ホーム > 特許ランキング > 楽天グループ株式会社
特開2024-119240広告配信装置、広告配信方法、および広告配信プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024119240
(43)【公開日】2024-09-03
(54)【発明の名称】広告配信装置、広告配信方法、および広告配信プログラム
(51)【国際特許分類】
G06Q 40/08 20120101AFI20240827BHJP
G06Q 30/0251 20230101ALI20240827BHJP
【ＦＩ】
G06Q40/08
G06Q30/0251
【審査請求】有
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2023026002
(22)【出願日】2023-02-22
(11)【特許番号】
(45)【特許公報発行日】2024-05-10
(71)【出願人】
【識別番号】399037405
【氏名又は名称】楽天グループ株式会社
(74)【代理人】
【識別番号】100109380
【弁理士】
【氏名又は名称】小西 恵
(74)【代理人】
【識別番号】100109036
【弁理士】
【氏名又は名称】永岡 重幸
(72)【発明者】
【氏名】田 科
(72)【発明者】
【氏名】サマビル ジェイソン
(72)【発明者】
【氏名】オニヤリ ジュリアン
(72)【発明者】
【氏名】サボッキー エメリック
【テーマコード（参考）】
5L030
5L040
5L049
5L055
【Ｆターム（参考）】
5L030BB08
5L040BB61
5L049BB08
5L055BB61
(57)【要約】
【課題】保険商品に係る加入チャネルを利用した広告配信の仕組みを提供する。
【解決手段】広告配信装置は、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける該複数のユーザそれぞれの成約確率を予測し、該複数のユーザのうち、該成約確率が所定の条件を満たす第１のユーザ群に対して、該複数のユーザのうち該第１のユーザ群以外の第２のユーザ群より、該所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する。
【選択図】図１
【解決手段】広告配信装置は、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける該複数のユーザそれぞれの成約確率を予測し、該複数のユーザのうち、該成約確率が所定の条件を満たす第１のユーザ群に対して、該複数のユーザのうち該第１のユーザ群以外の第２のユーザ群より、該所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測部と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、
を有する広告配信装置。
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、
を有する広告配信装置。
【請求項2】
前記ユーザ属性は、ユーザについての事実属性と、前記事実属性に基づいて推定される推定属性と、を含む、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項3】
前記ユーザ属性は、ユーザによる、車管理サービスを含むウェブサービスにおける利用履歴を含む、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項4】
前記学習済みモデルは、ランダムフォレストモデルもしくは勾配ブースティングモデルである、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項5】
前記広告配信部は、前記１つ以上の保険商品に関する広告を、電子メールによって、前記第１のユーザ群に対して配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項6】
前記広告配信部は、前記１つ以上の保険商品に関する広告を、アプリ内広告によって、前記第１のユーザ群に対して配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項7】
前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群より高頻度に、前記１つ以上の保険商品に関する広告を配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項8】
前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群に先行して、前記１つ以上の保険商品に関する広告を配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項9】
広告の配信数と配信コストに基づくマーケティングコストが、前記所定の加入チャネルに対する目標コストを超えないように配信条件を設定する配信条件設定部を更に有し、
前記広告配信部は、前記配信条件に従って、前記第１のユーザ群に対して、前記第２のユーザ群より、前記１つ以上の保険商品に関する広告を優先して配信する、
請求項１に記載の広告配信装置。
前記広告配信部は、前記配信条件に従って、前記第１のユーザ群に対して、前記第２のユーザ群より、前記１つ以上の保険商品に関する広告を優先して配信する、
請求項１に記載の広告配信装置。
【請求項10】
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測工程と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、
を含む、広告配信方法。
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、
を含む、広告配信方法。
【請求項11】
広告配信処理をコンピュータに実行させるための広告配信プログラムであって、該広告配信プログラムは、前記コンピュータに、
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである、
広告配信プログラム。
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである、
広告配信プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、広告配信装置、広告配信方法、および広告配信プログラムに関し、特に、保険商品に係る加入チャネルを利用した広告配信技術に関する。
【背景技術】
【0002】
保険会社により開発された複数の保険商品から、ユーザに適した保険商品を提案する技術が開発されている。例えば、特許文献１には、ユーザのユーザ属性に基づいて、複数の保険商品の候補の各々におけるユーザによる契約の可能性を予測し、当該予測した可能性に基づいて、ユーザに提案する保険商品の内容を出力する保険提案装置が開示されている。
また、近年では、費用対効果等の観点から、ユーザに対する商品の提案は、しばしばユーザ装置への広告配信により行われている。
また、近年では、費用対効果等の観点から、ユーザに対する商品の提案は、しばしばユーザ装置への広告配信により行われている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２２－９３１７７号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
一般的に、ユーザは保険に加入するために（すなわち、保険商品を契約するために）、複数の加入チャネルのいずれかを利用する。従来、２つの加入チャネルが知られている。一つ目の加入チャネルは、代理店チャネルである。代理店チャネルは、ユーザが、代理店を通して保険に加入するチャネルである。代理店チャネルを利用することにより、例えば、ユーザは、代理店において担当者と対面して保険に加入するチャネルことができる。二つ目の加入チャネルは、ダイレクトチャネルである。ダイレクトチャネルは、ユーザが、直接的に保険会社にアクセスして保険に加入するチャネルである。ダイレクトチャネルを利用することにより、例えば、ユーザは、ウェブサイトや電話等により、保険会社に直接的に連絡して、保険に加入することができる。
【0005】
前述の文献による技術と広告配信とを組み合わせることにより、複数の保険候補の各々におけるユーザによる契約の可能性を予測し、当該可能性が高い保険商品を広告配信によりユーザに提案することができる。しかしながら、保険商品に係る加入チャネルを利用した広告配信の仕組みについては、これまで提案されていなかった。
【0006】
本発明は上記課題に鑑みてなされたものであり、保険商品に係る加入チャネルを利用した広告配信の仕組みを提供することを目的とする。
【課題を解決するための手段】
【0007】
上記課題を解決するために、本発明による広告配信装置の一態様は、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測部と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、を有する。
【0008】
上記課題を解決するために、本発明による広告配信方法は、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測工程と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、を含む。
【0009】
上記課題を解決するために、本発明による広告配信プログラムの一態様は、広告配信処理をコンピュータに実行させるための広告配信プログラムであって、該広告配信プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである。
【発明の効果】
【0010】
本発明によれば、保険商品に係る加入チャネルを利用した広告配信の仕組みが提供される。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
【図面の簡単な説明】
【0011】
【発明を実施するための形態】
【0012】
以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。
【0013】
［広告配信システムの構成］
図１に、本実施形態による広告配信システムの構成例を示す。本広告配信システムは、その一例として、図１に示すように、広告配信装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。また、以下の説明において、所定の処理のために選択されるユーザ１～Ｎのいずれかのユーザを、対象ユーザと称しうる。
図１に、本実施形態による広告配信システムの構成例を示す。本広告配信システムは、その一例として、図１に示すように、広告配信装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。また、以下の説明において、所定の処理のために選択されるユーザ１～Ｎのいずれかのユーザを、対象ユーザと称しうる。
【0014】
ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、３ＧＰＰ（Ｔｈｉｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）（登録商標）により規定された第５世代（５Ｇ）等による公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、広告配信装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
【0015】
ユーザ装置１１のユーザは、広告配信装置１０から、または、不図示の他の装置から広告配信装置１０を介して提供される複数のウェブサービス（インターネット関連サービス）を利用することができる。これらのウェブサービスは、例えば、ユーザが、広告配信装置１０や他の装置から提供されるＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）に利用登録することにより、当該ユーザにより利用されうる。ウェブサービスを利用する各ユーザには、ユーザを識別するためのユーザＩＤ（ユーザ識別情報）が付されており、各ユーザはユーザＩＤに連携させて、これらのウェブサービスを利用しうる。
【0016】
本実施形態では、当該ウェブサービスは、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。
さらに、当該ウェブサービスは、車管理サービスを含むことができる。本実施形態において、車管理サービスは、ユーザが登録した自動車に関連したサービスを提供するサービスである。なお、ユーザが登録した自動車は、ユーザが所有する自動車に限定されず、ユーザが直接的あるいは間接的に管理することが可能な自動車であってもよい。
さらに、当該ウェブサービスは、車管理サービスを含むことができる。本実施形態において、車管理サービスは、ユーザが登録した自動車に関連したサービスを提供するサービスである。なお、ユーザが登録した自動車は、ユーザが所有する自動車に限定されず、ユーザが直接的あるいは間接的に管理することが可能な自動車であってもよい。
【0017】
なお、本実施形態において、ユーザ装置１１のユーザが利用することができる複数のウェブサービスは、特定の管理会社およびそのグループ会社（当該管理会社の関連会社）により直接的もしくは間接的に管理および運営されうる。また、当該複数のウェブサービスは、当該複数のウェブサービス間において共通のユーザＩＤで情報（例えば、ユーザ属性等のユーザにかかる情報）が管理可能に構成される。例えば、ユーザによる、当該複数のウェブサービスにおける任意のサービスの利用に応じて、当該複数のウェブサービス間で共通のポイント等の電子的バリューを、当該ユーザに対して付与することができる。
【0018】
広告配信装置１０は、機械学習により得られた学習済みモデル（チャネル傾向予測モデル１１２）を用いて、ユーザ１～Ｎのそれぞれについて、保険商品に係る加入チャネルにおける成約確率を予測するように構成される。さらに、広告配信装置１０は、当該予測結果に基づいて、当該加入チャネルに対応する保険商品に関する広告を配信するように構成される。
【0019】
［広告配信装置１０の機能構成］
図２は、本実施形態による広告配信装置１０の機能構成の一例を示す。
図２に示す広告配信装置１０は、ユーザ属性取得部１０１、予測部１０２、広告配信部１０３、配信条件設定部１０４、学習モデル記憶部１１０、および属性記憶部１２０を備える。学習モデル記憶部１１０は、ユーザ属性予測モデル１１１およびチャネル傾向予測モデル１１２を記憶している。当該各種学習モデルについては後述する。また、属性記憶部１２０は、ユーザ属性１２１を記憶している。当該ユーザ属性ついては後述する。
図２は、本実施形態による広告配信装置１０の機能構成の一例を示す。
図２に示す広告配信装置１０は、ユーザ属性取得部１０１、予測部１０２、広告配信部１０３、配信条件設定部１０４、学習モデル記憶部１１０、および属性記憶部１２０を備える。学習モデル記憶部１１０は、ユーザ属性予測モデル１１１およびチャネル傾向予測モデル１１２を記憶している。当該各種学習モデルについては後述する。また、属性記憶部１２０は、ユーザ属性１２１を記憶している。当該ユーザ属性ついては後述する。
【0020】
ユーザ属性取得部１０１は、ユーザ装置１１のユーザのユーザ属性（ユーザ特徴）を取得する。本実施形態において、ユーザ属性とは、ユーザ装置やユーザについての事実属性（事実属性の情報）であり、ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく属性である。ユーザ属性取得部１０１は例えば、ユーザ装置１１から直接的にユーザ属性を取得することができる。また、ユーザ属性取得部１０１は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ属性を取得することができる。ユーザ属性には、ユーザＩＤが紐づけられている。
【0021】
本実施形態では、ユーザ属性取得部１０１は、１つ以上のウェブサービスにおいて登録されたデモグラフィック情報と、当該１つ以上のウェブサービスにおけるサービス利用情報を、事実属性として取得することができる。
【0022】
デモグラフィック情報は、性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性を示す情報である。
サービス利用情報は、ウェブサービスにおけるサービス利用履歴を含む。サービス利用履歴は、例えば、ウェブサービスにおいてアイテム（商品やサービス）を購入した場合は、購入したアイテムに関する情報（アイテム名、ジャンル、販売元等）や購入日時の情報を含む。また、サービス利用情報は、ユーザによりアイテム購入の際にウェブサービスに登録された趣向を示すデータを含みうる。また、サービス利用情報は、ウェブサービス対するアクセス履歴、検索履歴、コメント履歴、その他のアクション履歴を含みうる。
サービス利用情報は、ウェブサービスにおけるサービス利用履歴を含む。サービス利用履歴は、例えば、ウェブサービスにおいてアイテム（商品やサービス）を購入した場合は、購入したアイテムに関する情報（アイテム名、ジャンル、販売元等）や購入日時の情報を含む。また、サービス利用情報は、ユーザによりアイテム購入の際にウェブサービスに登録された趣向を示すデータを含みうる。また、サービス利用情報は、ウェブサービス対するアクセス履歴、検索履歴、コメント履歴、その他のアクション履歴を含みうる。
【0023】
また、前述のように、本実施形態では、利用可能なウェブサービスに、車管理サービスが含まれる。車管理サービスにおけるサービス利用履歴は、当該サービスに登録された自動車に関する属性（特徴）、例えば、所有する自動車のメーカー名、車名、契約保険会社名や契約保険商品名（現在および／または過去）、型式、および買い替え頻度、車管理サービスに登録してからの期間（時間情報）を含みうる。また、車管理サービスにおけるサービス利用履歴は、当該サービスに登録された自動車に関するサービス利用状況、例えば、車検、洗車、および車売却を含みうる。さらに、車管理サービスにおけるサービス利用履歴は、新たな車購入に関する情報を含みうる。
【0024】
また、ユーザ属性取得部１０１は、取得したユーザ属性（事実属性）を、学習済みのユーザ属性予測モデル１１１に適用して、当該ユーザ属性に対して推定された推定ユーザ属性（推定属性の情報）も取得するように構成される。ユーザ属性予測モデル１１１は、対象ユーザのユーザ属性（すなわち、事実属性）を入力として、複数のユーザ属性それぞれが対象ユーザに該当する（適合する）確率（該当確率）を出力するように構成される。ユーザ属性取得部１０１は、該当確率から、最終的に、対象ユーザの推定属性を決定する。
【0025】
例えば、ユーザ属性取得部１０１は、対象ユーザのユーザ属性として、対象ユーザのデモグラフィック情報と過去のウェブサービスにおける購入履歴や趣向を示すデータを、ユーザ属性予測モデル１１１に入力する。ユーザ属性予測モデル１１１からは、該当確率として、対象ユーザが購入すると推定される複数のアイテムや対象ユーザが有しうる複数の趣向それぞれに対する確率が出力される。そして、ユーザ属性取得部１０１は、所定値以上の確率を有するアイテムや趣向を、対象ユーザの推定属性として、取得することができる。また、確率そのものを推定属性としてもよい。
【0026】
本実施形態による推定属性は、働いている確率や子を有する確率、といった、ユーザのライフステージに関する特徴を含みうる。ここで、子を有する確率は、０歳から１歳の子を有する確率、２歳から６歳の子を有する確率、小学生以上の子を有する確率、のように、子の年齢に分かれた確率であってよい。
さらに、本実施形態による推定属性は、旅行に行く確率、スポーツをする確率、たばこを吸う確率、お酒を飲む確率、新聞を購読している確率、ヘルスケア商品を購入する確率といった、ユーザのライフスタイルに関する特徴を含みうる。ここで、旅行に行く確率は、個人で旅行する確率、国内を旅行する確率、国外を旅行する確率、のように、旅行の目的や種別に分かれた確率であってよい。また、たばこを吸う確率やお酒を飲む確率は、場所（例えば、家か外出先（レストラン等））で分かれた確率であってよい。
さらに、本実施形態による推定属性は、旅行に行く確率、スポーツをする確率、たばこを吸う確率、お酒を飲む確率、新聞を購読している確率、ヘルスケア商品を購入する確率といった、ユーザのライフスタイルに関する特徴を含みうる。ここで、旅行に行く確率は、個人で旅行する確率、国内を旅行する確率、国外を旅行する確率、のように、旅行の目的や種別に分かれた確率であってよい。また、たばこを吸う確率やお酒を飲む確率は、場所（例えば、家か外出先（レストラン等））で分かれた確率であってよい。
【0027】
ユーザ属性取得部１０１は、取得した事実属性および推定属性を、ユーザ属性１２１として属性記憶部１２０に記憶させる。ユーザ属性は、ユーザＩＤと紐づけて記憶される。ユーザ属性取得部１０１は、ユーザ属性１２１を外部の装置に記憶させるように構成されてもよい。
【0028】
予測部１０２は、学習モデル記憶部１１０に格納されている、学習済みのチャネル傾向予測モデル１１２を用いて、ユーザ１～Ｎのそれぞれについて、保険商品に係る加入チャネルに対するチャネル傾向を予測する。具体的には、属性記憶部１２０に格納されたユーザ属性１２１から、ユーザ１～Ｎのユーザ属性を取得し、当該ユーザ属性をチャネル傾向予測モデル１１２に入力する。学習済みのチャネル傾向予測モデル１１２は、ユーザのユーザ属性を入力として、当該ユーザが、保険商品に係る複数の加入チャネルそれぞれに対するチャネル傾向を示す成約確率を予測（出力）するように構成されている。本実施形態では、複数の加入チャネルは、代理店チャネルとダイレクトチャネルの２つの加入チャネルを想定する。代理店チャネルは、ユーザが、代理店を通して保険に加入するチャネルであり、ダイレクトチャネルは、ユーザが、直接的に保険会社にアクセスして保険に加入するチャネルである。
【0029】
学習段階では、車管理サービスのサービス利用履歴に、契約保険会社名や契約保険商品名（現在および／または過去）が含まれる複数のユーザ（以下、サンプルユーザと称する）のユーザ属性を用いて、チャネル傾向予測モデル１１２が学習される。当該サンプルユーザは、図１に示すユーザ１～Ｎ以外のユーザであって、当該サンプルユーザのユーザ属性は、予めユーザ属性取得部１０１により取得され、属性記憶部１２０に格納されているものとする。学習段階では、具体的には、まず、当該契約保険会社名や契約保険商品名から、ルールベースで、代理店チャネルまたはダイレクトチャネルに分類され、当該分類されたチャネルが正解ラベルとして設定される。なお、代理店チャネルまたはダイレクトチャネルへの分類は、ルールベースに限定されず、機械学習や他の手法により行われてもよい。そして、当該サンプルユーザのユーザ属性（事実属性および／または推定属性を含む）を入力データとして、正解ラベル（代理店チャネルまたはダイレクトチャネルを示すラベル（クラス））を出力するように、チャネル傾向予測モデル１１２が学習される。学習済みのチャネル傾向予測モデル１１２は、ユーザのユーザ属性を入力として、当該ユーザが、代理店チャネルとダイレクトチャネルのそれぞれにおける成約確率を予測するように構成される。当該成約確率は、０～１の数値で表され、当該数値が高いほど、成約確率が高いことを意味する。また、チャネル傾向予測モデル１１２は、代理店チャネルとダイレクトチャネルのそれぞれにおける成約確率の合計が１となるように構成されうる。
【0030】
本実施形態では、チャネル傾向予測モデル１１２は、勾配ブースティングモデルや、ランダムフォレストモデルといった、決定木のアンサンブルを用いた学習モデルである。このような学習モデルを使用することにより、分析結果を木構造のグラフで可視化できるため、入力データのどれが、結果に起因するかを、明瞭に分析することができる。さらに、精度を高めつつも、計算時間を短縮することができる。
なお、チャネル傾向予測モデル１１２は、広告配信装置１０の所定の機能ブロックにより学習されて学習モデル記憶部１１０に格納されてもよいし、外部の装置により学習されて学習モデル記憶部１１０に格納されてもよい。
なお、チャネル傾向予測モデル１１２は、広告配信装置１０の所定の機能ブロックにより学習されて学習モデル記憶部１１０に格納されてもよいし、外部の装置により学習されて学習モデル記憶部１１０に格納されてもよい。
【0031】
予測部１０２は、このように学習されたチャネル傾向予測モデル１１２に、ユーザ１～Ｎそれぞれのユーザ属性を入力して、保険商品に係る２つの加入チャネルそれぞれにおける成約確率を予測する。図３に、予測部１０２による保険商品に係る２つの加入チャネルそれぞれにおける成約確率の予測手順の概念図を示す。図３に示すように、予測部１０２は、ユーザ１～Ｎから任意に選択した対象ユーザのユーザ属性３１を、属性記憶部１２０に格納されているユーザ属性１２１から取得し、チャネル傾向予測モデル１１２に入力する。ここで、対象ユーザのユーザ属性３１は、対象ユーザのユーザＩＤを用いて、ユーザ属性１２１から取得されうる。対象ユーザのユーザ属性３１は、対象ユーザの事実属性と推定属性を含みうる。そして、予測部１０２は、チャネル傾向予測モデル１１２からの出力として、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率３２を取得する。
【0032】
代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率は、それぞれ０～１の数値で表される。予測部１０２は、それぞれの成約確率が所定の条件を満たすかに基づいて、対象ユーザを第１ユーザ群または第２ユーザ群に分類する。当該所定の条件が所定の確率（数値）である場合、予測部１０２は、当該所定の確率以上の成約確率の加入チャネルが、代理店チャネルかダイレクトチャネルかを識別する。そして、予測部１０２は、識別した加入チャネルが、代理店チャネルの場合は、対象ユーザを第１ユーザ群に分類し、ダイレクトチャネルの場合は、対象ユーザを第２ユーザ群に分類する。第１ユーザ群は、代理店チャネルに対応する保険商品の成約確率が高く（すなわち、代理店チャネルに適する）、第２ユーザ群は、ダイレクトチャネルに対応する保険商品の成約確率が高い（すなわち、ダイレクトチャネルに適する）と言うことができる。
予測部１０２は、このような予測および分類処理を、ユーザ１～Ｎの全ユーザに対して行う。これにより、予測部１０２は、ユーザ１～Ｎを、代理店チャネルに適する第１ユーザ群と、ダイレクトチャネルに適する第２ユーザ群に、分類（セグメント化）することができる。
予測部１０２は、このような予測および分類処理を、ユーザ１～Ｎの全ユーザに対して行う。これにより、予測部１０２は、ユーザ１～Ｎを、代理店チャネルに適する第１ユーザ群と、ダイレクトチャネルに適する第２ユーザ群に、分類（セグメント化）することができる。
【0033】
なお、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率が所定の条件を満たさないユーザが存在する場合、予測部１０２は、このようなユーザを、第１ユーザ群または第２ユーザ群に分類してもよい。例えば、所定の条件としての所定の確率が、０．７であり、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率がともに０．５の場合、いずれの成約確率も所定の条件を満たさない。このような場合、一例として、予測部１０２は、このようなユーザを、第２ユーザ群に分類してもよい。これは、一般的には、ダイレクトチャネルで加入する保険商品は、代理店チャネルで加入する保険商品より低コストであり、ユーザにとって有益でありうるからである。また、別の例として、予測部１０２は、このようなユーザのユーザ属性から、当該ユーザの年齢の情報を取得し、当該年齢が所定年齢以上の場合に、当該ユーザを、第２ユーザ群に分類してもよい。これは、高齢者は、加齢に伴う認知能力等の低下に配慮して、保険商品の契約に際して、適切で十分な説明を行うことが重要であるから、代理店チャネルで（すなわち、対面で）加入する方が好ましいとも考えられるからである。
このような処理により、予測部１０２は、ユーザ１～Ｎを、第１ユーザ群（または、第２ユーザ群）と、第１ユーザ群以外のユーザである第２ユーザ群（または、第２ユーザ群以外のユーザである第１ユーザ群）に、分類することができる。
このような処理により、予測部１０２は、ユーザ１～Ｎを、第１ユーザ群（または、第２ユーザ群）と、第１ユーザ群以外のユーザである第２ユーザ群（または、第２ユーザ群以外のユーザである第１ユーザ群）に、分類することができる。
【0034】
広告配信部１０３は、予測部１０２により分類された第１ユーザ群と第２ユーザ群に対して、それぞれのユーザ群に適した保険商品の広告を配信する。広告配信部１０３は、第１ユーザ群に対して保険商品の広告を配信する際は、第２ユーザ群より優先して、第１ユーザ群に対して、代理店チャネルに対応する１つ以上の保険商品の広告を配信しうる。同様に、広告配信部１０３は、第２ユーザ群に対して保険商品の広告を配信する際は、第１ユーザ群より優先して、第２ユーザ群に対して、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信しうる。
【0035】
一方のユーザ群に対して、他方のユーザ群より優先して広告を配信することは、様々な優先配信形態を含む。
例えば、第１ユーザ群に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することは、第１ユーザ群に、第２ユーザ群より高頻度に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することを含む。また、第１ユーザ群に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することは、第１ユーザ群に、第２ユーザ群より先行して、代理店チャネルに対応する１つ以上の保険商品の広告を配信することを含む。
同様に、第２ユーザ群に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することは、第２ユーザ群に、第１ユーザ群より高頻度に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することを含む。また、第２ユーザ群に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することは、第２ユーザ群に、第１ユーザ群より先行して、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することを含む。
例えば、第１ユーザ群に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することは、第１ユーザ群に、第２ユーザ群より高頻度に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することを含む。また、第１ユーザ群に、代理店チャネルに対応する１つ以上の保険商品の広告を配信することは、第１ユーザ群に、第２ユーザ群より先行して、代理店チャネルに対応する１つ以上の保険商品の広告を配信することを含む。
同様に、第２ユーザ群に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することは、第２ユーザ群に、第１ユーザ群より高頻度に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することを含む。また、第２ユーザ群に、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することは、第２ユーザ群に、第１ユーザ群より先行して、ダイレクトチャネルに対応する１つ以上の保険商品の広告を配信することを含む。
【0036】
また、広告配信部１０３は、あらゆる配信形式（配信タイプ）で広告を配信しうる。配信形式は、操作者による入力部（図５の入力部５５）を介した入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部（図５のＲＯＭ５２やＲＡＭ５３）に格納されている任意のプログラムによって設定されてもよい。さらに、広告配信部１０３は、配信条件設定部１０４により設定された配信条件に従って、広告を配信してもよい。
【0037】
配信形式は、例えば、電子メールやアプリ内広告（Ｉｎ－Ａｐｐ Ａｄｖｅｒｔｉｓｉｎｇ）である。配信形式は、電子メールまたはアプリ内広告、もしくは、両方であってもよい。アプリ内広告（もしくは、アプリ広告とも称される）とは、ユーザ装置１１で起動しているアプリケーション上で（例えば、アプリケーションの画面内に）表示（掲載）される広告である。図４にアプリ内広告の例を示す。図４において、画面例４１は、バナー広告が表示された画面例である。バナー広告は、アプリケーションの画面に設置されている広告枠に表示される広告である。ユーザにより、バナー広告が表示されたエリア４２がクリックされることで、広告対象のウェブページに遷移させることができる。画面例４３は、インフィード広告が表示された画面例である。インフィード広告は、アプリケーションに掲載されるコンテンツと同じ形式で表示される広告である。インフィード広告が表示されたエリア４４がクリックされることで、広告対象のウェブページに遷移させることができる。画面例４５は、ポップアップ広告が表示された画面例である。ポップアップ広告は、アプリケーションを開いたときや、画面を遷移したときに、画面の少なくとも一部が覆いかぶさるように表示される広告である。ポップアップ広告が表示されたエリア４６がクリックされることで、広告対象のウェブページに遷移させることができる。
【0038】
図２の説明に戻り、配信条件設定部１０４は、広告配信部１０３による広告配信に対する条件（配信条件）を設定する。配信条件は、配信形式、配信期間、配信頻度、または配信対象（例えば、配信数（配信対象のユーザ数やユーザ装置数）、配信規模）の１つ以上を含みうる。例えば、配信条件設定部１０４は、広告配信に係るマーケティングコストを評価し、当該評価結果に基づいて、配信条件を設定しうる。マーケティングコストは、配信数と配信コスト（すなわち、１配信に対するコスト、単価）に基づきうる。例えば、マーケティングコストは、配信数と単価との乗算値により（もしくは、乗算値に基づいて）導出される。また、一般的に、電子メールによる広告配信は低コストで実現できる一方、アプリ内広告は、より高コストで実現できる。配信条件設定部１０４は、あらゆる配信条件のパターンについてマーケティングコストを評価し、所与の目標コスト（例えば、２つの加入チャネルのいずれかに対する目標コスト）を超えないように、配信条件を設定（決定）することができる。また、想定する配信条件のパターンで評価したマーケティングコストが、目標コストを上回る場合、配信条件設定部１０４は、一部の配信条件を変更してもよい。例えば、第１ユーザ群の全ユーザが配信対象であり、アプリ内広告が配信形式というパターンで評価したマーケティングコストが目標コストを上回る場合、配信条件設定部１０４は、配信対象を、第１ユーザ群のうち、より成約確率が高い複数のユーザに限定するように、配信条件を設定（変更）してもよい。あるいは、この場合、配信条件設定部１０４は、配信形式を、アプリ内広告から電子メールに変更してもよい。
【0039】
なお、マーケティングコストは、配信数と配信コストに加えて、ユーザおよび加入チャネル毎の成約確率にさらに基づいて導出されてもよい。また、マーケティングコストは、配信数と配信コストに加えて、ユーザおよび加入チャネル毎の成約確率の逆数にさらに基づいて導出されてもよい。また、マーケティングコストは、配信数と配信コストに加えて、ユーザが保険商品を契約した場合の予め定義されたリフト値および成約確率に応じた期待値にさらに基づいて導出されてもよい。また、マーケティングコストは、配信数と配信コストに少なくとも基づく乗算値（例えば、配信数と配信コストの乗算値）、および、ユーザが保険商品を契約した場合のリフト値および成約確率に応じた期待値との差分に基づいて導出されてもよい。なお、リフト値とは、マーケティング施策が、どれだけ売り上げに影響したかといった効率性を測定する指標である。
【0040】
［広告配信装置１０のハードウェア構成］
図５は、本実施形態による広告配信装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による広告配信装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図５を参照して、広告配信装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による広告配信装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
図５は、本実施形態による広告配信装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による広告配信装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図５を参照して、広告配信装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による広告配信装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
【0041】
図５に示すように、広告配信装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）５１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）５２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）５３と、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）５４と、入力部５５と、表示部５６と、通信Ｉ／Ｆ５７と、システムバス５８とを備えてよい。広告配信装置１０はまた、外部メモリを備えてよい。
ＣＰＵ５１は、広告配信装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス５８を介して、各構成部（５２～５７）を制御する。
ＣＰＵ５１は、広告配信装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス５８を介して、各構成部（５２～５７）を制御する。
【0042】
ＲＯＭ５２は、ＣＰＵ５１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ５４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ５３は、揮発性メモリであり、ＣＰＵ５１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ５１は、処理の実行に際してＲＯＭ５２から必要なプログラム等をＲＡＭ５３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０および属性記憶部１２０は、ＲＡＭ５３で構成されうる。
ＲＡＭ５３は、揮発性メモリであり、ＣＰＵ５１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ５１は、処理の実行に際してＲＯＭ５２から必要なプログラム等をＲＡＭ５３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０および属性記憶部１２０は、ＲＡＭ５３で構成されうる。
【0043】
ＨＤＤ５４は、例えば、ＣＰＵ５１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ５４には、例えば、ＣＰＵ５１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部５５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部５６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部５６は、入力部５５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
入力部５５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部５６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部５６は、入力部５５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
【0044】
通信Ｉ／Ｆ５７は、広告配信装置１０と外部の装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ５７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部の装置との通信を実行する。通信Ｉ／Ｆ５７を介して、外部の装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ５７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、３ＧＰＰにより規定される５Ｇ等の公衆網（無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ））を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
通信Ｉ／Ｆ５７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部の装置との通信を実行する。通信Ｉ／Ｆ５７を介して、外部の装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ５７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、３ＧＰＰにより規定される５Ｇ等の公衆網（無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ））を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
【0045】
図２に示す広告配信装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ５１がプログラムを実行することで実現することができる。ただし、図２に示す広告配信装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ５１の制御に基づいて動作する。
【0046】
［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図５と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ５１と、ＲＯＭ５２と、ＲＡＭ５３と、ＨＤＤ５４と、入力部５５と、表示部５６と、通信Ｉ／Ｆ５７と、システムバス５８とを備えうる。ユーザ装置１１は、広告配信装置１０により提供された各種情報を、表示部５６に表示し、ＧＵＩ（入力部５５と表示部５６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
図１に示すユーザ装置１１のハードウェア構成は、図５と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ５１と、ＲＯＭ５２と、ＲＡＭ５３と、ＨＤＤ５４と、入力部５５と、表示部５６と、通信Ｉ／Ｆ５７と、システムバス５８とを備えうる。ユーザ装置１１は、広告配信装置１０により提供された各種情報を、表示部５６に表示し、ＧＵＩ（入力部５５と表示部５６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
【0047】
［処理の流れ］
図６に、本実施形態による広告配信装置１０により実行される処理のフローチャートを示す。図６に示す処理は、広告配信装置１０のＣＰＵ５１がＲＯＭ５２等に格納されたプログラムをＲＡＭ５３にロードして実行することによって実現されうる。学習済みの、ユーザ属性予測モデル１１１およびチャネル傾向予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。また、ユーザ属性１２１は、属性記憶部１２０に格納されているものとする。
図６に、本実施形態による広告配信装置１０により実行される処理のフローチャートを示す。図６に示す処理は、広告配信装置１０のＣＰＵ５１がＲＯＭ５２等に格納されたプログラムをＲＡＭ５３にロードして実行することによって実現されうる。学習済みの、ユーザ属性予測モデル１１１およびチャネル傾向予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。また、ユーザ属性１２１は、属性記憶部１２０に格納されているものとする。
【0048】
Ｓ６１において、ユーザ属性取得部１０１は、複数のユーザのユーザ属性を取得する。本実施形態では、ユーザ属性取得部１０１は、ユーザ装置１１－１～１１－Ｎから、ユーザ１～Ｎのユーザ属性（事実属性）を取得する。また、ユーザ属性取得部１０１は、当該事実属性に基づいて、ユーザ属性予測モデル１１１を用いて、ユーザ１～Ｎに対して推定されたユーザ属性（推定属性）も取得しうる。ユーザ属性取得部１０１は、取得した事実属性と推定属性を、各ユーザのユーザＩＤに紐づけて、ユーザ属性１２１として属性記憶部１２０に記憶させる。
【0049】
Ｓ６２において、予測部１０２は、Ｓ６１で取得されたユーザ１～Ｎの各ユーザ属性を、チャネル傾向予測モデル１１２に入力して、ユーザ１～Ｎのそれぞれについて、保険商品に係る所定の加入チャネルにおける成約確率（チャネル傾向）を予測する。本実施形態では、チャネル傾向予測モデル１１２は、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率を予測するように構成される。予測部１０２は、広告対象チャネルとして設定した所定の加入チャネル（代理店チャネルまたはダイレクトチャネルのいずれか）における成約確率を予測する。図６の例では、所定の加入チャネルを、代理店チャネルとして説明する。ユーザ１～Ｎの全ユーザについて所定の加入チャネル（本例では代理店チャネル）における成約確率を予測後、処理はＳ６３へ進む。
【0050】
Ｓ６３において、予測部１０２は、予測した成約確率に基づいて、ユーザ１～Ｎを、代理店チャネルに適する第１ユーザ群と、それ以外の（すなわち、ダイレクトチャネルに適する）第２ユーザ群に、分類（セグメント化）する。具体的には、予測部１０２は、予測した成約確率が、所定の条件を満たす（例えば、所定の確率の）複数のユーザを、第１ユーザ群に分類する。なお、前述のように、予測部１０２は、予測した成約確率が、所定の条件を満たさないユーザであっても、当該ユーザのユーザ属性等に基づいて、第１ユーザ群に分類してもよい。
【0051】
Ｓ６３で、第１ユーザ群と第２ユーザ群に分類後、Ｓ６４において、配信条件設定部１０４は、広告配信部１０３による広告配信に対する条件（配信条件）を設定する。なお、Ｓ６４の処理はオプション的な処理でありうる。例えば、配信条件設定部１０４は、配信数と配信コストに基づくマーケティングコストが、代理店チャネルに対する目標コストを超えないように、配信条件を設定する。配信条件は、配信形式、配信期間、配信頻度、または配信対象の１つ以上を含みうる。
【0052】
Ｓ６５において、広告配信部１０３は、第１ユーザ群に対して所定のチャネル（本例では代理店チャネル）に対応する１つ以上の保険商品の広告を配信する。広告配信部１０３は、第１ユーザ群に対して保険商品の広告を配信する際は、第２ユーザ群より優先して、第１ユーザ群に、代理店チャネルに対応する１つ以上の保険商品の広告を配信しうる。例えば、広告配信部１０３は、電子メールやアプリ内広告によって、当該１つ以上の保険商品の広告を配信しうる。また、第１ユーザ群への優先的な広告配信として、広告配信部１０３は、前記第１のユーザ群に対して、前記第２のユーザ群より高頻度に、当該１つ以上の保険商品の広告を配信しうる。これに加えて、あるいは、これに代えて、広告配信部１０３は、前記第１のユーザ群に対して、前記第２のユーザ群に先行して、当該１つ以上の保険商品の広告を配信しうる。Ｓ６４において、配信条件設定部１０４が配信条件を設定した場合は、広告配信部１０３は、当該配信条件に従って、広告を配信する。
なお、図６の説明のために所定のチャネルが代理店チャネルであることを想定したが、所定のチャネルがダイレクトチャネルの場合も、同様の説明を適用できる。
なお、図６の説明のために所定のチャネルが代理店チャネルであることを想定したが、所定のチャネルがダイレクトチャネルの場合も、同様の説明を適用できる。
【0053】
このように、本実施形態による広告配信装置は、保険商品に係る所定の加入チャネルに対する成約確率（チャネル傾向）を、複数のユーザそれぞれのユーザ属性と学習済みの学習モデルを用いて予測する。そして、当該広告配信装置は、成約確率が所定の条件を満たすユーザ群に対して、当該加入チャネルに対応する保険商品の広告を、優先的に配信する。すなわち、広告配信装置は、学習モデルを用いて、ユーザ属性から、所定の加入チャネルに適したユーザセグメントの生成（ユーザセグメンテーション）を行い、当該ユーザセグメントへ、当該加入チャネルに対応した１つ以上の保険商品の広告配信を、優先的に行う。これにより、ユーザ属性に基づいて、自動的に、保険商品に係る加入チャネルに対するユーザセグメンテーションを行うことが可能となり、高ＣＶＲ（コンバージョン率）を達成しうる効果的な広告配信が実現される。
【0054】
また、既に保険商品に契約しているユーザであっても、ユーザ属性から、当該契約済みの保険商品の加入チャネルと異なる加入チャネルが適していると予測される場合は、広告配信装置は、当該異なる加入チャネルに対応した保険商品の広告を配信してもよい。これにより、場合によっては、ユーザは、最新の保険商品を選択することや、保険料を削減することができるため、広告配信サービスや保険サービスに対するＣＳ（顧客満足度）が向上しうる。
【0055】
なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。
【0056】
本実施形態の開示は以下の構成を含む。
［１］複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測部と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、を有する広告配信装置。
［１］複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測部と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、を有する広告配信装置。
【0057】
［２］前記ユーザ属性は、ユーザについての事実属性と、前記事実属性に基づいて推定される推定属性と、を含む、［１］に記載の広告配信装置。
【0058】
［３］前記ユーザ属性は、ユーザによる、車管理サービスを含むウェブサービスにおける利用履歴を含む、［１］または［２］に記載の広告配信装置。
【0059】
［４］前記学習済みモデルは、ランダムフォレストモデルもしくは勾配ブースティングモデルである、［１］から［３］のいずれかに記載の広告配信装置。
【0060】
［５］前記広告配信部は、前記１つ以上の保険商品に関する広告を、電子メールによって、前記第１のユーザ群に対して配信する、［１］から［４］のいずれかに記載の広告配信装置。
【0061】
［６］前記広告配信部は、前記１つ以上の保険商品に関する広告を、アプリ内広告によって、前記第１のユーザ群に対して配信する、［１］から［５］のいずれかに記載の広告配信装置。
【0062】
［７］前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群より高頻度に、前記１つ以上の保険商品に関する広告を配信する、［１］から［６］のいずれかに記載の広告配信装置。
【0063】
［８］前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群に先行して、前記１つ以上の保険商品に関する広告を配信する、［１］から［７］のいずれかに記載の広告配信装置。
【0064】
［９］広告の配信数と配信コストに基づくマーケティングコストが、前記所定の加入チャネルに対する目標コストを超えないように配信条件を設定する配信条件設定部を更に有し、前記広告配信部は、前記配信条件に従って、前記第１のユーザ群に対して、前記第２のユーザ群より、前記１つ以上の保険商品に関する広告を優先して配信する、［１］から［８］のいずれかに記載の広告配信装置。
【0065】
［１０］複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測工程と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、を含む、広告配信方法。
【0066】
［１１］広告配信処理をコンピュータに実行させるための広告配信プログラムであって、該広告配信プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである、広告配信プログラム。
【符号の説明】
【0067】
１～Ｎ：ユーザ、１０：広告配信装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザ属性取得部、１０２：予測部、１０３：広告配信部、１０４：配信条件設定部、１１０：学習モデル記憶部、１１１：ユーザ属性予測モデル、１１２：チャネル傾向予測モデル、１２０：属性記憶部、１２１：ユーザ属性
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【手続補正書】
【提出日】2024-04-18
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測部と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、
を有する広告配信装置。
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信部と、
を有する広告配信装置。
【請求項2】
前記ユーザ属性は、ユーザについての事実属性と、前記事実属性に基づいて推定される推定属性と、を含む、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項3】
前記ユーザ属性は、ユーザによる、車管理サービスを含むウェブサービスにおける利用履歴を含む、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項4】
前記学習済みモデルは、ランダムフォレストモデルもしくは勾配ブースティングモデルである、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項5】
前記広告配信部は、前記１つ以上の保険商品に関する広告を、電子メールによって、前記第１のユーザ群に対して配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項6】
前記広告配信部は、前記１つ以上の保険商品に関する広告を、アプリ内広告によって、前記第１のユーザ群に対して配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項7】
前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群より高頻度に、前記１つ以上の保険商品に関する広告を配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項8】
前記広告配信部は、前記第１のユーザ群に対して、前記第２のユーザ群に先行して、前記１つ以上の保険商品に関する広告を配信する、
請求項１に記載の広告配信装置。
請求項１に記載の広告配信装置。
【請求項9】
広告の配信数と配信コストに基づくマーケティングコストが、前記所定の加入チャネルに対する目標コストを超えないように配信条件を設定する配信条件設定部を更に有し、
前記広告配信部は、前記配信条件に従って、前記第１のユーザ群に対して、前記第２のユーザ群より、前記１つ以上の保険商品に関する広告を優先して配信する、
請求項１に記載の広告配信装置。
前記広告配信部は、前記配信条件に従って、前記第１のユーザ群に対して、前記第２のユーザ群より、前記１つ以上の保険商品に関する広告を優先して配信する、
請求項１に記載の広告配信装置。
【請求項10】
広告配信装置によって実行される広告配信方法であって、
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測工程と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加
入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、
を含む、広告配信方法。
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測工程と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加
入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信工程と、
を含む、広告配信方法。
【請求項11】
広告配信処理をコンピュータに実行させるための広告配信プログラムであって、該広告配信プログラムは、前記コンピュータに、
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである、
広告配信プログラム。
複数のユーザそれぞれのユーザ属性を機械学習により得られた学習済みモデルに入力して、保険商品に係る所定の加入チャネルにおける前記複数のユーザそれぞれの成約確率を予測する予測処理と、
前記複数のユーザのうち、前記成約確率が所定の条件を満たす第１のユーザ群に対して、前記複数のユーザのうち前記第１のユーザ群以外の第２のユーザ群より、前記所定の加入チャネルに対応する１つ以上の保険商品に関する広告を優先して配信する広告配信処理と、を含む処理を実行させるためのものである、
広告配信プログラム。
【手続補正2】
【補正対象書類名】明細書
【補正対象項目名】００３３
【補正方法】変更
【補正の内容】
【0033】
なお、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率が所定の条件を満たさないユーザが存在する場合、予測部１０２は、このようなユーザを、第１ユーザ群または第２ユーザ群に分類してもよい。例えば、所定の条件としての所定の確率が、０．７であり、代理店チャネルにおける成約確率およびダイレクトチャネルにおける成約確率がともに０．５の場合、いずれの成約確率も所定の条件を満たさない。このような場合、一例として、予測部１０２は、このようなユーザを、第２ユーザ群に分類してもよい。これは、一般的には、ダイレクトチャネルで加入する保険商品は、代理店チャネルで加入する保険商品より低コストであり、ユーザにとって有益でありうるからである。また、別の例として、予測部１０２は、このようなユーザのユーザ属性から、当該ユーザの年齢の情報を取得し、当該年齢が所定年齢以上の場合に、当該ユーザを、第１ユーザ群に分類してもよい。これは、高齢者は、加齢に伴う認知能力等の低下に配慮して、保険商品の契約に際して、適切で十分な説明を行うことが重要であるから、代理店チャネルで（すなわち、対面で）加入する方が好ましいとも考えられるからである。
このような処理により、予測部１０２は、ユーザ１～Ｎを、第１ユーザ群（または、第２ユーザ群）と、第１ユーザ群以外のユーザである第２ユーザ群（または、第２ユーザ群以外のユーザである第１ユーザ群）に、分類することができる。
このような処理により、予測部１０２は、ユーザ１～Ｎを、第１ユーザ群（または、第２ユーザ群）と、第１ユーザ群以外のユーザである第２ユーザ群（または、第２ユーザ群以外のユーザである第１ユーザ群）に、分類することができる。