JP2023003391A - 潜在顧客発掘支援システム - Google Patents

Abstract

【課題】ライフスタイルを基準としたＬＳＶ値を算出し、プロファイリングやランキングによって町ないし丁目単位の潜在収益を算出し（ＬＳＶナビ）、地図情報と連携して潜在顧客を発掘して企業の営業活動を支援する電子情報処理的なロジックを有する潜在顧客発掘支援システムを提供する。【解決手段】データベースと、統計情報に基づいてライフスタイルクラスターデータ生成部で生成されたライフスタイルクラスターデータと、既存顧客のユーザ保有データと、行政界データとを入力するＬＳＶナビシステムと、演算部及び入出力部とを備え、町丁目毎に既存顧客のＬＳＶ値を算出し、町丁目毎に商品契約実績の比較を行い、商品契約実績の高い地域のＬＳＶ値に基づいて、商品契約実績の低い地域の潜在顧客リストを作成する。【選択図】図６

Description

本発明は、取引先既存顧客の傾向を分析した情報や、公開されている国勢調査などの統計情報や地図情報などの営業に関連する種々の情報を用いて、ライフスタイルを基準とした価値（ＬＳＶ：Life Style Value）を示すＬＳＶ値を算出し、ＬＳＶ値を利用して同じ範疇若しくは類似の行動パターンに属すると思われる潜在顧客を発掘するようにし、金融機関や企業等の営業活動を効率良く支援する電子情報処理的なロジックを有する潜在顧客発掘支援システムに関する。

金融機関や企業等（以下、単に「企業」とする）が営業活動を行うには、大きく分けて２通りのパターンがある。１つは「既存取引先への追加営業」、もう１つは既存顧客ではない「新規顧客への開拓営業」である。「既存取引先への追加営業」の場合、取引実績や顧客情報（年齢、性別など）などを参考に分析し、営業マンが顧客のニーズを推測し、商品やサービスを提案することができる。しかし、既存取引先であっても、自社がメイン顧客になっていない顧客（利用が停滞している顧客など）のニーズは、取引の変化や新たな情報が蓄積されることがないため、想定が一層困難となる問題がある。

従来のマーケティングは、個人商品の販売では潜在顧客選定作業がベースとなっている。そのためには、例えばＭＣＩＦ（Marketing Customer Information File：マーケティング用顧客情報データベース）、ＣＲＭ(Customer Relationship Management：顧客関係管理（若しくは顧客関係性マネジメント）)などに備えられている顧客ＤＢ(Data Base)の検索機能から、潜在顧客リストを商品毎に別々の作業として切り出している。

図１は従来のマーケティングの一般的な手順を示しており、先ずＭＣＩＦやＣＲＭの顧客ＤＢにアクセスし（ステップＳ１）、対象商品の選定を行う（ステップＳ２）。そして、性別、年齢、流動性平残（平均残高）、給振（給与振込）などの検索項目を使用し（ステップＳ３）、ターゲット顧客をリストアップする（ステップＳ４）。リストアップされたターゲット顧客には、店ＣＩＦ(店舗の顧客情報ファイル：Customer Information File)、口座名、住所、電話番号、メールアドレスなどが付記されている。

次に、リストアップされた顧客にコンタクトする方法を選定するが（ステップＳ５）、コンタクト方法にはＤＭ(Direct Mail)、ポスティング、折り込み広告、電子メール、コールセンター(CC)、ＡＴＭ(Automatic Teller Machine)、渉外訪問などがある。これらの中から顧客への最適なコンタクト方法を選定して後、そのコンタクト方法実行後の結果を確認し（ステップＳ６）、更に実行後のＰＤＣＡ(plan（計画）- do（実行）- check（評価）- action（改善）)を行ってマーケティングを終了している（ステップＳ７）。例えば、ＤＭの実行後の成果を示すヒット率（ＤＭの出状数に対して実際に商品を購入する割合）は、一般的に出状数の約１％と言われている。

ＭＣＩＦなどの顧客ＤＢには住所、氏名等が登録されているので、このマーケティング方法の出力は、取引のある個人顧客名となる。従って、この顧客名に対して、様々な営業活動のチャネルを使用するが、検索項目が、ターゲット顧客を適切に選び出す項目であるかどうかは、ＤＭのヒット率に依存するが、ＤＭのヒット率は通常１％前後と低い。また、検索項目自体が検索者たる営業マンとしてのノウハウによるところが大きいため、複数の営業マンが同じような検索項目を使用する場合が多い。従って、コンタクト実行後にＰＤＣＡを繰り返し実施したとしても、マーケティングの効率が改善される余地は極めて小さい。更にこのマーケティング方法は、商品１つ１つについて行われるため、商品毎に同じプロセスが繰り返され、非効率である問題がある。

なお、ＰＤＣＡは、品質管理などの業務管理における継続的な改善手法として広く知られており、Plan（計画）→ Do（実行）→ Check（評価）→ Action（改善）の４段階を繰り返すことによって、業務を継続的に改善する一般的な手法である。

特開２０１１－０９６２０９号公報 特開２００７－３１０８５１号公報 特開２００４－１１８５７１号公報 特開２０２０－１９４２８８号公報 特開２０２０－１４９７０６号公報 特開２０１９－１７９４９８号公報 特開２０１７－４９７８４号公報 特許第６７２９８７７号公報

従来の営業活動においてはＬＴＶ（顧客生涯価値：Life Time Value）が利用されており（図１のステップＳ１～Ｓ４）、ＬＴＶを求めるための基本となる式は、下記数１である。
（数１）
ＬＴＶ＝年間取引額×収益率×継続年数（滞在期間）

ただし、この数１を使用することは殆どない。なぜなら、ＬＴＶは顧客１人毎に異なるものであり、売上や経費を個別に計算することが不可能に近いためである。実務レベルでは、顧客全体（Ｎ）をベースにして求めることが多い。例えば、リピート顧客数（数２）、顧客収入（数３）、顧客維持費用（数４）、単年度利益（数５）、初期投資額（数６）、ＬＴＶ合計（数７）、１人当たりＬＴＶ（数８）などを求めて、平均的なＬＴＶを数９によって求める。
（数２）
リピート顧客数＝新規顧客数×顧客維持率
(数３)
顧客収入＝顧客単価×リピート顧客数
(数４)
顧客維持費用＝新規又はリピート顧客数×１人当たり顧客維持費用
(数５)
単年度利益＝顧客収入－顧客維持費用
(数６)
初期投資額＝初年度の顧客を獲得するために投下した費用
(数７)
ＬＴＶ合計＝単年度利益の累積金額

(数８)
１人当たりＬＴＶ＝ＬＴＶ合計／初年度新規顧客数
（数９）
平均的なＬＴＶ＝１人当たりＬＴＶの加算値／Ｎ

そして、ＬＴＶの値を最大化するには、数２における「顧客維持率」を高めることがポイントであり、コストをかけ過ぎると数４で示される「顧客維持費用」が増加してしまうため、収益率が低下する。

また、ＬＴＶは、下記に記載するような問題点や付随する条件も多く、かかる問題点が解消されればＬＴＶの算出も有効な手段であるが、経済環境を含め、問題点が解消できなければ、ライフスタイルを基準とした価値を示すＬＳＶ(Life Style Value)値を算出し、ＬＳＶ値をプロファイリング（ある人の個人情報や過去の行動を分析し、今後の行動などを推測すること）及びランキング（順位付け）して潜在収益を算出すること（ＬＳＶナビゲーション(Life Style Value navigation)（以下では、単に「ＬＳＶナビ」とする）が、潜在顧客発掘の営業支援に有効である。ここで、「潜在顧客」とは、未だ商品やサービスが必要と感じていない顧客や、具体的なニーズを認識できていない顧客を意味する。一方、商品やサービスの必要性を感じている顧客を「見込顧客」とする。

ＬＴＶは、顧客が生涯を通じて企業にもたらす利益のことを指し、一般的には、顧客の商品やサービスに対する愛着(顧客ロイヤリティ)が高い企業ほどＬＴＶの値が高くなる傾向が強い。図２は、一般的なＬＴＶを時間軸に沿って模式的に示しており、社会人になってから老後に至るまでの主なイベント（レジャー、結婚、住宅購入等）と、各イベントに関連する資金ニーズとの一般的な関係を相関的に示している。社会人になってから老後に至るまでの価値（取引額：value）は中途までは上昇し、その後は加齢に従って次第に減少し、イベントと資金ニーズの横軸が生涯（Lifetime）を時間的な流れで示している。そして、数１０に示すように、価値と生涯との加算値がＬＴＶとなるが、これは数１と同じことを示している。ＬＳＶ値については後述するが、図２に示すように資金が必要となるイベント（図２では、住宅購入と住宅ローンの対などを示している）毎に、その時点での顧客のＬＳＶ値を算出する。
（数１０）
ＬＴＶ＝生涯＋価値

数１０で計算されるＬＴＶの値はあくまでも疑似的な数字であり、１人の顧客からの収益を正確に求めるためには、何十年もの取引データの蓄積が必要になるが、そのような取引データは入手がほぼ不可能である。そこで、同じグループに住んでいる人々は、同じ消費者行動バターンを採ると仮定すれば、そのグループエリアに住む人々の金融機関との取引結果の累積が、ＬＴＶの推計値に近くなると考えることができる。その限りでは、ここで計算されるＬＴＶの値はクロスセクションとしての、ある時点での収益である。通常、収益計算を行う場合には、初期投資や資産価値の計算、販売管理費等が必要となる。金融機関はこれらの計算を行った上で、収益見通しを立てるための粗利金利を商品毎に所有している。この粗利金利を提示してもらえば、後は、商品毎に残額に対する金利収入を求めることができる。しかしながら、ここで求めるのは、１人１人の金利収益ではなく、グループエリアで口座を持つ全ての口座の合計として計算される。後は個別の商品の特徴、例えば住宅ローンの金利はローン申し込み期間によって大幅に異なり、この金利体系は金融機関側が持っているので、今現在の住宅ローンの加重平均金利を提出してもらえば、その際に、高金利の住宅ローンの割合が大きな意味を持つことになる。現在のように、低金利で借りている住宅ローンの比重が高くなればなるほど、住宅ローンの粗利金利は低下することになり、ひいては全体の収益が減少することになる。

本発明は上述したような事情からなされたものであり、本発明の目的は、ライフスタイルを基準とした価値を示すＬＳＶ値を算出し、プロファイリングやランキング等の分析によって町ないし丁目単位の潜在収益を算出し（ＬＳＶナビ）、地図情報と連携して潜在顧客を発掘して企業の営業活動を支援する電子情報処理的なロジックを有する潜在顧客発掘支援システムを提供することにある。既存の顧客を、新商品の新たな顧客として再活用すること、出来る限り効率良く適正顧客を導き出し、営業活動のコストダウンに資することに活用することが目的である。

本発明は、情報処理的なロジックで潜在顧客の発掘を支援する潜在顧客発掘支援システムであり、本発明の上記目的は、データベースと、統計情報に基づいてライフスタイルクラスターデータ生成部で生成されたライフスタイルクラスターデータと、既存顧客のユーザ保有データと、行政界データとを入力するＬＳＶナビシステムと、演算部及び入出力部とを備え、町丁目毎に前記既存顧客のＬＳＶ値を算出し、前記町丁目毎に商品契約実績の比較を行い、前記商品契約実績の高い地域のＬＳＶ値に基づいて、前記商品契約実績の低い地域の潜在顧客リストを作成することにより達成される。

本発明では、国勢調査などで公開されている人口統計データなどの統計情報を用いて、町ないし丁目毎にグループ化（セグメンテーション）して、町ないし丁目毎に各人のライフスタイルを基準とした価値（ＬＳＶ: Life Style Value）を示すＬＳＶ値を算出すると共に、町ないし丁目の総口座数又は総人口を用いて、潜在顧客数を含んだ潜在収益を算出している。市町村単位でＬＳＶ値を算出すると対象領域が広くなり過ぎ、確率の高いＬＳＶ値を算出することができないので、本発明では町ないし丁目単位にＬＳＶ値を算出している。

本発明のＬＳＶナビを用いた潜在顧客発掘支援システムは、提供したい新商品をリスクが少なく、長期にわたって取引が可能である顧客を見つけ出す手法である。そのために、本発明では過去・現在・未来の時間軸上で、顧客が所有する「運・能力・人脈」の成分（元）を科学的に分析し、それらを評価することを目指している。

「運・能力・人脈」の成分とは、有限群によって表現された集合を想定した場合、家系、土地、資産、家族と親戚及び友人達、土地の風水、母の遺伝子や運、能力、人脈、父の遺伝子や運、能力、人脈など等が挙げられる。町丁目も成分の１つであり、住んでいる所や家柄などの限られた成分が、そこの町丁目に住む人間を作り出す複数の成分によって、個々の人の「運・能力・人脈」が育成されことから、成長と共に人間の内部の成分により、その人の「運・能力・人脈」が時間と共に変化するという考えである。

「運・能力・人脈」の成分である項目には量や単位がなく、自然言語で表現されるものが多くあり、図１６、図１７、図１８のそれぞれの項目は分離量なのか、あるいは連続量なのかの問題もある。分離量と連続量の違いは、分離量は数える、連続量は測ることであり、こうした個人を評価する各項目の単位に値するものを決めるという問題をクリアするために、「運」の項目は「預貯金・不動産・職業」、「能力」は「信用実績・所得」、「人脈」は「家族構成・年齢」とし、「興味・購買力・年齢」のリスク項目を従属変数として、「運には興味」を、「能力には購買力」を、「人脈には年齢」に関わる項目をそれぞれ加えて分析・解析を行う。

従来の非効率なマーケティング手法を改善するため、公開されている国勢調査などの統計情報を利用し、クラスターリング分析で生成されたエリア毎の消費者行動特性（地理的人口統計データ）を示すライフスタイルクラスターデータと、企業が所有する大量の顧客情報（ＣＲＭ／ＳＦＡ(Sales Force Automation)）のデータと、人口や面積データを含む行政界データと、既存顧客のライフスタイルに基づくＬＳＶ値を算出しており、ＬＳＶ値の算出には、既存顧客の購買力、興味、年齢の３大リスク要因を各々分析して求めたリスク値を反映させている。

購買力、興味、年齢の３大リスク要因に基づくリスク値を考慮したＬＳＶ値を求めることにより、ＬＳＶ値が近似するランキングの高い潜在顧客を、ランキングに従って上位から順次ピンポイントで選定する。選定された潜在顧客に対して、個人向け商品のエリア毎の潜在収益（潜在顧客数を含む）を算出し、従来よりも確率の高い個人向け商品販売を推進して支援する。潜在顧客先発掘を求める金融機関や企業などに対し、顧客のＬＳＶ値に基づいた効率的な潜在顧客発掘支援システムの提供が可能となる。

ＬＳＶ値は生活様式の類似性を示す数値であり、本発明のＬＳＶナビは、所定演算式で導き出されたＬＳＶ値を、プロファイリングやランキングなどを行う潜在顧客発掘支援システムやＧＩＳ（地図情報システム）のフロービジネス（毎回の取引で売り切り、収益を上げていくスタイルのビジネス）での活用や、顧客ランキングや町ないし丁目の価値（潜在収益）の算出及びプロファイリングを提供するストックビジネス（顧客と契約を結び、会員の確保によって、継続的な利益を得るビジネススタイル）に活用できるツールである。

また、発掘された潜在顧客情報を住宅地図や広域地図上に表示することにより、金融機関や企業などの支店毎に地域特性などが得られるなど、可視化に繋がる有効なツールとなる。地域特性としては、人口規模、人口密度、地域区分、気候、交通の状況などがある。

本発明に係る潜在顧客発掘支援システムは、異なる多面的な要素を多様性として表現しそれを利用目的に合わせ直観的に理解しやすいユークリッド平面に写像するものであり、銀行などの金融機関のみならず、販売会社などの他業界の企業においても広く活用できる。また、５年毎に実施される国勢調査などの統計情報を利用し、クラスターリング分析で生成されたエリア毎の消費者行動特性や、企業が所有するＣＲＭ／ＳＦＡ等に蓄積されている顧客取引データから得られたターゲット（顧客対象）となる顧客情報は、他のシステムでも共有して活用することが可能である。

従来のマーケティングの手順を説明するためのフローチャートである。 ＬＴＶを説明するための模式図である。 本発明で使用するＬＳＶナビの原理を示す模式的フローチャートである。 ＬＳＶナビによるターゲット抽出の流れを示す図である。 分析結果報告書の一例を示す図である。 本発明の構成例を示すブロック図である。 本発明の全体動作例を示すフローチャートである。 潜在顧客数の商品総合計を求める例を示すフローチャートである。 ツリー分析の動作例を示すフローチャートである。 ツリーの一例を示す線図である。 商品契約の確率を求める動作例を示すフローチャートである。 潜在顧客抽出処理の動作例を示すフローチャートである。 生活レベルとライフスタイルグループの関係の一例を示す図表である。 ライフスタイルコードとセグメントの一例を示す図表である。 住所と生活レベルの関係の一例を示す地図である。 購買力に関するリスク値算出の模式図である。 興味に関するリスク値算出の模式図である。 年齢に関するリスク値算出の模式図である。

本発明は、既存顧客のライフスタイルを分析することにより得られたライフスタイルクラスターデータの類似性、将来顧客となることにより予測される潜在収益、年齢などのリスク要因に関するリスク値を分析して数値化したＬＳＶ値を算出し、営業対象として設定された商品に対するＬＳＶ値を参照して、効率良く他地域の潜在顧客をピンポイントで発掘する潜在顧客発掘支援システムである。即ち、本発明は異なる多面的な要素を多様性として表現し、それを利用目的に合わせ、直観的に理解し易いユークリッド平面に写像するものであり、企業内のＣＲＭ、ＳＦＡ、ＭＣＩＦ等に蓄積されている既存の顧客データ（ユーザ保有データ）、公開されている国勢調査などの統計情報、公開されている地形データを含む行政界データを用いてライフスタイルを分析することにより得られたライフスタイルクラスターデータを算出し、ライフスタイルクラスターデータの類似性を求める。店ＶＣＩＦ口座を町ないし丁目（以下、単に「町丁目」とする）毎にグループ化（セグメンテーション）すると共に、営業対象として設定（入力）された商品に対して、潜在収益とリスク値を算出する。そして、ライフスタイルクラスターデータの類似性、潜在収益及びリスク値に基づき、町丁目毎にライフスタイルを基準とした価値を示すＬＳＶ値を求め、町丁目単位の商品契約実績の高い顧客を求め、別の町丁目単位の潜在顧客率を計算し、潜在顧客数の商品総合計から、総口座数又は総人口を用いて潜在顧客数の潜在収益を推計し、銀行などの企業における個人向け商品の販売を強力に推進し、当該商品が購買されている他地域の潜在顧客の発掘に、科学的に資することが可能な革新的な営業支援システムである。

ここで、「潜在収益」とは、潜在顧客と見込顧客を合算し、将来顧客が商品やサービスを必要と感じ、顧客となることにより予測される収益を意味しており、下記数１１によって算出される。そして、「潜在顧客数」は、未だ商品やサービスが必要と感じていないか、或いは必要と感じているが導入又は購入していない顧客の予測数（潜在顧客や見込顧客を合わせた予測数）である。潜在顧客数は下記数１２によって算出される。
（数１１）
潜在収益＝（統計情報を用いた町丁目の年間収入又は年間取引額）／（町丁目の総人口又は総口座数）
（数１２）
潜在顧客数＝町丁目の総世帯数又は総人口－名寄せ後の既存顧客口座数又は既存顧客数

また、「潜在顧客の契約率」は、町丁目で最も高い既存顧客の契約率を下記数１３に従って求め、各町丁目の既存顧客の契約率を減算して、町丁目で最も高い既存顧客の契約率で除算して求める。即ち、下記数１４によって、潜在顧客の契約率を算出する。
（数１３）
既存顧客の契約率＝（町丁目の名寄せ後の既存顧客口座数又は顧客数）／（町丁目の総世帯数又は総人口）
（数１４）
潜在顧客の契約率＝（町丁目で最も高い既存顧客の契約率－各町丁目の既存顧客の契約率）／（町丁目で最も高い既存顧客の契約率）

本発明では、町丁目単位の潜在収益を算出すると共に、価値観に大きく影響する技術の進歩や、景気や政治、世界経済の影響によるリスクを、人の持つ特性によるリスク要因（購買力、興味、年齢など）でリスク値として客観的に数値化し、年単位（例えば１年～５年）で見直すようにする。本発明ではリスク値を、運に繋がる可能性が高い購買力、人脈に繋がる可能性が高い興味、能力に繋がる可能性が高い年齢から求めている。なお、既存顧客の目に見えない人の信用力（身分特質、履行能力、信用歴史、人脈関係、行為偏好などを指す）とリスク値とは反比例の関係であり、リスク値が大きいと信用力が小さく、逆にリスク値が小さいと信用力は大きく評価される。その関係は、後述の数１５に示されている。本発明では数値的に算出が容易なリスク値を求め、リスク値を用いてＬＳＶ値を算出している。

現在の市場、例えばＳＤＧｓ（Sustainable Development Goals：持続可能な開発目標）関連、自動車、造船業界などでは、新たなルール作りによって生まれ変わらせる手法が多く採られている。つまり、新たな別の市場（業界作り）を求めるのではなく、殆ど既存の市場を再利用することで成り立っていることが多い。既存の市場に対して、より効果的に新たな商品を提案するため、既存の顧客生涯価値（ＬＴＶ）から、より現状に近い顧客価値を算出する仕組みが求められているが、ＬＴＶの評価に問題のあることは前述の通りである。従って、本発明では、既存顧客のライフスタイルを分析し、その人のライフスタイル価値（ＬＳＶ値）を算出すると共に、営業業績の芳しくない地域の潜在顧客を発掘する方法として、ＬＳＶ値を用いたＬＳＶナビを新たに提案する。本発明のＬＳＶナビを例えれば、公開されている国勢調査などの統計情報と行政界データ（地形データ）を利用し、クラスターリング分析で生成されたエリア毎のライフスタイルクラスターデータを、好漁場（Good fishing grounds）情報の例えとして活用すると共に、金融機関などの企業が所有するＣＲＭ／ＳＦＡ等に蓄積されている顧客データから，ターゲットとなる顧客（潜在顧客）を抽出して獲得（ピンポイントで「ヒット」）する仕組み（ナビゲーション）である。

図３は、本発明で使用するＬＳＶナビの概略を示す模式的なフローチャートであり、図３（Ａ）に示すように先ずターゲット（営業対象とする商品を購入する顧客）を定め、次に図２（Ｂ）に示すようにターゲットが居住する丁目町（好漁場の例え）を特定する。例えば営業対象とする商品の購買量が高い地域と共通し、富裕層が多く居住する地域などである。そして、ＬＳＶナビを用いて図３（Ｃ）に示すようにターゲットの絞り込みを行い、次いで図３（Ｄ）に示すようにＤＢ（データベース）の解析からリストアップの突合せを行い、営業地域でのターゲット（潜在顧客）の獲得、つまり１本釣り（ヒット）を行って商品の販売促進を図るようにしている（図３（Ｅ））。

図４は、ＬＳＶナビによるターゲット（潜在顧客）発掘の流れを示しており、金融機関等のユーザ企業が保有するユーザ保有データは、図４（Ａ）に示すように顧客番号、氏名、性別、住所、生年月日などを付記されて分類されており、このユーザ保有データに、図４（Ｂ）に示すようなライフスタイルクラスター分析で得られたライフスタイルクラスターデータＬＤと、図４（Ｃ）に示すような行政界データとを用いて、図４（Ｄ）に示すようなＬＳＶ値を下記数１６に従って算出し、ＬＳＶ値を参照して営業を企図する地域に対して、図４（Ｅ）に示すような分析された潜在顧客リスト（ランキング）を得る。ＬＳＶ値は、ライフスタイルクラスターデータＬＤの類似性を求め、町丁目毎の潜在顧客数から潜在収益を算出し、顧客毎にライフスタイルクラスターデータＬＤの類似性、潜在収益、リスク値を乗算して求める。ライフスタイルクラスターデータＬＤの「類似性」とは、図１２及び図１３のライフスタイルに示されているように、公開されている国勢調査などのデータ情報を利用し、消費者行動特性（地理的人口統計データ）で分類されたグループの町丁目エリアに住む人々は、基本的に同じ消費者行動をとると予想されている。預かり資産の代表である普通預金、定期預金は地域的に差がないことから、町丁目単位の消費者行動パターンには類似性があると考えられる。

しかしながら、リスク値をそのまま乗算すると、リスク値が大きいほどＬＳＶ値も大きくなってしまうので、信用力に換算した値を乗じる。即ち、リスクと信用が相反関係にあることから、リスク値と信用力を最大値”１００（％）”の数値で表わした場合、リスク値は下記数１５で表わされる。
（数１５）
リスク値（％）＝１００－信用力 → 信用力＝１００－リスク値（％）

よって、ＬＳＶ値は下記数１６で算出する。
（数１６）
ＬＳＶ値＝ライフスタイルクラスターデータＬＤの類似性×潜在収益
×（１００－リスク値（％））

分析結果を示す潜在顧客リストの個別顧客（例えばランク１）の詳細は図５であり、潜在顧客リストには、ランク、氏名、グループ、セグメント、リスク値などが含まれている。リスク値は、人の持つ特性によるリスク要因、例えば購買力、興味、年齢に対してリスクを数値化したものであり、裏返せば信用力ともいえる。グループ（コード）とセグメントの対で成るライフスタイルクラスターデータＬＤには、後述するライフスタイルコードが付されており、ライフスタイルクラスターデータＬＤは、近くに住む人たちは似たような属性やステータスを持ち、ライフスタイルや行動、態度を共有するであろうという仮定に基づき、国勢調査などの統計情報をベースに、ライフスタイルクラスターデータ生成部（２１０）でクラスターリング分類することによって得られる。詳細は後述するが、例えば、大都市で活躍するエリートのグループＡ（都会の高層マンション等に暮らし、日本の経済と文化を牽引する高学歴・高収入のエリートたち）、高級住宅地のエグゼクティブのグループＢ（大都市郊外の高級住宅地で暮らす。大企業で出世して社会的な地位を手にした裕福な家族世帯）のようにクラスターリング分類される。また、行政界データには、町丁目単位毎に人口と面積が付記されている。

図６は、本発明システム１００が連携する全体構成例を示しており、本発明に係る潜在顧客発掘支援システム１００はＤＢ（データベース）１１０と、ＤＢ１１０に連携するＬＳＶナビシステム１２０とを具備すると共に、一般的なコンピュータと同様に、キーボード、マウス等の入力部１１１と、データ出力、送信、プリンタなどの出力部１１２と、ディスプレイ画面などの表示部１１３と、ＣＰＵ、メモリなどで構成される演算部１１４とを有しており、ＬＳＶナビシステム１２０は、ＬＳＶ値を算出するＬＳＶ値算出部１２１と、潜在顧客の順位付けを行うランキング部１２２と、潜在顧客にライフスタイルラスターデータを付与して推計するプロファイリング部１２３と、町丁目にグループ化するセグメンテーション部１２４とで構成されている。

ＬＳＶナビシステム１２０には、ユーザ保有データ２００からの顧客データ、ライフスタイルクラスターデータ生成部２１０からのライフスタイルクラスターデータＬＤ、行政界データ２２０が入力される。行政界データ２２０は全国の行政界について、都道府県名、支庁・振興局名、郡、政令指定都市名、市区町村名、行政区域コード等をＧＩＳデータとして整備したものである。ライフスタイルクラスターデータＬＤは、国勢調査などによる統計情報からライフスタイルクラスターデータ生成部２１０で生成される。一般的に「統計情報」とは、国勢調査や商業統計など一定の条件下で調査した結果を集計して加工したものであるが、本発明で使用する統計情報２５０には、各省庁（国勢調査も含む）や自治体・各種業界団体が調査した情報が包含されている。例えば野菜＝統計情報、キャベツ＝国勢調査、大根＝商業統計であり、既存のエリアマーケティングシステムで利用する際に良く用いられる区画が「メッシュ」や「行政界」である。本発明では、図３に対応させれば、好漁場を示す区画が「行政界」で、その中にどのような魚が存在するかを調べた統計が「国勢調査」となる。

金融機関等の顧客２００はＣＲＭ／ＳＦＡ２０５を備えており、ユーザ保有データとして個人顧客データ２０１，法人顧客データ２０２，取引データ２０３，商品データ２０４を有している。ＳＦＡ（Sales Force Automation）は営業支援システムであり、ＣＲＭの中には営業活動の支援・管理が含まれているので、ＣＲＭ／ＳＦＡ２０５はＣＲＭを実践するパーツの１つとしてＳＦＡを含む構成である。正確にはマーケティングからサポートサービスまでの幅広い業務で活用されるＣＲＭに、営業を支援するＳＦＡが一機能として含まれていることになる。ユーザ保有データは金融機関などのユーザ企業が保持しており、金融機関の場合はホストコンピュータや各種システム（ＣＲＭやＳＦＡも含む）に取得目的毎に格納されており、必要に応じて個人顧客データ２０１，法人顧客データ２０２，取引データ２０３，商品データ２０４などのデータとして抽出することができる。これらユーザ保有データ群をＬＳＶナビシステム１２０に取り込み、求めたＬＳＶ値をＣＲＭ／ＳＦＡ２０５へ戻すことになるが、本例のようにユーザが既にＣＲＭ／ＳＦＡ２０５を保有している場合は、一時保管用のＤＢ１１０に格納される。

ＬＳＶナビシステム１２０は、ユーザ（購入者若しくは使用者）が保有する各種データ（個人顧客データ２０１，法人顧客データ２０２，取引データ２０３，商品データ２０４）に対し、ライフスタイルクラスターデータ生成部２１０からのライフスタイルクラスターデータＬＤ及び行政界データ２２０を用いて、数１６に基づいてＬＳＶ値を算出し、ランキング部１２２により順位付けされた潜在顧客リストを作成して出力部１１２から出力すると共に、表示部１１３に表示する。ＬＳＶ値算出部１２１は、マーケティング活動を支援する統計手法やツールの集合体において、取得した各種データを分析してＬＳＶ値を算出し、セグメンテーション部１２４は、ある市場から分割された近似な性質（考え方や価値観）を持つ顧客層に対し、市場を細かく分け（町丁目単位）、ニーズ（販売したい取り扱い商品（例えば新製品、顧客が所有していない商品など））毎にグループ化する。また、ランキング部１２２は、得られた集合体にＬＳＶ値を基に順位付けを行い、プロファイリング部１２３は、自社製品やサービスの顧客となり得る潜在的な顧客に対し、ライフスタイルクラスターデータを付与して推計する。

図７は、地銀Ａ銀行が「町丁目単位の人口統計データ」を導入すると想定した場合の、営業支援のフローチャートであり、ＬＳＶナビシステム１２０は、先ず町丁目のグループであるライフスタイルクラスターデータＬＤを入力すると共に、ユーザ保有データから地銀Ａ銀行取引先の町丁目の顧客データの導入を行う（ステップＳ１０）。次いで、セグメンテーション部１２４は、店ＣＩＦ(店－顧客情報ファイル)の町丁目別のグループ化（セグメンテーション）を行い（ステップＳ１１）、名寄せ後、店ＣＩＦ口座の名義者の年齢とライフスタイルクラスターデータＬＤのグループ毎の集計を行う（ステップＳ１２）。ＣＩＦは、口座を開設した際に顧客毎に割り振られる一意の管理番号であり、これに金融機関の店舗（支店）を特定する店番号を紐付けして店ＣＩＦと称している。また、「名寄せ」とは、複数に分散されているデータベースの同一人物、同一企業、同一世帯に対し、同一のＩＤを付与するなどして、データを単一の主体に統合することである。

次に、前記数１６により、各顧客のＬＳＶ値をＬＳＶ値算出部１２１で算出し（ステップＳ２０）、更にＬＳＶ値の算出に用いているリスク値から年齢区分別のグループ別に、入力部１１１を介して対象商品（営業対象の商品（例えば「５年定期預金１００万円」））の設定を行う（ステップＳ３０）。ＬＳＶ値は数１６のように、ライフスタイルクラスターデータＬＤの類似性を求め、町丁目毎の潜在顧客数から潜在収益を算出し、顧客毎にリスク値を乗じて求めるが、各個人（既存顧客）の持つ特性によるリスク要因も存在するため、例えば購買力、興味、年齢に対して顧客のリスクを数値化したリスク値を用いる。ＬＳＶ値の算出は全ての町丁目の顧客について行い、年齢区分別、グループ別、商品別に収益計算（業務純益ベース）、潜在収益、リスク値を用いて行う。なお、ＬＳＶ値、リスク値の算出については後述する。

そして、ユーザ保有データから、算出されたＬＳＶ値に基づいて町丁目単位（例えば地域Ｘ）の商品契約実績の抽出を設定された商品について行い（ステップＳ３１）、町丁目単位における商品契約実績の高い顧客をランキング部１２２で、ランキングを付して求める（ステップＳ３２）。町丁目単位毎に商品契約実績の高低が分かると共に、全顧客のＬＳＶ値も分かっているので、商品契約実績の高い顧客のＬＳＶ値も分かる。演算部１１４は、商品契約実績の最も高い地域と商品契約実績の低い地域の既存顧客の契約率の差に基づいて潜在顧客の契約見込率を求め（ステップＳ３３）、町丁目単位の潜在顧客見込数を求める。潜在顧客の契約見込率は、下記数１７に従って求める。
(数１７)
潜在顧客の契約見込率＝町丁目において最も高い既存顧客の契約率－契約実績の低い地域の既存顧客の契約率

数１７によって潜在顧客の契約見込率が求められて後、町丁目の既存顧客を除いた潜在顧客数に対して潜在顧客の契約見込率を乗算して、潜在顧客見込数の最大値を求める。
(数１８)
潜在顧客見込数＝潜在顧客数×潜在顧客の契約見込率

次いで、同じ年齢区分の全てのグループの集計、全ての年齢区分の集計、全ての商品の同様の集計により、潜在顧客見込数の商品総合計を求め（ステップＳ４０）、プロファイリング部１２３により潜在顧客見込数の潜在収益を前記数１１に従って算出し（ステップＳ５０）、丁目単位の潜在顧客数からの営業（通常の営業業務）を行う（ステップＳ５１）。潜在収益を算出し、実際の取引先における収益との差異を把握することにより、既存の取引を掘り起こすのか、或いは新たな商品の発掘先として見直すのかなど、市場価値を判定することになる。数１１の潜在顧客見込数の潜在収益の推計は、現在の商品口座数との比較により、ＬＳＶ値による収益を求めることにより実施される。

図８は上記ステップＳ４０の詳細を示しており、先ず最も契約率の高い口座の属性項目、取引項目の組み合わせを調べ、商品別・グループ別契約率を予測し（ステップＳ４１）、該当する町丁目の商品の持っている口座、町丁目の中で商品を持っていない口座に基づき、母集団の特定化を行う（ステップＳ４２）。即ち、母集団の特定化は、先ず商品、年齢区分、性別、グループを特定する。グループは特定されているので、町丁目の中で、商品を持っている名寄せ後の店ＣＩＦ口座（以下、単に「口座」とする）を集計すると共に、同じ町丁目の範囲で、商品を持っていない全ての口座を集計する。双方の合計件数が母集団となり、これが５０００件を下回るような場合には、特定化の条件を緩和する。例えば、年齢区分（５才刻み）では５０００件が無い場合、１０才刻みとし、必要があれば、ある条件項目は完全に外す。口座の持つ属性情報及び取引項目は予め決めておく。例えば店ＣＩＦ（名寄せ後）にグループ付与する場合、名寄せ後の店ＣＩＦにグループを付与し、口座にはモザイクのグループ名、氏名、年齢、性別、住所、取引項目が付与され、口座の属性情報項目及び取引項目は事前に決めておき、全ての口座で同じとする。

次いでツリー分析を行い（ステップＳ４３）、ツリー分析結果を各町丁目口座に当てはめる（ステップＳ４４）。ツリー分析の詳細については後述する。各町丁目口座への当てはめは、各町丁目のツリー分析で得られた取引項目の組み合わせを持ち、かつその商品を現在未だ持っていない口座を、契約率の高い順に整列させたランキングリストを作成し、当該商品を契約する確率の高い潜在顧客のリストと顧客数を求める。潜在顧客リスト（図４（Ｅ）参照）には、店ＣＩＦ、氏名、住所、電話番号などが含まれる。上記ステップＳ４４の各町丁目口座への当てはめ後、潜在顧客リストに個人格付けを付与する（ステップＳ４５）。個人格付けは個人顧客のリスクの推計データベースになり、営業推進とリスクコントロールの同時実施が可能となる。その際、潜在顧客が商品を契約する確率が高くても、リスク値の高い顧客（例えば営業推進とリスクコントロールの同時実施が可能となる。その際、潜在顧客が商品を契約する確率が高くても、リスク値９５以上）は、コンタクトする前に事前に除外しておくことが必要であり、同様にコンタクト禁止先の口座等も事前に除外しておく。ローン商品では、契約率が高く、かつ個人格付けの低い口座が最も契約率が高くなる。預かり資産系の商品では契約率が高く、個人格付けの高い顧客が最も契約率が高くなる口座である。いずれの場合にも、リスク値の高い口座は事前に除外しておく。

上記ステップＳ４３のツリー分析の詳細を、図１０のツリー図を参照して説明する。母集団（全サンプル数「１０００」、全口座数「１５００」）は先ず男性（全サンプル数「６０００」、全口座数「１２００」）と、女性（全サンプル数「４０００」、全口座数「３００」）とに分類され、男性及び女性共に、更にクレジットカード所持の有無で細分類され、それぞれにノード「００１」～「００４」が付与されている。図１０の各項目の括弧の中はいずれも、分類されたサンプル数と、その中でクレジットカードを持っている口座数と、その割合とを示している。変数は全てアンド条件となっているので、ノード「００１」は、男性で銀行クレジットカードを所持している口座、ノード「００２」は、男性で銀行クレジットカードを所持していない口座、ノード「００３」は、女性で銀行クレジットカードを所持している口座、ノード「００４」は、女性で銀行クレジットカードを所持していない口座となる。実際には、変数（全サンプル数と全口座数）は次々と現れるが、ここでは２変数とし、変数の組み合わせをノードと呼び、ここでは４ノード（「００１」～「００４」）が示されている。ノードには、変数の組み合わせと、その組み合わせで示されるクレジットカード商品の契約率（カード保有割合）が表示される。ほぼ全ての金融機関では、クレジットカード一体型のキャシュカードを顧客に付与しているが、クレジットを利用しない顧客もいるため、クレジットカード不所持でも、カード保有割合がゼロではない。

図１０に示されるツリー分析では、最もクレジットカードの契約率が高いのは、ノード「００１」の男性でクレジットカード所持（有）と言う口座であれば、クレジットカード商品の契約率は２７．５％と高く、反面ノード「００４」の女性でクレジットカード不所持（無）の口座の、クレジットカード契約率は１．１％と非常に低くなっている。ツリー分析が終了した後、契約率の高い順にノードを並べ、それぞれのノードで属性項目、取引項目の組み合わせが決まる。図１０の例であれば、契約率の高い順は、（１）男性でクレジットカード所持、（２）女性でクレジットカード所持、（３）男性でクレジットカード不所持、（４）女性でクレジットカード不所持となる。

上記ステップＳ４４の詳細は図９のフローチャートであり、ツリー分析結果を各町丁目の口座に適用する処理である。先ず商品を契約する確率を算出し（ステップＳ４４－１）、属性項目及び取引項目の組み合わせによりリスク（若しくは信用）を分析する（ステップＳ４４－２）。商品契約の確率を求める手法については後述するが、ライフスタイルコートやユーザ保有データを使用する。同じグループの各町丁目の口座の中で、契約率の高いノードと同じ属性項目、取引項目の口座で、なおかつクレジットカード商品を持っていない口座を選び出してリストアップする共に、ノードの契約率の高い順に、順次上記選び出しを行い（ステップＳ４４－３）、各ノードで取引情報の組み合わせを決定する（ステップＳ４４－４）。選び出された口座は特定の口座であり、氏名、住所、電話番号が付与されているので、コンタクトがＤＭであれ、渉外担当者であれ、特定個人に対する営業活動になる。ここでは、リストアップされた口座の顧客リストに対し、更に個人格付けを付与する。個人格付けに際して、例えばリスク値が“９５”以上の顧客はリストから除外される。

ここで、商品契約の確率を求める手法の動作例を、図１１のフローチャートに示して説明する。

先ず、口座の町丁目、年齢、町丁目の商品毎の契約率等に基づいて、口座リストからグループ毎に口座を分類し（ステップ４４Ａ）、商品を特定する（ステップ４４Ｂ）。次いで、同じグループの口座間で決められた特定商品の契約確率１を算出し（ステップ４４Ｃ）、特定商品を持つ口座と、特定商品を持たない口座を１つの母集団として、特定商品の契約確率２を算出する（ステップ４４Ｄ）。その後、ツリー分析を使用し（ステップ４４Ｅ）、特定商品の契約確率が終端ノードに示され（ステップ４４Ｆ）、終端ノードには、当該ノードに含まれるサンプル数及び契約口座数が示され、その割合が契約確率として出される（ステップ４４Ｇ）。

潜在顧客発掘支援システム１００による潜在顧客抽出処理を、図１２のフローチャート（図７の詳細版）を参照して詳細に説明する。

同一顧客が複数の口座を保有している場合、顧客属性情報（名前、住所、生年月日（個人）、設立年月日（法人）等）を用いて既存口座との属性一致を確認し、一致する場合は同一顧客の複数口座として「一元管理」する必要がある。この一元管理のための名寄せ処理（ステップＳ１００）の後、セグメンテーション部１２４により口座所有者の住所の町丁目に従ってグループを付与し（ステップＳ１１０）、年齢によって口座を、例えば５歳刻みに分類する（ステップＳ１１１）。年齢区分によって分類された口座を更に外部データとして購入する、クラスターリング分析で生成された消費者行動の類似性（ライフスタイルクラスターデータＬＤ）を，ライフスタイルコードやユーザ保有データより求めたエリア毎の分類結果をグループに分け（ステップＳ１１２）、グループの口座を再度町丁目毎に分ける（ステップＳ１１３）。購入する外部データとＣＲＭ／ＳＦＡ１１０に蓄積されている顧客取引データを組み合わせることで、主要な個人商品をベースとしたＬＳＶ値（疑似値ではあるが）が生成される。生成されたＬＳＶ値はその定義上最大化されることが求められ、最大化の処理を行う。ＬＳＶナビシステムの目的は「潜在顧客発掘」と「顧客維持率」を高めることがポイントである。コストをかけ過ぎると「顧客維持費用」が増えてしまうため、収益率が低下する。作業の効率化によって、コストを抑えながら、「潜在顧客発掘」と「顧客維持率（契約利用率）」を高めることが重要である。

特定した営業地域に居住するターゲットを町丁目毎の取引価格を高めるため、購入頻度及び既存顧客の新規顧客化の可能性を最大化することにより潜在顧客を予測する。つまり、現状取引先との差異を確認する。この処理で得られたＬＳＶ値をベースに全ての個人商品のエリア毎のターゲット顧客の規模が計算される。そして、各町丁目の口座数と商品の契約数の合計を算出し（ステップＳ１１４）、各町丁目の人口を算出し（ステップＳ１１５）、各町丁目の商品毎の契約率を算出する（ステップＳ１１６）。この契約率は、人口１人当たり或いは口座１口座当たりの契約率である。

次に、商品毎に、契約率の最も高い町丁目の契約率を決定し（ステップＳ１１７）、最も高い契約率から各町丁目の契約率を減算して潜在顧客の契約見込率を算出し（ステップＳ１１８）、潜在顧客の契約見込率にその町丁目の人口或いは口座数を乗算して潜在顧客見込数を決定する（ステップＳ１１９）。潜在顧客見込数が決まっても、顕在化させるためには通常の営業努力が要求される。上記ステップＳ１１０～ステップＳ１１９が分類処理である。

上記ステップＳ１１０で求められた口座リストから、個人商品のエリア毎の潜在顧客をグループ毎に口座を分類し（ステップＳ１２０）、商品を特定する（ステップＳ１２１）。次いで、同じグループの口座間で決められた特定商品の契約率を算出し（ステップＳ１２２）、特定商品を持つ口座と持たない口座を１つの母集団として、特定商品の契約率を算出し（ステップＳ１２３）、図１０に示すツリー分析を実施する（ステップＳ１２４）。特定商品の契約率は終端にノードとして示され、ノードには、図１０に示されるようにそのノードに含まれるサンプル数、契約口座数が示されると共に、その割合が契約率として表示される。

次に、契約率の最も高いノードから順に全てのノードを並べ換え（ステップＳ１２５）、契約率の最も高いノードのサンプルの中で、特定商品を持たない口座数が表示される（ステップＳ１２６）。次いで、特定商品を持たない口座を町丁目で分類してリストアップし（ステップＳ１２７）、上記方法を契約率の高いノード毎に順次行う（ステップＳ１３０）。同じグループの町丁目毎に特定承認の契約率の高い順に口座をリストアップし（ステップＳ１３１）、上記方法を全てのグループ毎に行い（ステップＳ１３２）、更に上記方法を全ての商品について行う（ステップＳ１３３）。この方法では特定商品を持たない口座の全てが契約の対象となる可能性がある。しかし、現状の取引状況の中で、契約率の高い口座を指定することが肝要である。このため、各町丁目で契約率の高い順にリストアップされた口座にキャップを乗算する必要があり、そのキャップとなるのは、上記ステップＳ１２７で示される各町丁目の潜在顧客数である。上記潜在顧客数の算出は年齢区分毎に行われる。町丁目毎にリストアップされた口座を年齢区分で再分類し（ステップＳ１３４）、その結果を潜在顧客数と比較する。最終アウトプットは、グループ毎、商品毎、町丁目毎にその商品を購入する契約率の高い口座リストとなる（ステップＳ１４０）。

生活レベルを含むライフスタイルの分類は、例えば図１３に示されるものが知られており、都市化度は「田舎エリア」、「郊外エリア」、「シティエリア」、「都心エリア」に分類され、富裕度も「田舎エリア」、「郊外エリア」、「シティエリア」、「都心エリア」毎に定められている。例えば「都心エリア」の富裕度は「トレンディライフ」、「アーバンミドルクラス」、「下町」に分類される。各分類に割り当てられるライフスタイルクラスターデータを一覧にすると図１３のようになり、顧客の住所に対する生活レベルの関係も、例えば図１５に示すようなエリア情報で定められているので、これらの情報に基づいてライフスタイルコードを自動的に付与することができる。

また、ライフスタイルクラスターデータＬＤの内容は、例えば図１４であり、ライフスタイルクラスターデータはライフスタイルコードとセグメントで構成されている。

次に、企業が所有すると思われるデータとして取り上げる分析項目は、例として、預貯金・投資、職業、不動産、信用実績、所得、家族構成、年齢などの各項目に、それぞれベクトル空間を対応させ、個人を含め、企業を示す地図情報及び個人名（家系図情報に関する）に対応する。

図１６は、３大リスクの内の購買力についてのリスク算出例を示す模式図であり、学歴、職業、所得、信用、家族構成、趣味及び不動産を特性要因としており、学歴には海外留学の有無、最終学歴（専門学校、高校、大学など）などが含まれ、職業には経営者（創業者、後継者など）、規模、勤労者（大手企業、公務員、中小企業など）などが含まれ、所得には年齢、配当金所得、給与などが含まれている。家族構成には、年代別に２世帯以上同居、核家族、独身などが含まれ、趣味には、高級志向の車やヨット、旅行、女性関係（噂有り、噂無し、不明など）、ギャンブル（強運、好き、普通、しない、など）などが含まれ、不動産には、遺産・相続（事業用地、自宅、農地、貸マンションなど）、自己取得（事業用地、自宅、農地、貸マンションなど）、不動産賃貸（事業用地、農地、貸マンションなど）などが含まれ、信用実績には、取引実績良好、まずまず、劣る、反社関係などが含まれる。

リスク分析の対象商品は資産運用（投資信託）、生命保険、流動性預金（外貨預金、定期預金など）、住宅ローン（個人、法人）、クレジットカードで、物品販売にも適用される。リスク要因の興味のリスク算出の例は図１７であり、年齢についてのリスク算出の例は図１８である。図１７における投資には、投信、預金、株については、実績有り、興味有り、なしが含まれ、図１８における健康には、病気・障害について、加齢による、持病有り、障害有り、健康が含まれる。

「興味＝興味がない」で、”９０”を仮にリスク値とした場合、信用力に換算した値を求める。諦めたほうが良い、迷いは仮にリスク値４０、興味があればリスク値１５として信用力に換算する。また、「購買力＝金がない」であり、学歴、職業、所得、信用、家族構成、趣味、不動産が要因となり、「年齢＝あとがない」であり、年齢がリスク値となり、年齢が高いほど復活が難しく、後がないとなる。そして、興味がない（Ａ）、買う金がない（Ｂ）、年齢的にもう後がない（Ｃ）が３大リスクであり、全て揃えば最悪リスクとなる。上記３つの要因の組み合わせ（A、B、C、AB、AC、BC、ABC）で信用力を求める。例えば「金がないけど、興味があり若い」、「金があり、若いけど興味がない」、「金も興味もあるが後がない」などである。

１００ 潜在顧客発掘支援システム
１１０ ＤＢ（データベース）
１１１ 入力部
１１２ 出力部
１１３ 表示部
１１４ 演算部
１２０ ＬＳＶナビシステム
１２１ ＬＳＶ値算出部
１２２ ランキング部
１２３ プロファイリング部
１２４ セグメンテーション部
２００ 顧客システム
２０１ 個人顧客データ
２０２ 法人顧客データ
２０３ 取引データ
２０４ 商品データ
２０５ ＣＲＭ／ＳＦＡ
２１０ ライフスタイルクラスターデータ生成部
２２０ 行政界データ
２５０ 統計データ

ここで、「潜在収益」とは、潜在顧客と見込顧客を合算し、将来顧客が商品やサービスを必要と感じ、顧客となることにより予測される収益を意味しており、下記数１１によって算出される。そして、「潜在顧客数」は、未だ商品やサービスが必要と感じていないか、或いは必要と感じているが導入又は購入していない顧客の予測数（潜在顧客や見込顧客を合わせた予測数）である。潜在顧客数は下記数１２によって算出される。
（数１１）
潜在収益＝（統計情報を用いた町丁目の年間収入又は年間取引額）／（町丁目の総人口又は総口座数）
（数１２）
潜在顧客数＝町丁目の総世帯数又は総人口－名寄せ後の既存顧客口座数又は既存顧客数

また、「潜在顧客の契約率」は、町丁目で最も高い既存顧客の契約率を下記数１３に従って求め、各町丁目の既存顧客の契約率を減算して、町丁目で最も高い既存顧客の契約率で除算して求める。即ち、下記数１４によって、潜在顧客の契約率を算出する。
（数１３）
既存顧客の契約率＝（町丁目の名寄せ後の既存顧客口座数又は顧客数）／（町丁目の総世帯数又は総人口）
（数１４）
潜在顧客の契約率＝（町丁目で最も高い既存顧客の契約率－各町丁目の既存顧客の契約率）／（町丁目で最も高い既存顧客の契約率）

本発明では、町丁目単位の潜在収益を算出すると共に、価値観に大きく影響する技術の進歩や、景気や政治、世界経済の影響によるリスクを、人の持つ特性によるリスク要因（購買力、興味、年齢など）でリスク値として客観的に数値化し、年単位（例えば１年～５年）で見直すようにする。本発明ではリスク値を、運に繋がる可能性が高い購買力、能力に繋がる可能性が高い興味、人脈に繋がる可能性が高い年齢から求めている。なお、既存顧客の目に見えない人の信用力（身分特質、履行能力、信用歴史、人脈関係、行為偏好などを指す）とリスク値とは反比例の関係であり、リスク値が大きいと信用力が小さく、逆にリスク値が小さいと信用力は大きく評価される。その関係は、後述の数１５に示されている。本発明では数値的に算出が容易なリスク値を求め、リスク値を用いてＬＳＶ値を算出している。

現在の市場、例えばＳＤＧｓ（Sustainable Development Goals：持続可能な開発目標）関連、自動車、造船業界などでは、新たなルール作りによって生まれ変わらせる手法が多く採られている。つまり、新たな別の市場（業界作り）を求めるのではなく、殆ど既存の市場を再利用することで成り立っていることが多い。既存の市場に対して、より効果的に新たな商品を提案するため、既存の顧客生涯価値（ＬＴＶ）から、より現状に近い顧客価値を算出する仕組みが求められているが、ＬＴＶの評価に問題のあることは前述の通りである。従って、本発明では、既存顧客のライフスタイルを分析し、その人のライフスタイル価値（ＬＳＶ値）を算出すると共に、営業業績の芳しくない地域の潜在顧客を発掘する方法として、ＬＳＶ値を用いたＬＳＶナビを新たに提案する。本発明のＬＳＶナビを例えれば、公開されている国勢調査などの統計情報と行政界データ（地形データ）を利用し、クラスターリング分類で生成されたエリア毎のライフスタイルクラスターデータを、好漁場（Good fishing grounds）情報の例えとして活用すると共に、金融機関などの企業が所有するＣＲＭ／ＳＦＡ等に蓄積されている顧客データから，ターゲットとなる顧客（潜在顧客）を抽出して獲得（ピンポイントで「ヒット」）する仕組み（ナビゲーション）である。

図４は、ＬＳＶナビによるターゲット（潜在顧客）発掘の流れを示しており、金融機関等のユーザ企業が保有するユーザ保有データは、図４（Ａ）に示すように顧客番号、氏名、性別、住所、生年月日などを付記されて分類されており、このユーザ保有データに、図４（Ｂ）に示すようなライフスタイルクラスター分類で得られたライフスタイルクラスターデータＬＤと、図４（Ｃ）に示すような行政界データとを用いて、図４（Ｄ）に示すようなＬＳＶ値を下記数１６に従って算出し、ＬＳＶ値を参照して営業を企図する地域に対して、図４（Ｅ）に示すような分析された潜在顧客リスト（ランキング）を得る。ＬＳＶ値は、ライフスタイルクラスターデータＬＤの類似性を求め、町丁目毎の潜在顧客数から潜在収益を算出し、顧客毎にライフスタイルクラスターデータＬＤの類似性、潜在収益、リスク値を乗算して求める。ライフスタイルクラスターデータＬＤの「類似性」とは、図１３及び図１４のライフスタイルに示されているように、公開されている国勢調査などのデータ情報を利用し、消費者行動特性（地理的人口統計データ）で分類されたグループの町丁目エリアに住む人々は、基本的に同じ消費者行動をとると予想されている。預かり資産の代表である普通預金、定期預金は地域的に差がないことから、町丁目単位の消費者行動パターンには類似性があると考えられる。

そして、ユーザ保有データから、算出されたＬＳＶ値に基づいて町丁目単位（例えば地域Ｘ）の商品契約実績の抽出を設定された商品について行い（ステップＳ３１）、町丁目単位における商品契約実績の高い顧客をランキング部１２２で、ランキングを付して求める（ステップＳ３２）。町丁目単位毎に商品契約実績の高低が分かると共に、全顧客のＬＳＶ値も分かっているので、商品契約実績の高い顧客のＬＳＶ値も分かる。演算部１１４は、商品契約実績の最も高い地域と商品契約実績の低い地域の既存顧客の契約率の差に基づいて潜在顧客の契約見込率を求め（ステップＳ３３）、町丁目単位の潜在顧客見込数を求める。潜在顧客の契約見込率は、下記数１７に従って求める。
(数１７)
潜在顧客の契約見込率＝町丁目において最も高い既存顧客の契約率－契約実績の低い地域の既存顧客の契約率

数１７によって潜在顧客の契約見込率が求められて後、町丁目の既存顧客を除いた潜在顧客数に対して潜在顧客の契約見込率を乗算して、潜在顧客見込数の最大値を求める。
(数１８)
潜在顧客見込数＝潜在顧客数×潜在顧客の契約見込率

次いで、同じ年齢区分の全てのグループの集計、全ての年齢区分の集計、全ての商品の同様の集計により、潜在顧客見込数の商品総合計を求め（ステップＳ４０）、プロファイリング部１２３により潜在顧客見込数の潜在収益を前記数１１に従って算出し（ステップＳ５０）、丁目単位の潜在顧客見込数からの営業（通常の営業業務）を行う（ステップＳ５１）。潜在収益を算出し、実際の取引先における収益との差異を把握することにより、既存の取引を掘り起こすのか、或いは新たな商品の発掘先として見直すのかなど、市場価値を判定することになる。数１１の潜在顧客見込数の潜在収益の推計は、現在の商品口座数との比較により、ＬＳＶ値による収益を求めることにより実施される。

Claims (3)

1. データベースと、
   統計情報に基づいてライフスタイルクラスターデータ生成部で生成されたライフスタイルクラスターデータと、既存顧客のユーザ保有データと、行政界データとを入力するＬＳＶナビシステムと、
   演算部及び入出力部と、
   を備え、町丁目毎に前記既存顧客のＬＳＶ値を算出し、前記町丁目毎に商品契約実績の比較を行い、前記商品契約実績の高い地域のＬＳＶ値に基づいて、前記商品契約実績の低い地域の潜在顧客リストを作成することを特徴とする潜在顧客発掘支援システム。
2. 前記ＬＳＶナビシステムが、
   前記ＬＳＶ値を算出するＬＳＶ値算出部と、
   潜在顧客の順位付けを行うランキング部と、
   前記潜在顧客にライフスタイルクラスターコードを付与して推計するプロファイリング部と、
   町丁目にグループ化するセグメンテーション部と、
   で構成されている請求項１に記載の潜在顧客発掘支援システム。
3. 前記ＬＳＶ値を、ライフスタイルクラスターデータの類似性×潜在収益×（１００－リスク値（％））で算出する請求項１又は２に記載の潜在顧客発掘支援システム。
   

Images