JP6967102B2 - 顧客推定装置及び顧客推定方法 - Google Patents

Description

本発明は、顧客の要望に沿った指標を提供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（特許文献１／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。また、ユーザが所有する情報が少ない場合は、ユーザが興味のある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が難しかった。

本発明は上記課題に鑑みなされたものであり、指標化の精度向上のため、顧客が用意すべき項目を調べ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号）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。

第１発明の顧客推定装置は、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から、指標化すべき指標化項目を取得する指標化項目取得手段と、顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、前記ソースデータの前記顧客が保有していない項目を含めた全ての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、前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記顧客が用意すべき新たな前記顧客保有項目を、前記分類項目に共通して現れた要素から抽出する顧客保有項目抽出手段と、を備えることを特徴とする。

本発明の顧客推定装置では、指標化項目取得手段がソースデータから、例えば、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得する。顧客保有項目取得手段についても、ソースデータのソースデータ項目（性別、年齢等）を顧客保有項目とみなして取得する。そして、分類項目作成手段による分類項目の作成を行う。

また、顧客保有項目抽出手段は、追加すべき顧客保有項目（例えば、分類項目の作成に必須の要素）を新たに抽出する。従って、本装置は、どのような顧客保有項目を加えれば、より正確な指標化が可能かを調べることができる。

第１発明の顧客推定装置において、前記顧客保有項目抽出手段は、抽出された前記顧客保有項目の入手を顧客に促すようにしてもよい。

顧客保有項目抽出手段は、抽出された顧客保有項目を入手するように顧客に促す。これにより、本装置は、当該指標化項目を用いて、より正確に顧客を推定することができる。

第２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、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から、指標化すべき指標化項目を取得する指標化項目取得ステップと、前記コンピュータのデータ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、前記ソースデータの前記顧客が保有していない項目を含めた全ての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、前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記データ処理部が、前記顧客が用意すべき新たな前記顧客保有項目を、前記分類項目に共通して現れた要素から抽出する顧客保有項目抽出ステップと、を備えることを特徴とする。

本発明の顧客推定方法では、指標化項目取得ステップにて、ソースデータから指標化すべき指標化項目を取得する。また、顧客保有項目取得ステップにて、ソースデータ項目を顧客保有項目とみなして取得し、分類項目作成ステップにて分類項目の作成を行う。

また、顧客保有項目抽出ステップでは、追加すべき顧客保有項目を新たに抽出する。従って、本方法は、どのような顧客保有項目が加えれば、より正確な指標化が可能かを調べることができる。

第２発明の顧客推定方法において、前記顧客保有項目抽出ステップで抽出された前記顧客保有項目の入手を顧客に促すようにしてもよい。

この構成によれば、顧客保有項目抽出ステップで抽出された顧客保有項目を入手するように顧客に促す。これにより、本方法は、当該指標化項目を用いて、より正確に顧客を推定することができる。

第３発明の顧客推定装置は、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から、指標化すべき指標化項目を取得する指標化項目取得手段と、顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、前記ソースデータが有する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、前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記分類項目作成手段が作成した前記分類項目に対して、前記機械学習モデルが有する規則に基づいて現状での指標化の可能性を示す精度を算出する精度算出手段と、前記分類項目の内容から、前記顧客保有項目に含まれていない、前記精度を向上させる要素となる候補項目を抽出する候補項目抽出手段と、を備え、前記精度算出手段は、前記指標化項目取得手段が取得した前記指標化項目と、前記顧客保有項目取得手段が取得した前記顧客保有項目と、前記候補項目抽出手段が抽出した前記候補項目とを用いて分類項目を作成し、前記精度を再度算出することを特徴とする。

本発明の顧客推定装置では、指標化項目取得手段がソースデータから、例えば、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得する。また、顧客保有項目取得手段は、項目が少ない場合でも現状の顧客保有項目を取得する。そして、分類項目作成手段による分類項目の作成、精度算出手段による精度の算出を行う。

また、候補項目抽出手段は、前記精度の向上のために必要な候補項目（例えば、分類項目の作成に必須の要素）を新たに抽出し、指標化項目、顧客保有項目に加えて、新たな分類項目を作成する。そして、精度算出手段により、新たな分類項目に対して改めて精度を算出する。再度算出された精度の高低により、追加した候補項目が必要な項目か否かが判明するので、顧客が用意すべき項目を調べることができる。

第３発明の顧客推定装置において、前記候補項目抽出手段は、再度算出された前記精度が、初回に算出された前記精度より向上した場合に、前記候補項目の入手を顧客に促すようにしてもよい。

追加することにより精度が向上した候補項目は、対象顧客の推定に必要な項目であるため、候補項目抽出手段は、候補項目を入手するように顧客に促す。これにより、本装置は、より正確に対象顧客を推定することができる。

第４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取得部が、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から、指標化すべき指標化項目を取得する指標化項目取得ステップと、前記データ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、前記ソースデータが有する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、前記コンピュータのデータ処理部が、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前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記データ処理部が、前記分類項目作成ステップで作成された前記分類項目に対して、前記機械学習モデルが有する規則に基づいて現状での指標化の可能性を示す精度を算出する精度算出ステップと、前記データ処理部が、前記分類項目の内容から、前記顧客保有項目に含まれていない、前記精度を向上させる要素となる候補項目を抽出する候補項目抽出ステップと、を備え、前記分類項目作成ステップでは、前記指標化項目取得ステップで取得した前記指標化項目と、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、前記候補項目抽出ステップで抽出した前記候補項目とから新たな分類項目を作成し、前記精度算出ステップでは、前記分類項目作成ステップで作成された前記新たな分類項目に対して前記精度を算出することを特徴とする。

本発明の顧客推定方法では、指標化項目取得ステップにて、ソースデータから、例えば、販売する商品や提供するサービスに関連して指標化すべき指標化項目を取得する。また、顧客保有項目取得ステップにて、項目が少ない場合でも現状の顧客保有項目を取得する。そして、分類項目作成ステップにて分類項目を作成し、精度算出ステップにて精度の算出を行う。

また、候補項目抽出ステップにて、前記精度の向上のために必要な候補項目を抽出し、指標化項目、顧客保有項目に加えて、分類項目作成ステップにて新たな分類項目を作成する。そして、精度算出ステップにて、新たな分類項目に対して改めて精度の算出を行う。再度算出された精度の高低により、追加した候補項目が必要な項目か否かが判明するので、顧客が用意すべき項目を調べることができる。

第４発明の顧客推定方法において、前記候補項目抽出ステップでは、再度算出された前記精度が、初回に算出された前記精度より向上した場合に、前記候補項目の入手を顧客に促すようにしてもよい。

追加することにより精度が向上した候補項目は、対象顧客の推定に必要な項目である。このため、候補項目抽出ステップは、候補項目を入手するように顧客に促す。これにより、本方法は、より正確に対象顧客を推定することができる。

本発明の第１実施形態に係る顧客推定装置（プレ実行）の概要を説明する図。 顧客推定装置のプレ実行で作成された分類項目の一覧表。 第１実施形態に係る顧客推定装置（本実行）の概要を説明する図。 顧客推定装置のプレ実行のフローチャート（第１実施形態）。 顧客推定装置の本実行のフローチャート。 本発明の第２実施形態に係る顧客推定装置（プレ実行）の概要を説明する図。 顧客推定装置のプレ実行のフローチャート（第２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を参照して、本発明の第１実施形態に係る顧客推定装置１の概要を説明する。

本実施形態において、顧客推定装置１は、デスクトップＰＣ、ノートＰＣ、タブレット端末等にインストールされた、サービス提供会社Ｘ（以下、会社Ｘという）が所有する装置端末である。

以下では、会社Ｘのクライアント企業であって、顧客推定装置１の提供先Ｙ（以下、会社Ｙとする）が、顧客推定装置１を利用して特定の指標に対してターゲットとなる対象顧客を推定できるかを確認する場合（プレ実行）について説明する。

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「ニュース記事閲覧履歴」、「性別」及び「年齢」を保有している。しかしながら、顧客保有項目の数が少ないため、まずはこれを使用せず、会社ＸのソースデータＳ（詳細は後述する）の保有項目を顧客保有項目とみなして使用することにする。

ここで、保有項目は、例えば、「ニュース記事閲覧記録」、「性別」、「年齢」、「職業」、「居住地」といった項目である。顧客推定装置１は、保有項目と指標化項目とを入力することで、対象顧客の推定を試みる。なお、指標化項目は、ソースデータＳに含まれる項目（ソースデータ項目）を利用する。

ソースデータＳとは、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であり、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Ｓ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。

ソースデータＳ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Ｓ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。

顧客推定装置１において、上記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（本発明の「指標化項目取得手段」に相当）で行われる。また、上記保有項目の取得は、顧客保有項目取得部３（本発明の「顧客保有項目取得手段」に相当）で行われる。

また、顧客推定装置１は、上記保有項目を分類して分類項目（分類規則）を作成し、各分類項目に対してスコアを付与する。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、スコアの付与はスコア付与部６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、上記ソースデータＳ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。

顧客推定装置１の本実行を行うにあたり、指標化項目は決定されているものの、顧客保有項目として何の項目が不足しているか分からない場合がある。このような場合、まず、顧客推定装置１は、顧客保有項目と同じ役割の保有項目を入力し、また、指標化項目をソースデータ項目から選択して入力し、上述のプレ実行を行い、各分類項目に対してスコアを付与する。この結果は、一覧表１５に出力される。

さらに、顧客推定装置１は、顧客保有項目抽出部１３（本発明の「顧客保有項目抽出手段」に相当）を備えている。顧客保有項目抽出部１３は、分類項目作成部５が作成した上記分類項目に基づいて、指標化のため顧客が用意すべき顧客保有項目を抽出する。顧客保有項目抽出部１３は、抽出した顧客保有項目（又はその候補）を会社Ｘに対してレコメンドする機能も有する。

次に、図２に、顧客推定装置１のプレ実行で作成された分類項目の一覧表１５の例を示す。

分類項目は、分類項目作成部５が今回の指標化項目（「スマート家電所有」）に対して、保有項目を分類して作成した項目である。また、一覧表１５では、スコア付与部６が付与したスコアが表示されている。

今回の保有項目（「ニュース記事閲覧記録」、「性別」、「年齢」、「居住地」等）を用いると、「首都圏在住、ＩＴ記事閲覧記録あり」という分類項目のスコアが最も高くなり、「２．３」である。また、「首都圏在住、ＩＴ記事閲覧記録なし、男性１０〜３０代」、「首都圏以外在住、ＩＴ記事閲覧記録あり」の項目もスコアが高くなっている。

なお、分類項目に現れる「性別」に関しては、保有項目に含まれている（図１参照）。また、首都圏在住か否か、ＩＴ記事閲覧記録の有無についても、それぞれ保有項目「ニュース記事閲覧履歴」、「居住地」に関連する事項として存在している。

現在ある顧客保有項目は、「性別」、「年齢」及び「ニュース記事閲覧履歴」の３つであるが（図１参照）、各分類項目の内容（要素）を考慮すると、現在の顧客保有項目に「居住地」の情報を加えると、より正確に指標化項目（「スマート家電所有」）を調べられることが分かる。このように、本実施形態の顧客推定装置１は、顧客保有項目が少ない場合に、指標化項目を定めてプレ実行を行い、顧客が用意すべき顧客保有項目の候補を提案することができる。

次に、図３を参照して、顧客推定装置１の本実行について説明する。

会社Ｙ（ユーザ）は、顧客保有項目として「ニュース記事閲覧情報」、「性別」、「年齢」に加えて、「居住地」を新たに用意し、会社Ｘに送信する。会社Ｘは、これらの顧客保有項目と指標化項目とを顧客推定装置１に入力する。

なお、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。「居住地」についても、関東地方／近畿地方といった地方情報、川崎市／横浜市といった市や区の情報で十分であり、個人の住所までは必要としない。

顧客推定装置１の本実行において、上記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、上記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。

その後、顧客推定装置１は、上記顧客保有項目を分類して分類項目を作成し、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で行われ、スコアの付与は顧客推定装置１のスコア付与部６で行われる。

そして、最終的な結果が一覧表１５’に出力される。この例では、会社Ｙがレコメンドされた項目（「居住地」）を全て補ったため、一覧表１５’は、基本的に図２で示した一覧表１５と同じ結果となる。しかしながら、プレ実行でスコアを付与していない場合や、レコメンドされた項目が複数あり、そのうち一部しか補えなかった場合には、本実行で改めてスコア付与をする必要がある。

以上をまとめると、会社Ｙがレコメンドされた項目を取得した場合（特に、プレ実行と項目が異なる場合）、それに応じて、顧客推定装置１の本実行を行う（詳細は、特願２０１９−１６２８７３号を参照のこと）。これにより、精度良く対象顧客を推定することができる。

次に、図４Ａ、図４Ｂを参照して、会社Ｙが、顧客推定装置１から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、図４Ａを参照して、第１実施形態の顧客推定装置１のプレ実行のフローチャートを説明する。

会社Ｘの担当者は、ソースデータＳを利用して保有項目を準備し、顧客推定装置１に入力する（ＳＴＥＰ１０）。ここで、保有項目は、「性別」、「年齢（年代）」、「職業」の他、「最終学歴」、「学生／社会人」等が挙げられる。

次に、担当者が指標化項目を顧客推定装置１に入力し（ＳＴＥＰ２０）、顧客推定装置１を実行することで、機械学習により分類規則（分類項目）を作成する（ＳＴＥＰ３０）。

次に、当該規則に基づいて、スコアを集計する（ＳＴＥＰ４０）。これにより、各分類項目に対してスコアが付与された一覧表１５（図２参照）が作成される。なお、プレ実行においては、スコアの付与は必須ではない。

次に、会社Ｘの担当者は、顧客保有項目をレコメンドする（ＳＴＥＰ５０）。図２の一覧表１５の例では、各分類項目に「首都圏在住か否か」の要素が含まれ、この要素は、当初の顧客保有項目（図１参照）に含まれていない。このため、「居住地」の項目がレコメンド対象となる。以上で、第１実施形態のプレ実行の一連の処理を終了する。

その後は、会社Ｙ（ユーザ）が必要に応じて顧客保有項目を追加して、会社Ｘに送付する。これにより、対象顧客を推定する顧客推定装置１の本実行の際、分類項目が増加して、スコアが正確に集計されるようになる。

次に、図４Ｂを参照して、顧客推定装置１の本実行のフローチャートを説明する。会社Ｘの担当者は、会社Ｙから顧客保有項目を入手し、顧客推定装置１に入力する（ＳＴＥＰ６０）。

次に、担当者が指標化項目を顧客推定装置１に入力し（ＳＴＥＰ７０）、顧客推定装置１を実行することで、機械学習により分類規則（分類項目）を作成する（ＳＴＥＰ８０）。

次に、当該規則に基づいて、スコアを集計する（ＳＴＥＰ９０）。これにより、各分類項目に対してスコアが付与された一覧表１５’（図２参照）が作成される。

最後に、担当者が以上のステップで作成した一覧表１５’を会社Ｙに送信する（ＳＴＥＰ１００）。これにより、会社Ｙは、顧客推定装置１により推定された顧客の情報を入手することができる。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。

上述した実施形態における一覧表の内容、スコアの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。例えば、一覧表（図２参照）において、レコメンド対象は担当者が決定してもよいし、閾値を予め定めておき、顧客推定装置１のプログラムで自動的に決定してもよい。

［第２実施形態］
次に、図５を参照して、本発明の第２実施形態に係る顧客推定装置１’の概要を説明する。なお、第１実施形態と同じ構成については同じ符号を付し、一部説明を省略する。

第１実施形態と同様、会社Ｙは顧客ＤＢ２０を有しており、顧客リストの顧客情報として、少なくとも「ニュース記事閲覧履歴」、「性別」及び「年齢」を保有している。顧客保有項目の数は比較的少ないが、第２実施形態の顧客推定装置１’は、現状の顧客保有項目と指標化項目（ソースデータ項目）とを入力することで、対象顧客の推定を試みる。

顧客推定装置１’において、上記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（本発明の「指標化項目取得手段」に相当）で行われる。また、上記顧客保有項目の取得は、顧客保有項目取得部３（本発明の「顧客保有項目取得手段」に相当）で行われる。

また、顧客推定装置１’は、顧客保有項目を分類して分類項目（分類規則）を作成し、各分類項目に対して指標化が可能な精度（信頼度）を算出し、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、精度の算出及び付与は精度算出部１１（本発明の「精度算出手段」に相当）で行われる。

顧客推定装置１’の本実行を行うにあたり、指標化項目は決定されているものの、顧客保有項目として必要な項目が揃っているか、或いは不足しているかが分からない場合がある。このような場合、まず、顧客推定装置１は、現状の顧客保有項目と、ソースデータ項目から選択した指標化項目とを入力して上述のプレ実行を行い、各分類項目に対して精度を付与する。この結果は、一覧表１６に出力される。

さらに、顧客推定装置１’は、候補項目抽出部１４（本発明の「候補項目抽出手段」に相当）を備えている。候補項目抽出部１４は、上述の分類項目作成部５が作成した分類項目に基づいて、指標化のため顧客が用意すべき顧客保有項目の候補項目（項目ε１，ε２，ε３，・・・）を抽出する。

顧客推定装置１’の分類項目作成部５は、現状の顧客保有項目と指標化項目に加えて、前記候補項目の１つ（例えば、項目ε１）を入力してプレ実行を再度行い、新たな分類項目を作成する。そして、精度算出部１１が新たな各分類項目に対して精度を算出し、付与する。最後に、２回のプレ実行による精度の高低を比較し、精度が向上していれば、追加した候補項目は、精度向上に関与する必要項目であると分かる。

このとき、候補項目抽出部１４は、抽出した候補項目（項目ε１）を会社Ｘに対してレコメンドする。一方、精度が向上していなかった場合には、追加した候補項目は、精度向上に関与しない不必要項目であるため、新たな候補項目（例えば、項目ε２）に置き換えて、再度プレ実行を行う。顧客推定装置１’は、この作業を繰り返して最適な候補項目を発見し、必要項目として顧客にレコメンドする。

最後に、図６を参照して、第２実施形態の顧客推定装置１’のプレ実行のフローチャートを説明する。

会社Ｘの担当者は、会社Ｙの顧客保有項目を入手し、顧客推定装置１’に入力する（ＳＴＥＰ１１０）。ここでの顧客保有項目は、現状の「ニュース記事閲覧履歴」、「性別」、「年齢」である（図５参照）。

次に、担当者が指標化項目を顧客推定装置１’に入力し（ＳＴＥＰ１２０）、顧客推定装置１’を実行することで、機械学習により分類規則（分類項目）を作成する（ＳＴＥＰ１３０）。

次に、当該規則に基づいて、精度（初回）を算出する（ＳＴＥＰ１４０）。これにより、各分類項目に対して精度が付与された一覧表１６（図５参照）が作成される。

次に、候補項目（例えば、項目ε１）が抽出されるため（ＳＴＥＰ１５０）、この候補項目を加えて、新たな分類規則を作成する（ＳＴＥＰ１６０）。この作業によって、初回と比較して分類規則が変更される場合がある。

その後、当該規則に基づいて、新たな精度を算出する（ＳＴＥＰ１７０）。そして、１回目の精度と２回目の精度を比較して、精度が向上したか否かを判定する（ＳＴＥＰ１８０）。精度が向上した場合にはＳＴＥＰ１９０に進み、精度が向上しなかった場合にはＳＴＥＰ１５０に戻る。

精度が向上しなかった場合（ＳＴＥＰ１８０で「ＮＯ」）、今回追加した候補項目（項目ε１）は、精度向上に関与しない不必要項目と判断されるため、精度が向上する候補項目が見つかるまで、ＳＴＥＰ１５０〜１８０のステップを繰り返す。

精度が向上した場合（ＳＴＥＰ１８０で「ＹＥＳ」）、会社Ｘの担当者は、今回追加した候補項目を必要項目として顧客にレコメンドする（ＳＴＥＰ１９０）。以上で、第２実施形態のプレ実行の一連の処理を終了する。

その後は、会社Ｙが必要に応じて顧客保有項目を追加して、会社Ｘに送付する。第２実施形態においても、会社Ｙがレコメンドされた項目を取得した場合、それに応じて、顧客推定装置１の本実行を行う（詳細は、特願２０１９−１６２８７３号を参照のこと）。これにより、精度良く対象顧客を推定することができる。

１，１’…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、５…分類項目作成部、６…スコア付与部、１１…精度算出部、１３…顧客保有項目抽出部、１４…候補項目抽出部、１５，１５’，１６…一覧表、２０…顧客ＤＢ。

Claims (8)

1. 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から、指標化すべき指標化項目を取得する指標化項目取得手段と、
   顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、
   前記ソースデータの前記顧客が保有していない項目を含めた全ての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、
   前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、
   前記顧客が用意すべき新たな前記顧客保有項目を、前記分類項目に共通して現れた要素から抽出する顧客保有項目抽出手段と、
   を備えることを特徴とする顧客推定装置。
2. 前記顧客保有項目抽出手段は、抽出された前記顧客保有項目の入手を顧客に促すことを特徴とする請求項１に記載の顧客推定装置。
3. 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、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から、指標化すべき指標化項目を取得する指標化項目取得ステップと、
   前記コンピュータのデータ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、
   前記ソースデータの前記顧客が保有していない項目を含めた全ての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、前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、
   前記データ処理部が、前記顧客が用意すべき新たな前記顧客保有項目を、前記分類項目に共通して現れた要素から抽出する顧客保有項目抽出ステップと、
   を備えることを特徴とする顧客推定方法。
4. 前記顧客保有項目抽出ステップで抽出された前記顧客保有項目の入手を顧客に促すことを特徴とする請求項３に記載の顧客推定方法。
5. 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から、指標化すべき指標化項目を取得する指標化項目取得手段と、
   顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、
   前記ソースデータが有する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、
   前記指標化項目の内容に応じて異なる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前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、
   前記分類項目作成手段が作成した前記分類項目に対して、前記機械学習モデルが有する規則に基づいて現状での指標化の可能性を示す精度を算出する精度算出手段と、
   前記分類項目の内容から、前記顧客保有項目に含まれていない、前記精度を向上させる要素となる候補項目を抽出する候補項目抽出手段と、を備え、
   前記精度算出手段は、前記指標化項目取得手段が取得した前記指標化項目と、前記顧客保有項目取得手段が取得した前記顧客保有項目と、前記候補項目抽出手段が抽出した前記候補項目とを用いて分類項目を作成し、前記精度を再度算出することを特徴とする顧客推定装置。
6. 前記候補項目抽出手段は、再度算出された前記精度が、初回に算出された前記精度より向上した場合に、前記候補項目の入手を顧客に促すことを特徴とする請求項５に記載の顧客推定装置。
7. 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取得部が、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から、指標化すべき指標化項目を取得する指標化項目取得ステップと、
   前記データ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、
   前記ソースデータが有する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、
   前記コンピュータのデータ処理部が、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前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、
   前記データ処理部が、前記分類項目作成ステップで作成された前記分類項目に対して、前記機械学習モデルが有する規則に基づいて現状での指標化の可能性を示す精度を算出する精度算出ステップと、
   前記データ処理部が、前記分類項目の内容から、前記顧客保有項目に含まれていない、前記精度を向上させる要素となる候補項目を抽出する候補項目抽出ステップと、を備え、
   前記分類項目作成ステップでは、前記指標化項目取得ステップで取得した前記指標化項目と、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、前記候補項目抽出ステップで抽出した前記候補項目とから新たな分類項目を作成し、
   前記精度算出ステップでは、前記分類項目作成ステップで作成された前記新たな分類項目に対して前記精度を算出することを特徴とする顧客推定方法。
8. 前記候補項目抽出ステップでは、再度算出された前記精度が、初回に算出された前記精度より向上した場合に、前記候補項目の入手を顧客に促すことを特徴とする請求項７に記載の顧客推定方法。

Images