知財求人 - 知財ポータルサイト「IP Force」
(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】P2024093785
(43)【公開日】2024-07-09
(54)【発明の名称】広告管理プログラム、広告管理方法、および情報処理装置
(51)【国際特許分類】
G06Q 30/0242 20230101AFI20240702BHJP
G06Q 30/0241 20230101ALI20240702BHJP
【ＦＩ】
G06Q30/0242
G06Q30/0241
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022210365
(22)【出願日】2022-12-27
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】110002918
【氏名又は名称】弁理士法人扶桑国際特許事務所
(72)【発明者】
【氏名】平岡 達也
(72)【発明者】
【氏名】山田 広明
(72)【発明者】
【氏名】金澤 裕治
(72)【発明者】
【氏名】大石 裕介
(72)【発明者】
【氏名】高橋 哲朗
【テーマコード（参考）】
5L030
5L049
【Ｆターム（参考）】
5L030BB08
5L049BB08
(57)【要約】
【課題】広告出力による販売促進効果を向上させる。
【解決手段】情報処理装置１０は、出力装置６，７で所定範囲９に向けて出力した複数の広告それぞれについて、第１の観測情報と第２の観測情報とに基づいて、客が第１の観測情報に示される行動を取っている環境における広告出力の効果を評価する。第１の観測情報は、広告出力前の第１の観測期間における所定範囲９内の第１の客１ａ，１ｂ，１ｃの行動の観測結果を示す。第２の観測情報は、広告出力後の評価期間における所定範囲９内の第２の客２ａ，２ｂ，２ｃの行動の観測結果を示す。情報処理装置１０は、複数の広告それぞれについての広告出力の効果の評価結果１１ａに基づいて、広告出力予定時刻までの第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの行動の観測結果に応じて出力する出力広告を決定し、出力する。
【選択図】図１
【解決手段】情報処理装置１０は、出力装置６，７で所定範囲９に向けて出力した複数の広告それぞれについて、第１の観測情報と第２の観測情報とに基づいて、客が第１の観測情報に示される行動を取っている環境における広告出力の効果を評価する。第１の観測情報は、広告出力前の第１の観測期間における所定範囲９内の第１の客１ａ，１ｂ，１ｃの行動の観測結果を示す。第２の観測情報は、広告出力後の評価期間における所定範囲９内の第２の客２ａ，２ｂ，２ｃの行動の観測結果を示す。情報処理装置１０は、複数の広告それぞれについての広告出力の効果の評価結果１１ａに基づいて、広告出力予定時刻までの第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの行動の観測結果に応じて出力する出力広告を決定し、出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
出力装置で所定範囲に向けて出力した複数の広告それぞれについて、広告出力前の第１の観測期間における前記所定範囲内の第１の客の行動の観測結果を示す第１の観測情報と、広告出力後の評価期間における前記所定範囲内の第２の客の行動の観測結果を示す第２の観測情報とに基づいて、客が前記第１の観測情報に示される行動を取っている環境における広告出力の効果を評価し、
前記複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における前記所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定し、
決定した前記出力広告を前記出力装置から出力する、
処理をコンピュータに実行させる広告管理プログラム。
前記複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における前記所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定し、
決定した前記出力広告を前記出力装置から出力する、
処理をコンピュータに実行させる広告管理プログラム。
【請求項2】
前記複数の広告それぞれについての広告出力の効果を評価する処理では、広告出力前の前記第１の観測期間における前記所定範囲内の前記第１の客の属性ごとの行動の観測結果を前記第１の観測情報に含め、
前記出力広告を決定する処理では、前記第２の観測期間における前記所定範囲内の前記第３の客の属性ごとの行動の観測結果に応じて出力する出力広告を決定する、
請求項１記載の広告管理プログラム。
前記出力広告を決定する処理では、前記第２の観測期間における前記所定範囲内の前記第３の客の属性ごとの行動の観測結果に応じて出力する出力広告を決定する、
請求項１記載の広告管理プログラム。
【請求項3】
前記複数の広告それぞれについての広告出力の効果を評価する処理では、前記第１の観測期間における前記所定範囲内の前記第１の客の属性ごとの所定の行動の観測結果を前記第１の観測情報に含め、前記複数の広告それぞれについて、前記第２の観測情報において所定の評価基準を満たしたときの前記第１の観測情報に基づいて、前記第１の客の属性ごとの前記所定の行動の発生頻度に応じた値を要素とする広告素性ベクトルを生成し、
前記出力広告を決定する処理では、前記第２の観測期間における前記所定範囲内の前記第３の客の属性ごとの前記所定の行動の発生頻度に応じた値を要素とする環境素性ベクトルと、前記複数の広告それぞれの前記広告素性ベクトルとの類似度に基づいて、出力する前記出力広告を決定する、
請求項１記載の広告管理プログラム。
前記出力広告を決定する処理では、前記第２の観測期間における前記所定範囲内の前記第３の客の属性ごとの前記所定の行動の発生頻度に応じた値を要素とする環境素性ベクトルと、前記複数の広告それぞれの前記広告素性ベクトルとの類似度に基づいて、出力する前記出力広告を決定する、
請求項１記載の広告管理プログラム。
【請求項4】
前記複数の広告それぞれについての広告出力の効果を評価する処理では、出力された第１の広告と、前記第１の広告の出力前の前記第１の観測情報とに基づいて、前記第１の広告の出力後の前記第２の観測情報を予測する効果予測器を生成し、
前記出力広告を決定する処理では、前記複数の広告それぞれを予測対象として、予測対象の第２の広告と、前記第２の観測期間における前記所定範囲内の前記第３の客の行動の観測結果を示す第３の観測情報に基づいて、前記効果予測器によって、前記第２の広告を出力した場合の効果を予測し、前記複数の広告それぞれの予測結果に基づいて出力する前記出力広告を決定する、
請求項１記載の広告管理プログラム。
前記出力広告を決定する処理では、前記複数の広告それぞれを予測対象として、予測対象の第２の広告と、前記第２の観測期間における前記所定範囲内の前記第３の客の行動の観測結果を示す第３の観測情報に基づいて、前記効果予測器によって、前記第２の広告を出力した場合の効果を予測し、前記複数の広告それぞれの予測結果に基づいて出力する前記出力広告を決定する、
請求項１記載の広告管理プログラム。
【請求項5】
前記複数の広告それぞれについての広告出力の効果を評価する処理では、第１の広告を出力した後の前記評価期間における前記所定範囲内の前記第２の客の複数の行動それぞれの発生頻度に、対応する行動の重みを示す係数を乗算した結果の合計を、前記第１の広告の広告出力の効果を示す評価値とし、前記評価値と前記複数の広告で宣伝する商品の所定期間内の売上とが一致する値に、前記係数を修正する、
請求項１記載の広告管理プログラム。
請求項１記載の広告管理プログラム。
【請求項6】
前記複数の広告は、共通の商品に関する互いに異なる訴求ポイントを宣伝する広告である、
請求項１記載の広告管理プログラム。
請求項１記載の広告管理プログラム。
【請求項7】
出力装置で所定範囲に向けて出力した複数の広告それぞれについて、広告出力前の第１の観測期間における前記所定範囲内の第１の客の行動の観測結果を示す第１の観測情報と、広告出力後の評価期間における前記所定範囲内の第２の客の行動の観測結果を示す第２の観測情報とに基づいて、客が前記第１の観測情報に示される行動を取っている環境における広告出力の効果を評価し、
前記複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における前記所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定し、
決定した前記出力広告を前記出力装置から出力する、
処理をコンピュータが実行する広告管理方法。
前記複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における前記所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定し、
決定した前記出力広告を前記出力装置から出力する、
処理をコンピュータが実行する広告管理方法。
【請求項8】
出力装置で所定範囲に向けて出力した複数の広告それぞれについて、広告出力前の第１の観測期間における前記所定範囲内の第１の客の行動の観測結果を示す第１の観測情報と、広告出力後の評価期間における前記所定範囲内の第２の客の行動の観測結果を示す第２の観測情報とに基づいて、客が前記第１の観測情報に示される行動を取っている環境における広告出力の効果を評価し、前記複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における前記所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定し、決定した前記出力広告を前記出力装置から出力する処理部、
を有する情報処理装置。
を有する情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、広告管理プログラム、広告管理方法、および情報処理装置に関する。
【背景技術】
【0002】
商品を販売する店舗では、客の購入を促すため、スピーカやサイネージを用いた店内広告が行われることがある。
広告などの情報の提示に関する技術としては、例えば検出した検出人物及び出力デバイスが置かれている環境に応じて、適切な情報コンテンツを提供する情報処理装置が提案されている。
広告などの情報の提示に関する技術としては、例えば検出した検出人物及び出力デバイスが置かれている環境に応じて、適切な情報コンテンツを提供する情報処理装置が提案されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２０－２０１６５１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
店舗における広告出力では、広告出力の効果として、スピーカからの広告音声が届く範囲、またはサイネージの広告を見ることができる範囲にいる来店客の集合に対して、売上げを最大化させることが望まれる。しかし既存の技術では、特定の人物に視聴させる広告として適切な広告を選択することを目的としており、実店舗における複数の客を対象とした広告出力の最適化は困難である。
【0005】
１つの側面では、本件は、広告出力による販売促進効果を向上させることを目的とする。
【課題を解決するための手段】
【0006】
１つの案では、以下の処理をコンピュータに実行させる広告管理プログラムが提供される。
コンピュータは、出力装置で所定範囲に向けて出力した複数の広告それぞれについて、広告出力前の第１の観測期間における所定範囲内の第１の客の行動の観測結果を示す第１の観測情報と、広告出力後の評価期間における所定範囲内の第２の客の行動の観測結果を示す第２の観測情報とに基づいて、客が第１の観測情報に示される行動を取っている環境における広告出力の効果を評価する。コンピュータは、複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定する。そしてコンピュータは、決定した出力広告を出力装置から出力する。
コンピュータは、出力装置で所定範囲に向けて出力した複数の広告それぞれについて、広告出力前の第１の観測期間における所定範囲内の第１の客の行動の観測結果を示す第１の観測情報と、広告出力後の評価期間における所定範囲内の第２の客の行動の観測結果を示す第２の観測情報とに基づいて、客が第１の観測情報に示される行動を取っている環境における広告出力の効果を評価する。コンピュータは、複数の広告それぞれについての広告出力の効果の評価結果に基づいて、広告出力予定時刻までの第２の観測期間における所定範囲内の第３の客の行動の観測結果に応じて出力する出力広告を決定する。そしてコンピュータは、決定した出力広告を出力装置から出力する。
【発明の効果】
【0007】
１態様によれば、広告出力による販売促進効果が向上する。
【図面の簡単な説明】
【0008】
【図1】第１の実施の形態に係る広告管理方法の一例を示す図である。
【図2】広告管理システムのシステム構成の一例を示す図である。
【図3】管理コンピュータのハードウェアの一例を示す図である。
【図4】環境に応じた購買傾向の一例を示す図である。
【図5】環境に応じた広告出力の一例を示す図である。
【図6】広告出力のための管理コンピュータの機能の一例を示すブロック図である。
【図7】ＰＯＳデータの一例を示す図である。
【図8】気象データの一例を示す図である。
【図9】広告素性データの一例を示す図である。
【図10】評価ログの一例を示す図である。
【図11】出力広告最適化処理の手順の一例を示すフローチャートである。
【図12】購買傾向スコア計算方法の一例を示す図である。
【図13】購買傾向スコア計算処理の手順の一例を示すフローチャートである。
【図14】購買傾向スコアに応じた広告選択方法の一例を示す図である。
【図15】広告選択処理の手順の一例を示すフローチャートである。
【図16】評価値の計算方法の一例を示す図である。
【図17】評価結果の保存方法の一例を示す図である。
【図18】評価値計算処理の手順の一例を示すフローチャートである。
【図19】広告素性ベクトルの更新方法の一例を示す図である。
【図20】広告素性ベクトル更新処理の手順の一例を示すフローチャートである。
【図21】効果予測器の学習方法の一例を示す図である。
【図22】効果予測器を用いた広告選択方法の一例を示す図である。
【図23】係数最適化方法の一例を示す図である。
【図24】係数最適化処理の一例を示す図である。
【図25】広告の一部分を出力する広告管理方法の一例を示す図である。
【発明を実施するための形態】
【0009】
以下、本実施の形態について図面を参照して説明する。なお各実施の形態は、矛盾のない範囲で複数の実施の形態を組み合わせて実施することができる。
〔第１の実施の形態〕
複数の客が存在する環境において、客同士のインタラクション（ほかの客が立ち止まっている、などの購買兆候行動）が購買に繋がると考えられる。例えばウェブや店舗における広告の出力の最適化の分野を対象とする。広告出力の最適化では、例えばある環境における広告出力の効果を測定したり、予測したりすることで、最も効果が高いと思われる広告の探索が可能である。また、広告範囲内の来店客属性やそれぞれの行動の組合せには無数のバリエーションがあり、すべてのバリエーションに対して個別に最適化を行うには大量のデータを収集することが求められ、学習に長い年月を要する。そこで第１の実施の形態では、実店舗において買い物をする客の行動に応じて、他の客の購買を促進するような広告を適切に出力する広告管理方法を提案する。
〔第１の実施の形態〕
複数の客が存在する環境において、客同士のインタラクション（ほかの客が立ち止まっている、などの購買兆候行動）が購買に繋がると考えられる。例えばウェブや店舗における広告の出力の最適化の分野を対象とする。広告出力の最適化では、例えばある環境における広告出力の効果を測定したり、予測したりすることで、最も効果が高いと思われる広告の探索が可能である。また、広告範囲内の来店客属性やそれぞれの行動の組合せには無数のバリエーションがあり、すべてのバリエーションに対して個別に最適化を行うには大量のデータを収集することが求められ、学習に長い年月を要する。そこで第１の実施の形態では、実店舗において買い物をする客の行動に応じて、他の客の購買を促進するような広告を適切に出力する広告管理方法を提案する。
【0010】
図１は、第１の実施の形態に係る広告管理方法の一例を示す図である。図１には、広告管理方法を実現する情報処理装置１０を示している。情報処理装置１０は、例えば広告管理プログラムを実行することにより、広告管理方法を実施することができる。
【0011】
情報処理装置１０は、記憶部１１と処理部１２とを有する。記憶部１１は、例えばメモリまたはストレージ装置である。処理部１２は、例えばプロセッサまたは演算回路である。
【0012】
記憶部１１は、商品棚８に置かれた商品の複数の広告についての、その広告出力時の環境に応じた販売促進効果の評価結果１１ａを記憶する。評価結果１１ａは、例えば環境を示す情報と広告との組に対応付けて、評価結果が登録されている。
【0013】
処理部１２は、学習段階において、環境に応じた広告の評価を行う。例えば処理部１２は、店舗内に設置された出力装置６，７（例えばモニタまたはスピーカ）で、所定範囲９に向けて複数の広告を出力する。
【0014】
広告を出力する際、処理部１２は、広告出力の前後の期間において、例えばカメラ５で撮影した映像に基づいて、客の行動を観測する。例えば処理部１２は、出力した複数の広告それぞれについて、広告出力前の第１の観測期間における所定範囲９内の第１の客１ａ，１ｂ，１ｃの行動の観測結果を示す第１の観測情報を取得する。また処理部１２は、広告出力後の評価期間における所定範囲９内の第２の客２ａ，２ｂ，２ｃの行動の観測結果を示す第２の観測情報を取得する。
【0015】
そして処理部１２は、第１の観測情報と第２の観測情報とに基づいて、複数の広告それぞれについて、客が第１の観測情報に示される行動を取っている環境における広告出力の効果を評価する。処理部１２は、評価結果１１ａを記憶部１１に格納する。評価結果１１ａを記憶部１１に格納するまでが学習段階の処理である。
【0016】
処理部１２は、運用段階において、広告出力予定時刻前に、広告出力予定時刻までの第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの行動を観測する。そして処理部１２は、観測された第３の客３ａ，３ｂ，３ｃの行動に応じて出力する出力広告を、複数の広告それぞれについての広告出力の効果の評価結果１１ａに基づいて決定する。例えば処理部１２は、観測された第３の客３ａ，３ｂ，３ｃの行動と類似する環境における評価が高い広告を、出力広告に決定する。
【0017】
そして処理部１２は、決定した出力広告を出力装置６，７から出力する。これにより、観測された第３の客３ａ，３ｂ，３ｃの行動を含む商品棚８の周囲の環境において、他の客４ａ，４ｂ，４ｃによる商品の購買を促進させる広告が出力される。その結果、商品の売上げが向上する。
【0018】
例えば観測された第３の客３ａ，３ｂ，３ｃの行動と類似する環境が「環境Ｘ」の場合を想定する。評価結果１１ａでは、「環境Ｘ」における「広告１」の評価は「高」（販売促進効果が高い）であるが、「広告２」の評価は「低」（販売促進効果が低い）である。この場合、例えば「広告１」が出力広告に決定され、出力される。
【0019】
また観測された第３の客３ａ，３ｂ，３ｃの行動と類似する環境が「環境Ｙ」の場合を想定する。評価結果１１ａでは、「環境Ｙ」における「広告１」の評価は「低」であるが、「広告２」の評価は「高」である。この場合、例えば「広告２」が出力広告に決定され、出力される。
【0020】
このように、情報処理装置１０による広告管理方法によって、広告出力前の客の行動が広告出力後の客の行動に与える影響（インタラクション）に基づいて、適切な広告が出力される。その結果、複数の客を対象とした広告出力による販売促進効果が向上する。
【0021】
また処理部１２は、客を属性で分類し、属性ごとの行動に応じて適切な広告を決定することもできる。属性は、例えば性別、年齢などである。例えば処理部１２は、広告出力前の第１の観測期間における所定範囲９内の第１の客１ａ，１ｂ，１ｃの属性ごとの行動の観測結果を第１の観測情報に含める。そして処理部１２は、第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの属性ごとの行動の観測結果に応じて出力する出力広告を決定する。
【0022】
処理部１２が客を属性で分類し、属性ごとの行動の観測結果を利用して出力広告を決定することで、客の属性ごとの他の客に与える影響の違いを考慮にいれて出力広告が決定される。その結果、客同士のインタラクションをより正確に反映させた広告決定が可能となる。
【0023】
なお、客を属性で分類した場合、広告出力前の環境を示す客の行動の発生頻度を示す数値が多数となる。その場合、処理部１２は、広告出力前の環境をベクトルで表して、ベクトル間の類似度を計算することで、環境の類似性を判断することができる。
【0024】
例えば処理部１２は、学習段階において、第１の観測期間における所定範囲９内の第１の客１ａ，１ｂ，１ｃの属性ごとの所定の行動の観測結果を第１の観測情報に含める。さらに処理部１２は、複数の広告それぞれについて、第２の観測情報において所定の評価基準を満たしたときの第１の観測情報に基づいて、第１の客１ａ，１ｂ，１ｃの属性ごとの所定の行動の発生頻度に応じた値を要素とする広告素性ベクトルを生成する。この広告素性ベクトルは、対応する広告が効果を発揮できる環境を表している。
【0025】
処理部１２は、運用段階において、第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの属性ごとの所定の行動の発生頻度に応じた値を要素とする環境素性ベクトルを生成する。そして処理部１２は、生成した環境素性ベクトルと、複数の広告それぞれの広告素性ベクトルとの類似度に基づいて、出力する出力広告を決定する。例えば処理部１２は、環境素性ベクトルとの類似度が最も高い広告素性ベクトルに対応する広告を、出力広告に決定する。
【0026】
このように処理部１２が、属性ごとの客の行動の発生頻度に応じた値を要素として、それらを１つのベクトルで表すことで、環境間の類似度の比較が容易となる。
また処理部１２は、環境に応じた広告の効果を予測する効果予測器を機械学習によって学習し、その効果予測器を用いて出力広告を決定することもできる。例えば処理部１２は、学習段階において、出力された第１の広告と、第１の広告の出力前の第１の観測情報とに基づいて、第１の広告の出力後の第２の観測情報を予測する効果予測器を生成する。さらに処理部１２は、運用段階において、第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの行動の観測結果を示す第３の観測情報を生成する。処理部１２は、複数の広告それぞれを予測対象とし、予測対象の第２の広告と、生成した第３の観測情報とに基づいて、効果予測器によって、第２の広告を出力した場合の効果を予測する。そして処理部１２は、複数の広告それぞれの予測結果に基づいて出力する出力広告を決定する。
また処理部１２は、環境に応じた広告の効果を予測する効果予測器を機械学習によって学習し、その効果予測器を用いて出力広告を決定することもできる。例えば処理部１２は、学習段階において、出力された第１の広告と、第１の広告の出力前の第１の観測情報とに基づいて、第１の広告の出力後の第２の観測情報を予測する効果予測器を生成する。さらに処理部１２は、運用段階において、第２の観測期間における所定範囲９内の第３の客３ａ，３ｂ，３ｃの行動の観測結果を示す第３の観測情報を生成する。処理部１２は、複数の広告それぞれを予測対象とし、予測対象の第２の広告と、生成した第３の観測情報とに基づいて、効果予測器によって、第２の広告を出力した場合の効果を予測する。そして処理部１２は、複数の広告それぞれの予測結果に基づいて出力する出力広告を決定する。
【0027】
このように、処理部１２が、効果予測器を用いた予測結果に基づく出力広告の決定を行うことで、広告の効果を高精度に予測し、適切な広告を出力することができる。
また観測する客の行動としては、立ち止まり、手伸ばし、購買などがある。これらの行動は、購買に至る前の購買兆候行動と言えるが、どの程度購買と関連があるのかは、定かではない。そのため、広告の最適化において、実際の購買行動に対してどの程度の割合で、購買兆候行動を評価するのかが明らかではない。そこで処理部１２は、客の複数の行動の発生頻度を観測する場合、客の行動に重みを設定し、一定期間内の売上を用いてそれらの重みを最適化する。
また観測する客の行動としては、立ち止まり、手伸ばし、購買などがある。これらの行動は、購買に至る前の購買兆候行動と言えるが、どの程度購買と関連があるのかは、定かではない。そのため、広告の最適化において、実際の購買行動に対してどの程度の割合で、購買兆候行動を評価するのかが明らかではない。そこで処理部１２は、客の複数の行動の発生頻度を観測する場合、客の行動に重みを設定し、一定期間内の売上を用いてそれらの重みを最適化する。
【0028】
例えば処理部１２は、第１の広告を出力した後の評価期間における所定範囲９内の第２の客２ａ，２ｂ，２ｃの複数の行動それぞれの発生頻度に、対応する行動の重みを示す係数を乗算した結果を合計する。処理部１２は、合計した値を、第１の広告の広告出力の効果を示す評価値とする。そして処理部１２は、評価値と広告で宣伝する商品の所定期間内の売上とが一致する値に、係数を修正する。
【0029】
このように処理部１２は、客の行動の種別ごとの重みを最適化することで、広告の出力の効果を正確に判断することができ、環境に応じた適切な広告を出力することができる。
なお出力対象の複数の広告は、例えば共通の商品に関する互いに異なる訴求ポイントを宣伝する広告である。この場合、処理部１２は、再生時間の長い広告の一部を訴求ポイントごとに抽出した複数の部分広告を、出力対象の複数の広告としてもよい。また処理部１２は、異なる複数の商品それぞれの広告を、出力対象の広告とすることもできる。
なお出力対象の複数の広告は、例えば共通の商品に関する互いに異なる訴求ポイントを宣伝する広告である。この場合、処理部１２は、再生時間の長い広告の一部を訴求ポイントごとに抽出した複数の部分広告を、出力対象の複数の広告としてもよい。また処理部１２は、異なる複数の商品それぞれの広告を、出力対象の広告とすることもできる。
【0030】
〔第２の実施の形態〕
第２の実施の形態は、商品を販売する店舗の客の集合に対して売り上げを最適化させるための広告管理システムである。
第２の実施の形態は、商品を販売する店舗の客の集合に対して売り上げを最適化させるための広告管理システムである。
【0031】
図２は、広告管理システムのシステム構成の一例を示す図である。店舗３０には、商品棚３１に特定の商品「Ａ」が並べられている。店舗３０内の天井には、カメラ３２が設置されている。カメラ３２は、商品棚３１の周囲にいる客４１～４３を撮影する。商品棚３１の近くに広告表示用のモニタ３３と、広告音声出力用のスピーカ３４とが設置されている。また店舗３０には、ＰＯＳ（Point Of Sale）端末３５が設置されている。カメラ３２、モニタ３３、スピーカ３４、およびＰＯＳ端末３５は、ＬＡＮ（Local Area Network）２９経由で管理コンピュータ１００に接続されている。
【0032】
管理コンピュータ１００は、商品「Ａ」についての広告出力を制御するコンピュータである。管理コンピュータ１００は、ネットワーク２０を介して気象情報サーバ２００に接続されている。気象情報サーバ２００は、天気、気温などの気象情報を出力するコンピュータである。
【0033】
管理コンピュータ１００は、カメラ３２が撮影した映像、ＰＯＳ端末３５が管理する商品「Ａ」の売上情報、気象情報サーバ２００が出力する気象情報などに基づいて、出力する広告を決定する。そして管理コンピュータ１００は、決定した広告を、モニタ３３またはスピーカ３４を介して出力する。
【0034】
図３は、管理コンピュータのハードウェアの一例を示す図である。管理コンピュータ１００は、プロセッサ１０１によって装置全体が制御されている。プロセッサ１０１には、バス１０９を介してメモリ１０２と複数の周辺機器が接続されている。プロセッサ１０１は、マルチプロセッサであってもよい。プロセッサ１０１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、またはＤＳＰ（Digital Signal Processor）である。プロセッサ１０１がプログラムを実行することで実現する機能の少なくとも一部を、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）などの電子回路で実現してもよい。
【0035】
メモリ１０２は、管理コンピュータ１００の主記憶装置として使用される。メモリ１０２には、プロセッサ１０１に実行させるＯＳ（Operating System）のプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、メモリ１０２には、プロセッサ１０１による処理に利用する各種データが格納される。メモリ１０２としては、例えばＲＡＭ（Random Access Memory）などの揮発性の半導体記憶装置が使用される。
【0036】
バス１０９に接続されている周辺機器としては、ストレージ装置１０３、ＧＰＵ（Graphics Processing Unit）１０４、入力インタフェース１０５、光学ドライブ装置１０６、機器接続インタフェース１０７およびネットワークインタフェース１０８ａ，１０８ｂがある。
【0037】
ストレージ装置１０３は、内蔵した記録媒体に対して、電気的または磁気的にデータの書き込みおよび読み出しを行う。ストレージ装置１０３は、管理コンピュータ１００の補助記憶装置として使用される。ストレージ装置１０３には、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。なお、ストレージ装置１０３としては、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）を使用することができる。
【0038】
ＧＰＵ１０４は画像処理を行う演算装置であり、グラフィックコントローラとも呼ばれる。ＧＰＵ１０４には、モニタ２１が接続されている。ＧＰＵ１０４は、プロセッサ１０１からの命令に従って、画像をモニタ２１の画面に表示させる。モニタ２１としては、有機ＥＬ（Electro Luminescence）を用いた表示装置や液晶表示装置などがある。
【0039】
入力インタフェース１０５には、キーボード２２とマウス２３とが接続されている。入力インタフェース１０５は、キーボード２２やマウス２３から送られてくる信号をプロセッサ１０１に送信する。なお、マウス２３は、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。
【0040】
光学ドライブ装置１０６は、レーザ光などを利用して、光ディスク２４に記録されたデータの読み取り、または光ディスク２４へのデータの書き込みを行う。光ディスク２４は、光の反射によって読み取り可能なようにデータが記録された可搬型の記録媒体である。光ディスク２４には、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ－ＲＡＭ、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）などがある。
【0041】
機器接続インタフェース１０７は、管理コンピュータ１００に周辺機器を接続するための通信インタフェースである。例えば機器接続インタフェース１０７には、メモリ装置２５やメモリリーダライタ２６を接続することができる。メモリ装置２５は、機器接続インタフェース１０７との通信機能を搭載した記録媒体である。メモリリーダライタ２６は、メモリカード２７へのデータの書き込み、またはメモリカード２７からのデータの読み出しを行う装置である。メモリカード２７は、カード型の記録媒体である。
【0042】
ネットワークインタフェース１０８ａは、ネットワーク２０に接続されている。ネットワークインタフェース１０８ａは、ネットワーク２０を介して、他のコンピュータまたは通信機器との間でデータの送受信を行う。ネットワークインタフェース１０８ａは、例えばスイッチやルータなどの有線通信装置にケーブルで接続される有線通信インタフェースである。またネットワークインタフェース１０８ａは、基地局やアクセスポイントなどの無線通信装置に電波によって通信接続される無線通信インタフェースであってもよい。
【0043】
ネットワークインタフェース１０８ｂは、ＬＡＮ２９に接続されている。ネットワークインタフェース１０８ｂは、ＬＡＮ２９を介して、カメラ３２、モニタ３３、およびスピーカ３４との間でデータの送受信を行う。
【0044】
管理コンピュータ１００は、以上のようなハードウェアによって、第２の実施の形態の処理機能を実現することができる。なお、第１の実施の形態に示した情報処理装置１０も、図３に示した管理コンピュータ１００と同様のハードウェアにより実現することができる。
【0045】
管理コンピュータ１００は、例えばコンピュータ読み取り可能な記録媒体に記録されたプログラムを実行することにより、第２の実施の形態の処理機能を実現する。管理コンピュータ１００に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、管理コンピュータ１００に実行させるプログラムをストレージ装置１０３に格納しておくことができる。プロセッサ１０１は、ストレージ装置１０３内のプログラムの少なくとも一部をメモリ１０２にロードし、プログラムを実行する。また管理コンピュータ１００に実行させるプログラムを、光ディスク２４、メモリ装置２５、メモリカード２７などの可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ１０１からの制御により、ストレージ装置１０３にインストールされた後、実行可能となる。またプロセッサ１０１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。
【0046】
このようなシステムによって、店舗３０内の客４１～４３に向けた広告出力が行われる。このような店舗３０における広告出力では、スピーカ３４からの広告音声が届くか、またはモニタ３３によるサイネージの広告を見ることができる範囲（視聴可能範囲）にいる客４１～４３の集合に対して、売上げを最大化させる最適化が望まれる。
【0047】
ここで、広告の視聴可能範囲内での客４１～４３の行動（手伸ばし、立ち止まり、購買、素通り）は、別の客の行動に影響を与えるもので、広告出力の最適化における重要な要素となる。そこで、客４１～４３の行動に基づいて出力する広告を選択することが考えられる。例えば数人の客が商品を手に取っている状況であれば、それらの客がどのような商品を手に取っているのかを紹介する広告を出力することで、周囲の客の興味を引きつけることができる。また客が商品棚の前を素通りしている状況であれば、客に呼びかけるような広告を出力することで、客の注意を商品に向けさせることができる。
【0048】
しかしながら、ある客の行動が他の客に対してどの程度影響を与えるのかは、双方の客の属性（年齢、性別など）に依存する。例えば３０代女性の行動は、同年代を含む広い年代の女性に大きな影響を与えたとしても、男性にはあまり影響を与えない可能性がある。このような広告の視聴可能範囲内の複数の客それぞれの属性やそれぞれの行動の組合せには無数のバリエーションがある。そのため出力する広告の最適化をすべてのバリエーションに対して行おうとすると膨大な数のデータを用意することが求められ、すべてのバリエーションについて適切な広告を個別に求めるのは困難である。
【0049】
そこで管理コンピュータ１００は、広告の視聴可能範囲内の複数の客それぞれの属性および行動を、商品購買に関する環境として捉え、環境ごとに、出力する広告の最適化を行う。例えば管理コンピュータ１００は、同一属性（性別、年代）に対して同一の出力広告に対する応答が類似していると仮定し、環境ごとに、各広告による訴求効果の高い属性を特定する。
【0050】
図４は、環境に応じた購買傾向の一例を示す図である。環境に応じた購買傾向は、例えば環境ごとの購買行動の評価値で表される。例えば管理コンピュータ１００は、複数の広告それぞれについて、広告出力前の所定期間（例えば１分）の環境を、客４１～４３の属性ごとの購買傾向スコアで表す。管理コンピュータ１００は、例えば購買傾向スコアを、カメラ３２で撮影された客４１～４３の行動に基づいて、客の属性ごとに計算する。購買傾向スコアは、例えば「購買傾向スコアＳ＝ａ×直前１分間の立ち止まり数＋ｂ×直前１分間の手伸ばし数＋ｃ×直前１分間の購入数」である。ａ，ｂ，ｃは、予め設定された実数である。
【0051】
管理コンピュータ１００は、様々な環境において各広告を出力する。そして管理コンピュータ１００は、広告出力後の所定期間（例えば１分）に広告の視聴可能範囲にいる客４４～４６の属性ごとに評価値を計算する。評価値は、例えば「評価値Ｅ＝α×直後１分間の立ち止まり数＋β×直後１分間の手伸ばし数＋γ×直後１分間の購入数」である。α，β，γは、予め設定された実数である。
【0052】
図４の例では、「環境１」では、様々な属性の客に対して概ね高い購買傾向スコアとなっている。「環境１」の異なる時間帯で複数の広告それぞれを出力したとき、「広告１」が、各属性に対する評価値が概ね高くなっている。すなわち「環境１」であれば「広告１」を出力することで、最も高い販売促進効果を得ることができる。
【0053】
「環境２」では、様々な属性の客に対して概ね低い購買傾向スコアとなっている。「環境２」の異なる時間帯で複数の広告それぞれを出力したとき、「広告２」が、各属性に対する評価値が概ね高くなっている。すなわち「環境２」であれば「広告２」を出力することで、最も高い販売促進効果を得ることができる。
【0054】
図５は、環境に応じた広告出力の一例を示す図である。例えば管理コンピュータ１００は、広告出力前の一定期間に商品棚３１の周囲にいる客５１～５３の購買傾向スコアを属性ごとに計算する。
【0055】
環境スコアの計算結果が図４に示す「環境１」と同様になった場合、管理コンピュータ１００は、「広告１」を出力する。例えば「広告１」は、客５１～５３が商品「Ａ」に興味を示している場合に、その光景を見た他の客５４～５６に対して購買意欲を促進させる内容の広告である。図５の例では、商品「Ａ」の特徴を説明する音声が出力されている。
【0056】
環境スコアの計算結果が図４に示す「環境２」と同様になった場合、管理コンピュータ１００は、「広告２」を出力する。例えば「広告２」は、客５１～５３が商品「Ａ」に興味を示していない場合に、その光景を見た他の客５４～５６の注意を商品「Ａ」に引きつける内容の広告である。図５の例では、商品「Ａ」が新製品であることを説明し、手に取ることを進める内容の音声が出力されている。
【0057】
このように、管理コンピュータ１００は、広告の視聴可能範囲内の客（売上げに影響を与える周辺客）それぞれの属性を考慮して、それらの客の行動に基づく環境を定義し、その環境に応じて出力する広告の最適化を行う。なお、このような最適化は、同一属性（性別、年代）に対して同一の出力広告に対する応答が類似していることを前提としている。このような広告の最適化により、管理コンピュータ１００は、客同士のインタラクションに着目して、購買兆候行動を引き起こす広告を出力することが可能となる。
【0058】
図６は、広告出力のための管理コンピュータの機能の一例を示すブロック図である。管理コンピュータ１００は、記憶部１１０、映像取得部１２０、ＰＯＳデータ取得部１３０、気象データ取得部１４０、客検出部１５０、購買傾向スコア計算部１６０、広告出力部１７０、および評価部１８０を有する。
【0059】
記憶部１１０は、広告出力に利用する各種データを記憶する。例えば記憶部１１０は、映像データ１１１、ＰＯＳデータ１１２、気象データ１１３、広告データ１１４、広告素性データ１１５、および評価ログ１１６を記憶する。映像データ１１１は、カメラ３２で撮影された映像（動画）のデータである。ＰＯＳデータ１１２は、ＰＯＳ端末３５から取得した商品の販売状況に関するデータである。気象データ１１３は、気象情報サーバ２００から取得した天気、気温などの気象に関するデータである。広告データ１１４は、複数の広告のデータ（動画データ、音声データ、テキストデータなど）である。広告素性データ１１５は、各広告が客の購買行動を引き起こすことができる環境を示すデータである。評価ログ１１６は、各広告によって引き起こされた客の購買行動の評価結果を示すデータである。
【0060】
映像取得部１２０は、カメラ３２から映像データ１１１を取得し、取得した映像データ１１１を記憶部１１０に格納する。ＰＯＳデータ取得部１３０は、ＰＯＳ端末３５からＰＯＳデータ１１２を取得し、取得したＰＯＳデータ１１２を記憶部１１０に格納する。気象データ取得部１４０は、気象情報サーバ２００から気象データ１１３を取得し、取得した気象データ１１３を記憶部１１０に格納する。
【0061】
客検出部１５０は、映像データ１１１から、所定期間内にその映像に映っている客を検出する。例えば客検出部１５０は、ＡＩ（Artificial Intelligence）のセグメンテーション技術を用いて画像を解析し、所定期間内の画像における客（人の姿）の映っている領域を特定する。
【0062】
購買傾向スコア計算部１６０は、広告出力までの所定期間の客の行動に基づいて購買傾向スコアを計算する。例えば購買傾向スコア計算部１６０は、客の属性ごとに計算した購買傾向スコアを要素として含む環境素性ベクトルを生成する。環境素性ベクトルは、所定期間の客の購買行動に影響する環境に関するベクトルデータである。環境素性ベクトルには、所定期間における気象に関するデータも含まれる。
【0063】
広告出力部１７０は、購買傾向スコア計算部１６０が計算した購買傾向スコアに基づいて、出力する広告を決定する。例えば広告出力部１７０は、購買傾向スコア計算部１６０が生成した環境素性ベクトルと最も類似する広告素性ベクトルに対応する広告を、出力対象に決定する。広告出力部１７０は、広告データ１１４から出力対象の広告に関するデータを取得し、そのデータの内容をモニタ３３またはスピーカ３４で再生する。
【0064】
評価部１８０は、出力した広告が客の購買行動に与えた影響の度合いを示す評価値を計算する。例えば評価部１８０は、広告を出力した後の所定期間における顧客の行動に基づいて評価値を計算する。評価部１８０は、計算した評価値を、評価ログ１１６として記憶部１１０に格納する。また評価部１８０は、計算した評価値に基づいて、出力した広告の広告素性データ１１５を生成する。そして評価部１８０は、生成した広告素性データ１１５を記憶部１１０に格納する。
【0065】
なお、図６に示した各要素間を接続する線は通信経路の一部を示すものであり、図示した通信経路以外の通信経路も設定可能である。また、図６に示した各要素の機能は、例えば、その要素に対応するプログラムモジュールをコンピュータに実行させることで実現することができる。
【0066】
【0067】
図７は、ＰＯＳデータの一例を示す図である。ＰＯＳデータ１１２には、販売した商品ごとのレコードが登録されている。各レコードには、「客属性」、「商品」、「販売数」、「金額」、「日時」などのデータが含まれる。「客属性」のデータは、商品を購入した客の属性を示すデータである。「商品」のデータは、販売した商品の名称である。「販売数」のデータは、販売した数量である。「金額」のデータは、販売した商品の値段である。「日時」のデータは、販売した日時である。
【0068】
図８は、気象データの一例を示す図である。気象データ１１３には、定期的に取得した気象情報を示すレコードが登録されている。各レコードには、「日時」、「天気」、「気温」などのデータが含まれる。「日時」のデータは、何時の気象なのかを示すデータである。「天気」のデータは、該当日時における店舗３０周囲の天気を示すデータである。「気温」のデータは、該当日時における店舗３０周囲の気温を示すデータである。
【0069】
図９は、広告素性データの一例を示す図である。広告素性データ１１５には、広告ごとの広告素性ベクトル１１５ａ，１１５ｂ，・・・が含まれている。広告素性ベクトル１１５ａ，１１５ｂ，・・・には、広告が客の購買行動を引き起こすことができる環境を示す複数の数値が、要素（ベクトルの成分）として含まれている。広告素性ベクトル１１５ａ，１１５ｂ，・・・内の要素としては、例えば客の属性ごとの購買傾向スコアに対応する値、１日の時間帯の区分（午前・午後）それぞれに対応する値、天気の種別それぞれに対応する値などがある。
【0070】
図１０は、評価ログの一例を示す図である。評価ログ１１６には、出力した広告の評価値計算ごとの計算結果を示すレコードが登録されている。各レコードには、「出力広告」、「環境素性ベクトル」、および「評価結果」のデータが含まれる。「出力広告」のデータは、評価対象の広告を示すデータである。「環境素性ベクトル」のデータは、広告の出力前の所定期間における環境を表すベクトルデータである。「評価結果」のデータは、客の属性ごとの評価値を示すデータである。
【0071】
管理コンピュータ１００は、以上のようなデータを利用して最適な広告を選択し、選択した広告を出力する。以下、出力する広告の最適化処理を具体的に説明する。
図１１は、出力広告最適化処理の手順の一例を示すフローチャートである。以下、図１１に示す処理をステップ番号に沿って説明する。
図１１は、出力広告最適化処理の手順の一例を示すフローチャートである。以下、図１１に示す処理をステップ番号に沿って説明する。
【0072】
［ステップＳ１０１］客検出部１５０は、映像データ１１１から、直近の過去ｎ分間（ｎは正の実数）の映像を取得する。
［ステップＳ１０２］客検出部１５０は、映像から客を検出する。例えば客検出部１５０は、映像に人の姿が映っている場合、映っている場所に客がいると判断する。
［ステップＳ１０２］客検出部１５０は、映像から客を検出する。例えば客検出部１５０は、映像に人の姿が映っている場合、映っている場所に客がいると判断する。
【0073】
［ステップＳ１０３］客検出部１５０は、検出した客の人数が「１」以上か否かを判断する。客検出部１５０は、１人以上の客が検出できた場合、処理をステップＳ１０４に進める。また客検出部１５０は、客をまったく検出できなかった場合、出力広告最適化処理を終了する。
【0074】
［ステップＳ１０４］購買傾向スコア計算部１６０は、検出した客の属性ごとに購買傾向スコアを計算する。購買傾向スコア計算処理の詳細は後述する（図１３参照）。
［ステップＳ１０５］広告出力部１７０は、購買傾向スコア計算部１６０が計算した購買傾向スコア、時刻、天気などの情報を含む環境素性ベクトルを生成する。そして広告出力部１７０は、環境素性ベクトルと各広告の広告素性ベクトルとに基づいて、出力する広告を選択する。広告選択処理の詳細は後述する（図１５参照）。
［ステップＳ１０５］広告出力部１７０は、購買傾向スコア計算部１６０が計算した購買傾向スコア、時刻、天気などの情報を含む環境素性ベクトルを生成する。そして広告出力部１７０は、環境素性ベクトルと各広告の広告素性ベクトルとに基づいて、出力する広告を選択する。広告選択処理の詳細は後述する（図１５参照）。
【0075】
［ステップＳ１０６］広告出力部１７０は、選択した広告を再生し、モニタ３３またはスピーカ３４に出力する。
［ステップＳ１０７］評価部１８０は、映像データ１１１から、広告出力の直後からｎ分間（ｎは正の実数）の映像を取得する。
［ステップＳ１０７］評価部１８０は、映像データ１１１から、広告出力の直後からｎ分間（ｎは正の実数）の映像を取得する。
【0076】
［ステップＳ１０８］評価部１８０は、取得した映像に基づいて、出力した広告の評価値を計算する。評価部１８０は、計算した評価値を含む評価ログのレコードを記憶部１１０に格納する。評価値計算処理の詳細は後述する（図１８参照）。
【0077】
［ステップＳ１０９］評価部１８０は、新たに計算した評価値を含む評価ログに広告素性ベクトルを更新する。広告素性ベクトル更新処理の詳細は後述する（図２０参照）。
このようにして、管理コンピュータ１００は、商品棚３１周囲の客の行動を含む周囲の環境に応じた最適な広告を選択して出力することができる。
このようにして、管理コンピュータ１００は、商品棚３１周囲の客の行動を含む周囲の環境に応じた最適な広告を選択して出力することができる。
【0078】
次に、購買傾向スコア計算処理について詳細に説明する。
図１２は、購買傾向スコア計算方法の一例を示す図である。購買傾向スコア計算部１６０は、映像データ１１１から広告出力直前のｎ分間の映像を取得し、客の動作を解析する。解析により、購買傾向スコア計算部１６０は、ＡＩのセグメンテーション技術などで特定した客の行動が、立ち止まりに該当するか、手伸ばしに該当するかを判断する。例えば購買傾向スコア計算部１６０は、客として特定した画像内の領域が所定の期間だけ移動していなければ、行動「立ち止まり」を検出する。また購買傾向スコア計算部１６０は、例えば客として特定した画像内の領域が商品棚３１に隣接する位置に移動し、その後、客の領域に隣接して商品の領域が検出できた場合、行動「手伸ばし」を検出する。購買傾向スコア計算部１６０は、例えば客の属性ごとに、行動「立ち止まり」の検出人数と、行動「手伸ばし」の検出人数とを計数する。
図１２は、購買傾向スコア計算方法の一例を示す図である。購買傾向スコア計算部１６０は、映像データ１１１から広告出力直前のｎ分間の映像を取得し、客の動作を解析する。解析により、購買傾向スコア計算部１６０は、ＡＩのセグメンテーション技術などで特定した客の行動が、立ち止まりに該当するか、手伸ばしに該当するかを判断する。例えば購買傾向スコア計算部１６０は、客として特定した画像内の領域が所定の期間だけ移動していなければ、行動「立ち止まり」を検出する。また購買傾向スコア計算部１６０は、例えば客として特定した画像内の領域が商品棚３１に隣接する位置に移動し、その後、客の領域に隣接して商品の領域が検出できた場合、行動「手伸ばし」を検出する。購買傾向スコア計算部１６０は、例えば客の属性ごとに、行動「立ち止まり」の検出人数と、行動「手伸ばし」の検出人数とを計数する。
【0079】
また購買傾向スコア計算部１６０は、ＰＯＳデータ１１２から、客の属性ごとに、直近ｎ分間に客が商品「Ａ」を購買した数を取得する。そして購買傾向スコア計算部１６０は、立ち止まり数、手伸ばし数、および購買数に基づいて、客の属性ごとの購買傾向スコアを計算する。例えば購買傾向スコア計算部１６０は、立ち止まり数のａ倍（ａは正の実数）と手伸ばし数のｂ倍（ｂは正の実数）と購買数のｃ倍（ｃは正の実数）の合計を、購買傾向スコアとする。
【0080】
図１３は、購買傾向スコア計算処理の手順の一例を示すフローチャートである。以下、図１３に示す処理をステップ番号に沿って説明する。
［ステップＳ２０１］購買傾向スコア計算部１６０は、客の属性についての区分のうちの１つを選択する。
［ステップＳ２０１］購買傾向スコア計算部１６０は、客の属性についての区分のうちの１つを選択する。
【0081】
［ステップＳ２０２］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内の映像に選択した区分の属性の客が映っているか否かを判断する。購買傾向スコア計算部１６０は、該当属性の客が映像に映っていない場合、処理をステップＳ２０３に進める。また購買傾向スコア計算部１６０は、該当属性の客が映像に映っている場合、処理をステップＳ２０４に進める。
【0082】
［ステップＳ２０３］購買傾向スコア計算部１６０は、選択した区分の属性についての購買傾向スコアを「０」に設定し、処理をステップＳ２０８に進める。
［ステップＳ２０４］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内の映像に映っている該当属性の客のうち、立ち止まった客の人数（立ち止まり数）を検出する。
［ステップＳ２０４］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内の映像に映っている該当属性の客のうち、立ち止まった客の人数（立ち止まり数）を検出する。
【0083】
［ステップＳ２０５］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内の映像に映っている該当属性の客のうち、商品に手を伸ばした人数（手伸ばし数）を検出する。
［ステップＳ２０６］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内に商品「Ａ」を購入した該当属性の客の人数（購買数）を検出する。
［ステップＳ２０６］購買傾向スコア計算部１６０は、広告出力直前のｎ分間内に商品「Ａ」を購入した該当属性の客の人数（購買数）を検出する。
【0084】
［ステップＳ２０７］購買傾向スコア計算部１６０は、購買傾向スコア「立ち止まり数×ａ＋手伸ばし数×ｂ＋購買数×ｃ」を計算する。購買傾向スコア計算部１６０は、計算結果を、選択した区分の属性についての購買傾向スコアに設定する。
【0085】
［ステップＳ２０８］購買傾向スコア計算部１６０は、未処理の区分があるか否かを判断する。購買傾向スコア計算部１６０は、未処理の区分があれば、処理をステップＳ２０１に進める。また購買傾向スコア計算部１６０は、すべての区分について処理済みであれば、購買傾向スコア計算処理を終了する。
【0086】
このようにして客の属性ごとの購買傾向スコアが計算される。購買傾向スコア計算部１６０は、計算した客の属性ごとの購買傾向スコアを広告出力部１７０に送信する。広告出力部１７０は、取得した購買傾向スコアに基づいて、出力する広告を選択する。
【0087】
図１４は、購買傾向スコアに応じた広告選択方法の一例を示す図である。例えば広告出力部１７０は、購買傾向スコアに加えて、広告を出力する時刻、そのときの気象情報などの店舗環境の情報に基づいて、出力する広告を決定する。図１４の例では、広告出力部１７０は、購買傾向スコアと時刻情報と気象情報とに基づいて、環境素性ベクトル６１を生成する。
【0088】
環境素性ベクトル６１には、客の属性ごとの購買傾向スコアが要素として含まれる。また環境素性ベクトル６１には、広告を出力する時刻を示す情報が要素として含まれる。例えば広告を出力する時刻が午前中であれば、午前に対応する要素に「１」が設定される。また広告を出力する時刻が午後であれば、午後に対応する要素に「１」が設定される。
【0089】
環境素性ベクトル６１には、さらに広告を出力する時刻における店舗周囲の気象を示す要素が含まれる。例えば、広告を出力するときの店舗周囲の天気が晴れていれば、晴れに対応する要素に「１」が設定される。また広告を出力するときの店舗周囲の天気が雨であれば、雨に対応する要素に「１」が設定される。
【0090】
広告出力部１７０は、広告素性データ１１５から、広告ごとの広告素性ベクトル６２，６３，・・・を取得する。広告出力部１７０は、環境素性ベクトル６１と広告素性ベクトル６２，６３，・・・それぞれとの類似度を計算する。類似度としては、例えばコサイン類似度を用いることができる。例えば環境素性ベクトルを「ベクトルａ」とし、広告素性ベクトルを「ベクトルｂ」とする。このときコサイン類似度ｃｏｓ（ａ，ｂ）は、以下の式で表される。
ｃｏｓ（ａ，ｂ）＝（ａ・ｂ）／（||ａ||||ａ||）
広告出力部１７０は、環境素性ベクトルに対する類似度が最大の広告を、出力する広告に決定する。
ｃｏｓ（ａ，ｂ）＝（ａ・ｂ）／（||ａ||||ａ||）
広告出力部１７０は、環境素性ベクトルに対する類似度が最大の広告を、出力する広告に決定する。
【0091】
図１５は、広告選択処理の手順の一例を示すフローチャートである。以下、図１５に示す処理をステップ番号に沿って説明する。
［ステップＳ３０１］広告出力部１７０は、購買傾向スコア計算部１６０から購買傾向スコアの計算結果を取得する。
［ステップＳ３０１］広告出力部１７０は、購買傾向スコア計算部１６０から購買傾向スコアの計算結果を取得する。
【0092】
［ステップＳ３０２］広告出力部１７０は、現在の時刻を取得する。
［ステップＳ３０３］広告出力部１７０は、現在の店舗３０周囲の気象情報を取得する。
［ステップＳ３０３］広告出力部１７０は、現在の店舗３０周囲の気象情報を取得する。
【0093】
［ステップＳ３０４］広告出力部１７０は、購買傾向スコア、時刻、および気象情報に基づいて、環境素性ベクトルを生成する。
［ステップＳ３０５］広告出力部１７０は、広告データ１１４に含まれる複数の広告の中から広告候補を選択する。
［ステップＳ３０５］広告出力部１７０は、広告データ１１４に含まれる複数の広告の中から広告候補を選択する。
【0094】
［ステップＳ３０６］広告出力部１７０は、選択した広告候補の広告素性ベクトルを取得する。
［ステップＳ３０７］広告出力部１７０は、環境素性ベクトルと広告素性ベクトルとの類似度を計算する。
［ステップＳ３０７］広告出力部１７０は、環境素性ベクトルと広告素性ベクトルとの類似度を計算する。
【0095】
［ステップＳ３０８］広告出力部１７０は、計算した類似度が、選択済みの広告の類似度の最大値となるか否かを判断する。広告出力部１７０は、最大値であれば、処理をステップＳ３０９に進める。また広告出力部１７０は、最大値でなければ、処理をステップＳ３１０に進める。
【0096】
［ステップＳ３０９］広告出力部１７０は、選択した広告の名称と、その広告の類似度とを記憶する。
［ステップＳ３１０］広告出力部１７０は、すべての広告を処理したか否かを判断する。広告出力部１７０は、すべての広告について処理が完了していれば、処理をステップＳ３１１に進める。また広告出力部１７０は、未処理の広告があれば、処理をステップＳ３０５に進める。
［ステップＳ３１０］広告出力部１７０は、すべての広告を処理したか否かを判断する。広告出力部１７０は、すべての広告について処理が完了していれば、処理をステップＳ３１１に進める。また広告出力部１７０は、未処理の広告があれば、処理をステップＳ３０５に進める。
【0097】
［ステップＳ３１１］広告出力部１７０は、類似度が最大となる広告を、出力する広告に決定す。
このようにして、環境に応じて、適切な広告が出力される。広告出力後は、広告の評価値が計算される。
このようにして、環境に応じて、適切な広告が出力される。広告出力後は、広告の評価値が計算される。
【0098】
図１６は、評価値の計算方法の一例を示す図である。評価部１８０は、映像データ１１１から広告出力直後のｎ分間の映像を取得し、客の動作を解析する。解析により、評価部１８０は、ＡＩのセグメンテーション技術などで特定した客の行動が、立ち止まりに該当するか、手伸ばしに該当するかを判断する。例えば評価部１８０は、客として特定した画像内の領域が所定の期間だけ移動していなければ、行動「立ち止まり」を検出する。また評価部１８０は、例えば客として特定した画像内の領域が商品棚３１に隣接する位置に移動し、その後、客の領域に隣接して商品の領域が検出できた場合、行動「手伸ばし」を検出する。評価部１８０は、例えば客の属性ごとに、行動「立ち止まり」の検出人数と、行動「手伸ばし」の検出人数とを計数する。
【0099】
また評価部１８０は、ＰＯＳデータ１１２から、客の属性ごとに、広告出力後のｎ分間に客が商品「Ａ」を購買した数を取得する。そして評価部１８０は、立ち止まり数、手伸ばし数、および購買数に基づいて、客の属性ごとの評価値を計算する。例えば評価部１８０は、立ち止まり数のα倍（αは正の実数）と手伸ばし数のβ倍（βは正の実数）と購買数のγ倍（γは正の実数）の合計を、評価値とする。
【0100】
評価部１８０は、属性ごとの評価値の集合を、出力した広告の評価結果１８１とする。評価結果１８１は、評価ログ１１６に保存される。
図１７は、評価結果の保存方法の一例を示す図である。例えば評価部１８０は、得られた評価結果１８１を、出力した広告、および環境素性ベクトル６１に関連付けて評価ログ１１６に登録する。
図１７は、評価結果の保存方法の一例を示す図である。例えば評価部１８０は、得られた評価結果１８１を、出力した広告、および環境素性ベクトル６１に関連付けて評価ログ１１６に登録する。
【0101】
図１８は、評価値計算処理の手順の一例を示すフローチャートである。以下、図１８に示す処理をステップ番号に沿って説明する。
［ステップＳ４０１］評価部１８０は、客の属性についての区分のうちの１つを選択する。
［ステップＳ４０１］評価部１８０は、客の属性についての区分のうちの１つを選択する。
【0102】
［ステップＳ４０２］評価部１８０は、広告出力直後のｎ分間内の映像に選択した区分の属性の客が映っているか否かを判断する。評価部１８０は、該当属性の客が映像に映っていない場合、処理をステップＳ４０３に進める。また評価部１８０は、該当属性の客が映像に映っている場合、処理をステップＳ４０４に進める。
【0103】
［ステップＳ４０３］評価部１８０は、選択した区分の属性についての評価値を「０」に設定し、処理をステップＳ４０８に進める。
［ステップＳ４０４］評価部１８０は、広告出力直後のｎ分間内の映像に映っている該当属性の客のうち、立ち止まった客の人数（立ち止まり数）を検出する。
［ステップＳ４０４］評価部１８０は、広告出力直後のｎ分間内の映像に映っている該当属性の客のうち、立ち止まった客の人数（立ち止まり数）を検出する。
【0104】
［ステップＳ４０５］評価部１８０は、広告出力直後のｎ分間内の映像に映っている該当属性の客のうち、商品に手を伸ばした人数（手伸ばし数）を検出する。
［ステップＳ４０６］評価部１８０は、広告出力直後のｎ分間内に商品「Ａ」を購入した該当属性の客の人数（購買数）を検出する。
［ステップＳ４０６］評価部１８０は、広告出力直後のｎ分間内に商品「Ａ」を購入した該当属性の客の人数（購買数）を検出する。
【0105】
［ステップＳ４０７］評価部１８０は、評価値「立ち止まり数×α＋手伸ばし数×β＋購買数×γ」を計算する。評価部１８０は、計算結果を、選択した区分の属性についての評価値に設定する。
【0106】
［ステップＳ４０８］評価部１８０は、未処理の属性の区分があるか否かを判断する。評価部１８０は、未処理の区分があれば、処理をステップＳ４０１に進める。また評価部１８０は、すべての区分について処理済みであれば、購買傾向スコア計算処理を終了する。
【0107】
［ステップＳ４０９］評価部１８０は、各属性の評価値を含む評価結果を、商品名と環境素性ベクトルとに関連付けて、評価ログ１１６のレコードとして保存する。
このようにして客の属性ごとに評価値が計算され、評価結果が評価ログ１１６に保存される。その後、評価部１８０は、評価ログ１１６に基づいて、各広告の広告素性ベクトルを更新する。
このようにして客の属性ごとに評価値が計算され、評価結果が評価ログ１１６に保存される。その後、評価部１８０は、評価ログ１１６に基づいて、各広告の広告素性ベクトルを更新する。
【0108】
図１９は、広告素性ベクトルの更新方法の一例を示す図である。評価部１８０は、評価ログ１１６から、広告ごとに評価結果のレコードを抽出する。評価部１８０は、抽出したレコードのうち、評価結果に含まれる属性ごとの評価値の代表値（代表評価値）が閾値以上のレコードから、環境素性ベクトルを取得する。代表評価値は、例えば、属性ごとの評価値の最大値または平均値である。代表評価値が閾値以上であるという条件は、第１の実施の形態に示す評価基準の一例である。
【0109】
評価部１８０は、取得した環境素性ベクトルの要素ごとの値の平均値を計算し、平均値を要素に含む広告素性ベクトル１８２を生成する。そして評価部１８０は、生成した広告素性ベクトル１８２で、広告素性データ１１５内の対応する広告の広告素性ベクトルを更新する。
【0110】
図２０は、広告素性ベクトル更新処理の手順の一例を示すフローチャートである。以下、図２０に示す処理をステップ番号に沿って説明する。
［ステップＳ５０１］評価部１８０は、未処理の広告のうちの１つを選択する。
［ステップＳ５０１］評価部１８０は、未処理の広告のうちの１つを選択する。
【0111】
［ステップＳ５０２］評価部１８０は、選択した広告の評価結果を示すレコードを評価ログ１１６から抽出する。
［ステップＳ５０３］評価部１８０は、選択した広告の評価結果のうちの１つを選択する。
［ステップＳ５０３］評価部１８０は、選択した広告の評価結果のうちの１つを選択する。
【0112】
［ステップＳ５０４］評価部１８０は、選択した評価結果に含まれる客の属性ごとの評価値の代表評価値（最大値、平均値など）が、所定の閾値以上か否かを判断する。評価部１８０は、代表評価値が閾値以上であれば、処理をステップＳ５０５に進める。また評価部１８０は、代表評価値が閾値未満であれば、処理をステップＳ５０７に進める。
【0113】
［ステップＳ５０５］評価部１８０は、選択した評価結果に対応する環境素性ベクトルを、選択した広告が有効な環境を示す環境素性ベクトルとして保存する。
［ステップＳ５０６］評価部１８０は、ステップＳ５０２で抽出した評価結果のうち、未処理の評価結果があるか否かを判断する。評価部１８０は、未処理の評価結果があれば、処理をステップＳ５０３に進める。また評価部１８０は、すべての評価結果が処理済みであれば、処理をステップＳ５０７に進める。
［ステップＳ５０６］評価部１８０は、ステップＳ５０２で抽出した評価結果のうち、未処理の評価結果があるか否かを判断する。評価部１８０は、未処理の評価結果があれば、処理をステップＳ５０３に進める。また評価部１８０は、すべての評価結果が処理済みであれば、処理をステップＳ５０７に進める。
【0114】
［ステップＳ５０７］評価部１８０は、保存した環境素性ベクトルに基づいて、選択した広告の広告素性ベクトルを計算する。例えば評価部１８０は、保存した環境素性ベクトルの要素ごとの平均値を計算し、計算した平均値を広告素性ベクトルの要素の値とする。
【0115】
［ステップＳ５０８］評価部１８０は、未処理の広告があるか否かを判断する。評価部１８０は、未処理の広告があれば、処理をステップＳ５０１に進める。また評価部１８０は、すべての広告について処理が完了していれば、広告素性ベクトル更新処理を終了する。
【0116】
このようにして、各広告について、高い評価値が得られたときの環境素性ベクトルに基づいて、その広告の広告素性ベクトルが生成される。この広告素性ベクトルは、対応する広告が顧客誘引効果を発揮できる周辺環境を表している。広告出力部１７０は、このようにして生成された広告素性ベクトルに基づいて、環境ごとに適切な広告を選択して出力する。これにより、周囲の客の行動を含めた環境に合った広告が出力され、広告による販売促進効果を向上させることができる。
【0117】
〔第３の実施の形態〕
第３の実施の形態は、機械学習によって学習させた効果予測器を用いて、出力する広告を決定するものである。例えば管理コンピュータ１００は、環境に応じて、その環境で広告を出力したときの効果を予測する効果予測器を、機械学習によって生成する。管理コンピュータ１００は、広告を出力する際には、そのときの環境において最も売上を得ることができる広告を、効果予測器を用いて特定する。そして管理コンピュータ１００は、特定した広告を出力する。
第３の実施の形態は、機械学習によって学習させた効果予測器を用いて、出力する広告を決定するものである。例えば管理コンピュータ１００は、環境に応じて、その環境で広告を出力したときの効果を予測する効果予測器を、機械学習によって生成する。管理コンピュータ１００は、広告を出力する際には、そのときの環境において最も売上を得ることができる広告を、効果予測器を用いて特定する。そして管理コンピュータ１００は、特定した広告を出力する。
【0118】
図２１は、効果予測器の学習方法の一例を示す図である。例えば管理コンピュータ１００の評価部１８０は、広告データ１１４に含まれる複数の広告それぞれについて、その広告によって再生される音声またはテキストによる文をベクトル化する。ベクトル化は、例えばＢａｇ－ｏｆ－Ｗｏｒｄｓなどの技術を用いることができる。また評価部１８０は、広告が画像であればＲｅｓＮｅｔ、長文であればＧＰＴ２などを用いてベクトル化することができる。
【0119】
また評価部１８０は、映像データ１１１、ＰＯＳデータ１１２、気象データ１１３などから、広告出力前の所定期間の周囲の客のインタラクション（立ち止まり数、手伸ばし数、購買数）、気象情報などに基づく環境素性ベクトルを取得する。そして評価部１８０は、広告をベクトル化したベクトルデータと環境素性ベクトルとを効果予測器７１に入力し、広告を出力した場合の立ち止まり数、手伸ばし数、および購買数を予測する。
【0120】
また評価部１８０は、広告が出力された後に、カメラ３２で撮影された映像データ１１１、ＰＯＳ端末３５から取得したＰＯＳデータ１１２に基づいて、立ち止まり数、手伸ばし数、および購買数を検出する。評価部１８０は、検出した値をそれらの実測値とし、予測値と実測値との差が減少するように、効果予測器７１を修正する。例えば評価部１８０は、線形回帰によって学習済みの効果予測器７１を生成する。
【0121】
評価部１８０は、生成した効果予測器７１を、例えば記憶部１１０に格納する。そして広告を出力するタイミングになったとき、広告出力部１７０は、記憶部１１０から効果予測器７１を取得し、効果予測器７１に基づいて出力する広告を選択する。
【0122】
図２２は、効果予測器を用いた広告選択方法の一例を示す図である。広告出力部１７０は、広告を出力する直前の所定期間の環境を示す環境素性ベクトル６１を、購買傾向スコア計算部１６０から取得する。また広告出力部１７０は、広告データ１１４に含まれる各広告のベクトル７２，７３，・・・を生成する。そして広告出力部１７０は、ベクトル７２，７３，・・・それぞれと環境素性ベクトル６１との組を生成し、組ごとに効果予測器７１に入力する。これにより広告ごとに、立ち止まり数と手伸ばし数と購買数との予測値が得られる。
【0123】
広告出力部１７０は、広告ごとに、効果予測値を計算する。効果予測値は、例えば「立ち止まり数×α＋手伸ばし数×β＋購買数×γ」である。広告出力部１７０は、例えば効果予測値が最も高い広告を、出力する広告に決定する。
【0124】
なお周辺の客の購買予兆行動（立ち止まり、手伸ばし、購買）のうち、どのような購買行動が他の客に大きく影響を与えるのかは自明ではない。そこで管理コンピュータ１００は、購買兆候行動の種別ごとに、広告の選択に考慮する度合いを、売上に応じて調整することもできる。
【0125】
例えば評価部１８０は、効果予測器７１の生成に加え、売上の異なる複数の期間において、適切に売上の違いを説明可能な値に、係数α、β、γを最適化する。
図２３は、係数最適化方法の一例を示す図である。期間別売上表８１には、複数の期間それぞれについて、広告出力後１分間の客の購買予兆行動と、該当期間内の商品Ａの売上とを示している。期間は、例えば午前、午後（６時まで効果）、午後（６時以降）などの期間である。
図２３は、係数最適化方法の一例を示す図である。期間別売上表８１には、複数の期間それぞれについて、広告出力後１分間の客の購買予兆行動と、該当期間内の商品Ａの売上とを示している。期間は、例えば午前、午後（６時まで効果）、午後（６時以降）などの期間である。
【0126】
例えば「期間１」では、広告出力後の１分間に立ち止まった人数が「１０」人、商品に手を伸ばした人数が「３０」人、商品を購入した人数が「５０」人である。この期間の商品の売上げは少ない（売上「低」）。「期間２」では、広告出力後の１分間に立ち止まった人数が「１０」人、商品に手を伸ばした人数が「５０」人、商品を購入した人数が「３０」人である。この期間の商品の売上げは多い（売上「高」）。「期間３」では、広告出力後の１分間に立ち止まった人数が「２０」人、商品に手を伸ばした人数が「２０」人、商品を購入した人数が「１０」人である。この期間の商品の売上げは中程度である（売上「中」）。
【0127】
評価部１８０は、各期間における効果予測値「立ち止まり数×α＋手伸ばし数×β＋購買数×γ」を計算したとき、期間２の効果予測値が最も高く、期間３の効果予測値が次に高く、期間１の効果予測値が最も低くなるように、係数「α，β，γ」を最適化する。なお評価部１８０は、α＋β＋γ＝１としてもよい。
【0128】
図２４は、係数最適化処理の一例を示す図である。評価部１８０は、広告データ１１４に含まれる広告の文をベクトル化する。また評価部１８０は、映像データ１１１、ＰＯＳデータ１１２、および気象データ１１３に基づいて、環境素性ベクトルを生成する。評価部１８０は、広告をベクトル化した文ベクトルと環境素性ベクトルとを効果予測器７１に入力し、立ち止まり数、手伸ばし数、および購買数の予測値を計算する。
【0129】
また評価部１８０は、ＰＯＳデータ１１２に基づいて、一定期間の商品「Ａ」の購買数の実績値を係数する。そして評価部１８０は、「立ち止まり数×α」と「手伸ばし数×β」と「購買数×γ」との合計値と、購買数実測値とが一致するように、係数「α，β，γ」を最適化する。例えば評価部１８０は、期間を分けて、期間ごとに異なるα、β、γへの最適化を行うこともできる。評価部１８０は、各期間の中で売り上げを最大化する係数の組み合わせを特定することで、期間ごとの適切な係数を用いた効果予測値の計算が可能となる。
【0130】
評価部１８０は、最適化した係数を広告出力部１７０に送信する。広告出力部１７０は、最適化された係数を用いて効果予測値を計算する。これにより、効果予測値の計算精度が向上する。
【0131】
なお環境素性ベクトルに含まれる購買傾向スコアの計算には、係数「ａ，ｂ，ｃ」が用いられている。評価部１８０は、「立ち止まり数×α」と「手伸ばし数×β」と「購買数×γ」との合計値と、購買数実測値とが一致するように、係数「ａ，ｂ，ｃ」を最適化することもできる。また同様の係数の最適化処理を、第２の実施の形態に適用することも可能である。
【0132】
〔その他の実施の形態〕
広告の再生時間が長い場合、商品棚３１の前を通り過ぎようとする客に対して、広告の全体を視聴させることができない。その場合、例えば管理コンピュータ１００は、広告の出力部分を訴求ポイントごとに分割し、広告の一部分を出力することで、高い販売促進効果を得ることができる。
広告の再生時間が長い場合、商品棚３１の前を通り過ぎようとする客に対して、広告の全体を視聴させることができない。その場合、例えば管理コンピュータ１００は、広告の出力部分を訴求ポイントごとに分割し、広告の一部分を出力することで、高い販売促進効果を得ることができる。
【0133】
図２５は、広告の一部分を出力する広告管理方法の一例を示す図である。例えば商品棚３１の周囲にいる客９１，９２のうち、客９１は、商品棚３１の前を移動し、通りすぎようとしているものとする。また商品「Ａ」の広告９０は再生時間が長く、客９１が広告９０を視聴可能な範囲内にいる時間では、広告９０全体を再生しきれないものとする。この場合、広告９０を最初から再生しても、客９１には、広告９０の先頭部分しか視聴させることができない。
【0134】
他方、店舗３０において移動中の客９１向けに広告９０を出力する場合は、広告９０の内容の視聴可能範囲にいる間に訴求力のある内容を伝えきることが望まれる。また客の属性や視聴可能範囲に客がいる時間の長さごとに広告を用意することはコストの観点から現実的ではない。
【0135】
そこで、広告９０を複数に分割して、適切な部分のみを再生することが考えられる。しかし、どの客の属性にどの内容が効果的であるかは、自明ではない。そこで管理コンピュータ１００は、客の属性ごとに広告出力に用いる訴求ポイントを最適化する。
【0136】
多くの場合、広告９０には複数の訴求ポイントが含まれる。管理コンピュータ１００は、広告９０を訴求ポイントごとに分割して管理する。そして管理コンピュータ１００は、環境に応じて適切な訴求ポイントを決定し、広告９０内の決定した訴求ポイントの部分を自動生成して出力する。さらに管理コンピュータ１００は、第２・第３の実施の形態と同様に、決定した訴求ポイントに対応する広告の評価値を計算することで、環境に応じた訴求ポイントを最適化することができる。
【0137】
また第２の実施の形態では、商品棚３１には「商品Ａ」が並べられているものとしたが、商品棚３１に異なる種類の商品を並べておき、管理コンピュータ１００は、商品ごとの広告のうち、環境に合った適切な広告を出力することもできる。
【0138】
以上、実施の形態を例示したが、実施の形態で示した各部の構成は同様の機能を有する他のものに置換することができる。また、他の任意の構成物や工程が付加されてもよい。さらに、前述した実施の形態のうちの任意の２以上の構成（特徴）を組み合わせたものであってもよい。
【符号の説明】
【0139】
１ａ，１ｂ，１ｃ，２ａ，２ｂ，２ｃ，３ａ，３ｂ，３ｃ，４ａ，４ｂ，４ｃ 客
５ カメラ
６，７ 出力装置
８ 商品棚
９ 所定範囲
１０ 情報処理装置
１１ 記憶部
１１ａ 評価結果
１２ 処理部
５ カメラ
６，７ 出力装置
８ 商品棚
９ 所定範囲
１０ 情報処理装置
１１ 記憶部
１１ａ 評価結果
１２ 処理部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】