特許 6937405 顧客推定装置及び顧客推定方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6937405

(24)【登録日】2021年9月1日

(45)【発行日】2021年9月22日

(54)【発明の名称】顧客推定装置及び顧客推定方法

(51)【国際特許分類】

   G06Q 30/02 20120101AFI20210909BHJP

【ＦＩ】

   G06Q30/02 470

   G06Q30/02

【請求項の数】10

【全頁数】19

(21)【出願番号】特願2020-54650(P2020-54650)

(22)【出願日】2020年3月25日

【審査請求日】2020年10月6日

【早期審査対象出願】

(73)【特許権者】

【識別番号】591101434

【氏名又は名称】株式会社ビデオリサーチ

(74)【代理人】

【識別番号】110000800

【氏名又は名称】特許業務法人創成国際特許事務所

(72)【発明者】

【氏名】宮田 正晃

(72)【発明者】

【氏名】田村 玄

【審査官】 樋口 龍弥

(56)【参考文献】

【文献】 特開２００２−１４０４９０（ＪＰ，Ａ）

【文献】 特許第６５９１６４４（ＪＰ，Ｂ１）

【文献】 特開２００６−１７２０８２（ＪＰ，Ａ）

【文献】 特開２０２０−０１６９４３（ＪＰ，Ａ）

【文献】 特開２０１９−１７４９７７（ＪＰ，Ａ）

【文献】 特開２０１６−２２４６９３（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｑ １０／００−９９／００

(57)【特許請求の範囲】

【請求項1】

顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、
前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、
指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、
前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与手段と、
前記第１の分類項目の作成とは別機会に、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、
前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて前記所定の規則に基づいて第２のスコアを付与する第２のスコア付与手段と、
を備えることを特徴とする顧客推定装置。

【請求項2】

第ｎ（ｎ≧２の自然数）の分類項目の作成とは別機会に、前記ソースデータの更新に伴い、第（ｎ＋１）の前記機械学習モデルを用いて前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、
前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて前記所定の規則に基づいて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、
を備えることを特徴とする請求項１に記載の顧客推定装置。

【請求項3】

対象顧客と判定するための前記スコアの閾値を設定し、
前記第１のスコアから前記第（ｎ＋１）のスコアを前記顧客のそれぞれに付与し、当該スコアが特定の期間に前記閾値を超えた回数に基づいて、当該顧客を対象顧客と判定する第１の対象顧客判定手段を備えることを特徴とする請求項２に記載の顧客推定装置。

【請求項4】

前記第１のスコアから前記第（ｎ＋１）のスコアを前記顧客のそれぞれに付与し、特定の期間における前記スコアの推移に基づいて前記顧客を対象顧客と判定する第２の対象顧客判定手段を備えることを特徴とする請求項２又は３に記載の顧客推定装置。

【請求項5】

前記スコア付与手段が付与した第１のスコアに第１の係数を乗じ、前記スコア付与手段が付与した第（ｎ＋１）のスコアに第（ｎ＋１）の係数を乗じ、これらを合算して前記顧客のそれぞれに加重スコアを付与する加重スコア付与手段と、
特定の期間において、前記加重スコア付与手段が付与した前記加重スコアに基づいて、当該顧客を対象顧客と判定する第３の対象顧客判定手段を備えることを特徴とする請求項２〜４の何れか１項に記載の顧客推定装置。

【請求項6】

第ｎ（ｎ≧１の自然数）の分類項目に第ｎのスコアが付与された後、所定条件を満たす前記顧客に新たなスコアを付与する特別スコア付与手段を備えることを特徴とする請求項１〜５の何れか１項に記載の顧客推定装置。

【請求項7】

機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、
前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、
前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、
前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、
前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与ステップと、
前記データ処理部が、前記第１の分類項目の作成とは別機会に、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、
前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて前記所定の規則に基づいて第２のスコアを付与する第２のスコア付与ステップと、
を備えることを特徴とする顧客推定方法。

【請求項8】

顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、
前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、
指標化すべき指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、
前記分類項目作成手段が作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与手段と、
前記分類項目に前記第１のスコアが付与された後、前記機械学習モデルが所定条件を満たすと判断した顧客に限り、前記機械学習モデルを用いて前記所定の規則に基づいて前記顧客に新たなスコアを付与する特別スコア付与手段と、
を備えることを特徴とする顧客推定装置。

【請求項9】

前記所定条件は、前記顧客保有項目のデータの変更に伴い定められる条件であることを特徴とする請求項６又は８に記載の顧客推定装置。

【請求項10】

機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、
前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、
前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、
前記データ処理部が、指標化すべき指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、
前記データ処理部が、前記分類項目作成ステップで作成された前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与ステップと、
前記データ処理部が、前記分類項目に前記第１のスコアが付与された後、前記機械学習モデルが所定条件を満たすと判断した顧客に限り、前記機械学習モデルを用いて前記所定の規則に基づいて前記顧客に新たなスコアを付与する特別スコア付与ステップと、
を備えることを特徴とする顧客推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、対象顧客を精度良く推定することができる顧客推定装置及び顧客推定方法に関する。

【背景技術】

【0002】

従来、ウェブのアクセスログを利用して、新規の顧客に対して商品やサービスの広告を配信したり、提案したりするシステムが知られている。

【0003】

例えば、下記の特許文献１の会員向けターゲティング広告提供システムでは、会員専用サイト運営会社が運営している会員専用サイトＡの会員は、コンピュータ、スマートフォン等の利用者端末から、インターネットを介して会員専用サイトメインサーバにアクセスする。会員は、利用者端末から会員ＩＤとパスワードを入力して会員専用サイトＡにログインし、会員向けの情報提供ページを閲覧することができる。

【0004】

そして、利用者端末が、会員専用サイトＡと切り離された会員専用サイト外対応サーバのクッキーＩＤを広告配信会社の広告配信サーバに渡すことで、会員専用サイトＡ内での履歴が外部に流出することを防ぎながら、会員の属性に合ったターゲティング広告を提供する。

【0005】

また、会員は、利用者端末からインターネットを介して、ウェブサイト運営会社が運営しているウェブサイトＢにアクセスすると、広告配信の委託を受けたウェブサイトＢの広告枠に広告が配信されるようになる（段落００１７〜００２７、図１）。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特許第５８４３９８３号

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、特許文献１のシステムでは、クッキーＩＤから得られる情報に基づいて広告が配信されるため、ユーザが購入した商品の関連商品等、関連性の強い商品、サービスの広告しか行えないという問題があった。また、ユーザのニーズや興味は日々変化しているため、このことに対応し、潜在的に抱えている課題を解決するような提案を行うことが難しかった。

【0008】

本発明は上記課題に鑑みなされたものであり、対象顧客を精度良く推定することができる顧客推定装置を提供することを目的とする。

【0009】

なお、本件は、出願済みの顧客推定装置（特願２０１９−１６２８７３号）に関連する出願であり、当該装置の実用性及び拡張可能性を説明する目的がある。

【課題を解決するための手段】

【0010】

第１発明の顧客推定装置は、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与手段と、前記第１の分類項目の作成とは別機会に、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて前記所定の規則に基づいて第２のスコアを付与する第２のスコア付与手段と、を備えることを特徴とする。

【0011】

本発明の顧客推定装置においては、項目対応手段が顧客の性別、年齢等の顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われる。また、第１の分類項目作成手段は、販売する商品、提供するサービス等に関する指標化項目の内容に応じて、顧客保有項目を分類して第１の分類項目を作成する。さらに、第１のスコア付与手段は、所定の規則に基づいて各分類項目に対して第１のスコアを付与する。

【0012】

また、第２の分類項目作成手段は、前記第１の分類項目の作成とは別機会に、ソースデータの更新に伴い、改めて第２の分類項目を作成する。ソースデータが更新された場合、第１の分類項目とは異なる第２の分類項目が作成される。また、第２のスコア付与手段により、今回の各分類項目に対して新たなスコアが付与される。従って、本装置は、複数の機会で分類項目の数を調整し、スコアの傾向を考慮して対象顧客を精度良く推定することができる。

【0013】

第１発明の顧客推定装置において、第ｎ（ｎ≧２の自然数）の分類項目の作成とは別機会に、前記ソースデータの更新に伴い、第（ｎ＋１）の前記機械学習モデルを用いて前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて前記所定の規則に基づいて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、を備えることを特徴とする。

【0014】

この構成によれば、第ｎの分類項目を作成したときからソースデータが更新された場合に、第（ｎ＋１）の分類項目作成手段によって、第ｎの分類項目とは異なる分類項目が作成される。また、第（ｎ＋１）のスコア付与手段により、第ｎの分類項目にスコアが付与される。これにより、付与されたスコアの推移を確認しながら、対象顧客を精度良く推定することができる。

【0015】

また、第１発明の顧客推定装置において、対象顧客と判定するための前記スコアの閾値を設定し、前記第１のスコアから前記第（ｎ＋１）のスコアを前記顧客のそれぞれに付与し、当該スコアが特定の期間に前記閾値を超えた回数に基づいて、当該顧客を対象顧客と判定する第１の対象顧客判定手段を備えるようにしてもよい。

【0016】

この構成によれば、第１の対象顧客判定手段は、各顧客に第１から第（ｎ＋１）のスコアを付与し、特定の期間において、当該スコアが閾値を超えた回数をカウントする。そして、その回数に基づいて対象顧客の判定を行う。これにより、対象顧客を正確に推定することができる。

【0017】

また、第１発明の顧客推定装置において、前記第１のスコアから前記第（ｎ＋１）のスコアを前記顧客のそれぞれに付与し、特定の期間における前記スコアの推移に基づいて前記顧客を対象顧客と判定する第２の対象顧客判定手段を備えるようにしてもよい。

【0018】

この構成によれば、第２の対象顧客判定手段は、各顧客に第１から第（ｎ＋１）のスコアを付与し、その推移を調べ、当該スコアに基づいて（例えば、スコアが上昇傾向）にある顧客を対象顧客と判定する。これによっても、対象顧客を正確に推定することができる。

【0019】

また、第１発明の顧客推定装置において、前記スコア付与手段が付与した第１のスコアに第１の係数を乗じ、前記スコア付与手段が付与した第（ｎ＋１）のスコアに第（ｎ＋１）の係数を乗じ、これらを合算して前記顧客のそれぞれに加重スコアを付与する加重スコア付与手段と、特定の期間において、前記加重スコア付与手段が付与した前記加重スコアに基づいて、当該顧客を対象顧客と判定する第３の対象顧客判定手段を備えるようにしてもよい。

【0020】

この構成によれば、加重スコア付与手段は、第１のスコアに第１の係数を乗じ、第（ｎ＋１）のスコアに第（ｎ＋１）の係数を乗じ、これらを合算して各顧客に加重スコアを付与する。そして、第３の対象顧客判定手段は、特定の期間における加重スコアに基づいて、対象顧客の判定を行う。これによっても、対象顧客を正確に推定することができる。

【0021】

また、第１発明の顧客推定装置において、第ｎ（ｎ≧１の自然数）の分類項目に第ｎのスコアが付与された後、所定条件を満たす前記顧客に新たなスコアを付与する特別スコア付与手段を備えるようにしてもよい。

【0022】

第ｎ（ｎ≧１の自然数）の分類項目に第ｎのスコアが付与された後、特別スコア付与手段は、所定条件を満たす顧客に新たなスコアを付与する。これによっても、スコアの推移を確認しながら、対象顧客を精度良く推定することができる。

【0023】

第２発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与ステップと、前記データ処理部が、前記第１の分類項目の作成とは別機会に、前記ソースデータの更新に伴い、第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて前記所定の規則に基づいて第２のスコアを付与する第２のスコア付与ステップと、を備えることを特徴とする。

【0024】

本発明の顧客推定方法は、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、第１の分類項目作成ステップにて、指標化項目に応じて顧客保有項目を分類して、第１の分類項目が作成される。

【0025】

また、第２の分類項目作成ステップにて、前記第１の分類項目の作成とは別機会に、前記ソースデータの更新に伴い、改めて第２の分類項目が作成される。ソースデータが更新された場合、第１の分類項目とは異なる第２の分類項目が作成される。また、第２のスコア付与ステップにて、今回の各分類項目に対して新たなスコアが付与される。従って、本方法は、複数の機会で分類項目の数を調整し、スコアの傾向を考慮して対象顧客を精度良く推定することができる。

【0026】

第３発明の顧客推定装置は、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、指標化すべき指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記分類項目作成手段が作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与手段と、前記分類項目に前記第１のスコアが付与された後、前記機械学習モデルが所定条件を満たすと判断した顧客に限り、前記機械学習モデルを用いて前記所定の規則に基づいて前記顧客に新たなスコアを付与する特別スコア付与手段と、を備えることを特徴とする。

【0027】

本発明の顧客推定装置では、項目対応手段が顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われる。また、第１の分類項目作成手段は、指標化項目の内容に応じて、顧客保有項目を分類して分類項目を作成する。さらに、第１のスコア付与手段は、所定の規則に基づいて分類項目のそれぞれに対して第１のスコアを付与する。

【0028】

また、第１の分類項目に第１のスコアが付与された後、特別スコア付与手段が所定条件を満たす顧客に新たなスコアを付与する。これにより、本装置は、スコアの推移を確認しながら、対象顧客を精度良く推定することができる。

【0029】

第１発明、第３発明の顧客推定装置において、前記所定条件は、前記顧客保有項目のデータの変更に伴って定められる条件としてもよい。

【0030】

顧客保有項目のデータ（例えば、顧客保有項目「年齢」の数値）は変更されることがあるため、当該変更に関連した条件を所定条件と定める。顧客保有項目のデータが変更された顧客を当該条件を満たすとして、新たなスコアを付与すれば、改めて顧客推定装置の再実行をする必要がなくなる。

【0031】

第４発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記データ処理部が、前記分類項目作成ステップで作成された前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいて第１のスコアを付与する第１のスコア付与ステップと、前記データ処理部が、前記分類項目に前記第１のスコアが付与された後、前記機械学習モデルが所定条件を満たすと判断した顧客に限り、前記機械学習モデルを用いて前記所定の規則に基づいて前記顧客に新たなスコアを付与する特別スコア付与ステップと、を備えることを特徴とする。

【0032】

本発明の顧客推定方法は、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、分類項目作成ステップにて、指標化項目に応じて顧客保有項目を分類して、分類項目が作成される。

【0033】

また、前記分類項目に第１のスコアが付与された後、特別スコア付与ステップにて、所定条件を満たす顧客に新たなスコアが付与される。従って、本方法は、スコアの推移を確認しながら、対象顧客を精度良く推定することができる。

【図面の簡単な説明】

【0034】

【図1】本発明の第１実施形態に係る顧客推定装置の概要を説明する図。

【図2A】顧客推定装置が作成した分類項目（旧日付け）の例を説明する図。

【図2B】顧客推定装置が作成した分類項目（新日付け）の例を説明する図。

【図3】スコアを付与した顧客リストの例を説明する図。

【図4】重み付けを付与した顧客リストの例を説明する図。

【図5】顧客推定装置を利用して対象顧客を推定するフローチャート。

【図6】第２実施形態の顧客推定装置が作成した分類項目の例を説明する図。

【図7】スコアを付与した顧客リストの例を説明する図。

【図8】第３実施形態の顧客推定装置が作成した分類項目、顧客リストの例を説明する図。

【発明を実施するための形態】

【0035】

以下では、図面を参照しながら、本発明の顧客推定装置の詳細を説明する。

【0036】

［第１実施形態］
まず、図１を参照して、本発明の第１実施形態に係る顧客推定装置１の概要を説明する。本実施形態において、顧客推定装置１は、デスクトップＰＣ、ノートＰＣ、タブレット端末等にインストールされた、サービス提供会社Ｘ（以下、会社Ｘという）が所有する装置端末である。

【0037】

以下では、会社Ｘのクライアント企業であって、顧客推定装置１のサービス提供先Ｙ（以下、会社Ｙとする）が、新たに開発したサプリメントについて、ＤＭ（ダイレクトメール）の配信やネット広告を開始するため、健康食品に関心がある人を特定したいという需要があった場合を例に説明する。

【0038】

会社Ｙは、顧客ＤＢ（データベース）２０を有しており、顧客リストの顧客情報として、少なくとも「性別」、「年代」を保有している。しかしながら、肝心な「健康食品に関心があり」といった直接的な情報は保有していない。

【0039】

このような場合、会社Ｙ（ユーザ）は、「健康食品に関心があり」という指標化すべき項目（指標化項目）と、「性別」及び「年代」の顧客保有項目とを会社Ｘに送付し、会社Ｘの担当者が顧客推定装置１にこれらの項目を入力する。ここで、顧客保有項目の「性別」は男性／女性の情報であり、「年代」は１０代／２０代／３０代／４０代／５０代／６０代といった情報であり、必ずしも「顧客ＡＡＡは、女性、３５歳」といった個人情報でなくてもよい。

【0040】

担当者がこれらの項目を顧客推定装置１に入力すると、全顧客の中から指標化項目に関する見込顧客のみならず、現状では可能性が低いものの、将来的には需要があると推察される対象顧客（潜在顧客又はターゲット顧客）を抽出することができる。

【0041】

指標化項目の取得は、顧客推定装置１の指標化項目取得部２で行われる。また、顧客保有項目の取得は、顧客推定装置１の顧客保有項目取得部３で行われる。

【0042】

顧客推定装置１に指標化項目及び顧客保有項目が入力されると、顧客推定装置１の項目対応部４（本発明の「項目対応手段」に相当）が、市場全体を推定可能なエリアランダムサンプリングを採用したシングルソースデータ（以下、ソースデータＳという）と項目のマッチングを行う。さらに、顧客推定装置１は顧客保有項目を分類して、各分類項目にスコアを付与する。

【0043】

顧客保有項目の分類は、顧客推定装置１の分類項目作成部５（本発明の「分類項目作成手段」に相当）で行われる。また、スコアの付与は、顧客推定装置１のスコア付与部６（本発明の「スコア付与手段」に相当）で行われる。なお、分類項目作成部５及びスコア付与部６は、当該ソースデータＳを入力データとして機械学習させた機械学習モデルである。

【0044】

本実施形態では、ソースデータＳが更新されたとき、顧客推定装置１が改めて分類項目の作成を行うと、分類項目の内容や数について異なる結果が得られ、スコアも変更される。

【0045】

ここで、ソースデータＳとは、市場全体を推定可能なエリアランダムサンプリングを採用したシングルソースデータであり、アンケートによって特定又は不特定の生活者の意識、属性、商品関与、メディア接触等を網羅的に調査した情報である。すなわち、ソースデータは、「人」、「モノ」、「メディア」の３つの観点で生活者をとらえた、いわば生活者の行動パターンを強く反映した情報である。

【0046】

なお、上述の「意識」とは、生活者の価値観、嗜好、消費行動等を意味する。また、「属性」とは、正確には人口統計学的属性であり、性別、年齢（年代）、住んでいる地域、社会人であれば業種や年収、未婚か既婚か、子供が何人いるか等の社会経済的な特性データを意味する。

【0047】

また、上述の「商品関与」とは、衣服、電化製品等のブランド、趣味や特技等のデータを意味し、「メディア接触」とは、情報を取得するため利用する媒体がインターネットか新聞か、又は雑誌か等のデータを意味する。

【0048】

このソースデータＳは、東京エリア（東京５０ｋｍ圏内）、関西地区、名古屋地区、北部九州地区、札幌地区、仙台地区、広島地区の日本の主要マーケットである７地区において、抽出した約１万人に調査専用タブレットを貸与、実施して得られたものである。ソースデータＳはアンケートの回答に限られず、視聴率のような視聴ログデータ（履歴情報）が含まれていてもよい。

【0049】

また、顧客推定装置１は、最終的に対象顧客と判定する対象顧客判定部８を備えている。対象顧客判定部８は、付与したスコアが所定の閾値を超えた顧客（又は分類項目）に対して、例えば「○」を付与し、対象顧客と判定する。

【0050】

さらに、顧客推定装置１は、加重スコア付与部１０（本発明の「加重スコア付与手段」に相当）を備えている。加重スコア付与部１０は、顧客推定装置１が別機会の複数回に亘って分類項目の作成、スコアの付与を行った場合に、第１のスコアに第１の係数を乗じ、第２のスコアに第２の係数を乗じる。その後、加重スコア付与部１０は、これらを合算して加重スコアを算出し、各顧客に当該加重スコアを付与する。

【0051】

加重スコア付与部１０は、例えば、古いソースデータＳによる分類項目に対して小さい係数を乗じ（重み付け小）、最新のソースデータＳによる分類項目に対して大きい係数を乗じて（重み付け大）、これらを合算して加重スコアを算出する。これにより、より現状に近い、トレンドを反映したスコアに調整することができる。

【0052】

特別スコア付与部１２は、所定条件を満たすか否かを判定し、当該条件を満たす分類項目又は顧客に対して、新たなスコアを付与する。特別スコア付与部１２については、第２実施形態にて詳細を後述する。

【0053】

次に、図２Ａ、図２Ｂを参照して、顧客推定装置１によって異なる日に作成した分類項目の一例を説明する。なお、顧客推定装置１の実行の詳細は、特願２０１９−１６２８７３号を参照されたい。

【0054】

図２Ａは、２０２０年３月１日に、顧客推定装置１の実行により作成された分類項目（一覧表１５Ａ）を示している。顧客推定装置１は、指標化項目（具体的には、健康食品への関心度合）に対して、上述の分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。

【0055】

この作業により、分類項目の１番目の「性別［男性］＆年代［５０代以上］」、分類項目の２番目の「性別［男性］＆年代［４０代］」、分類項目の３番目の「性別［男性］＆年代［１０〜３０代］」、及び分類項目の４番目の「性別［女性］（年代不問）」の４項目が作成される。

【0056】

また、顧客推定装置１のスコア付与部６は、各分類項目に対してスコアを付与する。このスコアは、顧客全体を対象とした基準値を算出してこれを１としたとき、当該基準値に対する各分類項目の数値から算出する（相対評価）。例えば、分類項目の１番目は、基準値の２．２倍の大きな数値を示すグループであり、基本的には、指標化項目と相関があるスコアが高いグループと推定される。

【0057】

図２Ｂは、２０２０年３月２日に、顧客推定装置１の実行により作成された分類項目（一覧表１５Ｂ）を示している。なお、ここでは、前回の実行日からソースデータＳが更新されているものとする。

【0058】

図示するように、今回、分類項目の１番目の「性別［男性］＆年代［６０代］」、
分類項目の２番目の「性別［男性］＆年代［５０代］」、分類項目の３番目の「性別［男性］＆年代［４０代］」、分類項目の４番目の「性別［男性］＆年代［２０〜３０代］」、分類項目の５番目の「性別［男性・女性］＆年代［１０代］」、及び分類項目の６番目の「性別［女性］＆年代［２０代以上］」の６項目が作成される。

【0059】

今回、ソースデータＳが変更された影響で分類項目の数が増加している。また、各分類項目にスコアが付与されるが、一覧表１５Ａと同じ分類項目（「性別［男性］＆年代［４０代］」）であっても、スコアは異なる値となっている。

【0060】

ここでは、日々ソースデータＳが変更される場合の例を示したが、ソースデータＳは半日に１回更新されることもあり得る。このため、顧客推定装置１の再実行は、最初の実行時と比較してソースデータＳが変更された別の機会であればよい。

【0061】

次に、図３を参照して、複数の日に亘り顧客推定装置１によるスコアの付与までを実行し、その結果を反映させた顧客リスト１６について説明する。

【0062】

図示する顧客リスト１６は、会社Ｙが所有する顧客リストに顧客推定装置１の７日間に亘るスコアを入力して、その推移を確認することができるもの（更新版）である。会社Ｘは、顧客リスト１６（更新前）を入手し、各顧客ＩＤに日別のスコアを入力していくことで、対象顧客を推定することができる。今回、「閾値」及び、又は「加速度」で対象顧客を判定する。

【0063】

「閾値」については、特定の期間に閾値を１回でも超えた場合（同値を含む）に「〇」を付与し、閾値を超えなかった場合に「×」を付与する。本実施形態では、閾値を「１．５」とし、特定の期間を「直近の３日間」とする。

【0064】

また、「加速度」については、特定の期間にスコアの推移が上昇傾向にある場合に「↑（上昇）」を付与し、下降傾向にある場合に「↓（下降）」を付与し、ほとんど変化していない場合に「→（維持）」を付与する。ここでも、特定の期間を「直近の３日間」とする。

【0065】

顧客ＩＤ「ＡＡＡ」は、直近３日間（３月５日〜３月７日）のスコアが「１．８」、「１．５」、「１．４」と推移しているため、「閾値」は「〇」が付与され、「加速度」は「↓（下降）」が付与されている。

【0066】

また、顧客ＩＤ「ＣＣＣ」は、直近３日間のスコアが「０．８」、「０．９」、「１．３」と推移しているため、「閾値」は「×」が付与され、「加速度」は「↑（上昇）」が付与されている。なお、３月１日のスコアは「３．３」と閾値を超えているが、特定の期間外であるため、「閾値」は「×」となる。

【0067】

また、顧客ＩＤ「ＦＦＦ」は、直近３日間のスコアが「１．７」、「ＮＵＬＬ」、「ＮＵＬＬ」と推移している。「ＮＵＬＬ」は、顧客推定装置１のエラー等によりスコアが得られなかった（スコア欠損）ことを意味する。この場合、「閾値」は「〇」が付与されるが、「加速度」の判定は即座に行えない。

【0068】

このような場合、他の顧客ＩＤのスコアの推移傾向を分析して係数λを決定し、「ＮＵＬＬ」の項目を補う。これにより、「加速度」が決定される。例えば、係数λを算出するため、平均値を算出する。

【0069】

顧客リスト１６において、３月５日のスコアの平均は「１．５３」であり、３月６日のスコアの平均は「１．３６」である。このとき、λ_１＝０．８９（≒１．３６／１．５３）として、顧客ＩＤ「ＦＦＦ」の３月６日のスコアを、「１．５（≒１．７λ_１）」と決定することができる。

【0070】

同様に、３月６日のスコアの平均は「１．３６」であり、３月７日のスコアの平均は「１．３８」である。このとき、λ_２＝１．０１（≒１．３８／１．３６）として、顧客ＩＤ「ＦＦＦ」の３月７日のスコアを、「１．５（≒１．７λ_１λ_２）」と決定することができる。以上により、「加速度」は、ほとんど変化していない「→（維持）」を付与する。

【0071】

「ＮＵＬＬ」の項目は、例えば、顧客全体の平均スコアが「２．０」、「１．４」、「１．６」と推移していた場合、３日間の平均スコア（≒１．７）を適用してもよい。また、前２日の平均と後２日の平均の平均値を適用してもよい。さらに、平均値に限らず、中間値を用いてもよいし、前日のスコアをそのまま用いてもよい。

【0072】

また、スコアは第ｎ番目（ｎ≧１の自然数）まであってよく、特定の期間も適宜変更することができる。特定の期間は、連続日に限られず、一日おきでも二日おきでもよい。

【0073】

対象顧客の判定は、「閾値」が「〇」の顧客、又は「加速度」の推移に基づいて行うことが好ましい。例えば、「加速度」が維持以上の傾向、すなわち、「↑（上昇）」及び「→（維持）」の顧客を対象顧客とすることができる。また、上記の両条件を満たす顧客や、「閾値」が予め定めた所定回数を超えた顧客を対象顧客と判定してもよい。詳細は後述するが、日別のスコアに重み付けを行い、加重スコアによって対象顧客を決定してもよい。

【0074】

図４は、図３の直近３日間のスコアに重み付けを行った場合の顧客リスト１７を示している。

【0075】

顧客推定装置１において、加重スコア付与部１０は、スコア算出式を用いて、各顧客ＩＤに対して加重スコアを算出し、付与する。顧客リスト１７は、顧客リスト１６の直近３日間のスコアに基づいて作成される。

【0076】

加重スコア付与部１０は、直近３日前の各スコアに係数αを乗じ、直近２日前の各スコアに係数βを乗じ、直近１日前の各スコアに係数γを乗じ（ただし、α＋β＋γ＝１）、これらを合算する。例えば、顧客ＩＤ「ＡＡＡ」については、直近３日間のスコアが「１．８」、「１．５」、「１．４」であるため、スコア算出式は、「１．８α＋１．５β＋１．４γ」となる。

【0077】

指標化項目に依存するが、例えば、最も新しいスコアに対する係数γを最も大きな値とし（例えば、γ＝０．５）、係数α及び係数βは小さな値（例えば、α＝β＝０．２５）とすることが好ましい。これにより、当該指標化項目を他の２つの指標化項目の結果で補正したスコア（加重スコア）が得られる。

【0078】

他の顧客ＩＤに対しても、直近３日間のスコアから同様に算出する。ここで、対象顧客と判定する閾値を予め決定しておくことで、対象顧客判定部８は、顧客リスト１７において、加重スコアが所定の閾値以上となった顧客ＩＤを対象顧客と判定する（判定は図示省略）。このような作業によっても、顧客推定装置１から対象顧客を推定することができる。

【0079】

最終的に対象顧客と判定された顧客に対して、指標化項目（健康食品に興味あり）に応じた商品の紹介、販売等を行うとよい。このように、顧客推定装置１を利用することで、個人情報、クッキー情報等を入手しなくても、リアルタイムの状況変化を加味しつつ、顧客のプロフィールを精度良く推測することができる。

【0080】

今回、直近３日前の第１のスコア、直近２日前の第２のスコア及び直近１日前の第３のスコアがあり、第１のスコアに第１の係数（係数１）を乗じ、第２のスコアに第２の係数（係数２）を乗じ、第３のスコアに第３の係数（係数３）を乗じて、これらを合算して加重スコアとした。

【0081】

しかしながら、スコアは第ｎ番目（ｎ≧１の自然数）まであってよく、第ｎのスコアには第ｎの係数（係数ｎ）を乗じて、同じく合算する。従って、顧客推定装置１は、目的に応じた精度の高い判定を行うことができる。

【0082】

次に、図５を参照して、顧客推定装置１を利用して対象顧客の情報を取得するまでの一般的なフローチャートを説明する。

【0083】

まず、会社Ｙのユーザは、指標化項目を選定する（ＳＴＥＰ１０）。指標化項目は、担当者がソースデータの項目の中から選択してもよいし、会社Ｙが行う商品やサービスの提供に関することに限られず、同じ趣味を持つ人がいるかどうかといった幅広いテーマであってもよい。

【0084】

次に、会社Ｘの担当者が指標化項目と顧客保有項目とを顧客推定装置１に入力する（ＳＴＥＰ２０）。ここで、顧客保有項目は、「性別」、「年齢（年代）」の他、「最終学歴」、「学生／社会人」、「住んでいる地域」等が挙げられ、項目数が多いほどソースデータ項目とマッチング（対応）する可能性が高くなり、推定の精度が向上する。

【0085】

また、必要に応じて、顧客保有項目とソースデータ項目の調整を行う。ソースデータ項目の調整とは、例えば、両項目が完全に対応していないが、類似項目がある場合に、意味合いを揃える作業を行う。

【0086】

次に、顧客推定装置１は、機械学習により分類規則を作成する（ＳＴＥＰ３０）。これにより、指標化項目に対する分類項目（第１の分類項目）が作成される。続いて、顧客推定装置１は、当該規則に基づいて第１のスコアを集計する（ＳＴＥＰ４０）。以上が、１回目の実行である。

【0087】

ここで、ソースデータが更新されたか否かが判定される（ＳＴＥＰ５０）。ソースデータＳが更新された場合にはＳＴＥＰ６０に進み、未だ更新されていない場合には更新されるまで待機する。

【0088】

次に、担当者が再び指標化項目と顧客保有項目とを顧客推定装置１に入力する（ＳＴＥＰ６０）。本ＳＴＥＰから２回目（１回目とは別機会）の実行となるが、指標化項目については１回目と同じ項目である。なお、顧客保有項目については、顧客ＤＢ２０が更新された場合、新たな顧客保有項目に変更される（第２実施形態）。

【0089】

次に、顧客推定装置１は、機械学習により分類規則を作成する（ＳＴＥＰ７０）。これにより、第２の分類項目が作成される。続いて、顧客推定装置１は、当該規則に基づいて第２のスコアを集計する（ＳＴＥＰ８０）。以上が、２回目の実行である。もちろん、ソースデータＳが更新される度に、以上の作業をｎ（ｎ≧３）回繰り返してもよい。

【0090】

次に、顧客推定装置１は、加重スコアを算出する（ＳＴＥＰ９０）。具体的には、第１のスコアに第１の係数（例えば、係数α）を乗じ、第２のスコアに第２の係数（例えば、係数β）を乗じ、これらを合算した加重スコアを算出する。

【0091】

最後に、顧客推定装置１は、対象顧客の判定を行う（ＳＴＥＰ１００）。対象顧客の判定は、顧客ＩＤに付与したスコア又は加重スコアが予め定めた「閾値」を超えたこと、「加速度」が維持以上の傾向であること等を条件とすればよい。なお、加重スコアを判定に使用しない場合には、上記ＳＴＥＰ９０はスキップしてよい。以上で、顧客推定装置１による一連の処理を終了する。

【0092】

その後、会社Ｘの担当者は、会社Ｙに更新版の顧客リスト１６を送付する。会社Ｙは、判定された対象顧客に対してサプリメントのＤＭ配信等を行うとよい。顧客推定装置１は、取扱いが難しい個人情報、クッキー情報等を入手しなくても、リアルタイムの状況変化を加味しつつ、顧客のプロフィールを精度良く推測することができる点で有益である。

【0093】

［第２実施形態］
次に、図６、図７を参照して、本発明の第２実施形態の顧客推定装置１の利用方法について説明する。

【0094】

上述の第１実施形態では、ソースデータＳが更新されたとき指標化項目に対する分類項目を改めて作成し、スコアを付与する態様であった。しかしながら、同日の実行（同じソースデータＳを使用）であっても、顧客ＤＢ２０が更新され顧客保有項目のデータが変更されれば、異なる結果が得られると予想される。

【0095】

図６は、２０２０年３月８日に、顧客推定装置１が顧客保有項目から作成した分類項目（一覧表１５Ｃ）を示している。顧客推定装置１は、指標化項目（具体的には、健康食品への関心度合）に対して、上述の分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。

【0096】

この作業により、分類項目の１番目の「性別［男性］＆年代［６０代以上］」、分類項目の２番目の「性別［男性］＆年代［５０代］」、分類項目の３番目の「性別［男性］＆年代［４０代］」、分類項目の４番目の「性別［男性］＆年代［１０〜３０代］」、分類項目の５番目の「性別［女性］＆年代［４０代以上］」、及び分類項目の６番目の「性別［女性］＆年代［１０〜３０代］」の６項目が作成される。

【0097】

また、顧客推定装置１のスコア付与部６は、各分類項目に対してスコアを付与する。このスコアは、顧客全体を対象とした基準値を算出してこれを１としたとき、当該基準値に対する各分類項目の数値から算出する（相対評価）。

【0098】

第２実施形態では、顧客推定装置１による分類項目の作成は初回（３月８日）のみとなるが、顧客ＤＢ２０が更新されると、特別スコア付与部１２（本発明の「特別スコア付与手段」）が新たなスコアを付与する。例えば、顧客ＤＢ２０が更新され、顧客保有項目「年齢」について、データ（実際の数値）が変更されたとき、該当する顧客のスコアが変化する。

【0099】

図７は、第２実施形態の顧客推定装置１によるスコアの付与を実行した結果を各顧客に反映させた顧客リスト１８を示している。

【0100】

顧客リスト１８は、会社Ｙが所有する顧客リストに顧客推定装置１の初回（３月８日）のスコアが入力したものであるが、その後（３月１３日）のスコアは、顧客ＤＢ２０の更新に伴って、特別スコア付与部１２が付与したスコアである。

【0101】

例えば、３９歳の男性（顧客ＩＤ「ＤＤＤ」）が３月９日に誕生日を迎え、４０歳になったとする。３月８日の時点では、一覧表１５Ｃ（図６参照）の分類項目「性別［男性］＆年代［１０〜３０代］」に属するため、スコアは「０．９」である。

【0102】

そして、この男性は、３月９日に４０歳となるため、３月１３日の時点において、一覧表１５Ｃの分類項目「性別［男性］＆年代［４０代］」に属することになる。従って、スコアは「１．２」に変更される。

【0103】

一方、顧客ＩＤ「ＡＡＡ」については、３月８日と３月１３日の間の期間において、上述したような条件（年齢の変化）を満たしていないとする。この場合、顧客ＩＤ「ＡＡＡ」の３月８日のスコアは「１．５」であるが、３月１３日のスコアとして、同じ値の「１．５」が付与される。

【0104】

この結果に基づいて、第１実施形態と同様に「閾値」、「加速度」又は「加重スコア」が得られるので、対象顧客を判定することができる。「閾値」及び「加重スコア」については、対象顧客と判定する閾値以上を対象顧客とすればよいし、「加速度」については、その推移に基づいて、例えば、「↑（上昇）」のみを対象顧客とすればよい。

【0105】

また、第１実施形態のソースデータＳと第２実施形態の顧客ＤＢ２０とが、両方とも更新される場合も考えられる。この場合、顧客ＩＤの日別（別機会）のスコアが複雑に推移する可能性がある。

【0106】

［第３実施形態］
最後に、図８を参照して、本発明の第３実施形態の顧客推定装置１の利用方法について説明する。以下では、ソースデータＳと顧客ＤＢ２０の両方が更新された場合のスコアの推移を説明する。

【0107】

まず、図８の顧客リスト２０Ａは、２０２０年３月１日時点での顧客ＤＢ２０の顧客リストを示している。ユーザは、同日に顧客リスト２０Ａのデータからなる顧客保有項目及び指標化項目（具体的には、健康食品への関心度合）を入力して、顧客推定装置１を実行する。これにより、分類項目作成部５によって、分類項目が作成される。

【0108】

具体的には、分類項目の１番目の「男性 ５０代以上」、分類項目の２番目の「男性 ４０代」、分類項目の３番目の「男性 １０〜３０代」、及び分類項目の４番目の「女性（年代不問）」の４項目が作成される。

【0109】

その後、スコア付与部６によって各分類項目にスコアが付与され、一覧表２５Ａが得られる。さらに、顧客リスト２１Ａは、当該スコアを各顧客に反映させたものである。ここで、顧客ＩＤ「ＡＡＡ」、「ＢＢＢ」は何れも男性５０代であるため、「２．２」のスコアが付与され、顧客ＩＤ「ＣＣＣ」は男性４０代であるため、「１．８」のスコアが付与される。

【0110】

次に、翌日の２０２０年３月２日に、改めて顧客推定装置１を実行したとする。なお、２０２０年３月２日は、前日と比較してソースデータＳと顧客ＤＢ２０の両方が更新されている。

【0111】

顧客リスト２０Ｂは、２０２０年３月２日時点での顧客ＤＢ２０の顧客リストを示している。図示するように、顧客ＩＤ「ＡＡＡ」は、この日に誕生日を迎え、「年齢」が「６０」になり、「年代」も「６０代」に変更されている。

【0112】

ユーザは、同日に顧客リスト２０Ｂのデータからなる顧客保有項目及び指標化項目を入力して顧客推定装置１を実行する。これにより、分類項目作成部５によって、分類項目が作成される。

【0113】

具体的には、分類項目の１番目の「男性 ６０代」、分類項目の２番目の「男性 ５０代」、分類項目の３番目の「男性 ４０代」、分類項目の４番目の「男性 ２０〜３０代」、分類項目の５番目の「男女 １０代」、及び分類項目の６番目の「女性 ２０代以上」の６項目が作成される。

【0114】

その後、スコア付与部６によって各分類項目にスコアが付与され、一覧表２５Ｂが得られる。さらに、顧客リスト２１Ｂは、スコアを各顧客に反映させたものである。ここで、顧客ＩＤ「ＡＡＡ」は男性６０代になったため、「２．４」のスコアが付与される。また、顧客ＩＤ「ＢＢＢ」は男性５０代であるため、「２．０」のスコアが付与され、顧客ＩＤ「ＣＣＣ」は男性４０代であるため、「１．７」のスコアが付与される。

【0115】

３月１日と３月２日との間の顧客ＩＤ「ＢＢＢ」のスコア変化（２．２→２．０）は、ソースデータＳの更新によって生じたものである。また、この間の顧客ＩＤ「ＡＡＡ」のスコア変化（２．２→２．４）は、ソースデータＳ及び顧客ＤＢ２０の両方の更新が影響して生じたものである。今回、２日間のスコアの変化を示したが、さらに長期間に亘ってスコアの推移を調べることで、その傾向から対象顧客を推定することができる。

【0116】

第３実施形態においても、１日のうちのソースデータＳ及び顧客ＤＢ２０の更新の前後で顧客推定装置１を実行してもよい。この場合にも、当該更新の影響でスコアが変化するため、日別の実行には限られない。

【0117】

上述した実施形態における一覧表の内容、スコアの算出方法等は一例に過ぎず、用途、目的等に応じて適宜変更することができる。

【0118】

図３、図４の例では、「特定の期間」を３日間として、その間の「閾値」や「加速度」で対象顧客を判定したが、これに限られない。「特定の期間」は、指標化項目の内容等に応じて変更可能である。

【符号の説明】

【0119】

１…顧客推定装置、２…指標化項目取得部、３…顧客保有項目取得部、４…項目対応部、５…分類項目作成部（機械学習モデル）、６…スコア付与部、８…対象顧客判定部、１０…加重スコア付与部、１２…特別スコア付与部、１５，１５Ａ〜１５Ｃ，２５Ａ，２５Ｂ…一覧表、１６〜１８，２０Ａ，２０Ｂ，２１Ａ，２１Ｂ…顧客リスト、２０…顧客ＤＢ。

【要約】      （修正有）

【課題】対象顧客を精度良く推定することができる顧客推定装置を提供する。
【解決手段】顧客推定装置１は、分類項目作成部５が指標化項目の内容に応じて顧客保有項目を分類して第１の分類項目を作成し、スコア付与部６が第１の分類項目に所定の規則に基づいて第１のスコアを付与する。さらに、分類項目作成部５が第１の分類項目の作成とは別機会に、ソースデータＳの変更に伴い第２の分類項目を作成し、スコア付与部６が第２の分類項目に第２のスコアを付与する。
【選択図】図１

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】