特表 2025-520515 分析レポートを生成するための技術

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2025-07-03

(54)【発明の名称】分析レポートを生成するための技術

(51)【国際特許分類】

   G06F 16/9035 20190101AFI20250626BHJP

   G06Q 50/10 20120101ALI20250626BHJP

【ＦＩ】

G06F16/9035

G06Q50/10

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024573815

(86)(22)【出願日】2022-06-17

(85)【翻訳文提出日】2025-02-13

(86)【国際出願番号】 US2022034017

(87)【国際公開番号】W WO2023244244

(87)【国際公開日】2023-12-21

(81)【指定国・地域】

(71)【出願人】

【識別番号】502208397

【氏名又は名称】グーグル エルエルシー

【氏名又は名称原語表記】Ｇｏｏｇｌｅ ＬＬＣ

【住所又は居所原語表記】１６００ Ａｍｐｈｉｔｈｅａｔｒｅ Ｐａｒｋｗａｙ ９４０４３ Ｍｏｕｎｔａｉｎ Ｖｉｅｗ， ＣＡ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】100108453

【弁理士】

【氏名又は名称】村山 靖彦

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100110364

【弁理士】

【氏名又は名称】実広 信哉

(72)【発明者】

【氏名】マシュー・トンプソン・ウォルター

(72)【発明者】

【氏名】マイケル・ジョセフ・ヴァレンティ

(72)【発明者】

【氏名】サンダーダス・サミュエル・ドライ－ラジ

(72)【発明者】

【氏名】モシェ・リッチマン

(72)【発明者】

【氏名】マニッシュ・アグラワル

(72)【発明者】

【氏名】ジョセフ・ケリー

(72)【発明者】

【氏名】マイケル・アンドリュー・ウォレス

(72)【発明者】

【氏名】スティーヴン・ポール・ガネム

【テーマコード（参考）】

5B175

5L050

【Ｆターム（参考）】

5B175DA10

5B175HA01

5L050CC12

(57)【要約】

ウェブサイトのレポートを生成するための技術が本明細書に提示されている。方法は、１つまたは複数のコンピューティングデバイスによって、複数の非識別イベントにアクセスすることを含むことができる。複数の非識別イベントにおける各イベントは、１つまたは複数の特性に関連付けられ得る。さらに、方法は、機械学習済み予測モデルを使用して、イベント対ユーザの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することができる。さらに、方法は、複数の非識別イベントからの第１のイベントを、第１のイベントの１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てることを含むことができる。さらに、方法はウェブサイトのレポートを生成することを含み得る。レポートは、第１の疑似ユーザに割り当てられる第１のイベントから導出される情報を含む。

【特許請求の範囲】

【請求項1】

コンピュータに実装される方法であって、
１つまたは複数のコンピューティングデバイスによって、複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
機械学習済み予測モデルを使用して、イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、コンピュータに実装される方法。

【請求項2】

前記非識別イベントが、ユーザ識別子のないイベントに関連付けられ、前記機械学習済み予測モデルが、前記ウェブサイトをブラウズするときに識別子を受け入れた前記ウェブサイトの複数の識別ユーザに関連付けられる複数の識別イベントから導出されたデータに基づいて、前記イベント対ユーザの比率を決定する、請求項１に記載のコンピュータに実装される方法。

【請求項3】

前記複数の識別イベントから導出された前記データは、前記ウェブサイト由来の第１の当事者データである、請求項２に記載のコンピュータに実装される方法。

【請求項4】

前記第１のイベントが第１の特性に関連付けられ、前記方法が、
前記第１のイベントの前記第１の特性に基づいて、前記複数の識別ユーザから類似ユーザのサブセットを選択することであって、前記類似ユーザのサブセットは前記第１の特性に関連付けられている、選択すること、及び
前記類似ユーザのサブセットから導出されたデータに基づいて、前記イベント対ユーザの比率を更新することをさらに含む、請求項２または請求項３に記載のコンピュータに実装される方法。

【請求項5】

前記第１のイベントが、前記ウェブサイトのショッピングカートに品物を追加することであり、前記類似ユーザのサブセットが、前記ウェブサイトのショッピングカートに品物を追加したユーザである、請求項４に記載のコンピュータに実装される方法。

【請求項6】

前記第１の特性が、前記第１のイベントに関連付けられるウェブブラウザ、前記第１のイベントに関連付けられる原産国、または前記第１のイベントに関連付けられる表示の解像度である、請求項４または請求項５に記載のコンピュータに実装される方法。

【請求項7】

前記類似ユーザのサブセットが、第１の次元に関連付けられ、前記方法が、
前記機械学習済み予測モデルを使用して、前記第１の特性に基づいて、前記第１の疑似ユーザに前記第１の次元を割り当てることをさらに含み、
前記分析レポートは、前記第１の疑似ユーザに割り当てられている前記第１の次元から導出された情報をさらに含む、請求項４から６のいずれか一項に記載のコンピュータに実装される方法。

【請求項8】

前記第１の次元は、前記第１のイベントに関連付けられる最初の訪問日であり、前記第１の次元は、前記複数の識別イベントから導出された確率分布に基づいて、前記第１の疑似ユーザに割り当てられる、請求項７に記載のコンピュータに実装される方法。

【請求項9】

前記方法が、
前記機械学習済み予測モデルを使用して、イベント対セッションの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられたセッション数を計算することをさらに含み、
前記分析レポートは、前記セッション数から導出される情報をさらに含む、請求項１から８のいずれか一項に記載のコンピュータに実装される方法。

【請求項10】

前記機械学習済み予測モデルが、前記ウェブサイトをブラウズするときに識別子を受け入れた前記ウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されたデータに基づいて、前記イベント対セッションの比率を決定する、請求項９に記載のコンピュータに実装される方法。

【請求項11】

前記方法が、
前記機械学習済み予測モデルを使用して、前記第１の疑似ユーザを複数の疑似セッションに割り当てること、
前記第１のイベントの第１の特性に基づいて、前記第１のイベントを前記複数の疑似セッションからの第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートが、前記複数の疑似セッションに割り当てられている前記第１の疑似ユーザと、前記第１の疑似セッションに割り当てられている前記第１のイベントとから導出される情報をさらに含む、請求項１０に記載のコンピュータに実装される方法。

【請求項12】

前記方法が、
前記ウェブサイトの構成に基づいて一連のイベントを決定すること、
前記機械学習済みモデルを使用して、前記一連のイベントに基づいて、前記複数の非識別イベントから第２のイベントを決定すること、
前記機械学習済み予測モデルを使用して、前記第２のイベントを前記第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートは、前記第１の疑似セッション及び前記第１の疑似ユーザに割り当てられている前記第２のイベントから導出された情報をさらに含む、請求項１１に記載のコンピュータに実装される方法。

【請求項13】

前記第１のイベントが第２の次元に関連付けられ、前記方法が、
前記機械学習済み予測モデルを使用して、前記第２の次元を前記第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートは、前記第１の疑似セッション及び前記第１の疑似ユーザに割り当てられている前記第２の次元から導出された情報をさらに含む、請求項１１または請求項１２に記載のコンピュータに実装される方法。

【請求項14】

前記方法が、
クライアントコンピューティングデバイスから受信した要求に応答して、前記クライアントコンピューティングデバイスのディスプレイに前記分析レポートを提示すること、をさらに含む、請求項１から１３のいずれか一項に記載のコンピュータに実装される方法。

【請求項15】

前記機械学習済み予測モデルは、時間イベントにおいて、リアルタイムで、前記第１のイベントを前記第１の疑似ユーザに割り当て、前記方法は、
前記時間イベントの後の特定の期間、追加の非識別イベントにアクセスすること、
前記追加の非識別イベントに基づいて、前記第１のイベントを第２の疑似ユーザに再度割り当てること、
前記ウェブサイトの更新されたレポートを生成することであって、前記更新されたレポートは、第２の疑似ユーザに再度割り当てられる前記第１のイベントから導出された情報を含む、生成すること、及び
前記ディスプレイに提示される前記分析レポートを前記更新されたレポートに置き換えること、をさらに含む、請求項１４に記載のコンピュータに実装される方法。

【請求項16】

前記機械学習済み予測モデルが回帰モデルである、請求項１から１５のいずれか一項に記載のコンピュータに実装される方法。

【請求項17】

前記方法が、
複数の日から取得されたデータに基づいて補正係数を計算すること、及び
前記補正係数に基づいて、前記複数の非識別イベントに関連付けられる疑似ユーザの数を更新すること、をさらに含む、請求項１から１６のいずれか一項に記載のコンピュータに実装される方法。

【請求項18】

前記方法が、
前記補正係数に基づいて、前記複数の日の間にわたって前記ウェブサイトを訪問した一意の疑似ユーザの数を決定すること、をさらに含み、
前記分析レポートは、前記複数の日の間にわたって前記ウェブサイトを訪問した前記一意の疑似ユーザの数から導出される情報をさらに含む、請求項１７に記載のコンピュータに実装される方法。

【請求項19】

コンピューティングシステムであって、
１つまたは複数のプロセッサと、
１つまたは複数の非一時的コンピュータ可読媒体とを備え、前記１つまたは複数の非一時的コンピュータ可読媒体は、
機械学習済み予測モデルであって、識別子を受け入れたウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されるデータに基づいて、イベント対ユーザの比率を生成するように構成される、機械学習済み予測モデルと、
前記１つまたは複数のプロセッサによって実行されると、前記コンピューティングシステムに動作を実行させる命令とを集合的に格納し、前記動作が、
複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
前記機械学習済み予測モデルを使用して、前記イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
前記ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、コンピューティングシステム。

【請求項20】

１つまたは複数のコンピューティングデバイスによって実行されると、前記１つまたは複数のコンピューティングデバイスに動作を実行させる命令を含む１つまたは複数の非一時的コンピュータ可読媒体であって、前記動作は、
複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
機械学習済み予測モデルを使用して、イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、１つまたは複数の非一時的コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、概して、ウェブサイトのデータ分析レポートを自動生成することに関する。より具体的には、本開示は、機械学習済み予測モデルを使用して、複数の非識別イベントに関連付けられる情報（例えば、ユーザ数、セッション数）を決定するための技法に関する。

【背景技術】

【0002】

ウェブサイトの所有者が、ユーザがどのようなコンテンツに接触したか、どのキャンペーンが最高のパフォーマンスをもたらしたか、及びコンバージョンを促進する上での重要なタッチポイントを把握することを望む場合がある。しかしながら、ウェブサイトの所有者が利用できる情報に欠落がある可能性があるため、ユーザがコンテンツアイテムまたはインプレッションとインタラクトした後にユーザが実行するアクションを理解することは困難である。さらに、ユーザは、異なるブラウザ及びデバイスを使用してウェブサイトとインターフェースすることができる。さらに、ユーザはオンラインで製品を調べてから、その製品をオフラインで購入し得る。ウェブサイトの所有者は、データに基づいた意思決定を行い、カスタマジャーニーの向上に注力する必要がある。

【発明の概要】

【0003】

本開示の実施形態の態様及び利点は、以下の説明において部分的に示され、または説明から学習することができ、または実施形態の実践を通じて学習することができる。

【0004】

本開示は、機械学習済み予測モデルを使用して、分析レポートのための分析データを生成するためのシステム及び方法を提供する。分析データは、ユーザ識別データ及び非識別イベント（例えば、安定したユーザ識別子を欠く可能性のあるイベント）を含み得る。機械学習済み予測モデルは、非識別イベントからビジネスメトリックを推定できる。ビジネスメトリックは、性別や広告キャンペーンなどの他の次元と共に、ユーザ数、セッション数を含むことができる。システムは、識別データからのメトリックを、非識別データ（例えば、非識別イベント）由来の推定値と内部で組み合わせて、ビジネスの意思決定のために使用できる完全な分析レポートを与えることができる。

【0005】

本開示の１つの例示的な態様は、コンピュータに実装される方法を対象とする。方法は、１つまたは複数のコンピューティングデバイスによって、複数の非識別イベントにアクセスすることを含むことができる。複数の非識別イベントは、非識別イベントの総数を有する。例えば、非識別イベントは、ユーザ識別子（例えば、安定したユーザ識別子など）のないイベントに関連付けることができる。複数の非識別イベントにおける各イベントは、１つまたは複数の特性に関連付けられ得る。さらに、方法は、機械学習済み予測モデルを使用して、イベント対ユーザの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することを含むことができる。さらに、方法は、機械学習済み予測モデルを使用して、複数の非識別イベント由来の第１のイベントを、第１のイベントの１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てることを含むことができる。さらに、方法は、ウェブサイトの分析レポートを生成することを含むことができる。分析レポートは、疑似ユーザの数及び第１の疑似ユーザに割り当てられる第１のイベントから導出される情報を含むことができる。

【0006】

本開示の他の例示的な態様は、１つまたは複数のプロセッサ、及び１つまたは複数の非一時的コンピュータ可読媒体を含むコンピューティングシステムを対象とする。１つまたは複数の非一時的コンピュータ可読媒体は、機械学習済み予測モデル、及び、１つまたは複数のプロセッサによって実行されると、コンピューティングシステムに動作を実行させる命令を集合的に格納し得る。機械学習済み予測モデルは、ウェブサイトをブラウズするときに、識別子を受け入れたウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されるデータに基づいて、イベント対ユーザの比率を生成するように構成される。動作は、複数の非識別イベントにアクセスすることを含み得る。例えば、非識別イベントは、ユーザ識別子（例えば、安定したユーザ識別子など）のないイベントに関連付けることができる。複数の非識別イベントは、非識別イベントの総数を有する。複数の非識別イベントにおける各イベントは、１つまたは複数の特性に関連付けられ得る。さらに、動作は、機械学習済み予測モデルを使用して、イベント対ユーザの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することを含むことができる。さらに、動作は、機械学習済み予測モデルを使用して、複数の非識別イベント由来の第１のイベントを、第１のイベントの１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てることを含むことができる。さらに、動作は、ウェブサイトの分析レポートを生成することを含むことができる。分析レポートは、疑似ユーザの数及び第１の疑似ユーザに割り当てられる第１のイベントから導出される情報を含むことができる。いくつかの実施態様では、システムの処理パラメータは、生成された分析レポートから得たデータに基づいて調整され得る。

【0007】

本開示のさらに他の例示的な態様は、１つまたは複数のコンピューティングデバイスによって実行されると、１つまたは複数のコンピューティングデバイスに動作を実行させる命令を含む１つまたは複数の非一時的コンピュータ可読媒体を対象とする。動作は、複数の非識別イベントにアクセスすることを含み得る。例えば、非識別イベントは、ユーザ識別子（例えば、安定したユーザ識別子など）のないイベントに関連付けることができる。複数の非識別イベントは、非識別イベントの総数を有する。複数の非識別イベントにおける各イベントは、１つまたは複数の特性に関連付けられる。さらに、動作は、機械学習済み予測モデルを使用して、イベント対ユーザの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することを含むことができる。さらに、動作は、機械学習済み予測モデルを使用して、複数の非識別イベント由来の第１のイベントを、第１のイベントの１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てることを含むことができる。さらに、動作は、ウェブサイトの分析レポートを生成することを含むことができる。分析レポートは、疑似ユーザの数及び第１の疑似ユーザに割り当てられる第１のイベントから導出される情報を含むことができる。

【0008】

いくつかの実施態様では、機械学習済み予測モデルは、ウェブサイトをブラウズするときに、識別子を受け入れたウェブサイトの識別ユーザに関連付けられた複数の識別イベントから導出されたデータに基づいて、イベント対ユーザの比率を決定できる。いくつかの例では、複数の識別イベントから導出されたデータは、ウェブサイトからの第１の当事者データである場合がある。

【0009】

いくつかの実施態様では、第１のイベントは第１の特性に関連付けることができる。さらに、方法は、第１のイベントの第１の特性に基づいて、複数の識別ユーザから類似ユーザのサブセットを選択することをさらに含むことができる。類似ユーザのサブセットは、第１の特性に関連付けられ得る。さらに、方法は、類似ユーザのサブセットから導出されたデータに基づいて、イベント対ユーザの比率を更新することを含むことができる。

【0010】

いくつかの実施態様では、第１のイベントは、ウェブサイトのショッピングカートに品物を追加することであり得る。さらに、類似ユーザのサブセットは、ウェブサイトのショッピングカートに、やはり品物を追加したユーザであり得る。

【0011】

いくつかの実施態様では、第１の特性は、第１のイベントに関連付けられるウェブブラウザであり得る。あるいは、いくつかの実施態様では、第１の特性は、第１のイベントに関連付けられる原産国であり得る。あるいは、いくつかの実施態様では、第１の特性は、第１のイベントに関連付けられる表示の解像度であり得る。

【0012】

いくつかの実施態様では、類似ユーザのサブセットは、第１の次元に関連付けられ得る。さらに、方法は、機械学習済み予測モデルを使用して、第１の特性に基づいて、第１の次元を第１の疑似ユーザに割り当てることをさらに含むことができる。さらに、分析レポートは、第１の疑似ユーザに割り当てられる第１の次元から導出された情報をさらに含むことができる。

【0013】

いくつかの実施態様では、第１の次元は、第１のイベントに関連付けられる最初の訪問日とすることができる。さらに、第１の次元は、複数の識別イベントから導出された確率分布に基づいて、第１の疑似ユーザに割り当てることができる。いくつかの実施態様では、第１の次元は、第１の疑似ユーザに関連付けられた性別であることができる。

【0014】

いくつかの実施態様では、方法は、機械学習済み予測モデルを使用して、イベント対セッションの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられたセッション数を計算することをさらに含むことができる。さらに、分析レポートは、セッション数から導出された情報をさらに含むことができる。

【0015】

いくつかの実施態様では、機械学習済み予測モデルは、ウェブサイトをブラウズするときに、識別子を受け入れたウェブサイトの識別ユーザに関連付けられた複数の識別イベントから導出されたデータに基づいて、イベント対セッションの比率を決定できる。

【0016】

いくつかの実施態様では、方法は、機械学習済み予測モデルを使用して、第１の疑似ユーザを複数の疑似セッションに割り当てることをさらに含むことができる。さらに、方法は、第１のイベントの第１の特性に基づいて、複数の疑似セッション由来の第１の疑似セッションに第１のイベントを割り当てることを含むことができる。さらに、分析レポートは、複数の疑似セッションに割り当てられている第１の疑似ユーザ、及び第１の疑似セッションに割り当てられている第１のイベントから導出された情報を含むことができる。

【0017】

いくつかの実施態様では、方法は、ウェブサイトの構成に基づいて一連のイベントを決定することをさらに含むことができる。さらに、方法は、機械学習済みモデルを使用して、一連のイベントに基づいて、複数の非識別イベント由来の第２のイベントを決定することを含むことができる。さらに、方法は、機械学習済み予測モデルを使用して、第２のイベントを第１の疑似セッションに割り当てることを含むことができる。分析レポートは、第１の疑似セッション及び第１の疑似ユーザの両方に割り当てられている第２のイベントから導出された情報をさらに含むことができる。

【0018】

いくつかの実施態様では、第１のイベントは第２の次元に関連付けることができ、方法は、機械学習済み予測モデルを使用して、第２の次元を第１の疑似セッションに割り当てることをさらに含むことができる。分析レポートは、第１の疑似セッション及び第１の疑似ユーザの両方に割り当てられている第２の次元から導出された情報をさらに含むことができる。

【0019】

いくつかの実施態様では、方法は、クライアントコンピューティングデバイスから受信した要求に応答して、クライアントコンピューティングデバイスのディスプレイに分析レポートを提示することをさらに含むことができる。

【0020】

いくつかの実施態様では、機械学習済み予測モデルは、時間イベントにおいて、リアルタイムで、第１のイベントを第１の疑似ユーザに割り当てることができる。さらに、方法は、時間イベントの後の特定の期間、追加の非識別イベントにアクセスすることを含むことができる。さらに、方法は、追加の非識別イベントに基づいて、第１のイベントを第２の疑似ユーザに再度割り当てることを含むことができる。さらに、方法は、ウェブサイトの更新されたレポートを生成することを含むことができる。更新されたレポートは、第２の疑似ユーザに再度割り当てられる第１のイベントから導出された情報を含むことができる。その後、方法は、ディスプレイに提示される分析レポートを更新されたレポートに置き換えることを含むことができる。

【0021】

いくつかの実施態様では、機械学習済み予測モデルは、回帰モデルであり得る。

【0022】

いくつかの実施態様では、方法は、複数の日から取得されたデータに基づいて補正係数を計算することをさらに含むことができる。さらに、方法は、補正係数に基づいて、複数の非識別イベントに関連付けられる疑似ユーザの数を更新することを含むことができる。さらに、方法は、補正係数に基づいて、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数を決定することを含むことができる。さらに、分析レポートは、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数から導出される情報を含むことができる。

【0023】

本開示の他の態様は、様々なシステム、装置、非一時的コンピュータ可読媒体、ユーザインターフェース、及び電子デバイスを対象とする。

【0024】

本開示の様々な実施形態のこれら及び他の特徴、態様及び利点は、以下の発明を実施するための形態及び添付の特許請求の範囲を参照して、よりよく理解されるようになる。本明細書に組み込まれ、本明細書の一部を構成する添付の図面は、本開示の例示的な実施形態を例示し、発明を実施するための形態と併せて、関連する原理を説明する役目を果たしている。

【0025】

当業者を対象にした実施形態の詳細な説明は、添付の図面を参照する本明細書で示されている。

【図面の簡単な説明】

【0026】

【図1A】本開示の例示的な実施形態による、例示的なコンピューティングシステムのブロック図である。

【図1B】本開示の例示的な実施形態による、例示的なコンピューティングデバイスのブロック図である。

【図1C】本開示の例示的な実施形態による、例示的なコンピューティングデバイスのブロック図である。

【図2】本開示の例示的な実施形態による、レポート用のデータを決定するための例示的なモデルのブロック図である。

【図3】本開示の例示的な実施形態による、ウェブサイトの分析レポートを生成するための例のフローチャート図である。

【図4】本開示の例示的な実施形態による、イベントをセッションに割り当てるためのフローチャート図である。

【図5】本開示の例示的な実施形態による、リアルタイムでレポートを提示し、その後追加情報に基づいてレポートを更新するためのフローチャートである。

【図6】本開示の例示的な実施形態による、第１のレポート及び第２のレポートを提示するグラフィカルユーザインターフェースの図である。

【発明を実施するための形態】

【0027】

本開示の態様による例示的な実施形態は、ウェブサイトの分析レポートを生成するための機械学習済み予測モデルを有するコンピューティングデバイスに関する。レポートは、識別イベント及び非識別イベントに基づいて生成され得る。識別イベントは、オンラインでのアクティビティを第１の当事者データとしてウェブサイトのパブリッシャに送信することに同意したウェブサイトのユーザに関連付けられ得る。非識別イベントは、ユーザ識別子を欠いているイベントに関連付けることができる。同意モードは、イベントがユーザ識別子を欠く場合がある例である。いくつかの例では、ユーザ識別子は安定したユーザ識別子である。安定した（例えば、恒久的な）ユーザ識別子は、同意の場合にブラウザセッション内でのイベント全体にわたって同じユーザ識別子、プラットフォーム制約の場合は複数の日にちにわたるイベントに対して同じユーザ識別子、または複数のデバイス（例えば、デスクトップ、モバイルなど）にわたるイベントに対して同じユーザ識別子であり得る。いくつかの実施態様では、機械学習済み予測モデルは、識別子なしで分析データを取得し、行動データを推定するためのモデリングを実行することができる。識別子のない分析データは、顧客（例えば、ウェブサイトまたはモバイルアプリケーションの管理者）から取得された第１の当事者データであり得る。例えば、機械学習済み予測モデルは、ユーザ識別子を許容する類似ユーザの行動に基づいて、疑似ユーザに関連付けられる非識別イベントをモデル化することができる。機械学習済み予測モデルをトレーニングするために使用されるトレーニングデータは、識別イベントから導出されたデータに基づいている。本明細書に記載の技術は、機械学習済み予測モデルを使用することによって、非識別イベントに関連付けられる分析データを予測することができる。機械学習済み予測モデルは、非識別イベントから、複数の次元にわたる複数のメトリックを推定して、分析レポートを生成することができる。

【0028】

いくつかの実施態様では、システムは、確率的ハードコード化アルゴリズムと機械学習済み予測とのハイブリッドを利用することができる。例えば、システムは、機械学習済み予測モデルを利用して、非識別イベントを疑似ユーザ、疑似セッション、及び観察不可能な次元に割り当てることができる。さらに、機械学習済み予測モデルは、非識別イベントを割り当てるために、本明細書に記載の比率及びアルゴリズムを決定することができる。いくつかの例では、比率及びハードコーディングアルゴリズムは、機械学習済み予測モデルによって事前計算され得る。両方のタイプのアプローチ（例えば、リアルタイムでの決定及び事前に計算された比率／アルゴリズム）を使用して、機械学習済み予測モデルのタスクが簡素化され、モデルをより小さく、トレーニングしやすく、より速くトレーニングすることが可能になる。さらに、両方のタイプのアプローチを使用することにより、システムは、非識別イベントから、リアルタイムで分析レポートを生成することが可能になる。いくつかの実施態様では、システムの処理パラメータは、生成された分析レポートから得たデータに基づいて調整され得る。

【0029】

機械学習済み予測モデルは、膨大な量の履歴データを分析し、主要なデータポイント間の相関関係及び傾向を識別し、それらの洞察を使用して行動に関する正確な予測を行うことによって、分析データを生成することができる。機械学習済み予測モデルは、ユーザ識別子のないイベントの欠落を埋めることができる。機械学習済みモデルは、ウェブサイトによって取得された第１の当事者データを活用して、カスタマジャーニーの欠落を埋め、洞察を決定することができる。第１の当事者データは、非識別イベント（例えば、非ラベル付きデータ、ユーザ識別子を欠いているデータ）に関する情報を決定する（例えば、推定する、予測する）ために利用され得るラベル付きデータ（例えば、観察可能な測定）を含むことができる。例えば、ユーザがデバイス間で、オンラインからオフラインへ、ブラウザの制限、及び様々な同意の選択に移行すると、カスタマジャーニーの欠落が発生する可能性がある。

【0030】

本明細書で説明されるシステム及び方法は、非識別イベント（例えば、非ラベル付きデータ）の行動モデリングの予測を改善することができる。行動モデリングは、非識別イベント及び観察不可能な次元と関連付けられる可能性があり、これらは、機械学習モデルをトレーニングするためのグラウンドトゥルースを有さない場合がある。グラウンドトゥルースは、当該のユースケースに関連付けられる関連データセットによって反映される、機械学習モデルのターゲットである問題の実際の性質を指す。行動モデリングは、ユーザがウェブサイトで、またはモバイルアプリケーションの中で行い得る変換を超えたアクションに関する洞察を提供できる。機械学習済み予測モデルは、識別子を有するイベントから導出されたデータを利用して、識別子を有さないイベントをモデル化し、分析することができる。例えば、本明細書に説明する技術は、ウェブサイトはユーザとセッションとを関連付け、「私の最後のキャンペーンで何人の新規ユーザを獲得したのでしょうか？」といった質問に答えることを可能にする。

【0031】

いくつかの実施態様では、企業は、識別子のないイベントの数に比例する、分析レポーティング由来のデータの損失を経験する場合がある。これにより、測定が不完全なシナリオが発生し、企業が以下のような質問に対する答えを得ることができなくなる可能性がある。
ａ） １日あたりの有効なユーザ数は何人なのでしょうか？
ｂ） 私の最後のキャンペーンで何人の新規ユーザを獲得したのでしょうか？
ｃ） 私のウェブサイトにアクセスしてから実際に購入するまでのユーザジャーニーはどのようなものでしたか？
ｄ） 私のサイトの訪問者のうち、英国と比較して、ドイツを本拠としている訪問者は何人いますか？
ｅ） モバイル訪問者とウェブ訪問者との間のユーザの行動の違いは何でしょうか？

【0032】

例えば、１日あたりの有効なユーザの正確なカウントを有することは、ウェブサイト及びモバイルアプリケーションのクラッシュを減らすために処理、ネットワーク帯域幅、及び他のコンピューティングリソースがどれほど必要であり得るか決定するために、システムにより使用され得る。いくつかの実施態様では、図３～５に記載の方法は、生成された分析レポートからのデータに基づいて処理パラメータを調整することをさらに含むことができる。

【0033】

いくつかの実施態様では、機械学習済み予測モデルは、ユーザ識別子を備えるイベントに基づいてユーザ識別子を備えていないイベントをモデル化することにより、データの欠落を埋めようとする。モデル化に使用されるトレーニングデータは、モデルをトレーニングできる特性に関連付けられた、同意したユーザデータに基づくことができる。特性は、ウェブサイト及び／またはモバイルアプリケーションに関する分析レポートとデータのセットであってもよい。生成及び提示されるレポート及びユーザインターフェースは、クライアントが表示するために選択した特性の種類によって異なり得る。

【0034】

例えば、機械学習済み予測モデルは、識別子（例えば、分析クッキー、ユーザＩＤ）が入手できない場合に観察不可能であり得る１日あたりの有効なユーザ及びコンバージョンの比率などの、ユーザ及びセッションのメトリックに基づいて、データを推定する。

【0035】

機械学習済み予測モデルは、非識別イベントのモデル化されたデータ（例えば、非ラベル付きデータ）を生成できる。さらに、ウェブサイトから取得された第１の当事者データは、ラベル付きデータと呼ばれ得る。例えば、ラベル付きデータは、ユーザがクライアントのウェブサイトを訪問し、分析クッキーに同意したときに取得されたデータを含む。さらに、ユーザが識別子を使用してパーソナライズすることに同意した場合、データはラベル付きデータと呼ばれる。いくつかの例では、ユーザは、第１の当事者のウェブサイトまたはモバイルアプリケーションに署名することによって、パーソナリゼーションに対して同意を与えることができる。

【0036】

あるいは、ユーザが分析クッキーまたは同等のモバイルアプリケーション識別子の使用に同意しない場合、イベントはユーザ識別子に関連付けられず、データは非識別イベント（例えば、非ラベル付きデータ）と呼ばれる。例えば、システムが１０個のページビューイベントを収集する場合、システムは、それらのイベントが１０人のユーザに関連付けられているのか、それとも１人のユーザだけに関連付けられているのかを観察して報告することができない。代わりに、システムは、機械学習済み予測モデルを使用して、許容される分析クッキーまたは同等のモバイルアプリケーション識別子を受け入れた類似したユーザの行動に基づいて、非識別イベントを分析することができる。

【0037】

いくつかの実施形態では、本開示の例示的な態様によるシステム及び方法は、ラベル（例えば、識別イベント）及び非ラベル付きデータ（例えば、非識別イベント）に基づいて、機械学習済みモデルフレームワークを使用して分析データ及び／またはレポートを生成することで、上記の利点を得ることができる。例えば、機械学習済みモデルフレームワークは、ラベル付きデータを使用してトレーニングできる予測モデルを含むことができる。このようにして、例えば、機械学習済みモデルフレームワークは、非ラベル付きデータを使用して予測及び分析データを生成するために、予測モデルを使用することを学習することができる。

【0038】

いくつかの実施形態では、本開示の例示的な態様による例示的なシステム及び方法は、メモリ（例えば、データベース）のデータ構造の格納、管理、検索、及び相互参照の改善を提供することができる。例えば、例示的なデータベースは、様々な非識別イベント（例えば、非ラベル付きデータ）を記述する実世界のデータ構造を含み得る。他のデータベースはまた、識別イベント（例えば、ラベル付きデータ）を記述するデータ構造を含み得る。ラベル付きデータに基づいて、本開示による例示的なコンピューティングシステムは、中間のデータ構造セット（例えば、機械学習済み予測モデルの学習済みパラメータのセット）を学習して、非識別イベントを疑似ユーザ、疑似セッション、及び観察不可能な次元にマッピングすることができる。いくつかの実施形態では、例えば、中間のデータ構造セットは、データベースの非ラベル付きデータと１つまたは複数の変換ラベルとの関連付けを提供するように機能して、非ラベル付きデータの改善された格納及び／または取得（例えば、１つまたは複数のラベルに基づくインデックス付けされたストレージ、１つまたは複数のラベルに基づいた検索など）を可能にし得る。

【0039】

いくつかの実施形態では、例えば、中間のデータ構造セットは、非識別イベントに対するクエリの処理及び実行を提供するように機能し得る。例えば、クエリは、非識別イベントに関連付けられる分析データを取得するためのクエリを含み得る。非識別イベントは、分析データ及び／またはレポートを迅速に生成するために、疑似ユーザ、疑似セッション、及び観察不可能な次元に割り当てられ得る。しかしながら、有利なことに、中間のデータ構造セットは、非識別イベントを疑似ユーザ、疑似セッション、及び観察不可能な次元に機能マッピングし得る。このようにすると、例えば、本開示の態様による例示的なシステム及び方法は、そのようなクエリが他の方法では（例えば、データ不良または通信が制限されている実施態様のため）利用できない場合でも、入力データセットに対するクエリの実行と処理を提供することができる。

【0040】

いくつかの実施形態では、本開示の例示的な態様による例示的なシステム及び方法は、非識別イベント（例えば、非ラベル付きデータ）の中から関連性を決定することを提供することができる。例えば、関連性は、非識別イベントデータにおいてラベル付けがないか、または不完全なラベル付けの次元に沿って決定され得る。例えば、時間的関連性は、データが時間的関係の完全な（またはいずれかの）ラベル付けを欠いている場合でも、非識別イベントデータに対して決定され得る。例えば、いくつかの実施形態では、非識別イベントデータは、イベントに関連付けられるタイムスタンプ（例えば、日付、時刻、日付と時刻）を含むことができるが、非識別イベントデータは、予測モデルが一連のイベントがある可能性があると決定したときでさえ、後続のいずれかのイベントのタイムスタンプを欠く場合がある。

【0041】

いくつかの実施態様では、機械学習済み予測モデルは、モデルのパラメータのうちの１つまたは複数を修正することによって更新され得る。例えば、システムは、保留検証を実行することによってモデルの正確さをチェックし、保留検証に基づいてモデルのパラメータ（複数可）を修正できる。保留検証は、推定ユーザデータを、モデルトレーニングから保留された観察されたユーザデータの一部と比較することによって、モデルの精度を維持することができ、その情報は、モデルを調整する（例えば、１つまたは複数のパラメータを修正する）ために使用される。さらに、システムは、データに影響を与え得る変更をクライアントに伝達できる。

【0042】

本開示のシステム及び方法は、いくつかの技術的効果及び利点を提供する。本開示の態様は、リアルタイムでレポートを生成するための処理時間を短縮することにより、機械学習予測モデルに対するいくつかの技術的改善を提供することができる。異なるタイプの比率を利用してユーザ及びセッションの数を決定することにより、システムは、レポート用のデータを生成するために必要なモデリングの量を削減することができる。一部が事前計算できる場合において、異なる種類の比率を用いてモデルをトレーニング及び／または実行することにより、モデルをトレーニング及び／または実行するための計算リソース（例えばプロセッサ時間、メモリ使用量など）を削減することができる。本明細書に記載されるシステム及び方法は、レポートを生成する処理速度を向上させ、また、モデリングを実行してレポート用のデータを生成するために必要なコンピューティングリソースを減らすことができる。その結果、システムは、予測データの精度を維持しながら、最先端のパフォーマンスを達成できる。さらに、本明細書に記載されるシステム及び方法は、生成された分析レポートからのデータに基づいて、システムの処理パラメータを調整することができる。

【0043】

ここで図面を参照して、本開示の例示的な実施形態がさらに詳細に議論される。

【0044】

複数の日の補正の実施態様
疑似ユーザ識別子は１日だけ持続し得るが、複数の日の補正の実施態様では、同意したユーザ識別子が経時的に持続し得ることを所与とすると、システムは、複数の日にちにわたってアクセスされたより正確なデータを使用することで、分析レポートを更新（例えば、補正など）することができる。したがって、システムが任意の日付の範囲にわたって同意したユーザの一意の数を決定及び報告すると、システムは単にその時間窓での一意の識別子の数をカウントすることができる。

【0045】

例えば、２日前にウェブサイトを訪問した１００人の同意したユーザ、前日にウェブサイトを訪問した１２０人の同意したユーザ、及び両日とも訪問した３０人のユーザがいる場合、２日間の間に一意の同意したユーザの数は（１００＋１２０－３０）＝１９０となる。

【0046】

いくつかの実施態様では、システムは、疑似ユーザに割り当てられた識別子が１日の境界を越えて持続することを可能にしない。そのため、いくつかの例では、システムは、任意の日付の範囲にわたって疑似ユーザの超過カウントを調整するための補正係数（「複数の日の補正」とも呼ばれる）を含む。補正係数は、日付の範囲にわたる１日の同意したユーザに対する、日付の範囲にわたる一意の同意したユーザの比率とすることができる。

【0047】

上の例を使用すると、２日間にわたって、補正係数は、（１００＋１２０－３０）／（１００＋１２０）＝１９０／２２０＝０．８６となる。

【0048】

したがって、システムが、２日前に２２０人の疑似ユーザが、昨日２５０人の疑似ユーザが存在していると決定した場合、２日間にわたって重複排除した疑似ユーザの補正された数は、（２２０＋２５０）＊０．８６＝４０４になる。したがって、システムは、２日間の間に４０４人の一意の疑似ユーザが存在すると決定することができる。

【0049】

さらに、重複排除プロセスの後、システムは、両日ともウェブサイトを訪問した疑似ユーザ４６人（１日目に２２０人の疑似ユーザ＋２日目に２５０人の疑似ユーザ－両日間で４０４人の一意の疑似ユーザ）が存在すると決定することができる。

【0050】

いくつかの実施態様では、報告が顧客によって生成されると、複数の日の補正がクエリ実行時に適用され得る（例えば、システムは、レポートが要求されたときに補正を計算することができ、システムのバックエンドに補正係数を格納しない）。

【0051】

いくつかの実施態様では、方法は、複数の日から取得されたデータに基づいて補正係数を計算することをさらに含むことができる。さらに、方法は、補正係数に基づいて、複数の非識別イベントに関連付けられる疑似ユーザの数を更新することを含むことができる。さらに、方法は、補正係数に基づいて、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数を決定することを含むことができる。さらに、分析レポートは、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数から導出される情報を含むことができる。

【0052】

例示的なデバイス及びシステム
図１Ａは、本開示の例示的な実施形態による、画像編集を実行する例示的なコンピューティングシステム１００のブロック図を示す。システム１００は、ネットワーク１８０を介して通信可能に結合されたユーザコンピューティングデバイス１０２と、サーバコンピューティングシステム１３０と、トレーニングコンピューティングシステム１５０とを含む。

【0053】

ユーザコンピューティングデバイス１０２は、例えば、パーソナルコンピューティングデバイス（例えば、ラップトップもしくはデスクトップ）、モバイルコンピューティングデバイス（例えば、スマートフォンもしくはタブレット）、ゲームコンソールもしくはコントローラ、ウェアラブルコンピューティングデバイス、組み込みコンピューティングデバイス、または任意の他のタイプのコンピューティングデバイスなど、いずれかのタイプのコンピューティングデバイスであることができる。

【0054】

コンピューティングデバイス１０２は、１つまたは複数のプロセッサ１１２と、メモリ１１４とを含む。１つまたは複数のプロセッサ１１２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）である場合があり、また、１つのプロセッサ、または動作可能に接続された複数のプロセッサである場合がある。メモリ１１４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、１つまたは複数の非一時的なコンピュータ可読記憶媒体、及びそれらの組み合わせを含むことができる。メモリ１１４は、ユーザコンピューティングデバイス１０２に動作を実行させるためにプロセッサ１１２によって実行されるデータ１１６及び命令１１８を格納することができる。

【0055】

いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、１つまたは複数のモデル１２０を格納する、または含むことができる。例えば、モデル１２０（例えば、予測モデル）は、ニューラルネットワーク（例えば、ディープニューラルネットワーク）などの様々な機械学習済みモデル、または非線形モデル及び／または線形モデルを含む他のタイプの機械学習済みモデルであることができる、またはその他の方法でそれらを含むことができる。ニューラルネットワークは、フィードフォワードニューラルネットワーク、再帰型ニューラルネットワーク（例えば、長・短期記憶再帰型ニューラルネットワーク）、畳み込みニューラルネットワーク、または他の形式のニューラルネットワークを含むことができる。例示的なモデル１２０は、図２～５を参照して説明される。

【0056】

いくつかの実施態様では、１つまたは複数のモデル１２０は、ネットワーク１８０を介してサーバコンピューティングシステム１３０から受信され、ユーザコンピューティングデバイスメモリ１１４に格納され、次に、１つまたは複数のプロセッサ１１２によって使用される、またはその他の方法で実装され得る。いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、単一モデル１２０の複数の並列インスタンスを実装することができる。

【0057】

より具体的には、モデル１２０は、モデルを最適化するためにモデルのパラメータをトレーニングするよう、トレーニングデータセット１６２でトレーニングコンピューティングシステム１５０を使用してトレーニングされ得る。トレーニングコンピューティングシステム１６２は、観察されたデータに依存して、トレーニングモデルに効率及び精度を加え得る。さらに、トレーニングデータ１６２はまた、第１の当事者データであり得る。さらに、トレーニングデータ１６２は、ユーザがクライアントのウェブサイトを訪れ、分析クッキーに同意したときに取得されたデータを含み得る。さらに、トレーニングデータ１６２は、ユーザが識別子を受け入れるときに取得されたデータを含み得る。

【0058】

追加的、または代替的に、１つまたは複数のモデル１４０は、クライアント－サーバ関係に従ってユーザコンピューティングデバイス１０２と通信するサーバコンピューティングシステム１３０に含まれることができ、またはその他の方法で格納されることができ、それによって実装され得る。例えば、モデル１４０は、ウェブサービス（例えば、ウェブサイト）の一部としてサーバコンピューティングシステム１４０によって実装できる。よって、１つまたは複数のモデル１２０は、ユーザコンピューティングデバイス１０２において格納及び実装され得、及び／または、１つまたは複数のモデル１４０は、サーバコンピューティングシステム１３０において格納及び実装され得る。

【0059】

また、ユーザコンピューティングデバイス１０２は、ユーザ入力を受信する１つまたは複数のユーザ入力コンポーネント１２２を含むことができる。例えば、ユーザ入力コンポーネント１２２は、ユーザ入力オブジェクト（例えば、指またはスタイラス）のタッチに感応するタッチ感応コンポーネント（例えば、タッチ感応表示画面またはタッチパッド）であることができる。タッチ感応コンポーネントは、仮想キーボードを実施する役割を果たすことができる。他の例示的なユーザ入力コンポーネントは、マイクロフォン、従来のキーボード、またはユーザがユーザ入力を提供できる他の手段を含む。

【0060】

サーバコンピューティングシステム１３０は、１つまたは複数のプロセッサ１３２と、メモリ１３４とを含む。１つまたは複数のプロセッサ１３２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）である場合があり、かつ、１つのプロセッサ、または動作可能に接続された複数のプロセッサである場合がある。メモリ１３４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、１つまたは複数の非一時的なコンピュータ可読記憶媒体、及びそれらの組み合わせを含むことができる。メモリ１３４は、サーバコンピューティングシステム１３０に動作を実行させるためにプロセッサ１３２によって実行されるデータ１３６及び命令１３８を格納することができる。

【0061】

いくつかの実施態様では、サーバコンピューティングシステム１３０は、１つまたは複数のサーバコンピューティングデバイスを含むか、またはその他の方法で実施される。サーバコンピューティングシステム１３０が複数のサーバコンピューティングデバイスを含む場合、そのようなサーバコンピューティングデバイスは、シーケンシャルコンピューティングアーキテクチャ、パラレルコンピューティングアーキテクチャ、またはそれらの何らかの組み合わせに従って動作できる。

【0062】

上記のように、サーバコンピューティングシステム１３０は、１つまたは複数の機械学習済みモデル１４０を格納する、またはさもなければ含むことができる。例えば、モデル１４０は、様々な機械学習済みモデルであるか、またはそれ以外の場合、様々な機械学習済みモデルを含むことができる。例示的な機械学習済みモデルは、ニューラルネットワークまたはその他の多層非線形モデルを含む。例示的なニューラルネットワークは、フィードフォワードニューラルネットワーク、ディープニューラルネットワーク、再帰型ニューラルネットワーク、及び畳み込みニューラルネットワークを含む。例示的なモデル１４０は、図２～６を参照して説明される。

【0063】

ユーザコンピューティングデバイス１０２及び／またはサーバコンピューティングシステム１３０は、ネットワーク１８０を介して通信可能に結合されるトレーニングコンピューティングシステム１５０とのインタラクションによってモデル１２０及び／または１４０をトレーニングすることができる。トレーニングコンピューティングシステム１５０は、サーバコンピューティングシステム１３０とは別個であることができ、または、サーバコンピューティングシステム１３０の一部であることができる。

【0064】

トレーニングコンピューティングシステム１５０は、１つまたは複数のプロセッサ１５２及びメモリ１５４を含む。１つまたは複数のプロセッサ１５２は、任意の適切な処理デバイス（例えば、プロセッサコア、マイクロプロセッサ、ＡＳＩＣ、ＦＰＧＡ、コントローラ、マイクロコントローラなど）である場合があり、また、１つのプロセッサ、または動作可能に接続された複数のプロセッサである場合がある。メモリ１５４は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、ＥＰＲＯＭ、フラッシュメモリデバイス、磁気ディスクなど、１つまたは複数の非一時的なコンピュータ可読記憶媒体、及びそれらの組み合わせを含むことができる。メモリ１５４は、トレーニングコンピューティングシステム１５０に動作を実行させるためにプロセッサ１５２によって実行されるデータ１５６及び命令１５８を格納することができる。いくつかの実施態様では、トレーニングコンピューティングシステム１５０は、１つまたは複数のサーバコンピューティングデバイスを含むか、またはそうでなければ、１つまたは複数のサーバコンピューティングデバイスによって実装される。

【0065】

トレーニングコンピューティングシステム１５０は、例えば誤差逆伝播などの様々なトレーニングまたはラーニング技術を使用して、ユーザのコンピューティングデバイス１０２及び／またはサーバコンピューティングシステム１３０に格納された機械学習済みモデル１２０及び／または１４０をトレーニングするモデルトレーナ１６０を含むことができる。例えば、損失関数は、（例えば、損失関数の勾配に基づいて）モデル（複数可）の１つまたは複数のパラメータを更新するためにモデル（複数可）を通して逆伝搬できる。平均二乗誤差、尤度損失、交差エントロピー損失、ヒンジ損失、及び／または様々な他の損失関数など、様々な損失関数を使用できる。勾配降下法は、いくつかのトレーニング反復にわたってパラメータを反復的に更新するために使用できる。

【0066】

いくつかの実施態様では、誤差逆伝播を実行することは、経時的に切り捨てられた逆伝播を実行することを含んでもよい。モデルトレーナ１６０は、トレーニングされるモデルの汎化能力を改善するために、いくつかの汎化技術（例えば、荷重減衰、ドロップアウトなど）を実行できる。

【0067】

特に、モデルトレーナ１６０は、トレーニングデータ１６２のセットに基づいて画像編集モデル１２０及び／または１４０をトレーニングすることができる。トレーニングデータ１６２は、例えば、観察データ及び／または第１の当事者データを含むことができる。

【0068】

いくつかの実施態様では、ユーザが同意を提供した場合、ユーザコンピューティングデバイス１０２によってトレーニング例を提供することができる。したがって、そのような実施態様では、ユーザコンピューティングデバイス１０２に提供されたモデル１２０を、トレーニングコンピューティングシステム１５０によって、ユーザコンピューティングデバイス１０２から受信されたユーザ固有データに対してトレーニングすることができる。いくつかの実施態様では、このプロセスはモデルのパーソナライズと呼ばれ得る。

【0069】

モデルトレーナ１６０は、所望の機能を提供するために利用されるコンピュータロジックを含む。モデルトレーナ１６０を、ハードウェア、ファームウェア、及び／または汎用プロセッサを制御するソフトウェアにおいて実装することができる。例えば、いくつかの実施態様では、モデルトレーナ１６０は、ストレージデバイスに記憶され、メモリにロードされ、１つまたは複数のプロセッサによって実行されるプログラムファイルを含む。他の実施態様では、モデルトレーナ１６０は、ＲＡＭ、ハードディスク、または光もしくは磁気媒体などの有形のコンピュータ可読記憶媒体に記憶されるコンピュータ実行可能命令の１つまたは複数のセットを含む。

【0070】

ネットワーク１８０は、ローカルエリアネットワーク（例えば、イントラネット）、ワイドエリアネットワーク（例えば、インターネット）、またはそれらの何らかの組み合わせなどの、いずれかのタイプの通信ネットワークであり得、いずれかの数の有線リンクまたは無線リンクを含むことができる。一般に、ネットワーク１８０を介した通信は、多種多様な通信プロトコル（例えば、ＴＣＰ／ＩＰ、ＨＴＴＰ、ＳＭＴＰ、ＦＴＰ）、符号化またはフォーマット（例えば、ＨＴＭＬ、ＸＭＬ）、及び／または保護スキーム（例えば、ＶＰＮ、セキュアＨＴＴＰ、ＳＳＬ）を用いて、任意のタイプの有線リンクまたは無線リンクを介して行われ得る。

【0071】

図１Ａは、本開示を実装するために使用することができる１つの例示的なコンピューティングシステムを例示する。他のコンピューティングシステムも同様に使用することができる。例えば、いくつかの実施態様では、ユーザコンピューティングデバイス１０２は、モデルトレーナ１６０と、トレーニングデータセット１６２とを含むことができる。そのような実施態様では、モデル１２０は、ユーザコンピューティングデバイス１０２においてローカルでトレーニング及び使用の両方を行うことができる。そのような実施態様の一部では、ユーザコンピューティングデバイス１０２は、ユーザ固有データに基づいてモデル１２０を個別化するモデルトレーナ１６０を実装することができる。

【0072】

図１Ｂは、本開示の例示的な実施形態により実行する例示的なコンピューティングデバイス１０のブロック図を示す。コンピューティングデバイス１０は、ユーザコンピューティングデバイスまたはサーバコンピューティングデバイスであることができる。

【0073】

コンピューティングデバイス１０は、いくつかのアプリケーション（例えば、アプリケーション１～Ｎ）を含む。各アプリケーションは、独自の機械学習ライブラリと、機械学習済みモデル（複数可）とを含む。例えば、各々のアプリケーションは、機械学習済みモデルを含むことができる。例示的なアプリケーションは、テキストメッセージングアプリケーション、電子メールアプリケーション、ディクテーションアプリケーション、仮想キーボードアプリケーション、ブラウザアプリケーションなどを含む。

【0074】

図１Ｂに例示されるように、各々のアプリケーションは、例えば１つまたは複数のセンサ、コンテキストマネージャ、デバイス状態コンポーネント、及び／または追加のコンポーネントなど、コンピューティングデバイスのいくつかの他のコンポーネントと通信することができる。いくつかの実施態様では、各アプリケーションは、ＡＰＩ（例えば、公開ＡＰＩ）を使用して各デバイスコンポーネントと通信できる。いくつかの実施態様では、各アプリケーションによって使用されるＡＰＩは、そのアプリケーションに固有である。

【0075】

図１Ｃは、本開示の例示的な実施形態により実行する例示的なコンピューティングデバイス５０のブロック図を表す。コンピューティングデバイス５０は、ユーザコンピューティングデバイスまたはサーバコンピューティングデバイスであることができる。

【0076】

コンピューティングデバイス５０は、いくつかのウェブサイト及び／またはモバイルアプリケーション（例えば、アプリケーション１～Ｎ）を含む。各々のウェブサイト及び／またはモバイルアプリケーションは、中央インテリジェンス層と通信し得る。例示的なウェブサイトは、コマース（例えば、ショッピング）ウェブサイト、メディアストリーミングウェブサイト、ソーシャルネットワークウェブサイトなどを含むことができる。例示的なアプリケーションは、テキストメッセージングアプリケーション、電子メールアプリケーション、ディクテーションアプリケーション、仮想キーボードアプリケーション、ブラウザアプリケーションなどを含む。いくつかの実施態様では、各々のアプリケーションは、ＡＰＩ（例えば、すべてのアプリケーションにわたる共通ＡＰＩ）を使用して中央インテリジェンス層（及びその中に格納されたモデル（複数可））と通信することができる。

【0077】

中央インテリジェンス層は、複数の機械学習済みモデルを含む。例えば、図１Ｃに示すように、それぞれの機械学習済みモデル（例えば、モデル）は、ウェブサイト及び／またはアプリケーションごとに提供することができ、中央インテリジェンス層によって管理できる。他の実施態様では、２つ以上のウェブサイト及び／またはモバイアプリケーションは、単一の機械学習済みモデルを共有することができる。例えば、いくつかの実施態様では、中央インテリジェンス層は、ウェブサイト及び／またはアプリケーションのすべてに対して単一のモデル（例えば、単一のモデル）を提供できる。いくつかの実施態様では、中央インテリジェンス層は、コンピューティングデバイス５０のオペレーティングシステム内に含まれ、またはそうでなければ、コンピューティングデバイス５０のオペレーティングシステムによって実装される。

【0078】

中央インテリジェンス層は中央デバイスデータ層と通信することができる。中央デバイスデータ層は、コンピューティングデバイス５０のデータの集中型リポジトリであることができる。図１Ｃに示されるように、中央デバイスデータ層は、例えば、１つまたは複数のセンサ、コンテキストマネージャ、デバイス状態コンポーネント、及び／または追加コンポーネントなど、コンピューティングデバイスの他のいくつかのコンポーネントと通信できる。いくつかの実施態様では、中央デバイスデータ層は、ＡＰＩ（例えば、プライベートＡＰＩ）を使用して各デバイスコンポーネントと通信することができる。

【0079】

例示的なモデル配置
図２は、本開示の例示的な実施形態による、レポート用の分析データを決定するための例示的な機械学習済み予測モデル２００のブロック図を示す。いくつかの実施態様では、コンピューティングシステム（ユーザコンピューティングデバイス１０２、サーバコンピューティングデバイス１３０、トレーニングコンピューティングデバイス１５０、コンピューティングデバイス１０、コンピューティングデバイス５０）は、機械学習済み予測モデル２００を含むことができる。

【0080】

いくつかの実施態様では、機械学習済み予測モデル２００は、４層モデルであり得る。機械学習済み予測モデル２００は、ウェブサイトの複数の非識別イベントに関連付けられる疑似ユーザ（例えば、第１のユーザ２１０）を決定するための第１の層のモデルを含むことができる。疑似ユーザは、非識別イベントに関連付けられるユーザであり得る。例えば、システムが１０個のページビューイベントを収集する場合、システムは、１０個のページビューイベントに関連付けられる疑似ユーザの数（すなわち、１～１０人）を決定することができる。

【0081】

いくつかの実施態様では、機械学習済み予測モデル２００は、ウェブサイトの複数の非識別イベントに関連付けられるセッション（例えば、第１のセッション２２０、第２のセッション２２２）を決定するために、第２の層のモデルを含むことができる。疑似ユーザは、１つまたは複数のセッションに関連付けられ得る。例えば、図２に示すように、第１のユーザ２１０は、第１のセッション２２０及び第２のセッション２２２に関連付けられ得る。１０個のページビューイベントの例を続けると、システムは１０個のページビューイベントに関連付けられたセッション数を決定することができる。いくつかの例では、１人の疑似ユーザは複数のセッションを有し得るので、疑似ユーザの数はセッションの数より少ない。セッションは、時にユーザトラフィックと呼ばれることがある。

【0082】

いくつかの実施態様では、機械学習済み予測モデル２００は、非識別イベント（例えば、第１のイベント２３０、第２のイベント２３２、第３のイベント２３４）を疑似ユーザ及び／またはセッションに割り当てるために、第３の層のモデルを含むことができる。例えば、図２に示すように、第１のイベント２３０、第２のイベント２３２、及び第３のイベント２３４は、第１のセッション２２０と第１のユーザとの両方に割り当てられる。図３～５は、本開示の例示的な実施形態による、非識別イベントを疑似ユーザ及び／またはセッションに割り当てるための方法を説明する。

【0083】

いくつかの実施態様では、機械学習済み予測モデル２００は、観察不可能な次元（例えば、最初の訪問日、１日あたりのウェブサイト訪問回数、前のイベント、連続するイベント、性別）を疑似ユーザ及び／または、セッションに割り当てるべく第４の層モデルを含み得る。観察不可能な次元は、疑似ユーザまたはセッションに既に割り当てられているイベントに関連付けられる特性に基づいて割り当てられ得る。いくつかの例では、システムは、システムが疑似ユーザまたはセッションに割り当てることができる数百の観察不可能な次元を含むことができる。例えば、図２に示すように、観察不可能な次元２５０は、第１のセッション２２０及び第１のユーザの両方に割り当てられる。図３～５は、本開示の例示的な実施形態による、観察不可能な次元を疑似ユーザ及び／またはセッションに割り当てるための方法を説明する。

【0084】

例示的な方法
図３は、本開示の例示的な実施形態による、ウェブサイトの分析レポートを生成するための例のフローチャート図を示す。図３は、例示及び説明の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に示された順序または配置に限定されない。方法３００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、結合、及び／または適合できる。

【0085】

いくつかの実施態様では、方法３００は、コンピューティングデバイス１０２、サーバコンピューティングシステム１３０、トレーニングコンピューティングシステム１５０、コンピューティングデバイス１０、コンピューティングデバイス５０などのコンピューティングシステムによって実行することができる。さらに、コンピューティングシステムは、方法３００を実行するために、１つまたは複数のプロセッサ（例えば、プロセッサ（複数可）１１２、１３２、１５２）を使用することができる。

【0086】

３０２で、コンピューティングシステムは、複数の非識別イベントにアクセスすることができる。例えば、非識別イベントは、ユーザ識別子（例えば、安定したユーザ識別子）のないイベントに関連付けることができる。いくつかの例では、ユーザが分析クッキーまたは同等のモバイルアプリケーション識別子の使用に同意しない場合、イベントはユーザ識別子なしであり得る。複数の非識別イベントは、非識別イベントの総数を有する。複数の非識別イベントにおける各イベントは、１つまたは複数の特性に関連付けられ得る。

【0087】

いくつかの例では、機械学習済み予測モデルは、回帰モデルであり得る。さらに、例示的な機械学習済み予測モデルは、ニューラルネットワークまたはその他の多層非線形モデルを含む。例示的なニューラルネットワークは、フィードフォワードニューラルネットワーク、ディープニューラルネットワーク、再帰型ニューラルネットワーク、及び畳み込みニューラルネットワークを含む。

【0088】

いくつかの例では、機械学習済み予測モデルは、例えば、誤差の逆伝播など、様々なトレーニングまたは学習技術を用いて、トレーニングされ得る。例えば、損失関数は、（例えば、損失関数の勾配に基づいて）モデル（複数可）の１つまたは複数のパラメータを更新するためにモデル（複数可）を通して逆伝搬できる。平均二乗誤差、尤度損失、交差エントロピー損失、ヒンジ損失、及び／または様々な他の損失関数など、様々な損失関数を使用できる。勾配降下法は、いくつかのトレーニング反復にわたってパラメータを反復的に更新するために使用できる。

【0089】

３０４では、コンピューティングシステムは、機械学習済み予測モデルを使用して、イベント対ユーザの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することができる。いくつかの例では、コンピューティングシステムは、機械学習済み予測モデルを使用して、イベント対ユーザの比率に基づいて、複数の非識別イベントに関連付けられた疑似ユーザの数を計算することができる。

【0090】

いくつかの実施態様では、機械学習済み予測モデルは、識別子を受け入れたウェブサイトの識別ユーザに関連付けられた複数の識別イベントから導出されたデータに基づいて、イベント対ユーザの比率を決定できる。例えば、ユーザは、ウェブサイトをブラウズするときに、分析クッキーを受け入れることができる。他の例では、ユーザは、モバイルアプリケーションをインターフェースするときまたはブラウズするときにユーザ識別子を受け入れることができる。いくつかの例では、複数の識別イベントから導出されたデータは、ウェブサイトまたはモバイルアプリケーションからの第１の当事者データである可能性がある。

【0091】

３０６で、コンピューティングシステムは、機械学習済み予測モデルを使用して、複数の非識別イベントからの第１のイベントを、第１のイベントの１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てる。

【0092】

いくつかの実施態様では、第１のイベントは第１の特性に関連付けることができる。さらに、コンピューティングシステムは、第１のイベントの第１の特性に基づいて、複数の識別ユーザから類似ユーザのサブセットを選択できる。類似ユーザのサブセットは、第１の特性に関連付けられ得る。さらに、コンピューティングシステムは、類似ユーザのサブセットから導出されたデータに基づいて、イベント対ユーザの比率を更新することができる。更新されたイベントの比率は、コンピューティングシステムによって利用されて、動作３０４で疑似ユーザの数を決定することができる。

【0093】

いくつかの実施態様では、第１の特性は第１のイベントに関連付けられるウェブブラウザである。あるいは、いくつかの実施態様では、第１の特性は、第１のイベントに関連付けられる原産国であり得る。あるいは、いくつかの実施態様では、第１の特性は、第１のイベントに関連付けられる表示の解像度である。機械学習済み予測モデルは、第１の特性を有する複数のイベントを疑似ユーザ及び／または疑似セッションに割り当てることができる。例えば、特定の表示の解像度を有する複数のイベントは、第１の疑似ユーザに割り当てることができ、異なる表示の解像度を有する他のイベントは、ユーザがセッションの間に異なる表示の解像度を有さないので、第１の疑似ユーザに割り当てられることからフィルタリングされる。

【0094】

いくつかの例では、第１のイベントは、ウェブサイトのショッピングカートに品物を追加することであり得、同様のユーザのサブセットは、ウェブサイトのショッピングカートに品物を追加したユーザである。いくつかの例では、第１のイベントは、ウェブサイトのショッピングカートの品物を購入することであり得、同様のユーザのサブセットは、ウェブサイトのカートの品物を購入したユーザである。機械学習済み予測モデルは、第１のイベントと前の非識別イベントとの間の相関を予測するためにセッションについてのジャーニーを決定し得る。セッションのジャーニーは、第１のイベントと後続の非識別イベントとの間の相関関係を予測するために利用され得る。例えば、セッションのジャーニーは、製品をクリックすること、次に、その製品をショッピングカートに追加すること、及びその後、ショッピングカートから製品を購入することを含むことができる。さらに、イベントは、限定されないが、クレジットカード情報の入力、配送先アドレスの入力、及び製品の購入に関連付けられる他のイベントなど、ジャーニーに関連付けられ得る。

【0095】

いくつかの実施態様では、類似ユーザのサブセットは、第１の次元に関連付けられ得る。例えば、第１の次元は、最初の訪問日などの観察できない次元であり得る。他の例では、第１の次元は、第１の疑似ユーザに関連付けられる性別であってもよい。さらに、コンピューティングシステムは、機械学習済み予測モデルを使用して、第１の特性に基づいて、第１の次元を第１の疑似ユーザに割り当てることができる。いくつかの例では、第１の次元は、第１のイベントに関連付けられる最初の訪問日であってもよく、第１の次元は、複数の識別イベントから導出された確率分布に基づいて、第１の疑似ユーザに割り当てられる。例えば、確率分布は、最初の訪問日が特定の日数だけ前であった可能性が高いことを示すことができ、その日を第１の疑似ユーザの最初の訪問日として割り当てることができる。さらに、分析レポートでは、第１の疑似ユーザに割り当てられている第１の次元から導出された情報を提供できる。

【0096】

３０８で、コンピューティングシステムは、ウェブサイトの分析レポートを生成することができる。いくつかの例では、コンピューティングシステムは、モバイルアプリケーションの分析レポートを生成することができる。分析レポートは、疑似ユーザの数及び第１の疑似ユーザに割り当てられる第１のイベントから導出される情報を含むことができる。いくつかの例では、コンピューティングシステムは、モバイルアプリケーションの分析レポートを生成することができる。

【0097】

いくつかの実施態様では、方法は、複数の日から取得されたデータに基づいて補正係数を計算することをさらに含むことができる。さらに、方法は、補正係数に基づいて、複数の非識別イベントに関連付けられる疑似ユーザの数を更新することを含むことができる。さらに、方法は、補正係数に基づいて、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数を決定することを含むことができる。さらに、分析レポートは、複数の日の間にわたってウェブサイトを訪問した一意の疑似ユーザの数から導出される情報を含むことができる。

【0098】

いくつかの実施態様では、方法は、３０８で生成された分析レポートから導出されたデータに基づいて、処理パラメータ（例えば、処理能力、メモリの容量、ネットワーク帯域幅）を調整することをさらに含む。

【0099】

図４は、本開示の例示的な実施形態による、イベントをセッションに割り当てるためのフローチャート図を示す。図４は、例示及び説明の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に示された順序または配置に限定されない。方法４００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、結合、及び／または適合できる。

【0100】

いくつかの実施態様では、動作方法４００は、方法３００及び／または方法５００の動作と組み合わせることができる。例えば、動作４０２は、方法３００の動作３０４の後に実行することができる。

【0101】

４０２で、コンピューティングシステムは、機械学習済み予測モデルを使用して、識別子を受け入れたウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されるデータに基づいて、イベント対セッションの比率を決定することができる。

【0102】

４０４では、コンピューティングシステムは、機械学習済み予測モデルを使用して、イベント対セッションの比率及び非識別イベントの総数に基づいて、複数の非識別イベントに関連付けられたセッション数を計算することができる。さらに、３０８で生成される分析レポートは、セッション数から導出された情報を含み得る。

【0103】

４０６で、コンピューティングシステムは、機械学習済み予測モデルを使用して、第１の疑似ユーザを複数の疑似セッションに割り当てることができる。

【0104】

４０８で、コンピューティングシステムは、第１のイベントの第１の特性に基づいて、複数の疑似セッション由来の第１の疑似セッションに第１のイベントを割り当てることができる。さらに、３０８で生成される分析レポートは、複数の疑似セッションに割り当てられている第１の疑似ユーザ、及び第１の疑似セッションに割り当てられている第１のイベントから導出される情報を含み得る。

【0105】

４１０で、コンピューティングシステムは、ウェブサイトの構成に基づいて一連のイベントを決定することができる。例えば、一連のイベントは、ホームページでユーザがジャーニーを開始（すなわち、第１のイベント）し、次に、ユーザが製品ページをクリックし（すなわち、第２のイベント）、次にユーザが製品のページから製品を選択してショッピングカートに追加（すなわち、第３のイベント）し、次にユーザがチェックアウトページをクリックして選択した製品を購入（すなわち、第４のイベント）し、次にユーザがクレジットカード及び配送情報を入力して、選択した製品の購入を終了（例えば、第５のイベント）するセッションを含むことができる。

【0106】

４１２で、コンピューティングシステムは、機械学習済みモデルを使用して、一連のイベントに基づいて、複数の非識別イベントから第２のイベントを決定することができる。製品の購入の例を続けると、コンピューティングシステムは、第１及び第２のイベントの両方を第１の疑似ユーザに割り当てることができ、第１のイベントは、ウェブサイトのホームページを開くことであり、第２のイベントは、ウェブサイトの製品のページを開くことである。

【0107】

４１４で、コンピューティングシステムは、機械学習済み予測モデルを使用して、第２のイベントを第１の疑似セッションに割り当てることができる。製品の購入の例を続けると、コンピューティングシステムは、第１のイベント及び第２のイベントの両方を第１の疑似セッションに割り当てることができ、ホームページを開くことが第１のイベントであり、製品のページを開くことが第２のイベントである。さらに、３０８で生成される分析レポートは、第１の疑似セッションと第１の疑似ユーザの両方に割り当てられている第２のイベントから導出される情報を含み得る。

【0108】

いくつかの実施態様では、第１のイベントは第２の次元に関連付けることができる。さらに、コンピューティングシステムは、機械学習済み予測モデルを使用して、第２の次元を第１の疑似セッションに割り当てることができる。さらに、３０８で生成される分析レポートは、第１の疑似セッションと第１の疑似ユーザの両方に割り当てられている第２の次元から導出される情報を含み得る。

【0109】

図５は、本開示の例示的な実施形態による、リアルタイムでレポートを提示し、その後追加情報に基づいてレポートを更新するためのフローチャート図を示す。図５は、例示及び説明の目的で特定の順序で実行されるステップを示しているが、本開示の方法は、特に示された順序または配置に限定されない。方法５００の様々なステップは、本開示の範囲から逸脱することなく、様々な方法で省略、再配置、結合、及び／または適合できる。

【0110】

いくつかの実施態様では、動作方法４００は、方法３００及び／または方法４００の動作と組み合わせることができる。例えば、動作５０２は、方法３００の動作３０８の後に実行することができる。

【0111】

５０２で、コンピューティングシステムは、クライアントコンピューティングデバイスから受信した要求に応答して、クライアントコンピューティングデバイスのディスプレイに分析レポートを提示することができる。いくつかの例では、分析レポートは、リアルタイムまたはほぼリアルタイムで存在する。分析レポートの提示は、時間イベントのときであってよい。さらに、機械学習済み予測モデルは、時間イベントにおいてリアルタイムで第１のイベントを第１の疑似ユーザに割り当てることができる。

【0112】

５０４で、コンピューティングシステムは、時間イベントの後の特定の期間、追加の非識別イベントにアクセスすることができる。例えば、コンピューティングシステムは、特定の期間（例えば、１２時間、２４時間）、非識別イベントのすべてにアクセスできる。追加の非識別イベントは、機械学習済み予測モデルの予測を向上させることができる。

【0113】

５０６で、コンピューティングシステムは、追加の非識別イベントに基づいて、第１のイベントを第２の疑似ユーザに再度割り当てることができる。例えば、機械学習済みモデルは、リアルタイムで取得される限られた情報を用いて、第１のイベントに関してリアルタイムで第１の予測を行うことができる。さらに、機械学習済みモデルは、特定の期間にキャプチャされた追加の非識別イベントに基づいて、時間イベントの後に、より正確な予測を行うことができる。

【0114】

５０８で、コンピューティングシステムは、ウェブサイトの更新されたレポートを生成することができる。例えば、更新されたレポートは、第２の疑似ユーザに再度割り当てられる第１のイベントから導出された情報を含むことができる。

【0115】

５１０で、コンピューティングシステムは、５０２でディスプレイに提示される分析レポートを、更新されるレポートに置き換えることができる。

【0116】

図６は、本開示の例示的な実施形態による、第１のレポート及び第２のレポートを提示するグラフィカルユーザインターフェース６１０の図解６００を示す。いくつかの実施態様では、グラフィカルユーザインターフェース６１０は、ウェブサイト所有者が、利用可能な第１の当事者データに基づいて第１のレポート６２０を見る、及び／または機械学習済み予測モデルによって生成される第２のレポート６３０を見るオプションを提示し得る。第１のレポート６２０は、識別子を受け入れたウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されたデータに基づいて生成され得る。第２のレポート６３０は、図３～５で説明した技法に基づいて生成することができる。図６に示すように、システムは、モデル化されたデータと観察されたデータとを、結合または分離されたレポートで、シームレスに統合できる。

【0117】

追加の開示
上述に加え、本明細書で説明されるシステム、プログラム、または機能がユーザ情報（例えば、ユーザのソーシャルネットワーク、ソーシャルアクション、または活動、職業、ユーザの好み、またはユーザの現在の位置に関する情報）の収集を可能にし得る場合、及び可能にし得るときの両方について、またサーバからユーザにコンテンツまたは通信を送信するかについて、ユーザが選択することを可能にする制御をユーザに提供し得る。さらに、特定のデータは、保存または使用される前に、個人を特定できる情報が削除されるように、１つまたは複数の方法で処理され得る。例えば、ユーザの識別情報は、ユーザ個人を特定できる情報を決定できないように処理され得るか、または、位置情報が得られる（市、郵便番号、または州レベルなど）場合、ユーザの特定の場所を決定することができないように、ユーザの地理的位置が一般化され得る。したがって、ユーザは、ユーザについてどのような情報が収集されるか、その情報がどのように使用されるか、及びユーザにどのような情報が提供されるかを制御し得る。

【0118】

本明細書で説明する技術は、サーバ、データベース、ソフトウェアアプリケーション、及び他のコンピュータベースのシステム、ならびに実行されるアクション及びそのようなシステムに送信される情報及びそのようなシステムから送信される情報を示す。コンピュータベースのシステムに固有の柔軟性により、コンポーネント間のタスク及び機能の多種多様な実現可能な構成、組み合わせ、分割が可能になる。例えば、本明細書で論じるプロセスは、単一のデバイスまたはコンポーネント、あるいは組み合わせて作動する複数のデバイスまたはコンポーネントを使用して実装できる。データベース及びアプリケーションは、単一のシステムに実装し得るか、または複数のシステムに分散し得る。分散されたコンポーネントは、順次または並列に動作できる。

【0119】

本開示の主題は、その様々に具体的で例示的な実施形態について詳細に説明されてきたが、それぞれの例は、説明するために提供されており、本開示を限定するものではない。当業者は、前述の理解に達すると、そのような実施形態への変更、変形、及び均等物を容易に作り出すことができる。したがって、主題の開示は、当業者に容易にとって明らかであろうような、本主題へのそのような修正、変形、及び／または追加を含めることを排除しない。例えば、一実施形態の一部として図示または説明されている特徴を他の実施形態で使用して、さらに他の実施形態を生み出し得る。したがって、本開示は、そのような変更、変形、及び均等物を網羅することを意図している。

【図1A】

【図1B】

【図1C】

【図2】

【図3】

【図4】

【図5】

【図6】

【手続補正書】

【提出日】2025-02-13

【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】

コンピュータに実装される方法であって、
１つまたは複数のコンピューティングデバイスによって、複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
機械学習済み予測モデルを使用して、イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、コンピュータに実装される方法。

【請求項2】

前記非識別イベントが、ユーザ識別子のないイベントに関連付けられ、前記機械学習済み予測モデルが、前記ウェブサイトをブラウズするときに識別子を受け入れた前記ウェブサイトの複数の識別ユーザに関連付けられる複数の識別イベントから導出されたデータに基づいて、前記イベント対ユーザの比率を決定する、請求項１に記載のコンピュータに実装される方法。

【請求項3】

前記複数の識別イベントから導出された前記データは、前記ウェブサイト由来の第１の当事者データである、請求項２に記載のコンピュータに実装される方法。

【請求項4】

前記第１のイベントが第１の特性に関連付けられ、前記方法が、
前記第１のイベントの前記第１の特性に基づいて、前記複数の識別ユーザから類似ユーザのサブセットを選択することであって、前記類似ユーザのサブセットは前記第１の特性に関連付けられている、選択すること、及び
前記類似ユーザのサブセットから導出されたデータに基づいて、前記イベント対ユーザの比率を更新することをさらに含む、請求項２に記載のコンピュータに実装される方法。

【請求項5】

前記第１のイベントが、前記ウェブサイトのショッピングカートに品物を追加することであり、前記類似ユーザのサブセットが、前記ウェブサイトのショッピングカートに品物を追加したユーザである、請求項４に記載のコンピュータに実装される方法。

【請求項6】

前記第１の特性が、前記第１のイベントに関連付けられるウェブブラウザ、前記第１のイベントに関連付けられる原産国、または前記第１のイベントに関連付けられる表示の解像度である、請求項４に記載のコンピュータに実装される方法。

【請求項7】

前記類似ユーザのサブセットが、第１の次元に関連付けられ、前記方法が、
前記機械学習済み予測モデルを使用して、前記第１の特性に基づいて、前記第１の疑似ユーザに前記第１の次元を割り当てることをさらに含み、
前記分析レポートは、前記第１の疑似ユーザに割り当てられている前記第１の次元から導出された情報をさらに含む、請求項４に記載のコンピュータに実装される方法。

【請求項8】

前記第１の次元は、前記第１のイベントに関連付けられる最初の訪問日であり、前記第１の次元は、前記複数の識別イベントから導出された確率分布に基づいて、前記第１の疑似ユーザに割り当てられる、請求項７に記載のコンピュータに実装される方法。

【請求項9】

前記方法が、
前記機械学習済み予測モデルを使用して、イベント対セッションの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられたセッション数を計算することをさらに含み、
前記分析レポートは、前記セッション数から導出される情報をさらに含む、請求項１に記載のコンピュータに実装される方法。

【請求項10】

前記機械学習済み予測モデルが、前記ウェブサイトをブラウズするときに識別子を受け入れた前記ウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されたデータに基づいて、前記イベント対セッションの比率を決定する、請求項９に記載のコンピュータに実装される方法。

【請求項11】

前記方法が、
前記機械学習済み予測モデルを使用して、前記第１の疑似ユーザを複数の疑似セッションに割り当てること、
前記第１のイベントの第１の特性に基づいて、前記第１のイベントを前記複数の疑似セッションからの第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートが、前記複数の疑似セッションに割り当てられている前記第１の疑似ユーザと、前記第１の疑似セッションに割り当てられている前記第１のイベントとから導出される情報をさらに含む、請求項１０に記載のコンピュータに実装される方法。

【請求項12】

前記方法が、
前記ウェブサイトの構成に基づいて一連のイベントを決定すること、
前記機械学習済みモデルを使用して、前記一連のイベントに基づいて、前記複数の非識別イベントから第２のイベントを決定すること、
前記機械学習済み予測モデルを使用して、前記第２のイベントを前記第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートは、前記第１の疑似セッション及び前記第１の疑似ユーザに割り当てられている前記第２のイベントから導出された情報をさらに含む、請求項１１に記載のコンピュータに実装される方法。

【請求項13】

前記第１のイベントが第２の次元に関連付けられ、前記方法が、
前記機械学習済み予測モデルを使用して、前記第２の次元を前記第１の疑似セッションに割り当てること、をさらに含み、
前記分析レポートは、前記第１の疑似セッション及び前記第１の疑似ユーザに割り当てられている前記第２の次元から導出された情報をさらに含む、請求項１１に記載のコンピュータに実装される方法。

【請求項14】

前記方法が、
クライアントコンピューティングデバイスから受信した要求に応答して、前記クライアントコンピューティングデバイスのディスプレイに前記分析レポートを提示すること、をさらに含む、請求項１に記載のコンピュータに実装される方法。

【請求項15】

前記機械学習済み予測モデルは、時間イベントにおいて、リアルタイムで、前記第１のイベントを前記第１の疑似ユーザに割り当て、前記方法は、
前記時間イベントの後の特定の期間、追加の非識別イベントにアクセスすること、
前記追加の非識別イベントに基づいて、前記第１のイベントを第２の疑似ユーザに再度割り当てること、
前記ウェブサイトの更新されたレポートを生成することであって、前記更新されたレポートは、第２の疑似ユーザに再度割り当てられる前記第１のイベントから導出された情報を含む、生成すること、及び
前記ディスプレイに提示される前記分析レポートを前記更新されたレポートに置き換えること、をさらに含む、請求項１４に記載のコンピュータに実装される方法。

【請求項16】

前記機械学習済み予測モデルが回帰モデルである、請求項１に記載のコンピュータに実装される方法。

【請求項17】

前記方法が、
複数の日から取得されたデータに基づいて補正係数を計算すること、及び
前記補正係数に基づいて、前記複数の非識別イベントに関連付けられる疑似ユーザの数を更新すること、をさらに含む、請求項１から１６のいずれか一項に記載のコンピュータに実装される方法。

【請求項18】

前記方法が、
前記補正係数に基づいて、前記複数の日の間にわたって前記ウェブサイトを訪問した一意の疑似ユーザの数を決定すること、をさらに含み、
前記分析レポートは、前記複数の日の間にわたって前記ウェブサイトを訪問した前記一意の疑似ユーザの数から導出される情報をさらに含む、請求項１７に記載のコンピュータに実装される方法。

【請求項19】

コンピューティングシステムであって、
１つまたは複数のプロセッサと、
１つまたは複数の非一時的コンピュータ可読記憶媒体とを備え、前記１つまたは複数の非一時的コンピュータ可読記憶媒体は、
機械学習済み予測モデルであって、識別子を受け入れたウェブサイトの識別ユーザに関連付けられる複数の識別イベントから導出されるデータに基づいて、イベント対ユーザの比率を生成するように構成される、機械学習済み予測モデルと、
前記１つまたは複数のプロセッサによって実行されると、前記コンピューティングシステムに動作を実行させる命令とを集合的に格納し、前記動作が、
複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
前記機械学習済み予測モデルを使用して、前記イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
前記ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、コンピューティングシステム。

【請求項20】

１つまたは複数のコンピューティングデバイスによって実行されると、前記１つまたは複数のコンピューティングデバイスに動作を実行させる命令を含む１つまたは複数の非一時的コンピュータ可読記憶媒体であって、前記動作は、
複数の非識別イベントにアクセスすることであって、前記複数の非識別イベントは、非識別イベントの総数を有し、前記複数の非識別イベントの各イベントは、１つまたは複数の特性に関連付けられる、アクセスすること、
機械学習済み予測モデルを使用して、イベント対ユーザの比率及び前記非識別イベントの総数に基づいて、前記複数の非識別イベントに関連付けられた疑似ユーザの数を計算すること、
前記機械学習済み予測モデルを使用して、前記複数の非識別イベントからの第１のイベントを、前記第１のイベントの前記１つまたは複数の特性に基づいて、第１の疑似ユーザに割り当てること、及び
ウェブサイトの分析レポートを生成することであって、前記分析レポートは、前記疑似ユーザの数から導出される情報と、前記第１の疑似ユーザに割り当てられる前記第１のイベントとを含む、生成すること、を含む、１つまたは複数の非一時的コンピュータ可読記憶媒体。

【国際調査報告】