JP7230416B2 - 要望推薦システム、要望推薦方法および要望推薦プログラム - Google Patents

Description

本発明は、顧客のニーズに則した情報を推薦する要望推薦システム、要望推薦方法および要望推薦プログラムに関する。

営業職員は顧客を獲得するため、また、営業を支援する部門は稼働率を高めるため、優績者のノウハウを活用できることが望まれている。一方、対顧客を中心とする営業の特性上、優績者のノウハウは、データ化されておらず、個人の中でクローズされており、共有されていない状態にあると言える。

経験の浅い営業職員は、そのようなノウハウの蓄積が少なく、またノウハウの習得にも個人差があり時間を要する。そのため、経験の浅い営業職員であっても、顧客に対して適切な提案をできるようにする方法が各種提案されている。

例えば、特許文献１には、最適保険商品の組合せを提示および提案する保険自動設計装置が記載されている。特許文献１に記載された保険自動設計装置は、個人のデータから時系列的に収支のバランスを求め、これによって算出される必要保障額を満たす保険の組合せを求める。

また、特許文献２には、保険等の金融商品を個客のニーズに応じて自動的に設計する金融商品設計装置が記載されている。特許文献２に記載された装置は、個客のリスクに対する認識度を数値化して個客の属性情報に基づき必要保障額を求め、必要保障額を満たす最適化された保険商品等を設計する。

特開２００１－３１９０５１号公報 特開平８－２８７１５９号公報

特許文献１や特許文献２に記載された装置を利用することで、最適化された商品の組合せを設計できるため、経験の浅い営業職員であっても、不安を低減させながら顧客への提案活動を行うことが可能である。

しかし、特許文献１に記載された装置は、必要保障額を求めるために必要な標準値、平均値の統計データ等から機械的に商品の組合せを設計しているだけであり、顧客の意識については考慮されていない。そのため、設計された商品の組合せが顧客のニーズを十分に反映しているとは言い難い。

また、特許文献２に記載された装置は、個客の認識を表す不安度等の定性情報に基づいてリスク認識度（リスクに対する個客の不安度）を算出し、個客の認識したリスクに対する個客の属性情報に基づいた必要保障額を算出する。その際、基本属性ごとのリスク特性を捉えた基本モデルが用いられるが、特許文献２には、基本モデルの生成方法については記載されていない。

顧客（見込み顧客）に対して適切な提案をできるようにするためには、目的に資する見込み顧客情報を適切に収集し、収集された情報に基づいてノウハウを構築したり、適切な提案を導出するためのモデルを生成したりできることが好ましい。

営業の特性上、顧客に関する有用な情報は、対顧客とのやり取りの中で収集できると考えられる。しかし、そのような有用な情報の収集は、経験の浅い営業職員だけでは困難であり、また、優績者から収集できるノウハウにも限界がある。さらに、顧客のニーズにあった情報を推薦できるようにするためには、情報を推薦するＡＩ（Artificial Intelligence ）を適切に学習できるような情報を適切に収集することも必要になる。そのため、経験の有無に関わらず、顧客に対して、顧客のニーズにあった情報を推薦できるようにするとともに、対顧客とのやり取りの中から目的に資する情報を適切に収集できる方法が望まれている。

そこで、本発明は、顧客の要望に適した情報を推薦しながら、対顧客とのやり取りの中で目的に資する情報を適切に収集できる要望推薦システム、要望推薦方法および要望推薦プログラムを提供することを目的とする。

本発明による要望推薦システムは、学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習部と、予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力部と、質問に対して入力された回答を予測モデルに適用して顧客の要望を予測する予測部と、予測の結果に基づいて、顧客への推薦結果を出力する推薦結果出力部と、推薦結果及びその推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成部とを備え、学習部が、態様ごとに複数の予測モデルを学習し、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習し、推薦結果出力部が、予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力することを特徴とする。

本発明による要望推薦方法は、コンピュータが、学習データに基づいて、顧客の要望を予測するための予測モデルを態様ごとに複数学習し、コンピュータが、予測モデルに含まれる説明変数の値を導出するための質問を出力し、コンピュータが、質問に対して入力された回答を予測モデルに適用して顧客の要望を予測し、コンピュータが、予測の結果に基づいて、顧客への推薦結果を出力し、コンピュータが、推薦結果及びその推薦結果に対して入力された顧客の反応に基づいて学習データを生成し、コンピュータが、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習し、コンピュータが、推薦結果を出力する際、予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力することを特徴とする。

本発明による要望推薦プログラムは、コンピュータに、学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習処理、予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力処理、質問に対して入力された回答を予測モデルに適用して顧客の要望を予測する予測処理、予測の結果に基づいて、顧客への推薦結果を出力する推薦結果出力処理、および、推薦結果及びその推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成処理を実行させ、学習処理で、態様ごとに複数の予測モデルを学習させ、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習させ、推薦結果出力処理で、予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化させ、標準化された予測の結果の順位に応じて推薦結果を出力させることを特徴とする。

本発明によれば、顧客の要望に適した情報を推薦しながら、対顧客とのやり取りの中で目的に資する情報を適切に収集できる。

本発明による要望推薦システムの第一の実施形態の構成例を示すブロック図である。 ニーズモデルの学習に用いる学習データの例を示す説明図である。 購買スタイルモデルの学習に用いる学習データの例を示す説明図である。 支払余力モデルの学習に用いる学習データの例を示す説明図である。 質問を出力した画面の例を示す説明図である。 レコメンド一覧および検索画面の表示例を示す説明図である。 予測に用いられる予測用データの例を示す説明図である。 予測結果の例を示す説明図である。 予測の結果を標準化する処理の例を示す説明図である。 推薦結果の出力例を示す説明図である。 推薦結果の例を示す説明図である。 第一の実施形態の要望推薦システムの動作例を示すフローチャートである。 本発明による要望推薦システムの第二の実施形態の構成例を示すブロック図である。 本発明による要望推薦システムの概要を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。以下の説明では、顧客とは、商品の提供を受ける者を意味し、ユーザとは、顧客に対して商品を提供する者を意味する。本実施形態では、顧客に対する質問の回答をインタラクティブに得られる状況を想定する。なお、回答を得る環境は、面と向かった直接対話の状態に限定されず、テレビ電話やチャットなどであってもよい。また、以下では、顧客に販売する商品として保険を例に説明する。ただし、本実施形態で対象とする商品は保険に限定されず、家や住宅、車、金融商品など、顧客との対話から購入に結び付ける態様の商品であれば、その内容は任意である。

実施形態１．
図１は、本発明による要望推薦システムの第一の実施形態の構成例を示すブロック図である。本実施形態の要望推薦システム１００は、記憶部１０と、学習データ入力部１２と、学習部１４と、説明変数選択部１６と、質問登録部１８と、質問出力部２０と、回答入力部３０と、予測用データ加工部４０と、予測部４２と、推薦結果出力部５０と、反応入力部６０と、学習データ生成部７０とを備えている。

記憶部１０は、要望推薦システム１００で利用する各種情報を記憶する。具体的には、記憶部１０は、後述する学習部１４が用いる学習データを記憶する。さらに、記憶部１０は、後述する予測用データ加工部４０が、予測用データを生成する際に用いる各種情報を記憶する。なお、記憶部１０が記憶する具体的内容は、後述される。

本実施形態では、記憶部１０が要望推薦システム１００に含まれる場合を例に説明する。ただし、記憶部１０は、要望推薦システム１００に含まれていなくてもよく、他のシステム（図示せず）と通信ネットワーク網を介して要望推薦システム１００と通信可能に接続されていてもよい。記憶部１０は、例えば、磁気ディスク等により実現される。

学習データ入力部１２は、学習部１４に学習データを入力する。具体的には、学習データ入力部１２は、記憶部１０に記憶された学習データを取得して、取得した学習データを学習部１４に入力する。また、学習データ入力部１２は、後述する学習データ生成部７０によって生成された学習データを学習部１４に入力する。

学習部１４は、入力された学習データに基づいて、顧客の要望を予測するための予測モデルを学習する。以下の説明では、説明を容易にするため、学習部１４が、顧客の要望を予測するための予測モデルとして、３種類の態様の予測モデルを生成する場合について説明する。ただし、生成されるモデルは以下の３種類の態様の予測モデルに限定されず、顧客の要望を予測するためのモデルであれば、モデルの内容は任意である。

本実施形態では、学習部１４は、具体例として、ユーザが商品を購入するニーズを表わすモデル（以下、ニーズモデルと記す。）、商品を購入する顧客の購買スタイルを表わすモデル（以下、購買スタイルモデルと記す。）、および、商品を購入する際の支払余力を表わすモデル（以下、支払余力モデルと記す。）の３種類の態様のモデルを学習するものとする。

学習部１４は、態様ごとに複数の予測モデルを学習してもよい。具体的には、本実施形態では、ユーザのニーズとして、以下の表１に例示する９つのニーズを想定する。学習部１４は、ニーズごとに予測モデルを学習する。すなわち、本実施形態では、学習部１４は、ニーズごとに９つのニーズモデルを学習する。図２は、ニーズモデルの学習に用いる学習データの例を示す説明図である。

図２に示す例では、各ニーズにおける購入の有無を目的変数とし、年齢、性別、都道府県、結婚の有無、年収および職業を説明変数として含む学習データが用いられることを示す。なお、図２に例示する目的変数について、１が購入を表わし、０が未購入を表わす。図２に例示する学習データは、ニーズごとに用意される。

また、本実施形態では、ユーザの購買スタイルとして、以下の表２に例示する４つの購買スタイルを想定する。すなわち、本実施形態では、学習部１４は、購買スタイルごとに４つの購買スタイルモデルを学習する。図３は、購買スタイルモデルの学習に用いる学習データの例を示す説明図である。

図３に示す例では、各購買スタイルにおける購入の有無を目的変数とし、年齢、性別、都道府県、結婚の有無、年収および職業を説明変数として含む学習データが用いられることを示す。なお、図３に例示する目的変数についても、１が購入を表わし、０が未購入を表わす。図３に例示する学習データも、購買スタイルごとに用意される。

また、学習部１４は、支払額を目的変数とする予測モデルを学習してもよい。図４は、支払余力モデルの学習に用いる学習データの例を示す説明図である。図４に示す例では、月ごとの支払保険額を目的変数とし、年齢、性別、都道府県、結婚の有無、年収および職業を説明変数として含む学習データが用いられることを示す。

説明変数選択部１６は、予測モデルに含める１つ以上の説明変数の選択をユーザから受け付ける。具体的には、説明変数選択部１６は、学習部１４によって学習された予測モデルに含まれる説明変数の中から、１つ以上の説明変数の選択を受け付けてもよい。また、説明変数選択部１６は、予測モデルに含まれない説明変数（すなわち、予測モデルに新たに追加する説明変数）を受け付けてもよい。

ここで受け付ける説明変数は、後述する回答入力部３０が顧客からの回答によって特定しようとする説明変数である。予測モデルに含まれる説明変数が多すぎると、顧客に対して要求する回答の数が増加してしまい、顧客満足度を低下させる要因になり得る。一方、本実施形態では、説明変数選択部１６が、顧客に回答を依頼する内容として、予測モデルに含める説明変数の選択を受け付ける。そのため、ユーザによる回答の負荷を低減させることができ、営業におけるスムーズな対話が可能になる。

ユーザは、例えば、予測をする際に影響の大きい説明変数を選択してもよいし、顧客に必ず答えてもらえるような回答から特定される説明変数を選択してもよい。説明変数選択部１６は、学習部１４によって学習された予測モデルを、ディスプレイ装置などの表示装置（図示せず）に表示し、ユーザからの選択を受け付けてもよい。

なお、説明変数選択部１６によって説明変数が選択された場合、学習部１４は、選択された説明変数で構成される予測モデルを再度学習し、新たな予測モデルを生成する。以降、説明変数の内容が変更されなくなるまで、選択および学習の処理が繰り返される。

質問登録部１８は、選択された説明変数の値を導出するため、顧客に入力してもらうための質問を登録する。具体的には、質問登録部１８は、説明変数に対応させて、その説明変数を導出するための質問を記憶部１０に登録する。また、説明変数の値を直接顧客に回答させることが難しい場合など、質問に対する回答から説明変数の値に変換が必要な場合、質問登録部１８は、質問に対する回答から説明変数の値への変換方法を、説明変数および質問と対応させて登録してもよい。また、変換方法に、任意のデータベースからの検索方法が定義されていてもよい。

例えば、ＡＩの専門家による判断により、デモグラフィック情報として運転免許に関する値を説明変数として導出したいとする。この場合、質問登録部１８は、「あなたは、現在運転免許を持っていますか。」という質問とともに、回答の候補（「持っている：ゴールド免許を持っている」、「持っている：ゴールド免許以外を持っている」、「運転免許は持っていない」）を登録してもよい。

質問出力部２０は、予測モデルに含まれる説明変数の値を導出するための質問を出力する。具体的には、質問出力部２０は、質問登録部１８によって登録された質問をディスプレイ装置やタブレットなどの表示装置（図示せず）に対して表示する制御を行う。

図５は、質問を出力した画面の例を示す説明図である。例えば、説明変数として住所や郵便番号などの情報が利用される場合、質問出力部２０は、説明変数の値を導出するため、ユーザからの入力を受け付ける画面として、住所に関連する情報を入力させる図５に例示するような画面を出力してもよい。図５に例示する画面２０１は、全体として質問が１０個存在し、現在、ユーザに回答を入力させる３番目の質問を出力していることを示す。

図５に例示するような直接回答を入力させる画面の代わりに、質問出力部２０は、複数の選択項目から任意の項目を選択させるような画面を出力してもよい。なお、出力する質問の数は１０個に限定されず、１から９個であってもよく、１１個以上であってもよい。ただし、上述するように、顧客の回答負荷を高めないよう、質問の数は多くなりすぎないことが好ましい。

また、図５に示す例では、質問出力部２０が、タブ２０２およびタブ２０３で、質問の内容を変更できるような画面２０１を表示していることを示す。なお、１つの画面に出力する質問は、１つの予測モデルの説明変数を導出するための質問であってもよく、複数の予測モデルの説明変数を導出するための質問であってもよい。例えば、図５に例示するタブ２０２を選択した際に出力される画面は、ニーズモデルおよび支払余力モデルの説明変数の値を導出する際の画面であり、タブ２０３を選択した際に出力される画面は、購買モデルの説明変数の値を導出する際の画面である。

さらに、質問出力部２０は、例えば、図５のタブ２０４に例示するインタフェースを介して、過去の質問結果（レコメンド結果）の一覧および検索画面を出力してもよい。図６は、レコメンド一覧および検索画面の表示例を示す説明図である。図６に例示する画面は、過去に入力されたレコメンドを一覧表示し、レコメンド内容を検索するための画面である。図６に例示する画面から、過去のレコメンドが指定されると、質問出力部２０は、過去のレコメンド内容を出力する。過去のレコメンド内容は、例えば、後述する反応入力部６０によって入力され、記憶部１０に記憶されている。このような、過去のレコメンド内容を出力することで、経験の浅い営業職員でも、顧客のレコメンドの傾向を把握することが可能になり、顧客向けアクションの準備として利用することが可能になる。

回答入力部３０は、質問出力部２０によって出力された質問に対する回答の入力を受け付ける。具体的には、回答入力部３０は、質問に対する顧客からの回答の入力を受け付ける。なお、回答入力部３０は、顧客との対話に基づくユーザからの回答の入力を受け付けてもよい。

予測用データ加工部４０は、入力されたユーザからの回答を用いて、予測モデルに含まれる説明変数に適用する情報の取得、または、説明変数に適用する情報への加工を行う。例えば、質問に対する回答から説明変数の値への変換方法が定義されている場合、予測用データ加工部４０は、定義された変換方法に従って、入力された回答を説明変数の値へ加工してもよい。また、例えば、データベースからの検索方法が変換方法に定義されている場合、予測用データ加工部４０は、定義された検索方法に従って、入力された回答をキーとしてデータベースから説明変数の値を取得してもよい。

予測部４２は、入力された回答を予測モデルに適用して顧客の要望を予測する。なお、入力された回答が、予測用データ加工部４０によって取得または加工が行われている場合、予測部４２は、取得または入力された回答を予測モデルに適用して顧客の要望を予測してもよい。

図７は、予測に用いられる予測用データの例を示す説明図である。図７に例示する各予測用データは、複数の予測モデルで共通に用いられる。本実施形態では、複数の予測モデルが用いられるため、予測部４２は、各予測モデルで必要な説明変数を適用して顧客の要望を予測する。

図８は、予測結果の例を示す説明図である。図８に示す例は、予測部４２が、あるユーザについて、９つのニーズモデルを用いてそれぞれ予測を行った結果の一覧を示す。図８に例示する予測スコアは、各ニーズにおけるユーザの購入見込度合いを示す。購買スタイルモデルおよび支払余力モデルについても、図８に示す例と同様に予測が可能である。

推薦結果出力部５０は、予測部４２による予測に基づいて、顧客への推薦結果を出力する。具体的には、推薦結果出力部５０は、ディスプレイ装置やタブレットなどの表示装置（図示せず）に対して推薦結果を表示する制御を行う。推薦結果出力部５０は、予測モデルによって出力された値を推薦結果として出力してもよい。例えば、支払余力モデルを用いて顧客の支払余力を予測した場合、推薦結果出力部５０は、支払余力を示す金額を推薦結果として出力してもよい。また、その際、推薦結果出力部５０は、推定誤差を考慮して、支払余力に一定の幅を持たせた金額（下限値および上限値）を推薦結果として出力してもよい。

また、態様ごとに複数の予測モデルが学習されている場合、各予測モデルはそれぞれ別々に学習されていることから、出力した予測スコアのスケールもそれぞれ異なる。そこで、各予測モデルの出力結果（予測スコア）を同一のスケールで比較できるように、推薦結果出力部５０は、各予測モデルの学習に用いた学習データを用いて、予測の結果を標準化してもよい。例えば、上述する９つのニーズモデルについて、推薦結果出力部５０は、各ニーズモデルの学習に用いた学習データの平均値および標準偏差をそれぞれ算出し、算出された値で予測スコアを標準化してもよい。以下、標準化された予測スコアを標準化スコアと記す。

図９は、予測の結果を標準化する処理の例を示す説明図である。例えば、図８に例示する予測スコアが予測結果として出力されている場合、推薦結果出力部５０は、図９（ａ）に例示するように、この予測スコアから標準化スコアを算出してもよい。標準化スコアを算出することで、各予測モデルの結果を比較できることから、推薦結果出力部５０は、図９（ｂ）に例示するように、標準化スコアを降順に並べて順位付けを行ってもよい。

推薦結果出力部５０は、標準化された予測の結果の順位に応じて推薦結果を出力してもよい。推薦結果出力部５０は、例えば、標準化スコアが予め定めた件数の上位であるモデルの内容を出力してもよい。図９に示す例では、ニーズＩＤ＝７，６，８のモデルの標準スコアが上位３件である。そこで、推薦結果出力部５０は、推薦結果として、「１位：教育費用への備えのため」、「２位：老後の資金の備えのため」、「３位：子供が大人になったときの備えのため」とする結果を出力してもよい。

また、推薦結果出力部５０は、標準化スコアのパーセンタイルに応じて、推薦結果の出力態様を変更してもよい。推薦結果出力部５０は、例えば、標準化スコアが２５パーセンタイル未満の場合に星無し、２５～５０パーセンタイルの場合に星１つ、５０～７５パーセンタイルの場合に星２つ、７５パーセンタイル以上の場合に星３つ、などのように、パーセンタイルごとに態様を変えて推薦結果を出力してもよい。

図１０は、推薦結果の出力例を示す説明図である。図１０に示す例では、推薦結果出力部５０が、３位までの各ニーズに対して、提案する商品群をそれぞれ出力し、支払余力の推定値（下限値および上限値）を合わせて出力していることを示す。なお、各ニーズに対して提案される商品群は、ニーズごとに予め定められていてもよいし、支払余力等から最適な商品群が選択されてもよい。

反応入力部６０は、推薦結果に対する顧客の反応の入力を受け付ける。ここで、推薦結果に対する顧客の反応とは、予測結果の妥当性を表わす。上述するニーズモデルを用いた推薦結果に対し、顧客の反応は、例えば、ニーズモデルによって予測した顧客のニーズが妥当であったか否かである。同様に、上述する購買スタイルモデルを用いた推薦結果に対し、顧客の反応は、例えば、購買スタイルによって予測した顧客の購買スタイルが適切であったか否かである。また、上述する支払余力モデルを用いた推薦結果に対し、顧客の反応は、例えば、実際に契約に至った際の金額である。

本実施形態では、顧客に対する質問の回答をインタラクティブに得られる状況を想定しており、この顧客の反応は、顧客の要望が直接反映された結果と言える。

学習データ生成部７０は、推薦結果、及び、その推薦結果に対して入力された顧客の反応に基づいて学習データを生成する。学習データ生成部７０が学習データを生成すると、学習データ入力部１２が学習部１４に学習データを入力し、学習部１４は、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習する。

ここで、推薦結果は、予測部４２による予測（より具体的には、予測モデルを用いた予測）に基づいて生成される情報であり、予測モデルおよび予測用データに対応するものである。そこで、学習データ生成部７０は、その推薦結果を出力する際に用いた予測モデルを学習（再学習）するための学習データとして、予測の際に予測モデルに適用した予測用データに含まれる各情報を説明変数とし、顧客の反応を示す情報を目的変数とする学習データを生成する。

図１１は、推薦結果の例を示す説明図である。図１１（ａ）に例示する予測の欄には、予測用データを複数のニーズモデルに適用した場合に、最も推薦すべきとして選択されたニーズが記載されている。この推薦結果に対して、図１１（ｂ）は、顧客の反応を示す結果が付与された情報を示す。例えば、ＩＤ＝１で識別される予測用データを適用した結果について、「ニーズ３」が推薦結果として出力され、顧客の反応が「そう思わない」（すなわち、ニーズに則していない）であったことを示す。

そこで、学習データ生成部７０は、「ニーズ３」が推薦すべきと判断した予測モデル（すなわち、ニーズモデルの３番目のモデル）を学習（再学習）するための学習データを生成する。具体的には、学習データ生成部７０は、予測の際に予測モデルに適用した予測用データ（すなわち、ＩＤ＝１で識別される予測用データ）に含まれる各情報を説明変数とし、顧客の反応を示す情報（ここでは、ニーズ３に対しては未購入＝０）を目的変数とする学習データを生成する。

すなわち、ニーズモデルについて、学習データ生成部７０は、図１１（ｃ）に例示するように、「そう思う」と反応のあった予測用データを正例（１）とし、「そう思わない」と反応のあった予測用データを負例（０）として、学習データを生成する。購買スタイルモデルについてもニーズモデルと同様である。

一方、支払余力モデルについての学習データは、実際に顧客による商品の購入があったときに、その商品の購入額を把握できる。そこで、学習データ生成部７０は、顧客による商品の購入があったときに、その商品の購入額を目的変数とする学習データを生成してもよい。

学習データ入力部１２と、学習部１４と、説明変数選択部１６と、質問登録部１８と、質問出力部２０と、回答入力部３０と、予測用データ加工部４０と、予測部４２と、推薦結果出力部５０と、反応入力部６０と、学習データ生成部７０とは、プログラム（要望推薦プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（field-programmable gate array ））によって実現される。また、回答入力部３０および反応入力部６０は、ポインティングデバイスやキーボードを介して入力される情報を検知して、各種処理を行う。

例えば、プログラムは、記憶部１０に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、学習データ入力部１２、学習部１４、説明変数選択部１６、質問登録部１８、質問出力部２０、回答入力部３０、予測用データ加工部４０、予測部４２、推薦結果出力部５０、反応入力部６０および学習データ生成部７０として動作してもよい。また、要望推薦システム１００の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

また、学習データ入力部１２と、学習部１４と、説明変数選択部１６と、質問登録部１８と、質問出力部２０と、回答入力部３０と、予測用データ加工部４０と、予測部４２と、推薦結果出力部５０と、反応入力部６０と、学習データ生成部７０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。

また、要望推薦システム１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本実施形態の要望推薦システムの動作を説明する。図１２は、本実施形態の要望推薦システムの動作例を示すフローチャートである。

学習部１４は、学習データ入力部１２から入力された学習データに基づいて、顧客の要望を予測するための予測モデルを学習する（ステップＳ１１）。説明変数選択部１６は、学習された予測モデルに基づいて、予測モデルに含める１つ以上の説明変数の選択を受け付ける（ステップＳ１２）。予測モデルの最学習が必要な場合（ステップＳ１３におけるＹｅｓ）、ステップＳ１１以降の学習処理を繰り返す。

一方、予測モデルの最学習が不要な場合（ステップＳ１３におけるＮｏ）、質問出力部２０は、質問登録部１８によって登録された、予測モデルに含まれる説明変数の値を導出するための質問を出力する（ステップＳ１４）。出力した質問に対し、回答入力部３０が回答の入力を受け付けると（ステップＳ１５）、予測用データ加工部４０によるデータ加工がなされた後に、予測部４２は、入力された回答を予測モデルに適用して顧客の要望を予測する（ステップＳ１６）。

推薦結果出力部５０は、予測の結果に基づいて、顧客への推薦結果を出力する（ステップＳ１７）。さらに、反応入力部６０は、推薦結果に対する顧客の反応の入力を受け付ける（ステップＳ１８）。学習データ生成部７０は、推薦結果及びその推薦結果に対する顧客の反応に基づいて学習データを生成する（ステップＳ１９）。そして、学習部１４は、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習する（ステップＳ２０）。

以上のように、本実施形態では、学習部１４が、学習データに基づいて、顧客の要望を予測するための予測モデルを学習し、質問出力部２０が、予測モデルに含まれる説明変数の値を導出するための質問を出力する。また、回答入力部３０が質問に対する回答の入力を受け付け、予測部４２が、入力された回答を予測モデルに適用して顧客の要望を予測する。そして、推薦結果出力部５０が、予測の結果に基づいて、顧客への推薦結果を出力し、反応入力部６０が、推薦結果に対する顧客の反応の入力を受け付ける。その後、学習データ生成部７０が、推薦結果及びその推薦結果に対する顧客の反応に基づいて学習データを生成すると、学習部１４は、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習する。

よって、顧客の要望に適した情報を推薦しながら、対顧客とのやり取りの中で目的に資する情報を適切に収集できる。すなわち、本実施形態では、質問出力部２０が、学習データに基づく推薦結果を提示するとともに、学習データ生成部７０が、対顧客とのやり取りの中で取得した情報を用いてさらに学習データを生成する。対顧客とのやり取りの中で生成された学習データは、顧客の要望を直接反映したデータであるため、予測モデルを再学習するうえで、より適切な学習データであり、目的に資する情報を適切に収集できていると言える。

また、本実施形態では、質問登録部１８が、説明変数の値を顧客に入力してもらうための質問を登録する。説明変数の内容はＡＩの専門家が把握している内容であり、この質問に基づいて入力された顧客の反応から学習データ生成部７０が学習データを生成することになる。すなわち、本実施形態では、ＡＩの専門家がＡＩ学習用途で独自に市場から学習データを収集できていると言える。このように、対顧客とのやり取りの中で目的に資する情報を適切に収集できる結果、顧客の要望を精度高く予測できるＡＩを学習できるため、顧客の要望により適した情報を推薦することが可能になる。

実施形態２．
次に、本発明による要望推薦システムの第二の実施形態を説明する。第一の実施形態では、質問出力部２０が顧客に対する質問を出力する場合について説明した。なお、質問出力部２０によって出力される質問に対する回答を入力することで、顧客に対する推薦結果を出力することが可能である。言い換えると、想定される顧客像がある程度既知である場合、本発明による要望推薦システムを用いることで、例えば、経験の浅いユーザが顧客への訪問前に顧客への提案内容をシミュレートすることが可能である。

そこで、以下では、本発明の要望推薦システムをユーザがシミュレートにも用いる実施形態を説明する。図１３は、本発明による要望推薦システムの第二の実施形態の構成例を示すブロック図である。本実施形態の要望推薦システム２００は、記憶部１０と、学習データ入力部１２と、学習部１４と、説明変数選択部１６と、質問登録部１８と、質問出力部２２と、回答入力部３０と、予測用データ加工部４０と、予測部４２と、推薦結果出力部５２と、反応入力部６０と、学習データ生成部７０とを備えている。

すなわち、本実施形態の要望推薦システム２００は、質問出力部２０および推薦結果出力部５０の代わりに、質問出力部２２および推薦結果出力部５２を備えている点において、第一の実施形態と異なる。それ以外の構成は、第一の実施形態と同様である。

質問出力部２２は、第一の実施形態と同様、予測モデルに含まれる説明変数の値を導出するための質問を出力する。その際、質問出力部２２は、顧客からの回答を受け付ける画面と、ユーザ（営業職員）からの回答を受け付ける画面とを選択的に出力する。具体的には、質問出力部２２は、質問を出力する前に、顧客向けかユーザ向けか選択させる画面を出力し、どちらの回答を受け付けるかユーザに選択させてもよい。

質問出力部２２が出力する質問の内容は、顧客向けとユーザ向けで同一である。なお、質問出力部２２は、顧客からの回答を受け付ける画面に、顧客を識別する番号を入力する項目などを設けてもよい。本実施形態では、回答入力部３０は、ユーザが顧客の人物像等を想定して回答した入力を受け付ける。

推薦結果出力部５２は、第一の実施形態と同様、予測の結果に基づいて顧客への推薦結果を出力する。推薦結果出力部５２は、ユーザ向けに顧客へ提示する推薦結果と同様の内容を出力してもよく、ユーザ特有の情報を付加した推薦結果を出力してもよい。なお、本実施形態では、顧客の反応が得られていないため、反応入力部６０は、推薦結果に対する顧客の反応の入力を受け付けなくてもよい。

学習データ入力部１２と、学習部１４と、説明変数選択部１６と、質問登録部１８と、質問出力部２２と、回答入力部３０と、予測用データ加工部４０と、予測部４２と、推薦結果出力部５２と、反応入力部６０と、学習データ生成部７０とは、プログラム（要望推薦プログラム）に従って動作するコンピュータのプロセッサによって実現される。

以上のように、本実施形態では、質問出力部２２が、顧客からの回答を受け付ける画面と、ユーザからの回答を受け付ける画面とを選択的に出力する。そのため、第１の実施形態の効果に加え、顧客への提案内容を事前にシミュレートすることが可能になる。

次に、本発明の概要を説明する。図１４は、本発明による要望推薦システムの概要を示すブロック図である。本発明による要望推薦システム８０（例えば、要望推薦システム１００、要望推薦システム２００）は、学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習部８１（例えば、学習部１４）と、予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力部８２（例えば、質問出力部２０、質問出力部２２）と、質問に対して入力された回答を予測モデルに適用して顧客の要望を予測する予測部８４（例えば、予測部４２）と、予測の結果に基づいて、顧客への推薦結果を出力する推薦結果出力部８５（例えば、推薦結果出力部５０、推薦結果出力部５２）と、推薦結果及びその推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成部８７（例えば、学習データ生成部７０）とを備えている。

学習部８１は、顧客の反応に基づいて生成された学習データを用いて、予測モデルを再学習する。

そのような構成により、顧客の要望に適した情報を推薦しながら、対顧客とのやり取りの中で目的に資する情報を適切に収集できる。

また、学習部８１は、態様ごとに複数の予測モデル（例えば、複数のニーズモデルなど）を学習し、推薦結果出力部８５は、各予測モデルの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力してもよい。そのような構成によれば、複数の候補を比較して、適切な情報を顧客に推薦できる。

また、学習部８１は、予測モデルに含める１つ以上の説明変数のうち、選択された説明変数で構成される予測モデルを学習してもよい。そのような構成によれば、顧客への質問内容を厳選して選択することが可能になる。

具体的には、学習部８１は、予測モデルに含まれる説明変数の中から受け付けた１つ以上の説明変数を用いて予測モデルを学習してもよい。

他にも、学習部８１は、新たな追加対象として受け付けた説明変数を用いて予測モデルを学習してもよい。

また、質問出力部８２は、顧客からの回答を受け付ける画面と、ユーザからの回答を受け付ける画面とを選択的に出力してもよい。そのような構成によれば、顧客への情報の推薦と、ユーザによる推薦のシミュレーションとを選択的に実施することが可能になる。

また、学習データ生成部８７は、推薦結果を出力する際に用いた予測モデルを学習するための学習データとして、予測の際にその予測モデルに適用した予測用データに含まれる各情報を説明変数とし、顧客の反応を示す情報を目的変数とする学習データを生成してもよい。

また、学習部８１は、支払額を目的変数とする予測モデルを学習し、学習データ生成部８７は、顧客による商品の購入があったときに、その商品の購入額を目的変数とする学習データを生成し、学習部８１は、生成された学習データを用いて予測モデルを再学習してもよい。そのような構成によれば、実際に商品の購入に結び付いた情報を学習データとして利用することが可能になる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習部と、前記予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力部と、前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測する予測部と、前記予測の結果に基づいて、前記顧客への推薦結果を出力する推薦結果出力部と、前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成部とを備え、前記学習部は、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習することを特徴とする要望推薦システム。

（付記２）学習部は、態様ごとに複数の予測モデルを学習し、推薦結果出力部は、各予測モデルの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力する付記１記載の要望推薦システム。

（付記３）学習部は、予測モデルに含める１つ以上の説明変数のうち、選択された説明変数で構成される予測モデルを学習する付記１または付記２記載の要望推薦システム。

（付記４）学習部は、予測モデルに含まれる説明変数の中から受け付けた１つ以上の説明変数を用いて予測モデルを学習する付記３記載の要望推薦システム。

（付記５）学習部は、新たな追加対象として受け付けた説明変数を用いて予測モデルを学習する付記３記載の要望推薦システム。

（付記６）質問出力部は、顧客からの回答を受け付ける画面と、ユーザからの回答を受け付ける画面とを選択的に出力する付記１から付記５のうちのいずれか１つに記載の要望推薦システム。

（付記７）学習データ生成部は、推薦結果を出力する際に用いた予測モデルを学習するための学習データとして、予測の際に当該予測モデルに適用した予測用データに含まれる各情報を説明変数とし、顧客の反応を示す情報を目的変数とする学習データを生成する付記１から付記６のうちのいずれか１つに記載の要望推薦システム。

（付記８）学習部は、支払額を目的変数とする予測モデルを学習し、学習データ生成部は、顧客による商品の購入があったときに、当該商品の購入額を目的変数とする学習データを生成し、前記学習部は、生成された学習データを用いて予測モデルを再学習する付記１から付記７のうちのいずれか１つに記載の要望推薦システム。

（付記９）入力されたユーザからの回答を用いて、予測モデルに含まれる説明変数に適用する情報の取得、または、説明変数に適用する情報への加工を行う予測用データ加工部を備え、予測部は、取得または加工された回答を予測モデルに適用して顧客の要望を予測する付記１から付記８のうちのいずれか１つに記載の要望推薦システム。

（付記１０）学習データに基づいて、顧客の要望を予測するための予測モデルを学習し、前記予測モデルに含まれる説明変数の値を導出するための質問を出力し、前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測し、前記予測の結果に基づいて、前記顧客への推薦結果を出力し、前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成し、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習することを特徴とする要望推薦方法。

（付記１１）コンピュータに、学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習処理、前記予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力処理、前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測する予測処理、前記予測の結果に基づいて、前記顧客への推薦結果を出力する推薦結果出力処理、および、前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成処理を実行させ、前記学習処理で、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習させるための要望推薦プログラム。

１０ 記憶部
１２ 学習データ入力部
１４ 学習部
１６ 説明変数選択部
１８ 質問登録部
２０，２２ 質問出力部
３０ 回答入力部
４０ 予測用データ加工部
４２ 予測部
５０，５２ 推薦結果出力部
６０ 反応入力部
７０ 学習データ生成部
１００，２００ 要望推薦システム

Claims (9)

1. 学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習部と、
   前記予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力部と、
   前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測する予測部と、
   前記予測の結果に基づいて、前記顧客への推薦結果を出力する推薦結果出力部と、
   前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成部とを備え、
   前記学習部は、態様ごとに複数の前記予測モデルを学習し、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習し、
   前記推薦結果出力部は、前記予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力する
   ことを特徴とする要望推薦システム。
2. 学習部は、予測モデルに含める１つ以上の説明変数のうち、選択された説明変数で構成される予測モデルを学習する
   請求項１記載の要望推薦システム。
3. 学習部は、予測モデルに含まれる説明変数の中から受け付けた１つ以上の説明変数を用いて予測モデルを学習する
   請求項２記載の要望推薦システム。
4. 学習部は、新たな追加対象として受け付けた説明変数を用いて予測モデルを学習する
   請求項２記載の要望推薦システム。
5. 質問出力部は、顧客からの回答を受け付ける画面と、ユーザからの回答を受け付ける画面とを選択的に出力する
   請求項１から請求項４のうちのいずれか１項に記載の要望推薦システム。
6. 学習データ生成部は、推薦結果を出力する際に用いた予測モデルを学習するための学習データとして、予測の際に当該予測モデルに適用した予測用データに含まれる各情報を説明変数とし、顧客の反応を示す情報を目的変数とする学習データを生成する
   請求項１から請求項５のうちのいずれか１項に記載の要望推薦システム。
7. 学習部は、支払額を目的変数とする予測モデルを学習し、
   学習データ生成部は、顧客による商品の購入があったときに、当該商品の購入額を目的変数とする学習データを生成し、
   前記学習部は、生成された学習データを用いて予測モデルを再学習する
   請求項１から請求項６のうちのいずれか１項に記載の要望推薦システム。
8. コンピュータが、学習データに基づいて、顧客の要望を予測するための予測モデルを態様ごとに複数学習し、
   前記コンピュータが、前記予測モデルに含まれる説明変数の値を導出するための質問を出力し、
   前記コンピュータが、前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測し、
   前記コンピュータが、前記予測の結果に基づいて、前記顧客への推薦結果を出力し、
   前記コンピュータが、前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成し、
   前記コンピュータが、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習し、
   前記コンピュータが、前記推薦結果を出力する際、前記予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化し、標準化された予測の結果の順位に応じて推薦結果を出力する
   ことを特徴とする要望推薦方法。
9. コンピュータに、
   学習データに基づいて、顧客の要望を予測するための予測モデルを学習する学習処理、
   前記予測モデルに含まれる説明変数の値を導出するための質問を出力する質問出力処理、
   前記質問に対して入力された回答を前記予測モデルに適用して顧客の要望を予測する予測処理、
   前記予測の結果に基づいて、前記顧客への推薦結果を出力する推薦結果出力処理、および、
   前記推薦結果及び当該推薦結果に対して入力された顧客の反応に基づいて学習データを生成する学習データ生成処理を実行させ、
   前記学習処理で、態様ごとに複数の前記予測モデルを学習させ、顧客の反応に基づいて生成された学習データを用いて、前記予測モデルを再学習させ、
   前記推薦結果出力処理で、前記予測モデルそれぞれの学習に用いた学習データを用いて、予測の結果を標準化させ、標準化された予測の結果の順位に応じて推薦結果を出力させる
   ための要望推薦プログラム。

Images