JP6435426B1 - 情報分析装置、情報分析方法および情報分析プログラム - Google Patents

Abstract

【課題】ユーザが特定の状態に至るのに当たり、どのような行動や特徴が有効であるかを把握できるようにする。【解決手段】ユーザデータに含まれる行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザを分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なる比較対象ユーザを特定する対象ユーザ特定部１２と、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析する比較分析部１４と、その分析結果を出力する分析結果出力部１５とを備え、特定の状態に至ったユーザ（分析対象ユーザ）と、それ以外のユーザ（比較対象ユーザ）との行動履歴に関する特徴情報の比較により、分析対象ユーザに特異な特徴情報を分析して出力することにより、ユーザが特定の状態に至るのに当たって特異な行動履歴に関する特徴情報を把握することを可能とする。【選択図】図１

Description

本発明は、情報分析装置、情報分析方法および情報分析プログラムに関し、特に、ユーザの行動履歴情報を分析してマーケティングに有用な情報を提供する装置に用いて好適なものである。

従来、多数のユーザの行動履歴を分析することにより、何らかの特徴的な傾向を見出し、見出した傾向あるいは特徴をマーケティングに利用することが日常的に行われている。例えば、広告配信等に際し、ある行動をとったユーザ（例えば、商品を購入した消費者）と特徴が類似するユーザを分析することにより、広告配信のターゲティングに役立つ情報を提供できるようにしたシステムが知られている（例えば、特許文献１〜３参照）。

特許文献１に記載の情報処理システムでは、第１の消費者グループ（第１購買データベースに消費者データが登録された消費者グループ）に属する各消費者の消費行動に関する特徴を表すデータベースと、第２の消費者グループ（購買行動に関するデータ、オンライン行動に関するデータ、意識調査に関するデータなどの多面的なデータ収集に同意した消費者のグループ）に属する各消費者の消費行動に関する特徴を表すデータベースとに基づいて、第１の消費者グループの中から広告配信対象として一部選択された消費者リストが表す消費者群（ユーザから指定された条件を満足する消費行動を示す消費者群）と特徴が類似する第２の消費者グループ内の消費者群を、対象者群として判別する。

また、特許文献２に記載の抽出装置では、コンテンツの配信候補であるユーザの行動履歴を取得し、当該取得された行動履歴のうちコンテンツの提供主が指定する行動履歴に基づいて、特定の行動をすることが予測される対象のユーザを抽出する。具体的には、コンテンツの配信候補である第１ユーザの行動履歴と、特定の行動を行動履歴に含む第２ユーザの行動履歴とに基づいて、第１ユーザと第２ユーザとの類似度を判定するモデルを生成し、第１ユーザの行動履歴をモデルに入力することで、第２ユーザとの類似度が所定の閾値以上であると判定された第１ユーザを、当該特定の行動をすることが予測される対象のユーザとして抽出する。

また、特許文献３には、コンバージョン（例えば、製品またはサービスの購入）の可能性を増加させる広告もあれば、コンバージョンの可能性を減少させる広告もあることを踏まえて、逆効果の広告（例えば、ユーザをコンバージョンから遠ざけてしまう広告）や、回避可能な広告（例えば、コンバージョン経路で頻繁に現れるユーザによるコンバージョン決定に影響を与えない広告）から有効な広告を区別するため、コンバージョン経路における広告インプレッションの分布を、それらの全体的な分布または非コンバージョン経路におけるそれらの分布と共に分析することが開示されている。

例えば、ある広告がコンバージョン経路に頻繁に現れるが、全体的にも同じように頻繁に現れる場合は、この広告のコンバージョン経路における出現はコンバージョンの可能性を増大させないため、この広告のパフォーマンスは良好ではないと分析する。また、ある広告がコンバージョン経路に現れるよりも、全体的に出現する頻度が高い場合は、この広告はコンバージョンを抑制していると分析する。

上記特許文献１，２に記載の技術によれば、例えば、コンバージョンに至ったユーザの行動履歴と類似度の高い行動履歴を持つ他のユーザを、広告配信対象のユーザとして抽出することが可能である。しかしながら、コンバージョンに至ったユーザの行動履歴の全てが、マーケティングにとって有用な情報（例えば、他のユーザをコンバージョンに導くために有用な情報）であるとは限らない。そのため、単に、コンバージョンに至ったユーザの行動履歴と類似度の高い行動履歴を持つ他のユーザを抽出するだけでは、必ずしも消費者のターゲティングに役立つ情報を提供できるとは限らないという問題があった。

なお、特許文献３に記載の技術によれば、コンバージョン経路における広告インプレッションの分布を、それらの全体的な分布または非コンバージョン経路におけるそれらの分布と共に分析することにより、配信された広告を、ユーザをコンバージョンに導くのに有効な広告と有効でない広告とに区別することが可能である。しかしながら、この特許文献３に記載の技術では、コンバージョンに有効でない広告を判別することは可能であるが、ユーザのどのような行動や特徴がコンバージョンに有効であるかを分析することはできない。

また、特許文献１には、第２の消費者グループに属する消費者毎の、情報媒体へのアクセス履歴等を表す履歴データを参照して、上述のように判別した対象者群のアクセス履歴を出力することが開示されている。例えば、対象者群がアクセスしたアクセス対象（ウェブページ）の夫々を、第２の消費者グループ全体または第２の消費者グループに属する対象者群以外の消費者群によるアクセス対象に対するアクセス量と比較して、対象者群によるアクセス量の多い順に順位付けすることが開示されている。

この特許文献１に記載の技術によれば、所定の消費行動を示す消費者群（例えば、ある商品の購買履歴がある消費者群）と類似の特徴を持つ消費者群が、そうでない消費者群と比べて多くアクセスするウェブページを分析して、そのウェブページの広告枠に広告を配信するようにすることが可能である。しかしながら、特許文献１では、ある商品を購買してくれる可能性のある消費者群と、その消費者群が多くアクセスするウェブページとをターゲティングして広告の配信設定を行うことは可能であるが、ユーザのどのような行動や特徴が所定の消費行動を促すのに有効であるかを分析することはできない。ユーザの消費行動を促す行動や特徴を分析することは、広告配信のターゲティングだけでなく、広告作成や商品設計の戦略を立てる上でも重要であるが、上記従来の技術ではこれが十分にできないという問題があった。

特開２０１７−９７７１７号公報 特開２０１６−３８８２２号公報 特表２０１４−５３２２３８号公報

本発明は、このような問題を解決するために成されたものであり、ユーザが特定の状態に至るのに当たり、ユーザのどのような行動や特徴が有効であるかを把握することができるようにすることを目的とする。

上記した課題を解決するために、本発明では、少なくとも行動履歴情報を有する複数のユーザデータに基づいて、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なる比較対象ユーザを特定し、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析し、その分析結果を出力するようにしている。より具体的には、例えば、行動履歴情報により特定の状態に至ったことが示されている複数の特定行動ユーザのそれぞれについて、行動履歴情報に基づいて特徴情報を抽出し、当該特徴情報の類似度に基づいて特定行動ユーザを複数のグループに分類し、一のグループに属する特定行動ユーザを分析対象ユーザとして特定するとともに、他のグループに属する特定行動ユーザを比較対象ユーザとして特定する。

上記のように構成した本発明によれば、特定の状態に至ったユーザのうち少なくとも一部のユーザ（分析対象ユーザ）と、それ以外のユーザ（比較対象ユーザ）との行動履歴に関する特徴情報の比較により、分析対象ユーザに特異な特徴情報が分析されて出力されることとなる。これにより、ユーザが特定の状態に至るのに当たって特異な行動履歴に関する特徴情報を把握することが可能となり、特定の状態に至るに当たって、ユーザのどのような行動や特徴が有効であるかを把握することが可能となる。

第１の実施形態による情報分析装置の機能構成例を示すブロック図である。 分析結果出力部により出力されるグラフィック表示の一例を示す図である。 分析結果出力部により出力されるグラフィック表示の一例を示す図である。 分析結果出力部により出力されるグラフィック表示の一例を示す図である。 第１の実施形態による情報分析装置の動作例を示すフローチャートである。 第２の実施形態による情報分析装置の機能構成例を示すブロック図である。 分析結果出力部により出力されるグラフィック表示の一例を示す図である。 第３の実施形態による情報分析装置の機能構成例を示すブロック図である。 第３の実施形態による対象ユーザ特定部の動作例を説明するための図である。 分析結果出力部により出力されるグラフィック表示の一例を示す図である。 応用例による情報分析装置および当該情報分析装置と組み合わせて使用される広告配信システムの動作例を示すフローチャートである。 第４の実施形態による情報分析装置の機能構成例を示すブロック図である。

（第１の実施形態）
以下、本発明の第１の実施形態を図面に基づいて説明する。図１は、第１の実施形態による情報分析装置１０１の機能構成例を示すブロック図である。図１に示すように、第１の実施形態による情報分析装置１０１は、機能構成として、ユーザデータ取得部１１、対象ユーザ特定部１２、特徴情報抽出部１３、比較分析部１４および分析結果出力部１５を備えて構成されている。また、第１の実施形態による情報分析装置１０１は、記憶媒体として、ユーザデータ記憶部１０を備えている。

上記各機能ブロック１１〜１５は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１１〜１５は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

ユーザデータ取得部１１は、少なくとも行動履歴情報を有する複数のユーザデータを取得する。ここで、行動履歴情報は、例えば、消費者たるユーザが商品またはサービス（以下、単に商品という）の購買に関して行う各種の行動を、その行動をとった日時と共に記録した履歴情報である。

例えば、インターネット上で販売される商品の購買に関する行動履歴情報の場合、ウェブページの閲覧、ウェブページ内に配されている広告の閲覧、ウェブページ内に配されている各種ボタンの操作、商品情報のお気に入りへの登録、商品のショッピングカートへの登録、商品の購入、購入した商品に関する情報の他のユーザへの伝達といった各種の行動を、それらの実行日時と共に記録した情報が、ユーザデータ取得部１１により取得される行動履歴情報である。なお、ウェブページの検索にキーワードとして使用した単語や、ＡＩスピーカに対して発話した単語などを行動履歴情報の一部として含めるようにしてもよい。

一人のユーザに関する一連の行動履歴は、例えば、個々のユーザを一意に識別可能な識別情報に関連付けて記録される。ユーザの識別情報としては、ユーザが使用する端末（パーソナルコンピュータ、スマートフォン、タブレットなど）のウェブブラウザに蓄積されるＣｏｏｋｉｅ、ユーザが使用する端末のＩＰアドレス、個々のユーザに対して個別に発行されるユーザＩＤなどを使用することが可能である。

以上のような行動履歴情報を取得する対象のウェブページには、ＪａｖａＳｃｒｉｐｔ（登録商標）による分析用タグが事前に埋め込まれている。この分析用タグは、ウェブページへのアクセスログを収集することが可能になされた公知の簡易プログラムである。この分析用タグが埋め込まれたウェブページに対してアクセスが行われると、プログラムが実行され、上述した各種の行動履歴に関するアクセスログ情報が取得されて、所定のログ収集サーバに送信される。

ログ収集サーバに蓄積されるアクセスログ情報は、複数のユーザが各種のウェブページにアクセスしたときに、そのウェブページ内の分析用タグにより取得されたものである。ログ収集サーバに蓄積される個々のアクセスログ情報は、上述したユーザの識別情報によって、どのユーザに関するものであるかが識別可能に管理されている。

情報分析装置１０１のユーザデータ取得部１１は、このようにしてログ収集サーバに蓄積されているアクセスログ情報を、行動履歴情報を含む複数のユーザデータとして取得する。ここで、ユーザデータ取得部１１は、ログ収集サーバから通信ネットワークを介してユーザデータを取得することが可能である。あるいは、ユーザデータ取得部１１は、ログ収集サーバからリムーバル記憶媒体に転送して記憶されたユーザデータを、当該リムーバル記憶媒体から取得するようにしてもよい。

なお、ユーザデータ取得部１１によるユーザデータの取得方法は、上述した例に限定されるものではない。例えば、ユーザデータ取得部１１それ自体を、ログ収集サーバとして構成するようにしてもよい。また、ウェブページへのアクセスが行われると、そのウェブページを管理しているウェブサーバに対して、アクセスログ情報が記録される。ユーザデータ取得部１１は、行動履歴情報の取得対象とする複数のウェブページを管理している複数のウェブサーバに対してそれぞれデータ取得要求を送信することにより、複数のウェブサーバからそれぞれユーザデータを取得するようにしてもよい。

ログ収集サーバからのユーザデータの取得は、任意のタイミングで行うことが可能である。例えば、ログ収集サーバにアクセスログ情報（行動履歴情報）が追加されるたびに、ユーザデータ取得部１１はそれをユーザデータとして取得することが可能である。また、ユーザデータ取得部１１は、定期的あるいは分析者による明示的なユーザ操作に応じてログ収集サーバにデータ取得要求を送信することにより、その応答としてユーザデータを取得するようにすることも可能である。この場合、データ取得要求の送信時点でログ収集サーバに蓄積されているアクセスログ情報を全て取得するようにしてもよいし、前回の要求送信時からの差分に相当するアクセスログ情報のみを取得するようにしてもよい。あるいは、分析者が指定した対象期間のアクセスログ情報のみを取得するようにしてもよい。

また、最近では、ウェブページ上で商品の内容を確認した後、実店舗に出向いて商品を購入するユーザも増えている。このようなユーザの場合、実店舗への来店、実店舗での商品の購入も、行動履歴情報として含まれ得る。ユーザが実店舗へ来店したか否かに関しては、例えば、ユーザが使用する携帯端末に搭載されているＧＰＳ等の位置検出装置により検出される現在位置情報と、実店舗の位置が記録された地図データとの照合により検出することが可能である。すなわち、位置検出装置を搭載した端末を所持するユーザが実店舗に訪れると、実店舗のＰＯＳ（Point of sale system）サーバなどが無線通信タグを通じてユーザの端末から現在位置情報を取得する。そして、当該現在位置情報と地図データとの照合により実店舗への来店が検出され、その来店行動がユーザの識別情報に関連付けて実店舗のＰＯＳサーバなどに記録される。

また、ユーザが実店舗で商品を購入したか否かに関しては、例えば、商品を購入するときに利用可能な電子クーポンをユーザが利用したか否かを通じて検出することが可能である。すなわち、ある商品を実店舗で購入した際に、その商品に関するウェブページからユーザの携帯端末にダウンロードした電子クーポンを実店舗のリーダで読み取るなどして認識すると、その電子クーポンの利用行動（すなわち、商品の購入行動）がユーザの識別情報に関連付けて実店舗のＰＯＳサーバなどに記録される。

情報分析装置１０１のユーザデータ取得部１１は、このようにしてＰＯＳサーバに蓄積され行動履歴情報を、行動履歴情報を含む複数のユーザデータとして取得する。ここで、ユーザデータ取得部１１は、ＰＯＳサーバから通信ネットワークを介してユーザデータを取得することが可能である。あるいは、ユーザデータ取得部１１は、ＰＯＳサーバからリムーバル記憶媒体に転送して記憶されたユーザデータを、当該リムーバル記憶媒体から取得するようにしてもよい。

ユーザデータ取得部１１により取得されたユーザデータは、ユーザデータ記憶部１０に記憶される。

対象ユーザ特定部１２は、ユーザデータ取得部１１により取得された複数のユーザデータ（すなわち、ユーザデータ記憶部１０に記憶されたユーザデータ）に基づいて、行動履歴情報により特定の状態に至ったことが示されているユーザ（以下、特定行動ユーザという）のうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する。

まず、分析対象ユーザについて説明する。分析対象ユーザの定義にある「特定の状態」とは、例えば、ユーザが商品の広告を閲覧した状態、商品詳細ページを閲覧した状態、実店舗に来店した状態、商品を購入した状態、購入済み商品の情報を他のユーザと共有した状態など、任意である。すなわち、特定の状態は、分析者が情報分析装置１０１の図示しない操作部（キーボード、マウス、タッチパネルなど）を操作することにより、任意に指定することが可能である。

マーケティングにおいて周知であるＡＩＤＭＡ（アイドマ）、ＡＩＤＡ（アイダ）、ＡＩＳＡＳ（アイサス）、ＡＩＤＣＡ（アイドカ）、ＳＩＰＳ（シップス）などの購買行動モデルに基づいて分析を行いたい場合は、当該モデルの各ステージに相当する行動をあらかじめ定義し、定義した行動の何れかを「特定の状態」として指定すればよい。

例えば、ユーザが商品の広告を閲覧した状態を「特定の状態」として指定する場合は、当該広告が掲載されているウェブページのＵＲＬ（Uniform Resource Locator）を指定することにより、行動履歴情報においてそのＵＲＬへのアクセスログが記録されているユーザが、分析対象ユーザとして特定される。あるいは、ウェブページ内に配されているバナー広告を指定すれば、行動履歴情報においてそのバナー広告のクリックログが記録されているユーザが、分析対象ユーザとして特定される。

商品詳細ページを閲覧した状態を「特定の状態」として指定する場合は、当該商品詳細ページのＵＲＬを指定することにより、行動履歴情報においてそのＵＲＬへのアクセスログが記録されているユーザが、分析対象ユーザとして特定される。あるいは、ウェブページ上に表示される商品詳細ページへのリンクボタンを指定するようにしてもよい。この場合は、行動履歴情報においてそのリンクボタンの操作が記録されているユーザが、分析対象ユーザとして特定される。

実店舗に来店した状態を「特定の状態」として指定する場合は、例えば、当該実店舗の位置情報を指定することにより、当該位置情報で示される店舗への来店行動が行動履歴情報として記録されているユーザが、分析対象ユーザとして特定される。また、商品を購入した状態を「特定の状態」として指定する場合は、例えば、その商品の識別情報を指定することにより、当該識別情報で示される商品の購買行動が行動履歴情報として記録されているユーザが、分析対象ユーザとして特定される。

また、購入済み商品の情報を他のユーザと共有した状態を「特定の状態」として指定する場合は、例えば、その商品の識別情報と、ウェブページ上に表示されるシェアボタンとを指定することにより、当該識別情報で示される商品の購買行動およびシェアボタンの操作が行動履歴情報として記録されているユーザが、分析対象ユーザとして特定される。

その他の「特定の状態」を指定する場合の具体的な方法については詳細を割愛するが、以上説明したのと同様に、当該特定の状態に関連する情報を指定することによって、当該指定した情報が行動履歴情報として記録されているユーザを分析対象ユーザとして特定することが可能である。なお、特定の状態は、任意の複数のものを組み合わせて、それらをＡＮＤ条件またはＯＲ条件として指定するようにすることも可能である。

本実施形態では、上述した特定の状態に至った特定行動ユーザの全てを分析対象ユーザとしてもよいし、一部を抽出して分析対象ユーザとしてもよい。特定行動ユーザの中から一部を抽出する条件は、分析者が情報分析装置１０１の操作部を操作することによって、任意に指定することが可能である。例えば、ユーザデータに含まれる行動履歴情報に基づいて、分析者が指定した期間内に特定の状態に至ったユーザ、あるいは当該期間内の行動履歴情報を有するユーザを抽出して分析対象ユーザとすることが可能である。その他、条件は任意に指定することが可能である。

次に、比較対象ユーザについて説明する。比較対象ユーザも、分析者が情報分析装置１０１の操作部を操作することによって、任意に指定することが可能である。例えば、分析対象ユーザの補集合またはその部分集合を比較対象ユーザとして指定することが可能である。

一例として、ある商品を購入した状態を「特定の状態」として指定して分析対象ユーザを特定した場合、その商品を購入していないユーザを比較対象ユーザとして特定するといった具合である。この場合、例えば、その商品の識別情報を指定することにより、当該識別情報で示される商品の購買行動が行動履歴情報として記録されていないユーザが、比較対象ユーザとして特定される。また、更に別の情報をＡＮＤ条件で指定することにより、その商品を購入していないユーザのうち、当該条件を満たす（あるいは満たさない）ユーザを部分集合として特定することが可能である。

このように、分析対象ユーザに対して補集合の関係にあるユーザを比較対象ユーザとして特定することにより、比較対象ユーザにはないが分析対象ユーザにはある行動に関する特徴情報の抽出を行うことができる。このように、分析対象ユーザに特異的な行動に関する特徴情報を抽出することにより、比較対象ユーザ（商品を購入していないユーザ）を分析対象ユーザ（商品を購入したユーザ）に遷移させるために有用な施策を推定することが可能となる。なお、この分析対象ユーザに特異的な特徴情報の抽出に関する具体的な分析内容については後述する。

なお、比較対象ユーザは、分析対象ユーザに対して補集合の関係にあるユーザに限定されるものではない。分析対象ユーザと比較対象ユーザとの比較分析によって明らかにしたい内容に応じて、比較対象ユーザが満たすべき条件を任意に指定することが可能である。例えば、商品Ａ（例えば、自社商品）を購入したユーザを分析対象ユーザとして特定する一方、商品Ｂ（例えば、競合商品）を購入したユーザを比較対象ユーザとして特定することも可能である。この場合は、比較分析結果をもとに、商品Ｂに対する商品Ａの優位性あるいは劣位性を推定することが可能となる。

また、同じユーザを対象とし、行動履歴情報で広告を閲覧したことが示されている日時を境として、閲覧後の状態を分析対象ユーザとして特定するとともに、閲覧前の状態を比較対象ユーザとして特定することも可能である。この場合は、比較分析結果をもとに、広告閲覧によるユーザの態度変容の有無と度合いなどを推定することが可能となる。さらに、バナー広告を閲覧したユーザを分析対象ユーザとして特定する一方、それ以外の広告（例えば、メール広告）を閲覧したユーザを比較対象ユーザとして特定することも可能である。この場合は、比較分析結果をもとに、広告施策別でのユーザの態度変容の有無と度合いなどを推定することが可能となる。

なお、ここに挙げた分析対象ユーザおよび比較対象ユーザは例示であり、これに限定されるものではない。分析対象ユーザおよび比較対象ユーザを任意に指定することにより、分析対象ユーザに特異的な行動や、その行動から特定される特徴情報を、様々な角度から分析することが可能である。

特徴情報抽出部１３は、対象ユーザ特定部１２により特定された分析対象ユーザの行動履歴情報に基づいて分析対象ユーザの特徴情報を抽出するとともに、比較対象ユーザの行動履歴情報に基づいて比較対象ユーザの特徴情報を抽出する。例えば、特徴情報抽出部１３は、分析対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページから、当該ウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報などを分析対象ユーザの特徴情報として抽出する。また、特徴情報抽出部１３は、分析対象ユーザの行動履歴情報として、ユーザが訪問した店舗の位置情報が記録されている場合は、その位置情報も分析対象ユーザの特徴情報として抽出する。さらに、ユーザがウェブページの検索に使用した単語やＡＩスピーカに発した単語も分析対象ユーザの特徴情報として抽出する。

これと同様に、特徴情報抽出部１３は、比較対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページから、当該ウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報などを比較対象ユーザの特徴情報として抽出する。また、特徴情報抽出部１３は、比較対象ユーザの行動履歴情報として、ユーザが訪問した店舗の位置情報が記録されている場合は、その位置情報も比較対象ユーザの特徴情報として抽出する。さらに、ユーザがウェブページの検索に使用した単語やＡＩスピーカに発した単語も分析対象ユーザの特徴情報として抽出する。

ウェブページからの単語の抽出に関しては、公知の技術を適用することが可能である。例えば、ウェブページ内に含まれるテキストデータによる文字列を形態素解析し、分解された形態素の中から特定の品詞（名詞、動詞など）に係る単語を抽出する。この場合、ウェブページ内に出現する特定の品詞の単語を全て特徴情報として抽出してもよいし、所定の条件を満たすものだけを抽出するようにしてもよい。例えば、１つのウェブページ内で所定回数以上出現する単語だけを抽出するとか、他の単語よりも表示サイズが大きく設定されている単語や特定の装飾表示が設定されている単語だけを抽出するといった条件を設定することが可能である。

なお、分析対象ユーザおよび比較対象ユーザに関して抽出する特徴情報は、ここに例示したものに限定されない。例えば、行動履歴情報として記録されているアクセス先のウェブページのＵＲＬを特徴情報として抽出するようにしてもよい。あるいは、分析用タグを埋め込んだウェブページ内に、あらかじめ所定の特徴情報をメタデータとして設定しておき、当該ウェブページにアクセスしたことが行動履歴情報により示されている場合に、このメタデータから特徴情報を抽出するようにしてもよい。

比較分析部１４は、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析する。すなわち、比較分析部１４は、比較対象ユーザにはなく（あるいは少なく）、分析対象ユーザには存在する（あるいは多く存在する）特徴情報を抽出する。例えば、比較分析部１４は、公知のsemi-supervised Topic Modelなどを用いて比較分析を行うことにより、比較対象ユーザにはなく分析対象ユーザには存在する特徴情報およびその組み合わせを抽出する。この場合、比較分析部１４は、比較対象ユーザの特徴情報に対する分析対象ユーザの特徴情報の特異度を算出し、特異度が所定の条件を満たす特徴情報を、特異性を有する特徴情報（以下、特異情報という）として分析することが可能である。

以下に、semi-supervised Topic Modelを用いた比較分析の方法を説明する。まず、分析対象ユーザの人数および比較対象ユーザの人数をそれぞれｎ１，ｎ２とし、ｎ＝ｎ１＋ｎ２と定義する。特徴情報の次元数（特徴情報抽出部１３により抽出された特徴情報の数）がｍのとき、特徴情報Ｘは、Ｘ∈Ｒ^ｎ×ｍと書くことができる。

そして、この特徴情報Ｘを、潜在次元数ｋの空間で分解することを考える。潜在次元数ｋとは、複数の特徴情報を所定の共通事項（トピック）でグループ化した場合のグループ数、すなわち、トピックの数に相当するものである。例えば、次の（表１）のように複数の特徴情報（以下の例では単語）をグループ化した場合、潜在次元数ｋ（トピックの数）は“５”である。

なお、特徴情報のトピックに基づくグループ化は、分析者が情報分析装置１０１の操作部を操作することによって、任意に行うことが可能である。すなわち、分析対象ユーザに特異的な特徴情報の種類、性質あるいはカテゴリなどとして明らかにしたいトピックをあらかじめ定義し、そのトピックに関連する単語をグループ化するようにすればよい。

ここで、次の（式１）に示すように、要素が全て非負な２つの行列Ｗ∈Ｒ^ｎ×ｋ，Ｈ∈Ｒ^ｋ×ｍを用意すると、特徴情報Ｘは（式２）のように記述することができる。

行列Ｗは、分析対象ユーザおよび比較対象ユーザを合わせたｎ人のユーザが、それぞれどのトピックに属するのかを示す行列である。すなわち、行列Ｗの要素Ｗ_i,j（ｉ＝１〜ｎ、ｊ＝１〜ｋ）の値は、ユーザｉがｊ番目のトピックに属している所属度を示している。所属度とは、そのユーザについて特徴情報抽出部１３により抽出された１以上の特徴情報が、（表１）に示す各トピックに含まれる特徴情報とどの程度一致しているかを示した情報である。例えば、あるユーザについて抽出された１以上の特徴情報が、あるトピックに含まれる特徴情報の何れとも一致していない場合、そのトピックに関する所属度の値は“０”である。一方、あるユーザについて抽出された１以上の特徴情報と、あるトピックに含まれる特徴情報との一致数が多くなるほど、そのトピックに関する所属度の値は大きくなっていく。

行列Ｈは、各トピックに含まれる複数の特徴情報のうち、そのトピックを代表する特徴情報がどれかを示す行列である。すなわち、行列Ｈの要素Ｈ_j,p（ｊ＝１〜ｋ、ｐ＝１〜ｍ）の値は、ｐ番目の特徴情報のｊ番目のトピックに対する貢献度を示している。貢献度とは、特徴情報が各トピックに対してどの程度貢献しているかを示した情報であり、行列Ｗの所属度と同様、０以上の値をとる。この貢献度は、分析者があらかじめ任意に設定しておくことが可能である。

また、ｎ人の各ユーザが分析対象ユーザであるか比較対象ユーザであるかを示すフラグから成る行列Ｆ∈Ｒ^ｎ×１を定義する。また、各トピックがどの程度分析対象ユーザに特異的なのか（すなわち、各トピックが分析対象ユーザまたは比較対象ユーザのどちらにどの程度貢献しているのか）を示す特異度の行列Ｃ∈Ｒ^ｋ×１を定義する。行列Ｆ，Ｃは何れも要素が全て非負な行列である。この場合、
Ｆ＝Ｗ・Ｃ ・・・（式３）
と書くことができる。

ここで、上記（式２）および（式３）で示す２つの行列分解が元の行列Ｘ，Ｆを近似できるようにすればよいので、最小化すべき目的関数は、次の（式４）ように書くことができる。
μ・||Ｘ−Ｗ・Ｈ||_２＋（１−μ）・||Ｆ−Ｗ・Ｃ||_２ ・・・（式４）
なお、μ∈[0, 1]は、特徴情報の構造を重視する度合いを表すハイパーパラメータ（分析者があらかじめ設定しておくパラメータ）である。

比較分析部１４は、（式４）に示す目的関数を公知のＫＫＴ条件（Karush-Kuhn-Tucker condition）などを用いて最小化することにより、最適な行列Ｗ，Ｈ，Ｃを決定する。次に示す（表２）は、上記（表１）に示した各トピックについて決定された行列Ｃで示される特異度の数値を追記したものである。

比較分析部１４は、（表２）のように算出された特異度が所定の条件を満たす特徴情報を、比較対象ユーザに対して分析対象ユーザが特異性を有する特徴情報（特異情報）として抽出する。例えば、特異度が最も大きいトピック、あるいは当該トピックに含まれる特徴情報を、分析対象ユーザに特異的な特徴情報として抽出する。この場合、特異度が最も大きいトピックに含まれる全ての特徴情報を抽出してもよいし、当該トピックに含まれる特徴情報のうち、上述した貢献度が大きい方から所定数の特徴情報を抽出するようにしてもよい。

分析結果出力部１５は、比較分析部１４により分析された結果を出力する。分析結果の出力は、ディスプレイへの表示によって行ってもよいし、プリンタへの出力によって行ってもよいし、記憶媒体への記録によって行ってもよい。比較分析部１４により分析された結果とは、上述のようにして比較分析部１４により特異性を有すると分析された特異情報である。これは、分析対象ユーザに特異的なものとして抽出されたトピックまたは当該トピック内に含まれる特徴情報を示す情報である。

なお、分析結果出力部１５は、特異情報だけを出力するようにしてもよいし、特異情報とそれ以外の特徴情報（以下、非特異情報という）とを合わせて出力し、特異情報を識別可能な態様とするようにしてもよい。例えば、特異情報およびそれ以外の非特異情報をグラフィックに出力し、特異情報を非特異情報に比べて目立つ態様で出力するようにする。図２は、この場合のグラフィック表示の一例を示す図である。図２の例では、特異情報に係る単語を、特異度が大きいほど前面に、かつ大きく表示する一方、非特異情報に係る単語を、特異度が小さいほど背面に、かつ小さく表示した状態を示している。このような表示を行うことより、分析者は、特定の状態に至った分析対象ユーザに関連する特異な単語を一目で分かりやすく把握することができる。

図２は、ある一時点における分析結果を出力した例であるが、分析結果を時系列の情報として出力するようにすることも可能である。例えば、特徴情報抽出部１３は、分析対象ユーザが特定の状態に至った時点から遡って所定期間ごとに複数の対象期間を区切り、当該複数の対象期間ごとに、分析対象ユーザの特徴情報および比較対象ユーザの特徴情報を抽出する。また、比較分析部１４は、複数の対象期間ごとに、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析する。そして、分析結果出力部１５は、複数の対象期間ごとに、比較分析部１４により分析された結果を出力する。

このように時系列の情報として分析結果を出力する場合も、分析結果出力部１５は、特異情報だけを出力するようにしてもよいし、特異情報とそれ以外の非特異情報とを合わせて出力し、特異情報を識別可能な態様とするようにしてもよい。例えば、分析結果出力部１５は、特異情報および非特異情報をグラフィックに出力し、複数の対象期間ごとに、特異情報と非特異情報とを識別可能な態様で出力するようにすることが可能である。

図３は、分析結果を時系列でグラフィック表示する場合一例を示す図である。図３の例は、横軸に時間をとり、縦軸に各トピックの特異度をとった２次元座標系において、分析対象ユーザが特定の状態に至った時点（横軸の右端の時点）から遡って１週間ごとに区切って分析した結果を折れ線グラフとして出力した状態を示している。図３には５つの折れ線が示されているが、これは（表２）に示した５つのトピックに関する１週間単位の特異度の遷移を示したものである。

図３のグラフは、分析対象ユーザのトピック４に関する特異度が、当該分析対象ユーザが特定の状態に至る直前の１週間で急激に増大したことを示している。これから、特定の状態に至る直前の段階にあることが行動履歴情報から分析されるユーザに対して、トピック４に関する情報を提供することが有効であると推測することができる。

図４は、グラフィック表示の他の例を示す図であり、上述した特異情報のうち、位置情報に特化した可視化形態を示すものである。分析対象ユーザに特異的な位置情報（例えば、行きつけの店舗など）が比較分析部１４によって分析された場合、分析結果出力部１５はそれを地図上に可視化する。これにより分析者は、ユーザの地理的な行動パターンを理解することができる。

図５は、上記のように構成した第１の実施形態による情報分析装置１０１の動作例を示すフローチャートである。ここでは、ユーザデータ取得部１１によるユーザデータの取得は既に行われており、ユーザデータ記憶部１０に記憶されているユーザデータを対象として分析を行う動作例を示している。

まず、対象ユーザ特定部１２は、ユーザデータ記憶部１０に記憶されている複数のユーザデータを読み出す（ステップＳ１）。そして、対象ユーザ特定部１２は、読み出した複数のユーザデータに基づいて、当該ユーザデータに含まれる行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定する（ステップＳ２）。ここで、「特定の状態」は、分析者が情報分析装置１０１の操作部を操作することによって任意に指定する。また、特定行動ユーザの中から少なくとも一部を抽出するための条件も、分析者が任意に指定する。

また、対象ユーザ特定部１２は、ユーザデータ記憶部１０から読み出した複数のユーザデータのうち、分析対象ユーザとは異なる比較対象ユーザを特定する（ステップＳ３）。ここで、比較対象ユーザが満たすべき条件は、分析対象ユーザと比較対象ユーザとの比較分析によって明らかにしたい内容に応じて、分析者が情報分析装置１０１の操作部を操作することによって任意に指定する。

次に、特徴情報抽出部１３は、ステップＳ２において対象ユーザ特定部１２により特定された分析対象ユーザの行動履歴情報に基づいて、分析対象ユーザの特徴情報を抽出する（ステップＳ４）。例えば、特徴情報抽出部１３は、分析対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報などを分析対象ユーザの特徴情報として抽出する。

また、特徴情報抽出部１３は、ステップＳ３において対象ユーザ特定部１２により特定された比較対象ユーザの行動履歴情報に基づいて、比較対象ユーザの特徴情報を抽出する（ステップＳ５）。例えば、特徴情報抽出部１３は、比較対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報などを比較対象ユーザの特徴情報として抽出する。

次いで、比較分析部１４は、ステップＳ５において特徴情報抽出部１３により抽出された比較対象ユーザの特徴情報と比べて、ステップＳ４において特徴情報抽出部１３により抽出された分析対象ユーザの特徴情報が特異性を有する特徴情報を分析する。すなわち、比較分析部１４は、比較対象ユーザにはなく分析対象ユーザには存在する特徴情報を抽出する（ステップＳ６）。

最後に、分析結果出力部１５は、比較分析部１４により分析された結果（特異性を有すると分析された特徴情報）を、ディスプレイ、プリンタまたは記憶媒体などへ出力する（ステップＳ７）。例えば、分析結果出力部１５は、図２または図３のような態様で、特異情報およびそれ以外の非特異情報をグラフィックに出力し、特異情報を非特異情報に比べて目立つ態様で出力するようにする。

以上詳しく説明したように、第１の実施形態では、行動履歴情報を有する複数のユーザデータに基づいて、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定し、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析し、その分析結果を出力ようにしている。

このように構成した第１の実施形態によれば、特定の状態に至ったユーザのうち少なくとも一部のユーザ（分析対象ユーザ）と、それ以外のユーザ（比較対象ユーザ）との行動履歴に関する特徴情報の比較により、分析対象ユーザに特異な特徴情報が分析されて出力されることとなる。これにより、分析者は、ユーザが特定の状態に至るのに当たって特異な行動履歴に関する特徴情報を把握ことが可能となり、特定の状態に至るに当たって、ユーザのどのような行動や特徴が有効であるかを把握することが可能となる。

その結果、まだ特定の状態に至っていないユーザ（比較対象ユーザおよびそれ以外のユーザを含む）を特定の状態に至らしめるために有効なマーケティング上の施策や戦略を検討する際の有用な情報を得ることが可能となる。このようにして得られる情報は、特定行動ユーザの行動履歴情報と非特定行動ユーザの行動履歴情報とに基づく比較結果の分析から得られる情報であるので、分析者の恣意性やステレオタイプによるカテゴリ分けといった従来型の非効率的なマーケティングとは異なり、合理的かつ効果的なマーケティングを実現することができるようになる。

（第２の実施形態）
以下、本発明の第２の実施形態を図面に基づいて説明する。図６は、第２の実施形態による情報分析装置１０２の機能構成例を示すブロック図である。なお、この図６において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図６に示すように、第２の実施形態による情報分析装置１０２は、機能構成として、ユーザデータ取得部２１、対象ユーザ特定部２２、特徴情報抽出部２３、比較分析部１４および分析結果出力部１５を備えて構成されている。また、第２の実施形態による情報分析装置１０２は、記憶媒体として、ユーザデータ記憶部２０を備えている。

上記各機能ブロック２１〜２３，１４〜１５は、ハードウェア、ＤＳＰ、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック２１〜２３，１４〜１５は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

第２の実施形態において、ユーザデータ取得部２１は、行動履歴情報およびユーザ属性情報を有する複数のユーザデータを取得する。行動履歴情報の内容および取得方法については、第１の実施形態で説明したのと同様である。ユーザ属性情報は、例えば、性別、年代、職業、年収、家族構成、居住地といった個人の属性を表す情報である。これらのユーザ属性情報は、例えば、アンケートの実施を通じて取得することが可能である。また、アンケート結果を正例とした機械学習による推定を通じてユーザ属性情報を取得することも可能である。なお、居住地に関しては、ユーザが使用する携帯端末に搭載されているＧＰＳ等の位置検出装置により検出される現在位置情報およびＩＰアドレスからの推定を通じて取得することが可能である。

これらのユーザ属性情報は、行動履歴情報に関連付けてユーザデータ記憶部２０に記憶される。この関連付けは、個々のユーザを一意に識別可能な識別情報（ユーザが使用する端末のウェブブラウザに蓄積されるＣｏｏｋｉｅ、ユーザが使用する端末のＩＰアドレス、個々のユーザに対して個別に発行されるユーザＩＤなど）を用いて行われる。上述したユーザに対するアンケートなどによってユーザ属性情報を取得する場合、ユーザデータ取得部２１からユーザの端末のウェブブラウザに提供する所定の回答入力画面を通じて情報を取得するようにすれば、ＣｏｏｋｉｅやＩＰアドレス、ユーザＩＤなどと関連付けてユーザ属性情報を取得することが可能である。

ユーザデータ取得部２１により取得されたユーザデータは、ユーザデータ記憶部２０に記憶される。

対象ユーザ特定部２２は、ユーザデータ取得部２１により取得された複数のユーザデータ（すなわち、ユーザデータ記憶部２０に記憶されたユーザデータ）に基づいて、ユーザ属性情報により特定のユーザ属性を有することが示されているユーザであって、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザを分析対象ユーザとして特定するとともに、分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する。上述した第１の実施形態では、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定すると説明したが、特定行動ユーザの中から一部を抽出する条件の１つとして、特定のユーザ属性を有するという条件を用いたのが第２の実施形態に相当する。

例えば、商品の購入という特定の状態に至った特定行動ユーザのうち、２０台男性を分析対象ユーザとして特定するとともに、同じ商品の購入という特定の状態に至った特定行動ユーザのうち、２０台女性を比較対象ユーザとして特定するといったことが可能である。これは、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザを分析対象ユーザとして特定するとともに、ユーザ属性が分析対象ユーザとは異なるユーザを比較対象ユーザとして特定した例である。

逆に、２０台女性のうち、商品の購入という特定の状態に至った特定行動ユーザを分析対象ユーザとして特定するとともに、同じ２０台女性のうち、商品を購入していない非特定行動ユーザを比較対象ユーザとして特定するといったことも可能である。これは、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザを分析対象ユーザとして特定するとともに、当該分析対象ユーザとユーザ属性は同じであるが行動履歴が異なるユーザを比較対象ユーザとして特定した例である。

特徴情報抽出部２３は、対象ユーザ特定部２２により特定された分析対象ユーザの行動履歴情報およびユーザ属性情報に基づいて分析対象ユーザの特徴情報を抽出するとともに、比較対象ユーザの行動履歴情報およびユーザ属性情報に基づいて比較対象ユーザの特徴情報を抽出する。例えば、特徴情報抽出部２３は、分析対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報、ウェブページの検索に使用した単語やＡＩスピーカに発した単語、ユーザが訪問した店舗の位置情報などを分析対象ユーザの特徴情報として抽出することに加えて、性別、年代、職業、年収、家族構成、居住地、出身地といったユーザ属性情報そのものを分析対象ユーザの特徴情報として抽出する。

同様に、特徴情報抽出部２３は、比較対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報、ウェブページの検索に使用した単語やＡＩスピーカに発した単語、ユーザが訪問した店舗の位置情報などを分析対象ユーザの特徴情報として抽出することに加えて、性別、年代、職業、年収、家族構成、居住地、出身地といったユーザ属性情報そのものを比較対象ユーザの特徴情報として抽出する。

比較分析部１４は、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析する。すなわち、比較分析部１４は、比較対象ユーザにはなく分析対象ユーザには存在する特徴情報を特異情報として抽出する。比較分析部１４によって行う分析の内容は、第１の実施形態で説明したのと同様である。ただし、第２の実施形態では、分析によって抽出される特異情報の中に、行動履歴情報から抽出された単語、カテゴリ情報、位置情報の他に、性別、年代、職業、年収、家族構成、居住地、出身地といったユーザ属性情報が含まれ得る点で、第１の実施形態と異なる。

分析結果出力部１５は、第１の実施形態と同様に比較分析部１４による分析の結果を出力する。ここで、分析対象とするユーザデータの情報源をあえて限定することにより、異なる特徴を抽出することができる。例えば、分析対象とするユーザデータをＳＮＳ由来のウェブページに限定した場合、ユーザの職業や出身地などのプロフィール情報、友人関係などのコミュニティ情報などに特異性があれば、それらが比較分析部１４により特異情報として抽出され、分析結果出力部１５によって図７のように表示される。このような分析結果の表示は、後述する広告配信のような現場で、見出した特異性を活用する場が限定されているような状況で有効である。例えば、ＳＮＳにのみ広告を配信できるプラットフォームを持つシステムの利用者は、物理的な位置情報を特異性として提示されてもそれを利用する術がないからである。

以上詳しく説明したように、第２の実施形態では、行動履歴情報およびユーザ属性情報を有する複数のユーザデータに基づいて、ユーザ属性情報により特定のユーザ属性を有することが示されているユーザであって、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザを分析対象ユーザとして特定するとともに、分析対象ユーザとは異なるユーザを比較対象ユーザとして特定し、比較対象ユーザの特徴情報に対して分析対象ユーザの特徴情報が特異性を有する特徴情報を分析し、その分析結果を出力ようにしている。

このように構成した第２の実施形態によれば、分析対象ユーザと比較対象ユーザとの行動履歴およびユーザ属性に関する特徴情報の比較により、分析対象ユーザに特異な特徴情報が分析されて出力されることとなる。これにより、分析者は、ユーザが特定の状態に至るのに当たって特異な行動履歴に関する特徴情報と特異なユーザ属性との組み合わせを把握ことが可能となり、特定の状態に至るに当たって、どのような属性を持ったユーザのどのような行動や特徴が有効であるかを把握することが可能となる。その結果、マーケティング上の施策や戦略を検討するに当たって、第１の実施形態に比べてより有用な情報を得ることができる。

（第３の実施形態）
以下、本発明の第３の実施形態を図面に基づいて説明する。上述した第１および第２の実施形態では、分析対象ユーザも比較対象ユーザも、分析者が情報分析装置１０１の操作部を操作することによって指定した任意の条件をもとに特定した。これに対し、第３の実施形態では、分析対象ユーザおよび比較対象ユーザの少なくとも一方を自動的または半自動的に特定するようにしたものである。その特定方法として、３つのパターンを説明する。

図８は、第３の実施形態による情報分析装置１０３の機能構成例を示すブロック図である。この図８において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。なお、ここでは、図１に示した第１の実施形態に対する変形例として第３の実施形態を示すが、図６に示した第２の実施形態に対する変形例として第３の実施形態を適用することも可能である。

図８に示すように、第３の実施形態による情報分析装置１０３は、機能構成として、ユーザデータ取得部１１、対象ユーザ特定部３２、特徴情報抽出部１３、比較分析部１４および分析結果出力部１５を備えて構成されている。また、第３の実施形態による情報分析装置１０３は、記憶媒体として、ユーザデータ記憶部１０を備えている。

上記各機能ブロック１１，３２，１３〜１５は、ハードウェア、ＤＳＰ、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１１，３２，１３〜１５は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

＜第１パターン＞
対象ユーザ特定部３２は、ユーザデータ記憶部１０に記憶されているユーザデータを用いて、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのそれぞれについて、行動履歴情報に基づいて特徴情報を抽出する。そして、当該抽出した特徴情報の類似度に基づいて特定行動ユーザを複数のグループに分類し、一のグループに属する特定行動ユーザを分析対象ユーザとして特定するとともに、他のグループに属する特定行動ユーザを比較対象ユーザとして特定する。

ここで、行動履歴情報に基づく特徴情報の抽出は、特徴情報抽出部１３による特徴情報の抽出と同様であってもよいし、別であってもよい。また、抽出した特徴情報の類似度を算出する方法や、当該類似度に基づいてユーザを複数のグループに分類する方法は、種々の公知技術を適用することが可能である。例えば、対象ユーザ特定部３２により抽出された特定行動ユーザの特徴情報に対して、最短距離法などの階層的手法（Hierarchical Clustering）、k-means法などの非階層的手法 (non-hierarchical method) を適用することが可能である。

一例として、階層的手法によるクラスタリングを適用した場合、対象ユーザ特定部３２は、以下のようにして特定行動ユーザの分類を行う。なお、ここでは、ユーザデータ記憶部１０に記憶されている複数のユーザデータの中から、行動履歴情報により特定の状態に至ったことが示されているｎ人の特定行動ユーザが抽出されたものとする。

この場合、対象ユーザ特定部３２は、まず、ｎ個のユーザデータを用いて、１人の特定行動ユーザだけを含むｎ個のクラスタがある初期状態を作る。この状態は、１つの階層にｎ個のクラスタが並列に存在する状態である。対象ユーザ特定部３２は、この状態から始めて、一の特定行動ユーザの特徴情報と、他の特定行動ユーザの特徴情報との類似度または非類似度を表す距離からクラスタ間の距離を計算し、距離が最も近い２つのクラスタを逐次的に併合し、併合したところに上位階層を構築する。対象ユーザ特定部３２は、上位階層を構築すると、当該上位階層どうしでも同様にクラスタ間の距離を計算し、距離が最も近い２つのクラスタを併合することにより、更に上位の階層を構築する。そして、このような併合を、全ての特定行動ユーザが１つのクラスタに併合されるまで繰り返すことにより、最下位層から最上位層までの階層構造を構築する。

以上のような処理によって構築される階層構造は、図９に示すようなデンドログラムによって表現される。デンドログラムとは、最下位層の各終端ノードがｎ人の各特定行動ユーザを表し、併合されてできたクラスタを、最下位層を除く上位階層の各ブランチで表した二分木である。デンドログラムの横軸は、併合されたときのクラスタ間の距離を表している。すなわち、互いに近くに存在するノードどうしは類似度が高く、互いに離れた位置に存在するノードどうしは類似度が低いことを表している。

対象ユーザ特定部３２は、以上のように構築したデンドログラムの階層構造において、例えば図９に示すように、一の特定階層の特定ブランチ７１から下位層に属する複数の特定行動ユーザを、一のグループ７２に属する分析対象ユーザとして特定するとともに、他の特定階層の特定ブランチ７３から下位層に属する複数の特定行動ユーザを、他のグループ７４に属する比較対象ユーザとして特定する。

なお、分析対象ユーザを抽出するために行う一の特定ブランチ７１の指定と、比較対象ユーザを抽出するために行う他の特定ブランチ７３の指定は、分析者が情報分析装置１０１の操作部を操作することによって任意に行うことが可能である。このブランチの指定を行いやすくするために、分析者が任意のブランチを選択する操作を行ったときに、そのブランチに該当するクラスタの特徴情報をディスプレイに表示させるようにしてもよい。

以上説明した第１パターンによって分析対象ユーザおよび比較対象ユーザを特定することにより、特定の状態に至った特定行動ユーザを対象として、その中でも特徴情報が異なる特定行動ユーザどうしを分析対象ユーザおよび比較対象ユーザとして特定し、比較分析を行うことができる。例えば、あるバナー広告をクリックしたという特定の状態に至った特定行動ユーザに対して、特徴情報に基づくクラスタリングを行って分析対象ユーザおよび比較対象ユーザを特定することにより、同じバナー広告に反応した特定行動ユーザでも、反応するまでに至った動機や趣向が異なることを、特異情報の抽出によって観測することができる。

また、第１パターンによれば、特定行動ユーザのクラスタリングを自動的に行っているので、ユーザデータに基づくクラスタリングとそれに基づく分析対象ユーザおよび比較対象ユーザの特定を合理的に行うことができる。一方、クラスタリングによって作成された複数のグループの中のどれを分析対象ユーザとし、どれを比較対象ユーザとするかは分析者が任意に指定することができる。

例えば、特徴情報の類似度が比較的大きいグループ（図９に示すデンドログラムの場合、横軸で示されるクラスタ間の距離が小さいグループ）どうしを分析対象ユーザおよび比較対象ユーザとして特定することが可能である。逆に、特徴情報の類似度が比較的小さいグループ（図９に示すデンドログラムの場合、横軸で示されるクラスタ間の距離が大きいグループ）どうしを分析対象ユーザおよび比較対象ユーザとして特定することも可能である。また、図９に示すデンドログラムを用いた場合、どのブランチを指定するかによって、グループの大きさも任意に指定することができる。これにより、比較分析によって明らかにしたい内容に応じて、分析対象ユーザのグループおよび比較対象ユーザのグループを適切に指定することが可能である。

＜第２パターン＞
対象ユーザ特定部３２は、ユーザデータ記憶部１０に記憶されている複数のユーザデータの行動履歴情報に基づいて、複数段階にわたって遷移する行動パターンのうち特定段階の行動パターンに至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、特定段階よりも前の段階の行動パターンに留まっていることが示されているユーザのうち少なくとも一部を比較対象ユーザとして特定する。

ここで、複数段階にわたって遷移する行動パターンの一例として、マーケティングにおいて周知である購買行動モデルに基づく行動パターンを用いることが可能である。すなわち、購買行動モデルに基づいて分析対象ユーザおよび比較対象ユーザを特定する場合、購買行動モデルの各ステージに相当する行動をあらかじめ定義し、当該定義した行動と、行動履歴情報により示される行動とを照合することにより、複数のユーザデータで特定される複数のユーザのそれぞれについて、購買行動モデルのどのステージまで到達しているかを特定する。

例えば、ＡＩＳＡＳ（アイサス）の購買行動モデルに基づいて分析対象ユーザおよび比較対象ユーザを特定する場合は、Attention（認知・注意）、Interest（興味・関心）、Search（検索）、Action（行動）、Shere（共有）の各ステージに相当する行動をあらかじめ定義し、ユーザデータに含まれる行動履歴情報に基づいて、複数のユーザがそれぞれどのステージまで到達しているかを特定する。そして、対象ユーザ特定部３２は、上記５つのステージのうち２ステージ目以降の行動に至ったことが行動履歴情報により示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定する。また、対象ユーザ特定部３２は、分析対象ユーザとして特定したステージよりも１段階前または複数段階前の行動に留まっていることが行動履歴情報により示されているユーザのうち少なくとも一部を比較対象ユーザとして特定する。なお、少なくとも一部を特定するための条件は、上述した第１の実施形態または第２の実施形態と同様である。

以上説明した第２パターンによって分析対象ユーザおよび比較対象ユーザを特定することにより、分析対象ユーザが行っている行動のステージに至るために必要または重要な要素を、特異情報の抽出によって推定することができる。

なお、ここではＡＩＳＡＳ（アイサス）の購買行動モデルに基づいて分析対象ユーザおよび比較対象ユーザを特定する例について説明したが、これ以外に、上述したＡＩＤＭＡ（アイドマ）、ＡＩＤＡ（アイダ）、ＡＩＤＣＡ（アイドカ）、ＳＩＰＳ（シップス）などの購買行動モデルを適用可能なことは言うまでもない。また、Bayesian Networkにより定義付けられた購買行動モデルによるステージ分解に基づいて第２パターンを適用することも可能である。

＜第３パターン＞
対象ユーザ特定部３２は、ユーザデータ記憶部１０に記憶されている複数のユーザデータに基づいて、行動履歴情報により特定の状態に至ったことが示されている複数の特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定する。また、対象ユーザ特定部３２は、ユーザデータ記憶部１０に記憶されている複数のユーザデータのうち、少なくとも分析対象ユーザとそれ以外のユーザとを含む複数のユーザ（例えば、全てのユーザ）に関するユーザデータを対象として、行動履歴情報に基づいて特徴情報を抽出し、分析対象ユーザの特徴情報との類似度に基づいて複数のユーザを複数のグループに分類する。そして、当該複数のグループの中の一のグループに属するユーザを比較対象ユーザとして特定する。

ここで、分析対象ユーザの特定は、第１の実施形態または第２の実施形態と同様にして行う。また、行動履歴情報に基づく特徴情報を抽出は、特徴情報抽出部１３による特徴情報の抽出と同様であってもよいし、別であってもよい。なお、上述した第１パターンでは、行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザだけを対象として特徴情報を抽出した。第３パターンでは、ユーザデータ記憶部１０に記憶されている複数のユーザ（例えば、全てのユーザ）を対象として特徴情報を抽出する点で、第１パターンと異なる。

また、抽出した特徴情報の類似度を算出する方法としては、第１パターンと同様、種々の公知技術を適用することが可能である。ただし、第１パターンでは、特定行動ユーザどうしの特徴情報の類似度を算出したのに対し、第３パターンでは、分析対象ユーザの特徴情報に対する類似度を算出する点で異なる。

例えば、分析対象ユーザの特徴情報を教師データとして機械学習を行うことにより、ユーザデータ記憶部１０に記憶されている複数のユーザについて、分析対象ユーザの特徴情報に対する類似度を算出することができる。より具体的な例として、分析対象ユーザの特徴情報を正例とし、ユーザデータ記憶部１０に記憶されている全ユーザデータの中からランダムサンプリングしたユーザ群の特徴情報を負例とし、ロジスティック回帰などの手法により学習器を作成すれば、予測確率を分析対象ユーザに対する類似度として定義することができる。

また、算出した類似度に基づいてユーザを複数のグループに分類する方法についても、種々の公知技術を適用することが可能である。なお、第１パターンでは、特定行動ユーザどうしの特徴情報の類似度を算出し、類似度の近いユーザどうしをグルーピングしたのに対し、第３パターンでは、分析対象ユーザの特徴情報に対する類似度を算出し、その類似度に基づいて複数のユーザを複数のグループに分類する点で異なる。

なお、複数のユーザをグルーピングする際に、分類の境界条件を、類似度分布からＦ値などの統計的手法により求めるようにしてもよい。Ｆ値とは、分類の再現率と精度との調和平均を表す統計値である。すなわち、分類器は再現率と精度に対してトレードオフを持っているため、これらを統合して評価できる指標が必要となる。その指標の１つがＦ値である。Ｆ値は、再現率をRec、精度をPreとした場合に、２Rec・Pre／（Rec＋Pre）で表すことができる。対象ユーザ特定部３２は、このＦ値を大きくするような分類器を作成してユーザを複数のグループに分類するのが好ましい。

別の例として、対象ユーザ特定部３２は、類似度分布の不平等さを測る指標であるgini係数を最小化するような分類器を作成してユーザを複数のグループに分類するようにしてもよい。また、カルバック・ライブラー情報量（KL Divergence）またはイェンセン・シャノン情報量（Jensen-Shannon Divergence）を最大化するような分類器を作成してユーザを複数のグループに分類するようにしてもよい。以下に、KL Divergenceを用いたグルーピングについて説明する。

ここでは説明の簡単のため、ユーザデータ記憶部１０に記憶されている全ユーザを、分析対象ユーザの特徴情報（正例）に対する類似度によって３つのグループに分割することを考える。その際の各グループに属するユーザ集団をそれぞれＡ，Ｂ，Ｃと表記するものとする。このときユーザをｕとし、正例に対する類似度を０≦ｓ(u)≦１として、ユーザ集団Ａ，Ｂ，Ｃをそれぞれ以下のように定義する。
Ａ＝｛ｕ｜α≦ｓ(u)≦１｝
Ｂ＝｛ｕ｜β≦ｓ(u)＜α｝
Ｃ＝｛ｕ｜０≦ｓ(u)＜β｝

ここで、ユーザ集団Ａにおける特徴情報ｉの生起確率をＡ(i)とすると、ユーザ集団Ａとユーザ集団ＢとのKL Divergenceは、次の（式５）によって算出することができる。

この（式５）によって算出される値を系全体で最大化すればよいので、最大化すべき関数Ｓは、
Ｓ(α，β)＝Ｄ_KL(Ａ||Ｂ)＋Ｄ_KL(Ｂ||Ｃ)
となる。この関数Ｓの値を、α, βをパラメータとして疑似アニーリング法（Simulated Annealing）などによって最大化すれば、最適な分割を得ることができる。

また、Jensen-Shannon Divergenceを用いてグルーピングを行う場合、ユーザ集団Ａにおける特徴情報ｉの生起確率をＡ(i)とすると、ユーザ集団Ａとユーザ集団ＢとのJensen-Shannon Divergenceは、次の（式６）によって算出することができる。
Ｄ_JS＝１／２Ｄ_KL (Ａ||Ｍ)＋１／２Ｄ_KL (Ｂ||Ｍ) ・・・（式６）
ただし、Ｍ＝１／２（Ａ＋Ｂ）

対象ユーザ特定部３２は、以上のようにして生成した複数のグループの中から任意のグループを指定し、当該グループに属するユーザを比較対象ユーザとして特定する。なお、一のグループの指定は、分析者が情報分析装置１０３の操作部を操作することによって行うことが可能である。または、類似度が最も大きいグループまたは最も小さいグループなど、類似度に関して特定条件を満たすグループを自動的に指定するようにしてもよい。または、特定行動ユーザを分析対象ユーザとして、当該分析対象ユーザの特徴情報との類似度に基づいて複数のユーザ（非特定行動ユーザを含む）を複数のグループに分類し、非特定行動ユーザの類似度を１つ上のグループにシフトさせるための施策を探すために、最も類似度が高いグループとその次に類似度が高いグループとを指定するようにしてもよい。

以上説明した第３パターンによって分析対象ユーザおよび比較対象ユーザを特定することにより、特定の状態に至った特定行動ユーザと対比する比較対象ユーザとして、分析対象ユーザの特徴情報との類似度に基づいて分類されたユーザの中から任意のユーザを特定することができる。これにより、分析対象ユーザとの比較分析によって明らかにしたい内容に応じて、比較対象ユーザを適切に指定することが可能である。なお、この指定を行いやすくするために、類似度の高さをディスプレイに表示させるようにしてもよい。また、分析者が任意のグループを選択する操作を行ったときに、そのグループに該当する特徴情報をディスプレイに表示させるようにしてもよい。

（応用例）
以上、第１〜第３の実施形態による情報分析装置１０１〜１０３について説明したが、比較分析部１４による分析の結果（分析対象ユーザに特異な特徴情報）を種々に活用することが可能である。例えば、ある商品の購買について分析した結果を利用して、その商品の広告を配信するのに有望なユーザの特定を支援することが可能である。また、その商品の広告を作成する際に有望な訴求内容の決定を支援することが可能である。

例えば、分析対象ユーザについて比較分析部１４によって分析された特異情報を正例として、ユーザデータ記憶部１０（または２０）に記憶されている全ユーザの特徴情報との類似度を算出し、分析対象ユーザ以外で類似度の大きい特徴情報を持つユーザに対して広告配信を行うことが可能である。例えば、上述した（表２）において特異度が最大のトピック４に含まれる特徴情報を分析対象ユーザの特異情報として抽出した場合、このトピック４に含まれる特異情報を正例として、この特異情報に対して類似度が大きい特徴情報を持つユーザを母集団から捉えて広告配信を行うことにより、狙った特徴を持つユーザに広告を配信することができる。

また、図２または図７のようにグラフィック表示された単語の中から分析者が所望の単語を指定する操作をしたときに、指定された単語を特徴情報として持つユーザをセグメント化して広告配信するようにしてもよい。

さらに、分析対象ユーザとの類似度が大きいユーザを事前に求めて上記“全ユーザ”および“母集団”とすることも可能である。これにより、例えば、分析対象ユーザがコンバージョンしたユーザだった場合、特異情報が類似し、かつ、コンバージョンしやすいユーザをターゲットすることができるようになり、より高い広告効果が期待できる。

以上のように、ターゲットを定めて広告配信を行った場合、広告配信を行ったユーザについて、その後、分析対象ユーザと同じ特定の状態に遷移したか否かを判定することにより、広告配信の効果を評価するようにしてもよい。さらに、広告配信を行ったユーザのうち、分析対象ユーザと同じ特定の状態に遷移したユーザの割合や数などを評価値として算出し、評価値が所定の閾値以下の場合に、比較対象ユーザを再定義して分析対象ユーザとの比較分析を再度実行するようにしてもよい。この場合、第３の実施形態で説明した第１パターン〜第３パターンの何れかによってグルーピングを再実行したり、何れかのグループの指定を再実行したりすることにより、比較対象ユーザを再定義する。この比較対象ユーザの再定義を自動的に行うようにしてもよい。

また、広告訴求内容の決定支援の例として、分析対象ユーザについて比較分析部１４によって分析された特異情報に基づいて、有望な広告戦略の示唆または有望なキャッチコピーパーツの提示を行うようにすることが可能である。例えば、分析対象ユーザの特異情報として、低価格に関連する単語やカテゴリ情報などが抽出された場合に、価格を謳う広告戦略やキャッチコピーパーツを提示する一方、分析対象ユーザの特異情報として、性能に関連する単語やカテゴリ情報などが抽出された場合に、性能を謳う広告戦略やキャッチコピーパーツを提示するといった具合である。

この場合、複数の単語やカテゴリ情報に対して、「価格」や「性能」といった関連のラベル情報をあらかじめ定義しておくとともに、ラベル情報に対して提示する広告戦略やキャッチコピーパーツをあらかじめ関連付けて記憶しておく。このようにすれば、比較分析部１４によって分析された特異情報に含まれる単語やカテゴリ情報をキーとして、ラベル情報を特定し、当該ラベル情報から広告戦略やキャッチコピーパーツを得て提示することが可能である。

なお、ここでは、個々の単語やカテゴリ情報に対してラベル情報を定義する例について説明したが、トピックに対してラベル情報を定義するようにしてもよい。また、ここでは、単語やカテゴリ情報、あるいはトピックに対して定義したラベル情報に対して広告戦略やキャッチコピーパーツを関連付けて記憶する例について説明したが、ラベル情報およびユーザ属性情報に対して広告戦略やキャッチコピーパーツを関連付けて記憶するようにしてもよい。

また、図３のように時系列で特異度を計算した結果に基づいて、広告を提示する順番を変えるようにしてもよい。例えば、３つのトピックの４週間での特異度の変化が次の（表３）のようになっているとする。図１０は、この場合のグラフィック表示の例を示す図である。図１１は、この応用例による情報分析装置および当該情報分析装置と組み合わせて使用される広告配信システムの動作例を示すフローチャートである。

以下、図１１に示すフローチャートに従って、広告提示方法の具体例を説明する。まず、情報分析装置の図示しないコピーパーツ提示部は、分析結果出力部１５により出力された特異情報の分析結果に基づいて、各トピックに関して、特異度が最大となる時期を求める（ステップＳ１１）。ここで、同じ最大値の特異度が複数時期ある場合は、例えば、最も早い時期を選択する。表３および図１０の例の場合、トピック１は１週間前、トピック２は２週間前、トピック３は０週間前の特異度が最大となる。

次いで、コピーパーツ提示部は、各トピックに対して、そのトピックの特異度が最大の時期において特異度が次に大きくなるトピックを関連付ける（ステップＳ１２）。ここで、特異度の最大値が一定期間現れないトピックや、最後に特異度が最大になるトピックの場合は、関連付け無しとしてよい。表３および図１０の例の場合、トピック１に対してはトピック３を、トピック２に対してはトピック１をそれぞれ関連付け、トピック３は関連付け無しとする。

次に、コピーパーツ提示部は、トピックに紐付けるキャッチコピーパーツを選択する（ステップＳ１３）。ここでは、各トピックに紐付けるキャッチコピーパーツを、そのトピックに関連付けたトピックと対応するキャッチコピーパーツとする。関連付けたトピックが無い場合は、自分自身のパーツを使う。例えば、トピック１が価格に関するトピック、トピック２が性能に関するトピック、トピック３が配送時期に関するトピックだった場合、トピック１にはトピック３のキャッチコピーパーツである配送時期を、トピック２にはトピック１のキャッチコピーパーツである価格を、トピック３には自分自身のキャッチコピーパーツである配送時期を紐付ける。

ここまでの処理により、次の（表４）に示すように各トピックに対してキャッチコピーパーツの紐付けが行われる。コピーパーツ提示部は、以上のようなキャッチコピーパーツの紐付け結果を、図示しない広告配信システムに出力する。

広告配信システムは、各トピックに紐付けられたキャッチコピーパーツを持つ広告をユーザに配信する。ここで、配信対象のユーザは、例えば、応用例として上述した広告配信対象ユーザの特定支援方法を利用して決定することが可能である。すなわち、特異度が最大のトピックに含まれる特徴情報を分析対象ユーザの特異情報として抽出した場合、このトピックに含まれる特異情報を正例として、この特異情報に対して類似度が大きい特徴情報を持つユーザを母集団から捉えて広告配信を行うことが可能である。

以上、図１１に示す方法によれば、ある話題に関心を持ったユーザに対し、次に関心を持ちそうな話題の広告提示を行うことができる。そのため、広告配信したユーザを、より効果的あるいは時間的に早く特定の（分析対象ユーザを抽出した条件の）ユーザ状態に導くことが期待できる。

（第４の実施形態）
以下、本発明の第４の実施形態を図面に基づいて説明する。第４の実施形態は、上述した応用例の１つ目である広告配信対象ユーザの決定支援を行うことができるようにしたものである。すなわち、第４の実施形態は、比較分析部１４による分析対象ユーザの特異情報を利用して広告配信対象ユーザを特定した後、広告配信の結果を評価して次の比較分析にフィードバックするように構成したものである。

図１２は、第４の実施形態による情報分析装置１０４の機能構成例を示すブロック図である。この図１２において、図１に示した符号と同一の符号を付したものは同一の機能を有するものであるので、ここでは重複する説明を省略する。

図１２に示すように、第４の実施形態による情報分析装置１０４は、機能構成として、ユーザデータ取得部１１、対象ユーザ特定部４２、特徴情報抽出部１３、比較分析部１４、分析結果出力部１５、配信対象ユーザ特定部４６および広告効果評価部４７を備えて構成されている。また、第４の実施形態による情報分析装置１０４は、記憶媒体として、ユーザデータ記憶部１０を備えている。

上記各機能ブロック１１，４２，１３〜１５，４６〜４７は、ハードウェア、ＤＳＰ、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１１，４２，１３〜１５，４６〜４７は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶されたプログラムが動作することによって実現される。

配信対象ユーザ特定部４６は、ユーザデータ記憶部１０に記憶されているユーザデータに基づいて、全ユーザまたは一部ユーザ（例えば、分析対象ユーザ以外のユーザ、あるいは、任意の指定条件によって抽出されたユーザ）のそれぞれについて、行動履歴情報に基づいて特徴情報を抽出する。そして、分析結果出力部１５により出力された比較分析の結果、つまり、分析対象ユーザに特異的な特徴情報である特異情報を正例として、上記抽出したユーザの特徴情報との類似度を算出し、類似度の大きい特徴情報を持つユーザを広告配信対象ユーザとして特定する。配信対象ユーザ特定部４６は、特定した広告配信対象ユーザを分析結果として出力するとともに、広告効果評価部４７に通知する。

図示しない広告配信システムは、配信対象ユーザ特定部４６により特定された対象ユーザに対して、広告を配信する。この広告配信を受けたユーザのうち、広告の影響を受けたユーザは、何らかの反応をする。例えば、インターネット上で商品の詳細ページを閲覧したり、商品を購入したりする可能性がある。このように、ユーザが何らかの行動をとると、それが行動履歴情報としてログ収集サーバにより収集され、ユーザデータ取得部１１によって取得される。そして、ユーザデータ記憶部１０に記憶されるユーザデータが更新される。

広告効果評価部４７は、ユーザデータ記憶部１０に記憶されたユーザデータに含まれる行動履歴情報に基づいて、配信対象ユーザ特定部４６から通知された広告配信対象ユーザについて、分析対象ユーザと同じ特定の状態に遷移したか否かを判定することにより、広告配信の効果を評価する。ここでは、広告配信対象ユーザのうち、分析対象ユーザと同じ特定の状態に遷移したユーザの割合を評価値として算出し、評価値が所定の閾値以下か否かを判定する。

対象ユーザ特定部４２は、広告配信効果の評価値が所定の閾値以下であると広告効果評価部４７により判定された場合に、分析対象ユーザに対する比較対象ユーザを再度特定する。すなわち、対象ユーザ特定部４２は、自動的に、第３の実施形態で説明した第１パターン〜第３パターンの何れかによってグルーピングを再実行し、何れかのグループの指定を再実行する。

例えば、第１パターンまたは第３パターンによってグルーピングを行っている場合は、前回と同じパターンでグルーピングを再実行し、前回とは異なる類似度のグループに属するユーザを比較対象ユーザとして特定することが可能である。このようにすれば、前回とは異なる特徴情報が分析対象ユーザに特異的な特徴情報として分析される可能性があり、その結果を受けて、配信対象ユーザ特定部４６によって、前回とは異なるユーザを広告配信対象ユーザとして特定することが可能となる。このようなループ処理を繰り返し行うことにより、広告配信効果を高めていくことが期待できる。

また、第２パターンによってグルーピングを行っている場合は、前回と同じステージに属するユーザを分析対象ユーザとして特定するとともに、前回と同じステージで留まっているユーザを比較対象ユーザとして特定する。すなわち、前回と全く同じ条件で分析対象ユーザおよび比較対象ユーザを特定する。同じ条件で特定しても、前回とはユーザデータ記憶部１０に記憶されているユーザデータの行動履歴情報が更新されているので、異なる比較分析の結果が得られる可能性がある。よって、配信対象ユーザ特定部４６によって、前回とは異なるユーザを広告配信対象ユーザとして特定することができる可能性があり、このようなループ処理を繰り返し行うことにより、広告配信効果を高めていくことが期待できる。

なお、上記第１〜第４の実施形態では、分析対象ユーザの行動履歴情報によりアクセスしたことが示されているウェブページに含まれている単語、当該ウェブページに対してメタデータとして設定されているカテゴリ情報、ユーザがウェブページの検索に使用した単語やＡＩスピーカに発した単語、ユーザが訪問した店舗の位置情報など、更には、性別、年代、職業、年収、家族構成、居住地といったユーザ属性情報を特徴情報として抽出する例について説明した。これに加えて、ユーザの位置情報を更に特徴情報として抽出するようにしてもよい。ユーザの位置情報とは、例えば、自宅、職場、頻繁に訪問する店舗、頻繁に訪れる施設や旅行先などの位置情報である。

また、上記第１〜第４の実施形態では、ユーザデータ取得部１１，２１が外部のログ収集サーバから取得してユーザデータ記憶部１０，２０に記憶させたユーザデータを対象として分析を行う例について説明したが、外部サービスにより提供されているユーザデータを取得して分析を行うようにしてもよい。

その他、上記第１〜第４の実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１０，２０ ユーザデータ記憶部
１１，２１ ユーザデータ取得部
２２，３２，４２ 対象ユーザ特定部
１３，２３ 特徴情報抽出部
１４ 比較分析部
１５ 分析結果出力部
４６ 配信対象ユーザ特定部
４７ 広告効果評価部
１０１，１０２，１０３，１０４ 情報分析装置

Claims (15)

1. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得部と、
   上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定部と、
   上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出部と、
   上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析部と、
   上記比較分析部により分析された結果を出力する分析結果出力部とを備え、
   上記対象ユーザ特定部は、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのそれぞれについて、上記行動履歴情報に基づいて特徴情報を抽出し、当該特徴情報の類似度に基づいて上記特定行動ユーザを複数のグループに分類し、一のグループに属する特定行動ユーザを上記分析対象ユーザとして特定するとともに、他のグループに属する特定行動ユーザを上記比較対象ユーザとして特定することを特徴とする情報分析装置。
2. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得部と、
   上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定部と、
   上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出部と、
   上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析部と、
   上記比較分析部により分析された結果を出力する分析結果出力部とを備え、
   上記対象ユーザ特定部は、
   上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、
   上記ユーザデータ取得部により取得された複数のユーザデータのうち、少なくとも上記分析対象ユーザとそれ以外のユーザとを含む複数のユーザに関するユーザデータを対象として、上記行動履歴情報に基づいて特徴情報を抽出し、上記分析対象ユーザの特徴情報との類似度に基づいて上記複数のユーザを複数のグループに分類し、当該複数のグループの中の一のグループに属するユーザを上記比較対象ユーザとして特定することを特徴とする情報分析装置。
3. 上記ユーザデータ取得部により取得された複数のユーザデータに含まれる行動履歴情報に基づいて、全ユーザまたは一部ユーザの特徴情報を抽出し、上記分析結果出力部により出力された分析結果である上記分析対象ユーザの特異情報と上記特徴情報との類似度を算出し、類似度の大きい特徴情報を持つユーザを広告配信対象ユーザとして特定する配信対象ユーザ特定部を更に備えたことを特徴とする請求項１または２に記載の情報分析装置。
4. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得部と、
   上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定部と、
   上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出部と、
   上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析部と、
   上記比較分析部により分析された結果を出力する分析結果出力部と、
   上記分析結果出力部により出力された上記比較分析部による上記特異情報の分析結果に基づいて、当該特異情報である上記特徴情報または複数の特徴情報を所定の共通事項に基づきグループ化したトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを提示するコピーパーツ提示部とを備えたことを特徴とする情報分析装置。
5. 上記比較分析部は、上記比較対象ユーザの特徴情報に対する上記分析対象ユーザの特徴情報の特異度を算出し、
   上記コピーパーツ提示部は、上記分析結果出力部により出力された上記特異情報のトピックに対して、上記特異度に基づいて他のトピックを関連付け、当該他のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを、上記特異情報のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツに代えてまたは加えて提示することを特徴とする請求項４に記載の情報分析装置。
6. 情報分析装置のユーザデータ取得部が、少なくとも行動履歴情報を有する複数のユーザデータを取得する第１のステップと、
   上記情報分析装置の対象ユーザ特定部が、上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する第２のステップと、
   上記情報分析装置の特徴情報抽出部が、上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する第３のステップと、
   上記情報分析装置の比較分析部が、上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する第４のステップと、
   上記情報分析装置の分析結果出力部が、上記比較分析部により分析された結果を出力する第５のステップとを有し、
   上記第２のステップにおいて、上記対象ユーザ特定部は、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのそれぞれについて、上記行動履歴情報に基づいて特徴情報を抽出し、当該特徴情報の類似度に基づいて上記特定行動ユーザを複数のグループに分類し、一のグループに属する特定行動ユーザを上記分析対象ユーザとして特定するとともに、他のグループに属する特定行動ユーザを上記比較対象ユーザとして特定することを特徴とする情報分析方法。
7. 情報分析装置のユーザデータ取得部が、少なくとも行動履歴情報を有する複数のユーザデータを取得する第１のステップと、
   上記情報分析装置の対象ユーザ特定部が、上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する第２のステップと、
   上記情報分析装置の特徴情報抽出部が、上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する第３のステップと、
   上記情報分析装置の比較分析部が、上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する第４のステップと、
   上記情報分析装置の分析結果出力部が、上記比較分析部により分析された結果を出力する第５のステップとを有し、
   上記第２のステップにおいて、上記対象ユーザ特定部は、
   上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、
   上記ユーザデータ取得部により取得された複数のユーザデータのうち、少なくとも上記分析対象ユーザとそれ以外のユーザとを含む複数のユーザに関するユーザデータを対象として、上記行動履歴情報に基づいて特徴情報を抽出し、上記分析対象ユーザの特徴情報との類似度に基づいて上記複数のユーザを複数のグループに分類し、当該複数のグループの中の一のグループに属するユーザを上記比較対象ユーザとして特定することを特徴とする情報分析方法。
8. 上記情報分析装置の配信対象ユーザ特定部が、上記ユーザデータ取得部により取得された複数のユーザデータに含まれる行動履歴情報に基づいて、全ユーザまたは一部ユーザの特徴情報を抽出し、上記分析結果出力部により出力された分析結果である上記分析対象ユーザの特異情報と上記特徴情報との類似度を算出し、類似度の大きい特徴情報を持つユーザを広告配信対象ユーザとして特定するステップを更に有することを特徴とする請求項６または７に記載の情報分析方法。
9. 情報分析装置のユーザデータ取得部が、少なくとも行動履歴情報を有する複数のユーザデータを取得する第１のステップと、
   上記情報分析装置の対象ユーザ特定部が、上記ユーザデータ取得部により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する第２のステップと、
   上記情報分析装置の特徴情報抽出部が、上記対象ユーザ特定部により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する第３のステップと、
   上記情報分析装置の比較分析部が、上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する第４のステップと、
   上記情報分析装置の分析結果出力部が、上記比較分析部により分析された結果を出力する第５のステップと、
   上記情報分析装置のコピーパーツ提示部が、上記分析結果出力部により出力された上記比較分析部による上記特異情報の分析結果に基づいて、当該特異情報である上記特徴情報または複数の特徴情報を所定の共通事項に基づきグループ化したトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを提示する第６のステップとを有することを特徴とする情報分析方法。
10. 上記第４のステップにおいて、上記比較分析部は、上記比較対象ユーザの特徴情報に対する上記分析対象ユーザの特徴情報の特異度を算出し、
    上記第６のステップにおいて、上記コピーパーツ提示部は、上記分析結果出力部により出力された上記特異情報のトピックに対して、上記特異度に基づいて他のトピックを関連付け、当該他のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを、上記特異情報のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツに代えてまたは加えて提示することを特徴とする請求項９に記載の情報分析方法。
11. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得手段、
    上記ユーザデータ取得手段により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定手段、
    上記対象ユーザ特定手段により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出手段、
    上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析手段、および
    上記比較分析手段により分析された結果を出力する分析結果出力手段
    としてコンピュータを機能させ、
    上記対象ユーザ特定手段は、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのそれぞれについて、上記行動履歴情報に基づいて特徴情報を抽出し、当該特徴情報の類似度に基づいて上記特定行動ユーザを複数のグループに分類し、一のグループに属する特定行動ユーザを上記分析対象ユーザとして特定するとともに、他のグループに属する特定行動ユーザを上記比較対象ユーザとして特定することを特徴とする情報分析プログラム。
12. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得手段、
    上記ユーザデータ取得手段により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定手段、
    上記対象ユーザ特定手段により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出手段、
    上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析手段、および
    上記比較分析手段により分析された結果を出力する分析結果出力手段
    としてコンピュータを機能させ、
    上記対象ユーザ特定手段は、
    上記ユーザデータ取得手段により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている複数の上記特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、
    上記ユーザデータ取得手段により取得された複数のユーザデータのうち、少なくとも上記分析対象ユーザとそれ以外のユーザとを含む複数のユーザに関するユーザデータを対象として、上記行動履歴情報に基づいて特徴情報を抽出し、上記分析対象ユーザの特徴情報との類似度に基づいて上記複数のユーザを複数のグループに分類し、当該複数のグループの中の一のグループに属するユーザを上記比較対象ユーザとして特定することを特徴とする情報分析プログラム。
13. 上記ユーザデータ取得手段により取得された複数のユーザデータに含まれる行動履歴情報に基づいて、全ユーザまたは一部ユーザの特徴情報を抽出し、上記分析結果出力手段により出力された分析結果である上記分析対象ユーザの特異情報と上記特徴情報との類似度を算出し、類似度の大きい特徴情報を持つユーザを広告配信対象ユーザとして特定する配信対象ユーザ特定手段
    として上記コンピュータを更に機能させることを特徴とする請求項１１または１２に記載の情報分析プログラム。
14. 少なくとも行動履歴情報を有する複数のユーザデータを取得するユーザデータ取得手段、
    上記ユーザデータ取得手段により取得された複数のユーザデータに基づいて、上記行動履歴情報により特定の状態に至ったことが示されている特定行動ユーザのうち少なくとも一部を分析対象ユーザとして特定するとともに、当該分析対象ユーザとは異なるユーザを比較対象ユーザとして特定する対象ユーザ特定手段、
    上記対象ユーザ特定手段により特定された上記分析対象ユーザの行動履歴情報に基づいて上記分析対象ユーザの特徴情報を抽出するとともに、上記比較対象ユーザの行動履歴情報に基づいて上記比較対象ユーザの特徴情報を抽出する特徴情報抽出手段、
    上記比較対象ユーザの特徴情報に対して上記分析対象ユーザの特徴情報が特異性を有する特徴情報である特異情報を分析する比較分析手段、
    上記比較分析手段により分析された結果を出力する分析結果出力手段、および
    上記分析結果出力手段により出力された上記比較分析手段による上記特異情報の分析結果に基づいて、当該特異情報である上記特徴情報または複数の特徴情報を所定の共通事項に基づきグループ化したトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを提示するコピーパーツ提示手段
    としてコンピュータを機能させるための情報分析プログラム。
15. 上記比較分析手段は、上記比較対象ユーザの特徴情報に対する上記分析対象ユーザの特徴情報の特異度を算出し、
    上記コピーパーツ提示手段は、上記分析結果出力手段により出力された上記特異情報のトピックに対して、上記特異度に基づいて他のトピックを関連付け、当該他のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツを、上記特異情報のトピックに対してあらかじめ関連付けられている広告のキャッチコピーパーツに代えてまたは加えて提示することを特徴とする請求項１４に記載の情報分析プログラム。