JP2022167773A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents
情報処理装置、情報処理方法および情報処理プログラム Download PDFInfo
- Publication number
- JP2022167773A JP2022167773A JP2022005498A JP2022005498A JP2022167773A JP 2022167773 A JP2022167773 A JP 2022167773A JP 2022005498 A JP2022005498 A JP 2022005498A JP 2022005498 A JP2022005498 A JP 2022005498A JP 2022167773 A JP2022167773 A JP 2022167773A
- Authority
- JP
- Japan
- Prior art keywords
- advertiser
- information
- information processing
- advertising
- purchase amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 138
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 20
- 230000003466 anti-cipated effect Effects 0.000 abstract 3
- 239000013598 vector Substances 0.000 description 223
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- -1 market gap Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】広告主に対する広告商品の販売を支援する情報処理装置、情報処理方法及び情報処理プログラムを提供する。
【解決手段】ターゲット広告主に関する情報から推定した広告商品の情報を出力する情報処理装置10において、購入額推定部123は、所定条件の広告費用が所定条件を満たす広告主の情報を正解データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する。ギャップ算出部124は、購入額推定部123によって推定された見込広告費用と、ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出する。
【選択図】図2
【解決手段】ターゲット広告主に関する情報から推定した広告商品の情報を出力する情報処理装置10において、購入額推定部123は、所定条件の広告費用が所定条件を満たす広告主の情報を正解データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する。ギャップ算出部124は、購入額推定部123によって推定された見込広告費用と、ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出する。
【選択図】図2
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。
近年、インターネットを介した広告配信が盛んに行われている。例えば、ウェブページなどの広告媒体に設定された広告枠に、企業や商品等の広告コンテンツを表示し、かかる広告コンテンツがクリックされた場合に、広告主のウェブページへ遷移させることが行われている(特許文献1参照)。
広告配信における広告には、広告を表示させる広告媒体、広告媒体における広告の位置やサイズ、静止画/動画の別、ユーザ操作との連動の有無といった様々な態様があり、広告主は、広告費用を考慮しつつ、任意の態様の広告を広告配信業者等から購入して広告媒体に表示させる。以下、広告主に対して販売される任意の態様の広告を「広告商品」と呼ぶ。
上述した従来技術には、広告主に対する広告商品の販売を支援するという点でさらなる改善の余地がある。
本願は、上記に鑑みてなされたものであって、広告主に対する広告商品の販売を支援することを目的とする。
本願に係る情報処理装置は、所定条件の広告費用が所定条件を満たす広告主の情報を正解データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する購入額推定部と、購入額推定部によって推定された見込広告費用と、ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出するギャップ算出部とを備える。
実施形態の一態様によれば、広告主に対する広告商品の販売を支援することができる。
以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態(以下、「実施形態」と記載する。)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。
[実施形態]
〔1.情報処理〕
まず、図1を用いて、実施形態に係る情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。
〔1.情報処理〕
まず、図1を用いて、実施形態に係る情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。
図1に示すように、実施形態に係る情報処理装置10は、ターゲット広告主と広告商品とのマッチングを行う情報処理装置である。情報処理装置10は、たとえば、サーバ装置やクラウドシステム等により実現される。
ここで、ターゲット広告主とは、たとえば、広告商品の販売先として設定された対象のことである。すなわち、広告商品の販売元から見た場合のターゲット広告主は、たとえば、広告商品を売り込む対象に相当する。ターゲット広告主は、たとえば、企業(会社や法人等)であるが、企業に限らず、国、都道府県、市区町村等の自治体等であってもよい。
広告商品とは、広告主(ターゲット広告主を含む)に対して販売される任意の態様の広告のことである。また、広告における任意の態様とは、たとえば、広告を表示させる広告媒体、広告媒体における広告の位置やサイズ、静止画/動画の別、ユーザ操作との連動の有無といった態様のことである。なお、「広告商品」という概念は、広告商品自体でもあり、広告商品の機能や設定等のカスタマイズ可能な部分、検索広告においては検索クエリの意図等を含む。たとえば、機能や設定等のカスタマイズの内容が異なる広告商品は、別商品として取り扱われてもよい。検索クエリの意図は、たとえば、DQNN(Deep Q Neural Network)等の技術を用いてベクトル化されてもよい。また、広告商品は、商品自体と、その広告商品の中の機能や設定といったように、階層構造で表されてもよい。
従来、広告配信業者等の広告販売元は、ターゲット広告主に対して広告商品の売り込みを行う際、これまで培ってきた営業のノウハウや経験を基に、数多く存在する広告商品の中からターゲット広告主が購入するであろう広告商品を絞り込んでいた。情報処理装置10は、このようなターゲット広告主と広告商品とのマッチングを、機械学習されたモデル(結果推定モデル)を用いて自動的に行うことで、広告商品の販売を支援する。
具体的には、情報処理装置10は、ターゲット広告主に関する情報を受け付けると(ステップS01)、結果推定モデルを用いて、ターゲット広告主が購入する広告商品を推定する(ステップS02)。そして、情報処理装置10は、推定された広告商品の情報を出力する(ステップS03)。
ここで、結果推定モデルは、広告主に関する情報と、広告主が購入した広告商品との関係性を学習したモデルである。以下、結果推定モデルの生成方法について説明する。
情報処理装置10は、広告主に関する情報としての広告主ベクトルを記憶した広告主ベクトル記憶部132を有している。広告主ベクトルは、広告主の特徴ベクトルである。
広告主ベクトルは、後述する広告主ベクトルモデルを用いて生成される。広告主ベクトルモデルは、たとえば、売上高、利益率、広告宣伝費等の各種財務数値、事業内容や経営課題等を説明した文章、属する業界、資本構成、市場、インターネットに掲載されている情報の内容、検索データ(ジャンプ元クエリ)、広告費用、広告媒体といった広告主に関する各種の情報が入力された場合に、これらの情報が類似する他の広告主の広告主ベクトルと類似する広告主ベクトルを出力するように学習されたモデルである。ベクトルが類似するとは、たとえば、コサイン距離が類似すること、すなわち、コサイン類似度が高いことをいう。広告主ベクトルの生成方法の具体例については、後述する。なお、「広告費用」は、「広告売上」と読み替えてもよい。
また、情報処理装置10は、商品ベクトルを記憶した商品ベクトル記憶部134を有している。商品ベクトルは、広告商品の特徴ベクトルである。
商品ベクトルは、後述する商品ベクトルモデルを用いて生成される。商品ベクトルモデルは、たとえば、購入した広告主の情報(広告主ベクトル)、購入額、購入期間(配信期間)、検索データ(ジャンプ元クエリ)、CTR(Click Through Rate)、CVR(Conversion Rate)、広告媒体といった広告商品に関する購入態様を含む各種の情報が入力された場合に、これらの情報が類似する他の広告商品の商品ベクトルと類似する商品ベクトルを出力するように学習されたモデルである。たとえば、商品ベクトルモデルは、同一の広告主により購入された広告商品の商品ベクトルが互いに類似するように、広告商品に関する情報から商品ベクトルを生成する。商品ベクトルの生成方法の具体例については、後述する。
また、情報処理装置10は、市場ギャップ(ギャップ情報の一例)を記憶した市場ギャップ記憶部136を有している。市場ギャップとは、広告主が支払う広告費用の見込額(見込広告費用)と、その広告主から現在受注している広告費用の実績(実績広告費用)との差分のことである。
たとえば、情報処理装置10は、広告主ベクトル記憶部132に記憶されている広告主ベクトルに基づき見込広告費用を算出し、算出した見込広告費用と実績広告費用との差分を市場ギャップとして算出してもよい。また、情報処理装置10は、広告主(特に、営業によって広告売上が増加した広告主)に関する各種情報を入力した際に、各広告商品の購入額を出力するように学習された学習モデル(購入額推定モデル)を用いて見込広告費用を算出してもよい。市場ギャップの算出方法の具体例については、後述する。
さらに、情報処理装置10は、各広告主への営業活動の内容および結果を示す営業結果情報を記憶する営業結果記憶部138を有する。営業結果情報は、営業活動の内容として、たとえば、広告主に対して営業活動を行ったか否か、行った営業活動の種類、行った営業活動の具体的な内容、提案した広告商品といった情報を含んでいてもよい。また、営業結果情報は、営業活動の結果として、たとえば、営業による売上の増減、営業後の広告費用、提案した広告商品が売れたか否か(受注やアップセルに成功したか否か)、といった情報を含む。なお、営業結果情報には、人的な営業活動に対する結果だけでなく、たとえば、広告入稿ツール等を介して広告商品が購入された場合の結果も含まれてもよい。
そして、情報処理装置10は、広告主ベクトルと、商品ベクトルと、市場ギャップとを入力とし、営業結果情報を出力として機械学習を行うことで、結果推定モデルを生成する。
情報処理装置10は、ターゲット広告主の広告主ベクトルを広告主ベクトル記憶部132から取得し、ターゲット広告主の市場ギャップを市場ギャップ記憶部136から取得する。また、情報処理装置10は、任意の商品ベクトルを商品ベクトル記憶部134から取得する。また、情報処理装置10は、取得した広告主ベクトル、市場ギャップおよび商品ベクトルの各情報を結果推定モデルに入力する。そして、情報処理装置10は、結果推定モデルから出力される営業結果の情報を用いて、ターゲット広告主が購入する広告商品を推定する。
たとえば、情報処理装置10は、結果推定モデルに入力する各種情報のうち、広告主ベクトルおよび市場ギャップを固定し、商品ベクトルを入れ替えることで、購入される可能性が最も高い広告商品を推定したり、購入額が最も大きい広告商品を推定したりすることができる。
また、情報処理装置10は、市場ギャップを算出することにより、見込広告費用と実績広告費用とが大きく乖離している広告主を見つけ出すことができる。たとえば、情報処理装置10によれば、30億円の広告費用を見込めるのに実績広告費用が10億円しかない広告主を見つけ出すことができる。広告販売元は、見込広告費用と実績広告費用とが大きく乖離している広告主をターゲット広告主として営業活動を行うことで、広告受注を効率的に増やすことができる。また、営業活動の内容を加味する事で、たとえば、人的な営業活動をする事で広告受注が増えるのか、しなくても増えるのかなども推定する事ができ、効率的な営業活動を行う事ができる。
このように、実施形態に係る情報処理装置10によれば、広告主に対する広告商品の販売を支援することができる。
〔2.情報処理装置の構成例〕
次に、図2を用いて、情報処理装置10の構成例について説明する。図2は、実施形態に係る情報処理装置10の構成例を示す図である。図2に示すように、情報処理装置10は、通信部110と、制御部120と、記憶部130とを有する。
次に、図2を用いて、情報処理装置10の構成例について説明する。図2は、実施形態に係る情報処理装置10の構成例を示す図である。図2に示すように、情報処理装置10は、通信部110と、制御部120と、記憶部130とを有する。
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、4G(Generation)、5G、LTE(Long Term Evolution)、Wifi(登録商標)若しくは無線LAN(Local Area Network)等といった各種の無線通信網若しくは各種の有線通信網といったネットワークを介して、外部装置との間で情報の送受信を行う。
記憶部130は、例えば、RAM、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部130は、広告主ベクトルモデル記憶部131、広告主ベクトル記憶部132、商品ベクトルモデル記憶部133、商品ベクトル記憶部134、購入額推定モデル記憶部135、市場ギャップ記憶部136、ターゲット情報記憶部137、営業結果記憶部138および結果推定モデル記憶部139を有する。
広告主ベクトルモデル記憶部131は、広告主ベクトルモデルを記憶する。広告主ベクトルモデルは、広告主に関する情報を広告主ベクトルに変換する学習モデルである。
たとえば、情報処理装置10は、広告宣伝費等の各種費用、資本構成、市場、インターネットに掲載されている情報の内容、検索データ(ジャンプ元クエリ)、購入した広告商品、広告商品の購入額、購入した広告商品の総額である広告費用、広告媒体といった広告主に関する各種の情報をモデルに入力した際に、これらの情報が類似する他の広告主の広告主ベクトルと類似する広告主ベクトルを出力するようにモデルの学習を行う。
ここで、広告主同士が「類似する」とは、単に市場が類似するというだけではなく、広告営業の内容や営業結果が類似することを意味する。
たとえば、情報処理装置10は、ある広告主に対する営業活動の内容(営業活動を行ったか否か、行った営業活動の種類、行った営業活動の具体的な内容、提案した広告商品等)とその結果(例えば、広告商品Aを提案したら購入された、広告商品Bを提案したら購入されなかった等)、広告を出している媒体(テレビ・ラジオ・新聞・雑誌・インターネット・交通等)、広告費用等を含めた広告主間の類似性を示す類似性スコアを算出する。そして、情報処理装置10は、算出した類似性スコアが高いほど広告主ベクトルの類似性が高くなるように、広告主に関する各種情報から広告主ベクトルを出力する広告主ベクトルモデルの学習を行う。
なお、広告主ベクトルモデルの学習段階において、情報処理装置10は、広告主に関する情報そのもの(すなわち、テキストデータ)に代えて、W2V(Word2Vec)等の技術を用いて、広告主に関する情報をベクトル化したデータを入力データとしてもよい。たとえば、情報処理装置10は、広告主に関する各種情報をW2V等、意味が類似する単語を類似するベクトルへと変換する変換モデルを用いて、広告主に関する情報として入力された単語をベクトル化し、各ベクトルを結合したベクトルや、各ベクトルの合成となる合成ベクトル等を入力データとして広告主ベクトルモデルの学習を行ってもよい。
また、情報処理装置10は、たとえば会社四季報に掲載された企業情報や各種アナリストレポートの内容を広告主に関する情報として用いてもよい。たとえば、情報処理装置10は、会社四季報に掲載された企業情報をW2V等の技術を用いてベクトル化し、かかるベクトルデータが類似する広告主については、類似する広告主ベクトルを出力するように、広告主ベクトルモデルの学習を行ってもよい。
広告主ベクトル記憶部132は、広告主ベクトルを記憶する。図3は、実施形態に係る広告主ベクトル記憶部132に記憶された情報の一例を示す図である。図3に示すように、広告主ベクトル記憶部132には、「広告主ID」、「広告主ベクトル」といった情報が含まれる。
「広告主ID」項目には、広告主を識別するための識別情報が格納される。なお、「広告主ID」には、未だ広告主となっていない企業等、すなわち、新規広告主の候補である企業等の識別情報が含まれていてもよい。
「広告主ベクトル」項目には、広告主IDにより識別される広告主に対応する広告主ベクトルが格納される。図3では、広告主ベクトルが2次元のベクトルデータ「10,24」である場合の例を示しているが、広告主ベクトルは、多次元(N次元)のベクトルデータであればよく、2次元に限定されない。
商品ベクトルモデル記憶部133は、商品ベクトルモデルを記憶する。商品ベクトルモデルは、広告商品に関する情報を商品ベクトルに変換する学習モデルである。
たとえば、情報処理装置10は、同一の広告主により購入された広告商品を特定する。そして、情報処理装置10は、同一の広告主により購入された広告商品のベクトルが類似するように、広告商品に関する各種情報を入力とし商品ベクトルを出力とする商品ベクトルモデルの学習を行う。
一例として、情報処理装置10は、購入した広告主の情報(広告主ベクトル)、購入額、購入期間(配信期間)、検索データ(ジャンプ元クエリ)、CTR、CVR、広告媒体といった広告商品に関する情報の類似性スコアを広告商品間で算出する。そして、情報処理装置10は、算出した類似性スコアが高いほど、商品ベクトルの類似性が高くなるように、広告商品に関する情報から商品ベクトルを出力する商品ベクトルモデルの学習を行ってもよい。
商品ベクトル記憶部134は、商品ベクトルを記憶する。図4は、実施形態に係る商品ベクトル記憶部134に記憶された情報の一例を示す図である。図4に示すように、商品ベクトル記憶部134には、「広告商品ID」、「商品ベクトル」といった情報が含まれる。
「広告商品ID」項目には、広告商品を識別するための識別情報が格納される。「商品ベクトル」項目には、広告商品IDにより識別される広告商品に対応する商品ベクトルが格納される。図4では、商品ベクトルが2次元のベクトルデータ「33,15」である場合の例を示しているが、商品ベクトルは、多次元(N次元)のベクトルデータであればよく、2次元に限定されない。
購入額推定モデル記憶部135は、購入額推定モデルを記憶する。購入額推定モデルは、広告主に関する情報と、その広告主が過去に購入した広告商品およびその購入金額との関係性を学習したモデルである。具体的には、購入額推定モデルは、広告主に関する情報(広告主ベクトル)を入力した際に、各広告商品の購入額を出力するように学習された学習モデルである。
たとえば、情報処理装置10は、営業活動により広告売上が増加した広告主を特定する。情報処理装置10は、たとえば後述する営業結果記憶部138に記憶された情報に基づき、営業活動により広告売上が増加した広告主を特定してもよい。そして、情報処理装置10は、特定した広告主に関する各種情報を正解データとして購入額推定モデルの学習を行う。具体的には、情報処理装置10は、営業活動により広告売上が増加した広告主に関する情報(その広告主が購入した広告商品および購入額を除く)と、その広告主が購入した広告商品および購入額との組を正解データとして購入額推定モデルに学習させる。すなわち、情報処理装置10は、営業活動により広告売上が増加した広告主に関する情報を購入額推定モデルに入力した際に、その広告主が購入した広告商品の購入額を出力するように、バックプロパゲーション等の技術を用いて、購入額推定モデルの学習を行う。
なお、情報処理装置10は、購入額推定モデルの学習段階において、特定の広告販売元の広告商品を過去に購入したことのある広告主に関する情報に限定して購入額推定モデルの学習を行ってもよい。また、これに限らず、情報処理装置10は、営業活動によって広告売上が増加した広告主に関する情報だけでなく、その他の広告主、すなわち、営業活動によって広告売上が増加するか否かが不明な広告主に関する情報も入力データとして用いてもよい。この場合、情報処理装置10は、営業活動によって広告売上が増加した広告主に関する情報が学習結果により反映されるように重み付けを行ってもよい。すなわち、情報処理装置10は、営業活動によって広告売上が増加した広告主に関する情報が、営業活動によって広告売上が増加するか否かが不明な広告主に関する情報よりも重み付けが重くなるように調整された複数の広告主に関する情報を正解データとして購入額推定モデルの学習を行ってもよい。
また、正解データとして用いる情報は、営業活動によって広告売上が増加した広告主に関する情報に限定されない。たとえば、情報処理装置10は、広告費用が所定の閾値を超える広告主の情報を正解データとして購入額推定モデルの学習を行ってもよい。また、情報処理装置10は、広告費用が同一の事業分野に属する複数の広告主の平均広告費用よりも高い広告主の情報を正解データとして購入額推定モデルの学習を行ってもよい。また、情報処理装置10は、各商品の広告売り上げが所定の閾値を超える広告主の情報を正解データとして購入額推定モデルの学習を行ってもよい。たとえば、情報処理装置10は、購入した広告商品のうち少なくとも1つの購入額が閾値を超える広告主の情報を正解データとして購入額推定モデルの学習を行ってもよい。
市場ギャップ記憶部136は、市場ギャップを記憶する。市場ギャップは、広告主が支払う広告費用の見込額である見込広告費用と、その広告主から現在受注している広告費用(各広告商品の購入額の合計)である実績広告費用との差分を示す情報である。見込広告費用は、後述するギャップ算出部124により、上述した購入額推定モデルを用いて算出される。この点については後述する。
図5は、実施形態に係る市場ギャップ記憶部136に記憶された情報の一例を示す図である。図5に示すように、市場ギャップ記憶部136には、「広告主ID」、「市場ギャップ」といった情報が含まれる。「広告主ID」項目には、広告主を識別するための識別情報が格納される。「市場ギャップ」項目には、広告主IDにより識別される広告主に対応する市場ギャップが格納される。
ターゲット情報記憶部137は、たとえば、後述する判定部125によってターゲット広告主として判定された広告主の識別情報が格納される。
営業結果記憶部138は、各広告主への営業活動の結果を示す営業結果情報を記憶する。図6は、実施形態に係る営業結果記憶部138に記憶された情報の一例を示す図である。
図6に示すように、営業結果記憶部138には、「広告主ID」、「提案した広告商品」、「受注の有無」、「購入額」、「広告売上の増減」、「増減額」といった項目が格納される。「広告主ID」項目には、広告主を識別するための識別情報が格納される。「提案した広告商品」項目には、広告主IDにより識別される広告主に対して提案した広告商品の識別情報が格納される。「受注の有無」項目には、提案した広告商品の受注の有無に関する情報が格納される。「購入額」項目には、提案した広告商品の購入額が格納される。「広告売上の増減」項目には、広告主IDによって識別される広告主による広告売上が増加するか否かを示す情報が格納される。「増減額」項目には、広告主IDによって識別される広告主全体としての広告売上の増減額が格納される。なお、「増減額」は、たとえば四半期における1期ごとの広告売上を基準として、前期の広告売上と、今期の広告売上の推定額(たとえば、今期における現時点での広告売上を今期の広告売上に換算した金額)との差で示されてもよい。また、「増減額」は、たとえば、年間広告売上の平均額(たとえば、過去5年度分の平均額)と、今年度の広告売上の推定額(たとえば、今年度の現時点における広告売上を今年度の年間広告売上に換算した金額)との差で示されてもよい。
結果推定モデル記憶部139は、結果推定モデルを記憶する。結果推定モデルは、広告主ベクトルと、商品ベクトルと、市場ギャップとを入力した際に、営業結果情報を出力するように学習された学習モデルである。たとえば、情報処理装置10は、広告主ベクトル記憶部132に記憶された広告主ベクトルと、商品ベクトル記憶部134に記憶された商品ベクトルと、市場ギャップ記憶部136に記憶された市場ギャップとを入力とし、営業結果記憶部138に記憶された営業結果情報を出力とする組を正解データとして広告主ごとに作成する。そして、情報処理装置10は、作成した正解データを用いて結果推定モデルに学習させる。すなわち、情報処理装置10は、広告主ベクトルと、商品ベクトルと、市場ギャップとを入力した際に、営業結果情報もしくは営業結果情報に対応する情報を出力するように、バックプロパゲーション等の技術を用いて、結果推定モデルの学習を行う。
このようにして生成された結果推定モデルは、たとえば、広告主ベクトルと、商品ベクトルと、市場ギャップとを入力した際に、入力した広告主ベクトルの広告主が、入力した商品ベクトルに対応する広告商品を購入するか否かを示す情報を出力することができる。
制御部120は、例えば、コントローラ(controller)であり、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置10内部の記憶装置に記憶されている各種プログラムがRAMを作業領域として実行されることにより実現される。また、制御部120は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
図2に示すように、制御部120は、広告主ベクトル生成部121と、商品ベクトル生成部122と、購入額推定部123と、ギャップ算出部124と、判定部125と、結果推定部126と、出力部127とを有する。
広告主ベクトル生成部121は、広告主ベクトルモデル記憶部131に記憶された広告主ベクトルモデルを用いて、広告主ごとに広告主ベクトルを生成する。具体的には、広告主ベクトル生成部121は、広告主に関する情報を広告主ベクトルモデルに入力する。そして、広告主ベクトル生成部121は、広告主に関する情報を入力した際に広告主ベクトルモデルが出力したベクトルデータを広告主ベクトルとして取得する。
広告主ベクトル生成部121は、取得した広告主ベクトルを広告主IDと関連付けて広告主ベクトル記憶部132に記憶させる。
商品ベクトル生成部122は、商品ベクトルモデル記憶部133に記憶された商品ベクトルモデルを用いて、広告商品ごとに商品ベクトルを生成する。具体的には、商品ベクトル生成部122は、広告商品に関する情報を商品ベクトルモデルに入力する。そして、商品ベクトル生成部122は、広告商品に関する情報を入力した際に商品ベクトルモデルが出力したベクトルデータを商品ベクトルとして取得する。
商品ベクトル生成部122は、取得した商品ベクトルを広告商品IDと関連付けて商品ベクトル記憶部134に記憶させる。
なお、ベクトル化される広告商品は、1つの広告販売元によって販売される広告商品に限定されない。すなわち、商品ベクトル生成部122は、複数の広告販売元によって販売される広告商品に関する情報を商品ベクトルモデルを用いて商品ベクトルに変換してもよい。
購入額推定部123は、購入額推定モデルを用いて、広告主に関する情報から、その広告主の見込広告費用を推定する。
たとえば、購入額推定部123は、広告主に関する情報(たとえば、広告主ベクトル)を購入額推定モデルに入力する。広告主に関する情報には、その広告主が購入した広告商品に関する情報(たとえば、広告商品の識別情報および購入額等)が含まれていてもよい。また、広告主に関する情報には、その広告主が購入した広告商品に関する情報が含まれていなくてもよい。つづいて、購入額推定部123は、広告主に関する情報を入力した際に購入額推定モデルから出力されるデータ、すなわち、各広告商品の購入額を取得する。具体的には、購入額推定モデルは、購入額推定モデルに情報が入力された広告主と類似する仮想的な広告主が購入すると推定される各広告商品の購入額を出力する。
そして、購入額推定部123は、購入額推定モデルから出力された各広告商品の購入額の合計を、購入額推定モデルに情報を入力した広告主の理想的な広告費用すなわち見込広告費用として推定する。
ギャップ算出部124は、購入額推定部123によって推定された見込広告費用と、購入額推定モデルに情報を入力した広告主から現在受注している広告商品の総額すなわち実績広告費用との差分を市場ギャップとして算出する。なお、実績広告費用は、たとえば、広告主IDと関連付けて記憶部130に記憶されていてもよいし、通信部110を介して外部装置から取得してもよい。ギャップ算出部124は、算出した市場ギャップと、購入額推定モデルに情報を入力した広告主の識別情報とを関連付けて市場ギャップ記憶部136に記憶させる。
判定部125は、市場ギャップ記憶部136に記憶された市場ギャップを閾値と比較する。そして、判定部125は、市場ギャップが閾値を超える場合に、その市場ギャップに関連づけられた識別情報によって識別される広告主について、見込広告費用と実績広告費用とが乖離していると判定する。
結果推定部126は、判定部125によって見込広告費用と実績広告費用とが乖離していると判定された広告主をターゲット広告主として設定する。そして、結果推定部126は、結果推定モデル記憶部139に記憶された結果推定モデルを用いて、ターゲット広告主が購入する広告商品を推定する。
具体的には、結果推定部126は、ターゲット広告主の広告主ベクトルを広告主ベクトル記憶部132から取得し、ターゲット広告主の市場ギャップを市場ギャップ記憶部136から取得する。また、結果推定部126は、任意の商品ベクトルを商品ベクトル記憶部134から取得する。つづいて、結果推定部126は、取得した広告主ベクトル、市場ギャップおよび商品ベクトルの各情報を結果推定モデルに入力する。そして、結果推定部126は、結果推定モデルから出力される営業結果の情報を取得する。具体的には、結果推定モデルは、広告主ベクトルにより示される広告主(すなわち、ターゲット広告主)により、広告商品ベクトルにより示される広告商品が購入されるか否かの情報を出力する。
結果推定部126は、結果推定モデルに入力する各種情報のうち、広告主ベクトルおよび市場ギャップを固定し、商品ベクトルを入れ替えることで、たとえば、商品ベクトル記憶部134に記憶されている全ての商品ベクトルについて、ターゲット広告主が購入する広告商品と購入しない広告商品とに分類する。そして、結果推定部126は、ターゲット広告主が購入する広告商品の情報を出力部127に渡す。
なお、結果推定部126は、ターゲット広告主によって購入される広告商品の情報のうち出力部127に渡す情報を所定の条件に従って絞り込んでもよい。たとえば、結果推定部126は、出力部127に渡す広告商品の情報を、購入額に基づいて絞り込んでもよい。すなわち、結果推定部126は、結果推定モデルによってターゲット広告主が購入すると推定された広告商品を購入額順に並び替えた場合の順位が閾値以内(たとえば5位以内)である広告商品の情報を出力部127に出力してもよい。
また、結果推定部126は、出力部127に渡す広告商品の情報を、他の広告主による購入状況に基づいて絞り込んでもよい。たとえば、結果推定部126は、結果推定モデルによってターゲット広告主が購入すると推定された広告商品を販売数(売上数)順に並び替えた場合の順位が閾値以内(たとえば5位以内)である広告商品の情報を出力部127に出力してもよい。
出力部127は、結果推定部126から受け取った広告商品の情報を出力する。たとえば、出力部127は、結果推定部126から受け取った広告商品の情報を通信部110およびネットワークを介して外部装置に出力してもよい。出力先となる外部装置は、たとえば、広告販売元の営業担当が使用する端末装置である。また、出力先となる外部装置は、ターゲット広告主が所有する端末装置であってもよい。
〔3.処理手順〕
次に、図7および図8を用いて、実施形態に係る情報処理装置10が実行する処理の流れの一例を説明する。まず、図7を用いて、ターゲット設定処理の一例について説明する。図7は、実施形態に係るターゲット設定処理の流れの一例を示すフローチャートである。
次に、図7および図8を用いて、実施形態に係る情報処理装置10が実行する処理の流れの一例を説明する。まず、図7を用いて、ターゲット設定処理の一例について説明する。図7は、実施形態に係るターゲット設定処理の流れの一例を示すフローチャートである。
図7に示すように、情報処理装置10は、広告主に関する情報を購入額推定モデルに入力する(ステップS101)。つづいて、情報処理装置10は、購入額推定モデルから出力された各広告商品の購入額の合計を見込広告費用として算出する(ステップS102)。そして、情報処理装置10は、見込広告費用と実績広告費用との差分を市場ギャップとして算出する(ステップS103)。
つづいて、情報処理装置10は、市場ギャップが閾値を超えているか否かを判定する(ステップS104)。この処理において、市場ギャップが閾値を超えていると判定した場合(ステップS104,Yes)。情報処理装置10は、見込広告費用と実績広告費用とが乖離していると判定する(ステップS105)。そして、情報処理装置10は、見込広告費用と実績広告費用とが乖離していると判定された広告主をターゲット広告主として設定する(ステップS106)。
ステップS106の処理を終えたとき、または、ステップS104において、市場ギャップが閾値を超えていない場合(ステップS104,No)、情報処理装置10は、ターゲット設定処理を終える。
次に、図8を用いて、商品情報出力処理の一例について説明する。図8は、実施形態に係る商品情報出力処理の流れの一例を示すフローチャートである。
図8に示すように、情報処理装置10は、ターゲット広告主の広告主ベクトル、ターゲット広告主の市場ギャップおよび任意の商品ベクトルを結果推定モデルに入力する(ステップS201)。そして、情報処理装置10は、結果推定モデルの出力、すなわち、入力した商品ベクトルによって示される広告商品がターゲット広告主によって購入されるか否かを示す情報を取得する(ステップS202)。
つづいて、情報処理装置10は、ステップS201,S202の処理を全ての広告商品について実行したか否かを判定する(ステップS203)。この処理において、ステップS201,S202の処理を未だ実行していない広告商品が存在する場合(ステップS203,No)、情報処理装置10は、処理をステップS201に戻し、未処理の広告商品についてステップS201,S202の処理を実行する。
一方、ステップS203において、ステップS201,S202の処理を全ての広告商品について実行したと判定した場合(ステップS203,Yes)、情報処理装置10は、ターゲット広告主が購入する広告商品の情報を出力する(ステップS204)。
なお、ステップS203における「全ての広告商品」は、たとえば、商品ベクトル記憶部134に商品ベクトルが記憶されている全ての広告商品であるものとするが、これに限らず、たとえば、ユーザ(たとえば、営業担当)によって指定された全ての広告商品であってもよい。
〔4.変形例〕
上述した情報処理装置10は、上記実施形態以外にも種々の異なる形態にて実施されてもよい。そこで、以下では、情報処理装置10の他の実施形態について説明する。
上述した情報処理装置10は、上記実施形態以外にも種々の異なる形態にて実施されてもよい。そこで、以下では、情報処理装置10の他の実施形態について説明する。
結果推定モデルの学習段階において、情報処理装置10は、営業活動の内容(営業活動を行ったか否か、行った営業活動の種類、行った営業活動の具体的な内容、提案した広告商品等)を結果推定モデルへの入力データとしてもよい。たとえば、情報処理装置10は、広告主ベクトル、商品ベクトル、市場ギャップおよび営業活動内容に関する情報を入力データとし、営業結果に関する情報(受注の有無、増減額等)を出力データとして結果推定モデルの学習を行ってもよい。この場合、情報処理装置10は、結果推定モデルの利用段階において、ターゲット広告主の広告主ベクトルおよび市場ギャップ、商品ベクトルおよび営業活動の内容(たとえば、営業活動のタイプ)を結果推定モデルに入力してもよい。これにより、たとえば、入力した営業活動のタイプで、入力した商品ベクトルの広告商品をターゲット広告主に提案した場合に、ターゲット広告主がその広告商品が購入するか否かの情報を得ることができる。
上述した実施形態では、結果推定モデルから出力される情報が、ターゲット広告主が広告商品を購入するか否かの情報(すなわち、Yes/Noの二値の情報)である場合の例について説明した。これに限らず、結果推定モデルは、広告主ベクトル、商品ベクトルおよび市場ギャップが入力された際に、ターゲット広告主がその広告商品を購入する確度(すなわち、Yesの確度)を出力するように学習されてもよい。この場合、情報処理装置10は、ターゲット広告主が購入する確度が最も高い広告商品を出力するようにしてもよい。
また、結果推定モデルは、広告主ベクトル、市場ギャップおよび商品ベクトルを入力した際に、ターゲット広告主による広告売上が増加するか否かを示す情報を出力するように学習されてもよい。また、結果推定モデルは、広告主ベクトル、市場ギャップおよび商品ベクトルを入力した際に、ターゲット広告主による広告売上の増減額が出力されるように学習されてもよい。この際、結果推定モデルは、ターゲット広告主による広告売上の増減額をそのまま出力するように学習されてもよいし、連続値である増減額を離散化によって離散値に置き換えて出力するようにしてもよい。たとえば、増減額が830万円である場合、結果推定モデルは、離散値として「500万円以上1000万円未満」の情報を出力するように学習されてもよい。また、結果推定モデルは、広告主ベクトル、市場ギャップおよび商品ベクトルを入力した際に、広告商品の受注金額の推定値を出力するように学習されてもよい。
上述した実施形態では、結果推定モデルの学習段階において、広告主ベクトル、商品ベクトルおよび市場ギャップを結果推定モデルへの入力データとする場合の例について説明したが、これらのうち市場ギャップは必ずしも入力データに含まれることを要しない。すなわち、結果推定モデルは、広告主ベクトルおよび商品ベクトルを入力データとして学習されてもよい。すなわち、広告主ベクトルと商品ベクトルとを入力した場合に、商品ベクトルに対応する広告商品(広告主に提案した広告商品)が購入されたか否かを示す営業結果情報を出力するように学習されてもよい。
情報処理装置10は、営業結果記憶部138に記憶された情報が更新された場合に、更新後の情報に基づいて、各種学習モデル(たとえば、購入額推定モデル、結果推定モデル等)の更新を行ってもよい。
広告主ベクトルモデルの学習段階において、情報処理装置10は、たとえば、BERT(Bidirectional Encoder Representations from Transformers)を用いて、教師なしで膨大な文章から言語の構造を捉える事前学習を行った後に、広告主に関する情報を学習データとして再調整を行うことで、広告主ベクトルモデルを生成してもよい。また、BERTを自然言語で事前学習するのではなく、BERTのモデル構造を用い、マルチモーダルなデータ、例えば、画像(会社のロゴ等)、音声、文章(事業概要、経営課題等)、フラグ(競合各社の広告タグ利用状況)といった、広告主に関する複数の異なる形式(情報伝達形式)の情報を入力データとしてBERTによる事前学習を行ってもよい。すなわち、複数の異なる形式のデータの穴埋め問題を解くようなアプローチで学習を行うことによって広告主ベクトルを生成してもよい。なお、BERTに限らず、BERT以外のTransformerのネットワーク構成を有するモデルが用いられてもよい。
広告主に関する情報には、その広告主が属するグループに関する情報が含まれていてもよい。ここでいうグループとは、たとえば、子会社と親会社との関係や親会社を同じくする子会社同士の関係等、資本上の関係性を有する一連の広告主の集まり(ホールディングス等)をいう。この場合、結果推定モデルは、ターゲット広告主が属するグループの傾向(たとえば、ターゲット広告主が属するグループが広告に対して積極的なのか消極的なのか等)を考慮して、広告商品を購入するか否かの情報を出力することができる。
情報処理装置10は、広告主に関する情報と、その広告主に対する営業の結果との関連性を学習したモデルを用いて、所望する営業結果から、その営業結果が得られる広告主ベクトルを推定してもよい。この場合、情報処理装置10は、たとえば、営業活動によって広告売上が増加する広告主ベクトルを上記モデルにて推定し、推定した広告主ベクトルと類似する広告主ベクトルを有する広告主をターゲット広告主として特定してもよい。
広告主ベクトルモデルの学習段階において、情報処理装置10は、広告主に関する情報を種別ごとにクラスタリングした結果を示すワンホットベクトルに変換し、これらを連結したベクトルを入力データとして広告主ベクトルモデルの学習を行ってもよい。
上述した実施形態では、購入額推定モデルの学習段階において、営業活動により広告売上が増加した広告主に関する各種情報を正解データとする場合の例について説明した。これに限らず、情報処理装置10は、営業活動による広告売上が予測値を超える広告主に関する情報を正解データとして購入額推定モデルの学習を行ってもよい。また、情報処理装置10は、広告主に関する情報を種別ごとにクラスタリングしたうえで、クラスタリングされた広告主群の中から広告売上の増加率が高い上位n%の広告主を抽出し、抽出した広告主に関する情報を正解データとして購入額推定モデルの学習を行ってもよい。広告主の抽出条件は、広告売上の増加率に限らず、たとえば、広告売上が高い上位n%であってもよい。また、広告主の抽出条件は、広告主の売上高や広告宣伝費の規模に対する広告商品の売上額が高い上位n%であってもよい。また、広告主の抽出条件は、広告の対象となっている商品(広告主が販売したい商品)の売上数が多い上位n%等であってもよい。このように、情報処理装置10は、営業結果が所定の成功条件(たとえば広告売上が増加したこと等)を満たす広告主に関する情報を正解データとして購入額推定モデルの学習を行ってもよい。また、情報処理装置10は、営業結果が所定の成功条件(たとえば広告売上が増加したこと等)を満たす広告主をその成功条件に沿って順位付けした場合に上位に位置する1以上の広告主に関する情報を正解データとして購入額推定モデルの学習を行ってもよい。
上述した実施形態では、市場ギャップが閾値を超える広告主をターゲット広告主として設定する場合の例について説明した。これに限らず、情報処理装置10は、複数の広告主について市場ギャップを算出し、算出した市場ギャップが大きい順に上記複数の広告主を並び替えた場合の順位が閾値以内(たとえば5位以内)である広告主をターゲット広告主として設定してもよい。
また、広告主ベクトルモデル、商品ベクトルモデルおよび結果推定モデルの学習段階において、情報処理装置10は、モデルに入力するデータのうち数値に関する情報を離散化したうえでモデルに入力してもよい。たとえば、広告主ベクトルモデルの学習段階において、情報処理装置10は、広告主に関する情報のうち、売上、利益率、広告宣伝費等の数値を離散化したうえで広告主ベクトルモデルに入力してもよい。また、結果推定モデルの学習段階において、情報処理装置10は、営業結果情報に含まれる「増減額」を離散化したうえで結果推定モデルに入力してもよい。また、数値を離散化する際、たとえばログスケール等により桁数をある程度揃えたうえでモデルに入力してもよい。
広告主ベクトルモデルの学習段階において、情報処理装置10は、広告主に関する各種情報と、広告主間の類似性を示す情報(たとえば、広告主の組と類似度とを関連づけた情報)とを入力した際に、広告主ベクトルを出力するようにバックプロパゲーション等の技術を用いて広告主ベクトルの学習を行ってもよい。
〔5.効果〕
上述してきたように、実施形態に係る情報処理装置10は、広告主に関する広告主情報(一例として、広告主ベクトル)と、広告主が購入した広告商品との関係性を学習した結果推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が購入する広告商品を推定する結果推定部126と、結果推定部126によって推定された広告商品の情報を出力する出力部127とを備える。これにより、たとえば広告販売元の営業担当は、情報処理装置10から出力された情報をもとに、ターゲット広告主が購入する可能性が高い広告商品をターゲット広告主に対して提案する広告商品として絞り込むことができる。このように、実施形態に係る情報処理装置10によれば、広告主に対する広告商品の販売を支援することができる。
上述してきたように、実施形態に係る情報処理装置10は、広告主に関する広告主情報(一例として、広告主ベクトル)と、広告主が購入した広告商品との関係性を学習した結果推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が購入する広告商品を推定する結果推定部126と、結果推定部126によって推定された広告商品の情報を出力する出力部127とを備える。これにより、たとえば広告販売元の営業担当は、情報処理装置10から出力された情報をもとに、ターゲット広告主が購入する可能性が高い広告商品をターゲット広告主に対して提案する広告商品として絞り込むことができる。このように、実施形態に係る情報処理装置10によれば、広告主に対する広告商品の販売を支援することができる。
結果推定部126は、結果推定モデルを用いて、ターゲット広告主が支払う広告費用の見込額である見込広告費用とターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報と、ターゲット広告主に関する情報とから、ターゲット広告主が購入する広告商品を推定してもよい。これにより、ターゲット広告主が購入する広告商品をより精度よく推定することができる。
実施形態に係る情報処理装置10は、広告主情報を入力した際に、各広告商品の購入額を出力するように学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から見込広告費用を推定する購入額推定部123と、購入額推定部123によって推定された見込広告費用と実績広告費用とを用いてギャップ情報を算出するギャップ算出部124とを備えていてもよい。これにより、たとえば営業担当が自らギャップ情報を算出する場合と比較して、ギャップ情報を容易に算出することができる。したがって、実施形態に係る情報処理装置10によれば、広告主に対する広告商品の販売をさらに支援することができる。
実施形態に係る情報処理装置10は、類似する広告主情報が入力された際に類似する広告主ベクトルを出力するように学習された広告主ベクトルモデルを用いて、広告主情報から広告主ベクトルを生成する広告主ベクトル生成部121を備えていてもよい。この場合、結果推定部126は、ターゲット広告主に関する情報として、広告主ベクトル生成部121によって生成されたターゲット広告主の広告主ベクトルを用いてもよい。このように、広告主に関する情報を抽象化(メタ化)することで、ターゲット広告主が購入する広告商品を適切に推定することができる。
広告主ベクトルモデルは、広告主に対する営業活動の内容および結果を含めた広告主間の類似性を示す類似性スコアが高いほど広告主ベクトルの類似性が高くなるように学習されたモデルであってもよい。これにより、営業活動に関する情報を含む広告主に関する情報を抽象化(メタ化)することができることから、ターゲット広告主が購入する広告商品を営業活動に関する情報も加味して推定することができる。
実施形態に係る情報処理装置10は、購入態様が類似する広告商品の情報が入力された際に、類似する商品ベクトルを出力するように学習された商品ベクトルモデルを用いて、広告商品の情報から広告主ベクトルを生成する商品ベクトル生成部122を備えていてもよい。この場合、結果推定部126は、商品ベクトル生成部122によって生成された広告主ベクトルを結果推定モデルへの入力データとして用いてもよい。このように、広告商品に関する情報を抽象化(メタ化)することで、ターゲット広告主が購入する広告商品を適切に推定することができる。
商品ベクトルモデルは、同一の広告主により購入された広告商品同士の商品ベクトルが類似するように学習されたモデルであってもよい。これにより、たとえば、ターゲット広告主に関する情報と商品ベクトルとを結果推定モデルに入力することで、ターゲット広告主に類似する広告主が購入した広告商品(またはその広告商品に類似する広告商品)をターゲット広告主が購入する広告商品として推定することができる。
結果推定部126は、結果推定モデルを用いて、ターゲット広告主に関する情報と、営業活動の内容を示す情報とから、ターゲット広告主が購入する広告商品を推定してもよい。これにより、ターゲット広告主が購入する広告商品を営業活動の内容も加味して推定することができる。
また、実施形態に係る情報処理装置10は、所定条件の広告費用が所定条件を満たす広告主の情報を正解データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する購入額推定部123と、購入額推定部123によって推定された見込広告費用と、ターゲット広告主から受注している広告費用の実績である実績広告費用とに基づき、ターゲット広告主について、見込広告費用と実績広告費用とが乖離しているか否かを判定する判定部125とを備える。これにより、たとえば、見込広告費用と実績広告費用とが乖離しているターゲット広告主に対して広告商品の営業を行うことで、効果的な営業活動を行うことができる。したがって、実施形態に係る情報処理装置10によれば、広告商品の販売を支援することができる。
実施形態に係る情報処理装置10は、購入額推定部123によって推定された見込広告費用と実績広告費用とを用いて、見込広告費用と実績広告費用との差分を示すギャップ情報を算出するギャップ算出部124を備えていてもよい。この場合、判定部125は、ギャップ算出部124によって算出されたギャップ情報が閾値を超える場合に、見込広告費用と実績広告費用とが乖離していると判定してもよい。見込広告費用と実績広告費用とが乖離しているターゲット広告主を適切に見つけ出すことができる。
購入額推定モデルは、営業活動の結果、広告費用が増加した広告主の情報を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
購入額推定モデルは、広告費用が閾値を超える広告主の情報を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
購入額推定モデルは、同一の事業分野に属する複数の広告主の平均広告費用よりも広告費用が高い広告主の情報を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
購入額推定モデルは、購入した広告商品のうち少なくとも1つの購入額が閾値を超える広告主の情報を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
購入額推定モデルは、広告主の情報と、広告主が購入した広告商品に関する情報であって少なくとも購入額を含む情報との組を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
購入額推定モデルは、第1条件の広告費用が第2条件を満たす広告主の情報が、第1条件の広告費用が第2条件を満たさない広告主の情報よりも重み付けが重くなるように調整された複数の広告主の情報を正解データとして学習されたモデルであってもよい。これにより、購入額推定モデルから出力される情報の信頼性を高めることができ、見込広告費用の推定精度を高めることができる。
〔6.ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置10は、例えば図9に示すような構成のコンピュータ1000によって実現される。図9は、実施形態に係る情報処理装置10の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
また、上述してきた実施形態に係る情報処理装置10は、例えば図9に示すような構成のコンピュータ1000によって実現される。図9は、実施形態に係る情報処理装置10の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM1300、HDD1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
HDD1400は、CPU1100によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス1500は、ネットワーク(通信ネットワーク)Nを介して他の機器からデータを受信してCPU1100へ送り、CPU1100が生成したデータをネットワークNを介して他の機器へ送信する。
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置(図9では、出力装置および入力装置を総称して「入出力装置」と記載する)を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを入出力インターフェイス1600を介して出力装置へ出力する。
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ1000が実施形態に係る情報処理装置10として機能する場合、コンピュータ1000のCPU1100は、RAM1200上にロードされたプログラムを実行することにより、制御部120の機能を実現する。コンピュータ1000のCPU1100は、これらのプログラムを記録媒体1800から読み取って実行するが、他の例として、他の装置からネットワークNを介してこれらのプログラムを取得してもよい。
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
〔7.その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、広告主ベクトル生成部121、商品ベクトル生成部122、購入額推定部123、ギャップ算出部124、判定部125、結果推定部126および出力部127を情報処理装置10の外部装置としてネットワーク経由で接続するようにしてもよい。また、広告主ベクトル生成部121、商品ベクトル生成部122、ギャップ算出部124、判定部125、結果推定部126および出力部127を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記の情報処理装置10の機能を実現するようにしてもよい。すなわち、情報処理装置10は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をAPI(Application Programming Interface)やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、広告主ベクトル生成部121は、広告主ベクトル生成手段や広告主ベクトル生成回路に読み替えることができる。
10 ;情報処理装置
110;通信部
120;制御部
121;広告主ベクトル生成部
122;商品ベクトル生成部
123;購入額推定部
124;ギャップ算出部
125;判定部
126;結果推定部
127;出力部
130;記憶部
131;広告主ベクトルモデル記憶部
132;広告主ベクトル記憶部
133;商品ベクトルモデル記憶部
134;商品ベクトル記憶部
135;購入額推定モデル記憶部
136;市場ギャップ記憶部
137;ターゲット情報記憶部
138;営業結果記憶部
139;結果推定モデル記憶部
110;通信部
120;制御部
121;広告主ベクトル生成部
122;商品ベクトル生成部
123;購入額推定部
124;ギャップ算出部
125;判定部
126;結果推定部
127;出力部
130;記憶部
131;広告主ベクトルモデル記憶部
132;広告主ベクトル記憶部
133;商品ベクトルモデル記憶部
134;商品ベクトル記憶部
135;購入額推定モデル記憶部
136;市場ギャップ記憶部
137;ターゲット情報記憶部
138;営業結果記憶部
139;結果推定モデル記憶部
Claims (10)
- 所定条件の広告費用が所定条件を満たす広告主の情報を正解データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、前記ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する購入額推定部と、
前記購入額推定部によって推定された前記見込広告費用と、前記ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出するギャップ算出部と
を備えることを特徴とする情報処理装置。 - 前記購入額推定モデルは、
営業活動の結果、前記広告費用が増加した前記広告主の情報を正解データとして学習されたモデルである
ことを特徴とする請求項1に記載の情報処理装置。 - 前記購入額推定モデルは、
前記広告費用が閾値を超える前記広告主の情報を正解データとして学習されたモデルである
ことを特徴とする請求項1に記載の情報処理装置。 - 前記購入額推定モデルは、
同一の事業分野に属する複数の前記広告主の平均広告費用よりも前記広告費用が高い前記広告主の情報を正解データとして学習されたモデルである
ことを特徴とする請求項1に記載の情報処理装置。 - 前記購入額推定モデルは、
購入した広告商品のうち少なくとも1つの購入額が閾値を超える前記広告主の情報を正解データとして学習されたモデルである
ことを特徴とする請求項1に記載の情報処理装置。 - 前記購入額推定モデルは、
営業活動の結果が所定の成功条件を満たす前記広告主を前記成功条件に沿って順位付けした場合に上位に位置する1以上の前記広告主に関する情報を正解データとして学習されたモデルである
ことを特徴とする請求項1に記載の情報処理装置。 - 前記購入額推定モデルは、
前記広告主の情報と、前記広告主が購入した広告商品に関する情報であって少なくとも購入額を含む情報との組を正解データとして学習されたモデルである
ことを特徴とする請求項1~6のいずれか一つに記載の情報処理装置。 - 前記購入額推定モデルは、
第1条件の前記広告費用が第2条件を満たす前記広告主の情報が、前記第1条件の前記広告費用が前記第2条件を満たさない前記広告主の情報よりも重み付けが重くなるように調整された複数の前記広告主の情報を正解データとして学習されたモデルである
ことを特徴とする請求項1~7のいずれか一つに記載の情報処理装置。 - コンピュータが実行する情報処理方法であって、
所定条件の広告費用が所定条件を満たす広告主の情報を正確データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、前記ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する購入額推定工程と、
前記購入額推定工程によって推定された前記見込広告費用と、前記ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出する算出工程と
を含むことを特徴とする情報処理方法。 - 所定条件の広告費用が所定条件を満たす広告主の情報を正確データとして学習された購入額推定モデルを用いて、ターゲット広告主に関する情報から、前記ターゲット広告主が支払う広告費用の見込額である見込広告費用を推定する購入額推定手順と、
前記購入額推定手順によって推定された前記見込広告費用と、前記ターゲット広告主から受注している広告費用の実績である実績広告費用との差分を示すギャップ情報を算出する算出手順と
をコンピュータに実行させるための情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022005498A JP2022167773A (ja) | 2021-04-23 | 2022-01-18 | 情報処理装置、情報処理方法および情報処理プログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021073612A JP7012892B1 (ja) | 2021-04-23 | 2021-04-23 | 情報処理装置、情報処理方法および情報処理プログラム |
JP2022005498A JP2022167773A (ja) | 2021-04-23 | 2022-01-18 | 情報処理装置、情報処理方法および情報処理プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021073612A Division JP7012892B1 (ja) | 2021-04-23 | 2021-04-23 | 情報処理装置、情報処理方法および情報処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022167773A true JP2022167773A (ja) | 2022-11-04 |
Family
ID=80735328
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021073612A Active JP7012892B1 (ja) | 2021-04-23 | 2021-04-23 | 情報処理装置、情報処理方法および情報処理プログラム |
JP2022005498A Pending JP2022167773A (ja) | 2021-04-23 | 2022-01-18 | 情報処理装置、情報処理方法および情報処理プログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021073612A Active JP7012892B1 (ja) | 2021-04-23 | 2021-04-23 | 情報処理装置、情報処理方法および情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7012892B1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018533A (zh) * | 2022-05-27 | 2022-09-06 | 北京有竹居网络技术有限公司 | 一种媒体数据处理方法、装置及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100458459B1 (ko) * | 2004-01-27 | 2004-11-26 | 엔에이치엔(주) | 검색자의 검색 요청에 응답하여 검색 결과 목록을생성하고 검색어 광고를 제공하는 방법 및 검색어 광고제공 시스템 |
JP6822786B2 (ja) * | 2016-05-24 | 2021-01-27 | ヤフー株式会社 | 広告装置、広告方法および広告プログラム |
JP7444424B2 (ja) * | 2018-06-07 | 2024-03-06 | 技研商事インターナショナル株式会社 | 行動履歴データを用いた行動分析システム及びそのプログラム |
-
2021
- 2021-04-23 JP JP2021073612A patent/JP7012892B1/ja active Active
-
2022
- 2022-01-18 JP JP2022005498A patent/JP2022167773A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP7012892B1 (ja) | 2022-01-28 |
JP2022167666A (ja) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ngai et al. | Machine learning in marketing: A literature review, conceptual framework, and research agenda | |
Luo | Analyzing the impact of social networks and social behavior on electronic business during COVID-19 pandemic | |
Sudirjo et al. | The Application of Extended Expectation-Confirmation Model to Identify Influencing Factors Digital Loyalty for Mobile-Based Travel Platform | |
CN101331475A (zh) | 在线商业意图的自动检测 | |
US20200098031A1 (en) | Product recommending apparatus and non-transitory computer readable medium | |
CN112069320B (zh) | 一种基于跨度的细粒度情感分析方法 | |
KR102406453B1 (ko) | 빅데이터 형태소 분석 기법을 활용한 온라인 마케팅 플랫폼 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
JP6780992B2 (ja) | 判定装置、判定方法および判定プログラム | |
Jie et al. | Bidding via clustering ads intentions: an efficient search engine marketing system for ecommerce | |
Agarwal et al. | Machine Learning and Natural Language Processing in Supply Chain Management: A Comprehensive Review and Future Research Directions. | |
JP2022167773A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Nurmi et al. | Promotionrank: Ranking and recommending grocery product promotions using personal shopping lists | |
Baltas et al. | Biologically inspired approaches to strategic service design: optimal service diversification through evolutionary and swarm intelligence models | |
Jie et al. | Multi-objective cluster based bidding algorithm for E-commerce search engine marketing system | |
JP7203892B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
US20240062264A1 (en) | Ai- backed e-commerce for all the top rated products on a single platform | |
JP6910515B1 (ja) | 分析装置、分析方法および分析プログラム | |
Perkins | Object Recognition and Virtual Retail Algorithms, Metaverse and Immersive Technologies, and Simulation Modeling and Spatial Data Acquisition Tools in Extended Reality Environments | |
CN111460300B (zh) | 网络内容推送方法、装置及存储介质 | |
JP7273107B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP7119169B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Jie et al. | An Efficient Group-based Search Engine Marketing System for E-Commerce | |
Fouad et al. | Effective E-commerce Based on Predicting the Level of Consumer Satisfaction | |
Gupta et al. | Dynamic pricing in movie tickets using regression techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20231026 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240318 |