特許 7476973 推定システム、推定方法および推定プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-04-22

(45)【発行日】2024-05-01

(54)【発明の名称】推定システム、推定方法および推定プログラム

(51)【国際特許分類】

   G06Q 30/02 20230101AFI20240423BHJP

   G06Q 30/0601 20230101ALI20240423BHJP

【ＦＩ】

G06Q30/02

G06Q30/0601 330

【請求項の数】 9

(21)【出願番号】P 2022551088

(86)(22)【出願日】2020-09-28

(86)【国際出願番号】 JP2020036617

(87)【国際公開番号】W WO2022064688

(87)【国際公開日】2022-03-31

【審査請求日】2023-01-13

(73)【特許権者】

【識別番号】000004237

【氏名又は名称】日本電気株式会社

(74)【代理人】

【識別番号】100109313

【弁理士】

【氏名又は名称】机 昌彦

(74)【代理人】

【識別番号】100149618

【弁理士】

【氏名又は名称】北嶋 啓至

(72)【発明者】

【氏名】吉永 直生

【審査官】小山 和俊

(56)【参考文献】

【文献】特開２０１９－１４５０４３（ＪＰ，Ａ）

【文献】特開２０１９－１４８８９７（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】

対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する取得手段と、
前記対象顧客の行動を推定する行動模倣器と、最適な前記行動模倣器を選択する行動方針選択器を含む推定モデルを用いて、前記対象顧客の推定時点までの購買データを入力データとし、前記対象顧客を優良顧客に変容させるための購買行動を推定する推定手段と、
前記推定手段により推定される購買行動を出力する出力手段と
を備え、
前記行動模倣器は、複数の顧客の購買データのうち前記購入商品を入力データとし、前記合計購入金額または前記来店頻度に関する優良顧客の条件とに基づいて、優良顧客であるかを示すデータをラベルとした教師データを用いて、前記顧客の行動を推定し、
前記行動方針選択器は、前記行動模倣器による推定結果と前記入力データとを比較し、推定精度を基に最適な前記行動模倣器を選択し、
前記推定モデルは、前記行動方針選択器による比較結果を基に、前記行動方針選択器および前記行動模倣器を同時に学習することで生成される推定システム。

【請求項2】

前記取得手段は、前記対象顧客の購買行動を変容させるために過去に実施されたアクションを取得し、
前記推定手段は、前記複数の顧客それぞれの購買行動を変容させるために過去に実施されたアクションにさらに基づいて生成される前記推定モデルを用いて、前記取得手段により取得されるアクションに基づいて、前記対象顧客を優良顧客に変容させるためのアクションを推定し、
前記出力手段は、前記推定手段により推定されるアクションを出力する
請求項１に記載の推定システム。

【請求項3】

前記購買データは、前記対象顧客の手に取った未購入の商品と、店内の前記対象顧客の位置情報と、店のｗｅｂサイトまたはアプリへのアクセス履歴との少なくとも１つを含む
請求項１又は２に記載の推定システム。

【請求項4】

前記出力手段により出力される購買行動は、来店回数を増加させる、購入金額を増加させる、特定の商品を購入させる、のうちの少なくとも１つである
請求項１から３いずれかに記載の推定システム。

【請求項5】

前記出力手段により出力されるアクションは、割引クーポンの送付、商品の割引情報の送付、特典情報の送付、試供品の提供、イベントの開催通知の少なくとも１つである
請求項２に記載の推定システム。

【請求項6】

前記複数の顧客の購買データを入力データとし、前記優良顧客を示すラベルを用いた機械学習によって前記推定モデルを生成する生成手段を
さらに備える請求項１から５いずれかに記載の推定システム。

【請求項7】

前記生成手段は、前記優良顧客を示す基準を満たさない負例を用いた入力データをさらに用いて前記推定モデルを生成する
請求項６に記載の推定システム。

【請求項8】

コンピュータが、
対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得し、
前記対象顧客の行動を推定する行動模倣器と、最適な前記行動模倣器を選択する行動方針選択器を含む推定モデルを用いて、前記対象顧客の推定時点までの購買データを入力データとし、前記対象顧客を優良顧客に変容させるための購買行動を推定し、
推定される購買行動を出力し、
前記行動模倣器は、複数の顧客の購買データのうち前記購入商品を入力データとし、前記合計購入金額または前記来店頻度に関する優良顧客の条件とに基づいて、優良顧客であるかを示すデータをラベルとした教師データを用いて、前記顧客の行動を推定し、
前記行動方針選択器は、前記行動模倣器による推定結果と前記入力データとを比較し、推定精度を基に最適な前記行動模倣器を選択し、
前記推定モデルは、前記行動方針選択器による比較結果を基に、前記行動方針選択器および前記行動模倣器を同時に学習することで生成される
推定方法。

【請求項9】

対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する処理と、
前記対象顧客の行動を推定する行動模倣器と、最適な前記行動模倣器を選択する行動方針選択器を含む推定モデルを用いて、前記対象顧客の推定時点までの購買データを入力データとし、前記対象顧客を優良顧客に変容させるための購買行動を推定する処理と、
推定される購買行動を出力する処理と
をコンピュータに実行させ、
前記行動模倣器は、複数の顧客の購買データのうち前記購入商品を入力データとし、前記合計購入金額または前記来店頻度に関する優良顧客の条件とに基づいて、優良顧客であるかを示すデータをラベルとした教師データを用いて、前記顧客の行動を推定し、
前記行動方針選択器は、前記行動模倣器による推定結果と前記入力データとを比較し、推定精度を基に最適な前記行動模倣器を選択し、
前記推定モデルは、前記行動方針選択器による比較結果を基に、前記行動方針選択器および前記行動模倣器を同時に学習することで生成される
推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、優良顧客を推定する技術に関するものであり、特に、優良顧客に変容する行動を推定する技術に関するものである。

【背景技術】

【0002】

営業活動の効率化、業績の向上などを目的として営業支援システムが広く用いられるようになっている。例えば、小売業等では商品を購入する可能性が高い顧客、商品の購入金額が多い顧客など優良顧客を推定する技術の開発が行われている。そのような、優良顧客の推定に関する技術としては、例えば、特許文献１のような技術が開示されている。

【0003】

特許文献１の広告装置は、製品を購入した実績のある顧客の行動履歴を基にしたモデルを用いて、製品を購入する可能性が高い顧客を推定する。特許文献１の広告装置は、製品を購入する可能性が高い顧客を広告配信の対象とすることで、広告効果を高めている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１５－２３０７１７号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１の技術は、製品を購入した実績のある顧客の行動履歴と行動が類似している顧客のうち製品を購入していない顧客を広告配信の候補としている。しかし、特許文献１では、顧客がどのような状態なのかを考慮して推定していない。

【0006】

本発明は、上記の課題を解決するため、顧客を優良顧客に変容させるための行動を精度よく推定することができる推定システム等を提供することを目的としている。

【課題を解決するための手段】

【0007】

上記の課題を解決するため、本発明の推定システムは、取得部と、推定部と、出力部を備えている。取得部は、対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する。推定部は、複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得部により取得される購買データに基づいて、対象顧客を優良顧客に変容させるための購買行動を推定する。出力部は、推定部により推定される購買行動を出力する。

【0008】

本発明の推定方法は、対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する。本発明の推定方法は、複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得される購買データに基づいて、対象顧客を優良顧客に変容させるための購買行動を推定する。本発明の推定方法は、推定部により推定される購買行動を出力する。

【0009】

本発明のプログラム記録媒体は、推定プログラムを記録している。推定プログラムは、対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する処理をコンピュータに実行させる。推定プログラムは、複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得される購買データに基づいて、対象顧客を優良顧客に変容させるための購買行動を推定する処理をコンピュータに実行させる。推定プログラムは、推定される購買行動を出力する処理をコンピュータに実行させる。

【発明の効果】

【0010】

本発明によると、顧客を優良顧客に変容させるための行動を精度よく推定することができる。

【図面の簡単な説明】

【0011】

【図1】本発明の第1の実施形態の構成の概要を示す図である。

【図2】本発明の第1の実施形態の推定モデルの生成動作の例を模式的に示す図である。

【図3】本発明の第1の実施形態の推定モデルの生成動作の例を模式的に示す図である。

【図4】本発明の第1の実施形態の推定システムの動作フローを示す図である。

【図5】本発明の第1の実施形態の購買データの例を示す図である。

【図6】本発明の第1の実施形態の購買データから抽出したデータの例を示す図である。

【図7】本発明の第1の実施形態の推定システムの動作フローを示す図である。

【図8】本発明の第1の実施形態の購買データの例を示す図である。

【図9】本発明の第1の実施形態の推定結果の表示画面の例を示す図である。

【図10】本発明の第1の実施形態の推定結果の表示画面の例を示す図である。

【図11】本発明の第1の実施形態の推定結果の表示画面の例を示す図である。

【図12】本発明の第２の実施形態の構成の概要を示す図である。

【図13】本発明の第２の実施形態の推定システムの動作フローを示す図である。

【図14】本発明の第２の実施形態のアクションの履歴データの例を示す図である。

【図15】本発明の第２の実施形態の推定システムの動作フローを示す図である。

【図16】本発明の第２の実施形態の推定結果の表示画面の例を示す図である。

【図17】本発明の第３の実施形態の構成の概要を示す図である。

【図18】本発明の第３の実施形態の推定システムの動作フローを示す図である。

【図19】本発明の他の構成の例を示す図である。

【発明を実施するための形態】

【0012】

（第１の実施形態）
本発明の第1の実施形態について図を参照して詳細に説明する。図は、本実施形態の推定システム１０の構成の概要を示す図である。本実施形態の推定システム１０は、取得部１１と、記憶部１２と、データ生成部１３と、生成部１４と、推定部１５と、出力部１６を備えている。

【0013】

推定システム１０の取得部１１、記憶部１２、データ生成部１３、生成部１４、推定部１５および出力部１６は、同一のサーバに備えられていてもよく、分散して別のサーバに備えられていて、ネットワークを介して接続されていてもよい。

【0014】

本実施形態の推定システム１０は、優良顧客になる可能性が高い顧客の購買行動を推定するシステムである。すなわち、本実施形態の推定システム１０は、対象顧客を優良顧客に変容させるための購買行動を推定するシステムである。優良顧客とは、例えば、所定期間における商品の合計購入金額が基準以上である顧客や、特定の商品を定期的に購入する顧客などのことをいう。優良顧客は、来店頻度、購入数、会員制度のランクまたはポイント制度のポイント数など他の指標に基づいたものであってもよい。また、購買行動には、実施に商品を購入する行動だけでなく、店舗において商品を手にする、商品棚を見る、店舗に来店するまたはＷｅｂサイトで商品のページを見るなどの購買に関連する行動も含まれる。以下では購買に関連する行動のことを購買関連行動ともいう。

【0015】

図１を参照して推定システム１０の構成について説明する。

【0016】

取得部１１は、顧客の購買行動のデータ（以下、購買データともいう。）を取得する。取得部１１は、例えば、小売店のＰＯＳ（Point Of Sale）システムから顧客の購買データを取得する。取得部１１は、顧客が商品購入時に使用したクレジットカードの管理システムまたはポイントカードの管理システム等のＰＯＳシステム以外から顧客の購買データを取得してもよい。

【0017】

顧客の購買データとは、顧客による商品の購入に関するデータのことをいう。顧客の購買データには、例えば、商品の購入日時、購入した商品の商品名、購入数、合計購入数、購入額または合計購入金額などのデータのうち１または複数の項目が含まれる。

【0018】

購買データには、商品を購入した店舗名、付与されたサービス、付与されたポイントおよび割引額のうち、１つまたは複数の項目が含まれていてもよい。また、購買データには、来店頻度、店舗内で立ち寄った場所および店舗内で立ち寄った場所の数など顧客の購入に関する行動に関するデータが含まれていてもよい。また、顧客の購入に関する行動に関するデータ（すなわち、購買関連行動）には、例えば、店舗がＷｅｂ上に構築されてものであったとき、例えば、Ｗｅｂサイトの各情報のクリックまたはタップ、会員サイトの閲覧またはログインの有無、アプリへのログインの有無、商品ページの閲覧履歴などが含まれていてもよい。また、顧客の購買に関する行動のデータのうち、Ｗｅｂサイトの各情報のクリックなど商品の購入に直接的に関連していない行動に関するデータは、購買関連データともいう。

【0019】

記憶部１２は、顧客の購買データを記憶する。また、記憶部１２は、購買データから抽出されたデータおよび購買データを基に生成されたデータを記憶する。

【0020】

データ生成部１３は、顧客の購買データから購買行動を抽出する。また、データ生成部１３は、顧客の購買データから顧客の状態データを生成する。状態データとは、顧客の購買データから抽出された顧客の状態を示すデータのことをいう。顧客の状態とは、商品を売る側から見たときの顧客の状態のことをいう。顧客の状態とは、例えば、商品の合計購入金額の変化または合計購入数の変化など顧客の行動の変容に関することをいう。顧客の状態のデータは、例えば、小売店にとっての優良顧客を判断する際に用いられる。顧客の状態を示すデータは、例えば、１回の来店における合計購入金額、１回の来店における合計購入数、単位期間あたりの合計購入金額、１回の来店における合計購入数、購入頻度、来店頻度および獲得ポイント数のうち１つまたは複数の項目のデータのことをいう。顧客の状態を示すデータは、顧客のランク分け制度における顧客のランクであってもよい。顧客のランク分け制度は、顧客の購入実績を基に顧客を複数のランクに分け、ランクに応じて優待サービスなどを行う制度のことをいう。

【0021】

生成部１４は、顧客の購買データまたは購買データから抽出された状態データを入力データとし、優良顧客に変容する顧客が行う購買行動を推定結果として出力する推定モデルを生成する。生成部１４は、顧客の購買行動または購買データから抽出された状態データを入力データとし、優良顧客であるかを示すデータをラベルとして教師データに用いた機械学習によって推定モデルを生成する。

【0022】

生成部１４は、例えば、ＳAｉＬ（Skill Acquisition Learning）法を用いて推定モデルを生成する。図２は、ＳAｉＬ法における推定モデルの生成動作を模式的に示す図である。

【0023】

ＳAｉＬ法において、生成部１４は、過去の事例を入力とし、次に行う行動を推定する。図２において、生成部１４は、顧客の購買データを入力とし、行動模倣器（行動模倣器Ａ、Ｂ、・・・）において優良顧客が次に行う行動を推定する。例えば、過去事例Ａが入力されると、行動模倣器は、行動の推定事例Ｂを出力する。左側の過去事例Ａの下に示す矢印は、過去事例Ａの生成部１４への入力を示している。また、行動の推定事例Ｂの下の矢印は、行動の推定事例Ｂの生成部１４からの出力を示している。過去事例Ａおよび行動の推定事例Ｂの丸印は、顧客の行動を示している。また、過去事例Ａおよび行動の推定事例Ｂの三角印は、行動の後の顧客の状態を示している。過去事例Ａの間の矢印は、同一の事例であることを示している。すなわち、図２の過去事例Ａや推定事例Ｂでは、顧客が丸印（〇）の行動を起こすことにより、当該顧客の状態が三角印の状態に推移したことを示している。

【0024】

次の行動を推定すると、生成部１４は、行動方針選択器において、入力と推定結果を比較し、推定精度を基に最適な行動模倣器を選択する。図２の過去事例Ａと行動の推定事例Ｂの間の矢印は、入力である過去事例Ａと、推定結果である行動の推定事例Ｂの比較を示している。比較の矢印の左側にある行動方針選択器および行動模倣器に向けた矢印は、比較結果が行動方針選択器と行動模倣器に入力されることを示している。

【0025】

生成部１４は、入力と推定結果の比較結果を基に、行動方針選択器と、行動模倣器を同時に学習することで推定モデルを生成する。

【0026】

図３は、行動模倣器を最適化する動作を模式的に示す図である。生成部１４は、行動模倣器をＡＣＩＬ（Adversarial Cooperative Imitation Learning）法によって生成する。生成部１４は、行動方針選択器の一部である成功事例分類器において、行動模倣器が生成した事例と、過去の成功事例と比較する。また、生成部１４は、行動方針選択器の一部である失敗事例分類器において、行動模倣器が生成した事例と、過去の失敗事例と比較する。図３の過去の成功事例Xは、正例として用いられる入力データである。また、過去の失敗事例Zは、負例として用いられる入力データである。生成された事例Yは、入力データを基に行動模倣器によって生成されたデータである。各事例の丸印は、上記図２での説明と同様、顧客の行動を示している。各事例の三角印は、上記図２での説明と同様、行動の後の顧客の状態を示している。

【0027】

成功事例分類器は、過去の成功事例と行動模倣器が生成した事例を見分ける（または分類する）動作を行う。そのため、行動模倣器と成功事例分類器は、過去の成功事例に近づけようとする行動模倣器と見分けようとする成功事例分類器とで、敵対しながら学習（最適な行動模倣器の選択）を進める。敵対とは、行動模倣器が成功事例との差が小さい事例を生成しようとするのに対し、成功事例分類器が小さな差をさらに見極めようとすることで、入力データである成功事例と推定結果である生成された事例の差が小さくなるように学習を進めていく処理のことをいう。

【0028】

一方で、失敗事例分類器は、過去の成功事例と失敗事例を見分ける（または分類する）動作を行う。そのため、行動模倣器と失敗事例分類器は、過去の失敗事例に遠ざけようとする行動模倣器と見分けようとする成功事例分類器とで、協調しながら学習を進める。協調とは、行動模倣器が失敗事例との差が大きい事例を生成しようとするのに対し、失敗事例分類器が差がより大きい事例を選択しようとすることで、入力データである失敗事例と推定結果である生成された事例の差が大きくなるように学習を進めていく処理のことをいう。このように、敵対と協調の両方を用いて機械学習を行うことで、致命的な失敗に至ることなく精度の高い推定を行うことができる推定モデルを得ることが可能になる。

【0029】

ＡＣＩＬ法およびＳＡｉＬ法の詳細は、Lu Wand et al., " Adversarial Cooperative Imitation Learning for Dynamic Treatment Regimes", Proceedings of The Web Conference 2020 (WWW '20), ［２０２０年９月３日検索］ Internet <URL: https://dl.acm.org/doi/10.1145/3366423.3380248>に記載されている。

【0030】

上記において、生成部１４は、優良顧客であるか否かをラベルとした教師データを用いて機械学習を行っているが、生成部１４は、所定のＫＰＩ（Key Performance Indicator）に基づいて設定されたラベルを用いて機械学習を行ってもよい。所定のＫＰＩを用いたラベルは、合計購入金額、来店頻度、獲得したポイント数または顧客のランクなど顧客の状態を示す数値によって設定されたラベルの少なくとも１つを含む。尚、購買行動に関する情報であれば、所定のＫＰＩは上記の例に限定されない。また、生成部１４は、正例と負例の学習データを用いて機械学習を行って推定モデルを生成しているが、生成部１４は、正例の学習データのみを用いて機械学習を行って推定モデルを生成してもよい。

【0031】

推定部１５は、生成部１４が生成した推定モデルを用いて顧客を優良顧客に変容させる購買行動を推定する。推定部１５は、推定対象となる顧客の購買データ入力として、推定モデルを用いて、推定結果として推定対象の顧客を優良顧客に変容させる購買行動を推定する。また、推定対象の顧客のことを対象顧客ともいう。

【0032】

出力部１６は、推定部１５の推定結果を出力する。出力部１６は、推定結果が表示装置に表示されるように制御する表示制御部であってもよい。

【0033】

本実施形態の推定システム１０の動作について説明する。始めに機械学習による推定モデルの生成について説明する。図４は、推定モデルの生成動作のフローを示す図である。

【0034】

図４において、取得部１１は、複数の顧客についての過去の購買データを取得する（ステップＳ１１）。

【0035】

図５は、顧客の購買データの例を示した図である。図５の購買データは、顧客Ａ、顧客Ｂおよび顧客Ｃについての、商品を購入した日付、購入した商品の品目、購入した商品の１個あたりの価格および商品ごとの購入した数を含むデータによって構成されている。尚、図５の例では日付に時間が含まれていないが、時間を含めてもよい。購買データを取得すると、取得部１１は、取得した購買データを記憶部１２に保存する。

【0036】

購買データが保存されると、データ生成部１３は、記憶部１２から購買データを読み出し、顧客の購買データから購買行動を抽出する。また、データ生成部１３は、顧客の購買データから顧客の状態を示す状態データを生成する（ステップＳ１２）。

【0037】

図６は、顧客の状態データの例を示す図である。図６の状態データは、顧客ごとの１か月の購入額と、来店頻度の情報によって構成されている、図６の例では、来店頻度は、１週間あたりの来店回数として示されている。状態データを生成すると、データ生成部１３は、生成した状態データを記憶部１２に保存する。

【0038】

状態データが保存されると、生成部１４は、顧客の購買データを機械学習における入力データとし、顧客が優良顧客であるかを示すデータをラベルとして教師データに用いた機械学習を実行する（ステップＳ１３）。

【0039】

図５および図６の例では、生成部１４は、購買データのうち顧客が購入した購入した商品を入力データとし、状態データのうち合計購入金額を優良顧客の基準としたラベルを用いた機械学習を実行する。例えば、生成部１４は、合計購入金額が２００００円以上を正例、合計購入金額が２００００円未満を負例としたＳＡｉＬ法による機械学習を実行し、顧客を優良顧客に変容させる購買行動を予測する推定モデルを生成する。推定モデルを生成すると、生成部１４は、学習済みの推定モデルのデータを推定部１５に出力する（ステップＳ１４）。

【0040】

推定モデルのデータを受け取ると、推定部１５は、推定モデルのデータを内部に保存し、優良顧客となるための顧客の購買行動を推定する際に推定モデルを使用する。

【0041】

次に推定モデルを用いて、優良顧客になる確率の高い顧客の購買行動を推定する動作について説明する。図７は、推定システム１０において、優良顧客になる確率の高い顧客の購買行動を推定する際の動作フローを示す図である。

【0042】

図７において、取得部１１は、推定の対象顧客についての推定時点までの購買データを取得する（ステップＳ２１）。図８は、対象顧客の購買データの例を示す図である。図８では、対象顧客Ｄについて、商品を購入した日付、購入した商品の品目、購入した商品の１個あたりの価格および商品ごとの購入した数を含むデータによって構成されている。
購買データを取得すると、取得部１１は、取得したデータを記憶部１２に保存する。尚、取得部１１は、予め抽出された対象顧客の購買行動を取得してもよい。

【0043】

データ生成部１３は、記憶部１２から購買データを読み出し、購買データから顧客の購買行動を抽出する。顧客の購買行動を抽出すると、データ生成部１３は、抽出した購買のデータを推定部１５に送る。

【0044】

購買行動のデータを受け取ると、推定部１５は、生成部１４が生成した推定モデルを用いて顧客を優良顧客に変容させる購買行動を推定する（ステップＳ２２）。例えば、推定部１５は、顧客の推定時点までの購買行動を入力データとし、推定モデルを用いて顧客が優良顧客となる確率が高い購買行動 を推定する。顧客が優良顧客となる確率が高い購買行動を推定すると、推定部１５は、推定結果を出力部１６に送る。

【0045】

推定結果を受け取ると、出力部１６は、推定結果を出力する。出力部１６は、例えば、推定結果を表示装置に表示する。出力部１６は、推定対象の顧客が優良顧客にするための購買行動の推定結果を出力する（ステップＳ２３）。出力部１６は、推定結果を利用者の端末装置またはネットワークを介して接続された他の情報処理装置に出力してもよい。

【0046】

図９は、推定結果の表示画面の例を示す図である。図９の例では、対象顧客が優良顧客になる確率が高い購買行動が推奨する購買行動として示されている。出力部１６は、対象顧客が優良顧客になる確率が高い順に購買行動を、推奨する購買行動として表示する。図９の表示画面の例は、「米を購入」することが、対象顧客が優良顧客になる確率が最も高い購買行動であることを示している。推定システム１０の利用者は、図９に示された表示結果を参照し、対象顧客に米を購入してもらう施策を実行することで、対象顧客が優良顧客になる可能性を高めることができる。

【0047】

図１０は、図９と同様の推定結果の表示画面において購買行動を推奨する理由が表示されている例を示している。図１０の例では、菓子を継続的に購入し、２か月経過した人が米を購入することで優良顧客になる可能性が高いことを示している。また、図１１の例は、図１０と同様の推定結果の他の表示形態の例を示したものである。図１１の例では、推奨する購買行動として米の行動を提示している。また、図１１では、購買行動として菓子を連続して買った後、米を買うことが優良顧客になる可能性を高めることを可視化している。推定システム１０の利用者は、対象顧客が既に菓子を継続している購入している段階では米を、その前段階では菓子を対象顧客に勧めることで対象顧客が優良顧客となる可能性を高めることができる。

【0048】

本実施形態の推定システム１０は、購買行動を含む購買データを用いて生成された推定モデルを用いて、対象顧客を優良顧客にするための購買行動を推定している。推定モデルを用いて推定する際に、推定の対象となる対象顧客の購買データを入力として推定を行うことで、対象顧客の現在の状態を基に、対象顧客が優良顧客となる可能性を高める購買行動を推定することができる。本実施形態の推定システム１０では、対象顧客の状態を基に、優良顧客となる可能性を高める購買行動を推定することで対象顧客ごとにより精度の高い推定を行うことができる。そのため、推定システム１０の利用者は、対象顧客が優良顧客となる可能性を高める購買行動の推定結果を参照し、対象顧客に推定された購買行動を行わせるように施策を実行することで顧客が優良顧客となる可能性を高めることができる。

【0049】

（第２の実施形態）
本発明の第２の実施形態について図を参照して詳細に説明する。図１２は、本実施形態の推定システム２０の構成の概要を示す図である。本実施形態の推定システム２０は、取得部２１と、記憶部２２と、データ生成部２３と、生成部２４と、推定部２５と、出力部２６を備えている。

【0050】

推定システム２０の取得部２１、記憶部２２、データ生成部２３、生成部２４、推定部２５および出力部２６は、同一のサーバに備えられていてもよく、分散して別のサーバに備えられていて、ネットワークを介して接続されていてもよい。

【0051】

第１の実施形態の推定システム１０は、対象顧客が優良顧客となる確率が高い、対象顧客自身の購買行動の推定を行っている。そのような構成に対し、本実施形態の推定システム２０は、対象顧客が優良顧客となる可能性を高めるために、対象顧客に対して行うアクションを推定することを特徴とする。

【0052】

取得部２１は、顧客の購買データおよび顧客に対して行ったアクションの履歴データを取得する。顧客に対して行うアクションとは、例えば、商品の購入を促すために顧客に対して行う行動のことをいう。顧客に対して行うアクションは、例えば、電話勧誘、ペール送信、Ｗｅｂページへの商品情報の表示、スマートフォンのアプリへの商品情報の表示、割引クーポンの送付、特典情報の送付、ポイントの付与、試供品の提供、イベントの開催の通知およびセミナーの実施のうち１つまたは複数の項目のことをいう。尚、アクションは、顧客の購買行動を促進可能なアクションであれば、上記に限定されない。

【0053】

取得部２１は、顧客に対して行ったアクションの履歴データに加え、顧客に対して行ったアクションに対する顧客の反応データを取得してもよい。顧客の反応データとは、例えば、顧客にメールを送信した際に、顧客がメール中に記載されたＷｅｂサイトにアクセスしたかの記録を示すデータである。また、顧客の反応データとは、例えば、顧客の端末装置にインストールされるアプリを介して通知した際に、顧客がアプリを開く又は当該通知にアクセスしたかの記録を示すデータであってもよい。

【0054】

記憶部２２は、顧客の購買データおよび顧客に対して行ったアクションの履歴データを記憶する。また、顧客に対して行ったアクションに対する顧客の反応データが取得された場合には、記憶部２２は、顧客の反応データを記憶する。

【0055】

データ生成部２３は、第1の実施形態のデータ生成部１３と同様に、顧客の購買データから購買行動を抽出する。また、データ生成部２３は、顧客の購買データから状態データを生成する。尚、取得部２１が、予め抽出された購買行動を取得してもよい。

【0056】

生成部２４は、対象顧客の購買行動および対象顧客に対して行ったアクションを入力データとし、対象顧客を優良顧客にするために顧客に対して行うアクションを出力する推定モデルを生成する。生成部２４は、顧客の購買行動および対象顧客に対して行ったアクションを機械学習の入力データ、優良顧客であるかを示すデータをラベルとした教師データを用いた機械学習によって推定モデルを生成する。生成部２４は、第1の実施形態と同様に、例えば、ＳＡｉＬ法を用いて推定モデルを生成する。また、生成部２４は、第1の実施形態の生成部１４と同様に、所定のＫＰＩを基に設定されたラベルを用いて機械学習を行って推定モデルを生成してもよい。また、生成部２４は、第1の実施形態の生成部１４と同様に、正例の学習データのみを用いて機械学習を行って推定モデルを生成してもよい。

【0057】

推定部２５は、生成部２４が生成した推定モデルを用いて顧客を優良顧客にするために、顧客に対して行うアクションを推定する。推定部２５は、推定時点までの推定対象の顧客の購買行動および顧客に対するアクションを入力として、推定モデルを用いた推定を行い、推定対象の顧客を優良顧客にするために、顧客に対して行うアクションを推定結果として出力する。また、生成部２４は、推定部２５の推定結果に基づいて実際に顧客に対して行われたアクションと、優良顧客になったかの結果を用いて再学習により推定モデルを再生成してもよい。再学習を行うことで、推定モデルによる推定の精度を向上することができる。

【0058】

出力部２６は、推定部２５の推定結果を出力する。出力部２６は、推定結果が表示装置に表示されるように制御する表示制御部であってもよい。

【0059】

本実施形態の推定システム２０の動作について説明する。始めに推定システム２０において対象顧客を優良顧客にするために行うアクションを推定する推定モデルを生成する際の動作について説明する。図１３は、対象顧客を優良顧客にするためのアクションを推定する推定モデルを生成する際の動作フローを示す図である。

【0060】

図１３において、取得部２１は、複数の顧客についての過去の購買データと、顧客に対して行ったアクションの履歴データを取得する（ステップＳ３１）。

【0061】

図１４は、顧客に対して行ったアクションの履歴データの例を示す図である。図１４の顧客に対して行ったアクションの履歴データは、顧客にアクションを行った日付、アクションを行った対象の顧客および顧客に対して行ったアクションの種類の情報によって構成されている。また、取得部２１は、購買データとして第１の実施形態と同様に図５のようなデータを取得する。購買データおよび顧客に対して行ったアクションのデータを取得すると、取得部２１は、取得したデータを記憶部２２に保存する。

【0062】

データ生成部２３は、記憶部２２から購買データを読み出し、第１の実施形態と同様に購買データから顧客の購買行動と状態データを生成する（ステップＳ３２）。購買行動と状態データを生成すると、データ生成部２３は、購買行動と状態データを記憶部２２に保存する。

【0063】

購買行動と状態データが保存されると、生成部２４は、対象顧客の購買行動および対象顧客に対して行ったアクションを機械学習の入力データとし、顧客が優良顧客であるかを示すデータをラベルとした教師データを用いて機械学習を実行する（ステップＳ３３）。生成部２４は、ＳＡｉＬ法を用いた機械学習によって顧客を優良顧客にするために顧客に対して行うアクションを推定する推定モデルを生成する。推定モデルを生成すると、生成部２４は、学習済みの推定モデルのデータを推定部２５に出力する（ステップＳ３４）。

【0064】

推定モデルのデータを受け取ると、推定部２５、推定モデルのデータを内部に保存し、顧客を優良顧客にするための顧客へのアクションを推定する際に推定モデルを使用する。

【0065】

次に推定モデルを用いて、顧客を優良顧客にするための顧客へのアクションを推定する動作について説明する。図１５は、推定システム２０が、推定モデルを用いて顧客を優良顧客にするための顧客へのアクションを推定する動作のフローを示す図である。

【0066】

図１５において、取得部２１は、推定時点までの顧客に対して行ったアクションおよび推定対象の顧客についての購買データを取得する（ステップＳ４１）。顧客に対して行ったアクションおよび購買データを取得すると、取得部２１は、取得したデータを記憶部２２に保存する。

【0067】

データ生成部２３は、記憶部２２から購買データを読み出し、購買データから対象顧客の購買行動を抽出する。対象顧客の購買行動を抽出すると、データ生成部２３は、対象顧客の購買行動を推定部２５に送る。

【0068】

対象顧客の購買データを受け取ると、推定部２５は、推定時点までの顧客の購買行動および顧客へのアクションを入力データとし、推定モデルを用いて対象顧客を優良顧客にするための対象顧客へのアクションを推定する（ステップＳ４２）。対象顧客を優良顧客にするための購買行動を推定すると、推定部２５は、推定結果を出力部２６に送る。

【0069】

推定結果を受け取ると、出力部２６は、対象顧客を優良顧客にするための顧客へのアクションの推定結果を出力する（ステップＳ４３）。出力部２６は、例えば、推定結果を表示装置に表示する。出力部２６は、推定結果を利用者の端末装置またはネットワークを介して接続された他の情報処理装置に出力してもよい。

【0070】

図１６は、推定結果の表示画面の例を示す図である。図１６では、顧客を優良顧客にするための対象顧客へのアクションを推奨アクションとして表示している。図１６では、対象顧客を優良顧客にするためのアクションが、対象顧客が優良顧客になる可能性が高い順に示されている。図１６の例では、顧客への割引クーポンの送付が優良顧客にする確率が最も高いアクションとして示されている。また、図１６の例では、割引クーポンの送付によって合計購入金額が増加することが理由として示されている。

【0071】

本実施形態の推定システム２０は、顧客の購買データと顧客に対して行ったアクションの履歴を用いて生成された推定モデルを用いて、対象顧客を優良顧客にするための顧客へのアクションを推定している。推定モデルを用いて推定する際に、推定の対象となる対象顧客の購買データを入力として推定を行うことで、対象顧客の現在の状態を基に、対象顧客を優良顧客にするためのアクションを推定することができる。本実施形態の推定システム２０では、対象顧客の購買データと、アクションの履歴を基に、優良顧客にするために顧客に対するアクションを推定することで対象顧客ごとにより精度の高い推定を行うことができる。

【0072】

（第３の実施形態）
本発明の推定システムの動作について説明する。図１７は、本実施形態の推定システムの構成を示す図である。本実施形態の推定システム１００は、取得部１０１と、推定部１０２と、出力部１０３を備えている。取得部１０１は、対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する。推定部１０２は、複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得部１０１により取得される購買データに基づいて、対象顧客を優良顧客に変容させるための購買行動を推定する。出力部１０３は、推定部１０２により推定される購買行動を出力する。

【0073】

ここで、第１の実施形態の取得部１１および第２の実施形態の取得部２１は、それぞれ取得部１０１の一例である。また、取得部１０１は、取得手段の一態様である。第１の実施形態の推定部１５および第２の実施形態の推定部２５は、推定部１０２の一例である。また、推定部１０２は、取得手段の一態様である。第１の実施形態の出力部１６および第２の実施形態の出力部２６は、出力部１０３の一例である。また、出力部１０３は、出力手段の一態様である。

【0074】

本実施形態の推定システム１００の動作について説明する。図１８は、推定システム１００の動作フローを示す図である。

【0075】

取得部１０１は、対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する（ステップＳ１０１）。購買データが取得されると、推定部１０２は、複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得部１０１により取得される購買データに基づいて、対象顧客を優良顧客に変容させるための購買行動を推定する（ステップＳ１０２）。対象顧客を優良顧客に変容させるための購買行動が推定されると、出力部１０３は、推定部１０２により推定される購買行動を出力する（ステップＳ１０３）。

【0076】

本実施形態の推定システム１００は、対象顧客の現在の状態を基に、対象顧客を優良顧客にするための購買行動を推定することで、優良顧客にするための購買行動の推定の精度を向上することができる。

【0077】

第１乃至第３の実施形態の推定システムにおける各処理は、コンピュータプログラムをコンピュータで実行することによって行うことができる。図１９は、第１乃至第３の実施形態の推定システムにおける各処理を行うコンピュータプログラムを実行するコンピュータ２００の構成の例を示したものである。コンピュータ２００は、ＣＰＵ（Central Processing Unit）２０１と、メモリ２０２と、記憶装置２０３と、入出力Ｉ／Ｆ（Interface）２０４と、通信Ｉ／Ｆ２０５を備えている。

【0078】

ＣＰＵ２０１は、記憶装置２０３から各処理を行うコンピュータプログラムを読み出して実行する。ＣＰＵ２０１は、ＣＰＵとＧＰＵ（Graphics Processing Unit）の組み合わせによって構成されていてもよい。メモリ２０２は、ＤＲＡＭ（Dynamic Random Access Memory）等によって構成され、ＣＰＵ２０１が実行するコンピュータプログラムや処理中のデータが一時記憶される。記憶装置２０３は、ＣＰＵ２０１が実行するコンピュータプログラムを記憶している。記憶装置２０３は、例えば、不揮発性の半導体記憶装置によって構成されている。記憶装置２０３には、ハードディスクドライブ等の他の記憶装置が用いられてもよい。入出力Ｉ／Ｆ２０４は、作業者からの入力の受付および表示データ等の出力を行うインタフェースである。通信Ｉ／Ｆ２０５は、推定システムを構成する各装置および利用者の端末等との間でデータの送受信を行うインタフェースである。

【0079】

また、各処理の実行に用いられるコンピュータプログラムは、記録媒体に格納して頒布することもできる。記録媒体としては、例えば、データ記録用磁気テープや、ハードディスクなどの磁気ディスクを用いることができる。また、記録媒体としては、ＣＤ-ＲＯＭ（Compact Disc Read Only Memory）等の光ディスクを用いることもできる。不揮発性の半導体記憶装置を記録媒体として用いてもよい。

【0080】

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

【0081】

［付記１］
対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する取得手段と、
複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、前記取得手段により取得される購買データに基づいて、前記対象顧客を優良顧客に変容させるための購買行動を推定する推定手段と、
前記推定手段により推定される購買行動を出力する出力手段と
を備える推定システム。

【0082】

［付記２］
前記出力手段は、前記取得手段に取得される購買データのうちの前記推定に寄与したデータをさらに出力する
付記１に記載の推定システム。

【0083】

［付記３］
前記取得手段は、前記対象顧客の購買行動を変容させるために過去に実施されたアクションを取得し、
前記推定手段は、前記複数の顧客それぞれの購買行動を変容させるために過去に実施されたアクションにさらに基づいて生成される前記推定モデルを用いて、前記取得手段により取得されるアクションに基づいて、前記対象顧客を優良顧客に変容させるためのアクションを推定し、
前記出力手段は、前記推定手段により推定されるアクションを出力する
付記１または２に記載の推定システム。

【0084】

［付記４］
前記購買データは、前記対象顧客の手に取った未購入の商品と、店内の位置情報と、店のｗｅｂサイトまたはアプリへのアクセス履歴との少なくとも１つを含む
付記１から３いずれかに記載の推定システム。

【0085】

［付記５］
前記出力手段により出力される購買行動は、来店回数を増加させる、購入金額を増加させる、特定の商品を購入させる、のうちの少なくとも１つである
付記１から４いずれかに記載の推定システム。

【0086】

［付記６］
前記出力手段により出力されるアクションは、割引クーポンの送付、商品の割引情報の送付、特典情報の送付、試供品の提供、イベントの開催通知の少なくとも１つである
付記３に記載の推定システム。

【0087】

［付記７］
前記複数の顧客の購買データを入力データとし、前記優良顧客を示すラベルを用いた機械学習によって前記推定モデルを生成する生成手段を
さらに備える付記１から６いずれかに記載の推定システム。

【0088】

［付記８］
前記生成手段は、前記優良顧客を示す基準を満たさない負例を用いた入力データをさらに用いて前記推定モデルを生成する
付記７に記載の推定システム。

【0089】

［付記９］
前記優良顧客を示すラベルは、所定のＫＰＩ（Key Performance Indicator）に基づいて設定されている
付記７または８に記載の推定システム。

【0090】

［付記１０］
対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得し、
複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得される購買データに基づいて、前記対象顧客を優良顧客に変容させるための購買行動を推定し、
推定される購買行動を出力する推定方法。

【0091】

［付記１１］
取得される購買データのうちの前記推定に寄与したデータをさらに出力する付記１０に記載の推定方法。

【0092】

［付記１２］
前記対象顧客の購買行動を変容させるために過去に実施されたアクションを取得し、
前記複数の顧客それぞれの購買行動を変容させるために過去に実施されたアクションにさらに基づいて生成される前記推定モデルを用いて、取得されるアクションに基づいて、前記対象顧客を優良顧客に変容させるためのアクションを推定し、
推定されるアクションを出力する付記１０または１１に記載の推定方法。

【0093】

［付記１３］
前記購買データは、前記対象顧客の手に取った未購入の商品と、店内の位置情報と、店のｗｅｂサイトまたはアプリへのアクセス履歴との少なくとも１つを含む付記１０から１２いずれかに記載の推定方法。

【0094】

［付記１４］
出力される購買行動は、来店回数を増加させる、購入金額を増加させる、特定の商品を購入させる、のうちの少なくとも１つ付記１０から１３いずれかに記載の推定方法。

【0095】

［付記１５］
出力されるアクションは、割引クーポンの送付、商品の割引情報の送付、特典情報の送付、試供品の提供、イベントの開催通知の少なくとも１つである
付記１２に記載の推定方法。

【0096】

［付記１６］
前記複数の顧客の購買データを入力とし、前記優良顧客を示すラベルを用いた機械学習によって前記推定モデルを生成する付記１０から１５いずれかに記載の推定方法。

【0097】

［付記１７］
前記優良顧客を示す基準を満たさない負例を用いた入力データをさらに用いて前記推定モデルを生成する付記１６に記載の推定方法。

【0098】

［付記１８］
前記優良顧客を示すラベルは、所定のＫＰＩ（Key Performance Indicator）に基づいて設定されている付記１６または１７に記載の推定方法。

【0099】

［付記１９］
対象顧客の購入商品と合計購入金額と来店頻度とのうちの少なくとも１つを含む購買データを取得する処理と、
複数の顧客の購買データと優良顧客の条件とに基づいて生成される推定モデルを用いて、取得される購買データに基づいて、前記対象顧客を優良顧客に変容させるための購買行動を推定する処理と、
推定される購買行動を出力する処理と
をコンピュータに実行させる推定プログラムを記録したプログラム記録媒体。

【0100】

［付記２０］
前記推定プログラムは、
取得される購買データのうちの前記推定に寄与したデータをさらに出力する処理
をコンピュータに実行させる付記１９に記載のプログラム記録媒体。

【0101】

［付記２１］
前記推定プログラムは、
前記対象顧客の購買行動を変容させるために過去に実施されたアクションを取得する処理と、
前記複数の顧客それぞれの購買行動を変容させるために過去に実施されたアクションにさらに基づいて生成される前記推定モデルを用いて、取得されるアクションに基づいて、前記対象顧客を優良顧客に変容させるためのアクションを推定する処理と、
推定されるアクションを出力する処理と
をコンピュータに実行させる付記１９または２０に記載のプログラム記録媒体。

【0102】

［付記２２］
前記購買データは、前記対象顧客の手に取った未購入の商品と、店内の位置情報と、店のｗｅｂサイトまたはアプリへのアクセス履歴との少なくとも１つを含む付記１９から２１いずれかに記載のプログラム記録媒体。

【0103】

［付記２３］
出力される購買行動は、来店回数を増加させる、購入金額を増加させる、特定の商品を購入させるのうちいずれかである付記１９から２２いずれかに記載のプログラム記録媒体。

【0104】

［付記２４］
出力されるアクションは、割引クーポンの送付、商品の割引情報の送付、特典情報の送付、試供品の提供、イベントの開催通知の少なくとも１つである付記２１に記載のプログラム記録媒体。

【0105】

［付記２５］
前記推定プログラムは、
前記複数の顧客の購買データを入力とし、前記優良顧客を示すラベルを用いた機械学習によって前記推定モデルを生成する処理
をコンピュータに実行させる付記１９から２４いずれかに記載のプログラム記録媒体。

【0106】

［付記２６］
前記推定プログラムは、
前記優良顧客を示す基準を満たさない負例を用いた入力データをさらに用いて前記推定モデルを生成する処理
をコンピュータに実行させる付記２５に記載のプログラム記録媒体。

【0107】

［付記２７］
前記優良顧客を示すラベルは、所定のＫＰＩ（Key Performance Indicator）に基づいて設定されている付記２５または２６に記載のプログラム記録媒体。

【0108】

以上、上述した実施形態を模範的な例として本発明を説明した。しかしながら、本発明は、上述した実施形態には限定されない。即ち、本発明は、本発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。

【符号の説明】

【0109】

１０ 推定システム
１１ 取得部
１２ 記憶部
１３ データ生成部
１４ 生成部
１５ 推定部
１６ 出力部
２０ 推定システム
２１ 取得部
２２ 記憶部
２３ データ生成部
２４ 生成部
２５ 推定部
２６ 出力部
１００ 推定システム
１０１ 取得部
１０２ 推定部
１０３ 出力部
２００ コンピュータ
２０１ ＣＰＵ
２０２ メモリ
２０３ 記憶装置
２０４ 入出力Ｉ／Ｆ
２０５ 通信Ｉ／Ｆ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】