JP4529058B2 - 配信システム - Google Patents
配信システムInfo
- Publication number
- JP4529058B2 JP4529058B2 JP2000312329A JP2000312329A JP4529058B2 JP 4529058 B2 JP4529058 B2 JP 4529058B2 JP 2000312329 A JP2000312329 A JP 2000312329A JP 2000312329 A JP2000312329 A JP 2000312329A JP 4529058 B2 JP4529058 B2 JP 4529058B2
- Authority
- JP
- Japan
- Prior art keywords
- customer
- data
- information
- content
- response
- 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.)
- Expired - Fee Related
Links
- 230000004044 response Effects 0.000 claims description 351
- 230000005540 biological transmission Effects 0.000 claims description 215
- 238000007418 data mining Methods 0.000 claims description 124
- 238000012360 testing method Methods 0.000 claims description 81
- 238000004458 analytical method Methods 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 56
- 230000010365 information processing Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 description 77
- 238000010586 diagram Methods 0.000 description 64
- 230000008569 process Effects 0.000 description 57
- 238000012545 processing Methods 0.000 description 48
- 238000003066 decision tree Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 239000004065 semiconductor Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 241000270708 Testudinidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、配信システムに関し、特に、多数の顧客に対して広告メールを送信した場合のレスポンス率の予測精度を高めることができるようにする配信システムに関する。
【０００２】
【従来の技術】
近年、登録した顧客に対して広告メールを配信するサービスが各種確立されている。このような広告メール配信サービスにおいては、郵送によるダイレクトメールに取り入れられているデータマイニングによる分析手法が取り入れられている。
【０００３】
データマイニングは、大容量のデータに隠された因果関係やパターンを探索したり、モデル化するための高度な手法であり、複雑なデータ間の関係づけを可能にし、人工知能、データ工学等の分野においてここ数年注目を浴びている意思決定支援手法である。
【０００４】
なお、このデータマイニングは、様々な適用分野があり、例えば、過去の購買記録から考えて、顧客が次に買いそうな商品は何か、クレジットカードの不正処理がいつ起こるか、顧客がライバル会社に流れたのはなぜか、また、どうすれば取り戻せるか、或いは購買パターンによって顧客を絞り込む最適な方法は何か、ということについての解法を支援する。
【０００５】
ところで、データマイニングの手法を用いて広告メールを送信する顧客を絞り込む場合、アセスメントチャートと呼ばれるグラフを作成することにより、顧客からのレスポンス率を予測することができる。
【０００６】
【発明が解決しようとする課題】
しかしながら、従来のアセスメントチャートの作成方法でレスポンス率を予測し、広告メールを配信すると、必ずしも予測レスポンス率を充分高くすることができないという課題があった。
【０００７】
また、従来のアセスメントチャートの作成方法は、単一のコンテンツを配信するためのものであって、複数のコンテンツから、顧客毎に最適なコンテンツを選択し、配信するといった場合、正確なレスポンス率を予測するアセスメントチャートを作成できないという課題があった。
【０００８】
本発明は、このような状況に鑑みてなされたものであり、レスポンス率の予測精度を高めることができるようにするものである。
【０００９】
【課題を解決するための手段】
本発明の配信システムは、コンピュータである、データマイニングサーバ、メールサーバ、およびWebサーバがネットワークを介して接続されることによって構成される。前記データマイニングサーバは、顧客の識別情報、デモグラフィック情報、および電子メールアドレスを含む情報を顧客情報として記憶する顧客情報データベースに前記顧客情報が記憶されている顧客の中から、コンテンツのテスト送信の対象になる顧客をランダムに第１のCPUの情報処理によって選択する選択手段と、前記選択手段により選択された顧客に関する前記顧客情報に含まれる前記電子メールアドレスを前記第１のCPUの制御に応じて前記メールサーバに送信する送信手段とを備え、前記メールサーバは、前記データマイニングサーバから送信されてきた前記電子メールアドレスに基づいて、前記テスト送信の対象になる顧客が使用する情報処理端末に対して、それぞれの前記情報処理端末が１つのコンテンツを受信するように、アクセス先としての前記Webサーバを指定する情報を含む複数のコンテンツを第２のCPUの制御に応じて送信する送信手段を備える。また、前記Webサーバは、前記メールサーバにより送信されたコンテンツを受信した前記情報処理端末から、前記コンテンツに含まれる情報に基づいてアクセスが行われた場合、アクセスしてきた前記情報処理端末の顧客の識別情報を含む情報を、前記メールサーバにより送信されたコンテンツに対するレスポンス情報として第３のCPUの制御に応じて記憶する記憶手段と、前記記憶手段に記憶されている前記レスポンス情報を前記第３のCPUの制御に応じて前記データマイニングサーバに送信する送信手段とを備え、前記データマイニングサーバは、さらに、前記Webサーバから送信されてきた前記レスポンス情報に含まれる顧客の識別情報より特定される顧客に関する前記顧客情報と、前記レスポンス情報に含まれる顧客の識別情報より特定される顧客の、各コンテンツに対する前記レスポンス情報とから構成されるデータを分析用データとして前記第１のCPUによる情報処理によって分析用データベースに記憶させる記憶制御手段と、前記第１のCPUによる情報処理によって、前記分析用データベースに記憶されている前記分析用データを学習用データと評価用データに分割し、前記学習用データに対して、前記Webサーバに対するアクセスをターゲットとする予測分析を行うことによって学習パラメータを算出することをコンテンツの種類毎に行い、所定のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第１の学習パラメータと、他のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第２の学習パラメータを、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データに適用して、前記第１の学習用パラメータを適用して求めた第１の予測値と前記第２の学習用パラメータを適用して求めた第２の予測値とを含む予測値を算出し、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データから、前記第１の学習用パラメータを適用することによって最大の前記第１の予測値が求められた前記評価用データを抽出することと、前記第２の学習用パラメータを適用することによって最大の前記第２の予測値が求められた前記評価用データを抽出することとを、それぞれのコンテンツを前記所定のコンテンツとして行い、抽出した複数の前記評価用データを合成し、合成した前記評価用データを、前記第１の予測値と前記第２の予測値とを含む予測値の最大値が高い顧客のデータ順にソートする情報処理手段とを備え、前記データマイニングサーバの前記選択手段は、前記情報処理手段によるソート結果に基づいて、前記予測値により表されるレスポンスの予測確率が高い順に、顧客全体のうちの所定の割合の顧客を、コンテンツの本送信の対象になる顧客として選択する。
【００１９】
【発明の実施の形態】
図１は、本発明を適用した広告メール配信システムの構成例を示すブロック図である。メールサーバ１は、広告メールを、登録した顧客のパーソナルコンピュータ７−１乃至７−３，８−１乃至８−３に対して、インターネットに代表されるネットワーク３を介して送信する。顧客情報データベース２は、広告メールを配信する顧客に関する情報を記憶する。
【００２０】
図２は、この顧客情報データベース２の構成例を表している。図２のデータベースの例では、デモグラフィック情報、製品／サービス購入・利用履歴、及び人柄データなどのプロファイル項目が、顧客ＩＤによって識別される顧客毎に登録されている。
【００２１】
図２のデータベースの例では、デモグラフィック情報が「氏名」、「電話番号」、「住所コード」、「性別」、「年齢」、「家族コード」及び「年収コード」等とされ、一部コード化された項目から構成されている。なお、このデモグラフィック情報は、基本属性を示す情報であり、いわゆる名寄せ情報にも使われる情報である。
【００２２】
また、製品／サービス購入・利用履歴は、行動履歴に対応するもので、「製品コード」、「購入日時」及び「製品コード」等とされ、一部コード化された項目から構成されている。
【００２３】
そして、人柄データは、顧客内的情報に対応されるものであり、「質問１」、「質問２」、「質問３」、・・・というように、各種質問と、その回答情報により構成されている。
【００２４】
メールサーバ１が送信する広告メールには、URL(Uniform Resource Locator)が付加されており、広告メールを視聴した顧客は、そのURLに基づいて、Webサーバ４に記憶されているWebページにアクセスすることができる。あるいはまた、広告メールには、電子メールの返信先として、Webサーバ４が記述されている。Webサーバ４は、メールサーバ１が送信した広告メールに対するレスポンス（アクセス）に関する情報を記憶し、データマイニングサーバ５に通知する。
【００２５】
データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報に基づいて分析用データベース６を制御し、データマイニングによる規則抽出処理を行う。具体的には、データマイニングサーバ５は、図２のデータベースの例のように構成された顧客データベースから、特定の商品又はサービスに対する有望顧客のピックアップを行うことができる。特定の商品又はサービスに対する顧客の有望度について説明する。
【００２６】
有望度は、特定の商品又はサービスに対する顧客の関心や需要等を示す指標となるもの（期待値）で、例えば計算式などによる規則抽出により求めることができる。
【００２７】
有望度Ｆの算出式には、簡易なものとして、数値化されたデータ項目に係数を掛け合わせた（１）式のように示される線形結合式がある。
【００２８】
Ｆ＝ａ×Ｑ１＋ｂ×Ｑ２＋ｃ×Ｑ３＋ｄ×Ｑ４＋ｅ×Ｑ５＋・・・
・・・（１）
ここで、Ｑ１，Ｑ２，Ｑ３，Ｑ４，Ｑ５，・・・は顧客プロファイルデータ、ａ，ｂ，ｃ，ｄ，ｅ，・・・は特定の商品又はサービスに対して設定された定数（係数）である。
【００２９】
なお、有望度Ｆの算出式はこのような線形結合式によって表現されるものに限定されるものではなく、非線形の様々な計算式によって表現することもできる。例えば、シグモイド関数を用いたニューラルネットワークモデルがその一つである。
【００３０】
また、下記に示すような条件式（ＩＦ文）によるルール形式によっても有望度を導き出すことができる。
【００３１】
ＩＦ（Ｑ１＞ａ AND Ｑ２＞ｂ AND Ｑ３＞ｃ AND Ｑ４＞ｄ AND Ｑ５＞ｅ）THEN Ｆ ＝Ｘ
なお、線形モデルによる統計手法は、判別分析、ロジスティック回帰、クラスター分析等が該当し、「なぜ」「どのように」といった疑問の返答に適している。
【００３２】
また、非線形モデルの一つであるツリーモデル（帰納方式とも呼ばれる）は、データからディシジョンツリー（決定木）を構成している。このモデルは、重要な変数を選び、不要な予測要素を削除する場合に適している。
【００３３】
そして、非線形モデルであるニューラルネットワークは、履歴データをもとに未来の結果を予測することができ、「何が」という疑問の返答に適している。
【００３４】
データマイニングサーバ５は、このような計算式等により、データマイニング手法を採用して、特定の商品又はサービスに対する各顧客の有望度を算出する。
【００３５】
データマイニングサーバ５は、特定の商品又はサービスについて顧客の各々に対し求めた有望度に基づいて、その商品又はサービスの潜在顧客をピックアップする。例えば、これにより、効率良くマーケティングを行うことができる。例えば、特定の商品又はサービスの購入を望む顧客に対して広告用のメール等を送付するなどといったことが可能になる。
【００３６】
また、有望度の算出式は、任意の方法で作成することもできる。例えば、顧客から得た各種情報に基づいて、その情報間に存在する関係から有望度の算出式を作成することもできる。一般には顧客のプロファイルデータと予測したい顧客の嗜好等の関係に対応する変数（ターゲット変数）が既知であるデータセット（学習用データベース）に対して、上述のモデルを適用して各種のパラメータを獲得することができる。
【００３７】
図３は、メールサーバ１の構成例を示している。CPU（Central Processing Unit）２１は、ROM（Read Only Memory）２２に記憶されているプログラム、または、記憶部２８からRAM（Random Access Memory）２３にロードされたプログラムに従って各種の処理を実行する。RAM２３にはまた、CPU２１が各種の処理を実行する上において必要なデータなどが適宜記憶される。
【００３８】
CPU２１、ROM２２、およびRAM２３は、バス２４を介して相互に接続されている。このバス２４にはまた、入出力インタフェース２５も接続されている。 入出力インタフェース２５には、キーボード、マウスなどよりなる入力部２６、CRT、LCDなどよりなるディスプレイ、並びにスピーカなどよりなる出力部２７、ハードディスクなどより構成される記憶部２８、モデム、ターミナルアダプタなどより構成される通信部２９が接続されている。通信部２９は、CPU２１からの指令に基づいて顧客情報データベース２から顧客情報を取得し、取得した顧客に対し、記憶部２８に記憶されている広告メールをネットワーク３を介して送信する。
【００３９】
入出力インタフェース２５にはまた、必要に応じてドライブ３０が接続され、磁気ディスク３１、光ディスク３２、光磁気ディスク３３、或いは半導体メモリ３４などが適宜装着され、それから読み出されたコンピュータプログラムが、必要に応じて記憶部２８にインストールされる。
【００４０】
図４は、データマイニングサーバ５の構成例を示すブロック図である。CPU４１乃至半導体メモリ５４を有するデータマイニングサーバ５は、CPU２１乃至半導体メモリ３４を有するメールサーバ１と基本的に同様の構成とされ、同一の名称のブロックは同一の機能を有するので、その説明は、適宜省略する。
【００４１】
記憶部４８は、様々な分析用プログラムを記憶し、CPU４１に対して、分析処理に必要な分析用プログラムを提供する。
【００４２】
通信部４９は、ネットワーク３と接続されており、Webサーバ４からレスポンス情報を受信する。また、通信部４９は、CPU４１が分析処理により、広告メールを送信することを選択した顧客に関する情報をメールサーバ１に対して通知する。
【００４３】
図５は、パーソナルコンピュータ７−１乃至７−３，８−１乃至８−３の構成例を示すブロック図である。CPU６１乃至半導体メモリ７４を有するパーソナルコンピュータ７−１乃至７−３，８−１乃至８−３は、CPU２１乃至半導体メモリ３４を有するメールサーバ１と基本的に同様の構成とされ、同一の名称のブロックは同一の機能を有するので、その説明は、省略する。
【００４４】
上述したような構成の広告メール配信システムを利用して、顧客からのレスポンス率（数）を向上させることができる。レスポンス率を向上させるためには、データマイニングサーバ５が、メールサーバ１から通知された顧客情報に基づいてレスポンスする可能性の高い顧客を選択し、選択した顧客に対してのみ広告メールを送信すればよい。しかし、その場合、メールサーバ１が送信する広告メールの全体数が減少するため、全体のレスポンス数も減少する。そのため、本発明を適用した広告メール配信システムにおいては、メールサーバ１は、特定の情報に関して複数の文章を作成し、データマイニングサーバ５による、レスポンス率およびレスポンス数をともに向上させることができるような顧客分析に基づいて、広告メールを送信する。
【００４５】
始めに、図６のフローチャートを参照して、データマイニングサーバ５が分析処理を行う顧客情報を取得するためのテスト送信について説明する。
【００４６】
ステップS１において、メールサーバ１は、顧客情報データベース２から取得した顧客情報を、ネットワーク３を介してデータマイニングサーバ５に対して通知する。
【００４７】
ステップS２において、データマイニングサーバ５は、メールサーバ１から通知された顧客情報から、テスト送信の対象となる顧客をランダムに選択し、分析用データベース６に記憶させる。なお、データマイニングサーバ５が選択するテスト送信の対象となる顧客が使用する端末は、パーソナルコンピュータ７−１乃至７−３である（パーソナルコンピュータ７−１乃至７−３のそれぞれを個々に区別する必要がない場合、単にパーソナルコンピュータ７と称する）。
【００４８】
ステップS３において、データマイニングサーバ５は、メールサーバ１に対して、ステップS２の処理で選択したテスト送信の対象となる顧客に関する情報（パーソナルコンピュータ７のメールアドレス等）をネットワーク３を介して送信する。
【００４９】
ステップS４において、メールサーバ１は、データマイニングサーバ５から通知されたテスト送信の対象の顧客に対して通信部２９から広告メールを送信する。
【００５０】
図７乃至図１１は、テスト送信に利用する広告メールの例を示しており、メールサーバ１の記憶部２８に記憶されている。データ収集処理においては、３種類のテスト送信が実施され、テスト送信１に対して５種類（図７および図８）、テスト送信２に対して５種類（図９および図１０）、テスト送信３に対して３種類（図１１）の、広告メールがそれぞれ設定されている。
【００５１】
テスト送信１は、「会議室リニューアル」に関する広告メールであり、図７（A）のメールA１は「安らぎ」を、図７（B）のメールB１は「刺激」を、図７（C）のメールC１は「ふれあい」を、図８（A）のメールD１は「おしゃれ」を、図８（B）のメールE１は「儲ける」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした会議室へアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５２】
テスト送信１は、上述した５種類の広告メールを、それぞれランダムに抽出した２万人に対して、合計で１０万人に対して送付することで実施される。
【００５３】
テスト送信２は、「映画情報（cinema 情報）のWebページリニューアル」に関する広告メールであり、図９（A）のメールA２は「流行」を、図９（B）のメールB２は「本物」を、図９（C）のメールC２は「便利」を、図１０（A）のメールD２は「安らぎ」を、図１０（B）のメールE２は「刺激」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした映画情報のWebページにアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５４】
テスト送信２は、上述した５種類の広告メールを、それぞれランダムに抽出した１．５万人に対して、合計で７．５万人に対して送付することで実施される。
【００５５】
テスト送信３は、「雑誌情報（magazine 情報 ）のWebページリニューアル」に関する広告メールであり、図１１（A）のメールA３は「安らぎ」を、図１１（B）のメールB３は「操る」を、図１１（C）のメールC３は「備える」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした雑誌情報のWebページにアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５６】
テスト送信３は、上述した３種類の広告メールを、それぞれランダムに抽出した２万人に対して、合計で６万人に対して送付することで実施される。
【００５７】
図６の説明に戻り、ステップS５において、Webサーバ４は、パーソナルコンピュータ７のうちのレスポンスがあった顧客の情報（レスポンス情報）を記憶する。
【００５８】
ステップS６において、Webサーバ４は、データマイニングサーバ５に対してレスポンス情報をネットワーク３を介して送信する。レスポンス情報には、レスポンスした顧客の登録ID、メールアドレス等の情報が含まれている。
【００５９】
ステップS７において、データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報に基づいて、テスト送信した顧客のうちのレスポンスがあった顧客を識別し、その顧客情報（顧客プロファイル）を分析する。データマイニングサーバ５の顧客プロファイルの分析処理については後述する。
【００６０】
図１２乃至図１４は、テスト送信１乃至テスト送信３のレスポンス結果の例を示している。図１２乃至図１４では、それぞれのキャッチコピーの広告メールについて、広告メールをテスト送信した人数、広告メールを受信した顧客のうちのWebページにアクセスした人数（レスポンス数）、およびレスポンス率（（レスポンス数）÷（テスト送信した人数））を示している。
【００６１】
図１２に示すテスト送信１のレスポンス結果においては、テスト送信１の全体の送信数は１０２５６３、レスポンス数は１０２４、レスポンス率は１．００％となっている。
【００６２】
図１３に示すテスト送信２のレスポンス結果においては、テスト送信２の全体の送信数は７６６４４、レスポンス数は６６０、レスポンス率は０．８６％となっている。
【００６３】
図１４に示すテスト送信３のレスポンス結果においては、テスト送信３の全体の送信数は６１５１７、レスポンス数は３８９、レスポンス率は０．６３％となっている。
【００６４】
次に、データマイニングサーバ５の顧客プロファイルの分析処理について説明する。データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報を、テスト送信の対象として選択した顧客情報と対応させて分析用データベース６に学習用データベースとして記憶させ、各キャッチコピー毎に、レスポンスがあった顧客（レスポンス者）のプロファイルを各種データマイニング手法により分析する。そして、データマイニングサーバ５は、分析した結果に基づいて、まだ広告メールを送信していない顧客（パーソナルコンピュータ８−１乃至８−３（以下、パーソナルコンピュータ８−１乃至８−３のそれぞれを個々に区別する必要がない場合、パーソナルコンピュータ８と称する）の顧客）に対して、どのキャッチコピーの広告メールを送信することが、最もレスポンス率を向上させるのに適しているかを判断する。
【００６５】
図１５のフローチャートを参照して、データマイニングサーバ５の学習パラメータの算出処理について説明する。
【００６６】
ステップS２１において、CPU４１は、顧客データベースからランダムにサンプリングすることで学習用データとし、学習用データベースに記憶させるとともに、レスポンス情報をターゲット変数（従属変数）とする。
【００６７】
ステップS２２において、CPU４１は、顧客の特性を予測する変数となる独立変数を作成する。例えば、CPU４１は、学習用データベースと顧客データベースとの共通項目から独立変数とするプロファイル項目を抽出する。そして、CPU４１は、抽出したプロファイル項目に対して、データの抜け、異常値等を補正する欠損値処理をし、さらに、プロファイル項目に対して編集や合成などの変数加工を施し、最終的な独立変数を作成する。
【００６８】
ステップS２３において、CPU４１は、学習用データベースを規則発見用のデータ（学習用データ）と、規則評価用の評価用データに分割する。
【００６９】
ステップS２４において、CPU４１は、学習モデルを選択し、学習用データに適用する。
【００７０】
図１６は、ステップS２４の処理でCPU４１が学習用データに対して適用する学習モデルの例を示している。
【００７１】
図１６（A）に示す学習モデル１は、CPU４１がテスト送信１で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、カスケード接続型のディシジョンツリーであり、ディシジョンツリーが２段階に分けて適用される。CPU４１は、２種類の分析手法で学習を実行し、第１段目のディシジョンツリーによる分析で、各広告メールに対するレスポンス率を予測し、レスポンス率が低いと予測された顧客に対して、再び、第２段目のディシジョンツリーによる分析で、レスポンス率を予測する。これにより、予測レスポンス率が低い顧客に対する予測精度を向上させることができる。
【００７２】
図１６（B）に示す学習モデル２は、CPU４１がテスト送信２で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、ディシジョンツリーと、ニューラルネットワークのアンサンブル型とされている。CPU４１は、ディシジョンツリーとニューラルネットワークのそれぞれの分析手法から得られた予測レスポンス率を、１：１の割合で荷重結合することにより、どちらかの分析手法で予測精度の悪い部分を、他方の分析手法で補うことができる。
【００７３】
図１６（C）に示す学習モデル３は、CPU４１がテスト送信３で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、始めに変数の選択に工夫を加え、それに対してニューラルネットワークによる分析手法を適用するものである。
【００７４】
図１５の説明に戻り、ステップS２５において、CPU４１は、評価用データに対して学習モデル（学習パラメータ）を適用し、その適用結果から、最も有効な学習モデル（学習パラメータ）を選択する。なお、評価用データに学習パラメータを適用した結果から、評価用データのアセスメントチャートを作成することができる。
【００７５】
ステップS２６において、CPU４１は、ステップS２５の処理による評価結果に基づいて学習パラメータを決定し、保存する。以上の処理は、全ての広告メールに対して行われる。
【００７６】
次に、図１７のフローチャートを参照して、図１５のフローチャートの処理で選択した学習パラメータを用いて予測レスポンス率を算出するデータマイニングサーバ５の処理について説明する。データマイニングサーバ５は、学習用データベースから抽出した学習パラメータを本送信の対象となる顧客データベースに適用し、それぞれの広告メールを送信した場合の予測レスポンス率を顧客毎に算出し、レスポンス率を向上させるには、どの広告メールを送信するのが最も効果的かを判断する。
【００７７】
ステップS４１において、CPU４１は、デモグラフィック情報から名寄せ処理を行う。すなわち、同一の顧客が異なる顧客とならないように整合し、必要に応じて、別人であっても、同一の家族であれば、家族毎にグループ分けが行われる。
【００７８】
ステップS４２において、CPU４１は、学習用データベースにおける処理と同様に、顧客データベースからプロファイル項目を抽出し、欠損値処理、および変数加工を施し、学習用データベースで作成した独立変数と同一の独立変数を作成する。
【００７９】
ステップS４３において、CPU４１は、図１５のステップS２６の処理で保存しておいた学習パラメータを、顧客データベースに適用する。
【００８０】
ステップS４４において、CPU４１は、それぞれの顧客毎に、各広告メールを送信した場合の予測レスポンス率を算出し、最も高い予測レスポンス率が得られた広告メールを記憶部４８に記憶させる。
【００８１】
図１８は、図１７のステップS４４の処理でデータマイニングサーバ５が算出した予測レスポンス率の例を示している。図１８の例においては、コンテンツ（広告メール）A，B，Cを、顧客X，Y，Zのそれぞれに対して送信した場合の予測レスポンス率が算出されて、示されている。
【００８２】
顧客Xに対してコンテンツAを送信した場合の予測レスポンス率は３．５％と、コンテンツBを送信した場合の予測レスポンス率は５．７％と、コンテンツCを送信した場合の予測レスポンス率は２．８％と、それぞれ算出されている。この場合、データマイニングサーバ５は、顧客Xに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツBを選択する。
【００８３】
また、顧客Yに対してコンテンツAを送信した場合の予測レスポンス率は４．５％と、コンテンツBを送信した場合の予測レスポンス率は１．２％と、コンテンツCを送信した場合の予測レスポンス率は０．５％と、それぞれ算出されているため、データマイニングサーバ５は、顧客Yに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツAを選択する。
【００８４】
さらに、顧客Zに対してコンテンツAを送信した場合の予測レスポンス率は０．３％と、コンテンツBを送信した場合の予測レスポンス率は０．８％と、コンテンツCを送信した場合の予測レスポンス率は１．３％と、それぞれ算出されているため、データマイニングサーバ５は、顧客Zに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツCを選択する。
【００８５】
同様の方法により、データマイニングサーバ５は、本送信の対象（パーソナルコンピュータ８−１乃至８−３）となるそれぞれの顧客に対して、最もレスポンスが期待される広告メールを選択する。
【００８６】
図１９は、データマイニングサーバ５がテスト送信の分析結果に基づいて選択した、本送信のそれぞれの広告メール毎の送信数の例を示している。
【００８７】
図１９（A）は、本送信１における各広告メール毎の送信数を示している。なお、本送信１において、メールサーバ１は、第１段目のディシジョンツリー（図１６（A））の結果から抽出した顧客（高レスポンスが予測される顧客）に対して送信する本送信を本送信A１と、２段目のディシジョンツリー（図１６（A））の結果から抽出した顧客（低レスポンスが予測される顧客）に対して送信する本送信を本送信B１とに分けて送信する。
【００８８】
図１９（B）は、本送信２における各広告メール毎の送信数を示している。なお、本送信２においては、メールサーバ１は、最もレスポンスが期待される広告メールを選択して送信する本送信の他に、本送信２の比較として、送信する広告メールをランダムに選択して送信するランダム送信２とに分けて送信する。
【００８９】
図１９（C）は、本送信３における各広告メール毎の送信数を示している。なお、本送信３においては、メールサーバ１は、各広告メール毎に、本送信３の対象者を、予測レスポンス率の高いグループ（本送信A３）と、低いグループ（本送信B３）に分けて送信する。また、メールサーバ１は、本送信３の比較として、送信する広告メールをランダムに選択して送信するランダム送信３に分けて送信する。
【００９０】
次に、図２０のフローチャートを参照して、本送信によるデータ収集処理について説明する。
【００９１】
ステップS６１において、データマイニングサーバ５は、メールサーバ１に対して本送信の顧客情報をネットワーク３を介して通知する。データマイニングサーバ５が送信する顧客情報には、それぞれの顧客毎に、最も高い予測レスポンス率が得られた広告メールを指定する情報などが含まれている。
【００９２】
ステップS６２において、メールサーバ１は、データマイニングサーバ５からの通知に基づいて、パーソナルコンピュータ８に対して最も高い予測レスポンス率が得られた広告メールを送信する。広告メールを受信した顧客は、広告メールに記述されているURLで指定されるWebページの閲覧を希望する場合、URLをクリックするだけでWebサーバ４にアクセスすることができる。
【００９３】
ステップS６３において、Webサーバ４は、パーソナルコンピュータ８からのレスポンス情報（アクセス情報）を記憶する。
【００９４】
ステップS６４において、Webサーバ４は、データマイニングサーバ５に対して、レスポンス情報をネットワーク３を介して通知する。
【００９５】
ステップS６５において、データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報を分析し、より高い予測レスポンス率が得られるようにするための手順を解析する。データマイニングサーバ５の分析処理については後述する。
【００９６】
図２１乃至図２３は、データマイニングサーバ５が分析するテスト送信の結果、および本送信の結果の例を示す図である。
【００９７】
図２１には、各広告メール毎に、テスト送信１の送信数、テスト送信１に対するレスポンス数、およびレスポンス率が、本送信A１（第１段目のディシジョンツリーから抽出した顧客）の送信数、本送信A１に対するレスポンス数、およびレスポンス率、本送信B１（第２段目のディシジョンツリーから抽出した顧客）の送信数、本送信B１に対するレスポンス数、およびレスポンス率、並びに、本送信１の全体の送信数、本送信１に対する全体のレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【００９８】
図２１の例においては、テスト送信１の全体の送信数が１０２５６３、テスト送信１に対するレスポンス数が１０２４、レスポンス率が１．００％とされ、本送信A１（高レスポンス率が予測される顧客）の全体の送信数が１３４２９、本送信A１に対するレスポンス数が４０４、レスポンス率が３．０１％とされ、本送信B１（低レスポンス率が予測される顧客）の全体の送信数が５８０５３、本送信B１に対するレスポンス数が３３６、レスポンス率が０．５８％とされ、本送信１の全体の送信数が７１４８２、本送信１に対するレスポンス数が７４０、レスポンス率が１．０４％とされている。
【００９９】
図２２には、各広告メール毎に、テスト送信２の送信数、テスト送信２に対するレスポンス数、およびレスポンス率が、本送信２の送信数、本送信２に対するレスポンス数、およびレスポンス率、並びに、ランダム送信２の送信数、ランダム送信２に対するレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【０１００】
図２２の例においては、テスト送信２の全体の送信数が７６６４４、テスト送信２に対するレスポンス数が６６０、レスポンス率が０．８６％とされ、本送信２の全体の送信数が７１８２０、本送信２に対するレスポンス数が９６９、レスポンス率が１．３５％とされ、ランダム送信２の全体の送信数が２５５８１、ランダム送信２に対するレスポンス数が２５０、レスポンス率が０．９８％とされている。
【０１０１】
図２３には、各広告メール毎に、テスト送信３の送信数、テスト送信３に対するレスポンス数、およびレスポンス率が、本送信A３（高レスポンスが予測される顧客に対する本送信）の送信数、本送信A３に対するレスポンス数、およびレスポンス率、本送信B３（低レスポンスが予測される顧客に対する本送信）の送信数、本送信B３に対するレスポンス数、およびレスポンス率、ランダム送信３の送信数、ランダム送信３に対するレスポンス数およびレスポンス率、並びに、本送信３の全体の送信数、本送信３に対する全体のレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【０１０２】
図２３の例においては、テスト送信３の全体の送信数が６１５１７、テスト送信３に対するレスポンス数が３８９、レスポンス率が０．６３％とされ、本送信A３（高レスポンス率が予測される顧客）の全体の送信数が２６３６８、本送信A３に対するレスポンス数が４６１、レスポンス率が１．７５％とされ、本送信B３（低レスポンス率が予測される顧客）の全体の送信数が５５３８６、本送信B３に対するレスポンス数が３０８、レスポンス率が０．５６％とされ、ランダム送信３の全体の送信数が３０７７４、ランダム送信３に対するレスポンス数が２４９、レスポンス率が０．８１％とされ、本送信３の全体の送信数が８１７５４、本送信３に対するレスポンス数が７６９、レスポンス率が０．９４％とされている。
【０１０３】
図２１乃至図２３に示すレスポンス結果と、予め算出した予測レスポンス率に基づいてアセスメントチャートを作成することができる。
【０１０４】
また、図２１乃至図２３に示す結果より、各広告メール毎のレスポンス率の差を、最低の値を示すレスポンス率と最高の値を示すレスポンス率の比により表すことができる。テスト送信１において、最高のレスポンス率を示す広告メールのキャッチコピーは、「ふれあい」（１．３０％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「安らぎ」（０．７６％）であるため、レスポンス率の比は、
１．３０÷０．７６＝１．７１
となる。
【０１０５】
また、テスト送信２において、最高のレスポンス率を示す広告メールのキャッチコピーは、「便利」（１．５４％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「刺激」（０．６１％）であるため、レスポンス率の比は、
１．５４÷０．６１＝２．５６
となる。
【０１０６】
さらに、テスト送信３において、最高のレスポンス率を示す広告メールのキャッチコピーは、「操る」（０．７１％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「安らぎ」（０．４９％）であるため、レスポンス率の比は、
０．７１÷０．４９＝１．４２
となる。以上の結果より、顧客に対して送信する広告メールのキャッチコピーの違いにより、レスポンス率に違いがあることが判る。
【０１０７】
レスポンス率が高いキャッチコピーの順に並べた場合、図２２のテスト送信２において、「便利」、「安らぎ」、「本物」、「流行」、「刺激」の順となり、図２２のランダム送信２においても、同様に、「便利」、「安らぎ」、「本物」、「流行」、「刺激」の順となる。また、図２３のテスト送信３において、「操る」、「備える」、「安らぎ」の順となり、図２３のランダム送信３においても、同様に、「操る」、「備える」、「安らぎ」の順となることから、レスポンス率の順位が変化しないことがわかり、これによってもキャッチコピーの違いによって、レスポンス率の差が生じることが示されている。
【０１０８】
図２４乃至図２９は、テスト送信１における各広告メール毎に対応するレスポンス者のプロファイルと、そのレスポンス率を示している。図２４においては、顧客プロファイルを「年齢・性別」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２５においては、顧客プロファイルを「職業」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２６においては、顧客プロファイルを「収入」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２７においては、顧客プロファイルを「ドメイン」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２８においては、顧客プロファイルを「趣味」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２９においては、顧客プロファイルを「過去にアクセスしたインフォマシャールレスポンス」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。
【０１０９】
キャッチコピーの違いによって、レスポンス者のプロファイルに差異が出ないとした場合、どのプロファイルのグループに対しても、レスポンス率が最も高いキャッチコピーは、総合結果で最もレスポンス率が高いキャッチコピー（図２４においては「ふれあい」）と一致する。しかし、図２４の「１０代男性」と「２０代男性」の各キャッチコピー毎のレスポンス率を高い順に並べて比較した場合、「１０代男性」の場合、「刺激」、「おしゃれ」、「儲ける」、「ふれあい」、「安らぎ」となり、「２０代男性」の場合、「ふれあい」、「刺激」、「儲ける」、「おしゃれ」、「安らぎ」の順となり、キャッチコピーの違いによって、レスポンス者のプロファイルに差異が出ることが示されている。
【０１１０】
本送信の顧客毎にそれぞれのコンテンツに対する予測レスポンス率が算出されているため、データマイニングサーバ５は、その値とレスポンス結果を用いて、アセスメントチャートを作成することができる。
【０１１１】
図３０は、本送信A１（図２１）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１２】
図３１は、本送信B１（図２１）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１３】
図３２は、本送信２（図２２）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１４】
図３３は、本送信３（図２３）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１５】
これらの図において、縦軸はトルツメレスポンス率を示し、横軸は予測レスポンス率が高い値を示す順に顧客全体を並べた場合の上位からの数の全体に対する比率を表している。
【０１１６】
図３４は、本送信２とランダム送信２（図３４（A））、本送信３とランダム送信３（図３４（B））の結果を比較した図である。
【０１１７】
図３４（A）は、５種類の広告メールを、予測レスポンス率に基づいて最適送信した場合、ランダム送信した場合と比べて、どのくらいレスポンス率が向上しているかを示す図である。ランダム送信２の平均レスポンス率（０．９８％）（図２２）を基準とすると、最適送信（本送信）との比は、（本送信のレスポンス率）÷（０．９８）で表される。図３４においては、横軸は、予測レスポンス率が高い値を示す順に顧客全体を並べた場合の上位からの数の全体に対する比率を示しており、縦軸は、レスポンス率の比を示している。なお、本送信２のレスポンス率は、図３２のアセスメントチャートより、また、本送信３のレスポンス率は、図３３のアセスメントチャートより、それぞれ取得したものである。
【０１１８】
図３４（A）に示されるように、上位１０％の顧客を抽出した場合、レスポンス率は４．６５％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
４．６５÷０．９８＝４．７５（倍）
となり、上位３０％の顧客を抽出した場合、レスポンス率は２．９２％（図３２）であり、ランダム送信２との比は、
２．９２÷０．９８＝２．９８（倍）
となり、上位５０％の顧客を抽出した場合、レスポンス率は２．１６％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
２．１６÷０．９８＝２．２０（倍）
となり、上位１００％（本送信２の総合レスポンス率）の顧客を抽出した場合、レスポンス率は１．３５％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
１．３５÷０．９８＝１．３８（倍）
となる。
【０１１９】
図３４（B）においても同様に、ランダム送信３の平均レスポンス率（０．８１％）（図２３）を基準とし、向上率を算出すると、上位１０％の顧客を抽出した場合、レスポンス率は３．１４％（図３３）であり、ランダム送信３との比は、
３．１４÷０．８１＝３．８８（倍）
となり、上位３０％の顧客を抽出した場合、レスポンス率は１．８２％（図３３）であり、ランダム送信３との比は、
１．８２÷０．８１＝２．２５（倍）
となり、上位５０％の顧客を抽出した場合、レスポンス率は１．３４％（図３３）であり、ランダム送信３との比は、
１．３４÷０．８１＝１．６５（倍）
となり、上位１００％（本送信３の総合レスポンス率）の顧客を抽出した場合、レスポンス率は０．９４％（図３３）であり、ランダム送信３との比は、
０．９４÷０．８１＝１．１６（倍）
となる。
【０１２０】
上述したように、複数の広告メールを最適送信することは、ランダム送信する場合に比べて、高いレスポンス率を得ることができる。
【０１２１】
図２４乃至図２９で示すように、顧客プロファイルによって、レスポンス率に差異が生ずるため、データマイニングサーバ５は、顧客プロファイルと予測レスポンス率に基づいて、例えば、図３５に示すようなレスポンスパターン（原理を示すパターンであり、図２４乃至図２９の数値に具体的に対応しているものではない）を求めることができる。
【０１２２】
図３５は、コンテンツAに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）の例を示しており、データマイニングサーバ５は、取得したいレスポンス率を閾値として設定し、閾値以上のレスポンス率を示す顧客プロファイルに対応する顧客（斜線部Aに対応する顧客）を選択し、選択した顧客のみに、メールサーバ１からコンテンツAを送信することにより、送信する顧客数を制限しつつ、閾値以上のレスポンス率を確保することができる。
【０１２３】
なお、コンテンツAは、上述したような広告メールや、Webページ上に表示されるバナー広告などにより構成される。後述するコンテンツB、コンテンツC、コンテンツD、およびコンテンツEにおいても同様とする。
【０１２４】
コンテンツを１種類しか用意しない場合、図３５に示されるような１つのレスポンスパターンしか得られない。しかしながら、同様のコンテンツを若干変更して、複数のコンテンツを用意することで、例えば、図３６に示されるような複数のレスポンスパターンを得ることができる。
【０１２５】
図３６は、コンテンツA、コンテンツB、およびコンテンツCのレスポンスパターンを示しており、データマイニングサーバ５は、取得したいレスポンス率を閾値として設定し、閾値以上のレスポンス率を示す顧客プロファイルに対応する顧客のみに、メールサーバ１からコンテンツA、コンテンツB、およびコンテンツCのそれぞれコンテンツを送信する。図３６の例においては、斜線部Aに該当する顧客に対してコンテンツAが、斜線部Bに該当する顧客に対してコンテンツBが、斜線部Cに該当する顧客に対してコンテンツCが、それぞれメールサーバ１から送信される。これにより、送信する顧客数を制限しつつ、閾値以上のレスポンス率を確保することができる。
【０１２６】
図３７のフローチャートを参照して、データマイニングサーバ５がレスポンスパターンに設定した閾値に基づいて、それぞれの顧客に送信するコンテンツを選択する処理について説明する。なお、データマイニングサーバ５は、テスト送信の結果を取得しているものとする。
【０１２７】
ステップS８１において、CPU４１は、テスト送信の結果に基づいてレスポンス者のプロファイル分析を行う。
【０１２８】
ステップS８２において、CPU４１は、それぞれの顧客の予測レスポンス率を算出する。CPU４１は、例えば、図１５および図１７のフローチャートの処理を実行することにより予測レスポンス率を算出する。
【０１２９】
ステップS８３において、CPU４１は、ステップS８１の処理で取得したレスポンス者のプロファイル情報、およびステップS８２の処理で取得した予測レスポンス率から、例えば、図３５または図３６に示すようなレスポンスパターンを作成する。
【０１３０】
ステップS８４において、CPU４１は、データマイニングサーバ５の管理者が入力部４６を操作することにより入力した所定のレスポンス率を閾値として設定する。
【０１３１】
ステップS８５において、CPU４１は、ステップS８４の処理で設定した閾値以上のレスポンス率が予測される顧客を選択し、選択した顧客毎にメールサーバ１から送信するコンテンツを選択する。図３５の例においては、CPU４１は、斜線部Aに該当する顧客に対してコンテンツAをメールサーバ１から送信する。また、図３６の例においては、CPU４１は、斜線部Aに該当する顧客に対してコンテンツAを、斜線部Bに該当する顧客に対してコンテンツBを、斜線部Cに該当する顧客に対してコンテンツCを、それぞれメールサーバ１から送信する。
【０１３２】
ステップS８６において、CPU４１は、顧客情報を記憶部４８に記憶させる。記憶部４８に記憶される顧客情報には、顧客毎に送信することを選択したコンテンツの情報、および顧客IDなどの情報が含まれる。
【０１３３】
ステップS８７において、CPU４１は、ステップS８６の処理で記憶部４８に記憶させた顧客情報を通信部４９からメールサーバ１に送信する。
【０１３４】
次に、図３８のフローチャートを参照して、顧客情報に基づいてコンテンツを送信するメールサーバ１の処理について説明する。
【０１３５】
ステップS１０１において、CPU２１は、通信部２９において、データマイニングサーバ５から送信されてきた顧客情報を受信する。
【０１３６】
ステップS１０２において、CPU２１は、ステップS１０１の処理で受信した顧客情報に含まれている顧客IDから、顧客毎のメールアドレスを顧客情報データベース２に問い合わせることにより取得する。
【０１３７】
ステップS１０３において、CPU２１は、データマイニングサーバ５から送信されてきた顧客情報により指定されている顧客毎のコンテンツ（閾値以上の予測レスポンス率が得られたコンテンツ）を選択し、通信部２９から、ネットワーク３を介してパーソナルコンピュータ８に送信する。
【０１３８】
以下、図３９乃至図４１を参照して、複数のコンテンツがある場合に、データマイニングサーバ５が、メールサーバ１から送信する全体の顧客数を制限しつつ、レスポンス率およびレスポンス数を向上させるコンテンツと顧客の選択方法について説明する。
【０１３９】
図３９は、コンテンツAおよびコンテンツDに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図３９の例においては、２つのレスポンスパターンが示す顧客プロファイルの大部分が重複しているが、レスポンス率の最大値が異なっている。この場合、データマイニングサーバ５は、全顧客に対してコンテンツA（コンテンツDではなく）をメールサーバ１から送信することにより、送信する全体の顧客数を制限しつつ、レスポンス率およびレスポンス数を向上させることができる。
【０１４０】
図４０は、コンテンツBおよびコンテンツCに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図４０においては、２つのレスポンスパターンが示す顧客プロファイルの一部分が重複しており、レスポンス率の最大値が近似している。図４０のレスポンスパターンを示すコンテンツBおよびコンテンツCを送信する場合、データマイニングサーバ５は、２つのレスポンスパターンの交点を示す顧客プロファイルP1から左側の顧客プロファイルに対応する顧客に対してはコンテンツBを、右側の顧客プロファイルに対応する顧客に対してはコンテンツCを、それぞれメールサーバ１から送信する。
【０１４１】
図４１は、コンテンツA、コンテンツB、コンテンツC、コンテンツD、およびコンテンツEに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図４１のレスポンスパターンを示すコンテンツから、送信するコンテンツを選択する場合、データマイニングサーバ５は、コンテンツAとコンテンツBのレスポンスパターンの交点を示す顧客プロファイルP１、およびコンテンツBとコンテンツCのレスポンスパターンの交点を示す顧客プロファイルP２で顧客プロファイルを分割し、顧客プロファイルP１から左側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の範囲に対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツBを、顧客プロファイルP２から右側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツCを、それぞれメールサーバ１から送信する。
【０１４２】
図４２のフローチャートを参照して、レスポンスパターンを顧客プロファイルにより分割し、それぞれの顧客に送信するコンテンツを選択するデータマイニングサーバ５の処理について説明する。なお、データマイニングサーバ５は、テスト送信の結果を取得しているものとする。
【０１４３】
ステップS１１１乃至S１１３の処理は、図３７のステップS８１乃至S８３の処理と同様の処理である。すなわち、これらの処理により、テスト送信の結果に基づき、レスポンスパターンが作成される。
【０１４４】
ステップS１１４において、CPU４１は、レスポンスパターンが重複する部分に対応する顧客に対して、最大レスポンス率をとるコンテンツを選択する。図３９のレスポンスパターンの例においては、データマイニングサーバ５は、全顧客に対してコンテンツAを送信することを選択する。また、図４０のレスポンスパターンの例においては、データマイニングサーバ５は、顧客プロファイルP1から左側の顧客プロファイルに対応する顧客に対してはコンテンツBを、右側の顧客プロファイルに対応する顧客に対してはコンテンツCを、それぞれ送信することを選択する。さらに、図４１のレスポンスパターンの例においては、データマイニングサーバ５は、顧客プロファイルP１から左側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の範囲に対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツBを、顧客プロファイルP２から右側の顧客プロファイルに対
する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツCを、それぞれ送信することを選択する。
【０１４５】
ステップS１１５において、CPU４１は、ステップS１１４の処理で顧客毎にどのコンテンツを送信するかを選択した情報を含む顧客情報を記憶部４８に記憶させる。
【０１４６】
ステップS１１６において、CPU４１は、ステップS１１５の処理で記憶部４８に記憶させた顧客情報を通信部４９からメールサーバ１に対して送信する。
【０１４７】
顧客情報を受信したメールサーバ１の処理は、上述した図３８のフローチャートと同様の処理となるので、その説明は省略する。
【０１４８】
次に、図４３乃至図４５を参照して、ターゲット変数が１種類の場合のアセスメントチャートの作成方法について説明する。データマイニングサーバ５は、予測する変数（ターゲット変数）を従属変数、顧客のプロファイルデータを独立変数として、従属変数に対する予測を行う。予測アルゴリズムは、ディシジョンツリー、ニューラルネットワーク、回帰分析といった各種アルゴリズムが適用される。なお、従属変数（ターゲット変数）は、各コンテンツ（広告メールを含む）に対するレスポンス情報により構成され、独立変数の顧客のプロファイルデータは、性別、年齢、および職業などのデモグラフィック情報や、趣味、生活スタイル、および過去の様々なコンテンツに対するレスポンス情報などにより構成される。
【０１４９】
図４３は、分析データに独立変数（顧客プロファイル）とターゲット変数（レスポンス結果）が含まれており、分析データを学習用データと評価用データに分割し、学習用データから学習パラメータを算出するデータマイニングサーバ５の処理を説明する図である。
【０１５０】
図４４は、評価用データに学習パラメータを適用し、それぞれの顧客に対する予測値（予測レスポンス率）を算出するデータマイニングサーバ５の処理を説明する図である。
【０１５１】
図４５は、顧客毎に算出された予測値に基づいて、予測値の高い顧客順に並べて、アセスメントチャートを作成するデータマイニングサーバ５の処理を説明する図である。
【０１５２】
次に、図４６のフローチャートを参照して、データマイニングサーバ５による評価用データのアセスメントチャート作成処理について説明する。
【０１５３】
ステップS１３１において、CPU４１は、分析データを学習用データと評価用データに分割する（図４３の処理１）。
【０１５４】
ステップS１３２において、CPU４１は、学習用データに対して予測分析を行い、学習パラメータを算出する（図４３の処理２）。予測分析で用いられる学習モデルは、例えば、図１６に示すような学習モデルである。
【０１５５】
ステップS１３３において、CPU４１は、ステップS１３２の処理で算出した学習パラメータを評価用データに適用して、予測値を算出する（図４４の処理３）。
【０１５６】
ステップS１３４において、CPU４１は、予測値が高い顧客順にソートする（図４５の処理４）。
【０１５７】
ステップS１３５において、CPU４１は、予測値に対する正解、または不正解（正反応割合）を算出し、グラフ化し、アセスメントチャートを作成する（図４５の処理５）。
【０１５８】
図４７は、このようにして作成されるアセスメントチャートの例を示す図である。アセスメントチャートは、縦軸をトルツメレスポンス率と、横軸を高レスポンス率が期待される顧客順にソートした場合の上位からの割合として作成される。すなわち、図４７の例においては、データマイニングサーバ５は、予測レスポンス率が高い上位５％の顧客を選択して広告メールを送信した場合、１００％のレスポンス率が得られることを示しており、また、予測レスポンス率が高い上位１０％の顧客を選択して広告メールを送信した場合、９０％弱のレスポンス率が得られることを示している。さらに、図４７は、データマイニングサーバ５が顧客全体に対して広告メールを送信するとした場合、２５％のレスポンス率が得られることを示している。
【０１５９】
以上においては、ターゲット変数が１個であったが、ターゲット変数が複数存在する場合、アセスメントチャートの作成は困難となる。本発明では、次のようにしてアセスメントチャートが作成される。
【０１６０】
図４８乃至図５１は、ターゲット変数が複数ある場合の、データマイニングサーバ５のアセスメントチャートの作成処理を説明する図である。
【０１６１】
図４８は、学習パラメータA，B，Cを算出するデータマイニングサーバ５の処理を説明する図である。分析データA，B，Cのそれぞれには、独立変数（顧客プロファイル）とターゲット変数（予測レスポンス率）が含まれており、分析データAは学習用データAと評価用データAに分割され、学習用データAから学習パラメータAが生成される。分析データBは学習用データBと評価用データBに分割され、学習用データBから学習パラメータBが生成される。分析データCは学習用データCと評価用データCに分割され、学習用データCから学習パラメータCが生成される。
【０１６２】
図４９は、予測値X，Y，Zを算出するデータマイニングサーバ５の処理を説明する図である。評価用データAに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A，B，Cを含む予測値Xが生成される。評価用データBに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A，B，Cを含む予測値Yが生成される。評価用データCに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A、B、Cを含む予測値Zが生成される。
【０１６３】
図５０は、予測値が最大となる評価用データを合成するデータマイニングサーバ５の処理を説明する図である。評価用データAに関して、顧客毎に算出された予測値に基づいて予測値Xの中の予測値Aが最大となる評価用データが抽出される。評価用データBに関して、顧客毎に算出された予測値に基づいて予測値Yの中の予測値Bが最大となる評価用データが抽出される。評価用データCに関して、顧客毎に算出された予測値に基づいて予測値Zの中の予測値Cが最大となる評価用データが抽出される。そして、抽出された評価用データが合成される。
【０１６４】
図５１は、合成した評価用データを、予測値の高い顧客順にソートして、ターゲット変数の正解、または不正解を算出してグラフ化し、アセスメントチャートを作成するデータマイニングサーバ５の処理を説明する図である。
【０１６５】
次に、図５２のフローチャートを参照して、ターゲット変数が複数ある場合のデータマイニングサーバ５のアセスメントチャート作成処理について説明する。なお、ターゲット変数は、ターゲット変数A、ターゲット変数B、およびターゲット変数Cの３種類があるものとする。
【０１６６】
ステップS１５１において、CPU４１は、分析データAを学習用データAと評価用データAに、分析データBを学習用データBと評価用データBに、分析データCを学習用データCと評価用データCに、それぞれ分割する（図４８の処理１）。
【０１６７】
ステップS１５２において、CPU４１は、学習用データAから学習パラメータAを、学習用データBから学習パラメータBを、学習用データCから学習パラメータCを、それぞれ算出する（図４８の処理２）。
【０１６８】
ステップS１５３において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データAに、それぞれ適用して、予測値X（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１６９】
ステップS１５４において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データBに、それぞれ適用して、予測値Y（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１７０】
ステップS１５５において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データCに、それぞれ適用して、予測値Z（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１７１】
ステップS１５６において、CPU４１は、評価用データA，B，Cから、それぞれのターゲット変数に対する予測値が最大値となる評価用データのみを抽出する（図４９の処理４）。すなわち、CPU４１は、評価用データAからコンテンツAの予測値が最大となるデータを、評価用データBからコンテンツBの予測値が最大となるデータを、評価用データCからコンテンツCの予測値が最大となるデータを、それぞれ抽出する。ターゲット変数が０または１の２値である場合、予測値X，Y，Zは、０乃至１のいずれかの値となる。
【０１７２】
ステップS１５７において、CPU４１は、ステップS１５６の処理で抽出した評価用データを合成する（図５１の処理５）。
【０１７３】
ステップS１５８において、CPU４１は、ステップS１５７の処理で合成した評価用データを、算出された最大予測値が高い顧客順にソートする（図５１の処理６）。
【０１７４】
ステップS１５９において、CPU４１は、ターゲット変数の正解、または不正解（正反応割合）を算出し、グラフ化し、アセスメントチャートを作成する（図５１の処理７）。
【０１７５】
データマイニングサーバ５は、複数のターゲット変数がある場合に、上述した方法でアセスメントチャートを作成し、予測値を算出することにより、個々の評価用データから算出することに比べて、予測値を向上させることができる。
【０１７６】
次に、図５３乃至図５６を参照して、ターゲット変数が複数存在する場合において、以上のような処理により作成されるアセスメントチャートの例について説明する。
【０１７７】
図５３は、ターゲット変数がコンテンツAのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約１．８５％のレスポンスが得られることを示している。
【０１７８】
図５４は、ターゲット変数がコンテンツBのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約３．３％のレスポンスが得られることを示している。
【０１７９】
図５５は、ターゲット変数がコンテンツCのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約２．４％のレスポンスが得られることを示している。
【０１８０】
図５６は、ターゲット変数がコンテンツA，B，Cのレスポンスである場合（ターゲット変数が複数ある場合）に、図５２のフローチャートに示す処理で作成したアセスメントチャートの例を示している。この例においては、データマイニングサーバ５は、高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約４．０％のレスポンスが得られることを示しており、コンテンツA，B，Cのそれぞれ個別のアセスメントチャート（図５３乃至図５５）より、高い予測レスポンス率が得られることが判る。
【０１８１】
以上においては、データマイニングサーバ５は、メールサーバ１からコンテンツ（広告メール）をテスト送信し、その分析結果に基づいて顧客毎に各コンテンツ毎の予測レスポンス率を算出し、本送信において最もレスポンスが期待されるコンテンツを選択し、送信することとしたが、データマイニングサーバ５は、予測レスポンス率などの分析結果を利用して、コンテンツの送信料金（広告料金）を決定することができる。なお、コンテンツは、Webページに表示されるバナー広告や、広告メールなどにより構成される（以下、広告コンテンツと称する）。
【０１８２】
例えば、データマイニングサーバ５は、テスト送信のレスポンス結果（例えば、図１２乃至図１４）に基づいて広告料金を決定したり、テスト送信の結果に基づいてレスポンスパターンを作成し、取得したいレスポンス率を閾値として設定し、その閾値以上のレスポンス率が予測される顧客のみに広告コンテンツを送信する（図３５および図３６）ことにより広告料金を決定したり、または、コンテンツが複数ある場合に、レスポンスパターンから、レスポンス率およびレスポンス数を予測して広告コンテンツを送信する（図３９乃至図４１）ことにより、広告料金を決定したりすることができる。なお、データマイニングサーバ５は、アセスメントチャートからレスポンス数およびレスポンス率を予測して広告価格を決定することもできる。
【０１８３】
図５７のフローチャートを参照して、データマイニングサーバ５がテスト送信のレスポンス結果に基づいて広告料金を決定する処理について説明する。
【０１８４】
ステップS１７１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０１８５】
ステップS１７２において、CPU４１は、ステップS１７１の処理で取得したテスト送信の結果より、レスポンス率を算出する。テスト送信のレスポンス率は、例えば、図１２乃至図１４に示されるように、各広告コンテンツ毎に算出される。
【０１８６】
ステップS１７３において、CPU４１は、記憶部４８に記憶されている広告コンテンツ毎のレスポンス率と広告価格の対応表に基づいて広告価格を決定する。そのため、データマイニングサーバ５の管理者は、広告コンテンツ毎の予測レスポンス率と広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１８７】
次に、図５８のフローチャートを参照して、テスト送信の結果から予測したレスポンス率に応じて広告価格を決定するデータマイニングサーバ５の処理について説明する。
【０１８８】
ステップS１８１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０１８９】
ステップS１８２において、CPU４１は、テスト送信の結果から顧客毎の予測レスポンス率を算出する。CPU４１が実行する処理は、例えば、図１５および図１７に示す処理である。
【０１９０】
ステップS１８３において、CPU４１は、ステップS１８２の処理で算出した予測レスポンス率と、分析した顧客プロファイルに基づいて、レスポンスパターンを作成する。CPU４１が作成するレスポンスパターンは、例えば、図３５および図３６に示すようなレスポンスパターンである。
【０１９１】
ステップS１８４において、CPU４１は、入力部４１からデータマイニングサーバ５の管理者が入力した予測レスポンス率に基づいて、ステップS１８３の処理で作成したレスポンスパターンに、閾値となる予測レスポンス率を設定する。例えば、図３５および図３６の例においては、それぞれの図に示すように閾値Tが設定される。
【０１９２】
ステップS１８５において、CPU４１は、記憶部４８に予め記憶されている予測レスポンス率と広告価格の対応表から、閾値の予測レスポンス率に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス率と広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１９３】
次に、図５９のフローチャートを参照して、テスト送信の結果から予測したレスポンス率と予測レスポンス数に応じて広告価格を決定するデータマイニングサーバ５の処理について説明する。
【０１９４】
ステップS２０１乃至S２０３の処理は、図５８のステップS１８１乃至S１８３の処理と同様の処理である。すなわち、テスト送信の結果に基づいて予測レスポンス率が算出され、それに基づいて、レスポンスパターンが作成される。なお、ステップS２０３の処理で作成されるレスポンスパターンは、例えば、図３９乃至図４１のレスポンスパターンとする。
【０１９５】
ステップS２０４において、CPU４１は、顧客毎に送信する広告コンテンツを選択する。例えば、ステップS２０３の処理で作成されるレスポンスパターンが図３９に示すレスポンスパターンである場合、CPU４１は、全顧客にコンテンツAを送信することを選択する。また、例えば、ステップS２０３の処理で作成されるレスポンスパターンが図４０に示すレスポンスパターンである場合、CPU４１は、顧客プロファイルP１の左側の顧客プロファイルに対応する顧客に対してコンテンツBを、顧客プロファイルP１の右側の顧客プロファイルに対応する顧客に対してコンテンツCを、それぞれ送信することを選択する。
【０１９６】
さらに、例えば、ステップS２０３の処理で作成されるレスポンスパターンが図４１に示すレスポンスパターンである場合、CPU４１は、顧客プロファイルP１の左側の顧客プロファイルに対応する顧客に対してコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の顧客プロファイルに対応する顧客に対してコンテンツBを、顧客プロファイルP２の右側の顧客プロファイルに対応する顧客に対してコンテンツCを、それぞれ送信することを選択する。
【０１９７】
ステップS２０５において、CPU４１は、ステップS２０４の処理で選択した広告コンテンツに基づいて、全体の予測レスポンス数および予測レスポンス率を算出する。
【０１９８】
ステップS２０６において、CPU４１は、記憶部４８に記憶されている予測レスポンス数および予測レスポンス率と、広告価格との対応表から、ステップS２０５の処理で算出した予測レスポンス数および予測レスポンス率に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス数および予測レスポンス率と、広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１９９】
図６０は、データマイニングサーバ５がアセスメントチャートに基づいて広告価格を決定する処理を説明するフローチャートである。
【０２００】
ステップS２２１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０２０１】
ステップS２２２において、CPU４１は、テスト送信の結果に基づいてアセスメントチャートを作成する。CPU４１は、ターゲット変数が１種類の場合、図４６のフローチャートの処理を実行することによりアセスメントチャートを作成し、また、ターゲット変数が複数ある場合、図５２のフローチャートを実行することによりアセスメントチャートを作成する。
【０２０２】
ステップS２２３において、CPU４１は、データマイニングサーバ５の管理者からの予測レスポンス数や予測レスポンス率などの入力に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス数および予測レスポンス率と、広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０２０３】
データマイニングサーバ５の管理者は、例えば、広告価格をレスポンス数に正比例させる場合、１レスポンスあたりの広告単価をP円とすると、
（広告価格）＝（予測レスポンス数）×P
となるような広告価格の対応表を記憶部４８に記憶させる。
【０２０４】
以上においては、メールサーバ１とデータマイニングサーバ５を別の装置により構成されるとしたが、メールサーバ１とデータマイニングサーバ５の２つの機能を有する１つの装置としても良い。
【０２０５】
上述した一連の処理は、ハードウェアにより実行させることもできるが、ソフトウェアにより実行させることもできる。
【０２０６】
一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば、汎用のパーソナルコンピュータなどに、ネットワークや記録媒体からインストールされる。
【０２０７】
この記録媒体は、図３乃至図５に示すように、装置本体とは別に、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク３１，５１，７１（フロッピディスクを含む）、光ディスク３２，５２，７２（CD-ROM(Compact Disk-Read Only Memory)，DVD(Digital Versatile Disk)を含む）、光磁気ディスク３３，５３，７３（MD(Mini-Disk)を含む）、もしくは半導体メモリ３４，５４，７４などよりなるパッケージメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される、プログラムが記録されているROM２２，４２，６２や、記憶部２８，４８，６８に含まれるハードディスクなどで構成される。
【０２０８】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、記載された順序に従って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
【０２０９】
また、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。
【０２１０】
【発明の効果】
本発明の配信システムによれば、多数の顧客に対してコンテンツを送信した場合の予測レスポンス率を高めることができる。
【図面の簡単な説明】
【図１】本発明を適用した広告メール配信システムの構成例を示すブロック図である。
【図２】図１の顧客情報データベースのデータベース例を説明する図である。
【図３】図１のメールサーバの構成を示すブロック図である。
【図４】図１のデータマイニングサーバの構成を示すブロック図である。
【図５】図１のパーソナルコンピュータの構成を示すブロック図である。
【図６】テスト送信によるデータ収集処理を説明するフローチャートである。
【図７】テスト送信１に利用する広告メールの例を示す図である。
【図８】テスト送信１に利用する広告メールの他の例を示す図である。
【図９】テスト送信２に利用する広告メールの例を示す図である。
【図１０】テスト送信２に利用する広告メールの他の例を示す図である。
【図１１】テスト送信３に利用する広告メールの例を示す図である。
【図１２】テスト送信１のレスポンス結果を説明する図である。
【図１３】テスト送信２のレスポンス結果を説明する図である。
【図１４】テスト送信３のレスポンス結果を説明する図である。
【図１５】データマイニングサーバの処理を説明するフローチャートである。
【図１６】学習モデルの例を示す図である。
【図１７】データマイニングサーバの他の処理を説明するフローチャートである。
【図１８】予測レスポンス率の例を説明する図である。
【図１９】本送信における広告メールの送信数を説明する図である。
【図２０】本送信によるデータ収集処理を説明するフローチャートである。
【図２１】本送信１の結果を説明する図である。
【図２２】本送信２の結果を説明する図である。
【図２３】本送信３の結果を説明する図である。
【図２４】顧客プロファイル毎のレスポンス率を説明する図である。
【図２５】他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２６】さらに他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２７】顧客プロファイル毎のレスポンス率を説明する図である。
【図２８】他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２９】さらに他の顧客プロファイル毎のレスポンス率を説明する図である。
【図３０】本送信A１の結果のアセスメントチャートを示す図である。
【図３１】本送信B１の結果のアセスメントチャートを示す図である。
【図３２】本送信２の結果のアセスメントチャートを示す図である。
【図３３】本送信３の結果のアセスメントチャートを示す図である。
【図３４】本送信の結果を説明する図である。
【図３５】レスポンスパターンを示す図である。
【図３６】他のレスポンスパターンを示す図である。
【図３７】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図３８】メールサーバの処理を説明するフローチャートである。
【図３９】さらに他のレスポンスパターンを示す図である。
【図４０】レスポンスパターンを示す図である。
【図４１】他のレスポンスパターンを示す図である。
【図４２】データマイニングサーバの処理を説明するフローチャートである。
【図４３】アセスメントチャートの作成方法を説明する図である。
【図４４】アセスメントチャートの作成方法を説明する図４３に続く図である。
【図４５】アセスメントチャートの作成方法を説明する図４４に続く図である。
【図４６】データマイニングサーバの他の処理を説明するフローチャートである。
【図４７】アセスメントチャートの例を示す図である。
【図４８】アセスメントチャートの作成方法を説明する図である。
【図４９】アセスメントチャートの作成方法を説明する図４８に続く図である。
【図５０】アセスメントチャートの作成方法を説明する図４９に続く図である。
【図５１】アセスメントチャートの作成方法を説明する図５０に続く図である。
【図５２】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図５３】他のアセスメントチャートの例を示す図である。
【図５４】さらに他のアセスメントチャートの例を示す図である。
【図５５】アセスメントチャートの例を示す図である。
【図５６】他のアセスメントチャートの例を示す図である。
【図５７】データマイニングサーバの処理を説明するフローチャートである。
【図５８】データマイニングサーバの他の処理を説明するフローチャートである。
【図５９】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図６０】データマイニングサーバの処理を説明するフローチャートである。
【符号の説明】
１ メールサーバ， ２ 顧客情報データベース， ４ Webサーバ， ５ データマイニングサーバ， ６ 分析用データベース， ２１ CPU， ２２ ROM， ２３ RAM， ２４ バス， ２５ 入出力インタフェース， ２６ 入力部， ２７ 出力部， ２８ 記憶部， ２９ 通信部， ３０ ドライブ，３１ 磁気ディスク， ３２ 光ディスク， ３３ 光磁気ディスク， ３４半導体メモリ， ４１ CPU， ４２ ROM， ４３ RAM， ４４ バス， ４５ 入出力インタフェース， ４６ 入力部， ４７ 出力部， ４８ 記憶部， ４９ 通信部， ５０ ドライブ， ５１ 磁気ディスク， ５２ 光ディスク， ５３ 光磁気ディスク， ５４ 半導体メモリ
【発明の属する技術分野】
本発明は、配信システムに関し、特に、多数の顧客に対して広告メールを送信した場合のレスポンス率の予測精度を高めることができるようにする配信システムに関する。
【０００２】
【従来の技術】
近年、登録した顧客に対して広告メールを配信するサービスが各種確立されている。このような広告メール配信サービスにおいては、郵送によるダイレクトメールに取り入れられているデータマイニングによる分析手法が取り入れられている。
【０００３】
データマイニングは、大容量のデータに隠された因果関係やパターンを探索したり、モデル化するための高度な手法であり、複雑なデータ間の関係づけを可能にし、人工知能、データ工学等の分野においてここ数年注目を浴びている意思決定支援手法である。
【０００４】
なお、このデータマイニングは、様々な適用分野があり、例えば、過去の購買記録から考えて、顧客が次に買いそうな商品は何か、クレジットカードの不正処理がいつ起こるか、顧客がライバル会社に流れたのはなぜか、また、どうすれば取り戻せるか、或いは購買パターンによって顧客を絞り込む最適な方法は何か、ということについての解法を支援する。
【０００５】
ところで、データマイニングの手法を用いて広告メールを送信する顧客を絞り込む場合、アセスメントチャートと呼ばれるグラフを作成することにより、顧客からのレスポンス率を予測することができる。
【０００６】
【発明が解決しようとする課題】
しかしながら、従来のアセスメントチャートの作成方法でレスポンス率を予測し、広告メールを配信すると、必ずしも予測レスポンス率を充分高くすることができないという課題があった。
【０００７】
また、従来のアセスメントチャートの作成方法は、単一のコンテンツを配信するためのものであって、複数のコンテンツから、顧客毎に最適なコンテンツを選択し、配信するといった場合、正確なレスポンス率を予測するアセスメントチャートを作成できないという課題があった。
【０００８】
本発明は、このような状況に鑑みてなされたものであり、レスポンス率の予測精度を高めることができるようにするものである。
【０００９】
【課題を解決するための手段】
本発明の配信システムは、コンピュータである、データマイニングサーバ、メールサーバ、およびWebサーバがネットワークを介して接続されることによって構成される。前記データマイニングサーバは、顧客の識別情報、デモグラフィック情報、および電子メールアドレスを含む情報を顧客情報として記憶する顧客情報データベースに前記顧客情報が記憶されている顧客の中から、コンテンツのテスト送信の対象になる顧客をランダムに第１のCPUの情報処理によって選択する選択手段と、前記選択手段により選択された顧客に関する前記顧客情報に含まれる前記電子メールアドレスを前記第１のCPUの制御に応じて前記メールサーバに送信する送信手段とを備え、前記メールサーバは、前記データマイニングサーバから送信されてきた前記電子メールアドレスに基づいて、前記テスト送信の対象になる顧客が使用する情報処理端末に対して、それぞれの前記情報処理端末が１つのコンテンツを受信するように、アクセス先としての前記Webサーバを指定する情報を含む複数のコンテンツを第２のCPUの制御に応じて送信する送信手段を備える。また、前記Webサーバは、前記メールサーバにより送信されたコンテンツを受信した前記情報処理端末から、前記コンテンツに含まれる情報に基づいてアクセスが行われた場合、アクセスしてきた前記情報処理端末の顧客の識別情報を含む情報を、前記メールサーバにより送信されたコンテンツに対するレスポンス情報として第３のCPUの制御に応じて記憶する記憶手段と、前記記憶手段に記憶されている前記レスポンス情報を前記第３のCPUの制御に応じて前記データマイニングサーバに送信する送信手段とを備え、前記データマイニングサーバは、さらに、前記Webサーバから送信されてきた前記レスポンス情報に含まれる顧客の識別情報より特定される顧客に関する前記顧客情報と、前記レスポンス情報に含まれる顧客の識別情報より特定される顧客の、各コンテンツに対する前記レスポンス情報とから構成されるデータを分析用データとして前記第１のCPUによる情報処理によって分析用データベースに記憶させる記憶制御手段と、前記第１のCPUによる情報処理によって、前記分析用データベースに記憶されている前記分析用データを学習用データと評価用データに分割し、前記学習用データに対して、前記Webサーバに対するアクセスをターゲットとする予測分析を行うことによって学習パラメータを算出することをコンテンツの種類毎に行い、所定のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第１の学習パラメータと、他のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第２の学習パラメータを、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データに適用して、前記第１の学習用パラメータを適用して求めた第１の予測値と前記第２の学習用パラメータを適用して求めた第２の予測値とを含む予測値を算出し、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データから、前記第１の学習用パラメータを適用することによって最大の前記第１の予測値が求められた前記評価用データを抽出することと、前記第２の学習用パラメータを適用することによって最大の前記第２の予測値が求められた前記評価用データを抽出することとを、それぞれのコンテンツを前記所定のコンテンツとして行い、抽出した複数の前記評価用データを合成し、合成した前記評価用データを、前記第１の予測値と前記第２の予測値とを含む予測値の最大値が高い顧客のデータ順にソートする情報処理手段とを備え、前記データマイニングサーバの前記選択手段は、前記情報処理手段によるソート結果に基づいて、前記予測値により表されるレスポンスの予測確率が高い順に、顧客全体のうちの所定の割合の顧客を、コンテンツの本送信の対象になる顧客として選択する。
【００１９】
【発明の実施の形態】
図１は、本発明を適用した広告メール配信システムの構成例を示すブロック図である。メールサーバ１は、広告メールを、登録した顧客のパーソナルコンピュータ７−１乃至７−３，８−１乃至８−３に対して、インターネットに代表されるネットワーク３を介して送信する。顧客情報データベース２は、広告メールを配信する顧客に関する情報を記憶する。
【００２０】
図２は、この顧客情報データベース２の構成例を表している。図２のデータベースの例では、デモグラフィック情報、製品／サービス購入・利用履歴、及び人柄データなどのプロファイル項目が、顧客ＩＤによって識別される顧客毎に登録されている。
【００２１】
図２のデータベースの例では、デモグラフィック情報が「氏名」、「電話番号」、「住所コード」、「性別」、「年齢」、「家族コード」及び「年収コード」等とされ、一部コード化された項目から構成されている。なお、このデモグラフィック情報は、基本属性を示す情報であり、いわゆる名寄せ情報にも使われる情報である。
【００２２】
また、製品／サービス購入・利用履歴は、行動履歴に対応するもので、「製品コード」、「購入日時」及び「製品コード」等とされ、一部コード化された項目から構成されている。
【００２３】
そして、人柄データは、顧客内的情報に対応されるものであり、「質問１」、「質問２」、「質問３」、・・・というように、各種質問と、その回答情報により構成されている。
【００２４】
メールサーバ１が送信する広告メールには、URL(Uniform Resource Locator)が付加されており、広告メールを視聴した顧客は、そのURLに基づいて、Webサーバ４に記憶されているWebページにアクセスすることができる。あるいはまた、広告メールには、電子メールの返信先として、Webサーバ４が記述されている。Webサーバ４は、メールサーバ１が送信した広告メールに対するレスポンス（アクセス）に関する情報を記憶し、データマイニングサーバ５に通知する。
【００２５】
データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報に基づいて分析用データベース６を制御し、データマイニングによる規則抽出処理を行う。具体的には、データマイニングサーバ５は、図２のデータベースの例のように構成された顧客データベースから、特定の商品又はサービスに対する有望顧客のピックアップを行うことができる。特定の商品又はサービスに対する顧客の有望度について説明する。
【００２６】
有望度は、特定の商品又はサービスに対する顧客の関心や需要等を示す指標となるもの（期待値）で、例えば計算式などによる規則抽出により求めることができる。
【００２７】
有望度Ｆの算出式には、簡易なものとして、数値化されたデータ項目に係数を掛け合わせた（１）式のように示される線形結合式がある。
【００２８】
Ｆ＝ａ×Ｑ１＋ｂ×Ｑ２＋ｃ×Ｑ３＋ｄ×Ｑ４＋ｅ×Ｑ５＋・・・
・・・（１）
ここで、Ｑ１，Ｑ２，Ｑ３，Ｑ４，Ｑ５，・・・は顧客プロファイルデータ、ａ，ｂ，ｃ，ｄ，ｅ，・・・は特定の商品又はサービスに対して設定された定数（係数）である。
【００２９】
なお、有望度Ｆの算出式はこのような線形結合式によって表現されるものに限定されるものではなく、非線形の様々な計算式によって表現することもできる。例えば、シグモイド関数を用いたニューラルネットワークモデルがその一つである。
【００３０】
また、下記に示すような条件式（ＩＦ文）によるルール形式によっても有望度を導き出すことができる。
【００３１】
ＩＦ（Ｑ１＞ａ AND Ｑ２＞ｂ AND Ｑ３＞ｃ AND Ｑ４＞ｄ AND Ｑ５＞ｅ）THEN Ｆ ＝Ｘ
なお、線形モデルによる統計手法は、判別分析、ロジスティック回帰、クラスター分析等が該当し、「なぜ」「どのように」といった疑問の返答に適している。
【００３２】
また、非線形モデルの一つであるツリーモデル（帰納方式とも呼ばれる）は、データからディシジョンツリー（決定木）を構成している。このモデルは、重要な変数を選び、不要な予測要素を削除する場合に適している。
【００３３】
そして、非線形モデルであるニューラルネットワークは、履歴データをもとに未来の結果を予測することができ、「何が」という疑問の返答に適している。
【００３４】
データマイニングサーバ５は、このような計算式等により、データマイニング手法を採用して、特定の商品又はサービスに対する各顧客の有望度を算出する。
【００３５】
データマイニングサーバ５は、特定の商品又はサービスについて顧客の各々に対し求めた有望度に基づいて、その商品又はサービスの潜在顧客をピックアップする。例えば、これにより、効率良くマーケティングを行うことができる。例えば、特定の商品又はサービスの購入を望む顧客に対して広告用のメール等を送付するなどといったことが可能になる。
【００３６】
また、有望度の算出式は、任意の方法で作成することもできる。例えば、顧客から得た各種情報に基づいて、その情報間に存在する関係から有望度の算出式を作成することもできる。一般には顧客のプロファイルデータと予測したい顧客の嗜好等の関係に対応する変数（ターゲット変数）が既知であるデータセット（学習用データベース）に対して、上述のモデルを適用して各種のパラメータを獲得することができる。
【００３７】
図３は、メールサーバ１の構成例を示している。CPU（Central Processing Unit）２１は、ROM（Read Only Memory）２２に記憶されているプログラム、または、記憶部２８からRAM（Random Access Memory）２３にロードされたプログラムに従って各種の処理を実行する。RAM２３にはまた、CPU２１が各種の処理を実行する上において必要なデータなどが適宜記憶される。
【００３８】
CPU２１、ROM２２、およびRAM２３は、バス２４を介して相互に接続されている。このバス２４にはまた、入出力インタフェース２５も接続されている。 入出力インタフェース２５には、キーボード、マウスなどよりなる入力部２６、CRT、LCDなどよりなるディスプレイ、並びにスピーカなどよりなる出力部２７、ハードディスクなどより構成される記憶部２８、モデム、ターミナルアダプタなどより構成される通信部２９が接続されている。通信部２９は、CPU２１からの指令に基づいて顧客情報データベース２から顧客情報を取得し、取得した顧客に対し、記憶部２８に記憶されている広告メールをネットワーク３を介して送信する。
【００３９】
入出力インタフェース２５にはまた、必要に応じてドライブ３０が接続され、磁気ディスク３１、光ディスク３２、光磁気ディスク３３、或いは半導体メモリ３４などが適宜装着され、それから読み出されたコンピュータプログラムが、必要に応じて記憶部２８にインストールされる。
【００４０】
図４は、データマイニングサーバ５の構成例を示すブロック図である。CPU４１乃至半導体メモリ５４を有するデータマイニングサーバ５は、CPU２１乃至半導体メモリ３４を有するメールサーバ１と基本的に同様の構成とされ、同一の名称のブロックは同一の機能を有するので、その説明は、適宜省略する。
【００４１】
記憶部４８は、様々な分析用プログラムを記憶し、CPU４１に対して、分析処理に必要な分析用プログラムを提供する。
【００４２】
通信部４９は、ネットワーク３と接続されており、Webサーバ４からレスポンス情報を受信する。また、通信部４９は、CPU４１が分析処理により、広告メールを送信することを選択した顧客に関する情報をメールサーバ１に対して通知する。
【００４３】
図５は、パーソナルコンピュータ７−１乃至７−３，８−１乃至８−３の構成例を示すブロック図である。CPU６１乃至半導体メモリ７４を有するパーソナルコンピュータ７−１乃至７−３，８−１乃至８−３は、CPU２１乃至半導体メモリ３４を有するメールサーバ１と基本的に同様の構成とされ、同一の名称のブロックは同一の機能を有するので、その説明は、省略する。
【００４４】
上述したような構成の広告メール配信システムを利用して、顧客からのレスポンス率（数）を向上させることができる。レスポンス率を向上させるためには、データマイニングサーバ５が、メールサーバ１から通知された顧客情報に基づいてレスポンスする可能性の高い顧客を選択し、選択した顧客に対してのみ広告メールを送信すればよい。しかし、その場合、メールサーバ１が送信する広告メールの全体数が減少するため、全体のレスポンス数も減少する。そのため、本発明を適用した広告メール配信システムにおいては、メールサーバ１は、特定の情報に関して複数の文章を作成し、データマイニングサーバ５による、レスポンス率およびレスポンス数をともに向上させることができるような顧客分析に基づいて、広告メールを送信する。
【００４５】
始めに、図６のフローチャートを参照して、データマイニングサーバ５が分析処理を行う顧客情報を取得するためのテスト送信について説明する。
【００４６】
ステップS１において、メールサーバ１は、顧客情報データベース２から取得した顧客情報を、ネットワーク３を介してデータマイニングサーバ５に対して通知する。
【００４７】
ステップS２において、データマイニングサーバ５は、メールサーバ１から通知された顧客情報から、テスト送信の対象となる顧客をランダムに選択し、分析用データベース６に記憶させる。なお、データマイニングサーバ５が選択するテスト送信の対象となる顧客が使用する端末は、パーソナルコンピュータ７−１乃至７−３である（パーソナルコンピュータ７−１乃至７−３のそれぞれを個々に区別する必要がない場合、単にパーソナルコンピュータ７と称する）。
【００４８】
ステップS３において、データマイニングサーバ５は、メールサーバ１に対して、ステップS２の処理で選択したテスト送信の対象となる顧客に関する情報（パーソナルコンピュータ７のメールアドレス等）をネットワーク３を介して送信する。
【００４９】
ステップS４において、メールサーバ１は、データマイニングサーバ５から通知されたテスト送信の対象の顧客に対して通信部２９から広告メールを送信する。
【００５０】
図７乃至図１１は、テスト送信に利用する広告メールの例を示しており、メールサーバ１の記憶部２８に記憶されている。データ収集処理においては、３種類のテスト送信が実施され、テスト送信１に対して５種類（図７および図８）、テスト送信２に対して５種類（図９および図１０）、テスト送信３に対して３種類（図１１）の、広告メールがそれぞれ設定されている。
【００５１】
テスト送信１は、「会議室リニューアル」に関する広告メールであり、図７（A）のメールA１は「安らぎ」を、図７（B）のメールB１は「刺激」を、図７（C）のメールC１は「ふれあい」を、図８（A）のメールD１は「おしゃれ」を、図８（B）のメールE１は「儲ける」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした会議室へアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５２】
テスト送信１は、上述した５種類の広告メールを、それぞれランダムに抽出した２万人に対して、合計で１０万人に対して送付することで実施される。
【００５３】
テスト送信２は、「映画情報（cinema 情報）のWebページリニューアル」に関する広告メールであり、図９（A）のメールA２は「流行」を、図９（B）のメールB２は「本物」を、図９（C）のメールC２は「便利」を、図１０（A）のメールD２は「安らぎ」を、図１０（B）のメールE２は「刺激」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした映画情報のWebページにアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５４】
テスト送信２は、上述した５種類の広告メールを、それぞれランダムに抽出した１．５万人に対して、合計で７．５万人に対して送付することで実施される。
【００５５】
テスト送信３は、「雑誌情報（magazine 情報 ）のWebページリニューアル」に関する広告メールであり、図１１（A）のメールA３は「安らぎ」を、図１１（B）のメールB３は「操る」を、図１１（C）のメールC３は「備える」を、それぞれキャッチコピーとした文章構成とされている。それぞれのメールには、リニューアルした雑誌情報のWebページにアクセスするためのURLが記述されており、パーソナルコンピュータ７で広告メールを閲覧した顧客は、URLをクリックするだけで、Webサーバ４に記憶されているWebページにアクセスすることができる。
【００５６】
テスト送信３は、上述した３種類の広告メールを、それぞれランダムに抽出した２万人に対して、合計で６万人に対して送付することで実施される。
【００５７】
図６の説明に戻り、ステップS５において、Webサーバ４は、パーソナルコンピュータ７のうちのレスポンスがあった顧客の情報（レスポンス情報）を記憶する。
【００５８】
ステップS６において、Webサーバ４は、データマイニングサーバ５に対してレスポンス情報をネットワーク３を介して送信する。レスポンス情報には、レスポンスした顧客の登録ID、メールアドレス等の情報が含まれている。
【００５９】
ステップS７において、データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報に基づいて、テスト送信した顧客のうちのレスポンスがあった顧客を識別し、その顧客情報（顧客プロファイル）を分析する。データマイニングサーバ５の顧客プロファイルの分析処理については後述する。
【００６０】
図１２乃至図１４は、テスト送信１乃至テスト送信３のレスポンス結果の例を示している。図１２乃至図１４では、それぞれのキャッチコピーの広告メールについて、広告メールをテスト送信した人数、広告メールを受信した顧客のうちのWebページにアクセスした人数（レスポンス数）、およびレスポンス率（（レスポンス数）÷（テスト送信した人数））を示している。
【００６１】
図１２に示すテスト送信１のレスポンス結果においては、テスト送信１の全体の送信数は１０２５６３、レスポンス数は１０２４、レスポンス率は１．００％となっている。
【００６２】
図１３に示すテスト送信２のレスポンス結果においては、テスト送信２の全体の送信数は７６６４４、レスポンス数は６６０、レスポンス率は０．８６％となっている。
【００６３】
図１４に示すテスト送信３のレスポンス結果においては、テスト送信３の全体の送信数は６１５１７、レスポンス数は３８９、レスポンス率は０．６３％となっている。
【００６４】
次に、データマイニングサーバ５の顧客プロファイルの分析処理について説明する。データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報を、テスト送信の対象として選択した顧客情報と対応させて分析用データベース６に学習用データベースとして記憶させ、各キャッチコピー毎に、レスポンスがあった顧客（レスポンス者）のプロファイルを各種データマイニング手法により分析する。そして、データマイニングサーバ５は、分析した結果に基づいて、まだ広告メールを送信していない顧客（パーソナルコンピュータ８−１乃至８−３（以下、パーソナルコンピュータ８−１乃至８−３のそれぞれを個々に区別する必要がない場合、パーソナルコンピュータ８と称する）の顧客）に対して、どのキャッチコピーの広告メールを送信することが、最もレスポンス率を向上させるのに適しているかを判断する。
【００６５】
図１５のフローチャートを参照して、データマイニングサーバ５の学習パラメータの算出処理について説明する。
【００６６】
ステップS２１において、CPU４１は、顧客データベースからランダムにサンプリングすることで学習用データとし、学習用データベースに記憶させるとともに、レスポンス情報をターゲット変数（従属変数）とする。
【００６７】
ステップS２２において、CPU４１は、顧客の特性を予測する変数となる独立変数を作成する。例えば、CPU４１は、学習用データベースと顧客データベースとの共通項目から独立変数とするプロファイル項目を抽出する。そして、CPU４１は、抽出したプロファイル項目に対して、データの抜け、異常値等を補正する欠損値処理をし、さらに、プロファイル項目に対して編集や合成などの変数加工を施し、最終的な独立変数を作成する。
【００６８】
ステップS２３において、CPU４１は、学習用データベースを規則発見用のデータ（学習用データ）と、規則評価用の評価用データに分割する。
【００６９】
ステップS２４において、CPU４１は、学習モデルを選択し、学習用データに適用する。
【００７０】
図１６は、ステップS２４の処理でCPU４１が学習用データに対して適用する学習モデルの例を示している。
【００７１】
図１６（A）に示す学習モデル１は、CPU４１がテスト送信１で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、カスケード接続型のディシジョンツリーであり、ディシジョンツリーが２段階に分けて適用される。CPU４１は、２種類の分析手法で学習を実行し、第１段目のディシジョンツリーによる分析で、各広告メールに対するレスポンス率を予測し、レスポンス率が低いと予測された顧客に対して、再び、第２段目のディシジョンツリーによる分析で、レスポンス率を予測する。これにより、予測レスポンス率が低い顧客に対する予測精度を向上させることができる。
【００７２】
図１６（B）に示す学習モデル２は、CPU４１がテスト送信２で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、ディシジョンツリーと、ニューラルネットワークのアンサンブル型とされている。CPU４１は、ディシジョンツリーとニューラルネットワークのそれぞれの分析手法から得られた予測レスポンス率を、１：１の割合で荷重結合することにより、どちらかの分析手法で予測精度の悪い部分を、他方の分析手法で補うことができる。
【００７３】
図１６（C）に示す学習モデル３は、CPU４１がテスト送信３で使用した各広告メール毎に適用する学習モデルを表す。この学習モデルは、始めに変数の選択に工夫を加え、それに対してニューラルネットワークによる分析手法を適用するものである。
【００７４】
図１５の説明に戻り、ステップS２５において、CPU４１は、評価用データに対して学習モデル（学習パラメータ）を適用し、その適用結果から、最も有効な学習モデル（学習パラメータ）を選択する。なお、評価用データに学習パラメータを適用した結果から、評価用データのアセスメントチャートを作成することができる。
【００７５】
ステップS２６において、CPU４１は、ステップS２５の処理による評価結果に基づいて学習パラメータを決定し、保存する。以上の処理は、全ての広告メールに対して行われる。
【００７６】
次に、図１７のフローチャートを参照して、図１５のフローチャートの処理で選択した学習パラメータを用いて予測レスポンス率を算出するデータマイニングサーバ５の処理について説明する。データマイニングサーバ５は、学習用データベースから抽出した学習パラメータを本送信の対象となる顧客データベースに適用し、それぞれの広告メールを送信した場合の予測レスポンス率を顧客毎に算出し、レスポンス率を向上させるには、どの広告メールを送信するのが最も効果的かを判断する。
【００７７】
ステップS４１において、CPU４１は、デモグラフィック情報から名寄せ処理を行う。すなわち、同一の顧客が異なる顧客とならないように整合し、必要に応じて、別人であっても、同一の家族であれば、家族毎にグループ分けが行われる。
【００７８】
ステップS４２において、CPU４１は、学習用データベースにおける処理と同様に、顧客データベースからプロファイル項目を抽出し、欠損値処理、および変数加工を施し、学習用データベースで作成した独立変数と同一の独立変数を作成する。
【００７９】
ステップS４３において、CPU４１は、図１５のステップS２６の処理で保存しておいた学習パラメータを、顧客データベースに適用する。
【００８０】
ステップS４４において、CPU４１は、それぞれの顧客毎に、各広告メールを送信した場合の予測レスポンス率を算出し、最も高い予測レスポンス率が得られた広告メールを記憶部４８に記憶させる。
【００８１】
図１８は、図１７のステップS４４の処理でデータマイニングサーバ５が算出した予測レスポンス率の例を示している。図１８の例においては、コンテンツ（広告メール）A，B，Cを、顧客X，Y，Zのそれぞれに対して送信した場合の予測レスポンス率が算出されて、示されている。
【００８２】
顧客Xに対してコンテンツAを送信した場合の予測レスポンス率は３．５％と、コンテンツBを送信した場合の予測レスポンス率は５．７％と、コンテンツCを送信した場合の予測レスポンス率は２．８％と、それぞれ算出されている。この場合、データマイニングサーバ５は、顧客Xに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツBを選択する。
【００８３】
また、顧客Yに対してコンテンツAを送信した場合の予測レスポンス率は４．５％と、コンテンツBを送信した場合の予測レスポンス率は１．２％と、コンテンツCを送信した場合の予測レスポンス率は０．５％と、それぞれ算出されているため、データマイニングサーバ５は、顧客Yに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツAを選択する。
【００８４】
さらに、顧客Zに対してコンテンツAを送信した場合の予測レスポンス率は０．３％と、コンテンツBを送信した場合の予測レスポンス率は０．８％と、コンテンツCを送信した場合の予測レスポンス率は１．３％と、それぞれ算出されているため、データマイニングサーバ５は、顧客Zに対して送信するコンテンツとして、予測レスポンス率が最も高いコンテンツCを選択する。
【００８５】
同様の方法により、データマイニングサーバ５は、本送信の対象（パーソナルコンピュータ８−１乃至８−３）となるそれぞれの顧客に対して、最もレスポンスが期待される広告メールを選択する。
【００８６】
図１９は、データマイニングサーバ５がテスト送信の分析結果に基づいて選択した、本送信のそれぞれの広告メール毎の送信数の例を示している。
【００８７】
図１９（A）は、本送信１における各広告メール毎の送信数を示している。なお、本送信１において、メールサーバ１は、第１段目のディシジョンツリー（図１６（A））の結果から抽出した顧客（高レスポンスが予測される顧客）に対して送信する本送信を本送信A１と、２段目のディシジョンツリー（図１６（A））の結果から抽出した顧客（低レスポンスが予測される顧客）に対して送信する本送信を本送信B１とに分けて送信する。
【００８８】
図１９（B）は、本送信２における各広告メール毎の送信数を示している。なお、本送信２においては、メールサーバ１は、最もレスポンスが期待される広告メールを選択して送信する本送信の他に、本送信２の比較として、送信する広告メールをランダムに選択して送信するランダム送信２とに分けて送信する。
【００８９】
図１９（C）は、本送信３における各広告メール毎の送信数を示している。なお、本送信３においては、メールサーバ１は、各広告メール毎に、本送信３の対象者を、予測レスポンス率の高いグループ（本送信A３）と、低いグループ（本送信B３）に分けて送信する。また、メールサーバ１は、本送信３の比較として、送信する広告メールをランダムに選択して送信するランダム送信３に分けて送信する。
【００９０】
次に、図２０のフローチャートを参照して、本送信によるデータ収集処理について説明する。
【００９１】
ステップS６１において、データマイニングサーバ５は、メールサーバ１に対して本送信の顧客情報をネットワーク３を介して通知する。データマイニングサーバ５が送信する顧客情報には、それぞれの顧客毎に、最も高い予測レスポンス率が得られた広告メールを指定する情報などが含まれている。
【００９２】
ステップS６２において、メールサーバ１は、データマイニングサーバ５からの通知に基づいて、パーソナルコンピュータ８に対して最も高い予測レスポンス率が得られた広告メールを送信する。広告メールを受信した顧客は、広告メールに記述されているURLで指定されるWebページの閲覧を希望する場合、URLをクリックするだけでWebサーバ４にアクセスすることができる。
【００９３】
ステップS６３において、Webサーバ４は、パーソナルコンピュータ８からのレスポンス情報（アクセス情報）を記憶する。
【００９４】
ステップS６４において、Webサーバ４は、データマイニングサーバ５に対して、レスポンス情報をネットワーク３を介して通知する。
【００９５】
ステップS６５において、データマイニングサーバ５は、Webサーバ４から通知されたレスポンス情報を分析し、より高い予測レスポンス率が得られるようにするための手順を解析する。データマイニングサーバ５の分析処理については後述する。
【００９６】
図２１乃至図２３は、データマイニングサーバ５が分析するテスト送信の結果、および本送信の結果の例を示す図である。
【００９７】
図２１には、各広告メール毎に、テスト送信１の送信数、テスト送信１に対するレスポンス数、およびレスポンス率が、本送信A１（第１段目のディシジョンツリーから抽出した顧客）の送信数、本送信A１に対するレスポンス数、およびレスポンス率、本送信B１（第２段目のディシジョンツリーから抽出した顧客）の送信数、本送信B１に対するレスポンス数、およびレスポンス率、並びに、本送信１の全体の送信数、本送信１に対する全体のレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【００９８】
図２１の例においては、テスト送信１の全体の送信数が１０２５６３、テスト送信１に対するレスポンス数が１０２４、レスポンス率が１．００％とされ、本送信A１（高レスポンス率が予測される顧客）の全体の送信数が１３４２９、本送信A１に対するレスポンス数が４０４、レスポンス率が３．０１％とされ、本送信B１（低レスポンス率が予測される顧客）の全体の送信数が５８０５３、本送信B１に対するレスポンス数が３３６、レスポンス率が０．５８％とされ、本送信１の全体の送信数が７１４８２、本送信１に対するレスポンス数が７４０、レスポンス率が１．０４％とされている。
【００９９】
図２２には、各広告メール毎に、テスト送信２の送信数、テスト送信２に対するレスポンス数、およびレスポンス率が、本送信２の送信数、本送信２に対するレスポンス数、およびレスポンス率、並びに、ランダム送信２の送信数、ランダム送信２に対するレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【０１００】
図２２の例においては、テスト送信２の全体の送信数が７６６４４、テスト送信２に対するレスポンス数が６６０、レスポンス率が０．８６％とされ、本送信２の全体の送信数が７１８２０、本送信２に対するレスポンス数が９６９、レスポンス率が１．３５％とされ、ランダム送信２の全体の送信数が２５５８１、ランダム送信２に対するレスポンス数が２５０、レスポンス率が０．９８％とされている。
【０１０１】
図２３には、各広告メール毎に、テスト送信３の送信数、テスト送信３に対するレスポンス数、およびレスポンス率が、本送信A３（高レスポンスが予測される顧客に対する本送信）の送信数、本送信A３に対するレスポンス数、およびレスポンス率、本送信B３（低レスポンスが予測される顧客に対する本送信）の送信数、本送信B３に対するレスポンス数、およびレスポンス率、ランダム送信３の送信数、ランダム送信３に対するレスポンス数およびレスポンス率、並びに、本送信３の全体の送信数、本送信３に対する全体のレスポンス数、およびレスポンス率とともに、それぞれ示されている。
【０１０２】
図２３の例においては、テスト送信３の全体の送信数が６１５１７、テスト送信３に対するレスポンス数が３８９、レスポンス率が０．６３％とされ、本送信A３（高レスポンス率が予測される顧客）の全体の送信数が２６３６８、本送信A３に対するレスポンス数が４６１、レスポンス率が１．７５％とされ、本送信B３（低レスポンス率が予測される顧客）の全体の送信数が５５３８６、本送信B３に対するレスポンス数が３０８、レスポンス率が０．５６％とされ、ランダム送信３の全体の送信数が３０７７４、ランダム送信３に対するレスポンス数が２４９、レスポンス率が０．８１％とされ、本送信３の全体の送信数が８１７５４、本送信３に対するレスポンス数が７６９、レスポンス率が０．９４％とされている。
【０１０３】
図２１乃至図２３に示すレスポンス結果と、予め算出した予測レスポンス率に基づいてアセスメントチャートを作成することができる。
【０１０４】
また、図２１乃至図２３に示す結果より、各広告メール毎のレスポンス率の差を、最低の値を示すレスポンス率と最高の値を示すレスポンス率の比により表すことができる。テスト送信１において、最高のレスポンス率を示す広告メールのキャッチコピーは、「ふれあい」（１．３０％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「安らぎ」（０．７６％）であるため、レスポンス率の比は、
１．３０÷０．７６＝１．７１
となる。
【０１０５】
また、テスト送信２において、最高のレスポンス率を示す広告メールのキャッチコピーは、「便利」（１．５４％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「刺激」（０．６１％）であるため、レスポンス率の比は、
１．５４÷０．６１＝２．５６
となる。
【０１０６】
さらに、テスト送信３において、最高のレスポンス率を示す広告メールのキャッチコピーは、「操る」（０．７１％）であり、最低のレスポンス率を示す広告メールのキャッチコピーは、「安らぎ」（０．４９％）であるため、レスポンス率の比は、
０．７１÷０．４９＝１．４２
となる。以上の結果より、顧客に対して送信する広告メールのキャッチコピーの違いにより、レスポンス率に違いがあることが判る。
【０１０７】
レスポンス率が高いキャッチコピーの順に並べた場合、図２２のテスト送信２において、「便利」、「安らぎ」、「本物」、「流行」、「刺激」の順となり、図２２のランダム送信２においても、同様に、「便利」、「安らぎ」、「本物」、「流行」、「刺激」の順となる。また、図２３のテスト送信３において、「操る」、「備える」、「安らぎ」の順となり、図２３のランダム送信３においても、同様に、「操る」、「備える」、「安らぎ」の順となることから、レスポンス率の順位が変化しないことがわかり、これによってもキャッチコピーの違いによって、レスポンス率の差が生じることが示されている。
【０１０８】
図２４乃至図２９は、テスト送信１における各広告メール毎に対応するレスポンス者のプロファイルと、そのレスポンス率を示している。図２４においては、顧客プロファイルを「年齢・性別」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２５においては、顧客プロファイルを「職業」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２６においては、顧客プロファイルを「収入」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２７においては、顧客プロファイルを「ドメイン」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２８においては、顧客プロファイルを「趣味」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。図２９においては、顧客プロファイルを「過去にアクセスしたインフォマシャールレスポンス」のグループに分け、それぞれのグループに対するキャッチコピー毎のレスポンス率が示されている。
【０１０９】
キャッチコピーの違いによって、レスポンス者のプロファイルに差異が出ないとした場合、どのプロファイルのグループに対しても、レスポンス率が最も高いキャッチコピーは、総合結果で最もレスポンス率が高いキャッチコピー（図２４においては「ふれあい」）と一致する。しかし、図２４の「１０代男性」と「２０代男性」の各キャッチコピー毎のレスポンス率を高い順に並べて比較した場合、「１０代男性」の場合、「刺激」、「おしゃれ」、「儲ける」、「ふれあい」、「安らぎ」となり、「２０代男性」の場合、「ふれあい」、「刺激」、「儲ける」、「おしゃれ」、「安らぎ」の順となり、キャッチコピーの違いによって、レスポンス者のプロファイルに差異が出ることが示されている。
【０１１０】
本送信の顧客毎にそれぞれのコンテンツに対する予測レスポンス率が算出されているため、データマイニングサーバ５は、その値とレスポンス結果を用いて、アセスメントチャートを作成することができる。
【０１１１】
図３０は、本送信A１（図２１）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１２】
図３１は、本送信B１（図２１）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１３】
図３２は、本送信２（図２２）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１４】
図３３は、本送信３（図２３）のレスポンス結果に基づいてデータマイニングサーバ５により作成されたアセスメントチャートを示す図である。
【０１１５】
これらの図において、縦軸はトルツメレスポンス率を示し、横軸は予測レスポンス率が高い値を示す順に顧客全体を並べた場合の上位からの数の全体に対する比率を表している。
【０１１６】
図３４は、本送信２とランダム送信２（図３４（A））、本送信３とランダム送信３（図３４（B））の結果を比較した図である。
【０１１７】
図３４（A）は、５種類の広告メールを、予測レスポンス率に基づいて最適送信した場合、ランダム送信した場合と比べて、どのくらいレスポンス率が向上しているかを示す図である。ランダム送信２の平均レスポンス率（０．９８％）（図２２）を基準とすると、最適送信（本送信）との比は、（本送信のレスポンス率）÷（０．９８）で表される。図３４においては、横軸は、予測レスポンス率が高い値を示す順に顧客全体を並べた場合の上位からの数の全体に対する比率を示しており、縦軸は、レスポンス率の比を示している。なお、本送信２のレスポンス率は、図３２のアセスメントチャートより、また、本送信３のレスポンス率は、図３３のアセスメントチャートより、それぞれ取得したものである。
【０１１８】
図３４（A）に示されるように、上位１０％の顧客を抽出した場合、レスポンス率は４．６５％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
４．６５÷０．９８＝４．７５（倍）
となり、上位３０％の顧客を抽出した場合、レスポンス率は２．９２％（図３２）であり、ランダム送信２との比は、
２．９２÷０．９８＝２．９８（倍）
となり、上位５０％の顧客を抽出した場合、レスポンス率は２．１６％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
２．１６÷０．９８＝２．２０（倍）
となり、上位１００％（本送信２の総合レスポンス率）の顧客を抽出した場合、レスポンス率は１．３５％（図３２）であり、ランダム送信２との比は、図３４（A）に示されるように、
１．３５÷０．９８＝１．３８（倍）
となる。
【０１１９】
図３４（B）においても同様に、ランダム送信３の平均レスポンス率（０．８１％）（図２３）を基準とし、向上率を算出すると、上位１０％の顧客を抽出した場合、レスポンス率は３．１４％（図３３）であり、ランダム送信３との比は、
３．１４÷０．８１＝３．８８（倍）
となり、上位３０％の顧客を抽出した場合、レスポンス率は１．８２％（図３３）であり、ランダム送信３との比は、
１．８２÷０．８１＝２．２５（倍）
となり、上位５０％の顧客を抽出した場合、レスポンス率は１．３４％（図３３）であり、ランダム送信３との比は、
１．３４÷０．８１＝１．６５（倍）
となり、上位１００％（本送信３の総合レスポンス率）の顧客を抽出した場合、レスポンス率は０．９４％（図３３）であり、ランダム送信３との比は、
０．９４÷０．８１＝１．１６（倍）
となる。
【０１２０】
上述したように、複数の広告メールを最適送信することは、ランダム送信する場合に比べて、高いレスポンス率を得ることができる。
【０１２１】
図２４乃至図２９で示すように、顧客プロファイルによって、レスポンス率に差異が生ずるため、データマイニングサーバ５は、顧客プロファイルと予測レスポンス率に基づいて、例えば、図３５に示すようなレスポンスパターン（原理を示すパターンであり、図２４乃至図２９の数値に具体的に対応しているものではない）を求めることができる。
【０１２２】
図３５は、コンテンツAに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）の例を示しており、データマイニングサーバ５は、取得したいレスポンス率を閾値として設定し、閾値以上のレスポンス率を示す顧客プロファイルに対応する顧客（斜線部Aに対応する顧客）を選択し、選択した顧客のみに、メールサーバ１からコンテンツAを送信することにより、送信する顧客数を制限しつつ、閾値以上のレスポンス率を確保することができる。
【０１２３】
なお、コンテンツAは、上述したような広告メールや、Webページ上に表示されるバナー広告などにより構成される。後述するコンテンツB、コンテンツC、コンテンツD、およびコンテンツEにおいても同様とする。
【０１２４】
コンテンツを１種類しか用意しない場合、図３５に示されるような１つのレスポンスパターンしか得られない。しかしながら、同様のコンテンツを若干変更して、複数のコンテンツを用意することで、例えば、図３６に示されるような複数のレスポンスパターンを得ることができる。
【０１２５】
図３６は、コンテンツA、コンテンツB、およびコンテンツCのレスポンスパターンを示しており、データマイニングサーバ５は、取得したいレスポンス率を閾値として設定し、閾値以上のレスポンス率を示す顧客プロファイルに対応する顧客のみに、メールサーバ１からコンテンツA、コンテンツB、およびコンテンツCのそれぞれコンテンツを送信する。図３６の例においては、斜線部Aに該当する顧客に対してコンテンツAが、斜線部Bに該当する顧客に対してコンテンツBが、斜線部Cに該当する顧客に対してコンテンツCが、それぞれメールサーバ１から送信される。これにより、送信する顧客数を制限しつつ、閾値以上のレスポンス率を確保することができる。
【０１２６】
図３７のフローチャートを参照して、データマイニングサーバ５がレスポンスパターンに設定した閾値に基づいて、それぞれの顧客に送信するコンテンツを選択する処理について説明する。なお、データマイニングサーバ５は、テスト送信の結果を取得しているものとする。
【０１２７】
ステップS８１において、CPU４１は、テスト送信の結果に基づいてレスポンス者のプロファイル分析を行う。
【０１２８】
ステップS８２において、CPU４１は、それぞれの顧客の予測レスポンス率を算出する。CPU４１は、例えば、図１５および図１７のフローチャートの処理を実行することにより予測レスポンス率を算出する。
【０１２９】
ステップS８３において、CPU４１は、ステップS８１の処理で取得したレスポンス者のプロファイル情報、およびステップS８２の処理で取得した予測レスポンス率から、例えば、図３５または図３６に示すようなレスポンスパターンを作成する。
【０１３０】
ステップS８４において、CPU４１は、データマイニングサーバ５の管理者が入力部４６を操作することにより入力した所定のレスポンス率を閾値として設定する。
【０１３１】
ステップS８５において、CPU４１は、ステップS８４の処理で設定した閾値以上のレスポンス率が予測される顧客を選択し、選択した顧客毎にメールサーバ１から送信するコンテンツを選択する。図３５の例においては、CPU４１は、斜線部Aに該当する顧客に対してコンテンツAをメールサーバ１から送信する。また、図３６の例においては、CPU４１は、斜線部Aに該当する顧客に対してコンテンツAを、斜線部Bに該当する顧客に対してコンテンツBを、斜線部Cに該当する顧客に対してコンテンツCを、それぞれメールサーバ１から送信する。
【０１３２】
ステップS８６において、CPU４１は、顧客情報を記憶部４８に記憶させる。記憶部４８に記憶される顧客情報には、顧客毎に送信することを選択したコンテンツの情報、および顧客IDなどの情報が含まれる。
【０１３３】
ステップS８７において、CPU４１は、ステップS８６の処理で記憶部４８に記憶させた顧客情報を通信部４９からメールサーバ１に送信する。
【０１３４】
次に、図３８のフローチャートを参照して、顧客情報に基づいてコンテンツを送信するメールサーバ１の処理について説明する。
【０１３５】
ステップS１０１において、CPU２１は、通信部２９において、データマイニングサーバ５から送信されてきた顧客情報を受信する。
【０１３６】
ステップS１０２において、CPU２１は、ステップS１０１の処理で受信した顧客情報に含まれている顧客IDから、顧客毎のメールアドレスを顧客情報データベース２に問い合わせることにより取得する。
【０１３７】
ステップS１０３において、CPU２１は、データマイニングサーバ５から送信されてきた顧客情報により指定されている顧客毎のコンテンツ（閾値以上の予測レスポンス率が得られたコンテンツ）を選択し、通信部２９から、ネットワーク３を介してパーソナルコンピュータ８に送信する。
【０１３８】
以下、図３９乃至図４１を参照して、複数のコンテンツがある場合に、データマイニングサーバ５が、メールサーバ１から送信する全体の顧客数を制限しつつ、レスポンス率およびレスポンス数を向上させるコンテンツと顧客の選択方法について説明する。
【０１３９】
図３９は、コンテンツAおよびコンテンツDに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図３９の例においては、２つのレスポンスパターンが示す顧客プロファイルの大部分が重複しているが、レスポンス率の最大値が異なっている。この場合、データマイニングサーバ５は、全顧客に対してコンテンツA（コンテンツDではなく）をメールサーバ１から送信することにより、送信する全体の顧客数を制限しつつ、レスポンス率およびレスポンス数を向上させることができる。
【０１４０】
図４０は、コンテンツBおよびコンテンツCに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図４０においては、２つのレスポンスパターンが示す顧客プロファイルの一部分が重複しており、レスポンス率の最大値が近似している。図４０のレスポンスパターンを示すコンテンツBおよびコンテンツCを送信する場合、データマイニングサーバ５は、２つのレスポンスパターンの交点を示す顧客プロファイルP1から左側の顧客プロファイルに対応する顧客に対してはコンテンツBを、右側の顧客プロファイルに対応する顧客に対してはコンテンツCを、それぞれメールサーバ１から送信する。
【０１４１】
図４１は、コンテンツA、コンテンツB、コンテンツC、コンテンツD、およびコンテンツEに関する顧客プロファイルと予測レスポンス率の関係（レスポンスパターン）を示している。図４１のレスポンスパターンを示すコンテンツから、送信するコンテンツを選択する場合、データマイニングサーバ５は、コンテンツAとコンテンツBのレスポンスパターンの交点を示す顧客プロファイルP１、およびコンテンツBとコンテンツCのレスポンスパターンの交点を示す顧客プロファイルP２で顧客プロファイルを分割し、顧客プロファイルP１から左側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の範囲に対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツBを、顧客プロファイルP２から右側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツCを、それぞれメールサーバ１から送信する。
【０１４２】
図４２のフローチャートを参照して、レスポンスパターンを顧客プロファイルにより分割し、それぞれの顧客に送信するコンテンツを選択するデータマイニングサーバ５の処理について説明する。なお、データマイニングサーバ５は、テスト送信の結果を取得しているものとする。
【０１４３】
ステップS１１１乃至S１１３の処理は、図３７のステップS８１乃至S８３の処理と同様の処理である。すなわち、これらの処理により、テスト送信の結果に基づき、レスポンスパターンが作成される。
【０１４４】
ステップS１１４において、CPU４１は、レスポンスパターンが重複する部分に対応する顧客に対して、最大レスポンス率をとるコンテンツを選択する。図３９のレスポンスパターンの例においては、データマイニングサーバ５は、全顧客に対してコンテンツAを送信することを選択する。また、図４０のレスポンスパターンの例においては、データマイニングサーバ５は、顧客プロファイルP1から左側の顧客プロファイルに対応する顧客に対してはコンテンツBを、右側の顧客プロファイルに対応する顧客に対してはコンテンツCを、それぞれ送信することを選択する。さらに、図４１のレスポンスパターンの例においては、データマイニングサーバ５は、顧客プロファイルP１から左側の顧客プロファイルに対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の範囲に対応する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツBを、顧客プロファイルP２から右側の顧客プロファイルに対
する顧客に対しては、その範囲で最大のレスポンス率を示すコンテンツCを、それぞれ送信することを選択する。
【０１４５】
ステップS１１５において、CPU４１は、ステップS１１４の処理で顧客毎にどのコンテンツを送信するかを選択した情報を含む顧客情報を記憶部４８に記憶させる。
【０１４６】
ステップS１１６において、CPU４１は、ステップS１１５の処理で記憶部４８に記憶させた顧客情報を通信部４９からメールサーバ１に対して送信する。
【０１４７】
顧客情報を受信したメールサーバ１の処理は、上述した図３８のフローチャートと同様の処理となるので、その説明は省略する。
【０１４８】
次に、図４３乃至図４５を参照して、ターゲット変数が１種類の場合のアセスメントチャートの作成方法について説明する。データマイニングサーバ５は、予測する変数（ターゲット変数）を従属変数、顧客のプロファイルデータを独立変数として、従属変数に対する予測を行う。予測アルゴリズムは、ディシジョンツリー、ニューラルネットワーク、回帰分析といった各種アルゴリズムが適用される。なお、従属変数（ターゲット変数）は、各コンテンツ（広告メールを含む）に対するレスポンス情報により構成され、独立変数の顧客のプロファイルデータは、性別、年齢、および職業などのデモグラフィック情報や、趣味、生活スタイル、および過去の様々なコンテンツに対するレスポンス情報などにより構成される。
【０１４９】
図４３は、分析データに独立変数（顧客プロファイル）とターゲット変数（レスポンス結果）が含まれており、分析データを学習用データと評価用データに分割し、学習用データから学習パラメータを算出するデータマイニングサーバ５の処理を説明する図である。
【０１５０】
図４４は、評価用データに学習パラメータを適用し、それぞれの顧客に対する予測値（予測レスポンス率）を算出するデータマイニングサーバ５の処理を説明する図である。
【０１５１】
図４５は、顧客毎に算出された予測値に基づいて、予測値の高い顧客順に並べて、アセスメントチャートを作成するデータマイニングサーバ５の処理を説明する図である。
【０１５２】
次に、図４６のフローチャートを参照して、データマイニングサーバ５による評価用データのアセスメントチャート作成処理について説明する。
【０１５３】
ステップS１３１において、CPU４１は、分析データを学習用データと評価用データに分割する（図４３の処理１）。
【０１５４】
ステップS１３２において、CPU４１は、学習用データに対して予測分析を行い、学習パラメータを算出する（図４３の処理２）。予測分析で用いられる学習モデルは、例えば、図１６に示すような学習モデルである。
【０１５５】
ステップS１３３において、CPU４１は、ステップS１３２の処理で算出した学習パラメータを評価用データに適用して、予測値を算出する（図４４の処理３）。
【０１５６】
ステップS１３４において、CPU４１は、予測値が高い顧客順にソートする（図４５の処理４）。
【０１５７】
ステップS１３５において、CPU４１は、予測値に対する正解、または不正解（正反応割合）を算出し、グラフ化し、アセスメントチャートを作成する（図４５の処理５）。
【０１５８】
図４７は、このようにして作成されるアセスメントチャートの例を示す図である。アセスメントチャートは、縦軸をトルツメレスポンス率と、横軸を高レスポンス率が期待される顧客順にソートした場合の上位からの割合として作成される。すなわち、図４７の例においては、データマイニングサーバ５は、予測レスポンス率が高い上位５％の顧客を選択して広告メールを送信した場合、１００％のレスポンス率が得られることを示しており、また、予測レスポンス率が高い上位１０％の顧客を選択して広告メールを送信した場合、９０％弱のレスポンス率が得られることを示している。さらに、図４７は、データマイニングサーバ５が顧客全体に対して広告メールを送信するとした場合、２５％のレスポンス率が得られることを示している。
【０１５９】
以上においては、ターゲット変数が１個であったが、ターゲット変数が複数存在する場合、アセスメントチャートの作成は困難となる。本発明では、次のようにしてアセスメントチャートが作成される。
【０１６０】
図４８乃至図５１は、ターゲット変数が複数ある場合の、データマイニングサーバ５のアセスメントチャートの作成処理を説明する図である。
【０１６１】
図４８は、学習パラメータA，B，Cを算出するデータマイニングサーバ５の処理を説明する図である。分析データA，B，Cのそれぞれには、独立変数（顧客プロファイル）とターゲット変数（予測レスポンス率）が含まれており、分析データAは学習用データAと評価用データAに分割され、学習用データAから学習パラメータAが生成される。分析データBは学習用データBと評価用データBに分割され、学習用データBから学習パラメータBが生成される。分析データCは学習用データCと評価用データCに分割され、学習用データCから学習パラメータCが生成される。
【０１６２】
図４９は、予測値X，Y，Zを算出するデータマイニングサーバ５の処理を説明する図である。評価用データAに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A，B，Cを含む予測値Xが生成される。評価用データBに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A，B，Cを含む予測値Yが生成される。評価用データCに学習パラメータA，B，Cが適用され、それぞれの顧客に対する予測値（予測レスポンス率）A、B、Cを含む予測値Zが生成される。
【０１６３】
図５０は、予測値が最大となる評価用データを合成するデータマイニングサーバ５の処理を説明する図である。評価用データAに関して、顧客毎に算出された予測値に基づいて予測値Xの中の予測値Aが最大となる評価用データが抽出される。評価用データBに関して、顧客毎に算出された予測値に基づいて予測値Yの中の予測値Bが最大となる評価用データが抽出される。評価用データCに関して、顧客毎に算出された予測値に基づいて予測値Zの中の予測値Cが最大となる評価用データが抽出される。そして、抽出された評価用データが合成される。
【０１６４】
図５１は、合成した評価用データを、予測値の高い顧客順にソートして、ターゲット変数の正解、または不正解を算出してグラフ化し、アセスメントチャートを作成するデータマイニングサーバ５の処理を説明する図である。
【０１６５】
次に、図５２のフローチャートを参照して、ターゲット変数が複数ある場合のデータマイニングサーバ５のアセスメントチャート作成処理について説明する。なお、ターゲット変数は、ターゲット変数A、ターゲット変数B、およびターゲット変数Cの３種類があるものとする。
【０１６６】
ステップS１５１において、CPU４１は、分析データAを学習用データAと評価用データAに、分析データBを学習用データBと評価用データBに、分析データCを学習用データCと評価用データCに、それぞれ分割する（図４８の処理１）。
【０１６７】
ステップS１５２において、CPU４１は、学習用データAから学習パラメータAを、学習用データBから学習パラメータBを、学習用データCから学習パラメータCを、それぞれ算出する（図４８の処理２）。
【０１６８】
ステップS１５３において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データAに、それぞれ適用して、予測値X（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１６９】
ステップS１５４において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データBに、それぞれ適用して、予測値Y（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１７０】
ステップS１５５において、CPU４１は、ステップS１５２の処理で算出した学習パラメータA，B，Cを評価用データCに、それぞれ適用して、予測値Z（評価用データAに含まれる予測値A，B，Cを含む）を算出する（図４９の処理３）。
【０１７１】
ステップS１５６において、CPU４１は、評価用データA，B，Cから、それぞれのターゲット変数に対する予測値が最大値となる評価用データのみを抽出する（図４９の処理４）。すなわち、CPU４１は、評価用データAからコンテンツAの予測値が最大となるデータを、評価用データBからコンテンツBの予測値が最大となるデータを、評価用データCからコンテンツCの予測値が最大となるデータを、それぞれ抽出する。ターゲット変数が０または１の２値である場合、予測値X，Y，Zは、０乃至１のいずれかの値となる。
【０１７２】
ステップS１５７において、CPU４１は、ステップS１５６の処理で抽出した評価用データを合成する（図５１の処理５）。
【０１７３】
ステップS１５８において、CPU４１は、ステップS１５７の処理で合成した評価用データを、算出された最大予測値が高い顧客順にソートする（図５１の処理６）。
【０１７４】
ステップS１５９において、CPU４１は、ターゲット変数の正解、または不正解（正反応割合）を算出し、グラフ化し、アセスメントチャートを作成する（図５１の処理７）。
【０１７５】
データマイニングサーバ５は、複数のターゲット変数がある場合に、上述した方法でアセスメントチャートを作成し、予測値を算出することにより、個々の評価用データから算出することに比べて、予測値を向上させることができる。
【０１７６】
次に、図５３乃至図５６を参照して、ターゲット変数が複数存在する場合において、以上のような処理により作成されるアセスメントチャートの例について説明する。
【０１７７】
図５３は、ターゲット変数がコンテンツAのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約１．８５％のレスポンスが得られることを示している。
【０１７８】
図５４は、ターゲット変数がコンテンツBのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約３．３％のレスポンスが得られることを示している。
【０１７９】
図５５は、ターゲット変数がコンテンツCのレスポンスである場合（ターゲット変数が１種類の場合）のアセスメントチャートを示している。この例は、データマイニングサーバ５が高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約２．４％のレスポンスが得られることを示している。
【０１８０】
図５６は、ターゲット変数がコンテンツA，B，Cのレスポンスである場合（ターゲット変数が複数ある場合）に、図５２のフローチャートに示す処理で作成したアセスメントチャートの例を示している。この例においては、データマイニングサーバ５は、高レスポンス率が期待される上位１０％の顧客を選択して広告メールを送信するとした場合、約４．０％のレスポンスが得られることを示しており、コンテンツA，B，Cのそれぞれ個別のアセスメントチャート（図５３乃至図５５）より、高い予測レスポンス率が得られることが判る。
【０１８１】
以上においては、データマイニングサーバ５は、メールサーバ１からコンテンツ（広告メール）をテスト送信し、その分析結果に基づいて顧客毎に各コンテンツ毎の予測レスポンス率を算出し、本送信において最もレスポンスが期待されるコンテンツを選択し、送信することとしたが、データマイニングサーバ５は、予測レスポンス率などの分析結果を利用して、コンテンツの送信料金（広告料金）を決定することができる。なお、コンテンツは、Webページに表示されるバナー広告や、広告メールなどにより構成される（以下、広告コンテンツと称する）。
【０１８２】
例えば、データマイニングサーバ５は、テスト送信のレスポンス結果（例えば、図１２乃至図１４）に基づいて広告料金を決定したり、テスト送信の結果に基づいてレスポンスパターンを作成し、取得したいレスポンス率を閾値として設定し、その閾値以上のレスポンス率が予測される顧客のみに広告コンテンツを送信する（図３５および図３６）ことにより広告料金を決定したり、または、コンテンツが複数ある場合に、レスポンスパターンから、レスポンス率およびレスポンス数を予測して広告コンテンツを送信する（図３９乃至図４１）ことにより、広告料金を決定したりすることができる。なお、データマイニングサーバ５は、アセスメントチャートからレスポンス数およびレスポンス率を予測して広告価格を決定することもできる。
【０１８３】
図５７のフローチャートを参照して、データマイニングサーバ５がテスト送信のレスポンス結果に基づいて広告料金を決定する処理について説明する。
【０１８４】
ステップS１７１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０１８５】
ステップS１７２において、CPU４１は、ステップS１７１の処理で取得したテスト送信の結果より、レスポンス率を算出する。テスト送信のレスポンス率は、例えば、図１２乃至図１４に示されるように、各広告コンテンツ毎に算出される。
【０１８６】
ステップS１７３において、CPU４１は、記憶部４８に記憶されている広告コンテンツ毎のレスポンス率と広告価格の対応表に基づいて広告価格を決定する。そのため、データマイニングサーバ５の管理者は、広告コンテンツ毎の予測レスポンス率と広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１８７】
次に、図５８のフローチャートを参照して、テスト送信の結果から予測したレスポンス率に応じて広告価格を決定するデータマイニングサーバ５の処理について説明する。
【０１８８】
ステップS１８１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０１８９】
ステップS１８２において、CPU４１は、テスト送信の結果から顧客毎の予測レスポンス率を算出する。CPU４１が実行する処理は、例えば、図１５および図１７に示す処理である。
【０１９０】
ステップS１８３において、CPU４１は、ステップS１８２の処理で算出した予測レスポンス率と、分析した顧客プロファイルに基づいて、レスポンスパターンを作成する。CPU４１が作成するレスポンスパターンは、例えば、図３５および図３６に示すようなレスポンスパターンである。
【０１９１】
ステップS１８４において、CPU４１は、入力部４１からデータマイニングサーバ５の管理者が入力した予測レスポンス率に基づいて、ステップS１８３の処理で作成したレスポンスパターンに、閾値となる予測レスポンス率を設定する。例えば、図３５および図３６の例においては、それぞれの図に示すように閾値Tが設定される。
【０１９２】
ステップS１８５において、CPU４１は、記憶部４８に予め記憶されている予測レスポンス率と広告価格の対応表から、閾値の予測レスポンス率に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス率と広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１９３】
次に、図５９のフローチャートを参照して、テスト送信の結果から予測したレスポンス率と予測レスポンス数に応じて広告価格を決定するデータマイニングサーバ５の処理について説明する。
【０１９４】
ステップS２０１乃至S２０３の処理は、図５８のステップS１８１乃至S１８３の処理と同様の処理である。すなわち、テスト送信の結果に基づいて予測レスポンス率が算出され、それに基づいて、レスポンスパターンが作成される。なお、ステップS２０３の処理で作成されるレスポンスパターンは、例えば、図３９乃至図４１のレスポンスパターンとする。
【０１９５】
ステップS２０４において、CPU４１は、顧客毎に送信する広告コンテンツを選択する。例えば、ステップS２０３の処理で作成されるレスポンスパターンが図３９に示すレスポンスパターンである場合、CPU４１は、全顧客にコンテンツAを送信することを選択する。また、例えば、ステップS２０３の処理で作成されるレスポンスパターンが図４０に示すレスポンスパターンである場合、CPU４１は、顧客プロファイルP１の左側の顧客プロファイルに対応する顧客に対してコンテンツBを、顧客プロファイルP１の右側の顧客プロファイルに対応する顧客に対してコンテンツCを、それぞれ送信することを選択する。
【０１９６】
さらに、例えば、ステップS２０３の処理で作成されるレスポンスパターンが図４１に示すレスポンスパターンである場合、CPU４１は、顧客プロファイルP１の左側の顧客プロファイルに対応する顧客に対してコンテンツAを、顧客プロファイルP１から顧客プロファイルP２の間の顧客プロファイルに対応する顧客に対してコンテンツBを、顧客プロファイルP２の右側の顧客プロファイルに対応する顧客に対してコンテンツCを、それぞれ送信することを選択する。
【０１９７】
ステップS２０５において、CPU４１は、ステップS２０４の処理で選択した広告コンテンツに基づいて、全体の予測レスポンス数および予測レスポンス率を算出する。
【０１９８】
ステップS２０６において、CPU４１は、記憶部４８に記憶されている予測レスポンス数および予測レスポンス率と、広告価格との対応表から、ステップS２０５の処理で算出した予測レスポンス数および予測レスポンス率に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス数および予測レスポンス率と、広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０１９９】
図６０は、データマイニングサーバ５がアセスメントチャートに基づいて広告価格を決定する処理を説明するフローチャートである。
【０２００】
ステップS２２１において、CPU４１は、Webサーバ４から送信されてきたテスト送信の結果を取得する。
【０２０１】
ステップS２２２において、CPU４１は、テスト送信の結果に基づいてアセスメントチャートを作成する。CPU４１は、ターゲット変数が１種類の場合、図４６のフローチャートの処理を実行することによりアセスメントチャートを作成し、また、ターゲット変数が複数ある場合、図５２のフローチャートを実行することによりアセスメントチャートを作成する。
【０２０２】
ステップS２２３において、CPU４１は、データマイニングサーバ５の管理者からの予測レスポンス数や予測レスポンス率などの入力に対応する広告価格を決定する。そのため、データマイニングサーバ５の管理者は、予測レスポンス数および予測レスポンス率と、広告価格の対応表を記憶部４８に予め登録しておく必要がある。
【０２０３】
データマイニングサーバ５の管理者は、例えば、広告価格をレスポンス数に正比例させる場合、１レスポンスあたりの広告単価をP円とすると、
（広告価格）＝（予測レスポンス数）×P
となるような広告価格の対応表を記憶部４８に記憶させる。
【０２０４】
以上においては、メールサーバ１とデータマイニングサーバ５を別の装置により構成されるとしたが、メールサーバ１とデータマイニングサーバ５の２つの機能を有する１つの装置としても良い。
【０２０５】
上述した一連の処理は、ハードウェアにより実行させることもできるが、ソフトウェアにより実行させることもできる。
【０２０６】
一連の処理をソフトウエアにより実行させる場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば、汎用のパーソナルコンピュータなどに、ネットワークや記録媒体からインストールされる。
【０２０７】
この記録媒体は、図３乃至図５に示すように、装置本体とは別に、ユーザにプログラムを提供するために配布される、プログラムが記録されている磁気ディスク３１，５１，７１（フロッピディスクを含む）、光ディスク３２，５２，７２（CD-ROM(Compact Disk-Read Only Memory)，DVD(Digital Versatile Disk)を含む）、光磁気ディスク３３，５３，７３（MD(Mini-Disk)を含む）、もしくは半導体メモリ３４，５４，７４などよりなるパッケージメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される、プログラムが記録されているROM２２，４２，６２や、記憶部２８，４８，６８に含まれるハードディスクなどで構成される。
【０２０８】
なお、本明細書において、記録媒体に記録されるプログラムを記述するステップは、記載された順序に従って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
【０２０９】
また、本明細書において、システムとは、複数の装置により構成される装置全体を表すものである。
【０２１０】
【発明の効果】
本発明の配信システムによれば、多数の顧客に対してコンテンツを送信した場合の予測レスポンス率を高めることができる。
【図面の簡単な説明】
【図１】本発明を適用した広告メール配信システムの構成例を示すブロック図である。
【図２】図１の顧客情報データベースのデータベース例を説明する図である。
【図３】図１のメールサーバの構成を示すブロック図である。
【図４】図１のデータマイニングサーバの構成を示すブロック図である。
【図５】図１のパーソナルコンピュータの構成を示すブロック図である。
【図６】テスト送信によるデータ収集処理を説明するフローチャートである。
【図７】テスト送信１に利用する広告メールの例を示す図である。
【図８】テスト送信１に利用する広告メールの他の例を示す図である。
【図９】テスト送信２に利用する広告メールの例を示す図である。
【図１０】テスト送信２に利用する広告メールの他の例を示す図である。
【図１１】テスト送信３に利用する広告メールの例を示す図である。
【図１２】テスト送信１のレスポンス結果を説明する図である。
【図１３】テスト送信２のレスポンス結果を説明する図である。
【図１４】テスト送信３のレスポンス結果を説明する図である。
【図１５】データマイニングサーバの処理を説明するフローチャートである。
【図１６】学習モデルの例を示す図である。
【図１７】データマイニングサーバの他の処理を説明するフローチャートである。
【図１８】予測レスポンス率の例を説明する図である。
【図１９】本送信における広告メールの送信数を説明する図である。
【図２０】本送信によるデータ収集処理を説明するフローチャートである。
【図２１】本送信１の結果を説明する図である。
【図２２】本送信２の結果を説明する図である。
【図２３】本送信３の結果を説明する図である。
【図２４】顧客プロファイル毎のレスポンス率を説明する図である。
【図２５】他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２６】さらに他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２７】顧客プロファイル毎のレスポンス率を説明する図である。
【図２８】他の顧客プロファイル毎のレスポンス率を説明する図である。
【図２９】さらに他の顧客プロファイル毎のレスポンス率を説明する図である。
【図３０】本送信A１の結果のアセスメントチャートを示す図である。
【図３１】本送信B１の結果のアセスメントチャートを示す図である。
【図３２】本送信２の結果のアセスメントチャートを示す図である。
【図３３】本送信３の結果のアセスメントチャートを示す図である。
【図３４】本送信の結果を説明する図である。
【図３５】レスポンスパターンを示す図である。
【図３６】他のレスポンスパターンを示す図である。
【図３７】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図３８】メールサーバの処理を説明するフローチャートである。
【図３９】さらに他のレスポンスパターンを示す図である。
【図４０】レスポンスパターンを示す図である。
【図４１】他のレスポンスパターンを示す図である。
【図４２】データマイニングサーバの処理を説明するフローチャートである。
【図４３】アセスメントチャートの作成方法を説明する図である。
【図４４】アセスメントチャートの作成方法を説明する図４３に続く図である。
【図４５】アセスメントチャートの作成方法を説明する図４４に続く図である。
【図４６】データマイニングサーバの他の処理を説明するフローチャートである。
【図４７】アセスメントチャートの例を示す図である。
【図４８】アセスメントチャートの作成方法を説明する図である。
【図４９】アセスメントチャートの作成方法を説明する図４８に続く図である。
【図５０】アセスメントチャートの作成方法を説明する図４９に続く図である。
【図５１】アセスメントチャートの作成方法を説明する図５０に続く図である。
【図５２】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図５３】他のアセスメントチャートの例を示す図である。
【図５４】さらに他のアセスメントチャートの例を示す図である。
【図５５】アセスメントチャートの例を示す図である。
【図５６】他のアセスメントチャートの例を示す図である。
【図５７】データマイニングサーバの処理を説明するフローチャートである。
【図５８】データマイニングサーバの他の処理を説明するフローチャートである。
【図５９】データマイニングサーバのさらに他の処理を説明するフローチャートである。
【図６０】データマイニングサーバの処理を説明するフローチャートである。
【符号の説明】
１ メールサーバ， ２ 顧客情報データベース， ４ Webサーバ， ５ データマイニングサーバ， ６ 分析用データベース， ２１ CPU， ２２ ROM， ２３ RAM， ２４ バス， ２５ 入出力インタフェース， ２６ 入力部， ２７ 出力部， ２８ 記憶部， ２９ 通信部， ３０ ドライブ，３１ 磁気ディスク， ３２ 光ディスク， ３３ 光磁気ディスク， ３４半導体メモリ， ４１ CPU， ４２ ROM， ４３ RAM， ４４ バス， ４５ 入出力インタフェース， ４６ 入力部， ４７ 出力部， ４８ 記憶部， ４９ 通信部， ５０ ドライブ， ５１ 磁気ディスク， ５２ 光ディスク， ５３ 光磁気ディスク， ５４ 半導体メモリ
Claims (1)
- コンピュータである、データマイニングサーバ、メールサーバ、およびWebサーバがネットワークを介して接続されることによって構成される配信システムにおいて、
前記データマイニングサーバは、
顧客の識別情報、デモグラフィック情報、および電子メールアドレスを含む情報を顧客情報として記憶する顧客情報データベースに前記顧客情報が記憶されている顧客の中から、コンテンツのテスト送信の対象になる顧客をランダムに第１のCPUの情報処理によって選択する選択手段と、
前記選択手段により選択された顧客に関する前記顧客情報に含まれる前記電子メールアドレスを前記第１のCPUの制御に応じて前記メールサーバに送信する送信手段と
を備え、
前記メールサーバは、
前記データマイニングサーバから送信されてきた前記電子メールアドレスに基づいて、前記テスト送信の対象になる顧客が使用する情報処理端末に対して、それぞれの前記情報処理端末が１つのコンテンツを受信するように、アクセス先としての前記Webサーバを指定する情報を含む複数のコンテンツを第２のCPUの制御に応じて送信する送信手段
を備え、
前記Webサーバは、
前記メールサーバにより送信されたコンテンツを受信した前記情報処理端末から、前記コンテンツに含まれる情報に基づいてアクセスが行われた場合、アクセスしてきた前記情報処理端末の顧客の識別情報を含む情報を、前記メールサーバにより送信されたコンテンツに対するレスポンス情報として第３のCPUの制御に応じて記憶する記憶手段と、
前記記憶手段に記憶されている前記レスポンス情報を前記第３のCPUの制御に応じて前記データマイニングサーバに送信する送信手段と
を備え、
前記データマイニングサーバは、さらに、
前記Webサーバから送信されてきた前記レスポンス情報に含まれる顧客の識別情報より特定される顧客に関する前記顧客情報と、前記レスポンス情報に含まれる顧客の識別情報より特定される顧客の、各コンテンツに対する前記レスポンス情報とから構成されるデータを分析用データとして前記第１のCPUによる情報処理によって分析用データベースに記憶させる記憶制御手段と、
前記第１のCPUによる情報処理によって、前記分析用データベースに記憶されている前記分析用データを学習用データと評価用データに分割し、前記学習用データに対して、前記Webサーバに対するアクセスをターゲットとする予測分析を行うことによって学習パラメータを算出することをコンテンツの種類毎に行い、所定のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第１の学習パラメータと、他のコンテンツの前記分析用データを分割して得られた前記学習用データに基づいて算出された第２の学習パラメータを、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データに適用して、前記第１の学習用パラメータを適用して求めた第１の予測値と前記第２の学習用パラメータを適用して求めた第２の予測値とを含む予測値を算出し、前記所定のコンテンツの前記分析用データを分割して得られた前記評価用データから、前記第１の学習用パラメータを適用することによって最大の前記第１の予測値が求められた前記評価用データを抽出することと、前記第２の学習用パラメータを適用することによって最大の前記第２の予測値が求められた前記評価用データを抽出することとを、それぞれのコンテンツを前記所定のコンテンツとして行い、抽出した複数の前記評価用データを合成し、合成した前記評価用データを、前記第１の予測値と前記第２の予測値とを含む予測値の最大値が高い顧客のデータ順にソートする情報処理手段と
を備え、
前記データマイニングサーバの前記選択手段は、前記情報処理手段によるソート結果に基づいて、前記予測値により表されるレスポンスの予測確率が高い順に、顧客全体のうちの所定の割合の顧客を、コンテンツの本送信の対象になる顧客として選択する
配信システム。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000312329A JP4529058B2 (ja) | 2000-10-12 | 2000-10-12 | 配信システム |
| US09/975,799 US7062477B2 (en) | 2000-10-12 | 2001-10-11 | Information-processing apparatus, information-processing method and storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2000312329A JP4529058B2 (ja) | 2000-10-12 | 2000-10-12 | 配信システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002123738A JP2002123738A (ja) | 2002-04-26 |
| JP4529058B2 true JP4529058B2 (ja) | 2010-08-25 |
Family
ID=18791943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2000312329A Expired - Fee Related JP4529058B2 (ja) | 2000-10-12 | 2000-10-12 | 配信システム |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US7062477B2 (ja) |
| JP (1) | JP4529058B2 (ja) |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8086697B2 (en) | 2005-06-28 | 2011-12-27 | Claria Innovations, Llc | Techniques for displaying impressions in documents delivered over a computer network |
| US7475404B2 (en) | 2000-05-18 | 2009-01-06 | Maquis Techtrix Llc | System and method for implementing click-through for browser executed software including ad proxy and proxy cookie caching |
| US8321427B2 (en) | 2002-10-31 | 2012-11-27 | Promptu Systems Corporation | Method and apparatus for generation and augmentation of search terms from external and internal sources |
| US7603341B2 (en) | 2002-11-05 | 2009-10-13 | Claria Corporation | Updating the content of a presentation vehicle in a computer network |
| US20040167897A1 (en) * | 2003-02-25 | 2004-08-26 | International Business Machines Corporation | Data mining accelerator for efficient data searching |
| US20040204981A1 (en) * | 2003-04-14 | 2004-10-14 | Schuebel Diane M. | Business method for performing consumer research |
| US7848909B2 (en) * | 2004-01-14 | 2010-12-07 | Sap Aktiengesellschaft | Computing prediction results during an unbroken online interactive session |
| US8255413B2 (en) | 2004-08-19 | 2012-08-28 | Carhamm Ltd., Llc | Method and apparatus for responding to request for information-personalization |
| US8078602B2 (en) | 2004-12-17 | 2011-12-13 | Claria Innovations, Llc | Search engine for a computer network |
| US7693863B2 (en) | 2004-12-20 | 2010-04-06 | Claria Corporation | Method and device for publishing cross-network user behavioral data |
| US8645941B2 (en) | 2005-03-07 | 2014-02-04 | Carhamm Ltd., Llc | Method for attributing and allocating revenue related to embedded software |
| US8073866B2 (en) | 2005-03-17 | 2011-12-06 | Claria Innovations, Llc | Method for providing content to an internet user based on the user's demonstrated content preferences |
| US20070005791A1 (en) * | 2005-06-28 | 2007-01-04 | Claria Corporation | Method and system for controlling and adapting media stream |
| US9858579B1 (en) | 2006-02-28 | 2018-01-02 | International Business Machines Corporation | Plan tuning engine |
| US9785951B1 (en) | 2006-02-28 | 2017-10-10 | International Business Machines Corporation | Scalable tuning engine |
| JP2007280047A (ja) * | 2006-04-06 | 2007-10-25 | Fuji Xerox Co Ltd | 商品情報提供の評価方法 |
| JP2007280038A (ja) * | 2006-04-06 | 2007-10-25 | Fuji Xerox Co Ltd | 商品情報提供の評価方法 |
| AU2007202292A1 (en) * | 2006-05-25 | 2007-12-13 | Dunnhumby Limited | Method for planning and evaluating in-store advertising for a retail entity |
| US8639558B2 (en) * | 2006-09-25 | 2014-01-28 | International Business Machines Corporation | Providing markdown item pricing and promotion calendar |
| US9846846B2 (en) * | 2006-11-14 | 2017-12-19 | International Business Machines Corporation | Method and system for analyzing contact studies |
| US9754273B2 (en) * | 2006-12-19 | 2017-09-05 | Microsoft Technology Licensing, Llc | Enterprise resource tracking of knowledge |
| US20090187928A1 (en) * | 2007-10-22 | 2009-07-23 | Rextide Inc. | Primary Application Advertising Layer |
| US7953680B2 (en) * | 2007-12-10 | 2011-05-31 | International Business Machines Corporation | Computer program product for excluding variations attributable to equipment used in semiconductor wafer manufacturing from split analysis procedures |
| US8177663B2 (en) * | 2009-07-23 | 2012-05-15 | WM. T. Burnett IP, LLP | Golf club with interchangeable faces and weights |
| US8543445B2 (en) * | 2009-12-21 | 2013-09-24 | Hartford Fire Insurance Company | System and method for direct mailing insurance solicitations utilizing hierarchical bayesian inference for prospect selection |
| US10515380B2 (en) * | 2012-11-16 | 2019-12-24 | [24]7.ai, Inc. | Proactive surveys based on customer information |
| JP5797686B2 (ja) * | 2013-04-26 | 2015-10-21 | シャープ株式会社 | 情報処理装置、および情報提供方法 |
| US20160117717A1 (en) * | 2014-10-28 | 2016-04-28 | Adobe Systems Incorporated | Systems and Techniques for Intelligent A/B Testing of Marketing Campaigns |
| US11132701B2 (en) * | 2016-12-15 | 2021-09-28 | Emplifi Inc. | Method and user device for generating predicted survey participation data at the user device |
| CN109961327A (zh) * | 2019-04-11 | 2019-07-02 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN110033324A (zh) * | 2019-04-11 | 2019-07-19 | 上海拉扎斯信息科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| JP7516861B2 (ja) | 2020-05-22 | 2024-07-17 | Ｔｏｐｐａｎホールディングス株式会社 | ダイレクトメール作成支援装置、ダイレクトメール作成支援方法、及びプログラム |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10228487A (ja) * | 1997-02-17 | 1998-08-25 | Nec Corp | ユーザ嗜好自動学習方式 |
| JP2000172697A (ja) * | 1998-12-03 | 2000-06-23 | Sony Corp | 顧客情報検索方法及び顧客情報検索装置、データ作成方法、並びにデータベース |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3468868B2 (ja) * | 1994-09-26 | 2003-11-17 | 株式会社日立製作所 | 通信ネットワークシステムおよび情報処理端末 |
| JPH08298581A (ja) * | 1995-04-25 | 1996-11-12 | Canon Inc | ファクシミリ装置 |
| JP3347914B2 (ja) * | 1995-05-26 | 2002-11-20 | シャープ株式会社 | データ管理装置 |
| JPH0969889A (ja) * | 1995-06-19 | 1997-03-11 | Canon Inc | データ処理装置 |
| JPH09149076A (ja) * | 1995-09-22 | 1997-06-06 | Canon Inc | データ通信装置及び方法 |
| JP3703232B2 (ja) * | 1996-03-12 | 2005-10-05 | キヤノン株式会社 | データ通信装置 |
| CN1198426C (zh) * | 1996-04-04 | 2005-04-20 | 松下通信系统设备株式会社 | 传真通信方法和传真机 |
| US6530083B1 (en) * | 1998-06-19 | 2003-03-04 | Gateway, Inc | System for personalized settings |
| JP3235660B2 (ja) * | 1998-12-24 | 2001-12-04 | 日本電気株式会社 | 情報検索装置及びその方法ならびに情報検索プログラムを格納した記憶媒体 |
| US6549939B1 (en) * | 1999-08-31 | 2003-04-15 | International Business Machines Corporation | Proactive calendar notification agent |
-
2000
- 2000-10-12 JP JP2000312329A patent/JP4529058B2/ja not_active Expired - Fee Related
-
2001
- 2001-10-11 US US09/975,799 patent/US7062477B2/en not_active Expired - Lifetime
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10228487A (ja) * | 1997-02-17 | 1998-08-25 | Nec Corp | ユーザ嗜好自動学習方式 |
| JP2000172697A (ja) * | 1998-12-03 | 2000-06-23 | Sony Corp | 顧客情報検索方法及び顧客情報検索装置、データ作成方法、並びにデータベース |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2002123738A (ja) | 2002-04-26 |
| US7062477B2 (en) | 2006-06-13 |
| US20020091875A1 (en) | 2002-07-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4529058B2 (ja) | 配信システム | |
| Doğan et al. | Customer segmentation by using RFM model and clustering methods: a case study in retail industry | |
| Gubela et al. | Conversion uplift in e-commerce: A systematic benchmark of modeling strategies | |
| Ha et al. | Customer's time-variant purchase behavior and corresponding marketing strategies: an online retailer's case | |
| Hill et al. | Network-based marketing: Identifying likely adopters via consumer networks | |
| Bounsaythip et al. | Overview of data mining for customer behavior modeling | |
| Bose et al. | Quantitative models for direct marketing: A review from systems perspective | |
| Wattal et al. | What's in a “name”? Impact of use of customer information in e-mail advertisements | |
| US20110055000A1 (en) | Predicting email responses | |
| Edelstein | Building profitable customer relationships with data mining | |
| JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
| Blanchard et al. | Extracting summary piles from sorting task data | |
| Bhambri | Data mining as a tool to predict churn behavior of customers | |
| Mahfuza et al. | LRFMV: An efficient customer segmentation model for superstores | |
| JP5277996B2 (ja) | 解析装置、解析方法及び解析方法のプログラム | |
| JP2002123739A (ja) | 情報処理装置および方法、並びに記録媒体 | |
| JP4538934B2 (ja) | 配信システム | |
| Ansari et al. | Using decision trees to analyse the customers' shopping location preferences | |
| Ahn | Predicting customer attrition using binge trading patterns: Implications for the financial services industry | |
| WO2021192232A1 (ja) | 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体 | |
| JP2016122472A (ja) | 情報処理装置および情報分析方法 | |
| Song et al. | Uncovering Characteristic Paths to Purchase of Consumers | |
| Aljifri | Predicting Customer Churn in a Subscription-Based E-Commerce Platform Using Machine Learning Techniques | |
| Ishino | Knowledge extraction of consumers’ attitude and behavior: a case study of private medical insurance policy in Japan | |
| Swetha et al. | Forecasting Online Shoppers Purchase Intentions with Cat Boost Classifier |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070305 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20090617 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090625 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090821 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100126 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100323 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100513 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100526 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130618 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |