JP2022113675A - 情報処理プログラム、情報処理方法、および情報処理システム - Google Patents
情報処理プログラム、情報処理方法、および情報処理システム Download PDFInfo
- Publication number
- JP2022113675A JP2022113675A JP2022037952A JP2022037952A JP2022113675A JP 2022113675 A JP2022113675 A JP 2022113675A JP 2022037952 A JP2022037952 A JP 2022037952A JP 2022037952 A JP2022037952 A JP 2022037952A JP 2022113675 A JP2022113675 A JP 2022113675A
- Authority
- JP
- Japan
- Prior art keywords
- data
- user
- passive
- web browser
- active
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 33
- 238000003672 processing method Methods 0.000 title description 3
- 230000009471 action Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 47
- 238000004458 analytical method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 12
- 238000000605 extraction Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008450 motivation Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】ユーザのウェブブラウザにおける行動履歴を用いて、効率的にウェブサービスの価値向上に資する情報を取得するシステムを提供する。【解決手段】本発明のプログラムは、プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、プロセッサに、ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理と、ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理と、ユーザ識別情報、アクティブデータ、およびパッシブデータを関連付ける処理と、を実行させるプログラム。【選択図】図3
Description
本開示は、情報処理プログラム、情報処理方法、および情報処理システムに関する。
近年、ウェブブラウザを介して各種のサービスを提供するウェブサービスが広く普及している。
これらのウェブサービスにおいて、ユーザのウェブブラウザにおける行動履歴を収集し、サービスの改善に資するシステムが提供されている。
これらのウェブサービスにおいて、ユーザのウェブブラウザにおける行動履歴を収集し、サービスの改善に資するシステムが提供されている。
例えば特許文献1には、ユーザの情報収集行動や購買行動などについての行動履歴データから、ユーザの行動指向を捉えるための情報を抽出するシステムが開示されている。
しかしながら、ユーザの行動指向をとらえた際に、これらのユーザがウェブサービスに対して疑問や不満等の課題を抱えているかどうかを分析するのは難易度が高い。
本開示では、ユーザのウェブブラウザにおける行動履歴を用いて、効率的にウェブサービスの価値向上に資する情報を取得するシステムを提供することを目的とする。
本開示のプログラムは、プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、プロセッサに、ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理と、ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理と、アクティブデータおよびパッシブデータを関連付ける処理と、を実行させるプログラム。
本開示の情報処理プログラム、情報処理方法、および情報処理システム1によれば、ユーザのウェブブラウザにおける行動履歴を用いて、効率的にウェブサービスの価値向上に資する情報を取得することができるシステムを提供する。
以下、図面を参照しながら、実施の形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された本開示の内容を不当に限定するものではない。また本実施形態で説明される構成の全てが、本開示の必須構成要件であるとは限らない。
(実施形態)
<概要>
本開示の情報処理システム1の実施形態の概要について説明する。
本実施形態に係る情報処理システム1は、ウェブサービスの品質向上に用いられる情報を提供する。具体的には、ウェブサービスのユーザが、どのような不満や疑問といった課題を抱えているのか、を効率的に把握するための情報を提供する。
<概要>
本開示の情報処理システム1の実施形態の概要について説明する。
本実施形態に係る情報処理システム1は、ウェブサービスの品質向上に用いられる情報を提供する。具体的には、ウェブサービスのユーザが、どのような不満や疑問といった課題を抱えているのか、を効率的に把握するための情報を提供する。
ところで、ウェブサービスのユーザは、ウェブブラウザ上に設けられたチャットボットから問い合わせをし、又は問い合わせフォームに不満を書き込むことで、自身の抱える課題の解消を図ることがある。このような場合には、ユーザがどのような課題を抱えているのかを一義的に把握しやすい。
一般に、ユーザ全体の中で、このように直接的に自身の抱える課題を提示するユーザの割合は少ない。以下の説明では、このように直接的に自身の抱える課題を提示するユーザを、アクティブカスタマーと呼ぶ。
一方、なんらかの課題を抱えているユーザには、問い合わせ等の明示的に課題を提示する手段を行うことなく、自身で例えばQ&Aの説明欄を確認する等の操作を行い、自身が抱える課題を解消するものもいる。
一般に、ユーザ全体の中で、このように直接的に自身の抱える課題を提示しないユーザの割合は多い。以下の説明では、このように明示的に自身の抱える課題を提示しないユーザを、サイレントカスタマーと呼ぶ。
サイレントカスタマーが、どのような課題を抱え、どの程度存在しているのか、を把握することは、サービス価値の向上を目指すうえで重要である。
本実施形態に係る情報処理システム1は、アクティブカスタマーから提示された課題と、サイレントカスタマーの行動履歴と、を用いて、効率的にサービス向上に資する情報を取得する。
本実施形態に係る情報処理システム1は、アクティブカスタマーから提示された課題と、サイレントカスタマーの行動履歴と、を用いて、効率的にサービス向上に資する情報を取得する。
<システム構成>
まず、図1を用いて本実施形態に係る情報処理システム1の構成について説明する。図1は、本実施形態に係る情報処理システム1の構成例を表すブロック図である。図1に示される情報処理システム1は、サーバ装置10、管理者端末20、及びユーザ端末30を備える。サーバ装置10、管理者端末20、及びユーザ端末30は、例えば、インターネット、及び/又は通信事業者が提供する通信網等のネットワークNWを介して接続されている。
まず、図1を用いて本実施形態に係る情報処理システム1の構成について説明する。図1は、本実施形態に係る情報処理システム1の構成例を表すブロック図である。図1に示される情報処理システム1は、サーバ装置10、管理者端末20、及びユーザ端末30を備える。サーバ装置10、管理者端末20、及びユーザ端末30は、例えば、インターネット、及び/又は通信事業者が提供する通信網等のネットワークNWを介して接続されている。
サーバ装置10は、ユーザ端末30を介してユーザから問い合わせられる質問に対し、検索クエリを分類するチャットボットを用いて返答する機能を有する。なお、本実施形態では、チャットボットの機能を有する構成を例に挙げて説明するが、この限りではない。すなわち、情報処理システム1は、チャットボットとしての機能を有さなくてもよい。
サーバ装置10は、コンピュータ、及びメインフレーム等により実現される。なお、サーバ装置10は、1台のコンピュータにより実現されてもよいし、複数台のコンピュータが組み合わされて実現されてもよい。
サーバ装置10は、コンピュータ、及びメインフレーム等により実現される。なお、サーバ装置10は、1台のコンピュータにより実現されてもよいし、複数台のコンピュータが組み合わされて実現されてもよい。
管理者端末20は、サーバ装置10を管理するための端末であり、情報処理装置の一例である。管理者端末20は、ユーザからの質問、およびユーザの行動履歴に基づいて、ユーザが抱える課題を推定する。
管理者端末20は、情報処理システム1を用いたサービスを提供するサービス提供者が所有する、コンピュータ等により実現される。
管理者端末20は、インターネット、LAN(Local Area Network)等のネットワークを介してサーバ装置10に接続可能である。管理者端末20とサーバ装置10との間の接続は、有線でもよいし無線でもよい。
管理者端末20は、情報処理システム1を用いたサービスを提供するサービス提供者が所有する、コンピュータ等により実現される。
管理者端末20は、インターネット、LAN(Local Area Network)等のネットワークを介してサーバ装置10に接続可能である。管理者端末20とサーバ装置10との間の接続は、有線でもよいし無線でもよい。
ユーザ端末30は、情報処理システム1を用いたサービスを利用するユーザが使用する端末である。ユーザは、ユーザ端末30を介してサーバ装置10にして各種の質問を入力する。
ユーザ端末30は、入力された質問に対するサーバ装置10からの返信をディスプレイに表示する。ユーザ端末30は、例えば、スマートフォン、コンピュータ、又はヘッドマウントディスプレイ等の装置により実現される。
ユーザ端末30は、入力された質問に対するサーバ装置10からの返信をディスプレイに表示する。ユーザ端末30は、例えば、スマートフォン、コンピュータ、又はヘッドマウントディスプレイ等の装置により実現される。
ユーザ端末30は、例えば、サーバ装置10、又は別途サーバ(不図示)が提供する動作環境(API(Application Programing Interface)、プラットフォーム等)を利用してサーバ装置10にアクセスする。また、ユーザ端末30は、インストールされた専用のアプリケーションソフトウェアによってサーバ装置10にアクセスしてもよい。ユーザ端末30とサーバ装置10との間の接続は、有線でもよいし無線でもよい。
<サーバ装置の構成>
次に、サーバ装置10及び管理者端末20の構成について説明する。図2は、図1に示されるサーバ装置10の機能構成の例を示すブロック図である。
次に、サーバ装置10及び管理者端末20の構成について説明する。図2は、図1に示されるサーバ装置10の機能構成の例を示すブロック図である。
図2に示すように、サーバ装置10は、例えば、処理部11、記憶部12、及び通信インタフェース13を備える。処理部11、記憶部12、及び通信インタフェース13は、例えば、バスを介して互いに通信可能に接続されている。
処理部11は、例えば、プロセッサであり、CPU(Central Processing Unit)、CPUが処理を実行する際に用いるメモリを備える。メモリは、いわゆる主記憶装置であり、例えば、DRAM(Dynamic Random Access Memory)等により構成される。
CPUは、例えば、記憶部12に記憶されているプログラムをメモリに読み込む。CPUは、メモリに読み込まれたプログラムを実行する。これにより、処理部11は、プログラムに対応する種々の機能を実現する。
CPUは、例えば、記憶部12に記憶されているプログラムをメモリに読み込む。CPUは、メモリに読み込まれたプログラムを実行する。これにより、処理部11は、プログラムに対応する種々の機能を実現する。
記憶部12は、種々の情報を記憶するHDD(hard disk drive)、又はSSD(solid state drive)等の不揮発性の記憶回路を備える、いわゆる補助記憶装置である。なお、記憶部12は、CD-ROM、DVD、及びフラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。また、記憶部12は、必ずしも単独の回路により実現されなくてもよい。記憶部12は、例えば、複数の記憶回路により実現されてもよい。
記憶部12は、ユーザとの対話処理に係るプログラム(図示せず)を記憶している。プログラムは、例えば、記憶部12に予め記憶されていてもよい。また、例えば、非一過性の記憶媒体に記憶されて配布され、非一過性の記憶媒体から読み出されて記憶部12にインストールされてもよい。
記憶部12は、例えば、機械学習により生成された学習済みモデル122を記憶している。学習済みモデル122は、検索クエリを分類するチャットボットを実現するためのモデルである。学習済みモデル122は、例えば、該当するサービスの提供が開始される前であれば、いつ記憶部12に記憶されても構わない。
学習済みモデル122は、学習用データに基づき、モデル学習プログラムに従って機械学習モデルに機械学習を行わせることにより得られる。本実施形態において、学習済みモデル122は、例えば、入力される質問に対し、所定の回答を出力するように学習されている。このとき、学習用データは、例えば、質問パターンを入力データとし、この質問パターンに対する回答パターンを正解出力データとする。
本実施形態に係る機械学習モデルは、例えば、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数、及びパラメータの組合せにより定義される。本実施形態に係る機械学習モデルは、上記の要請を満たす如何なるパラメータ付き合成関数であってもよいが、多層のネットワークモデル(以下、多層化ネットワークと呼ぶ)であるとする。多層化ネットワークを用いる学習済みモデル122は、質問を入力する入力層と、質問に対する回答を出力する出力層と、入力層と出力層との間に設けられる少なくとも1層の中間層あるいは隠れ層とを有する。学習済みモデル122は、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される。
本実施形態に係る多層化ネットワークとしては、例えば、深層学習(Deep Learning)の対象となる多層ニューラルネットワークである深層ニューラルネットワーク(Deep Neural Network:DNN)が用いられ得る。DNNとしては、例えば、画像を対象とする畳み込みニューラルネットワーク(Convolution Neural Network:CNN)を用いてもよい。また、自然言語を対象とする自己注意機構付きネットワークを用いてもよい。
また、記憶部12は、ユーザ端末30から入力された質問文をログデータ121として記憶している。また、記憶部12は、種々の会話を想定した会話カード123を記憶している。各会話カード123には、会話の種類に応じた複数の質問パターン1231と、回答パターン1232とが記憶されている。
通信インタフェース13は、例えば、ネットワークと接続する回路により実現される。通信インタフェース13は、ネットワークを介し、管理者端末20のうち少なくともいずれかと通信する。
図2に示される処理部11は、例えば、ユーザとの対話処理に係るプログラムを実行することで、例えば、以下のように動作する。すなわち、処理部11は、記憶部12に記憶されている学習済みモデル122を用い、ユーザからの質問に対し対話形式で回答する。
具体的には、例えば、処理部11は、ユーザ端末30から送信される質問文を取得する。質問文は、自然文の形式で取得することが可能である。自然文の形式で質問を可能とすることにより、ユーザは人に問合せているのと同じような感覚で簡単に問合せを行うことが可能となる。なお、キーワード等を示す単語を取得してもよい。
処理部11は、取得した質問文を学習済みモデル122に入力する。学習済みモデル122では、入力された質問文と類似する質問パターン1231の群が抽出される。類似する質問パターン1231の群は、例えば、類似度に基づいて抽出される。例えば、取得した質問文と記憶部12に記憶されている質問パターン1231とが比較され、質問文と質問パターンとの類似度が算出される。質問文と質問パターンとの類似度には、質問文と、同じ回答パターンに対応する質問パターンの集合である質問パターン群との類似度が含まれてもよい。また、質問文と質問パターンとの類似度には、質問文と、質問パターンを元にした関数との類似度が含まれてもよい。また、質問文と質問パターンとの類似度には、質問文と、質問パターンを元にしたカテゴリとの類似度が含まれてもよい。
類似度は、例えば、自然言語処理を用いて算出される。具体的には、質問文と質問パターンとのキーワードをそれぞれ抽出しておき、キーワードの一致度をキーワード毎の重み等も用いて類似度としてもよい。他にも、質問文と質問パターンとをそれぞれベクトル化し、コサイン類似度を用いて類似度を算出してもよい。
学習済みモデル122からは、抽出した質問パターン1231の群に基づき、回答パターン1232と紐づけられた会話カード123の識別番号と、この出力の確信度とが出力される。処理部11は、出力された回答をユーザ端末30へ送信する。処理部11は、入力された質問文をログデータ121として記憶部12に記憶する。
質問文と質問パターン1231との類似度を算出するに際して、ユーザ及び/又は管理者が入力した質問パターンを学習用データの候補として機械学習をさせることにより、類似度算出のためのパラメータを更新してもよい。このような機械学習を行うことにより、ユーザの意図にあった回答パターンを提示する精度を向上させることが可能となる。
なお、サーバ装置10は、入力インタフェースを有していてもよい。入力インタフェースは、例えば、マウス、キーボード、及び、操作面へ触れることで指示が入力されるタッチパネル等により実現される。入力インタフェースは、操作者からの入力指示を電気信号へ変換し、電気信号を処理部11へ出力する。なお、入力インタフェースは、マウス、及びキーボード等の物理的な操作デバイスに限定されない。入力インタフェースには、例えば、外部の入力機器から入力される電気信号を受け付ける受信ポートが含まれてもよい。
また、サーバ装置10は、出力インタフェースを有していてもよい。出力インタフェースは、例えば、表示機器、及び印刷機器等により実現される。表示機器としては、例えば、液晶ディスプレイ、有機ELディスプレイ、LEDディスプレイ、プラズマディスプレイ、及びCRTディスプレイ等、任意のディスプレイが利用可能である。
表示機器は、画像データに基づく画像等を表示する。印刷機器は、例えば、プリンタである。印刷機器は、通信に関する所定の情報を所定用紙に印刷する。
なお、出力インタフェースは、表示機器、及び印刷機器等の物理的な出力装置に限定されない。出力インタフェースには、例えば、外部の出力装置へ画像データを送信する送信ポートが含まれてもよい。
なお、出力インタフェースは、表示機器、及び印刷機器等の物理的な出力装置に限定されない。出力インタフェースには、例えば、外部の出力装置へ画像データを送信する送信ポートが含まれてもよい。
図3は、図1に示される管理者端末20の機能構成の例を示すブロック図である。
図3に示される管理者端末20は、例えば、処理部21、記憶部22、入力インタフェース23、出力インタフェース24、及び通信インタフェース25を備える。なお、図1で示される管理者端末20の構成はそれぞれ同様である。
図3に示される管理者端末20は、例えば、処理部21、記憶部22、入力インタフェース23、出力インタフェース24、及び通信インタフェース25を備える。なお、図1で示される管理者端末20の構成はそれぞれ同様である。
処理部21は、管理者端末20の中枢として機能するプロセッサである。処理部21は、例えば、CPU、CPUが処理を実行する際に用いるメモリを備える。CPUは、例えば、記憶部22に記憶されているプログラムをメモリに読み込む。CPUは、メモリに読み込まれたプログラムを実行する。これにより、処理部21は、プログラムに対応する種々の機能を実現する。
記憶部22は、種々の情報を記憶するHDD、又はSSD等の不揮発性の記憶回路を備える、いわゆる補助記憶装置である。なお、記憶部22は、CD-ROM、DVD、及びフラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。
記憶部22は、本実施形態に係るプログラム、例えば、データ分析プログラム221を記憶している。なお、データ分析プログラム221は、例えば、不図示の所定のサーバからダウンロードされ、記憶部22にインストールされる。
入力インタフェース23は、例えば、マウス、キーボード、操作面へ触れることで指示が入力されるタッチパネル、又は音声を入力するマイク等により実現される。入力インタフェース23は、ユーザからの入力指示を電気信号へ変換し、電気信号を処理部21へ出力する。
出力インタフェース24は、例えば、表示機器、印刷機器、又はスピーカにより実現される。表示機器としては、例えば、液晶ディスプレイ、及び有機ELディスプレイ等である。表示機器は、例えば、サーバ装置10との間で行われるチャット(対話)の画像を表示する。スピーカは、例えば、サーバ装置10との間で行われるチャット(対話)についての音声を再生する。
通信インタフェース25は、例えば、ネットワークと接続する回路により実現される。通信インタフェース25は、ネットワークを介し、サーバ装置10と通信する。
図3に示される処理部21は、記憶部22に記憶されているデータ分析プログラム221を実行することで、当該プログラムに対応する機能を実現する。例えば、処理部21は、データ分析プログラム221を実行することで、取得部211、抽出部212、分類部213、分析部214、及び提示部215としての機能を実現する。
取得部211は、サーバ装置10の記憶部12に記憶されているログデータ121を取得する。例えば、取得部211は、所定のタイミング(時間、日、曜日等)、又は管理者からの指示に従い、記憶部12に記憶されているログデータ121を取得する。取得部211は、例えば、先に取得してから現在までに記憶部12に新たに蓄積された質問文を取得する。
また、取得部211は、例えば、管理者により指定された質問文を記憶部2212から取得するようにしてもよい。以下の説明において、質問文のように、ユーザからテキストデータに変換可能な形式で直接入力された情報を、アクティブデータと呼ぶ。
取得部211が取得するアクティブデータには、前述した質問文の他、ユーザから問い合わせフォームに入力されたクレームに関する情報、有人チャットに入力された情報、電話オペレーションでのやり取りをテキスト化した情報、および検索フォームに入力されたクエリに関する情報等が含まれる。また、アクティブデータとしては、前述したようなユーザから能動的に入力された情報に限られず、任意参加のアンケートへの回答のように、ユーザから受動的に入力された情報も含まれる。
取得部211は、取得したアクティブデータを、ユーザを識別するユーザ識別情報と紐づけた状態で記憶部22に記憶させる。
取得部211が取得するアクティブデータには、前述した質問文の他、ユーザから問い合わせフォームに入力されたクレームに関する情報、有人チャットに入力された情報、電話オペレーションでのやり取りをテキスト化した情報、および検索フォームに入力されたクエリに関する情報等が含まれる。また、アクティブデータとしては、前述したようなユーザから能動的に入力された情報に限られず、任意参加のアンケートへの回答のように、ユーザから受動的に入力された情報も含まれる。
取得部211は、取得したアクティブデータを、ユーザを識別するユーザ識別情報と紐づけた状態で記憶部22に記憶させる。
また、取得部211は、ログデータとして、ユーザのウェブブラウザにおいて、ユーザが閲覧した画面のアドレスに関する情報、および画面をスクロールした情報を、ユーザが操作した時間に関する情報とともに取得する。なお、ウェブブラウザには、アプリケーションソフト上のページも含まれる。これらの情報を取得することで、ユーザがいつ、どのような画面操作を行ったのかを把握することができる。以下の説明において、このようなユーザの行動履歴に関する情報のうち、自然言語としてのテキストデータに変換できないデータを、パッシブデータと呼ぶ。取得部211が取得するパッシブデータには、ユーザが行った操作を示す全てのログデータが含まれる。例えば、ウェブブラウジング(ページ遷移、滞在時間)の時系列データであり、具体的にはURL情報、スクロール箇所に関する情報、およびこれらの時系列における遷移に関する情報等である。
このようにして、取得部211は、記憶部22に行動履歴データベース222を作成する。図4を用いて行動履歴データベース222について説明する。図4は、行動履歴データベース222のデータ構造の一例を示す図である。
図4に示すように、行動履歴データベース222では、取得部211が取得したユーザ識別情報(ユーザID)、アクティブデータ、およびパッシブデータが関連付けて記憶されている。また、行動履歴データベース222は、当該行動が行われた日時に関する情報を含んでいる。このように、一人のユーザは複数のアクティブデータとパッシブデータを生成する。それら全てのデータが、後述するクラスタリングにおける入力データとされる。
行動履歴データベース222では、例えばユーザが問い合わせフォームに問い合わせを行った場合には、アクティブデータとして、実際に入力されたテキスト情報が記憶されている。また、パッシブデータとしては、入力に伴う操作に関するログデータが記憶されている。
一方、例えば、ユーザがサイト内のQ&A欄を確認するなどして、課題の解決を図った場合には、アクティブデータは記憶されず、Q&A欄を確認した操作に関するログデータが、パッシブデータとして記憶されている。
一方、例えば、ユーザがサイト内のQ&A欄を確認するなどして、課題の解決を図った場合には、アクティブデータは記憶されず、Q&A欄を確認した操作に関するログデータが、パッシブデータとして記憶されている。
図5は、実際にチャットボットとユーザとのやり取りの一例を示す図である。
行動履歴データベース222には、実際にチャットボットとのやり取りがあった場合には、ユーザの入力したテキスト情報、およびチャットボットが回答した情報をアクティブデータとして記憶することができる。
また、行動履歴データベース222ベースには、チャットボットとのやり取りの操作に関するログ情報を、パッシブデータとして記憶することができる。
行動履歴データベース222には、実際にチャットボットとのやり取りがあった場合には、ユーザの入力したテキスト情報、およびチャットボットが回答した情報をアクティブデータとして記憶することができる。
また、行動履歴データベース222ベースには、チャットボットとのやり取りの操作に関するログ情報を、パッシブデータとして記憶することができる。
図3に示す抽出部212は、アクティブデータの特徴量を抽出する。抽出部212は、アクティブデータに含まれるキーワードを抽出し、キーワードの一致度をキーワード毎の重み等も用いて特徴量を抽出してもよい。他にも、抽出部212は、アクティブデータを表すテキスト情報をベクトル化し、コサイン類似度を用いて特徴量を抽出してもよい。
分類部213は、抽出したアクティブデータの特徴量に基づいて、記憶部22に記憶された複数のアクティブデータを分類(クラスタリング)する。分類部213は、特徴量の類似度に応じて、複数のアクティブデータを複数のクラスタに分類し、後述するクラスタリングデータベース223を作成する。複数のクラスタとしては、例えば、ログイン方法の問い合わせに関するアクティブデータのクラスタ、解約方法の問い合わせに関するアクティブデータのクラスタ、ユーザ情報の変更方法の問い合わせに関するアクティブデータのクラスタ、等である。
分類部213はさらに、分類したクラスタに対して、トレンドの順位を特定する。ここで、トレンドとは、分類されたデータのクラスタのうち、評価時期(期間)において、件数の多いクラスタを指す。すなわち、評価時期(期間)において、多くのユーザが行っている行動を示す。
抽出部212は、パッシブデータの特徴量を抽出する。抽出部212は、パッシブデータに含まれる操作内容を抽出し、操作内容の一致度を用いて特徴量を抽出してもよい。他にも、抽出部212は、アクティブデータを表すログ情報をベクトル化し、コサイン類似度を用いて特徴量を抽出してもよい。
分類部213は、抽出したパッシブデータの特徴量に基づいて、記憶部22に記憶された複数のパッシブデータを分類する。分類部213は、特徴量の類似度に応じて、複数のパッシブデータを複数のクラスタに分類し、後述するクラスタリングデータベース223を作成する。複数のクラスタとしては、例えば、ログイン方法の問い合わせに関するパッシブデータのクラスタ、解約方法の問い合わせに関するパッシブデータのクラスタ、ユーザ情報の変更方法の問い合わせに関するアクティブデータのクラスタ、等である。
分類部213は、アクティブデータおよびパッシブデータそれぞれに対して行ったクラウスタリングの結果を、クラスタリングデータベース223に記憶することで、アクティブデータとパッシブデータの関連付けを行う。
分類部213は、アクティブデータおよびパッシブデータそれぞれに対して行ったクラウスタリングの結果を、クラスタリングデータベース223に記憶することで、アクティブデータとパッシブデータの関連付けを行う。
図6は、分類部213が作成するクラスタリングデータベース223のデータ構造の一例を示す図である。
図6に示すように、アクティブデータとパッシブデータは、それぞれのクラスタが対応するように分類されている。例えば、図4に示す行動履歴データベース222において、解約方法に関する課題を抱えるユーザのうち、Q&Aを確認した後に、チャットボットに問い合わせを行う場合には、パッシブデータとアクティブデータが記憶されている。
図6に示すように、アクティブデータとパッシブデータは、それぞれのクラスタが対応するように分類されている。例えば、図4に示す行動履歴データベース222において、解約方法に関する課題を抱えるユーザのうち、Q&Aを確認した後に、チャットボットに問い合わせを行う場合には、パッシブデータとアクティブデータが記憶されている。
一方、同じ課題を抱える他のユーザが、Q&Aを確認するだけで解決した場合には、パッシブデータのみが行動履歴データベース222として記憶される。このような場合には、Q&Aの確認に関する操作ログが共通するため、アクティブデータと対応するパッシブデータとして、分類することができる。
図6に示すクラスタリングデータベース223では、それぞれのクラスタごとの件数と、トレンド順位が記憶されている。例えば、アクティブデータにおけるトレンド順位が1位であるクラスタA1は、対応するパッシブデータのクラスタP2は、パッシブデータのトレンド順位が2位となっている。このため、アクティブカスタマーだけを見ると、クラスタA1の「解約方法に関する問い合わせ」が最も多いように見受けられるが、サイレントカスタマーも考慮すると、クラスタA2の「ログイン情報に関する問い合わせ」に関する課題を抱えているユーザが最も多いことが確認できる。
一方、図6に示すクラスタリングデータベース223において、パッシブデータとしてのトレンド順位が2位であるクラスタP5では、パッシブデータの件数は多く確認されているが、それがどのような課題を抱えるユーザによるものなのか、パッシブデータを見るだけでは把握できない。そこで、対応するアクティブデータのクラスタA5を確認すると、「操作方法に関する問い合わせ」であることが確認できる。このような場合には、一定数のユーザが操作方法に関して課題を抱えているが、実際に問い合わせることなく解決していることが確認できる。
図3に示す分析部214は、アクティブデータとパッシブデータを対比して、前述した分析を行う。具体的には、分析部214は、アクティブデータに関連性の高いパッシブデータを特定し、特定されたパッシブデータに対応するユーザの数量を集計し、当該アクティブデータが示す課題を抱えるユーザ全体の規模を推定する。詳細については後述する。
また、分析部214は、注目すべきパッシブデータ群(クラスタ)を特定し、それらと関連性の高いアクティブデータを特定し、特定されたアクティブデータから、パッシブデータ群が示すユーザが抱える課題を推定する。詳細については後述する。
また、分析部214は、ユーザの操作から取得した、ユーザの操作内容を示すログデータに対して、関連性の高いアクティブデータを特定し、特定されたアクティブデータから、ユーザが抱える課題を推定する。詳細については後述する。
提示部215は、分析部214が分析した情報を、管理者端末20に表示させる。
また、提示部215は、分析部214が分析したユーザが抱える課題について、その解決手段をリアルタイムで、ユーザのウェブブラウザに表示させる。
また、提示部215は、分析部214が分析したユーザが抱える課題について、その解決手段をリアルタイムで、ユーザのウェブブラウザに表示させる。
<制御処理>
次に、本実施形態に係る情報処理システム1の制御処理について説明する。
図7は、情報処理システム1の処理の全体を説明する図である。
図7に示すように、まず、取得部211が操作を行ったユーザIDを取得する(ステップS11)。
次に、本実施形態に係る情報処理システム1の制御処理について説明する。
図7は、情報処理システム1の処理の全体を説明する図である。
図7に示すように、まず、取得部211が操作を行ったユーザIDを取得する(ステップS11)。
ステップS11の後に、取得部211は、アクティブデータを取得する(ステップS12)。この際、取得部211は、アクティブデータが示す操作が行われた日時を示す日時情報を併せて取得する。
ステップS12の後に、取得部211は、パッシブデータを取得する(ステップS13)。この際、取得部211は、パッシブデータが示す操作が行われた日時を示す日時情報を併せて取得する。
ステップS13の後に、取得部211は、取得したアクティブデータおよびパッシブデータを日時情報とともに、ユーザIDと関連付けた状態で、行動履歴データベース222の新たなレコードとして、記憶部22に記憶させる。これにより、行動履歴データベース222が生成される(ステップS14)。
ステップS14の後に、処理部21は、行動履歴データベース222に含まれるアクティブデータとパッシブデータを分析する(ステップS15)。この処理について、以下に詳述する。
図8は、データ分析処理(ステップS15)の概要を説明する図である。
図8に示すように、データ分析処理では、まず、処理部21が、アクティブデータのクラスタリングを行う(ステップS151)
ステップS151の後に、処理部21が、パッシブデータのクラスタリングを行う(ステップS152)。
最後に、処理部21が、アクティブデータとパッシブデータを対比する(ステップS153)
これらの処理の詳細について、以下に説明する。
図8に示すように、データ分析処理では、まず、処理部21が、アクティブデータのクラスタリングを行う(ステップS151)
ステップS151の後に、処理部21が、パッシブデータのクラスタリングを行う(ステップS152)。
最後に、処理部21が、アクティブデータとパッシブデータを対比する(ステップS153)
これらの処理の詳細について、以下に説明する。
図9は、アクティブデータのクラスタリング処理(ステップS151)を説明する図である。
図9に示すように、ステップS151では、まず、抽出部212が、行動履歴データベース222に含まれる複数のアクティブデータの特徴量を抽出する(ステップS1511)。
図9に示すように、ステップS151では、まず、抽出部212が、行動履歴データベース222に含まれる複数のアクティブデータの特徴量を抽出する(ステップS1511)。
次に、分類部213は、特徴量の類似度に基づいて、アクティブデータのクラスタリングを行う(ステップS1512)。この際、分類部213は、各クラスタに含まれるアクティブデータの件数を算出し、クラスタリングデータベース223の新たなレコードとして、記憶部22に記憶させる。
次に、分類部213は、アクティブデータのトレンドを特定する。この際、分類部213は、アクティブデータの各クラスタに含まれるアクティブデータの件数を参照して、トレンドの順位を各クラスタに付与する(ステップS1523)。これにより、ステップS151が終了する。
図10は、パッシブデータのクラスタリング処理(ステップS152)を説明する図である。
図10に示すように、ステップS152では、まず、抽出部212が、行動履歴データベース222に含まれる複数のパッシブデータの特徴量を抽出する(ステップS1521)。
図10に示すように、ステップS152では、まず、抽出部212が、行動履歴データベース222に含まれる複数のパッシブデータの特徴量を抽出する(ステップS1521)。
次に、分類部213は、特徴量の類似度に基づいて、パッシブデータのクラスタリングを行う(ステップS1522)。この際、分類部213は、各クラスタに含まれるパッシブデータの件数を算出し、クラスタリングデータベース223の新たなレコードとして、記憶部22に記憶させる。
次に、分類部213は、パッシブデータのトレンドを特定する。この際、分類部213は、パッシブデータの各クラスタに含まれるパッシブデータの件数を参照して、トレンドの順位を各クラスタに付与する(ステップS1523)。これにより、ステップS152が終了する。
次に、アクティブデータとパッシブデータの対比処理ステップS153について説明する。図11は対比処理の第1例を説明する図である。
図11に示すように、対比処理の第1例では、分析部214が、クラスタリングデータベース223を参照して、件数の多いアクティブデータ群(クラスタ)を特定する(ステップS1531)。
図11に示すように、対比処理の第1例では、分析部214が、クラスタリングデータベース223を参照して、件数の多いアクティブデータ群(クラスタ)を特定する(ステップS1531)。
ステップS1531の後に、分析部214が、特定されたアクティブデータ群(クラスタ)と対応するパッシブデータ群を特定する(ステップS1532)。
ステップS1532の後に、分析部214が、特定されたパッシブデータ群の件数を確認する(ステップS1533)。
ステップS1532の後に、分析部214が、特定されたパッシブデータ群の件数を確認する(ステップS1533)。
ステップS1533の後に、分析部214が、対応するアクティブデータが示す課題を抱えるユーザの規模を推定する。このような分析処理により、例えば図6に示すクラスタリングデータベース223において、アクティブデータのトレンド1位のクラスタA1が、対応するパッシブデータを参照することで、トレンド3位であることを確認することができる。
図132は対比処理の第2例を示す図である。
図13に示すように、対比処理の第2例では、分析部214が、クラスタリングデータベース223を参照して、注目すべきパッシブデータ群を特定する(ステップS1535)。注目すべきパッシブデータ群とは、例えば、件数の多い又は急増しているパッシブデータ群である。なお、件数の多寡に限られず、管理者の主観に基づいて、注目すべきパッシブデータ群を任意に設定してもよい。
ステップS1535の後に、分析部214が、特定されたパッシブデータ群と対応するアクティブデータ群を特定する(ステップS1536)。
図13に示すように、対比処理の第2例では、分析部214が、クラスタリングデータベース223を参照して、注目すべきパッシブデータ群を特定する(ステップS1535)。注目すべきパッシブデータ群とは、例えば、件数の多い又は急増しているパッシブデータ群である。なお、件数の多寡に限られず、管理者の主観に基づいて、注目すべきパッシブデータ群を任意に設定してもよい。
ステップS1535の後に、分析部214が、特定されたパッシブデータ群と対応するアクティブデータ群を特定する(ステップS1536)。
ステップS1536の後に、分析部214が、クラスタリングデータベース223を参照し、特定されたアクティブデータが示すユーザが抱える課題を特定する(ステップS1537)。
ステップS1537の後に、分析部214が、対応するパッシブデータが示すユーザが抱える課題を推定する。
ステップS1537の後に、分析部214が、対応するパッシブデータが示すユーザが抱える課題を推定する。
このような分析処理により、例えば図6に示すクラスタリングデータベース223において、パッシブデータのトレンド1位のクラスタP2が、対応するアクティブデータを参照することで、ログイン情報に関する問い合わせに課題を抱えるユーザによる操作であることが確認できる。
図13は対比処理の第3例を示す図である。
対比処理の第3例では、分析部214が、取得部211がユーザから取得した操作情報を受け付ける(ステップS1541)。
次に、分析部214が、操作情報をパッシブデータとしてクラスタリングを行う(ステップS1542)。これにより、取得した操作情報が所属するクラスタが特定される。
対比処理の第3例では、分析部214が、取得部211がユーザから取得した操作情報を受け付ける(ステップS1541)。
次に、分析部214が、操作情報をパッシブデータとしてクラスタリングを行う(ステップS1542)。これにより、取得した操作情報が所属するクラスタが特定される。
ステップS1542の後に、分析部214が、クラスタリングデータベース223を参照して、パッシブデータのクラスタと対応するアクティブデータのクラスタを確認し、ユーザが抱える課題を推定する(ステップS1543)。
ステップS1544の後に、提示部215が、リアルタイムで解決手段をユーザに対して提示する(ステップS1544)。この際、分析部214は、サーバ装置10に記憶されている会話カードを参照して、ユーザが抱える課題に対する解決手段を特定する。そして、特定された解決手段を提示部215がユーザ端末30に表示させる。
以上説明したように、本実施形態に係る情報処理システム1によれば、ユーザ識別情報、アクティブデータ、およびパッシブデータを、互いに関連付けられた情報として得ることができる。このため、これらの分析を行うことで、ユーザのウェブブラウザにおける行動履歴を用いて、効率的にウェブサービスの価値向上に資する情報を取得することができる。
例えば、アクティブデータに関連性の高いパッシブデータを特定し、特定されたパッシブデータに対応するユーザの数量を集計することで、当該アクティブデータが示す課題を抱えるユーザ全体の規模を推定することができる。
これにより、アクティブカスタマーの数量が多い場合に、サイレントカスタマーも含めたユーザ全体において、同様の課題を抱えるユーザがどの程度いるのかを推定することができる。この情報を用いれば、システムについて優先的に改善すべき箇所を適切に見極めることができる。
これにより、アクティブカスタマーの数量が多い場合に、サイレントカスタマーも含めたユーザ全体において、同様の課題を抱えるユーザがどの程度いるのかを推定することができる。この情報を用いれば、システムについて優先的に改善すべき箇所を適切に見極めることができる。
また、件数の多いパッシブデータ群を特定し、それらと関連性の高いアクティブデータを特定することで、特定されたアクティブデータから、パッシブデータ群が示すユーザが抱える課題を推定することができる。
これにより、同様の操作を行っているユーザが多数確認された場合に、どのような課題を抱えているのかを適切に把握することができる。
これにより、同様の操作を行っているユーザが多数確認された場合に、どのような課題を抱えているのかを適切に把握することができる。
また、ユーザの操作から取得した、ユーザの操作内容を示すログデータに対して、関連性の高いアクティブデータを特定する。そして、特定されたアクティブデータから、ユーザが抱える課題を推定し、その解決手段をリアルタイムで、ユーザのウェブブラウザに表示する処理を実行することができる。これにより、操作中のユーザに対して、適切に解決手段を提供することで、ユーザの利便性を向上することができる。
また、互いに関連付けられたアクティブデータおよびパッシブデータは、それぞれの抽出された特徴量の類似度に基づいて、クラスタリングされる。このため、取得されたデータを分類することで、その後の分析に活用することができる。
また、クラスタリングされたアクティブデータおよびパッシブデータには、クラスタ毎に評価期間における件数に応じて順位が付与される。このため、評価期間におけるトレンドを正確に把握して、システムの改善箇所について、適切な優先順位をつけることができる。
(変形例)
上述の実施例においては、分類部213がアクティブデータとパッシブデータのクラスタリングを行うことで関連付けを行う方法を説明したが、その方法に限らず、確率密度分布を算出した関連付けを行ってもよい。すなわち、アクティブデータの特徴量の確率密度分布と、パッシブデータの特徴量の確率密度分布との密度比を推定し、推定した密度比を利用し、アクティブデータとパッシブデータの対応関係を推定してもよい。
上述の実施例においては、分類部213がアクティブデータとパッシブデータのクラスタリングを行うことで関連付けを行う方法を説明したが、その方法に限らず、確率密度分布を算出した関連付けを行ってもよい。すなわち、アクティブデータの特徴量の確率密度分布と、パッシブデータの特徴量の確率密度分布との密度比を推定し、推定した密度比を利用し、アクティブデータとパッシブデータの対応関係を推定してもよい。
また、アクティブデータおよびパッシブデータのうちのいずれか一方のみを先にクラスタリングを行い、ユーザIDを用いてもう一方の情報群を抽出し、そのクラスタを作る処理であってもよい。
具体的には、変形例1として、サイレントカスタマーを含めた同一課題を抱えるユーザの規模を推定する場合には、まず、類似性の高く件数が多いアクティブデータのうち、あるユーザ(アクティブカスタマー)のアクティブデータのクラスタリングを行う。次に、同じユーザにおけるパッシブデータのクラスタリングを行うことで、アクティブデータと対応するパッシブデータのクラスタを特定する。そして、ユーザ全てのパッシブデータのうち、特定されたクラスタに属するデータの件数を把握することで、サイレントカスタマーを含めた同一課題を抱えるユーザの規模を推定することができる。
また、別の方法として、アクティブデータのクラスタリングを行い、特定のクラスタに属するアクティブカスタマーのパッシブデータの特徴量を抽出し、当該パッシブデータの特徴量と同じ特徴を有するパッシブデータのサイレントカスタマーのユーザ数を把握することで、サイレントカスタマーを含めた同一課題を抱えるユーザの規模を推定することができる。
また、別の方法として、アクティブデータのクラスタリングを行い、特定のクラスタに属するアクティブカスタマーのパッシブデータの特徴量を抽出し、当該パッシブデータの特徴量と同じ特徴を有するパッシブデータのサイレントカスタマーのユーザ数を把握することで、サイレントカスタマーを含めた同一課題を抱えるユーザの規模を推定することができる。
次に、変形例2として、サイレントカスタマーの行動履歴から、これらのユーザが抱える課題を把握する場合には、まず、あるユーザ(サイレントカスタマー)のパッシブデータのクラスタリングを行う。次に、パッシブデータのクラスタが同一であり、アクティブデータを有するユーザにおけるアクティブデータのクラスタリングを行うことで、パッシブデータと対応するアクティブデータのクラスタを作成する。このアクティブデータが抱える課題を確認することで、対応するパッシブデータについて、ユーザが抱える課題を把握することができる。
また、別の方法として、パッシブデータのクラスタリングを行い、特定のクラスタに属するユーザのうちアクティブカスタマーのアクティブデータを確認することで、対応するパッシブデータについて、ユーザが抱える課題を把握することができる。
また、別の方法として、パッシブデータのクラスタリングを行い、特定のクラスタに属するユーザのうちアクティブカスタマーのアクティブデータを確認することで、対応するパッシブデータについて、ユーザが抱える課題を把握することができる。
さらに変形例3として、ユーザのクラスタリングを行って、アクティブデータとパッシブデータの関連付けを行ってもよい。
具体的には、まずユーザに関する情報を取得する。ユーザに関する情報としては、例えばECサイトでの物品の購買履歴、当該ユーザの性別、年齢、居住地等を示すユーザの属性情報、および画面遷移等の操作ログを示す行動データがある。これらは、全てパッシブデータとなる。当該ユーザが、アクティブカスタマーである場合には、問い合わせやアンケートへの回答結果等のテキスト情報であるアクティブデータが更に存在する。
そして、変形例3では、アクティブデータを有するアクティブカスタマーに関する情報それぞれを用いて、ユーザのクラスタリングを行う。
具体的には、まずユーザに関する情報を取得する。ユーザに関する情報としては、例えばECサイトでの物品の購買履歴、当該ユーザの性別、年齢、居住地等を示すユーザの属性情報、および画面遷移等の操作ログを示す行動データがある。これらは、全てパッシブデータとなる。当該ユーザが、アクティブカスタマーである場合には、問い合わせやアンケートへの回答結果等のテキスト情報であるアクティブデータが更に存在する。
そして、変形例3では、アクティブデータを有するアクティブカスタマーに関する情報それぞれを用いて、ユーザのクラスタリングを行う。
次に、サイレントカスタマーである新規ユーザに関する購買データ、属性データ、および行動データを用いて、アクティブユーザのクラスタリング結果と比較を行う。これにより、新規ユーザがどのクラスタに属するかを把握することで、当該クラスタのアクティブデータからどのようなものを購入したいのか、又はどのような課題を抱えているのか、という新規ユーザの各種の動機を推定することができる。
そして、推定した新規ユーザの動機に基づいて、新規ユーザが所望すると推定される情報を自動的に新規ユーザのウェブブラウザに表示する。例えば、チャットボットのウインドウをポップアップ表示させたり、そこに特定のメッセージを表示させたり、特定のページに遷移する案内を行うこと等が考えられる。
このように、属性情報や過去の購買情報等も用いたクラスタリングにより、多面的な視点で、ユーザの動機に対する推定を行うことができる。
なお、クラスタリングは、ユーザのクラスタリングに限らず、ユーザが有する情報それぞれをクラスタリングしてもよいし、一定の時間範囲の行動でクラスタリングしてもよい。また、変形例3におけるユーザに関する情報については、ユーザ毎に取得できる情報であれば、どのような情報であってもよい。
そして、推定した新規ユーザの動機に基づいて、新規ユーザが所望すると推定される情報を自動的に新規ユーザのウェブブラウザに表示する。例えば、チャットボットのウインドウをポップアップ表示させたり、そこに特定のメッセージを表示させたり、特定のページに遷移する案内を行うこと等が考えられる。
このように、属性情報や過去の購買情報等も用いたクラスタリングにより、多面的な視点で、ユーザの動機に対する推定を行うことができる。
なお、クラスタリングは、ユーザのクラスタリングに限らず、ユーザが有する情報それぞれをクラスタリングしてもよいし、一定の時間範囲の行動でクラスタリングしてもよい。また、変形例3におけるユーザに関する情報については、ユーザ毎に取得できる情報であれば、どのような情報であってもよい。
以上、本開示のいくつかの実施形態を説明したが、これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものとする。
<付記>
実施形態で説明した事項を、以下に付記する。
実施形態で説明した事項を、以下に付記する。
(付記1)
プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
プロセッサに、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理(ステップS11)と、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理(ステップS12)と、
アクティブデータおよびパッシブデータを関連付ける処理(ステップS14)と、を実行させるプログラム。
プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
プロセッサに、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理(ステップS11)と、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理(ステップS12)と、
アクティブデータおよびパッシブデータを関連付ける処理(ステップS14)と、を実行させるプログラム。
(付記2)
関連付けたデータを用いて、
アクティブデータに関連性の高いパッシブデータを特定し、特定されたパッシブデータに対応するユーザの数量を集計し、当該アクティブデータが示す課題を抱えるユーザ全体の規模を推定する、付記1に記載のプログラム。
関連付けたデータを用いて、
アクティブデータに関連性の高いパッシブデータを特定し、特定されたパッシブデータに対応するユーザの数量を集計し、当該アクティブデータが示す課題を抱えるユーザ全体の規模を推定する、付記1に記載のプログラム。
(付記3)
関連付けたデータを用いて、
特定のパッシブデータと関連性の高いアクティブデータを特定し、
特定されたアクティブデータから、前記パッシブデータが示すユーザが抱える課題を推定する、付記1又は付記2に記載のプログラム。
関連付けたデータを用いて、
特定のパッシブデータと関連性の高いアクティブデータを特定し、
特定されたアクティブデータから、前記パッシブデータが示すユーザが抱える課題を推定する、付記1又は付記2に記載のプログラム。
(付記4)
関連付けたデータを用いて、
ユーザのパッシブデータに対して、関連性の高いアクティブデータから、前記ユーザが抱える課題を推定し、その解決手段を前記ユーザのウェブブラウザに表示する処理を実行する、付記1から付記3のいずれか1項に記載のプログラム。
関連付けたデータを用いて、
ユーザのパッシブデータに対して、関連性の高いアクティブデータから、前記ユーザが抱える課題を推定し、その解決手段を前記ユーザのウェブブラウザに表示する処理を実行する、付記1から付記3のいずれか1項に記載のプログラム。
(付記5)
互いに関連付けられたアクティブデータおよびパッシブデータは、それぞれの抽出された特徴量の類似度に基づいて、クラスタリングされる、付記1から付記4のいずれかに記載のプログラム。
互いに関連付けられたアクティブデータおよびパッシブデータは、それぞれの抽出された特徴量の類似度に基づいて、クラスタリングされる、付記1から付記4のいずれかに記載のプログラム。
(付記6)
クラスタリングされたアクティブデータおよびパッシブデータは、クラスタ毎に評価期間における件数に応じて順位が付与される、付記5に記載のプログラム。
クラスタリングされたアクティブデータおよびパッシブデータは、クラスタ毎に評価期間における件数に応じて順位が付与される、付記5に記載のプログラム。
(付記7)
プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
プロセッサが、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理(ステップS11)と、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理(ステップS12)と、
ユーザ識別情報、およびパッシブデータを関連付ける処理(ステップS14)と、を実行する方法。
プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
プロセッサが、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理(ステップS11)と、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理(ステップS12)と、
ユーザ識別情報、およびパッシブデータを関連付ける処理(ステップS14)と、を実行する方法。
(付記8)
プロセッサを備え、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるシステムであって、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する第1モジュールと、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する第2モジュールと、
ユーザ識別情報、およびパッシブデータを関連付ける第3モジュールと、を備えるシステム。
プロセッサを備え、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるシステムであって、
ユーザが、ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する第1モジュールと、
ユーザがウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する第2モジュールと、
ユーザ識別情報、およびパッシブデータを関連付ける第3モジュールと、を備えるシステム。
1…情報処理システム1
10…サーバ装置
11…処理部
12…記憶部
21…処理部
211…取得部
212…抽出部
213…分類部
214…分析部
215…提示部
22…記憶部
221…データ分析プログラム
222…行動履歴データベース
223…クラスタリングデータベース
10…サーバ装置
11…処理部
12…記憶部
21…処理部
211…取得部
212…抽出部
213…分類部
214…分析部
215…提示部
22…記憶部
221…データ分析プログラム
222…行動履歴データベース
223…クラスタリングデータベース
Claims (8)
- プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
前記プロセッサに、
ユーザが、前記ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理と、
ユーザが前記ウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理と、
前記アクティブデータおよび前記パッシブデータを関連付ける処理と、を実行させるプログラム。 - 前記関連付けたデータを用いて、
アクティブデータに関連性の高いパッシブデータを特定し、特定されたパッシブデータに対応するユーザの数量を集計し、当該アクティブデータが示す課題を抱えるユーザ全体の規模を推定する、請求項1に記載のプログラム。 - 前記関連付けたデータを用いて、
特定のパッシブデータと関連性の高いアクティブデータを特定し、
前記特定されたアクティブデータから、前記パッシブデータが示すユーザが抱える課題を推定する、請求項1又は2に記載のプログラム。 - 前記関連付けたデータを用いて、
ユーザのパッシブデータに対して、関連性の高いアクティブデータから、前記ユーザが抱える課題を推定し、その解決手段を前記ユーザのウェブブラウザに表示する処理を実行する、請求項1から3のいずれか1項に記載のプログラム。 - 互いに関連付けられた前記アクティブデータおよび前記パッシブデータは、それぞれの抽出された特徴量の類似度に基づいて、クラスタリングされる、請求項1から4のいずれか1項に記載のプログラム。
- クラスタリングされた前記アクティブデータおよび前記パッシブデータは、クラスタ毎に評価期間における件数に応じて順位が付与される、請求項5に記載のプログラム。
- プロセッサに、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるプログラムであって、
前記プロセッサが、
ユーザが、前記ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する処理と、
ユーザが前記ウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する処理と、
前記ユーザ識別情報、前記、および前記パッシブデータを関連付ける処理と、を実行する方法。 - プロセッサを備え、ウェブブラウザにおけるユーザの行動履歴に対する情報処理を実行させるシステムであって、
ユーザが、前記ウェブブラウザにおいて、テキストデータに変換可能な形式で入力することによる行動履歴であるアクティブデータを取得する第1モジュールと、
ユーザが前記ウェブブラウザを閲覧することによる行動履歴であるパッシブデータを取得する第2モジュールと、
前記ユーザ識別情報、前記、および前記パッシブデータを関連付ける第3モジュールと、を備えるシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022037952A JP2022113675A (ja) | 2021-01-25 | 2022-03-11 | 情報処理プログラム、情報処理方法、および情報処理システム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021009314 | 2021-01-25 | ||
JP2022037952A JP2022113675A (ja) | 2021-01-25 | 2022-03-11 | 情報処理プログラム、情報処理方法、および情報処理システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021009314 Division | 2021-01-25 | 2021-01-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022113675A true JP2022113675A (ja) | 2022-08-04 |
JP2022113675A5 JP2022113675A5 (ja) | 2024-02-06 |
Family
ID=87846772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022037952A Pending JP2022113675A (ja) | 2021-01-25 | 2022-03-11 | 情報処理プログラム、情報処理方法、および情報処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022113675A (ja) |
-
2022
- 2022-03-11 JP JP2022037952A patent/JP2022113675A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
US11327979B2 (en) | Ranking search results using hierarchically organized machine learning based models | |
US10467278B2 (en) | Method, apparatus, and computer program product for user-specific contextual integration for a searchable enterprise platform | |
US8156138B2 (en) | System and method for providing targeted content | |
US20190370397A1 (en) | Artificial intelligence based-document processing | |
US9639846B2 (en) | System and method for providing targeted content | |
CN109983455A (zh) | 在在线社交网络上多样化媒体搜索结果 | |
JP2013517563A (ja) | ユーザ通信の解析システムおよび方法 | |
CN109564573A (zh) | 来自计算机应用元数据的平台支持集群 | |
JP7280705B2 (ja) | 機械学習装置、プログラム及び機械学習方法 | |
US8346799B1 (en) | Recent content rank adjustment with inverted decay | |
JPWO2016103519A1 (ja) | データ分析システム、データ分析方法、およびデータ分析プログラム | |
JP2022113675A (ja) | 情報処理プログラム、情報処理方法、および情報処理システム | |
CN106557475B (zh) | 蹊径选择方法及装置 | |
CN113971581A (zh) | 一种机器人的控制方法、装置、终端设备及存储介质 | |
JP2021168055A (ja) | 情報処理装置、アノテーション評価プログラム、及びアノテーション評価方法 | |
EP4014115A1 (en) | Systems and methods for the analysis of user experience testing with ai acceleration | |
JP7180921B1 (ja) | プログラム、情報処理装置および情報処理方法 | |
JP7466143B2 (ja) | 情報処理装置、学習提案プログラム、及び学習提案方法 | |
JP7450103B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP7249222B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP7304658B1 (ja) | プログラム、方法、およびシステム | |
JP7325598B1 (ja) | レコメンドサーバ、レコメンド方法およびプログラム | |
US20220198328A1 (en) | Information processing method, information processing device, and program | |
EP4379565A1 (en) | Dataset ranking based on composite score |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240125 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240126 |