JP2011018331A - マーケティング・モデル決定システム - Google Patents

Abstract

【課題】マーケティング目標に関する情報予測に用いる最終モデルを決定するシステムを提供する。
【解決手段】システムは、最終モデルに使用され得る変数を決定し、少なくとも１つの変数に対する修正も決定する、変数決定モジュールを含む。想定決定モジュールは、最終モデルに使用され得る想定を決定する。想定には、変数がマーケティング目標にどのように影響するか、または変数が、最終モデル内で使用され得る別の変数にどのように影響するかを記述する、変数に関する変換要素が含まれる。想定モジュールは、想定に対する修正も決定する。モデル生成器は、変数と想定とを用いて候補モデルを生成し、修正された想定、新しい変数または変数に対する修正を用いて、新しい候補モデルを生成する。候補モデルおよび新しい候補モデルの中の変数に関する統計的尺度および関連性の表示のうちの少なくとも１つに基づいて、候補モデルまたは新しい候補モデルが最終モデルとして選択され得る。
【選択図】図１

Description

本願は、全般的に、マーケティング目標に関する情報の予測に用いられ得る最終モデルを決定するように構成されたシステムに関する。
優先権

本特許出願は、２００９年７月９日に出願された、名称を「適応的分析マーケティング・ツール（Ａｄａｐｔｉｖｅ Ａｎａｌｙｔｉｃｓ Ｍａｒｋｅｔｉｎｇ Ｔｏｏｌ）」とする米国仮特許出願第６１／２２４，２５８号の優先権を主張し、さらに、２００９年８月３１日に出願された、名称を「ＭＯＬＡＰシステムによる適応的分析（Ａｄａｐｔｉｖｅ Ａｎａｌｙｔｉｃｓ ｗｉｔｈ ＭＯＬＡＰ Ｓｙｓｔｅｍ）」とする米国仮特許出願第６１／２３８，３３５号の優先権を主張するものであり、上記両出願の内容全体を参照によって引用するものである。

多くの企業は、売上を向上させるために、広告およびその他のマーケティング活動に毎年何百万ドルをも費やしている。ところが、自分たちのマーケティング活動が売上にどう影響しているかを判断するのは非常に難しい。これは主として、その企業によって行われたマーケティング活動に関係するのかしないのかは分からないが実際に売上に影響し得る、数々の要素が原因である。例えば、経済動向および競合他社の価格設定が売上に影響することもあり、同様に、関連するマーケティング・チャネルにおける広告が影響することもある。結果的に、企業が、最も売上を向上させる可能性の高い活動に対してマーケティングの労力および資源を集中させることは、非常に困難である。

マーケティング活動がどのように売上に影響するかを判断する１つの手法は、モデリングを使用することである。モデリングは、挙動または成果を予測あるいは予想するのに使用することができる。モデルは、回帰分析、あるいは履歴データを分析するその他の方法によって生成されるとよい。例えば企業は、売上履歴データを用いて、将来、売上がどのような影響を受けるかを予想するモデルを生成するとよく、こうした企業はその予想に基づいて、売上を向上させるような調整を施すことができる。一方、上記に示したように、売上に影響を及ぼす可能性のある全ての要素を基にしたモデルには、数多くの変数が含まれ得る。加えて、一部の変数が、不十分なデータおよび間違いをはじめとする要素に基づいたその他の変数に比べて、より正確であるという場合もある。最も正確な予測結果をもたらすようにモデルに使用する変数を選択することは、極めて困難である。故に現在予測に用いることのできる多くのモデルが、不正確なものになりかねない。さらに、マーケティング投資の調整を行うに当たり不正確なモデルを信頼することは、結果として利益の損失および資源の無駄になる可能性がある。

システムが、マーケティング目標に関する情報の予測に用いられ得る最終モデルを決定するように構成されている。本システムには、最終モデルに使用され得る少なくとも１つの変数を決定し、さらに上記の少なくとも１つの変数に対する修正を決定する、変数決定モジュールが含まれる。想定決定モジュールが、最終モデルに使用され得る想定を決定する。想定には、少なくとも１つの変数に関する変換要素が含まれ、変換要素は、少なくとも１つの変数がマーケティング目標にどのように影響するか、または少なくとも１つの変数が、最終モデル内で使用され得る別の変数にどのように影響するかを記述する。想定モジュールは、想定に対する修正を決定する。モデル生成器が、少なくとも１つの変数と想定とを用いて候補モデルを生成し、さらに、修正された想定、新しい変数および少なくとも１つの変数に対する修正のうちの少なくとも１つを用いて、新しい候補モデルを生成する。コンピュータによって実行可能なモデル評価モジュールが、候補モデルおよび新しい候補モデルの各々の中の少なくとも１つの変数に関する統計的尺度および関連性の表示を決定する。候補モデルおよび新しい候補モデルの各々の中の少なくとも１つの変数に関する統計的尺度および関連性の表示のうちの少なくとも１つに基づいて、候補モデルおよび新しい候補モデルのうちの１つが、最終モデルとして選択され得る。

マーケティング目標に関する情報の予測に用いられ得る最終モデルを決定する方法は、最終モデルに使用され得る少なくとも１つの変数を決定するステップを含む。本方法はさらに、最終モデルに使用され得る想定を決定するステップを含み、想定には、少なくとも１つの変数に関する変換要素が含まれ、変換要素は、少なくとも１つの変数がマーケティング目標にどのように影響するか、または少なくとも１つの変数が、最終モデル内で使用され得る別の変数にどのように影響するかを記述する。本方法はさらに、少なくとも１つの変数および想定のうちの少なくとも１つに対する修正を決定するステップを含む。本方法はさらに、少なくとも１つの変数と想定とを用いて候補モデルを生成するステップを含む。本方法はさらに、修正を用いて新しい候補モデルを生成し、さらに、コンピュータによって、候補モデルおよび新しい候補モデルの各々の中の少なくとも１つの変数に関する統計的尺度および関連性の表示を決定するステップを含む。候補モデルおよび新しい候補モデルの各々の中の少なくとも１つの変数に関する統計的尺度および関連性の表示のうちの少なくとも１つに基づいて、候補モデルおよび新しい候補モデルのうちの１つが、最終モデルとして選択され得る。本方法は、コンピュータ可読ストレージ・デバイスに保存されておりコンピュータによって実行可能な、コンピュータ・プログラムに具現化されてもよい。

本発明の各実施形態を、以下の図面に関連して以下の記載において詳細に説明する。

一実施形態による、システムを示す。 一実施形態による、モデリング・エンジン１０２のブロック図を示す。 一実施形態による、図１に示すシステムの技術的実装を示す。 一実施形態による、データ抽象化層のデータ・モデルのデータ構造を示す。 一実施形態による、最終モデルを決定する方法のフローチャートを示す。 一実施形態による、変数および想定を入力し修正するのに使用されるとよいスクリーン・ショットの一例を示す。 一実施形態による、テスト結果を表示するのに使用されるとよいスクリーン・ショットの一例を示す。 一実施形態による、図１に示すシステムの１つ以上のコンポーネントのプラットフォームとして使用されるとよいコンピュータ・システムを示す。

簡単にし説明しやすくするために、実施形態の原理については主としてその具体例を参照して記載する。以下の記載では、実施形態が十分に理解されるように、多数の特定の詳細を示している。一方、当業者には当然のことながら、各実施形態は、こうした特定の詳細に限定されることなく実施可能である。一部の事例では、実施形態を不必要に分かりにくくしないように、周知の方法および構造については詳しく記載していない。

システムが、売上に関連するデータを分析し、データ内の変数と、売上の向上、ブランド・エクイティの向上などといったマーケティング目標との関係を特定するモデルを決定するように、構成されている。変数は、階層構造に組織された属性（次元とも称される）を有するとよい。階層構造は、各次元について下位属性またはレベルを含むとよい。例えば、各マーケティング・チャネル変数の１つの次元を地理としてもよく、階層構造における下位属性またはレベルを国、地域、都市および郵便番号としてもよい。様々な次元およびレベルにわたる変数を、モデルでの使用に向けて評価し選択するとよい。モデルはその後、予測およびマーケティング計画の策定に使用することができる。本システムは、使用を簡単にするウェブベースのＧＵＩを提供することもできる。

本システムの特徴の一部として、計量経済学モデリング、事実に基づく立案、および因果的予測が挙げられる。システムは、データの診断および可視化、混合モデルの構築、ならびにＷｈａｔ−ｉｆシナリオ機能を、付加的に提供することもできる。システムには、ホスト型（「オンデマンド」）導入あるいはオンサイト導入の両方のオプションを備えた、ウェブベースの、企業対応のスケーラブルなコンピュータ・プラットフォームを含めてもよい。その他のより小規模なコンピュータ・プラットフォームを使用することもできる。コンピュータ・プラットフォーム上で動作するソフトウェアによって、本システムの機能が提供される。

図１は、一実施形態による、システム１００を示す。システム１００は、データ・ストレージ・システム１０１、モデリング・エンジン１０２、予測エンジン１０３、最適化エンジン１０４、およびユーザ・インターフェース１０５を含む。データ・ストレージ・システム１０１は、マーケティング目標に関連する任意のデータを保存する。マーケティング目標の一例として、売上を向上させることがある。保存されるデータには、売上履歴データ、マーケティング活動に関連するデータの変数、経済動向、およびその他各種のデータを含めることができる。変数には、売上に影響する様々なメトリクスを含めるとよい。例えば変数は、ＴＶ、ラジオ、印刷物およびインターネットなどの様々なマーケティング・チャネルにおける活動のコスト（例えば、費やされた金額）を含むとよい。その他の変数として、失業率、国内総生産などといった、売上に影響するマクロ経済的要素を挙げることもできる。データ・ストレージ・システム１０１はさらに、ユーザ・インターフェース１０５を介してユーザによって入力されたデータを保存することもでき、加えて、システム１００によって生成されるモデルおよびその他の情報を保存することもできる。

上述のように、データ・ストレージ・システム１０１にある、売上に関連するデータは、階層構造に組織された属性（次元とも称される）によって特徴付けることができる。階層構造は、各次元について下位属性またはレベルを含むとよい。例えば、各マーケティング・チャネル変数の１つの次元を地理としてもよく、階層構造における下位属性またはレベルを国、地域、都市および郵便番号としてもよい。

モデリング・エンジン１０２は、データ・ストレージ・システム１０１からの、ユーザまたはその他のデータ・ソースにより提供され得るデータを使用して、変数と、売上実績などといったマーケティング目標との関係を生成する。こうした関係が、モデル１１０を形成する。一例では、変数と売上との関係が、曲線あるいは関数で表されてもよい。例えば、曲線上の各々の点が、当該変数に関して投資あるいは消費された金額に対してもたらされる（増加分あるいは累積の）予想売上高を示すように、曲線を生成するとよい。

モデリング・エンジン１０２は、モデルを策定するのに、多様な変換要素およびその他の機構を使用する。変換要素は、変数がマーケティング目標にどのように影響するかを記述する。変換要素はさらに、その変数が別の変数にどのように影響するかをも記述するとよい。変換要素は、関数によって表すことができ、この関数は、１つ以上の入力パラメータを用いて関数変数を調整する。変換要素の例としては、広告ストック、広告ラグ、および広告飽和が挙げられる。広告ストックとは、時間とともに減衰していく広告の有効性を示す、広告の減衰率機構である。広告ラグとは、広告の、時間的なずれを伴った影響である。或る週に広告を行った場合に、その広告の影響は売上に現れてくるのであるが、必ずしもその週に現れる訳ではない。その代わり、その広告の影響が次の８週間に現れてくる可能性もある。広告ラグにより、広告のそうした遅延型の有効性を示すことができる。広告飽和は、収益逓減関数を用いており、この関数は、市場がマーケティングで飽和するに従い、当該広告の影響が減っていくことを示す指数関数である。例えば、或るマーケティング活動に数百万ドルが費やされる場合、最初に投資される５万は、最後に投資される５万よりも、売上に影響を与える可能性が高い。広告飽和は、広告効力とも称される。広告効力は、費やされた金額当たりの逓減収益額を示すことができる。変換要素の別の例として、相乗効果が挙げられる。相乗効果というのは、少なくとも２種類のマーケティング活動の作用が、同一製品の売上に良い影響を与える場合をいう。相乗効果は、同時に行われるマーケティング活動の一体的なあるいは相補的な効果である。例えば、２つの異なるマーケティング活動に費やす金額が活動各々につき２％ずつ増加した場合に、その製品の売上が、相乗効果によって、４％ではなく１０％増加する。

モデリング・エンジン１０２は、入力としてマッピングされた全ての変数について変換要素の様々な置換を試み、最適な数学的関係を決定する。線形回帰および／または混合モデリングの手法が利用されるとよい。最適な関係によって、モデルが定義され、変数とマーケティング目標との関係が示される。

モデリング・エンジン１０２は、変数と、想定と、売上履歴データなどのデータとを用いて、モデル１１０を生成することができる。ユーザ・インターフェース１０５を介して、様々な変数が選択されるとよい。さらに、変数の次元およびレベルも選択されるとよい。想定も、受信されるとよい。想定は、変換要素と、変換要素のパラメータとを含み得る。想定は、変数あるいは変数のセットの推定値を含むとよい。推定値は、１つ以上の変換要素に関する推定値であってもよい。例えば推定値は、変数に関するラグ、効力または広告ストックの量であってもよい。推定値は、２つの変数間における相乗効果あるいは食い合いの量などといった、相互作用的な変換要素についての想定であってもよい。

想定には、制約とも称される１つ以上のルールを含めてもよい。ルールは、売上に対する変数の関連性を判断するのに使用されるとよい。ルールは、モデルのテスト中に、変数を消去するかあるいは保持するかを判断するのに使用されるとよい。ルールは、例えば、テレビ・マーケティングについて、延べ視聴率ごとの自分の平均収益はいくらであるなどといった、ビジネス目標に基づいてもよい。ルールは、条件であってもよい。条件の一例は、より高い価格が売上を向上させるというものである。モデリング・エンジン１０２はこの条件をテストし、その後、条件が満たされなければ、変数として価格を消去してもよいし、あるいはこの条件が満たされないということを示してもよい。別の例では、想定には、２つの相互に排他的な想定を含めてもよい。例えば、１つの想定は、より高い価格が売上を向上させるというルールを含む。もう１つの想定は、より低い価格が売上を向上させるというルールを含む。一方の想定が、必ず消去されることになる。さらに、モデリング・エンジン１０２によって実施された統計的分析に基づいて、いずれも真実ではないということが分かったら、双方が消去される可能性もある。

想定にはさらに、マーケティング目標を記述するフィルタ基準が含まれるとよい。例えば、フィルタ基準がエクイティであれば、モデリング・エンジン１０２は想定に関する動作を行なってそれらの想定がブランド・エクイティに関連するかどうかを判断する。フィルタ基準の別の例としては売上が挙げられ、これは、想定が売上にどのように関連するかを確かめるものである。

モデリング・エンジン１０２は、モデル生成に使用される変数および想定をユーザによって変更できるようにする。そうした変更は、ユーザ・インターフェース１０５を介して入力されればよい。モデリング・エンジン１０２は、一連の変更の各々について、候補モデルを生成する。モデリング・エンジン１０２によって、様々な変更に対する複数の候補モデル１０６が生成されるとよい。候補モデル１０６は、例えば統計的尺度およびその他の要素を通じて評価され、予測に関する正確さおよび実行可能性を判断される。１つ以上の候補モデル１０６が、モデル１１０として示されている最終モデルとして選択され、分析、立案および予測に用いられるとよい。

予測エンジン１０３は、モデル１１０を用いて「ｗｈａｔ−ｉｆ」分析を実施し、売上に対する変数の影響を推定する。例えば、現在のマーケティング計画がデータ・ストレージ・システム１０１に保存されているとよく、これには様々なマーケティング・チャネルに費やされる金額が含まれている。ユーザは、例えば様々なマーケティング・チャネルに費やされる金額などといったモデル内の変数の値を、ユーザ・インターフェース１０５を介して変更することができる。予測エンジン１０３は、こうした変数をモデル１１０に入れて、例えば、各チャネルにおいてマーケティングに費やされる金額を所与としてもたらされる推定売上などを、出力する。様々な変数に関して予測エンジン１０３を実行することによって、ユーザは、売上を最大限に伸ばすために各マーケティング・チャネルにて投資すべき最適な金額を決定することができる。

最適化エンジン１０４は、マーケティング計画の策定に使用されるとよい。最適化エンジン１０４は、予測エンジン１０３の出力を評価して、様々なマーケティング・チャネルに費やされる金額などといった各変数を最適化する最善の方法を決定し、売上を最大限に伸ばし新しいマーケティング計画を作成することができる。最適化エンジン１０４は、モデル１１０を使用して、売上を最大限に伸ばすために多様なマーケティング・チャネルに費やすべき最大および最小の金額を決定するとよい。

図２は、モデリング・エンジン１０２のさらに詳細なブロック図を示す。モデリング・エンジン１０２は、変数決定モジュール２０１と、想定決定モジュール２０２と、モデル生成器２０３と、モデル評価モジュール２０４とを含む。モデリング・エンジン１０２のモジュールおよびその他のコンポーネントには、ソフトウェア、ハードウェアあるいはソフトウェアとハードウェアの組み合わせを含めることができる。

変数決定モジュール２０１は、モデルを生成するのに使用される変数を決定し、想定決定モジュール２０２は、モデルを生成するのに使用される想定を決定する。一実施形態では、変数および想定は、ユーザ・インターフェース１０５を介してユーザによって入力されて、モジュール２０１および２０２によって受信されてもよい。さらに、変数および想定に対する修正も同様に、ユーザ・インターフェース１０５を介してユーザによって入力されモジュール２０１および２０２によって受信されて、様々な候補モデルが生成されるとよい。

モデル生成器２０３は、モジュール２０１および２０２によって決定された変数および想定を使用してモデルを生成する。モデリング・エンジン１０２は、想定および変数を複数の別個の回帰分析にかけて、変数と売上との関係を決定する。こうした関係が、モデリング・エンジン１０２によって生成される候補モデルを形成する。

変数と売上との関係を決定すること、およびその関係を表す反応曲線を算出することについては、２００６年７月７日に出願された、名称を「モデリング・マーケティング・データ（Ｍｏｄｅｌｉｎｇ Ｍａｒｋｅｔｉｎｇ Ｄａｔａ）」とする、アンドリス・アンブリジ（Ａｎｄｒｉｓ Ｕｍｂｌｉｊｓ）らによる同時係属米国特許出願第１１／４８３，４０１号にさらに記載されており、本特許文献は、参照によりその内容全体を引用したものとする。

例えば、選択された一連の変数を所与として、統計的回帰（例えば、線形回帰）手法が用いられてモデル係数が決定される。これらの係数は、変数のデータ（例えば、マーケティング・チャネルのコスト・データ）を、対応する実績履歴データに最良にマッピングするモデルの変数の係数である。候補モデルの変数の係数の推定は、所与の入力データの計算出力が、対応する出力に最良に適合するような多変数関数（例えば、曲線）をもたらすように、回帰技術を用いて実施される。一部の実施形態では、候補モデルの変数の少なくとも一部について非線形回帰を回帰技術によって実施し、当該変数（例えば、収益逓減の挙動を示す市場変数など）に関連する何らかの非線形挙動を明らかにする。

モデル評価モジュール２０４は、各候補モデル内の変数に関する統計的尺度および関連性の表示を決定する。各変数に関する統計的尺度および関連性の表示に基づいて、その候補モデルが最終モデルとして選択される場合もあるし、あるいは選択されない場合もある。統計的尺度は、変数の、マーケティング目標に対する統計的有意性を示す。関連性の表示は、その変数がマーケティング目標に対して与える影響の程度を示す。

例えばモデル評価モジュール２０４は、当該変数が統計的に有意であるかどうかを示す統計的尺度を決定するのに、関数を用いて各変数を評価する。一例では、モデル性能に対する変数の寄与が、所定の閾値を上回っている必要がある。変数の寄与は、統計的尺度の一例でもあり、変換済み履歴データおよび作成された係数を用い従属変数に対する相対的影響の推定値を算出して決定される。その後、場合によっては、この相対的影響を発見的な重み付けプロセスに通して、比較検討用の最終的な寄与を決定するとよい。このモデル特性は、モデルには、モデル性能に対する寄与が取るに足らないような変数は入っているべきではないという現実を反映するものである。一部の実施形態では、統計的有意性の所定閾値を１０％としてもよい。一部の実施形態では、閾値は５％であってもよい。そのモデルに要求される複雑さの程度に応じて、統計的有意性がより低いあるいはより高い閾値を用いればよい。

さらに、モデル評価モジュール２０４は、変数に関する想定ルールが満たされているかどうかを判断する。例えば、ルールは条件としてもよい。条件の一例は、より高い価格が売上を向上させるというものである。モデリング・エンジン１０２は、この条件をテストし、その後、その条件が満たされなければ、変数として価格を消去してもよいし、あるいはこの条件が満たされないことを示してもよい。別の例では、想定には、２つの相互に排他的な想定を含めてもよい。例えば、１つの想定は、より高い価格が売上を向上させるというルールを含む。もう１つの想定は、より低い価格が売上を向上させるというルールを含む。一方の想定が、必ず消去されることになる。さらに、モデリング・エンジン１０２によって実施される統計的分析に基づいて、いずれも真実ではないということが分かったら、双方が消去される可能性もある。

モデル評価モジュール２０４は、各変数について関連性の表示を決定する。関連性の表示は、マーケティング目標に対して変数が与える影響の程度を示す。一例では、モデル評価モジュール２０４は、変数が保持されているかあるいは消去されているかを示す。変数が保持されているという表示は、その変数がマーケティング目標に関連性を持つことを意味する。関連性の表示は、統計的尺度に基づいていてもよく、すなわち変数が想定ルールおよび／またはその他の要素を満たしているかどうかに基づいていてもよい。

図３は、一実施形態による、システム１００の技術的実装を示す。システム１００は、モデリング・エンジン１０２、予測エンジン１０３、および最適化エンジン１０４のホストであるアプリケーション・サーバ３０１を含む。データ・ストレージ・システム１０１に対しては、ストレージ・エリア・ネットワークまたはその他の従来型システムなどのサーバおよびストレージ・システムがホストとして働くとよく、これが３１０として示されている。データ・ストレージ・システム１０１のアーキテクチャ層が、図３１０に示されている。一実施形態では、データ・ストレージ・システム１０１は、以下にさらに詳細に記載する多次元データ・モデルを利用する。データ・ストレージ・システム１０１は、データ・ストレージ・システム１０１に保存されているデータのデータ構造である、データ抽象化層３１１を含む。データ抽象化層３１１は、図３でさらに詳細に示されているが、メタデータ層およびデータ層を含む。

データ・ストレージ・システム１０１は、さらに、データ・ストレージ・システム１０１に保存されている多次元データへのアクセスをサポートするデータ・アクセス層３１２を含む。一例では、データ・アクセス層３１２は、諸システムにアクセスするための業界標準である分析用ＸＭＬ（ＸＭＬＡ：ＸＭＬ ｆｏｒ ａｎａｌｙｓｉｓ）を含むとよい。

多次元クエリ層３１３は、多次元分析クエリをサポートする。多次元クエリ層３１３は、複数次元における階層構造の様々なレベルにわたって集約を行い、多次元分析クエリに対応するように構成されている。保存されている尺度各々のメタデータが、予測および／またはデータ分析に向けて多次元クエリを実行するための集約ルールを示す。

データ・マッピング層３１４は、図４に示すデータ・モデルに従って、データ・ストレージ・システム１０１にデータを保存する。例えば、データ・マッピング層３１４は、複数の次元にわたって適切なメタデータと各変数とを関連付けるとよい。

システム１００は、ユーザ・インターフェース１０５のホストとなるウェブ・サーバ３０２を含むとよい。ユーザ・インターフェース１０５は、ユーザがモデリング・エンジン１０２を用いたテストに向けて想定を入力することを可能にし、さらにユーザが予測および立案に向けてレポートを起動しグラフィカルな分析を生成することを可能にする、リッチ・ユーザ・インターフェースを提供するとよい。この技術的アーキテクチャは、多数ユーザのための大量データ処理を可能にするように、極めてスケーラブルなものであるとよい。

図４は、図３に示すデータ抽象化層３１１のデータ・モデルのデータ構造４００を示す。図４に示すように、データ構造４００は、メタデータ層４０１とデータ層４０２とを含む。メタデータ層４０１は、関係データを含み、この関係データは、図１に示すモデリング・エンジン１０２を用いてモデル１１０を決定するプロセスを通じて生成されるものである。関係データには、モデル内の変数と、推定売上であり得るモデル出力との関係の、数学的表現を含むとよい。関係データは、図２に示すモデル生成器２０３によって決定された係数を含むとよい。メタデータ層４０１はさらに、モデル作成に使用される想定および変数を記述している情報を含み、この情報は例えば、変換要素、ルール、変数の次元およびレベル、ならびにその他の関連情報などである。メタデータ層４０１はさらに、データの集約ルールを保存することによって、多次元クエリをサポートする。集約ルールは、階層構造の次元において下位レベルから上位レベルまでをどのように集約するか、および各レベルに対してどの変換要素を適用するかについて記述している。例えばメタデータ層４０１は、売上に関する州レベルの情報が要求されている場合には所定のパラメータとともにラグ変換要素を用いてＴＶマーケティング・チャネル変数の都市レベルから州レベルまでを集約する、ということを示すとよい。こうした集約ルールは、予測エンジン１０３によって実施される「ｗｈａｔ−ｉｆ」シナリオ処理に適用されるとよい。データ層４０２は、データ・ストレージ・システム１０１に保存されている、当該モデルに関連する実データを特定する。実データとしては、階層構造の様々な次元にわたって様々なレベルにある、各マーケティング活動のコストなどが挙げられる。一実施形態では、ここに各次元の最下位レベルにあるデータが含まれることもあり、従って集約ルールによって、その次元の上位レベルまでをどのように集約するかが決定されるとよい。

１つの技術的な効果は、各モデルに関しデータ構造４００を使用することによって、予測エンジン１０３により実施されるクエリ処理および「ｗｈａｔ−ｉｆ」シナリオ処理が非常に高速化され、加えて多次元クエリも非常に高速化されるということである。

別の実施形態では、データ構造４００を使用する代わりに、従来型のオンライン分析処理（ＯＬＡＰ：Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ）システム、またはリレーショナル・オンライン分析処理（ＲＯＬＡＰ：Ｒｅｌａｔｉｏｎａｌ Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ）システムを使用してもよい。

図５は、一実施形態による、最終モデルを決定する方法５００のフローチャートを示す。最終モデルは、売上を予測しｗｈａｔ−ｉｆ分析を実施するのに使用されるとよい。方法５００は、図１乃至３に示し記載するシステム１００に関連して説明されるが、これは単なる例であって限定するものではない。

ステップ５０１にて、データ・ストレージ・システム１０１に履歴データが保存される。このステップは、ソースからデータが受信されるときに、継続的に実施されても周期的に実施されてもよい。データは、実際の売上およびコストのデータに加え、測定あるいは他の方法で算出可能なその他のデータを含んでもよい。

ステップ５０２にて、変数または変数のセットが決定される。例えば変数は、ユーザ・インターフェース１０５を介して選択される。変数の選択には、１つ以上の変数の次元および／またはレベルを選択することが含まれるとよい。例えば、保存されている売上データに基づいて、製品および製品タイプが選択されてもよい。さらに、次元として地理が選択され、その地理次元の階層構造のレベルとして地域が選択される。次元およびレベルを備えたこうした変数が、モデルでのテストに向けて選択される。

ステップ５０３にて、１つ以上の想定が決定される。想定は、ユーザ・インターフェース１０５を介して受信されてもよい。想定には、変数あるいは変数のセットの推定値が含まれているとよい。推定値は、１つ以上の変換要素に関する推定値であってもよい。例えば推定値は、変数に関するラグ、効力または広告ストックの量であってもよい。推定値は、２つの変数間における相乗効果あるいは食い合いの量などといった相互作用的な変換要素についての想定であってもよい。

想定には、制約とも称される１つ以上のルールを含めてもよい。ルールは、売上に対する変数の関連性を判断するのに使用されるとよい。ルールは、モデルのテスト中に、変数を消去するかあるいは保持するかを判断するのに使用されるとよい。ルールは、例えば、テレビ・マーケティングについて、延べ視聴率ごとの自分の平均収益はいくらであるなどといった、ビジネス目標に基づいてもよい。ルールは、条件であってもよい。条件の一例は、より高い価格が売上を向上させるというものである。モデリング・エンジン１０２はこの条件をテストし、その後、条件が満たされなければ、変数として価格を消去してもよいし、あるいはこの条件が満たされないということを示してもよい。別の例では、想定には、２つの相互に排他的な想定を含めてもよい。例えば、１つの想定は、より高い価格が売上を向上させるというルールを含む。もう１つの想定は、より低い価格が売上を向上させるというルールを含む。一方の想定が、必ず消去されることになる。さらに、モデリング・エンジン１０２によって実施された統計的分析に基づいて、いずれも真実ではないということが分かったら、双方が消去される可能性もある。

想定には、さらに、マーケティング目標を記述するフィルタ基準が含まれるとよい。例えば、フィルタ基準がエクイティであれば、モデリング・エンジン１０２は想定に関する動作を行ってそれらの想定がブランド・エクイティに関連するかどうかを判断する。フィルタ基準の別の例としては売上が挙げられ、これは、想定が売上にどのように関連するかを確かめるものである。

ステップ５０４にて、受信された変数および想定が、モデリング・エンジン１０２によってテストされる。モデリング・エンジン１０２は、想定を複数の別個の回帰分析にかけて、変数と売上との関係を決定する。これらの関係が、モデリング・エンジン１０２によって生成される候補モデルを形成する。モデリング・エンジン１０２はさらに、回帰分析を介して、候補モデルにおける想定の正確さを記述する統計的尺度を決定する。

モデリング・エンジン１０２は、売上履歴データのうちの様々なデータ・セットに関してモデルをテストするとよい。データ・セットは、タイム・フレーム、次元レベルなどによって異なっているとよい。データ・セットの各々に関するテストは、評価される複数の候補モデルを生成する。

ステップ５０５にて、モデリング・エンジン１０２は、テスト結果を示す。例えば、モデリング・エンジン１０２は、モデル内の変数各々に関する統計的尺度を決定し、変数各々に関する関連性の表示を決定する。関連性の表示は、各変数を保持するかどうか、言い換えれば、各想定の各変数は残留するものとみなされるかどうかを示すとよい。テスト結果は、候補モデルに適用される。

ステップ５０６にて、１つ以上の想定または変数に対する修正を加えて、ステップ５０４および５０５が繰り返される。修正は、例えば変換要素パラメータの変更または変換要素の追加もしくは削除など、変数に対するものであってもよいし、あるいは次元もしくはレベルの変更、または新しい変数の追加であってもよい。修正は、フィルタリング基準、集約ルールまたは想定ルールに対する修正など、想定に対するものであってもよい。モデリング・エンジン１０２は、新しい候補モデルに関するテスト結果を算出する。

ステップ５０７にて、想定を修正することによりさらなる候補モデルを生成するかどうかに関する判断が下される。ユーザは、さらなる候補モデルを生成し続けるかどうかを、テスト結果に基づいて判断するとよい。決断は、売上もしくは他の何らかの目標に与えられる影響に各変数がどのくらい関連しているかを示す統計的評価（すなわち、ステップ５０５で得られるテスト結果）に基づいてもよい。例えば、変数の４０％が消去されたとユーザが判断した場合、ユーザは、変数の少なくとも８０％が保持されるまで、追加的な候補モデルを生成し続けることもできる。

ステップ５０８にて、或る候補モデルが、予測に用いられることになる最終モデルとして選択される。予測には、多様なシナリオをシミュレートして、売上にどのように影響するかを推定することが含まれるとよい。例えば、特定のチャネルに費やすマーケティングを増やすことが、売上を向上させることになるかどうかを判断するのに、最終モデルを用いるとよい。予測エンジン１０３が、最終モデルを用いて上記の予測を実施する。

候補モデルは、性能の最も良い候補モデルを判断するようにテストされるとよく、ひいてはその性能の最も良い候補モデルが、最終モデルとして選択されればよい。例えば、システム１００は、一連の入力を所与として、所定の履歴期間について売上の実績値の曲線を生成する。同じ一連の入力と、候補モデルとを使用して、売上の推定値に関する曲線が生成される。それらの曲線が比較される。曲線間の誤差が一番小さい候補モデルが、最終モデルとして選択されればよい。

ステップ５０９にて、最終モデルに関する想定が、データ構造４００のメタデータ層に保存される。例えば図４に示すデータ構造４００には、メタデータ層４０１とデータ層４０２とが含まれる。メタデータ層４０１は、最終モデルに関する想定、変数、次元およびレベル、集約ルール、ならびに関係データを保存する。データ層４０２は、データ・ストレージ・システム１０１に保存されている、最終モデルに関連する実データを特定する。実データとしては、階層構造の様々な次元にわたって様々なレベルにある、各マーケティング活動のコストなどが挙げられる。一実施形態では、ここに各次元の最下位レベルにあるデータが含まれることもあり、従って集約ルールによって、その次元の上位レベルまでをどのように集約するかが決定されるとよい。

図６は、図１のユーザ・インターフェース１０５によってもたらされ得るスクリーン・ショットを示す。このスクリーン・ショットは、図１のシステム１００に変数および想定がどのように提供されるかを示し、さらに、図１に示した候補モデル１０６などの複数の候補モデルを生成するには、変数および想定がどのように修正されればよいのかという例を示す。図６はさらに、その変数は「残留」するものとみなされていたか否かなど、候補モデルにおける変数の評価に基づいて各変数に対して生成される関連性の表示の例も示している。６０１は、生成されるモデルを記述するようにユーザによって入力されるとよい概要情報を示す。６０２は、様々な変数について選択可能な様々な次元およびレベルを選択する例を示す。６０２のフィルタリングを受けて、ブランド・エクイティに関連する変数が選択されている。一方、「変数を変更」および「新しい変数」のボタンを介して、変数が修正されてもよいし、新しい変数が追加されてもよい。６０５は、選択された変数ならびに選択された次元およびレベルを示す。

６０３は、様々な変換要素と、変換要素に関して選択された変換要素パラメータ値との例を示す。変換要素の下方にあるボタンを介して、変換要素を修正することもできる。さらに６０６は、変換要素に関する変換要素パラメータを、スライダを用いて修正することを示している。

６０４は、テストされているモデルによってもたらされる２つの曲線を示す。一方の曲線は、推定売上であり、他方の曲線は、変換要素に関連するものである。６０７は、特定の地域（すなわち、地理次元のレベル）における、変数の関連性の表示を示す。なお、６０７では、変数が残留しているかどうかが示されており、このことは、その変数がモデル内で維持されたかどうかを指していることに留意されたい。モデルは、複数の変数を含み得るが、その全てが残留するとは限らない。

図７は、候補モデルのテストに関するテスト結果のスクリーン・ショットを示す。７０１は、この候補モデルのテストにより、予想された結果と実際の結果との間に２．５％の誤差があることが分かったということを示している。７０２は、上記の誤差をグラフによって示す。７０３は、候補モデルでテストされた様々な変数の例を、メトリクスとして示す。さらに、変換要素と、選択されたフィルタが示される。さらに、想定ルールまたは制約と、各変数に対して生成されたモデリング係数とが示される。さらに、当該変数は「残留」するとみなされていたかどうか、すなわち関連性の表示が示される。１８個の変数のうち１６個が、関連性があるとみなされたため残留するものとして示されている。

図８は、本明細書に記載の実施形態とともに使用し得るコンピュータ・システム８００を示す。コンピュータ・システム８００は、サーバまたはその他のコンピュータ・システムにあるとよいコンポーネントを含んだ、汎用プラットフォームを表す。コンピュータ・システム８００は、本明細書に記載された１つ以上の方法、機能およびその他のステップを実行するプラットフォームとして使用することができる。これらのステップは、１つ以上のコンピュータ可読ストレージ・デバイスに保存されたソフトウェアとして具現化されてもよい。加えて、図１に示すシステム１００のコンポーネントは、ソフトウェアであっても、ハードウェアであっても、あるいはハードウェアおよびソフトウェアの組み合わせであってもよい。

コンピュータ・システム８００は、本明細書に記載された方法、機能およびその他のステップの一部または全てを実施するソフトウェア命令を実装または実行し得るプロセッサ８０２を含む。プロセッサ８０２からのコマンドおよびデータは、通信バス８０４を介して通信される。コンピュータ・システム８００にはさらに、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）などのメイン・メモリ８０６が含まれ、そこには実行時にプロセッサ８０２用のソフトウェアおよびデータが置かれるとよく、さらに、不揮発性であり得てソフトウェアおよびデータを保存する二次データ・ストレージ８０８が含まれる。メモリおよびデータ・ストレージは、コンピュータ可読媒体の例示である。

コンピュータ・システム８００は、キーボード、マウス、ディスプレイなどの、１つ以上のＩ／Ｏデバイス８１０を含むとよい。コンピュータ・システム８００は、ネットワークに接続するためのネットワーク・インターフェース８１２を含むとよい。当業者には当然のことながら、コンピュータ・システム８００において、既知のその他の電子コンポーネントを追加することあるいは代わりに用いることも可能である。

本明細書に記載された、１つ以上のステップおよびシステムの１つ以上のコンポーネントは、コンピュータ・コードとして実装されてもよく、このコンピュータ・コードは、メモリおよび／または二次ストレージなどといったコンピュータ可読媒体に保存され、例えばプロセッサ、特定用途向け集積回路（ＡＳＩＣ：ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、またはその他のコントローラによって、コンピュータ・システム上で実行される。コードは、ソース・コード、オブジェクト・コード、実行可能コードあるいはその他の形式でのプログラム命令から成るソフトウェア・プログラム（単数または複数）として、存在することができる。コンピュータ可読媒体の例としては、従来型コンピュータ・システムＲＡＭ（ランダム・アクセス・メモリ）、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ：読み取り専用メモリ）、ＥＰＲＯＭ（ｅｒａｓａｂｌｅ，ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ：消去可能でプログラム可能なＲＯＭ）、ＥＥＰＲＯＭ（ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ，ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ：電気的に消去可能でプログラム可能なＲＯＭ）、ハード・ドライブ、およびフラッシュ・メモリなどが挙げられる。

各実施形態について具体例を参照しつつ記載してきたが、当業者であれば、請求される実施形態の範囲から逸脱することなく、記載された実施形態に多様な変更を施すことが可能であろう。例えば、本明細書に記載されたシステムおよび方法は、概して、売上データのモデリング変数に関して記載されているが、モデリングは売上関連の情報に対するものに限定される訳ではなく、他のタイプのデータ、および他のマーケティング目標に関するモデリングにも適用可能である。

Claims (20)

1. マーケティング目標に関する情報の予測に用いられ得る最終モデルを決定するように構成されているシステムであって、前記システムは、
   前記最終モデルに使用され得る少なくとも１つの変数を決定し、前記少なくとも１つの変数に対する修正を決定する、変数決定モジュールと、
   前記最終モデルに使用され得る想定を決定する想定決定モジュールであって、前記想定は、前記少なくとも１つの変数が前記マーケティング目標にどのように影響するか、または前記少なくとも１つの変数が、前記最終モデル内で使用され得る別の変数にどのように影響するかを記述する、前記少なくとも１つの変数に関する変換要素を含み、さらに、前記想定決定モジュールは、前記想定に対する修正を決定する、想定決定モジュールと、
   前記少なくとも１つの変数および前記想定を用いて候補モデルを生成し、さらに、前記修正された想定、新しい変数、および前記少なくとも１つの変数に対する前記修正のうちの少なくとも１つを用いて、新しい候補モデルを生成する、モデル生成器と、
   コンピュータによって実行可能であり、前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する統計的尺度および関連性の表示を決定する、モデル評価モジュールであって、前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する前記統計的尺度および前記関連性の表示のうちの少なくとも１つに基づいて、前記候補モデルおよび前記新しい候補モデルのうちの１つが、前記最終モデルとして選択され得る、モデル評価モジュールと、
   を含む、システム。
2. 前記最終モデル、前記少なくとも１つの変数の提示値および履歴データを用いて、前記マーケティング目標に関する予想を生成する、予測エンジン
   をさらに含む、請求項１に記載のシステム。
3. 前記少なくとも１つの変数は、多次元変数を含み、各次元は、複数レベルを含み、前記変数決定モジュールは、前記少なくとも１つの変数の、前記次元と前記複数レベルのうちのレベルとを特定する、請求項２に記載のシステム。
4. 前記モデル生成器によって生成される、前記候補モデル、前記新しい候補モデルおよび前記最終モデルを含めたモデルに関する情報を保存する多次元データ・ストレージ・システムであって、前記多次元データ・ストレージ・システムは、前記情報を保存するのにメタデータ層およびデータ層を使用する、多次元データ・ストレージ・システムと、
   前記少なくとも１つの変数と前記マーケティング目標との関係と、前記少なくとも１つの変数の表示と、前記少なくとも１つの変数の前記次元および前記レベルと、前記候補モデル、前記新しい候補モデルおよび前記最終モデルの各々に関する前記想定と、を保存する、前記メタデータ層と、
   前記候補モデル、前記新しい候補モデルおよび前記最終モデルの各々の中の前記少なくとも１つの変数に関するデータを含む前記データ層と、
   をさらに含む、請求項３に記載のシステム。
5. 前記メタデータ層は、前記少なくとも１つの変数に関する集約ルールを保存し、前記多次元データ・ストレージ・システムは、前記メタデータ層に保存されている前記集約ルールを用いて多次元クエリを実施するように構成されている、請求項４に記載のシステム。
6. 前記想定は、条件を指定する想定ルールを含み、前記モデル評価モジュールは、前記条件が満たされているかどうかに基づいて、前記少なくとも１つの変数の前記関連性の表示を決定する、請求項１に記載のシステム。
7. 前記条件が満たされているかどうかに基づく、前記少なくとも１つの変数の前記関連性の表示は、前記少なくとも１つの変数が前記候補モデル内で維持されていたかどうかという表示を含む、請求項１に記載のシステム。
8. 前記少なくとも１つの変数に関する前記変換要素は、前記変換要素の前記影響の量を記述する入力パラメータを含む、請求項１に記載のシステム。
9. 前記少なくとも１つの変数、前記想定、前記少なくとも１つの変数に対する前記修正および前記想定に対する前記修正を受信する、ユーザ・インターフェースをさらに含む、請求項１に記載のシステム。
10. 前記マーケティング目標は、製品またはサービスの売上を向上させることである、請求項１に記載のシステム。
11. マーケティング目標に関する情報の予測に用いられ得る最終モデルを決定する方法であって、前記方法は、
    前記最終モデルに使用され得る少なくとも１つの変数を決定するステップと、
    前記最終モデルに使用され得る想定を決定するステップであって、前記想定は、前記少なくとも１つの変数が前記マーケティング目標にどのように影響するか、または前記少なくとも１つの変数が、前記最終モデル内で使用され得る別の変数にどのように影響するかを記述する、前記少なくとも１つの変数に関する変換要素を含む、想定を決定するステップと、
    前記少なくとも１つの変数および前記想定のうちの少なくとも１つに対する修正を決定するステップと、
    前記少なくとも１つの変数および前記想定を用いて候補モデルを生成するステップと、
    前記修正を用いて新しい候補モデルを生成するステップと、
    コンピュータによって、前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する統計的尺度および関連性の表示を決定するステップであって、前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する前記統計的尺度および前記関連性の表示のうちの少なくとも１つに基づいて、前記候補モデルおよび前記新しい候補モデルのうちの１つが前記最終モデルとして選択され得る、ステップと、
    を含む、方法。
12. 前記最終モデル、前記少なくとも１つの変数の提示値、および履歴データを用いて、前記マーケティング目標に関する予想を生成するステップ
    をさらに含む、請求項１１に記載の方法。
13. 前記変数は、多次元変数を含み、各次元は、複数レベルを含み、前記少なくとも１つの変数に関する統計的尺度および関連性の表示を決定するステップは、
    前記少なくとも１つの変数の、前記次元および前記複数レベルのうちのレベルを用いて、前記少なくとも１つの変数に関する前記統計的尺度および前記関連性の表示を決定するステップ
    を含む、請求項１２に記載の方法。
14. 前記候補モデル、前記新しい候補モデル、および前記最終モデルの各々の中の前記少なくとも１つの変数に関し、前記少なくとも１つの変数と前記マーケティング目標との関係と、前記少なくとも１つの変数の表示と、前記少なくとも１つの変数の前記次元および前記レベルと、前記候補モデル、前記新しい候補モデルおよび前記最終モデルの各々に関する前記想定と、をデータ・モデルのメタデータ層に保存するステップと、
    前記候補モデル、前記新しい候補モデルおよび前記最終モデルの各々の中の前記少なくとも１つの変数に関するデータを、前記データ・モデルのデータ層に保存するステップと、
    をさらに含む、請求項１３に記載の方法。
15. 前記少なくとも１つの変数に関する集約ルールを前記メタデータ層に保存するステップと、
    前記メタデータ層に保存されている前記集約ルールを用いて多次元クエリを実施するステップと、
    をさらに含む、請求項１４に記載の方法。
16. 前記想定は、条件を指定する想定ルールを含み、前記少なくとも１つの変数に関する関連性の表示を決定するステップは、
    前記条件が満たされているかどうかに基づいて、前記少なくとも１つの変数に関する前記関連性の表示を決定するステップ
    を含む、請求項１１に記載の方法。
17. 前記少なくとも１つの変数に関する前記変換要素は、前記変換要素の前記影響の量を記述する入力パラメータを含む、請求項１１に記載の方法。
18. コンピュータ・プログラムを保存しているコンピュータ可読ストレージ・デバイスであって、コンピュータによって実行されると、
    最終モデルに使用され得る少なくとも１つの変数を決定するステップと、
    前記最終モデルに使用され得る想定を決定するステップであって、前記想定は、前記少なくとも１つの変数がマーケティング目標にどのように影響するか、または前記少なくとも１つの変数が、前記最終モデル内で使用され得る別の変数にどのように影響するかを記述する、前記少なくとも１つの変数に関する変換要素を含む、想定を決定するステップと、
    前記少なくとも１つの変数および前記想定のうちの少なくとも１つに対する修正を決定するステップと、
    前記少なくとも１つの変数および前記想定を用いて候補モデルを生成するステップと、
    前記修正を用いて新しい候補モデルを生成するステップと、
    前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する統計的尺度および関連性の表示を決定するステップであって、前記候補モデルおよび前記新しい候補モデルの各々の中の前記少なくとも１つの変数に関する前記統計的尺度および前記関連性の表示のうちの少なくとも１つに基づいて、前記候補モデルおよび前記新しい候補モデルのうちの１つが、前記最終モデルとして選択され得る、ステップと、
    を含む方法を実施する、コンピュータ可読ストレージ・デバイス。
19. 前記方法は、
    前記最終モデル、前記少なくとも１つの変数の提示値、および履歴データを用いて、前記マーケティング目標に関する予想を生成するステップ
    をさらに含む、請求項１８に記載のコンピュータ可読ストレージ・デバイス。
20. 前記変数は多次元変数を含み、各次元は複数レベルを含み、前記少なくとも１つの変数に関する統計的尺度および関連性の表示を決定するステップは、
    前記少なくとも１つの変数の、前記次元と前記複数レベルのうちのレベルとを用いて、前記少なくとも１つの変数に関する前記統計的尺度および前記関連性の表示を決定するステップ
    を含む、請求項１９に記載のコンピュータ可読ストレージ・デバイス。

Images