JP2021043513A - 顧客推定装置及び顧客推定方法 - Google Patents

Abstract

【課題】指標化すべき項目の潜在顧客を精度良く推定することができる顧客推定装置及び顧客推定方法を提供する。【解決手段】顧客推定装置１は、指標化項目を取得する指標化項目取得部２と、顧客保有項目を取得する顧客保有項目取得部３と、顧客保有項目とソースデータ項目とを対応させる項目対応部４と、指標化項目の内容に応じて、顧客保有項目を分類し、分類項目を作成する分類項目作成部５と、分類項目作成部５が分類した分類項目に、所定の規則に基づいてスコアを付与するスコア付与部６と、を備える。【選択図】図１

Description

本発明は、指標化すべき指標化項目の潜在顧客を精度良く推定することができる顧客推定装置及び顧客推定方法に関する。

従来、ウェブのアクセスログを利用して、新規の顧客に対して商品やサービスの広告を配信したり、提案したりするシステムが知られている。

例えば、下記の特許文献１の会員向けターゲティング広告提供システムでは、会員専用サイト運営会社が運営している会員専用サイトＡの会員は、コンピュータ、スマートフォン等の利用者端末から、インターネットを介して会員専用サイトメインサーバにアクセスする。会員は、利用者端末から会員ＩＤとパスワードを入力して会員専用サイトＡにログインし、会員向けの情報提供ページを閲覧することができる。

そして、利用者端末が、会員専用サイトＡと切り離された会員専用サイト外対応サーバのクッキーＩＤを広告配信会社の広告配信サーバに渡すことで、会員専用サイトＡ内での履歴が外部に流出することを防ぎながら、会員の属性に合ったターゲティング広告を提供する。

また、会員は、利用者端末からインターネットを介して、ウェブサイト運営会社が運営しているウェブサイトＢにアクセスすると、広告配信の委託を受けたウェブサイトＢの広告枠に広告が配信されるようになる（段落００１７〜００２７、図１）。

特許第５８４３９８３号

しかしながら、特許文献１のシステムでは、クッキーＩＤから取得される情報に基づいて広告が配信されるため、ユーザが購入した商品の関連商品等、関連性の強い商品、サービスの広告しか行えないという問題があった。すなわち、ユーザが最近興味を持ち始めた事項や、潜在的に抱えている課題を解決するための提案を行うことはできなかった。仮に、このような提案を行うためには、個人を特定する連結識別子の取得が前提となっていた。

本発明は上記課題に鑑みなされたものであり、個人を特定する連結識別子を取得することなく、顧客が保有する少数の項目から指標化すべき項目の潜在顧客を精度良く推定することができる顧客推定装置及び顧客推定方法を提供することを目的とする。

本発明の顧客推定装置は、指標化すべき指標化項目を取得する指標化項目取得手段と、顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、前記顧客保有項目取得手段が取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得したソースデータ項目とを対応させる項目対応手段と、前記指標化項目の内容に応じて、前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記分類項目作成手段が分類した前記分類項目に、所定の規則に基づいてスコアを付与するスコア付与手段と、を備えることを特徴とする。

本発明の顧客推定装置では、指標化項目取得手段が、例えば、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得し、顧客保有項目取得手段が、顧客から性別、年齢等の顧客保有項目を取得する。そして、項目対応手段が顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、分類項目作成手段が、指標化項目に応じて顧客保有項目を分類して、分類項目を作成する。

さらに、スコア付与手段が所定の規則に基づいて各分類項目に対してスコアを付与するので、指標化項目のスコアが高いとされる分類項目、指標化項目のスコアが低いとされる分類項目を区別することができる。従って、これらの分類項目から当該商品、当該サービスのターゲットとなり得る潜在顧客を精度良く推定することができる。

本発明の顧客推定装置において、前記分類項目作成手段による前記分類項目の作成及び前記スコア付与手段による前記スコアの付与を、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルを用いて行うことが好ましい。

顧客推定装置では、顧客保有項目と対応するソースデータ項目を入力して機械学習が行われ、分類項目を作成する規則（機械学習モデル）が作成される。これにより、新たに指標化項目と顧客保有項目とが入力されたとき、当該規則に基づいて分類項目の作成とスコアの付与を行うことができる。

また、本発明の顧客推定装置において、前記項目対応手段は、前記顧客保有項目と前記ソースデータ項目の内容が概念的に重複する場合に、上位概念の項目に揃えるように調整することが好ましい。

この構成によれば、項目対応手段が顧客保有項目とソースデータ項目とを対比し、必要であれば項目を調整することで、顧客保有項目とソースデータ項目とが紐付けされる。両項目が一致しないが概念的に重複する場合、項目対応手段が上位概念（例えば、粒度が粗い方）の項目に揃えて調整するので、調整された項目と指標化項目との関係から分類項目を作成することができる。

また、本発明の顧客推定装置において、前記スコア付与手段は、顧客全体を対象とした基準値を算出し、当該基準値に対する前記分類項目の数値から前記スコアを算出することが好ましい。

この構成によれば、スコア付与手段は、顧客全体を対象とした基準値に対して、各分類項目の数値がどの程度大きいか又は小さいかの観点でスコアを算出する。このため、各分類項目に相対的なスコアを付与することができる。

また、本発明の顧客推定装置において、それぞれの前記分類項目に付与された前記スコアが予め定めた閾値を超えた場合に潜在顧客と判定する顧客判定手段を備えることが好ましい。

この構成によれば、顧客判定手段は、各分類項目のスコアが閾値を超えた場合には、指標化項目に関する潜在顧客（ターゲット）と判定する。これにより、対象を当該ターゲットとして絞り込むことができるので、効率的なアプローチが可能となる。

本発明の顧客推定方法は、指標化すべき指標化項目を取得する指標化項目取得ステップと、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得したソースデータ項目とを対応させる項目対応ステップと、前記指標化項目の内容に応じて、前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記分類項目作成ステップで分類した前記分類項目に、所定の規則に基づいてスコアを付与するスコア付与ステップと、を備えることを特徴とする。

本発明の顧客推定方法では、指標化項目取得ステップにて、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得し、顧客保有項目取得ステップにて、顧客から性別、年齢等の顧客保有項目を取得する。その後、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、分類項目作成ステップにて、指標化項目に応じて顧客保有項目を分類して、分類項目を作成する。

さらに、スコア付与ステップにて、所定の規則に基づいて各分類項目に対してスコアを付与するので、指標化項目のスコアが高いとされる分類項目、指標化項目のスコアが低いとされる分類項目を区別することができる。以上のステップにより、これらの分類項目から当該商品、当該サービスのターゲットとなり得る潜在顧客を精度良く推定することができる。

本発明の第１実施形態に係る顧客推定装置の概要を説明する図。 第１実施形態の顧客推定装置が作成した分類項目の例を説明する図。 新たな項目を追加した顧客リストの例。 顧客推定装置で推定された潜在顧客に対する検証結果を説明する図。 顧客推定装置を利用して潜在顧客を推定するフローチャート。 本発明の第２実施形態に係る顧客推定装置の概要を説明する図。 第２実施形態の顧客推定装置が作成した分類項目の例を説明する図。 トレンドフリークの判定結果を含む会員リストの例。 トレンドフリークの抽出について説明する図。

以下では、図面を参照しながら、本発明の顧客推定装置の詳細を説明する。
［第１実施形態］

まず、図１を参照して、本発明の第１実施形態に係る顧客推定装置１の概要を説明する。第１実施形態において、顧客推定装置１は、デスクトップＰＣ、ノートＰＣ、タブレット端末等にインストールされた、サービス提供会社Ｘ（以下、会社Ｘという）が所有する装置端末である。

以下では、会社Ｘのクライアント企業であって、顧客推定装置１の提供先Ｙ（以下、会社Ｙとする）が、新たに開発した医薬品について、ＤＭ（ダイレクトメール）の配信やネット広告を開始するため、残尿感で悩んでいる人を特定したいという需要があった場合を例に説明する。

会社Ｙは顧客ＤＢ（データベース）２０を有しており、顧客リストＬの顧客情報として「性別」、「年代」、「未既婚（未婚又は既婚）」を保有している。しかしながら、肝心な「残尿感の悩み有無」といった直接的な情報は保有していない。

このような場合、会社Ｙは、「残尿感の悩み有無」という指標化すべき指標化項目と、「性別、年代、未既婚」の顧客保有項目（正確には、提供先保有項目）とを会社Ｘに送信する。ここで、顧客保有項目は、「性別は男性／女性、年代は１０代／２０代／３０代／４０代／５０代／６０代、未既婚は未婚／既婚（離別、死別を含む）」といった情報であり、「会社Ｙの顧客Ａは、男性、３０代、未婚」といった個人情報ではない。

そして、会社Ｘ側で、これらの項目を顧客推定装置１に入力することで、全顧客の中から指標化項目に関する見込顧客のみならず、現状では可能性が低いものの、将来的には需要があると推察される潜在顧客（ターゲット）を推定する。

指標化項目の取得は、顧客推定装置１の指標化項目取得部２（本発明の「指標化項目取得手段」に相当）で行われる。また、顧客保有項目の取得は、顧客推定装置１の顧客保有項目取得部３（本発明の「顧客保有項目取得手段」に相当）で行われる。

そして、顧客推定装置１に指標化項目及び顧客保有項目が入力されると、顧客推定装置１の項目対応部４（本発明の「項目対応手段」に相当）は、市場全体を推定可能なエリアランダムサンプリングを採用したシングルソースデータ（以下、ソースデータという）と項目のマッチングを行う。さらに、顧客推定装置１は顧客保有項目を分類して、分類項目毎にスコアを付与する。

顧客保有項目の分類は、顧客推定装置１の分類項目作成部５（本発明の「分類項目作成手段」に相当）で行われる。また、スコアの付与は、顧客推定装置１のスコア付与部６（本発明の「スコア付与手段」に相当）で行われる。なお、分類項目作成部５及びスコア付与部６は、当該ソースデータを入力データとして機械学習させた機械学習モデルである。最後に、会社Ｘは、分類項目とスコアを含む一覧表１５を会社Ｙに送信する。これは、潜在顧客の情報というより、むしろ指標化項目に関する情報の提供といえる。

ソースデータについて補足すると、これは、アンケートによって特定又は不特定の生活者の意識、属性、商品関与、メディア接触等を網羅的に調査した情報である。すなわち、ソースデータは、「人」、「モノ」、「メディア」の３つの観点で生活者をとらえた、いわば生活者の行動パターンを強く反映した情報である。

なお、上述の「意識」とは、生活者の価値観、嗜好、消費行動等を意味する。また、「属性」とは、正確には人口統計学的属性であり、性別、年齢（年代）、住んでいる地域、社会人であれば業種や年収、未婚か既婚か、子供が何人いるか等の社会経済的な特性データを意味する。

また、上述の「商品関与」とは、衣服、電化製品等のブランド、趣味や特技等のデータを意味し、「メディア接触」とは、情報を取得するため利用する媒体がインターネットか新聞か、又は雑誌か等のデータを意味する。

また、このソースデータは、東京エリア（東京５０ｋｍ圏内）、関西地区、名古屋地区、北部九州地区、札幌地区、仙台地区、広島地区の日本の主要マーケットである７地区において、抽出した約１万人に調査専用タブレットを貸与、実施して得られたものである。ソースデータはアンケートの回答に限られず、視聴率のような視聴ログデータ（履歴情報）が含まれていてもよい。

次に、図２に、顧客推定装置１が顧客保有項目から作成した分類項目（一覧表１５）の例を示す。具体的には、顧客推定装置１は、指標化項目に関連する「残尿感度合」に対して、上述の分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。これにより、分類項目「１」の「性別［男性］＆年代［６０代］」、分類項目「２」の「性別［男性］＆年代［４０代］＆「未既婚［未婚］」等、６個の分類項目が作成される。

また、顧客推定装置１は、各分類項目に対してスコアを付与する。このスコアは、顧客全体を対象とした基準値を算出してこれを１としたとき、当該基準値に対する各分類項目の数値から算出する（相対評価）。例えば、分類項目「１」は、基準値の約３．８倍の大きな数値を示すグループであり、指標化項目と相関があるスコアが高い顧客を潜在顧客と判定することができる。

このため、分類項目「１」の顧客に対して新たな医薬品のＤＭ配信等のアプローチを行うと最も効率的である。会社Ｙにおいても、分類項目とスコアの情報を含む一覧表１５を利用して、顧客リストＬの各顧客に対して残尿感度合を入力する。

図３に、「残尿感度合」及び「判定」の項目を新たに追加した顧客リストＬ’の例を示す。図示するように、各顧客についての残尿感度合（図２のスコアを適用）を入力すると、当該スコアの高低は一目瞭然となる。そこで、会社Ｙは、残尿感度合の高い会員を「○」と判定し（例えば、閾値２．００）、その者に対して新たな医薬品のＤＭ配信等を行う。このように、顧客推定装置１を利用することで、取扱いが難しい個人情報やＣｏｏｋｉｅ情報等を入手しなくても、顧客のプロフィールを精度良く推測することができる。

図４は、顧客推定装置１で推定された潜在顧客に対して、実際に残尿感を感じるか否かの検証を行った結果を示している。具体的には、ソースデータを４：１に分割し、４／５の方をスコアの算出に利用し、１／５の方を潜在顧客の推定に利用した。

図の下方は顧客推定装置１を利用して算出した残尿感度合が低いグループであり、図の上方へいくほど残尿感度合が高いグループとなる。図示するように、図の上方へ行くほど「残尿感あり」と感じている顧客の割合が高くなっている。このため、顧客推定装置１による指標化、潜在顧客の推定はおおよそ成功したといえる。

次に、図５を参照して、クライアント企業（例えば、上述の会社Ｙ）が、顧客推定装置１を利用して潜在顧客の情報を取得するまでの一般的なフローチャートを説明する。

まず、サービス提供会社（例えば、上述の会社Ｘ）がソースデータ項目の一覧を会社Ｙに送信する（ＳＴＥＰ１０）。本ステップにより、サービス提供会社は、顧客推定装置１を利用して潜在顧客の推定が行えるサービスを紹介する。

これを受けて、クライアント企業は、ソースデータの項目の中から指標化項目を選定して、それをサービス提供会社に送信する（ＳＴＥＰ２０）。指標化項目は、クライアント企業が行う商品やサービスの提供に関することに限られず、同じ趣味を持つ人がいるかどうかや、いわゆる「トレンドフリーク」と呼ばれる人に該当するか否かといった幅広いテーマであってよい。

続いて、クライアント企業は、顧客保有項目（提供先保有項目）をサービス提供会社に送信する（ＳＴＥＰ３０）。顧客保有項目は、「性別」、「年齢（年代）」の他、「最終学歴」、「学生／社会人」、「住んでいる地域」等が挙げられ、項目数が多いほどソースデータ項目とマッチング（対応）する可能性が高くなり、推定の精度が向上する。

次に、サービス提供会社おいて、送信された指標化項目と顧客保有項目とを顧客推定装置１に入力し（ＳＴＥＰ４０）、続いて、顧客保有項目とソースデータ項目の調整を行う（ＳＴＥＰ５０）。

ＳＴＥＰ５０では、例えば、両項目が完全に対応していないが、類似項目がある場合に、意味合いを揃える作業を行う。例えば、ソースデータ項目に「好きな番組ジャンル」に関する項目があり、顧客保有項目に「当該ジャンルを月３回以上視聴する（履歴情報）」という項目があるとき、両項目を同義と扱う。

また、両項目の調整を行う際、上位概念（例えば、粒度が粗い方）の項目に合わせるようにしてもよい。例えば、ソースデータ項目に「戸建て持ち家（新築）、又は戸建て持ち家（中古）」の項目があり、顧客保有項目に「戸建て持ち家」の項目があるとき、後者の方が上位概念的な項目といえるため、後者の項目を採用する。以上のような項目の調整作業を行うことにより、ソースデータ項目と顧客保有項目がうまく紐付けされるため、調整された項目と指標化項目との関係で分類項目を作成することが可能となる。

次に、顧客推定装置１で機械学習により分類規則が作成されるので（ＳＴＥＰ６０）、分類項目が作成され、続いて、当該規則に基づいてスコアが集計される（ＳＴＥＰ７０）。具体的には、各分類項目に対してスコアが付与された一覧表（図２参照）が作成される。

その後、サービス提供会社が上記ステップで作成した一覧表をクライアント企業に送信する（ＳＴＥＰ８０）。

次に、クライアント企業は、顧客リストのＩＤ（又は顧客番号）毎にスコアを付与する（ＳＴＥＰ９０）。具体的には、クライアント企業がサービス提供会社から一覧表を受信して、プログラムにより（又は担当者の作業で）顧客毎に同じスコアを入力して、指標化する（図３参照）。

最後に、クライアント企業は、当該スコアに基づいて「○」又は「×」を付与する。ここで、「○」は潜在顧客であることを意味し、スコアが予め定めた閾値を超えた場合（又は閾値以上となった場合）に「○」を付与する。このように、指標化項目及び顧客保有項目を入力することで、顧客推定装置１により潜在顧客を推定することができる。以上で、潜在顧客の情報を取得する一連の処理を終了する。
［第２実施例］

第１実施形態では、クライアント企業（会社Ｙ）がサービス提供会社（会社Ｘ）に指標化項目と顧客保有項目を送信して、顧客推定装置１による作業を実行してもらい、一覧表１５を受け取る態様であった。しかしながら、クライアント企業の装置端末（ＰＣ、タブレット端末、スマートフォン等）により、顧客推定装置を利用できる環境とすることも可能である。

また、クライアント企業の社員が特定のウェブサイトにアクセスして、顧客推定装置１のアプリケーションを利用できるようにしてもよい。そうすることで、各種項目や一覧表の送受信の作業が省略され、情報が漏洩するおそれもなくなる。さらに、ソースデータ項目の一覧についても、当該社員がウェブサイト上で閲覧可能とする。

以下で説明する第２実施形態では、健康食品を取り扱うクライアント企業（以下、会社Ｚとする）が、間もなくＥＣサイトで販売する予定のダイエットサプリメントＳ（以下、サプリメントＳという）の宣伝広告を開始するため、それに興味がある人を特定したいという需要があった場合を例に説明する。

図６に示すように、会社Ｚは会員ＤＢ３０を有しており、会員リストＭの会員情報として性別、生年月日、購入履歴、好きな果物は保有している。しかしながら、肝心な「ダイエットに興味がある人」、「痩せたい人」といった直接的な情報は保有していない。

このような場合、会社Ｚは、「ダイエットに興味あり」という指標化項目と、「性別、生年月日、購入履歴、好きな果物」という顧客保有項目を顧客推定装置１１（アプリケーション）に入力する。

顧客推定装置１１の内部ブロックは、基本的に顧客推定装置１（第１実施形態）と同じであるが、顧客推定装置１１は、第１実施形態において顧客推定装置１が担当しなかった作業に関する、顧客判定部７と閾値変更部８とを有している。

顧客判定部７（本発明の「顧客判定手段」に相当）は、全会員の中から指標化項目に関する見込顧客のみならず、現状では可能性が低いものの、将来的には需要があると推察される潜在顧客の判定を行うことができる。

また、閾値変更部８は、指標化項目の内容に応じて潜在顧客と判定するスコアの閾値を変更する。閾値変更部８は、指標化項目を考慮して潜在顧客をある程度絞り込みたい場合は、当該閾値を引き上げる等の変更を行う。これにより、精度良く潜在顧客を推定して、サプリメントＳの宣伝広告を行うことができる。

次に、図７に、顧客推定装置１１が顧客保有項目から作成した分類項目（一覧表１５’）の例を示す。具体的には、顧客推定装置１１は、指標化項目に関連する「ダイエットに興味あり」に対して、分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。これにより、分類項目「１」の「女性・２０代後半・お中元購入あり・みかん好き］、分類項目「２」の「女性・１８−２２歳・お中元購入あり・みかん好き」等、２０個の分類項目が作成される。

また、顧客推定装置１１は、各分類項目に対してスコアを付与し、スコアの高い分類項目が一覧の上方にくるようにランキング化する。この作業により、スコアの高い分類項目が宣伝広告を行う優先順位の高いグループであり、潜在顧客になり得ることが分かる。

例えば、スコアが１．５０（基準値の１．５０倍）を閾値として、１．５０以上の分類項目を潜在顧客と判定する。また、スコアが上位２０％に入る顧客について、潜在顧客と判定してもよい。潜在顧客と判定された顧客に対しては、ＤＭ配信等を行ってサプリメントＳを紹介するか、潜在顧客がＥＣサイトにログインした場合にポップアップを出力する。これにより、「ダイエットに興味あり」の顧客に対して、効率良くサプリメントＳをアピールすることができる。

今回は、スコアの閾値から直接、潜在顧客を判定したため、一覧表１５’に「判定」の欄は含まれていない。しかしながら、潜在顧客の判定は、顧客推定装置１１の顧客判定部７で行われる。

最後に、図８、図９を参照して、第２実施形態の変更形態を説明する。

図８は、会員ＤＢの会員情報から顧客保有項目として「性別、年齢、未既婚、職業」、指標化項目として、流行に敏感で情報発信も積極的に行う「トレンドフリーク」を、それぞれ顧客推定装置１１に入力し、「トレンドフリーク」か否かを推定した会員リストＮを示している。

ここでも、顧客推定装置１１は、顧客保有項目とソースデータ項目を調整し、会員リストＮのＩＤ毎にスコアを付与する。そして、スコアが予め定めた閾値を超えた場合（又は閾値以上となった場合）に「トレンドフリーク（ＴＦ）」と判定して、「○」を付与する。

図９は、会員の中から「トレンドフリーク」を抽出するための概念図である。元々（判定前）の状態で、全会員の中の「トレンドフリーク（ＴＦ）」の出現率は４０％(１０人中４人)であったとする。その後、顧客推定装置１１によってスコアを付与してスコア順に並べ替える作業を行い、スコアが閾値を超えた（又は閾値以上となった）会員を「トレンドフリーク」と判定した。

このとき、判定が「○」であったグループ（５名）については、実際の「トレンドフリーク」の出現率が６０％であった。一方、判定が「×」であったグループ（５名）については、実際の「トレンドフリーク」の出現率が２０％であった。このように、顧客推定装置１１を利用することで、効率上昇度が１．５倍になるという結果が得られた。

元々の出現率と効率上昇度との関係は、
（元々の出現率）×（効率上昇度）＝（判定後の出現率）…（式１）
で与えられる。なお、「トレンドフリーク」を精度良く抽出したい場合は、閾値変更部８によりスコアの閾値を引き上げる変更を行えばよい。逆に、アプローチしたい対象（今回、トレンドフリークの抽出数）を増やしたい場合は、精度とのトレードオフになるが、閾値を引き下げる変更を行えばよい。

今回の例（変更形態）では、顧客保有項目から分類項目を作成することなく、直接スコアを算出し、「トレンドフリーク」の判定を行った。すなわち、必ずしも分類項目作成部５により分類項目を作成しなくてもよい場合がある。

また、第２実施形態の顧客推定装置１１は、個人情報やCookie情報等がなくても顧客のプロフィールを精度良く推測することができる点については、第１実施形態の顧客推定装置１と同じである。むしろ、指標化項目、顧客保有項目（提供先保有項目）、一覧表等のデータの送受信を行う必要がない点では、顧客推定装置１よりも安全である。

上述した実施形態における一覧表の内容、スコアの算出方法、データ項目の通信方法は一例に過ぎず、用途、目的等に応じて適宜変更することができる。第１実施形態の通信は、電子メールに添付して送信された各種項目を担当者が受け取り、作業を行う態様でもよい。また、送信された各種項目がサーバ上で一時保管され、その後、自動的に各種項目の入力から判定までが行われる態様でもよい。

顧客推定装置１（顧客推定装置１１）の項目対応部４は、上位概念の項目に合わせるように調整する例を示したが、項目の鮮度が新しい方を採用することも有効である。

上記実施形態では、最終的なスコアが「高い」者をアプローチの対象とする例を示したが、スコアが「低い」者についても、「低い」ことに価値を見出して、他のアプローチの対象とすることができる。また、スコアが「低い」者をアプローチの除外対象として、足切りに利用してもよい。

１，１１…顧客推定装置、２…指標化項目取得部、３…顧客保有項目取得部、４…項目対応部、５…分類項目作成部（機械学習モデル）、６…スコア付与部、７…顧客判定部、８…閾値変更部、１５，１５’…一覧表、２０…顧客ＤＢ、３０…会員ＤＢ。

本発明の顧客推定装置は、指標化すべき指標化項目を取得する指標化項目取得手段と、顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、前記顧客保有項目取得手段が取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、前記指標化項目の内容に応じて、前記機械学習モデルを用いて前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記分類項目作成手段が作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいてスコアを付与するスコア付与手段と、を備えることを特徴とする。

具体的には、顧客推定装置では、顧客保有項目と対応するソースデータ項目（特定若しくは不特定の者の、少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータから得られる）を入力して機械学習が行われ、分類項目を作成する規則（機械学習モデル）が作成される。これにより、新たに指標化項目と顧客保有項目とが入力されたとき、当該機械学習モデルを用いて、当該規則に基づいて分類項目の作成とスコアの付与を行うことができる。

本発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ取得部が、指標化すべき指標化項目を取得する指標化項目取得ステップと、前記データ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、前記コンピュータのデータ処理部が、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記機械学習モデルが、前記指標化項目の内容に応じて、前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記機械学習モデルが、前記分類項目作成ステップで作成した前記分類項目に、所定の規則に基づいてスコアを付与するスコア付与ステップと、を備えることを特徴とする。

本発明の顧客推定方法では、指標化項目取得ステップにて、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得し、顧客保有項目取得ステップにて、顧客から性別、年齢等の顧客保有項目を取得する。その後、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われる。また、機械学習モデル作成ステップにて、機械学習モデルが作成された後、分類項目作成ステップにて、当該機械学習モデルが指標化項目に応じて顧客保有項目を分類して、分類項目を作成する。

さらに、スコア付与ステップにて、当該機械学習モデルが所定の規則に基づいて各分類項目に対してスコアを付与するので、指標化項目のスコアが高いとされる分類項目、指標化項目のスコアが低いとされる分類項目を区別することができる。以上のステップにより、これらの分類項目から当該商品、当該サービスのターゲットとなり得る潜在顧客を精度良く推定することができる。

Claims (6)

1. 指標化すべき指標化項目を取得する指標化項目取得手段と、
   顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、
   前記顧客保有項目取得手段が取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得したソースデータ項目とを対応させる項目対応手段と、
   前記指標化項目の内容に応じて、前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、
   前記分類項目作成手段が分類した前記分類項目に、所定の規則に基づいてスコアを付与するスコア付与手段と、
   を備えることを特徴とする顧客推定装置。
2. 前記分類項目作成手段による前記分類項目の作成及び前記スコア付与手段による前記スコアの付与を、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルを用いて行うことを特徴とする請求項１に記載の顧客推定装置。
3. 前記項目対応手段は、前記顧客保有項目と前記ソースデータ項目の内容が概念的に重複する場合に、上位概念の項目に揃えるように調整することを特徴とする請求項１又は２に記載の顧客推定装置。
4. 前記スコア付与手段は、顧客全体を対象とした基準値を算出し、当該基準値に対する前記分類項目の数値から前記スコアを算出することを特徴とする請求項１〜３の何れか１項に記載の顧客推定装置。
5. それぞれの前記分類項目に付与された前記スコアが予め定めた閾値を超えた場合に潜在顧客と判定する顧客判定手段を備えることを特徴とする請求項１〜３の何れか１項に記載の顧客推定装置。
6. 指標化すべき指標化項目を取得する指標化項目取得ステップと、
   顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、
   前記顧客保有項目取得ステップで取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得したソースデータ項目とを対応させる項目対応ステップと、
   前記指標化項目の内容に応じて、前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、
   前記分類項目作成ステップで分類した前記分類項目に、所定の規則に基づいてスコアを付与するスコア付与ステップと、
   を備えることを特徴とする顧客推定方法。

Images