JP7633440B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Description

本開示は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

例えば、特許文献１には、特定銘柄の商品の販売促進キャンペーン用のダイレクトメールを送付した際の効果の予測を行うシミュレーション装置が記載されている。

このシミュレーション装置は、予定予算受付部と、顧客マスタテーブルと、条件受付部と、送付可能人数算出部と、送付可能人数提示部と、送付予定人数受付部と、期待転移率受付部と、期待転移人数算出部と、単価テーブルと、期待獲得価値算出部と、期待ＲＯＩ算出部と、予測提示部と、を有している。

予定予算受付部は、キャンペーンの予定予算の入力を受け付ける。顧客マスタテーブルは、顧客毎の属性および転出確率を含む。条件受付部は、ダイレクトメールの送付条件の設定を受け付ける。送付可能人数算出部は、顧客マスタテーブルから送付条件に一致する顧客を抽出し、ダイレクトメールの送付可能人数を算出する。送付可能人数提示部は、送付可能人数を提示する。送付予定人数受付部は、送付可能人数を上限として、ダイレクトメールを送付する送付予定人数の設定を受け付ける。期待転移率受付部は、送付条件に応じた期待転移率の入力を受け付ける。期待転移人数算出部は、送付予定人数および期待転移率から期待転移人数を算出する。単価テーブルは、商品の銘柄の属性毎に設定された、キャンペーン前後で顧客が主に購入する銘柄の変化により獲得される価値を示す一人当たりの獲得価値単価を記憶する。期待獲得価値算出部は、単価テーブルを参照し、送付条件に一致する商品の銘柄の属性に対応する特定銘柄への転移による獲得価値単価を求め、期待転移人数から期待獲得価値を算出する。期待ＲＯＩ算出部は、予定予算および期待獲得価値から期待ＲＯＩを算出する。予測提示部は、期待獲得価値および期待ＲＯＩを提示する。

従来、販売施策及びその他のマーケティングは、特許文献１のようなダイレクトメールの他、シールやハガキを利用したものが主流であったが、近年、スマートフォンやキャッシュレス決裁の浸透により、通信機器を使用して簡単にキャンペーンに応募でき、景品やポイントを貰える「デジタルマーケティング（デジタル技術を利用した販売促進）」が注目されている。

国際公開第２００７／０３７１７８号

しかしながら、本発明者の鋭意研究によると、従来のデジタルマーケティングは、そのの効果の予測及び検証、並びに活用の観点において改良の余地がある。

そこで本開示は、デジタルマーケティングの効果の予測及び検証、並びに活用を好適に実行することができる情報処理装置、情報処理方法及び情報処理プログラムを提供することを目的の１つとする。

本開示の一態様に係る情報処理装置は、企画の参加候補者の識別情報を取得する識別情報取得部と、前記参加候補者の属性情報を取得する属性情報取得部と、前記参加候補者の行動履歴情報を取得する行動履歴情報取得部と、前記企画の詳細情報を取得する詳細情報取得部と、前記参加候補者が前記企画に参加することの効果の算出態様を制御する算出態様制御部と、を有し、前記算出態様制御部は、前記識別情報と前記属性情報と前記行動履歴情報と前記詳細情報とを機械学習モデルに当て込んだ第１の効果、及び、前記詳細情報を線形回帰モデルに当て込んだ第２の効果に基づいて、前記参加候補者が前記企画に参加することの前記効果を算出する、ことを特徴とする。
本開示の一態様に係る情報処理装置は、企画の参加候補者の識別情報を取得する識別情報取得部と、前記参加候補者の属性情報を取得する属性情報取得部と、前記参加候補者の行動履歴情報を取得する行動履歴情報取得部と、前記企画の詳細情報を取得する詳細情報取得部と、前記参加候補者が前記企画に参加することの効果の算出態様を制御する算出態様制御部と、を有し、前記算出態様制御部は、前記参加候補者が前記企画に参加することの前記効果として、前記参加候補者が前記企画に参加する確率、及び、前記確率が所定閾値を超えるか否か、並びに、線形回帰の関係式の出力値を算出するとともに、調査会社が調査実施するパネルデータに基づいて、前記所定閾値、及び、前記線形回帰の関係式のパラメータを補正する、ことを特徴とする。

本開示の一態様によれば、デジタルマーケティングの効果の予測及び検証、並びに活用を好適に実行することができる情報処理装置、情報処理方法及び情報処理プログラムを提供することができる。

情報処理装置の概略構成の一例を示す図である。 情報処理サーバの内部構成の一例を示すブロック図である。 識別情報と属性情報と行動履歴情報と詳細情報及びこれに基づく購買確率の一例を示す概念図である。 機械学習モデルに基づく効果算出の一例を示す図である。 線形回帰モデルに基づく効果算出の一例を示す図である。 ユーザ端末と情報処理サーバの機能構成の一例を示す図である。 ユーザ端末と情報処理サーバのハードウェア構成の一例を示す図である。

本明細書において、「企画」とは、デジタルマーケティング（デジタル技術を利用した販売促進）にかかるイベント、キャンペーン、プロモーション等を示している。例えば、「企画」は、インターネットを利用したホームページや専用アプリケーション、ＳＮＳ（Social Networking Service）等のデジタル上のツールやデジタル広告を利用して行う販売促進活動である。「企画」では、所定の企画期間を指定して、特定の商品又は役務の販売に際した特典（例えば、販売価格のディスカウント、ポイント付与、関連する他の商品又は役務の予約・販売の優遇、おまけ付加等）を提示することにより、特定の商品又は役務の販売促進を図ることができる。

本開示における「企画」は、タイムリーな配信が可能というメリットがある。つまり、紙の印刷や郵送等が発生しないため、圧倒的に早いスピードで情報の配信が可能である。例えば、タイムセールのお知らせ、雨が降った時に合わせたイベント、キャンペーン、プロモーション等をリアルタイムに行うことができる。また、配信後の一部内容の差し替え等もスピーディーに実施が可能である。

本開示における「企画」は、従来のアナログ販促（例えば、シールやハガキを利用したもの）に比較して、細やかなターゲティング配信をし易いというメリットがある。つまり、対象者の性別、年齢、居住地等だけでなく、そのお店への来店履歴、コンテンツ閲覧履歴等を活用してメッセージや広告の配信ができる手法を採用できる。これにより、必要な人に、必要なタイミングで情報を届け易くなる。

本開示における「企画」は、データによる効果の可視化や来店客の分析が可能だというメリットがある。例えば、店頭でのデジタルクーポン消込機能等を活用することで、従来のアナログ販促では難しかった販促活動の効果を可視化することが可能となる。また、何の販促活動により、どんな顧客が来店して何の商品を購入したかのデータを蓄積することで、次の販促活動をより精度高く行うことが可能となる。

以下、本開示の実施形態について添付図面を参照して詳細に説明する。

図１は、情報処理装置１の概略構成の一例を示す図である。「情報処理装置」は、「情報処理システム」と読み替えられてもよい（両者を同義としてもよい）。また、情報処理方法及び情報処理プログラムは、情報処理装置１に含まれるコンピュータ（ＣＰＵ：Central Processing Unit）に各種の処理ステップを実行させることによって実現される。

図１に示すように、情報処理装置１は、ユーザ端末１０と、情報処理サーバ２０とを有している。ユーザ端末１０と情報処理サーバ２０は、ネットワーク３０によって互いに通信可能に接続されている。図１では、ユーザ端末１０として、ユーザ端末１０－１、１０－２、・・・、１０－Ｎ（Ｎは自然数）を描いているが、ユーザ端末１０の数には自由度があり、種々の設計変更が可能である。以下では、ユーザ端末１０－１～１０－Ｎの全部又は一部を総称して、代表符号１０を付して説明する場合がある。図１では、情報処理サーバ２０を単一構成として簡略化して描いているが、これは作図の便宜上の理由によるものである。実際には、ハードウェア構成としても、ソフトウェア構成としても、情報処理サーバ２０は、図１に描いたよりも複雑な構成を有している。詳細については後述するが、例えば、情報処理サーバ２０は、複数のサーバやデータベース等を含んで構成されていてもよい。

情報処理装置（情報処理システム）１は、ユーザ端末１０と情報処理サーバ２０を含んだ構成として捉えてもよいし、ユーザ端末１０を含まず情報処理サーバ２０だけを含んだ構成として捉えてもよい。つまり、情報処理装置（情報処理システム）１において、ユーザ端末１０は必須の構成要件ではない。

ユーザ端末１０は、例えば、携帯電話、スマートフォン、タブレット型端末などの携帯端末（移動通信端末）である。つまり、本明細書におけるユーザ端末１０は、情報処理サーバ２０との間で各種の通信を行うことができる通信デバイスである。ユーザ端末１０は、例えば、有線及び／又は無線（例えば、Long Term Evolution（ＬＴＥ）、5^th Generation New Radio（５Ｇ ＮＲ）、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）など）を介して、ネットワーク（インターネットなど）と通信してもよい。ユーザ端末１０による通信方式には自由度があり、種々の設計変更が可能であり、音響通信や可視光通信等であってもよい。ユーザ端末１０は、ユーザの操作により、ブラウザ及びその他の各種のアプリケーションを実行する。

本実施形態において、ユーザ端末１０は、情報処理サーバ２０との通信を行うことで、デジタルマーケティング（デジタル技術を利用した販売促進）にかかるイベント、キャンペーン、プロモーション等を示す「企画」に関する各種の操作を実行することができる。ユーザ端末１０には、上記の「企画」におけるユーザの利便性を向上させるための「企画利用アプリケーション（デジタル販促アプリケーション）」がダウンロード（インストール）されてもよい。ユーザ端末１０を操作することで、ユーザは、上記の「企画」において、特定の商品又は役務の購入を行ったり、購入に際した特典を受け取ったり、「企画」に関連するコンテンツ配信を受けたり、「企画」及びその他の情報の提供や収集を行ったりすることができる。

情報処理サーバ２０は、ユーザ端末１０との間で各種の通信を行うことができる通信デバイスであればよく、デバイス、回路などで読み替えられてもよい。情報処理サーバ２０は、ユーザ端末１０との間の通信を介して、ユーザに対して、デジタルマーケティング（デジタル技術を利用した販売促進）にかかるイベント、キャンペーン、プロモーション等を示す「企画」を利用した好適なサービスを提供するための各種の処理を制御・実行することができる。その意味で、情報処理サーバ２０は、「デジタルマーケティング処理／制御サーバ、デジタル販促処理／制御サーバ」などと読み替えられてもよい。

図２は、情報処理サーバ２０の内部構成の一例を示すブロック図である。

図２に示すように、情報処理サーバ２０は、識別情報取得部２１と、属性情報取得部２２と、行動履歴情報取得部２３と、詳細情報取得部２４と、算出態様制御部２５とを有している。

識別情報取得部２１は、企画の参加候補者の識別情報を取得する。「企画の参加候補者」は、ユーザ端末１０を使用して情報処理サーバ２０にアクセスした者、インターネットを利用したホームページや専用アプリケーション、ＳＮＳ（Social Networking Service）等のデジタル上のツールやデジタル広告を利用して「企画」に関する情報を閲覧した者、及び「企画」を利用して商品又は役務を購入する可能性がある者の少なくとも１つを含むように定義される。「企画の参加候補者」が「企画」を利用して商品又は役務を購入すると、「企画の参加者」になる（昇格する）。企画の参加候補者は、「潜在顧客」と読み替えてもよい。

識別情報取得部２１は、ユーザ端末１０を使用して情報処理サーバ２０にアクセスしたとき、ユーザ端末１０に対応付けられた識別情報を取得して、これを企画の参加候補者の識別情報として記憶する。ユーザ端末１０の識別情報には自由度があり、種々の設計変更が可能であるが、例えば、ＩＭＥＩ（International Mobile Equipment Identifier）等の固有の識別番号とすることができる。

属性情報取得部２２は、参加候補者の属性情報を取得する。属性情報取得部２２は、ユーザ端末１０を使用して情報処理サーバ２０にアクセスしたとき、ユーザ端末１０の利用者情報・所有者情報として、且つ／又は、ユーザ端末１０を利用して入力された入力情報として、企画の参加候補者（ユーザ）の年齢、性別、職業、居住地、趣味、興味関心等を含んだ属性情報を取得する。

行動履歴情報取得部２３は、参加候補者の行動履歴情報を取得する。行動履歴情報取得部２３は、ユーザ端末１０を使用して情報処理サーバ２０にアクセスしたとき、ユーザ端末１０の利用者情報・所有者情報として、且つ／又は、ユーザ端末１０を利用して入力された入力情報として、ユーザ端末１０を利用した企画サイト等での行動履歴を抽出する。行動履歴情報は、例えば、同一・類似・その他の事業者が行った過去の「企画」における購買履歴に関する情報を含むことができる。購買履歴情報は、購買した商品・役務の内容や種類、購買時期、購買価格、購買数、購買により企画で受けた特典（例えばキャッシュバックポイント）等を含んでいてもよい。あるいは／加えて、行動履歴情報は、過去の企画への参加／非参加、応募回数、企画サイトの閲覧の履歴を含んでいてもよい。

詳細情報取得部２４は、企画の詳細情報を取得する。企画の詳細情報は、キャンペーン情報等と読み替えてもよく、企画の期間、企画のメニュー、企画の形式、企画の商材（商品・役務）のカテゴリ、企画の商材（商品・役務）の単価を含むことができる。あるいは／加えて、企画の詳細情報は、決済連動／ボーナス発行のいずれであるか、特典の内容（例えばポイントバック率はどれくらいか）等を含んでいてもよい。

算出態様制御部２５は、参加候補者が企画に参加することの効果の算出態様を制御する。「参加候補者が企画に参加することの効果」は、様々な観点から算出することができる。一例を挙げると、算出対象となる商品・役務毎の企画参加者の数や割合（参加候補者が実際に参加者となった数や割合）、算出対象となる商品・役務の単価、企画参加者が購入した商品・役務の数、算出対象となる商品・役務の単価と数を乗じて得た売上、企画が複数の商品・役務を含む場合には、それぞれの商品・役務の売上を加算した総売上の少なくとも１つが「参加候補者が企画に参加することの効果」として算出される。あるいは、上記の各指標（参加者や売上）を所定の計算式に当て込んで得たポイントを「参加候補者が企画に参加することの効果」として算出してもよい。「参加候補者が企画に参加することの効果」を算出する際に、参加候補者が企画に参加する確率を算出して、当該確率が所定閾値を超えるか否かに基づいて、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するプロセスが必要となる。

また、算出態様制御部２５は、予測対象として、企画への参加有無、参加者数、参加者数からの売上を計算に加えて、参加購買金額と延べ応募数の予測を実行可能な態様で実装することができる。その際に、算出態様制御部２５は、対象となる購買商品や購買金額（下限金額）を所定のキャンペーン条件に照らしてクリアした購買者の延べ応募数（延べ参加者数）ひいてはキャンペーン売上を予測してもよい。また、企画への参加有無のフラグのみを予測するのではなく、購買金額を加味してキャンペーン条件に当てはめることで、キャンペーン対象か否かを判定してもよい。また、算出態様制御部２５は、一人当たりの購買価格をＩＤ単位で捕捉するとともに、これらの合計から企画（キャンペーン）の売上を算出してもよい。

算出態様制御部２５は、効果算出時の状況の他、識別情報取得部２１と属性情報取得部２２と行動履歴情報取得部２３と詳細情報取得部２４が取得した各情報の少なくとも一部、例えば、企画の種類、商品・役務の種類、ターゲットとして想定する参加者（参加候補者）の種類に応じて、「参加候補者が企画に参加することの効果」の算出態様をタイムリーに（動的に）変更することができる。つまり、算出態様制御部２５は、「参加候補者が企画に参加することの効果」の算出手法（アルゴリズム）を複数保持しており（参照可能であり）、いずれかの算出手法（アルゴリズム）を適宜・適時に採用してこれを使用することができる。以下では、各態様における「参加候補者が企画に参加することの効果」の算出手法（アルゴリズム）、及び、算出態様制御部２５が各態様においてどのような制御を行うのかを詳細に説明する。

算出態様制御部２５は、識別情報取得部２１が取得した識別情報と、属性情報取得部２２が取得した属性情報と、行動履歴情報取得部２３が取得した行動履歴情報と、詳細情報取得部２４が取得した詳細情報とを機械学習モデルに当て込んだ第１の効果を算出する。

算出態様制御部２５は、詳細情報取得部２４が取得した詳細情報を線形回帰モデルに当て込んだ第２の効果を算出する。

算出態様制御部２５は、機械学習モデルに基づく第１の効果と、線形回帰モデルに基づく第２の効果とに基づいて、「参加候補者が企画に参加することの効果」を算出する。

機械学習モデルに基づく効果算出、及び、線形回帰モデルに基づく効果算出には、それぞれの特徴（メリット、デメリット）が存在する。例えば、時系列モデルに基づく線形回帰では、過去の企画（キャンペーン）の数値を基に効果算出するため、売上や参加人数といった効果算出の精度が高い傾向がある。一方、機械学習モデルは、ユーザ単位の予測であるために売上や参加人数の予測精度は低い傾向があるが、個人単位での分析や配信には非常に有用である。本実施形態では、機械学習モデルに基づく効果算出、及び、線形回帰モデルに基づく効果算出を使い分けて、ときに最適な形で組み合わせて、「参加候補者が企画に参加することの効果」を算出することによって、デジタルマーケティングの効果の予測及び検証、並びに活用を好適に実行することができる。

機械学習モデルは、いわばメディア的アプローチとして、応募確率の高いユーザへのターゲティングを目的とし、企画（キャンペーン）の参加予測に際して人基点のスコア化とともに分析し、分析手法として多層パーセプトロン（МＬＰ：Multilayer perceptron）を採用することができる。線形回帰モデルは、いわばソフト面アプローチとして、応募確率が上がりやすい企画（キャンペーン）そのものの設計を目的とし、応募／非応募と企画（キャンペーン）の因果関係（要因影響度）を分析し、分析手法として重回帰分析や個別要因分析を採用することができる。例えば、ＩＤ単位での予測を行って配信等の出口に活用できる機械学習は「何が参加に効くか」の要因が可視化し難いため、線形モデルを併用して「何が参加に効くか」の読み解きも可能にすることができる。

図３Ａは、詳細情報取得部２４が取得した詳細情報の一例を示す図であり、図３Ｂは、識別情報取得部２１が取得した識別情報と属性情報取得部２２が取得した属性情報と行動履歴情報取得部２３が取得した行動履歴情報の一例を示す図であり、図３Ｃは、図３Ａと図３Ｂの情報に基づいて算出した企画の参加候補者の購買確率の一例を示す図である。

図３Ａの例では、今回の企画（キャンペーン）の各条件として、メニュー、企画形式、商材カテゴリ、商品単価、値引き率、企画、広告出稿、店頭施策有無が設定され、それぞれ、リテール、総付け、飲料、１５０円、１０％、ｙｙ／ｍｍ／ｄｄ－ｙｙ／ｍｍ／ｄｄ、金額／ｉｍｐｓ、店頭施策有が設定（取得）されている。

図３Ｂの例では、企画の参加候補者の識別情報としてのユーザＩＤに対して、年齢、性別、商材カテゴリ、購買履歴が設定（取得）されている。ユーザＩＤ０００１は、４３歳の女性であり、商材カテゴリＡの購買履歴Ｘが設定（取得）されている。ユーザＩＤ０００２は、２５歳の男性であり、商材カテゴリＢの購買履歴Ｙが設定（取得）されている。ユーザＩＤ０００３は、２８歳の女性であり、商材カテゴリＣの購買履歴Ｚが設定（取得）されている。

図３Ｃの例では、図３Ａの情報と図３Ｂの情報に基づいて、ユーザＩＤ０００１の購買確率（企画参加確率）が８０％に設定（取得）されており、ユーザＩＤ０００２の購買確率（企画参加確率）が７０％に設定（取得）されており、ユーザＩＤ０００３の購買確率（企画参加確率）が２０％に設定（取得）されている。

図４は、機械学習モデルに基づく効果算出の一例を示す図である。図４に示すように、人に基づく情報としての識別情報取得部２１が取得した識別情報と属性情報取得部２２が取得した属性情報と行動履歴情報取得部２３が取得した行動履歴情報、及び、企画（キャンペーン）自体の情報としての詳細情報取得部２４が取得した詳細情報が機械学習モデルに入力される。機械学習モデルによる演算の結果、企画の参加候補者（ユーザ単位）毎に、企画（キャンペーン）の参加確率が出力される。そして、参加閾値（所定閾値）に基づいて、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定する。つまり、算出した参加確率が参加閾値（所定閾値）以上であれば、参加候補者の企画への参加を見込み、算出した参加確率が参加閾値（所定閾値）未満であれば、参加候補者の企画への非参加を見込む。ここで、参加閾値（所定閾値）をどこに設定するかに応じて、企画の参加者（見込数）や売上額が変動することになるが、その変動を踏まえて（吸収した形で）、参加者や売上、あるいは、これらを所定の計算式に当て込んで得たポイントを「参加候補者が企画に参加することの効果」として算出する。

機械学習モデルに基づいて得た「参加候補者が企画に参加することの効果」を「第１の効果」と呼ぶ。詳しくは後述するが、算出態様制御部２５は、「第１の効果」を算出するための参加閾値（所定閾値）をタイムリーに（動的に）変更（補正）する。

図５は、線形回帰モデルに基づく効果算出の一例を示す図である。企画（キャンペーン）の複数の参加要因と、それにより変動する企画（キャンペーン）の応募本数の因果関係とを明らかにして、それぞれの企画（キャンペーン）要因が企画（キャンペーン）の応募本数に与える影響度を数値として把握することができる。線形回帰モデルでは、重回帰分析を利用することができる。重回帰分析は、ある結果（目的変数）を説明する際に、関連する複数の要因（説明変数）のうち、どの変数がどの程度、結果を左右しているのかを関数の形で数値化し、両者の関係を表す統計手法である。

図５の例では、目的変数として応募本数（ｙ）を設定する一方、説明変数（ｘ）として、当選人数（ｘ_１）、応募コース数（ｘ_２）、キャンペーン日数（ｘ_３）、コース必要本数（ｘ_４）、ＯＡ ＰＵＳＨ回数（ｘ_５）、疑似購買証明（ｘ_６）を設定している。そして、説明変数と回帰係数で目的変数を表す関係式（回帰式）から、企画（キャンペーン）要因と企画（キャンペーン）応募本数との関係性（両者の影響度）を読み解く。具体的に、関係式（回帰式）は、ｙ＝β_１ｘ_１＋β_２ｘ_２＋β_３ｘ_３＋β_４ｘ_４＋β_５ｘ_５＋β_６ｘ_６＋β_０を使用することができる。なお、図５で示した説明変数はあくまで一例であり、抽選当選人数、総付ポイント数、商品金額感、広告出稿有無、広告出稿量等を説明変数として追加・変更してもよい。

なお、図５で例示した説明変数（ｘ）は一例にすぎず、適宜、説明変数（ｘ）の追加、削除、入替を行ってもよい。例えば、上述した当選人数（ｘ_１）、応募コース数（ｘ_２）、キャンペーン日数（ｘ_３）、コース必要本数（ｘ_４）、ＯＡ ＰＵＳＨ回数（ｘ_５）、疑似購買証明（ｘ_６）に追加する形で、既存の売上規模を示す説明変数（ｘ）として、各流通の対象商品の売上（ｘ_７）、各流通全体での取扱数（ｘ_８）を設定してもよい。また、対象商品や流通の既存の売上規模によりポテンシャルを反映させるために、対象流通の取扱商品総数、対象流通での対象商品の売上規模を追加してもよい。sこれにより、企画（キャンペーン）を実施する商品や流通規模を学習させることができる。あるいは、既存の売上規模を示す各流通の対象商品の売上及び各流通全体での取扱数を機械学習モデルに基づく効果算出に利用してもよいし、機械学習モデルに基づく「第１の効果」と線形回帰モデルに基づく「第２の効果」の少なくとも一方の補正に利用してもよい。

線形回帰モデルに基づいて得た「参加候補者が企画に参加することの効果」を「第２の効果」と呼ぶ。詳しくは後述するが、算出態様制御部２５は、「第２の効果」を算出するための目的変数や説明変数の数や種類をタイムリーに（動的に）変更（補正）する。

このように、機械学習モデルでは、ユーザ単位で予測したキャンペーン参加確率を所定閾値に基づいて求めるとともに参加確率によるセグメントを生成し、キャンペーン参加者数やキャンペーン売上のシミュレーションに基づく「第１の効果」を算出する。線形回帰モデルでは、数式化された変数の候補から効果に影響が高い要素を特定して、重回帰分析に基づく「第２の効果」を算出する。

算出態様制御部２５が算出する「参加候補者が企画に参加することの効果」は、例えば、機械学習モデルによる「第１の効果」、及び、線形回帰モデルによる「第２の効果」を示すパラメータを加算及び／又は乗算したものであってもよい。あるいは、「参加候補者が企画に参加することの効果」は、「第１の効果」及び「第２の効果」を示すパラメータを所定の計算式に代入して得た指標であってもよい。あるいは、「参加候補者が企画に参加することの効果」は、「第１の効果」及び「第２の効果」を比較可能に表示したものであってもよいし、「第１の効果」及び「第２の効果」の差分を示すパラメータを所定の計算式に代入して得た指標であってもよい。

このように、「第１の効果」及び「第２の効果」に基づいてどのように「参加候補者が企画に参加することの効果」を算出するかには自由度があり、種々の設計変更が可能である。例えば、機械学習モデルでは、説明変数の情報量が多い母集団に絞って予測を行ってもよいし、且つ／又は、線形回帰モデルでは、基本数値を算出して、ここに機械学習モデルの結果を加えて予測数値としてもよい。また、線形回帰モデルでの基本数値に機械学習モデルでの高確率参加者の数値を合計したり、線形回帰モデルでの基本数値に機械学習モデルでの参加確率リフトをかけたりしてもよい。

算出態様制御部２５は、調査会社が調査実施するパネルデータに基づいて、機械学習モデルに基づく「第１の効果」と線形回帰モデルに基づく「第２の効果」の少なくとも一方を補正する。パネルデータは、調査会社（代理店やその委託者）が実施するアンケート、個人、認知、購買有無等の行動履歴を含む情報である。パネルデータは、同一・類似の標本（例えば同一・類似の企画における同一・類似の商材）について、複数の項目（例えば参加者や売上に基づく企画効果）を継続的に調べて記録したデータであり、項目間の関係を時系列に沿って分析するためのものである。通常の継続的に行われる調査では、調査時点ごとに調査される標本が大きく異なることがあるが、パネルデータの場合は、標本を殆ど入れ替えること無く、同一・類似の標本に対して継続的に調査されたデータを使用することに特徴がある。

算出態様制御部２５は、パネルデータを分析して、今回対象となる企画（キャンペーン）の効果が上振れするか下振れするか、その度合いはどの位かを予測する。そして、算出態様制御部２５は、パネルデータの分析結果に基づいて、上振れ予測の場合はその程度に応じて、「第１の効果」を示すパラメータや指標（参加者や売上、ポイント等）、及び／又は、「第２の効果」を示すパラメータや指標（参加者や売上、ポイント等）に所定係数（例えば１．１等の上方補正を行うための係数）を乗算する。一方、算出態様制御部２５は、パネルデータの分析結果に基づいて、下振れ予測の場合はその程度に応じて、「第１の効果」を示すパラメータや指標（参加者や売上、ポイント等）、及び／又は、「第２の効果」を示すパラメータや指標（参加者や売上、ポイント等）に所定係数（例えば０．９等の下方補正を行うための係数）を乗算する。ここで、「第１の効果」と「第２の効果」の補正に適用する係数は、同じであってもよいし、異なっていてもよい。パネルデータが「第１の効果」と「第２の効果」に与える影響の大小を考慮して、同じ上振れ補正・下振れ補正であっても、補正に使用する係数を異ならせることが好ましい場合もある。

算出態様制御部２５は、線形回帰モデルに基づく「第２の効果」を補正する場合、説明変数と回帰係数で目的変数を表す関係式（回帰式）を基本式から改変して、説明変数として設定する項目の追加や削除、所定項目の重み付け等を行ってもよい。図５において例示した関係式（回帰式）ｙ＝β_１ｘ_１＋β_２ｘ_２＋β_３ｘ_３＋β_４ｘ_４＋β_５ｘ_５＋β_６ｘ_６＋β_０を基本式とした場合において、応募コース数（ｘ_２）、キャンペーン日数（ｘ_３）に重み付けを行い、疑似購買証明（ｘ_６）の重要性が低いことがパネルデータから読み取れるとき、関係式（回帰式）をｙ＝β_１ｘ_１＋２β_２ｘ_２＋３β_３ｘ_３＋β_４ｘ_４＋β_５ｘ_５＋β_０のように改変してもよい。つまり、β_２ｘ_２、β_３ｘ_３に掛ける係数を大きくする一方、β_６ｘ_６を項目から除外してもよい。

算出態様制御部２５は、機械学習モデルにおける「第１の効果」を補正する場合、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するプロセスで使用される、参加候補者が企画に参加する確率との大小比較で使用する所定閾値（参加閾値）を変動させることができる。一例として、所定閾値（参加閾値）が７０％に初期設定（デフォルト設定）されている場合を想定する。算出態様制御部２５は、パネルデータを分析して、今回対象となる企画（キャンペーン）の効果が上振れするか下振れするか、その度合いはどの位かを予測する。そして、算出態様制御部２５は、パネルデータの分析結果に基づいて、上振れ予測の場合はその程度に応じて、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するための所定閾値（参加閾値）を上方補正する（例えば７５％）。一方、算出態様制御部２５は、パネルデータの分析結果に基づいて、下振れ予測の場合はその程度に応じて、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するための所定閾値（参加閾値）を下方補正する（例えば６５％）。

このようにして、算出態様制御部２５は、「参加候補者が企画に参加することの効果」として、参加候補者が企画に参加する確率、及び、その確率が所定閾値を超えるか否かを算出するとともに、調査会社が調査実施するパネルデータに基づいて、所定閾値を補正する。その際、企画（キャンペーン）参加の確定的対応の応用として、企画（キャンペーン）に高頻度で参加している者（確定参加者）と、企画（キャンペーン）にほぼ絶対的に参加していない者（確定非参加者）をそれぞれ規定するとともに、確定参加者と確定非参加者を母集団から除き、残った母集団に対して参加有無の確率を求めてもよい。

算出態様制御部２５は、機械学習モデルに基づく「第１の効果（例えば、参加者や売上、ポイント等の指標）」に基づいて、線形回帰モデルに基づく「第２の効果（例えば、参加者や売上、ポイント等の指標）」を補正してもよいし、逆に、線形回帰モデルに基づく「第２の効果（例えば、参加者や売上、ポイント等の指標）」に基づいて、機械学習モデルに基づく「第１の効果（例えば、参加者や売上、ポイント等の指標）」を補正してもよい。その結果、算出態様制御部２５は、機械学習モデルに基づく「第１の効果」と線形回帰モデルに基づく「第２の効果」の少なくとも一方に基づいて、「参加候補者が企画に参加することの効果」を補正することができる。

さらに、算出態様制御部２５は、「参加候補者が企画に参加することの効果」として、参加候補者が企画に参加する確率、及び、その確率が所定閾値を超えるか否かを算出するとともに、少なくとも一方を補正した「第１の効果（例えば、参加者や売上、ポイント等の指標）」と「第２の効果（例えば、参加者や売上、ポイント等の指標）」に基づいて、所定閾値を補正することができる。例えば、第１、第２の効果を上方補正した場合には、それに合わせて所定閾値も上方補正し、第１、第２の効果を下方補正した場合には、それに合わせて所定閾値も下方補正することができる。

算出態様制御部２５は、機械学習モデルにおいて閾値（又は確率の積算）によって参加有無を決める一方、売上／参加人数では正確性が高いと考えられる線形モデルの結果（パネルデータによる補正後）に結果が合致するように閾値をフィードバックして使用して、ユーザ単位の参加有無を決定してもよい。この場合、案件（企画）毎に機械学習モデルと線形回帰モデルの両方のシミュレーションを実行して、閾値を決定してもよい。あるいは、複数の想定される条件を事前にシミュレーションして、誤差が最小になるように事前に閾値を決定して搭載してもよい。

算出態様制御部２５は、線形回帰モデルに基づく第２の効果（算出結果）に基づいて、機械学習モデルに基づく第１の効果をこれから算出するためのパラメータ補正（例えば上述した参加確率を決定するための閾値の補正）を行うことができる。算出態様制御部２５は、機械学習モデルに基づく第１の効果（算出結果）に基づいて、線形回帰モデルに基づく第２の効果（線形回帰の関係式の出力値）をこれから算出するためのパラメータ補正（例えば上述した線形回帰の関係式の各種パラメータや係数（入力パラメータや出力パラメータ）の補正）を行うことができる。

算出態様制御部２５は、機械学習モデルに基づく第１の効果と線形回帰モデルに基づく第２の効果（既存の算出結果）に基づいて、機械学習モデルに基づく第１の効果をこれから算出するためのパラメータ補正（例えば上述した参加確率を決定するための閾値の補正）、及び／又は、線形回帰モデルに基づく第２の効果（線形回帰の関係式の出力値）をこれから算出するためのパラメータ補正（例えば上述した線形回帰の関係式の各種パラメータや係数（入力パラメータや出力パラメータ）の補正）を行うこともできる。

算出態様制御部２５は、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するための指標（基準）となる「所定閾値」を予測するのに際して、機械学習モデル及び線形回帰モデルとは別個の（独立した）企画（キャンペーン）単位の特化型モデルを参照してもよい。この特化型モデルは、いわば所定閾値予測特化型アルゴリズムであり、例えば、人単位ではなくキャンペーン情報と結果参加者数のデータから閾値を直接予測するモデルであってもよい。特化型モデルは、情報処理サーバ２０が作成してこれを保持してもよいし、情報処理サーバ２０の外部装置で作成してこれを情報処理サーバ２０に導入してもよい。また、企画（キャンペーン）の内容や進捗状況等に応じて、特化型モデルを適宜更新（バージョンアップ）してもよい。

さらに、参加候補者を「参加者」と「非参加者」のいずれに見込むかを決定するための指標（基準）となる「所定閾値」は、事業者毎（プラットフォーム毎）に異なる値に設定してもよいし、複数の事業者（プラットフォーム）で共通の値に設定してもよい。前者の場合、事業者（プラットフォーム）の趣向や拘りや特性に沿った形で、デジタルマーケティングの効果の予測及び検証、並びに活用を実行することができるメリットがある。後者の場合、複数の事業者（プラットフォーム）に共通の評価基準で相互に比較可能な形で、デジタルマーケティングの効果の予測及び検証、並びに活用を実行することができるメリットがある。なお、上記の「所定閾値」の他、デジタルマーケティングの効果取得（第１、第２の効果演算）に必要な各種パラメータ（いわばキャンペーン変数）についても、事業者毎（プラットフォーム毎）に異なる値に設定してもよいし、複数の事業者（プラットフォーム）で共通の値に設定してもよい。

また、デジタルマーケティングの効果取得（第１、第２の効果演算）に際しては、対象となる企画（キャンペーン）の期間を複数に分割して、各分割期間のそれぞれについて、デジタルマーケティングの効果取得（第１、第２の効果演算）を実行してもよい。例えば、月単位の企画（キャンペーン）の期間を週単位／日単位に分割して、週単位／日単位で、デジタルマーケティングの効果取得（第１、第２の効果演算）を実行してもよい。企画（キャンペーン）の数（サンプル数）が少ないことを補うために、週単位／日単位で参加者（参加候補者）を分解して、企画（キャンペーン）の期間中の進捗変数（初速や駆け込み参加等を加味して例えば何％の日数経過かといった進捗変数を加える）を考慮することで、期間分割によるデメリットを解消することができる。例えば、初速が強い場合には、進捗変数０％付近が強くなり、駆け込みが強い場合には、進捗変数１００％付近が強くなる。

算出態様制御部２５は、複数のルール設定を行うことにより、「第１の効果」、「第２の効果」及び「参加候補者が企画に参加することの効果」の異常な予測を防いでもよい。例えば、カテゴリマーケットサイズについて、カテゴリの需要は急激に変化しないため、競合を含めたカテゴリ全体の購買に、そのカテゴリの時系列でのトレンドを加味してマーケットサイズを規定してもよい。また、カテゴリーシェアについて、競合ブランドに対するシェアを過去のシェア最大値／最小値を規定してもよい（例えば主要銘柄過去３年分等）。また、自社購買シーズナリティについて、シーズナリティを考慮してそのシーズンの自社ブランド購買の最大値／最小値を規定してもよい。ここで、カテゴリーシェアと自社購買シーズナリティについては、過去にない変化が発生した場合を想定して、外れ値にならない範囲（例えば四分位範囲の１．５倍）までを許容してもよい。また、カテゴリマーケットサイズに紐づいたカテゴリーシェアと自社購買シーズナリティの範囲外を異常値としてキャップをかけて数値補正を行ってもよい。

情報処理装置（情報処理システム）１においては、プラットフォーム環境の内外でそれぞれシミュレーションモデルを構築してもよい。例えば、プラットフォーム環境の外では、集計済み結果（例えば、キャンペーン情報、商品情報、インセンティブから予測したキャンペーン参加者数）を簡易シミュレーションモデルで求めてストック及びアウトプットしてもよい。一方、プラットフォーム環境の内では、プラットフォーム環境でのアドホックシミュレーションを実行して、キャンペーン情報、商品情報、インセンティブからＩＤ毎に参加有無を予測することで、参加者数の予測やターゲティング配信への利用等を図ることができる。

簡易シミュレーションは、リアルタイムに結果が出せるというメリットがある一方、アドホックシミュレーションよりも精度が劣るというデメリットがある。アドホックシミュレーションは、簡易シミュレーションよりも精度が高いというメリットがある一方、手動作業が加わるため結果を出すのに時間がかかるというデメリットがある。簡易シミュレーションとアドホックシミュレーションの併用の仕方として、例えば、シミュレーション条件を入力した後に簡易シミュレーションの実行と結果閲覧を行い、より精緻な結果が要求される場合に、アドホックシミュレーションの実行依頼を行って、アドホックシミュレーションの実行と結果閲覧を行ってもよい。

このように、本開示に係る情報処理装置では、識別情報取得部が、企画の参加候補者の識別情報を取得し、属性情報取得部が、参加候補者の属性情報を取得し、行動履歴情報取得部が、参加候補者の行動履歴情報を取得し、詳細情報取得部が、企画の詳細情報を取得し、算出態様制御部が、参加候補者が企画に参加することの効果の算出態様を制御する。これにより、デジタルマーケティングの効果の予測及び検証、並びに活用を好適に実行することが可能になる。

本開示に係る情報処理装置は、プラットフォーム販促に特化し、ＩＤ（企画の参加候補者の識別情報）単位で参加確率を予測するシミュレーションツールを開発することにより実現することができる。本開示に係る情報処理装置は、可読性（参加要因の読み解き）と汎化性の両立を実現するとともに、個別のモデル選択を組み合わせて活用することで、デジタルマーケティングの効果の予測及び検証、並びに活用を高い精度にて実現することができる。さらに、デジタルマーケティングの効果として異常な値が出力されるのを防ぐために、調査会社が調査実施するパネルデータによる上下限値を設定したり、機械学習モデル外のルール処理に工夫を加えたりして、デジタルマーケティングの効果の予測及び検証、並びに活用の制度をより一層高めることができる。

これまでのシミュレーションモデルは、ＩＤ（企画の参加候補者の識別情報）単位ではなく、時系列データをもとにした予測モデルが一般的であった。これは、ＩＤ単位の予測は精度に限界が出ることが多いためである。ただし、それ故に、従来のシミュレーションモデルはまさにシミュレーション止まりであり、それを実マーケティング、広告配信の出し分けに使うことができなかった。本実施形態の一態様では、あくまでＩＤ（企画の参加候補者の識別情報）単位の効果算出を必須とした上で、精度の部分でも一定の品質を保証するとともに、機械学習モデル外のルール処理において、デジタルマーケティングの効果として異常な値が出力されるのを防ぐ処理機構を盛り込んでいる。その結果、一定の精度・品質を維持しながら、ＩＤ（企画の参加候補者の識別情報）単位に基づいた予測モデルを実現することができる。さらに、モデルの可読性（意味）と汎化性（精度）との両立を図るために、線形回帰と機械学習との両方のモデルを実装して、出力結果にそれぞれ反映させている。

本開示に係る情報処理装置は、企画（キャンペーン）の結果に対する要因を分析することで、効果の予測、企画（キャンペーン）の設計や配信等への応用を図ることができる。企画（キャンペーン）の効果を予測することで、事業者に対する納得性を提示でき、シミュレーションや説得の工数を削減することができる。また、事業者に対して、独自性の高いデジタルマーケティングの最適化を提供することができる。また、ユーザＩＤ単位で、効き目のある要素を分析することで企画（キャンペーン）の効果を上げるとともに、直接配信による効果の向上を図ることができる。また、事業者にとっては、マス領域の予算と最適化配分を行うことで、予算取りの根拠にすることができる。

本開示に係る情報処理装置は、オープン情報等の過去のキャンペーンデータやプラットフォーム事業者が保有するデータから、機械学習モデルや線形回帰モデルによって、デジタル販促の効果を予測するアルゴリズムを構築している。予定している販促施策の情報（例えば、ポイント数、キャンペーン期間、対象流通、平均購入個数など）を入力すると、「参加者数や売上などのキャンペーン効果」が自動的に算出される。また、「参加者数や売上などのキャンペーン効果」が最大となるキャンペーン条件を導出することもできるので、デジタル販促の最適化を実現することができる。さらに、デジタル販促の事業者毎に独自にカスタマイズされたモデルを構築することができる。

図６は、ユーザ端末１０と情報処理サーバ２０の機能構成の一例を示す図である。図６に示すように、ユーザ端末１０と情報処理サーバ２０は、制御部１１０と、記憶部１２０と、通信部１３０と、入力部１４０と、出力部１５０と、を有する。なお、図６では、ユーザ端末１０と情報処理サーバ２０の機能ブロックの一例を示しており、図６に描いていない他の機能ブロックを有していてもよい。また、一部の機能ブロックを含まない構成としてもよい。

制御部１１０は、ユーザ端末１０と情報処理サーバ２０の制御を実施する。制御部１１０は、本発明に係る技術分野での共通認識に基づいて説明されるコントローラ、制御回路又は制御装置により構成することができる。

記憶部１２０は、ユーザ端末１０と情報処理サーバ２０で利用する情報を記憶する。記憶部１２０は、例えば、本発明に係る技術分野での共通認識に基づいて説明されるメモリ、ストレージ、記憶装置などにより構成することができる。

通信部１３０は、ユーザ端末１０と情報処理サーバ２０の通信（例えば両者の相互通信）を行う。通信部１３０は、本発明に係る技術分野での共通認識に基づいて説明されるトランスミッター／レシーバー、送受信回路又は送受信装置により構成することができる。なお、通信部１３０は、送信部及び受信部から構成されてもよい。

入力部１４０は、ユーザ端末１０と情報処理サーバ２０における入力を受け付ける。また、入力部１４０は、所定の機器、記憶媒体などと接続され、データの入力を受け付けてもよい。入力部１４０は、入力結果を例えば制御部１１０に出力してもよい。入力部１４０は、本発明に係る技術分野での共通認識に基づいて説明されるキーボード、マウス、ボタンなどの入力装置、入出力端子、入出力回路などにより構成することができる。また、入力部１４０は、表示部と一体となった構成（例えば、タッチパネル）としてもよい。

出力部１５０は、ユーザ端末１０と情報処理サーバ２０における出力を行う。例えば、出力部１５０は、画像を表示する表示部、音声を出力する音声出力部などを含んで構成されてもよい。表示部は、例えば、本発明に係る技術分野での共通認識に基づいて説明されるディスプレイ、モニタなどの表示装置により構成することができる。また、音声出力部は、本発明に係る技術分野での共通認識に基づいて説明されるスピーカなどの出力装置により構成することができる。

なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及び／又はソフトウェアの任意の組み合わせによって実現される。また、各機能ブロックの実現手段は特に限定されない。すなわち、各機能ブロックは、物理的に結合した１つの装置により実現されてもよいし、物理的に分離した２つ以上の装置を有線又は無線によって接続し、これら複数の装置により実現されてもよい。

例えば、本開示の一実施形態における装置（ユーザ端末１０と情報処理サーバ２０）は、本開示の情報処理（デジタルマーケティング処理、デジタル販促処理）を行うコンピュータとして機能してもよい。図７は、ユーザ端末１０と情報処理サーバ２０のハードウェア構成の一例を示す図である。上述のユーザ端末１０と情報処理サーバ２０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

なお、本開示において、装置、回路、デバイス、ユニット、サーバなどは、互いに読み替えることができる。ユーザ端末１０と情報処理サーバ２０のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

例えば、プロセッサ１００１は１つだけ図示されているが、複数のプロセッサがあってもよい。また、処理は、１のプロセッサによって実行されてもよいし、処理が同時に、逐次に、又はその他の手法を用いて、２以上のプロセッサによって実行されてもよい。なお、プロセッサ１００１は、１以上のチップによって実装されてもよい。

ユーザ端末１０と情報処理サーバ２０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みなどを制御することによって実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）によって構成されてもよい。なお、上述の制御部１１０などの各部は、プロセッサ１００１によって実現されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、制御部１１０は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically EPROM）、ＲＡＭ（Random Access Memory）、その他の適切な記憶媒体の少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、一実施形態に係る方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、フレキシブルディスク、フロッピー（登録商標）ディスク、光磁気ディスク（例えば、コンパクトディスク（ＣＤ－ＲＯＭ（Compact Disc ROM）など）、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、リムーバブルディスク、ハードディスクドライブ、スマートカード、フラッシュメモリデバイス（例えば、カード、スティック、キードライブ）、磁気ストライプ、データベース、サーバ、その他の適切な記憶媒体の少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。なお、上述の記憶部１２０は、メモリ１００２及び／又はストレージ１００３によって実現されてもよい。

通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、ＳＩＭカードを含んでもよい。なお、上述の通信部１３０は、通信装置１００４によって実現されてもよい。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウスなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。なお、上述の入力部１４０及び出力部１５０は、それぞれ入力装置１００５及び出力装置１００６によって実現されてもよい。

また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００８によって接続される。バス１００７は、単一のバスによって構成されてもよいし、装置間で異なるバスで構成されてもよい。

また、ユーザ端末１０と情報処理サーバ２０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

（変形例）
なお、本開示において説明した用語及び／又は本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。また、本開示においてパラメータなどに使用する名称は、いかなる点においても限定的なものではない。

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

情報、信号などは、複数のネットワークノードを介して入出力されてもよい。入出力された情報、信号などは、特定の場所（例えば、メモリ）に保存されてもよいし、テーブルを用いて管理してもよい。入出力される情報、信号などは、上書き、更新又は追記をされ得る。出力された情報、信号などは、削除されてもよい。入力された情報、信号などは、他の装置へ送信されてもよい。

また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的な通知に限られず、暗示的に（例えば、当該所定の情報の通知を行わないことによって又は別の情報の通知によって）行われてもよい。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

また、ソフトウェア、命令、情報などは、伝送媒体及び信号波形の少なくとも１つを介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital Subscriber Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。

本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用され得る。

本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。

本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素の参照は、２つの要素のみが採用され得ること又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

本開示において、「含む（include）」、「含んでいる（including）」及びこれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。

本開示において、例えば、英語でのa, an及びtheのように、翻訳によって冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。

以上、本開示に係る発明について詳細に説明したが、当業者にとっては、本開示に係る発明が本開示中に説明した実施形態に限定されないということは明らかである。本開示に係る発明は、特許請求の範囲の記載に基づいて定まる発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とし、本開示に係る発明に対して何ら制限的な意味をもたらさない。

１ 情報処理装置（情報処理システム）
１０（１０－１、１０－２、・・・、１０－Ｎ） ユーザ端末
２０ 情報処理サーバ（デジタルマーケティング処理／制御サーバ、デジタル販促処理／制御サーバ）
２１ 識別情報取得部
２２ 属性情報取得部
２３ 行動履歴情報取得部
２４ 詳細情報取得部
２５ 算出態様制御部
３０ ネットワーク

Claims (8)

1. 企画の参加候補者の識別情報を取得する識別情報取得部と、
   前記参加候補者の属性情報を取得する属性情報取得部と、
   前記参加候補者の行動履歴情報を取得する行動履歴情報取得部と、
   前記企画の詳細情報を取得する詳細情報取得部と、
   前記参加候補者が前記企画に参加することの効果の算出態様を制御する算出態様制御部と、
   を有し、
   前記算出態様制御部は、前記識別情報と前記属性情報と前記行動履歴情報と前記詳細情報とを機械学習モデルに当て込んだ第１の効果、及び、前記詳細情報を線形回帰モデルに当て込んだ第２の効果に基づいて、前記参加候補者が前記企画に参加することの前記効果を算出する、
   ことを特徴とする情報処理装置。
2. 前記算出態様制御部は、調査会社が調査実施するパネルデータに基づいて、前記第１の効果と前記第２の効果との少なくとも一方を補正する、
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記算出態様制御部は、前記参加候補者が前記企画に参加することの前記効果として、前記参加候補者が前記企画に参加する確率、及び、前記確率が所定閾値を超えるか否か、並びに、線形回帰の関係式の出力値を算出するとともに、少なくとも一方を補正した前記第１の効果と前記第２の効果とに基づいて、前記所定閾値、及び、前記線形回帰の関係式のパラメータを補正する、
   ことを特徴とする請求項２に記載の情報処理装置。
4. 企画の参加候補者の識別情報を取得する識別情報取得部と、
   前記参加候補者の属性情報を取得する属性情報取得部と、
   前記参加候補者の行動履歴情報を取得する行動履歴情報取得部と、
   前記企画の詳細情報を取得する詳細情報取得部と、
   前記参加候補者が前記企画に参加することの効果の算出態様を制御する算出態様制御部と、
   を有し、
   前記算出態様制御部は、前記参加候補者が前記企画に参加することの前記効果として、前記参加候補者が前記企画に参加する確率、及び、前記確率が所定閾値を超えるか否か、並びに、線形回帰の関係式の出力値を算出するとともに、調査会社が調査実施するパネルデータに基づいて、前記所定閾値、及び、前記線形回帰の関係式のパラメータを補正する、
   ことを特徴とする情報処理装置。
5. 識別情報取得部により、企画の参加候補者の識別情報を取得するステップと、
   属性情報取得部により、前記参加候補者の属性情報を取得するステップと、
   行動履歴情報取得部により、前記参加候補者の行動履歴情報を取得するステップと、
   詳細情報取得部により、前記企画の詳細情報を取得するステップと、
   算出態様制御部により、前記参加候補者が前記企画に参加することの効果の算出態様を制御するステップと、
   を有し、
   前記制御するステップでは、前記算出態様制御部により、前記識別情報と前記属性情報と前記行動履歴情報と前記詳細情報とを機械学習モデルに当て込んだ第１の効果、及び、前記詳細情報を線形回帰モデルに当て込んだ第２の効果に基づいて、前記参加候補者が前記企画に参加することの前記効果を算出する、
   ような各処理ステップをコンピュータが実行することを特徴とする情報処理方法。
6. 識別情報取得部により、企画の参加候補者の識別情報を取得するステップと、
   属性情報取得部により、前記参加候補者の属性情報を取得するステップと、
   行動履歴情報取得部により、前記参加候補者の行動履歴情報を取得するステップと、
   詳細情報取得部により、前記企画の詳細情報を取得するステップと、
   算出態様制御部により、前記参加候補者が前記企画に参加することの効果の算出態様を制御するステップと、
   を有し、
   前記制御するステップでは、前記算出態様制御部により、前記参加候補者が前記企画に参加することの前記効果として、前記参加候補者が前記企画に参加する確率、及び、前記確率が所定閾値を超えるか否か、並びに、線形回帰の関係式の出力値を算出するとともに、調査会社が調査実施するパネルデータに基づいて、前記所定閾値、及び、前記線形回帰の関係式のパラメータを補正する、
   ような各処理ステップをコンピュータが実行することを特徴とする情報処理方法。
7. 識別情報取得部により、企画の参加候補者の識別情報を取得するステップと、
   属性情報取得部により、前記参加候補者の属性情報を取得するステップと、
   行動履歴情報取得部により、前記参加候補者の行動履歴情報を取得するステップと、
   詳細情報取得部により、前記企画の詳細情報を取得するステップと、
   算出態様制御部により、前記参加候補者が前記企画に参加することの効果の算出態様を制御するステップと、
   を有し、
   前記制御するステップでは、前記算出態様制御部により、前記識別情報と前記属性情報と前記行動履歴情報と前記詳細情報とを機械学習モデルに当て込んだ第１の効果、及び、前記詳細情報を線形回帰モデルに当て込んだ第２の効果に基づいて、前記参加候補者が前記企画に参加することの前記効果を算出する、
   ような各処理ステップをコンピュータに実行させることを特徴とする情報処理プログラム。
8. 識別情報取得部により、企画の参加候補者の識別情報を取得するステップと、
   属性情報取得部により、前記参加候補者の属性情報を取得するステップと、
   行動履歴情報取得部により、前記参加候補者の行動履歴情報を取得するステップと、
   詳細情報取得部により、前記企画の詳細情報を取得するステップと、
   算出態様制御部により、前記参加候補者が前記企画に参加することの効果の算出態様を制御するステップと、
   を有し、
   前記制御するステップでは、前記算出態様制御部により、前記参加候補者が前記企画に参加することの前記効果として、前記参加候補者が前記企画に参加する確率、及び、前記確率が所定閾値を超えるか否か、並びに、線形回帰の関係式の出力値を算出するとともに、調査会社が調査実施するパネルデータに基づいて、前記所定閾値、及び、前記線形回帰の関係式のパラメータを補正する、
   ような各処理ステップをコンピュータに実行させることを特徴とする情報処理プログラム。

Images