[发明专利]用于同时进行关于内容有效性的因果实验和调整内容分配以优化商业目标的系统和方法

说明书

相关专利申请

本专利申请涉及2008年7月2日提交的共同拥有的美国专利申请序列号12/166,969；12/167,002和12/166,984，所述专利申请均在此以引用方式并入本文中。本专利申请还涉及2006年12月29日提交的美国专利申请序列号12/159,107和12/159,106，所述专利申请均在此以引用方式并入本文中。

技术领域

本发明涉及确定通信内容的有效性和优化内容分配以提高商业目标，并且更具体地讲涉及同时执行这些操作。

背景技术

零售环境中的视觉信息经常采取广告内容的形式。这种内容为固有说服性的，并且通常设计成影响观察者的态度、感觉和行为，以便产生积极的商业影响，例如增加销售，提升品牌知名度或形成顾客忠诚度。

2002年，例如，在一般称为购买点(POP)的零售环境中使用的广告内容方面的全部开销在美国估计是170亿美元，在全球每年超过(430)亿美元。这种开销水平在要求对其市场营销投资负有较大责任的品牌所有者的主管人员当中已得到了越来越多的详尽研究。

根据业内人士估计，因为首席营销官的平均任期已经下降到22.9个月，所以对可测定性能的需求亦日益迫切。因此，市场营销领导人极少有时间以可测定方式展示其市场努力的结果。市场营销研究(研究行业子领域)已经从历史的角度使用相关的或匹配的对照研究成果，以针对目标评价广告内容的性能。然而，这些“最佳惯例”的市场营销研究方法没有可靠地反映市场营销消息与商业结果之间的因果关系，市场营销分析专家(如Don E.Schultz，Market Research Deserves Blame for Marketing’s Decline，Marketing News，February 15，2005(市场研究应归咎于市场营销的衰落，市场营销新闻，2005年2月15日))已经对此进行了广泛的评论。即使这样，市场营销研究的开销目前估计仅仅在美国每年就是80亿美元，这包括这些类型的研究。

发明内容

本发明涉及用于评价通信内容的有效性和优化内容分配以提高商业目标的系统、制品、以及计算机实施方法。本发明的实施例涉及下述用于计算机实施方法的计算机实施方法，其包括使用实验内容进行实验以确定通信内容的有效性以及当进行实验时使用MLR内容执行机器学习程序(MLR)以提高有效性尺度。

另一个实施例涉及下述计算机实施方法，其包括生成多个计划表，各个计划表彼此不相关并且各个计划表包括多个用于呈现内容和采集表征内容有效性的数据的时间段。所述方法还包括使用具有多个地理学上不同的显示器的数字标牌网络和多个计划表，其中使用多个计划表的至少两者同时进行至少两个关于通信内容有效性的因果实验以确保通信内容的实验内容不混淆、使用多个计划表的至少两者同时执行至少两个利用MLR内容的机器学习程序(MLR)以提高预定的商业目的、或者使用多个计划表的至少两者进行至少一个因果实验并同时执行至少一个机器学习程序。

另一个实施例涉及下述计算机实施方法，其包括接收观察者在待呈现内容的位置处花费的观察者访问持续时间(VVD)、部分地基于VVD和有效性尺度来生成包括多个用于实施机器学习程序(MLR)的时间段的计划表。然后，根据确定MLR内容的有效性的计划表，使用包括多个地理学上不同的显示器的数字标牌网络，来执行MLR。

另一个实施例涉及下述计算机实施方法，其包括对于任何指定的时间段进行评价以确定该时间段内使用实验内容是否比使用MLR内容更有价值。然后基于评价结果将内容分配到时间段。

另一个实施例涉及下述计算机实施方法，其包括接收根据包括多个时隙样本的计划表采集的数据、以及使用从时隙样本内采集的内容来执行机器学习程序(MLR)以提高有效性尺度。

本发明的上述发明内容并非意图描述本发明的每一个实施例或每种实施方式。结合附图并参照下文的具体实施方式以及所附权利要求书，再结合对本发明比较完整的理解，本发明的优点和成效将变得显而易见并且为人所领悟。

附图说明

图1为示出根据本发明实施例的用于同时进行关于内容有效性的因果实验和自动调整内容分配模式以提高有效性尺度的过程的流程图；

图2为示出根据本发明其它实施例的用于同时进行关于内容有效性的因果实验和自动调整内容分配模式以提高有效性尺度的过程的流程图；

图3示出了根据本发明实施例的进行因果实验和优化有效性尺度之间的时间关系的若干非限制性实例；