JP7112816B1 - 情報処理装置、プログラム及び情報処理方法 - Google Patents

Abstract

【課題】ＣＭに使用された素材の価値と、ＣＭに紐付いた番組の価値とを評価する情報処理装置、方法及びプログラムを提供する。【解決手段】情報処理システムにおいて、情報処理装置の制御部は、現在進行中の商品又は役務に関連する重要業績評価指標に係るデータを取得する取得部と、過去の時間推移と、過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測する予測部と、現在進行中の重要業績評価指標と、現在進行中の重要業績評価指標に対応する予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出し、推定ＣＭ効果に基づいて、商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果及びＣＭに紐付いた番組に係る番組ＣＭ効果を算出する算出部と、素材ＣＭ効果及び番組ＣＭ効果を出力する出力部と、を有する。【選択図】図４

Description

特許法第３０条第２項適用 令和２年１２月１８日に株式会社ＶＯＹＡＧＥ ＧＲＯＵＰのウェブサイトのｈｔｔｐｓ：／／ｖｏｙａｇｅｇｒｏｕｐ．ｃｏｍ／ｎｅｗｓ／ｐｒｅｓｓ／０１＿２０２０１２１８＿０１／にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和２年１２月１８日に「ＭａｒｋｅＺｉｎｅ」のｈｔｔｐｓ：／／ｍａｒｋｅｚｉｎｅ．ｊｐ／ａｒｔｉｃｌｅ／ｄｅｔａｉｌ／３５１６４にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和２年１２月２２日に「ＭａｒｋｅＺｉｎｅ」のｈｔｔｐｓ：／／ｍａｒｋｅｚｉｎｅ．ｊｐ／ａｒｔｉｃｌｅ／ｄｅｔａｉｌ／３４９８６にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和２年１２月２３日に「スタートライズ広告ニュース」のｈｔｔｐｓ：／／ｗｗｗ．ｓｔａｒｔｒｉｓｅ．ｊｐ／ａｒｔｉｃｌｅｓ／ｖｉｅｗ／１０５９８にて発表 〔刊行物等〕 ／ｉｎｔｅ

特許法第３０条第２項適用 令和３年３月１７日に株式会社ＶＯＹＡＧＥ ＧＲＯＵＰのウェブサイトのｈｔｔｐｓ：／／ｖｏｙａｇｅｇｒｏｕｐ．ｃｏｍ／ｎｅｗｓ／ｐｒｅｓｓ／０１＿２０２１０３１７＿０２／にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年３月１７日に「Ｓｃｒｅｅｎｓ」のｈｔｔｐｓ：／／ｗｗｗ．ｓｃｒｅｅｎｓ－ｌａｂ．ｊｐ／ａｒｔｉｃｌｅ／２６５４３にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年３月１７日に「ＭａｒｋｅＺｉｎｅ」のｈｔｔｐｓ：／／ｍａｒｋｅｚｉｎｅ．ｊｐ／ａｒｔｉｃｌｅ／ｄｅｔａｉｌ／３５７９０にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年３月１８日に「ミツカル」のｈｔｔｐｓ：／／ｍｉｔｓｕ－ｋａｒｕ．ｃｏｍ／ａｒｔｉｃｌｅ／ｔｅｌｅｃｙ／にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年４月１日に株式会社テレシーのウェブサイト及び「ＰＲ ＴＩＭＥＳ」のｈｔｔｐｓ：／／ｔｅｌｅｃｙ．ｔｖ／ｐｒｅｓｓ／２７０／及びｈｔｔｐｓ：／／ｐｒｔｉｍｅｓ．ｊｐ／ｍａｉｎ／ｈｔｍｌ／ｒｄ／ｐ／００００００００３．００００７６０４９．ｈｔｍｌにて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年８月１１日に株式会社ｕｎｅｒｒｙのウェブサイトのｈｔｔｐｓ：／／ｗｗｗ．ｕｎｅｒｒｙ．ｃｏ．ｊｐ／ｎｅｗｓ／ｕｎｅｒｒｙ＿ｔｅｌｅｃｙ／にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年１０月１４日に株式会社テレシーのウェブサイトのｈｔｔｐｓ：／／ｔｅｌｅｃｙ．ｔｖ／ｃｏｌｕｍｎ／７６６／にて発表 〔刊行物等〕

特許法第３０条第２項適用 令和３年１０月２８日に「ＥｘｃｈａｎｇｅＷｉｒｅ」のｈｔｔｐｓ：／／ｗｗｗ．ｅｘｃｈａｎｇｅｗｉｒｅ．ｊｐ／２０２１／１０／２８

本発明は、情報処理装置、プログラム及び情報処理方法に関する。

ＣＭの配信日時と、所定期間内に発生したコンバージョン数とに基づいて、ＣＭの効果を評価する装置が開示されている（例えば、特許文献１参照。）。

特開２０１８－１９８００５号公報

しかしながら、特許文献１に開示された装置では、ＣＭに使用された素材要因でコンバージョンが発生したのか、又は、このＣＭに紐付いた番組要因でコンバージョンが発生したのかを見極めることができなかった。

本発明では上記事情を鑑み、ＣＭに使用された素材の価値と、このＣＭに紐付いた番組の価値とを評価することができる情報処理装置を提供することとした。

本発明の一態様によれば、情報処理装置が提供される。この情報処理装置は、取得部と、予測部と、算出部と、出力部とを備える。取得部は、現在進行中の重要業績評価指標に係るデータを取得する。重要業績評価指標は、商品又は役務に関連する。予測部は、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測する。算出部は、現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出する。算出部は、推定ＣＭ効果に基づいて、商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果及び該ＣＭに紐付いた番組に係る番組ＣＭ効果を算出する。出力部は、素材ＣＭ効果及び番組ＣＭ効果を出力する。

上記の開示によれば、ＣＭに使用された素材の価値と、このＣＭに紐付いた番組の価値とを評価することができる。

本実施形態に係る情報処理システム１００を表す構成図である。 サーバ装置２００のハードウェア構成を示すブロック図である。 情報処理装置３００のハードウェア構成を示すブロック図である。 情報処理装置３００（制御部３１０）によって実現される機能を示すブロック図である。 情報処理装置３００によって実行される情報処理の流れを示すアクティビティ図である。 時間帯別におけるアプリケーションＦのＣＭ効果コンバージョン数の推移を示すグラフである。 非放映エリアコンバージョン数に係るデータを利用しなかった場合（第１パターン）と、非放映エリアコンバージョン数に係るデータを利用した場合（第２パターン）とにおけるコンバージョン数の推移の予測精度の違いを示す図である。 インプレッション数とＣＭ効果コンバージョン数との比較、及び、ＣＭ残存効果とＣＭ効果コンバージョン数との比較を示す図である。 インプレッション数とＣＭ効果コンバージョン数との比較、及び、ＣＭ残存効果とＣＭ効果コンバージョン数との比較の散布図である。 アプリケーションＦのコンバージョン数の推移を示すグラフである。 ＣＭ残存効果の各パラメータを変更することによるＣＭ残存効果の推移の違いを示す図である。 夜間に放映されたＣＭのＣＭ残存効果の推移、及び、日中に放映されたＣＭのＣＭ残存効果の推移を示す図である。 ＣＭ放映時間ごとの各局のＣＭ効果コンバージョン数の推移を示す図である。 各局のＣＭ効果コンバージョン数の推移を示す図である。 局ごとの放映枠におけるＣＭ効果の算出の例を示す表である。 局ごとの放映枠におけるＣＭ効果の算出の例を示す表である。 局ごとの放映枠におけるＣＭ効果の算出の例を示す表である。 局ごとの放映枠におけるＣＭ効果の算出の例を示す表である。

以下、図面を用いて本発明の実施形態について説明する。以下に示す実施形態中で示した各種特徴事項は、互いに組み合わせ可能である。

ところで、本実施形態に登場するソフトウェアを実現するためのプログラムは、コンピュータが読み取り可能な非一時的な記録媒体（Ｎｏｎ－Ｔｒａｎｓｉｔｏｒｙ Ｃｏｍｐｕｔｅｒ－Ｒｅａｄａｂｌｅ Ｍｅｄｉｕｍ）として提供されてもよいし、外部のサーバからダウンロード可能に提供されてもよいし、外部のコンピュータで当該プログラムを起動させてクライアント端末でその機能を実現（いわゆるクラウドコンピューティング）するように提供されてもよい。

また、本実施形態において「部」とは、例えば、広義の回路によって実施されるハードウェア資源と、これらのハードウェア資源によって具体的に実現されうるソフトウェアの情報処理とを合わせたものも含みうる。また、本実施形態においては様々な情報を取り扱うが、これら情報は、例えば電圧・電流を表す信号値の物理的な値、０又は１で構成される２進数のビット集合体としての信号値の高低、又は量子的な重ね合わせ（いわゆる量子ビット）によって表され、広義の回路上で通信・演算が実行されうる。

また、広義の回路とは、回路（Ｃｉｒｃｕｉｔ）、回路類（Ｃｉｒｃｕｉｔｒｙ）、プロセッサ（Ｐｒｏｃｅｓｓｏｒ）、及びメモリ（Ｍｅｍｏｒｙ）等を少なくとも適当に組み合わせることによって実現される回路である。すなわち、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等を含むものである。

１．ハードウェア構成
第１節では、本実施形態のハードウェア構成について説明する。

１．１ 情報処理システム１００
図１は、本実施形態に係る情報処理システム１００を表す構成図である。情報処理システム１００は、サーバ装置２００と、情報処理装置３００とを備え、これらがネットワークを通じて接続されている。これらの構成要素についてさらに説明する。ここで、情報処理システム１００に例示されるシステムとは、１つ又はそれ以上の装置又は構成要素からなるものである。

１．２ サーバ装置２００
図２は、サーバ装置２００のハードウェア構成を示すブロック図である。サーバ装置２００は、制御部２１０と、記憶部２２０と、通信部２５０とを有し、これらの構成要素がサーバ装置２００の内部において通信バス２６０を介して電気的に接続されている。各構成要素についてさらに説明する。

制御部２１０は、サーバ装置２００に関連する全体動作の処理・制御を行う。制御部２１０は、例えば、不図示の中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：ＣＰＵ）である。制御部２１０は、記憶部２２０に記憶された所定のプログラムを読み出すことによって、サーバ装置２００に係る種々の機能を実現する。すなわち、記憶部２２０に記憶されているソフトウェアによる情報処理が、ハードウェアの一例である制御部２１０によって具体的に実現されることで、制御部２１０に含まれる各機能部として実行されうる。これらについては、次節においてさらに詳述する。なお、制御部２１０は単一であることに限定されず、機能ごとに複数の制御部２１０を有するように実施してもよい。またそれらの組み合わせ出会ってもよい。

記憶部２２０は、サーバ装置２００の情報処理に必要な様々な情報を記憶する。これは、例えば、制御部２１０によって実行されるサーバ装置２００に係る種々のプログラム等を記憶するソリッドステートドライブ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ：ＳＳＤ）等のストレージデバイスとして、あるいは、プログラムの演算に係る一時的に必要な情報（引数、配列等）を記憶するランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ：ＲＡＭ）等のメモリとして実施されうる。また、これらの組み合わせであってもよい。

通信部２５０は、ＵＳＢ、ＩＥＥＥ１３９４、Ｔｈｕｎｄｅｒｂｏｌｔ、有線ＬＡＮネットワーク通信等といった有線型の通信手段が好ましいものの、無線ＬＡＮネットワーク通信、ＬＴＥ／３Ｇ等のモバイル通信、Ｂｌｕｅｔｏｏｔｈ（登録商標）通信等を必要に応じて含めてもよい。すなわち、これら複数の通信手段の集合として実施することがより好ましい。すなわち、サーバ装置２００は、通信部２５０を介して、情報処理装置３００とネットワークを介して種々の情報を通信する。

１．３ 情報処理装置３００
図３は、情報処理装置３００のハードウェア構成を示すブロック図である。情報処理装置３００は、制御部３１０と、記憶部３２０と、表示情報生成部３３０と、入力受付部３４０と、通信部３５０とを有し、これらの構成要素が情報処理装置３００の内部において通信バス３６０を介して電気的に接続されている。制御部３１０、記憶部３２０及び通信部３５０の説明は、サーバ装置２００における制御部２１０、記憶部２２０及び通信部２５０と略同様のため省略する。

表示情報生成部３３０は、テキスト、画像（静止画及び動画を含む）を表示するものであり、ＣＲＴディスプレイ、液晶ディスプレイ、有機ＥＬディスプレイ及びプラズマディスプレイ等の表示デバイスに表示する情報を生成する。

入力受付部３４０は、情報処理装置３００に種々の情報を入力するものであり、マウス、キーボード、ポインティングデバイス等から入力される信号を受け付ける。ユーザによってなされた操作入力は、命令信号として、通信バス３６０を介して制御部３１０に転送される。そして、制御部３１０は、必要に応じて所定の制御や演算を実行しうる。

２．機能構成
本節では、本実施形態の機能構成について説明する。前述の通り、記憶部３２０に記憶されているソフトウェアによる情報処理がハードウェアの一例である制御部３１０によって具体的に実現されることで、制御部３１０に含まれる各機能部として実行されうる。

図４は、情報処理装置３００（制御部３１０）によって実現される機能を示すブロック図である。具体的には、情報処理装置３００（制御部３１０）は、取得部３１１と、予測部３１２と、算出部３１３と、出力部３１４と、学習部３１５とを備える。

取得部３１１は、種々の情報を取得するように構成される。例えば、取得部３１１は、商品又は役務に関連する重要業績評価指標に係るデータを取得する。重要業績評価指標は、例えば、最終コンバージョン数、マイクロコンバージョン数、セッション数、最終コンバージョン率、マイクロコンバージョン率、セッション率等であってもよい。以下、単に「コンバージョン」と記載があるときは、「最終コンバージョン」を示すものとする。

予測部３１２は、種々の情報を予測するように構成される。例えば、予測部３１２は、所定の参照情報を利用し、商品又は役務に関連する重要業績評価指標の推移を予測する。

算出部３１３は、種々の情報を算出するように構成される。例えば、算出部３１３は、現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出する。

出力部３１４は、種々の情報を出力するように構成される。例えば、出力部３１４は、推定ＣＭ効果に基づいて算出された、ＣＭに使用された素材に係る素材ＣＭ効果及び当該ＣＭに紐付いた番組に係る番組ＣＭ効果を出力する。

学習部３１５は、種々の情報を学習するように構成される。例えば、学習部３１５は、時間推移と、この時間推移に対応する重要業績評価指標の推移との関係を学習させて、学習済みモデルを生成又は更新する。機械学習のアルゴリズムは特に限定されず、ｋ近傍法、ロジスティック回帰、サポートベクターマシン、ニューラルネットワーク、トピックモデル、混合ガウスモデル等が適宜採用されればよい。

３．情報処理方法
本節では、前述した情報処理装置３００の情報処理方法について説明する。この情報処理方法は、コンピュータが実行する情報処理方法である。この情報処理方法は、取得工程と、予測工程と、算出工程と、出力工程とを備える。取得工程では、現在進行中の重要業績評価指標に係るデータを取得する。重要業績評価指標は、商品又は役務に関連する。予測工程では、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測する。算出工程では、現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出する。算出工程では、推定ＣＭ効果に基づいて、商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果及び該ＣＭに紐付いた番組に係る番組ＣＭ効果を算出する。出力工程では、素材ＣＭ効果及び番組ＣＭ効果を出力する。

図５は、情報処理装置３００によって実行される情報処理の流れを示すアクティビティ図である。以下、このアクティビティ図の各アクティビティに沿って、説明するものとする。本実施形態では、重要業績評価指標の一例としてコンバージョン数を用いて説明する。また、ＣＭは、テレビ放送局又はラジオ放送局等から放送波を用いて配信されたものとする。さらに、番組の価値は、例えば、局Ｅにおけるニュース番組の価値を示す。

ここで、コンバージョン数は、商品又は役務に関連するコンバージョンの数であり、例えば、商品であれば販売数量等を示し、アプリケーションであればダウンロード数やインストール数等を示す。本実施形態では、コンバージョン数は、アプリケーションＦのダウンロード数を示すものとして説明する。また、本実施形態では、ＣＭは、アプリケーションＦのＣＭを示すものとして説明する。さらに、サーバ装置２００は、情報処理装置３００によって実行される情報処理に必要なコンバージョン数、視聴率等の種々のデータを記録している。

まず、取得部３１１は、現在進行中のコンバージョン数に係るデータをサーバ装置２００から取得する（アクティビティＡ１１０）。すなわち、情報処理装置３００における通信部３５０が現在進行中のコンバージョン数に係るデータを受信し、情報処理装置３００における制御部３１０が、受信した現在進行中のコンバージョン数に係るデータを記憶部３２０に記憶させる。ここで、現在進行中のコンバージョン数とは、リアルタイムに行われているアプリケーションＦのダウンロード数のことを示す。

続いて、制御部３１０は、非放映エリアコンバージョン数（請求項の「非放映エリア重要業績評価指標」に相当）に係るデータがサーバ装置２００に記録されているか否かを判断する（アクティビティＡ１２０）。ここで、非放映エリアコンバージョン数とは、アプリケーションＦのＣＭが放映されていないエリアにおける現在進行中のコンバージョン数を示す。例えば、アプリケーションＦのＣＭが関東エリアのみで放映されている場合、制御部３１０は、関西エリアにおいてリアルタイムに行われているアプリケーションＦのダウンロード数を、非放映エリアコンバージョン数として取り扱う。

ここで、アプリケーションＦの非放映エリアコンバージョン数に係るデータがサーバ装置２００に記録されていると制御部３１０が判断すると（アクティビティＡ１２０のＹｅｓ）、取得部３１１は、当該非放映エリアコンバージョン数に係るデータをサーバ装置２００から取得する（アクティビティＡ１３０）。すなわち、情報処理装置３００における通信部３５０が非放映エリアコンバージョン数に係るデータを受信し、情報処理装置３００における制御部３１０が、受信した非放映エリアコンバージョン数に係るデータを記憶部３２０に記憶させる。

一方、アプリケーションＦの非放映エリアコンバージョン数に係るデータがサーバ装置２００に記録されていないと制御部３１０が判断すると（アクティビティＡ１２０のＮｏ）、取得部３１１は、任意のエリアにおけるＣＭ効果コンバージョン数（請求項の「推定ＣＭ効果」に相当）が最も少ない時間帯のコンバージョン数に係るデータを取得する（アクティビティＡ１３１）。この場合、予測部３１２は、任意のエリアにおけるＣＭ効果コンバージョン数が最も少ない時間帯のコンバージョン数を非放映エリアコンバージョン数として利用する。

ここで、ＣＭ効果は、例えば、どれだけの人がＣＭに接触したか（ＣＭリーチ）、どれだけの人がＣＭを知っているか（ＣＭ認知）、どれだけの人がアプリケーションＦを知っているか（銘柄認知）、どれだけの人がアプリケーションＦの内容を知っているか（内容理解）、どれだけの人がアプリケーションＦをダウンロードする意欲があるか（購入意向）、どれだけの人が実際にアプリケーションＦをダウンロードしたか（購入）等、種々の観点から測定されてもよい。本実施形態では、ＣＭ効果は、ＣＭが放映されたことを要因とする、アプリケーションＦのコンバージョン数として測定されるものとする。

ここで、ＣＭ効果コンバージョン数は、例えば、ＣＭが放映されたことによって生じたアプリケーションＦのダウンロード数を示す。すなわち、ＣＭ効果コンバージョン数は、ＣＭ効果によって生じるコンバージョン数のことを示す。

ＣＭ効果コンバージョン数が最も少ない時間帯は、商品やアプリケーションの種類によって異なり、例えば、２３時台から７時台であってもよく、好ましくは０時台から６時台であってもよく、より好ましくは１時台から５時台であってもよい。本実施形態では、アプリケーションＦのＣＭ効果コンバージョン数が最も少ない時間帯を４時台及び５時台として説明する。すなわち、情報処理装置３００における通信部３５０が任意のエリアにおける４時台及び／又は５時台のコンバージョン数に係るデータを受信し、情報処理装置３００における制御部３１０が、受信した当該コンバージョン数に係るデータを記憶部３２０に記憶させる。

ここで、アプリケーションＦの非放映エリアコンバージョン数に係るデータがサーバ装置２００に記録されていない場合とは、例えば、アプリケーションＦのＣＭが全国で放映されている場合が該当する。この場合、取得部３１１は、任意のエリア（例えば、北海道エリア）における４時台及び／又は５時台のコンバージョン数に係るデータを取得する。

図６は、時間帯別におけるアプリケーションＦのＣＭ効果コンバージョン数の推移を示すグラフである。

アプリケーションＦのＣＭ効果コンバージョン数は、０時から４時にかけて減少し、４時台及び５時台では最も少なく、６時から２１時にかけて増加傾向を示し、２１時以降は減少している。すなわち、ＣＭ効果は、４時台及び５時台ではほとんど生じていない。その理由は、４時台及び５時台に行動している視聴者が少ないためと思われる。したがって、非放映エリアコンバージョン数の推移は、４時台及び／又は５時台のコンバージョン数をベースにして各時間帯のコンバージョン数を逐次的に計算することで、予測することができる。

これによれば、非放映エリアコンバージョン数に係るデータが存在しない場合であっても、より高い精度で、現在以降のコンバージョン数の推移を予測することができる。

続いて、予測部３１２は、過去の時間推移と、該過去の時間推移に対応するコンバージョン数の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降のコンバージョン数の推移を予測する。好ましくは、予測部３１２は、当該参照情報を利用し、現在以降の時間推移と、非放映エリアコンバージョン数とに基づいて、現在以降のコンバージョン数の推移を予測する（アクティビティＡ１４０）。すなわち、制御部３１０が、記憶部３２０に予め記憶された、ルックアップテーブルや学習済みモデル３２１等の参照情報を読み出し、予測処理を実行することで、現在以降の時間推移と、非放映エリアコンバージョン数とに基づいて、現在以降のコンバージョン数の推移を予測する。

予測部３１２は、現在以降のコンバージョン数の推移を２段階に分けて予測する。すなわち、予測部３１２は、参照情報から出力された第１段階に係る現在以降のコンバージョン数の推移と、非放映エリアコンバージョン数とを時間軸を合わせて対比し、これらの差分に基づいて、第１段階に係る現在以降のコンバージョン数の推移を補正することで、第２段階に係る現在以降のコンバージョン数の推移を予測する。

ここで、参照情報は、過去の時間推移と、該過去の時間推移に対応するコンバージョン数の推移との関係を予め学習させた学習済みモデル３２１である。学習済みモデル３２１は、例えば、状態空間モデル、一般化線形モデル、正規線形モデル、一般化線形混合モデル、自己回帰移動平均モデル、一般化自己回帰条件付き分散不均一モデル、確率的分散変動モデル等、適宜選択可能である。

これによれば、機械学習を用いることで、高い精度で、現在以降のコンバージョン数の推移を予測することができる。

アクティビティＡ１４０によれば、非放映エリアコンバージョン数を利用することにより、より高い精度で、現在以降のコンバージョン数の推移を予測することができる。

図７は、非放映エリアコンバージョン数に係るデータを利用しなかった場合（第１パターン）と、非放映エリアコンバージョン数に係るデータを利用した場合（第２パターン）とにおけるコンバージョン数の推移の予測精度の違いを示す図である。

図７では、第１パターン及び第２パターンについて、コンバージョン数の推移（実績）とコンバージョン数の推移（予測）とを折れ線グラフで示し、これらの差分を棒グラフで示した。第２パターンについては、さらに、非放映エリアコンバージョン数を塗りつぶし領域で示した。当該棒グラフは、コンバージョン数の推移の実績値と予測値との誤差を示す。コンバージョン数の推移の予測誤差率は、第１パターンで４％、第２パターンで２％であった。

図７によれば、非放映エリアコンバージョン数に係るデータを利用することで、より高い精度で、現在以降のコンバージョン数の推移を予測できることが実証された。

続いて、算出部３１３は、現在進行中のコンバージョン数と、該現在進行中のコンバージョン数に対応する予測したコンバージョン数の推移から導出されるコンバージョン数との差分を示すＣＭ効果コンバージョン数を算出する（アクティビティＡ１５０）。すなわち、制御部３１０が、記憶部３２０に記憶された、現在進行中のコンバージョン数と、これに対応する予測したコンバージョン数の推移とを読み出し、算出処理を実行することで、ＣＭ効果コンバージョン数を算出する。

ここで、「対応する」とは、同じ時間軸におけるコンバージョン数のことを示す。アクティビティＡ１５０を例に挙げると、算出部３１３は、２０２１年１２月６日１０時のコンバージョン数（実績値）と、２０２１年１２月６日１０時のコンバージョン数（予測値）との差分をＣＭ効果コンバージョン数として算出する。

続いて、取得部３１１は、アプリケーションＦのＣＭの視聴率に係るデータをサーバ装置２００から取得する（アクティビティＡ１６０）。すなわち、情報処理装置３００における通信部３５０が視聴率に係るデータを受信し、情報処理装置３００における制御部３１０が、受信した視聴率に係るデータを記憶部３２０に記憶させる。ここで、視聴率とは、世帯視聴率、個人視聴率のことを示し、それぞれに、リアルタイムの視聴率とタイムシフトの視聴率とがある。また、個人視聴率は、個人全体視聴率と、Ｆ１～Ｍ３層等の特定のカテゴリーの個人視聴率とがある。視聴率は、ＣＭに使用された素材及び該ＣＭに紐付いた番組の価値を評価する際に、適宜選択されればよい。

続いて、予測部３１２は、アプリケーションＦのＣＭの放映後における該ＣＭの効果を示すＣＭ残存効果を予測する（アクティビティＡ１７０）。すなわち、制御部３１０が、記憶部３２０に記憶された、アプリケーションＦのＣＭの視聴率に係るデータと、ＣＭが放映されたエリアの人口に係るデータとを読み出し、予測処理を実行することで、ＣＭ残存効果を予測する。

予測処理は、例えば、次の通りである。予測部３１２は、視聴率と、ＣＭが放映されたエリアの人口とに基づいて、ＣＭのインプレッション数（請求項の「広告統計データ」に相当）を予測する。続いて、予測部３１２は、予測したＣＭのインプレッション数に基づいて、ＣＭ残存効果を予測する。すなわち、予測部３１２は、インプレッション数をＣＭ残存効果に変換処理する。

ここで、インプレッション数は、ＣＭの表示回数を示す。ＣＭ残存効果は、ＣＭ放映後に残存するＣＭ効果を示す。

図８は、インプレッション数とＣＭ効果コンバージョン数との比較、及び、ＣＭ残存効果とＣＭ効果コンバージョン数との比較を示す図である。本実施形態では、ＣＭの素材Ａ、素材Ｂ及び素材Ｃを用意し、放映エリアと局を分散させて素材別にＣＭ放映した。一例として、各素材に係るＣＭは、北海道エリアの北海道テレビ放送（ＨＴＢ）及び北海道放送（ＨＢＣ）、並びに関東エリアのテレビ朝日（ＥＸ）及び日本テレビ（ＮＴＶ）の各局で放映された。このように、放映エリアと局を分散させて素材別にＣＭ放映することで、エリア特性、局特性、番組特性を排除することができると考えられる。

図８の上図では、素材Ａのインプレッション数は、素材Ｂ、素材Ｃのインプレッション数よりも高い値を示している。図８の下図は、各素材のインプレッション数をＣＭ残存効果に変換処理した値を示している。図８の下図に示す各素材のＣＭ残存効果の推移は、図８の上図に示す各素材のインプレッション数の推移と比べて、ＣＭ効果コンバージョン数の推移と近い形状を示している。

図９は、インプレッション数とＣＭ効果コンバージョン数との比較、及び、ＣＭ残存効果とＣＭ効果コンバージョン数との比較の散布図である。

素材Ａに係るＣＭのインプレッション数とＣＭ効果コンバージョン数との相関係数は、０．８４４である。一方、素材Ａに係るＣＭのＣＭ残存効果とＣＭ効果コンバージョン数との相関係数は、０．８９１である。素材Ｂに係るＣＭのインプレッション数とＣＭ効果コンバージョン数との相関係数は、０．８４５である。一方、素材Ｂに係るＣＭのＣＭ残存効果とＣＭ効果コンバージョン数との相関係数は、０．９４２である。素材Ｃに係るＣＭのインプレッション数とＣＭ効果コンバージョン数との相関係数は、０．８３０である。一方、素材Ｃに係るＣＭのＣＭ残存効果とＣＭ効果コンバージョン数との相関係数は、０．９０である。

図８及び図９によれば、ＣＭ残存効果の推移は、インプレッション数の推移と比較して、ＣＭ効果コンバージョン数の推移との相関性が高い。したがって、インプレッション数をＣＭ残存効果に変換処理することで、より正確にＣＭ効果コンバージョン数を算出することができる。

図１０は、アプリケーションＦのコンバージョン数の推移を示すグラフである。棒グラフで示されるＣＭ効果コンバージョン数は、コンバージョン数の実績と、ＣＭが放映されなかったとした場合における予測されたコンバージョン数との差分から算出された値である。ＣＭ効果コンバージョン数は、アプリケーションＦのＣＭが放映された直後から生じ、その後時間が経過しても引き続き生じている。

ここで、ＣＭ残存効果は、ＣＭの放映終了後から所定期間経過後に、０とする。ＣＭ残存効果は、前述のように、ＣＭが放映された日以降も有効であるが、時間の経過に伴って減衰することが経験則から分かっている。したがって、ＣＭ残存効果を０とみなす所定期間を設定することが好ましい。所定期間は、例えば、ＣＭ放映時のＣＭ残存効果を１００とした場合、ＣＭ残存効果が１未満になる期間のことを示す。所定期間は、本段落以降、残存期間として適宜説明する。

図１０では、コンバージョン数の推移（実績）とコンバージョン数の推移（予測）とを折れ線グラフで示し、これらの差分を棒グラフで示した。棒グラフで示されるＣＭ効果コンバージョン数は、一定期間が経過した後に０になっている。すなわち、ＣＭ残存効果は、ＣＭの放映終了後から所定期間経過後に０となることが読み取れる。

ＣＭ残存効果を０とみなす所定期間を設定することによれば、適切な期間において、ＣＭ残存効果を適用することができる。

ここで、予測部３１２は、設定された重み付けに基づいて、ＣＭ残存効果を予測する。当該重み付けは、ＣＭ効果の残存期間、ＣＭ効果の残存率及びＣＭ効果のピークが生じるタイミングのうち少なくとも１つ以上のパラメータに基づいて設定される。本段落以降、残存期間をＬ、ピークをＰ、残存率をＤとして適宜説明する。重み付けは、例えば、次の式に基づいて求められる。

（ただし、l=0,...,L-1、0<D_C<1、0≦P_C≦L-1、wは重み付け、cは素材を示す。）

予測部３１２は、過去の時間推移と、該過去の時間推移に対応するコンバージョン数の推移とに基づいて、当該パラメータを予測する。パラメータの予測は、例えば、ベイズ推定、最尤推定等の手法が用いられてもよい。本実施形態では、予測部３１２は、ベイズ推定を実施することにより、当該パラメータを予測する。

ＣＭ残存効果は、放映エリア、局、時間帯別に求められる。ＣＭ残存効果は、例えば、次の式に基づいて求められる。

（ただし、AdstockはCM残存効果、kは広告統計データ、cは素材、wは重み付け、Lは素材に応じた残存期間を示す。）

図１１は、ＣＭ残存効果の各パラメータを変更することによるＣＭ残存効果の推移の違いを示す図である。図１１では、比較対照のため、重み付けなしのデータを記載している。

図１１の上図では、残存期間を５、ピークを１として、残存率の値を変更した場合のＣＭ残存効果の推移を示す。残存率が０．１の場合は、ＣＭ放映後に高いピークを示し、その後、急速にＣＭ効果が低減している。残存率が０．５の場合は、残存率が０．１の場合よりも低いピークを示し、その後、残存率が０．１の場合よりも緩やかにＣＭ効果が低減している。残存率が０．８の場合は、残存率が０．５の場合よりも低いピークを示し、その後、残存率が０．５の場合よりも緩やかにＣＭ効果が低減している。残存率が０．９の場合は、残存率が０．８の場合よりも低いピークを示し、その後、残存率が０．８の場合よりも緩やかにＣＭ効果が低減している。

図１１の上図から、残存率の値が低い場合は、短期間のうちに高いＣＭ効果を示す一方、ＣＭ効果が継続する期間は短くなることが読み取れる。また、残存率の値が高くなるにつれて、ＣＭ効果としての高い値は示さなくなる一方、ＣＭ効果が継続する期間が長くなることが読み取れる。

図１１の下図では、残存期間を５、残存率を０．５として、ピークの値を変更した場合のＣＭ残存効果の推移を示す。ピークが１の場合は、ＣＭ放映後すぐに最も高いＣＭ効果を示す。ピークが２の場合は、ピークが１の場合と比較して２倍の期間経過後に最も高いＣＭ効果を示す。ピークが３の場合は、ピークが１の場合と比較して３倍の期間経過後に最も高いＣＭ効果を示す。ピークが４の場合は、ピークが１の場合と比較して４倍の期間経過後に最も高いＣＭ効果を示す。

図１１の下図から、ピークの値が低い場合は、最も高いＣＭ効果を示すまでの期間が短いことが読み取れる。また、ピークの値が高くなるにつれて、最も高いＣＭ効果を示すまでの期間が長くなることが読み取れる。

ここで、コンバージョン数は、ＣＭの放映開始時には効果が出にくいことが経験則から分かっている。その理由は、視聴者のＣＭ接触回数が少ないため、アプリケーションＦが視聴者に十分に認知されていないことだと考えられる。したがって、ＣＭ残存効果は、ＣＭの放映開始から一定期間が経過した後にピークが生じる。

また、残存率は、例えば、仮の残存率を設定してＣＭ残存効果を計算し、相関係数が最も高くなる仮の残存率を採用することで決定される。なお、ＣＭは、放映されたその日だけではなく、次の日以降も効果が残存することが経験則から分かっている。

したがって、アクティビティＡ１７０によれば、より高い精度で、ＣＭに使用された素材及び該ＣＭに紐付いた番組の価値を評価することができる。

続いて、算出部３１３は、ＣＭ効果コンバージョン数と、視聴率とに基づいて、ＣＭに使用された素材に係る素材ＣＭ効果及び該ＣＭに紐付いた番組に係る番組ＣＭ効果を算出する（アクティビティＡ１８０）。好ましくは、算出部３１３は、ＣＭ効果コンバージョン数と、視聴率と、ＣＭ残存効果とに基づいて、素材ＣＭ効果及び番組ＣＭ効果を算出する。すなわち、制御部３１０が、記憶部３２０に記憶された、ＣＭ効果コンバージョン数と、視聴率と、ＣＭ残存効果とを読み出し、算出処理を実行することで、素材ＣＭ効果及び番組ＣＭ効果を算出する。

算出部３１３は、算出処理においてマルチレベルモデルを適用することにより、素材ＣＭ効果及び番組ＣＭ効果を算出する。素材ＣＭ効果は、例えば、次の式に基づいて求められる。

（ただし、CmEffectはCM効果、τは係数、AdstockはCM残存効果、kは広告統計データ、cは素材、βは素材ごとに掛かる係数、nは素材の数を示す。）

数３は、複数種類の素材を使用した場合の数式である。数３では、数２で示されるＣＭ残存効果を適用する。βは、例えば、ベイズ推定、最尤推定等の手法により推定されてもよい。本実施形態では、βは、ベイズ推定を実施することで推定される。

番組ＣＭ効果は、例えば、次の式に基づいて求められる。

（ただし、CmEffectはCM効果、τは係数、AdstockはCM残存効果、kは広告統計データ、sは局、βは局ごとに掛かる係数、nは局の数を示す。）

数４は、複数の局で各素材をＣＭ放映した場合の数式である。数４では、数２で示されるＣＭ残存効果を適用する。上述のように、βは、例えば、ベイズ推定、最尤推定等の手法により推定されてもよく、本実施形態では、ベイズ推定を実施することで推定される。

図１２は、夜間に放映されたＣＭのＣＭ残存効果の推移、及び、日中に放映されたＣＭのＣＭ残存効果の推移を示す図である。図１２では、比較対照のため、重み付けなしのデータを記載している。

図１２の上図において、夜間に放映されたＣＭのＣＭ残存効果は、局Ｄで６時間後にピークを示し、局Ｅで２時間後にピークを示した。一方、図１２の下図において、日中に放映されたＣＭのＣＭ残存効果は、局Ｄで１時間後にピークを示し、局Ｅで放映時にピークを示した。

図１２によれば、夜間にＣＭが放映された場合は、視聴者は、起床時や通勤時に当該ＣＭを思い出してアプリケーションＦをダウンロードする等の行動をすることが読み取れる。一方、日中にＣＭが放映された場合は、視聴者は、アプリケーションＦをダウンロードする等の行動をすぐにすることが読み取れる。したがって、局の評価では、時間帯別にＣＭ残存効果を設定することが好ましい。

図１３は、ＣＭ放映時間ごとの各局のＣＭ効果コンバージョン数の推移を示す図である。図１３では、ＣＭ効果を局Ｄと局Ｅとに分けて、さらに放映時間ごとにＣＭ効果を分解した。折れ線グラフは、局Ｄと局Ｅで様々な放映枠でＣＭを放映した場合における、局Ｄと局Ｅの合計のＣＭ効果を示す。棒グラフの濃淡は、ＣＭの放映枠（放映時間）ごとのＣＭ効果を示す。ここで、ＣＭ効果の放映枠への紐付けは、ＣＭ放映時での合計としている。当該紐付けの詳細は後述する。

図１４は、各局のＣＭ効果コンバージョン数の推移を示す図である。図１４では、局Ｄと局Ｅのそれぞれについて、放映時間ごとのＣＭ効果コンバージョン数を合算した。局Ｄと局Ｅの各ＣＭ効果コンバージョン数は、棒グラフの濃淡で示される。局Ｄと局Ｅの各ＣＭ効果コンバージョン数は、予測したＣＭ残存効果に基づいて算出した。

図１３及び図１４によれば、局ごとの放映枠におけるＣＭ効果（請求項の「番組ＣＭ効果」に相当）と、放映されたＣＭとを紐付けすることができる。

図１５～図１８は、局ごとの放映枠におけるＣＭ効果の算出の例を示す表である。図１５では、局Ｄ及び局Ｅについて、それぞれ、２０２１年１月１日０時にＣＭを放映した場合と、２０２１年１月１日１時にＣＭを放映した場合とを例に挙げた。図１５では、予測されたパラメータに基づいて、放映時のＣＭ効果を局ごとに計算した。図１５では、ＣＭ放映後１時間ごとのＣＭ効果の推移を表している。このＣＭ効果は、数４から求められた値である。

図１６では、放映エリアごとに推定したＣＭ効果（以下「エリアＣＭ効果」という。）の行を追加した。局Ｄの放映エリアと、局Ｅの放映エリアとは、同じであるものとする。エリアＣＭ効果は、２０２１年１月１日１時において２０、２０２１年１月１日２時において４０、２０２１年１月１日３時において２０、２０２１年１月１日４時において５と推定されたものとする。

図１７では、エリアＣＭ効果を局及び時間ごとに按分した。エリアＣＭ効果の按分は、例えば、２０２１年１月１日０時に局ＤでＣＭが放映された場合において、１時間経過後の２０２１年１月１日１時には、２０／（０．６＋０．４）×０．６＝１２となる。

図１８では、番組ＣＭ効果の算出結果を示す。番組ＣＭ効果は、按分されたエリアＣＭ効果のうち、１つの放映枠に対応するものの合計値で示される。例えば、２０２１年１月１日０時に局ＤでＣＭが放映された場合の局・枠ＣＭ効果は、２０２１年１月１日１時の値＋２０２１年１月１日２時の値＋２０２１年１月１日３時の値＋２０２１年１月１日４時の値＝１２＋２２＋１．８＋０．２＝５０となる。

ここで、局Ｄの放映エリア（例えば関東エリア）と、局Ｅの放映エリア（例えば北海道エリア）とが異なる場合は、局ＤでのＣＭ放映後の時間推移に応じたＣＭ効果に関東エリアのエリアＣＭ効果を按分し、局ＥでのＣＭ放映後の時間推移に応じたＣＭ効果に北海道エリアのエリアＣＭ効果を按分すればよい。

すなわち、図１５～図１８によれば、番組ＣＭ効果と、放映されたＣＭとを紐付け可能であることが示された。

アクティビティＡ１８０によれば、ＣＭに使用された素材の価値、及びこのＣＭに紐付いた番組の価値の両方を評価することができる。

続いて、出力部３１４は、算出された素材ＣＭ効果及び番組ＣＭ効果を出力する（アクティビティＡ１９０）。すなわち、制御部３１０が、記憶部３２０に記憶された素材ＣＭ効果及び番組ＣＭ効果を読み出し、出力処理を実行することで、情報処理装置３００の表示デバイスに表示する。

続いて、学習部３１５は、時間推移と、該時間推移に対応するコンバージョン数の推移との関係を学習させて、学習済みモデル３２１を生成又は更新する（アクティビティＡ２００）。すなわち、制御部３１０が、記憶部３２０に記憶された、時間推移と、この時間推移に対応するコンバージョン数の推移との関係を読み出し、学習処理を実行することで、学習済みモデル３２１を生成又は更新する。ここで、時間推移は、例えば、学習済みモデル３２１に学習させた時間推移に重複しない時間推移を選択することができる。

アクティビティＡ２００によれば、実データを教師データとするため、ＣＭに使用された素材の価値、及び該ＣＭに紐付いた番組の価値を評価する精度を向上させることができる。

以上、本発明の実施形態について説明したが、本発明はこれに限定されることなく、その発明の技術的思想を逸脱しない範囲で適宜変更可能である。

４．その他
本実施形態に係る情報処理装置３００に関して、以下のような態様を採用してもよい。

本実施形態の態様は、プログラムであってもよい。このプログラムは、情報処理装置３００の各部としてコンピュータを機能させる。

第１変形例として、アプリケーションＦの非放映エリアコンバージョン数に係るデータがサーバ装置２００に記録されていないと制御部３１０が判断した場合（アクティビティＡ１２０のＮｏ）、取得部３１１は、他の任意のエリアにおける現在進行中のコンバージョン数に係るデータを取得してもよい（アクティビティＡ１３１）。この場合、予測部３１２は、任意のエリアにおける現在進行中のコンバージョン数を非放映エリアコンバージョン数として利用してもよい。

第１変形例によれば、非放映エリアコンバージョン数に係るデータが存在しない場合であっても、より高い精度で、現在以降のコンバージョン数の推移を予測することができる。

第２変形例として、重要業績評価指標は、コンバージョン数に限られず、例えば、マイクロコンバージョン数、セッション数、コンバージョン率、マイクロコンバージョン率、セッション率等であってもよい。セッションは、一人のユーザがあるウェブサイトを訪れてから利用しなくなるまでの一連の操作を示す。マイクロコンバージョンは、最終的な成果（例えばアプリケーションのダウンロード）に至るまでの中間ゴールのことを示す。

第３変形例として、広告統計データは、インプレッション数に限られず、例えば、延べ視聴率（Ｇｒｏｓｓ Ｒａｔｉｎｇ Ｐｏｉｎｔ：ＧＲＰ）、ターゲット延べ視聴率（Ｔａｒｇｅｔ Ｒａｔｉｎｇ Ｐｏｉｎｔ：ＴＲＰ）等であってもよい。

第４変形例として、ＣＭは、テレビ放送局又はラジオ放送局等から放送波を用いて配信されたものに限られず、例えば、新聞広告、雑誌広告、デジタル広告（Ｗｅｂサイト、ストリーミングコンテンツ等のオンラインチャネルを通じた広告）、ＯＯＨ（Ｏｕｔ ｏｆ ｈｏｍｅ）広告等であってもよい。情報処理装置３００は、メディアや媒体の種類に限定されることなく、種々のＣＭの評価に適用することができる。

第５変形例として、出力部３１４は、算出された素材ＣＭ効果及び番組ＣＭ効果に加えて、推定ＣＭ効果を出力してもよい。

第５変形例によれば、種々のＣＭ効果を出力することにより、ＣＭの価値を多角的に評価することができる。

第６変形例として、アプリケーションＦの非放映エリアコンバージョン数に係るデータがサーバ装置２００に記録されていないと制御部３１０が判断した場合（アクティビティＡ１２０のＮｏ）、取得部３１１は、他の任意のエリアにおける所定の日のコンバージョン数に係るデータを取得してもよい（アクティビティＡ１３１）。この場合、予測部３１２は、任意のエリアにおける所定の日のコンバージョン数を前記非放映エリアコンバージョン数として利用してもよい。

所定の日は、商品又は役務の種類に応じて決定すればよく、例えば、土曜日、日曜日、及び／又は国民の祝日等であってもよい。例えば、ＢｔｏＢ（Ｂｕｓｉｎｅｓｓ ｔｏ Ｂｕｓｉｎｅｓｓ）に係る商品の場合、企業の休日に該当する日（例えば、土曜日、日曜日、及び国民の祝日）は、該企業による取引活動が行われないため、結果として、ＣＭ効果によるコンバージョンが生じない。したがって、企業の休日に該当する日のコンバージョン数を非放映エリアコンバージョン数として好適に利用することができる。

次に記載の各態様で提供されてもよい。
前記情報処理装置において、前記参照情報は、前記過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を予め学習させた学習済みモデルである、情報処理装置。
前記情報処理装置において、学習部を備え、前記学習部は、時間推移と、該時間推移に対応する重要業績評価指標の推移との関係を学習させて、前記学習済みモデルを生成又は更新する、情報処理装置。
前記情報処理装置において、前記取得部は、前記ＣＭが放映されていないエリアにおける現在進行中の重要業績評価指標を示す非放映エリア重要業績評価指標に係るデータを取得し、前記予測部は、前記参照情報を利用し、前記現在以降の時間推移と、前記非放映エリア重要業績評価指標とに基づいて、現在以降の重要業績評価指標の推移を予測する、情報処理装置。
前記情報処理装置において、前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける前記推定ＣＭ効果が最も低い時間帯の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、情報処理装置。
前記情報処理装置において、前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける所定の日の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、情報処理装置。
前記情報処理装置において、前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける現在進行中の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、情報処理装置。
前記情報処理装置において、前記予測部は、前記ＣＭの放映後における該ＣＭの効果を示すＣＭ残存効果を予測し、前記算出部は、前記推定ＣＭ効果と、前記ＣＭ残存効果とに基づいて、前記素材ＣＭ効果及び前記番組ＣＭ効果を算出する、情報処理装置。
前記情報処理装置において、前記ＣＭ残存効果は、前記ＣＭの放映終了後から所定期間経過後に、０とする、情報処理装置。
前記情報処理装置において、前記取得部は、前記ＣＭの視聴率に係るデータを取得し、前記予測部は、前記視聴率と、前記ＣＭが放映されたエリアの人口とに基づいて、前記ＣＭの広告統計データを予測し、前記予測部は、前記ＣＭの広告統計データに基づいて、前記ＣＭ残存効果を予測する、情報処理装置。
前記情報処理装置において、前記予測部は、設定された重み付けに基づいて、前記ＣＭ残存効果を予測する、情報処理装置。
前記情報処理装置において、前記重み付けは、前記ＣＭ残存効果の残存期間、残存率及びピークのうち少なくとも１つ以上のパラメータに基づいて設定され、前記予測部は、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移とに基づいて、前記パラメータを予測する、情報処理装置。
前記情報処理装置において、前記予測部は、ベイズ推定を実施することにより、前記パラメータを予測する、情報処理装置。
前記情報処理装置において、前記算出部は、マルチレベルモデルを適用することにより、前記素材ＣＭ効果及び前記番組ＣＭ効果を算出する、情報処理装置。
プログラムであって、前記情報処理装置の各部としてコンピュータを機能させる、プログラム。
コンピュータが実行する情報処理方法であって、取得工程と、予測工程と、算出工程と、出力工程とを備え、前記取得工程では、現在進行中の重要業績評価指標に係るデータを取得し、前記重要業績評価指標は、商品又は役務に関連し、前記予測工程では、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測し、前記算出工程では、前記現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する前記予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出し、前記算出工程では、前記推定ＣＭ効果に基づいて、前記商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果及び該ＣＭに紐付いた番組に係る番組ＣＭ効果を算出し、前記出力工程では、前記素材ＣＭ効果及び前記番組ＣＭ効果を出力する、情報処理方法。
もちろん、この限りではない。

１００ ：情報処理システム
２００ ：サーバ装置
２１０ ：制御部
２２０ ：記憶部
２５０ ：通信部
２６０ ：通信バス
３００ ：情報処理装置
３１０ ：制御部
３１１ ：取得部
３１２ ：予測部
３１３ ：算出部
３１４ ：出力部
３１５ ：学習部
３２０ ：記憶部
３２１ ：学習済みモデル
３３０ ：表示情報生成部
３４０ ：入力受付部
３５０ ：通信部
３６０ ：通信バス

Claims (16)

1. 情報処理装置であって、
   取得部と、予測部と、算出部と、出力部とを備え、
   前記取得部は、現在進行中の重要業績評価指標に係るデータを取得し、
   前記重要業績評価指標は、商品又は役務に関連し、
   前記予測部は、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測し、
   前記算出部は、前記現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する前記予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出し、
   前記算出部は、前記推定ＣＭ効果と、第１算出式とに基づいて、前記商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果を算出し、
   前記算出部は、前記推定ＣＭ効果と、前記第１算出式とは異なる第２算出式とに基づいて、前記ＣＭに紐付いた番組に係る番組ＣＭ効果を算出し、
   前記出力部は、前記素材ＣＭ効果及び前記番組ＣＭ効果の双方を出力する、
   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、
   前記参照情報は、前記過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を予め学習させた学習済みモデルである、
   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、
   学習部を備え、
   前記学習部は、時間推移と、該時間推移に対応する重要業績評価指標の推移との関係を学習させて、前記学習済みモデルを生成又は更新する、
   情報処理装置。
4. 請求項１～請求項３のいずれか１項に記載の情報処理装置において、
   前記取得部は、前記ＣＭが放映されていないエリアにおける現在進行中の重要業績評価指標を示す非放映エリア重要業績評価指標に係るデータを取得し、
   前記予測部は、前記参照情報を利用し、前記現在以降の時間推移と、前記非放映エリア重要業績評価指標とに基づいて、現在以降の重要業績評価指標の推移を予測する、
   情報処理装置。
5. 請求項４に記載の情報処理装置において、
   前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける前記推定ＣＭ効果が最も低い時間帯の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、
   情報処理装置。
6. 請求項４又は請求項５に記載の情報処理装置において、
   前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける所定の日の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、
   情報処理装置。
7. 請求項４に記載の情報処理装置において、
   前記予測部は、前記非放映エリア重要業績評価指標に係るデータがない場合、任意のエリアにおける現在進行中の重要業績評価指標を前記非放映エリア重要業績評価指標として利用する、
   情報処理装置。
8. 請求項１～請求項７のいずれか１項に記載の情報処理装置において、
   前記予測部は、前記ＣＭの放映後における該ＣＭの効果を示すＣＭ残存効果を予測し、
   前記算出部は、前記推定ＣＭ効果と、前記ＣＭ残存効果とに基づいて、前記素材ＣＭ効果及び前記番組ＣＭ効果を算出する、
   情報処理装置。
9. 請求項８に記載の情報処理装置において、
   前記ＣＭ残存効果は、前記ＣＭの放映終了後から所定期間経過後に、０とする、
   情報処理装置。
10. 請求項８又は請求項９に記載の情報処理装置において、
    前記取得部は、前記ＣＭの視聴率に係るデータを取得し、
    前記予測部は、前記視聴率と、前記ＣＭが放映されたエリアの人口とに基づいて、前記ＣＭの広告統計データを予測し、
    前記予測部は、前記ＣＭの広告統計データに基づいて、前記ＣＭ残存効果を予測する、
    情報処理装置。
11. 請求項８～請求項１０のいずれか１項に記載の情報処理装置において、
    前記予測部は、設定された重み付けに基づいて、前記ＣＭ残存効果を予測する、
    情報処理装置。
12. 請求項１１に記載の情報処理装置において、
    前記重み付けは、前記ＣＭ残存効果の残存期間、残存率及びピークのうち少なくとも１つ以上のパラメータに基づいて設定され、
    前記予測部は、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移とに基づいて、前記パラメータを予測する、
    情報処理装置。
13. 請求項１２に記載の情報処理装置において、
    前記予測部は、ベイズ推定を実施することにより、前記パラメータを予測する、
    情報処理装置。
14. 請求項１～請求項１３のいずれか１項に記載の情報処理装置において、
    前記算出部は、マルチレベルモデルを適用することにより、前記素材ＣＭ効果及び前記番組ＣＭ効果を算出する、
    情報処理装置。
15. プログラムであって、
    請求項１～請求項１４のいずれか１項に記載の情報処理装置の各部としてコンピュータを機能させる、
    プログラム。
16. コンピュータが実行する情報処理方法であって、
    取得工程と、予測工程と、算出工程と、出力工程とを備え、
    前記取得工程では、現在進行中の重要業績評価指標に係るデータを取得し、
    前記重要業績評価指標は、商品又は役務に関連し、
    前記予測工程では、過去の時間推移と、該過去の時間推移に対応する重要業績評価指標の推移との関係を示す参照情報を利用し、現在以降の時間推移に基づいて、現在以降の重要業績評価指標の推移を予測し、
    前記算出工程では、前記現在進行中の重要業績評価指標と、該現在進行中の重要業績評価指標に対応する前記予測した重要業績評価指標の推移から導出される重要業績評価指標との差分を示す推定ＣＭ効果を算出し、
    前記算出工程では、前記推定ＣＭ効果と、第１算出式とに基づいて、前記商品又は役務のＣＭに使用された素材に係る素材ＣＭ効果を算出し、
    前記算出工程では、前記推定ＣＭ効果と、前記第１算出式とは異なる第２算出式とに基づいて、前記ＣＭに紐付いた番組に係る番組ＣＭ効果を算出し、
    前記出力工程では、前記素材ＣＭ効果及び前記番組ＣＭ効果の双方を出力する、
    情報処理方法。

Images