JP5603678B2 - 需要予測装置及び需要予測方法 - Google Patents

Description

本発明は、商品の需要を予測する需要予測装置及び需要予測方法に関する。

従来から、情報通信サービス等のサービスや商品の将来の需要や収益の予測や需要促進を行うことが行われている。

例えば、特許文献１には、提供されるサービスや商品の多様化、顧客の意識や要求の多様化等を考慮し、複数のシナリオに基づく需要や収益の予測を可能にする技術が記載されている。具体的には、ユーザ、サービス、環境に関する属性を用いてユーザ行動をモデル化し、ユーザ行動の予測を行って需要を予測する。ユーザ属性は、個人のデモグラヒック的な情報である性別や年齢等の個人的な属性の値である。サービス属性は、利用料金やオプションサービス等のユーザの選択によるサービス的な属性の値である。環境属性は、ユーザが住んでいる地域や住居の建て方、サービス提供地域等の環境的な属性の値である。

しかし、特許文献１においてユーザ属性、サービス属性、環境属性といった観測可能な変数（顕在変数）だけでユーザ行動をモデル化していることについて、特許文献２では精度の面で不十分であるという指摘がなされている。特許文献２においては、顕在変数に加えて、ユーザのサービスに対する認知度や理解度といった直接観測できない変数（潜在変数）を取り入れて、精度よくユーザ行動をモデル化し、ユーザ行動の予測を行って需要を予測する技術が記載されている。

特許文献３では、市場投入前や初期的な段階等において、ユーザと商品との間の作用が変わってしまう例を挙げて、潜在変数を用いたユーザ行動のモデル化の問題点を指摘している。特許文献３に記載された装置は、商品又は商品カテゴリのユーザの利用活動を利用時間によって数値化し、利用活動の経時的変化をサンプルの属性（商品名、ユーザの年齢、性別、職業等）と共に表示し、市場の性質や将来の価格弾力性的傾向（価格変動が大きいか小さいか）を予測するための客観的な指標を提供する。

特許文献４では、似た潜在変数を持つユーザに対してリコメンドを行う装置が記載されている。リコメンドで主に用いられている強調フィルタリングの技術は、多数のユーザの履歴情報に基づいてユーザ間の相関を算出して、相関が高い一方のユーザの履歴情報から他方のユーザにリコメンドするアイテムを選択する。

また、特許文献５及び特許文献６は、潜在変数に関する文献である。特許文献５では、ユーザが情報検索に入力した検索キーワードの履歴情報に基づいて、ユーザを分類（潜在変数の値を算出）する方法が述べられている。特許文献６では、次元圧縮の前処理を行うことで、潜在変数の値を高速に算出する方法が述べられている。

特開２００２−２５９６７２号公報 特開２００５−３５２７２８号公報 特開２００７−００４５４３号公報 特開２００７−１０２４０７号公報 特開２００９−０４３１２５号公報 特開２００７−２７２２９１号公報

しかしながら、上記の特許文献に記載された方法、例えば、潜在変数を取り入れて将来の需要や収益の予測を行うものであっても、時間の経過に従ってユーザの興味や行動がどのように変化していくかを適切に考慮されていない。通常、サービスや商品は時間の経過と共に次々と生み出されているので、ユーザの興味や行動等の経時変化を考慮しなければ、精度が高い予測を行うことはできない。

本発明は、上記を鑑みてなされたものであり、精度が高い商品の需要予測を行うことができる需要予測装置及び需要予測方法を提供することを目的とする。

上記目的を達成するために、本発明に係る需要予測装置は、商品の需要を予測する需要予測装置であって、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段と、予測用データ入力手段によって入力された行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段と、分析軸生成手段によって生成された分析軸を用いて、予測用データ入力手段によって入力された複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成手段と、変換後行列生成手段によって生成された、時点の経過前後それぞれの行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類手段と、グループ分類手段による分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出手段と、遷移状態算出手段によって算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測手段と、予測手段による予測を示す情報を出力する予測結果出力手段と、を備えることを特徴とする。

なお、ここでいう商品には、物理的に販売される物以外にも、サービスの提供等のものも含む。また、ここでいう需要予測には、直接需要を予測する以外にも、需要と深い関連性を有する予測、例えば、商品による収益の予測等も含む。

本発明に係る需要予測装置では、商品の需要を予測するための行列データから連続する複数の時点の行列データが合算されて、当該合算された行列データが用いられて行列変換が行われて分析軸が生成される。この分析軸が用いられて、複数の時点の少なくとも何れかの行列データの行列変換が行われる。この行列変換後の行列データから、ユーザのグループ間の遷移状態が算出されて、需要の予測が行われる。上記のように行列データの項目の数が行列変換によって圧縮されているので、ユーザを特徴的に扱うことができる。また、一つの固定的な分析軸に基づいて、時点の経過によるユーザの遷移状態を算出しているので、ユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができる。従って、本発明に係る需要予測装置によれば、精度が高い需要予測を行うことができる。

予測用データ入力手段は、項目として、時点でのユーザの商品の利用状態を示す数値を少なくとも含む行列データを入力することが望ましい。この構成によれば、各時点のユーザの商品の利用状態に基づいて、適切な需要予測を行うことができる。

予測用データ入力手段は、項目として、時点でのユーザの属性を示す数値を少なくとも含む行列データを入力することが望ましい。この構成によれば、ユーザの年齢や性別等に応じた、適切な需要予測を行うことができる。

分析軸生成手段は、所定の時間間隔の連続する時点の行列データから、分析軸を生成することが望ましい。この構成によれば、例えば、需要予測を長期にわたって定期的に行う場合等にも、精度が高い需要予測を行うことができる。

予測手段は、変換後行列生成手段によって生成された行列変換後の行列データ、及び遷移状態算出手段によって算出された遷移状態の少なくとも何れかに基づいて、ユーザのグループ間の遷移に関連する情報を抽出することが望ましい。この構成によれば、例えば、これらの情報を参照して需要を促進するための案を考案することができる。

ところで、本発明は、上記のように需要予測装置の発明として記述できる他に、以下のように需要予測方法の発明としても記述することができる。これはカテゴリが異なるだけで、実質的に同一の発明であり、同様の作用及び効果を奏する。

即ち、本発明に係る需要予測方法は、商品の需要を予測する需要予測装置による需要予測方法であって、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力ステップと、予測用データ入力ステップにおいて入力された行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成ステップと、分析軸生成ステップにおいて生成された分析軸を用いて、予測用データ入力ステップにおいて入力された複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成ステップと、変換後行列生成ステップにおいて生成された、時点の経過前後それぞれの行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類ステップと、グループ分類ステップにおける分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出ステップと、遷移状態算出ステップにおいて算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測ステップと、予測ステップにおける予測を示す情報を出力する予測結果出力ステップと、を含むことを特徴とする。

本発明によれば、ユーザを特徴的に扱うことができると共にユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができるため、精度が高い需要予測を行うことができる。

本発明の実施形態に係る需要予測装置の機能構成を示す図である。 本発明の実施形態において入力される行列データと需要予測の処理の過程で行われる行列データの行列変換とを示す図である。 本発明の実施形態において入力される行列データと算出されるデータとを時系列に示した図である。 ユーザのグループ遷移を模式的に示す図である。 ユーザのグループ遷移を示す行列の例である。 本実施形態において行列変換が行われた行列の例である。 本実施形態における需要予測の算出過程のデータの例である。 本実施形態における需要予測の結果を示すデータの例である。 ユーザのグループ遷移の別の例を模式的に示す図である。 ユーザのグループ遷移を示す行列の別の例である。 本実施形態において行列変換が行われた行列の別の例である。 本実施形態における需要予測の算出過程のデータの別の例である。 本実施形態における需要予測の結果を示すデータの別の例である。 本実施形態における遷移要因の算出過程のデータの例である。 本実施形態における遷移要因を示すデータの例である。 本発明の実施形態に係る需要予測装置のハードウェア構成を示す図である。 本発明の実施形態に係る需要予測装置により実行される処理（需要予測方法）を示すフローチャートである。

以下、図面と共に本発明に係る需要予測装置及び需要予測方法の好適な実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

図１に本実施形態に係る需要予測装置１０を示す。需要予測装置１０は、商品を販売する事業者等に用いられ、商品の需要を予測する装置である。なお、ここでいう商品には、物理的に販売される物以外にも、サービスの提供等のものも含む。例えば、移動体通信を通信端末に提供するサービスや、移動体通信を介した情報サービス等の提供も含む。本実施形態では、移動体通信を介した情報サービスの提供の例を用いて説明する。また、ここでいう需要予測には、直接需要を予測する以外にも、需要と深い関連性を有する予測、例えば、商品による事業者等の収益の予測等も含む。需要予測装置１０は、商品を利用する複数のユーザについての、商品の需要を予測するための予測用データを入力して、当該予測用データに対して後述する情報処理を行い、予測結果を示す情報を出力する。

引き続いて、需要予測装置１０の機能の詳細について説明する。図１に示すように、予測用データ入力部１１と、分析軸生成部１２と、変換後行列生成部１３と、グループ分類部１４と、遷移状態算出部１５と、予測部１６と、予測結果出力部１７とを備えて構成される。

予測用データ入力部１１は、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段である。予測用データとしてデータが用いられるユーザの数をＮとして、商品の需要を予測するための項目をＶとすると、予測用データ入力部１１に入力される行列データは、例えば、図２に示す、Ｎ行×Ｖ列の行列Ｘ（顕在変数）となる。また、行列データは、例えば、１ヶ月単位のデータであり、月毎の行列Ｘが予測用データ入力部１１に入力される。

行列Ｘに含まれる、ユーザ毎のデータの項目としては、その時点でのユーザの商品の利用状態を示す数値（ユーザの動的データ）である。具体的には例えば、パケット通信料、利用料金、オプションサービス加入、検索キーワード、アクセスログ等の情報であり、予め予測に用いることの承諾を取ったユーザに係るデータである。ここで、行列Ｘは数値で示されるデータであるので、数値で示されるデータ（例えば、パケット通信料、利用料金）以外は数値に変換される。例えば、オプションサービス加入に関するデータは、オプションサービス毎（オプションサービス毎の項目となる）に、そのユーザが加入していれば「１」、加入していなければ「０」とする。また、検索キーワードに関するデータは、検索キーワード毎（検索キーワード毎の項目となる）にそのユーザが（ユーザが所持する端末によって）検索した回数とする。また、アクセスログに関するデータは、アクセス先のサイト毎（サイト毎の項目となる）に、そのユーザが（ユーザが所持する端末によって）アクセスした回数とする。なお、予め数値化されたデータが予測用データ入力部１１に入力されてもよいし、予測用データ入力部１１が上記のように数値化を行ってもよい。

また、行列Ｘに含まれる、ユーザ毎のデータの項目としては、その時点でのユーザの属性を示す数値（ユーザの静的データ）である。具体的には例えば、ユーザの年齢、性別等の情報や、ユーザの環境的な情報であるユーザが住んでいる地域やサービス提供地域（ユーザが在圏した地域）等の情報であり、予め予測に用いることの承諾を取ったユーザに係るデータである。これらの情報についても、上記と同様に数値化したものが予測用データ入力部１１に入力される。

予測用データ入力部１１は、月毎の行列Ｘを、例えば、別の装置や記憶媒体から送信されたデータを受信したり、あるいは、需要予測装置１０の管理者からの入力を受け付けたりすることによって入力する。また、この入力は、需要の予測を行う際に、複数の月分まとめて行われてもよいし、月ごとに行われてもよい。予測用データ入力部１１は、入力した行列データを、分析軸生成部１２及び変換後行列生成部１３に出力する。なお、予測用データ入力部１１に入力される行列データ（予測用データ）は、予め予測に用いることの承諾を取ったユーザに係るデータのみであるものとする。

分析軸生成部１２は、予測用データ入力部１１から入力された行列データに対して、複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段である。通常、上記の行列データの項目の数Ｍは、例えば、数十万程度の大きな数になる。従って、そのままの行列データを用いた分析は、通常、困難であるので、入力された行列Ｘからデータ項目（行列の列の数）を圧縮する行列変換を行って行列γ（潜在変数）を生成して、行列γを用いた行列を行う。行列変換後の行列γは、図２に示すようにＮ行×Ｌ列の行列である。ここで、圧縮後の列の数Ｌは、変換前の列の数Ｖより小さい予め定められて分析軸生成部１２に記憶された数である。具体的には例えば、Ｌは数十程度の値である。

列の数を圧縮する行列変換（潜在変数を推定する方法）は、従来の方法を用いることができる。例えば、ＬＤＡ（Latent Dirichlet Allocation）を用いることができる。それ以外にも、ＰＣＡ（Principal Component Analysis）やＩＣＡ（Independent Component Analysis）等を用いることができる。行列変換を行うと、変換後の分析軸を示す情報が得られる。例えば、ＬＤＡを用いて行列変換を行う場合には、図２に示すように、元の行列Ｘから、潜在変数（行列γ）の出現頻度α（Ｌ項目のベクトル）、及び顕在変数（行列Ｘ）と潜在変数（行列γ）との対応の度合β（Ｖ項目×Ｌ項目）が算出される。このαとβとを用いて、行列Ｘからγを算出する。即ち、αとβとは、行列Ｘから抽出したモデルのパラメータであり、分析軸である。この分析軸に行列Ｘを照らして、行列Ｘに対応したγを得る。

分析軸生成部１２は、予測用データ入力部１１から入力された行列データのうち連続する時点の行列データを合算して分析軸を生成する。具体的には、図３に示すように、行列Ｘのデータが、１月、２月…と月単位であった場合、１月の行列Ｘ１（１月の行列ＸをＸ１とする。以下同様）と２月の行列Ｘ２とを合算して、合算した行列に対して行列変換を行って分析軸を生成する。ここで、行列の合算は、行と列とが一致する成分の値の和をとることである。また、このとき各行列に重み付けして合算を取ることとしてもよい。例えば、新しい月の方に大きい重みをつけて合算してもよい。なお、何れの月（時点）の行列データから分析軸を生成するかについては、予め分析軸生成部１２に記憶されている。また、必ずしも予測用データ入力部１１から入力された全ての行列Ｘを用いて、分析軸を生成する必要はない。分析軸生成部１２は、生成した分析軸の情報を変換後行列生成部１３に入力する。

ここで、分析軸であるα，βは、α，βを算出するために用いた、Ｘの月を添え字として与える。例えば、１月のＸから算出したα，βをα１，β１、２月のＸから算出したα，βをα２，β２と表す。また、上記のように１月と２月とのＸから算出したα，βをα１＿２，β１＿２と表す。

また、分析軸生成部１２は、所定の時間間隔の、２つ以上の連続する時点の行列データから、それぞれの分析軸を生成することとしてもよい。例えば、図３に示すように、１月の行列Ｘ１と２月の行列Ｘ２とから分析軸を生成して、４月の行列Ｘ４と５月の行列Ｘ５とから分析軸を生成する（即ち、分析軸を生成し直す（補正する））。この時間間隔についても、予め分析軸生成部１２に記憶されている。これは、需要予測を行う際に用いる分析軸は、なるべく予測対象時点に近い時点のデータを用いて得られたものを用いることが望ましいからである。例えば、図３に示すように５月の時点で、６月、７月の時点の需要の予測を行う場合には、１月、２月のデータから生成された分析軸を用いるよりも、その時点に近い４月、５月のデータから生成された分析軸を用いることが望ましいからである。

変換後行列生成部１３は、分析軸生成部１２によって生成された分析軸を用いて、予測用データ入力部１１から入力された複数の時点の少なくとも何れかの行列データの行列変換後の行列データを生成する変換後行列生成手段である。具体的には例えば、変換後行列生成部１３は、分析軸生成部１２から入力されたα，βに基づいて、予測用データ入力部１１から入力されたＸから行列変換後のγを生成する。行列変換後の行列データを生成は、上述したようにＬＤＡ等の従来の方法が用いられて行われる。

例えば、図３に示すように、行列Ｘのデータが、１月、２月…と月単位であり、分析軸生成部１２からの入力がα１＿２，β１＿２であれば、α１＿２，β１＿２の分析軸を用いて、１月、２月のそれぞれのＸから、それぞれの月のγを生成する。α１＿２，β１＿２の分析軸に対して１月のＸを照らして得たγをγ１＿２，１と、α１＿２，β１＿２の分析軸に対して２月のＸを照らして得たγをγ１＿２，２のように表す。なお、上記の例は、１月、２月のデータから、４月までの需要を予測する場合のものである。なお、以降の説明では、図４〜図８に示す情報が（２月末の時点で）１月、２月のデータから４月までの需要を予測する場合のものであり、図９〜図１３に示す情報が（５月末の時点で）４月、５月のデータから７月までの需要を予測する場合のものであるとする。

なお、上述したＬＤＡの処理では、通常、分析軸を算出した月と潜在変数であるγを算出する月とが同じであるため、月が変わると分析軸が変わってしまい、月の間での比較を行えないという問題があった。しかし、上述したように本実施形態においては、ある期間についてＸ１とＸ２とで作成したα１＿２，β１＿２の分析軸を基準として、Ｘ１を照らしてγ１＿２，１を得て、Ｘ２を照らしてγ１＿２，２を得る。これにより、ある期間においては、同一の分析軸において、ユーザと商品との対応を維持して月の間での比較を行うことが可能になる。なお、後述するように変換後の行列間の比較を行うため、変換後行列生成部１３は、最低２つの変換後の行列データを生成する。

なお、上述した例では、分析軸の生成と変換後の行列データの生成とが、同じ月の行列データが用いられていたが、必ずしもそれらが一致している必要はない。変換後行列生成部１３は、生成した行列変換後の行列データをグループ分類部１４及び予測部１６に出力する。

グループ分類部１４は、変換後行列生成部１３によって生成された行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類手段である。例えば、グループは、行列変換後の行列γの列毎ものである。図２のγの例では、γはＬ列の行列であるのでＬ個のグループがある。γの列は、ユーザの商品の利用に係るデータを特徴化したものであると考えることができるので、例えば、図４及び図９に示すような５つのグループがあるものと考えることができる（ここでは、説明の簡易さのためＬを５としている）。

「動画」は、移動体通信網を介した動画のサービスをよく利用しているユーザのグループを示している。「ＳＮＳ」は、移動体通信網を介したＳＮＳ（Social Network Service）をよく利用しているユーザのグループを示している。「ニュース」は、移動体通信網を介したニュースのサービスをよく利用しているユーザのグループを示している。「交通」は、移動体通信網を介した交通情報のサービスをよく利用しているユーザのグループを示している。「低利用」は、移動体通信網を介したサービスをあまり利用しないユーザのグループを示している。なお、各グループは、必ずしも上記のような意味づけをされる（されている）必要はない。

グループ分類部１４は、（γの各行で表される）ユーザが何れのグループに属するかを判断する。具体的には、ユーザを示すγの各行において、最も大きい値を有する列が示すグループに属すると判断する。グループ分類部１４は、変換後行列生成部１３から入力された行列データそれぞれに対して、全てのユーザ（行）について上記の判断を行って、ユーザのグループ分類を行う。例えば、変換後行列生成部１３からγ１＿２，１とγ１＿２，２とが入力された場合、それぞれの行列について、各ユーザのグループ分類を行う。グループ分類部１４は、行列変換後の行列データを用いた（各時点の）グループ分類の結果を示す情報（それぞれのユーザがどのグループに属するかを示す情報）を遷移状態算出部１５に出力する。

なお、グループ分類は必ずしも上記のように行われる必要はなく、γを用いて時点間の比較ができるようなグループ分類であればどのようなものであってもよい。また、グループも必ずしも各列に対応するものでなくてもよく、時点間の比較ができるようなグループ分類であればどのようなものであってもよい。また、グループに属するユーザの数についても任意の数とすることができる。

遷移状態算出部１５は、グループ分類部１４による分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出手段である。具体的には、遷移状態算出部１５は、グループ分類部１４から入力された、連続する２つの時点（例えば、上記の例では、１月、２月）の情報から、ユーザが前の時点（１月）において属していたグループから後の時点（２月）にどのグループに属しているかの遷移状態を算出する。遷移状態算出部１５は、遷移状態を、前の時点（遷移元）のグループ毎の後の時点（遷移先）のグループへの遷移割合として算出する。また、この遷移割合は、上記の２つの時点の間隔での遷移である。即ち、１月、２月の情報を用いた場合は、１か月分の間隔での遷移である。

まず、遷移状態算出部１５は、グループ分類部１４による（前の時点での）分類に基づき、前の時点の属しているグループ毎の人数を集計する。続いて、遷移状態算出部１５は、グループ分類部１４による（後の時点での）分類に基づき、前の時点のグループ毎に、後の時点の属しているグループ毎の人数を集計する。続いて、これらの人数から上記の遷移割合を算出する。

例えば１月から２月への経過における場合は、遷移割合は図４及び図５に示される。図４は、グループ間の遷移状態を図示したものである。これは、「低利用」のグループから、４％の割合で「ニュース」のグループに、２％の割合で「ＳＮＳ」のグループに、１％の割合で「動画」のグループに、８％の割合で「交通」のグループにそれぞれユーザが遷移していることを示す。また、８５％の割合のユーザが「低利用」のグループのままであることを示す。また、「ニュース」、「ＳＮＳ」、「動画」及び「交通」のグループのユーザは遷移していない（図示せず）。また、図５に示す行列は、上記の遷移割合を行列として示したものである。図５に示す行列において、列は遷移元のグループを示し、行は遷移後のグループを示している。また、同様に例えば４月から５月への経過における場合は、遷移割合は図９及び図１０に示される。遷移状態算出部１５は、算出した遷移状態を示す情報を予測部１６に出力する。

予測部１６は、遷移状態算出部１５によって算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測手段である。ここでのユーザの比率とは、グループ毎のグループ属するユーザの全ユーザに対する比率である。なお、ここで算出される比率は、必ずしも比率そのものの値でなくてもよく、グループ毎のユーザの数等の比率に相当する（比率を算出しえる）数であればよい。

予測部１６は、遷移状態算出部１５によって算出された遷移状態に基づいて、予測対象時点の各グループのユーザ比率を推定して、当該ユーザ比率から需要を推定する。具体的には、まず、予測部１６は、予測の元となる時点、例えば既に実際のデータが得られている月（上記の例では、１月（あるいは２月でもよい））の行列変換後の行列γ１＿２，１の各グループを示す列毎に値を積算して総和を取る。そして、全ての積算後の各列の値（積算値）を、それぞれの値の総和で割ることにより各グループの割合の値を取る。このようにして、例えば、図６に示すように、各グループの割合が算出される。図６に示す例では、γ１＿２，１（１月のデータ）を用いて各グループのユーザ比率を算出しており、各グループの割合は、全て０．２（２０％）である（図６に示す表の一番下の行の値）。なお、ここで、ユーザ比率の推定には、必ずしもγを用いる必要はなく、α１＿２を正規化（例えば、数値の和が１となるようにする）として、これをユーザ比率としてもよい。また、γ４＿５，４を用いた例を、図１１に示す。

続いて、予測部１６は、算出したグループのユーザ比率から、予測対象時点のグループのユーザ比率を算出する。例えば、１月、２月のデータから、３月、４月の時点の需要を予測する場合には、３月、４月の時点の各グループのユーザ比率を算出する。上記のように算出したユーザ比率が、遷移状態算出部１５によって算出された遷移状態したものとして、予測対象時点のユーザ比率を算出する。具体的には、１月時点の各グループのユーザ比率のベクトルに、遷移状態算出部１５によって算出された遷移状態を示す行列をかけることによって、遷移状態の時間間隔（上記の例では１ヶ月）先の各グループの比率が算出される。例えば、１月時点の各グループのユーザ比率のベクトルに、遷移状態を示す行列を２回かければ３月時点の各グループのユーザ比率が得られる。また、１月時点の各グループのユーザ比率のベクトルに、遷移状態を示す行列を３回かければ４月時点の各グループのユーザ比率が得られる。このように算出（推定）された各グループのユーザ比率の例を、図７（ａ）の表に示す（３月、４月の欄の値）。また、６月、７月の算出（推定）された各グループのユーザ比率の例を、図１２（ａ）の表に示す。なお、いずれの時点についての需要予測を行うかについては、予め予測部１６に入力されて記憶されている。

続いて、予測部１６は、各グループのユーザ比率に基づいて、需要の予測を行う。例えば、各時点（月）のユーザ比率に対して、全体のユーザ数や各グループのパラメータ等をかけることによって、需要予測を行う。各グループのユーザ比率に対して全体のユーザ数をかけることによって、図７（ｂ）の表に示されるように各グループの人数を求めることができる。また、ユーザ比率にかけられるパラメータとしては、例えば、図７（ａ）に示すように、各グループに属するユーザ一人あたりの平均通信量や平均通信料等である。平均通信量をかけることによって、需要予測の結果として、図８（ａ）に示すように予測対象時点での各グループにおける通信量、また、それらの和を取ることによって全体の通信量が得られる。また、平均通信料をかえけることによって、需要予測の結果として、図８（ｂ）に示すように予測対象時点での各グループにおける通信料（収益）、また、それらの和を取ることによって全体の通信料（収益）が得られる。

上記に対応する６月、７月の需要予測の情報を図１２（ｂ）及び図１３（ａ）（ｂ）に示す。

なお、ユーザ比率とかけ合わされるパラメータの値（例えば、上記の全体のユーザ数、平均通信量、平均通信料）は、予め予測部１６に入力されて記憶されている。また、それらの値の元となる情報（例えば、パケットあるいはバイト（Byte）あたりの金額等）が入力されて、それらから上記のパラメータの値が算出されてもよい。

予測部１６は、上記のようにして得られた需要予測結果を示す情報を予測結果出力部１７に出力する。

予測部１６による需要予測については、以下のようなバリエーションがある。例えば、以下のようにして予測誤差を時間の経過と共に減らすことができる。即ち、将来のある時点についての収益予測を、既にデータが得られている複数の時点でのデータそれぞれに基づいて収益予測を行って、それらの（加重）平均を取るというものである。なお、加重平均を取る場合には、予測に用いたデータが古いものほど重みを小さくすることとするのがよい。

例えば、９月時点において１０月〜１２月の収益予測を得るものとする。この場合、３月時点の１０月〜１２月の収益予測Pre10-12_3と、６月時点の１０月〜１２月の収益予測Pre10-12_6と、９月時点の１０月〜１２月の収益予測Pre10-12_9とを用いて、以下の式によって、修正後の１０月〜１２月の収益予測AdjustPre10-12_9を算出する。
AdjustPre10-12_9＝（Pre10-12_3＋Pre10-12_6＋Pre10-12_9）／３
あるいは以下の式を用いることもできる。
AdjustPre10-12_9＝（０．２５×Pre10-12_3＋０．５×Pre10-12_6＋１×Pre10-12_9）／（０．２５＋０．５＋１）

また、以下のようにして季節変動等の予測誤差を昨年の実績を用いて減らすこともできる。例えば、９月時点において１０月〜１２月の収益予測を得るものとする。（予め入力された）昨年の４期の収益Last1-3、Last4-6、Last7-9、Last10-12と、（予め入力された）今年の３期の収益This1-3、This4-6、This7-9と、上述した方法によって求められた１０月〜１２月の収益予測Pre10-12_9とを用いて、以下の式によって、修正後の１２月の収益予測AdjustPre10-12_9を算出する。
LastAverage＝（Last1-3＋Last4-6＋Last7-9＋Last10-12）／４
LastDiffRatio10-12＝（（Last10-12−LastAverage）／LastAverage）
ThisAveragePre＝（This1-3＋This4-6＋This7-9+ Pre10-12_9）／４
AdjustPre10-12_9＝Pre10-12_9＋（LastDiffRatio10-12×ThisAveragePre）

また、予測部１６は、変換後行列生成部１３から入力された行列変換後の行列データ、及び遷移状態算出部１５によって算出された遷移状態の少なくとも何れかに基づいて、ユーザのグループ間の遷移に関連する情報（遷移要因）を抽出することとしてもよい。この情報を参照することによって、商品を提供する事業者等がユーザをより収益性が高いグループに遷移させるような方法をとることができる。具体的には、特定のグループ間での遷移に関連する情報によって示される商品やサービスを、遷移元のグループのユーザにリコメンド（推薦）することによって、遷移先のグループに遷移させることができる。

例えば、図９に示す図において、「低利用」のグループから、より収益性の高い「ＳＮＳ」のグループにユーザを遷移させる（誘導さえる）ことを考える。図９に示す図において、「低利用」のグループから「ＳＮＳ」のグループに遷移した１％のユーザと相関の高いサービスをリコメンドする。また、「低利用」のグループから「ニュース」のグループに遷移した３％のユーザと相関の高いサービスをリコメンドし、ユーザが「ニュース」のグループに遷移した後に「ニュース」のグループから「ＳＮＳ」に遷移した１０％のユーザと相関が高いサービスをリコメンドする。ここで、「低利用」から「ニュース」を経由して「ＳＮＳ」に遷移する確率（０．３％＝３％×１０％）は、「低利用」から「交通」を経由して「ＳＮＳ」に遷移する確率（０．０７％＝７％×１％）より高い。

ユーザのグループ間の遷移に関連する情報としては、具体的には例えば、ユーザが遷移する要因となった検索ワード、サービス、サイト、広告等である。

予測部１６は、具体的には、以下のようにユーザのグループ間の遷移に関連する情報を抽出する。例えば、図１４（ａ）に示すγ１＿２，１と図１４（ｂ）に示すγ１＿２，２との差分を算出して、当該差分の行列データと各ユーザ（差分の行列データの各行に対応する）の検索ワードとを組み合わせた図１５に示すデータを生成する。なお、検索ワードのデータは、例えば、ユーザ毎のデータとして予め需要予測装置１０に入力されている。あるいは、予測用データ入力部１１行列データ用のデータとして入力されたものが用いられてもよい。図１５に示すγ１＿２，１とγ１＿２，２との差分は、グループ遷移を示している。ここで、ユーザ毎の行ベクトル（横ベクトル）が似ているユーザは、同じグループ遷移の方向に動いている。予測部１６は、「低利用」のグループから「ＳＮＳ」のグループに遷移しているユーザ（例えば、「低利用」のグループを示す列の値が閾値以上のマイナスとなっており、「ＳＮＳ」のグループを示す列の値が閾値以上のプラスとなっているユーザ）に対応付けられた検索ワードをユーザのグループ間の遷移に関連する情報として抽出する。ここで検索ワードは、一定数以上のユーザに共通したもののみを抽出することとしてもよい。

また、予測部１６は、全てのグループ間の遷移に関しての情報を取得してもよいし、予め需要予測装置１０の管理者等から指定されたグループ間の遷移に関しての情報を取得してもよい。

なお、グループの遷移の情報については、複数の時点のγの差分に基づくもの以外でも、遷移状態算出部１５によって算出された遷移状態が用いられてもよい。予測部１６は、このようにして抽出したユーザのグループ間の遷移に関連する情報も、需要予測を示す情報の一つとして予測結果出力部１７に出力する。なお、この情報（遷移要因）については、例えば、検索ワードを頻度の高い順にソートしたり、ユーザの属性を示す情報（デモグラフィック情報）や（付加）サービスへの加入情報に応じた集計を行ったりした結果を出力しても良い。また、類似する行ベクトル（動きが似ているユーザ）を抽出する際には、ベクトル距離によるクラスタリングの手法を用いたり、ＰＣＡやＩＣＡ等を用いて新たな軸を設定したりして、行ベクトルを分類して抽出してもよい。

また、儲かるパスの順序の情報を取得することとしてもよい。例えば、グループの遷移のパスを価格に置き換えて、目標額に達するまでのパスを示す情報を取得して表示させることとしてもよい。また、時期に入力に応えることとしてもよい。例えば、予測部１６が何ヶ月先の時点を予測するか入力して、制約を与えることとしてよい。また、変動人数の入力に答えることとしてもよい。例えば、特定のサービスに加入しているユーザだけ、特定の年齢の人だけ等の何人まで動くかの制約を与えることとしてもよい。

また、上述した需要予測の結果は、人数の割合（パーセント）の情報としてもよい。また、当該情報をグラフ化した情報を生成してもよい。あるいは、割合の情報を、人数の割合ではなく、通信料、利用時間及び請求料金の何れかに置き換えてもよい。

予測結果出力部１７は、予測部１６による予測を示す情報を出力する予測結果出力手段である。例えば、予測結果出力部１７は、需要予測の結果を需要予測装置１０の管理者等が確認できるように、需要予測装置１０が備える表示装置に、需要予測結果を示す図７、図８、図１２及び図１３に示すような表の情報を表示することによって出力を行う。あるいは、予測結果出力部１７は、その他の装置やモジュール等に需要予測結果を示す情報を出力してもよい。

図１６に需要予測装置１０のハードウェア構成を示す。図１６に示すように需要予測装置１０は、ＣＰＵ（Central Processing Unit）１０１、主記憶装置であるＲＡＭ（Random Access Memory）１０２及びＲＯＭ（Read Only Memory）１０３、通信を行うための通信モジュール１０４、ハードディスク等の補助記憶装置１０５、入力装置１０６並びに出力装置１０７等のハードウェアを備えるコンピュータを含むものとして構成される。入力装置１０６は、キーボード、マウス、スキャナー及びＯＣＲ（Optical Character Reader）等の需要予測装置１０の管理者等が需要予測装置１０に情報の入力を行う装置である。出力装置１０７は、ディスプレイ及びプリンタ等の需要予測装置１０の管理者等が需要予測装置１０からの情報の参照ができるように情報の出力を行う装置である。これらの構成要素がプログラム等により動作することにより、上述した需要予測装置１０の機能が発揮される。以上が、需要予測装置１０の構成である。

引き続いて、図１７のフローチャートを用いて、本実施形態に係る需要予測装置１０で実行される処理（需要予測方法）を説明する。本処理は、例えば、需要予測装置１０の管理者による需要予測装置１０に対する操作等をトリガとして行われる。

需要予測装置１０では、まず、予測用データ入力部１１によって、予測用データとして複数の時点での行列データが入力される。例えば、図３に示すように１月時点の行列データＸ１と、２月時点の行列データＸ２とが入力される（Ｓ０１、予測用データ入力ステップ）。入力された各行列データは、予測用データ入力部１１から分析軸生成部１２及び変換後行列生成部１３に出力される。

続いて、分析軸生成部１２によって、予測用データ入力部１１から入力された行列データに対して複数の項目の数を圧縮する行列変換が行われて、分析軸が生成される（Ｓ０２、分析軸生成ステップ）。行列変換の対象となる行列は、上述したように、例えば、１月、２月の行列のように、予測用データ入力部１１から入力された行列データのうち連続する時点の行列データを合算したものである。分析軸生成部１２によって生成された分析軸を示す情報は、分析軸生成部１２から変換後行列生成部１３に出力される。

続いて、変換後行列生成部１３によって、分析軸生成部１２から入力された分析軸が用いられて、予測用データ入力部１１から入力された複数の時点の少なくとも何れかの行列データの行列変換後の行列データが生成される（Ｓ０３、変換後行列生成ステップ）。変換後の行列の生成は、後述するグループ間の遷移状態を算出するために少なくとも２つの行列について行われる。生成された行列変換後の行列データは、変換後行列生成部１３からグループ分類部１４に出力される。

続いて、グループ分類部１４によって、変換後行列生成部１３から入力された行列変換後の行列データに基づいてユーザが複数のグループに分類される（Ｓ０４、グループ分類ステップ）。グループ分類の結果を示す情報は、グループ分類部１４から遷移状態算出部１５に出力される。

続いて、遷移状態算出部１５によって、グループ分類部１４による分類に基づき、時点の経過によるユーザのグループ間の遷移状態が算出される（Ｓ０５、遷移状態算出ステップ）。算出した遷移状態を示す情報は、遷移状態算出部１５から予測部１６に出力される。

続いて、予測部１６によって、遷移状態算出部１５から入力された遷移状態から予測対象時点での複数のグループのユーザの比率が算出されて、当該比率に基づき需要が予測される（Ｓ０６、予測ステップ）。得られた需要予測結果を示す情報は、予測部１６から予測結果出力部１７に出力される。

続いて、予測結果出力部１７によって、表示出力等の需要予測結果の出力が行われる（Ｓ０７、予測結果出力ステップ）。需要予測装置１０の管理者等は、予測結果出力部１７による出力を参照する。

上述したように、本実施形態に係る需要予測装置１０では、上記のように行列データの項目の数が行列変換によって圧縮されている。これにより、ユーザ毎の大量のデータ項目ではなく、例えば上述したようにユーザを「動画」、「ＳＮＳ」等のグループに分類して、特徴的に扱うことができる。

ここで従来の行列圧縮の手法によれば、それぞれの行列データ毎に行列圧縮が行われて、分析軸が生成されているため、行列データが変わると分析軸が変わってしまうという問題があった。即ち、例えば、上述したＬＤＡの処理は、分析軸を算出した月と潜在変数であるγを算出する月が同じであったために、月が変わると分析軸が変わってしまうという問題があった。

その一方で、本実施形態に係る需要予測装置１０によれば、一つの固定的な分析軸に基づいて、時点の経過によるユーザの遷移状態を算出しているので、その期間においてはユーザと商品との対応関係を維持することができる。従って、本実施形態に係る需要予測装置１０によれば、精度よくユーザ行動のモデル化を行いつつ、そのモデルを経時変化に対応できるようにされているので、ユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができる。

即ち、本実施形態に係る需要予測装置１０によれば、精度が高い需要予測を行うことができる。

また、本実施形態のように、予測用のデータとして、パケット通信料、利用料金、オプションサービス加入、検索キーワード、アクセスログ等のユーザの商品の利用状態を示す数値を用いることが望ましい。この構成によれば、各時点のユーザの商品の利用状態に基づいて、適切な需要予測を行うことができる。

また、本実施形態のように、ユーザの年齢、性別等の情報や、ユーザの環境的な情報であるユーザが住んでいる地域やサービス提供地域（ユーザが在圏した地域）等のユーザの属性を示す数値を用いることが望ましい。この構成によれば、ユーザの年齢や性別等に応じた、適切な需要予測を行うことができる。

また、本実施形態のように、例えば、１月、２月の行列データから分析軸を算出した後に更にその後のデータが得られた場合に４月、５月の行列データから分析軸を新たに算出する（分析軸の更新、補正を行う）ことが望ましい。この構成によれば、例えば通年等、需要予測を長期にわたって定期的に行う場合等にも、精度が高い需要予測を行うことができる。但し、短期的な需要予測を行う場合等には、必ずしも上記のようにする必要はない。

また、本実施形態のように、同様のグループ間遷移をしているユーザの検索ワードを抽出する等のグループ間の遷移に関連する情報を抽出することが望ましい。この構成によれば、例えば、これらの情報を参照して需要を促進するための案を考案することができる。効率的な需要促進により、例えば、情報通信サービスを利用するユーザを増やし、ユーザに安価にサービスを提供し、又は同価格であってもよりバラエティに富んだサービスを提供することが可能になる。

１０…需要予測装置、１１…予測用データ入力部、１２…分析軸生成部、１３…変換後行列生成部、１４…グループ分類部、１５…遷移状態算出部、１６…予測部、１７…予測結果出力部、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置、１０６…入力装置、１０７…出力装置。

Claims (6)

1. 商品の需要を予測する需要予測装置であって、
   商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段と、
   前記予測用データ入力手段によって入力された前記行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて前記複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段と、
   前記分析軸生成手段によって生成された分析軸を用いて、予測用データ入力手段によって入力された前記複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成手段と、
   前記変換後行列生成手段によって生成された、前記時点の経過前後それぞれの前記行列変換後の行列データに基づいて前記ユーザを複数のグループに分類するグループ分類手段と、
   前記グループ分類手段による分類に基づき、前記時点の経過による前記ユーザのグループ間の遷移状態を算出する遷移状態算出手段と、
   前記遷移状態算出手段によって算出された遷移状態から予測対象時点での前記複数のグループの前記ユーザの比率を算出して、当該比率に基づき前記需要を予測する予測手段と、
   前記予測手段による予測を示す情報を出力する予測結果出力手段と、
   を備える需要予測装置。
2. 前記予測用データ入力手段は、前記項目として、前記時点での前記ユーザの商品の利用状態を示す数値を少なくとも含む前記行列データを入力することを特徴とする請求項１に記載の需要予測装置。
3. 前記予測用データ入力手段は、前記項目として、前記時点での前記ユーザの属性を示す数値を少なくとも含む前記行列データを入力することを特徴とする請求項１又は２に記載の需要予測装置。
4. 前記分析軸生成手段は、所定の時間間隔の前記連続する時点の行列データから、前記分析軸を生成することを特徴とする請求項１〜３の何れか一項に記載の需要予測装置。
5. 前記予測手段は、前記変換後行列生成手段によって生成された前記行列変換後の行列データ、及び前記遷移状態算出手段によって算出された遷移状態の少なくとも何れかに基づいて、前記ユーザのグループ間の遷移に関連する情報を抽出することを特徴とする請求項１〜４の何れか一項に記載の需要予測装置。
6. 商品の需要を予測する需要予測装置による需要予測方法であって、
   商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力ステップと、
   前記予測用データ入力ステップにおいて入力された前記行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて前記複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成ステップと、
   前記分析軸生成ステップにおいて生成された分析軸を用いて、予測用データ入力ステップにおいて入力された前記複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成ステップと、
   前記変換後行列生成ステップにおいて生成された、前記時点の経過前後それぞれの前記行列変換後の行列データに基づいて前記ユーザを複数のグループに分類するグループ分類ステップと、
   前記グループ分類ステップにおける分類に基づき、前記時点の経過による前記ユーザのグループ間の遷移状態を算出する遷移状態算出ステップと、
   前記遷移状態算出ステップにおいて算出された遷移状態から予測対象時点での前記複数のグループの前記ユーザの比率を算出して、当該比率に基づき前記需要を予測する予測ステップと、
   前記予測ステップにおける予測を示す情報を出力する予測結果出力ステップと、
   を含む需要予測方法。

Images