JP2011054156A - 適応分析多次元処理システム - Google Patents

Abstract

【課題】正確な予想結果を得られるモデルを構築することができる多次元データ処理システムを提供する。
【解決手段】システムは、複数の変数と、各変数に関し変数の属性を表す複数のディメンションと、各ディメンションにおける複数のレベルとを特定するメタデータを格納する多次元データ処理システムを含む。メタデータはさらに、各変数のディメンションおよびレベルの階層を特定する。多次元データ処理システムは、メタデータを使用して多次元クエリを実行し、データ・ストレージから変数のうちの１つ以上に関するデータを読み出すよう構成されている。システムはさらに、モデルの生成に使用されるよう機能可能な複数の変数のうちの少なくとも１つの変数を決定する変数決定モジュールと、多次元データ処理システムからデータを受け取りそのデータを使用してモデルを生成するモデル生成器とを含む。
【選択図】図１

Description

本願は、メタデータを格納する多次元データ処理システムを含むシステム、および多次元クエリを実行する方法に関する。

優先権
本特許出願は、２００９年８月３１日に提出された、「ＭＯＬＡＰシステムを用いた適応分析（Ａｄａｐｔｉｖｅ Ａｎａｌｙｔｉｃｓ ｗｉｔｈ ＭＯＬＡＰ Ｓｙｓｔｅｍ）」という題の、米国特許仮出願第６１／２３８３３５号の優先権を主張するものであり、その内容全体を参照によって引用したものとする。

関連出願
本特許出願は、２０１０年７月６日に提出された、「マーケティング・モデル決定システム（Ｍａｒｋｅｔｉｎｇ Ｍｏｄｅｌ Ｄｅｔｅｒｍｉｎａｔｉｏｎ Ｓｙｓｔｅｍ）」という題の、米国特許出願第１２／８３０６０８号に関連し、その内容全体を参照によって引用したものとする。

多数の企業が、売り上げ改善のために宣伝およびその他のマーケティング活動に毎年何百万ドルもを支出している。しかし、そのマーケティング活動がどのように企業の売り上げに影響しているかを判断することは非常に難しい。これは主として、実際に売り上げに影響を与え得る要因が多数あることが原因であり、この要因は、企業により実行されるマーケティング活動に関係することも、しないこともある。例えば、関連のあるマーケティング経路における宣伝に加え、景気動向および競合他社の価格設定が売り上げに影響することもある。結果として、売り上げを改善する可能性が最も高い活動に、企業がマーケティング労力およびリソースを集中させることは、非常に難しい。

マーケティング活動が売り上げにどのよう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、挙動または結果を予想または予測するために使用されるとよい。モデルは、回帰分析、または履歴データを分析する他の方法によって生成され得る。例えば、企業は、売り上げ履歴データを使用してモデルを生成し、将来売り上げがどのように影響を受けるかを予測することもあり、こうした企業は、その予測に基づいて売り上げを改善するための調整を行うこともある。しかし、上記で述べたように、売り上げに影響を与え得る要因すべてに基づき、モデルに含まれ得る変数は多数ある。さらに、一部の変数は、データの不足、誤り、および他の要因を基にする他の変数よりも正確であることもある。モデルにおいて使用するべき、最も正確な予想結果を生じると考えられる変数を選択することは、非常に難しい。したがって、現在予想に使用できる多数のモデルは、不正確である可能性がある。さらに、モデルの構築にデータを使用できるようデータ管理を行うことは、特に変数が多数ある場合、非常に難しい。したがって、モデル構築のためのデータ・セットの処理には、莫大な処理時間が必要とされ得る。

実施形態によれば、システムは、メタデータを格納する多次元データ処理システムを含む。メタデータは、複数の変数と、各変数に関し変数の属性を表す複数のディメンション（ｄｉｍｅｎｓｉｏｎ）と、各ディメンションにおける複数のレベルとを特定する。メタデータはさらに、各変数のディメンションおよびレベルの階層を特定する。多次元データ処理システムは、メタデータを使用して多次元クエリを実行し、データ・ストレージから複数の変数のうちの１つ以上に関するデータを読み出すよう構成されている。変数決定モジュールは、モデルの生成に使用されるよう機能可能な複数の変数のうちの少なくとも１つの変数を決定する。多次元データ処理システムは、変数決定モジュールから少なくとも１つの変数の指示を受け取り、該少なくとも１つの変数のメタデータを特定し、該少なくとも１つの変数に関して、複数のディメンションのうちの少なくとも１つと、複数の属性のうちの少なくとも１つとに関する情報を、メタデータを使用してデータ・ストレージから読み出す。システムはさらに、コンピュータ・システムによって実行され、多次元データ処理システムから情報を受け取り、その情報を使用してモデルを生成するモデル生成器を含む。

実施形態によれば、多次元クエリを実行する方法は、多次元データ処理システム内にメタデータを格納するステップを含む。メタデータは、複数の変数と、各変数に関し変数の属性を表す複数のディメンションと、各ディメンションにおける複数のレベルとを特定し、メタデータは、各変数のディメンションおよびレベルの階層を示す。本方法はさらに、複数の変数のうちの少なくとも１つに関し、変数と、ディメンションと、レベルとを特定するクエリを受け取るステップ、少なくとも１つの変数のディメンションおよびレベルに関し、データ・ストレージ内のデータを特定するために、格納されているメタデータを検索するステップ、メタデータを使用してデータ・ストレージからデータを読み出すステップ、およびメタデータを使用してモデルを生成するステップを含む。

実施形態によれば、一時的でないコンピュータ可読媒体（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）が、コンピュータ可読命令を格納しているとよく、このコンピュータ可読命令は、コンピュータ・システムによって実行されると、メタデータを多次元データ処理システム内に格納することを含む多次元クエリを実行する方法を実行する。

以下の図面を参照して、下記の説明において本発明の実施形態を詳しく記載する。

実施形態によるシステムを示す。 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。 実施形態による、図１に示されたシステムの技術的実装を示す。 実施形態による、データ抽象化層に関するデータ・モデルのデータ構造を示す。 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。 実施形態による、変数および仮説を入力および変更するために使用されるとよいスクリーンショットの例を示す。 実施形態による、テスト結果の表示に使用されるとよいスクリーンショットの例を示す。 実施形態による、メタデータを使用して多次元クエリを実行する方法を示す。 実施形態による、本願明細書に記載されるシステムおよび方法の構成要素のうちの１つ以上のコンピューティング・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。

簡潔さおよび説明のために、実施形態の原理について、その例を主に参照して記載する。以下の説明では、実施形態の完全な理解をもたらすために特定の詳細事項が多数記載される。しかし、当業者であれば当然のことながら、実施形態は、こうした特定の詳細事項に制限されることなく実践可能である。いくつかの例では、実施形態を不必要に曖昧にしないよう、周知の方法および構造は詳しく記載されていない。

実施形態によれば、多次元データ処理システムは、モデルを構築するために使用されるとよい変数のメタデータを格納する。メタデータは、変数の階層を特定する。変数は、階層に編成された、属性とも呼ばれるディメンションを有するとよい。階層は、各ディメンションに対し副属性（すなわちレベル）を含むとよい。例えば、マーケティング経路変数の１つのディメンションは、地理とするとよく、階層における副属性またはレベルは、国、地域、都市、郵便番号とするとよい。多次元データ処理システムは、メタデータを使用して多次元クエリを実行し、データ・ストレージから変数の１つ以上のディメンションおよびレベルに関するデータを読み出す。読み出されたデータは、様々なマーケティング経路におけるマーケティング投資など、１つ以上の他の変数の履歴データに基づき、シミュレーションおよび売上高などの被予測変数の予想に使用されるとよい。

多次元データ処理システムはさらに、データ・ストレージに格納されている基本データ・セットの異なる複数のバージョンのメタデータを格納する、差分バージョニング・モジュール（ｄｉｆｆｅｒｅｎｔｉａｌ ｖｅｒｓｉｏｎｉｎｇ ｍｏｄｕｌｅ）を含むとよい。メタデータは、各バージョンの基本データ・セット、および各バージョンの差分データ・セットを特定し、多次元データ処理システムは、異なる複数のバージョンのうちのバージョンのメタデータを使用して、そのバージョンの基本データ・セットおよび差分データ・セットのうちの少なくとも１つをデータ・ストレージから読み出す。

実施形態によれば、システムは、売り上げに関係するデータを分析し、データ内の変数と、売り上げ改善、ブランド・エクイティ改善などのマーケティング目標との間の関係を特定するモデルを決定するよう構成されている。異なるディメンションおよびレベルに沿った変数のデータが多次元データ処理システムによって読み出され、モデル用に評価および選択されるとよい。その結果、モデルは予想およびマーケティング計画の策定に使用されるとよい。システムは、容易な使用を可能にするウェブベースのＧＵＩを提供するとよい。

このシステムの特徴の一部には、計量経済モデリング、事実を基礎とした計画、因果予測が含まれる。このシステムは、データ診断および視覚化、混合モデル構築、およびｗｈａｔ−ｉｆシナリオ機能をさらに提供するとよい。このシステムは、ホストされた（「オンデマンド」）展開または現場展開の両方のオプションを備える、ウェブベースの、企業に対応した拡張可能コンピュータ・プラットフォームを含むとよい。その他、より小規模のコンピュータ・プラットフォームが使用されてもよい。コンピュータ・プラットフォーム上で実行されるソフトウェアが、システムの機能を提供する。

図１は、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に接続された、モデリング・エンジン１０２、予想エンジン１０３、最適化エンジン１０４、ユーザ・インターフェース１０５、および多次元処理システムを含む。データ・ストレージ・システム１０１は、モデルの構築に使用される変数のデータを格納する。データは、マーケティング目標に関係するとよい。マーケティング目標の一例は、売り上げを改善することである。格納されるデータは、売り上げ履歴データ、マーケティング活動に関係するデータの変数、景気動向、およびその他のタイプのデータを含むとよい。変数は、売り上げに影響する種々のメトリクスを含むとよい。例えば、変数は、ＴＶ、ラジオ、印刷物、およびオンラインなどの種々のマーケティング経路における活動の費用（例えば支出額）を含むとよい。他の変数には、失業、国内総生産など、売り上げに影響するマクロ経済要因が含まれ得る。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によってユーザによって入力されるデータも格納するとよく、システム１００によって生成されるモデルおよび他の情報を格納するとよい。

モデリング・エンジン１０２は、ユーザまたは他のデータ・ソースから提供されるとよい変数のデータを使用して、変数と、売り上げ実績などの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、売り上げとの関係は、曲線または関数として表現されるとよい。例えば、変数に関して投資または支出される額に対しもたらされる予測売上額（増分または累積）を曲線上の各点が示す、曲線が生成されるとよい。

モデリング・エンジン１０２は、様々な変換およびその他のメカニズムを使用して、モデルを作る。変換は、変数がどのようにマーケティング目標に影響するかを表す。変換はさらに、変数が別の変数にどのように影響するかを表すとよい。変換は、関数変数を調整するために１つ以上の入力パラメータを使用する関数によって表現されるとよい。変換の例には、アドストック（ａｄ−ｓｔｏｃｋｉｎｇ）、宣伝ラグ（ａｄｖｅｒｔｉｓｉｎｇ ｌａｇ）、および広告飽和（ａｄ ｓａｔｕｒａｔｉｏｎ）がある。アドストックは、時間とともに減少する広告の有効性を示す、宣伝に関する減衰率メカニズムである。広告ラグは、宣伝の時間のずれた影響である。１週間宣伝を行うと、その宣伝の影響が売り上げに表れるが、必ずしもその週ではない。代わりに、次の８週間の間でることもあると考えられ、広告ラグは、宣伝（広告）のそうした遅れた有効性を示すとよい。広告飽和は、マーケティングによって市場が飽和するにつれて広告の影響が弱まる可能性が高いことを示す、指数関数である収穫逓減関数を使用する。例えば、マーケティング活動に支出される１００万ドルに対し、最初に投資される５万は、最後に投資される５万よりも、売り上げに影響する可能性が高い。広告飽和はさらに、広告パワー（ａｄ ｐｏｗｅｒ）と呼ばれてもよい。広告パワーは、支出額ごとの収穫逓減量を示すとよい。変換の別の例には、相乗効果が含まれ得る。相乗効果は、少なくとも２タイプのマーケティング活動に対するアクションが、同じ製品の売り上げにプラスに影響するときである。相乗効果は、同時のマーケティング活動の複合効果または補完性効果である。例えば、２つの異なるマーケティング活動の支出額が、各活動に対し２％増やされると、相乗効果は、製品の売り上げを４％ではなく１０％改善させる。

例えば、入力変数（１つ以上の選択されたディメンションおよびレベルを含むとよい）の選択されたセットを所与として、統計的回帰（例えば線形回帰）手法が、モデル係数を決定するために使用される。これらは、変数のデータ（例えばマーケティング経路の費用データ）を、対応する実績履歴データに最もよく対応付けるモデルの変数の係数である。所与の入力データと、その対応する出力との関係を表す曲線を決定するために最良適合プロセスが実行される。

モデリング・エンジン１０２は、変数、仮説、および売り上げ履歴データなどのデータを使用して、モデル１１０を生成するとよい。ユーザ・インターフェース１０５によって、種々の変数が選択されるとよい。さらに、変数のディメンションおよびレベルが選択されるとよい。仮説も受け取られるとよい。仮説は、変換と、変換のパラメータとを含むとよい。仮説は、変数または変数のセットに関する推定を含むとよい。推定は、１つ以上の変換に関する推定であるとよい。例えば、推定は、変数に関するラグ、パワーまたはアドストックの量であるとよい。推定は、２つの変数間の相乗作用または共食い（ｃａｎｎｉｂａｌｉｓｍ）の量など、相互作用変換についての仮説であってもよい。

仮説は、制約とも呼ばれる１つ以上の規則を含むとよい。規則は、売り上げに対する変数の関連性を決定するために使用されるとよい。規則は、モデル・テストの間に変数が脱落するか、保持されるかどうかを決定するために使用されるとよい。規則は、テレビのマーケティングに関して、延べ視聴率ごとの平均収益は何かなど、経営目標に基づいてもよい。規則は条件であってもよい。条件の一例は、値段が高いほど売り上げが改善す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、次に、条件が満たされなければ、変数としての値段を下げるか、または条件が満たされないと示すとよい。別の例では、仮説は、相互排他的な２つの仮説を含んでもよい。例えば、１つの仮説は、値段が高いほど売り上げが改善するという規則を含む。もう１つの仮説は、値段が低いほど売り上げが改善するという規則を含む。１つの仮説が脱落しなければならない。さらに、モデリング・エンジン１０２によって実行された統計分析に基づき、両方が真ではないと分かれば、両方が脱落すればよい。

仮説は、マーケティング目標を表すフィルタ基準も含むとよい。例えば、エクイティがフィルタ基準であり、仮説に関して、それらがブランド・エクイティに関係するかどうかを判断するためにモデル・エンジン１０２が実行される。フィルタ基準のもう１つの例は、仮説がどのように売り上げに関係するかを見るための、売り上げである。

モデリング・エンジン１０２は、モデルの生成に使用される変数および仮説をユーザが変えられるようにする。この変形は、ユーザ・インターフェース１０５を介して入力されるとよい。変形の各セットに対し、モデリング・エンジン１０２は、候補モデルを生成する。モデリング・エンジン１０２によって、種々の変形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（ｓｔａｔｉｓｔｉｃａｌ ｍｅａｓｕｒｅ）およびその他の要因によって評価され、予想に関するその正確さおよび実現性が判断される。候補モデル１０６の１つ以上が、モデル１１０として示されている、分析、計画、および予想に使用される最終モデルとして選択されるとよい。

予想エンジン１０３は、モデル１１０を使用して「ｗｈａｔ−ｉｆ」分析を実行し、売り上げ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に格納されているとよく、種々のマーケティング経路の支出額が含まれている。ユーザは、ユーザ・インターフェース１０５を介して、種々のマーケティング経路の支出額など、モデル内の変数の値を変えるとよく、予想エンジン１０３が、こうした変形を、モデル１１０を介して実行して、例えば、経路それぞれにおけるマーケティングの支出額を所与として推定される、もたらされる売り上げを出力する。予想エンジン１０３を種々の変形に関し実行することによって、ユーザは、売り上げを最大化するために各マーケティング経路において投資するべき最良の額を決定するとよい。

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、予想エンジン１０３の出力を評価して、売り上げを最大化するために、種々のマーケティング経路の支出額などの変数を最適化する最良の方法を決定し、新たな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、売り上げを最大化するために様々なマーケティング経路に費やされるべき最高および最低額を決定するとよい。

多次元データ処理システム１２０は、モデリング、シミュレーションおよび予想、最適化ならびにレポートのために、データ・ストレージ１０１内のデータのリアルタイム表示を提供する。多次元データ処理システム１２０は、メタデータを格納し、これは、表示の生成をサポートするための多次元クエリ、ならびにモデリング、シミュレーションおよび予想、最適化ならびにレポートに使用される。

例えば、多次元データ処理システム１２０は、データウェアハウスを含むとよいデータ・ストレージ１０１内の個々のデータ要素のメタデータを格納する。こうした個々のデータ要素は、メジャー（ｍｅａｓｕｒｅ）と呼ばれる。メジャーは、変数の履歴データを含み得る。例えば、変数は売上高を含むとよく、メジャーは売上高履歴である。他の変数は、種々のマーケティング経路に関するある期間にわたるマーケティング投資を含んでもよく、メジャーは、ある期間にわたって印刷広告、オンライン広告、ＴＶなどに投資された額を含んでもよい。

メタデータは、変数の階層を特定する。変数は、メタデータによって階層に編成されたディメンションおよびレベルを含むとよい。ディメンションは、相互排他的であり、レベルとともに、レベルおよびそのメンバーの階層関係によって定義されるメジャーの集合を表すとよい。階層は、一連の親子関係であり、典型的には、親要素は、その子である各要素の統合を表す。したがって、階層内の各メジャーのメタデータは、その階層に関してメジャーが属するレベルおよびディメンションを特定する。階層の表示が、ユーザ・インターフェース１０５によって提供されるとよい。

多次元データ処理システム１２０は、多次元クエリにメタデータを使用する。例えば、多次元データ処理システム１２０は、ディメンションの特定のレベルにある１つ以上の変数に関するデータのクエリを受け取ってもよい。多次元データ処理システム１２０は、メタデータを使用して、そのレベルにある変数に関しデータ・ストレージ１０１内のデータすべてを特定し、特定された、メジャーであるデータをデータ・ストレージ１０１から読み出す。クエリが、売上高変数などの被予測変数、および、地理ディメンションの或るレベルにおけるＴＶマーケティング投資変数などの独立変数に関すると仮定する。地理ディメンションは、国、地域、都市、および郵便番号を含む複数レベルから成る階層を含むとよい。クエリにおけるレベルは、地域であるとよい。多次元データ処理システム１２０は、その変数の、地域レベルにあるメジャーを、そのメタデータからすべて特定し、特定されたメジャーをデータ・ストレージ１０１から読み出す。

多次元データ処理システム１２０は、モデリング・エンジン１０２、予想エンジン１０３、最適化エンジン１０４、および／またはユーザから変数のクエリを受け取るとよい。モデリング・エンジン１０２は、種々のレベルおよびディメンションに従って変数のクエリを送って、種々の変数におけるレベル間の関係を特定するモデルを決定するとよい。例えば、モデリング・エンジン１０２は、多次元データ処理システム１２０を使用して、モデル・エンジン１０２が関係構築を試みているレベルでの従属および独立変数両方に関する時系列データを取得する。予想エンジン１０３は、独立変数データを備えるモデル化係数（ｍｏｄｅｌｅｄ ｃｏｅｆｆｉｃｉｅｎｔｓ）を適用し、ｗｈａｔ−ｉｆシナリオおよび分布に関して集計および分布を適用するために使用できる、履歴および将来計画データを、多次元データ処理システム１２０を使用して取得する。最適化エンジン１０４は、最適化すべき「シード」値などのデータを取得し、最適化後データを格納する。多次元データ処理システム１２０は、クエリを実行して、データ・ストレージ１０１からデータを抽出し、データをリクエスタに提供する。

メタデータはさらに、モデルを構築するためにモデリング・エンジン１０２によって使用される仮説を特定するとよい。メタデータはさらに、階層の集計規則を含むとよい。集計規則は、データが特定のレベルまたはディメンションに関してどのように集計されるべきかを指定する。例えば、データ・ストレージ内のメジャーが都市レベルであれば、集計規則は、地理ディメンションの下位レベル、例えば都市レベルおよびその他の中間レベルのメジャーをどのように結合して、上位レベル、例えば地域レベルでデータを示すかを指定する。集計規則は、モデルを生成するために使用されるとよい。例えば、モデルは、売り上げレスポンス曲線など、特定のレベルの集計されたデータと、売上高などの被予測変数との関係を含むとよい。

メタデータはさらに、メジャーを別の論理メジャーに変えるためにメジャーに適用可能な計算と、各メジャーに適用可能な集計および分布規則とを含むとよい。メタデータはさらに、ディメンション間の関係に加えて、メジャーおよびディメンションに関するデータのまばらさに関する情報を含んでもよい。

多次元データ処理システム１２０は、データ・ストレージ１０１に格納されている基本データ・セットの異なる複数のバージョンに関するメタデータを作成することによって、差分バージョニングを実行するとよい。メタデータは、各バージョンの基本データ・セットと、各バージョンの差分データ・セットとを特定する。差分データ・セットは、基本データ・セットと、基本データ・セットの新たなデータとの差（すなわち変更された情報）のみを含むとよい。例えば、前会計四半期に関して、製品を単位として地域の売上高が格納されていれば、製品を単位とした、その地域の売上高における差を含むバージョンが、新たな会計四半期に関して作成されるとよい。多次元データ処理システム１２０は、メタデータを使用して、対象のバージョンを特定し、基本データ・セットと、そのバージョンの差分データ・セットとのうちの少なくとも１つを、データ・ストレージ１０１から読み出す。

多次元データ処理システム１２０は、複数のデータ・ソースに接続するとよい。例えば、データ・ストレージ・システム１０１は、複数のデータ・ソースを表し得る。多次元データ処理システム１２０は、リレーショナル・データベース管理システム（ＲＤＢＭＳ：ｒｅｌａｔｉｏｎａｌ ｄａｔａｂａｓｅ ｍａｎａｇｅｍｅｎｔ ｓｙｓｔｅｍ）に接続して、ＲＤＢＭＳにおけるデータ・アクセスのクエリ構文解析および実行環境を提供してもよい。さらに、多次元データ処理システム１２０は、多次元オンライン分析処理（ＭＯＬＡＰ：Ｍｕｌｔｉｄｉｍｅｎｓｉｏｎａｌ Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ）またはリレーショナル・オンライン分析処理（ＲＯＬＡＰ：Ｒｅｌａｔｉｏｎａｌ Ｏｎｌｉｎｅ Ａｎａｌｙｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ）システムに接続されていてもよい。多次元データ処理システム１２０は、こうした外部システムに対しプロキシとして機能し、異種データ環境において、単一のアクセス・ポイントと、標準化アクセス構造とを提供するとよい。

多次元データ処理システム１２０は、キューブを作成するとよい。キューブは、多次元データ処理システム１２０に、またはＭＯＬＡＰもしくはＲＯＬＡＰシステムなどの外部システムに格納されるとよい。キューブは、各ディメンションと、そのレベルの階層とを表すメタデータを含む。これらのキューブは、ディメンション階層の種々のレベルに沿ってデータがクエリおよび閲覧されることを可能にする。さらに、キューブは、ｎディメンションのうちのいずれかに沿って、リアルタイムでデータが閲覧されることを可能にする。ディメンションの例には、時間、地理、製品／ブランド、顧客区分、流通経路などがある。任意の数のディメンションおよびキューブを、データ・ストレージ１０１に含まれているメジャーのいずれかに対して構成可能である。

多次元データ処理システム１２０は、リレーショナル・データベース管理システムからのデータのインメモリまたはディスクバウンド（ｄｉｓｋ−ｂｏｕｎｄ）処理を使用するとよい。多次元データ処理システム１２０は、その格納されているメタデータを使用して、情報を、マップに基づくデータ構造にロードして、データの迅速なランダム・アクセスを促進するとよい。

図２は、モデリング・エンジン１０２のより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、仮説決定モジュール２０２、モデル生成器２０３、およびモデル評価モジュール２０４を含む。モデリング・エンジン１０２の各モジュールおよび他の構成要素は、ソフトウェア、ハードウェア、またはソフトウェアとハードウェアとの組み合わせを含むとよい。

変数決定モジュール２０１は、モデルの生成に使用する変数を決定し、仮説決定モジュール２０２は、モデルの生成に使用する仮説を決定する。一実施形態では、変数および仮説は、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、モジュール２０１および２０２によって受け取られるとよい。さらに、種々の候補モデルを生成するための、変数および仮説に対する変更も、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によって受け取られるとよい。

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仮説を使用してモデルを生成する。モデリング・エンジン１０２は、別々の複数の回帰分析によってこの仮説および変数を実行し、変数と売り上げ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。

変数と売り上げとの関係の決定、および関係を表すレスポンス曲線の決定については、２００６年７月７日に提出された、アンドリス・ウンブリス（Ａｎｄｒｉｓ Ｕｍｂｌｉｊｓ）らの「マーケティング・データのモデリング（Ｍｏｄｅｌｉｎｇ Ｍａｒｋｅｔｉｎｇ Ｄａｔａ」という題の、同時係属米国特許出願第１１／４８３４０１号にさらに記載されており、その内容全体を参照によって引用したものとする。

例えば、変数の選択されたセットを所与として、統計的回帰（例えば線形回帰）手法が、モデル係数を決定するために使用される。これらは、変数のデータ（例えばマーケティング経路の費用データ）を、対応する実績履歴データに最もよく対応付けるモデルの変数の係数である。所与の入力データの計算された出力を、その対応する出力に最良適合させる多変数関数（例えば曲線）を生じさせるよう、候補モデルに関する変数の係数の推定が回帰法を使用して実行される。一部の実施形態では、回帰法は、非線形回帰を、候補モデルの変数の少なくとも一部に関して実行し、そのような変数に関連した任意の非線形挙動を明らかにする（例えば、収穫逓減挙動を示す市場変数）。

モデル評価モジュール２０４は、各候補モデル内の変数に関して、統計的尺度および関連性の指示を決定する。各変数に関する統計的尺度および関連性の指示に基づき、候補モデルは、最終モデルとして選択されても、選択されなくてもよい。統計的尺度は、マーケティング目標に対する変数の統計的有意性を示す。関連性の指示は、変数がマーケティング目標に対して有する影響のレベルを示す。

例えば、モデル評価モジュール２０４は、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ために、関数を使用して各変数を評価する。一例では、変数の、モデルのパフォーマンスへの寄与度は、所定の閾値を超えなければならない。変数の寄与度は、統計的尺度の例であり、従属変数に対する相対的影響の推定を決定するために、変換された履歴データおよび生じた係数を使用して決定される。その後、場合によっては、この相対的影響が、発見的重み付け（ｈｅｕｒｉｓｔｉｃ ｗｅｉｇｈｔｉｎｇ）プロセスに通され、比較用の最終的な寄与度が決定される。このモデル特性は、モデルのパフォーマンスに対する寄与度が無視できる変数をモデルが有するべきではないということを反映する。一部の実施形態では、所定の統計的有意性閾値を、１０％とするとよい。一部の実施形態では、閾値を５％とするとよい。モデルに対して望まれる複雑さのレベルによって、より低い、または高い統計的有意性閾値が使用されてもよい。

さらに、モデル評価モジュール２０４は、変数の仮説規則が満たされるかどうかを決定する。例えば、規則は条件であってもよい。条件の一例は、値段が高いほど売り上げが改善するということである。モデリング・エンジン１０２は、この条件をテストし、その結果、条件が満たされなければ、変数としての値段を下げるか、または条件が満たされないと示すとよい。別の例では、仮説は、相互排他的な２つの仮説を含んでもよい。例えば、１つの仮説は、値段が高いほど売り上げが改善するという規則を含む。もう１つの仮説は、値段が低いほど売り上げが改善するという規則を含む。１つの仮説が脱落しなければならない。さらに、モデリング・エンジン１０２によって実行された統計分析に基づき、両方が真ではないと分かれば、両方が脱落すればよい。

モデル評価モジュール２０４は、各変数に関して関連性の指示を決定する。関連性の指示は、変数がマーケティング目標に対して有する影響のレベルを示す。一例では、モデル評価モジュール２０４は、変数が保持されたか、捨てられたかを示す。変数が保持されたということが示されれば、変数がマーケティング目標に関連するということである。関連性の指示は、統計的尺度、変数が仮説規則を満たすかどうか、および／またはその他の要因に基づくとよい。

図３は、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、予想エンジン１０３、および最適化エンジン１０４をホストしてい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は、３１０として示されているストレージ・エリアネットワークまたは他の従来型システムなどのサーバおよびストレージ・システムによってホストされているとよい。データ・ストレージ・システム１０１のアーキテクチャ層が、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、下記でさらに詳細に記載されるように、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に格納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でより詳しく示されるが、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に格納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、ＸＭＬ ｆｏｒ ａｎａｌｙｓｉｓ（ＸＭＬＡ）を含むとよく、これは、システムにアクセスするための業界標準である。

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、各ディメンションの各階層における種々のレベルにわたって集計を行い、多次元分析クエリに応答するよう構成されている。格納されているメジャーそれぞれのメタデータは、予想および／またはデータ分析のために多次元クエリを実行するための集計規則を示す。

データ・マッピング層３１４は、図４に示されているデータ・モデルに従って、データ・ストレージ・システム１０１内にデータを格納する。例えば、データ・マッピング層３１４は、複数のディメンションにわたって、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をホストするウェブ・サーバ３０２を含むとよい。ユーザ・インターフェース１０５は、豊富なユーザ・インターフェースを提供し、ユーザが、モデリング・エンジン１０２を使用してテストする仮説を入力できるようにし、ユーザが、レポートを実行して予想および計画のためにグラフ解析を生成できるようにするとよい。技術アーキテクチャは、多数のユーザのために大量のデータの処理を可能にするよう高度に拡張可能であるとよい。

図４は、図３に示されているデータ抽象化層３１１のデータ・モデルのデータ構造４００を示す。図４に示されているように、データ構造４００は、メタデータ層４０１およびデータ層４０２を含む。メタデータ層４０１は、図１に示されたモデリング・エンジン１０２を使用してモデル１１０を決定するプロセスによって生成された関係データを格納する。関係データは、モデル内の変数と、推定される売り上げであってもよいモデルの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に示されているモデル生成器２０３によって決定される係数を含むとよい。メタデータ層４０１はさらに、変数に関して上述したメタデータを含む。メタデータは、変換、規則、変数ディメンションおよび層、ならびにその他の関連情報など、モデルの作成に使用される仮説および変数を表す情報を含むとよい。メタデータ層４０１はさらに、データの集計規則を格納することによって、多次元クエリをサポートする。集計規則は、階層ディメンションの下位レベルから上へ向かって上位レベルへ集計する方法と、各レベルに対しどの変換を適用するかとを表す。例えば、メタデータ層４０１は、売り上げに関する州レベルの情報がリクエストされれば、ラグ変換を所定のパラメータとともに使用して、ＴＶマーケティング経路の変数に関して、都市レベルから州レベルまで集計することを示すとよい。こうした集計規則は、予想エンジン１０３によって実行される「ｗｈａｔ−ｉｆ」シナリオ処理に適用されるとよい。データ層４０２は、種々のディメンションにわたる階層の種々のレベルにおける各マーケティング活動の費用など、モデルに関連する、データ・ストレージ・システム１０１に格納されている実際のデータを特定する。一実施形態では、これは、各ディメンションの最下レベルにあるデータを含むとよく、その結果、集計規則は、そのディメンションの上位レベルまで集計する方法を決定するとよい。

１つの技術的効果は、メタデータを含むデータ構造４００を使用することによって、クエリ処理が非常に速くなるということである。メタデータは、階層における或るレベルに関連するデータを迅速かつ容易に特定して、階層における関係を保存するために使用される。結果として、モデル生成および予想のための処理が非常に速くなる。

図５は、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、売り上げを予想し、ｗｈａｔ−ｉｆ分析を実行するために使用されるとよい。方法５００は、図１〜３において限定ではなく例として示し記載したシステム１００に関して記載される。

ステップ５０１で、履歴データがデータ・ストレージ・システム１０１に格納される。このステップは、データがソースから受け取られるにつれて、継続的または定期的に実行されるとよい。データは、実際の売り上げおよび費用データ、ならびに、測定またはその他の方法によって決定可能な他のデータを含めばよい。

ステップ５０２で、変数または複数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。変数の選択は、変数のうちの１つまたは複数のディメンションおよび／またはレベルを選択することを含むとよい。例えば、格納されている売り上げデータに基づき、製品および製品タイプが選択されてもよい。さらに、ディメンションとして地理が選択され、地理ディメンションの階層におけるレベルとして地区が選択される。モデルにおけるテストのために、こうした変数が、そのディメンションおよびレベルとともに選択される。

ステップ５０３にて、１つ以上の仮説が決定される。仮説は、ユーザ・インターフェース１０５を介して受け取られるとよい。仮説は、変数または複数変数のセットに関する推定を含むとよい。推定は、１つ以上の変換に関する推定であるとよい。例えば、推定は、変数に関するラグ、パワーまたはアドストックの量であるとよい。推定は、２つの変数間の相乗作用または共食いの量など、相互作用変換についての仮説であってもよい。

仮説は、制約とも呼ばれる１つ以上の規則を含むとよい。規則は、売り上げに対する変数の関連性を決定するために使用されるとよい。規則は、モデル・テストの間に変数が脱落するか、保持されるかどうかを決定するために使用されるとよい。規則は、テレビのマーケティングに関して、延べ視聴率ごとの平均収益は何かなど、経営目標に基づいてもよい。規則は条件であってもよい。条件の一例は、値段が高いほど売り上げが改善するということである。モデリング・エンジン１０２は、この条件をテストし、その結果、変数としての値段を下げるか、または条件が満たされないと示すとよい。別の例では、仮説は、相互排他的な２つの仮説を含んでもよい。例えば、１つの仮説は、値段が高いほど売り上げが改善するという規則を含む。もう１つの仮説は、値段が低いほど売り上げが改善するという規則を含む。１つの仮説が脱落しなければならない。さらに、モデリング・エンジン１０２によって実行された統計分析に基づき、両方が真ではないと分かれば、両方が脱落すればよい。

仮説は、マーケティング目標を表すフィルタ基準も含むとよい。例えば、エクイティがフィルタ基準であり、仮説に関して、それらがブランド・エクイティに関係するかどうかを決定するためにモデル・エンジン１０２が実行される。フィルタ基準のもう１つの例は、仮説がどのように売り上げに関係するかを見るための、売り上げである。

ステップ５０４にて、受け取られた変数および仮説が、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、別々の複数の回帰分析によってこの仮説を実行し、変数と売り上げ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。モデリング・エンジン１０２は、回帰分析によって、候補モデルにおける仮説の正確さを表す統計的尺度も決定する。

モデリング・エンジン１０２は、売り上げ履歴データの種々のデータ・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、ディメンション・レベルなどによって変化するとよい。データ・セットそれぞれのテストは、複数の候補モデルを生成し、これが評価される。

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、モデル内の変数それぞれに関する統計的尺度を決定し、変数それぞれに関する関連性の指示を決定する。関連性の指示は、各変数を保持するかどうか、すなわち各仮説における各変数が留まると見なされるかどうかを示すとよい。テスト結果が、候補モデルに関して示される。

ステップ５０６にて、ステップ５０４および５０５が、１つ以上の仮説または変数に変更を加えて繰り返される。変更は、変換パラメータに対する変更、または変換の追加もしくは削除、またはディメンションもしくはレベルに対する変更、または新たな変数の追加など、変数に対するものであってもよい。変更は、フィルタリング基準、集計規則、または仮説規則に対する変更など、仮説に対するものであってもよい。モデリング・エンジン１０２は、新たな候補モデルに関してテスト結果を決定する。

ステップ５０７にて、仮説を変更することによってさらなる候補モデルを生成するかどうかについて決定が下される。ユーザは、さらなる候補モデルの生成を継続するかどうかを、テスト結果に基づき決定するとよい。この判定は、各変数が、売り上げまたはその他何らかの目標への影響にどれほど関連するかを示す統計的評価（すなわちステップ５０５からのテスト結果）に基づくとよい。例えば、ユーザが変数の４０％が捨てられたと判断すると、ユーザは、変数の少なくとも８０％が保持されるまで、さらなる候補モデルを生成し続けてもよい。

ステップ５０８にて、候補モデルが、予想に使用される最終モデルとして選択される。予想は、様々なシナリオをシミュレートして、それがどのように売り上げに影響するかを推定することを含むとよい。例えば、特定の経路に関してマーケティング支出を増やすことが、売り上げを改善するかどうかを決定するために、最終モデルが使用されるとよい。予想エンジン１０３は、最終モデルを使用して予想を実行する。

候補モデルは、最もパフォーマンスの良い候補モデルを決定するためにテストされるとよく、次に、最もパフォーマンスの良い候補モデルが、最終モデルとして選択されるとよい。例えば、システム１００は、入力のセットを所与として、所定の履歴期間に関して実際の売り上げの曲線を生成する。入力の同じセットおよび候補モデルを使用して、売り上げの推定の曲線が生成される。曲線が比較される。曲線間で最小の誤差を有する候補モデルが、最終モデルとして選択されるとよい。

ステップ５０９にて、最終モデルに関する仮説が、データ構造４００のメタデータ層に格納される。例えば、図４に示されているデータ構造４００は、メタデータ層４０１およびデータ層４０２を含む。メタデータ層４０１は、最終モデルに関する、仮説、変数、ディメンションおよびレベル、集計規則、ならびに関係データを格納する。データ層４０２は、種々のディメンションにわたる、階層の種々のレベルにおける各マーケティング活動の費用など、最終モデルに関連するデータ・ストレージ・システム１０１に格納された実際のデータを特定する。一実施形態では、これは、各ディメンションの最下レベルにあるデータを含むとよく、その結果、集計規則は、ディメンションにおける上位レベルまで集計する方法を決定するとよい。

図６は、図１のユーザ・インターフェース１０５によって生成されるとよいスクリーンショットを示す。スクリーンショットは、図１のシステム１００にどのように変数および仮説が提供されるとよいかを示し、図１に示されている候補モデル１０６などの複数の候補モデルを生成するためにどのように変数および仮説が変更されるとよいかの例を示す。図６は、候補モデル内の変数の評価に基づき変数が「留まる」と見なされたか否かなど、各変数に関して生成された関連性の指示の例も示す。６０１は、生成されるモデルを表すため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、種々の変数に対し選択されるとよい種々のディメンションおよびレベルの選択の例を示す。６０２におけるフィルタの下で、ブランド・エクイティに関連する変数が選択される。なお、「変数の変更」および「新たな変数」ボタンによって、変数が変更されてもよく、新たな変数が追加されてもよい。６０６は、選択された変数ならびに選択されたディメンションおよびレベルを示す。

６０３は、種々の変換と、変換に関して選択された変換パラメータ値との例を示す。変換の下のボタンによって、変換が変更されてもよい。さらに、６０６は、スライダを使用した、変換に関する変換パラメータの変更を示す。

６０４は、テストされているモデルによって生成された２つの曲線を示す。１つの曲線は、推定売り上げであり、別の曲線は、変換に関連する。６０７は、特定の地域（すなわち地理ディメンションのレベル）における変数に関する関連性の指示を示す。なお、６０７は、変数が留まったかどうかを示し、これは、モデル内に変数が保持されたかどうかを示す。モデルは、複数の変数を含むこともあり、すべてが留まるとは限らないであろう。

図７は、候補モデルのテストのテスト結果のスクリーンショットを示す。７０１は、候補モデルのテストが、予測結果と実際の結果との２．５％の誤差を示すということを示す。７０２は、グラフによって誤差を示す。７０３は、候補モデルにおいてテストされた種々の変数の例を示し、これはメトリクスとして示されている。選択された変換、およびフィルタも示されている。各変数に関して生成された仮説規則または制約、およびモデリング係数も示されている。変数が「留まる」と見なされたかどうか、すなわち関連性の指示も示されている。１８の変数から、１６が関連すると見なされ、留まったものとして示されている。

図８は、実施形態による、図１に示された多次元データ処理システム１２０に格納されたメタデータを使用して多次元クエリを実行する方法８００を示す。ステップ８０１にて、ストレージ・システム内のデータに関するメタデータが作成され、多次元データ処理システム１２０内に格納される。メタデータは、１つ以上の変数から成るデータ・セットの階層を特定する。階層は、変数のディメンションおよびレベルを含むとよい。

ステップ８０２にて、多次元データ処理システム１２０においてクエリが受け取られる。クエリは、１つ以上の変数を特定し、さらに各変数のディメンションおよび／またはレベルを特定してもよい。

ステップ８０３にて、多次元データ処理システム１２０が、変数のメタデータを特定する。この特定は、格納されているメタデータを検索して、各変数に関して指定されたディメンションおよびレベルにおける変数のメタデータを特定することを含むとよい。

ステップ８０４にて、多次元データ処理システム１２０は、特定されたメタデータを使用して、データ・ストレージ１０１から変数に関する情報を読み出す。例えば、特定されたメタデータは、各変数に関して指定されたディメンションおよびレベルに関する、データ・ストレージ１０１内のメジャーを特定する。多次元データ処理システム１２０は、メタデータを使用し、データ・ストレージ１０１からメジャーを特定して読み出す。

ステップ８０５にて、モデル構築、予想、または表示の生成のためなど、読み出された情報が処理に使用される。

図９は、本願明細書に記載された実施形態で使用されるとよいコンピュータ・システム９００を示す。コンピュータ・システム９００は、サーバまたはその他のコンピュータ・システム内にあるとよい構成要素を含む一般的なプラットフォームを表す。コンピュータ・システム９００は、本願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うちの１つ以上を実行するためのプラットフォームとして使用されるとよい。こうしたステップは、１つ以上のコンピュータ可読ストレージ・デバイス上に格納されたソフトウェアとして具現化されてもよい。さらに、図１に示されているシステム１００の各構成要素は、ソフトウェア、ハードウェア、またはハードウェアとソフトウェアとの組み合わせであってもよい。

コンピュータ・システム９００は、本願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部を実行するソフトウェア命令を実装または実行するとよいプロセッサ９０２を含む。プロセッサ９０２からのコマンドおよびデータが、通信バス９０４上で伝達される。コンピュータ・システム９００はさらに、実行時間中プロセッサ９０２のソフトウェアおよびデータがあるとよい、ランダム・アクセス・メモリ（ＲＡＭ：ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）などのメイン・メモリ９０６と、不揮発性であるとよくソフトウェアおよびデータを格納する二次データ・ストレージ９０９とを含む。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である。

コンピュータ・システム９００は、例えばキーボード、マウス、ディスプレイなどの１つ以上のＩ／Ｏデバイス９１０を含むとよい。コンピュータ・システム９００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９１２を含むとよい。当業者であれば当然のことであるが、他の既知の電子構成要素が、コンピュータ・システム９００に追加されてもよく、またはコンピュータ・システム９００において代用されてもよい。

本願明細書に記載されたステップのうちの１つ以上、システムの構成要素のうちの１つ以上が、コンピュータ可読媒体上に格納された１つ以上のコンピュータ・プログラム内のコンピュータ可読命令として実装されてもよい。コンピュータ可読媒体は、メモリおよび／または二次ストレージなど、一時的でないものであるとよい。コンピュータ可読命令が、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。

例を参照して実施形態について記載してきたが、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対し様々な変更を加えることができるであろう。例えば、本願明細書に記載されたシステムおよび方法は、全般的に売り上げデータに関するモデル変数に関して記載された。しかし、モデリングは、売り上げ関係情報に限定されず、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適用可能である。

Claims (20)

1. 複数の変数と、各変数に関し前記変数の属性を表す複数のディメンションと、各ディメンションにおける複数のレベルと、各変数の前記ディメンションおよびレベルの階層とを特定するメタデータを格納する多次元データ処理システムであって、前記複数の変数のうちの１つ以上に関するデータをデータ・ストレージから読み出す多次元クエリを、前記メタデータを使用して実行するよう構成されている、前記多次元データ処理システムと、
   モデルの生成に使用されるよう機能可能な前記複数の変数のうちの少なくとも１つの変数を決定する変数決定モジュールであって、
   前記多次元データ処理システムは、前記少なくとも１つの変数の指示を、前記変数決定モジュールから受け取り、前記少なくとも１つの変数の前記メタデータを特定し、前記少なくとも１つの変数の前記複数のディメンションのうちの少なくとも１つおよび複数の属性のうちの少なくとも１つに関する情報を、前記メタデータを使用して前記データ・ストレージから読み出す、前記変数決定モジュールと、
   コンピュータ・システムによって実行され、前記多次元データ処理システムから前記情報を受け取り、前記情報を使用してモデルを生成する、モデル生成器と、
   を含むシステム。
2. 前記多次元データ処理システムは、前記データ・ストレージ内に格納された基本データ・セットの異なる複数のバージョンのメタデータを格納し、前記メタデータは、各バージョンの前記基本データ・セットと、各バージョンの差分データ・セットとを特定し、前記多次元データ処理システムは、前記異なる複数のバージョンのうちのバージョンの前記メタデータを使用して、前記バージョンの前記基本データ・セットおよび前記差分データ・セットのうちの少なくとも１つを前記データ・ストレージから読み出すよう構成されている、請求項１に記載のシステム。
3. 各差分データ・セットは、前記基本データ・セットから変更された情報のみを含む、請求項２に記載のシステム。
4. 前記複数の変数のうちの前記少なくとも１つに関する前記モデル内のモデル化係数に適用するために、前記多次元データ処理システムから、前記少なくとも１つの変数の前記複数のディメンションおよびレベルに関連した履歴データを受け取る予想エンジンであって、前記モデル化係数は、前記履歴データを使用して、ある期間にわたって再帰的に調整される、前記予想エンジン
   をさらに含む、請求項１に記載のシステム。
5. 前記予想エンジンは、前記モデルを使用して、前記少なくとも１つの変数に関し売り上げに対する影響を推定する、請求項４に記載のシステム。
6. 前記メタデータは、前記複数の変数の集計規則を含む、請求項１に記載のシステム。
7. 前記多次元データ処理システムは、前記複数の変数のうちの変数のディメンションのレベルに対応するデータと、被予測変数のデータとに関するクエリを受け取り、前記多次元データ処理システムは、前記変数の前記集計規則を含む前記メタデータを使用して、前記レベルに関するデータを前記データ・ストレージから読み出し、前記データを集計する、請求項６に記載のシステム。
8. 前記モデルは、前記レベルの前記集計されたデータと、前記被予測変数との間の関係（売り上げレスポンス曲線）を含む、請求項７に記載のシステム。
9. 前記多次元データ処理システムは、各変数の前記階層を含むキューブを格納し、階層は、一連の親子関係を含み、各親は、その子の統合を表す、請求項１に記載のシステム。
10. 前記多次元データ処理システムは、前記キューブを使用して、前記複数の変数のうちの１つ以上の表示を生成する、請求項９に記載のシステム。
11. 前記モデル内の前記少なくとも１つの変数の統計的尺度および関連性の指示を決定するモデル評価モジュールであって、前記統計的尺度および関連性の前記指示は、前記モデルを評価するために使用されるメトリクスである、前記モデル評価モジュール
    をさらに含む、請求項１に記載のシステム。
12. 前記モデルに使用されるよう機能可能な仮説を決定する仮説決定モジュールであって、前記仮説は、前記少なくとも１つの変数の変換を含み、前記変換は、前記少なくとも１つの変数が、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、前記モデルにおいて使用されるよう機能可能な別の変数にどのように影響するかを表し、前記モデル生成器は、前記仮説を使用して前記モデルを生成する、前記仮説決定モジュール
    をさらに含む、請求項１に記載のシステム。
13. 多次元クエリを実行する方法であって、
    多次元データ処理システムにメタデータを格納するステップであって、前記メタデータは、複数の変数と、各変数に関し前記変数の属性を表す複数のディメンションと、各ディメンションにおける複数のレベルとを特定し、前記メタデータは、各変数の前記ディメンションおよびレベルの階層を示す、前記ステップと、
    前記複数の変数のうちの少なくとも１つの変数に関し、変数、ディメンションおよびレベルを特定するクエリを受け取るステップと、
    少なくとも１つの変数の前記ディメンションおよび前記レベルに関し、データ・ストレージ内のデータを特定するために、前記格納されているメタデータを検索するステップと、
    前記メタデータを使用して、前記データを前記データ・ストレージから読み出すステップと、
    前記メタデータを使用してモデルを生成するステップと、
    を含む方法。
14. 基本データ・セットの異なる複数のバージョンのバージョン・メタデータを格納するステップであって、前記バージョン・メタデータは、各バージョンの前記基本データ・セットと、各バージョンの差分データ・セットとを特定する、前記ステップと、
    前記異なる複数のバージョンのうちのバージョンの前記バージョン・メタデータを使用して、前記バージョンの前記基本データ・セットおよび前記差分データ・セットのうちの少なくとも１つを前記データ・ストレージから読み出すステップと、
    をさらに含む、請求項１３に記載の方法。
15. 各差分データ・セットは、前記基本データ・セットから変更された情報のみを含む、請求項１４に記載の方法。
16. 前記少なくとも１つの変数は、独立変数および被予測変数を含み、前記方法は、
    前記被予測変数の値を、前記モデルを使用して予想するステップ
    をさらに含む、請求項１３に記載の方法。
17. 前記少なくとも１つの変数は、複数の変数を含み、前記モデルは、前記複数の変数の前記ディメンションおよびレベル間の関係を特定する、請求項１３に記載の方法。
18. 前記モデルを生成するステップは、
    前記モデル内の前記少なくとも１つの変数の統計的尺度および関連性の指示を決定するステップであって、前記統計的尺度および関連性の前記指示は、前記モデルを評価するために使用されるメトリクスである、前記ステップ
    を含む、請求項１３に記載の方法。
19. 前記モデルを生成するステップは、
    前記モデルの仮説を決定するステップであって、前記仮説は、前記少なくとも１つの変数の変換を含み、前記変換は、前記少なくとも１つの変数が、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、前記モデルにおいて使用されるよう機能可能な別の変数にどのように影響するかを表す、前記ステップと、
    コンピュータ・システムによって、前記仮説を使用して前記モデルを生成するステップと、
    を含む、請求項１３に記載の方法。
20. コンピュータ可読命令を格納する、非一時的コンピュータ可読媒体であって、前記コンピュータ可読命令は、コンピュータ・システムによって実行されると、
    多次元データ処理システムにメタデータを格納するステップであって、前記メタデータは、複数の変数と、各変数に関し前記変数の属性を表す複数のディメンションと、各ディメンションにおける複数のレベルとを特定し、前記メタデータは、各変数の前記ディメンションおよびレベルの階層を示す、前記ステップと、
    前記複数の変数のうちの少なくとも１つの変数に関し、変数、ディメンションおよびレベルを特定するクエリを受け取るステップと、
    少なくとも１つの変数の前記ディメンションおよび前記レベルに関し、データ・ストレージ内のデータを特定するために、前記格納されているメタデータを検索するステップと、
    前記メタデータを使用して、前記データを前記データ・ストレージから読み出すステップと、
    前記メタデータを使用してモデルを生成するステップと、
    を含む方法を実行する、非一時的コンピュータ可読媒体。

Images