JP2021077221A - 顧客満足度推定装置および顧客満足度推定方法 - Google Patents

Abstract

【課題】顧客満足度（ＣＳ）アンケートによりＣＳを評価する際の手間やコストを軽減する顧客満足度推定装置及び顧客満足度推定方法を提供する。【解決手段】ＣＳ推定システムは、複数の異なる主体（証券会社４ａ〜４ｃ〜）が実施した顧客満足度アンケートの結果を、顧客（顧客群２）の情報に対応付けてアンケート結果ＤＢに登録する手段と、アンケート結果データベースに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし顧客満足度アンケートの質問項目に対する回答を目的変数とするモデル１０４を生成する手段と、生成されたモデルの説明変数として、ある主体の顧客の情報を用いることによって、ある主体が実施した顧客満足度アンケートには含まれないが他の主体が実施した顧客満足度アンケートには含まれる非重複質問項目に対する回答を推定する手段と、非重複質問項目に対する回答の推定の結果をある主体に提供する手段と、を備える。【選択図】図１

Description

本発明は、顧客満足度推定装置および顧客満足度推定方法に関する。

企業は、自社の商品やサービスに対する顧客満足度（Ｃｕｓｔｏｍｅｒ Ｓａｔｉｓｆａｃｔｉｏｎ、ＣＳ）を評価するためにＣＳアンケートを実施する。有名なＣＳの指標としてはネットプロモータスコア（Ｎｅｔ Ｐｒｏｍｏｔｅｒ Ｓｃｏｒｅ、ＮＰＳ）が知られている（例えば、非特許文献１参照）。

https://www.emotion-tech.co.jp/resource/2015/nps-vs-cs-whitepaper、令和１年１０月８日検索

ＣＳアンケートでは、アンケート内容を回答者に届け、回答者による回答を回収するという作業が発生する。ＣＳアンケートの質問項目を新たに追加したり、新規獲得顧客のＣＳを評価する場合、新たにＣＳアンケートを実施する必要があり、手間とコストがかかる。手間やコストを嫌ってＣＳアンケートを実施しないでいると、その間の顧客の変化を察知できず、顧客を逃してしまったり機会を逸してしまう虞がある。

本発明はこうした課題に鑑みてなされたものであり、その目的は、ＣＳアンケートによりＣＳを評価する際の手間やコストを軽減できる技術の提供にある。

本発明のある態様は、顧客満足度推定装置に関する。この顧客満足度推定装置は、複数の異なる主体が実施した顧客満足度アンケートの結果を、顧客の情報に対応付けてアンケート結果データベースに登録する手段と、アンケート結果データベースに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし顧客満足度アンケートの質問項目に対する回答を目的変数とするモデルを生成する手段と、生成されたモデルの説明変数として、ある主体の顧客の情報を用いることによって、当該ある主体が実施した顧客満足度アンケートには含まれないが他の主体が実施した顧客満足度アンケートには含まれる質問項目である非重複質問項目に対する回答を推定する手段と、非重複質問項目に対する回答の推定の結果をある主体に提供する手段と、を備える。

なお、以上の構成要素の任意の組み合わせや、本発明の構成要素や表現を方法、システム、コンピュータプログラム、コンピュータプログラムを格納した記録媒体などの間で相互に置換したものもまた、本発明の態様として有効である。

本発明によれば、ＣＳアンケートによりＣＳを評価する際の手間やコストを軽減できる。

実施の形態に係るＣＳ推定サービスのスキームを示す模式図である。 Ａ証券会社が実施するＣＳアンケートの一例を示す模式図である。 Ｂ証券会社が実施するＣＳアンケートの一例を示す模式図である。 Ｃ証券会社が実施するＣＳアンケートの一例を示す模式図である。 図１のＣＳ推定システムにより提供される回答の推定結果の利用シーンを説明するための模式図である。 図１のＣＳ推定システムのハードウエア構成図である。 図１のＣＳ推定システムの機能および構成を示すブロック図である。 図７の回答推定部における一連の処理の流れを示すフローチャートである。 図７のＡ証券アンケート結果ＤＢの一例を示すデータ構造図である。 図７のＢ証券アンケート結果ＤＢの一例を示すデータ構造図である。 図７のＣ証券アンケート結果ＤＢの一例を示すデータ構造図である。 図１のＣＳ推定システムにおける一連の処理の流れを示すフローチャートである。 説明変数の別の例を示す図である。 ＣＳアンケートの回答に影響を与えうる要因を表現する特徴量の説明図である。

以下、各図面に示される同一または同等の構成要素、部材、処理には、同一の符号を付するものとし、適宜重複した説明は省略する。また、各図面において説明上重要ではない部材の一部は省略して表示する。

図１は、実施の形態に係るＣＳ推定サービスのスキームを示す模式図である。このスキームは、顧客群２と、証券会社群４と、実施の形態に係るＣＳ推定システム１０と、を含む。証券会社群４に含まれるＡ証券会社４ａは、Ａ証券会社４ａに証券口座を有している顧客にＣＳアンケートを実施し、その回答を得る。Ａ証券会社４ａは、顧客ごとに、得られた回答を顧客の情報に対応付けてアンケート回答データベース（ＤＢ）４０ａに登録する。Ａ証券会社４ａは、インターネットなどのネットワークを介してＣＳ推定システム１０に、アンケート回答ＤＢ４０ａに保持されるアンケート結果を提供する。Ａ証券会社４ａは情報提供の見返りに、ＣＳ推定システム１０から、自社のＣＳアンケートに未回答の顧客の回答の推定結果や、他社のＣＳアンケートには含まれるが自社のＣＳアンケートには含まれない質問項目（以下、非重複質問項目と称す）に対する自社の顧客の回答の推定結果を取得する。証券会社群４に含まれるＢ証券会社４ｂ、Ｃ証券会社４ｃについても同様である。

ＣＳ推定システム１０は、証券会社群４に含まれる各証券会社から個別にアンケート結果を収集してアンケート結果ＤＢ１０２に格納する。ＣＳ推定システム１０は、アンケート結果ＤＢ１０２に蓄積された情報を機械的に学習することにより、顧客の情報を説明変数としＣＳアンケートの質問項目に対する回答を目的変数とするモデル１０４を生成する。ＣＳ推定システム１０は、証券会社群４に含まれる証券会社から回答の推定要求を受けると、推定対象の顧客の情報をモデル１０４に入力し、その出力を回答の推定結果として取得する。ＣＳ推定システム１０は、得られた回答の推定結果を要求元に提供する。

図１には３つの証券会社と３人の顧客とが示されているが、これは一例であって顧客の人数も証券会社の数も２以上であればよく、それ以外に限定はない。

本実施の形態に係るＣＳ推定システム１０を利用すると、証券会社は、（１）自社のＣＳアンケートに含まれない質問項目に対する自社の顧客の回答の推定結果、および（２）自社のＣＳアンケートの結果が得られていない自社の顧客（以下、未回答顧客と称す）の回答の推定結果、を得ることができる。これにより、そのような回答を得るために実際にＣＳアンケートを実施する手間を削減することができる。

図２は、Ａ証券会社４ａが実施するＣＳアンケート４２ａの一例を示す模式図である。ＣＳアンケート４２ａは、ＱＡ１〜ＱＡ５の五つの質問項目を含む。ＱＡ１は「あなたは弊社の証券サービスを友人や同僚に薦める可能性は、どのくらいありますか？」という質問であり、回答者はＡＡ１において０〜１０の１１段階評価で回答することを求められる。０が「全く思わない（Ｎｏｔ ａｔ ａｌｌ ｌｉｋｅｌｙ）」、５が「どちらでもない（Ｎｅｕｔｒａｌ）」、１０が「非常にそう思う（Ｅｘｔｒｅｍｅｌｙ ｌｉｋｅｌｙ）」である。このＱＡ１はＮＰＲを算出するための項目である。ＮＰＳの算出方法は以下の通りである。９〜１０点を付けた回答者を「推奨者」、７〜８点を「中立者」、０〜６点を「批判者」と分類し、回答者全体に占める推奨者の割合（％）から、批判者の割合（％）を引いて出てきた数値をＮＰＳの値とする。

ＱＡ２は「担当営業員の評価」という質問項目であり、回答者はＡＡ２において０〜１０の１１段階評価で回答することが求められる。ＱＡ３は「電話応対の評価」という質問項目であり、回答者はＡＡ３において０〜１０の１１段階評価で回答することが求められる。ＱＡ４は「ウェブサイトの評価」という質問項目であり、回答者はＡＡ４において０〜１０の１１段階評価で回答することが求められる。ＱＡ５は「企業イメージの評価」という質問項目であり、回答者はＡＡ５において０〜１０の１１段階評価で回答することが求められる。

図３は、Ｂ証券会社４ｂが実施するＣＳアンケート４２ｂの一例を示す模式図である。ＣＳアンケート４２ｂは、ＱＢ１〜ＱＢ４の四つの質問項目を含む。ＱＢ１、ＱＢ２、ＱＢ３、ＱＢ４はそれぞれＱＡ１、ＱＡ２、ＱＡ３、ＱＡ５と同じである。

図４は、Ｃ証券会社４ｃが実施するＣＳアンケート４２ｃの一例を示す模式図である。ＣＳアンケート４２ｃは、ＱＣ１〜ＱＣ４の四つの質問項目を含む。ＱＣ１、ＱＣ２、ＱＣ３はそれぞれＱＡ１、ＱＡ２、ＱＡ４と同じである。ＱＣ４は「法令遵守の評価」という質問項目であり、回答者はＡＣ４において０〜１０の１１段階評価で回答することが求められる。

図２、図３、図４に示されるＣＳアンケート４２ａ、４２ｂ、４２ｃに含まれる質問項目の間の関係は以下の通りである。
・ＱＡ１＝ＱＢ１＝ＱＣ１
・ＱＡ２＝ＱＢ２＝ＱＣ２
・ＱＡ３＝ＱＢ３
・ＱＡ４＝ＱＣ３
・ＱＡ５＝ＱＢ４
・ＱＣ４：Ａ証券会社４ａのＣＳアンケート４２ａ、Ｂ証券会社４ｂのＣＳアンケート４２ｂのいずれにも対応する質問項目なし。

Ａ証券会社４ａのＣＳアンケート４２ａとＢ証券会社４ｂのＣＳアンケート４２ｂとの関係では、ＱＡ１、ＱＡ２、ＱＡ３、ＱＡ５はＡ証券会社４ａおよびＢ証券会社４ｂが実施したＣＳアンケート４２ａ、４２ｂにおいて共通して含まれる質問項目（以下、共通質問項目と称す）である。ＱＡ４は、Ｂ証券会社４ｂが実施したＣＳアンケート４２ｂには含まれないがＡ証券会社４ａが実施したＣＳアンケート４２ａには含まれる非重複質問項目である。

Ａ証券会社４ａのＣＳアンケート４２ａとＣ証券会社４ｃのＣＳアンケート４２ｃとの関係では、ＱＡ１、ＱＡ２、ＱＡ４は共通質問項目であり、ＱＡ３、ＱＡ５、ＱＣ４はそれぞれ非重複質問項目である。

このように、ＱＡ３、ＱＡ４、ＱＡ５はそれぞれ、共通質問項目でありかつ非重複質問項目でもある。すなわち、３社以上のＣＳアンケートを考慮した場合、そのうち２社のＣＳアンケートには含まれるが残りの１社のＣＳアンケートには含まれない質問項目は、共通質問項目かつ非重複質問項目となる。

図５は、図１のＣＳ推定システム１０により提供される回答の推定結果の利用シーンを説明するための模式図である。（１）アンケート結果ＤＢ１０２に蓄積された情報を学習することにより得られるモデル１０４を用いて顧客のＣＳを予測する。（２）予測されたＣＳが低下傾向にある顧客を特定し、営業員にアラートを出す。（３）営業員は、特定された顧客にアプローチする。このように、実際にＣＳアンケートを行わなくても予測により顧客のＣＳを把握することができるので、ケアが必要な顧客により素早くアプローチすることができるようになり、顧客の離反率を低減できる。

図６は、図１のＣＳ推定システム１０のハードウエア構成図である。ＣＳ推定システム１０は、メモリ１１０と、プロセッサ１１２と、通信インタフェース１１４と、ディスプレイ１０８と、入力インタフェース１１８と、を備える。これらの要素はそれぞれバス１２０に接続され、バス１２０を介して互いに通信する。なお、ＣＳ推定システム１０は１台のサーバで実現されてもよいし、図６の構成を有する複数のサーバを含んでもよい。

メモリ１１０は、データやプログラムを記憶するための記憶領域である。データやプログラムは、メモリ１１０に恒久的に記憶されてもよいし、一時的に記憶されてもよい。プロセッサ１１２は、メモリ１１０に記憶されているプログラムを実行することにより、ＣＳ推定システム１０の各種機能を実現する。通信インタフェース１１４は、ＣＳ推定システム１０の外部との間でデータの送受信を行うためのインタフェースである。通信インタフェース１１４は、インターネットなどのネットワークと接続され、ネットワークを介して、各証券会社のサーバやデータベースとデータをやりとりする。ディスプレイ１０８は、各種情報を表示するためのデバイスである。入力インタフェース１１８は、ユーザからの入力を受け付けるためのデバイスである。

図７は、本実施の形態に係るＣＳ推定システム１０の機能および構成を示すブロック図である。ここに示す各ブロックは、ハードウエア的には、コンピュータのＣＰＵをはじめとする素子や機械装置で実現でき、ソフトウエア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウエア、ソフトウエアの組合せによっていろいろなかたちで実現できることは、本明細書に触れた当業者には理解されるところである。

ＣＳ推定システム１０は、アンケート結果収集部１２２と、モデル管理部１２４と、回答推定部１２６と、推定結果提供部１２８と、アンケート結果ＤＢ１０２と、を備える。アンケート結果ＤＢ１０２は各証券会社用の別個のデータベースを含む。具体的には、アンケート結果ＤＢ１０２は、Ａ証券会社４ａ用のＡ証券アンケート結果ＤＢ１０２ａと、Ｂ証券会社４ｂ用のＢ証券アンケート結果ＤＢ１０２ｂと、Ｃ証券会社４ｃ用のＣ証券アンケート結果ＤＢ１０２ｃと、を含む。後述するが、Ａ証券アンケート結果ＤＢ１０２ａ、Ｂ証券アンケート結果ＤＢ１０２ｂ、Ｃ証券アンケート結果ＤＢ１０２ｃは共通の構造を有する。

アンケート結果収集部１２２は、Ａ証券会社４ａ、Ｂ証券会社４ｂ、Ｃ証券会社４ｃのそれぞれが保持するアンケート回答ＤＢから、ネットワークを介して、ＣＳアンケートの結果を取得する。アンケート結果収集部１２２は、取得したＣＳアンケートの結果を、顧客の情報に対応付けてアンケート結果ＤＢ１０２に登録する。特に、アンケート結果収集部１２２はＡ証券会社４ａのアンケート回答ＤＢから取得したＣＳアンケートの結果をＡ証券アンケート結果ＤＢ１０２ａに登録する。アンケート結果収集部１２２はＢ証券会社４ｂのアンケート回答ＤＢから取得したＣＳアンケートの結果をＢ証券アンケート結果ＤＢ１０２ｂに登録する。アンケート結果収集部１２２はＣ証券会社４ｃのアンケート回答ＤＢから取得したＣＳアンケートの結果をＣ証券アンケート結果ＤＢ１０２ｃに登録する。

モデル管理部１２４は、アンケート結果ＤＢ１０２に保持される情報を機械的に学習することにより、顧客の情報を説明変数としＣＳアンケートの質問項目に対する回答を目的変数とするモデルを生成する。本実施の形態では、モデル管理部１２４は、Ａ証券会社４ａ用の別個のＡ証券アンケート結果ＤＢ１０２ａに保持される情報を機械的に学習することにより、Ａ証券会社４ａのモデルであるＡ証券モデル１３０を生成する。モデル管理部１２４は、Ｂ証券会社４ｂ用の別個のＢ証券アンケート結果ＤＢ１０２ｂに保持される情報を機械的に学習することにより、Ｂ証券会社４ｂのモデルであるＢ証券モデル１３２を生成する。モデル管理部１２４は、Ｃ証券会社４ｃ用の別個のＣ証券アンケート結果ＤＢ１０２ｃに保持される情報を機械的に学習することにより、Ｃ証券会社４ｃのモデルであるＣ証券モデル１３４を生成する。

モデル管理部１２４は、共通質問項目かつ非重複質問項目であるＱＡ４およびＱＡ５のそれぞれについて、証券会社横断的な共通モデルを生成する。ＱＡ４は、Ａ証券会社４ａが実施したＣＳアンケート４２ａおよびＣ証券会社４ｃが実施したＣＳアンケート４２ｃにおいて共通して含まれる共通質問項目であり、かつＢ証券会社４ｂが実施したＣＳアンケート４２ｂには含まれない非重複質問項目である。ＱＡ５は、Ａ証券会社４ａが実施したＣＳアンケート４２ａおよびＢ証券会社４ｂが実施したＣＳアンケート４２ｂにおいて共通して含まれる共通質問項目であり、かつＣ証券会社４ｃが実施したＣＳアンケート４２ｃには含まれない非重複質問項目である。

モデル管理部１２４は、ＱＡ４について、Ａ証券アンケート結果ＤＢ１０２ａおよびＣ証券アンケート結果ＤＢ１０２ｃに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし、ＱＡ４に対する回答を目的変数とする共通モデルであるＱＡ４用モデル１３６を生成する。モデル管理部１２４は、ＱＡ５について、Ａ証券アンケート結果ＤＢ１０２ａおよびＢ証券アンケート結果ＤＢ１０２ｂに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし、ＱＡ５に対する回答を目的変数とする共通モデルであるＱＡ５用モデル１３８を生成する。

モデル管理部１２４は、決定木、ランダムフォレスト、ロジスティック回帰、サポートベクタマシン、ナイーブベイズ分類器、ｋ近傍法、ｋ平均法、アダブースト、ニューラルネットワーク、マルコフ連鎖などの公知の機械学習のアルゴリズムを用いてもよい。

モデル管理部１２４は、自動でまたはユーザ要求に応じて、各モデルを更新する。例えば、モデル管理部１２４は、周期的に、例えば１週間や１ヶ月に一度、アンケート結果ＤＢ１０２を再学習することにより各モデルを更新する。

図８は、図７の回答推定部１２６における一連の処理の流れを示すフローチャートである。回答推定部１２６は、証券会社からネットワークを介して、またはＣＳ推定システム１０のユーザから入力手段を介して、回答推定要求を受け付ける（Ｓ８０２）。回答推定要求は、要求元の証券会社と推定対象の質問項目と推定対象の顧客とをそれぞれ特定する情報を含む。例えば、Ａ証券会社４ａのＣＳアンケート４２ａのＱＡ１に対するＡ証券会社４ａの顧客「甲」の回答が推定対象である場合、回答推定要求は（証券会社＝Ａ証券会社、質問項目＝ＱＡ１、顧客＝Ａ証券会社の「甲」）の組を含む。あるいはまた、Ａ証券会社４ａのＣＳアンケート４２ａのＱＡ４に対するＢ証券会社４ｂの顧客「乙」の回答が推定対象である場合、回答推定要求は（証券会社＝Ｂ証券会社、質問項目＝ＱＡ４、顧客＝Ｂ証券会社の「乙」）の組を含む。

回答推定部１２６は、回答推定要求を解析することによって、モデル管理部１２４で管理されるどのモデルを用いるかを決定する。まず回答推定部１２６は、推定対象の質問項目が、要求元の証券会社のＣＳアンケートの質問項目に含まれるか否かを判定する（Ｓ８０４）。これは、推定対象の質問項目が、要求元の証券会社にとって非重複質問項目か否かを判定することと同義である。含まれる場合（Ｓ８０４のＹ）、回答推定部１２６は要求元の証券会社のモデルを選択し、それを用いて回答の推定を行う（Ｓ８０６）。この場合の推定対象の顧客は、要求元の証券会社が実施したＣＳアンケートの結果が得られていない要求元の証券会社の顧客すなわち未回答顧客である。回答推定部１２６は、要求元の証券会社のモデルの説明変数として当該未回答顧客の情報を用いることによって、推定対象の質問項目に対する当該未回答顧客の回答を推定する。

なお、ステップＳ８０６では要求元の証券会社のモデルを選択しているが、これに限られず、例えば、推定対象の質問項目の回答を推定できる他の証券会社のモデルや共通モデルを選択してもよい。

ステップＳ８０４で含まれないと判定された場合（Ｓ８０４のＮ）、そのような推定対象の質問項目は非重複質問項目である。この場合、回答推定部１２６は、他の証券会社のＣＳアンケートにおいて、推定対象の顧客から推定対象の質問項目に対する回答があるか否かを判定する（Ｓ８０８）。例えば、推定対象の顧客が要求元の証券会社および他の証券会社の両方に証券口座を開設している場合（推定対象の顧客が要求元の証券会社の顧客であると共に他の証券会社の顧客でもある場合）、ステップＳ８０８でＹＥＳと判定される可能性がある。

ステップＳ８０８で回答があると判定された場合（Ｓ８０８のＹ）、回答推定部１２６は、当該他の証券会社のＣＳアンケートで得られた推定対象の質問項目に対する回答を推定の結果とする（Ｓ８１０）。この場合、他の証券会社のＣＳアンケートの結果から得られる推定対象の質問項目に対する推定対象の顧客の回答が、そのまま推定対象の質問項目に対する回答の推定結果として要求元の証券会社に提供されることとなる。

ステップＳ８０８で回答がないと判定された場合（Ｓ８０８のＮ）、回答推定部１２６は、推定対象の質問項目が共通質問項目であるか否かを判定する（Ｓ８１２）。共通質問項目であると判定された場合（Ｓ８１２のＹ）、回答推定部１２６は、共通モデルのなかから適切なモデル、すなわち推定対象の共通質問項目用の共通モデルを選択する（Ｓ８１４）。共通質問項目でないと判定された場合（Ｓ８１２のＮ）、回答推定部１２６は、各社のモデルのなかから適切なモデル、すなわち推定対象の質問項目を含むＣＳアンケートを実施した他の証券会社のモデルを選択する（Ｓ８１６）。回答推定部１２６は、ステップＳ８１４またはステップＳ８１６で選択されたモデルの説明変数として、推定対象の顧客の情報を用いることによって、推定対象の質問項目に対する回答を推定する（Ｓ８１８）。回答推定部１２６は、モデルの出力を推定の結果として取得する（Ｓ８２０）。

図７に戻り、推定結果提供部１２８は、回答推定部１２６による回答の推定結果を要求元の証券会社に提供する。

図９は、図７のＡ証券アンケート結果ＤＢ１０２ａの一例を示すデータ構造図である。Ａ証券アンケート結果ＤＢ１０２ａは、Ａ証券会社４ａが自社の顧客に対して実施したＣＳアンケート４２ａの結果を、顧客の情報に対応付けて保持する。顧客の情報は、証券口座の番号と、氏名と、住所と、年齢と、性別と、預かり資産額と、累積の売買額と、営業店の担当者による顧客への接触の回数と、を含む。これらのうち、年齢と、性別と、預かり資産額と、累積の売買額と、営業店の担当者による接触回数と、はモデルの説明変数である。ＣＳアンケート４２ａの結果は質問項目ごとに対応する顧客の回答を保持する。この回答はモデルの目的変数である。

図１０は、図７のＢ証券アンケート結果ＤＢ１０２ｂの一例を示すデータ構造図である。
図１１は、図７のＣ証券アンケート結果ＤＢ１０２ｃの一例を示すデータ構造図である。
図９、図１０、図１１に示されるように、Ａ証券アンケート結果ＤＢ１０２ａ、Ｂ証券アンケート結果ＤＢ１０２ｂ、Ｃ証券アンケート結果ＤＢ１０２ｃは共通の構造を有する。

図９に示されるＡ証券アンケート結果ＤＢ１０２ａにおいて、口座番号「ａ００４」および氏名「加藤甲」で特定される顧客は、Ａ証券会社４ａが実施したＣＳアンケート４２ａに回答していない未回答顧客である。回答推定部１２６は、Ａ証券会社４ａから、この未回答顧客「加藤甲」によるＱＡ１、ＱＡ２、ＱＡ３、ＱＡ４、ＱＡ５への回答の推定要求を受け付けると、Ａ証券モデル１３０を選択する。回答推定部１２６は、未回答顧客「加藤甲」の情報を選択されたＡ証券モデル１３０に入力することで、未回答顧客「加藤甲」によるＱＡ１、ＱＡ２、ＱＡ３、ＱＡ４、ＱＡ５への回答を推定する。図９の例では、例えば、ＡＡ１＝８、ＡＡ２＝６、ＡＡ３＝７、ＡＡ４＝９、ＡＡ５＝８などの推定結果が得られてもよい。

図１０に示されるＢ証券アンケート結果ＤＢ１０２ｂにおいて、「ウェブサイトの評価」（ＱＡ４）という質問項目は、Ｂ証券会社４ｂのＣＳアンケート４２ｂには含まれないので非重複質問項目であり、かつ、Ａ証券会社４ａのＣＳアンケート４２ａおよびＣ証券会社４ｃのＣＳアンケート４２ｃには含まれるので共通質問項目でもある。回答推定部１２６は、Ｂ証券会社４ｂから、Ｂ証券会社４ｂの顧客によるＱＡ４（「ウェブサイトの評価」）への回答の推定要求を受け付けると、顧客「佐藤花子」および顧客「田中一」についてはそれぞれＣ証券アンケート結果ＤＢ１０２ｃに保持される顧客「佐藤花子」のＱＣ３（ＡＣ３）＝６およびＡ証券アンケート結果ＤＢ１０２ａに保持される顧客「田中一」のＱＡ４（ＡＡ４）＝０を推定結果とする。回答推定部１２６は、顧客「山田二」についてはＱＡ４用モデル１３６を選択する。回答推定部１２６は、顧客「山田二」の情報を選択されたＱＡ４用モデル１３６に入力することで、顧客「山田二」によるＱＡ４への回答を推定する。なお、図８のステップＳ８０８を省略し、Ｂ証券会社４ｂの全ての顧客についてＱＡ４用モデル１３６を選択、適用してもよい。

図９に示されるＡ証券アンケート結果ＤＢ１０２ａにおいて、「法令遵守の評価」（ＱＣ４）という質問項目は、Ａ証券会社４ａのＣＳアンケート４２ａには含まれないので非重複質問項目であり、かつ、Ｃ証券会社４ｃのＣＳアンケート４２ｃには含まれている。回答推定部１２６は、Ａ証券会社４ａから、Ａ証券会社４ａの顧客によるＱＣ４（「法令遵守の評価」）への回答の推定要求を受け付けると、Ｃ証券モデル１３４を選択する。回答推定部１２６は、Ａ証券会社４ａの各顧客の情報を選択されたＣ証券モデル１３４に入力することで、Ａ証券会社４ａの顧客によるＱＣ４への回答を推定する。

以上の構成によるＣＳ推定システム１０の動作を説明する。
図１２は、図１のＣＳ推定システム１０における一連の処理の流れを示すフローチャートである。ＣＳ推定システム１０は、各証券会社からＣＳアンケートの結果を収集し、アンケート結果ＤＢ１０２に蓄積する（Ｓ２０２）。ＣＳ推定システム１０は、アンケート結果ＤＢ１０２に蓄積された情報を機械的に学習することによりモデル１０４を生成する（Ｓ２０４）。あるいはまた、ＣＳ推定システム１０は、アンケート結果ＤＢ１０２に蓄積された新しい情報を機械的に再度学習することにより、既に生成されているモデル１０４を更新する。

ＣＳ推定システム１０は、回答推定要求がなければ（Ｓ２０６のＮ）、処理をステップＳ２０２に戻す。ＣＳ推定システム１０は、回答推定要求があった場合（Ｓ２０６のＹ）、適用するモデルを選択する（Ｓ２０８）。ＣＳ推定システム１０は、選択されたモデルを用いて質問項目への回答を推定する（Ｓ２１０）。ＣＳ推定システム１０は、回答の推定結果を証券会社に提供する（Ｓ２１２）。

上述の実施の形態において、保持部の例は、ハードディスクや半導体メモリである。また、本明細書の記載に基づき、各部を、図示しないＣＰＵや、インストールされたアプリケーションプログラムのモジュールや、システムプログラムのモジュールや、ハードディスクから読み出したデータの内容を一時的に記憶する半導体メモリなどにより実現できることは本明細書に触れた当業者には理解される。

本実施の形態に係るＣＳ推定システム１０によると、自社実施のＣＳアンケートにはない質問項目に対する回答を、実際に新たなＣＳアンケートを実施することなく、得ることができる。これにより、ＣＳアンケートを実施する手間を省くことができる。

また、本実施の形態に係るＣＳ推定システム１０では、各社用のデータベースの構造を共通化したので、機械学習により得られたある証券会社のモデルを、他の証券会社の顧客による回答の推定に用いることができる。

また、本実施の形態に係るＣＳ推定システム１０では、未回答顧客による回答を推定により補完することができる。さらに、回答の推定結果と実際の回答との比較も可能であり、推定結果からの相違による気づきを提供することができる。

以上、実施の形態に係るＣＳ推定システム１０の構成と動作について説明した。この実施の形態は例示であり、各構成要素や各処理の組み合わせにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解される。

実施の形態では、証券会社が実施するＣＳアンケートへの回答を推定する場合を説明したが、これに限られず、実施の形態に係る技術的思想は、商品やサービスを提供し、ＣＳアンケートを実施する任意の主体に適用可能である。主体は、例えば銀行やメーカやＩＴ企業などであってもよい。

実施の形態では、年齢と、性別と、預かり資産額と、累積の売買額と、営業店の担当者による接触回数と、をモデルの説明変数の例として説明したが、これに限られない。図１３は、説明変数の別の例を示す図である。図１３に示される変数のなかからどの変数を説明変数として採用するかは、実験やシミュレーションにより定めてもよい。図１４は、ＣＳアンケートの回答に影響を与えうる要因を表現する特徴量の説明図である。このように、ＣＳアンケートにおいて低評価となる原因を表現する特徴量を追加していくことによって、モデルの精度を高めることができる。

２ 顧客群、 ４ 証券会社群、 １０ ＣＳ推定システム、 １０２ アンケート結果ＤＢ、 １０４ モデル。

Claims (10)

1. 複数の異なる主体が実施した顧客満足度アンケートの結果を、顧客の情報に対応付けてアンケート結果データベースに登録する手段と、
   前記アンケート結果データベースに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし顧客満足度アンケートの質問項目に対する回答を目的変数とするモデルを生成する手段と、
   生成されたモデルの説明変数として、ある主体の顧客の情報を用いることによって、当該ある主体が実施した顧客満足度アンケートには含まれないが他の主体が実施した顧客満足度アンケートには含まれる質問項目である非重複質問項目に対する回答を推定する手段と、
   非重複質問項目に対する回答の推定の結果を前記ある主体に提供する手段と、を備える顧客満足度推定装置。
2. 前記推定する手段は、生成されたモデルの説明変数として、ある主体が実施した顧客満足度アンケートの結果が得られていない当該ある主体の顧客である未回答顧客の情報を用いることによって、当該ある主体が実施した顧客満足度アンケートに含まれる質問項目に対する未回答顧客の回答を推定する請求項１に記載の顧客満足度推定装置。
3. 前記複数の異なる主体のそれぞれが保持するデータベースから、ネットワークを介して、顧客満足度アンケートの結果を取得する手段をさらに備える請求項１または２に記載の顧客満足度推定装置。
4. 前記提供する手段は、ある主体の顧客と他の主体の顧客とが同じである場合、他の主体が実施した顧客満足度アンケートの結果から得られる非重複質問項目に対する当該顧客の回答を、非重複質問項目に対する回答の推定の結果として前記ある主体に提供する請求項１から３のいずれか一項に記載の顧客満足度推定装置。
5. 前記アンケート結果データベースは各主体用の別個のデータベースを含み、当該別個のデータベースは共通の構造を有する請求項１から４のいずれか一項に記載の顧客満足度推定装置。
6. 前記生成する手段は、各主体用の別個のデータベースに保持される情報をそれぞれ機械的に学習することにより、その主体のモデルを生成し、
   前記推定する手段は、ある主体の顧客の情報を他の主体のモデルの説明変数として用いることによって、非重複質問項目に対する当該ある主体の顧客の回答を推定する請求項５に記載の顧客満足度推定装置。
7. 前記生成する手段は、前記アンケート結果データベースに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし、２つ以上の主体が実施した顧客満足度アンケートにおいて共通して含まれる質問項目である共通質問項目に対する回答を目的変数とするモデルを生成し、
   非重複質問項目は、ある主体が実施した顧客満足度アンケートには含まれない共通質問項目である請求項１から５のいずれか一項に記載の顧客満足度推定装置。
8. 主体は証券会社であり、
   顧客の情報は、年齢と、性別と、預かり資産額と、売買額と、顧客への接触の回数と、を含む請求項１から７のいずれか一項に記載の顧客満足度推定装置。
9. 顧客満足度アンケートの質問項目は、ネットプロモータスコア（Ｎｅｔ Ｐｒｏｍｏｔｅｒ Ｓｃｏｒｅ）を算出するための項目を含む請求項１から８のいずれか一項に記載の顧客満足度推定装置。
10. 複数の異なる主体が実施した顧客満足度アンケートの結果を、顧客の情報に対応付けてアンケート結果データベースに登録することと、
    前記アンケート結果データベースに保持される情報を機械的に学習することにより、顧客の情報を説明変数とし顧客満足度アンケートの質問項目に対する回答を目的変数とするモデルを生成することと、
    生成されたモデルの説明変数として、ある主体の顧客の情報を用いることによって、当該ある主体が実施した顧客満足度アンケートには含まれないが他の主体が実施した顧客満足度アンケートには含まれる質問項目である非重複質問項目に対する回答を推定することと、
    非重複質問項目に対する回答の推定の結果を前記ある主体に提供することと、を含む顧客満足度推定方法。

Images