JP2005352728A - 需要予測方法および需要予測装置 - Google Patents
需要予測方法および需要予測装置 Download PDFInfo
- Publication number
- JP2005352728A JP2005352728A JP2004172178A JP2004172178A JP2005352728A JP 2005352728 A JP2005352728 A JP 2005352728A JP 2004172178 A JP2004172178 A JP 2004172178A JP 2004172178 A JP2004172178 A JP 2004172178A JP 2005352728 A JP2005352728 A JP 2005352728A
- Authority
- JP
- Japan
- Prior art keywords
- service
- customer
- demand
- prediction
- recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
【課題】従来の顧客行動モデルでの分析法と現実とのギャップを、より詳しいレベルでの認知度・理解度を使って埋めることで、より精度の高い行動モデルを提供する。
【解決手段】需要予測装置はモデル作成装置(端末2)200と予測装置(端末3)300を備える。モデル作成装置(端末2)200は、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する。予測装置(端末3)300は、モデル作成装置(端末2)200がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。
【選択図】 図1
【解決手段】需要予測装置はモデル作成装置(端末2)200と予測装置(端末3)300を備える。モデル作成装置(端末2)200は、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する。予測装置(端末3)300は、モデル作成装置(端末2)200がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。
【選択図】 図1
Description
本発明は、認知度を考慮した需要予測方法および需要予測装置に関し、特に、既存のサービスの仕様変更、新規サービス、あるいは競合他社の参入/サービス仕様の変更において生じる需要の変化、シェアの変化に対して事前に評価するためのシナリオシュミレーション、あるいはマーケティング、ビジネスモデル評価を行うための需要予測方法および需要予測装置に関する。
従来の技術では、顧客の意思決定要因を分析する方法として、個人のデモグラヒック的な情報である性別や年齢と言った個人的な属性の値、またサービスの利用料金や機能等の顧客が選択する選択肢に含まれるサービス的な属性の値、また住んでいる地域や住居の建て方、サービス提供地域など環境的な属性の値を説明変数として、多項ロジットモデルやネステイツドロジットモデルを利用する顧客の行動分析法は数多くの研究例がある。例えば、特許文献1の「ハイブリッド型需要および/または収益予測方法」や非特許文献1の「日本のブロードバンド市場の離散的選択(入れ子ロジット)モデル分析」がある。一方、顧客がサービス選択行動を起こす時には先に述べた顧客属性、サービス属性、環境属性と呼ばれる顕在的な変数ではなく、認知度・理解度といった潜在的な変数で説明される部分があり、顧客行動のモデル化の精度を向上するには、顧客のサービスに対する認知・理解度状態を考慮した潜在的な要因を含む分析が必要となっている。先に挙げた特許文献1では、サービスの選択肢の存在を知らないがために起こる選択肢集合の絞込みのステップを行ってはいるが、サービスの存在における認知状態の考察に終始している。
しかし、特にIT業界でのサービス投入問題を考えてみると、サービスの短サイクル化、実現手段の多様化、選択肢の多さ、提供されるサービスも複雑であることなど、ユーザが合理的に判断するという前提条件が一定に保たれていないという問題が生じている。こういったサービス提供状態を考えると、市場のサービスに対する認知状態・理解状態にバラつきが生じている事が容易に想像が出来る。即ち、顧客の行動モデルを記述する際に、サービスの選択肢の決定やサービスの選好モデル作成の段階においても、より詳しいレベルでの認知モデルを導入する必要性が生じてきていることが伺える。従来の方法で作ったモデルでは、顧客は全てサービスを理解しているという非現実的な過程において分析がなされており、またこちらが提示するサービスについてサービスそのものの存在の認知から、サービスの機能までを全て把握した状態で、合理的に選択するというメカニズムになっている。ユーザがサービスの存在自体を知らないのにも関わらず、それを選択肢集合の一部として考えるのはおかしく、またサービスの存在を認知していた場合でも、そのサービスの持つ機能を知らないのにも関わらず、モデル上ではその機能の存在がユーザの選択にプラスに寄与するという事もありえる。このように現実の顧客行動ではサービスの選択肢、機能等も必ずしもユーザ毎に一致はしておらず、より詳しいレベルでの認知度を考慮した行動のモデル化が必要となる。
また顧客行動モデルを用いることによってサービスのマーケティング戦略を行う手法として、従来技術では例えば特許文献2の「顧客行動分析に基づくマーケティング戦略策定支援方法、装置、およびプログラム」がある。しかし認知度の変化による予測シナリオを作成し、需要を推定する技術までは有さない。特に、新サービス投入問題では認知度の変化によってサービスの需要は大きく変動し、知らないがために起こる顧客行動の変化による需要推定誤差を考慮することは出来ず、本技術で挙げる行動モデルを作成し、その結果を集計化し、全体の需要を推定する提案まではなされていなかった。
本発明では、複雑なサービス条件や、競合他社の多さなど、様々な要因によって引き起こされる市場の複雑性から生じる従来の顧客行動モデルでの分析法と現実とのギャップを、より詳しいレベルでの認知度・理解度を使って埋めることで、より精度の高い行動モデルを提供することである。
本発明の需要予測方法は、サービスが複数の競合事業者によって提供される状況下で需要を予測する需要予測装置の需要予測方法であって、前記需要予測装置はモデル作成装置と予測装置を備え、前記モデル作成装置が、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する顧客行動モデル化ステップと、前記予測装置が、前記モデル作成装置がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する予測ステップと、を含むことを特徴とする。また、前記モデル作成装置が、顧客行動のモデル化に顧客のサービス選好データ、顧客に関するデータ、サービスに関するデータ、および顧客の環境に関するデータにより顧客の行動をモデル化することを特徴とする。また、前記モデル作成装置が、アンケート調査等により仮想シナリオにおける選好データもサービス選択の選好データに利用することを特徴とする。また、前記モデル作成装置が、顧客が重視する項目を含むデータに基づいて顧客のセグメンテーション化を行なうことを特徴とする。また、前記予測装置が、複数のサービス仕様を与えたときに、それぞれのサービスを選択する確率を計算し、その結果を利用して、顧客がどのサービスを選択するか予測することを特徴とする。また、前記予測装置が、認知度の状態によってサービスの持つ顧客のサービスに対する選択確率を修正することを特徴とする。また、前記モデル作成装置が、認知度の状態によって個人の持つ選択肢集合を決定し、前記予測装置が、前記選択肢集合の変化に伴うサービスの選択確率を計算することを特徴とする。また、前記予測装置が、現存の特定のサービスの認知状態の変化によってそのサービスの選択確率の変動を計算することを特徴とする。また、前記予測装置が、あるサービスの仕様を与えたときに、そのサービスを選択する確率が高い順に顧客をリストアップする、または、閾値以上の選択確率を持つ顧客を抽出することを特徴とする。また、前記予測装置が、顧客のサービスに対する選択確率を修正することに伴う他のサービスの選択確率を計算することを特徴とする。また、前記モデル作成装置が、顧客のセグメンテーション化より生成されたセグメント単位に、モデルを作成し、前記予測装置が、セグメンテーション毎の各サービスにおける需要を予測することを特徴とする。また、前記予測装置が、生成されたセグメント単位の予測シナリオの下でのセグメンテーション毎の各サービスにおける需要を予測することを特徴とする。前記予測装置が、各セグメンテーションの需要を集計しサービス全体の需要を予測することを特徴とする。また、本発明の需要予測装置は、前記の需要予測方法における需要予測装置である。
認知度を顧客行動モデルに導入することによって、顧客が持つサービスの理解状態をモデルに考慮することが出来、ユーザが実際に比較対象とした選択肢集合、サービスの機能等抽出することが出来、結果としてモデルの精度が向上に見込まれる。また、これからおこる認知度の変化により、サービスのシェアを予測することが出来る。
以下、本発明の実施例を詳細に説明する。
電話選択を例に実施例を示す。ここでは、ユーザが選ぶ可能性がある選択肢をIP電話、携帯電話、固定電話と仮定する。S={携帯電話,固定電話、IP電話}を選択肢集合とおく。(実際にはユーザが環境的な条件より選べなかったりすると、個人nの選択肢集合Snはこれの部分集合に当たる。)また携帯電話をサービスA、固定電話をサービスB、IP電話をサービスCと呼ぶ事にする。またこれらサービスに対して期待される機能の個数をk個とする。具体的には、緊急電話に発信できる機能であったり、発信者番号通知、また電話の基本料金等も機能として呼ぶことにする。即ち、そのサービスを形どるものを表現したものである。
電話選択を例に実施例を示す。ここでは、ユーザが選ぶ可能性がある選択肢をIP電話、携帯電話、固定電話と仮定する。S={携帯電話,固定電話、IP電話}を選択肢集合とおく。(実際にはユーザが環境的な条件より選べなかったりすると、個人nの選択肢集合Snはこれの部分集合に当たる。)また携帯電話をサービスA、固定電話をサービスB、IP電話をサービスCと呼ぶ事にする。またこれらサービスに対して期待される機能の個数をk個とする。具体的には、緊急電話に発信できる機能であったり、発信者番号通知、また電話の基本料金等も機能として呼ぶことにする。即ち、そのサービスを形どるものを表現したものである。
図1にシステム構成例を示す。端末1(100)は顧客側の端末であり、図1では1つのみを図示しているが、実際には多数の顧客側の端末1(100)が存在する。端末2(200)は顧客側の端末1(100)に質問データを送り、その回答データを得て顧客行動モデルの作成を行うモデル作成装置であり、端末3(300)は端末2(200)で作成されたモデルを使用して需要予測を行う予測装置である。端末1(100)、端末2(200)、端末3(300)は通信網等を介して、データ、情報のやりとりを行う。本実施例では端末2(200)と端末3(300)を別々の装置として構成しているが、端末2(200)と端末3(300)を一つの装置として構成してもよい。また、図1において、端末1(100)と端末2(200)とのデータのやりとりを郵便等で行ってもよく、端末2(200)と端末3(300)間の情報のやりとりを記録媒体等を用いて行ってもよい。なお、図および以下の説明において、データベースをDBと略記する。
本実施例の需要予測装置は、モデル作成装置である端末2(200)と予測装置である端末3(300)から構成される。モデル作成装置である端末2(200)は、顧客のサービスに対する認知度をサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する。そして、予測装置である端末3(300)は、端末2(200)がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。
モデル作成装置である端末2(200)は、比較調査部(201)、数値化部(202)、分類部(203)、セグメント構成部(204)、モデル作成部(205)、選択肢集合予測部(206)、認知度調査部(207)を備える。また、モデル作成装置である端末2(200)は、収集した回答データを処理するためのテーブルである数値化テーブル(211)、分類テーブル(212)、収集した回答データを分類して格納するデータベースである顧客DB1(213)、環境DB1(214)、認知度DB1(215)、サービスDB1(216)、選択肢集合DB1(217)、選択結果DB(218)を備える。
予測装置である端末3(300)は、認知度計算部(301)、セグメントキー生成部(302)、選択肢集合決定部(303)、確率計算部(304)、集計部(305)を備える。また、予測装置である端末3(300)は、外部データベースすなわち端末2(200)がモデル作成用に収集したデータベースとは別のデータベースである顧客DB2(311)、環境DB2(312)、認知度DB2(313)、サービスDB2(314)を備え、テーブルとして認知テーブル(315)を備える。一般的には、端末2(200)がモデル作成用に収集するデータベースであるDB1よりも、端末3(300)が使用する外部データベースであるDB2のほうが規模が大きい。
端末2(200)の比較調査部(201)は顧客側の端末1(100)に質問データを送信する。顧客側の端末1(100)は、端末2(200)の比較調査部(201)より送られた質問を表示し、顧客が入力した回答を端末2(200)に送信する。端末2(200)は顧客側の端末1(100)から送られてきた回答データをデータ一時格納部(図示していない)に一時的に格納する。端末2(200)は、モデル作成に必要な数の顧客側の端末1(100)に質問データを送信し、それらの顧客側の端末1(100)から回答データを収集する。
以下では端末2(200)で行われるデータの格納の流れを示す。
数値化テーブル(211)には、データ一時格納部(図示していない)に格納されている情報を数値化部(202)で数値化するための情報が格納されている。数値化部(202)は数値化テーブル(211)の情報を用いてデータ一時格納部(図示していない)に格納されている情報を数値化する。
数値化テーブル(211)には、データ一時格納部(図示していない)に格納されている情報を数値化部(202)で数値化するための情報が格納されている。数値化部(202)は数値化テーブル(211)の情報を用いてデータ一時格納部(図示していない)に格納されている情報を数値化する。
分類テーブル(212)には、数値化部(202)で格納されたデータを顧客DB1(213)、環境DB1(214)、認知度DB1(215)、サービスDB1(216)、選択肢集合DB(217)、選択結果DB(218)に分類するための情報が格納されている。
分類部(203)が、この分類テーブル(212)を使い、それぞれのDBに顧客IDを主キーとしてデータを分類し、顧客DB1(213)、環境DB1(214)、認知度DB1(215)、サービスDB1(216)、選択肢集合DB(217)、選択結果DB1(218)に格納する。顧客DB1(213)にはそれぞれ顧客の持つデモグラヒック情報等の顧客に関する情報、重要視するサービス選好度情報等が格納される。環境DB1(214)には顧客が住んでいる住居の建て方や、地域などの情報のような顧客の環境に関する情報が格納されている。認知度DB1(215)にはユーザ(顧客)がそれぞれのサービスに持つ認知度に関する情報が格納される。本実施例における認知度は、顧客がサービスを知っているかどうかの情報だけでなく、そのサービスについての理解度、すなわちそのサービスの機能についての顧客の認知度も含めた認知度であり、具体的には後述する認知1〜認知4を含む。また選択肢集合DB(217)ではユーザ(顧客)が存在を知っている選択肢集合の中から選択の考慮の対象となりえる選択肢が格納されている。サービスDB1(216)には比較調査部(201)より提示したサービスの集合と、サービスの機能を提示した情報が格納される。選択結果DB(218)にはサービスDB1(216)で提示したサービスの中からユーザが選んだサービスが格納されている。
セグメント構成部(204)では顧客DB1(213)、環境DB1(214)から比較の際に顧客が重視する項目や、顧客のデモグラヒック情報からデータを抽出し、ユーザをタイプ別に分類を行い、セグメントを識別するキーを全てのDBに格納する。これを顧客セグメントキーと呼ぶことにする。
モデル作成部(205)においては、それぞれの顧客セグメントキー単位に顧客DB1(213)、サービスDB1(216)、環境DB1(214)、選択結果DB(218)に格納されている情報を使い、顧客行動モデルを作成する。
選択肢集合予測部(206)においては、各顧客セグメントキー単位で、顧客DB1(213)、環境DB1(214)、認知度DB1(215)、選択肢集合DB(217)を使い、ユーザ(顧客)が考慮する選択肢集合を予測するモデルを作成する。
認知度調査部(207)においては顧客DB1(213)、環境DB1(214)から認知度DB1(215)を関連付けるモデル作成を行う。
認知度調査部(207)においては顧客DB1(213)、環境DB1(214)から認知度DB1(215)を関連付けるモデル作成を行う。
次に端末3(300)の構造を構成の概略を記述する。
認知度計算部(301)では、もし入力データとして認知度DB2(313)が存在しない場合は端末2(200)の認知度調査部(207)で計算されたモデルを使い、顧客DB2(311)、環境DB2(312)を入力データとして、認知度DB2(313)を作成する。存在する場合にはこの処理は飛ばされる。
認知度計算部(301)では、もし入力データとして認知度DB2(313)が存在しない場合は端末2(200)の認知度調査部(207)で計算されたモデルを使い、顧客DB2(311)、環境DB2(312)を入力データとして、認知度DB2(313)を作成する。存在する場合にはこの処理は飛ばされる。
セグメントキー生成部(302)は、セグメントキーを生成する。
選択肢集合決定部(303)では、顧客セグメントキー単位にこちらが用意した予測したいサービスをサービスDB2(314)の中から、顧客DB2(311)と環境DB2(312)と認知度DB2(313)を入力データとして、端末2(200)の選択肢集合予測部(206)で得られたモデルを元に個人の持つ選択肢集合を決定する。
選択肢集合決定部(303)では、顧客セグメントキー単位にこちらが用意した予測したいサービスをサービスDB2(314)の中から、顧客DB2(311)と環境DB2(312)と認知度DB2(313)を入力データとして、端末2(200)の選択肢集合予測部(206)で得られたモデルを元に個人の持つ選択肢集合を決定する。
確率計算部(304)では、顧客セグメントキー単位にサービスDB2(314)と、顧客DB2(311)と環境DB2(312)と認知度DB2(313)を入力データとして、端末2(200)で作られたモデル作成部(205)のデータを下に、認知テーブル(315)を参照し、モデルに認知度を入れることでモデルの確率を計算する。
集計部(305)では顧客セグメントキー単位に確率計算部(304)で得られた確率を集計化し、需要を予測する。
集計部(305)では顧客セグメントキー単位に確率計算部(304)で得られた確率を集計化し、需要を予測する。
認知テーブル(315)と選択肢集合予測部(303)で行われる認知度の導入は以下のように行われる。まず、端末2(200)の比較調査部(201)で行われる認知の質問は4つに分かれる。
認知1 サービス(選択肢)の存在自体の認知
認知2 機能の認知
認知3 あるサービス(選択肢)に機能iが備わっているかの認知
認知4 機能の定量的な認知
認知1 サービス(選択肢)の存在自体の認知
認知2 機能の認知
認知3 あるサービス(選択肢)に機能iが備わっているかの認知
認知4 機能の定量的な認知
認知1(サービス(選択肢)の存在自体の認知)は端末2(200)の数値化部(202)で
という変数で表現される。例えば、「IP電話の存在を知っているか?」といった質問がこれにあたる。jはサービスA、B、Cを表す。前述のように本実施例においては、Aは携帯電話であり、Bは固定電話であり、CはIP電話である。例えば、顧客が携帯電話と固定電話とIP電話の存在を知っている場合は、zA=1、zB=1、zC=1となる。
また認知2(機能の認知)は端末2(200)の数値化部(202)で
という変数で表現される。例えば、「複数電話番号をもらえるかという機能が存在しているのを知っているか?」といった質問がこれにあたる。特に、ある選択肢に依存したものではなく、このような機能が一般的に現在行われているサービスの中で実現可能であるかといったような質問になる。例えば、緊急電話発信機能をi=1、発信者番号通知機能をi=2、複数電話番号機能をi=3とすれば、もし、顧客が緊急電話機能と基本料金と複数電話番号機能を知っているが、発信者番号通知機能を知らない場合は、z1=1、z2=0、z3=1となる。
また認知3(あるサービス(選択肢)に機能iが備わっているかの認知)は端末2(200)の数値化部(202)で
という変数で表現される。例えば、「複数電話番号をもらえる機能がIP電話(ある特定のサービス)にあるか知っているか?」という質問がこれにあたる。これは認知2と違い、選択肢に依存した認知問題になっている。例えば、複数電話番号をもらえる機能がIP電話にあることを顧客が知らなかった場合は、z3C=0となる。
また、認知4(機能の定量的な認知)には端末2(200)の数値化部(202)で、ユーザ(顧客)が各サービスの機能に持っている定量的な認知が与えられる。例えば、「複数番号もらえる機能は月々いくらであるか?」といったサービスの機能の認知がこれにあたる。これはサービスによって異なるものであるため、選択肢に依存するものとなる。この認知4における質問は端末2(200)の数値化部(202)でzij(q)(i=1,...,k j=A,B,C)と表現される。zij(q)の値は例えば月額100円のような数値であり、(q)がこの変数が定量的な変数であることを表す添字である。
ここで顧客行動モデルをもとに作られる端末2(200)のモデル作成部(205)のサービスAの効用関数をVAとする。また、同様にサービスBの効用関数をVBとし、サービスCの効用関数をVCとする。例えば、サービスj(j=A,B,C)で複数の電話番号をもてるというサービスの機能sのダミー変数値
と、それにかかる費用をxsj(q)(j=A,B,C)とおく。ダミー変数値とは数4のように1または0の値をとる変数値である。数4のxsjはjのサービスにsの機能があるかどうかを表す変数である。xsj(q)はjのサービスのsの機能の料金を表す変数(例えば月額100円)である。
効用関数はその他、個人属性、環境属性、その他のサービス属性などで作られているが、簡易のため、VA、VB、VCを
とそれぞれ表記する。VA、VB、VCが効用関数であり、VA、VB、VCは( )内に示された変数の関数である。数5に示すように、例えば、サービスA(携帯電話)の効用関数VAはxsAとxsA(q)と太字のxの関数である。ここで太字のxはxsAとxsA(q)以外の変数をベクトル表記したものである。この時、認知テーブル(315)では、モデル作成された上記効用関数を認知度DB2(313)で得られる各個人の認知度によって、
に作用する効果を持つ。上記では、機能sのみにおいての作用が記述されているが、これらの作用は個々のサービスの機能ごとに行われる。また、認知の情報が3つ同時に作用が行われているが、機能によっては定量的な情報を持たずダミー変数だけで表現されるものや、定量的な情報のみで表現されるものも存在する。この作用は一例であって、常に3つ同時に変換されるという意味ではなく、これら作用に関する情報が認知テーブル(315)に格納されている。
また、端末2(200)の選択肢集合予測部(206)においては、顧客セグメントキー単位に認知度DB1(215)に格納されているzjの値を用いて、zj=1(j=A,B,C)のユーザすなわちjのサービスを知っているユーザを抽出し、サービスを選択肢とするかしないかという1,0で表される目的変数に対して、顧客DB1(213)、環境DB1(214)、認知度DB1(215)を説明変数として判別関数Fjを作成する。ここに説明変数として、サービスの機能における認知の情報を盛り込むことで、選択肢集合の決定に精度の向上が見込める。これは、まず抽出条件としてサービスの存在を認知している人間を選び出し、その中でサービスを選択肢として考慮する人間はどのような人間か判断するステップになっている。つまり、サービスを認知した状態の人間がどのレベルまでサービスを理解すれば選択肢集合として、その選択肢を考えるかというステップである。例えば、IP電話というサービスの名前を知っていたとしても、何をするものか知らなければ、選択肢として考えていないという視点にたったステップである。
端末3(300)の確率計算部(304)においてサービスj(j=A,B,C)を選ぶ確率Pjは、顧客DB2(311)、環境DB2(312)、認知度DB2(313)、サービスDB2(314)を使って
以上の説明では、特に外部データベースを使う記述したが、新しいサンプルが仮想シナリオの元でどう行動するかを判断するための予測を記述したものである。すなわち、前記の実施例は、モデル作成装置である端末2(200)が顧客側の端末1(100)からモデル作成用のサンプルを収集し顧客行動モデルを作成し、予測装置である端末3(300)はそれとは別の外部データベース(一般的には、端末2が収集したデータベースより規模が大きいデータベース)を用いて、仮想シナリオの元で顧客がどう行動するかの予測を記述したものである。ここで、仮想シナリオの元での予測とは、予想するシナリオに基づく予測であり、例えば、サービスDB2のデータを予想する将来のサービスとしたときの顧客の行動の予測や、認知度DB2のデータを予想する将来の認知度としたときの顧客の行動の予測である。サンプルで収集した顧客が現在提供されているサービスから条件を変えた時もしくはある仮想シナリオを与えられた時どのような行動を起こすかという需要予測を行うのであれば、モデル作成時にモデル作成部(205)で各機能や顧客情報に関する効用関数への重要度を表すパラメータの計算がされているため、外部データベースに顧客DB1(213)、環境DB1(214)、認知度DB1(215)を使うことが出来る。すなわち、モデル作成装置である端末2(200)がモデル作成に使用したデータ自体を使用して、予測装置である端末2が顧客動向の予想を行ってもよい。
集計部(305)では、確率計算部(304)の出力結果を入力とし、設定された条件に該当する顧客を抽出する機能を有する。例えば、閾値を0.75に設定し、選択確率が0.75以上の選択することが濃厚なユーザを抽出する機能を有する。また、選択肢集合の中の一番高い選択確率を有するもの顧客の数を抽出し、集計することで全体の需要を求める機能を有する。
本実施例のモデル作成装置である端末2(200)は、アンケート調査等により仮想シナリオにおける選好データをサービス選択の選好データに利用する手段を有する。また、端末2(200)は、認知度の状態によって個人の持つ選択肢集合を決定し、前記予測装置が、前記選択肢集合の変化に伴うサービスの選択確率を計算する手段を有する。また、端末2(200)は、顧客のセグメンテーション化より生成されたセグメント単位に、モデルを作成する手段を有する。
本実施例の予測装置である端末3(300)は、複数のサービス仕様を与えたときに、それぞれのサービスを選択する確率を計算し、その結果を利用して、顧客がどのサービスを選択するか予測する手段を有する。また、端末3(300)は、認知度の状態によってサービスの持つ顧客のサービスに対する選択確率を修正する手段を有する。また、端末3(300)現存の特定のサービスの認知状態の変化によってそのサービスの選択確率の変動を計算する手段を有する。また、端末3(300)は、あるサービスの仕様を与えたときに、そのサービスを選択する確率が高い順に顧客をリストアップする、または、閾値以上の選択確率を持つ顧客を抽出する手段を有する。また、端末3(300)は、顧客のサービスに対する選択確率を修正することに伴う他のサービスの選択確率を計算する手段を有する。また、端末3(300)は、セグメンテーション毎の各サービスにおける需要を予測する手段を有する。また、端末3(300)は、生成されたセグメント単位の予測シナリオの下でのセグメンテーション毎の各サービスにおける需要を予測する手段を有する。また、端末3(300)は、各セグメンテーションの需要を集計しサービス全体の需要を予測する手段を有する。
また、本実施例では、各顧客の行動モデルを記述する手段として、例えば、ロジットモデルやネスティッドモデルによってモデルを作成し、仮想的または現在のサービスで提供されるサービスで一番選ばれる可能性が高いものを選び出したり、閾値以上の選択確率を持つものを選び出す手段を用いる。また、各顧客がサービス選択時に選択条件となるか判定する手段として、例えば、実際にサービスを選ぶ可能性がある選択肢をサービスの認知状態や、顧客属性、環境属性を用いることによって、各顧客に対してあるサービスが選択肢になり得るか判定手段を用いる。また、サービスに対する認知度をサービスの効用に作用させる手段として、例えば、顧客行動モデルで作られた効用関数にサービスの認知度を入れて、知らなかった事によって働かない効用等をモデルに導入する手段を用いる。また、認知度の変化によってサービスの需要を推定する手段として、サービスの戦略的な仮想シナリオに加えて認知度の変化も予測シナリオで用意し、それの変動による各サービスの需要推定を行う手段を用いる。
次に、本実施例の需要予測装置の需要予測方法をフローチャートを用いて説明する。なお、ステップをSと略記する。
図2は、本発明の実施例の需要予測方法の概略を示すチャートである。まず、顧客行動モデル化ステップ(S200)において、モデル作成装置である端末2(200)が、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する。次に、予測ステップ(S300)において、予測装置である端末3(300)が、顧客行動モデル化ステップ(S200)で端末2(200)がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する。
図3は、顧客行動モデル化ステップ(S200)の詳細を示すフローチャートである。まず、比較調査ステップ(S201)で、比較調査部(201)が、顧客側の端末1(100)に質問データを送信し、顧客側の端末1(100)から送られてきた回答データをデータ一時格納部(図示していない)に一時的に格納する。数値化ステップ(S202)で、数値化部(202)が数値化テーブル(211)の情報を用いてデータ一時格納部(図示していない)に格納されている情報を数値化する。分類ステップ(S203)で、分類部(203)が、分類テーブル(212)を使い、顧客IDを主キーとしてデータを分類し、顧客DB1(213)、環境DB1(214)、認知度DB1(215)、サービスDB1(216)、選択肢集合DB(217)、選択結果DB1(218)に格納する。セグメント構成ステップ(S204)で、セグメント構成部(204)が、顧客DB1(213)、環境DB1(214)から比較の際に顧客が重視する項目や、顧客のデモグラヒック情報からデータを抽出し、ユーザをタイプ別に分類を行い、セグメントを識別するキーを全てのDBに格納する。モデル作成ステップ(S205)で、モデル作成部(205)が、それぞれの顧客セグメントキー単位に顧客DB1(213)、サービスDB1(216)、環境DB1(214)、選択結果DB(218)に格納されている情報を使い、顧客行動モデルを作成する。選択肢集合予測ステップ(S206)で、選択肢集合予測部(206)が、各顧客セグメントキー単位で、顧客DB1(213)、環境DB1(214)、認知度DB1(215)、選択肢集合DB(217)を使い、ユーザ(顧客)が考慮する選択肢集合を予測するモデルを作成する。認知度調査ステップ(S207)で、認知度調査部(207)においては顧客DB1(213)、環境DB1(214)から認知度DB1(215)を関連付けるモデル作成を行う。
図4は、予測ステップ(S300)の詳細を示すフローチャートである。まず、認知度計算ステップ(S301)で、認知度計算部(301)が、入力データとして認知度DB2(313)が存在しない場合は端末2(200)の認知度調査部(207)で計算されたモデルを使い、顧客DB2(311)、環境DB2(312)を入力データとして、認知度DB2(313)を作成する。存在する場合にはこの処理は飛ばされる。セグメントキー生成ステップ(S302)で、セグメントキー生成部(302)が、セグメントキーを生成する。選択肢集合決定ステップ(S303)で、選択肢集合決定部(303)が、顧客セグメントキー単位に、予測したいサービスをサービスDB2(314)の中から、顧客DB2(311)と環境DB2(312)と認知度DB2(313)を入力データとして、端末2(200)の選択肢集合予測部(206)で得られたモデルを元に個人の持つ選択肢集合を決定する。確率計算ステップ(S304)で、確率計算部(304)が、顧客セグメントキー単位にサービスDB2(314)と、顧客DB2(311)と環境DB2(312)と認知度DB2(313)を入力データとして、端末2(200)で作られたモデル作成部(205)のデータを下に、認知テーブル(315)を参照し、モデルに認知度を入れることでモデルの確率を計算する。集計ステップ(S305)で、集計部(305)が、顧客セグメントキー単位に確率計算部(304)で得られた確率を集計化し、需要を予測する。
本実施例以外にも、ブロードバンド選択の問題であったり、様々な分野で活用することが出来、また顧客行動モデルでは単純なマルチロジットモデルを使い選択確率計算例を示したが、ネスティットロジットなどモデルの形式に左右されずこの一連の機能を適用することが出来る。
以上説明した各装置は、コンピュータとプログラムで構成することもでき、そのプログラムは通信網を介して転送することができ、また、記録媒体に保存することができる。
以上説明した各装置は、コンピュータとプログラムで構成することもでき、そのプログラムは通信網を介して転送することができ、また、記録媒体に保存することができる。
以上、本発明者によってなされた発明を、前記実施形態に基づき具体的に説明したが、本発明は、前記実施形態に限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは勿論である。
100…顧客側の端末1、200…モデル作成装置である端末2、201…比較調査部、202…数値化部、203…分類部、204…セグメント構成部、205…モデル作成部、206…選択肢集合予測部、207…認知度調査部、211…数値化テーブル、212…分類テーブル、213…顧客DB1、214…環境DB1、215…認知度DB1、216…サービスDB1、217…選択肢集合DB1、218…選択結果DB、300…予測装置である端末3、301…認知度計算部、302…セグメントキー生成部、303…選択肢集合決定部、304…確率計算部、305…集計部、311…顧客DB2、312…環境DB2、313…認知度DB2、314…サービスDB2、315…認知テーブル
Claims (14)
- サービスが複数の競合事業者によって提供される状況下で需要を予測する需要予測装置の需要予測方法であって、
前記需要予測装置はモデル作成装置と予測装置を備え、
前記モデル作成装置が、顧客のサービスに対する認知度をサービスの存在の認知およびサービスの機能の認知を含む認知度として顧客行動をモデル化する顧客行動モデル化ステップと、
前記予測装置が、前記モデル作成装置がモデル化した顧客行動モデルを利用して、顧客がどのサービスを選択するかを予測する予測ステップと、
を含む需要予測方法。 - 請求項1に記載の需要予測方法であって、前記モデル作成装置が、顧客行動のモデル化に顧客のサービス選好データ、顧客に関するデータ、サービスに関するデータ、および顧客の環境に関するデータにより顧客の行動をモデル化する需要予測方法。
- 請求項2に記載の需要予測方法であって、前記モデル作成装置が、アンケート調査等により仮想シナリオにおける選好データもサービス選択の選好データに利用する需要予測方法。
- 請求項1に記載の需要予測方法であって、前記モデル作成装置が、顧客が重視する項目を含むデータに基づいて顧客のセグメンテーション化を行なう需要予測方法。
- 請求項1に記載の需要予測方法であって、前記予測装置が、複数のサービス仕様を与えたときに、それぞれのサービスを選択する確率を計算し、その結果を利用して、顧客がどのサービスを選択するか予測する需要予測方法。
- 請求項5に記載の需要予測方法であって、前記予測装置が、認知度の状態によってサービスの持つ顧客のサービスに対する選択確率を修正する需要予測方法。
- 請求項5に記載の需要予測方法であって、前記モデル作成装置が、認知度の状態によって個人の持つ選択肢集合を決定し、前記予測装置が、前記選択肢集合の変化に伴うサービスの選択確率を計算する需要予測方法。
- 請求項5に記載の需要予測方法であって、前記予測装置が、現存の特定のサービスの認知状態の変化によってそのサービスの選択確率の変動を計算する需要予測方法。
- 請求項1に記載の需要予測方法であって、前記予測装置が、あるサービスの仕様を与えたときに、そのサービスを選択する確率が高い順に顧客をリストアップする、または、閾値以上の選択確率を持つ顧客を抽出する需要予測方法。
- 請求項6または8に記載の需要予測方法であって、前記予測装置が、顧客のサービスに対する選択確率を修正することに伴う他のサービスの選択確率を計算する需要予測方法。
- 請求項4に記載の需要予測方法であって、前記モデル作成装置が、顧客のセグメンテーション化より生成されたセグメント単位に、モデルを作成し、前記予測装置が、セグメンテーション毎の各サービスにおける需要を予測する需要予測方法。
- 請求項4に記載の需要予測方法であって、前記予測装置が、生成されたセグメント単位の予測シナリオの下でのセグメンテーション毎の各サービスにおける需要を予測する需要予測方法。
- 請求項11または12に記載の需要予測方法であって、前記予測装置が、各セグメンテーションの需要を集計しサービス全体の需要を予測する需要予測方法。
- 請求項1ないし13のうちのいずれか1項に記載の需要予測方法における需要予測装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004172178A JP2005352728A (ja) | 2004-06-10 | 2004-06-10 | 需要予測方法および需要予測装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004172178A JP2005352728A (ja) | 2004-06-10 | 2004-06-10 | 需要予測方法および需要予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005352728A true JP2005352728A (ja) | 2005-12-22 |
Family
ID=35587166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004172178A Pending JP2005352728A (ja) | 2004-06-10 | 2004-06-10 | 需要予測方法および需要予測装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005352728A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006268529A (ja) * | 2005-03-24 | 2006-10-05 | Fujitsu Ltd | データセンタの需要予測システム、需要予測方法および需要予測プログラム |
JP2008299775A (ja) * | 2007-06-04 | 2008-12-11 | Nippon Telegr & Teleph Corp <Ntt> | 顧客のサービス選択行動推定装置及び方法 |
WO2016194628A1 (ja) * | 2015-05-29 | 2016-12-08 | 日本電気株式会社 | 解約予測を用いた営業活動支援装置及び営業活動支援方法 |
US11514516B2 (en) | 2018-08-27 | 2022-11-29 | Mizuho Bank, Ltd. | Banking operation support system, banking operation support method, and banking operation support program |
-
2004
- 2004-06-10 JP JP2004172178A patent/JP2005352728A/ja active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006268529A (ja) * | 2005-03-24 | 2006-10-05 | Fujitsu Ltd | データセンタの需要予測システム、需要予測方法および需要予測プログラム |
JP4596945B2 (ja) * | 2005-03-24 | 2010-12-15 | 富士通株式会社 | データセンタの需要予測システム、需要予測方法および需要予測プログラム |
JP2008299775A (ja) * | 2007-06-04 | 2008-12-11 | Nippon Telegr & Teleph Corp <Ntt> | 顧客のサービス選択行動推定装置及び方法 |
WO2016194628A1 (ja) * | 2015-05-29 | 2016-12-08 | 日本電気株式会社 | 解約予測を用いた営業活動支援装置及び営業活動支援方法 |
JPWO2016194628A1 (ja) * | 2015-05-29 | 2018-03-22 | 日本電気株式会社 | 解約予測を用いた営業活動支援装置及び営業活動支援方法 |
JP2021064406A (ja) * | 2015-05-29 | 2021-04-22 | 日本電気株式会社 | 営業活動支援装置及び営業活動支援方法 |
JP7047942B2 (ja) | 2015-05-29 | 2022-04-05 | 日本電気株式会社 | 営業活動支援装置及び営業活動支援方法 |
US11514516B2 (en) | 2018-08-27 | 2022-11-29 | Mizuho Bank, Ltd. | Banking operation support system, banking operation support method, and banking operation support program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521221B2 (en) | Predictive modeling with entity representations computed from neural network models simultaneously trained on multiple tasks | |
US10565525B2 (en) | Collaborative filtering method, apparatus, server and storage medium in combination with time factor | |
CN110070391B (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
Liu et al. | Efficient choice designs for a consider-then-choose model | |
US20110125700A1 (en) | User model processing device | |
JP6911603B2 (ja) | ユーザによって訪問される施設のカテゴリの予測モデルを生成する方法、プログラム、サーバ装置、及び処理装置 | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
Óskarsdóttir et al. | A comparative study of social network classifiers for predicting churn in the telecommunication industry | |
WO2021208535A1 (zh) | 基于自动特征分组的推荐方法及装置 | |
Rose | Interpreting discrete choice models based on best-worst data: a matter of framing | |
Postigo-Boix et al. | A social model based on customers’ profiles for analyzing the churning process in the mobile market of data plans | |
CN116091113A (zh) | 营销模型数据处理方法、系统及计算机可读存储介质 | |
US10394804B1 (en) | Method and system for increasing internet traffic to a question and answer customer support system | |
JP7318646B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP2019095895A (ja) | 人流量予測装置、方法、及びプログラム | |
US11275756B2 (en) | System for extracting, categorizing and analyzing data for training user selection of products and services, and a method thereof | |
JP2005352728A (ja) | 需要予測方法および需要予測装置 | |
JP2021047783A (ja) | 情報処理方法および情報処理装置 | |
JP2012014352A (ja) | 需要予測装置及び需要予測方法 | |
CN114387005A (zh) | 一种基于图分类的套利团伙识别方法 | |
Fan et al. | Context-aware web services recommendation based on user preference | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
JP6864603B2 (ja) | 情報提供システム、管理装置、情報分析装置、及び管理方法 | |
CN113128739A (zh) | 用户触达时间的预测方法、预测模型训练方法及相关装置 | |
Smani et al. | Maximization influence in dynamic social networks and graphs |