TW201508653A - 家戶設備數位媒體廣告目標預測方法 - Google Patents

Abstract

一種家戶設備數位媒體廣告目標預測方法，係應用於數位媒體平台上可預測收視設備家戶之廣告操作屬性的方法，依廣告業主欲操作的廣告目標家戶屬性，以資料探勘技術建立家戶屬性機率模型，預測出全體數位收視家戶中廣告操作之家戶屬性機率較高者，作為廣告投放目標，達到提高廣告投放精準度之效用，另外，本發明亦涵蓋模型精準度的檢核與修正機制，可依據廣告投放回饋的結果，精煉家戶屬性預測機率模型，維持預測之穩定與精準性。

Description

家戶設備數位媒體廣告目標預測方法

本發明係一種可提高數位媒體業者尋找最適合投放廣告的家戶客群數量，提高廣告投放準確率的家戶設備數位媒體廣告目標預測方法。

US 8321889 B2號專利為一種媒合媒體與客戶屬性的電視廣告配送機制，透過蒐集個人行為資料，進行個人的電視廣告投放安排，惟此專利案施行時，必須先取得即將進行媒合的每位客戶所有相關屬性，才可進行；而US 2010/0223215A1號專利案提供一種以網頁內容建立客戶屬性預測機率模型的機制，透過CONTENT BASED，利用剖析網際網路上網業結構與文字內容的特徵值，提升客戶屬性涵蓋率，增加所能被推估的人口統計變數屬性，但是此專利案僅能應用於網際網路，無法轉換於數位媒體平台上使用，其主要原因在於影音媒體的特性是缺乏內容萃取所需要的文字及可分析性的metadata，因此，此專利案無法解決數位媒體上推估人口統計變數屬性的客戶涵蓋率之問題。

本發明之主要目的在於提供一種可擴大人口統計變數，並可使用於數位媒體平台上的家戶設備數位媒體廣告目標預測方法。

本發明之次要目的在於提供一種可產出家戶屬性機率，作為廣告投放目標，達到提高廣告投放精準度的家戶設備數位媒體廣告目標預測方法。

為達上述目的，本發明之家戶設備數位媒體廣告目標預測方法，係先蒐集取得家戶收視點閱紀錄、家戶之廣告操作屬性及節目或廣告資訊，透過建立或精煉家戶屬性機率模型，依廣告欲投放之單個或複數個目標屬性，以家戶屬性機率模型預測該數位媒體平台上全體家戶之目標屬性，並依所計算之整體機率值產出廣告投放的目標家戶，並於廣告投放後收集全體客戶之點閱記錄、進行整體屬性機率模型之準確度評估，然後利用家戶屬性機率模型預測廣告目標，並依廣告投放的時程需求，應用家戶屬性機率模型產生廣告操作之目標客群。

100‧‧‧收集家戶收視點閱紀錄

200‧‧‧收集家戶之廣告操作屬性

300‧‧‧取得節目或廣告資訊

400‧‧‧建立家戶屬性機率模型

401‧‧‧匯整家戶屬性機率模型建模變數

402‧‧‧標記家戶屬性機率模型正負例

403‧‧‧萃取家戶屬性機率模型重要變數

404‧‧‧產生家戶屬性機率模型建模特徵矩陣

405‧‧‧建立家戶屬性機率模型

500‧‧‧精煉家戶屬性機率模型

501‧‧‧標記精煉模型正負例

502‧‧‧萃取精煉模型重要變數502

503‧‧‧產生精煉模型特徵矩陣503

504‧‧‧建立精煉模型

505‧‧‧集成現有模型精煉模型為新模型

600‧‧‧應用家戶屬性機率模型預測廣告目標

601‧‧‧產生模型應用特徵矩陣

602‧‧‧代入選定模組計算各別機率值

603‧‧‧計算整體機率值

604‧‧‧依整體機率值預測廣告目標家戶

700‧‧‧收集廣告投放回饋結果評估家戶屬性機率模型準確度

第1圖 為本發明之步驟流程圖；第2圖 為本發明建立家戶屬性機率模型之步驟流程圖；第3圖 為本發明精煉家戶屬性機率模型之步驟流程圖；以及第4圖 為本發明應用家戶屬性機率模型預測廣告目標之步驟流程圖。

如第1圖所示，本發明家戶設備數位媒體廣告目標預測方法，其步驟流程包括：步驟一、收集家戶收視點閱紀錄100；步驟二、收集家戶之廣告操作屬性200；步驟三、取得節目或廣告資訊300； 步驟四、建立家戶屬性機率模型400；步驟五、精煉家戶屬性機率模型500；步驟六、應用家戶屬性機率模型預測廣告目標600；步驟七、收集廣告投放回饋結果評估家戶屬性機率模型準確度700。

當流程啟動時將同時進行步驟100收集家戶收視點閱紀錄、步驟200收集家戶之廣告操作屬性與步驟300取得節目或廣告資訊時；步驟100收集家戶收視點閱紀錄，從一數位媒體平台(如IPTV，中華電信MOD亦為其一)收集所有家戶收視點閱紀錄，如節目與廣告的收視長度等；步驟200收集家戶之廣告操作屬性，由定期執行的客戶抽樣調查中收集該數位媒體的收視家戶之廣告操作屬性資料，如性別、年齡等人口統計資訊，倘若未在抽樣調查期間則沿用最近期資料；步驟300取得節目或廣告資訊，為取得該數位媒體上所有排播的節目與廣告資訊，如節目與廣告撥放時段、節目類型和付費類型等。前三步驟完成後依步驟200收集家戶之廣告操作屬性的條件進行流程判斷，若為新一期的客戶抽樣調查(含首次執行)，則進行步驟400建立家戶屬性機率模型，若否，則進行步驟500精煉家戶屬性機率模型。步驟400建立家戶屬性機率模型，將前述資料以資料探勘技術建立預測特定廣告操作目標之家戶屬性機率模型，一個機率模型能預測一個家戶屬性，因此在預測複數個家戶屬性時則需建立同等數量的預測模型。步驟500精煉家戶屬性機率模型，納入廣告投放的回饋結果，以資料探勘技術依投放目標建立單個或複數個家戶屬性機率模型，並將每個目標家戶屬性各別集成現有模型成為新的預測模型。步驟600應用家戶屬性機率模型預測廣告目標，依廣告欲投放之單個或複數個目標屬性，應用先前步驟所建立之家戶屬性 機率模型預測該數位媒體平台上全體家戶之目標屬性，並依所計算之整體機率值產出廣告投放的目標家戶。步驟700收集廣告投放回饋結果評估家戶屬性機率模型準確度，於廣告投放後收集全體客戶之點閱記錄、進行整體屬性機率模型之準確度評估，若準確度未達標準值，則將回到起始點，依納入之回饋結果重新進行本方法流程；若達標準值則可回到步驟600應用家戶屬性機率模型預測廣告目標，依廣告投放的時程需求，應用該模型產生廣告操作之目標客群。

如第2圖所示，建立家戶屬性機率模型400更包含匯整家戶屬性機率模型建模變數401、標記家戶屬性機率模型正負例402、萃取家戶屬性機率模型重要變數403、產生家戶屬性機率模型建模特徵矩陣404和建立家戶屬性機率模型405。當流程進入建立家戶屬性機率模型400時將同時進行匯整家戶屬性機率模型建模變數401與標記家戶屬性機率模型正負例402。匯整家戶屬性機率模型建模變數401，持續收集家戶收視點閱記錄、節目與廣告資訊，進行細部資料清理與匯整，定期產生以家戶設備為角度的變數群集，以日或週或月為匯整統計單位存入資料庫中，供後續建模之用。標記家戶屬性機率模型正負例402，依據廣告所欲投放的目標家戶屬性，標記抽樣調查中有該屬性的家戶為正例，再將排除正例之全體家戶作為負例。萃取家戶屬性機率模型重要變數403，利用資料探勘技術對正負例之變數群集中的每個變數進行重要性篩檢，萃取出對目標家戶屬性影響較大之重要變數。產生家戶屬性機率模型建模特徵矩陣404，正負例中的每個家戶，依模型所萃取之重要變數轉換成各自的特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣。建立家戶屬性機率模型405，將特徵矩陣匯入建模資料集 中，利用資料探勘技術建立出可預測家戶屬性的機率模型。

如第3圖所示，精煉家戶屬性機率模型500更包含標記精煉模型正負例501、萃取精煉模型重要變數502、產生精煉模型特徵矩陣503、建立精煉模型504與集成現有模型與精煉模型為新模型505，標記精煉模型正負例501，於既有家戶屬性資料中納入廣告投放的回饋結果，標記先前抽樣調查中含該廣告目標屬性之家戶與廣告投放命中之家戶為正例，再將排除正例之全體家戶作為負例。萃取精煉模型重要變數502，利用資料探勘技術對正負例變數群集中每個變數進行重要性篩檢，萃取出對目標家戶屬性影響較大之重要變數。產生精煉模型特徵矩陣503，正負例中的家戶依精煉模型所萃取之重要變數產生該家戶的特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣。建立精煉模型504，特徵矩陣匯入建模資料集中，利用資料探勘技術建立家戶屬性預測機率模型，成為精煉模型。集成現有模型與精煉模型為新模型505，以模型集成技術等方法將該家戶屬性之現有模型與新產生之精煉模型集成為新的模型，增加模型準確度及平穩性。

如第4圖所示，應用家戶屬性機率模型預測廣告目標600更包含產生模型應用特徵矩陣601、代入選定模組計算各別機率值602、計算整體機率值603與依整體機率值預測廣告目標家戶604，產生模型應用特徵矩陣601，依本次廣告目標所選定的單個或複數個家戶屬性機率模型，各別依其所萃取之重要變數，轉換全體家戶定期匯整的變數群集為特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣。代入選定模組計算各別機率值602，將各模型所對應之特徵矩陣代入該家戶屬性機率模型中，各別計算出該家戶屬性的預測機率值。計算整體機率值603，若廣告目標家戶屬性超過 一個，則需將複數個各別的預測值依廣告目標客群屬性權重比例進行加權匯整計算，產生整體的預測機率值。依整體機率值預測廣告目標家戶604，將整體預測機率值進行排序，選定高機率者作為廣告投放的目標家戶。

以下透過一實施例對本發明之家戶設備數位媒體廣告目標預測方法進行詳細說明：假設一家數位媒體平台公司希望能精準地找出廣告投放的目標客群，則可運用本發明之家戶設備數位媒體廣告目標預測方法，透過收集與分析家戶收視記錄、節目廣告資訊等資訊，以資料探勘技術預測出符合廣告投放標的的目標客群，達到提升廣告投放精準度之效用。

以目標客群為孩童與成年女性之數位媒體收視家戶為例，首先進行收集家戶收視點閱記錄，將每個家戶每天收看的頻道節目資訊與收看時間起訖資訊記錄下來，持續存入家戶收視點閱記錄(表一)中

然後收集家戶之廣告操作屬性，針對廣告目標客群所相關之家戶屬性資料，如家戶收視成員之性別、年齡、職業、世代數、教育程度、是否有小孩、是否有新移民、收視興趣等，透過定期的家戶屬性抽樣調查作業，收集與彙整至家戶屬性收集記錄(表二)中

並取得節目或廣告資訊，將數位媒體平台上每日排播的節目或廣告資訊，如所屬頻道、播放時段起訖、節目或廣告類型(如：運動、家庭、戲劇、卡通、高畫質、綜合、購物、教學)、持續收集至節目或廣告資訊(表三)中

當首次完成家戶屬性抽樣調查作業後，匯整家戶屬性機率模型建模變數中，將家戶收視點閱記錄(表一)與節目或廣告資訊(表三)進行資料清理與匯整，產生以家戶設備為角度的變數群集，作為建模所需之行為衍生變數，如：總開機天數、週間開機時數、週末開機時數、平均開機率、卡通類收視時間占比、戲劇類收視時間占比、近三期收視長度變化率、近三期收視時段變化率等，本實施例以月匯整為例，定期匯整計算後存入匯整家戶屬性機率模型建模變數(表四)中

表四、匯整家戶屬性機率模型建模變數

在匯整家戶屬性機率模型建模變數之同時，先依廣告目標其中之一的家戶屬性：孩童，進行全體客戶之正負例標記，標記表二中「是否有孩童」欄位值為「是」者為正例，標記「是否有孩童」欄位值為「否」者為作為負例，再依建立模型者所設定之訓練集資料長度(本實施例為三個月)，將表四中正負例家戶所屬之三個月建模變數資料納入資料探勘模型中，熟習該項技藝者可用變數重要性篩檢技術如Linear Discriminant Analysis(LDA)、Principal Component Analysis(PCA)、Canonical Correlation analysis(CCA)、Maximum Entropy Method(MaxEnt)、Non-negative Matrix Factorization(NMF)…等方法，進行建模變數重要性篩檢，以萃取出對家戶中「是否有孩童」之屬性預測影響力較大的變數，以本實施例而言，將由表四中數十個建模變數萃取出前幾大重要變數，如：卡通類收視占比、週間傍晚時段收視占比等，將正負例中之家戶依照前步驟所萃取出的重要變數產生三個月之模型特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣，存入家戶屬性機率模型特徵向量(表五)中

之後將正負例家戶的三個月特徵矩陣匯入建模資料集中，利用資料探勘技術建立預測「是否有孩童」的家戶屬性機率模型。重複執行步驟402-405兩次，分別建立「是否有成年人」的家戶屬性預測模型與「是否有女性」的屬性預測模型，再依廣告目標客群之投放需求，分別完成「是否有孩童」、「是否有成年人」、「是否有女性」模型建立後，將全體家戶(不含「是否有孩童」屬性已知者)依「是否有孩童」預測模型所萃取的重要變數產生該家戶的特徵向量，並組成以重要變數為行、各家戶為列之特徵矩陣；同理，也依「是否有成年人」預測模型與「是否有女性」預測模型的各別重要變數，分別產生該模型所對應之特徵矩陣，接下來代入選定模組計算各別機率值，將三個模型之特徵矩陣饋入各別模型之中分別產出該屬性的預測機率值，然後將三個模型之預測機率值，依照廣告業主訂定的廣告目標客群屬性權重比例來做加權計算，產生最終整體機率值。以本實施例而言，假設業主訂定的權重比例為「是否有孩童」：50%、「是否有成年人」20%、「是否有女性」30%，則將家戶的各別模型預測機率值乘以該屬性之權重，再進行加總計算，如表六

完成每個預測家戶的整體機率值計算後，依整體機率值預測廣告目標家戶，假定本次廣告業主欲投放的家戶數為5000戶，則先依全體客戶的整體預測機率值進行排序，再選擇機率值較高的前5000作為本次廣告投放的目標家戶。

當廣告投放後，進行收集廣告投放回饋結果評估家戶屬性機率模型準確度，由家戶收視點閱記錄(表一)中檢核該5000戶收視廣告的情形，並依此評估模型的預測準確度，若其準確度未達廣告商訂定的標準值，或是欲進行新一期的廣告投放家戶預測，則將回到本方法之起始點；若準確度達到標準，此模型即可依廣告投放時程產生目標客群。

假定本次5000戶所預測準確度未達標準值，因本次並非流程首次執行或新一期之抽樣調查，且家戶收視點閱記錄(表一)與節目或廣告資訊(表三)的資料會持續不斷更新，使匯整家戶屬性機率模型建模變數資料表(表四)能持續更新最近期的資料，接續直接進行精煉家戶屬性機率模型，因本範例需預測「是否有孩童」、「是否有成年人」、「是否有女性」三個屬性，故須進行三次精煉家戶屬性機率模型。以下以精煉「是否有孩童」的家戶屬性機率模型為例：假設某家戶有收看廣告，則可納為「是否有孩童」之正例之一，因此，新的正例將結合家戶屬性收集記錄中有該屬性者與有收看廣告者；負例則以排除正例之全體家戶為之，然後以新的正負例依序進 行資料採礦技術萃取模型重要變數、產生特徵矩陣、建立家戶屬性預測模型之步驟，建立成精煉模型，集成現有模型與精煉模型為新模型，熟習該項技藝者可用模型集成技術如Ada Boost、Cascading、LogiBoost…等方法將「是否有孩童」屬性之現有模型與新產生之精煉模型集成為新的模型。

上列詳細說明係針對本發明之一可行實施例之具體說明，惟該實施例並非用以限制本發明之專利範圍，凡未脫離本發明技藝精神所為之等效實施或變更，均應包含於本案之專利範圍中。

100‧‧‧收集家戶收視點閱紀錄

200‧‧‧收集家戶之廣告操作屬性

300‧‧‧取得節目或廣告資訊

400‧‧‧建立家戶屬性機率模型

500‧‧‧精煉家戶屬性機率模型

600‧‧‧應用家戶屬性機率模型預測廣告目標

700‧‧‧收集廣告投放回饋結果評估家戶屬性機率模型準確度

Claims (8)

1. 一種家戶設備數位媒體廣告目標預測方法，其流程步驟包括：步驟一、透過資料蒐集取得家戶收視點閱紀錄、家戶之廣告操作屬性及節目或廣告資訊，蒐集取得的家戶之廣告操作屬性若為新一期的客戶抽樣調查，進入步驟二，若非新一期的客戶抽樣調查，進入步驟三；步驟二、將家戶收視點閱紀錄、家戶之廣告操作屬性及節目或廣告資訊以資料探勘技術建立預測特定廣告操作目標之家戶屬性機率模型，進入步驟四；步驟三、進行精煉家戶屬性機率模型，將所蒐集取得的家戶收視點閱紀錄、家戶之廣告操作屬性及節目或廣告資訊，納入廣告投放的回饋結果，以資料探勘技術依投放目標建立單個或複數個家戶屬性機率模型，並將每個目標家戶屬性各別集成現有模型成為新的預測模型，進入步驟四；步驟四、依廣告欲投放之單個或複數個目標屬性，以家戶屬性機率模型預測該數位媒體平台上全體家戶之目標屬性，並依所計算之整體機率值產出廣告投放的目標家戶；步驟五、於廣告投放後收集全體客戶之點閱記錄、進行整體屬性機率模型之準確度評估，若準確度未達標準值，回到步驟一，若準確度達標準值，進入步驟六；步驟六、利用家戶屬性機率模型預測廣告目標，並依廣告投放的時程需求，應用家戶屬性機率模型產生廣告操作之目標客群。
2. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該以資料探勘技術建立預測特定廣告操作目標之家戶屬性機率模型，其流程步驟包括：步驟一、持續收集家戶點閱紀錄、節目或廣告資訊，並進行細部資料清理與彙整，產生以家戶設備為角度的變數群集，然後以日、週或月為統計單位存入資料庫，步驟二、依廣告所欲投放的目標家戶屬性，標記抽樣調查中有該屬性的家戶為正例，再將排除正例之全體家戶作為負例步驟三、利用資料探勘技術對正例及負例之變數群集中的每個變數進行重要性篩檢，萃取出對目標家戶屬性影響較大之重要變數步驟四、將正負例中的每個家戶，依模型所萃取之重要變數轉換成各自的特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣步驟五、將特徵矩陣匯入建模資料集中，利用資料探勘技術建立出可預測家戶屬性的機率模型
3. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該精煉家戶屬性機率模型其步驟流程包括：步驟一、於既有家戶屬性資料中納入廣告投放的回饋結果，標記先前抽樣調查中含該廣告目標屬性之家戶與廣告投放命中之家戶為正例，再將排除正例之全體家戶作為負例步驟二、利用資料探勘技術對正例及負例變數群集中每個變數進行重要性篩檢，萃取出對目標家戶屬性影響較大之重要變數步驟三、以正例及負例中的家戶依精煉模型所萃取之重要變數，產生該 家戶的特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣步驟四、將特徵矩陣匯入建模資料集中，利用資料探勘技術建立家戶屬性預測機率模型，成為精煉模型步驟五、集成現有模型與精煉模型為新模型，以模型集成技術等方法將該家戶屬性之現有模型與新產生之精煉模型集成為精煉家戶屬性機率模型，以增加其準確度及平穩性。
4. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該利用家戶屬性機率模型預測廣告目標，其流程步驟包括步驟一、依本次廣告目標所選定的單個或複數個家戶屬性機率模型，各別依其所萃取之重要變數，轉換全體家戶定期匯整的變數群集為特徵向量，組成以重要變數為行、各家戶為列之特徵矩陣步驟二、將各模型所對應之特徵矩陣代入該家戶屬性機率模型中，各別計算出該家戶屬性的預測機率值，若廣告目標家戶屬性超過一個，則需將複數個各別的預測值依廣告目標客群屬性權重比例進行加權匯整計算，產生整體的預測機率值步驟三、依整體機率值預測廣告目標家戶，將整體預測機率值進行排序，選定高機率者作為廣告投放的目標家戶。
5. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該資料蒐集包括由一數位媒體平台收集家戶收視點閱紀錄。
6. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該數位媒體平台為IPTV、MOD或其他電視機上盒。
7. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該資料蒐集包括由定期執行的客戶抽樣調查中收集該數位媒體的收視家戶之廣告操作屬性資料，如性別或年齡之人口統計資訊。
8. 如請求項1所述之家戶設備數位媒體廣告目標預測方法，其中該資料蒐集包括由數位媒體取得所有排播的節目與廣告資訊，如節目、廣告撥放時段、節目類型或付費類型。