JPWO2018131576A1 - 広告枠最適化システム、広告枠最適化方法及びターゲットアクチュアル最適化装置 - Google Patents

Abstract

テレビ等の視聴者による広告の視聴率を高い精度で予測して、テレビ等の放送媒体における広告枠を最適化する広告枠最適化システム及び広告枠最適化方法を提供する。本発明の放送媒体で放送される広告枠を最適化する広告枠最適化システムは、高度視聴率予測装置（SHARE)と、ターゲットアクチュアル最適化装置（TAOS）とを備え、前記SHAREは、ターゲット視聴率を所定の精度よりも高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入力し、広告枠の予測視聴率データ及び/又は放送される直前の視聴率データを前記TAOSに送信するように構成され、前記TAOSは、前記SHAREから、放送される予定の広告に関して当該広告の予測視聴率及び/又はオンエアー（OA）直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を送信するように構成されたことを特徴とする。

Description

本発明は、テレビ等の放送媒体で放送される広告枠を最適化する広告枠最適化システム及び広告枠最適化方法に関する。

テレビ等の放送媒体で従来から行われている広告枠（以下、ＣＭ枠と称する場合もある）の取引について、その概略を説明する。放送媒体には、地上波テレビ及び衛星放送テレビを含むテレビ、ラジオ、インターネット、無線通信、並びに、拡声器などを用いた放送方法その他の放送手段が含まれる。

まず、広告主および広告会社は、広告予算に応じてメディアプランニングを実施する。その実施方法は、広告主によって異なる。一例は、全体の広告予算の中からテレビ広告への投下規模を決め、このテレビ広告予算の地区配分および発注先の放送局配分を決定するというものである。加えて、ＴＶＣＭをどのような番組、どのような時間帯でオンエアー（以下、ＯＡと称する場合もある）していくか等のＣＭの枠取り条件についても決定を行う。

広告主および広告主から依頼を受けた広告会社は、割り当てられた予算に基づいて、広告（以下、ＣＭと称する場合もある）の「プランニング」を行い、この「プランニング」に基づいて、広告会社は、各放送局に対して、期間、予算、ＣＭの枠取り条件等を伝達し発注することにより、具体的に何年何月何日のどの時間或いはどの時間帯にどのＣＭが流れるのか、といったような具体的な「作案」が実施される。「作案」とは、放送予定のＣＭ広告枠の枠取りを実施する行為、もしくは枠取り実施後の枠（＝放送予定スケジュール）全体を指す。

この具体的な「作案」を実施するときに、例えば、株式会社ビデオリサーチ等が発行する「視聴率データ」を使用する。即ち、将来のＣＭ枠の露出量及び広告価値を推し量る指標として、「過去の視聴率」を使用する。その後、広告主や放送局と「作案」の確認・修正を何度か行ってから、最終的な「ＣＭのＯＡ枠」を決定することになる。

しかし、実際にＣＭが放映された後では、「買い付け時の視聴率」と、「アクチュアル」（「当該ＣＭの実際に獲得できた視聴率」）との間にギャップ（差異）が必ず発生する。

そこで、従来においては、広告主及び広告会社は、主に、上記の過程の中で、どの「過去の視聴率」のデータを用いてＣＭの放送局枠をバイイング（買付・購入）するかを配慮して、アクチュアルの向上を目指すマネージメントを実施していた。これは、地上波テレビの広告に限らず、衛星放送テレビ広告、ラジオ広告、インターネットを通じた放送における広告その他の放送媒体を用いた広告について、同様である。

しかしながら、上述した従来の方法では、将来予測のベースとなるデータが、過去４週間の単純平均であるため、「オンエアー」（ＯＡ：放送）当日の番組内容や、裏局編成、出演タレント、天気、気温等、実際のＯＡ段階の状況を反映した素材割り付けとなっておらず、「アクチュアルダウン」（実際に獲得できた視聴率と予測した視聴率との間のギャップ（差異））を最小限にすること或いは完全に回避することができない状態になっているという問題点があった。

本発明は、上述のような従来の技術的課題に鑑みてなされたものであり、その目的は、メディア視聴率、特にテレビの視聴者による広告枠の視聴率を高い精度で予測して、及び/又は、放送される直前の視聴率データを参照して、テレビ等の放送媒体における広告枠を最適化する広告枠最適化システム及び広告枠最適化方法を提供することにある。なお、「放送される直前」とは、放送される数秒前〜数十分前のタイミングのことをさす。

本発明の上記課題は、テレビ等の放送媒体で放送される広告枠を最適化する広告枠最適化システムであって、広告枠最適化システムは、高度視聴率予測装置（SHARE)と、ターゲットアクチュアル最適化装置（TAOS）とを備え、前記SHAREは、ターゲット視聴率を所定の精度よりも高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入力し、広告枠の予測視聴率データ及び/又は放送される直前の視聴率データを前記TAOSに送信するように構成され、前記TAOSは、前記SHAREから、放送される予定の広告に関して当該広告の予測視聴率及び/又はオンエアー（OA）直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を送信するように構成された広告枠最適化システムによって達成される。

上記本発明の広告枠最適化システムは、常時最適再配置装置(CORE)を更に備え、前記COREは、前記TAOSから再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成されてもよい。

また、本発明の上記課題は、テレビ等の放送媒体で放送される広告枠を最適化する広告枠最適化システムであって、データ及び/又は、データソース情報を入力するデータ入力手段と、前記データ入力手段に接続され、及び/又は、当該データ入力手段から入力された前記データソース情報に特定の加工処理を施して該データソース情報を説明変数化する説明変数化手段と、前記データ入力手段及び前記説明変数化手段に接続され、及び/又は、所定のアルゴリズムのプログラムを実装しているプログラム実装・実行手段と、前記プログラム実装・実行手段に接続され、及び/又は、当該実装・実行手段による結果を出力するデータ出力手段と、によって構成された高度視聴率予測装置を備え、前記データ入力手段から入力された前記データ及び/又は、前記データソース情報と、前記説明変数化手段により説明変数化して得られた説明変数とを用いて前記プログラム実装・実行手段が前記実装されているプログラムの前記アルゴリズムを実行し、該アルゴリズムを実行して得られた予測視聴率データを前記出力手段から出力して、前記出力された予測視聴率データに基づいて、広告枠を最適化することを特徴とする、広告枠最適化システムによって達成される。

上記本発明の広告枠最適化システムにおいて、前記高度視聴率予測装は、メディアの詳細なジャンル、カテゴリを表すメタデータ、調査会社（第3者機関）が調査実施するパネルデータ、メディアへの期待値を表す番組表へのアクセスデータ、SNS上のテキストデータ或いは検索サイトにおける検索情報、天気予報等を含む、ビッグデータを取り扱うことができるように構成され、前記高度視聴率予測装置は、更に、前記ビッグデータを高速に処理できるクラウド基盤、多様な変数に自ら学習することで精度を高めていく深層学習という分析手法等を組み合わせることによって、外部要因、編成要因、及びコンテンツ要因を前記説明変数として設定し、メディア視聴率に影響を与え得る要因を考慮して、前記メディア視聴率を予測することができるように構成されてもよい。

上記本発明の広告枠最適化システムでは、参照過去視聴率、バイイングコスト等の情報を含む第１のＣＭ枠作案データを入力する第1の入力手段と、前記高度視聴率予測装置に接続され、予測視聴率及び/又はリアルタイム視聴率等の情報を含む第２のＣＭ枠作案データを入力する第２の入力手段と、前記第１の入力手段及び前記第２の入力手段に接続され、及び/又は、リアロケーションプログラムが搭載され、前記第1の入力手段に入力された前記第１のＣＭ枠作案データ及び前記第２の入力手段に入力された前記第２のＣＭ枠作案データに基づいて、前記リアロケーションプログラムを用いて、ターゲットアクチュアル最適化データを作成して出力するデータ処理手段と、を備え、前記データ処理手段は、前記リアロケーションプログラムを用いて、広告枠毎に前記第1のＣＭ枠作案データと前記第２のＣＭ枠作案データとの差分を評価し、当該差分の結果として得られる第３のＣＭ枠作案データに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を表すターゲットアクチュアル最適化データを出力するように構成され、前記データ処理手段に接続され、当該データ処理手段から出力された前記ターゲットアクチュアル最適化データを入力して、出力する指示出力手段と、によって構成されたターゲットアクチュアル最適化装置を更に備えてもよい。

上記本発明の広告枠最適化システムでは、前記ターゲットアクチュアル最適化装置から再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成された常時最適再配置装置を更に備えてもよい。

また、本発明の上記課題は、高度視聴率予測装置（SHARE)と、ターゲットアクチュアル最適化装置（TAOS）と、常時最適再配置装置(CORE)と、を備えた広告枠最適化システムを用いて、テレビ等の放送媒体で放送される広告枠を最適化する方法であって、前記SHAREにより、ターゲット視聴率を所定の精度より高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入力し、広告枠の予測視聴率データ及び/又は放送される直前の視聴率データを前記TAOSに送信する段階と、前記TAOSにより、前記SHAREから、放送される予定の広告に関して当該広告枠の予測視聴率及び/又はオンエアー（OA）の直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を前記COREにダイレクトに送信する段階と、前記COREにより、前記TAOSから再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送する段階とを具備する広告枠最適化方法によって達成される。

また、本発明の上記課題は、テレビ等の放送媒体で放送される広告枠を最適化する広告枠最適化方法であって、データ及び/又は、データソース情報を入力する段階と、入力された前記データソース情報に特定の加工処理を施して該データソース情報を説明変数化する段階と、所定のアルゴリズムのプログラムを実装する段階と、前記実装されたプログラムによる結果を出力する段階と、を具備し、前記データ及び/又は、前記データソース情報と、前記説明変数化して得られた説明変数とを用いて前記実装されているプログラムの前記アルゴリズムを実行し、該アルゴリズムを実行して得られた予測視聴率データを出力して、前記出力された予測視聴率データに基づいて、広告枠を最適化する、広告枠最適化方法によって達成される。

上記本発明の広告枠最適化方法では、メディアの詳細なジャンル、カテゴリを表すメタデータ、調査会社が調査実施するパネルデータ、メディアへの期待値を表す番組表へのアクセスデータ、ＳＮＳ上のテキストデータや検索サイトにおける検索情報、天気予報等を含む、ビッグデータを取り扱う段階と、前記ビッグデータを高速に処理できるクラウド基盤、多様な変数に自ら学習することで精度を高めていく深層学習という分析手法等を組み合わせることによって、外部要因、編成要因、及びコンテンツ要因を前記説明変数として設定し、視聴率に影響を与え得る要因を全て考慮して、前記視聴率を予測する段階とを更に具備してもよい。

上記本発明の広告枠最適化方法では、参照過去視聴率、バイイングコスト等の情報を含む第１のＣＭ枠作案データを入力する第1の入力段階と、前記高度視聴率予測装置に接続され、予測視聴率及び又はリアルタイム視聴率等の情報を含む第２のＣＭ枠作案データを入力する第2の入力段階と、前記第1の入力段階で入力された前記第１のＣＭ枠作案データ及び前記第２の入力段階で入力された前記第２のＣＭ枠作案データに基づいて、リアロケーションプログラムを用いて、ターゲットアクチュアル最適化データを作成して出力するデータ処理段階と、を具備し、前記データ処理段階は、前記リアロケーションプログラムを用いて、広告枠毎に前記第1のＣＭ枠作案データと前記第２のＣＭ枠作案データとの差分を評価し、当該差分の結果として得られる第３のＣＭ枠作案データに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を表すターゲットアクチュアル最適化データを出力し、前記データ処理段階から出力された前記ターゲットアクチュアル最適化データを入力して、出力する段階と、を具備してもよい。

上記本発明の広告枠最適化方法では、前記ターゲットアクチュアル最適化装置から再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成された段階を更に具備してもよい。

個人アクチュアルで頻出する「０．０％」の枠を他の個人アクチュアル素材へ差し替えることが可能になり、本発明による広告枠最適化システムを実施すれば、広告効果の達成効率を３％〜６％前後改善することが見込まれる。これは、ＴＶＣＭに投下される年間出稿額の規模の大きさを考えた場合、効率改善に相当する金額幅は非常に大きな額になることが想定される。

また、差し替え元枠の適用範囲の拡大（＝視聴率０．１％以上の枠についても差し替えを実施）を行った場合、広告効果の達成効率改善幅および効率改善に相当する金額幅は、更に大幅に拡大することが見込まれる。

本発明による広告枠最適化システムの一実施形態における構成を示す概略構成図。 図１に示す広告枠最適化システムの一部を構成する高度視聴率予測装置(SHARE)の一実施形態における構成を示す概略構成図。 図２に示すSHAREに採用されている「ランダムフォレスト」の説明図。 図２に示すSHAREに採用されている「ランダムフォレスト」による「予測モデル」の構造を示す概略構成図。 図２に示すSHAREに採用されている「ランダムフォレスト」による結果と、従来から採用されている「重回帰分析」による結果とを比較して示す説明図。 図１に示す広告枠最適化システムの一部を構成するターゲットアクチュアル最適化装置（TAOS）の一実施形態における構成を示す概略構成図。 図６に示すTAOSの一実施形態における動作を説明するためのフロー図。 図６に示すTAOSの別の実施形態における動作を説明するためのフロー図。

以下、本発明による、テレビ等の放送媒体における広告枠最適化システム及び最適化方法を、図面を参照して説明する。
図１は、本発明によるテレビ等の放送媒体における広告枠最適化システムの一実施形態を示す概略構成図である。

図１に示すように、本実施形態では、広告枠最適化システム１００は、高度視聴率予測装置(System for High-advanced Rating Estimate、以下、SHAREと略称する)１０１と、ターゲットアクチュアル最適化装置（Target Actual Optimization System、以下TAOSと略称する）１０２と、常時最適再配置装置(Constantly Optimum Relocation Equipment、以下COREと略称する)１０３と、から構成され、SHARE１０１は、ターゲット視聴率を高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入手し、広告（ＣＭ）枠の予測視聴率と放送される直前の視聴率データをTAOS１０２に送信するように構成され、TAOS１０２は、SHARE１０１から、放送される予定の広告に関して当該広告枠の予測視聴率及び/又はオンエアー（OA）直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定をCORE１０３にダイレクトに送信するように構成され、そしてCORE１０３は、TAOS１０２から再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告（ＣＭ）を放送するように構成されている。

次に、上述したSHARE１０１、TAOS１０２、及びCORE１０３のそれぞれについて構成を詳述する。

SHARE１０１は、ビッグデータを扱うという新たな分析手法を用いて、テレビの「視聴者の広告視聴率」を高い精度で予測することができるように構成されている。

図２は、図１に示す広告枠最適化システムの一部を構成する高度視聴率予測装置(SHARE)の一実施形態における構成を示す概略構成図である。

以下、図２を参照してSHARE１０１の一実施例の構成を説明する。
本実施例のSHARE１０１は、
データ及び/又は、データソース情報を入力するデータ入力手段であるデータ入力部１０１−１と、
データ入力部１０１−１に接続され、及び/又は、当該データ入力部１０１−１から入力されたデータソース情報に特定の加工処理を施して該データソース情報を説明変数化する説明変数化手段である説明変数化部１０１−２と、
データ入力部１０１−１及び説明変数化部１０１−２に接続され、及び/又は、所定のアルゴリズムのプログラムを実装しているプログラム実装・実行手段であるプログラム実装・実行部１０１−３と、
プログラム実装・実行部１０１−３に接続され、及び/又は、当該実装・実行部１０１−３による結果を出力するデータ出力手段であるデータ出力部１０１−４と、によって構成され、
データ入力部１０１−１から入力されたデータ及び/又は、データソース情報と、説明変数化部１０１−２により説明変数化して得られた説明変数とを用いてプログラム実装・実行部１０１−３が実装されているプログラムのアルゴリズムを実行し、該アルゴリズムを実行して得られた予測視聴率データを出力部１０１−４から出力して、出力された予測視聴率データに基づいて、広告枠を最適化するように構成されている。

プログラム実装・実行部１０１−３で用いられる「データ及び/又は、データソース情報」のうちの「データソース情報」は、分析による予測精度を高めるために、説明変数化部１０１−２で予め加工処理を行った上で説明変数化される。

以下、SHARE１０１で用いているデータソース情報と共に、説明変数の作成方法について説明する。

SHARE１０１で用いているデータソース情報として次のものがある。
I．データソース情報
I-1 VR視聴率データ
ビデオリサーチがランダムサンプリングを行って抽出した調査パネルデータから集計される視聴率データ。世帯視聴率は、調査パネル世帯のうち、1台以上のＴＶがＯＮになっていた世帯数の割合を指す。また、個人視聴率は、調査パネル世帯に住む個人ターゲット全体人数に対して、ＴＶを視聴していた人数の割合を指す（例.男性20〜34歳ターゲットが仮に100人いた場合、うちＴＶをつけていた男性20〜34歳が20人いた場合は、男性20〜34歳ターゲットの個人視聴率は20％となる）。上記VR視聴率は、関東、関西、中部エリアにおいては、ピープルメーターという視聴率調査専用の機器を、調査パネル世帯に設置し、測定する。

I-2 VR番組情報
ビデオリサーチが、OA終了後の番組名、放送分数、放送開始時間、放送日、放送局名等をデータベース化したもの。

I-3 テレビメタデータ
(株)ワイヤーアクションが、テレビ放送OA後に、番組で紹介された企業や商品、お店、楽曲、出演者など、実際に放送された内容を独自の入力インターフェースを介して採録し、制作したデータベース。詳細は下記の通り。

I-4 EPG番組情報
放送局公式番組情報。(株)インタラクティブ・プログラム・ガイド（＝IPG）が全国の放送局から番組関連情報を直接入手し、このデータを一元管理したもの。具体的には、番組名、放送日時、番組概要、番組詳細、ジャンル、チャンネル識別ID、番組識別ID等が含まれる。

I-5 EPG（Electronic Program Guide：電子番組表）事前閲覧数
EPG電子番組表を、パソコンにおけるホームページ上で閲覧したり、携帯スマートフォンにおけるアプリケーション上で閲覧したりする際、最初の表示段階では電子番組表の全体（＝タイムテーブル）を閲覧できる形になっているが、ここから番組個別の欄を選択（クリック等）することで、番組内容の詳細を閲覧することができる。この番組個別の詳細ページに対して、番組放送前にどれだけアクセスされたかを集計した数が、EPG事前閲覧数である。

次に、SHARE１０１で用いている「説明変数」の作成方法について説明する。
II. 説明変数の作成方法
以下に各説明変数の定義および説明変数の作成方法について記述する。ただし、説明変数の名称は、任意に設定したものである。

II-1 ＜番組放送枠要因＞

II-1-1 番組放送週
概要：1月1日〜1月7日を第1週とした場合の連番

II-1-2 前４週平均
概要：その時間における前4週世帯視聴率の平均
処理：
1.同一放送局に限定した、放送開始時刻から４週間までのデータセットを作成
2.自番組の開始時刻・終了時刻から1〜4週間前の同一時刻をunix timeで取得
（例）n週間前の開始unix time=自番組の開始unix time−3600×24×7×n
3.上記1．で作成したデータセット中の放送開始・終了時刻と上記2．で算出した時刻とを比較。
4.上記3．で抽出したデータの視聴率の平均を算出。

II-1-3 裏枠前４週平均
概要：該当番組の裏枠を対象とした前4週平均
処理：他局に限定してデータセットを作成、以後前4週視聴率と同様の方法で算出。

II-1-4 前枠前４週平均
概要：該当番組の1つ前の番組を対象とした前4週平均
処理：同一放送局の自枠の放送開始時刻＝その枠（前枠）の放送終了時刻となる番組について、前4週視聴率と同様の方法で算出。

II-1-5 前枠裏枠前４週平均
概要：該当番組の1つ前の番組の裏枠を対象とした前4週平均
処理：他局でデータセットを作成し、自枠の放送開始時刻＝その裏枠（前裏枠）放送終了時刻となる番組について、前4週視聴率と同様の方法で算出。

II-1-6 前週の視聴率
概要：該当番組の前週の視聴率
処理：自局の前週に限定してデータセットを作成、以後前4週視聴率と同様の方法で算出。

II-1-7 番組開始時間
概要：該当番組開始時刻
処理：番組開始時刻を24時間制の時分単位で入力。

II-1-8 番組終了時間
概要：該当番組終了時刻
処理：番組終了時刻を24時間制の時分単位で入力。

II-1-9 放送時間
概要：放送分数
処理：放送終了時刻−放送開始時刻。

II-1-10 曜日
概要：放送された曜日
処理：日=0/ 月＝1 / 火＝2 / 水＝3 / /木＝4 / 金＝5 / 土＝6 にそれぞれ置換する。

II-1-11 曜日タイプ
概要：放送された日を平日と土日祝日で分けたもの
処理：月〜金＝平日 / 土日＝土日 にそれぞれ置換。

II-1-12 放送局名
概要：放送局名

II-2 ＜番組コンテンツ要因＞
II-2-1 視聴感クラスター
概要： 視聴感クラスター23個の形容詞的ワードを持つか否かでフラグ立て（フラグ立て：条件に該当するなら1を、該当しないなら0を数字として持たせる処理（以下同様））。
処理：
1.1年分のEPG番組詳細情報から形容動詞語感を自然言語処理により抜粋
2.共起する単語のクラスター（視聴感クラスター）を作成（23クラスター）
3.各番組に対するEPG番組詳細情報が上記2.で生成した視聴感クラスターに属するか否かでフラグ立て
4.特異値分解により（「視聴感クラスタ」を）n次元に圧縮。

II-2-2 出演者情報
概要：出演者のうち頻出300名の名前がEPG番組詳細情報に記載されているか否か。
処理：
1.出演者のうち上位頻出300名の名前がEPG番組詳細情報に記載されているか否かでフラグ立て
2.特異値分解により（「出演者情報」を）n次元に圧縮。

II-2-3 キーワードカテゴリ
概要：番組IDごとのワイヤーアクションがあてたキーワードカテゴリ28種類の含有率
処理：
1.ワイヤーアクションがあてたキーワードカテゴリの含有率を番組IDごとに計算⇒主には、対象となるキーワードカテゴリが、特定番組内のコンテンツにおいて、何分間該当していたかをカウントし、その「該当していた分数」を「番組全体分数」で割って、含有率として計算。
2.特異値分解により（「キーワードカテゴリ」を）n次元に圧縮。

II-2-4 トピックカテゴリ
概要：番組IDごとのワイヤーアクションがあてたトピックカテゴリ35種類の含有率
処理：
1.ワイヤーアクションがあてたトピックカテゴリの含有率を番組IDごとに計算⇒主には、対象となるトピックカテゴリが、特定番組内のコンテンツにおいて、何分間該当していたかをカウントし、その「該当していた分数」を「番組全体分数」で割って、含有率として計算。
2, 特異値分解により（「トピックカテゴリ」を）n次元に圧縮。

II-2-5 情報タイプ
概要：番組IDごとのワイヤーアクションがあてた情報タイプ45種類の含有率
処理：
1.ワイヤーアクションがあてた情報タイプの含有率を番組IDごとに計算。
主には、対象となる情報タイプが、特定番組内のコンテンツにおいて、何分間該当していたかをカウントし、その「該当していた分数」を「番組全体分数」で割って、含有率として計算。
2, 特異値分解により（「情報タイプ」を）n次元に圧縮。

II-2-6 人物ウェイト最大
概要：人物分類で該当したタレントのgoogle検索ヒット数の最大値

II-2-7 人物ウェイト合計
概要：人物分類で該当したタレントのgoogle検索ヒット数の合計値

II-2-8 VR番組カテゴリ
概要：ビデオリサーチの番組大ジャンル

II-2-9 EPG事前閲覧数合計
概要：Gガイドモバイルの事前閲覧数
処理：放送7日前から当日までのデータのうち、3日目までの事前閲覧数の合計を使用。

II-2-10 Yahoo！テレビ番組表事前閲覧数合計
概要：yahoo！テレビ番組表の事前閲覧数
処理：放送7日前から当日までのデータのうち、3日目までの事前閲覧数の合計を使用。

II-2-11 ターゲット別EPG事前閲覧数
概要：ターゲット階層ごとのGガイドモバイルの事前閲覧数
処理：取得した7日前から当日までのデータのうち、3日目までの累積事前閲覧数を使用。

II-2-12 裏番組のターゲット別事前閲覧数
概要：自番組のGガイドモバイル閲覧数を自番組と裏番組の閲覧数合計で割ったもので代替。
処理：取得した7日前から当日までのデータのうち、3日目までの累積事前閲覧数を使用。

なお、上記ＥＰＧ事前閲覧数とは、ＩＰＧが展開する電子テレビ番組表内の番組詳細情報へのアクセス数であり、電子テレビ番組表は、携帯端末には「Ｇガイドモバイル」、Ｙａｈｏｏ！テレビ（http://tv.yahoo.co.jp/）では「Yahoo！テレビ番組表」として展開されている。
なお、上述の変数については、ここに記載されているものに限定されるものではない。また、データを入手する先の企業及び組織等に関して、上記に記載された企業・組織等に限定されるものではない。

III. 次に、本実施例においてSHARE１０１に採用される「アルゴリズム」について説明する。
SHARE１０１に採用される「アルゴリズム」としては、「ターゲットとなる出力」、即ち「高い精度の予測視聴率」が得られるものであれば、特定のアルゴリズムに限定されものではない。
本実施例では、SHARE１０１において、「アルゴリズム」として「ランダムフォレスト」を採用した場合について説明する。

III-1 概念
「ランダムフォレスト」は、シンプルなモデルで学習を行う弱学習機が導く予測結果を複数集約して学習を行う「集団学習」と呼ばれる手法の一つであり、「高い予測精度」と「結果の可読性」を持つ機械学習の手法である。
「ランダムフォレスト」では個別の弱学習機に「決定木」を用いており、「決定木」の利点を活かしながら、その課題を解決した手法と言える。
決定木は、軸と直交する直線で空間を分割し、各区間に予測値を割り当てる予測手法である。決定木では空間を直線的に分解するため予測結果の理由を可視化しやすいシンプルな分布のデータの分析のため、広く用いられていた。

一方モデルが過度に単純化されるため、複雑な分布のデータの場合、高い予測精度を得ることが出来ないということが発生し得る。
そこで、「ランダムフォレスト」では、図３に示すように、複数の決定木を生成し、その予測結果の平均を取ることで、空間を曲線的に分割し、決定木だけでは高い精度を得ることが出来ない複雑な分布のデータに対しても、高精度の予測を実現することができるように構成した。

III-2 データの可読性
上記のように「高い予測精度」と「汎化能」を示す一方で、個別の弱学習機は、決定木の特徴も備えているため、「最も予測精度の高い弱学習機」を分析することで、「予測結果の原因分析」を行うことも容易であり、「予測モデル」の定常的な改善運用を行う上でも適している。

III-3 汎化能
「ランダムフォレスト」は、集団学習で有るため「汎化能」(未知のデータに対しての予測精度)にも優れている。従来の機械学習では、一度の学習でデータ内のすべての属性・個体を用いるため、学習に用いたデータに対し過度に当てはまりを良くし、その結果、「未知データに対する予測精度」を損ねるということが発生していた(過学習)。
一方「ランダムフォレスト」をはじめとする集団学習では、一部の属性・個体のみを与え学習させるため、訓練段階から未知データを含んで学習を行うこととなり、未知データに対しての対応力が高まる。

III-4 データサイズに対するスケーラビリティ
「ランダムフォレスト」では、入力データが大規模データであったとしても、個別の弱学習機に対しては有限のデータセットが割り振られる。また、個別の弱学習機は、他の弱学習機の結果とは独立に予測を行い、異なるシステム環境で予測を行うことが出来るために「分散処理」が可能であり、データ量の増加に対して、リニアにインフラをスケールすることで計算時間を増加させることなく分析を行うことが可能である。

IV．従来手法における課題を解決するためのポイント
ここで従来手法の課題とその課題の解決のためのポイントについて説明する。

IV-1 従来手法の課題について
上記I.で上述したように従来の手法は、「重回帰分析」をベースにしている。以下に、重回帰分析による「回帰式」（数１）を示す。

基本的には、番組に関する編成情報（放送局名、放送曜日、及び放送時間）のみが説明変数として採用されてきた。
その背景には、「重回帰分析」には、説明変数の数が膨大になると「予測精度」が下がるという課題があるからである。このため、「重回帰分析」では、限られた番組の編成情報のみだけしか考慮することができなかった。
しかし、本来、番組視聴率は、番組そのものの「番組コンテンツ要因」（ジャンル、出演者、等）によって大きく変わるものである。
その一例として、人気俳優が出演しているドラマは、視聴率が高くなる等が該当する。

このように、「番組コンテンツ要因」を考慮できなければ、一つ一つの番組に対する視聴率を精度高く予測できない。
また、ジャンルや出演者などの番組に関する情報を考慮するためには、上記II.で紹介した「テレビメタデータ」や「EPG番組詳細情報」などの膨大な数の「説明変数」を扱う必要があるため、前述したように従来の「重回帰分析」では「変数を処理することが難しくなってしまう」という課題があった。

そこで、「重回帰分析」を用いた「手法」における課題を解決のためには、「番組コンテンツ要因」の情報を、モデルに組み込むための「ビッグデータ処理」、デイリーで予測視聴率を把握することを可能にする「高速演算処理」を実現する機能を有する「アルゴリズム」を実装する必要がある。

そこで、「ランダムフォレスト」が「ビッグデータ処理」、「高速演算処理」、及び「予測値安定化」を実現可能であることから、SHARE１０１で用いる「視聴率予測モデル」を構築するのに最も適しているものとして、本実施例において採用することにした。

IV-2 課題解決のポイント
ここで、本実施例における「ランダムフォレスト」を用いて「視聴率を求める方法」について説明する。

「ランダムフォレスト」は、ＣＡＲＴと呼ばれる手法をベースに、データから「変数×レコード」をサンプリング抽出して決定木を多数生成し、個々の決定木を組み合わせることによって、高い精度のモデルを作成する手法である。
複数ある決定木の中には、「影響力がある変数」以外の「変数」を使って予測をする決定木も作られるので、総合的に予測判定する際にすべての「説明変数」の影響度も把握することができる。
「ランダムフォレスト」の特徴である「膨大なデータ」を演算処理することが可能な機能を活かし、「EPG番組詳細情報」や「EPG事前閲覧数」、また番組の「トピック情報」や「キーワード情報」などのテキストベースの「メタデータ」など、データ量が多く従来の重回帰分析では説明変数として処理できなかったデータを扱うことで、番組単位で「（番組）コンテンツ情報」を考慮した「予測モデル」の作成を実現している。

次に、図４を参照して、SHARE１０１における「予測モデル」の構築について説明する。
SHARE１０１では、まず、「予測モデル」の構築に必要となる「ビデオリサーチデータ」等の視聴率調査データ、「IPGデータ」等の電子番組表データ（番組編成データ、番組個別の事前閲覧数、等を含む）」、「ワイヤーアクションデータ」等の番組メタデータ、「オープンソースデータ」等の「テレビ視聴関連データ」を、「説明変数データベース」１０１−１１に一度集約し、この「説明変数データベース」１０１ー１１対して、上記II.で説明したような「説明変数化」の処理を行い、「説明変数化されたデータ」を「ランダムフォレスト学習器」１０１−１２に蓄積して、「予測モデル」を構築する。
また、「ランダムフォレスト」では、入力データとして「予測対象となるメディア情報」（広告枠情報）を「ランダムフォレスト学習器」１０１−１２に入力することによって、「ランダムフォレスト学習器」１０１−１２の出力（アウトプット）として「予測対象メディア」の「予測視聴率」（予測メディア接触率）が算出されるように構成されている。
表１は、「予測精度」に対する「説明変数」の有用性の指標となる「重要度」を「説明変数」毎に一覧にした表である。

上記の表１は、表頭（横）が「番組ジャンル」、表側（縦）が「説明変数」をそれぞれ示している。また、表中のセルが「メッシュ」で示されている箇所は、「重要度」が高く、予測精度の向上に対して「有用」となることを示している。
例えば、「自枠前4週平均」は、番組のどのジャンルにおいても「予測精度の向上」に対して「重要度」が「高い」「説明変数」であることが分かる。
しかし、「自枠前4週平均」、「裏枠前4週平均」、「前枠前4週平均」、「裏前枠前4週平均」といった「説明変数」は、「予測対象番組」と元来「相関性が高い」ため、「重要度」が高くなることは必然であると言える。また、従来の重回帰分析でも加味してきた枠情報に該当する変数であることから、先述の課題に対する解決策として当てはまらない。即ち「ランダムフォレスト」のみに特有な「説明変数」とは考えられない。

一方、「番組コンテンツ情報」を表す「トピックカテゴリ」や「キーワードカテゴリ」は、「番組ジャンル」によっては「重要度」が「高く」なっており、「説明変数」として有用であることが分かる。
さらに、「EPG事前閲覧数」や「Yahoo!番組表事前閲覧数」についても「重要度」が「高く」なる「番組ジャンル」が見受けられる。

従来の「重回帰分析」では、「番組コンテンツ情報」のデータ元となる「メタデータ」などの「膨大なデータ」を処理することが難しく、「重回帰分析」による「予測モデル」では、これらのデータは、「説明変数」としての有用性を検証できなかったが、「膨大なデータ」を処理することを可能にした「ランダムフォレスト」による「予測モデル」では、「番組コンテンツ情報」が「予測精度の向上」に対して有用であることを、上記表１から確認することができる。

実際に、「枠情報のみ」を考慮した「重回帰分析」による「予測結果」と、「コンテンツ情報までを加味」した「ランダムフォレスト」による「予測結果」との比較を行った。
以下の図５は、重回帰分析による結果とランダムフォレストによる結果とを比較したものである。

図５から、「ランダムフォレストによって算出された「予測結果」は、実測との相関が高い」ことが伺える。
予測精度の高さを評価する「指標」として「相関係数」と「平均二乗誤差」を確認することができる。
「相関係数」は、「1」に近いほど、「実測値」と「予測値」の「相関性」が強いことを意味し、「平均二乗誤差」は、「値が小さいほど」「実測値」と「予測値」の「誤差」が小さいことを意味する。

図５に示された数字では、重回帰分析に比べると「ランダムフォレスト」による方が、「相関係数」は1に近く、「平均二乗誤差」は小さくなっており、「予測精度」の高さを確認することができる。
なお、上述した「ランダムフォレスト」とは異なる「ディープラーニング」と称する「予測手法」が存在しているが、本発明のSHARE１０１に用いられるアルゴリズムとして、「ディープラーニング」等、他のアルゴリズムを採用することも可能であるが、ここでは、説明を簡略化するために、「ディープラーニング」等の他のアルゴリズムについて、それらの説明を省略するものとする。

上述したSHARE１０１は、メディアの詳細なジャンル、カテゴリを表す「メタデータ」やメディアへの期待値を表す番組表へのアクセスデータ等の「ビッグデータ」を扱うことが可能であると共に、「ビッグデータ」を高速に処理できる「クラウド基盤」や、多様な変数に自ら学習することで精度を高めていく「ディープラーニング」という分析手法等を組み合わせることによって、「外部要因」、「編成要因」、及び「コンテンツ要因」を「説明変数」とし、視聴率に影響を与え得る要因を全て考慮して、「視聴率を予測する」ことができるように構成されている。

次に、上記TAOS１０２について説明する。
図６は、TAOS１０２の好ましい一実施形態の構成を概略的に示す構成図である。

図６に示すように、本実施形態では、TAOS１０２は、（１）「参照過去視聴率」、「バイイングコスト」等の情報を含む第１のＣＭ枠作案データを入力する第1の入力手段である第1の入力部１０２−１と、（２）上記SHARE１０１に接続され、「予測視聴率」及び/又は「リアルタイム視聴率」等の情報を含む第２のＣＭ枠作案データを入力する第２の入力手段である第2の入力部１０２−２と、（３）前記第１の入力部１０２−１及び前記第２の入力部１０２−２に接続され、及び/又は、リアロケーションプログラムが搭載されており、前記第1の入力部１０２−１に入力された前記第１のＣＭ枠作案データ及び前記第２の入力部１０２−２に入力された前記第２のＣＭ枠作案データに基づいて、前記リアロケーションプログラムを用いて、ターゲットアクチュアル最適化データを作成して出力する処理手段である処理部１０２−３と、（４）前記処理部１０２ー３に接続され、前記処理部１０２−３から出力されたターゲットアクチュアル最適化データを入力して、CORE１０３に出力する指示出力手段である指示出力部１０２−４と、を備えている。

図７は、図６に示すTAOS１０２による動作を説明するためのフロー図である。
ここで、図６及び図７を参照して、TAOS１０２による処理について詳細を説明する。

まず、TAOS１０２は、外部機関又は外部システム（例えば、ビデオリサーチ等）が「４週平均の過去視聴率」等に基づいて予測した「過去ベース将来視聴率」（第1のデータ）を、第１の入力部１０２−１から入力する（即ち、上記［a.］第1のデータ＝「過去ベース将来視聴率」のデータ）を入力する（TAOS102による処理：ステップa）。

上記ステップａにおいて、外部機関では、Ｍ１層（２０〜３４歳の男性）の個人視聴率を１５．０％獲得することができると共に、Ｆ１層（２０〜３４歳の女性）の個人視聴率を１０．０％獲得することができるとそれぞれ予想された。

次いで、SHARE１０１で作成された「予測将来視聴率」（第２のデータ）を、第２の入力部１０２−２から入力する（即ち、上記［b.］第２のデータ＝「予測将来視聴率」のデータ、を入力する（TAOS102による処理：ステップｂ）。

上記ステップbにおいて、この実施例では、SHARE１０１では、Ｍ１層（２０〜３４歳の男性）の個人視聴率を５．０％獲得することができると共に、Ｆ１層（２０〜３４歳の女性）の個人視聴率を１５．０％獲得することができるとそれぞれ予測された。

上記ステップa及び上記ステップｂの結果を単純に比較すると、Ｘという放送枠には、Ｆ１層をターゲットとした、広告主のＡ商材の広告素材が割り付けられる。即ち、TAOS１０２では、「リアロケーションプログラム」を用いて、「予測将来視聴率」に基づき、上述のようにして、処理部１０２−３で、暫定的に、全ブランド別の素材（広告素材）が割り付けられる（TAOS102による処理：ステップｃ）。

しかし、実際には、Ｍ１層向けの商品の広告素材を割り付けるか或いはＦ1層向けの商品の広告素材を割り付けるかに関して、第１の入力部１０２−１で入力された、例えばＭ１層向けＡ素材の放送優先度（キャンペーン期間が迫っている）の情報等、様々な要因を組み合わせて、最終的にどの層向けの商品の広告素材を割り付けるかを判断することになる。

基本的には、素材を振り替えることによって獲得するアクチュアルＧＲＰがアップする（＝支払われる金額がアップする）ということが指標になるので、図７に示す例では、予測個人視聴率のパーセントが高い「１５．０％」のＦ１層（２０〜３４歳女性）向けの商品の広告素材が割り付けられることになった。

しかしながら、例えば、Ｍ１層向けの広告素材のキャンペーン期間が近日中に終了するような場合では、処理部１０２−３では、Ｍ１層向けの広告素材を振り替えずにそのまま放映するという選択肢もあり得る。

ここで、広告業界における「ＧＲＰ」及び「アクチュアルＧＲＰ」について説明する。

広告業界におけるＧＲＰとは、「出稿量」と「視聴率」とに基づいたＣＭの定量的な「指標」を表すもので、「延べ視聴率」とも呼ばれている。

ＧＲＰは、放送局が定めた時間枠（ＣＭ時間枠）に放映する「スポットＣＭ」の取引などに用いられていて、ＧＲＰの数字が大きいほど、多くの視聴者にＣＭメッセージが届くことを意味する。

また、ＧＲＰは、広告主や広告会社にとっては、「出稿計画」、「広告計画」に直結した「指標」である一方で、媒体社であるテレビ放送局からみると広告枠の「在庫管理」の「指標」としての意味合いがある。

具体的には、広告主がテレビに１０本のスポットＣＭを出稿した場合、そのＣＭがそれぞれ放送される曜日及び時間帯或いは番組における過去の一定時点の視聴率を１０本分、単純に足し上げた合算値が、そのＣＭのＧＲＰである。より正確に言うと、ＣＭのＧＲＰとは、「ＣＭが枠取りされた番組及び時間帯の過去特定４週間の平均値（過去4週間の平均を「号数」と言う。）である。

より具体的には、例えば、世帯視聴率１５％の枠に５本、世帯視聴率１０％の枠に１０本、世帯視聴率５％の枠に１０本、それぞれ広告（ＣＭ）を出稿した場合、ＧＲＰの値は、以下に示す式に基づいて、２２５になる。

（15％×5）＋（10％×10）＋（5％×10）＝225GRP

上記は、過去の特定４週間の平均値データに基づいて算出された視聴率の累計値であるが、実際にOAされた際は、全く同じ視聴率となることはほぼなく、多くの場合、異なる視聴率が測定される形となる。この、OAされた際に実測された視聴率を集計したＧＲＰは、特に「アクチュアル（actual）ＧＲＰ」と呼ばれている。そして、広告主や広告会社は、放送後に、放送されたＣＭの評価のための「指標」として、このアクチュアルＧＲＰを用いているケースが多い。

ここで再び処理の説明に戻って、TAOS１０２による処理についての説明を続ける。

ケース１：
TAOS１０２が、ＣＭが放送される前に予測された視聴率データ（［ｂ.データ］＝第2のデータ＝予測個人視聴率のデータ）を、SHARE１０１から入手する（ステップb）場合について説明する。

上記ステップbにおいて、以下のように、SHARE１０１から、放送前に予測された個人視聴率を入手する。
例えば、Ｍ１層向けのＡ商材の広告素材が割り付けられたＸという放送枠の予測個人視聴率は、以下の通りであった。
Ｍ１層:５．０％
Ｆ１層（２０〜３４歳女性）：１５．０％
また、Ｆ１層向けのＢ商材の広告素材も同放送局にて出稿予定であった。

次に、TAOS１０２は、各ＣＭ枠毎に上記［a.］第1のデータと上記［b.］第2のデータ（放送前の予測視聴率データ）との「差分」（［c.］第３のデータ＝4週データに基づく単純過去平均ベースの将来視聴率データとSHAREが算出した放送前の予測視聴率との「差分」）を評価する（ステップc）。

上記ステップcについて、例えば、TAOS１０２は、処理部１０２−３で、以下のようにして（第１と第２の）個人予測視聴率の「差分」を評価する。

（１）Ｘ放送枠におけるＭ１層向けのＡ商材の広告費の減少金額（Ａ商材における減少金額）を以下の式で算出する：

（関係式１）
Ｘ放送枠におけるＭ１層向けのＡ商材の広告費の減少金額（Ａ商材における減少金額）＝Ｍ１層向けのＡ商材の出稿に係わるパーコスト（視聴率１％（＝１ＧＲＰ）あたりのコスト）×（直前のＭ１層個人視聴率−予測したＭ１層個人視聴率）

（２）Ｘ放送枠におけるＦ２層向けのＢ商材の広告素材に割り付け替えたときの（広告費の増加）金額（Ｂ商材における増加金額）を以下の式で算出する：

（関係式２）
Ｘ放送枠におけるＦ１層向けのＢ商材の広告素材に割り付け替えたときの（広告費の増加）金額（Ｂ商材における増加金額）＝Ｆ１層向けのＢ商材の出稿に係わるパーコスト×予測したＦ１層個人視聴率
ここで、「もともと割り付けていたＭ１層に関しては『過去４週平均と予測(≒アクチュアル)との差異』を計算する必要があるが、代替素材として俎上に上がったＦ１層に関しては『過去４週平均と予測(≒アクチュアル)との差異』を計算する必要はない」と想定されている。但し、より精緻化した運用を実施する際には、Ｆ１層（代替素材）の過去４週平均と予測視聴率の乖離も考慮に入れる必要がある。

より具体的には、Ａ商材の広告素材をそのまま放映するか、Ｂ商材の広告素材に割り付け替えるかを、以下の各要素に基づき、判断する。

(a)：[Ａ商材における減少金額]と[Ｂ商材における増加金額]とを比較し、それらの大小に応じて判断する。
例えば、Ａ商材：コスト１万円×対予測差１０ＧＲＰマイナス＝対予測減額１０万円と、Ｂ商材：コスト５万円×直前（≒アクチュアル）５ＧＲＰ＝差替えた場合の予測増額２５万円と、を比較した場合には、オンエアーにおいては、Ｂ商材を優先する。

(b)：Ａ商材の広告素材の出稿期間の有無。例えば、Ａ商材の広告キャンペーンの終了期間が明日であれば、Ａ商材を優先的に放映する。等。

図８は、図６に示すTAOS１０２による別の実施形態における動作を説明するためのフロー図である。
ここで、図８を参照して、図６に示すTAOS１０２による処理について詳細を説明する。

ケース２：
TAOS１０２が、ＣＭが放送される直前、例えば、「ＣＭが放送される１分前」、等の視聴率データ（［b.データ］＝第2のデータ＝放送直前の所定時間（１分前）における視聴率のデータ）を、SHARE１０１以外の外部機関或いは外部システム（例えば、ビデオリサーチ等）から入手する（ステップｂ'）場合について説明する。
現在、視聴率をリアルタイムで計測し、当該計測された視聴率をリアルタイムでインターネットにて閲覧することが可能になってきており、そのようなサービスも提供されている（例えば、スイッチ・メディア・ラボSwitch Media Lab, Inc./データ分析サービスＳＭＡＲＴ、等）。

上記ステップｂ'において、以下のように、外部機関から、放送直前の視聴率データを入手する。
例えば、SHARE１０１による、Ｍ１層向けのＡ商材の広告素材が割り付けられたＸという放送枠の放送直前の視聴率は、以下の通りであった。
Ｍ１層:５．０％
Ｆ１層（２０〜３４歳女性）：１５．０％
また、Ｆ１層向けのＢ商材の広告素材も同放送局にて出稿予定であった。

次に、TAOS１０２は、各ＣＭ枠毎に上記［a.］第1のデータと上記［b’.］第2のデータ（１分前の視聴率データ）との「差分」（［c’.］第３のデータ＝４週の視聴率データと１分前の視聴率のデータとの「差分」）を評価する（ステップc’）。

上記ステップc’について、例えば、TAOS１０２は、処理部１０２−３で、以下のようにして（第１と第２の）個人視聴率の差分を評価する。

（１）Ｘ放送枠におけるＭ１層向けのＡ商材の広告費の減少金額（Ａ商材における減少金額）を以下の式で算出する：

（関係式１’）
Ｘ放送枠におけるＭ１層向けのＡ商材の広告費の減少金額（Ａ商材における減少金額）＝Ｍ１層向けのＡ商材の出稿に係わるパーコスト（視聴率１％（＝１ＧＲＰ）あたりのコスト）×（４週のＭ１層個人視聴率−放送直前のＭ１層個人視聴率）

（２）Ｘ放送枠におけるＦ２層向けのＢ商材の広告素材に割り付け替えたときの（広告費の増加）金額（Ｂ商材における増加金額）を以下の式で算出する：

（関係式２’）
Ｘ放送枠におけるＦ２層向けのＢ商材の広告素材に割り付け替えたときの（広告費の増加）金額（Ｂ商材における増加金額）＝Ｆ１層向けのＢ商材の出稿に係わるパーコスト×放送直前のＦ１層個人視聴率

ここで、「もともと割り付けていたＭ１層に関しては『過去４週平均と放送直前(≒アクチュアル)との差異』を計算する必要があるが、代替素材として俎上に上がったＦ１層に関しては『過去４週平均と放送直前(≒アクチュアル)との差異』を計算する必要はない」と想定されている。但し、より精緻化した運用を実施する際には、Ｆ１層（代替素材）の過去４週平均の視聴率と放送直前の視聴率の乖離も考慮に入れる必要がある。

より具体的には、Ａ商材の広告素材をそのまま放映するか、Ｂ商材の広告素材に割り付け替えるかを、以下の各要素に基づき、判断する。

ケース(a’)：[Ａ商材における減少金額]と[Ｂ商材における増加金額]とを比較し、それらの大小に応じて判断する。
例えば、Ａ商材：コスト１万円×対直前差１０ＧＲＰマイナス＝対直前減額１０万円と、Ｂ商材：コスト５万円×直前（≒アクチュアル）５ＧＲＰ＝差替えた場合の対直前増額２５万円と、を比較した場合には、オンエアーにおいては、Ｂ商材を優先する。

ケース（ｂ’）：Ａ商材の広告素材の出稿期間の有無。例えば、Ａ商材の広告キャンペーンの終了期間が明日であれば、Ａ商材を優先的に放映する。等。

CORE１０３は、上記［c.］第３のデータに基づいて、最適化素材割り付けを「再度」実施する（ステップｅ）。
上記ステップeは、放送局のサーバ内で素材の入れ替えを行うことである。

ここで、「再度」とは、具体的に以下のようなことである。
通常、ＴＶＣＭ広告の素材は、枠放送開始の中３営業日前までに素材指定を行う。この中３営業日前までの素材指定に対し、直前に入手した個人視聴率データに基づき、最適な素材を「再度」割付実施する。放送局は、通常、広告会社からの素材指定通りにＣＭ素材をオンエアーすることが前提となっているので、「再度」の最適素材指定とは、直前に、「広告会社⇒放送局」への再指定の信号を送出し、この信号のデータに応じて、放送局において素材指定の差し替えを行う。

次いで、TAOS１０２は、再配分後の各枠素材指定をCORE１０３へダイレクトに送出することを実施する（ステップｆ）。

ＴＶＣＭ素材は、CORE１０３内で個別にファイリングされ、個別指定が可能になっている。

以下に、図１に示す広告枠最適化システムの一部を構成する常時最適再配置装置(CORE)の一実施形態における構成を説明する。
COREは、SHARE１０１から得られた情報、即ち、「放送される直前の視聴率データ」に基づき、TAOS１０２が「放映ＣＭ素材の最適化」を実行した後に、「放映予定ＣＭ素材リスト」及び「ＣＭ素材バンク」に対して「素材差し替え」（素材指定の変更）を行うように構成されている。

従って、「ＣＭ素材バンク」には、「放映予定のCM素材」だけではなく、他のCM素材から差し替えられて放映される可能性のあるＣＭ素材（「差し替え可能性のCM素材」）も、当該CM素材を特定できるコードが付番されて（「ＣＭ素材バンク」に）記憶されている。
ここで、ある特定の時間に特定のＣＭ素材、例えば「素材Ａ」を放映するように「放映予定ＣＭ素材リスト」上で指定されているが、TAOS１０２から、「放映予定ＣＭ素材リスト」上に配置された「素材Ａ」を、「ＣＭ素材バンク」内に配置された「素材Ｂ」に差し替えるように指示があった場合について説明する。

なお、「素材Ａ」については、当該「素材Ａ」を特定することができるコード及び「放映予定時間帯」を特定することができるコードがそれぞれ付番されており（これら２つのコードを合せて「放映予定素材コード」と称する）、当該「放映予定素材コード」が「放映予定ＣＭ素材リスト」に配置されている。

TAOS１０２からの指示を受けて、CORE１０３は、「放映予定ＣＭ素材リスト」に対し、「素材A」をタイムライン上から外して、「素材Ｂ」に差し替える指示（「素材指定の変更」）の信号を送信し、その結果、「放映予定ＣＭ素材リスト」内のタイムラインが更新される。
それと同時に、CORE１０３は、「ＣＭ素材バンク」へも「素材Ｂ」に差し替える指示（「素材指定の変更」）信号（具体的には、「放映予定素材コード」）を送信し、それに従って「素材Ｂ」の「コード」が「放映予定ＣＭ素材リスト」に、及び/又は、「素材Ｂ」の「映像データ」が「送出機器」に、それぞれ送信されて、最終的には「素材Ｂ」が放映されることになる。
CORE１０３では、素材を差し替える指示（「素材指定の変更」）信号の送信は、直接、広告会社から行われる。
本実施例では、CORE１０３は、TAOS１０２が送信する「素材差替え指示」を忠実に実行することで、所定の時間前（本実施例では「所定の時間前」は、１分前）に取得した視聴率データに応じて所定の時間後（同様に、この本実施例では「所定の時間後」は、１分後）の素材を「アクチュアル」の観点から最適配置するように構成されている。

なお、本実施例では、素材の一例として「ＣＭ素材」を表すものとして説明したが、素材は、ＣＭ素材だけに限定されるものではない。
また、通常、「ＣＭ素材バンク」は、放送局に設置されているが、広告会社に設置してもよく、その場合には、ＥＤＩ等の技術を用いて、広告会社に設置された「ＣＭ素材バンク」からＣＭ素材の映像データを放送局に送信するように構成されているが、素材指定は、広告会社から、放送局のマスターへ、ダイレクト（直接）に、リアルタイムで、指定するように構成してもよい。

ビデオリサーチ等の視聴率調査会社のような外部機関（第３者機関）からも、例えば、スイッチ・メディア・ラボのような形で、即時データを入手することができるように構成されている。
上述したように、本発明のCORE１０３を用いることによって、SHARE１０１による予測視聴率の「予測限界」（＝統計誤差）を、極限まで「０」へ近づけることが可能になる。

纏めると、CORE１０３は、直前にオンエアー（OA）されるＣＭを指定しつづける機能を備えていて、このCORE１０３に対して、上記SHARE１０１により、第3者機関がリアルタイムに測定を行う視聴率データを入力し、TAOS１０２による個別素材（指定）をリアルタイムで指定することにより、（広告）枠個別に計測される個人アクチュアルの割り付けを最適化することが可能となる。

また、直前に素材を差し替えることで、その結果として、アクチュアルダウンを劇的に回避することが可能となる。以上、主に、地上波テレビ放送の広告を例として説明を行ったが、本発明はこれに限られない。すなわち、本発明は、地上波テレビの広告に限らず、衛星放送テレビ広告、ラジオ広告、インターネットを通じたリアルタイム放送における広告その他の放送媒体を用いた広告について、同様に適用できる。その際には、例えば、視聴率データとして、本明細書で説明したものとは異なるものを用いてもよい。一例として、衛星放送テレビの場合にはその視聴率データ、ラジオ放送の場合にはその視聴率データ、インターネットを通じた放送の場合にはその視聴者データを用いてもよい。

個人アクチュアルで頻出する「０．０％」の枠を他の個人アクチュアル素材へ差し替えることが可能になり、上述した本発明による広告枠最適化システムを実施すれば、広告効果の達成効率を３％〜６％前後改善することが見込まれる。これは、ＴＶＣＭに投下される年間出稿額の規模の大きさを考えた場合、効率改善に相当する金額幅は非常に大きな額になることが想定される。また、差し替え元枠の適用範囲の拡大（＝視聴率０．１％以上の枠についても差し替えを実施）を行った場合、広告効果の達成効率改善幅および効率改善に相当する金額幅は、更に大幅に拡大することが見込まれる。

本出願は、２０１７年１月１０日出願の特願２０１７−００２００６に基づく。この内容は、全てここに含めておく。

本発明は、広告枠最適化システム、及び広告枠最適化方法及びターゲットアクチュアル最適化装置に関する。

本発明は、上述のような従来の技術的課題に鑑みてなされたものであり、その目的は、メディア視聴率、特にテレビの視聴者による広告枠の視聴率を高い精度で予測して、及び/又は、放送される直前の視聴率データを参照して、テレビ等の放送媒体における広告枠を最適化する広告枠最適化システム、広告枠最適化方法及びターゲットアクチュアル最適化装置を提供することにある。なお、「放送される直前」とは、放送される数秒前〜数十分前のタイミングのことをさす。

Claims (11)

1. 放送媒体で放送される広告枠を最適化する広告枠最適化システムであって、
   広告枠最適化システムは、高度視聴率予測装置（SHARE)と、ターゲットアクチュアル最適化装置（TAOS）とを備え、
   前記SHAREは、ターゲット視聴率を所定の精度よりも高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入力し、広告枠の予測視聴率データ、及び/又は、放送される直前の視聴率データを前記TAOSに送信するように構成され、
   前記TAOSは、前記SHAREから、放送される予定の広告に関して当該広告の予測視聴率、及び/又は、オンエアー（OA）直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を送信するように構成されたことを特徴とする広告枠最適化システム。
2. 常時最適再配置装置(CORE)を更に備え、
   前記COREは、前記TAOSから再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成されていることを特徴とする請求項１に記載の広告枠最適化システム。
3. 放送媒体で放送される広告枠を最適化する広告枠最適化システムであって、
   データ及び/又は、データソース情報を入力するデータ入力手段と、
   前記データ入力手段に接続され、及び/又は、当該データ入力手段から入力された前記データソース情報に特定の加工処理を施して該データソース情報を説明変数化する説明変数化手段と、
   前記データ入力手段及び前記説明変数化手段に接続され、及び/又は、所定のアルゴリズムのプログラムを実装しているプログラム実装・実行手段と、
   前記プログラム実装・実行手段に接続され、及び/又は、当該実装・実行手段による結果を出力するデータ出力手段と、によって構成された高度視聴率予測装置を備え、
   前記データ入力手段から入力された前記データ及び/又は、前記データソース情報と、前記説明変数化手段により説明変数化して得られた説明変数とを用いて前記プログラム実装・実行手段が前記実装されているプログラムの前記アルゴリズムを実行し、該アルゴリズムを実行して得られた予測視聴率データを前記出力手段から出力して、前記出力された予測視聴率データに基づいて、広告枠を最適化することを特徴とする、広告枠最適化システム。
4. 前記高度視聴率予測装置は、メディアの詳細なジャンル、カテゴリを表すメタデータ、調査会社（第3者機関）が調査実施するパネルデータ、メディアへの期待値を表す番組表へのアクセスデータ、SNS上のテキストデータ、検索サイトにおける検索情報及び天気予報の少なくとも１つを含む、ビッグデータを取り扱うことができるように構成され、
   前記高度視聴率予測装置は、更に、前記ビッグデータを高速に処理できるクラウド基盤及び多様な変数に自ら学習することで精度を高めていく深層学習という分析手法を組み合わせることによって、外部要因、編成要因、及びコンテンツ要因を前記説明変数として設定し、視聴率に影響を与え得る要因を考慮して、前記視聴率を予測することができるように構成されていることを特徴とする請求項３に記載の広告枠最適化システム。
5. 参照過去視聴率及びバイイングコストの少なくとも１つの情報を含む第１のＣＭ枠作案データを入力する第1の入力手段と、
   前記高度視聴率予測装置に接続され、予測視聴率及びリアルタイム視聴率の少なくとも１つの情報を含む第２のＣＭ枠作案データを入力する第２の入力手段と、
   前記第１の入力手段及び前記第２の入力手段に接続され、及び/又は、リアロケーションプログラムが搭載され、前記第1の入力手段に入力された前記第１のＣＭ枠作案データ及び前記第２の入力手段に入力された前記第２のＣＭ枠作案データに基づいて、前記リアロケーションプログラムを用いて、ターゲットアクチュアル最適化データを作成して出力するデータ処理手段と、を備え、
   前記データ処理手段は、前記リアロケーションプログラムを用いて、広告枠毎に前記第1のＣＭ枠作案データと前記第２のＣＭ枠作案データとの差分を評価し、当該差分の結果として得られる第３のＣＭ枠作案データに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を表すターゲットアクチュアル最適化データを出力するように構成され、
   前記データ処理手段に接続され、当該データ処理手段から出力された前記ターゲットアクチュアル最適化データを入力して、出力する指示出力手段と、によって構成されたターゲットアクチュアル最適化装置を更に備えていることを特徴とする請求項３または４に記載の広告枠最適化システム。
6. 前記ターゲットアクチュアル最適化装置から再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成された常時最適再配置装置を更に備えていることを特徴とする請求項５に記載の広告枠最適化システム。
7. 高度視聴率予測装置（SHARE)と、ターゲットアクチュアル最適化装置（TAOS）と、常時最適再配置装置(CORE)と、を備えた広告枠最適化システムを用いて、放送媒体で放送される広告枠を最適化する方法であって、
   前記SHAREにより、ターゲット視聴率を所定の精度より高い精度で予測し、及び/又は、第3者機関がリアルタイムに測定を行う視聴率データを入力し、広告枠の予測視聴率データ及び/又は放送される直前の視聴率データを前記TAOSに送信する段階と、
   前記TAOSにより、前記SHAREから、放送される予定の広告に関して当該広告枠の予測視聴率及び/又はオンエアー（OA）の直前の視聴率データを受信し、広告枠毎に第1のデータと第2のデータとの差分を評価して得られた第３のデータに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を前記COREにダイレクトに送信する段階と、
   前記COREにより、前記TAOSから再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送する段階とを具備することを特徴とする広告枠最適化方法。
8. 放送媒体で放送される広告枠を最適化する広告枠最適化方法であって、
   データ及び/又は、データソース情報を入力する段階と、
   入力された前記データソース情報に特定の加工処理を施して該データソース情報を説明変数化する段階と、
   所定のアルゴリズムのプログラムを実装する段階と、
   前記実装されたプログラムによる結果を出力する段階と、を具備し、
   前記データ及び/又は、前記データソース情報と、前記説明変数化して得られた説明変数とを用いて前記実装されているプログラムの前記アルゴリズムを実行し、該アルゴリズムを実行して得られた予測視聴率データを出力して、前記出力された予測視聴率データに基づいて、広告枠を最適化することを特徴とする、広告枠最適化方法。
9. メディアの詳細なジャンル、カテゴリを表すメタデータ及びメディアへの期待値を表す番組表へのアクセスデータの少なくとも１つを含む、ビッグデータを取り扱う段階と、
   前記ビッグデータを高速に処理できるクラウド基盤及び多様な変数に自ら学習することで精度を高めていく深層学習という分析手法を組み合わせることによって、外部要因、編成要因、及びコンテンツ要因を前記説明変数として設定し、視聴率に影響を与え得る要因を全て考慮して、前記視聴率を予測する段階とを更に具備することを特徴とする請求項８に記載の広告枠最適化方法。
10. 参照過去視聴率及びバイイングコストの少なくとも１つの情報を含む第１のＣＭ枠作案データを入力する第1の入力段階と、
    前記高度視聴率予測装置に接続され、予測視聴率及びリアルタイム視聴率の少なくとも１つの情報を含む第２のＣＭ枠作案データを入力する第2の入力段階と、
    前記第1の入力段階で入力された前記第１のＣＭ枠作案データ及び前記第２の入力段階で入力された前記第２のＣＭ枠作案データに基づいて、リアロケーションプログラムを用いて、ターゲットアクチュアル最適化データを作成して出力するデータ処理段階とを具備し、
    前記データ処理段階は、前記リアロケーションプログラムを用いて、広告枠毎に前記第1のＣＭ枠作案データと前記第２のＣＭ枠作案データとの差分を評価し、当該差分の結果として得られる第３のＣＭ枠作案データに基づいて広告枠に対する素材の割り付けを再配分し、再配分後の各広告枠の素材指定を表すターゲットアクチュアル最適化データを出力し、
    前記データ処理段階から出力された前記ターゲットアクチュアル最適化データを入力して、出力する段階と、を具備する請求項８または９に記載の広告枠最適化方法。
11. 前記ターゲットアクチュアル最適化装置から再配分後の各広告枠の素材指定をダイレクトに受信し、再配分後の各広告枠の素材指定に基づいて各枠素材を、対応する各広告枠に適応させて広告を放送するように構成された段階を更に具備することを特徴とする請求項１０に記載の広告枠最適化方法。
    

Images