JP6914313B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、ユーザーに推薦する商品を選択する情報処理装置、情報処理方法、及びプログラムに関する。

オンラインショップなどでユーザーが購入する商品は、天候などによって左右されることがある。そこで、天候に関する情報を考慮して商品の販売数を予測することが検討されている（例えば特許文献１参照）。

特開平０８−３２９３５１号公報

広告などでユーザーに商品を推薦する場合、上述したような技術によって販売量が多いと予測される商品を推薦するだけでは、必ずしも効果的に推薦を行うことができるとは限らない。

本発明は上記実情を考慮してなされたものであって、その目的の一つは、効果的にユーザーに推薦する商品を選択することのできる情報処理装置、情報処理方法、及びプログラムを提供することにある。

本発明の一態様に係る情報処理装置は、所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得する基準予測値取得部と、前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するコンテキストデータ取得部と、前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出する差分値算出部と、前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、ユーザーに推薦する商品を選出する選出部と、を含むことを特徴とする。

本発明の一態様では、前記コンテキストパラメータには、天候に関する情報が含まれる。

また、本発明の一態様では、前記コンテキストデータ取得部は、前記ユーザーの所在地の天気予報を含む天候に関する情報を、前記コンテキストパラメータの値として取得する。

また、本発明の一態様では、前記差分値算出部は、過去の前記コンテキストパラメータの実績値と過去の販売量の実績値とを用いた機械学習によって得られる学習済みモデルを用いて、前記複数の対象商品群それぞれの販売量の予測値を算出する。

また、本発明の一態様では、前記選出部は、前記複数の対象商品群のうち、算出された差分値が最も大きい対象商品群に属する商品を前記ユーザーに推薦する商品として選出する。

また、本発明の一態様では、前記選出部は、前記ユーザーに対する推薦候補として選出された複数の候補商品のうち、その候補商品が属する対象商品群について算出された差分値が最も大きい候補商品を、前記ユーザーに推薦する商品として選出する

また、本発明の一態様に係る情報処理方法は、コンピュータが、所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得するステップと、前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するステップと、前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出するステップと、前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、ユーザーに推薦する商品を選出するステップと、を実行することを特徴とする。

また、本発明の一態様に係るプログラムは、所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得するステップと、前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するステップと、前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出するステップと、前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、ユーザーに推薦する商品を選出するステップと、をコンピュータに実行させるためのプログラムである。このプログラムは、コンピュータ読み取り可能で非一時的な情報記憶媒体に格納されて提供されてよい。

本発明の実施の形態に係る情報処理装置の構成を示す構成ブロック図である。 本発明の実施の形態に係る情報処理装置の機能を示す機能ブロック図である。 販売量の推移の一例を示すグラフである。 ブースト値算出部が実行する処理の流れを示すデータフロー図である。 推薦商品選出処理の流れの一例を示すフロー図である。

以下、本発明の実施形態について、図面に基づき詳細に説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成を示す構成ブロック図である。情報処理装置１０はサーバコンピュータ等であって、図１に示すように、制御部１１と、記憶部１２と、通信部１３と、を含んで構成されている。

制御部１１は、少なくとも一つのプロセッサーを含んで構成され、記憶部１２に記憶されているプログラムに従って各種の情報処理を実行する。制御部１１が実行する処理の具体例については、後述する。記憶部１２は、ＲＡＭ等のメモリデバイスを少なくとも一つ含み、制御部１１が実行するプログラム、及び当該プログラムによる処理の対象となるデータを記憶する。通信部１３は、無線又は有線で通信ネットワークに接続するためのインタフェースである。この通信部１３によって、情報処理装置１０は他の情報処理装置とデータ通信可能に接続される。

以下、本実施形態において情報処理装置１０が実現する機能について、図２の機能ブロック図を用いて説明する。情報処理装置１０は、オンラインショップやオンラインモール、あるいは実店舗などにおいて、ユーザーに推薦する商品を選出するために用いられる。以下では、本実施形態において商品推薦の対象となるユーザーを対象ユーザーと表記する。

図２に示すように、情報処理装置１０は機能的に、基準予測値取得部２１と、コンテキストデータ取得部２２と、ブースト値算出部２３と、推薦商品選出部２４と、を含んで構成されている。これらの機能は、制御部１１が記憶部１２に格納されているプログラムを実行することによって実現される。このプログラムは、インターネット等の通信ネットワークを介して各装置に提供されてもよいし、光ディスク等のコンピュータ読み取り可能な情報記憶媒体に格納されて各装置に提供されてもよい。

基準予測値取得部２１は、複数の対象商品群のそれぞれについて、対象ユーザーに推薦する商品を選出するうえで基準となる基準予測値Ｖｒを取得する。

対象商品群は、それぞれ１又は複数の商品によって構成される商品のグループであって、後述するブースト値算出部２３によるブースト値算出の対象とされる単位である。一つの対象商品群に含まれる商品は、互いに販売量の変動が似た傾向を示すものであることが望ましい。具体的に対象商品群は、同じジャンルの商品や、同じブランドの商品など、互いに関連性を有する商品によって構成されてよい。あるいは、取り扱う商品点数が比較的少ないショップなどにおいては、各対象商品群は一つの商品のみによって構成されてもよい。

具体例として、多様な商品を取り扱うショッピングモールサイトでは、取扱商品が複数のカテゴリに分類され、利用者がカテゴリごとに商品を探すことができるようになっている。また、このカテゴリは大分類、中分類、小分類といったように階層構造を有していることがある。このような場合において、特定の階層（例えば小分類）のカテゴリを対象商品群として利用してもよい。これにより、対象ユーザーに推薦される可能性のある全ての商品がいずれかの対象商品群に属するように、対象商品群を設定できる。

さらに本実施形態において、各対象商品群は、その商品群に属する商品の総販売量が所定の繰り返し周期で周期的に変動する傾向を有するものである。以下では、繰り返し周期は１年であるものとする。季節変動などの影響により、多くの商品は、その販売量が１年を単位として周期的に変動することが知られている。図３は、このような販売量の変動の具体例を示すグラフであって、ある対象商品群に属する商品の約６年間における販売量の推移を示している。このグラフに示されるように、多くの対象商品群について、大まかに１年周期で販売量が変化する傾向がある。

基準予測値Ｖｒは、予測の対象とされる期間（以下、予測対象期間という）における販売量の予測値であって、過去の販売実績（過去実際に販売された販売量の実績値）に基づいて算出される値である。予測対象期間は、予測を実行する時点から見て未来の時間を含む所定の長さの期間であって、例えば予測を実行する時点を含む当日やその翌日などであってよい。ここでは期間の長さは１日であるものとするが、期間の長さはこれとは異なってもよい。前述したように各対象商品群の販売量は周期的に変動することから、予測対象期間と対応する過去の期間の販売実績のデータを用いて、予測対象期間の販売量を予測することができる。

ここで販売量は、各対象商品群に含まれる商品の販売数量であってよいし、売上額（販売数量に単価を乗じた数）であってもよい。また、販売ボリュームや単価の大小などを考慮して販売数量や売上額に重み付けをして得られる値であってもよい。あるいは、各対象商品群に含まれる商品を含む注文の件数など、その他の指標値であってもよい。なお、販売量としては販売数量を用いることが好ましい。販売数量を用いることで、後述する推薦商品の選択の際に、単価の高い商品に偏らず様々な商品を推薦することが期待できるためである。

一例として、予測対象期間が２０１９年１０月１日であり、過去６年分の販売実績のデータが利用可能な場合、基準予測値取得部２１は、２０１３年から２０１８年までの各年における９月１５日から１０月１５日（すなわち、予測対象期間に対応する日を含む１ヶ月間）の販売数量のデータを取得する。なお、この期間は、図３において網掛けされた期間に相当する。そして、基準予測値取得部２１は、この６年×３１日間の販売数量の合計値を日数で割って平均値を算出することによって、予測対象期間の販売量（ここでは販売数量）を予測する。この算出される１日あたりの販売数量の平均値が、基準予測値Ｖｒとなる。

なお、ここでは単純な算術平均の値を基準予測値Ｖｒとしたが、これに限らず基準予測値Ｖｒは、過去の販売実績のデータを用いた各種の計算式によって算出される値であってよい。例えば基準予測値Ｖｒは、まず年ごとに予測対象期間に対応する期間の販売量の平均値を算出し、その推移に基づいて予測対象期間の販売量を予測してもよい。

コンテキストデータ取得部２２は、複数の対象商品群それぞれの予測対象期間における販売量を基準予測値Ｖｒよりもより高い精度で予測するために、コンテキストデータを取得する。コンテキストデータは、コンテキストパラメータの値を含んで構成されるデータである。コンテキストパラメータは、前述した販売量の繰り返し周期（ここでは１年）と比較して短い期間内に値が変動するパラメータであって、対象商品群の販売量に影響すると想定されるパラメータである。すなわち、コンテキストパラメータは、そのときどきのショップ利用者が置かれた状況に関する情報であって、利用者の気分や購買意欲、行動に影響を及ぼす可能性がある情報である。

本実施形態においてコンテキストパラメータは、天候に関するパラメータを含むものとする。より具体的に、天候に関するパラメータは、風速、雲量、温度、湿度、雨量などであってよい。例えばオンラインショップは、雨天のときなどに利用者が自宅で商品を購入するために利用される可能性がある。また、気温が上昇すると、清涼飲料などが購入される可能性がある。このように、ショップ利用者の気分や購買行動は短期的な天候の変動の影響を受けると想定される。そのため、天候に関する情報を利用することで、販売量予測の精度を高めることが期待できる。

コンテキストデータ取得部２２が取得する天候に関するコンテキストデータは、予測対象期間を含む未来の期間を対象とした天気予報によって得られるデータであってもよいし、予測対象期間の直前にあたる過去の期間の実際の天気を示すデータであってもよい。これらの情報は、インターネット等の通信ネットワークを介して外部の情報提供サービスから取得されるものであってよい。

また、天候に関するデータは、所定の地域（例えば実店舗を対象とする場合における店舗の所在地）についての天候データであってもよい。しかしながら、オンラインショップのように利用者の所在地が広い範囲にわたる可能性がある場合、商品を推薦する対象となる対象ユーザー自身の所在地についての天候を用いて販売量を予測することが望ましい。そこで、コンテキストデータ取得部２２は、ユーザーの位置を特定し、その地域を対象とした天候データをコンテキストデータとして取得してもよい。

ユーザーの位置情報は、各種の方法で取得することができる。例えば、ユーザー自身がオンラインショップに登録した住所情報を参照してもよいし、ＩＰアドレス等の情報を用いて特定される位置情報を利用してもよい。また、ユーザーがモバイル端末を利用してオンラインショップにアクセスしている場合、そのモバイル端末が備えるＧＰＳが取得する情報や、Ｗｉ−Ｆｉアクセスポイント、基地局などの接続情報を参照してユーザーの現在位置を特定してもよい。

また、コンテキストデータ取得部２２は、コンテキストパラメータの一部として、消費者物価指数などの経済指標の情報を取得してもよい。また、ショップのマーケティングに関する情報を取得してもよい。マーケティングに関する情報は、例えば定期的に開催されるキャンペーンが現在開催されているか否か、また次回いつ開催されるかを示す情報などであってよい。

さらに、コンテキストパラメータは、対象ユーザー自身の状況に関する情報を含んでもよい。例えばコンテキストデータ取得部２２は、前述した対象ユーザーの位置情報そのものも、コンテキストデータとして利用してもよい。また、対象ユーザーの位置情報に基づいて特定される、対象ユーザーがいる地域の情報をコンテキストデータとして利用してもよい。ここで地域の情報は、例えば都道府県や、関東地方、関西地方などの地方の情報であってよい。

ブースト値算出部２３は、複数の対象商品群のそれぞれについて、コンテキストデータ取得部２２が取得したコンテキストデータに基づいて予測される販売量予測値Ｖｃと、基準予測値取得部２１が取得した基準予測値Ｖｒとの差分値を算出する。以下ではこの差分値を、ブースト値Ｖｂという。

販売量予測値Ｖｃは、コンテキストパラメータの値に基づいて予測される販売量の予測値である。本実施形態においてブースト値算出部２３は、機械学習によって予め生成された学習済みモデルを用いて販売量予測値Ｖｃを予測する。この学習済みモデルは、コンテキストパラメータの過去の実績値（例えば過去実際に観測された天候や経済指標などのデータ）と、過去の販売実績（販売量の実績値）との組み合わせを学習用データとして用いた機械学習によって生成することができる。なお、この機械学習は各種のアルゴリズムで実現されてよく、学習に利用するモデルの形態も各種のものであってよい。

より具体的に、学習済みモデルは以下のようにして実行される機械学習によって生成される。すなわち、販売量の繰り返し周期を超える長期間（例えば過去１０年分）を学習対象期間として、その学習対象期間における複数の対象商品群それぞれの販売実績データと、地域ごとの天候や経済指標などのコンテキストパラメータの実績値とからなる学習用データを用意する。この学習用データは、学習対象期間に含まれる個々の対象日における複数の対象商品群それぞれの販売量の実績値の情報と、その販売された商品を購入した購入者の情報（所在地等）や個々の対象日の天候や経済指標などの実績値の情報を含む。この学習用データに対して必要に応じて前処理を行い、予め用意された機械学習モデルに入力することによって、機械学習が行われる。

機械学習モデルに入力されるコンテキストパラメータの実績値は、過去の学習対象期間に含まれる各対象日の天候に関する情報（風速、雲量、温度、湿度、雨量など）、経済指標（消費者物価指数など）、ショップのキャンペーン情報などに関するパラメータを含んでよい。また、販売実績データを構成する個々の取引についての購入者の所在地、購入者の地域（地方、都道府県など）、購入時期（月など）の情報を含んでよい。このような機械学習によって、コンテキストデータを入力した際に、そのコンテキストデータが表す状況において複数の対象商品群それぞれの販売量がどの程度になるかの予測結果を示す販売量予測値Ｖｃを出力する学習済みモデルを生成することができる。このモデルは、天候などのコンテキストパラメータの値と各対象商品群の販売量との間の関連性を表すものとなる。

ここで、ブースト値算出部２３が実行する処理の流れについて、図４のデータフロー図を用いて説明する。ブースト値算出部２３は、コンテキストデータ取得部２２が取得したコンテキストデータ（対象ユーザーの位置、天候、経済指標など）を学習済みモデルに入力する。特にブースト値算出部２３は、少なくともコンテキストデータとして天候の予報値（予測対象期間の予想気温等）を学習済みモデルに対して入力するものとする。なお、ブースト値算出部２３は、コンテキストデータに含まれる各パラメータの数値に対して、機械学習において一般的に知られている手法を用いてスケーリングや標準化（各パラメータの平均や分散を揃える処理）、特徴量エンジニアリングなどの各種の前処理を実行し、この前処理の結果算出される入力特徴量を学習済みモデルに入力してもよい。このようにコンテキストデータから得られる入力値を学習済みモデルに入力することにより、複数の対象商品群のそれぞれについて、予測対象期間の販売量予測値Ｖｃが算出される。

その後、ブースト値算出部２３は、複数の対象商品群のそれぞれについて、ブースト値Ｖｂを算出する。ブースト値Ｖｂは、学習済みモデルによって得られる販売量予測値Ｖｃと基準予測値取得部２１が取得した基準予測値Ｖｒを用いて以下の計算式によって算出される。
Ｖｂ＝Ｖｃ−Ｖｒ

ブースト値Ｖｂは、正の値になる場合も負の値になる場合もあり得るが、特にブースト値Ｖｂが正の値になることは、天候などの要因によって過去の同時期よりも販売量が増加する可能性が高いことを示唆している。すなわち、正のブースト値Ｖｂは、短期的な要因によって販売量がどれだけ一時的に増加しそうかを示していることになる。

推薦商品選出部２４は、ブースト値算出部２３が複数の対象商品群のそれぞれについて算出したブースト値Ｖｂを用いて、対象ユーザーに推薦する商品（以下、推薦商品という）を選出する。一例として推薦商品選出部２４は、まず複数の対象商品群の中から、対象ユーザーに推薦する商品を含む対象商品群（以下、推薦商品群という）を選出する。そして、推薦商品群に含まれる商品の中から、１又は複数の推薦商品を選出する。

具体的に、推薦商品選出部２４は、ブースト値Ｖｂが最も大きな値になる対象商品群を推薦商品群として選出してもよい。前述したように、ブースト値Ｖｂは天候などの一時的な要因によって販売量が増加する可能性を示している。そのため、ブースト値Ｖｂが大きな値となる対象商品群の商品を対象ユーザーに推薦することによって、より大きな販売量の増加を期待できる。このようにブースト値Ｖｂを用いて推薦商品群を選出することで、単純に販売量予測値Ｖｃが大きい対象商品群を推薦商品群とする場合と比較して、より対象ユーザーに対する推薦の効果が大きくなることを期待できる。

推薦商品群を選出した後、さらに推薦商品選出部２４は、その推薦商品群に含まれる商品の中から各種の基準に基づいて推薦商品を選出する。例えば推薦商品選出部２４は、推薦商品群に含まれる商品のうち、最も販売実績が大きい（過去所定期間における販売数量が多い）商品を推薦対象としてもよい。

これまでの例とは逆に、推薦商品選出部２４は、まず複数の候補商品を選出し、ブースト値Ｖｂを用いて候補商品の中から推薦商品を選出してもよい。この場合、候補商品は、セール対象商品など、所与の基準に従って選出される。その後、推薦商品選出部２４は、候補商品のそれぞれについて、その候補商品が属する対象商品群のブースト値Ｖｂを参照し、ブースト値Ｖｂが他の候補商品よりも大きな候補商品を推薦商品として選出する。この例においても、比較的大きなブースト値Ｖｂを持つ（すなわち、販売量増加が期待される）推薦商品を選出できる。

また、推薦商品選出部２４は、対象ユーザーごとに、その対象ユーザーの属性や行動履歴等を考慮して推薦する商品を決定してもよい。例えば推薦商品選出部２４は、対象ユーザーの属性や過去の購買履歴などの情報に基づいて、その対象ユーザーが購入しそうな複数の候補商品を選出する。そして、前述した例と同様に、選出された候補商品のうち、ブースト値Ｖｂがより大きい対象商品群に属する候補商品を、推薦商品として選出する。

さらに推薦商品選出部２４は、選出した推薦商品をユーザーに推薦する処理を実行してもよい。例えば推薦商品選出部２４は、推薦商品の広告をユーザーが閲覧するオンラインショップのウェブサイト上に表示する。ここで推薦商品選出部２４は、対象ユーザーがウェブサイトにログインする前（すなわち、対象ユーザー自身の属性等が特定される前）の画面では、対象ユーザーに関係なく選出された推薦商品の広告を表示してもよい。一方、対象ユーザーがウェブサイトにログインした後は、その対象ユーザーの属性や購買履歴に基づいてその対象ユーザー向けに選出された推薦商品の広告を表示する。

具体例として、対象商品群が「日用品」、「食品」、「飲料」、「ファッション」の４個の商品ジャンルである場合の推薦商品選出処理の例について、図５を用いて説明する。なお、この図において括弧内の記載は処理結果の具体例を示している。この例において、まず推薦商品選出部２４は、ブースト値算出部２３が４個の対象商品群のそれぞれについて算出したブースト値Ｖｂを取得する（Ｓ１）。ここでは、算出されたブースト値Ｖｂは大きい順に「日用品」、「食品」、「飲料」、「ファッション」であったものとする。

対象ユーザーがウェブサイトにログインしていない場合、推薦商品選出部２４は、ブースト値Ｖｂが最も大きい「日用品」を推薦商品群として選出する（Ｓ２）。その後、推薦商品群として選出された「日用品」に属する各商品のうち、過去所定期間における販売量が最も大きい商品を推薦商品として選出する（Ｓ３）。ここでは一例として、「ボディーソープＡ」という商品の販売量が最も大きかったとする。このとき推薦商品選出部２４は、対象ユーザーがログインする前のウェブサイトの画面上に、ボディーソープＡの広告（又はクーポン広告）を表示する（Ｓ４）。対象ユーザーは、この広告を選択することで、「ボディーソープＡ」の購入手続を開始することができる。

一方、対象ユーザーがウェブサイトにログイン中の場合、推薦商品選出部２４は、ログイン時に入力された対象ユーザーのアカウント情報（ログインＩＤなど）に基づいて、当該対象ユーザーに推薦する候補商品を選出する（Ｓ５）。具体的に推薦商品選出部２４は、対象ユーザーのアカウント情報に紐付けられた対象ユーザーの属性情報（年齢、性別、住所等）や、過去の購入履歴情報に基づいて、複数の候補商品を選出する。ここでは一例として、「清涼飲料Ｂ」、「菓子Ｃ」、及び「Ｔシャツ黒」の３個の商品が候補商品として選出されたものとする。

推薦商品選出部２４は、選出された候補商品のうち、ブースト値Ｖｂが最も大きい対象商品群に属する商品を推薦商品として選出する（Ｓ６）。この例では、候補商品「清涼飲料Ｂ」は商品ジャンル「飲料」に、「菓子Ｃ」は「食品」に、「Ｔシャツ黒」は「ファッション」に、それぞれ属している。ここでは最もブースト値Ｖｂが大きい「日用品」に属する候補商品は選出されておらず、候補商品のうちブースト値Ｖｂが最も大きくなるのは「食品」に属する「菓子Ｃ」である。そこで推薦商品選出部２４は、「菓子Ｃ」を推薦商品として選出する。そして、対象ユーザーがログイン中のウェブサイトの画面上に、「菓子Ｃ」の広告（又はクーポン広告）を表示する（Ｓ７）。なお、ブースト値Ｖｂが最も大きい対象商品群に複数の候補商品が属している場合、例えば推薦商品選出部２４は、前述したログイン前の場合と同様に、ブースト値Ｖｂが大きい対象商品群に属する複数の候補商品のうち、最も販売量が大きい商品を推薦商品として選出してもよい。

また、推薦商品選出部２４は、推薦商品の割引購入を可能にしたり、推薦商品の購入時に利用可能なクーポン券をユーザーに提供したりするなど、推薦商品の販売を支援する処理を実行してもよい。このような制御により、推薦商品の実効的な販売量増加が期待できる。

本実施形態に係る情報処理装置１０は、例えば一日に一回の頻度で、例えば５日後の天気予報を取得し、取得した天気予報の情報を含むコンテキストデータを学習済みモデルに入力して、推薦商品を選出し、その推薦商品の広告をユーザーが閲覧するオンラインショップのウェブサイト上に表示する。ここでは天気予報を取得する対象となる期間は５日後としたが、ユーザーの一時的な気分に合わせて商品を推薦することができるように短い期間とするとともに、後述するように、その商品に対するユーザーの購買行動にかかる時間を確保できるようなある程度の長さの期間とすることが望ましく、この思想に含まれる範囲で、例えば1日後や１０日後とすることができる。これにより、実質的な販促効果の向上が期待できる。なお、推薦商品をユーザーに推薦する推薦形態は、ウェブサイトへの表示に限られず、例えば、ユーザー端末にインストールされたアプリ上の画面や、ウェブアプリの画面などに表示してもよい。なお、天気予報の取得も１日１回に限られず１時間間隔など頻繁に行っても良く、レコメンド態様に応じて任意の時点に取得してもよい。

以上説明した本実施形態に係る情報処理装置１０によれば、基準予測値Ｖｒに対する販売量の増分を示すブースト値Ｖｂを利用して推薦商品を選出することにより、ユーザーのそのときどきの一時的な短期的な気分などに合わせて、購入に結びつく可能性が高い商品を効果的に推薦することができる。一例として、一般的に夏はビールが売れるが、例年に比べて早く暑くなってくると、ビールが飲みたくなる人が増えて、例年とは異なる時期に、例えば例年より早いタイミングでビールの販売量が増加することがある。本実施形態に係る情報処理装置１０によれば、このように特定の商品の販売量が増加しそうなタイミングに合わせてその商品の広告を提供することができるようになるので、広告枠や予算等に限りがある状況でも効果的に商品広告を打つことができるようになり、販促効果の向上が期待できる。このとき、一例として、地域ごとの天気予報を用いることにより、選出した商品に応じた広告等の販売促進を行う時間を確保し、ユーザーの購買に至るまでの猶予時間を調整できるようにすることでその購買行動を実質的に促進することができる。

なお、本発明の実施の形態は、以上説明したものに限られない。例えば以上の説明では、各対象商品群についての基準予測値Ｖｒの算出を基準予測値取得部２１が実行することとしたが、基準予測値取得部２１は外部の情報処理装置によって算出された基準予測値Ｖｒを取得してもよい。また、以上の説明ではブースト値算出部２３が機械学習を実行して学習済みモデルデータを生成することとしたが、機械学習は別の情報処理装置によって実行されてもよい。

また、ここでは機械学習によって生成される学習済みモデルデータは、販売量予測値Ｖｃを出力するモデルデータであるものとしたが、ブースト値Ｖｂそのものを出力するモデルデータを機械学習によって生成してもよい。この場合、過去の販売実績データを元に、各対象商品群の基準予測値Ｖｒを算出し、算出した基準予測値Ｖｒと実際の販売量との差分値を計算する。そして、この差分値を教師データとして利用して、機械学習を行う。これにより、各対象商品群のブースト値Ｖｂを出力データとする機械学習モデルを生成できる。

１０ 情報処理装置、１１ 制御部、１２ 記憶部、１３ 通信部、２１ 基準予測値取得部、２２ コンテキストデータ取得部、２３ ブースト値算出部、２４ 推薦商品選出部。

Claims (8)

1. 所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得する基準予測値取得部と、
   前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するコンテキストデータ取得部と、
   前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出する差分値算出部と、
   前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、差分値が大きな対象商品群に属する商品をユーザーに推薦する商品として選出する選出部と、
   を含むことを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置において、
   前記コンテキストパラメータには、天候に関する情報が含まれる
   ことを特徴とする情報処理装置。
3. 請求項２に記載の情報処理装置において、
   前記コンテキストデータ取得部は、前記ユーザーの所在地の天気予報を含む天候に関する情報を、前記コンテキストパラメータの値として取得する
   ことを特徴とする情報処理装置。
4. 請求項１から３のいずれか一項に記載の情報処理装置において、
   前記差分値算出部は、過去の前記コンテキストパラメータの実績値と過去の販売量の実績値とを用いた機械学習によって得られる学習済みモデルを用いて、前記複数の対象商品群それぞれの販売量の予測値を算出する
   ことを特徴とする情報処理装置。
5. 請求項１から４のいずれか一項に記載の情報処理装置において、
   前記選出部は、前記複数の対象商品群のうち、算出された差分値が最も大きい対象商品群に属する商品を前記ユーザーに推薦する商品として選出する
   ことを特徴とする情報処理装置。
6. 請求項１から４のいずれか一項に記載の情報処理装置において、
   前記選出部は、前記ユーザーに対する推薦候補として選出された複数の候補商品のうち、その候補商品が属する対象商品群について算出された差分値が最も大きい候補商品を、前記ユーザーに推薦する商品として選出する
   ことを特徴とする情報処理装置。
7. コンピュータが、
   所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得するステップと、
   前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するステップと、
   前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出するステップと、
   前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、差分値が大きな対象商品群に属する商品をユーザーに推薦する商品として選出するステップと、
   を実行することを特徴とする情報処理方法。
8. 所定の繰り返し周期で販売量が周期的に変動する傾向を有する複数の対象商品群のそれぞれについて、予測対象期間の販売量の予測値であって、当該予測対象期間と対応する過去の期間の販売量の実績値に基づいて算出される基準予測値を取得するステップと、
   前記繰り返し周期より短い期間内に変動し、前記複数の対象商品群の販売量に影響すると想定されるコンテキストパラメータの値を取得するステップと、
   前記複数の対象商品群のそれぞれについて、前記取得されたコンテキストパラメータの値に基づいて予測される前記予測対象期間の販売量の予測値と、前記基準予測値と、の差分値を算出するステップと、
   前記複数の対象商品群のそれぞれについて算出された差分値に基づいて、差分値が大きな対象商品群に属する商品をユーザーに推薦する商品として選出するステップと、
   をコンピュータに実行させるためのプログラム。

Images