JP5965046B1 - 情報処理装置及び情報処理方法 - Google Patents

Abstract

【課題】ファネル構造を推定する情報処理装置及び情報処理方法を提供する。【解決手段】実施形態によれば、情報処理装置は、コンバージョン（ＣＶ）ユーザログ抽出部と経路抽出部と設定部と遷移確率算出部と未ＣＶユーザログ抽出部と階層推定部と構造推定部とを備える。経路抽出部は、ＣＶを完了したユーザのログに基づいて前記ユーザが前記ＣＶに至るまでに閲覧するカテゴリと前記カテゴリの遷移経路とを抽出する。設定部は、前記カテゴリと前記遷移経路とに基づいて前記ファネル構造の階層ごとに、前記カテゴリの閲覧比率を設定する。遷移確率算出部は、前記カテゴリと前記遷移経路とに基づいて前記ファネル構造の各階層に属するユーザが各階層に遷移する遷移確率を算出する。階層推定部は、前記ＣＶを完了していないユーザのログと前記カテゴリの閲覧比率とに基づいて前記ユーザの階層を推定する。構造推定部は、推定結果に基づいてファネル構造を推定する。【選択図】図１

Description

本発明の実施形態は、インターネットなどにおけるユーザのファネル構造を推定する情報処理装置及び情報処理方法に関する。

ユーザは、Ｗｅｂ上で配信される所定の広告のコンバージョンに関して所定のインテントを有し、インテントなどに基づく種々に階層（認知、興味・関心、検討及び直前など）に属している。各階層のユーザの分布は、ファネル構造となっている。広告主の視点としては、配信した広告の価値を正しく評価し、また、そのうえで広告の内容及び量などの広告の構成を最適化する点が重要であり、その前提としてファネル構造を知る必要がある。

しかしながら、従来、ファネル構造を可視化するためには、アンケートなどのアナログな方法が用いられている。アンケートなどのアナログな方法ではコストがかかる上、十分な量のデータを取ることが困難である。また、アンケートでは誤認に基づく回答又は自己を良く見せようとする回答が含まれるなど、必ずしも客観的な情報を得られるとは限らない。

そのため、インターネット上のアクセスログなどからファネル構造を推定する技術が求められる。

特表２０１４−５１２６１３号公報

上記の課題を解決するために、ファネル構造を推定する情報処理装置及び情報処理方法を提供する。

実施形態によれば、ファネル構造を推定する情報処理装置は、コンバージョンユーザログ抽出部と、経路抽出部と、設定部と、遷移確率算出部と、未コンバージョンユーザログ抽出部と、階層推定部と、構造推定部と、を備える。コンバージョンユーザログ抽出部は、コンバージョンを完了したユーザのコンバージョンユーザログを抽出する。経路抽出部は、前記コンバージョンユーザログに基づいて、前記コンバージョンを完了したユーザが前記コンバージョンに至るまでに閲覧するカテゴリと前記カテゴリの遷移経路とを抽出する。設定部は、前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の階層ごとに、前記カテゴリの閲覧比率を設定する。遷移確率算出部は、前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の各階層に属するユーザが各階層に遷移する遷移確率を算出する。未コンバージョンユーザログ抽出部は、前記コンバージョンを完了していないユーザの未コンバージョンユーザログを抽出する。階層推定部は、前記未コンバージョンユーザログと前記カテゴリの閲覧比率とに基づいて、前記コンバージョンを完了していないユーザの階層を推定する。構造推定部は、前記階層推定部の推定結果に基づいてファネル構造を推定する。

実施形態によれば、情報処理装置は、コンバージョンを完了したユーザのＷｅｂ閲覧ログに基づいてファネル階層をモデル化（階層テーブル及び遷移確率テーブルを生成）することができる。また、情報処理装置は、ファネル構造のモデル化によって、コンバージョンを完了していないユーザのファネル構造を推定することができる。

即ち、情報処理装置は、階層ごとのユーザ数及び階層間の移転確率を推定することができる。したがって、上記の推定により、階層ごとのボリューム、及び、いずれの階層が今後拡大又は縮小するかなどを推測することができる。

また、情報処理装置は、広告を閲覧したユーザのファネル構造と広告を閲覧していないユーザのファネル構造とを推定することができる。したがって、情報処理装置は、両ファネル構造の差として広告の効果を提示することができる。たとえば、広告を閲覧したユーザのファネル構造の特定の階層のユーザが増加し直上の階層（たとえば、特定の階層が「興味・関心」であれば、「認知」）が減少している場合、広告は、ユーザを当該直上の階層から当該特定の階層へ遷移させる効果があると推定される。

また、情報処理装置は、広告配信後に、両ファネル構造を推定する。その結果、両ファネル構造の差について、他の要素（たとえば、テレビＣＭなど）によって生じる変化をキャンセルすることができる。従って、広告の効果をより明確に把握することができる。

図１は、実施形態に係るファネル構造の構成例を示す図である。 図２は、実施形態に係る情報処理装置の構成例を示すブロック図である。 図３は、実施形態に係るカテゴリの遷移例を示す図である。 図４は、実施形態に係るカテゴリの遷移例を示す図である。 図５は、実施形態に係る階層テーブルである。 図６は、実施形態に係る遷移確率テーブルである。 図７は、実施形態に係るファネル構造の遷移例を示す。 図８は、実施形態に係る情報処理装置の動作例を示すフローチャートである。 図９は、実施形態に係る情報処理装置の動作例を示すフローチャートである。

以下、実施形態について、図面を参照して説明する。
まず、ファネル構造について説明する。
図１は、ファネル構造１の構成例を示す。

ファネル構造１は、所定の広告のコンバージョンに関連する階層ごとのユーザ数を示す。
コンバージョンは、広告主が実施する広告の最終的な成果である。たとえば、コンバージョンは、所定の物品の購入、資料請求、又は、所定のサイトの閲覧などである。コンバージョンの内容は、特定の構成に限定されるものではない。

図１が示すように、ファネル構造１は、階層２乃至６などを備える。階層２乃至６は、それぞれ「認知」、「興味・関心」、「検討」、「直前」及び「コンバージョン」である。図１が示す例では、階層の領域が大きいほど、ユーザが多いことを示す。なお、ファネル構造１は、「コンバージョン」を階層として備えなくともよい。

「認知」は、コンバージョンの成果に関する事柄を認知している階層である。たとえば、コンバージョンが所定の商品の購入である場合、「認知」は、成果に関する事柄として当該商品を認知している階層である。また、コンバージョンがイベント告知サイトの閲覧である場合、「認知」は、成果に関する事柄として当該イベントなどを認知している階層である。

「興味・関心」は、成果に関する事柄に興味又は関心がある階層である。即ち、「興味・関心」は、コンバージョンを検討する程度ではないものの、成果に関する事柄に一定の興味・関心がある階層である。

「検討」は、コンバージョンを検討している階層である。即ち、「検討」は、単なる興味・関心を超えて、コンバージョンを実行することを検討する階層である。

「直前」は、コンバージョンを行う直前である階層である。即ち、「直前」は、コンバージョンの検討を終了し、コンバージョンを行うことを決定している階層である。

「コンバージョン」は、コンバージョンを完了した階層である。

図１が示す例において、「認知」、「興味・関心」、「検討」、「直前」及び「コンバージョン」と階層が深くなるにつれて、ユーザの数は、減少する。

なお、ファネル構造は、さらに他の階層を備えてもよい。また、ファネル構造は、上述の階層を備えなくともよい。また、ファネル構造の階層の数は、特定の数に限定されるものではない。ファネル構造の構成は、特定の構成に限定されるものではない。

次に、実施形態に係る情報処理装置について説明する。
図２は、情報処理装置１０の構成例を示すブロック図である。
図２が示す構成例において、情報処理装置１０は、基本的な構成として、ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、ＮＶＭ１４、通信部１５、操作部１６及び表示部１７などを備える。これらの各部は、データバスを介して互いに接続されている。なお、情報処理装置１０は、図２が示すような構成の他に必要に応じた構成を具備したり、特定の構成を除外したりしてもよい。

ＣＰＵ１１は、情報処理装置１０全体の動作を制御する機能を有する。ＣＰＵ１１は、内部キャッシュおよび各種のインターフェースなどを備えても良い。ＣＰＵ１１は、内部メモリ、ＲＯＭ１２又はＮＶＭ１４が予め記憶するプログラムを実行することにより種々の処理を実現する。

なお、ＣＰＵ１１がプログラムを実行することにより実現する各種の機能のうちの一部は、ハードウエア回路により実現されるものであっても良い。この場合、ＣＰＵ１１は、ハードウエア回路により実行される機能を制御する。

ＲＯＭ１２は、予め制御用のプログラム及び制御データなどが記憶された不揮発性のメモリである。ＲＯＭ１２に記憶される制御プログラム及び制御データは、予め情報処理装置１０の仕様に応じて組み込まれる。ＲＯＭ１２は、たとえば、情報処理装置１０の回路基板を制御するプログラム（例えば、ＢＩＯＳ）などを格納する。

ＲＡＭ１３は、揮発性のメモリである。ＲＡＭ１３は、ＣＰＵ１１の処理中のデータなどを一時的に格納する。ＲＡＭ１３は、ＣＰＵ１１からの命令に基づき種々のアプリケーションプログラムを格納する。また、ＲＡＭ１３は、アプリケーションプログラムの実行に必要なデータ及びアプリケーションプログラムの実行結果などを格納してもよい。

ＮＶＭ１４は、データの書き込み及び書き換えが可能な不揮発性のメモリである。ＮＶＭ１４は、例えば、ハードディスク、ＳＳＤ、ＥＥＰＲＯＭ（登録商標）又はフラッシュメモリなどにより構成される。ＮＶＭ１４は、情報処理装置１０の運用用途に応じて制御プログラム、アプリケーション、及び種々のデータを格納する。

また、ＮＶＭ１４は、ユーザがサイトを閲覧した記録であるＷｅｂ閲覧ログを格納する記憶領域１４ａを備える。たとえば、Ｗｅｂ閲覧ログは、ユーザ、閲覧したサイト（たとえば、ＵＲＬなど）及び閲覧した日時などを備える。

通信部１５は、通信網５を通じて外部装置とデータを送受信するためのインターフェースである。通信部１５は、たとえば、ＬＡＮ接続をサポートするインターフェースである。

操作部１６は、情報処理装置１０の操作者によって、種々の操作指示が入力される。操作部１６は、操作者に入力された操作指示の信号をＣＰＵ１１へ送信する。操作部１６は、たとえば、キーボード、テンキー、及び、タッチパネルなどである。

表示部１７は、ＣＰＵ１１の制御により種々の情報を表示する表示装置である。表示部１７は、たとえば、液晶モニタなどである。なお、操作部１６がタッチパネルなどで構成される場合、表示部１７は、操作部１６と一体的に形成されてもよい。

次に、ＣＰＵ１１が実現する機能について説明する。
まず、ＣＰＵ１１は、コンバージョンが完了したユーザのＷｅｂ閲覧ログ（コンバージョンユーザログ）を抽出する機能（コンバージョンユーザログ抽出部）を有する。
ＣＰＵ１１は、記憶領域１４ａから、コンバージョンが完了したユーザのＷｅｂ閲覧ログであってコンバージョンが完了した日時から所定の期間溯ったＷｅｂ閲覧ログを抽出する。たとえば、ＣＰＵ１１は、コンバージョンが完了してから３０日、６０日又は９０日前のＷｅｂ閲覧ログを抽出する。ＣＰＵ１１は、コンバージョンに基づいて溯る期間を決定してもよい。たとえば、ＣＰＵ１１は、決断に時間が係ると思われるコンバージョン（たとえば、高額な商品の購入など）については、比較的長い期間を設定してもよい。また、たとえば、ＣＰＵ１１は、短期間で決断できるコンバージョン（たとえば、低額な商品の購入など）については、比較的短い期間を設定してもよい。ＣＰＵ１１がＷｅｂ閲覧ログを抽出する期間を決定する方法は、特定の方法に限定されるものではない。

ＣＰＵ１１は、抽出したＷｅｂ閲覧ログに基づいて、コンバージョンが完了したユーザが閲覧したサイトのカテゴリ及びカテゴリを遷移する経路を特定する機能（経路抽出部）を有する。
ＣＰＵ１１は、抽出したＷｅｂ閲覧ログのサイトに対してカテゴリを設定する。
カテゴリは、サイトの特徴に基づいて設定される。サイトのカテゴリは、予め手動でサイトごとに設定されてもよい。サイトのカテゴリは、ＣＰＵ１１によって所定のアルゴリズムに従って自動で設定されてもよい。サイトにカテゴリを設定する方法は、特定の方法に限定されるものではない。

次に、ＣＰＵ１１は、コンバージョンを完了したユーザがどのようなカテゴリを遷移してコンバージョンに至ったかを抽出する。即ち、ＣＰＵ１１は、コンバージョンを完了したユーザが特徴的に閲覧するカテゴリを抽出しカテゴリの遷移経路を抽出する。

たとえば、ＣＰＵ１１は、コンバージョンを完了したユーザが特に閲覧するカテゴリを抽出する。また、ＣＰＵ１１は、各カテゴリ間の遷移確率を算出する。即ち、ＣＰＵ１１は、コンバージョンを完了したユーザがあるカテゴリのサイトを閲覧した後に他のカテゴリのサイトを閲覧する確率を算出する。

ＣＰＵ１１は、各カテゴリ間の遷移確率に基づいて、各カテゴリ間に遷移経路としてパスを設定する。たとえば、ＣＰＵ１１は、遷移確率が所定の閾値よりも高いカテゴリ間にパスを設定してもよい。また、ＣＰＵ１１は、遷移確率に従って、各カテゴリ間に異なる太さのパス（即ち、強度の異なるパス）を設定してもよい。

たとえば、ＣＰＵ１１は、ベイジアンネットワークを用いて、コンバージョンを完了したユーザが閲覧するカテゴリを抽出し、コンバージョンに至るカテゴリの遷移経路を抽出してもよい。

図３及び図４は、コンバージョンを完了したユーザのカテゴリの遷移例を示す。
ここでは、ＣＰＵ１１は、カテゴリ２１乃至２４を抽出したものとする。カテゴリ２１乃至２４は、それぞれ「普段使いメディア」、「生活変化」、「美容健康」、及び、「関連商品情報」である。

「普段使いメディア」は、ユーザが日常的に使うサイトである。たとえば、「普段使いメディア」は、検索エンジン又はポータルサイトなどを含む。

「生活変化」は、ユーザの生活が変化した又は変化しようとしたときに閲覧されるサイトである。たとえば、「生活変化」は、引っ越しなどに関するサイトなどを含む。

「美容健康」は、美容又は健康に関連するサイトである。たとえば、「美容健康」は、化粧品又は健康食品などに関するサイトなどを含む。

「関連商品情報」は、コンバージョンと関連性の強いサイトである。たとえば、コンバージョンが商品の購入である場合、「関連商品情報」は、当該商品の批評サイトや当該商品と類似する商品の紹介サイトなどである。

図３及び４において、矢印は、パスを示す。即ち、矢印は、ユーザが矢印の始点にあるカテゴリから矢印の終点にあるカテゴリに遷移することを示す。

図３及び図４が示すように、ユーザがコンバージョンに至る遷移経路の１つは、カテゴリ２１（「普段使いメディア」）、カテゴリ２４（「関連商品情報」）及び「コンバージョン」を順に辿る経路である。また、ユーザがコンバージョンに至る遷移経路の他の１つは、カテゴリ２１（「普段使いメディア」）、カテゴリ２３（「美容健康」）、カテゴリ２４（「関連商品情報」）及び「コンバージョン」を順に辿る経路である。また、ユーザがコンバージョンに至る遷移経路の他の１つは、カテゴリ２１（「普段使いメディア」）、カテゴリ２３（「美容健康」）、及び「コンバージョン」を順に辿る経路である。また、ユーザがコンバージョンに至る遷移経路の他の１つは、カテゴリ２１（「普段使いメディア」）、カテゴリ２２（「生活変化」）、カテゴリ２３（「美容健康」）、カテゴリ２４（「関連商品情報」）及び「コンバージョン」を順に辿る経路である。また、ユーザがコンバージョンに至る遷移経路の他の１つは、カテゴリ２１（「普段使いメディア」）、カテゴリ２２（「生活変化」）、カテゴリ２３（「美容健康」）及び「コンバージョン」を順に辿る経路である。

なお、ＣＰＵ１１が抽出するカテゴリの数は、特定の数に限定されるものではない。ＣＰＵ１１が抽出するカテゴリの構成は、特定の構成に限定されるものではない。また、ＣＰＵ１１が抽出する経路は、特定の構成に限定されるものではない。

また、ＣＰＵ１１は、ファネル構造の階層ごとに、抽出したカテゴリの閲覧比率を設定する機能（設定部）を有する。即ち、ＣＰＵ１１は、ファネル構造の階層ごとに、ユーザが閲覧するカテゴリの比率を設定する。たとえば、ＣＰＵ１１は、抽出したカテゴリの全閲覧に対する各カテゴリの閲覧比率を設定する。たとえば、ＣＰＵ１１は、ファネル構造の階層と、当該階層におけるカテゴリの閲覧比率とを対応付けたテーブル（階層テーブル）を生成する。

図５は、ファネル構造の階層と、当該階層におけるカテゴリの閲覧比率とを対応付けた階層テーブルの構成例を示す。

図５が示すように、階層テーブルは、「認知」に属するユーザが「普段使いメディア」、「生活変化」、「美容健康」及び「関連商品情報」をそれぞれ８０％、１０％、７％及び３％の比率で閲覧することを示す。また、階層テーブルは、「興味・関心」に属するユーザが「普段使いメディア」、「生活変化」、「美容健康」及び「関連商品情報」をそれぞれ４０％、３０％、１５％及び１５％の比率で閲覧することを示す。また、階層テーブルは、「検討」に属するユーザは、「普段使いメディア」、「生活変化」、「美容健康」及び「関連商品情報」をそれぞれ１０％、２０％、６０％及び２０％の比率で閲覧することを示す。また、階層テーブルは、「直前」に属するユーザは、「普段使いメディア」、「生活変化」、「美容健康」及び「関連商品情報」をそれぞれ５％、１０％、５０％及び３５％の比率で閲覧することを示す。

なお、ＣＰＵ１１が階層ごとに設定する各カテゴリの比率は、特定の値に限定されるものではない。即ち、ＣＰＵ１１が設定する階層テーブルの構成は、特定の構成に限定されるものではない。

また、ＣＰＵ１１は、カテゴリ及びカテゴリ間の遷移経路（遷移確率）などに基づいて、各階層に属するユーザが所定の期間後に各階層に移転する確率を算出する機能（遷移確率算出部）を有する。即ち、ＣＰＵ１１は、階層間の移転確率を算定する。たとえば、ＣＰＵ１１は、ファネル構造の階層と、当該階層におけるユーザが所定の期間後に各階層に移転する確率とを対応付けたテーブル（遷移確率テーブル）を生成する。なお、遷移確率テーブルは、ユーザが階層に留まる確率も含むものとする。

図６は、ファネル構造の階層と、当該階層におけるユーザが所定の期間後に各階層に移転する確率とを対応付けた遷移確率テーブルの構成例を示す。

図６が示すように、遷移確率テーブルは、「認知」に属するユーザが所定の期間後に「認知」、「興味・関心」、「検討」、「直前」及び「コンバージョン」にそれぞれ８０％、２％、３％、１５％及び０％の確率で移転することを示す。また、遷移確率テーブルは、「興味・関心」に属するユーザが所定の期間後に「興味・関心」、「検討」、「直前」及び「コンバージョン」にそれぞれ８１％、５％、１４％及び０％の確率で移転することを示す。また、遷移確率テーブルは、「検討」に属するユーザが所定の期間後に「検討」、「直前」及び「コンバージョン」にそれぞれ７９％、２１％、及び０％の確率で移転することを示す。また、遷移確率テーブルは、「直前」に属するユーザが所定の期間後に「直前」及び「コンバージョン」にそれぞれ８７％、及び１３％の確率で移転することを示す。

なお、ＣＰＵ１１が階層ごとに算出される確率は、特定の値に限定されるものではない。即ち、ＣＰＵ１１が算出する遷移確率テーブルの構成は、特定の構成に限定されるものではない。

たとえば、ＣＰＵ１１は、以下のように階層テーブル及び遷移確率テーブルを生成する。
ＣＰＵ１１は、「コンバージョン」に至るまでの階層の数と、各階層から次の階層へ移転する確率を仮定する。ＣＰＵ１１は、仮定に従って、あるユーザがどの階層に属するか、及び、次の階層に遷移する確率を連続的に評価し、階層テーブル及び遷移確率テーブルを生成する。

たとえば、ＣＰＵ１１は、隠れマルコフモデルなどに従って階層テーブル及び遷移確率テーブルを生成する。
なお、階層テーブル及び遷移確率テーブルを生成する方法は、特定の方法に限定されるものではない。

ＣＰＵ１１は、コンバージョンが完了していないユーザのＷｅｂ閲覧ログ（未コンバージョンユーザログ）を抽出する機能（未コンバージョンユーザログ抽出部）を有する。
ＣＰＵ１１は、記憶領域１４ａからコンバージョンを完了していないユーザのＷｅｂ閲覧ログを抽出する。なお、ＣＰＵ１１は、コンバージョンを完了していないユーザのＷｅｂ閲覧ログから、さらに閲覧した日時が所定の期間内であるＷｅｂ閲覧ログを抽出してもよい。

また、ＣＰＵ１１は、コンバージョンを完了していないユーザのＷｅｂ閲覧ログ及び階層テーブルから、コンバージョンを完了していない各ユーザの階層を推定する機能（階層推定部）を有する。

ＣＰＵ１１は、抽出したＷｅｂ閲覧ログに基づいて、ユーザごとに階層を推定する。たとえば、ＣＰＵ１１は、あるユーザのＷｅｂ閲覧ログから階層テーブルが示すカテゴリに含まれるサイトのＷｅｂ閲覧ログを抽出する。ＣＰＵ１１は、抽出したＷｅｂ閲覧ログに基づいて、当該ユーザの各カテゴリの閲覧比率を算出する。ＣＰＵ１１は、階層テーブルを参照して、ユーザの各カテゴリの閲覧比率と、階層テーブルが示す各カテゴリの閲覧比率を比較する。ＣＰＵ１１は、ユーザの各カテゴリの閲覧比率と最もマッチする階層を当該ユーザが所属する階層として推定する。
ＣＰＵ１１は、上記の動作をユーザごとに実行し、各ユーザの階層を推定する。

また、ＣＰＵ１１は、各ユーザの階層からファネル構造を推定する機能（構造推定部）を有する。たとえば、ＣＰＵ１１は、階層ごとにユーザの数をカウントし、ファネル構造として各階層に属するユーザの数を推定する。また、たとえば、ＣＰＵ１１は、階層ごとの割合でファネル構造を推定してもよい。なお、ＣＰＵ１１は、コンバージョンを完了したユーザの階層である「コンバージョン」をファネル構造に追加してもよい。

また、ＣＰＵ１１は、所定の広告を閲覧したユーザが構成するファネル構造と当該広告を閲覧していないユーザが構成するファネル構造とを推定する機能を有する。ここでは、広告主は、所定の広告を所定のＷｅｂ上に配信したものとする。図７は、広告を閲覧したユーザのファネル構造１ａと広告を閲覧していないユーザのファネル構造１ｂとの構成例を示す。

ＣＰＵ１１は、記憶領域１４ａから、コンバージョンを完了しておらず、かつ、当該広告を閲覧したユーザのＷｅｂ閲覧ログ（閲覧ユーザログ）を抽出する（閲覧ユーザログ抽出部）。たとえば、ＣＰＵ１１は、当該広告を閲覧したことを示すＷｅｂ閲覧ログを有するユーザを抽出し、当該ユーザのＷｅｂ閲覧ログを抽出する。

ＣＰＵ１１は、抽出したＷｅｂ閲覧ログ及び階層テーブルから、当該広告を閲覧した各ユーザの階層を推定する（閲覧ユーザ階層推定部）。ＣＰＵ１１は、推定結果に基づいて、当該広告を閲覧したユーザのファネル構造１ａを推定する（閲覧ユーザ構造推定部）。なお、ＣＰＵ１１は、広告を閲覧しコンバージョンを完了したユーザの階層を「コンバージョン」の階層としてファネル構造１ａに追加してもよい。

また、ＣＰＵ１１は、記憶領域１４ａから、コンバージョンを完了しておらず、かつ、当該広告を閲覧していないユーザのＷｅｂ閲覧ログ（非閲覧ユーザログ）を抽出する（非閲覧ユーザログ抽出部）。たとえば、ＣＰＵ１１は、当該広告を閲覧したことを示すＷｅｂ閲覧ログを有するユーザを抽出し、当該ユーザ以外のＷｅｂ閲覧ログを抽出する。

ＣＰＵ１１は、抽出したユーザのＷｅｂ閲覧ログ及び階層テーブルから、当該広告を閲覧していない各ユーザの階層を推定する（非閲覧ユーザ階層推定部）。ＣＰＵ１１は、推定結果に基づいて、当該広告を閲覧していないユーザのファネル構造１ｂを推定する（非閲覧ユーザ構造推定部）。なお、ＣＰＵ１１は、広告を閲覧しておらずコンバージョンを完了したユーザの階層を「コンバージョン」の階層としてファネル構造１ｂに追加してもよい。

以上の動作により、図７が示すように、ＣＰＵ１１は、広告配信後に、広告を閲覧したユーザのファネル構造１ａと、広告を閲覧していないユーザのファネル構造１ｂとを推定することができる。なお、ＣＰＵ１１は、広告を閲覧した回数ごとにユーザを分類し、閲覧回数ごとのファネル構造を推定してもよい。

次に、情報処理装置１０の動作例について説明する。
まず、情報処理装置１０がファネル構造を推定する動作例について説明する。
図８は、情報処理装置１０のＣＰＵ１１がファネル構造を推定する動作例を説明するためのフローチャートである。

まず、ＣＰＵ１１は、記憶領域１４ａから、コンバージョンを完了したユーザのＷｅｂ閲覧ログを所定の期間溯って抽出する（Ｓ１１）。コンバージョンを完了したユーザのＷｅｂ閲覧ログを抽出すると、ＣＰＵ１１は、抽出したＷｅｂ閲覧ログに基づいて、カテゴリ及びカテゴリ間の遷移経路を抽出する（Ｓ１２）。

カテゴリ及びカテゴリ間の遷移経路を抽出すると、ＣＰＵ１１は、カテゴリ及びカテゴリ間の遷移経路などに基づいて階層テーブルを生成する（Ｓ１３）。階層テーブルを生成すると、ＣＰＵ１１は、カテゴリ及びカテゴリ間の遷移経路などに基づいて遷移確率テーブルを生成する（Ｓ１４）。

遷移確率テーブルを生成すると、ＣＰＵ１１は、コンバージョンを完了していないユーザのＷｅｂ閲覧ログを抽出する（Ｓ１５）。コンバージョンを完了していないユーザのＷｅｂ閲覧ログを抽出すると、ＣＰＵ１１は、抽出したＷｅｂ閲覧ログ及び階層テーブルに基づいて、コンバージョンを完了していない各ユーザの階層を推定する（Ｓ１６）。

コンバージョンを完了していない各ユーザの階層を推定すると、ＣＰＵ１１は、推定結果に基づいて、ファネル構造を推定する（Ｓ１７）。ファネル構造を推定すると、ＣＰＵ１１は、動作を終了する。

次に、情報処理装置１０が広告を閲覧したユーザのファネル構造と広告を閲覧していないユーザのファネル構造とを推定する動作例について説明する。

図９は、情報処理装置１０のＣＰＵ１１が広告を閲覧したユーザのファネル構造と広告を閲覧していないユーザのファネル構造とを推定する動作例について説明するためのフローチャートである。
ここでは、ＣＰＵ１１は、階層テーブルを生成し終えているものとする。

まず、ＣＰＵ１１は、記憶領域１４ａから、コンバージョンを完了しておらず、かつ、広告を閲覧したユーザのＷｅｂ閲覧ログを抽出する（Ｓ２１）。Ｗｅｂ閲覧ログを抽出すると、ＣＰＵ１１は、階層テーブルに基づいて、広告を閲覧した各ユーザの階層を推定する（Ｓ２２）。

広告を閲覧した各ユーザの階層を推定すると、ＣＰＵ１１は、推定結果に基づいて、広告を閲覧したユーザのファネル構造を推定する（Ｓ２３）。広告を閲覧したユーザのファネル構造を推定すると、ＣＰＵ１１は、記憶領域１４ａから、コンバージョンを完了しておらず、かつ、広告を閲覧していないユーザのＷｅｂ閲覧ログを抽出する（Ｓ２４）。

Ｗｅｂ閲覧ログを抽出すると、ＣＰＵ１１は、階層テーブルに基づいて、広告を閲覧していない各ユーザの階層を推定する（Ｓ２５）。広告を閲覧していない各ユーザの階層を推定すると、ＣＰＵ１１は、広告を閲覧していないユーザのファネル構造を推定する（Ｓ２６）。

広告を閲覧していないユーザのファネル構造を推定すると、ＣＰＵ１１は、動作を終了する。

なお、ＣＰＵ１１は、外部装置からＷｅｂ閲覧ログを取得してもよい。また、ＣＰＵ１１は、各階層のユーザ数を示すデータをファネル構造として表示部１７に表示してもよい。また、ＣＰＵ１１は、通信部１５などを通じてファネル構造を示すデータを外部装置へ送信してもよい。

なお、本発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は可能な限り適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。更に、上記実施形態には種々の段階の発明が含まれており、開示される複数の構成要件における適当な組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、発明が解決しようとする課題の欄で述べた課題が解決でき、発明の効果の欄で述べられている効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。

１（１ａ及び１ｂ）…ファネル構造、２乃至６…階層、１０…情報処理装置、１１…ＣＰＵ、１２…ＲＯＭ、１３…ＲＡＭ、１４…ＮＶＭ、１４ａ…記憶領域、１５…通信部、１６…操作部、１７…表示部。

Claims (9)

1. ファネル構造を推定する情報処理装置であって、
   コンバージョンを完了したユーザのコンバージョンユーザログを抽出するコンバージョンユーザログ抽出部と、
   前記コンバージョンユーザログに基づいて、前記コンバージョンを完了したユーザが前記コンバージョンに至るまでに閲覧するカテゴリと前記カテゴリの遷移経路とを抽出する経路抽出部と、
   前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の階層ごとに、前記カテゴリの閲覧比率を設定する設定部と、
   前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の各階層に属するユーザが各階層に遷移する遷移確率を算出する遷移確率算出部と、
   前記コンバージョンを完了していないユーザの未コンバージョンユーザログを抽出する未コンバージョンユーザログ抽出部と、
   前記未コンバージョンユーザログと前記カテゴリの閲覧比率とに基づいて、前記コンバージョンを完了していないユーザの階層を推定する階層推定部と、
   前記階層推定部の推定結果に基づいてファネル構造を推定する構造推定部と、
   を備える情報処理装置。
2. 前記コンバージョンユーザログ及び前記未コンバージョンユーザログは、ユーザが閲覧したサイトを示し、
   前記カテゴリは、サイトの分類である、
   前記請求項１に記載の情報処理装置。
3. 前記コンバージョンユーザログ抽出部は、前記コンバージョンユーザログとして、前記コンバージョンが完了した日時から所定の期間溯ったログを抽出する、
   前記請求項１又は２に記載の情報処理装置。
4. 前記階層推定部は、前記未コンバージョンユーザログに基づいて前記コンバージョンを完了していないユーザの前記カテゴリの閲覧比率を算出し、算出された前記カテゴリの閲覧比率と前記設定部が設定した前記カテゴリの閲覧比率とを比較して、前記ユーザの階層を推定する、
   前記請求項１乃至３の何れか１項に記載の情報処理装置。
5. 前記構造推定部は、前記ファネル構造として各階層に属するユーザの数を推定する、
   前記請求項１乃至４の何れか１項に記載の情報処理装置。
6. 前記コンバージョンは、商品の購入である、
   前記請求項１乃至５の何れか１項に記載の情報処理装置。
7. ファネル構造を推定する情報処理装置であって、
   コンバージョンを完了したユーザのコンバージョンユーザログを抽出するコンバージョンユーザログ抽出部と、
   前記コンバージョンユーザログに基づいて、前記コンバージョンを完了したユーザが前記コンバージョンに至るまでに閲覧するカテゴリと前記カテゴリの遷移経路とを抽出する経路抽出部と、
   前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の階層ごとに、前記カテゴリの閲覧比率を設定する設定部と、
   前記経路抽出部が抽出した前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の各階層に属するユーザが各階層に遷移する遷移確率を算出する遷移確率算出部と、
   前記コンバージョンを完了しておらず、かつ、広告を閲覧したユーザの閲覧ユーザログを抽出する閲覧ユーザログ抽出部と、
   前記閲覧ユーザログと前記カテゴリの閲覧比率とに基づいて、前記ユーザの階層を推定する閲覧ユーザ階層推定部と、
   前記閲覧ユーザ階層推定部の推定結果に基づいて前記ユーザのファネル構造を推定する閲覧ユーザ構造推定部と、
   を備える情報処理装置。
8. さらに、
   前記コンバージョンを完了しておらず、かつ、前記広告を閲覧していないユーザの非閲覧ユーザログを抽出する非閲覧ユーザログ抽出部と、
   前記非閲覧ユーザログと前記カテゴリの閲覧比率とに基づいて、前記ユーザの階層を推定する非閲覧ユーザ階層推定部と、
   前記非閲覧ユーザ階層推定部の推定結果に基づいて前記ユーザのファネル構造を推定する非閲覧ユーザ構造推定部と、
   を備える、
   前記請求項７に記載の情報処理装置。
9. ファネル構造を推定する情報処理方法であって、
   コンバージョンを完了したユーザのコンバージョンユーザログを抽出し、
   前記コンバージョンユーザログに基づいて、前記コンバージョンを完了したユーザが前記コンバージョンに至るまでに閲覧するカテゴリと前記カテゴリの遷移経路とを抽出し、
   前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の階層ごとに、前記カテゴリの閲覧比率を設定し、
   抽出された前記カテゴリと前記カテゴリの前記遷移経路とに基づいて、前記ファネル構造の各階層に属するユーザが各階層に遷移する遷移確率を算出し、
   前記コンバージョンを完了していないユーザの未コンバージョンユーザログを抽出し、
   前記未コンバージョンユーザログ及び前記カテゴリの閲覧比率に基づいて、前記コンバージョンを完了していないユーザの階層を推定し、
   推定結果に基づいてファネル構造を推定する、
   情報処理方法。