JP2022014529A - Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail - Google Patents
Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail Download PDFInfo
- Publication number
- JP2022014529A JP2022014529A JP2020116878A JP2020116878A JP2022014529A JP 2022014529 A JP2022014529 A JP 2022014529A JP 2020116878 A JP2020116878 A JP 2020116878A JP 2020116878 A JP2020116878 A JP 2020116878A JP 2022014529 A JP2022014529 A JP 2022014529A
- Authority
- JP
- Japan
- Prior art keywords
- data
- recommended
- information
- processing means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 322
- 238000004458 analytical method Methods 0.000 claims abstract description 122
- 238000006243 chemical reaction Methods 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- 238000007726 management method Methods 0.000 claims description 77
- 238000007781 pre-processing Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 25
- 230000006872 improvement Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 abstract description 32
- 238000003860 storage Methods 0.000 description 48
- 230000006870 function Effects 0.000 description 31
- 230000010365 information processing Effects 0.000 description 29
- 230000001965 increasing effect Effects 0.000 description 27
- 230000004044 response Effects 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 16
- 230000002349 favourable effect Effects 0.000 description 16
- 230000004048 modification Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 16
- 238000012790 confirmation Methods 0.000 description 14
- 238000010191 image analysis Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- AZUYLZMQTIKGSC-UHFFFAOYSA-N 1-[6-[4-(5-chloro-6-methyl-1H-indazol-4-yl)-5-methyl-3-(1-methylindazol-5-yl)pyrazol-1-yl]-2-azaspiro[3.3]heptan-2-yl]prop-2-en-1-one Chemical class ClC=1C(=C2C=NNC2=CC=1C)C=1C(=NN(C=1C)C1CC2(CN(C2)C(C=C)=O)C1)C=1C=C2C=NN(C2=CC=1)C AZUYLZMQTIKGSC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、メールマガジンの構成を提案するメール提案装置、メール提案システム、メール提案プログラム、及びメール提案方法に関する。 The present invention relates to an email proposal device, an email proposal system, an email proposal program, and an email proposal method that proposes the configuration of an email magazine.
企業などから複数の読者に対して一斉配信されるメールマガジンは、Ｗｅｂマーケティングのツールとして広く活用されている。メールマガジンは、商品やサービスの販売促進、知識やノウハウの教育及び啓蒙、顧客育成やリピーターの獲得といった目的で配信される。 E-mail newsletters that are broadcast to multiple readers from companies are widely used as a tool for web marketing. The e-mail newsletter is distributed for the purpose of promoting sales of products and services, educating and enlightening knowledge and know-how, developing customers, and acquiring repeaters.
従来から、メールマガジンに対しては、開封率やリンク情報のクリック率などの好反応率を上げるための工夫がなされている（例えば、特許文献１参照）。特許文献１には、ユーザごとに設定された趣味嗜好値と記事ごとに設定された趣味嗜好値との照合により、メールマガジンの各記事を並べ替える技術が開示されている。そして、特許文献１では、かかる技術により、ユーザに興味のない記事が文頭にくることによる読み飛ばしを最小限に抑えることができる、とされている。 Conventionally, e-mail newsletters have been devised to increase the favorable response rate such as the opening rate and the click rate of link information (see, for example, Patent Document 1). Patent Document 1 discloses a technique for rearranging each article in an e-mail newsletter by collating a hobby / preference value set for each user with a hobby / preference value set for each article. Further, in Patent Document 1, it is stated that such a technique can minimize skipping due to articles that are not of interest to the user appearing at the beginning of the sentence.
しかしながら、特許文献１の情報提供システムは、ユーザ及び記事の趣味嗜好値が存在しなければ、メールマガジンの各記事の順序を決定することができない。すなわち、該システムは、趣味嗜好値が設定されていない一般ユーザに対しては、好反応率を上げるための処理を行うことができず、汎用性に欠けるという課題がある。 However, the information providing system of Patent Document 1 cannot determine the order of each article in the e-mail newsletter unless the user and the hobby / preference value of the article exist. That is, the system has a problem that it lacks versatility because it cannot perform processing for increasing the favorable response rate for general users for whom hobby preference values are not set.
本発明は、上述のような課題を解決するためになされたものであり、好反応率を向上させる汎用性の高いメール提案装置、メール提案システム、メール提案プログラム、及びメール提案方法を提供することを目的とする。 The present invention has been made to solve the above-mentioned problems, and provides a highly versatile email proposal device, email proposal system, email proposal program, and email proposal method that improve the favorable response rate. With the goal.
本発明の一態様に係るメール提案装置は、分析対象のメールマガジンに基づく分析用データを、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により構築された推奨モデルの入力として、該分析対象のメールマガジンで推奨される構成を示す推奨データを求める提案処理手段を有するものである。 The mail proposing device according to one aspect of the present invention uses the analysis data based on the mail magazine to be analyzed, the configuration data related to the configuration of the mail magazine delivered in the past, and the reaction data showing the reaction of the recipient of the mail magazine. As an input of a recommended model constructed by machine learning based on the above, it has a proposal processing means for obtaining recommended data indicating a configuration recommended by the e-mail newsletter to be analyzed.
本発明の一態様に係るメール提案装置は、メールマガジンの属性を示す属性データを、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により構築された推奨モデルの入力として、該属性データに応じた、メールマガジンで推奨される構成を示す推奨データを求める提案処理手段を有するものである。 The mail proposal device according to one aspect of the present invention uses attribute data indicating the attributes of the mail magazine as configuration data related to the configuration of the mail magazine delivered in the past and reaction data indicating the reaction of the recipient of the mail magazine. As an input of a recommended model constructed by machine learning based on the above, there is a proposal processing means for obtaining recommended data indicating a configuration recommended by an e-mail newsletter according to the attribute data.
本発明の一態様に係るメール提案システムは、上記のメール提案装置と、表示部を有する管理装置と、を備え、提案処理手段は、推奨モデルによって求めた推奨データを管理装置へ送信するものであり、表示部は、推奨データに基づく情報を表示するものである。 The mail proposal system according to one aspect of the present invention includes the above-mentioned mail proposal device and a management device having a display unit, and the proposal processing means transmits the recommended data obtained by the recommended model to the management device. Yes, the display unit displays information based on the recommended data.
本発明の一態様に係るメール提案プログラムは、分析対象のメールマガジンで推奨される構成を示す推奨データを求めるメール提案装置に搭載されたコンピュータを、過去に配信されたメールマガジンの構成に係る構成データと、該メールマガジンの受信者の反応を示す反応データと、に基づく機械学習により、推奨データを出力する推奨モデルを生成する学習処理手段、及び分析対象のメールマガジンに基づく分析用データを推奨モデルの入力として、該分析対象のメールマガジンに応じた推奨データを求める提案処理手段、として機能させるためのものである。 The mail proposal program according to one aspect of the present invention comprises a computer mounted on a mail proposal device for requesting recommended data indicating a configuration recommended for the mail magazine to be analyzed, and a configuration related to the configuration of a mail magazine delivered in the past. We recommend a learning process that generates a recommended model that outputs recommended data by machine learning based on the data and reaction data showing the reaction of the recipient of the e-mail newsletter, and analysis data based on the e-mail newsletter to be analyzed. As an input of the model, it functions as a proposal processing means for obtaining recommended data according to the e-mail newsletter to be analyzed.
本発明の一態様に係るメール提案方法は、分析対象のメールマガジンで推奨される構成を示す推奨データを求めるメール提案装置が、過去に配信されたメールマガジンの構成に係る構成データと、該メールマガジンの受信者の反応を示す反応データと、に基づく機械学習により、推奨データを出力する推奨モデルを生成する学習処理工程と、分析対象のメールマガジンに基づく分析用データを推奨モデルの入力として、該分析対象のメールマガジンに応じた推奨データを求める提案処理工程と、を実行するようになっている。 In the mail proposal method according to one aspect of the present invention, the mail proposal device for requesting recommended data indicating the configuration recommended for the mail magazine to be analyzed has the configuration data related to the configuration of the mail magazine delivered in the past and the mail. A learning process that generates a recommended model that outputs recommended data by machine learning based on reaction data that shows the reaction of the recipient of the magazine, and analysis data based on the e-mail newsletter to be analyzed as input of the recommended model. A proposal processing process for obtaining recommended data according to the e-mail newsletter to be analyzed is executed.
本発明は、過去に配信されたメールマガジンの構成データと該メールマガジンの受信者の反応データとに基づく推奨モデルを用い、分析対象のメールマガジンで推奨される構成を示す推奨データを求めるようになっている。すなわち、本発明によれば、メールマガジンごとの構成データ及び反応データに基づく推奨モデルにより、ユーザの情報の事前登録を要することなく、自動的に推奨データを求めることができるため、汎用性を確保しつつ、好反応率の向上を図ることができる。 The present invention uses a recommended model based on the configuration data of the e-mail newsletter delivered in the past and the reaction data of the recipient of the e-mail newsletter, and obtains the recommended data indicating the configuration recommended for the e-mail newsletter to be analyzed. It has become. That is, according to the present invention, the recommended model based on the configuration data and the reaction data for each e-mail newsletter can automatically obtain the recommended data without requiring the pre-registration of the user's information, thus ensuring versatility. At the same time, it is possible to improve the favorable response rate.
実施の形態１．
図１を参照し、メール提案システム及びその関連機器等の構成例について説明する。図１に示すように、メール提案システム１００は、メール提案装置１０と、管理装置２０と、により構成されている。メール提案装置１０と、管理装置２０と、メール配信装置４０と、サービス提供装置５０と、複数の端末装置６０とは、インターネットなどのネットワークＮを介して通信可能に接続されている。
Embodiment 1.
With reference to FIG. 1, a configuration example of the mail proposal system and related devices will be described. As shown in FIG. 1, the
メール提案装置１０は、入力された情報に応じて、メールマガジンにおける有意な構成を提案するものである。ここで、メールマガジンの構成には、メールマガジンの構造と、メールマガジンのパーツごとの内容と、が含まれる。メールマガジンのパーツとは、メールマガジンに含まれるテキストデータの集合体やオブジェクトなどのことであり、メールマガジンの構造とは、各パーツの種別及び配置のことである。メール提案装置１０は、クラウドコンピューティングに基づくクラウドサーバ、もしくは物理サーバ、又はこれらを組み合わせたシステムなどにより構成される。
The
管理装置２０は、メールマガジンを用いたマーケティングを行う運営者等が、メールマガジンを管理するためのＰＣ（Personal Computer）である。ＰＣには、タブレットＰＣ、ノートＰＣ、デスクトップ型ＰＣなどが含まれる。もっとも、管理装置２０は、スマートフォン又はタブレット端末などのモバイル端末であってもよい。管理装置２０は、メールマガジンを管理するための専用アプリケーションがインストールされていてもよく、外部サーバとの連携によりメールマガジンを管理してもよい。運営者等は、管理装置２０を用いてメールマガジンを作成すると共に、メールマガジンの構成を確認し、細かな修正を行うことができる。
The
メール配信装置４０は、管理装置２０からの指令に応じて、メールマガジンなどの電子メールを端末装置６０へ配信するものである。メール配信装置４０は、クラウドコンピューティングに基づくクラウドサーバ又は物理サーバなどにより構成される。サービス提供装置５０は、商品又はサービスの取引等が可能なウェブサイトを端末装置６０に提供するウェブサーバである。ウェブサイトは、ＥＣサイト（Electronic Commerce site）、モバイルゲームなどのオンラインゲームを提供するサイト（Ｗｅｂサービス）などを広く含むものとする。サービス提供装置５０は、クラウドコンピューティングに基づくクラウドサーバ又は物理サーバなどにより構成される。
The
端末装置６０は、ユーザにより使用されるスマートフォンなどのモバイル端末又はＰＣである。端末装置６０は、メールソフト又はＷｅｂメールの使用が可能となっており、管理装置２０からメール配信装置４０を介して配信される電子メールをユーザに確認させる機能を有している。すなわち、ユーザは、メールソフトを介してメール配信装置４０から電子メールを端末装置６０にダウンロードするか、端末装置６０のブラウザからメール配信装置４０上の電子メールにアクセスすることにより、自身宛ての電子メールを確認することができる。
The
端末装置６０は、ユーザの操作に応じて、ウェブサイトへのアクセスやログインなどを行うと共に、ウェブサイト内の種々の情報を表示し、売買取引の中継などを行う。例えば、ユーザがメールマガジン内のリンク情報をクリック等した場合、端末装置６０は、該リンク情報のリンク先のウェブページの情報を表示する。ここで、リンクとは、メールマガジン等の中に記された、ウェブサイト内の特定のウェブページの所在を示す情報（例えばＵＲＬ：Uniform Resource Locator）のことである。すなわち、リンク情報とは、リンク先のウェブページの所在を示す情報に対応づけられた文字又は図形などの情報のことである。ただし、リンク情報は、メールマガジンの解除用ページへのリンクを含む解除情報を含まないものとする。以降では、ウェブサイトのことを「サイト」ともいう。
The
次に、図２を参照して、メール提案装置１０の機能的な構成例について説明する。図２に示すように、メール提案装置１０は、通信部１１と、制御部１２と、記憶部１３と、を有している。通信部１１は、制御部１２がネットワークＮに接続された機器等との間で有線又は無線による通信を行うためのインタフェースである。
Next, a functional configuration example of the
記憶部１３は、メール提案プログラムＰ１などの制御部１２の動作プログラムの他、メールマガジンの管理及び分析に関連する種々のデータを記憶する。また、記憶部１３には、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により構築される推奨モデルＭ１が格納される。記憶部１３は、ＲＡＭ（Random Access Memory）及びＲＯＭ（Read Only Memory）、フラッシュメモリ等のＰＲＯＭ（Programmable ＲＯＭ）、又はＨＤＤ（Hard Disk Drive）等により構成することができる。
The
制御部１２は、取得処理手段１２ａと、前処理手段１２ｂと、学習処理手段１２ｃと、提案処理手段１２ｄと、を有している。取得処理手段１２ａは、メール配信装置４０から端末装置６０へ配信されたメールマガジンに関する情報である配信メール情報を逐次又は定期的に取得し、取得した配信メール情報を記憶部１３に記憶させる。ここで、メール配信装置４０から端末装置６０へ配信されたメールマガジンのことを「配信済メール」ともいう。
The
配信メール情報は、配信済メールの構成に係る構成データを含んでいる。構成データは、メールマガジンを構成するパーツごとの種別及び配置といったメールマガジンの構造を示す構造データと、各パーツの具体的な内容を示す内容データと、が含まれる。メールマガジンを構成するパーツには、テキストデータの集合体や画像の情報であるパーツ画像などが含まれる。テキストデータは、管理装置２０又は端末装置６０に文字として表示される。パーツ画像は、管理装置２０又は端末装置６０に、写真、アイコン、又はボタンなどの画像（オブジェクト）として表示される。以降では、構成データに含まれるテキストデータのことを「配信テキスト」ともいい、構成データに含まれるパーツ画像のことを「配信画像」ともいう。
The delivered mail information includes configuration data related to the configuration of the delivered mail. The configuration data includes structural data indicating the structure of the e-mail newsletter such as the type and arrangement of each part constituting the e-mail newsletter, and content data indicating the specific contents of each part. The parts that make up the e-mail newsletter include a collection of text data and a part image that is image information. The text data is displayed as characters on the
配信メール情報は、配信済メールの配信時を示す配信時データと、配信済メールの受信者の反応を示す反応データと、を含んでいる。配信時データと反応データとは、構成データに紐付けられている。配信時データは、配信済メールが配信された日時及び曜日の情報を含む。反応データは、メールマガジンの開封率の情報と、リンク情報のクリック率の情報と、メールマガジンの解除率の情報と、を含んでいる。反応データは、リンク先におけるコンバージョン率（ＣＶＲ：Conversion Rate）の情報を含んでいてもよい。コンバージョン（ＣＶ）は、ウェブサイトの目的となるゴール、つまりウェブサイトでユーザに達成してもらいたい行動のことであり、登録、商品やサービスの購入、申し込み、資料請求、予約の実施などを指す。コンバージョン率は、サイトの訪問者が該サイトの目標達成となる行動をどの程度とったかを表す指標である。 The delivered mail information includes delivery time data indicating the delivery time of the delivered mail and reaction data indicating the reaction of the recipient of the delivered mail. The delivery data and the reaction data are associated with the configuration data. The delivery data includes information on the date and time and the day of the week when the delivered mail was delivered. The reaction data includes information on the opening rate of the e-mail newsletter, information on the click rate of the link information, and information on the cancellation rate of the e-mail newsletter. The reaction data may include information on the conversion rate (CVR) at the link destination. Conversion (CV) is the goal of a website, that is, the behavior that you want the user to achieve on the website, such as registration, purchase of goods or services, application, request for materials, or making a reservation. .. The conversion rate is an indicator of how much a site visitor has taken to achieve the site's goals.
配信メール情報は、メールマガジンの配信先を示す配信先情報を含んでいてもよい。配信先情報は、配信先の端末装置６０を使用しているユーザの年齢層、性別、在住都道府県、職業、嗜好などの情報を含む。以降では、メールマガジンの開封率のことを「開封率」ともいい、リンク情報のクリック率のことを「クリック率」ともいい、メールマガジンの解除率のことを「解除率」ともいう。開封率、クリック率、及びコンバージョン率のことを総称して「好反応率」という。
The delivery mail information may include delivery destination information indicating the delivery destination of the e-mail newsletter. The delivery destination information includes information such as the age group, gender, resident prefecture, occupation, and preference of the user who is using the delivery
また、取得処理手段１２ａは、分析対象のメールマガジンである分析対象メールを管理装置２０から取得し、取得した分析対象メールを記憶部１３に記憶させる。分析対象メールは、管理装置２０において分析対象として設定されたメールマガジンである。分析対象メールは、未配信のメールマガジンであってもよく、既に配信したメールマガジンであってもよい。分析対象メールは、テキストの情報である分析テキスト、及びパーツ画像である分析画像のうちの少なくとも一方を含んでいる。
Further, the acquisition processing means 12a acquires the analysis target mail, which is the analysis target mail magazine, from the
ここで、メールマガジンは、件名（タイトル）の情報と、本文の情報と、を含んでいる。件名の情報には、件名の文字列の情報と、件名の文字数の情報と、が含まれる。文字列は、単語、連語、文章、又はこれらの組み合わせを含むものとする。件名は、メールマガジンを開封する前にも、その一部又は全部が一覧表示等で表示され、開封率に寄与する部分である。本実施の形態１において、本文は、いわゆるヘッダ、リード文、見出し、インデックス、及びフッタなどを含む概念とする。本文は、リンク情報の他に、リンク情報のリンク先へ誘導するための誘導情報と、解除用ページへのリンクを含む解除情報と、を含むものとする。誘導情報は、リンク情報のクリック等を誘導するための文言の情報を含み、矢印などの記号や、アイコンなどの画像等を含んでいてもよい。 Here, the e-mail newsletter includes information on the subject (title) and information on the text. The subject information includes information on the character string of the subject and information on the number of characters in the subject. The character string shall include words, collocations, sentences, or combinations thereof. The subject is a part that contributes to the opening rate by displaying a part or all of the e-mail newsletter in a list display or the like even before opening the e-mail newsletter. In the first embodiment, the text is a concept including a so-called header, a lead sentence, a heading, an index, a footer, and the like. In addition to the link information, the text shall include guidance information for guiding to the link destination of the link information and cancellation information including a link to the cancellation page. The guidance information includes wording information for guiding a click or the like of link information, and may include a symbol such as an arrow, an image such as an icon, or the like.
また、メールマガジンが開封されたとき最初に表示される領域の情報のことを、ファーストビューという。ファーストビューは、通常、メールマガジンにおける上部の領域の情報となる。ファーストビューは、端末装置６０としてのデバイスの種類によって、対象となる領域が変化する。メールマガジンにおいて、件名とファーストビューとの関連性と、クリック率との間には相関がある。つまり、件名とファーストビューとの関連性が強くなればクリック率が上昇し、件名とファーストビューとの関連性が弱くなればクリック率が低下する、という傾向がうかがえる。したがって、件名とファーストビューとの関連性は、クリック率を上げるための有効な指標となる。
In addition, the information in the area that is displayed first when the e-mail newsletter is opened is called the first view. The first view is usually information in the upper area of the e-mail newsletter. The target area of the first view changes depending on the type of the device as the
前処理手段１２ｂは、配信テキストに解析処理を施すことにより学習要素データを生成する。そして、前処理手段１２ｂは、生成した学習要素データ、構成データのうちの配信テキスト以外のデータ、配信時データ、及び反応データを、推奨モデルＭ１の訓練に用いる学習用データとして記憶部１３に記憶させる。前処理手段１２ｂは、分析テキストに解析処理を施すことにより分析要素データを生成する。そして、前処理手段１２ｂは、生成した分析要素データ、及び分析対象メールのうちの分析テキスト以外のデータを、推奨モデルＭ１の入力とする分析用データとして記憶部１３に記憶させる。以降では、配信テキストと分析テキストとを総称して「テキスト」といい、配信画像と分析画像とを総称して「画像データ」という。学習要素データと分析要素データとを総称して「要素データ」という。
The preprocessing means 12b generates learning element data by performing analysis processing on the delivered text. Then, the preprocessing means 12b stores the generated learning element data, data other than the distribution text among the constituent data, distribution time data, and reaction data as learning data used for training of the recommended model M1 in the
より具体的に、前処理手段１２ｂは、記憶部１３に記憶されているテキストに対し、形態素解析などの自然言語処理を施すテキスト解析機能を有している。形態素解析とは、自然言語で書かれたテキストデータを、言語上の最小単位である形態素に分割し（分かち書きし）、各形態素のそれぞれの品詞や変化などを判別することである。すなわち、前処理手段１２ｂは、テキストから分割した各形態素のそれぞれに、動詞、名詞、形容詞などの品詞の情報を付して分散表現に変換した要素データを生成し、生成した要素データを記憶部１３に記憶させる。
More specifically, the preprocessing means 12b has a text analysis function of performing natural language processing such as morphological analysis on the text stored in the
前処理手段１２ｂは、各形態素のそれぞれに変換処理を施す際、機械学習の鍵となるキー情報を抽出するようにしてもよく、さらに、抽出したキー情報に対して重み付けなどの処理を行ってもよい。例えば、キー情報としては、「期間限定」「限定○人」「限定○個」「限定○枚」「１日○組」「お一人様○つまで」のような消費者の購買意欲を上昇させるための限定ワードが設定される。前処理手段１２ｂは、上記のような限定ワードを抽出した場合、抽出した限定ワードに限定情報を付したものを要素データとして生成してもよい。限定情報とは、限定ワードであることを示す識別情報であり、重要度が相対的に高い情報であることを示す。すなわち、限定ワードに限定情報が付された要素データは、限定ワードに所定の重みが付された情報であり、機械学習に、もしくは推奨モデルＭ１への入力データとして用いられる。もっとも、限定ワードの種類ごとに個別の重みが設定され、前処理手段１２ｂは、抽出した限定ワードに個別の限定情報を付したものを要素データとしてもよい。 The preprocessing means 12b may extract key information that is a key to machine learning when performing conversion processing on each of the morphemes, and further performs processing such as weighting on the extracted key information. May be good. For example, as key information, consumers' willingness to purchase such as "Limited time", "Limited ○ people", "Limited ○ pieces", "Limited ○ pieces", "1 day ○ group", and "Up to ○ per person" is increased. A limited word is set to make it. When the limited word as described above is extracted, the preprocessing means 12b may generate the extracted limited word with limited information as element data. The limited information is identification information indicating that it is a limited word, and indicates that it is information having a relatively high importance. That is, the element data in which the limited information is attached to the limited word is the information in which the limited word is given a predetermined weight, and is used for machine learning or as input data to the recommended model M1. However, individual weights are set for each type of limited word, and the preprocessing means 12b may use the extracted limited word with individual limited information as element data.
また、キー情報としては、件名の文字数の情報である件名文字数が設定されてもよい。前処理手段１２ｂは、件名に自然言語処理を施す際に件名文字数を抽出し、抽出した件名文字数に所定の重みを付したものを要素データとして生成するとよい。このとき、前処理手段１２ｂは、抽出した件名文字数の多少に応じて、付加する重みを変化させるとよい。具体的には、件名文字数が少なければ付加する重みが大きくなるように、件名文字数と重みとが対応づけられた件名重み情報を記憶部１３に記憶させておくとよい。前処理手段１２ｂは、抽出した件名文字数を件名重み情報に照らして、件名文字数が少ないほど相対的に大きな重みを付加するように処理するとよい。
Further, as the key information, the number of subject characters, which is the information on the number of characters in the subject, may be set. The preprocessing means 12b may extract the number of subject characters when applying natural language processing to the subject, and may generate the extracted number of subject characters with a predetermined weight as element data. At this time, the preprocessing means 12b may change the weight to be added according to the number of extracted subject characters. Specifically, it is preferable to store the subject weight information in which the number of subject characters and the weight are associated with each other in the
さらに、キー情報としては、本文におけるテキストデータの位置の情報である位置データが設定されてもよい。位置データは、文頭、中間部、又は末尾といった位置を示す情報であり、本文全体における位置だけではなく、ファーストビューにおける位置についても設定するとよい。具体的には、テキストデータの位置と重みとの関係につき、位置データが文頭に近いほど付加する重みが大きくなるように対応づけられた位置重み情報を記憶部１３に記憶させておくとよい。位置重み情報では、テキストデータの位置として、例えば、ファーストビューの前段部分・中段部分・後段部分、ファーストビュー以降の前段部分・後段部分のような段階的な設定をするとよい。前処理手段１２ｂは、抽出した位置データを位置重み情報に照らして、位置データが文頭に近いほど相対的に大きな重みを付加するように処理するとよい。
Further, as the key information, position data, which is information on the position of the text data in the text, may be set. The position data is information indicating a position such as the beginning, middle, or end of a sentence, and it is preferable to set not only the position in the entire text but also the position in the first view. Specifically, regarding the relationship between the position and the weight of the text data, it is preferable to store the associated position weight information in the
なお、前処理手段１２ｂは、テキスト中から不要データを削除するような比較的簡易な解析処理によって要素データを生成してもよい。不要データとは、例えば数値、改行、又は記号などの、推奨モデルＭ１の訓練及び該モデルを用いた演算にとって重要度の低い文字等のことである。 The preprocessing means 12b may generate element data by a relatively simple analysis process such as deleting unnecessary data from the text. Unnecessary data is characters such as numerical values, line breaks, or symbols that are less important for training of the recommended model M1 and operations using the model.
前処理手段１２ｂは、記憶部１３に記憶されている画像データに解析処理を施して要素データを生成する画像解析機能を有していてもよい。この場合、前処理手段１２ｂは、画像解析機能により、構成データ内から配信画像を抽出し、抽出した配信画像に関する情報を含む学習用データを生成する。配信画像に関する情報は、配信画像の位置を示す情報の他、配信画像そのものを含んでいてもよい。また、前処理手段１２ｂは、画像解析機能により、分析対象メール内から分析画像を抽出し、抽出した分析画像に関する情報を含む分析用データを生成する。分析画像に関する情報は、分析画像の位置を示す情報の他、分析画像そのものを含んでいてもよい。
The preprocessing means 12b may have an image analysis function of performing analysis processing on the image data stored in the
より具体的に、前処理手段１２ｂは、画像解析機能により、リンク情報としてのボタンの位置の情報や、「セールはこちら」のような誘導情報の位置の情報を、要素データとして生成してもよい。また、前処理手段１２ｂは、画像解析機能により、予め設定された上部の領域（ファーストビューなど）にリンク情報としてのボタンや誘導情報があるか否かを示す情報を、要素データとして生成してもよい。さらに、前処理手段１２ｂは、画像解析機能により、件名との関連性が強い関連ワードの位置の情報を、要素データとして生成してもよい。加えて、前処理手段１２ｂは、画像解析機能により、関連ワードが本文の冒頭部分に位置しているか否かの情報を、要素データとして生成してもよい。なお、リンク情報としてのボタン、誘導情報、及び関連ワードは、前処理手段１２ｂにより画像として抽出される場合、配信画像もしくは分析画像に相当する。 More specifically, even if the preprocessing means 12b uses the image analysis function to generate information on the position of the button as link information and information on the position of guidance information such as "Click here for sale" as element data. good. Further, the preprocessing means 12b uses the image analysis function to generate information indicating whether or not there is a button or guidance information as link information in a preset upper area (first view, etc.) as element data. May be good. Further, the preprocessing means 12b may generate information on the positions of related words that are strongly related to the subject as element data by the image analysis function. In addition, the preprocessing means 12b may generate information as element data as to whether or not the related word is located at the beginning of the text by the image analysis function. The button as link information, the guidance information, and the related word correspond to a distribution image or an analysis image when extracted as an image by the preprocessing means 12b.
ここで、前処理手段１２ｂは、テキスト解析機能と画像解析機能との双方を有していてもよく、テキスト解析機能及び画像解析機能のうちの何れか一方を有していてもよい。前処理手段１２ｂは、テキスト解析機能と画像解析機能との双方を有している場合、テキスト及び画像データに解析処理を施して要素データを生成する。 Here, the preprocessing means 12b may have both a text analysis function and an image analysis function, and may have either a text analysis function or an image analysis function. When the preprocessing means 12b has both a text analysis function and an image analysis function, the preprocessing means 12b performs analysis processing on the text and image data to generate element data.
前処理手段１２ｂは、画像解析機能のみを有する場合、配信画像に解析処理を施して学習要素データを生成し、生成した学習要素データ、構成データのうちの配信画像以外のデータ、配信時データ、及び反応データを、学習用データとして記憶部１３に記憶させる。同想定において、前処理手段１２ｂは、分析画像に解析処理を施して分析要素データを生成し、生成した分析要素データ、及び分析対象メールのうちの分析画像以外のデータを、分析用データとして記憶部１３に記憶させる。
When the preprocessing means 12b has only an image analysis function, the distribution image is subjected to analysis processing to generate learning element data, and the generated learning element data, data other than the distribution image among the constituent data, data at the time of distribution, And the reaction data is stored in the
学習処理手段１２ｃは、過去に配信されたメールマガジンの構成に係る構成データと、該メールマガジンの受信者の反応を示す反応データと、に基づく機械学習により、メールマガジンで推奨される構成を示す推奨データを出力する推奨モデルＭ１を生成する。本実施の形態１において、学習処理手段１２ｃは、推奨モデルＭ１の訓練に配信時データを用いるようになっている。具体的には、学習処理手段１２ｃは、前処理手段１２ｂが生成した学習用データを用いての機械学習により、メールマガジンの有意な構成を提案する学習済モデルである推奨モデルＭ１を構築する。 The learning processing means 12c shows the configuration recommended in the e-mail newsletter by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data showing the reaction of the recipient of the e-mail newsletter. Generate a recommended model M1 that outputs recommended data. In the first embodiment, the learning processing means 12c uses the distribution time data for training the recommended model M1. Specifically, the learning processing means 12c constructs a recommended model M1 which is a learned model that proposes a significant configuration of an e-mail newsletter by machine learning using the learning data generated by the preprocessing means 12b.
配信メール情報は、取得処理手段１２ａにより経時的に取得され、記憶部１３に蓄積される。そして、前処理手段１２ｂは、記憶部１３に記憶された配信メール情報に対し、所定のタイミングで上記の解析処理を施して学習用データを生成し、生成した学習用データを記憶部１３に記憶させる。学習処理手段１２ｃは、設定されたタイミングで、記憶部１３に新たに蓄積された学習用データを推奨モデルＭ１の入力とすることにより、推奨モデルＭ１のパラメータなどを適宜チューニングして、推奨モデルＭ１の更新処理を実行する。
The delivered mail information is acquired over time by the acquisition processing means 12a and stored in the
本実施の形態１において、学習処理手段１２ｃは、ＤＮＮ（Deep Neural Network）を用いた教師あり学習により推奨モデルＭ１を生成するようになっている。学習処理手段１２ｃは、教師なし学習又は半教師あり学習により推奨モデルＭ１を生成するものであってもよい。学習処理手段１２ｃは、ＧＢＤＴ (Gradient Boosting Decision Tree)を用いた機械学習により推奨モデルＭ１を生成してもよい。学習処理手段１２ｃは、キャラクタレベルＣＮＮを用いた機械学習により推奨モデルＭ１を生成してもよい。加えて、学習処理手段１２ｃは、線形回帰、ロジスティック回帰、又は決定木などの回帰の手法により推奨モデルＭ１を生成するものであってよい。さらに、学習処理手段１２ｃは、ランダムフォレスト又はサポートベクターマシンなどの分類の手法により推奨モデルＭ１を生成するものであってよい。もっとも、学習処理手段１２ｃは、上述した複数の機械学習を組み合わせた手法により推奨モデルＭ１を生成してもよい。 In the first embodiment, the learning processing means 12c is adapted to generate the recommended model M1 by supervised learning using a DNN (Deep Neural Network). The learning processing means 12c may generate the recommended model M1 by unsupervised learning or semi-supervised learning. The learning processing means 12c may generate the recommended model M1 by machine learning using GBDT (Gradient Boosting Decision Tree). The learning processing means 12c may generate the recommended model M1 by machine learning using the character level CNN. In addition, the learning processing means 12c may generate the recommended model M1 by a regression method such as linear regression, logistic regression, or decision tree. Further, the learning processing means 12c may generate the recommended model M1 by a classification method such as a random forest or a support vector machine. However, the learning processing means 12c may generate the recommended model M1 by a method combining the above-mentioned plurality of machine learning.
提案処理手段１２ｄは、分析対象メールに基づく分析用データを、過去に配信されたメールマガジンごとの構成データ及び反応データに基づく機械学習により構築される推奨モデルＭ１の入力として、該分析対象メールに応じた推奨データを求めるものである。そして、提案処理手段１２ｄは、推奨モデルＭ１により求めた推奨データを管理装置２０へ送信するようになっている。本実施の形態１における推奨データは、分析対象メールの改善案に関する情報である。
The proposed processing means 12d inputs the analysis data based on the analysis target mail into the analysis target mail as the input of the recommended model M1 constructed by machine learning based on the configuration data and reaction data of each mail magazine delivered in the past. It asks for recommended data according to the situation. Then, the proposed processing means 12d transmits the recommended data obtained by the recommended model M1 to the
提案処理手段１２ｄは、推奨データとして、メールマガジンの件名に入れることが推奨される文字列を示す件名情報を求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして件名情報を出力する推奨モデルＭ１を構築するものとなる。提案処理手段１２ｄは、推奨データとして、メールマガジンの件名として推奨される文字数に関する件名数データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして件名数データを出力する推奨モデルＭ１を構築するものとなる。上述したように、件名と開封率との間には相関があるため、件名情報及び件名数データのうちの少なくとも一方を推奨モデルＭ１に出力させる場合、推奨モデルＭ１の学習に用いる反応データは、開封率を含むように設定するとよい。 The proposal processing means 12d may request subject information indicating a character string recommended to be included in the subject of the e-mail newsletter as recommended data. In this case, the learning processing means 12c constructs a recommended model M1 that outputs subject information as recommended data. As the recommended data, the proposal processing means 12d may request the subject number data regarding the number of characters recommended as the subject of the e-mail newsletter. In this case, the learning processing means 12c constructs the recommended model M1 that outputs the subject number data as the recommended data. As described above, since there is a correlation between the subject and the open rate, when at least one of the subject information and the subject number data is output to the recommended model M1, the reaction data used for learning the recommended model M1 is It is advisable to set it to include the open rate.
提案処理手段１２ｄは、推奨データとして、メールマガジンの本文に入れることが推奨される文字列を示す本文情報を求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして本文情報を出力する推奨モデルＭ１を構築するものとなる。提案処理手段１２ｄは、推奨データとして、メールマガジンの本文で推奨される文字数に関する本文数データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして本文数データを出力する推奨モデルＭ１を構築するものとなる。提案処理手段１２ｄは、推奨データとして、メールマガジンの本文で推奨される行数に関する本文行数データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして本文行数データを出力する推奨モデルＭ１を構築するものとなる。 As the recommended data, the proposal processing means 12d may request text information indicating a character string recommended to be included in the text of the e-mail newsletter. In this case, the learning processing means 12c constructs a recommended model M1 that outputs text information as recommended data. As the recommended data, the proposal processing means 12d may obtain the text number data regarding the number of characters recommended in the text of the e-mail newsletter. In this case, the learning processing means 12c constructs the recommended model M1 that outputs the text number data as the recommended data. As the recommended data, the proposal processing means 12d may obtain the text line number data regarding the number of lines recommended in the text of the e-mail newsletter. In this case, the learning processing means 12c constructs the recommended model M1 that outputs the text line number data as the recommended data.
提案処理手段１２ｄは、推奨データとして、リンク情報の配置の案を示すリンク配置データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとしてリンク配置データを出力する推奨モデルＭ１を構築するものとなる。提案処理手段１２ｄは、推奨データとして、リンク情報に用いる文言の案を示すリンク文言データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとしてリンク文言データを出力する推奨モデルＭ１を構築するものとなる。提案処理手段１２ｄは、推奨データとして、リンク情報の態様の案を示すリンク態様データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとしてリンク態様データを出力する推奨モデルＭ１を構築するものとなる。リンク情報の配置、文言、及び態様と、クリック率との間には相関がある。そのため、リンク配置データ、リンク文言データ、及びリンク態様データのうちの少なくとも１つを推奨モデルＭ１に出力させる場合、推奨モデルＭ１の学習に用いる反応データは、クリック率を含むように設定するとよい。 The proposed processing means 12d may request link arrangement data indicating a proposal for arrangement of link information as recommended data. In this case, the learning processing means 12c constructs the recommended model M1 that outputs the link arrangement data as the recommended data. As the recommended data, the proposed processing means 12d may request link wording data indicating a draft of the wording used for the link information. In this case, the learning processing means 12c constructs a recommended model M1 that outputs link wording data as recommended data. As the recommended data, the proposed processing means 12d may request the link mode data indicating the proposed mode of the link information. In this case, the learning processing means 12c constructs the recommended model M1 that outputs the link mode data as the recommended data. There is a correlation between the placement, wording, and mode of link information and the click rate. Therefore, when at least one of the link arrangement data, the link wording data, and the link mode data is output to the recommended model M1, the reaction data used for learning the recommended model M1 may be set to include the click rate.
提案処理手段１２ｄは、推奨データとして、誘導情報に含めることが推奨される文言を示す誘導文言データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして誘導文言データを出力する推奨モデルＭ１を構築するものとなる。誘導情報とクリック率との間には相関があるため、誘導文言データを推奨モデルＭ１に出力させる場合、推奨モデルＭ１の学習に用いる反応データは、クリック率を含むように設定するとよい。 As the recommended data, the proposed processing means 12d may request the guidance wording data indicating the wording recommended to be included in the guidance information. In this case, the learning processing means 12c constructs a recommended model M1 that outputs guidance wording data as recommended data. Since there is a correlation between the guidance information and the click rate, when the guidance wording data is output to the recommended model M1, the reaction data used for learning the recommended model M1 may be set to include the click rate.
提案処理手段１２ｄは、推奨データとして、メールマガジンの件名と、該メールマガジンのファーストビューとの関連性を高める案を示す関連性向上データを求めるようにしてもよい。この場合、推奨モデルＭ１は、学習用データからファーストビューに対応するファーストデータを抽出し、抽出したファーストデータと反応データとの関連性を学習するように構成される。つまり、学習処理手段１２ｃは、件名とファーストビューとの関連性が反応データに及ぼす影響を推奨モデルＭ１に学習させ、推奨データとして関連性向上データを出力する推奨モデルＭ１を構築することになる。学習処理手段１２ｃは、前処理手段１２ｂの件名及びファーストビューに対する自然言語処理で得られた学習要素データを推奨モデルＭ１の訓練に用いることにより、件名とファーストビューとの有意な関連性を推奨モデルＭ１に反映することができる。 The proposal processing means 12d may request, as recommended data, relevance improvement data indicating a proposal for enhancing the relevance between the subject of the e-mail newsletter and the first view of the e-mail newsletter. In this case, the recommended model M1 is configured to extract the first data corresponding to the first view from the training data and learn the relationship between the extracted first data and the reaction data. That is, the learning processing means 12c causes the recommended model M1 to learn the influence of the relationship between the subject and the first view on the reaction data, and constructs the recommended model M1 that outputs the relevance improvement data as the recommended data. The learning processing means 12c recommends a significant relationship between the subject and the first view by using the learning element data obtained by natural language processing for the subject and the first view of the preprocessing means 12b for training of the recommended model M1. It can be reflected in M1.
例えば、件名が「キャンペーンやってます」といった文字列を含んでいる場合に、ファーストビューに「５０％ＯＦＦセール開催中」といった「キャンペーン」に関連する文字列が含まれていれば、件名とファーストビューとの関連性が相対的に高くなる。上述したように、件名とファーストビューとの関連性と、クリック率との間には相関があるため、関連性向上データを推奨モデルＭ１に出力させる場合、推奨モデルＭ１の学習に用いる反応データは、クリック率を含むように設定するとよい。提案処理手段１２ｄは、分析対象メールから、件名とファーストビューとの関連性を示す関連性データを抽出して、管理装置２０へ出力してもよい。
For example, if the subject contains a character string such as "I'm doing a campaign", and the first view contains a character string related to "Campaign" such as "50% OFF sale is being held", the subject and first Relevant to the view. As described above, since there is a correlation between the subject and the first view and the click rate, when the association improvement data is output to the recommended model M1, the reaction data used for learning the recommended model M1 is used. , It is good to set to include the click rate. The proposal processing means 12d may extract the relevance data indicating the relevance between the subject and the first view from the analysis target mail and output it to the
提案処理手段１２ｄは、推奨データとして、メールマガジンの配信を推奨するタイミングを示す推奨配信時データを求めるようにしてもよい。この場合の推奨モデルＭ１は、メールマガジンの配信時を示す配信時データを用いて訓練されたものである。すなわち、学習処理手段１２ｃは、構成データに紐付けられた配信時データを用いて推奨モデルＭ１の訓練を行い、推奨データとして推奨配信時データを出力する推奨モデルＭ１を構築する。 As the recommended data, the proposal processing means 12d may request the recommended delivery time data indicating the timing at which the delivery of the e-mail newsletter is recommended. The recommended model M1 in this case is trained using the delivery time data indicating the delivery time of the e-mail newsletter. That is, the learning processing means 12c trains the recommended model M1 using the distribution data associated with the configuration data, and constructs the recommended model M1 that outputs the recommended distribution data as the recommended data.
提案処理手段１２ｄは、推奨データとして、メールマガジンの推奨される配信頻度を示す頻度データを求めるようにしてもよい。この場合、学習処理手段１２ｃは、推奨データとして頻度データを出力する推奨モデルＭ１を構築するものとなる。頻度データと解除率との間には相関があるため、頻度データを推奨モデルＭ１に出力させる場合、推奨モデルＭ１の学習に用いる反応データは、解除率を含むように設定するとよい。 As the recommended data, the proposed processing means 12d may request frequency data indicating the recommended delivery frequency of the e-mail newsletter. In this case, the learning processing means 12c constructs a recommended model M1 that outputs frequency data as recommended data. Since there is a correlation between the frequency data and the cancellation rate, when the frequency data is output to the recommended model M1, the reaction data used for learning the recommended model M1 may be set to include the cancellation rate.
提案処理手段１２ｄは、推奨データとして、推奨される配信先の情報である推奨配信先データを求めるようにしてもよい。この場合は、配信メール情報が配信先情報を含むことを前提とし、学習処理手段１２ｃは、推奨データとして推奨配信先データを出力する推奨モデルＭ１を構築するものとなる。 The proposed processing means 12d may request the recommended delivery destination data, which is the recommended delivery destination information, as the recommended data. In this case, on the premise that the delivery mail information includes the delivery destination information, the learning processing means 12c constructs the recommended model M1 that outputs the recommended delivery destination data as the recommended data.
学習処理手段１２ｃは、推奨データとして、件名情報、件名数データ、本文情報、本文数データ、本文行数データ、リンク配置データ、リンク文言データ、リンク態様データ、誘導文言データ、関連性向上データ、推奨配信時データ、頻度データ、及び推奨配信先データの全てを出力する推奨モデルＭ１を構築してもよい。また、学習処理手段１２ｃは、推奨データとして、件名情報、件名数データ、本文情報、本文数データ、本文行数データ、リンク配置データ、リンク文言データ、リンク態様データ、誘導文言データ、関連性向上データ、推奨配信時データ、頻度データ、及び推奨配信先データのうちの、何れか１つ又は幾つかを組み合わせて出力する推奨モデルＭ１を構築してもよい。すなわち、提案処理手段１２ｄは、推奨モデルＭ１によって、件名情報、件名数データ、本文情報、本文数データ、本文行数データ、リンク配置データ、リンク文言データ、リンク態様データ、誘導文言データ、関連性向上データ、推奨配信時データ、頻度データ、及び推奨配信先データのうちの少なくとも１つを求めるように構成するとよい。 As recommended data, the learning processing means 12c includes subject information, subject number data, body information, body number data, body line number data, link arrangement data, link wording data, link mode data, guidance wording data, and relevance improvement data. The recommended model M1 that outputs all of the recommended delivery time data, the frequency data, and the recommended delivery destination data may be constructed. Further, the learning processing means 12c has, as recommended data, subject information, subject number data, body information, body number data, body line number data, link arrangement data, link wording data, link mode data, guidance wording data, and relevance improvement. A recommended model M1 that outputs any one or a combination of data, recommended delivery time data, frequency data, and recommended delivery destination data may be constructed. That is, the proposed processing means 12d uses the recommended model M1 to obtain subject information, subject number data, text information, text number data, text line number data, link arrangement data, link wording data, link mode data, guidance wording data, and relevance. It may be configured to obtain at least one of improvement data, recommended delivery time data, frequency data, and recommended delivery destination data.
制御部１２は、ＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphics Processing Unit）などの演算装置と、こうした演算装置と協働して上記の各種機能を実現させるメール提案プログラムＰ１とにより構成することができる。すなわち、メール提案プログラムＰ１は、コンピュータとしての制御部１２及び記憶部１３を、取得処理手段１２ａ、前処理手段１２ｂ、学習処理手段１２ｃ、及び提案処理手段１２ｄとして機能させるためのプログラムである。
The
次いで、図３を参照して、端末装置６０の機能的な構成例について説明する。図３に示すように、端末装置６０は、端末通信部６１と、端末制御部６２と、端末記憶部６３、端末入力部６４と、端末表示部６５と、を有している。端末記憶部６３には、端末制御部６２の動作プログラムの他、種々の情報が記憶される。端末記憶部６３は、ＲＡＭ及びＲＯＭ、フラッシュメモリ等のＰＲＯＭ、又はＨＤＤなどにより構成される。
Next, a functional configuration example of the
端末入力部６４は、例えば、キーボードと、マウス又はトラックボールなどのポインティングデバイスと、を含んで構成される。端末入力部６４は、ユーザによる入力操作を受け付け、受け付けた入力操作に応じた操作信号を端末制御部６２へ送信する。端末表示部６５は、例えば液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）からなり、端末制御部６２からの指示により種々の情報を表示する。
The
端末制御部６２は、情報処理手段６２ａと、表示処理手段６２ｂと、を有している。情報処理手段６２ａは、端末表示部６５への表示に関する操作を受け付けると、該操作に応じた制御信号を表示処理手段６２ｂへ出力する。表示処理手段６２ｂは、情報処理手段６２ａからの制御信号に応じて、端末表示部６５に文字や画像などを表示させる。
The
表示処理手段６２ｂは、ユーザによるメール確認操作に応じた制御信号が情報処理手段６２ａから出力されると、メール配信装置４０へアクセスすることにより、該ユーザ宛ての電子メールを端末表示部６５に表示させる。より具体的に、表示処理手段６２ｂは、メール配信装置４０へアクセスして、ユーザ宛ての電子メールの一覧を端末表示部６５に表示させる。表示処理手段６２ｂは、電子メールの一覧のうちの、あるメールマガジンの箇所がユーザによりクリック等されると、該メールマガジンを開封し、その内容を端末表示部６５に表示させる。メールマガジンが開封されたことは、該メールマガジンに紐づけられ、反応データにおける開封率に反映される。
When the information processing means 62a outputs a control signal corresponding to the mail confirmation operation by the user, the display processing means 62b accesses the
表示処理手段６２ｂは、開封されたメールマガジンのリンク情報がユーザによりクリック等されると、該リンク情報のリンク先のページを端末表示部６５に表示させる。メールマガジンのリンク情報がクリック等されたことは、該メールマガジンに紐づけられ、反応データにおけるクリック率に反映される。そして、ユーザがリンク情報のリンク先で商品の購入等を行うことにより、コンバージョンが発生する。そのコンバージョンの発生は、リンク情報が貼られたメールマガジンに紐づけられ、反応データにおけるコンバージョン率に反映される。
When the link information of the opened e-mail newsletter is clicked by the user, the display processing means 62b causes the
表示処理手段６２ｂは、開封されたメールマガジンの解除情報がユーザによりクリック等されると、該解除情報のリンク先のページを端末表示部６５に表示させる。メールマガジンの解除情報がクリック等されたことは、該メールマガジンに紐づけられ、反応データにおける解除率に反映される。
When the release information of the opened e-mail newsletter is clicked by the user, the display processing means 62b causes the
端末制御部６２は、ＣＰＵ又はＧＰＵなどの演算装置と、こうした演算装置と協働して上記の各種機能を実現させる動作プログラムとにより構成することができる。なお、端末装置６０は、端末入力部６４及び端末表示部６５の代わりに、文字又は画像等を表示する表示パネルと、該表示パネルに積層されてタッチ操作を検出する検出手段と、を含むタッチパネルを有していてもよい。端末装置６０は、タッチパネルと、マウス又はキーボード等とを併せ持つものであってもよい。
The
続いて、図４を参照して、管理装置２０の機能的な構成例について説明する。図４に示すように、管理装置２０は、管理通信部２１と、管理制御部２２と、管理記憶部２３、入力部２４と、表示部２５と、を有している。管理記憶部２３には、表示処理プログラム２３ｐを含む管理制御部２２の動作プログラムの他、種々の情報が記憶される。管理記憶部２３は、ＲＡＭ及びＲＯＭ、フラッシュメモリ等のＰＲＯＭ、又はＨＤＤなどにより構成される。
Subsequently, a functional configuration example of the
入力部２４は、例えば、キーボードと、マウス又はトラックボールなどのポインティングデバイスと、を含んで構成される。入力部２４は、運営者等による入力操作を受け付け、入力操作の内容に応じた操作信号を管理制御部２２へ送信する。表示部２５は、例えば液晶ディスプレイからなり、管理制御部２２からの指示により種々の情報を表示する。例えば、表示部２５は、メール提案装置１０から送信される推奨データに基づく情報である提案情報を表示する。
The
管理制御部２２は、情報処理手段２２ａと、表示処理手段２２ｂと、を有している。 情報処理手段２２ａは、表示部２５への表示に関する操作を受け付けると、該操作に応じた制御信号を表示処理手段２２ｂへ出力する。情報処理手段２２ａは、分析対象メールの指定用の対象設定画面を介して、運営者等がメールマガジンを指定すると、指定されたメールマガジンを分析対象メールとして管理記憶部２３に記憶させる。情報処理手段２２ａは、メール提案装置１０から送信される推奨データを管理記憶部２３に記憶させる。
The
表示処理手段２２ｂは、情報処理手段２２ａからの制御信号に応じて、表示部２５に文字や画像などを表示させる。例えば、表示処理手段２２ｂは、対象設定画面の表示を指示する制御信号に応じて、表示部２５に対象設定画面を表示させる。対象設定画面は、事前に登録されたメールマガジンの指定が可能な画面であってもよく、メールマガジンの作成を行った上で登録及び指定が可能な画面であってもよい。表示処理手段２２ｂは、分析対象メールの分析を指示する制御信号に応じて、管理記憶部２３内の分析対象メールをメール提案装置１０へ送信する。表示処理手段２２ｂは、管理記憶部２３に記憶された推奨データに基づく提案情報を表示部２５に表示させる。本実施の形態１において、表示処理手段２２ｂは、メール提案装置１０から送信される１又は複数の推奨データを用いて、メールマガジンにおける有意な構成を提案する構成提案画面を表示部２５に表示させる。
The display processing means 22b causes the
管理制御部２２は、ＣＰＵ又はＧＰＵなどの演算装置と、こうした演算装置と協働して上記の各種機能を実現させる表示処理プログラム２３ｐとにより構成することができる。すなわち、表示処理プログラム２３ｐは、コンピュータとしての管理制御部２２及び管理記憶部２３を、情報処理手段２２ａ、及び表示処理手段２２ｂとして機能させるためのプログラムである。なお、管理装置２０は、入力部２４及び表示部２５の代わりに、文字又は画像等を表示する表示パネルと、該表示パネルに積層されてタッチ操作を検出する検出手段と、を含むタッチパネルを有していてもよい。管理装置２０は、タッチパネルと、マウス又はキーボード等とを併せ持つものであってもよい。
The
次に、図５のシーケンスチャートと図６の説明図とを参照して、本実施の形態１のメール提案方法の一例について説明する。なお、図６は、表示処理手段２２ｂが表示部２５に表示させる提案情報を含む構成提案画面の一例である。
Next, an example of the mail proposal method of the first embodiment will be described with reference to the sequence chart of FIG. 5 and the explanatory diagram of FIG. Note that FIG. 6 is an example of a configuration proposal screen including proposal information to be displayed on the
まず、管理装置２０において、情報処理手段２２ａは、入力部２４を介して対象設定画面の表示要求を受け付けると、対象設定画面の表示を指示する制御信号を表示処理手段２２ｂに出力する（ステップＳ１０１）。すると、表示処理手段２２ｂは、分析対象メールを指定させるための対象設定画面を表示部２５に表示させる（ステップＳ１０２）。情報処理手段２２ａは、表示処理手段２２ｂとの連携により、分析対象メールを指定する操作を受け付けると（ステップＳ１０３）、指定された分析対象メールをメール提案装置１０へ送信する（ステップＳ１０４）。
First, in the
メール提案装置１０において、前処理手段１２ｂは、取得処理手段１２ａが取得した分析対象メールに所定の前処理を施して分析用データを生成する（ステップＳ１０５）。提案処理手段１２ｄは、分析対象メールに基づく分析用データを推奨モデルＭ１の入力として、該分析対象メールに応じた推奨データを求める。ここでは図６に対応づけて、提案処理手段１２ｄが推奨データとして、件名情報、件名数データ、本文情報、本文数データ、リンク配置データ、リンク文言データ、リンク態様データ、関連性向上データ、推奨配信時データ、及び頻度データを求めるものとする（ステップＳ１０６）。提案処理手段１２ｄは、求めた複数の異なる推奨データを管理装置２０へ送信する（ステップＳ１０７）。
In the
管理装置２０において、情報処理手段２２ａは、メール提案装置１０から送信された複数の推奨データを管理記憶部２３に記憶させる。表示処理手段２２ｂは、運営者等の操作などに応じて、管理記憶部２３から１又は複数の推奨データを読み出し、読み出した１又は複数の推奨データに基づいて、例えば図６のような構成提案画面３０Ａを表示部２５に表示させる（ステップＳ１０８）。
In the
ここで、図６に例示する構成提案画面３０Ａについて説明する。
構成提案画面３０Ａは、件名欄３１と、件名提案欄３２と、本文欄３３と、本文等提案欄３４と、配信提案欄３５と、推奨様式欄３６と、を有している。件名欄３１には、初期状態において、分析対象メールの件名３１ａが修正可能な状態で表示される。図６の件名欄３１は、現在の件名３１ａの文字数が表示される文字数部３１ｂを有している。
Here, the
The
件名提案欄３２は、件名情報に基づくものであり、分析対象メールの件名に入れることが推奨される文字列を示す件名文字列３２ａを有している。件名文字列３２ａは、件名に用いれば開封率の上昇に寄与すると予測される文字列の情報である。件名提案欄３２は、件名数データに基づくものであり、分析対象メールの件名における適切な文字数の情報である件名文字数３２ｂを有している。件名提案欄３２は、文字数部３１ｂの文字数と件名文字数３２ｂとの差分を示す件名差分情報３２ｃを有していてもよい。図６に例示する件名差分情報３２ｃは、件名文字数３２ｂに対し、文字数部３１ｂの文字数が多いか少ないかを示す情報を含んでいる。件名文字列３２ａ、件名文字数３２ｂ、及び件名差分情報３２ｃは、それぞれ、推奨データに基づく提案情報に相当する。
The
本文欄３３には、初期状態において、分析対象メールの本文３３ａが修正可能な状態で表示される。図６の本文欄３３は、現在の本文３３ａの文字数が表示される文字数部３３ｂを有している。図６の例において、表示処理手段２２ｂは、ファーストビューの予測範囲を示す目安表示３３ｃを、本文欄３３に関連づけて表示させている。図６の目安表示３３ｃは、ここよりも上の領域がファーストビューになることを示す態様となっている。これにより、運営者等は、ファーストビューを意識して、本文のテキストや画像を編集することができる。
In the
本文等提案欄３４は、本文情報に基づくものであり、分析対象メールの本文に入れることが推奨される文字列を示す本文文字列３４ａを有している。本文文字列３４ａは、本文に用いればクリック率などの上昇に寄与すると予測される文字列の情報である。本文等提案欄３４は、本文数データに基づくものであり、分析対象メールの本文における適切な文字数の情報である本文文字数３４ｂを有している。本文等提案欄３４は、文字数部３３ｂの文字数と本文文字数３４ｂとの差分を示す本文差分情報３４ｃを有していてもよい。図６に例示する本文差分情報３４ｃは、本文文字数３４ｂに対し、文字数部３３ｂの文字数が多いか少ないかを示す情報を含んでいる。本文文字列３４ａ、本文文字数３４ｂ、及び本文差分情報３４ｃは、それぞれ、推奨データに基づく提案情報に相当する。
The text and the
本文等提案欄３４は、リンク配置データに基づくものであり、リンク情報の配置の案に関する配置情報３４ｄを有している。図６では、配置情報３４ｄとして、本文においてリンク情報を挟むべき行数の情報を例示している。本文等提案欄３４は、リンク文言データに基づくものであり、リンク情報に用いる文言の案に関する文言情報３４ｅを有している。本文等提案欄３４は、リンク態様データに基づくものであり、リンク情報の態様の案に関する態様情報３４ｆを有している。図６の例において、表示処理手段２２ｂは、態様情報３４ｆとして、リンク情報を赤色のボタンにすることを推奨する情報を表示させている。配置情報３４ｄ、文言情報３４ｅ、及び態様情報３４ｆは、それぞれ、推奨データに基づく提案情報に相当する。
The
本文等提案欄３４は、関連性データに基づくものであり、件名とファーストビューとの関連性の程度を示す関連程度情報３４ｇを有している。図６の関連程度情報３４ｇは、件名とファーストビューとの関連性を横軸にとり、該関連性の程度を示すレベル表示Ｋを横軸に対応づけた態様となっている。本文等提案欄３４は、関連性向上データに基づくものであり、件名とファーストビューとの関連性を高めるための文言例を示す関連文言情報３４ｈを有している。図６では、関連文言情報３４ｈの文言例が２つの場合を例示しているが、関連文言情報３４ｈの文言例は、１つでもよく、３つ以上でもよい。図６のように、本文等提案欄３４は、関連性向上データに基づくものであり、件名とファーストビューとの関連性を高めるための追加的な情報を示す補足情報３４ｊを有していてもよい。関連程度情報３４ｇ、関連文言情報３４ｈ、及び補足情報３４ｊは、それぞれ、推奨データに基づく提案情報に相当する。
The
配信提案欄３５は、推奨配信時データに基づく情報として、メールマガジンを配信する時間帯の案を示す推奨時情報３５ａと、メールを配信する曜日の案を示す推奨曜日情報３５ｂと、を有している。配信提案欄３５は、頻度データに基づくものであり、メールマガジンの配信頻度の案を示す頻度情報３５ｃを有している。図６の例では、表示処理手段２２ｂが、現設定の配信頻度を示す設定頻度情報３５ｄを、頻度情報３５ｃに隣接する位置に表示させている。また、構成提案画面３０Ａは、現状のメールマガジンの状態を確認するための確認ボタン３９を有している。
The
ステップＳ１０８において構成提案画面３０Ａを表示させた後、表示処理手段２２ｂは、運営者等の操作に応じて、分析対象メールの内容、つまり件名欄３１の情報、本文欄３３の情報、及び配信提案欄３５の情報を変更する（ステップＳ１０９）。表示処理手段２２ｂは、確認ボタン３９の押下等に応じた確認指示を受け付けると、件名欄３１の情報と、本文欄３３の情報と、配信提案欄３５の情報とをまとめて整理した確認画面を表示部２５に表示させる（ステップＳ１１０）。
After displaying the
表示処理手段２２ｂは、確認画面において登録指示を受け付けると、変更後の分析対象メールである変更メールを管理記憶部２３に記憶させる。これにより、運営者等は、管理記憶部２３に記憶された変更メールを適宜呼び出して、メールマガジンの基本的なフォーマット等として利用することができる（ステップＳ１１１）。情報処理手段２２ａは、変更メールをメール提案装置１０へ送信してもよい（ステップＳ１１２）。そして、メール提案装置１０の制御部１２は、管理装置２０から送信された変更メールを記憶部１３に記憶させ、推奨モデルＭ１の更新などに用いてもよい（ステップＳ１１３）。
When the display processing means 22b receives the registration instruction on the confirmation screen, the display processing means 22b stores the changed mail, which is the changed mail to be analyzed, in the
ところで、情報処理手段２２ａは、メール提案装置１０から送信される１又は複数の推奨データをもとに、メールマガジンにおいて推奨される全体的な様式を示す様式データを生成してもよい。かかる構成の場合、表示処理手段２２ｂは、様式データに基づき、好反応率を上昇させるためのテキストデータの集合体及びオブジェクトなどの配置を示す推奨様式データを推奨様式欄３６に表示させるとよい。加えて、表示処理手段２２ｂは、推奨様式データへの一括変換を指示するための変換ボタン３６ｘを構成提案画面３０Ａに表示させるとよい。そして、表示処理手段２２ｂは、変換ボタン３６ｘが押下等されたとき、現在の件名欄３１及び本文欄３３の情報を、推奨様式データに合わせて整理し、確認画面に表示させるとよい。
By the way, the information processing means 22a may generate format data indicating an overall format recommended in the mail magazine based on one or a plurality of recommended data transmitted from the
ここで、図５に示す各処理のうち、ステップＳ１０５の処理は、メール提案方法における取得処理工程及び前処理工程に相当し、ステップＳ１０６及びＳ１０７の処理は、メール提案方法における提案処理工程に相当する。また、図５に示す各処理のうち、ステップＳ１０１～Ｓ１０４、及びステップＳ１０８～Ｓ１１２の処理は、情報処理工程及び表示処理工程に相当する。 Here, among the processes shown in FIG. 5, the process of step S105 corresponds to the acquisition process and the pre-process step in the mail proposal method, and the processes of steps S106 and S107 correspond to the proposal process step in the mail proposal method. do. Further, among the processes shown in FIG. 5, the processes of steps S101 to S104 and steps S108 to S112 correspond to the information processing process and the display processing process.
本動作説明では、メール提案方法における学習処理工程の説明を省略したが、学習処理手段１２ｃが行う学習処理工程は、図５の処理の前提となっている。つまり、本実施の形態１のメール提案方法は、分析対象メールで推奨される構成を示す推奨データを求めるメール提案装置１０が、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により、１又は複数の推奨データを出力する推奨モデルＭ１を生成する学習処理工程を有している。
In this operation explanation, the description of the learning processing step in the mail proposal method is omitted, but the learning processing step performed by the learning processing means 12c is a premise of the processing of FIG. That is, in the mail proposal method of the first embodiment, the
以上のように、本実施の形態１のメール提案装置１０は、過去に配信されたメールマガジンの構成データと該メールマガジンの受信者の反応データとに基づく推奨モデルＭ１を用い、分析対象のメールマガジンで推奨される構成を示す推奨データを求めるようになっている。すなわち、メール提案装置１０は、メールマガジンごとの構成データ及び反応データに基づく推奨モデルＭ１により、ユーザの情報の事前登録を要することなく、自動的に推奨データを求めることができるため、汎用性を確保しつつ、好反応率の向上を図ることができる。
As described above, the
ところで、特許文献１の情報提供システムは、ユーザの手入力に基づく趣味嗜好値や限定的な情報に基づく趣味嗜好値を使用するようになっているため、好反応率を上げるための処理の効率及び精度が低くなっている。この点、メール提案装置１０は、過去に配信されたメールマガジンに紐付く構成データ及び反応データを広く機械学習に用いることから、ユーザの作業が不要となるため、好反応率を上げるための処理の効率化及び精度向上を図ることができる。
By the way, since the information providing system of Patent Document 1 uses a hobby preference value based on manual input by a user or a hobby preference value based on limited information, the efficiency of processing for increasing the favorable response rate And the accuracy is low. In this regard, since the
前処理手段１２ｂは、配信テキストに解析処理を施した上で学習用データを生成し、分析テキストに解析処理を施した上で分析用データを生成するテキスト解析機能を有していてもよい。前処理手段１２ｂは、構成データ内から抽出した配信画像に関する情報を含む学習用データを生成し、分析対象メール内から抽出した分析画像に関する情報を含む分析用データを生成する画像解析機能を有していてもよい。 The preprocessing means 12b may have a text analysis function that generates learning data after performing analysis processing on the delivered text, and generates analysis data after performing analysis processing on the analysis text. The preprocessing means 12b has an image analysis function that generates learning data including information on the delivered image extracted from the configuration data and generates analysis data including information on the analysis image extracted from the analysis target mail. May be.
前処理手段１２ｂは、テキスト解析機能と画像解析機能との双方を有するようにしてもよい。すなわち、前処理手段１２ｂは、分析対象メール内の分析テキストに解析処理を施して分析要素データを生成すると共に、該分析対象メール内から分析画像に関する情報を抽出してもよい。そして、前処理手段１２ｂは、生成した分析要素データ及び抽出した分析画像に関する情報を含む分析用データを生成してもよい。前処理手段１２ｂがテキスト解析機能及び画像解析機能のうちの少なくとも一方を有することにより、機械学習に適した学習用データと予測処理に適した解析用データとを生成することができる。そのため、学習処理手段１２ｃによる推奨モデルＭ１の訓練と、提案処理手段１２ｄによる推奨データの演算とを、迅速かつ高精度に行うことができる。 The preprocessing means 12b may have both a text analysis function and an image analysis function. That is, the preprocessing means 12b may perform analysis processing on the analysis text in the analysis target mail to generate analysis element data, and may extract information about the analysis image from the analysis target mail. Then, the preprocessing means 12b may generate analytical data including information on the generated analytical element data and the extracted analytical image. Since the preprocessing means 12b has at least one of a text analysis function and an image analysis function, it is possible to generate learning data suitable for machine learning and analysis data suitable for prediction processing. Therefore, the training of the recommended model M1 by the learning processing means 12c and the calculation of the recommended data by the proposed processing means 12d can be performed quickly and with high accuracy.
提案処理手段１２ｄは、推奨データとしての件名情報を求めるようにしてもよい。これにより、件名に含めれば開封率が上昇すると予測される文字列を、運営者等に提示することができるため、開封率の上昇を図ることができる。提案処理手段１２ｄは、推奨データとしての件名数データを求めるようにしてもよい。このようにしても、開封率を上げるために有効な件名の文字数を運営者等に提示することができるため、開封率の上昇を図ることができる。もっとも、提案処理手段１２ｄが件名情報と件名数データとの双方を求めるようにすれば、開封率をさらに上げることができる。提案処理手段１２ｄは、件名情報及び件名数データのうちの少なくとも一方を求める場合、開封率の情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposal processing means 12d may request subject information as recommended data. As a result, a character string that is expected to increase the opening rate if included in the subject can be presented to the operator or the like, so that the opening rate can be increased. The proposal processing means 12d may obtain the subject number data as the recommended data. Even in this way, since the number of characters in the subject that is effective for increasing the opening rate can be presented to the operator or the like, the opening rate can be increased. However, if the proposal processing means 12d requests both the subject information and the subject number data, the opening rate can be further increased. When the proposed processing means 12d obtains at least one of the subject information and the subject number data, it is preferable to use the recommended model M1 trained by the learning data including the opening rate information.
提案処理手段１２ｄは、推奨データとして本文情報を求めるようにしてもよい。これにより、本文に含めればクリック率などが上昇すると予測される文字列を、運営者等に提示することができるため、クリック率などの上昇を図ることができる。提案処理手段１２ｄは、推奨データとして本文数データを求めるようにしてもよい。このようにしても、クリック率などを上げるために有効な本文の文字数を運営者等に提示することができるため、クリック率などの上昇を図ることができる。もっとも、提案処理手段１２ｄが本文情報と本文数データとの双方を求めるようにすれば、クリック率などをさらに上げることができる。提案処理手段１２ｄは、本文情報及び本文数データのうちの少なくとも一方を求める場合、クリック率の情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposed processing means 12d may request text information as recommended data. As a result, a character string that is expected to increase the click rate or the like if it is included in the text can be presented to the operator or the like, so that the click rate or the like can be increased. The proposed processing means 12d may obtain the text number data as recommended data. Even in this way, since the number of characters in the text that is effective for increasing the click rate or the like can be presented to the operator or the like, the click rate or the like can be increased. However, if the proposal processing means 12d requests both the text information and the text number data, the click rate and the like can be further increased. When the proposed processing means 12d obtains at least one of the text information and the text number data, it is preferable to use the recommended model M1 trained by the learning data including the click rate information.
提案処理手段１２ｄは、推奨データとしてリンク配置データを求めてもよい。このようにすれば、メールマガジンにおけるリンク情報の配置の最適化を提案することができるため、クリック率の上昇を図ることができる。提案処理手段１２ｄは、推奨データとしてリンク文言データを求めてもよい。このようにすれば、メールマガジンのリンク情報に、クリックを誘発する文言を表示させることができるため、クリック率の上昇を図ることができる。提案処理手段１２ｄは、推奨データとしてリンク態様データを求めてもよい。このようにすれば、メールマガジンのリンク情報のクリックを、視覚的に誘発することができるため、クリック率の上昇を図ることができる。もっとも、提案処理手段１２ｄがリンク配置データ、リンク文言データ、及びリンク態様データのうちの２つ以上を求めるようにすれば、クリック率をさらに上げることができる。提案処理手段１２ｄは、リンク配置データ、リンク文言データ、及びリンク態様データのうちの少なくとも１つを求める場合、クリック率の情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposed processing means 12d may obtain link arrangement data as recommended data. By doing so, it is possible to propose optimization of the arrangement of link information in the e-mail newsletter, so that the click rate can be increased. The proposed processing means 12d may obtain link wording data as recommended data. By doing so, the wording that induces a click can be displayed in the link information of the e-mail newsletter, so that the click rate can be increased. The proposed processing means 12d may obtain link mode data as recommended data. By doing so, it is possible to visually induce the click of the link information of the e-mail newsletter, so that the click rate can be increased. However, if the proposed processing means 12d obtains two or more of the link arrangement data, the link wording data, and the link mode data, the click rate can be further increased. When the proposed processing means 12d obtains at least one of the link arrangement data, the link wording data, and the link mode data, it is preferable to use the recommended model M1 trained by the learning data including the click rate information.
提案処理手段１２ｄは、推奨データとして誘導文言データを求めるようにしてもよい。このようにすれば、メールマガジン中のリンク情報の所在を強調すると共に、リンク情報のクリックを促すことができるため、クリック率の上昇を図ることができる。提案処理手段１２ｄは、誘導文言データを求める場合、クリック率の情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。提案処理手段１２ｄは、推奨データとして関連性向上データを求めるようにしてもよい。これにより、件名とファーストビューとの関連性を高めるための文言等を運営者等に提示することができるため、該関連性と相関のあるクリック率の上昇を図ることができる。提案処理手段１２ｄは、関連性向上データを求める場合、クリック率の情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposed processing means 12d may request guidance wording data as recommended data. By doing so, it is possible to emphasize the location of the link information in the e-mail newsletter and to encourage the click of the link information, so that the click rate can be increased. When the proposed processing means 12d obtains the guidance wording data, it is preferable to use the recommended model M1 trained by the learning data including the click rate information. The proposed processing means 12d may request relevance improvement data as recommended data. As a result, it is possible to present the operator or the like with words or the like for enhancing the relevance between the subject and the first view, so that the click rate correlated with the relevance can be increased. When the proposed processing means 12d seeks the relevance improvement data, it is preferable to use the recommended model M1 trained by the learning data including the click rate information.
提案処理手段１２ｄは、推奨データとして推奨配信時データを求めるようにしてもよい。このようにすれば、メールマガジンの配信に適切なタイミングを運営者等に提示することができるため、好反応率の上昇を図ることができる。提案処理手段１２ｄは、推奨配信時データを求める場合、メールマガジンの配信時を示す配信時データを含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。提案処理手段１２ｄは、推奨データとして頻度データを求めるようにしてもよい。このようにすれば、メールマガジンの受取人を不快にさせない配信頻度を運営者等に提示することができるため、メールマガジンの購読を継続させ、解除率の低下を図ることができる。提案処理手段１２ｄは、頻度データを求める場合、解除率を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposed processing means 12d may obtain the recommended delivery time data as the recommended data. By doing so, it is possible to present an appropriate timing for the distribution of the e-mail newsletter to the operator or the like, so that the favorable response rate can be increased. When the proposed processing means 12d obtains the recommended delivery time data, it is preferable to use the recommended model M1 trained by the learning data including the delivery time data indicating the delivery time of the e-mail newsletter. The proposed processing means 12d may obtain frequency data as recommended data. By doing so, it is possible to present to the operator or the like a distribution frequency that does not offend the recipient of the e-mail newsletter, so that the subscription to the e-mail newsletter can be continued and the cancellation rate can be reduced. When the frequency data is obtained, the proposed processing means 12d may use the recommended model M1 trained by the learning data including the cancellation rate.
提案処理手段１２ｄは、推奨データとして推奨配信先データを求めるようにしてもよい。このようにすれば、メールマガジンの適切なターゲットを運営者等に提示することができるため、好反応率の上昇を図ることができる。提案処理手段１２ｄは、推奨配信先データを求める場合、配信先情報を含む学習用データにより訓練された推奨モデルＭ１を用いるとよい。 The proposal processing means 12d may request the recommended delivery destination data as the recommended data. By doing so, it is possible to present an appropriate target of the e-mail newsletter to the operator or the like, so that the favorable response rate can be increased. When the proposed processing means 12d obtains the recommended delivery destination data, it is preferable to use the recommended model M1 trained by the learning data including the delivery destination information.
管理装置２０の表示部２５は、推奨データに基づく提案情報を表示するものである。つまり、管理装置２０は、１又は複数の提案情報を表示部２５に表示させる表示処理手段２２ｂを有している。より具体的に、提案処理手段１２ｄは、１又は複数の推奨データを求めて管理装置２０へ送信し、表示処理手段２２ｂは、１又は複数の推奨データを用いて、メールマガジンにおける有意な構成を提案する構成提案画面を表示部２５に表示させる。本実施の形態１において、表示処理手段２２ｂは、現状の分析対象メールとその改善案とを対比する形式を採った構成提案画面を表示部２５に表示させる。したがって、運営者等は、構成提案画面を視認することにより、改善点を瞬時に把握することができ、分析対象メールの課題を容易に認識することができる。また、表示処理手段２２ｂは、現状の分析対象メールに対する修正内容を逐次反映させるようになっている。そのため、運営者等は、分析対象メールの改善案を確認しながら、該分析対象メールに対する修正を速やかに行い、反映させることができる。したがって、運営者等は、好反応率上昇の観点で有用な構成のメールマガジンを、容易に且つ迅速に作成することができ、作成したメールマガジンを、推奨モデルＭ１の更新に用いたり、新規のメールマガジンの基本型にしたりと、種々の用途で用いることができる。
The
ところで、制御部１２は、前処理手段１２ｂを設けずに構成してもよい。この場合、学習処理手段１２ｃは、配信メール情報をそのまま用いた機械学習により推奨モデルＭ１を構築し、提案処理手段１２ｄは、分析対象メールの情報をそのまま推奨モデルＭ１の入力として１又は複数の推奨データを求めることになる。また、制御部１２は、学習処理手段１２ｃを設けずに構成してもよい。この場合、メール提案装置１０は、外部で構築された推奨モデルＭ１を記憶部１３に格納し、これを提案処理手段１２ｄに利用させるとよい。そして、メール提案装置１０は、外部機器との連携により、推奨モデルＭ１の更新処理を行うようにするとよい。
By the way, the
＜変形例１ａ＞
本変形例１ａでは、分析対象メールの本文が、第１本文と、リンク関連情報と、第２本文と、第３本文とに分けて管理される点に特徴がある。本変形例１ａのメール提案システム及びその関連機器等の構成は、図１～図４の例と同様であるため、各構成部材については図１～図４と同一の符号を用いて説明する。なお、図７には、本変形例１ａのメール提案システム１００において、管理装置２０の表示部２５に表示される構成提案画面の一例を示している。
<Modification 1a>
The present modification 1a is characterized in that the text of the email to be analyzed is managed separately as the first text, the link-related information, the second text, and the third text. Since the configuration of the mail proposal system of the present modification 1a and its related devices and the like is the same as the examples of FIGS. 1 to 4, each component will be described using the same reference numerals as those of FIGS. 1 to 4. Note that FIG. 7 shows an example of the configuration proposal screen displayed on the
メール提案装置１０の制御部１２は、第１本文３３１ａ、リンク関連情報３７０、及び第２本文３３２ａを、ファーストビューに対応する情報として管理する。より具体的に、制御部１２は、メールマガジンの本文における、リンク関連情報３７０よりも前の領域の情報を第１本文３３１ａとして管理し、ファーストビューのうちのリンク関連情報３７０よりも後ろの領域の情報を第２本文３３２ａとして管理する。また、制御部１２は、メールマガジンの本文における、ファーストビューよりも後ろの領域の情報を第３本文３３３ａとして管理する。メールマガジンの本文が誘導情報３７ｂを含む場合、リンク関連情報３７０は、リンク情報３７ａと誘導情報３７ｂとにより構成される。
The
学習処理手段１２ｃは、メールマガジンの第１本文３３１ａに入れることが推奨される文字列を示す第１情報を出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第１情報を求めるものとなる。学習処理手段１２ｃは、メールマガジンの第１本文３３１ａで推奨される行数に関する第１行数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第１行数データを求めるものとなる。学習処理手段１２ｃは、メールマガジンの第１本文３３１ａで推奨される文字数に関する第１文字数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第１文字数データを求めるものとなる。
The learning processing means 12c may construct a recommended model M1 that outputs first information indicating a character string that is recommended to be included in the
学習処理手段１２ｃは、メールマガジンの第２本文３３２ａに入れることが推奨される文字列を示す第２情報を出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第２情報を求めるものとなる。学習処理手段１２ｃは、メールマガジンの第２本文３３２ａで推奨される行数に関する第２行数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第２行数データを求めるものとなる。学習処理手段１２ｃは、メールマガジンの第２本文３３２ａで推奨される文字数に関する第２文字数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第２文字数データを求めるものとなる。
The learning processing means 12c may construct a recommended model M1 that outputs second information indicating a character string that is recommended to be included in the
学習処理手段１２ｃは、メールマガジンの第３本文３３３ａに入れることが推奨される文字列を示す第３情報を出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第３情報を求めるものとなる。学習処理手段１２ｃは、メールマガジンの第３本文３３３ａで推奨される行数に関する第３行数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第３行数データを求めるものとなる。学習処理手段１２ｃは、メールマガジンの第３本文３３３ａで推奨される文字数に関する第３文字数データを出力する推奨モデルＭ１を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして第３文字数データを求めるものとなる。
The learning processing means 12c may construct a recommended model M1 that outputs third information indicating a character string that is recommended to be included in the
第１情報、第２情報、及び第３情報は、それぞれ、本文情報に相当する。第１行数データ、第２行数データ、及び第３行数データは、それぞれ、本文行数データに相当する。第１文字数データ、第２文字数データ、及び第３文字数データは、それぞれ、本文数データに相当する。学習処理手段１２ｃ及び提案処理手段１２ｄの他の構成及び代替構成などは、上記の説明と同様である。 The first information, the second information, and the third information correspond to the text information, respectively. The first line number data, the second line number data, and the third line number data correspond to the text line number data, respectively. The first character number data, the second character number data, and the third character number data correspond to the text number data, respectively. Other configurations and alternative configurations of the learning processing means 12c and the proposed processing means 12d are the same as those described above.
ここで、図７を参照し、管理装置２０の表示部２５に表示される構成提案画面３０Ｂの具体的な内容について説明する。図６と同様の構成については同一の符号を用いて説明は省略する。
Here, with reference to FIG. 7, the specific contents of the
図７に例示する構成提案画面３０Ｂは、件名欄３１と、件名提案欄３２（図示省略）と、第１本文欄３３１と、第１提案欄３４１と、リンク関連欄３７と、リンク提案欄３８と、第２本文欄３３２と、第２提案欄３４２と、第３本文欄３３３と、第３提案欄（図示せず）と、を有している。
The
第１本文欄３３１には、初期状態において、分析対象メールの本文における第１本文３３１ａが修正可能な状態で表示される。図７の第１本文欄３３１は、現在の第１本文３３１ａの行数が表示される第１行数部３３１ｂを有している。図７の例において、表示処理手段２２ｂは、第１行数部３３１ｂに、現在の第１本文３３１ａの文字数も表示させている。
In the
第１提案欄３４１は、第１情報に基づくものであり、分析対象メールの第１本文３３１ａに入れることが推奨される文字列を示す第１文字列３４１ａを有している。第１文字列３４１ａは、第１本文３３１ａに用いればクリック率などの上昇に寄与すると予測される文字列の情報である。第１提案欄３４１は、第１行数データに基づくものであり、分析対象メールの第１本文３３１ａにおける適切な行数の情報である第１行数３４１ｂを有している。表示処理手段２２ｂは、第１提案欄３４１に、第１行数部３３１ｂの行数と第１行数３４１ｂとの差分を示す第１差分情報３４１ｃを表示させてもよい。図７の例において、表示処理手段２２ｂは、第１行数３４１ｂに対し、第１行数部３３１ｂの行数が多いか少ないかを示す相対情報を含む第１差分情報３４１ｃを表示させている。第１文字列３４１ａ、第１行数３４１ｂ、及び第１差分情報３４１ｃは、それぞれ、推奨データに基づく提案情報に相当する。
The
リンク関連欄３７は、現状のリンク情報３７ａと、リンク情報３７ａに対応する誘導情報３７ｂと、を有している。リンク提案欄３８は、誘導文言データに基づくものであり、誘導情報３７ｂに含めることが推奨される文言を示す誘導文言３８ａを有している。なお、図７の例において、表示処理手段２２ｂは、態様情報３４ｆとして、リンク情報の態様をアンカーテキスト（誘導したいページのＵＲＬを文字で表す態様）にすることを推奨する旨を表示させている。誘導文言３８ａ、文言情報３４ｅ、及び態様情報３４ｆは、それぞれ、推奨データに基づく提案情報に相当する。
The link-related
第２本文欄３３２には、初期状態において、分析対象メールの本文における第２本文３３２ａが修正可能な状態で表示される。図７の第２本文欄３３２は、現在の第１本文３３１ａの行数が表示される第２行数部３３２ｂを有している。図７の例において、表示処理手段２２ｂは、第２行数部３３２ｂに、現在の第２本文３３２ａの文字数も表示させている。
In the
第２提案欄３４２は、第２情報に基づくものであり、分析対象メールの第２本文３３２ａに入れることが推奨される文字列を示す第２文字列３４２ａを有している。第２文字列３４２ａは、第２本文３３２ａに用いればクリック率などの上昇に寄与すると予測される文字列の情報である。第２提案欄３４２は、第２行数データに基づくものであり、分析対象メールの第２本文３３２ａにおける適切な行数の情報である第２行数３４２ｂを有している。第２提案欄３４２は、第２行数部３３２ｂの行数と第２行数３４２ｂとの差分を示す第２差分情報３４２ｃを有していてもよい。図７の例において、表示処理手段２２ｂは、第２行数３４２ｂに対し、第２行数部３３２ｂの行数が多いか少ないかを示す相対情報を含む第２差分情報３４２ｃを表示させている。第２文字列３４２ａ、第２行数３４２ｂ、第２差分情報３４２ｃ、関連文言情報３４ｈ、及び補足情報３４ｊは、それぞれ、推奨データに基づく提案情報に相当する。
The
第３本文欄３３３は、初期状態において、分析対象メールの本文における第３本文３３３ａが修正可能な状態で表示される。図示は省略するが、表示処理手段２２ｂは、第３本文欄３３３に、現在の第３本文３３３ａの行数を示す第３行数部を表示させてもよく、第３行数部に、現在の第３本文３３３ａの文字数を表示させてもよい。なお、第３提案欄は、第１提案欄３４１と同様の態様にするとよい。また、表示処理手段２２ｂは、構成提案画面３０Ａと同様、構成提案画面３０Ｂに、配信提案欄３５を表示させてもよく、推奨様式欄３６及び変換ボタン３６ｘを表示させてもよい。
In the
なお、提案処理手段１２ｄは、推奨データとして、第１行数データではなく、リンク配置データを求めてもよい。この場合、表示処理手段２２ｂは、リンク配置データをもとに第１行数３４１ｂを求め、第１提案欄３４１に表示させてもよい。他の構成、代替構成、及び動作については、実施の形態１の本編の場合と同様である。
The proposed processing means 12d may obtain link arrangement data as recommended data instead of the first line number data. In this case, the display processing means 22b may obtain the
以上のように、本変形例１ａのメール提案システム１００は、第１本文３３１ａの適切な行数等を提示することにより、リンク情報の適切な配置を提案することができる。そのため、クリック率の上昇を図ることができる。また、本変形例１ａのメール提案システム１００は、第２本文３３２ａの適切な行数等を提示することにより、ファーストビューの範囲を認識させることができる。よって、表示処理手段２２ｂが第１提案欄３４１及び第２提案欄３４２に表示させる情報と相俟って、運営者等に、ファーストビューの構成の改善を働きかけることができるため、好反応率の向上を図ることができる。他の効果等については、実施の形態１の本編と同様である。
As described above, the
実施の形態２．
本実施の形態２のメール提案装置は、メールマガジンの属性を示す属性データを、機械学習に基づく学習済モデルの入力とし、入力とした属性データに対応する有用なメールマガジンの構成を示す１又は複数の推奨データを出力するようになっている。本実施の形態２のメール提案システム及びその関連機器等の全体的な構成は、実施の形態１と同様であるため、同等の構成については同一の符号を用いて説明は省略する。
Embodiment 2.
The mail proposal device of the second embodiment uses the attribute data indicating the attributes of the mail magazine as the input of the trained model based on machine learning, and shows 1 or the configuration of a useful mail magazine corresponding to the input attribute data. It is designed to output multiple recommended data. Since the overall configuration of the mail proposal system of the second embodiment and its related devices and the like is the same as that of the first embodiment, the same reference numerals are used for the equivalent configurations, and the description thereof will be omitted.
まず、図８を参照して、本実施の形態２におけるメール提案装置１１０の機能的構成について説明する。図８に示すように、メール提案装置１１０は、通信部１１と、制御部３２０と、記憶部１３と、を有している。制御部３２０は、取得処理手段１２ａと、前処理手段３２０ｂと、学習処理手段３２０ｃと、提案処理手段３２０ｄと、を有している。記憶部１３には、メール提案プログラムＰ１０が格納されている。メール提案プログラムＰ１０は、コンピュータとしての制御部３２０及び記憶部１３を、取得処理手段１２ａ、前処理手段３２０ｂ、学習処理手段３２０ｃ、及び提案処理手段３２０ｄとして機能させるためのプログラムである。
First, with reference to FIG. 8, the functional configuration of the
本実施の形態２では、分析対象メールの本文が、前段本文と後段本文とに分けて管理される。より具体的に、メール提案装置１１０の制御部３２０は、前段本文をファーストビューに対応する情報として管理し、後段本文をファーストビューよりも後ろの領域の情報として管理する。
In the second embodiment, the text of the email to be analyzed is managed separately as the first text and the second text. More specifically, the
前処理手段３２０ｂは、上述した実施の形態１の前処理手段１２ｂと同様に、推奨モデルＭ１０の訓練に用いる学習用データを生成するものである。学習処理手段３２０ｃは、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により、メールマガジンの有意な構成を提案する学習済モデルである推奨モデルＭ１０を生成する。具体的には、学習処理手段３２０ｃは、前処理手段３２０ｂが生成した学習用データを用いての機械学習により、属性データに応じた有用なメールマガジンの構成を示す１又は複数の推奨データを出力する推奨モデルＭ１０を構築する。学習処理手段３２０ｃは、上述した学習処理手段１２ｃと同様、推奨モデルＭ１０の更新処理を実行する。 The pretreatment means 320b generates learning data to be used for training the recommended model M10, similarly to the pretreatment means 12b of the first embodiment described above. The learning processing means 320c has been learned to propose a significant configuration of the e-mail newsletter by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data indicating the reaction of the recipient of the e-mail newsletter. Generate the recommended model M10 which is a model. Specifically, the learning processing means 320c outputs one or a plurality of recommended data indicating a useful e-mail newsletter configuration according to the attribute data by machine learning using the learning data generated by the preprocessing means 320b. Build the recommended model M10. The learning processing means 320c executes the update processing of the recommended model M10 in the same manner as the learning processing means 12c described above.
学習処理手段３２０ｃは、メールマガジンの前段本文に入れることが推奨される文字列を示す前段情報を出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして前段情報を求めるものとなる。学習処理手段３２０ｃは、メールマガジンの前段本文で推奨される行数に関する前段行数データを出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして前段行数データを求めるものとなる。学習処理手段３２０ｃは、メールマガジンの前段本文で推奨される文字数に関する前段文字数データを出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして前段文字数データを求めるものとなる。 The learning processing means 320c may construct a recommended model M10 that outputs pre-stage information indicating a character string recommended to be included in the pre-stage text of the e-mail newsletter. In this case, the proposed processing means 320d seeks the previous stage information as recommended data. The learning processing means 320c may build a recommended model M10 that outputs pre-stage line number data regarding the number of lines recommended in the pre-stage text of the e-mail newsletter. In this case, the proposal processing means 320d obtains the previous row number data as recommended data. The learning processing means 320c may build a recommended model M10 that outputs pre-stage character number data regarding the number of characters recommended in the pre-stage text of the e-mail newsletter. In this case, the proposed processing means 320d obtains the character number data in the previous stage as recommended data.
学習処理手段３２０ｃは、メールマガジンの後段本文に入れることが推奨される文字列を示す後段情報を出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして後段情報を求めるものとなる。学習処理手段３２０ｃは、メールマガジンの後段本文で推奨される行数に関する後段行数データを出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして後段行数データを求めるものとなる。学習処理手段３２０ｃは、メールマガジンの後段本文で推奨される文字数に関する後段文字数データを出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段３２０ｄは、推奨データとして後段文字数データを求めるものとなる。 The learning processing means 320c may construct a recommended model M10 that outputs post-stage information indicating a character string recommended to be included in the post-stage text of the e-mail newsletter. In this case, the proposed processing means 320d requests the latter-stage information as recommended data. The learning processing means 320c may construct a recommended model M10 that outputs the latter-stage line number data regarding the number of lines recommended in the latter-stage text of the e-mail newsletter. In this case, the proposed processing means 320d obtains the data on the number of subsequent rows as recommended data. The learning processing means 320c may construct a recommended model M10 that outputs the latter-stage character number data regarding the number of characters recommended in the latter-stage text of the e-mail newsletter. In this case, the proposed processing means 320d obtains the latter-stage character number data as recommended data.
提案処理手段３２０ｄは、メールマガジンの属性を示す属性データを推奨モデルＭ１０の入力として、入力とした属性データに応じた１又は複数の推奨データを求めるものである。本実施の形態２において、属性データは、リンク情報のリンク先に関するリンク先データと、メールマガジンの配信先に関するセグメントデータと、を含んでいる。リンク先データは、リンク情報のリンク先のＵＲＬ、リンク情報のリンク先で取り扱っている商品又はサービスの情報などを含む。セグメントデータは、ターゲットとする顧客層のデータであり、具体的には、顧客の年齢層、性別、在住都道府県、職業、嗜好などの情報を含む。提案処理手段３２０ｄは、求めた１又は複数の推奨データを管理装置２０へ送信する。
The proposed processing means 320d uses attribute data indicating the attributes of the e-mail newsletter as an input of the recommended model M10, and obtains one or a plurality of recommended data according to the input attribute data. In the second embodiment, the attribute data includes the link destination data regarding the link destination of the link information and the segment data regarding the delivery destination of the e-mail newsletter. The link destination data includes the URL of the link destination of the link information, information on the product or service handled at the link destination of the link information, and the like. The segment data is data of the target customer group, and specifically includes information such as the customer's age group, gender, prefecture of residence, occupation, and preference. The proposed processing means 320d transmits the obtained one or more recommended data to the
ここで、前段情報及び後段情報は、それぞれ、本文情報に相当する。前段行数データ及び後段行数データは、それぞれ、本文行数データに相当する。前段文字数データ及び後段文字数データは、それぞれ、本文数データに相当する。学習処理手段３２０ｃの他の構成は、実施の形態１の学習処理手段１２ｃと同様である。また、提案処理手段３２０ｄの他の構成は、実施の形態１の提案処理手段１２ｄと同様である。 Here, the first-stage information and the second-stage information correspond to the text information, respectively. The front row number data and the rear row number data correspond to the text line number data, respectively. The first-stage character number data and the second-stage character number data correspond to the text number data, respectively. Other configurations of the learning processing means 320c are the same as those of the learning processing means 12c of the first embodiment. Further, the other configuration of the proposed processing means 320d is the same as that of the proposed processing means 12d of the first embodiment.
本実施の形態２の管理装置２０において、管理制御部２２は、属性データの入力及び設定に関する操作を受け付けるようになっている。表示処理手段２２ｂは、属性データの設定処理を要求する制御信号に応じて、表示部２５に属性設定画面を表示させる。属性設定画面は、属性データを構成する各要素ごとに、複数の選択肢から選定する形式であってもよく、手入力する形式であってもよく、これらを組み合わせた形式であってもよい。表示処理手段２２ｂは、属性データに応じたメールマガジンの構成の提案を要求する制御信号に応じて、属性データをメール提案装置１１０へ送信する。表示処理手段２２ｂは、メール提案装置１１０から返送される１又は複数の推奨データに基づく提案情報を表示部２５に表示させる。すなわち、表示処理手段２２ｂは、メール提案装置１１０から送信される１又は複数の推奨データを用いて、メールマガジンにおける有意な構成を提案する構成提案画面を表示部２５に表示させる。管理装置２０の他の構成は、実施の形態１と同様である。
In the
次に、図９のシーケンスチャートと図１０の説明図とを参照して、本実施の形態２のメール提案方法の一例について説明する。なお、図１０は、表示処理手段２２ｂが表示部２５に表示させる提案情報を含む構成提案画面の一例である。
Next, an example of the mail proposal method of the second embodiment will be described with reference to the sequence chart of FIG. 9 and the explanatory diagram of FIG. Note that FIG. 10 is an example of a configuration proposal screen including proposal information to be displayed on the
まず、管理装置２０において、情報処理手段２２ａは、入力部２４を介して属性設定画面の表示要求を受け付けると、属性設定画面の表示を指示する制御信号を表示処理手段２２ｂに出力する（ステップＳ２０１）。すると、表示処理手段２２ｂは、属性データの設定用の属性設定画面を表示部２５に表示させる（ステップＳ２０２）。情報処理手段２２ａは、表示処理手段２２ｂとの連携により、属性データの設定登録を受け付けると（ステップＳ２０３）、設定登録された属性データをメール提案装置１１０へ送信する（ステップＳ２０４）。
First, in the
メール提案装置１１０において、提案処理手段３２０ｄは、属性データを推奨モデルＭ１０の入力として、該属性データに応じた１又は複数の推奨データを求める。ここでは図１０に対応づけて、提案処理手段３２０ｄが推奨データとして、件名情報、件名数データ、前段情報、前段行数データ、関連性向上データ、リンク配置データ、リンク文言データ、リンク態様データ、誘導文言データ、後段情報、後段行数データ、及び頻度データを求めるものとする（ステップＳ２０５）。提案処理手段３２０ｄは、求めた複数の推奨データを管理装置２０へ送信する（ステップＳ２０６）。
In the
管理装置２０において、情報処理手段２２ａは、メール提案装置１１０から送信された複数の推奨データを管理記憶部２３に記憶させる。表示処理手段２２ｂは、運営者等の操作などに応じて、管理記憶部２３から１又は複数の推奨データを読み出し、読み出した１又は複数の推奨データに基づいて、例えば図１０のような構成提案画面３００Ａを表示部２５に表示させる（ステップＳ２０７）。
In the
ここで、図１０に例示する構成提案画面３００Ａについて説明する。
図１０に例示する構成提案画面３００Ａは、件名欄３１と、件名提案欄３２と、前段本文欄３５１と、前段提案欄３６１と、後段本文欄３５２と、後段提案欄３６２と、を有している。件名欄３１には、初期状態では、何も表示されないか、あるいは件名文字列３２ａなどが表示される。図１０の例において、表示処理手段２２ｂは、件名欄３１に、属性データに応じた件名の適切な文字数と、現在の件名欄３１内の文字数との差分を示す残数情報３１ｃを表示させている。表示処理手段２２ｂは、件名数データを用いて残数情報３１ｃを求めるようになっている。件名欄３１に文字が表示されていない場合、残数情報３１ｃの文字数は、属性データに応じた件名の適切な文字数と一致する。なお、図１０の例では、表示処理手段２２ｂが、件名提案欄３２に、件名文字列３２ａを含む文章を表示させている。
Here, the
The
前段本文欄３５１は、ファーストビューに対応する文字や画像を入力する欄であり、初期状態では、何も表示されないか、あるいは後述する前段文字列３６１ａなどが表示される。図１０の例において、表示処理手段２２ｂは、前段本文欄３５１に、属性データに応じた前段本文の適切な行数と、現在の前段本文欄３５１内の行数との差分を示す前段残行情報３５１ｃを表示させている。表示処理手段２２ｂは、前段行数データを用いて前段残行情報３５１ｃを求めるようになっている。前段本文欄３５１に文字が表示されていない場合、前段残行情報３５１ｃの行数は、属性データに応じた前段本文の適切な行数と一致する。前段提案欄３６１は、前段情報に基づくものであり、メールマガジンの前段本文に入れることが推奨される文字列を示す前段文字列３６１ａを有している。
The first-
後段本文欄３５２は、ファーストビューよりも後ろの領域に対応する文字や画像を入力する欄である。図１０の例において、表示処理手段２２ｂは、後段本文欄３５２に、属性データに応じた後段本文の適切な行数と、現在の後段本文欄３５２内の行数との差分を示す後段残行情報３５２ｃを表示させている。表示処理手段２２ｂは、後段行数データを用いて後段残行情報３５２ｃを求めるようになっている。後段本文欄３５２に文字が表示されていない場合、後段残行情報３５２ｃの行数は、属性データに応じた後段本文の適切な行数と一致する。後段提案欄３６２は、後段情報に基づくものであり、メールマガジンの後段本文に入れることが推奨される文字列を示す後段文字列３６２ａを有している。表示処理手段２２ｂは、図１０の後段提案欄３６２に、頻度データに基づく頻度情報３５ｃを表示させている。
The
また、構成提案画面３００Ａは、メールマガジンの配信に関する設定が可能な配信設定画面への移行を受け付ける配信設定ボタン３５ｘを有している。配信設定画面は、メールマガジンを配信する時間帯、メールマガジンを配信する曜日、メールマガジンの配信頻度などの設定が可能な画面である。表示処理手段２２ｂは、配信設定画面に、図６の配信提案欄３５に示す各情報などを表示させるとよい。
Further, the
ステップＳ２０７において構成提案画面３００Ａを表示させた後、表示処理手段２２ｂは、運営者等の操作に応じて、件名欄３１の情報、前段本文欄３５１の情報、及び後段本文欄３５２の情報を変更する。つまり、表示処理手段２２ｂは、運営者等による入力操作に応じた内容を構成提案画面３００Ａに反映させる。運営者等が配信設定ボタン３５ｘを押下した場合、表示処理手段２２ｂは、配信設定画面を表示部２５に表示させ、メールマガジンの配信時に関する設定を受け付ける（ステップＳ２０８）。
After displaying the
表示処理手段２２ｂは、確認指示を受け付けると、件名欄３１の情報と、前段本文欄３５１の情報と、後段本文欄３５２の情報とをまとめて整理した確認画面を表示部２５に表示させる。表示処理手段２２ｂは、確認画面に、配信設定画面での設定内容を表示させてもよい（ステップＳ２０９）。
Upon receiving the confirmation instruction, the display processing means 22b causes the
表示処理手段２２ｂは、確認画面を介しての指示に応じた処理を実行する。例えば、表示処理手段２２ｂは、確認画面において送信指示を受け付けると、構成提案画面３００Ａにおいて作成された新規のメールマガジンを、設定されたタイミングで、メール配信装置４０を介して配信対象の端末装置６０へ送信する。また、表示処理手段２２ｂは、確認画面において登録指示を受け付けると、新規のメールマガジンを管理記憶部２３に記憶させる。これにより、運営者等は、管理記憶部２３に記憶された新規メールを適宜呼び出して利用することができる（ステップＳ２１０）。
The display processing means 22b executes processing according to an instruction via the confirmation screen. For example, when the display processing means 22b receives a transmission instruction on the confirmation screen, the new e-mail newsletter created on the
情報処理手段２２ａは、新規のメールマガジンをメール提案装置１１０へ送信してもよい（ステップＳ２１１）。そして、メール提案装置１１０の制御部３２０は、管理装置２０から送信された新規のメールマガジンを記憶部１３に記憶させ、推奨モデルＭ１０の更新などに用いてもよい（ステップＳ２１２）。
The information processing means 22a may send a new e-mail newsletter to the e-mail proposal device 110 (step S211). Then, the
ここで、図９に示す各処理のうち、ステップＳ２０５及び２０６の処理は、メール提案方法における取得処理工程及び提案処理工程に相当する。また、図９に示す各処理のうち、ステップＳ２０１～Ｓ２０４、及びステップＳ２０７～Ｓ２１１の処理は、情報処理工程及び表示処理工程に相当する。 Here, among the processes shown in FIG. 9, the processes of steps S205 and 206 correspond to the acquisition process and the proposal process in the mail proposal method. Further, among the processes shown in FIG. 9, the processes of steps S201 to S204 and steps S207 to S211 correspond to the information processing process and the display processing process.
本動作説明では、メール提案方法における学習処理工程の説明を省略したが、学習処理手段３２０ｃが行う学習処理工程は、図９の処理の前提となっている。つまり、本実施の形態２のメール提案方法は、属性データに対応する有用なメールマガジンの構成を示す推奨データを求めるメール提案装置１１０が、過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により、推奨データを出力する推奨モデルＭ１０を生成する学習処理工程を有している。
In this operation explanation, the description of the learning processing step in the mail proposal method is omitted, but the learning processing step performed by the learning processing means 320c is a premise of the processing of FIG. That is, in the mail proposal method of the second embodiment, the
以上のように、本実施の形態２のメール提案装置１１０は、過去に配信されたメールマガジンの構成データと該メールマガジンの受信者の反応データとに基づく推奨モデルＭ１０を用い、属性データに応じた推奨データを求めるようになっている。すなわち、メール提案装置１１０は、メールマガジンごとの構成データ及び反応データに基づく推奨モデルＭ１０により、ユーザの情報の事前登録を要することなく、自動的に推奨データを求めることができるため、汎用性を確保しつつ、好反応率の向上を図ることができる。例えば、提案処理手段３２０ｄは、配信先情報を含む学習用データにより訓練された推奨モデルＭ１を用い、推奨データとして推奨配信先データを求めるように構成することができる。このようにすれば、メールマガジンの適切なターゲットを運営者等に提示することができるため、好反応率の上昇を図ることができる。
As described above, the
ところで、本実施の形態２では、属性データがリンク先データとセグメントデータとの双方を含む例を示したが、これに限定されない。属性データは、リンク先データ及びセグメントデータのうちの一方を含むようにしてもよい。また、セグメントデータは、開封率が閾値よりも高い顧客層、クリック率が閾値よりも高い顧客層、ＣＶＲが閾値よりも高い顧客層、メールマガジンの登録日の情報などを含んでいてもよい。もっとも、制御部３２０は、学習処理手段３２０ｃを設けずに構成してもよい。この場合、メール提案装置１１０は、外部で構築された推奨モデルＭ１０を記憶部１３に格納し、これを提案処理手段３２０ｄに利用させるとよい。そして、メール提案装置１１０は、外部機器との連携により、推奨モデルＭ１０の更新処理を行うようにするとよい。
By the way, in the second embodiment, an example in which the attribute data includes both the link destination data and the segment data is shown, but the present invention is not limited to this. The attribute data may include one of the linked data and the segment data. Further, the segment data may include a customer group having an open rate higher than the threshold value, a customer group having a click rate higher than the threshold value, a customer group having a CVR higher than the threshold value, information on the registration date of the e-mail newsletter, and the like. However, the
ところで、制御部３２０は、前処理手段３２０ｂを設けずに構成してもよい。この場合、学習処理手段３２０ｃは、配信メール情報をそのまま用いた機械学習により推奨モデルＭ１０を構築することになる。また、制御部３２０は、学習処理手段３２０ｃを設けずに構成してもよい。この場合、メール提案装置１１０は、外部で構築された推奨モデルＭ１０を記憶部１３に格納し、これを提案処理手段３２０ｄに利用させるとよい。そして、メール提案装置１１０は、外部機器との連携により、推奨モデルＭ１０の更新処理を行うようにするとよい。
By the way, the
＜変形例２ａ＞
本変形例２ａでは、上述した変形例１ａと同様、分析対象メールの本文が、第１本文と、リンク関連情報と、第２本文と、第３本文とに分けて管理される。すなわち、本変形例２ａの制御部３２０は、第１本文３３１ａ、リンク関連情報３７０、及び第２本文３３２ａを、ファーストビューに対応する情報として管理する。本変形例２ａのメール提案システム及びその関連機器等の構成は、図１、図３、図４、及び図１０の例と同様であるため、各構成部材については、図１、図３、図４、及び図１０と同一の符号を用いて説明する。なお、図１１には、本変形例２ａに係るメール提案システム１００において、管理装置２０の表示部２５に表示される構成提案画面の一例を示している。
<Modification 2a>
In the present modification 2a, the body of the analysis target mail is managed separately as the first body, the link-related information, the second body, and the third body, as in the above-described modification 1a. That is, the
学習処理手段３２０ｃは、第１情報、第１行数データ、第１文字数データ、第２情報、第２行数データ、第２文字数データ、第３情報、第３行数データ、及び第３文字数データのうちの少なくとも１つを出力する推奨モデルＭ１０を構築してもよい。この場合、提案処理手段１２ｄは、推奨データとして、第１情報、第１行数データ、第１文字数データ、第２情報、第２行数データ、第２文字数データ、第３情報、第３行数データ、及び第３文字数データのうちの少なくとも１つを求めるものとなる。本変形例２ａの学習処理手段３２０ｃの他の構成及び代替構成は、実施の形態１の学習処理手段１２ｃ及び実施の形態２の本編の学習処理手段３２０ｃと同様である。提案処理手段１２ｄの他の構成及び代替構成は、実施の形態１の提案処理手段１２ｄ及び実施の形態２の本編の提案処理手段３２０ｄと同様である。 The learning processing means 320c includes the first information, the first line number data, the first character number data, the second information, the second line number data, the second character number data, the third information, the third line number data, and the third character number. You may build a recommended model M10 that outputs at least one of the data. In this case, the proposed processing means 12d uses the first information, the first line number data, the first character number data, the second information, the second line number data, the second character number data, the third information, and the third line as recommended data. At least one of the number data and the third character number data is obtained. Other configurations and alternative configurations of the learning processing means 320c of the present modification 2a are the same as those of the learning processing means 12c of the first embodiment and the learning processing means 320c of the main part of the second embodiment. Other configurations and alternative configurations of the proposed processing means 12d are the same as those of the proposed processing means 12d of the first embodiment and the proposed processing means 320d of the main part of the second embodiment.
ここで、図１１を参照し、管理装置２０の表示部２５に表示される構成提案画面３００Ｂの具体的な内容について説明する。図６、図７、及び図１０と同様の構成については同一の符号を用いて説明は省略する。
Here, with reference to FIG. 11, the specific contents of the
図１１に例示する構成提案画面３００Ｂは、件名欄３１と、件名提案欄３２と、第１本文欄３３１と、第１提案欄３４１と、リンク関連欄３７と、リンク提案欄３８と、第２本文欄３３２と、第２提案欄３４２と、第３本文欄３３３と、第３提案欄（図示せず）と、を有している。
The
図１１の例において、表示処理手段２２ｂは、第１本文欄３３１に、属性データに応じた第１本文の適切な行数と、現在の第１本文欄３３１内の行数との差分を示す第１残行情報３３１ｄを表示させている。表示処理手段２２ｂは、第１行数データを用いて第１残行情報３３１ｄを求めるようになっている。また、表示処理手段２２ｂは、属性データに応じた第１本文の適切な文字数と、現在の第１本文欄３３１内の文字数との差分を示す第１残数情報３３１ｅを表示させている。表示処理手段２２ｂは、第１文字数データを用いて第１残数情報３３１ｅを求めるようになっている。
In the example of FIG. 11, the display processing means 22b shows in the
表示処理手段２２ｂは、第２本文欄３３２に、属性データに応じた第２本文の適切な行数と、現在の第２本文欄３３２内の行数との差分を示す第２残行情報３３２ｄを表示させている。表示処理手段２２ｂは、第２行数データを用いて第２残行情報３３２ｄを求めるようになっている。また、表示処理手段２２ｂは、属性データに応じた第２本文の適切な文字数と、現在の第２本文欄３３２内の文字数との差分を示す第２残数情報３３２ｅを表示させている。表示処理手段２２ｂは、第２文字数データを用いて第２残数情報３３２ｅを求めるようになっている。
The display processing means 22b indicates in the
表示処理手段２２ｂは、第３本文欄３３３に、属性データに応じた第３本文の適切な行数と、現在の第３本文欄３３３内の行数との差分を示す第３残行情報３３３ｄを表示させている。表示処理手段２２ｂは、第３行数データを用いて第３残行情報３３３ｄを求めるようになっている。また、表示処理手段２２ｂは、属性データに応じた第３本文の適切な文字数と、現在の第３本文欄３３３内の文字数との差分を示す第３残数情報３３３ｅを表示させている。表示処理手段２２ｂは、第３文字数データを用いて第３残数情報３３３ｅを求めるようになっている。
The display processing means 22b indicates in the
なお、提案処理手段３２０ｄは、推奨データとして、第１行数データではなく、リンク配置データを求めてもよい。この場合、表示処理手段２２ｂは、リンク配置データをもとに第１行数３４１ｂを求め、第１提案欄３４１に表示させてもよい。他の構成、代替構成、及び動作については、実施の形態１の本編の場合と同様である。
The proposed processing means 320d may obtain link arrangement data as recommended data instead of the first line number data. In this case, the display processing means 22b may obtain the
以上のように、本変形例２ａのメール提案システム１００は、第１本文３３１ａの適切な行数等を提示することにより、リンク情報の適切な配置を提案することができる。そのため、クリック率の上昇を図ることができる。また、本変形例２ａのメール提案システム１００は、第２本文３３２ａの適切な行数等を提示することにより、ファーストビューの範囲を認識させ、種々の提案に応じた施策をとることができる。すなわち、運営者等に、ファーストビューの構成の改善を働きかけることができるため、好反応率の向上を図ることができる。他の効果等については、実施の形態１及び２と同様である。
As described above, the
上述した各実施の形態は、メール提案装置、メール提案システム、メール提案プログラム、及びメール提案方法における好適な具体例であり、本発明の技術的範囲は、これらの態様に限定されるものではない。例えば、メール提案システム１００は、本文を構成する各要素（ヘッダ、リード文、見出し、インデックス、及びフッタなど）に対する個別の提案を行うようにしてもよい。すなわち、制御部１２、３２０は、本文を構成する各要素についての適切な文字列、文字数、行数などの情報を推奨データとして求めるようにしてもよい。
Each of the above-described embodiments is a suitable specific example in the mail proposal device, the mail proposal system, the mail proposal program, and the mail proposal method, and the technical scope of the present invention is not limited to these embodiments. .. For example, the
実施の形態１の前処理手段１２ｂは、配信メール情報及び分析対象メールを複数のセグメントに分類し、セグメントごとの学習用データ及び分析用データを生成する分類処理機能を有していてもよい。この場合、学習処理手段１２ｃは、セグメントごとに推奨モデルＭ１を生成してもよい。提案処理手段１２ｄは、セグメントごとに１又は複数の推奨データを求めてもよい。また、実施の形態２の前処理手段３２０ｂは、配信メール情報を複数のセグメントに分類し、セグメントごとの学習用データを生成する分類処理機能を有していてもよい。この場合、学習処理手段３２０ｃは、セグメントごとに推奨モデルＭ１０を生成してもよい。そして、提案処理手段３２０ｄは、属性データに応じたセグメントごとに１又は複数の推奨データを求めてもよい。 The preprocessing means 12b of the first embodiment may have a classification processing function of classifying the delivered mail information and the analysis target mail into a plurality of segments and generating learning data and analysis data for each segment. In this case, the learning processing means 12c may generate the recommended model M1 for each segment. The proposed processing means 12d may obtain one or more recommended data for each segment. Further, the preprocessing means 320b of the second embodiment may have a classification processing function of classifying the delivered mail information into a plurality of segments and generating learning data for each segment. In this case, the learning processing means 320c may generate the recommended model M10 for each segment. Then, the proposal processing means 320d may obtain one or a plurality of recommended data for each segment according to the attribute data.
図６及び図７では、相対情報が「多い」「少ない」といった文字である例を示したが、これに限定されない。例えば、相対情報は、「＋」「－」のような記号であってもよく、多いか少ないかを色彩で表現する態様であってもよい。図６、図１０、及び図１１では、表示処理手段２２ｂが１つの件名文字列３２ａを表示させる例を示したが、これに限定されない。提案処理手段１２ｄ、３２０ｄは、推奨データとして複数の件名情報を生成してもよく、表示処理手段２２ｂは、複数の件名情報に基づく複数の件名文字列３２ａを表示部２５に表示させてもよい。同様に、図６では、表示処理手段２２ｂが１つの本文文字列３４ａを表示させる例を示したが、これに限定されない。提案処理手段１２ｄは、推奨データとして複数の本文情報を生成してもよく、表示処理手段２２ｂは、複数の本文情報に基づく複数の本文文字列３４ａを表示部２５に表示させてもよい。図７及び図１１の第１文字列３４１ａ及び第２文字列３４２ａ、図１０の前段文字列３６１ａ及び後段文字列３６２ａについても同様である。
6 and 7 show examples in which the relative information is characters such as "more" and "less", but the present invention is not limited to this. For example, the relative information may be a symbol such as “+” or “−”, or may be in a form of expressing whether there are many or few in color. 6, FIG. 10, and FIG. 11 show an example in which the display processing means 22b displays one
図６、図７、図１０、図１１は、あくまで、メールマガジンにおける有意な構成を提案する構成提案画面の例であり、構成提案画面は、これらの態様に限定されない。すなわち、表示処理手段２２ｂが構成提案画面に表示させるパーツは、適宜増減し変更することができ、パーツの内容（文字・記号・図形・表示態様など）も、適宜変更することができる。加えて、構成提案画面は、図６、図７、図１０、及び図１１のそれぞれに例示したパーツを適宜組み合わせて構築することができる。 6, FIG. 7, FIG. 10, and FIG. 11 are merely examples of configuration proposal screens that propose significant configurations in the e-mail newsletter, and the configuration proposal screens are not limited to these modes. That is, the parts displayed on the configuration proposal screen by the display processing means 22b can be appropriately increased or decreased, and the contents of the parts (characters, symbols, figures, display modes, etc.) can also be appropriately changed. In addition, the configuration proposal screen can be constructed by appropriately combining the parts exemplified in each of FIGS. 6, 7, 10, and 11.
１０、１１０ メール提案装置、１１ 通信部、１２、３２０ 制御部、１２ａ 取得処理手段、１２ｂ、３２０ｂ 前処理手段、１２ｃ、３２０ｃ 学習処理手段、１２ｄ、３２０ｄ 提案処理手段、１３ 記憶部、２０ 管理装置、２１ 管理通信部、２２ 管理制御部、２２ａ 情報処理手段、２２ｂ 表示処理手段、２３ 管理記憶部、２３ｐ 表示処理プログラム、２４ 入力部、２５ 表示部、３０Ａ、３０Ｂ、３００Ａ、３００Ｂ 構成提案画面、３１ 件名欄、３１ａ 件名、３１ｂ 文字数部、３１ｃ 残数情報、３２ 件名提案欄、３２ａ 件名文字列、３２ｂ 件名文字数、３２ｃ 件名差分情報、３３ 本文欄、３３ａ 本文、３３ｂ 文字数部、３３ｃ 目安表示、３４ 本文等提案欄、３４ａ 本文文字列、３４ｂ 本文文字数、３４ｃ 本文差分情報、３４ｄ 配置情報、３４ｅ 文言情報、３４ｆ 態様情報、３４ｇ 関連程度情報、３４ｈ 関連文言情報、３４ｊ 補足情報、３５ 配信提案欄、３５ａ 推奨時情報、３５ｂ 推奨曜日情報、３５ｃ 頻度情報、３５ｄ 設定頻度情報、３５ｘ 配信設定ボタン、３６ 推奨様式欄、３６ｘ 変換ボタン、３７ リンク関連欄、３７ａ リンク情報、３７ｂ 誘導情報、３８ リンク提案欄、３８ａ 誘導文言、３９ 確認ボタン、４０ メール配信装置、５０ サービス提供装置、６０ 端末装置、６１ 端末通信部、６２ 端末制御部、６２ａ 情報処理手段、６２ｂ 表示処理手段、６３ 端末記憶部、６４ 端末入力部、６５ 端末表示部、１００ メール提案システム、３３１ 第１本文欄、３３１ａ 第１本文、３３１ｂ 第１行数部、３３１ｄ 第１残行情報、３３１ｅ 第１残数情報、３３２ 第２本文欄、３３２ａ 第２本文、３３２ｂ 第２行数部、３３２ｄ 第２残行情報、３３２ｅ 第２残数情報、３３３ 第３本文欄、３３３ａ 第３本文、３３３ｄ 第３残行情報、３３３ｅ 第３残数情報、３４１ 第１提案欄、３４１ａ 第１文字列、３４１ｂ 第１行数、３４１ｃ 第１差分情報、３４２ 第２提案欄、３４２ａ 第２文字列、３４２ｂ 第２行数、３４２ｃ 第２差分情報、３５１ 前段本文欄、３５１ｃ 前段残行情報、３５２ 後段本文欄、３５２ｃ 後段残行情報、３６１ 前段提案欄、３６１ａ 前段文字列、３６２ 後段提案欄、３６２ａ 後段文字列、３７０ リンク関連情報、Ｋ レベル表示、Ｍ１、Ｍ１０ 推奨モデル、Ｎ ネットワーク、Ｐ１、Ｐ１０ メール提案プログラム。 10, 110 mail proposal device, 11 communication unit, 12, 320 control unit, 12a acquisition processing means, 12b, 320b preprocessing means, 12c, 320c learning processing means, 12d, 320d proposal processing means, 13 storage unit, 20 management device. , 21 management communication unit, 22 management control unit, 22a information processing means, 22b display processing means, 23 management storage unit, 23p display processing program, 24 input unit, 25 display unit, 30A, 30B, 300A, 300B configuration proposal screen, 31 subject column, 31a subject, 31b number of characters, 31c remaining number information, 32 subject proposal column, 32a subject character string, 32b subject character number, 32c subject difference information, 33 body column, 33a body, 33b number of characters, 33c guideline display, 34 text proposal column, 34a text character string, 34b text number of characters, 34c text difference information, 34d layout information, 34e wording information, 34f mode information, 34g related degree information, 34h related wording information, 34j supplementary information, 35 distribution proposal column , 35a recommended time information, 35b recommended day information, 35c frequency information, 35d setting frequency information, 35x delivery setting button, 36 recommended form column, 36x conversion button, 37 link related column, 37a link information, 37b guidance information, 38 link proposal Column, 38a guidance wording, 39 confirmation button, 40 mail delivery device, 50 service providing device, 60 terminal device, 61 terminal communication unit, 62 terminal control unit, 62a information processing means, 62b display processing means, 63 terminal storage unit, 64 Terminal input unit, 65 terminal display unit, 100 mail proposal system, 331 first text column, 331a first text, 331b first line number part, 331d first residual information, 331e first remaining number information, 332 second text Column 332a 2nd text 332b 2nd line number part 332d 2nd residual information 332e 2nd residual number information 333 3rd text column 333a 3rd text 333d 3rd residual information 333e 3rd residual Number information, 341 first proposal column, 341a first character string, 341b first line number, 341c first difference information, 342 second proposal column, 342a second character string, 342b second line number, 342c second difference information , 351 First sentence text column, 3 51c first-stage residual information, 352 second-stage text column, 352c second-stage residual line information, 361 first-stage proposal column, 361a first-stage character string, 362 second-stage proposal column, 362a second-stage character string, 370 link-related information, K level display, M1, M10 recommended Model, N network, P1, P10 mail proposal program.
Claims (23)
分析対象のメールマガジンに基づく分析用データを前記推奨モデルの入力として、該分析対象のメールマガジンに応じた推奨データを求める提案処理手段と、を有する、メール提案装置。 A recommended model that outputs recommended data indicating the configuration recommended by the e-mail newsletter by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data indicating the reaction of the recipient of the e-mail newsletter. The learning processing means to generate and
An e-mail proposal device having an analysis data based on an e-mail newsletter to be analyzed as an input of the recommended model, and a proposal processing means for obtaining recommended data according to the e-mail newsletter to be analyzed.
メールマガジンの属性を示す属性データを前記推奨モデルの入力とし、入力とした前記属性データに応じた前記推奨データを求める提案処理手段と、を有するメール提案装置。 A recommended model that outputs recommended data indicating the configuration recommended by the e-mail newsletter by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data indicating the reaction of the recipient of the e-mail newsletter. The learning processing means to generate and
An e-mail proposal device having an attribute data indicating an attribute of an e-mail newsletter as an input of the recommended model, and a proposal processing means for obtaining the recommended data according to the input attribute data.
前記推奨データとして、メールマガジンの件名に入れることが推奨される文字列を示す件名情報を求めるものである、請求項１～７の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 7, which requests subject information indicating a character string recommended to be included in the subject of the mail magazine as the recommended data.
前記推奨データとして、メールマガジンの件名での推奨される文字数に関する件名数データを求めるものである、請求項１～８の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 8, which obtains subject number data relating to the recommended number of characters in the subject of the mail magazine as the recommended data.
前記推奨データとして、メールマガジンの本文に入れることが推奨される文字列を示す本文情報を求めるものである、請求項１～９の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 9, which requests text information indicating a character string recommended to be included in the text of the mail magazine as the recommended data.
前記推奨データとして、メールマガジンの本文での推奨される文字数に関する本文数データを求めるものである、請求項１～１０の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 10, wherein as the recommended data, data on the number of texts relating to the recommended number of characters in the text of the mail magazine is obtained.
前記推奨データとして、メールマガジンの件名と、該メールマガジンが開封されたとき最初に表示される領域の情報であるファーストビューとの関連性を高める案を示す関連性向上データを求めるものである、請求項１～１１の何れか一項に記載のメール提案装置。 The proposed processing means
As the recommended data, relevance improvement data showing a plan to enhance the relevance between the subject of the e-mail newsletter and the first view, which is the information of the area initially displayed when the e-mail newsletter is opened, is requested. The mail proposal device according to any one of claims 1 to 11.
前記推奨データとして、リンク情報の配置の案を示すリンク配置データを求めるものである、請求項１～１２の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 12, which requests link arrangement data indicating a proposal for arrangement of link information as the recommended data.
前記推奨データとして、リンク情報に用いる文言の案を示すリンク文言データを求めるものである、請求項１～１３の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 13, wherein as the recommended data, link wording data indicating a draft of the wording used for the link information is requested.
前記推奨データとして、リンク情報の態様の案を示すリンク態様データを求めるものである、請求項１～１４の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 14, wherein as the recommended data, link mode data indicating a proposed mode of link information is obtained.
前記推奨データとして、リンク情報のリンク先へ誘導するための誘導情報に含めることが推奨される文言を示す誘導文言データを求めるものである、請求項１～１５の何れか一項に記載のメール提案装置。 The proposed processing means
The email according to any one of claims 1 to 15, which requests guidance wording data indicating the wording recommended to be included in the guidance information for guiding to the link destination of the link information as the recommended data. Proposed device.
前記推奨データとして、メールマガジンの配信を推奨するタイミングを示す推奨配信時データを求めるものである、請求項１～１６の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 16, wherein as the recommended data, recommended delivery time data indicating a timing for recommending delivery of an e-mail newsletter is obtained.
前記推奨データとして、メールマガジンで推奨される配信頻度の情報である頻度データを求めるものである、請求項１～１７の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 17, wherein the recommended data is frequency data, which is information on the delivery frequency recommended by the mail magazine.
前記推奨データとして、推奨される配信先の情報である推奨配信先データを求めるものである、請求項１～１８の何れか一項に記載のメール提案装置。 The proposed processing means
The mail proposal device according to any one of claims 1 to 18, wherein the recommended delivery destination data, which is information on the recommended delivery destination, is obtained as the recommended data.
表示部を有する管理装置と、を備え、
前記提案処理手段は、
求めた前記推奨データを前記管理装置へ送信するものであり、
前記表示部は、
前記推奨データに基づく情報を表示するものである、メール提案システム。 The mail proposal device according to any one of claims 1 to 19, and the mail proposal device.
With a management device having a display unit,
The proposed processing means
The obtained recommended data is transmitted to the management device.
The display unit is
An email proposal system that displays information based on the recommended data.
１又は複数の前記推奨データを求めて前記管理装置へ送信するものであり、
前記管理装置は、
１又は複数の前記推奨データを用いて、メールマガジンにおける有意な構成を提案する構成提案画面を前記表示部に表示させる表示処理手段を有する、請求項２０に記載のメール提案システム。 The proposed processing means
One or more of the recommended data are requested and transmitted to the management device.
The management device is
The mail proposal system according to claim 20, further comprising a display processing means for displaying a configuration proposal screen that proposes a significant configuration in an email magazine on the display unit using one or a plurality of the recommended data.
過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により、前記推奨データを出力する推奨モデルを生成する学習処理手段、
及び分析対象のメールマガジンに基づく分析用データを前記推奨モデルの入力として、該分析対象のメールマガジンに応じた前記推奨データを求める提案処理手段、として機能させるための、メール提案プログラム。 A computer installed in an e-mail proposal device that requests recommended data showing the recommended configuration for the e-mail newsletter to be analyzed.
A learning processing means that generates a recommended model that outputs the recommended data by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data indicating the reaction of the recipient of the e-mail newsletter.
And an e-mail proposal program for functioning as a proposal processing means for obtaining the recommended data according to the e-mail newsletter to be analyzed by using the analysis data based on the e-mail newsletter to be analyzed as the input of the recommended model.
過去に配信されたメールマガジンの構成に係る構成データと該メールマガジンの受信者の反応を示す反応データとに基づく機械学習により、前記推奨データを出力する推奨モデルを生成する学習処理工程と、
分析対象のメールマガジンに基づく分析用データを前記推奨モデルの入力として、該分析対象のメールマガジンに応じた前記推奨データを求める提案処理工程と、を実行する、メール提案方法。 An e-mail proposal device that requests recommended data showing the recommended configuration for the e-mail newsletter to be analyzed
A learning process that generates a recommended model that outputs the recommended data by machine learning based on the configuration data related to the configuration of the e-mail newsletter delivered in the past and the reaction data indicating the reaction of the recipient of the e-mail newsletter.
An e-mail proposal method for executing a proposal processing step of obtaining the recommended data according to the e-mail newsletter to be analyzed, using the analysis data based on the e-mail newsletter to be analyzed as an input of the recommended model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020116878A JP2022014529A (en) | 2020-07-07 | 2020-07-07 | Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020116878A JP2022014529A (en) | 2020-07-07 | 2020-07-07 | Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022014529A true JP2022014529A (en) | 2022-01-20 |
Family
ID=80120257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020116878A Pending JP2022014529A (en) | 2020-07-07 | 2020-07-07 | Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2022014529A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7288637B1 (en) * | 2023-01-19 | 2023-06-08 | 株式会社グローカルＭａ | email subject rating system |
| JP7355322B1 (en) | 2023-05-22 | 2023-10-03 | 株式会社グローカルＭａ | Email element setting system and email subject setting support system |
-
2020
- 2020-07-07 JP JP2020116878A patent/JP2022014529A/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7288637B1 (en) * | 2023-01-19 | 2023-06-08 | 株式会社グローカルＭａ | email subject rating system |
| JP7355322B1 (en) | 2023-05-22 | 2023-10-03 | 株式会社グローカルＭａ | Email element setting system and email subject setting support system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220156643A1 (en) | Using Machine Learning to Predict Outcomes for Documents | |
| US8135728B2 (en) | Web document keyword and phrase extraction | |
| US11487838B2 (en) | Systems and methods for determining credibility at scale | |
| US20060218115A1 (en) | Implicit queries for electronic documents | |
| JP7313069B2 (en) | Search material information storage device | |
| US11080747B2 (en) | Method and apparatus for selecting treatment for visitors to online enterprise channels | |
| CN108205572A (en) | A kind of searching method, device and equipment | |
| US11803872B2 (en) | Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection | |
| US11609919B2 (en) | Methods and apparatus for automatically providing personalized search results | |
| US11216519B2 (en) | Methods and apparatus for automatically providing personalized search results | |
| JP2010044584A (en) | Merchandise advertisement distribution device, merchandise advertisement distribution method, and merchandise advertisement distribution control program | |
| JP2022014529A (en) | Mail proposition device, mail proposition system, mail proposition program, and method for proposing mail | |
| US20230144844A1 (en) | Systems and methods for managing a personalized online experience | |
| US20220382794A1 (en) | System and method for programmatic generation of attribute descriptors | |
| CN111429214B (en) | Transaction data-based buyer and seller matching method and device | |
| JP6833540B2 (en) | Extractor, extraction method and extraction program | |
| KR101007284B1 (en) | System and method for searching opinion using internet | |
| JP6714268B1 (en) | Question sentence output method, computer program, and information processing apparatus | |
| US8370344B2 (en) | Information processing apparatus, information processing method, information processing program and recording medium for determining an order of displaying search items | |
| JP7462103B1 (en) | Recruitment support system, recruitment support method and program | |
| JP6356268B2 (en) | E-mail analysis system, e-mail analysis system control method, and e-mail analysis system control program | |
| WO2020250810A1 (en) | Information processing device, information processing method, and program | |
| CN113792230A (en) | Service linking method and device, electronic equipment and storage medium | |
| JP2020052697A (en) | Advertisement-running monitoring and assisting device, advertisement-running monitoring and assisting method and advertisement-running monitoring and assisting program | |
| JP6941803B1 (en) | Search system, search method and search program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230424 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240228 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240321 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240515 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240528 |