JP4218099B2 - データベース、顧客情報検索方法及び顧客情報検索装置 - Google Patents
データベース、顧客情報検索方法及び顧客情報検索装置 Download PDFInfo
- Publication number
- JP4218099B2 JP4218099B2 JP34435798A JP34435798A JP4218099B2 JP 4218099 B2 JP4218099 B2 JP 4218099B2 JP 34435798 A JP34435798 A JP 34435798A JP 34435798 A JP34435798 A JP 34435798A JP 4218099 B2 JP4218099 B2 JP 4218099B2
- Authority
- JP
- Japan
- Prior art keywords
- customer
- information
- database
- rule
- potential
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 37
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000003340 mental effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 16
- 230000006399 behavior Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000007418 data mining Methods 0.000 description 7
- 238000005094 computer simulation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000013405 beer Nutrition 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/953—Organization of data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99941—Database schema or data structure
- Y10S707/99944—Object-oriented database structure
- Y10S707/99945—Object-oriented database structure processing
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、顧客に関する情報に基づいて、所望の顧客を検索する顧客情報検索方法、顧客情報検索装置及び各種情報からなるデータベースに関し、詳しくは、顧客の性別及び年齢等のプロファイルに基づいて所望の顧客情報を検索するのに好適なデータベース、顧客情報検索方法及び顧客情報検索装置に関する。
【０００２】
【従来の技術】
消費者の将来における消費動向を探る一手段として、顧客データベース化がある。従来の顧客データベースに保存されている項目は、姓別、年齢、職業といった顧客の基本属性や商品の購買行動の時系列記録といった行動履歴からなっていた。
【０００３】
このような顧客データベースにより、データを統計的に処理することで顧客の行動パターンの規則性を見出し、顧客の行動の予測等に活用することができる。
【０００４】
例えば、おむつを買った男性は、同時にビールを買う可能性が高いといった分析結果がその事例である。
【０００５】
このような顧客データベース中に隠された規則を抽出して意志決定支援を行う手法としてデータマイニングがあり、近年、注目を集めている。
【０００６】
データマイニングとは、大容量のデータに隠された因果関係やパターンを探索したりモデル化するための、高度な手法で、複雑なデータ間の関係づけを可能にするものであり、人工知能、データ工学等の分野においてここ数年注目を浴びている意思決定支援手法である。
【０００７】
なお、このデータマイニングは、様々な適用分野があり、例えば、過去の購買記録から考えて、顧客が次に買いそうな商品は何か、クレジットカードの不正処理がいつ起こるか、顧客がライバル会社に流れたのはなぜか、また、どうすれば取り戻せるか、或いは購買パターンによって顧客をセグメント化する最適な方法は何か、といったことについての解法の支援をしてくれる。
【０００８】
【発明が解決しようとする課題】
ところで、従来のデータベースは、顧客の表面的な行動をその項目として蓄積するものに過ぎず、よって、このようなデータベースにより抽出した規則により顧客のその行動の背景にある心の動きまでを追うことはできない。したがって何故そのような行動パターンが形成されたかという理由を見つけることは一般的に困難である。
【０００９】
また、個人を対象としたダイレクトマーケティングをする場合でも、その人の外見的な情報や行動だけで判定しており、効果的なマーケティングを行うことはできなかった。
【００１０】
さらに、特定の商品又はサービスに対するダイレクトマーケティングを行う場合、顧客データベース中の特定セグメント（例えば、２０代女性を限定といったもの）をアプローチの対象としていたが、この方法だとセグメント中の顧客を平等に扱うため、大規模な顧客データベースからもっとも有望な顧客を順位の付けてピックアップすることは困難であった。
【００１１】
そして、一般的にデータマイニングは、顧客データベースの内容を分析することでデータベース中の項目間の規則を抽出するものであり、よって、顧客データベース中の項目と顧客データベース中に存在しない項目との関係を抽出することはできない。すなわち、データマイニングでは、規則を抽出する対象となる項目が明らかでない限り当該項目との間における規則を抽出することはできなく、このようなことから、既存データベースを分析しても別分野のビジネスに活用することは困難とされていた。
【００１２】
そこで、本発明は、上述の実情に鑑みてなされたものであって、顧客の規則抽出の精度を向上させることができるデータベース、顧客情報検索方法及び顧客情報検索装置の提供を目的としている。
【００１６】
【課題を解決するための手段】
本発明に係る顧客情報検索装置は、上述の課題を解決するために、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段と、学習モデルを適用することで、上記記憶手段に蓄積した上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、該抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する有望度算出手段とを備える。
【００１７】
このような構成を有する顧客情報検索装置は、記憶手段に蓄積されている顧客外的情報に加え顧客内的情報に基づいて、有望度算出手段により、顧客の特定の商品又はサービスに対する有望度を算出する。
【００１８】
この顧客情報検索装置により算出された有望度は、特定の商品又はサービスの潜在顧客である否かを的確に示す指標となる。
【００２１】
また、本発明に係るデータベースは、上述の課題を解決するために、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と、商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを有し、学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則が抽出され、該抽出された規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度が推定される。
【００２２】
このデータベースの第１の顧客情報と第２の顧客情報の間に共通して存在する規則に、顧客に関して既に得られている情報を適用して、特定の商品又はサービスの潜在顧客であるか否かの指標を得る。
【００２３】
また、本発明に係る顧客情報検索方法は、上述の課題を解決するために、コンピュータが、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段から、有望度算出手段により、学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、上記有望度算出手段により、上記抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する。
【００２４】
この顧客情報検索方法により抽出した第１の顧客情報と第２の顧客情報の間に共通して存在する規則に、顧客に関して既に得られている情報を適用して、特定の商品又はサービスの潜在顧客であるか否かの指標を得る。
【００２５】
【発明の実施の形態】
以下、本発明の実施の形態について図面を用いて詳しく説明する。この実施の形態は、本発明を、顧客に関して蓄積された情報に基づいて、所望の顧客情報を検索する顧客情報検索装置に適用したものである。
【００２６】
図１に示すように、顧客情報検索装置１は、各種データの入力部とされる入力部２と、データ処理の結果等を出力する出力部３と、データを記憶するデータ記憶部４と、顧客情報検索装置１を構成する各部を制御等するＣＰＵ５とを備えている。そして、顧客情報検索装置１は、各部がＣＰＵ５とバス６によって接続されている。
【００２７】
この顧客情報検索装置１において、データ記憶部４は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とが蓄積される記憶手段とされ、ＣＰＵ５は、データ記憶部４に蓄積した顧客内的情報及び顧客外的情報に基づいて特定の商品又はサービスに対する有望度を算出する有望度算出機能を有している。
【００２８】
入力部２は、データを入力するための入力手段として構成されている。例えば、入力部２は、マウス、キーボード等の入力操作手段として構成されている。
【００２９】
出力部３は、データを出力するための出力手段として構成されている。例えば、
出力部３は、モニタ等の表示手段、又はプリンタ等の印刷出力手段として構成されている。
【００３０】
データ記憶部４は、各種データが記憶される記憶手段として構成されている。入力部２から入力されたデータは、このデータ記憶部４に記憶される。データ記憶部４には、顧客内的情報及び顧客外的情報等が顧客データベース等として記憶されている。このデータ記憶部４に記憶されるデータについては、後で詳しく説明する。
【００３１】
ＣＰＵ５は、顧客情報検索装置１の各部を制御する制御手段として構成されている。そして、ＣＰＵ５は、上述したように、有望度算出機能を有している。
【００３２】
次に、データ記憶部４に記憶されるデータについて詳しく説明する。
【００３３】
データ記憶部４には、顧客内的情報及び顧客外的情報が記憶されている。顧客内的情報及び顧客外的情報により、例えば後述する顧客データベースが構築されている。また、データ記録部４には、後述する学習用データベースや仮想データベースも記憶されている。
【００３４】
顧客外的情報は、顧客の基本属性に関する情報及び顧客の行動履歴に関する情報から構成されている。
【００３５】
顧客の基本属性に関する情報は、一般的にはデモグラフィック情報と呼ばれ、顧客の基本的な属性に関する情報からなり、具体的には、顧客の性別、年齢、職業、家族構成等の情報によって構成されている。
【００３６】
顧客の行動履歴に関する情報とは、例えば顧客の商品やサービスの購買履歴からなる情報であって、具体的には、顧客の商品又はサービスの購入、利用といった顧客の行動面の履歴情報であり、さらに、顧客がいつ、どこで、何をしたかについての情報も含まれている。例えば、顧客Ａが商品Ｂを日時ＣにショップＤにおいて価格Ｅで購入したといったことが、時系列に格納された情報がこの情報に含まれている。
【００３７】
デモグラフィック情報と行動履歴の情報は、顧客の表面的或いは行動に現れるものであり、顧客の外的データとなる。
【００３８】
顧客内的情報は、顧客の価値観を少なくとも含む心的側面に関する情報であって、顧客の内的データとされる。顧客内的情報は、具体的には、テレビや雑誌といったメディアに関する考え方、生活態度、社会に対する意識、及び自身の生き方等といった情報とされる。
【００３９】
データ記憶部４には、上述の各種情報が、顧客データベースの顧客プロファイルデータとして記憶されている。図２には、顧客データベースＤＢ1が、いわゆるスプレットシートの形態として、各行に顧客一人分の情報が格納されている例を示している。
【００４０】
図２の例では、デモグラフィック情報、製品／サービス購入・利用履歴、及び人柄データを、プロファイル項目としており、顧客が顧客ＩＤによって整理されている。この図２に示す例の顧客データベースＤＢ1は、１０００万人分のデータをファイルしている。
【００４１】
本例では、デモグラフィック情報が「氏名」、「電話番号」、「住所コード」、「性別」、「年齢」、「家族コード」及び「年収コード」等とされ、一部コード化された項目から構成されている。なお、このデモグラフィック情報は、従来のデータベースでも採用されている基本属性であり、いわゆる名寄せ情報にも使われている情報である。
【００４２】
また、製品／サービス購入・利用履歴は、行動履歴に対応するもので、「製品コード」、「購入日時」及び「製品コード」等とされ、一部コード化された項目から構成されている。
【００４３】
そして、人柄データは、顧客内的情報に対応されるものであり、「質問１」、「質問２」、「質問３」、・・・というように各種質問の回答情報により構成することが作成方法の一例である。
【００４４】
顧客情報検索装置１は、このように構成された顧客データベースＤＢ1から特定の商品又はサービスに対する有望顧客のピックアップを行うことができる。特定の商品又はサービスに対する顧客の有望度について説明する。
【００４５】
有望度は、特定の商品又はサービスに対する顧客の関心や需要等を示す指標となるもので、例えば計算式などによる規則抽出により求めることができる。
【００４６】
有望度Ｆの算出式には、簡易なものとして、数値化されたデータ項目に係数を掛け合わせた（１）式のように示される線形結合式がある。
【００４７】
ここで、Ｑ１，Ｑ２，Ｑ３，Ｑ４，Ｑ５，・・・は顧客プロファイルデータ、ａ，ｂ，ｃ，ｄ，ｅ，・・・は特定の商品又はサービス向けに得られた定数である。
【００４８】
なお、有望度Ｆの算出式はこのような線形結合式によって表現されることに限定されるものではなく、非線形の様々な計算式によって表現することもできる。例えば、シグモイド関数を用いたニューラルネットワークモデルがその一つである。
【００４９】
また、下記に示すような条件式（ＩＦ文）によるルール形式によっても有望度を導き出すことができる。
【００５０】
ＩＦ（Ｑ１＞ａ AND Ｑ２＞ｂ AND Ｑ３＞ｃ AND Ｑ４＞ｄ AND Ｑ５＞ｅ）THEN Ｆ ＝Ｘ
なお、線形モデルによる統計手法は、判別分析、ロジスティック回帰、クラスター分析等が該当し、「なぜ」「どのように」といった疑問の返答に適している。
【００５１】
また、非線形モデルの一つであるツリーモデル（帰納方式とも呼ばれる）は、データからディシジョンツリー（決定木）を構成している。このモデルは、重要な変数を選び、不要な予測要素を削除する場合に適している。
【００５２】
そして、非線形モデルであるニューラルネットワークは、履歴データをもとに未来の結果を予測することができ、「何が」という疑問の返答に適している。
【００５３】
顧客情報検索装置１は、このような計算式等により、データマイニング手法を採用して、特定の商品又はサービスに対する各顧客の有望度を算出している。
【００５４】
顧客情報検索装置１は、特定の商品又はサービスについて顧客の各々に対し求めた有望度に基づいて、その測定の商品又はサービスの潜在顧客をピックアップしている。例えば、これにより、効率良くマーケティングを行うことができる。すなわち、外的データに加えて心理的要因をあらわす内的データを組み合わせること、つまり、顧客の表面的あるいは行動にあらわれるデータと内面的な人柄のデータを組み合わせることで個人を完全に把握することができ、効率のいいマーケティングを行うことができる。例えば、特定の商品又はサービスの購入を望む顧客に対してダイレクトメール等を送付するなどといったことが可能になる。
【００５５】
また、有望度の算出式は、任意の方法で作成することもできる。例えば、顧客から得た各種情報に基づいて、その情報間に存在する関係から有望度の算出式を作成することもできる。一般には顧客のプロファイルデータと予測したい顧客の嗜好等の関係に対応する変数（ターゲット変数）が既知であるデータセット（学習用データベース）に対して、上述のモデルを適用して各種のパラメータを獲得することができる。
【００５６】
学習データベースは、例えば図３中（Ａ）及び（Ｂ）に示すように、顧客データベース（図３中（Ａ））から任意にサンプリングして作成したデータベース（図３中（Ｂ））とされていた。従来は、このように顧客データベースの一部項目のみからなる学習用データベースに基づいて、その顧客に対するダイレクトメール等のレスポンスデータを使って予測していた。
【００５７】
しかし、本発明を適用した学習用データベースは、顧客データベースの情報から作成するなどせずに全く別の手段により収集したデータにより構成している。すなわち、例えば、学習用データベースは、ランダム、層別等で抽出した適当な人数、例えば１０００〜１００００人程度にアンケート調査をすること等により顧客データベースとは全く関係のない項目を有するデータベースとして作成される。図４には、顧客情報検索装置１が使用する学習用データベースＤＢ2の構成例を示している。
【００５８】
図４に示すように、学習用データベースＤＢ2は、アンケート項目が大きく二つの部分からなり、図２に示した顧客データベースＤＢ1と同一項目、例えばデモグラフィック情報、製品／サービス購入・利用履歴や人柄データ等の項目からなるデータベースＤＢ21の部分と、顧客データベースに格納されていない項目であって、潜在顧客の判定等に用いるターゲット変数の項目からなるデータベースＤＢ22の部分とからなる。例えば、データべースＤＢ22の項目は潜在顧客判定のためにした質問の項目からなり、具体的には、趣味や嗜好等の様々な商品又はサービスに対する購入希望、或いは心理的データといったダイレクトマーケティング項目からなる。
【００５９】
このように通常業務の顧客データベースから得ることができない情報を適当な抽出によりアンケートして得た情報等により学習用データベースを作成することで、顧客データベースに欠けている様々な項目を推定することが可能になる。
【００６０】
図５には、上述したような学習用データベースを含んで構成されるデータベースを示している。図５に示すように、データベースは、顧客データベースＤＢ1、学習用データベースＤＢ2及び仮想データベースＤＢ12より構成されている。
【００６１】
ここで、顧客データベースＤＢ1は、例えば図２に示したデータベースの項目からなり、顧客データベースと学習データベースの共通項目とからなるデータ項目Ｑ１，・・・からなる。また、学習用データベースＤＢ2は、例えば図４に示した学習用データベースＤＢ2である。
【００６２】
仮想のデータベースＤＢ12は、学習用データベースＤＢ2のみが有している学習データベース単独項目からデータ項目Ｑｘ，・・・からなる。この仮想データベースは、学習モデルを適用して、データベースＤＢ21の項目とデータベースＤＢ22の項目との規則抽出による定式化により推定された情報からなり、すなわち、顧客から実際に得ていないデータ項目Ｑｘ，・・・の情報が推定されたデータベースを構築している。
【００６３】
ここで、データベースＤＢ２１の項目とデータベースＤＢ２２の項目の間の定式化を可能にする学習用データベースに適用される学習モデルとして、線形判別式の場合には判別分析等を用い、ニューラルネットワークの場合にはバックプロバケーションアルゴリズムを用い、ルール形式の場合には判別機による帰納的解法を用いる。
【００６４】
顧客の持つ様々な趣味、嗜好、或いは価値観といったものを顧客に直接たずねることは、多くの場合、コスト、プライバシーの問題等で困難である。しかし、このように、学習用データベースを用いて顧客データベースに欠けている様々な項目について情報を推定し、仮想データベースを構築することで、実質的に低コストで巨大なデータベースを持つことと同じ効果を得ることができる。
【００６５】
また、学習用データベースは、新商品や新サービスのダイレクトマーケティング等の様々な目的に応じて随時、アンケート調査等で拡張することが可能である。
【００６６】
次に、顧客データベース中から特定の商品又はサービスの潜在顧客を抽出する場合について図６を用いて具体的に説明する。この例では、音楽専門チャンネルの潜在顧客を抽出する場合を示しており、顧客データベースＤＢ1から２段階に分けて音楽専門チャンネルの潜在顧客ＤＢ4をピックアップしている。
【００６７】
最初の段階では、購買履歴や性別、年齢といった顧客データベースＤＢ1から得られる情報により、顧客についての最初の絞り込み、すなわち、プリサンプリングを行う。これにより、分析顧客母集団からなるデータベースＤＢ3が作成される。例えば、顧客データベースＤＢ1は１０００万人規模からなるデータベースであり、この絞り込みにより、数百万規模の分析顧客集団からなるデータベースＤＢ3が作成される。
【００６８】
例えば、分析顧客母集団のデータベースＤＢ3は、「３０代既婚」、「大型テレビ購入」、「ステレオコンポ購入」、及び「新製品早期購入傾向」等といった項目に該当する顧客に絞り込まれる。例えば、従来のダイレクトマーケティングでは、この段階までの顧客の抽出が可能とされていた。
【００６９】
次に、学習用のデータベースＤＢ2を用いて顧客の様々な特性を予測することにより、分析顧客母集団のデータベースＤＢ3から絞り込まれた音楽専門チャンネルの潜在顧客のデータベースＤＢ4が作成される。ここで、学習用データベースＤＢ2は例えば１０００人規模のデータベースからなる。
【００７０】
上述したような学習用データベースＤＢ2を用いた絞り込みにより、例えば、音楽専門チャンネルの潜在顧客のデータベースＤＢ4は、「テレビは娯楽として手軽」、「音楽のない生活は考えられない」、「ワクワクするような刺激を求める」、「音楽専門チャンネル利用意向」、及び「ポップスが好き」等といった項目に該当する顧客によって構成されるようになる。
【００７１】
以上のように、顧客情報検索装置１は、顧客データベースからなる分析顧客母集団のデータベースに、学習用データベースの情報を適用させて、特定の商品又はサービスの潜在顧客の抽出を行っている。
【００７２】
なお、この例では絞り込みを２段階に分けておりその段階を踏む順序については、上述した例と逆の順番にしたり、或いは一段階目を省略することもできる。
【００７３】
次に、学習用データベースにおける処理と顧客データベースにおける処理の手順について図７を用いて具体的に説明する。ここにおける処理は、例えばＣＰＵ５により実行される処理である。
【００７４】
この図７に示すように、ステップＳ１で処理が開始された学習用データベースでは、ステップＳ２に示すように、ＣＰＵ５により、予測したい顧客の特性を学習用データベースの項目から選択する。この項目は新商品及びサービスの場合、通常、顧客データベースには含まれないものである。この選択した項目が学習のターゲット変数になる。
【００７５】
次に、ステップＳ３において、ＣＰＵ５は、顧客の特性を予測する変数となる独立変数を作成する。例えば、そのために学習用データベースと顧客データベースとの共通項目からプロファイル項目を抽出する。
【００７６】
そして、ＣＰＵ５は、ステップＳ４において、この選ばれたプロファイル項目に対して、データの抜け、異常値等に対する処理等を行う欠損値処理をして、続くステップＳ５において、プロファイル項目について編集、合成等の処理等を行う変数加工をして、最終的な独立変数を作成する。
【００７７】
続いて、ＣＰＵ５は、ステップＳ６及びステップＳ１４において、学習用データベースを規則発見用のデータ（学習用データ）及び抽出規則の評価用データに分割する。
【００７８】
規則発見用のデータにより、ＣＰＵ５は、ステップＳ７において、学習モデルを選択して、判別分析（ステップＳ８）、デシジョンツリー（ステップＳ９）、ニューラルネットワーク（ステップＳ１０）等の様々な学習モデルを適用させる。
【００７９】
このように各学習モデルを適用した後、ＣＰＵ５は、ステップＳ１１において、評価用データとその学習モデルの適用結果に基づいて、もっとも有効な学習モデルを選択し、ステップＳ１２において、選択した学習モデルにより規則のパラメータを決定し、ステップＳ１３において、その規則のパラメータを保存する。
【００８０】
一方、顧客データベース側でも学習用データベースで作成した独立変数と同一のものを同一の手順により作成する。これにより学習用データベースで作成された規則は顧客データベースでもまったく適用可能になる。
【００８１】
具体的には、顧客データベースに関しては、ステップＳ２１において処理が開始され、ステップＳ２２において、名寄せ処理が行われる。続いて、ＣＰＵ５は、学習データベースにおける処理と同様に、ステップＳ２３〜ステップＳ２５において、独立変数の作成、欠損値処理、及び変数加工といった処理を行う。
【００８２】
この各種処理を終えた後、ＣＰＵ５は、ステップＳ２６において、顧客データベース中からデモグラフィック情報、購買履歴情報等に基づいて顧客の絞り込み、すなわち、顧客のプリサンプリングを行う。
【００８３】
ＣＰＵ５は、ステップＳ２６により顧客の絞り込みを行った後、ステップＳ２７において、学習用データベース処理のステップＳ１３において得た学習モデルを適用する。
【００８４】
この学習モデルの適用により、ＣＰＵ５は、ステップＳ２８及びステップＳ２９において、ターゲットの顧客、すなわち、潜在顧客を抽出して、抽出した顧客（抽出顧客）に抽出済のフラグ付けを行う。そして、ＣＰＵ５は、ステップＳ３０において、名簿等として抽出した顧客の出力を行う。名簿等としての出力は、出力部３を構成するモニタ又はプリンタ等によって行われる。
【００８５】
以上が顧客情報検索装置１の構成と、その処理の手順の説明である。顧客情報検索装置１は、購買履歴等の行動履歴等からなる顧客外的情報に加え、顧客の価値観等の心理側面に関する情報からなる顧客内的情報を使用し、さらには顧客から直接得ることができない情報を推定することにより、顧客の規則抽出の精度を向上させている。
【００８６】
すなわち、例えば、顧客情報検索装置１は、図８に示すように、性別、年齢及び家族等のデモグラフィック情報、並びにＡＶ機器購入履歴及びサービス購入履歴等の行動履歴などからなる外的データ（図８中（Ａ））に加え、メディアに関する意識、及びライフスタイル特性等の人柄に関する情報等からなる内的データ（図８中（Ｂ））をも参照することにより、規則抽出の精度を向上させ、所望の顧客情報を抽出している。例えば、これにより、個々の顧客に最適なコンテンツ、サービス及びプロダクツの提供（図８中（Ｃ））が可能になる。
【００８７】
また、顧客情報検索装置１は、データベース中の顧客を特定の商品又はサービスに対する有望度の大きさによって順位づけすることもでき、これにより、有望度の上位の順からマーケティングに必要な人数だけ、或いは有望度が所定の閾値以上になっている顧客だけをピックアップしてダイレクトアプローチすることが可能になり、効率的なマーケティングが実現できるようになる。
【００８８】
例えば、ある商品又はサービスの購入希望者をピックアップすることを想定する。有望度算出式を購入希望者と購入非希望者の線形判別関数として求めた場合の有望度の分布が図９に示すようになったとする。例えば、商品又はサービスの購入希望者による関数ｆ1は、音楽専門チャンネルをぜひ利用したい顧客の集合から求めたものであり、購入非希望者による関数ｆ2は、音楽専門チャンネルを利用したくない顧客の集合から求めたものである。
【００８９】
この場合、閾値１近辺の有望度をもつ顧客を選んでも購入希望に対する的中率はほぼ０％となる。しかし閾値２近辺の有望度を持つ顧客を選んだ場合は的中率はほぼ５０％に、そして閾値３以上の顧客を選んだ場合は的中率がほぼ１００％となる。このような的中率の分布を想定することで、大規模な顧客データベース中から必要な人数だけの潜在顧客をピックアップすることが可能になる。例えば、１００万人の顧客データベースから有望度の高い上位１万人を抽出した際の的中率が９０％であるとき、１万人にダイレクトメールを出す場合には９千人が的中した潜在顧客になる。言い換えると９千人の顧客が欲しい場合には１万人にダイレクトメールを出せば良いことになる。
【００９０】
さらに、学習データベースを用いて顧客の情報を推論することは、潜在顧客を適切に抽出することを可能にし、例えば図１０に示すような手順により、マーケティングを行うことを可能にする。
【００９１】
顧客プロファイル情報を選択し（ステップＳ３１）、その顧客プロファイル情報に基づいて推論を行う（ステップＳ３２）。ここで、推論は、例えばデータマイニング手法を採用している。
【００９２】
そして、この人にはこのような方法で売り込めば成功する（ステップＳ３３）といった流れを得る。
【００９３】
このように、学習用データベースにより得た規則を適用し、顧客の情報を推論することにより、潜在顧客を適切に抽出することが可能になり、マーケティング戦略をより効果のあるものとすることが可能になる。
【００９４】
すなわち、顧客データベース中のデータ項目と顧客データベースには存在しないデータ項目の規則を学習用のデータベースを用いて抽出することで、既存のデータベースを新規ビジネスに活用可能にすることが可能になる。さらに、顧客に直接質問することなく、必要に応じて学習用データベースを用いて顧客データベースには存在しないデータ項目を推定することで、プライバシーを侵害することなく、低コストでまた記憶装置の容量を拡大することなく実質上のデータベースを拡大することができる。
【００９５】
次に、コンピュータシミュレーションにより、音楽専門チャンネルの潜在顧客発見を題材にして、潜在顧客の抽出の的中率を測定した実施例について説明する。コンピュータシミュレーションは、線形モデルの判別分析を採用して行っている。なお、線形モデルによりコンピュータシミュレーションを行うことに限定されず、ディシジョンツリー等の他の学習モデルを採用してコンピュータシミュレーションすることとしても良い。
【００９６】
図１１に示すように、顧客データベースＤＢ1からプロファイリングデータを用いて特定の商品又はサービスの潜在顧客を検索した場合に、抽出された潜在顧客からなるデータベースＤＢ4において確かな潜在顧客とされる的中率が問題になる。実施例では、この的中率を中心に説明する。
【００９７】
実施例において、パラメータを次のように設定している。
【００９８】
プロファイルデータとして、例えば表１に示すように、ＡＶ機器購入履歴、デモグラフィック、人柄データ及びレンタルビデオ・ＣＤ購入頻度の各情報を用いている。
【００９９】
【表１】
【０１００】
ＡＶ機器購入履歴については、例えば表２に示すように、横長ワイドテレビ、ハイビジョンテレビ、・・・・・等のようなパラメータを使用している。
【０１０１】
【表２】
【０１０２】
人柄データについては、例えば表３に示すように、情報通信に関する考え方１として、自分の目では見えないものを見たい、労働時間が短縮され自分の時間や生活のゆとりがもてる等のようなパラメータを使用している。
【０１０３】
【表３】
【０１０４】
図１２には、上述したようなパラメータを用いたコンピュータシミュレーションにより得た結果を示している。図１２のグラフの横軸は、潜在顧客のデータベースから抽出した割合であって、可能性の高い人から順に示されている。すなわち、０％に近いほど、音楽専門チャンネルの潜在顧客であろう顧客になる。グラフの縦軸は、的中率を示している。
【０１０５】
この図１２に示す結果において、確からしい１０％の人を選んだ場合（値Ｘ1）には、９０％の確立で潜在顧客を抽出することができる。そして、確からしい５％の人を選んだ場合（値Ｘ2）には、ほぼ１００パーセントの確立で潜在顧客を抽出することができる。
【０１０６】
なお、無作為に人を選んだ場合（値Ｘ3（１００％））には、２５％の確立で潜在顧客を抽出することができる。
【０１０７】
図１３は、比較例を示している。図１２に示した本発明を適用した場合の的中率の変化ｆ11に対比して、人柄データのみから得られる的中率の変化ｆ12及びＣＤ・ビデオレンタル回数及びデモグラフィックから得られる的中率の変化ｆ13の結果を示している。なお、図１３に示すグラフの横軸は、抽出した人数であり、少ない数になるほど音楽専門チャンネルの潜在顧客であろう顧客になる。
【０１０８】
この図１３に示すように、ＣＤ・ビデオレンタル回数が多い顧客、すなわちＣＤ・ビデオレンタルのヘビーユーザを摘出した場合（ｆ13において摘出人を１人目に近づけた場合）であっても、的中率は低いままであり、本発明を適用した学習モデルにより得た的中率との間にかなりの差が生じていることがわかる。
【０１０９】
なお、このように正確に潜在顧客を摘出した要因として、例えば、エンタテインメントを主眼とした自由度の高いプロファイルデータを採用していること、大まかに傾向をみるクラスタアプローチではなく、個人を分析するパーソナルアプローチを採用していること等が挙げられる。
【０１１０】
以上がコンピュータシミュレーションによる実施例の結果でも、本発明を適用することにより、的中率を上げることができ、ほぼ１００％の確率で潜在顧客を摘出することが可能である結果を得ることができた。顧客情報検索装置１は、このように、特定の商品又はサービスの潜在顧客を的確に抽出することを可能にする。
【０１１１】
【発明の効果】
本発明に係る顧客情報検索方法は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とを記憶手段に蓄積し、記憶手段に蓄積した顧客内的情報及び顧客外的情報に基づいて、顧客の特定の商品又はサービスに対する有望度を算出することにより、潜在顧客の規則抽出の精度を向上させることができる。
【０１１２】
よって、顧客情報検索方法により、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１３】
また、本発明に係る顧客情報検索装置は、顧客の心理側面に関する顧客内的情報と少なくとも顧客の基本属性を含む顧客外的情報とが蓄積される記憶手段と、記憶手段に蓄積した顧客内的情報及び顧客外的情報に基づいて、顧客の特定の商品又はサービスに対する有望度を算出する有望度算出手段とを備えることにより、記憶手段に蓄積されている顧客内的情報及び顧客外的情報に基づいて、有望度算出手段により、顧客の特定の商品又はサービスに対する有望度を算出することができる。
【０１１４】
これにより、顧客情報検索装置は、潜在顧客の規則抽出の精度を向上させることができ、特定の商品又はサービスの潜在顧客を的確に抽出することを可能にする。
【０１１５】
また、本発明に係るデータ作成方法は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とを記憶手段に蓄積することにより、記憶手段に記憶された顧客内的情報及び顧客外的情報を用いた顧客の規則抽出を可能にする。そして、この顧客内的情報及び顧客外的情報顧に基づいて行う潜在顧客の規則抽出の精度は高いものとなる。
【０１１６】
よって、このデータ作成方法により、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１７】
また、本発明に係るデータベースは、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した第１の顧客情報と、商品又はサービスの有望度を得るために新たに取得した顧客に関する情報を示す第２の顧客情報とを有することにより、第１の顧客情報と第２の顧客情報の間に共通して存在する規則が抽出することができる。
【０１１８】
この抽出した規則に、顧客に関して既に得られている情報を適用することにより、例えば、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１９】
また、本発明に係る顧客情報検索方法は、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した顧客に関する情報を示す第２の顧客情報の間に共通して存在する規則を抽出することにより、この抽出した規則を、顧客に関して既に得られている情報を適用することでできる。これにより、例えば、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【図面の簡単な説明】
【図１】本発明の実施の形態である顧客情報検索装置の構成を示すブロック図である。
【図２】本発明を適用して構成した顧客データベースの構成を示す図である。
【図３】顧客データベースから学習用データベースを作成する場合の説明に用いた図である。
【図４】本発明を適用して構成した学習用データベースの構成を示す図である。
【図５】顧客データベースと学習用データベースとからなるデータベースの構成を示す図である。
【図６】顧客データベースから得た分析顧客母集団に学習用データベースを適用して潜在顧客を抽出する場合の手順を示す図である。
【図７】学習用データベースに基づいて行う処理の手順と、顧客データベースに基づいて行う処理の手順とを示す図である。
【図８】内的データと外的データとから特定の商品又はサービスの潜在顧客を抽出する場合をモデル化して示す図である。
【図９】顧客の有望度と潜在顧客の的中率との関係を示す特性図である。
【図１０】顧客情報検索装置により可能になるマーケティングを説明するために用いた図である。
【図１１】顧客データベースから潜在顧客からなるデータベースを作成した場合の的中率を説明するために用いた図である。
【図１２】抽出した潜在顧客と、確かな潜在顧客である的中率との関係を示すものであって、本発明を適用した実施例の結果を示す特性図である。
【図１３】抽出した潜在顧客と、確かな潜在顧客である的中率との関係を示すものであって、本発明を適用した実施例の結果と従来の結果の比較例を示す特性図である。
【符号の説明】
１ 顧客情報検索装置、４ データ記憶部、５ ＣＰＵ
【発明の属する技術分野】
本発明は、顧客に関する情報に基づいて、所望の顧客を検索する顧客情報検索方法、顧客情報検索装置及び各種情報からなるデータベースに関し、詳しくは、顧客の性別及び年齢等のプロファイルに基づいて所望の顧客情報を検索するのに好適なデータベース、顧客情報検索方法及び顧客情報検索装置に関する。
【０００２】
【従来の技術】
消費者の将来における消費動向を探る一手段として、顧客データベース化がある。従来の顧客データベースに保存されている項目は、姓別、年齢、職業といった顧客の基本属性や商品の購買行動の時系列記録といった行動履歴からなっていた。
【０００３】
このような顧客データベースにより、データを統計的に処理することで顧客の行動パターンの規則性を見出し、顧客の行動の予測等に活用することができる。
【０００４】
例えば、おむつを買った男性は、同時にビールを買う可能性が高いといった分析結果がその事例である。
【０００５】
このような顧客データベース中に隠された規則を抽出して意志決定支援を行う手法としてデータマイニングがあり、近年、注目を集めている。
【０００６】
データマイニングとは、大容量のデータに隠された因果関係やパターンを探索したりモデル化するための、高度な手法で、複雑なデータ間の関係づけを可能にするものであり、人工知能、データ工学等の分野においてここ数年注目を浴びている意思決定支援手法である。
【０００７】
なお、このデータマイニングは、様々な適用分野があり、例えば、過去の購買記録から考えて、顧客が次に買いそうな商品は何か、クレジットカードの不正処理がいつ起こるか、顧客がライバル会社に流れたのはなぜか、また、どうすれば取り戻せるか、或いは購買パターンによって顧客をセグメント化する最適な方法は何か、といったことについての解法の支援をしてくれる。
【０００８】
【発明が解決しようとする課題】
ところで、従来のデータベースは、顧客の表面的な行動をその項目として蓄積するものに過ぎず、よって、このようなデータベースにより抽出した規則により顧客のその行動の背景にある心の動きまでを追うことはできない。したがって何故そのような行動パターンが形成されたかという理由を見つけることは一般的に困難である。
【０００９】
また、個人を対象としたダイレクトマーケティングをする場合でも、その人の外見的な情報や行動だけで判定しており、効果的なマーケティングを行うことはできなかった。
【００１０】
さらに、特定の商品又はサービスに対するダイレクトマーケティングを行う場合、顧客データベース中の特定セグメント（例えば、２０代女性を限定といったもの）をアプローチの対象としていたが、この方法だとセグメント中の顧客を平等に扱うため、大規模な顧客データベースからもっとも有望な顧客を順位の付けてピックアップすることは困難であった。
【００１１】
そして、一般的にデータマイニングは、顧客データベースの内容を分析することでデータベース中の項目間の規則を抽出するものであり、よって、顧客データベース中の項目と顧客データベース中に存在しない項目との関係を抽出することはできない。すなわち、データマイニングでは、規則を抽出する対象となる項目が明らかでない限り当該項目との間における規則を抽出することはできなく、このようなことから、既存データベースを分析しても別分野のビジネスに活用することは困難とされていた。
【００１２】
そこで、本発明は、上述の実情に鑑みてなされたものであって、顧客の規則抽出の精度を向上させることができるデータベース、顧客情報検索方法及び顧客情報検索装置の提供を目的としている。
【００１６】
【課題を解決するための手段】
本発明に係る顧客情報検索装置は、上述の課題を解決するために、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段と、学習モデルを適用することで、上記記憶手段に蓄積した上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、該抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する有望度算出手段とを備える。
【００１７】
このような構成を有する顧客情報検索装置は、記憶手段に蓄積されている顧客外的情報に加え顧客内的情報に基づいて、有望度算出手段により、顧客の特定の商品又はサービスに対する有望度を算出する。
【００１８】
この顧客情報検索装置により算出された有望度は、特定の商品又はサービスの潜在顧客である否かを的確に示す指標となる。
【００２１】
また、本発明に係るデータベースは、上述の課題を解決するために、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と、商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを有し、学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則が抽出され、該抽出された規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度が推定される。
【００２２】
このデータベースの第１の顧客情報と第２の顧客情報の間に共通して存在する規則に、顧客に関して既に得られている情報を適用して、特定の商品又はサービスの潜在顧客であるか否かの指標を得る。
【００２３】
また、本発明に係る顧客情報検索方法は、上述の課題を解決するために、コンピュータが、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段から、有望度算出手段により、学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、上記有望度算出手段により、上記抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する。
【００２４】
この顧客情報検索方法により抽出した第１の顧客情報と第２の顧客情報の間に共通して存在する規則に、顧客に関して既に得られている情報を適用して、特定の商品又はサービスの潜在顧客であるか否かの指標を得る。
【００２５】
【発明の実施の形態】
以下、本発明の実施の形態について図面を用いて詳しく説明する。この実施の形態は、本発明を、顧客に関して蓄積された情報に基づいて、所望の顧客情報を検索する顧客情報検索装置に適用したものである。
【００２６】
図１に示すように、顧客情報検索装置１は、各種データの入力部とされる入力部２と、データ処理の結果等を出力する出力部３と、データを記憶するデータ記憶部４と、顧客情報検索装置１を構成する各部を制御等するＣＰＵ５とを備えている。そして、顧客情報検索装置１は、各部がＣＰＵ５とバス６によって接続されている。
【００２７】
この顧客情報検索装置１において、データ記憶部４は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とが蓄積される記憶手段とされ、ＣＰＵ５は、データ記憶部４に蓄積した顧客内的情報及び顧客外的情報に基づいて特定の商品又はサービスに対する有望度を算出する有望度算出機能を有している。
【００２８】
入力部２は、データを入力するための入力手段として構成されている。例えば、入力部２は、マウス、キーボード等の入力操作手段として構成されている。
【００２９】
出力部３は、データを出力するための出力手段として構成されている。例えば、
出力部３は、モニタ等の表示手段、又はプリンタ等の印刷出力手段として構成されている。
【００３０】
データ記憶部４は、各種データが記憶される記憶手段として構成されている。入力部２から入力されたデータは、このデータ記憶部４に記憶される。データ記憶部４には、顧客内的情報及び顧客外的情報等が顧客データベース等として記憶されている。このデータ記憶部４に記憶されるデータについては、後で詳しく説明する。
【００３１】
ＣＰＵ５は、顧客情報検索装置１の各部を制御する制御手段として構成されている。そして、ＣＰＵ５は、上述したように、有望度算出機能を有している。
【００３２】
次に、データ記憶部４に記憶されるデータについて詳しく説明する。
【００３３】
データ記憶部４には、顧客内的情報及び顧客外的情報が記憶されている。顧客内的情報及び顧客外的情報により、例えば後述する顧客データベースが構築されている。また、データ記録部４には、後述する学習用データベースや仮想データベースも記憶されている。
【００３４】
顧客外的情報は、顧客の基本属性に関する情報及び顧客の行動履歴に関する情報から構成されている。
【００３５】
顧客の基本属性に関する情報は、一般的にはデモグラフィック情報と呼ばれ、顧客の基本的な属性に関する情報からなり、具体的には、顧客の性別、年齢、職業、家族構成等の情報によって構成されている。
【００３６】
顧客の行動履歴に関する情報とは、例えば顧客の商品やサービスの購買履歴からなる情報であって、具体的には、顧客の商品又はサービスの購入、利用といった顧客の行動面の履歴情報であり、さらに、顧客がいつ、どこで、何をしたかについての情報も含まれている。例えば、顧客Ａが商品Ｂを日時ＣにショップＤにおいて価格Ｅで購入したといったことが、時系列に格納された情報がこの情報に含まれている。
【００３７】
デモグラフィック情報と行動履歴の情報は、顧客の表面的或いは行動に現れるものであり、顧客の外的データとなる。
【００３８】
顧客内的情報は、顧客の価値観を少なくとも含む心的側面に関する情報であって、顧客の内的データとされる。顧客内的情報は、具体的には、テレビや雑誌といったメディアに関する考え方、生活態度、社会に対する意識、及び自身の生き方等といった情報とされる。
【００３９】
データ記憶部４には、上述の各種情報が、顧客データベースの顧客プロファイルデータとして記憶されている。図２には、顧客データベースＤＢ1が、いわゆるスプレットシートの形態として、各行に顧客一人分の情報が格納されている例を示している。
【００４０】
図２の例では、デモグラフィック情報、製品／サービス購入・利用履歴、及び人柄データを、プロファイル項目としており、顧客が顧客ＩＤによって整理されている。この図２に示す例の顧客データベースＤＢ1は、１０００万人分のデータをファイルしている。
【００４１】
本例では、デモグラフィック情報が「氏名」、「電話番号」、「住所コード」、「性別」、「年齢」、「家族コード」及び「年収コード」等とされ、一部コード化された項目から構成されている。なお、このデモグラフィック情報は、従来のデータベースでも採用されている基本属性であり、いわゆる名寄せ情報にも使われている情報である。
【００４２】
また、製品／サービス購入・利用履歴は、行動履歴に対応するもので、「製品コード」、「購入日時」及び「製品コード」等とされ、一部コード化された項目から構成されている。
【００４３】
そして、人柄データは、顧客内的情報に対応されるものであり、「質問１」、「質問２」、「質問３」、・・・というように各種質問の回答情報により構成することが作成方法の一例である。
【００４４】
顧客情報検索装置１は、このように構成された顧客データベースＤＢ1から特定の商品又はサービスに対する有望顧客のピックアップを行うことができる。特定の商品又はサービスに対する顧客の有望度について説明する。
【００４５】
有望度は、特定の商品又はサービスに対する顧客の関心や需要等を示す指標となるもので、例えば計算式などによる規則抽出により求めることができる。
【００４６】
有望度Ｆの算出式には、簡易なものとして、数値化されたデータ項目に係数を掛け合わせた（１）式のように示される線形結合式がある。
【００４７】
【００４８】
なお、有望度Ｆの算出式はこのような線形結合式によって表現されることに限定されるものではなく、非線形の様々な計算式によって表現することもできる。例えば、シグモイド関数を用いたニューラルネットワークモデルがその一つである。
【００４９】
また、下記に示すような条件式（ＩＦ文）によるルール形式によっても有望度を導き出すことができる。
【００５０】
ＩＦ（Ｑ１＞ａ AND Ｑ２＞ｂ AND Ｑ３＞ｃ AND Ｑ４＞ｄ AND Ｑ５＞ｅ）THEN Ｆ ＝Ｘ
なお、線形モデルによる統計手法は、判別分析、ロジスティック回帰、クラスター分析等が該当し、「なぜ」「どのように」といった疑問の返答に適している。
【００５１】
また、非線形モデルの一つであるツリーモデル（帰納方式とも呼ばれる）は、データからディシジョンツリー（決定木）を構成している。このモデルは、重要な変数を選び、不要な予測要素を削除する場合に適している。
【００５２】
そして、非線形モデルであるニューラルネットワークは、履歴データをもとに未来の結果を予測することができ、「何が」という疑問の返答に適している。
【００５３】
顧客情報検索装置１は、このような計算式等により、データマイニング手法を採用して、特定の商品又はサービスに対する各顧客の有望度を算出している。
【００５４】
顧客情報検索装置１は、特定の商品又はサービスについて顧客の各々に対し求めた有望度に基づいて、その測定の商品又はサービスの潜在顧客をピックアップしている。例えば、これにより、効率良くマーケティングを行うことができる。すなわち、外的データに加えて心理的要因をあらわす内的データを組み合わせること、つまり、顧客の表面的あるいは行動にあらわれるデータと内面的な人柄のデータを組み合わせることで個人を完全に把握することができ、効率のいいマーケティングを行うことができる。例えば、特定の商品又はサービスの購入を望む顧客に対してダイレクトメール等を送付するなどといったことが可能になる。
【００５５】
また、有望度の算出式は、任意の方法で作成することもできる。例えば、顧客から得た各種情報に基づいて、その情報間に存在する関係から有望度の算出式を作成することもできる。一般には顧客のプロファイルデータと予測したい顧客の嗜好等の関係に対応する変数（ターゲット変数）が既知であるデータセット（学習用データベース）に対して、上述のモデルを適用して各種のパラメータを獲得することができる。
【００５６】
学習データベースは、例えば図３中（Ａ）及び（Ｂ）に示すように、顧客データベース（図３中（Ａ））から任意にサンプリングして作成したデータベース（図３中（Ｂ））とされていた。従来は、このように顧客データベースの一部項目のみからなる学習用データベースに基づいて、その顧客に対するダイレクトメール等のレスポンスデータを使って予測していた。
【００５７】
しかし、本発明を適用した学習用データベースは、顧客データベースの情報から作成するなどせずに全く別の手段により収集したデータにより構成している。すなわち、例えば、学習用データベースは、ランダム、層別等で抽出した適当な人数、例えば１０００〜１００００人程度にアンケート調査をすること等により顧客データベースとは全く関係のない項目を有するデータベースとして作成される。図４には、顧客情報検索装置１が使用する学習用データベースＤＢ2の構成例を示している。
【００５８】
図４に示すように、学習用データベースＤＢ2は、アンケート項目が大きく二つの部分からなり、図２に示した顧客データベースＤＢ1と同一項目、例えばデモグラフィック情報、製品／サービス購入・利用履歴や人柄データ等の項目からなるデータベースＤＢ21の部分と、顧客データベースに格納されていない項目であって、潜在顧客の判定等に用いるターゲット変数の項目からなるデータベースＤＢ22の部分とからなる。例えば、データべースＤＢ22の項目は潜在顧客判定のためにした質問の項目からなり、具体的には、趣味や嗜好等の様々な商品又はサービスに対する購入希望、或いは心理的データといったダイレクトマーケティング項目からなる。
【００５９】
このように通常業務の顧客データベースから得ることができない情報を適当な抽出によりアンケートして得た情報等により学習用データベースを作成することで、顧客データベースに欠けている様々な項目を推定することが可能になる。
【００６０】
図５には、上述したような学習用データベースを含んで構成されるデータベースを示している。図５に示すように、データベースは、顧客データベースＤＢ1、学習用データベースＤＢ2及び仮想データベースＤＢ12より構成されている。
【００６１】
ここで、顧客データベースＤＢ1は、例えば図２に示したデータベースの項目からなり、顧客データベースと学習データベースの共通項目とからなるデータ項目Ｑ１，・・・からなる。また、学習用データベースＤＢ2は、例えば図４に示した学習用データベースＤＢ2である。
【００６２】
仮想のデータベースＤＢ12は、学習用データベースＤＢ2のみが有している学習データベース単独項目からデータ項目Ｑｘ，・・・からなる。この仮想データベースは、学習モデルを適用して、データベースＤＢ21の項目とデータベースＤＢ22の項目との規則抽出による定式化により推定された情報からなり、すなわち、顧客から実際に得ていないデータ項目Ｑｘ，・・・の情報が推定されたデータベースを構築している。
【００６３】
ここで、データベースＤＢ２１の項目とデータベースＤＢ２２の項目の間の定式化を可能にする学習用データベースに適用される学習モデルとして、線形判別式の場合には判別分析等を用い、ニューラルネットワークの場合にはバックプロバケーションアルゴリズムを用い、ルール形式の場合には判別機による帰納的解法を用いる。
【００６４】
顧客の持つ様々な趣味、嗜好、或いは価値観といったものを顧客に直接たずねることは、多くの場合、コスト、プライバシーの問題等で困難である。しかし、このように、学習用データベースを用いて顧客データベースに欠けている様々な項目について情報を推定し、仮想データベースを構築することで、実質的に低コストで巨大なデータベースを持つことと同じ効果を得ることができる。
【００６５】
また、学習用データベースは、新商品や新サービスのダイレクトマーケティング等の様々な目的に応じて随時、アンケート調査等で拡張することが可能である。
【００６６】
次に、顧客データベース中から特定の商品又はサービスの潜在顧客を抽出する場合について図６を用いて具体的に説明する。この例では、音楽専門チャンネルの潜在顧客を抽出する場合を示しており、顧客データベースＤＢ1から２段階に分けて音楽専門チャンネルの潜在顧客ＤＢ4をピックアップしている。
【００６７】
最初の段階では、購買履歴や性別、年齢といった顧客データベースＤＢ1から得られる情報により、顧客についての最初の絞り込み、すなわち、プリサンプリングを行う。これにより、分析顧客母集団からなるデータベースＤＢ3が作成される。例えば、顧客データベースＤＢ1は１０００万人規模からなるデータベースであり、この絞り込みにより、数百万規模の分析顧客集団からなるデータベースＤＢ3が作成される。
【００６８】
例えば、分析顧客母集団のデータベースＤＢ3は、「３０代既婚」、「大型テレビ購入」、「ステレオコンポ購入」、及び「新製品早期購入傾向」等といった項目に該当する顧客に絞り込まれる。例えば、従来のダイレクトマーケティングでは、この段階までの顧客の抽出が可能とされていた。
【００６９】
次に、学習用のデータベースＤＢ2を用いて顧客の様々な特性を予測することにより、分析顧客母集団のデータベースＤＢ3から絞り込まれた音楽専門チャンネルの潜在顧客のデータベースＤＢ4が作成される。ここで、学習用データベースＤＢ2は例えば１０００人規模のデータベースからなる。
【００７０】
上述したような学習用データベースＤＢ2を用いた絞り込みにより、例えば、音楽専門チャンネルの潜在顧客のデータベースＤＢ4は、「テレビは娯楽として手軽」、「音楽のない生活は考えられない」、「ワクワクするような刺激を求める」、「音楽専門チャンネル利用意向」、及び「ポップスが好き」等といった項目に該当する顧客によって構成されるようになる。
【００７１】
以上のように、顧客情報検索装置１は、顧客データベースからなる分析顧客母集団のデータベースに、学習用データベースの情報を適用させて、特定の商品又はサービスの潜在顧客の抽出を行っている。
【００７２】
なお、この例では絞り込みを２段階に分けておりその段階を踏む順序については、上述した例と逆の順番にしたり、或いは一段階目を省略することもできる。
【００７３】
次に、学習用データベースにおける処理と顧客データベースにおける処理の手順について図７を用いて具体的に説明する。ここにおける処理は、例えばＣＰＵ５により実行される処理である。
【００７４】
この図７に示すように、ステップＳ１で処理が開始された学習用データベースでは、ステップＳ２に示すように、ＣＰＵ５により、予測したい顧客の特性を学習用データベースの項目から選択する。この項目は新商品及びサービスの場合、通常、顧客データベースには含まれないものである。この選択した項目が学習のターゲット変数になる。
【００７５】
次に、ステップＳ３において、ＣＰＵ５は、顧客の特性を予測する変数となる独立変数を作成する。例えば、そのために学習用データベースと顧客データベースとの共通項目からプロファイル項目を抽出する。
【００７６】
そして、ＣＰＵ５は、ステップＳ４において、この選ばれたプロファイル項目に対して、データの抜け、異常値等に対する処理等を行う欠損値処理をして、続くステップＳ５において、プロファイル項目について編集、合成等の処理等を行う変数加工をして、最終的な独立変数を作成する。
【００７７】
続いて、ＣＰＵ５は、ステップＳ６及びステップＳ１４において、学習用データベースを規則発見用のデータ（学習用データ）及び抽出規則の評価用データに分割する。
【００７８】
規則発見用のデータにより、ＣＰＵ５は、ステップＳ７において、学習モデルを選択して、判別分析（ステップＳ８）、デシジョンツリー（ステップＳ９）、ニューラルネットワーク（ステップＳ１０）等の様々な学習モデルを適用させる。
【００７９】
このように各学習モデルを適用した後、ＣＰＵ５は、ステップＳ１１において、評価用データとその学習モデルの適用結果に基づいて、もっとも有効な学習モデルを選択し、ステップＳ１２において、選択した学習モデルにより規則のパラメータを決定し、ステップＳ１３において、その規則のパラメータを保存する。
【００８０】
一方、顧客データベース側でも学習用データベースで作成した独立変数と同一のものを同一の手順により作成する。これにより学習用データベースで作成された規則は顧客データベースでもまったく適用可能になる。
【００８１】
具体的には、顧客データベースに関しては、ステップＳ２１において処理が開始され、ステップＳ２２において、名寄せ処理が行われる。続いて、ＣＰＵ５は、学習データベースにおける処理と同様に、ステップＳ２３〜ステップＳ２５において、独立変数の作成、欠損値処理、及び変数加工といった処理を行う。
【００８２】
この各種処理を終えた後、ＣＰＵ５は、ステップＳ２６において、顧客データベース中からデモグラフィック情報、購買履歴情報等に基づいて顧客の絞り込み、すなわち、顧客のプリサンプリングを行う。
【００８３】
ＣＰＵ５は、ステップＳ２６により顧客の絞り込みを行った後、ステップＳ２７において、学習用データベース処理のステップＳ１３において得た学習モデルを適用する。
【００８４】
この学習モデルの適用により、ＣＰＵ５は、ステップＳ２８及びステップＳ２９において、ターゲットの顧客、すなわち、潜在顧客を抽出して、抽出した顧客（抽出顧客）に抽出済のフラグ付けを行う。そして、ＣＰＵ５は、ステップＳ３０において、名簿等として抽出した顧客の出力を行う。名簿等としての出力は、出力部３を構成するモニタ又はプリンタ等によって行われる。
【００８５】
以上が顧客情報検索装置１の構成と、その処理の手順の説明である。顧客情報検索装置１は、購買履歴等の行動履歴等からなる顧客外的情報に加え、顧客の価値観等の心理側面に関する情報からなる顧客内的情報を使用し、さらには顧客から直接得ることができない情報を推定することにより、顧客の規則抽出の精度を向上させている。
【００８６】
すなわち、例えば、顧客情報検索装置１は、図８に示すように、性別、年齢及び家族等のデモグラフィック情報、並びにＡＶ機器購入履歴及びサービス購入履歴等の行動履歴などからなる外的データ（図８中（Ａ））に加え、メディアに関する意識、及びライフスタイル特性等の人柄に関する情報等からなる内的データ（図８中（Ｂ））をも参照することにより、規則抽出の精度を向上させ、所望の顧客情報を抽出している。例えば、これにより、個々の顧客に最適なコンテンツ、サービス及びプロダクツの提供（図８中（Ｃ））が可能になる。
【００８７】
また、顧客情報検索装置１は、データベース中の顧客を特定の商品又はサービスに対する有望度の大きさによって順位づけすることもでき、これにより、有望度の上位の順からマーケティングに必要な人数だけ、或いは有望度が所定の閾値以上になっている顧客だけをピックアップしてダイレクトアプローチすることが可能になり、効率的なマーケティングが実現できるようになる。
【００８８】
例えば、ある商品又はサービスの購入希望者をピックアップすることを想定する。有望度算出式を購入希望者と購入非希望者の線形判別関数として求めた場合の有望度の分布が図９に示すようになったとする。例えば、商品又はサービスの購入希望者による関数ｆ1は、音楽専門チャンネルをぜひ利用したい顧客の集合から求めたものであり、購入非希望者による関数ｆ2は、音楽専門チャンネルを利用したくない顧客の集合から求めたものである。
【００８９】
この場合、閾値１近辺の有望度をもつ顧客を選んでも購入希望に対する的中率はほぼ０％となる。しかし閾値２近辺の有望度を持つ顧客を選んだ場合は的中率はほぼ５０％に、そして閾値３以上の顧客を選んだ場合は的中率がほぼ１００％となる。このような的中率の分布を想定することで、大規模な顧客データベース中から必要な人数だけの潜在顧客をピックアップすることが可能になる。例えば、１００万人の顧客データベースから有望度の高い上位１万人を抽出した際の的中率が９０％であるとき、１万人にダイレクトメールを出す場合には９千人が的中した潜在顧客になる。言い換えると９千人の顧客が欲しい場合には１万人にダイレクトメールを出せば良いことになる。
【００９０】
さらに、学習データベースを用いて顧客の情報を推論することは、潜在顧客を適切に抽出することを可能にし、例えば図１０に示すような手順により、マーケティングを行うことを可能にする。
【００９１】
顧客プロファイル情報を選択し（ステップＳ３１）、その顧客プロファイル情報に基づいて推論を行う（ステップＳ３２）。ここで、推論は、例えばデータマイニング手法を採用している。
【００９２】
そして、この人にはこのような方法で売り込めば成功する（ステップＳ３３）といった流れを得る。
【００９３】
このように、学習用データベースにより得た規則を適用し、顧客の情報を推論することにより、潜在顧客を適切に抽出することが可能になり、マーケティング戦略をより効果のあるものとすることが可能になる。
【００９４】
すなわち、顧客データベース中のデータ項目と顧客データベースには存在しないデータ項目の規則を学習用のデータベースを用いて抽出することで、既存のデータベースを新規ビジネスに活用可能にすることが可能になる。さらに、顧客に直接質問することなく、必要に応じて学習用データベースを用いて顧客データベースには存在しないデータ項目を推定することで、プライバシーを侵害することなく、低コストでまた記憶装置の容量を拡大することなく実質上のデータベースを拡大することができる。
【００９５】
次に、コンピュータシミュレーションにより、音楽専門チャンネルの潜在顧客発見を題材にして、潜在顧客の抽出の的中率を測定した実施例について説明する。コンピュータシミュレーションは、線形モデルの判別分析を採用して行っている。なお、線形モデルによりコンピュータシミュレーションを行うことに限定されず、ディシジョンツリー等の他の学習モデルを採用してコンピュータシミュレーションすることとしても良い。
【００９６】
図１１に示すように、顧客データベースＤＢ1からプロファイリングデータを用いて特定の商品又はサービスの潜在顧客を検索した場合に、抽出された潜在顧客からなるデータベースＤＢ4において確かな潜在顧客とされる的中率が問題になる。実施例では、この的中率を中心に説明する。
【００９７】
実施例において、パラメータを次のように設定している。
【００９８】
プロファイルデータとして、例えば表１に示すように、ＡＶ機器購入履歴、デモグラフィック、人柄データ及びレンタルビデオ・ＣＤ購入頻度の各情報を用いている。
【００９９】
【表１】
ＡＶ機器購入履歴については、例えば表２に示すように、横長ワイドテレビ、ハイビジョンテレビ、・・・・・等のようなパラメータを使用している。
【０１０１】
【表２】
人柄データについては、例えば表３に示すように、情報通信に関する考え方１として、自分の目では見えないものを見たい、労働時間が短縮され自分の時間や生活のゆとりがもてる等のようなパラメータを使用している。
【０１０３】
【表３】
図１２には、上述したようなパラメータを用いたコンピュータシミュレーションにより得た結果を示している。図１２のグラフの横軸は、潜在顧客のデータベースから抽出した割合であって、可能性の高い人から順に示されている。すなわち、０％に近いほど、音楽専門チャンネルの潜在顧客であろう顧客になる。グラフの縦軸は、的中率を示している。
【０１０５】
この図１２に示す結果において、確からしい１０％の人を選んだ場合（値Ｘ1）には、９０％の確立で潜在顧客を抽出することができる。そして、確からしい５％の人を選んだ場合（値Ｘ2）には、ほぼ１００パーセントの確立で潜在顧客を抽出することができる。
【０１０６】
なお、無作為に人を選んだ場合（値Ｘ3（１００％））には、２５％の確立で潜在顧客を抽出することができる。
【０１０７】
図１３は、比較例を示している。図１２に示した本発明を適用した場合の的中率の変化ｆ11に対比して、人柄データのみから得られる的中率の変化ｆ12及びＣＤ・ビデオレンタル回数及びデモグラフィックから得られる的中率の変化ｆ13の結果を示している。なお、図１３に示すグラフの横軸は、抽出した人数であり、少ない数になるほど音楽専門チャンネルの潜在顧客であろう顧客になる。
【０１０８】
この図１３に示すように、ＣＤ・ビデオレンタル回数が多い顧客、すなわちＣＤ・ビデオレンタルのヘビーユーザを摘出した場合（ｆ13において摘出人を１人目に近づけた場合）であっても、的中率は低いままであり、本発明を適用した学習モデルにより得た的中率との間にかなりの差が生じていることがわかる。
【０１０９】
なお、このように正確に潜在顧客を摘出した要因として、例えば、エンタテインメントを主眼とした自由度の高いプロファイルデータを採用していること、大まかに傾向をみるクラスタアプローチではなく、個人を分析するパーソナルアプローチを採用していること等が挙げられる。
【０１１０】
以上がコンピュータシミュレーションによる実施例の結果でも、本発明を適用することにより、的中率を上げることができ、ほぼ１００％の確率で潜在顧客を摘出することが可能である結果を得ることができた。顧客情報検索装置１は、このように、特定の商品又はサービスの潜在顧客を的確に抽出することを可能にする。
【０１１１】
【発明の効果】
本発明に係る顧客情報検索方法は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とを記憶手段に蓄積し、記憶手段に蓄積した顧客内的情報及び顧客外的情報に基づいて、顧客の特定の商品又はサービスに対する有望度を算出することにより、潜在顧客の規則抽出の精度を向上させることができる。
【０１１２】
よって、顧客情報検索方法により、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１３】
また、本発明に係る顧客情報検索装置は、顧客の心理側面に関する顧客内的情報と少なくとも顧客の基本属性を含む顧客外的情報とが蓄積される記憶手段と、記憶手段に蓄積した顧客内的情報及び顧客外的情報に基づいて、顧客の特定の商品又はサービスに対する有望度を算出する有望度算出手段とを備えることにより、記憶手段に蓄積されている顧客内的情報及び顧客外的情報に基づいて、有望度算出手段により、顧客の特定の商品又はサービスに対する有望度を算出することができる。
【０１１４】
これにより、顧客情報検索装置は、潜在顧客の規則抽出の精度を向上させることができ、特定の商品又はサービスの潜在顧客を的確に抽出することを可能にする。
【０１１５】
また、本発明に係るデータ作成方法は、顧客の心理側面に関する顧客内的情報と、少なくとも顧客の基本属性を含む顧客外的情報とを記憶手段に蓄積することにより、記憶手段に記憶された顧客内的情報及び顧客外的情報を用いた顧客の規則抽出を可能にする。そして、この顧客内的情報及び顧客外的情報顧に基づいて行う潜在顧客の規則抽出の精度は高いものとなる。
【０１１６】
よって、このデータ作成方法により、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１７】
また、本発明に係るデータベースは、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した第１の顧客情報と、商品又はサービスの有望度を得るために新たに取得した顧客に関する情報を示す第２の顧客情報とを有することにより、第１の顧客情報と第２の顧客情報の間に共通して存在する規則が抽出することができる。
【０１１８】
この抽出した規則に、顧客に関して既に得られている情報を適用することにより、例えば、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【０１１９】
また、本発明に係る顧客情報検索方法は、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した顧客に関する情報を示す第２の顧客情報の間に共通して存在する規則を抽出することにより、この抽出した規則を、顧客に関して既に得られている情報を適用することでできる。これにより、例えば、特定の商品又はサービスの潜在顧客を的確に抽出することが可能になる。
【図面の簡単な説明】
【図１】本発明の実施の形態である顧客情報検索装置の構成を示すブロック図である。
【図２】本発明を適用して構成した顧客データベースの構成を示す図である。
【図３】顧客データベースから学習用データベースを作成する場合の説明に用いた図である。
【図４】本発明を適用して構成した学習用データベースの構成を示す図である。
【図５】顧客データベースと学習用データベースとからなるデータベースの構成を示す図である。
【図６】顧客データベースから得た分析顧客母集団に学習用データベースを適用して潜在顧客を抽出する場合の手順を示す図である。
【図７】学習用データベースに基づいて行う処理の手順と、顧客データベースに基づいて行う処理の手順とを示す図である。
【図８】内的データと外的データとから特定の商品又はサービスの潜在顧客を抽出する場合をモデル化して示す図である。
【図９】顧客の有望度と潜在顧客の的中率との関係を示す特性図である。
【図１０】顧客情報検索装置により可能になるマーケティングを説明するために用いた図である。
【図１１】顧客データベースから潜在顧客からなるデータベースを作成した場合の的中率を説明するために用いた図である。
【図１２】抽出した潜在顧客と、確かな潜在顧客である的中率との関係を示すものであって、本発明を適用した実施例の結果を示す特性図である。
【図１３】抽出した潜在顧客と、確かな潜在顧客である的中率との関係を示すものであって、本発明を適用した実施例の結果と従来の結果の比較例を示す特性図である。
【符号の説明】
１ 顧客情報検索装置、４ データ記憶部、５ ＣＰＵ
Claims (20)
- 顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と、
商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを有し、
学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則が抽出され、該抽出された規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから上記潜在顧客の特定の商品又はサービスに対する上記有望度が推定されるデータベース。 - 上記第２の顧客情報を、上記規則を発見するための規則発見用のデータと抽出された上記規則を評価するための抽出規則の評価用データとに分割し、該規則発見用のデータに複数の学習モデルを適用し、該適用された学習モデルと該評価用データとの適用結果に基づいて最も有効な学習モデルを選択する請求項１記載のデータベース。
- 上記学習モデルとして、判別分析、ロジスティック回帰、クラスター分析、ニューラルネットワークモデル、及びデシジョンツリーを適用する請求項１記載のデータベース。
- 上記有望度に基づいて顧客を順位付けする請求項１記載のデータベース。
- 上記顧客内的情報は、顧客の価値観を少なくとも含む心的側面に関する情報である請求項１記載のデータベース。
- 上記基本属性には、少なくとも顧客の性別及び年齢が含まれている請求項１記載のデータベース。
- 上記第３の顧客内的情報は、上記潜在顧客判定のためにした質問項目からなる請求項１記載のデータベース。
- コンピュータが、顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段から、有望度算出手段により、学習モデルを適用することで、上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、
上記有望度算出手段により、上記抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する顧客情報検索方法。 - 上記第２の顧客情報を、上記規則を発見するための規則発見用のデータと抽出された上記規則を評価するための抽出規則の評価用データとに分割し、該規則発見用のデータに複数の学習モデルを適用し、該適用された学習モデルと該評価用データとの適用結果に基づいて最も有効な学習モデルを選択する請求項８記載の顧客情報検索方法。
- 上記学習モデルとして、判別分析、ロジスティック回帰、クラスター分析、ニューラルネットワークモデル、及びデシジョンツリーを適用する請求項８記載の顧客情報検索方法。
- 上記有望度に基づいて顧客を順位付けする請求項８記載の顧客情報検索方法。
- 上記顧客内的情報は、顧客の価値観を少なくとも含む心的側面に関する情報である請求項８記載の顧客情報検索方法。
- 上記基本属性には、少なくとも顧客の性別及び年齢が含まれている請求項８記載の顧客情報検索方法。
- 上記第３の顧客内的情報は、上記潜在顧客判定のためにした質問項目からなる請求項８記載の顧客情報検索方法。
- 顧客に関する情報から構成される既存の顧客データベースから商品又はサービスの有望度を得るために取り出した顧客の基本属性を含む第１の顧客外的情報及び顧客の心理側面に関する第１の顧客内的情報を含む第１の顧客情報と商品又はサービスの有望度を得るために新たに取得した上記第１の顧客外的情報と共通するプロファイル項目を有する第２の顧客外的情報と、上記第１の顧客内的情報と共通するプロファイル項目を有する第２の顧客内的情報と、上記既存の顧客データベースには格納されておらず潜在顧客を判定するためのプロファイル項目からなる第３の顧客内的情報とを含む第２の顧客情報とを含むデータベースを記憶する記憶手段と、
学習モデルを適用することで、上記記憶手段に蓄積した上記第２の顧客外的情報及び上記第２の顧客内的情報のプロファイル項目と、上記第３の顧客内的情報のプロファイル項目との間に存在する規則を抽出し、該抽出した規則と上記第１の顧客情報とに基づいて、上記既存の顧客データベースから潜在顧客の特定の商品又はサービスに対する上記有望度を推定する有望度算出手段と
を備える顧客情報検索装置。 - 上記有望度に基づいて顧客を順位付けする請求項１５記載の顧客情報検索装置。
- 上記顧客内的情報は、顧客の価値観を少なくとも含む心的側面に関する情報である請求項１５記載の顧客情報検索装置。
- 上記基本属性には、少なくとも顧客の性別及び年齢が含まれている請求項１５記載の顧客情報検索装置。
- 上記第２の顧客情報を、上記規則を発見するための規則発見用のデータと抽出された上記規則を評価するための抽出規則の評価用データとに分割し、該規則発見用のデータに複数の学習モデルを適用し、該適用された学習モデルと該評価用データとの適用結果に基づいて最も有効な学習モデルを選択する請求項１５記載の顧客情報検索装置。
- 上記学習モデルとして、判別分析、ロジスティック回帰、クラスター分析、ニューラルネットワークモデル、及びデシジョンツリーを適用する請求項１５記載の顧客情報検索装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34435798A JP4218099B2 (ja) | 1998-12-03 | 1998-12-03 | データベース、顧客情報検索方法及び顧客情報検索装置 |
| US09/452,418 US6507851B1 (en) | 1998-12-03 | 1999-12-01 | Customer information retrieving method, a customer information retrieving apparatus, a data preparation method, and a database |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP34435798A JP4218099B2 (ja) | 1998-12-03 | 1998-12-03 | データベース、顧客情報検索方法及び顧客情報検索装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2000172697A JP2000172697A (ja) | 2000-06-23 |
| JP4218099B2 true JP4218099B2 (ja) | 2009-02-04 |
Family
ID=18368620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP34435798A Expired - Fee Related JP4218099B2 (ja) | 1998-12-03 | 1998-12-03 | データベース、顧客情報検索方法及び顧客情報検索装置 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US6507851B1 (ja) |
| JP (1) | JP4218099B2 (ja) |
Families Citing this family (112)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7403922B1 (en) | 1997-07-28 | 2008-07-22 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
| WO2001042942A1 (en) * | 1999-12-10 | 2001-06-14 | Myteam.Com, Inc. | Tools for administering leagues and accessing and populating a community website structure |
| US20040073617A1 (en) * | 2000-06-19 | 2004-04-15 | Milliken Walter Clark | Hash-based systems and methods for detecting and preventing transmission of unwanted e-mail |
| JP2002041565A (ja) * | 2000-07-28 | 2002-02-08 | Zenrin Co Ltd | サーバ・システム、データベース・センタ、サーバ、サーバ・システムにおける情報検索方法および記録媒体 |
| JP2002092305A (ja) * | 2000-09-13 | 2002-03-29 | Hitachi Ltd | スコア算出方法及びスコア提供方法 |
| EP1193625B1 (fr) * | 2000-09-27 | 2006-09-13 | Pertinence Data Intelligence | Moteur de recherche collaboratif |
| JP2002117048A (ja) * | 2000-10-10 | 2002-04-19 | D Tank:Kk | 購買動機顕在化方法と適合商品・顧客抽出方法とその為の装置 |
| JP4538934B2 (ja) * | 2000-10-12 | 2010-09-08 | ソニー株式会社 | 配信システム |
| JP4529058B2 (ja) * | 2000-10-12 | 2010-08-25 | ソニー株式会社 | 配信システム |
| US8868448B2 (en) * | 2000-10-26 | 2014-10-21 | Liveperson, Inc. | Systems and methods to facilitate selling of products and services |
| US20060015390A1 (en) * | 2000-10-26 | 2006-01-19 | Vikas Rijsinghani | System and method for identifying and approaching browsers most likely to transact business based upon real-time data mining |
| US9819561B2 (en) | 2000-10-26 | 2017-11-14 | Liveperson, Inc. | System and methods for facilitating object assignments |
| JP3654193B2 (ja) * | 2001-01-22 | 2005-06-02 | 日本電気株式会社 | 欠損データ補完方法及び欠損データ補完システム |
| US20100057622A1 (en) * | 2001-02-27 | 2010-03-04 | Faith Patrick L | Distributed Quantum Encrypted Pattern Generation And Scoring |
| US7136826B2 (en) * | 2001-04-04 | 2006-11-14 | Koninklijke Philips Electronics N. V. | Method for creating personality profiles using tagged physical objects |
| US7865427B2 (en) | 2001-05-30 | 2011-01-04 | Cybersource Corporation | Method and apparatus for evaluating fraud risk in an electronic commerce transaction |
| WO2003017137A1 (fr) * | 2001-08-21 | 2003-02-27 | Fujitsu Limited | Dispositif de gestion de profils d'utilisateurs et dispositif de recommandation |
| US8108249B2 (en) * | 2001-12-04 | 2012-01-31 | Kimberly-Clark Worldwide, Inc. | Business planner |
| US7769638B1 (en) | 2002-03-12 | 2010-08-03 | First Data Corporation | Systems and methods for verifying authorization for electronic commerce |
| US7191941B1 (en) | 2002-03-12 | 2007-03-20 | First Data Corporation | Systems and methods for determining a need for authorization |
| US6755344B1 (en) * | 2002-03-12 | 2004-06-29 | First Data Corporation | Systems and methods for determining an authorization threshold |
| JP2003345641A (ja) * | 2002-05-29 | 2003-12-05 | Ricoh Co Ltd | 記憶媒体及びプログラム |
| US6732157B1 (en) | 2002-12-13 | 2004-05-04 | Networks Associates Technology, Inc. | Comprehensive anti-spam system, method, and computer program product for filtering unwanted e-mail messages |
| US7882088B2 (en) * | 2004-03-08 | 2011-02-01 | Sap Ag | Method and system for transferring data from a data warehouse |
| US7752067B2 (en) * | 2004-03-08 | 2010-07-06 | Sap Aktiengesellschaft | System and method for assortment planning |
| US7481367B2 (en) | 2004-03-08 | 2009-01-27 | Sap Aktiengesellschaft | Assignment of markdown profiles for automated control of pricing |
| US7996330B2 (en) * | 2004-03-08 | 2011-08-09 | Sap Aktiengeselleschaft | Automated system for generating proposed markdown strategy and tracking results of proposed markdown |
| US8285584B2 (en) | 2004-03-08 | 2012-10-09 | Sap Ag | System and method for performing assortment planning |
| US7822692B2 (en) * | 2004-03-08 | 2010-10-26 | Sap Ag | Automated control of pricing using markdown profiles |
| US8165910B2 (en) * | 2004-03-08 | 2012-04-24 | Sap Aktiengesellschaft | Method and system for price planning |
| US7974851B2 (en) | 2004-03-08 | 2011-07-05 | Sap Aktiengesellschaft | Method and system for price planning |
| US8489446B2 (en) * | 2004-03-08 | 2013-07-16 | Sap Ag | System and method for defining a sales promotion |
| US8620722B2 (en) * | 2004-03-08 | 2013-12-31 | Sap Aktiengesellschaft | System and method for organizing an enterprise |
| US7769625B2 (en) * | 2004-03-08 | 2010-08-03 | Sap Aktiengesellschaft | System and method for defining a sales promotion |
| US7647250B2 (en) * | 2004-03-08 | 2010-01-12 | Sap Ag | Method and program product for event monitoring |
| US7742948B2 (en) * | 2004-03-08 | 2010-06-22 | Sap Aktiengesellschaft | Method of and system for allocating an OTB-relevant purchasing contract |
| US8051015B2 (en) * | 2004-03-08 | 2011-11-01 | Sap Ag | Method and system for automated control of pricing |
| US8341011B2 (en) * | 2004-03-08 | 2012-12-25 | Sap Aktiengesellschaft | Method and system for reporting price planning results |
| US7813949B2 (en) | 2004-03-08 | 2010-10-12 | Sap Ag | Method and system for flexible budgeting in a purchase order system |
| US20050197886A1 (en) * | 2004-03-08 | 2005-09-08 | Sap Aktiengesellschaft | System and method for defining a sales promotion |
| US7805383B2 (en) * | 2004-03-08 | 2010-09-28 | Sap Ag | Price planning system and method including automated price adjustment, manual price adjustment, and promotion management |
| US7660742B2 (en) * | 2004-03-08 | 2010-02-09 | Sap Aktiengesellschaft | Method of and system for processing purchase orders |
| US7983962B2 (en) * | 2004-03-08 | 2011-07-19 | Sap Aktiengesellschaft | Method and system for purchase order data entry |
| US7805335B2 (en) * | 2004-03-08 | 2010-09-28 | Sap Ag | Purchase list having status indicators |
| US7383990B2 (en) * | 2004-03-08 | 2008-06-10 | Sap Aktiengesellschaft | Organizational settings for a price planning workbench |
| US20050197911A1 (en) * | 2004-03-08 | 2005-09-08 | Sap Aktiengesellschaft | Method and system for automated contract determination |
| US7831487B2 (en) | 2004-03-08 | 2010-11-09 | Sap Ag | Method and system for scheduling purchase orders |
| US7343315B2 (en) * | 2004-03-08 | 2008-03-11 | Sap Aktiengesellschaft | System and method of efficient scheduling and processing of purchase orders |
| US8639548B2 (en) * | 2004-03-08 | 2014-01-28 | Sap Aktiengesellschaft | System and method for assortment planning |
| US7788595B2 (en) * | 2004-03-08 | 2010-08-31 | Sap Ag | Method and system for switching among management system applications |
| US8478632B2 (en) * | 2004-03-08 | 2013-07-02 | Sap Ag | System and method for defining a sales promotion |
| US7813961B2 (en) * | 2004-03-08 | 2010-10-12 | Sap Ag | System and method for planning, allocation, and purchasing |
| US8027886B2 (en) * | 2004-03-08 | 2011-09-27 | Sap Aktiengesellschaft | Program product for purchase order processing |
| US8370184B2 (en) * | 2004-03-08 | 2013-02-05 | Sap Aktiengesellschaft | System and method for assortment planning |
| US8423428B2 (en) | 2004-03-08 | 2013-04-16 | Sap Ag | Method for allocation of budget to order periods and delivery periods in a purchase order system |
| US7739203B2 (en) * | 2004-03-08 | 2010-06-15 | Sap Aktiengesellschaft | Method and system for classifying retail products and services using price band categories |
| US8392231B2 (en) * | 2004-03-08 | 2013-03-05 | Sap Aktiengesellschaft | System and method for performing assortment definition |
| US7853491B2 (en) * | 2004-03-08 | 2010-12-14 | Sap Ag | Purchase orders based on purchasing list, capacity plans, assortment plans, and area spread assortment plans |
| US8788372B2 (en) * | 2004-03-08 | 2014-07-22 | Sap Aktiengesellschaft | Method and system for classifying retail products and services using characteristic-based grouping structures |
| US8484135B2 (en) * | 2004-03-08 | 2013-07-09 | Sap Aktiengesellschaft | Method of and system for assignment of price groups |
| US8219444B2 (en) * | 2004-03-08 | 2012-07-10 | Sap Aktiengesellschaft | System and method for using sales patterns with markdown profiles |
| US8108270B2 (en) * | 2004-03-08 | 2012-01-31 | Sap Ag | Method and system for product layout display using assortment groups |
| US7693749B2 (en) * | 2004-03-08 | 2010-04-06 | Sap Ag | System and computer product for managing purchase orders |
| US8050956B2 (en) * | 2004-03-08 | 2011-11-01 | Sap Ag | Computer-readable medium, program product, and system for providing a schedule bar with event dates to monitor procurement of a product |
| US20050267873A1 (en) * | 2004-03-08 | 2005-12-01 | Sap Aktiengesellschaft | Method and system for dynamic article listing |
| US8050990B2 (en) * | 2004-03-08 | 2011-11-01 | Sap Ag | Method of and system for generating purchase orders using an auction process |
| US8046273B2 (en) * | 2004-03-08 | 2011-10-25 | Sap Ag | System and method for purchase order creation, procurement, and controlling |
| US8046275B2 (en) * | 2004-04-16 | 2011-10-25 | Sap Aktiengesellschaft | Synchronizing an allocation table with a procurement system |
| US8655697B2 (en) * | 2004-04-16 | 2014-02-18 | Sap Aktiengesellschaft | Allocation table generation from assortment planning |
| US7689477B2 (en) * | 2004-04-16 | 2010-03-30 | Sap Aktiengesellschaft | Apparatus and program product for generating an allocation table in a computerized procurement system |
| US7908186B2 (en) * | 2004-04-16 | 2011-03-15 | Sap Aktiengesellschaft | Distribution matrix in an allocation table |
| US7805334B1 (en) | 2004-06-08 | 2010-09-28 | Sap Ag | Method and system for processing retail data |
| US20060059031A1 (en) * | 2004-08-06 | 2006-03-16 | Sap Aktiengesellschaft | Risk management |
| US7311250B1 (en) * | 2004-09-23 | 2007-12-25 | Ncr Corporation | RFID weight-based security method with container compensation |
| US20060149691A1 (en) * | 2005-01-03 | 2006-07-06 | Sap Aktiengesellschaft | Method and system for enablement and management of ad hoc electric energy consumption |
| US7413117B2 (en) * | 2005-02-09 | 2008-08-19 | First Data Corporation | Pre-paid activation and replenishment on a point-of-sale device |
| US20070033227A1 (en) * | 2005-08-08 | 2007-02-08 | Gaito Robert G | System and method for rescoring names in mailing list |
| US7724890B1 (en) | 2005-09-07 | 2010-05-25 | Sap Ag | Focused retrieval of selected data in a call center environment |
| US9432468B2 (en) | 2005-09-14 | 2016-08-30 | Liveperson, Inc. | System and method for design and dynamic generation of a web page |
| US8738732B2 (en) | 2005-09-14 | 2014-05-27 | Liveperson, Inc. | System and method for performing follow up based on user interactions |
| US7818203B1 (en) * | 2006-06-29 | 2010-10-19 | Emc Corporation | Method for scoring customer loyalty and satisfaction |
| US8255870B2 (en) * | 2006-08-31 | 2012-08-28 | Sap Aktiengesellschaft | Application access for support users |
| US8484554B2 (en) * | 2006-08-31 | 2013-07-09 | Sap Ag | Producing a chart |
| US7813814B2 (en) * | 2006-09-29 | 2010-10-12 | Sap Ag | Control systems and methods for virtual power plants |
| US20080120206A1 (en) * | 2006-10-31 | 2008-05-22 | Sap Aktiengesellschaft | Stock level management |
| US7676443B2 (en) * | 2006-11-17 | 2010-03-09 | Sap Ag | System and method for processing data elements in retail sales environment |
| US7548900B2 (en) * | 2006-11-30 | 2009-06-16 | Sap Ag | Systems and methods for data management |
| US8762293B2 (en) * | 2006-12-28 | 2014-06-24 | Sap Ag | Condition data management |
| JP4730619B2 (ja) * | 2007-03-02 | 2011-07-20 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
| US8099337B2 (en) | 2007-06-19 | 2012-01-17 | Sap Ag | Replenishment planning management |
| US7809707B2 (en) * | 2007-07-23 | 2010-10-05 | Sap Ag | System and method for identifying element usage in a deep element structure |
| US7730051B2 (en) | 2007-07-23 | 2010-06-01 | Sap Aktiengesellschaft | System and method for embedded expression assignment |
| US7730052B2 (en) | 2007-07-23 | 2010-06-01 | Sap Aktiengesellschaft | System and method for providing a virtual item context |
| CN101271563A (zh) * | 2008-05-13 | 2008-09-24 | 腾讯科技（深圳）有限公司 | 一种用户信息获取方法及电子商务系统以及相关设备 |
| US8260846B2 (en) | 2008-07-25 | 2012-09-04 | Liveperson, Inc. | Method and system for providing targeted content to a surfer |
| US8762313B2 (en) | 2008-07-25 | 2014-06-24 | Liveperson, Inc. | Method and system for creating a predictive model for targeting web-page to a surfer |
| US8805844B2 (en) | 2008-08-04 | 2014-08-12 | Liveperson, Inc. | Expert search |
| US9892417B2 (en) | 2008-10-29 | 2018-02-13 | Liveperson, Inc. | System and method for applying tracing tools for network locations |
| US20100205024A1 (en) * | 2008-10-29 | 2010-08-12 | Haggai Shachar | System and method for applying in-depth data mining tools for participating websites |
| WO2011127049A1 (en) | 2010-04-07 | 2011-10-13 | Liveperson, Inc. | System and method for dynamically enabling customized web content and applications |
| US9350598B2 (en) | 2010-12-14 | 2016-05-24 | Liveperson, Inc. | Authentication of service requests using a communications initiation feature |
| US8918465B2 (en) | 2010-12-14 | 2014-12-23 | Liveperson, Inc. | Authentication of service requests initiated from a social networking site |
| US8943002B2 (en) | 2012-02-10 | 2015-01-27 | Liveperson, Inc. | Analytics driven engagement |
| US8805941B2 (en) | 2012-03-06 | 2014-08-12 | Liveperson, Inc. | Occasionally-connected computing interface |
| US9563336B2 (en) | 2012-04-26 | 2017-02-07 | Liveperson, Inc. | Dynamic user interface customization |
| US9672196B2 (en) | 2012-05-15 | 2017-06-06 | Liveperson, Inc. | Methods and systems for presenting specialized content using campaign metrics |
| JP5797686B2 (ja) * | 2013-04-26 | 2015-10-21 | シャープ株式会社 | 情報処理装置、および情報提供方法 |
| US11386442B2 (en) | 2014-03-31 | 2022-07-12 | Liveperson, Inc. | Online behavioral predictor |
| AU2016270937B2 (en) | 2015-06-02 | 2021-07-29 | Liveperson, Inc. | Dynamic communication routing based on consistency weighting and routing rules |
| JP6716919B2 (ja) * | 2016-01-14 | 2020-07-01 | 日本電気株式会社 | 情報抽出装置、抽出方法、および、抽出プログラム |
| JP6587556B2 (ja) * | 2016-02-22 | 2019-10-09 | 株式会社三菱総合研究所 | 情報処理装置及び情報処理方法 |
| EP4130998A1 (en) | 2016-08-14 | 2023-02-08 | Liveperson Inc. | Systems and methods for real-time remote control of mobile applications |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5908383A (en) * | 1997-09-17 | 1999-06-01 | Brynjestad; Ulf | Knowledge-based expert interactive system for pain |
| US6112181A (en) * | 1997-11-06 | 2000-08-29 | Intertrust Technologies Corporation | Systems and methods for matching, selecting, narrowcasting, and/or classifying based on rights management and/or other information |
| US20010014868A1 (en) * | 1997-12-05 | 2001-08-16 | Frederick Herz | System for the automatic determination of customized prices and promotions |
| US6286005B1 (en) * | 1998-03-11 | 2001-09-04 | Cannon Holdings, L.L.C. | Method and apparatus for analyzing data and advertising optimization |
-
1998
- 1998-12-03 JP JP34435798A patent/JP4218099B2/ja not_active Expired - Fee Related
-
1999
- 1999-12-01 US US09/452,418 patent/US6507851B1/en not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JP2000172697A (ja) | 2000-06-23 |
| US6507851B1 (en) | 2003-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4218099B2 (ja) | データベース、顧客情報検索方法及び顧客情報検索装置 | |
| US20220414688A1 (en) | Predictive analytics for leads generation and engagement recommendations | |
| Jain et al. | Transforming marketing with artificial intelligence | |
| US10565602B1 (en) | Method and system for obtaining leads based on data derived from a variety of sources | |
| JP6719727B2 (ja) | 購買行動分析装置およびプログラム | |
| Cho et al. | Mining changes in customer buying behavior for collaborative recommendations | |
| Seng et al. | An analytic approach to select data mining for business decision | |
| US20160171590A1 (en) | Push-based category recommendations | |
| US10795956B1 (en) | System and method for identifying potential clients from aggregate sources | |
| CN111311332A (zh) | 用户数据的处理方法和装置 | |
| JP6694901B2 (ja) | データ管理装置およびデータ管理システム | |
| US8478702B1 (en) | Tools and methods for determining semantic relationship indexes | |
| TWM624658U (zh) | 以用戶短期特徵預測用戶是否屬於價值用戶群的預測裝置 | |
| CN115204985A (zh) | 购物行为预测方法、装置、设备及存储介质 | |
| CN115271870A (zh) | 一种基于大数据的市场营销信息处理系统 | |
| Crie et al. | Complaint letters and commitment theory: An empirical approach in mail-order selling | |
| CN117495482B (zh) | 一种基于用户画像的二手手机销售推荐方法及系统 | |
| CN117474631A (zh) | 基于电商平台评论的数据挖掘与情感分析的推荐算法 | |
| Pratama et al. | Product recommendation in offline retail industry by using collaborative filtering | |
| Rezaeinia et al. | An integrated AHP-RFM method to banking customer segmentation | |
| CN114722266A (zh) | 问卷推送方法、装置、电子设备及可读存储介质 | |
| Chashmi et al. | Predicting customer turnover using recursive neural networks | |
| Singh et al. | Improving customer segmentation in e-commerce using predictive neural network | |
| Pinto et al. | Hybrid recommendation system based on collaborative filtering and fuzzy numbers | |
| CN113283979A (zh) | 一种贷款申请人的贷款信用评估方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050831 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080729 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080926 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20081021 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081103 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111121 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111121 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111121 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121121 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |