特開 2024-176421 推定装置

(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】P2024176421

(43)【公開日】2024-12-19

(54)【発明の名称】推定装置

(51)【国際特許分類】

   G06Q 30/02 20230101AFI20241212BHJP

【ＦＩ】

G06Q30/02

【審査請求】未請求

【請求項の数】1

【出願形態】ＯＬ

(21)【出願番号】P 2023094937

(22)【出願日】2023-06-08

(71)【出願人】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】100103894

【弁理士】

【氏名又は名称】家入 健

(72)【発明者】

【氏名】村井 千恵

(72)【発明者】

【氏名】中西 亮輔

【テーマコード（参考）】

5L030

5L049

【Ｆターム（参考）】

5L030BB02

5L049BB02

(57)【要約】

【課題】過去に自社で行っていない施策に対する顧客の反応を精度よく推定することが可能な推定装置を提供すること。
【解決手段】本実施形態にかかる推定装置１は、対象施策に関する施策データ及びユーザデータを含む対象データを取得する対象データ取得部１４と、施策に関する施策データ及びユーザデータを含む学習データを入力した場合に、施策の特性及びユーザの特性を出力するように、機械学習などを用いて学習された学習モデル７３を用いて、対象データから対象施策の特性及びユーザの特性を取得し、取得した対象施策の特性及びユーザの特性に基づいて、対象施策に対するユーザの反応率を推定する反応推定部と、を備えている、学習データは、自社で実施されていない他社の施策に関する施策データ及びユーザデータを少なくとも含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

対象施策に関する施策データ及びユーザデータを含む対象データを取得する対象データ取得部と、
施策に関する施策データ及びユーザデータを含む学習データを入力した場合に、施策の特性及びユーザの特性を出力するように学習された学習モデルを用いて、前記対象データから前記対象施策の特性及びユーザの特性を取得し、取得した前記対象施策の特性及びユーザの特性に基づいて、前記対象施策に対するユーザの反応率を推定する反応推定部と、を備え、
前記学習データは、自社で実施されていない他社の施策に関する施策データ及びユーザデータを少なくとも含む
推定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推定装置に関する。

【背景技術】

【0002】

デジタルマーケットで展開されるサービスでは、ユーザのサービス利用促進のために様々な施策が実施されている。それらの施策が実際に期待する効果を出しているか否かを推定することは、以降の施策を検討するために重要である。関連する技術として、特許文献１は、顧客の属性情報から、ダイレクトマーケティングの施策に対する顧客の反応のスコアを算出するためのスコアリングモデルを備えるダイレクトマーケティング支援装置を開示する。当該ダイレクトマーケティング支援装置は、スコアリングモデルに、施策を実施したことがない顧客の属性情報を入力することによって、当該顧客に施策を実施した場合に期待される反応のスコアを算出する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１３５７５１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

例えば、過去に自社で実施された施策の情報のみを用いて、施策に対する顧客の反応を推定するための学習モデルを生成したとする。この場合、過去に自社で実施していない施策に対する顧客の反応に対しては、学習モデルの推定精度が低下するおそれがある。

【0005】

本発明は、過去に自社で行っていない施策に対する顧客の反応を精度よく推定することが可能な推定装置を提供するものである。

【課題を解決するための手段】

【0006】

本開示にかかる推定装置は、対象施策に関する施策データ及びユーザデータを含む対象データを取得する対象データ取得部と、施策に関する施策データ及びユーザデータを含む学習データを入力した場合に、施策の特性及びユーザの特性を出力するように学習された学習モデルを用いて、前記対象データから前記対象施策の特性及びユーザの特性を取得し、取得した前記対象施策の特性及びユーザの特性に基づいて、前記対象施策に対するユーザの反応率を推定する反応推定部と、を備える。前記学習データは、自社で実施されていない他社の施策に関する施策データ及びユーザデータを少なくとも含むものである。

【発明の効果】

【0007】

本開示にかかる推定装置は、過去に自社で行っていない施策に対する顧客の反応を精度よく推定することができる。

【図面の簡単な説明】

【0008】

【図1】推定装置の構成を示すブロック図である。

【図2】推定装置が行う処理の全体的な流れを示すフローチャートである。

【図3】学習データ取得部が行う学習データの取得処理を示すフローチャートである。

【図4】学習モデルに入力する情報及び学習モデルから出力される情報の例を示す図である。

【図5】反応推定部が行う施策反応率の推定処理を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下では、本開示の実施形態について、図面を参照しながら詳細に説明する。各図面において、同一又は対応する要素には同一の符号が付されている。説明の明確化のため、必要に応じて重複説明は省略される。

【0010】

関連する技術では、自社サービス内で過去に実施した施策を基に新規施策の効果を推定するが、過去の事例がない施策の検討時には、類似施策がないために、高い精度での施策効果を推定することが困難である。そこで、本開示にかかる推定装置では、他外サービスの施策に関するデータを特徴量に加えることで、施策に対する顧客の反応率（以下、「施策反応率」と称する場合がある）の推定精度を向上させる。具体的には、本開示にかかる推定装置は、他社サービスのＳＮＳ（Social Networking Service）やＨＰ（Home Page）等から発信された施策の言語情報を用いて機械学習モデルを生成する。また、本開示にかかる推定装置は、生成したモデルに検討施策の情報を入力することで、施策の特性やユーザの施策反応率を算出する。

【0011】

（推定装置１の構成）
図１を参照して、実施形態にかかる推定装置１の構成について説明する。図１は、推定装置１の構成を示すブロック図である。推定装置１は、学習データ取得部１１、前処理部１２、学習部１３、対象データ取得部１４、反応推定部１５、及び記憶部１７を備えている。推定装置１は、図示しない構成としてプロセッサ及びメモリを備えている。また記憶部１７は、本実施形態にかかる処理が実装されたプログラムが記憶される記憶装置として機能し得る。プロセッサは、記憶部１７からプログラムをメモリへ読み込ませ、当該プログラムを実行する。これにより、プロセッサは、学習データ取得部１１等の機能を実現する。学習データ取得部１１等は、それぞれが専用のハードウエアで実現されていてもよい。また、推定装置１の各構成要素の一部又は全部は、汎用または専用の回路、プロセッサ等やこれらの組合せによって実現されてもよい。プロセッサとして、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等を用いることができる。

【0012】

学習データ取得部１１は、各種ＤＢ（DataBase）やＳＮＳ、又はＨＰなどにアクセスして、学習部１３での学習に用いられる学習データを取得する。学習データ取得部１１は、施策に関する施策データ、及び当該施策に関連するユーザに関するユーザデータを学習データとして取得する。学習データは、自社で実施されていない他社の施策に関する施策データ及びユーザデータを少なくとも含む。施策データは、例えば、自社又は他社が展開するサービスで実施された施策に対応付けられた言語情報や画像情報などを含み得る。施策データは、例えば、施策への参加ユーザ、施策の概要、又はＳＮＳやＨＰ等での施策に関する発信内容などである。

【0013】

ユーザデータは、例えば、ユーザ属性情報、ＳＮＳで発信された言語情報、又は自社サービス内でのユーザの行動情報などを含み得る。ユーザ属性情報は、例えば、ユーザの性別、年齢、又は居住地などの情報である。ユーザ属性情報は、各属性を示す属性値により表されてもよい。ＳＮＳで発信された言語情報は、ＳＮＳ等においてユーザが発信した文章などの言語情報である。ユーザの行動情報は、自社又は他社のサービス内におけるユーザの行動を示す情報である。ユーザの行動情報は、例えば、施策に対するエンゲージメント情報、画像情報、又は施策に対する投稿内容などである。エンゲージメント情報は、例えば施策に関するＳＮＳの投稿に対してユーザが行った、高評価を示す反応に関する情報である。高評価を示す反応は、例えば投稿の拡散、「いいね」の回数、投稿への返信などがある。画像情報は、投稿に付与された画像や、ユーザやサービスのプロフィール画像などである。ユーザの行動情報は、ユーザの参加施策、購入商品、又はＳＮＳなどで閲覧したページなどを含んでもよい。

【0014】

学習データ取得部１１は、自社のＤＢ又は他社のサーバなどから学習データを取得する。例えば自社サービスに関しては、学習データ取得部１１は、自社施策ＤＢ７１を参照して、当該サービスに関する施策データ及びユーザデータを取得する。また、学習データ取得部１１は、他社サービスに関しては、図示しないインターネットなどのネットワークを介して、他社のサービス公式ＳＮＳやＨＰなどからデータを取得する。当該データは、例えば、エンゲージメント情報、画像情報、又は言語情報などを含み得る。なお、ここではＳＮＳやＨＰの情報を例として用いるが、これらに限らず任意の情報が用いられ得る。学習データ取得部１１は、所定のサービスを提供する他社のサーバなどからデータを取得してもよい。学習データ取得部１１は、施策の言語情報と、当該施策に対して反応するユーザとが観測できる任意のサービスから学習データを取得することができる。

【0015】

前処理部１２は、学習データ取得部１１で取得された学習データに学習モデルを適用する前に、データに対し前処理を行う。例えば前処理部１２は、データに含まれる言語情報の前処理を行う。具体的には、前処理部１２はデータに含まれる文字情報を抽出し、抽出した文字情報を整形する。文字情報の整形は、文字の全角又は半角の統一、又は英語表記若しくは日本語表記の統一などを含む。また、前処理部１２は、抽出された文字情報に対し、単語分割を行う。前処理部１２は、処理対象外とするストップワードを除去する処理を行ってもよい。また、取得された画像情報内に文字が存在する場合、前処理部１２はＯＣＲ（Optical Character Recognition）処理を行い、文字情報を抽出する。前処理部１２は、抽出した文字情報に対して前処理を行う。

【0016】

学習部１３は、前処理部１２で前処理が行われたデータを用いて、機械学習モデルの学習を行う。学習部１３は、公知の機械学習の手法を用いて学習モデル７３を生成し、記憶部１７に記憶する。学習部１３は、学習モデル７３を再学習させてもよい。

【0017】

対象データ取得部１４は、施策反応率の推定対象である対象施策に関する施策データ及びユーザデータを含む対象データを取得する。対象データは、例えば、新規施策に関する言語情報などを含む。対象データは、ターゲットとするユーザに関する情報を含んでもよい。

【0018】

反応推定部１５は、新規の施策を検討するために、学習部１３で得られた学習モデル７３を用いて、施策に対するユーザの反応率を算出する。具体的には、反応推定部１５は、対象データ取得部１４で取得された対象データを学習モデル７３に入力する。反応推定部１５は、学習モデル７３から出力された対象施策の特性及びユーザの特性を取得する。反応推定部１５は、取得した対象施策の特性及びユーザの特性を、施策特性情報７４及びユーザ特性情報７５として記憶部１７に記憶する。反応推定部１５は、施策特性情報７４及びユーザ特性情報７５に基づいて、対象施策に対するユーザの反応率を推定する。

【0019】

記憶部１７は、自社施策ＤＢ７１、自社ユーザＤＢ７２、学習モデル７３、施策特性情報７４、及びユーザ特性情報７５を記憶する。自社施策ＤＢ７１及び自社ユーザＤＢ７２は、自社サービスに関するデータを蓄積したものである。自社施策ＤＢ７１及び自社ユーザＤＢ７２は、自社サービスにおける施策及びユーザの情報をそれぞれ含む。

【0020】

学習モデル７３は、学習部１３で学習された学習モデルである。学習モデル７３は、施策に関する施策データ及びユーザデータを含む学習データを入力した場合に、施策の特性及びユーザの特性を出力するように学習されている。施策特性情報７４は、学習モデル７３から出力された施策ごとのトピック分布を蓄積したものである。ユーザ特性ＤＢ７５は、学習モデル７３から出力されたユーザごとのトピック分布を蓄積したものである。記憶部１７は上記以外の情報を記憶してもよい。また上記の情報の一部又は全部が、推定装置１の外部に記憶されてもよい。

【0021】

上述した推定装置１の構成は一例に過ぎず、適宜変更されてよい。例えば、推定装置１の各構成要素の一部又は全部は、複数の情報処理装置や回路等により実現され得る。複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

【0022】

（推定装置１の処理）
図２～図５を参照して、推定装置１が行う処理について説明する。図２は、推定装置１が行う処理の全体的な流れを示すフローチャートである。図３は、学習データ取得部１１が行う学習データの取得処理を示すフローチャートである。図４は、学習モデル７３に入力する情報及び学習モデル７３から出力される情報の例を示す図である。図５は、反応推定部１５が行う施策反応率の推定処理を示すフローチャートである。以下では図２を参照して全体の流れを説明しながら、各処理の詳細を図３～図５を参照して説明する。

【0023】

まず、学習データ取得部１１は、学習データの取得処理を行う（Ｓ１）。学習データ取得部１１は、自社施策ＤＢ７１及び自社ユーザＤＢ７２を参照し、自社の施策に関するデータを取得する。また、学習データ取得部１１は、ＳＮＳやＨＰなどから、他社の施策に関するデータを取得する。

【0024】

ここで、図３を参照して、ステップＳ１の処理の詳細を説明する。学習データ取得部１１は、自社サービス及び他社サービスの全ての施策について、ステップＳ１１～Ｓ１３の処理を繰り返す。学習データ取得部１１は、他社サービスの中から、自社サービスと競合する他社サービスを特定することで処理対象を限定してもよい。

【0025】

まず学習データ取得部１１は、推定の対象とする施策が自社の施策であるか否かを判定する（Ｓ１１）。学習データ取得部１１は、自社の施策と所定以上類似するか否かを判定してもよい。自社の施策である場合（Ｓ１１のＹＥＳ）、学習データ取得部１１は、記憶部１７の自社施策ＤＢ７１からデータを抽出する（Ｓ１２）。自社の施策でない場合（Ｓ１１のＮＯ）、学習データ取得部１１は、他社サービスの公式ＳＮＳなどからデータを取得する（Ｓ１３）。学習データ取得部１１は、自社サービス及び他社サービスの全ての施策について上述の処理が終了すると、学習データの取得処理を終了する。

【0026】

上述した学習データ取得処理において、他社の実施施策におけるＳＮＳやＨＰ等の言語情報の扱いに関しては、以下のような例が考えられる。
（例１）学習データ取得部１１は、ＳＮＳやＨＰ等で発信された言語情報をそのまま取得する。
（例２）学習データ取得部１１は、ユーザの反応（例えば、引用、リプライ、「いいね」など）から、施策に反応しているユーザの情報を取得する。学習データ取得部１１は、その施策の言語情報をユーザが生成したものとみなす。例えば、施策の公式アカウントが、所定の飲食店を利用することによりユーザへのキャッシュバックを行うことをＳＮＳに投稿したとする。当該投稿に対し、ユーザａ及びｂが、投稿の引用や投稿への返信などを行うことにより、投稿に反応したとする。学習データ取得部１１は、当該キャッシュバックの施策に反応したユーザａ及びｂの情報を取得する。学習データ取得部１１は、当該キャッシュバックの施策の言語情報をユーザａ及びｂが生成したとみなす。このように、複数のユーザが施策に反応した場合、学習データ取得部１１は、当該施策と反応したユーザ群とを対応付けて取得する。

【0027】

図２に戻り説明を続ける。前処理部１２は、学習データ取得部１１で取得された学習データに対して前処理を行う（Ｓ２）。続いて学習部１３は、前処理されたデータを用いて施策特性及びユーザ特性の学習を行う（Ｓ３）。学習部１３は、施策に関する施策データ及びユーザデータを含む学習データを入力した場合に、施策の特性及びユーザの特性を出力するように学習モデル７３を学習させる。例えば、学習部１３は、施策やユーザごとの特性（トピック分布）を、オーサートピックモデル（Author-Topic Model）などの機械学習モデルを用いて学習する。学習部１３は、生成した学習モデル７３を記憶部１７に記憶する。

【0028】

学習部１３は、異なる入力データを用いて学習モデル７３を生成してもよい。以下では、図４を参照して、２つの異なる入力データを用いて学習モデル７３を生成する例を説明する。以下の例１及び例２は、上述した例１及び例２と対応する。

【0029】

（例１）例１では、学習部１３は、施策の特性（トピック）を、施策の言語情報から直接学習する。学習部１３は、施策の言語情報及びユーザの発信した言語情報を入力とし、施策ごとのトピック分布及びユーザごとのトピック分布を出力とするように学習モデル７３を学習させる。図４の上段及び中段に示される表は、例１において出力される、施策ごとのトピック分布Ｄ１及びユーザごとのトピック分布Ｄ２を示している。例えば、トピック分布Ｄ１において、施策ごとのトピック分布をΦとすると、施策Ａ、Ｂ、Ｃのトピック分布は、それぞれΦ_Ａ、Φ_Ｂ、Φ_Ｃで表される。また、トピック分布Ｄ２において、ユーザごとのトピック分布をθとすると、ユーザａ、ｂ、ｃのトピック分布は、それぞれθ_ａ、θ_ｂ、θ_ｃで表される。

【0030】

（例２）例２では、学習部１３は、ＳＮＳなどで施策の発信に反応したユーザを対象に、ユーザの特性を学習する。学習部１３は、ユーザが施策に対して反応した場合、その施策の言語情報を当該ユーザが生成したとみなし、ユーザごとに施策の言語情報を取りまとめる。学習部１３は、施策の言語情報を入力とし、ユーザごとのトピック分布を出力とするように学習モデル７３を学習させる。図４の下段に示される表は、例２において出力される、ユーザごとのトピック分布Ｄ３を示している。トピック分布Ｄ２同様、トピック分布Ｄ３において、ユーザごとのトピック分布をθとすると、ユーザａ、ｂ、ｃのトピック分布は、それぞれθ_ａ、θ_ｂ、θ_ｃで表される。

【0031】

図２に戻り説明を続ける。対象データ取得部１４は、推定の対象となる対象データを取得する（Ｓ４）。例えば、対象データ取得部１４は、推定装置１を運用する運用者から図示しない入力部を介して対象データを取得する。入力部は、例えば、マウスやキーボードなどの入力装置である。ここでは、対象データ取得部１４は、自社サービスである新規な施策Ｘに関する情報を含む対象データを取得したものとする。続いて反応推定部１５は、学習モデル７３とユーザごとの特性（トピック分布）を用いて、施策Ｘに対する施策反応率を算出するための推定処理を行う（Ｓ５）。

【0032】

ここで、図５を参照して、ステップＳ５の処理について説明する。まず、反応推定部１５は、対象データから施策Ｘの言語情報を取得する（Ｓ２１）。反応推定部１５は、施策Ｘの言語情報を前処理部１２に入力して、前処理を行う（Ｓ２２）。反応推定部１５は、学習モデル７３を用いて、前処理後の対象データから施策Ｘの特性を推定する（Ｓ２３）。反応推定部１５は、施策特性情報７４を用いて、施策Ｘの特性をベクトルの確率値Φ_Ｘとして出力する。反応推定部１５は、施策Ｘへのユーザごとの反応率を算出するために、ユーザ特性情報７５を用いて、ユーザの特性θを読み込む（Ｓ２４）。ユーザの特性は、施策Ｘの特性と同様に、ｎ個（ｎは１以上の整数）のトピックに対する確率値であり、ベクトルを用いて表される。

【0033】

続いて反応推定部１５は、施策Ｘの反応率を推定する（Ｓ２５）。反応推定部１５は、施策Ｘの特性を示す列ベクトルと、ユーザの特性を示す行ベクトルと、を乗算することで、確率値を示すスカラー値を算出する。これにより、反応推定部１５は施策Ｘに対するユーザの反応率を算出する。例えば、施策Ｘに対するユーザａの反応率Ｐ_Ｘａは、施策Ｘの列ベクトルΦ_Ｘとユーザａの行ベクトルθ_ａと、を用いて以下の式（１）で表される。反応推定部１５は、他のユーザについても同様にして施策反応率を推定できる。
Ｐ_Ｘａ＝Φ_Ｘθ_ａ ・・・（１）

【0034】

図２に戻り説明を続ける。反応推定部１５は、上記の式（１）で算出された結果を、施策Ｘに対するユーザａの反応率の推定結果として提示する（Ｓ６）。例えば、反応推定部１５は、図示しないディスプレイなどの表示部に推定結果を表示させる。

【0035】

以上説明したように、本実施形態にかかる推定装置１では、自社サービスから抽出可能な特徴量に加えて、他社サービスで実施された施策の情報を公式ＳＮＳやＨＰ等から取得し入力特徴量に加えている。これにより、推定装置１は、過去に自社で行っていない施策に対する顧客の反応を、自社で実施した施策の情報のみを用いる場合よりも精度よく推定することができる。

【0036】

また、自社サービスにおける新規ユーザについては、推定装置１は、そのユーザのＳＮＳ情報を用いてユーザの特性を推定する。事前に自社サービスのデータに基づいてユーザ特性ごとに施策反応率を算出しておくことで、推定装置１は、新規ユーザがどのような特性の施策に反応するかを推定することができる。これにより、新規ユーザ追加時において、施策反応率を高い精度で推定することができる。また上述したように、推定装置１では施策反応率を推定する際に、ユーザの特性を推定するモデルを学習するため、ユーザの特性を推定することができる。

【0037】

上述したプログラムは、コンピュータに読み込まれた場合に、実施形態で説明された機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、非一時的なコンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disc（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、又はその他の形式の伝搬信号を含む。

【0038】

なお、本開示は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

【符号の説明】

【0039】

１：推定装置、１１：学習データ取得部、１２：前処理部、１３：学習部、１４：対象データ取得部、１５：反応推定部、１７：記憶部、７１：自社施策ＤＢ、７２：自社ユーザＤＢ、７３：学習モデル、７４：施策特性情報、７５：ユーザ特性情報、Ｄ１～Ｄ３：トピック分布

【図1】

【図2】

【図3】

【図4】

【図5】