JP2024030310A - 顧客行動予測装置、顧客行動予測方法、及びプログラム - Google Patents

Abstract

【課題】顧客行動の予測に基づく施策を定期的に行うための運用負荷を低減することが可能な顧客行動予測装置、顧客行動予測方法、及びプログラムを提供する。【解決手段】顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得部と、取得された前記顧客情報を記憶する顧客情報記憶部と、前記顧客情報記憶部に記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工部と、少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成部と、生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習部と、生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測部と、を備える顧客行動予測装置。【選択図】図２

Description

本発明は、顧客行動予測装置、顧客行動予測方法、及びプログラムに関する。

従来、各種サービスにおいて、サービスの利用者である顧客の行動を顧客ごとに予測し、予測結果に応じて各顧客に合わせた施策を打つことで、マーケティングを効果的かつ効率的に行うための技術が各種提案されている。

例えば、下記特許文献１には、金融サービスにおいて、機械学習によって生成された顧客行動予測モデルを用いて、顧客の行動として金融取引に関する予測を行うための技術が開示されている。

特開２０２０－３５４１７号公報

ところで、マーケティング領域において、マーケティングの効果と効率をより高めるためには、定期的に顧客の行動を予測して施策を打つことが好ましい。しかしながら、機械学習によって生成されたモデルを用いて顧客の行動を予測する運用では、モデルの構築、検証、デプロイなど、手動で管理されているプロセスが運用に含まれている場合が多くある。このため、定期的に施策を打つためには、手動で管理されているプロセスを定期的に行う必要があり、作業者にかかる負荷が高くなってしまう。

上述の課題を鑑み、本発明の目的は、顧客行動の予測に基づく施策を定期的に行うための運用負荷を低減することが可能な顧客行動予測装置、顧客行動予測方法、及びプログラムを提供することにある。

上述の課題を解決するために、本発明の一態様に係る顧客行動予測装置は、顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得部と、取得された前記顧客情報を記憶する顧客情報記憶部と、前記顧客情報記憶部に記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工部と、少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成部と、生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習部と、生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測部と、を備える。

本発明の一態様に係る顧客行動予測方法は、顧客情報取得部が、顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得過程と、顧客情報記憶部が、取得された前記顧客情報を記憶する顧客情報記憶過程と、データ加工部が、前記顧客情報記憶部に記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工過程と、データ生成部が、少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成過程と、学習部が、生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習過程と、予測部が、生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測過程と、を含む。

本発明の一態様に係るプログラムは、コンピュータを、顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得手段と、取得された前記顧客情報を記憶する顧客情報記憶手段と、記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工手段と、少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成手段と、生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習手段と、生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測手段と、として機能させる。

本発明によれば、顧客行動の予測に基づく施策を定期的に行うための運用負荷を低減することができる。

本実施形態に係る顧客行動予測システムの概略構成の一例を示す図である。 本実施形態に係る顧客行動予測装置の機能構成の一例を示すブロック図である。 本実施形態に係る学習用データ生成用テーブルのデータ構成の一例を示す図である。 本実施形態に係る予測用データ生成用テーブルのデータ構成の一例を示す図である。 本実施形態に係る学習用データのデータ構成の一例を示す図である。 本実施形態に係る予測用データのデータ構成の一例を示す図である。 本実施形態に係る各期間の関係性の一例を示す図である。 本実施形態に係る予測結果の一例を示す図である。 本実施形態に係る予測情報の一例を示す図である。 本実施形態に係る処理の流れの一例を示すシーケンス図である。

以下、図面を参照しながら本発明の実施形態について詳しく説明する。

＜１．顧客行動予測システムの概略構成＞
まず、図１を参照して、本実施形態に係る顧客行動予測システムの概略構成について説明する。図１は、本実施形態に係る顧客行動予測システムの概略構成の一例を示す図である。
図１に示す顧客行動予測システム１は、サービスの利用者である顧客の行動（以下、「顧客行動」とも称される）を予測するためのシステムである。顧客行動予測システム１は、顧客の特徴量を示す情報（以下、「特徴量情報」とも称される）に基づき顧客ごとの顧客行動を予測し、予測結果を示す情報（以下、「予測情報」とも称される）を出力する。サービスの提供者は、出力された予測情報に基づき、顧客ごとに適切な施策を打つことができる。
なお、顧客行動予測システム１の対象となるサービスの内容は、特に限定されない。以下では、サービスの提供者が商品を販売し、顧客が商品を購入するサービスを一例に、本実施形態について説明する。
図１に示すように、顧客行動予測システム１は、サービス管理システム１０と、クラウドストレージ２０と、顧客行動予測装置３０と、管理端末４０とを備える。

（１）サービス管理システム１０
サービス管理システム１０は、サービスの管理に用いられるシステムである。サービス管理システム１０は、例えば、サーバ（又はサーバ群）によって実現される。
サービス管理システム１０による管理の一例として、顧客情報の管理がある。サービス管理システム１０は、例えば、ＣＤＰ（Customer Data Platform）やＤＭＰ（Data Management Platform）などのプラットフォームによって顧客に関する情報（以下、「顧客情報」とも称される）を管理する。サービス管理システム１０が管理する顧客情報には、例えば、顧客の属性やサービス利用状況などを示す情報が含まれる。顧客の属性の一例として、性別、年齢、居住エリア、職業、会員種別などがある。顧客の属性は、例えば顧客がサービスへ会員登録をした際に取得される。サービス利用状況の一例として、誰が、いつ、どこで、何を、どのくらい、いくらで買ったかなどを示す情報（即ちトランザクションデータ）がある。サービス利用状況は、例えば顧客がサービスを利用するごとに取得され、蓄積される。

サービス管理システム１０は、図１に示すネットワークＮＷを介して、クラウドストレージ２０と通信可能に接続されている。サービス管理システム１０は、定期的（例えば日次、週次、月次など）に顧客情報を出力する。サービス管理システム１０から出力された顧客情報は、ネットワークＮＷを介して、クラウドストレージ２０へ送信される。また、サービス管理システム１０は、ネットワークＮＷを介して、クラウドストレージ２０から予測情報を受信する。サービス管理システム１０は、受信した予測情報をサービスの提供者が確認できるよう出力する。

（２）クラウドストレージ２０
クラウドストレージ２０は、各種情報を記憶するための記憶装置である。本実施形態では、クラウドストレージ２０は、各種情報を一時的に記憶するために用いられる。クラウドストレージ２０は、図１に示すネットワークＮＷを介して、サービス管理システム１０と、顧客行動予測装置３０と通信可能に接続されている。
クラウドストレージ２０は、サービス管理システム１０から受信する顧客情報を一時的に記憶し、顧客行動予測装置３０へ送信する。また、クラウドストレージ２０は、顧客行動予測装置３０から受信する予測情報を一時的に記憶し、サービス管理システム１０へ送信する。

（３）顧客行動予測装置３０
顧客行動予測装置３０は、顧客行動の予測に関する処理を行う装置である。顧客行動予測装置３０は、例えば、サーバ（又はサーバ群）によって実現される。顧客行動予測装置３０は、図１に示すネットワークＮＷを介して、クラウドストレージ２０と、管理端末４０と通信可能に接続されている。

顧客行動予測装置３０は、クラウドストレージ２０から顧客情報を受信し、当該顧客情報を加工した特徴量情報に基づき顧客行動を予測する。例えば、顧客行動予測装置３０は、特徴量情報と顧客行動との関係性を機械学習した学習済みモデルを用いて、顧客行動を予測する。顧客行動予測装置３０は、予測結果に基づき予測情報を生成し、クラウドストレージ２０へ送信する。

また、顧客行動予測装置３０は、管理端末４０から顧客行動予測装置３０の設定を示す情報（以下、「設定情報」とも称される）を受信し、管理端末４０へ学習済みモデルに関する情報（以下、「モデル情報」とも称される）やアラート通知などを送信する。
設定情報は、顧客行動の予測に関する処理について、顧客行動予測システム１の管理者によって予め設定される情報である。設定情報には、例えば、予測に関する設定や学習に関する設定などが含まれる。
モデル情報には、例えば、学習済みモデルのモデル精度を示す情報が含まれる。モデル精度を示す情報は、例えば、モデル精度を示す数値であってもよいし、当該数値の時系列変化を示すグラフ（例えば折れ線グラフ）などであってもよい。アラート通知は、例えば、モデルのモデル精度が所定の範囲外（即ち精度ＮＧ）であることを通知する。
なお、モデル情報やアラート通知は、顧客行動予測装置３０からサービス管理システム１０やサービスの提供者が有する端末（不図示）へ送信されてもよい。

予測に関する設定の一例として、予測する顧客行動のテーマ（以下、「予測テーマ」とも称される）、顧客行動の予測を実行するタイミング（以下、「予測タイミング」とも称される）、顧客行動の予測を実行する周期（以下、「予測周期」とも称される）、顧客行動の予測対象となる期間（以下、「予測対象期間」とも称される）、顧客行動の予測に用いるデータ（以下、「予測用データ」とも称される）を取得する期間（以下、「予測用データ取得期間」とも称される）などがある。なお、予測用データ取得期間は、第１の期間である。
予測テーマの一例として、顧客離反予測、ＤＭ（Direct Mail）反応予測、特定商品購入予測などがある。顧客離反予測では、顧客がサービスから離反する見込み度が予測される。ＤＭ反応予測では、顧客が送付されたＤＭに反応する見込み度が予測される。特定商品購入予測では、顧客が特定の商品を購入する見込み度が予測される。

学習に関する設定の一例として、顧客行動の学習を実行するタイミング（以下、「学習タイミング」とも称される）、顧客行動の学習を実行する周期（以下、「学習周期」とも称される）、顧客行動を学習対象となる期間（以下、「学習対象期間」とも称される）、顧客行動の学習に用いるデータ（以下、「学習用データ」とも称される）を取得する期間（以下、「学習用データ取得期間」とも称される）などがある。なお、学習用データ取得期間は、第２の期間である。
なお、学習に関する設定は、管理者によって設定された予測に関する設定に合わせて、顧客行動予測装置３０が設定してもよい。

（４）管理端末４０
管理端末４０は、顧客行動予測システム１の管理者が使用する端末である。管理端末４０は、例えば、ＰＣ（Personal Computer）、タブレット端末、スマートフォンなどいずれの端末によって実現されてもよい。管理端末４０は、図１に示すネットワークＮＷを介して、顧客行動予測装置３０と通信可能に接続されている。
管理端末４０は、顧客行動予測装置３０からモデル情報やアラート通知を受信し、出力する。また、管理端末４０は、顧客行動予測システム１の管理者によって入力される設定情報を顧客行動予測装置３０へ送信する。

＜２．顧客行動予測装置の機能構成＞
以上、本実施形態に係る顧客行動予測システム１の概略構成について説明した。続いて、図２から図９を参照して、本実施形態に係る顧客行動予測装置３０の機能構成について説明する。図２は、本実施形態に係る顧客行動予測装置３０の機能構成の一例を示すブロック図である。
図２に示すように、顧客行動予測装置３０は、通信部３１０と、記憶部３２０と、制御部３３０とを備える。

（１）通信部３１０
通信部３１０は、各種情報の送受信を行う機能を有する。例えば、通信部３１０は、クラウドストレージ２０との通信において、顧客情報を受信し、予測情報を送信する。また、通信部３１０は、管理端末４０との通信において、モデル情報又はアラート通知を送信する。

（２）記憶部３２０
記憶部３２０は、各種情報を記憶する機能を有する。記憶部３２０は、記憶媒体、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＡＭ（Random Access read/write Memory）、ＲＯＭ（Read Only Memory）、またはこれらの記憶媒体の任意の組み合わせによって構成される。
図２に示すように、記憶部３２０は、顧客情報記憶部３２１と、設定情報記憶部３２２と、モデル情報記憶部３２３とを備える。

（２－１）顧客情報記憶部３２１
顧客情報記憶部３２１は、顧客情報を記憶する。顧客情報記憶部３２１は、通信部３１０を介してクラウドストレージ２０から受信した顧客情報を記憶する。

（２－２）設定情報記憶部３２２
設定情報記憶部３２２は、設定情報を記憶する。設定情報記憶部３２２は、通信部３１０を介して管理端末４０から受信した設定情報を記憶する。

（２－３）モデル情報記憶部３２３
モデル情報記憶部３２３は、モデル情報を記憶する。モデル情報記憶部３２３は、顧客行動予測装置３０が学習済みモデルを生成してその精度を検証した際に取得されるモデル情報を記憶する。

（３）制御部３３０
制御部３３０は、顧客行動予測装置３０の動作全般を制御する機能を有する。制御部３３０は、例えば、顧客行動予測装置３０がハードウェアとして備えるＣＰＵ（Central Processing Unit）にプログラムを実行させることによって実現される。
図２に示すように、制御部３３０は、顧客情報取得部３３１と、データ加工部３３２と、データ生成部３３３と、学習部３３４と、モデル情報出力部３３５と、アラート通知部３３６と、予測部３３７と、予測情報出力部３３８とを備える。

（３－１）顧客情報取得部３３１
顧客情報取得部３３１は、顧客情報を取得する機能を有する。顧客情報取得部３３１は、サービス管理システム１０から送信された顧客情報がクラウドストレージ２０に記憶されたことを検知した場合、クラウドストレージ２０から顧客情報を取得し、顧客情報記憶部３２１に記憶させる。

（３－２）データ加工部３３２
データ加工部３３２は、顧客情報を加工する機能を有する。データ加工部３３２は、顧客情報を特徴量情報に加工する。例えば、顧客情報の中に、１人の顧客について複数行のレコードが存在する場合、複数行のレコードを１行のレコードにまとめる加工処理を行う。即ち、データ加工部３３２は、顧客情報を顧客単位にまとめることで特徴量情報とする。加工処理では、複数行のレコードが有する各カラムの情報を同一のカラムごとに集計することで１行のレコードとする。なお、顧客情報の中に１人の顧客について１行のレコードしか存在しない場合、データ加工部３３２は、そのレコードをそのまま特徴量情報としてもよい。また、データ加工部３３２は、顧客単位よりも細かい粒度の単位で顧客情報を加工して特徴量情報としてもよい。当該単位は、学習単位に応じて設定される。
また、データ加工部３３２は、特徴量情報を加工してデータ生成用テーブルを生成する加工処理を行う。
各加工処理が実行されるタイミングは特に限定されず、任意のタイミングで実行されてよい。例えば、各加工処理は、顧客情報取得部３３１によって顧客情報が取得されたタイミング、スケジューラによってスケジュールされたタイミング、予測タイミングが到来したタイミングなどに実行されてよい。
なお、予測タイミングが到来したタイミングにおいては、各加工処理が行われることが好ましい。これにより、予測タイミングにおいて顧客行動の予測に用いる情報が最新化されるため、予測精度を向上することができる。

データ生成用テーブルを生成する加工処理において、データ加工部３３２は、例えば学習用データ生成用テーブルと予測用データ生成用テーブルを生成する。
学習用データ生成用テーブルは、学習対象となる顧客の特徴量情報と、予測テーマごとに用意される正解データとを対応付けたテーブルである。なお、特徴量情報が顧客単位である場合、正解データは、顧客ごとに用意され、各顧客の特徴量情報ごとに対応付けられる。これにより、学習用データ生成用テーブルでは、顧客ごとに、少なくとも１以上の特徴量と少なくとも１以上の正解データとが対応付けられた状態となる。特徴量情報が顧客単位よりも細かい粒度の単位である場合には、その単位ごとに正解データが用意される。
予測用データ生成用テーブルは、予測対象となる顧客の特徴量情報に対して、当該特徴量情報に基づく予測テーマごとの予測結果を追加するためのテーブルである。

ここで、図３を参照して、本実施形態に係る学習用データ生成用テーブルについて説明する。図３は、本実施形態に係る学習用データ生成用テーブルのデータ構成の一例を示す図である。
図３に示す学習用データ生成用テーブルでは、学習対象となる顧客の顧客ＩＤに対して、それぞれ特徴量と正解データとが対応付けられている。顧客ＩＤの一例として、「０００００１」、「０００００２」、「０００００３」が示されている。特徴量の一例として、「性別」、「年齢」、「居住エリア」、「職業」、「会員種別」が示されている。正解データの一例として、「顧客離反」、「ＤＭ反応」、「特定商品購入」が示されている。例えば、「顧客離反」の正解データは、顧客が離反したこと、あるいは離反しなかったことを示すデータである。また、「ＤＭ反応」の正解データは、顧客がＤＭに反応したこと、あるいは反応しなかったことを示すデータである。また、「特定商品購入」の正解データは、顧客が特定商品を購入したこと、あるいは購入しなかったことを示すデータである。

ここで、図４を参照して、本実施形態に係る予測用データ生成用テーブルについて説明する。図４は、本実施形態に係る予測用データ生成用テーブルのデータ構成の一例を示す図である。
図４に示す予測用データ生成用テーブルでは、予測対象となる顧客の顧客ＩＤに対して、それぞれ特徴量のカラムとが対応付けられている。顧客ＩＤの一例として、「０００１１１」、「０００１１２」、「０００１１３」が示されている。特徴量の一例として、「性別」、「年齢」、「居住エリア」、「職業」、「会員種別」が示されている。当該特徴量に基づき予測が行われると、その予測結果を示すカラムが最終カラムに追加される。追加される予測結果のカラムの一例として、「顧客離反見込み度」、「ＤＭ反応見込み度」、「特定商品購入見込み度」などがある。

図３及び図４を参照して説明したように、データ生成用テーブルには、予測テーマが複数ある場合に、各予測テーマの学習及び予測に用いる特徴量と各予測テーマの正解データの全てを、１つのテーブルでまとめて管理することができる。これにより、多様な予測テーマに対して、精度よく一括で対応することができる。

（３－３）データ生成部３３３
データ生成部３３３は、各種データを生成する機能を有する。データ生成部３３３は、少なくとも特徴量情報に基づき、学習用データと予測用データを生成する。データ生成部３３３が各データの生成に用いる特徴量情報は、データ加工部３３２によって生成されたデータ生成用テーブルに含まれる特徴量情報である。データ生成部３３３は、学習用データ生成用テーブルに基づき学習用データを生成し、予測用データ生成用テーブルから予測用データを生成する。
より具体的に、データ生成部３３３は、学習用データ生成用テーブルから、予測テーマごとに各予測テーマに応じた特徴量と正解データを抽出して学習用データを生成する。例えば、予測テーマとして顧客離反とＤＭ反応の２つが設定されているとする。この場合、データ生成部３３３は、学習用データ生成用テーブルから、顧客離反の予測に関係のある特徴量と顧客離反の正解データを組とするデータセットと、ＤＭ反応の予測に関係のある特徴量とＤＭ反応の正解データを組とするデータセットとを抽出することで、学習用データを生成する。また、データ生成部３３３は、予測用データ生成用テーブルから、学習用データと同一の特徴量を抽出することで、予測用データを生成する。

各データを生成するために特徴量を手動で選定する運用の場合には、特徴量の選定精度は作業者のドメイン知識に頼る部分が大きく、試行錯誤が発生することもあった。これに対して、本実施形態では、データ生成部３３３の機能によって、人間ではなく機械によって特徴量の選定が行われるため、作業者間で品質の差が生まれにくくなり、試行錯誤の回数を削減することもできる。これにより、特徴量の選定をより精度高く効率的に実施することができる。

ここで、図５を参照して、本実施形態に係る学習用データについて説明する。図５は、本実施形態に係る学習用データのデータ構成の一例を示す図である。
図５には、予測テーマが「顧客離反」である場合の学習用データが示されている。この学習用データでは、学習対象となる顧客の顧客ＩＤに対して、予測テーマ「顧客離反」に合わせて学習用データ生成用テーブルから抽出された特徴量情報（特徴量）と正解データが対応付けられている。顧客ＩＤの一例として、「０００００１」、「０００００２」、「０００００３」が示されている。特徴量の一例として、「性別」、「年齢」、「最終購買日」、「購入回数」、「購入金額」が示されている。正解データの一例として、「顧客離反」の正解データが示されている。

ここで、図６を参照して、本実施形態に係る予測用データについて説明する。図６は、本実施形態に係る予測用データのデータ構成の一例を示す図である。
図６には、予測テーマが「顧客離反」である場合の予測用データが示されている。この予測用データでは、予測対象となる顧客の顧客ＩＤに対して、図５に示す学習用データに合わせて予測用データ生成用テーブルから抽出された、学習用データと同一の特徴量情報（特徴量）が対応付けられている。顧客ＩＤの一例として、「０００１１１」、「０００１１２」、「０００１１３」が示されている。特徴量の一例として、「性別」、「年齢」、「最終購買日」、「購入回数」、「購入金額」が示されている。当該特徴量に基づき予測が行われた場合、その予測結果を示すカラムが最終カラムに追加されてもよい。

データ生成部３３３が学習用データと予測用データを生成するタイミングは、予測タイミングが到来したタイミングである。データ生成部３３３は、予測タイミングが到来する度に、到来した予測タイミングにおいて顧客情報記憶部３２１に記憶されている最新の顧客情報が加工された特徴量情報を少なくとも用いて、学習用データと予測用データを新しく生成する。これにより、本実施形態では、常に最新のデータを用いて学習及び予測を行うことができるため、予測精度を向上することができる。

具体的に、データ生成部３３３は、予測用データ生成用テーブルにおいて、予測タイミングから予測用データ取得期間だけ過去に取得された顧客情報が加工された特徴量情報に基づき、予測用データを生成する。例えば、予測用データ取得期間が１年に設定されている場合、データ生成部３３３は、予測用データ生成用テーブルにおいて、予測タイミングから過去１年分の顧客情報が加工された特徴量情報を用いて予測用データを生成する。より具体的に、例えば予測タイミングが今年の７月である場合、データ生成部３３３は、今年の６月から去年の７月までの１年分の顧客情報が加工された特徴量情報を用いて予測用データを生成する。

また、データ生成部３３３は、学習用データ生成用テーブルにおいて、予測タイミングよりも過去であり、かつ予測タイミングと対応するタイミングである学習タイミングから、予測用データ取得期間と対応する学習用データ取得期間だけ過去に取得された顧客情報が加工された特徴量情報に基づき、学習用データを生成する。例えば、学習タイミングが予測タイミングの１年前に設定され、予測用データ取得期間が１年に設定されているとする。この場合、データ生成部３３３は、学習用データ生成用テーブルにおいて、予測タイミングから１年前である学習タイミングから過去１年分の顧客情報が加工された特徴量情報を用いて学習用データを生成する。より具体的に、例えば予測タイミングが今年の７月である場合は昨年の７月が学習タイミングとなり、データ生成部３３３は、昨年の６月から一昨年の７月までの１年分の顧客情報が加工された特徴量情報を用いて学習用データを生成する。

また、データ生成部３３３は、予測タイミングが到来した際に、前回の予測タイミングにおける予測用データ取得期間と学習用データ取得期間を、到来した予測タイミングと前回の予測タイミングとの間の期間分だけ未来へずらし、到来した予測タイミングにおける予測用データ取得期間と学習用データ取得期間とする。例えば、予測周期が月次単位（１ヶ月単位）で設定されている場合、到来した予測タイミングと前回の予測タイミングとの間の期間は１ヶ月となる。この場合、データ生成部３３３は、前回の予測タイミングにおける予測用データ取得期間と学習用データ取得期間を１ヶ月未来にずらした予測用データ取得期間と学習用データ取得期間を、到来した予測タイミングにおける予測用データ取得期間と学習用データ取得期間とする。
これにより、本実施形態では、予測の度に直近のデータを含めて再学習することができ、学習済みモデルの鮮度を常に最新に保つことができ、世の中のトレンド変化にも対応することができる。

ここで、図７を参照して、本実施形態に係る各期間の関係性について説明する。図７は、本実施形態に係る各期間の関係性の一例を示す図である。
図７に示す例では、予測タイミングが「基準月」と示され、学習タイミングは予測タイミングの１年前、予測対象期間と学習対象期間は２カ月、予測用データ取得期間と学習用データ取得期間は１年と設定されている。
また、実運用において、ＤＭの宛名印字やＤＭの発送などに基準月から１ヶ月ほどかかる場合がある。そこで、図７に示す例では、この実運用に合わせて、基準月から予測対象期間までに１ヶ月の施策準備期間を設けている。これに伴い、学習タイミングから学習対象期間までにも１ヶ月の調整期間を設けている。
上述の設定より、図７に示す例では、基準月＋１ヶ月から＋３か月の期間が予測対象期間、基準月から基準月－１２カ月の期間が予測用データ取得期間、基準月－９カ月から－１１カ月の期間が学習対象期間、基準月－１２カ月から－２４カ月の期間が学習用データ取得期間となっている。

なお、各期間の設定値は、上述した例に限定されず、任意に設定されてよい。例えば、季節変動に応じて各期間を設定することで、季節変動を加味した学習及び予測を行うこともでき、マーケティングにより強い学習済みモデルを生成することもできる。

（３－４）学習部３３４
学習部３３４は、学習済みモデルを生成する機能を有する。学習部３３４は、データ生成部３３３によって生成された学習用データに基づき、特徴量情報と顧客行動との関係性を機械学習した学習済みモデルを生成する。具体的に、学習部３３４は、学習用データに含まれる特徴量情報（特徴量）と正解データの組を入力として、その関係性を機械学習することで学習済みモデルを生成する。
複数の予測テーマが設定されており、データ生成部３３３によって予測テーマごとに学習用データが生成された場合、学習部３３４は、各学習用データに基づき、予測テーマごとに学習済みモデルを生成する。

学習部３３４が学習済みモデルを生成するタイミングは、予測タイミングが到来したタイミングである。学習部３３４は、予測タイミングが到来する度に、データ生成部３３３によって新しく生成された学習用データに基づき、学習済みモデルを新しく生成する。

また、学習部３３４は、学習済みモデルを生成する度に、生成した学習済みモデルのモデル精度を検証する。例えば、学習部３３４は、予め設定されたモデルの精度の例えば閾値や範囲に基づき、生成した学習済みモデルのモデル精度が許容される精度であるか否かを判定する。モデル精度が許容される精度である場合、学習部３３４は、予測部３３７に学習済みモデルを用いた顧客行動の予測を実行させる。一方、モデル精度が許容されない精度である場合、学習部３３４は、アラート通知部３３６にアラートの通知を実行させる。
また、学習部３３４は、モデル精度が許容される精度であるか否かに関わらず、モデル精度の検証結果をモデル情報として、モデル情報記憶部３２３に記憶させる。

（３－５）モデル情報出力部３３５
モデル情報出力部３３５は、モデル情報を出力する機能を有する。モデル情報出力部３３５は、モデル情報記憶部３２３に記憶されているモデル情報を取得し、通信部３１０を介して管理端末４０へ送信し、管理端末４０にモデル情報を表示させる。なお、モデル情報出力部３３５は、管理者が管理端末４０に表示されたブラウザから確認できるようモデル情報を出力してもよい。

（３－６）アラート通知部３３６
アラート通知部３３６は、アラート通知を行う機能を有する。例えば、アラート通知部３３６は、学習部３３４によって生成された学習済みモデルのモデル精度が許容されない精度であった場合に、通信部３１０を介して管理端末４０に対してアラートの通知を行う。

（３－７）予測部３３７
予測部３３７は、顧客行動を予測する機能を有する。予測部３３７は、データ生成部３３３によって生成された予測用データと、学習部３３４によって生成された学習済みモデルとに基づき、顧客行動を予測する。具体的に、予測部３３７は、学習済みモデルに対して予測用データを入力し、学習済みモデルから出力される情報（例えば見込み度）を予測結果として出力する。

予測部３３７が顧客行動を予測するタイミングは、予測タイミングが到来したタイミングである。予測部３３７は、顧客行動の予測タイミングが到来する度に、学習部３３４によって新しく生成される学習済みモデルを用いて、顧客行動を予測する。
複数の予測テーマが設定されており、学習部３３４によって予測テーマごとに学習済みモデルが生成された場合、予測部３３７は、予測テーマごとに異なる学習済みモデルを用いて、予測テーマごとに顧客行動を予測する。

ここで、図８を参照して、本実施形態に係る予測結果について説明する。図８は、本実施形態に係る予測結果の一例を示す図である。
予測結果を示すカラムは、例えば、図６に示した予測用データの最終カラムとして追加される。図８に示す例の場合、予測結果のカラムである顧客離反見込み度のカラムが追加されている。

（３－８）予測情報出力部３３８
予測情報出力部３３８は、予測情報を生成して出力する機能を有する。例えば、予測情報出力部３３８は、予測結果が入力された予測用データを加工して、予測情報を生成する。一例として、予測情報出力部３３８は、予測用データの顧客ＩＤのカラムと予測結果のカラム以外のカラムを削除し、顧客ＩＤのカラムと予測結果のカラムのみからなるテーブルを予測情報として生成する。予測情報出力部３３８は、通信部３１０を介して、生成した予測情報をクラウドストレージ２０へ送信する。

ここで、図９を参照して、本実施形態に係る予測情報について説明する。図９は、本実施形態に係る予測情報の一例を示す図である。
図９に示すように、予測情報は、顧客ＩＤのカラムと予測結果のカラムのみを有する。サービスの提供者は、クラウドストレージ２０を介してサービス管理システム１０へ送信された予測情報を参照して、顧客ごとに予測結果に応じた施策を検討することができる。例えば、図９に示す例の場合、サービスの提供者は、顧客離反見込み度に応じて、顧客離反を防止するための施策を検討できる。
一例として、サービスの提供者は、顧客ＩＤ「０００１１１」と「０００１１４」の顧客のように顧客離反見込み度がとても高い顧客には、離反防止用の特典付きＤＭを送付する施策を実施することを検討できる。また、サービスの提供者は、顧客ＩＤ「０００１１３」の顧客のように顧客離反見込み度が高い顧客には、離反防止用の普通のＤＭを送付する施策を実施することを検討できる。また、サービスの提供者は、顧客ＩＤ「０００１１５」と「０００１１８」の顧客のように顧客離反見込み度がやや高い顧客には、離反防止用のメールを送付する施策を実施することを検討できる。また、サービスの提供者は、顧客ＩＤ「０００１１２」と「０００１１６」と「０００１１７」の顧客のように顧客離反見込み度が低い顧客には、施策を実施しないことを検討できる。

＜３．処理の流れ＞
以上、本実施形態に係る顧客行動予測装置３０の機能構成について説明した。続いて、図１０を参照して、本実施形態に係る処理の流れについて説明する。図１０は、本実施形態に係る処理の流れの一例を示すシーケンス図である。

図１０に示すように、まず、サービス管理システム１０は、定期的（日次、週次、又は月次のタイミングなど）に顧客情報をクラウドストレージ２０へ送信する（ステップＳ１０１）。
クラウドストレージ２０は、サービス管理システム１０から受信した顧客情報を一時的に記憶（ファイルとして保持）する（ステップＳ１０２）。

顧客行動予測装置３０の顧客情報取得部３３１は、サービス管理システム１０から送信された顧客情報がクラウドストレージ２０に記憶されたことを検知した場合、クラウドストレージ２０から顧客情報を取得する（ステップＳ１０３）。
顧客情報記憶部３２１は、顧客情報取得部３３１が取得した顧客情報を記憶（データベース上で保持）する（ステップＳ１０４）。
顧客行動の予測タイミングが到来した場合（ステップＳ１０５／ＹＥＳ）、処理はステップＳ１０６へ進む。一方、顧客行動の予測タイミングが到来していない場合（ステップＳ１０５／ＮＯ）、処理は予測タイミングが到来するまでステップＳ１０６へ進まない。

処理がステップＳ１０６へ進んだ場合、データ加工部３３２は、データの加工処理を行う（ステップＳ１０６）。具体的に、まず、データ加工部３３２は、顧客情報を学習単位（例えば顧客単位）にまとめることで特徴量情報に加工する。加工処理において、顧客情報の中に１人の顧客について複数行のレコードが存在する場合、データ加工部３３２は、複数行のレコードを１行のレコードにまとめる。一方、顧客情報の中に１人の顧客について１行のレコードしか存在しない場合、データ加工部３３２は、そのレコードをそのまま特徴量情報とする。さらに、データ加工部３３２は、学習用データ生成のための正解データも作成する。
次いで、データ加工部３３２は、少なくとも特徴量情報に基づきデータ生成用テーブル（学習用データ生成用テーブルと予測用データ生成用テーブル）を生成する。具体的に、データ加工部３３２は、特徴量情報と正解データとに基づき学習用データ生成用テーブルを生成し、特徴量情報に基づき予測用データ生成テーブルを生成する。

データ加工後、データ生成部３３３は、学習用データと予測用データを生成する（ステップＳ１０７）。具体的に、データ生成部３３３は、データ加工部３３２によって生成された学習用データ生成用テーブルから学習用データを生成し、予測用データ生成用テーブルから予測用データを生成する。
データ生成後、学習部３３４は、学習済みモデルを生成する（ステップＳ１０８）。具体的に、学習部３３４は、データ生成部３３３によって生成された学習用データを用いた機械学習によって学習済みモデルを生成する。学習済みモデルの生成後、学習部３３４は、生成した学習済みモデルのモデル精度を検証し、モデル精度の検証結果をモデル情報として、モデル情報記憶部３２３に記憶させる。
モデル情報出力部３３５は、モデル情報記憶部３２３に記憶されているモデル情報を取得し、通信部３１０を介して管理端末４０へ送信する（ステップＳ１０９）。なお、モデル情報出力部３３５は、管理者が管理端末４０に表示されたブラウザから確認できるようモデル情報を出力してもよい。

学習部３３４によるモデル精度の検証の結果、モデル精度が許容される精度であった場合（ステップＳ１１０／ＹＥＳ）、処理はステップＳ１１１へ進む。一方、モデル精度が許容されない精度であった場合（ステップＳ１１０／ＮＯ）、処理はステップＳ１１５へ進む。

処理がステップＳ１１１へ進んだ場合、予測部３３７は、顧客行動を予測する（ステップＳ１１１）。具体的に、予測部３３７は、データ生成部３３３によって生成された予測用データと学習部３３４によって生成された学習済みモデルを用いて、顧客行動を予測する。
予測後、予測情報出力部３３８は、予測情報を生成してクラウドストレージ２０へ送信する（ステップＳ１１２）。具体的に、予測情報出力部３３８は、予測部３３７による予測結果が入力された予測用データを加工して、顧客ＩＤのカラムと予測結果のカラムのみの予測情報を生成する。そして、予測情報出力部３３８は、通信部３１０を介して、生成した予測情報をクラウドストレージ２０へ送信する。

クラウドストレージ２０は、顧客行動予測装置３０から受信した予測情報を一時的に記憶する（ステップＳ１１３）。
その後、クラウドストレージ２０は、所定のタイミング、あるいはサービス管理システム１０から要求があったタイミングで、予測情報をサービス管理システム１０へ送信する（ステップＳ１１４）。

処理がステップＳ１１５へ進んだ場合、アラート通知部３３６は、管理端末４０に対してアラート通知を行う。

以上説明したように、本実施形態に係る顧客行動予測装置３０は、顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、顧客に関する顧客情報を取得する顧客情報取得部３３１と、取得された顧客情報を記憶する顧客情報記憶部３２１と、顧客情報記憶部３２１に記憶されている顧客情報を、顧客の特徴量を示す特徴量情報に加工するデータ加工部３３２と、少なくとも特徴量情報に基づき、学習用データと予測用データを生成するデータ生成部３３３と、生成された学習用データに基づき、特徴量情報と顧客行動との関係性を機械学習した学習済みモデルを生成する学習部３３４と、生成された予測用データと学習済みモデルとに基づき、顧客行動を予測する予測部３３７と、を備える。

かかる構成により、本実施形態に係る顧客行動予測装置３０は、機械学習によって生成されたモデルを用いて顧客の行動を予測する運用において、モデルの構築、検証、デプロイなど手動で管理されているプロセスを削減することができる。これにより、顧客行動予測装置３０は、定期的に顧客の行動を予測して施策を打つために、作業者にかかる負荷を低減することができる。
よって、本実施形態に係る顧客行動予測装置３０は、顧客行動の予測に基づく施策を定期的に行うための運用負荷を低減することを可能とする。

また、本実施形態に係る顧客行動予測システム１では、顧客行動予測装置３０によって、顧客情報の取得、データ加工、データ生成、学習済みモデル生成、顧客行動予測、各種情報出力の一連の流れを自動化するパイプラインを構築することができる。これにより、人が手動で行う作業を最小限に抑えることができ、作業者にかかる運用負荷を低減することができる。また、人が手動で行う作業を最小限に抑えられることで、ヒューマンエラーの発生を減らすことができ、品質を向上することもできる。

また、本実施形態に係る顧客行動予測装置３０は、新しい予測テーマが追加された場合であっても、データ生成用テーブルに新しい予測テーマの正解データを追加するだけで、データ生成用テーブルに既存の特徴量を用いて学習及び予測を行うことができる。これにより、新しい予測テーマの追加にかかる工数と労力を低減することができる。

また、本実施形態に係る顧客行動予測装置３０では、学習用データ及び予測用データに用いる特徴量の選定が、人ではなくデータ生成部３３３によって行われる。これにより、特徴量の選定において作業者のドメイン知識に頼ることなく、試行錯誤の回数も低減することができる。このため、特徴量選定の精度を向上することや特徴量選定にかかる工数と労力を低減することもできる。

また、本実施形態に係る顧客行動予測装置３０は、常に最新のデータで学習及び予測を行うことができるため、学習済みモデルの予測精度を向上することができる。
また、顧客行動予測装置３０では、高速データ処理が可能になることで、大量のデータを用意して学習済みモデルへ投入しても処理できるため、学習済みモデルの予測精度を向上することができる。

以上、本発明の実施形態について説明した。なお、上述した実施形態における顧客行動予測装置３０の全部又は一部の機能をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよく、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

以上、図面を参照してこの発明の実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

１…顧客行動予測システム、１０…サービス管理システム、２０…クラウドストレージ、３０…顧客行動予測装置、４０…管理端末、３１０…通信部、３２０…記憶部、３２１…顧客情報記憶部、３２２…設定情報記憶部、３２３…モデル情報記憶部、３３０…制御部、３３１…顧客情報取得部、３３２…データ加工部、３３３…データ生成部、３３４…学習部、３３５…モデル情報出力部、３３６…アラート通知部、３３７…予測部、３３８…予測情報出力部、ＮＷ…ネットワーク

Claims (10)

1. 顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得部と、
   取得された前記顧客情報を記憶する顧客情報記憶部と、
   前記顧客情報記憶部に記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工部と、
   少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成部と、
   生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習部と、
   生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測部と、
   を備える顧客行動予測装置。
2. 前記予測部は、前記顧客行動の予測タイミングが到来する度に新しく生成される前記学習済みモデルを用いて、前記顧客行動を予測する、
   請求項１に記載の顧客行動予測装置。
3. 前記データ生成部は、到来した前記予測タイミングにおいて前記顧客情報記憶部に記憶されている最新の前記顧客情報が加工された前記特徴量情報に基づき、前記学習用データと前記予測用データを新しく生成し、
   前記学習部は、新しく生成された前記学習用データに基づき、前記学習済みモデルを新しく生成する、
   請求項２に記載の顧客行動予測装置。
4. 前記データ生成部は、
   前記予測タイミングから第１の期間だけ過去に取得された前記顧客情報が加工された前記特徴量情報に基づき、前記予測用データを生成し、
   前記予測タイミングよりも過去であり、かつ前記予測タイミングと対応するタイミングである学習タイミングから、前記第１の期間と対応する第２の期間だけ過去に取得された前記顧客情報が加工された前記特徴量情報に基づき、前記学習用データを生成する、
   請求項３に記載の顧客行動予測装置。
5. 前記データ生成部は、前記予測タイミングが到来した際に、前回の前記予測タイミングにおける前記第１の期間と前記第２の期間を、到来した前記予測タイミングと前回の前記予測タイミングとの間の期間分だけ未来へずらし、到来した前記予測タイミングにおける前記第１の期間及び前記第２の期間とする、
   請求項４に記載の顧客行動予測装置。
6. 前記予測部は、少なくとも１以上設定される予測テーマごとに、前記学習済みモデルを用いて前記顧客行動を予測する、
   請求項２に記載の顧客行動予測装置。
7. 前記学習部は、前記特徴量情報に基づき前記予測テーマごとに生成される前記学習用データに基づき、前記予測テーマごとに前記学習済みモデルを生成する、
   請求項６に記載の顧客行動予測装置。
8. 前記データ加工部は、前記特徴量情報と、前記予測テーマごとに用意される正解データとを対応付けたデータ生成用テーブルを生成し、
   前記データ生成部は、前記データ生成用テーブルから、前記予測テーマごとに各予測テーマに応じた前記特徴量と前記正解データを抽出して前記学習用データを生成する、
   請求項６又は請求項７に記載の顧客行動予測装置。
9. 顧客情報取得部が、顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得過程と、
   顧客情報記憶部が、取得された前記顧客情報を記憶する顧客情報記憶過程と、
   データ加工部が、前記顧客情報記憶部に記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工過程と、
   データ生成部が、少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成過程と、
   学習部が、生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習過程と、
   予測部が、生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測過程と、
   を含む顧客行動予測方法。
10. コンピュータを、
    顧客行動の予測対象となる顧客が利用しているサービスのシステムから定期的に出力される、前記顧客に関する顧客情報を取得する顧客情報取得手段と、
    取得された前記顧客情報を記憶する顧客情報記憶手段と、
    記憶されている前記顧客情報を、前記顧客の特徴量を示す特徴量情報に加工するデータ加工手段と、
    少なくとも前記特徴量情報に基づき、学習用データと予測用データを生成するデータ生成手段と、
    生成された前記学習用データに基づき、前記特徴量情報と前記顧客行動との関係性を機械学習した学習済みモデルを生成する学習手段と、
    生成された前記予測用データと前記学習済みモデルとに基づき、前記顧客行動を予測する予測手段と、
    として機能させるためのプログラム。

Images