JP2019215862A - 行動履歴データを用いた行動分析システム及びそのプログラム - Google Patents
行動履歴データを用いた行動分析システム及びそのプログラム Download PDFInfo
- Publication number
- JP2019215862A JP2019215862A JP2019101978A JP2019101978A JP2019215862A JP 2019215862 A JP2019215862 A JP 2019215862A JP 2019101978 A JP2019101978 A JP 2019101978A JP 2019101978 A JP2019101978 A JP 2019101978A JP 2019215862 A JP2019215862 A JP 2019215862A
- Authority
- JP
- Japan
- Prior art keywords
- data
- customer
- behavior
- sales
- general user
- 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.)
- Granted
Links
- 230000009471 action Effects 0.000 title claims abstract description 100
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000006399 behavior Effects 0.000 claims description 112
- 238000013500 data storage Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 description 18
- 238000000034 method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000013075 data extraction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
従来の売上を予測する方法は、販売された商品の動向から売上を予測するものがあった。
また、ネットワークを用いたオンラインショッピングでは、購入者のアクセス履歴から売上を予測するものがあった。
尚、関連する先行技術文献として、特許第5061999号公報「解析装置、解析方法及び解析プログラム」(特許文献1)、特許第5802716号公報「情報処理システム、プログラム及び照合方法」(特許文献2)、特許第5855039号公報「販促システム、販促品配布方法及びプログラム」(特許文献3)がある。
特許文献2には、当事者の行動履歴と無線端末の移動履歴とを照合して対応関係を生成し、それに当事者の属性情報を統合して統合情報を生成する情報処理システムが記載されている。
特許文献3には、会員アプリで取得されたユーザの行動履歴に基づいて販促品の配布対象者条件で特定されるユーザに販促品を配布する情報を提供する販促システムが記載されている。
[実施の形態の概要]
本発明の実施の形態に係る位置情報を用いた行動分析システム(本システム)は、店舗における顧客の売上とその顧客の位置情報に基づく行動履歴データを結び付けて教師データと学習対象データを生成し、その教師データ及び学習対象データをAI(Artificial Intelligence)に深層学習させて、期待される売上に対する行動パターンの分析モデルを生成し、一般ユーザの行動履歴データを分析モデルに入力して分析し、店舗の顧客以外の一般ユーザの売上を予測するものであり、店舗の顧客のデータから一般ユーザに対する売上を予測でき、一般ユーザの行動履歴のデータを有効に活用できるものである。
本システムについて図1を参照しながら説明する。図1は、本システムの概略図である。
本システムは、AI学習機能を有するコンピュータであり、図1に示すように、制御部11と、記憶装置12と、インタフェース部13とを有している。
尚、後述する記憶装置12内の各記憶部を、ネットワークを介して外部に設けるようにしてもよい。
記憶装置12は、制御部11で動作する処理プログラムを記憶している。
また、記憶装置12は、店舗のID−POS(Point of Sales)データから得られたら顧客IDに対する顧客の売上データを記憶する顧客売上データ記憶部121と、顧客IDに対して、顧客の氏名、性別、年齢、住所等の個人データを記憶する顧客個人データ記憶部122とを有している。売上データは、顧客IDに対して、顧客の購入店舗、購入商品、購入金額、購入日時等の購入履歴データと、特定期間における購入金額の合計である売上金額が含まれる。
顧客売上データ記憶部121と顧客個人データ記憶部122とを統合した概念が図2である。図2は、店舗の顧客情報を示す概念図である。
図2に示すように、顧客IDに対して性別、年齢、住所のデータを記憶するのが顧客個人データ記憶部122であり、顧客IDに対して売上金額、購入履歴のデータを記憶するのが顧客売上データ記憶部121である。
行動履歴データは、一般ユーザの位置情報を取得できる通信業者、ユーザ向けのアプリ提供会社等から提供されるものである。
行動履歴データを構成する位置情報は、座標データ、地図上のメッシュエリアデータ、行政界データ、郵便番号データ等が想定される。
尚、一般ユーザの中に顧客が含まれている。
図3に行動履歴データ記憶部123の内容である一般ユーザの行動履歴座標情報を示す。図3は、一般ユーザの行動履歴座標情報を示す概略図である。
図3において、一般ユーザIDに対応して時系列に行動履歴の座標データを記憶している。図3では、座標データが左から右に向かって時系列的に並んでいる状態を示している。
図3のデータは、位置情報を取得する通信業者等から提供される一般ユーザの座標データの位置情報を時系列に記憶するもので、後述する顧客と一般ユーザのマッチング処理に利用される。
インタフェース部13は、ネットワークに接続するインタフェースで、外部から記憶装置12に記憶される顧客売上データ、顧客個人データ、一般ユーザの行動履歴データを読み込み、分析結果を外部に出力する。
制御部11は、記憶装置12から処理プログラムを読み込み、以下に説明する処理を実行する機能実現手段を実現するものである。
制御部11は、ネットワークを介して本システムに接続する端末装置からの指示で処理を開始し、処理した結果(一般ユーザの売上予測等)を端末装置に表示出力するようになっている。
制御部11は、処理プログラムの実行により、一般ユーザの行動パターン情報生成手段と、顧客の行動履歴データ抽出処理手段、教師データ・学習対象データ生成処理手段、行動パターンモデル生成処理手段、一般ユーザの売上予測演算処理手段等を実現するものである。
尚、請求項では、顧客の行動履歴データ抽出処理手段を「抽出手段」と、教師データ・学習対象データ生成処理手段を「教師データ・学習対象データ生成手段」と、行動パターンモデル生成処理手段を「学習手段」と、一般ユーザの売上予測演算処理手段を「予測手段」と呼ぶようにしている。
一般ユーザの行動パターン情報生成手段は、図3に示した一般ユーザの行動履歴座標情報について座標データを意味のある位置情報に変換して、一般ユーザの行動パターン情報を生成する。
具体的には、図4に示す一般ユーザの行動パターン情報を生成する。図4は、一般ユーザの行動パターン情報の概略図である。
一般ユーザの行動パターン情報生成手段は、座標データを地図データに展開して地図データで特定される意味のある位置情報、例えば、小売店+コンビニ+店番号のような位置コード(AB10,AC20,…)に変換する。
図4に示すように、この位置コードが時系列に配置されたものが一般ユーザの行動パターンの情報となる。
図4のデータは、一般ユーザの売上予測を得るために、後述する行動パターンモデルに入力するものである。
顧客の行動履歴データ抽出処理手段は、顧客個人データ記憶部122から顧客の住所データを読み込み、顧客売上データ記憶部121から顧客の購入店舗と購入日時のデータを読み込み、住所データと店舗データ(店舗の位置データ)を座標データに変換して、それらのデータを基に行動履歴データ記憶部123のユーザの行動履歴データ(図3の一般ユーザの行動履歴座標情報)を検索し、顧客に該当するユーザを結び付けて特定し、特定したユーザの行動履歴データを顧客の行動履歴データとして抽出する。
まず、店舗の位置を示す座標データを行動履歴データ記憶部123のユーザの行動履歴データ(座標データ)の中から検索し、該当する一般ユーザを抽出する。
そして、顧客の店舗訪問日時に一致する、抽出した一般ユーザを絞り込み、店舗訪問が複数回ある場合には、その複数回についても位置情報のマッチングを行う。
また、顧客の住所の座標データで一般ユーザを絞り込み、その後に店舗の位置の座標データと顧客の訪問日時で、絞り込んだ一般ユーザの座標データと日時を検索し、一致する一般ユーザを顧客として特定するようにしてもよい。
上記の顧客の行動履歴データの抽出処理について図5を参照しながら説明する。図5は、顧客と一般ユーザのマッチング処理を示すフローチャートである。
図5に示すように、顧客売上データ記憶部121から購入履歴である店舗の住所から店舗の座標データを取得し、行動履歴データ記憶部123における行動履歴(図3の一般ユーザの行動履歴座標情報)をその座標データで検索し、その座標データを有する一般ユーザIDを抽出する(S1)。
具体的には、顧客売上データにおける特定顧客の購入店舗の座標データと購入日時データに一致する、抽出した一般ユーザの行動履歴データにおける座標データと日時データを検索する。そして、一致する場合で、該当する一般ユーザが複数いる場合には、顧客個人データ記憶部122の特定顧客の住所の座標データに一致する一般ユーザを選択して絞り込み、特定顧客の顧客IDと一般ユーザIDとの関連付けを行う。
店舗の座標データで絞り込み、次に住所の座標データで絞り込むようにしたが、住所の座標データで絞り込んで店舗の座標データで絞り込むようにしてもよい。
教師データ・学習対象データ生成処理手段は、顧客の行動履歴データ抽出処理手段によって顧客と結び付けられた行動履歴データと顧客売上データ、顧客個人データとを組み合わせて、教師データと学習対象データを生成する。
ここで、行動履歴データを座標データではなく、図4に示した、位置情報を意味あるデータ(位置コード)に変換して、それを学習対象データに用いるようにする。
教師データとして利用される前段階の顧客の行動パターンデータについて図6を参照しながら説明する。図6は、顧客の行動パターンデータの概略図である。
図6では、顧客IDと一般ユーザIDとが結び付けられ、更に売上金額、位置コードの行動パターンを記憶する。
この顧客の行動パターンデータを基にして教師データと学習対象データを生成する。
そのグループ内の売上金額を「教師データ」とし、そのグループ内の行動パターンデータを「学習対象データ」とするものである。
グループは、同じ売上金額に限定せず、特定の売上金額に幅を持たせたものとしてもよい。
行動パターンモデル生成処理手段は、教師データ・学習対象データ生成処理手段で生成された教師データと学習対象データをAIに学習させ、顧客一人の売上金額に応じた行動パターンのモデル(分析モデル)を生成する。つまり、売上に応じて行動パターンモデルが生成される。
ここで、行動パターンモデル生成処理手段は、請求項では「学習手段」と記載している。
また、行動パターンモデル生成処理手段が、AIの学習ではなく、AIを用いない機械学習を行わせてもよい。
次に、行動パターンモデル生成の概略について図7を参照しながら説明する。図7は、行動パターンモデル生成の概略を示す図である。
図7では、「0〜20教師データ」(売上が0円以上20万円未満の教師データ)、「20〜40教師データ」(売上が20万円以上40万円未満の教師データ)、「40〜60教師データ」(売上が40万円以上60万円未満の教師データ)、「60〜80教師データ」(売上が60万円以上80万円未満の教師データ)、「80〜教師データ」(売上が80万円以上の教師データ)の教師データを用いている。
図7の例では、売上金額に幅を持たせており、店舗で扱う商品内容に応じて売上金額の設定は任意である。
つまり、売上モデルは、教師データに対応する学習対象データが売上モデルに入力された場合に、当該教師データの売上金額が高い確率で出力されるよう調整されるものである。
また、売上モデルに20〜40教師データに対応する学習対象データが入力されれば、出力4(売上20〜40万円)には80%の値が出力され、売上モデルに60〜80教師データに対応する学習対象データが入力されれば、出力4には20%の値が出力される。
一般ユーザの売上予測演算処理手段は、図4の一般ユーザの行動パターン情報を、生成された行動パターンのモデルに入力し、各一般ユーザの行動パターンデータについて、売上予測値を出力(推論)する。売上予測値とは、当該ユーザが100万円の売上となる確率は80%、80万円の売上となる確率は40%といった値となる。
次に、一般ユーザの売上予測の概略について図8を参照しながら説明する。図8は、一般ユーザの売上予測の概略を示す図である。
図8では、図7で生成されたAIモデルを用いて、図4に示した一般ユーザの行動パターンデータを売上モデルに入力し、売上モデルからの出力の値(パーセンテージ)により、売上の確率(パーセンテージ)を得て、当該一般ユーザの売上予測を得るものである。
また、売上予測は、一般ユーザにおける顧客についても得られるので、実際の売上に対して予測される売上との差分について販促を効果的に行うことが可能となる。
[応用例1]
以上のようにして得られた売上予測について、本システムでは、店舗売上に貢献する行動パターンの特徴を抽出することができ、それに応じた広告や販促を行うことができ、ユーザに対してレコメンドすることもできる。更に、店舗売上に貢献するユーザの行動予測も行うことが可能である。
例えば、80万円以上の売上の可能性が80%以上あるユーザの特徴点が、位置コードによりスポーツジム/スポーツクラブであれば、ジム等に通っているという共通点があることになる。その共通点を踏まえて上記ユーザにジム等に関連する商品の販促を行えば、売上を更に向上させることが期待できる。
本システムでは、店舗でのPOSデータに基づく顧客売上データ及び行動履歴データを用いて教師データに応じた学習対象データを学習させ、一般ユーザの売上予測を行うものであるが、スマートフォン(スマホ)の商品・サービスの購入アプリケーション(アプリ)又は決済アプリを用いて一般ユーザの売上予測を行うことができる。
以下、スマホ決済データを用いた一般ユーザの売上予測について図9,10を参照しながら説明する。図9は、スマホ決済データを示す図であり、図10は、スマホ決済データの集計データを示す図である。
決済処理が為されたスマホ決済データは、図9に示すように、決済アプリのユーザIDに対応して、決済日時データ、決済場所の位置データ、店舗ID、購入金額、商品・サービスのコード(商品等コード)等が本システムの記憶装置12の顧客売上データ記憶部121に記憶される。記憶されるのは、決済日時の順番となる。
この集計データが、売上金額に応じて分類されて、教師データに応じた学習対象データとして利用されることになる。
次に、応用例3について説明する。
応用例2では、商品・サービス購入用のアプリで商品等を購入し、購入(決済)場所の位置データと一般ユーザの行動履歴データの位置データとを照合して一般ユーザを抽出するものであるが、応用例3では、商品・サービス購入アプリ自体が、定期的に位置データを取得して本システムの行動履歴データ記憶部123に記憶しており、その位置データの履歴を行動履歴データとして利用するものである。また、行動履歴データを意味のある行動パターンデータに変換して利用してもよい。
従って、応用例3では、商品・サービス購入アプリのユーザのIDとその行動履歴データとが直接結び付いているため、顧客の行動履歴データ抽出処理手段が不要となる。
そして、この行動パターンモデル(学習済モデル)に当該アプリで取得された位置データの行動履歴データ(行動パターンデータ)を本システムの行動履歴データ記憶部123から読み込み、図8に示すAIモデルに入力することで、入力データのユーザの売上予測を行うことができる。
尚、商品・サービス購入アプリで取得した行動履歴データ又は行動パターンデータを利用する場合、当該アプリのユーザは、商品等の購入により実際の売上実績はあるものの、AIモデルによる売上予測を行うことで、そのユーザの売上のポテンシャル(売上の可能性)を出力するものとなる。
また、本システムでは、顧客と一般ユーザが位置情報による行動パターンによって売上予測を行うものであったが、ネット通販の顧客とネットを閲覧する一般ユーザのアクセス履歴情報(アクセス履歴データ/ネット履歴データ)による行動パターンによって売上予測を行うシステムに応用することができる。
ここで、行動パターンでは、URL(Uniform Resource Locator)の内容又はアプリの閲覧ページの内容から意味付けを行い、その意味内容をコード化したコードデータを用いるものである。
ネット通販を利用したオンライン(ネット)購入履歴からWeb等を閲覧する一般ユーザの売上予測を行う方法について図11,12を参照しながら具体的に説明する。図11は、ネット購入データを示す図であり、図12は、ネット購入データの集計データを示す図である。
ネット購入のユーザは、クレジット決済又はアプリでの購入等の支払いを行い、配達先の住所と氏名を入力するため、購入段階で個人が特定されることになる。
そして、図11のネット購入データを基に、例えば、1ヵ月、半年等の特定期間でユーザID毎に購入金額を集計して売上金額を算出する。
図6又は図10の行動パターン情報が位置情報に基づく行動履歴によって意味付けされたものであったのに対して、図12の行動パターン情報は、閲覧したネットのURL等の情報によって意味付けされた内容である点で、異なっている。
複数の機器での関連性は、既に実施されているクロスデバイスの技術を用いて行う。
更に、本システムを売上予測に用いるのではなく、例えば、ジムに通う回数等に応用することができる。
具体的には、ジムに通う顧客の回数を売上金額の代わりに実績データとし、その顧客の行動履歴と一般ユーザの行動履歴から一般ユーザのジムに通う回数を予測するものであってもよい。
本システムによれば、店舗等における顧客の売上とその顧客の行動履歴データに基づいて、教師データ・学習対象データ生成処理手段で教師データと学習対象データを生成し、その教師データと学習対象データを行動パターンモデル生成処理手段(学習手段)で学習させて、期待される売上に対する行動パターンの分析モデルを生成し、一般ユーザの売上予測演算処理手段で一般ユーザの行動履歴データを分析モデルに入力して分析し、一般ユーザの売上を予測するものであり、店舗の顧客のデータから一般ユーザに対する売上を予測でき、一般ユーザの行動履歴のデータを有効に活用できる効果がある。
Claims (8)
- 顧客の実績データから一般ユーザの実績データを予測する行動分析システムであって、
前記顧客の実績データを記憶する顧客実績データ記憶部と、
前記顧客の行動履歴データと前記一般ユーザの行動履歴データを記憶する行動履歴データ記憶部と、
前記顧客の行動履歴データと実績データを用いて教師データと学習対象データを生成する教師データ・学習対象データ生成手段と、
前記生成された教師データと学習対象データを用いて学習を行い、実績データに応じた行動パターンの分析モデルを生成する学習手段と、
前記分析モデルに前記一般ユーザの行動履歴データを入力して前記一般ユーザの実績データを予測する予測手段と、を実現する制御部とを有することを特徴とする行動分析システム。 - 行動履歴データは、時系列の位置情報による履歴データであることを特徴とする請求項1記載の行動分析システム。
- 一般ユーザの行動履歴データの中から顧客に対応する行動履歴データを抽出する抽出手段を有することを特徴とする請求項1又は2記載の行動分析システム。
- 行動履歴データは、時系列のネット閲覧のアクセス情報による履歴データであることを特徴とする請求項1記載の行動分析システム。
- 制御部は、行動履歴データを意味付けした情報に変換して行動パターン情報を生成する行動パターン情報生成手段を実現するものであり、
教師データ・学習対象データ生成手段と、学習手段と、予測手段が、行動履歴データの代わりに行動パターン情報を用いて処理を実行することを特徴とする請求項1乃至4のいずれか記載の行動分析システム。 - 実績データを売上データとしたことを特徴とする請求項1乃至5のいずれか記載の行動分析システム。
- 抽出手段は、顧客の実績データと一般ユーザの行動履歴データとを照合すると共に、前記顧客の個人情報と前記一般ユーザの行動履歴データとを照合して、前記顧客の行動履歴データを抽出することを特徴とする請求項3記載の行動分析システム。
- 顧客の実績データから一般ユーザの実績データを予測する行動分析システムで実行される処理プログラムであって、
前記顧客の行動履歴データと実績データを用いて教師データと学習対象データを生成する教師データ・学習対象データ生成手段と、
前記生成された教師データと学習対象データを用いて学習を行い、実績データに応じた行動パターンの分析モデルを生成する学習手段と、
前記分析モデルに前記一般ユーザの行動履歴データを入力して前記一般ユーザの実績データを予測する予測手段と、を機能させることを特徴とするプログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018109546 | 2018-06-07 | ||
JP2018109546 | 2018-06-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019215862A true JP2019215862A (ja) | 2019-12-19 |
JP7444424B2 JP7444424B2 (ja) | 2024-03-06 |
Family
ID=68919612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019101978A Active JP7444424B2 (ja) | 2018-06-07 | 2019-05-31 | 行動履歴データを用いた行動分析システム及びそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7444424B2 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7012892B1 (ja) | 2021-04-23 | 2022-01-28 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP7323726B1 (ja) * | 2023-01-10 | 2023-08-08 | Kddi株式会社 | 情報処理装置、情報処理方法及びプログラム |
WO2023175883A1 (ja) * | 2022-03-18 | 2023-09-21 | 楽天グループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP7495363B2 (ja) | 2021-02-03 | 2024-06-04 | Kddi株式会社 | ドメイン非依存rnnを利用したパーソナリティ情報生成モデル、装置及び方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015046152A (ja) * | 2013-07-31 | 2015-03-12 | 技研商事インターナショナル株式会社 | 行動ログ分析システム及びそのプログラム |
JP2017211969A (ja) * | 2016-05-24 | 2017-11-30 | 技研商事インターナショナル株式会社 | 位置情報を利用した行動分析システム及びそのプログラム |
-
2019
- 2019-05-31 JP JP2019101978A patent/JP7444424B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015046152A (ja) * | 2013-07-31 | 2015-03-12 | 技研商事インターナショナル株式会社 | 行動ログ分析システム及びそのプログラム |
JP2017211969A (ja) * | 2016-05-24 | 2017-11-30 | 技研商事インターナショナル株式会社 | 位置情報を利用した行動分析システム及びそのプログラム |
Non-Patent Citations (1)
Title |
---|
宍倉 剛 TSUYOSHI SHISHIKURA: "ビッグデータの「初動」3原則 まだ間に合う全社最適への体制作り", 日経コンピュータ NO.831 NIKKEI COMPUTER, JPN6023020460, 4 April 2013 (2013-04-04), JP, pages 40 - 41, ISSN: 0005157795 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7495363B2 (ja) | 2021-02-03 | 2024-06-04 | Kddi株式会社 | ドメイン非依存rnnを利用したパーソナリティ情報生成モデル、装置及び方法 |
JP7012892B1 (ja) | 2021-04-23 | 2022-01-28 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
JP2022167666A (ja) * | 2021-04-23 | 2022-11-04 | ヤフー株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
WO2023175883A1 (ja) * | 2022-03-18 | 2023-09-21 | 楽天グループ株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP7323726B1 (ja) * | 2023-01-10 | 2023-08-08 | Kddi株式会社 | 情報処理装置、情報処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7444424B2 (ja) | 2024-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909176B (zh) | 数据推荐方法、装置、计算机设备以及存储介质 | |
US11587116B2 (en) | Predictive recommendation system | |
JP2019215862A (ja) | 行動履歴データを用いた行動分析システム及びそのプログラム | |
Ding et al. | Learning user real-time intent for optimal dynamic web page transformation | |
CN111784455A (zh) | 一种物品推荐方法及推荐设备 | |
WO2020054879A1 (ja) | 予測データを計算する情報処理装置など | |
JP2019079302A (ja) | 営業活動支援システム、営業活動支援方法および営業活動支援プログラム | |
JP5914549B2 (ja) | 情報処理装置および情報分析方法 | |
CN111400613A (zh) | 物品推荐方法、装置、介质及计算机设备 | |
US20220180379A1 (en) | Transaction-based information processing system, method, and article | |
JP6837411B2 (ja) | 販売促進装置、販売促進方法及び販売促進プログラム | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
US20190043115A1 (en) | Machine learning tool | |
CN112365283B (zh) | 一种优惠券发放方法、装置、终端设备及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
WO2018069817A1 (en) | System and method for predicting repeat behavior of customers | |
US20160292706A1 (en) | Systems and methods for offer selection and reward distribution learning | |
CN108288161A (zh) | 基于机器学习来提供预测结果的方法及系统 | |
JP6101620B2 (ja) | 購買予測装置、方法、及びプログラム | |
JP6975817B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
Fahlevi et al. | Adoption of e-payment system to support health social security agency | |
JP2016081199A (ja) | 広告配信システム | |
JP6360625B2 (ja) | 検証支援システム及び方法 | |
KR20210106297A (ko) | 블록체인 결제 플랫폼 기반 유무선 광고 서비스 제공 시스템 | |
Hahn | Influence of digital transformation on the customer relationship |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220510 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230517 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230926 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231116 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240213 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240215 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7444424 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |