TWI853773B - 廣告投放裝置、廣告投放方法、及廣告投放程式 - Google Patents
廣告投放裝置、廣告投放方法、及廣告投放程式 Download PDFInfo
- Publication number
- TWI853773B TWI853773B TW113100586A TW113100586A TWI853773B TW I853773 B TWI853773 B TW I853773B TW 113100586 A TW113100586 A TW 113100586A TW 113100586 A TW113100586 A TW 113100586A TW I853773 B TWI853773 B TW I853773B
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- advertisement delivery
- user group
- users
- aforementioned
- Prior art date
Links
- 238000002716 delivery method Methods 0.000 title claims description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 14
- 238000000034 method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
[課題] 提供一種利用到保險商品所相關之加入管道的廣告投放之機制。
[解決手段] 廣告投放裝置，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的該複數個使用者各自的成約機率；在該複數個使用者之中，對於該成約機率是滿足所定之條件的第1使用者群，較該複數個使用者之中該第1使用者群以外之第2使用者群，優先投放關於該所定之加入管道所對應之1個以上之保險商品的廣告。
Description
本發明係有關於廣告投放裝置、廣告投放方法、及廣告投放程式，特別是有關於，利用到保險商品所相關之加入管道的廣告投放技術。
從保險公司所開發的複數個保險商品，將適合於使用者的保險商品進行提案的技術，已被開發。例如，專利文獻1中係揭露一種保險提案裝置，係基於使用者的使用者屬性，來預測複數個保險商品之候補之各者的使用者所致之簽約之可能性，基於該所預測出來的可能性，而將要提案給使用者的保險商品之內容予以輸出。
又，近年來，從費用對效果等之觀點來看，對使用者的商品之提案，往往是藉由對使用者裝置的廣告投放而被進行。
[先前技術文獻]
[專利文獻]
[專利文獻1] 日本特開2022-93177號公報
[發明所欲解決之課題]
一般而言，使用者係為了加入保險(亦即為了簽約保險商品)，而會利用複數個加入管道之任一者。先前，有2個加入管道已為人知。第一個加入管道，係為代理店管道。代理店管道係為，使用者透過代理店而加入保險的管道。藉由利用代理店管道，例如使用者係可於代理店中與承辦人面對面而加入保險的管道。第二個加入管道，係為直接管道。直接管道係為，使用者直接造訪保險公司並加入保險的管道。藉由利用直接管道，例如使用者係可藉由網站或電話等，直接連絡保險公司，而加入保險。
藉由將前述的文獻所述之技術與廣告投放做組合，以預測複數個保險候補之各者的使用者所致之簽約之可能性，可將該可能性為高的保險商品，藉由廣告投放而提案給使用者。然而，關於利用到保險商品所相關之加入管道的廣告投放之機制，目前為止並未被人所提出。
本發明係有鑑於上記課題而研發，其目的在於，提供一種利用到保險商品所相關之加入管道的廣告投放之機制。
[用以解決課題之手段]
為了解決上記課題，依據本發明的廣告投放裝置之一態樣，係具有：預測部，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放部，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
為了解決上記課題，依據本發明的廣告投放方法，係含有：預測步驟，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放步驟，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
為了解決上記課題，依據本發明的廣告投放程式之一態樣，係為令電腦執行廣告投放處理所需之廣告投放程式，該廣告投放程式係用來令前記電腦執行包含以下之處理：預測處理，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放處理，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
[發明效果]
若依據本發明，則可提供一種利用到保險商品所相關之加入管道的廣告投放之機制。
上記本發明之目的、態樣及效果以及未被上記的本發明之目的、態樣及效果，係只要是當業者就可藉由參照添附圖式及申請專利範圍之記載而能理解下記的用以實施發明所需之形態。
以下參照添附圖式，詳細說明用以實施本發明所需之實施形態。以下所揭露的構成要素之中，具有相同機能者係標示相同的符號，並省略其說明。此外，以下所揭露的實施形態，係作為本發明的實現手段之一例，必須隨著本發明所被適用的裝置之構成或各種條件而做適宜修正或變更，本發明係不限定於以下的實施形態。又，本實施形態中所說明的特徵之組合之全部並不一定是本發明的解決手段所必須者。
[廣告投放系統的構成]
圖1中係圖示了依據本實施形態的廣告投放系統的構成例。本廣告投放系統，作為其一例，如圖1所示，係含有：廣告投放裝置10、和被任意之複數個使用者1～N所使用的複數個使用者裝置11-1～11-N(N＞1)，而被構成。此外，於以下的說明中，若無特別說明，則將使用者裝置11-1～11-N總稱為使用者裝置11。又，於以下的說明中，使用者裝置與使用者此一用語係可被同義地使用。又，於以下的說明中，為了所定之處理而被選擇的使用者1～N之任一使用者，可稱之為對象使用者。
使用者裝置11係為例如智慧型手機或平板這類裝置，係被構成為，可透過3GPP(Third Generation Partnership Project)(註冊商標)所規定的第5世代(5G)等所成的公眾網路、或無線LAN(Local Area Network)等之無線通訊網路，而與廣告投放裝置10進行通訊。使用者裝置11，係具有液晶顯示器等之顯示部(顯示面)，各使用者係可藉由該液晶顯示器中所被裝備的GUI(Graphic User Interface)而可進行各種操作。該操作係包含：以手指或觸控筆等進行的輕觸操作、滑動操作、捲動操作等，對畫面中所被顯示之影像等之內容的各種操作。
此外，使用者裝置11，係不限於如圖1所示之形態的裝置，亦可為桌上型之PC(Personal Computer)、或筆記型之PC這類裝置。此情況下，各使用者所做的操作，係可使用滑鼠或鍵盤這類輸入裝置而被進行。又，使用者裝置11，係亦可另外具備顯示面。
使用者裝置11的使用者，係可利用從廣告投放裝置10、或從未圖示的其他裝置透過廣告投放裝置10而被提供的複數個Web服務(網際網路關連服務)。這些Web服務係例如，使用者藉由對從廣告投放裝置10或其他裝置而被提供的API(Application Programming Interface)進行利用登錄，就可被該使用者做利用。對利用Web服務的各使用者，係賦予了用來識別使用者所需之使用者ID(使用者識別資訊)，各使用者係與使用者ID做連結，就可利用這些Web服務。
在本實施形態中，該Web服務係可包含線上商城或網路超市，或者通訊、金融、不動產、運動、旅行之相關服務。
甚至，該Web服務係還可包含車輛管理服務。於本實施形態中，車輛管理服務，係為提供與使用者所登錄之車輛相關連之服務的服務。此外，使用者所登錄的車輛，係不限定於使用者所擁有的車輛，亦可為使用者可直接或間接管理的車輛。
此外，於本實施形態中，使用者裝置11的使用者所能夠利用的複數個Web服務，係可藉由特定之管理公司及其集團公司(該管理公司之關連公司)而被直接或間接地管理及營運。又，該複數個Web服務係被構成為，可以使用於該複數個Web服務間為共通之使用者ID來管理資訊(例如使用者屬性等之關於使用者的資訊)。例如，可隨應於使用者所做的，該複數個Web服務中的任意之服務的利用，而將該複數個Web服務間為共通之點數等之電子性額值，對該使用者進行賦予。
廣告投放裝置10係被構成為，使用藉由機器學習所得之已學習模型(管道傾向預測模型112)，針對使用者1～N之各者，來預測其在保險商品所相關之加入管道中的成約機率。再者，廣告投放裝置10係進一步被構成為，基於該預測結果，而將該加入管道所對應之保險商品所相關之廣告予以投放。
[廣告投放裝置10的機能構成]
圖2係圖示依據本實施形態的廣告投放裝置10的機能構成之一例。
圖2所示的廣告投放裝置10，係具備：使用者屬性取得部101、預測部102、廣告投放部103、投放條件設定部104、學習模型記憶部110、及屬性記憶部120。學習模型記憶部110，係記憶有使用者屬性預測模型111及管道傾向預測模型112。關於該各種學習模型將於後述。又，屬性記憶部120，係記憶有使用者屬性121。關於該使用者屬性將於後述。
使用者屬性取得部101，係將使用者裝置11之使用者的使用者屬性(使用者特徵)，加以取得。於本實施形態中，所謂使用者屬性，係為關於使用者裝置或使用者的事實屬性(事實屬性之資訊)，是從使用者裝置或使用者所實際、或客觀所得的，基於事實的屬性。使用者屬性取得部101係可例如，從使用者裝置11直接取得使用者屬性。又，使用者屬性取得部101，係可把藉由使用者裝置11的使用者而被登錄至所定之Web服務的資訊，當作使用者屬性而加以取得。使用者屬性，係被綁定有使用者ID。
在本實施形態中，使用者屬性取得部101，係可將1個以上之Web服務中所被登錄的人口統計資訊、與該1個以上之Web服務中的服務利用資訊，當作事實屬性而加以取得。
人口統計資訊係為，性別、年齡、居住地區、職業、家族構成等之人口統計學上的表示使用者屬性的資訊。
服務利用資訊，係包含Web服務中的服務利用履歷。服務利用履歷係例如，於Web服務中購入了品項(商品或服務)的情況下，則包含所購入之品項所相關之資訊(品項名、類型、販售商等)或購入日期時間之資訊。又，服務利用資訊係可包含有：在藉由使用者購入品項之際被登錄於Web服務中的表示興趣取向的資料。又，服務利用資訊係可包含有：對Web服務的存取履歷、檢索履歷、留言履歷、其他行動履歷。
又，如前述，在本實施形態中，可利用的Web服務中係包含有車輛管理服務。車輛管理服務中的服務利用履歷係可包含有：該服務中所被登錄的車輛所相關之屬性(特徵)，例如：所擁有的車輛之廠牌名、車名、簽約保險公司名或簽約保險商品名(現在及/或過去)、型式、及換車頻繁度、從登錄至車輛管理服務起算的期間(時間資訊)。又，車輛管理服務中的服務利用履歷，係可包含有：該服務中所被登錄的車輛所相關之服務利用狀況，例如：車檢、洗車、及賣車。甚至，車輛管理服務中的服務利用履歷，係可包含有新購入車輛的相關之資訊。
又，使用者屬性取得部101係被構成為，將已取得之使用者屬性(事實屬性)，適用至已學習之使用者屬性預測模型111，而將針對該使用者屬性所被推定之推定使用者屬性(推定屬性之資訊)也加以取得。使用者屬性預測模型111係被構成為，把對象使用者的使用者屬性(亦即事實屬性)當作輸入，而將複數個使用者屬性分別會符合(適合)於對象使用者的機率(符合機率)予以輸出。使用者屬性取得部101，係根據符合機率，最終會決定出對象使用者的推定屬性。
例如，使用者屬性取得部101，作為對象使用者的使用者屬性，係將對象使用者的人口統計資訊與過去於Web服務中的購入履歷或表示興趣取向的資料，輸入至使用者屬性預測模型111。從使用者屬性預測模型111，作為符合機率，係將被推定為對象使用者會購入之複數個品項或對象使用者可能具有的複數個興趣取向所分別相對的機率，予以輸出。然後，使用者屬性取得部101，係可將具有所定值以上之機率的品項或興趣取向，當作對象使用者的推定屬性，而加以取得。又，亦可將機率本身當作推定屬性。
依據本實施形態的推定屬性係可包含有：有在工作的機率或有小孩的機率，這類關於使用者之人生階段的特徵。此處，有小孩的機率係可為，像是有0歲至1歲之小孩的機率、有2歲至6歲之小孩的機率、有小學生以上之小孩的機率這類，按照小孩的年齡而被區分的機率。
甚至，依據本實施形態的推定屬性係可包含有：去旅行的機率、從事運動的機率、抽煙的機率、飲酒的機率、有訂閱報紙的機率、會購入保健商品的機率這類，關於使用者之生活型態的特徵。此處，去旅行的機率係可像是：個人去旅行的機率、國內旅行的機率、國外旅行的機率這樣，按照旅行的目的或種別而被區分的機率。又，抽煙的機率或飲酒的機率，係可為按照場所(例如是在家裡還是在外面(餐廳等))而被區分的機率。
使用者屬性取得部101，係將已取得之事實屬性及推定屬性，當作使用者屬性121而記憶在屬性記憶部120中。使用者屬性，係與使用者ID做綁定而被記憶。使用者屬性取得部101係亦可被構成為，令使用者屬性121被記憶在外部的裝置中。
預測部102，係使用學習模型記憶部110中所被儲存的已學習之管道傾向預測模型112，針對使用者1～N之各者，來預測其對保險商品所相關之加入管道的管道傾向。具體而言，從屬性記憶部120中所被儲存之使用者屬性121，取得使用者1～N的使用者屬性，並將該使用者屬性，輸入至管道傾向預測模型112。已學習之管道傾向預測模型112係被構成為，把使用者的使用者屬性當作輸入，而會將表示該使用者對於保險商品所相關之複數個加入管道之各者的管道傾向的成約機率，加以預測(輸出)。在本實施形態中，複數個加入管道，係想定為代理店管道與直接管道的2個加入管道。代理店管道係為，使用者透過代理店而加入保險的管道；直接管道係為，使用者直接造訪保險公司並加入保險的管道。
在學習階段中，係使用在車輛管理服務之服務利用履歷中包含有簽約保險公司名或簽約保險商品名(現在及/或過去)的複數個使用者(以下稱之為樣本使用者)的使用者屬性，來讓管道傾向預測模型112進行學習。該樣本使用者，係為圖1所示的使用者1～N以外之使用者，該樣本使用者的使用者屬性，係預先藉由使用者屬性取得部101而被取得，並被儲存在屬性記憶部120中。在學習階段中，具體而言，首先，根據該簽約保險公司名或簽約保險商品名，以基於規則的方式，分類成代理店管道或直接管道，該已被分類之管道是被當作正解標籤而被設定。此外，往代理店管道或直接管道之分類，係不限定於基於規則的方式，亦可藉由機器學習或其他手法來進行。然後，把該樣本使用者的使用者屬性(包含事實屬性及/或推定屬性)當作輸入資料，讓管道傾向預測模型112進行學習，以使其會輸出正解標籤(表示代理店管道或直接管道的標籤(級別))。已學習之管道傾向預測模型112係被構成為，把使用者的使用者屬性當作輸入，而會預測該使用者在代理店管道與直接管道之各者中的成約機率。該成約機率，係以0～1之數值來表示，該數值越高，就意味著成約機率越高。又，管道傾向預測模型112係可被構成為，代理店管道與直接管道之各者的成約機率之合計會是1。
在本實施形態中，管道傾向預測模型112係為梯度提升模型、或隨機森林模型這類，使用到決策樹之集合的學習模型。藉由使用如此的學習模型，可將分析結果以樹狀結構的圖形而予以視覺化，因此可明瞭地分析哪一筆輸入資料，是對結果的成因。甚至，可提高精度，同時還可縮短計算時間。
此外，管道傾向預測模型112，係亦可藉由廣告投放裝置10的所定之機能區塊來進行學習而被儲存在學習模型記憶部110中，亦可藉由外部的裝置來進行學習而被儲存在學習模型記憶部110中。
預測部102，係對如此經過學習的管道傾向預測模型112，把使用者1～N各自的使用者屬性當作輸入，來預測其在保險商品所相關之2個加入管道之各者中的成約機率。圖3中圖示了預測部102所做的保險商品所相關之2個加入管道之各者的成約機率之預測程序的概念圖。如圖3所示，預測部102係將從使用者1～N任意選擇出來的對象使用者的使用者屬性31，從屬性記憶部120中所被儲存之使用者屬性121加以取得，並輸入至管道傾向預測模型112。此處，對象使用者的使用者屬性31，係可使用對象使用者的使用者ID，從使用者屬性121而被取得。對象使用者的使用者屬性31，係可包含有對象使用者的事實屬性與推定屬性。然後，預測部102，作為從管道傾向預測模型112之輸出，係將代理店管道的成約機率及直接管道的成約機率32加以取得。
代理店管道的成約機率及直接管道的成約機率，係分別以0～1之數值來表示。預測部102，係基於各者的成約機率是否滿足所定之條件，而將對象使用者分類至第1使用者群或第2使用者群。該所定之條件是所定之機率(數值)的情況下，預測部102，係識別該所定之機率以上之成約機率之加入管道，是否為代理店管道還是直接管道。然後，預測部102，係在已識別之加入管道是代理店管道的情況下，則將對象使用者分類至第1使用者群，若是直接管道的情況下，則將對象使用者分類至第2使用者群。第1使用者群係可說是對應於代理店管道的保險商品的成約機率較高(亦即適合於代理店管道)，第2使用者群係可說是對應於直接管道的保險商品的成約機率較高(亦即適合於直接管道)。
預測部102，係將如此的預測及分類處理，對使用者1～N的全部使用者進行。藉此，預測部102，係可將使用者1～N，分類(區段化)成適合於代理店管道的第1使用者群，和適合於直接管道的第2使用者群。
此外，在有代理店管道的成約機率及直接管道的成約機率都不滿足所定之條件的使用者存在的情況下，預測部102係亦可將如此的使用者，分類至第1使用者群或第2使用者群。例如，作為所定之條件的所定之機率是0.7，代理店管道的成約機率及直接管道的成約機率皆為0.5的情況下，任一者的成約機率皆不滿足所定之條件。如此的情況下，作為一例，預測部102係亦可將如此的使用者，分類至第2使用者群。這是因為，一般而言，透過直接管道加入的保險商品，係較透過代理店管道加入的保險商品還要低成本，對使用者而言應該是有益的。又，作為別的例子，預測部102，係亦可從如此的使用者的使用者屬性，取得該使用者的年齡之資訊，在該年齡是所定年齡以上的情況下，則將該使用者，分類至第1使用者群。這是因為，考慮到高齡者，可能伴隨年齡增長而認知能力等會降低，在保險商品的簽約之際，進行適切且充分的說明是重要的，因此被認為透過代理店管道(亦即面對面)加入會比較理想。
藉由如此的處理，預測部102，係可將使用者1～N，分類至第1使用者群(或第2使用者群)、和第1使用者群以外之使用者也就是第2使用者群(或第2使用者群以外之使用者的第1使用者群)。
廣告投放部103，係對已被預測部102所分類的第1使用者群和第2使用者群，投放適合於各個使用者群的保險商品之廣告。廣告投放部103，係在對第1使用者群投放保險商品的廣告之際，係可較第2使用者群還要優先地，對第1使用者群，投放對應於代理店管道的1個以上之保險商品的廣告。同樣地，廣告投放部103，係在對第2使用者群投放保險商品的廣告之際，係可較第1使用者群還要優先地，對第2使用者群，投放對應於直接管道的1個以上之保險商品的廣告。
對一方之使用者群，較他方之使用者群還要優先地投放廣告這件事情，係包含各式各樣的優先投放形態。
例如，對第1使用者群，投放對應於代理店管道的1個以上之保險商品的廣告這件事情係包含：對第1使用者群，以較第2使用者群還高的頻繁度，投放對應於代理店管道的1個以上之保險商品的廣告。又，對第1使用者群，投放對應於代理店管道的1個以上之保險商品的廣告這件事情係包含：對第1使用者群，早於第2使用者群之前，投放對應於代理店管道的1個以上之保險商品的廣告。
同樣地，對第2使用者群，投放對應於直接管道的1個以上之保險商品的廣告這件事情係包含：對第2使用者群，以較第1使用者群還高的頻繁度，投放對應於直接管道的1個以上之保險商品的廣告。又，對第2使用者群，投放對應於直接管道的1個以上之保險商品的廣告這件事情係包含：對第2使用者群，早於第1使用者群之前，投放對應於直接管道的1個以上之保險商品的廣告。
又，廣告投放部103，係可用任意的投放形式(投放類型)來投放廣告。投放形式，係亦可藉由操作者所做的透過了輸入部(圖5的輸入部55)的輸入操作而被設定，亦可藉由已被儲存在記憶部(圖5的ROM52或RAM53)中的任意之程式而被設定。甚至，廣告投放部103，係亦可依照藉由投放條件設定部104而被設定的投放條件，來投放廣告。
投放形式，係為例如電子郵件或應用程式內廣告(In-App Advertising)。投放形式，係亦可為電子郵件或應用程式內廣告、或者是雙方。所謂應用程式內廣告(或者亦可被稱作應用程式廣告)係為，在使用者裝置11中所正在啟動的應用程式上(例如應用程式的畫面內)所被顯示(刊載)的廣告。圖4中圖示應用程式內廣告之例子。於圖4中，畫面例41係為被顯示有橫幅廣告的畫面例。橫幅廣告，係為被顯示在應用程式的畫面中所被設置之廣告框中的廣告。藉由使用者，點選了橫幅廣告所被顯示之區域42，就可遷移至廣告對象之網頁。畫面例43係為被顯示有動態內廣告的畫面例。動態內廣告係為，以和被刊載於應用程式中的內容相同形式而被顯示的廣告。藉由點選動態內廣告所被顯示之區域44，就可遷移至廣告對象之網頁。畫面例45係為被顯示有彈出式廣告的畫面例。彈出式廣告，係在應用程式開啟時、或畫面遷移時，以覆蓋畫面之至少一部分的方式而被顯示的廣告。藉由點選彈出式廣告所被顯示之區域46，就可遷移至廣告對象之網頁。
回到圖2的說明，投放條件設定部104，係將針對廣告投放部103所致之廣告投放的條件(投放條件)，加以設定。投放條件係可包含有：投放形式、投放期間、投放頻繁度、或投放對象(例如投放數(投放對象之使用者數或使用者裝置數)、投放規模)之1者以上。例如，投放條件設定部104，係可將廣告投放所涉及之市場行銷成本予以評價，基於該評價結果，來設定投放條件。市場行銷成本，係可以投放數與投放成本(亦即針對1次投放的成本、單價)為依據。例如，市場行銷成本，係可藉由投放數與單價之乘算值(或者基於乘算值)，而被導出。又，一般而言，電子郵件所致之廣告投放係可用低成本來加以實現，而另一方面，應用程式內廣告係藉由較高成本即可實現。投放條件設定部104，係可針對所有的投放條件之模態來評價市場行銷成本，以不會超過給定之目標成本(例如對於2個加入管道之任一者的目標成本)的方式，來設定(決定)投放條件。又，在以所想定之投放條件之模態來做評價的市場行銷成本超出了目標成本的情況下，投放條件設定部104係亦可變更部分的投放條件。例如，以第1使用者群的全部使用者皆為投放對象，應用程式內廣告係為投放形式的此種模態來做評價的市場行銷成本超出了目標成本的情況下，投放條件設定部104係亦可將投放對象，限定成第1使用者群之中成約機率較高的複數個使用者的方式，來設定(變更)投放條件。或者，此情況下，投放條件設定部104係亦可將投放形式，從應用程式內廣告變更成電子郵件。
此外，市場行銷成本，係除了投放數與投放成本以外，亦可還基於使用者及每一加入管道之成約機率而被導出。又，市場行銷成本，係除了投放數與投放成本以外，亦可還基於使用者及每一加入管道之成約機率的倒數而被導出。又，市場行銷成本，係除了投放數與投放成本以外，亦可還基於使用者簽約了保險商品之情況的預先定義之提升值及成約機率所相應之期待值，而被導出。又，市場行銷成本係亦可基於：至少以投放數與投放成本為依據的乘算值(例如投放數與投放成本之乘算值)、以及使用者簽約了保險商品之情況的提升值及成約機率所相應之期待值的差分，而被導出。此外，所謂提升值係為，市場行銷策略對於銷售額帶來多少程度之影響的用來測定這類效率性的指標。
[廣告投放裝置10的硬體構成]
圖5係為依據本實施形態的廣告投放裝置10的硬體構成之一例的區塊圖。
依據本實施形態的廣告投放裝置10，係亦可實作於單一或複數之任何的電腦、行動裝置、或其他任意處理平台上。
參照圖5，雖然圖示了廣告投放裝置10係被實作於單一之電腦的例子，但依據本實施形態的廣告投放裝置10，係亦可被實作於含有複數個電腦的電腦系統中。複數個電腦，係可藉由有線或無線之網路而被連接成可相互通訊。
如圖5所示，廣告投放裝置10係可具備有：CPU(Central Processing Unit)51、ROM(Read Only Memory) 52、RAM(Random Access Memory)53、HDD(Hard Disk Drive)54、輸入部55、顯示部56、通訊I/F57、系統匯流排58。廣告投放裝置10還可具備有外部記憶體。
CPU51係整體控制廣告投放裝置10中的動作，透過資料傳輸路也就是系統匯流排58，而控制各構成部(52～57)。
ROM52係為，將CPU51執行處理所必須的控制程式等加以記憶的非揮發性記憶體。此外，該程式係亦可被記憶在HDD54、SSD(Solid State Drive)等之非揮發性記憶體或可裝卸式的記憶媒體(未圖示)等之外部記憶體。
RAM53，係為揮發性記憶體，係作為CPU51的主記憶體、工作區等而發揮機能。亦即，CPU51係在處理執行之際，從ROM52將必要的程式等載入至RAM53中，藉由執行該程式等以實現各種機能動作。圖2所示的學習模型記憶部110及屬性記憶部120，係可由RAM53來加以構成。
HDD54係將例如，CPU51使用程式進行處理之際所必須的各種資料或各種資訊等，加以記憶。又，HDD54中係還記憶有例如，CPU51使用程式等進行處理所得到的各種資料或各種資訊等。
輸入部55，係由鍵盤或滑鼠等之指標裝置所構成。
顯示部56係由液晶顯示器(LCD)等之螢幕所構成。顯示部56，係亦可藉由與輸入部55做組合而被構成，以成為GUI(Graphical User Interface)而發揮機能。
通訊I/F57係為控制廣告投放裝置10與外部的裝置之通訊的介面。
通訊I/F57，係提供與網路之介面，並透過網路而執行與外部的裝置之通訊。透過通訊I/F57，而與外部的裝置之間會收送各種資料或各種參數等。在本實施形態中，通訊I/F57係可透過依據乙太網路(註冊商標)等之通訊規格的有線LAN(Local Area Network)或專線而執行通訊。但是，本實施形態中所能利用的網路係不限定於此，亦可由無線網路所構成。該無線網路係包含Bluetooth(註冊商標)、ZigBee(註冊商標)、UWB(Ultra Wide Band)等之無線PAN(Personal Area Network)。又，亦包含Wi-Fi(Wireless Fidelity)(註冊商標)等之無線LAN(Local Area Network)、或WiMAX(註冊商標)等之無線MAN(Metropolitan Area Network)。甚至還包含了，3GPP所規定的5G等之公眾網路(無線WAN(Wide Area Network))。此外，網路係只要能夠將各機器相互可通訊地連接、可進行通訊即可，通訊的規格、規模、構成係不限於上記。
圖2所示的廣告投放裝置10的各要素之中至少一部分之機能，係可藉由CPU51執行程式而加以實現。但是，圖2所示的廣告投放裝置10的各元件之中至少一部分之機能亦可作為專用之硬體而作動。此情況下，專用的硬體，係基於CPU51的控制而作動。
[使用者裝置11的硬體構成]
圖1所示的使用者裝置11的硬體構成，係可和圖5相同。亦即，使用者裝置11，係可具備有：CPU51、ROM52、RAM53、HDD54、輸入部55、顯示部56、通訊I/F57、系統匯流排58。使用者裝置11，係可將廣告投放裝置10所提供的各種資訊，顯示於顯示部56，並進行透過GUI(輸入部55與顯示部56所致之構成)而從使用者受理的輸入操作所對應之處理。
[處理的流程]
圖6中圖示了依據本實施形態的廣告投放裝置10所執行的處理的流程圖。圖6所示的處理，係可藉由廣告投放裝置10的CPU51將ROM52等中所被儲存的程式載入至RAM53中並加以執行，而被實現。假設已學習之使用者屬性預測模型111及管道傾向預測模型112，係已經被儲存在學習模型記憶部110中。又，假設使用者屬性121，係已經被儲存在屬性記憶部120中。
於S61中，使用者屬性取得部101，係將複數個使用者的使用者屬性，加以取得。在本實施形態中，使用者屬性取得部101，係從使用者裝置11-1～11-N，將使用者1～N的使用者屬性(事實屬性)，加以取得。又，使用者屬性取得部101，係也可基於該事實屬性，使用使用者屬性預測模型111，而取得對使用者1～N所被推定之使用者屬性(推定屬性)。使用者屬性取得部101，係將已取得之事實屬性和推定屬性，與各使用者的使用者ID做綁定，當作使用者屬性121而記憶在屬性記憶部120中。
於S62中，預測部102，係將S61中所被取得的使用者1～N的各使用者屬性，輸入至管道傾向預測模型112，針對使用者1～N的各者，來預測其在保險商品所相關之所定之加入管道中的成約機率(管道傾向)。在本實施形態中，管道傾向預測模型112係被構成為，會預測代理店管道的成約機率及直接管道的成約機率。預測部102，係將作為廣告對象管道而設定的所定之加入管道(代理店管道或直接管道之任一者)的成約機率，加以預測。在圖6的例子中，係將所定之加入管道，假設成代理店管道來做說明。針對使用者1～N的全部使用者而預測了所定之加入管道(在本例中係為代理店管道)的成約機率後，處理係往S63前進。
於S63中，預測部102，係基於所預測的成約機率，而將使用者1～N，分類(區段化)成適合於代理店管道的第1使用者群、和其以外之(亦即適合於直接管道的)第2使用者群。具體而言，預測部102，係將所預測的成約機率是滿足所定之條件(例如所定之機率)的複數個使用者，分類至第1使用者群。此外，如前述，預測部102，係即使是所預測的成約機率並未滿足所定之條件的使用者，亦可基於該使用者的使用者屬性等，而分類至第1使用者群。
在S63中，在分類至第1使用者群和第2使用者群後，於S64中，投放條件設定部104係將針對廣告投放部103所致之廣告投放的條件(投放條件)，加以設定。此外，S64的處理係可為選用性的處理。例如，投放條件設定部104，係以使得以投放數與投放成本為依據的市場行銷成本，不會超出對代理店管道的目標成本的方式，來設定投放條件。投放條件係可包含有：投放形式、投放期間、投放頻繁度、或投放對象之1者以上。
於S65中，廣告投放部103，係對第1使用者群而將所定之管道(在本例中係為代理店管道)所對應之1個以上之保險商品的廣告，進行投放。廣告投放部103，係在對第1使用者群投放保險商品的廣告之際，係可較第2使用者群還要優先地，對第1使用者群，投放對應於代理店管道的1個以上之保險商品的廣告。例如，廣告投放部103，係可藉由電子郵件或應用程式內廣告，來投放該1個以上之保險商品的廣告。又，作為對第1使用者群的優先的廣告投放，廣告投放部103，係可對前記第1使用者群，以較前記第2使用者群還高的頻繁度，投放該1個以上之保險商品的廣告。亦可外加於其，或取而代之，廣告投放部103，係可對前記第1使用者群，早於前記第2使用者群之前，投放該1個以上之保險商品的廣告。於S64中，在投放條件設定部104有設定了投放條件的情況下，則廣告投放部103，係依照該投放條件，來投放廣告。
此外，雖然為了圖6的說明而想定所定之管道係為代理店管道，但所定之管道是直接管道的情況下，也可適用相同的說明。
如此，依據本實施形態的廣告投放裝置，係將對於保險商品所相關之所定之加入管道的成約機率(管道傾向)，使用複數個使用者各自的使用者屬性與已學習之學習模型，來進行預測。然後，該廣告投放裝置，係對成約機率是滿足所定之條件的使用者群，將對應於該加入管道的保險商品之廣告，優先投放。亦即，廣告投放裝置，係使用學習模型，根據使用者屬性，進行適合於所定之加入管道的使用者區段之生成(使用者區段化)，並對該使用者區段，優先地進行對應於該加入管道的1個以上之保險商品的廣告投放。藉此，就可基於使用者屬性，自動地進行針對保險商品所相關之加入管道的使用者區段化，可達成高CVR(轉換率)而實現有效果的廣告投放。
又，即使是已經有簽約了保險商品的使用者，在根據使用者屬性，而被預測成與該已簽約之保險商品之加入管道不同的加入管道是較為適合的情況下，則廣告投放裝置係亦可將對應於該不同之加入管道的保險商品的廣告，進行投放。藉此，隨著情況不同，使用者係可以選擇最新的保險商品、或可削減保險費，因此可提升對廣告投放服務或保險服務的CS(顧客滿意度)。
此外，雖然於上記中說明了特定的實施形態，但該實施形態係僅為單純的例示，並非意圖限定本發明的範圍。本說明書中所記載的裝置及方法係亦可於上記以外的形態中做具體化。又，亦可在不脫離本發明的範圍下，對上記的實施形態適宜地進行省略、置換及變更。進行了所述的省略、置換及變更的形態，係被申請專利範圍中所記載之事項及其均等物之範疇所包含，而仍屬於本發明的技術範圍內。
本實施形態的揭露係包含以下的構成。
[1] 一種廣告投放裝置，係具有：預測部，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放部，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
[2] 如[1]所記載之廣告投放裝置，其中，前記使用者屬性係包含：關於使用者的事實屬性、和基於前記事實屬性而被推定出來的推定屬性。
[3] 如[1]或[2]所記載之廣告投放裝置，其中，前記使用者屬性係包含：使用者於包含車輛管理服務的Web服務中所做的利用履歷。
[4] 如[1]至[3]之任一項所記載之廣告投放裝置，其中，前記已學習模型，係為隨機森林模型或是梯度提升模型。
[5] 如[1]至[4]之任一項所記載之廣告投放裝置，其中，前記廣告投放部，係將關於前記1個以上之保險商品的廣告，藉由電子郵件，來對前記第1使用者群進行投放。
[6] 如[1]至[5]之任一項所記載之廣告投放裝置，其中，前記廣告投放部，係將關於前記1個以上之保險商品的廣告，藉由應用程式內廣告，來對前記第1使用者群進行投放。
[7] 如[1]至[6]之任一項所記載之廣告投放裝置，其中，前記廣告投放部，係對前記第1使用者群，以較前記第2使用者群還高的頻繁度，投放關於前記1個以上之保險商品的廣告。
[8] 如[1]至[7]之任一項所記載之廣告投放裝置，其中，前記廣告投放部，係對前記第1使用者群，早於前記第2使用者群之前，投放關於前記1個以上之保險商品的廣告。
[9] 如[1]至[8]之任一項所記載之廣告投放裝置，其中，還具有：投放條件設定部，係以使得在以廣告之投放數與投放成本為基礎的市場行銷成本，不會超過對於前記所定之加入管道的目標成本的方式，來設定投放條件；前記廣告投放部，係依照前記投放條件，而對前記第1使用者群，較前記第2使用者群，優先投放關於前記1個以上之保險商品的廣告。
[10] 一種廣告投放方法，係含有：預測步驟，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放步驟，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
[11] 一種廣告投放程式，係為令電腦執行廣告投放處理所需之廣告投放程式，該廣告投放程式係用來令前記電腦執行包含以下之處理：預測處理，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放處理，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
1~N:使用者
10:廣告投放裝置
11-1~11-N:使用者裝置
31:使用者屬性
32:代理店管道的成約機率及直接管道的成約機率
41,43,45:畫面例
42,44,46:區域
51:CPU
52:ROM
53:RAM
54:HDD
55:輸入部
56:顯示部
57:通訊I/F
58:系統匯流排
101:使用者屬性取得部
102:預測部
103:廣告投放部
104:投放條件設定部
110:學習模型記憶部
111:使用者屬性預測模型
112:管道傾向預測模型
120:屬性記憶部
121:使用者屬性
[圖1]圖1係圖示依據實施形態的廣告投放系統的構成例。
[圖2]圖2係圖示依據實施形態的廣告投放裝置的機能構成例。
[圖3]圖3係圖示保險商品所相關之任一加入管道的成約機率之預測程序的概念圖。
[圖4]圖4係圖示應用程式內廣告之例子。
[圖5]圖5係圖示依據實施形態的廣告投放裝置與使用者裝置的硬體構成例。
[圖6]圖6係圖示依據實施形態的廣告投放裝置所執行的處理的流程圖。
1~N:使用者
10:廣告投放裝置
11-1~11-N:使用者裝置
Claims (11)
- 一種廣告投放裝置，係具有：預測部，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放部，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
- 如請求項1所記載之廣告投放裝置，其中，前記使用者屬性係包含：關於使用者的事實屬性、和基於前記事實屬性而被推定出來的推定屬性。
- 如請求項1所記載之廣告投放裝置，其中，前記使用者屬性係包含：使用者於包含車輛管理服務的Web服務中所做的利用履歷。
- 如請求項1所記載之廣告投放裝置，其中，前記已學習模型，係為隨機森林模型或是梯度提升模型。
- 如請求項1所記載之廣告投放裝置，其 中，前記廣告投放部，係將關於前記1個以上之保險商品的廣告，藉由電子郵件，來對前記第1使用者群進行投放。
- 如請求項1所記載之廣告投放裝置，其中，前記廣告投放部，係將關於前記1個以上之保險商品的廣告，藉由應用程式內廣告，來對前記第1使用者群進行投放。
- 如請求項1所記載之廣告投放裝置，其中，前記廣告投放部，係對前記第1使用者群，以較前記第2使用者群還高的頻繁度，投放關於前記1個以上之保險商品的廣告。
- 如請求項1所記載之廣告投放裝置，其中，前記廣告投放部，係對前記第1使用者群，早於前記第2使用者群之前，投放關於前記1個以上之保險商品的廣告。
- 如請求項1所記載之廣告投放裝置，其中，還具有：投放條件設定部，係以使得在以廣告之投放數與投放成本為基礎的市場行銷成本，不會超過對於前記所定之加入管道的目標成本的方式，來設定投放條件； 前記廣告投放部，係依照前記投放條件，而對前記第1使用者群，較前記第2使用者群，優先投放關於前記1個以上之保險商品的廣告。
- 一種廣告投放方法，係為藉由廣告投放裝置而被執行的廣告投放方法，其係含有：預測步驟，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放步驟，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
- 一種廣告投放程式，係為令電腦執行廣告投放處理所需之廣告投放程式，該廣告投放程式係用來令前記電腦執行包含以下之處理：預測處理，係將複數個使用者各自的使用者屬性，輸入至藉由機器學習所得之已學習模型，來預測保險商品所相關之所定之加入管道的前記複數個使用者各自的成約機率；和廣告投放處理，係在前記複數個使用者之中，對於前記成約機率是滿足所定之條件的第1使用者群，較前記複數個使用者之中前記第1使用者群以外之第2使用者群，優 先投放關於前記所定之加入管道所對應之1個以上之保險商品的廣告。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023-026002 | 2023-02-22 | ||
| JP2023026002A JP7481520B1 (ja) | 2023-02-22 | 2023-02-22 | 広告配信装置、広告配信方法、および広告配信プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI853773B true TWI853773B (zh) | 2024-08-21 |
| TW202435143A TW202435143A (zh) | 2024-09-01 |
Family
ID=90926005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW113100586A TWI853773B (zh) | 2023-02-22 | 2024-01-05 | 廣告投放裝置、廣告投放方法、及廣告投放程式 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7481520B1 (zh) |
| TW (1) | TWI853773B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2026042236A1 (ja) * | 2024-08-22 | 2026-02-26 | 株式会社Ｎｔｔドコモ | 情報処理装置および情報処理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240158A1 (en) * | 2017-02-17 | 2018-08-23 | Kasatria Analytics Sdn Bhd | Computer implemented system and method for customer profiling using micro-conversions via machine learning |
| CN109003143A (zh) * | 2018-08-03 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 利用深度强化学习进行推荐营销的方法及装置 |
| CN112529624A (zh) * | 2020-12-15 | 2021-03-19 | 北京百度网讯科技有限公司 | 生成业务预测模型的方法、装置、设备以及存储介质 |
| CN113052653A (zh) * | 2021-03-24 | 2021-06-29 | 珠海华发金融科技研究院有限公司 | 一种金融产品内容推荐方法、系统及计算机可读存储介质 |
| TWI755054B (zh) * | 2020-09-09 | 2022-02-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統與方法 |
| TW202232411A (zh) * | 2021-02-12 | 2022-08-16 | 日商樂天集團股份有限公司 | 資訊通訊系統、及資訊通訊方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2010200562B2 (en) | 2009-02-17 | 2010-11-11 | Accenture Global Services Limited | Internet marketing channel optimization |
| JP6035404B1 (ja) | 2015-11-17 | 2016-11-30 | 日本生命保険相互会社 | 訪問準備システム |
| JP6739400B2 (ja) | 2017-06-06 | 2020-08-12 | カタリナ マーケティング ジャパン株式会社 | 情報収集処理システム |
| JP7407104B2 (ja) | 2020-12-11 | 2023-12-28 | 東京海上日動火災保険株式会社 | 保険提案装置、保険提案方法およびプログラム |
-
2023
- 2023-02-22 JP JP2023026002A patent/JP7481520B1/ja active Active
-
2024
- 2024-01-05 TW TW113100586A patent/TWI853773B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240158A1 (en) * | 2017-02-17 | 2018-08-23 | Kasatria Analytics Sdn Bhd | Computer implemented system and method for customer profiling using micro-conversions via machine learning |
| CN109003143A (zh) * | 2018-08-03 | 2018-12-14 | 阿里巴巴集团控股有限公司 | 利用深度强化学习进行推荐营销的方法及装置 |
| TWI755054B (zh) * | 2020-09-09 | 2022-02-11 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統與方法 |
| TW202211104A (zh) * | 2020-09-09 | 2022-03-16 | 玉山商業銀行股份有限公司 | 智能金融商品推薦系統與方法 |
| CN112529624A (zh) * | 2020-12-15 | 2021-03-19 | 北京百度网讯科技有限公司 | 生成业务预测模型的方法、装置、设备以及存储介质 |
| TW202232411A (zh) * | 2021-02-12 | 2022-08-16 | 日商樂天集團股份有限公司 | 資訊通訊系統、及資訊通訊方法 |
| CN113052653A (zh) * | 2021-03-24 | 2021-06-29 | 珠海华发金融科技研究院有限公司 | 一种金融产品内容推荐方法、系统及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202435143A (zh) | 2024-09-01 |
| JP2024119240A (ja) | 2024-09-03 |
| JP7481520B1 (ja) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aloysius et al. | Big data initiatives in retail environments: Linking service process perceptions to shopping outcomes | |
| Huh et al. | Do early adopters upgrade early? Role of post-adoption behavior in the purchase of next-generation products | |
| Viswanathan et al. | The dynamics of consumer engagement with mobile technologies | |
| Tamaddoni et al. | Comparing churn prediction techniques and assessing their performance: A contingent perspective | |
| McDonald et al. | Predicting which season ticket holders will renew and which will not | |
| US20220309523A1 (en) | Optimization of send time of messages | |
| US20110231243A1 (en) | Customer state-based targeting | |
| Burez et al. | Separating financial from commercial customer churn: A modeling step towards resolving the conflict between the sales and credit department | |
| US20110231245A1 (en) | Offline metrics in advertisement campaign tuning | |
| US20110231246A1 (en) | Online and offline advertising campaign optimization | |
| Prodanova et al. | Are you technologically prepared for mobile shopping? | |
| Fu et al. | Effects of membership tier on user content generation behaviors: Evidence from online reviews | |
| JP2016118865A (ja) | 生成装置、生成方法、及び、プログラム | |
| Putri et al. | Environment factors affecting individual’s continuance usage of mobile payment technology in Indonesia | |
| Bhat et al. | Antecedents and consequences of online buying behavior: a mediation study | |
| US20110231244A1 (en) | Top customer targeting | |
| Finney Rutten et al. | Increasing public awareness of direct‐to‐consumer genetic tests: health care access, internet use, and population density correlates | |
| Cavalinhos et al. | Mobile devices usage in retail settings: gender and generation preferences | |
| TWI853773B (zh) | 廣告投放裝置、廣告投放方法、及廣告投放程式 | |
| Kumar et al. | Transformative marketing with machine learning (ML) | |
| WO2024215629A1 (en) | Machine learning technologies for identifying category purchases and generating digital product offers | |
| US20230360066A1 (en) | Machine-Learning-Based Prediction of Account Outcome | |
| Huang et al. | Exploring third-party’s brand rankings from consumers’ persuasion knowledge | |
| JP2023149687A (ja) | 情報処理装置、情報処理方法、モデル構築方法、およびプログラム | |
| US9886676B1 (en) | Behavior-based business recommendations |