-12-31 | 2016-01-12 | The Nielsen Company (Us), Llc | Methods and apparatus to collect distributed user information for media impressions and search terms |
US10147114B2 (en) | 2014-01-06 | 2018-12-04 | The Nielsen Company (Us), Llc | Methods and apparatus to correct audience measurement data |
US20150193816A1 (en) | 2014-01-06 | 2015-07-09 | The Nielsen Company (Us), Llc | Methods and apparatus to correct misattributions of media impressions |
US8910195B1 (en) | 2014-02-20 | 2014-12-09 | Google Inc. | Systems and methods for enhancing audience measurement data |
CN106462858B (zh) | 2014-03-13 | 2022-03-08 | 尼尔森(美国)有限公司 | 通过数据库所有者针对错误认定和/或未覆盖补偿印象数据的方法和装置 |
US20150278858A1 (en) | 2014-03-27 | 2015-10-01 | Exelate | Method and system for producing segment indexes |
US10334299B2 (en) | 2014-05-23 | 2019-06-25 | Adap.Tv, Inc. | Systems and methods for web spike attribution |
JP6267062B2 (ja) | 2014-06-04 | 2018-01-24 | 積水化学工業株式会社 | 建物用付帯構造物およびユニット建物 |
US10311464B2 (en) | 2014-07-17 | 2019-06-04 | The Nielsen Company (Us), Llc | Methods and apparatus to determine impressions corresponding to market segments |
US20160189182A1 (en) | 2014-12-31 | 2016-06-30 | The Nielsen Company (Us), Llc | Methods and apparatus to correct age misattribution in media impressions |
US10219039B2 (en) | 2015-03-09 | 2019-02-26 | The Nielsen Company (Us), Llc | Methods and apparatus to assign viewers to media meter data |
US20160350773A1 (en) | 2015-05-28 | 2016-12-01 | The Nielsen Company (Us), Llc | Methods and apparatus to correct age misattribution |
US10699286B2 (en) | 2015-06-26 | 2020-06-30 | The Nielsen Company (Us), Llc | Methods and apparatus to correct attribution errors and coverage bias for digital audio ratings |
US10380633B2 (en) | 2015-07-02 | 2019-08-13 | The Nielsen Company (Us), Llc | Methods and apparatus to generate corrected online audience measurement data |
US10045082B2 (en) | 2015-07-02 | 2018-08-07 | The Nielsen Company (Us), Llc | Methods and apparatus to correct errors in audience measurements for media accessed using over-the-top devices |
US20170011420A1 (en) | 2015-07-10 | 2017-01-12 | The Nielsen Company (Us), Llc | Methods and apparatus to analyze and adjust age demographic information |
US9838754B2 (en) | 2015-09-01 | 2017-12-05 | The Nielsen Company (Us), Llc | On-site measurement of over the top media |
US10187675B2 (en) | 2015-10-12 | 2019-01-22 | The Nielsen Company (Us), Llc | Methods and apparatus to identify co-relationships between media using social media |
-
2014
- 2014-12-04 CN CN201480077152.XA patent/CN106462858B/zh active Active
- 2014-12-04 CN CN202210144904.6A patent/CN114564511A/zh active Pending
- 2014-12-04 KR KR1020227041801A patent/KR102663453B1/ko active IP Right Grant
- 2014-12-04 CA CA3119830A patent/CA3119830C/en active Active
- 2014-12-04 KR KR1020167024073A patent/KR101934841B1/ko active IP Right Grant
- 2014-12-04 EP EP23152302.8A patent/EP4219071A3/en not_active Withdrawn
- 2014-12-04 WO PCT/US2014/068623 patent/WO2015138016A1/en active Application Filing
- 2014-12-04 AU AU2014386191A patent/AU2014386191A1/en not_active Abandoned
- 2014-12-04 US US14/560,947 patent/US20150262207A1/en not_active Abandoned
- 2014-12-04 JP JP2016556957A patent/JP6239784B2/ja active Active
- 2014-12-04 EP EP14885507.5A patent/EP3117385A4/en not_active Withdrawn
- 2014-12-04 KR KR1020187037635A patent/KR102193392B1/ko active IP Right Grant
- 2014-12-04 GB GB1616110.1A patent/GB2539588A/en not_active Withdrawn
- 2014-12-04 KR KR1020217034007A patent/KR102473454B1/ko active IP Right Grant
- 2014-12-04 DE DE202014011625.3U patent/DE202014011625U1/de active Active
- 2014-12-04 KR KR1020207036005A patent/KR102317823B1/ko active IP Right Grant
- 2014-12-04 CA CA2936701A patent/CA2936701C/en active Active
-
2017
- 2017-11-01 JP JP2017211894A patent/JP6457049B2/ja active Active
-
2018
- 2018-02-09 AU AU2018200997A patent/AU2018200997A1/en not_active Abandoned
- 2018-11-05 JP JP2018208221A patent/JP6595072B2/ja active Active
-
2019
- 2019-01-14 US US16/247,254 patent/US10803475B2/en active Active
- 2019-09-25 JP JP2019174158A patent/JP6918884B2/ja active Active
-
2020
- 2020-02-20 AU AU2020201228A patent/AU2020201228A1/en not_active Abandoned
- 2020-10-12 US US17/068,582 patent/US11568431B2/en active Active
-
2021
- 2021-07-21 JP JP2021120691A patent/JP2022003523A/ja active Pending
-
2022
- 2022-02-17 AU AU2022201074A patent/AU2022201074A1/en not_active Abandoned
-
2023
- 2023-01-30 US US18/103,276 patent/US12045845B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6446261B1 (en) * | 1996-12-20 | 2002-09-03 | Princeton Video Image, Inc. | Set top device for targeted electronic insertion of indicia into video |
JP2003067399A (ja) * | 2001-08-27 | 2003-03-07 | Nec Corp | オーディオ信号からの分類データの抽出方法と機械学習のためのオーディオ信号の表現方法、記録媒体、装置 |
KR20050058982A (ko) * | 2003-12-12 | 2005-06-17 | 엔이씨 일렉트로닉스 가부시키가이샤 | 시청 정보 수집 시스템, 시청 정보 수집 서버, 및 휴대용단말기 |
KR20110071452A (ko) * | 2009-12-21 | 2011-06-29 | 주식회사 케이티 | 장르 가중치를 이용한 방송 프로그램 추천 방법 및 장치 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021173845A1 (en) * | 2020-02-28 | 2021-09-02 | The Nielsen Company (Us), Llc | Methods and apparatus to predict in-tab drop using artificial intelligence |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12045845B2 (en) | Methods and apparatus to compensate for server-generated errors in database proprietor impression data due to misattribution and/or non-coverage | |
US11983730B2 (en) | Methods and apparatus to correct for deterioration of a demographic model to associate demographic information with media impression information | |
US11887133B2 (en) | Methods and apparatus to generate electronic mobile measurement census data | |
US11854041B2 (en) | Methods and apparatus to determine impressions corresponding to market segments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |