JP7459028B2 - 推定装置、推定方法および推定プログラム - Google Patents

Description

本発明は、推定装置、推定方法および推定プログラムに関する。

従来、検索データを使って、ユーザ単位でブランド・商品の登場順を評価することで、購買検討者へのブランドの状況を指標化する技術が提案されている。例えば、最初に検討した対象について最終的なＣＶ（Conversion：成果）へと至った割合を算出する技術が知られている。

特開２０２１－８６５１９号公報

しかしながら、従来技術では、潜在的なユーザに対して効果的に広告を配信することが難しい。例えば、従来技術では、検討を開始する前にブランド・商品を想起しやすい潜在層を特定することは困難である。

上述した課題を解決し、目的を達成するために、本発明に係る推定装置は、ユーザの情報を収集する収集部と、前記情報から、取引対象の検討を開始する時点の前における前記ユーザの特徴を抽出する抽出部と、前記特徴に基づいて、前記ユーザが前記取引対象の検討を開始するか否かを推定する推定部と、を備えることを特徴とする。

また、本発明に係る推定方法は、推定装置によって実行される推定方法であって、ユーザの情報を収集する収集工程と、前記情報から、取引対象の検討を開始する時点の前における前記ユーザの特徴を抽出する抽出工程と、前記特徴に基づいて、前記ユーザが前記取引対象の検討を開始するか否かを推定する推定工程と、を含むことを特徴とする。

また、本発明に係る推定プログラムは、ユーザの情報を収集する収集ステップと、前記情報から、取引対象の検討を開始する時点の前における前記ユーザの特徴を抽出する抽出ステップと、前記特徴に基づいて、前記ユーザが前記取引対象の検討を開始するか否かを推定する推定ステップと、をコンピュータに実行させることを特徴とする。

本発明では、潜在的なユーザに対して効果的に広告を配信することができる。

図１は、実施形態に係る推定システムの処理の一例を示す図である。 図２は、第一想起検索を説明するための図である。 図３は、第一想起検索を説明するための図である。 図４は、第一想起検索を説明するための図である。 図５は、実施形態に係る推定装置の構成例を示すブロック図である。 図６は、実施形態に係る起点前特徴抽出処理の一例を示す図である。 図７は、実施形態に係る潜在層特徴推定処理の一例を示す図である。 図８は、実施形態に係る処理全体の流れの一例を示すフローチャートである。 図９は、ハードウェア構成の一例を示す図である。

以下に、本願に係る推定装置、推定方法および推定プログラムを実施するための形態（以下、実施形態）について図面を参照しつつ詳細に説明する。なお、この実施形態により、本願に係る推定装置、推定方法および推定プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔実施形態〕
以下に、実施形態に係る推定システム１００の処理、推定装置１０の構成、処理の具体例、処理の流れを順に説明し、最後に本実施形態の効果を説明する。

［１．推定システム１００の処理］
図１を用いて、本実施形態に係る推定システム（適宜、本システム）１００の処理を説明する。図１は、実施形態に係る推定システムの処理の一例を示す図である。以下では、本システム１００の構成例、本システム１００の処理、第一想起検索の重要性、本システム１００の効果の順に説明する。

（１－１．システム１００の構成例）
図１に示した本システム１００は、推定装置１０、検討ユーザ端末（適宜、検討ユーザ）２０および潜在層ユーザ端末（適宜、潜在層ユーザ）３０を有する。ここで、推定装置１０と、検討ユーザ端末２０と、潜在層ユーザ端末３０とは、図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、本システム１００には、複数台の推定装置１０、複数台の検討ユーザ端末２０、および複数台の潜在層ユーザ端末３０が含まれてもよい。

（１－１－１．推定装置１０）
推定装置１０は、検討ユーザ端末２０との間、および潜在層ユーザ端末３０との間でデータの送受信を行う情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。図１の例では、推定装置１０がサーバ装置により実現される場合を示す。

（１－１－２．検討ユーザ端末２０）
検討ユーザ端末２０は、商材の購入や利用を検討している、または検討したことのあるユーザ（検討ユーザ）によって使用されるデバイス（コンピュータ）である。検討ユーザ端末２０は、検討ユーザによる操作を受け付ける。なお、検討ユーザ端末２０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１の例では、検討ユーザ端末２０がデスクトップＰＣにより実現される場合を示す。

ここで、商材とは、商品やサービス等の取引対象であり、有料で購入や利用する対象の他、ユーザの求めに応じて無料で提供される対象も含むものとする。

（１－１－３．潜在層ユーザ端末３０）
潜在層ユーザ端末３０は、商材の購入や利用を検討していないユーザ（潜在層ユーザ）によって使用されるデバイス（コンピュータ）である。潜在層ユーザ端末３０は、潜在層ユーザによる操作を受け付ける。なお、潜在層ユーザ端末３０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣや、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。図１の例では、潜在層ユーザ端末３０がデスクトップＰＣにより実現される場合を示す。

（１－２．システム１００の処理）
（１－２－１．ステップＳ１の処理）
本システム１００において、第１に、推定装置１０は、検討ユーザ端末２０からユーザ情報を収集する（ステップＳ１）。ここで、ユーザ情報とは、ユーザに関する情報であって、ユーザのＷｅｂサイト上での検索履歴、閲覧履歴の他、ユーザの性別、年齢、職業、居住地、既婚・未婚の別、子供の有無等のユーザの属性を含む情報である。さらに、ユーザ情報は、検討ユーザ端末２０を介して収集したユーザの位置情報、画面情報、生体情報等であってもよく、特に限定されない。また、図１の例では、推定装置１０は、ユーザ情報を検討ユーザ端末２０から収集しているが、潜在層ユーザ端末３０や図示しないその他の端末から収集してもよい。

上述したステップＳ１の説明のように、推定装置１０は、ユーザの情報を収集する装置である。また、推定装置１０は、ユーザの情報として、ユーザの検索履歴、閲覧履歴または属性を収集する装置である。

（１－２－２．ステップＳ２の処理）
本システム１００において、第２に、推定装置１０は、収集したユーザ情報からユーザの起点前の特徴を抽出する（ステップＳ２）。ここで、起点とは、検討ユーザがブランド・商品等の初回の検索行動である第一想起検索を実行した時点である。また、第一想起とは、「このような製品やサービスで、頭に思い浮かぶブランド名を挙げてください」というブランド再生（純粋想起）のうち、最初に挙がるブランド名のことである。純粋想起は、購入意向に至るブランドのうちほぼ大部分を占め、第１位に該当する第一想起は純粋想起の中でも最重要となる。近年、第一想起の分析は、想起集合やダブルジョパディの法則等の概念によりマーケティング上の重要度を増している。

図１の例では、推定装置１０は、特定のカテゴリーにおける「商品Ａ」「商品Ｂ」「商品Ｃ」等の検討対象の中で、第一想起検索を「商品Ａ」、最終生存を「商品Ａ」とした場合の起点直前のユーザの行動特性を抽出している。なお、検索カバレッジとは、ユーザの検索行動の中で、順番を問わずそのブランドや商品が登場したかの指標である。

このとき、推定装置１０は、検索クエリの入力等のユーザの検索行動があった場合には、ユーザ情報から起点直前のユーザの行動特性を抽出する。例えば、推定装置１０は、ユーザの「商品Ａ」に関する初回の検索行動を検知し、当該検索行動の時点を起点と判定し、当該起点から溯って３０日以内における当該ユーザの検索履歴、閲覧履歴、変更があった属性から特徴を抽出する。また、推定装置１０は、一定期間以内に、特定のカテゴリーに関連する所定の回数以上の検索があった場合には、ユーザ情報から起点直前のユーザの行動特性を抽出してもよい。例えば、推定装置１０は、９０日以内にユーザの自動車関連の検索数が増加した場合、初回の検索から溯って３０日以内の当該ユーザの行動特性を抽出する。

上記のように、推定装置１０は、「検討行動の始まる瞬間」つまり起点を捉えて、その起点の手前でユーザの特徴を分析することで、検討を開始したユーザに出現してしまう直接的な特徴（例：自動車購買意図等）を排除し、潜在的な特徴（例：子持ち、年収等）に絞って抽出することができる。

さらに、推定装置１０は、学習モデルにユーザの行動特性の抽出を学習させ、学習後のモデルを用いてユーザの行動特性を抽出してもよい。例えば、推定装置１０は、学習後のモデルを用いて、ユーザが検討に至ったことを検知してもよいし、ユーザが検討を開始した起点を判定してもよいし、ユーザの行動特性を選択し特徴として抽出してもよい。

上述したステップＳ２の説明のように、推定装置１０は、ユーザの情報から、取引対象の検討を開始する時点の前におけるユーザの特徴を抽出する装置である。例えば、推定装置１０は、ユーザのうち取引対象の取引に至ったユーザの特徴を抽出する装置である。また、推定装置１０は、学習モデルを用いてユーザの特徴を抽出する装置である。

（１－２－３．ステップＳ３の処理）
本システム１００において、第３に、推定装置１０は、抽出したユーザの起点前の特徴に基づいて、潜在層ユーザの特徴を推定し、潜在層ユーザを特定する（ステップＳ３）。図１の例では、推定装置１０は、「商品Ａ」の検討ユーザの起点前の特徴ごとに「商品Ａ」の「特徴度」を算出し、当該特徴度が高い特徴を潜在層ユーザの特徴と推定し、ブランド・商品を想起しやすい潜在関心層を特定している。

このとき、推定装置１０は、抽出した検索ワードや属性等の特徴ごとに特徴度を算出し、特徴度に基づいて潜在層ユーザの特徴を推定し、当該特徴を有するユーザを特定する。例えば、推定装置１０は、商材ごとに、（購入ユーザの一定期間における当該特徴の出現率）－（全ユーザの一定期間における当該特徴の出現率）を特徴度として算出する。また、推定装置１０は、上記の特徴度が高い順に所定数の特徴を潜在層ユーザの特徴として推定してもよいし、所定値以上の特徴度である特徴を潜在層ユーザの特徴として推定してもよい。さらに、推定装置１０は、ＣＶの種類によって重み付けして特徴度を算出してもよいし、事前に定めた特徴を除外してもよい。

上述したステップＳ３の説明のように、推定装置１０は、ユーザの特徴に基づいて、前記ユーザが前記取引対象の検討を開始するか否かを推定する装置である。例えば、ユーザの特徴の出現率を用いて所定の特徴度を算出し、ユーザが取引対象の検討を開始するか否かを推定する装置である。

（１－２－４．ステップＳ４の処理）
本システム１００において、第４に、推定装置１０は、潜在層ユーザ端末３０に対して商材の広告を配信する（ステップＳ４）。例えば、推定装置１０は、「商品Ａ」を検討する特徴を有する潜在層ユーザに対して「商品Ａ」のＷｅｂ広告を配信する。また、図１の例では、推定装置１０は、広告を潜在層ユーザ端末３０に対して配信しているが、検討ユーザ端末２０や図示しないその他の端末に対して配信してもよい。

上述したステップＳ４の説明のように、推定装置１０は、取引対象の検討を開始すると推定した潜在層ユーザに対して、取引対象の広告を配信する装置である。また、潜在層ユーザのうち取引対象の検討を開始していないユーザに対して、取引対象の広告を配信する装置である。

（１－３．第一想起検索の重要性）
図２～図４を用いて、本システム１００の処理の前提となる第一想起検索の重要性について説明する。図２～図４は、第一想起検索を説明するための図である。以下では、ユーザの検索行動の概要を説明した上で、第一想起検索と最大検討者数との関連性、第一想起検索と最終的ＣＶとの関連性、第一想起検索によるブランディング戦略の順に説明する。

（１－３－１．ユーザの検索行動の概要）
以下では、ユーザの検索行動の概要について説明する。例えば、商材の購入等を検討するユーザは、第一想起検索（起点）から最終生存（購入）に至るまでに、「商品Ａ」→「商品Ｂ」→「商品Ｃ」→「商品Ａ」→「商品Ｂ」→「商品Ａ」のように競合する商材を検討する場合がある。このような場合、ユーザは、第一想起検索（起点）から最終生存（購入）に至るまでに、「商品Ａ」→「商品Ｂ」→「商品Ｃ」→「商品Ａ」→「商品Ｂ」→「商品Ａ」のように競合する商材を示す検索クエリを入力することとなる。このため、検索データを使って、ユーザ単位でブランド・商品の登場順を評価した場合、第一想起検索は、最大検討者数や最終的なＣＶを左右する重要な数値であると考えられる。

（１－３－２．最大検討者数との関連性）
図２を用いて、第一想起検索と最大検討者数との関連性について説明する。図２の例では、自動車の車種Ａ～Ｉごとの第一想起検索率と検討率の関係を示しているが、競合車が同一比率（約２倍）で一直線上に並んでいる。すなわち、図２の例では、「ブランドがどれぐらいの人に検討してもらえるか」（検討率）が、第一想起検索率に比例して高くなっている。したがって、第一想起検索率が高い商材ほど最大検討者数は多くなることとなる。

（１－３－３．最終的ＣＶとの関連性）
図３を用いて、第一想起検索と最終的ＣＶとの関連性について説明する。図３の例では、自動車の車種Ｘの検討パターン別の見積もりＣＶ確率を示しているが、車種Ｘが第一想起され、かつ最終生存する確率が最も高い。したがって、第一想起検索ユーザが最終的なＣＶに直結していることがわかる。

（１－３－４．ブランディング戦略）
図４を用いて、第一想起検索によるブランディング戦略について説明する。ユーザは、図４に示すように「無関係層」「潜在層」「顕在層」「接触者」「購入者」等に分類される。ここで、「無関係層」は、検討・購入の可能性がないユーザである。また、「顕在層」は、商材の購入等の検討を開始したユーザであり、「接触者」は、検討を進めているユーザであり、「購入者」は、商材の購入等を開始したユーザである。

そして、「潜在層」は、まだ商材について調べたり検討は開始したりしていないが、ライフステージの変化（結婚、出産等）や条件の変化（故障、老朽化等）により商材の検討が始まりやすい状態にあるユーザである。「潜在層」のユーザは、ＣＭ（コマーシャル）やニュース、ショールーム等の商材に関連する情報が気になり始め感度が高まる。

上述したように、第一想起は最大検討者数やＣＶに密接な関係があるため（図４（１）参照）、顕在層となる前の潜在層に向けて効果的にブランディング、すなわちユーザが検討する前の「ミドルファネルでのブランディング」の重要性が高いと推測される（図４（２）参照）。換言すると、マーケティング上「ユーザが検討する最初のブランドになると有利」であり、潜在層の段階のユーザに対して、他に先駆けてブランディングをすると、「ユーザの最初のブランドになりやすい」と考えられる。

（１－４．システム１００の効果）
上述したように、第一想起検索と最終的ＣＶとには、密接な関係性が存在するが、第一想起検索を行うユーザは、すでに検索を開始しているため、商材に対して既に興味を有するユーザ、すなわち、顕在層のユーザであると考えられる。しかしながら、第一想起検索と最終的ＣＶとに密接な関係性が存在する以上、第一想起検索の対象とした商材と異なる商材をユーザにアピールしても、ユーザを誘導するのは難しい。

そこで、本システム１００では、ユーザの行動を用いて、ユーザが顕在層の前の段階、すなわち、潜在層の段階に至っているかを推定する。このような処理の結果、本システム１００では、第一想起検索を行いうるユーザに対して第一想起検索の対象となりうる商材をアピールすることで、アピールした商材を第一想起検索の対象とし、ひいてはＣＶへと至らせる確度を向上させることができる。

例えば、本システム１００では、推定装置１０は、検討ユーザ端末２０からユーザ情報を収集し、収集したユーザ情報からユーザの起点前の特徴を抽出し、抽出したユーザの起点前の特徴に基づいて、潜在層ユーザの特徴を推定し、潜在層ユーザを特定し、潜在層ユーザ端末３０に対して商材の広告を配信する。

より詳細な例を挙げると、推定装置１０は、検索ワード（検索クエリ）の履歴から、商材を検討している検討ユーザを特定し、特定ユーザの第一想起検索を特定する。そして、推定装置１０は、検討ユーザが第一想起検索よりも前の所定の期間内（例えば、第一想起検索を行う前の数日間）に行った行動（以下、「想起前行動」と記載する。）を特定する。そして、推定装置１０は、判定対象となるユーザの行動と想起前行動との類似性に基づいて、ユーザが第一想起検索を行いそうかを推定すればよい。

ここで、類似性を判定する場合、推定装置１０は、ルールベースで類似性を示すスコアを算出し、算出した類似性が所定の閾値を超える場合は、ユーザが第一想起検索を行いそうと推定してもよい。また、推定装置１０は、モデルを用いてもよい。例えば、推定装置１０は、想起前行動を示す情報を入力した際に、ユーザが第一想起検索を行いそうな潜在層である旨を示す情報を出力するように、ＤＮＮ（Deep Neural Network）等のモデルを学習する。そして、推定装置１０は、判定対象となるユーザの行動を示す情報を学習済みのモデルに入力し、モデルの出力に基づいて、ユーザが第一想起検索を行いそうな潜在層であるかを推定すればよい。

このような処理の結果、本システム１００では、ユーザが第一想起検索を行いそうなユーザであるか否か、すなわち、「ブランドを想起しやすい潜在層」であるか否かを推定することができる。このようなユーザに対して、第一想起検索の対象となりえる商材をアピールした場合、その商材を第一想起検索の対象とさせる可能性を向上させることができるので、本システム１００は、よりＣＶへと至りやすい広告の配信、すなわち、より効果的な広告の配信を実現することができる。

なお、本システム１００は、様々な業種において有用なソリューションではあるが、特に比較検討ファネルが存在するカテゴリー（自動車・金融・不動産・家電・保険等）との親和性が高い。

［２．推定装置１０の構成］
図５を用いて、実施形態に係る推定装置１０の構成について説明する。図５は、実施形態に係る推定装置１０の構成例を示すブロック図である。図５に示すように、推定装置１０は、通信部１１、記憶部１２および制御部１３を有する。なお、推定装置１０は、推定装置１０の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（２－１．通信部１１）
通信部１１は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１は、所定の通信網（ネットワーク）と有線または無線で接続され、検討ユーザ端末２０や潜在層ユーザ端末３０との間で情報の送受信を行う。

（２－２．記憶部１２）
記憶部１２は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２は、図５に示すように、ユーザ情報記憶部１２ａ、特徴情報記憶部１２ｂ、潜在層情報記憶部１２ｃおよび広告情報記憶部１２ｄを有する。そして、記憶部１２は、制御部１３が動作する際に参照する各種情報や、制御部１３が動作した際に取得した各種情報を記憶する。

（２－２－１．ユーザ情報記憶部１２ａ）
ユーザ情報記憶部１２ａは、検討ユーザ２０や潜在層ユーザ３０から収集されたユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２ａは、ユーザのＷｅｂサイト上での検索履歴、閲覧履歴の他、ユーザの性別、年齢、職業、居住地、既婚・未婚の別、子供の有無等のユーザの属性を含む情報等を記憶する。

（２－２－２．特徴情報記憶部１２ｂ）
特徴情報記憶部１２ｂは、ユーザ情報から抽出されたユーザの特徴を記憶する。例えば、特徴情報記憶部１２ｂは、ユーザのＷｅｂサイト上での検索履歴、閲覧履歴から抽出した検索ワードや興味のあるカテゴリーの他、変化したライフステージ等のユーザの属性を記憶する。

（２－２－３．潜在層情報記憶部１２ｃ）
潜在層情報記憶部１２ｃは、潜在層ユーザ３０を特定するための特徴や特定された潜在層ユーザ３０に関する情報を記憶する。例えば、潜在層情報記憶部１２ｃは、推定部１３ｃによって算出された特徴度や潜在層ユーザのリストを記憶する。

（２－２－４．広告情報記憶部１２ｄ）
広告情報記憶部１２ｄは、潜在層ユーザ３０や検討ユーザ２０に対して配信する広告に関する情報を記憶する。例えば、広告情報記憶部１２ｄは、ブランドを印象付けするための広告や、商品の購入を惹起するための広告を記憶する。

（２－３．制御部１３）
制御部１３は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、推定装置１０内部の記憶装置に記憶されている各種プログラム（推定プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図５に示すように、制御部１３は、収集部１３ａ、抽出部１３ｂ、推定部１３ｃ、配信部１３ｄおよび学習部１３ｅを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３の内部構成は、図５に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３が有する各処理部の接続関係は、図５に示した接続関係に限られず、他の接続関係であってもよい。

（２－３－１．収集部１３ａ）
収集部１３ａは、ユーザの情報を収集する。情報の収集元について説明すると、例えば、収集部１３ａは、検討ユーザ２０からユーザの情報を収集する。また、収集部１３ａは、潜在層ユーザ３０からユーザの情報を収集してもよい。

また、情報の内容について説明すると、例えば、収集部１３ａは、ユーザの情報として、ユーザの検索履歴、閲覧履歴または属性を収集する。さらに、収集部１３ａは、ユーザの端末を介してユーザの位置情報、画面情報、生体情報等を収集してもよい。

なお、収集部１３ａは、収集したユーザの情報をユーザ情報記憶部１２ａに格納する。

（２－３－２．抽出部１３ｂ）
抽出部１３ｂは、ユーザの情報から、取引対象の検討を開始する時点の前におけるユーザの特徴を抽出する。抽出するユーザの特徴について説明すると、例えば、抽出部１３ｂは、ユーザの特徴として、取引対象の検討を開始する時点の前におけるユーザの行動特性を抽出する。すなわち、抽出部１３ｂは、取引対象の検討を開始する時点から一定期間遡った期間内に入力した検索クエリ、閲覧したＷｅｂサイト、変更したユーザの属性等を抽出する。

特徴の抽出元について説明すると、例えば、抽出部１３ｂは、情報を収集したユーザのうち取引対象の取引に至ったユーザの特徴を抽出する。また、抽出部１３ｂは、情報を収集したユーザのうち取引対象の資料請求、無料体験申込、見積もり依頼等のユーザの検討段階ごとに、ユーザの特徴を抽出してもよい。

特徴の抽出方法について説明すると、例えば、抽出部１３ｂは、学習モデルを用いてユーザの特徴を抽出する。また、抽出部１３ｂは、学習後のモデルを用いて、ユーザが検討や購入に至ったことを検知してもよいし、ユーザが検討を開始した時点を判定してもよいし、ユーザの行動特性を選択し特徴として抽出してもよい。

なお、抽出部１３ｂは、ユーザの情報をユーザ情報記憶部１２ａから取得する。一方、抽出部１３ｂは、抽出したユーザの特徴を特徴情報記憶部１２ｂに格納する。

（２－３－３．推定部１３ｃ）
推定部１３ｃは、ユーザの特徴に基づいて、ユーザが取引対象の検討を開始するか否かを推定する。例えば、推定部１３ｃは、ユーザの特徴から所定の特徴度を算出し、商材ごとに特徴度が高い特徴を潜在層ユーザ３０の特徴と推定し、潜在層ユーザ３０の特徴を有するユーザを潜在層ユーザ３０として特定する。

特徴度について説明すると、例えば、推定部１３ｃは、ユーザの特徴の出現率を用いて所定の特徴度を算出し、ユーザが取引対象の検討を開始するか否かを推定する。具体的な例では、推定部１３ｃは、抽出されたユーザの特徴について、取引対象ごとに、取引に至ったユーザにおいての出現率と、全ユーザにおいての出現率との差分を特徴度として算出する。このとき、推定部１３ｃは、全ユーザから取引に至ったユーザを除外した他ユーザの出現率を用いてもよいし、出現率に代えて一定期間の抽出されたユーザの特徴の出現数の平均値等を用いてもよい。

特徴度についてより詳細に説明すると、推定部１３ｃは、一定期間での取引に至ったユーザにおいてのユーザの特徴の出現率Ｐ１を、Ｐ１＝（当該特徴が出現したユーザ数ｎ）÷（取引に至ったユーザ数Ｎ１）と算出する。また、推定部１３ｃは、上記期間での全ユーザにおいてのユーザの特徴の出現率Ｐ０を、Ｐ０＝（当該特徴が出現したユーザ数ｎ）÷（全ユーザ数Ｎ０）と算出する。そして、推定部１３ｃは、特徴度をＰ１－Ｐ０と算出する。また、推定部１３ｃは、上記期間での他ユーザにおいてのユーザの特徴の出現率Ｐ２を、Ｐ２＝（当該特徴が出現したユーザ数ｎ）÷（他ユーザ数Ｎ２）と算出し、特徴度をＰ１－Ｐ２と算出してもよい。また、推定部１３ｃは、出現数を用いて、特徴度をｎ－ｎ０またはｎ－ｎ２と算出してもよいし、異なる期間での出現率や出現数の平均値を用いて特徴度を算出してもよい。

また、推定部１３ｃは、算出した特徴度が高い順に所定数の特徴を潜在層ユーザ３０の特徴として推定してもよいし、所定値以上の特徴度である特徴を潜在層ユーザ３０の特徴として推定してもよい。さらに、推定部１３ｃは、ＣＶの種類（資料請求、無料体験申込、見積もり依頼、購入等）によって重み付けして特徴度を算出してもよいし、事前に定めた特徴を除外してもよい。

さらに、モデルを用いる場合、推定部１３ｃは、対象ユーザの最新の検索履歴等をモデルに入力し、モデルの出力する数値（スコア）が所定値を超えるならば、対象ユーザが第一想起検索を行うと推定する。

なお、推定部１３ｃは、ユーザの特徴を特徴情報記憶部１２ｂから取得する。一方、推定部１３ｃは、算出した特徴度、推定した潜在層ユーザ３０の特徴、特定した潜在層ユーザ３０の情報を潜在層情報記憶部１２ｃに格納する。

（２－３－４．配信部１３ｄ）
配信部１３ｄは、推定部１３ｃによって取引対象の検討を開始すると推定された潜在層ユーザ３０に対して、取引対象の広告を配信する。例えば、配信部１３ｄは、潜在層ユーザ３０のうち取引対象の検討を開始していないユーザに対して、取引対象の広告を配信する。また、配信部１３ｄは、取引対象の検討の有無に関わらず潜在層ユーザ３０の特徴を有するユーザに対して、取引対象の広告を配信してもよい。

なお、配信部１３ｄは、配信する広告に関する情報を広告情報記憶部１２ｄから取得する。また、配信部１３ｄは、配信先である潜在層ユーザ３０の情報を潜在層情報記憶部１２ｃから取得する。

（２－３－５．学習部１３ｅ）
学習部１３ｅは、抽出部が抽出した顕在層のユーザの第一想起検索前の各種行動のデータをモデルに入力した際に、第一想起検索を行いそうなユーザである旨を示す情報を出力するように、モデルを学習する。このとき、学習部１３ｅは、バックプロパゲーション等によりモデルを学習してもよい。

［３．処理の具体例］
図６および図７を用いて、実施形態に係る処理の具体例について説明する。図６は、実施形態に係る潜在層特徴推定処理の一例を示す図である。図７は、実施形態に係る潜在層特徴推定処理の一例を示す図である。以下では、実施形態に係る起点前特徴抽出処理の具体例、潜在層特徴推定処理の具体例の順に説明する。

（３－１．起点前特徴抽出処理の具体例）
図６および図７を用いて、実施形態に係る起点前特徴抽出処理の具体例について説明する。以下では、特徴抽出期間、特徴の具体例の順に説明する。

（３－１－１．特徴抽出期間）
図６に示すように、商材の購入や利用を検討するユーザ（検討ユーザ）２０の行動は、検索行動が存在しない期間（図６（１）参照）と、第一想起検索（図６（２）参照）から最終生存（図６（３）参照）までの検討期間とに分けて説明することができる。

起点となる第一想起検索から、購入等に至った最終生存までには、検討ユーザ２０は、最終的に購入等を行った商材以外にも様々な商材を検討する。図６の例では、検討ユーザ２０は、第一想起検索において「商品Ａ」を検討しているが、以降、「商品Ｂ」、「商品Ｃ」、「商品Ａ」、「商品Ｂ」の順に検討し、最終的に第一想起検索と同じ「商品Ａ」を購入している。

ここで、（１－３．第一想起検索の重要性）において説明したように、第一想起検索によって最大検討者数や最終的なＣＶが左右されることより、事前のブランディングが重要となる。また、上記の検索行動が存在しない期間は、まだ商材について調べたり検討は開始したりしていないが、結婚、出産等のライフステージの変化や、故障、老朽化等の条件の変化により商材の検討が始まりやすい状態である。

実施形態に係る推定装置１０は、ユーザの商材の検討を検知し、第一想起検索の起点を判定し、当該起点から一定期間遡った期間におけるユーザの行動特性から第一想起検索直前の特徴を抽出する。このように、推定装置１０は、過去の検討ユーザ２０の第一想起検索直前の特徴から潜在層ユーザ３０を推定できるので、商材を検討する前のユーザに対してブランディングを行うことができる。

（３－１－２．特徴の具体例）
図７に示すように、推定装置１０は、第一想起検索直前の特徴を抽出する。図７の例では、推定装置１０は、ユーザの検索履歴や閲覧履歴から、「幼児向け製品」「旅行」「ソフトウェア」「食品・飲料」「ＤＩＹ・工具」「パート／アルバイト」「グルメ、料理」「ゲーム」「美容／健康」「ペット／ペット用品」「飲食店」「金融」「ニュース／情報」「家具／インテリア」等を特徴として抽出する。

また、推定装置１０は、ユーザの属性から、「０歳子持ち親」「１～３歳子持ち親」「専業主婦（主夫）」「４～６歳子持ち親」「小学生子持ち親」「世帯年収６百～８百万」「中学生子持ち親」「子持ち親」「既婚者」「子供の有無」「大学・専門学卒」等を特徴として抽出する。さらに、推定装置１０は、ユーザの属性の変化（ライフステージの変化、ライフイベント）から、「ライフイベント出産」「ライフイベント出産前後」「マイホーム購入」「マイホーム購入前後」等を特徴として抽出する。

（３－２．潜在層特徴推定処理の具体例）
図７を用いて、実施形態に係る潜在層特徴推定処理の具体例について説明する。以下では、特徴加工処理、特徴度算出処理、特徴選択処理の順に説明する。

（３－２－１．特徴加工処理）
推定装置１０は、抽出したユーザの特徴を適宜加工することができる。すなわち、推定装置１０は、特定の検索ワードを抽出対象から除外したり、類似のカテゴリーを統合したり、複数の属性を結合したりすることができる。

（３－２－２．特徴度算出処理）
推定装置１０は、抽出した特徴ごとに特徴度を算出することができる。図７の例では、「商品Ａ 特徴度」として、「商品Ａ」を購入したユーザの特徴として出現した確率と、全ユーザの特徴として出現した確率との差分を特徴度として算出している。

（３－２－３．特徴選択処理）
推定装置１０は、特徴度をもとに特徴を選択し、潜在層ユーザ３０の特徴を推定することができる。図７の例では、「商品Ａ 特徴度」として特徴度が高い順に特徴を並べ、特徴度２．０～３．５％付近の特徴を選択し、潜在層ユーザ３０の特徴として推定している（図７破線矩形参照）。

［４．処理の流れ］
図８を用いて、推定処理全体の流れを説明する。図８は、実施形態に係る処理全体の流れを示すフローチャートである。以下では、処理全体の流れを説明した上で、各処理の概要を説明する。

（４－１．処理全体の流れ）
第１に、推定装置１０の収集部１３ａは、ユーザ情報収集処理を実行する（ステップＳ１０１）。第２に、推定装置１０の抽出部１３ｂは、起点前特徴抽出処理を実行する（ステップＳ１０２）。第３に、推定装置１０の推定部１５ｃは、潜在層特徴推定処理を実行する（ステップＳ１０３）。第４に、推定装置１０の配信部１３ｄは、広告配信処理を実行し（ステップＳ１０４）、処理を終了する。なお、上記のステップＳ１０１～Ｓ１０４は、異なる順序で実行することもできる。また、上記のステップＳ１０１～Ｓ１０４のうち、省略される処理があってもよい。

（４－２．各処理の流れ）
（４－２－１．ユーザ情報収集処理の流れ）
第１に、収集部１３ａによるユーザ情報収集処理について説明する。ユーザ情報収集処理では、収集部１３ａは、検討ユーザ２０から、検索履歴、閲覧履歴、ユーザの属性等を含むユーザ情報を収集する。

（４－２－２．起点前特徴抽出処理の流れ）
第２に、抽出部１３ｂによる起点前特徴抽出処理について説明する。起点前特徴抽出処理では、抽出部１３ｂは、ユーザの商材の検討を検知し、初めて当該商材を検索した時点を起点と判定し、当該起点から溯って一定期間における当該ユーザの検索履歴、閲覧履歴、変更があった属性から特徴を抽出する。

（４－２－３．潜在層特徴推定処理の流れ）
第３に、推定部１５ｃによる潜在層特徴推定処理について説明する。潜在層特徴推定処理では、推定部１５ｃは、抽出した検索ワードや属性等の特徴ごとに特徴度を算出し、特徴度に基づいて潜在層ユーザ３０が有する特徴を推定し、当該特徴を有するユーザを潜在層ユーザ３０として特定する。

（４－２－４．広告配信処理の流れ）
第４に、配信部１３ｄによる広告配信処理について説明する。広告配信処理では、配信部１３ｄは、商材の検討を開始すると推定された潜在層ユーザ３０に対して、当該商材の広告を配信する。

［５．実施形態の効果］
第１に、上述した本実施形態に係る処理では、ユーザの情報を収集し、ユーザの情報から、取引対象の検討を開始する時点の前におけるユーザの特徴を抽出し、抽出したユーザの特徴に基づいて、ユーザが取引対象の検討を開始するか否かを推定する。このため、本処理では、効果的に広告を配信することができる。

第２に、上述した本実施形態に係る処理では、取引対象の検討を開始すると推定した潜在層ユーザ３０に対して、取引対象の広告を配信する。このため、本処理では、潜在的なユーザに対して効果的に広告を配信することができる。

第３に、上述した本実施形態に係る処理では、ユーザの情報として、ユーザの検索履歴、閲覧履歴または属性を収集する。このため、本処理では、Ｗｅｂページから収集した情報をもとに、効果的に広告を配信することができる。

第４に、上述した本実施形態に係る処理では、ユーザのうち取引対象の取引に至ったユーザの特徴を抽出する。このため、本処理では、最終生存ユーザの特徴をもとに、より効果的に広告を配信することができる。

第５に、上述した本実施形態に係る処理では、学習モデルを用いて前記ユーザの特徴を抽出する。このため、本処理では、学習モデルによって抽出されたユーザの特徴をもとに、より効果的に広告を配信することができる。

第６に、上述した本実施形態に係る処理では、ユーザの特徴の出現率を用いて所定の特徴度を算出し、ユーザが取引対象の検討を開始するか否かを推定する。このため、本処理では、定量的に選択されたユーザの特徴をもとに、より効果的に広告を配信することができる。

第７に、上述した本実施形態に係る処理では、潜在層ユーザ３０のうち取引対象の検討を開始していないユーザに対して、取引対象の広告を配信する。このため、本処理では、第一想起前の潜在的なユーザに対して効果的に広告を配信することができる。

〔ハードウェア構成〕
また、上述してきた実施形態に係る推定装置１０は、例えば、図９に示すような構成のコンピュータ１０００によって実現される。以下、推定装置１０を例に挙げて説明する。図９は、推定装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る推定装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

〔その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換または変更を行うことができる。

また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。

例えば、上述した推定装置１０は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。

また、上述してきた実施形態および変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、制御部は、制御手段や制御回路に読み替えることができる。

１０ 推定装置
１１ 通信部
１２ 記憶部
１２ａ ユーザ情報記憶部
１２ｂ 特徴情報記憶部
１２ｃ 潜在層情報記憶部
１２ｄ 広告情報記憶部
１３ 制御部
１３ａ 収集部
１３ｂ 抽出部
１３ｃ 推定部
１３ｄ 配信部
２０ 検討ユーザ端末（検討ユーザ）
３０ 潜在層ユーザ端末（潜在層ユーザ）
１００ 推定システム

Claims (8)

1. 複数のユーザの情報を収集する収集部と、
   前記情報から、前記複数のユーザのうち取引対象に対する初回の検索行動である第一想起検索を実行した検討ユーザを特定し、前記検討ユーザのうち前記取引対象の取引に至ったユーザの特徴であって前記第一想起検索を実行した時点の前における特徴を抽出する抽出部と、
   前記特徴に基づいて、前記複数のユーザのうち前記取引対象に対する前記第一想起検索を実行する潜在層ユーザを推定する推定部と、
   を備えることを特徴とする推定装置。
2. 前記推定部によって推定された前記潜在層ユーザに対して、前記取引対象の広告を配信する配信部、
   をさらに備えることを特徴とする請求項１に記載の推定装置。
3. 前記収集部は、前記情報として、前記複数のユーザの検索履歴、閲覧履歴または属性を収集する、
   ことを特徴とする請求項１に記載の推定装置。
4. 前記抽出部は、学習モデルを用いて前記特徴を抽出する、
   ことを特徴とする請求項１に記載の推定装置。
5. 前記推定部は、前記特徴の出現率を用いて所定の特徴度を算出し、前記複数のユーザのうち前記潜在層ユーザを推定する、
   ことを特徴とする請求項１に記載の推定装置。
6. 前記配信部は、前記潜在層ユーザのうち前記取引対象に対する前記第一想起検索を実行していないユーザに対して、前記広告を配信する、
   ことを特徴とする請求項２に記載の推定装置。
7. 推定装置によって実行される推定方法であって、
   複数のユーザの情報を収集する収集工程と、
   前記情報から、前記複数のユーザのうち取引対象に対する初回の検索行動である第一想起検索を実行した検討ユーザを特定し、前記検討ユーザのうち前記取引対象の取引に至ったユーザの特徴であって前記第一想起検索を実行した時点の前における特徴を抽出する抽出工程と、
   前記特徴に基づいて、前記複数のユーザのうち前記取引対象に対する前記第一想起検索を実行する潜在層ユーザを推定する推定工程と、
   を含むことを特徴とする推定方法。
8. 複数のユーザの情報を収集する収集ステップと、
   前記情報から、前記複数のユーザのうち取引対象に対する初回の検索行動である第一想起検索を実行した検討ユーザを特定し、前記検討ユーザのうち前記取引対象の取引に至ったユーザの特徴であって前記第一想起検索を実行した時点の前における特徴を抽出する抽出ステップと、
   前記特徴に基づいて、前記複数のユーザのうち前記取引対象に対する前記第一想起検索を実行する潜在層ユーザを推定する推定ステップと、
   をコンピュータに実行させることを特徴とする推定プログラム。

Images