JP7157680B2

JP7157680B2 - ダイレクトマーケティング支援装置、方法、およびプログラム

Info

Publication number: JP7157680B2
Application number: JP2019031954A
Authority: JP
Inventors: 美穂宇田川; 俊徳笹谷
Original assignee: Tokyo Gas Co Ltd
Current assignee: Tokyo Gas Co Ltd
Priority date: 2019-02-25
Filing date: 2019-02-25
Publication date: 2022-10-20
Anticipated expiration: 2039-02-25
Also published as: JP2020135751A

Description

本発明は、ダイレクトマーケティングを支援するための技術に関する。

従来、顧客に直接アプローチして、そのアプローチに対する顧客の反応を測定するマーケティング手法（ダイレクトマーケティングとも呼ばれる）がある。例えば、企業は、顧客に商品・サービスを案内するダイレクトメールを発送したり、電話をかけたり、電子メールを送信したりといった施策を実施することによって、顧客にアプローチしている。

このような施策を実施する際に、過去の施策に対する顧客の反応を参考にすることがある。例えば、特許文献１では、ダイレクトメールへの過去の反応に基づいて、ダイレクトメールを発送するのに有効な顧客を見積もることのできる方法が開示されている。具体的には、特許文献１では、ダイレクトメール反応顧客情報（発送したダイレクトメールに反応した顧客の情報）に基づいて、ダイレクトメールを発送する顧客についての傾向、パターン、相関関係等を見つけ出している（特許文献１の段落［００１７］、［００１９］参照）。

特開２００２－２５９８８９号公報

しかしながら、特許文献１では、過去にダイレクトメールを発送したことがない顧客については、ダイレクトメールに対する反応が分からないため、これから発送するダイレクトメールの発送対象顧客とはなりえなかった。

そこで、本発明は、ダイレクトマーケティングの施策を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測することを目的とする。

本発明の一態様は、顧客の属性情報からダイレクトマーケティングの施策に対する前記顧客の反応のスコアを算出するためのスコアリングモデルを格納したスコアリング格納部と、前記スコアリングモデルに、前記施策を実施したことがない顧客の属性情報を入力することによって、前記施策を実施したことがない顧客に前記施策を実施した場合に期待される反応のスコアを算出する、スコアリング部とを備える。

本発明によれば、ダイレクトマーケティングの施策を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測することができる。

本発明の一実施形態に係るダイレクトマーケティング支援装置を含む全体の構成図である。本発明の一実施形態に係るダイレクトマーケティング支援装置の機能ブロック図である。本発明の一実施形態に係る顧客属性格納部に格納されている顧客属性データの一例である。本発明の一実施形態に係る施策内容格納部に格納されている施策内容データの一例である。本発明の一実施形態に係る施策結果格納部に格納されている施策結果データの一例である。本発明の一実施形態に係るスコアリング格納部に格納されているスコアリングデータの一例である。本発明の一実施形態に係る顧客価値データの一例である。本発明の一実施形態に係る施策費用データの一例である。本発明の一実施形態に係るスコアリング処理のフローチャートである。本発明の一実施形態に係るリスト出力処理のフローチャートである。本発明の一実施形態に係るターゲティング最適化処理のフローチャートである。本発明の一実施形態に係るダイレクトマーケティング支援装置のハードウェア構成を示すブロック図である。

以下、図面に基づいて本発明の実施の形態を説明する。

図１は、本発明の一実施形態に係るダイレクトマーケティング支援装置（以下、単に"支援装置"とも呼ぶ）１０１を含む全体の構成図である。全体の構成図には、支援装置１０１、１または複数のリスト出力端末１０２が含まれうる。以下、それぞれについて説明する。

支援装置１０１は、ダイレクトマーケティングの施策（例えば、顧客に商品・サービスを案内するダイレクトメールを発送する、電話をかける、電子メールを送信する等の施策）を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測するための装置である。また、支援装置１０１は、所定の条件を満たす顧客のリストを作成するための装置である。支援装置１０１は、１または複数のコンピュータからなる。支援装置１０１は、任意のネットワーク１０３を介して、リスト出力端末１０２とデータを送受信することができる。後段で、図２を参照しながら、支援装置１０１について詳細に説明する。

リスト出力端末１０２は、所定の条件を満たす顧客のリストを取得するための端末である。リスト出力端末１０２は、パーソナルコンピュータ、タブレット、スマートフォン等のコンピュータである。リスト出力端末１０２は、任意のネットワーク１０３を介して、支援装置１０１とデータを送受信することができる。具体的には、リスト出力端末１０２は、所定の条件（例えば、実施予定のダイレクトマーケティングの施策の内容、その施策で顧客にアプローチする手段（ダイレクトメール、電話、電子メール等）、その施策の対象となる顧客の人数、予算等）のデータを支援装置１０１へ送信する。また、リスト出力端末１０２は、所定の条件を満たす顧客のリストのデータを支援装置１０１から受信する。

図２は、本発明の一実施形態に係る支援装置１０１の機能ブロック図である。支援装置１０１は、スコアリング部２０１、顧客属性格納部２０３、施策内容格納部２０４、施策結果格納部２０５、スコアリング格納部２０６を含む。また、支援装置１０１は、プログラムを実行することでスコアリング部２０１として機能する。なお、支援装置１０１は、リスト作成部２０２を含む構成とすることもできる。また、支援装置１０１は、プログラムを実行することでリスト作成部２０２として機能する構成とすることもできる。以下、それぞれについて説明する。

スコアリング部２０１は、顧客属性格納部２０３、施策内容格納部２０４、施策結果格納部２０５を参照のうえ、ダイレクトマーケティングの施策を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測する。具体的には、スコアリング部２０１は、スコアリングモデルを用いて、所定の施策を実施したことがない顧客にその施策を実施した場合に期待される反応を点数化（スコアリング）して算出する。さらに、スコアリング部２０１は、スコアリングモデルを用いて、所定の施策を実施したことがある顧客についても、その施策を実施したときの反応を点数化（スコアリング）して算出することができる（なお、後述するように、顧客の属性情報からスコアを算出するので、施策を実施したときの反応が同じ顧客であったとしても、それらの顧客のスコアが互いに異なるスコアとなることもある）。スコアリング部２０１は、スコアリングした結果（スコア）をスコアリング格納部２０６に格納する。スコアリング部２０１について詳細に説明する前に、顧客属性格納部２０３、施策内容格納部２０４、施策結果格納部２０５、スコアリング格納部２０６について説明する。

顧客属性格納部２０３には、顧客ごとに、顧客の属性情報が格納されている。例えば、顧客の属性情報は、ガス、電気等のエネルギを供給する事業者（例えば、ガス小売事業者、小売電気事業者等。以下、エネルギ供給事業者ともいう）が顧客の情報を管理しているシステムから取得される。図３を参照しながら、顧客属性格納部２０３に格納されているデータについて詳細に説明する。

図３は、本発明の一実施形態に係る顧客属性格納部２０３に格納されている顧客属性データ３００の一例である。図３に示されるように、顧客属性データ３００は、例えば、「顧客」、「属性情報（例えば、エネルギ使用量、ガス料金支払方法、コンロ種別名、機器修理・点検実施等）」といった項目のデータを含む。

「顧客」は、顧客を識別するための情報である。例えば、顧客を識別するための情報は、エネルギ供給事業者が顧客ごとに付与した顧客番号である。

「属性情報」は、その顧客の属性情報である。属性情報は、顧客に関する任意の情報であってよい。例えば、属性情報は、エネルギ使用量、ガス料金支払方法（例えば、クレジットカード払い、口座振替、払込書等）、コンロ種別名（例えば、ビルトインコンロ、テーブルコンロ等）、機器修理・点検実施の有無等である。

なお、「エネルギ使用量」は、その顧客のエネルギの使用量である。エネルギ使用量は、任意の期間におけるエネルギ使用量（例えば、１か月間のエネルギ使用量、１年間のエネルギ使用量等）であってよい。また、複数のエネルギ使用量（例えば、ｎか月分、ｎ年分等）が格納されてもよい。また、複数の種類のエネルギの使用量（例えば、ガスの使用量と電気の使用量）が格納されてもよい。また、スマートメータが取得した３０分単位などの所定の時間のエネルギ使用量（複数回分（つまり、３０分間のエネルギ使用量が複数回分）または一回分（つまり、３０分間のエネルギ使用量のみ））が格納されてもよい。

図２に戻る。施策内容格納部２０４には、ダイレクトマーケティングの施策ごとに、施策に関する情報が格納されている。図４を参照しながら、施策内容格納部２０４に格納されているデータについて詳細に説明する。

図４は、本発明の一実施形態に係る施策内容格納部２０４に格納されている施策内容データ４００の一例である。図４に示されるように、施策内容データ４００は、例えば、「施策」、「内容」、「アプローチ手段」、「対象顧客」といった項目のデータを含む。

「施策」は、ダイレクトマーケティングの施策を識別するための情報である。例えば、ダイレクトマーケティングの施策を識別するための情報は、施策ＩＤ、施策名（例えば、キャンペーン名等）等である。

「内容」は、その施策の内容（つまり、顧客にオファー（提案）した取引内容）である。例えば、内容は、新規の電気契約の申込み等である。

「アプローチ手段」は、その施策で顧客にアプローチした手段である。例えば、アプローチ手段は、ダイレクトメール、電話、電子メール等である。

「対象顧客」は、その施策の対象となった顧客（つまり、ダイレクトメールを発送された顧客、架電された顧客、電子メールを送信された顧客等）を特定するための情報（例えば、顧客番号）である。

図２に戻る。施策結果格納部２０５には、ダイレクトマーケティングの施策ごとに、その施策に対する各顧客の反応の情報が格納されている。図５を参照しながら、施策結果格納部２０５に格納されているデータについて詳細に説明する。

図５は、本発明の一実施形態に係る施策結果格納部２０５に格納されている施策結果データ５００の一例である。図５に示されるように、施策結果データ５００は、例えば、「施策」、「顧客」、「反応」といった項目のデータを含む。

「施策」は、ダイレクトマーケティングの施策を識別するための情報である。例えば、ダイレクトマーケティングの施策を識別するための情報は、施策ＩＤ、施策名（キャンペーン名等）等である。

「顧客」は、その施策の対象となった顧客（つまり、ダイレクトメールを発送された顧客、架電された顧客、電子メールを送信された顧客等）を特定するための情報（例えば、顧客番号）である。

「反応」は、その施策を実施したときのその顧客の反応である。反応は、反応有り（例えば、申込み有り、問い合わせ有り）、反応無しといった任意の反応であってよい。

なお、施策内容データ４００と施策結果データ５００とは、施策ＩＤや施策名等のダイレクトマーケティングの施策を識別するための情報で紐付けられる。

図２に戻る。スコアリング格納部２０６には、スコアリング部２０１がスコアリングした結果（スコア）が格納されている。図６を参照しながら、スコアリング格納部２０６に格納されているデータについて詳細に説明する。

図６は、本発明の一実施形態に係るスコアリング格納部２０６に格納されているスコアリングデータ６００の一例である。図６に示されるように、スコアリングデータ６００は、例えば、「顧客」、「属性情報」、「所定の施策を実施したときの反応」、「スコア」といった項目のデータを含む。

「属性情報」は、その顧客の属性情報である。上述したように、属性情報は、顧客に関する任意の情報であってよい。

「所定の施策を実施したときの反応」は、所定の内容（例えば、図６の上の表では"施策内容Ａ"、図６の下の表では"施策内容Ｂ"）および所定のアプローチ手段（例えば、図６では"ダイレクトメール"、"電話"、"電子メール"）の施策を実施したときの各顧客の反応を示す。図６の網掛け部分（つまり、施策内容Ａの顧客Ａの"ダイレクトメール"、"電話"、"電子メール"、顧客Ｃの"ダイレクトメール"、施策内容Ｂの顧客Ｂの"ダイレクトメール"、顧客Ｄの"ダイレクトメール"、"電話"、"電子メール"）は、過去に該施策を実施したことがないことを示している。

「スコア」は、スコアリング部２０１がスコアリングしたスコアである。図６に示されるように、過去に施策を実施したことがない顧客にも実施したことがある顧客にもスコアが付与される。

図２に戻る。以下、スコアリング部２０１のスコアリング方法を詳細に説明する。

＜スコアリングモデルの作成＞
スコアリング部２０１は、スコアリングモデルを作成する。以下、＜＜統計分析によるスコアリングモデルの作成＞＞と＜＜機械学習によるスコアリングモデルの作成＞＞とに分けて説明する。

＜＜統計分析によるスコアリングモデルの作成＞＞
スコアリング部２０１は、統計分析に基づいて作成されたスコアリングモデルを用いることができる。スコアリングモデルは、顧客の属性情報からスコアを算出するためのモデル（例えば、ロジスティック回帰モデル等の統計的モデル）である。具体的には、顧客の属性情報と、過去に所定の施策（例えば、所定の内容の施策、所定のアプローチ手段の施策、所定の内容かつアプローチ手段の施策等）を実施したときの反応とをもとに、スコアリングモデルが作成される。まず、過去に所定の施策を実施したときに反応が良かった（例えば、申込み有り等）顧客の属性情報が参照される。そして、過去に所定の施策を実施したときに反応が良かった顧客の多数に備わっている属性情報（例えば、ガス料金支払方法がクレジットカード払いである等）が抽出される。つまり、過去に所定の施策を実施したときに反応が良かった顧客の特性が見出される。スコアリングモデルは、過去に所定の施策を実施したときに反応が良かった顧客の多数に備わっている属性情報と同一の属性情報を備える者のスコアが高くなるように定められる。具体的な算出にあたっては、例えば過去の所定の施策に対する反応を１または０の値をとる目的変数とし、顧客の属性情報を説明変数とする統計モデルにより求められる。
＜＜機械学習によるスコアリングモデルの作成＞＞
スコアリング部２０１は、機械学習によって、スコアリングモデルを作成することができる。具体的には、スコアリング部２０１は、顧客の属性情報と過去に施策を実施したときの反応とを教師データとして機械学習を行って、スコアリングモデルを作成する。具体的な算出にあたっては、過去の所定の施策に対する反応を１または０の値をとる目的変数とし、顧客の属性情報を説明変数とする教師有り機械学習のモデルなどにより求められる。

＜スコアの算出＞
スコアリング部２０１は、＜＜統計分析によるスコアリングモデルの作成＞＞および＜＜機械学習によるスコアリングモデルの作成＞＞で作成したスコアリングモデルを用いて、顧客のスコアを算出する。具体的には、スコアリング部２０１は、スコアリングモデルに顧客の属性情報を入力して、顧客のスコアを出力する。顧客の属性情報は、過去に施策を実施したことがない顧客の属性情報であってもよいし、実施したことがある顧客の属性情報であってもよい。

このように、本発明では、顧客の属性情報と、過去に施策を実施したときの反応とをもとに作成されたスコアリングモデルを用いることによって、過去に施策を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測することができる。

図２に戻る。リスト作成部２０２は、リスト出力端末１０２からの要求に応じて、所定の条件を満たす顧客のリストを作成する。具体的には、リスト作成部２０２は、所定の条件（例えば、実施予定のダイレクトマーケティングの施策の内容、その施策で顧客にアプローチする手段（ダイレクトメール、電話、電子メール等）、その施策の対象となる顧客の人数、予算等）のデータをリスト出力端末１０２から受信する。また、リスト作成部２０２は、所定の条件を満たす顧客のリストを作成して、作成した顧客のリストのデータをリスト出力端末１０２へ送信する。以下、リスト作成部２０２のリスト作成方法を詳細に説明する。

＜スコアに基づくリスト作成＞
リスト作成部２０２は、顧客のスコアに基づいて、所定の条件を満たす顧客のリストを作成することができる。具体的には、リスト作成部２０２は、所定の条件で指定された施策（例えば、所定の内容の施策、所定のアプローチ手段の施策、所定の内容かつアプローチ手段の施策等）における顧客のスコアを参照する。また、リスト作成部２０２は、所定の条件で指定された人数分の顧客をスコアが高い方から順に抽出して、リストを作成する。なお、リスト作成部２０２は、所定の条件で指定された属性情報を備える顧客のみを抽出するようにすることもできる。

＜スコア・顧客価値・施策費用に基づくリスト作成（ターゲティング最適化）＞
リスト作成部２０２は、顧客のスコアと、顧客の価値（その顧客から得られうる売上や利益。以下、顧客価値ともいう）と、施策費用とに基づいて、所定の条件を満たす顧客のリストを作成することができる。具体的には、リスト作成部２０２は、所定の条件で指定された施策（例えば、所定の内容かつアプローチ手段の施策等）における顧客のスコアを参照する。また、リスト作成部は、スコアリング格納部２０６に格納される図７のような顧客価値データ７００および図８のような施策費用データ８００を参照する。

顧客価値データ７００は、施策の内容（つまり、顧客にオファー（提案）した取引内容）が実現した場合にその顧客から得られうる売上や利益（例えば、ガス事業における売上や利益、電気事業における売上や利益、その他のサービスにおける売上や利益）を示す。その顧客から得られうる売上や利益は、その顧客の現在までの契約年数や将来の契約年数（推計値）、現在までのエネルギ使用量や将来のエネルギ使用量（推計値）に基づいて決定されてもよい。

施策費用データ８００は、所定の施策（例えば、所定の内容かつアプローチ手段の施策等）を実施するためにかかる費用（例えば、顧客１人あたりの費用）を示す。例えば、図８では、施策内容Ａのダイレクトメールの場合の単価、電話の場合の単価、電子メールの単価が示されている。

例えば、リスト作成部２０２は、スコアと顧客価値と施策費用とに基づいて、所定の条件で指定された人数分の顧客であり、施策費用の合計が所定の条件で指定された予算制約を満たし、かつ、施策費用を差し引いた売上や利益が最大になる顧客を抽出して、リストを作成することができる。

このように、本発明の一実施形態では、単にスコアが高い顧客（つまり、反応が良いと期待される顧客）が選定されるだけでなく、その顧客価値や施策の費用も考慮したうえで、最適な顧客が選定（ターゲティングが最適化）される。

図９は、本発明の一実施形態に係るスコアリング処理のフローチャートである。

ステップ９０１（Ｓ９０１）において、スコアリング部２０１は、顧客属性格納部２０３に格納されている顧客の属性情報を読み出す。

ステップ９０２（Ｓ９０２）において、スコアリング部２０１は、スコアリングモデルに、Ｓ９０１で読み出した顧客の属性情報を入力する。

ステップ９０３（Ｓ９０３）において、スコアリング部２０１は、Ｓ９０２のスコアリングモデルを用いて顧客のスコアを算出する。

図１０は、本発明の一実施形態に係るリスト出力処理のフローチャートである。

ステップ１００１（Ｓ１００１）において、リスト作成部２０２は、所定の条件のデータをリスト出力端末１０２から受信する。

ステップ１００２（Ｓ１００２）において、リスト作成部２０２は、所定の条件を満たす顧客のリストを作成する。

ステップ１００３（Ｓ１００３）において、リスト作成部２０２は、Ｓ１００２で作成した顧客のリストのデータをリスト出力端末１０２へ送信する。

図１１は、本発明の一実施形態に係るターゲティング最適化処理のフローチャートである。

ステップ１１０１（Ｓ１１０１）において、リスト作成部２０２は、所定の条件のデータをリスト出力端末１０２から受信する。

ステップ１１０２（Ｓ１１０２）において、リスト作成部２０２は、スコアリング格納部２０６に格納されている顧客のスコアを読み出す。

ステップ１１０３（Ｓ１１０３）において、リスト作成部２０２は、スコアリング格納部２０６に格納されている顧客価値を読み出す。

ステップ１１０４（Ｓ１１０４）において、リスト作成部２０２は、スコアリング格納部２０６に格納されている施策費用を読み出す。

なお、Ｓ１１０２、Ｓ１１０３、Ｓ１１０４は、任意の順序で、あるいは、同時に行われてもよい。

ステップ１１０５（Ｓ１１０５）において、リスト作成部２０２は、Ｓ１１０２で読み出した顧客のスコアと、Ｓ１１０３で読み出した顧客価値と、Ｓ１１０４で読み出した施策費用とに基づいて、所定の条件を満たす顧客のリストを作成する。

ステップ１１０６（Ｓ１１０６）において、リスト作成部２０２は、Ｓ１１０５で作成した顧客のリストのデータをリスト出力端末１０２へ送信する。

図１２は、本発明の一実施形態に係るダイレクトマーケティング支援装置１０１のハードウェア構成を示すブロック図である。支援装置１０１は、ＣＰＵ（Central Processing Unit）１、ＲＯＭ（Read Only Memory）２、ＲＡＭ（Random Access Memory）３を有する。ＣＰＵ１、ＲＯＭ２、ＲＡＭ３は、いわゆるコンピュータを形成する。

また、支援装置１０１は、補助記憶装置４、表示装置５、操作装置６、Ｉ／Ｆ（Interface）装置７、ドライブ装置８を有する。なお、支援装置１０１の各ハードウェアは、バス９を介して相互に接続されている。

ＣＰＵ１は、補助記憶装置４にインストールされている各種プログラムを実行する演算デバイスである。

ＲＯＭ２は、不揮発性メモリである。ＲＯＭ２は、補助記憶装置４にインストールされている各種プログラムをＣＰＵ１が実行するために必要な各種プログラム、データ等を格納する主記憶デバイスとして機能する。具体的には、ＲＯＭ２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する、主記憶デバイスとして機能する。

ＲＡＭ３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ３は、補助記憶装置４にインストールされている各種プログラムがＣＰＵ１によって実行される際に展開される作業領域を提供する、主記憶デバイスとして機能する。

補助記憶装置４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。

表示装置５は、支援装置１０１の内部状態等を表示する表示デバイスである。

操作装置６は、支援装置１０１の管理者が支援装置１０１に対して各種指示を入力する入力デバイスである。

Ｉ／Ｆ装置７は、ネットワーク１０３に接続し、リスト出力端末１０２と通信を行うための通信デバイスである。

ドライブ装置８は記録媒体１０をセットするためのデバイスである。ここでいう記録媒体１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体１０には、ＥＰＲＯＭ (Erasable Programmable Read Only Memory)、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置４にインストールされる各種プログラムは、例えば、配布された記録媒体１０がドライブ装置８にセットされ、該記録媒体１０に記録された各種プログラムがドライブ装置８により読み出されることでインストールされる。あるいは、補助記憶装置４にインストールされる各種プログラムは、Ｉ／Ｆ装置７を介して、ネットワーク１０３とは異なる他のネットワークよりダウンロードされることでインストールされてもよい。

このように、本発明では、ダイレクトマーケティングの施策を実施したことがない顧客に対して該施策を実施した場合に期待される反応を推測することができる。

以上、本発明の実施例について詳述したが、本発明は上述した特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０１ダイレクトマーケティング支援装置
１０２リスト出力端末
１０３ネットワーク
２０１スコアリング部
２０２リスト作成部
２０３顧客属性格納部
２０４施策内容格納部
２０５施策結果格納部
２０６スコアリング格納部
３００顧客属性データ
４００施策内容データ
５００施策結果データ
６００スコアリングデータ
７００顧客価値データ
８００施策費用データ

Claims

顧客の属性情報からダイレクトマーケティングの施策に対する前記顧客の反応のスコアを算出するためのスコアリングモデルを格納したスコアリング格納部と、
前記スコアリングモデルに、前記施策を実施したことがない顧客の属性情報を入力することによって、前記施策を実施したことがない顧客に前記施策を実施した場合に期待される反応のスコアを算出する、スコアリング部と
を備え、
前記スコアリングモデルは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする機械学習モデル、あるいは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする統計モデルである、
ダイレクトマーケティング支援装置。
前記スコアリングモデルは、前記施策を実施した顧客の属性情報と、前記施策に対する前記施策を実施した顧客の反応とをもとに作成される、請求項１に記載のダイレクトマーケティング支援装置。
前記スコアに基づいて、所定の条件を満たす顧客のリストを作成するリスト作成部をさらに備えた請求項１または２に記載のダイレクトマーケティング支援装置。
前記スコアと、顧客価値と、前記施策の費用とに基づいて、所定の条件を満たす顧客のリストを作成するリスト作成部をさらに備えた請求項１または２に記載のダイレクトマーケティング支援装置。
前記スコアリング部は、前記スコアリングモデルに、前記施策を実施したことがある顧客の属性情報を入力することによって、前記施策を実施したことがある顧客に前記施策を実施したときの反応のスコアを算出し、
前記リスト作成部は、前記施策を実施したことがない顧客および前記施策を実施したことがある顧客のスコアに基づいて、所定の条件を満たす顧客のリストを作成する、請求項３または４に記載のダイレクトマーケティング支援装置。
コンピュータが実行する方法であって、
顧客の属性情報からダイレクトマーケティングの施策に対する前記顧客の反応のスコアを算出するためのスコアリングモデルに、前記施策を実施したことがない顧客の属性情報を入力することによって、前記施策を実施したことがない顧客に前記施策を実施した場合に期待される反応のスコアを算出するステップ
を含み、
前記スコアリングモデルは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする機械学習モデル、あるいは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする統計モデルである、
方法。
顧客の属性情報からダイレクトマーケティングの施策に対する前記顧客の反応のスコアを算出するためのスコアリングモデルを格納し、
前記スコアリングモデルに、前記施策を実施したことがない顧客の属性情報を入力することによって、前記施策を実施したことがない顧客に前記施策を実施した場合に期待される反応のスコアを算出する
処理をコンピュータに実行させ、
前記スコアリングモデルは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする機械学習モデル、あるいは、前記施策に対する反応を目的変数とし、前記顧客の属性情報を説明変数とする統計モデルである、
プログラム。