特許 7567169 デバイス管理システム、サーバー、およびデバイス管理システムの制御方法

(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】2024-10-07

(45)【発行日】2024-10-16

(54)【発明の名称】デバイス管理システム、サーバー、およびデバイス管理システムの制御方法

(51)【国際特許分類】

   G06Q 10/087 20230101AFI20241008BHJP

   B41J 29/38 20060101ALI20241008BHJP

   G03G 21/00 20060101ALI20241008BHJP

   G06Q 30/0601 20230101ALI20241008BHJP

   G06F 3/12 20060101ALI20241008BHJP

【ＦＩ】

G06Q10/087

B41J29/38 401

B41J29/38 204

G03G21/00 396

G06Q30/0601 304

G06F3/12 335

G06F3/12 310

【請求項の数】 9

(21)【出願番号】P 2020012397

(22)【出願日】2020-01-29

(65)【公開番号】P2021117877

(43)【公開日】2021-08-10

【審査請求日】2023-01-12

(73)【特許権者】

【識別番号】000002369

【氏名又は名称】セイコーエプソン株式会社

(74)【代理人】

【識別番号】110001623

【氏名又は名称】弁理士法人真菱国際特許事務所

(72)【発明者】

【氏名】柴▲崎▼ 佳秋

【審査官】小山 和俊

(56)【参考文献】

【文献】特開２０１８－１１６１６８（ＪＰ，Ａ）

【文献】特開２０１９－１３２９５８（ＪＰ，Ａ）

【文献】特開２００６－０１１７１５（ＪＰ，Ａ）

【文献】特開２００８－１２３１６６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

Ｂ４１Ｊ ２９／３８

Ｇ０３Ｇ ２１／００

Ｇ０６Ｆ ３／１２

(57)【特許請求の範囲】

【請求項1】

画像データに基づいて印刷を行うプリンターを使用するユーザーの個人情報に基づいて判断された前記ユーザーの第１属性と、前記ユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて推測された前記ユーザーの第２属性と、に基づいて推測された前記ユーザーの属性を示す属性情報と、前記プリンターの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部と、
第１のユーザーの前記属性情報を取得する取得部と、
前記第１のユーザーの前記属性情報と、前記関係情報と、に基づいて、前記第１のユーザーが使用する前記プリンターの前記消耗品の予測消費量を算出する予測消費量算出部と、を備え、
前記第１のユーザーの個人情報に基づいて前記第１のユーザーの前記第１属性を判断し、前記第１のユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて、前記第１のユーザーの前記第２属性を推測し、前記第１属性および前記第２属性に基づいて前記第１のユーザーの属性を推測する第１属性推測部をさらに備え、
前記取得部は、前記第１属性推測部により推測された前記属性を示す前記属性情報を取得することを特徴とするデバイス管理システム。

【請求項2】

前記予測消費量に基づいて、前記第１のユーザーに配送する、前記消耗品の量又は前記消耗品を収容する収容体の個数を決定する配送決定部、をさらに備えることを特徴とする請求項１に記載のデバイス管理システム。

【請求項3】

前記消耗品には、複数の種類があり、
前記配送決定部は、前記消耗品の種類ごとの前記予測消費量に基づいて、前記第１のユーザーに配送する前記消耗品の種類を決定することを特徴とする請求項２に記載のデバイス管理システム。

【請求項4】

複数のユーザーについての、前記属性情報と、前記消耗品の消費実績である消費実績情報と、の組み合わせをデータセットとして機械学習した学習モデルを生成する学習モデル生成部をさらに備え、
前記記憶制御部は、生成された前記学習モデルを、前記関係情報として前記記憶部に記憶させ、
前記予測消費量算出部は、前記学習モデルに、前記第１のユーザーの前記属性情報を入力し、前記学習モデルからの出力として、前記予測消費量を得ることを特徴とする請求項１ないし３のいずれか１項に記載のデバイス管理システム。

【請求項5】

前記関係情報は、前記属性情報に基づいてクラスタリングされたセグメントごとに、前記予測消費量を示したものであり、
前記予測消費量算出部は、前記第１のユーザーの前記属性情報に対応する前記セグメントを特定し、特定した前記セグメントが示す前記予測消費量を得ることを特徴とする請求項４に記載のデバイス管理システム。

【請求項6】

前記複数のユーザーについて、それぞれのユーザーの前記個人情報に基づいてそれぞれのユーザーの前記第１属性を判断し、それぞれのユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて、それぞれのユーザーの前記第２属性を推測し、前記第１属性および前記第２属性に基づいてそれぞれのユーザーの前記属性を推測する第２属性推測部をさらに備え、
前記学習モデル生成部は、前記第２属性推測部により推測された前記属性を示す前記属性情報を用いて前記学習モデルを生成することを特徴とする請求項４または５に記載のデバイス管理システム。

【請求項7】

前記消耗品は、前記プリンターの印刷に用いられる着色剤であることを特徴とする請求項１ないし６のいずれか一項に記載のデバイス管理システム。

【請求項8】

画像データに基づいて印刷を行うプリンターを使用するユーザーの個人情報に基づいて判断された前記ユーザーの第１属性と、前記ユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて推測された前記ユーザーの第２属性と、に基づいて推測された前記ユーザーの属性を示す属性情報と、前記プリンターの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部と、
第１のユーザーの前記属性情報を取得する取得部と、
前記第１のユーザーの前記属性情報と、前記関係情報と、に基づいて、前記第１のユーザーが使用する前記プリンターの前記消耗品の予測消費量を算出する予測消費量算出部と、を備え、
前記第１のユーザーの個人情報に基づいて前記第１のユーザーの前記第１属性を判断し、前記第１のユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて、前記第１のユーザーの前記第２属性を推測し、前記第１属性および前記第２属性に基づいて前記第１のユーザーの属性を推測する第１属性推測部をさらに備え、
前記取得部は、前記第１属性推測部により推測された前記属性を示す前記属性情報を取得することを特徴とするサーバー。

【請求項9】

コンピューターが、
画像データに基づいて印刷を行うプリンターを使用するユーザーの個人情報に基づいて判断された前記ユーザーの第１属性と、前記ユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて推測された前記ユーザーの第２属性と、に基づいて推測された前記ユーザーの属性を示す属性情報と、前記プリンターの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させるステップと、
第１のユーザーの個人情報に基づいて前記第１のユーザーの前記第１属性を判断し、前記第１のユーザーが使用する前記プリンターで印刷の対象となった前記画像データの解析結果と、前記プリンターの使用状況と、の少なくとも一方に基づいて、前記第１のユーザーの前記第２属性を推測し、前記第１属性および前記第２属性に基づいて前記第１のユーザーの属性を推測するステップと、
推測された前記第１のユーザーの前記属性を示す前記属性情報を取得するステップと、
前記第１のユーザーの前記属性情報と、前記関係情報と、に基づいて、前記第１のユーザーが使用する前記プリンターの前記消耗品の予測消費量を算出するステップと、を実行することを特徴とするデバイス管理システムの制御方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、デバイス管理システム、サーバー、およびデバイス管理システムの制御方法に関するものである。

【背景技術】

【0002】

特許文献１には、以下の印刷消耗品管理システムが開示されている。印刷消耗品管理システムは、プリンターの第一消耗品の消費量に関する消耗品情報と第一閾値とを比較して、第一消耗品の交換の要否を決定し、第一消耗品の交換を決定した場合、プリンターの第二消耗品の消費量に関する消耗品情報と第二閾値とを比較して、第二消耗品の交換の要否を決定する。印刷消耗品管理システムは、第二消耗品の交換を決定した場合、第一消耗品と第二消耗品の配送を指示する。この印刷消耗品管理システムは、第一消耗品および第二消耗品の交換を決定した場合、第一消耗品と第二消耗品を同送するため、第一消耗品と第二消耗品を分けて配送する場合と比較して、消耗品の配送コストを削減できる効果がある。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１６－０４５５５０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１では、消耗品情報と閾値との比較だけで、消耗品の交換の要否を決定しており、消耗品の消費量予測を行っていないため、消耗品の配送コストの削減効果が不十分である。

【課題を解決するための手段】

【0005】

本発明のデバイス管理システムは、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部と、第１のユーザーの属性情報を取得する取得部と、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出する予測消費量算出部と、を備える。

【0006】

本発明のサーバーは、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部と、第１のユーザーの属性情報を取得する取得部と、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出する予測消費量算出部と、を備える。

【0007】

本発明のデバイス管理システムの制御方法は、コンピューターが、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させるステップと、第１のユーザーの属性情報を取得するステップと、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出するステップと、を実行する。

【図面の簡単な説明】

【0008】

【図1】デバイス管理システムのシステム構成図である。

【図2】ユーザー端末のハードウェア構成を示すブロック図である。

【図3】プリンターのハードウェア構成を示すブロック図である。

【図4】サーバーのハードウェア構成を示すブロック図である。

【図5】収集データの説明図である。

【図6】学習モデルの説明図である。

【図7】サーバーの機能構成を示すブロック図である。

【図8】ニューラルネットワークの基本的な構造例を示す図である。

【図9】学習モデル生成処理の流れを示すフローチャートである。

【図10】配送決定処理の流れ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、一実施形態に係るデバイス管理システム、サーバー、およびデバイス管理システムの制御方法について、添付図面を参照して説明する。図１はデバイス管理システムＳＹのシステム構成図である。デバイス管理システムＳＹは、１台以上のユーザー端末１と、１台以上のプリンター２と、サーバー３と、これらを接続するネットワークＮＷと、を備える。プリンター２は、「デバイス」の一例である。

【0010】

ネットワークＮＷとしては、例えばインターネット通信網を採用可能である。また、ユーザー端末１とプリンター２は、通信線５を介して接続される。通信線５としては、例えばケーブルを採用可能である。本実施形態では、通信線５として、ＵＳＢ規格のケーブルを例示する。なお、通信線５に代え、ＬＡＮ（Local Area Network）等のネットワークや無線通信を介して、ユーザー端末１とプリンター２を接続してもよい。

【0011】

デバイス管理システムＳＹは、プリンター２を使用するユーザーに対し、プリンター２の消耗品の配送サービスを行うシステムである。ユーザーは、ユーザー端末１を用いて、プリンター２に印刷指示を行う。また、サーバー３は、配送サービスを提供するサービス提供会社によって運用される。

【0012】

ユーザーは、配送サービスを受けるにあたり、サービス提供会社に契約者情報を提供する。契約者情報は、ユーザーの識別情報と、ユーザーが使用するユーザー端末１の識別情報と、ユーザーが使用するプリンター２の識別情報と、消耗品の配送先を示す配送先情報と、を含む。サーバー３は、この契約者情報を、収集データ５２（図４参照）の一部として記憶する。

【0013】

なお、ユーザーは、配送サービスのサービス利用料を、月単位や年単位など所定期間単位でサービス提供会社に支払う。また、配送サービスはサブスクリプション型のサービスとなっており、サービス利用料は、消耗品の配送量によって料金が変動するものではなく、固定料金である。したがって、ユーザーは、消耗品の消費量を気にすることなく、プリンター２を使用することができる。なお、ユーザーが支払うサービス利用料に、プリンター２のリース料やレンタル料が含まれてもよいし、含まれなくてもよい。

【0014】

ユーザー端末１は、プリンター２に対して印刷指示を行う際、プリンター２およびサーバー３に対し画像データを送信する。なお、画像データは、画像ファイル形式や印刷コマンド形式など、データ形式は問わない。また、プリンター２に送信される画像データと、サーバー３に送信される画像データは、異なるデータ形式であってもよい。サーバー３は、ユーザー端末１から送信された画像データを、収集データ５２（図４参照）の一部として記憶する。詳細については後述するが、サーバー３は、収集した画像データを、ユーザーの属性を推測するために用いる。なお、本実施形態では、ユーザー端末１として、スマートフォンを例示するが、ＰＣ（Personal Computer）やタブレット端末など、各種情報処理端末をユーザー端末１として用いてもよい。

【0015】

プリンター２は、ユーザー端末１から送信された画像データに基づいて、用紙等の印刷媒体に印刷を行う。本実施形態に係るプリンター２は、インクジェット方式により印刷を行う。つまり、プリンター２は、インクジェット方式により印刷を行うことで、印刷を行うための着色剤であるインクを消費する。また、本実施形態に係るプリンター２は、インクをインクタンクに貯留し、インクタンクから印刷ヘッドにインクを供給する。インクは、「消耗品」の一例である。サービス提供会社は、インクを収容したインクボトルを、ユーザーに配送する。インクボトルは、「収容体」の一例である。ユーザーは、インクタンクのインク残量が少なくなると、サービス提供会社から配送されたインクボトルから、適量のインクをインクタンクに注ぎ込む。なお、プリンター２は、色別に複数のインクタンクを備えており、インクボトルも、各インクタンクに対応して複数色が準備されている。なお、インクの色は、「消耗品の種類」の一例である。

【0016】

サーバー３は、プリンター２における色別のインク消費量を監視し、その監視結果に基づいて、契約者情報の一部として記憶されている配送先情報に基づく住所に、インクボトルの配送指示を行う。なお、上記のとおり、デバイス管理システムＳＹが実現する配送サービスは、ユーザーがインク消費量を気にすることなくプリンター２を使用できることが大きなメリットであるため、サーバー３は、プリンター２のインクを切らさないように、インクボトルの配送を行う必要がある。

【0017】

サーバー３は、プリンター２から、色別のインク消費量を示すインク消費情報を収集し、収集したインク消費情報を、収集データ５２（図４参照）の一部として記憶する。インク消費情報は、画像データの印刷時に印刷ヘッドから吐出されたインク吐出回数と、印刷ヘッドのクリーニングのために印刷ヘッドから吐出されたインク吐出回数とを示す情報を含む。また、印刷ヘッドのクリーニングとしてインク吸引が行われる場合、インク吸引量を示す情報をインク消費情報に含めてもよい。なお、インク消費情報は、プリンター２からサーバー３にプッシュ送信されてもよいし、プル送信されてもよい。

【0018】

サーバー３は、プリンター２から送信されたインク消費情報に基づいて、ユーザーの元にあるインク残量を算出する。また、サーバー３は、算出したインク残量が所定の閾値を下回った場合、インクボトルの配送を決定する。さらに、サーバー３は、インクボトルの配送を決定した場合、ユーザーの属性によって、現在から所定期間経過後までのインクの予測消費量を算出し、算出した予測消費量に応じて、インクボトルの配送個数を決定する。ユーザーの属性に応じた予測消費量の算出方法については、後に詳述する。

【0019】

次に、図２ないし図４を参照し、ユーザー端末１、プリンター２およびサーバー３のハードウェア構成について説明する。図２は、ユーザー端末１のハードウェア構成を示すブロック図である。ユーザー端末１は、例えばスマートフォンであり、端末ＣＰＵ（Central Processing Unit）１１と、端末ＲＯＭ（Read Only Memory）１２と、端末ＲＡＭ（Random Access Memory）１３と、端末操作部１４と、端末メモリー１５と、端末ネットワークインターフェース１６と、端末ＵＳＢインターフェース１７と、を備える。

【0020】

端末ＣＰＵ１１は、端末ＲＯＭ１２や端末メモリー１５に記憶されている各種プログラムを端末ＲＡＭ１３に展開することにより、ユーザー端末１内の各部を制御する。なお、端末ＣＰＵ１１に代わるプロセッサーとして、ＡＳＩＣ（Application Specific Integrated Circuit）等のハードウェア回路を用いてもよい。また、プロセッサーは、１以上のＣＰＵとＡＳＩＣ等のハードウェア回路が協働して動作する構成でもよい。

【0021】

端末操作部１４は、画像データの編集などユーザーが各種操作を行うものであり、例えばタッチパネルである。端末メモリー１５は、不揮発性の記憶媒体であり、印刷アプリケーション４１を記憶している。印刷アプリケーション４１は、プリンター２およびサーバー３と通信するためのアプリケーションであり、プリンター２を制御する印刷ドライバーの機能も有する。端末ＣＰＵ１１は、この印刷アプリケーション４１を実行することにより、プリンター２およびサーバー３に対して画像データを送信する。

【0022】

端末ネットワークインターフェース１６は、ネットワークＮＷを介してサーバー３と通信する。端末ＵＳＢインターフェース１７は、ＵＳＢケーブルである通信線５を介して、プリンター２と通信する。

【0023】

図３は、プリンター２のハードウェア構成を示すブロック図である。プリンター２は、プリンターＣＰＵ２１と、プリンターＲＯＭ２２と、プリンターＲＡＭ２３と、プリンターエンジン２４と、プリンターネットワークインターフェース２５と、プリンターＵＳＢインターフェース２６と、を備える。

【0024】

プリンターＣＰＵ２１は、プリンターＲＯＭ２２に記憶されているファームウェア等のプログラムをプリンターＲＡＭ２３に展開することにより、プリンター２内の各部を制御する。ファームウェアは、ユーザー端末１およびサーバー３と通信を行うための通信制御プログラムを含む。なお、プリンター２のプロセッサーは、ＣＰＵ以外にＡＳＩＣ等のハードウェア回路を用いてもよいし、ＣＰＵとハードウェア回路が協働して動作する構成でもよい。

【0025】

プリンターエンジン２４は、印刷媒体に印刷を行う印刷機構である。プリンターエンジン２４には、インクジェット方式の印刷ヘッド、ヘッド駆動機構、印刷媒体搬送機構などが含まれる。

【0026】

プリンターネットワークインターフェース２５は、ネットワークＮＷを介してサーバー３と通信する。プリンターＵＳＢインターフェース２６は、ＵＳＢケーブルである通信線５を介して、ユーザー端末１と通信する。

【0027】

図４は、サーバー３のハードウェア構成を示すブロック図である。サーバー３は、サーバーＣＰＵ３１と、サーバーＲＯＭ３２と、サーバーＲＡＭ３３と、サーバーＨＤＤ（Hard Disk Drive）３４と、サーバーネットワークインターフェース３５と、を備える。サーバーＣＰＵ３１は、「コンピューター」の一例である。

【0028】

サーバーＣＰＵ３１は、サーバーＲＯＭ３２やサーバーＨＤＤ３４に記憶されている各種プログラムをサーバーＲＡＭ３３に展開することにより、サーバー３内の各部を制御する。なお、サーバー３のプロセッサーは、ＣＰＵ以外にＡＳＩＣ等のハードウェア回路を用いてもよいし、ＣＰＵとハードウェア回路が協働して動作する構成でもよい。

【0029】

サーバーＨＤＤ３４は、不揮発性の補助記憶媒体であり、管理アプリケーション５１と、収集データ５２と、学習モデル５３と、を記憶する。サーバーＨＤＤ３４は、「記憶部」の一例である。また、学習モデル５３は、「関係情報」の一例である。管理アプリケーション５１は、図７にて後述する各機能をサーバーＣＰＵ３１が実現するためのアプリケーションである。また、管理アプリケーション５１は、プリンター２の遠隔監視を行う遠隔監視プログラムを含む。サーバーＣＰＵ３１は、この遠隔監視プログラムを実行することにより、プリンター２からインク消費情報をはじめ、エラー情報や印刷ログなど各種情報を取得する。

【0030】

収集データ５２は、収集した情報をユーザー別に記憶したものである。図５は、収集データ５２の説明図である。同図に示すように、収集データ５２は、契約者情報と、画像データと、インク消費情報と、を含む。契約者情報は、ユーザーがサービス提供会社と契約した際に提供する情報である。契約者情報は、上記のとおり、ユーザーの識別情報、ユーザー端末１の識別情報、プリンター２の識別情報および配送先情報の他、ユーザーの個人情報を含む。個人情報とは、例えば職業、年齢、住所、趣味および家族構成などを示す情報である。

【0031】

画像データは、ユーザー端末１から取得する。上記のとおり、ユーザー端末１は、プリンター２に画像データを送信する際、サーバー３にも画像データを送信する。つまり、収集データ５２として記憶される画像データは、プリンター２で印刷が行われた画像データである。画像データは、ユーザーとの契約時以降に印刷されたものを全てサーバーＨＤＤ３４に記憶しておいてもよいが、記憶容量に限界があるため、過去所定期間分のみ記憶しておくことが好ましい。

【0032】

なお、ユーザー端末１は、画像データをサーバー３に送信する際、自端末の識別情報と、印刷先となるプリンター２の識別情報と、を付加して送信する。サーバー３は、ユーザー端末１の識別情報とプリンター２の識別情報との組み合わせを示す契約者情報がサーバーＨＤＤ３４に記憶されている場合、送信された画像データを、その契約者情報が示すユーザーの収集データ５２として記憶する。言い換えれば、ユーザー端末１から契約外のプリンターに対して送信された画像データは、収集データ５２として収集されない。

【0033】

インク消費情報は、プリンター２から取得する。上記のとおり、インク消費情報は、色別のインク消費量を示す情報である。サーバー３は、このインク消費情報に基づいて、ユーザーの元にあるインク残量を算出すると共に、インクの消費実績を示す消費実績情報を生成する。消費実績情報とは、例えば月別且つ色別のインク消費実績を示す情報であり、後述する学習モデル５３の生成に用いられる。インク消費情報は、ユーザーとの契約時以降に印刷およびクリーニングされたものを全てサーバーＨＤＤ３４に記憶しておいてもよいが、記憶容量に限界があるため、過去所定期間分のみ記憶しておくことが好ましい。なお、画像データを記憶する所定期間と、インク消費情報を記憶する所定期間は、同じ期間でもよいし、異なる期間でもよい。

【0034】

一方、学習モデル５３は、ユーザーの属性を考慮して、ユーザーが使用するプリンター２のインクの予測消費量を算出するための統計モデルである。より具体的には、学習モデル５３は、複数のユーザーについて、ユーザーの属性を示す属性情報と、消費実績情報と、の組み合わせをデータセットとして機械学習したものである。なお、「ユーザーが使用するプリンター２」とは、契約情報によって、ユーザーの識別情報と紐づけされている識別情報のプリンター２を指す。

【0035】

図６は、学習モデル５３の説明図である。同図に示すように、学習モデル５３は、属性情報に基づいてクラスタリングされたセグメントＳごとに、インクの予測消費量を示したものである。同図の例では、２種類の属性パラメーターに基づいてクラスタリングされた４つのセグメントＳを示している。

【0036】

また、同図の例において、サーバー３は、画像データの解析結果に基づいて、文書を多めに印刷するか、写真を多めに印刷するかの属性パラメーターを推測している。以下、この属性パラメーターを、「属性パラメーターＸ」と称する。なお、「文書を多めに印刷する」とは、全体の印刷に対して文書を印刷する割合が所定値よりも大きいことを指す。同様に、「写真を多めに印刷する」とは、全体の印刷に対して写真を印刷する割合が所定値よりも大きいことを指す。また、サーバー３は、契約者情報に含まれるユーザーの個人情報に基づいて、自営業であるか、会社員であるかの属性パラメーターを判断している。以下、この属性パラメーターを、「属性パラメーターＹ」と称する。サーバー３は、このように推測および判断した複数の属性パラメーターに基づいて、最終的に、ユーザーの属性を推測する。言い換えれば、「属性パラメーター」の組み合わせが「属性」である。つまり、同図の例では、サーバー３は、自営業・文書多めという第１属性、自営業・写真多めという第２属性、会社員・文書多めという第３属性、会社員・写真多めという第４属性のいずれであるかを推測する。この推測結果が「属性情報」である。また、同図に示す学習モデル５３は、属性情報に基づいて、第１属性に対応する第１セグメントＳ１、第２属性に対応する第２セグメントＳ２、第３属性に対応する第３セグメントＳ３、第４属性に対応する第４セグメントＳ４、の４つのセグメントＳにクラスタリングされている。

【0037】

各セグメントＳは、月別の予測消費量である月別予測消費量６０を示している。なお、同図の例では、色別の月別予測消費量６０の図示を省略しているが、サーバー３は、月別且つ色別にインクの予測消費量を算出する。このように、各セグメントＳは、その属性のユーザーが、月別且つ色別に、どのようなインクの消費傾向があるかを示している。例えば、同図の例において、第１セグメントＳ１に対応する第１属性のユーザーは、２月から３月にかけて、インクの消費量が多くなる傾向があることを示している。

【0038】

このように学習モデル５３は、複数のユーザーについて、それぞれのユーザーのー属性を示す属性情報と、それぞれのユーザーが使用するプリンター２の消費実績情報と、を組み合わせて機械学習したことにより得られたものである。サーバー３は、この学習モデル５３を用いることにより、任意のユーザーの属性に応じて、任意のユーザーが使用するプリンター２の将来的なインク消費量を予測することが可能となっている。

【0039】

次に、図７を参照し、サーバー３の機能構成について説明する。サーバー３は、主な機能構成として、第１属性推測部１１０と、取得部１２０と、第２属性推測部１３０と、学習モデル生成部１４０と、記憶制御部１５０と、予測消費量算出部１６０と、配送決定部１７０と、を備える。これらは、サーバーＣＰＵ３１が、管理アプリケーション５１を実行することにより実現される機能である。

【0040】

なお、以下の説明では、予測消費量算出部１６０による予測消費量の算出対象となるプリンター２が、「プリンターＡ」で、プリンターＡのユーザーが「ユーザーＡ」であるものとする。また、ユーザーＡの識別情報と、プリンターＡの識別情報と、ユーザーＡの個人情報と、を含む契約者情報と、過去所定期間分の画像データと、過去所定期間分のインク消費情報と、が収集データ５２としてサーバーＨＤＤ３４に記憶されているものとする。なお、ユーザーＡは、「第１のユーザー」の一例である。また、図６に示した学習モデル５３がサーバーＨＤＤ３４に記憶されているものとする。

【0041】

第１属性推測部１１０は、プリンターＡで印刷の対象となった画像データの解析結果に基づいて、ユーザーＡの属性を推測する。画像データの解析結果に基づいて推測されるユーザーＡの属性は、図６に示した「属性パラメーターＸ」である。第１属性推測部１１０は、サーバーＨＤＤ３４に記憶されている、プリンターＡから取得した過去所定期間分の画像データを画像解析し、印刷物の種類や印刷内容を判断する。印刷物の種類は、例えば文書、写真、その他に分類され、そのいずれであるかが判断される。また、例えば印刷物の種類が写真の場合、印刷内容として、人物の有無、人物の性別、人物の年齢層および撮影場所などが判断される。また、例えば印刷物の種類が文書の場合、印刷内容として、帳票系、原稿系、その他のいずれに該当するかなどが判断される。第１属性推測部１１０は、画像データの画像解析結果に基づいて印刷物の種類や印刷内容を判断すると、その判断結果に基づいて、ユーザーＡの「属性パラメーターＸ」を推測する。

【0042】

一方、第１属性推測部１１０は、サーバーＨＤＤ３４に記憶されているユーザーＡの個人情報に基づいて、ユーザーＡの属性を判断する。個人情報に基づいて判断されるユーザーＡの属性は、図６に示した「属性パラメーターＹ」である。第１属性推測部１１０は、個人情報に含まれるユーザーの職業、年齢、趣味および家族構成に基づいて、ユーザーＡの「属性パラメーターＹ」を判断する。

【0043】

また、第１属性推測部１１０は、画像データの解析結果から推測した「属性パラメーターＸ」と、個人情報から判断した「属性パラメーターＹ」と、に基づいて、４つのセグメントＳに対応する４つの属性のうち、ユーザーＡがどの属性に該当するかを推測する。なお、本実施形態において、第１属性推測部１１０は、２種類の属性パラメーターに基づいてユーザーＡの属性を推測しているが、１種類または３種類以上の属性パラメーターに基づいてユーザーＡの属性を推測してもよい。

【0044】

取得部１２０は、第１属性推測部１１０により推測された属性を示す属性情報を取得する。

【0045】

第２属性推測部１３０は、第１属性推測部１１０と同様に、ユーザーＡを含む複数のユーザーについて、それぞれのユーザーの属性を推測する。つまり、第２属性推測部１３０は、複数のユーザーがそれぞれ使用するプリンター２で印刷の対象となった画像データの解析結果に基づいて、それぞれのユーザーの「属性パラメーターＸ」を推測する。

【0046】

また、第２属性推測部１３０は、サーバーＨＤＤ３４に記憶されている複数のユーザーの個人情報に基づいて、それぞれのユーザーの「属性パラメーターＹ」を判断する。そして、第２属性推測部１３０は、画像データの解析結果から推測した「属性パラメーターＸ」と、個人情報から判断した「属性パラメーターＹ」と、に基づいて、それぞれのユーザーの属性を推測する。

【0047】

学習モデル生成部１４０は、複数のユーザーについて、属性情報と、各ユーザーが使用するプリンター２の消費実績である消費実績情報と、の組み合わせをデータセットとして機械学習することにより、学習モデル５３を生成する。ここで、学習モデル５３の生成に用いられる属性情報は、第２属性推測部１３０により推測された属性を示す情報である。

【0048】

ここで、機械学習の具体例として、ニューラルネットワークを用いた機械学習について説明する。図８は、ニューラルネットワークの基本的な構造例を示す図である。ニューラルネットワークは、脳機能を計算機上でシミュレーションする数学モデルである。図８の１つの円をノード又はニューロンと呼ぶ。図８の例では、ニューラルネットワークは、入力層と、２つの中間層と、出力層を有する。入力層がＩであり、中間層がＨ１及びＨ２であり、出力層がＯである。また図８の例においては、入力層のニューロン数が３、２つの中間層のニューロン数がそれぞれ４、出力層のニューロン数が１である。ただし、中間層の層数や、各層に含まれるニューロンの数は種々の変形実施が可能である。入力層に含まれるニューロンは、それぞれ第１中間層であるＨ１のニューロンと結合される。第１中間層に含まれるニューロンはそれぞれ第２中間層であるＨ２のニューロンと結合され、第２中間層に含まれるニューロンはそれぞれ出力層のニューロンと結合される。なお中間層は隠れ層と言い換えてもよい。

【0049】

入力層は、それぞれ入力値を出力するニューロンである。図８の例では、ニューラルネットワークはｘ１，ｘ２，ｘ３を入力として受け付け、入力層の各ニューロンは、それぞれｘ１，ｘ２，ｘ３を出力する。なお、入力値に対して何らかの前処理を行い、入力層の各ニューロンは、前処理後の値を出力してもよい。

【0050】

中間層以降の各ニューロンでは、脳の中で電気信号として情報が伝達される様子を模した演算が行われる。脳では、シナプスの結合強度に応じて情報の伝わりやすさが変わるため、ニューラルネットワークでは当該結合強度を重みＷで表現する。図８のＷ１は、入力層と第１中間層の間の重みである。Ｗ１は入力層に含まれる所与のニューロンと、第１中間層に含まれる所与のニューロンとの間の重みの集合を表す。入力層のｐ番目のニューロン数と、第１中間層のｑ番目のニューロンの間の重みをｗ^１ _ｐｑと表現した場合、図８のＷ１は、ｗ^１ _１１～ｗ^１ _３４の１２個の重みを含む情報である。より広義には、重みＷ１は、入力層のニューロン数と第１中間層のニューロン数の積だけの個数の重みからなる情報である。

【0051】

第１中間層のうち、１番目のニューロンでは、下式（１）に示した演算が行われる。１つのニューロンでは、当該ニューロンに接続される１つ前の層の各ニューロンの出力を積和し、さらにバイアスを加算する演算を行う。下式（１）におけるバイアスはｂ１である。

【数1】

【0052】

また、上式（１）に示したように、１つのニューロンでの演算では、非線形関数である活性化関数ｆが用いられる。活性化関数ｆは、例えば下式（２）に示すＲｅＬＵ関数が用いられる。ＲｅＬＵ関数は、変数が０以下であれば０であり、０より大きければ変数自体の値となる関数である。ただし、活性化関数ｆは種々の関数を利用可能であることが知られており、シグモイド関数を用いてもよいし、ＲｅＬＵ関数を改良した関数を用いてもよい。上式（１）では、ｈ１についての演算式を例示したが、１つめの中間層の他のニューロンでも同様の演算を行えばよい。

【数2】

【0053】

また、これ以降の層についても同様である。例えば、第１中間層と第２中間層の間の重みをＷ２とした場合、第２中間層のニューロンでは、第１中間層の出力と重みＷ２を用いた積和演算を行い、バイアスを加算し、活性化関数を適用する演算を行う。出力層のニューロンでは、その１つ前の層の出力を重み付け加算し、バイアスを加算する演算を行う。図８の例であれば、出力層の１つ前の層とは、第２中間層である。ニューラルネットワークは、出力層での演算結果を、当該ニューラルネットワークの出力とする。

【0054】

以上の説明からわかるように、入力から所望の出力を得るためには、適切な重みとバイアスを設定する必要がある。なお、以下では重みを重み付け係数とも表記する。また重み付け係数にはバイアスが含まれてもよいものとする。学習では、所与の入力ｘと、当該入力での正しい出力とを対応付けたデータセットを用意しておく。正しい出力は正解ラベルである。ニューラルネットワークの学習処理とは、当該データセットに基づいて、最も確からしい重み付け係数を求める処理と考えることが可能である。なお、ニューラルネットワークの学習処理では、誤差逆伝播法（Backpropagation）等の学習手法が種々知られている。本実施形態においては、それらの学習手法を広く適用可能であるため、詳細な説明は省略する。

【0055】

また、ニューラルネットワークは、図８に示した構成には限定されない。例えば本実施形態の学習処理、及び推論処理において、広く知られている畳み込みニューラルネットワーク（ＣＮＮ：Convolutional neural network）が用いられてもよい。ＣＮＮは、畳み込み層及びプーリング層を有する。畳み込み層は、畳み込み演算を行う。ここでの畳み込み演算とは、具体的にはフィルター処理である。プーリング層は、データの縦横のサイズを縮小する処理を行う。ＣＮＮは、例えば画像情報が入力される場合において、所与の画素と、その周辺の画素との関係を考慮した処理が可能である。ＣＮＮにおいては、誤差逆伝播法等を用いた学習処理を行うことによって、畳み込み演算に用いられるフィルターの特性が学習される。即ち、ニューラルネットワークにおける重み付け係数には、ＣＮＮにおけるフィルター特性が含まれる。

【0056】

なお、以上では学習済モデルがニューラルネットワークを用いたモデルである例について説明した。しかし本実施形態における機械学習はニューラルネットワークを用いる手法に限定されない。例えば本実施形態の手法には、ＳＶＭ（support vector machine）等、広く知られた種々の方式の機械学習、或いはそれらの方式を発展させた方式の機械学習を適用することが可能である。

【0057】

記憶制御部１５０は、学習モデル生成部１４０により生成された学習モデル５３を、サーバーＨＤＤ３４に記憶させる。

【0058】

予測消費量算出部１６０は、取得部１２０により取得したユーザーＡの属性情報と、サーバーＨＤＤ３４に記憶されている学習モデル５３と、に基づいて、ユーザーＡが使用するプリンターＡのインクの予測消費量を算出する。つまり、予測消費量算出部１６０は、学習モデル５３に、ユーザーＡの属性情報を入力し、学習モデル５３からの出力として予測消費量を得る。また、予測消費量算出部１６０は、インクの種類ごと、すなわち色別に、インクの予測消費量を算出する。

【0059】

配送決定部１７０は、予測消費量算出部１６０により算出された予測消費量に基づいて、ユーザーＡに配送するインクボトルの個数および色を決定する。本実施形態において、配送決定部１７０は、予測消費量算出部１６０により算出された予測消費量に基づいて、現在から所定期間経過後までにインク残量がなくなると推測される色について、所定期間分の予測消費量に対応した個数のインクボトルの配送を決定する。なお、配送決定部１７０は、インクの量として、例えば「インクを１００ml配送する」など、インクの体積を決定してもよい。

【0060】

次に、図９のフローチャートを参照し、サーバー３による学習モデル生成処理の流れを説明する。サーバー３は、定期的に、または収集データ５２が更新されたときなど所定のトリガーが発生したときに、学習モデル生成処理を行う。

【0061】

Ｓ０１において、第２属性推測部１３０は、サーバーＨＤＤ３４に記憶されている収集データ５２内の契約者情報および画像データに基づいて、各ユーザーの属性を推測する。

【0062】

Ｓ０２において、学習モデル生成部１４０は、Ｓ０１で推測した各ユーザーの属性を示す各ユーザーの属性情報と、各ユーザーが使用するプリンター２の消費実績を示す消費実績情報と、をユーザーごとに組み合わせてデータセットを生成する。

【0063】

Ｓ０３において、学習モデル生成部１４０は、Ｓ０２で生成したデータセットを用いて機械学習し、学習モデル５３を生成する。サーバー３は、生成した学習モデル５３をサーバーＨＤＤ３４に記憶する。また、既に、サーバーＨＤＤ３４に学習モデル５３が記憶されている場合、サーバー３は、生成した学習モデル５３を用いて、学習モデル５３を更新する。

【0064】

次に、図１０のフローチャートを参照し、サーバー３による配送決定処理の流れを説明する。サーバー３は、定期的に配送決定処理を行う。なお、学習モデル生成処理を定期的に行う場合、学習モデル生成処理の周期と、配送決定処理の周期は、同じ期間でもよいし異なる期間でもよい。

【0065】

Ｓ１１において、第１属性推測部１１０は、サーバーＨＤＤ３４に記憶されているユーザーＡの収集データ５２内の契約者情報および画像データに基づいて、ユーザーＡの属性を推測する。

【0066】

Ｓ１２において、配送決定部１７０は、ユーザーＡの収集データ５２内のインク消費情報、すなわちプリンターＡのインク消費情報に基づいて、ユーザーＡの元にあるインク残量を算出する。例えば配送決定処理が１カ月ごとに行われる場合、サーバー３は、１か月前に算出したインク残量から、インク消費情報から得られるインク消費量を差し引くことにより、インク残量を算出する。このため、サーバー３は、Ｓ１２において算出したインク残量を、インク消費情報の一部として記憶しておく。なお、Ｓ１２におけるインク残量の算出や、後述する予測消費量の算出は、プリンターＡで使用される全ての色について行われるものとする。

【0067】

Ｓ１３において、配送決定部１７０は、Ｓ１２で算出したインク残量と、判定スレッシュホールドを比較し、インク配送の要否を判断する。判定スレッシュは、予め定められているインク量の閾値である。例えば、判定スレッシュが３０mlの場合、サーバー３は、インク残量が３０mlを下回ると、インク配送が必要と判断する。

【0068】

Ｓ１４において、配送決定部１７０は、Ｓ１３でインク配送が必要と判断した場合、Ｓ１５に進む。また、サーバー３は、Ｓ１３でインク配送が不要と判断した場合、配送決定処理を終了する。なお、Ｓ１４では、プリンターＡで使用される複数色のうち、インク配送が必要と判断した色が１色でもある場合、インク配送が必要と判断する。

【0069】

Ｓ１５において、予測消費量算出部１６０は、学習モデル５３を参照し、Ｓ１１で推測したユーザーＡの属性に基づいて、３か月後までの予測消費量を算出する。つまり、サーバー３は、学習モデル５３において、ユーザーＡの属性に対応するセグメントＳを参照し、現在の日付から３か月後までの予測消費量を算出する。

【0070】

Ｓ１６において、配送決定部１７０は、３か月以内にインク残量がなくなるインクの配送を決定する。ここでは、サーバー３は、配送するインクボトルの色と個数を決定する。例えば、プリンターＡで使用される色にブラックが含まれ、ブラックのインクボトル１本あたりのインク収容量が１００ml、３カ月後までの予測消費量が２５０mlの場合、サーバー３は、少なくとも３か月間はブラックのインク残量が判定スレッシュを下回らないように、ブラックのインクボトルを３本配送することを決定する。また、Ｓ１６において、サーバー３は、３か月以内にインク残量がなくなるインクが複数色あると判断した場合、色別に配送個数を決定し、各色決定した個数のインクボトルをまとめて配送することを決定する。

【0071】

以上説明したとおり、本実施形態に係るデバイス管理システムＳＹは、ユーザーＡの属性情報と、学習モデル５３と、に基づいて、ユーザーＡが使用するプリンターＡのインクの予測消費量を算出することができる。これにより、サービス提供会社は、配送するインクボトルの個数を適切に決定することができる。つまり、インク消費情報と閾値との比較だけで、インク配送を行うと、インク消費量が多い時期には、頻繁にインク配送を行う必要があるが、ユーザーの属性に応じたインクの予測消費量を考慮してインク配送を行うことにより、インク配送回数を減らすことができ、ひいては配送コストを削減できる。また、サービス提供会社は、このように配送コストを削減できることで、ユーザーに対し、配送サービスをより安価に提供することができる。

【0072】

また、デバイス管理システムＳＹは、複数のユーザーについて、属性情報と、消費実績情報と、の組み合わせをデータセットとして機械学習した学習モデル５３を生成するため、学習モデル５３に、ユーザーＡの属性情報を入力するだけで、プリンターＡのインクの予測消費量を得ることができる。また、デバイス管理システムＳＹは、定期的または所定のトリガーが発生したときに学習モデル生成処理を行い、その都度各ユーザーの属性の推測と、学習モデル５３の更新とを行うため、信頼性の高い予測消費量を得ることができる。

【0073】

また、デバイス管理システムＳＹは、プリンター２で印刷の対象となった画像データの解析結果に基づいて、ユーザーの属性を推測するため、ユーザーの契約情報のみでユーザーの属性を推測する場合と比べて、より適切にユーザーの属性を推測することができる。

【0074】

なお、上記の実施形態によらず、以下の変形例を採用可能である。また、各変形例は、適宜組み合わせ可能である。
［変形例１］
第１属性推測部１１０は、画像データの解析結果に代えて、または画像データの解析結果に加えて、プリンター２の使用状況に基づいて、ユーザーＡの属性を推測してもよい。同様に、第２属性推測部１３０は、画像データの解析結果に代えて、または画像データの解析結果に加えて、複数のユーザーが使用するそれぞれのプリンター２の使用状況に基づいて、それぞれのユーザーの属性を推測してもよい。この場合、サーバー３は、プリンター２の使用状況を特定するための使用状況情報を、プリンター２から取得し、取得した使用状況情報を収集データ５２の一部として記憶する。そして、サーバー３は、使用状況情報に基づいて、ユーザーの属性を推測する。使用状況情報としては、印刷日時や印刷枚数を示す情報を取得することが考えられる。また、使用状況情報の一部として、上記のインク消費情報を取得してもよい。この場合、サーバー３は、プリンター２の使用状況として、例えば月末に印刷ショット数が多い、年度末にモノクロ印刷が多い、春ごろに印刷枚数が多い、など、時期や季節と印刷量との組み合わせを、ユーザーの属性として推測可能である。

【0075】

［変形例２］
第１属性推測部１１０による属性推測方法と、第２属性推測部１３０による属性推測方法とは異なる方法でもよい。また、第２属性推測部１３０および学習モデル生成部１４０を省略してもよい。この場合、記憶制御部１５０は、プリンター２を使用するユーザーの属性を示す属性情報と、インクの消費量を示す消費量情報と、の関係を示す情報であって、機械学習しない関係情報を、学習モデル５３に代えてサーバーＨＤＤ３４に記憶させておけばよい。また、第１属性推測部１１０および第２属性推測部１３０の少なくとも一方を省略してもよい。この場合、契約者情報の一部として、ユーザーの属性情報をサーバーＨＤＤ３４に記憶しておけばよい。

【0076】

［変形例３］
予測消費量算出部１６０は、予測消費量を算出する季節や、予測消費量を算出する時期のイベントなど、時期情報に基づいて予測消費量を算出してもよい。例えば、属性情報が「子供がいるユーザー」を示す場合、運動会シーズン後には写真の印刷量が増えると予測されるため、予測消費量算出部１６０は、９月から１１月の予測消費量を割り増しして算出する、などの算出方法が考えられる。この場合、記憶制御部１５０は、属性情報と、月別の予測消費量を示す消費量情報と、の関係を示す関係情報をサーバーＨＤＤ３４に記憶しておけばよい。

【0077】

［変形例４］
予測消費量算出部１６０は、配送決定処理（図１０参照）において、インク配送が必要と判断した後に予測消費量を算出するのではなく、ユーザーＡの元にあるインク残量と、現在から所定期間経過後までの予測消費量と、に基づいて、インク配送の要否と、インク配送の量および種類とを同時に決定してもよい。

【0078】

［変形例５］
プリンター２が、自装置内のインク残量を検出可能な場合、サーバー３は、プリンター２が検出したインク残量を示す情報を取得し、取得した情報に基づいてインク残量を判断してもよい。

【0079】

［変形例６］
サーバー３は、インク消費量を、プリンター２から取得したインク消費情報から判断するのではなく、ユーザー端末１から取得した画像データの解析結果に基づいて判断してもよい。この場合、サーバー３は、ユーザー端末１から画像データだけでなく、モノクロ印刷またはカラー印刷を示すカラー情報や、用紙サイズを示す用紙サイズ情報などを含む印刷指示情報を取得し、画像データおよび印刷指示情報に基づいて、インク消費量を判断することが好ましい。

【0080】

［変形例７］
サーバー３は、ユーザー端末１から画像データを取得するのではなく、プリンター２から取得してもよい。この場合、プリンター２は、ユーザー端末１から画像データを取得したとき、または取得した画像データに基づく印刷を終了したとき、取得した画像データをサーバー３に送信すればよい。また、この場合、契約者情報に、ユーザー端末１の識別情報を含める必要はない。

【0081】

［変形例８］
第２属性推測部１３０を省略し、予測消費量算出部１６０は、ユーザーＡの過去のインク消費情報のみに基づいて、プリンターＡのインクの予測消費量を算出してもよい。この場合、ユーザーの属性を示す属性情報は、ユーザーを特定する情報、例えばユーザーの識別情報を含む概念である。また、学習モデル生成部１４０は、ユーザーの識別情報ごとに、ユーザーの月別および色別のインク消費傾向を、消費実績情報として機械学習すればよい。

【0082】

［変形例９］
デバイス管理システムＳＹは、インクボトルに代えて、プリンター２に着脱可能なインクカートリッジを配送するようにしてもよい。インクカートリッジは、「収容体」の一例である。この場合、ユーザーは、インク残量が少なくなったとき、インクカートリッジの交換を行う。また、この場合、サーバー３は、インクカートリッジの交換を示す情報をプリンター２から取得して、ユーザーの元にあるインクカートリッジの在庫を判断してもよい。また、プリンター２が電子写真方式の場合、デバイス管理システムＳＹは、インクに代えてトナーカートリッジを配送するようにしてもよい。その他、プリンター２の印刷方式や使用用途に応じて、インクやトナー以外の着色剤を配送するようにしてもよい。

【0083】

［変形例１０］
配送決定部１７０は、プリンター２の消耗品として、インクに代えて印刷媒体の配送を決定してもよい。この場合、サーバー３は、消費実績情報として、印刷媒体の消費量、すなわち使用枚数を示す情報を取得する。また、印刷媒体の種類としては、用紙サイズ、用紙種類などが考えられる。

【0084】

［変形例１１］
プリンター２以外に、消耗品を消費する電子機器をデバイスとして用いてもよい。消耗品を消費する電子機器としては、印刷媒体および着色剤を消費するコピー機や、プリンター機能、コピー機能、ＦＡＸ機能およびスキャナー機能を有する複合機、などが考えられる。

【0085】

［変形例１２］
以上、実施形態および各変形例を示したが、実施形態と各変形例を組み合わせた構成としてもよい。また、実施形態および各変形例に示したユーザー端末１、プリンター２またはサーバー３の各処理を実行する方法、各処理を実行するためのプログラム、またそのプログラムを記録したコンピューター読み取り可能な記録媒体も、発明の権利範囲に含まれる。その他、発明の要旨を逸脱しない範囲で、適宜変更が可能である。

【0086】

［付記］
以下、デバイス管理システム、サーバー、およびデバイス管理システムの制御方法について付記する。
デバイス管理システムＳＹは、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部１５０と、第１のユーザーの属性情報を取得する取得部１２０と、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出する予測消費量算出部１６０と、を備える。

【0087】

サーバー３は、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させる記憶制御部１５０と、第１のユーザーの属性情報を取得する取得部１２０と、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出する予測消費量算出部１６０と、を備える。

【0088】

デバイス管理システムＳＹの制御方法は、コンピューターが、デバイスのユーザーの属性を示す属性情報と、デバイスの消耗品の消費量を示す消費量情報と、の関係を示す関係情報を記憶部に記憶させるステップと、第１のユーザーの属性情報を取得するステップと、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出するステップと、を実行する。

【0089】

この構成によれば、デバイス管理システムＳＹは、第１のユーザーの属性情報と、関係情報と、に基づいて、第１のユーザーが使用するデバイスの消耗品の予測消費量を算出することができる。これにより、デバイス管理システムＳＹは、消耗品の予測消費量に基づいて、消耗品の配送を行うことができ、ひいては配送コストの削減効果が期待できる。

【0090】

上記のデバイス管理システムＳＹにおいて、予測消費量に基づいて、第１のユーザーに配送する、消耗品の量又は消耗品を収容する収容体の個数を決定する配送決定部１７０、をさらに備えることが好ましい。

【0091】

この構成によれば、デバイス管理システムＳＹは、消耗品の予測消費量に基づいて、第１のユーザーに配送する、消耗品の量又は消耗品を収容する収容体の個数を決定することができる。

【0092】

上記のデバイス管理システムＳＹにおいて、消耗品には、複数の種類があり、配送決定部１７０は、消耗品の種類ごとの予測消費量に基づいて、第１のユーザーに配送する消耗品の種類を決定することが好ましい。

【0093】

この構成によれば、デバイス管理システムＳＹは、消耗品の予測消費量に基づいて、第１のユーザーに配送する消耗品の種類を決定することができる。

【0094】

上記のデバイス管理システムＳＹにおいて、複数のユーザーについての、属性情報と、消耗品の消費実績である消費実績情報と、の組み合わせをデータセットとして機械学習した学習モデル５３を生成する学習モデル生成部１４０をさらに備え、記憶制御部１５０は、生成された学習モデル５３を、関係情報として記憶部に記憶させ、予測消費量算出部１６０は、学習モデル５３に、第１のユーザーの属性情報を入力し、学習モデル５３からの出力として、予測消費量を得ることが好ましい。

【0095】

この構成によれば、デバイス管理システムＳＹは、学習モデル５３を生成し、生成した学習モデル５３に、第１のユーザーの属性情報を入力することで、学習モデル５３からの出力として、第１のユーザーが使用するデバイスの消耗品の予測消費量を得ることができる。

【0096】

上記のデバイス管理システムＳＹにおいて、学習モデル５３は、属性情報に基づいてクラスタリングされたセグメントＳごとに、予測消費量を示したものであり、予測消費量算出部１６０は、第１のユーザーの属性情報に対応するセグメントＳを特定し、特定したセグメントＳが示す予測消費量を得ることが好ましい。

【0097】

この構成によれば、デバイス管理システムＳＹは、学習モデル５３の、第１のユーザーの属性情報に対応するセグメントＳを特定することにより、第１のユーザーが使用するデバイスの消耗品の予測消費量を得ることができる。

【0098】

上記のデバイス管理システムＳＹにおいて、デバイスは、画像データに基づいて印刷を行うことにより、消耗品を消費するプリンター２であり、第１のユーザーが使用するプリンター２で印刷の対象となった画像データの解析結果と、プリンター２の使用状況と、の少なくとも一方に基づいて、第１のユーザーの属性を推測する第１属性推測部１１０をさらに備え、取得部１２０は、第１属性推測部１１０により推測された属性を示す属性情報を取得することが好ましい。

【0099】

この構成によれば、デバイス管理システムＳＹは、プリンター２で印刷の対象となった画像データの解析結果と、プリンター２の使用状況と、の少なくとも一方に基づいて、第１のユーザーの属性を推測することができる。
上記のデバイス管理システムＳＹにおいて、複数のユーザーについて、それぞれのユーザーが使用するプリンター２で印刷の対象となった画像データの解析結果と、プリンター２の使用状況と、の少なくとも一方に基づいて、それぞれのユーザーの属性を推測する第２属性推測部１３０をさらに備え、学習モデル生成部１４０は、第２属性推測部１３０により推測された属性を示す属性情報を用いて学習モデル５３を生成することが好ましい。

【0100】

この構成によれば、デバイス管理システムＳＹは、複数のユーザーについて、それぞれのユーザーが使用するプリンター２で印刷の対象となった画像データの解析結果と、プリンター２の使用状況と、の少なくとも一方に基づいて、それぞれのユーザーの属性を推測し、これを学習モデル５３の生成に利用することができる。

【0101】

上記のデバイス管理システムＳＹにおいて、消耗品は、プリンター２の印刷に用いられる着色剤であることが好ましい。

【0102】

この構成によれば、デバイス管理システムＳＹは、プリンター２の印刷に用いられる着色剤の予測消費量を算出することができる。

【符号の説明】

【0103】

３…サーバー、１１０…第１属性推測部、１２０…取得部、１３０…第２属性推測部、１４０…学習モデル生成部、１５０…記憶制御部、１６０…予測消費量算出部、１７０…配送決定部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】