KR20130083838A

KR20130083838A - 임팩트 분석 및 영향 트랙킹을 포함한 복수의 미디어에 대한 데이터 수집, 트랙킹 및 분석

Info

Publication number: KR20130083838A
Application number: KR1020127029843A
Authority: KR
Inventors: 데이비드 더블유. 바만; 패트릭 버렐; 토마스 제이 레피엔; 브라이언 비. 스테키티; 데이비드 엠. 바만
Original assignee: 액세스 비지니스 그룹 인터내셔날 엘엘씨
Priority date: 2010-05-16
Filing date: 2011-05-16
Publication date: 2013-07-23
Also published as: WO2011146391A2; JP5810452B2; CN102884530A; JP2013526747A; US20110282860A1; WO2011146391A3

Abstract

데이터 수집, 미디어 분석, 및 웹 트랙킹을 위한 시스템이 개시된다. 수집된 데이터는 레퍼런스 데이터베이스에 대한 넓은 검색 및 비교 데이터베이스에 대한 좁은 검색을 포함할 수 있다. 컨택트 관계 관리 데이터베이스는 개인들 및 회사들에 대한 프로파일들을 저장하고 분배하는데 이용된다. RSS 피드 데이터베이스는 빈번하게 업데이트되고 관련 검색 결과들을 제공할 수 있다. 시스템은 수집된 데이터 및 그 데이터의 트랙킹을 분석할 수 있다. 분석은 관련 데이터를 식별하는데 이용될 수 있다. 사용자들 및 비지니스들의 프로파일링은 사용자 또는 비지니스에 대한 특정 정보를 포함할 수 있는 프로파일 데이터를 타겟팅하고 생성하는데 이용될 수 있다. 모니터링 및/또는 트랙킹은 데이터의 변경들을 식별하는데 이용될 수 있다. 시스템은 특정 이벤트/소스를 감안하여 사용자 임프레션들 또는 웹 히트들에 기초한 이벤트/소스의 임팩트의 분석을 제공할 수 있다. 임팩트는 소셜 영향 가치를 포함할 수 있다. 또 하나의 실시예에서, 영향을 감안한 투자 수익률("ROI")이 제공된다.

Description

임팩트 분석 및 영향 트랙킹을 포함한 복수의 미디어에 대한 데이터 수집, 트랙킹 및 분석{DATA COLLECTION, TRACKING, AND ANALYSIS FOR MULTIPLE MEDIA INCLUDING IMPACT ANALYSIS AND INFLUENCE TRACKING}

우선권

본 출원서는 2010년 5월 16일에 출원되었고 참고로 여기에 포함되어 있으며 발명의 명칭이 "DATA COLLECTION, TRACKING, AND ANALYSIS FOR MULTIPLE MEDIA INCLUDING IMPACT ANALYSIS AND INFLUENCE TRACKING"인 미합중국예비출원 제61/345,127호에 대한 우선권을 주장한다.

인터넷을 통한 그 개념의 확산과 같이, 데이터, 이벤트들, 또는 개인들의 인터넷 또는 네트워크 트랙킹은 일반적으로 인터넷 서비스 제공자들("ISPs")로 제한되고, 모니터링되고 트랙킹되어야 될 아이템들에 대한 태그들의 이용으로 추가 제한될 수 있다. 이미지 검색들은 검색된 텍스트와 연관되어 있는 연관된 그래픽 또는 미디어 요소들을 리턴하는 텍스트 검색으로 제한되었다. 아이디어, 보도자료, 이벤트 또는 미디어 릴리즈의 확산의 트랙킹은 인터넷 상의 데이터 양 때문에 어려울 수 있다. 인터넷의 크기는 또한 관련 자료를 식별하고 그 자료를 분석하기 어렵게 한다. 분석이 관련성 또는 영향의 결정을 포함하는 경우에, 일반적으로 수동적이고 주관적인 리뷰로 제한된다. 이것은 큰 회사들의 복잡성들 및 크기에 의해 더 복잡해질 수 있다. 다수의 종업원들로부터의 검색들 및 용어들의 개수는 조직에 걸쳐 상이한 결과들을 산출할 수 있다. 잠재적인 오류정보를 제한하기 위해 모든 종업원들에게 가용한 더 나은 모드들, 용어들, 및 정보를 식별할 수 있는 것이 도움이 될 수 있다. 더 나은 방법들 및 검색 용어들을 구축하고 이들을 전체의 합으로서 조직화하는 시스템을 가지는 것은 이러한 정보를 이용할 때 관련 데이터에 대한 검색을 개선시킬 수 있다.

시스템 및 방법은 이하의 도면들 및 설명을 참조하여 더 잘 이해될 수 있다. 비-제한적 및 비-소모적 실시예들이 이하의 도면들을 참조하여 설명된다. 도면들의 컴포넌트들은 반드시 일정한 비례는 아니며, 대신에 본 발명의 원리들을 예시하는 것이 강조된다. 도면들에서, 유사한 참조번호들은 상이한 뷰들에 걸쳐 대응하는 부분들을 지정한다.
도 1은 트랙킹 및 분석의 일반적인 개요를 예시하고 있다.
도 2는 예로 든 네트워크 시스템의 단순화된 블록도를 예시하고 있다.
도 3a 및 3b는 특정 이벤트에 대한 임팩트를 수집하고, 트랙킹하며, 분석하고 결정하기 위한 시스템을 예시하고 있다.
도 4는 이벤트에 대한 데이터의 요구 및 레퍼런스 데이터베이스의 생성을 예시하고 있다.
도 5는 미디어 및 텍스트가 크롤러(crawler) 데이터를 이용하여 분석되는 방법을 예시하고 있다.
도 6은 비교에 이용될 수 있는 텍스트, 로고 또는 이미지 마커를 예시하고 있다.
도 7은 오디오 패턴들을 이용한 오디오 분석을 예시하고 있다.
도 8은 언어들, 이미지들, 텍스트 및 오디오 사이의 레퍼런스들을 예시하고 있다.
도 9는 초기 세트의 데이터에 대한 데이터베이스 비교를 예시하고 있다.
도 10은 컨택트 관계 관리("CRM") 데이터베이스의 이용을 예시하고 있다.
도 11은 소셜 전문기술을 검증하는데 이용되는 리소스들, 및 가치결정 및 영향에 대한 CRM 데이터를 예시하고 있다.
도 12는 컨택트 정보의 분석 및 가치결정뿐만 아니라 타겟팅 데이터의 수집을 예시하고 있다.
도 13은 이미지들이 유용한 데이터로 변환될 수 있는 방법을 예시하고 있다.
도 14는 투자 수익률 엔진을 예시하고 있다.
도 15는 임팩트 분석의 가시화를 예시하고 있다.
도 16은 이벤트 또는 일련의 이벤트들의 성공을 트랙킹하는데 이용될 수 있는 컨텍스트 내의 아이템들을 예시하고 있다.
도 17은 임팩트 분석의 가시화를 예시하고 있다.
도 18은 추가 데이터를 수집하기 위한 프로세스를 예시하고 있다.
도 19는 예로 든 프로세스를 예시하고 있다.
도 20은 예로 든 미디어 타입들을 예시하고 있다.
도 21은 예로 든 데이터 분석을 예시하고 있다.
도 22는 회사에 대한 공통 용어들의 개발을 예시하고 있다.

도입으로서, 개시된 실시예들은 복수의 미디어 포맷들을 포함하는 단일 또는 복수의 검색가능 요소들의 확산 또는 성공에 대한 해석적 분석을 검색하고 트랙킹하며 제공하기 위해, 하나의 조직에 대한 다수의 검색 용어들을 조직화된 방식으로 조직화하고 수집하는 것에 관한 것이다. 검색가능 요소들은 쇼, 보도자료, 기사, 웹 페이지, 제품 또는 다른 이산적 해프닝을 포함할 수 있는 특정 이벤트를 포함할 수 있다. 이벤트들은 또한 카테고리들에 의해 세그먼팅될 수 있다. 예를 들면, 카테고리들은 사회적 책임, 정서적 호소, 비전 및 리더십, 재무적 성과, 작업장 환경 또는 제품들 및 서비스들을 포함할 수 있다. 이벤트들은 그림들, 비디오들, 웹 미디어, 블로그 대화들, 이메일들, RSS 피드들, 웹 오브젝트들, 및 검색가능하거나 접속될 수 있는 다른 네트워킹된 정보 소스를 포함할 수 있다. 인터넷이 이벤트의 성공을 트랙킹하고 분석하는데 미디어의 가장 중요한 소스가 됨에 따라, 이것이 관련될 수 있다. 성공은 이들 이벤트들의 투자 수익률("ROI")에 의해 측정될 수 있고, 이는 비용을 최소화하면서도 노출을 최대화시키는 마케팅 달러들의 적절한 투자를 허용할 수 있다. 이러한 임팩트 분석은 리서치, 판매, 인적 자원, 마케팅, 시장 조사, 홍보활동, 법률, 브랜드 트랙킹, 소비자 리서치, 등에 이용될 수 있다. 이들 잠재적인 목적들은 각 목적에 대한 특정 요구조건들에 기초하여 상이한 ROI 분석을 활용할 수 있는, 검색을 위한 상이한 근거들이다.

인터넷 내의 데이터 저장소들/서버들, 접속들 및 사용자들의 수집은 다이나믹하다. 컨텐트가 추가되고, 복사되며, 변형되고 삭제된다. 인터넷 검색 엔진들은 주기적으로 인터넷을 크롤링하고 크롤링 시에 인터넷의 정적 스냅샷들일 수 있는 인덱스들을 개발한다. 본 실시예들은 인터넷의 다이나믹 성격에 관하여 캡쳐링, 분석 및 보고를 위한 시스템들 및 방법에 관한 것이고, 특히 하나 이상의 특정 이벤트들에 의해 유발되는 변경들에 대해 변경들이 검출되고 보고될 수 있는 방법을 제공한다. 이와 같이, 아이디어들 또는 이벤트들, 및 특히 아이디어 또는 이벤트를 표현하거나 기술하는 컨텐트는, 접속들 및 데이터 저장소들에 걸쳐, 컨텐트가 복사되고 변형되거나 첨부됨에 따라, 또는 그에 기초한 파생물 컨텐트가 추가되고 복사되며 변형되거나 첨부됨에 따라, 그러한 컨텐트의 제1 도입으로부터 트랙킹될 수 있다. 트랙킹되고 분석되는 아이디어들 또는 이벤트들은 회사들, 제품들, 사람들, 액티비티들, 또는 인터넷 상에서 발견될 수 있는 다른 개념들을 포함할 수 있다.

하나의 실시예에서, 상업 브랜드의 도입은, 예를 들면 처음으로 공중에 표시된 시간 이후로부터 트랙킹될 수 있다. 트랙킹은 브랜드의 트래픽 및 멘션들(mentions)에 대해 인터넷을 모니터링하는 것을 포함할 수 있다. 데이터는 브랜드 인지도 및 공중 임프레션(public impression)들의 트랙킹을 위해 다이나믹하게 수집될 수 있다. 관련되거나 브랜드를 기술하는 컨텐트의 확산은 브랜드의 상업적 임팩트 또는 유효성을 평가하기 위해 트랙킹될 수 있다. 확산의 소스들의 분석은 임팩트를 추가 결정하는데 이용될 수 있다. 예를 들면, 프로파일들(비지니스 또는 개인의)은 소스들의 잠재적 가치를 결정하고 이들 소스들로부터의 임팩트를 정량화하는데 이용될 수 있다.

개시된 실시예는 트랙킹 데이터를 포함하는 데이터의 생성 및 수집을 더 포함할 수 있다. 수집된 데이터는 분석되고 업데이트될 수 있다. 분석은 데이터 모집, 컨텐트 매칭, 사용자 트랙킹, 및 관련 데이터 및 수집되어야 될 추가 데이터의 식별을 포함할 수 있다. 수집된 데이터의 성공 또는 임팩트를 정량화하도록 추가적인 분석이 수행될 수 있다.

개시된 실시예들은 텍스트 인용문들의 매칭, 소리 바이트들의 오디오 확인, 및 그래픽스, 비디오 또는 다른 그래픽 미디어에서의 이미지 확인을 수행하는 시스템을 더 개시하고 있다. 이러한 컨텐트 매칭은 레퍼런스 미디어를 큰 세트의 미디어와 비교하고 매칭하는데 이용된다. 레퍼런스 미디어는 최근 이벤트에 관한 기사들, 또는 제품의 그림을 포함할 수 있다. 이러한 시스템은 텍스트 검색뿐만 아니라, 그림들, 그래픽 파일들 및 비디오 파일들을 분석할 수 있는 이미지 분석 소프트웨어와 함께, 음성 인식 소프트웨어를 이용할 수 있다. 텍스트, 인용문들, 이미지들, 오디오, 및 비디오의 레퍼런스 데이터베이스를 이용하여, 시스템은 레퍼런스 데이터베이스로부터의 이벤트들과 정렬되는 매치들을 조사한다. 단순성을 위해, 시스템은 이벤트를 트랙킹하고 분석하는 것으로 기재될 것이지만, 이벤트는 또한 쇼, 보도자료, 제품 릴리즈, 회사 재구조화, 프로모션, 제품 프리뷰, 기사, 웹 페이지, 제품, 또는 다른 이산적 해프닝을 포함할 수 있다. 이것은 또한 특정 트렌드들, 기술들, 경쟁 회사들, 브랜드들 등을 트랙킹하는데 이용될 수 있다. 시스템은 크롤러들을 이용하여 레퍼런스 데이터베이스에 의한 이용 영역들을 정의한다. 그리고나서, 수집된 데이터는 검색 결과들을 가지는 리스트와 같이, 검색 데이터베이스에 저장될 수 있다. 이들 검색 결과들은 타입(예를 들면, 텍스트, 그래픽 타입, 그림, 오디오, 그림, 인터넷 서비스 제공자("ISP"), 인터넷 프로토콜("IP") 어드레스, 등), 일시 또는 결과들에 관련된 다른 데이터에 의해 레퍼런싱될 수 있다. 상기 리스팅된 레퍼런스들로의 링크들을 가지는 또 하나의 검색 데이터베이스가 유지될 수 있다. 일단 검색 리스트가 완료되면, 또 하나의 확인 엔진은 오디오, 비디오 및 이미지들에 대한 디지털 분석과 함께, 텍스트를 처리할 수 있다. 그리고나서, 각 확인은 제1 레퍼런스 데이터베이스 내에 저장되고, 각 세트의 검색 레퍼런스들은 이벤트와 관련된다. 이들은 검색의 최종 분석 및 확인으로 트랙킹될 수 있다. 데이터는 시간에 걸친 이벤트에 의해 히스토리를 형성하여, ROI 분석을 위해 이들과 연관된 영향 또는 가치결정을 가지는 진행중인 액티비티, 임팩트, 임프레션들, 링크들, 또는 링크 타입들을 결정한다.

시스템은 복수 아이템들의 컨텍스트를 이용하여, 식별된 관련 데이터의 더 나은 그림을 개발한다. 시스템은 그 정보를 이용하여 더 깊게 파고들어, 추가적인 통찰력을 획득할 수 있다. 텍스트, 이미지들, 네트워킹 세부사항들, 정서, 비디오 또는 오디오를 이용하여, 시스템은 액티비티의 매우 특정된 풋프린트를 구축할 수 있다. 정서는 예측에 의해 촉발되는 태도, 생각 또는 판단일 수 있다. 예를 들면, 특정 정서 사전들뿐만 아니라, 상기 리스팅된 카테고리들이 이용될 수 있다. 정서 사전들은 미리 결정된 사회에서의 표준 판단들로서 용이하게 가용될 수 있다. 하나의 실시예에서, 주관성 계산은 이하의 계산에 의해 만들어질 수 있다.

이것은 정서에 대한 전체 관련성을 완료하도록 각각의 레퍼런스에 대해 이용될 수 있다. 상기 리스팅된 바와 같은 추가적 카테고리들은 또한 트랙킹 또는 모니터링의 특정 그룹화들 또는 카테고리들에서 상대적 성능을 보여주도록 스코어링될 수 있다. 추가적으로, 임프레션들 및 인플루언서(influencer)들의 특성들은 이들이 공헌하거나 영향을 미쳤던 웹 입력의 가치에 더 깊게 도달함으로써 구축될 수 있다. 각각의 트랙킹에 의해 분석될 수 있는 인플루언서 스코어가 포함될 수 있다. 임의의 이벤트의 임팩트 분석이 측정되고 모니터링될 수 있다. 특히, 임팩트는 최고 임팩트를 가지는 소스들에 대한 추가 데이터 마이닝을 포함할 수 있다.

도 1은 트랙킹 및 분석의 일반적인 개요를 예시하고 있다. 블록 102에서, 데이터가 수집되고/되거나 생성된다. 수집된 데이터는 트랙킹 데이터를 포함할 수 있다. 이하에 설명되는 바와 같이, 시스템은 데이터베이스들(예를 들면, 레퍼런스 데이터베이스들, 소셜 컨택트들 데이터베이스, 소셜 컨택트들 데이터베이스, 등)을 생성하고 데이터를 수집한다. 블록 104에서, 수집되는 데이터가 분석되고 모니터링된다. 분석은 수집된/트랙킹 데이터로부터 관련 데이터의 식별, 사용자들/비지니스들의 프로파일링, 비지니스의 연속된 모니터링, 및/또는 컨텐트/소스 트랙킹을 포함한다. 관련 데이터의 식별은 컨텐트 매칭을 포함할 수 있다. 블록 106에서, 수집된 데이터(트랙킹 데이터를 포함함)를 분석하여, 수집된 데이터의 성공 또는 임팩트 또는 투자 수익률(ROI)을 결정한다. 이러한 분석은 데이터의 특정 소스의 가치를 결정하기 위한 소셜 가치 또는 인플루언서 가치를 포함할 수 있다.

도 2는 예로 든 네트워크 시스템(200)의 하나의 실시예를 예시하는 단순화된 블록도를 도시하고 있다. 네트워크 시스템(200)은 이하에 설명된 데이터의 트랙킹 및/또는 분석을 위한 플랫폼을 제공할 수 있다. 네트워크 시스템(200)은 인터넷을 크롤링하여 데이터를 수집하고 트랙킹하기 위한 기능을 포함할 수 있다. 네트워크 시스템(200)에서, 사용자 디바이스(202)는 네트워크(204)를 통해 검색 엔진(206)과 결합된다. 이하에 설명되는 바와 같이, 검색 엔진(206)은 네트워크(204)로부터 데이터를 분배하는 웹 서버를 포함하거나 이에 결합될 수 있다. 트랙커/분석기(212)는 네트워크(204) 및/또는 검색 엔진(206)과 결합될 수 있다. 여기에서, 문구 "와 결합된"은 직접 접속되거나 하나 이상의 중간 컴포넌트들을 통해 간접적으로 접속되는 것을 의미하는 것으로 정의된다. 그러한 중간 컴포넌트들은 양쪽 하드웨어 및 소프트웨어 기반 컴포넌트들 모두를 포함할 수 있다. 컴포넌트들의 배열 및 타입에서의 변동들은 여기에 제시된 청구항들의 사상 또는 범주에서 벗어나지 않고서도 만들어질 수 있다. 추가적이고 상이하거나 더 적은 컴포넌트들이 제공될 수도 있다.

사용자 디바이스(202)는 사용자가 인터넷과 같은 네트워크(204)에 접속하도록 허용하는 컴퓨팅 디바이스일 수 있다. 사용자 디바이스의 예들은 퍼스널 컴퓨터, 개인휴대단말기("PDA"), 셀룰러 폰, 또는 다른 전자 디바이스를 포함하고 이들로 제한되지 않는다. 사용자 디바이스(202)는 사용자가 검색 엔진(206), 트랙커/분석기(212) 또는 네트워크 시스템(200)의 다른 컴포넌트들과 상호작용할 수 있게 구성될 수 있다. 사용자 디바이스(202)는 키보드, 키패드 또는 마우스 또는 조이스틱과 같은 커서 제어 디바이스, 터치 스크린 디스플레이, 원격 컨트롤 또는 사용자가 검색 엔진(206)과 및/또는 사용자 디바이스(202)를 통해 상호작용할 수 있게 동작하는 임의의 다른 디바이스를 포함할 수 있다. 사용자 디바이스(202)는 인터넷 익스플로러®(워싱톤주 레드몬드의 마이크로소프트 사에 의해 판매됨) 또는 파이어폭스®(모질라에 의해 제공됨)와 같은 웹 브라우저를 이용하여 네트워크(204)를 통해 웹 페이지들뿐만 아니라 다른 데이터/정보에 액세스하도록 구성될 수 있다. 브라우저에 의해 표시되는 데이터는 트랙킹 데이터에 대한 요구들, 분석을 위해 제공되는 데이터, 및/또는 데이터 분석에 대한 결과들을 포함할 수 있다. 대안 실시예에서, 웹 브라우저들 이외의 소프트웨어 프로그램들이 네트워크(204)를 통해 또는 상이한 소스로부터 데이터를 표시할 수도 있다.

검색 엔진(206)은 사용자 디바이스(202)에게 제공되고 사용자 디바이스(202)로부터 검색 질의를 수신한 것에 응답하여 제공되는 검색 결과들 페이지일 수 있는 웹 페이지를 제공할 수 있다. 이하에 설명되는 바와 같이, 검색 질의는 데이터 트랙킹에 이용될 수 있다. 하나의 실시예에서, 검색 엔진(206)은 웹 페이지를 사용자 디바이스(202)에게 제공하기 위해 네트워크(204)를 통한 인터페이스로서 작용하는 웹 서버이거나 이에 접속될 수 있다. 검색 엔진(206)은 사용자 디바이스(202)에게, 사용자 디바이스(202)의 사용자로부터의 트랙킹 요구들을 포함하는 임의의 페이지를 제공할 수 있다.

트랙커/분석기(212)는 트랙킹 데이터를 검색하는데 이용되거나, 가용한 트랙킹 데이터를 분석하는데 이용될 수 있다. 트랙커/분석기(212)는 트랙킹 데이터 또는 다른 미디어를 모으고/모으거나 그 데이터 또는 미디어를 분석하기 위한 컴퓨팅 디바이스일 수 있다. 트랙커/분석기(212)는 프로세서(220), 메모리(218), 소프트웨어(216), 및 인터페이스(214)를 포함할 수 있다. 도시된 바와 같이, 트랙커 및 분석기는 동일한 디바이스일 수 있고, 그러나 상이한 실시예들에서는, 트랙커 및 분석기는 상이한 디바이스일 수 있으며 인터페이스(214), 소프트웨어(216), 메모리(218) 및/또는 프로세서(220)의 모두를 포함하거나 그렇지 않을 수 있다. 검색 엔진(206)은 트랙킹 데이터를 제공하는데 이용될 수 있다.

인터페이스(214)는 사용자 입력 디바이스 또는 디스플레이일 수 있다. 인터페이스(214)는 키보드, 키패드 또는 마우스 또는 조이스틱과 같은 커서 제어 디바이스, 터치 스크린 디스플레이, 원격 컨트롤, 또는 사용자 또는 관리자가 트랙커/분석기(212)와 상호작용하도록 동작하는 임의의 다른 디바이스를 포함할 수 있다. 인터페이스(214)는 사용자 디바이스(202), 검색 엔진(206), 및/또는 트랙커/분석기(212) 중 어느 것과도 통신할 수 있다. 인터페이스(214)는 사용자 및/또는 관리자가 트랙커/분석기(212)의 컴포넌트들 중 어느 것과도 상호작용할 수 있게 구성된 사용자 인터페이스를 포함할 수 있다. 예를 들면, 관리자 및/또는 사용자는 트랙킹 데이터에 대한 요구들, 트랙킹 데이터 자체, 그 데이터의 분석을 리뷰하거나 업데이트할 수 있다. 인터페이스(214)는 프로세서(220)와 결합되고 프로세서(220)로부터의 출력을 표시하도록 구성된 디스플레이를 포함할 수 있다. 디스플레이(도시되지 않음)는 액정 디스플레이(LCD), 유기 발광 다이오드(OLED), 평판 디스플레이, 솔리드 스테이트 디스플레이, 음극선관(CRT), 프로젝터, 프린터 또는 결정된 정보를 출력하기 위한 현재 주지되거나 나중에 개발되는 다른 표시 디바이스일 수 있다. 디스플레이는 사용자가 프로세서(220)의 기능 발휘를 보는 인터페이스로서, 또는 데이터를 제공하기 위한 소프트웨어(216)와의 인터페이스로서 작용할 수 있다.

트랙커/분석기(212)의 프로세서(220)는 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 디지털 신호 프로세서(DSP) 또는 다른 타입의 처리 디바이스를 포함할 수 있다. 프로세서(220)는 다양한 시스템들의 임의의 하나의 컴포넌트일 수 있다. 예를 들면, 프로세서(220)는 표준 퍼스널 컴퓨터 또는 워크스테이션의 일부일 수 있다. 프로세서(220)는 하나 이상의 일반 프로세서들, 디지털 신호 프로세서들(DSP), 어플리케이션 특정 집적 회로들(ASIC), 필드 프로그램가능 게이트 어레이들(FPGA), 서버들, 네트워크들, 디지털 회로들, 아날로그 회로들, 그 조합, 또는 데이터를 분석하고 처리하기 위한 현재 주지되거나 나중에 개발되는 다른 디바이스들일 수 있다. 프로세서(220)는 수동으로 생성된(즉, 프로그래밍된) 코드와 같은 소프트웨어 프로그램과 조합하여 동작할 수 있다.

프로세서(220)는 메모리(218)와 결합되거나, 메모리(218)는 분리된 컴포넌트일 수 있다. 소프트웨어(216)는 메모리(218)에 저장될 수 있다. 메모리(218)는 랜덤 액세스 메모리, 판독전용 메모리, 프로그램가능 판독전용 메모리, 전기적으로 프로그램가능한 판독전용 메모리, 전기적으로 삭제가능한 판독전용 메모리, 플래시 메모리, 자기 테이프 또는 디스크, 광학 매체 등을 포함하는 다양한 타입들의 휘발성 및 비휘발성 저장 매체와 같은 컴퓨터 판독가능 저장 매체를 포함할 수 있고 이들로 제한되지 않는다. 메모리(218)는 프로세서(220)를 위한 랜덤 액세스 메모리를 포함할 수 있다. 다르게는, 메모리(218)는 프로세서의 캐시 메모리, 시스템 메모리 또는 다른 메모리와 같이, 프로세서(220)로부터 분리될 수 있다. 메모리(218)는 기록된 트랙킹 데이터 또는 데이터의 분석을 저장하기 위한 외부 저장 디바이스 또는 데이터베이스일 수 있다. 예들은 하드 드라이브, 컴팩트 디스크("CD"), 디지털 비디오 디스크("DVD"), 메모리 카드, 메모리 스틱, 플로피 디스크, 범용 직렬 버스("USB") 메모리 디바이스, 또는 데이터를 저장하도록 동작하는 임의의 다른 디바이스를 포함한다. 메모리(218)는 프로세서(220)에 의해 실행가능한 명령들을 저장하도록 동작가능하다.

도면들에 예시되어 있거나 여기에 기재된 기능들, 액트들 또는 태스크들은 메모리(218)에 저장된 명령들을 실행하는 프로그래밍된 프로세서에 의해 수행될 수 있다. 기능들, 액트들 또는 태스크들은 특정 타입의 명령 세트, 저장 매체, 프로세서 또는 처리 전략에 독립적이고, 단독으로 또는 조합으로 동작하는, 소프트웨어, 하드웨어, 집적 회로들, 펌-웨어, 마이크로-코드 등에 의해 수행될 수 있다. 유사하게, 처리 전략들은 멀티프로세싱, 멀티태스킹, 병렬 처리 등을 포함할 수 있다. 프로세서(220)는 소프트웨어(216)를 실행하도록 구성된다.

본 개시는 명령들을 포함하는 컴퓨터-판독가능 매체를 고려하거나 전파된 신호에 응답하여 명령들을 수신하여 실행함에 따라, 네트워크에 접속된 디바이스가 음성, 비디오, 오디오, 이미지들 또는 임의의 다른 데이터를 네트워크를 통해 전달할 수 있다. 인터페이스(214)는 통신 포트를 경유하여 네트워크를 통해 명령들을 제공하는데 이용될 수 있다. 통신 포트는 소프트웨어로 생성되거나 하드웨어로 된 물리적 접속일 수 있다. 통신 포트는 네트워크, 외부 매체, 디스플레이, 또는 시스템(200)의 임의의 다른 컴포넌트들, 또는 그 조합과 접속하도록 구성될 수 있다. 네트워크와의 접속은 유선 이더넷 접속과 같은 물리적 접속이거나, 이하에 설명되는 바와 같이 무선으로 확립될 수 있다. 유사하게, 시스템(200)의 다른 컴포넌트들과의 접속들은 물리적 접속들이거나 무선으로 확립될 수 있다.

시스템(200)의 컴포넌트들 중 어느 것이나, 네트워크(204)를 포함하고 이것으로 제한되지 않는, 네트워크를 통해 서로 결합될 수 있다. 예를 들면, 트랙커/분석기(212)는 네트워크를 통해 검색 엔진(206) 및/또는 사용자 디바이스(202)와 결합될 수 있다. 따라서, 시스템(200) 내 컴포넌트들 중 어느 것이나 네트워크와 접속하도록 구성된 통신 포트들을 포함할 수 있다. 디바이스들 사이의 데이터의 통신을 가능하게 하도록 시스템(200) 내의 컴포넌트들 중 어느 것이나 접속할 수 있는 네트워크 또는 네트워크들은 유선 네트워크들, 무선 네트워크들, 또는 그 조합을 포함할 수 있다. 무선 네트워크는 셀룰러 전화기 네트워크, 전기 및 전자 엔지니어 협회(IEEE)에 의해 공표된 IEEE 802.11, 802.16, 802.20과 같은 표준화된 프로토콜에 따라 동작하는 네트워크, 또는 WiMAX 네트워크일 수 있다. 또한, 네트워크(들)는 인터넷과 같은 공공 네트워크, 인트라넷과 같은 사설 네트워크, 또는 그 조합일 수 있고, TCP/IP 기반 네트워킹 프로토콜들을 포함하고 이들로 제한되지 않는 현재 가용하거나 나중에 개발되는 다양한 네트워킹 프로토콜들을 활용할 수 있다. 네트워크(들)는 로컬 영역 네트워크(LAN), 와이드 영역 네트워크(WAN), 범용 직렬 버스(USB) 포트를 통한 것과 같은 다이렉트 접속, 등 중 하나 이상을 포함할 수 있고, 인터넷을 구성하는 상호접속된 네트워크들의 세트를 포함할 수 있다. 네트워크(들)는 하나의 디바이스로부터 다른 하나로 정보를 전달하기 위해, 임의의 통신 방법을 포함하거나 임의의 형태의 머신-판독가능한 매체를 채용할 수 있다.

도 3a 및 3b는 특정 이벤트에 대한 임팩트를 수집하고, 트랙킹하며, 분석하고 결정하기 위한 시스템을 예시하고 있다. 이하에 설명되는 바와 같이, 시스템은 수개의 데이터 수집 메커니즘들(예를 들면, 크롤러 검색들), 데이터를 저장하기 위한 수개의 데이터베이스들(예를 들면, 레퍼런스, 비교, 미디어 배치, 미디어 가치, CRM, 및 가치/영향 데이터베이스들), 및 추가 데이터 분석 및 임팩트 분석을 위한 메커니즘들을 포함한다.

토픽 및 클라이언트 정보(302)는 이벤트와 같은 관심사가 되는 토픽을 포함한다. 클라이언트 정보는 검색자, 및 검색자와 관련된 정보를 포함할 수 있다. 그 정보는 검색을 포커싱하는데 이용될 수 있다. 특정 토픽에 대한 검색에 대해, 레퍼런스 데이터베이스(306)를 생성하는데 이용되는 제1 크롤러 검색(304)이 있다. 레퍼런스 데이터베이스(306)의 데이터는 추가 세밀화될 수 있는 제1-패스 데이터로 간주될 수 있다. 제1 크롤러 검색(304)은 통상의 웹 검색(예를 들면, 구글, 야후, 빙, 등)일 수 있다. 레퍼런스 데이터베이스 내의 정보에 기초하여, 비교 데이터베이스(310)와 이용되는 텍스트, 인용문들 및 컨텍스트(314), 및 이미지들 및 마커들(312)이 있을 수 있다. 텍스트, 인용문들 및 컨텍스트(314), 및 다른 미디어 및 마커들(312)은 레퍼런스 데이터베이스(306)를 좁히는데 이용될 수 있는 데이터의 예들을 포함할 수 있고, 토픽 및 클라이언트(302)와 관련될 수 있다. 비교 데이터베이스(310)는 데이터 및 미디어 분석(308)을 통과하여 관련 데이터베이스(316)를 생성한다.

하나의 예에서, 도메인, 저자 및 다른 관련 데이터는 관심사가 되는 스토리에 기초하여 식별될 수 있다. 제2 크롤은 시스템의 명령에서 실행되어(잠재적으로 자동화됨) 특정 소스로 되돌아감으로써 관심사가 되는 추가 정보를 끌어당긴다. 관심사가 되는 추가 정보는 소스로부터의 텍스트 세부사항을 포함하거나, 사이트의 컨텍스트를 레퍼런싱하는 유사한 도메인으로부터의 추가 기사들(articles), 또는 소스로부터의 초기 수집에 관련될 수 있는 그 사이트로부터의 이미지를 포함할 수 있다.

또 하나의 예에서, 제1 크롤은 브랜드에 관한 부정적 의견들을 가지는 기사들을 식별한다. 제2 크롤은 그 기사로 되돌아가서, 사이트로부터 추가 기사들을 수집하여 제1 기사의 관련성을 식별한다. 관련성은 함께 이용되는 수 개의 단어들을 교차 참조하는 것으로부터의 컨텍스트의 검증일 수 있다. 예를 들면, 문장 "A modern day marvel eCoupled brings wireless power to CES like a modern day worlds fair"에서, "wireless power", "eCoupled", "modern", "marvel", "CES"의 이용은 모니터링된 용어들의 세트에 대한 관련성을 정의할 수 있다. (EVENT)는 특정 세트의 모니터링된 용어들에 대한 관련성을 정의하기 시작되고, 모니터링된 세트의 용어들에 대한 사전이 그룹화들 또는 가능한 그룹화들로서 셋업될 수 있다. 특정 문단에서 이용되는 용어들이 더 많을수록, 그 특정 문단은 더욱더 관련성이 있게 된다. 유사하게, 특정 진술(statement)에서 용어들의 빈도도 관련성을 증가시킬 수 있다. 상기 리스팅된 카테고리들도 이러한 관련성 결정에 이용될 수 있다. 파트너 리스트들 및 다른 특정 사전들은 상대 비교들 또는 스코어들에 대한 대안 그룹화들 또는 분류 스코어들을 정의할 수 있다. 또 하나의 예는 제2 크롤이 초기에 전체가 캡쳐된 기사를 수집하도록 개시되는 것이다. 이러한 수집은 특정 그룹들 및 관심사들에 의한 사전 내의 조직화된 데이터의 이해 또는 컨텍스트에 의해 지원될 수 있다. 다수의 그룹들에 대해 수집되는 데이터는 상기 리스팅된 바와 같이 특정 필터들에 의해 절단되고, 특정 관심사에 따라 프리젠팅하거나 가시화하도록 조직화될 수 있다. 법률 리서치와 비교되는 소비자 리서치는 유사한 데이터를 수집하는데 상이한 이유를 가질 수 있고, 사전에 상이한 키워드들을 가질 수 있다.

토픽 및 클라이언트(302)와 관련된 수 개의 보도자료들이 있을 수 있다. 보도자료들뿐만 아니라, 클라이언트에 관련된 다른 아이템들이 비교 데이터베이스(310)에 대해 모아질 수 있다. 토픽 또는 클라이언트는 토픽 또는 클라이언트의 표현을 포함하여, 아이템, 회사, 또는 개인을 포함할 수 있고, 비교 데이터베이스(310)를 생성하는데 이용하는 관련 미디어를 식별하는데 이용될 수 있다. 예를 들면, 특정 클라이언트로부터의 보도자료는 클라이언트로의 연관성 때문에 관련되어 있는 것으로 자동으로 식별되는 인용문들을 포함할 수 있다(예를 들면, 인용문은 클라이언트에 대한 광고이고, 여기에서 인용문들은 비교 데이터베이스(310)에 추가될 것이다). 데이터 및 미디어 분석(308)은 비교 데이터베이스(310)를, 인터넷으로부터 나오는 레퍼런스 데이터베이스(306)와 비교할 수 있다. 검색 토픽(302)은 제1 크롤러 검색(304)을 이용하여 레퍼런스 데이터베이스(306)를 생성하는데 이용된다. 검색 토픽(302)은 검색의 텍스트를 포함할 수 있고, 이는 특정 단어들의 그룹화들을 포함할 수 있다. 다르게는, 이것은 그 이용이 모니터링되는 인용문을 포함할 수 있다. 데이터 및 미디어 분석(308)은 그 이용, 컨텍스트 및 관심사를 분류하기 위해 검색 소재와 비교되는 일련의 사전들일 수 있다. 레퍼런스 데이터베이스(306)는 원하는 검색과 관련된 제2 그룹의 정보(비교 데이터베이스(310))와 비교될 수 있다. 이러한 일련의 이벤트들은 분류들, 스코어들 및 링크들을 세밀화하여, 관련 데이터를 추가 정의할 수 있다.

레퍼런스 데이터베이스(306)는 토픽(302)과 관련된 총 리스트이다. 총 리스트는 데이터 및 미디어 분석(308)으로부터의 추가 데이터 및 이미지들을 포함하는 비교 데이터베이스(310)로부터의 비교 리스트와 비교된다. 예를 들면, 기존 애플 컴퓨터 그림을 찾고 있는 사용자는 모든 타입들의 애플들의 모든 이미지들을 포함하는 총 리스트를 가질 것이다. 총 리스트의 세밀화는 애플 로고를 비교 데이터베이스(310)의 일부로서 놓는 것을 포함할 수 있다. 이러한 컨텍스트는 레퍼런스 데이터베이스(306)에서 총 리스트를 추가로 좁히는 것을 도와준다. 레퍼런스 데이터베이스(306)의 팝퓰레이션 및 이용은 도 4-5에서 추가로 기술된다.

레퍼런스 데이터베이스(306)는 매우 큰 개수의 검색 결과들 또는 히트들을 가질 수 있고, 이들 중 다수는 관련이 없을 수 있다. 분석된 비교 데이터베이스(310)를 이용한 레퍼런스 데이터베이스(306)의 세밀화는 결과적으로 관련 데이터베이스(316)로 나타난다. 이러한 세밀화는 데이터 및 미디어 분석(308)에 의해 수행될 수 있고, 이는 도 7-8과 관련하여 추가 설명된다. 본질적으로, 이러한 세밀화는 관련 데이터를 식별하는 검색 조건들의 좁힘 또는 세밀화와 유사하지만, 이러한 세밀화는 수동 프로세스보다는 자동화된 방식으로 수행된다. 레퍼런스 데이터베이스(306)는 큰 개수의 검색 결과들을 제공하도록 설계된 제1 크롤러 검색(304)으로부터의 결과들을 포함하는 과도하게-포함하는 데이터베이스이다. 따라서, 정보의 많은 부분이 토픽 및 클라이언트(302)와 관련이 없을 수 있으므로, 레퍼런스 데이터세트(306)는 과도한 정보를 가지고 있다. 비교 데이터베이스(310)도 레퍼런스 데이터베이스이지만, 이는 이미지 및 마커들(312) 또는 텍스트, 인용문들 및 컨텍스트(314)의 예들에 기초하여 결과들을 좁히는데 이용된다.

일반적으로, 레퍼런스 데이터베이스(306)로부터의 데이터는 비교 데이터베이스(310)로부터의 데이터와 비교된다. 그리고나서, 그 데이터를 데이터 및 미디어 분석(308)에 의해 분석하여 임의의 미관련된 데이터를 필터링 제거함으로써 후속 데이터 마이닝을 단순화시킨다. 후속 데이터 마이닝은 소셜 링크들, 정서, 사회적 영향, 영향 전문기술, 미디어 배치(미디어 배치 데이터베이스(320)로부터), 등을 찾기 위한 추가의 크롤러 단계(제2 크롤러 검색(318))를 포함할 수 있다. 일부 실시예들에서, 인터넷의 크기로 인해 더 많은 관련 데이터에 대해 웹을 검색하는데 복수 크롤러 검색들이 필요할 수 있다. 검색들은 레퍼런스 데이터, 용어들, 카테고리들, 및 관련성 사전들을 이용하여 더 깊게 파고들 수 있다. 이들 크롤러 검색 시스템들은 이러한 프로세스를 자동화할 수 있다. 그리고나서, 그 데이터로, 또 하나의 크롤러(제3 크롤러 검색(322))는 미디어 배치 가치를 검색하고 타입들, 비교 코스트들, 미디어 타이밍 및 연관된 인플루언서들에 기초한 배치 당 코스트에 기초하여 미디어 가치 데이터베이스(324)를 컴파일링한다. 제3 크롤러 검색(322)에서, 상이한 일련의 정보가 얻어질 수 있다. 예를 들면, 사이트에 대한 히트들의 개수(A 대 B 대 C)가 결정될 수 있다. 다르게는, 팔로우어들의 개수, 블로그 엔티리들의 개수가 또한 결정될 수 있다. 이러한 데이터를 로그(log)하고 이를 상대적 또는 가상적 형태로 비교함으로써, 관련성은 이러한 인플루언서 데이터로 훨씬 더 현저하게 된다. 대안 실시예들에서, 복수의 크롤러 검색들은 검색들의 개수를 줄이는 방식으로 조합되거나 자동화될 수 있다.

관련 데이터가 추출되어 관련 데이터베이스(316)를 형성한다. 관련 데이터베이스(316)는 도 9와 관련하여 추가 참조된다. 일단 관련 데이터가 식별되면, 제2 크롤러 검색(318)이 실행된다. 제2 크롤러 검색(318)은 관련 데이터에 대해 검색한다. 예를 들면, 관련 데이터의 저자/소유자에 관한 결정이 수행될 수 있다. 이것은 컨택트 관계 관리 데이터베이스(319)와의 코디네이션(coordination)을 포함한다. CRM 데이터베이스(319)는 이들이 누구에게 이야기하는지, 미디어 배치의 타입, 및/또는 소셜 가치/영향과 같이, 개인들, 비지니스들, 또는 다른 사이트들에 관한 다양한 데이터를 포함할 수 있다. CRM 데이터베이스(319)의 팝퓰레이션은 도 10과 관련하여 이하에 설명된다. 높은 영향을 가지는 소스는 매우 높은 임팩트를 가질 수 있기 때문에, 이러한 정보는 관련성이 있다. 예를 들면, 스티브 잡스에 의한 기사는 긍정적 또는 부정적 방식 중 어느 하나로 주요한 임팩트를 가질 것이다. 삼류 블로거는 훨씬 더 작은 임팩트를 가질 것이다. 소스는 검색 결과의 저자 또는 소유주를 지칭하거나, 특정 이벤트를 지칭할 수 있다. CRM 데이터베이스(319)는 그 컨택트에 대해 정량화될 수 있는 결정된 임팩트 또는 영향과 같이 모든 컨택트들에 관한 데이터를 기록할 수 있다.

미디어 배치 데이터베이스(320)는 특정 이벤트 또는 로케이션의 로케이션을 식별하고 기록하는데 관련된다. 미디어 배치들에 기초하여, 임팩트는 가변될 수 있다. 예를 들면, ABC 뉴스 상의 소스 또는 인터뷰는 많은 인원의 뷰어들을 가질 것이고 높은 영향 소스일 것이다. 반대로, 조 블로우의 블로그에 대한 인터뷰는 낮은 영향을 가질 수 있다. ABC 상의 배치의 경우, 그것은 자신의 지하실에서 작업하고 있는 조 블로우에 비해 그들 웹사이트 상에 특정 양의 배치들 및 특정 양의 트래픽의 가치가 있다. 그는 그 블로그와 연관된 훨씬 덜 중요한 미디어 배치 또는 미디어 가치를 가질 것이다. 따라서, 미디어 배치 데이터베이스(320)는 미디어의 리스트, 및 그 특정 미디어에 대한 임프레션들의 추정된 개수를 포함할 수 있다. 이러한 정량화된 영향은 임프레션들의 개수와 직접적으로 관련될 수 있다. 미디어 배치 데이터베이스(320)는 컨택트 관계 관리 데이터베이스(319)와 조합될 수 있고, 따라서 컨택트 관계 관리 데이터베이스(319)는 미디어 배치 정보를 포함한다.

미디어 배치(320)를 이용하는 경우에, 제3 크롤러 검색(322)이 미디어 가치 데이터베이스(324)에 이용될 수 있다. 제3 크롤러 검색(322)은 데이터의 소스들에 대한 검색들을 포함할 수 있다. 미디어 가치는 유사한 프로세스에서 세밀화되고, 미디어 트랙킹과는 독립적으로 업데이트되지만 재정 또는 리드(lead) 트랙킹을 위해 참조될 수 있다. 제3 크롤러 검색(322)은 도 13과 관련하여 설명된 예로 든 이미지 검색과 관련될 수 있다. 소스들은 제3 크롤러 검색(322)으로부터의 검색 결과들에 기초하여 분석될 수 있다. 이러한 분석은 관련 데이터의 데이터 모집 및 제2 티어(tier)(328)를 포함하고, 이는 가치/영향 데이터베이스(326)에 저장된 총계 스코어를 개발하는데 이용될 수 있다. 데이터 모집(328)은 도 14와 관련하여 설명된다. 가치/영향 데이터베이스(326)는 소셜 가치 또는 정서를 포함할 수 있다. 이것은 특정 소스에 관한 정보의 더 깊은 분석 및 데이터 모음을 표현한다. 이러한 정보는 이미 크롤링되었고, 이러한 소스에 관한 레퍼런스 리스트는 이미 구축되었다. 제3 크롤러 검색(322)은 미디어 또는 검색 결과가 나오는 출처의 소스를 평가하는데 이용된다. 제2 크롤러 검색(318)은 소스를 조사하고, 다수의 소스들로부터의 정보를 포함하는 CRM 데이터베이스(319)를 구축하는데 이용된다. 미디어 배치 데이터베이스(320)는 제2 크롤러 검색(318)으로부터 발생되고 생성된다. 이러한 정보는 소스 및 미디어가 누구이고 어디인가를 제공한다.

미디어 가치 데이터베이스(324)는 또한 특정 소스들로 나타나기 위한 비용을 저장할 수 있다. 예를 들면, 주요 텔레비전 네트워크 상에서의 광고방송은 블로그 상에서의 온라인 광고보다 훨씬 더 크게 비용이 들것이다. 이것은 또한 배치의 측정을 포함하는 미디어 배치 데이터베이스(320)와 관련된다. 광고하는 비용은 특정 소스에 대한 "시청률"또는 "임프레션들"과 필적할 만할 것 같다. 하나의 실시예에서, 누군가 광고하기 원하는 경우에, 그 광고의 비용 및 그러한 광고의 성공은 미디어 가치에 대한 인자들일 것이다. 임의의 광고에 대해 결정되는 결과는 ROI이다. 성공은 또한 평판 레이팅(rating)을 포함할 수 있다. 영향의 양은 그 사람의 평판에 따라 가변될 수 있다. 문제는 뒤엎거나 변경하거나 긍정적 메시지를 전송하여 평판을 개선하는데 얼마나 많이 소비되어야 하는지가 된다. 하나의 실시예에서, 하나의 회사에 대한 평판은 이하의 등식을 이용하여 계산될 수 있다.

Reputation_rating = Vision_score + Emotional_score + Products_Score + Service_score + Workplace_score + Performance_score + Social_score.

각 개인 스코어는 상대 정확도를 결정하기 위한 정서 요소 및 관련성 요소를 가질 수 있다. 모니터링되는 그룹화들 또는 용어들의 사전들은 이러한 리턴된 정보가 평가됨에 따라 업데이트될 수 있다. 유의할 점은, 개인 또는 다른 실체들에 대한 평판은 상이한 서브 그룹화들을 포함할 수 있다는 점이다.

분석 결론들 및 결과들(330)은 수 개의 인자들을 포함한다. 예를 들면, 영역에 의한 ROI 값(334), 구역 또는 이벤트에 의한 핵심 인플루언서(336), 미디어에 의한 임팩트(338), 및 임팩트 이벤트는 모두 결론들 및 결과들의 분석(330)에 대한 인자들일 것이다. 모든 그러한 데이터를 끌어당기고 이를 요약하는 것은, 이를 분석하고, 그 결과를 보고(332)를 위해, 그리고 영역에 의한 ROI(334), 핵심 인플루언서들(336), 임팩트 미디어(338), 및 이벤트들에 의한 임팩트(340)를 반복적으로 업데이트하기 위해 제공하기 위해, 가치있는 것이다. 가치/영향 데이터베이스(326)에 저장된 가치/영향 인자들을 소셜 가치, 정서, 및/또는 미디어 가치와 함께 이용하여, 긍적적인 소스들을 식별하고 부정적인 소스들을 식별할 수 있다. 예를 들면, 사이트들, 사람들, 미디어 및 블로그들은 특정 추종자를 가질 수 있고, 영향은 얼마나 많은 사람들이 이벤트를 보거나, 듣거나 추종할지를 나타낼 수 있다. 이러한 베이스 숫자는 인플루언서 가치로서 보외될 수 있고, 미디어 가치가 추가되는 경우에 더 향상될 수 있다. 이것은 특정 미디어가 TV, 라디오, 또는 다른 아울렛들을 가질 수 있는 경우에 이용될 수 있다. 이것은 이에 따라 트랙킹되고 입력되는 경우에 스코어링을 확장할 수 있다. 추가 분석은 영향의 결정을 포함한다. 핵심 인플루언서들(336)은 최고 임팩트를 가질 수 있는 소스 또는 이벤트들을 식별하는데 도움을 줄 수 있다. 예를 들면, 핵심 인플루언서들은 특정 토픽에 대해 많은 관심사를 생성하는 소정 블로그들 또는 다른 사이트들일 수 있다. 리턴이 높기 때문에, 이들 핵심 인플루언서들은 견고한 ROI를 제공하고 있다. 예를 들면, 보도자료가 발행되고, 덴마크에서 많은 버즈(buzz)및 히트들이 있다. 버즈의 소스를 식별하는 것은 중요하다. 아마도, 버즈를 시작했던 단일 허브(예를 들면, 덴마크 기술 사이트)가 있을 수 있다. 이러한 사이트는 잠재적인 높은 ROI를 가지는 핵심 인플루언서이다.

소정 광고들의 임팩트 또는 영향은 엄청난 비용에도 불구하고 낮을 수 있다. 예를 들면, 인쇄된 미디어 및 월드시리즈 플레이오프들에 가담하는 것은 높은 비용 때문에 돈을 가장 효율적으로 쓰는 것이 아닐 수 있다. 이는 브랜드 배치에 양호할 수 있지만, 소비자 인지도가 존재하지 않을 수 있다. 미디어에 의한 임팩트는 모니터링되고 트랙킹될 필요가 있다. 홈 플레이트 뒤의 플립 보드를 이용한 월드시리즈에서의 광고는 겨우 32초만일 수 있다. 모든 임프레션들 및 버즈에 걸친 반응(uptake)은 나중에 측정될 수 있고, 이는 최소일 수 있다. 임팩트 분석은 보고(332)의 일부일 수 있다. 마케팅 및 홍보활동들의 이러한 분석은 이미지를 모니터링하고 트랙킹하는 것과 관련된다. 제품에 관한 부정적 기사 또는 리뷰가 발견되면, 영향이 충분히 높은 경우에 대응이 필요할 수 있다. 이것은 고도로 타겟팅된 마케팅의 예이다.

임팩트 분석은 소스 및 토픽에 좌우될 수 있다. 예를 들면, 스티브 잡스는 기술을 토론하는데 높은 영향을 가질 것이고 마이클 조던은 농구를 토론하는데 높은 영향을 가질 것이다. 그러나, 역할들이 바뀐다면, 영향은 매우 작을 것이다. 특정 소스들에 대한 이들 핵심들을 이해하고 이들을 특성화하고 정의함으로써, 상이한 소스들, 토픽들 및 배치들에 대해 가치가 할당되고 트랙킹될 수 있다. 주지된 사이트에 대한 임팩트를 측정하는 것은 그들 노출에 의해, 읽기의 회수에 의해, 말하고 있는 사람의 영향력에 의해, 및 누가 그것을 픽업하고 있는지 및 그것이 네트워크를 통해 가지는 영향들에 의해 정의될 수 있다. 소스들 및 영향 개수들을 트랙킹할 수 있다는 것은 긍정적 인식을 유지하는데 도움을 줄 수 있다. 크롤러들은 네트(the net)를 스위핑하여, 정서를 포함하여 사람, 회사, 브랜드 또는 제품에 관해 배포되는 텍스트, 이미지들, 오디오 또는 비디오를 모니터링할 수 있다. 임팩트의 정량적 측정은 인터넷과 같은 네트워크 내의 인기(예를 들면, 검색 결과들, 멘션들, 페이지들, 등)에 기초할 수 있다. 인플루언서 모듈은 얼마나 많은 사람들이 모니터링된 토픽에 관해 리뷰하고, 재공표하거나 블로깅하고 있는지를 트랙킹함에 따라 상대적 인기를 식별할 수 있다. 핵심 인플루언서들은 매우 인기 있으므로, 인기는 영향의 서브-요소일 수 있다.

도 4는 이벤트에 대한 데이터의 요구(402), 및 레퍼런스 데이터베이스(306)의 생성을 예시하고 있다. 레퍼런스 데이터베이스(306)는 검색되는 카테고리들, 제품들, 브랜드들, 미디어 아울렛들, 블로그들, 및 이벤트 캘린더들에 대한 특정 모니터링 요소들을 포함하도록 설계된다. 이벤트 캘린더들은 특정 이벤트들, 및 각각의 이벤트를 뒤따를 특정 미디어로의 링크들을 포함할 수 있다. 이러한 데이터베이스는 캠페인에 대한 문구들, 용어들, 이미지들, 및 타겟 모니터링 자산들을 포함하여 마케팅에 링크될 수 있다. 이것은 요구 데이터를 비교하기 위한 매칭 엔진(420)을 포함한다. 텍스트 기반 레퍼런스 아이템들 및 이미지 기반 레퍼런스 아이템들은 제1 검색 크롤러(304)에 이용된다. 대안적으로, 검색은 오디오, 비디오 또는 다른 미디어와 같은 다른 미디어 타입들을 포함할 수 있다. 예시된 바와 같이, 요구 데이터(402)는 텍스트 기반 요구 데이터(404) 및 이미지 기반 요구 데이터(406)를 포함한다. 텍스트 기반 요구 데이터(404)는 브랜드 명칭, 이벤트들 또는 파트너들, 인용문들, 또는 다른 형태들의 텍스트를 포함할 수 있다. 분석부는 요구 데이터(402)에 대한 컨텍스트를 고려한다. 예를 들면, "says" 근처의 명칭은 인용문으로 간주될 가능성이 있다.

이미지 기반 요구 데이터(406)는 이미지들 내의 로고들, 비디오들 내의 로고들, 이미지들 내의 마커들, 비디오 내의 마커들, 또는 다른 형태의 이미지들을 포함할 수 있다. 요구된 데이터는 테스트 기반 검색(408)에 이용될 수 있다. 텍스트 기반 검색(408)은 텍스트 포인터들 및 데이터(410)를 제공한다. 텍스트 기반 이미지 검색(412)은 타입에 의한 이미지 포인터들(414)을 생성한다. 요구 데이터(402), 텍스트 포인터들 및 데이터(410) 및 타입에 의한 이미지 포인터들(414)의 결과들은 데이터 및 이미지들의 분석 및 비교(420)를 위해 제공된다. 데이터 및 이미지들의 분석 및 비교(420)는 텍스트 검색과 정렬된 이미지들 및 마커들의 식별을 더 포함하고, 관련 데이터베이스에 대한 검색 보고 및 통계(422)를 생성한다. 텍스트 포인트들 및 데이터(410) 및 타입에 의한 이미지 포인터들(414)은 레퍼런스 데이터베이스(306)에 대해 제공된다.

이미지 기반 요구 데이터(406)는 웹 상에서 검색되는 베이스 라인 오브젝트들일 수 있다. 분석부는 컨텍스트를 조사한다. 예를 들면, 스피치에서, 이는 컨텍스트를 보고 더 뚜렷한 버전들의 스피치를 제공할 수 있다. 그것은 또한 인용문의 컨텍스트를 조사할 수 있다. 요구 데이터(402)는 데이터의 상이한 소스들을 식별하도록 트랙킹될 수 있다. 데이터의 유효성은 또한 인플루언서들 및 정서를 분석함으로써 측정될 수 있다. 하나의 실시예에서, 텍스트 기반 이미지 검색은 텍스트 포인터들 및 데이터를 제공할 수 있다. 이미지 포인터들은 타입에 의해 식별될 수 있고, 레퍼런스 데이터베이스(306)에 대한 링크 포인터들을 포함할 수 있다. 데이터 및 이미지들의 분석 및 비교는 이들이 발견되는 장소, 이들이 발원된 장소, 및 웹을 통한 전파를 포함하는 검색 보고 통계를 구축하는데 이용되는 텍스트 검색들과 정렬된 이미지들 및 마커들의 식별을 포함한다. 대안 실시예들에서, 이미지들은 도 5 및 6과 관련하여 설명된 바와 같이 이미지 검색에 의해 레퍼런스 데이터베이스(306)에 추가될 수 있다.

도 5는 미디어 및 텍스트가 크롤러 데이터를 이용하여 분석되는 방법을 예시하고 있다. 이미지 검색 요구(406)는 일반 검색 리스트(504), 및 검색과 연관된 텍스트 및 이미지들(508)에 제공된다. 일반 검색 리스트(504)는 레퍼런스 데이터베이스(306)를 팝퓰레이팅하는 웹 크롤러(506)에 제공된다. 일반 검색 리스트(504)는 히스토리 및 임팩트를 모니터링하기 위해 시간에 걸쳐 모니터링될 수 있는 상대 스코어를 제공하기 위한 브랜드들, 용어들, 및/또는 문구들의 리스트를 포함할 수 있다. 레퍼런스 데이터베이스(306)는 분석 시퀀서(510)에 제공된다. 분석 시퀀서(510)는 이미지들(512), 텍스트 베이스 인용문들(514), 비디오 이미지 분석(516), 및 마커들에 대한 비디오 및 이미지 마커 검색(518)을 분석한다. 마커는 도 6과 관련하여 설명된 바와 같이 로고 또는 다른 식별자일 수 있다. 분석 시퀀서(510)로부터의 분석은 매칭 데이터 및 이미지 조직화기 이미지들, 비디오들, 통계들, 링크들, ISP, ISP 링크들, 구역들, 마커 트랙킹, 인용문 트랙킹 및 이용, 및 이미지 이용 통계들(520)에 대해 패싱된다. 통계들(520)은 이미지 및 텍스트 이용 보고(522)에 이용된다. 이러한 보고(522)는 통계적 정확도를 위해 요구 데이터 또는 레퍼런스 사전들을 추가 증축하는데 이용될 수 있다.

마커는 이미지를 식별하는 것을 돕는 이미지 내에 마크된 어떤 것일 수 있다. 도 6에 도시된 바와 같이, 마커는 로고와 함께 이용되는 MOTOROLA Q 셀 폰일 수 있다. 상이한 제품 프로토타입들은 상이한 배경들로 연출될 수 있다. 유사하게, 상이한 그림들은 특정 보도자료, 일련의 통신들 또는 메시지에 대해 연출될 수 있다.

로고 이미지 인식은 상이한 마커들을 식별하는데 이용될 수 있다. 다른 마커들은 그 픽셀들이 하나의 마커를 표현하는 페이지의 번진 섹션 또는 변색된 섹션과 같이, 워터마크들을 포함한다. 적색, 녹색, 청색, 황색, 오렌지색, 황록색, 적색을 구성하는 코너에서 떨어진 단지 10개의 픽셀들만이 마커가 될 수 있다. 다시 도 5를 참조하면, 인식된 데이터는 분석(520)에 의해 세밀화될 수 있고, 더 많은 관련 데이터를 가지는 새로운 데이터베이스 컨텐트가 생성될 수 있다. 이미지 또는 데이터 타입에 기초하여, 적절한 분석 엔진이 비디오, gif, pdf, jpeg, 등에 이용된다. 매치는 또한 ISP 데이터, 매치 % 또는 정확도, 클라이언트 데이터, 레퍼런스 이미지 및 마커 연결, 레퍼런스 텍스트, 컨텍스트 및 인용문 데이터, 정서 데이터, 구역 및 링크들, 뷰 데이터, 이용 통계, 등과 같은, 추가 정보가 그 비교를 위해 저장되게 한다.

도 6은 레퍼런스 데이터베이스에 저장된 특정 제품 또는 특성의 텍스트, 로고 또는 이미지 마커가 특정 비교들을 위해 이용될 수 있는 방법을 예시하고 있다. 상기 언급된 바와 같이, 도 6은 식별을 위한 이미지 인식의 이용을 예시하고 있다. 블록 602에서, 릴리즈 또는 공표를 위한 이미지가 선택된다. 블록 604에서 트랙킹을 위해 이미지에 마커가 추가된다. 이미지는 블록 606에서 공표된다. 도시된 바와 같이, 로고는 이미지 인식에 이용될 수 있다. MOTOROLA Q 폰은 로고를 가지는 마커로서 작용할 수 있다. 마커는 메타 데이터, 워터마크, 숨겨진 이미지, 또는 트랙킹에 이용되는 특정 이미지를 포함할 수 있다.

인터넷 상의 큰(또는 아마도 제한이 없는) 세트들의 이미지들에서 주지된 사용자-제공된 이미지들을 찾아낼 수 있는 이미지 매칭 알고리즘이 이용될 수 있다. 특히, 사용자의 이미지들은 회사의 소유권 또는 마케팅 자료들(사진들, 그림들, 로고들)일 수 있고, 회사는 다양한 관련 웹사이트들 상에서 그것들의 이용, 확산 및 배포에 관심을 가질 수 있다. 알고리즘은 이미지들이 상이한 컨텍스트들에 재이용되는 경우에 자주 적용되는 가능한 상당한 이미지 변형들의 존재에서 동작할 수 있다. 예를 들면, 변형은 컬러/콘트라스트 편집뿐만 아니라, 이미지 크기조정/스케일링조정, 트리밍, 압축, 다른 이미지들로의 삽입(전체 또는 일부) 및 그 반대의 경우를 포함할 수 있다. 상기 인자들에 대한 불변성 외에, 이들은 이상적으로는 그들 호스트 사이트들로부터 질의 이미지들을 다운로딩하는 속도에 매칭해야 한다. 이것은 비교할 사용자의 이미지의 개수와는 관계없이, 이미지 당 1초 또는 (실질적으로는) 그 이하의 수준의 전형적인 처리 시간을 의미한다.

프레임워크는 이미지 변환들의 커버링된 타입들에 불변하게, 각 이미지로부터 서명(예를 들면, 특징들의 세트)을 추출하는 것과 관련될 수 있다. 각 특징은 불변되는 방식으로 추출될 수 있고, 인덱스/검색 구조에 저장되는(또는 그에 대해 질의되는) 불변형 디스크립터(invariant descriptor)가 그것에 할당될 수 있다. 유사한 이미지들은 유사한 로케이션들에서 유사한 특징들(유사한 디스크립터들을 가짐)을 가져야 한다. 2개의 이미지들이 매칭되고, 이들 사이의 매핑은 이들이 그 매핑과 일치하는 충분한 개수의 매칭 특징들을 갖는 경우에 구해진다.

인식 기술은 인덱싱 및 질의를 통해 구현될 수 있다. 인덱싱 모드에서, 사용자의 이미지들의 세트를 처리하여, 검색 효율에 최적화된 인덱스 구조로 변환한다. 이러한 절차는 한번, 오프라인으로(상당한 계산상 비용으로) 수행될 수 있지만, 결과적인 인덱스는 질의 모드의 고속 온라인 동작을 가능하게 한다. 질의 모드에서, 질의 이미지의 특징 서명이 추출되고 인덱스와 대조하여 테스트된다. 이것은 질의 이미지의 것들과 매칭되는 다수의 특징들을 가지는 인덱싱된 이미지들 중의 모든 후보들을 식별한다. 이들 후보 이미지들의 각각을 강력한 투표-스타일 절차를 이용하여 질의 이미지와 대조하여 매칭시켜, 최대 개수의 매칭된 특징 쌍들과 일치하는, 2개 이미지들 사이의 매핑(스케일링, 시프트 및 트리밍)을 구한다. 후자의 개수가 충분히 높다면, 후보는 유효한 것으로 간주되고, 즉 질의 이미지(또는 그 조각)는 대응하는 인덱싱된 이미지에서 구해진 것으로 간주된다.

이미지 처리(특징) 서명 추출기는 양쪽 인덱싱 및 질의 모드들 모두에서 동일하게 적용될 수 있다. 이는 3개의 주요 서브-블록들; 이미지의 스케일-공간 표현을 생성하는 것, 상이한 스케일들에서 관심사가 되는 포인트들(또는 특징 포인트들)을 검출하는 것, 및 각 검출된 특징 포인트에서 특징 디스크립터들(로컬 이미지 패턴을 기술하는 다차원 벡터들)을 생성하는 것 중 임의의 것을 포함할 수 있다. 스케일-공간 표현은 입력 이미지가 크기조정된 경우에 다소 동일한 결과들을 생성하도록 설계된, 원래 이미지의 필터링되고 서브-샘플링된 버전들의 피라미드일 수 있다. 특징 검출기는 반복가능성(repeatability)을 최대화하도록, 즉 입력 이미지의 다양한 변형들의 경우에 관심사가 되는 다소 동일한 포인트들을 구하도록 설계될 수 있다. 마지막으로, 특징 디스크립터들은 불변성과 특수성 사이의 트레이드-오프를 최적화하도록 설계될 수 있고, 디스크립터 벡터는 관련되지 않는 포인트들에 대해 상이할 수 있지만, 이미지의 다양한 커버링된 변형들 하의 대응하는 포인트들에 대해서는 유사할 수 있다. 하나의 실시예에서, 알고리즘은 해리스-라플라스(Harris-Laplace) 특징 검출기 및 SIFT 특징 디스크립터에 기초하고 있다. 이러한 구현은 알고리즘 감축들을 활용하여, 재현율-정확도(recall-precision) 성능에 대한 최소 비용으로, 더 높은 속도들 및 더 작은 메모리 요구조건들을 달성할 수 있다.

특징 인덱스는 비교적 큰 브랜칭 인자(~8-19) 및 낮은 깊이(~5-6)를 가지고 있고, 탑-다운 프레임워크로 구축된 메트릭 트리 구조를 표현할 수 있다. 인덱싱된 이미지들의 모든 특징들을 갖고 있는 루트 노드로부터 시작하여, 각 노드는 그의 특징 디스크립터들에 대해 k-평균 클러스터링 알고리즘을 이용하여 고정된 개수의 브랜치들로 분할될 수 있다. 각 특징은 가장 가까운 노드(그의 클러스터에 대응함), 및 그것까지의 거리가 가장 가까운 노드까지보다 상당히 크지 않은 모든 다른 브랜치 노드들에 할당될 수 있다. 클러스터링 및 브랜칭 프로세스는 각 노드 내의 특징들의 개수가 소정 임계 아래일 때까지 계속될 수 있다. 종료된 인덱스에서, 각 특징은 복수의 잎 노드들(leaf nodes)에서 존재할 수 있다. 이러한 아키텍쳐는 더 큰 인덱스, 그러나 더 빠른 질의들을 의미하고, 질의 이미지로부터의 각 특징은 그것과 매칭할 것 같은 모든 인덱싱된 특징들을 포함할 수 있는, 단일 잎 노드까지 트리 아래로 곧바로 전파된다.

충분한 개수의 매칭된 특징들을 가지는 후보들은 이미지 매칭 모듈에서 평가될 수 있다. 최상 매핑을 구하기 위해, 표준 2-스테이지 프로세스 - 랜덤 샘플 일치(RANSAC)과 그 이후의 비선형 최적화 - 의 변동이 활용될 수 있다. 매칭 특징들의 쌍들은 랜덤으로 선택되고 2개의 이미지들 사이의 매핑 파라미터들(스케일 및 시프트)을 추정하는데 이용될 수 있다. 나머지 특징들 중에서 최고 서포트를 가지는 매핑이 선택되고, 나중에 비선형 서포트 최대화를 통해 미세-튜닝된다. 결과적인 서포트가 충분히 높다면, 검출이 보고될 수 있다. 충분한 레벨의 서포트를 달성하기 위해, 기하학적으로 일관된 방식으로 이미지들 사이에 상당한 비율의 매칭된 특징들이 있을 수 있다.

이미지/로고 매칭뿐만 아니라, 시스템은 또한 오디오를 매칭할 수 있다. 도 7은 오디오 패턴들을 이용한 오디오 분석을 예시하고 있다. 이미지 인식이 이미지들을 찾아내고 식별하는데 이용될 수 있는 것과 같이, 오디오 인식은 또한 주지된 오디오를 식별하는데 이용될 수 있다. 설명된 바와 같이, 이미지들 또는 오디오 중 어느 하나의 인식은 그 이미지/오디오의 배포 및/또는 임팩트를 식별하는데 이용될 수 있다. 예를 들면, 이미지 또는 오디오 인식은 그 이미지 또는 오디오를 이용하는 사이트들의 개수를 식별하는데 이용될 수 있다. 도 7에 도시된 바와 같이, 단어들의 사전에 대한 오디오 패턴들은 파일들(예를 들면, 비디오, 음악, 전자책들, 등)을 스캔하고, 이들 단어들이 가청 컨텍스트 내에서 이용된 곳들을 찾아내는데 이용될 수 있다. 용어 애플을 이용하는 경우에, 애플의 모든 이용들(예를 들면, 영화)을 모니터링하여, 단어 애플의 사람들의 이용의 일반적인 정서를 결정할 수 있다. 이론적으로는, 영화에서의 그 이용과 같이, 단어 애플의 모든 가용한 이용이 기록되고 인덱싱될 수 있다.

도 7에 기재된 오디오 분석기는 도 3a와 관련하여 기재된 데이터 및 미디어 분석(308)의 일부일 수 있다. 이것은 또한 인덱싱된 텍스트에 있는 모든 레퍼런스를 가지는 것을 포함할 수 있다. 이러한 시스템을 이용하는 경우에, 인용문의 입력은 결과적으로 영화 또는 책들에서 그 인용문의 각 이용으로 나타난다. 분석은 비디오를 검색하고 용어들을 조사하며 이들 용어들을 인덱싱하는 능력을 제공한다. 사전은 이들 상이한 단어들로 구축될 수 있다. 인식에 기초하여, 상이한 컨텍스트들을 가지는 오디오 세그먼트의 인덱스들이 있을 수 있다. 예를 들면, 투데이 쇼의 분석은 제품 명칭과 같은, 임의의 원하는 용어의 언급에 대한 리뷰를 포함할 수 있다. 투데이 쇼를 모니터링하여, 이들이 관심사가 되는 제품을 언급하는 때를 결정할 수 있고, 이는 브랜드 인지도로 기능한다. 이러한 분석은 특정 제품을 트랙킹하는데 이용될 때 더 많은 가치를 가지고 있다. 트랙킹은 가장 영향력이 있는 소스들 또는 컨택트들을 식별하는데 이용될 수 있다.

도 8은 언어들, 이미지들, 텍스트 및 오디오 사이의 레퍼런스들을 예시하고 있다. 도 8에 도시된 바와 같이, 특정 토픽/개념(또한, 사전 아이템으로도 지칭됨)에 대한 웹 검색은 복수의 형태들 및 언어들을 커버할 수 있다. 예를 들면, 애플은 오디오, 텍스트 또는 이미지들을 통해, 또는 상이한 언어들을 이용해 검색될 수 있다. 요구 데이터(304)는 사전-링크되어, 캠페인 자산들, 타이밍 및 카테고리들로 그룹화될 수 있다. 일련의 통신들 및 파트너들 및 용어들은 이미지들 및 다른 자산들에 링크될 수 있다. 그리고나서, 시스템은 이들 사전 아이템들이 이용되는 로케이션들로의 포인터들의 리스트를 구축할 수 있다. 이미지들의 사전, 언어들의 사전, 텍스트의 사전, 및 이미지들의 사전이 있을 수 있다. 사용자는 인터넷을 통해 애플을 룩업할 수 있고, 모든 언어에 이용된 애플의 모든 텍스트 버전들을 끌어당길 것이다. 도 8의 사전은 실제로 3-D 데이터베이스이다. 다르게는, 개개의 데이터베이스들이 언어, 오디오, 텍스트 또는 이미지에 이용될 수 있다. 텍스트를 이용하는 경우에, 모든 상이한 언어들을 찾을 수 있다. 텍스트가 주지되어 있는 경우에, 모든 상이한 언어들이 액세스될 수 있다. 하나의 예에서, 텍스트는 20개의 언어들 및 20개의 상이한 오디오 패턴들로 나타날 수 있고, 이미지는 애플의 복수의 이미지들로 나타날 수 있다. 이것은 차세대 웹의 일부로서, 당신이 웹을 통해 이동할 때 단지 단일 장소에 상주하는 것과는 반대로 미디어도 웹을 통해 이동할 것이다.

도 9는 초기 세트의 데이터에 대한 데이터베이스 비교를 예시하고 있다. 도 9에 예시된 처리는 데이터 및 미디어 분석(308) 및/또는 비교 데이터베이스(310) 내에서 발생할 수 있다. 초기 세트의 데이터는 비디오(904), 이미지들(906), 및/또는 텍스트(908)와 같은 웹 데이터(902)일 수 있다. 비디오 데이터(904)는 워터마크, 마커들, 내장된 URL, 또는 텍스트 알고리즘 태그와의 연관(910)을 포함할 수 있다. 이미지 데이터(906)는 워터마크, 로고, 마커들, 텍스트 알고리즘 태그, 또는 메타데이터와의 연관(912)을 포함할 수 있다. 텍스트 데이터(908)는 핵심 복사본, URL 또는 텍스트 알고리즘 태그와의 연관(914)을 포함할 수 있다. 마커들을 검증하여 그들의 고유성을 체크한다(916). 이들이 고유하지 않다면, 데이터가 관련 문서들을 식별할 수 없을 것이기 때문에, 프로세스는 다시 실행된다. 이것이 고유하다면, 벤치마크 또는 원래의 데이터(918)가 매칭되어 저장된다. 데이터가 비교되고, 비교에 기초하여, 원래의 컨텐트, 컨텐트 데이터, 아울렛 링크들, 매치 데이터가 저장될 수 있다. 트랙킹할 시간의 길이(920)가 이용된다. 트랙킹은 연속적일 수 있고, 더 나은 결과들을 위해, 데이터 비교를 위해 주기가 식별될 필요가 있다. 예를 들면, CES 쇼는 시기가 맞춰지고 트랙킹되는 시간의 주기로 간주될 수 있다. 트랙킹의 주기는 사용자 정의되거나 RSS 피드들에 의해 개시될 수 있다.

저장 및 비교(918)를 위해 다시 제공되는 RSS 피드들(922) 및 다른 주지된 소스들(924)로부터 추가적인 데이터가 수집된다. 이것은 대시보드(dashboard) 가시화(932)를 생성하는 보고 기준 데이터 범위(930) 및 레퍼런스 데이터베이스(306)를 생성한다. 대시보드 가시화는 도 16에 예시되어 있는 바와 같이, 히트들 및 임프레션에 관한 통계들을 제공할 수 있다. 대시보드 가시화는 과거 및 현재 트래픽 및/또는 인기를 표시하는 주식 시세표시기와 유사할 수 있다. 이는 또한 인기에 영향을 미치고 있을 수 있는 최근의 이벤트들도 포함할 수 있다. 이 데이터를 관련 데이터베이스(330)에 기록하여, 이벤트의 성공 또는 ROI의 측정을 더 생성할 수 있다. 관련 데이터베이스(330)는 분석(928)으로부터 구축되고, 이는 또한 주지된 소스들(924)에 대한 청중 검색 사용자이름들을 제공한다. 청중 검색(926)은 청중의 사용자이름들을 로그하거나, 인구학적 정보에 이용되는 사용자이름들에 대해 다른 아울렛들을 검색할 수 있다. CRM 데이터베이스는 또한 이름들, 주소들, 회사들, 직위들, 및 다른 데이터를 제공하여, 이러한 데이터를 이용한 관련성에 대한 추가 비교들을 허용할 수 있다. CRM에 대한 타겟 계정은 지역적 정보 및 우선권의 영역들을 제공할 수 있다. 청중 검색 데이터(926)는 데이터의 조직화 및 비교(918)에 대해 제공될 수 있다.

도 10은 컨택트 관계 관리("CRM") 데이터베이스(319)의 이용을 예시하고 있다. 특히, CRM은 CRM 데이터베이스(319)를 이용하여 컨택트들에 관한 정보를 기록하여 컨텐트를 사용자 또는 비즈니스에 타겟팅함으로써 추가적 가치를 제공한다. 재라우팅은 인터넷 프로토콜("IP") 어드레스에 의해, 또는 사용자 프로파일 데이터를 이용해 수행될 수 있다. 특정 사용자의 트랙킹은 CRM 데이터베이스(319)의 컨텐트에 기초하여 관련 자료를 타겟팅하는데 이용될 수 있다. 타겟팅은 그 사용자에 대한 CRM 데이터베이스 내의 데이터에 기초하여 웹사이트의 버전을 표시하는 단계를 포함할 수 있다. 예를 들면, 사용자가 그린적이고 친환경적인 것에 전념된 블로그를 운용하는 경우에, 표시된 사이트는 소유주의 환경에 대한 헌신을 강조하는 자료들을 표시할 수 있다. 추가적으로, 비즈니스의 각 참여자는 그 비즈니스의 특정 규칙들에 구속될 수 있다. 예를 들면, CRM 툴의 각각의 사용자는 페이스북 계정들, 트위터, 웹 사이트들, 블로그들, 사용자 ID들, 및/또는 컴플라이언스 또는 관심사들을 트랙킹할 때 유용할 수 있는 다른 데이터와 연관될 수 있다.

사용자는 블록 1002에서 사이트를 방문하고, 블록 1004에서 CRM 쿠키가 있는지 여부의 결정이 수행된다. 어떠한 쿠키도 없다면, 블록 1006에서 IP 어드레스가 획득된다. 블록 1008에서 IP 어드레스가 CRM 데이터베이스에서 체크된다. IP 어드레스가 CRM 데이터베이스에 존재하지 않는다면, 쿠키를 포함하는 시스템에 추가된다. 그리고나서, 사용자에 대한 변수들(1010)이 측정되고, 그 특정 사용자에 가용한 특정 컨텐트가 있다면, 블록 1012에서 사용자에 대해 타겟팅된 사이트가 표시된다. CRM 데이터베이스에 어떠한 매칭하는 IP도 없다면, 사용자는 블록 1014에서 표준 사이트로 지향되고, 사이트 통계들, 컨택트 정보 및/또는 변수들이 블록 1016에서 트랙킹된다. 이러한 사용자 정보는 블록 1008에서 CRM 데이터베이스에 저장된다. 블록 1004에서, 쿠키가 있다면, 그 쿠키는 사용자에게 표시될 타겟팅된 사이트를 식별할 것이다.

하나의 실시예에서, 이러한 타겟팅은 CRM에 포함된 회사들에 이용될 수 있다. 타겟팅은 특정 회사가 사이트를 방문하고 있는 때를 알고 있다. 이것은 경쟁적 분석 또는 회사로부터의 리쿠르팅/타겟팅 비즈니스에 이용될 수 있다. 예를 들면, 회사의 멤버들이 소정 제품들을 보고 있다면, 이들 제품들은 그 회사의 모든 회사원들에게 타겟팅될 수 있다.

도 11은 소셜 전문기술을 검증하는데 이용되는 리소스들, 및 가치결정 및 영향을 위한 CRM 데이터를 예시하고 있다. 카테고리들(예를 들면, 상기 설명된 것들) 및 서브-요소들을 이용하는 스코어가 비지니스 또는 비지니스 라인에 의한 중요성에 기초하여 가치결정될 수 있다. 제품 개념 대 제품이 예를 들면 SKU 및 FCC 리스팅들을 봄으로써 검증될 수 있다. 이러한 데이터에 액세스하는 것은 수동으로 트랙킹될 필요가 있는 가치있는 플래그들 및 트리거들을 생성하는 조합들을 제공할 수 있다. 공공 소스들(1102), 재정적 데이터(1104), 및 산업계 공표들(1106)을 포함하는 추가 데이터가 크롤러/모니터(1108)에 제공된다. 공공 정보는 정부 기관들, 및 ECD, FCC, USPTO, CGP, NCJRS, 및 CRSP와 같은 다른 조직들을 포함할 수 있다. 크롤러의 이러한 양태는 사용자, 컨택트, 블로거, 미디어 컨택트 또는 회사와 관련된 모든 데이터를 얻고, 통계들을 끌어당긴다. 이러한 데이터 및 관련된 통계들은 각 컨택트, 회사, 블로거 또는 관련된 임프레션의 오피니언 및 가치결정을 형성한다. 예를 들면, 특허 출원들은 회사의 현재 기술 추진방향을 나타낼 수 있다. FCC는 제품에 대한 최근 개시들을 가질 수 있다. 재정적 문서들(1104) 및 산업계 공표들(1106)은 또한 CRM 데이터베이스(310)에 저장될 수 있는 사람 또는 회사의 추진방향들에 관한 단서들을 제공한다. 개인들에 대해, 범죄 데이터베이스가 또한 체크될 수 있다. 소셜 네트워크들을 포함하는 웹은 프로파일을 구성하기 위한 추가적인 공공 데이터를 제공할 수 있다. 동일한 이름을 가지는 사람들에 대해, 맞는 개인을 식별하는데 매칭이 이용될 수 있다.

이러한 크롤링은 관련 데이터베이스(306)를 팝퓰레이팅하는데 이용된다. 뿐만 아니라, 핵심 직원 이름들(1110), 정보 ID들(1112), 제품 명칭들(1114), 및 회사 명칭들(1116)이 또한 관련 데이터를 식별하는데 이용될 수 있다. 특허들, 제품들 및 기술들에서의 관련을 트랙킹하는 것은 계약들의 잠재적 계약 위반 및 CDA 컴플라이언스의 표시일 수 있다. 관련 데이터베이스(306)는 미디어 데이터베이스(1124), CRM 데이터베이스(310), 사용자 프로파일들(1120), 및 글로벌 캘린더(1122)와의 상관들(1118)을 확립하는데 이용될 수 있다. 상관들은 사용자(1126)에게 보고된다. 보고된 조사결과들은 잠재적인 액티비티(1128)를 플래그하도록 트랙킹될 수 있다.

도 12는 컨택트 정보의 수집, 저장 및 가치결정을 예시하고 있다. 가치결정 엔진(1238)은 각 컨택트/비지니스에 대한 가치를 자동으로 결정할 수 있다. 하나의 예에서, 각 컨택트/비지니스는 CRM 데이터베이스(310)에 저장된다. 소셜 네트워크들(1204), 개인 정보(1206), 기사들/프리젠테이션들(1208), 톤/레퍼런스들(1210), 브랜드 멘션들(1212), 공공 데이터베이스 레퍼런스들(1214), 영향(1216), 가치(1218), 및 웹 상태(1220)를 포함하는 온라인 웹 프레즌스(1202)가 식별된다. 이러한 데이터는 사용자 타입을 태그하는데(1222) 이용되고, 이는 CRM(1224), IP 쿠키 시스템(1226), 가치 계산 엔진(1230), 및 미디어 데이터베이스(1232)와 교차 참조된다(1234). 교차 참조(1234)는 가치결정 엔진(1238)에 이용되는 데이터 포인트들을 로그(1236)하는데 이용된다. 소셜 네트워크들(1204)은 페이스북, 마이스페이스, 트위터, 및/또는 다른 소셜 네트워크들을 포함할 수 있다. 개인 정보(1206)는 이름들, 주소들, 사용자이름들, 및 다른 관련된 정보를 포함할 수 있다. 기사들 및 프리젠테이션들(1208)은 토픽들 및 이용들, 및 프리젠터 또는 개인 정보와 관련된 컨텐트를 포함할 수 있다. 톤 및 레퍼런스들(1210)은 정서 스코어 및 컨텐트 또는 컨텍스트와 관련될 수 있다. 브랜드 멘션들(1212)은 브랜드와 관련되는 레퍼런스들의 리스트일 수 있다. 공공 데이터베이스 멘션들(1214)은 공공 기록들, 특허들, 범죄 기록들, 납세 신고용지들, 인구조사 데이터 및 사용자와 관련된 임의의 다른 데이터를 포함한다. 영향(1216)은 그의 상대적 영향에 대해 각 사용자 또는 사이트를 스코어링하는 부차적 검색인 상대적 리스트 또는 영향 테이블일 수 있다. IP 쿠키들(1226)은 웹 사이트 상에서 트랙킹될 수 있는 개인 데이터로의 또 하나의 링크일 수 있다. 가치 계산 엔진(1230)은 이종 데이터 및 스코어들을 접속하는 것에 기초하여, 결정들 및 스코어들을 형성하는 일련의 알고리즘들 및 링크들일 수 있다. 미디어 데이터베이스(1232)는 링크들, 리포터들, 또는 블로거들과 같은 수 개의 데이터를 포함할 수 있고, 부차적으로 각각에 대한 영향 및 미디어 가치를 포함할 수 있다. 미디어 데이터베이스(1232)는 더 장기간의 전망 및 히스토리를 공식화하기 위해 모든 미디어 링크들 또는 실제 데이터의 히스토리를 유지할 수 있다. 각 컨택트는 온라인 웹 프레즌스(1202) 내의 모든 정보에 기초하여 가치결정될 수 있다. 컨택트의 경제상태, 직업은 가치에 영향을 미칠 수 있다. 가치결정 엔진(1238)으로부터의 보고는 영향에 대한 세부사항들을 제공한다. 예를 들면, 수천 명의 페이스북 친구들을 가지는 사람은 상당한 소셜 컨택트들 영향을 가질 것이다. 경제상태 인자는 가치에 대해 중요할 수 있다.

가치결정 엔진(1238)은 검색에 이용된 각 키워드를 통계적으로 평가할 수 있다. 예를 들면, 키워드는 도 22에 대해 설명된 바와 같이 관심사와 관련됨에 따라 평가될 수 있다. 평가는 시스템을 모니터링하는데 출발 레퍼런스 데이터를 이용할 수 있다. 그리고나서, 그 데이터는 멘션들, 정서, 영향 숫자들, 및/또는 미디어 가치를 이용하여 가치를 계산하는데 이용될 수 있다. 이것은 가치의 처음 패스일 수 있지만, 비즈니스 요구들에 기초하여 더 복잡하게 될 수 있다. 이러한 평가는 히스토리 트랙킹을 위해 베이스 세트의 상대적 데이터를 제공하고, 또한 설명되는 카테고리들 및 비즈니스 기회에 의해 필요한 것으로 여겨지는 추가적인 수식어(qualifier)들을 포함할 수 있다. 평가는 용어들 및 리턴된 데이터가 통계적 관련성을 표현할 수 있게 한다. 사용자가 가치 양을 설정하기보다는, 시스템이 각 키워드의 관련성 및 이들 키워드의 이용 사이의 컨텍스트를 보여줄 수 있다. 예를 들면, 가치결정 엔진(1238)은 데이터를 통계적으로 분석하면서 일련의 검색 구성들을 분석하여, 어느 용어들이 시스템이 검색하고자 하는 정보와 통계적 관련성을 가지고 있는지를 보여줄 수 있다. 리턴된 통계적 정보에 기초하여, 각 검색 용어에는 그것이 통계적 가치에 관련됨에 따라 진정한 가치가 할당될 수 있다.

도 13은 이미지들이 유용한 데이터로 변환될 수 있는 방법을 예시하고 있다. 예를 들면, 구매된 가정 아이템들의 그림들은 그 그림에 기초하여 사용자에 대한 정보를 모으는 강력한 웹 툴들을 이용하여 그 아이템에 관한 가치있고 유용한 데이터로 변환될 수 있다. 중요한 아이템들의 그림들은 관련 아이템들 또는 사용자와 연관될 수 있는 아이템들을 식별하는데 이용될 수 있다. 이미지 데이터베이스(1302)는 관련 아이템들을 저장하고 레퍼런스 데이터베이스(306) 또는 비교 데이터베이스(310)의 일부일 수 있다. 그리고나서, 이미지 데이터베이스(1302)는 사진촬영된 제품에 대한 대체 부분들을 식별하는데 이용될 수 있다.

하나의 저장된 이미지들에 관한 관련 데이터 또는 정보를 식별하기 위해, 이미지 비교 및 인식 크롤러(1304)는 블록 1306에서 또 하나의 데이터베이스에 대해 검색을 수행할 수 있다. 제2 크롤러는 이미지 및 텍스트과의 비교들을 포함하여 연관 리스트를 생성한다. 제3 크롤러는 블록 1308에서와 같이 제품들 및 서비스들에 대한 회사 정보를 수집한다. 대안 실시예에서, 제2 및 제3 크롤러들이 조합될 수 있다. 제2 크롤러는 다이나믹 컨텐트가 다음 패스에서 검색될 수 있게 하여 데이터세트가 유기적으로 성장할 수 있게 하는데 이용될 수 있다. 이것은 컨텐트 정확도를 최적화하는데 이용될 수 있다. 처음 크롤은 검색 용어들을 변경할 수 있는 링크들을 드러낼 수 있다. 다이나믹한 고유 단어 또는 문구 리스트를 이용하여 사람들이 말하고 있는 방법을 더 수식하고(qualify) 그것을 원래 검색의 수 개의 서브-요소들을 가지는 새로운 다이나믹 검색 세트로서 트랙킹할 수 있다. 그것은 또한 특정 관계들, 관심사들 및 분석을 위한, 사람들, 미디어, 카테고리들 및 다른 상대적 데이터에 의한 상이한 세트들의 데이터일 수 있다. 최종 크롤의 결과는 관련된 개인화된 데이터이다. 관련된 개인화된 데이터는 개인 웹 페이지 또는 개인 검색 엔진을 포함할 수 있다. 그것은 사용자에 대한 관련된 개인 정보를 포함할 수 있다. 프리젠팅되는 정보는 관련된 개인화된 데이터에 기초한다. 하나의 예에서, 그 데이터는 그 제품에 대한 대체 부분들을 식별하는데 이용될 수 있는 이전에 구매된 제품을 포함할 수 있다. 또 하나의 예에서, 시스템은 대체 부분들을 운반하는 판매자들을 식별하는 능력을 제공할 수 있다. 이러한 개인화는 클라이언트 측에 상주할 수 있는 로컬 버전의 검색 엔진으로서 작용한다.

도 14는 광고들과 같은 소정 소스들에 대한 ROI를 계산하기 위한 투자 수익률("ROI") 엔진을 예시하고 있다. 이러한 시스템은 블록 1402에서 기준 시간프레임 및 컨텐트 프로파일들에 의해 확립된 일간 또는 년간 마케팅 노력을 살필 수 있다. 데이터 모집기(1404)는 데이터를 모집하고 가치에 대한 잠재력을 생성하는 긍정적 표현을 조사한다. 데이터 모집기(1404)는 사용자 파일들(1406), 글로벌 캘린더(1122), 미디어 데이터베이스(1410), 컨텐트 프로파일들(1412), 소셜 모니터링(1414), 및 CRM 데이터베이스(310)로부터 데이터를 수신한다. 그리고나서, 시스템은 데이터를 카테고리화하고(1418) 그룹들을 계산한다. 그룹들은 광고(1420), 오개닉(1422), 소셜(1424), 이벤트(1426), 및 리드들(1428)을 포함할 수 있다. 데이터 모집기는 적시의 데이터 링크들, 스코어들, 및 카운트들을 이용하여, 알고리즘들이 변경되는 경우에 재-분석될 수 있는 데이터의 히스토리 뷰를 저장할 수 있다. 이것은 추가 분석을 허용하도록 재계산된 미처리 형태의 데이터일 수 있다. 검색되는 데이터의 더 나은 이해를 위해 관련성을 허용하고 특정 변경들을 트랙킹하기 위해 사전들, 알고리즘들 및 용어들이 저장될 필요가 있을 수도 있다. 실제 데이터는 삭제될 수 있는 장래 링크들로서 저장될 수 있다. 이러한 데이터 세트는 ROI를 계산하고 시간 및 이벤트들에 걸쳐 복잡한 마케팅 또는 소비자 리서치 결정들을 이해하는데 이용될 수 있다. 광고 그룹(1420)은 사용자와의 관련성 또는 인기를 정의하도록 "천 회당 비용" 모델로 계산된 광고의 가치를 포함할 수 있다. 관련성/인기는 광고 미디어에 대한 가격책정을 결정할 수 있다. 오개닉 그룹(1422)은 하나의 예에서 웹을 가로질러 다른 사이트들에 유기적으로 확산되는 스토리들을 포함할 수 있다. 소셜 그룹화(1424)는 소셜 영향을 결정하기 위해 소셜 네트워크 사이트 팬 베이스들 및 팔로워들의 양과 같은 소셜 데이터를 포함할 수 있다. 이벤트 그룹화(1426)는 특정 임프레션들을 이벤트와 관련된 미디어의 결과로 볼 수 있는 "소비자 전자장치 트레이드쇼"와 같은 이벤트들을 포함할 수 있다. 리드들 그룹화(1428)는 CRM 액티비티들을 통해 생성된 리드들을 포함할 수 있고, 이들은 리드 자체 선택 또는 데이터 범위에 기초한 결정을 통한 이벤트의 결과로 볼 수 있다. 환언하면, 리드들은, 사용자가 "트레이드 쇼"가 접속의 소스라는 것을 식별했던 트레이드 쇼와 동일한 날짜 범위 동안에 생성되었다. 카테고리들은 카테고리 특정 계산들(1430)을 포함한다. 이들 계산들에 기초하여, ROI 및 성공(1432)이 각 카테고리에 대해 결정되어 보고될 수 있다(1434). 보고(1434)는 각 미디어 타입 및 아울렛, 시간 또는 비디오 또는 기사 크기, 배치의 상대적 비용, 및 전체 가치를 포함할 수 있다. ROI 보고를 계산하는데 이용되는 가치들은 또한 특정 이벤트들에 걸쳐 누적된 카운트들에 대해 도 17에서 볼 수 있고, 여기에서 숫자들은 영향 및 미디어 가치에 의해 곱해진다.

도 15는 텍스트 및 이미지 레퍼런스 정보가 미디어 릴리즈들에 시딩되고(seed) 컨텍스트에 대해 레퍼런스 데이터베이스(306)를 통해 트랙킹되는 방법을 예시하고 있다. 블록 1502에서, 마케팅 또는 홍보활동 이벤트 또는 액티비티가 있다. 블록 1504에서, 제품 릴리즈와 같은 이벤트 또는 액티비티에 대해 추적가능한 텍스트 및 이미지들이 생성된다. 추적가능성은 도 17에서 볼 수 있고 미디어에 링크된 이벤트들을 보여준다. 이러한 예는 미디어를 예시하고 있지만, 다른 실시예들에서는, FCC 발표, 특허들 및 다른 이벤트들과 같은 다른 이벤트들에 링크될 수 있다. 블록 1506에서, 웹 및 미디어 정보가 공표된다. 블록 1508에서, 공표된 정보 및 미디어는 액티비티 또는 이벤트에 추적가능하다.

도 16은 컨텍스트의 아이템들이 이벤트 또는 일련의 이벤트들의 성공을 트랙킹하는데 이용될 수 있다는 것을 예시하고 있다. 참조번호 1602에서 텍스트가 매칭된다. 참조번호 1604에서 이미지가 매칭된다. 블록 1606에서는 이미지 및 비디오 마커들이 매칭된다. 이벤트 또는 액티비티 트랙커(1608)는 매치를 확인하는 텍스트, 이미지 및 이미지 마커들을 포함한다. 성공 트랙킹(1610)은 통계들, 링크들, ISP들, 이용 카운트, ID들에 의해 레퍼런싱된 것, 및 임프레션들을 트랙킹한다. 성공을 트랙킹하는 예는 도 17에서 볼 수 있다.

도 17은 임팩트 분석의 가시화를 예시하고 있다. 누적 임프레션 곡선은 순간적인 숫자들보다는 진행중인 액티비티를 트랙킹한다. 특히, 누적 곡선은 진행중인 임프레션들의 개수인데 대해, 나머지 곡선들은 임프레션들, 웹 트래픽 및 소셜 미디어 멘션들의 순간적인 값들이다. 정서는 부정적 및 긍정적 정서 표시자를 포함할 수 있다. 임프레션들에서 부정적 영향은 이들 임프레션들에서 그 도달범위(outreach)의 영향 인자에 의해 곱해진 누적 숫자들에 대해 부정적 임팩트를 가지고 있다. 영향이 더 크다면, 임팩트가 더 크다. 영향이 더 적다면, 임팩트가 더 적다. 환언하면, 매우 큰 임팩트를 가지는 것으로 확인된 소스는 더 높은 영향 인자를 가질 것이다. 이러한 영향 및 데이터의 측정은 특정 소스들의 영향을 측정하는데 이용될 수 있다. 평판 이슈들은 비용 또는 임팩트의 측면에서 트랙킹될 수 있다. 이것은 소정 마케팅 비용들에 대한 ROI를 결정하는데 이용될 수 있다.

차트는 어느 이벤트들이 가장 성공적인가를 결정하는 방식을 제공한다. 성공은 웹 히트들, 임프레션들, 또는 소셜 미디어 멘션들에 기초하여 측정될 수 있다. 다른 실시예들에서, 추가적인 분석이 측정될 수 있다. 이러한 데이터는 임의의 피크들 또는 계곡들을 이벤트들, 기사들 또는 다른 이산 이벤트들과 비교함으로써 상관될 수 있다. 하나의 예에서, 작은 블로그는 기사를 공표할 수 있고, 작은 블로그는 낮은 영향 인자를 가지고 있기 때문에 임프레션들은 크게 가변되지 않을 수 있다. 반대로, 큰 블로그는 긍정적 기사를 포스팅할 수 있고, 임프레션들은 다음 수일 동안 크게 스파이크할 수 있다. 이러한 긍정적 영향은 큰 블로그가 높은 영향 인자를 가지고 있기 때문에 클 수 있다. 설명되고 있는 임팩트 분석은 긍정적인 메시지가 운반되도록, 가능한 한 많은 사람들의 노출을 긍정적인 방식으로 최대화하는데 도움을 줄 수 있다. 가장 영향력있고 긍정적인 소스들/이벤트들은 마케팅 달러들로 타겟팅될 수 있지만, 영향력없거나 부정적인 소스들/이벤트들은 회피될 수 있다.

도 18은 추가 데이터를 수집하기 위한 프로세스를 예시하고 있다. 데이터는 RSS 피드들(1802)에 의해 식별될 수 있다. 예를 들면, 추가 데이터는 식별된 소스들로부터의 이벤트들에 의해 생성되는 다른 미리 결정된 관련 피드들을 생성하도록 자동으로 파싱되는 하나 이상의 RSS 피드들일 수 있다. RSS 피드들을 이용하는 것은 임의의 정보가 변경되었는지를 결정하는 용이한 메커니즘을 제공한다. 클라이언트 및 이벤트(1804)와 연관된 테이블이 RSS 피드들(1802)로부터의 키워드들에 기초하여 생성된다. 각 RSS 피드를 소트(1806), 그레이드(1808), 스코어(1810), 및 필터(1812)에 의해 처리하여, RSS 피드 데이터베이스(1814)를 생성한다. 데이터는 사용자의 보고 요구들에 기초하여 복수의 차원들을 생성하는 방식으로 파싱될 수 있다. 하나의 예에서, 이러한 데이터는, 조직의 각각의 양태가 검색의 그 양태에 관한 관련 데이터를 포함하도록, 도 22와 관련되는 것처럼 조직화될 수 있다. 데이터를 상이한 방식들로 리뷰하기 위해 MDX 피봇 포인트들(1816)이 생성된다. 피봇 포인트들(1816)은 제2 아울렛 RSS 피드 데이터베이스(1818)에 피딩한다. 데이터 차원들(1820)이 확립되고, MDX 피봇 포인트들(1816)로 되돌아갈 수 있다. 데이터 차원들(1820)로부터, 관련 데이터베이스(316)가 팝퓰레이팅되고, 보고 엔진(1822)이 신속한 보고들을 생성할 수 있다.

RSS 피드 데이터베이스(1814, 1818)는 레퍼런스 데이터베이스(306)의 일부일 수 있다. RSS 피드로, 사용자는 소정 토픽을 조사할 수 있지만, 그 데이터는 랜덤한 방식으로 수신된다. RSS 피드들은 이들 이벤트들이 변경되고 있거나 발생하고 있을 때마다 발생하는데 반해, 당신의 크롤러는 미리 결정된 시간프레임에 나가서 간신히 그 정보를 얻을 수 있다. RSS 피드 데이터베이스들은 상이한 간격에서 처리된다. 데이터는 복수의 차원들에서 스택되고 이들 방향들에서 외측으로 흐르도록 조직화될 수 있다. 하나의 예에서, 도 22에 도시된 바와 같이, 각각의 관심사는 검색에 관한 특정 관심사들을 조직화하기 시작할 수 있다. 예를 들면, 경쟁 공간에서 제품 검색은 리서치 및 개발에 대한 중요한 데이터를 리턴할 수 있다. 법률 관련 검색은 관심사가 되는 특정 공개들을 트리거링할 수 있는 추가적인 검색 용어들을 포함할 수 있다. 이것은 언어에 의해 각 추가 사전을 재생하고, 이미지들을 추가하며, 소리 패턴들을 추가함으로써 증폭될 수 있다.

도 19는 예로 든 프로세스를 예시하고 있다. 예로 든 프로세스는 데이터 수집을 위한 더 직접적이고 특정된 소스인 것으로 간주될 수 있다. 블록 1902에서, 관심사가 되는 이벤트 또는 아이템이 식별된다. 블록 1904에서, 이벤트 또는 아이템과 연관된 미디어를 저장하는 레퍼런스 데이터베이스가 컴파일링된다. 블록 1906에서, 연관된 미디어의 확산이 모니터링되거나 트랙킹된다. 연관된 미디어의 임팩트는 블록 1908에서 분석된다.

도 20은 트랙킹되고/트래킹되거나 분석될 수 있는 예로 든 미디어 타입들을 예시하고 있다. 미디어 타입들(2002)은 텍스트(2004), 그림들 또는 이미지들(2006), 비디오(2008), 및 오디오(2010)를 포함한다. 미디어 타입들(2002)은 식별될 수 있는 임의의 아이템 또는 이벤트를 표현한다. 하나의 실시예에서, 디지털 태그들이 미디어를 트랙킹하는데 이용된다.

도 21은 예로 든 데이터 분석을 예시하고 있다. 데이터 분석(2102)은 사용자 프로파일링(2104), 비지니스 프로파일링(2106), 디지털 태그들을 포함하는 컨텐트 프로파일링, 글로벌 캘린더(2110), 및 성공 엔진(2112)을 포함한다. 이것은 컨텐트, 타이밍 및 잠재적인 소스들을 수식하고, 그리고나서 그 이벤트 및 컨텐트 확산의 성공을 트랙킹하도록 설계된다.

도 22는 회사에 대한 공통 용어들의 개발을 예시하고 있다. 하나의 실시예에서, 도 22는 레퍼런스 데이터베이스(306)의 팝퓰레이션을 예시하고 있다. 조직(2202)은 제품, 리서치, 브랜드, 법인 관심사들, 인적자원 관심사들, 재무적 트랙킹, 및 다른 관련 정보에 대한 공통 리스트를 용이하게 하여, 검색 및 관심사들의 컨텍스트에서 관련 정보를 모을 수 있다. 조직(2202)은 부모 회사(2206), 회사들(2206), 경쟁사들(2208), 브랜드들(2210), 경쟁 브랜드들(2212), 제품들(2214), 경쟁자 제품들(2216) 또는 조직 또는 조직 경쟁자들을 가진 사람들을 포함할 수 있다. 조직(2202)은 카테고리화되고 문맥상으로 조직화된 키워드들 또는 이미지들(2218)을 생성한다. 이들 키워드들(2218)은 언어들의 텍스트 사전(2220) 및 이미지 사전(2222)으로부터 생성될 수 있다. 텍스트 사전(2220)은 데이터 소팅, 통계적 분석 및 알고리즘(2230)뿐만 아니라, API 검색 호출들(2226)로부터 추가적인 필요로 되는 데이터(2224)를 수신할 수 있다. API 검색 호출들(2226)은 인덱싱된 웹 데이터 및 서비스들(2228)을 포함할 수 있고, 데이터 소팅, 통계적 분석 및 알고리즘들(2230)은 키워드들(2218)과 접속된 가시화들(2232)을 포함할 수 있다.

하나의 실시예에서, 방법은 웹사이트로의 액세스를 위한 요구를 수신하고, 웹사이트로부터의 쿠키에 대해 체크하며, 쿠키로부터 관련 컨텐트를 획득하고, 쿠키가 존재하는 경우에 관련 컨텐트에 기초하여 웹 사이트의 타겟팅된 버전을 제공하며, 어떠한 쿠키도 가용하지 않는 경우에 IP 어드레스를 체크하고 컨택트들 데이터베이스와 비교하며, 어떠한 쿠키도 가용하지 않는 경우에 IP 어드레스가 컨택트들 데이터베이스에 위치해 있을 때 컨택트들 데이터베이스로부터 관련 컨텐트를 수신하고, 어떠한 쿠키도 이전에 가용하지 않았고 컨택트들 데이터베이스에 어떠한 프로파일도 없었던 경우에 사용자 및 클릭들을 모니터링하여 웹사이트 쿠키에 저장될 사용자 프로파일을 생성하고 - 추가적으로 사용자 프로파일로부터의 정보는 웹사이트 쿠키에 저장됨 -, 쿠키를 활용하여 웹사이트 쿠키를 업데이트함으로써, 사용자 프로파일을 생성하고 활용한다.

또 하나의 실시예에서, 토픽을 수신하고, 토픽을 이용하여 제1 크롤러 검색을 수행하여 레퍼런스 데이터베이스를 생성하며, 레퍼런스 데이터베이스를 더 관련된 컨텐트를 포함하는 비교 데이터베이스와 비교하고 - 여기에서 비교 데이터베이스는 토픽, 클라이언트, 이벤트와 연관된 컨텐트를 포함함 -, 레퍼런스 데이터베이스와 비교 데이터베이스의 비교로부터 관련 데이터베이스를 생성함으로써 관련 데이터베이스가 생성되고, 그 생성은 비교 데이터베이스와의 비교에 기초한 레퍼런스 데이터베이스의 세밀화를 포함한다.

또 하나의 실시예에서, 트랙킹될 미디어를 식별하고, 식별된 미디어를 레퍼런스 데이터베이스에 저장하며, 공공 소스들을 저장된 미디어와 비교하고, 비교에 기초하여 저장된 미디어를 포함하는 로케이션들을 식별하며, 로케이션들을 분석하여 로케이션들 및 저장된 미디어의 성공을 결정함으로써 미디어에 대한 임팩트가 결정된다.

또 하나의 실시에에서, 제1 크롤러를 이용하여 웹으로부터 레퍼런스 데이터베이스를 생성하고, 이미지들, 마커들, 텍스트, 인용문들 또는 컨텍스트를 가지는 비교 레퍼런스 데이터베이스를 생성하며, 비교 레퍼런스 데이터베이스 및 일반 레퍼런스 데이터베이스를 분석하고, 분석에 기초하여 관련 데이터를 식별하며, 제2 크롤러를 이용하여 소셜 컨택트들 데이터베이스에 대한 관련 데이터의 소스를 결정하고, 제3 크롤러를 이용하여 소셜 컨택트들 데이터베이스로부터 소스들 각각에 대한 정보를 검색하며, 제3 크롤러를 이용한 검색에 기초하여 소스들 각각에 대한 소셜 가치 또는 영향을 결정하고, 소스들 각각에 대한 소셜 가치 또는 영향을 미디어 배치 데이터베이스에 추가함으로써 소스에 대한 소셜 임팩트가 결정된다.

상기 설명된 시스템 및 프로세스는 신호 포함 매체, 메모리와 같은 컴퓨터 판독가능 매체에 인코딩되거나, 하나 이상의 집적 회로들, 하나 이상의 프로세서들과 같은 디바이스 내에 프로그래밍되거나, 컨트롤러 또는 컴퓨터에 의해 처리될 수 있다. 그 데이터는 컴퓨터 시스템에서 분석되어 스펙트럼을 생성하는데 이용될 수 있다. 방법들이 소프트웨어에 의해 수행된다면, 소프트웨어는 저장 디바이스, 동기화기, 통신 인터페이스에 상주하거나 인터페이싱된 메모리, 또는 송신기와 통신상태에 있는 비휘발성 또는 휘발성 메모리에 상주할 수 있다. 회로 또는 전자 디바이스는 데이터를 또 하나의 로케이션으로 전송하도록 설계된다. 메모리는 논리적 기능들을 구현하기 위한 실현가능한 명령들의 순서화된 리스팅을 포함할 수 있다. 기재된 논리적 기능 또는 임의의 시스템 요소는 광학 회로, 디지털 회로를 통해, 소스 코드를 통해, 아날로그 회로를 통해, 아날로그 전기, 오디오, 또는 비디오 신호 또는 조합과 같은 아날로그 소스를 통해 구현될 수 있다. 소프트웨어는 명령 실행가능한 시스템, 장치 또는 디바이스에 의한 이용을 위해, 또는 그들과 함께 임의의 컴퓨터-판독가능 또는 신호-포함 매체에서 실시될 수 있다. 그러한 시스템은 컴퓨터-기반 시스템, 프로세서-포함 시스템, 또는 명령들을 실행할 수 있는 명령 실행가능 시스템, 장치, 또는 디바이스로부터 명령들을 선택적으로 페치할 수 있는 또 하나의 시스템을 포함할 수 있다.

"컴퓨터 판독가능 매체", "머신 판독가능 매체", "전파된-신호" 매체, 및/또는 "신호-포함 매체"는 명령 실행가능한 시스템, 장치 또는 디바이스에 의한 이용을 위해, 또는 그와 함께 소프트웨어를 저장하고, 통신하며, 전파하고, 트랜스포팅하는 것을 포함하는 임의의 디바이스를 포함할 수 있다. 머신 판독가능 매체는 선택적으로 전자, 자기, 광학, 전자기, 적외선, 또는 반도체 시스템, 장치, 디바이스 또는 전파 매체일 수 있고, 이들로 제한되지 않는다. 머신-판독가능 매체의 예들의 비-소모적 리스트는 하나 이상의 와이어들을 가지는 전기적 접속 "전자장치", 휴대용 자기 또는 광 디스크, 랜덤 액세스 메모리" RAM"과 같은 휘발성 메모리, 판독전용 메모리 "ROM", 및 삭제가능한 프로그램가능 판독전용메모리(EPROM 또는 플래시 메모리), 또는 광섬유를 포함할 것이다. 소프트웨어는 이미지로서 또는 또 하나의 포맷으로(예를 들면, 광학 스캔을 통해) 전자적으로 저장되고, 그런 후에 컴파일링되고, 및/또는 해석되거나 다른 방법으로 처리되므로, 머신 판독가능한 매체는 또한 소프트웨어가 인쇄되는 유형의 매체를 포함할 수 있다. 처리된 매체는 그 후 컴퓨터 및/또는 머신 메모리에 저장될 수 있다.

여기에 기재된 실시예들의 예시들은 다양한 실시예들의 구조의 일반적인 이해를 제공하려는 것이다. 예시들은 여기에 기재된 구조들 또는 방법들을 활용하는 장치 및 시스템들의 모든 구성요소들 및 특징들의 완전한 기재로서 기여하려는 것은 아니다. 본 개시를 검토하는 경우에 본 기술분야의 숙련자들에게는 다수의 다른 실시예들이 명백하게 될 수 있다. 본 개시로부터 다른 실시예들이 활용되고 도출되어, 본 개시의 범주에서 벗어나지 않고 구조적 및 논리적 대체들 및 변경들이 만들어질 수 있다. 추가적으로, 예시들은 단지 표현적인 것에 불과하고, 일정한 비례로 그려지지 않을 수 있다. 예시들 내의 소정 부분들은 과장될 수 있는 데 대해, 다른 부분들은 최소화될 수 있다. 따라서, 본 개시 및 그림들은 제한적인 것이라기보다는 예시적인 것으로 간주되어야 된다.

여기에서, 본 개시의 하나 이상의 실시예들은, 단지 편의상 그리고 본 출원서의 범주를 임의의 특정 발명 또는 발명적 개념으로 자발적으로 제한하려는 것 없이, 개별적으로 및/또는 집합적으로, 용어 "발명"에 의해 지칭될 수 있다. 더구나, 특정 실시예들이 여기에 예시되고 기재되어 있지만, 동일하거나 유사한 목적을 달성하도록 설계된 임의의 후속 배열이 도시된 특정 실시예들을 대체할 수 있다는 것은 자명하다. 본 개시는 다양한 실시예들의 임의의 하나 및 모든 후속 적응들 또는 변동들을 커버하려는 것이다. 상기 실시예들, 및 여기에 구체적으로 기재되지 않은 다른 실시예들의 조합들은 본 설명을 검토한 경우에 본 기술분야의 숙련자들에게 명백하게 될 것이다.

상기 개시된 주제는 제한적인 것이 아니라 예시적인 것으로 간주되어야 하고, 첨부된 청구항들은 본 발명의 진정한 사상 및 범주 내에 드는 모든 그러한 변형들, 향상물들, 및 다른 실시예들을 커버하려는 것이다. 그러므로, 법에 의해 허용된 최대 범위까지, 본 발명의 범주는 이하의 청구항들 및 그 등가물들의 가장 넓은 허용가능 해석에 의해 결정되어야 하고, 상기 상세한 설명에 의해 제한되거나 한정되지 않을 것이다. 본 발명의 다양한 실시예들이 설명되었지만, 본 기술분야의 통상의 기술자들에게는, 본 발명의 범주 내에서 다수의 더 많은 실시예들 및 구현들이 가능하다는 것이 명백할 것이다. 따라서, 본 발명은 첨부된 청구항들 및 그 등가물들의 관점을 제외하고는 제한되지 않는다.

Claims

소스의 소셜 임팩트를 결정하기 위한 방법에 있어서,
제1 크롤러를 이용하여, 웹으로부터 레퍼런스 데이터베이스를 생성하는 단계;
이미지들, 마커들, 텍스트, 인용문들, 또는 컨텍스트를 가지는 비교 레퍼런스 데이터베이스를 생성하는 단계;
상기 비교 레퍼런스 데이터베이스와 상기 레퍼런스 데이터베이스를 분석하는 단계;
상기 분석에 기초하여 관련 데이터를 식별하는 단계;
제2 크롤러를 이용하여, 소셜 컨택트들 데이터베이스에 대한 상기 관련 데이터의 소스를 결정하는 단계;
제3 크롤러를 이용하여, 상기 소셜 컨택트들 데이터베이스로부터 상기 소스들 각각에 대한 정보를 검색하는 단계;
상기 제3 크롤러를 이용한 검색에 기초하여 상기 소스들의 각각에 대한 소셜 가치를 결정하는 단계; 및
상기 소스들의 각각에 대한 소셜 가치를 미디어 배치 데이터베이스에 추가하는 단계
를 포함하는 방법.
제1항에 있어서, 상기 미디어 배치 데이터베이스를 활용하여 더 높은 임팩트를 가지는 사이트들을 추적하는 단계를 더 포함하는 방법.
제2항에 있어서, 상기 임팩트는 상기 소스의 인기에 의해 결정되는 방법.
제3항에 있어서, 상기 인기는 검색 결과들의 개수, 멘션(mention)들의 개수, 또는 검색으로부터 기인하는 페이지들의 개수 중 적어도 하나를 포함하는 방법.
제1항에 있어서, 상기 관련 데이터는 텍스트, 이미지들, 비디오 또는 오디오 중 적어도 하나를 포함하는 방법.
제1항에 있어서, 상기 소셜 가치는 투자수익률("ROI")을 포함하는 방법.
제6항에 있어서, 상기 ROI는 임프레션들의 개수에 영향 인자(influence factor)를 곱하는 것을 이용하여 계산되는 방법.
제1항에 있어서, 상기 소셜 가치는 긍정적 멘션들을 전체 멘션들로 나누는 정서 계산(sentiment calculation)을 포함하는 방법.
제1항에 있어서, 상기 소스는 분석될 이벤트를 포함하고, 상기 이벤트는 제품, 쇼, 보도자료, 기사, 또는 웹 페이지 중 적어도 하나를 포함하는 방법.
제1항에 있어서, 상기 레퍼런스 데이터베이스는 모니터링될 요소들을 포함하고, 추가적으로 상기 요소들은 용어들, 문구들, 이미지들, 오디오, 또는 다른 타겟 모니터링 자산들 중 적어도 하나를 캠페인의 일부로서 포함하는 방법.
관련 데이터베이스를 생성하기 위해 프로그래밍된 프로세서에 의해 실행가능한 명령들을 표현하는 데이터를 그 내부에 저장한 비-일시적인 컴퓨터 판독가능 저장 매체에 있어서,
토픽을 수신하고;
상기 토픽을 이용하여 제1 크롤러 검색을 수행하여 레퍼런스 데이터베이스를 생성하고;
상기 레퍼런스 데이터베이스를 더 관련된 컨텐트를 포함하는 비교 데이터베이스와 비교하고 - 상기 비교 데이터베이스는 상기 토픽, 클라이언트, 이벤트와 연관된 컨텐트를 포함함 -;
상기 레퍼런스 데이터베이스와 상기 비교 데이터베이스의 비교로부터 상기 관련 데이터베이스를 생성하도록 - 상기 생성은 상기 비교 데이터베이스와의 비교에 기초한 상기 레퍼런스 데이터베이스의 세밀화(refinement)를 포함함 -
동작하는 명령들을 포함하는 컴퓨터 판독가능 저장 매체.
제11항에 있어서, 상기 레퍼런스 데이터베이스를 생성하기 위해 RSS 피드들을 통해 데이터를 수집하도록 동작하는 명령을 더 포함하는 컴퓨터 판독가능 저장 매체.
제11항에 있어서, 컨택트 관계 관리 데이터베이스를 생성하도록 동작하는 명령을 더 포함하는 컴퓨터 판독가능 저장 매체.
미디어로부터의 임팩트를 결정하기 위한 방법에 있어서,
트랙킹될 미디어를 식별하는 단계;
상기 식별된 미디어를 레퍼런스 데이터베이스에 저장하는 단계;
공공 소스들을 상기 저장된 미디어와 비교하는 단계;
상기 비교에 기초하여 상기 저장된 미디어를 포함하는 로케이션들을 식별하는 단계; 및
상기 로케이션들을 분석하여 상기 로케이션들 및 상기 저장된 미디어의 성공을 결정하는 단계
를 포함하는 방법.
제14항에 있어서, 상기 트랙킹될 미디어는 이벤트 또는 제품과 연관된 미디어를 포함하는 방법.
제14항에 있어서, 상기 공공 소스들 및 상기 로케이션들은 인터넷을 통해 가용한 데이터 또는 페이지들을 포함하는 방법.
제14항에 있어서, 상기 소스는 ROI를 포함하거나, 뷰들의 분석에 기초하는 방법.
제14항에 있어서, 상기 성공은 상기 로케이션들이 웹 페이지들인 경우에 페이지 뷰들을 포함하는 방법.
제14항에 있어서, 임프레션들 또는 웹 트래픽의 비주얼 표시를 제공하는 대시보드 가시화를 생성하는 단계를 더 포함하는 방법.
제14항에 있어서, 컨택트 관계 관리 데이터베이스를 생성하는 단계를 더 포함하는 방법.
타겟팅 데이터베이스를 생성하기 위해 프로그래밍된 프로세서에 의해 실행가능한 명령들을 표현하는 데이터를 그 내부에 저장한 비-일시적인 컴퓨터 판독가능 저장 매체에 있어서,
웹사이트로의 액세스를 위한 요구를 수신하고;
액세스를 위한 상기 요구의 소스를 식별하고;
상기 소스로부터의 요구들 및 행태를 모니터링 및 트랙킹하여 상기 소스에 관한 변수들을 획득하고;
상기 소스에 대한 변수들을 상기 타겟팅 데이터베이스에 추가하고;
상기 소스에 대한 상기 타겟팅 데이터베이스 내의 상기 저장된 변수들을 활용하여, 특정 사이트에 대한 상기 소스로부터의 장래 요구들에 응답하여 타겟팅된 사이트를 제공하도록 - 상기 타겟팅된 사이트는 상기 소스에 대한 변수들에 기초하여 조정되는 상기 특정 사이트의 변형된 버전임 -
동작하는 명령들을 포함하는 컴퓨터 판독가능 저장 매체.
제21항에 있어서, 상기 소스는 쿠키 또는 IP 어드레스에 기초하여 식별되는 컴퓨터 판독가능 저장 매체.
제21항에 있어서, 상기 소스에 대한 변수들은 상기 소스가 동작하는 비지니스의 타입을 포함하고, 추가적으로 상기 타겟팅된 사이트는 그 비지니스의 타입에 대한 규칙들과 상기 특정 사이트의 비교에 기초하여 커스터마이징되는 컴퓨터 판독가능 저장 매체.
제21항에 있어서, 상기 소스에 대한 변수들은 블로그들 또는 소셜 네트워킹 사이트들을 포함하는 공공 웹사이트들로부터의 정보를 포함하는 컴퓨터 판독가능 저장 매체.
사용자 프로파일을 생성하고 활용하기 위한 방법에 있어서,
웹사이트로의 액세스를 위한 요구를 수신하는 단계;
상기 웹사이트로부터의 쿠키가 있는지 체크하는 단계;
상기 쿠키가 존재하는 경우에 쿠키로부터 관련 컨텐트를 획득하고 상기 관련 컨텐트에 기초하여 상기 웹사이트의 타겟팅된 버전을 제공하는 단계;
어떤 쿠키도 가용하지 않은 경우에, 상기 IP 어드레스를 체크하고 컨택트들 데이터베이스와 비교하는 단계;
어떤 쿠키도 가용하지 않은 경우에, 상기 IP 어드레스가 상기 컨택트들 데이터베이스에 위치해 있을 때 상기 컨택트들 데이터베이스로부터 상기 관련 컨텐트를 수신하는 단계;
어떤 쿠키도 이전에 가용하지 않았고 상기 컨택트들 데이터베이스에 어떠한 프로파일도 없었던 경우에, 상기 사용자 및 클릭들을 모니터링하고 웹사이트 쿠키에 저장될 사용자 프로파일을 생성하는 단계 - 상기 사용자 프로파일로부터의 정보는 상기 웹사이트 쿠키에 저장됨 -; 및
상기 쿠키를 활용하여 상기 웹사이트 쿠키를 업데이트하는 단계
를 포함하는 방법.
제25항에 있어서, 상기 IP 어드레스가 상기 컨택트들 데이터베이스에 위치해 있지 않고 어떠한 쿠키도 가용하지 않은 경우에, 상기 사용자 데이터와 레퍼런스 데이터베이스를 비교하여 관련 데이터를 식별하는 단계를 더 포함하는 방법.
제25항에 있어서, 상기 사용자 프로파일은 적어도 하나의 이미지를 포함하고, 상기 이미지를 저장된 이미지들과 비교하여 그것이 매칭되고 관련성이 있는지를 결정하는 방법.