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
広告費に関する情報を提供する情報処理装置に関する。
広告に関する情報を提供する情報処理装置として、所定の地域に住む会員に対して、会員が来店するであろう時間帯に応じて広告情報を配信する装置が知られている。
前述した従来の装置は、所定の会員に対して広告を配信するためのものであり、広告の配信に際して必要となる広告費を算出するものではなかった。
本発明は、上述の点に鑑みてなされたものであり、その目的とするところは、効率よく広告費を決定することができる情報処理装置を提供することにある。
本発明による情報処理装置の特徴は、
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。
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。
効率よく広告費を決定することができる。
＜＜＜＜第１の実施の形態の概要＞＞＞＞
＜＜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１の態様による情報処理装置は、広告費用に関する情報を決定する。広告情報は、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される。
電子的な第１広告媒体は、電磁的に広告情報を表示するための映像面を含む。また、ネットワークを介して通信によって広告情報が提供されてもよい。電子的な第１広告媒体は、電磁的な情報を視認可能に変換した情報を広告情報として提示する。また、電子的な第１広告媒体は、時間的に変化可能な情報を広告情報として表示してもよい。
非電子的な第２広告媒体は、主に紙媒体に広告情報が視認可能に提示される媒体をいう。なお、第２広告媒体は、紙だけでなく、植物などの繊維によって構成された一般的な紙のみならず、布や、樹脂などによって、広告情報が時間的に変化せずに固定的に提示される媒体も含む。さらに、第２広告媒体は、熱的な処理などによって、再度、別の情報が提示可能なものも含む。第２広告媒体は、電磁的に広告情報を表示するための映像面を含まない媒体をいう。
広告情報は、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情報である。
情報処理装置は、機械学習処理部と予測モデル記憶部と広告費予測部とを備える。
機械学習処理部は、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。店舗への来店人数と、相関デモグラフィックデータとを説明変数とすることができる。
相関デモグラフィックデータは、デモグラフィックデータのうち、来店人数と相関を有するデモグラフィックデータである。デモグラフィックデータは、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。デモグラフィックを用いることで、店舗と関連する可能性のあるパラメータであり、かつ、来店人数と相関の高いパラメータを抽出して教師データとして用いることができる。
第１広告媒体に割り当てた広告費と、第２広告媒体に割り当てた広告費とは、過去に実際に広告費として用いた実績値である。第１広告媒体に割り当てた広告費及び第２広告媒体に割り当てた広告費を教師データとして用いることができる。
予測モデル記憶部は、機械学習により生成された予測モデルである。モデルは、任意のものを用いることができる。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、適宜に選択することができる。
広告費予測部は、第１広告媒体に割り当てるべき第１広告費及び第２広告媒体に割り当てるべき第２広告費を予測モデルから予測する。第１広告媒体に割り当てるべき第１広告費及び第２広告媒体に割り当てるべき第２広告費を目的変数とすることができる。広告費予測部は、仮想的な来店人数が所定の人数となるときの第１広告費及び第２広告費を予測モデルから決定する。所定の人数は、最大となる人数が好ましい。なお、最大人数だけでなく、人数が多い上位の人数などにしてもよい。全体的なコスト（第１広告費及び第２広告費の総額）を考慮して、あえて人数が少ない下位の人数にしてもよい。
第１広告媒体と第２広告媒体とを用いる場合に、第１広告費と第２広告媒体との配分を、過去の実績値に基づいて、効率よく決定することができる。
＜＜第２の態様＞＞
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。
店舗の数は、所定の地域、範囲に含まれる店舗の数であり、密度とかでもよい。所定の地域、範囲に含まれる店舗の数が多い場合には、密集していても客を呼び込め、人気があると判断することができる。例えば、都市部などに展開するときの指標にすることができる。少ない場合には、あまり人気がないと判断することができ、地方などに展開するときの指標にすることができる。
＜＜第３の態様＞＞
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。
事前に、相関デモグラフィックデータを抽出するので、効率よく、第１広告費と第２広告媒体との配分を決定することができる。また、業種に応じてデモグラフィックを選択できる。一業種だけでなく、他業種にも展開することができる。例えば、ホームセンターだけでなく、スーパーや、飲食などにも用いることができる。
＜＜第４の態様＞＞
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。
前記教師データは、特に、来店人数であり、時期的要因や地域的要因に応じて、来店人数を補正することができる。
＜＜第５の態様＞＞
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。
周期的に繰り返すので、変化の傾向によって適切に補正することができ、的確な予測モデルを生成することができる。時間的単位は、例えば、週や月などの周期的に繰り返す単位にすることができる。
＜＜第６の態様＞＞
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。
複数の店舗に対して汎用性のある予測モデルを作ることができ、店舗を新しく作るときの予測を立て易くできる。
＜＜第７の態様＞＞
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。
複数のデモグラフィックデータのうち、適切なデモグラフィックデータを選択して予測モデルを構築することができる。
＜＜第８の態様＞＞
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＞＞
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＞＞
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。
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。
＜＜＜＜本実施の形態の詳細＞＞＞＞
以下に、実施の形態について図面に基づいて説明する。
以下に、実施の形態について図面に基づいて説明する。
図１は、本実施の形態による情報処理装置１０の構成を示すブロック図である。
＜＜＜情報処理装置１０＞＞＞
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。
＜＜広告主＞＞
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。
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。
なお、広告主が複数の業種について事業をしている場合には、業種ごとに情報処理装置１０の処理をするのが好ましい。業種ごとに条件や環境が異なる場合があり、的確に判断できなくなる可能性が生ずる。
図２は、複数の店舗と、各々の店舗に関連する地域とを示す概念的な概略図である。図２では、一の事業者が、一の業種について複数の店舗（店舗１、店舗２、・・・、店舗ｎ）を有し、その各々の店舗に関連しうる地域を破線の円で示した。店舗１に来店する可能性のある居住者は、地域１の円内に居住する者である。店舗２に来店する可能性のある居住者は、地域２の円内に居住する者である。店舗ｎに来店する可能性のある居住者は、地域ｎの円内に居住する者である。
一の店舗に来店する可能性のある者は、一の店舗の周辺の人口密度や、その周辺の交通手段などの環境によって影響される。
図３は、一の店舗ｉについて、店舗ｉへの集客のために提供する広告の概要を示す図である。提供する広告は、前述したように、ＷＥＢ広告及び紙媒体広告がある。すなわち、店舗ｉに来店する可能性のある地域の居住者に、ＷＥＢ広告及び紙媒体広告で、店舗ｉに関する広告情報を提供する。ＷＥＢ広告及び紙媒体広告を提供する範囲は、店舗ｉの位置を中心にして広めの範囲にするのが好ましい。また、ＷＥＢ広告及び紙媒体広告を提供する範囲は、業種によって広狭を定めるのが好ましい。例えば、生鮮食料品を主に扱うスーパーマーケットなどの店舗の場合には、広告を提供する範囲を狭くし、日用品を主に扱うホームセンターなどの店舗の場合には、広告を提供する範囲を広めにすることができる。ＷＥＢ広告及び紙媒体広告を提供する範囲は、過去の実績などに応じて、適宜に定めることができる。
＜＜紙媒体広告＞＞
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。
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。
紙媒体広告の費用は、折り込み広告枚数の総数、コンテンツ別折り込み広告枚数、広告種別折り込み広告枚数に応じて定まる。
＜＜ＷＥＢ広告＞＞
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。
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。
例えば、ＷＥＢ広告は、コンテンツ別ＷＥＢ広告費や、広告種別ＷＥＢ広告費や、プラットフォーム別ＷＥＢ広告費などがある。また、ＷＥＢ広告は、検索連動広告や、ディスプレイ広告や、ローカルキャンペーンなどがある。
検索連動広告は、ユーザーが検索エンジンを用いて検索したキーワードに連動して表示される広告である。ディスプレイ広告は、ウェブサイトやアプリ上の広告枠に表示されるテキスト形式やバナー形式の広告である。ローカルキャンペーンは、ウェブサイトやアプリに表示される地図に伴って表示される広告であり、店舗ｉに関連する可能性のある範囲の居住者に対して、自動的に内容を表示する広告である。
＜＜情報処理装置１０の構成＞＞
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。
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＞＞
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。
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。
本実施の形態における第１のパラメータは、店舗への来店人数である。第２のパラメータは、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がある。
＜デモグラフィック＞
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。
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。
デモグラフィックは一般的に入手可能なものを用いることができる。特に、行政機関などの公共機関から定期的に内容が更新されるものが好ましい。信頼性の高いデータによって、判断することができる。それ以外に、各種の経済研究所などの機関から発行されている情報などを用いることができる。より詳細な情報や最新の情報などを利用することができる。
図４は、デモグラフィックの具体的な一例を示す図である。デモグラフィックとして、人口、世帯、事業所・従業者、商業、消費支出、所得・年収、貯蓄、自動車、福祉、面積、地価などに関するデータを用いることができる。具体的には、店舗ｉの広告費について処理をする場合には、店舗ｉに関連する可能性のある地域や範囲における人口、世帯、事業所・従業者、商業、消費支出、所得・年収、貯蓄、自動車、福祉、面積、地価などに関するデータを用いる。
＜店舗特徴パラメータ＞
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。
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。
このように、店舗特徴パラメータを、店舗に対する店舗ごとの評価の尺度として用いることができる。店舗特徴パラメータは、来店人数に影響するパラメータを含む可能性がある。
＜広告費関連パラメータ＞
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。
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。
広告費の高低や広告の種類などの広告費関連パラメータは、来店人数に影響する可能性がある。
図５（ａ）は、広告費関連パラメータの具体的な例を示す図である。
例えば、広告が表示された居住者のうち実際に来店した来店人数とＷＥＢ広告費との関係がある。より具体的には、居住者が使用するコンピュータなどに表示されるウェブサイトや実行されるアプリに、店舗ｉに関する広告が表示されたときに、広告の表示を契機にして、店舗ｉに実際に来店した居住者の人数と、ＷＥＢ広告費との関係である。なお、これらの来店した居住者の人数やＷＥＢ広告費を直接に用いた関係でも、数学的な関数によって処理された値を用いた関係でもよい。前述したように来店人数を相関のあるものであればよい。
また、デモグラフィックの要素（第１要素～第ｎ要素）と紙媒体広告費との関係がある。例えば、デモグラフィックの要素は、前述したデモグラフィック（図４）のうちの世帯数にしたり、人口にしたり、貯蓄にしたりすることができる。前述したように、来店人数に相関のあるものであればよい。
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は、直接に用いて相関係数を算出してもよいが、様々な関数、例えば、対数などの数学的関数の関数値を用いて相関係数を算出してもよい。
＜補正パラメータ＞
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。
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。
本実施の形態では、補正パラメータは、地理的要因パラメータと、時期的要因パラメータと、特殊要因パラメータとを含む。
地理的要因パラメータは、店舗の位置に基づくパラメータである。例えば、都市部に位置する店舗、地方に位置する店舗、最寄りの駅や幹線道路からの距離、駐車場の広さなどによって、特徴量を補正をする。例えば、事業者（広告主）が複数の店舗を有する場合に、複数の店舗ごとに特徴量に相違があるときには、地理的要因パラメータによって、特徴量を揃えることで、複数の店舗について、相関性を高める可能性が生ずる。
時期的要因パラメータは、時間帯（午前、午後、深夜）や、曜日、祭日などの時期的な要因によって特徴量の補正をする。また、季節性（年末、年始、お盆、ゴールデンウイークなど）による要因も時期的要因パラメータを含めることができる。ある特定の期間における特徴量を、他の期間における特徴量に揃えることで、相関性を高める可能性が生ずる。
特殊要因パラメータは、地理的でも時期的でもない突発的な事象や特異的な事象によるパラメータである。例えば、地震や台風などの災害や、経済的な急激な変化などによる影響などがある。突発的な事象や特異的な事象が生じた地域や期間における特徴量を、他の期間における特徴量に揃えることで、相関性を高める可能性が生ずる。
これらの補正パラメータの傾向に応じて、各種の特徴量を補正することで、相関性を高める可能性が生ずる。
図５（ｂ）は、補正パラメータの具体的な例を示す図である。具体的には、ゴールデンウイークによる補正情報や、お盆による補正情報、年末による補正情報や、台風による補正情報などにすることができる。
＜＜機械学習処理部２００＞＞
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＞
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。
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＞
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。
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。
また、別の予測モデルＭの概念として、Ｍ(ｆ，ｇ，ｈ）（ここで、ｆ（ＷＥＢ広告費）であり、ｇ（紙媒体広告費）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る。ｇは、紙媒体広告費に関する関数である。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。このモデルでは、デモグラフィックのみについて補正される。簡易なモデルを提供することができる。
さらに、別の予測モデルＭの概念として、Ｍ(ｆ，ｇ，ｈ，ｉ）（ここで、ｆ（ＷＥＢ広告費）であり、ｇ（紙媒体広告費）であり、ｈ（デモグラフィック），ｉ（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る。ｇは、紙媒体広告費に関する関数である。ｈは、デモグラフィックに関する関数である。ｉは、補正パラメータに関する関数である。補正パラメータを別個の関数とすることで、ＷＥＢ広告費、紙媒体広告費、デモグラフィックを、より的確に補正することができる。
なお、予測モデルは、これらに限られず、他の概念を用いてもよい。業種などに応じて、適宜に用いればよい。
＜精度検証部２２０＞
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。
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。
検証の結果、誤差が大きい場合には、機械学習部２１０に戻り、別のモデルを選択し、再度、機械学習をして、予測モデルを生成し、精度検証部２２０で、再び、生成した予測モデルを検証する。
＜予測モデル記憶部２３０＞
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。
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。
予測モデル記憶部２３０で記憶された予測モデルデータを読み出すことで、確定された予測モデルを用いた処理を実行することができる。
＜＜広告費配分算出部３００＞＞
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。
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。
例えば、所定のＷＥＢ広告費及び紙媒体広告費を予測モデルに与えて来店人数を算出する。具体的には、少なくとも１つのＷＥＢ広告費と、少なくとも１つの紙媒体広告費との組み合わせを事前に定めておき、ＷＥＢ広告費と紙媒体広告費との組を、予測モデルに与えて、ＷＥＢ広告費と紙媒体広告費との組に対応する来店人数を算出する。来店人数が最大となるＷＥＢ広告費と紙媒体広告費との組を最適なＷＥＢ広告費及び紙媒体広告費の配分としてユーザに提示する。最適なＷＥＢ広告費及び紙媒体広告費の配分は、情報処理装置１０に接続されているディスプレイなど（図示せず）に表示される。
なお、来店人数が最大となるＷＥＢ広告費と紙媒体広告費との配分だけでなく、人数が多い上位のいくつかの配分を提示するのでもよい。ＷＥＢ広告費と紙媒体広告費との総額や、商品の仕入れの都合などや、店舗の改装などの各種の条件に応じて、配分の優先順位を定めてもよい。
図６は、ＷＥＢ広告費と紙媒体広告費との組と、その組に対応する来店人数とを示す図である。ＷＥＢ広告費と紙媒体広告費との組を適宜に定め、生成された予測モデルを用いて、ＷＥＢ広告費と紙媒体広告費との組に対応する来店人数を算出した結果を示す。図６に示す例では、ＷＥＢ広告費がＡであり、紙媒体広告費がＢであるときに、予測される来店人数が最も多くなる。
＜＜データ記憶部４００＞＞
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。
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。
データ記憶部４００に記憶される各種の情報は、適宜に、最新の情報を収集して更新される。更新のタイミングは、毎日でも毎週でも毎月でも、何か突発的な事象や変更が生じたときでもよい。ある時点で確定した予測モデルであっても、その後に生じた各種の事象によって、予測モデルを変更する必要が生ずる可能性がある。
データ記憶部４００に記憶された各種の情報が変更されたときには、機械学習部２１０に戻り、再度、機械学習をして予測モデルを生成し、精度検証部２２０で、再び、生成した予測モデルを検証する。
このようにすることで、環境や状況の変化に応じた最適な予測モデルを生成して利用することができる。
＜＜＜＜第２の実施の形態＞＞＞＞
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。
さらに、第２の実施の形態では、予測モデルから算出した来店人数から、紙媒体広告に必要となる費用とＷＥＢ広告に必要となる費用との配分を決定する。なお、紙媒体広告及びＷＥＢ広告は、第１の実施の形態と同様である。
＜＜第１１の態様＞＞
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。
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。
情報処理装置は、広告有来店人数モデルと広告無来店人数モデルとの２種類の予測モデルを機械学習によって生成する。
店舗に来る来店者を分析すると、主に、以下の４つパターンに分類できる。
（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。
（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。
前述の（１）～（３）の来店者は、需要又は店舗について、広告の効果によって生ずる者である。これに対して、（４）の来店者は、広告の効果によることのない者である。第１１の態様では、この（４）の来店者の人数である広告無予測来店人数を算出して、全体の来店人数を算出する情報処理装置である。
広告無来店人数モデルは、第１広告媒体及び第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来店人数を算出するためのモデルである。広告無来店人数モデルは、第１広告媒体及び第２広告媒体などの積極的な広告を提供しなくても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。積極的な広告とは、社会全般に対して伝えることを意図して発する広告をいう。なお、第１広告媒体及び第２広告媒体以外の消極的な広告、例えば、口コミやプライベートな発信などに含まれる情報は含まない。消極的な広告とは、社会全般に対して伝えることを意図していない広告であり、広告的な機能を偶発的に発揮した情報をいう。
広告有来店人数モデルは、第１広告媒体及び第２広告媒体を用いた広告の提供によって、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。すなわち、積極的な広告、すなわち、社会全般に対して伝えることを意図して発した広告によって来店する可能性のある人数を算出するためのモデルである。
広告有予測来店人及び広告無予測来店人数に基づいて、第１広告費及び第２広告費を決定する。一般に、広告費の額を多くすれば、来店人数が多くなり、広告費の額を少なくすれば、来店人数が少なくなる。なお、この広告有来店人数モデルでは、広告費の額をある程度以上多くしても、来店人数を飽和させるようにし、現実に沿ったモデルを採用している。例えば、シグモイド関数を使ったロジスティック回帰の数式を用いたモデルを広告有来店人数モデルに用いることができる。広告費の額に応じて、広告を発する数や頻度などが決まり、見込み顧客に広告が到達し易さが変わる。広告有来店人数モデルを用いることによって、予測来店人数と広告費との対応関係を生成することができる。
広告有予測来店人及び広告無予測来店人数によって、予測来店人数を決定することができる。例えば、広告有予測来店人と広告無予測来店人数との和を予測来店人数することができる。予測来店人数が、事業者が希望する来店人数となるような第１広告費及び第２広告費を、予測来店人数と広告費との対応関係を参照することで決定することができる。
＜＜第１２の態様＞＞
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１広告費の候補として、複数の第１候補広告費が予め定められている。複数の第１候補広告費のうちの少なくとも１つの第１候補広告費が選択されて第１広告費となる。広告有来店人数モデル及び広告無来店人数モデルを用いることで、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を算出できる。算出した第１広告有予測来店人数を複数の第１候補広告費の各々に対応付けた第１対応関係を生成することができる。
同様に、第２広告費の候補として、複数の第２候補広告費が予め定められている。複数の第２候補広告費のうちの少なくとも１つの第２候補広告費が選択されて第２広告費となる。広告有来店人数モデル及び広告無来店人数モデルを用いることで、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を算出できる。算出した第２広告有予測来店人数を複数の第２候補広告費の各々に対応付けた第２対応関係を生成することができる。
生成した第１対応関係を参照して、事業者が希望する来店人数に基づく第１広告費を決定できる。生成した第２対応関係を参照して、事業者が希望する来店人数に基づく第２広告費を決定できる。
＜＜第１３の態様＞＞
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。
複数の店舗の各々について、第１対応関係及び第２対応関係を生成するので、店舗ごとに、希望する来店人数に基づく第１広告費及び第２広告費を決定することができる。
いくつかの店舗の合計の来店人数が、希望する来店人数となるように、いくつかの店舗について総括的な第１広告費及び第２広告費を決定することができる。例えば、所定の地域に含まれるいくつかの店舗について、広告費に用いる予算を組み易くできる
＜＜第１４の態様＞＞
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。
所望する予測来店人数が実現するように、第１広告費及び第２広告費を決定することができる。
＜＜第１５の態様＞＞
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。
店舗の業種は、多様であり、店舗の業種に応じて、来店人数に寄与する情報の種類は異なる。教師データとして用いる情報を店舗の業種に応じて選択できるようにすることで、精度の高い広告有来店人数モデル及び広告無来店人数モデルを生成することができる。
＜＜第１６の態様＞＞
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。
店舗の特徴を示す情報を教師データに含めることが困難である場合も想定される。広告有来店人数モデル及び広告無来店人数モデルによって算出された来店人数を、店舗の特徴に基づいて調整することで、現実の店舗の特徴に沿った来店人数を得ることができ、広告費について、より適切な予算を組むことができる。
＜＜第１７の態様＞＞
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＞＞
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＞＞
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。
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。
例えば、ネットワークを介して通信可能に構成されたサーバなどの少なくとも１つの情報処理装置にプラットフォームを構築することができる。プラットフォームは、複数の情報処理装置に分散させて構築してもよい。前述した第１８の態様のプログラムは、プラットフォームで実行させることができる。第１９の態様のコンピュータ実装方法は、このようなプラットフォームを提供するために、第１８の態様のプログラムをコンピュータに実装する方法である。
＜＜＜第２の実施の形態における用語の定義＞＞＞
＜＜来店人数の種類＞＞
＜＜来店人数の種類＞＞
＜希望来店人数＞
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。
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＞
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。
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＞
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。
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＞
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。
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＞
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。
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＞
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。
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＞
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。
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。
＜＜広告費＞＞
＜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。
＜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＞
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。
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。
＜＜＜情報処理装置２０＞＞＞
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。
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。
情報処理装置２０は、プロセッサ（ＣＰＵ（中央処理装置）など）、ＲＯＭ（リードオンリーメモリ）、ＲＡＭ（ランダムアクセスメモリ）、ＨＤＤ（ハードディスクドライブ）、ＳＳＤ（ソリッドステートドライブ）、Ｉ／Ｆ（通信インターフェース装置）や入力操作装置（キーボード、マウス、タッチパネルなど）などを備える（図示せず）。情報処理装置２０は、パーソナルコンピュータ、タブレット型コンピュータ、携帯型端末装置などの各種の処理装置にすることができる。
情報処理装置２０は、各種の演算処理や、各種のデータ処理や、他の装置（サーバや端末装置など）との各種の通信処理などの様々な処理を実行できる装置である。
図７に示すように、情報処理装置２０は、機械学習処理部と、データ記憶部と、広告費－予測来店人数対応生成部と、店舗関連特徴調整部とを有する。データ記憶部は、学習用パラメータや広告費－予測来店人数対応関係や店舗関連特徴パラメータの様々な値や情報などを記憶する。
＜＜機械学習処理部＞＞
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＞＞
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１＞
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、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。
収集来店人数は、これまでに収集した過去の店舗ごとの来店人数である。複数の店舗の各々にこれまでに来店した人数を集計した人数である。
店舗の種類は、業種などによって区分される種類である。店舗の種類は、例えば、スーパー、ドラッグストア、ディスカウントストア、ホームセンター、アパレルなどある。なお、店舗の種類は、これらに限られず、多様な種類にすることができる。
店舗の売場面積は、店舗の売場が占める面積である。言い換えれば、店舗の売場面積は、商品を販売するために実際に使用する売場の延べ床面積である。なお、店舗の売場面積は、売場が占める面積であり、駐車場などの面積は除外される。
５ｋｍ以内の競合数は、店舗を中心にして半径５ｋｍ以内に所在する競合する店舗の数である。なお、半径は、５ｋｍに限られず、店舗に影響を及ぼす長さを適宜に選択すればよい。広告費と来店人数との関係を的確に解析できるように、適切な半径にすればよい。
紙媒体広告リーチ率は、配布された全ての紙媒体広告のうち、見込み顧客に紙媒体広告が届けられた割合である。紙媒体広告は、例えば、新聞に添付する折込チラシなどがある。紙媒体広告が、新聞の折込チラシである場合には、新聞の購読率を紙媒体広告リーチ率にすることができる。新聞の購読率は、例えば、店舗から５ｋｍ圏内の世帯を対象とした宅配の新聞の購読数である。言い換えれば、新聞に添付する折込チラシを届けることができる数（割合）である。このように、新聞の購読率を用いることで、紙媒体広告リーチ率を具体的に数値化して客観性を担保できる。このため、新聞に添付して配布した込チラシによる広告効果を的確に分析したり判断したりすることが容易となる。
なお、紙媒体広告は、新聞に添付する折込チラシには限られない。例えば、ポスティングでチラシを配布したり、特定のエリアでフリーぺーパーを配布したりなど、各種の紙媒体や様々な紙媒体広告の配布の態様がある。このような紙媒体であっても、広告リーチ率を具体的に数値化でき、広告効果を判断可能なものであればよい。いずれにしても、見込み顧客に紙媒体広告が届けられた数や割合などを客観的に決定できる紙媒体であれば、紙媒体の種類によることなく、紙媒体広告リーチ率の対象とすることができる。
週数（季節性）は、年始から年末までの１年を通して（通年）、週ごと（７日ごと）に、１から順番につけた通し番号である。年が変わるたびに、改めて１から番号が付けられる。週数によって、来店人数に対する季節性を詳細に分析したり特定したりすることができる。
紙媒体広告の発行部数は、紙媒体広告をこれまでに発行した数である。紙媒体広告を発行した部数から、紙媒体広告の提供に要した費用を算出することができる。
ＷＥＢ広告出稿量は、ネットワークを介して端末装置などのディスプレイにＷＥＢ広告がこれまでに表示された数である。ＷＥＢ広告を出稿した量から、ＷＥＢ広告の提供に要した費用を算出することができる。
＜機械学習をするために用いるパラメータ２＞
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。
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。
具体的には、購入可能性パラメータは、業態などに応じて、以下のようなものにできる。スーパーの場合には、食料品購買力を購入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、医薬品購買力を購入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、消費家計支出の数値を購入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、ペットフード購買力や園芸品・同用品購買力や家具・家事用品購買力を購入可能性パラメータにすることができる。アパレルの場合には、被服の購買力や履物の購買力を購入可能性パラメータにすることができる。
サービス利用可能性パラメータは、業態などに応じて、以下のようなものにできる。
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。
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。
移動手段パラメータは、各種の業態について、全般的に、鉄道、自家用車、バス、タクシー、自転車、徒歩などとなる。
機械学習パラメータ選択部は、業種などに応じて、前述した各種のパラメータを適宜に選択する。すなわち、機械学習パラメータ選択部は、業種などに応じて、予測モデルを生成するためのパラメータを選択できる。業種などに応じて適切なパラメータを選択することで、精度が高い予測モデルを生成することができる。
＜＜ベースライン予測モデル生成部＞＞
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。
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。
前述したように、広告は、紙媒体広告とＷＥＢ広告との２種類の広告がある。ベースライン予測モデル生成部は、紙媒体広告及びＷＥＢ広告のいずれの広告も提供しない場合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。なお、紙媒体広告とＷＥＢ広告とのうちのいずれか一方の広告のみを提供しない場合に来店するであろう人数を算出するモデルとしてもよい。
ベースライン予測モデルによって、複数の店舗ごとに、ベース予測来店人数を算出することができる。さらに、ベースライン予測モデルによって、複数の店舗ごとに、週数に対応したベース予測来店人数を算出することもできる。
＜＜広告効果予測モデル生成部＞＞
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。
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＞
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。
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。
紙媒体広告来店人数予測モデルによる紙媒体広告予測来店人数のおおよその傾向は、以下のようになる。例えば、紙媒体広告費の額を少なくしたときには、紙媒体広告予測来店人数は少なくなり、紙媒体広告費の額を多くしたときには、紙媒体広告予測来店人数は多くなる。なお、紙媒体広告費の額をある程度以上にしても、紙媒体広告予測来店人数は飽和していく。
さらに、紙媒体広告来店人数予測モデルによって、複数の店舗ごとに、紙媒体広告予測来店人数を算出できる。具体的には、紙媒体広告来店人数予測モデルによって、複数の店舗ごとに、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。さらに、紙媒体広告来店人数予測モデルによって、複数の店舗ごとに、週数に対応した紙媒体広告予測来店人数を算出することもできる。
＜ＷＥＢ広告来店人数予測モデル＞
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。
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。
ＷＥＢ広告来店人数予測モデルによるＷＥＢ広告予測来店人数のおおよその傾向は、以下のようになる。例えば、ＷＥＢ広告費の額を少なくしたときには、ＷＥＢ広告予測来店人数は少なくなり、ＷＥＢ広告費の額を多くしたときには、ＷＥＢ広告予測来店人数は多くなる。なお、ＷＥＢ広告費の額をある程度以上にしても、ＷＥＢ広告予測来店人数は飽和していく。
さらに、ＷＥＢ広告来店人数予測モデルによって、複数の店舗ごとに、ＷＥＢ広告予測来店人数を算出できる。具体的には、ＷＥＢ広告来店人数予測モデルによって、複数の店舗ごとに、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。さらに、ＷＥＢ広告来店人数予測モデルによって、複数の店舗ごとに、週数に対応したＷＥＢ広告予測来店人数を算出することもできる。
＜＜予測モデル精度検証部＞＞
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＞＞
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。
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＞＞
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。
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。
候補広告費は、候補紙媒体広告費と候補ＷＥＢ広告費とを含む。広告費は、紙媒体広告費とＷＥＢ広告費とを含む。
具体的には、候補紙媒体広告費の各々の額を用いて紙媒体広告を提供したと想定して、紙媒体広告の提供を契機として来店するであろう紙媒体広告予測来店人数を、紙媒体広告来店人数予測モデルによって、候補紙媒体広告費の各々の額ごとに算出する。例えば、図８に示すように、広告費－予測来店人数対応生成部は、紙媒体広告について、複数の店舗ごと（Ａ店、Ｂ点、・・・、Ｊ店）に、候補紙媒体広告費の各々の額に対応する紙媒体広告予測来店人数を算出し、対応関係を生成する。
同様に、候補ＷＥＢ広告費の各々の額を用いてＷＥＢ広告を提供したと想定して、ＷＥＢ広告の提供を契機として来店するであろうＷＥＢ広告予測来店人数を、ＷＥＢ広告来店人数予測モデルによって、候補ＷＥＢ広告費の各々の額ごとに算出する。例えば、図９に示すように、広告費－予測来店人数対応生成部は、ＷＥＢ広告について、複数の店舗ごと（Ａ店、Ｂ点、・・・、Ｊ店）に、候補ＷＥＢ広告費の各々の額に対応するＷＥＢ広告予測来店人数を算出し、対応関係を生成して記憶する。
＜＜店舗関連特徴調整部＞＞
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。
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。
店舗関連特徴は、例えば、テナント構成などがある。近年のスーパーには、自社のスーパーだけでなく、各種のテナントに貸して営業させている場合がある。例えば、ドラッグストアや１００円ショップやクリーニング店などが、テナントとして営業している場合がある。来店する客は、スーパーのみならず、これらのテナントに立ち寄る場合がある。このため、来店人数には、これらのテナントによる影響も含まれる。
テナントの存在が、来店人数に影響することは明らかではあるが、スーパーの来店人数をテナントの来店人数と明確に分離することは困難である場合が多い。このため、テナントへの来店人数を機械学習のための教師データに含めにくくなる。このため、テナントの存在によって生ずる来店人数を調整用来店人数として、予測モデルによって算出された予測来店人数に加える。
例えば、クリーニング店がテナントに含まれる場合に、「チラシを１，０００枚配布すると、来店人数がさらに１００人増える」などのように、調整用来店人数を、これまでの経験や推定などによって適宜に定めることができる。調整用来店人数を適宜に定めることで、現実の来店人数と近くなるように来店人数を決定することができる。様々な調整用来店人数を加えることで、予測する来店人数を現実に近づけることができる。
店舗関連特徴は、テナント構成だけでなく、店舗種類や店舗環境情報などがある。店舗種類は、スーパー、ドラッグストア、ディスカウントストア、ホームセンター、アパレルなどある。店舗環境情報は、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。なお、これらのパラメータは、機械学習のための教師データに含めることができる場合には、教師データに含めて機械学習させる。これらのパラメータを、機械学習のための教師データに含めることが困難な場合に、調整用来店人数として処理する。
＜＜＜来店人数予測モデル生成処理＞＞＞
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。
最初に、プロセッサは、業種・店舗の種類に応じてパラメータを選択する（ステップＳ１１１１）。この処理は、前述した機械学習パラメータ選択部によって実行される。
次に、プロセッサは、過去の広告費を含まないパラメータを選択する（ステップＳ１１１５）。この処理では、ステップＳ１１１１の処理で選択したパラメータのうちの広告費を含まないパラメータを選択する処理である。
次に、プロセッサは、ステップＳ１１１５で選択したパラメータのデータを教師データとして機械学習し、ベースライン予測モデルを生成する（ステップＳ１１１７）。この処理は、前述したベースライン予測モデル生成部によって実行される。
次に、プロセッサは、過去の広告費を含むパラメータを選択する（ステップＳ１１１９）。この処理では、ステップＳ１１１１の処理で選択したパラメータのうちの広告費を含むパラメータを選択する処理である。
次に、プロセッサは、ステップＳ１１１９で選択したパラメータのデータを教師データとして機械学習し、広告効果予測モデルを生成する（ステップＳ１１２１）。この処理は、前述した広告効果予測モデル生成部によって実行される。
次に、プロセッサは、生成した予測モデルの精度を検証する（ステップＳ１１２３）。この処理は、前述した予測モデル精度検証部によって実行される。
次に、プロセッサは、生成した予測モデルを記憶する（ステップＳ１１２５）。この処理は、前述した予測モデル記憶部によって実行される。
＜＜＜来店人数算出処理＞＞＞
図１１は、来店人数算出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。
最初に、プロセッサは、ベースライン予測モデルでベース予測来店人数を算出する（ステップＳ１２１１）。
次に、プロセッサは、広告効果予測モデルで、紙媒体広告予測来店人数及びＷＥＢ広告予測来店人数を算出する（ステップＳ１２１３）。
次に、プロセッサは、紙媒体広告費と紙媒体広告予測来店人数との対応関係を生成する（ステップＳ１２１５）。この処理は、前述した広告費－予測来店人数対応生成部によって実行される。
次に、プロセッサは、ＷＥＢ広告費とＷＥＢ広告予測来店人数との対応関係を生成する（ステップＳ１２１７）。
次に、プロセッサは、来店人数調整パラメータを使用するか否かを判断する（ステップＳ１２１９）。
次に、プロセッサは、調整用来店人数を決定する（ステップＳ１２２１）。この処理は、前述した店舗関連特徴調整部によって実行される。
次に、プロセッサは、表示条件を決定する（ステップＳ１２２３）。表示したい店舗や、広告費の額などによって、表示条件を決定することができる。
次に、プロセッサは、表示条件に応じた来店人数を端末装置などのディスプレイに表示し（ステップＳ１２２５）、本サブルーチンを終了する。
＜＜＜＜予測来店人数の活用＞＞＞＞
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。
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。
＜＜来店人数予測モデルの第１の活用＞＞
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。
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。
ベースライン予測モデルで算出したベース予測来店人数と、紙媒体広告来店人数予測モデルで算出した紙媒体広告予測来店人数と、ＷＥＢ広告来店人数予測モデルで算出したＷＥＢ広告予測来店人数との和が、一の店舗で希望来店人数となる候補紙媒体広告費と候補ＷＥＢ広告費との組み合わせを選択する。具体的には、図８に示した候補紙媒体広告費の対応関係と、図９に示した候補ＷＥＢ広告費の対応関係から、紙媒体広告費の額とＷＥＢ広告費の額とを決定する。
例えば、Ａ店での希望来店人数が、ベース予測来店人数と紙媒体広告予測来店人数とＷＥＢ広告予測来店人数との和となる組み合わせを、紙媒体広告予測来店人数については図８から、ＷＥＢ広告予測来店人数については図９から選択する。なお、ベース予測来店人数については図を省いた。選択した組み合わせから、紙媒体広告費の額とＷＥＢ広告費の額とを決定することができる。このようにして、Ａ店での希望来店人数を実現できる紙媒体広告費とＷＥＢ広告費との配分を決定できる。
なお、紙媒体広告費とＷＥＢ広告費との組み合わせが複数ある場合には、紙媒体広告費の額とＷＥＢ広告費の額との和が最も安価になる組み合わせを選択する。選択した組み合わせによって、所望する来店人数を実現できる紙媒体広告費とＷＥＢ広告費との配分を決定できる。このようにして、来店人数予測モデルを用いることで、紙媒体広告費とＷＥＢ広告費との最適な配分を決定することができる。
＜＜来店人数予測モデルの第２の活用＞＞
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。
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。
複数の店舗の全体で来店人数の総和が最も多くなる紙媒体広告費の額とＷＥＢ広告費の額との組み合わせを選択する。第１の活用と同様に、図８に示した紙媒体広告費の対応関係と、図９に示したＷＥＢ広告費の対応関係から、紙媒体広告費の額とＷＥＢ広告費の額とを決定する。
なお、組み合わせが複数ある場合には、紙媒体広告費の額とＷＥＢ広告費の額との和が最も安価になる組み合わせを選択する。選択した組み合わせによって、予算の範囲内で、紙媒体広告費とＷＥＢ広告費との配分を決定できる。このようにして、来店人数予測モデルを用いることで、紙媒体広告費とＷＥＢ広告費との最適な配分を決定することができる。
＜＜来店人数予測モデルの第３の活用＞＞
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。
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。
来店人数の総和が最も多くなるように店舗の組み合わせを選択する。選択した組み合わせが複数ある場合には、最も店舗の数が多くなる紙媒体広告費の額とＷＥＢ広告費の額とを選択する。そのときの各店舗における紙媒体広告費の額とＷＥＢ広告費の額とによって広告費の配分を決定する。このようにして、来店人数予測モデルを用いることで、紙媒体広告費とＷＥＢ広告費との最適な配分を決定することができる。
＜＜＜＜実施の形態の範囲＞＞＞＞
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。
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。
１０ 情報処理装置
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
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 |