JP2020154473A - 推定装置、推定方法および推定プログラム - Google Patents

Abstract

【課題】利用者に対して提供する情報の精度を向上させること。【解決手段】本願に係る推定装置は、取得部と、推定部とを備える。取得部は、満足度の推定対象となる推定対象者の行動履歴を取得する。推定部は、所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて、取得部により取得された行動履歴から推定対象者がサービスに対して有する将来の満足度を推定する。【選択図】図１

Description

本発明は、推定装置、推定方法および推定プログラムに関する。

従来、種々の需要を予測し、予測結果に応じた情報を提供する技術が提供されている。例えば、ネットワーク上の行動と、金融サービスに関連する信用度との関係性を学習したモデルを用いて、推定対象となる利用者の行動から、信用度の推定を行う技術が知られている。

特開２０１８−０４５５７３号公報

しかしながら、上述した従来技術では、利用者に関する将来の情報を精度良く推定しているとは言えない場合がある。

例えば、上述した従来技術では、単純に推定処理を行う時点での利用者の信用度を推定しているに過ぎない。このため、利用者に関する将来の情報に応じたサービスの提供等を精度良く実現することができない恐れがある。

本願は、上記に鑑みてなされたものであって、利用者に対して提供する情報の精度を向上させることを目的とする。

本願に係る推定装置は、満足度の推定対象となる推定対象者の行動履歴を取得する取得部と、所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルを用いて、前記取得部により取得された行動履歴から前記推定対象者が前記サービスに対して有する将来の満足度を推定する推定部とを有することを特徴とする。

実施形態の一態様によれば、利用者に対して提供する情報の精度を向上させることができるという効果を奏する。

図１は、実施形態に係る推定処理の一例を示す図である。 図２は、実施形態に係る推定システムの構成例を示す図である。 図３は、実施形態に係る端末装置の構成例を示す図である。 図４は、実施形態に係る推定装置の構成例を示す図である。 図５は、実施形態に係るモデル記憶部の一例を示す図である。 図６は、実施形態に係る推定情報記憶部の一例を示す図である。 図７は、実施形態に係る推定処理の一例を示すフローチャートである。 図８は、実施形態に係る推定処理の一例を示すフローチャートである。 図９は、推定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る推定装置、推定方法及び推定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る推定装置、推定方法及び推定プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．情報処理の一例〕
まず、図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１では、実施形態に係る情報処理が推定装置１００により実行される例を示す。

図１では、所定の利用者の行動履歴と満足度との関係性を示すモデルを用いて、評価対象となる利用者（以下、適宜「推定対象者」と呼ぶ）が所定のサービスに対して有する将来の満足度を推定装置１００が推定する場合を示す。ここで、所定のサービスに対して有する将来の満足度とは、顧客の優良度を示すスコアである。例えば、所定のサービスに対して有する将来の満足度とは、推定対象者がサービスを退会するのか、又は、サービスの上客（例えば、上級会員など）となるのかといった可能性を示すスコアである。なお、サービスの上客とは、サービスにとって重要であると推定される利用者である。以下、図１を用いて、実施形態に係る推定処理の一例を説明する。

まず、図１を用いて、推定装置１００が所定の利用者の行動履歴と満足度との関係性を示すモデルを生成する処理について説明する。推定装置１００は、特定行動を行った利用者の行動履歴を収集する（ステップＳ１０１）。ここで、特定行動を行った利用者とは、例えば、退会した利用者や、上級会員となった利用者である。また、以下実施形態では、利用者が退会した時点や、利用者が上級会員となった時点を処理日時とする。なお、実施形態に係る利用者は複数であってもよい。すなわち、推定装置１００は、複数の行動履歴を収集してもよい。図１に示す例では、推定装置１００が、特定行動を行った複数の行動履歴を収集する場合を示す。

利用者の行動履歴には、例えば、検索履歴や、閲覧履歴や、購買履歴などが含まれる。具体的な例を挙げると、利用者の行動履歴には、サービスの起動回数（ログイン回数など）やアクセス頻度、サービスに対する評価やレビューや、サービスに対する通知の設定（ＯＮ、ＯＦＦなど）や、メールの開封率に関する履歴などが含まれる。また、利用者の行動履歴には、サービスに対する利用者のランクを示す利用ランクや、サービスを利用した利用料金の総計に関する履歴などが含まれていてもよい。このように、利用者の行動履歴には、利用者がサービスにとって重要であるか否かを判断できる情報であればどのような情報が含まれていてもよい。

続いて、推定装置１００は、特定行動を行った利用者の行動履歴から、期間ごとの行動履歴を特定する（ステップＳ１０２）。例えば、推定装置１００は、特定行動を行った利用者の行動履歴から、予め定められた期間ごとの行動履歴を特定する。具体的には、推定装置１００は、特定行動が退会である場合には、退会直前に利用者が行った行動履歴を特定する。具体的な例を挙げると、推定装置１００は、退会１月前から退会までの期間に利用者が行った行動履歴を特定してもよいし、退会２月前から退会までの期間に利用者が行った行動履歴を特定してもよい。

図１に示すように、推定装置１００は、利用者の行動履歴を記憶する行動履歴記憶部１２１を有する。ここで、推定装置１００が収集した利用者の行動履歴を記憶する行動履歴記憶部１２１について説明する。図１に、実施形態に係る行動履歴記憶部１２１の一例を示す。図１に示すように、行動履歴記憶部１２１は、「利用者ＩＤ」、「特定行動」、「第１期間行動」、「第２期間行動」といった項目を有する。

「利用者ＩＤ」は、利用者を識別するための識別情報を示す。「特定行動」は、利用者が行った特定行動を示す。図１に示す例では、利用者ＩＤ「Ｕ１」により識別される利用者が退会したことを示す。また、図１は、利用者ＩＤ「Ｕ２」により識別される利用者が上級会員となったことを示す。「特定行動日時」は、利用者が特定行動を行った日時（処理日時）を示す。図１に示す例では、「特定行動日時」に「日時＃Ｕ１」や「日時＃Ｕ２」といった概念的な情報が格納される例を示したが、実際には、日時を示す情報が格納される。「日時＃Ｕ１」は、利用者ＩＤ「Ｕ１」により識別される利用者が特定日時を行った日時を示す。なお、「特定行動日時」には、日時を示す情報であればどのような情報が格納されてもよい。例えば、「特定行動日時」には、時分に限られず、秒まで含んだ日時を示す情報が格納されてもよいし、別の表現の日時を示す情報が格納されてもよい。

「第１期間行動」は、所定の日時から利用者が特定行動を行った日時に至るまでの期間内の行動を示す行動ログを示す。ここで、期間行動とは、所定の期間における行動履歴を示す。例えば、第１期間行動とは、第１期間内における行動履歴を示す。例えば、第２期間行動とは、第２期間内における行動履歴を示す。例えば、「第１期間行動」には、利用者が退会した１月前の所定の日時から退会した日時に至るまでの期間内の行動履歴を示す。図１に示す例では、「第１期間行動」に「行動＃Ｕ１−１」や「行動＃Ｕ２−１」といった概念的な情報が格納される例を示したが、実際には、行動履歴を示す情報が格納される。「行動＃Ｕ１−１」は、利用者ＩＤ「Ｕ１」により識別される利用者が、特定行動日時「日時＃Ｕ１」により示される日時から特定行動を行った日時に至るまでの期間内の行動履歴を示す。なお、「第１期間行動」には、行動を示す情報であればどのような情報が格納されてもよい。また、「第２期間行動」は、「第１期間行動」と同様の情報を示す。すなわち、「第２期間行動」には、「第１期間行動」と同様の情報が格納される。以下同様である。

続いて、推定装置１００が特定した期間ごとの行動履歴を用いてモデルを生成する処理について説明する。推定装置１００は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するようにモデルの学習を行う（ステップＳ１０３）。以下、具体的な例を用いて説明する。

推定装置１００は、例えば、退会する前１月分、２月分、３月分、６月分の行動履歴を収集し、退会する利用者の学習データとして記憶する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度「０」を出力するように学習する。具体的には、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内に退会する可能性を示すスコアとして「０」を出力するようにモデルの学習を行う。この場合、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内の満足度を示すスコアとして「０」を出力するようにモデルの学習を行う。同様に、推定装置１００は、処理日時よりも２月前の行動履歴を入力した際に、２月以内に退会する可能性を示すスコアとして「０」を出力するようにモデルの学習を行う。

推定装置１００は、例えば、上級会員となる前１月分、２月分、３月分、６月分の行動履歴を収集し、上級会員となる利用者の学習データとして記憶する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度「１００」を出力するように学習する。具体的には、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内に上級会員となる可能性を示すスコアとして「１００」を出力するようにモデルの学習を行う。この場合、推定装置１００は、処理日時よりも１月前の行動履歴を入力した際に、１月以内の満足度を示すスコアとして「１００」を出力するようにモデルの学習を行う。同様に、推定装置１００は、処理日時よりも２月前の行動履歴を入力した際に、２月以内に上級会員となる可能性を示すスコアとして「０」を出力するようにモデルの学習を行う。

なお、図１の例では、「第１期間行動」や「第２期間行動」等が、上述した前１月分や２月分等の行動履歴に対応する。すなわち、推定装置１００は、「第ｎ期間行動」（ｎは任意の整数）までの行動履歴を収集し、モデルの学習を行う。このように、推定装置１００は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するようにモデルの学習を行うことで、利用者の過去の行動から、所定の期間後における利用者の満足度を推定するモデルを生成する。

次に、図１を用いて、生成したモデルを用いて、推定装置１００が推定対象者の満足度を推定する処理について説明する。推定装置１００は、推定対象者の行動履歴を収集する（ステップＳ１０４）。なお、実施形態では、推定装置１００が行動履歴を収集した時点を現日時とする。また、推定対象者の行動履歴とは、上述した利用者の行動履歴と同様の情報である。また、推定装置１００は、推定対象者の満足度の推定処理後に推定対象者が特定行動を行った場合には、推定対象者を利用者として、推定対象者の行動履歴を行動履歴記憶部１２１に格納してもよい。そして、推定装置１００は、推定対象者の行動履歴を含めて、モデルの学習を行ってもよい。

推定装置１００は、推定対象者の各期間の行動履歴を入力し、各期間が経過した際の推定対象者の満足度を推定する（ステップＳ１０５）。以下、具体的な例を用いて説明する。推定装置１００は、推定対象者の推定時より、例えば、前１月分、２月分、３月分、６月分の行動履歴を収集し、モデルに入力する。そして、推定装置１００は、１月後、２月後、３月後、６月後の各々について満足度を算出する。具体的には、推定装置１００は、現日時よりも１月前の行動履歴を収集して、モデルに入力し、現日時から１月後の満足度を推定する。同様に、推定装置１００は、現日時よりも２月前の行動履歴を収集して、モデルに入力し、現日時から２月後の満足度を推定する。図１の例では、「第１期間スコア」や「第２期間スコア」等が、上述した１月後の満足度や２月後の満足度に対応する。すなわち、推定装置１００は、現日時からｎ月前（ｎは任意の整数）までの行動履歴を収集して、モデルに入力し、現日時からｎ月後の満足度を各々推定する。

推定装置１００は、推定した満足度に応じたサービスを推定対象者に提供する（ステップＳ１０６）。ここで、推定装置１００が推定対象者に提供するサービスとは特典である。推定装置１００は、推定した満足度に応じたサービスを、推定対象者が利用する端末装置１０に送信する。ここで、推定装置１００が提供するサービスとは、推定対象者にとって所定の利益になるとみなされるものであればどのようなものであってもよい。例えば、サービスとは、電子マネーなどのポイントの付与であってもよい。例えば、推定装置１００は、満足度が所定の閾値未満である場合には、より多くのポイントの付与を行ってもよい。これにより、推定装置１００は、推定対象者のサービスの利用の継続性を向上させることができる。

また、推定装置１００は、推定した満足度と、サービスへの貢献の度合（利用実績）とに基づいて、提供するサービスを決定してもよい。ここで、貢献の度合とは、サービスにおける利用態様が所定の条件を満たすことによって判断される。例えば、貢献の度合が高い推定対象者とは、サービスにおける利用態様が所定の条件を満たす推定対象者であり、貢献の度合が低い推定対象者とは、サービスにおける利用態様が所定の条件を満たさない推定対象者である。また、貢献の度合は、例えば、サービス上での推定対象者のランキングに応じて定められてもよい。例えば、推定装置１００は、アクセス頻度や、アクセスから経過した時間や、全体からみたアクセス頻度の順位や、払ったお金や、掲示版などに対する投稿回数などが高い推定対象者を、貢献の度合が高い推定対象者としてもよい。

推定装置１００は、推定した満足度が所定の閾値未満であり、かつ、利用者の貢献度が所定の閾値未満である場合には、推定対象者がネガティブユーザー（例えば、クレーマーやポイントゲッターなど）であると判定する。一方、推定装置１００は、推定した満足度が所定の閾値以上であり、かつ、利用者の貢献度が所定の閾値以上である場合には、推定対象者がポジティブユーザーであると判定する。ここで、推定装置１００は、推定対象者がポジティブユーザーであると判定した場合には、ポジティブユーザーに限定のサービスを決定してもよい。

また、上記実施形態では、特定行動を行った利用者が、サービスを退会した利用者であるか、サービスの上級会員となった利用者である場合の例を用いて、実施形態に係る情報処理について説明したが、特定行動として特定される行動であれば、どのような行動を行った利用者であってもよい。例えば、特定行動を行った利用者とは、アンインストールした利用者や、メーリングリストの解除（例えば、メルマガ行動停止など）を行った利用者や、アクセス頻度がゼロになった利用者などであってもよい。

なお、上記実施形態に係るサービスとは、例えば、アプリ（アプリを介したサービス）であってもよい。

〔情報処理システムの構成〕
図２に示す推定システム１について説明する。図２に示すように、推定システム１は、端末装置１０と、推定装置１００とが含まれる。端末装置１０と、推定装置１００とは所定の通信網（ネットワークＮ）を介して、有線または無線により通信可能に接続される。図２は、実施形態に係る推定システムの構成例を示す図である。なお、図２に示した推定システム１には、複数台の端末装置１０や、複数台の推定装置１００が含まれてもよい。

端末装置１０は、利用者又は推定利用者によって利用される情報処理装置である。端末装置１０は、実施形態における処理を実現可能であれば、どのような装置であってもよい。また、端末装置１０は、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等の装置であってもよい。図１に示す例においては、端末装置１０がスマートフォンである場合を示す。また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。

推定装置１００は、所定の利用者の行動履歴と満足度との関係性に基づいて推定対象者の満足度を推定するためのモデルを生成するために用いられる。推定装置１００は、例えば、ＰＣ、ＷＳ（Work Station）等の情報処理装置であり、端末装置１０からネットワークＮを介して送信されてきた情報に基づいて処理を行う。

〔２．端末装置の構成〕
次に、図３を用いて、実施形態に係る端末装置１０の構成について説明する。図３は、実施形態に係る端末装置１０の構成例を示す図である。図３に示すように、端末装置１０は、通信部１１と、入力部１２と、出力部１３と、制御部１４とを有する。

（通信部１１）
通信部１１は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１は、所定のネットワークＮと有線又は無線で接続され、所定のネットワークＮを介して、推定装置１００との間で情報の送受信を行う。

（入力部１２）
入力部１２は、利用者又は推定対象者からの各種操作を受け付ける。例えば、入力部１２は、タッチパネル機能により表示面を介して利用者又は推定対象者からの各種操作を受け付けてもよい。また、入力部１２は、端末装置１０に設けられたボタンや、端末装置１０に接続されたキーボードやマウスからの各種操作を受け付けてもよい。

（出力部１３）
出力部１３は、例えば液晶ディスプレイや有機ＥＬ（Electro-Luminescence）ディスプレイ等によって実現されるタブレット端末等の表示画面であり、各種情報を表示するための表示装置である。また、出力部１３は、推定装置１００から送信された情報を出力する。例えば、出力部１３は、推定対象者の満足度に応じた情報を出力する。

（制御部１４）
制御部１４は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、端末装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭ（Random Access Memory)を作業領域として実行されることにより実現される。例えば、この各種プログラムには、端末装置１０にインストールされたアプリケーションのプログラムが含まれる。例えば、この各種プログラムには、推定装置１００から送信された情報を表示するアプリケーションのプログラムが含まれる。また、制御部１４は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１４は、送信部１４１と、受信部１４２とを有し、以下に説明する情報処理の作用を実現または実行する。

（送信部１４１）
送信部１４１は、外部の情報処理装置へ各種情報を送信する。例えば、送信部１４１は、推定装置１００等の他の情報処理装置へ各種情報を送信する。送信部１４１は、所定の記憶部に記憶された情報を送信する。例えば、送信部１４１は、利用者の行動履歴を送信する。例えば、送信部１４１は、特定行動を行った利用者の行動履歴を送信する。例えば、送信部１４１は、推定対象者の行動履歴を送信する。

（受信部１４２）
受信部１４２は、各種情報を受信する。受信部１４２は、外部の情報処理装置から各種情報を受信する。受信部１４２は、推定装置１００等の他の情報処理装置から各種情報を受信する。例えば、受信部１４２は、推定対象者の満足度に応じた情報を受信する。例えば、受信部１４２は、推定対象者の満足度に応じたサービスを受信する。

〔３．推定装置の構成〕
次に、図４を用いて、実施形態に係る推定装置１００の構成について説明する。図４は、実施形態に係る推定装置１００の構成例を示す図である。図４に示すように、推定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、推定装置１００は、推定装置１００の管理者から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ等によって実現される。そして、通信部１１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図４に示すように、記憶部１２０は、行動履歴記憶部１２１と、モデル記憶部１２２と、推定情報記憶部１２３とを有する。

モデル記憶部１２２は、特定行動を行った利用者の行動履歴と満足度との関係性を示すモデルを記憶する。モデル記憶部１２２は、期間ごとの行動履歴に基づいて推定装置１００が生成したモデルを記憶する。ここで、図５に、実施形態に係るモデル記憶部１２２の一例を示す。図５に示すように、モデル記憶部１２２は、「モデルＩＤ」、「算出式（モデル）」といった項目を有する。

「モデルＩＤ」は、推定装置１００が生成したモデルを識別するための識別情報を示す。「算出式（モデル）」は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを算出するために用いられる算出式を示す。なお、図５に示す例では、算出式の項目を「モデル＃１」のような概念で示しているが、実際には、算出式の項目には、具体的な式が記憶される。また、算出式の項目には、各期間の行動履歴を入力した際に、特定行動と対応するスコアを算出する式であれば、どのような式が採用されてもよい。

推定情報記憶部１２３は、各期間が経過した際の推定対象者の満足度に関する情報を記憶する。推定情報記憶部１２３は、推定装置１００が推定した情報を記憶する。ここで、図６に、実施形態に係る推定情報記憶部１２３の一例を示す。図６に示すように、推定情報記憶部１２３は、「推定ＩＤ」、「対象者ＩＤ」、「期間」、「期間行動」、「満足度」といった項目を有する。

「推定ＩＤ」は、推定装置１００が推定した推定対象者の満足度に関する情報を識別するための識別情報を示す。「対象者ＩＤ」は、推定対象を識別するための識別情報を示す。「期間」は、現日時から推定時までの期間を示す。図６に示す例では、「期間」に「期間＃Ｕ１１−１」や「期間＃Ｕ１１−２」といった概念的な情報が格納される例を示したが、実際には、コンテンツデータが格納される。「期間行動」は、推定装置１００が推定したモデルに入力した行動履歴を示す。図６に示す例では、「期間行動」に「行動＃Ｕ１１−１」や「行動＃Ｕ１１−２」といった概念的な情報が格納される例を示したが、実際には、コンテンツデータが格納される。「満足度」は、推定時の満足度を示す。具体的には、「満足度」は、現日時から「期間」により示される期間が経過した際の推定対象者の満足度を示す。図６に示す例では、「満足度」に「スコア＃Ｕ１１−１」や「スコア＃Ｕ１１−２」といった概念的な情報が格納される例を示したが、実際には、コンテンツデータが格納される。

（制御部１３０）
制御部１３０は、コントローラであり、例えば、ＣＰＵやＭＰＵ等によって、推定装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図４に示すように、制御部１３０は、取得部１３１と、特定部１３２と、生成部１３３と、推定部１３４と、決定部１３５と、第１出力部１３６と、第２出力部１３７とを有し、以下に説明する情報処理の作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。

（取得部１３１）
取得部１３１は、各種情報を取得する。取得部１３１は、外部の情報処理装置から各種情報を取得する。取得部１３１は、端末装置１０等の他の情報処理装置から各種情報を取得する。

取得部１３１は、記憶部１２０から各種情報を取得する。取得部１３１は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３から各種情報を取得する。

取得部１３１は、取得した各種情報を記憶部１２０に格納する。取得部１３１は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３に各種情報を格納する。

取得部１３１は、他の機能構成により特定、生成、推定、決定された各種情報を取得する。

取得部１３１は、行動履歴を取得する。取得部１３１は、利用者の行動履歴を取得する。例えば、取得部１３１は、特定行動を行った利用者の行動履歴を取得する。例えば、取得部１３１は、所定の日時から特定行動を行った日時に至るまでの行動履歴を取得する。取得部１３１は、推定対象者の行動履歴を取得する。取得部１３１は、満足度の推定対象となる推定対象者の行動履歴を取得する。

（特定部１３２）
特定部１３２は、各種情報を特定する。特定部１３２は、外部の情報処理装置から各種情報を特定する。特定部１３２は、端末装置１０等の他の情報処理装置から各種情報を特定する。

特定部１３２は、記憶部１２０から各種情報を特定する。特定部１３２は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３から各種情報を特定する。

特定部１３２は、特定した各種情報を記憶部１２０に格納する。特定部１３２は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３に各種情報を格納する。

特定部１３２は、他の機能構成により取得、生成、推定、決定された各種情報を特定する。

特定部１３２は、行動履歴を特定する。特定部１３２は、期間ごとの行動履歴を特定する。特定部１３２は、特定行動を行った利用者の行動履歴から期間ごとの行動履歴を特定する。具体的な例を挙げると、特定部１３２は、特定行動を行った前１月分、２月分、３月分、６月分等の各々の行動履歴を特定する。

（生成部１３３）
生成部１３３は、各種情報を生成する。生成部１３３は、外部の情報処理装置から各種情報を生成する。生成部１３３は、端末装置１０等の他の情報処理装置から各種情報を生成する。

生成部１３３は、記憶部１２０から各種情報を生成する。生成部１３３は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３から各種情報を生成する。

生成部１３３は、生成した各種情報を記憶部１２０に格納する。生成部１３３は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３に各種情報を格納する。

生成部１３３は、他の機能構成により取得、特定、推定、決定された各種情報に基づいて、各種情報を生成する。

生成部１３３は、モデルを生成する。生成部１３３は、指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。生成部１３３は、特定行動を行った利用者の過去の行動履歴から、所定の期間後における利用者の満足度を示す指標値を出力するよう、コンピュータを機能させるためのモデルを生成する。

生成部１３３は、各期間の行動履歴を入力した際に、特定行動と対応するスコアを各期間に対応するスコアとして出力するように学習されたモデルを生成する。例えば、生成部１３３は、所定の特定行動を入力した場合に、所定の特定行動と対応するスコアとして「０」を出力するように学習されたモデルを生成する。例えば、入力した所定の特定行動がネガティブな行動として予め定められている場合である。具体的な例を挙げると、生成部１３３は、利用者が退会した処理日時よりもｎ月間（ｎは任意の整数）の行動履歴を入力した際に、ｎ月以内に退会する可能性を示すスコアとして「０」を出力するように学習されたモデルを生成する。また、生成部１３３は、所定の特定行動を入力した場合に、所定の特定行動と対応するスコアとして「１００」を出力するように学習されたモデルを生成する。例えば、入力した所定の特定行動がポジティブな行動として予め定められている場合である。具体的な例を挙げると、生成部１３３は、利用者が上級会員となった処理日時よりもｎ月間（ｎは任意の整数）の行動履歴を入力した際に、ｎ月以内に上級会員となる可能性を示すスコアとして「１００」を出力するように学習されたモデルを生成する。

（推定部１３４）
推定部１３４は、各種情報を推定する。推定部１３４は、外部の情報処理装置から各種情報を推定する。推定部１３４は、端末装置１０等の他の情報処理装置から各種情報を推定する。

推定部１３４は、記憶部１２０から各種情報を推定する。推定部１３４は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３から各種情報を推定する。

推定部１３４は、推定した各種情報を記憶部１２０に格納する。推定部１３４は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３に各種情報を格納する。

推定部１３４は、他の機能構成により取得、特定、生成、決定された各種情報を推定する。

推定部１３４は、推定対象者が所定のサービスに対して有する将来の満足度を推定する。推定部１３４は、推定対象者の行動履歴から推定対象者が所定のサービスに対して有する将来の満足度を推定する。推定部１３４は、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて推定する。推定部１３４は、所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて推定する。

推定部１３４は、推定対象者が所定のサービスに対して有する将来の満足度であって、それぞれ異なる期間が経過した際の満足度を推定する。推定部１３４は、所定の時点からの期間がそれぞれ異なる行動履歴と所定の時点における利用者の満足度との関係性を学習したモデルを用いて推定する。

推定部１３４は、第１期間が経過した際に推定対象者が所定のサービスに対して有する満足度と、第２期間が経過した際に推定対象者が所定のサービスに対して有する満足度とを推定する。推定部１３４は、所定の時点から第１期間内における行動履歴と利用者の満足度、および、所定の時点から第１期間よりも長い第２期間内における行動履歴と利用者の満足度を学習したモデルを用いて推定する。

推定部１３４は、所定のサービスにおいて所定の行動を行った利用者の行動履歴が入力された際に、所定の行動が示す満足度と対応する所定の値を出力するように学習が行われたモデルを用いて、推定対象者の将来の満足度を推定する。

推定部１３４は、所定のサービスの利用を取りやめた利用者の行動履歴が入力された際に、所定の閾値よりも低い値を出力するように学習が行われたモデルを用いて推定対象者の将来の満足度を推定する。

推定部１３４は、所定のサービスの利用態様が所定の条件を満たす利用者の行動履歴が入力された際に、所定の閾値よりも高い値を出力するように学習が行われたモデルを用いて推定対象者の将来の満足度を推定する。

（決定部１３５）
決定部１３５は、各種情報を決定する。決定部１３５は、外部の情報処理装置から各種情報を決定する。決定部１３５は、端末装置１０等の他の情報処理装置から各種情報を決定する。

決定部１３５は、記憶部１２０から各種情報を決定する。決定部１３５は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３から各種情報を決定する。

決定部１３５は、決定した各種情報を記憶部１２０に格納する。決定部１３５は、行動履歴記憶部１２１やモデル記憶部１２２や推定情報記憶部１２３に各種情報を格納する。

決定部１３５は、他の機能構成により取得、特定、生成、推定された各種情報に基づいて、各種情報を決定する。

決定部１３５は、推定対象者に提供する情報を決定する。決定部１３５は、推定対象者に送信する情報を決定する。決定部１３５は、推定対象者に通知する情報を決定する。決定部１３５は、推定対象者が利用する端末装置１０に提供する情報を決定する。決定部１３５は、推定対象者に提供するサービスを決定する。

（第１出力部１３６）
第１出力部１３６は、外部の情報処理装置へ各種情報を出力する。第１出力部１３６は、外部の情報処理装置へ各種情報を提供する。第１出力部１３６は、外部の情報処理装置へ各種情報を送信する。第１出力部１３６は、外部の情報処理装置へ各種情報を通知する。例えば、第１出力部１３６は、端末装置１０へ各種情報を出力する。

第１出力部１３６は、他の機能構成により取得、特定、生成、推定、決定された各種情報を出力する。

第１出力部１３６は、推定した満足度に応じて、所定の情報を出力する。第１出力部１３６は、推定した満足度を、推定対象者が将来所定のサービスの利用を取りやめる可能性を示す情報として出力する。第１出力部１３６は、推定した満足度に応じたサービスを出力する。

（第２出力部１３７）
第２出力部１３７は、外部の情報処理装置へ各種情報を出力する。第２出力部１３７は、外部の情報処理装置へ各種情報を提供する。第２出力部１３７は、外部の情報処理装置へ各種情報を送信する。第２出力部１３７は、外部の情報処理装置へ各種情報を通知する。例えば、第２出力部１３７は、端末装置１０へ各種情報を出力する。

第２出力部１３７は、他の機能構成により取得、特定、生成、推定、決定された各種情報を出力する。

第２出力部１３７は、推定した満足度に応じて、所定の情報を出力する。第２出力部１３７は、推定した満足度を、推定対象者による所定のサービスの利用態様が将来所定の条件を満たす可能性を示す情報として出力する。例えば、第２出力部１３７は、推定対象者が上級会員となる可能性を示す情報として出力する。

〔４．情報処理のフロー〕
次に、図７及び図８を用いて、実施形態に係る推定システム１による情報処理の手順について説明する。図７及び図８は、実施形態に係る推定システム１による情報処理の手順を示すフローチャートである。

図７に示すように、推定装置１００は、利用者の行動履歴を取得して記憶部に記憶する（ステップＳ２０１）。推定装置１００は、所定の閾値以上の行動履歴を取得したかを判定する（ステップＳ２０２）。推定装置１００は、所定の閾値以上の行動履歴を取得していない場合（ステップＳ２０２；ＮＯ）、所定の閾値以上の行動履歴を取得するまで待機する。一方、推定装置１００は、所定の閾値以上の行動履歴を取得した場合（ステップＳ２０２；ＹＥＳ）、取得した行動履歴から期間ごとの行動履歴を特定する（ステップＳ２０３）。推定装置１００は、特定した行動履歴から、所定の期間後における利用者の満足度を推定するモデルを生成する（ステップＳ２０４）。推定装置１００は、生成したモデルを記憶部に記憶する（ステップＳ２０５）。

図８に示すように、推定装置１００は、推定対象者の行動履歴を取得する（ステップＳ３０１）。推定装置１００は、取得した行動履歴から、期間ごとの行動履歴を特定する（ステップＳ３０２）。推定装置１００は、特定した各期間の行動履歴をモデルに入力し、各期間が経過した際の推定対象者の満足度を推定する（ステップＳ３０３）。推定装置１００は、推定した満足度が所定の条件を満たすかを判定する（ステップＳ３０４）。推定装置１００は、推定した満足度が所定の条件を満たす場合（ステップＳ３０４；ＹＥＳ）、満足度が所定の条件を満たす場合のサービスを提供すると決定する（ステップＳ３０５）。一方、推定装置１００は、推定した満足度が所定の条件を満たさない場合（ステップＳ３０４；ＮＯ）、満足度が所定の条件を満たさない場合のサービスを提供すると決定する（ステップＳ３０６）。

〔５．効果〕
上述してきたように、実施形態に係る推定装置１００は、取得部１３１と、推定部１３４とを有する。取得部１３１は、満足度の推定対象となる推定対象者の行動履歴を取得する。推定部１３４は、所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、所定の時点より前の行動履歴との関係性を学習したモデルを用いて、取得部１３１により取得された行動履歴から推定対象者がサービスに対して有する将来の満足度を推定する。

これにより、実施形態に係る推定装置１００は、推定対象者に対して提供する情報の精度を向上させることができる。また、実施形態に係る推定装置１００は、所定の推定対象者への対応のコストメリットの向上を促進させることができる。また、実施形態に係る推定装置１００は、利用実績の高い推定対象者の声を重んじて手厚くサポートすることでファンの定着につなげることができる。また、実施形態に係る推定装置１００は、例えば、ファンや一見さんや休暇利用者とはどのような人なのかを行動履歴を用いて分析することで顧客満足度を改善することができる。

また、推定部１３４は、モデルとして、所定の時点からの期間がそれぞれ異なる行動履歴と所定の時点における利用者の満足度との関係性を学習したモデルを用いて、推定対象者がサービスに対して有する将来の満足度であって、それぞれ異なる期間が経過した際の満足度を推定する。

これにより、実施形態に係る推定装置１００は、異なる複数の期間のスコアを用いることにより、推定対象者に対して提供する情報の精度を向上させることができる。

また、推定部１３４は、モデルとして、所定の時点から第１期間内における行動履歴と利用者の満足度、および、所定の時点から第１期間よりも長い第２期間内における行動履歴と利用者の満足度を学習したモデルを用いて、第１期間が経過した際に推定対象者がサービスに対して有する満足度と、第２期間が経過した際に推定対象者がサービスに対して有する満足度とを推定する。

これにより、実施形態に係る推定装置１００は、異なる複数の期間のスコアを用いることにより、推定対象者に対して提供する情報の精度を向上させることができる。

また、推定部１３４は、モデルとして、サービスにおいて所定の行動を行った利用者の行動履歴が入力された際に、所定の行動が示す満足度と対応する所定の値を出力するように学習が行われたモデルを用いて、推定対象者の将来の満足度を推定する。

これにより、実施形態に係る推定装置１００は、行動に応じたスコアを学習したモデルを用いることにより、推定対象者に対して提供する情報の精度を向上させることができる。

また、推定部１３４は、モデルとして、サービスの利用を取りやめた利用者の行動履歴が入力された際に、所定の閾値よりも低い値を出力するように学習が行われたモデルを用いて推定対象者の将来の満足度を推定する。

これにより、実施形態に係る推定装置１００は、所定の推定対象者に対して提供する情報の精度を向上させることができる。

また、実施形態に係る推定装置１００は、推定部１３４により推定された満足度を、推定対象者が将来サービスの利用を取りやめる可能性を示す情報として出力する第１出力部１３６を有する。

これにより、実施形態に係る推定装置１００は、所定の推定対象者に対してサービスの利用の継続性を向上させることができる。

また、推定部１３４は、モデルとして、サービスの利用態様が所定の条件を満たす利用者の行動履歴が入力された際に、所定の閾値よりも高い値を出力するように学習が行われたモデルを用いて推定対象者の将来の満足度を推定する。

これにより、実施形態に係る推定装置１００は、所定の推定対象者に対して提供する情報の精度を向上させることができる。

また、実施形態に係る推定装置１００は、推定部１３４により推定された満足度を、推定対象者によるサービスの利用態様が将来所定の条件を満たす可能性を示す情報として出力する第２出力部１３７を有する。

これにより、実施形態に係る推定装置１００は、所定の推定対象者に対してサービスの利用の継続性を向上させることができる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る端末装置１０および推定装置１００は、例えば、図９に示すような構成のコンピュータ１０００によって実現される。図９は、端末装置１０および推定装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る端末装置１０および推定装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１４および１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

〔７．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 推定システム
１０ 端末装置
１００ 推定装置
１１０ 通信部
１２０ 記憶部
１２１ 行動履歴記憶部
１２２ モデル記憶部
１２３ 推定情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 特定部
１３３ 生成部
１３４ 推定部
１３５ 決定部
１３６ 第１出力部
１３７ 第２出力部
Ｎ ネットワーク

Claims (10)

1. 満足度の推定対象となる推定対象者の行動履歴を取得する取得部と、
   所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルを用いて、前記取得部により取得された行動履歴から前記推定対象者が前記サービスに対して有する将来の満足度を推定する推定部と
   を有することを特徴とする推定装置。
2. 前記推定部は、前記モデルとして、前記所定の時点からの期間がそれぞれ異なる行動履歴と前記所定の時点における前記利用者の満足度との関係性を学習したモデルを用いて、前記推定対象者が前記サービスに対して有する将来の満足度であって、それぞれ異なる期間が経過した際の満足度を推定する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記推定部は、前記モデルとして、前記所定の時点から第１期間内における行動履歴と前記利用者の満足度、および、前記所定の時点から前記第１期間よりも長い第２期間内における行動履歴と前記利用者の満足度を学習したモデルを用いて、前記第１期間が経過した際に前記推定対象者が前記サービスに対して有する満足度と、前記第２期間が経過した際に前記推定対象者が前記サービスに対して有する満足度とを推定する
   ことを特徴とする請求項２に記載の推定装置。
4. 前記推定部は、前記モデルとして、前記サービスにおいて所定の行動を行った利用者の行動履歴が入力された際に、当該所定の行動が示す満足度と対応する所定の値を出力するように学習が行われたモデルを用いて、前記推定対象者の将来の満足度を推定する
   ことを特徴とする請求項１〜３のうちいずれか１つに記載の推定装置。
5. 前記推定部は、前記モデルとして、前記サービスの利用を取りやめた利用者の行動履歴が入力された際に、所定の閾値よりも低い値を出力するように学習が行われたモデルを用いて前記推定対象者の将来の満足度を推定する
   ことを特徴とする請求項４に記載の推定装置。
6. 前記推定部により推定された満足度を、前記推定対象者が将来前記サービスの利用を取りやめる可能性を示す情報として出力する第１出力部
   を有することを特徴とする請求項５に記載の推定装置。
7. 前記推定部は、前記モデルとして、前記サービスの利用態様が所定の条件を満たす利用者の行動履歴が入力された際に、所定の閾値よりも高い値を出力するように学習が行われたモデルを用いて前記推定対象者の将来の満足度を推定する
   ことを特徴とする請求項４または５に記載の推定装置。
8. 前記推定部により推定された満足度を、前記推定対象者による前記サービスの利用態様が将来前記所定の条件を満たす可能性を示す情報として出力する第２出力部
   を有することを特徴とする請求項７に記載の推定装置。
9. 推定装置が実行する推定方法であって、
   満足度の推定対象となる推定対象者の行動履歴を取得する取得工程と、
   所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルを用いて、前記取得工程により取得された行動履歴から前記推定対象者が前記サービスに対して有する将来の満足度を推定する推定工程と
   を含むことを特徴とする推定方法。
10. 満足度の推定対象となる推定対象者の行動履歴を取得する取得手順と、
    所定のサービスに対する利用者の満足度であって、所定の時点における利用者の満足度と、当該所定の時点より前の行動履歴との関係性を学習したモデルを用いて、前記取得手順により取得された行動履歴から前記推定対象者が前記サービスに対して有する将来の満足度を推定する推定手順と
    をコンピュータに実行させるための推定プログラム。

Images