JP6034890B2 - 仕様、推定、原因となるドライバの発見及びマーケット反応弾性又はリフト係数の自動化 - Google Patents

Description

〔関連出願との相互参照〕
本出願は、１）２００８年１０月３１日に出願された米国仮特許出願第６１／１１０，５１４号の利益を主張するものであり、該出願はその全体が引用により本明細書に組み入れられる。

本出願は、２００７年３月１９日に出願された米国仮特許出願第６０／８９５，７２９号、２００７年１１月２９日に出願された米国仮特許出願第６０／９９１，１４７号、２００８年７月２８日に出願された米国仮特許出願第６１／０８４，２５２号、及び２００８年７月２８日に出願された米国仮特許出願第６１／０８４，２５５号に関連し、これらの出願の各々はその全体が引用により本明細書に組み入れられる。

説明する技術は、自動決定支援ツールの分野を対象とし、より詳細には自動予算編成ツールの分野を対象とする。

マーケティングコミュニケーション（「マーケティング」）とは、製品又はサービス、すなわち「オファリング」の売り手が、見込み客に対してオファリングに関する教育を行うプロセスのことである。マーケティングは、多くの場合売り手にとって主な支出であり、様々な異なる広告媒体及び／又はアウトレットなどの数多くの構成要素又はカテゴリ、並びにその他のマーケティング技術から作り上げられることが多い。支出レベルの原因を多くの構成要素に求めるマーケティング予算の開発に伴う複雑さをよそに、有用な自動決定支援ツールはほとんど存在せず、この行為を主観的な結論に依拠して手作業で行うことが一般的になっており、多くの場合不利益な結果が生じている。

有用な決定支援ツールが存在する数少ない例では、通常、ツールのユーザが、サブジェクトオファリングへの過去のマーケティング資源の配分、及びこれらがもたらした結果に関する大量のデータを提供する必要がある。多くの場合、例えば新規オファリングなどの場合には、このようなデータを利用することができない。たとえこのようなデータを利用できる場合でも、このデータにアクセスし、これを決定支援ツールに提供することは不便な場合がある。

従って、ユーザがオファリングに関する過去のパフォーマンスデータを提供する必要なく、オファリング及びその様々な構成要素への資金又はその他の資源の有利な配分を自動的に指示するツールが非常に役立つと思われる。

ファシリティの提供に使用される典型的な配置の構成要素内におけるデータフローを示す高水準データフロー図である。 ファシリティを実行するコンピュータシステム及びその他の装置の少なくともいくつかに通常組み込まれる構成要素のいくつかを示すブロック図である。 過去のマーケティング努力のライブラリのサンプルコンテンツを示すテーブル図である。 ファシリティへのアクセスを許可ユーザに限定するためにファシリティが使用するサインインページを示す表示図である。 ビュー／編集モードにおいてファシリティが生成するページ表示を示すフロー図である。 ファシリティが全体的なマーケティング予算及びその配分を指示するサブジェクトオファリングに関する情報を求めるためにファシリティが提供する表示を示す図である。 ファシリティが全体的なマーケティング予算及びその配分を指示するサブジェクトオファリングに関する情報を求めるためにファシリティが提供する表示を示す図である。 ファシリティが全体的なマーケティング予算及びその配分を指示するサブジェクトオファリングに関する情報を求めるためにファシリティが提供する表示を示す図である。 ファシリティが全体的なマーケティング予算及びその配分を指示するサブジェクトオファリングに関する情報を求めるためにファシリティが提供する表示を示す図である。 結果を見直すための分析の形式をユーザが選択できるようにするために、サブジェクトオファリングに関する情報を収集した後にファシリティが提供する結果ナビゲーション表示を示す表示図である。 サブジェクトオファリングに関してファシリティが決定した最適な総マーケティング予算を伝えるためにファシリティが提供する表示を示す表示図である。 支出構成情報を示すためにファシリティが提供する表示である。表示は、ファシリティが指示する全体的な予算１２０１を含む。 ユーザから追加のオファリング属性情報を収集する段階を表すプロセス図である。 サブジェクトオファリングに関する３つの導き出される尺度、すなわち認知、影響、及び経験の導出を示すプロセス図である。 マーケティングアクティビティの配分の組を示すテーブル図であり、各々は、図１４に示す３つの導き出される属性の様々な組み合わせに対するものである。 図１５のテーブルにより指示された初期配分を、いくつかの特別な条件１６００に関してどのように調整すべきかを示すプロセス図である。 個々のマーケティングアクティビティに費やすためのドル額をファシリティがどのように決定するかを示すプロセス図である。 図１７に示す結果への最終調整を示すプロセス図である。 ３つの異なる形で包装された同じ製品のようないくつかの関連するサブジェクトオファリングに関して、ファシリティが行う資源配分の指示を表すためにファシリティが提供する表示を示す表示図である。 データ入力を指示し自動的に収集するための、いくつかの実施形態においてファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 データ入力を指示し自動的に収集するための、いくつかの実施形態においてファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 データ入力を指示し自動的に収集するための、いくつかの実施形態においてファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 データ入力を指示し自動的に収集するための、いくつかの実施形態においてファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。 ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。

サブジェクトオファリングの定性的記述を使用して、実験的に取得した計量経済学データに基づくサブジェクトオファリングの利益などのビジネスの成果の最適化を目的とした方法で、（１）サブジェクトオファリングに関するマーケティング及び販売資源の総予算と、（２）この総予算の複数の支出カテゴリにわたる配分−−「アクティビティ」とも呼ばれる−−との両方を自動的に指定するソフトウェア機能（「ファシリティ」）を提供する。

初期化設定段階では、ファシリティが、サブジェクトオファリングに対するマーケティング努力と必要な関係を有していない様々なオファリングのための過去のマーケティング努力に関するデータを検討する。データは、個々のこのような努力に関して、（１）マーケティングしたオファリングの特徴、（２）総マーケティング予算、（３）マーケティングアクティビティ間の配分、及び（４）ビジネスの成果を反映する。マーケティング研究を直接行ったり、学術的出版物から取り入れたりなどによる様々な方法でこのデータを取得することができる。

ファシリティは、このデータを使用してファシリティの目的に合う資源を作成する。まず、ファシリティが、過去のマーケティング努力の全てにわたって総マーケティング予算の平均弾性尺度を計算し、これが特定のレベルの資源を総マーケティング予算に配分することによるビジネスの成果への影響を予測する。次に、ファシリティが、総マーケティング予算の平均弾性尺度に関するいくつかの調整係数を導き出し、これが過去のマーケティング努力の特定の特徴を反映させるために総マーケティング予算の平均弾性尺度をどのくらい増加又は減少させるべきかを特定する。３番目に、ファシリティが、いくつかの定性的に類似したオファリングのグループの各々の過去のマーケティング努力に関して、個々のマーケティングアクティビティがこのグループのマーケティング努力のビジネスの成果にどの程度影響を与えたかを示すアクティビティ当たり弾性尺度を導き出す。

ファシリティは、インタービューイング技術を使用して、ユーザからのサブジェクトオファリングの定性的記述を要求する。ファシリティは、要求した定性的記述の一部を使用して、総マーケティング予算の平均弾性尺度に適用するための調整係数を特定する。ファシリティは、特定した調整係数により調整されたあるバージョンの総マーケティング予算の平均弾性尺度を使用して、サブジェクトオファリングに関する最高レベルの利益を生み出し、或いはユーザが特定する他の何らかの目的を最大化すると予想される理想的な総マーケティング予算を特定する。

理想的な総マーケティング予算の特定後、ファシリティは、要求したサブジェクトオファリングの定性的記述を使用して、サブジェクトオファリングが他のオファリングのグループのいずれと最もよく一致するかを判定するとともに、そのグループに関して導き出したアクティビティ当たり弾性尺度の組から理想的なマーケティングアクティビティの配分の組を導き出す。

いくつかの実施形態では、ファシリティが、シンジケートメディア、シンジケート販売データ、インターネットメディア、インターネット行動データ、自然検索クエリデータ、有料検索活動データ、テレビ、ラジオ、印刷物などのメディアデータ、消費者行動データ、追跡調査データ、経済データ、天気データ、株式市場などの金融データ、競争マーケティング支出データ、及びオンライン及びオフライン販売データを含む数多くの種類の外部ソースの１又はそれ以上から受け取ったデータを検討する。

いくつかの実施形態では、ファシリティが、いくつかのサードパーティのソースの各々から、このサードパーティデータの回収及びマッピングを誘導するためのソースごとの所定のテンプレートを使用して成果及びドライバデータを回収する。いくつかの実施形態では、ファシリティが、クライアントに推薦する資源配分を生成するために、この回収したサードパーティデータを、販売又はクライアントから得た１又はそれ以上のその他のビジネス成果に関するクライアント固有のデータとともに使用する。いくつかの実施形態では、これにより、クライアントから成果及び／又はドライバデータを収集する必要性を未然に防ぎ、多くの場合、時間及び資源を大幅に節約することができる。

このようにして、ファシリティは、ユーザが過去のパフォーマンスデータをサブジェクトオファリングに提供する必要なく、サブジェクトオファリングへの総マーケティング資源の配分及び分配を自動的に指示する。

ファシリティが決定する販売又は市場反応曲線により、様々な資源ドライバの数学関数としてビジネス成果が予測される。
販売＝Ｆ（いずれかのドライバ変数の組）となり、この場合、Ｆは正しい収益逓減の経済特性を含む統計関数を示す。

さらに、この関係は、時系列、断面、又は時系列及び断面の両方のいずれかのデータに基づくので、この方法は本質的に、基本状態に対して直接的、間接的、及び相互作用的効果をもたらす。

これらの効果は、販売が基本的なドライバ変数及びデータ構造の変化にどのように反応するかを記述する。多くの場合、これらの反応効果は「リフト係数」として知られている。特別なサブセット又はケースとして、これらの方法により、断面又は時系列のあらゆるオンオフ状態を読み取ることが可能になる。

異なる種類のリフト係数の特定及び適用に適した様々なクラスの統計関数が存在する。いくつかの実施形態では、ファシリティが、リフト係数の倍数詞及び（自然対数を使用した）対数の対数及び点推定値として知られているクラスを使用する。

ある状況では、ファシリティが、カテゴリドライバデータ及びカテゴリ成果に適用する方法を使用する。これらは、多項式ロジット法、ロジット法、プロビット法、非母数法又はハザード法として知られている確率的リフト係数のクラスを含む。

様々な実施形態では、ファシリティが、様々な方法で求められた様々な他の種類のリフト係数を使用する。本明細書における「弾性」に関する記述は、多くの場合様々な他の種類のリフト係数にまで及ぶ。

図１は、ファシリティの提供に使用される典型的な配置の構成要素内のデータフローを示す高水準データフロー図である。ユーザ制御下にあるいくつかのウェブクライアントコンピュータシステム１１０は、ページビュー要求１３１を生成し、インターネット１２０などのネットワークを介して論理ウェブサーバ１００へ送信する。通常これらの要求は、ページビュー要求、及びサブジェクトオファリングに関する情報の受信、及び指示された総マーケティング予算及びその分配に関する情報の提供に関する様々な種類の他の要求を含む。ウェブサーバ内において、これらの要求を全て単一のウェブサーバコンピュータシステムへルーティングするか、或いはいくつかのウェブサーバコンピュータシステム間で負荷分散するかのいずれかを行うことができる。通常、ウェブサーバは、処理済みページ１３２で各々に応答する。

上述の環境に関して様々な実施形態について説明するが、当業者であれば、単一の、モノリシック構造のコンピュータシステム、並びに様々な方法で接続されたコンピュータシステム又は同様の装置の様々な他の組み合わせを含む様々なその他の環境でファシリティを実行できることを理解するであろう。様々な実施形態では、携帯電話、パーソナルデジタルアシスタント、テレビ、カメラなどのウェブクライアントコンピュータシステムの代わりに様々なコンピュータシステム又はその他の異なるクライアント装置を使用することができる。

図２は、ファシリティを実行するコンピュータシステム及びその他の装置の少なくともいくつかに通常組み込まれる構成要素のいくつかを示すブロック図である。これらのコンピュータシステム及び装置２００は、コンピュータプログラムを実行するための１又はそれ以上の中央処理ユニット（「ＣＰＵ」）２０１と、使用中のプログラム及びデータを記憶するためのコンピュータメモリ２０２と、プログラム及びデータを永続的に記憶するためのハードドライブなどの永続記憶装置２０３と、コンピュータ可読媒体に記憶されているプログラム及びデータを読み取るためのＣＤ−ＲＯＭドライブなどのコンピュータ可読媒体ドライブ２０４と、インターネットなどを介してコンピュータシステムを他のコンピュータシステムに接続するためのネットワーク接続２０５とを含むことができる。通常、上述のように構成されたコンピュータシステムを使用してファシリティの動作をサポートするが、当業者であれば、様々な種類及び構成の装置を使用して、また様々な構成要素を有してファシリティを実行できることを理解するであろう。

図３は、過去のマーケティング努力のライブラリのサンプルコンテンツを示すテーブル図である。ライブラリ３００は、エントリ３１０、３２０、及び３３０などのエントリでできており、これらの各々は、各々が類似のコンテキストを共有する１又はそれ以上の過去のマーケティング努力の組に対応する。個々のエントリは、エントリに対応する過去のマーケティング努力に当てはまるいくつかのコンテキスト属性値を含み、これには、新製品属性３１１、認知スコア属性３１２、影響スコア属性３１３、経験スコア３１４、メッセージ明快度スコア３１５、及びメッセージ説得力スコア３１６の値が含まれる。個々のエントリは、エントリに対応する過去のマーケティング努力の以下の統計的尺度の値、すなわち結果のログ３５１、ベース３５２、ラグ係数を含む結果のログ３５３、外部のログ３５４、相対的価格のログ３５５、及び相対的分配のログ３５６をさらに含む。個々のエントリは、ＴＶ３６１、印刷３６２、ラジオ３６３、屋外３６４、インターネット検索３６５、インターネット問い合わせ３６６、ヒスパニック３６７、ダイレクト３６８、イベント３６９、スポンサーシップ３７０、及びその他３７１を含むいくつかのカテゴリの各々に関する広告効率値のログをさらに含む。

図４は、ファシリティへのアクセスを許可ユーザに限定するためにファシリティが使用するサインインページを示す表示図である。ユーザは、自分の電子メールアドレスをフィールド４０１に、パスワードをフィールド４０２に入力し、サイン制御ボタン４０３を選択する。この方法によるサインインが困難な場合、ユーザは制御ボタン４１１を選択する。まだアカウントを持っていない場合、ユーザは新しいアカウントを作成するために制御ボタン４２１を選択する。

図５は、ビュー／編集モードにおいてファシリティが生成するページ表示を示すフロー図である。表示はいくつかのシナリオ５０１〜５０６をリストし、これらの各々は、ユーザのために生成された、或いはユーザに関連する組織のために生成された既存のオファリング指示に対応する。個々のシナリオにつき、表示は、シナリオ名５１１、シナリオの説明５１２、シナリオの作成日５１３、及びシナリオの状態を含む。ユーザは、シナリオ名、又はシナリオの状態を選択することなどによりこれらのシナリオのいずれかを選択して、シナリオに関するさらなる情報を取得することができる。表示はまた、ファシリティの異なるモードに導くためにユーザが使用できるタブ領域５５０も含む。現在のビュー／編集モード用タブ５５２に加え、タブ領域には、作成モード用タブ５５１、比較モード用タブ５５３、送信モード用タブ５５４、及び削除モード用タブ５５５が含まれる。ユーザは、対応するモードを起動するためにこれらのタブのいずれかを選択することができる。

図６〜図９は、ファシリティが全体的なマーケティング予算及びその分配を指示するサブジェクトオファリングに関する情報を求めるためにファシリティが提供する表示である。図６は、以下の属性、すなわち現在の収益６０１、現在の年間マーケティング支出６０２、業界全体の来年度の予想成長率６０３、収益のパーセンテージで表した粗利益６０４、及びドルのパーセンテージで表したマーケットシェア６０５の値を入力するための制御を示す図である。表示は、入力した属性値をセーブするためにユーザが選択できるセーブ制御ボタン６９８、及びコンテキスト属性値を入力する次の表示に進むためにユーザが選択できる続行制御ボタン６９９をさらに含む。

図７は、サブジェクトオファリングの属性値を求めるためにファシリティが提供するさらなる表示である。この表示は、以下のコンテキスト属性、すなわち業界新規度７０１、マーケット新規度７０２、チャネル新規度７０３、及びマーケティング革新７０４の値を入力するための制御を含む。

図８は、属性値を求めるためにファシリティが提供するさらなる表示である。この表示は、以下のコンテキスト属性、すなわちマーケティング情報コンテンツの新規度８０１、マーケットにおける会社のポジション８０２、マーケットシェア８０３、及び価格戦略８０４の値を入力するためにユーザが使用できる制御を有する。

図９は、属性値を求めるためにファシリティが提供するさらなる表示である。この表示は、顧客層の詳細を含めるかどうかを決定するためにユーザが使用できる制御９０１を含む。表示は、追加のコンテキスト属性値を指定するためのチャート９１０及び９２０をさらに含む。ユーザは、チャート９１０を使用して、サブジェクトオファリングに関与する会社によるブランド努力、メッセージング努力及びポジショニング努力の一貫性及び明快度の値を同時に指定することができる。チャート９１０を使用するために、ユーザは、一貫性及び明快度の属性の両方の適当な値に対応する、チャートに含まれるグリッド内の単一のセルを選択する。セクション９２０も同様であり、ユーザが会社広告の説得力及び好感度に関する適当な値を同時に選択できるようにしている。

図１０は、結果を見直すための分析の形式をユーザが選択できるようにするために、サブジェクトオファリングに関する情報を収集した後にファシリティが提供する結果ナビゲーション表示を示す表示図である。表示は、結果に関するマーケットシェア情報を見直すためにユーザが選択できる制御１００１と、結果に関する支出構成情報を見直すためにユーザが選択できる制御１００２と、結果に関する利益及び損失情報を見直すためにユーザが選択できる制御１００３とを含む。

図１１は、サブジェクトオファリングに関してファシリティが決定した最適な総マーケティング予算を伝えるためにファシリティが提供する表示を示す表示図である。表示は、総マーケティング予算に対する収益（すなわち、「マーケティング支出」）１１２０、及び総マーケティング予算に対する利益（すなわち、「マーケティング貢献事後経費」）１１３０の２つの曲線を示すグラフ１１１０を含む。ファシリティは、利益曲線１１３０のピークとしてポイント１１３１を特定し、従って対応するマーケティング支出のレベルである１００ドルを最適なマーケティング支出として特定している。ポイント１１３１の高さは、このマーケティング支出によりもたらされる利益の予想レベルを示し、ポイント１１２１の高さは、このマーケティング支出で予想される総収益の予想レベルを示す。テーブル１１５０は、最適なマーケティング支出及びその計算に関する追加の情報を提供するものである。テーブルは、現在のマーケティング支出１１６１、理想的なマーケティング支出１１６２、及びこれら２つの間の差分１１６３の各々につき、このマーケティング支出のレベルに対して予測される収益１１５１、このマーケティング支出のレベルで発生すると予想される商品及びサービスのコスト１１５２、このマーケティング支出のレベルで生じる粗利益１１５３、マーケティング支出１１５４、及びこのマーケティング支出のレベルで予想されるマーケティング貢献事後経費１１５５を示す。

利益曲線を定め、そのピークに達する総マーケティング予算レベルを特定するために、ファシリティはまず、サブジェクトオファリングに適した総マーケティング予算の弾性を決定する。この弾性値は、０．０１と０．３０との間の範囲に収まり、この範囲内に留まるように優先される。ファシリティは、各々がサブジェクトオファリングのための特定の属性値に関連するいくつかの調整係数に従って、０．１０又は０．１１などの初期弾性値を調整することにより弾性を計算する。これらの調整係数のサンプル値を以下の表１に示す。
表１
業界新規度の列は、図７に示す制御７０１に対応する。例えば、制御７０１における一番上のチェックボックスがチェックされた場合、ファシリティは業界新規度の列から調整係数０．０５を選択し、制御７０１における真ん中の２つのボックスのいずれかがチェックされた場合、ファシリティは業界新規度の列から調整係数０を選択し、制御７０１における一番下のチェックボックスがチェックされた場合、ファシリティは業界新規度の列から調整係数−０．０２を選択する。同様に、マーケティング革新の列は図７に示す制御７０４に対応し、新規情報の列は図８に示す制御８０１に対応し、マーケットシェアの列は図８に示す制御８０３に対応する。広告品質の列は、図９に示すチャート９１０及び９２０に対応する。具体的には、２つのグラフにおいて選択されたセルの、各グラフの左下隅に対する位置の和を使用して、高、中、又は低レベルの広告品質が決定される。

次にファシリティは、以下の表２で詳細に説明するように、調整された総マーケティング予算の弾性を使用して、最大利益が発生する総マーケティング予算のレベルを決定する。
表２

図１２は、支出構成情報を示すためにファシリティが提供する表示である。表示は、ファシリティが指示する全体的な予算１２０１を含む。ユーザは、下方に示された分配情報への影響を調べたい場合、この予算を編集することができる。表示は、マーケティング予算の指示に関する特別な問題を特定するためにユーザが使用できる制御１２０２及び１２０３も含む。表示は、いくつかのマーケティングアクティビティの各々に関する様々な情報を示すテーブル１２１０をさらに含む。各行１２１１〜１２２２は、異なるマーケティングアクティビティを特定している。各行は、現在のパーセンテージ配分１２０４、理想的なパーセンテージ配分１２０５、千ドル単位で表したブランドへのドルの配分１２０６、千ドル単位で表した製品へのドルの配分１２０７、及び千ドル単位で表した現在と理想との間のドルの差分の列にさらに分割される。例えば、行１２１４から、ファシリティが印刷広告への配分を１５％から１０％へ削減することを指示し、そのうちの３３０万ドルがブランドのための印刷広告に使われ、そのうちの２２０万ドルが製品のための印刷広告に使われること、及び現在の印刷マーケティングへの配分が理想的な配分よりも１８５万ドル多いことが分かる。表示は、予算及びマーケティングアクティビティのいずれかを含め、或いは排除すべくバーチャートによるレポートをカスタマイズするためにユーザが使用できるセクション１２３０をさらに含む。ユーザが、チェックボックス１２３１〜１２３３を選択して、ＴＶ、ラジオ、及び印刷のマーケティングアクティビティに関する棒グラフを含むレポートにセクション１２５０、１２６０、及び１２７０を追加していることが分かる。ＴＶマーケティングアクティビティのセクション１２５０には、全国放送ＴＶへの現在のパーセンテージ配分を示すバー１２５２、ケーブルＴＶへの現在のパーセンテージ配分を示すバー１２５３、全国放送ＴＶへの理想的なパーセンテージ配分を示すバー１２５７、及びケーブルＴＶへの理想的なパーセンテージ配分を示すバー１２５８が含まれる。他のレポートのセクションも同様である。

図１３〜図１８は、図１２に示すアクティビティ分配をファシリティが決定するプロセスを説明している。図１３は、ユーザから追加のオファリング属性情報を収集する段階を表すプロセス図である。いくつかの実施形態では、図６〜図９に示したものに設計上類似したユーザインターフェイスを使用して、この追加の属性情報がユーザから取得される。図１３は、サブジェクトオファリングに関してユーザからの値を求めるいくつかの属性１３００を示す図である。

図１４は、サブジェクトオファリングに関する３つの導き出される尺度、すなわち認知、影響、及び経験の導出を示すプロセス図である。これらの導き出される尺度の値は、サブジェクトオファリングに関してユーザが提供した図１３に示す属性の値に基づいて導き出される。

図１５は、マーケティングアクティビティの配分の組を示すテーブル図であり、各々は、図１４に示す３つの導き出される属性の様々な組み合わせに対するものである。例えば、図１５は、高い認知スコア及び中ぐらいの影響スコアを割り当てたサブジェクトオファリングの場合、マーケティング資源を以下のパーセンテージで、すなわちＴＶ４４％、印刷雑誌１２％、印刷新聞０％、ラジオ５％、屋外０％、インターネット検索１０％、インターネット広告ワード５％、ダイレクトマーケティング１２％、スポンサーシップ／イベント７％、ＰＲ／その他５％、及び街頭０％で配分すべきであることを示している。これらの９つの配分のグループの各々は、図３に示したもののような相対的アクティビティの弾性に基づいており、ライブラリに含まれる過去のマーケティング努力のグループに使用される認知及び影響スコアによりグループ分けされる。

図１６は、図１５のテーブルにより指示された初期配分を、いくつかの特別な条件１６００に関してどのように調整すべきかを示すプロセス図である。

図１７は、個々のマーケティングアクティビティに費やすためのドル額をファシリティがどのように決定するかを示すプロセス図である。プロセス１７００は、ユーザが指定するターゲットオーディエンスのサイズを測り、ターゲットの感情的パーセンテージで除算して購入範囲、すなわちマーケティングメッセージが表示されるユーザ数を求める。この数に調整した配分のパーセンテージを乗じて顧客当たりの頻度を求め、次にこの数に１年当たりの購入サイクル数及び１インプレッション当たりのコストを乗じて個々のアクティビティに関する推定支出を求める。

図１８は、図１７に示した結果への最終調整を示すプロセス図である。プロセス１８００は、ターゲットオーディエンスを拡大又は縮小して、サブジェクトオファリングに関してファシリティが決定した総マーケティング予算に一致させることを定めている。

図１９は、３つの異なる形で包装された同じ製品のようないくつかの関連するサブジェクトオファリングに関して、ファシリティが行う資源配分の指示を表すためにファシリティが提供する表示を示す表示図である。表示は、関連するサブジェクトオファリングの各々、パックＡ、パックＢ、及びパックＣをグラフで示すチャート１９１０を含み、これらのパックの各々を円で示している。円の中心位置は、オファリングに配分された現在の及び理想的な総マーケティング予算を示しており、個々の円の４５度の直線１９２０からの距離及び方向により、オファリングに関してマーケティング支出を増やすか又は減らすか、及びその金額を示すようになっている。例えば、パックＡの円１９１１が４５度の直線よりも上にかつ左にあるという事実は、パックＡに関してマーケティング支出を増やすべきであることを示している。さらに、個々の円の直径及び／又は面積は、そのオファリングに関してファシリティが指定する理想的な総マーケティング予算が採用されると仮定した場合の対応するサブジェクトオファリングに起因する総利益を反映している。表示はまた、個々の関連するサブジェクトオファリングに関して、現在の及び理想的なマーケットシェア及び量の両方を示す棒グラフを含むセクション１９３０も含む。表示はまた、図１１のセクション１１５０に示したものと同様の情報を示すセクション１９４０も含む。

いくつかの実施形態では、ファシリティが、シンジケートメディア、シンジケート販売データ、インターネットメディア、インターネット行動データ、自然検索クエリデータ、有料検索活動データ、テレビ、ラジオ、印刷物などのメディアデータ、消費者行動データ、追跡調査データ、経済データ、天気データ、株式市場などの金融データ、競争マーケティング支出データ、及びオンライン及びオフライン販売データを含む数多くの種類の外部ソースの１又はそれ以上から受け取ったデータを検討する。

様々な実施形態では、ファシリティが、以下でより詳細に説明する次のさらなる態様の１又はそれ以上を組み入れる。
１）ブランド／クライアントのニーズに対する通信タッチポイントの最小距離マッチング
２）通信ニーズの分類方法（認知、影響及び経験）
３）伝統的メディア及びインターネットメディア、並びに経験係数の相互作用
４）コアメディア、インターネットメディア及び経験係数の同時最適化
５）成果に関するユーザ固有のマルチソースデータ（ＵＳＭＳＤ）と計算に必要なドライバ変数との組み合わせ
６）モデリングのためのデータスタックの知的オートメーション
７）モデル仕様、統計的推定及び専門知識の知的オートメーション
８）マーケティング及びブランド反応の予測的モメンタム（ＤＮＭ）インジケータとしての動的リアルタイムインターネット「ネイティブ」検索データの使用
９）マーケティングドライバ、ブランドモメンタム及びマーケティングＲＯＩを使用した、成果の動的相互作用、最適化、予想及び予測の測定
１０）ブランド／クライアント結果の報告

１）最小距離マッチング
（１．１）情報（Ｑｘ）、影響（Ｑｙ）及び経験（Ｑｚ）に関する入力質問を使用して、ファシリティは、これらの３次元、及び（１、２、３のように数値的にコード化された）低、中及び高の３点スケールを使用してブランド／クライアント通信ニーズを分類する。

（１．２）ファシリティは、通信チャネルとしても知られている数多くの通信タッチポイントのいずれかを介して資源を配分することができる。個々のチャネルごとに、ファシリティは「中」の能力を検討して、ブランド／クライアント通信の情報、影響及び経験次元を配信する。

通信チャネルを選択する場合、ファシリティは、通信ニーズと媒体／チャネルとの間の「距離」を最小化して、マーケット反応及びその後の弾性及び理想的な経済性計算の用途に関連するタッチポイントを選択する。

距離は、ブランド／クライアントニーズと媒体／チャネルとの間の二乗差の和（ＳＳＤ）として定義される。
距離＝（媒体認知−ブランド認知）＾２＋（媒体影響−ブランド影響）＾２＋（媒体経験−ブランド経験）＾２となり、＾は累乗法を示す。
距離は、ブランド／クライアントニーズと媒体／チャネルとの間の二乗差の和（ＳＳＤ）として定義される。

２）分類の方法
分類の方法については、上記の段落１．１及び１．２で説明している。
３）伝統的メディアとインターネットメディアとの間の相互作用方法
コア成果の方程式は、
成果＝（基準成果）＊（（資源１）＾弾性１）＊（（資源２＾弾性２）その他のように定義される。
資源を追加する場合は右辺を乗算する。

ファシリティは、方程式３の伝統的メディアを、資源と成果をリンクするいわゆる「直接経路」として組み合わせる。

ファシリティは、このモデルを２つの方法でインターネットを含むように拡張する。

方法３．１は、伝統的メディア（ＴＶ、印刷、ラジオ、その他）と共に、オンライン表示及び有料検索のためのインターネットメトリクスを追加して含めることである。

方法３．２は、インターネット「自然」検索（ＶＩＮＳ）のための１又はそれ以上の変数／メトリクスも追加して含めることである。自然検索の例には、インターネット検索ボックスで使用された単語のカウントデータがある（インプレッション及びクリックとは区別される）。

次に、ファシリティが、第２の「間接経路」方程式を追加及び適用することにより、伝統的マーケティング及び販売資源によってインターネット自然検索が説明される。
マーケティング成果＝Ｆ（伝統的資源、インターネット資源、自然検索、ベース）
自然検索＝Ｆ（伝統的資源、インターネット資源、ベース）

これらの２つの式は「再帰的に」機能する。

実際には、マーケティング及び販売資源は、消費者／マーケットの注目及び発見を促進する。発見行動は、自然検索により測定される。その後、再帰的プロセスでは、インターネット資源が注目を行動に「変換」する。

４）同時最適化
次に、直接及び間接経路方程式が、経済的最適化の「トップライン」のメカニズムを提供する。

ファシリティは、様々な資源入力レベルを適用し、成果を得るために再帰的トップライン方程式に成果を流し、その後（収益を落とすための）関連する弾性及び関連する資源の利幅及び費用を適用する。

また、いくつかのケースでは、ファシリティがこの方法を第３の方程式で拡張することにより、有料検索も自然検索と同等に処理される。従って、有料検索は中間成果である。

あらゆる動的、モメンタム、中間又は暫定ブランドメトリック（認識、検討、バズ）が、この第３の方程式の方法を使用して処理される。

５）ユーザ固有のマルチソースデータ（ＵＳＭＳＤ）
需要／成果の方程式は、以下のデータ入力を必要とする。
・ブランド仕様
・外部業界仕様
・マーケティング及び販売資源のデータ
・ブランド／ユーザ／クライアントに関するインターネット固有のデータ

ファシリティは、上記で概説した第２の方程式の方法を使用した需要モデリングのためにこれらの４つのデータストリームをまとめる点で独特である。

５．１）通常、ブランドデータは、容量販売、価格設定、収益、新規顧客のカウント、既存顧客のカウント、顧客保持、顧客減少及び製品又はサービスの顧客アップセル／クロスセルを含む。ブランドデータはまた、入力質問から得られる業界及びブランド／クライアント属性も含む。

５．２）外部データは、一連の外部係数及びドライバを含む。通常、これらは、経済的条件及び傾向並びに天気、競争者マーケティング及び販売資源及びその他を表す要素を含む。

５．３）マーケティング及び販売データは、資源入力のための様々な尺度を含む。これらは、通信媒体／タッチポイントのための資源支出を含むことができる。これらは、媒体／タッチポイントのための資源の物理的尺度（ダイレクトメールカウントなどの時間ベースの格付けポイント又は物理的単位）を含むことができる。

５．４）インターネット固有データは、主にワードカウント及びワードクラスタ及び意味的フレーズのカウントを使用した自然検索の尺度を含む。通常、これらの単語尺度は、ブランド名自体、ブランドに関連するキーフレーズの側面（いわゆる、ユニバーサル販売計画）、ブランドに関連する品質及びより一般的な又は一般化された単語などのブランドポジショニングの側面を処理する。

図２０〜図２３は、いくつかの実施形態においてファシリティが提供する、これらのデータ入力のいくつか又は全てを指定して自動的に収集するための代表的なユーザインターフェイスを示す表示図である。図２０は、ユーザが最も適切なカテゴリを選択するためのビジネスカテゴリのリストを含む初期表示を示している。

図２１は、４つのデータ入力のカテゴリ２１１０、２１２０、２１３０、及び２１４０のデータ検索状態を示すダッシュボードを示している。個々のタイプは、例えばインターネットデータカテゴリ２１１０に関しては状態インジケータ２１１１〜２１１３などの、このカテゴリにおけるデータの検索状態などを示すための状態インジケータを有する。また、ユーザはデータタイプのいずれかをクリックして、そのタイプのデータに関する詳細な情報を閲覧することができる。

図２２は、マーケティング及び販売データカテゴリにおけるデータの詳細表示を示している。この表示２２００は、マーケティング及び販売データカテゴリのいくつかの異なる構成要素２２１１、構成要素の各々の検索状態を示す状態インジケータ２２１２、及びユーザが個々の構成要素の検索を開始するために操作できる制御２２１３を示す。

図２３は表示を示している。この表示は、オファリングに関連する自然検索用語及び有料検索用語を入力するための制御２３１１、個々の自然検索及び有料検索の関連する時間を指定するための制御２３１２、及び自然検索及び有料検索の頻度データがどこから検索され記憶されたかを指定するための制御２３１３を含む。

６）知的データスタック
ファシリティは、図２０〜図２３に示すデータダッシュボードユーザインターフェイスを使用して、ユーザが適当な成果及びドライバデータの組、並びにファシリティが使用する金融係数を選択できるようにする。

次に、ファシリティは、個々のデータクラスごとにデータ入力テンプレートを提供する（上記５．１、５．２、５．３、５．４を参照）。

次に、ファシリティは、品質及びデータスクラビングアルゴリズムの組を適用して、指定されたデータストリームの全体的な完全性、一貫性及び精度をユーザのために検証する。

次に、ファシリティは、これらのデータベクトルをモデリングのための全体的なファシリティマトリックス（ＭＯＭ）に変換してロードする。

通常、ＭＯＭの行構造は、時間領域、顧客セグメント、トレーディングのチャネル及び／又は地理的レイヤを含む。

通常、ＭＯＭの列構造は、最終的成果変数、中間成果変数及びドライバ変数を含む（５．１、５．２、５．３及び５．４を参照）。

ファシリティは、データ及び需要モデル仕様にいわゆるログ／ログ変換を使用する。

Ｌｎ（成果）＝定数＋係数１＊Ｌｎ（ドライバ１）＋係数２＊Ｌｎ（ドライバ２）＋係数３＊Ｌｎ（ドライバ３）、その他。

ファシリティは、様々な式の統計的推定のための一般化最小二乗（ＧＬＳ）法を適用する。

ファシリティは、季節性を含む計量経済学で使用されるあらゆる必要な「ダミー」変数も構築する。

７）知的推定
ファシリティは、候補モデル（ＣＭ）にわたる連鎖及び比較方法、統計的診断、モデル／方程式係数のｔ値及びＧＬＳ推定値を含む。

ファシリティは、約４０個のＣＭ変数及び関連する診断のＧＬＳ推定を行う。（ファシリティは、ＧＬＳのための数値アルゴリズム及び方法を含む。）

次に、ファシリティは、資源レベル及びミックスの経済的最適化のための反応係数（反応弾性）のＢＬＵＳ（最高、線形、不偏推定値）を選択して利用する。

この選択は、最良適合、最高ｔ値、多重共線性の欠如、系列相関の欠如、及びエキスパートライブラリ（ＣＥＬ）及び正しい数値符号（正、負）に一致する弾性推定値により決定される。

８）動的ネイティブモメンタム（ＤＮＭ）
上述したように、インターネット自然検索に関するとともにこれから得られるワードカウント及びワードカウントクラスタは、ブランドモメンタム、ブランド品質及びブランドイメージの概念を含むとともにこれに対処する。

ファシリティは、これらのワード／意味的概念を、直接経路及び間接経路方程式（上記を参照）の２つの方程式内で関連し使用されるドライバ変数に分類する。これらの意味論的「バケット」は、ブランド名自体に関する受け取ったクエリのカウント、製品又はサービスカテゴリに関するカウント、及び（例えば、ハイブリッド技術車対レクサスＲＸＨのような）より一般化されたテーマに関するブランド／クライアント競争者及びカウントを含む。

ファシリティは、Ｇｏｏｇｌｅ、Ｙａｈｏｏ又はＭＳＮ又はその他（ＭｙＳｐａｃｅｓ、Ｆａｃｅｂｏｏｋ、ＹｏｕＴｕｂｅ）などの検索プロバイダ、並びに無線及びモバイル装置からの自然検索から得られるワードカウントの動的フィードを含む。

通常、ＤＮＭデータは、進行中のインターネットトラフィックの動的サンプルである。ファシリティは、「ｘ」百万クエリ当たりのカウントを使用する。

９）最適化、予測及び予想におけるインターネットモメンタムの動的使用
ファシリティは、上述した２つの方程式の方法を使用して、資源ドライバに関してブランド／クライアント目標のトップダウン最適化を構成する。ここでは、ドライバは、伝統的マーケティング及び販売、並びに価格設定及びインターネット資源の両方を含む。

ファシリティは、直接計算（閉形式微積分）及び分枝限定（Ｂ＆Ｂ）発見的方法の両方を使用して、資源ドライバのドメインを使用して理想的な成果を計算する。

１０）ファシリティによるブランド／クライアント成果及び結果の報告
ファシリティは、ブランド／クライアント成果の視覚的報告及びＧＵＩを含む（本明細書では、Ｃｏｍｐａｓｓ ＳＭＢ、Ｃｏｍｐａｓｓ Ａｇｅｎｃｙ及びＣｏｍｐａｓｓ ＵＳＭＳＤ／ＤＮＭを参照のこと。）例えば、様々な実施形態では、ファシリティが、販売反応曲線、利益曲線、及び現状対理想棒グラフの１又はそれ以上を使用して成果を表示する。

様々な実施形態では、ファシリティが、これらのチャネルのいくつか又は全てに、及び場合によっては追加チャネルにわたって資源を配分する。
テレビ
ムービーシアター
ラジオ
新聞
雑誌
印刷記事
顧客雑誌
自由折り込み
インターネット広告
インターネット検索
ブランド／会社のウェブサイト
電子メール
屋外
ホームショッピングＴＶ
プロダクトプレイスメント
空港
公共交通機関
スポーツイベントの後援
他のイベントの後援
診療所
８００／通話料無料回線
家庭でのメーリング
有名人のお墨付き
店内広告
店内調査
プロモーション及び特別オファー
製品サンプル
友達及び家族からの推薦
専門家からの推薦
ビデオオンデマンド
ビデオゲーム
ストリーミングビデオ
インタラクティブＴＶ
スペックテキストテーブル

「ＡＣＥ」調整されたマルチソースマーケット反応弾性ライブラリ
通常、マーケット反応最適化（ＭＲＯ）は、（１）資源レベル及びミックスにおける適当な変動、並びに（２）適当なデータ観察を具体化するデータに基づく資源反応弾性パラメータの最高、線形、不偏推定値（ＢＬＵＳ）を必要とする。

いくつかの実施形態では、ファシリティが、クロスブランド及びクロス資源のサードパーティデータを使用して弾性のＢＬＵＳ推定値を計算するための４ステップ法を使用する。特に、いくつかの実施形態では、ファシリティが、いくつかのサードパーティのソースの各々から、このサードパーティデータの回収及びマッピングを誘導するためのソースごとの所定のテンプレートを使用して成果及びドライバデータを回収する。この４ステップ法は、異なるクライアントが追随し得るデータ収集及び報告処理の違いに関わらずクライアント全体にわたって一貫した成果及びドライバに対して、ＡＣＥ−Ｌメタデータをサードパーティのデータと組み合わせ、ＢＬＵＳのための最高統計方法とさらに組み合わせて使用する。

値及び結果は、資源最適化に使用されるクロスブランド、クロスメディア弾性の包括的データベースである。この全体的方法は、（１）幅広いクロスブランド及びクロス資源条件にわたる販売成果に対して費やされる資源の純粋な影響、及び（２）ＡＣＥ−Ｌスコアを介して「コンテンツ影響」を定義するための代替方法の影響を可能にして測定する。

いくつかの実施形態では、ファシリティが、クライアントに推薦する資源配分を生成するために、この回収したサードパーティデータを、販売又はクライアントから得た１又はそれ以上のその他のビジネス成果に関するクライアント固有のデータとともに使用する。いくつかの実施形態では、これにより、クライアントから成果及び／又はドライバデータを収集する必要性を未然に防ぎ、多くの場合、時間及び資源を大幅に節約することができる。

マルチソースデータ
モデリングには２つの主なクラスのデータ−成果及びドライバが存在する。経済的モデリングでは、通常、ＡＣＥ法は、組み合わせた時系列及び断面データを利用する。

マルチソースライブラリ（ＭＳＬ）及び成果（依存変数）では、ＡＣＥは、ライブラリ内のブランド／サービスに一貫した販売収益の定義を使用する。

マルチソースライブラリ（ＭＳＬ）及び資源ドライバでは、ＡＣＥは、独立変数の範囲を使用する。

ステップ１：ファシリティが、サードパーティデータプロバイダからこれらのドライバに関するデータを取得する。例えば、時間、マーケットの位置及びメディアの種類別のメディア支出のデータ系列を１又はそれ以上のサードパーティソースから取得することができる。データクラスは、経済、競争、追跡、価格設定、チャネル資金、販売力、小売店条件、オフラインマーケティング及びオンラインマーケティング並びに特定のモメンタムデータを含む。

通常、これらのサードパーティデータソース（３ＰＤＳ）には、クライアント固有のトランザクションデータに関する既知の又は良く理解された差異（変数誤差、下記を参照）がある。しかしながら、一般にこれらの差異は一貫していると考えられる。

マルチソースライブラリの断面は、ブランド／サービス、地理及びそれ以上から構成される。発明者らは、ブランドのライブラリデータ内及びこれらを通じて一貫して定義される３ＰＤＳ資源ドライバなどを適用する。事実上、ファシリティは、ブランド／クライアントにわたるデータ定義の差異に起因するデータの変動を推定する。

ＡＣＥ調整された動的パラメータ
基本方法は、＾が自然指数を示すとすると、販売＝ベースボリューム時間（マーケティング資源）＾弾性パラメータを定義することである。
販売＝（ベース）＊（資源）＾（差分）

個々のブランド（すなわち、データレコード）ごとに、ファシリティは、１〜５スケールに基づくそのＡＣＥスコア−影響（Ａ）、認知（Ｃ）及び経験（Ｅ）を定義する。また、いくつかの実施形態では、ファシリティが、ローカルマーケット又は時間感度（Ｌ）のための１つの係数も追加する。

ステップ２：次にファシリティは、単一のブランドと単一のマーケティング媒体との組み合わせに対する弾性を求めるために、以下の仕様を使用してモデリングを拡張する。
弾性パラメータ（差分）＝（ｃ０＋ｃ１＊影響＋ｃ２＊認知＋ｃ３＊経験＋ｃ４＊ローカル）。

最小二乗回帰分析を使用して係数ｃ０〜ｃ１が求められる。ライブラリ内の個々のレコード（断面）は、ＡＣＥ−Ｌスコアを使用するとともにこれを含む。

特に、これの意味するところは、ブランド特性、及びメディアタイプの影響、認知及び経験に関するコンテンツを運ぶ能力により、弾性の上下の動きが可能になるということである。

例えば、消費者の意欲を引き出すために必要な影響スコアを増加させることで、この状況ではさらに、異なるコンテンツ目標を有する他のブランドに対してＴＶメディアの弾性を増加できるようになる。印刷及びインターネットに関するリフト係数は情報ニーズと共に増加する。屋外、ラジオ及び新聞に関するリフトはローカルマーケットフォーカスと共に増加する。

反応弾性の完全なＢＬＵＳ推定
ＡＣＥ−Ｌの無い基本又はコア弾性パラメータは、定式化を以下のように使用する。
コア方程式：
Ｌｎ（販売）＝ｄ１＊Ｌｎ（期間前販売）＋ｄ２＊Ｌｎ（ベース）＋差分＊Ｌｎ（資源）＋その他＋誤差

個々の資源は、この定式化を同様に拡張する。「差分」を導くその他の係数については、革新を含みＣｏｍｐａｓｓで説明している。

ステップ３：ファシリティは、このコア方程式にＡＣＥ調整を順に代入して差分を置き換える。結果として、追加ドライバのような、ＡＣＥ構成要素を含む一連の直接的影響及び「相互作用」が得られる。一例として、
コア方程式の部分構成要素＝（Ｃ０＊Ｌｎ（資源）＋Ｃ１＊影響＊Ｌｎ（資源）＋その他）

これらの直接的及び相互作用パラメータの正しい推定は、データ及び定式化が特定のルールに従うことを必要とする。

１つのルール又は仮定は、誤差項が、類似した相違ではあるが、互いに独立した同一の分布に従う（ｉｉｄ）ということである。

しかしながら、断面設計に起因して、同質仮定のいくつかの側面は満たされることはない。

この状態は、不均一分散性として知られている。

ステップ４：不均一分散性を修正するために、ファシリティは、固定母数を使用した一般化最小二乗（ＧＬＳ）推定及び対応する断面の「重み」の両方を加える。

その他のルールとして、この方程式に前期からの販売などのビジネス成果を説明変数として含めることにより、ラグ項を使用して系列相関を修正することが挙げられる。

ユーザインターフェイス
いくつかの実施形態では、ファシリティが、クライアントの入力を求めて結果をＡＣＥ処理の一部として提示するためのユーザインターフェイスを提供する。図２４〜図４９は、ＡＣＥ処理に関連してファシリティが提供する典型的なユーザインターフェイスを示す表示図である。

図２４は、ユーザが自身のアカウントにアクセスするために使用するアカウントログイン画面である。

図２５は、新規取引先に関する識別情報を入力するための会社作成フォームを示している。

図２６は、クライアントの業界を選択するためのコントロール２６０１を含む。図２６は、ＡＣＥ分析で使用するための、異なるサードパーティのソースからの利用可能な様々な種類のデータの中から選択を行うためのコントロール２６０２をさらに含む。

図２７は、ＡＣＥ処理の様々な段階を作成して定義するためのコントロールを含む。図２８は、クライアントのための１又はそれ以上のプロジェクトを作成して定義するためのコントロールを含む。図２９は、特定のプロジェクトに関する識別データを入力するためのコントロールを含む。

図３０は、異なるソースからのデータ取り込み、及び様々なソースからの制御データ取り込みの状況を見極めるために使用できるコントロールを示している。

図３１は、異なるマーケティングアクティビティに対する現在の資源配分、及び現在のビジネス成果を示すレポートを示している。図３２は、現在の資源配分と比較して推奨される資源配分、及び予想されるビジネス成果の違いを示すレポートを示している。図３３は、推奨される資源配分、及び考えられる異なるレベルの総マーケティング支出に関して予想されるビジネス成果を示すレポートを示している。

図３４は、ＡＣＥ技術により回答を受けるべく設定された一連の質問を示している。

図３５は、異なるマーケティングアクティビティが単独で業績を後押しすると理解される直接経路モデルを示している。図３６は、ある種のマーケティングがインターネット検索を後押しして、これがさらに業績を後押しすると理解される直接経路モデルを示している。図３７は、これらの２つのモデルをともに適用する解析手法を概説している。

図３８は、直接経路モデルの対策精度を示している。

図３９は、異なる形のマーケティングアクティビティの相対的な定量的影響すなわち「リフト」を示している。図４０は、いくつかのマーケティングアクティビティをともに採用した場合の、これらが相互作用又は相乗作用を与える定量的度合いを示している。図４１は、マーケティング形態の１つに対して配分を徐々に増加させることによる予想効果を示している。

図４２は、直接又は間接経路モデルに関するいくつかの結論を示している。

図４３〜図４８は、同じクライアント、ブランド、期間に関する２組のレポートを示している。「シナリオ１」という表題の第１の組は、考えられる最小限の総マーケティング支出で特定の収益目標に到達するために推奨される配分を示している。図４３は、現在の収益レベルに対する現在の配分を示している。図４４は、現在の配分と比較した推奨される配分を示している。図４４は、現在のビジネス成果と推奨される配分に関して予測されるビジネス成果との予想される違いをさらに示している。図４５は、いくつかのレベルの総マーケティング支出のごとの予想されるビジネス成果のレベルを示している。

「シナリオ２」という表題の第２のレポートの組は、利益総額を最大にするために最適化された配分を示している。図４６は現在の配分を示している。図４７は、現在の配分と比較してシナリオ２に対して推奨される配分、及びこの推奨される配分から予想される相対的ビジネス成果の表示を示している。図４８は、いくつかの異なる総マーケティング支出レベルごとに、そのレベルにおいて予想されるビジネス成果を示している。

仕様、推定、原因となるドライバの発見及びマーケット反応弾性又はリフト係数の自動化
図４９は、ファシリティによりクライアントに対して生成される結論を示している。

いくつかの実施形態では、ファシリティが、本明細書の他の箇所で説明した（単複の）フレームワークを使用して、モデルの仕様、弾性の推定、及びドライバの発見を自動化する方法を実施する。

ファシリティはまず、利益の最適化、売買高又は収益目標、新規顧客の獲得、顧客の保持、シェアオブウォレット及びアップセルの観点から、クライアント、ビジネス、及び／又はブランド目標を取得する。これらの目標とともに、ファシリティは、行動時間計画、マーケット、地理学、取引経路及び顧客層に関する断面メタデータを取得する。これらの目標とメタデータを組み合わせて、必要なデータスタック構造及びデマンドジェネレーション方程式の数を定める。

１）他の箇所で説明したように、ドライバデータセットは、予め定めた関数情報クラス内に又はこれら全体にわたって変数を含む。これらのクラスは、経済状態、天候及び季節性、競合要因、プロダクトイノベーション、流通、追跡及び認識、モメンタムインジケータ、価格設定、オンライン及びオフラインの両方におけるマーケティングコミュニケーション及びメイン広告媒体、該当する場合にはインターネットデータ、販売員、流通経路開拓資金及びその他を含む。

２）上述したドライバデータセットのためのデータソースはデータ辞書に記載されている。ファシリティは、この外在物をアップロード、ダウンロード及び管理する方法を提供するとともに、これらの進行中における分析した情報の流れを提供する。

３）個々のデータクラスは、１又はそれ以上の標準的データテンプレートファイルを含む。個々のレコード上の個々のファイル内のメタデータが、個々のデータレコードの内容を識別する。ファシリティは、抽出・変換・ロード（ＥＬＴ）マクロ／手順を含む。

４）ファシリティは、ＥＴＬマクロを実行して、計量経済学対応マトリクス（ｎ×ｋ次元）及びデータスタックを構築する。通常、データスタックは、時系列及び断面設計を使用する。行がデータレコード（ｎ個の記録）であり、列（ｋ）が成果変数及びドライバ変数である。

５）ファシリティは、個々の変数を「ロール」というそれぞれのクラスで符号化する。スタック内の関連する時間遅延と特別な追加列の組も、遅延変数、すなわち遅延独立変数及び遅延ドライバ変数の両方を有するように予め定められる。

６）ファシリティは、最適化のために２段階の階層化法を使用する。段階１では、以下で定めるビジネスルールに準拠することを確実にする。段階２では、統計的信頼及び最良の方法への準拠を確実にする。

７）ファシリティは、記述された計量経済学モデルのクラスを倍数詞として使用する。販売収益が、基本売買高並びに個々のドライバ変数及びその関連する弾性の関数として記述される。この仕様は、オフライン及びオンライン両方のマーケティング及びそれ以上を含む。

８）弾性パラメータを推定するために、ファシリティは、自然対数を使用して成果変数及びドライバ変数を変換する。この結果得られる回帰方程式は、パラメータが線形になる。データベース内のゼロ値にはわずかな定数が加算される。

９）ＥＴＬにおける変換ステップでは、特定の変換を行ってデータスタックを組み立てる。データスタックは、Ｎ個のデータオブザベーションレコード及びＫ個の説明変数を含む。個々のドライバ変数候補は列ベクトルとなる。

１０）ファシリティは、断面重量を使用した母数効果を含む一般化最小二乗（ＧＬＳ）技術を使用してパラメータを推定する。いくつかの実施形態では、ファシリティが複数の方程式をスタックし、このことは、Ｓｅｅｍｉｎｇｌｙ Ｕｎｒｅｌａｔｅｄ Ｒｅｇｒｅｓｓｉｏｎ（ＳＵＲ）として知られている。いくつかの実施形態では、ファシリティが、２ＳＬＳ、３ＳＬＳ、又は最尤法を使用して連立方程式を解く。

１１）ファシリティは、自動マクロを使用して、上記で概説した段階の各々、並びにテーブル及び図形出力を実行する。

１２）ファシリティは、複数目標探索法（ｍｕｌｔｉ−ｇｏａｌ ｓｅｅｋｉｎｇ ｍｅｔｈｏｄ）を使用し、単純性、ビジネスロジック、統計的品質、及び安定性といった目標階層に基づいて最良の仕様及びパラメータ推定値を選択して推奨する。個々の目標は特徴の組に対応する。

１３）他の要因を同じものとすれば、単純性とは、ファシリティが、他の目標を実現する最小のドライバ変数の組、すなわち最低限の数のドライバ変数を使用しながら主なドライバクラスをカバーすることを意味する。

１４）コアとなるビジネスロジックは、販売反応曲線が凸状（収益逓増）、凹状（収益逓減）、又はＳ字型になることである。これらの状態は、反応弾性の値に左右される。広告を含むほとんどのドライバは、弾性が１未満（凹状）であると予想される。価格、価格促進、流通及びいくつかの経済的変数は、弾性が１よりも大きい（凸状）場合がある。また、ミクロ経済理論によれば、価格設定を除くリソースドライバの数値符号はプラスでなければならない。また、価格弾性の符号はマイナスでなければならない。

１５）いくつかの実施形態では、ファシリティが、個々のクラスから少なくとも１つのドライバ変数のための推定される方程式に非ゼロ係数を組み入れる。

ファシリティが使用する弾性ライブラリは、同様のモデル及び弾性のデータベースである。ファシリティは、あらゆる方程式候補及びそのパラメータが、関連するブランド及びサービスメタデータのための弾性ライブラリからの弾性ノルムの範囲内にあることも必要とする。

１６）ファシリティは、いくつかの次元に関する統計的品質、すなわち信頼レベルを測定する。１つは、系列相関、共線性及び大きく異なる分散（不均一分散）を含む統計的問題が存在しないことである。第２の品質インジケータは、Ｒ＊＊２技法で測定したときの「フィット」である。最も重要な品質測定は、個々の反応係数の個別の統計的信頼性となる傾向にある（すなわちｔ値が高いと対応するｐ値が低くなる）。

１７）ファシリティは、再帰ウィンドウ技術を使用してパラメータ推定値の安定性を評価し、この中で最小数のオブザベーションを使用してベースモデルを推定する。その後、後続するオブザベーションを１つずつ追加してパラメータの安定性を評価する。不安定性が発見された場合、ファシリティは、アナリストが介入できるように問題にフラグを立てる。

１８）ファシリティは、ハウスマンテスト及びグランガーテストなどの、内生性及び因果律のための標準テストも行う。

１９）必要な統計的診断として以下が挙げられる。

２０）ファシリティの反復及びＭａｒｃｏｍを中心とした目標探索

ドライバ変数がｋ個の場合、推定すべきドライバ変数の組み合わせ及び対応する方程式はｋ＊＊２／２−１個存在し、ｋには遅延が含まれる。ファシリティは、個々の方程式候補の推定及び分類を行い、この候補を上記ルールに関して「採点」する。

ビジネスルール及び統計的信頼ルールに準拠すると仮定すれば、ファシリティは、対応する弾性ライブラリの「ノーム」及びメタデータと一致するＭａｒｃｏｍの主な構成要素（オフライン、オンライン）のための最良のｔ値を含む最終的な方程式を選択して推奨する。

当業者であれば、上述したファシリティを様々な方法で容易に適合又は拡張できることを理解するであろう。

１００ ウェブサーバ
１１０ ウェブクライアント
１２０ インターネット
１３１ ページビュー要求
１３２ 処理済みページ

Claims (13)

1. マーケティングモデル方程式を構築して、特定のレベルの資源を異なるマーケティングアクティビティに配分することから得られる成果変数の値を予測するための、コンピュータシステムにおける方法であって、前記コンピュータシステムが、中央処理ユニット、メモリ、永続記憶装置、及びネットワーク接続手段を含む、前記方法が、
   複数のオブザベーションを、前記ネットワーク接続手段を介して前記コンピュータが受け取るステップであって、各オブザベーションが、前記成果変数に対する値及び複数のドライバ変数の各々に対する値を有し、オブザベーションに対する前記ドライバ変数の前記値が観測された時に、前記オブザベーションに対する前記成果変数の前記値が発生することが観測されており、各ドライバ変数はクラスを有しており、該クラスの幾つかは、マーケッティングアクティビティに適用された資源のレベルに関係しており、前記成果変数が、前記オブザベーションに含まれる複数のタイプの成果変数の内の何れかである、前記受け取るステップと、
   ドライバ変数の複数の組合せの各々に対して、前記ドライバ変数の値をオブザベーションの前記成果変数に関係付けることにより、前記組合せにおける各ドライバ変数に対する推定係数を有する方程式を発生するための推定技術を前記コンピュータシステムが適用するステップと、
   前記コンピュータシステムが、これらの発生された方程式の内、該発生された方程式が、弾性ライブラリからの弾性ノルムの範囲内にあることを満足するものを、候補方程式として選択するステップと、
   前記コンピュータシステムが、ドライバ変数の数が最小であることに基づいて、前記候補方程式を、前記マーケティングモデル方程式として選択するステップと、
   前記コンピュータシステムが、前記選択されたマーケティングモデル方程式から前記成果変数の値を予測するステップと、
   からなる方法。
2. マーケティングモデル方程式を構築して、特定のレベルの資源を異なるマーケティングアクティビティに配分することから得られる成果変数の値を予測するための、コンピュータシステムにおける方法であって、前記コンピュータシステムが、中央処理ユニット、メモリ、永続記憶装置、及びネットワーク接続手段を含む、前記方法が、
   複数のオブザベーションを、前記ネットワーク接続手段を介して前記コンピュータが受け取るステップであって、各オブザベーションが、前記成果変数に対する値及び複数のドライバ変数の各々に対する値を有し、オブザベーションに対する前記ドライバ変数の前記値が観測された時に、前記オブザベーションに対する前記成果変数の前記値が発生することが観測されており、各ドライバ変数はクラスを有しており、該クラスの幾つかは、マーケッティングアクティビティに適用された資源のレベルに関係しており、前記成果変数が、前記オブザベーションに含まれる複数のタイプの成果変数の内の何れかである、前記受け取るステップと、
   ドライバ変数の複数の組合せの各々に対して、前記ドライバ変数の値をオブザベーションの前記成果変数に関係付けることにより、前記組合せにおける各ドライバ変数に対する推定係数を有する方程式を発生するための推定技術を前記コンピュータシステムが適用するステップと、
   前記コンピュータシステムが、これらの発生された方程式の内、統計的診断に合格したものを、候補方程式として選択するステップと、
   前記コンピュータシステムが、ドライバ変数の数が最小であることに基づいて、前記候補方程式を、前記マーケティングモデル方程式として選択するステップと、
   前記コンピュータシステムが、前記選択されたマーケティングモデル方程式から前記成果変数の値を予測するステップと、
   からなる方法。
3. ドライバ変数の各組合せが、複数の必要とされるクラスの各々における少なくとも一つのドライバ変数を含む、請求項１又は２記載の方法。
4. 前記候補方程式として選択するステップが、広告ドライバ変数に対する弾性が１未満であり、且つ価格ドライバ変数に対する弾性が１よりも大きいか否かに、更に基づいていることを特徴とする請求項１又は２記載の方法。
5. 前記候補方程式として選択するステップが、統計的問題が存在しないこと、データフィット、係数の信頼性の内の一つ以上に基づいて決定された統計的品質に更に基づいている、請求項１又は２記載の方法。
6. マーケティングモデル方程式を構築して、特定のレベルの資源を異なるマーケティングアクティビティに配分することから結果される成果変数の値を予測するための方法をコンピュータシステムに実行させるコンテンツを有するコンピュータ可読媒体であって、前記コンピュータは、中央処理ユニット、メモリ、永続記憶装置、及びネットワーク接続手段を含み、前記方法は、
   複数のオブザベーションに前記ネットワーク接続手段を介して前記コンピュータがアクセスするステップであって、各オブザベーションが、前記成果変数に対する値及び複数のドライバ変数の各々に対する値を有し、オブザベーションに対する前記ドライバ変数の前記値が観測された時に、前記オブザベーションに対する前記成果変数の前記値が発生することが観測されており、前記オブザベーションが複数のタイプの成果変数を有している、前記アクセスするステップと、
   ドライバ変数の複数の組合せの各々に対して、前記ドライバ変数の値をオブザベーションの前記成果変数に関係付けることにより、前記組合せにおける各ドライバ変数に対する推定係数を有する方程式を発生するための推定技術を前記コンピュータシステムが適用するステップと、
   単純性、ビジネスロジック、統計的品質、及び安定性の一つ以上に基づいて、前記発生された方程式の一つを、前記マーケティングモデル方程式として選択するステップと、
   前記コンピュータシステムが、前記選択されたマーケティングモデル方程式から前記成果変数の値を予測するステップと、
   を含む、ことを特徴とするコンピュータ可読媒体。
7. 前記マーケティングモデル方程式として選択するステップが、弾性ライブラリからの弾性ノルムの範囲を有する方程式から選択することを更に含むことを特徴する請求項６記載のコンピュータ可読媒体。
8. 前記ビジネスロジックが、広告ドライバ変数に対する弾性が１未満であり、且つ価格ドライバ変数に対する弾性が１よりも大きいことを規定していることを特徴とする請求項６記載のコンピュータ可読媒体。
9. 前記統計的品質が、統計的問題が存在しないこと、データフィット、係数の信頼性の内の一つ以上に基づいて決定された統計的品質に更に基づいている、請求項６記載のコンピュータ可読媒体。
10. 前記単純性が、ドライバ変数の数がより少ないことに基づいている、請求項６記載のコンピュータ可読媒体。
11. 前記安定性が、オブザベーションの数を増加することから方程式の推定値を発生し、且つ前記方程式の前記推定係数の安定性を評価することに基づいている、請求項６記載のコンピュータ可読媒体。
12. 各ドライバ変数がクラスを有しており、該クラスの少なくとも幾つかが、マーケティイングアクティビティに適用される資源レベルに関係する、請求項６記載のコンピュータ可読媒体。
13. ドライバ変数の各組合せが、複数の必要とされるクラスの各々における少なくとも一つのドライバ変数を含む、請求項１２記載のコンピュータ可読媒体。