JP2016517550A - ブロードバンドネットワークのチャーン予測 - Google Patents

Abstract

チャーン予測器は顧客がチャーンしそうであるか否かを予測する。チャーン予測器は、複数の顧客から収集されたデータに基づいて、ビルドおよびトレーニングされる。データには、静的な構成データおよび動的な測定データを含み得る。チャーン予測器ビルダーは、収集されたデータに基づいて複数の顧客インスタンスを生成し、および、インスタンスを１つ以上のトレーニングサブセットに分離することに基づいて当該インスタンスを処理する。前記処理に基づいて、ビルダーはチャーン予測器を生成し、記憶する。チャーン予測器は顧客のデータにアクセスし、および、トレーニングデータを評価するために顧客インスタンスを生成することができる。チャーン予測器は前記顧客インスタンスを処理し、および、チャーン尤度スコアを生成する。チャーンタイプに基づいて、チャーン予測器システムは顧客に対する予防的アクションを生成することができる。

Description

（優先権の主張）
この出願は、「ＣＨＵＲＮ ＰＲＥＤＩＣＴＩＯＮ ＩＮ Ａ ＢＲＯＡＤＢＡＮＤ ＮＥＴＷＯＲＫ」という名称の２０１３年２月１４日に提出された国際特許出願番号ＰＣＴ／ＵＳ２０１３／０２６２３６号の優先権を主張し、参照によりその全体を本明細書に援用する。

本発明の実施形態は一般にネットワーキングに関し、より詳細にはブロードバンドネットワークの顧客チャーン（ｃｈｕｒｎ）の予測に関する。

（著作権表示／許諾）
本特許出願書類の発明の一部は、著作権保護のもとにある資料を含む。著作権所有者は、米国特許商標庁による特許のファイルまたは記録であることが明らかである場合には、特許出願書類または特許発明のいずれによる複写に対しても異議を唱えないが、その他のものに対してはすべての著作権を留保する。著作権は、本明細書に記載される以下の図面にしたがって以下で説明されるすべてのデータだけではなく、以下で説明されるすべてのソフトウェアに対しも適用される。Ｃｏｐｙｒｉｇｈｔ（著作権）２０１３、ＡＳＳＩＡ、Ｉｎｃ．，、無断複写・複製・転載を禁ず。

チャーン、すなわちサービスの切断（顧客ターンオーバ（ｔｕｒｎｏｖｅｒ）あるいはアトリッション（ａｔｔｒｉｔｉｏｎ）とも称する）は、ＤＳＬ（デジタル加入者線）オペレーター等のブロードバンドサービスプロバイダーにとって重要な問題として続いている。当然、サービスプロバイダーおよびオペレーターはチャーンを低減させることを望んでいる。しかしながら、顧客がブロードバンドサービスを切断することを決定するには多くの理由がある。理由には、回線安定性、レート、技術サポートの質、活性化されたプロセスでの顧客の経験、競合者の申し出、あるいは、他の理由が挙げられる。チャーン履歴によって１つまたは少数のこれらの要因のあと知恵による相関を見ることは通常は実に簡単である。しかしながら、統計的な意味で、顧客のチャーンにどのようにさまざまな要因がシステム的に寄与しているかを見いだすことはこれまで難しかった。

ネットワークオペレーターは一般に大量の履歴データにアクセスすることができるが、他の顧客の将来の行動を予測するために、どのデータ使用をすべきか、またはデータをどのように解釈するべきかが必ずしも明確ではなかった。さらに、チャーナに対して特定の経験的なデータは利用可能であるが、切断する顧客は必ずしも彼らの去る理由（単数または複数）を示すわけではない。このように、膨大な量のデータが利用可能であるが、未だに顧客が不満足となる特定の理由がわからない。

以下の記載には、発明の実施形態の実装形態の一例として示される図説を含む図面の説明が含まれる。図面は１つの実施例として理解されるべきであり、制限することを意味するものではない。本明細書で使用される場合に、１つ以上の「実施形態」への言及は、発明の少なくとも１つの実装形態に含まれる特定の特徴、構造、あるいは特性を説明するものであると理解されるべきである。このように、本明細書に記載される「１つの実施形態では」あるいは「代替実施形態では」等の語句は、発明のさまざまな実施形態および実装形態を説明し、すべてが同一の実施形態を参照する必要はない。しかしながら、相互に排他的なものである必要はない。

顧客のチャーン尤度を評価するチャーン予測器を備えるシステムの実施形態のブロック図である。 チャーン予測器ビルダーの階層の実施形態のブロック図である。 チャーン予測器の階層の実施形態のブロック図である。 チャーン予測器をビルドするためのシステムの実施形態のブロック図である。 チャーン予測を生成するシステムの実施形態のブロック図である。 チャーン予測に使用されるデータ収集システムの実施形態のブロック図である。 チャーン予測器をビルドするために予測ウィンドウ内の顧客のチャーン予測を評価する実施形態のブロック図である。 チャーナおよび非チャーナサブセット情報に基づいてチャーン予測モデルを生成するためのシステムの実施形態のブロック図である。 チャーン予測器をビルドするためのプロセスの実施形態のフローチャートである。 チャーン予測器で顧客チャーンを予測するためのプロセスの実施形態のフローチャートである。

特定の詳細および実装形態の記載は、以下に説明される実施形態の一部または全てをあらわす図面の説明を含むばかりではなく、本明細書に記載される発明概念の他の可能性がある実施形態または実装形態を説明することも含む。

本明細書に記載されているように、チャーン予測器を訓練し、ビルドするために、システムは顧客チャーンに関連するデータのデータ収集を実行する。データは物理層ブロードバンド接続情報に関する情報を含むことができる。データには、測定データ等の動的データだけではなく、構成データ等の静的データを含み得る。データには、ブロードバンド接続に直接関連するデータ、接続に関するメタデータ、あるいは、何故顧客がブロードバンドサービスを切断しようとしたのかを特定するために使用できる他のデータを含み得る。データには、サービスプロバイダーの管理下の要因に直接関連するデータ（例えば、特定の回線の構成を含むネットワーク設定）ばかりではなく、サービスプロバイダーの管理下ではない要因に関連するデータ（例えば、気象または環境要因、経済、競合者の行動）を含み得る。データが付与されると、システムは、顧客チャーンの予測に役立つパターン（単数または複数）を持つモデル（単数または複数）をトレーニングできる。本明細書で使用される場合に、顧客チャーンとは顧客がサービスを終了することを意味し、および、顧客ターンオーバ、顧客アトリッション（ａｔｔｒｉｔｉｏｎ）、すなわちサービスの切断をも意味することができる。

チャーン予測器ビルダーは、収集されたデータに基づいて、複数の顧客インスタンスを生成し、および、インスタンスを処理する。１つの実施形態では、チャーン予測器は、複数のインスタンスを複数のトレーニングサブセットに分離することに基づいて複数のインスタンスを処理する。当該処理に基づいて、ビルダーはチャーン予測器を生成し、記憶する。チャーン予測器は、特定の顧客または顧客のグループのデータにアクセスし、および、訓練されたモデル（単数または複数）を評価するために顧客インスタンスを生成することによって、顧客がチャーンしそうであるか否かを予測する。チャーン予測器は顧客インスタンスを処理し、および、チャーン尤度スコアを生成する。チャーン尤度およびチャーンタイプに基づいて、チャーン予測器システムは、顧客に対して改善または予防的アクションを生成できる。

周知のシステムとは対照的に、１つの実施形態では、本明細書に記載のシステムは、ネットワーキングデバイスをモニタリングすることによって得られる物理データを使用する。当該データには高次元の入力データが含まれ、ここで当該入力データには、物理層動作パラメータおよび性能カウンターだけではなく、顧客が居住する同一の地域の競合するサービス、呼び出しデータ、ディスパッチデータ、および、サービスプロバイダーのテクニカルサポート等のサイド情報が含まれることが理解されるであろう。システムはマシン学習を使用してチャーン予測器をビルドし、それによってシステムは効率的に大量のデータを管理できる。

１つの実施形態では、チャーン予測は２つの分離アクティビティに分離される。第１のアクティビティはチャーン予測器をビルドすることである。チャーン予測器をビルドすることには少なくとも以下のコンポーネントが含まれる：データ収集、モデル（単数または複数）をトレーニングするための入力データを準備するデータ事前処理、および、トレーニングプロセスでマシン学習アルゴリズムを使用するモデルビルダー。第２のアクティビティはチャーン尤度予測を生成するために、訓練されたモデル（単数または複数）で顧客を評価することである。顧客評価には少なくとも以下のコンポーネントが含まれる：評価されるターゲット顧客（単数または複数）のためのデータを取得するデータ収集、データ事前処理、およびチャーン予測器を使用した予測。１つの実施形態では、顧客処理には、チャーンしそうである顧客のサブセットを選択する工程、および、当該サブセットの顧客に対する予防的アクションを生成する工程が含まれる。

図１は、顧客のチャーン尤度を評価するチャーン予測器を備えるシステムの実施形態のブロック図である。システム１００は複数の顧客１０２を含み、それらはブロードバンドプロバイダー１１０の加入者線１１２の加入者であり、および、ネットワークを介してブロードバンドプロバイダー１１０に接続されている。システム１００は、顧客およびプロバイダーのネットワークであると考えることができる。プロバイダー１１０は、例えばＤＳＬまたはケーブル加入者線１１２のサービスプロバイダーであり得る。各顧客１０２は顧客構内のブロードバンドラインにアクセスすることができる。ブロードバンドサービスプロバイダーおよびブロードバンド接続プロバイダーは同一エンティティ、または、同一の企業エンティティの一部であり得ることが理解されるであろう。しかしながら、ラインにわたってブロードバンドサービスを提供するために、物理的ラインを提供および維持するエンティティ（すなわち、接続プロバイダー）は別のエンティティにリースおよび／またはライセンスすることも可能である。したがって、多くの場合にブロードバンドサービスプロバイダーおよびブロードバンド接続プロバイダーは同一であり得るが、それらは同一である必要はない。ブロードバンドサービスプロバイダーは顧客のチャーンを低減するように動機付けられ、および本明細書に記載されていることにしたがって、ブロードバンド接続プロバイダーから得られるデータを使用できる。本明細書で使用される場合に、ブロードバンドプロバイダー１１０は一方または両方のプロバイダーを指すことができる。

各加入者線１１２は、接続設定１２０に保存されることができる特定の構成パラメータにしたがって動作する。各加入者線１１２は、コスト、利用可能な帯域幅、位置、あるいは、他の情報に関連するパラメータを特定する物理的構成データを持つ。接続設定１２０は、接続情報ばかりではなく、年齢、性別、仕事／家庭、又は他の情報等のユーザまたは顧客１０２のプロファイルに関連する情報を記憶することができる。接続設定１２０は、月間データキャップ（ｃａｐ）、使用履歴、または、他の情報等のラインの動作に関連する他の情報も記憶できる。

１つの実施形態では、いずれかの特定のブロードバンド接続の物理的特性に直接関連するものではないが、ブロードバンドに接続する顧客に関連するデータを提供する非接続データ１２２にプロバイダー１１０はアクセスする。当該データの例には、競争相手の申し出、気象データ、ディスパッチ、または他のデータが挙げられるがこれらに限定されるものではない。１つの実施形態では、チャーンの尤度を特定する目的で、ブロードバンド接続の物理的特性または物理的構成に直接関連しないすべてのデータはメタデータと見なされる。しかしながら、ブロードバンド接続の物理特性または物理的構成に直接関連しない少なくともいくつかのデータは、特定の顧客のためというよりも、通常はネットワーク全体の顧客のために収集されることが理解されるであろう。チャーンを評価するために生成される特定の顧客インスタンスに適用される場合には、当該データはより論理的にメタデータと見なすことができる。

プロバイダー１１０は、測定エンジン１３０によって記録される測定データ１３２をも記憶することができる。測定エンジン１３０は、ラインをモニタリングおよび／または診断するために、加入者線１１２と接続するいずれかの１つ以上のメカニズムを指す。測定エンジン１３０は、実際のラインの使用情報、動作帯域幅（接続設定１２０に記憶されている定格帯域幅によって異なる）、またはテスト結果等の診断情報を測定することができる。測定エンジン１３０によって収集された情報は、測定データ１３２として記憶される。測定データ１３２には、加入者線１１２に接続されている顧客構内の無線ネットワークルータの性能ばかりではなく、各加入者線１１２の接続の性能または動作に関するデータを含む。測定データの例には、エラー回数および顧客の呼び出し回数等の物理的測定値も含む。測定エンジン１３０は加入者線に接続されている無線ルータと通信し、および、情報を集めるメカニズムを含む。

１つの実施形態では、プロバイダー１１０はチャーン予測論理１４０を含み、これらはチャーン予測器ビルダー１４４およびチャーン予測器１４６を含むことができる。１つの実施形態では、チャーン予測１４０のすくなくとも１部はプロバイダー１１０から離れた場所に位置し、および、データを収集するためにプロバイダー１１０とのインターフェースを使用し、および、チャーン予測に関連するサービスを実行する。例えば、チャーン予測器１４６は、ブロードバンドプロバイダー１１０にモニタリングまたは他のサービスを提供するエンティティに存在することができる。チャーン予測器ビルダー１４４は、チャーン予測器１４６を生成するために接続設定１２０および／または測定データ１３２および／または非接続データ１２２に通常はアクセスする。チャーン予測器１４４は、接続設定１２０および／または測定データ１３２および／または非接続データ１２２に通常はアクセスし、ここで顧客１０２はプロバイダー１１０を介してブロードバンドサービスを切断する。チャーン予測器ビルダー１４４およびチャーン予測器１４６は必ずしも同一の位置に存在する必要はない。接続設定データ１２０および測定データ１３２は、ブロードバンド接続情報を特定するデータを示す。

１つの実施形態では、プロバイダー１１０はユーザインターフェースを備え、顧客１０２はそれを介して顧客の各加入者線１１２をモニタできる。１つの実施形態では、ユーザインターフェースによって、顧客は顧客の加入者線に関連する活動をモニタし、または、測定できる。測定エンジン１３０は、顧客によって開始された測定データとして、モニタリングデータまたは測定データを提供できる。１つの実施形態では、測定エンジン１３０は、顧客によって開始された、または、ユーザによって開始されたデータを測定データ１３２に記憶し、次にそれらはチャーン尤度分析でチャーン予測１４０によって使用され得る。

１つの実施形態では、いつ測定データを収集するべきか、どのようなデータを収集するべきか、および、データ収集に関連するいずれかの他のパラメータを示す管理エンジン（特に図示しない）に応答して、測定エンジン１３０は測定を実行する。例えば、変更させた設定によってライン性能がどのように影響されるかを決定するために、管理エンジン（あるいは他のエンジン）は、プロバイダーシステムに、１つ以上の加入者線ブロードバンド接続の１つ以上の物理的リンク設定を変更させることができる。したがって、測定データ１３２には、設定変更に応答して加入者線１１２がどのように実行するかを示すデータを含むことができる。当該データは、チャーン予測１４０のチャーン予測器１４６によるチャーン尤度分析の主な要因であり得る。

チャーン予測１４０は、顧客チャーンに対応するパターンを決定するために、記憶されたデータ１２０および／または測定データ１３２および非接続データ１２２を取得、または、アクセスする。チャーン予測１４０は、各構成設定、測定データパラメータ、または他の性能パラメータに対して複数の変数を割り当てることができる。全体として、当該データは、直接的または非直接的に顧客満足度を反映するメトリクス（ｍｅｔｒｉｃｓ）と称することができる。チャーンを分析する場合の一般的な１つの想定は、満足した顧客は通常はチャーンしないということである。したがって、性能、ライン構成、顧客サービス、インストール／セットアップ、または他の要因に関連するメトリクスは、顧客の満足度レベルに直接的または間接的に影響を与える可能性がある。パターンを特定するために、チャーン予測１４０はさまざまなメトリクス（ｍｅｔｒｉｃｓ）を評価するための変数を規定できる。

１つの実施形態では、チャーン予測１４０は、図３Ａおよび図３Ｂを参照して以下により詳細に説明される１つ以上のチャーンモデル１４２を使用する。手短に言えば、各チャーンモデル１４２は収集されたデータから生成される単純または複雑なモデルである。１つの実施形態では、チャーン予測１４０は、多くの単純なチャーンモデル（モデルを構成するために使用される、論理の複雑性、および／または、未加工データ量を参照）を使用し、および、複数のモデルのそれぞれと顧客メトリクスとを比較する。チャーン予測１４０は、１モデル当たり、多くの未加工データに基づいて複雑なモデルを代わりに使用することもできる。

チャーン予測１４０、および／または、そのチャーンモデル１４２（複数のモデルが使用される実施形態）のいずれかは新しいデータに常に更新される。時間の経過に伴って、新しいデータは常に生成され、これはチャーナおよび非チャーナのパターンを特定するために関連があり得る。新しいデータが生成されると、既存のモデル（単数または複数）１４２は、モデルが生成されて以来の新しく取得されたデータを含むすべての利用可能なデータを使用して再構成され得る。１つの実施形態では、システム１００はチャーン予測１４０のために既存のモデル（単数または複数）１４２を維持し、および、新しく取得されたデータを含む利用可能なすべてのデータに基づいて、新しいモデル（特に図示しない）をビルドする。したがって、以前のモデルは更新される代わりに引退させられ得る。１つの実施形態では、チャーン予測１４０は既存のモデル（単数または複数）１４２を維持し、および、新しく取得されたデータのみに基づいて新しいモデルを生成するチャーン予測器ビルダーから新しいモデル（単数または複数）を獲得する。当該実施形態では、モデルの数は明らかに増える。利用可能なすべてのモデルに基づいてチャーン尤度スコアまたはスコアを生成するチャーン予測器１４６によって、新しいモデルおよび古いモデルを含む利用可能なすべてのモデル１４２を使用して、顧客の評価が実施され得る。当該実装形態では、チャーン予測器１４６は新しいモデルからのスコアに重み付けをすることができ、または、ロジスティック回帰またはＳＶＭ（サポートベクターマシン）等のマシン学習アルゴリズムを使用して、最適な予測精度を生成するために、各モデルの重み付けを決定することができる。

図２Ａは、チャーン予測器ビルダーの階層の実施形態のブロック図である。チャーン予測器ビルダー２１０は１つ以上のソース２１２からデータを取得する。ソース２１２は、顧客満足度または顧客チャーンに直接的または間接的に関連する、物理的ライン設定または構成データの両方、顧客プロファイル情報、測定データ、構成データに関するメタデータ、または、いずれかの他の情報またはデータのクラスを意味する。ビルダー２１０は、データベースのデータを記憶および維持し、そのデータをアクセスすることによってデータを得ることができる。ビルダー２１０は外部データ記憶装置のデータにアクセスすることができる。１つの実施形態では、ビルダー２１０は、ビルダー２１０の実行をトリガするエンジンの変数として、そこを通過するすべてのデータを受信する自己完結的なモジュールである。

データアナライザー２２０は、ソース（単数または複数）２１２から受信した未加工データを事前処理するためのビルダー２１０の１つ以上の分析構成要素である。未加工データには、接続またはラインのための動作データおよび性能データだけではなく、ユーザの苦情呼び出しデータ、ディスパッチ（技術者の訪問）データ、気象データ、競争相手の申し出、公開フォーラムでの顧客の苦情、近隣データ、地理データ、ユーザ装置データ（例えば、モデムタイプ、モデムバージョン、チップ供給者）および／または他のデータを含むことができる。したがって、未加工データはブロードバンド接続データが含まれ、および、さらに顧客チャーンを分析するために使用されるメタデータまたは他のデータがさらに含まれ得る。多くの異なる事前処理動作および／または演算が実行され得るし、図２Ａに全てが図示されているわけではないことが理解されるであろう。１つの実施形態では、アナライザー２２０はセグメンター２２２を含み、未加工データを論理グループまたはデータセットにセグメント化または分離することができる。異なるセグメントは、地理によるグループ化集団、保有期間によるグループ化集団、サービスレベルによるグループ化集団、顧客タイプによるグループ化集団（例えば、消費者またはビジネス）、または他のタイプによるグループ化集団を含むことができる。セグメント化によって未加工データを、データ処理中に有効な比較ができる論理セットに体系化できる。１つの実施形態では、アナライザー２２０は未加工データから顧客インスタンスを生成するインスタンス生成器２２４を含む。各顧客インスタンスは多くの変数を含み、それぞれは各顧客チャーンに関するすくなくとも１つのメトリックを示す。

セグメント化の一例として、システムは２つのセグメント化空間を持ち：１つは地理的領域であり、および、もう１つは保有期間であると仮定する。特定の状態または領域の新しい顧客ラインを考えてみる。顧客ラインを示すために生成される顧客インスタンスは、新しい顧客のための保有期間セグメントに属すると共に、特定の状態または領域に基づいて地理セグメントに属することができる。したがって、顧客がチャーナであるか否かにかかわらず、同一顧客インスタンスが両方のセグメント化空間に存在することができる。単一のセグメント化空間が図示されていることが理解されるであろう。

１つの実施形態では、不明なデータ、極端なデータ、または、他の異常なデータ（例えば、他の顧客インスタンスと比較して統計的範囲の外側、または、利用可能な技術標準で定義される有効範囲の外側のデータ）に対して、インスタンス生成器２２４は顧客インスタンスにデフォルト値および／または最高値／最低値を設定する。１つの実施形態では、アナライザー２２０は、ソース２１２からの入力データを事前処理するための規則またはデータモデルまたはパラダイムを含む離散器２２６を備える。すなわち、入力データは多くの異なるタイプのデータを含むことができ、それはチャーンを予測するためにデータをより正確に使用するための割り当てられた値であり得る。１つの実施形態では、不明な特性または極端な特性を持つ入力データのために、離散器２２６はアナライザー２２０がゼロ値または他のデフォルト値を割り当てることを可能にする。

１つの実施形態では、アナライザー２２０は、顧客インスタンスをどのようにトレーニングセットに分割するかを決定するためのロジックを示すチャーン比生成器２２８を含む。顧客インスタンスはチャーナと非チャーナの比によってグループに分離される。通常は、比は非常に小さく（例えば、非チャーナとチャーナの比は４：１、または、より小さい）、それによってより正確な予測を提供することが観察されている。１つの実施形態では、１対１の比が使用される。１つの実施形態では、チャーナと非チャーナの比がしきい値よりも大きい場合には、チャーン比生成器２２６はデータを、チャーナと非チャーナの比を持つデータの複数のサブセットに分離する。データを分離することによって比を比較的小さい値に維持するので、予測精度を改善することができる。

図面に示されるように、１つの実施形態では、ビルダー２１０は、サブチャーン予測器の集合としてチャーン予測器を生成する。単純な場合には、単一のサブチャーン予測器がチャーン予測器である。他の実装形態では、セグメンター２２２によって生成された各セグメントが、分離された１つのサブチャーン予測器である。セグメンター２２２が未加工データをセグメント０からＸに分離したと仮定する。各セグメントは１つ以上のモデルに細かくさらに分割される。セグメント０はモデル０−０からモデル０−Ｙを持つように図示されている。各モデルは、トレーニングデータセットを処理する異なるモデル結果であり得る。１つの実施形態では、トレーニングセットの個数は異なるセグメント間で異なり得る。したがって、セグメントＸは、モデルＸ−０からモデルＸ−Ｚを持つように図示されている。Ｘ、Ｙ、およびＺは０以上の整数であることが理解されるであろう。１つの実施形態では、ＹはＺに等しい。

異なるセグメントおよび当該セグメントの中のモデルは、データを処理するために使用される、トレーニングセットの未加工データの階層組織を示す。チャーン予測器出力２３０はビルダー２１０の出力を示し、チャーン予測器である。結果として得られるチャーン予測器は、チャーン予測器を生成するために使用されるトレーニングセットの未加工データの組織と同様に、階層化されていることが理解されるであろう。したがって、ビルダー２１０は１つ以上のモデルを持つ１つのセグメントによってチャーン予測器を生成でき、または、それぞれが１つ以上のモデルを持つ複数のセグメントによってチャーン予測器を生成できる。

図２Ｂは、チャーン予測器の階層の実施形態のブロック図である。チャーン予測器２５０は、図２Ａのビルダー２１０によって生成されたチャーン予測器の一例である。チャーン予測器２５０は、それを生成するために使用されたトレーニングデータの階層にしたがう処理／予測階層を持つ。チャーン予測器２５０は、潜在的なチャーンを評価するために、１つ以上の顧客に対するデータを含む入力データ２５２を取得する。入力データ２５２は、いずれかのデータソース（単数または複数）２１２からのデータを含むことができる。

チャーン予測器２５０はデータアナライザー２６０を含む。ビルダー２１０のアナライザー２２０と同様に、アナライザー２６０は、評価のためにデータを論理グループに分離する。通常、アナライザー２６０は、アナライザー２２０と同様に同一の論理または規則にしたがってデータを整理する。１つの実施形態では、アナライザー２６０は、未加工データを論理グループまたはデータセットにセグメント化または分離することができるセグメンター２６２を含む。異なるセグメントは、地理によるグループ化集団、保有期間によるグループ化集団、サービスレベルによるグループ化集団、顧客タイプによるグループ化集団（例えば、消費者またはビジネス）、または他のタイプグループ化集団を含むことができる。セグメント化によって未加工データを、データ処理中に有効な比較ができる論理セットに体系化できる。チャーン予測器２５０によって評価されるべき各顧客に対する顧客インスタンスを生成するために、アナライザー２６０はインスタンス生成器２６４を含む。１つの実施形態では、アナライザー２６０は、入力データ２５２を事前処理するための規則またはデータモデルまたはパラダイムを含む離散器２６６を含む。すなわち、入力データ２５２は多くの異なるタイプのデータを含むことができ、それはチャーンを予測するためにデータのより正確な使用を提供するように割り当てられた値であり得る。１つの実施形態では、不明な特性または極端な特性を持つ入力データのために、離散器２６６はアナライザー２６０がゼロ値または他のデフォルト値を割り当てることを可能にする。

アナライザー２６０による事前処理の後に、１つ以上のサブチャーン予測器０からＸ（図２Ａのセグメント０からＸに対応する）で、各顧客インスタンスを評価することによって、チャーン予測器２５０は１つ以上の顧客を評価できる。各サブチャーン予測器は、顧客インスタンスに対してチャーン尤度を評価するために使用される１つ以上のモデルを備える。各サブチャーン予測器および各モデルは、顧客インスタンスの最終評価または採点のために、スコア出力２７０に集められるチャーン尤度スコアを生成できる。スコア出力２７０は、加算、平均化、または、いくつかの他の方法によって、スコアを組み合わせることができる。チャーン予測器２５０は予測を示す単一のスコアを出力することができ、若しくは、チャーン予測器の外部にあるエンジン、および／または、管理者によってさらに評価することができる一組のスコアを出力することができる。

図３Ａは、チャーン予測器をビルドするためのシステムの実施形態のブロック図である。図１のプロバイダー１１０等のブロードバンドプロバイダーのブロードバンド接続にそれぞれが加入する顧客のグループ（ユーザまたは加入者とも称することができる）を示す顧客３０２をシステム３００は含む。ネットワーク相互接続ハードウェアを含むいずれかのタイプのネットワークであり、および、公にアクセス可能なネットワークを含んでもよい、ネットワーク３１０を介して、顧客３０２はブロードバンドプロバイダーと接続する。サーバ３２０は、ブロードバンドプロバイダーのサーバを示す。また、サーバ３２０はネットワークを介してプロバイダーと接続でき、および、プロバイダーのインターフェースを使用する。

サーバ３２０は、少なくともプロセッサー（単数または複数）、メモリーデバイス、ネットワーキングハードウェア、およびインターフェース（ヒューマンインターフェースおよび／またはマシンインターフェース）ハードウェアを含むハードウェア資源上で実行される。ハードウェアの１つ以上のエレメントはハードウェア資源として共有できる。ハードウェアの１つ以上のエレメントは、特にサーバ３２０に割り当てられる専用の構成要素であり得る。

チャーン予測器をビルドするために、サーバ３２０は顧客満足度に関連するデータにアクセスしてデータ収集を実行する。ネットワークモニタリングツール３２２は、ネットワーク管理システムを介して、接続ラインおよび／またはＷｉ−Ｆｉ（例えば、無線ネットワーク）データを収集する。当該システムは既知の技術である。当該データは、ＤＳＬ履歴性能カウンターデータ、ＤＳＬ動作データ、ＳＥＬＴ（シングルエンドラインテスト）データ、スループットデータ、Ｗｉ−Ｆｉ性能データ、および／または、他のデータの１つ以上を含むことができる。一般に無線ネットワークは顧客が加入する独立したサービスではなく、顧客のブロードバンドサービスに接続される通信媒体であるので、Ｗｉ−Ｆｉ性能は加入者線接続と関連して得ることが理解されるであろう。したがって、Ｗｉ−Ｆｉから収集されたデータは、ブロードバンドサービスのチャーンを予測するために使用することができる。データはデータ３２４に記憶され、異なるタイプのデータに分類されることができる。

１つの実施形態では、ブロードバンド接続のアップロードおよびダウンロードスループットを測定するツール等である、ウェブベースまたは携帯のラインテストツールによって顧客３０２はデータ収集を開始できる。データ３２４は、チャーン予測器を生成またはチャーン予測器で顧客を評価するために使用される、アクセスまたは取得されるデータを示し、そのデータは一時的に（例えば、揮発性メモリーに）または長期に（例えば、データベースまたは他の不揮発性記憶システムに）データが記憶され得る。データ３２４は、内部ソース（単数または複数）および／または外部ソース（単数または複数）から取得またはアクセスされ得る。データ３２４は、モニタリングツール３２２による測定データおよび／または非測定データを含み得る。非測定データには、公開ネットワーク（例えば、インターネット）からアクセス可能であるデータを含み得る。１つの実施形態では、データ３２４は、動作に対する要求（レート、安定性、待ち時間、または、他の要求）に関する好み等の顧客の選好データを含む。１つの実施形態では、データ３２４はチャーン予測の正確性を増す公に利用可能なデータを含み得る。当該公に利用可能なデータには、気象データ、オープンウェブ空間の顧客の苦情、または、他の公にアクセス可能なデータを含み得る。

１つの実施形態では、データ３２４は、サービス製品に対する要求、価格、サービス開始日、サービスアクティブ時間、顧客の苦情、サービスディスパッチ、または他のサービスデータ等の加入者サービスに関連する顧客データを含む。加入サービスに関連するデータには、顧客の装置データも含み得る。１つの実施形態では、データ３２４は近隣データ、地理データ、または、他のデータ等の他のデータセットを含む。

上述したように、１つの実施形態では、活性化ライン最適化エンジンまたは構成要素は加入者線の設定を変更し、および、顧客満足度に関連する性能または他のデータに対する変化をモニタする。ライン設定の当該活性化による変更は、収集の観点から活性化データの生成とも称することができる。上記で参照される収集され得るデータの他の態様では、いずれかの与えられた条件をモニタすることに役立つ。しかし、加入者線についてもっと知るために、すなわち、ラインの条件を改善するために、１つの実施形態では、自動化システム（例えば、自動化管理エンジン）が１つ以上の制御ラインパラメータまたは設定を変更することができる。結果として、当該ラインの追加の物理データが利用可能となる。制御パラメータの変化によってライン条件が影響されるので、顧客が加入サービスの改善または劣化に気づき、および、顧客サポートセンターに対する顧客からの呼び出しの発生が起こり、または、発生を食い止めることができるかもしれない。当該顧客の呼び出しデータは、収集され得る未加工データの一部である。当該データは、設定を変更する活性化データ生成プロセスによって生成され得る。当該データは、豊富なデータセットを提供することに貢献し得る。

サーバ３２０は、データ事前処理に関連する動作をさらに実行する。履歴データおよび／または他の未加工データのサイズは非常に大きく、および、ノイズ性の値および／または不適切な値を含むことがよくあることが理解されるであろう。データ分析部３３０は、未加工データセットから有意義なメトリック（単数または複数）を抽出し、および、チャーン予測器の正確性を改善するために、データ３２４の事前処理を実行するツールまたは構成要素を示す。各事前処理構成要素または事前処理動作は、機能３３２であると見なすことができる。機能３３２は、他のデータからデータを導出するための導出機能ばかりではなく、データを除去するためのフィルタリング機能も含む。データ分析部３３０は、不適切な、無効な、および／または過剰なデータポイントを除去するために機能３３２を使用する。

データ分析部３３０は、各顧客インスタンスのための各変数およびアクセスされたデータのための規則（例えば、評価モデルまたはパラダイム）に基づいて、複数の変数の事前処理を実行する。評価モデルは、異なるタイプのデータ入力に対して有意義なトレーニングを提供するように、マシン学習プロセスで一緒に使用できるように、異なるデータタイプを正規化するものと見なすことができる。１つの実施形態では、データ分析部３３０は実際の値から有限値にマッピングする。したがって、連続する実際の値の代わりに、データ分析部３３０は複数の値を一組の値の中の１つにマッピングできる。１つの実施形態では、当該マッピングは、以下で説明される離散器３３４で実行される。

１つの実施形態では、データ分析部３３０による事前処理には、デバイスに入手可能な技術標準に基づいて、ネットワークデバイスから収集された無効な値を修正または除去する工程を含む。修正および除去する工程も、または、択一的に、既知のバグ、エラー、または、特定のネットワーク装置またはデバイスの制限に関する既知の知識に基づくこともできる。１つの実施形態では、データ分析部３３０は、各変数に対する分布を演算する（マシン学習における「属性（ａｔｔｒｉｂｕｔｅ）」として知られる）。分布に基づいて、データ分析部３３０は、分布からデータポイントの高い、および／または、低いＸ番目のパーセンタイル（例えば、１０番目以下および９０番目以上）を削除することができ、使用される値から最小または最大値等の極端な値を阻止する。１つの実施形態では、データ分析部３３０は、平均、分散、または、他の計算結果等の基本的な統計値を演算できる。当該統計値は、未加工データの代わりに使用されることができ、データの次元を低減するように動作する。１つの実施形態では、データ分析部３３０は、未加工データ値を効果的に要約する、あらかじめ定められた機能を使用して、安定性スコア（例えば、ＤＳＬ−Ｅｘｐｒｅｓｓｅの安定性スコア等のラインの健康度の指標）または定常状態のＴＣＰスループット等のメトリクス（ｍｅｔｒｉｃｓ）を演算する。もう一度説明するが、未加工データの要約機能を使用することによって、チャーンをトレーニングおよび／または予測するために使用されるデータの次元を低減することができる。他の機能は、比較および／または補間によって値を導出するために使用されることができる。次元を低減することによって、マシン学習および／またはチャーン評価動作のスピードを上げ、および／または、当該動作を実行するためのコンピュータ上の帯域幅が小さくなるように動作可能であることが理解されるであろう。

１つの実施形態では、データ分析部３３０は、データ収集時間間隔を２つ以上のサブ期間に分割する。データ分析部３３０は、各変数の傾向を把握するために各変数に対して隣接するサブ期間の相異を演算できる（例えば、特定の変数観察期間に上昇または下降するか）。観察期間または収集期間は、履歴データが収集される場合の開始日と終了日との間の期間を示し、または、検討するために使用される履歴データの開始日および終了日（例えば、利用可能な履歴データの一部だけを使用すること）を示す。

１つの実施形態では、データ分析部３３０はデータ３２４から顧客インスタンスを生成する。顧客インスタンスは、特定のラインのための変数または特性の収集として理解できる。データ分析部３３０は、データ３２４の情報に基づいて顧客インスタンスをチャーナおよび非チャーナとして特定することができ、および、顧客インスタンスを「チャーナ」または「非チャーナ」記号としてラベル付けできる。１つの実施形態では、チャーナインスタンスはチャーナのタイプによってさらに分類されることができ、ここで各タイプは顧客がサービスを中止した（すなわちチャーナになる）理由に対応する。

いくつかのラインでは、特定のサブ期間または全データ収集期間にわたって収集されたデータがない場合がある。１つの実施形態では、当該ラインをデータセットから除外するのではなく、不明なデータがあるサブ期間を「データなし」として目印を付け、および、データセットに挿入される。１つの実施形態では、データ分析部３３０は変数を離散するための離散器３３４を含む。離散化によって「データなし」値は、マシン学習アルゴリズムによって他の値と一緒に処理されることができる。１つの実施形態では、複数の変数を離散化する工程には、特定のサブ期間に顧客インスタンスに利用可能なデータがない場合には、変数をプリセット値に設定する工程を含む。１つの実施形態では、プリセット値は変数に対してゼロ値である。

サーバ３２０は、収集および事前処理されたデータでチャーン予測器をビルドする動作を実行する。チャーン予測器ビルダー３４０は、チャーン予測器をビルドするために、マシン学習３４４（データマイニングまたは統計学習とも称する）によって、未加工および／または事前処理データが処理される構成要素およびプロセスである。マシン学習プロセスはモデル（単数または複数）のトレーニングとも称することができる。チャーン予測器をビルドするために使用されるべき事前処理データは、チャーナおよび非チャーナの両方を含む多くの顧客のデータを含む。ビルダー３４０で受信された当該データはトレーニングデータ３４２とも称することができる。多くの利用可能なマシン学習ツールがあり、それらの１つ以上をビルダー３４０はチャーン予測器をビルドするために使用する。マシン学習構成要素（単数または複数）はマシン学習３４４としてあらわされる。マシン学習３４４には、チャーン予測器をトレーニングするために、カスタム（専用）および／またはオープンソース（例えば、ＷＥＫＡ）マシン学習ツールを含むことができる。離散化が使用される１つの実施形態では、ベイズネットワーク等のアルゴリズムを、ゼロ値を含むデータセットの離散化値を取り扱うために使用できる。

１つの実施形態では、ビルダー３４０はトレーニングデータ３４２を複数のサブセットに分割する。一般にデータセットではチャーナの数は非チャーナの数に比べて非常に小さい。１つの実施形態では、トレーニングが偏ることを防ぐために、各サブセット中のチャーナと非チャーナの比が使用される。１つの実施形態では、比は１：１である（すなわち、チャーナおよび非チャーナの数が等しい）が、比は１：２または他の比を使用することができる。一般にチャーナと非チャーナの比は、トレーニングをするために使用される比よりも大幅に小さい。チャーナの数が少ないので、同一のチャーナインスタンスが複数またはすべてのデータセットで繰り返され得るが、複数のサブセットの１つでしか非チャーナインスタンスはあらわれないかもしれない（より詳細には以下の図６の記載を参照）。１つの実施形態では、ビルダー３４０はＮサブセットからＮモデルを生成する。

１つの実施形態では、トレーニングデータ３４２は保有期間によってグループ化された顧客ラインを示し、保有期間はセグメント化のタイプの一例である。当該アプローチはいくつかの実装形態の予測精度を向上できる。さらに、または、各顧客インスタンスに対応する地理データを、トレーニングデータ３４２をセグメント化するために使用することができる。グループ化が可能な１つの例として、保有期間によるグループ化は０〜２週間、２〜４週間、４〜１３週間、および１３週間以上に分けることが有効であった。当該保有期間によるグループ化集団が使用される場合には、各ラインの保有期間によって、入力データセットは多くのばらばらな小さなセットに分割される。次に、別々のチャーン予測器が保有期間グループ毎にビルドされる。ビルダー３４０はトレーニングされたシステムの出力を生成し、それらはチャーン予測器に記憶される。上述したように、チャーン予測器は異なるデータのサブセットに基づいて複数の異なるチャーンモデルを持つことができる。

図３Ｂを参照して以下に説明されるように、チャーン予測器ビルダー３４０は、チャーン予測器３６０を生成、すなわち、出力する。チャーン予測器３６０は、チャーン予測を実行するために使用されるべき１つ以上のモデル３６４を含む。

図３Ｂは、チャーン予測を生成するシステムの実施形態のブロック図である。システム３８０は顧客３０４を含み、これは図１のプロバイダー１１０等のブロードバンドプロバイダーのブロードバンド接続に加入する顧客（または顧客のサブグループ）を意味する。ここでチャーン予測器ビルダーは自動的または半自動的にパターンを発見するためにトレーニングを使用し、チャーン予測器はチャーナのパターンに統計的に類似する識別特性を示す顧客インスタンスを検出するためにテストまたは評価を使用する。特に、顧客３０４は可能性があるチャーンを評価できるように選択される。システムは、可能性があるチャーナを評価するために、ルーチンすなわち定期的なモニタリング、および、データマイニングを実施できる。例えば、データを毎日または一日に複数回、または、いずれかの他の頻度で、収集、および、分析できる。顧客３０４は、ネットワーク３１０を介してブロードバンドプロバイダーに接続される図３Ａの顧客３０２の１つであり得る。サーバ３５０は、ブロードバンドプロバイダーのサーバを示す。また、サーバ３５０はネットワークを介してプロバイダーと接続でき、および、プロバイダーのインターフェースを使用する。

サーバ３５０は、少なくともプロセッサー（単数または複数）、メモリーデバイス、ネットワーキングハードウェア、およびインターフェース（ヒューマンインターフェースおよび／またはマシンインターフェース）ハードウェアを含むハードウェア資源上で実行される。ハードウェアの１つ以上のエレメントはハードウェア資源として共有できる。ハードウェアの１つ以上のエレメントは、特にサーバ３５０に割り当てられる専用の構成要素であり得る。サーバ３５０は、特に特定の顧客３０４がチャーンしそうであるか否か、または、顧客のサブグループ３０４がいずれかの潜在的なチャーナを含むか否かを予測する動作を実行する。１つの実施形態では、サーバ３５０は、図３Ａのサーバ３２０と同一のサーバである。１つの実施形態では、サーバ３５０は、サーバ３２０とは別のサーバである。１つの実施形態では、サーバ３２０および３５０は同一の構内には位置しない。１つの実施形態では、サーバ３２０および３５０は、異なるビジネスエンティティによって実行、および、管理される。

サーバ３５０は、図３Ａのデータ３２４から取得され得るデータである、顧客データ３５２に関するデータにアクセスするためにデータ収集を実行する。顧客データ３５２は、チャーン予測器を生成するために、サーバ３２０で使用される同一変数の多くと少なくとも関連するデータを含む。したがって、図３Ａのビルダー３４０によって生成されるチャーン予測器の一例であるチャーン予測器３６０の１つ以上の予測モデルと顧客データ３５２とは互換性がある。

サーバ３５０は顧客３０４のチャーン尤度を予測するための動作を実行する。ラインのチャーン尤度を予測するためには、チャーン予測器をビルドするために、図３Ａに示されたものと同一セットの変数が準備されるべきである。したがって、サーバ３５０は事前処理構成要素を含むが、それは明示しない。図３Ａに示されるように、事前処理によって、テストされるべきラインを示す顧客インスタンスを生成する。チャーン尤度のために顧客ラインを評価する場合には、チャーナ／非チャーナのフィールドまたはラベルは顧客インスタンスに適用されないことが理解されるであろう。データ事前処理では、それぞれがブロードバンド接続に関連するパラメータを示す複数の変数で顧客インスタンスを生成する。チャーン予測器３６０はチャーン予測器のモデル（例えば、以下に示すトレーニングでビルドされるＮモデル等）を使用して顧客インスタンスを実行する。当該モデルによるチャーン予測によって、チャーナおよび非チャーナを含む他の顧客の測定データおよび構成データを示すトレーニングデータと、顧客３０４の顧客インスタンスを効率的に比較する。

サーバ３５０はさらにデータ事前処理に関連する動作を実行する。より詳細には、チャーン予測器３６０は、図３Ａのデータ分析部３３０等のデータ分析部メカニズムの一例であるデータ分析部３６２を含む。１つの実施形態では、データ分析部３６２はデータ分析部３３０と同一である。１つの実施形態では、チャーン予測器の生成とチャーン予測の実行との間の差異に関しては、２つのデータ分析部メカニズムにはいくつかの差異がある。通常、データ分析部３６２は、未加工データセットから有意義なメトリック（単数または複数）を抽出し、および、チャーン予測の正確性を向上するための、データ３２４の事前処理を実行するツールまたは構成要素を示す。各事前処理構成要素または事前処理動作は機能３３２であると見なされる。機能３３２は、他のデータからデータを導出するための導出機能ばかりではなく、データを除去するためのフィルタリング機能も含む。データ分析部３６２は、不適切な、無効な、および／または過剰なデータポイントを除去する機能３３２を使用する。データ分析部３６２はデータ分析部３３０と同一セットの機能３３２を含むことができるが、異なってもよい。１つの実施形態では、データ分析部３６２は、図３Ａの離散器３２４と同一または変形形態であり得る離散器３２６を含む。チャーン予測モデルを適用するという意味では、通常は、離散器３２６は離散器３２６と同一の機能を提供する。

１つの実施形態では、チャーン予測器３６０の各モデルは、評価された所与の入力顧客インスタンスに対して信頼スコアを生成する。信頼スコアは、０から１までの小数値、１から１０までの値、１から１００の整数値、または、いずれかの他の範囲等の最低スコアまたは等級から最高スコアまたは等級までの範囲で与えられる。範囲の上限および下限は、チャーン予測器モデルの設計によって設定することができる。顧客インスタンスに対するチャーン尤度は、モデルによって生成された信頼スコアの組み合わせ、または、合成に基づいて生成される。１つの実施形態では、チャーン予測器３６０は、信頼スコアの平均（平均の信頼度）を生成し、あるいは、信頼票決を生成することによって、信頼スコアを組み合わせる。１つの実施形態では、チャーン予測器３６０はプリセットしきい値（範囲内の値）によって票決を実行し、および、信頼スコアに対してはしきい値よりも大きい場合に、１または真（ＴＲＵＥ）すなわちチャーナとし、および、他の場合には０、偽（ＦＡＬＳＥ）すなわち非チャーナとする。したがって、各チャーン予測器モデルの出力は二進出力に解釈され、それは特定のモデルに対してラインがチャーナまたは非チャーナに分類されることを意味する。次にチャーン予測器３６０は、いくつのモデルで顧客ラインがチャーナになるかを予測する出力を生成できる。顧客３０４は顧客のグループを意味し、一般に各ラインはそれ自体の顧客インスタンスに基づいて別々に評価されることが理解されるであろう。

１つの実施形態ではサーバ３５０は、チャーナと予測されたラインに対して改善エンジン３７０によって改善を実施する。チャーン予測器３６０が評価された顧客ライン（単数または複数）に対してチャーン尤度スコアを生成した後に、改善エンジン３７０は予防提案３７４によって予防的アクションを提案する。１つの実施形態では、改善エンジン３７０は、分類システムに基づいて分類エンジン３７２で予測されたチャーナを分類する。１つの実施形態では、分類システムはクラスを特定するためにトレーニングが必要なので、当該分類システムは、図３Ａのチャーン予測器ビルダー３４０によってビルドされる。１つの実施形態では、改善目的で分類システムをビルドするために別のメカニズムが使用される。

ほとんどの実際の実装形態で、各顧客ラインに対してチャーン尤度スコアを割り当てるために、一般に１つずつ、顧客のグループ３０４が評価されることが理解されるであろう。一旦、各ラインにチャーン尤度スコアが割り当てられると、あらかじめ定められた順番で（例えば、降順に、または、上限と下限が交換されている場合には昇順に）、ラインは改善エンジン３７０に記憶され得る。ブロードバンドサービスプロバイダーオペレーターは、一般に予防的アクションに使用する固定予算を持っている。したがって、サーバ３５０は上位Ｍ個のライン（すなわちラインの上位Ｐ％）をチャーンの最高の尤度を示すスコアで示すことができ、それらは次に予防的アクションのために選択され得る。チャーン予測器３６０はラインのチャーン尤度を予測するが、理由は明確にしない。改善エンジン３７０は、予測されたチャーンに対して予防的アクションを提言することができる。

１つの実施形態では、分類エンジン３７２は予測されたチャーナを分類するために以下の分類システムの１つを使用する：複数クラス分類、クラスタリング、または、エキスパートシステムによる分類。複数クラス分類は以下のチャーングループ等に分類され、それらはＮＥＶＥＲ＿ＵＳＥＤ（例えば、顧客がサービスを使用しない、または、サービスを真剣に考えていない）、ＰＯＯＲ＿ＳＵＰＰＯＲＴ（ＳＥＲＶＩＣＥ）（例えば、顧客はプロバイダーの技術／呼び出しサポートに満足していない）、ＰＯＯＲ＿ＱＵＡＬＩＴＹ（ＰＥＲＦＯＲＭＡＮＣＥ）（例えば、顧客は加入者線の品質に満足していない）、ＰＯＯＲ＿ＶＡＬＵＥ／ＰＲＩＣＥ（ＰＲＩＣＥ）（例えば、顧客が価格に見合う価値を見いだすことができない、または、代替オプションと同等の競争力がない）、および／または、他のグループ。当該グループは、例えば、顧客のサービスの終了日、および、チャーンの理由（提供される場合には）を保持するＣＲＭ（顧客リレーション管理）データベースの追跡情報に由来する。顧客によって与えられる理由が完全に信頼できるものではない場合であっても、それはなお有用な情報であり得る。

上記の例示的な分類タイプに基づいて、予防提案３７４は、非限定的な例としてのみ示される以下のようなアクションを提案できる。ＮＥＶＥＲ＿ＵＳＥＤと分類されたラインに対しては、提案されるアクションは、インストールに関するいずれかの問題、または、サービスに対する教育をする必要性があるか否かを決定するために、顧客にコンタクトを取ることであり得る。ＰＥＲＦＯＲＭＡＮＣＥと分類されたラインに対しては、提案されるアクションは、ラインまたは加入者宅内機器（ＣＰＥ）に関連する物理的問題を修理するために、技術者を派遣することであり得る。あるいは、提案されるアクションはラインの動作に関連する１つ以上の制御パラメータを修正するために、自動ライン最適化プロセス（例えば、プロファイル最適化（Ｐｒｏｆｉｌｅ Ｏｐｔｉｍｉｚａｔｉｏｎ））を実行することであり得る。ＰＲＩＣＥと分類されたラインに対しては、提案されるアクションはクレジットまたはディスカウントの申し出、または、一時的な無料サービスアップグレードを申し出ることであり得る。ＰＯＯＲ ＳＥＲＶＩＣＥと分類されたラインに対しては、提案されるアクションはクレジットまたはディスカウントの申し出、お詫びの手紙の送付、または他のアクションであり得る。

チャーンの理由がない場合、または、チャーンタイプ情報が利用不可能な場合に、クラスタリングによる分類を使用することができる。クラスタリングによる分類は（例えば、マシン学習アルゴリズムに基づいて）分類にクラスタを使用するメタ分類器として実行できる。アルゴリズムはユーザ（例えば、チャーン予測を提供するシステムのオペレーター）によって提供される多くのクラスタクラスに基づいて、インスタンスをクラスタリングすることによって動作できる。マシン学習アルゴリズムは、クラスに対してクラスタの最小エラーマッピングを見つけるように評価ルーチンを実行する。クラスタは類似するプロファイルを持つ顧客インスタンスのグループである。

エキスパートシステムは各ラインの特性のエキスパート分析に基づき得る。一例として、システムオペレーターは、ディスパッチエンジンをチャーン予測器によって示される予測されるチャーンに実行させることができる。ディスパッチアドバイスを得ることができないラインに対しては、システムオペレーターは、レート、安定性、およびループ長等の特性をチェックできる。次にシステムオペレーターは：サービスのダウングレードまたはサービスのアップグレード、ポートリセット、ＰＯトリガ（例えば、ラインがいまだにＰＯのもとにない場合）、金銭的なクレジット（例えば、ディスカウント）の申し出等のアクションをアドバイスするために専門知識を適用する。

予防提案３７４を使用する代わりに、システムオペレーターは、予測されるチャーンによって示される顧客と単にコンタクトを取ることができる。予測されるチャーンの接続性能を改良するために、システムオペレーターは自動的な構成の変換を提供することもできる。

図４は、チャーン予測に使用されるデータ収集システムの実施形態のブロック図である。システム４００は、データ収集４１０およびさまざまな例のデータソース４０２、４０４、４０６、および４０８を含む。システム４００は収集されたデータを記憶するためのデータベース４２０も含む。１つの実施形態では、データベース４２０は上述したシステム３００およびシステム３８０のデータ３２４である。データ収集４１０は、接続の構成（例えば、ＤＳＬ物理的データ）に関する物理データ、および、顧客情報、以前のチャーナデータ、および、一般情報等の他のデータを収集することを含む。１つの実施形態では、データ収集４１０はネットワークオペレーターによって開始される。１つの実施形態では、データ収集４１０は、少なくとも１つのラインに対して、顧客によって開始される。

物理データはＤＳＬ物理データの収集４１２で示される。データ４１２は、ＤＳＬネットワーク自体または他のブロードバンドネットワークから収集され、ラインおよび／またはサービスプロバイダーでの接続および設定を含む。顧客情報およびチャーナに関するデータは、顧客データ収集４１４で示される。データ４１４は顧客情報４０４、およびオペレーターシステム４０６から収集される。オペレーターシステム４０６は顧客に関する情報を持つブロードバンドサービスプロバイダーを示す。データ４１４は、顧客が何故チャーンをしたか（チャーンの理由）、および／または、競合会社がチャーン時に何をしていたかに関する情報を含むチャーナデータを含み得る。チャーンの理由が利用可能でない場合には、システム４００は、グループの共通の特徴を演算するためにチャーナをクラスタリングできる。一般情報は一般情報の収集４１６で示される。データ４１６はオペレーターシステム４０６および公開データ４０８から収集される。一般情報には、気象／自然災害情報、経済情報、競合するサービス、技術変化情報、または他の情報を含むことができる。

現在の技術では、ブロードバンドプロバイダーが連続してネットワークをモニタするためにネットワーク管理システムを使用することは不可能である。ブロードバンドプロバイダーは、莫大な量のデータになる数千または数百万のラインを持っている可能性がある。頻繁なデータ収集は、ラインのプロビジョニングまたは構成の変更等の他の重要なリクエストを妨げ得て、ネットワークエレメントに対する大きな負担となり、および、ネットワーク帯域幅を消費する可能性がある。１つの実施形態では、データ収集４１０は、全ネットワークに対して一日一回または二回ネットワークデータを収集するように動作する。１つの実施形態では、（チャーン予測器による評価によって）リスクがあると考えられるラインは、頻繁にモニタされ得る。１つの実施形態では、最近活性化されたライン、または、サービス品質に対して最近不満を訴えた顧客に対して、データ収集４１０は頻繁にデータ収集を実施する。

ブロードバンドネットワークのデータ収集は、顧客の使用方法パターンを決定することが容易である携帯端末ネットワークまたは他の無線ネットワークとは異なることが理解されるであろう。ＤＳＬまたはケーブル等のブロードバンドラインは常にオンラインであることがよくあり、それが顧客の使用方法パターンを決定することをより困難にしている。いくつかのネットワークデバイスは顧客のトラフィックパターンを提供するが、当該情報は一般に限定的であり、および、分析に利用可能ではないことがよくある。１つの実施形態では、データ収集４１０はアクティブプロ−ビングを使用し、それによってシステム４００は接続ラインが同期しているか否かを検出することができる。当該ラインが同期している場合には、データ収集４１０によってその性能パラメータを測定することができる。

図５は、チャーン予測器をトレーニングするために、チャーン予測を予測ウィンドウ内の顧客に適用する実施形態のブロック図である。グラフ５００は異なるチャーン予測シナリオのグラフ表示である。図示されるように、ブロードバンドプロバイダーは、関心の対象となる時間期間を有する予測ウィンドウ５５０に対してチャーン予測を実施する。図示されるように、関心の対象となる時間期間は１週間（２月２３日〜３月１日）であるが、関心の対象となる時間期間はこれよりも多くても少なくてもよい。グラフ５００は１２月２３日の開始基準日、および３月１日の終了基準日を含み、それらはデータ収集（図４等に示される）が実施される時間期間である。グラフ５００では、現在の日付は図示された延長期間である６月２３日以降であるとする。説明される特定日は説明のためだけであり、および、参照開始日、参照終了日、予測ウィンドウ、または、いずれかの与えられた期間の日数を限定するものではないことが理解されるであろう。トレーニングは、通常、さまざまな異なる予測ウィンドウ５５０に対して予測トレーニングを生成することを含む。１つの実施形態では、１４日間の予測ウィンドウに先立つ９０日間のデータ収集ウィンドウ等の完全に予測ウィンドウ５５０の前から、データ収集期間は始まる。データ収集ウィンドウ（例えば、９０日間よりも長いまたは短い）だけではなく予測ウィンドウ（例えば、１４日間よりも長いまたは短い）にも他の時間間隔を使用することができる。１つの実施形態では、予測ウィンドウ５５０は、終了基準日が現在の日付に基づき得る、固定された収集期間および予測期間を持つスライディングウィンドウである。

顧客はグラフを横切る棒で示され、および、５１２、５１４、５２２、５３２、および５４２で示される。グラフ５００の目的から、新しい顧客だけ、すなわち、開始基準日５０２以降にサービスを活性化させた顧客が関心の対象であると仮定する。当該仮定のもとでは、顧客が新しくない５３０場合には、チャーン予測器のトレーニングには顧客５３２を使用しない。他のカテゴリーの顧客には、チャーナ５１０、早期５２０、および非チャーナ５４０が含まれる。予測ウィンドウ５５０内でチャーンをする可能性があるので、顧客５１２および５１４はチャーナとして特定される。予測ウィンドウ５５０の前にチャーンをしたので顧客５２２は早期である。

チャーナ５１０を予測ウィンドウ５５０に対してチャーン予測をトレーニングするために使用できるように、非チャーナ５４０も予測ウィンドウ５５０に対してチャーン予測をトレーニングするために使用できる。１つの実施形態では、非チャーナ５４４および５４６は、後にチャーンするとしても予測ウィンドウ５５０内ではチャーンしないので、チャーナ予測ウィンドウ５５０に対してチャーン予測をトレーニングするために使用される。したがって、当該顧客は予測ウィンドウの後にチャーンし、および後の予測ウィンドウのチャーン予測トレーニングのためにチャーナとして使用できるので、顧客５４４および５４６は後のチャーナである。１つの実施形態では、非チャーナ５４４および５４６は予測ウィンドウ５５０の直後にチャーンするので、予測ウィンドウ５５０に対してチャーン予測をトレーニングするためにチャーナとして使用される。顧客が最終日まで全くチャーンしないので、顧客５４２は完全な非チャーナである。１つの実施形態では、後のチャーナはチャーン予測のトレーニングではチャーナと見なされない。しかしながら、顧客５４６は予測ウィンドウ５５０の少し後にチャーンするので、実際は、非チャーナ５４２よりもチャーナ５１０と多くを共有する可能性があることが観察されるであろう。予測ウィンドウ５５０から離れて、顧客５４４等の顧客はチャーンをするので、かれらの行動が予測ウィンドウの間にチャーンするそれらの顧客（例えば、５１２および５１４）と同じだと考えられる可能性は少ない。再び説明するが、チャーン予測トレーニングのスライディングウィンドウは、後のウィンドウのチャーナとして、顧客５４４および５４６に対処することができる。

予測ウィンドウ５５０は関心対象の期間またはターゲット期間の一例であり、小さくまたは大きくすることが可能であり、実装形態によって異なることが理解されるであろう。さらに、開始基準日と終了基準日の間の期間も長くまたは短くすることも可能である。データ収集期間をさらに複数のサブ期間に分割することが可能である。チャーン予測器は、隣接するサブ期間の差異を演算することによって、各顧客の複数の変数それぞれの傾向を特定することができる。したがって、例えば、以前のチャーナと比較して顧客がどうであるか、および／または、顧客の測定データが以前のチャーナと比較してどのような傾向を示すかに基づいて、顧客５１２および５１４のチャーンを予測することができる。

１つの実施形態では、データを、関心の対象となるイベントに基づく同じ長さのサブ期間、または、同じ長さではないサブ期間に分割することができる。１つの実施形態では、開始基準日はイベントに基づいて、および、他のサブ期間は後続のイベントに基づくことができる。イベントには、ディスパッチ、システムデータの急激な変化、または、他のイベントを含みことができる。サブ期間は顧客の傾向に関する情報を含み得る。トラブルチケットまたはサービスチケットは顧客データおよび顧客経験の急激な変化を示し、チャーンのためにラインを評価する基礎として使用できる。１つの実施形態では、イベント後にある期間（例えば、１日または２日間）が経過するまでは、イベントは評価されない。

図６は、チャーナおよび非チャーナサブセット情報に基づいてチャーン予測モデルを生成するためのシステムの実施形態のブロック図である。システム６００は、本明細書に記載されるいずれかの実施形態によるチャーン予測器ビルダーを示す。システム６００は、分離されたチャーン予測器モデルを生成するために、チャーナと非チャーナの比を適用する１実施形態を図示する。非平衡トレーニングセット６１０は、チャーナ６１２および非チャーナ６１４のための顧客インスタンスを含む。チャーナグループ６１２は、１つまたは複数のチャーナを含むことができる。非チャーナグループ６１４は、複数の非チャーナを含む。チャーナと非チャーナの比は、平衡トレーニングセット６２０の各グループに対して選択される。図示されるように、比は１：１であるが、図示された簡単化された実施例からは他の比が理解されるであろう。

１つの実施形態では、システム６００は、単一のチャーナインスタンスを各平衡したセット６２０（セット６２２−０から６２２−Ｎ）に適用する。代替実施形態では、複数のチャーナによる１つグループが各平衡したセット６２０に適用され得る。１つ以上の非チャーナ６１４も各平衡したセット６２０に適用される。１つの実施形態では、１つのチャーナが複数の平衡したセット６２０に適用される可能性もあるが、１つのチャーナは１つの平衡したセット６２０にだけ適用される。１つの実施形態では、複数の非チャーナ６１４が各平衡したセット６２０に適用される。１つの実施形態では、平衡したセット６２０のビルドには、実際の値を有限値のセット、または、他の離散化形態にマッピングすることを含む。当該マッピングは、トレーニングセットで誤った値が発生することを低減するためにノイズフィルターとして機能でき、これは事前処理で実施される。１つの実施形態では、顧客インスタンスは二進ＩＤを含み、これは変数のグループを意味する。二進ＩＤは離散化メトリックまたは変数の一例として機能でき、および、１つの実施形態では、各変数は固有の離散化二進ＩＤである。例えば、二進配列は、ラインがブロードバンドネットワークに存在した週の数（顧客がサービスを活性化してからどれぐらい経過したか）を含むことができ、および、当該週の数に基づいて、顧客は配列の二進数の１つの一部で判断される（例えば、二進値０は０から１週間であり；二進値１は２から４週間であり；二進値２は５から７週間であり；または、二進値３は８週間以上である）。したがって、二進ＩＤ番号は、ランダムメトリックの代わりに使用するべき使用可能な有限メトリックを示すことができる（例えば、「１０日間」の代わりに「０」を使用する）。

システム６００は、入力データである平衡したセット６２０にマシン学習を実施する。マシン学習計算結果によって、チャーナに共通するパターンを見つけ出し、および、トレーニングされたモデル６３０となる。マシン学習を実施するために使用される各平衡したセット６２２−０から６２２−Ｎに対して、マシン学習を使用して生成された訓練されたモデル６３２−０から６３２−Ｎが存在する。入力データを入力し、および、顧客がチャーンする可能性を決定する、顧客のテストまたは評価のためにモデルを使用することができる。尤度は、評価される顧客が過去のチャーナのパターン（単数または複数）にどれだけ近似するかに基づいている。１つの実施形態では、システムおよび／またはシステムのオペレーターはチャーンする可能性があるラインの一部を選択し、および、チャーンを防止するために試みられるべきアクションを提案できる。

図７は、生成プロセス７００よる、チャーン予測器をビルドするためのプロセスの実施形態のフローチャートである。サーバデバイスは、複数のブロードバンド顧客のためにブロードバンド接続データにアクセスする７０２チャーン予測器ビルダーを含む。１つの実施形態では、チャーン予測器ビルダーは顧客満足度に関連する、ブロードバンド接続に直接関連しない他のデータにもアクセスする。チャーン予測器ビルダーは異なる顧客（例えば、異なるラインで特定される）を特定でき、および、顧客のチャーンデータにもアクセスでき７０４、チャーン予測器ビルダーは各顧客をチャーナまたは非チャーナとして特定できる。

１つの実施形態では、チャーン予測器ビルダーはアクセスされたデータを、顧客チャーンに関連する代表情報のそれぞれに対する変数を特定する工程を含む事前処理を実施する７０６。複数の変数は、接続情報または接続には直接関連しないデータに関係する、顧客チャーンに関する情報を直接的または間接的に示すことができる。事前処理には各変数に対する規則に基づいて変数に値を割り当てる工程、または、新しい変数として他のメトリクス（ｍｅｔｒｉｃｓ）を導出する工程を含む。チャーン予測器ビルダーは、それぞれが事前処理で特定される変数に対応する変数を含む顧客インスタンスを生成する７０８。取得られたチャーナデータに基づいて、チャーン予測器ビルダーは、特にチャーナまたは非チャーナとして顧客インスタンスをラベル付けできる７１０。

１つの実施形態では、チャーン予測器ビルダーは顧客インスタンスをばらばらのデータセットに分離する７１２。１つの実施形態では、１つのデータセットだけがある。ばらばらのデータセットは、未加工データの事前処理で特定された情報に基づいて、それぞれが顧客インスタンスの異なる論理グループ化集団を示すことができる。１つの実施形態では、チャーン予測器ビルダーは顧客インスタンスを複数のトレーニングサブセットに分離する７１４。トレーニングセットに分離する工程は、顧客インスタンスをセグメントに分離する工程（例えば、図２Ａおよび図２Ｂを参照）および／またはセットのチャーナと非チャーナの比を平衡させる工程（例えば、図６を参照）を含むことができる。１つの実施形態では、１つのトレーニングセットだけが存在する。チャーン予測器ビルダーはトレーニングデータに基づいてチャーン予測器をビルドする。１つの実施形態では、チャーン予測器ビルダーは、複数のモデルを持つチャーン予測器をビルドし、各モデルは各サブセットの顧客インスタンスのマシンに基づいている７１６。トレーニングセットが１つだけの場合には、チャーン予測器ビルダーは１つのモデルを持つチャーン予測器またはサブチャーン予測器を生成できる。チャーン予測器ビルダーは生成されたモデルを他の顧客を評価するために使用されるべきチャーン予測器として記憶する７１８。

図８は、評価プロセス８００による、チャーン予測器で顧客チャーンを予測するためのプロセスの実施形態のフローチャートである。チャーン予測器は、プロセス７００に対して上述された形態にしたがってビルドされることができる。チャーン予測器は評価されるべき顧客ブロードバンド接続データにアクセスする８０２。１つの実施形態では、チャーン予測器は、顧客満足度または評価に使用されるべき顧客チャーンに関連する他のデータにもアクセス可能である。他のデータは、顧客ラインのための物理的接続データを説明または記述するものである必要はない。

１つの実施形態では、チャーン予測器は顧客ラインを評価するためにセグメンテーションを使用する。１つの実施形態では、各顧客インスタンスは各セグメントまたはサブチャーン予測器にしたがって評価される。１つの実施形態では、チャーン予測器は顧客インスタンスをサブセットに割り当てることができる８０４、それは顧客を評価するために顧客インスタンスが割り当てられるセグメントまたは他のデータセットを含むことができる。チャーン予測器は、値を入力データに基づく変数に割り当てるために、各変数に対する規則に基づいて当該変数を事前処理する８０６。チャーン予測器は、顧客ラインを示す顧客インスタンスを生成し、および、それぞれが顧客チャーンに関連する代表情報である複数の変数を生成する８０８。１つの実施形態では、顧客インスタンスのための複数の変数は、チャーン予測器を生成するために使用されるデータトレーニングモデルにしたがって生成される。

チャーン予測器は、チャーン尤度スコア（単数または複数）を生成するために、顧客インスタンスを１つ以上のチャーン予測器セグメント、および／または、１つ以上のチャーン予測器モデルで処理する８１０。１つの実施形態では、チャーン予測器は、評価のためにスコアをネットワークオペレーターに送信する。１つの実施形態では、チャーン予測器は、異なるセグメント／モデルのスコアを組み合わせること等によって、スコア（単数または複数）に基づいて最終的なチャーン予測を生成する８１２。１つの実施形態では、チャーン予測器は、チャーン予測に基づいて改善応答を生成する８１４。改善応答の少なくとも一部は、チャーン予測器によって自動的に実施され得る。改善応答オプションには、チャーンする傾向によって特定された顧客による顧客チャーンを防ぐために試行される、さまざまな自動化および非自動化アクションを含むことができる。

本明細書に記載されるフローチャートは、さまざまなプロセスアクションのシーケンス例である。特定のシーケンスまたは順番が記載されているが、特定されていない限り、アクションの順番を変更することができる。したがって、説明される実施形態は単なる実施例として理解されるべきであり、および、プロセスは異なる順番で実施されることができ、および、いくつかのアクションは平行して実施されることができる。さらに、さまざまな実施形態で１つ以上のアクションを省略することができるので、実施形態ごとに、すべてのアクションが必要なわけではない。他のプロセスフローも可能である。

さまざまな動作または機能の範囲が本明細書に記載されており、それらはソフトウェアコード、インストラクション、構成、および／または、データとして記述または規定することができる。コンテンツは直接実行可能な（「オブジェクト（ｏｂｊｅｃｔ）」または「実行可能な」フォーム（ｆｏｒｍ））、ソースコード、または異なるコード（「デルタ（ｄｅｌｔａ）」または「パッチ（ｐａｔｃｈ）」コード）であり得る。本明細書に記載されている実施形態のソフトウェアコンテンツは、コンテンツが記憶されている製品、または、通信インターフェースを介してデータを送信するために通信インターフェースを動作させる方法によって提供できる。機械読み出し可能な記憶媒体は、マシンを説明された機能または動作を実行可能に機能させることができ、および、マシン（例えば、コンピュータデバイス、電子システム等）によってアクセス可能な形態に情報に記憶するすべてのメカニズム、記憶可能／記憶不可能媒体（例えば、読み出し専用メモリー（ＲＯＭ）、ランダムアクセスメモリー（ＲＡＭ）、磁気ディスク記憶媒体、光記憶媒体、フラッシュメモリーデバイス等）等を含む。通信インターフェースは、別のデバイスと通信するいずれかの配線接続、無線、光等の媒体と接続するすべてのメカニズムを含み、メモリーバスインターフェース、プロセッサーバスインターフェース、インターネット接続、ディスクコントローラ等が挙げられる。通信インターフェースは、ソフトウェアコンテンツが記述されたデータ信号を提供するための通信インターフェースを準備するために、構成パラメータを提供、および／または、信号を送信することによって構成することができる。通信インターフェースは、通信インターフェースに送信される１つ以上のコマンドまたは信号によってアクセスできる。

本明細書に記載されているさまざまな構成要素は、説明されている動作または機能を実行するための手段になり得る。本明細書に記載される各構成要素は、ソフトウェア、ハードウェア、または、これらの組み合わせを含む。構成要素は、ソフトウェアモジュール、ハードウェアモジュール、特定目的ハードウェア（例えば、特定用途向けハードウェア、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号プロセッサー（ＤＳＰ）等）、組み込みコントローラ、配線で接続された回路等として実装することができる。

本明細書に記載されているもののほかに、発明の範囲から逸脱しないで、開示された本発明の実施形態および実装形態にさまざまな変更が実施可能である。したがって、本明細書に記載されている図面および実施例は例示的なものであって、制限的な物ではない。発明の範囲は以下の特許請求の範囲のみを参照して決定されるべきである。

Claims (72)

1. ブロードバンド接続サービスが終了されるであろう尤度を演算するためのシステムにおいて：
   ブロードバンド接続情報を記憶するための記憶デバイスを含む物理接続モニタリングサブシステムであって、ブロードバンド接続プロバイダーの複数の異なる加入者線のために、物理層ブロードバンド接続情報を特定するデータ、および、チャーン情報を含むブロードバンド接続情報を特定するデータにアクセスする前記物理接続モニタリングサブシステム；
   前記アクセスされたデータから、それぞれがチャーン情報に関連する代表情報を示す複数の変数を特定し、および、各変数の評価規則に基づいて前記複数の変数に値を割り当てる、サーバデバイスで実行されるデータ処理サブシステム；および
   サーバデバイスで実行されるマシン学習ネットワークを含むサブシステムをビルドするモデルであって、前記サブシステムをビルドするモデルは：
   加入者線インスタンスを生成し、各加入者線インスタンスは前記アクセスされたデータで特定される前記加入者線と関連し、前記各加入者線インスタンスは、前記複数の変数に割り当てられた値を含み、および、前記加入者線のブロードバンド接続サービスが終了される可能性があるか否かを示し；および
   前記加入者線インスタンスのマシン学習処理に基づいてチャーン予測器をビルドする前記サブシステムをビルドするモデルを含むシステム。
2. 請求項１のシステムにおいて、ここで前記物理接続モニタリングサブシステムは、前記ブロードバンド接続情報を特定するブロードバンド接続メタデータにアクセスするシステム。
3. 請求項１のシステムにおいて、ここで前記複数の変数は前記加入者線に対して前記ブロードバンド接続サービスを持つ顧客の満足度を直接的または非直接的に反映するメトリクス（ｍｅｔｒｉｃｓ）を含むシステム。
4. 請求項１のシステムにおいて、ここで前記物理接続モニタリングサブシステムは、ブロードバンド接続に関する測定データにアクセスするシステム。
5. 請求項４のシステムにおいて、ここで前記測定データは、接続動作データ、接続性能データ、または、前記接続に接続される無線ネットワークの性能の１つ以上を含むシステム。
6. 請求項１のシステムにおいて、ここで前記物理接続モニタリングサブシステムは、前記加入者線のユーザによって開始された測定データにアクセスするシステム。
7. 請求項１のシステムにおいて、ここで前記物理接続モニタリングサブシステムは、前記ブロードバンド接続情報を特定する前記データであって、性能に対する変化を決定するためにブロードバンド接続に対して１つ以上の物理的リンク設定を変更することに応答して生成される測定データにアクセスするシステム。
8. 請求項１のシステムにおいて、ここで前記物理接続モニタリングサブシステムは、前記ブロードバンド接続プロバイダーのブロードバンド接続に対する動作データおよび性能データにアクセスするだけではなく、苦情呼び出しデータ、ディスパッチデータ、気象データ、競争相手の申し出、公開フォーラムでの顧客の苦情、近隣データ、地理データ、および／またはユーザ装置データの１つ以上にもアクセスするシステム。
9. 請求項１のシステムにおいて、ここで前記ブロードバンド接続情報を特定するデータにアクセする前記物理接続モニタリングサブシステムは、さらに前記物理接続モニタリングサブシステムで
   収集期間に対する測定データを複数のサブ期間に分割し；および
   前記複数の変数のそれぞれに対する傾向を決定するために隣接する前記サブ期間の差異を演算させるシステム。
10. 請求項１のシステムにおいて、ここで前記サブシステムをビルドするモデルは、無効または極端な値を持つデータを有する加入者線インスタンスに対して、変数値に上限または下限を設定する工程を含む前記加入者線インスタンスを生成するシステム。
11. 請求項１のシステムにおいて、ここで前記サブシステムをビルドするモデルは、チャーナを分類して前記加入者線インスタンスを生成し、ここで前記ブロードバンド接続サービスはチャーナのタイプによって終了されたものであって、ここで前記タイプのそれぞれは、前記ブロードバンド接続サービスが終了された理由に対応するシステム。
12. 請求項１のシステムにおいて、ここで前記サブシステムをビルドするモデルは、さらに地理データまたは加入者線の保有期間に基づいて、前記加入者線インスタンスをセグメント化し、ここでチャーン予測器をビルドすることには、前記サブシステムをビルドするモデルが各地理セグメントまたは各保有期間セグメントに対して異なるチャーン予測器をビルドすることを含み、および、前記セグメント化に基づいて前記加入者線インスタンスを生成するシステム。
13. 請求項１のシステムにおいて、ここで前記データ処理サブシステムは、各変数に対する評価規則にしたがって前記複数の変数を離散化するシステム。
14. 請求項１３のシステムにおいて、ここで前記複数の変数を離散化する工程には、加入者線インスタンスに利用可能なデータがない場合のすべての変数にプリセット値を設定する工程をさらに含むシステム。
15. 請求項１４のシステムにおいて、ここで前記プリセット値を設定する工程は前記変数のためにゼロ値を設定する工程を含むシステム。
16. 請求項１のシステムにおいて、ここで前記データ処理サブシステムは、アクセスされたデータに起因する値として、前記複数の変数の１つ以上を演算する工程を含むシステム。
17. 請求項１のシステムにおいて、ここで前記サブシステムをビルドするモデルは、さらに前記加入者線インスタンスをサブセットに分割し、各サブセットはチャーナおよび非チャーナを含み；および、ここで前記チャーン予測器をビルドする工程は、複数の異なるチャーン予測モデルを持つチャーン予測器をビルドするビルダーサブシステムをさらに含み、各モデルは各分離したサブセットの加入者線インスタンスのマシン学習処理に基づくシステム。
18. 請求項１７のシステムにおいて、ここで前記サブシステムをビルドするモデルは、前記加入者線インスタンスを、各サブセットにチャーナと非チャーナの比が設定される前記サブセットに分割するシステム。
19. 請求項１８のシステムにおいて、ここで前記サブシステムをビルドするモデルは、前記加入者線インスタンスを、各サブセットにチャーナおよび非チャーナの平衡した数が設定される前記サブセットに分割するシステム。
20. 請求項１７のシステムにおいて、ここで前記サブシステムをビルドするモデルは、すべてのチャーナをすべてのサブセットに割り当て、および、非チャーナのそれぞれを、ただ１つのサブセットに割り当てたサブセットに加入者線インスタンスを分割するシステム。
21. ブロードバンド接続サービスが終了されるであろう尤度を演算するための方法であって：
    ブロードバンド接続プロバイダーの複数の異なる加入者線のために、物理層ブロードバンド接続情報を特定するデータを含むブロードバンド接続情報、および、チャーン情報を特定するデータにアクセスする工程；
    アクセスされた前記データから、それぞれがチャーンに関連する代表情報を示す複数の変数を特定し、および、各変数の評価規則に基づいて前記複数の変数に値を割り当てる工程；および
    加入者線インスタンスを生成する工程であって、各加入者線インスタンスは前記アクセスされたデータで特定される加入者線と関連し、前記各加入者線インスタンスは前記複数の変数に割り当てられた値を含み、および、前記加入者線の前記ブロードバンド接続サービスが終了される可能性があるか否かを示す工程；
    前記加入者線インスタンスのマシン学習処理に基づいて、チャーン予測器をビルドする工程を含む方法。
22. 請求項２１の方法において、ここで前記ブロードバンド接続情報を特定する前記データにアクセスする工程は、ブロードバンド接続メタデータにアクセスする工程を含む方法。
23. 請求項２１の方法において、ここで前記複数の変数は、前記加入者線に対する前記ブロードバンド接続サービスに関する顧客満足度を直接的または非直接的に反映するメトリクス（ｍｅｔｒｉｃ）を含む方法。
24. 請求項２１の方法において、ここで前記ブロードバンド接続情報を特定する前記データにアクセスする工程は、ブロードバンド接続に関する測定データにアクセスする工程を含む方法。
25. 請求項２４の方法において、ここで前記測定データは、接続動作データ、接続性能データ、または、前記接続に接続される無線ネットワークの性能の１つ以上を含む方法。
26. 請求項２１の方法において、ここで前記ブロードバンド接続情報を特定する前記データにアクセスする工程は、前記加入者線のユーザによって開始された測定データにアクセスする工程を含む方法。
27. 請求項２１の方法において、ここで前記ブロードバンド接続情報を特定する前記データにアクセスする工程は、性能に対する変化を決定するために、ブロードバンド接続に対して１つ以上の物理的リンク設定を変更することに応答して生成される測定データにアクセスする工程をさらに含む方法。
28. 請求項２１の方法において、ここで前記データにアクセス工程は、前記ブロードバンド接続プロバイダーのブロードバンド接続に対する動作データおよび性能データにアクセスする工程だけではなく、苦情呼び出しデータ、ディスパッチデータ、気象データ、競争相手の申し出、公開フォーラムでの顧客の苦情、近隣データ、地理データ、および／またはユーザ装置データの１つ以上にもアクセスする工程を含む方法。
29. 請求項２１の方法において、ここで前記ブロードバンド接続情報を特定する前記データにアクセスする工程は、
    収集期間の測定データを複数のサブ期間に分割する工程；および
    前記複数の変数のそれぞれに対する傾向を決定するために隣接するサブ期間の差異を演算する工程をさらに含む方法。
30. 請求項２１の方法において、ここで前記加入者線インスタンスを生成する工程は、無効または極端な値を持つデータを有する加入者線インスタンスに対して、変数値に上限または下限を設定する工程を含む方法。
31. 請求項２１の方法において、ここで前記加入者線インスタンスを生成する工程は、チャーナを分類する工程をさらに含み、ここでブロードバンド接続サービスはチャーナのタイプによって終了されたものであって、ここで前記タイプのそれぞれは、前記ブロードバンド接続サービスが終了された理由に対応する方法。
32. 請求項２１の方法において、地理データまたは前記加入者線の保有期間に基づいて前記加入者線インスタンスをセグメント化する工程をさらに含み、ここで前記チャーン予測器をビルドする工程は、各地理セグメントまたは各保有期間セグメントに対して異なるチャーン予測器をビルド生成する工程を含み、および、前記セグメント化に基づいて前記加入者線インスタンスを生成する工程を含む方法。
33. 請求項２１の方法において、ここで前記複数の変数を特定する工程は、各変数に対する評価規則にしたがって前記複数の変数を離散化する工程を含む方法。
34. 請求項３３の方法において、ここで前記複数の変数を離散化する工程は、加入者線インスタンスに利用可能なデータがない場合のすべての変数にプリセット値を設定する工程をさらに含む方法。
35. 請求項３４の方法において、ここで前記プリセット値を設定する工程は前記変数のためにゼロ値を設定する工程を含む方法。
36. 請求項２１の方法において、ここで前記複数の変数を特定する工程は、アクセスされたデータに起因する値として、１つ以上の変数を演算する工程を含む方法。
37. 請求項２１の方法において、
    前記加入者線インスタンスをサブセットに分割する工程であって、各サブセットはチャーナおよび非チャーナを含む工程をさらに含み；および、ここで前記チャーン予測器をビルドする工程は：
    複数の異なるチャーン予測モデルを持つチャーン予測器をビルドする工程であって、各モデルは各分離したサブセットの前記加入者線インスタンスのマシン学習処理に基づく工程をさらに含む方法。
38. 請求項３７の方法において、ここで前記加入者線インスタンスをサブセットに分割する工程は、各サブセットにチャーナと非チャーナの比を設定する工程をさらに含む方法。
39. 請求項３８の方法において、ここで前記加入者線インスタンスをサブセットに分割する工程は、各サブセットにチャーナと非チャーナの平衡した数を設定する工程をさらに含む方法。
40. 請求項３７の方法において、ここで前記加入者線インスタンスをサブセットに分割する工程は、すべてのチャーナをすべてのサブセットに割り当て、および、非チャーナのそれぞれをただ１つのサブセットに割り当てる工程をさらに含む方法。
41. データを記憶するコンピュータ読み出し可能な記憶媒体を含む製品であって、アクセスされると、デバイスに請求項２１から請求項４０のいずれか一項に記載の方法を実行させるように機能する製品。
42. 請求項２１から請求項４０のいずれか一項に記載の方法の機能を実行する動作をする手段または他の構成要素を含む装置。
43. ブロードバンド接続サービスが終了されるであろうという予測を演算するためのシステムであって：
    ブロードバンド接続プロバイダーの加入者線に対する、物理層ブロードバンド接続情報を特定するデータを含むブロードバンド接続情報に関連するデータを記憶するデータ記憶デバイス；
    記憶された前記データから、それぞれがチャーンに関連する代表情報を示す複数の変数を特定し、および、各変数の評価規則に基づいて前記変数に値を設定するデータ処理サブシステム；および
    マシン学習ネットワークを含む予測サブシステムを実行するように構成されるサーバデバイスであって、前記予測サブシステムは加入者線インスタンスを生成し、インスタンスは前記複数の変数に割り当てられた値を含み；チャーン予測器で加入者線インスタンスを処理し、前記加入者線インスタンスのためにチャーン尤度スコアを生成し；および、尤度スコアに基づいて前記加入者線インスタンスのチャーンを予測する前記サーバデバイスを含むシステム。
44. 請求項４３のシステムにおいて、ここで前記複数の変数は、前記加入者線に対するブロードバンド接続サービスに関する顧客満足度を直接的または非直接的に反映するメトリクスを含むシステム。
45. 請求項４３のシステムにおいて、ここで前記データ処理サブシステムは、各変数に対する評価規則にしたがって前記複数の変数を離散化するシステム。
46. 請求項４５のシステムにおいて、ここで前記データ処理サブシステムは、加入者線インスタンスに利用可能なデータがない場合のすべての変数に、プリセット値を設定することによって、前記複数の変数を離散化するシステム。
47. 請求項４６のシステムにおいて、ここで前記プリセット値を設定する工程は、前記変数のためにゼロ値を設定する工程を含むシステム。
48. 請求項４３のシステムにおいて、ここで前記予測サブシステムは、上限と下限の間の値を持つ信頼スコアを生成することによってチャーン尤度スコアを生成するシステム。
49. 請求項４３のシステムにおいて、ここで前記予測サブシステムは、ゼロまたは一のいずれかの個別の２進値による票決によって、前記チャーン尤度スコアを生成し、ここで一の値はしきい値を超えるすべての値に対して生成され、および、さもなければゼロの値が生成されるシステム。
50. 請求項４３のシステムにおいて、ここで前記データ処理サブシステムは、アクセスされたデータに起因する値として、前記複数の変数の少なくとも１つを演算するシステム。
51. 請求項４３のシステムにおいて、ここで前記予測サブシステムは、複数の異なるチャーン予測モデルを持つチャーン予測器で前記加入者線インスタンスを処理し、および、各予測モデルに基づいて前記チャーン尤度スコアを生成する工程を含むシステム。
52. 請求項５１のシステムにおいて、ここで前記予測サブシステムは、スコアの平均値に基づいてチャーンを予測することによって、前記尤度スコアの組み合わせに基づいてチャーンを予測するシステム。
53. 請求項５１のシステムにおいて、ここで前記予測サブシステムは、さらに、予測されるチャーンタイプに基づいて、予防的アクションカテゴリに対して前記加入者線インスタンスを選択するシステム。
54. 請求項５３のシステムにおいて、ここで前記予測サブシステムは、チャーナの複数クラス分類システム、複数の加入者線のために収集されたデータに基づくクラスタリング分類、または、エキスパートシステムに基づいて前記加入者線インスタンスを選択することによって、前記予防的アクションカテゴリに対する前記加入者線インスタンスを選択するシステム。
55. 請求項５３のシステムにおいて、ここで前記予測サブシステムは、接続リセット、または、金銭的なクレジットの１つ以上のために加入者線インスタンスを選択することによって、前記予防的アクションカテゴリに対する前記加入者線インスタンスを選択するシステム。
56. 請求項５３のシステムにおいて、ここで前記予測サブシステムは、接続性能を改善するように、自動的に構成を変更する前記加入者線インスタンスを選択することによって、前記予防的アクションカテゴリに対する前記加入者線インスタンスを選択するシステム。
57. ブロードバンド接続サービスが終了されるであろうという予測を演算するための方法であって：
    物理層ブロードバンド接続情報を特定するデータを含む、ブロードバンド接続プロバイダーの加入者線のブロードバンド接続情報に関連するデータをアクセスする工程；
    アクセスされた前記データから、それぞれがチャーンに関連する代表情報を示す複数の変数を特定し、および、各変数の評価規則に基づいて前記変数に値を設定する工程；
    加入者線インスタンスを生成する工程であって、インスタンスは前記複数の変数に割り当てられた値を含む工程；
    前記加入者線インスタンスのためにチャーン尤度スコアを生成する工程を含む、チャーン予測器で前記加入者線インスタンスを処理する工程；および
    尤度スコアに基づいて前記加入者線インスタンスのチャーンを予測する工程を含む方法。
58. 請求項５７の方法において、ここで前記複数の変数は、前記加入者線に対するブロードバンド接続サービスに関する顧客満足度を直接的または非直接的に反映するメトリクスを含む方法。
59. 請求項５７の方法において、ここで前記複数の変数を特定する工程は、各変数に対する評価規則にしたがって前記複数の変数を離散化する工程を含む方法。
60. 請求項５９の方法において、ここで前記複数の変数を離散化する工程は、加入者線インスタンスに利用可能なデータがない場合のすべての変数にプリセット値を設定する工程をさらに含む方法。
61. 請求項６０の方法において、ここで前記プリセット値を設定する工程は、前記変数のためにゼロ値を設定する工程を含む方法。
62. 請求項５７の方法において、ここで前記チャーン尤度スコアを生成する工程は、上限と下限の間の値を持つ信頼スコアを生成する工程を含む方法。
63. 請求項５７の方法において、ここで前記チャーン尤度スコアを生成する工程は、ゼロまたは一のいずれかの個別の２進値によって票決する工程を含み、ここで一の値はしきい値を超えるすべての値に対して生成され、および、さもなければゼロの値が生成される方法。
64. 請求項５７の方法において、ここで前記複数の変数を特定する工程は、アクセスされたデータに起因する値として、すくなくとも１つの変数を演算する工程を含む方法。
65. 請求項５７の方法において、ここで前記加入者線インスタンスを処理する工程は、複数の異なるチャーン予測モデルを持つチャーン予測器で前記加入者線インスタンスを処理する工程、および、各予測モデルに基づいて前記チャーン尤度スコアを生成する工程を含む方法。
66. 請求項６５の方法において、ここで前記尤度スコアの組み合わせに基づいてチャーンを予測する工程は、スコアの平均値に基づいてチャーンを予測する工程を含む方法。
67. 請求項６５の方法において、予測されるチャーンタイプに基づく予防的アクションカテゴリに対して、前記加入者線インスタンスを生成する工程をさらに含む方法。
68. 請求項６７の方法において、ここで前記予防的アクションカテゴリに対して前記加入者線インスタンスを選択する工程は、チャーナの複数クラス分類システム、複数の加入者線のために収集されたデータに基づくクラスタリング分類、または、エキスパートシステムに基づいて前記加入者線インスタンスを選択する工程を含む方法。
69. 請求項６７の方法において、ここで前記予防的アクションカテゴリに対して前記加入者線インスタンスを選択する工程は、接続リセット、または、金銭的なクレジットの１つ以上のために前記加入者線インスタンスを選択する工程を含む方法。
70. 請求項６７の方法において、ここで前記予防的アクションカテゴリに対して前記加入者線インスタンスを選択する工程は、接続性能を改善するように、自動的に構成を変更する前記加入者線インスタンスを選択する工程を含む方法。
71. データを記憶するコンピュータ読み出し可能な記憶媒体を含む製品であって、アクセスされると、デバイスを請求項５７から７０のいずれか一項に記載の方法を実行するように機能させる製品。
72. 手段または他の構成要素を含む装置であって、請求項５７から７０のいずれか一項に記載の方法の機能を実行するように動作させる装置。

Images