投资回报率预测方法、装置、设备及计算机可读介质与流程

1.本技术涉及营销智能技术领域，尤其涉及一种投资回报率预测方法、装置、设备及计算机可读介质。


背景技术：

2.随着信息化时代的到来，新型广告营销的类型也越来越多，其中包括电商广告、信息流广告以及kol内容广告。信息流广告是位于社交媒体用户的好友动态、或者资讯媒体和视听媒体内容流中的广告。信息流广告的形式有图片、图文、视频等，特点是算法推荐、原生体验，可以通过标签进行定向投放，根据自己的需求选择推曝光、落地页或者应用下载等等，最后的效果取决于创意 定向 竞价三个关键因素。kol(key opinion leader，关键意见领袖)是指拥有更多、更准确的产品信息，且为相关群体所接受或信任，并对该群体的购买行为有较大影响力的人。通过新型广告营销往往能够使得广告主获得相对较高的roi(return on investment投资回报率)。
3.目前，相关技术中，针对投资回报率的评估，通常是直接转化和间接转化。直接转化如通过kol带货短链接转化、信息流直接跳转等，间接转化如将社交平台中kol的粉丝id与电商平台中的会员id进行信息碰撞，或是将信息流设备id与登录电商平台的设备id进行碰撞。然而，相关技术中要进行上述转化评估，需要搜集、使用、加工、传输用户的个人信息，侵犯了用户的个人隐私。不仅如此，广告主投入资源和广告数据表现很难通过线性关系来界定，因此直接通过数据表现来评估投资回报率也是不科学的。加之不同类型的广告的推广效果缺乏同一的横向评估标准，因此很难对不同广告的营销效果进行评估。
4.针对现有投资回报率的评估需要采集用户个人数据的问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本技术提供了一种投资回报率预测方法、装置、设备及计算机可读介质，以解决现有投资回报率的评估需要采集用户个人数据的技术问题。
6.根据本技术实施例的一个方面，本技术提供了一种投资回报率预测方法，包括：
7.获取电商平台中目标商品的总访问量数据，其中，目标商品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品；
8.从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据；
9.基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。
10.可选地，从总访问量数据中抽取出基线访问量数据之前，所述方法还包括按照如下方式确定基线访问量数据：
11.确定回溯时间；
12.在回溯时间范围内找出总访问量数据中来源于电商平台站内搜索的第一访问量数据；
13.按照第一访问量数据的大小，以天为单位对回溯时间进行排序；
14.在排序结果中选取目标排序位置之后的目标时间；
15.将目标时间内第一访问量数据的平均值作为基线访问量数据。
16.可选地，确定每个社交媒体平台中的每个推广活动的投资回报率之前，所述方法还包括确定每个社交媒体平台的平台权重，其中，所述方法包括按照如下方式确定任一社交媒体平台的平台权重：
17.从社交媒体总贡献访问量数据中提取出来源于目标社交媒体平台引流的第二访问量数据，并获取目标对象在目标社交媒体平台上投入资源后的关键指标响应数据；
18.在第二访问量数据与关键指标响应数据具有线性关联关系的情况下，基于线性关联关系确定目标社交媒体平台的平台权重。
19.可选地，确定任一社交媒体平台的平台权重还包括：
20.在第二访问量数据与关键指标响应数据不具有线性关联关系的情况下，将关键指标响应数据输入预设的非线性回归模型；
21.获取非线性回归模型输出的访问量预测数据；
22.在访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将非线性回归模型的权重参数确定为目标社交媒体平台的平台权重；
23.在访问量预测数据与第二访问量数据的相似度小于目标阈值的情况下，调整非线性回归模型的权重参数，直至非线性回归模型重新输出的访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将权重参数确定为目标社交媒体平台的平台权重。
24.可选地，确定每个社交媒体平台中的每个推广活动的投资回报率之前，所述方法还包括确定每个平台中的推广活动的推广指标指数，其中，所述方法包括按照如下方式确定任一推广活动的推广指标指数：
25.获取目标推广活动的关键指标响应数据，其中，目标推广活动包括关键意见领袖内容推广活动和信息流加推推广活动二者至少之一，关键指标响应数据包括关键意见领袖内容推广活动的实际互动量和信息流加推推广活动的点击量二者至少之一；
26.确定关键指标响应数据的对数值；
27.确定对数值的t分数曲线；
28.将t分数曲线中的左尾概率值确定为目标推广活动的推广指标指数，其中，推广指标指数为关键指标响应数据的标准化概率。
29.可选地，确定每个社交媒体平台中的每个推广活动的投资回报率包括按照如下方式确定任一推广活动的投资回报率：
30.获取目标关键意见领袖内容推广活动的第一推广指标指数和目标关键意见领袖内容推广活动所在社交媒体平台的第一平台权重；
31.将第一推广指标指数与第一平台权重的乘积作为目标关键意见领袖内容推广活动的投资回报率；或者，
32.获取目标信息流加推推广活动的第二推广指标指数和目标信息流加推推广活动
所在社交媒体平台的第二平台权重；
33.将第二推广指标指数与第二平台权重的乘积作为目标信息流加推推广活动的投资回报率。
34.可选地，确定推广活动的投资回报率之后，所述方法还包括按照如下方式确定单个推广活动在目标单位时间内所贡献的访客量：
35.确定所有推广活动的投资回报率总和；
36.确定单个推广活动的投资回报率与投资回报率总和的商值；
37.将目标单位时间内社交媒体总贡献访问量数据与商值的乘积作为单个推广活动在目标单位时间内所贡献的访客量。
38.根据本技术实施例的另一方面，本技术提供了一种投资回报率预测装置，包括：
39.数据获取模块，用于获取电商平台中目标商品的总访问量数据，其中，目标商品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品；
40.增量数据提取模块，用于从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据；
41.投资回报率预测模块，用于基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。
42.根据本技术实施例的另一方面，本技术提供了一种电子设备，包括存储器、处理器、通信接口及通信总线，存储器中存储有可在处理器上运行的计算机程序，存储器、处理器通过通信总线和通信接口进行通信，处理器执行计算机程序时实现上述方法的步骤。
43.根据本技术实施例的另一方面，本技术还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行上述的方法。
44.本技术技术方案可以应用于营销智能技术进行预测与优化。本技术实施例提供的上述技术方案与相关技术相比具有如下优点：
45.本技术技术方案为获取电商平台中目标商品的总访问量数据，其中，目标商品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品；从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据；基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。本技术从电商平台中目标商品的总访问量、多个社交媒体平台引流的访问量等非用户数据出发，跨领域、标准化的针对每个社交媒体平台中的每个推广活动进行投资回报率预测，解决了现有投资回报率的评估需要采集用户个人数据的技术问题。
附图说明
46.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
47.为了更清楚地说明本技术实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
48.图1为根据本技术实施例提供的一种可选的投资回报率预测方法硬件环境示意图；
49.图2为根据本技术实施例提供的一种可选的投资回报率预测方法流程示意图；
50.图3为根据本技术实施例提供的一种可选的投资回报率预测装置框图；
51.图4为本技术实施例提供的一种可选的电子设备结构示意图。
具体实施方式
52.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
53.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本技术的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
54.相关技术中，针对投资回报率的评估，通常是直接转化和间接转化。直接转化如通过kol带货短链接转化、信息流直接跳转等，间接转化如将社交平台中kol的粉丝id与电商平台中的会员id进行信息碰撞，或是将信息流设备id与登录电商平台的设备id进行碰撞。然而，相关技术中要进行上述转化评估，需要搜集、使用、加工、传输用户的个人信息，侵犯了用户的个人隐私。不仅如此，采集用户的个人数据其实是想获取广告主投入资源对应的数据表现(如社交平台中kol投放广告的转赞评、收藏量、阅读量、视频观看量等相关数据)，然而广告主的投入与数据表现很难通过线性关系来界定，因此直接通过数据表现来评估投资回报率也是不科学的。加之不同类型的广告的推广效果缺乏同一的横向评估标准，因此很难对不同广告的营销效果进行评估。
55.为了解决背景技术中提及的问题，根据本技术实施例的一方面，提供了一种投资回报率预测方法的实施例。
56.可选地，在本技术实施例中，上述投资回报率预测方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示，服务器103通过网络与终端101进行连接，可用于为终端或终端上安装的客户端提供服务(如数据采集、数据抽取、线性回归分析、非线性回归分析、数值预测等服务)，可在服务器上或独立于服务器设置数据库105，用于为服务器103提供数据存储服务，上述网络包括但不限于：广域网、城域网或局域网，终端101包括但不限于pc、手机、平板电脑等。
57.本技术实施例中的一种投资回报率预测方法可以由服务器103来执行，还可以是由服务器103和终端101共同执行，如图2所示，该方法可以包括以下步骤：
58.步骤s202，获取电商平台中目标商品的总访问量数据，其中，目标商品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品。
59.本技术技术方案的实质是数据处理，具体的，是对非用户隐私数据的处理，在此基础上，进行广告主的推广活动的投资回报率预测。
60.电商平台可以直接通过相应的电商应用程序进行访问，同时，也可以从社交媒体平台上的外链引流访问，因此上述电商平台的总访问量数据中，包括电商平台站内搜索的
独立访问量，还包括多个社交媒体平台外链引流而来的独立访问量。本技术可以从总访问量数据中提取出由社交媒体平台外链引流而来的访问量来对社交媒体平台及社交媒体平台下的实际推广活动进行投资回报率分析。其中，每个独立访问量以其ip地址进行区分，同一天内，一个独立ip地址只记录一次。
61.上述多个社交媒体平台可以是跨域平台，如主打聊天通信的即时通讯类社交媒体平台、主打游戏类的游戏社交媒体平台、主打文学影音品评的论坛类社交媒体平台、以及主打新闻的资讯类社交媒体平台等。
62.上述目标对象即为广告主，其所投放的推广活动即该目标商品的广告。广告主在社交媒体平台上投放该目标商品的广告链接，用户通过该广告链接即可引流至该电商品台访问该目标商品。
63.步骤s204，从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据。
64.本技术实施例中，基线访问量数据是指广告主在没有做任何该目标商品的推广活动的情况下，该目标商品每天在电商平台上就有的访问量。从总访问量数据中抽取出这一部分访问量，即可得到所有社交媒体平台贡献的引流而来的访问量。
65.步骤s206，基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。
66.本技术实施例中，每个社交媒体平台都对应有各自的权重，用以计算每个社交媒体平台所贡献的访问量，同时，每个社交媒体平台中的实际的推广活动也有各自的推广指标指数，结合所在社交媒体平台的平台权重，可以计算出每个推广活动的投资回报率。
67.本技术实施例中，推广活动包括但不限于kol(key opinion leader，关键意见领袖)内容广告和信息流加推广告。关键意见领袖是指拥有更多、更准确的产品信息，且为相关群体所接受或信任，并对该群体的购买行为有较大影响力的人，即社交媒体平台中被广泛关注的具有一定影响力和号召力的博主、大v等。kol内容广告即为广告主委托kol针对该目标商品发布相关文字推广、音视频推广等内容帖，吸引该kol的粉丝、路人对该目标商品进行讨论，产生该内容帖的转赞评事件，此即为kol内容广告的目的。而信息流加推广告则是广告主在kol内容广告的基础上，为kol发布的该内容帖购买更多的流量，以使该内容帖能够更广泛的传播，被更多的人看到，最终目的是让更多的用户点击内容帖中的链接进入电商平台中该目标商品的访问页面。
68.通过步骤s202至s206，本技术从电商平台中目标商品的总访问量、多个社交媒体平台引流的访问量等非用户数据出发，跨领域、标准化的针对每个社交媒体平台中的每个推广活动进行投资回报率预测，解决了现有投资回报率的评估需要采集用户个人数据的技术问题，在不需要采集用户个人隐私数据的基础上，还能多不同领域的多个社交媒体平台以及每个社交媒体平台中投放的推广活动进行针对性的投资回报率分析，基于数据处理量化出了社会化营销活动对商业目标产出的贡献值，为广告主制定广告投放策略提供数据基础。
69.可选地，从总访问量数据中抽取出基线访问量数据之前，所述方法还包括按照如下方式确定基线访问量数据：
70.步骤1，确定回溯时间；
71.步骤2，在回溯时间范围内找出总访问量数据中来源于电商平台站内搜索的第一访问量数据；
72.步骤3，按照第一访问量数据的大小，以天为单位对回溯时间进行排序；
73.步骤4，在排序结果中选取目标排序位置之后的目标时间；
74.步骤5，将目标时间内第一访问量数据的平均值作为基线访问量数据。
75.本技术实施例中，上述回溯时间可以根据实际情况、实际需要进行选定，如过去三个月(p3m)、过去六个月(p6m)等。来源于电商平台站内搜索的第一访问量数据即为直接在电商平台中通过站内搜索访问目标商品的访问量。因此，以回溯时间为过去三个月为例，为确定基线访问量数据，需要找出过去三个月内站内搜索的第一访问量数据，并以天为单位对第一访问量数据进行排序。上述目标排序位置之后的目标时间可以是排名最末的10％的天数，最后对该排名最末的10％的天数计算每天的第一访问量的平均值，将该平均值作为该基线访问量数据。
76.由于不同的社交媒体平台的用户量级和机制不同，广告主投入资源后产生回报的关键指标也存在差异，因此需要量化各个社交媒体平台的权重以及不同平台的关键指标对访问量的贡献因素。下面对量化平台权重进行说明。
77.可选地，确定每个社交媒体平台中的每个推广活动的投资回报率之前，所述方法还包括确定每个社交媒体平台的平台权重，其中，所述方法包括按照如下方式确定任一社交媒体平台的平台权重：
78.步骤1，从社交媒体总贡献访问量数据中提取出来源于目标社交媒体平台引流的第二访问量数据，并获取目标对象在目标社交媒体平台上投入资源后的关键指标响应数据；
79.步骤2，在第二访问量数据与关键指标响应数据具有线性关联关系的情况下，基于线性关联关系确定目标社交媒体平台的平台权重。
80.本技术实施例中，第二访问量数据为目标社交媒体平台引流贡献的访问量，广告主在目标社交媒体平台上投入资源后的关键指标响应数据可以是上述kol内容广告的去水互动量，还可以是上述信息流推广广告的点击量，这些即为社交媒体平台的关键指标。利用第二访问量数据和广告主在该目标社交媒体平台上投入资源后的关键指标响应数据之间的线性关联关系进行回归分析，如：
81.y(increasementalsearch)＝linerregressionanalysis(k)*x
82.其中，y(increasementalsearch)为第二访问量数据，x为关键指标响应数据，即该目标社交媒体平台上所有kol内容广告的去水互动量和信息流推广广告的点击量，linerregressionanalysis(k)为线性回归方程，通过线性回归方程，可以计算出平台权重k，从而量化不同平台的关键指标对访问量的贡献因素。
83.然而，不是所有第二访问量数据和关键指标响应数据之间都具有线性关联关系，对于非线性关系的第二访问量数据和关键指标响应数据，可以通过非线性回归分析计算平台权重。
84.可选地，确定任一社交媒体平台的平台权重还包括：
85.步骤1，在第二访问量数据与关键指标响应数据不具有线性关联关系的情况下，将
关键指标响应数据输入预设的非线性回归模型；
86.步骤2，获取非线性回归模型输出的访问量预测数据；
87.步骤3，在访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将非线性回归模型的权重参数确定为目标社交媒体平台的平台权重；
88.步骤4，在访问量预测数据与第二访问量数据的相似度小于目标阈值的情况下，调整非线性回归模型的权重参数，直至非线性回归模型重新输出的访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将权重参数确定为目标社交媒体平台的平台权重。
89.本技术实施例中，可以通过非线性回归模型如xgboost进行权重计算，xgboost是一个监督模型，本质是一堆cart树。其计算思想是，用一堆树进行特征筛选并做预测，最终将每棵树的预测值加到一起作为最终的预测值。通过构建树，即可得到每个特征的特征权重。因此，只需将不同社交媒体平台的关键指标响应数据输入非线性回归模型，用非线性回归模型输出的访问量预测值与真实的第二访问量数据进行对比，二者相似度大于或等于目标阈值时，将非线性回归模型计算的特征权重作为当前社交媒体平台的平台权重，否则，继续训练非线性回归模型，直至输出的访问量预测数据与第二访问量数据相似度大于或等于目标阈值时，将非线性回归模型计算的特征权重作为当前社交媒体平台的平台权重。此为通过非线性回归分析的方式量化不同平台的关键指标对访问量的贡献因素的方法。
90.本技术实施例中，非线性回归模型的目标函数可以是：
[0091][0092]
即真实访问量(第二访问量数据)与预测访问量之间的偏差平方。
[0093]
由于不同的社交媒体平台的用户量级和机制不同，导致不同社交媒体平台上的互动量、点击量等关键指标的量级也会存在差异，因此对于每个社交媒体平台中的关键指标，还需要进行平台内部关键指标标准化，得到该推广指标指数，为下一步跨平台推广活动的贡献值(投资回报率)计算做横向对比合理化做准备。
[0094]
可选地，确定每个社交媒体平台中的每个推广活动的投资回报率之前，所述方法还包括确定每个平台中的推广活动的推广指标指数，其中，所述方法包括按照如下方式确定任一推广活动的推广指标指数：
[0095]
步骤1，获取目标推广活动的关键指标响应数据，其中，目标推广活动包括关键意见领袖内容推广活动和信息流加推推广活动二者至少之一，关键指标响应数据包括关键意见领袖内容推广活动的实际互动量和信息流加推推广活动的点击量二者至少之一；
[0096]
步骤2，确定关键指标响应数据的对数值；
[0097]
步骤3，确定对数值的t分数曲线；
[0098]
步骤4，将t分数曲线中的左尾概率值确定为目标推广活动的推广指标指数，其中，推广指标指数为关键指标响应数据的标准化概率。
[0099]
本技术实施例中，关键指标响应数据，即该目标社交媒体平台上所有kol内容广告的去水互动量和信息流推广广告的点击量。关键指标标准化操作包括三步骤，即计算关键指标响应数据的对数值，对该对数值进行t分数计算，最后取t分数曲线中的左尾概率值确定为目标推广活动的推广指标指数，推广指标指数即为标准化后的概率值。
[0100]
可选地，关键指标标准化还可以通过其他方式进行，如min-max标准化、z-score标
准化等。min-max标准化也称为0-1标准化、线性函数归一化以及离差标准化。具体如何选择可以根据具体品类的关键指标来确定，如美妆、母婴用品等数值表现区间较大的品类适合min-max标准化，min-max标准化是对原始数据的线性变换，使结果落在[0，1]区间，其转换函数如下：
[0101][0102]
其中，x为标准化之前的关键指标响应数据，x
*
为标准化指数，min为所有关键指标响应数据中的最小值，max为所有关键指标响应数据中的最大值。
[0103]
可选地，确定每个社交媒体平台中的每个推广活动的投资回报率包括按照如下方式确定任一推广活动的投资回报率：
[0104]
获取目标关键意见领袖内容推广活动的第一推广指标指数和目标关键意见领袖内容推广活动所在社交媒体平台的第一平台权重；
[0105]
将第一推广指标指数与第一平台权重的乘积作为目标关键意见领袖内容推广活动的投资回报率；或者，
[0106]
获取目标信息流加推推广活动的第二推广指标指数和目标信息流加推推广活动所在社交媒体平台的第二平台权重；
[0107]
将第二推广指标指数与第二平台权重的乘积作为目标信息流加推推广活动的投资回报率。
[0108]
本技术实施例中，无论是跨域的社交媒体平台中的多个kol内容广告、信息流加推广告之间进行横向对比还是同一个社交媒体平台下的多个kol内容广告、信息流加推广告之间进行横向对比，都可以通过预测标准化的投资回报率来实现跨域对比。
[0109]
可选地，确定推广活动的投资回报率之后，所述方法还包括按照如下方式确定单个推广活动在目标单位时间内所贡献的访客量：
[0110]
步骤1，确定所有推广活动的投资回报率总和；
[0111]
步骤2，确定单个推广活动的投资回报率与投资回报率总和的商值；
[0112]
步骤3，将目标单位时间内社交媒体总贡献访问量数据与商值的乘积作为单个推广活动在目标单位时间内所贡献的访客量。
[0113]
最后，为了确定单个推广活动每天对访问量的贡献度，可以将该单个推广活动的投资回报率除以当日所有推广活动的投资回报率之比，乘以当日由社交媒体平台贡献的总增长访问量，即可得到单个推广活动在当日所贡献的访问量。
[0114]
采用本技术技术方案，基于数据处理方法不仅可以无需采集用户隐私数据即可进行投资回报率分析，甚至还可以跨域对不同的社交媒体平台、各平台中实际的kol内容广告以及信息流加推广告进行统一标准化的投资回报率横向对比，实现量化测量跨域归因，打通社会化营销平台的种草和推送广告与后链路电商销售转化平台之间的联系，消除各个社会化平台差异的自然属性差异，使得多样化的社会化营销手段可以横向对比其对商业产出的贡献。
[0115]
根据本技术实施例的又一方面，如图3所示，提供了一种投资回报率预测装置，包括：
[0116]
数据获取模块301，用于获取电商平台中目标商品的总访问量数据，其中，目标商
品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品；
[0117]
增量数据提取模块303，用于从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据；
[0118]
投资回报率预测模块305，用于基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。
[0119]
需要说明的是，该实施例中的数据获取模块301可以用于执行本技术实施例中的步骤s202，该实施例中的增量数据提取模块303可以用于执行本技术实施例中的步骤s204，该实施例中的投资回报率预测模块305可以用于执行本技术实施例中的步骤s206。
[0120]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现。
[0121]
可选地，该投资回报率预测装置，还包括基线访问量数据确定模块，用于：
[0122]
确定回溯时间；
[0123]
在回溯时间范围内找出总访问量数据中来源于电商平台站内搜索的第一访问量数据；
[0124]
按照第一访问量数据的大小，以天为单位对回溯时间进行排序；
[0125]
在排序结果中选取目标排序位置之后的目标时间；
[0126]
将目标时间内第一访问量数据的平均值作为基线访问量数据。
[0127]
可选地，该投资回报率预测装置，还包括平台权重确定模块，用于：
[0128]
从社交媒体总贡献访问量数据中提取出来源于目标社交媒体平台引流的第二访问量数据，并获取目标对象在目标社交媒体平台上投入资源后的关键指标响应数据；
[0129]
在第二访问量数据与关键指标响应数据具有线性关联关系的情况下，基于线性关联关系确定目标社交媒体平台的平台权重。
[0130]
可选地，该平台权重确定模块，还用于：
[0131]
在第二访问量数据与关键指标响应数据不具有线性关联关系的情况下，将关键指标响应数据输入预设的非线性回归模型；
[0132]
获取非线性回归模型输出的访问量预测数据；
[0133]
在访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将非线性回归模型的权重参数确定为目标社交媒体平台的平台权重；
[0134]
在访问量预测数据与第二访问量数据的相似度小于目标阈值的情况下，调整非线性回归模型的权重参数，直至非线性回归模型重新输出的访问量预测数据与第二访问量数据的相似度大于或等于目标阈值的情况下，将权重参数确定为目标社交媒体平台的平台权重。
[0135]
可选地，该投资回报率预测装置，还包括推广指标指数确定模块，用于：
[0136]
获取目标推广活动的关键指标响应数据，其中，目标推广活动包括关键意见领袖内容推广活动和信息流加推推广活动二者至少之一，关键指标响应数据包括关键意见领袖内容推广活动的实际互动量和信息流加推推广活动的点击量二者至少之一；
[0137]
确定关键指标响应数据的对数值；
[0138]
确定对数值的t分数曲线；
[0139]
将t分数曲线中的左尾概率值确定为目标推广活动的推广指标指数，其中，推广指标指数为关键指标响应数据的标准化概率。
[0140]
可选地，该投资回报率预测模块，具体用于：
[0141]
获取目标关键意见领袖内容推广活动的第一推广指标指数和目标关键意见领袖内容推广活动所在社交媒体平台的第一平台权重；
[0142]
将第一推广指标指数与第一平台权重的乘积作为目标关键意见领袖内容推广活动的投资回报率；或者，
[0143]
获取目标信息流加推推广活动的第二推广指标指数和目标信息流加推推广活动所在社交媒体平台的第二平台权重；
[0144]
将第二推广指标指数与第二平台权重的乘积作为目标信息流加推推广活动的投资回报率。
[0145]
可选地，该投资回报率预测装置，还包括贡献访客量确定模块，用于：
[0146]
确定所有推广活动的投资回报率总和；
[0147]
确定单个推广活动的投资回报率与投资回报率总和的商值；
[0148]
将目标单位时间内社交媒体总贡献访问量数据与商值的乘积作为单个推广活动在目标单位时间内所贡献的访客量。
[0149]
采用本技术技术方案，基于数据处理方法不仅可以无需采集用户隐私数据即可进行投资回报率分析，甚至还可以跨域对不同的社交媒体平台、各平台中实际的kol内容广告以及信息流加推广告进行统一标准化的投资回报率横向对比，实现量化测量跨域归因，打通社会化营销平台的种草和推送广告与后链路电商销售转化平台之间的联系，消除各个社会化平台差异的自然属性差异，使得多样化的社会化营销手段可以横向对比其对商业产出的贡献。
[0150]
根据本技术实施例的另一方面，本技术提供了一种电子设备，如图4所示，包括存储器401、处理器403、通信接口405及通信总线407，存储器401中存储有可在处理器403上运行的计算机程序，存储器401、处理器403通过通信接口405和通信总线407进行通信，处理器403执行计算机程序时实现上述方法的步骤。
[0151]
上述电子设备中的存储器、处理器通过通信总线和通信接口进行通信。所述通信总线可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
[0152]
存储器可以包括随机存取存储器(random access memory，简称ram)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0153]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processing，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field-programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0154]
根据本技术实施例的又一方面还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一实施例的步骤。
[0155]
可选地，在本技术实施例中，计算机可读介质被设置为存储用于所述处理器执行以下步骤的程序代码：
[0156]
获取电商平台中目标商品的总访问量数据，其中，目标商品为目标对象在多个社交媒体平台投放推广活动以在电商平台中进行资源交换的商品；
[0157]
从总访问量数据中抽取出基线访问量数据，得到剩余的社交媒体总贡献访问量数据；
[0158]
基于各个社交媒体平台的平台权重、每个平台中的推广活动的推广指标指数以及社交媒体总贡献访问量数据，确定每个社交媒体平台中的每个推广活动的投资回报率。
[0159]
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
[0160]
本技术实施例在具体实现时，可以参阅上述各个实施例，具有相应的技术效果。
[0161]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dsp device，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0162]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0163]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0164]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0165]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0166]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目
的。
[0167]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0168]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0169]
以上所述仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。