JP6253744B1 - 情報解析装置、情報解析方法、および情報解析プログラム - Google Patents

Abstract

【課題】より適切に購入行動に関する確率を求めることを目的の一つとする。【解決手段】情報解析装置は、ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得する取得部と、前記取得部により取得された前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成するモデル生成部と、前記モデル生成部により生成された予測モデルに基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測する確率予測部と、を備える。【選択図】図１

Description

本発明は、情報解析装置、情報解析方法、および情報解析プログラムに関する。

従来、ユーザが過去に利用したクーポンやポイントなどのインセンティブの利用履歴から、より効果的なユーザに対してインセンティブを付与する技術が知られている（例えば特許文献１、２参照）。

特開２０１１−２４３０４１号公報 特開２０１６−４５５７号公報

しかしながら、従来の技術では、インセンティブがある前提で、購入などの行動をとる確率を適切な条件下で求めていないため、インセンティブの効果を測るための材料が不十分であった。

本発明は、このような事情を考慮してなされたものであり、より適切に購入行動に関する確率を求めることを目的の一つとする。

本発明の一態様は、ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得する取得部と、前記取得部により取得された前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成するモデル生成部と、前記モデル生成部により生成された予測モデルに基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測する確率予測部と、を備える情報解析装置である。

本発明の一態様によれば、より適切に購入行動に関する確率を求めることができる。

実施形態における情報解析装置１００を含む情報解析システム１の一例を示す図である。 実施形態における情報解析装置１００の構成の一例を示す図である。 購入履歴情報１３２の一例を示す図である。 購入履歴情報１３２の他の例を示す図である。 素性情報１３４の一例を示す図である。 ユーザ行動履歴の素性をより具体的に例示した図である。 予測モデル情報１３６の一例を示す図である。 アカウント情報１３８の一例を示す図である。 制御部１１０による一連の処理の一例を示すフローチャートである。 ポイントごとに導出されたスコアの一例を示す図である。 ある期間において、販売サイトを利用した全ユーザの購入履歴に関する情報を示す図である。 パラメータＡの決定方法を模式的に示す図である。 パラメータＢの決定方法を模式的に示す図である。 スコアから将来の購入確率を導出する様子を示す図である。 線形計画緩和を説明するための図である。 ユーザごとに割り振った最適なポイントの一例を示す図である。 実施形態の情報解析装置１００のハードウェア構成の一例を示す図である。

以下、図面を参照し、本発明の情報解析装置、情報解析方法、および情報解析プログラムの実施形態について説明する。

［概要］
実施形態の情報解析装置は、一以上のプロセッサによって実現される。情報解析装置は、ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、インセンティブが付与されたユーザごとの素性情報とに基づいて、インセンティブごとのユーザによる購入傾向をモデル化した予測モデルを生成する。そして、情報解析装置は、この予測モデルに基づいて、複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測する。

インセンティブとは、例えば、ショッピングなどにおいて商品またはサービス（以下、アイテムと称する）の購入に利用可能なポイントである。また、インセンティブは、ポイントと同様の効果をもたらすクーポンやチケット、割引券などであってもよいし、特定のアイテムを優先的に購入できる権利（先着何名様限定の購入権）などであってもよい。本実施形態では、一例として、インセンティブがアイテムの購入に利用可能なポイントであるものとして説明する。

更に、情報解析装置は、予測した確率に基づいて、限られた予算内で効果的なインセンティブの付与を実現する。

上述した確率を予測する機能と、インセンティブを付与する機能は、同じ装置によって実現される必要はなく、それぞれの機能のみ有する情報解析装置がそれぞれ構成されてもよい。

＜第１の実施形態＞
［全体構成］
図１は、実施形態における情報解析装置１００を含む情報解析システム１の一例を示す図である。実施形態における情報解析システム１は、一以上の端末装置１０と、一以上のサーバ装置２０と、情報解析装置１００とを備える。これらの装置は、ネットワークＮＷを介して互いに接続される。ネットワークＮＷは、例えば、無線基地局、Ｗｉ−Ｆｉアクセスポイント、通信回線、プロバイダ、インターネットなどを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

端末装置１０は、ユーザにより利用される端末装置である。端末装置１０は、例えば、スマートフォンなどの携帯電話、タブレット端末、ＰＤＡ、パーソナルコンピュータである。例えば、端末装置１０は、ユーザによる操作を受け付けて、所定のウェブブラウザを介して、サーバ装置２０が提供するウェブサイトにアクセスしてもよいし、予めインストールされたアプリケーションを介してサーバ装置２０と通信を行い、アプリケーション上で表示或いは再生するコンテンツ（例えば画像や動画、テキストなど）を取得してもよい。このアプリケーションは、例えば、ショッピングアプリなどのアイテムを購入可能なアプリケーションであってもよいし、アプリ内で課金し動画等を再生するコンテンツ配信アプリケーションなどであってもよい。

サーバ装置２０は、例えば、インターネット上において、ショッピングサイトやオークションサイト、フリーマーケットサイト等のウェブサイト（以下、これらを総括して「販売サイト」と称する）を提供するウェブサーバ装置であってよい。この販売サイトでは、例えば、アイテムの購入時にポイントが利用可能であり、アイテムの購入金額の一部または全部をポイントによって支払うことができる。

また、サーバ装置２０は、アプリケーションが起動された端末装置１０と通信を行って、各種情報の受け渡しを行うアプリケーションサーバ装置であってもよい。アプリケーションサーバ装置が提供する情報に基づいて端末装置１０のアプリケーションプログラムが生成する画面は、販売サイトと同様のサービスを提供する。以下、説明を簡略化するために、サーバ装置２０は、販売サイトを提供するウェブサーバ装置であるものとして説明する。

情報解析装置１００は、端末装置１０およびサーバ装置２０の一方または双方とネットワークＮＷを介して通信を行って、ユーザに関する各種情報を取得する。情報解析装置１００は、取得した情報に基づいて、過去にポイントが付与されたユーザの購入傾向から、ポイントを付与したときにユーザが起こす購入行動の確率を予測する。そして、情報解析装置１００は、予測した確率に基づいて、これからポイントを付与する予定のユーザに対してより効果的にポイントを付与するためにはどうすべきかを解析する。

［情報解析装置の構成］
以下、情報解析装置１００の構成について説明する。図２は、実施形態における情報解析装置１００の構成の一例を示す図である。情報解析装置１００は、例えば、通信部１０２と、制御部１１０と、記憶部１３０とを備える。

通信部１０２は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部１０２は、ネットワークＮＷを介して、端末装置１０やサーバ装置２０などの他装置と通信する。例えば、通信部１０２は、端末装置１０から端末側管理情報を受信する。端末側管理情報は、例えば、ウェブブラウザごとに管理されるクッキー（HTTP cookie）である。このクッキーには、例えば、販売サイトにおける購入履歴やウェブページの閲覧履歴などが含まれる。また、通信部１０２は、サーバ装置２０から、上述した端末側管理情報に相当し、販売サイトにおける購入履歴やウェブページの閲覧履歴などが含まれるサーバ側管理情報を受信してもよい。通信部１０２により受信された端末側管理情報やサーバ側管理情報は、後述する購入履歴情報１３２として記憶部１３０に記憶される。

制御部１１０は、例えば、取得部１１２と、モデル生成部１１４と、購入確率予測部１１６と、付与ポイント決定部１１８とを備える。これらの構成要素の一部または全部は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部１３０に格納されたプログラムを実行することにより実現される。また、制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）などにより実現される。記憶部１３０には、プロセッサが読み出すプログラムの他、購入履歴情報１３２、素性情報１３４、予測モデル情報１３６、アカウント情報１３８などの情報が記憶される。

図３は、購入履歴情報１３２の一例を示す図である。図に例示する購入履歴情報１３２は、各ユーザを識別可能なユーザＩＤに対して、複数種類のインセンティブ（ポイント）のそれぞれをユーザに付与したときに、そのユーザが所定期間（例えばポイントの有効期間）内に、インセンティブ（ポイント）を利用して購入可能なアイテム（すなわち販売サイトで販売されるアイテム）を購入したのか（図中「購入」）、或いは購入しなかったのか（図中「非購入」）を示す情報が対応付けられた情報である。

ユーザＩＤは、例えば、販売サイトを利用する複数のユーザのそれぞれを識別するために、サーバ装置２０によって発行される。複数種類のインセンティブは、ユーザに与える影響度（例えば購入意欲を向上させる度合など）が互いに異なるものであり、例えば、５００ポイント、３００ポイント、１００ポイント、３ポイント、０ポイントというように、ポイントの効力（使用可能額面）が異なるインセンティブを含む。０ポイントとは、ポイントを付与しないことである。そのため、０ポイントにおける購入の有無（購入または非購入）とは、ポイントが付与されなかったユーザが、ポイントを利用して購入可能なアイテムを購入したかどうかを表している。なお、各ポイントにおける「購入」は、その購入時にポイントが利用されたことを要件としてもよいし、要件としなくてもよい。

上述した図の例では、各ユーザＩＤに対して、５００ポイント、３００ポイント、１００ポイント、３ポイント、０ポイントの全種類のインセンティブを付与することで、各インセンティブにおいて購入の有無（購入／非購入）を示す情報が取得されているがこれに限られず、一部のインセンティブのみを付与することで、特定のインセンティブについての購入の有無を示す情報が取得されてもよい。例えば、ある母集団（例えば１００万人程度のユーザの集合）のユーザＩＤに対して、所定数（例えば２０万人）ごとに互いに異なるポイントを付与して、購入の有無を示す情報を取得してよい。すなわち、５００ポイント、３００ポイント、１００ポイント、３ポイント、０ポイントのうち、いずれか一つのポイントについての購入の有無が判断できればよい。

また、年齢や性別などのユーザの属性を示す情報が得られる任意のユーザＩＤ（後述する機械学習などの学習データとして利用しなかったユーザＩＤを含む）に対して、各ポイントについて購入傾向をモデル化した予測モデルを生成することができる。例えば、２０万件ずつの５００ポイント、３００ポイント、１００ポイント、３ポイント、０ポイントのそれぞれの購入の有無を示す情報を用いて、各ポイントにおける予測モデルを生成した後、次回以降にインセンティブを付与する対象となる全ユーザＩＤに対して、各ユーザＩＤの属性情報だけを各ポイントの予測モデルの入力することで、各ユーザＩＤの全ポイントの購入確率を算出する。従って、本実施形態では、例えば、２０万件ずつ合計１００万件の学習データを使って予測モデルを構築した後、学習に使わなかったユーザＩＤも含めて、例えば、１０００万件のユーザＩＤの購入確率を算出することができる。これらの具体的な処理内容については、フローチャート等を用いて後述する。

また、購入履歴情報１３２を取得する段階において、各ポイントは、有効期間が重ならないように付与される。例えば、５００ポイントを付与した後に、当該５００ポイントの付与によってアイテムの購入に至ったのかどうかを判断するために、例えば５００ポイントの失効期間を待ってから他の種類のポイントが付与される。なお、一人のユーザに対して全てのポイントを付与せずに、上述したように、例えば、特定のポイントのみを付与する場合には、ポイントの失効期間等を考慮せずにポイントが付与されてよい。

また、購入履歴情報１３２には、ポイントを利用して購入可能なアイテムが購入されたときの購入金額を示す情報が含まれていてもよい。図４は、購入履歴情報１３２の他の例を示す図である。図に例示する購入履歴情報１３２では、各ユーザＩＤに対して、複数種類のポイントのそれぞれをユーザに付与したときに、ユーザがアイテムを購入した場合、そのアイテムの購入金額を示す情報が対応付けられており、ユーザがアイテムを購入しなかった場合、ゼロ円が対応付けられている。なお、ポイントが使用された結果、アイテムがゼロ円で購入された場合、その旨を示すフラグなどが付与されてもよい。なお、上述した図３と同様に、図４においても、各ユーザＩＤに対して、５００ポイント、３００ポイント、１００ポイント、３ポイント、０ポイントの全種類のインセンティブを付与することで、各インセンティブにおいて購入の有無（購入／非購入）を示す情報が取得される必要はなく、一部のインセンティブのみを付与することで、特定のインセンティブについての購入の有無を示す情報のみが取得されてよい。

図５は、素性情報１３４の一例を示す図である。図の例のように、素性情報１３４は、ポイントが付与されたユーザ（ユーザＩＤ）に対して、ユーザ属性を示す素性、ユーザ行動履歴を示す素性、およびポイントに関連した素性が対応付けられた情報である。

ユーザ属性を示す素性は、例えば、性別、年代（年齢）、ユーザＩＤの登録年月日、電子マネーのチャージ額、保有ポイント数などの各種素性を含む。ユーザＩＤの登録年月日は、販売サイトにおいてユーザＩＤが発行され、登録された年月日である。電子マネーのチャージ額は、販売サイトや販売サイトと提携したウェブサイトにおいて利用可能な電子マネーのチャージ残高を示す情報である。ユーザ行動履歴を示す素性は、販売サイトにおけるショッピングの利用に関する素性、販売サイトにおけるオークションの利用に関する素性、販売サイトを構成するウェブページの閲覧に関する素性などを含む。ポイントに関連した素性は、過去にユーザに付与されたポイントに関する素性であり、例えば、ポイントの利用回数、ポイントの利用額、ポイントの獲得回数、ポイントの獲得額、ポイントの残高などの素性を含む。

図６は、ユーザ行動履歴の素性をより具体的に例示した図である。図示のように、例えば、販売サイトにおけるショッピングの利用に関する素性には、購入回数、購入金額、購入月日、購入したアイテムのカテゴリ（例えばファッション、家電、食品など）等の素性が含まれる。また、販売サイトにおけるオークションの利用に関する素性には、入札回数、落札回数、出品回数等の素性が含まれる。また、販売サイトを構成するウェブページの閲覧に関する素性には、ページビュー、ウェブページのアクセス日数、直近のアクセス日時、検索時に入力された検索クエリ（検索用のキーワード）等の素性が含まれる。例えば、ページビューは、検索サイトからの販売サイトへのアクセス数を表してもよいし、検索サイトから、販売サイトと異なる他のウェブサイト（例えばニュースサイトなど）へのアクセス数を表してもよい。また、ページビューは、検索サイトを介さずに、ウェブブラウザ等によって自動的に提供されたウェブサイトへのアクセス数を表してもよい。すなわち、ページビューは、ユーザが自発的にアクセスしたウェブサイトへのアクセス数と受動的にアクセスしたウェブサイトへのアクセス数を区別した指標であってよい。

図７は、予測モデル情報１３６の一例を示す図である。図示の例のように、予測モデル情報１３６は、各ポイントに対して、予測モデルが対応付けられた情報である。予測モデルとは、後述するモデル生成部１１４により生成されるパターン認識モデルである。

図８は、アカウント情報１３８の一例を示す図である。図示の例のように、アカウント情報１３８は、ユーザごとに、ユーザＩＤ、パスワード、メールアドレス、ポイント残高などが互いに対応付けられた情報である。

以下、制御部１１０の各構成要素による処理をフローチャートに即して説明する。図９は、制御部１１０による一連の処理の一例を示すフローチャートである。

まず、取得部１１２は、通信部１０２を介して、端末装置１０またはサーバ装置２０から、購入履歴情報１３２および素性情報１３４を取得し（Ｓ１００）、取得したこれらの情報を記憶部１３０に記憶させる。例えば、取得部１１２は、素性情報１３４に含まれる素性のうち、ユーザ属性を示す素性を端末装置１０から取得し、ユーザ行動履歴を示す素性をサーバ装置２０から取得し、ポイントに関連した素性を端末装置１０およびサーバ装置２０から取得し、各装置から取得した素性をユーザＩＤごとに合わせて一つの素性情報１３４としてもよい。

次に、モデル生成部１１４は、取得部１１２により取得された購入履歴情報１３２および素性情報１３４に基づいて、ポイントごとのユーザの購入傾向をモデル化した予測モデルを生成する（Ｓ１０２）。ユーザの購入傾向とは、例えば、購入の有無またはその購入時に要した購入金額の大きさを表す情報である。

例えば、モデル生成部１１４は、ＳＶＭ（Support Vector Machine）を用いて、素性情報１３４に含まれる複数の素性の一部または全部、あるいはそれらを組み合わせて処理した結果を要素とする特徴ベクトルの存在する特徴空間において、各特徴ベクトルを正例または負例に分類する超平面（特徴空間の次元数から１低下した次元を有する空間）を導出する。なお、モデル生成部１１４は、素性に対して正規化処理を行って、値のオーダーを揃えてもよい。例えば、正例は、ポイント付与後にアイテムを購入したユーザの素性を示す特徴ベクトルであり、負例は、ポイント付与後にアイテムを購入しなかったユーザの素性を示す特徴ベクトルである。特徴空間において超平面を表す関数は、予測モデルの一例である。

例えば、素性情報１３４に含まれる複数のユーザの素性のうち、半数程度のユーザの素性は、ＳＶＭにおける教師データ（正解データ）として扱われ、残りのユーザの素性は、学習データとして扱われる。教師データは、上述した超平面を導出するためのデータであり、学習データは、教師データにより導出された超平面によって正例負例のいずれかに分類される対象のデータである。

例えば、モデル生成部１１４は、各ポイントにおけるユーザの素性から、正例負例のいずれかに分離するための超平面を導出することで、５００ポイント、３００ポイント、１００ポイントといったように各ポイントでの予測モデル（超平面を示す関数）を生成する。

このとき、モデル生成部１１４は、学習データの正例と負例の比率を、教師データの正例と負例の比率と同程度（好ましくは同じ比率）にするように超平面を導出する。

そして、モデル生成部１１４は、教師データを用いて生成した各ポイントでの予測モデルに従って、学習データであるユーザの素性を正例負例のいずれかに分類し、分類した各素性のスコアを導出する（Ｓ１０４）。ここでのスコアは、予測モデルとして導出された超平面と、素性を示す特徴ベクトルとの間の距離を数値化した情報である。

図１０は、ポイントごとに導出されたスコアの一例を示す図である。図示の例のように、スコアは、各ユーザのポイントごとに導出される。例えば、ユーザＩＤ「ＡＢＣ０１」の５００ポイントにおけるスコア「０．４６５２８３」は、ユーザＩＤ「ＡＢＣ０１」に対応するユーザの素性から求められた複数の特徴ベクトルのそれぞれと、５００ポイントの予測モデルとして導出された超平面との間の距離を平均した値として導出される。

なお、モデル生成部１１４は、ＳＶＭの代わりに、ロジスティック回帰等の学習手法を用いて、ユーザ毎に各ポイントにおけるスコアを導出してもよい。この場合、スコアは、Ｗａｌｄ統計量（（標準誤差／回帰係数）＾２）またはＷａｌｄ統計量から求めた予測確率（所謂傾向スコアに相当する）などである。

また、モデル生成部１１４は、ＳＶＭを用いて２値分類問題（正例または負例のいずれかに分類する問題）を解くことで、学習データをスコア化するものとしたがこれに限られない。例えば、モデル生成部１１４は、図４に示す購入履歴情報１３２を参照して、各ユーザのポイントごとの購入金額を予測モデルにモデル化することで、各ポイントでのスコアを導出してもよい。より具体的には、モデル生成部１１４は、図４に示す購入履歴情報１３２に含まれるポイントごとのユーザによる購入の金額を教師データとして扱って重回帰分析を行い、教師データの購入金額をモデル化する。そして、モデル生成部１１４は、学習データの購入金額を、重回帰分析によって教師データから導出された予測モデルに近似することで、学習データの購入金額を評価したスコアを導出する。この場合、スコアは、重回帰分析により求められる購入金額である。

次に、購入確率予測部１１６は、過去のユーザの購入実績に基づいて、将来ポイントを付与した場合に想定される、購入者数または購入金額を最適にするためのユーザの購入確率を予測する（Ｓ１０６）。最適とは、例えば、購入者数または購入金額を最大、或いは最大付近（例えば最大値の９割程度）にすることをいう。以下、説明を簡略化するために、最適＝最大として説明する。ユーザの購入確率は、「購入行動の生起確率」の一例である。

例えば、購入確率予測部１１６は、モデル生成部１１４により導出された各ユーザのポイントごとのスコアと、教師データの正例および負例の比率とに基づいて、ユーザの将来の購入傾向を表す確率密度関数を予測する。この確率密度関数は、各ユーザのポイントごとのスコアを変数として、ユーザの将来の購入確率を返す関数である。例えば、予測される確率密度関数は、スコアが増加するのに応じて確率が１に近づくと共に、スコアが減少するのに応じて確率が０に近づく奇関数である。このような関数は、例えば、シグモイド関数や、ステップ関数、一次関数、アークタンジェント関数、その他の多項式関数などである。以下、一例として、ユーザの将来の購入傾向を表す確率密度関数を、数式（１）に示すシグモイド関数であるものとして説明する。

数式（１）のＳＶＭＳｃｏｒｅは、モデル生成部１１４により導出された各ユーザのポイントごとのスコアを表している。また、パラメータＡは、ＳＶＭＳｃｏｒｅに応じて変動する確率Ｐの増加または減少の程度の大きさを表し、パラメータＢは、シグモイド関数をＳＶＭＳｃｏｒｅ軸方向に平行移動（シフト）させる成分を表している。

以下、ユーザの将来の購入傾向を表す確率密度関数の導出方法について説明する。図１１は、ある期間において、販売サイトを利用した全ユーザの購入履歴に関する情報を示す図である。図示の獲得率［％］（＝Ａ）は、付与されたポイントがユーザの意思によってどの程度獲得されたのかを表す指標である。例えば、獲得率は、電子メールやダイレクトメール、プッシュ通知などによってポイントが付与されることが案内されたユーザのうち、案内に従ってポイントを受け取ったユーザの人数の割合を示している。すなわち、獲得率は、ポイント付与の候補としてカウントされたユーザのうち、実際にポイントを受け取ったユーザの人数の割合を示している。また、購入率［％］（＝Ｂ）は、ポイントを獲得した全ユーザのうち、そのポイントが失効するまでの期間に販売サイトでアイテムを購入したユーザの人数の割合を表している。

例えば、購入確率予測部１１６は、シグモイド関数により返される購入確率の平均値が、上述した図１１における購入率（＝Ｂ）と等しくなるように、数式（１）のパラメータＡを決定する。

図１２は、パラメータＡの決定方法を模式的に示す図である。図示の（ａ）から（ｃ）のように、購入確率予測部１１６は、パラメータＡの大きさを変更しながら、シグモイド関数により返される購入確率の平均値が、購入率（＝Ｂ）と等しくなるパラメータＡを探索する。図示のように、パラメータＡを探索することは、ＳＶＭＳｃｏｒｅ軸方向にシグモイド関数を拡縮することを意味する。すなわち、パラメータＡを探索することは、シグモイド関数の分散の度合を変更することを意味する。

なお、数式（１）におけるパラメータＢは、ＳＶＭにおける学習データの正例と負例の比率と、教師データの正例と負例の比率とを同程度にする際に、モデル生成部１１４によって好適な値に決定される。

図１３は、パラメータＢの決定方法を模式的に示す図である。例えば、図示のように、ＳＶＭによる学習段階において、教師データの正例と負例の比率が１５：８５であった場合、モデル生成部１１４は、学習データの正例と負例の比率を１５：８５に近づけるようにパラメータＢを設定する。すなわち、パラメータＢを決定することは、特徴空間内において超平面（図中ＨＰ）の位置を動かしながら、正例と負例の数を調整することを意味する。

このようにして、購入確率予測部１１６は、シグモイド関数のような確率密度関数を予測し、この予測した関数に、モデル生成部１１４により導出されたスコアを代入することで、ユーザの将来の購入確率を予測する。

図１４は、スコアから将来の購入確率を導出する様子を示す図である。図示のように、購入確率予測部１１６は、ユーザ（ユーザＩＤ）ごとに、各ポイントのスコア（図示の例では、ＳＶＭによるスコア）を、シグモイド関数のような確率密度関数に従って購入確率に変換する。一般的に、単にＳＶＭやロジスティック回帰等の学習手法を適用して得られたスコアを確率とした場合、その確率を示す確率密度分布では、局所的に解が集まって分布する傾向があることが知られている。これに対して、本実施形態では、単に予測モデルのスコアを購入確率とするのではなく、ニューラルネットワークなどの異分野において実際の事象を表すのに利用されているシグモイド関数のような確率密度関数にスコアをフィッティングさせることによって、ｅコマースの分野においても実際の事象によりマッチした確率分布を得ることができる。例えば、シグモイド関数により返される購入確率の平均値が、実際の過去の購入率と等しくなるように上述したパラメータＡを探索することによって、シグモイド関数がＳＶＭＳｃｏｒｅ軸方向に拡縮するため、解が局所的に集まった場合でも実際の事象に合わせながら確率分布を分散させることができる。この結果、精度良く将来の購入確率を予測することができる。

ここで、図９のフローチャートの説明に戻る。次に、付与ポイント決定部１１６は、購入確率予測部１１６により予測された、ユーザごとの各ポイントでの購入確率に基づいて、ポイントを付与可能な予算内で、購入者数または購入金額を最大にするように各ユーザに割り振るポイントの配分を決定する（Ｓ１０８）。

例えば、付与ポイント決定部１１６は、整数計画法を用いて、ポイントを付与可能な予算内で、購入者数または購入金額を最大にするように各ユーザに割り振るポイントの配分を決定する。本実施形態における整数計画法とは、ポイントの種類ｎ（本実施形態では、ｎ＝５）分のベクトル成分を要素ｅとしてもつ高次元ベクトル（以下、ポイント配分用ベクトルＶと称する）を、各ユーザのポイントごとの購入確率に乗算することで、制約条件を満たし、且つ目的関数が最適となる解（ユーザに割り振るポイントの組み合わせ）を探す処理をいう。ポイント配分用ベクトルＶの要素ｅは、１または０のいずれか一方の値をとり、全ての要素の和は１となる。言い換えれば、ポイント配分用ベクトルＶの要素ｅは、いずれか一つの要素だけが１の値をとり、それ以外の要素の値は０となる。

目的関数は、全てのユーザの購入確率の和であり、この「目的関数を最適にする」とは、ポイントを付与したことによって、全てのユーザの購入確率の和を最大にすることをいう。また、目的関数は、全てのユーザの購入金額の和であってもよく、この場合「目的関数を最適にする」とは、ポイントを付与したことによって、全てのユーザの購入金額の和を最大にすることであってよい。

制約条件とは、例えば、以下の条件を含む。
（１）付与可能なポイントの予算内に、付与するポイントの総額を収めること（予算≦付与ポイントの総額）。
（２）ポイント配分用ベクトルＶの要素ｅが１または０のいずれか一方の整数をとること。
（３）ポイント配分用ベクトルＶの要素ｅは、全ての要素の和が１となること。

なお、プロセッサの処理能力に制限がある場合、付与ポイント決定部１１６は、全ユーザ数のデータの一部のデータについて目的関数の最適解を求める処理を行って、一部データの処理結果を全データの処理結果として扱ってもよい。一部のデータとは、例えば、統計学的に十分信頼できる程度のサンプル数（ユーザ数）を含むデータである。具体的には、全ユーザ数が１千万人程度であれば、一部のデータに、５０万人程度のユーザ数が含まれていればよい。

また、付与ポイント決定部１１６は、更に、整数計画法の一手法として、線形計画緩和の手法を用いて、最適解を求めてもよい。本実施形態における線形計画緩和とは、上述したポイント配分用ベクトルＶの要素ｅを、０から１の間において取り得る小数（例えば０．５など）として扱いながら、ポイントごとの最適解を探し、最終的な計算過程において、解が整数であるという条件を追加して、小数となっている変数（例えば購入確率×要素値）を整数に変換し、変換した整数のうち、最も大きい整数を最適解として求める手法である。このとき、個々の要素が小数であっても要素の和は１であるものとする。

図１５は、線形計画緩和を説明するための図である。図示のように、例えば、５００、３００、１００、３、０の計５種類のポイントを付与した場合、付与ポイント決定部１１６は、ユーザＩＤごとに、上記５種類のポイントごとの購入確率を求め、最適化計算を行って、最適化する過程で求めた変数（購入確率×要素値）が極端に小さくなったり、要素値が０に近似できる程度に小さくなったりする場合には、そのポイントは考慮せずに残りのポイントで再度、最適化計算を行う。

より具体的には、５００ポイントの購入確率Ｐ１に乗算するベクトル要素ｅ１の値が０．３０、３００ポイントの購入確率Ｐ２に乗算するベクトル要素ｅ２の値が０．２０、１００ポイントの購入確率Ｐ３に乗算するベクトル要素ｅ３の値が０．２９、３ポイントの購入確率Ｐ４に乗算するベクトル要素ｅ４の値が０．０１、０ポイントの購入確率Ｐ５に乗算するベクトル要素ｅ５の値が０．２０であった場合、付与ポイント決定部１１６は、３ポイントを付与することは考慮せずに、残りの５００ポイント、３００ポイント、１００ポイント、０ポイントで再度、最適化計算を行う。これによって、残りのポイントに対するベクトル要素ｅの配分比率を変更することができる。なお、いずれかのポイントに配分するベクトル要素ｅの値が０であった場合、再度の計算は省略してよい。なお、図１５の例において、いずれかのベクトル要素ｅは０であってもよい。この場合、付与ポイント決定部１１６は、このベクトル要素ｅが乗算される対象のポイントを、最適化計算の対象から除外してよい。

また、上述した例では、５００、３００、１００、３、０の計５種類のポイントが用意されているものとして説明したがこれに限られない。例えば、４００ポイントや２００ポイントといった他の種類のポイント（過去に付与したことがないポイント）を追加してもよいし、上記いずれかを省略してもよい。

また、過去に付与したことがないポイント（例えば４００ポイントや２００ポイントなど）の購入確率については、線形補完や直線近似補完、曲線近似補完などを行うことで補完してもよい。例えば、付与ポイント決定部１１６は、未付与の２００ポイントの購入確率を、線形補完を行って推定する場合、３００ポイントの購入確率と、１００ポイントの購入確率との平均を、未付与の２００ポイントの購入確率として導出してよい。

これによって、付与ポイント決定部１１６は、過去に付与したことがないポイントとして、例えば、４５０、３５０、２５０、５０、３、０ポイントといった種々のポイントを組み合わせて購入者数や購入金額を最大化する処理を繰り返し行い、最適なポイントの組み合わせを探索することができる。上述した例のように、実際に付与したことがあるポイントとして、５００、３００、１００、３、０ポイントの履歴しかない場合においても、これらの５種類のポイントのそれぞれの予測モデルに従って導出された５つの購入確率を用いて、過去に付与したことがないポイントを線形補完等によって求めることができる。例えば、付与ポイント決定部１１６は、０ポイントを下限とし、５００ポイントを上限とした範囲の中でとりうるすべての自然数（０、１、２、３、…、４９９、５００）をポイントとして扱い、これらの５０１種類のポイントに対応した購入確率を線形補完等によって求める。そして、付与ポイント決定部１１６は、ユーザＩＤごとに、５０１種類のポイントの中から購入者数や購入金額を最大化するポイントを選択して、これを付与することを決定する。この場合、ポイント配分用ベクトルＶの要素ｅの要素数は５０１個であり、いずれか１個の要素の値だけ１となる。なお、補完によって補うポイントの種類は、５０１個に限らず、例えば、上記０から５００までの範囲において５刻みの１０１種類（０、５、１０、…、４９５、５００）にしてもよい。

また、付与ポイント決定部１１６は、５００、３００、１００、３、０の各ポイントの購入確率と、各ポイント値とを、最小二乗法などを用いて、ポイント値を変数として購入確率を返す近似関数を導出してもよい。この場合、付与ポイント決定部１１６は、導出した関数に未付与のポイント値を代入することで、その未付与のポイントに対応した購入確率を求めてよい。

このようにして、線形補完や直線近似補完などによって、過去に付与したことがないポイントに対応する購入確率を推定することができる。この結果、過去に付与したことがない種類のポイント（額の異なるポイント）を今回新たに付与しようとする場合、新たな種類のポイントをユーザに付与することで想定される購入者数や購入金額が最大になるように、付与するポイントの好適な組み合わせを導出することができる。

また、付与ポイント決定部１１６は、線形計画緩和手法の他に、例えば、ラグランジュ緩和手法を用いてもよいし、アニーリング法、タブー探索法、ランダム多スタート局所最適化法、遺伝的アルゴリズムなどのヒューリステクス手法を用いることで、購入者数または購入金額を最大にするように各ユーザに割り振るポイントの配分を決定してよい。

次に、付与ポイント決定部１１６は、整数計画法を用いて決定したポイントが付与されたことを示す案内を、通信部１０２を介してユーザに通知する（Ｓ１１０）。例えば、付与ポイント決定部１１６は、アカウント情報１３８を参照して、ユーザＩＤに対応付けられたメールアドレスに電子メールを送信することで、ポイント付与の案内をユーザに通知する。このメールには、例えば、ポイントを受け取ることが可能なウェブサイトへのＵＲＬ（Uniform Resource Locator）が記載されている。このＵＲＬ先のウェブサイトは、例えば、販売サイトで使用されるユーザＩＤを入力することでログインがなされるウェブサイトであってよい。例えば、ユーザは、端末装置１０を操作して、このＵＲＬから所定のウェブサイトにアクセスすると、ログイン時に入力されたユーザＩＤに対して割り振られたポイントが付与される。これによって、アカウント情報１３８において、ユーザＩＤに対応するポイント残高に、付与されたポイントが加算される。なお、付与ポイント決定部１１６は、電子メールの代わりに、プッシュ通知などによってユーザが操作可能な端末装置１０に案内を通知してもよいし、ユーザが販売サイトにおいて予め設定した住所にダイレクトメールを郵送したりすることで、案内を通知してもよい。なお、付与ポイント決定部１１６は、ユーザごとに決定した最適なポイントを、ユーザの受け取る意思に関わらず付与し、事後的に、ポイントが付与されたことをメール等でユーザに通知してもよい。

図１６は、ユーザごとに割り振った最適なポイントの一例を示す図である。図示の例では、ポイントの予算が２０００未満に設定され、この予算内で最も購入確率が高くなるように各ユーザにポイントが割り振られている。例えば、ポイントの予算を超えない範囲において、全ユーザに対して一律に３００ポイントを付与する場合の合計購入確率と、ユーザごとに最適なポイントを付与する場合の合計購入確率とを比較すると、一律にポイントを付与する場合と比べて、最適なポイントを付与する場合の方が合計購入確率は高くなる。この結果、限られたポイントの予算内で購入者数をより大きくすることができる。

また、実際に、対象となるユーザに一律に３００ポイントを付与した場合の購入者数と、３００ポイントを付与したユーザと同人数のユーザのそれぞれに、本実施形態において求めた最適的なポイントを付与した場合の購入者数とを比較した場合、上記一律にポイントを付与する場合と比べて、ユーザの個々に最適なポイントを付与する場合の方が、購入者数がおよそ３２％向上した。なお、これらのポイントの付与したタイミングは同時期である。

以上説明した第１の実施形態によれば、ユーザに与える影響度が互いに異なる複数のインセンティブ（例えばポイント）のうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、インセンティブが付与されたユーザごとの素性情報とを取得する取得部１１２と、ユーザの購入履歴およびユーザごとの素性情報に基づいて、インセンティブごとのユーザによる購入傾向をモデル化した予測モデルを生成するモデル生成部１１４と、予測モデルに基づいて、複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象（例えば、購入者数や購入金額）を最適化するための確率を予測する購入確率予測部１１６とを備えることにより、より適切に購入行動に関する確率を求めることができる。

また、上述した第１の実施形態によれば、限られたポイントの予算内で、購入者数或いは購入金額を最大にするように、ユーザごとにポイントを付与するため、効果的にインセンティブを付与することができる。

また、上述した第１の実施形態によれば、予測モデルの生成時に、ユーザの属性に関する素性やユーザの行動に関する素性に加えて、更にポイントに関連した素性を利用するため、積極的にポイントを活用するユーザほど、購入頻度やその購入に要する金額が多ければ、そういったユーザに対してより多くのポイント付与するようなポイントの割り振り方を実施することができる。

また、予測モデルの生成時にポイントに関連した素性を利用する場合、ポイントの利用傾向に対する、ユーザの属性の相関性やユーザの行動の相関性を反映させた予測モデルを生成することができるため、多種多様にユーザの購入傾向を分析することができる。

また、上述した第１の実施形態によれば、ユーザの行動に関する素性として、ウェブページの閲覧に関する素性を利用するため、ユーザが自発的にウェブサイトへアクセスしたのか、あるいは受動的にアクセスしたのか、といったことを含めてユーザの購入傾向を分析することができる。これによって、例えば、自発的に販売サイトへアクセスするユーザほど購入回数が多ければ、当該ユーザ以外の他のユーザに優先的にポイントを割り振ることで、ポイント予算内でより効果的に購入者数や購入金額を高めることができる。

＜第２の実施形態＞
以下、第２の実施形態について説明する。第２の実施形態における情報解析装置１００では、ユーザごとのポイントの獲得率や利用率に応じて、購入確率を変更する点で上述した第１実施形態と相違する。以下、第１の実施形態との相違点を中心に説明し、第１の実施形態と共通する点については説明を省略する。なお、第２の実施形態の説明において、第１の実施形態と同じ部分については同一符号を付して説明する。

第２の実施形態における付与ポイント決定部１１６は、ユーザごとの購入履歴情報１３２に、ポイント獲得率が含まれている場合、このポイント獲得率と、各ポイントでの購入確率とに基づいて、ポイントを付与可能な予算内で、購入者数または購入金額を最大にするように各ユーザに割り振るポイントの配分を決定する。第２の実施形態におけるポイント獲得率とは、ユーザの意思によってポイントがどの程度獲得されたのかをユーザごとに表した指標である。

例えば、上述したように、ポイントが付与されたことがメールによってユーザに通知される場合がある。メールには、例えば、ユーザＩＤでログインが必要なウェブサイトのＵＲＬや、ログインによってポイントが付与されることをユーザに通知する情報などが含まれる。ユーザが端末装置１０を操作してＵＲＬ先のウェブサイトにアクセスした場合、付与ポイント決定部１１６は、ユーザにポイントを受け取る意思があると判断し、ログイン時に入力されたユーザＩＤに、割り振りを決定したポイントを対応付けることで、ユーザにポイントを付与する。

一方、メールが送信されたにも関わらず、ＵＲＬからのログインが無い場合、付与ポイント決定部１１６は、ユーザにポイントを受け取る意思がないと判断し、ユーザにポイントを付与しないものとする。

このように、付与ポイント決定部１１６は、各ユーザのポイントごとの獲得率（ＵＲＬからのアクセス数／メール送信の総数）を考慮して、実際に獲得されなかったポイントをポイント予算から減算しないようにポイントの割り振り処理を行ってよい。例えば、付与ポイント決定部１１６は、ポイントの割り振り処理の過程において、シグモイド関数などのフィッティング関数によってスコアから変換された購入確率に対して、ポイントごとの獲得率を乗算した積を、整数計画法において取り扱う最終的な購入確率としてよい。これによって、ポイントの総額がポイント予算を下回りやすくなり、より購入者数や購入額を大きくすることができる。なお、ユーザの受け取る意思に関わらずにポイントが付与されている場合、ポイント獲得率は、１００％として扱われてよい。

また、付与ポイント決定部１１６は、ユーザごとの購入履歴情報１３２に、ポイント獲得率が含まれず、「ポイントを獲得した」、「ポイントを獲得しなかった」といった情報が含まれる場合には、予測モデルを用いた「購入した」「購入しなかった」という２値分類問題と同様に、これらを２値分類問題と捉えて、ポイント獲得率を導出してよい。例えば、付与ポイント決定部１１６は、ＳＶＭやロジスティック回帰などを用いてスコアを導出し、上述したシグモイド関数などのフィッティング関数を用いて、スコアから獲得率を導出してよい。

また、付与ポイント決定部１１６は、ユーザごとの購入履歴情報１３２に、ポイント利用率が含まれている場合、このポイント利用率と、各ポイントでの購入確率とに基づいて、ポイントを付与可能な予算内で、購入者数または購入金額を最大にするように各ユーザに割り振るポイントの配分を決定してよい。ポイント利用率とは、所定期間内にポイントがどの程度利用されたのかを表す指標である。例えば、ポイントが付与されてから、所定期間が経過するまでの間にポイントを利用しなかったユーザが増えるほど、ポイント利用率はより低下する。そのため、付与ポイント決定部１１６は、フィッティング関数によってスコアから変換された購入確率に対して、ポイントごとの利用率を乗算した積を、整数計画法において取り扱う最終的な購入確率としてよい。これによって、付与するポイントのうち、利用されないことが想定されるポイントを予め考慮しておくことができるため、ポイント付与に対して購入行動を起こしやすいユーザに対して、より多くのポイントを付与することができる。この結果、より効果的にポイントを付与することができ、購入者数や購入額をさらに大きくすることができる。

また、付与ポイント決定部１１６は、フィッティング関数によってスコアから変換された購入確率に対して、ポイントごとの獲得率および利用率の双方を乗算した積を、整数計画法において取り扱う最終的な購入確率としてもよい。

また、付与ポイント決定部１１６は、ユーザごとの購入履歴情報１３２に、ポイント利用率が含まれず、「ポイントを利用した」、「ポイントを利用しなかった」といった情報が含まれる場合には、ポイント獲得率の導出方法と同様に、これらを２値分類問題と捉えて、ポイント利用率を導出してよい。

また、付与ポイント決定部１１６は、ポイントの獲得率に基づいて、ポイントの利用率を導出してもよい。例えば、ポイントの獲得率と利用率との間には、線形的な関連性があることが知られているため、付与ポイント決定部１１６は、ポイントの獲得率を定数倍したものをポイントの利用率として導出してよい。

以上説明した第２の実施形態によれば、上述した第１の実施形態と同様に、ユーザの購入履歴およびユーザごとの素性情報に基づいて、インセンティブごとのユーザによる購入傾向をモデル化した予測モデルを生成し、この予測モデルに基づいて、複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象（例えば、購入者数や購入金額）を最適化するための確率を予測することで、より適切に購入行動に関する確率を求めることができる。

＜その他の実施形態＞
以下、その他の実施形態として、上述した実施形態の変形例について説明する。上述した実施形態では、ポイントを付与する予定の全ユーザの購入確率の和、或いは全ユーザの購入金額の和のいずれかを目的関数として扱い、これらのいずれかを最大にするようにユーザに付与するポイントの配分を決定するものとして説明したがこれに限られない。例えば、購入者数および購入金額の双方を目的関数としてもよい。この場合、例えば、付与ポイント決定部１１６は、購入者数と購入金額との線形和を目的関数とした整数計画法の問題を解くことで、ポイントを付与可能な予算内で、購入者数および購入金額の双方を考慮した目的関数を最大にするように各ユーザに割り振るポイントの配分を決定する。

また、上述した実施形態では、購入確率、獲得率、利用率は、各ユーザのポイントごとに異なるものとして説明したがこれに限られない。例えば、購入確率、獲得率、および利用率のうち一部または全部は、全ユーザで共通のものとしてもよい。例えば、付与ポイント決定部１１６は、上述した図１１に示すように、ポイントごとに平均した全ユーザの購入確率を、個々のユーザの購入確率としてもよい。

また、上述した実施形態では、整数計画法を行うことによって、ユーザに割り振るポイントを決定したがこれに限られない。例えば、上述したヒューリスティック手法を用いて、ユーザに割り振るポイントを決定してもよい。付与ポイント決定部１１６は、例えば、ある任意のポイントを暫定的な最適解（近似解）と仮定し、この最適解を変更したとき、制約条件を満たしながら、目的関数がより大きくなるポイントを探索する。この手法は、所謂局所探索と呼ばれる手法である。例えば、付与ポイント決定部１１６は、３ポイントを暫定的な最適解として仮定し、３ポイントから１００ポイントに変更したときの目的関数の値が３ポイントでの目的関数の値よりも大きければ、暫定的な最適解を３ポイントから１００ポイントに変更する。さらに、付与ポイント決定部１１６は、３００ポイント、５００ポイントといったように対象となるポイントを順次変更しながら、目的関数の値がより大きくなるものを探索する。これによって、付与ポイント決定部１１６は、最も目的関数の値が大きくなったポイントを最適解として導出する。なお、上述したヒューリスティック手法は、あくまでも一例であり、他の手法を用いてもよい。

＜ハードウェア構成＞
上述した実施形態の情報解析システム１に含まれる複数の装置のうち、少なくとも情報解析装置１００は、例えば、図１７に示すようなハードウェア構成により実現される。図１７は、実施形態の情報解析装置１００のハードウェア構成の一例を示す図である。

情報解析装置１００は、ＮＩＣ１００−１、ＣＰＵ１００−２、ＲＡＭ１００−３、ＲＯＭ１００−４、フラッシュメモリやＨＤＤなどの二次記憶装置１００−５、およびドライブ装置１００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００−５、またはドライブ装置１００−６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００−３に展開され、ＣＰＵ１００−２によって実行されることで、制御部１１０が実現される。制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…情報解析システム、１０…端末装置、２０…サーバ装置、１００…情報解析装置、
１０２…通信部、１１０…制御部、１１２…取得部、１１４…モデル生成部、１１６…購入確率予測部、１１８…付与ポイント決定部、１３０…記憶部、１３２…購入履歴情報、１３４…素性情報、１３６…予測モデル情報、１３８…アカウント情報、ＮＷ…ネットワーク

Claims (11)

1. ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得する取得部と、
   前記取得部により取得された前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成するモデル生成部と、
   前記モデル生成部により生成された予測モデルに基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測する確率予測部と、
   を備える情報解析装置。
2. 前記確率予測部は、前記インセンティブを付与することによって購入行動を起こすユーザの数を最適化するための確率を予測する、
   請求項１に記載の情報解析装置。
3. 前記モデル生成部は、前記インセンティブごとの前記ユーザによる購入の有無を教師データとした学習モデルによって、前記予測モデルを生成する、
   請求項１または２に記載の情報解析装置。
4. 前記確率予測部は、前記インセンティブを付与することによって行われる購入に掛かる金額を最適化するための確率を予測する、
   請求項１から３のうちいずれか１項に記載の情報解析装置。
5. 前記モデル生成部は、前記インセンティブごとの前記ユーザによる購入の金額を教師データとした学習モデルによって、前記予測モデルを生成する、
   請求項１から４のうちいずれか１項に記載の情報解析装置。
6. 前記確率予測部は、前記モデル生成部により生成された予測モデルのスコアを、前記スコアが増加するのに応じて確率が１に近づくと共に、前記スコアが減少するのに応じて確率が０に近づく関数に基づいて、前記購入行動に関する事象を最適化するための確率に変換する、
   請求項１から５のうちいずれか１項に記載の情報解析装置。
7. 前記ユーザごとの素性情報は、ユーザの属性と、ユーザの行動履歴と、過去にユーザに付与されたインセンティブに関する情報とのうち一部または全部を含む、
   請求項１から６のうちいずれか１項に記載の情報解析装置。
8. 前記確率予測部は、過去の時点でユーザに付与されたことがあるインセンティブに対応した前記予測モデルに基づいて、前記複数のインセンティブのうち、過去の時点でユーザに付与されたことがないインセンティブを、将来の時点でユーザに付与することによって生じ得る購入行動に関する事象を最適化するための確率を予測する、
   請求項１から７のうちいずれか１項に記載の情報解析装置。
9. ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得する取得部と、
   前記取得部により取得された前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成するモデル生成部と、
   前記モデル生成部により生成された予測モデルのスコアを、前記スコアが増加するのに応じて確率が１に近づくと共に、前記スコアが減少するのに応じて確率が０に近づく奇関数に基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率に変換する確率予測部と、
   を備える情報解析装置。
10. コンピュータが、
    ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得し、
    前記取得した前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成し、
    前記生成した予測モデルに基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測する、
    情報解析方法。
11. コンピュータに、
    ユーザに与える影響度が互いに異なる複数のインセンティブのうち、いずれか一つ以上のインセンティブが付与されたユーザの購入履歴と、前記インセンティブが付与されたユーザごとの素性情報とを取得させ、
    前記取得させた前記ユーザの購入履歴および前記ユーザごとの素性情報に基づいて、前記インセンティブごとの前記ユーザによる購入傾向をモデル化した予測モデルを生成させ、
    前記生成させた予測モデルに基づいて、前記複数のインセンティブのうち、少なくとも一つ以上のインセンティブを付与することによって生じる購入行動に関する事象を最適化するための確率を予測させる、
    情報解析プログラム。

Images