JP6801281B2

JP6801281B2 - プロモーション支援装置及びプログラム

Info

Publication number: JP6801281B2
Application number: JP2016146786A
Authority: JP
Inventors: 文隆黄川田
Original assignee: Fuji Xerox Co Ltd; Fujifilm Business Innovation Corp
Current assignee: Fujifilm Business Innovation Corp
Priority date: 2016-07-26
Filing date: 2016-07-26
Publication date: 2020-12-16
Anticipated expiration: 2036-07-26
Also published as: JP2018018224A

Description

本発明は、プロモーション支援装置及びプログラムに関する。

近年、ソーシャルメディア上での利用者の書き込みを収集・分析することにより、製品開発やサービスの改善に役立てるマーケティング手法として、ソーシャルリスニング（ソーシャルリーディング）が提案されている。ソーシャルリスニングでは、顧客アンケート等で収集した意見と異なり、より自然で潜在的な要求や需要を把握できると考えられている。

特許文献１には、ＳＮＳで保持されている利用者のグループ情報・利用者単位の活動履歴から、グループ内にコンテンツがどれだけ拡散したかを記憶し、この情報からアフィリエイト型広告の報酬内容を決定することが記載されている。

特許文献２には、ＳＮＳで自身のＩＤをパラメータにしたＵＲＬを書き込み、他の利用者が書き込みを見てＵＲＬからプロモーションを見たら、書き込みした利用者の応募口数を増やすことが記載されている。

特開２０１５−２３０６４５号公報特開２０１４−１４２８３５号公報

ＳＮＳの口コミ等、インターネット上の利用者動向を分析して出力することは有効であるが、あくまで単一的なデータを提供するだけであり、利用者は複数の分析結果を読み解く技術が必要で、効果的なプロモーション計画を立てるためには経験やセンスが必要となるのが実情である。

本発明の目的は、どのようなプロモーションをすればどのような効果が得られるかを容易に理解でき、プロモーションを立案し得るプロモーション支援装置及びプログラムを提供することにある。

請求項１に記載の発明は、商品またはサービスのプロモーションの履歴を示すプロモーション履歴データと、前記プロモーションに対する複数の反響データとを記憶する記憶手段と、前記プロモーション履歴データと、前記反響データとを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するモデル生成手段と、生成されたモデルを用いてプロモーションの結果をシミュレーションして出力する処理手段とを備え、前記処理手段は、シミュレーションの対象である商品またはサービスを特定する情報と、実行予定のプロモーションを特定する情報を入力し、前記商品またはサービスを特定する情報には、商品またはサービスの名称、及び特定期日における販売目標値が含まれ、前記実行予定のプロモーションを特定する情報には、プロモーションの種別と、プロモーションの期日または期間が含まれる、プロモーション支援装置である。

請求項２に記載の発明は、前記反響データには前記商品またはサービスの販売量または販売金額を示す販売データを含み、処理手段は、プロモーションの結果として、特定期日における予測販売量または販売金額を出力する請求項１に記載のプロモーション支援装置である。

請求項３に記載の発明は、処理手段は、プロモーションの結果として、特定期日における目標の販売量または販売金額の達成度合いを出力する請求項２に記載のプロモーション支援装置である。

請求項４に記載の発明は、モデル生成手段は、多層ニューラルネットワークのモデルを生成する請求項１〜３のいずれかに記載のプロモーション支援装置である。

請求項５に記載の発明は、モデル生成手段は、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する請求項１〜３のいずれかに記載のプロモーション支援装置である。
請求項６に記載の発明は、商品またはサービスのプロモーションの履歴を表すプロモーション履歴データと、前記プロモーションに対する複数の反響データとを記憶する記憶手段と、前記プロモーション履歴データと前記反響データとを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するモデル生成手段と、前記生成されたモデルを用いてプロモーションの結果をシミュレーションして出力する処理手段とを備え、前記モデル生成手段は、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する、プロモーション支援装置である。

請求項７に記載の発明は、コンピュータに、プロモーション履歴データとその反響データを記憶装置に記憶するステップと、プロモーション履歴データとその反響データを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するステップと、生成されたモデルを用いてプロモーションの結果をシミュレーションして出力するステップとを実行させるプログラムであり、シミュレーションの対象である商品またはサービスを特定する情報と、実行予定のプロモーションを特定する情報を入力し、前記商品またはサービスを特定する情報には、商品またはサービスの名称、及び特定期日における販売目標値が含まれ、前記実行予定のプロモーションを特定する情報には、プロモーションの種別と、プロモーションの期日または期間が含まれる、プログラムである。
請求項８に記載の発明は、コンピュータに、プロモーション履歴データとその反響データを記憶装置に記憶するステップと、プロモーション履歴データとその反響データを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するステップと、生成されたモデルを用いてプロモーションの結果をシミュレーションして出力するステップとを実行させるプログラムであり、前記モデルを生成するステップでは、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する、プログラムである。

請求項１、６，７、８に記載の発明によれば、所望の効果を得るためのプロモーション立案を支援できる。また、請求項１，７に記載の発明によれば、さらに、シミュレーションの対象である商品またはサービスを特定する情報と、実行予定のプロモーションを特定する情報を入力することでプロモーションの効果を知ることができる。また、請求項６，８に記載の発明によれば、さらに、統合モデルを用いてプロモーション立案を支援できる。

請求項２に記載の発明によれば、さらに、利用者は特定期日における販売量を知ることができる。

請求項３に記載の発明によれば、さらに、利用者は特定期日における目標の達成度合いを知ることができる。

請求項４に記載の発明によれば、さらに、多層ニューラルネットワークを用いてプロモーション立案を支援できる。

請求項５に記載の発明によれば、統合モデルを用いてプロモーション立案を支援できる。

実施形態の構成ブロック図である。実施形態の機能ブロック図である。実施形態のモデル模式図（その１）である。実施形態のモデル模式図（その２）である。実施形態における複数回のプロモーションを行った場合の反響量のモデル説明図である。実施形態のプロモーション履歴データの説明図である。実施形態の購買データの説明図である。実施形態の学習モデル説明図である。実施形態の教示データ説明図である。実施形態の統合モデル説明図である。実施形態の処理フローチャート（その１）である。実施形態の処理フローチャート（その２）である。実施形態のシミュレーション入力画面例である。実施形態のシミュレーション出力画面例（その１）である。実施形態のシミュレーション出力画面例（その２）である。実施形態のシミュレーション出力画面例（その３）である。実施形態のシミュレーション出力画面例（その４）である。他の実施形態のシミュレーション出力画面例である。さらに他の実施形態のシミュレーション出力画面例である。

以下、図面に基づき本発明の実施形態について説明する。

＜第１実施形態＞
図１は、本実施形態におけるプロモーション支援装置１０の構成ブロック図を示す。プロモーション支援装置１０は、コンピュータとしての構成を備える。すなわち、入力部１２、ＣＰＵ１４、通信インターフェイス（Ｉ／Ｆ）１６、表示部１８、メモリ２０、及びデータベース２２を備える。

メモリ２０は、処理プログラムを格納するＲＯＭ等のプログラムメモリ、及びＲＡＭ等のワーキングメモリである。

ＣＰＵ１４は、プログラムメモリに記憶された処理プログラムを読み出して実行することで後述する各処理を実行する。ＣＰＵ１４は、特に、過去のプロモーション履歴や反響、購買データに基づいてプロモーションとその成果との関係を学習する。さらに、ＣＰＵ１４は、学習結果を用いてプロモーションのシミュレーションを実行し、シミュレーション結果を出力する。

入力部１２は、過去のプロモーション履歴や反響、購買データ等を入力する。

表示部１８は、液晶ディスプレイや有機ＥＬディスプレイ等であり、ＣＰＵ１４によるシミュレーション結果を出力する。

データベース２２は、過去のプロモーション履歴や反響、購買データを蓄積する。また、データベース２２は、ＣＰＵ１４により実行された学習結果を記憶する。

図１では、プロモーション支援装置１０をスタンドアローンとして示したが、プロモーション支援装置１０をサーバクライアントシステムにおけるサーバコンピュータとして構成してもよい。クライアントである端末とサーバコンピュータは有線あるいは無線で接続され、通信Ｉ／Ｆ１６を介して端末から各種データを入力し、プロモーションとその成果を学習し、シミュレーション結果を通信Ｉ／Ｆ１６を介して端末に出力する。端末とサーバコンピュータは、専用回線で接続されていてもよく、あるいはインターネット等の公衆回線で接続されていてもよい。

図２は、ＣＰＵ１４及びデータベース２２の機能ブロック図を示す。

ＣＰＵ１４は、機能モジュールとして、反響学習モジュール１４１、モデル統合モジュール１４２、及びシミュレーションモジュール１４３を備える。

他方、データベース２２は、プロモーション履歴データを記憶するプロモーション履歴蓄積部２２１、反響データを記憶する反響蓄積部２２２、購買データを記憶する購買データ蓄積部２２３、及び学習結果蓄積部２２４を備える。データベース２２は、具体的にはハードディスクドライブ（ＨＤＤ）やソリッドステートドライブ（ＳＳＤ）等の補助記憶装置で構成され、プロモーション履歴データ、反響データ、購買データは、機械学習を行う際の教示データとして用いられる。

反響学習モジュール１４１は、データベース２２に蓄積された、プロモーション履歴データ、反響データ、購買データに基づき、プロモーションと反響の相関関係を学習する。ここで、反響には、製品あるいはサービスの購買のみならず、ウェブのＰＶ（ページビュー：あるウェブサイトが一定期間内に閲覧された回数）、ＳＮＳでの言及、レビュー、ＴＶや雑誌での取り上げられも含む概念である。学習は、一つの反応単位、例えばウェブのＰＶ、ＳＮＳでの言及、レビュー、ＴＶや雑誌での取り上げのそれぞれに対して実行する。プロモーションに対して、各反響データを用いてモデル（予測計算式）の係数を算出することにより学習する。反響学習モジュール１４１は、得られた反応単位毎のモデルを学習結果としてデータベース２２に登録する。

モデル統合モジュール１４２は、反響学習モジュール１４１で学習して得られた、反応単位毎のモデルを一つのモデルに統合してデータベース２２に登録する。

シミュレーションモジュール１４３は、モデル統合モジュール１４２で統合されたモデルを用いてシミュレーションを実行し、入力されたプロモーション（販売計画）に対して予想される結果を出力することでプロモーションの効果をシミュレーションする。

図３は、本実施形態で学習に用いるモデルを模式的に示す。図において、横軸は時間、縦軸は反響量を示す。あるタイミングで広告等の刺激を市場に入力（投入）した場合、Ｏ１の遅延の後にＯ２で反響量が立ち上がり、その後その効果は一定の減衰曲線で減衰し、Ｏ３の期間だけ持続するというモデルである。このモデルは、一般のプロモーションに対する標準的なモデルである。

図４は、図３のモデルを定量化したものである。広告等の刺激を市場に入力（投入）してからの経過時間に対する反響量ｄ１、ｄ２、ｄ３により図３の増加減衰曲線を表現する。

他方、通常、プロモーションはあるタイミングで１回だけ行うのではなく、時間をおいて複数回行われる。この場合の反響量は、各プロモーションの反響量の重畳になる。

図５は、複数回のプロモーションを行った場合の反響量のモデルを示す。各プロモーションに対する反響１００、１０２、１０４、１０６、１０８、１１０の重畳として、トータルの反響量２００が表される。ここで、プロモーションに対してＳＮＳの言及等の反響があり、それが購買実績に影響を与え、購買実績がさらにレビューやＳＮＳの他の言及につながる。すなわち、ある反響は他の反響に対して独立ではなく、ある反響が他の反響に影響を与える関係にある。

図６は、データベース２２のプロモーション履歴蓄積部２２１に蓄積されるプロモーション履歴データの一例を示す。実施ＩＤ、商品ＩＤ、プロモーションの方法、プロモーションの実施日及びプロモーションの期間が記憶される。例えば、商品ＩＤ＝ＡＡＡの商品について、ＴＶのＣＭを２／１に開始し、１０日間行うことで当該商品についてプロモーションしたことを示す。

図７は、データベース２２の購買データ蓄積部２２３に蓄積される購買データの一例を示す、商品ＩＤ及び購買日が記憶される。例えば、商品ＩＤ＝ＡＡＡの商品について、２／２日に購買されたことを示す。この購買は、２／１から開始されたＴＶのＣＭでのプロモーションによるものである。

図８は、ＣＰＵ１４の反響学習モジュール１４１において学習に用いるモデルを示す。入力としてプロモーションを与え、出力として反響、例えばＳＮＳの言及数を与える。入力として与えるプロモーションは、例えばＴＶＣＭが連続して行われた場合には、ＴＶＣＭ量３日前、ＴＶＣＭ量２日前、ＴＶＣＭ量１日前を与え、ＳＮＳ言及数があればＳＮＳ言及数３日前、ＳＮＳ言及数２日前・・等を与える。ここで、入力にＳＮＳ言及数を与えるのは、既述したようにプロモーションにより購買が生じると、当該購買によりＳＮＳでの言及が増大し、それがまた新たな購買を生じる関連性があるからである。ここで、モデルの数式を、入力要素をｘ、係数（重み）をα、添字をｋとして、ある関数
出力＝Σα_ｋｘ_ｋ
により表現し、入力量及び出力量を用いて最適なαを算出する。モデルを用いた学習は、反応単位毎、つまりＳＮＳの言及やレビュー、ＴＶや雑誌での取り上げ、購買毎に実行される。

図９は、学習に用いられる教示データの一例を示す。入力１、２，３，４，・・・が与えられ、それぞれの出力が与えられる。例えば、入力として、
入力１＝ＴＶＣＭ量３日前
入力２＝ＴＶＣＭ量２日前
入力３＝ＴＶＣＭ量１日前
入力４＝ＳＮＳ言及数３日前
入力・・＝ＳＮＳ言及数２日前
入力・・＝販売量３日前
・・・
であり、出力としてＳＮＳ言及数である。単純化した例で示すと、２つの入力として、
入力１＝ＴＶＣＭ量３日前
入力２＝ＴＶＣＭ量２日前
とし、それぞれの重みをα_１、α_２とし、出力として
出力＝ＳＮＳ言及数とすると、
Σα_ｋｘ_ｋ＝α_１・（ＴＶＣＭ量３日前）＋α_２・（ＴＶＣＭ量２日前）＝ＳＮＳ言及数
であり、プロモーション履歴蓄積部２２１及び反響蓄積部２２２に記憶された複数のデータを用いてこのモデルを満たす最適なα_１及びα_２を算出する。なお、重みは、０≦α≦１に規格化される。

以上のようにして、反応単位毎に係数（重み）を算出することでモデルを学習すると、反響学習モジュール１４１は、学習したモデルをデータベース２２の学習結果蓄積部２２４に記憶する。モデル統合モジュール１４２は、学習結果蓄積部２２４に記憶された学習モデルを参照し、学習モデル（出力が単一のモデル）の入力と出力で同じものを互いにつなぎ合わせていくことで統合モデルを生成する。例えば、あるモデルＡの出力が別のモデルＢの入力と同じである場合、モデルＡとモデルＢをつなぎ合わせて一つのモデルを生成する。より具体的には、プロモーションをシミュレーションしたい結果を出力とするモデルを基準とし、このモデルの入力要素を出力要素とする他のモデルを当該モデルにつなぎ合わせていくという作業を順次繰り返していくことで、複数の単一モデルを一つのモデルに統合していく。この際、係数（重み）が相対的に小さいものは、影響が無視し得るとしてつなぎ合わせることはせずに除去（枝刈り）する。

図１０は、モデル統合モジュール１４２におけるモデル統合を模式的に示す。ある基準日における販売量を出力とするモデル（これを親モデルとする）があり、その入力として、「ＣＭ−３ｄ」、「ＣＭ−２ｄ」、「ＣＭ−１ｄ」、「ＫＷ−３ｄ」、「ＫＷ−２ｄ」、「ＫＷ−１ｄ」があるとする。ここで、「ＣＭ−３ｄ」は、ＴＶＣＭ量が基準日の３日前であることを示す。また、「ＫＷ−３ｄ」は、ＳＮＳ言及数が基準日の３日前であることを示す。

親モデルのこれらの入力のうち、「ＫＷ−２ｄ」に着目すると、別のモデルとしてその出力が「ＫＷ−２ｄ」、つまり基準日より２日前のＳＮＳ言及数であるモデルが存在するものとすると、当該モデルを「ＫＷ−２ｄ」につなぎ合わせる。図において、入力が「ＣＭ−３ｄ」、「ＣＭ−２ｄ」であり、出力が「ＫＷ−２ｄ」のモデルがあるとすると、このモデルを「ＫＷ−２ｄ」につなぎ合わせる。「つなぎ合わせる」とは、あるモデルの出力を別のモデルの入力とすることである。

同様に、親モデルの入力のうち、「ＫＷ−１ｄ」に着目すると、別のモデルとしてその出力が「ＫＷ−１ｄ」、つまり基準日より１日前のＳＮＳ言及数であるモデルが存在するものとすると、当該モデルを「ＫＷ−１ｄ」につなぎ合わせる。図において、入力が「販売量−１ｄ」であり、出力が「ＫＷ−１ｄ」のモデルがあるとすると、このモデルを「ＫＷ−１ｄ」につなぎ合わせる。さらに、入力が「ＫＷ−３ｄ」であり、出力が「販売量−１ｄ」の別のモデルがあれば、当該モデルを「販売量−１ｄ」につなぎ合わせる。

このような操作を繰り返すことで、最終的に「販売日（基準日）」を出力とする統合モデルが作成される。また、統合モデルにおける入力は、ＴＣＣＭ量３日前、ＴＶＣＭ量２日前等のコントロール可能なプロモーション（直接的プロモーション）であり、ＳＮＳの言及等、第３者による間接的プロモーションは含まれない。

図１１及び図１２は、モデル統合モジュール１４２における処理フローチャートを示す。

図１１は、全体処理フローチャートである。対象項目として購買量を設定し、デフォルトの係数（重み）を１に設定し、影響限界、すなわち枝刈りをするための閾値を０近傍の０．００１に設定する（Ｓ１０１）。そして、学習結果蓄積部２２４に記憶された反応単位毎のモデル（単一モデル）を読み出してこれらを統合処理する（Ｓ１０２）。

図１２は、図１１における統合処理（Ｓ１０２）の詳細処理フローチャートである。

まず、対象項目を出力とするデータが存在するか否かを判定する（Ｓ２０１）。対象項目が購買量に設定されている場合、購買量を出力とするデータが存在するか否かを判定する。存在すれば、結合モデルの新規作成処理に移行する（Ｓ２０２）。

すなわち、対象項目を出力とする単一モデルの入力要素について、基準日を起点に読み替えた上で取得する（Ｓ２０３）。例えば、購買量を出力とするモデルの入力要素が、
販売量（１日前）
販売量（２日前）
販売量（３日前）
であり、当該モデルの基準日が２日であるとすると、これらの入力要素を基準日を起点として読み替えて、
販売量（１日前）→販売量（３日前）
販売量（２日前）→販売量（４日前）
販売量（３日前）→販売量（５日前）
とする。

次に、対象項目としてｋを入力要素とし、重みを今の重み（１）×ｋの重み（α）とし、基準日を入力要素の日数（ｙ）とし（Ｓ２０４）、重みが影響限界を超えているか否かを判定し（Ｓ２０５）、重みが影響限界を超えている場合には結合作業を行う（Ｓ２０６）。つまり、入力と出力が同じモデルを互いにつなぎ合わせる。入力と出力が同じで互いにつなぎ合わせることができるモデルは、Ｓ２０２で作成した新規の結合モデルのｋ番目の子モデルとして追加する（Ｓ２０７）。例えば、読み替え後の入力要素のうち、
販売量（３日前）
に着目し、販売量（３日前）を出力とするモデルがあれば、結合モデルの１番目の子モデルとして追加する。

その後、ｋを１だけインクリメントして（Ｓ２０８）、最終的にｋ＝ｎとなるまでＳ２０４〜Ｓ２０８の処理を繰り返す。但し、ｎは入力要素の数である。これにより、新規の結合モデルに、モデルが結合されていく。また、この際、入力要素の重みが影響限界以下であれば、その結合作業は実行されないので（Ｓ２０５でＮＯでＳ２０６、Ｓ２０７はスキップ）、当該入力要素を出力とするモデルは子モデルとして追加されることはなく、枝刈りされる。全ての入力要素についてモデルの結合を行うと、結合モデルを返却する（Ｓ２１０）。ここで、返却とは、最初に設定した統合の基準となるモデルであり、出力を購買量（基準日）とするモデルとして置き換えることを意味する。そして、再びＳ２０１以降の処理を繰り返す。これにより、順次、その出力が入力要素と一致するモデルが順次、子モデルとして追加されていく。

他方、対象項目を出力とするデータが存在しない場合には（Ｓ２０１）、結合モデルを作成することなく、対象項目及び基準日を返却する（Ｓ２１１）。これにより、対象項目及び基準日のみが結合モデルに結合され、次の処理に引き継がれる。

このように、基準日から順次、時間を遡って単一モデルを統合すると、最後には、プロモーションとして実行した入力要素を入力とし、購買日（基準日）を基準とする単一の統合モデルが得られる。この統合モデルの入力は、プロモーションとして実行される要素であり、ＳＮＳの言及やＴＶ・雑誌での取り上げ等のプロモータがコントロールし得ない要素ではなく、ＴＶのＣＭや雑誌への投稿等、プロモータが主体的にコントロールし得る要素のみとなる。この統合モデルが、次のシミュレーションにおいて用いられるモデルとなる。統合モデルは、データベース２２に登録される。

図１３は、表示部１８に表示される、シミュレーションモジュール１４３で実行されるシミュレーションの画面例を示す。シミュレーションモジュール１４３は、データベース２２に登録された統合モデルを読み出し、ユーザから入力されたプロモーション計画を入力することでその出力、具体的には基準日における購買量を計算して出力する。

シミュレーション画面には、基本情報として、商品ＩＤ，期日、商品属性、目標値が入力される。期日は、シミュレーションにより購買量を計算することを欲する日付であり基準日である。目標値は、期日において目標とする購買量である。また、プロモーション情報として、プロモーション種別、開始時、及び終了日が入力される。プロモーション種別は、ＴＶのＣＭや雑誌への投稿、ウェブへの掲載等であり、例えばプルダウンメニューから選択することで入力される。プロモーションは、計画している数だけ追加入力される。利用者は、例えば、
期日：４／１
ウェブへの掲載：２／１
ＴＶのＣＭ：２／２０〜２／２５
等と入力する。シミュレーションモジュール１４３は、これらの入力に基づき、データベース２２に登録されている統合モデルの入力要素に与え、基準日におえる購買量を出力する。シミュレーションモジュール１４３は、シミュレーションして得られた購買量の結果を表示部１８に出力する。

図１４は、シミュレーション結果の一例を示す。
期日：４／１（３月末まで）
目標値：１００万枚
プロモーション：２／１にＨＰで告知
を入力した場合である。このときのシミュレーションで得られる販売量５００の推移、及び各反響（ＰＶやＳＮＳの言及数、レビュー数等）の推移が横軸を時間軸とするグラフで表示されるとともに、４／１における販売量の数値が１万枚と表示される。１万枚は目標値に達していない数字であるため、シミュレーションモジュール１４３は、シミュレーション結果と目標値とを大小比較し、シミュレーション結果＜目標値であるとして、「目標に達しません」とメッセージを表示する。

図１５は、シミュレーション結果の他の例を示す。
期日：４／１（３月末まで）
目標値：１００万枚
プロモーション：２／１にＨＰで告知、２／２０〜２／２５にＴＶＣＭ放映
を入力した場合である。このときのシミュレーションで得られる販売量５００の推移、及び各反響（ＰＶやＳＮＳの言及数、レビュー数等）の推移が横軸を時間軸とするグラフで表示されるとともに、４／１における販売量の数値が１０万枚と表示される。１０万枚は目標値に達していない数字であるため、シミュレーションモジュール１４３は、シミュレーション結果と目標値とを大小比較し、シミュレーション結果＜目標値であるとして、「目標に達しません」とメッセージを表示する。

図１６は、シミュレーション結果のさらに他の例を示す。
期日：４／１（３月末まで）
目標値：１００万枚
プロモーション：２／１にＨＰで告知、３／１〜３／３１にＴＶＣＭ放映
を入力した場合である。このときのシミュレーションで得られる販売量５００の推移、及び各反響（ＰＶやＳＮＳの言及数、レビュー数等）の推移が横軸を時間軸とするグラフで表示されるとともに、４／１における販売量の数値が５０万枚と表示される。図１４あるいは図１５の場合よりもシミュレーションの結果は増大しているが、５０万枚は未だ目標値に達していない数字であるため、シミュレーションモジュール１４３は、シミュレーション結果と目標値とを大小比較し、シミュレーション結果＜目標値であるとして、同様に「目標に達しません」とメッセージを表示する。

図１７は、シミュレーション結果のさらに他の例を示す。
期日：４／１（３月末まで）
目標値：１００万枚
プロモーション：２／１にＨＰで告知、３／１〜３／３１にＴｗｉｔｔｅｒで販促キャンペーン
を入力した場合である。このときのシミュレーションで得られる販売量５００の推移、及び各反響（ＰＶやＳＮＳの言及数、レビュー数等）の推移が横軸を時間軸とするグラフで表示されるとともに、４／１における販売量の数値が１０１万枚と表示される。１０１万枚は目標値に達している数字であるため、シミュレーションモジュール１４３は、シミュレーション結果と目標値とを大小比較し、シミュレーション結果＞目標値であるとして、「目標に達しません」とメッセージは表示せず、これにより目標値を満たしていることを利用者に間接的に報知する。

図１４〜図１７に示される通り、利用者は、プロモーションの種別や期間等を順次入力し、シミュレーションを行って、所望の期日における購買量（販売量）を知ることができ、目標値に達するようなプロモーション計画を立案することが可能である。

以上、本発明の実施形態について説明したが、本発明はこれに限定されるものではなく、種々の変形が可能である。以下に、他の実施形態について例示的に説明する。

＜第２実施形態＞
第１実施形態では、反響蓄積部２２２に反響データを記憶し、購買データ蓄積部２２３に購買データを記憶しているが、購買データを反響データの一つとみなして、反響蓄積部２２２に記憶してもよい。この場合、プロモーション履歴データと反響データを用いて学習モデルを生成することになる。

＜第３実施形態＞
第１実施形態では、あるプロモーションに対する反響として、ウェブのＰＶ、ＳＮＳでの言及、レビュー、ＴＶや雑誌での取り上げ等を例示したが、これらに限定されるものではなく、あるプロモーションに対する需要者の任意の反応を反響とすることができる。また、反響学習モジュール１４１で学習する際に、全ての反響を用いるのではなく、装置側で自動選択した、あるいは利用者が手動で選択した反響のみを用いて学習してもよい。例えば、ＳＮＳでの言及と購買実績のみを反響として用いて学習する等である。但し、学習に用いるデータが多い程、一般に学習の精度が向上し、シミュレーションの精度も向上することは言うまでもない。

＜第４実施形態＞
第１実施形態では、反響学習モジュール１４１で単一モデルを生成し、モデル統合モジュール１４２でこれらの単一モデルを統合して統合モデルを生成しているが、必ずしもこのような
単一モデル生成→モデル統合
というステップを経る必要はなく、要は、プロモーション履歴データと反響データとを用い、入力をプロモーション、出力を特定の反響（例えば購買量（販売量））とするモデルを学習により生成すればよい。このような学習には、単層若しくは多層のニューラルネットワークの機械学習も含まれる。多層ニューラルネットワークは、識別能力が高く優れた計算モデルとして知られている。

＜第５実施形態＞
第１実施形態では、学習に用いる関数として、入力をｘ、出力をｙとして、
ｙ＝Σα_ｋｘ_ｋ
を用いているが、これも例示であり、一般に、機械学習に用いられる関数として、
ｙ＝φ（Σα_ｋｘ_ｋ＋ｂ）
を用いてもよい。ここで、φは活性化関数であり、ｂはバイアスである。また、関数としてランプ関数を用いてもよい。

＜第６実施形態＞
第１実施形態では、プロモーション支援装置１０でモデルの学習、モデルの統合、統合モデルを用いたシミュレーションを実行しているが、これらの処理を別のコンピュータで実行してもよい。例えば、反響学習モジュールをコンピュータＡが実装し、モデル統合モジュールをコンピュータＢが実装し、シミュレーションモジュールをコンピュータＣが実装する、あるいは反響学習モジュール及びモデル統合モジュールをコンピュータＡが実装し、シミュレーションモジュールをコンピュータＢが実装する等である。これらのコンピュータＡ〜Ｃは互いにデータ送受可能に接続され、コンピュータ群としてプロモーション支援装置を構成し得る。

＜第７実施形態＞
第１実施形態のプロモーション支援装置は、サーバクライアントシステムにおけるサーバコンピュータとして構築することが可能であるが、プロモーション履歴データや反響データ、購買データ等は複数の端末からサーバコンピュータに供給され得る。プロモーション履歴データ等を供給する端末と、シミュレーションを行うために図１３の画面例で示す各種情報を入力し、図１４等の画面例で示すシミュレーション結果を受け取る端末は同一でもよく、あるいは異なっていてもよい。

＜第８実施形態＞
第１実施形態では、図１３に示すようにシミュレーション条件として、
商品ＩＤ
商品属性
期日
目標値
プロモーション種別
開始日
終了日
を入力しているが、これらの全てを入力する必要はなく、シミュレーションの対象を特定する情報と、実行予定のプロモーションを特定する情報を入力すればよい。シミュレーションの対象を特定する情報は、
商品あるいはサービスの属性（名前等）と販売量（購買量）
商品あるいはサービスの属性（名前等）とＳＮＳ言及数
商品あるいはサービスの属性（名前等）とウェブのＰＶ
・・・
等である。期日及び目標値についても必須でないが、通常、プロモーションを立案する場合には、一定の期日までの目標値を設定して立案するものと考えられるため、入力条件として好ましい。実行予定のプロモーションを特定する情報は、少なくとも、プロモーションの内容と、当該プロモーションの期日若しくは期間である。

＜第９実施形態＞
第１実施形態では、図１４等に示すようにシミュレーション結果として、横軸を時間軸として、販売量その他の反響をグラフ表示しているが、これらの全てを表示する必要はなく、販売量のみ、あるいは特定の反響のみを表示してもよい。表示する内容は、シミュレーションの対象に応じて変化し得る。シミュレーション対象がある商品の販売量である場合、そのシミュレーション結果としては、少なくとも、特定の期日において予想される販売量のみを表示すればよく、必要に応じて目標値との関係を付加的に表示すればよい。
あるいは、シミュレーション結果として、目標値に達しているか否かだけを表示してもよい。例えば、図１４において、「目標に達しません」のメッセージのみを表示する、あるいは図１７において、「目標を達成できます」のメッセージのみを表示する等である。目標に達しているか否かではなく、目標の達成度合いを表示してもよい。例えば、「目標に対して８０％です」、「目標に対して１００％です」、「目標に対して１２０％です」等である。「目標に達しません」、あるいは「目標を達成できます」等のメッセージは、目標の達成度合いの一例とみなすことができる。

図１７は、シミュレーション結果として、目標達成度合いを表示する場合を示す。「目標達成率１０５％」として目標達成度合いが示され、利用者は、これにより目標を達成し得ることを認識できる。図１７において、単に目標達成度合いのみをメッセージとして表示してもよく、あるいはプロモーションの種別と期日（期間）及び目標達成度合いのみを表示してもよい。

＜第１０実施形態＞
第１実施形態では、基本的に、利用者がシミュレーション条件として実行予定のプロモーションを特定する情報を入力しているが、利用者はシミュレーションの対象を特定する情報のみを入力し、コンピュータが学習モデルに基づいて目標値を達成するためのプロモーションをシミュレーションにより算出し、推奨プロモーションとして利用者に提示してもよい。例えば、利用者が、ある商品のある期日における販売量の目標値を入力すると、コンピュータが学習モデルを用いて当該商品の当該期日における販売量が目標値を達成し得るプロモーションを例示列挙する等である。

図１９は、コンピュータが推奨プロモーションを提示する場合の例を示す。推奨プロモーションとして、プロモーションの種別と期日を示す。例えば、推奨プロモーションとして、
２／１ＨＰ告知
３／１〜３／３１ＳＮＳで拡散キャンペーン
等である。これととともに、推奨プロモーション通りにプロモーションを実行した場合の目標達成度合いを示す。この表示において、さらに「他の推奨プラン」のボタンを表示し、利用者が当該ボタンを操作した場合には他の推奨プロモーションを提示する構成としてもよい。

なお、本実施形態では、既述したように多層構造のニューラルネットワーク（多層ニューラルネットワーク）を用いた機械学習を用いることができるが、多層ニューラルネットワークの学習は公知であり（例えば、特開２０１５−９５２１５号公報）、以下で簡単に説明しておく。

層数Ｌと各層のユニット数Ｄ_l（ｌ＝１，２，…，Ｌ）はあらかじめ与えられているものとする。第ｎ（ｎ＝１，２，…，Ｎ）番目の入力ベクトルを下式（１）、式（２）のように定義する。

すべてのｌ＝１，２，…，Ｌに対して、下式（３）〜（７）の変数を定める。

なお、ｈは単調増加かつ微分可能な非線形活性関数である。
最適化問題として、下式（８）を最小化する。

を求める。

ここで、

であり、ｔⁿは、次元Ｄ_Lの既知の正解出力ベクトル（スカラー）である。

学習は、出力層に近い重みから順に勾配法による更新を繰り返す誤差逆伝搬法を用いる。なお、この時の初期値は乱数によって与えられる。勾配法は下式（９）で表現される。

勾配法で使用する微分の計算方法は以下のとおりである。なお、以下の式において下付きのｉ、ｊ、ｋは、ベクトルや行列のインデクスである。
まず、最終の重み層の微分は、下式（１０）〜（１２）の計算で求められる。

ｌ＝Ｄ−１，Ｄ−２，…，１の重み層の微分は、下式（１３）〜（１６）の計算で求められる。

学習に用いる教師データは、プロモーション履歴蓄積部２２１，反響蓄積部２２２、購買データ蓄積部２２３に記憶されたデータであり、これらをネットワークの入力となる多次元ベクトルと、それに対応した、ニューラルネットワークの出力となるターゲット値の組として与える。本実施形態におけるニューラルネットワークは、入力層から出力層まで順番に信号が伝搬する順伝搬型とし得る。ニューラルネットワークは、ＧＰＵ（グラフィックスプロセッシングユニット）あるいはＦＰＧＡ、あるいはこれらとＣＰＵ１４との協働により実現され得るが、これに限定されない。

各実施形態におけるプロモーションでは、ＴＣのＣＭ、ウェブへの掲載・キャンペーン、ＳＮＳへの投稿・キャンペーン、新聞・雑誌への投稿・キャンペーンを例示したが、これらに限定されるものではなく、商品、サービスに対する意識や関心を高め、購買を促進する任意の活動・メッセージが含まれる。

１０プロモーション支援装置、１２入力部、１４ＣＰＵ、１６通信Ｉ／Ｆ、１８表示部、２０メモリ、２２データベース、１４１反響学習モジュール、１４２モデル統合モジュール、１４３シミュレーションモジュール、２２１プロモーション蓄積部、２２２反響蓄積部、２２３購買データ蓄積部、２２４学習結果蓄積部。

Claims

商品またはサービスのプロモーションの履歴を表すプロモーション履歴データと、前記プロモーションに対する複数の反響データとを記憶する記憶手段と、
前記プロモーション履歴データと前記反響データとを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するモデル生成手段と、
前記生成されたモデルを用いてプロモーションの結果をシミュレーションして出力する処理手段と、
を備え、
前記処理手段は、シミュレーションの対象である商品またはサービスを特定する情報と、実行予定のプロモーションを特定する情報を入力し、
前記商品またはサービスを特定する情報には、商品またはサービスの名称、及び特定期日における販売目標値が含まれ、
前記実行予定のプロモーションを特定する情報には、プロモーションの種別と、プロモーションの期日または期間が含まれる、
プロモーション支援装置。
前記反響データには前記商品またはサービスの販売量または販売金額を示す販売データを含み、
前記処理手段は、プロモーションの結果として、特定期日における予測販売量または販売金額を出力する
請求項１に記載のプロモーション支援装置。
前記処理手段は、プロモーションの結果として、特定期日における目標の販売量または販売金額の達成度合いを出力する
請求項２に記載のプロモーション支援装置。
モデル生成手段は、多層ニューラルネットワークのモデルを生成する
請求項１〜３のいずれかに記載のプロモーション支援装置。
モデル生成手段は、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する
請求項１〜３のいずれかに記載のプロモーション支援装置。
商品またはサービスのプロモーションの履歴を表すプロモーション履歴データと、前記プロモーションに対する複数の反響データとを記憶する記憶手段と、
前記プロモーション履歴データと前記反響データとを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するモデル生成手段と、
前記生成されたモデルを用いてプロモーションの結果をシミュレーションして出力する処理手段と、
を備え、
前記モデル生成手段は、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する、
プロモーション支援装置。
コンピュータに、
プロモーション履歴データとその反響データを記憶装置に記憶するステップと、
プロモーション履歴データとその反響データを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するステップと、
生成されたモデルを用いてプロモーションの結果をシミュレーションして出力するステップと、
を実行させるプログラムであり、
シミュレーションの対象である商品またはサービスを特定する情報と、実行予定のプロモーションを特定する情報を入力し、
前記商品またはサービスを特定する情報には、商品またはサービスの名称、及び特定期日における販売目標値が含まれ、
前記実行予定のプロモーションを特定する情報には、プロモーションの種別と、プロモーションの期日または期間が含まれる、
プログラム。
コンピュータに、
プロモーション履歴データとその反響データを記憶装置に記憶するステップと、
プロモーション履歴データとその反響データを教示データとして用い、入力をプロモーション、出力を特定の反響とするモデルを学習により生成するステップと、
生成されたモデルを用いてプロモーションの結果をシミュレーションして出力するステップと、
を実行させるプログラムであり、
前記モデルを生成するステップでは、特定の反響を出力とする単一モデルを反響毎に複数モデル生成し、複数モデルを互いに統合した統合モデルを生成する、
プログラム。