特開 2024-1534 情報処理装置、情報処理方法、および情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024001534

(43)【公開日】2024-01-10

(54)【発明の名称】情報処理装置、情報処理方法、および情報処理プログラム

(51)【国際特許分類】

   G06Q 30/0202 20230101AFI20231227BHJP

   G06Q 30/0251 20230101ALI20231227BHJP

【ＦＩ】

G06Q30/02 310

G06Q30/02 398

【審査請求】有

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022100244

(22)【出願日】2022-06-22

(71)【出願人】

【識別番号】399037405

【氏名又は名称】楽天グループ株式会社

(74)【代理人】

【識別番号】100109380

【弁理士】

【氏名又は名称】小西 恵

(74)【代理人】

【識別番号】100109036

【弁理士】

【氏名又は名称】永岡 重幸

(72)【発明者】

【氏名】アブロール サティアン

(72)【発明者】

【氏名】ナビーン クマール カガルバディ バサワナ

(72)【発明者】

【氏名】サヤンタン チャトパディ

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB05

5L049BB08

(57)【要約】

【課題】設定した任意の基準タイミングより後における見込み顧客を予測する。
【解決手段】情報処理装置は、基準タイミングおよび対象サービスを設定する設定手段と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得手段と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測手段と、を有する。
【選択図】図２

【特許請求の範囲】

【請求項1】

基準タイミングおよび対象サービスを設定する設定手段と、
当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得手段と、
前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測手段と、
を有することを特徴とする情報処理装置。

【請求項2】

前記ユーザ特徴は、前記事実特徴に基づいて推定された前記ユーザ属性を含む推定特徴を含むことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記ユーザ特徴は、さらに、前記ユーザによる、前記対象サービスを含む複数のサービスを提供するためのウェブサイト上での行動を示すデータを事実特徴として含むことを特徴とする請求項２に記載の情報処理装置。

【請求項4】

前記予測手段は、前記ユーザ特徴およびサービス利用履歴を学習済みの機械学習モデルに入力することにより、前記対象ユーザが前記見込み顧客か否かを予測することを特徴とする請求項１に記載の情報処理装置。

【請求項5】

前記見込み顧客のグループを生成する生成手段をさらに有し、
前記取得手段は、複数の前記対象ユーザそれぞれについて前記ユーザ特徴を取得し、
前記予測手段は、複数の前記対象ユーザそれぞれが前記見込み顧客か否かを予測し、
前記生成手段は、前記予測手段により前記見込み顧客であると予測された、複数の前記対象ユーザのうちの１以上の前記対象ユーザからなるグループを、前記見込み顧客のグループとして生成することを特徴とする請求項１に記載の情報処理装置。

【請求項6】

前記見込み顧客のグループに対して、前記対象サービスに関する広告を提供する提供手段をさらに有することを特徴とする請求項５に記載の情報処理装置。

【請求項7】

基準タイミングおよび対象サービスを設定する設定工程と、
当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得工程と、
前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測工程と、
を有することを特徴とする情報処理方法。

【請求項8】

情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、
基準タイミングおよび対象サービスを設定する設定処理と、
当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得処理と、
前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測処理と、を含む処理を実行させるためのものである、
情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、および情報処理プログラムに関し、特に、サービスの利用が見込まれる見込み顧客を予測するための技術に関する。

【背景技術】

【0002】

広告効果を最大化するためには、広告の配信対象のユーザ群として、広告の対象サービスの利用が見込まれる見込み顧客（ターゲット顧客）を適切に抽出することが重要である。特許文献１には、機械学習を用いて、任意のユーザの将来の購買動向を予測する技術が開示されている。当該文献によれば、当該予測結果に基づいて、見込み顧客を抽出することが可能となる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１８９９８３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記文献では、過去におけるユーザの行動データを用いて任意のユーザの将来の購買動向を予測している。具体的には、現在を基準タイミングとして、当該基準タイミングより後における購買行動を予測している。しかしながら、当該文献１による技術では、未来のタイミングといった、時間上の任意の基準タイミングより後における購買行動を予測できず、当該基準タイミングより後における見込み顧客を予測することはできなかった。

【0005】

本発明は上記課題に鑑みてなされたものであり、設定した任意の基準タイミングより後における見込み顧客を予測するための技術を提供することを目的とする。

【課題を解決するための手段】

【0006】

上記課題を解決するために、本発明による情報処理装置の一態様は、基準タイミングおよび対象サービスを設定する設定手段と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得手段と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測手段と、を有する。

【0007】

上記課題を解決するために、本発明による情報処理方法の一態様は、基準タイミングおよび対象サービスを設定する設定工程と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスの利用履歴を取得する取得工程と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測工程と、を有する。

【0008】

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、基準タイミングおよび対象サービスを設定する設定処理と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスの利用履歴を取得する取得処理と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測処理と、を含む処理を実行させるためのものである。

【発明の効果】

【0009】

本発明によれば、設定した任意の基準タイミングより後における見込み顧客を予測することが可能となる。
上記した本発明の目的、態様および効果並びに上記されなかった本発明の目的、態様および効果は、当業者であれば添付図面および請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。

【図面の簡単な説明】

【0010】

【図1】図１は、情報処理システムの構成例を示す。

【図2】図２は、実施形態による情報処理装置１０の機能構成例を示す。

【図3】図３は、情報処理装置１０とユーザ装置１１のハードウェア構成例を示す。

【図4A】図４Ａは、購買予測モデル１１２の学習処理の概念図を示す。

【図4B】図４Ｂは、購買予測モデル１１２による購買確率予測処理の概念図を示す。

【図5A】図５Ａは、見込み顧客予測部１０５による購買確率予測処理の概略フローを示す。

【図5B】図５Ｂは、コンフィグファイル１２１を用いる場合の、見込み顧客予測部１０５による購買確率予測処理の概略フローを示す。

【図6】図６は、情報処理装置１０により実行される処理のフローチャートを示す。

【発明を実施するための形態】

【0011】

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。

【0012】

［情報処理システムの構成例］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。

【0013】

ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、タブレット端末やノート型のＰＣといったデバイスであってもよい。また、ユーザ装置１１は、表示面を別に備えてもよい。

【0014】

ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）を利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行予約サービスを含むことができる。ユーザ装置１１は、当該ウェブサービスを利用するために、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性）といった情報を登録しうる。

【0015】

［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、見込み顧客を予測する対象サービス（対象サービス）を設定する。また、情報処理装置１０は、見込み顧客を予測するための基準となるタイミング（以下、基準タイミング）と、当該基準タイミングより前（過去）の一定期間（第１期間）と、当該基準タイミングより後（未来）の一定期間（第２期間）を設定する。情報処理装置１０は、複数のユーザ１～Ｎのうちの任意のユーザ（対象ユーザ）から取得した、第１期間におけるユーザデータを用いて、第２期間における対象サービスについての対象ユーザの購買確率を予測する。情報処理装置１０はさらに、予測した購買確率に基づいて、対象ユーザが見込み顧客か否かを予測する。本実施形態では、見込み顧客は、対象サービスの利用が見込まれるユーザであり、当該対象サービスは、任意のウェブサービスや、ユーザが利用可能な任意のアイテムであり、対象アイテムと読み替えることができる。本実施形態では、「利用」は「購買」を意味するものとするが、登録、入会といったあらゆる利用形態を含んでもよい。

【0016】

本実施形態において、ユーザが利用可能なアイテムとは、様々なサービスに関して提供可能な有形または無形のモノ（Ｔｈｉｎｇ）でありうる。例えば、金融（フィンテック）サービスに関しては、銀行口座、株式や投資信託や保険商品といった金融商品、暗号通貨、スマホアプリ決済等のアイテムが存在する。また、デジタルコンテンツサービスに関しては、映画やアニメといった動画コンテンツや、写真やイラストやテキストといった静止画コンテンツ等のアイテムが存在する。また、Ｅコマースサービスに関しては、ネットショッピングで扱う無形または有形の商品等のアイテムが存在する。また、トラベルサービスに関しては、ホテルやパックツアーや交通機関に関する情報や予約等のアイテムが存在する。また、モバイルサービスに関しては、モバイル機器、公衆網／インターネット接続、通信利用料金等のアイテムが存在する。また、広告およびメディアサービスに関しては、オフラインやオフラインの広告商品、ダイレクトメール、放送やインターネットを介した広告等のアイテムが存在する。また、カードサービスに関しては、クレジットカード決済やポイント取引等のアイテムが存在する。また、スポーツおよび文化サービスに関しては、スポーツイベントやコンサートといったイベントやイベントで販売される商品等のアイテムが存在する。

【0017】

図２は、本実施形態による情報処理装置１０の機能構成の一例を示すブロック図である。
図２に示す情報処理装置１０は、ユーザデータ取得部１０１、時間情報設定部１０２、サービス設定部１０３、ユーザデータ選択部１０４、見込み顧客予測部１０５、出力部１０６、学習モデル記憶部１１０、およびファイル記憶部１２０を備える。学習モデル記憶部１１０は、ユーザ特徴予測モデル１１１と購買予測モデル１１２を記憶可能に構成される。また、ファイル記憶部１２０は、コンフィグファイル１２１を記憶可能に構成される。

【0018】

ユーザデータ取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、当該ユーザ装置やユーザについての特徴（ユーザ特徴）を示すデータ（ユーザデータ）を取得する。本実施形態では、ユーザデータは、ユーザの事実特徴と、当該ユーザの事実特徴に基づいて推定されたユーザの推定特徴とを含む。

【0019】

ユーザの事実特徴は、ユーザ装置やユーザについての事実情報から得られる特徴である。ユーザデータ取得部１０１は例えば、ユーザ装置１１から直接的に当該ユーザの事実特徴を取得することができる。また、ユーザデータ取得部１０１は、ユーザ装置１１のユーザによりウェブサービスに登録された情報として、当該ユーザの事実特徴を取得することができる。ユーザの事実特徴は、ユーザ装置やユーザについての事実属性（以下、ユーザ属性）を含む。また、ユーザの事実特徴は、トラッキングデータ（トラッキングログ）や利用履歴データを含んでもよい。

【0020】

ユーザ属性は、ユーザ装置のＩＰアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的な属性）等を含む、ユーザ自身に関連する属性である。また、ユーザ属性は、所定のウェブサービス利用時における登録番号や登録名を含んでもよい。

【0021】

トラッキングデータは、ユーザによる、サービス（例えば、対象サービスを含む複数のサービス）を提供するためのウェブサイト上での行動を追跡することによって得られるデータ（ウェブサイト上での行動を示すデータ）である。トラッキングデータは、例えば、当該ウェブサイト上での行動として、クリック数、当該サイトに訪問するルート、当該サイトにおけるアイテムに対するクリック数、または、当該サイトの閲覧時間といったデータを含む。

【0022】

利用履歴データは、ユーザによるサービス（例えば、対象サービスを含む複数のサービス）利用時のサービス利用履歴（利用状況、検索履歴、アイテム購買履歴（購入結果を含む））を含む。利用履歴データはまた、利用したサービスにおいて費やした金額、購買したアイテムの数、または、登録したアイテムの数といったデータを含んでもよい。利用履歴データはまた、ウェブサービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。

【0023】

ユーザの推定特徴は、ユーザの事実特徴から推定（導出）される。本実施形態では、ユーザデータ取得部１０１が、当該ユーザの事実特徴を、学習済みのユーザ特徴予測モデル１１１に適用して、当該推定特徴を取得することができる。ユーザ特徴予測モデル１１１は、対象ユーザの事実特徴を入力として、複数のユーザ特徴それぞれが当該対象ユーザに該当する（適合する）確率（該当確率）を推定して出力するように構成される。ユーザデータ取得部１０１は、該当確率に基づいて、当該対象ユーザの推定特徴を決定する。

【0024】

例えば、ユーザデータ取得部１０１は、対象ユーザの事実特徴をユーザ特徴予測モデル１１１に入力する。ユーザ特徴予測モデル１１１からは、該当確率として、当該対象ユーザが購買すると推定される複数のアイテムや当該対象ユーザが有しうる複数の趣向それぞれに対する確率が出力される。そして、ユーザデータ取得部１０１は、所定値以上の確率を有するアイテムや趣向と対応する、推定されたユーザ属性を、当該対象ユーザの推定特徴として、取得することができる。

【0025】

なお、ユーザの推定特徴は、現在より先（すなわち、未来）に対して推定される特徴に限定されない。特徴推定のための基準を、現在より前（すなわち、過去）に設定し、当該基準より後におけるユーザの推定特徴が推定されてもよい。

【0026】

時間情報設定部１０２は、時間情報として、見込み顧客を予測するための基準タイミングと、当該基準タイミングにより後（過去）の一定期間（第１期間）と、当該基準タイミングより前（未来）の一定期間（第２期間）を設定する。当該時間情報は、操作者が入力部（図３の入力部３５）による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部（図３のＲＯＭ３２やＲＡＭ３３）に格納されている任意のプログラムによって設定されてもよい。

【0027】

サービス設定部１０３は、見込み顧客予測の対象となるサービス（対象サービス）を設定する。当該対象サービスは、操作者が入力部（図３の入力部３５）による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部（図３のＲＯＭ３２やＲＡＭ３３）に格納されている任意のプログラムによって設定されてもよい。

【0028】

ユーザデータ選択部１０４は、オプション的な機能であり、見込み顧客予測部１０５による予測処理に使用するユーザデータを、ユーザデータ取得部１０１により取得されたユーザデータから選択する。本実施形態では、ユーザデータ選択部１０４は、ファイル記憶部１２０に記憶されているコンフィグファイル１２１に基づいて、ユーザデータを選択することができる。コンフィグファイル１２１については後述する。

【0029】

見込み顧客予測部１０５は、学習済みの購買予測モデル１１２を用いて、見込み顧客を予測して抽出する。具体的には、見込み顧客予測部１０５は、複数のユーザ１～Ｎのうちの任意のユーザ（対象ユーザ）から取得した、第１期間におけるユーザデータを用いて、第２期間における対象サービスについての対象ユーザの購買確率を予測する。そして、見込み顧客予測部１０５は、当該購買確率に基づいて、対象ユーザが見込み顧客か否かを予測する。また、見込み顧客予測部１０５は、ユーザ１～Ｎのそれぞれが、見込み顧客か否かを予測することにより、ユーザ１～Ｎのうちの見込み顧客のグループ（ユーザセグメント）を生成しうる。

【0030】

出力部１０６は、見込み顧客予測部１０５に予測された見込み顧客の情報を出力する。出力部１０６は、当該見込み顧客に関する情報を生成して出力してもよい。また、出力部１０６は、ユーザセグメントに対して、対象サービスに関する広告を生成して出力（提供）することができる。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図３の通信Ｉ／Ｆ３７）を介した外部装置への出力であってもよいし、表示部（図３の表示部３６）への表示であってもよい。

【0031】

学習モデル記憶部１１０は、前述した学習済みのユーザ特徴予測モデル１１１を記憶する。また、学習モデル記憶部１１０は、購買予測モデル１１２を記憶する。購買予測モデル１１２については後述する。

【0032】

ファイル記憶部１２０は、コンフィグファイル１２１を記憶する。コンフィグファイル１２１は、見込み顧客予測のための、複数のサービスそれぞれに対する設定情報が設定されている。本実施形態では、コンフィグファイル１２１は、ユーザデータ取得部１０１により取得可能なユーザデータのうち、各サービスに対して見込み顧客を予測するために必要なデータを指示する情報を含む。ユーザデータ選択部１０４は、コンフィグファイル１２１に従って、ユーザデータ取得部１０１により取得されたユーザデータから、対象サービスに対する見込み顧客の予測のために必要なユーザデータを選択することができる。これにより、ユーザデータ取得部１０１により取得される膨大な量のデータから、対象サービスに対する見込み顧客の予測のために必要なユーザデータのみを選択できるため、見込み顧客予測部１０５によるデータ選択処理が省かれ、処理負荷が軽減される。

【0033】

また、本実施形態によるコンフィグファイル１２１は、各サービスに対する購買予測モデル１１２の設定も含む。例えば、コンフィグファイル１２１は、対象サービスに対して使用するパラメータ、使用するモデル（後述するような、ＣａｔＢｏｏｓｔ等）、使用するユーザデータの構造等を含む。これにより、見込み顧客予測部１０５は、対象サービスにより適合した購買予測モデル１１２を用いて、見込み顧客予測処理を行うことができる。

【0034】

［情報処理装置１０のハードウェア構成］
図３は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図３を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。

【0035】

図３に示すように、情報処理装置１０は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、ＨＤＤ３４と、入力部３５と、表示部３６と、通信Ｉ／Ｆ３７と、システムバス３８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス３８を介して、各構成部（３２～３７）を制御する。

【0036】

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）３２は、ＣＰＵ３１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）３４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３３は、揮発性メモリであり、ＣＰＵ３１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ３１は、処理の実行に際してＲＯＭ３２から必要なプログラム等をＲＡＭ３３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。本実施形態では、学習モデル記憶部１１０とファイル記憶部１２０は、ＲＡＭ３３で構成されうる。

【0037】

ＨＤＤ３４は、例えば、ＣＰＵ３１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ３４には、例えば、ＣＰＵ３１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部３５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部３６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部４６は、入力部３５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。

【0038】

通信Ｉ／Ｆ３７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ３７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ３７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ３７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。

【0039】

図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ３１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ３１の制御に基づいて動作する。

【0040】

［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図３と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ３１と、ＲＯＭ３２と、ＲＡＭ３３と、ＨＤＤ３４と、入力部３５と、表示部３６と、通信Ｉ／Ｆ３７と、システムバス３８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部３６に表示し、ＧＵＩ（入力部３５と表示部３６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。

【0041】

［見込み顧客の予測手順］
本実施形態では、見込み顧客予測部１０５が、ユーザデータ取得部１０１により取得された、対象ユーザのユーザデータを、学習済みの購買予測モデル１１２に適用して、購買確率を予測する。そして、見込み顧客予測部１０５は、当該購買確率から、対象ユーザが対象サービスに対する見込み顧客か否かを予測する。見込み顧客の予測手順について、まず、購買予測モデル１１２について説明し、その後、購買予測モデル１１２を用いた購買確率の予測処理と見込み顧客の予測（抽出）処理について説明する。

【0042】

購買予測モデル１１２は、機械学習のための学習モデル（機械学習モデル）であり、例えば、ＣａｔＢｏｏｓｔをベースにした学習モデルである。あるいは、購買予測モデル１１２は、ＸＧＢｏｏｓｔやＬｉｇｈｔＧＢＭといった他のブースティングベースの学習モデルであってもよい。

【0043】

購買予測モデル１１２は、ユーザデータ取得部１０１により取得された過去ユーザデータ（過去に得られたユーザデータ）に基づく学習データを用いて学習済みである。購買予測モデル１１２の学習処理について、図４Ａを参照して説明する。図４Ａに、購買予測モデル１１２の学習処理の概念図を示す。基準タイミングＴ１より前（過去）の第１期間４１と基準タイミングＴ１より後（未来）の第２期間４２が設定される。例えば、第１期間４１は１年、第２期間４２は１か月である。学習データとしては、第１期間４１における、任意のサービスに対する過去ユーザデータ（第１期間４１において取得されたユーザデータ）に相当するユーザ特徴に対して、利用履歴データ（過去ユーザデータの一部）から得られるサービス利用履歴（利用履歴、購買履歴）に相当する購買結果（例えば、０：購入しなかった、１：購入した）をラベリングすることで得られる学習データが準備される。そして、当該学習データを用いて購買予測モデル１１２が学習される。なお、基準タイミングＴ１、第１期間４１、および第２期間４２は、学習段階において、任意に設定される。なお、購買予測の際に設定される基準タイミングＴ１（学習データにおける基準タイミングＴ１）は、例として、年月日のような時間的な情報の他に、季節および祝日などのイベントを示す情報をさらに有してよい。

【0044】

ラベリングによって学習データに反映される購買結果とは、少なくとも第２期間４２において利用履歴データから確認されうる購買結果を指す。また、ラベリングによって学習データに反映される購買結果は、基準タイミングＴ１を少なくとも含む連続する期間において利用履歴データから確認されうる購買結果を指してもよい。また、ラベリングによって学習データに反映される購買結果とは、第１期間４１において利用履歴データから確認されうる購買結果と、第２期間４２において利用履歴データから確認されうる購買結果と、の相違（購買状況の時系列変化）を指してもよい。具体的には、ラベリングによって学習データに反映される購買結果は、第１期間４１において購買（購入）の有無と、第２期間４２において購買の有無と、に基づく基準タイミングＴ１を基準とした購買状況のポジティブな時系列変化の有無を指してもよい。ここで、学習データは、第１期間４１において購買（購入）が無く、第２期間４２において購買（購入）が有った場合、例として正のラベリングがなされる。また、ここで、学習データは、第１期間４１において購買（購入）が無く、第２期間４２において購買（購入）が有った場合、例として負のラベリングがなされる。

【0045】

購買予測モデル１１２の学習データは、第１期間４１におけるユーザ特徴に対して、さらに、第１期間４１から第２期間４２にかけて基準タイミングＴ１を基準としてユーザ特徴の時系列変化（時間変化）の有無がラベリングされてもよい。学習データは、例として、基準タイミングＴ１がユーザの誕生日である場合に当該ユーザの年齢変化が基準タイミングＴ１を基準として起こることを考慮し、第１期間４１におけるユーザ特徴に対して、ユーザ特徴の時系列変化有り、がラベリングされてよい。学習データは、属性ごとにユーザ特徴の時系列変化の有無がラベリングされてよい。

【0046】

学習済みの購買予測モデル１１２は、任意の基準タイミングより前の第１期間におけるユーザデータを入力として、設定した対象サービスに対して、当該基準タイミングより後の第２期間における購買確率（購買スコア）を出力するように構成される。購買確率は０～１で表され、本実施形態では、購買確率が１の場合は、ユーザが対象サービスにおいて購買を行う可能性が１００％であることを示し、購買確率が０の場合、ユーザが対象サービスにおいて購買を行う可能性が０％であることを示す。学習済みの購買予測モデル１１２は、学習モデル記憶部１１０に格納される。

【0047】

続いて、購買予測モデル１１２を用いた購買確率５５の予測処理について、図４Ｂと図５Ａを参照して説明する。図４Ｂは、購買予測モデル１１２による購買確率予測処理の概念図を示し、図５Ａは、見込み顧客予測部１０５による購買確率予測処理の概略フローを示す。

【0048】

まず、見込み顧客予測部１０５は、時間情報設定部１０２により設定された時間情報５２、および、サービス設定部１０３により設定された見込み顧客予測の対象サービス５３を取得する。時間情報５２には、図４Ｂに示す基準タイミングＴ２、第１期間４３、第２期間４４の情報が含まれている。また、見込み顧客予測部１０５は、ユーザデータ取得部１０１により取得されたユーザデータのうち、第１期間４３におけるユーザデータ５１を取得する。

【0049】

続いて、見込み顧客予測部１０５は、ユーザデータ５１を、購買予測モデル１１２に入力し、対象サービス５３に対する第２期間４４における購買確率５５を予測する。ここで、使用する購買予測モデル１１２は、基準タイミングＴ２、第１期間４３、および第２期間４４に基づいて学習されたモデルである。あるいは、使用する購買予測モデル１１２は、基準タイミングＴ２、第１期間４３、および第２期間４４に基づいて選択されたモデルである。基準タイミングＴ２が現在より前（過去）に設定された場合は、当該基準タイミングＴ２、第１期間４３、および第２期間４４に基づいて既に学習された購買予測モデル１１２が使用されうる。一方で、基準タイミングＴ２が、現在より後（未来）に設定された場合は、実質的に学習データ（すなわち、購入結果）は存在しない。この場合は、例えば、１年前の同時期の日時に対応する基準タイミングＴ２、第１期間４３、および第２期間４４に基づいて既に学習された購買予測モデル１１２を選択して使用することができる。

【0050】

なお、見込み顧客予測部１０５は、基準タイミングＴ２、第１期間４３、および第２期間４４の複数の組み合わせのそれぞれと対応する購買予測モデル１１２に基づいて、対象ユーザの購買確率５５を複数予測し、各購買予測モデル１１２において予測された複数の購買確率５５に基づいて、最終的な購買確率５５を決定してよい。ここで、見込み顧客予測部１０５は、基準タイミング、第１期間、および第２期間の組み合わせについて、一定の制約を課した上で購買確率５５を複数予測する。制約は、広告の提供タイミングなどの所定のタイミングと、基準タイミング、第１期間、および第２期間と、に基づくものである。また、制約は、例として、広告の提供タイミングと同時期のタイミングが第２期間に含まれるような組み合わせを条件とするなどである。

【0051】

このように、基準タイミングＴ２までのユーザデータ、具体的には、第１期間４３におけるユーザ特徴を購買予測モデル１１２に入力することにより、第２期間４４におけるユーザの購買確率５５を予測することができる。

【0052】

見込み顧客予測部１０５は、ユーザ１～Ｎに対して、このような購買確率予測処理を行うことにより、第２期間４４における、対象サービス５３に対するユーザ１～Ｎの購買確率５５を予測することができる。

【0053】

コンフィグファイル１２１を用いる場合、購買確率予測処理がより効率的に行われうる。図５Ｂに、コンフィグファイル１２１を用いる場合の、見込み顧客予測部１０５による購買確率予測処理の概略フローを示す。前述のように、コンフィグファイル１２１は、各サービスに対して見込み顧客を予測するために必要なデータを指示する情報と、各サービスに対する購買予測モデル１１２の設定含む。見込み顧客予測部１０５は、第１期間４３におけるユーザデータ５１を取得し、コンフィグファイル１２１に従って、当該ユーザデータ５１から対象サービス５３に対して見込み顧客を予測するために必要なデータを選択する（選択されたユーザデータ５４）。また、見込み顧客予測部１０５は、コンフィグファイル１２１に従って、対象サービス５３に対する購買予測モデル１１２の設定を行う。

【0054】

対象サービス５３が、例えば、旅行予約サービスである場合、コンフィグファイル１２１に従って選択されたユーザデータ５４は、第１期間４３における、旅行パッケージやホテルの予約数、旅行先、旅行に掛かる費用を含む。このように、ユーザデータ５１は膨大な量のデータであるが、コンフィグファイル１２１を用いることにより、対象サービス５３に対応して選択されたユーザデータ５４を購買予測モデル１１２に入力することができる。

【0055】

購買確率５５が予測されると、見込み顧客予測部１０５は、当該購買確率５５から、見込み顧客を予測する。具体的には、見込み顧客予測部１０５は、購買確率５５が所定の閾値以上である１以上のユーザを、見込み顧客（対象サービス５３の利用が見込まれる（利用の蓋然性が高い）ユーザ）として予測することができる。当該閾値は、例えば０．５である。

【0056】

さらに、見込み顧客予測部１０５は、見込み顧客として予測した１以上のユーザからなるユーザグループを、ユーザセグメントとして生成する。当該ユーザセグメントに含まれるユーザは、対象サービス５３の利用可能性が高い。よって、見込み顧客予測部１０５は、当該ユーザセグメントを、対象サービス５３の広告配信の対象に適したユーザグループとして決定することができる。

【0057】

［処理の流れ］
図６に、本実施形態による情報処理装置１０により実行される処理のフローチャートを示す。図６に示す処理は、情報処理装置１０のＣＰＵ３１がＲＯＭ３２等に格納されたプログラムをＲＡＭ３３にロードして実行することによって実現されうる。図６の説明のために、図１に示した情報処理システムを参照する。学習済みの、ユーザ特徴予測モデル１１１と購買予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。また、図６の処理の順序は、図示される順序に限定されない。

【0058】

Ｓ６１において、時間情報設定部１０２は、見込み顧客を予測するための基準タイミングと、当該基準タイミングにより後（過去）の（第１期間）と、当該基準タイミングより前（未来）の一定期間（第２期間）を設定する。当該基準タイミングは、現在のタイミングに限定されず、過去や未来の任意のタイミングに設定することができる。

【0059】

Ｓ６２において、サービス設定部１０３は、見込み顧客予測の対象となるサービス（対象サービス５３）を設定する。本実施形態では、サービスは、ウェブサービスや、ユーザが利用可能なアイテムである。

【0060】

Ｓ６３において、ユーザデータ取得部１０１は、見込み顧客予測の対象となるユーザ（対象ユーザ）から、ユーザデータを取得する。本実施形態では、前述のように、ユーザデータ（ユーザ特徴）は、ユーザの事実特徴と、当該ユーザの事実特徴に基づいて推定されたユーザの推定特徴を含む。

【0061】

Ｓ６４において、見込み顧客予測部１０５は、Ｓ６３で取得されたユーザデータを購買予測モデル１１２に入力して、Ｓ６２で設定された対象サービス５３に対する、対象ユーザの購買確率５５を予測する。購買確率予測処理については、図４Ｂ、図５Ａ、および図５Ｂを参照して上述した通りである。

【0062】

Ｓ６５において、見込み顧客予測部１０５は、Ｓ６４において予測された対象ユーザの購買確率５５に基づいて、対象ユーザが見込み顧客（対象サービス５３の利用が見込まれるユーザ）か否かを判定する。例えば、見込み顧客予測部１０５は、当該購買確率５５が所定の閾値以上である場合、対象ユーザは見込み顧客であると判定する。

【0063】

情報処理装置１０は、ユーザ１～Ｎに対して、Ｓ６３～Ｓ６５の処理を実施する。すなわち、情報処理装置１０は、ユーザ１～Ｎのそれぞれを対象ユーザとして、Ｓ６３～Ｓ６５の処理を実施する。次に、Ｓ６６において、見込み顧客予測部１０５は、見込み顧客として予測した、ユーザ１～Ｎのうちの１以上のユーザからなるユーザグループを、ユーザセグメントとして生成する。

【0064】

Ｓ６７は、オプション的な処理であり、出力部１０６は、Ｓ６６で生成されたユーザセグメントに対して、Ｓ６２で設定された対象サービス５３に関する広告を提供する。例えば。Ｓ６１で設定された基準タイミングが、現在から１か月後の場合、出力部１０６は、当該基準タイミングの前の一定期間において、対象サービス５３に関する広告を当該ユーザセグメントに対して提供する。当該広告の提供は、当該基準タイミング後のユーザセグメントによる購買行動に、有効に作用しうる。

【0065】

このように、本実施形態によれば、任意に設定した基準タイミングを基準としたユーザ特徴の時系列変化を考慮することにより、ユーザが見込み顧客であるか否かの予測を、より高精度に行うことができる。特に、ユーザ特徴は、ライフイベント（結婚や出産等）を経て変化する可能性が高いが、本実施形態では、基準タイミングより前の一定期間におけるユーザ特徴の時系列的変化を考慮することにより、ユーザが（将来的に）見込み顧客となるか否かの予測を効果的に行うことが可能となる。

【0066】

なお、本実施形態では、「利用」は「購買」に対応する例を示し、購買予測モデル１１２を用いて、購買確率５５を予測したが、あらゆる利用形態に本実施形態を適用することが可能である。すなわち、あらゆる利用形態に対応した利用予測モデルを用い、当該利用予測モデルにより予測された利用確率に応じて、見込み顧客が予測されてもよい。

【0067】

以下に、基準タイミングの設定に応じた複数のユースケースを説明する。当該説明のために、図１に示した情報処理システムと、図４Ｂに示した購買確率予測処理の概念図と、図５Ａに示した購買確率予測処理の概略フローを参照する。

【0068】

［第１のユースケース］
第１のユースケースは、基準タイミングＴ２が現在より前に設定された場合である。当該ユースケースでは、基準タイミングＴ２が、過去の集客イベントの開催日に設定され、対象サービス５３を、当該集客イベントが開催された地域に関するサービスに設定される。見込み顧客予測部１０５は、学習済みの購買予測モデル１１２を用いて、複数のユーザ１～Ｎのうち、基準タイミングＴ２より後の第２期間４４において、当該地域に関するサービスに対する見込み顧客を予測することができる。予測された見込み顧客の情報は、当該地域で、再度、集客イベントが開催される場合に活用することができる。例えば、将来に当該地域で集客イベントが開催される場合に、当該地域に関するサービスの充実度を効果的に計画することが可能となる。

【0069】

［第２のユースケース］
第２のユースケースは、基準タイミングが、過去から未来に渡って複数に設定された場合である。当該ユースケースでは、基準タイミングＴ２が、複数の感染症の流行収束タイミングに設定され、対象サービス５３が、インターネットモールに設定される。見込み顧客予測部１０５は、学習済みの購買予測モデル１１２を用いて、複数のユーザ１～Ｎのうち、各基準タイミングＴ２より後の第２期間４４において、当該インターネットモールに対する見込み顧客を予測することができる。予測された見込み顧客の情報は、感染症の流行収束時期に応じた出品計画に活用することができる。すなわち、異なる収束時期に応じた、ユーザの購買傾向が定量化され、インターネットモールでの出品計画を効果的に行うことが可能となる。

【0070】

［第３のユースケース］
第３のユースケースは、基準タイミングＴ２が現在より後に設定された場合である。当該ユースケースでは、基準タイミングＴ２が、今年の１２月１日（基準タイミングＴ２より後）に設定され、対象サービス５３が、レストラン予約サービスに設定される。見込み顧客予測部１０５は、学習済みの購買予測モデル１１２を用いて、複数のユーザ１～Ｎのうち、基準タイミングＴ２より後の、クリスマスを含む第２期間４４において、レストラン予約サービスに対する見込み顧客を予測することができる。すなわち、将来的に、複数のユーザ１～Ｎがレストラン予約サービスに対する見込み顧客となりうるかを、予測することができる。

【0071】

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置および方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換および変更をなすこともできる。かかる省略、置換および変更をなした形態は、請求の範囲に記載されたものおよびこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。

【0072】

本実施形態の開示は以下の構成を含む。
［１］基準タイミングおよび対象サービスを設定する設定手段と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得手段と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測手段と、を有することを特徴とする情報処理装置。

【0073】

［２］前記ユーザ特徴は、前記事実特徴に基づいて推定された前記ユーザ属性を含む推定特徴を、含むことを特徴とする［１］に記載の情報処理装置。

【0074】

［３］前記ユーザ特徴は、さらに、前記ユーザによる、前記対象サービスを含む複数のサービスを提供するためのウェブサイト上での行動を示すデータを事実特徴として含むことを特徴とする［２］に記載の情報処理装置。

【0075】

［４］前記予測手段は、前記ユーザ特徴およびサービス利用履歴を学習済みの機械学習モデルに入力することにより、前記対象ユーザが前記見込み顧客か否かを予測することを特徴とする［１］から［３］のいずれかに記載の情報処理装置。

【0076】

［５］前記見込み顧客のグループを生成する生成手段をさらに有し、前記取得手段は、複数の前記対象ユーザそれぞれについて前記ユーザ特徴を取得し、前記予測手段は、複数の前記対象ユーザそれぞれが前記見込み顧客か否かを予測し、前記生成手段は、前記予測手段により前記見込み顧客であると予測された、複数の前記対象ユーザのうちの１以上の前記対象ユーザからなるグループを、前記見込み顧客のグループとして生成することを特徴とする［４］に記載の情報処理装置。

【0077】

［６］前記見込み顧客のグループに対して、前記対象サービスに関する広告を提供する提供手段をさらに有することを特徴とする［５］に記載の情報処理装置。

【0078】

［７］基準タイミングおよび対象サービスを設定する設定工程と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得工程と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測工程と、を有することを特徴とする情報処理方法。

【0079】

［８］情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、基準タイミングおよび対象サービスを設定する設定処理と、当該基準タイミングより前におけるユーザのユーザ属性を含む事実特徴を含むユーザ特徴、および、当該基準タイミングより後における前記対象サービスのサービス利用履歴を取得する取得処理と、前記ユーザ特徴およびサービス利用履歴に基づいて、前記ユーザとは異なる任意の対象ユーザが前記基準タイミングより後において前記対象サービスの利用が見込まれる見込み顧客か否かを予測する予測処理と、を含む処理を実行させるためのものである、情報処理プログラム。

【符号の説明】

【0080】

１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザデータ取得部、１０２：時間情報設定部、１０３：サービス設定部、１０４：ユーザデータ選択部、１０５：見込み顧客予測部、１０６：出力部、１１０：学習モデル記憶部、１１１：ユーザ特徴予測モデル、１１２：購買予測モデル、１２０：ファイル記憶部、１２１：コンフィグファイル

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5A】

【図5B】

【図6】