一种营销系统及方法与流程

本发明涉及互联网技术领域，具体来说涉及一种营销系统及方法。

背景技术：

网络广告发展迅速,在广告主品牌非行销部分预算中居所有媒体的第二位，并且有上升趋势。互联网是广告主推广产品的载体，网络广告是广告主推广的有效快捷平台。如何提高网络广告中广告投放效果是亟待解决的问题。

技术实现要素：

针对相关技术中的问题，本发明提出一种营销系统及方法，解决现有的广告与用户匹配精准、广告传播效果不透明的问题。

为了实现上述技术目的，本发明的技术方案是这样的：

一种营销系统，包括流量渠道端、广告投放引擎、投放计划缓存池及广告管理端；

流量渠道，用于向消费者展示广告信息；

广告投放引擎，广告信息数据的对外展示接口，采用协同过滤算法对请求数据的用户行为进行分析，根据不同的用户行为在投放计划缓存池提取符合条件的数据反馈给流量渠道；

投放计划缓存池，保存广告数据及离线分析数据，同时将前台的用户行为与后台的广告数据连接起来；

广告管理模块，用于广告主信息的录入，在广告主下发布广告信息及广告投放计划；

所述流量渠道、广告投放引擎均连接到离线数据收集模块，所述离线数据收集模块连接数据存储模块，所述数据存储模块还连接广告投放引擎及广告管理模块。

进一步的，所述流量渠道包括短网址平台、支付平台。

进一步的，广告引擎分析的不同用户行为，分为显性反馈行为和隐性反馈行为；显性反馈行为包括用户明确表示对物品喜好的行为，隐性反馈行为指的是那些不能明确反应用户喜好的行为。

进一步的，所述广告管理模块包括营销运营平台和广告主管理平台。

进一步的，所述离线数据收集模块是通过logstash提取流量渠道的用户行为日志数据，并写入数据分析系统hadoop、sprak、ElasticSearch中。

进一步的，所述数据存储模块包括Mysql数据库及MongoDB数据库。

一种营销方法，具体包括以下步骤：

S1：流量渠道，向消费者展示广告信息；

S2：广告投放，广告信息数据的对外展示，采用协同过滤算法对请求数据的用户行为进行分析，根据不同的用户行为在投放计划缓存池提取符合条件的数据反馈给流量渠道；

S3：投放计划缓存，保存广告数据及离线分析数据，同时将前台的用户行为与后台的广告数据连接起来；

S4：广告管理，广告主信息录入，在广告主下发布广告信息及广告投放计划。

本发明的有益效果：解决传统广告习惯撒大网，有“量”无“质”，无法精确将人群分类并送达信息的痛点，此系统以“数据”、“精准”、“转化”、“品牌”为基础，广告传播能精准到达人群，实现“量”和“质”之间的平衡与统一，提高广告效果转化率；解决传统广告传播效果不透明，黑箱状态的痛点，广告效果数据可实时查看，让广告主花的每一分钱都有价值；广告商可随时修改广告投放时间、点击出价、广告创意等信息。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例所述一种营销系统的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种营销系统，包括流量渠道端、广告投放引擎、投放计划缓存池及广告管理端；

流量渠道，用于向消费者展示广告信息（包括自有流量和外部采买）；

广告投放引擎，广告信息数据的对外展示接口，采用协同过滤算法（在用户不断地和网站互动过程中，使用户的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足用户的需求）对请求数据的用户行为进行分析，用户行为在个性化推荐系统中分两种:显性反馈行为和隐性反馈行为，显性反馈行为包括用户明确表示对物品喜好的行为：主要方式评分喜欢/不喜欢、主动搜索行为；隐性反馈行为指的是那些不能明确反应用户喜好的行为：最具代表性的隐性反馈行为就是页面浏览行为；根据不同的用户行为在投放计划缓存池提取符合条件的数据反馈给流量渠道；

投放计划缓存池，基于redis的数据缓存，保存广告数据及离线分析数据；基于redisearch的分词、推荐、过滤功能，将前台的用户行为与后台的广告数据连接起来；

广告管理模块，广告信息的维护平台，用于广告主信息的录入，在广告主下发布广告信息及广告投放计划；

所述流量渠道、广告投放引擎均连接到离线数据收集模块，所述离线数据收集模块连接数据存储模块，所述数据存储模块还连接广告投放引擎及广告管理模块。

在本实施例中，所述流量渠道包括短网址平台、支付平台。

在本实施例中，广告引擎分析的不同用户行为，分为显性反馈行为和隐性反馈行为；显性反馈行为包括用户明确表示对物品喜好的行为，隐性反馈行为指的是那些不能明确反应用户喜好的行为。

在本实施例中，所述广告管理模块包括营销运营平台和广告主管理平台。

在本实施例中，所述离线数据收集模块是通过logstash提取流量渠道的用户行为日志数据，并写入数据分析系统hadoop、sprak、ElasticSearch中。

在本实施例中，所述数据存储模块包括Mysql数据库及MongoDB数据库。

离线数据收集：通过logstash提取流量渠道的用户行为日志数据（浏览网页、页面点击行为、所属地域、用户cookie等）。写入数据分析系统hadoop、sprak、ElasticSearch；

离线数据分析：基于基于邻域的算法：主要包括两大类:基于用户的协同过滤算法(这种算法给用户推荐和他兴趣相似的其他用户喜欢的物品) 。基于物品的协同过滤算法，这种算法给用户推荐和他之前喜欢的物品相似的物品。

基于用户的协同过滤算法：主要包括两个步骤：(1) 找到和目标用户兴趣相似的用户集合；(2) 找到这个集合中的用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。

基于物品的协同过滤算法，通过用户对不同物品的评分来评测物品之间的相似性，基于物品之间的相似性做出推荐，简单来讲就是：给用户推荐和他之前喜欢的物品相似的物品。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。