JP2016091085A

JP2016091085A - 購買予測装置、購買予測方法及びプログラム

Info

Publication number: JP2016091085A
Application number: JP2014221189A
Authority: JP
Inventors: 雄介熊谷; Yusuke Kumagai; 秀明金; Hideaki Kim; 典子高屋; Noriko Takaya; 宏澤田; Hiroshi Sawada
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2014-10-30
Filing date: 2014-10-30
Publication date: 2016-05-23

Abstract

【課題】顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することを目的とする。【解決手段】顧客の購買行動を予測する購買予測装置は、顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部とを有する。【選択図】図１

Description

本発明は、購買予測装置、購買予測方法及びプログラムに関する。

EC（electronic commerce）サイトにおいて顧客の購買予測を行うことが試みられている。従来技術における非特許文献１は、ECサイトにおいて顧客が何を購入するかを予測するものである。しかし、購買の成功が抽選によるという仮定が無いため、「ある顧客がこれまで購買していない商品について、そもそもその商品には興味を持っていない」という強い仮定が置かれている。

Wang, Jian and Zhang, Yi, "Opportunity Model for e-Commerce Recommendation: Right Product; Right Time", Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR '13, 2013, ACM

しかし、購買の成功が抽選、すなわち確率的に決定される場合、実際には顧客が商品に対して興味を持っていたとしても、抽選に落選した場合購入が失敗してしまう。このような状況において、非特許文献１では顧客の商品に対する興味を実際よりも低く推定してしまうという問題が生じる。

このような問題を解消するため、本発明は、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することを目的とする。

本発明の一形態に係る購買予測装置は、
顧客の購買行動を予測する購買予測装置であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部と、
を有することを特徴とする。

また、本発明の一形態に係る購買予測方法は、
顧客の購買行動を予測する購買予測装置における購買予測方法であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定するステップと、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算するステップと、
を有することを特徴とする。

また、本発明の一形態に係るプログラムは、
顧客の購買行動を予測するために、コンピュータを、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の各商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習手段、及び
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算手段、
として機能させることを特徴とする。

本発明によれば、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することが可能になる。

本発明の実施例に係る購買予測装置の全体構成図購買行動予測モデル学習部の機能ブロック図購買行動予測モデル学習部において入出力されるデータ構造を示す図購買行動予測モデル学習部における出力例を示す図購買行動予測部の機能ブロック図購買行動予測部において入出力されるデータ構造を示す図購買行動予測部における出力例を示す図

以下、図面を参照して本発明の実施例について詳細に説明する。

＜本発明の実施例に係る購買予測装置の概要＞
本発明の実施例に係る購買予測装置は、過去の購買行動に基づき、顧客の購買を予測するものである。本発明の実施例では、購買予測装置において顧客の購買行動を予測する際に、以下の３つの仮定にもとづくモデルを構築する。

1.顧客の購買は「顧客が商品に興味を持ち購買しようとする」、「商品の購買がなんらかの抽選、すなわちある（観測できない）確率で成功する」という二つの過程にもとづいて行われる。

2.各顧客は商品に紐付く属性（以降、商品属性と呼ぶ）にもとづいて商品への興味を決定する。

3.商品購買が成功する確率は商品属性の人気度と、有限である各商品の販売可能個数（以降、商品数と呼ぶ）によって決定される。

本発明の実施例に係る購買予測装置は、上記の仮定にもとづき、抽選によって商品購買が決定される状況において、各顧客がある商品の購買に成功する確率、および、各顧客がその商品の購買をどの程度の確率で試みるのかを予測する。

図１は、本発明の実施例に係る購買予測装置１０の全体構成図である。購買予測装置１０は、プロセッサ等のＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリ装置、ハードディスク等の記憶装置等から構成されたコンピュータでもよい。例えば、以下に説明する購買予測装置１０の各機能及び処理は、記憶装置又はメモリ装置に格納されているデータやプログラムをＣＰＵが実行することによって実現される。

購買予測装置１０は、購買行動予測モデル学習部１１と、購買行動予測部１２とを有する。

購買行動予測モデル学習部１１は、顧客がこれまでに購買に成功した商品、その商品に紐付く属性である商品属性の集合、及び各商品の販売可能個数である商品数を入力として受け取る。そして、確率分布推定、具体的にはEMアルゴリズムを用いて、顧客の商品属性に対する興味と、商品属性ごとの人気度を学習する。

購買行動予測部１２は、商品、その商品属性、商品数、顧客の商品属性に対する興味、及び商品属性ごとの人気度を入力とし、顧客ごとにどの程度商品の購買を試みるかの確率と、顧客による商品の購買が成功する確率を予測する。

＜購買行動予測モデル学習部＞
図２は、購買行動予測モデル学習部１１の機能ブロック図である。

購買行動予測モデル学習部１１では、顧客の購買行動を、顧客が購入した商品（購買情報１００）、及び、その商品に紐付いた商品属性の集合（商品属性情報１０１）、及び、当該商品の販売可能個数（商品数情報１０２）で記述し、その集合を入力とし、顧客の各商品属性に対する興味の値（顧客別商品属性選好１０４）、及び、商品属性ごとの人気度（商品属性別人気度１０５）を学習する。これ以降、総顧客数をNとし、総商品数をIとし、商品属性の総数をMとする。

購買行動予測モデル学習部１１の学習処理部１０３は、購買情報１００、商品属性情報１０１、商品数情報１０２の三つの情報を受け取る。購買行動予測モデル学習部１１において入力される三つの情報のデータ構造を図３に示す。それぞれ説明を行う。

購買情報１００は、顧客id（変数u）と顧客が購買した商品id（変数i）の２つ組の集合である。以降の記述はD_buy={<u_i,i_i>,...}とする。この時、顧客は同じ商品を複数購入することがあるため、D_buyの要素数は顧客の総数Nを超えることもありうる。

商品属性情報１０１は、商品idと、当該商品に紐付いた属性情報とその値（非負であるとする）のペアの集合f₁={<f₁₁,v₁₁>,...,<f_1M,v_1M>}の集合である（この時f₁の要素数は商品属性の総数Mと等しい）。以降の表記はD_feature={<i₁,f₁>,...,<i_I,f_I>}とする。この時、D_featureの要素数は総商品数Iと等しい。また、商品の値v₁₁,...,v_1M,...,v_I1,...v_IMは商品の価格、サイズ等の商品が持っている値であり、複数の値の組み合わせでもよい。

商品数情報１０２は商品idと（自然数である）その商品数の集合である。以降の表記は D_amount={<i₁,c₁>,...,<i_I,c_I>}とする。この時、D_amountの要素数は総商品数Iと等しい。

学習処理部１０３では上記の三つの情報を受け取り、次の二つのパラメータを推定し出力する。
顧客別商品属性選好１０４ Θ={θ₁₁,...,θ_1M,...,θ_I1,...,θ_IM}
商品属性別人気度１０５ Λ={λ₁,...,λ_M}
購買行動予測モデル学習部１１において出力される二つのパラメータのデータ構造を図３に示す。それぞれについての説明を行う。まず顧客別商品属性選好１０４は顧客と商品属性の二つ組について定義されるものであり、「顧客がある商品属性にどの程度興味を持っているか」の値を示す。値が大きければ大きいほど強い選好を持つ。

次に商品属性別人気度は商品属性について定義されるものであり、「ある商品属性がどれぐらいの人数の顧客をひきつけるか」を示す。値が大きければ大きいほど魅力的な要素である。

これら二つのパラメータを用いて、顧客u_nが商品i_kを購買する確率p(a₁=1|i_k,u_n,Θ,Λ)を次のように定義する。この時a₁は顧客u_nによる商品i_kの購買が成功したときにz₁=1、そうでないときにz₁₌0を取る二値変数であり、a₂は顧客u_nが商品i_kの購買を試みたときにz₂=1、そうでない時にz₂=0を取る二値の潜在変数であるとする。

それぞれの項について説明を行う。

まず、p(a₂=z₂|u_n,i_k,Θ)については顧客u_nが商品i_kの購買を試みるかの確率である。この確率は、顧客は商品の購買を試みるか否かを商品属性とその属性に対する自身の選好の積の和にもとづいて値が決まるものである。すなわち、その顧客が好ましいと思う属性を持っていれば持っているほど、当該商品を購買しようとするというものである。

次に、p(a₁=z₁|a₂,i_k,Λ)について着目する。これは、商品の当選確率を表現したものであり、まずは(a₂=1,a₁=1)の場合における

について考える。上式において、分子は当該商品i_kの各商品属性mがどの程度の人数の顧客を惹きつけるか（v_ikmλ_m ²、潜在顧客数）を表現している。すなわち、潜在顧客数の総和に対する商品数の比が大きければ大きいほど、当選確率が低下することを表現している。また、場合分けについては、
(a₂=1,a₁=1)→応募して当選する確率
(a₂=1,a₁=0)→応募して落選する確率
(a₂=0,a₁=1)→応募せず当選する確率
(a₂=0,a₁=0)→応募せず落選する確率
を表現している。

これらの定義にもとづき、学習処理部１０３は、パラメータを推定する。推定においてはEMアルゴリズムを用いて完全尤度を最大化する。EMアルゴリズムはパラメータの更新を複数回、収束するまで行う手続きである。具体的にはEMアルゴリズムのt回目のステップにおいて、その時点でのパラメータをΛ^t,Θ^tとし、Q関数を

とした上で、このQ関数を最大化し、新たなΛ^t+1,Θ^t+1とする操作を繰り返す。また上式においてI_ujは顧客u_jがこれまでに購買した商品の多重集合（例えばi_Aを1つ、i_Bを2つ購入している場合、{i_A,i_B,i_B}となる）であり、τは正則化パラメータである。Q関数の最大化には最急降下法（例えば、茨木俊秀, "最適化の数学 (共立講座 21世紀の数学 13)", 共立出版）やL-BFGS（例えば、Liu, D. C., Nocedal, J. , "On the Limited Memory Method for Large Scale Optimization". Mathematical Programming B 45 (3): 503-528, 1989）などの最適化手法などを用いる。これによって得られた顧客別商品属性選好Θ１０４及び商品属性別人気度Λ１０５は購買行動予測モデル学習部１１における出力となる。

購買行動予測モデル学習部１１における出力例を図４に示す。まず顧客別商品属性選好を見ると、顧客ごとに重視する商品属性が異なっていることがわかる。また、この値が高ければ高いほど、その属性を重視していることがわかる。

次に商品属性別人気度を見ると、どの商品属性がどの程度人気であるかを把握することが可能になる。

＜購買行動予測部＞
図５は、購買行動予測部１２の機能ブロック図である。

購買行動予測部１２では、顧客idの集合１０６と、商品id、商品属性、商品数１０７を入力とし、購買行動予測モデル学習部１１で推定された顧客別商品属性選好１０４と、商品属性別人気度１０５とを受け取り、その顧客が当該商品の購買を試みる確率（商品応募確率１０９）、及び、当該商品の購買が成功する確率（商品購買確率１１０）を予測し出力する。

購買行動予測部１２の顧客購買確率計算部１０８では、入力された顧客id集合１０６{u_1,...,u_Nt) }、及び、商品id、商品属性、商品数１０７を受け取る。購買行動予測部１２において入力される二つの情報のデータ構造を図６に示す。顧客id集合１０６、及び、商品id、商品属性、商品数１０７は、購買行動予測モデル学習部１１において入力される購買情報１００、商品属性情報１０１、及び商品数情報１０２と同じ内容でもよく、異なる内容でもよい。例えば、商品の値、商品数は学習段階と異なる値が用いられてもよい。

また、顧客購買確率計算部１０８は、購買行動予測モデル学習部１１で学習された顧客別商品属性選好Θ１０４、及び商品属性別人気度Λ１０５を受け取る。その後、次の式にもとづいて各顧客u_k,k=1,...,N_tについて商品応募確率p(a₂=1|u_k,i_t,Θ)１０９と商品購買確率p(a₁=1│i_t,u_t,Θ,Λ)１１０を計算する。

そして、顧客購買確率計算部１０８は、上記の商品応募確率１０９と商品購買確率１１０を購買行動予測部１２の最終出力として出力する。購買行動予測部１２において出力される二つのパラメータのデータ構造を図６に示す。

また、購買行動予測部１２における出力例を図７に示す。図７において、商品id毎に商品応募確率１０９が出力されており、大きい値であるほど顧客がその商品を購買しようとしやすいことを示している。また、商品購買確率１１０については、この値が大きいほど、顧客が当該商品を入手しやすいことを示している。

＜本発明の実施例の効果＞
以上説明したように、本発明の実施例によれば、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現することが可能になる。より具体的には、
1.本発明の実施例に係る購買予測装置を用いて、より高精度な顧客の購買行動予測が可能になる。

2.本発明の実施例に係る購買予測装置を用いて、次の２つを知ることができるようになる。

2-1.顧客が商品を購買する際、どの属性に魅力を感じ、商品を選択しているか
2-2.商品属性ごとの人気度、及び、商品の当選確率
3.これにより、本発明の実施例に係る購買予測装置を用いて、データ上観測することができない当選確率を考慮した上での購買予測が可能になり、より正確な予測、及びより適切な需要の推定が可能になる。

このように、顧客の購買予測がより高精度に実現できることにより、仕入れや広告戦略化が顧客ごとに最適化され、利益が向上する。

また、抽選による落選の効果を導入することにより、
・潜在的にはどれぐらいの顧客が購買を試みたか、すなわち潜在的にどれぐらいの顧客が存在するか
・抽選の当選確率はどの程度か
・どのような商品属性がどの程度の顧客を引きつけるか
などが把握可能になる。

説明の便宜上、本発明の実施例に係る購買予測装置は機能的なブロック図を用いて説明しているが、本発明の実施例に係る購買予測装置は、ハードウェア、ソフトウェアまたはそれらの組み合わせで実現されてもよい。例えば、本発明の実施例は、コンピュータに対して本発明の実施例に係る購買予測装置の各機能を実現させるプログラム、コンピュータに対して本発明の実施例に係る方法の各手順を実行させるプログラム等により、実現されてもよい。また、各機能部が必要に応じて組み合わせて使用されてもよい。また、本発明の実施例に係る方法は、実施例に示す順序と異なる順序で実施されてもよい。

以上、顧客の購買がなんらかの抽選、すなわちある確率で成功するという仮定において、より高精度な購買行動の予測を実現するための手法について説明したが、本発明は、上記の実施例に限定されることなく、特許請求の範囲内において、種々の変更・応用が可能である。

１０購買予測装置
１１購買行動予測モデル学習部
１２購買行動予測部
１００購買情報
１０１商品属性情報
１０２商品数情報
１０３学習処理部
１０４顧客別商品属性選好
１０５商品属性別人気度
１０６顧客id
１０７商品id、商品属性、商品数
１０８顧客購買確率計算部
１０９商品応募確率
１１０商品購買確率

Claims

顧客の購買行動を予測する購買予測装置であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習部と、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算部と、
を有する購買予測装置。
前記購買行動予測モデル学習部は、
商品の総数をIとし、
商品属性の総数をMとし、
商品i₁,...i_Iと、商品に紐付いた属性情報f₁,...f_Mと商品の値v₁,...v_Iのペアの集合f₁={<f₁₁,v₁₁>,...,<f_1M,v_1M>},...,f_I={<f_I1,v_I1>,...,<f_IM,v_IM>}とを用いて、前記商品属性情報を{<i₁,f₁>,...,<i_I,f_I>}とし、
前記商品数情報を{<i₁,c₁>,...<i_I,c_I>}とし、
前記顧客別商品属性選好をΘ={θ₁₁,...,θ_1M,...,θ_I1,...,θ_IM}とし、
前記商品属性別人気度をΛ={λ₁,...,λ_M}とし、
顧客u_nが商品i_kを購買する確率p(a₁=1|i_k,u_n,Θ,Λ)を、a₁は顧客u_nによる商品i_kの購買が成功したときにz₁=1、そうでないときにz₁=0を取る二値変数とし、a₂は顧客u_nが商品i_kの購買を試みたときにz₂=1、そうでないときにz₂=0を取る二値変数としたとき、

で表し、
前記購買情報から、顧客u_jが購入した商品の多重集合をI_ujとし、
EMアルゴリズムにおけるt回目のステップのパラメータをΛ^t,Θ^tとし、τを正則化パラメータとして、Q関数を、

で表し、
前記Q関数を最大化するパラメータΛ,Θを求める、請求項１に記載の購買予測装置。
前記顧客購買確率計算部は、
各顧客u_k,k=1,...,N_tについて前記商品応募確率p(a₂=1|u_k,i_t,Θ)及び前記商品購買確率p(a₁=1|i_t,u_t,Θ,Λ)を、

により計算する、請求項２に記載の購買予測装置。
顧客の購買行動を予測する購買予測装置における購買予測方法であって、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定するステップと、
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算するステップと、
を有する購買予測方法。
顧客の購買行動を予測するために、コンピュータを、
顧客が購買した商品を示す購買情報と、商品に紐付いた商品属性を示す商品属性情報と、商品の販売可能個数を示す商品数情報とを受け取り、顧客の商品属性に対する興味の値を示す顧客別商品属性選好と、商品属性ごとの人気度を示す商品属性別人気度とをEMアルゴリズムを用いて推定する購買行動予測モデル学習手段、及び
前記顧客別商品属性選好と、前記商品属性別人気度とを受け取り、顧客が商品の購買を試みる確率を表す商品応募確率と、顧客による商品の購買が成功する確率を示す商品購買確率とを計算する顧客購買確率計算手段、
として機能させるためのプログラム。