JP2022086981A - 推定システム及び推定方法 - Google Patents

Abstract

【課題】本人の健診データを参照することなしに、対応する個人の健康状態を推定可能な技術を提供する。【解決手段】本開示の一側面によれば、複数の第１の対象者の健康状態を記述する健康データセットと、複数の第１の対象者の購買履歴を記述する購買データセットとに基づいて、第２の対象者の健康状態を第２の対象者の購買履歴から推定するための推定モデルが構築される（Ｓ１５０）。第２の対象者の健康状態の推定のために、第２の対象者の購買履歴を記述するデータが取得される（Ｓ３１０）。第２の対象者の健康状態が、取得データに記述される第２の対象者の購買履歴と推定モデルとに基づいて推定される（Ｓ３３０－Ｓ３５０）。【選択図】図３

Description

本開示は、推定システム及び推定方法に関する。

従来、個人の健診データを健康標準モデル及び疾病モデルと比較することにより、個人の健康を評価し、評価結果を過去から将来まで可視的に表示する健康度評価システムが知られている（例えば特許文献１参照）。

特開２００２－６３２７８号公報

健康への関心は、多くの人が有している。しかしながら、健診データを用いて個人の健康を評価する方法は、当然のことながら、健康診断を受けていない個人には適用できない。

そこで、本開示の一側面によれば、本人の健診データを参照することなしに、対応する個人の健康状態を推定可能な技術を提供できることが望ましい。

本開示の一側面に係る推定システムは、モデル構築部と、データ取得部と、推定部とを備える。モデル構築部は、複数の第１の対象者の健康状態を記述する健康データセットと、複数の第１の対象者の購買履歴を記述する購買データセットとに基づいて、第２の対象者の健康状態を第２の対象者の購買履歴から推定するための推定モデルを構築する。

データ取得部は、第２の対象者の購買履歴を記述する対象データを取得する。推定部は、第２の対象者の健康状態を、対象データに記述される第２の対象者の購買履歴と推定モデルとに基づいて推定する。

この推定システムを用いれば、個人の健康状態を、本人の健診データなど、本人の健康に関するデータなしに、本人の購買履歴に基づいて推定することができる。従って、本開示の一側面によれば、健康に関する有意義な推定システムを構築することができる。推定された健康状態は、例えば健康改善に役立てられ得る。

本開示の一側面によれば、推定部は、第２の対象者の健康状態として、第２の対象者の現在の又は未来の健康状態を推定するように構成され得る。未来の健康状態は、現在の健康リスクに対応し得る。本開示の一側面によれば、推定システムは、個人の健康改善又は健康に関するリスクの低減に役立ち得る。

本開示の一側面によれば、モデル構築部は、購買区分毎に、対応する購買区分に関する推定モデルとして、第２の対象者の健康状態を第２の対象者の対応する購買区分の購買履歴から推定するための推定モデルを、購買データセットに記述される複数の第１の対象者の購買履歴のうち、対応する購買区分の購買履歴を選択的に用いて構築するように構成されてもよい。

本開示の一側面によれば、推定部は、第２の対象者の健康状態を、対象データに記述される第２の対象者の購買履歴と、当該購買履歴に対応する購買区分に関する推定モデルとに基づいて推定するように構成され得る。

推定モデルを購買区分毎に使い分けることによれば、対象者の健康状態をより精度よく推定することができる。本開示の一側面によれば、購買区分は、購買店舗の業態、購買地域、購買時期、及び購買物の種類の少なくとも一つにより定義される区分であり得る。

本開示の一側面によれば、モデル構築部は、健康データセット及び購買データセットに基づいた機械学習により、推定モデルとして、第２の対象者の健康状態に関する推定値を算出するための回帰モデルを構築し得る。

本開示の一側面によれば、モデル構築部は、健康データセット及び購買データセットに基づいたロジスティック回帰により、推定モデルを構築するように構成されてもよい。本開示の一側面によれば、モデル構築部は、健康データセット及び購買データセットに基づいたロジスティック回帰により、推定モデルとして、第２の対象者が特定の健康状態である確率を算出するための回帰モデルを構築してもよい。

本開示の一側面によれば、健康データセットは、健康に関する複数の項目のそれぞれについて、第１の対象者のそれぞれの、対応する項目に関する健康状態を特定可能な情報を含んでもよい。

推定モデルは、健康に関する複数の項目のそれぞれについて、第２の対象者が対応する項目に関する健康状態の不調を有する可能性を表すスコアを算出するためのモデルを含んでもよい。可能性は、現在又は未来の可能性であり得る。推定部は、複数の項目のそれぞれについて、第２の対象者が対応する項目に関する健康状態の不調を有する可能性を表すスコアを、推定モデルに基づいて推定するように構成されてもよい。

本開示の一側面によれば、推定モデルは、複数の項目のそれぞれについて、第２の対象者が対応する項目に関する健康状態の不調を有する確率を、スコアとして算出するための回帰モデルを含み得る。

本開示の一側面によれば、モデル構築部は、Ｌ１正則化を用いたロジスティック回帰により、購買履歴に関する第１の説明変数の一群を含む回帰モデルであって第１の説明変数の一群から上記確率を算出するための回帰モデルを学習すると共に、回帰モデルにおける第１の説明変数のそれぞれの寄与度を評価してもよい。

本開示の一側面によれば、モデル構築部は、第１の説明変数の一群から寄与度が基準未満の説明変数を除いた第２の説明変数の一群を含む回帰モデルであって、第２の説明変数の一群から上記確率を算出するための回帰モデルを、上記推定モデルとして、Ｌ２正則化を用いたロジスティック回帰により構築してもよい。

Ｌ１正則化ロジスティック回帰及びＬ２正則化ロジスティック回帰を用いた推定モデルの構築によれば、説明変数群を、適切に絞り込み、推定精度の高い推定モデルを構築することができる。

本開示の一側面によれば、モデル構築部は、寄与度に関する評価結果を説明した画面を、表示デバイスを用いて表示してもよい。本開示の一側面によれば、モデル構築部は、第１の説明変数の一群のうち、ユーザインタフェースを介して指定された第２の説明変数の一群を含む回帰モデルであって第２の説明変数の一群から上記確率を算出するための回帰
モデルを、推定モデルとして、Ｌ２正則化を用いたロジスティック回帰により構築してもよい。この推定システムによれば、ユーザは、寄与度の評価結果に基づいて、説明変数群を、適切に絞り込み、推定精度の高い推定モデルを構築することができる。

本開示の一側面によれば、推定システムは、第２の対象者の複数の項目のそれぞれに対するスコアのうち、相対的に最も高いスコアが算出された項目に関する不調を、第２の対象者が有する不調と判定する判定部を備えてもよい。本開示の一側面によれば、推定システムは、算出されたスコアが相対的に最も高い項目からスコア順に所定順位までの二以上の項目に関する不調を、第２の対象者が有する不調と判定する判定部を備えてもよい。

本開示の一側面によれば、第２の対象者向けの配信情報として、判定部により判定された不調に関する情報を出力する配信情報出力部を備えてもよい。

上記判定を伴う推定システムによれば、対象者が主に悩まされている又は悩まされ得る不調を推定することができ、例えば、この不調に注目して、対象者の健康改善又は健康に関するリスクの低減に役立つサービス又は情報を提供し得る。

本開示の一側面によれば、データ取得部は、複数の小売業者のそれぞれにおける各顧客の購買履歴を記述するデータを、第２の対象者の対象データとして取得してもよい。推定部は、複数の小売業者のそれぞれについて、対応する小売業者における顧客毎に、複数の項目に関する項目別のスコアを、対応する顧客の対象データを用いて算出するように構成されてもよい。

本開示の一側面によれば、推定システムは、複数の小売業者における顧客毎の項目別のスコアに基づき、小売業者毎に、健康に関する情報の配信先である配信対象の顧客群を決定する配信対象決定部を備えてもよい。

本開示の一側面によれば、配信対象決定部は、小売業者間の重み付け及び配信数に関する指定情報に基づき、複数の小売業者における配信対象の顧客群の総数が指定された配信数を超えない範囲内で、配信対象の顧客群を小売業者毎に決定してもよい。この推定システムを用いれば、決められた配信数の範囲内で、健康に関する情報への関心度が高いと推定される消費者に対して効率よく当該情報を配信することが可能である。

本開示の一側面によれば、モデル構築部は、購買データセットが示す第１の対象者のそれぞれの商品カテゴリ毎の購買量を、商品カテゴリ間における購買量の分布差を低減するように所定規則に従って購買特性値に変換し、当該購買特性値に基づき、上記推定モデルとして、第２の対象者に関する商品カテゴリ毎の購買特性値から、第２の対象者の健康状態を推定するための推定モデルを構築するように構成されてもよい。

本開示の一側面によれば、推定部は、対象データにおける第２の対象者の商品カテゴリ毎の購買量を購買特性値に変換し、購買特性値と推定モデルとに基づいて、第２の対象者の健康状態を推定してもよい。

平均的な商品の購買量は、商品カテゴリの特性によって、商品カテゴリ間で大きく異なり得る。そうした環境では、特定の商品カテゴリの購買量が、他の商品カテゴリの購買量より大きいことで、推定モデルの出力に対して大きく影響を与える可能性がある。購買量を購買特性値に変換することによれば、商品カテゴリ間の特性の違いに起因する購買量の違いにより特定の商品カテゴリの推定モデルの出力に対する影響が大きくなるのを抑制することができる。

本開示の一側面によれば、モデル構築部は、商品カテゴリ毎に、第１の対象者のそれぞれの購買量を、等級化することにより、予め定められた数値範囲の等級値に変換し、更には、各商品カテゴリの等級値の分布を標準化するように、第１の対象者のそれぞれの商品カテゴリ毎の等級値を購買特性値に変換してもよい。

購買量を購買特性値に変換し、購買特性値に基づいて推定モデルを構築し、当該推定モデルを用いて健康状態を推定することによれば、精度よく対象者の健康状態を推定することができる。

本開示の一側面によれば、推定システムにおいて実行される方法の少なくとも一部を、コンピュータに実行させるためのコンピュータプログラム、又は、当該コンピュータプログラムを記録するコンピュータ読取可能な記録媒体が提供されてもよい。

本開示の一側面によれば、コンピュータプログラムであって、上述した推定システムにおけるモデル構築部、データ取得部、及び推定部の少なくとも一つの機能をコンピュータに実現させるためのコンピュータプログラムが提供されてもよい。

本開示の一側面によれば、推定方法であって、複数の第１の対象者の健康状態を記述する健康データセットと、複数の第１の対象者の購買履歴を記述する購買データセットとに基づいて、第２の対象者の健康状態を第２の対象者の購買履歴から推定するための推定モデルを構築することと、第２の対象者の購買履歴を記述する対象データを取得することと、第２の対象者の健康状態を、対象データに記述される第２の対象者の購買履歴と推定モデルとに基づいて推定することと、を含む推定方法が提供されてもよい。推定方法は、コンピュータにより実行され得る。この推定方法によっても、上述の推定システムと同様の効果が得られる。

情報処理システムの構成を表すブロック図である。 調査対象者毎の統合データの構成を表す図である。 推定システムのプロセッサが実行するモデル構築処理を表すフローチャートである。 等級化及び標準化に関する説明図である。 推定システムのプロセッサが実行する回帰モデル構築処理を表すフローチャートである。 推定システムのプロセッサが実行する推定処理を表すフローチャートである。 配信システムのプロセッサが実行する第１の配信制御処理を表すフローチャートである。 配信システムのプロセッサが実行する第２の配信制御処理を表すフローチャートである。 図９Ａ及び図９Ｂは、広告配信先の決定方法に関する説明図である。 粒度の組合せに関する説明図である。 第二実施形態において推定システムのプロセッサが状態セグメント毎に実行するモデル構築処理を表すフローチャートである。 第二実施形態において推定システムのプロセッサが実行するスコア算出処理を表すフローチャートである。

以下に本開示の例示的実施形態を、図面を参照しながら説明する。
［第１実施形態］
図１に示す本実施形態の情報処理システム１では、推定システム１０が、統合データベースシステム３０が記憶する調査対象者毎の統合データに基づき、個人の健康に関する悩み（以下「健康悩み」という）を当該個人の購買行動から推定するための推定モデルを構築するように構成される。

推定システム１０は更に、推定モデルと、ＩＤ－ＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）システム５０から提供される消費者の購買データとに基づき、消費者の健康悩みを推定し、推定した健康悩みに関する情報を、配信システム７０に提供するように構成される。配信システム７０は、推定システム１０から提供された情報に基づき、消費者の情報端末９０に、消費者の上記推定された健康悩みに関する情報を配信するように構成される。

図１に示す推定システム１０は、プロセッサ１１と、メモリ１３と、ストレージ１５と、ユーザインタフェース１７と、通信デバイス１９とを備える。プロセッサ１１は、ストレージ１５が記憶するコンピュータプログラムに従う処理を実行する。メモリ１３は、プロセッサ１１による処理実行時に作業用メモリとして使用される。

ユーザインタフェース１７は、推定システム１０を使用するユーザからの操作信号を入力するための入力デバイスと、ユーザに向けて各種情報を表示するための表示デバイスとを備える。通信デバイス１９は、ネットワークを通じて外部デバイスと通信可能に構成される。

統合データベースシステム３０は、調査対象者毎に、対応する調査対象者の購買データと健康データとを統合した統合データを備える。以下では、調査対象者の一群に対応する統合データの一群を、統合データセットとも表現する。

一人の調査対象者の統合データに含まれる購買データは、対応する調査対象者の購買履歴を記述する。健康データは、対応する調査対象者の健康状態を記述する。健康データは、調査対象者に対する健康診断及び問診等を通じて収集され得る。このように統合データベースシステム３０は、購買データセットとして、複数の調査対象者の購買データの一群を備え、健康データセットとして、複数の調査対象者の健康データの一群を備える。

図２に示す例としての統合データは、ユーザＩＤと関連付けて、対応する調査対象者の属性データと購買データと健康データとを備える。属性データは、対応する調査対象者の性別及び年齢階級を含むデモグラフィック属性を記述する。

購買データは、対応する調査対象者の商品毎の購買履歴データを備える。図２には、商品Ｐ１，Ｐ２，Ｐ３，…の購買履歴データが示される。ここでいう商品は、例えばＪＡＮ（Ｊａｐａｎ Ａｒｔｉｃｌｅ Ｎｕｍｂｅｒ）コードで分類される商品であり得る。購買履歴データは、調査対象者による対応する商品の購買毎に、対応する商品の購買量として、対応する商品の購買数又は購買金額を、購買日時及び購買チャネルと共に記述する。

健康データは、対応する調査対象者の健康状態として、対応する調査対象者の状態セグメント毎の判定値を記述する。状態セグメントは、健康状態の種類及びレベル（換言すれば大きさ）の組合せ毎に定義される。本実施形態でいう健康状態の種類及びレベルは、対応する個人が有する身心の不調の種類及びレベルである。判定値は、対応する種類及びレベルの不調の有無を１又は０の二値で表す。

更に付言すれば、本実施形態でいう「身心の不調の種類及びレベル」は、医学的な厳密さを伴うものではない。個人が有する身心の不調の種類及びレベルは、個人が有する健康悩みの種類及びレベルであると理解されてよい。従って、以下では、身心の不調のことを
健康悩みと表現する。すなわち、健康データには、状態セグメント別の判定値として、健康悩みの種類及びレベル別の判定値が記述される。

健康悩みの例には、睡眠に関する悩み、便秘に関する悩み、高血糖に関する悩み、冷え性に関する悩み、及び、倦怠感に関する悩み等が含まれる。健康データが、医師の診断に基づいて作成される場合、健康データには、対応する調査対象者が有する症状又は疾患の種類及びレベルに基づいて、健康悩みの種類及びレベル別の判定値が記述され得る。図２には、状態セグメントＧ１，Ｇ２，Ｇ３，…の判定値が示される。

例えば、睡眠に関する悩みに対しては、三つのレベルに対応する睡眠悩み大、睡眠悩み中、及び睡眠悩み小の三つの状態セグメントが定義され得る。便秘に関する悩みに対しては、三つのレベルに対応する便秘悩み大、便秘悩み中、及び便秘悩み小の三つの状態セグメントが定義され得る。この場合、睡眠悩みを有さない調査対象者の健康データには、状態セグメント「睡眠悩み大」の判定値「０」、状態セグメント「睡眠悩み中」の判定値「０」、状態セグメント「睡眠悩み小」の判定値「０」が記述される。睡眠悩み「中」の調査対象者の健康データには、状態セグメント「睡眠悩み大」の判定値「０」、状態セグメント「睡眠悩み中」の判定値「１」、状態セグメント「睡眠悩み小」の判定値「０」が記述される。

調査対象者毎の購買データ及び健康データは、予めパネル調査により得られる。すなわち、調査対象者の一群は、予め購買データ及び健康データの収集に協力的な調査対象者の一群に対応する。

配信システム７０は、プロセッサ７１と、メモリ７３と、ストレージ７５と、ユーザインタフェース７７と、通信デバイス７９とを備える。プロセッサ７１は、ストレージ７５が記憶するコンピュータプログラムに従う処理を実行する。メモリ７３は、プロセッサ７１による処理実行時に作業用メモリとして使用される。

ストレージ７５は、コンピュータプログラムの他、プロセッサ７１によって実行される処理に供される各種データを記憶する。ユーザインタフェース７７は、配信システム７０を管理する管理者からの操作信号を入力するための入力デバイスと、管理者に向けて各種情報を表示するための表示デバイスとを備える。通信デバイス７９は、ネットワークを通じて消費者の情報端末９０等の外部デバイスと通信可能に構成される。

続いて、推定システム１０のプロセッサ１１が実行するモデル構築処理を、図３を用いて説明する。図３に示すモデル構築処理は、ユーザインタフェース１７を通じて当該処理の実行指示が入力されると、プロセッサ１１により実行される。

モデル構築処理を開始すると、プロセッサ１１は、統合データセットを統合データベースシステム３０から読み出し（Ｓ１１０）、調査対象者毎に、対応する調査対象者の所定期間における各商品の購買量を等級値で記述した等級化購買データを生成する（Ｓ１２０）。

Ｓ１２０において、プロセッサ１１は、調査対象者毎に、対応する調査対象者の統合データを参照して、対応する調査対象者の所定期間における各商品の購買量を等級値に変換する。具体的には、プロセッサ１１は、購買量を、その量に応じて、購買なしを表す等級値０、購買量小を表す等級値１、購買量中を表す等級値２、及び、購買量大を表す等級値３のいずれかに変換する。

このために、プロセッサ１１は、商品毎に、調査対象者全体での最大購買量を特定する
ことができる。プロセッサ１１は、商品毎に、購買量０を除く最大購買量までの購買量の範囲を三分割して、第１三分位値を、等級値１と等級値２との境界値に設定し、第２三分位値を、等級値２と等級値３との境界値に設定することができる。

プロセッサ１１は、各商品の購買量を、購買量０を等級値０に変換し、０以外の購買量を、対応する商品の第１三分位値及び第２三分位値を境界に等級値１～３に変換するように、等級値０～３の４値のいずれかに変換する。

平均的な購買数及び購買金額は、商品特性の相違に応じて、商品毎に異なる。等級化は、各商品の購買量を、商品特性に起因する商品間での購買量の差異を抑えて表現するために行われる。図４上段に示すテーブルは、調査対象者毎及び商品毎の購買金額の例を示す。図４中段に示すテーブルは、調査対象者毎及び商品毎の購買金額の等級値の例を示し、図４上段のテーブルに示される購買金額を等級化したテーブルに対応する。

このようにして、プロセッサ１１は、調査対象者毎に、複数の商品のそれぞれの購買量の等級値を記述した等級化購買データを生成する（Ｓ１２０）。以下では、調査対象者の一群に対応する等級化購買データの一群を、等級化購買データセットと表現する。

その後、プロセッサ１１は、等級化購買データセットにおける各商品の等級値を標準化して、調査対象者毎の標準化購買データを生成する（Ｓ１３０）。標準化購買データは、対応する調査対象者の複数の商品のそれぞれの標準化購買量を記述する。以下では、調査対象者の一群に対応する標準化購買データの一群を、標準化購買データセットと表現する。

Ｓ１３０において、プロセッサ１１は、商品毎に、等級化購買データセットにおける、対応する商品の等級値の一群を、平均０及び分散１の分布を示す標準化購買量の一群に変換する。

標準化購買量のそれぞれは、対応する等級値を標準化した値に対応する。等級値のそれぞれは、対応する商品の標準化関数であって、対応する商品の調査対象者群の等級値の分布を、平均０及び分散１の分布に標準化する標準化関数に入力されて、標準化購買量に変換される。図４下段に示すテーブルは、調査対象者毎及び商品毎の標準化購買量を示し、図４中段のテーブルに示される等級値を標準化したテーブルに対応する。標準化は、商品特性の差異に起因した商品間における購買量の分布差を低減するために行われる。

プロセッサ１１は、その後、状態セグメント毎に、対応する状態セグメントの推定モデルを構築するための教師データセットを生成する（Ｓ１４０）。一つの状態セグメントに対応する教師データセットは、Ｓ１３０で生成された標準化購買データセットに、対応する状態セグメントの判定値を付加したデータセットである。

一つの状態セグメントの教師データセットに含まれる教師データのそれぞれは、対応する調査対象者の標準化購買データに、対応する調査対象者の統合データが示す、対応する状態セグメントの判定値を付加したデータである。すなわち、教師データのそれぞれは、対応する調査対象者の商品毎の標準化購買量を記述すると共に、この調査対象者の状態セグメントの判定値を記述する。

その後、プロセッサ１１は、状態セグメント毎に、対応する状態セグメントの教師データセットを用いた機械学習により、消費者の購買データから、当該消費者の状態セグメントに対応する健康悩みの有無を推定するための推定モデルを構築し、構築した推定モデルをストレージ１５に保存する（Ｓ１５０）。

推定モデルは、例えば回帰モデルであり得る。プロセッサ１１は、ロジスティック回帰により、推定モデルとして、対応する個人が対応する健康悩みを有する確率を算出するロジスティック回帰モデルを、対応する状態セグメントの教師データセットを用いて構築することができる。

ロジスティック回帰モデルの目的変数は、上記確率である。ロジスティック回帰モデルには、複数の商品の標準化購買量に対応する複数の説明変数が含まれる。一つの説明変数は、一つの商品の標準化購買量に対応する。

すなわち、推定モデルは、消費者個人の複数の商品の標準化購買量から、対応する消費者個人が対応する健康悩みを有する確率を算出する回帰モデルであり得る。確率は、対応する消費者個人が対応する健康悩みを現在有する又は将来有する確率であり得る。以下では、この確率のことを所属確率と表現する。所属確率は、消費者個人が対応する健康悩みを現在有する又は将来有するグループに属する確率とも言うことができる。また、対応する健康悩みを将来有する確率は、対応する健康悩みが将来発生するリスクを現在有する確率とも言うことができる。

一例によれば、プロセッサ１１は、状態セグメント毎に、対応する状態セグメントの教師データセットを用いて、図５に示す回帰モデル構築処理を実行することにより、対応する状態セグメントの推定モデルとしてのロジスティック回帰モデルを構築することができる。

図５に示す回帰モデル構築処理を開始すると、プロセッサ１１は、対応する状態セグメントの教師データセットを用いて、Ｌ１正規化ロジスティック回帰を複数回実行する（Ｓ２１０）。これにより、プロセッサ１１は、第１の説明変数の一群を備える回帰モデルであって、第１の説明変数の一群から、対応する状態セグメントについての所属確率を算出するためのロジスティック回帰モデルを学習すると共に、第１の説明変数のそれぞれの寄与度を評価する。説明するまでもないが、ロジスティック回帰モデルは、説明変数Ｘ_１，Ｘ_２，…，Ｘ_Ｎ、回帰係数ａ_０，ａ_１，ａ_２，…，ａ_Ｎ、及び目的変数Ｙを用いて下式により表される。

第１の説明変数の一群は、教師データセットにおいて標準化購買量が記述される商品の一群に対応する。各説明変数は、対応する商品の標準化購買量を説明する変数である。
正則化なしのロジスティック回帰では、データの当てはまり誤差に対応する損失関数ｆを最小にする回帰係数を探索するように、各説明変数に作用する回帰係数が学習される。これに対しＬ１正則化ロジスティック回帰では、上記損失関数ｆに、回帰係数の絶対値の和Σ｜ａ｜に対応するＬ１正則化項Ｋ１・Σ｜ａ｜を加えた評価関数（ｆ＋Ｋ１・Σ｜ａ｜）を最小にする回帰係数を探索するように、各説明変数に対応する回帰係数が学習される。Ｋ１は、Ｌ１正則化項の重み係数である。

Ｌ１正則化ロジスティック回帰では、目的変数への説明力が弱い説明変数の回帰係数を積極的にゼロにするように、各説明変数の回帰係数が学習される。Ｓ２１０において、プロセッサ１１は、各回のＬ１正規化ロジスティック回帰において、対応する回のＬ１正規
化ロジスティック回帰に用いる教師データ群を、教師データセットからランダムに抽出することができる。

プロセッサ１１は、この教師データ群を用いてＬ１正規化ロジスティック回帰を実行することにより、上記評価関数を最小にするロジスティック回帰モデルを学習する。更にプロセッサ１１は、学習されたロジスティック回帰モデルにおいて、回帰係数が非ゼロである説明変数と、回帰係数がゼロである説明変数とを判別する。

プロセッサ１１は、回帰係数が非ゼロである説明変数を、学習時に選択された説明変数として判別する。プロセッサ１１は、このようにしてＬ１正規化ロジスティック回帰を複数回実行し、このときの各説明変数の選択回数、又は、Ｌ１正規化ロジスティック回帰の実行回数に対する選択回数の割合を、対応する説明変数の寄与度として算出する。

その後、プロセッサ１１は、第１の説明変数の一群のうち、寄与度が基準値以上の説明変数群を、推定モデルに用いる第２の説明変数の一群として選択し（Ｓ２２０）、選択した第２の説明変数の一群を備える回帰モデルであって、第２の説明変数の一群から、対応する状態セグメントについての所属確率を算出するためのロジスティック回帰モデルを、対応する状態セグメントの教師データセットを用いて、Ｌ２正則化ロジスティック回帰により学習する（Ｓ２３０）。

Ｌ２正則化ロジスティック回帰によれば、上記損失関数ｆに、回帰係数の二乗和Σａ^２に対応するＬ２正則化項Ｋ２・Σａ^２を加えた評価関数（ｆ＋Ｋ２・Σａ^２）を最小にする回帰係数を探索するように、各説明変数に対応する回帰係数が学習される。Ｋ２は、Ｌ２正則化項の重み係数である。

このようにして、プロセッサ１１は、Ｌ２正則化ロジスティック回帰により、第２の説明変数の一群から目的変数としての上記所属確率を算出するためのロジスティック回帰モデルであって、評価関数を最小にする回帰係数を有するロジスティック回帰モデルを、対応する状態セグメントの推定モデルとして構築する。Ｌ１正則化ロジスティック回帰及びＬ２正則化ロジスティック回帰を用いた推定モデルの構築によれば、説明変数群を、適切に絞り込み、推定精度の高い推定モデルを構築することが可能である。

プロセッサ１１は、構築した推定モデルを、ストレージ１５に保存して、回帰モデル構築処理を終了する。プロセッサ１１は、このようにして、状態セグメント毎に推定モデルを構築し、これらをストレージ１５に保存する。

ここで変形例を説明する。変形例によれば、Ｓ２２０において、プロセッサ１１は、図５右領域に示すＳ２２１～Ｓ２２３の処理を実行する。これにより、プロセッサ１１は、ユーザにより選択された説明変数群を、第２の説明変数の一群として選択する。

Ｓ２２１において、プロセッサ１１は、第１の説明変数のそれぞれの寄与度を説明する画面であって、第１の説明変数の一群のうち、推定モデルの構築に用いるべき説明変数群をユーザが選択可能な選択画面を、ユーザインタフェース１７の表示デバイスを通じて、ユーザに向けて表示する。

選択画面は、上記説明変数群の選択操作を、ユーザインタフェース１７を介してユーザから受け付けるためのグラフィカルユーザインタフェースを備えることができる。選択画面には、第１の説明変数の一群が、寄与度の高い順に並べて表示される。選択画面には、各説明変数に関するユーザ向けの情報として、対応する商品の識別情報、及び、寄与度が記述される。

続くＳ２２２において、プロセッサ１１は、ユーザインタフェース１７を介して上記説明変数群の選択操作を受け付ける。これにより、プロセッサ１１は、Ｓ２３０での推定モデルの構築に用いるべき説明変数群の指定情報をユーザから取得する。ユーザは、寄与度の情報及び商品の識別情報に基づいて、良好な推定モデルの構築に役立つと考える説明変数群を、選択画面を通じて選択することができる。

選択操作が終了すると、プロセッサ１１は、Ｓ２２３において、ユーザにより選択された説明変数群を、推定モデルの構築に用いる上記第２の説明変数の一群として選択し、Ｓ２３０の処理を実行する。すなわち、ユーザにより選択された第２の説明変数の一群から、対応する状態セグメントについての所属確率を算出するためのロジスティック回帰モデルを、推定モデルとして構築する。

このように、第２の説明変数の一群は、寄与度に基づいて自動で、あるいは、ユーザからの指定情報に基づいて選択され得る。

続いて、ユーザインタフェース１７を通じて推定処理の実行指示が入力されると、プロセッサ１１が実行する推定処理の詳細を、図６を用いて説明する。図６に示す推定処理を開始すると、プロセッサ１１は、健康悩みの有無を推定する対象の消費者群に関して、各消費者の購買データを取得する（Ｓ３１０）。

Ｓ３１０において、プロセッサ１１は、推定対象の各消費者の購買データとして、ＩＤ－ＰＯＳシステム５０が有するＰＯＳデータを取得する。ＰＯＳデータを提供するＩＤ－ＰＯＳシステム５０は、推定対象の各消費者を顧客に有する小売業者のＩＤ－ＰＯＳシステムであり得る。ＩＤ－ＰＯＳシステム５０では、例えば顧客からの会員証の提示を受けて、顧客が識別された状態で、顧客に対する販売情報が記録される。

Ｓ３１０において、プロセッサ１１は、推定システム１０のユーザが、対応する小売業者から入手し、ストレージ１５に記録した推定対象の消費者群の購買データの一群を、ストレージ１５から読み出すことができる。あるいは、プロセッサ１１は、通信により、ＩＤ－ＰＯＳシステム５０から推定対象の各消費者の購買データを取得することができる。各消費者の購買データには、対応する消費者のＩＤが含まれる。

続くＳ３２０において、プロセッサ１１は、推定対象の消費者群のうちの一人を選択する。ここで選択した消費者（以下、選択消費者という）について、プロセッサ１１は、続くＳ３３０で、スコア算出処理を実行する。

スコア算出処理（Ｓ３３０）において、プロセッサ１１は、各状態セグメントの所属確率を、例えば０～１００までの数値範囲のスコアとして算出する。スコアの算出には、ストレージ１５が記憶する状態セグメント毎の推定モデル及びＳ３１０で取得された選択消費者の購買データが用いられる。

プロセッサ１１は、推定モデルの説明変数群に対応する商品群について、選択消費者の購買データを分析して、選択消費者の所定期間における各商品の購買量を、標準化購買量に変換する。変換に際して、選択消費者の購買データから特定される各商品の購買量は、推定モデルの構築時と同じ規則で等級化され、同じ標準化関数を用いて標準化購買量に変換される。

プロセッサ１１は、各状態セグメントについて、対応する状態セグメントの推定モデルの説明変数のそれぞれに、対応する商品についての選択消費者の標準化購買量を代入する
ことによって、スコアを算出する。

その後、プロセッサ１１は、状態セグメント毎に、算出されたスコアと閾値とに基づいて、選択消費者における対応する健康悩みの有無を判定する（Ｓ３４０）。すなわち、健康悩みの判定値として１又は０を算出する。スコアが閾値以上であるときには、判定値１が算出され、健康悩みを有すると判定される。スコアが閾値未満であるときには、判定値０が算出され、健康悩みを有さないと判定される。

ここで健康悩みを有するとは、現在健康悩みを有する場合だけではなく、将来健康悩みが発生するリスクを有する場合も含む。「睡眠悩み大」「睡眠悩み中」「睡眠悩み小」などの健康悩みの種類が同じでレベルが異なる状態セグメントの一群に、スコアが閾値を超える状態セグメントが二以上含まれるときには、そのうちの一つの状態セグメント、例えば最もスコアの高い状態セグメントの判定値が値１として算出され、残りの状態セグメントの判定値が値０として算出され得る。

閾値は、例えば一定値に定められる。あるいは、閾値は、健康悩みを有する調査対象者の所定割合が、推定モデルに基づけば健康悩みを有すると正しく判定される値に定められる。

続くＳ３５０において、プロセッサ１１は、選択消費者の状態セグメント毎のスコアから、選択消費者の主の健康悩みを判定する。一例によれば、プロセッサ１１は、算出された選択消費者のスコアの一群のうち、相対的に最も高いスコアを示した状態セグメントに対応する健康悩みを、主の健康悩みと判定する。ここで判定される主の健康悩みもまた、選択消費者が現在有する健康悩みとは限らない。現在健康である消費者に対して判定される主の健康悩みは、将来発生する可能性（リスク）が最も高い健康悩みであり得る。

別例として、プロセッサ１１は、Ｓ３５０において、選択消費者の状態セグメント別（すなわち健康悩みの種類及びレベル別）のスコアを参照し、相対的にスコアの高い種類の健康悩みから所定順位までの二以上の種類の健康悩みを、主の健康悩みと判定してもよい。

Ｓ３５０の処理を終了すると、プロセッサ１１は、推定対象の消費者群の全員をＳ３２０で選択したか否かを判断する（Ｓ３６０）。選択していないと判断した場合（Ｓ３６０でＮｏ）、プロセッサ１１は、処理をＳ３２０に戻して、推定対象の消費者群の中から、未選択の消費者を一人選択し、Ｓ３３０以降の処理を実行する。全員について、Ｓ３２０～Ｓ３５０の処理を終えると、プロセッサ１１は、Ｓ３６０で肯定判断し、スコア関連テーブルを出力する。

Ｓ３７０での上記出力により配信システム７０に提供されるスコア関連テーブルは、推定対象の各消費者について、消費者のＩＤに関連付けて、スコア算出処理（Ｓ３３０）で算出された当該消費者の状態セグメント毎のスコアと、Ｓ３４０で算出された状態セグメント毎の判定値と、Ｓ３５０で判定された主の健康悩みの識別情報と、を記述したスコア関連データを備える。このスコア関連テーブルは、対応する消費者群に対する情報配信に利用される。

配信システム７０は、推定システム１０から出力されるスコア関連テーブルをストレージ７５に保存することができる。このスコア関連テーブルを参照して、配信システム７０のプロセッサ７１は、図７に示す第１の配信制御処理、及び図８に示す第２の配信制御処理を実行する。第１の配信制御処理は、小売業者から顧客への情報配信に特に好適な処理であり、第２の配信制御処理は、複数の小売業者に商品を納入するメーカから消費者への
情報配信に特に好適な処理である。

プロセッサ７１は、配信主から予め指定され配信スケジュールに従って、図７に示す第１の配信制御処理を実行することができる。配信主は、ＩＤ－ＰＯＳシステム５０を通じて顧客に対応する各消費者の購買データを推定システム１０に提供する小売業者に対応する。

図７に示す処理を開始すると、プロセッサ７１は、複数の状態セグメントのうちの一つを、配信先セグメントとして選択し（Ｓ４１０）、選択した配信先セグメントに対応する健康悩みを主の健康悩みとして有する消費者群を、配信主のスコア関連テーブルにスコア関連データが登録されている消費者群の中から抽出する（Ｓ４２０）。ここでの消費者群は、配信主に対応する小売業者の顧客群である。

その後、プロセッサ７１は、Ｓ４２０で抽出された消費者群が使用する情報端末９０の一群に対し、主の健康悩みに関連する配信データを送信する（Ｓ４３０）。ストレージ７５には、主の健康悩み毎、換言すれば状態セグメント毎の配信データが格納される。各主の健康悩みの配信データは、対応する主の健康悩みの改善に役立つ商品や生活態度などの情報を記述する。主の健康悩み毎の配信データ（コンテンツ）は、予め配信主により用意され、ストレージ７５に格納される。

配信データは、例えば情報端末９０にインストールされた特定のアプリケーションプログラムを通じて、消費者に提供され得る。例えば、配信データは、アプリケーションプログラムが情報端末９０で起動された際に、消費者に向けて表示され得る。

アプリケーションプログラムは、配信主の店舗で利用可能な電子クーポンを消費者に提供したり、電子的な会員証を提供したりするために、消費者に配布されるアプリケーションプログラムであり得る。プロセッサ７１は、スコア関連テーブルが示す各消費者のＩＤに基づいて、配信先セグメントに対応する主の健康悩みを有する消費者の情報端末９０に、配信データを送信することができる。

続くＳ４４０において、プロセッサ７１は、全ての状態セグメントに関してＳ４３０の処理を実行したか否かを判断する。実行していないと判断すると（Ｓ４４０でＮｏ）、プロセッサ７１は、処理をＳ４１０に戻して、未選択の状態セグメントを新たな配信先セグメントに選択し、Ｓ４２０以降の処理を実行する。プロセッサ７１は、全ての状態セグメントについてＳ４３０の処理を実行したと判断すると（Ｓ４４０でＹｅｓ）、図７に示す処理を終了する。

このようにしてプロセッサ７１は、主の健康悩み別に、対応する主の健康悩みを有する消費者群に対して、主の健康悩みに関連する有意義な情報を提供する。本実施形態によれば、消費者の健診データがなくとも、ＩＤ－ＰＯＳシステム５０で蓄積された購買データに基づき、対応する消費者が抱える健康悩みに関連する健康改善に役立つ有意義な情報を提供することができる。

この他、プロセッサ７１は、配信システム７０の管理者からの実行指示に基づいて、図８に示す第２の配信制御処理を実行し、広告主から指定されたディジタル広告を、複数の小売業者の顧客群に向けて配信する。第２の配信制御処理は、複数の小売業者の顧客群に関するスコア関連テーブルがストレージ７５に保存されていることを前提として実行される。

これらのスコア関連テーブルは、推定システム１０のプロセッサ１１が、小売業者毎に
、推定処理（図６参照）を実行して、対応する小売業者のＩＤ－ＰＯＳシステム５０から各顧客の購買データを取得し、取得した購買データに基づき顧客毎のスコア関連データを含むスコア関連テーブルを作成し、配信システム７０に提供することにより、ストレージ７５に保存される。

プロセッサ７１は、図８に示す処理を開始すると、ユーザインタフェース７７を通じて管理者から、広告の配信先属性及び広告配信数を指定する情報及び小売業者の優先度情報を取得する（Ｓ５１０）。配信先属性を指定する情報は、広告配信先の消費者の健康悩みを指定する情報である。

小売業者の優先度情報は、複数の小売業者のそれぞれに関する広告配信先としての優先度、換言すれば重みを表す。例えば、優先度情報は、小売業者毎に優先度「大」「中」「小」のいずれかを定義する。指定された広告配信数分の広告は、優先度の高い小売業者の顧客群に対して優先的に配信される。

続くＳ５２０において、プロセッサ７１は、上記優先度情報に基づいて、広告配信先候補の消費者群の中から、広告配信先の消費者群を決定する。広告配信先候補の消費者群は、広告配信先候補の複数の小売業者の顧客群に対応する。

プロセッサ７１は、広告配信先の決定に際して、広告配信先候補に該当する全ての小売業者のスコア関連テーブルを参照して、配信先属性に対応する種類の健康悩みを有する消費者の数を、図９Ａ及び図９Ｂに示すように、健康悩みのレベル毎及び小売業者毎に特定する。以下では、健康悩みのレベル及び小売業者の組合せ別の消費者群のことを、消費者集合と表現する。

上述したようにスコア関連テーブルは、消費者毎に、各状態セグメントの判定値を記述する。これらの判定値に基づけば、プロセッサ７１は、睡眠悩み、便秘悩みなどの健康悩みの種類別に、対応する消費者の健康悩みのレベル（又は発生リスク）を判別することが可能である。

プロセッサ７１は、配信先属性に対応する健康悩みが「睡眠悩み」であるとき、小売業者毎に、対応する小売業者の顧客群に対応する消費者群について、睡眠悩み大の消費者数、睡眠悩み中の消費者数、睡眠悩み小の消費者数、睡眠悩みなしの消費者数を特定する。

その後、所定規則に従って、上記組合せ別の消費者集合に広告配信先としての選択順位を設定する。例えば、優先度「高」の小売業者における健康悩み「大」の消費者集合、優先度「高」の小売業者における健康悩み「中」の消費者集合、優先度「中」の小売業者における健康悩み「大」の消費者集合、優先度「小」の小売業者における健康悩み「大」の消費者集合の順に、選択順位を付す規則が定められている場合、この規則に従って、上記組合せ別の消費者集合に配信先としての選択順位を設定する。

その後、プロセッサ７１は、消費者数の合計が指定された広告配信数を超えるまで、選択順位の高い消費者集合の順に、当該消費者集合を広告配信先に決定する。広告配信先に決定された消費者集合の中で最も選択順位の低い消費者集合に関しては、消費者集合の一部の消費者のみを例えばランダムに広告配信先に決定することにより、指定された広告配信数に一致するように、広告配信先の消費者群を決定する。

図９Ａに示す例によれば、事業者Ｃ１，Ｃ２，Ｃ３，Ｃ４には、いずれも同じ優先度が設定されていることから、小売業者間で実質均等に広告配信先が設定されるように、健康悩み「大」の消費者群が広告配信先に決定される。広告配信先は、図９Ａにおいて破線で
囲まれた消費者集合に対応する。選択順位が同じ消費者集合については、これらの消費者集合から均等に広告配信先の消費者群が選択される。

図９Ｂに示す例によれば、事業者Ｃ１には優先度「高」が設定され、事業者Ｃ２，Ｃ３には優先度「中」が設定され、事業者Ｃ４には優先度「小」が設定されていることから、事業者Ｃ１の消費者群から優先的に広告配信先が選択される。広告配信先は、図９Ｂにおいて破線で囲まれた消費者集合に対応する。

続くＳ５３０において、プロセッサ７１は、Ｓ５２０で広告配信先に決定された消費者群に対し、広告主から指定されたディジタル広告を配信する。すなわち、広告配信先の消費者群が有する情報端末９０の一群に対し、ディジタル広告を配信する。その後、図８に示す処理を終了する。

この処理によれば、配信システム７０は、健康悩みのレベル及び事業者間の優先度を考慮しながら、広告主から指定された数の広告を、広告のターゲット層に対応する消費者群に適切に配信することができる。但し、配信情報としてのディジタル広告は、一例に過ぎない。第２の配信制御処理によっては、ディジタル広告以外の情報が配信されてもよい。ディジタル広告以外の情報の例には、健康に関する情報が含まれる。健康に関する情報の例には、疾患啓発情報、健康に関するウェビナーの案内情報、地域医療機関紹介情報、及び薬剤師との面談予約情報などが含まれる。

［第２実施形態］
続いて、第２実施形態の情報処理システム１を説明する。第２実施形態の情報処理システム１では、推定システム１０のプロセッサ１１が実行するモデル構築処理及びスコア算出処理（Ｓ３３０）が第１実施形態と異なる。その他の点で、第２実施形態の情報処理システム１は、第１実施形態と基本的に同一である。従って、以下では、第２実施形態として、推定システム１０のプロセッサ１１が実行するモデル構築処理及びスコア算出処理の詳細を選択的に説明する。

本実施形態において推定システム１０のプロセッサ１１は、購買期間、購買チャネル、及び調査対象者の性年齢階級について、粒度別に推定モデルを構築し、構築された推定モデルを評価することにより、推定精度の高い粒度の推定モデルを、推定処理で使用する推定モデルに選定するように構成される。

例えば、図１０に示すように第１の粒度の購買期間として全期間（すなわち１年間）が定義され、第２の粒度の購買期間として、四半期別の期間が定義される。第１の粒度の購買チャネルとして全チャネル、すなわち全業態及び全エリアが定義され、第２の粒度の購買チャネルとして、業態及びエリアの組合せ別のチャネルが定義される。業態は、百貨店、スーパーマーケット、コンビニエンスストア、及びドラッグストアなどの営業形態に基づいて定義される購買店舗の業態である。エリアは、国土を区分化して定義される購買地域又は町の規模によって分類される購買地域（例えば都市エリア、地方エリアなど）である。更に、第１の粒度の性年齢階級として、全性年齢階級が定義され、第２の粒度の性年齢階級として、男女及び所定年齢幅の組合せ別の性年齢階級が定義される。

本実施形態によれば更に、説明変数で購買量が説明される商品に対しても複数の粒度が定義され、粒度別の推定モデルが構築される。例えば、第１の粒度で表現される商品は、第１のカテゴリ別の商品であり、第２の粒度で表現される商品は、第１のカテゴリより細かい第２のカテゴリ別の商品である。

商品カテゴリとしては、ＪＡＮコードにより実質一商品毎に定義される商品カテゴリ、
ＪＩＣＦＳ（ＪＡＮ Ｉｔｅｍ Ｃｏｄｅ Ｆｉｌｅ Ｓｅｒｖｉｃｅ）細分類コードにより定義される商品カテゴリ、ＪＩＣＦＳ小分類コードにより定義される商品カテゴリが知られている。ＪＡＮコードにより定義される商品カテゴリは、ＪＩＣＦＳ細分類コードにより定義される商品カテゴリよりも粒度が小さく、ＪＩＣＦＳ細分類コードにより定義される商品カテゴリは、ＪＩＣＦＳ小分類コードより定義される商品カテゴリも粒度が小さい。

粒度別の推定モデルは、第１の粒度の推定モデルとしての、第１の粒度の購買期間、購買チャネル、性年齢階級、及び商品カテゴリの推定モデル、第２の粒度の推定モデルとしての、第２の粒度の購買期間、購買チャネル、性年齢階級、及び商品カテゴリの組合せ別の推定モデルを含む他、粒度混在型の推定モデルが含まれる。例えば、粒度混在型の推定モデルとしては、例えば、第１の粒度の購買期間、第２の粒度の購買チャネル、第２の粒度の性年齢階級、及び第１の粒度の商品カテゴリの組合せ別の推定モデルが含まれる。このように、粒度別の推定モデルは、購買期間、購買チャネル、性年齢階級、及び、商品カテゴリについて異なる粒度の組合せ別の推定モデルを含む。

具体的に、推定システム１０のプロセッサ１１は、図３に示すモデル構築処理に代えて、図１１に示すモデル構築処理を状態セグメント毎に実行する。このモデル構築処理を開始すると、プロセッサ１１は、統合データセットをストレージ１５から読み出す（Ｓ６１０）。更にプロセッサ１１は、選択粒度として、購買期間、購買チャネル、性年齢階級、及び商品カテゴリの粒度の組合せのうちの一つを選択する（Ｓ６２０）。

その後、プロセッサ１１は、選択粒度で採り得る購買期間、購買チャネル、及び性年齢階級の組合せの一つを、処理対象パターンとして選択する（Ｓ６３０）。例えば、購買期間、購買チャネル、及び性年齢階級が第１の粒度であるときには、「全期間」「全チャネル」「全性年齢階級」からなる唯一の組合せを、処理対象パターンとして選択する。

購買期間が第２の粒度、購買チャネル及び性年齢階級が第１の粒度であるときには、処理対象パターンとして選択し得る組合せとして、「第１四半期」「全チャネル」「全性年齢階級」の組合せ、「第２四半期」「全チャネル」「全性年齢階級」の組合せ、「第３四半期」「全チャネル」「全性年齢階級」の組合せ、「第四半期」「全チャネル」「全性年齢階級」の組合せが存在する。

その後、プロセッサ１１は、処理対象パターンに対応する性年齢階級の調査対象者群を特定し、対応する性年齢階級の調査対象者群の統合データ群に基づいて、推定モデルの構築に用いる教師データセットを生成する（Ｓ６４０）。

教師データセットを構成する教師データのそれぞれは、対応する性年齢階級の一人の調査対象者の統合データに基づいて生成され、商品カテゴリ毎の標準化購買量を記述する。標準化購買量は、選択粒度で表される商品カテゴリ毎に記述される。各商品カテゴリの標準化購買量は、処理対象パターンに対応する購買期間に、対応する調査対象者が、対応する購買チャネルを通じて購入した、対応する商品カテゴリの商品の標準化された購買量である。教師データのそれぞれは更に、対応する調査対象者の、対応する状態セグメントの判定値を記述する。

標準化購買量を求める過程での等級化は、処理対象パターンに対応する調査対象者群の、処理対象パターンに対応する購買期間及び購買チャネルの購買履歴に基づいて、選択粒度に対応する商品カテゴリ毎に、対応する商品カテゴリの最大購買量、第１三分位、及び第２三分位を求めて行われる。標準化は、商品カテゴリ毎に、処理対象パターンに対応する調査対象者群の等級値の分布を標準化するように行われる。

その後、プロセッサ１１は、生成した教師データセットに基づいて、対応する状態セグメントの推定モデルを構築する（Ｓ６５０）。すなわち、推定モデルとして、処理対象パターンに対応する購買期間、購買チャネル及び性年齢階級の購買データから、消費者の対応する状態セグメントの所属確率を算出するための推定モデルを構築する。

構築される推定モデルは、第１実施形態と同様にロジスティック回帰モデルであり得る。ロジスティック回帰モデルの説明変数群は、選択粒度の商品カテゴリの一群に対応し、各説明変数は、対応する商品カテゴリの標準化購買量を説明する。

例えば、選択粒度の商品カテゴリが、ＪＩＣＦＳ小分類コードで分類される商品カテゴリであるとき、説明変数のそれぞれは、対応する一つのＪＩＣＦＳ小分類コードの標準化購買量を説明する。

プロセッサ１１は、図５に示す回帰モデル構築処理と同様の処理を実行することにより、推定モデルを構築することができる。すなわち、プロセッサ１１は、教師データセットに基づいて、複数回のＬ１正則化ロジスティック回帰、説明変数の絞り込み、及びＬ２正則化ロジスティック回帰を順に実行することにより、推定モデルを構築することができる。

Ｓ６５０における推定モデルの構築後、プロセッサ１１は、選択粒度で採り得る「購買期間」「購買チャネル」「性年齢階級」の全組合せ、すなわち全パターンについて推定モデルを構築したか否かを判断する（Ｓ６６０）。

全パターンについて推定モデルを構築していないと判断すると（Ｓ６６０でＮｏ）、プロセッサ１１は、Ｓ６３０に処理を戻し、処理対象パターンを新たに選択して、Ｓ６４０以降の処理を実行する。このようにしてＳ６３０～Ｓ６６０の処理を繰返し実行することにより、プロセッサ１１は、選択粒度に対応する購買期間、購買チャネル、及び、性年齢階級の組合せ毎に推定モデルを構築する。

プロセッサ１１は、全パターンについて推定モデルを構築したと判断すると（Ｓ６６０でＹｅｓ）、構築した推定モデルにテストデータ群を適用して、構築された推定モデルの推定能力を評価する（Ｓ６７０）。評価される能力は、推定モデルの推定精度であり得る。テストデータ群は、予め用意されるモデル精度検証用のデータセットであり、健康悩みの有無が予め判明している消費者群の購買データセットに対応する。

例えば、プロセッサ１１は、推定モデルの推定能力に関する評価指標としてＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ）及び／又はスコア分布を求めることができる。例えば、プロセッサ１１は、図１１の右領域に示すように、テストデータ群を推定モデルに適用して（Ｓ６７１）、ＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線を求めてＡＵＣを算出することができ（Ｓ６７２）、更には、テストデータ群のスコア分布を求めることができる（Ｓ６７３）。

ＡＵＣが１に近いほど、対応する推定モデルの推定能力は高いと言える。更には、テストデータ群に基づくスコア分布の、教師データセットに基づくスコア分布からの誤差が小さいほど、対応する推定モデルの推定能力は高いと言える。

その後、プロセッサ１１は、粒度の全組合せについてＳ６２０～Ｓ６７０の処理を実行したか否かを判断する（Ｓ６８０）。粒度の全組合せについてＳ６２０～Ｓ６７０の処理を実行していないと判断すると（Ｓ６８０でＮｏ）、プロセッサ１１は、Ｓ６２０に処理
を戻し、未選択の粒度の組合せを新たに選択する。その後、当該新たに選択した粒度の組合せを上記選択粒度として用いて、Ｓ６３０以降の処理を実行する。

このように粒度の全組合せについてＳ６２０～Ｓ６７０の処理を実行することにより、プロセッサ１１は、粒度（の組合せ）別に、対応する推定モデルを構築し（Ｓ６５０）、当該推定モデルの能力を評価する（Ｓ６７０）。

プロセッサ１１は、Ｓ６８０において肯定判断すると（Ｓ６８０でＹｅｓ）、粒度別の推定モデルの中から、最も能力の高い粒度の推定モデルを、推定処理に採用する推定モデルに選択し（Ｓ６９０）、当該推定モデルをストレージ１５に保存する（Ｓ７００）。Ｓ６９０で選択される推定モデルは、例えば、最もＡＵＣの高い粒度の推定モデルであり得る。あるいは、Ｓ６９０では、ＡＵＣ及びスコア分布の誤差を所定規則で総合評価し、その評価点が最も高い粒度の推定モデルを、推定処理に採用する推定モデルに選択することができる。

Ｓ７００で保存される推定モデルは、粒度に対応する購買期間、購買チャネル、及び、性年齢階級の組合せ毎の推定モデルを含む。以下では、購買期間、購買チャネル、及び、性年齢階級の組合せ毎の推定モデルのことを条件別の推定モデルという。但し、第１の粒度の推定モデルは、「全期間」「全購買チャネル」「全性年齢階級」に対応する単一の推定モデルである。以下では、第１の粒度の推定モデルについても、他の粒度の推定モデルと同様に、条件別の推定モデルと形式的に表現する。

このようにしてプロセッサ１１は、モデル構築処理を状態セグメント毎に実行することにより、ストレージ１５に、状態セグメント毎に、対応する状態セグメントの条件別の推定モデルを保存する。

この他、プロセッサ１１は、推定処理の実行指示に従って、図６に示す推定処理を開始すると、第１実施形態と同様に、健康悩みの有無を推定する対象の消費者群の購買データの一群を取得し（Ｓ３１０）、選択消費者として、推定対象の消費者群の一人を選択する（Ｓ３２０）。その後、スコア算出処理として、図１２に示すスコア算出処理を実行する（Ｓ３３０）。

図１２に示すスコア算出処理を開始すると、プロセッサ１１は、所属確率を推定する状態セグメントを選択する（Ｓ７１０）。続くＳ７２０において、プロセッサ１１は、選択した状態セグメントの推定モデルを、ストレージ１５から読み出す。推定モデルは、上述の通り、条件別の推定モデルを含む。

その後、プロセッサ１１は、上記選択した状態セグメントの推定モデルとしてストレージ１５から読み出した条件別の推定モデルのうち、選択消費者の購買データに対応する購買期間及び購買チャネル、並びに、選択消費者の性年齢階級に合致する一つの推定モデルを使用する推定モデルとして選択する（Ｓ７３０）。

更に、プロセッサ１１は、使用する推定モデルの各説明変数に、選択消費者の購買データに基づく対応する商品カテゴリの標準購買量を代入して、推定モデルから、選択消費者の対応する状態セグメントの所属確率を、例えば０～１００までの数値範囲のスコアとして算出する（Ｓ７４０）。

Ｓ７４０において、プロセッサ１１は、選択消費者の購買データから対応する購買期間における対応する購買チャネルでの商品カテゴリ毎の購買量を特定し、これを推定モデル構築時と同じ基準で等級化及び標準化して、選択消費者の商品カテゴリ毎の標準化購買量
を算出することができる。

変形例によれば、Ｓ７３０において、プロセッサ１１は、条件別の推定モデルのうち、選択消費者の購買データに対応する購買期間及び購買チャネル、並びに、選択消費者の性年齢階級に合致する二つ以上の推定モデルを使用する推定モデルとして選択し、Ｓ７４０において、二以上の推定モデルを用いて、選択消費者の対応する状態セグメントの所属確率を算出することができる。

例えば、購買データが、「第１四半期」「第２四半期」の購買データを含む場合、プロセッサ１１は、「第１四半期」の推定モデルに、「第１四半期」の購買履歴に基づく商品カテゴリ毎の標準化購買量を入力して、第１の所属確率を算出し、「第２四半期」の推定モデルに、「第２四半期」の購買履歴に基づく商品カテゴリ毎の標準化購買量を入力して、第２の所属確率を算出することができる。

その後、プロセッサ１１は、これら第１の所属確率及び第２の所属確率を統合したスコアを算出することができる。例えば、プロセッサ１１は、第１の所属確率に対応するスコア及び第２の所属確率に対応するスコアの平均又は合算に対応するスコアを算出することができる。これにより、プロセッサ１１は、選択消費者の対応する状態セグメントのスコアを算出することができる。

あるいは、プロセッサ１１は、二つ以上の推定モデルのうち、対応する状態セグメントに関して所属確率の算出精度が高いと予想される推定モデルの所属確率を選択的に用いて、スコアを算出してもよい。

その後、プロセッサ１１は、全状態セグメントについて、選択消費者に関する状態セグメント毎のスコアを算出したか否かを判断する（Ｓ７５０）。全状態セグメントについてスコアを算出していないと判断すると、プロセッサ１１は、Ｓ７１０に処理を戻して、未選択の状態セグメントの一つを選択し、Ｓ７２０以降の処理を実行する。

すなわち、プロセッサ１１は、新たに選択された状態セグメントに関して、ストレージ１５から読み出した当該状態セグメントの条件別の推定モデルのうち、選択消費者の購買データに合致する一つの推定モデル（又は二つ以上の推定モデル）を、使用する推定モデルとして選択する（Ｓ７３０）。この推定モデルの各説明変数に、選択消費者の購買データに基づく、対応する商品カテゴリの標準化購買量を代入する（Ｓ７４０）。これにより、プロセッサ１１は、対応する状態セグメントの所属確率を、上記スコアとして算出する（Ｓ７４０）。

プロセッサ１１は、このようにして状態セグメント毎に、対応する状態セグメントの所属確率に対応するスコアを算出し、図１２に示すスコア算出処理を終了する。プロセッサ１１は、続くＳ３４０（図６参照）において、状態セグメント毎に、スコアと閾値との比較に基づいて、対応する健康悩みの有無を判定する。

更には、プロセッサ１１は、選択消費者の主の健康悩みを判定する（Ｓ３５０）。プロセッサ１１は、推定対象の全ての消費者に関して、Ｓ３３０～Ｓ３５０の処理を抑えると（Ｓ３６０でＹｅｓ）、これらの処理で得られた消費者毎の状態セグメント別のスコア及び判定値、並びに主の健康悩みを記述したスコア関連テーブルを配信システム７０に出力する。

配信システム７０のプロセッサ７１は、このスコア関連データに基づいて、第１実施形態と同様に、図７に示す処理を実行し、各消費者に対して推定される主の健康悩みに関す
る情報を配信する。この他、プロセッサ７１は、図８に示す処理に従って、広告主から指定されたディジタル広告を、複数の小売業者に亘る消費者群に向けて配信する。

以上に説明した第２実施形態の情報処理システム１によれば、粒度の異なるデータに基づく複数の推定モデルを構築して、推定能力の高い推定モデルを選出し、推定処理に用いることから、ＰＯＳデータに基づく消費者の健康悩みの推定を精度よく行うことができる。

例えば、商品の品揃えは、業態やエリアに応じて異なる。例えば、ドラッグストアでは、医薬品が販売されているが、スーパーマーケットでは通常医薬品が販売されていない。また、地域によって気候や習慣が異なることに起因して、同じ業態の店舗であっても販売されている商品の種類は、異なる。季節性の商品があることから、購買期間に応じて、店舗での商品の品揃えは異なる。また、季節、性別、及び年齢等によって購買特性は異なる。

従って、「購買期間」「購買チャネル」「性年齢階級」に分けて推定モデルを構築することは、推定精度の向上に役立つ。

［その他］
本開示が上述した例示的実施形態に限定されるものではなく、種々の態様を採り得ることは言うまでもない。例えば、第２実施形態においては、説明を簡単にするために、「購買期間」「購買チャネル」「性年齢階級」「商品カテゴリ」のパラメータに第１及び第２の粒度が定義される旨を説明した。しかしながら、これらのパラメータに対して、三以上の粒度が設定されてもよい。

「商品カテゴリ」の粒度は、全商品に関して一律の粒度に設定されなくてもよい。例えば、健康に関連性の高い商品カテゴリほど、粒度を小さくして、推定モデルの説明変数群を定義してもよい。あるいは、購買量を均すために、購買量の多い商品カテゴリの粒度を小さくし、購買量の少ない商品カテゴリの粒度の大きくすることも考えられる。

この他、推定モデルを構築するに際しては、Ｌ１正則化ロジスティック回帰を実行する前の段階から、寄与度の低い商品カテゴリの購買量についての説明変数は、用意されなくてもよい。

関連する概念として、条件別の推定モデルのうち、第１の条件の推定モデルに含まれる説明変数群と、第２の条件の推定モデルに含まれる説明変数群は、互いに異なる商品カテゴリ群を説明する説明変数群であってもよい。季節毎に、店頭に並ぶ商品群は異なる。また、季節性の商品の店頭での配置又は展示方法は、季節毎に変化する。

従って、夏季の推定モデルの説明変数群には、夏季に流通量が減少する商品に関する説明変数群を含ませず、冬季の推定モデルの説明変数群には、冬季に流通量が減少する商品に関する説明変数群を含ませないように、各推定モデルの学習時に用いる説明変数群を定義し得る。すなわち、条件別の推定モデルには、説明変数群に関する条件が定められ得る。具体的には「購買期間」「購買チャネル」「性年齢階級」の各組合せに対しては、対応する推定モデルの構築時に採用されるべき説明変数群に対応する商品カテゴリ群が定義され得る。この商品カテゴリ群は、推定モデルの構築時に考慮されるべき購買物の種類に対応する。

この他、推定モデルによる推定対象の健康悩みには、女性特有の健康悩み、例えば更年期に関する悩みも含まれ得る。従って、女性特有の健康悩みの所属確率を推定するための
推定モデルに関しては、「性年齢階級」として男性を排除し女性の年齢階級のみに絞った条件別の推定モデルを構築することができる。

この他、第２実施形態では、モデル構築処理において、推定処理に用いる推定モデルを選定したが、モデル構築処理では推定モデルを選定せずに、粒度別の推定モデルを全てストレージ１５に保存してもよい。プロセッサ１１は、推定処理において、ＰＯＳデータを粒度別の推定モデルに適用したときのスコア分布を加味して、最も信頼性の高い推定モデルを選定し、選定した推定モデルの所属確率に基づいて、スコアリングを実現してもよい。

第１実施形態及び第２実施形態では、ロジスティック回帰を用いて推定モデルを構築する例を説明したが、その他の機械学習技術を用いて推定モデルを構築してもよい。例えば、サポートベクタマシン、決定木、及びニューラルネットワーク等の機械学習技術を用いて、推定モデルが構築されてもよい。

また、第２実施形態においては、予め粒度別の推定モデルを構築して、推定能力の高い推定モデルを選別したが、次のような実施形態も考えられる。すなわち、推定システム１０は、予め定められた粒度で推定モデルを構築して、推定モデルの推定能力を評価し、推定能力が一定水準を満たしていない場合には、別の粒度で推定モデルを学習し直すことにより、推定能力が一定水準を満たす推定モデルを探索するように構成されてもよい。この他、推定対象の消費者群に対応するＰＯＳデータが与えられたときに、ＰＯＳデータの各商品の購買量の大小を考慮して、商品カテゴリの粒度を切り替えて、推定モデルを構築し直してもよい。

推定システム１０において推定された消費者毎の健康悩みに関する情報、具体的にはスコア関連テーブルは、消費者に対する情報端末９０を通じた情報配信だけではなく、例えば消費者に対するカウンセリングに使用されてもよい。推定された健康悩みに関する情報の活用例は、上述したものに限定されない。

上記実施形態における１つの構成要素が有する機能は、複数の構成要素に分散して設けられてもよい。複数の構成要素が有する機能は、１つの構成要素に統合されてもよい。上記実施形態の構成の一部は、省略されてもよい。上記実施形態の構成の少なくとも一部は、他の上記実施形態の構成に対して付加又は置換されてもよい。特許請求の範囲に記載の文言から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

１…情報処理システム、１０…推定システム、１１…プロセッサ、１３…メモリ、１５…ストレージ、１７…ユーザインタフェース、１９…通信デバイス、３０…統合データベースシステム、５０…ＩＤ－ＰＯＳシステム、７０…配信システム、７１…プロセッサ、７３…メモリ、７５…ストレージ、７７…ユーザインタフェース、７９…通信デバイス、９０…情報端末。

Claims (19)

1. 複数の第１の対象者の健康状態を記述する健康データセットと、前記複数の第１の対象者の購買履歴を記述する購買データセットとに基づいて、第２の対象者の健康状態を前記第２の対象者の購買履歴から推定するための推定モデルを構築するモデル構築部と、
   前記第２の対象者の購買履歴を記述する対象データを取得するデータ取得部と、
   前記第２の対象者の健康状態を、前記対象データに記述される前記第２の対象者の購買履歴と前記推定モデルとに基づいて推定する推定部と、
   を備える推定システム。
2. 前記推定部は、前記第２の対象者の健康状態として、前記第２の対象者の現在又は未来の健康状態を推定する請求項１記載の推定システム。
3. 前記モデル構築部は、購買区分毎に、対応する購買区分に関する推定モデルとして、前記第２の対象者の健康状態を前記第２の対象者の前記対応する購買区分の購買履歴から推定するための推定モデルを、前記購買データセットに記述される前記複数の第１の対象者の購買履歴のうち、前記対応する購買区分の購買履歴を選択的に用いて構築し、
   前記推定部は、前記第２の対象者の健康状態を、前記対象データに記述される前記第２の対象者の購買履歴と、当該購買履歴に対応する前記購買区分に関する前記推定モデルとに基づいて推定する請求項１又は請求項２記載の推定システム。
4. 前記購買区分は、購買店舗の業態、購買地域、購買時期、及び購買物の種類の少なくとも一つにより定義される区分である請求項３記載の推定システム。
5. 前記モデル構築部は、前記健康データセット及び前記購買データセットに基づいた機械学習により、前記推定モデルとして、前記第２の対象者の健康状態に関する推定値を算出するための回帰モデルを構築する請求項１～請求項４のいずれか一項記載の推定システム。
6. 前記モデル構築部は、前記健康データセット及び前記購買データセットに基づいたロジスティック回帰により、前記推定モデルとして、前記第２の対象者が特定の健康状態である確率を算出するための回帰モデルを構築する請求項１～請求項４のいずれか一項記載の推定システム。
7. 前記健康データセットは、健康に関する複数の項目のそれぞれについて、前記第１の対象者のそれぞれの、対応する項目に関する健康状態を特定可能な情報を含み、
   前記推定モデルは、前記複数の項目のそれぞれについて、前記第２の対象者が対応する項目に関する健康状態の不調を有する可能性を表すスコアを算出するためのモデルを含み、
   前記推定部は、前記複数の項目のそれぞれについて、前記第２の対象者が対応する項目に関する前記不調を有する可能性を表すスコアを、前記推定モデルに基づいて推定する請求項１～請求項４のいずれか一項記載の推定システム。
8. 前記モデル構築部は、前記健康データセット及び前記購買データセットに基づいたロジスティック回帰により、前記推定モデルを構築するように構成され、
   前記推定モデルは、前記複数の項目のそれぞれについて、前記第２の対象者が対応する項目に関する前記不調を有する確率を、前記スコアとして算出するための回帰モデルを含む請求項７記載の推定システム。
9. 前記モデル構築部は、
   Ｌ１正則化を用いたロジスティック回帰により、前記購買履歴に関する第１の説明変数の一群を含む回帰モデルであって前記第１の説明変数の一群から前記確率を算出するための回帰モデルを学習すると共に、前記回帰モデルにおける前記第１の説明変数のそれぞれの寄与度を評価し、
   前記第１の説明変数の一群から前記寄与度が基準未満の説明変数を除いた第２の説明変数の一群を含む回帰モデルであって、前記第２の説明変数の一群から前記確率を算出するための回帰モデルを、前記推定モデルとして、Ｌ２正則化を用いたロジスティック回帰により構築する請求項６又は請求項８記載の推定システム。
10. 前記モデル構築部は、
    Ｌ１正則化を用いたロジスティック回帰により、前記購買履歴に関する第１の説明変数の一群を含む回帰モデルであって前記第１の説明変数の一群から前記確率を算出するための回帰モデルを学習すると共に、前記回帰モデルにおける前記第１の説明変数のそれぞれの寄与度を評価し、
    前記寄与度に関する評価結果を説明した画面を、表示デバイスを用いて表示し、
    前記第１の説明変数の一群のうち、ユーザインタフェースを介して指定された第２の説明変数の一群を含む回帰モデルであって前記第２の説明変数の一群から前記確率を算出するための回帰モデルを、前記推定モデルとして、Ｌ２正則化を用いたロジスティック回帰により構築する請求項６又は請求項８記載の推定システム。
11. 前記第２の対象者の前記複数の項目のそれぞれに対する前記スコアのうち、相対的に最も高いスコアが算出された項目に関する前記不調を、又は、算出されたスコアが前記相対的に最も高い項目からスコア順に所定順位までの二以上の項目に関する前記不調を、前記第２の対象者が有する不調と判定する判定部
    を備える請求項７又は請求項８記載の推定システム。
12. 前記第２の対象者向けの配信情報として、前記判定部により判定された前記不調に関する情報を出力する配信情報出力部
    を備える請求項１１記載の推定システム。
13. 前記データ取得部は、複数の小売業者のそれぞれにおける各顧客の購買履歴を記述するデータを、前記第２の対象者の前記対象データとして取得し、
    前記推定部は、前記複数の小売業者のそれぞれについて、対応する小売業者における顧客毎に、前記複数の項目に関する項目別の前記スコアを、対応する顧客の前記対象データを用いて算出するように構成される請求項７又は請求項８記載の推定システム。
14. 前記複数の小売業者における前記顧客毎の前記項目別の前記スコアに基づき、前記小売業者毎に、健康に関する情報の配信先である配信対象の顧客群を決定する配信対象決定部と、
    を更に備える請求項１３記載の推定システム。
15. 前記配信対象決定部は、小売業者間の重み付け及び配信数に関する指定情報に基づき、前記複数の小売業者における前記配信対象の顧客群の総数が指定された前記配信数を超えない範囲内で、前記配信対象の顧客群を前記小売業者毎に決定する請求項１４記載の推定システム。
16. 前記モデル構築部は、前記購買データセットが示す前記第１の対象者のそれぞれの商品カテゴリ毎の購買量を、商品カテゴリ間における購買量の分布差を低減するように所定規則に従って購買特性値に変換し、前記購買特性値に基づき、前記推定モデルとして、前記第２の対象者に関する前記商品カテゴリ毎の前記購買特性値から、前記第２の対象者の健
    康状態を推定するための推定モデルを構築し、
    前記推定部は、前記対象データにおける前記第２の対象者の前記商品カテゴリ毎の購買量を前記購買特性値に変換し、前記購買特性値と前記推定モデルとに基づいて、前記第２の対象者の健康状態を推定する請求項１～請求項１５のいずれか一項記載の推定システム。
17. 前記モデル構築部は、前記商品カテゴリ毎に、前記第１の対象者のそれぞれの購買量を、等級化することにより、予め定められた数値範囲の等級値に変換し、更には、各商品カテゴリの等級値の分布を標準化するように、前記第１の対象者のそれぞれの前記商品カテゴリ毎の等級値を前記購買特性値に変換する請求項１６記載の推定システム。
18. 請求項１～請求項１７のいずれか一項記載の推定システムにおける前記モデル構築部、前記データ取得部、及び前記推定部としての機能をコンピュータに実現させるためのコンピュータプログラム。
19. コンピュータにより実行される推定方法であって、
    複数の第１の対象者の健康状態を記述する健康データセットと、前記複数の第１の対象者の購買履歴を記述する購買データセットとに基づいて、第２の対象者の健康状態を前記第２の対象者の購買履歴から推定するための推定モデルを構築することと、
    前記第２の対象者の購買履歴を記述する対象データを取得することと、
    前記第２の対象者の健康状態を、前記対象データに記述される前記第２の対象者の購買履歴と前記推定モデルとに基づいて推定することと、
    を含む推定方法。

Images