関連出願に対する相互参照 本出願は、2013年3月15日付けで出願した米国仮特許出願連続番号61/792,701および2013年10月18日付けで出願した米国特許出願連続番号14/057,188(両方とも引用することによって全体が本明細書に組み入れられる)の利点を請求するものである。

2013年10月18日付けで出願した米国特許出願連続番号14/057,188は以下の同時係属中の仮ではない米国特許出願の一部継続出願であり、これらは各々引用することによって全体が本明細書に組み入れられる:2012年6月29日付けで出願した表題がCREATION AND USAGE OF SYNTHETIC USER IDENTIFIERS WITHIN AN ADVERTISEMENT PLACEMENT FACILITYである仮ではない米国特許出願連続番号13/537,991、2010年8月13日付けで出願した表題がDYNAMIC TARGETING ALGORITHMS FOR REAL−TIME VALUATION OF ADVERTISING PLACEMENTSである仮ではない米国特許出願連続番号である仮ではない米国特許出願連続番号12/856,547、2010年8月13日付けで出願した表題がMACHINE LEARNING FOR COMPUTING AND TARGETING BIDS FOR THE PLACEMENT OF ADVERTISINGである仮ではない米国特許出願連続番号12/856,552、2010年8月13日付けで出願した表題がUSING COMPETITIVE ALGORITHMS FOR THE PREDICTION AND PRICING OF ONLINE ADVERTISEMENT OPPORTUNITIESである仮ではない米国特許出願連続番号12/856,554、2010年8月13日付けで出願した表題がLEARNING SYSTEM FOR THE USE OF COMPETING VALUATION MODELS FOR REAL−TIME ADVERTISEMNT BIDDINGである仮ではない米国特許出願連続番号12/856,565および2010年8月13日付けで出願した表題がLEARNING SYSTEM FOR ADVERTISING BIDDING AND VALUATION of Third Party Dataである仮ではない米国特許出願連続番号12/856,560。

仮ではない米国特許出願連続番号13/537,991は仮ではない米国特許出願連続番号12/856,547、12/856,552、12/856,554、12/856,565および12/856,560、および2011年7月1日付けで出願した米国仮特許出願連続番号61/503,682および2012年5月18日付けで出願した61/649,142に対する優先権を主張するものである。

仮ではない米国特許出願連続番号12/856,547、12/856,552、12/856,554、12/856,565および12/856,560は各々が2009年8月14日付けで出願した表題がREAL−TIME BIDDING SYSTEM FOR DELIVERY OF ADVERTISINGである米国仮特許出願連続番号61/234,186の利点を主張するものである。

この上に示した出願は各々引用することによって全体が本明細書に組み入れられる。

本発明は、デジタルメディアに関連した過去および実時間データの使用およびそれを用いて複数の利用可能な広告チャネルの中の広告媒体のプライス決定および配信を調整することに関する。

広告キャンペーンの結果を測定することができることが大部分の広告システムの優先事項である。その後、測定した広告キャンペーンの結果(ユーザー、ユーザーグループなどで分類分けされる結果を包含)を広告主が利用して広告メッセージが意図したユーザーおよび/またはユーザーグループターゲットに対して示す効果が最大限になるように広告キャンペーンを改良することができる。例えば、広告主は、パフォーマンスが低いキャンペーンから、当該キャンペーン、同様なキャンペーン、または広告キャンペーンの中に含まれる資料と属性1種または2種以上を共有する広告に対して反応する履歴を有するユーザーグループに焦点が当たるようにバジェットおよびプライスを再配分することによって、それのキャンペーンを改良することができる。加うるに、複数のメディアチャネルを用いて広告キャンペーンをコンシューマーに伝えることも可能である。オンライン広告では、クッキーに記憶されているコンシューマー識別子を用いて広告の効果を測定することが可能である。それによって、広告主は身元を匿名のままにしながら個人を識別することができる。しかしながら、個人を識別することができないか或は好ましくない場合もある。

従って、個人を識別することができないか或は好ましくない可能性がある場合に広告の効果を測定する解決法を提供するための方法およびシステムが必要とされている。

要約 広告をデジタルメディアユーザーに提供する場合の管理はしばしばバッチモード最適化スキームで特徴づけられ、このスキームでは、広告コンテンツを選択したグループのユーザーに提供するように選択し、パフォーマンスデータを集めて分析した後に最適化段階を実施することで将来の広告パフォーマンスをより良くする。次に、このプロセスを広告パフォーマンス基準、例えば完了したトランザクションなどを改善する意図で広告−ユーザー組み合わせにより多くの情報を与えることおよび他の技術を用いて一連の最適化分析において繰り返し実施する。しかしながら、このような最適化フレームワークはいくつかの重要な点で制限さる。例えば、人気のあるイノベーション、例えばソーシャルネットワーキングなどでもたらされるデジタルメディアユーザーが増えると仮定しても、本産業で実行されている現在の広告パフォーマンスモデリングの多くを前以て計画してバッチモードで分析することでは、適応させることも分析することもできないデジタルメディア使用に関係したデータはあまりにも多く存在する。その上、そのようなバッチモードの広告分析では、ユーザーの行動内または一団のユーザーに渡って生じる実際の絶え間無く変化する広告インプレッションシーケンスにそぐわないコンテンツのグルーピングを強要する可能性がある。結果として、広告コンテンツのパブリッシャーは、不必要に様々な広告ネットワークが用いている複数の最適化技術および基準を少なくともある程度基にして彼らの広告を広げようとして、数多くの広告ネットワークを用いることが強いられる可能性がある。それによってデジタルメディアユーザー全体に経時的に冗長さがもたらされる可能性があることで、広告のインプレッションおよびそれのパフォーマンスの価値を評価する可能性が制限され得る。

いくつかの態様において、本明細書に開示するシステムおよび方法には、持続性コンピューター可読媒体の中に具現化されたコンピュータープログラムプロダクトが含まれ得、このコンピュータープログラムプロダクトでは、1台以上のコンピューターで実行する時、最初に1番目のエイリアスを取得する段階を実行する。この1番目のエイリアスには1番目の複数の属性が含まれ得、ここで、この1番目の複数の属性の各々に1番目のデバイス識別子データ、1番目の行動データおよび1番目の人口統計データの中の少なくとも1 つが含まれる。次に、このプログラムプロダクトには、2番目のエイリアスを取得することが含まれ得、ここで、この2番目のエイリアスには2番目の複数の属性が含まれ、かつ前記2番目の複数の属性の各々は2番目のデバイス識別子データ、2番目の行動データおよび2番目の人口統計データの中の少なくとも1つで構成される。その上、このプログラムプロダクトでは、前記1番目のエイリアスと2番目のエイリアスを動的かつ一時的にリンクさせることでマスターIDを生成させることができる。前記1番目と2番目のエイリアスの動的リンクは少なくともある程度エイリアスのグループ化に必要な統計的信頼閾値を表す結合式を用いた前記1番目と2番目の複数の属性の分析が基になり得る。また、このプログラムプロダクトでは、広告のターゲットを少なくともある程度前記マスターIDが基になったコンシューマーのデバイスに絞ることができる。このコンピュータープログラムプロダクトでは、複数の属性が合併して1つのマスターIDになるように前記エイリアス取得と動的リンク段階を複数のエイリアスに対して繰り返し実行することができる。コンピュータープログラムプロダクトでは、また、前記マスターIDにターゲットを絞った広告キャンペーン、前記マスターIDに関連付けられるコンシューマー行動および前記マスターIDに関連付けられるコンシューマー特徴の中の少なくとも1つを分析する段階も実行することができる。いくつかの態様において、前記1番目のエイリアスと2番目のエイリアスの少なくとも一方をオーガナイゼーションのコンシューマーデータベースおよびサードパーティーデータベースの少なくとも1つから取得する。加うるに、前記1番目のデバイス識別子データおよび2番目のデバイス識別子データにIPアドレスおよびデバイスIDの中の少なくとも一方を含めてもよい。いくつかの態様において、エイリアスの動的リンクは更に少なくともある程度ルールエンジンも基になっている。前記ルールエンジンには少なくともある程度規制当局による制約、商取引の合意、個人情報保護方針またはコンシューマーの優先傾向の中の少なくとも1つが基になったエイリアスの動的リンクのためのルールが含まれ得る。エイリアスの動的リンクによって特定の前以て決められた地理的場所にあるIPアドレスの識別が基になったエイリアスのリンクを禁止することができる。その上、エイリアスの動的リンクを本人、家族および友人の中の少なくとも1つを包含するリンクタイプを基に実行することも可能である。いくつかの態様において、前記1番目と2番目のエイリアスを前以て決められた時間だけリンクさせることができる。いくつかの態様において、エイリアスをメモリに記憶させそしてそれらに追加的属性である時間を含めることも可能である。いくつかの態様において、このコンピュータープログラムでは、前記マスターIDが基になったリンクさせた複数のコンシューマーコンピューティングデバイスをターゲットにすることが可能な広告を実行することができる。いくつかの態様において、前記統計的信頼閾値はリンクさせるエイリアス属性に応じて変化し得る。

様々な例示的非限定態様に従い、本明細書に開示するシステムおよび方法には、持続性コンピューター可読媒体の中に具現化されたコンピュータープログラムプロダクトが含まれ得、このコンピュータープログラムプロダクトでは、1台以上のコンピューターで実行する時、最初に1番目のエイリアスを取得する段階を実行し、ここで、前記1番目のエイリアスは1番目の複数の属性で構成される。前記1番目の複数の属性の各々に1番目のデバイス識別子データ、1番目のコンシューマーデータ、1番目の行動データおよび1番目の人口統計データの中の少なくとも1つが含まれ得る。このコンピュータープログラムプロダクトでは、次に、2番目のエイリアスを取得してもよく、ここで、前記2番目のエイリアスは2番目の複数の属性で構成される。前記2番目の複数の属性の各々に2番目のデバイス識別子データ、2番目のコンシューマーデータ、2番目の行動データおよび2番目の人口統計データの中の少なくとも1つが含まれ得る。このコンピュータープログラムプロダクトでは、追加的に、前記1番目のエイリアスと2番目のエイリアスを動的かつ一時的にリンクさせることでマスターIDを生成させることができる。前記1番目と2番目のエイリアスの動的リンクは少なくともある程度エイリアスのグループ化に必要な統計的信頼閾値を表す結合式を用いた前記1番目と2番目の複数の属性の分析が基になり得る。い くつかの態様において、複数の属性が合併して1つのマスターIDになるように前記エイリアス取得と動的リンク段階を複数のエイリアスに対して繰り返し実行する。加うるに、このコンピュータープログラムプロダクトでは、広告キャンペーンのターゲットを少なくともある程度前記マスターIDが基になったコンシューマーのデバイスに絞り、そして前記マスターIDにターゲットを絞った広告キャンペーンの結果を分析することができる。いくつかの態様において、前記1番目のエイリアスと2番目のエイリアスの少なくとも一方をオーガナイゼーションのコンシューマーデータベースおよびサードパーティーデータベースの少なくとも1つから取得してもよい。いくつかの態様において、IPアドレス、デバイスID、電子メールアドレスおよびクッキートラッキング情報の少なくとも1つを包含するエイリアスの属性をマッチさせることで動的リンクを達成することができる。加うるに、エイリアスの動的リンクはルールエンジンも基になり得る。前記ルールエンジンには少なくともある程度規制当局による制約、商取引の合意、個人情報保護方針およびコンシューマーの優先傾向の中の少なくとも1つが基になったエイリアスの動的リンクのためのルールが含まれ得る。いくつかの態様において、前記ルールエンジンには様々な地理的場所のための様々なルールが含まれ得る。

様々な例示的非限定態様に従い、本明細書に開示するシステムおよび方法には、持続性コンピューター可読媒体の中に具現化されたコンピュータープログラムプロダクトが含まれ得、このコンピュータープログラムプロダクトには、1台以上のコンピューターで実行する時、最初に1番目のエイリアスを取得する段階が含まれ得る。前記1番目のエイリアスには1番目の複数の属性が含まれ得、ここで、前記1番目の複数の属性の各々に1番目のデバイス識別子データ、1番目のコンシューマーデータ、1番目の行動データまたは1番目の人口統計データの中の少なくとも1つが含まれ得る。このコンピュータープログラムプロダクトでは、次に、2番目のエイリアスを取得してもよく、ここで、この2番目のエイリアスには2番目の複数の属性が含まれ得る。前記2番目の複数の属性の各々に2番目のデバイス識別子データ、2番目のコンシューマーデータ、2番目の行動データおよび2番目の人口統計データの中の少なくとも1つが含まれ得る。また、このコンピュータープログラムプロダクトでは、次に、前記1番目のエイリアスと2番目のエイリアスを動的かつ一時的にリンクさせることで1番目のマスターIDを生成させる段階を実行してもよい。前記1番目と2番目のエイリアスの動的リンクは少なくともある程度エイリアスのグループ化に必要な統計的信頼閾値を表す1番目の結合式を用いた前記1番目と2番目の複数の属性の分析が基になり得る。加うるに、このコンピュータープログラムプロダクトでは、3番目のエイリアスを取得する段階を実行してもよく、ここで、この3番目のエイリアスには3番目の複数の属性が含まれ得、かつ前記3番目の複数の属性の各々には3番目のデバイス識別子データ、3番目のコンシューマーデータ、3番目の行動データおよび3番目の人口統計データの中の少なくとも1つが含まれ得る。このコンピュータープログラムでは、追加的に、4番目のエイリアスを取得する段階を実行してもよく、ここで、前記4番目のエイリアスには4番目の複数の属性が含まれる。この4番目の複数の属性の各々に4番目のデバイス識別子データ、4番目のコンシューマーデータ、4番目の行動データおよび4番目の人口統計データの中の少なくとも1つが含まれ得る。このコンピュータープログラムでは、次に、前記3番目のエイリアスと4番目のエイリアスを動的かつ一時的にリンクさせることで2番目のマスターIDを生成させることができる。前記3番目と4番目のエイリアスの動的リンクは少なくともある程度エイリアスのグループ化に必要な統計的信頼閾値を表す2番目の結合式を用いた前記1番目と2番目の複数の属性の分析が基になり得る。このコンピュータープログラムプロダクトでは、次に、前記1番目のマスターIDと2番目のマスターIDを合併させることでサークルセットを生じさせる。この合併は前記マスターIDが互いに本人、家族および友人のタイプの1つで関連付けられるといった認識が基になり得る。加うるに、このコンピュータープログラムプロダクトでは、広告キャンペーンのターゲットを少なくともある程度前記サークルセットが基になった複数のコンシューマーデバイスに絞る段階を実行してもよい。いくつかの態様において、I Pアドレス、デバイスID、電子メールアドレスおよびクッキートラッキング情報の少なくとも1つを包含するエイリアスの属性をマッチさせることで動的リンクを達成してもよい。

特定の好適な態様に関連させて本発明を記述してきたが、通常の当業者は他の態様を理解すると思われ、それらも本明細書に包含させる。

本発明および以下に行う本発明の特定の態様の詳細な説明は以下の図を参照にすることで理解され得るであろう。

図1Aに、広告を配信するための実時間入札方法およびシステムを描写する。

図1Bに、複数交換を交差する実時間入札システムの実行を描写する。

図2に、入札管理を最適にするための学習方法およびシステムを描写する。

図3に、キーパフォーマンス指標に関連したメディア成功を予測する目的で使用可能なサンプルデータドメインを描写する。

図4に、広告キャンペーンに関連した学習用の複数のアルゴリズムを描写し、ここではパフォーマンスがより良好なアルゴリズムを検出することができる。

図5Aに、入札査定の目的でミクロ−セグメンテーションを用いることを描写する。

図5Bに、広告キャンペーンのミクロセグメンテーション分析を描写する。

図5Cに、頻度分析によるプライス決定の最適化を描写する。

図5Dに、実時間入札システム内の新近性分析によってどのようにペーシングを最適にすることができるかを描写する。

図6に、入札査定の目的でナノ−セグメンテーションを用いることを描写する。

図7に、メジャーメディアサプライチェーン内の実時間入札方法およびシステムのサンプル統合を描写する。

図8Aに、実時間入札方法およびシステムを用いた仮想ケーススタディーを描写する。

図8Bに、実時間入札方法およびシステムを用いて2つの広告キャンペーンを比較する2番目の仮想ケーススタディーを描写する。

図9に、実時間入札方法およびシステムを用いる時にユーザーが採用することができるキー段階を要約するフローチャートの形態の簡潔化ユースケースを描写する。

図10に、実時間入札システムに関連し得るピクセルプロビジョニングシステムのためのユーザーインターフェースの例示態様を描写する。

図11に、実時間入札システムに関連し得るインプレッションレベルデータの例示態様を描写する。

図12に、仮想広告キャンペーンパフォーマンスレポートを描写する。

図13に、オンライン広告掲載を購入する場合の実時間入札および査定のための入札査定ファシリティーを例示する。

図14に、オンライン広告掲載を購入する場合の実時間入札および経済査定方法を例示する。

図15に、入札額を決定するための方法を例示する。

図16に、広告のための最適掲載に対して自動的に応札する方法を例示する。

図17に、本発明の1つの態様に従ってオンライン広告購入を行うための入札をターゲットにする目的で使用可能の分析プラットフォームのファシリティーを例示する。

図18に、経済査定を基にして複数の利用可能な掲載の少なくとも1つを選択してユーザーに提示するための方法を例示する。

図19に、経済査定から派生する利用可能な広告掲載の優先順位付け方法を例示する。

図20に、オンライン広告の場合の入札に関する購入プライス傾向を予測する代替アルゴリズムを選択するための実時間ファシリティーを例示する。

図21に、現在の市況を基にして広告掲載のパフォーマンスを予測する方法を例示する。

図22に、経済査定を予測するための1番目のモデルと2番目のモデルの間の優先傾向を決定する方法を例示する。

図23に、経済査定を予測するための1番目のモデルと2番目のモデルの間の優先傾向を決定する方法を例示する。

図24に、広告掲載のための実時間入札において複数の競合査定モデルの中の1つを選択する方法を例示する。

図25に、広告掲載の推奨入札額を導く目的で1番目の経済査定モデルを2番目の経済査定モデルに置き換える方法を例示する。

図26に、広告掲載の将来の査定として複数の経済査定モデルを評価して1つの査定を選択する方法を例示する。

図27に、広告掲載の将来の査定として複数の実時間経済査定モデルを評価して1つの査定を選択する方法を例示する。

図28に、広告掲載に好ましいアルゴリズムを選択する目的で複数の入札アルゴリズムを評価する方法を例示する。

図29に、広告掲載のための入札推奨を修正入札推奨に置き換える方法を例示する。

図30に、追加的サードパーティーデータの価値を測定するための実時間ファシリティーを例示する。

図31に、追加的サードパーティーデータの価値を測定する能力を有する広告査定方法を例示する。

図32に、サードパーティーデータセットの査定を計算しそしてその査定費用の一部を広告主に請求する方法を例示する。

図33に、サードパーティーデータセットの査定を計算しそして少なくともある程度その査定を基にして広告コンテンツを掲載するためにパブリッシャーが支払う入札額推奨に較正を受けさせる方法を例示する。

図34に、時刻を曜日と対比させて広告パフォーマンスの要約を表すデータ可視化態様を描写する。

図35に、人口密度によって広告パフォーマンスの要約を表すデータ可視化態様を描写する。

図36に、米国内の地理的地域によって広告パフォーマンスの要約を表すデータ可視化態様を描写する。

図37に、個人所得によって広告パフォーマンスの要約を表すデータ可視化態様を描写する。

図38に、性別によって広告パフォーマンスの要約を表すデータ可視化態様を描写する。

図39に、広告キャンペーンのためのアフィニティーインデックスをカテゴリーで例示する。

図40に、インプレッションの数によってページを訪れる人の要約を表すデータ可視化態様を描写する。

図41に、与えられ得る売上高に影響を与えるチャネルIDで表した時のインプレッションの数を調査する目的で使用可能の行列演算の例を描写する。

図42に、広告インベントリーのSUIDパーティションを作り出すことを可能にするパラメーターの例を例示する。

図43に、広告に対するオフラインデータおよびオンラインデータのためのフィードバッックループの例を例示する。

図44を参照して、広告活動を管理および追跡する目的で使用可能な数多くの内部機構を例示する。

図45に、パブリッシャーおよび広告ネットワークの間のつながりの簡潔態様を例示する。

図46に、利用可能なバジェットに関して開始日と終了日が複数ある場合に複数のインベントリーと広告キャンペーンの間の時間的関係を描写する。

図47に、本発明の1つの態様に従って実時間入札コールを行う時にプロキシトランスレーターを用いる買い主のための例示GYMを描写する。

図48に、本発明の1つの態様に従って実時間入札コールを行う時にプロキシトランスレーターを用いる売り主のための例示GYMを描写する。

図49に、本発明の1つの態様に従って査定を行う時に実時間入札システムを用いる売り主のためのGYMの別の例を描写する。

図50に、バーチャルグローバルコンシューマーID内で使用可能な変数の簡潔例を描写する。

図51に、広告掲載の機会を分析して利用するための簡潔フレームワークを描写する。

図52に、視聴者最適化に対して保証された購入を決定するインプレッションレベルを示す簡潔フレームワークを描写する。

図53に、入札依頼査定に関係する如き入札依頼、入札応答、RTB交換および最適化パラメーターを表す具現化フローを描写する。

図54に、RTBブランディング入札関数からキャンペーン、調査、応答および最適化エンジンをもたらす査定アルゴリズムに至るプロセスフローの態様を示す。

図55−56に、調査結果をキャンペーンから計算した時に明らかになるマーケット増分をどのようにして調整することができるかを示す態様を例示する。

図57に、的を絞った広告を選択する時に使用可能な複数の統合ユーザー識別子を作り出す方法を例示する。

図58に、広告をユーザーに提示する目的で統合ユーザー識別子を作り出して使用する方法を例示する。

図59に、複数の統合ユーザー識別子を基にして広告の強さレベルを変えるためのシステムを例示する。

図60に、広告を配信するための方法およびシステム(オフラインパネルデータの使用を包含)の例示態様を描写する。

図61に、マスターIDに関連し得るエレメントを描写する。

図62に、属性、エイリアスおよびコンシューマーの間の関連性の簡潔ネットワークを描写する。

図63に、識別子およびマスターIDの間の関連性の簡潔ネットワークを描写する。

詳細な説明 図1Aを参照して、スポンサー付きコンテンツ購入機会を選択かつ評価し、実時間入札しそしてスポンサー付きコンテンツ、例えば広告などを複数のコンテンツ配信チャネルに 渡って載せる目的で本明細書に記述する如き方法およびシステムに従って使用可能な実時間入札システム100A。実時間入札ファシリティーが購入機会の情報を与えることでスポンサー付きコンテンツを複数の広告(“広告(ad)”)配信チャネルに渡って載せることができる。この実時間入札ファシリティーは更に広告パフォーマンスに関するデータを集めることも可能にしかつこのデータを用いて広告を載せたいと思う関係者に継続的なフィードバックを与えそしてスポンサー付きコンテンツを提供する目的で用いられる広告配信チャネルを自動的に調整しそしてそれをターゲットにすることも可能にする。この実時間入札システム100Aは個々の広告の種類を選択して各掲載機会に示すことを容易にしかつ関連した広告掲載費用を経時的(かつ例えば掲載時間で調整)に示すことを容易にする。この実時間ファシリティーは査定アルゴリズムを用いて広告を査定することを容易にしかつ更に広告主104に対して投資に対するリターンを最適にすることも容易にし得る。

この実時間入札システム100Aには、1つ以上の配信サービスコンシューマー、例えば広告代理店102または広告主104など、広告ネットワーク108、広告交換110またはパブリッシャー112、分析ファシリティー114、広告タグ付けファシリティー118、広告オーダー送信および受信ファシリティー120および広告配信サービスファシリティー122、広告データ配信サービスファシリティー124、広告ディスプレークライアントファシリティー128、広告パフォーマンスデータファシリティー130、コンテクスチュアライザーサービスファシリティー132、データ統合ファシリティー134、および広告および/または広告パフォーマンスに関係した様々な種類のデータを提供する1つ以上のデータベースなどが含まれていてもよくそして/または更にそれらと関連していてもよい。本発明の1つの態様において、この実時間入札システム100Aに分析ファシリティーを含めてもよく、それに少なくともある程度学習機構ファシリティー138、査定アルゴリズムファシリティー140、実時間入札機構ファシリティー142、トラッキング機構ファシリティー144、インプレッション/クリック/アクションログファシリティー148および実時間入札ログファシリティー150を含めてもよい。

いくつかの態様において、データを実時間入札システム100Aおよび広告、広告パフォーマンスまたは広告掲載コンテキストに関係した学習機構ファシリティー138に提供する1つ以上のデータベースに代理店データベースおよび/または広告主データベース152を含めてもよい。その代理店データベースにキャンペーン記述子を含めてもよくそしてそれはチャネル、タイムライン、バジェットおよび他の情報(広告の使用および配信に関係する過去の情報を包含)を記述し得る。その代理店データ152にまたキャンペーンおよび過去のログも含めてもよく、それにはユーザーに示した各広告のための掲載が含まれ得る。その代理店データ152にまた下記の1つ以上を含めることも可能である:ユーザーのための識別子、ウェブページコンテキスト、時間、支払われたプライス、見せた広告メッセージおよび結果としてもたらされたユーザーアクションまたは他のいくつかの種類のキャンペーンまたは過去のログデータ。広告主データベースにビジネスインテリジェンスデータまたは他のいくつかの種類のデータ(これは動的および/または静的マーケティング目標を記述し得るか、或は広告主104の業務を記述し得る)を含めてもよい。一例として、所定製品の過剰在庫の量(広告主104が倉庫に保有する)は広告主データ152によって記述可能である。別の例として、そのデータはコンシューマーが広告主104と情報のやり取りをして実行した購入を記述し得る。

いくつかの態様において、その1つ以上のデータベースに過去のイベントのデータベースを含めてもよい。その過去のイベントのデータ154を用いてユーザーイベントの時間と他のイベントが起こったこと(例えばユーザーが位置する地域などで)を相互に関係付けることができる。一例として、特定の種類の広告に対する応答率を株式市場動向と相互に関係付けることができる。その過去のイベントのデータ154に、これらに限定するも のでないが、天気データ、イベントデータ、ローカルニュースデータまたは他のいくつかの種類のデータを含めてもよい。

いくつかの態様において、その1つ以上のデータベースにユーザーデータ158、データベースを含めてもよい。ユーザーデータ158に内部情報源および/またはサードパーティーが提供し得るデータを含めてもよく、それには広告受信者についての個人関連情報が含まれている可能性がある。この情報によってユーザーを優先傾向または他の指標(これを用いてユーザーに標識を付け、ユーザーを記述しまたは分類することができる)と関連付けることができる。

いくつかの態様において、その1つ以上のデータベースに実時間イベントのデータベースを含めてもよい。その実時間イベントのデータ160に過去のデータと同様ではあるがより現在に近いデータを含めてもよい。その実時間イベントのデータ160に、これらに限定するものでないが、秒、分、時、日または他のいくつかの時間尺度まで現在のデータを含めてもよい。一例として、学習機構ファシリティー138が広告パフォーマンスと過去の株式市場インデックス値の間に相関関係を見つけたとしたならば、その実時間株式市場インデックス値を用いて広告の査定を実時間入札機構ファシリティー142で行うことができる。

いくつかの態様において、その1つ以上のデータベースに、パブリッシャー、パブリッシャーのコンテンツ(例えばパブリッシャーのウェブサイト)などと関連したコンテキストのデータ162を提供し得るコンテキストのデータベースを含めてもよい。コンテキストのデータ162に、これらに限定するものでないが、広告の中に見られるキーワード、以前の広告掲載に関連したURLまたは他のいくつかの種類のコンテキストのデータ162を含めてもよく、それをパブリッシャーのコンテンツに関係するカテゴリー化メタデータとして記憶させてもよい。一例として、そのようなカテゴリー化メタデータは、1番目のパブリッシャーのウェブサイトが金融コンテンツに関係しそして2番目のパブリッシャーのコンテンツが主にスポーツに関係していることを記録している可能性がある。

いくつかの態様において、その1つ以上のデータベースに更にサードパーティー/商業データベースも含めてもよい。サードパーティー/商業データベースにコンシューマーのトランザクションに関係したデータ164、例えば小売トランザクションで得られた販売時点スキャナーデータまたは他のいくつかの種類のサードパーティーまたは商業データなどを含めてもよい。

本発明のいくつかの態様において、前記1つ以上のデータベースに由来するデータをデータ統合ファシリティー134によって実時間入札システム100Aの分析ファシリティー114と共有させてもよい。一例として、見込みのある広告および/または広告掲載を評価する目的で、データ統合ファシリティー134がデータを1つ以上のデータベースから実時間入札システム100Aの分析ファシリティーに提供するようにしてもよい。例えば、データ統合ファシリティー134が利用可能なデータベースから受け取った複数の種類のデータ(例えばユーザーデータ158および実時間イベントのデータ160)を組み合わせるか、統合するか、分析するか或は合体させるようにしてもよい。1つの態様において、コンテクスチュアライザーがウェブコンテンツを分析してウェブページにスポーツ、金融または他の種類のトピックについてのコンテンツが含まれているか否かを決定するようにしてもよい。この情報を分析プラットフォームファシリティー114への入力として用いることで関係するパブリッシャーおよび/または広告が現われるであろうウェブページを識別することができる。

いくつかの態様において、実時間入札システム100Aの分析ファシリティーが広告依 頼を広告オーダー送信および受信ファシリティー120から受け取るようにしてもよい。その広告依頼は広告代理店102、広告主104、広告ネットワーク108、広告交換110およびパブリッシャー112または広告コンテンツを依頼する他のいくつかの関係者に由来するものであってもよい。例えば、トラッキング機構ファシリティー144が広告依頼を広告オーダー送信および受信ファシリティー120を経由して受け取りそしてサービスを提供するようにしてもよく、そのサービスには、識別子、例えば広告タグなどを広告タグ付けファシリティー118を用いて各広告オーダーおよび結果としてもたらされる広告掲載に付けることが含まれ得る。この広告トラッキング機能によって実時間入札システム100Aは広告パフォーマンスデータ130を追跡し、集めそして分析することができる。例えば、オンラインディスプレー広告にタグをトラッキングピクセルを用いて付けることができる。ピクセルをトラッキング機構ファシリティー144に送った後、それは掲載機会ばかりでなくその機会の時間および日付を記録し得る。本発明の別の態様において、トラッキング機構ファシリティー144は広告依頼者のID、ユーザーおよびユーザーを分類する他の情報[これらに限定するものでないが、インターネットプロトコル(IP)アドレス、広告および/または広告掲載のコンテキスト、ユーザーの履歴、ユーザーの地理的場所情報、社会的行動、推定人口統計または他のいくつかの種類のデータが含まれる]を記録することができる。トラッキング機構ファシリティー144を用いて広告インプレッション、ユーザークリックスルー、アクションログまたは他のいくつかの種類のデータを作成することことができる。

いくつかの態様において、その記録させたログおよび他の種類のデータを学習機構ファシリティー138が利用することで、本明細書に記述するように、ターゲティングおよび査定アルゴリズム140を改善しかつ注文に合わせることができる。その学習機構ファシリティー138は所定クライアントに対して良好なパフォーマンスを示す広告に関してルールを作り出しそしてその作り出したルールを基にして広告キャンペーンのコンテンツを最適にすることができる。その上、本発明のいくつかの態様において、学習機構ファシリティー138を用いて実時間入札機構ファシリティー142のためのターゲティングアルゴリズムを開発することができる。学習機構ファシリティー138はパターンを学習することができ、それにはとりわけインターネットプロトコル(IP)アドレス、広告および/または広告掲載のコンテキスト、広告掲載ウェブサイトのURL、ユーザーの履歴、ユーザーの地理的場所情報、社会的行動、推定人口統計、ユーザーが有するか或はユーザーに関連付けることが可能な他のいずれかの特徴、広告コンセプト、広告サイズ、広告フォーマット、広告の色または広告の他のいずれかの特徴または他のいくつかの種類のデータ(広告および広告掲載機会をターゲットにしかつその価値を評価する目的で使用可能な)が含まれる。本発明の1つの態様において、学習パターンを用いて広告をターゲットにすることができる。その上、学習機構ファシリティー138を図1に描写するようにして1つ以上のデータベースと連結させることができ、それを用いてターゲティングおよび/または査定アルゴリズム140を更に最適にするに必要な追加的データを得ることができる。

本発明の1つの態様において、広告主104は、広告を打つことが可能な場所および時間を限定するインストラクションと一緒に“オーダー”することができる。広告主104によるオーダーを学習機構ファシリティーまたはプラットフォームの別のエレメントが受け取るようにしてもよい。広告主104は広告キャンペーンが成功するように‘良好’の基準を特定する可能性がある。その上、トラッキング機構ファシリティー144を用いてその‘良好’基準を測定することができる。広告主104はまた分析の成果をブートする目的でその‘オーダー’に関連した過去のデータも提供する可能性もある。このように、その1つ以上のデータベースから得られるデータおよび広告主104が提供するデータを基にして、学習機構ファシリティー138はその広告の注文に合わせたターゲティングアルゴリズムを開発し得る。そのターゲティングアルゴリズムによって特定条件下の広告の 予測される価値を計算することができる(例えば、実時間イベントのデータ160をモデリングの一部として用いて)。そのターゲティングアルゴリズムによってまたその指定された‘良好’基準を最大限にすることを探求することも可能である。学習機構ファシリティー138が開発したターゲティングアルゴリズムを実時間入札機構142が受け取り、それは広告を載せる機会を待ち得る。本発明の1つの態様において、実時間入札機構ファシリティー142はまた広告オーダー送信および受信ファシリティー120経由で広告および/または入札依頼も受け取り得る。実時間入札機構ファシリティー142は“実時間”ファシリティーであると見なすことができる、と言うのは、それは時間的制約を伴う広告または入札依頼に返答をする能力を有するからである。実時間入札機構ファシリティー142はノンステートレス方法を用いてユーザーが当該システムが決定するのを待つ間にどの広告メッセージを示すべきかを計算する。実時間入札機構ファシリティー142は学習機構ファシリティー138が提供するアルゴリズムを用いて実時間計算を実行することで最適な入札値を動的に推定することができる。いくつかの態様において、代替実時間入札機構ファシリティー142の構成は提示すべき広告を決定するようにステートレス構成であってもよい。

実時間入札機構ファシリティー142は過去のデータと実時間データを混合して広告および/または広告掲載機会に関連する実時間入札値を計算するための査定アルゴリズムを作り出す能力を有する。実時間入札機構ファシリティー142は予想される値を計算することができ、その値はインターネットプロトコル(IP)アドレス、広告および/または広告掲載のコンテキスト、ユーザーの履歴、ユーザーの地理的場所情報、社会的行動、推定人口統計または他のいくつかの種類のデータについての情報を一緒にしたものである。いくつかの態様において、実時間入札機構ファシリティー142は、少なくともある程度各アルゴリズムのパフォーマンスを基にして当該アルゴリズムの順序付けを行って優先順位を付ける目的でトラッキング機構144または広告パフォーマンスデータを利用することで、日和見アルゴリズムアップデートを用いることができる。学習機構ファシリティー138は機構学習ファシリティーおよび実時間入札ファシリティー内にある複数の競合するアルゴリズムの非拘束リストを用いてそれから選択を行うことができる。実時間入札機構142は1組の広告の配信のプライス決定および速さを制御する目的で制御システム理論を利用することができる。その上、実時間入札機構ファシリティー142はユーザーのプロフィールを構築する目的で勝敗入札データを利用することも可能である。また、実時間入札機構142は広告受信者の地理内で行われるイベントと予想される値を相互に関係付けることも可能である。実時間入札機構ファシリティー142は複数交換を交差する広告購入をトレードすることができ、従って複数交換をインベントリーの単一源として処理することで少なくともある程度実時間入札システム100Aがモデル化した評価を基にして広告を選択して購入することができる。

いくつかの態様において、実時間入札システム100Aに更に実時間入札ログファシリティーも含めてもよく、それによって実時間入札機構ファシリティー142が受け取った入札依頼および送った入札応答を記録してもよい。本発明の1つの態様において、実時間入札ログにユーザーに関係した追加的データを記録させてもよい。一例として、その追加的データにはユーザーが訪問する可能性のあるウェブサイトの詳細が含まれ得る。そのような詳細を用いてユーザーの興味または閲覧傾向を引き出すことができる。加うるに、実時間入札ログファシリティーに様々な広告チャネルから来る広告掲載機会の到着速度を記録させてもよい。本発明の1つの態様において、実時間入札ログファシリティーをまた学習機構ファシリティー138と連結させることも可能である。

いくつかの態様において、実時間入札機構142は、少なくともある程度学習機構ファシリティー138に関連した査定アルゴリズム140を基にして広告に適した複数の見込みのある掲載の各々に予測される経済査定を動的に決定することができる。実時間入札機 構ファシリティー142は、広告掲載の依頼を受け取ることに応答して、広告に適した複数の可能な掲載の各々に予測される経済査定を動的に決定しそしてその経済査定を基にして有効な掲載を選択して1つ以上の配信サービスコンシューマーに提示するか否かを決定することができる。

いくつかの態様において、掲載の2番目の依頼を処理する前に経済査定を動的に決定するためのモデルを変更することを実時間入札機構142に含めてもよい。そのモデルの変更は少なくともある程度学習ファシリティーに関連した査定アルゴリズムが基になり得る。本発明の1つの態様において、有効な掲載の1つ以上を選択して提示する前に複数の掲載の各々に対して2番目の組の査定をもたらすように、経済査定モデルの働きを変えることも可能である。

いくつかの態様において、査定アルゴリズム140は複数の広告掲載の各々に関係したパフォーマンス情報を評価し得る。動的に変化し得る経済査定モデルを用いて予測される査定を決定することができる。その査定モデルは複数の掲載に関する経済査定に関係した入札値を評価することができる。複数の有効な掲載および/または複数の広告に入札する時の段階は経済査定が基になり得る。例示ケースとして、実時間入札機構ファシリティー142は下記の順番を採用し得る:段階1で、実時間入札機構142は査定アルゴリズム140を用いて示される可能な広告をふるいにかけ得る。段階2で、実時間入札機構ファシリティー142は、そのふるいにかけた広告が残余バジェット財源を有するか否かをチェックしそしてそのリストに由来する有効なバジェット財源をもたないいずれかの広告をそのリストから取り除き得る。段階3で、実時間入札機構ファシリティー142は各広告の経済的価値を決定する目的で広告のための経済査定アルゴリズムを実行し得る。段階4で、実時間入札機構142は広告を掲載する機会費用によって経済的価値を調整し得る。段階5で、実時間入札機構ファシリティー142は機会費用で調整した後の最も高い経済的価値を有する広告を選択し得る。段階6で、2番目の依頼を受け取りそして処理する前に、1番目の依頼についての情報(これには依頼のパブリッシャー112のコンテンツについての情報が含まれ得る)を用いて動的アルゴリズムをアップデートし得る。最後に段階7で、2番目の広告を1番目と同じ順番で処理してもよく、3番目の広告を掲載する前に動的アルゴリズムをアップデートしてもよい。いくつかの態様において、提示すべき広告を選択する時、複数の競合する査定アルゴリズム140を各段階で用いてもよい。相対的なパフォーマンスおよび有用性を決定する目的で、最終的に掲載する広告の広告パフォーマンスを追跡することによってその競合するアルゴリズムを評価してもよい。

本発明の1つの態様において、競合するアルゴリズムに試験をデータの一部を個別の学習および検証セットに分割することで受けさせてもよい。アルゴリズムの各々に学習を学習セットのデータを基に受けさせた後、検証セットのデータに対する予測に関して検証(測定)を受けさせてもよい。各入札アルゴリズムに検証セットに対する予測に関する評価を測定基準、例えば受信者動作特性(ROC)領域、リフト、適合率/再現率、広告支出に対するリターン、他の信号処理測定基準、他の機構学習測定基準、他の広告測定基準または他のいくつかの分析方法、統計学的技術またはツールなどを用いて受けさせてもよい。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールなどを本発明に包含させることを意図し、それらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。アルゴリズムの予測の測定は、個々のコンテキストにおいて個々の広告を個々のコンシューマーに見せた時にコンシューマーが取る好ましい行動に影響を与える可能性がある、例えば広告主の製品の1つを購入するか、広告主の製品に関わるか、広告主の製品に関するコンシューマーの認識に影響を与えるか、ウェブページを訪問するか、或は広告主が評価する他のいくつかの種類の行動を取ることなどの尤度をど れほど良好に予測するかによって実行可能である。

本発明の1つの態様において、相互検証を用いてアルゴリズム評価測定基準を改善することができる。相互検証は、学習セットのデータおよび検証セットのデータを変えて競合するアルゴリズムおよび/またはモデルを評価するための学習セット−検証セット手順を複数回繰り返す方法論を記述するものである。本明細書に記述する方法およびシステムの一部として使用可能な相互検証技術には、これらに限定するものでないが、反復ランダムサブサンプリング検証、k−フォールド相互検証、k x 2 相互検証、リーブ・ワン・アウト(leave−one−out)相互検証または他のいくつかの種類の相互検証技術が含まれる。

いくつかの態様において、競合するアルゴリズムに評価を本明細書に記述する如き方法およびシステムを用いて実時間、バッチモード処理でか或は他のいくつかの定期的処理フレームワークを用いて受けさせてもよい。いくつかの態様において、競合するアルゴリズムに評価をオンライン、例えばインターネットまたは他のいくつかのネットワーク化プラットフォームなどを用いて受けさせてもよいか、或は競合するアルゴリズムに評価をオフラインで受けさせてもよく、そして評価後にオンラインファシリティーで利用することができる。サンプル態様において、1つのアルゴリズムは他の全てのアルゴリズムよりも予測の点で厳格に良好である可能性があり、それを学習ファシリティー138でオフライン選択してもよい。別のサンプル態様において、変数の個々の組み合わせが決まっている場合、あるセットに由来する1つのアルゴリズムはより予測性がある可能性があり、かつ実時間入札ファシリティー142で2つ以上のアルゴリズムを利用できる可能性もあることで、最良のパフォーマンスを示すアルゴリズムの選択を実時間で例えば個々の掲載依頼の属性を検査した後に1組の学習アルゴリズムに由来するどのアルゴリズムがその所定の組の属性にとって最も高い予測性を示すかを決定することなどで行うことができる。

いくつかの態様において、実時間入札システム100Aに由来する広告の査定に相当するデータを広告配信サービスファシリティー122が受け取ってその査定データのコンシューマー、例えば広告代理店102、広告主104、広告ネットワーク108、広告交換110、パブリッシャー112または他のいくつかの種類のコンシューマーに送信してもよい。本発明の別の態様において、その広告配信サービスファシリティー122は広告サーバーであってもよい。広告配信サービスファシリティー122は実時間入札システム100Aのアウトプット、例えば選択された広告などを1つ以上の広告サーバーに配信してもよい。いくつかの態様において、広告配信サービスファシリティー122をトラッキング機構ファシリティー144と連結させてもよい。本発明の別の態様において、広告配信サービスファシリティー122を広告ディスプレークライアント128と連結させてもよい。いくつかの態様において、広告ディスプレークライアント128はモバイルデバイス、PDA、携帯電話、コンピューター、コミュニケーター、デジタルデバイス、デジタルディスプレーパネル、または広告を提示することができる他のいくつかの種類のデバイスであり得る。

いくつかの態様において、広告ディスプレークライアント128の所で受け取る広告には、対話式データ、例えば、映画切符申し込みのポップアップ画面などが含まれ得る。広告ディスプレークライアント128のユーザーはその広告と情報のやり取りをしてアクションを起こす、例えば購入するか、広告をクリックするか、フォームに記入するか或は他のいくつかの種類のユーザーアクションを取る可能性がある。そのユーザーアクションを広告パフォーマンスデータファシリティー130が記録し得る。1つの態様において、広告パフォーマンスデータファシリティー130を1つ以上のデータベースと連結させてもよい。一例として、パフォーマンスデータファシリティーをコンテキストのデータベースと連結させることでコンテキストのデータベースを実時間でアップデートしてもよい。1 つの態様において、そのアップデートした情報に実時間入札システム100Aがアクセスできるようにすることで査定アルゴリズム140をアップデートすることができる。いくつかの態様において、広告パフォーマンスデータファシリティー130を1つ以上の配信サービスコンシューマーと連結させてもよい。

分析プラットフォームファシリティー114に由来する広告の査定に相当するデータをまた広告配信サービスファシリティー122が受け取るようにすることも可能である。本発明の1つの態様において、広告配信サービスファシリティー122は1つ以上の広告を再発注/再配置/再編成する目的でその査定データを利用することができる。別の態様において、広告配信サービスファシリティー122は定義済み基準を基にして広告を等級付ける目的でその査定データを利用することができる。その定義済み基準には時間帯、場所などが含まれ得る。

広告データ配信サービスファシリティー124はまた査定データを広告査定データの1つ以上のコンシューマーに提供することもし得る。いくつかの態様において、広告データ配信サービスファシリティー124は査定データを広告査定データの1つ以上のコンシューマーに販売し得るか或は査定データの購入予約を提供し得る。いくつかの態様において、広告配信サービスファシリティー122は広告査定データの1つ以上のコンシューマーに実時間入札システム100Aまたは学習機構ファシリティー138からのアウトプットを提供し得る。広告査定データのコンシューマーには、これらに限定するものでないが、広告代理店102/広告主104、広告ネットワーク108、広告交換110、パブリッシャー112または他のいくつかの種類の広告査定データカスタマーが含まれ得る。一例として、広告代理店102はクライアントのために広告の創作、計画および取り扱いを行うことに力を注ぐサービスビジネスであり得る。広告代理店102はクライアントから独立しておりそしてクライアントの製品またはサービスを販売する努力に対して第三者の観点を提供し得る。その上、広告代理店102は様々な種類の代理店であってもよく、それには、これらに限定するものでないが、業務限定広告代理店、スペシャリスト広告代理店、オーガナイゼーション内広告代理店、対話式代理店、検索エンジン代理店、ソーシャルメディア代理店、ヘルスケアコミュニケーション代理店、医学教育代理店または他のいくつかの種類の代理店が含まれる。その上、いくつかの例において、広告ネットワーク108は、広告を主催したいと思い得るウェブサイトに広告主104をつなげ得るエンティティであり得る。広告ネットワーク108には、これらに限定するものでないが、バーティカルネットワーク、ブラインドネットワークおよびターゲテッドネットワークが含まれ得る。広告ネットワーク108をまた一次および二次ネットワークとして分類分けすることも可能である。一次広告ネットワークはそれ自身の多数の広告主104およびパブリッシャーを保持している可能性があり、それらは高品質のトラフィックを有する可能性がありかつ広告およびトラフィックを二次ネットワークに供給し得る。二次広告ネットワークは自身の広告主104およびパブリッシャーをいくつか有する可能性があるが、それらの主な財源は広告を他の広告ネットワークに配給するものであり得る。広告交換110ネットワークには、広告インベントリーの属性、例えば広告インプレッションのプライス、特定製品またはサービスカテゴリーの中の広告主104の数、特定期間の最高および最低入札に関するレガシーデータ、広告成果(広告インプレッションのユーザークリック)などに関係した情報が含まれ得る。広告主104はこのようなデータを意志決定の一部として用いることができるであろう。例えば、保存された情報によって個々のパブリッシャー112に関する成功率を描写することができる。加うるに、広告主104は金融トランザクションを行うための1つ以上のモデルを選択する任意選択権も持ち得る。例えば、広告主104はコスト−パー−トランザクションプライス決定構成を採用することができる。同様に、別の例として、広告主104はコスト−パー−クリックを支払う任意選択権も持ち得る。広告交換110は、入札中の広告インプレッションのプライスをパブリッシャー112が実時間で決定することを可能にするアルゴリズムを実行し得る。

いくつかの態様において、広告メッセージ配信のための実時間入札システム100Aは、広告メッセージを複数の配信チャネルに渡って載せる機会を購入することを意図した機構の複合体であり得る。このシステムは広告メッセージを提示する目的で用いられるチャネルを自動的に微調整しかつターゲットにするばかりでなく各掲載機会に示す広告メッセージを何にするかおよびそれに伴う費用を経時的に選択するための能動的フィードバックを提供し得る。いくつかの態様において、このシステムは、相互接続した機構で構成されており、そのような機構には、これらに限定するものでないが、(1)学習機構ファシリティー138、(2)実時間入札機構142および(3)トラッキング機構144が含まれる。それらの機構の中の2つがログを作り出し得、それらのログを学習機構ファシリティー138が内部で使用することができる。いくつかの態様において、このシステムへのインプットは実時間および非実時間源の両方に由来し得る。過去のデータを実時間データと組み合わせることで広告キャンペーンのためのプライス決定および配信インストラクションを微調整することができる。

いくつかの態様において、広告メッセージ配信のための実時間入札システム100Aに外部機構およびサービスを含めることも可能である。外部機構およびサービスには、これらに限定するものでないが、代理店102、広告主104、代理店データ152、例えばキャンペーン記述子および過去のログ、広告主データ152、キーパフォーマンス指標、過去のイベントのデータ154、ユーザーデータ158、コンテクスチュアライザーサービス132、実時間イベントのデータ160、広告配信サービス122、広告受信者または他のいくつかの種類の外部機構および/またはサービスが含まれ得る。

いくつかの態様において、代理店および/または広告主104は過去の広告データを提供する可能性があり、実時間入札システム100Aの恩恵を受け得る。

いくつかの態様において、代理店データ152、例えばキャンペーン記述子などはチャネル、時間、バジェット、および広告メッセージを広げることを可能にし得る他の情報を記述し得る。

いくつかの態様において、代理店データ152、例えばキャンペーンおよび過去のログなどは、ユーザーに示す各広告メッセージの掲載を記述し得、それには、下記の1つ以上が含まれる:ユーザーの識別子、チャネル、時間、支払われたプライス、見せた広告メッセージおよびユーザーが結果として行ったユーザーアクションまたは他のいくつかの種類のキャンペーンまたは過去のログデータ。また、追加的ログで自発的ユーザーアクション、例えば広告インプレッションを直接追跡するのが不可能なユーザーアクションまたは他のいくつかの種類の自発的ユーザーアクションを記録してもよい。

いくつかの態様において、広告主データ152はビジネスインテリジェンスデータまたは動的および/または静的マーケティング目標を記述する他のいくつかの種類のデータから成っていてもよい。例えば、広告主104が倉庫内に保有する所定製品の過剰在庫量をそのデータで記述することができる。

いくつかの態様において、キーパフォーマンス指標には、所定ユーザーアクション毎の‘良好’を表す1組のパラメーターが含まれ得る。例えば、プロダクトアクティベーションの値は$Xであり得そしてプロダクトコンフィギュレーションの値は$Yであり得る。

いくつかの態様において、実時間入札システム100Aは過去のイベントのデータ154を用いてユーザーイベントの時間とそれらの領域で起こる他のイベントを相互に関係付けることができる。例えば、特定の種類の広告に対する応答率を株式市場動向と相互に関 係付けることができる。過去のイベントのデータ154には、これらに限定するものでないが、天気データ、イベントデータ、ローカルニュースデータまたは他のいくつかの種類のデータが含まれ得る。

いくつかの態様において、ユーザーデータ158にはサードパーティーが提供するデータが含まれ、それには広告受信者に関する個人的に関係した情報が含まれる。この情報はユーザーの優先傾向またはユーザーを識別または記述する他の指標を示し得る。

いくつかの態様において、コンテクスチュアライザーサービス132は広告用媒体のコンテキストカテゴリーを識別し得る。例えば、コンテクスチュアライザーは、ウェブのコンテンツを分析して、ウェブページにスポーツ、金融または他のいくつかのトピックに関するコンテンツが含まれているか否かを決定し得る。この情報を学習システム138へのインプットとして用いて広告を提示するページの種類をどれにするかを調整することができる。

いくつかの態様において、実時間イベントのデータ160には過去のデータに類似したデータが含まれ得るが、過去のデータよりも現在に近い。実時間イベントのデータ160には、これらに限定するものでないが、秒、分、時、日または他のいくつかの時間尺度まで現在のデータが含まれ得る。例えば、学習機構ファシリティー138が広告パフォーマンスと過去の株式市場インデックス値の間に相互関係があることを見つけたとしたならば、実時間入札機構142はその実時間株式市場インデックス値を用いて広告の価値を評価することができる。

いくつかの態様において、広告配信サービス122には、これらに限定するものでないが、広告ネットワーク108、広告交換110、売り主側オプティマイザーまたは他のいくつかの種類の広告配信サービス122が含まれ得る。

いくつかの態様において、広告受信者には広告メッセージを受け取る人が含まれ得る。広告コンテンツは特に広告受信者が頼るコンテンツの一部として依頼される(“引き寄せられる”)かまたは付けられるか、或は例えば広告配信サービス122などによってネットワーク全体に“押し付けられる”。広告を受信するモードのいくつかの非限定例には、インターネット、携帯電話ディスプレースクリーン、ラジオ放送、テレビ放送、電子掲示板、印刷媒体および映画放映が含まれる。

いくつかの態様において、広告メッセージ配信のための実時間入札システム100Aは内部機構およびサービスを含んで成り得る。内部機構およびサービスには、これらに限定するものでないが、実時間入札機構142、トラッキング機構144、実時間入札ログ、インプレッション、クリックおよびアクションログ、学習機構ファシリティー138または他のいくつかの種類の内部機構および/またはサービスが含まれ得る。

いくつかの態様において、実時間入札機構142は入札依頼メッセージを広告配信サービス122から受け取り得る。実時間入札機構142は“実時間”システムであると見なすことができる、と言うのは、それは時間的制約を伴う入札依頼に応答し得るからである。実時間入札機構142は、ノンステートレス方法を用いるが、この方法では、ユーザーがこのシステムが決定するのを待っている間にどの広告メッセージを提示するかを計算する。このシステムは学習機構ファシリティー138が提供するアルゴリズムを用いて実時間計算を実行することで、最適な入札値を動的に推定する。いくつかの態様において、提示する広告を決定する代替システムの形態はステートレス構成であり得る。

いくつかの態様において、トラッキング機構144は、トラッキングIDを各広告に付 けるサービスを提供し得る。例えば、ピクセルはオンラインディスプレー広告をたどり得る。ピクセルがトラッキング機構144から供給された後、それは掲載機会ばかりでなく時間および日付を記録する能力を有し、加うるに、その機構はユーザーのIDおよびユーザーを識別する他の情報も記録する能力を有し、そのような情報には、これらに限定するものでないが、IPアドレス、地理的場所または他のいくつかの種類のデータが含まれる。

いくつかの態様において、実時間入札ログは、実時間入札機構142が受け取った入札依頼および送った入札応答を記録し得る。このログにはユーザーがどのサイトを訪問したかについての追加的データが含まれている可能性があり、それを用いてユーザーの興味または閲覧傾向を引き出すことができるであろう。加うるに、このログは広告掲載機会が様々なチャネルから到達する速度も記録し得る。

いくつかの態様において、インプレッション、クリックおよびアクションログは、トラッキングシステムが作成する記録であり得、学習機構ファシリティー138はそれらを用いることができる。

いくつかの態様において、学習機構ファシリティー138を用いて実時間入札機構142のためのターゲティングアルゴリズムを開発することができる。学習機構ファシリティー138はパターンを学習する能力を有し、それにはとりわけ社会的行動、推定人口統計が含まれ、それらを用いてオンライン広告のターゲットを絞ることができる。

一例として、広告主104は、広告を掲載する場所および時間を限定するインストラクションを伴わせて“オーダー”を行うことができる。そのオーダーを学習機構ファシリティー138が受け取り得る。広告主104は当該キャンペーンが成功するための‘良好’の基準を特定し得る。そのような‘良好’基準はトラッキング機構144を用いて測定可能であり得る。広告主104は本システムをブートする目的で過去のデータを提供する。学習システム138は利用可能なデータを基にして広告の注文に合うターゲティングアルゴリズムを開発することができる。そのアルゴリズムを用いて特定の条件が決まっている場合の広告の期待される値を計算して、その指定された‘良好’基準が最大限になるように探求することができる。広告を掲載する機会を待っている実時間入札機構142がアルゴリズムを受け取り得る。実時間入札機構142が入札依頼を受け取り得る。その受け取ったアルゴリズムを用いて各広告主104毎にそれの価値それぞれを評価することができる。広告が魅力的な値を有する場合には入札応答が送られ得る。適切であると推定されるならば低い方の値が入札値であり得る。入札応答は広告を個々のプライスで掲載する依頼であり得る。トラッキングシステム、例えばブラウザーに表示されるピクセルなどを用いて広告にタグを付けることができる。トラッキング機構144は広告インプレッション、ユーザークリックおよびユーザーアクションおよび/または他のデータを記録し得る。トラッキング機構ログが学習システム138に送られ、それは‘良好基準’を用いてそれらを改善しかつ更に注文に合わせるにはどのアルゴリズムを用いるかを決定し得る。このプロセスを反復してもよい。本システムはまた広告受信者の地理的地域内の現在のイベントと期待される値を相互に関係付けることも行い得る。

いくつかの態様において、実時間入札機構142はターゲティングアルゴリズムを動的にアップデートし得る。

いくつかの態様において、実時間入札機構142は過去データと実時間データを混合して実時間入札値を計算するためのアルゴリズムを作り出し得る。

いくつかの態様において、実時間入札機構142は、広告掲載のコンテキストについて の情報、ユーザーの履歴および地理的場所情報および広告自身または他のいくつかの種類のデータを一緒にした期待値を計算することで所定時間に示す個々の広告の期待値を計算することができる。

いくつかの態様において、実時間入札機構142はターゲティング“バケット”ではなくアルゴリズムを用い得る。

いくつかの態様において、実時間入札機構142は、パフォーマンスが最悪のアルゴリズムの優先順位を決める目的でトラッキング機構ファシリティー144のフィードバックを利用した日和見アルゴリズムアップデートを用い得る。

いくつかの態様において、実時間入札機構142は、学習システム138および実時間入札システム100Aの中の複数の競合するアルゴリズムの非拘束リストを用い得る。

いくつかの態様において、実時間入札機構142は、1組の広告のプライス決定および配信速度を制御する目的で制御システム理論を用い得る。

いくつかの態様において、実時間入札機構142は、ユーザープロフィールを構築する目的で勝敗入札データを用い得る。

図1Bに示すように、いくつかの態様において、実時間入札機構は複数交換100Bを交差する広告購入をトレードすることで、複数交換を単一のインベントリー源として処理し得る。

図2を参照して、実時間入札システムの分析アルゴリズムを用いて広告および広告インプレッション、コンバージョンまたは他のいくつかの種類の広告−ユーザー相互作用200に関連した入札の管理を最適にすることができる。いくつかの態様において、学習システム(例えば学習機構138によって具現化された)は、所定クライアントに関してどの広告のパフォーマンスが良好であるかに関するルールを作り出しそして少なくともある程度そのルールを基にして広告キャンペーンのコンテンツミックスを最適にし得る。一例として、デジタルメディアユーザーの行動、例えば広告クリックスルー、インプレッション、ウェブページ訪問、トランザクションまたは購入、またはユーザーに関連したサードパーティーデータなどは、実時間入札システムの学習システムに関連しかつそれが用い得る。実時間入札システムは学習システムのアウトプット(例えばルールおよびアルゴリズム)を用いて広告依頼と学習機構が作り出したルールおよび/またはアルゴリズムに一致する広告選択を一組にし得る。選択された広告は広告交換、インベントリーパートナーまたは他のいくつかの源の広告コンテンツに由来し得る。次に、その選択された広告に広告のタグを本明細書に記述するようにして付けた後、掲載、例えばウェブページなどに掲載する目的でデジタルメディアユーザーに送る。次に、その広告タグを追跡しそして将来のインプレッション、クリックスルーなどを実時間入札システムに関連したデータベースに記録してもよい。次に、学習機構は、そのルールおよびアルゴリズムを少なくともある程度その選択した広告とデジタルメディアユーザーの間の新しい相互作用(またはそれがないこと)を基にして更に最適にし得る。

いくつかの態様において、コンピューター可読媒体内で具現化されたコンピュータープログラムプロダクトは、1台以上のコンピューターで実行する時に、少なくともある程度パブリッシャーのために広告を掲載する依頼を受け取ることを基にして広告の複数の可能な掲載の各々に関して予測される経済査定を動的に決定し得る。本発明の方法およびシステムは、パブリッシャーのために広告掲載依頼を受け取ることに応答して、その広告の複数の可能な掲載の各々および/または複数の広告に関して予測される経済査定を動的に決 定して複数の有効な掲載および/または複数の広告の中の少なくとも1つをその経済査定を基にして選択してパブリッシャーに提示するか否かを決定し得る。

いくつかの態様において、そのコンピュータープログラムで実行可能な本方法およびシステムは、2番目の掲載依頼を処理する前に、その経済査定を動的に決定するモデルを変更することを含んで成り得る。そのモデルの変更は少なくともある程度機構学習が基になり得る。

いくつかの態様において、複数の有効な掲載および/または複数の広告の中の少なくとも1つを選択して提示する前に、その複数の掲載毎に2番目の組の査定をもたらすように経済査定モデルの作用を変えることができ、その選択する段階および提示する段階は少なくともある程度2番目の組の査定が基になる。掲載依頼は時間限定依頼であり得る。

いくつかの態様において、経済査定モデルは複数の広告掲載の各々に関係したパフォーマンス情報を評価し得る。

いくつかの態様において、動的に変化し得る経済査定モデルを用いて予測される経済査定を決定することができる。その動的に変化し得る経済査定モデルは、複数の掲載の経済査定に関係する入札値を評価し得る。その複数の有効掲載および/または複数の広告の中の少なくとも1つに関して入札する段階はその経済査定が基になり得る。

図2を更に参照して、実時間入札システムに前記説明200に合うアルゴリズムを含めてもよい。見せるべき可能な広告が複数あると仮定すると、本実時間入札システムは下記の例示順に従い得る:1)ターゲティングルールを用いて見せるべき可能な全ての広告をふるい分けしそして見せることが可能なリストされた広告をアウトプットすることができ、2)可能な広告が残余バジェット財源を有するか否かを本システムでチェックして、利用可能なバジェット財源を持たない広告をそのリストから取り除くことができ、3)本システムはその広告のための経済査定動的アルゴリズムを実行して各広告の経済的価値を決定することができ、4)広告を代替サイトではなく所定サイトに掲載する機会コストによってその値を調整することができ、5)機会のコストによって調整した後に前記値が最も高い広告を選択することができ、6)1番目の依頼に関する情報(これには依頼のパブリッシャーコンテンツについての情報が含まれ得る)を用いて動的アルゴリズムをアップデートした後に2番目の依頼を受け取って処理することができ[この情報を用いて個々の種類のパブリッシャーコンテンツを頻繁に利用するか或は頻繁に利用しないかを決定することができる]、そして7)2番目の広告を1番目と同じ順で処理することができることに加えて、3番目の広告を載せる前に動的アルゴリズムをアップデートすることができる。

いくつかの態様において、動的アルゴリズムは航空機飛行制御システムで用いられるアルゴリズム(大気条件が変化する毎にそれを調整する)または自動車運行制御システム(これは空気抵抗が変化するか或は自動車が丘を上ぼるか下る時にアクセルの位置を動的に調整する)に類似している可能性がある。

図3を参照して、コンテキスト、コンシューマー(即ち、デジタルメディアユーザー)およびメッセージ/広告に関係するデータを用いることで、広告の成果を少なくともある程度特定のキーパフォーマンス指標300を基にして予測することができる。コンテキストデータには、メディアの種類、時間帯または曜日、または他のいくつかの種類のコンテキストデータに関係したデータが含まれ得る。コンシューマーまたはデジタルメディアユーザーに関係したデータには、人口統計、地理的データおよびコンシューマーの意図または行動に関するデータまたは他のいくつかの種類のコンシューマーデータが含まれ得る。メッセージおよび/または広告に関するデータには、メッセージ/広告のクリエイティブコンテンツに関連したデータ、メッセージ/広告の中で具現化された意図または行動誘因または他のいくつかの種類のデータが含まれ得る。

図4に描写するように、実時間入札システムを用いて広告キャンペーンに特化したモデルおよびアルゴリズムを作り出すことができ、それらをキャンペーンの結果(例えばクリックスルー、コンバージョン、トランザクションなど)を実時間で利用可能になる毎にそれらに関するデータを用いて連続的に作成、試験および実行する(400)。いくつかの態様において、サンプル広告キャンペーンを考案する目的で予備的データセットを用いて複数のモデルを試験することができる。その複数のモデルを複数の学習アルゴリズム(特定の目的、例えばキーパフォーマンス指標などを具現化する)に対して実行してもよい。そのアルゴリズムに対して良好なパフォーマンスを示す広告コンテンツを保留して複数のデジタルメディアユーザーに提示することができる。少なくともある程度その複数のデジタルメディアユーザーとその選択した広告コンテンツの相互作用を基にして追加的データを集めて、このデータを用いて前記アルゴリズムを最適にしかつその複数のデジタルメディアユーザーに提示するに適した新規または異なる広告コンテンツを選択することができる。

図4を更に参照して、いくつかの態様において、コンピューター可読媒体内で具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、経済査定モデルを有効に活用し得るが、そのモデルは、複数の有効な掲載および/または複数の広告に関係した情報を評価して複数の掲載の各々に適した経済査定を予測するように学習機構によって改善され得る(400)。少なくともある程度その経済査定を基にして、その複数の有効な掲載および/または複数の広告の中の少なくとも1つを選択してパブリッシャーに提示することができる。

いくつかの態様において、様々なフォーマットからデータを採用することができ、それには、これらに限定するものでないが、広告に関係しない情報、例えば効果のある市場人口統計データなどが含まれる。これには、データをニュートラルフォーマットに翻訳する特定のデータ流、特定の機構学習技術または他のいくつかのデータの種類または技術が含まれ得る。いくつかの態様において、学習システムは監査および/または監督機能を果たす能力を有し、それには、これらに限定するものでないが、本明細書に記述する如き方法およびシステムを最適にすることが含まれる。いくつかの態様において、その学習システムは複数のデータ源から学習しそして少なくともある程度その複数のデータ源を基にして本明細書に記述する如き方法およびシステムの最適化の基礎を作る能力を有する。

いくつかの態様において、本明細書に記述する如き方法およびシステムはインターネットが基になったアプリケーション、モバイルアプリケーション、固定回線アプリケーション(例えばケーブルメディア)または他のいくつかの種類のデジタルアプリケーションで使用可能である。

いくつかの態様において、本明細書に記述する如き方法およびシステムは複数のアドレス可能広告メディアで使用可能であり、それには、これらに限定するものでないが、セットトップボックス、デジタル掲示板、ラジオ広告または他のいくつかの種類のアドレス可能広告メディアが含まれる。

機構学習アルゴリズムの例には、これらに限定するものでないが、ナイーブベイズ、ベイズネット、サポートベクターマシン、ロジスティック回帰、ニューラルネットワークおよび決定木が含まれ得る。これらのアルゴリズムを用いて分類子を制作することができ、これは、広告が行動を起こさせる可能性があるかないかを分類分けするアルゴリズムであ る。それらは基本形態において“イエス”または“ノー”の答えおよび分類子の確信度を示すスコアを返答する。校正技術を適用するとそれらは正しい予測尤度の確率評価を返答する。それらはまたどの特定の広告が行動を起こさせる可能性が最も高いかまたはどの特徴が行動を起こさせる可能性が最も高い広告を記述するかの返答もし得る。そのような特徴には広告のコンセプト、広告の大きさ、広告の色、広告のテキストまたは広告の他の特徴のいずれも含まれ得る。その上、それらはまた広告主ウェブサイトのどのバージョンが行動を起こさせる可能性が最も高いか或はどの特徴が行動を起こさせる可能性が最も高い広告主ウェブサイトバージョンを記述しているかも返答し得る。そのような特徴には、ウェブサイトコンセプト、提示される製品、色、画像、プライス、テキストまたはそのウェブサイトの他の特徴のいずれも含まれ得る。いくつかの態様において、本発明のコンピューター実装方法は、複数のアルゴリズムを適用してオンライン広告掲載のパフォーマンスを予測しそして様々な市況下で複数のアルゴリズムが示すパフォーマンスを追跡することを包含し得る。ある種類のアルゴリズムに好適なパフォーマンス条件を決定し、市況を追跡しそして少なくともある程度現在の市況を基にして広告掲載のパフォーマンスを予測するに適したアルゴリズムを選択してもよい。いくつかの態様において、その複数のアルゴリズムに3種類のアルゴリズムを含めてもよい。

いくつかの態様において、コンピューター可読媒体内に具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、ある程度同様な広告掲載の過去のパフォーマンスおよびプライスを基にして、1番目のモデルを用いてウェブに公開可能な複数の有効な広告掲載の各々の経済査定を予測し得る。その複数のウェブ公開可能広告掲載の各々の経済査定を2番目のモデルで予測することができ、そして1番目のモデルおよび2番目のモデルがもたらした査定を比較することで1番目のモデルと2番目のモデルの間の優先傾向を決定することができる。いくつかの態様において、1番目のモデルは購入依頼に応答する能動的モデルであり得る。依頼される購入は時間限定購入依頼であり得る。いくつかの態様において、購入依頼に応答する能動的モデルとして2番目のモデルを1番目のモデルに置き換えることができる。その置き換えは少なくともある程度2番目のモデルの方が現在の市況下で1番目のモデルよりも良好なパフォーマンスを示すと予測されることが基になり得る。

いくつかの態様において、本発明のコンピューター実装方法は、複数のアルゴリズムを適用してオンライン広告掲載のパフォーマンスを予測し、複数のアルゴリズムが様々な市況下で示すパフォーマンスを追跡しそしてある種のアルゴリズムにとって好適なパフォーマンスを示す条件を決定する能力を有する。市況を追跡しそして少なくともある程度現在の市況を基にして広告掲載のパフォーマンスを予測するアルゴリズムを改善することができる。

いくつかの態様において、本発明のコンピューター実装方法は1組のアルゴリズムを監視する能力を有し、それらは各々が1組の広告の購入プライス値を予測しそして少なくともある程度現在の市況を基にしてその1組のアルゴリズムから最良のアルゴリズムを選択する。

再び図4を参照して、新しいデータをソート機構(図4中にじょうご状のもので示す)に入れてもよい(400)。機構学習が学習するように、各広告インプレッションにそれがクリックまたはアクションをもたらしたか否かの標識を付けることで前記データの準備を行ってもよい。その標識を付けたデータを基にして代替の機構学習アルゴリズムに学習を受けさせてもよい。その標識を付けたデータの一部を試験段階のために取っておいてもよい。この試験部分を用いて各代替アルゴリズムの予測パフォーマンスを測定することができる。そのホールドアウト学習データセットの成果を予測することに関して最も効果のあるアルゴリズムを実時間決定システムに転送してもよい。

いくつかの態様において、コンピューター可読媒体内で具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、パブリッシャーのために広告を掲載することの受信に応答して複数の広告掲載の各々に関する経済査定を予測する複数の競合する経済査定モデルを有効に活用する能力を有する。その複数の競合する経済査定モデルの各々がもたらす査定を評価して広告掲載の現在の査定のためのモデルの1つを選択し得る。競合するアルゴリズムおよびモデル、例えば査定モデルを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールを本発明に包含させることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

いくつかの態様において、コンピューター可読媒体内で具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、広告掲載依頼の受信に応答して複数の有効な広告掲載に関する情報を評価する複数の競合する経済査定モデルを有効に活用する能力を有する。その経済査定モデルを用いて前記複数の広告掲載の各々に関する経済査定を予測することができる。その複数の競合する経済査定モデルの各々がもたらした査定を評価することで将来の査定のためのモデルの1つを選択することができる。競合するアルゴリズムおよびモデル、例えば査定モデルを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールを本発明に包含させることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

いくつかの態様において、データが学習システムで勝利するアルゴリズムを裏付けるか否かを決定する目的でデータの評価を行う。追加的データを購入することに関する増分値を決定することができそしてデータサンプルの監査および試験を用いてそのデータが予測の有効性を高めるか否かを決定することができる。例えば、本システムは広告サーバーログに由来するデータを人口統計情報と組み合わせて用いることである程度の正確性を有する査定モデルを引き出すことができる。そのようなモデルは電気器具製造業者の利益のためにオンラインで打つ広告を市場プライスより低いプライスで取得することを可能にする。追加的データ源、例えば特定の電気器具を購入する時に興味を示した消費者のリストなどを加えると当該モデルの正確性が向上する可能性があり、結果として、電気器具製造業者の利益が向上し得る。受ける利益が向上することは新しいデータ源を加えたことと関連している可能性があり、従ってそのようなデータ源は利益増分に関係した値に割り当て可能であると説明される。この例はオンライン広告の例を表しているが、様々な種類のデータ源ばかりでなく経済的価値または広告のプライス決定を予測するモデルを用いることでアプリケーションを様々なチャネルを通した広告に一般化することができることを当業者は理解すべきである。

図5Aおよび5Bに描写するように、広告インベントリーを数多くのセグメントまたはミクロ−セグメント(500、502)に分割することができる。実時間入札システムは、例えば学習機構を用い、少なくともある程度インベントリーおよびそれのミクロ−セグメントに関する広告のパフォーマンスに対して受け取ったデータ(例えば各広告に関するインプレッションまたはコンバージョンの数)を基にして、アルゴリズムを作成し連続的に修正する能力を有する。実時間入札システムは、少なくともある程度学習システムのアルゴリズムを基にして、広告パフォーマンスデータに関して“有望”であると考えられる入札値をもたらす能力を有する。次に、この入札値データを用いて当該インベントリーに付ける広告に関連した平均入札値を決定することができる。いくつかの態様において、各ミクロ−セグメントはルール、アルゴリズムまたは1組のルールおよび/またはアルゴリ ズム、代価(price−to−paid)および/またはバジェットに関係し得る。1つ以上の機会のグループの中の広告掲載機会を買う時にルールを用いることができる。その掲載機会のグループのサイズをそのルールに割り当てられるバジェットで決定することができる。サーバー−ツー−サーバーインターフェースか、他の電子通信チャネル(電話およびファックスを包含)か、紙が基になったオーダーか、口頭でのやり取りか或は広告掲載機会を購入するオーダーを伝えるための他のいずれかの方法によって、ルールを広告掲載機会の売り主に伝えることができる。図5Cに、プライス決定最適化の目的で頻度分析を用いることを描写する(504)。図5Dに、実時間入札システム内で行う新近性分析によってどのようにしてペーシングを最適にするかを描写する(508)。ここで図6を参照して、実時間入札システムは、広告インベントリーをナノ−セグメントレベル(例えば各インプレッション当たりの入札額)にまで下げることで、そうしなければ価値が低い広告インベントリーの価値あるセグメント(即ち、広告)を識別するための自動的広告インベントリー分析を行う能力を有する(600)。実時間入札システムは、例えば学習機構を用い、少なくともある程度広告インベントリーのナノ−セグメントに関する広告のパフォーマンスに関して受け取ったデータ(例えば各広告に関するインプレッションの数)を基にして、アルゴリズムを作成しかつ連続的に修正することができる。実時間入札システムは、少なくともある程度その学習システムのアルゴリズムを基にし、少なくともある程度パフォーマンスデータを基にして、ナノ−セグメントの中の広告1種または2種以上に関して“有望”と考えられる入札値をもたらす能力を有する。いくつかの態様において、そのナノ−セグメントに関する平均入札プライスを他の基準、例えば当該広告に関連したインプレッション数などを基にして調整することができる。いくつかの態様において、各ナノ−セグメントをルール、アルゴリズムまたは1組のルールおよび/またはアルゴリズムと関連させることができる。

いくつかの態様において、コンピューター可読媒体内に具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、少なくともある程度複数の広告掲載の各々に関するパフォーマンス情報および過去の入札プライスを基にして複数の有効なウェブ公開可能広告掲載の各々の購入プライスを予測する能力を有する。その複数の広告の各々の購入プライスを追跡することでプライス決定傾向の決定を予想することができる。

いくつかの態様において、プライス決定傾向には査定が将来変化するか否かの予測が含まれ得る。

いくつかの態様において、コンピューター可読媒体内に具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、少なくともある程度複数の広告掲載の各々に関するパフォーマンス情報および過去の入札プライスを基にして複数の有効なウェブ公開可能広告掲載の各々の経済査定を予測する能力を有する。その複数の広告の各々の経済査定を追跡することでプライス決定傾向の決定を予想することができる。

一例として、本システムは、広告の一部が成功しそして入札する広告を勝ち取ると期待してそれらをオークションで購入するための入札を提示する能力を有する。本システムを稼働させる時、成功する入札の一部は期待目標値より下回る可能性がある。そのような行動は有効広告の領域またはそれらのサブセットで起こり得る。プライス傾向予測アルゴリズムは当該入札プライスに対してどのような修正を行うべきかを推測する能力を有し、その結果として、成功裏に購入した広告の一部は意図した目標により近づきそして最終的に意図した目標に到達し得る。

図7に描写するように、本明細書に記述する如き実時間入札方法およびシステムは、複 数のオーガナイゼーションおよびオーガナイゼーションタイプ(これらに限定するものでないが、広告主および広告代理店を包含)と統合、連合および/または連携可能である(700)。実時間入札システムは、本明細書に記述するように、学習アルゴリズムおよび技術を用いて買い主側の最適化を実行して、売り主側アグリゲーター、例えば売り主側オプティマイザー、広告ネットワークおよび/または交換(広告をコンテンツパブリッシャーから受け取る)などからの広告の選択を最適にする能力を有する。これによって、インベントリーの中で利用可能なメッセージおよび広告をデジタルメディアユーザーと組み合わせることを最適にすることができる。広告代理店には、インターネットが基になった広告会社、広告売り主、例えばデジタルメディアユーザーに表示する広告インプレッションを販売するオーガナイゼーションおよび/または広告買い主などが含まれ得る。広告主および広告代理店は実時間入札システムの広告キャンペーン記述子を提供し得る。キャンペーン記述子には、これらに限定するものでないが、チャネル、時間、バジェットまたは他のいくつかの種類のキャンペーン記述子データが含まれ得る。いくつかの態様において、広告代理店データには、各広告の掲載およびユーザーインプレッション、コンバージョンなどを記述する過去のログが含まれ得、それには、これらに限定するものでないが、ユーザーに関連した識別子、チャネル、時間、支払われたプライス、見せた広告、結果としてもたらされたユーザーアクション、または広告および/またはインプレッションに関係する他のいくつかの種類の過去のデータが含まれる。過去のログにはまた自発的ユーザーアクションに関係するデータも含まれ得る。いくつかの態様において、実時間入札システムが利用する広告主データには、これらに限定するものでないが、広告の主題事項に関係するメタデータ、例えば広告の主題である製品の在庫水準などが含まれ得る。このメタデータおよび他のメタデータに従って査定、入札額などを最適にすることができる。キーパフォーマンス指標に従って査定、入札額などを最適にすることができる。

図8Aおよび8Bに、実時間入札方法およびシステムを用いた仮想ケーススタディーを描写する(800、802)。いくつかの態様において、学習システムは、本明細書に記述するように、学習データセット、例えば以前の小売業者広告キャンペーンから引き出したそれなどを用いてルールおよびアルゴリズムを作り出す能力を有する。その学習データセットには、以前のキャンペーンに含まれていた広告によって複数のデジタルメディアユーザーが実行した以前のインプレッション、コンバージョン、アクション、クリックスルーなどの記録が含まれ得る。その後、その学習システムは、そのキャンペーンに含まれていた広告の他の部分の比較的成功度が高かった広告コンテンツのサブセットを以前のキャンペーンから識別しそしてこの広告コンテンツを期待値がより高いことを基にして将来の使用のために推奨する能力を有する。

いくつかの態様において、コンピューター可読媒体内で具現化されたコンピュータープログラムプロダクトは、1つ以上のコンピューターで実行する時、複数の有効な広告掲載に関係した情報を評価する目的で、広告掲載依頼を受け取ることに応答して経済査定モデルを有効に活用する能力を有する。その経済査定モデルを用いてその複数の広告掲載の各々に適した入札の経済査定またはプライス決定を予測する能力を有する。市場機会に関する仮説を決定することができそしてその仮定した市場機会に応答して経済査定モデルをアップデートすることができる。

一例として、本システムは数秒毎に広告の経済的価値を予測する目的で用いられる査定モデルの正確さを改善するモデルに対するデータセットを見つけだすか或はそのモデルに対する変化を識別する能力を有する。本システムは、査定モデル全体をそのモデルの新しいデータまたは変更を作り出す速度と同じ速度で置き換える能力に関して制限を有する可能性がある。結果として、経済査定を提供する点でどの部分があまり有効でないかを選択することが有益であり得る。日和見アップデートコンポーネントは、査定モデルの部分を置き換える順および優先順位はどうであるかを選択する能力を有する。そのような優先順 位付けは置き換える部分に対する組み込む新しい部分の経済査定が基になり得る。結果として、本システムは、査定システムに加えるモデルのデータまたは部分を何にするかおよびそれを行う順をどうするかに関して優先順位を決める1組のインストラクションを作り出し得る。

いくつかの態様において、本発明の方法およびシステムは、広告キャンペーンを分割しそして本明細書に記述する如き方法およびシステムを用いてそのキャンペーンから引き出した1番目の組のパフォーマンスを本方法およびシステムを用いないで前記キャンペーンから引き出した2番目の組のパフォーマンスと比較する能力を有する。分析による比較によって、1番目の組と2番目の組(例えばサードパーティーのキャンペーン)の間のリフトおよびそのリフトを基にしたチャージが示され得る。

一例として、本システムは、本システムを適用しない、従ってそれの利益が得られないベースラインサンプルを作り出す目的で広告の一部を分離する能力を有する。そのようなプロセスは自動であり得る。そのような分離は、有効な広告の領域全体に渡るか或は無作為に選択した一団のユーザーに対する無作為な選択によって実施可能である。本システムを用いることで、そのベースラインサンプルに属さない残りの広告を掲載することができる。

いくつかの態様において、測定可能ないくつかの目標を広告キャンペーンが提示しそして利益が多ければ多いほどキャンペーンが良好であると判断されるならば、広告主は利益増加をもたらす広告キャンペーンに対して喜んで割増を支払うと考えるのは当然である。

いくつかの態様において、プライス決定モデルは、本システムを用いて掲載した広告によってもたらされる利益と本システムを用いないで掲載した広告(ベースラインサンプルの如く)のそれの間の差を計算する能力を有する。このシステムの利点はそのような正味の差である。広告主に課せられるプライスは前記システムの利点の一部であり得る。

図9に、実時間入札方法およびシステムを用いる時に伴い得るキー段階を要約する簡潔化フローチャートを描写する(900)。

図10に、実時間入札システムに関連し得るピクセルプロビジョニングシステムのためのユーザーインターフェースの例示態様を描写する(1000)。

図11に、実時間入札システムに関連し得るインプレッションレベルデータの例示態様を描写する(1100)。

図12に、仮想広告キャンペーンパフォーマンスレポートを描写する(1200)。

図13に、本発明の1つの態様に従ってオンライン広告掲載を購入する場合の実時間入札および査定のための入札査定ファシリティー1300を例示する。入札査定ファシリティー1300に更に(他のファシリティーとは別に)パブリッシャーファシリティー112、分析プラットフォームファシリティー114、広告オーダー送信および受信ファシリティー120、コンテクスチュアライザーサービスファシリティー132、データ統合ファシリティー134、分析ファシリティーで用いるための様々な種類のデータを提供する1つ以上のデータベースを含めることも可能である。本発明の1つの態様において、分析プラットフォームファシリティー114に学習機構ファシリティー138、査定アルゴリズムファシリティー140、実時間入札機構ファシリティー142、トラッキング機構ファシリティー144、インプレッション/クリック/アクションログファシリティー148および実時間入札ログファシリティー150を含めてもよい。

本発明のいくつかの態様において、学習機構138を用いて実時間入札機構ファシリティー142用のターゲティングアルゴリズムを開発することができる。学習機構138はパターンを学習する能力を有し、それにはとりわけ社会的行動および推定人口統計が含まれ、それらを用いてオンライン広告のターゲットを絞ることができる。その上、学習機構ファシリティー138を1つ以上のデータベースと連結してもよい。本発明のいくつかの態様において、その1つ以上のデータベースには広告代理店/広告主データベース152が含まれ得る。広告代理店データ152にはキャンペーン記述子が含まれ得、それはチャネル、時間、バジェット、および広告メッセージの普及を可能にする他の情報を記述し得る。広告代理店データ152にはまたユーザーに見せるべき広告メッセージ各々の掲載であり得るキャンペーンおよび過去のログも含まれ得る。広告代理店データ152には下記の1つ以上が含まれ得る:ユーザーの識別子、チャネル、時間、支払われたプライス、見せた広告メッセージおよび結果としてユーザーアクションを起こしたユーザー、または他のいくつかの種類のキャンペーンまたは過去のログデータ。その上、広告主データ152にはビジネスインテリジェンスデータ、または動的および/または静的マーケティング目標を記述し得る他のいくつかの種類のデータが含まれ得る。一例として、広告主104が倉庫に保有する所定製品の過剰在庫量は広告主データ152によって記述可能である。その上、1つ以上のデータベースには過去のイベントのデータベースも含まれ得る。この過去のイベントのデータ154を用いてユーザーイベントの時間を彼らの地域で起こる他のイベントと相互に関係付けることができる。一例として、ある種類の広告に対する応答率を株式市場動向と相互に関係付けることができる。過去のイベントのデータ154には、これらに限定するものでないが、天気データ、イベントデータ、ローカルニュースデータまたは他のいくつかの種類のデータが含まれ得る。その上、1つ以上のデータベースにはユーザーデータベースが含まれ得る。ユーザーデータ158にはサードパーティーによって供給されるデータが含まれ得、それには広告受信者についての個人的に関連した情報が含まれている可能性がある。この情報はユーザーに優先傾向または他の指標を与える可能性があり、それによってユーザーに標識を付けるか或はユーザーを記述することができる。その上、1つ以上のデータベースに実時間イベントのデータベースを含めることも可能である。実時間イベントのデータ160には過去のデータに類似したデータが含まれ得るが、現在により近いデータである。実時間イベントのデータ160には、これらに限定するものでないが、秒、分、時、日または他のいくつかの時間尺度まで現在のデータが含まれ得る。一例として、学習機構ファシリティー138が広告パフォーマンスと過去の株式市場インデックス値の間に相関関係を見つけたとしたならば、実時間入札機構ファシリティー142は、その実時間株式市場インデックス値を用いて広告を評価することができる。その上、1つ以上のデータベースにコンテキストのデータベースを含めることも可能であり、それはパブリッシャー112、パブリッシャーのウェブサイトなどに関連したコンテキストデータ162を与え得る。1つ以上のデータベースに更にサードパーティー/商業データベースを含めることも可能である。

その上、本発明のいくつかの態様において、データ統合ファシリティー134およびコンテクスチュアライザーサービスファシリティー132を分析プラットフォームファシリティー114および1つ以上のデータベースと関連させることも可能である。データ統合ファシリティー134は、1つ以上のデータベースから分析プラットフォームファシリティー114に入れる様々な種類のデータを統合するのを助長し得る。コンテクスチュアライザーサービスファシリティー132は、広告および/またはパブリッシャーコンテンツ、ウェブサイトまたは他のパブリッシャー広告コンテキストのための媒体のコンテキストカテゴリーを識別する能力を有する。一例として、コンテクスチュアライザーはウェブコンテンツを分析してウェブページにスポーツ、金融または他のいくつかのトピックに関するコンテンツが含まれているか否かを決定する能力を有する。この情報を学習機構ファシリティーへのインプットとして用いることで関連パブリッシャーおよび/または広告を提 示することが可能なウェブページを識別することができる。別の態様において、その情報を基にしてパブリッシャー112のウェブページに載せる広告の場所を決定することができる。本発明の1つの態様において、コンテクスチュアライザーサービスファシリティー132をまた実時間入札機構ファシリティー142および/または1つ以上のデータベースと関連させることも可能である。

本発明のいくつかの態様において、実時間入札機構ファシリティー142はパブリッシャーファシリティー112から入札依頼メッセージを受け取る能力を有する。実時間入札機構ファシリティー142は“実時間”ファシリティーであると見なすことができる、と言うのは、それは時間的制約を伴う入札依頼に応答する能力を有するからであり、その場合の応答は依頼を受け取ったら実質的に同時および/または時間的に依頼受け取りに極めて近い時に起こる。実時間入札機構ファシリティー142は、ノンステートレス方法を用いることで、ユーザーが本システムが決定を行うのを待っている間に、見せるべき広告メッセージはどれであるかを計算する能力を有する。実時間入札機構ファシリティー142は学習機構138が提供するアルゴリズムを用いて実時間計算を実行して最適な入札値を動的に推定する能力を有する。いくつかの態様において、代替実時間入札機構ファシリティー142の形態は提示すべき広告を決定する時にステートレスであり得る。

その上、本発明の1つの態様において、実時間入札機構ファシリティー142は、パブリッシャーファシリティー112のために広告を掲載する依頼を受け取ることを基にして、広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定する能力を有する。パブリッシャーファシリティー112のために広告を掲載する依頼を受け取ることに応答して、実時間入札機構ファシリティー142は、その広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定しそして経済査定を基にして有効な掲載を選択してパブリッシャーファシリティー112に提示すべきか否かを決定する能力を有し得る。

いくつかの態様において、実時間入札機構ファシリティー142に、掲載のための2番目の依頼を処理するに先立って経済査定を動的に決定するためのモデルを変更することを含めてもよい。そのモデルの変更は少なくともある程度機構学習ファシリティーが基になり得る。本発明の1つの態様において、複数の有効な掲載および/または複数の広告の少なくとも1つを選択して提示するに先立って、その複数の掲載の各々のための2番目の組の査定がもたらされるように、経済査定モデルの作用を変更してもよい。いくつかの態様において、選択して提示する段階はその2番目の組の査定が基になり得る。その上、本発明の1つの態様において、掲載のための依頼は時間制限依頼であり得る。その上、経済査定モデルは複数の広告掲載の各々に関係したパフォーマンス情報も評価し得る。動的に変わり得る経済査定モデルを用いてまた予測される経済査定を決定することも可能である。本発明の1つの態様において、動的に変わり得る経済査定モデルは複数の掲載の経済査定に関係した入札値を評価する能力を有する。広告のための複数の可能な掲載の各々に予測される経済査定の動的決定は少なくともある程度広告主データ152、過去のイベントのデータ154、ユーザーデータ158、実時間イベントのデータ160、コンテキストデータ162およびサードパーティー商業データ164が基になり得る。

いくつかの態様において、実時間入札機構ファシリティー142は、パブリッシャー112のために広告掲載の依頼を受け取ることに応答して、広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定する能力を有する。経済査定モデルを決定した後、実時間入札機構ファシリティー142は少なくともある程度その広告のための複数の可能な掲載の各々に予測される経済査定を基にして入札額を決定する能力を有する。入札額の決定には実時間入札ログの分析が含まれ得る。別の態様において、入札額の決定には少なくともある程度機構学習が基になった分析モデリングが含まれ得る。少なくともある 程度機構学習が基になった分析モデリングには、広告インプレッション、広告クリックスルーおよび広告提示に関連して取られるユーザーアクションの中の少なくとも1つを要約する過去のログデータの分析が含まれ得る。その上、本発明の1つの態様において、入札額の決定には、コンテクスチュアライザーサービスファシリティー132に由来するデータの分析が含まれ得る。

本発明の1つの態様において、実時間入札機構ファシリティー142は、パブリッシャー112のために広告掲載の依頼を受け取ることに応答して、その広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定する能力を有する。経済査定モデルを決定した後、実時間入札機構ファシリティー142は、少なくともある程度その広告のための複数の可能な掲載の各々に予測される経済査定を基にして入札額を決定する能力を有する。その後、実時間入札機構ファシリティーはその広告に最適な掲載をその複数の可能な掲載の中から選択し得る。その上、実時間入札機構ファシリティー142は自動的にその広告に最適な掲載に入札し得る。

図14に、経済査定を基にして複数の有効な掲載および/または複数の広告の少なくとも1つを選択してパブリッシャーに手提示する方法1400を例示する。この方法は段階1402で始まる。段階1404で、パブリッシャーのために広告を掲載する依頼を受け取ることに応答して、その広告のための複数の可能な掲載の各々に関して動的に決定可能な予測経済査定を動的に決定することができる。その後、段階1408で、その複数の有効な掲載および/または複数の広告の少なくとも1つを少なくともある程度前記経済査定を基にして選択してパブリッシャーに提示することができる。本発明の1つの態様において、その経済査定を動的に決定するためのモデルを2番目の掲載依頼を処理する前に変更することができる。1つの態様において、そのモデルの変更を少なくともある程度機構学習を基にして行うことができる。本発明の1つの態様において、その選択および提示を行う段階に先立って、その複数の掲載の各々のための2番目の組の査定をもたらすように経済査定モデルの作用を変更することができる。1つの態様において、その選択する段階および提示する段階は2番目の組の査定が基になり得、それを1番目の査定1つまたは2つ以上の代わりに用いる。いくつかの態様において、掲載の依頼は時間限定依頼であり得る。いくつかの態様において、経済査定モデルは、本明細書に記述するように、複数の広告掲載の各々に関係したパフォーマンス情報を評価する能力を有する。動的に変化し得る経済査定モデルを用いて予測される経済査定を決定しかつ複数の掲載のための経済査定に関係した入札値を評価することができる。広告のための複数の可能な掲載の各々に予測される経済査定は少なくともある程度広告主データ、過去のイベントのデータ、ユーザーデータ、実時間イベントのデータ、コンテキストデータまたはサードパーティー商業データが基になり得る。この方法は段階1410で終了する。

図15に、本発明の1つの態様に従って入札額を決定するための方法1500を例示する。この方法は段階1502で始まる。段階1504で、パブリッシャーのために広告掲載依頼を受け取ることに応答して、その広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定することができる。その後、段階1508で、少なくともある程度その広告のための複数の可能な掲載の各々に予測される経済査定を基にした入札額を決定する。本発明の1つの態様において、入札額の決定には実時間入札ログの分析および/または少なくともある程度機構学習を基にした分析モデリングが含まれ得る。本発明の1つの態様において、分析モデリングには広告インプレッション、広告クリックスルーおよび広告提示に伴って取られたユーザーアクションの少なくとも1つを要約する過去のログデータの分析が含まれ得る。本発明の1つの態様において、入札額の決定にはコンテクスチュアライザーサービに由来するデータの分析が含まれ得る。

図16に、広告に最適な掲載に自動的に入札する方法1600を例示し、その最適な掲 載を少なくともある程度予測される経済査定を基にして選択する。この方法は段階1602で始まる。段階1604で、パブリッシャーのために広告掲載依頼を受け取ることに応答して、その広告のための複数の可能な掲載の各々に予測される経済査定を動的に決定する。その後、段階1608で、少なくともある程度その広告のための複数の可能な掲載の各々に予測される経済査定を基にした入札額を決定する。更に段階1610で、その複数の可能な掲載の中から広告に最適な掲載を少なくともある程度入札額を基にして選択する。最後に、段階1612で、その広告に最適な掲載に自動入札する。この方法な段階1614で終了する。

図17に、本発明の1つの態様に従って、オンライン広告購入するための入札のターゲットを絞る実時間ファシリティー1700を例示する。実時間ファシリティーに学習機構ファシリティー138および実時間入札機構ファシリティー142を含めてもよい。本発明の1つの態様において、実時間入札機構ファシリティー142は入札依頼メッセージをパブリッシャーファシリティー112から受け取り得る。実時間入札機構ファシリティー142は“実時間”ファシリティーであると見なすことができる、と言うのは、それは時間的制約を伴う入札依頼に応答し得るからである。実時間入札機構ファシリティー142は学習機構138が提供するターゲティングアルゴリズムを用いて実時間計算を実行することで最適な入札値を動的に推定する能力を有する。

その上、本発明の1つの態様において、実時間入札機構ファシリティー142は、広告のための1つの以上の可能な掲載の各々に関して経済査定(パブリッシャーファシリティー112のために広告を掲載する依頼を受け取ることを基にして)を動的に決定する能力を有する経済査定モデルを有効に活用し得る。パブリッシャーファシリティー112のために広告を掲載する依頼を受け取ることに応答して、実時間入札機構ファシリティー142は、その広告のための1つの以上の可能な掲載の各々に関して経済査定を動的に決定する能力を有する。経済査定を決定した後、実時間入札機構ファシリティー142は、その経済査定を基にして、複数の有効な掲載および/または複数の広告の少なくとも1つを選択してユーザーに提示し得る。1つの態様において、選択してパブリッシャー112に提示するものには、複数の有効な掲載および/または複数の広告の少なくとも1つに推奨される入札額が含まれ得る。その入札額は時間的制約を伴い得る。その上、1つの態様において、機構学習による改善には、経済査定モデルが広告の実際の経済的パフォーマンスを示す度合を過去に溯って比較することによってそれらのモデルを比較することが含まれ得る。本発明のいくつかの態様において、その経済査定モデルは少なくともある程度広告代理店データ152、実時間イベントのデータ160、過去のイベントのデータ154、ユーザーデータ158、サードパーティー商業データ164およびコンテキストデータ162が基になり得る。1つの態様において、広告代理店データ152には少なくとも1つのキャンペーン記述子が含まれ得る。いくつかの態様において、キャンペーン記述子は過去のログデータ、広告代理店キャンペーンバジェットデータおよび広告掲載に対する一時的制限を示すデータであり得る。

いくつかの態様において、学習機構ファシリティー138は経済査定モデルを受け取り受け取る。その経済査定モデルは少なくともある程度実時間入札機構ファシリティー142に由来する実時間入札ログデータ150の分析が基になり得る。その後、その学習機構ファシリティー138はその経済査定モデルを改善し得る。その改善は少なくともある程度広告インプレッションログの分析が基になり得る。本発明の1つの態様において、経済査定モデルの改善には、学習機構ファシリティー138で用いるべきデータを学習機構ファシリティー138で読み取り可能なデータフォーマットに変換することを可能にするデータ統合段階が含まれ得る。そのフォーマットはニュートラルフォーマットであり得る。その上、いくつかの態様において、学習機構を用いた経済査定モデルの改善は少なくともある程度機構学習アルゴリズムが基になり得る。その機構学習アルゴリズムは少なくとも ある程度ナイーブベイズ分析技術およびロジスティック回帰分析技術が基になり得る。その上、実時間入札機構ファシリティー142は複数の有効な広告掲載の各々を分類分けするように改善された経済査定モデルも用い得る。その分類分けは広告インプレッションを達成する有効な広告掲載の各々の確率を示すデータであり得る。次に、実時間入札機構ファシリティー142は、少なくともある程度広告インプレッションを達成する確率を示すデータを基にして、有効な広告掲載の優先順位を決める能力を有する。その後、実時間入札機構ファシリティー142は、その優先順位付けを基にして、その複数の有効な掲載および/または複数の広告の少なくとも1つを選択してユーザーに提示し得る。

本発明の1つの態様において、実時間入札機構ファシリティー142が有効に活用した経済査定モデルが1つ以上の有効掲載に関する情報を評価してその1つ以上の掲載の各々に関して経済査定を予測するように、それに機構学習ファシリティーによる改善を受けさせることができる。その上、いくつかの態様において、学習機構ファシリティー138は前記経済査定モデルを改善するために様々な種類のデータを取得する能力を有する。その様々な種類のデータには、これらに限定するものでないが、代理店データ152(これにはキャンペーン記述子が含まれ得る)が含まれ得そしてこれがチャネル、時間、バジェットおよび広告メッセージを広げることを可能にする他の情報を記述し得る。代理店データ152にはまたユーザーに見せるべき広告メッセージの各々のための掲載であり得るキャンペーンおよび過去のログも含まれ得る。代理店データ152にはまた下記の1つ以上も含まれ得る:ユーザーの識別子、チャネル、時間、支払われたプライス、見せた広告メッセージおよびユーザーが結果として行ったユーザーアクションまたは他のいくつかの種類のキャンペーンまたは過去のログデータ。その上、様々な種類のデータにはビジネスインテリジェンスデータまたは動的および/または静的マーケティング目標を記述し得る他のいくつかの種類のデータも含まれ得る。

本発明のいくつかの態様において、学習機構ファシリティー138は監査および/または監督機能を実行する能力を有し、それには、これらに限定するものでないが、本明細書に記述する如き方法およびシステムを最適にすることが含まれ得る。情報の他の態様において、学習システム138は、複数のデータ源から学習する能力を有しそして少なくともある程度その複数のデータ源を基にして本明細書に記述する如き方法およびシステムの最適化の基礎を作り得る。いくつかの態様において、本明細書に記述する如き方法およびシステムは、インターネットが基になったアプリケーション、モバイルアプリケーション、固定回線アプリケーション(例えばケーブルメディア)または他のいくつかの種類のデジタルアプリケーションで使用可能である。いくつかの態様において、本明細書に記述する如き方法およびシステムは、1つ以上のアドレス可能広告メディアで使用可能であり、それには、これらに限定するものでないが、セットトップボックス、デジタル掲示板、ラジオ広告または他のいくつかの種類のアドレス可能広告メディアが含まれる。

その上、本発明のいくつかの態様において、学習機構ファシリティー138は、実時間入札機構ファシリティー142の経済査定モデルを改善する目的で様々な種類のアルゴリズムを利用し得る。そのようなアルゴリズムには、これらに限定するものでないが、決定木の学習、相関ルール学習、人工のニューラルネットワーク、遺伝的プログラミング、帰納論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワークおよび強化学習が含まれ得る。本発明の1つの態様において、その様々な種類のアルゴリズムによって分類子を生じさせることができ、それは、広告がアクションをもたらす可能性があるか否かを分類分けし得るアルゴリズムである。それらは、基本的な形態において、“イエス”または“ノー”の答えおよび/または分類子の確信度を示すスコアを返答する。校正技術を適用するとそれらは正しい予測尤度の確率評価を返答する。

図18に、経済査定を基にして複数の有効な広告掲載の少なくとも1つを選択してユー ザーに提示する方法1800を例示する。この方法は段階1802で始まる。段階1804で、パブリッシャーのために広告掲載依頼を受け取ることに応答して経済査定モデルが有効に活用され得る。その経済査定モデルは、複数の有効な掲載および/または複数の広告に関する情報を評価してその複数の掲載の各々に関する経済査定を予測するように、機構学習によって改善され得る。1つの態様において、その機構学習による改善には、経済査定モデルが広告の実際の経済的パフォーマンスを示す度合を過去に溯って比較することによってそれらのモデルを比較することが含まれ得る。その上、その経済査定モデルは少なくともある程度広告代理店データ、実時間イベントのデータ、過去のイベントのデータ、ユーザーデータ、サードパーティー商業データおよびコンテキストデータが基になり得る。その上、広告代理店データには少なくとも1つのキャンペーン記述子が含まれ得る。その上、キャンペーン記述子は過去のログデータであってもよく、広告代理店キャンペーンバジェットデータおよび広告代理店キャンペーンバジェットデータである。段階1808で、複数の有効な掲載および/または複数の広告の少なくとも1つが経済査定を基にして選択されてユーザーに提示され得る。1つの態様において、その選択およびパブリッシャーへの提示には、複数の有効な掲載および/または複数の広告の少なくとも1つに推奨される入札額が含まれ得る。その上、その札額は時間的制約を伴い得る。方法1800は段階1810で終了する。

図19に、少なくともある程度実時間入札ログデータを用いた経済査定モデルを基にして複数の有効な広告掲載から優先的掲載機会を選択する方法1900を例示する。方法1900は段階1902で始まる。段階1904で、経済査定モデルを学習機構の所で受け取り得る。その経済査定モデルは少なくともある程度実時間入札機構による実時間入札ログの分析が基になり得る。段階1908で、その経済査定モデルは学習機構を用いた改善を受け得る。1つの態様において、その改善は少なくともある程度広告インプレッションログの分析が基になり得る。その上、その経済査定モデルの改善には、学習機構で用いるべきデータをその学習機構で読み取り可能なデータフォーマットに変換することを可能にするデータ統合段階が含まれ得る。いくつかの態様において、そのフォーマットはニュートラルフォーマットであり得る。その上、学習機構を用いた経済査定モデルの改善は少なくともある程度機構学習アルゴリズムが基になり得る。その機構学習アルゴリズムは少なくともある程度ナイーブベイズ分析技術が基になり得る。その上、その機構学習アルゴリズムは少なくともある程度ロジスティック回帰分析技術が基になり得る。段階1910で、その改善された経済査定モデルを用いて複数の有効な広告掲載の各々が分類分けされ得る。各分類分けが広告インプレッションを達成する有効な広告掲載の各々の確率を示すデータを用いて要約され得る。その上、段階1912で、その有効な広告掲載の優先順位が少なくともある程度データを基にして決められ得る。加うるに、段階1914で、その優先順位を基にして、その複数の有効な掲載および/または複数の広告の少なくとも1つが選択されてユーザーに提示され得る。方法1900は段階1918で終了する。

図20に、本発明の1つの態様に従ってオンライン広告への入札購入プライス傾向を予測するための代替アルゴリズムを選択する実時間ファシリティー2000を例示する。実時間ファシリティー1700には、学習機構ファシリティー138、査定アルゴリズムファシリティー140、実時間入札機構ファシリティー142、複数のデータ2002およびパブリッシャーファシリティー112からの入札依頼メッセージ2004が含まれ得る。本発明の1つの態様において、実時間入札機構ファシリティー142はパブリッシャーファシリティー112から入札依頼メッセージ1704を受け取り得る。実時間入札機構ファシリティー142は“実時間”ファシリティーであると見なすことができる、と言うのは、それは時間的制約を伴う入札依頼に応答し得るからである。実時間入札機構ファシリティー142は学習機構ファシリティー138が提供するターゲティングアルゴリズムを用いて実時間計算を実行することでオンライン広告のための入札購入プライス傾向を予測する能力を有する。本発明の1つの態様において、学習機構ファシリティー138はオ ンライン広告のための入札購入プライス傾向を予測する現在稼働中のアルゴリズムのパフォーマンスを基にして代替アルゴリズムを選択する能力を有する。本発明の別の態様において、学習機構ファシリティー138は、オンライン広告のための入札購入プライス傾向を予測する代替アルゴリズムの予測パフォーマンスを基にして代替アルゴリズムを選択する能力を有する。その上、本発明の1つの態様において、学習機構ファシリティー138は査定アルゴリズムファシリティー140から代替アルゴリズムを取得する能力を有する。

いくつかの態様において、実時間入札機構ファシリティー142は、オンライン広告掲載のパフォーマンスを予測する目的で複数のアルゴリズムを適用し得る。その複数のアルゴリズムを適用した後、実時間入札機構ファシリティー142は様々な市況下で前記複数のアルゴリズムが示すパフォーマンスを追跡し得る。次に、実時間入札機構ファシリティー142は、その複数のアルゴリズムから1つの種類のアルゴリズムのためのパフォーマンス条件を決定し得る。その後、実時間入札機構ファシリティー142は市況を追跡しそして現在の市況を基にして広告掲載のパフォーマンスを予測するに適したアルゴリズムを選択し得る。

いくつかの態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つには広告主データ152が含まれ得る。その広告主データ152には、ビジネスインテリジェンスデータまたは動的および/または静的マーケティング目標を記述し得る他のいくつかの種類のデータが含まれ得る。本発明の別の態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つには過去のイベントのデータ154が含まれ得る。その過去のイベントのデータ154を用いてユーザーのイベントの時間をそれらの地域で起こる他のイベントと相互に関係付けることができる。一例として、ある種類の広告に対する応答率を株式市場動向と相互に関係付けることができる。過去のイベントのデータ154には、これらに限定するものでないが、天気データ、イベントデータ、ローカルニュースデータまたは他のいくつかの種類のデータが含まれ得る。本発明の更に別の態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つにはユーザーデータ158が含まれ得る。ユーザーデータ158にはサードパーティーが提供するデータが含まれ得、それには広告受信者に関する個人的に関係した情報が含まれている可能性がある。この情報によってユーザーに優先傾向または他の指標(ユーザーに標識を付けるかまたはユーザーを記述し得る)を与えることができる。本発明の更に別の態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つには実時間イベントのデータ160が含まれ得る。実時間イベントのデータ160には過去のデータに類似したデータが含まれ得るが、より現在に近い。実時間イベントのデータ160には、これらに限定するものでないが、秒、分、時、日または他のいくつかの時間尺度まで現在のデータが含まれ得る。本発明の更に別の態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つにはコンテキストのデータ162が含まれ得る。本発明の更に別の態様において、パフォーマンスを予測する複数のアルゴリズムの少なくとも1つにはサードパーティー商業データが含まれ得る。

その上、本発明の1つの態様において、実時間入札機構ファシリティー142は、ある程度同様な広告掲載の過去のパフォーマンスおよびプライスを基にして複数の有効なウェブ公開可能広告掲載の各々の経済査定を予測するための1番目のモデルを用い得る。実時間入札機構ファシリティー142はまた複数のウェブ公開可能広告掲載の各々の経済査定を予測するための2番目のモデルも用い得る。1番目のモデルと2番目のモデルの両方を用いて経済査定を予測した後、実時間入札機構ファシリティー142は、その1番目のモデルおよび2番目のモデルがもたらした査定を比較することで、1番目のモデルと2番目のモデルの間の優先傾向を決定する能力を有する。本発明の1つの態様において、その査定の比較には、そのモデルが広告の実際の経済パフォーマンスを示す度合を過去に溯って 比較することが含まれる。その上、本発明の1つの態様において、1番目のモデルは購入依頼に応答する能動的モデルであってもよい。その購入依頼は時間限定購入依頼であり得る。本発明の1つの態様において、2番目のモデルは購入依頼に応答する能動的モデルとしての1番目のモデルに置き換わり得る。その上、その置き換えは2番目のモデルの方が現在の市況下では1番目のモデルよりも良好なパフォーマンスを示し得るといった予測が基になり得る。本発明のいくつかの態様において、その予測は少なくともある程度機構学習、過去の広告パフォーマンスデータ130、過去のイベントのデータおよび実時間イベントのデータ160が基になり得る。

本発明の別の態様において、実時間入札機構ファシリティー142は、ある程度同様な広告掲載の過去のパフォーマンスおよびプライスを基にして複数の有効なモバイルデバイス広告掲載の各々の経済査定を予測するための1番目のモデルを用い得る。実時間入札機構ファシリティー142はまた複数のモバイルデバイス広告掲載の各々の経済査定を予測するための2番目のモデルも用い得る。1番目のモデルと2番目のモデルの両方を用いて経済査定を予測した後、実時間入札機構ファシリティー142は、その1番目のモデルおよび2番目のモデルがもたらした査定を比較することで、1番目のモデルと2番目のモデルの間の優先傾向を決定する能力を有する。本発明の1つの態様において、その査定の比較には、そのモデルが広告の実際の経済パフォーマンスを示す度合を過去に溯って比較することが含まれる。その上、本発明の1つの態様において、1番目のモデルは購入依頼に応答する能動的モデルであってもよい。その購入依頼は時間限定購入依頼であり得る。本発明の1つの態様において、2番目のモデルは購入依頼に応答する能動的モデルとしての1番目のモデルに置き換わり得る。その上、その置き換えは2番目のモデルの方が現在の市況下では1番目のモデルよりも良好なパフォーマンスを示し得るといった予測が基になり得る。

本発明の1つの態様において、実時間入札機構ファシリティー142が有効に活用した経済査定モデルが1つ以上の有効な掲載に関する情報を評価してその1つ以上の掲載の各々に関する経済査定を予測するように、それに機構学習ファシリティー138による改善を受けさせてもよい。

いくつかの態様において、学習機構ファシリティー138は、経済査定モデルを改善するための様々な種類のデータを取得する能力を有する。その様々な種類のデータには、これらに限定するものでないが、広告主データ152、過去のイベントのデータ154、ユーザーデータ158、実時間イベントのデータ160、コンテキストデータ162およびサードパーティー商業データが含まれ得る。その様々な種類のデータは、広告には直接的に関係しない様々なフォーマットおよび情報、例えば市場人口統計データなどを持ち得る。本発明のいくつかの態様において、様々なフォーマットの様々な種類のデータをニュートラルフォーマットに翻訳してもよいか或はそれは学習機構ファシリティー138に適合し得るフォーマットまたは学習機構ファシリティー138に適した他のいくつかの種類のデータに特有であり得る。

いくつかの態様において、学習機構ファシリティー138は、実時間入札機構ファシリティー142の経済査定モデルを改善する目的で様々な種類のアルゴリズムを利用し得る。そのアルゴリズムには、これらに限定するものでないが、決定木の学習、相関ルール学習、人工のニューラルネットワーク、遺伝的プログラミング、帰納論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワークおよび強化学習が含まれ得る。

図21に、現在の市況を基にして広告掲載のパフォーマンスを予測する本発明の方法2100を例示する。この方法は段階2102で始まる。段階2104で、オンライン広告 掲載のパフォーマンスを予測する目的で複数のアルゴリズムを適用してもよい。本発明のいくつかの態様において、パフォーマンスを予測するための複数のアルゴリズムの少なくとも1つには、広告主データ、過去のイベントのデータ、ユーザーデータ、実時間イベントのデータ、コンテキストデータおよびサードパーティー商業データまたは他のいくつかの種類のデータが含まれ得る。その後、段階2108で、その複数のアルゴリズムのパフォーマンスを様々な市況下で追跡してもよい。更に、段階2110で、ある種のアルゴリズムが示すパフォーマンスを決定した後、段階2112で市況を追跡してもよい。最後に、段階2114で、現在の市況を基にして広告掲載のパフォーマンスを予測するためのアルゴリズムを選択してもよい。この方法は段階2118で終了する。

図22に、本発明の1つの態様に従って、経済査定を予測する1番目のモデルと2番目のモデルの間の優先傾向を決定する方法2200を例示する。この方法は段階2202で始まる。段階2204で、1番目のモデルを用いて、複数の有効なウェブ公開可能広告掲載の各々の経済査定を予測してもよい。この経済査定はある程度過去のパフォーマンスおよび同様な広告掲載のプライスが基になり得る。段階2208で、2番目のモデルを用いて、その複数の有効なウェブ公開可能広告掲載の各々の経済査定を予測してもよい。その後、段階2210で、1番目のモデルと2番目のモデルの両方を用いた経済査定を比較することで1番目のモデルと2番目のモデルの間の優先傾向を決定することができる。本発明の1つの態様において、その査定の比較にはそれらのモデルが示すその広告の実際の経済的パフォーマンスの度合を過去に溯って比較することが含まれ得る。その上、本発明の1つの態様において、1番目のモデルは購入依頼に応答する能動的モデルであり得る。購入依頼は時間限定購入依頼であり得る。本発明の1つの態様において、2番目のモデルは購入依頼に応答する能動的モデルとしての1番目のモデルに置き換わり得る。その上、その置き換えは2番目のモデルの方が現在の市況下では1番目のモデルよりも良好なパフォーマンスを示し得るといった予測が基になり得る。本発明のいくつかの態様において、その予測は少なくともある程度機構学習、過去の広告パフォーマンスデータ、過去のイベントのデータおよび実時間イベントのデータが基になり得る。この方法は段階2212で終了する。

ここで図23を参照して、この図に本発明の別の態様に従って、経済査定を予測することに関して1番目のモデルと2番目のモデルの間の優先傾向を決定する方法2300を例示する。この方法は段階2302で始まる。段階2304で、1番目のモデルを用いて、複数の有効なモバイルデバイス広告掲載の各々の経済査定を予測してもよい。この経済査定はある程度過去のパフォーマンスおよび同様な広告掲載のプライスが基になり得る。段階2308で、2番目のモデルを用いて、その複数の有効なモバイルデバイス広告掲載の各々の経済査定を予測してもよい。その後、段階2310で、1番目のモデルと2番目のモデルの両方を用いた経済査定を比較することで1番目のモデルと2番目のモデルの間の優先傾向を決定することができる。本発明の1つの態様において、その査定の比較にはそれらのモデルが示すその広告の実際の経済的パフォーマンスの度合を過去に溯って比較することが含まれ得る。その上、本発明の1つの態様において、1番目のモデルは購入依頼に応答する能動的モデルであり得る。購入依頼は時間限定購入依頼であり得る。本発明の1つの態様において、2番目のモデルは購入依頼に応答する能動的モデルとしての1番目のモデルに置き換わり得る。その上、その置き換えは2番目のモデルの方が現在の市況下では1番目のモデルよりも良好なパフォーマンスを示し得るといった予測が基になり得る。この方法は段階2312で終了する。

その上、本発明の1つの態様において、実時間入札機構ファシリティー142はパブリッシャーファシリティー112から広告掲載依頼を受け取り得る。この依頼に応答して、実時間入札機構ファシリティー142は、複数の有効な広告掲載の各々のための経済査定を予測する目的で複数の競合する経済査定モデルを有効に活用し得る。その複数の経済査 定モデルを有効に活用した後、実時間入札機構ファシリティー142は、その複数の競合する経済査定モデルの各々がもたらす各査定を評価することで1つの経済査定モデルを広告掲載の現在の査定として選択し得る。

本発明の1つの態様において、経済査定モデルは少なくともある程度実時間イベントのデータ160が基になり得る。実時間イベントのデータ160には、過去のデータに同様なデータが含まれ得るが、より現在に近い。実時間イベントのデータ160には、これらに限定するものでないが、秒、分、時、日または他のいくつかの時間尺度まで現在のデータが含まれ得る。本発明の別の態様において、経済査定モデルは少なくともある程度過去のイベントのデータ154が基になり得る。過去のイベントのデータ154を用いてユーザーイベントの時間を彼らの地域で起こる他のイベントと相互に関係付けることができる。一例として、ある種類の広告に対する応答率を株式市場動向と相互に関係付けることができる。過去のイベントのデータ154には、これらに限定するものでないが、天気データ、イベントデータ、ローカルニュースデータまたは他のいくつかの種類のデータが含まれ得る。本発明の更に別の態様において、経済査定モデルは少なくともある程度ユーザーデータ158が基になり得る。ユーザーデータ158にはサードパーティーによって供給されるデータが含まれ得、それには広告受信者についての個人的に関連した情報が含まれている可能性がある。この情報はユーザーに優先傾向または他の指標を与える可能性があり、それによってユーザーに標識を付けるか或はユーザーを記述することができる。本発明の更に別の態様において、経済査定モデルは少なくともある程度サードパーティー商業データが基になり得る。本発明の1つの態様において、サードパーティー商業データには、過去の広告インプレッションに関係した金融データが含まれ得る。本発明の更に別の態様において、経済査定モデルは少なくともある程度コンテキストのデータ162が基になり得る。本発明の更に別の態様において、経済査定モデルは少なくともある程度広告主データ152が基になり得る。広告主データ152には、ビジネスインテリジェンスデータまたは他のいくつかの種類のデータ(動的および/または静的マーケティング目標を記述し得る)が含まれ得る。本発明の更に別の態様において、経済査定モデルは少なくともある程度広告代理店データ152が基になり得る。広告代理店データ152にはまたキャンペーンおよび過去のログ(ユーザーに見せるべき各広告メッセージの掲載であり得る)が含まれ得る。広告代理店データ152にはまた下記の1つ以上も含まれ得る:ユーザーの識別子、チャネル、時間、支払われたプライス、見せた広告メッセージおよびユーザーが結果として行ったユーザーアクションまたは他のいくつかの種類のキャンペーンまたは過去のログデータ。本発明の更に別の態様において、経済査定モデルは少なくともある程度過去の広告パフォーマンスデータ130が基になり得る。本発明の更に別の態様において、経済査定モデルは少なくともある程度機構学習が基になり得る。

本発明の1つの態様において、実時間入札機構ファシリティー142が有効に活用した経済査定モデルが1つ以上の有効な掲載に関する情報を評価してその1つ以上の掲載の各々に関する経済査定を予測するように、それに機構学習ファシリティー138による改善を受けさせてもよい。

本発明の1つの態様において、実時間入札機構ファシリティー142は、パブリッシャーファシリティー112から広告掲載依頼を受け取った後、この依頼に応答して、実時間入札機構ファシリティー142は、複数の有効な広告掲載の各々のための経済査定を予測する目的で複数の競合する経済査定モデルを有効に活用し得る。その複数の経済査定モデルを有効に活用した後、実時間入札機構ファシリティー142は、その複数の競合する経済査定モデルの各々がもたらす各査定を評価することで1つを広告掲載の1番目の査定として選択し得る。その1番目の査定を選択した後、実時間入札機構ファシリティー142は、複数の競合する経済査定モデルの各々がもたらした各査定を再評価することで1つを広告掲載の修正査定として選択し得る。本発明の1つの態様において、その修正査定は少 なくともある程度実時間イベントのデータ160(1番目の査定を選択した時点では有効でなかった)を用いた経済査定モデルの分析が基になり得る。その後、実時間入札機構ファシリティー142は、広告掲載に推奨される入札額を引き出す時に用いるために1番目の査定を2番目の修正査定に置き換え得る。本発明の1つの態様において、その依頼をパブリッシャー112から受け取ることができそして推奨入札額はパブリッシャー112に自動送信され得る。本発明の別の態様において、その依頼はパブリッシャー112から受け取り可能でありそして推奨入札額に匹敵する入札をパブリッシャー112の代わりに自動的に行い得る。本発明の1つの態様において、その推奨入札額は広告掲載の推奨時間に関連し得る。本発明の別の態様において、推奨入札額は更に実時間入札ログの分析でも引き出され得、それは実時間入札機構ファシリティー142に関連し得る。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

本発明の別の態様において、実時間入札機構ファシリティー142がパブリッシャーファシリティー112から広告掲載依頼を受け取った後、実時間入札機構ファシリティー142は、複数の有効な広告掲載に関係した情報を評価する目的で複数の競合する経済査定モデルを有効に活用し得る。実時間入札機構ファシリティー142は、その複数の広告掲載の各々が示す経済査定を予測する目的で競合する経済査定モデルを有効に活用し得る。実時間入札機構ファシリティー142はその複数の経済査定モデルを有効に活用した後、その複数の競合する査定モデルの各々がもたらした各査定を評価することで1つの査定を将来の広告掲載の査定として選択し得る。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

本発明の別の態様において、実時間入札機構ファシリティー142がパブリッシャーファシリティー112から広告掲載依頼を受け取った後、実時間入札機構ファシリティー142は、複数の有効な広告掲載に関係した情報を評価する目的で複数の競合する経済査定モデルを有効に活用し得る。実時間入札機構ファシリティー142は、その複数の広告掲載の各々が示す経済査定を予測する目的で競合する経済査定モデルを有効に活用し得る。実時間入札機構ファシリティー142はその複数の経済査定モデルを有効に活用した後、その複数の競合する査定モデルの各々がもたらした各査定を実時間で評価することで1つの査定を将来の広告掲載の査定として選択し得る。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。本発明の1つの態様において、その将来の査定は少なくともある程度将来のイベントを記述するシミュレーションデータが基になり得る。本発明の1つの態様において、その将来のイベントは株式市場変動であり得る。その上、本発明の1つの態様において、将来のイベントを記述するシミュレーションデータは過去のイベントのデータの分析から導き出し可能である。

本発明の1つの態様において、実時間入札機構ファシリティー142がパブリッシャーファシリティー112から広告掲載依頼を受け取った後、実時間入札機構ファシリティー142は、広告掲載に入札する目的で複数の有効な広告掲載に関係する複数の競合する実 時間入札アルゴリズムを有効に活用し得る。実時間入札機構ファシリティー142は、その複数の競合する実時間入札アルゴリズムを有効に活用した後、各入札アルゴリズムを評価することで好適なアルゴリズムを選択し得る。本発明の1つの態様において、競合する実時間入札アルゴリズムは実時間入札ログに由来するデータを用い得る。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

本発明の別の態様において、実時間入札機構ファシリティー142がパブリッシャーファシリティー112から広告掲載依頼を受け取った後、実時間入札機構ファシリティー142は、複数の有効な広告掲載に関係する複数の競合する実時間入札アルゴリズムを有効に活用し得る。実時間入札機構ファシリティー142は、広告掲載に入札する目的で複数の競合する実時間入札アルゴリズムを有効に活用し得る。実時間入札機構ファシリティー142は、その複数の競合する実時間入札アルゴリズムを有効に活用した後、その競合する実時間入札アルゴリズムが作り出した各入札推奨値を評価し得る。実時間入札機構ファシリティー142はその競合する実時間入札アルゴリズムが作り出した各入札推奨値を再評価することで1つを修正入札推奨値として選択し得る。本発明の1つの態様において、その修正入札推奨値は少なくともある程度実時間イベントのデータ160(入札推奨値を選択した時点では有効でなかった)を用いた実時間入札アルゴリズムが基になり得る。その後、実時間入札機構ファシリティー142は、広告掲載に推奨される入札額を引き出す時に用いるためにその入札推奨値を修正入札推奨値に置き換え得る。本発明の1つの態様において、その置き換えは広告掲載依頼の受け入れに関係して実時間で起こり得る。

ここで図24を参照して、これに、本発明の1つの態様に従って、広告掲載するための実時間入札において複数の競合する査定モデルの中から1つを選択する方法2400を例示する。この方法は段階2402で始まる。段階2404で、広告掲載の依頼を受け取ることに応答して、複数の広告掲載各々のための経済査定を予測するための複数の競合する経済査定モデルを有効に活用してもよい。その後、段階2408で、その複数の競合する経済査定モデルの各々がもたらした各査定を評価することで前記査定モデルの中の1つを広告掲載の現在の査定として選択してもよい。本発明のいくつかの態様において、その経済査定モデルは少なくともある程度実時間イベントのデータ、過去のイベントのデータ、ユーザーデータ、コンテキストデータ、広告主データ、広告代理店データ、過去の広告パフォーマンスデータ、機構学習およびサードパーティー商業データが基になり得る。本発明の1つの態様において、サードパーティー商業データには過去の広告インプレッションに関係した金融データが含まれ得る。この方法は段階2410で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図25に、広告掲載のための推奨入札額を引き出す目的で1番目の経済査定モデルを2番目の経済査定モデルに置き換える方法2500を例示する。この方法は段階2502で始まる。段階2504で、広告掲載の依頼を受け取ることに応答して、複数の広告掲載の各々のための経済査定を予測する目的で複数の競合する経済査定モデルを有効に活用してもよい。その後、段階2508で、その複数の競合する経済査定モデルの各々がもたらした査定を評価した後に広告掲載の1番目の査定を選択してもよい。その上、段階2510で、その複数の競合する経済査定モデルの各々がもたらした各査定を再評価してもよい。 次に、その競合する経済査定モデルの1つを広告掲載の修正査定として選択してもよい。その修正査定は少なくともある程度1番目の査定を選択する時点では有効でなかった実時間イベントデータを用いて経済査定モデルを分析することが基になり得る。その上、段階2512で、広告掲載のための推奨入札額を引き出す時に用いる目的で1番目の査定を2番目の修正査定に置き換えてもよい。本発明の1つの態様において、その依頼をパブリッシャーから受け取ってもよくそして推奨入札額をそのパブリッシャーに自動的に送ってもよい。本発明の別の態様において、その依頼をパブリッシャーから受け取りそして推奨入札額と匹敵する入札をパブリッシャーの代わりに自動的に行ってもよい。本発明の更に別の態様において、推奨入札額は広告掲載の推奨時間と関係し得る。本発明の更に別の態様において、推奨入札額は更に実時間入札機構に関連した実時間入札ログの分析でも引き出され得る。この方法は段階2514で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図26に、本発明の1つの態様に従って複数の経済査定モデルを評価して1つの査定を広告掲載の将来の査定として選択する方法2600を例示する。この方法は段階2602で始まる。段階2604で、広告掲載の依頼を受け取ることに応答して、複数の競合する経済査定モデルを有効に活用してもよい。複数の有効な広告掲載に関する情報を評価することでその複数の広告掲載の各々が示す経済査定を予測することができる。その上、段階2608で、その複数の競合する経済査定モデルの各々がもたらした各査定を評価することで1つの査定を広告掲載の将来の査定として選択することができる。この方法は段階2610で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図27に、本発明の1つの態様に従って複数の経済査定モデルを実時間で評価して1つの査定を広告掲載の将来の査定として選択する方法2700を例示する。この方法は段階2702で始まる。段階2704で、広告掲載の依頼を受け取ることに応答して、複数の競合する経済査定モデルを有効に活用してもよい。複数の有効な広告掲載に関する情報を評価することでその複数の広告掲載の各々が示す経済査定を予測してもよい。その後、段階2708で、その複数の競合する経済査定モデルの各々がもたらした各査定を実時間で評価することで1つの査定を広告掲載の将来の査定として選択してもよい。本発明の1つの態様において、その将来の査定は少なくともある程度将来のイベントを記述するシミュレーションデータが基になり得る。本発明の別の態様において、将来のイベントは株式市場変動であり得る。本発明の1つの態様において、将来のイベントを記述するシミュレーションデータは過去のイベントのデータの分析から誘導可能であり、それは少なくともある程度広告掲載に掲載すべき広告に関係するコンテキストデータを基に選択可能である。この方法は段階2710で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図28に、本発明の1つの態様に従って広告掲載に好適なアルゴリズムを選択する目的で複数の入札アルゴリズムを評価する方法2800を例示する。この方法は段階2802で始まる。段階2804で、広告掲載の依頼を受け取ることに応答して、複数の競合する 実時間入札アルゴリズムを有効に活用してもよい。入札アルゴリズムは広告掲載のために入札すべき複数の有効な広告掲載に関係し得る。その後、段階2808で、各入札アルゴリズムを評価することで好適なアルゴリズムを選択してもよい。この方法は段階2810で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図29に、本発明の1つの態様に従って広告掲載するために入札推奨値を修正入札推奨値に置き換える方法2900を例示する。この方法は段階2902で始まる。段階2904で、広告掲載の依頼を受け取ることに応答して、広告掲載のための入札を行う目的で複数の有効な広告掲載に関する複数の競合する実時間入札アルゴリズムを有効に活用してもよい。段階2908で、その競合する実時間入札アルゴリズムが作り出した各入札推奨値を評価してもよい。その上、段階2910で、その競合する実時間入札アルゴリズムが作り出した各入札推奨値を評価することで1つを修正入札推奨値として選択してもよい。1つの態様において、その修正入札推奨は少なくともある程度入札推奨値を選択した時点では有効でなかった実時間イベントデータを用いた実時間入札アルゴリズムが基になる。その後、段階2912で、広告掲載のための推奨入札額を引き出す時に用いる目的で入札推奨値を修正入札推奨値に置き換えてもよい。本発明の1つの態様において、その置き換えは広告掲載依頼を受け取ることに関して実時間で起こり得る。この方法は段階2914で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図30に、本発明の1つの態様に従って追加的サードパーティーデータ164の価値を測定する実時間ファシリティー3000を例示する。実時間ファシリティー2700には学習機構ファシリティー138、査定アルゴリズムファシリティー140、実時間入札機構ファシリティー142、追加的サードパーティーデータセット3002、パブリッシャーファシリティー112からの入札依頼メッセージ3004およびトラッキングファシリティー144が備わっていてもよい。本発明の1つの態様において、実時間入札機構ファシリティー142は入札依頼メッセージ3004をパブリッシャーファシリティー112から受け取り得る。実時間入札機構ファシリティー142は“実時間”ファシリティーであると見なすことができる、と言うのは、それは時間的制約を伴う入札依頼に応答し得るからである。実時間入札機構ファシリティー142は学習機構ファシリティー138が提供するターゲティングアルゴリズムを用いて実時間計算を実行し得る。本発明の1つの態様において、実時間入札機構ファシリティー142は実時間計算を実行する目的で経済査定モデルを有効に活用し得る。

いくつかの態様において、学習機構ファシリティー138はサードパーティーデータセット3002を入手して経済査定モデルを改善する能力を有する。本発明の1つの態様において、サードパーティーデータセット2702には広告コンテンツのユーザーに関連したデータが含まれ得る。本発明の態様において、広告コンテンツのユーザーに関係したデータには、人口統計データ、トランザクションデータ、コンバージョンデータまたは他のいくつかの種類のデータが含まれ得る。本発明の別の態様において、サードパーティーデータセットには、複数の有効な掲載および/または複数の広告に関係したコンテキストのデータ162が含まれ得る。本発明のいくつかの態様において、コンテキストのデータ162は、学習機構ファシリティー138に関連し得るコンテクスチュアライザーサービス 132から誘導可能である。本発明の更に別の態様において、サードパーティーデータセット3010には過去の広告インプレッションに関係した金融データが含まれ得る。その上、本発明のいくつかの態様において、経済査定モデルは少なくともある程度実時間イベントのデータ、過去のイベントのデータ154、ユーザーデータ158、サードパーティー商業データ、広告主データ152および広告代理店データ152が基になり得る。

本発明の1つの態様において、実時間入札機構ファシリティー142は広告キャンペーンデータセットを受け取ってその広告キャンペーンデータセットを1番目の広告キャンペーンデータセットと2番目の広告キャンペーンデータセットに分割する能力を有する。その後、実時間入札機構ファシリティー142は、1番目の広告キャンペーンデータセットによる広告コンテンツの掲載に関する経済査定を予測する目的で、複数の有効な掲載および/または複数の広告に関係した情報を評価するために機構学習による改善を受け得る経済査定モデルを有効に活用し得る。本発明の1つの態様において、機構学習は少なくともある程度サードパーティーデータセットが基にになり得る。その機構学習は学習機構ファシリティー138によって達成され得る。評価モデルの改善後、実時間入札機構ファシリティー142は、前記1番目および2番目の広告キャンペーンデータセットによる広告コンテンツを前記複数の有効な掲載および/または複数の広告内に掲載し得る。前記1番目の広告キャンペーンによるコンテンツが少なくともある程度予測される経済査定を基にして掲載されそして2番目の広告キャンペーンデータセットによるコンテンツがサードパーティーデータセットに依存しない方法を基にして掲載され得る。実時間入札機構ファシリティー142は更にトラッキング機構ファシリティー144からインプレッションデータも受け取り、それは前記1番目および2番目の広告キャンペーンデータセットから掲載された広告コンテンツに関係し得る。本発明の1つの態様において、インプレッションデータにはユーザーと広告コンテンツの相互作用に関するデータが含まれ得る。その後、実時間入札機構ファシリティー142は前記1番目および2番目の広告キャンペーンデータセットから掲載された広告コンテンツに関するインプレッションデータの比較を少なくともある程度基にしてサードパーティーデータセットの価値を決定し得る。

その上、本発明の1つの態様において、実時間入札機構ファシリティー142は、少なくともある程度1番目および2番目の広告キャンペーンデータセットから掲載された広告コンテンツに関する広告インプレッションデータの比較を基にしてサードパーティーデータセット3002の価値を計算することができる。本発明の1つの態様において、1番目の広告キャンペーンデータセットに由来する広告コンテンツの掲載は少なくともある程度最適な広告掲載を選択する目的でサードパーティーデータセット2710を用いる機構学習アルゴリズムを基にし得る。その後、実時間入札機構ファシリティー142は広告主104に前記1番目の広告キャンペーンデータセットによる広告コンテンツを掲載するための査定の一部の料金を請求し得る。本発明の1つの態様において、査定および広告主104への請求書の計算は広告主104からコンテンツ掲載依頼を受け取った後に自動的に実行され得る。本発明の別の態様において、査定の計算は複数の競合する査定アルゴリズム140のパフォーマンスを比較した結果であり得る。本発明の1つの態様において、複数の競合する査定アルゴリズム140が示すパフォーマンスの比較には、少なくともある程度過去のデータが基になった査定アルゴリズム140の使用が含まれ得る。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

その上 本発明の1つの態様において、実時間入札機構ファシリティー142は少なくともある程度1番目および2番目の広告キャンペーンデータセットから掲載した広告コン テンツに関する広告インプレッションデータの比較を基にしてサードパーティーデータセット3010の査定を計算する能力も有する。本発明の1つの態様において、1番目の広告キャンペーンデータセットによる広告コンテンツの掲載は少なくともある程度最適な広告掲載を選択する目的でサードパーティーデータセット3010を用いる機構学習アルゴリズムが基になり得る。その後、実時間入札機構ファシリティー142は少なくともある程度前記査定を基にした広告コンテンツの掲載に対する支払いを行う目的でパブリッシャー112への入手額推奨値を較正し得る。本発明の1つの態様において、その較正に調整を実時間イベントのデータ160およびそれが査定に対して示す影響を把握する目的で繰り返し受けさせることができる。

図31に、本発明の1つの態様に従って追加的サードパーティーデータの価値を測定する能力を有する広告査定のための方法3100を例示する。この方法は段階3102で始まる。段階3104で、広告キャンペーンデータセットを1番目の広告キャンペーンデータセットと2番目の広告キャンペーンデータセットに分割してもよい。段階3108で、1番目の広告キャンペーンデータセットから広告コンテンツを掲載するための経済査定を予測する目的で、機構学習による改善を受けさせることが可能な経済査定モデルを有効に活用してもよく、それによって複数の有効な掲載および/または複数の広告に関する情報を評価してもよい。本発明の1つの態様において、機構学習は少なくともある程度サードパーティーデータセットが基になり得る。段階3110で、1番目および2番目の広告キャンペーンデータセットによる広告コンテンツを複数の有効な掲載および/または複数の広告内に掲載してもよい。本発明の1つの態様において、前記1番目の広告キャンペーンによるコンテンツの掲載を少なくともある程度その予測される経済査定を基にして実行しそして2番目の広告キャンペーンデータセットによるコンテンツの掲載をサードパーティーデータセットに依存しない方法を基にして実行してもよい。更に、段階3112で、前記1番目および2番目の広告キャンペーンデータセットから掲載した広告コンテンツに関係するトラッキング機構ファシリティーからインプレッションデータを受け取ってもよい。1つの態様において、そのインプレッションデータにはユーザーと広告コンテンツの相互作用に関するデータが含まれ得る。その後、段階3114で、少なくともある程度前記1番目および2番目の広告キャンペーンデータセットから掲載した広告コンテンツに関するインプレッションデータを比較することを基にしてサードパーティーデータセットの価値を決定してもよい。本発明の1つの態様において、サードパーティーデータセットには広告コンテンツのユーザーに関するデータ、複数の有効な掲載および/または複数の広告に関するコンテキストデータまたは過去の広告インプレッションに関する金融データが含まれ得る。本発明の1つの態様において、広告コンテンツのユーザーに関するデータには、人口統計データ、トランザクションデータまたは広告コンバージョンデータが含まれ得る。本発明の1つの態様において、コンテキストデータは、機構学習ファシリティーに関連するコンテクスチュアライザーサービスから誘導可能である。本発明の1つの態様において、経済査定モデルの少なくとも一部は実時間イベントのデータ、一部は過去のイベントのデータ、一部はユーザーデータ、一部はサードパーティー商業データ、一部は広告主データまたは一部は広告代理店データを基にし得る。この方法は段階3118で終了する。

図32に、本発明の1つの態様に従ってサードパーティーデータセットの査定を計算しそして広告主にその査定の一部の料金を請求する方法3200を例示する。この方法は段階3202で始まる。段階3204で、少なくともある程度1番目および2番目の広告キャンペーンデータセットから掲載した広告コンテンツに関する広告インプレッションデータを比較することを基にしてサードパーティーデータセットの査定を計算することができる。本発明の1つの態様において、1番目の広告キャンペーンデータセットによる広告コンテンツの掲載は少なくともある程度最適な広告掲載を選択する目的でサードパーティーデータセットを用いる機構学習アルゴリズムが基になり得る。その後、段階3208で、 1番目の広告キャンペーンデータセットによる広告コンテンツを掲載する目的で査定の一部の料金を広告主に請求してもよい。本発明の1つの態様において、査定の計算および広告主への請求は広告主からのコンテンツ掲載依頼を受け取った後に自動的に実行され得る。本発明の別の態様において、査定の計算は複数の競合する査定アルゴリズムが示すパフォーマンスを比較した結果であり得る。本発明の1つの態様において、複数の競合する査定アルゴリズムが示すパフォーマンスの比較には、少なくともある程度過去のデータを基にした査定アルゴリズムの使用が含まれ得る。この方法は段階3210で終了する。競合するアルゴリズムおよびモデル、例えば査定モデルなどを評価するための一般的分析方法、統計学的技術およびツールばかりでなく通常の当業者に公知の分析方法、統計学的技術およびツールは本発明に包含されることを意図しそしてそれらを用いて本発明の方法およびシステムに従って競合するアルゴリズムおよび査定モデルを評価することができることは理解されるであろう。

図33に、本発明の1つの態様に従ってサードパーティーデータセットの査定を計算しそして少なくともある程度その査定を基にして広告コンテンツを掲載するためにパブリッシャーが支払う入札額推奨値を較正する方法3300を例示する。この方法は段階3302で始まる。段階3304で、サードパーティーデータセットの査定の計算を少なくともある程度1番目および2番目の広告キャンペーンデータセットから掲載する広告コンテンツに関する広告インプレッションデータを比較することを基にして実行してもよい。本発明の1つの態様において、1番目の広告キャンペーンデータセットによる広告コンテンツの掲載は少なくともある程度最適な広告掲載を選択する目的でサードパーティーデータセットを用いる機構学習アルゴリズムが基になり得る。その後、段階3308で、パブリッシャーが支払うべき入札額推奨値の較正を少なくともある程度前記査定を基にして広告コンテンツの掲載に関して実行してもよい。本発明の1つの態様において、実時間イベントのデータおよびそれが査定に対して示す影響を把握する目的で較正の調整を繰り返し行ってもよい。この方法は段階3310で終了する。

いくつかの態様において、分析プラットフォーム114の分析アウトプットの例示をデータ可視化技術を用いて行うことができ、それには、これらに限定するものでないが、図34−38に示す等高線グラフが含まれる。等高線グラフを用いて例えば広告キャンペーンが示すパフォーマンスの中の効率が良い場所を例示することができ、ここで、表面の高さは広告インプレッション当たりのコンバージョン値の尺度であり、それは平均パフォーマンスの指標となる。1つの態様において、1よりも大きい値を有する表面領域は平均コンバージョン値よりも良好であることを示しそして1より低い領域はパフォーマンスが平均よりも低いことを示し得る。等高線グラフの体積断面積が小さいことおよびそれに関連したデータを説明する目的で信頼検定を適用してもよい。図34に、時間帯を曜日と対比させて広告パフォーマンスの要約を示すデータ可視化態様を描写する。図35に、人口密度によって広告パフォーマンスの要約を示すデータ可視化態様を描写する。図36に、米国内の地理的地域によって広告パフォーマンスの要約を示すデータ可視化態様を描写する。図37に、個人所得によって広告パフォーマンスの要約を示すデータ可視化態様を描写する。図38に、性別を用いて広告パフォーマンスの要約を示すデータ可視化態様を描写する。

図39に、広告キャンペーン/ブランドのためのアフィニティーインデックスをカテゴリーで例示する。本発明の方法およびシステムは、広告主ブランドに興味を持つ可能性が一般住民よりも高いコンシューマーの特徴を識別する能力を有する。この方法およびシステムはまた広告主ブランドに興味を持つ可能性が一般住民よりも低いコンシューマーの特徴を識別する能力に有する。図39に示すチャートの左側に、より大きな興味を持つコンシューマーの特徴を示す。このチャートはまたそのようなコンシューマーが広告主ブランドに一般住民よりもどれぐらい多く関わるかを表すインデックスも示す。このチャートの 右側にあまり興味を持たないコンシューマーの特徴を示しかつそのようなコンシューマーがそのブランドに一般住民よりも関わる度合がどれくらい低いかを表すインデックスも示す。図39に示す如きインデックスは、サンプルのサイズを考慮に入れそしてサンプルサイズと不確実さ範囲を組み込んだ策定を用い得る。

図40に、インプレッションの数によるページ訪問の要約を表すデータ可視化態様を描写する。本発明の方法およびシステムは様々なコホートのコンシューマーが示すコンバージョン率を識別する能力を有する。図40に示すように、各コホートはコホートのコンシューマー−メンバーに見せた広告の数で定義可能である。分析プラットフォーム114を用いて所定数の広告を見たコンシューマーを分析してコンバージョン率を計算することができる。分析プラットフォーム114は、少なくともある程度インプレッションログ148に含まれるデータを基にして、コンシューマーがアクションを実行する前にコンシューマーが表したインプレッションのみを考慮に入れ得る。一例として、広告主にとって好ましいアクションを実行する前に3つの広告を見たコンシューマーはコホート3のメンバーである。コホート3の他の10メンバーは3広告を見たが、広告主にとって有益と思われる如何なるアクションも実行しなかったと思われる。コホート3のコンバージョン率は3/10 = 0.3または百万人のコンシューマー当たり300,000である。この分析はサンプルのサイズを考慮に入れそしてサンプルサイズと不確実さ範囲を組み込んだ策定を用い得る。この分析はまたコホート全体に渡って観察される行為を最も表している可能性がある曲線の適合も行う。

広告キャンペーンの結果を測定する能力は大部分の広告システムの優先事項である。次に、測定された広告キャンペーン結果(ユーザー、ユーザーグループなどで分類された結果を包含)を広告主が用いて広告メッセージが意図したユーザーおよび/またはユーザーグループターゲットに対して示す効果が最大限になるように広告キャンペーンを改善することができる。例えば、広告主は、バジェットおよびプライスをパフォーマンスが低いものから再配分してそのキャンペーン、同様なキャンペーン、または広告キャンペーンの中に含まれる資料と属性1種または2種以上を共有する広告に対して応答する履歴を有するユーザーグループに焦点を当てることでキャンペーンを改善することができる。加うるに、広告キャンペーンをコンシューマーに伝達する目的で複数のメディアチャネルを用いることも可能である。

オンライン広告の場合、クッキーの中に保存されているコンシューマー識別子を用いて広告の効果を測定することが可能であり得る。これによって広告主は個人の身元を匿名にしながら個人を区別することができる。しかしながら、個人を区別できないか或は区別しない方が好ましい場合もある。本発明のいくつかの態様において、個人を区別できないか或は区別しない方が好ましい場合の広告の測定を解決する方法およびシステムを提供する。例えば、本発明の方法およびシステムを用いると、メディアチャネルの記述を可能にする複数の特徴を測定することで、見せた広告メッセージとその後にそれらがコンシューマーおよびコンシューマーグループに対して示した効果をリンクさせることが可能になり得る。これによって、通常の方法を用いたのでは効果の測定を実行することができない時でも、キャンペーンの効果、広告の成功度などを測定することが可能になる、と言うのは、個人を識別することができないか或は好ましくない可能性があるからである。そのようなユースケースの例には、これらに限定するものでないが、様々なチャネル(例えばテレビおよびオンラインメディア)に渡る広告の測定およびクッキー識別子を用いないでオンライン広告を測定することが含まれる。

本発明の様々な態様に従い、メディアのいくつかの特徴を用いて、1個人または複数の個人(彼らは全員が1つ以上の特徴を共有し得る)のどれかを含有し得る小さいセグメントを作り出すことができる。特徴には、これらに限定するものでないが、時間帯(例えば 広告を見る時間帯)、地理的地域、ある種のコンテンツに個人が示す興味が含まれ得る。各特徴または特徴の組み合わせを用いて1組の個人を定義および/または記述することができる。従って、そのような特徴(例えば時間帯、曜日、用いられているブラウザーおよびオペレーティングシステム、画面解像度、地理的地域およびコンテンツ/コンテンツカテゴリーの種類)をターゲティングパラメーターとして用いることができる。

ターゲティングパラメーターはメディアチャネルの間でそのようなチャネルの性質の点で多様であり得る。例えば、チャネルAが持っている有効パラメーターは3種類のみであり得るが、チャネルBは40以上持っている可能性がある。その上、そのようなパラメーターの性質は変化し得る。例えば、活字メディアの場合、広告主はパラメーターを雑誌の版、雑誌の種類またはジャンルおよび物理的ページ、例えば雑誌のページに載せられている広告のサイズまたはまたは他のいくつかのパラメーターとして考慮することができる。同様に、テレビ広告の場合のパラメーターは広告が見られた時間、それの長さおよび終了時に製品ショットが含まれていたか否かまたは他のいくつかのパラメーターであり得る。

いくつかの態様において、広告主が選択するチャネルに関係なく、チャネルの明確なセクションの名前を挙げる目的で複数のパラメーター(チャネルに利用可能)の組み合わせを用いることも可能である。また、チャネルセクションはある場合には小さくそしてほとんど個人を記述する能力を有さないが、それにも拘らず、できるだけ多くのターゲティングパラメーターを用いてそれを明確にすることができる。様々なチャネルをそれらのチャネルが到達する個人が同じように行動するといった仮定を基にしてリンクさせることができる。例えば、スポーツを熱愛する人はテレビでスポーツを観戦しそしてまたウェブおよび活字メディアでもスポーツをフォローすると推測することができる。

本発明のいくつかの態様において、特定のチャネルに通して到達する1組のユーザーを明確にする1組のターゲティングパラメーターを用いて統合ユーザー識別子(SUID)を作り出すことができる。SUIDをサーバー側のシステムに保存させることで、それまたはそれらの積み重ねを用いて将来の広告チャネルセグメンテーションを企画することができる。例えば、広告掲載または広告相互作用は、その掲載、相互作用またはクライアントデバイスからユーザー、デバイスおよび/またはコンテキスト情報を集めそして抽出することを可能にする。SUIDは数人の個人を記述し得るが、特定の場合(複数のパラメーターを加えることによって)には特定の個人を記述することも可能である。例えば、ロードするソフトウエアの特定の組み合わせ、インターネットプロトコル(IP)アドレス、オペレーティングシステムおよび画面解像度の種類およびコンテンツの興味などで特定の個人または1組の個人を記述することができる。別の態様において、いくつかのSUIDを用いて個人にタグを付けることができる。例えば、あるユーザーは同じ地理的地域内でスポーツコンテンツを3pmから6pmまでフォローしそしてニュースコンテンツを7pmから10pmまでフォローし得る。その組み合わせ(即ち、3−6pmのスポーツおよび7−10pmのニュース)の各々はそれ自身のSUIDを有する可能性がある。加うるに、本発明の1つの態様において、広告が小さい集団のユーザーの中で示す効果を測定することも可能である。この目的で成果が観察される時間毎に成果を測定することができる。成果は広告主のウェブサイトにおける個々のアクション、例えば広告コンバージョン、クリックスルーまたは他のいくつかの行動などとして定義可能である。ユーザーが広告主のウェブサイトなどで個々のアクションを実行する場合、そのアクションによってまた広告を受け取った時間に関係した情報も明らかになり得る。広告主のウェブサイトおよび/またはそのようなウェブサイトと協力して働く代理店は、コンテンツカテゴリー(例えば照会URLの)、地理的場所、時間帯、曜日、使用ブラウザー、オペレーティングシステム、画面解像度または他のいくつかのデータなどの如きパラメーターを記録し得る。結果として、本明細書に記述する如き方法およびシステムを用いると、広告主のウェブサイトに見られるオンライン広告と達成されたアクションの間の統計学的リンクを確立することが可能になり得る。その上、メディアおよびオフラインで見られる広告を用いる場合、それはより粗い測定基準に頼りそして広告主はその測定された肯定的な成果をより幅広い集団(複数のSUIDで記述される)に渡って広げることが可能になる。一例として、テレビによる広告を特定のユーザーの画面解像度およびオペレーティングシステムとリンクさせることは不可能であり得る。それにも拘らず、地理的情報、コンテンツの種類およびテレビによる広告の時間および日にちは、そのような広告がターゲットにするユーザーの種類の指標であり得る。その上、テレビによる広告の場合、ある広告を受け取るユーザーの数および他のデータをオフラインで調査することを通して取得することも可能である。このデータを用いて各SUIDのためのメンバーの数を測定することができる。

いくつかサンプルシナリオによって特定の広告主の店における販売結果をいずれかの特定のコンシューマーまたは広告とリンクさせるのは不可能であり得る。しかしながら、その店で購入するコンシューマーの住所で明らかになる如き限定された数の郵便番号と販売結果をリンクさせることは可能であり得る。その上、見せる広告の予定時刻を販売結果の予定時刻と対比させてオーバーレイすることは可能であり得る。本発明の1つの態様に従って、所定週の販売結果を当該店の近くにある郵便番号に関する情報をキャプチャーするSUIDに割り当てることができる。各郵便番号に割り当てる販売の比率は販売時点(POS)システムがキャプチャーするデータによって誘導可能であり、このシステムは例えば個人の数を基にした比率、各郵便番号によって引き出される収益の合計または他のいくつかの分析測定値を与え得る。別の態様において、電話によるオーダーによって電話してきた人の市街局番に代表される地理的地域を突き止めることができる。追加的情報をキャプチャーすると、その結果を購入者の郵便番号アドレス(“zip+4”アドレスを包含)にリンクさせることができ、それによって地図を作成することができる。

ユニークなユーザー(またはユーザーの小グループ)を識別することができると、彼らに広告を送りそしてそのような広告のパフォーマンスとそのようなユーザーをリンクさせることによって、更に、本明細書に記述する如き方法およびシステムを用いることで更に広告および広告キャンペーンの成功の粒度の細かい測定を行うことが可能になりそしてアクセスに対して支払うプライスおよび額を調整しかつそのようなメディアにおける投資を調整することが容易になり得る。様々なSUIDの間の推定リンクの検証を可能にし得るクーポニングを用いることでクロス−チャネル帰属を強化しかつ刺激することができる。

図57を参照して、いくつかの態様において、この開示する発明では、複数のユーザーと広告の相互作用によって引き出されるコンテキスト情報、ユーザーおよびデバイスの中の2つと広告と広告のインプレッションデータを関連させることによって複数の統合ユーザー識別子をサーバーファシリティーの所で作り出すための方法およびシステム5700を提供することができる5704。1つ以上のデータベースには、広告主に関連したコンテキストデータ、広告主のコンテンツパブリッシャー、パブリッシャーのコンテンツ(例えばパブリッシャーのウェブサイト)などを与え得るコンテキストのデータベースが含まれ得る。そのコンテキストのデータベース1種または2種以上を本明細書に記述するように分析プラットフォーム114内に与えるか或は分析プラットフォームと関連させてもよい。コンテキストのデータには、これらに限定するものでないが、広告内に見られるキーワード、以前に広告を掲載したことに関連したURL、または他のいくつかの種類のコンテキストデータが含まれ得、それらを本明細書に記述するようにパブリッシャーのコンテンツに関連したカテゴリー化メタデータとして保存してもよい。一例として、そのようなカテゴリー化メタデータに1番目のパブリッシャーのウェブサイトが音楽コンテンツに関係しそして2番目のパブリッシャーのコンテンツが主に自動車に関係していることを記録してもよい。統合ユーザー識別子をデータベースに保存しておいて、それにサーバーファシリティーがアクセスできるようにし、それをクライアントシステム5708から分離させてもよい。サーバーファシリティーを本明細書に記述するように分析プラットフォーム 114内に与えるか或は分析プラットフォームと関連させてもよい。前以て決めておいたコンバージョン率を広告チャネルに提示する場合にはそれをもたらし得る広告の種類5710および広告チャネルに提示すべき推奨され得る的を絞った広告(これは広告の種類に関係する)5712を示す相互関係に関して複数の統合ユーザー識別子に分析を受けさせてもよい。この分析には、本明細書に記述する如き機構学習およびマトリクスが基になった技術の使用が含まれ得る。機構学習アルゴリズムの例には、これらに限定するものでないが、ナイーブベイズ、ベイズネット、サポートベクターマシン、ロジスティック回帰、ニューラルネットワークおよび決定木が含まれ得る。これらのアルゴリズムを用いて分類子を生じさせることができるが、この分類子は、広告がアクションをもたらす可能性があるか否かを分類分けするアルゴリズムである。それらは基本的形態において“イエス”または“ノー”の答えおよび分類子の確実さの度合を示すスコアを回答する。より複雑な予測因子を用いることも可能である。較正技術を適用すると、それらは補正すべき予測の尤度の確率評価を回答する。較正技術はまたどの特定の広告が最も好ましいユーザーアクションをもたらす可能性があるか或はどの特徴がアクションをもたらす可能性が最も高い広告を記述するかも示し得る。

いくつかの態様において、的を絞った広告を推奨する段階は、的を絞った広告の入札額を推奨するか、その的を絞った広告のバジェット割り当てを推奨するか、或は他のいくつかの種類の推奨を行うことを伴い得る。推奨は統合ユーザー識別子を基にして広告インベントリーを分割することを伴い得る。

いくつかの態様において、複数のユーザーと広告の相互作用は複数の広告チャネルから誘導可能である。その複数の広告チャネルにはオンラインおよびオフライン広告チャネルが含まれ得る。オンライン広告チャネルにはウェブサイトが含まれ得る。オフライン広告チャネルには活字媒体が含まれ得る。

いくつかの態様において、コンテキスト情報はデバイス特徴、オペレーティングシステム、広告媒体の種類、複数のコンテキスト情報、ユーザー人口統計または他のいくつかの種類のコンテキスト情報であり得る。

図58を参照して、いくつかの態様において、この開示する発明では、複数の有効な広告チャネルを分類分けする方法およびシステム5800を提供することができ、ここで、その有効な広告チャネルの各々の分類分けを少なくともある程度コンテキスト情報5804、インプレッション履歴、広告チャネルパフォーマンス特徴または他のいくつかの種類のデータを基にして行う。例えば、本明細書に記述する如きトラッキング機構ファシリティー144は、広告依頼者のID、ユーザーまたはユーザーに標識を付ける他の情報(これらに限定するものでないが、インターネットプロトコル(IP)アドレスを包含)、広告および/または広告掲載のコンテキスト、ユーザーの履歴、ユーザーの地理的場所情報、社会的行動、推定人口統計、広告インプレッション、ユーザークリックスルー、アクションログまたは他のいくつかの種類のデータを記録しそしてこのデータを用いて有効な広告チャネルを分類分けする能力を有する。その分類分けした複数の有効な広告チャネル内で行った以前の広告掲載に関連した広告インプレッションログを本明細書に記述する如き統計学的技術で分析してもよく、その分析によって、有効な広告チャネルの少なくとも1つとユーザーの間の量的関係をもたらすが、その量的関係は、少なくともある程度有効な広告チャネルの少なくとも1つの中の広告コンバージョンを記録するユーザーの確率を表す5808。その量的関係を統合ユーザー識別子として保存し5810、そして少なくともある程度統合ユーザー識別子を基にして有効広告チャネルの少なくとも1つで広告をユーザーに提示することを選択してもよい5812。その上、実時間入札機構ファシリティー142は、複数の有効な広告の各々を更に分類分けする目的で経済査定モデルも用い得る。この分類分けは、有効広告掲載の各々が広告インプレッションを達成する確率を示す データであり得る。次に、実時間入札機構ファシリティー142は少なくともある程度統合ユーザー識別子を用いることに加えて広告インプレッションを達成する確率を示すデータを基にして有効な広告掲載の優先順位を決める能力を有する。その後、実時間入札機構ファシリティー142は、その優先順位を基にして複数の有効な掲載および/または複数の広告の少なくとも1つを選択してユーザーに提示する能力を有する。また、少なくともある程度統合ユーザー識別子および入札データまたは本明細書に記述する如き分析プラットフォーム114が用いる他のいくつかの種類のデータを基にして同様な統計学的方法を用いることで有効な広告チャネルに優先順位を付けることも可能である。

いくつかの態様において、その選択した広告を、ユーザーの統合ユーザー識別子に関連したユーザーの属性を共有する2番目のユーザーに提示することができる。

いくつかの態様において、量的関係をアップデートする目的で、学習機構ファシリティーは、その選択した広告を提示した後の新しいインプレッションをユーザーが登録することができなかったことを利用する。

いくつかの態様において、複数の統合ユーザー識別子(各々がその他との量的関係を持つ)にコンシューマーのコホートとしてタグを付けてもよく、それに対して広告主は実時間入札機構ファシリティーを用いて広告を提示する機会に対して入札を行うことができる。その分析には経済査定モデルを用いることが含まれ得、それは更にある程度実時間入札ログデータも基になっている。その分析には、更にある程度過去の入札データも基になる経済査定モデルを用いることが含まれ得る。

図59を参照して、いくつかの態様において、この開示する発明では、少なくともある程度コンテキスト情報を基にして有効チャネル内に広告を掲載することをターゲットにする方法およびシステム5900を提供することができ、そのシステムは、プロセッサおよびそのプロセッサで作動し得るソフトウエアが備わっているコンピューターを含有して成る。そのソフトウエアには、分析プラットフォームファシリティーが含まれ得、それには少なくとも学習機構および査定アルゴリズムファシリティーが備わっている。前記ソフトウエアは(i)複数のユーザーと広告の相互作用によって誘導される如きコンテキスト情報、ユーザーおよびデバイスの中の少なくとも2つと広告と広告のインプレッションデータを関連させることによって複数の統合ユーザー識別子をサーバーファシリティーの所で作り出し5904、(ii)その統合ユーザー識別子をサーバーファシリティーがアクセス可能なデータベースの中に保存しそしてクライアントシステムから分離させ5908、(iii)その統合ユーザー識別子を用いて広告のターゲットをコンシューマーに絞るようにし、ここで、コンシューマーに提示すべき広告の量、タイミングおよび期間の少なくとも1つは少なくともある程度統合ユーザー識別子の使用が基になって有効な広告チャネルに渡って多様であり5910、(iv)広告を広告チャネルに通してある強さのレベル(この強さのレベルは提示する広告の量、タイミングおよび期間の少なくとも1つである)で提示する場合には前以て決めておいたコンバージョン率をもたらし得る広告の種類を示す相互関係に関して複数の統合ユーザー識別子に分析を受けさせ5912、そして(v)特定の統合ユーザー識別子毎に各広告チャネルを通して提示すべき広告の種類に関連して調整した広告の強さを推奨する5914。

1つの態様において、広告のSUIDに対する広告の結果(様々なSUIDで識別)を調査することによって達成される効果の割り当てはマトリクス(M)によって決定される。このマトリクスは様々なSUIDの間の重なり合いを開示し得る確率モデルを表し得る。このマトリクス(M)には可能な‘エフェクト統合ユーザーID’(EID)各々の縦列およびチャネル統合ユーザーID(CID)各々の横列が備わり得る。各所定縦列のマトリクスMの中の係数の全体を加えると1になる。

特定数のCIDiがEIDjに対して効果を有する確率を計算することによってマトリクスMの特定の各セルの横列i、縦列jの係数を計算することができる。次に、これらの確率を所定横列i縦列j毎に正規化して1にすることができる。この正規化は必要であり得る、と言うのは、CIDは重なり合う可能性があるからである(例えばオンラインでスポーツの熱狂的なファンである個人はまたハイウエイにある屋外のパネルによるターゲットにもなり得る)。マトリクス積によって効果EIDを表すベクターをマトリクス(M)倍掛けることによって属性のベクターCIDを計算することができる。

図41に、与えられ得る売上高に影響を与えるチャネルIDによって表される如きインプレッションの数を調査する目的で使用可能な行列演算(Mエフェクトマトリクス4102、CIDベクター4104およびEIDベクター4108を包含)の一例を描写する。

図42に、広告インベントリーのSUIDパーティションを作り出し得るパラメーターの一例を例示する。そのパラメーターには、広告を掲載した時間帯(4202)、コンシューマーが居る地理的場所(4204)、広告を掲載するコンテンツカテゴリー(4208)、オンライン広告のサイズ(4210)および広告のロードに用いられるブラウザー(4212)が含まれる。

図43に、広告に対するオフラインデータおよびオンラインデータに関するフィードバックループの一例を例示する。

図44を参照して、数多くの内部機構(ハードウエアおよびソフトウエアコンポーネントを包含)およびサービス、例えばとりわけ本明細書に記述する如き実時間入札機構ファシリティー142、トラッキング機構ファシリティー144、実時間入札ログ150、インプレッション、クリックおよびアクションログ148および学習機構ファシリティー138などを用いて、SUIDに関連した広告アクティビィティーを管理しそして追跡することができる。

いくつかの態様において、実時間入札機構ファシリティー142は入札依頼メッセージを広告配信サービス(ADS)122から受け取り得る。それは実時間システムであると見なすことができる、と言うのは、入札依頼への応答は特定の時間的制約内に起こり得るからである。実時間入札機構ファシリティー142はまたユーザーが本システムが決定するのを待っている間にどの広告メッセージを見せるべきかを計算する能力も有する。データ、例えばSUIDなどを用いて少なくともある程度SUIDに関連した過去のデータ、例えば広告の成果、広告コンバージョンなどを基にして入札および査定をモデル化することができる。本システムは実時間計算を例えばアルゴリズムを用いて最適な入札値を動的に推定することなどで実行する能力を有し、それらには少なくともある程度学習機構ファシリティー138によって提供されるSUIDが含まれる。

実時間入札ログ150には、実時間入札機構ファシリティー142が受け取った入札依頼の記録および送った入札応答の記録が含まれ得る。これらのログにはユーザーが訪問したサイトに関するデータが含まれている可能性がある。これを用いて更にユーザーの興味、閲覧傾向を引き出しそしてSUIDを計算することができる。加うるに、これらのログは広告掲載機会が様々なチャネルから来る速度を記録する能力も有する。

いくつかの態様において、学習機構ファシリティー138を用いて実時間入札エンジン用のターゲティングアルゴリズムを開発することができ、それには少なくともある程度SUIDが基になったターゲティングアルゴリズムが含まれる。それはとりわけ社会的行動、推定人口統計、推定SUIDを包含するパターンを採用し、それらを用いてオンライン 広告のターゲットをより良好に絞ることができる。学習機構ファシリティー138はまたトラッキングシステムがもたらすインプレッション、クリックおよびアクションログ148も利用し得る。

様々な機構の間の相互作用および協調の説明を広告主Aが“オーダー”を広告掲載の位置および時間を限定および/または記述するインストラクションと共に行う場合のシナリオを用いて行うことができる。1つの態様において、これらのインストラクションにはターゲティングパラメーター、例えば本明細書に記述する如き方法およびシステムがもたらすSUIDなどの選択が含まれる。次に、そのオーダーを複数のチャネルに渡って実行することができる。広告主はキャンペーンが成功することに関する‘良好’の基準を特定し得る。‘良好’基準の測定は特定の測定基準によって実施可能であり、それはユーザーが広告主のウェブサイトにある全ての項目に記入したアクティビィティーを記録するか或はオフライン購入、訪問または広告主との他の相互作用によって追跡可能である。

この例を次の段階として継続して示し、本システムは広告を掲載(オンラインおよびオフライン)する目的で利用可能なチャネルをより小さなセクション(例えば各セクションはSUIDを表す)に分割する能力を有する。この分割はパラメーター、例えば時間帯、曜日、コンテンツの種類、ユーザーの地理的場所、ユーザーのブラウザーまたは他のいくつかの種類のデータの組み合わせが基になり得る。一例として、テレビ媒体の場合の分割は地理、時間帯、曜日、コンテンツの種類などが基になり得る。雑誌の場合の分割は、その年の月、地理(複数の広告地域に流通する雑誌の場合)およびコンテンツの種類が基になり得る。広告主が特定する‘良好’および肯定的な成果を送る判断基準は、肯定的な成果が1つ以上のSUIDに割り当てられるように体系化可能である。オンライン広告の場合、パラメーターを組み合わせることによって結果として各SUID毎の少ないユーザーを識別する高度に粒度の細かいリンクがもたらされ得る。

いくつかの態様において、学習システムを用いることで、どのSUIDが所望成果を他のものに比べて作り出す点でより成功するかに関する情報を活用することができる。この学習システムは成功したものを基にして注文に合うターゲティングアルゴリズムを開発し得る。このアルゴリズムは所定条件を基にして広告の予測される価値を計算しそして特定の‘良好’基準を最大限にすることを求め得る。

実時間入札の場合、実時間入札機構ファシリティー142がアルゴリズムを受け取るが、それは広告を掲載する機会を待ち得る。入札依頼を実時間入札機構が受け取り得る。その受け取ったアルゴリズム(SUIDを利用し得る)を用いて各依頼にそれの価値に関する評価を各広告主毎に受けさせることができる。広告が魅力的な値を有する場合には入札応答が送られ得る。値が低いと推定するのが適切な場合にはその低い値が入札値であり得る。その後、入札応答依頼を個々のプライスで行うことができる。

他方、非実時間広告購入の場合、非実時間オーダー作成システムがアルゴリズムを受け取って、どれくらいのバジェットを各広告チャネルに広告チャネルサポートとしてその度合の粒度で割り当てるかを決定する。例えば、特定時間のテレビスポットを購入にするのは不可能であり得るが、別のプログム時間スロット、例えば朝、午後、夕方または夜などでは可能であり得る。非実時間広告購入の場合、広告を流す時間、届く範囲および他のパラメーターに関する測定基準をオフライン方法で集めそしてその関連したデータを本システムに加えてもよい。

オンラインメディアの場合のトラッキング機構ファシリティー144はログ広告インプレッション、ユーザークリックおよび/またはユーザーアクションであり得る。トラッキング機構ファシリティー144ログは更に学習システムにも送られ、それは‘良好基準’ を用いてアルゴリズムの改善およびカスタム化に関して決定し得る。このプロセスは反復プロセスであり得る。

様々な態様に従い、本発明は、メディア、コンシューマーおよびユーザーが共有するクリエイティブ属性によって彼らを記述するためのユーザーのグループ化(必要に応じて)を容易にする。これらのグループの各々をSUIDに割り当てるが、これはできるだけ細かくグループを記述するものである。オンライン、モバイルおよびIPコンテンツに関するビデオの場合、組み合わせSUIDは結果として非常に僅かな人数の個人またはほんの一人を記述し得る。複数のSUIDを用いてユーザーに同時にタグを付けることが可能であり得る。しかしながら、各SUIDに関する粒度および各SUIDを記述するパラメーターはチャネルに渡って多様であり得るか或は他の理由で多様であり得る。それにも拘らず、本明細書に記述する如き方法およびシステムを用いると、広告主は、肯定的な結果を識別しそしてその肯定的な結果を1つ以上のSUIDとリンク付けることができる。その上、本発明は、フィードバックデータプロセスを作り出すことも容易にし、それによって、各SUIDの下で掲載される広告から得られるデータを達成される結果と一致させることができ、それは、各広告およびユニークな個人を結果と組み合わせて調査することが不可能な場合でも実施可能である。いくつかの態様において、本発明はバジェットをチャネルに渡って自動的に再割り当てすることを可能にし得る。

本発明の1つの態様に従い、広告キャンペーンのパフォーマンスを測定して最大限にする能力を有する方法およびシステム(デジタルおよびアナログメディアの買い主および売り主のためのグローバルイールドマネジメントを行うに適した)を提供する。デジタルメディアの例には、これらに限定するものでないが、ディスプレー広告、ビデオ広告、モバイル広告、検索広告、電子メール広告、IPTVおよびデジタル掲示板が含まれ得る。アナログメディアの例には、これらに限定するものでないが、ラジオ、屋外のパネル、屋内のパネル、活字メディアまたは他のいくつかの種類のアナログメディアが含まれ得る。

いくつかの態様において、本方法およびシステムは、買い主が彼らの結果を最大限にすることを可能にし得るリバースオークションを可能にし得る。一例として、広告の売り主はグローバルイールドマネジャー−バイヤー(GYM−B 4712)システムに接続し、1つまたは複数の広告機会を売ろうとする時にそこにコールする。買い主は販売のオファーを観察しそして購入の決定を行うことで、彼ら自身の利益を最大限にすることを求め得る。このような場合にはいずれにおいても、本システムが記録を保存しそして広告主が各パブリッシャーに対して許容するルールを観察することができそしてその逆も可能である。

1つの態様において、買い主は売り主にコールして広告を売ることを頼むことができる。別の態様において、買い主は本システムを売り主が1つ以上の広告を掲載する機会を買い主に申し出ることを決定する毎にコールすることが可能な広告サーバーとして頼ることができる。簡単な例において、グローバルイールドマネジメントシステムに関わる広告主が一人の場合が存在し得る。そのような場合には、買い主の視点から利用可能な任意選択が存在しない可能性がある(即ち、パブリッシャーが与える全てのインプレッションを用いることができる)。加うるに、各広告掲載機会毎に支払うべきプライスは固定されている可能性がありそして広告主は各掲載機会毎に用いることが可能な広告の複数のバージョンを有する可能性もある。この場合、GYM−B 4712は単に1ディメンションで決定、即ちどのクリエイティブ1種または2種以上を示すかを決定し、そして最適化によって、そのようなキャンペーンの成功基準で測定した時にキャンペーンのパフォーマンスが最大限になることを求め得る。その上、GYM−B 4712はGYM−B 4712に関わる各パブリッシャー毎に特定のパフォーマンス目標を持ち、そしてそのような目標が達成されない時には、それが自動的に電子メールを送るトリガーになって、このフェース をオペレーターおよび/またはパブリッシャーに伝達し得る。

別の例として、グローバルイールドマネジメントシステムに関わる広告主が一人の場合が存在する可能性があり、そして買い主の視点から利用することが可能な任意選択が存在し得る(即ち、買い主はインプレッションを用いることができずそしてそれに対する支払いもできない)。加うるに、各広告掲載機会毎に支払うべきプライスは固定されている可能性がありそして広告主は各掲載機会毎に用いることが可能な広告の複数のバージョンを有する可能性もある。そのようなシナリオの場合、GYM−B 4712は2ディメンションで決定を行い得る、即ち広告または複数の広告を採用するか否かおよびどのクリエイティブ1種または2種以上を示すべきか。その上、最適化によって、そのようなキャンペーンの成功基準で測定した時にキャンペーンのパフォーマンスが最大限になることを求め得る。GYM−B 4712はGYM−B 4712に関わる各パブリッシャー毎に特定のパフォーマンス目標を持ち、そしてそのような目標が達成されない時には、それが自動的に電子メールを送るトリガーになって、これをオペレーターおよび/またはパブリッシャーに伝達し得る。

選択性の概念を例示する例示態様において、広告主は、固定バジェットおよびプライスを伴うパブリッシャー−広告主取引を包含し得る。この場合、本システムは時間および購入が進行するにつれて残余パブリッシャーバジェットの追跡を保存しそして掲載する各広告のバジェットを削減し得る。交渉による取引の結果として“広告掲載”がもたらされ得る。その上、統合が少なくともある程度標準的広告タグによって達成され得る。広告タグはパブリッシャー取引およびプールによってユニークであり得る(例えばパブリッシャーは1つのプール内に複数の取引を有する可能性がある)。

1つの態様において、インベントリー選択性を与えることができる。このように、本システムはコール件数から独立したバジェット額に合うもののみを購入し得る。1つの態様において、本システムはどのコールを受け取るかを決定する能力を有する。受け入れられないコールの場合、本システムは前以て割り当てておいたURLを戻すことができる。その前以て割り当てておくURLはパブリッシャー、広告主などによって決定可能である。広告タグは情報、例えばページのURL、ユーザーエージェント情報(OS、ブラウザー、解像度など)、クッキーアクセス(ユーザーID、クッキーに保存されている場合には他のIDのための)、ユーザーのIPアドレス、プールのID、パブリッシャーに特定の広告タグのID広告タグおよびパブリッシャーが共有し得る他の情報(例えばログインに由来する人口統計)などを収集し得る。加うるに、広告タグではジャバスクリプトまたはデータ収集用の代替コーディングを用い得る。図45に、本発明の1つの態様に従うパブリッシャーと広告ネットワークの間のつながりを示す簡潔態様を例示する。1つの態様において、本システムは掲載バジェットを掲載が活発である終日に渡ってむらなく分配する能力を有する。その上、バジェットペーシングは広告コール件数から独立し得る。ペーシングは定期的(例えば毎日)に保持され得る。例示態様において、月毎または生涯のペーシングが可能であり得る。他の態様において、パブリッシャーは集約されたイーブンペーシングを見ることができ、それは個々の広告主が多少とも毎日購入を行い得る時でも可能である。GYM−Bシステムにおける各パブリッシャーはプライスが異なる場合でも互いに置き換え可能である。

本発明の態様に従い、キャンペーンの目的が存在する場合には本システムで掲載の価値を最大限にすることができる。数学的にそれを下記として表すことができる:掲載の価値 = 入札の総計(実時間システム入札機構で計算した如き)からインベントリーコストの総計(買い主と売り主の間で合意しそしてプールデータベースに記録した固定または可変コスト)を引いた値。その上、本システムはインベントリーコストが固定されている場合でも入札の総計を最大限にすることができる。キャンペーンの目的が存在しない場合の 入札は必要な固定に明記されているCPMプライスであり得る。フライトは、割り当てられたバジェット、限定されたターゲティングパラメーター(これらはメディアが広告を見せる目的で用いることを記述)およびそのようなメディアを用いて見せるべき特定の組の広告メッセージおよび画像によってキャンペーンを細分したものであると理解する。広告キャンペーンを1つ以上のフライトを通して実行する。このように、利益は統合された購入およびパフォーマンス測定および最適化に関して利用可能なデータ全部を用いて達成され得る。プールは広告適合性を評価するためのRTS 4502査定に依存し得る。

別の態様において、GYM−B 4712システムが複数のパブリッシャー掲載を保持するようにデータ構成をGYM−B 4712にリンクさせることができる。この掲載はパブリッシャーのためである、と言うのは、キャンペーンフライトのような行動は広告主のためであり、その掲載によってパブリッシャーはどれくらいのバジェットを各々に与えそしてどの広告主がそれらを用いることができるかに関してある程度の制御を実行することができるからである。複数のGYM−B 4712システム属性、例えばGYM−B 4712システムの名称、それに属する掲載、制御エンティティ(この制御エージェンシーは広告主または広告代理店などであり得る)、プールバジェット、それが関係するフライト、プール開始および終了日付(インベントリーを買う必要がある)または他のいくつかの属性などが存在し得る。いくつかの態様において、複数のパブリッシャー掲載属性、例えば掲載の名称、パブリッシャーの名称、それが属するプール、掲載バジェット、CPMプライス、コール件数、掲載開始および終了日付、パスバック広告タグ、掲載に特定の産業、広告主のブラックリストまたは他のいくつかの属性などが存在し得る。

本発明の様々な態様に従い、ユーザーインターフェース(UI)機能をGYM−B 4712システムに与えることができる。UIはGYM−B 4712システムの機能、例えばバジェットをGYM−B 4712システムに割り当てるなどの如き機能を助長し得る。UIはインベントリー源の種類の選択および新しいGYM−B 4712システム属性、GYM−B 4712システム名称、GYM−B 4712システムバジェット、広告主名称、フライトから受け継がれる開始および終了日付または他のいくつかの属性に入ることを助長し得る。新しく作り出されたプールがそのプールを作り出した広告主のみに現われ得る。その上、各パブリッシャーのための掲載もGYM−B 4712システム内に作り出され得る。フライトをキャンペーンに加える様式と同様な様式でUIを用いて掲載を加えることができる。掲載を作り出す目的で、掲載の名称、パブリッシャー名称、掲載バジェット、CPMプライス、コール件数、掲載の開始および終了日付、パスバック広告タグ、掲載に特定の産業、広告主のブラックリストなどの如き変数を与えてもよい。UIはパブリッシャーに送るための広告タグを与え得る。次に、これを例えば電子メールなどと一体化してもよい。UIにはまたフライトを加えるのと同様に掲載を加えるための追加的スクリーンも含まれ得る。

UIはまたレポーティング、例えばプールレベルレポーティング、掲載レベルレポーティング、掲載レベルのパフォーマンス、トップレベルのドメインレポーティング、調整のための請求書作成レポーティングなどへのアクセスも与え得る。

プールレベルレポーティングには、日にちおよび/またはクリエイティブまたは他のいくつかの基準による広告ボリュームが含まれ得る。掲載レベルレポーティング(例えば各パブリッシャーフライトのための)には日にちおよびパスバックパーセントによるボリュームが含まれ得る。その上、掲載レベルパフォーマンス(例えば各パブリッシャーフライトのための)には査定/パフォーマンスが含まれ得、それは入札値の総計と広告コストの総計の差に相当し得る。同様に、トップレベルドメインのレポーティングには、毎日および毎月の累積ボリュームを伴うトップレベルドメインおよび毎日および毎月の累積ユニークが含まれ得る。各パブリッシャーフライトに関する調整のための請求書作成レポーティ ングには、最近の6カ月および開口1カ月の情報、消費されたバジェット、取得したインプレッション、受け取ったコール、パスバックのパーセントまたは他のいくつかの情報が含まれ得る。1つの態様において、あらゆるバジェットは明確な開始/終了日付を伴う単一のフライトに由来し得る。別法として、複数の広告主はプール開始および終了日付内で掲載から広告を用いるキャンペーンを開始および終了し得る。

別の例として、買い主の視点から選択性が存在するようにグローバルイールドマネジメントシステムに関わる広告主が複数存在し得る(即ち、買い主はあるインプレッションを用いない可能性がありかつそれらに支払わない可能性がある)。各広告掲載機会に支払うべきプライスは固定されている可能性がありそして広告主は各掲載機会で使用可能な広告のバージョンを複数有する可能性がある。この場合、GYM−B 4712は、例えば3ディメンション、即ち広告1種または2種以上を採用するか否か、どの広告主がその広告1種または2種以上を採用すべきかおよびどのクリエイティブ1種または2種以上がその広告主に示されるかに関して決定を下し得る。最適化は、各キャンペーン毎の成功基準で測定した時にキャンペーンのパフォーマンスの総計が最大限になることを求めるものであり得る。目標が達成されない可能性があるキャンペーンもいくつか存在する可能性がある。GYM−B 4712のオペレーターが優先順位を設定しながらそれを考慮することができる。GYM−B 4712のオペレーターはボリューム目標を持っている可能性があり、インプレッションを採用するか否かを決定する時にそれを考慮してもよい。その上、GYM−B 4712に関わる各パブリッシャー毎に特定のパフォーマンス目標をGYM−B 4712に持たせることも可能であり、そしてその目標が達成されない時には、それは自動で電子メールを送るトリガーになり得、それによってそれをオペレーターおよび/またはパブリッシャーに伝達する。

別の例示態様において、グローバルイールドマネジメントシステムに関係する広告主もある程度存在し得る。買い主の視点による選択性が存在し得る(即ち、買い主はあるインプレッションを用いない可能性がありそしてそれらに対する支払いを行わない可能性がある)。各広告掲載機会に支払うべきプライスは変わる可能性がある。広告主は各掲載機会で使用可能な広告のバージョンを複数有する可能性がある。この場合、GYM−B 4712は、例えば多ディメンション、即ちとりわけ広告1種または2種以上を採用するか否か、それらに対してどれくらい支払うか、どの広告主がその広告1種または2種以上を採用すべきかおよびどのクリエイティブ1種または2種以上がその広告主に示されるかに関して決定を下し得る。最適化は、関連するあらゆるキャンペーンのための各キャンペーン毎の成功基準で測定した時に最大限のパフォーマンスに到達しそして各インプレッションにとって最も低い可能なプライスを支払うことによって市場の全ての値が最大限になることを求めるものであり得る。別法として、最適化は、選択した機会に対して高いプライスを支払うことによってパブリッシャーが参与することを奨励するような‘値’または‘低いマージンの値’でインプレッションに支払うことを求めるものであり得る。高い密度の良好な機会を有するパブリッシャーは全体的に高い方のプライスを受け取り、良好な品質のコンテンツに参与する動機が作り出され得る。加うるに、インプレッションを採用するか否かを決定する時に考慮することが可能なボリューム目標をGYM−B 4712のオペレーターに持たせることも可能である。その目標を達成することができないキャンペーンがいくつか存在する可能性があり、それらのためにGYM−B 4712のオペレーターは優先順位を設定することができる。その上、GYM−B 4712に関わる各パブリッシャーに特定のパフォーマンス目標をGYM−B 4712に持たせることも可能であり、その目標が達成されない時には、それは自動で電子メールを送るトリガーになり得、それによってそれをオペレーターおよび/またはパブリッシャーに伝達し得る。各パブリッシャーは場合により‘フロアプライス’(これ以下のプライスではそれの広告を販売しない可能性がある)を特定する可能性があることを注目することができる。

その上、この上に示したシナリオには、複数の広告主が同じGYM−B 4712システムを用いて参与する可能性も含まれる。RTS 4502はどの広告主および広告を示すかを決定し得る。RTS 4502はどの広告主および広告を示すかを決定するための有機的解決法を持ち得る。RTS 4502はパブリッシャーペーシングを解決する能力を持たないが、プールによってどの広告コールを用いるかおよびどれをパスバックするかを決定することができる。本システムのいくつかの態様はRTS 4502コアの所の複雑さを軽減することを助長しそして透過的なポリシーがパブリッシャーおよびパブリッシャーオプティマイザーに向くことを可能にする。

GYM−B 4712システムの機能にはまた広告コールを受け取り、翻訳しそしてRTS 4502にコールし、そのコールまたはパスバックを採用するか否かを決定して適切な答え(広告タグまたはパスバックアドレス)を送り、それらおよび他のイベントを記録し、それのインフラストラクチャーを用いてイベントを処理することも含まれ得る。

図46に、有効なバジェットに関して複数の開始および終了日付を伴う広告キャンペーンと複数のインベントリーの間の時間的関係を描写する。GYM−B 4712システムのUI機能は、プールに与える名称の割り当ておよびクリエイティングエンティティ範囲内のキャンペーン(プールが有効なインベントリー源として現われる場合)の割り当てを行い得る。UIはまたバジェットタブ(例えば関連フライトのバジェットのバジェット総計)も表示し得る。UIを用いて、新しいフライトバジェットをいつでも加えることができる。いくつかの態様において、複数のフライトはバジェットを与えそして複数の広告主はインベントリーが源になり得る。

いくつかの態様において、相当する新しいインベントリーを用いて新しいフライトのみを可能にしそして時間とバジェットをマッチさせることによってバジェットオプションの均衡を保つことができる。プールは広告主の間の‘交換のための会合場所’であり得そしてそのプールを均衡させることができる。他の態様において、有効なインベントリーが週毎に販売されることを確保する目的で週毎をベースにしてフライトおよびバジェットの開始/終了を制限することによってバジェットオプションを均衡させることができる。フライトペーシングは多様であり得ると仮定することができる(例えば名目上のペーシングがUSD1K/日であるとすると、実際はUSD0/日からUSD3K/日に及んで変わり得る。その上、本発明のいくつかの態様において、パブリッシャーの掲載ペーシングも多様であり得る。

様々なプライス決定フレームワーク(即ち、固定または可変マークアップパーセント)および広告主が支払い得る様々なレートに渡る割り当て問題を取り扱うようにUIをデザインすることができる。

本発明の他の態様において、UIはパブリッシャーまたは広告主がセルフサービスすることを可能にし得る。UIはレポーティング、他のプライス決定様式(フロアを伴う可変CPM)、他のパスバック機構および二次的プレミアムなどを統合し得る。パスバックはブロックとしてまたはインプレッション一つずつとして再販売可能である。

いくつかの態様において、広告タグはプロキシをコールし得る。このコールには、クッキー情報、エージェントおよび他の変数が含まれ得る。ジャバスクリプトまたは他のいくつかの方法を用いてそのコールを作り出すことができ、ジャバスクリプトコードは、広告タグがコンパクトでありかつ必要な時に注文に合わせることができるようにCDNから送達され得る。その上、広告の採用または不採用の決定はそのプロキシの所で起こり得る。プロキシを用いると実施が簡単になる、と言うのは、それは既に作り上げられた入札インフラストラクチャーの大部分を無傷のままに保ち得るからである。広告タグ情報はRTS 4502フォーマットに例えばフォークス交換IDを加えることなどで翻訳され得る。このフォークス交換IDは広告タグ毎にユニークであり得る。1つの態様において、インベントリーを分類分けする目的でルックアップテーブルを作り出してもよく、そしてそれはRTS 4502コールの中のその情報を転送し得る(例えばXXNewsからの全てのインプレッションの場合、カテゴリー = ニュースおよびAAのための全てのインプレッションの場合、カテゴリー = ビジネス)。更に、フォークス交換ID1種または2種以上の所で広告フライトをターゲットにすることも可能である。

本明細書に記述するあらゆるシナリオに関してインプレッション(使用しない)を2番目の買い主に渡してその買い主がそれらをオプションなしに採用するといった変法も存在し得ることは理解され得るであろう。この変法ではパブリッシャーの同意が必要であり得る、と言うのは、彼らの広告機会がその2番目の買い主に置き換わるであろうからである。選択性がないシナリオの場合、その変法で作り出されるのは1つであり得る。

いくつかの態様において、GYM−B 4712を用いると広告主バジェットの洞察が容易になり得る。それによって広告主は集中型のレポーティングおよび最適化を達成することができる。広告代理店はインプレッションインベントリーを割り当てることでキャンペーンパフォーマンスを改善することができる。その上、未知のパブリッシャーに関するコンテンツ安全性問題を有効に解決することも可能である。広告主がメディア買収を交渉しそしてインベントリー源がプレミアムサイトまたは高品質ポータルであり得る場合、本システムは保証付きバジェットを用いてインプレッションのために見せるに適切な広告を選択し得る。このシステムは学習のためにキャンペーン掲載を活用し、レポーティングを1つにまとめそしてパブリッシャーパフォーマンスに対する自動レポートを早急に提供し得る。パブリッシャーが交渉によるメディア買収を実行しそして広告をプレミアムブランドに保護されたプライスで販売する場合、本システムはインプレッションの目的で見せるための適切な広告主およびページを選択し得る。本システムは学習のためのあらゆるキャンペーン掲載を活用し、レポーティングを1つにまとめそして広告主パフォーマンスに対する自動レポートを提供し得る。図45に示すように、パブリッシャーを用いて広告サーバーおよびデイジーチェーンに対応することができる。本システムは更に広告コールの使用も容易にし、それは、グラフィックまたはリダイレクトを検索する目的でユーザーのブラウザーを実際の広告サーバーに送る能力を有し、それはユーザーのブラウザーをチェーンの中の次のレベルに送り得る。

別の態様において、本システムは売るべき広告を選択しそして入札に受け入れられる最低限のプライスを選択しそしてそれらの広告を異なる買い主に割り当てることによって機能し得る。1番目の買い主は広告入札可能交換であり得、2番目の買い主は広告主であり得そして3番目の買い主は再売り主であり得る。その買い主の各々は広告を購入し、ある状況ではプレミアムを支払いそして他の状況では広告を採用しないといった様々な状況を有する可能性がある。GYM−売り主(GYM−S)の1つの目的は売り主が売るべき広告インベントリーの貨幣化を最大限にするのを手助けすることであり得る。

実施の1つにおいて、売り主は本システムを用いて広告1種または2種以上を売るためのオファーを送ることができる。

GYM−S 4814システムは、どの買い主が広告1種または2種以上を入手するか、広告1種または2種以上にどの情報を付けるか、売るのに許容されるプライスはいかほどであるか、入札が受け入れられるか否か、伝えるべきフロアプライスをいかほどにするか、売るオファーに関して選択性を与えるか否かそしてそれを行うプライスをいかほどにするかまたは他のいくつかの情報を決定する能力を有する。その広告1種または2種以上に付ける情報は多様であり得、それにパブリッシャーの身元を含めるか或は匿名にしても よい。本システムは記録を保存しそしてどの広告主一人または二人以上が各パブリッシャーに許容されるかについてのルールおよびそれの逆の場合のルールを尊重し得る。

一例として、グローバルイールドマネジメントシステムに関わる売り主が一人で買い主が一人の場合が存在し得る。買い主の視点から選択性は存在しない可能性がある。売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答し得る。同様に、買い主が送るあらゆる入札が受け入れられ得るように売り主の視点から選択性は存在しない可能性がある。各広告掲載毎の入札であるプライスは固定されている可能性がある、即ちあらゆる入札は同じ固定プライスであり得る。広告主は複数の広告サイズを有する可能性がありそしてあるページを買い主に送る可能性がある。このページはパブリッシャーが提供する他のページの一部であり得るか、或はそれはコンテンツの特定カテゴリーに属する可能性がある。この場合、GYM−S 4114は送るべきかの決定を1ディメンション(例えば広告サイズ)でのみ行い得る。どのインベントリーがより良好なパフォーマンスを示すかを表示するシグナルを買い主から売り主に与えられない場合の最適化方策は、買い主に対する可能な代替貨幣化が最も低くなるように広告機会を送ることであり得る。しかしながら、どの広告がより良好なパフォーマンスを示すかを表すシグナルが存在する場合の方策は、可能な代替貨幣化が最も低くなるようにパフォーマンスが最高のページを送ることによってパフォーマンスを最大限にすることであり得る。

いくつかの態様において、GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

別の例として、GYM−S 4114システムに関わる売り主が一人でありそして買い主が複数居る場合もあり得る。買い主の視点から選択性は存在しない可能性がある。売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答し得る。同様に、買い主が送るあらゆる入札が受け入れられ得るように売り主の視点から選択性は存在しない可能性がある。各広告掲載機会毎の入札であり得るプライスは固定されている可能性がある(あらゆる入札は同じ固定プライスであり得る)。広告主は複数の広告サイズを有する可能性がありそしてあるページを買い主に送る可能性がある。このページはパブリッシャーが提供する他のページの一部であり得るか、或はそれはコンテンツの特定カテゴリーに属する可能性がある。この場合、GYM−S 4114は決定を多ディメンションで行い、例えば広告サイズ、送るべきページおよびそれを送るべき買い主などに関して行い得る。どのインベントリーがより良好なパフォーマンスを示すかを表示するシグナルを買い主から売り主に与えられない場合の最適化方策は、買い主に対する可能な代替貨幣化が最も低くなるように広告機会を送ることであり得る。しかしながら、どの広告がより良好なパフォーマンスを示すかを表すシグナルが存在する場合の方策は、可能な代替貨幣化が最も低くなるようにパフォーマンスが最高のページを送ることによってパフォーマンスを最大限にすることであり得る。GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

他の例として、GYM−S 4114システムに関わる売り主が一人でありそして買い主が複数居る場合もあり得る。買い主の視点から選択性は存在しない可能性がある。売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答し得る。その上、売り主の視点から選択性が存在する可能性がある(例えば買い主が送るあらゆる入札が受け入れられない可能性がある)。各広告掲載機会毎の入札であるプライスは固定されている可能性がある(例えばあらゆる入札は同じ固定プライスであり得る)。その 上、パブリッシャーは各々のコンテンツの種類が異なりかつ各々の広告掲載で利用できる広告サイズが複数である複数のページを有する可能性があり、そのパブリッシャーはどの特定のページを買い主に送るかを決定しそしてそのページの中のどの広告のサイズを送るかを決定し得る。このシナリオの場合、GYM−S 4114は決定を多ディメンションで行い、例えば広告サイズ、送るべきページ、それを送るべき買い主およびその結果として行う入札が受け入れられるか否かなどに関して行い得る。どのインベントリーがより良好なパフォーマンスを示すかを表示するシグナルを買い主から売り主に与えられない場合の最適化方策は、買い主に対する可能な代替貨幣化が最も低くなるように広告機会を送ることであり得る。どの広告がより良好なパフォーマンスを示すかを表すシグナルが存在する場合の方策は、可能な代替貨幣化が最も低くなるようにパフォーマンスが最高のページを送ることによってパフォーマンスを最大限にすることであり得る。GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

別のサンプル態様において、GYM−S 4114に関わる売り主が一人でありそして買い主が複数居る場合もあり得る。買い主の視点から選択性は存在する可能性がある。例えば、売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答しない可能性があり得る。同様に、売り主の視点から選択性は存在する可能性があり、買い主が送るあらゆる入札が受け入れられない可能性がある。各広告掲載機会毎の入札であり得るプライスは固定されている可能性がある。更に、広告主は複数の広告サイズを有する可能性がありそしてあるページを買い主に送る可能性がある。この場合、GYM−S 4114は決定を多ディメンションで行い、例えば広告サイズ、送るべきページ、そのページを送ってもよい買い主およびその結果として行う入札が受け入れられるか否かなどに関して行い得る。このシステムは、インベントリーに興味が持たれるレベルを測定する目的で“買い主が入札を行わない”シグナルを利用しそして入札を得る尤度が最も高くかつ可能な代替貨幣化が最も低いページを送り得る。GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

別の例として、GYM−S 4114システムに関わる売り主が複数でありそして買い主が複数居る場合もあり得る。買い主の視点から選択性は存在する可能性がある。例えば、売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答しない可能性がある。同様に、売り主の視点から選択性は存在する可能性があり、買い主が送るあらゆる入札が受け入れられない可能性がある。各広告掲載機会毎の入札であるプライスは固定されている可能性がある(あらゆる入札は同じ固定プライスであり得る)。広告主は複数の広告サイズを有する可能性がありそしてあるページを買い主に送る可能性がある。この場合、GYM−S 4114は決定を多ディメンションで行い、例えばどの売り主を用いるか、どの広告サイズおよびページを送るべきか、どの買い主にそれを送るかおよびその結果として行う入札が受け入れられるか否かなどに関して行い得る。このシステムは、インベントリーに興味がないことを測定する目的で“買い主が入札を行わない”シグナルを利用しそして入札を得る尤度が最も高くかつ可能な代替貨幣化が最も低いページを送り得る。GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

別の例として、GYM−S 4114に関わる売り主が複数でありそして買い主が複数 居る場合もあり得る。買い主の視点から選択性は存在する可能性がある。例えば、売り主からの広告機会に関するあらゆるコールに対して買い主は広告入札によって応答しない可能性がある。売り主の視点から選択性は存在する可能性があり、買い主が送るあらゆる入札が受け入れられない可能性がある。更に、各広告掲載機会毎の入札であるプライスは変動する可能性がある。広告主は複数の広告サイズを有する可能性がありそしてあるページを買い主に送る可能性がある。この場合、GYM−S 4114は決定を多ディメンションで行い、例えばどの売り主を用いるか、どの広告サイズおよびページを送るべきか、どの買い主にそれを送るかおよびその結果として行う入札が受け入れられるか否かなどに関して行い得る。このシステムは、インベントリーに興味が持たれるレベルを測定する目的で“買い主が入札を行わない”シグナルおよびプライス入札シグナルを利用しそして入札を得る尤度が最も高くかつ可能な代替貨幣化が最も低いページを送り得る。GYM−S 4114に関わる各パブリッシャー毎に特定の貨幣化目標(売る広告1000個当たりの収益)をGYM−S 4114に持たせることができ、そのような目標が達成されない場合、それは自動電子メールのトリガーになり得、このことをオペレーターおよび/または広告主に伝達する。

図47および48は、本発明の1つの態様に従って実時間入札コールでプロキシトランスレーターを用いる買い主および売り主のための典型的なGYMの図式図である。

図49に、本発明の1つの態様に従って査定で実時間入札システムを用いる売り主のための典型的なGYMの別の図式図を描写する。

本発明の様々な態様に従い、本システムに外部および内部機構(ソフトウエアおよびハードウエアコンポーネントを包含)およびサービスを入れることができる。外部機構またはサービスの例には、代理店または広告主、代理店データキャンペーン記述子、代理店データ過去ログ、広告主データ152、キーパフォーマンス指標、過去のイベントのデータ154、ユーザーデータ、コンテキスチャライズサービス、実時間イベントのデータ、広告配信サービス、広告受信者または他のいくつかの種類の外部機構および/またはサービスが含まれ得る。

いくつかの態様において、代理店データキャンペーン記述子は、広告メッセージを広げることを可能にし得るチャネル、時間およびバジェットを記述するものであり得る。代理店データ過去ログは、各広告メッセージをユーザーに提示したことを記述するものであり得、それには例えばユーザー識別子、チャネル、時間、支払われたプライス、見せた広告メッセージおよびユーザーが結果として行ったユーザーアクションの中の1つ以上が含まれる。追加的ログはまた自発的ユーザーアクションも記録し得る。広告主データ152 には、これらに限定するものでないが、動的または静的マーケティング目標(例えば広告主が倉庫の中に保有する所定製品の過剰在庫量)を記述し得るビジネスインテリジェンスデータが含まれ得る。

キーパフォーマンス指標(KPI)は、所定ユーザーアクション毎の‘良好’を表す組のパラメーターであり得る。例えば、プロダクトアクティベーションをいくつかの特定プライスXで評価してもよくそしてプロダクトコンフィギュレーションを異なるプライスYで評価してもよい。KPIをそれらの異なるキャンペーン目標の総計として表し(この例ではプロダクトアクティベーションおよびプロダクトコンフィギュレーション)、各々に特定のウェートを持たせる。

過去のイベントのデータ154は重要であり得る、と言うのは、実時間入札システムはユーザーイベントの時間と彼らの地域で起こる他のイベントを相互に関係付けようとし得るからである。例えば、特定の種類の広告に対する応答率を株式市場動向と相互に関係付 けることができる。過去のイベントのデータ154には、これらに限定するものでないが、天気データ、イベントデータまたはローカルニュースデータが含まれ得る。ユーザーデータブロックには、サードパーティーが提供するデータが含まれ得、それには広告受信者に関する個人的に関係した情報が含まれている可能性がある。この情報はユーザー優先傾向またはユーザーに標識を付ける他の指標を示し得る。その上、コンテクスチュアライザーサービスは、広告を打つための媒体のコンテキストカテゴリーを識別し得る。例えば、コンテクスチュアライザーは、ウェブページにスポーツ、金融または他のいくつかのトピックに関するコンテンツが含まれているか否かを決定する目的でウェブコンテンツを分析し得る。この情報は、どの広告をどの種類のページに載せることができるかの調整をより良くする目的で、学習システムへのインプットとして使用可能である。実時間イベントのデータには、過去のデータと同様なデータが含まれ得るが、最新である(例えば秒、分、時または日にちに関して)。例えば、学習機構ファシリティー138が広告パフォーマンスと過去の株式市場インデックス値の間に相関関係があると識別したならば、実時間入札機構ファシリティー142は実時間株式市場インデックス値を用いて広告の価値を判断し得る。広告配信サービスの例には、広告ネットワーク、広告交換、売り主側オプティマイザーなどが含まれ得る。

広告受信者は、広告メッセージを受け取る人であり得る。コンテンツは、広告受信者が依頼するコンテンツの一部として特別に依頼され(“引き出され”)るか或はそれに付けられるか、或は広告配信サービスによってネットワーク全体に“押し出され”得る。広告を受け取る様式のいくつかの非限定例には、インターネット、携帯電話ディスプレースクリーン、ラジオ放送、テレビ放送、電子掲示板、印刷媒体および映画放映が含まれ得る。

いくつかの態様において、外部機構またはサービスの例には、これらに限定するものでないが、実時間入札機構ファシリティー142、トラッキング機構ファシリティー144、実時間入札ログ150、インプレッションクリックおよびアクションログ148および学習機構が含まれ得る。

買い主のためのGYM(GYM−B 4712)のオペレーターは、それに関わらせることを意図し得る各パブリッシャーのための掲載を作り出し得る。これらの掲載の各々はいくつかのパラメーターを有する可能性がある。そのオペレーターまたはエージェントはパブリッシャーと特定の条件下でメディアを買収することを交渉し得る。そのパブリッシャーとオペレーターは特定数のインプレッション、支払うべきプライスおよびいくつかのインプレッションを用いない機会が存在するか否かに関して同意し得る。ある場合には、支払うべきプライスをまた未決定のままにすることも可能である。1つの態様において、パブリッシャーは広告機会がある場合にはいつでもGYM−B 4712にコールすることができる。GYM−B 4712はどの広告を用いるかそしてある場合にはどの広告主がその広告を用いるべきか、インプレッションを用いるか否かおよびそれにどれくらい支払うかを決定し得る。決定を行う目的で、GYM−B 4712は複数の制約を用い得るが、それには各広告主に対する広告の価値、目標に関するパブリッシャーのペーシング、広告主キャンペーンのペーシング、コンシューマーが頻度限界に到達したか否かおよびオペレーターが所定広告主のためにパブリッシャーメディアを用いることができるか否かが含まれる。決定が行われた後、GYM−B 4712は広告配信サービスに広告を配信するといったコールを送ることができる。インプレッションを用いるべきでない場合、GYM−B 4712はそれを2番目の市場に再販売するか或はそれをパブリッシャーが使用するようにパブリッシャーに戻し得る。

GYM−B 4712は、各パブリッシャー取引を通して受け取ったインプレッションコールの追跡、例えばこれらの機会の価値、それを採用したか否かおよびどの広告主およびクリエイティブがそれを採用したかなどを保存し得る。どのパブリッシャー取引が他の ものより価値があるか、拒絶/採用された場合の広告インプレッションの回数はどれほどかおよびどの広告主またはクリエイティブ1種または2種以上が所定パブリッシャーのためのインプレッションを用いているかを描写するための統計学を作り出すことができる。GYM−B 4712はまた各パブリッシャーのための有意に有効なページのページレベルの所に分析を提供することによってどのコンテンツが最も有効であるかについてのインプットをパブリッシャーに提供することも行い得る。GYM−B 4712が作り出したレポーティングを用いて、用いるメディアについての請求書を広告主に送りそしてパブリッシャーから受け取った請求書と広告主が購入した実際のメディアを相互に関係付けることができる。その上、パブリッシャーによるパフォーマンスに関する統計学を用いて、特定の条件が合う時にオペレーター、パブリッシャーまたは両方に自動電子メールメッセージを送る動作を起こし得る。

GYM−S 4814は、本発明の1つの態様に従い、パブリッシャーの代わりに利益を最大限にする能力を有する。GYM−S 4814は1つまたは多くのパブリッシャーの代わりに機能する能力を有しかついくつかの広告主と関わりを持ち得る。GYM−S 4814のオペレーターは各広告主およびそれが関わり合うことを意図するパブリッシャーのための掲載を作り出す能力を有する。オペレーターまたはエージェントは一人以上の買い主と特定の条件下でメディアを買収することを交渉し得る。その買い主とオペレーターは特定数のインプレッション、支払うべきプライスおよびいくつかのインプレッションを用いない機会が存在するか否かに関して同意し得る。ある場合には、支払うべきプライスをまた未決定のままにすることも可能である。GYM−S 4814は、各広告機会を広告主に割り当てる能力を有し、それによってパブリッシャーの代わりに貨幣化を最大限にし得る。実時間入札システムのインスタンスに問い合わせることでそれに関する推定を作り出すことができ、それには広告主に参与するための査定フレームワークが含まれ得る。機構学習を用いてそのようなフレームワークを作り出すことができ、それには図1Aに描写した機構学習および分析プラットフォームが含まれ、それは各広告主キャンペーンKPIを考慮に入れる。GYM−S 4814はどの広告を用いるべきかを決定しそしてある場合にはインプレッションを用いることができるか否か、どの広告主がそれを用いるべきかおよびそれにどれくらい支払うべきかを決定し得る。この目的で、GYM−S 4814は複数の制約を用い得るが、それには各広告主に対する広告の価値、目標に関するパブリッシャーのペーシング、広告主キャンペーンのペーシング、コンシューマーが頻度限界に到達したか否か、オペレーターが所定広告主のためにパブリッシャーメディアを用いることができるか否かおよび他の広告主を用いた時にそのような広告に関する代替実現プライスがいかほどかが含まれる。決定が行われた後、GYM−S 4814は広告主の広告配信サービスに広告を配信するといったコールを送るか、インプレッションを用いるべきでない場合、それはそれを2番目の市場に再販売するか或はそれをパブリッシャーが使用するようにパブリッシャーに戻し得る。

いくつかの態様において、GYM−S 4814は、各パブリッシャーから受け取りそして各広告主に送ったインプレッションコール、これらの機会の各々がどれくらいの価値があるか、それを採用したか否かおよびどの広告主およびクリエイティブがそれを採用したかの追跡を保存し得る。従って、どの広告主が他のものより価値があるか、拒絶/採用された広告インプレッションの回数はどれほどかおよびどの広告主またはクリエイティブ1種または2種以上が所定パブリッシャーのためのインプレッションを用いているかを示す統計学を作り出すことができる。GYM−S 4814はまた各パブリッシャー(最も価値のある)のための最も有効なパブリッシャーの広告メッセージレベルで分析を提供することによって、どのコンテンツが最も有効であるかについてのインプットをパブリッシャーに提供することも行い得る。GYM−S 4814が作り出したレポーティングを用いて、用いるメディアについての請求書を広告主に送りそしてパブリッシャーから受け取った請求書と広告主が購入した実際のメディアを相互に関係付けることができる。その上 、パブリッシャーによるパフォーマンスに関する統計学を用いて、特定の条件が合う時にオペレーター、パブリッシャー、広告主またはそれらのいくつかまたは全部に自動電子メールメッセージを送る動作を起こすことができる(例えば受け取ったメディアが所定期間中に要求以下である場合、受け取ったメディアが示したパフォーマンスが低い場合、要求以上のメディアを送った場合、契約が終わりかけている場合、広告主の広告のパフォーマンスが低い場合など)。

本発明は、交渉による取引および固定条件で取得したオンラインメディアのための実時間最適化を容易にし得る。オンラインメディアのための実時間最適化は交渉による取引および固定条件で販売可能である。本発明は更に複数の広告主に渡るそのようなメディアの利回りの管理を行いそして統合システムを使用するためのサンプルを用いることも容易にする。同様に、本発明は、実時間入札システムを用いて複数のパブリッシャーに渡るメディアの利回りを管理することも容易にする。

本発明の1つの態様において、広告の価値を決定する目的で実時間入札システムを用いることができる。本発明の別の態様において、交渉によってメディアをトレードしそして各広告機会のためにメディアを交換することを可能にする動的プライス決定調整を用いることができる。更に他の態様において、コンテンツを有効に貨幣化するためにパブリッシャーを実時間でトレードし得る動的プライス決定を用いることができる。本発明はパブリッシャーの交渉による取引に渡る市場を作り出すことを容易にし得るものであり、それは有効な全ての広告主のためのバジェットを獲得しそして広告主の交渉による取引に渡る市場を作り出すために争うことができ、それはパブリッシャーから入手可能なインプレッションに関して実時間でトレード可能である。その上、本発明は、廃棄物を減少させることも容易にし得る、と言うのは、コンシューマー当たりの広告の数を一人の広告主に対して最大限に到達させ得るが、別のものは利益を伴ってそのインプレッションを用いることができるからである。交渉による取引によってメディアが取得されるか或は掲載する広告が目標または過去のパフォーマンスに比べて低い可能性があるか或はメディアが交渉前のパラメーター(1日当たりのインプレッションなど)から外れている場合にパブリッシャー、広告主、オペレーターまたはそれらの組み合わせに伝達することが可能な早期アラートシステムを作り出す目的で本発明を用いることも可能である。

本発明の様々な態様に従い、広告を掲載する目的でメディアを取得するためのマルチ−チャネル決定に関するシステムは実時間 (例えば許容される時間的制約、これはそのメディアを取得する場合のメディアチャネルに依存し得る)で実行可能である。このマルチ−チャネル決定を行うことが可能なチャネルの例には、オンラインディスプレー広告、モバイルディスプレー広告、オンラインビデオ広告、オンライン検索広告、電子メール広告、テレビ広告、ケーブル広告、アドレス可能IP−TV広告、ラジオ広告、新聞広告、雑誌広告、屋外広告などが含まれ得る。

本システムは、広告を複数のチャネル(この上に記述したそれらを包含)に掲載する場所を決定する目的でユニフォームフレームワークを用い得る。このユニフォームフレームワークはある価値を各広告機会に割り当ててコンシューマーに提示すべきメッセージに関する決定を行い得る。このフレームワークは単独の広告および1組の広告に対して査定を与え得る。その上、このシステムは、あまり有効でない広告に低い方の値を割り当てることによって、キャンペーンを実行するためのメディアプランを自動的に調整する能力を有し、それによって売り主に低い方のプライスを強要するか或はオファーするプライスで売ることはしない可能性がある。売り主はそのプライスを低くすることによって広告機会を魅力的なものにすることが可能になる。他方、売ることが受け入れられないことによって、バジェットを他の有効な広告機会に再割り当てすることが引き起こされ得る。両方の場合とも、査定関数によってメディアプランを明確にし、購入ボリュームを調整することが できそしてバジェットを再割り当てすることができる。

本発明のフレームワーク(図1Aに示した学習機構および分析プラットフォームを包含)を用いて複数のチャネルを記述することができ、従ってこのような変化によって1つのチャネルを別のチャネルに交換することができる。このフレームワークを絶えずリフレッシュすることから、このフレームワークは各チャネルを用いる方法および結果を基にしてそれらが作用する方法を絶えず調整し得る。この後に結果としてあらゆるメディアチャネルに渡ってコンシューマーが到達する最良の方法を選択しそしてそれに交換することが可能になる。このフレームワークは例えば数学的機能またはアルゴリズムとして提示可能であり、複数の変数をインプットとして用いそして1つまたは多くの変数をアウトプットとして用いることができる。数学的関数のインプットには、“広告掲載機会”(APO)を記述するパラメーターが含まれ得る。例えば、数学的関数は図50に示すように、インプット変数、例えば広告を掲載する“時間帯”5002、コンシューマーが居る“地理的地域”5004、広告を挿入することが可能な“コンテンツの種類”5008、“オンライン広告のサイズ”(これはオンラインディスプレー広告の場合のみに有効であり得る)5010、“テレビスポットの長さ”(これはテレビ広告の場合のみに有効である)5012、“活字広告サイズ”5014、“奇数または偶数ページ”(これは活字広告の場合のみに有効である)5018、“使用チャネル”(これは掲載する広告の種類に関する数学的関数を説明する)5020、“コンシューマーID”(これは実際のコンシューマーIDまたはバーチャルグローバルコンシューマーIDであり得る)5022などを受け取り得る。加うるに、インプット変数は“インプレッション”(これは送られたメッセージの数で表される購入サイズを記述し得る)、“コンシューマーの数”(これは影響を受けたコンシューマーの数で表される購入サイズを記述し得る)および“バジェット”(これは貨幣価値で表される購入サイズを記述し得る)であり得る。このインプットパラメーターのリストは例示であり、3つのチャネル、例えばオンラインディスプレー、テレビおよび活字を用いた広告キャンペーンの場合のフレームワークに関係し得る他のインプットパラメーターも存在し得る。

テレビスポットを本システムで評価することが可能な例を考慮して、インプットパラメーターである“時間帯”、“地理的地域”および“コンテンツの種類”を与えなくてもよい。このシナリオでは、パラメーターを与えない場合、パラメーターの各々が典型的な分布を示すと仮定して、数学的関数で答えを与えることが可能であり得る。同様に、パラメーターである“オンライン広告のサイズ”、“奇数または偶数ページ”および“コンシューマーID”は適用不能であり得る。数学的関数は、この文脈ではそのようなパラメーターが関係しない可能性があることを無視し得る。しかしながら、パラメーターである“テレビスポットの長さ”および“使用チャネル”は有効であり得かつまた使用可能である。パラメーターである“インプレッション”、“コンシューマーの数”および“バジェット”は決定の大きさを例示しそしてそれらの少なくとも1つを与えることができる。結果として、パラメーター(変数)の各組み合わせは“広告掲載機会”(APO)を記述する。実行不能な組み合わせ(例えば“奇数または偶数ページ”値を伴うテレビ広告)が有効なAPOを作り出すことはあり得ない。数学的関数のアウトプットは少なくともインデックスまたは貨幣価値のいずれかとしての広告機会の“値”であり得る。加うるに、本システムは、メッセージを記述可能な1つ以上の追加的アウトプット変数を通して示すべきメッセージを選択するのにも役立ち得る。例には、あるリストのコンセプトから使用するべき広告のコンセプト、あるリストの有効バリエーションから使用すべき広告のバリエーションおよびあるリストの有効なCTAからコンシューマーに提示すべき広告のアクションに対するコールが含まれ得る。数学的には、それは1つの態様において以下に挙げる如く表され得る: 広告(値,コンセプト,バリエーション,CTA)=f(TOD,GEO,TOC,サイズ,長さ,OorE、Chan,コンシューマーID,Imp,NofCons,バジェ ット)

いくつかの態様において、APOおよび見せるメッセージはコンシューマーに影響を与える可能性があり、その後、査定およびフレームワークからのアウトプットメッセージに影響を与える可能性がある。コンシューマーへの影響は広告キャンペーン、ブランドおよび広告市場の性質に依存し得る。従って、このフレームワークのアウトプットは各キャンペーンおよび市場の状態毎に異なる可能性がある。結果として、各キャンペーン毎に新しいフレームワークを作り出してもよい。このことは重要である、と言うのは、コンシューマーに影響を与えるには変数の様々な組み合わせを用いてキャンペーンを調整ことができるからである(図51を参照)。

その上、本明細書に記述するように、機構学習技術を用いて査定用フレームワークを作り出すことができ、それには図1Aに示したファシリティーが含まれる。このような機構学習技術は密封型フィードバックループに依存し、それはAPOを通してコンシューマーにメッセージを見せそしてそのようなユーザーがそのAPOおよびメッセージの結果として行動をどのように変えたかを示すデータをキャプチャーすることができる。機構学習技術によって作り出したフレームワークはAPOおよびメッセージをより高い確率で割り当てることで、より低い確率を伴う他のメッセージに比べて肯定的な様式でコンシューマーに影響を与えることができる。

広告市場の性質が理由で、様々なチャネルはアドレス指定能力に関して様々な度合の粗さを有すると予測され得る。例えば、オンラインディスプレーの場合には単一のAPOを購入することは可能であるが、テレビのAPOはホールブロックを通して販売可能であり、それは多くの視聴者に提示可能な複数の広告を伴い得る。この上に記述した如きフレームワークはAPOを単位として評価することを可能にし、その場合、それらの購入は粗いアドレス指定能力を有するチャネルに関する値を推定する目的で平均および他の統計学を用いて行われる。例えば、屋外広告は、いくつかの郵便番号の所に居住または仕事する人、それらの番号および彼らが属する郵便番号に対して追跡可能である。各APOおよび見せるメッセージの結果を測定しようとする時、それらを改善する目的で各APOおよびメッセージの能力に関する広告主の結果とそれをリンクさせることができる。その後、その広告主はその測定を用いて彼らの広告メッセージの効果が最大限になるようにキャンペーンを改善することができる。

1つの態様において、オンライン広告では、コンシューマーを匿名で識別しそして使用APOとコンシューマーに見せるメッセージをリンクさせる目的で、クッキーに保存されているユニークなナンバーを用いることができる。しかしながら、そのコンシューマーが有するユニークなナンバーが匿名である時でも、そのようなユニークなナンバーの使用は推奨されないか或は不可能である場合も存在する。そのような場合、APO記述の特定の特徴を用いることはコンシューマーとのリンクを確立するのに役に立ち得る。この目的で、小さいセグメントの相対的に同族のコンシューマーをいくつかのAPO変数で記述することができる。例えば、特定の時間帯、特定の地理的地域およびある種類のコンテンツに興味を持つコンシューマーの興味において、統合ユーザー識別子(SUID)を構成し得る1組の個人を限定することができる。

本発明の別の態様において、APOおよびそのようなグループのコンシューマー(彼らのCIDで記述)に見せるメッセージの効果を確率マトリクスMによって実際の結果とリンクさせることができる。このコンセプトは広告を個人に送ることが不可能であり得るか或はチャネルを通して個人を追跡することができない場合(例えば複数のチャネル広告、テレビ広告および活字およびオンラインメディア広告を伴う場合)に有用であり得る。この確率マトリクスを作り出す方法は少なくともある程度最小限のエラーが基になり得る。このマトリクスの中の各横列は、APOおよびメッセージを通してメッセージを送る強さ を実際の結果(測定可能)に翻訳することを可能にするウェートの線形結合を盛り込み得る。線形結合が結果として記述するものと実際の結果の間のエラーが最小限になるように線形結合の係数を変えることができる。その上、そのフレームワークはまた例えば広告主のストアにおけるブランドに関する初期の認識から実際のコンバージョンに至るコンシューマージャーニーのコンセプトも考慮し得る。コンシューマージャーニーは、購入する過程でコンシューマーが通り得る様々な状態を指し得る。広告主のストアにおける実際のコンバージョンが測定している予定時刻の外側で起こる場合でも、そのジャーニーに沿って移動するコンシューマーに影響を与えようとすることが全ての広告キャンペーンの目的であり得る。

1つの態様において、このフレームワークでは、コンシューマーのジャーニーに沿った測定をインプットとして用いることでコンシューマーの購入行動を感知しそしてAPOおよびメッセージがそのような状態/行動を変えることに対して示す効果を理解することができる。このことはチャネルが複数の場合に重要であり得る、と言うのは、少ないチャネル(例えばテレビおよびラジオ)は初期段階ジャーニー中にコンシューマーに有効に影響を与えることができそして他では進行した状態の時に影響を与え得るからであり、それはセール(例えばディスプレーおよび検索広告)の終了に役立ち得る。コンシューマージャーニーを考慮すると結果として各APOのより正確な査定を与えることが可能になる。ジャーニー中のコンシューマーの進行を測定しそしてこのデータをフレームワークへのインプットとして用いることによって、APOおよびメッセージのより有効な査定をもたらすことが可能になり得る。しかしながら、少ないチャネルでは、コンシューマーを最終的状態に導く時の効果は比較的小さい可能性があるが、コンシューマーを初期状態に導く時には大きな価値があり得る。

本発明のいくつかの態様において、本システムに数多くの内部および外部機構および/またはサービスを存在させてもよく、そしてそれらの相互作用の結果として広告配信に有効な実時間入札を行うことが可能になる。例えば、広告主は、広告を掲載することが可能な場所および時を限定するインストラクションを伴わせて“オーダー”することができる。このオーダーを学習機構ファシリティー138が受け取り得る。その後、広告主はそのキャンペーンが成功であるための‘良好’の基準を指定することができる。そのような‘良好’基準はトラッキング機構ファシリティー144を用いてか或は他の外部システム、例えば調査などで測定可能である。加うるに、広告主は使用するチャネルを指定することができかつメッセージを与えることができる。その上、広告主は本システムをブートする目的で過去のデータを提供することも可能である。

学習システムは有効なデータを基にして査定用フレームワークを開発することができ、それを数学的関数として盛り込むことができる。この関数は各広告掲載機会の予測される値を計算することができかつまたとりわけコンセプト、バリエーションおよびアクションに対するコールを与えることでコンシューマーに見せるべきメッセージを選択することができる。価値および見せるべきメッセージの選択によって指定‘良好’基準を最大限にすることができる。その後、その数学的関数を実時間入札機構ファシリティー142が受け取り得る。入札依頼を実時間入札機構ファシリティー142が受け取りそしてそれが各広告主に対して示す価値についてその受け取ったアルゴリズムを用いて評価することができる。その後、魅力的な値を有する広告に関して入札応答を送ることができる。次に、その選択した広告を個々のプライスで掲載することができる。

1つの態様において、また、数学的関数をマニュアルプロセスで呼び出すことで、評価すべき広告掲載機会を記述する各変数の値を特定することも可能である。両方の場合とも、1つまたは多くの広告に評価を同時に受けさせることができる。次の段階として、広告掲載機会および見せるメッセージを結果(コンシューマーの購入行動における購入または 変化のいずれか)とリンクさせることが可能なマトリクスを作り出すことができる。広告結果リンキングマトリクスを作り出すことができ、そして各コンシューマー毎に追跡することが不可能な結果を追跡する目的でそれを絶えず調整してもよい。

1つの態様において、トラッキングシステムを用いて広告にタグ、例えばブラウザーに表示されるピクセルなどを付けることができる。トラッキング機構ファシリティー144は広告インプレッション、ユーザークリックおよび/またはユーザーアクションの記録を付けることができる。また、コンシューマーの状態に関係する追加的外部測定基準を含めることも可能である。これらの結果、広告掲載機会およびメッセージを広告結果リンキングマトリクスによってリンクさせることができる。学習システムはその‘良好基準’を用いることで更に査定数学的関数を注文に合わせることができる。本システムはまた予測される値と広告受信者の地理的地域における現在のイベントを相互に関係付けることも可能である。

本発明の様々な態様はメディアへのバジェット割り当ておよびプライス決定を容易にし得る。このバジェットは実時間でアップデート可能である(例えばチャネルが必要とする時に決定を行うタイミング良いやり方で)。本発明は単一のフレームワークを用いて複数のメディアチャネルに渡る価値およびメッセージに関する決定を行うことを可能にするものであり得、このように、1つのチャネルに通して見せる広告を異なるチャネルに通して見せる広告と交換することを可能にするものである。その上、メディアを取得しようとする時、この種類の決定の粗さの度合は多様であることを伴い得る。従って、粗さはアドレス指定能力、メディアの種類および粒度に左右される可能性があり、それは広告の効果を表す点で達成され得る。

本発明は、正しいプライスを支払いそして広告をコンシューマーに対する最良の効果を確保するチャネルに通して掲載することを確保することによって、広告の効果を最適にすることを助長し得るものである。更にその上、本発明は、コンシューマーが初期認識から品物またはサービスを購入するまでのジャーニー中に進行する時の彼らの状態を考慮する。また、調査またはパネルを通してコンシューマーの購入行動の測定を実行することも可能であり、この測定は彼らが品物またはサービスを購入するか否かといったことから独立している。加うるに、本発明は、様々なチャネルをリンクさせる目的で確率方策を用いそしてコンシューマーの状態および品物またはサービスの購入における変化としてのそれらの結果を用いることを容易にするものである。このような方策は個人と結果のリンクがほとんどないか或は全く確かでない場合に使用可能である。

いくつかの態様において、本発明は、視聴者の最適化に対して保証付き購入のための決定を行うインプレッションレベルを提供することができる。図52を参照して、本システムはインプレッションを最良の広告(‘広告’)キャンペーンに例えばコンシューマーセグメントメンバーシップなどを基にして割り当てる目的で実時間ルールを適用し得る。例えば、描写するように、様々なコンテキスト源(例えばCNN.com、Vanityfair.com、espn.com、vogue.com)を広告掲載機会と一緒に提示することができ、例えば特定の層の人、公知プロフィールを有する人、クリエイティブ(例えばAXE、Dove、Vaseline)に関係する人などに提示することができる。機構学習または統計学的技術を用いることを利用してセグメント適切性を識別することができ、例えばインプレッションの後方にあるコンシューマーのプロフィールが未知の場合などに可能である。セグメント適切性とキャンペーンペーシングの間のトレードオフのレギュレーションは係数によるものであり得る。

多くの場合、広告主は、彼らの広告を特定のオンラインパブリッシャーメディア内に示すことに興味を持つ可能性がある。このような場合、広告主は、そのオンラインパブリッ シャー内に見せた広告を100%購入する可能性がある。どの広告主が買うかに関する選択はウェブサイトを主に閲覧する視聴者によって導かれ得る。他の場合には、広告主は彼らの広告をオンラインとオフラインコンテンツチャネルの組み合わせ、例えばオンラインウェブサイト、オンラインモバイル、オンラインビデオ、テレビ、IPテレビ、活字、ラジオなどの組み合わせを用いて示すことに興味を持つ可能性がある。このような場合、最小限の投資サイズはチャネルおよびアウトレットによって変化し得るが、たいていはアドレス指定視聴者にとって特定の属性を知ることが可能であり得る。例えばスポーツサイトを閲覧するコンシューマーの60%は男性であり得る。男性の視聴者をターゲットにすることを求める広告主は、このスポーツサイトに広告を提示しそしてそのような広告が女性に見られて、彼らのターゲットをヒットしないことを考えるかもしれないが、それでもそれに対する支払いを行い得る。このように、そのターゲットに見せる広告1000個当たりの有効なコストは、ターゲット視聴者の外側にこぼれた部分を組み込んだ特定倍数だけ高くなり得る。多くの場合の製品はいくつかの視聴者をターゲットにし、それらの一部が主要でありそしてその他が二次的であり得る。現在では、より最新の技術を用いると、コンシューマーが‘ターゲットに入る’かを知る目的で、コンシューマーのプロフィールは何であるかを例えばケースのパーセントとして知ることができる。広告主が様々な製品の重なり合わない視聴者に対して広告を打つことを求める場合、本システムは、それらがセグメントまたは別の一部として到達する時にユーザーを識別することができ、その後に最も適切な製品のための最も適切な広告を示すことができる。このようにすることで、本システムは、女性に提示されるスポーツサイトによるインプレッションを用いてこぼれ落ちる度合を減少させて、女性に関する広告を提示することを可能にする。いくつかの態様において、このことは個人のプロフィールを識別するデータが存在する個人に限定され得る。

ある場合には、特定のインプレッションにアドレス可能であることを利用することはできず(例えばブロードキャストテレビ、ラジオ)、スピルオーバーを避けることはできない。しかしながら、それでも、本システムはスピルオーバーを包含する有効なコストを作り出し得る。本システムは本明細書に記述する如き分析プラットフォームを用いて当該チャネルの効率を他のチャネルと比較することを可能にし、ここで、より粒度の細かいアドレス指定能力を利用することができる。ある場合には、同じチャネルが多様なレベルの粒度を示す可能性がありかつ各々に関連した可変プライスを示す可能性がある。例えばテレビネットワークは‘自転全国放送’広告をあるプライスで販売し、‘プライムタイム全国放送’をより高いプライスで販売し、‘プライムタイムの地域放送’を異なるプライスで販売しそして‘特定ショー全国放送’も同様に異なるプライスで販売する可能性がある。本プラットフォームは各ターゲット視聴者を評価しそして他のあらゆる有効な方法に対してそれらを比較することでターゲット視聴者に到達することを可能にする。その上、本システムは、1つのチャネルを異なるチャネルで補う必要があるか否かを検出して、例えばテレビブロードキャストオファーで到達するコンシューマーの数をオンラインで見られる人達(同じターゲットセグメントに属する)で拡大させることができる。それらの2つのセグメントの間の重なり合いを測定する目的で調査または他の方法を用いることができる。その上、本システムは全てのコンシューマーに対して彼らがあるセグメントに属するか否かに関してスコアを作り出すことを可能にする。そのスコアを作り出す時に機構学習技術または他の統計学的技術、本明細書に記述する如き分析プラットフォームおよび/または複数の源に由来する使用情報を用いることができる。そのような情報の1つの源はコンシューマー、例えばコンシューマーが過去に閲覧した履歴、コンシューマーが示す興味などに関係している可能性があり、それらをオンラインで集めるか或はコンシューマーに関連したオンラインID、人口統計情報、地理的情報、行動的情報または他の情報に合致するオフライン行動から収集する。本システムはまたコンシューマーが好むか或は嫌いな種類の‘クリエイティブ’も考慮し、そしてコンシューマーがどれに興味を持つか、例えば本明細書に記述する如き‘クリエイティブ’も考慮に入れ得る。

そのような情報の別の源は、広告が見られるコンテキストに関係している可能性があり、それには使用チャネルの種類、例えばオンラインビデオ、オンラインモバイル、オンラインテキスト、テレビ、対話式テレビ、IPテレビ、物理的新聞、物理的雑誌、ラジオなどが含まれ得る。如何なるコンテンツに関しても、チャネルが何であろうと、それはトピック的に分類分け可能(例えばスポーツ、ニュース、科学、娯楽)であり、このようにトピックのコンテンツに関する情報も使用可能である。如何なるコンテンツに関しても、特定のコンテンツにはブランドが存在する可能性がある(例えばウェブに公開されている特定のニュースまたは科学、テレビを通して放送されている時のショーの名前)。コンテンツのブランドは同様に使用可能な情報であり得る。それと同時に、パブリッシャーの名前およびパブリッシャーの家族も存在し、そのグループは階層的様式である特定のコンテンツを有する。例えばテレビの場合、それはチャンネルの名称(ESPN2)およびネットワークの名称(ESPN)を有する以外に特定のショーの名称であり得、例えばオンラインサイトを考慮すると、特定のウェブページが存在し、それはウェブサイトのセクションに属し、それはウェブサイトに属し、そのようなウェブサイトは逆にパブリッシャーに属し得る。全てのコンテンツに関して、また追加的修飾子も存在する可能性があり、例えば有料または無料であるか、ユーザーが作り出すコンテンツ、ブロードキャスト、社説、パブリックエアブロードキャストまたはケーブルであるか否か、高鮮明度または標準的鮮明度、ステレオ、マルチチャンネルまたはモノ、カラーまたはモノクロなどの追加的修飾子も存在する可能性がある。

そのような情報の別の源はクリエイティブであり得、これはコンシューマーに見せる特定の広告メッセージを表す。クリエイティブを記述する如何なる情報も使用可能である。クリエイティブはそれの性質によって静的ディスプレー、アニメ化または動的ディスプレー、モーションピクチャー、オーディオなどとして記述可能である。クリエイティブはサイズ、例えばピクセル、秒、カラム−インチ、カラム−cmなどで記述可能である。クリエイティブは製品の特徴を示し、低価格でコンシューマーに興味を持たせ、感情的なレベルでコンシューマーと係わりあい、競合相手に比べて有利であることをコンシューマーに説明し、競合相手が妥当でない理由をコンシューマーに説明しようとする時の意図で記述可能である。クリエイティブはそれの特定のメッセージで記述可能である。クリエイティブは成功度、そのような成功が起こった場所、時および人そしてそれをどのようにして測定したかで記述可能である。クリエイティブはそれをコンシューマーに示した時間で記述可能である。

スコアは全てのコンシューマーおよび全てのインプレッション毎に存在する可能性があるばかりでなくプロフィールが公知のコンシューマーにも存在し得る。このスコアは、コンシューマーが特定のクラスの一員であるか或は特定の属性を有する確実性が高い場合により高い可能性がある。本システムはそれを特定の‘ある’らしさを有する尤度として記述する能力を有し、それの例は‘都会らしさ’(都市の環境に住む尤度)、‘理性’らしさ(理性的に考える人のように考える尤度)、‘女性’らしさ(女性のように行動する尤度)などであり得る。例えば、スコアによって個人がマーケティングセグメントの一員である確率を記述することができる。このスコアは個人の属性の記述への近さによって変化し得る。例えば、郊外に住む人は‘片田舎’地理的場所に住む人に比べて高い‘都会らしさ’スコアを示す。このスコアは追加的データに伴って変化する可能性があり、その追加的データは個人のスコアを更に裏付けるものであり、例えば個人がただ一人で住む地域をほんの粗く認識することはその個人に特定の平均的‘都会らしさ’値を与え、個人が住む特定の地域を知ることは更にそのようなスコアの値を更に調整し得る等々。地理的地域はある人の‘都会らしさ’を推定する目的で用いるパラメーターのほんの1つであり、他は訪問するコンテンツの種類であり得る。

このスコアを用いることで、本システムはコンシューマーをそれらが最も合うセグメントに割り当てることができ、それは彼らのプロフィールが未知の時でも可能である。正味の結果は、全てのインプレッションを可能な最良のアプリケーションに用いることができるであろうことであり得る。プロフィールが公知の人々の場合、本システムは彼らを一員であるセグメント1種または2種以上に割り当て、プロフィールが未知の人々の場合、全てのプロフィールに関するスコアを用い得る。このスコアを広告インプレッションを時間内に送信する必要があるキャンペーンを示す別のスコアと組み合わせて用いることができる。充分なインプレッションを産んだキャンペーンは目標が不足するキャンペーンに比べてスコアは低い可能性がある。キャンペーンが期待されるインプレッションデリバリーレート内で流れることに加えて可能な最良のコンシューマーがそれに合致するように前記2つのファクターを一緒にすることができる。キャンペーンをデリバリーの上または下にすることができればより良好なセグメント適合係数を考慮することが可能になる。このように、この上に示した横列の中で係数を一緒にする目的で用いたウェーティングは、セグメント適合とキャンペーンペーシングの間のトレードオフを推進し得る。次に、サードパーティーシステムは、その広告を受け取った視聴者を測定しそしてそれらがターゲット視聴者であったか否かを例えば採用パネル方法などで確かめ得る。例えば、そのようなサードパーティーシステムは、その実行によって配信された広告1000個当たりの最も効果が高いコストを産んだことをキャンペーン毎に認識する能力を有し、1000当たりの有効コストを測定する、と言うのは、‘イン−ターゲット視聴者’に配信した広告のみを数え、そのキャンペーンに関連してメディアおよびデータコストを考慮するなどであるからである。

本明細書に記述する方法を用いることによって、広告を見せる目的で用いたコンテンツの収益のグローバル管理を達成することが可能になり得る。多くの場合、広告を見せるためのコンテンツの買い主は複数のディビジョン、会社の組合などを有する会社である可能性があることで、一緒に協力することを喜んでする可能性がある。会社の中にあるディビジョンは様々なラインおよび製品を有する可能性があり、各製品およびライン毎に様々なメッセージ、クリエイティブ、オファーなどが存在する可能性がある。本明細書に記述するシステムを用いると、広告を見せるためのコンテンツへの所定投資の効果を最大限にすることが可能になり得る。広告を見せるためのコンテンツに特定の投資を用いるといった制約、会社、ディビジョン、ライン、製品、メッセージ、クリエイティブ、オファー当たりの最低限および最大限の投資レベルの制約等々がある場合、広告主の広告目標と広告の効果の最良の適合として各広告を選択することができる。そのような最適な割り当ての調査によって、取得するコンテンツの性質を組み込むことができ、それはインプレッション−バイ−インプレッションがベースになるか或は特定の最低限のアドレス可能投資サイズが基になる。

いくつかの態様において、本発明は、オフライン結果を自動で組み込むことを基にして広告の効果を最大限にする方法およびシステムを提供することができ、この場合、このシステムは実時間フィードバックをオフライン源(例えば調査、オフライン購入パターン)から受け取りそしてそのようなフィードバックを広告キャンペーンの最適化に組み込み得る。このシステムは、属性の組み合わせに渡るエクスポーズおよび非エクスポーズ集団の間の差を利用し、ブランド測定基準指向性広告で用いる広告のインベントリーを改善し、新しく認識する人、新しく好む人、購入の目的でブランドを新しく考慮する人当たりのコストの測定を行い、新しく認識する人当たりのコストが最低限になるように広告キャンペーンを最適化するなどを行い得る。図53を参照して、入札依頼は入札依頼査定、入札応答、実時間入札(RTB)交換および最適化パラメーターに関係し得る。図54に、RTBブランディング入札機能からキャンペーン、調査、応答および査定アルゴリズム(最適化エンジンをもたらす)までのプロセスフローの態様を示す。図55−56に、調査の結果をキャンペーンから集計する時に発覚したマーケット増分をどのよに調整するかを示す 態様を例示する。

広告をコンシューマーに対して掲載する時、そのような広告の可能な目標の1つは、製品またはメッセージに関するコンシューマーの認識に影響を与えて好みを増加させるか或はその製品が考慮の状態の範囲に入ることを確保することにある。それを一般に‘ブランディング測定基準’と呼ぶ。このような場合、その広告を見せた時の結果を測定することができるように、そのようなコンシューマーに対する調査によって結果を測定するのが好ましい。ある場合には、コンシューマーの一団を2つに分割して、その一団の一方に実際の広告を見せ(エクスポーズ)そしてその一団のもう一方には異なるブランドの広告か、非営利オーガナイゼーションに関する広告などを見せるか或は全く広告を見せない(非エクスポーズ)。ブランディング測定基準を測定する調査を両方のグループ、即ちエクスポーズと非エクスポーズの両方に対して行う。広告を見せた人は見せていない人に比べて関連するブランド測定基準を高い度合で示すように、その調査に反応するであろうと予測される。このような差を絶対ブランドリフトと呼び、それは広告エクスポーズの結果として起こるブランド測定基準における増分を記述するものである。その上、エクスポーズ状態にある人々の中には例えば特別なコンテンツを目にするか、特別な時間帯に目にしたか或はある特定の地域にいる人は他の人に比べて更に高い絶対ブランドリフトを示すであろうと予測され得る。そのような属性は単独または組み合わせて本システムがその広告を受け入れようとする視聴者を最も有効に見つけだした広告インベントリー領域を記述するものである。そのような属性は数百あり、様々な種類の広告の間で異なり得る。例えば、属性は様々な種類、例えば広告を受け取るコンシューマーを記述する種類、広告を配信する目的で用いられるインベントリーの種類、示す広告に関連した種類(サイズ、コンセプト、色)などに属し得る。

本システムは自立的にそのような広告インベントリー領域の取得により積極的であることを決定する能力を有し、例えば実時間環境において入札をより高くし、非実時間環境において購入するためのオーダーに翻訳可能なレポーティングを行うなどによって可能にし得る。この最適化方法は最も高い可能なブランド測定基準を求めようとし、エクスポーズと非エクスポーズ集団の間の最も高い可能な差を求めようとし、最も有効な増分的ブランドリフトを達成しようとする等々を行い得る。広告は高度に動的な性質(コンシューマーの優先傾向は絶えず変化するといった)を有するにも拘らず、本システムは、最適化によって得られる結果を最良に勝ち取り、調査応答を絶えず組み込み、創作を可能にしそしてもたらされるブランド測定基準のためのモデルを改善するなどのように、入札行動を動的に調整することを可能にするアドバイスを与える能力を有する。そのような自動システムは、本明細書に記述するように、それが最も有効であり得る場所を検出しそしてどの広告を各コンシューマーに見せるかを決定することで各コンテキスト内の関連したブランド測定基準を最大限にする能力を有する。そのような自動システムはまた交換取引可能メディアに関してもうまく機能する能力を有し、各個人のインプレッションに対する入札額をどれくらいにするかをアドバイスし、例えば各個人のインプレッションの基礎になる価値を基にしてアドバイスする能力を有する。

いくつかの態様において、システムのアウトプットとして測定すべき目標および測定基準には、最大限のブランドリフト、新しく認識する人の数、コンシューマーを新しく認識させるための推定値などが含まれ得る。調査は組み込むことが可能なオフライン測定基準の1つの種類であるが、また他の測定基準、例えば製品の売上高なども使用可能である。この代替使用の場合、本システムはコンシューマーが買う製品に関する情報を受け取ることで、広告を見た人々、広告を見なかった人々などに渡る購入パターンを作り出すことができる。広告を見た人と広告を見なかった人の間の購入パターンの差は広告のキャンペーンによって増分的に引き起こされ得る。

この調査の場合のように、エクスポーズ状態にある人々の中には例えば特別なコンテンツを目にするか、特別な時間帯に目にしたか或はある特定の地域にいる人は他の人に比べて更に高い購入パターンを示し得ると予測される。そのような属性は単独または組み合わせて本システムがその広告を受け入れようとする視聴者を最も有効に見つけだした広告インベントリー領域を記述し得る。そのような属性は数百あり、広告の種類で異なり、広告を受け取るコンシューマーを記述する数多くの種類に属する可能性があり、例えば広告を配信する目的で用いられるインベントリーの種類、見せる広告に関連した種類(サイズ、コンセプト、色)などに属し得る。本システムは自立的にそのような広告インベントリー領域の取得により積極的であることを決定する能力を有し、例えば実時間環境において入札額をより高くし、非実時間環境において購入するためのオーダーに翻訳可能なレポーティングを行うなどによって可能にし得る。また、本システムは本明細書に記述する如く数十または数百の様々な属性(例えば特別なコンテンツ、時間帯、特定の地域)の全てを探そうとせず、その代わりに、人口の充分に限定された少ないセグメントの範囲内で、バジェット、支払うべきプライス、有効な頻度および広告をコンシューマーに見せるのに有効な頻度および新近性などを適切に割り当てようとし得る。

いくつかの態様において、本システムは、ある特徴を共有する一群のコンシューマーとしてセグメントを限定する能力を有する。このようなセグメントは人口統計(例えば25から34歳の範囲の女性)であり得、共通の興味を持ち(例えば切手収集が好きな人)、特定の製品の市場に居る(例えばコンパクトカーを購入する市場に居る人)、特定の場所に住んでいる(例えばアトランタ(GA)周辺に住んで人)、あるブランドに親近感を示す等々であり得る。そのようなセグメントはまた他のセグメントの論理式によっても構成される可能性がある。

いくつかの態様において、広告を目にする集団と広告を目にしない別のグループの割合を保つ(彼らに公共サービス広告を見せること、彼らを一緒にして見せないこと、彼らに異なるブランドまたは製品による広告を見せることなどで)必要があり得るが、この場合、調査またはオフライン測定基準を用いることができ、例えば購入行動を良好なシグナルとして用いることができる。

エクスポーズグループと非エクスポーズグループに渡るオフライン測定基準を測定することによって、どのセグメントがメッセージをより受け取り易いかおよびどの頻度、入札プライスおよびバジェットが最も有効であるかを理解することが可能になり得る。このように、本システムはバジェット、入札、頻度などの自動的再割り当てを行うことで増分的認識を引き寄せるのに最も適した広告インベントリーを取得する能力を有する。また、本システムに調査結果を示すためのバジェット割り当てを改良する機構を含めることも可能である、と言うのは、それによって予測される調査応答率よりも低いか或は高いそれを検出する能力を持たせることができるからである。例えば、本システムが1週間当たり100万の調査結果を示しそして1000個の答えを受け取ることが期待される場合、もし受け取る答えが500のみであるならば、それは自動的に1週間当たり1000個の答えを受け取ることを確保するように二倍のバジェットを再割り当てし得る。時間単位当たりに正しい支出を割り当てることを確保しかつ取得する調査返答が正しい数になることを確保する目的でいずれかの時間測定基準に同じ機構を適用することも可能である。同じ機構を調査を受けさせる集団のいずれかのセグメントまたはパーティションに適用することも可能であり、その結果としてその集団の特定のセグメントまたはパーティションから得られる答えが充分ではないか或は多すぎる場合(例えば、年齢が18−25の男性からの答えを調査するには充分でない場合)には、本システムは自動機構を用いて答えの数を増やすのにちょうど良いお金を実時間で再割り当てする。

いくつかの態様において、本明細書に開示する方法およびシステムは、広告をパルスさ せることも含んで成り得、これはエクスポーズの長さおよびエクスポーズの強さを変えることで測定可能である。広告をパルスさせる方法、システムおよび/または方策は、広告投資をある期間急激に増やした後に元々の広告投資または他のいずれかの所望値にまで急激に降下させた後にそれをまたある期間保持してもよいことが含まれ得る。その降下は広告を市場から撤退させることを含んで成り得るか、或はその降下は広告主の広告を別の広告主の広告または公共サービスの広告に置き換える(例えば市場に対する影響が途切れないような様式で)ことが含まれ得る。いくつかの態様において、そのようなパルスをいずれかの種類の広告チャネルに通して行ってもよく、それにはオンラインメディア、例えば、これらに限定するものでないが、ウェブバナー、ソーシャル広告、検索広告、オンラインビデオ、モバイルバナー、モバイルビデオ、SMSメッセージ、すきま広告、電子メールおよび個人が対話式スクリーンを通して到達する他のいずれかの形態の電子メールが含まれる。いくつかの態様において、そのようなパルスをいずれかの種類のオフラインメディア、例えば、これらに限定するものでないが、テレビ、ラジオ、映画、掲載、屋外掲示板、活字雑誌、活字新聞、他のいずれかの種類の活字、ケーブル、ストリートポスティングおよび広告メッセージを広める他のいずれかのチャネルなどに通して起こさせてもよい。いくつかの態様において、そのようなパルスを広告配信ファシリティー122、広告受信ファシリティー120または広告データ配信サービスファシリティー124を通して展開してもよいが、そのようなファシリティーによる配信に限定するものでない。

広告のパルスには、広告投資に対する突然の増分的増加が含まれ得る。この増加は数多くのの要因を評価することで決定可能であり、それには、これらに限定するものでないが、1.広告投資の増分をどれくらいにするか、2.その増分投資の期間をどれくらい保持するか、そして3.パルスを終わらせた後に別のパルスを開始させるまでの時間をどれくらいにするかなどが含まれ得る。広告のパルスをターゲットを1つまたは複数のターゲティングディメンション(当該技術分野で公知である)に絞る市場に送ってもよい。ターゲティングには様々なディメンションの組み合わせが含まれ得る。1つの非限定例において、ターゲティングディメンション変数は、これらに限定するものでないが、地理的変数(例えば、これらに限定するものでないが、ターゲットを特定の家族、ブロック、近所、郵便番号、市場、都市、地域、国、およびまたこの上に示したターゲットのグループ、例えば、これらに限定するものでないが、家族のグループ、ブロックのグループ、近所のグループ、郵便番号などに絞る)、人口統計変数(例えば、これらに限定するものでないが、年齢、性別、収入、教育、民族、宗教など(これらを個人または範囲内にまとめることができ、例えば、これらに限定するものでないが、年齢= 18−24、25−34など))、コンシューマーの興味(例えば、これらに限定するものでないが、車、電子機器などに興味があるコンシューマー)、個人一人または二人以上が購入するコンテンツの種類(例えば、これらに限定するものでないが、ニュース読者、娯楽読者、科学コンテンツ読者、映画観賞者など)および/またはコンシューマーに到達させる必要があるチャネルの種類(例えば、これらに限定するものでないが、オンラインバナー、オンライン検索、オンラインビデオ、モバイルリーチ、テレビ、ラジオ、屋外パネルなど)などであり得る。

いくつかの態様において、複数のパルスおよび様々な強さ、期間、ターゲットまたは他の変数のパルスを用いることができる。このようなパルスは特定の所望パターンが作り出されるようにプログラム可能である。そのパルスのパターンをデザインする目的で一部実施要因実験デザインを用いることができる。そのようなパターンおよびパルスの実行に関する全てのインストラクションおよびパルスの組み合わせで生じるパターンをファシリティー201で与えてもよい。図60を参照して、ファシリティー201はファシリティー142に実行オーダーを実時間実行、インプレッションバイインプレッションをベースにした非実時間実行および複数の広告を一度に取得することによる実行に関して送り得る。

いくつかの態様において、様々な種類の刺激を受けさせた時の市場応答を測定するよう にパルスを有効に活用してもよい。刺激に対する市場応答は様々な測定基準によって測定可能である。そのような測定基準はオフラインまたはオンライン測定基準で測定可能である。オフライン測定基準を物理的世界の測定値、例えば、これらに限定するものでないが、売上高、インベントリームーブメント、調査、自動車交通パターン、ストアカスタマートラフィック、視線追跡測定などとリンクさせてもよい。オンライン測定基準をインターネットが基になったアクティビィティー[これらに限定するものでないが、ウェブサイトアクティビィティー、電子メール開封率、オンライン調査応答、オンライン売上高、ソーシャル相互作用ボリューム(広告した製品/サービスを述べた場合と述べない場合の両方)、広告した製品またはサービスと何らかの様式でリンクしているいくつかのコンテンツにおける解説投稿メッセージなどを包含]とリンクさせてもよい。このような測定基準の測定は集合体(即ちあらゆる地理的場所に関して)または、1つの非限定例において、特定の郵便番号または市場、例えば、結果をあるディメンションの特定部分に直接割り当てることが可能な場合に実施可能である。このような特徴は記録をファシリティー152、154、158、160、164、205および206内に置くことが可能な装置を用いて測定可能である。

いくつかの態様において、パルスの効果の測定には、これらに限定するものでないが、パルスが測定された測定基準で示す全体的影響(パルスを開始した時点からその測定基準がこの測定基準によって達成される最大値の特定パーセントにまで降下する時点を通ってその測定基準によって達成される最大値に至るまでの全増分);測定基準によって達成される最大値;最大値を達成するまでの遅れ;最大値の半分(または最大値の他のいずれかのパーセント)にまで降下するに要する時間;降下が完了したと見なされた後のプレ−パルス測定基準に渡る増分として考えられる残存影響(ここで、降下が完了したと見なすことは最大値からあるパーセント降下したとして定義可能である);最大値からいずれかの便利な時点までの減衰曲線の形;近接パルスと非近接パルスの間の前後送り、例えば、これらに限定するものでないが、特定の郵便番号に広告を見せると近接郵便番号が影響を受け得ることおよび/または特定の年齢群に広告を見せると他の関連しない年齢群も影響を受けることなど等々が含まれ得る。

オムニ−チャネル帰属のための方法 いくつかの態様において、本明細書に開示する方法およびシステムは、オムニ−チャネル帰属のための方法を包含し得る。広告パルスの強さを大きくしても必ずしもカスタマーに対する効果が比例して大きくなることに関連しない可能性があることは当業者に明らかであろう。いくつかの態様において、本明細書に開示する方法およびシステムは、パルスを実行する最適な点を見つけだし得る装置を包含して成り得る。いくつかの態様において、パルスの特定パターンを作り出すことができ、それは、広告投資の増加と所望特定市場応答の間の因果関係が達成され得るように市場に刺激を与える可能性がある。いくつかの態様において、そのパルスはバーチャル識別子に関連させて分析可能であり、それは必ずしも特定の個人に関係してはいないが、それでもある期間の間パフォーマンスを示す。そのバーチャル識別子は市場パーティションとして特殊化可能であり、そようにそれは広告市場または他のある種の意味のある差異で分解可能である。そのバーチャル識別子はまたより粒度の細かい様式でも解析可能であり、例えば、これらに限定するものでないが、地理的場所と人口統計コンポーネントの組み合わせなどで解析可能である。

いくつかの態様において、本方法は、ターゲティングディメンションの大きな範囲の組み合わせを探るパターンを用いることを包含し得る。測定基準が特定の強さ地点と共に体系的に変わるような種類のパターンは一部実施要因実験である。1つの非限定例において、測定結果が1、6、9、11および12であり得ることを予測して特定の投資増加の0% 25%、50%、75%および100%の時の広告の強さを探ることができる。例として、最初に投資の25%で5単位の増分が作り出されそして最後の25%の増分で作り 出すことができるのがほんの1単位の増分であるとしたならば、このことは効率の損失を示し得る。

くつかの態様において、本機構、方法および/またはシステムは、バーチャルグローバルコンシューマーIDを本明細書で言及した時に考察したように、結果をインベントリーパーティションとリンクさせるコンセプトに依存し得る。そのようなIDに関係させていくつかの態様に記述する如き項目は、結果がインベントリーの特定のパーティションにリンクするか或はリンクしない可能性のある一般的ケース(このようにチャネルユーザーIDまたはCID)を示し得るが、本明細書に記述する方法およびシステムは、できるだけ密接にCIDとのリンクを保つことを探求し得る。

いくつかの態様において、本方法はインベントリーパーティションを包含し得る。いくつかの態様において、そのような方法は限定されたクロスコンタミネーションを伴い得、それによって時間を節約しそして本方法によってもたらすバジェット割り当ての確実さを向上させることができる。1つの非限定例において、様々な地理的市場間のクロスエフェクトはほとんどないと仮定することができる、と言うのは、個人は距離が充分離れている市場と市場の間で限られた移動を示す可能性があるからである。本明細書に開示する方法で確立するフレームワークの下で、特定の市場内で広告を受け取る人はその場所に居るままであると予測されかつまたその市場に確かに帰属し得るように関連したアウトプット測定基準(予測測定基準ID − EID)を示すことも期待される。

別の非限定例において、パーティションを地理的コンポーネントのみに割り当てることができるばかりでなくまた人口統計コンポーネントにも割り当てることができる。このような場合、あるクロスエフェクトを予測することができる、と言うのは、人口統計グループ(例えば女性18−24)は影響を別のグループ(例えば男性18−24)に及ぼす可能性があるからである。所望に応じて再現可能な因果関係モデルを作り出すには、クロスエフェクトを充分に測定することができるように、各パーティションに渡って異なる度合の強さを有するパルスが必要であり得る。このようなエフェクトは線形モデルを仮定してマトリクスMとして提示可能であるが、しかしながら、いくつかの態様において、その仮定は、非線形モデルは収穫逓減、即ち正の傾きの特徴を伴うが、負の二次導関数を伴って達成されるといった仮定であり得る。

別の非限定例において、クロスコンタミネーションを回避する別の方法は、個人がアイデンティティーを保持していると確定することが可能な場合にある永久的IDを用いることであり得、そして結果をその永久的IDにトラックバックすることができる。いくつかの態様において、このケースはまたクロスエフェクトも表し得るが、それでもそれは広告メッセージの社会的浸透度の測定に有用であり得る、と言うのは、それは広告メッセージを受け取った人からそれに触れなかった人に伝わるからである。便利に解析可能なパルスパターンを用いることによって、季節性および的を絞った視聴者の学習の影響を無効にするか或は低下させることが可能であり得る。そのようなパターンは、市場の同様なパーティションは同様な行動を示すことでそれらの効果は平均化され得るといったことに依存し得る。

いくつかの態様において、広告投資を増加する期間(パルス)の長さおよび広告投資を減少させる期間(谷間)の長さを短くすることができると推定され得る。そのような態様では、広告刺激を止めることによって市場応答が明確に降下するような様式で学習の影響を低下させそして因果関係が存在することを確実にすることが望ましい可能性がある。これを行うことによって最も低い投資から開始するのではないパルスパターンを作り出すことが可能になりかつまた投資ベースラインがより低いと思われることについての結果に関して絶対的増分の測定を行うことも可能になり得る。その上、以下に明確に述べるように 、チャネル間のクロスエフェクトを分離させる必要もあり得る。

いくつかの態様において、広告投資をチャネルによってパーティション化することによって1つのチャネルによる広告を別のチャネルと比較的して増加させた時の効果を分離することが可能になり得る。チャネルは広告をターゲットにすることができるいずれかのディメンションであり得、チャネルの例には、伝統的な広告チャネル、例えばオンラインメディア(ウェブバナー、ソーシャル広告、検索広告、オンラインビデオ、モバイルバナー、モバイルビデオ、SMSメッセージ、すきま広告、電子メールおよび対話式スクリーンを通して個人に到達する他のいずれかの形態の電子メール)およびオフラインメディア(テレビ、ラジオ、映画、掲載、屋外掲示板、活字雑誌、活字新聞、他のいずれかの種類の活字、ケーブル、ストリートポスティングおよび広告メッセージを広める他のいずれかのチャンネル)が含まれ得る。パルスはファシリティー203および120、122、124によって実行可能であり、それらはコンシューマーの心に説得効果を作り出し得る。

いくつかの態様において、本方法は、チャネルを様々な広告メッセージを与えるアイデアに割り当て、チャネルを様々な種類のコンテンツに割り当て、コンテンツを様々な人口統計に割り当てそして/またはチャネルを広告インベントリーの様々なベンダーに割り当てことを含んで成り得る。一般的に、如何なるターゲティングディメンションもチャネルであると解釈可能であり、そしてこのようなブレークダウンによって機構または人が1つのチャネルにおける広告の効果を別のチャネルと対比させて測定しようとすることで可能になり得る。いくつかの態様において、この測定を用いることで何が最も良好な投資方策であるかを決定することができる。

様々なインベントリーパーティションの間のクロスコンタミネーションは最低限にしようとする1つの面であり得るが、様々なチャネルの間にクロスエフェクトが存在すると予測され得る。このように、組み合わせた時の様々な広告の強さをできるだけ完全に探るパターンを作り出すモデルに頼る必要があり得る。上述した投資の0%、25%、50%、75%および100%割り当ての非限定例において、簡単なパターン実施は各チャネルにそのような5つの強さの1つずつを受けさせる(その他を固定したまま)ことに頼ることであり得る。この非限定例において、チャネルが2つの場合、チャネルAを0%のままにしながらチャネルBに5投資レベル、即ち0%から100%(パルス)の各々を受けさせ[広告の大きさを低下させる期間(谷間)を包含]た後にチャネルAを谷間にまで降下させそしてその後に25%まで増加させ、同じパターンをチャネルBでも繰り返してもよく(パルスおよび谷間を伴う5投資レベル全部)、次にチャネルAを谷間にまで降下させそしてその後に50%にまで増加させる等々を行い、両方のチャネルとも最終的に100%のレベルに到達させる。このパターンの測定がより良好になりそしてその測定にいくらか存在するイナーシャまたはヒステリシスが廃棄されるようにする目的で、あらゆるチャネルに関して実行の順を0%から100%に進行させないで、異なるパターン、例えば75%で開始した後に25%に降下させ、100%にまで増加させ、50%に降下させそして最後に0%のレベルに到達させることなどを行ってもよい。

このようなパターンは極めて長くなる可能性があり、応答をよりタイミング良くする目的で、全ての組み合わせを探求するものではないパターンを用いることも可能である。チャネル間のクロスエフェクトを探求することに興味が持たれ得る。例えば、別のチャネルの強さをより高くした時に所定チャネルに関する曲線の傾きが変化し得る。いくつかの態様において、マルチ−ディメンションの収穫逓減曲線を解析することは可能であり、その曲線は例えばその曲線の数学的勾配導関数に従うことによって投資レベルのスケーリングを最も効率の良い形態で行うことを可能にする興味の持たれる特性を表し得る。

いくつかの態様において、この分析のアウトプットは、広告投資を水平軸に示しそして 広告の結果を垂直軸に示す1組の曲線であり得る。いくつかの態様において、本方法はそのような曲線をチャネル毎およびインベントリーパーティション毎に作り出すことを包含し得る。広告投資と広告の結果を比較する曲線が“収穫逓減”を表し得ると仮定して、それらは全部正の一次導関数を有するが、負の二次導関数を有する可能性がある。このことはそれらの曲線の傾きが正であると予測することができることであるが、その傾きはまたゼロに向かって降下するとも予測され得る。いくつかの態様において、投資の最適な割り当ての決定は、市場およびインベントリーパーティションの各々における投資がその投資時点における曲線の傾きが同じであるような値である時に決定可能であり得る。このことは次の増分的バジェットを投資する場所の間に差がないことを暗示している可能性がある、と言うのは、それによって全てのインベントリーパーティションおよび全てのチャネルに同じ効果が作り出されるであろうからである。また、あらゆるチャネルおよびインベントリーパーティションに渡って正味の増分が作り出されるようにそれを別のものに投資する目的で1つのチャネルおよびインベントリーパーティションからバジェット額を取り出すことができないことも暗示し得る。いくつかの態様において、必ずしもあらゆるインベントリーパーティションが充分な予測可能性を与え得るとは限らない。結果として、いくつかの態様において、このモデルがどれくらい密にデータのホールドアウトセットを再現することができるかを基にした測定基準は現実の有効な代表が存在することを確実にしそしてそのモデルが妥当な答えをもたらすことができない場合を分離する必要があり得る。

オンライン市場のためのリスクモデリング いくつかの態様において、本明細書に開示するシステムおよび方法は、オンライン市場のためのリスクモデリング方法を含んで成り得る。この方法はオンライン広告によって特定の結果を達成するための保証を与えることによって被るリスクのコストおよびそのような保証に公正なプライスを表すモデルを作り出すことを含んで成り得る。いくつかの態様において、この方法は金融的ツール、例えば、これらに限定するものでないが、成果が不確定な場合でも所望の成果を達成することに関するリスクの売買にとって公正な査定を確立するためのブラックショールズモデリングシステムなどを用いることが含まれ得る。いくつかの態様において、そのようなモデルに従って取引を行うことが可能な様々なポジションは、これらに限定するものでないが、スポットと保証付き市場の比較が達成され得るようにインプレッションを特定のボリュームで取得するためのCPMプライス、X測定基準(見易さ、視聴者ターゲット、リターゲットなど)を特定のボリュームで達成するためのeCPM、広告主が視聴者内および視野内においてeCPMで販売することで広告主が最低限のリスクで販売して配信ことが可能なプライスを決定するようなリスクのプライス決定、およびボリュームのパーセントとして達成可能なCPAおよびプロフィットであり得る。この方法は過去のデータを集めそしてモデリングポジション、例えばこの上に記述したそれから引き出される成果の確率的な分配を作り出すことを含んで成り得る。この方法はまた被る損失の尤度および異なるプライスを見積もることも含んで成り得る。この方法は、そのような損失と他の種類の投資に対する損失の尤度を比較することによって、所望のリスクを負うための推定プレミアムを生じさせることも可能にする。個人またはエンティティはこの方法を用いることによってリスクを取ることができる。いくつかの態様において、リスクに相互関係がないと思われる場合、個人またはエンティティは複数のポジションを取ることができ、それによって推定される正味のリスクを減ずることができる。このように、この非限定例では結果としてそのリスクを買うことによってプロフィットを作り出すことができる。いくつかの態様において、この方法はまた個人/エンティティが再販売可能なリスクを買うことも含んで成り得る。そのようにすることによって、情報を得た決定者がリスクを取引して公正なプライスで取得する市場を作り出すことができ、広告の結果を譲渡することができることを販売する市場に流動性を生じさせることができる。いくつかの態様において、この方法は、公正な市場査定のための公知の組のツールの下でリスクを購入および販売することができる金融派生商品市場を作り出すことを含んで成り得る。

コンシューマーによって引き起こされる属性分類分け 様々なスライスまたはディメンションで広告を掲載する機会を分類分けすることに興味が持たれる可能性があり、その後、分析値を提示する目的でそれを用いるか或はそれを達成する目的で細かく分解することができる。典型的な分類分けはコンテンツの種類、広告を受け取るコンシューマーが居る地域、時間帯、コンシューマーオペレーティングシステムの種類(オンライン広告の場合)、ケーブルプロバイダー(ケーブルが基になった広告の場合)などである。いくつかの態様において、この開示する方法およびシステムは、様々なディメンションの分析を分類分けする方法を含んで成り得る。この方法は、当該技術分野で現在利用可能なオーダリング基準に対してより洞察力のある意味を与え得る。いくつかの態様における方法およびシステムは、コンシューマー行動に依存しそして様々なスライスまたはディメンションからコンシューマーを測定する時にどのように結果測定基準が変化するかを分析することを可能にする。1つの非限定例において、この種類のディメンションがコンテンツの種類でありそして可能な名目がニュース、科学、娯楽および天候でありそして次に各種類のコンテンツに関する測定基準“コンバージョン率”を求めるならば、我々はコンテンツの種類を最も高いコンバージョン率を示すものから最も低いコンバージョン率を示すものに順序付けることができる。

いくつかの態様において、そのカテゴリーでは、単一の測定基準ではそのカテゴリー内の順の充分な理解を引き出すことは不可能である。平均コンバージョン率はおおよそ一定であり得るが、時間帯によるコンバージョン率は変化する可能性があり、天候に関しては朝のコンバージョン率が最も高く、その後にニュースが続き、次に文学および娯楽が続くパターンがある。午後の間、そのパターンはいくらか一定であり得、そして夕方になるとその行動は娯楽に関するコンバージョン率が最も高くなり、次に文学、次にニュースそして天候になり得る。そのような例において、コンバージョン率が変化する順は論理を示すと思われ得、そしてまたコンテンツに面する時にはコンシューマーの行動を記述している可能性もある。このように、この方法は統合測定基準を作り出す目的でカテゴリーの新しい順を統合することを含んで成り得る。いくつかの態様において、この方法は、いずれかの所定インプレッション属性(一般に、A1,A2…An)にとってどの値が利用可能であるかを見積もることを含んで成り得る。この方法は更に互いに独立した1組の測定基準または測定基準案(一般にB、C、D,…、Z、…AA、AB、… nn)が存在するか否かを見積もることも含んで成り得る。この方法は、A軸において2つの極端な属性の間に全体的な距離が存在する場合、B…nnスペースで測定する測定基準Aの全ての属性の間の距離の合計を最小限にすることを含んで成り得る。この方法は更にB…nn 測定基準の各々に関して単調に増加または減少する関数による平方誤差を最小限にすることも含んで成り得る。この方法は更に単一の測定基準が最小限になり得るようにそのような最小限化を1組のウェートと組み合わせることも含んで成り得る。このように、この方法は、コンシューマーの行動によって分類分けされ得る属性Aのための人工的方向が作り出され得るように値A1からAnの順を引き出すことを可能にする。この統合測定基準を用いると、ここに各名目上の値が数で表されるように量をその統合測定基準に割り当てることが可能になり得る。数が近いことは、選択した測定基準案に関してコンシューマーの視点から同様である名目を表している可能性がある。この方法は結果として実際の意味を持ち得る統合測定基準をもたらし得る。そうでない場合でも、この方法は確率のより良好なモデル化を可能にし得る、と言うのは、それは明確なコンシューマー行動を表す連続関数に依存しているからである。

パラメトリックETL いくつかの態様において、本明細書に開示するシステムおよび方法はパラメトリックエクストラクト、トランスフォームおよびロードプロセス(ETL)を包含し得る。いくつかの態様において、ETLは、メタデータと一緒に補足的データセットを用いて解析するキー値対としてのインプットパラメーターを特定する能力を包含し得、このキー値対の一方は解析する目的で用いるメタデータの名称を特定する。1つの非限定例において、インプットはメタ=“VF”、A=50000、B=40220、C=1000000000、D=Edimburg、E=NA、F=NAであり得、ここで、VFメタ−データセットが“これは我々のVFクライアントのための売上に関するデータであり”、“テーブルVF/売上にインプットする必要がある”と述べる場合、Aは“セールスレプ(sales rep)ID”であり、Bは“トータルユニット”であり、Cは“セールス収益トータル”であり、Dは“ロケーション”であり、E、Fは用いない。解析時間の時、横列を読むことができそして相当するメタデータファイルを解析の目的で用いる。

フラットテーブルデータベーススキーマ いくつかの態様において、本明細書に開示する方法およびシステムはフラットテーブルデータベーススキーマを含んで成り得る。この開示するデータベースシステムは簡単な成文化、例えばコンマで分離されたテキストファイルおよび個別のテキストが基になったファイル(ある時間生き残りそして複数のプラットフォームによって取り込まれ得るデータベースシステムを作り出す目的で保存されるデータに関するメタデータを与える)などに依存し得る。いくつかの態様において、そのデータベースシステムは、コンマで分離されたエレメントを有するフラットデータファイルを含んで成り得そして縦列の最後のエレメントの最後にCRを含んで成り得る。ブランクエレメントは省かれた値を有する可能性がある。このファイルの名称には、大きなデータセットが分離されたファイルに保存されるように、これらに限定するものでないが、テーブル名称、場合によりバージョンおよび時間/日付および序数(時間/日付/序数組み合わせのユニークさを確実にするための恐らく5桁の数)が含まれ得る。このデータベースシステムは更にそのデータファイルに関連したメタデータファイルも含んで成り得る。この関連はファイル名により得る。そのメタデータには、縦列がフラットデータファイル内に現われる順で縦列の名称が含まれている可能性があるばかりでなくデータファイルの解析を可能にするデータのフォーマット化も起こり得る。いくつかの態様において、このデータベースシステムは更に辞書も含んで成り得、メタデータファイルに入れる可能なあらゆる項目に名称を付けそしてそれがどんな意味を有するかといった簡単な説明およびそれらのフォーマットを含んで成り得る。保存するメタデータの種類は、これらに限定するものでないが、各縦列の名称およびその縦列に保存するデータのフォーマットであり得る。この縦列の名称はそれらが辞書内に保存され得るようにユニークでなければならない。

いくつかの態様において、その辞書はユニークな言葉に頼り得る。いくつかの態様において、このシステムは、言葉が繰り返されないようにセントラルレポジトリを必要とし得る。言葉のコンテンツが何であるかが明白であるように、言葉に長い名前を持たせてもよい。言葉の数が過剰に長くなる場合には、サフィックススキーマを配置して、言葉(例えばrevenue)に接尾語を付けてもよい(例えばrevenue.grossに対してrevenue.net)。このフレームワークによって長い用語のデータを保存することが可能になり(簡単なETLシステムでそれを解析することが容易にできそして新しい如何なる様々な技術にもインプットすることができるように)かつデータベース間の移送が可能になり得る。パラメトリックETLはこのようなファイルを解析しそして所望のいずれかのデータベースにインプットする目的で容易に使用可能である。

準静的入札 現在、広告インプレッションを一つずつを基準に購入することができない場合に広告インベントリー購入を最適する方法に需要がある。それと同時に、一つずつを基準に査定を作り出すモデルを利用することができ、そしてそれは広告インプレッションに支払うのにどれくらいが許容される値であるかを決定するための正確な機構を与え得る。インプレッションを一つずつを基準に購入することがでないケースは、広告インプレッションを一つ ずつ購入することができる方法が開発されていないか或は不可能であるケースである。そのようなケースの例は、オンラインではないメディアを通して掲載する広告、例えばリニアテレビによる広告掲載または雑誌内の広告掲載などを取得することであり得る。加うるに、インプレッション−バイ−インプレッションベースで取引を行うことが技術的に可能な場合が存在し得るが、ビジネスを考慮することから、より広い範囲のインベントリーのための総値を与えることに興味が持たれる可能性がある。そのような場合、広告の売り主はそれでもいくらかのターゲティング能力を許容し得る。本明細書に開示する方法およびシステムは、有効インプレッションの領域をより小さなスライスに分解する方法を開示するものである。

いくつかの態様において、本方法およびシステムは、査定機構を特定のスライスの範囲内に入るインプレッションのサンプルに適用することによって、そのスライスの集合体における査定を測定することでそのスライスの効力はいかほどであるかを学習ことを可能にするものであり得る。そのようなより小さなスライスのいくつかは他のものより良好な査定を有することで購入にとってより魅力的であり得る。いくつかの態様において、この方法では、そのスライスのサイズを小さくすることによってそのスライスのいくつかがそのスライスのサイズがより大きな時よりも高いパフォーマンスを示すといった仮定を必要とし得る。従って、各スライスの平均サイズを小さくする目的でターゲティングパラメーターの組み合わせを用いる方が有益になり得る。いくつかの態様において、そのスライスは重なり合う可能性がありかつ同じサイズである必要はない可能性がある。いくつかの態様において、この査定モデルを用いて広告を一つずつを基準およびスライスを基準にして同時に購入することができる。いくつかの態様において、同様に広告はオンラインである必要はなく、その上、このモデルはオフラインチャネルを伴うメディアを最適にする目的でも使用可能である。この方法は“オンデマンド粒度”を与え得る。

いくつかの態様において、本明細書に開示する方法およびシステムは、広告掲載のための確率を較正する方法を含んで成り、それは容易な支出調整を可能にし得る。実時間広告交換を基に入札を行う時、入札時に利用可能な情報の属性または“フィーチャー”をドル入札値に変換する必要があり得る。そのような属性には、時間帯、曜日、クリエイティブのサイズおよびポジションに関する情報、ユーザーの詳細、サイトの名称などが含まれる。いくつかの態様において、この方法は下記の2段階プロセスを含んで成り得る:1.所定組の属性が決まっている場合のコンバージョンの尤度の確率モデル(このようなモデルは、広告掲載の結果としてもたらされるコンバージョンの0から1の範囲の確率を与える)を実施し、2.その確率をドル値に変換する。この段階は較正として知られており、数多くの較正方法が文献に存在する。典型的には、このような方法を用いて偏った確率推定値またはモデルスコアを経験データを基にして偏らない確率推定値に変換することができる。2つの例はアイソトニック較正(ZadroznyおよびElkan(2002))およびロジスティック回帰較正(Platt 1999)である。

いくつかの態様において、この開示する方法はアイソトニックファミリーの方法に類似し得る。このような方法では、確率密度関数(pdf)の前以て決めておいたか或はデータ主導のビンを用いて確率推定値を計算し、そしてクロス確認例を用いてそれらのビンの中に入る推定値のための真の確率を計算する。いくつかの態様において、この開示する方法およびシステムでは、市場の専門知識および経験的結果を基にして前以て決めておいたビンを用いることができる。いくつかの態様において、この方法は、市場データのサンプルを用いてビン境界の所の確率を計算することを含んで成り得る。各ビン毎の較正値が入札プライスであり得、確率ではない。いくつかの態様において、この方法およびシステムはそのプライスを平均CPMプライスの乗数として計算する能力を有する。いくつかの態様において、それによってヒトキャンペーンマネージャーに1つの簡単なノブを与えることができ、それによって毎日の支出の上下を始めることができる、と言うのは、入札は単 にCPMを変えることで全面的に上下するからである。いくつかの態様において、より“ピッキー”またはより“アグレッシブ”である較正プロファイルを選択することによって入札を変えることができる。

いくつかの態様において、ビン境界の所の確率をオフラインまたはオンライン様式で計算することができる。オフラインバージョンの場合、各フライトがそのようなフライトのターゲティングパラメーターに従って較正されるように適合させる入札依頼のサンプルを集めてもよい(例えば地理的地域、ブラック/ホワイトリスト)。次に、各サンプルの確率を計算し、確率密度関数をアウトプットしてもよい。

いくつかの態様において、オンラインバージョン(また“ストリーミング較正”としても知られる)では、市場サンプルを実時間入札システム内の“オンザフライ”で集めてもよい。この推定を実時間入札機構ファシリティーで実行する態様では、効率良い実装が必要であり得る。例えば、“Greedy online histograms applied to deterministic sampling”、VermorelおよびHerv´e Br¨onnimann、2003または“ A Streaming Parallel Decision Tree Algorithm”、Yael Ben−HaimおよびElad Tom−Tov(2010)に記述されているオンライン方法。そのようなストリーミング方法は、タイトなターゲティングを伴うフライトが最終的に充分にサンプルされたpdfを有するに充分な入札依頼に合致するといった利点を有する可能性があり、それはオフラインサンプリングでは起こり得ない、と言うのは、サンプリングのための時間およびスペースが限定されているからである。

いくつかの態様において、オフライン較正を“学習機構ファシリティー138”内で実施することができ、それによって図100Aに示す如き“実時間入札機構ファシリティー142”につながるパラメーター化モデルが作り出される。ストリーミング較正を“実時間入札機構ファシリティー142”内で実行することができそして入札で用いるモデルを絶えずアップデートすることができる。

入札システムのためのプラグ脱着可能エキスパートソフトウエア いくつかの態様において、本明細書に開示する方法およびシステムは、入札システムのためのプラグ脱着可能エキスパートソフトウエアを含んで成り得る。最新の入札システムが存在し、複数のターゲティングパラメーターを基にして広告のための査定を特定インプレッションに関して実時間およびまたインベントリーのスライスに関してバッチモードの両方で与えるような能力をそれに持たせることができる。そのような査定をエキスパートソフトウエアエージェントで作り出すことができ、それはあらゆる有効なデータポイントおよびインプレッション属性を考慮に入れることができ、それらにはコンシューマー、コンテキストおよび使用するクリエイティブが含まれる。しかしながら、必ずしも全ての広告キャンペーンおよび広告主が同じ目標を達成しようとするとは限らないことから、査定をもたらす機構はキャンペーン間で異なる可能性がある。本明細書に開示するシステムおよび方法は、様々な状況に適した様々なエキスパートソフトウエアエージェントを用いてそのような可能性を取り扱うためのプラットフォーム解決法を提示することを可能にするものである。このように、様々なソフトウエアエージェントを用いるにはモジュラーシステムを用いる必要があり、その場合、そのようなエージェントは簡単にプラグ差し込みおよび取り外し可能である。

様々な例示非限定態様において、本明細書に開示するシステムおよび方法は、広告掲載機会を識別しそして広告掲載機会を提示するための広告およびスポンサー付きコンテンツの選択を最適にする目的で使用可能なデジタルコンシューマーサービスを含んで成り得る。コンテンツには、これらに限定するものでないが、広告掲載機会、動的ウェブサイトコ ンテンツ、デジタルラジオ、IPテレビコンテンツおよび他の形態のデジタルメディアが含まれる。本方法はまたコンシューマー、市場全体、1つ以上の広告キャンペーンまたはコンシューマーが関与する他の種類のコミュニケーション(政治的行為を包含)に関する見識を引き出すための分析値を作り出す目的でも使用可能である。

デジタルコンシューマーサービスは、とりわけ広告およびコンテンツを提供する目的で、複数のコンテキストにおける複数のデバイスに渡りかつそれらの中のコンシューマーを実時間で識別する能力を有する。いくつかの態様において、このデジタルコンシューマーサービスは、様々なデバイスと関わりを持つことによって生じるエイリアスをリンクさせそして認識することを可能し得るものであり、そのようなデバイスは各々が伝達を行いそして/または動的でありかつ一時的に属性、例えばデバイス識別子などとオンラインおよびオフラインコンテンツを通して関わり合うことで、そのようなエイリアスの間に共通するプロフィールを匿名および擬匿名的に認識することを可能にする。このような共通するプロフィールは的を絞った広告を打ちそしてオンラインおよびオフライン両方のコンテンツを与える目的で使用可能である。また、そのプロフィールは、オンライン/オフラインアクティビィティーを分析しそしてそれらをオンライン/オフラインでコンテンツおよび広告との関わり合いに帰属させる目的でプロフィールの行動を分析しようとする時にも使用可能である。

様々な例示非限定態様において、そのデジタルコンシューマーサービスは、デジタルコンシューマープロフィールまたはそれを作り出すことを含んで成り得る。そのデジタルコンシューマープロフィールを動的および一時的に生じさせることができ、それはデジタルコンシューマープロフィールを作り出す時に利用可能な属性データを利用し得る。そのような態様において、そのデジタルコンシューマープロフィールは更にターゲティングまたは帰属努力および属性データ収集を開始する時には予測されなかったユースケースと定義を合致させる目的で複数のユーザープロフィールを動的および一時的に生じさせる能力も有する。また、そのようなコンシューマープロフィールはとりわけコンテンツのコンテキスト、広告主の個人情報保護方針およびサービスプロバイダーの規制条件を基にして変わる可能性もある。属性データの収集および分析およびそのようなデータを統合させてコンシューマーに関連し得るエイリアスを生成させることは少なくともある程度規制条件、個人情報保護方針、企業ルールなどに左右され得る。そのようなルール、方針とルールおよびルールセットとしてのマニフェストを属性および分析プラットフォームファシリティー114に関連したルールエンジンによる他のデータに適用する。デジタルコンシューマープロフィールは追加的にオリジナルのコンテンツ依頼に与えられなかったエイリアスをコンテンツがターゲットにしていた理由に関する可監査性も可能にし得る。デジタルコンシューマーサービスはプロフィールを動的および一時的に識別するための結合式構文を含んで成り得、それによってフラットマッチテーブル(flat match table)を超える柔軟性および拡張性を与えることができる。

様々な例示非限定態様において、図61を参照して、デジタルコンシューマープロフィールアーキテクチャ6100は、マスターID 6102、エイリアス6104ばかりでなくオーガナイゼーションデータ6108を含んで成り得る。エイリアスはとりわけ個別に識別されるエイリアス6110、例えばコンシューマーのデバイスID、IPアドレス、パーソナルコンピューターフィンガープリント、クッキー識別を含んで成り得る。マスターIDはオーガナイゼーションデータを含んで成り得る。1つの非限定例において、コンシューマーAのマスターIDは、オーガナイゼーション、例えば自動車会社または広告主などに由来するオーガナイゼーションデータを含んで成り得る。そのようなオーガナイゼーションデータは特定のデータセット6114を含んで成り得、それはコンシューマーをターゲットにするか或はコンテンツをコンシューマーに帰属させる目的で使用可能なデータ6122を含有する。コンシューマーAのオーガナイゼーションデータには、コンシ ューマーAのためのトランスポーテイションデータ、例えばコンシューマーAが所有する最後の車の製造およびモデルなどが含まれている可能性がある。更に、コンテンツをコンシューマーに合致させるか、ターゲットにするか或は帰属させる目的で、そのオーガナイゼーションデータに更にオーガナイゼーションのキャンペーン6118に関する情報6120およびオーガナイゼーションのキャンペーンのコンポーネント6124を含めることも可能であ。コンシューマーAのためのオーガナイゼーションデータに自動車会社の最新自動車のためのキャンペーンに関する情報を含めてもよく、それには的を絞ったか或は帰属するコンテンツに関する頻度6128およびアウトプット6130パラメーターが含まれる。

様々な例示非限定態様において、デジタルコンシューマープロフィールはマスターIDを含んで成り得る。いくつかの態様において、マスターIDは匿名システム生成識別子を含んで成り得、それは、それに関連したコンシューマープロフィールデータを有し得る。マスターIDはオンラインコンテンツターゲティングおよび帰属の目的で使用可能である。マスターIDはデータストアにマスターIDに関連した行動データでばかりでなくインプレッション、頻度およびコンテンツに付けるアクティビティーデータで参照を付け得る。いくつかの態様において、コンシューマーは動的および一時的にいくつかの異なるマスターIDに関連している可能性があり、それらはより多くの情報が利用できるようになるにつれて経時的にグループ化可能である。マスターIDを用いて動的および一時的に同じコンシューマーに関して利用可能な様々な種類のデジタルコンシューマー識別子をクロスリンクさせることができる。マスターIDはクロスチャネルプログラマチックマーケティングに適用可能である。

様々な例示非限定態様において、デジタルコンシューマープロフィールはエイリアスを含んで成り得る。エイリアスは、デバイス、ブラウザー、アルゴリズムまたはサードパーティーが生成する識別子を含んで成り得、それはマスターIDに参照を付け得る。いくつかの態様において、エイリアスはフィーチャー、例えば、これらに限定するものでないが、様々なドメインに由来するブラウザークッキー、電子メールアドレス、デバイスID(例えばデバイス製造業者が生成したID、例えばIDFA)、IPアドレスまたは他の識別フィーチャーなどを含んで成り得る。いくつかの態様において、識別フィーチャーを所有するオーガナイゼーションがエイリアスを与えることができ、例えば、これらに限定するものでないが、パブリッシャーまたはサードパーティーが与えるエイリアス(例えばハッシュ化された電子メールアドレス)またはクライアントに特定のエイリアス(例えば暗号化されたストアメンバーID)などを与え得る。いくつかの態様において、エイリアスを用いて、過去に特定のコンテンツにアクセスしたコンシューマー、例えばウェブページを訪問したコンシューマーなどを識別することができ、そして同じコンシューマーを異なるエイリアスと関連させることで、その異なるエイリアスを通して、異なるデバイスを使っている同じコンシューマーにコンテンツを供給することができる。そのような使用によってユーザーは動的および一時的にデバイスに渡るコンシューマーを識別することができそしてクロスチャネル帰属方法を作り出すことが可能になる。1つの非限定例において、モバイルデバイスで広告を見そして彼女のコンピューターを通して広告主のためのウェブページを訪問したコンシューマーを更にコンシューマーのエイリアスと彼女のマスターIDの間の相互作用を基にしてその広告に帰属させることができ、それは少なくともある程度それらのエイリアスが基になり得る。いくつかの態様において、エイリアスはクッキーの消去に生き残りそしてリターゲティングまたは帰属のための情報を保持し得る永続的識別子として働き得る。

様々な例示非限定態様において、デジタルコンシューマープロフィールは属性、例えばリンクなどを含んで成り得る。リンクは動的および一時的にいくつかのエイリアス間の関係を確立し得る。リンクはいくつかの属性を含んで成り得、それらはリンクを識別し得る 。いくつかの態様において、リンクは源オーガナイゼーションまたはリンクの所有者によって識別可能である。リンク源オーガナイゼーションは同じプラットフォーム、例えば分析プラットフォーム114などの一部であり得る。そのようなリンクは同じ住居ネットワークにある異なるエイリアスを識別し得る。いくつかの態様において、クライアントがリンク源オーガナイゼーションを与え得る。1つの非限定例において、デジタルコンシューマーサービスはデバイスID 1およびクッキー2がメンバーIDによって連結していることを識別する能力を持ち得る。いくつかの態様において、パブリッシャーまたは他のサードパーティーがリンク源オーガナイゼーションを与え得る。1つの非限定例において、デジタルコンシューマーサービスは動的および一時的にハッシュ化された電子メールアドレスおよびデバイスID(これらは同じマスターIDにリンクしている)を識別し得る。いくつかの態様において、リンクは種類によって識別可能である。リンクは異なるエイリアス、例えばとりわけ“本人”、“家族”または“友人”などの関係を基にした様々なタイプを有する可能性がある。いくつかの態様において、リンクは信頼水準属性を含んで成り得、それによって、異なるエイリアスが同じマスターIDに属するといった信頼度を決定することができる。加うるに、リンクは有効期間(TTL)属性も含んで成り得る。TTL属性は信頼水準を考慮してリンクが有効である時間を識別し得る。いくつかの態様において、リンクはタイムスタンプ属性を含んで成り得、それは、リンクを作り出す時間を識別し得る。これはとりわけリンクを妥当な時間制限内に期限切れにする目的で使用可能である。

様々な例示非限定態様において、マスターIDはサークルと呼ぶセットにグループ化可能である。そのようなセットは名のないセットであり得、現実の世界のターゲット可能および帰属可能なエンティティ、例えばこれらに限定するものでないが、家族メンバーまたは友人グループなどに近付けさせ得る。1つの非限定例において、結合式を用いて動的および一時的に“コンシューマー”サークルを作り出すことができ、それはいずれかのマスターIDの可能なあらゆるセットであり得、その場合、ある種の“本人”を用いて所定エイリアスをリンクによって他のエイリアスと結合させる。更に別の非限定例において、ある種類の“家族”を用いてリンクによって結合させたエイリアスを伴っていずれかのマスターIDのあらゆる可能なセットを生成させる結合式によって“家族”サークルを動的および一時的に生成させることができ、ここで、“暗号化されたIPアドレス”の種類を伴う所定エイリアスが有する“暗号化されたデバイス識別子”の種類に対するリンクは5に等しいか或はそれ以下である。更に別の非限定例において、結合式を用いて動的および一時的に“友人”サークルを作り出すことができ、これは、“友人”の種類のリンクによって別のエイリアスと結合させたエイリアスを伴ういずれかのマスターIDの可能なあらゆるセットを含んで成り得、ここで、エイリアス間の距離は2未満である。いくつかの態様において、単一のサークルインスタンスのプロフィールを評価する時にはそれらを動的および一時的に統合させてもよい。いくつかの態様において、結合式は、有効なリンク/エイリアスを基にしたマスターIDをサークルにグループ化するためのルールを動的および一時的に規定し得る。結合式はマスターIDをサークルセットにグループ化するための経験則を実行し得る。結合式のいくつかの非限定例は、信頼閾値を時間の関数として用いる発見的式であり得る(例えば指数関数的減衰)。代替非限定例において、結合式は1組のマスターIDをサークルにグループ化する目的でエイリアスまたはリンクの所有権を用い得る(例えば会社Aのデータを用いて確立したリンクは会社Aに対してのみ利用可能であるべきである)。更に別の代替非限定例において、地理的または他のコンテキスト制約を用いて動的および一時的にマスターIDをサークルにグループ化することも可能である(例えばEUではIPアドレスを用いることができない)。いくつかの態様において、結合式は“本人”のリンクタイプを用いてエイリアスをマスターIDにリンクさせることができるように実行可能である。そのような結合は属性、例えば“リンクの確実性”(これはマスターIDを所有する特定の個人を指し示すリンクの能力の確率を表し得る)などを含んで成り得る。加うるに、その結合はリンクの所有者を識別し得るものであり、それはリ ンクさせる目的で用いられたデータの源を表しそしてリンクの使用を限定またはリンク所有者のための有効な特定のコンテンツを作ることを可能にする。この結合は更にプライバシーフィーチャー属性も含んで成り得、これは、コンシューマーのプライバシーを保存しながらでもリンクを用いることが可能な条件を示す1つ以上の属性であり得る。その結合は更に場所情報、例えばそのリンクが地方の法律に応じて使用可能または不可である地理なども含んで成り得る。様々な種類のリンクを用いてマスターIDを他のマスターIDとリンクさせることで様々なサークルを作り出すことができる。そのようなリンクは“リンクの強さ”属性を含んで成り得、それは、マスターIDがエイリアスに属さない場合にそのようなエイリアスとマスターIDの間の影響の強さを表す。

様々な例示非限定態様において、結合式は、デジタルコンシューマープロフィールの様々なレベル、例えばとりわけオーガナイゼーションレベル、システムレベルおよびキャンペーンレベルなどで実行可能である。そのような結合式に評価を他のレベル式に関連させて受けさせることができる。1つの非限定例において、エイリアスを用いてターゲティングまたは帰属を実施する場合、特定のキャンペーンレベル結合式を動的および一時的にサークル名称と一緒に生成させることができる。ターゲティングのためのサークルを表す最終的式を作り出す目的でオーガナイゼーションおよびシステムレベル結合式を適用することができる。

様々な例示非限定態様において、サークルの生成はターゲットにしそして帰属させるコンテンツのコンテキストを用いて動的および一時的に実施可能である。評価の目的でリンクおよびエイリアスを含めるか或は排除するための結合式はコンテキストを用い得る。1つの非限定例において、エイリアス/リンクは使用に関してコンテンツのオーナーがそのコンテンツにアクセスする場合にのみ制限可能である。更に別の非限定例において、コンテンツのコンテキストはコンテンツの地理的場所に依存する可能性があり、エイリアス/リンクは特定の地理内でのみ使用可能である。そのような場合、暗号化されたIPアドレスはある地理的場所では合法または非合法であり得、その場合、コンテンツをターゲットにしそして結合式に評価を受けさせることで、評価の目的で結合式にエイリアス/リンクを包めることができることを制限する。

図63に、デジタルコンシューマーサービス環境内でリンク、エイリアスおよびサークルを収集する非限定例を示す6300。単一のマスターID 6302をいくつかの属性エイリアスに対するエイリアス/マスターリンクと動的および一時的に関連させてもよい6318。そのようなエイリアスはとりわけデバイスID 6308、デジタルID(例えば暗号化されたIP +ユーザーエージェント)6314、プラットフォームクッキーID 6310、マスターIDの暗号化された住居IP 6312および広告主が与えたコンシューマーID 6304を含んで成り得る。そのような属性エイリアスの各々を様々なリンクタイプ、例えばとりわけ“家族”6320、“本人”6314または“友人”6322”と一緒に関連させてもよい。

様々な例示非限定態様において、結合式に評価を様々なシステムレベルルールまたは優先傾向に従って受けさせてもよい。送達するコンテンツのコンテキスト、エイリアスおよび/またはリンクに従ってそのようなルールまたは優先傾向を与えてもよい。1つの非限定例において、システムレベル結合式を用いて、当該地域のデータ使用法律によって居住する地理的場所においてあらゆるコンテンツがターゲットにすることを確保することができる。そのようなルールは、結合式を作り出す如何なるオーガナイゼーションによってもオーバーライドされ得ないシステムレベルデフォルトであろう。いくつかの態様において、結合式はオーガナイゼーションのデータアクセスまたはプライベートポリシーを説明し得る。非限定例として、オーガナイゼーションが特定の種類のエイリアスまたはリンクを用いてサークルを評価したくないか或はオーガナイゼーションが特殊なエイリアスまたは リンクを与えている場合、そのような結合式に評価を優先傾向に従って受けさせることができる。いくつかの態様において、評価を受けさせる目的でエイリアス、リンクおよびサークルにデータ構成を追加する。そのようなデータ構成を内部データ源、他のオーガナイゼーションが供給するデータまたはサードパーティーが供給するデータから追加することができる。

様々な例示非限定態様において、デジタルコンシューマーサービスはコンテンツのターゲットをエイリアスに絞ることを含んで成り得る。いくつかの態様において、サークルの中に含まれているマスターIDのプロフィールを動的および一時的に統合させることで統合プロフィールをコンテンツのターゲットを絞るための単一のエンティティとして代表させることができる。1つの非限定例において、広告主が“家族”を5の頻度でターゲットにしたい場合、その広告主は最初に“家族”サークルを明確にする必要があり得る。エイリアスに結合式による評価を受けさせる時、サークルに組み込んだあらゆるマスターIDのプロフィールはその頻度をそのようなキャンペーンのために統合する。その頻度が5未満の場合、そのようなコンテンツをターゲットにするようにそのキャンペーンの的を絞ってもよい。そのコンテンツとの関わりが確認された後、全てのマスターIDではなく、最も近い(オリジナルのエイリアスとの距離において)マスターIDの頻度を1だけ大きくする。距離が等しい場合、最も古いマスターIDを用いてインクリメントしてもよい。更に別の非限定例において、広告主が“家族”サークルをターゲットにしたい場合、そのような家族内の個人のマスターIDの全部をターゲットの目的で利用することができる。次に、その頻度をマスターIDのレベルで割り当ててもよい。その後、マスターとエイリアスをリンクさせるシグナルが利用できる時に、ターゲットとして利用できるマスターID利用性を前以て計算してもよい。マスターIDを所有する個人が広告主のウェブサイトを訪問しそしてエイリアスを提示するデバイスを用いながらそれを行う場合には、エイリアスをセグメントまたはサークルと動的および一時的にリンクさせてもよい。そのような態様では、毎回広告を掲載する機会(入札する機会)を観察し、その機会は結合式によってマスターIDに対して地図を作成するエイリアスを提示し、そのような結合式は広告主が受け入れるに充分なほど高い確率を有しそしてその式はレギュレーションの範囲内で許容され、その上、そのマスターIDを入札する機会に加えてもよい。複数のマスターIDを広告を掲載する単一の機会に加えることも可能である。リンクの種類、確率および強さに関する情報も加えてもよい。広告を掲載するそのような機会に関する価値を決定する機構はそのような情報を用いることができ、それは特に実時間入札環境にとって有用であり得る。

様々な例示非限定態様において、デジタルコンシューマーサービスは、エイリアスとマスターIDの間のリンクを実時間で見つけそして複数のマスターIDの間のリンクを見つける依頼を実行し得る。そのような態様において、キー値対の複数段階依頼を実行する必要があり得る。そのような依頼は複数の機構に渡ってデータを充分に共有することを伴って実時間で動的および一時的に実行可能である。この複数段階依頼によって情報をコンパクトな形態で保存することが可能になる、と言うのは、エイリアスはマスターIDを指し示し、そしてそれは逆にエイリアスを指し示し得るからである。マスターIDはまた他のマスターIDも指し示し得る。そのような複数段階依頼アーキテクチャは結果として複雑な組の連結をもたらし、それはおおよそマスターIDの間のリンクの数に加えてエイリアスの数に比例する。そのような複雑さの非限定例を図62に示すことができる。いくつかの態様において、デジタルコンシューマーサービス6200は様々なコンシューマーのマスターID 6202の間のリンクを見つけ出し得る。例えば、コンシューマー1のマスターIDとコンシューマー2のマスターIDの間のリンクはコンシューマー1がコンシューマー2と一緒に住んでいることである6214。同様に、コンシューマー2はコンシューマー3と“一緒に働く”リンク6220を有しかつコンシューマー4と“ソーシャルネットワークによる友人”リンク6218を持ち得る。また、コンシューマー4はコンシュ ーマー5と“一緒に住む”リンクも有する。各コンシューマーは様々なデバイス、例えばとりわけ携帯電話またはパーソナルコンピューターなどにアクセス可能であり、それらのデバイスのインプットを用いてコンテンツをターゲットにするか或は帰属させることができる。そのようなデバイスはエイリアス6204ばかりでなくデバイスエイリアスリンク6212を含んで成り得ることから、そのデバイスエイリアスを様々なコンシューマーマスターIDと関連させることができる。そのようなデバイスは逆に様々な属性エイリアス6208、例えばとりわけIPアドレス、クッキーまたはデバイスフィンガープリントなどを含んで成り得ることから、それらを用いて更にコンテンツをターゲットにするか或は帰属させることができる。そのような属性エイリアスをデバイスエイリアスと動的および一時的にリンク6210させることで、様々な属性エイリアスと様々なコンシューマーマスターIDの間の連結を確立することができる。例えば、コンシューマー2と一緒に住んでいるコンシューマー1は家でコンシューマー2と同じアイパッドを用いる可能性がある。同様に、コンシューマー1は好みのニュースウェブサイトクッキーを彼女がコンシューマー2と一緒に共有するパーソナルコンピューターおよびアイパッドの両方に保存している可能性がある。いくつかの態様において、デジタルコンシューマーサービスは、そのような複雑なエイリアス/マスターIDネットワーク地図をコンパクトな形態で保存するように、キー値対内に複数のジャンプを含んで成り得る。

様々な例示非限定態様において、デジタルコンシューマーサービスはコンテンツをエイリアスに動的および一時的に帰属させることができる。そのような態様では、結合式に評価を受けさせそしてエイリアスがそのコンテンツと関わり合う場合のテキストコンテキストと一緒に正のシグナルを戻す時には、あるアクティビティーの所定エイリアスを逆にコンテンツとの関わりに関係させるか或は関係させなくてもよい。加うるに、いくつかの態様において、コンテンツおよびアクティビィティーをターゲットにしそして帰属させる目的でオーガナイゼーションが従うように縛られるいずれかのルールまたはレギュレーションを順守していることが証明されるように、オーガナイゼーションは結合式ばかりでなくプラットフォームアーキテクチャの状態も監査し得る。

様々な例示非限定態様において、デジタルコンシューマーサービスは複数のエイリアスのための属性をターゲットにし得る。いくつかの態様において、エイリアスはデバイス、ブラウザー、アルゴリズムまたはサードパーティーが生成する識別子であり得、それらを依頼によってプラットフォームに通すことができそして入札プロセス中に利用することができる。エイリアスは統計学的家族IDまたは統計学的ユーザー識別子を含んで成り得る。このエイリアスはまたエイリアスの所有者に関する情報およびそのエイリアスが“利用回数”であるか否かの情報も与え得る。統計学的家族IDは、IPが家族であるか否かを決定するフィルターに通した後のコンシューマーのIPアドレスから誘導可能である。統計学的ユーザーIDは当該コンシューマーのコンシューマーエージェントとIPアドレスの組み合わせから誘導可能である。いくつかの態様において、プラットフォームユーザーはエイリアスの種類をセグメント作成に加えることができる。従って、エイリアスを用いてセグメントメンバーシップ基準を設定することができる。加うるに、プラットフォームユーザーは、最適にすべきパフォーマンスのための帰属モデルに含めるべき複数のエイリアスを選択することができる。いくつかの態様において、APIによって新しいエイリアスのインスタンスを作成することができ、そのようなエイリアスにアクセスすることができるのは内部プラットフォームユーザーのみであり得る。エイリアスデータをプラットフォームサーバーによって取り込ませることができ、それは追加的にエイリアスを特定するために追加したURLパラメーターも有する可能性があり、そのエイリアスをURLパラメーターによって中に通すべきである。

いくつかの態様において、本明細書に記述するシステムおよび方法、例えば分析プラットフォームファシリティー114および入札システムなどは、広告主がいくつかのオプシ ョンが他よりも良好に働くであろうことを期待して様々なオプションを試そうとする時に複数のエキスパート購入エージェントにアクセスすることを可能にし得る。いくつかの態様において、このシステムおよび方法は、ソフトウエアエージェントを発行、共有、販売および購入することができる市場を作り出し得る。いくつかの態様におけるシステムおよび方法はプラットフォームを含んで成り得、それは、どの種類のデータがインプットとして利用可能であるか、どの種類の計算源(メモリ、CPUサイクル、応答時間)を利用することができるか、そしてどの種類のフォーマットをアウトプットが提供するであろうかなどへの明確なAPIインターフェースを伴う。いくつかの態様において、このシステムはユーザーに目を向かせる手段を含んで成り得、それによってユーザーはソースコードのモディフィケーションに頼ることなく購入エージェントを変えることができる。いくつかの態様において、様々な購入エージェントを同時に用いることができそしてそれらを特定スライスのインベントリーまたは特定のパーティション、例えば地理的場所などに加えることができると、広告を掲載する機会を購入しようとする場合に様々な方法を比較試験するための環境を作り出すことができるようになる。

本明細書に記述する方法およびシステムはある程度または全体的にプロセッサ上のコンピューターソフトウエア、プログラムコードおよび/またはインストラクションを実行する機構を通して有効に活用可能である。そのプロセッサはサーバー、クライアント、ネットワークインフラストラクチャー、モバイルコンピューティングプラットフォーム、ステイショナリーコンピューティングプラットフォームまたは他のコンピューティングプラットフォームの一部であり得る。プロセッサは、プログラムインストラクション、コード、二進法インストラクションを実行する能力を有するいずれかの種類のコンピューターまたはプロセシングデバイスであり得る。このプロセッサはシグナルプロセッサ、デジタルプロセッサ、埋め込み型プロセッサ、ミクロプロセッサまたはいずれかの変形、例えばコ−プロセッサ(マスコ−プロセッサ、グラフィックコ−プロセッサ、コミュニケーションコ−プロセッサなど)などであるか或はそれを含み得、それらはそれに保存されているプログラムコードまたはプログラムインストラクションの実行を直接または間接的に助長し得る。加うるに、このプロセッサは複数のプログラム、スレッドおよびコードを実行する能力も有する。そのようなスレッドを実行することでプロセッサのパフォーマンスを向上させることとアプリケーションの同時オペレーションを助長することを同時に行うことができる。実行の例として、本明細書に記述する方法、プログラムコード、プログラムインストラクションなどを1つ以上のスレッドで実行することができる。そのスレッドは他のスレッドをスポーンする能力を有し、それらはそれらに関連した割り当てられた優先性を有する可能性があり、プロセッサがそれらのスレッドを優先順位またはプログラムコードが与えるインストラクションを基にした他のいずれかの順を基にして実行し得る。そのようなプロセッサには、本明細書および他のどこかに記述されている如き方法、コード、インストラクションおよびプログラムを保存するメモリが含まれている可能性がある。プロセッサはインターフェースを通して記憶媒体にアクセスすることができ、それは本明細書および他のどこかに記述されている如き方法、コードおよびインストラクションを保存する能力を有する。方法、プログラム、コード、プログラムインストラクションまたはコンピューティングまたはプロセシングデバイスが実行し得る他の種類のインストラクションを保存するためのプロセッサに関連した記憶媒体には、これらに限定するものでないが、CD−ROM、DVD、メモリ、ハードディスク、フラッシュドライブ、RAM、ROM、キャッシュなどの中の1つ以上が含まれ得る。

プロセッサにはマルチプロセッサの速度およびパフォーマンスを向上させ得る1つ以上のコアが含まれている可能性がある。いくつかの態様において、そのプロセスはデュアルコアプロセッサ、クアドコアプロセッサ、他のチップ−レベルマルチプロセッサなどであり得、それらは2つ以上の独立したコアを一緒にする(ダイと呼ばれる)。

本明細書に記述する方法およびシステムは、ある程度または全体的に、サーバー、クライアント、ファイアーウォール、ゲイトウエイ、ハブ、ルーターまたは他のそのようなコンピューターおよび/またはネットワーキングハードウエア上のコンピューターソフトウエアを実行する機構を通して有効に活用可能である。そのようなソフトウエアプログラムをサーバーと関連させてもよく、それにはファイルサーバー、プリントサーバー、ドメインサーバー、インターネットサーバー、イントラネットサーバーおよび他の変形、例えば二次サーバー、ホストサーバー、分散サーバーなどが含まれ得る。そのようなサーバーには、メモリ、プロセッサ、コンピューター読み取り可能メディア、記憶媒体、ポート(物理的およびバーチャル)、コミュニケーショデバイス、および他のサーバー、クライアント、機構およびデバイスにワイヤーまたはワイヤレス媒体などでアクセス可能なインターフェースの中の1つ以上が含まれ得る。本明細書および他のどこかに記述されている如き方法、プログラムまたはコードはそのようなサーバーを用いて実行可能である。加うるに、本出願に記述する如き方法の実行に必要な他のデバイスは当該サーバーに関連したインフラストラクチャーの一部であると見なすことができる。

サーバーは他のデバイスへのインターフェースを与える能力を有し、それには、これらに限定するものでないが、クライアント、他のサーバー、プリンター、データベースサーバー、プリントサーバー、ファイルサーバー、コミュニケーショサーバー、分散サーバーなどが含まれる。加うるに、このようなカプリングおよび/または連結によってプログラムをネットワークに渡って遠くで実行することが助長され得る。そのようなデバイスのいくつかまたは全部のネットワーキングによって、本発明の範囲から逸脱することなくプログラムまたは方法を1つ以上の場所で並行して処理することが助長され得る。加うるに、インターフェースを通してサーバーに接続しているデバイスのいずれにも方法、プログラム、コードおよび/またはインストラクションを保存する能力を有する少なくとも1個の記憶媒体が含まれている可能性がある。セントラルレポジトリは様々なデバイスで実行すべきプログラムインストラクションを与え得る。このような実行において、リモートレポジトリーはプログラムコード、インストラクションおよびプログラムのための記憶媒体として働き得る。

ソフトウエアプログラムをクライアントと関連させることができ、それにはファイルクライアント、プリントクライアント、ドメインクライアント、インターネットクライアント、イントラネットクライアントおよび他の変形、例えば二次クライアント、ホストクライアント、分散クライアントなどが含まれ得る。クライアントには、メモリ、プロセッサ、コンピューター読み取り可能媒体、記憶媒体、ポート(物理的およびバーチャル)、コミュニケーションデバイス、および他のクライアント、サーバー、機構およびデバイスにワイヤーまたはワイヤレス媒体などでアクセス可能なインターフェースの中の1つ以上が含まれている可能性がある。本明細書および他のどこかに記述されている如き方法、プログラムまたはコードはそのようなクライアントを用いて実行可能である。加うるに、本出願に記述する如き方法の実行に必要な他のデバイスは当該クライアントに関連したインフラストラクチャーの一部であると見なすことができる。

クライアントは他のデバイスへのインターフェースを与える能力を有し、それには、これらに限定するものでないが、サーバー、他のクライアント、プリンター、データベースサーバー、プリントサーバー、ファイルサーバー、コミュニケーショサーバー、分散サーバーなどが含まれる。加うるに、このようなカプリングおよび/または連結によってプログラムをネットワークに渡って遠くで実行することが助長され得る。そのようなデバイスのいくつかまたは全部のネットワーキングによって、本発明の範囲から逸脱することなくプログラムまたは方法を1つ以上の場所で並行して処理することが助長され得る。加うるに、インターフェースを通してサーバーに接続しているデバイスのいずれにも方法、プログラム、アプリケーション、コードおよび/またはインストラクションを保存する能力を 有する少なくとも1個の記憶媒体が含まれている可能性もある。セントラルレポジトリは様々なデバイスで実行すべきプログラムインストラクションを与え得る。このような実行において、リモートレポジトリーはプログラムコード、インストラクションおよびプログラムのための記憶媒体として働き得る。

本明細書に記述する方法およびシステムは、ある程度または全体的にネットワークインフラストラクチャーを通して有効に活用可能である。ネットワークインフラストラクチャーには、当該技術分野で公知の如きエレメント、例えばコンピューティングデバイス、サーバー、ルーター、ハブ、ファイアーウォール、クライアント、パーソナルコンピューター、コミュニケーションデバイス、ルーティングデバイスおよび他の能動的および受動的デバイス、モジュールおよび/またはコンポーネントなどが含まれている可能性がある。ネットワークインフラストラクチャーに関連するコンピューティングおよび/または非コンピューティングデバイス1種または2種以上には、他のコンポーネント以外に、記憶媒体、例えばフラッシュメモリ、バッファー、スタック、RAM、ROMなどが含まれている可能性がある。本明細書および他の場所に記述されているプロセス、方法、プログラムコード、インストラクションはネットワークインフラストラクチャーエレメントの1つ以上を用いて実行可能である。

本明細書および他の場所に記述されている方法、プログラムコードおよびインストラクションは、複数のセルを有するセルラーネットワークで実行可能である。そのようなセルラーネットワークは周波数分割多元接続(FDMA)ネットワークまたは符号分割多元接続(CDMA)ネットワークのいずれかのいずれかであり得る。セルラーネットワークには、モバイルデバイス、セルサイト、ベースステーション、リピーター、アンテナ、タワーなどが含まれている可能性がある。セルネットワークはGSM、GPRS、3G、EVDO、メッシュまたは他のネットワークタイプであり得る。

本明細書および他の場所に記述されている方法、プログラムコードおよびインストラクションは、モバイルデバイスでか或はそれを通して実行可能である。モバイルデバイスには、ナビゲーションデバイス、セルフォーン、携帯電話、モバイルパーソナルデジタルアシスタント、ラップトップ、パームトップ、ネットブック、ページャー、電子ブックリーダー、ミュージックプレイヤーなどが含まれ得る。このようなデバイスには、他のコンポーネント以外に、記憶媒体、例えばフラッシュメモリ、バッファー、RAM、ROMおよび1つ以上のコンピューティングデバイスが含まれている可能性がある。モバイルデバイスに関連したコンピューティングデバイスに、それらに保存されているプログラムコード、方法およびインストラクションを実行する能力を持たせることも可能である。別法として、モバイルデバイスが他のデバイスとの協力でインストラクションを実行するような形態をそれに持たせることも可能である。モバイルデバイスは、サーバーとインターフェースで接続しているベースステーションとコミュニケート可能であり、プログラムコードを実行するような形態になっている可能性がある。モバイルデバイスはピアツーピアネットワーク、メッシュネットワークまたは他のコミュニケーションネットワークでコミュニケート可能である。プログラムコードはサーバーに関連した記憶媒体で保存可能であり、そしてそのサーバー内に埋め込まれているコンピューティングデバイスで実行可能である。ベースステーションにはコンピューティングデバイスおよび記憶媒体が含まれている可能性がある。その記憶デバイスはプログラムコードおよびインストラクションを保存する能力を有し、それをベースステーションに関連したコンピューティングデバイスで実行することができる。

コンピューターソフトウエア、プログラムコードおよび/またはインストラクションを機構読み取り可能媒体に保存しそして/またはそれにアクセスすることができ、それには、コンピューターコンポーネント、デバイスおよび記録媒体(ある時間的間隔で計算する 目的で用いられるデジタルデータを保持)、ランダムアクセスメモリ(RAM)として知られているセミコンダクターストレージ、より永久的なストレージに典型的なマスストレージ、例えば光ディスク、ハードディスク、テープ、ドラム、カードおよび他の種類のような形態の磁気ストレージ、プロセッサレジスタ、キャッシュメモリ、揮発性メモリ、非揮発性メモリなど、光学式ストレージ、例えばCD、DVDなど、リムーバルメディア、例えばフラッシュメモリ(例えばUSBスティックまたはキー)、フロッピーディスク、磁気テープ、紙テープ、パンチカード、スタンドアロンRAMディスク、Zipドライブ、リムーバルマスストレージ、オフラインなど、他のコンピューターメモリ、例えばダイナミックメモリ、スタティックメモリ、読み取り/書き込みストレージ、可変ストレージ、読み取りのみ、ランダムアクセス、シーケンシャルアクセス、アドレス可能ロケーション、アドレス可能ファイル、アドレス可能コンテンツ、ネットワーク接続ストレージ、ストレージエリアネットワーク、バーコード、磁気インクなどが含まれ得る。

本明細書に記述する方法およびシステムは物理的および/または無形のものを1つの状態から別の状態に変換する能力を有する。本明細書に記述する方法およびシステムはまた物理的および/または無形のものを表すデータを1つの状態から別の状態に変換する能力も有する。

本明細書に記述および描写するエレメント(本図全体に渡って示すフローチャートおよびブロック図の中のそれらを包含)は、エレメント間の理論的境界を暗示する。しかしながら、ソフトウエアまたはハードウエアエンジニアリングプラクティスに従い、その描写するエレメントおよびそれらの機能は、モノリスソフトウエア構成としてか、スタンドアローンソフトウエアモジュールとしてか、或は外部ルーティン、コード、サービスなどを用いるモジュールとしてか、或はそれらの任意組み合わせとして保存されているプログラムインストラクションを実行する能力を有するプロセッサが備わっているコンピューターで実行可能なメディアを通して機構で実行可能であり、そしてそのような実行は全て本開示の範囲内であり得る。そのような機構の例には、これらに限定するものでないが、パーソナルデジタルアシスタント、ラップトップ、パーソナルコンピューター、携帯電話、他のハンドヘルドコンピューティングデバイス、医療機器、ワイヤーまたはワイヤレスコミュニケーションデバイス、トランスジューサー、チップ、計算機、サテライト、タブレットPC、電子本、ガジェット、電子デバイス、人工知能を有するデバイス、コンピューティングデバイス、ネットワーキング装置、サーバー、ルーターなどが含まれ得る。更にその上、フローチャートおよびブロック図に描写したエレメントまたは他のいずれかのロジカルコンポーネントは、プログラムインストラクションを実行する能力を有する機構で実行可能である。このように、この上に示した図および説明は開示するシステムの機能的面を挙げるものであるが、本文で明確に述べるか或は他の様式で明らかに示す以外は、そのような説明によって、そのような機能面を実行するためのソフトウエアの特別な構造配置を暗示するものではない。同様に、この上に示しかつ説明した様々な段階を変えることは可能でありかつ段階の順を本明細書に開示する技術の特別な適用に適合させることができることも理解されるであろう。そのような変形および修飾形の全部を本開示の範囲内に入れることを意図する。このように、様々な段階の順の描写および/または説明は、個々の用途で要求されるか或は本文で明らかに述べるか或は他の様式で明らかにしない限り、それらの段階では特別な実行順序を要求していると理解されるべきではない。

この上に記述した方法および/またはプロセスおよびそれらの段階は、個々用途に適切なハードウエア、ソフトウエアまたはハードウエアとソフトウエアの任意組み合わせで実現可能である。ハードウエアには、一般的目的のコンピューターおよび/または専用のコンピューティングデバイスまたは特定のコンピューティングデバイスまたは特定のコンピューティングデバイスの個々のアスペクトまたはコンポーネントが含まれ得る。プロセスは1つ以上のミクロプロセッサ、ミクロコントローラー、埋め込み型ミクロコントローラ ー、プログラム可能デジタルシグナルプロセッサまたは他のプログラム可能デバイス内で内部および/または外部メモリと連動させて実現可能である。プロセスは、また、または代わりに、特定用途向け集積回路、プログラム可能ゲートアレイ、プログラム可能アレイ論理、または電子シグナルを処理する形態であり得る他のいずれかのデバイスまたはデバイス組み合わせに埋め込み可能である。更に、そのようなプロセスの1つ以上を機構可読媒体で実行可能であるコンピューター実行可能コードとして実現してもよいことも理解されるであろう。

体系的プログラミング言語、例えばC、オブジェクト指向プログラミング言語、例えばC++など、または他のいずれかの高レベルまたは低レベルプログラミング言語(アセンブリ言語、ハードウエア記述言語およびデータベースプログラミング言語および技術を包含)を用いてコンピューターで実行可能なコードを作り出すことができ、それらをこの上に示したデバイスの中の1つばかりでなくプロセッサの異種組み合わせ、プロセッサアーキテクチャまたは様々なハードウエアとソフトウエアの組み合わせまたはプログラムインストラクションを実行する能力を有する他のいずれかの機構で実行するように保存、コンパイルまたは読み取ることができる。

このように、1つの面において、この上に記述した各方法およびそれらの組み合わせはコンピューターで実行可能なコードで具体化可能であり、それらを1つ以上のコンピューティングデバイスで実行する時、それらの段階を実施する。別の面において、本方法はそれらの段階を実施するシステムで具体化可能であり、それらを数多くの様式でデバイスに渡って分散させることができるか、そのような機能の全部を専用のスタンドアローンデバイスまたは他のハードウエアに一体化することができる。別の面において、この上に記述したプロセスに関連した段階を実行する手段には、この上に記述したハードウエアおよび/またはソフトウエアのいずれも含まれ得る。そのような置換および組み合わせを本開示の範囲内に入れることを意図する。

本発明を詳細に示しかつ説明した好適な態様に関連させて開示してきたが、それに関する様々な修飾および改善が当業者に容易に明らかになるであろう。従って、本発明の精神および範囲をこの上に示した例で限定するものではなく、法律によって許容される最も幅広い意味で理解されるべきである。

本明細書に引用したあらゆる資料は引用することによって本明細書に組み入れられる。