JP2020123296A - 通知方法選択装置、通知方法選択方法、及びプログラム - Google Patents

Abstract

【課題】顧客に通知を行う際に、通知の内容を顧客に認識されやすくすることができ、且つ通知に要するコストを増大させないようにすることができる通知方法選択装置を提供する。【解決手段】通知反応推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷物による通知である印刷通知又は電子的な方法による通知である電子通知から少なくとも一つを選択する分析部と、前記分析部による選択の結果を出力する処理部と、を備え、前記通知反応推定モデルは、過去に通知した実績がある既存顧客の属性を示す顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである。【選択図】図１

Description

本発明は、通知方法選択装置、通知方法選択方法、及びプログラムに関する。

コンピュータおよびインターネット等の通信ネットワーク技術の発展に伴い、顧客に業務上の通知を行う方法が、印刷物を郵送して通知する方法から、電子的な通知の方法に変化してきた。電子的な通知とは通信ネットワークを介した電子メールやメッセージングサービスなどを利用した通知である。メッセージングサービスは、例えば、ＲＣＳ（Rich Communication Services）、及びＳＭＳ（Short Message Service）や、ＭＭＳ（Multimedia Messaging Service）などの機能を利用してメッセージ等のコンテンツを送受信する仕組みである。ＲＣＳは、携帯電話用のインスタントメッセンジャーを端末レベルで実現するための規格であり、相手と通信する時にユーザ名や電子メールアドレスではなく、電話番号を使用するものである。また、ＲＣＳでは、送信することができる文字数の上限が従来のＳＭＳやＭＭＳよりも大きく設定されている。特許文献１では、顧客に通知を行う際、顧客がすぐに見ることのできる確率が高いアドレスに電子メールを送信する技術が開示されている。

特開２００７−２４１７３２号公報

しかしながら、多くの企業が電子メールなどの電子的な通知による同様なサービスの提供を行っており、顧客に対して多数の通知がなされる場合がある。多数の電子的な通知がなされると、それらの通知が顧客に開封されないまま放置されてしまう事態が発生し得る。この場合、通知の内容を顧客に認識させることができない。この対策として、印刷物を郵送して顧客に通知を行う方法に戻すことが考えられる。一般に、物理的な印刷物が届けられた場合、その内容を確認しようとする意志が働きやすいと考えられるためである。しかし、印刷物を郵送するには印刷代や配送料などのコストがかかるため、印刷物による通知を行う方法に戻すと、電子的な通知と比較して経費が増大してしまうという問題があった。

本発明は、このような事情に鑑みてなされたもので、その目的は、顧客に通知を行う際に、通知の内容を顧客に認識されやすくすることができ、且つ通知に要するコストを増大させないようにすることができる通知方法選択装置、通知方法選択方法、及びプログラムを提供することにある。

上述した課題を解決するために、本発明は、通知方法推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷物による通知である印刷通知又は電子的な方法による通知である電子通知から少なくとも一つを選択する分析部と、前記分析部による選択の結果を出力する処理部と、を備え、前記通知方法推定モデルは、過去に通知した実績がある既存顧客の属性を示す顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである通知方法選択装置である。

また、上述した課題を解決するために、本発明は、分析部が、通知反応推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷物による通知である印刷通知又は電子的な方法による通知である電子通知から少なくとも一つを選択し、処理部が、前記分析部による選択の結果を出力し、前記通知反応推定モデルは、過去に通知した実績がある既存顧客の属性を示す顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである通知方法選択方法である。

また、上述した課題を解決するために、本発明は、コンピュータを、上記に記載の通知方法選択装置として動作させるためのプログラムであって、前記コンピュータを前記通知方法選択装置が備える各部として機能させるためのプログラムである。

以上説明したように、この発明によれば、通知反応推定モデルが推定した内容に応じて顧客に適した通知の方法を選択することができるために、通知の内容を顧客に認識されやすくすることができる。また、顧客ごとに、印刷物による通知か、電子的な方法による通知かを選択することができるために、全ての顧客に対して、印刷物を通知する方法に戻すよりも、通知に要するコストを抑えることが可能である。つまり、通知の内容を顧客に認識されやすくすることができ、且つ通知に要するコストを増大させないようにすることができる。

第１の実施形態による通知方法選択装置１０が適用される通知方法選択システム１の構成を示すブロック図である。 第１の実施形態による通知方法選択装置１０の構成を示すブロック図である。 第１の実施形態による学習データ記憶部１０３に記憶される情報の構成例を示す図である。 第１の実施形態による通知方法選択装置１０の動作を説明するフローチャートである。 第２の実施形態による学習データ記憶部１０３Ａに記憶される情報の構成例を示す図である。 第３の実施形態による学習データ記憶部１０３Ｂに記憶される情報の構成例を示す図である。

以下、本発明の一実施形態について図面を参照して説明する。

（第１の実施形態）
まず、第１の実施形態について説明する。
図１は、第１の実施形態による通知方法選択装置１０が適用される通知方法選択システム１の構成を示すブロック図である。通知方法選択システム１は、企業などからの要求に応じて、各種の情報を特定顧客に通知するシステムである。通知方法選択システム１は、例えば、通知方法選択装置１０と、印刷装置２０と、配信サーバ３０と、印刷レイアウト生成装置４０と、電子レイアウト生成装置５０とを備える。

通知方法選択装置１０は、通知要求を取得する。ここでの通知要求は、企業などに設けられた端末装置等から通知方法選択装置１０に送信される信号であって、当該企業から顧客に通知を行うように要求する信号である。通知要求には、少なくとも、通知の宛先を示す情報、例えば、顧客の氏名、住所、電話番号、電子メールのアドレス等を示す情報が含まれる。
また、通知要求に、通知の内容が含まれていてもよい。ここでの所定の内容の通知とは、企業が顧客に対して行う業務上の通知であり、例えば、請求の金額を通知したり、顧客が加入している保険が満期に達したことを通知したりするものである。
通知方法選択装置１０は、通知要求に基づき、通知の対象となる顧客に応じて、通知する方法（以下、通知方法とも称する）を選択し、選択の結果を出力する。

本実施形態における通知方法は、印刷通知、及び電子通知である。印刷通知は、印刷物による通知であって、例えば、物理的な印刷物が顧客の住所に配送されることにより、通知する方法である。電子通知は、電子的な方法による通知であって、電子メール、又はメッセージングサービスを利用したメッセージが、顧客が利用する端末（デスクトップやタブレット、スマートフォン等）に配信されることにより通知する方法である。ここでのメッセージングサービスは、例えば、ＲＣＳ（Rich Communication Services）、及びＳＭＳ（Short Message Service）や、ＭＭＳ（Multimedia Messaging Service）などの機能を利用してメッセージ等のコンテンツを送受信する仕組みである。すなわち、電子通知には、電子メールによる通知と、メッセージングサービスを利用した通知（以下、メッセージ通知と称する）が含まれる。

通知方法選択装置１０は、通知方法を選択した選択結果に応じて、印刷通知を指示する印刷通知指示データ、又は電子通知を指示する電子通知指示データを出力する。
印刷通知指示データは、印刷通知を指示する旨の情報に、通知する対象となる顧客の氏名や住所などの情報を付与したデータである。
電子通知指示データは、電子通知を指示する旨の情報に、通知する対象となる顧客の電子メールのアドレスや、メッセージ通知を行うための電話番号やアカウントなどの情報を付与したデータである。
通知方法選択装置１０は、通知方法を印刷通知とした場合、印刷通知指示データを印刷装置２０に出力する。通知方法選択装置１０は、通知方法を電子通知とした場合、電子通知指示データを配信サーバ３０に出力する。通知方法選択装置１０は、通知方法を電子通知とした場合、電子通知指示データに、電子メールによる通知か、メッセージングサービスを利用した通知（以下、メッセージ通知と称する）かを指定する情報を付与してもよい。

印刷装置２０は、通知方法選択装置１０から取得した印刷通知指示データを用いて、印刷物による通知を行う。
印刷装置２０は、印刷通知指示データを取得すると、印刷レイアウト生成装置４０にレイアウトデータを要求し、印刷レイアウト生成装置４０から印刷レイアウトデータを取得する。印刷レイアウトデータは、印刷通知にて通知する内容を示すデータであり、例えば、印刷物となる紙面を印刷するためのプリントデータである。プリントデータには、例えば、印刷する文言や画像、紙面上の配置などのレイアウトを示す情報等が含まれる。
印刷装置２０は、印刷レイアウトデータを用いて紙面に印刷し、印刷物を生成する。印刷装置２０は、生成した印刷物に封をする等し、封をした封筒に印刷通知指示データに示された宛先を付して顧客に配送するための処理を行い、配送業者等を利用して顧客宛てに印刷物を送付する。これにより、顧客に印刷物による通知が行われる。

配信サーバ３０は、通知方法選択装置１０から取得した電子通知指示データを用いて、電子的な通知を行う。
配信サーバ３０は、電子通知指示データを取得すると、電子レイアウト生成装置５０にレイアウトデータを要求し、電子レイアウト生成装置５０から電子レイアウトデータを取得する。電子レイアウトデータは、電子通知にて通知する内容を示すデータであり、例えば、電子メールやメッセージに示すコンテンツのデータである。コンテンツのデータには、タイトル、テキスト、画像、レイアウト、及びリンク先を示す情報等が含まれる。画像には静止画像だけでなく、動画像が含まれてもよい。
配信サーバ３０は、電子レイアウトデータを用いて電子メールの内容を生成し、生成した電子メールを、電子通知指示データに示された顧客が利用するメールアドレスに宛てて送信する。配信サーバ３０は、取得した電子レイアウトデータを用いてメッセージの内容を生成し、生成したメッセージを、電子通知指示データに示された顧客が利用するメッセージＩＤに宛てて送信する。メッセージＩＤは、例えば、顧客の電話番号、又はメッセージ通知を行うアプリケーションに登録された顧客の識別番号である。

印刷レイアウト生成装置４０は、印刷装置２０からの要求に応じて、印刷レイアウトデータを印刷装置２０に送信する。
電子レイアウト生成装置５０は、配信サーバ３０からの要求に応じて、電子レイアウトデータを配信サーバ３０に送信する。

なお、上記では、印刷レイアウト生成装置４０が印刷レイアウトデータを生成し、電子レイアウト生成装置５０が電子レイアウトデータを生成する場合を例示して説明したが、これに限定されない。例えば、通知方法選択装置１０が、印刷レイアウトデータ及び電子レイアウトデータの何れか又は双方を生成してもよい。

図２は、第１の実施形態による通知方法選択装置１０の構成を示すブロック図である。通知方法選択装置１０は、例えば、通知要求取得部１００と、分析部１０１と、処理部１０２と、学習データ記憶部１０３と、学習済みモデル情報記憶部１０４とを備える。

通知要求取得部１００は、通知要求を取得し、取得した通知要求を分析部１０１に出力する。通知要求には、通知先に関する情報、及び通知の内容に関する情報が含まれる。通知先に関する情報は、通知先を示す情報であって、例えば、通知する対象となる顧客の氏名、住所、電話番号、電子メールアドレス、メッセージＩＤ等である。通知の内容に関する情報は、通知する内容や、通知の条件を示す情報である。通知の条件は、通知する際の条件を示す情報であり、例えば、通知すべき期間などである。例えば、請求の金額を知らせる通知である場合には、その請求の金額が引き落とされる日前に顧客に通知する必要があるため、通知すべき期間は、引き落し日の一週間前などに設定される。

分析部１０１は、予め、通知方法推定モデルを作成する。通知方法反応モデルは、顧客に電子通知、及び／又は印刷通知を行った場合における、当該通知に対して顧客が行う反応を推定する学習済みモデルである。分析部１０１は、作成した通知反応推定モデルを、学習済みモデル情報記憶部１０４に記憶させる。通知方法反応モデルについては後で詳しく説明する。

通知に対する反応とは、顧客が通知の内容を認識したことを示す反応であり、例えば、応答と開封の二つの反応がある。ここでの反応とは、応答と開封との双方であってよいし、応答又は開封のいずれかであってもよい。

応答は、顧客が行った、通知の内容に応じた応答である。例えば、請求金額の通知が行われた場合に、その金額に応じたポイント還元の案内に、当該顧客から応募があった場合などに、顧客が通知に応答したと判定することが可能である。また、保険が満期に達したことを通知した場合に、満期後に当該保険の加入を継続する旨の連絡が保険会社にあった場合や、保険が満期に達したことを通知して、学資保険の案内をした場合に、学資保険の加入の申し出がなされた場合などに、顧客が通知に応答したと判定することができる。

開封は、顧客が行った、通知の開封である。通知を開封したか否かは、電子的な通知に対して判定される。例えば、メッセージ通知の場合、メッセージ通知を行うアプリケーションにより、メッセージが開封されたか（既読か）否か、つまり、電子通知の開封なされたか否かが判定される。当該アプリケーションでは、例えば、通知先の顧客が利用する端末のアプリケーション上にメッセージが表示された場合に、当該メッセージが開封されたが管理サーバ等に送信されることによりメッセージが開封されたと判定される。電子メールによる通知の場合、開封を確認するための画像（以下、開封確認画像と称する）やリンク先を示す情報が記載された電子メールが送信されるようにする。開封確認画像は、例えば、当該画像が表示されると、特定のＵＲＬ（Uniform Resource Locator）にアクセスするように予めプログラムされている。この場合において、電子メールが開封され、開封確認画像が表示される、或いはリンク先がクリックされることにより特定のＵＲＬがアクセスされた場合に電子メールが開封されたとみなす。

分析部１０１は、通知要求取得部１００からの通知要求に基づいて、通知方法を印刷通知、及び電子通知から選択する。分析部１０１は、通知先の顧客の顧客属性情報を通知反応推定モデルに入力することにより当該顧客の電子通知、及び／又は印刷通知に対する反応を推定し、推定の結果に応じて通知方法を選択する。顧客属性情報は、顧客の属性を示す情報であって、例えば、顧客の年齢、性別、住所、職業、家族構成などを示す情報である。

分析部１０１は、通知要求に基づいて、通知先の顧客の顧客属性情報を取得する。当該顧客属性情報は、例えば、通知要求に含まれている。或いは、当該顧客情報が、通知方法選択装置１０と通信ネットワーク等を介して通信可能に接続する顧客属性情報記憶サーバ（不図示）に記憶されてもよい。この場合、顧客属性情報記憶サーバは、様々な顧客の顧客属性情報を記憶するサーバ装置である。例えば、分析部１０１は、通知要求に示される顧客の氏名等に基づいて、顧客属性情報記憶サーバにアクセスし、通知先の顧客の顧客情報を取得する。なお、様々な顧客の顧客属性情報は、通知方法選択装置１０の図示しない顧客属性情報記憶部に記憶されていてもよい。

分析部１０１は、取得した通知先の顧客の顧客属性情報を、通知方法推定モデルに入力する。通知反応推定モデルは、入力された顧客属性情報に基づいて、当該顧客の電子通知、及び／又は印刷通知に対する反応を推定する。通知反応推定モデルは、例えば、顧客に電子通知を行った場合における応答率、及び開封率を推定する。また、通知反応推定モデルは、顧客に印刷通知を行った場合における応答率を推定する。ここでの応答率は、通知に対する応答があると推定される確率である。また、開封率は、通知が開封される確率である。

分析部１０１は、通知反応推定モデルに、印刷通知、電子通知（電子メールによる通知、及びメッセージ通知）の各々について応答率を推定させる。分析部１０１は、最も応答率が高く推定された通知方法を、顧客に対する通知方法として選択する。具体的に、分析部１０１は、顧客が電子メールによる通知の応答率が最も高いと推定された場合、顧客に対する通知方法として電子メールによる通知を選択する。分析部１０１は、顧客がメッセージ通知の応答率が、印刷通知の応答率よりも高い（大きい）と推定された場合、顧客に対する通知方法としてメッセージ通知を選択する。

ここで、実際の物として印刷物が届けられた場合、人間はその印刷物を手に取って内容を確認しようとする意志が働くのが一般的である。これに対して、メッセージ通知は、印刷物のような実態があるものではないために、端末装置などにメッセージ通知がなされた場合であっても人間はさほどその内容を確認しようとする意志が働かない。印刷通知の開封率は電子通知のようには計測することができないが、電子通知の開封率と比較して高いと考えられる。また、このような自らの意思で開封した印刷物については、内容を確認した上で応答すると考えられるため、ほとんどの顧客が、メッセージ通知の応答率よりも、印刷通知の応答率が高いと考えてよい。
このため、メッセージ通知の応答率が、印刷通知の応答率よりも高く（大きく）推定されていない全ての顧客に印刷通知を行う選択をしてしまうと、大多数の顧客に印刷通知を行うこととなってしまう。この場合、印刷物を配送するためのコスト（印刷代や配送料など）が過大となってしまう懸念がある。

この対策として本実施形態では、分析部１０１は、メッセージ通知の応答率が、印刷通知の応答率よりも高く（大きく）推定されていなくとも、メッセージ通知を開封すると推定される顧客については、メッセージ通知を行う選択をする。そして、メッセージ通知の応答率が、印刷通知の応答率よりも高く（大きく）推定されておらず、且つ、メッセージ通知をほとんど開封しないと推定される顧客に対してのみ、印刷物による通知を行う選択をする。こうすることで、印刷物を配送するためのコストをできるだけ抑制する。
具体的には、分析部１０１は、メッセージ通知の応答率が、印刷通知の応答率よりも低い（小さい）と推定される場合、メッセージ通知の開封率が所定の閾値以上と推定されれば、顧客に対する通知方法としてメッセージ通知を選択する。

処理部１０２は、分析部１０１による顧客に対する通知方法を選択した結果（選択結果）に基づいて、印刷通知指示データ、又は電子通知指示データの何れか一方を作成する。処理部１０２は、印刷通知指示データを作成した場合、作成したデータを印刷装置２０に出力する。処理部１０２は、電子通知指示データを作成した場合、作成したデータを配信サーバ３０に出力する。ここで、印刷通知指示データは、分析部１０１による「選択の結果」の一例である。また、電子通知指示データは、分析部１０１による「選択の結果」の一例である。

学習データ記憶部１０３は、学習データを記憶する。学習データは、分析部１０１が通知反応推定モデルを作成する際に、モデルに学習させるデータである。学習データは、例えば、通知方法選択装置１０の入力部（不図示）を介して、他の装置（通知に対する反応を集計するサーバ装置など）から入力される。学習済みモデル情報記憶部１０４は、通知反応推定モデルを記憶する。

図３は、第１の実施形態による学習データ記憶部１０３に記憶される情報（学習データ）の構成例を示す図である。学習データは、過去に行った通知の実績に基づいて作成される。

図３に示すように、学習データは、顧客ＩＤと入力と出力とにより構成される。顧客ＩＤは顧客を一意に識別する識別情報である。入力は、顧客ＩＤに対応する顧客の顧客属性情報を示し、この例では年齢、性別、住所、職業、家族構成などを備える。出力は、顧客通知元、通知方法、応答、開封などの項目を備える。通知元には、通知元となる企業の名称などが示される。通知手段には、過去の所定期間に通知元から顧客になされた通知における通知方法、つまり、印刷通知、電子メール、メッセージの何れかが示される。応答には、通知手段に示された通知方法に対する応答がなされた通知の数が示される。開封には、通知手段に示された通知方法に対する開封がなされた通知の数が示される。この例では、４０代の男性の顧客で、都内に住み、広告業に従事し、未就学児の子供がいる顧客に対して、Ａ社からのメッセージ通知が５通なされ、そのうちの１通に応答があったこと、５通全てが開封されたことが示されている。また、この男性にはＢ社からのメッセージ通知が２０通なされ、その全てに応答がなく、１８通が開封されたことが示されている。また、６０代の女性の顧客で、都内に住む主婦の方で子供が既に独立している顧客に対して、Ａ社からの印刷通知はなされていないこと、Ｂ社からのメッセージ通知が３０通なされ、そのうち５通に応答があり、２８通が開封されたことが示されている。

ここで通知方法推定モデルについて説明する。
分析部１０１は、学習データ記憶部１０３に記憶された学習データを用いて、機械学習モデルに、入力（顧客属性情報）と出力（通知に対する反応）との対応関係を学習させることにより通知反応推定モデルを作成する。学習済みモデルに学習させる機械学習の技法としては、隠れマルコフモデル（ＨＭＭ）、ディープラーニング、リカレントニューラルネットワーク、畳み込みニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、決定木学習、遺伝的プログラミング、などの一般的に用いられている技法のいずれが用いられてもよい。

分析部１０１は、通知反応推定モデルに、未学習の入力情報（通知方法を選択する対象とする顧客、つまり新規の顧客の顧客属性情報）を入力する。
通知反応推定モデルは、分析部１０１からの未学習の入力情報が入力されると、学習済みの学習データにおける学習済みの入力情報（既存顧客の顧客属性情報）と、未学習の入力情報との類似度合いを算出する。ここでの類似度合いは、例えば、未学習の入力情報の特徴量をベクトル表現により数値化した値と、学習済みの入力情報の特徴量をベクトル表現により数値化した値との、ベクトル空間における距離として算出される。ベクトル空間における距離は、互いのベクトル表現により数値化した値の相関量に比例し、例えば、ベクトルの内積等により算出される。

通知反応推定モデルは、未学習の入力情報とのベクトル空間における距離が所定の閾値未満である、つまり類似している学習済みの入力情報を抽出する。学習済みモデルは、抽出した学習済みの入力情報に対応付けられた、学習済みの出力情報（既存顧客の通知に対する反応）を、未学習の入力情報に対して推定される出力情報（新規顧客の通知に対する反応）として出力する。

なお、上記では、分析部１０１が通知反応推定モデルを作成する場合を説明したが、分析部１０１は、通知方法選択装置１０とは異なる他の装置が作成した通知反応推定モデルを用いて、新規顧客における通知に対する反応を推定するようにしてもよい。

図４は、第１の実施形態による通知方法選択装置１０の動作を説明するフローチャートである。
まず、通知方法選択装置１０は、分析部１０１により通知反応推定モデルを作成する（ステップＳ１０）。分析部１０１は、作成した通知反応推定モデルを学習済みモデル情報記憶部１０４に記憶させる。
次に、通知方法選択装置１０は、通知要求取得部１００より通知要求を取得する（ステップＳ１１）。通知要求取得部１００は、取得した要求通知の内容を分析部１０１に出力する。

次に、通知方法選択装置１０は、分析部１０１により、通知反応推定モデルを用いて、通知先の新規の顧客における、通知に対する反応としての応答率、及び回答率を推定する（ステップＳ１２）。分析部１０１は、通知要求取得部１００から要求通知を取得し、取得した通知要求において通知対象として示された顧客の氏名などの情報に基づいて顧客属性情報記憶サーバを参照し、通知対象である新規の顧客の顧客属性情報を取得する。
次に、分析部１０１は、電子メールの応答率の推定値が最も高いか否かを判定する（ステップＳ１３）。
そして、通知方法選択装置１０は、分析部１０１により電子メールの応答率の推定値が最も高いと判定された場合、分析部１０１による選択の結果として、処理部１０２により電子メールの通知に用いる、電子メール用の電子通知指示データを出力する（ステップＳ１３）。

一方、ステップＳ１３において、分析部１０１により電子メールの応答率の推定値が最も高くはないと判定された場合、分析部１０１は、メッセージの応答率の推定値が印刷通知の応答率の推定値以上であるか否かを判定する（ステップＳ１５）。
分析部１０１により、メッセージの応答率の推定値が印刷通知の応答率の推定値以上であると判定された場合、処理部１０２は、分析部１０１による選択の結果として、メッセージ通知に用いるメッセージ用の電子通知指示データを出力する（ステップＳ１６）。

一方、ステップＳ１５において、分析部１０１によりメッセージの応答率の推定値が印刷通知の応答率の推定値以上ではないと判定された場合、分析部１０１は、メッセージの開封率の推定値が所定の閾値以上であるか否かを判定する（ステップＳ１７）。
分析部１０１により、メッセージの開封率の推定値が所定の閾値以上であると判定された場合、処理部１０２は、分析部１０１による選択の結果として、印刷通知指示データを出力する（ステップＳ１８）。

以上説明した通り、第１の実施形態の通知方法選択装置１０は、分析部１０１と処理部１０２を備える。分析部１０１は、通知反応推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷通知又は電子通知から少なくとも一つを選択する。処理部１０２は、分析部１０１による選択の結果（印刷通知の指示を示す印刷通知指示データ、又は電子通知の指示を示す電子通知指示データの何れか一方）を出力する。通知反応モデルは、過去に通知した実績がある既存顧客の顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである。
これにより、第１の実施形態の通知方法選択装置１０は、通知反応推定モデルにより、通知に対する顧客の反応を推定し、その顧客に推定される反応の傾向に応じた通知方法を選択でき、通知が顧客に確認されやすくすることができる。また、印刷通知、又は電子通知から選択することができるために、印刷通知、及び電子通知の双方について、共に応答する傾向にある顧客に対しては、電子通知を選択することができるために、通知が顧客に確認されやすくしつつ、且つ、全ての顧客に印刷物による通知を行う場合よりも通知に要するコストを抑制することが可能である。

また、上述した実施形態では、メッセージ通知の応答率の推定値が、印刷通知の応答率の推定値よりも低い（小さい）場合、メッセージ通知の開封率の推定値が所定の閾値以上であれば、顧客に対する通知方法としてメッセージ通知を選択する場合を説明した。この場合における所定の閾値は、固定された値である必要はなく、状況に応じて変更されてよい。
例えば、割り当てられた予算が多い場合には、多く経費を印刷通知のために使うことができる。この場合、所定の閾値を高く（大きく）設定し、顧客に対する通知方法として印刷通知が選択されやすくする。一方、割り当てられた予算が少ない場合には、所定の閾値を低く（小さく）設定し、顧客に対する通知方法として印刷通知が選択され難くする。これにより、割り当てられた予算の枠内において、最も顧客に確認されやすい通知を行うことが可能となる。

（第２の実施形態）
次に、第２の実施形態について説明する。本実施形態では、分析部１０１が、通知日時推定モデルを用いて、通知の内容が確認されやすくなる通知の日時（通知日時）を推定し、推定された結果を用いて、通知を行う日時、及び複数の通知を行う場合における各通知の間隔を決定する。

ここでの通知を行う日時とは、印刷通知において通知が行われた日付、電子通知において通知が行われた日付と時間である。また、通知の間隔とは、複数の印刷通知を行う際における送付日の間隔、或いは、複数の電子通知を行う際における配信時間の間隔である。
以下の説明においては、上述した実施形態と相違する事項について説明し、上述した実施形態と同等な事項については、同じ符号を付してその説明を省略する。

本実施形態では、例えば、通知の内容が確認されやすくなると推定された日付や時間帯に通知を行い、同一の顧客に対して、同一の通知方法を用いた複数の通知を行う場合には、その通知の順序や通知の間隔を指定する。

例えば、平日の昼過ぎにメッセージ通知を行うと開封（既読）になりやすいと推定された顧客には、その時間帯にメッセージ通知を送信するようにし、通知する予定のメッセージ通知が複数ある場合には、各メッセージ通知の送信間隔を１０分あけるようにする。
或いは、１か月の間に３通の印刷通知を行う予定の顧客が、毎月の上旬に行った印刷通知に対して応答しやすい傾向にあると推定された場合には、その月の上旬に、３日の間隔をあけて順次印刷通知を行うようにする。これにより、顧客が確認しやすいと推定された日時や時間帯に通知を行いつつ、その時間帯に複数の通知を行う場合には、通知が集中し過ぎないようにして、何れの通知も顧客に確認されやすくすることが可能である。

本実施形態では、通知方法選択装置１０Ａは、分析部１０１Ａと、処理部１０２Ａと、学習データ記憶部１０３Ａと、学習済みモデル情報記憶部１０４Ａとを備える。

分析部１０１Ａは、通知日時推定モデルを作成する。通知日時モデルは、顧客に通知を行う場合における、当該通知が顧客に認識されやすくなる通知日時を推定する学習済みモデルである。分析部１０１Ａは、学習データ記憶部１０３Ａに記憶される学習データを用いて通知日時推定モデルを作成する。

図５は、第２の実施形態による学習データ記憶部１０３Ａに記憶される情報（学習データ）の構成例を示す図である。
図５に示すように、応答履歴情報学習データは、顧客ＩＤと入力と出力とにより構成される。顧客ＩＤは顧客を一意に識別する識別情報である。入力は、顧客ＩＤに対応する顧客の顧客属性情報を示し、この例では年齢、性別、住所、職業、家族構成などを備える。出力は、通知日時などの項目を備える。通知日時には、過去の通知における反応に基づいて決定された通知の日時が示される。例えば、４０代の広告業の男性においては、平日の朝６時〜７時、平日の昼間が好適（ＯＫと記載）な通知日時、平日の夜間、及び休日が不適（ＮＧと記載）な通知日時として示されている。

分析部１０１Ａは、学習データ記憶部１０３Ａに記憶された学習データを用いて、機械学習モデルに、入力（顧客属性情報）と出力（通知日時）との対応関係を学習させることにより、通知日時推定モデルを作成する。分析部１０１Ａは、作成した通知日時推定モデルを、学習済みモデル情報記憶部１０４Ａに記憶させる。

分析部１０１Ａは、通知日時推定モデルに、未学習の入力情報（通知方法を選択する対象とする顧客、つまり新規の顧客の顧客属性情報）を入力する。
通知日時推定モデルは、分析部１０１Ａからの未学習の入力情報が入力に対し、通知日時の区分毎に、その区分に配達（配信）された通知が開封される確率（開封率）を推定する。通知日時の区分は、日付と時間とを組み合わせた任意の区分であってよく、例えば、平日朝、平日昼間、平日夜間、及び休日などの区分であってもよいし、曜日毎の区分であってもよいし、所定の時間（例えば一時間）ごとの区分であってもよい。

そして、分析部１０１Ａは、区分ごとに推定された開封率に基づいて通知日時を決定する。分析部１０１Ａは、例えば、区分ごとの開封率の推定値のうち、開封率の推定値が最も高い区分、或いは、推定率が所定の閾値以上である区分からランダムに選択した区分を、通知日時に決定する。

分析部１０１Ａは、通知方法を選択した選択結果と共に、決定した通知日時を処理部１０２Ａに出力する。その際、分析部１０１Ａは、同一の顧客に対して電子通知を選択した通知が複数ある場合には、各通知の間隔を処理部１０２Ａに出力する。

処理部１０２Ａは、分析部１０１Ａにより印刷通知が選択された場合、通知日時としての送付日を指定する情報や、同一顧客宛てに複数の印刷通知がある場合には、他の印刷通知の送付日との間隔を指示する情報を付与した印刷通知指示データを、印刷装置２０に出力する。ここで、送付日を指定する情報や、他の印刷通知の送付日との間隔を指示する情報は、分析部１０１Ａによる「決定の結果」の一例である。
処理部１０２Ａは、分析部１０１Ａにより電子通知が選択された場合、通知日時としての送信時間を指定する情報や、同一顧客宛てに複数の印刷通知がある場合には、他の電子通知の送信時間との間隔を指示する情報を付与した電子通知指示データを、配信サーバ３０に出力する。ここで、配信時間を指定する情報や、他の電子通知の配信時間との間隔を指示する情報は、分析部１０１Ａによる「決定の結果」の一例である。

学習データ記憶部１０３Ａは、学習データとして、既存顧客の顧客属性情報を入力、当該既存顧客の通知日時を出力とした情報を記憶する。学習済みモデル情報記憶部１０４Ａは、通知日時推定モデルを記憶する。

印刷装置２０は、送付日を指定する情報を付与した印刷通知指示データを取得すると、配送業者に送付日を指示するなどして、指定された送付日に、印刷物が送付されるようにする。
配信サーバ３０は、送信時間を指定する情報を付与した電子通知指示データを取得すると、配信日時を指定する電子メール、又はメッセージを作成して指定された送信時間に電子通知なされるようにする。

以上説明したように、第２の実施形態における通知方法選択装置１０Ａでは、分析部１０１Ａにより、通知日時推定モデルを用いて、顧客に情報を通知する通知日時を決定する。処理部１０２は、分析部１０１による決定の結果を出力する。
これにより、第２の実施形態における通知方法選択装置１０Ａでは、新規の顧客が通知を認識し易い日時が不明である場合であっても、顧客の属性に基づいて、通知が認識されやすい日時を推定し、その認識されやすいと推定された日時に通知を行うことが可能である。

なお、上述した第２の実施形態において、複数の通知がなされる場合における通知の順序が決定されてもよい。通知の順序が適切に決定されることにより、何れの通知も認識されやすくすることができる。
通知の順序は、例えば、顧客に対する過去の通知における反応に基づいて決定される。具体的に、分析部１０１Ａは、通知元や通知の内容ごとに、応答率や開封率を導出する。通知の内容は、例えば、請求の金額の通知や、保険の満了の通知などである。通知の内容に、キャンペーンの案内や、学資保険の案内などの付加情報の有無が含まれていてもよい。

分析部１０１Ａは、導出した通知元や通知の内容ごとの応答率を比較して、応答率が高い傾向にある通知元、或いは応答率が高い傾向にある通知の内容を判定する。また、分析部１０１Ａは、導出した通知元や通知の内容ごとの開封率を比較して、開封率が高い傾向にある通知元、或いは開封率が高い傾向にある通知の内容を判定する。

そして、分析部１０１Ａは、判定した結果を用いて、複数の通知における通知の順序を決定する。例えば、分析部１０１Ａは、複数の通知における各々の通知元に、応答率が高い傾向にある通知元が含まれている場合、当該通知を最初（或いは最後）に行うと決定する。或いは、複数の通知における各々の通知の内容に、応答率が高い傾向にある内容が含まれている場合、当該通知を最初（或いは最後）に行うと決定する。該通知を最初、或いは最後の何れにするかは、顧客の傾向に応じて任意に決定されてよい。

（第３の実施形態）
次に、第３の実施形態について説明する。本実施形態では、通知表現推定モデルを用いて、通知の内容が確認されやすくなる通知の表現（通知表現）を推定し、推定された結果を用いて、通知の表現を選択する。

ここでの通知の表現とは、通知においてなされた表現であって、例えば、通知に記載した文字のフォント、フォントサイズ、色、太字や下線の有無、情報量、静止画像や動画像の有無などである。

本実施形態では、顧客にとって通知の内容が確認しやすくなると推定される表現を用いた通知を行う。
例えば、大きな文字を用いた表記に応答しやすい傾向にあると推定される顧客には、大きな文字を用いた表記による通知行うと決定する。或いは、画像を用いた通知に応答しやすい傾向にあると推定される顧客には、画像を用いた表現による通知を行うと決定する。顧客が確認しやすいと推定される通知を行うことにより、通知の内容を顧客に確認されやすくすることが可能である。

本実施形態では、通知方法選択装置１０Ｂは、分析部１０１Ｂと、処理部１０２Ｂと、学習データ記憶部１０３Ｂと、学習済みモデル情報記憶部１０４Ｂとを備える。

分析部１０１Ｂは、通知表現推定モデルを作成する。通知日時モデルは、顧客に通知を行う場合における、当該通知が顧客に認識されやすくなる通知表現を推定する学習済みモデルである。分析部１０１Ｂは、学習データ記憶部１０３Ｂに記憶される学習データを用いて通知表現推定モデルを作成する。

図６は、第３の実施形態による学習データ記憶部１０３Ｂに記憶される情報（学習データ）の構成例を示す図である。
図６に示すように、学習データは、例えば、顧客ＩＤと入力と出力とにより構成される。顧客ＩＤは顧客を一意に識別する識別情報である。入力は、顧客ＩＤに対応する顧客の顧客属性情報を示し、この例では年齢、性別、住所、職業、家族構成などを備える。出力は、通知表現などの項目を備える。通知表現には、顧客ＩＤに示される顧客への通知の表現として好適であるとされた通知表現が示される。例えば、通知に記載した文字の大きさや太さ、情報量、静止画像や動画像の有無などが通知表現として示される。この例では、４０代の広告業の男性においては、画像を使用した通知、及び情報量を少なくした通知が好適であることが示されている。６０代の女性においては、フォントサイズを大きくした通知が好適であることが示されている。

分析部１０１Ｂは、学習データ記憶部１０３Ｂに記憶された学習データを用いて、機械学習モデルに、入力（顧客属性情報）と出力（通知表現）との対応関係を学習させることにより、通知表現推定モデルを作成する。分析部１０１Ｂは、作成した通知表現推定モデルを、学習済みモデル情報記憶部１０４Ｂに記憶させる。

分析部１０１Ｂは、通知表現推定モデルに、未学習の入力情報（通知方法を選択する対象とする顧客、つまり新規の顧客の顧客属性情報）を入力する。
通知表現推定モデルは、分析部１０１Ｂからの未学習の入力情報が入力に対し、通知表現の区分毎に、その表現がなされた通知が好適とみなされる確率を推定する。通知表現の区分は、通知にて表現し得る文字や画像の区分であり、例えば、文字の大きさや太さ、情報量、静止画像や動画像の有無である。

そして、分析部１０１Ｂは、通知表現の区分ごとに推定された確率に基づいて通知表現を決定する。分析部１０１Ａは、例えば、区分ごとの確率の推定値のうち、最も確率が高い表現を、通知表現に決定する。分析部１０１Ｂは、通知方法を選択した選択結果と共に、決定した通知表現を処理部１０２Ｂに出力する。

処理部１０２Ｂは、分析部１０１Ｂにより印刷通知が選択された場合、分析部１０１Ｂにより決定された内容に応じた表現を示す情報（以下、表現情報ともいう）を付与した印刷通知指示データを印刷装置２０に出力する。
処理部１０２Ｂは、分析部１０１Ｂにより電子通知が選択された場合、分析部１０１Ｂにより決定された内容に応じた表現情報を付与した電子通知指示データを配信サーバ３０に出力する。
ここで、内容に応じた表現情報は、分析部１０１Ｂによる「決定の結果」の一例である。なお、印刷通知における表現情報と、電子通知における表現情報とは、同じ内容であってもよいし、互いに異なる内容であってもよい。

学習データ記憶部１０３Ｂは、学習データとして、既存顧客の顧客属性情報を入力、当該既存顧客の通知表現を出力とした情報を記憶する。学習済みモデル情報記憶部１０４Ｂは、通知表現推定モデルを記憶する。

印刷装置２０は、表現情報を付与した印刷通知指示データを取得すると、印刷レイアウト生成装置４０に表現情報の内容に応じたレイアウトデータを要求する。
配信サーバ３０は、表現情報を付与した電子通知指示データを取得すると、電子レイアウト生成装置５０に表現情報の内容に応じたレイアウトデータを要求する。

以上説明したように、第３の実施形態における通知方法選択装置１０Ｂでは、分析部１０１Ｂにより、通知表現推定モデルを用いて顧客における、過去の通知においてなされた表現と、当該通知に対する反応の有無との関係に基づいて、顧客に情報を通知する通知の表現を決定する。処理部１０２は、分析部１０１による決定の結果を出力する。
これにより、第３の実施形態における通知方法選択装置１０Ｂでは、新規の顧客が通知を認識し易い日時が不明である場合であっても、顧客の属性に基づいて、顧客が確認しやすい表現を推定し、その顧客が確認しやすいと指定された表現で通知を行うことが可能である。

上述した少なくとも一つの実施形態では、印刷通知又は電子通知の何れか一方が選択される場合を例示して説明したが、印刷通知と電子通知の双方が選択されてもよい。例えば、分析部１０１は、印刷通知が選択された顧客に関して、最近引っ越しをする予定であることが分かっており、印刷通知により通知を行う場合の宛先となる住所が確定できず、印刷通知が顧客に配達されるか不明である場合などに、印刷通知と電子通知の双方を選択する。これにより、印刷通知が選択された顧客の住所が確定できない場合であっても、印刷通知と電子通知の双方により通知することで、通知の内容をより確実に顧客に確認させることが可能である。

上述した実施形態における通知方法選択装置１０（１０Ａ、１０Ｂ）の全部又は一部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１…通知方法選択システム、１０…通知方法選択装置、１００…通知要求取得部、１０１…分析部、１０２…処理部、１０３…学習データ記憶部、１０４…学習済みモデル情報記憶部、２０…印刷装置、３０…配信サーバ

Claims (5)

1. 通知反応推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷物による通知である印刷通知又は電子的な方法による通知である電子通知から少なくとも一つを選択する分析部と、
   前記分析部による選択の結果を出力する処理部と、
   を備え、
   前記通知反応推定モデルは、過去に通知した実績がある既存顧客の属性を示す顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである通知方法選択装置。
2. 前記分析部は、通知日時推定モデルを用いて、前記顧客に情報を通知する際の通知日時を決定し、
   前記処理部は、前記分析部による決定の結果を出力し、
   前記通知日時推定モデルは、前記既存顧客の属性を示す顧客属性情報と、当該既存顧客に選択された通知日時の実績とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである、
   請求項１に記載の通知方法選択装置。
3. 前記分析部は、通知表現推定モデルを用いて、前記顧客に情報を通知する際の通知表現を決定し、
   前記処理部は、前記分析部による決定の結果を出力し、
   前記通知表現推定モデルは、前記既存顧客の属性を示す顧客属性情報と、当該既存顧客に選択された通知表現の実績とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである、
   請求項１に記載の通知方法選択装置。
4. 分析部が、通知反応推定モデルを用いて、顧客に情報を通知する際の通知方法を、印刷物による通知である印刷通知又は電子的な方法による通知である電子通知から少なくとも一つを選択し、
   処理部が、前記分析部による選択の結果を出力し、
   前記通知反応推定モデルは、過去に通知した実績がある既存顧客の属性を示す顧客属性情報と、当該既存顧客に行った通知に対する当該既存顧客の反応とを対応付けた学習データを用いて機械学習を実行することにより作成された機械学習モデルである、
   通知方法選択方法。
5. コンピュータを、請求項１から請求項３のいずれか一項に記載の通知方法選択装置として動作させるためのプログラムであって、前記コンピュータを前記通知方法選択装置が備える各部として機能させるためのプログラム。

Images