JP7247311B2 - 情報処理装置、方法、プログラム、プラットフォームを提供するコンピュータ実装方法 - Google Patents
情報処理装置、方法、プログラム、プラットフォームを提供するコンピュータ実装方法 Download PDFInfo
- Publication number
- JP7247311B2 JP7247311B2 JP2021195214A JP2021195214A JP7247311B2 JP 7247311 B2 JP7247311 B2 JP 7247311B2 JP 2021195214 A JP2021195214 A JP 2021195214A JP 2021195214 A JP2021195214 A JP 2021195214A JP 7247311 B2 JP7247311 B2 JP 7247311B2
- Authority
- JP
- Japan
- Prior art keywords
- advertising
- visitors
- advertisement
- store
- medium
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する情報処理装置であって、
前記店舗への来店人数と、前記来店人数と相関を有する相関デモグラフィックデータと、前記第1広告媒体に割り当てた広告費と、前記第2広告媒体に割り当てた広告費と、を含むデータを教師データとして機械学習を行う機械学習処理部と、
前記機械学習により生成された予測モデルを記憶する予測モデル記憶部と、
仮想的な来店人数が所定の人数となるときの前記第1広告媒体に割り当てるべき第1広告費及び前記第2広告媒体に割り当てるべき第2広告費を、前記予測モデルから予測する広告費予測部と、
少なくとも1つの前記第1広告費と少なくとも1つの前記第2広告費との組み合わせの各々に対応する来店人数を前記広告費予測部から決定し、決定された来店人数が所定の来店人数となる前記第1広告費と前記第2広告費との組み合わせを前記第1広告費と前記第2広告費との配分として提示する広告費配分算出部と、を備えることである。
<<第1の態様>>
第1の態様によれば、
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する情報処理装置であって、
前記店舗への来店人数と、前記来店人数と相関を有する相関デモグラフィックデータと、前記第1広告媒体に割り当てた広告費と、前記第2広告媒体に割り当てた広告費と、を含むデータを教師データとして機械学習を行う機械学習処理部と、
前記機械学習により生成された予測モデルを記憶する予測モデル記憶部と、
仮想的な来店人数が所定の人数となるときの前記第1広告媒体に割り当てるべき第1広告費及び前記第2広告媒体に割り当てるべき第2広告費を、前記予測モデルから予測する広告費予測部と、を備える情報処理装置が提供される。
第2の態様は、第1の態様において、
前記教師データは、前記店舗の数、認知度又は人気度のうちの少なくとも1つを、さらに含む。
第3の態様は、第1の態様において、
前記店舗の業種に基づいて、デモグラフィックデータのうち、前記店舗への来店人数と正の相関を有するデモグラフィックデータを前記相関デモグラフィックデータとして抽出する相関デモグラフィックデータ抽出部を、さらに備える。
第4の態様は、第1の態様において、
前記機械学習処理部は、時期的要因又は前記店舗が位置する地域的要因に応じて、前記教師データを補正して機械学習する。
第5の態様は、第4の態様において、
前記時期的要因は、複数の日を含む周期的な時間的単位に基づいて決定される要因である。
第6の態様は、第1の態様において、
前記機械学習処理部は、前記予測モデルの精度を検証する精度検証部を有し、
前記機械学習処理部は、複数の店舗の全ての店舗について精度が高い前記予測モデルを生成する。
第7の態様は、第6の態様において、
前記精度検証部の前記予測モデルの精度に基づいて、前記相関デモグラフィックデータ抽出部が抽出した前記相関デモグラフィックデータが適切か不適切かを示す。
第8の態様は、第1の態様において、
前記第1広告媒体は、ネットワークを介して提供される広告媒体である。
第9の態様は、第1の態様において、
前記第2広告媒体は、紙媒体である。
第10の態様は、第1の態様において、
前記広告費予測部は、前記第1広告媒体に割り当てる第1広告費と、前記第2広告媒体に割り当てる第2広告費と、を前記予測モデルに与えて、仮想的な来店人数を算出する。
以下に、実施の形態について図面に基づいて説明する。
情報処理装置10は、デモグラフィックと、補正パラメータと、店舗特徴パラメータと、広告費関連パラメータとから、所定のモデルを構築し、構築したモデルから、WEB広告費と紙媒体広告費との配分を提示する装置である。広告は、主に、ネットワークを介して提供されるWEB広告と、チラシなどの紙媒体によって提供する紙媒体広告とがある。
情報処理装置10における広告主は、任意の事業者にすることができる。なお、本実施の形態では、日用雑貨や住宅設備に関する商品を販売する小売店、いわゆるホームセンターを一例としている。事業者は、これに限られず、スーパーマーケット、デパート、レストランなどの飲食店など、複数の店舗を展開している事業者が好ましい。
紙媒体広告は、従前から存在するチラシ、ビラなどの広告媒体である。直接、手渡しで提供されるものや、新聞などに折り込まれて提供されるものなどがある。さらに、新聞や雑誌、無料で提供されるフリーペーパー、フリーマガジンなど、広告情報が紙に印字されたものであればよい。
WEB広告は、オンラインのネットワークや電子メールを介して広告情報が提供されるものであればよい。ネットワークは、有線でも無線でもよい。ネットワークは、情報が伝達できる媒体であればよい。現在は、多様化しており、広告は、PC、スマートフォン、タブレット、コネクテッドTVなどの各種のデバイスに、テキスト情報、静止画、動画、音声によって配信される。
情報処理装置10は、相関抽出部100と、機械学習処理部200と、広告費配分算出部300と、データ記憶部400とを有する。
相関抽出部100は、第1のパラメータに対する第2のパラメータの相関係数を算出し、第1のパラメータに対して相関性を有する第2のパラメータを抽出する。ここでは、正の相関が高いパラメータを抽出するのが好ましい。なお、負の相関を有するパラメータを抽出してもよい。
デモグラフィックは、人口統計学的属性、具体的には、性別、年齢、住んでいる地域、所得、職業、学歴、家族構成など、各人が備える社会経済的な特質データである。例えば、店舗に来店する可能性のある地域に住んでいる人間が備える社会経済的な特質データである。どのような属性を有する個人が、対象とする店舗に来店しやすいかを判断することができる。デモグラフィックには、来店人数に影響するパラメータを含む可能性がある。
店舗特徴パラメータは、店舗数、認知度、人気などである。店舗数は、総店舗数のほか、一定の地域に展開されている店舗数にすることができる。総店舗数が多ければ、生活に浸透していることや、信頼性が高いと判断することができる。同業種の店舗の総数や、同業種における延べ店舗面積に対して、自店舗が占める割合も認知度に影響をする。また、一定の地域に展開されている店舗数や出店してから経過している年数により、その地域に根付いて利用されているかを判断することができる。なお、所定の地域の人口に対する店舗数などにしてもよい。認知度や人気は、リピート率やアンケート、インターネット上に上がっている口コミの件数などから取得することができる。
広告費関連パラメータは、対象としている店舗に関する広告に用いた費用に関するパラメータである。広告費関連パラメータは、広告費の高低や広告の種類などを含む。本実施の形態では、対象の店舗に関する広告情報をWEB広告と紙媒体広告とによって提供する。広告費関連パラメータは、WEB広告及び紙媒体広告に必要となる費用に関連するパラメータである。具体的には、広告費関連パラメータは、WEB広告費に関連するパラメータと、紙媒体広告費に関連するパラメータとを含む。
補正パラメータは、前述したデモグラフィックや、店舗特徴パラメータ、広告費関連パラメータに含まれる各種の特徴量を補正するためのパラメータである。相関性が低いと判断されるパラメータであっても、補正することによって、相関性を高められる可能性がある。
機械学習処理部200は、機械学習部210と精度検証部220と予測モデル記憶部230とを有する。
機械学習部210は、相関抽出部100が抽出した各種のパラメータの値を教師データとして用いて、予測モデルを生成する。予測モデルの生成は、使用するモデルの選択と、選択したモデルの機械学習を含む。機械学習することで、予測モデルを生成する。機械学習は、上述したデモグラフィックや、店舗特徴パラメータ、広告費関連パラメータなどの特徴量を用いる。
予測モデルMの概念として、例えば、M(f,g,h)(ここで、f(WEB広告費,補正パラメータ)であり、g(紙媒体広告費,補正パラメータ)であり、h(デモグラフィック,補正パラメータ))なる関係を用いて生成することができる。fは、WEB広告費に関する関数であり、補正パラメータによって、地理的要因、時期的要因、特殊要因に応じて補正される。gは、紙媒体広告費に関する関数であり、補正パラメータによって、地理的要因、時期的要因、特殊要因に応じて補正される。hは、デモグラフィックに関する関数であり、補正パラメータによって、地理的要因、時期的要因、特殊要因に応じて補正される。
精度検証部220は、機械学習部210で生成した予測モデルを検証する。検証には、機械学習で用いなかったデモグラフィックや、店舗特徴パラメータ、広告費関連パラメータなどを用いる。検証は、例えば、RMSE(Root Mean Squared Error)(二乗平均平方根差)や、MAE(Mean Absolute Error)平均絶対誤差などの手法を用いることができる。具体的には、検証は、機械学習で生成した予測モデルによって予測した予測値と、実際のデモグラフィックや、店舗特徴パラメータ、広告費関連パラメータなどの実測値とを用いる。
予測モデル記憶部230は、機械学習部210によって生成し、精度検証部220によって確定された予測モデルの種類や予測モデルの係数など予測モデルに必要な各種の予測モデルデータを記憶する。
広告費配分算出部300は、機械学習処理部200によって、生成され確定された予測モデルを用いて、WEB広告費と紙媒体広告費とに応じた来店人数を算出し、ユーザに提示する。
データ記憶部400は、相関抽出部100や機械学習処理部200で用いる各種のパラメータのデータを記憶する。例えば、データ記憶部400は、デモグラフィック、補正パラメータ(地理的要因パラメータ、時期的要因パラメータ、特殊要因パラメータ)、店舗特徴パラメータ、広告費関連パラメータ(WEB広告費、紙媒体広告費)などの具体的な数値などの各種の情報を記憶する。
第2の実施の形態では、広告を提供しなくても店舗に来店する人数と、広告の提供を契機に店舗に来店する人数とを区別して予測モデルを生成する。生成した予測モデルから店舗に来店するであろう来店人数を算出する。
第11の態様によれば、
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する情報処理装置であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデル(例えば、後述する広告効果予測モデル(紙媒体広告来店人数予測モデルやWEB広告来店人数予測モデル)など)と、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデル(例えば、後述するベースライン予測モデルなど)と、を機械学習によって生成する機械学習処理部(例えば、後述する機械学習処理部など)と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定処理部(例えば、後述する広告費-予測来店人数対応生成部など)と、を備える情報処理装置が提供される。
(1)広告によって需要を喚起され、広告によってその店舗を選択した者。
(2)広告によって需要を喚起され、広告の有無によらず元々その店舗を利用していた者。
(3)広告の有無によらず元々需要があり、広告によってその店舗を選択した者。
(4)広告の有無によらず元々需要があり、広告の有無によらず元々その店舗を利用していた者。
第12の態様は、第11の態様において、
前記広告費決定処理部は、
前記広告有来店人数モデルから、
前記第1広告費の候補である複数の第1候補広告費の各々に対応する第1広告有予測来店人数と、
前記第2広告費の候補である複数の第2候補広告費の各々に対応する第2広告有予測来店人数と、を算出し、
前記複数の第1候補広告費の各々に第1広告有予測来店人数を対応づけた第1対応関係と、
前記複数の第2候補広告費の各々に第2広告有予測来店人数を対応づけた第2対応関係と、を生成する。
第13の態様は、第12の態様において、
前記広告費決定処理部は、
複数の店舗の各々について、
前記第1対応関係及び前記第2対応関係を生成する。
第14の態様は、第13の態様において、
前記広告費決定処理部は、
少なくとも一の店舗の希望来店人数に基づいて、前記第1対応関係及び前記第2対応関係を参照して、第1広告有予測来店人数及び第2広告有予測来店人数を決定し、
決定した第1広告有予測来店人数に基づいて、前記第1対応関係を参照して、前記複数の第1候補広告費のうちの1つを選択して前記第1広告費とし、
決定した第2広告有予測来店人数に基づいて、前記第2対応関係を参照して、前記複数の第2候補広告費のうちの1つを選択して前記第2広告費とする、広告費選択処理を含む。
第15の態様は、第11の態様において、
前記機械学習処理部は、
店舗の業種に応じて、前記教師データとして用いる情報を選択する情報選択処理を有する。
第16の態様は、第12の態様において、
前記広告費決定処理部は、
店舗の特徴情報に基づいて、前記第1広告有予測来店人数及び前記第2広告有予測来店人数を調整する予測来店人数調整処理を有する。
第17の態様によれば、
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する方法であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデル(例えば、後述する広告効果予測モデル(紙媒体広告来店人数予測モデルやWEB広告来店人数予測モデル)など)と、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデル(例えば、後述するベースライン予測モデルなど)と、を機械学習によって生成する機械学習ステップ(例えば、後述する機械学習処理部による処理など)と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定ステップ(例えば、後述する広告費-予測来店人数対応生成部による処理など)と、を含む方法が提供される。
第18の態様によれば、
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定するプログラムであって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデル(例えば、後述する広告効果予測モデル(紙媒体広告来店人数予測モデルやWEB広告来店人数予測モデル)など)と、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデル(例えば、後述するベースライン予測モデルなど)と、を機械学習によって生成する機械学習ステップ(例えば、後述する機械学習処理部による処理など)と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定ステップ(例えば、後述する広告費-予測来店人数対応生成部による処理など)と、を含むプログラムが提供される。
第19の態様によれば、
事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定するプラットフォームを提供するコンピュータ実装方法であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデル(例えば、後述する広告効果予測モデル(紙媒体広告来店人数予測モデルやWEB広告来店人数予測モデル)など)と、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデル(例えば、後述するベースライン予測モデルなど)と、を機械学習によって生成する機械学習処理部(例えば、後述する機械学習処理部など)と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定処理部(例えば、後述する広告費-予測来店人数対応生成部など)と、を備えるプラットフォームを提供するコンピュータ実装方法が提供される。
<<来店人数の種類>>
希望来店人数とは、事業者(店舗)が希望する来店人数を意味する。
収集来店人数とは、主に機械学習のために、これまでに収集した過去の来店人数を意味する。
予測来店人数とは、予測モデルの実行により算出した予測来店人数を意味する。後述するベース予測来店人数と広告効果予測来店人数の和が予測来店人数となる。
ベース予測来店人数とは、ベースライン予測モデルの実行によって算出される来店人数を意味する。
広告効果予測来店人数とは、広告効果予測モデルの実行によって算出される広告効果予測来店人数を意味する。後述する紙媒体広告予測来店人数とWEB広告予測来店人数との和が広告効果予測来店人数となる。広告効果予測モデルは、紙媒体広告来店人数予測モデルとWEB広告来店人数予測モデルとを有する。
紙媒体広告予測来店人数とは、紙媒体広告来店人数予測モデルの実行によって算出される来店人数である。紙媒体広告予測来店人数は、紙媒体広告を提供したことで店舗に来店するであろうと予測される人数である。
WEB広告予測来店人数とは、WEB広告来店人数予測モデルの実行によって算出される来店人数である。WEB広告予測来店人数は、WEB広告を提供したことで店舗に来店するであろうと予測される人数である。
<収集広告費>
収集広告費とは、主に、機械学習のために、これまでに収集した過去の広告費を意味する。
候補広告費とは、広告の提供に必要となるであろう広告費である。候補広告費は、具体的な額を選択するために複数の候補の額を有する。
図7は、第2の実施の形態による情報処理装置20を示すブロック図である。
機械学習処理部は、機械学習パラメータ選択部と、ベースライン予測モデル生成と、広告効果予測モデル生成と、予測モデル精度検証部と、予測モデル記憶部と、を有する。機械学習は、適切なものを用いる。機械学習は、例えば、ランダムフォレストや、ロジスティック回帰や、ニューラルネットワーク、マルコフ連鎖モンテカルロ法などを適宜に用いることができる。これらに限られず、機械学習は、適切なアルゴリズムを適宜に利用することができる。
機械学習パラメータ選択部は、機械学習をするために用いるパラメータを選択する。
機械学習をするために用いるパラメータは、主に、収集来店人数、店舗の種類、店舗の売場面積、5km以内の競合数、紙媒体広告リーチ率、週数(季節性)、紙媒体広告の発行部数、WEB広告出稿量などがある。
機械学習をするために用いるパラメータは、前述したものだけでなく、他のパラメータを用いることもできる。機械学習をするために用いるパラメータは、値や情報を収集でき、来店人数を予測できる可能性を有するパラメータであればよい。例えば、店舗で取り扱っている商品が購入される可能性を示す購入可能性パラメータや、店舗が提供するサービスが利用される可能性を示すサービス利用可能性パラメータや、店舗へのアクセスの仕方に関する移動手段パラメータなどを用いることができる。
スーパーの場合には、家族人数や単身世帯などの世帯の種類などをサービス利用可能性パラメータにすることができる。ドラッグストアの場合には、要介護1~5が認定された人口などをサービス利用可能性パラメータにすることができる。ディスカウントストアの場合には、低所得のエリアの面積や人工などをサービス利用可能性パラメータにすることができる。ホームセンターの場合には、居住面積や、持家比率や、第一次産業従事者数などをサービス利用可能性パラメータにすることができる。アパレルならば、高額納税者の人数などをサービス利用可能性パラメータにすることができる。
ベースライン予測モデル生成部は、機械学習によってベースライン予測モデルを生成する。ベースライン予測モデルは、ベース予測来店人数を算出するための予測モデルである。ベースライン予測モデル生成部は、広告を提供しなかった場合に店舗に来店するであろう人数を算出するための予測モデルである。
広告効果予測モデル生成部は、機械学習によって広告効果予測モデルを生成する。広告効果予測モデルは、広告効果予測来店人数を算出するための予測モデルである。広告効果予測モデルは、紙媒体広告来店人数予測モデル及びWEB広告予測来店人数予測モデルを有する。
紙媒体広告来店人数予測モデルによって紙媒体予測広告来店人数を算出する。紙媒体広告来店人数予測モデルは、紙媒体広告を提供した場合に、紙媒体広告を契機にして店舗に来店するであろう人数を算出するための予測モデルである。紙媒体広告来店人数予測モデルによって、紙媒体広告の提供に必要となる費用(紙媒体広告費)の候補(候補紙媒体広告費)の額の各々に対応する紙媒体広告予測来店人数を算出することができる。
WEB広告来店人数予測モデルによってWEB広告予測来店人数を算出する。WEB広告来店人数予測モデルは、WEB広告を提供した場合に、WEB広告を契機にして店舗に来店するであろう人数を算出するための予測モデルである。WEB広告来店人数予測モデルによって、WEB広告の提供に必要となる費用(WEB広告費)の候補(候補WEB広告費)の額の各々に対応するWEB広告予測来店人数を算出することができる。
予測モデル精度検証部は、ベースライン予測モデル生成部によって算出されたベース予測来店人数や、広告効果予測モデル生成部によって算出された紙媒体広告予測来店人数やWEB広告予測来店人数の精度を検証する。検証には、機械学習で用いなかったデータを用いるのが好ましい。なお、機械学習で用いるデータと、検証に用いるデータとの一部が重複してもよい。
予測モデル記憶部は、ベースライン予測モデル生成部で生成した予測モデルと広告効果予測モデル生成部で生成した予測モデルを記憶する。予測モデル記憶部は、予測モデルの種類や予測モデルの係数や定数など予測モデルに必要な各種の予測モデルデータを記憶する。
広告費-予測来店人数対応生成部は、広告の提供に必要となる費用の候補(候補広告費)の額と、候補広告費の各々の額に対応する予測来店人数との対応関係を生成する。候補広告費は、予測モデルで使用するための仮想的な広告費である。候補広告費の額は、低額から高額までの複数の額である。候補広告費の額の範囲は、来店人数の予測に必要な範囲にすればよい。候補広告費の各々の額を用いて広告を提供したと想定して、広告の提供を契機として来店するであろう来店人数を、予測モデルを用いて候補広告費の各々の額ごとに算出する。
店舗関連特徴調整部は、店舗関連特徴による調整用来店人数を用いて、紙媒体広告来店人数予測モデルやWEB広告来店人数予測モデルによって算出した来店人数を調整する。
図10は、来店人数予測モデル生成処理を示すフローチャートである。
図11は、来店人数算出処理を示すフローチャートである。
前述した来店人数算出処理を実行することで、以下のように、来店人数の予測及び広告費用の額について活用することができる。
ある一の店舗において、事業者が希望する希望来店人数となるように広告費の配分を決定するために来店人数予測モデルを活用することができる。
複数の特定の店舗に対して広告の予算の上限がある場合に、最適な広告費の配分を決定するために活用することができる。
全ての店舗を対象について予算の上限がある場合に、最適な広告費の配分を決定するために活用することができる。
上述したように、第1の実施の形態及び第2の実施の形態を記載したが、この開示の一部をなす記載及び図面は、限定するものと理解すべきでない。ここで記載していない様々な実施の形態等が含まれる。
20 情報処理装置
100 相関抽出部
200 機械学習処理部
300 広告費配分算出部
400 データ記憶部
Claims (19)
- 事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する情報処理装置であって、
前記店舗への来店人数と、前記来店人数と相関を有する相関デモグラフィックデータと、前記第1広告媒体に割り当てた広告費と、前記第2広告媒体に割り当てた広告費と、を含むデータを教師データとして機械学習を行う機械学習処理部と、
前記機械学習により生成された予測モデルを記憶する予測モデル記憶部と、
仮想的な来店人数が所定の人数となるときの前記第1広告媒体に割り当てるべき第1広告費及び前記第2広告媒体に割り当てるべき第2広告費を、前記予測モデルから予測する広告費予測部と、
少なくとも1つの前記第1広告費と少なくとも1つの前記第2広告費との組み合わせの各々に対応する来店人数を前記広告費予測部から決定し、決定された来店人数が所定の来店人数となる前記第1広告費と前記第2広告費との組み合わせを前記第1広告費と前記第2広告費との配分として提示する広告費配分算出部と、を備える情報処理装置。 - 前記教師データは、前記店舗の数、認知度又は人気度のうちの少なくとも1つを、さらに含む、請求項1に記載の情報処理装置。
- 前記店舗の業種に基づいて、デモグラフィックデータのうち、前記店舗への来店人数と正の相関を有するデモグラフィックデータを前記相関デモグラフィックデータとして抽出する相関デモグラフィックデータ抽出部を、さらに備える、請求項1に記載の情報処理装置。
- 前記機械学習処理部は、時期的要因又は前記店舗が位置する地域的要因に応じて、前記教師データを補正して機械学習する、請求項1に記載の情報処理装置。
- 前記時期的要因は、複数の日を含む周期的な時間的単位に基づいて決定される要因である、請求項4に記載の情報処理装置。
- 前記機械学習処理部は、前記予測モデルの精度を検証する精度検証部を有し、
前記機械学習処理部は、複数の店舗の全ての店舗について精度が高い前記予測モデルを生成する、請求項3に記載の情報処理装置。 - 前記精度検証部の前記予測モデルの精度に基づいて、前記相関デモグラフィックデータ抽出部が抽出した前記相関デモグラフィックデータが適正か不適かを示す、請求項6に記載の情報処理装置。
- 前記第1広告媒体は、ネットワークを介して提供される広告媒体である、請求項1に記載の情報処理装置。
- 前記第2広告媒体は、紙媒体である、請求項1に記載の情報処理装置。
- 前記広告費予測部は、前記第1広告媒体に割り当てる第1広告費と、前記第2広告媒体に割り当てる第2広告費と、を前記予測モデルに与えて、仮想的な来店人数を算出する、請求項1に記載の情報処理装置。
- 事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定する情報処理装置であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデルと、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデルと、を機械学習によって生成する機械学習処理部と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定処理部と、
前記第1広告費の候補である複数の候補第1広告費と、前記候補第1広告費の各々の額に対応する第1広告予測来店人数との第1の対応関係を生成し、前記第2広告費の候補である複数の候補第2広告費と、前記候補第2広告費の各々の額に対応する第2広告予測来店人数との第2の対応関係を生成する広告費-予測来店人数対応生成部と、を備え、
前記第1広告予測来店人数及び第2広告予測来店人数に関して所定の条件を満たすときの前記複数の候補第1広告費のうちの一の候補第1広告費と前記複数の候補第2広告費のうちの一の候補第2広告費とを、前記第1の対応関係及び前記第2の対応関係に基づいて選択して、第1広告費と第2広告費との配分を決定する、情報処理装置。 - 前記広告費決定処理部は、
前記広告有来店人数モデルから、
前記第1広告費の候補である複数の第1候補広告費の各々に対応する第1広告有予測来店人数と、
前記第2広告費の候補である複数の第2候補広告費の各々に対応する第2広告有予測来店人数と、を算出し、
前記複数の第1候補広告費の各々に第1広告有予測来店人数を対応づけた第1対応関係と、
前記複数の第2候補広告費の各々に第2広告有予測来店人数を対応づけた第2対応関係と、を生成する、請求項11に記載の情報処理装置。 - 前記広告費決定処理部は、
複数の店舗の各々について、
前記第1対応関係及び前記第2対応関係を生成する、請求項12に記載の情報処理装置。 - 前記広告費決定処理部は、
少なくとも一の店舗の希望来店人数に基づいて、前記第1対応関係及び前記第2対応関係を参照して、第1広告有予測来店人数及び第2広告有予測来店人数を決定し、
決定した第1広告有予測来店人数に基づいて、前記第1対応関係を参照して、前記複数の第1候補広告費のうちの1つを選択して前記第1広告費とし、
決定した第2広告有予測来店人数に基づいて、前記第2対応関係を参照して、前記複数の第2候補広告費のうちの1つを選択して前記第2広告費とする、広告費選択処理を含む、請求項13に記載の情報処理装置。 - 前記機械学習処理部は、
店舗の業種に応じて、前記教師データとして用いる情報を選択する情報選択処理を有する、請求項11に記載の情報処理装置。 - 前記広告費決定処理部は、
店舗の特徴情報に基づいて、前記第1広告有予測来店人数及び前記第2広告有予測来店人数を調整する予測来店人数調整処理を有する、請求項12に記載の情報処理装置。 - 事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を情報処理装置のプロセッサが以下のステップに従って決定する方法であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデルと、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデルと、を機械学習によって生成する機械学習ステップと、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定ステップと、
前記第1広告費の候補である複数の候補第1広告費と、前記候補第1広告費の各々の額に対応する第1広告予測来店人数との第1の対応関係を生成し、前記第2広告費の候補である複数の候補第2広告費と、前記候補第2広告費の各々の額に対応する第2広告予測来店人数との第2の対応関係を生成する対応関係生成ステップと、
前記第1広告予測来店人数及び第2広告予測来店人数に関して所定の条件を満たすときの前記複数の候補第1広告費のうちの一の候補第1広告費と前記複数の候補第2広告費のうちの一の候補第2広告費とを、前記第1の対応関係及び前記第2の対応関係に基づいて選択して、第1広告費と第2広告費との配分を決定する広告費配分決定ステップと、を含む方法。 - 事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を情報処理装置のプロセッサによって以下のステップに従って決定するプログラムであって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデルと、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデルと、を機械学習によって生成する機械学習ステップと、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定ステップと、
前記第1広告費の候補である複数の候補第1広告費と、前記候補第1広告費の各々の額に対応する第1広告予測来店人数との第1の対応関係を生成し、前記第2広告費の候補である複数の候補第2広告費と、前記候補第2広告費の各々の額に対応する第2広告予測来店人数との第2の対応関係を生成する対応関係生成ステップと、
前記第1広告予測来店人数及び第2広告予測来店人数に関して所定の条件を満たすときの前記複数の候補第1広告費のうちの一の候補第1広告費と前記複数の候補第2広告費のうちの一の候補第2広告費とを、前記第1の対応関係及び前記第2の対応関係に基づいて選択して、第1広告費と第2広告費との配分を決定する広告費配分決定ステップと、を含むプログラム。 - 事業者が運営する少なくとも1つの店舗において提供する商品又はサービスに関する広告情報を、電子的な第1広告媒体と非電子的な第2広告媒体とによって提供するための広告費用に関する情報を決定するプラットフォームを提供するコンピュータ実装方法であって、
店舗への過去の来店人数と、前記第1広告媒体の提供に要した過去の広告費と、前記第2広告媒体の提供に要した過去の広告費と、を含む過去の情報を教師データとして、
前記第1広告媒体及び前記第2広告媒体の少なくとも一方を用いて広告を提供した場合に店舗に来店するであろう広告有予測来店人数を算出するための広告有来店人数モデルと、
前記第1広告媒体及び前記第2広告媒体の双方を用いた広告を提供しない場合に店舗に来店するであろう広告無予測来店人数を算出するための広告無来店人数モデルと、を機械学習によって生成する機械学習処理部と、
前記広告有予測来店人数と前記広告無予測来店人数とに基づいて、前記第1広告媒体の提供に必要となる第1広告費及び前記第2広告媒体の提供に必要となる第2広告費を決定する広告費決定処理部と、
前記第1広告費の候補である複数の候補第1広告費と、前記候補第1広告費の各々の額に対応する第1広告予測来店人数との第1の対応関係を生成し、前記第2広告費の候補である複数の候補第2広告費と、前記候補第2広告費の各々の額に対応する第2広告予測来店人数との第2の対応関係を生成する対応関係生成部と、
前記第1広告予測来店人数及び第2広告予測来店人数に関して所定の条件を満たすときの前記複数の候補第1広告費のうちの一の候補第1広告費と前記複数の候補第2広告費のうちの一の候補第2広告費とを、前記第1の対応関係及び前記第2の対応関係に基づいて選択して、第1広告費と第2広告費との配分を決定する広告費配分決定部と、を備えるプラットフォームを提供するコンピュータ実装方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020199964 | 2020-12-02 | ||
JP2020199964 | 2020-12-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022088339A JP2022088339A (ja) | 2022-06-14 |
JP7247311B2 true JP7247311B2 (ja) | 2023-03-28 |
Family
ID=81982289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021195214A Active JP7247311B2 (ja) | 2020-12-02 | 2021-12-01 | 情報処理装置、方法、プログラム、プラットフォームを提供するコンピュータ実装方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7247311B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7319443B1 (ja) * | 2022-10-31 | 2023-08-01 | 株式会社博報堂Dyホールディングス | 情報処理システム、コンピュータプログラム、及び情報処理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001312629A (ja) | 2000-05-01 | 2001-11-09 | Hakuhodo Inc | 複数種類の媒体を使って広告を出稿する際の計画づくりを支援するコンピュータシステム |
JP2007048205A (ja) | 2005-08-12 | 2007-02-22 | Dainippon Printing Co Ltd | 販促手法決定システム |
JP2015028732A (ja) | 2013-07-30 | 2015-02-12 | 株式会社ビデオリサーチ | 出稿先選定装置及び出稿先選定方法 |
-
2021
- 2021-12-01 JP JP2021195214A patent/JP7247311B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001312629A (ja) | 2000-05-01 | 2001-11-09 | Hakuhodo Inc | 複数種類の媒体を使って広告を出稿する際の計画づくりを支援するコンピュータシステム |
JP2007048205A (ja) | 2005-08-12 | 2007-02-22 | Dainippon Printing Co Ltd | 販促手法決定システム |
JP2015028732A (ja) | 2013-07-30 | 2015-02-12 | 株式会社ビデオリサーチ | 出稿先選定装置及び出稿先選定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2022088339A (ja) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dolega et al. | Going digital? The impact of social media marketing on retail website traffic, orders and sales | |
US20210334845A1 (en) | Method and system for generation of at least one output analytic for a promotion | |
Gómez et al. | Drivers of customer likelihood to join grocery retail loyalty programs. An analysis of reward programs and loyalty cards | |
Rossi et al. | The value of purchase history data in target marketing | |
JP5856273B2 (ja) | 並行して、コンテンツの有効性についての因果関係実験を遂行し、ビジネス目的を最適化するためにコンテンツ配信を調整するための、システム及び方法 | |
US6662215B1 (en) | System and method for content optimization | |
Park et al. | Assessing advertising in a hierarchical decision model | |
Li et al. | How does shopping duration evolve and influence buying behavior? The role of marketing and shopping environment | |
US20230360081A1 (en) | Conducting multivariate experiments | |
WO2013067211A1 (en) | Individual-level modeling | |
US20220245668A1 (en) | Architecture and methods for generating intelligent offers with dynamic base prices | |
JP6683550B2 (ja) | 情報分析装置および情報分析方法 | |
WO2015159409A1 (ja) | 情報配信装置及び情報配信方法 | |
Vyt et al. | Towards a fairer manager performance measure: a DEA application in the retail industry | |
Oghojafor et al. | Outlet Attributes as Determinants of Preference of Women between a Supermarket and a Traditional Open Market. | |
JP7247311B2 (ja) | 情報処理装置、方法、プログラム、プラットフォームを提供するコンピュータ実装方法 | |
Alsulami | A framework for improving customer loyalty at retailers in Jeddah City: A case study | |
Kita et al. | Recognition of business risks when purchasing goods on the Internet using GIS: experience from Slovakia | |
Wibowo et al. | The consumers’ perception and frequency of visit before and after wet market revitalization | |
Kumar | Prediction of consumer purchase decision using demographic variables: A study with reference to premium car | |
Pauler et al. | Assessing store performance models | |
KR20230070886A (ko) | 빅데이터 및 인공지능 기반 오프라인 광고 서비스 제공 시스템 | |
Roy et al. | Price expectations and purchase decisions: Evidence from an online store experiment | |
TW202312060A (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置、方法與儲存該方法的儲存媒介 | |
Ehsani et al. | Consumer segmentation based on location and timing dimensions using big data from business-to-customer retailing marketplaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211221 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220620 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220620 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220913 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221114 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230213 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230314 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7247311 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |