特許 7561754 予測ＲＦＭセグメンテーション

(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】2024-09-26

(45)【発行日】2024-10-04

(54)【発明の名称】予測ＲＦＭセグメンテーション

(51)【国際特許分類】

   G06Q 30/0202 20230101AFI20240927BHJP

【ＦＩ】

G06Q30/0202

【請求項の数】 17

(21)【出願番号】P 2021555547

(86)(22)【出願日】2020-03-13

(65)【公表番号】

(43)【公表日】2022-05-19

(86)【国際出願番号】 US2020022685

(87)【国際公開番号】W WO2020186183

(87)【国際公開日】2020-09-17

【審査請求日】2023-03-01

(31)【優先権主張番号】62/818,628

(32)【優先日】2019-03-14

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】521167822

【氏名又は名称】パンチ インコーポレイテッド

(74)【代理人】

【識別番号】110001243

【氏名又は名称】弁理士法人谷・阿部特許事務所

(72)【発明者】

【氏名】ジャオヤン ジュー

(72)【発明者】

【氏名】シン ヘン

【審査官】滝谷 亮一

(56)【参考文献】

【文献】米国特許出願公開第２０１５／０３３２２９６（ＵＳ，Ａ１）

【文献】米国特許出願公開第２００６／０１４３０７１（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１６／０１８９２１０（ＵＳ，Ａ１）

【文献】特表２００３－５２３５４７（ＪＰ，Ａ）

【文献】株式会社ＡＰＭコンサルティング，ＥＸＣＥＬ 売上データ分析 ［ビジテク］，第1版，日本，株式会社翔泳社 ，2015年02月15日，第48ページ

(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】

第１のプロファイルデータベースから、少なくとも一人のユーザの行動データを検索することと、
第２のプロファイルデータベースから、少なくとも一人のユーザの人口統計データを検索することと、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを特徴ベクトルにエンコードし、前記特徴ベクトルは、複数の機械学習モデルに入力されるように構成され、前記エンコードすることは、前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データのラベル付けされたフィールド間の類似性を決定することおよび類似していると決定されたフィールドを同じ値でエンコードすること、を含む、前記特徴ベクトルにエンコードすることと、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを表す前記特徴ベクトルを前記複数の機械学習モデル内へ入力することと、
前記複数の機械学習モデルの各々のそれぞれの機械学習モデルについて、
前記それぞれの機械学習モデルからの出力として、時間窓内で発生する予測される活動を特徴付けるそれぞれの活動パラメータを受信することと、
前記受信されたそれぞれの活動パラメータの少なくとも１つの活動パラメータに基づいて、前記行動データおよび前記人口統計データが属するカテゴリを決定することと、
前記決定されたカテゴリに基づいて複数の通信設定を調整することであって、前記複数の通信設定は、前記少なくとも一人のユーザの通信の内容の設定又は前記少なくとも一人のユーザの通信の頻度の設定の少なくとも１つを含む、前記複数の通信設定を調整することと
を含む方法。

【請求項2】

活動が発生していると決定することと、
発生した前記活動を特徴付ける経験的活動パラメータを受信することと、
前記行動データおよび前記人口統計データを使用してトレーニングセットを更新することと、
前記経験的活動パラメータを使用して前記更新されたトレーニングセットをラベル付けすることと、
前記ラベル付けされたトレーニングセットを使用して、前記複数の機械学習モデルの機械学習モデルをトレーニングすることと、
をさらに含む、請求項１に記載の方法。

【請求項3】

前記複数の機械学習モデルは、ユーザと企業の間の次の対話までの時間の量を示す予測された最新性メトリックを出力する最新性モデル、前記ユーザと前記企業の間の対話の割合を示す予測された頻度メトリックを出力する頻度モデル、および前記ユーザが前記企業に貢献する価格を予測する価格メトリックを出力する価格モデルを含む、請求項１に記載の方法。

【請求項4】

前記最新性モデルの前記それぞれの活動パラメータは予測される最新性であり、前記予測される最新性は前記時間窓内に発生している、請求項３に記載の方法。

【請求項5】

前記予測される最新性に基づいて、前記行動データおよび前記人口統計データが属する前記カテゴリを決定することは、
前記予測される最新性が高い最新性を示していると決定することと、
前記行動データおよび前記人口統計データが前記高い最新性によって特徴付けられたユーザグループに属すると決定することと、
を含む、請求項４に記載の方法。

【請求項6】

前記頻度モデルの前記それぞれの活動パラメータは予測される頻度であり、前記予測される頻度は前記時間窓内に発生する、請求項３に記載の方法。

【請求項7】

前記予測される頻度に基づいて、前記行動データおよび前記人口統計データが属するカテゴリを決定することは、
前記予測される頻度が高い頻度を示していると決定することと、
前記行動データおよび前記人口統計データが前記高い頻度によって特徴付けられたユーザグループに属すると決定することと、
を含む、請求項６に記載の方法。

【請求項8】

前記複数の通信設定を調整することは、前記少なくとも一人のユーザに通信される活動機会を決定することをさらに含む、請求項７に記載の方法。

【請求項9】

前記価格モデルの前記それぞれの活動パラメータは予測される価格であり、前記予測される価格が前記時間窓内に発生する、請求項３に記載の方法。

【請求項10】

前記行動データおよび前記人口統計データが属する前記カテゴリを決定することは、
前記予測される価格が高い価格を示していると決定することと、
前記行動データおよび前記人口統計データが前記高い価格によって特徴付けられたユーザグループに属すると決定することと、
を含む、請求項９に記載の方法。

【請求項11】

前記複数の通信設定は、少なくとも一人のユーザの通信頻度の閾値を含む、請求項１０に記載の方法。

【請求項12】

第１のプロファイルデータベースから、少なくとも一人のユーザの行動データを検索し、
第２のプロファイルデータベースから、少なくとも一人のユーザの人口統計データを検索し、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを特徴ベクトルにエンコードし、前記特徴ベクトルは、複数の機械学習モデルに入力されるように構成され、前記エンコードすることは、前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データのラベル付けされたフィールド間の類似性を決定することおよび類似していると決定されたフィールドを同じ値でエンコードすること、を含む、前記特徴ベクトルにエンコードすることと、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを表す前記特徴ベクトルを前記複数の機械学習モデル内へ入力する、
ように構成されたデータエンコーダと、
前記複数の機械学習モデルの各々のそれぞれの機械学習モデルについて、
前記それぞれの機械学習モデルからの出力として、時間窓内で発生する予測される活動を特徴付けるそれぞれの活動パラメータを受信し、
前記受信されたそれぞれの活動パラメータの少なくとも１つの活動パラメータに基づいて、前記行動データおよび前記人口統計データが属するカテゴリを決定する、
ように構成された、活動パラメータカテゴライザと、
前記決定されたカテゴリに基づいて複数の通信設定を調整することであって、前記複数の通信設定は、前記少なくとも一人のユーザの通知の内容の設定又は前記少なくとも一人のユーザの通知の頻度の設定の少なくとも１つを含む、前記複数の通信設定を調整する、
ように構成された通信設定モディファイアと、
を備えたシステム。

【請求項13】

活動が発生していると決定し、
発生した前記活動を特徴付ける経験的活動パラメータを受信し、
前記行動データおよび前記人口統計データを使用してトレーニングセットを更新し、
前記更新されたトレーニングセットを、前記経験的活動パラメータを使用して、ラベル付けし、
前記複数の機械学習モデルの機械学習モデルを、前記ラベル付けされたトレーニングセットを使用して、トレーニングする、
ように構成された機械学習モデルトレーナをさらに備えた、請求項１２に記載のシステム。

【請求項14】

前記複数の機械学習モデルは、少なくともユーザと企業の間の次の対話までの時間の量を示す予測された最新性メトリックを出力する最新性モデル、前記ユーザと前記企業の間の対話の割合を示す予測された頻度メトリックを出力する頻度モデル、または前記ユーザが前記企業に貢献する価格を予測する価格メトリックを出力する価格モデルを含む、請求項１２に記載のシステム。

【請求項15】

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１つまたは複数のプロセッサに、
第１のプロファイルデータベースから、少なくとも一人のユーザの行動データを検索することと、
第２のプロファイルデータベースから、少なくとも一人のユーザの人口統計データを検索し、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを特徴ベクトルにエンコードし、前記特徴ベクトルは、複数の機械学習モデルに入力されるように構成され、前記エンコードすることは、前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データのラベル付けされたフィールド間の類似性を決定することおよび類似していると決定されたフィールドを同じ値でエンコードすること、を含む、前記特徴ベクトルにエンコードすることと、
前記第１のプロファイルデータベースからの前記行動データおよび前記第２のプロファイルデータベースからの前記人口統計データを表す前記特徴ベクトルを前記複数の機械学習モデル内へ入力することと、
前記複数の機械学習モデルの各々のそれぞれの機械学習モデルについて、
前記それぞれの機械学習モデルからの出力として、時間窓内で発生する予測される活動を特徴付けるそれぞれの活動パラメータを受信することと、
前記受信されたそれぞれの活動パラメータの少なくとも１つの活動パラメータに基づいて、前記行動データおよび前記人口統計データが属するカテゴリを決定することと、
前記決定されたカテゴリに基づいて複数の通信設定を調整することであって、前記複数の通信設定は、前記少なくとも一人のユーザの通知の内容の設定又は前記少なくとも一人のユーザの通知の頻度の設定の少なくとも１つを含む、前記複数の通信設定を調整することと、
を含む動作を実行させる実行可能な命令を格納した非一時的コンピュータ可読記憶媒体。

【請求項16】

前記動作は、
活動が発生していると決定することと、
発生した前記活動を特徴付ける経験的活動パラメータを受信することと、
前記行動データおよび前記人口統計データを使用してトレーニングセットを更新することと、
前記経験的活動パラメータを使用して前記更新されたトレーニングセットをラベル付けすることと、
前記ラベル付けされたトレーニングセットを使用して、前記複数の機械学習モデルの機械学習モデルをトレーニングすることと、
をさらに含む、請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【請求項17】

前記複数の機械学習モデルは、少なくともユーザと企業の間の次の対話までの時間の量を示す予測された最新性メトリックを出力する最新性モデル、前記ユーザと前記企業の間の対話の割合を示す予測された頻度メトリックを出力する頻度モデル、または前記ユーザが前記企業に貢献する価格を予測する価格メトリックを出力する価格モデルを含む請求項１５に記載の非一時的コンピュータ可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は予測ＲＦＭセグメンテーションに関する。

【0002】

関連出願の相互参照
この出願は、２０１９年３月１４日に出願された米国仮出願第６２／８１８，６２８号の利益を主張し、その全体が参照により本明細書に組み込まれる。

【0003】

本開示は、概して、機械学習、より具体的には、入力として機械学習モデルにプロファイルデータを適用することによる情報のセグメント化、および機械学習モデルからの出力としてセグメンテーション情報を受信することに関する。

【背景技術】

【0004】

ユーザセグメンテーションは、ユーザ活動の履歴データに基づいて決定され得る。例えば、最新性、頻度、および金銭（ＲＦＭ）分析を使用して、ユーザをカテゴリにグループ化し、企業からの通信に応答する可能性が最も高いユーザを識別し、ユーザに将来の活動を推奨する。しかしながら、ＲＦＭ分析に基づくユーザセグメンテーションは、過去からのデータに限定される。現在、ユーザセグメンテーションはユーザの予測される活動を考慮していない。機械学習モデルによって出力される予測の精度を向上させるために、人口統計データを他のデータタイプと組み合わせて使用して、機械学習モデルをトレーニングし得る。しかしながら、機械学習モデルへの入力としての人口統計データの追加の適用は、不正確なユーザセグメンテーションに繋がり得る不十分な人口統計データによって、ならびに機械学習モデルの使用および再トレーニング中に不要な処理を引き起こす大量の人口統計データの管理ミスによって影響を受け得る。

【0005】

さらに、既存の製品推奨システムは、多くの場合、品目レベルの情報を使用して動作し、ユーザの品目への親和性を予測するが、推奨システムは、ユーザ活動に関する予測（例えば、人が来年にタスクに貢献することをいとわない可能性がある予測リソース、またはユーザがそれらのリソースに貢献する可能性がある時間）を出力しない。製品推奨システムでは、ユーザの品目別にされた活動履歴を必要とし、順番に、これはデバイスまたはサーバのメモリのストレージスペース、およびデバイスおよび／またはサーバ間で送信するネットワーク帯域幅を大量に消費する必要がある。

【発明の概要】

【0006】

本明細書では、ユーザセグメンテーションを決定し、セグメンテーションに基づいて通信設定を調整するためのシステムおよび方法の実施形態が説明される。活動ベースの通信管理システムは、ユーザの行動データおよび人口統計データの両方に基づいてユーザセグメンテーションを決定し得る。ユーザセグメンテーションは、ユーザを特徴付ける予測データをセグメントに出力する機械学習モデルを使用して決定される。例えば、機械学習モデルは、予測ＲＦＭ値を出力するためにトレーニングおよび再トレーニングし、従来のＲＦＭ分析よりもユーザセグメンテーションを改善することを可能にするユーザセグメンテーション結果を達成できる。この改善は、履歴ＲＦＭの値に依存する既存のＲＦＭ分析の代わりに、またはそれに加えて、予測ＲＦＭを使用することで達成され得る。

【0007】

機械学習モデルによって出力されるＲＦＭ値の予測を改善するために、行動データに加えて人口統計データおよびその他のタイプのデータ（例えば、補足的な天気、場所、または市場データ）を使用して、機械学習モデルをトレーニングし得る。いくつかの実施形態では、人口統計データなどの追加データをユーザセグメンテーションに組み込むことは、ユーザセグメンテーションの精度を高める。ユーザセグメンテーションにおいて人口統計データを考慮することは、順番に、より正確にセグメント化されたユーザおよび企業の間の通信を改善することにより、ユーザおよび企業の間の関係を改善し得る。例えば、活動ベースの通信管理システムは、ユーザの行動および人口統計データが属するカテゴリに基づいてコミュニケーションの内容を決定する。

【0008】

活動ベースの通信管理システムは、推奨を行うためのストレージおよび帯域幅の要件を減らすことによって、推奨システムを強化し得る。一例として、いくつかの実施形態では、システムは、ユーザ活動の品目別にされた履歴ではなく、ユーザの抽象化された活動履歴を使用して、推奨システムをサポートする。例えば、システムは「３５ドルの価格の２月１２日のスキーレンタル、４０ドルの価格の２月１２日のスキーパス」ではなく「７５ドルの価格の２月１２日のレクリエーション活動」を使用して、約７５ドルの価格のレクリエーション活動または複数の活動の推奨を決定する。占有するストレージが少なく、通信に必要な帯域幅が少ないデータ構造は、品目別の活動履歴に必要とされるよりも抽象化された活動履歴を表し得、活動ベースの通信管理システムを使用することで提供されるストレージおよび通信の帯域幅を増加する。

【0009】

活動ベースの通信管理システムは、プロファイルデータベースから少なくとも１人のユーザの行動データおよび人口統計データを検索し得る。例えば、システムは年齢、性別、および以前に観測されたＲＦＭ値を検索する。システムは、行動データおよび人口統計データを機械学習モデルに入力し得る。例えば、システムは、検索したデータを、予測される最新性値を出力するようにトレーニングされた第１の機械学習モデル、予測される頻度値を出力するようにトレーニングされた第２の機械学習モデル、および予測される金銭値を出力するようにトレーニングされた第３の機械学習モデルに入力する。

【0010】

各々のそれぞれの機械学習モデルについて、システムは、それぞれの機械学習モデルからの出力として、それぞれの活動パラメータを受信し得る。予測される活動はユーザと企業との間の潜在的な対話（例えば、ユーザが企業にサービスを委託する）を含み得る。例えば、システムは、予測される頻度値を出力するように構成された機械学習モデルからの出力として、ユーザが次の週に企業と関わる可能性が高い予測される頻度を特徴付ける頻度を受信する。いくつかの実施形態では、システムは、受信した活動パラメータの少なくとも１つの活動パラメータに基づいて、行動データおよび人口統計データが属するカテゴリを決定する。例えば、システムは、受信した予測される頻度値に基づいて、ユーザの行動および人口統計データを高い頻度のユーザセグメント（例えば、企業と比較的頻繁に関わるユーザ）に分類できると決定する。システムは決定されたカテゴリに基づいて通信設定を調整し得る。例えば、システムは高い頻度のユーザセグメント（例えば、企業で新しく利用可能な品目またはサービスの通知の多くを含む）に分類されたユーザに送信される通信のコンテンツを調整する。

【図面の簡単な説明】

【0011】

開示された実施形態は、詳細な説明、添付の特許請求の範囲、および添付の図（または図面）からより容易に明らかであろう他の利点および特徴を有する。図の簡単な紹介を以下に示す。

【0012】

【図1】図（図面）１は、少なくとも１つの実施形態による、活動ベースの通信管理システムが動作する通信環境を示すネットワーク図である。

【図2】図２は、少なくとも１つの実施形態による、図１の活動ベースの通信管理システムのブロック図である。

【図3】図３は、少なくとも１つの実施形態による、図１の活動ベースの通信管理システムを使用して通信を管理するためのグラフィカルユーザインターフェース（ＧＵＩ）を示す。

【図4】図４は、少なくとも１つの実施形態による、図１の活動ベースの通信管理システムを実装するためのコンピュータシステムの概略図を示す。

【図5】図５は、少なくとも１つの実施形態による、図１の活動ベースの通信管理システムを使用して通信設定を調整するためのプロセス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】

【0013】

図および以下の説明は、飽くまでも例示としての好適な実施形態に関する。以下の議論から、本明細書に開示される構造、および方法の代替的な実施形態は、主張される原理から逸脱することなく、用いられ得る実行可能な代替として容易に認識されることとなることを留意すべきである。

【0014】

次に、ここでいくつかの実施形態を詳細に参照し、その例は、添付図面に図示される。実施可能な場合は、いつでも、同様または類似の参照番号が図で用いられ得、同様または類似の機能を示し得ることに留意されたい。図は、例示のみを目的として、開示されたシステム（または方法）の実施形態を描写する。当業者は、本明細書に図示される構造、および方法の代替的な実施形態が、本明細書に記載される原理から逸脱することなく用いられ得ることを以下の説明から容易に認識することであろう。

【0015】

例示的な活動ベースの通信管理システムアーキテクチャ
図１は活動ベースの通信管理システム１４０が動作する通信環境１００を示すネットワーク図である。通信環境１００は、ネットワーク１１０、企業１２０および１３０、ならびに活動ベースの通信管理システム１４０を含む。代替構成では、異なるおよび／または追加のコンポーネントが通信環境１００に含まれ得る。例えば、活動履歴などのデータは、企業１２０および１３０に格納され、および／または活動ベースの通信管理システム１４０に格納され得る。

【0016】

ネットワーク１１０は、少なくとも１つの企業（例えば、企業１２０および企業１３０）、および活動ベースの通信管理システム１４０と通信可能に結合されている。いくつかの実施形態では、ネットワーク１１０は、１つだけの企業と活動ベースの通信管理システム１４０との間で通信可能に結合され得る。例えば、ネットワーク１１０は、企業１２０を活動ベースの通信管理システム１４０のみと通信可能に結合している。ネットワーク１１０は、インターネット、ケーブルネットワーク、携帯電話ネットワーク、光ファイバーネットワーク、または任意の適切なタイプの通信ネットワークを含む１つまたは複数のネットワークであり得る。

【0017】

企業１２０および１３０は、小売業、デパート、スーパーマーケット、インターネット小売業者、中小企業、レストラン、マーケティング会社、コンサルティング会社、または製品および／またはサービスの在庫に関連付けられた任意の適切な企業（例えば、販売、集約、監視、マーケティングなど）を含む任意の企業であり得る。いくつかの実施形態では、企業は企業の集合体である。例えば、全国規模の小売業者は、全国に個別の小売店およびオンラインストアを有している。本明細書で使用される「製品」および「品目」という用語は、企業によって企業ユーザに提供される製品および／またはサービスの在庫を指す。本明細書で言及されるように、「企業ユーザ」または「ユーザ」は、企業によって提供される製品および／またはサービスの交換において企業と関わりを持つエンティティである。企業１２０および１３０は、活動履歴およびユーザプロファイル（例えば、活動履歴１２１およびユーザプロファイル１２２）のデータベースを維持し得る。データベースは、ローカル、リモート、またはそれらの組み合わせであり得る。例えば、最近の活動履歴データは、ローカルサーバ（例えば、企業のコンピュータ）に格納され、後でリモートサーバに送信され得る（例えば、複数の企業によるアクセスのために）。

【0018】

いくつかの実施形態では、活動履歴１２１は、実行された活動のリスト、活動が実行された時間、実行された活動のタイプ、活動中に対話された企業職員、または実行された活動に関連する任意の適切な記録を含む。企業は、ユーザとの通常の操作を通じて活動履歴を取得し得る。例えば、企業１２０は、感謝祭からクリスマス休暇までの数週間に企業１２０へのユーザの訪問数の記録を格納する。

【0019】

いくつかの実施形態では、ユーザプロファイル１２２は、年齢、居住地、役職、雇用場所、または人口統計情報に関連する任意の適切な記録を含む。例えば、企業１２０は、ユーザがカリフォルニア州サンフランシスコのテクノロジー会社の上級副社長であることを示す記録を格納する。いくつかの実施形態では、企業は、ユーザから直接、および／またはユーザ情報を企業と共有することを許可されている第三者から間接的に、ユーザプロファイル１２２データを取得する。例えば、ユーザは、ソーシャルメディアアカウントを使用して企業でユーザカウントを作成し、これは、ソーシャルメディアアカウントからのユーザプロファイルデータを、ユーザプロファイル１２２にデータとして格納することを引き起こす。企業は、企業の実店舗に訪問するユーザから直接ユーザプロファイルデータを取得し得る。例えば、レストランを訪問するユーザは予約時に自分の電話番号をレストランに提供し得る。

【0020】

活動ベースの通信管理システム１４０は、ネットワーク１１０を介して企業１２０および１３０からデータを受信し得る。本明細書で言及されるように、「システムユーザ」は、活動ベースの通信管理システム１４０と情報交換するエンティティを指す。いくつかの実施形態では、活動ベースの通信管理システム１４０は、機械学習モデルへの入力のために受信データを集約し、その出力は、企業１２０および１３０によって使用される通信設定を調整するために使用される。活動ベースの通信管理システム１４０は、ユーザの行動およびユーザの人口統計データのための少なくとも１つのデータベースと、今後の活動の発生に関連付けられた時間窓を示す活動パラメータを生成する、生成された活動パラメータを分類する、カテゴリに基づいて通信設定を調整する、などの、さまざまな操作を実行するソフトウェアモジュールと、を格納および維持する。本明細書で言及される活動パラメータは時間窓内で発生する予測される活動を特徴付ける値を含み得る。活動ベースの通信管理システム１４０は図２の説明にさらに記載されている。

【0021】

通信環境１００には示されていないが、推奨システムは活動ベースの通信管理システム１４０に結合され得る。いくつかの実施形態では、システム１４０は、推奨システムによって生成された推奨を生成または増強するために、推奨システムにユーザセグメンテーション情報を提供する。例えば、システム１４０は、特定のユーザセグメントに分類されたユーザによって一般的に使用されるサービスの推奨を生成するために、推奨システムにユーザセグメンテーションを提供する。

【0022】

在庫カタログ管理システム
図２は、図１の活動ベースの通信管理システム１４０のブロック図である。図２に示されるような活動ベースの通信管理システム１４０は、複数のソフトウェアモジュール（データエンコーダ２１０、機械学習モデルセレクタ２２０、活動パラメータジェネレータ２３０、活動パラメータカテゴライザ２４０、通信設定モディファイア２５０、および機械学習モデルトレーナ２６０）を含む。活動ベースの通信管理システム１４０は、行動データベース２００および人口統計データベース２０５などのローカルデータベースにアクセスし得る。いくつかの実施形態では、活動ベースの通信管理システム１４０は、様々な機能のための追加の、より少ない、または異なるコンポーネントを含む。例えば、行動データベース２００および／または人口統計データベース２０５は、遠隔的に格納され、ネットワーク１１０を介してアクセス可能であり得る。図示されていないが、行動データベース２００および人口統計データベース２０５は、より大きなプロファイルデータベースの一部であり得る。本明細書で言及されるように、プロファイルデータベースは、非一時的で有形のコンピュータ可読記憶媒体に格納されたユーザデータ（例えば、行動および人口統計データ）、企業データ、および市場データの任意のコレクションを含み得る。いくつかの実施形態では、企業データは、場所、従業員の規模、ブランドの人気、ロイヤルティプログラム、およびターゲットユーザの人口統計などの企業を説明する属性を含む。市場データは、金融情勢を表す金融経済指標が含まれることがあり、ひいては、ユーザが企業と対話する傾向を表す。明確さを促進するために、行動および人口統計データへの参照を、活動ベースの通信管理システム１４０のアクションに関して行うが、また、企業および市場データなどのデータを使用して、ユーザセグメンテーションを決定し得る。

【0023】

行動データベース２００に格納されたデータは、活動ベースの通信管理システム１４０に関連付けられたユーザの活動履歴（例えば、システムによって管理される企業１２０および１３０からの通信の受信）を含む。活動履歴は、ユーザに関する履歴情報、およびユーザと企業との関係に関する情報を含み得る。例えば、行動データベース２００は、ユーザが企業１２０からサービスを最初に受信し始めた日付を含む。行動データベース２００はユーザが以前に対話した活動促進キャンペーンを含み得る。いくつかの実施形態では、行動データベース２００はユーザと企業との間の通信を含む。例えば、ユーザは企業１２０に今後の活動機会に関する電子メール通知を送信するように要求する。行動データベース２００は活動の好みなどのユーザの好みを表すデータを含み得る。好みは、ユーザから直接取得されたデータに基づいて活動ベースの管理システム１４０に提供され得る（例えば、ユーザが自分の好みを指定するフォームに記入する）、またはユーザの行動のパターンに基づいて活動ベースの管理システム１４０によって決定され得る。例えば、行動データベース２００は、ユーザが過去一か月に他の企業を訪問するよりも多く企業１２０を訪問したので、ユーザが同様の製品またはサービスを提供する別の企業よりも企業１２０と対話することを好む、ことを示すデータを含む。別の例では、行動データベース２００は、ユーザが平日よりも週末に活動を実行することを好むことを示すデータを含む。いくつかの実施形態では、行動データベース２００はロイヤルティプログラムデータを含む。例えば、行動データベース２００はユーザが企業１２０を用いたロイヤルティプログラムに登録されている期間を含む。

【0024】

様々なタイプのデータは行動データベース２００に格納され得る。例えば、データは、トランザクションデータ、ＲＦＭデータ、販促キャンペーンデータ、ユーザと企業のコミュニケーションデータ、または企業での活動のユーザのパフォーマンスに関連する任意の適切なデータを含み得る。行動データベース２００に格納されたＲＦＭデータは、ユーザのために以前に生成された活動パラメータ（活動を実行するユーザの最新性を表すパラメータ）を示し得る。いくつかの実施形態では、企業によって格納および／または生成された活動履歴は、ネットワークを介して活動ベースの通信管理システムによって受信され、行動データベース２００に格納される。例えば、活動履歴１２１はネットワーク１１０を介して活動ベースの通信管理システム１４０によって受信され、行動データベース２００に格納され得る。

【0025】

人口統計データベース２０５に格納されたデータは、活動ベースの通信管理システム１４０に関連付けられたユーザのユーザプロファイル情報を含む。ユーザプロファイル情報は、経歴および人口統計情報など各個人に関する情報を含み得る。例えば、ユーザプロファイル情報は、企業１２０と対話したユーザがカリフォルニア州サンフランシスコに住む３５歳の女性であることを示すデータを含む。様々なタイプのデータが人口統計データベース２０５に格納され得る。例えば、データは、地理的位置または座標、ユーザデバイス情報、ソーシャルメディアデータ、個人識別情報（ＰＩＩ）、またはユーザを識別するための他の任意の適切なデータを含み得る。いくつかの実施形態では、企業によって格納および／または生成されたユーザプロファイルデータはネットワークを介して活動ベースの通信管理システムによって受信され、人口統計データベース２０５に格納される。例えば、ユーザプロファイル１２２はネットワーク１１０を介して活動ベースの通信管理システム１４０によって受信され、人口統計データベース２０５に格納され得る。

【0026】

データエンコーダ２１０は、活動パラメータジェネレータ２３０の機械学習モデルに入力するために、データベース２００および２０５に格納されたデータを事前処理する。いくつかの実施形態では、データエンコーダ２１０は、データベース２００および２０５に格納されたデータを使用して特徴ベクトルを生成する。活動ベースの通信管理システム１４０によって受信されるデータは、同じ用語を使用してデータまたはデータタイプにラベルを付ける必要のない複数の企業からであり得る。例えば、ある企業はユーザの場所のデータタイプに「住所（ａｄｄｒｅｓｓ）」のラベルを付けるが、別の企業はユーザの場所に「住居（ｒｅｓｉｄｅｎｃｅ）」のラベルを付ける。データエンコーダ２１０は、ラベルに関連付けられた値に基づいて、２つのラベル用語間の類似性を決定し得る。例えば、データエンコーダ２１０は「住所（ａｄｄｒｅｓｓ）」および「住居（ｒｅｓｉｄｅｎｃｅ）」ラベルの両方のアドレスフォーマットを使用して、２つのラベル用語が類似していることを決定し、値を同様にエンコードする。このようにして、活動ベースの通信システム１４０は、活動パラメータジェネレータ２３０への入力のために、データベース２００および２０５内のデータを標準化し得る。

【0027】

いくつかの実施形態では、データエンコーダ２１０は、機械学習モデルに入力されたトレーニングセットまたは特徴ベクトル内の重みを属性付けする。重みは、機械学習モデルトレーナ２６０によって決定され得、機械学習モデルトレーナ２６０の説明においてさらに詳細に説明される。いくつかの実施形態では、データエンコーダ２１０は、データベース２００および２０５からのデータのサブセットをフィルタリングして、特徴ベクトルに生成する。例えば、データエンコーダ２１０は、過去１年以内に収集されたデータをエンコードし、機械学習モデルからの出力が最近のユーザの行動（例えば、ユーザの企業との関わりに影響を与える最新の経済動向を反映している）を反映する可能性を高める。

【0028】

機械学習モデルセレクタ２２０はデータ（例えば、データエンコーダ２１０からエンコードされたデータ）が入力される機械学習モデルを選択する。いくつかの実施形態では、活動ベースの通信システム１４０は、活動パラメータジェネレータ２３０および機械学習モデルトレーナ２６０を参照してより詳細に論じられるように、複数の機械学習モデルをトレーニング、使用、および再トレーニングする。いくつかの実施形態では、機械学習モデルセレクタ２２０は入力に利用可能なデータを使用して、使用する機械学習モデルを決定する。例えば、データエンコーダ２１０からのフィルタリングされたデータを、頻度モデル２３２によって使用し予測される頻度値を生成し得るが、最新性モデル２３１または価格モデル２３３によって使用するには十分ではないので、機械学習モデルセレクタ２２０は頻度モデル２３２を選択する。別の例では、利用可能な情報（例えば、閾値年齢を超えていない、したがって有効期限が切れていない、情報）は、最新性および頻度を予測するのに最も役立つので、システムは最新性モデル２３１および頻度モデル２３２を選択し得る。いくつかの実施形態では、機械学習モデルセレクタ２２０は特定の活動パラメータの要求に基づいて選択を行う。例えば、システムユーザが予測される最新性値を要求したので、機械学習モデルセレクタ２２０はデータが入力される最新性モデル２３１を選択する。

【0029】

活動パラメータジェネレータ２３０はユーザと企業との間の予測されるユーザ対話を表す活動パラメータを決定する。本明細書で言及されるように、活動パラメータは時間窓内で発生する予測される活動を特徴付ける値を含み得る。活動パラメータジェネレータ２３０は、最新性モデル２３１、頻度モデル２３２、および価格モデル２３３を含む。活動パラメータジェネレータ２００によって使用される機械学習モデルは、線形サポートベクタマシン（線形ＳＶＭ）、他のアルゴリズム（ＡｄａＢｏｏｓｔなど）のブースティング、ニューラルネットワーク、ロジスティック回帰、ナイーブベイズ、メモリベースの学習、ランダムフォレスト、バギングされた木、決定木、ブースティング木、ブースティングされた切り株、監視または監視されていない学習アルゴリズム、またはそれらの任意の適切な組み合わせなどの様々な機械学習技術を使用し得る。これらのモデルは、回帰または分類用のニューラルネットワーク、ランダムフォレスト分類子または回帰モデル、分類用のロジスティック回帰、または線形回帰を含む、任意の適切な機械学習モデルとすることができる。これらのモデルのトレーニングは、機械学習モデルトレーナ２６０に関して詳しく説明される。

【0030】

今後のユーザ対話または活動は、予測される最新性、予測される頻度、および予測される価格を含む、複数の活動パラメータによって記述され得る。本明細書で言及されるように、予測される最新性、予測される頻度、および予測される価格の値は、ＲＦＭ分析の最新性、頻度、および金銭値の対応する予測を含む。いくつかの実施形態では、ユーザと企業との間の次の対話までの時間の量を示す予測される最新性は、ユーザを忠実なまたは熱心な訪問者として維持する企業の能力を表す。例えば、高い最新性は、企業に対するユーザの比較的大きな信頼と、企業との活動に関わる意欲を反映している。活動パラメータジェネレータ２３０は、機械学習モデル（例えば、最新性モデル２３１）を使用して、予測される最新性を決定し得る。いくつかの実施形態では、予測される頻度は、時間窓を介したユーザによる企業への訪問の数を表す。例えば、高い頻度は、時間窓を介したユーザの企業への比較的大量の訪問を反映している。活動パラメータジェネレータ２３０は、機械学習モデル（例えば、頻度モデル２３２）を使用して予測される頻度を決定し得る。いくつかの実施形態では、予測される価格は、ユーザが企業との活動に関わるために企業に貢献することをいとわない金額（例えば、実世界の通貨の量）を表す。例えば、高い価格は、企業との活動に関わるユーザの比較的大きな貢献を反映している。活動パラメータジェネレータ２３０は機械学習モデル（例えば、価格モデル２３３）を使用して予測される価格を決定し得る。いくつかの実施形態では、モデル２３１～２３３は重みがモデルごとに異なり得る重み付き入力（例えば、重み付き特徴ベクトル）を受信し得る。例えば、システム１４０は最新性モデル２３１へ入力される年齢データに対して頻度モデル２３２よりも大きな重みを使用し得る。

【0031】

いくつかの実施形態では、活動パラメータは少なくとも１つの今後の活動の発生に関連付けられた時間窓を示す。例えば、予測される最新性は、ユーザが招待された企業によって開催される独占的なイベントのために、翌月中にユーザが企業と深く関わる可能性があることを示している。別の例では、予測される価格は、今週、ユーザが企業に何も貢献しない可能性があるが、次の週に、ユーザが企業に１００ドルを貢献する可能性があることを示している。

【0032】

最新性モデル２３１は行動データおよび人口統計データを入力として受信し、予測される最新性を出力する。最新性とは、ユーザと企業の間の次の対話までの時間の量を指し得る。いくつかの実施形態では、最新性モデル２３１の出力は、少なくとも１人のユーザと企業との間のユーザとの対話の可能性を示す。例えば、最新性モデル２３１は２人のユーザの行動データ（例えば、ＲＦＭデータおよび企業と通信する好ましい方法）および２人のユーザの人口統計データ（例えば、年齢および性別）を受信し、それぞれのユーザについて１０および９０単位時間（例えば、日数）の予測される最新性を出力する。いくつかの実施形態では、最新性の値および関与の指標は、互いに反比例する。例えば、より小さい最新性はユーザがその企業でより大きい最新性を持つユーザよりも企業との関わりが深いことを示す。

【0033】

いくつかの実施形態では、最新性モデル２３１の出力は、時間窓に関連付けられている。例えば、１０日間の予測される最新性は次の９０日以内の対応するユーザと企業との間の関与の予測レベルであり得る。最新性モデル２３１は、同じユーザについて、次の５日以内の０日の最新性を決定し得る。

【0034】

頻度モデル２３２は行動データおよび人口統計データを入力として受信し、予測される頻度を出力する。いくつかの実施形態では、頻度モデル２３２の出力は、少なくとも１人のユーザと企業との間のユーザとの対話の可能性を示す。例えば、頻度モデル２３２は、２人のユーザの行動データ（例えば、ＲＦＭデータおよび企業と通信する好ましい方法）および２人のユーザの人口統計データ（例えば、年齢および性別）を受信し、それぞれのユーザについて、時間窓内の３つの対話と時間窓内の０の対話の予測される頻度を出力する。いくつかの実施形態では、頻度モデル２３２の出力は時間窓に関連付けられている。例えば、予測される頻度０は対応するユーザが今後９０日以内に企業に対して行う訪問の予測率であり得る。

【0035】

価格モデル２３３は行動データおよび人口統計データを入力として受信し、予測される価格を出力する。いくつかの実施形態では、価格モデル２３３の出力は少なくとも１人のユーザと企業との間のユーザとの対話の可能性を示す。例えば、価格モデル２３３は２人のユーザの行動データ（例えば、ＲＦＭデータおよび企業と通信するための好ましい方法）および２人のユーザの人口統計データ（例えば、年齢および性別）を受信し、それぞれのユーザの予測される価格＄２５．５０および＄１２．４０を出力する。いくつかの実施形態では、価格モデル２３３の出力は時間窓に関連付けられている。例えば、２５．５０ドルの予測される価格は対応するユーザが今後９０日以内に企業に貢献する予定の予測される価格であり得る。

【0036】

活動パラメータカテゴライザ２４０は活動パラメータジェネレータ２３０から活動パラメータを受信し、それぞれのユーザに関連付けられた活動パラメータに基づいて、ユーザをグループに分割またはセグメント化する。いくつかの実施形態では、このセグメンテーションによって生成されたグループは、最新性、頻度、および価格の程度の順列によって特徴付けられる。例えば、活動パラメータカテゴライザ２４０による分類に使用されるグループは、高い最新性、高い頻度、および高い価格によって特徴付けられる。このグループに分類されたユーザは、頻繁に訪問し、多額の費用を費やしている企業と関わり得る。別のセグメントは、低い最新性、高い頻度、高い価格によって、特徴付けられる。このグループに分類されたユーザは企業を頻繁に訪問し、企業に多額のお金を費やしているにもかかわらず、企業との関わりを辞める方へ容易に傾き得る。セグメントは高い頻度および任意の程度の最新性および／または価格によって特徴付けられ得る。このグループに分類されるユーザは、企業によって培われた信用のために、企業に非常に専念し得る。セグメントは高い価格と任意の程度の最新性および／または頻度によって特徴付けられ得る。このグループに特徴付けられたユーザは企業に多額のお金を費やし得る。追加のユーザセグメンテーションの例を表１に示す。

【0037】

【表1】

【0038】

いくつかの実施形態では、活動パラメータカテゴライザ２４０は、ユーザをグループに分類するときに、受信した活動パラメータに重みを適用する。例えば、活動パラメータカテゴライザ２４０は頻度および価格パラメータの加重和を適用し、頻度値パラメータと最新性値との組み合わせを使用して、分類用の追加のグループを形成する。これは、活動パラメータカテゴライザ２４０によって処理されるパラメータの数とともに処理時間および電力が増加し得るため、ユーザをグループ化するための多数のパラメータがある場合に適用可能であり得る。例えば、活動パラメータカテゴライザ２４０は、過去３か月、過去１週間、将来の１０日、将来の２ヶ月などの異なる時間窓を考慮する、それぞれの最新性、頻度、および価格タイプのそれぞれの複数のパラメータを受信し得る。特定のパラメータで加重和を使用することは、活動パラメータカテゴライザ２４０によって実行される数学的計算の次元を減らし得る。受信した活動パラメータの分類に適用可能なもう１つの重み付け手法は階層分析法またはＡＨＰ手法である。重みは、測量の専門家から取得し、又はユーザの行動データから導き出し得る。活動パラメータカテゴライザ２４０は特定の重み付けスキームに制限されない。

【0039】

活動パラメータカテゴライザ２４０は、受信した活動パラメータの差に基づいて、ユーザをグループにセグメント化し得る。例えば、ユーザは、時間の経過に伴う最新性および頻度の活動パラメータの変化に基づいて、エンタープライズチャンピオン（ｅｎｔｅｒｐｒｉｓｅ ｃｈａｍｐｉｏｎ）に分類され得る。活動パラメータカテゴライザ２４０は時間内の窓（例えば、過去の窓および将来の窓）の数を表す時間窓に対応するパラメータを受信し、受信したパラメータ値の差を使用して、差が企業とのより頻繁な対話を反映することを決定し得る。

【0040】

通信設定モディファイア２５０は活動パラメータカテゴライザ２４０によって決定されたセグメンテーションに基づいて通信設定を調整する。本明細書で言及されるように、通信設定は、通信ネットワーク（例えば、インターネット、セルラーネットワーク、または郵便サービス）を介した企業ユーザへの通信のための調整可能な設定を含む。通信は、電子メール、ショートメッセージサービス（ＳＭＳ）、アプリケーション内通知、チラシ、電話、ＶＯＩＰ、または企業ユーザに情報を送信するための適切な媒体を含む。

【0041】

いくつかの実施形態では、通信設定モディファイア２５０は、活動パラメータカテゴライザ２４０からユーザセグメンテーションまたはグループを受信し、グループに基づいて通信設定を決定する。例えば、通信設定モディファイア２５０は、あるユーザが低い最新性、高い頻度、および高い価格によって特徴付けられたユーザグループに分類され、別のユーザが高い最新性、低い頻度、および低い価格によって特徴付けられたユーザグループに分類されることを示すユーザグループを受信する。次に、通信設定モディファイア２５０は、今後の活動機会のユーザへの通知（例えば、将来の在庫となる在庫品目のカタログをユーザに送信する）を含む最初のユーザの設定、および企業との活動に従事するときに追加の割引を受けるためにロイヤルティプログラムに参加するようにユーザに通知することを含む第２のユーザの通信設定を決定し得る。別の例では、通信設定モディファイア２５０は、ユーザが高い最新性によって特徴付けられたグループに属していることを示すユーザセグメンテーションを受信し、企業によってホストされる独占的なイベントにユーザを招待する通信設定の生成を決定する。いくつかの実施形態では、通信設定モディファイア２５０は、ユーザグループを少なくとも１つの通信設定（例えば、毎日通信する）または通信設定命令（例えば、通信頻度を５０％減らす）にマッピングするマッピングテーブルを使用して通信設定を決定し得る。活動ベースの通信管理システム１４０は各企業および／または企業のグループのマッピングテーブルを格納し得る。例えば、１つのマッピングテーブルはヘルスケアサービスを提供するすべての企業に適用可能である。

【0042】

いくつかの実施形態では、通信設定モディファイア２５０は活動パラメータカテゴライザ２４０から既存のユーザグループへの更新を受信し、更新されたグループに基づいて通信設定を修正する。例えば、通信設定モディファイア２５０はユーザが低い価格から高い価格によって特徴づけられるように変更されたことを示すユーザグループへの更新を受信する。次に、通信設定モディファイア２５０は割引のユーザへの通知から、より高価な活動機会のユーザへの通知へ通信設定を更新し得る。

【0043】

機械学習モデルトレーナ２６０は、活動パラメータジェネレータ２３０によって使用される機械学習モデル（例えば、最新性モデル２３１、頻度モデル２３２、および価格モデル２３３）をトレーニングする。機械学習モデルは、最初に、ユーザと企業の間の以前の活動を表すデータ（例えば、履歴最新性データ）でトレーニングされ得る。いくつかの実施形態では、機械学習モデルトレーナ２６０はユーザ企業活動およびユーザプロファイルからの手動でラベル付けされたデータを使用する。例えば、活動を実行するユーザの履歴頻度、各活動を実行するために行われた貢献（例えば、費やしたお金）、年齢、および居住地を含むデータセットは、予想される最新性、頻度、および／または価格をラベル付けされる。各モデルを異なる確率で再トレーニングし、各モデルが利用可能な最新のトレーニングセットを反映することを確実にし得る。

【0044】

機械学習モデルトレーナ２６０は、活動パラメータジェネレータ２３０によって使用される機械学習モデルを再トレーニングし得る。再トレーニングを実行するために、機械学習モデルトレーナ２６０は経験的行動データおよび人口統計データを使用してトレーニングセットを更新し得る。例えば、トレーニングセットは最近の活動経験（例えば、５５ドルの経験値を持つように更新された行動データ）を考慮して更新される。いくつかの実施形態では、活動ベースの通信管理システム１４０は、活動が発生したという表示を受信する。例えば、活動ベースの通信管理システム１４０は割引された活動に伴う彼らの最近の活動経験が不快であったというフィードバックをユーザから受信する。活動ベースの通信管理システム１４０は最近の活動経験に関連付けられた経験的活動パラメータを受信し得る。例えば、活動ベースの通信管理システム１４０は、価格モデル２３３を使用して予測された１２．４０ドルの代わりに、ユーザが５５ドルを費やしたことを示すトランザクションデータを受信する。これは、ユーザが誤って価格の低いグループに分類され、代わりに価格の高いグループに分類されるべきであることを示し得、これは価格モデル２３３を再トレーニングすることで実現され得る。

【0045】

いくつかの実施形態では、機械学習モデルトレーナ２６０は経験的活動パラメータを使用して、更新されたトレーニングセットをラベル付けする。例えば、価格モデル２３３から出力される予測される価格が活動パラメータカテゴライザ２４０によって中価格または高い価格（すなわち、価格の低いグループに分類されていない）として分類されるだろう価格となるように、性別などのユーザの人口統計データと組み合わせた５５ドルの経験値はラベル付けされる。機械学習モデルトレーナ２６０はラベル付けされ、更新されたトレーニングセットを使用して、活動パラメータジェネレータ２３０によって使用される機械学習モデルをトレーニングし得る。例えば、以前に使用された人口統計データと組み合わされた５５ドルの更新された経験値を持つラベル付きトレーニングセットは機械学習モデルトレーナ２６０によって使用され、価格モデル２３３をトレーニングする。

【0046】

いくつかの実施形態では、機械学習モデルトレーナ２６０はフィードバックを使用して、それぞれ、正または負のフィードバックを生成する正しいまたは誤った分類に繋がる可能性があるデータベース２００および２０５からの特定の情報を強調する。例えば、システム１４０はデータベース２００および２０５からの情報内の特定の属性に重みを適用し（例えば、貢献したユーザの過去の値に適用されるよりも、ユーザの年齢に大きな重みを適用する）、正のフィードバックの受信後、重みが適切な分類をもたらしたと決定する。

【0047】

活動パラメータジェネレータ２３０によって使用される機械学習モデルは機械学習モデルトレーナ２６０とは独立してトレーニングされ得る。例えば、十分な精度の測定計算に到達する（例えば、適合率、再現率、またはＦスコアがそれぞれの閾値を超えている）、またはトレーニングラウンドの閾値数を完了するなど、停止条件が発生するまで、機械学習モデルは繰り返し再トレーニングし得る。

【0048】

例示的な通信管理ユーザインターフェース
図３は、図１の活動ベースの通信管理システム１４０を使用して通信を管理するためのグラフィカルユーザインターフェース（ＧＵＩ）３００を示している。図３のＧＵＩ３００は、企業が活動ベースの通信管理システム１４０を使用して通信設定を調整するためのメニューを示している。

【0049】

いくつかの実施形態では、ＧＵＩ３００は、システムユーザがユーザの特徴付けの情報を有するデータベース（例えば、行動データベース２００および／または人口統計データベース２０５）からデータを選択するための入力を含む。例えば、ユーザデータ選択パネル３０５は、ユーザによってソートされたユーザの特徴付けの情報の選択可能なリストである。活動ベースの通信管理システム１４０は、ユーザデータ選択パネル３０５に表示するために、データベース２００および２０５内のデータを編成し得る。いくつかの実施形態では、活動ベースの通信管理システム１４０によるデータの編成は、フィルタ選択オプション３１０を使用して、データの属性によるフィルタリングを容易にする。活動ベースの通信管理システム１４０は、データのグループを記述する属性によってデータベース２００および２０５内のデータを分類し得る。例えば、属性は、性別、年齢範囲、最新性範囲、頻度範囲、価格範囲、データのグループ化の任意の適切な記述的属性、またはそれらの組み合わせを含み得る。いくつかの実施形態では、システムユーザは、出力選択オプション３１１を介して、活動パラメータジェネレータ２３０によって予測活動パラメータを指定できる。例えば、ユーザは出力選択オプション３１１の「最新性」のみを選択して、最新性モデル２３１のみを使用するように活動パラメータジェネレータ２３０を制限する。いくつかの実施形態では、システムユーザは時間窓ボックス３１５を使用して、予測された活動パラメータ（例えば、予測ＲＦＭ）の分析のための時間窓を指定できる。例えば、システムユーザは、ユーザデータ選択パネル３０５で選択されたユーザのＲＦＭを予測するために使用される将来の９０日数を入力する。ＧＵＩ３００は、ユーザデータ選択パネル３０５、フィルタ選択オプション３１０、出力選択オプション３１１、および時間窓ボックス３１５を介したシステムユーザ入力に基づいて予測ＲＦＭに関するレポートを要求するための予測実行ボタン３２０を含み得る。予測実行ボタン３２０の選択は要求を活動ベースの通信管理システム１４０に送信し、予測されたＲＦＭを決定し得る。いくつかの実施形態では、活動ベースの通信管理システム１４０は、行動データベース２００および／または人口統計データベース２０５から選択されたデータ（例えば、ユーザデータ選択パネル３０５から、フィルタ選択オプション３１０によってフィルタリングされた）を検索することによってこの決定を実行する。続いて、活動ベースの通信管理システム１４０は検索されたデータを活動パラメータジェネレータ２３０のモデル２３１～２３３のうちの少なくとも１つに入力し得る。いくつかの実施形態では、活動ベースの通信管理システム１４０はモデル２３１～２３３のうちの少なくとも１つからの結果の出力をＧＵＩ３００に表示する。

【0050】

いくつかの実施形態では、ＧＵＩ３００はシステムユーザが予測活動パラメータ（例えば、予測されたＲＦＭ）に関する生成されたレポートを表示するための出力を含む。例えば、予測活動パラメータレポートパネル３２５はユーザデータ選択パネル３０５で指定された各ユーザの予測ＲＦＭのリストである。いくつかの実施形態では、活動ベースの通信管理システム１４０はパネル３２５に表示される予測活動パラメータのリスト内の複数の値を表す値を計算する。例えば、活動ベースの通信管理システム１４０は選択されたすべてのユーザの平均最新性を計算し、その値を平均最新性ボックス３３０に表示する。同様に、活動ベースの通信管理システム１４０は選択されたすべてのユーザの平均頻度および価格を計算し、その値をそれぞれ平均頻度ボックス３３５および平均価格ボックス３４０に表示する。通信設定調整ボタン３４５の選択は、選択されたユーザの少なくとも１人の通信設定を調整および／または生成するために、活動ベースの通信管理システム１４０に要求を送信し得る。図示されていないが、ＧＵＩ３００は、最後に通信設定が調整されてからの平均最新性、頻度、および価格のそれぞれの差を表示するボックスを含み得る。システムユーザは、それぞれの差が、最後に通信設定が調整されてから、実質的に変化した（例えば、差が閾値よりも大きい）ので、通信設定調整ボタン３４５を選択することを選び得る。

【0051】

通信設定調整ボタン３４５の選択に続いて、選択されたユーザのうちの少なくとも１人の通信設定を調整および／または生成するために、いくつかの実施形態では、活動ベースの通信管理システム１４０は、ユーザデータ選択パネル３０５を通じて選択されたデータが属するカテゴリを決定する。システム１４０は予測活動パラメータレポートパネル３２５に表示される予測活動パラメータに基づいてこれらのカテゴリを決定し得る。例えば、活動ベースの通信管理システム１４０は、ユーザの予測活動パラメータを評価し、これは、関連する行動および人口統計データが、高い最新性、高い頻度、および高い価格によって特徴付けられたユーザグループに属することを示す。次に、システム１４０は、ユーザをこのユーザグループに分類し、分類に基づいて通信設定を調整し得る。例えば、通信の頻度を増やすことは、ユーザのためにシステム１４０によって決定される予測される価格および頻度の増加に適切であるので、システム１４０は週に１回ユーザに電子メールを送信するという既存の通信設定を、週に２回ユーザに電子メールを送信するように修正する。

【0052】

活動ベースの通信管理システム１４０は、ＧＵＩ３００を介して達成可能であるように、活動パラメータ予測および／または通信設定調整を自動的に実行し得る。いくつかの実施形態では、活動パラメータ予測および／または通信設定調整は、定期的、事前に選択された時間、事前に決定された条件に応答、またはそれらの組み合わせとし得る。例えば、活動ベースの通信管理システム１４０は毎週定期的に予測活動パラメータを決定し、それぞれの活動パラメータ閾値を超えるまたは下回る（例えば、予測される頻度１０が頻度閾値２０を下回った）予測活動パラメータに応答して通信設定を調整する。

【0053】

いくつかの実施形態では、活動ベースの通信管理システム１４０は、図２には示されていないが、ジェネレータ２３０からの活動パラメータおよび／またはカテゴライザ２４０からのユーザセグメンテーションに基づいて推奨活動を決定するための活動推奨モジュールを含む。例えば、活動推奨モジュールは企業との活動に関わるユーザへの推奨（例えば、店舗を訪れて、活動履歴に見られる同様の金額で評価される１つまたは複数の在庫品目を購入することを推奨する）を決定し得る。

【0054】

コンピュータ機器の構成
図（図面）４は、機械可読媒体から命令を読み取り、それらをプロセッサ（またはコントローラ）で実行することが可能な例示的なマシンのコンポーネントを示すブロック図である。具体的には、図４は、本明細書で論じられる方法論のいずれか１つまたは複数をマシンに実行させるためのプログラムコード（例えば、ソフトウェア）が実行され得るコンピュータシステム４００の例示的な形態におけるマシンの概略図を示す。プログラムコードは、１つまたは複数のプロセッサ４０２によって実行可能な命令４２４から構成され得る。代替の実施形態において、マシンは、スタンドアロンデバイスとして動作する、または他のマシンに接続（例えば、ネットワーク化）され得る。ネットワーク化された展開において、マシンは、サーバクライアントネットワーク環境の中のサーバマシンもしくはクライアントマシンの能力で、またはピアツーピア（または分散型）ネットワーク環境のピアマシンとして、動作し得る。

【0055】

マシンは、サーバコンピューター、クライアントコンピューター、パーソナルコンピューター（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、携帯電話、スマートフォン、Ｗｅｂアプライアンス、ネットワークルーター、スイッチもしくはブリッジ、またはそのマシンによって実行されるアクションを指定する命令４２４（シーケンシャルまたはその他）を実行することが可能な任意のマシンであり得る。さらに、単一のマシンのみが図示されているが、「マシン」という用語はまた、命令１２４を個別にまたは協働して実行し、本明細書で説明される方法のいずれか１つまたは複数を実行する任意のマシンの集合を含むと解釈されるであろう。

【0056】

例示的なコンピュータシステム４００は、プロセッサ４０２（例えば、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、１つまたは複数の特定用途向け集積回路（ＡＳＩＣｓ）、１つまたは複数の無線周波数集積回路（ＲＦＩＣｓ）、またはこれらの任意の組み合わせ）と、メインメモリ４０４と、スタティックメモリ４０６とを含み、これらは、バス４０８を介して互いに通信するよう構成されている。コンピュータシステム４００は、ビジュアルディスプレイインターフェース４１０をさらに含み得る。ビジュアルインターフェースは、ユーザインターフェースをスクリーン（またはディスプレイ）上に表示することを可能とするソフトウェアドライバを含み得る。ビジュアルインターフェースは、直接的に（例えば、スクリーン上に）、または間接的に表面または窓上などに間接的にユーザインターフェースを表示し得る（例えば、ビジュアルプロジェクションユニットを介して）。説明を容易にするために、ビジュアルインターフェースは、スクリーンとして説明され得る。ビジュアルインターフェース４１０は、タッチ可能スクリーンを含み、または接続され得る。コンピュータシステム４００はまた、英数字入力デバイス４１２（例えば、キーボードまたはタッチスクリーンキーボード）、カーソル制御デバイス４１４（例えば、マウス、トラックボール、ジョイスティック、モーションセンサ、または他のポインティング機器）、記憶ユニット４１６、信号生成デバイス４１８（例えば、スピーカ）、およびネットワークインターフェースデバイス４２０を含み得、これらはまた、バス４０８を介して通信するように構成されている。

【0057】

記憶ユニット４１６は本明細書に記載の方法論または機能のいずれか１つまたは複数を具体化する命令４２４（例えば、ソフトウェア）を格納された機械可読媒体４２２を含む。命令４２４（例えば、ソフトウェア）はまた、コンピュータシステム４００によるその実行の間に、メインメモリ４０４内またはプロセッサ４０２内（例えば、プロセッサのキャッシュメモリ内）に、完全にまたは少なくとも部分的に存在し得、メインメモリ４０４およびプロセッサ４０２はまた機械可読媒体を構成する。命令４２４（例えば、ソフトウェア）は、ネットワークインターフェースデバイス４２０を介してネットワーク４２６を通じて送信または受信され得る。

【0058】

機械可読媒体４２２は例示的な実施形態において単一媒体であると示されているが、「機械可読媒体」という用語は、命令（例えば、命令４２４）を格納することが可能な単一の媒体または複数の媒体（例えば、集中型または分散型データベース、または関連するキャッシュおよびサーバ）を含むと解釈されるであろう。「機械可読媒体」という用語はまた、マシンによって実行される命令（例えば、命令４２４）を格納することが可能であり、マシンに本明細書に開示される方法論のいずれか１つまたは複数を実行させる任意の媒体を含むと解釈されるべきである。「機械可読媒体」という用語は、固体メモリ、光学媒体、および磁気媒体の形態におけるデータリポジトリを含むが、これらに限定されない。

【0059】

通信設定を修正するためのプロセス
図５は、図１の活動ベースの通信管理システム１４０を使用して通信設定を調整するためのプロセス５００を示すフローチャートである。いくつかの実施形態では、活動ベースの通信管理システム１４０は、プロセス５００の動作を並行して、異なる順序で実行する、または異なるステップを実行する。例えば、図示されていないが、プロセス５００は、受信された活動パラメータに基づいてカテゴリを決定すること５０４の前に、それぞれの機械学習モデルまたはそれぞれの機械学習モデルによって出力されたそれぞれの活動パラメータに対して複数回受信すること５０３を実行し得る。

【0060】

活動ベースの管理システム１４０は、少なくとも１人のユーザの行動データおよび人口統計データを検索する５０１。いくつかの実施形態では、システム１４０は、行動データベース２００および人口統計データベース２０５からそれぞれ行動データおよび人口統計データを検索する。例えば、システム１４０は、データがデータベース２００および２０５に記録されているユーザのセットの年齢、性別、および履歴ＲＦＭを検索する。

【0061】

活動ベースの管理システム１４０は、行動データおよび人口統計データを機械学習モデルに入力する５０２。いくつかの実施形態では、システム１４０は、データベース２００および２０５から検索されたデータを、最新性モデル２３１、頻度モデル２３２、および価格モデル２３３の少なくとも１つに入力する。例えば、システム１４０は、ユーザの年齢、性別、および履歴ＲＦＭを頻度モデル２３２に入力する。

【0062】

活動ベースの管理システム１４０は、機械学習モデルからの出力として、活動パラメータを受信する５０３。いくつかの実施形態では、システム１４０は、モデル２３１～２３３から予測活動パラメータを受信する。例えば、システム１４０は、データが頻度モデル２３２に入力されたユーザのセットの予測される頻度を受信する。

【0063】

活動ベースの管理システム１４０は、機械学習モデルからの出力として受信された少なくとも１つの活動パラメータに基づいて、行動データおよび人口統計データが属するカテゴリを決定する５０４。いくつかの実施形態では、システム１４０は、ユーザに対する受信された予測される頻度が所定の閾値を超えていたため、ユーザの年齢、性別、および履歴ＲＦＭが高い頻度によって特徴付けられたユーザグループに属すると決定する。

【0064】

活動ベースの管理システム１４０は通信設定を調整する５０５。いくつかの実施形態では、システム１４０は決定されたカテゴリ５０４に基づいて通信設定を調整する。例えば、システム１４０は、高い頻度はユーザが電子メールをよく受信する可能性を反映しているので、企業からユーザに送信される電子メールの頻度を増加させる。

【0065】

追加の構成の検討
開示された構成の利点および利点の例は、少なくとも１つの機械学習モデルへの入力として、人口統計データを行動データ（例えば、履歴ＲＦＭ）と組み合わせて使用するユーザセグメンテーションの改善された精度を含む。システムは、異なるデータベース（例えば、同じ業界内の異なる企業）から供給された人口統計データを標準化し得る。機械学習モデル内へ入力するための人口統計データを標準化することは、同じタイプのデータを参照する（例えば、異なるデータベース間で異なる形式であるまたはラベル付けされたユーザアドレスを標準化する）モデルによって解釈可能な人口統計データの量を増加する。解釈可能なデータの増加は、機械学習モデルの初期トレーニングおよび再トレーニングの両方を改善し、モデルにより正確な結果を生成させる。いくつかの実施形態では、複数の機械学習モデルを使用して、ユーザセグメンテーション情報（例えば、活動パラメータ）を出力し得る。複数の機械学習モデルを使用することは、必要なユーザセグメンテーション情報に応じてモデルを選択的に使用することを可能にし、これにより、不要な処理サイクルを削減する。さらに、複数の機械学習モデルは、システムに、機械学習モデル内への入力に対して使用される最近の人口統計および行動データを用いて、最新のユーザセグメンテーション情報を出力することを可能にする。各モデルは、その入力に対する異なる情報に依存し得、１つのモデルが、その入力情報がより頻繁に更新される場合、別のモデルよりも頻繁に実行され得る。ユーザの人口統計を考慮することは、ユーザセグメンテーションの精度を向上し、順番に、システムにユーザの通信設定を適切に調整することを可能にする。

【0066】

活動ベースの通信管理システムは、機械学習モデルへの入力のために人口統計データを前処理して、これらの利点を達成するために使用される人口統計データの量および／または質を改善し得る。いくつかの実施形態では、システムは、人口統計データが機械学習モデル内への入力のために標準化されるように、様々なソースによって提供される人口統計データをエンコードする。したがって、データのエンコードおよび標準化により、ユーザセグメンテーションに使用可能な人口統計データの量が増加し得る。いくつかの実施形態では、システムは、特定の機械学習モデルに対して使用（例えば、人口統計データのフィルタリング）されるまたは異なる重み付けをされた人口統計データのサブセットを決定する。例えば、システムは予測される価格および／またはフィードバックの経験値を使用して、ユーザの位置に関連するデータを用いて機械学習モデルを再トレーニングすることは、出力される特定のセグメンテーション情報の精度を向上することを決定する。したがって、機械学習モデルに入力される人口統計データの質は、データのフィルタリングおよび重み付けによって向上し得る。人口統計の前処理は、セグメンテーション情報を出力する機械学習モデルへの入力に使用可能な人口統計および／または行動データのトレーニングセットの量および質を向上する。特に、複数の企業から取得した人口統計データを標準化することは、潜在的なラベリングの差にもかかわらず、単一のデータタイプの情報を同様にエンコードすることによって、トレーニングセットの数および／または有効性を高め得る。例えば、ある企業が住居のデータタイプのアドレスを「住居（ｒｅｓｉｄｅｎｃｅ）」としてラベル付けし得、一方で別の企業がデータタイプを「住所（ａｄｄｒｅｓｓ）」としてラベル付けするが、システムは、２つのデータ値が同じデータタイプを参照していると決定し、値を同様にエンコードし得る。このようにして、居住地データタイプのそれぞれのアドレスを有する２つのトレーニングセットは、そのように適切に識別され、不適切なデータタイプの識別のために１つが省略されるのではなく、同じトレーニングセット内で使用される（例えば、居住地の住所を使用して最新性を予測する最新性モデルへの入力の場合）。

【0067】

この仕様全体を通して、複数のインスタンスは、単一のインスタンスとして説明されたコンポーネント、操作、または構造を実装し得る。１つまたは複数の方法の個々の動作が別個の動作として図示および説明されているが、個々の動作の１つまたは複数を同時に実行し得、動作を図示されている順序で実行する必要はない。例示的な構成において別個のコンポーネントとして提示された構造および機能は、組み合わされた構造またはコンポーネントとして実装され得る。同様に、単一のコンポーネントとして提示される構造および機能は、別個のコンポーネントとして実装され得る。これらおよび他の変形、修正、追加、および改善は、本明細書の主題の範囲内にある。

【0068】

特定の実施形態は、論理またはいくつかのコンポーネント、モジュール、またはメカニズムを含んでいるとして、本明細書に記載されている。モジュールは、ソフトウェアモジュール（例えば、機械可読媒体上または伝送信号において具体化されたコード）またはハードウェアモジュールのいずれかを構成し得る。ハードウェアモジュールは、特定の動作を実行することが可能な有形のユニットであり、特定のやり方で構成または配置され得る。例示的な実施形態では、１つまたは複数のコンピュータシステム（例えば、スタンドアロン、クライアント、またはサーバコンピューターシステム）またはコンピュータシステムの１つまたは複数のハードウェアモジュール（例えば、プロセッサまたはプロセッサのグループ）は、本明細書に記載の特定の動作を実行するように動作するハードウェアモジュールとしてソフトウェア（例えば、アプリケーションまたはアプリケーション部分）によって構成され得る。

【0069】

さまざまな実施形態において、ハードウェアモジュールは、機械的または電子的に実装され得る。例えば、ハードウェアモジュールは、特定の操作を実行するように恒久的に構成された専用の回路または論理（例えば、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）または特定用途向け集積回路（ＡＳＩＣ）などの専用プロセッサとして）を含み得る。ハードウェアモジュールはまた、特定の操作を実行するソフトウェアによって一時的に構成されるプログラム可能なロジックまたは回路（例えば、汎用プロセッサまたは他のプログラム可能なプロセッサ内に含まれる）を含み得る。ハードウェアモジュールを機械的に、専用の恒久的に構成された回路に、または一時的に構成された回路（例えば、ソフトウェアによって構成された）に実装する決定は、コストおよび時間の考慮によってなされ得ることが理解されよう。

【0070】

したがって、「ハードウェアモジュール」という用語は、特定のやり方で動作するように、または本明細書で説明する特定の動作を実行するように物理的に構築、永続的に構成、または一時的に構成されたエンティティである、有形のエンティティを包含すると理解されるべきである。本明細書で用いられるように、「ハードウェア実装モジュール」は、ハードウェアモジュールを指す。ハードウェアモジュールが一時的に構成（例えば、プログラム化）された実施形態を考慮すると、それぞれのハードウェアモジュールは、時間内に、任意の１つのインスタンスで構成されるまたはインスタンス化される必要はない。例えば、ハードウェアモジュールがソフトウェアを用いて構成される汎用プロセッサを含む場合、汎用プロセッサは、それぞれ異なるハードウェアモジュールとして、異なる時間で構成され得る。したがって、ソフトウェアは、例えば、ある時点で特定のハードウェアモジュールを構成し、異なる時点で異なるハードウェアモジュールを構成するようプロセッサを構成し得る。

【0071】

ハードウェアモジュールは、他のハードウェアモジュールに情報を提供および情報を受信できる。したがって、説明されるハードウェアモジュールは、通信可能に結合されていると見なされ得る。複数のそのようなハードウェアモジュールが同時に存在する場合、通信はハードウェアモジュールを接続する信号伝送を通じて（例えば、適切な回路およびバスを介して）達成され得る。複数のハードウェアモジュールが異なる時間に構成またはインスタンス化される実施形態において、そのようなハードウェアモジュール間の通信は、例えば、複数のハードウェアモジュールがアクセスするメモリ構造の中の情報の格納および検索を通じて達成され得る。例えば、１つのハードウェアモジュールは、動作を実行し、その動作の出力を、それが通信可能に結合されているメモリデバイスの中に格納し得る。次に、さらなるハードウェアモジュールが、その後で、メモリデバイスにアクセスし、格納された出力を検索および処理し得る。また、ハードウェアモジュールは、入力または出力デバイスとの通信を開始し得、リソース（例えば、情報の収集）を操作できる。

【0072】

本明細書に記載の例示的な方法の様々な動作は、関連する動作を実行するように一時的に構成された（例えば、ソフトウェアによって）または恒久的に構成された１つまたは複数のプロセッサによって、少なくとも部分的に実行され得る。一時的または永続的に構成されているかに拘わらず、そのようなプロセッサは、１つまたは複数の操作または機能を実行するように動作するプロセッサ実装モジュールを構成し得る。本明細書で参照されるモジュールは、いくつかの例示的な実施形態において、プロセッサ実装モジュールを含み得る。

【0073】

同様に、本明細書に記載の方法は、少なくとも部分的にプロセッサで実装され得る。例えば、方法の操作の少なくとも一部は、１つまたは複数のプロセッサまたはプロセッサで実装されたハードウェアモジュールによって実行され得る。特定の操作の実行は、単一のマシン内に存在するだけでなく、複数のマシンに展開される１つまたは複数のプロセッサに分散され得る。いくつかの例示的な実施形態において、１つまたは複数のプロセッサは、単一の場所（例えば、家庭環境内に、オフィス環境またはサーバファームとして）配置され得るが、他の実施形態おいて、プロセッサは、いくつかの場所に渡って分散され得る。

【0074】

１つまたは複数のプロセッサはまた、「クラウドコンピューティング」環境内で、または「サービスとしてのソフトウェア」（ＳａａＳ）として、関連する操作の実行をサポートするように動作し得る。例えば、操作の少なくとも一部は、コンピュータのグループによって実行され得（プロセッサを含むマシンの例として）、これらの操作はネットワーク（例えば、インターネット）を介して、および１つまたは複数の適切なインターフェース（例えば、アプリケーションプログラムインターフェイス（ＡＰＩ））を介して、アクセス可能である。

【0075】

特定の操作の実行は、単一のマシン内に存在するだけでなく、複数のマシンに展開される１つまたは複数のプロセッサに分散され得る。いくつかの例示的な実施形態において、１つまたは複数のプロセッサまたはプロセッサ実装モジュールは、単一の地理的ロケーション（例えば、家庭環境、オフィス環境、またはサーバファーム内）に位置し得る。他の例示的な実施形態において、１つまたは複数のプロセッサまたはプロセッサ実装モジュールは、いくつかの地理的場所に渡って分散され得る。

【0076】

この仕様のいくつかの一部は、マシンメモリ（コンピュータメモリなど）内にビットまたはバイナリデジタル信号として格納されたデータに対する操作のアルゴリズムまたはシンボリック表現の観点から提示されている。これらのアルゴリズムまたはシンボリック表現は、データ処理分野における当業者が彼らの仕事の内容を他の当業者に伝えるよう用いる技術の例である。本明細書で用いられるように、「アルゴリズム（ａｌｇｏｒｉｔｈｍ）」は、所望の結果へ導く首尾一貫した一連の動作、または同様の処理である。このコンテキストにおいて、アルゴリズムおよび動作は、物理量の物理的操作を伴う。典型的には、必ずしもそうではないが、そのような量は、マシンによって、格納、アクセス、変換、結合、比較、またはさもなければ操作されることが可能である電気的、磁気的、または光学的な信号の形態をとり得る。主に共通使用の理由のために、「データ（ｄａｔａ）」、「コンテンツ（ｃｏｎｔｅｎｔ）」、「ビット（ｂｉｔｓ）」、「値（ｖａｌｕｅｓ）」、「要素（ｅｌｅｍｅｎｔｓ）」、「記号（ｓｙｍｂｏｌｓ）」、「文字（ｃｈａｒａｃｔｅｒｓ）」、「用語（ｔｅｒｍｓ）」、「数（ｎｕｍｂｅｒｓ）」、または「数字（ｎｕｍｅｒａｌｓ）」などの単語を用いてそのような信号を参照すると便利な場合がある。しかしながら、これらの単語は、単に便利なラベルに過ぎなく、且つ適切な物理量に関連付けられるべきである。

【0077】

特に明記しない限り、「処理（ｐｒｏｃｅｓｓｉｎｇ）」、「計算（ｃｏｍｐｕｔｉｎｇ）」、「計算（ｃａｌｃｕｌａｔｉｎｇ）」、「決定（ｄｅｔｅｒｍｉｎｉｎｇ）」、「提示（ｐｒｅｓｅｎｔｉｎｇ）」、「表示（ｄｉｓｐｌａｙｉｎｇ）」などの単語を使用する本明細書での議論は、情報を受信、格納、送信、または表示する１つまたは複数のメモリ（例えば、揮発性メモリ、不揮発性メモリ、またはそれらの組み合わせ）、レジスタ、またはその他のマシンコンポーネント内の物理（例えば、電子的、磁気的、または光学的）量として表されるデータを操作または変換するマシン（例えば、コンピューター）のアクションまたはプロセスを指し得る。

【0078】

本明細書に用いられるように、「一実施形態（ｏｎｅ ｅｍｂｏｄｉｍｅｎｔ）」または「実施形態（ａｎ ｅｍｂｏｄｉｍｅｎｔ）」への参照は、その実施形態に関連して記載される特定の要素、特徴、構造、または特性が少なくとも１つの実施形態において含まれることを意味する。本明細書におけるさまざまな箇所において、「一実施形態において（ｉｎ ｏｎｅ ｅｍｂｏｄｉｍｅｎｔ）」という表現の記載は必ずしもすべて同じ実施形態を指しているわけではない。

【0079】

いくつかの実施形態は、それらの派生物と共に「結合された（ｃｏｕｐｌｅｄ）」および「接続された（ｃｏｎｎｅｃｔｅｄ）」という表現を使用して説明され得る。これらの用語は、互いに同義語として意図されていないことを理解されるべきである。例えば、いくつかの実施形態は、２つ以上の要素が互いに直接の物理的または電気的接触にあることを示すために、「接続した（ｃｏｎｎｅｃｔｅｄ）」という用語を用いて説明され得る。別の例では、いくつかの実施形態は、２つ以上の要素が直接の物理的または電気的接触にあることを示すために「結合された（ｃｏｕｐｌｅｄ）」という用語を使用して説明され得る。しかしながら、「結合した（ｃｏｕｐｌｅｄ）」という用語はまた、２つ以上の要素が互いに直接接触していないが、依然として互いに協働または対話することを意味し得る。実施形態はこのコンテキストにおいて限定されない。

【0080】

本明細書で使用される場合、「含む（ｃｏｍｐｒｉｓｅｓ）」、「含む（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｅｓ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、「有する（ｈａｓ）」、「有する（ｈａｖｉｎｇ）」またはそれらの他のバリエーションの用語は、非排他的な包含を包含することを意図する。例えば、要素のリストを備えるプロセス、方法、物品、または装置は、必ずしもそれらの要素のみに限定されず、明示的に記載されていない、またはそのようなプロセス、方法、物品、または装置に内在する他の要素を含み得る。さらに、明示的に反対の記載がない限り、「または（ｏｒ）」は包括的であることまたは排他的でないことを指す。例えば、条件ＡまたはＢは、以下のいずれか１つによって満たされる。Ａは真（または存在する）かつＢは偽（または存在しない）、Ａは偽（または存在しない）かつＢは真（または存在する）、ＡおよびＢの両方が真（または存在する）である。

【0081】

さらに、「ａ」または「ａｎ」の使用は、本明細書の実施形態の要素およびコンポーネントを説明するために使用される。これは、単に便宜上、そして本発明の一般的な意味を与えるために行われる。この説明は、１つまたは少なくとも１つを含むように読むべきであり、単数形はまた、別の意味であることが明らかでない限り、複数形を含む。

【0082】

本開示を読むと、当業者は、本明細書に開示された原理を通じて通信設定を調整する予測活動パラメータを決定するシステムおよびプロセスのための追加の代替の構造的および機能的設計をさらに理解するであろう。したがって、特定の実施形態およびアプリケーションが例示および説明されてきたが、開示された実施形態は、本明細書に開示された正確な構造およびコンポーネントに限定されないことが理解されるべきである。当業者には明らかである様々な修正、変更、および変形は、添付の特許請求の範囲で定義される精神および範囲から逸脱することなく、本明細書に開示される方法および装置の配置、操作、および詳細においてなされ得る。

【図1】

【図2】

【図3】

【図4】

【図5】