JP2005352728A - 需要予測方法および需要予測装置 - Google Patents

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

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。

特開２００２−２５９６７２号公報 特開２００４−５４４３９号公報 依田高典、黒田敏史、「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」、電気通信分野の競争評価についての京都カンファレンス、２００４年１月２８日

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Ｓ_ｎ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。

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。

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。

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。

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。

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）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、ｚ_Ａ＝１、ｚ_Ｂ＝１、ｚ_Ｃ＝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、ｚ_１＝１、ｚ_２＝０、ｚ_３＝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、ｚ_３Ｃ＝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ｚ_{ｉｊ（ｑ）}（ｉ＝１，．．．，ｋ ｊ＝Ａ，Ｂ，Ｃ）と表現される。ｚ_{ｉｊ（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Ｖ_Ａとする。また、同様にサービスＢの効用関数をＶ_Ｂとし、サービスＣの効用関数をＶ_Ｃ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ｘ_{ｓｊ（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ｘ_ｓｊ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。ｘ_{ｓｊ（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、Ｖ_Ａ、Ｖ_Ｂ、Ｖ_Ｃを

とそれぞれ表記する。Ｖ_Ａ、Ｖ_Ｂ、Ｖ_Ｃが効用関数であり、Ｖ_Ａ、Ｖ_Ｂ、Ｖ_Ｃ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Ｖ_Ａはｘ_ｓＡとｘ_{ｓＡ（ｑ）}と太字のｘの関数である。ここで太字のｘはｘ_ｓＡとｘ_{ｓＡ（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ｚ_ｊの値を用いて、ｚ_ｊ＝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Ｆ_ｊ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Ｐ_ｊは、顧客ＤＢ２（３１１）、環境ＤＢ２（３１２）、認知度ＤＢ２（３１３）、サービスＤＢ２（３１４）を使って

として計算される。但し、（Ｆ_Ａｚ_Ａ）^２＋（Ｆ_Ｂｚ_Ｂ）^２＋（Ｆ_Ｃｚ_Ｃ）^２＝０である時は、

で計算される。

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、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。

本発明の実施例のシステム構成例を示す図である。 本発明の実施例の需要予測方法の概略を示すフローチャートである。 顧客行動モデル化ステップの詳細を示すフローチャートである。 予測ステップの詳細を示すフローチャートである。

符号の説明

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
    
    
    

Images