JP6934040B2 - 顧客推定装置及び顧客推定方法 - Google Patents

Description

本発明は、対象顧客を精度良く推定することができる顧客推定装置及び顧客推定方法に関する。

従来、ウェブのアクセスログを利用して、新規の顧客に対して商品やサービスの広告を配信したり、提案したりするシステムが知られている。

例えば、下記の特許文献１の会員向けターゲティング広告提供システムでは、会員専用サイト運営会社が運営している会員専用サイトＡの会員は、コンピュータ、スマートフォン等の利用者端末から、インターネットを介して会員専用サイトメインサーバにアクセスする。会員は、利用者端末から会員ＩＤとパスワードを入力して会員専用サイトＡにログインし、会員向けの情報提供ページを閲覧することができる。

そして、利用者端末が、会員専用サイトＡと切り離された会員専用サイト外対応サーバのクッキーＩＤを広告配信会社の広告配信サーバに渡すことで、会員専用サイトＡ内での履歴が外部に流出することを防ぎながら、会員の属性に合ったターゲティング広告を提供する。

また、会員は、利用者端末からインターネットを介して、ウェブサイト運営会社が運営しているウェブサイトＢにアクセスすると、広告配信の委託を受けたウェブサイトＢの広告枠に広告が配信されるようになる（段落００１７〜００２７、図１）。

特許第５８４３９８３号

しかしながら、特許文献１のシステムでは、クッキーＩＤから取得される情報に基づいて広告が配信されるため、ユーザが購入した商品の関連商品等、関連性の強い商品、サービスの広告しか行えないという問題があった。すなわち、ユーザが最近興味を持ち始めた事項や、潜在的に抱えている課題を解決するための提案を行うことはできなかった。仮に、このような提案を行うためには、個人を特定する連結識別子の取得が前提となっていた。

本発明は上記課題に鑑みなされたものであり、連結識別子を取得することなく、対象顧客を精度良く推定することができる顧客推定装置を提供することを目的とする。

なお、本件は、出願済みの顧客推定装置（特願２０１９−１６２８７３）に関連する出願であり、当該装置の実用性及び拡張可能性を説明する目的がある。

本発明の顧客推定装置は、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、前記項目対応手段によって前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させた機械学習モデルと、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与手段と、前記指標化項目の内容に応じて前記第１の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与手段と、を備えることを特徴とする。

本発明の顧客推定装置では、項目対応手段が顧客の性別、年齢等の顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われる。また、第１の分類項目作成手段は、販売する商品、提供するサービス等に関する指標化項目の内容に応じて、顧客保有項目を分類して第１の分類項目を作成する。さらに、第１のスコア付与手段は、所定の規則に基づいて第１の分類項目のそれぞれに対して第１のスコアを付与する。これにより、本装置は、指標化項目のスコアが高いとされる分類項目と、指標化項目のスコアが低いとされる分類項目とを区別し、対象顧客となり得るグループを推定することができる。

同様に、第２の分類項目作成手段が当該指標化項目の内容に応じて、前記第１の分類項目のうち一部の分類項目に該当する顧客を除外し、第２の機械学習モデルを用いて顧客保有項目を分類して第２の分類項目を作成し、第２のスコア付与手段が今回作成された各分類項目に対して第２のスコアを付与する。本装置は、異なる条件で２回目の分類を行うことで分類項目の数を調整しつつ、対象顧客を精度良く推定することができる。

本発明の顧客推定装置は、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、前記項目対応手段によって前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させた機械学習モデルと、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与手段と、前記指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、前記第１の分類項目の作成時とは異なる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与手段と、を備えることを特徴とする。

第２の分類項目作成手段は、例えば、第１の分類項目作成手段による分類項目が少なかった場合、スコアが特定の分類項目に偏ってしまった場合等に、第１の分類項目の作成時とは異なる顧客保有項目を分類し、第２の機械学習モデルを用いて第２の分類項目を作成する。これにより、分類項目の数及びスコアを調整することができる。

本発明の顧客推定装置において、前記指標化項目の内容に応じて第１から第ｎ（ｎ≧２の自然数）の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第（ｎ＋１）の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、を備えることが好ましい。

この構成によれば、第（ｎ＋１）の分類項目作成手段は、第１から第ｎのうち、一部の分類項目に該当する顧客を除外して顧客保有項目を分類するので、これまでとは異なる第（ｎ＋１）の分類項目が作成される。また、第（ｎ＋１）のスコア付与手段は、第（ｎ＋１）の分類項目に第（ｎ＋１）のスコアを付与するので、目的に応じた適切な数の分類項目を作成することができる。

本発明の顧客推定装置において、前記指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第（ｎ＋１）（ｎ≧２の自然数）の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、第１から第ｎの分類項目の作成時とは異なる前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、を備えることが好ましい。

この構成によれば、第（ｎ＋１）の分類項目作成手段は、第１から第ｎ第の分類項目の作成時とは異なる顧客保有項目を分類するので、これまでとは異なる第（ｎ＋１）の分類項目が作成される。また、第（ｎ＋１）のスコア付与手段は、第（ｎ＋１）の分類項目に第（ｎ＋１）のスコアを付与するので、目的に応じた適切な数の分類項目を作成することができる。

本発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、前記項目対応ステップにて前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて前記第１の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与ステップと、を備えることを特徴とする。

本発明の顧客推定方法は、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、第１の分類項目作成ステップにて、指標化項目に応じて顧客保有項目を分類して、第１の分類項目が作成される。また、第１のスコア付与ステップにて、第１の分類項目のそれぞれに対して第１のスコアが付与されるので、対象顧客となり得るグループを推定することができる。同様に、第２の分類項目作成ステップにて、当該指標化項目の内容に応じて、前記第１の分類項目のうち一部の分類項目に該当する顧客を除外し、第２の機械学習モデルを用いて顧客保有項目を分類して第２の分類項目が作成され、第２のスコア付与ステップにて、今回の各分類項目に対して第２のスコアが付与される。従って、本方法は、分類項目の数を調整しつつ、対象顧客を精度良く推定することができる。

本発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、前記項目対応ステップにて前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与ステップと、前記データ処理部が、指標化すべき指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、前記第１の分類項目の作成時とは異なる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与ステップと、を備えることを特徴とする。

本発明の顧客推定方法は、項目対応ステップにて、顧客保有項目とソースデータ項目とを対応させることで両項目の紐付けが行われ、第１の分類項目作成ステップにて、指標化項目に応じて顧客保有項目を分類して、第１の分類項目が作成される。また、第１のスコア付与ステップにて、第１の分類項目のそれぞれに対して第１のスコアが付与されるので、対象顧客となり得るグループを推定することができる。

同様に、第２の分類項目作成ステップにて、当該指標化項目の内容に応じて、前記第１の分類項目の作成時とは異なる顧客保有項目を分類し、第２の機械学習モデルを用いて第２の分類項目が作成され、第２のスコア付与ステップにて、今回の各分類項目に対して第２のスコアが付与される。従って、本方法は、分類項目の数を調整しつつ、対象顧客を精度良く推定することができる。

本発明の実施形態に係る顧客推定装置の概要を説明する図。 顧客推定装置が作成した分類項目の例（１回目）を説明する図（第１実施形態）。 顧客推定装置が作成した分類項目の例（２回目）を説明する図（第１実施形態）。 顧客推定装置を利用して対象顧客を推定するフローチャート。 顧客推定装置が作成した分類項目の例（１回目）を説明する図（第２実施形態）。 顧客推定装置が作成した分類項目の例（２回目）を説明する図（第２実施形態）。 第２実施形態の顧客推定装置の多段階実行の概要を説明する図。 顧客推定装置が作成した分類項目の例（１回目）を説明する図（第３実施形態）。 顧客推定装置が作成した分類項目の例（２回目）を説明する図（第３実施形態）。

以下では、図面を参照しながら、本発明の顧客推定装置の詳細を説明する。

［第１実施形態］
まず、図１に、本発明の第１実施形態に係る顧客推定装置１の概略図を示す。本実施形態において、サービス提供会社Ｘ（図示省略）から顧客推定装置１のサービスを提供されたクライアント企業Ｙ（以下、会社Ｙとする）は、自社で所有する装置端末（ＰＣ、タブレット端末、スマートフォン等）で、当該サービスを利用可能である。

以下では、会社Ｙが、新たに開発したサプリメントについて、ＤＭ（ダイレクトメール）の配信やネット広告を開始するため、健康意識が高い人を特定したいという需要があった場合を例に説明する。

会社Ｙは、顧客ＤＢ（データベース）２０を有しており、顧客リストの顧客情報として、少なくとも「性別」、「年齢」及び「サプリメント購入履歴」を保有している。しかしながら、肝心な「サプリメントの購入意思」といった直接的な情報は保有していない。

このような場合、会社Ｙ（ユーザ）は、「健康意識が高い」という指標化すべき項目（指標化項目）と、「性別」、「年齢」、「サプリメント購入履歴」から選択される少なくとも１つの顧客保有項目とを顧客推定装置１に入力する。ここで、顧客保有項目の「性別」は男性／女性の情報であり、「年齢」は１０代／２０代／３０代／４０代／５０代／６０代といった情報であり、必ずしも「顧客ＡＡＡは、女性、３５歳」といった個人情報でなくてもよい。

これらの項目を顧客推定装置１に入力することで、全顧客の中から指標化項目に関する見込顧客のみならず、現状では可能性が低いものの、将来的には需要があると推察される対象顧客（潜在顧客又はターゲット顧客）を抽出することができる。

指標化項目の取得は、顧客推定装置１の指標化項目取得部２で行われる。また、顧客保有項目の取得は、顧客推定装置１の顧客保有項目取得部３で行われる。

顧客推定装置１に指標化項目及び顧客保有項目が入力されると、顧客推定装置１の項目対応部４（本発明の「項目対応手段」に相当）が、市場全体を推定可能なエリアランダムサンプリングを採用したシングルソースデータ（以下、ソースデータという）と項目のマッチングを行う。さらに、顧客推定装置１は顧客保有項目を分類して、各分類項目にスコアを付与する。

顧客保有項目の分類は、顧客推定装置１の分類項目作成部５（本発明の「分類項目作成手段」に相当）で行われる。また、スコアの付与は、顧客推定装置１のスコア付与部６（本発明の「スコア付与手段」に相当）で行われる。なお、分類項目作成部５及びスコア付与部６は、当該ソースデータを入力データとして機械学習させた機械学習モデルである。これは、対象顧客の情報というより、むしろ指標化項目に関する情報の提供といえる。

ソースデータについて補足すると、これは、アンケートによって特定又は不特定の生活者の意識、属性、商品関与、メディア接触等を網羅的に調査した情報である。すなわち、ソースデータは、「人」、「モノ」、「メディア」の３つの観点で生活者をとらえた、いわば生活者の行動パターンを強く反映した情報である。

なお、上述の「意識」とは、生活者の価値観、嗜好、消費行動等を意味する。また、「属性」とは、正確には人口統計学的属性であり、性別、年齢（年代）、住んでいる地域、社会人であれば業種や年収、未婚か既婚か、子供が何人いるか等の社会経済的な特性データを意味する。

また、上述の「商品関与」とは、衣服、電化製品等のブランド、趣味や特技等のデータを意味し、「メディア接触」とは、情報を取得するため利用する媒体がインターネットか新聞か、又は雑誌か等のデータを意味する。

このソースデータは、東京エリア（東京５０ｋｍ圏内）、関西地区、名古屋地区、北部九州地区、札幌地区、仙台地区、広島地区の日本の主要マーケットである７地区において、抽出した約１万人に調査専用タブレットを貸与、実施して得られたものである。ソースデータはアンケートの回答に限られず、視聴率のような視聴ログデータ（履歴情報）が含まれていてもよい。

また、顧客推定装置１は、最終的に対象顧客と判定する顧客判定部８を備えている。顧客判定部８は、一覧表１５において、例えば、スコアが所定の閾値を超えた顧客（又は分類項目）に対して「○」を付与し、対象顧客と判定する。

次に、図２Ａ、図２Ｂを参照して、顧客推定装置１によって作成した分類項目の一例を説明する。

図２Ａは、顧客推定装置１が顧客保有項目（サプリメント購入履歴）から作成した分類項目（一覧表１５Ａ）を示している。顧客推定装置１は、指標化項目に対して、上述の分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。

この作業により、分類項目の１番目（１５Ａ−１）の「直近１カ月以内にサプリ購入あり」、分類項目の２番目（１５Ａ−２）の「１カ月以前〜３カ月以内にサプリ購入あり」、分類項目の３番目（１５Ａ−３）の「３カ月以前にサプリ購入あり」、及び分類項目の４番目（１５Ａ−４）の「サプリ購入なし」の４項目（第１の分類項目）が作成される。

また、顧客推定装置１のスコア付与部６は、各分類項目に対してスコア（第１のスコア）を付与する。このスコアは、顧客全体を対象とした基準値を算出してこれを１としたとき、当該基準値に対する各分類項目の数値から算出する（相対評価）。例えば、分類項目の１番目は、基準値の３．０倍の大きな数値を示すグループであり、基本的には、指標化項目と相関があるスコアが高いグループと推定される。

一例ではあるが、対象顧客と判定する閾値を１．５と予め決定しておくことで、顧客判定部８は、スコアが１．５以上となった分類項目の１番目（１５Ａ−１）及び２番目（１５Ａ−２）を「〇」と判定する。また、顧客判定部８は、分類項目の３番目（１５Ａ−３）及び４番目（１５Ａ−４）を「×」と判定する。これにより、顧客推定装置１は、対象顧客を大まかに推定することができる。

次に、顧客保有項目を、１回目の実行で採用されなかった「性別」及び「年齢」に絞り、再度、同じ指標化項目に対して、分類項目作成部５により顧客保有項目を分類していく。

図２Ｂは、顧客推定装置１が、変更された顧客保有項目から作成した分類項目（一覧表１５Ｂ）を示している。

図示するように、今回、分類項目の１番目（１５Ｂ−１）の「６０代以上（性別不問）」、分類項目の２番目（１５Ｂ−２）の「４０〜５０代、女性」、分類項目の３番目（１５Ｂ−３）の「４０〜５０代、男性」、及び分類項目の４番目（１５Ｂ−４）の「３０代以下（性別不問）」の４項目（第２の分類項目）が作成される。このように、多段階（今回、２回）の実行により、１５Ａ−１〜１５Ａ−４，１５Ｂ−１〜１５Ｂ−４の合計８項目を作成することができ、目的に応じて分類項目の数を調整することができる。

また、顧客推定装置１のスコア付与部６は、今回作成された各分類項目に対してスコア（第２のスコア）を付与する。さらに、対象顧客と判定する閾値が１．５である場合、顧客判定部８は、スコアが１．５以上となった分類項目の１番目（１５Ｂ−１）及び２番目（１５Ｂ−２）を「〇」と判定し、分類項目の３番目（１５Ｂ−３）及び４番目（１５Ｂ−４）を「×」と判定する。以上のような２回の実行により、１回目の実行では「×」であったが、２回目の実行では「〇」となる顧客が生じる。顧客推定装置１は、２回実行して、より詳しく推定することで、「〇」の判定となる対象を拡大させることができる。

今回、合計２回の実行であったが、実行回数はｎ回、すなわち、目的の分類項目が作成されるまで実行可能である。具体的には、分類項目作成部５は、第１から第ｎ（ｎ≧２の自然数）の分類項目の作成とは異なる条件で顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する。これにより、分類項目を徐々に分解し、増加させることができる。

また、スコア付与部６は、第（ｎ＋１）の分類項目に、所定の規則に基づいて第（ｎ＋１）のスコアを付与する。これにより、各分類項目にスコアが付与され、対象顧客となり得るか否かについて、精度の高い判定を行うことができる。

次に、図３を参照して、会社Ｙが、顧客推定装置１を利用して対象顧客の情報を取得するまでの一般的なフローチャートを説明する。

まず、会社Ｙのユーザは、指標化項目を選定する（ＳＴＥＰ１０）。指標化項目は、担当者がソースデータの項目の中から選択してもよいし、会社Ｙが行う商品やサービスの提供に関することに限られず、同じ趣味を持つ人がいるかどうかといった幅広いテーマであってもよい。

次に、ユーザが指標化項目と顧客保有項目とを顧客推定装置１に入力する（ＳＴＥＰ２０）。ここで、顧客保有項目は、「性別」、「年齢（年代）」の他、「最終学歴」、「学生／社会人」、「住んでいる地域」等が挙げられ、項目数が多いほどソースデータ項目とマッチング（対応）する可能性が高くなり、推定の精度が向上する。

また、必要に応じて、顧客保有項目とソースデータ項目の調整を行う。ソースデータ項目の調整とは、例えば、両項目が完全に対応していないが、類似項目がある場合に、意味合いを揃える作業を行う。例えば、ソースデータ項目に「好きな番組ジャンル」に関する項目があり、顧客保有項目に「当該ジャンルを月３回以上視聴する（履歴情報）」という項目があるとき、両項目を同義と扱う。

次に、顧客推定装置１は、機械学習により分類規則を作成する（ＳＴＥＰ３０）。これにより、指標化項目に対する分類項目（第１の分類項目）が作成される。続いて、顧客推定装置１は、当該規則に基づいて第１のスコアを集計する（ＳＴＥＰ４０）。具体的には、第１の分類項目に対して第１のスコアが付与された一覧表（図２Ａの一覧表１５Ａ参照）が作成される。

次に、顧客推定装置１は、第１のスコアに基づいて「○」又は「×」を付与する（ＳＴＥＰ５０）。ここで、「○」は対象顧客と推定されることを意味し、例えば、スコアが予め定めた閾値を超えた場合（又は閾値以上となった場合）に「○」とする。

次に、ユーザは、顧客保有項目の変更を行う（ＳＴＥＰ６０）。例えば、１回目とは異なる観点で分類項目が作成されるように、ユーザが顧客保有項目を変更する。

次に、ユーザが指標化項目と顧客保有項目とを顧客推定装置１に入力する（ＳＴＥＰ７０）。このＳＴＥＰから２回目の実行となるが、指標化項目については１回目と同じ項目、顧客保有項目についてはＳＴＥＰ６０で変更した新たな項目となる。また、必要に応じて、顧客保有項目とソースデータ項目の調整を行う。

次に、顧客推定装置１は、機械学習により分類規則を作成する（ＳＴＥＰ８０）。これにより、第２の分類項目が作成される。続いて、顧客推定装置１は、当該規則に基づいて第２のスコアを集計する（ＳＴＥＰ９０）。具体的には、第２の分類項目に対して第２のスコアが付与された一覧表（図２Ｂの一覧表１５Ｂ参照）が作成される。

最後に、顧客推定装置１は、第２のスコアに基づいて「○」又は「×」を付与する（ＳＴＥＰ１００）。以上のように、多段階の実行によって分類項目を増加させることで、対象顧客の推定精度を高め、さらに、「〇」の判定となる対象を拡大させることができる。以上で、対象顧客の情報を取得する一連の処理を終了する。

会社Ｙは、「最終結果」の判定が「〇」となった顧客に対して新たなサプリメントのＤＭ配信等を行うとよい。また、顧客推定装置１は、取扱いが難しい個人情報、Ｃｏｏｋｉｅ情報等を入手しなくても、顧客のプロフィールを精度良く推測することができる点で有益である。

［第２実施形態］
次に、図４Ａ、図４Ｂ及び図５を参照して、本発明の第２実施形態について説明する。

上述の第１実施形態では、顧客保有項目を１回目の実行に使用しなかった項目に変更して、２回目を実行した。しかしながら、分類項目の数を増加させたり、スコアを調整したりするために、対象とする「人」を変更してもよい。この条件を変更して顧客推定装置１を実行すると、前回とは異なる分類項目が作成され、スコアも異なる数値が得られる（第２実施形態）。

具体的には、１回目の実行で作成された１又は複数の分類項目に所属する「人」をさらに詳しく分析する。例えば、１回目の判定で「○」となった分類項目の「人」を除外して２回目を実行することで、１回目の判定で「×」となった分類項目について、より詳細な情報が得られる。

図４Ａは、顧客推定装置１が顧客保有項目（サプリメント購入履歴）から作成した分類項目（一覧表２５Ａ）を示しており、結果としては、図２Ａの一覧表１５Ａと同じである。

顧客判定部８は、分類項目の１番目（２５Ａ−１）及び分類項目の２番目（２５Ａ−２）」のスコアが閾値１．５以上のため、「○」と判定する。一方、顧客判定部８は、分類項目の３番目（２５Ａ−３）及び分類項目の４番目（２５Ａ−４）」のスコアが閾値１．５に満たないため、「×」と判定する。

ここで、今回「×」と判定された分類項目の３番目の「３ヶ月以前にサプリ購入あり」、及び４番目の「サプリ購入なし」の項目を分析して、こられの分類項目に所属する「人」の詳細情報を取得することが望まれる。このため、再度、同じ指標化項目に対して、分類項目作成部５により顧客保有項目を分類していく。

図４Ｂは、顧客推定装置１が、変更された顧客保有項目から作成した分類項目（一覧表２５Ｂ）を示している。

図示するように、今回、分類項目の１番目（２５Ｂ−１）の「３ヶ月以前〜４ヶ月以内にサプリ購入あり、６０代以上」、分類項目の２番目（２５Ｂ−２）の「３ヶ月以前〜４ヶ月以内にサプリ購入あり、５０代以下」、分類項目の３番目（２５Ｂ−３）の「サプリ購入なし、６０代以上」、及び分類項目の４番目（２５Ｂ−４）の「サプリ購入なし、５０代以下」の４項目（第２の分類項目）が作成される。このように、多段階の実行により、２５Ａ−１〜２５Ａ−４，２５Ｂ−１〜２５Ｂ−４の合計８項目を作成することができ、目的に応じて分類項目の数を調整することができる。

また、対象顧客と判定する閾値が１．５である場合、顧客判定部８は、スコアが１．５以上となった分類項目の１番目（２５Ｂ−１）及び３番目（２５Ｂ−３）を「〇」と判定し、分類項目の２番目（２５Ｂ−２）及び４番目（２５Ｂ−４）を「×」と判定する。このような作業により、顧客推定装置１は、対象顧客をより詳しく推定することができる。

ここで、図５を参照して、第２実施形態の顧客推定装置１の多段階実行の概要を説明する。

まず、指標化項目と顧客保有項目とを顧客推定装置１に入力して、顧客の「全体」に対して、分類項目の作成を行う。これにより、「１回目」の判定結果が得られる。具体的には、図４Ａに示したように、顧客推定装置１（顧客判定部８）は、分類項目の１番目（２５Ａ−１）及び２番目（２５Ａ−２）を「○」と判定する。これにより、対象顧客の１次的な結果が得られる。

図４Ａの例では、分類項目の１番目及び２番目が、対象顧客である又は対象顧客の可能性が高いという結果が得られる。そこで、分類項目の１番目及び２番目に該当する顧客を除外して、分類項目の３番目及び４番目に絞って再度、指標化項目と顧客保有項目とを顧客推定装置１に入力して、分類項目の作成を行う。

これにより、「２回目」の判定結果が得られる。具体的には、図４Ｂに示したように、分類項目の１番目（２５Ｂ−１）及び３番目（２５Ｂ−３）が「〇」と判定とされ、対象顧客となる分類項目が２つあることが判明する。従って、会社Ｙは，「最終結果」の判定が「〇」となった顧客に対して新たなサプリメントのＤＭ配信等を行うとよい。

［第３実施形態］
最後に、図６Ａ及び図６Ｂを参照して、本発明の第３実施形態について説明する。

上述の第２実施形態では、１回目の実行による第１の分類項目から一部の分類項目を除外（例えば、採用された分類項目を除外）して、２回目を実行した。しかしながら、分類項目の数を増加させたり、スコアを調整したりするために、ソースデータを変更してもよい。この条件を変更して顧客推定装置１を実行することによっても、前回とは異なる分類項目が作成され、スコアも異なる数値が得られる（第３実施形態）。

図６Ａは、顧客推定装置１が顧客保有項目（サプリメント購入履歴）から作成した分類項目（一覧表３５Ａ）を示しており、結果としては、図２Ａの一覧表１５Ａと同じである。なお、１回目の実行日は、２０１９年４月とする。

顧客判定部８は、分類項目の１番目（３５Ａ−１）及び分類項目の２番目（３５Ａ−２）」のスコアが閾値１．５以上のため、「○」と判定する。一方、顧客判定部８は、分類項目の３番目（３５Ａ−３）及び分類項目の４番目（３５Ａ−４）」のスコアが閾値１．５に満たないため、「×」と判定する。

次に、ソースデータが変更された後に、１回目の実行と同じ顧客保有項目で、再度、同じ指標化項目に対して、分類項目作成部５により顧客保有項目を分類していく。

図６Ｂは、顧客推定装置１が変更されたソースデータを利用して作成した分類項目（一覧表３５Ｂ）を示している。なお、２回目の実行日は、２０１９年７月とする。

図示するように、今回、分類項目の１番目（３５Ｂ−１）の「直近２ヶ月以内にサプリ購入あり」、分類項目の２番目（３５Ｂ−２）の「２ヶ月以前〜４ヶ月以内にサプリ購入あり、男性」、分類項目の３番目（３５Ｂ−３）の「２ヶ月以前〜４ヶ月以内にサプリ購入あり、女性」、及び分類項目の４番目（３５Ｂ−４）の「上記以外」の４項目（第２の分類項目）が作成される。このように、多段階の実行により、３５Ａ−１〜３５Ａ−４，３５Ｂ−１〜３５Ｂ−４の合計８項目を作成することができ、目的に応じて分類項目の数を調整することができる。

また、対象顧客と判定する閾値が１．５である場合、顧客判定部８は、スコアが１．５以上となった分類項目の１番目（３５Ｂ−１）及び２番目（３５Ｂ−２）を「〇」と判定し、分類項目の３番目（２５Ｂ−３）及び４番目（２５Ｂ−４）を「×」と判定する。このような作業により、顧客推定装置１は、対象顧客をより詳しく推定することができる。

上述した実施形態における一覧表の内容、スコアの算出方法等は一例に過ぎず、用途、目的等に応じて適宜変更することができる。

顧客推定装置１の項目対応部４は、上位概念の項目に合わせるように調整する例を示したが、項目の鮮度が新しい方を採用することも有効である。

上記実施形態では、最終的なスコアが「高い」顧客をアプローチすべき対象顧客とする例を示したが、スコアが「低い」顧客についても、「低い」ことに価値を見出して、他のアプローチの対象とすることができる。また、スコアが「低い」顧客をアプローチの除外対象として、足切りに利用してもよい。

１…顧客推定装置、２…指標化項目取得部、３…顧客保有項目取得部、４…項目対応部、５…分類項目作成部（機械学習モデル）、６…スコア付与部、８…顧客判定部、１５，１５Ａ，１５Ｂ，２５Ａ，２５Ｂ，３５Ａ，３５Ｂ…一覧表、２０…顧客ＤＢ。

Claims (6)

1. 顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、
   前記項目対応手段によって前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させた機械学習モデルと、
   指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、
   前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与手段と、
   前記指標化項目の内容に応じて前記第１の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、
   前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与手段と、
   を備えることを特徴とする顧客推定装置。
2. 顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応手段と、
   前記項目対応手段によって前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させた機械学習モデルと、
   指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成手段と、
   前記第１の分類項目作成手段が作成した前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与手段と、
   前記指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、前記第１の分類項目の作成時とは異なる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成手段と、
   前記第２の分類項目作成手段が作成した前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与手段と、
   を備えることを特徴とする顧客推定装置。
3. 前記指標化項目の内容に応じて第１から第ｎ（ｎ≧２の自然数）の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第（ｎ＋１）の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、
   前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、
   を備えることを特徴とする請求項１に記載の顧客推定装置。
4. 前記指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第（ｎ＋１）（ｎ≧２の自然数）の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、第１から第ｎの分類項目の作成時とは異なる前記顧客保有項目を分類し、第（ｎ＋１）の分類項目を作成する第（ｎ＋１）の分類項目作成手段と、
   前記第（ｎ＋１）の分類項目作成手段が作成した前記第（ｎ＋１）の分類項目に、前記第（ｎ＋１）の機械学習モデルを用いて第（ｎ＋１）のスコアを付与する第（ｎ＋１）のスコア付与手段と、
   を備えることを特徴とする請求項２に記載の顧客推定装置。
5. 機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、
   前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、
   前記項目対応ステップにて前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、
   前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、
   前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与ステップと、
   前記データ処理部が、指標化すべき指標化項目の内容に応じて前記第１の分類項目のうち、一部の分類項目に該当する顧客を除外し、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、
   前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与ステップと、
   を備えることを特徴とする顧客推定方法。
6. 機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、
   前記コンピュータのデータ処理部が、顧客が保有する顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータのソースデータ項目とを対応させる項目対応ステップと、
   前記項目対応ステップにて前記顧客保有項目と対応したソースデータ項目を得て、前記ソースデータ項目を入力データとして、特定のサービスに対する対象顧客を推定できるように機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、
   前記データ処理部が、指標化すべき指標化項目の内容に応じて、第１の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、第１の分類項目を作成する第１の分類項目作成ステップと、
   前記データ処理部が、前記第１の分類項目作成ステップで作成された前記第１の分類項目に、前記第１の機械学習モデルを用いて第１のスコアを付与する第１のスコア付与ステップと、
   前記データ処理部が、指標化すべき指標化項目の内容に応じて、前記ソースデータの更新に伴い更新された第２の前記機械学習モデルを用いて前記対象顧客の推定に必要な要素となる、前記第１の分類項目の作成時とは異なる前記顧客保有項目を分類し、第２の分類項目を作成する第２の分類項目作成ステップと、
   前記データ処理部が、前記第２の分類項目作成ステップで作成された前記第２の分類項目に、前記第２の機械学習モデルを用いて第２のスコアを付与する第２のスコア付与ステップと、
   を備えることを特徴とする顧客推定方法。

Images