TWI801895B - 預測系統、預測方法及程式產品 - Google Patents
預測系統、預測方法及程式產品 Download PDFInfo
- Publication number
- TWI801895B TWI801895B TW110121172A TW110121172A TWI801895B TW I801895 B TWI801895 B TW I801895B TW 110121172 A TW110121172 A TW 110121172A TW 110121172 A TW110121172 A TW 110121172A TW I801895 B TWI801895 B TW I801895B
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- service
- candidates
- user
- prediction
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Abstract
本發明之預測系統(S)之候選取得機構(101),取得複數個會對特定之服務所期望之結果之獲得容易度帶來影響之資訊之候選。預測機構(102)基於特定之預測方法,針對每一候選預測是否會獲得所期望之結果。特定機構(103)特定經預測為會獲得所期望之結果之候選。
Description
本揭示係關於一種預測系統、預測方法及程式產品。
先前,已知一種用於在服務中獲得所期望之結果之技術。例如,於專利文獻1中,記載如下之服務等級管理系統,即,在經由網路提供IT資源之雲端服務中,簽訂事業者應提供給顧客之雲端服務之服務等級協議,將IT資源提供給顧客。於該服務等級管理系統中,在雲端服務中滿足服務等級協議相當於獲得所期望之結果。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2015-138484號公報
[發明所欲解決之課題]
然而,於專利文獻1之技術中,用於滿足服務等級協議所需之IT資源係由人之經驗來決定,而有採用不滿足服務等級協議之IT資源之情形。因此,於先前之技術中,有時在服務中無法獲得所期望之結果。
本揭示之目的在於在服務中獲得所期望之結果。
[解決課題之技術手段]
本揭示之一態樣之預測系統包含:候選取得機構,其取得複數個會對特定之服務所期望之結果之獲得容易度帶來影響之資訊之候選;預測機構,其基於特定之預測方法,針對前述每一候選預測是否獲得前述結果;及特定機構,其特定經預測為會獲得前述結果之前述候選。
本揭示之一態樣之預測方法包含:候選取得步驟,其取得複數個會對特定之服務所期望之結果之獲得容易度帶來影響之資訊之候選;預測步驟,其基於特定之預測方法,針對前述每一候選預測是否獲得前述結果;及特定步驟,其特定經預測為會獲得前述結果之前述候選。
本揭示之一態樣之程式產品使電腦作為如下之機構發揮功能,即:候選取得機構,其取得複數個會對特定之服務所期望之結果之獲得容易度帶來影響之資訊之候選;預測機構,其基於特定之預測方法,針對前述每一候選預測是否獲得前述結果;及特定機構,其特定經預測為會獲得前述結果之前述候選。
根據本揭示之一態樣,前述資訊所示之值愈高,則愈容易獲得前述結果,且與前述服務相關之成本愈高,前述特定機構特定經預測為會獲得前述結果、且前述成本相對低之前述候選。
根據本揭示之一態樣,前述特定機構特定預測為會獲得前述結果之前述候選中前述成本最小之前述候選。
根據本揭示之一態樣,前述預測機構利用基於以前述資訊為輸入、以是否獲得前述結果為輸出之訓練資料而學習之預測模型,針對前述每一候選預測是否獲得前述結果。
根據本揭示之一態樣,前述資訊顯示在前述服務中所利用之系統之資源,前述結果滿足與前述服務相關之基準,前述預測機構針對前述每一候選,預測是否滿足前述基準,前述特定機構特定經預測為滿足前述基準之前述候選。
根據本揭示之一態樣,前述預測機構基於前述服務中所利用之系統之設定、由該系統預測之狀況、該系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者與前述候選,預測是否滿足前述基準。
根據本揭示之一態樣,前述資訊顯示給予前述服務之使用者之獎勵,前述結果為前述使用者繼續前述服務之利用,前述預測機構針對前述每一候選,預測前述使用者是否繼續前述服務之利用,前述特定機構特定經預測為前述使用者會繼續前述服務之利用之前述候選。
根據本揭示之一態樣,前述預測系統進而包含:流失率計算機構,其基於特定之計算方法,計算前述使用者離開前述服務之流失率;及最大值計算機構,其基於前述流失率,計算可給予前述使用者之前述獎勵之最大值;前述特定機構在前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
根據本揭示之一態樣,前述流失率計算機構基於前述使用者之屬性、前述使用者之前述服務之利用狀況、及前述使用者之其他服務之利用狀況中之至少一者,計算前述流失率。
根據本揭示之一態樣,前述預測系統進而包含期待利潤計算機構,其基於特定之計算方法,計算前述使用者之期待利潤,前述特定機構基於前述期待利潤,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
根據本揭示之一態樣,前述預測系統進而包含最大值計算機構,其基於前述期待利潤,計算可給予前述使用者之前述獎勵之最大值,前述特定機構在與前述期待利潤相應之前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
根據本揭示之一態樣,前述預測機構基於前述使用者離開前述服務之流失率、前述使用者之屬性、前述使用者之前述服務之利用狀況、及前述使用者之其他服務之利用狀況中之至少一者,預測前述使用者是否繼續前述服務之利用。
[發明之效果]
根據本揭示,可於服務中獲得所期望之結果。
[1.實施形態1]
以下,對本揭示之預測系統之第1之實施形態(以下為實施形態1)之例進行說明。
[1-1.預測系統之整體構成]
圖1係顯示預測系統之整體構成之圖。如圖1所示般,預測系統S包含伺服器10及終端20,該等連接於網際網路或LAN等網路N。再者,於圖1中各示出1台伺服器10與終端20,但該等亦可為複數台。
伺服器10係伺服器電腦。例如,伺服器10包含:控制部11、記憶部12、及通訊部13。控制部11包含至少一個處理器。控制部11依照記憶於記憶部12之程式或資料執行處理。記憶部12包含主記憶部及輔助記憶部。例如,主記憶部為RAM等揮發性記憶體,輔助記憶部為ROM、EEPROM、快閃記憶體、或硬碟等非揮發性記憶體。通訊部13係有線通訊或無線通訊用之通訊介面,經由網路N進行資料通訊。
終端20係可與伺服器10通訊之電腦。例如,終端20為個人電腦、可攜式資訊終端(包含平板型電腦及可佩戴終端)、或行動電話機(包含智慧型手機)等。例如,終端20包含:控制部21、記憶部22、通訊部23、操作部24、及顯示部25。控制部21、記憶部22、及通訊部23之實體構成可分別與控制部11、記憶部12、及通訊部13相同。操作部24係輸入裝置,例如係觸控面板或滑鼠等指向裝置、鍵盤、或按鈕等。顯示部25例如係液晶顯示部或有機EL顯示部等。
再者,作為記憶於記憶部12、22而被說明之程式及資料可經由網路N供給。又,伺服器10及終端20各者之硬體構成並不限於上述之例,可適用各種硬體。例如,亦可包含對可電腦讀取之資訊記憶媒體進行讀取之讀取部(例如,光碟驅動器或記憶卡槽)及用於與外部機器進行資料之輸入/輸出之輸入/輸出部(例如,USB埠)。例如,記憶於資訊記憶媒體之程式及資料可經由讀取部及輸入/輸出部供給至各電腦。
[1-2.實施形態1之預測系統之概要]
實施形態1之預測系統S於特定之服務中,進行用於將成本抑制為最小限度且獲得所期望之結果之預測。預測系統S可進行任意之服務中之預測。於實施形態1中,舉出利用IT之服務中之預測為例進行說明。其他服務之適用例於後述之第2實施形態(以下為實施形態2)及變化例中進行說明。
實施形態1之服務係利用電腦而提供之服務。使用者操作自身之智慧型手機等,經由網路N利用服務。例如,使用者利用雲端服務、電子結算服務、通訊服務、金融服務、電子商務服務、或動畫傳輸服務。
所謂成本係指在服務中發生之費用。於實施形態1中,對成本意指金額本身之情形進行說明,但如硬體之性能等般與金額具有相關關係之其他資訊亦可相當於成本。例如,所需之硬體之性能愈高,則用於準備該硬體之金額愈高,因此硬體之性能可相當於成本。又,例如,所需之硬體之數目愈多,則用於準備該數目之硬體之金額愈高,因此硬體之數目相當於成本。
成本針對與服務相關者而發生。於實施形態1中,舉出針對提供服務之事業者發生之成本為例,但根據服務之內容,成本亦可針對其他者發生。例如,成本可針對與事業者合作之合作者發生,亦可針對利用服務之使用者發生。
所謂所期望之結果係指在服務中應獲得之結果。換言之,所期望之結果係達成服務中之目的、課題、或任務。例如,所期望之結果為將服務之品質保持為基準以上、使利潤或者銷售額超出基準以上、確保特定人數以上之使用者數目、使來自使用者之評估成為基準以上、獲得特定數以上之存取數、或使轉換率成為特定值以上。
於實施形態1中,舉出滿足雲端服務中之服務等級協議相當於所期望之結果之情形為例。所期望之結果只要為與服務之內容相應之結果即可,所期望之結果之其他例在後述之實施形態2及變化例中進行說明。服務等級協議係服務之品質基準之協定。例如,應答速度、通訊速度、運轉時間、故障件數、及恢復時間中之至少一個品質基準係由服務等級協議決定。
於實施形態1中,作為服務等級協議之一例而對逾時之發生率進行說明。例如,將逾時之發生率未達特定百分比(例如,百分之3)決定為服務等級協議。亦即,逾時之發生率未達特定百分比相當於獲得所期望之結果。
實施形態1之預測系統S對為了抑制雲端服務之事業者所負擔之成本、且滿足服務等級協議所需之系統之資源進行預測。以下,將用於提供雲端服務之系統記載為雲端系統。
雲端服務之使用者自遠程位置利用雲端系統所具有之功能。例如,使用者於雲端系統上存放資料、或自遠程位置執行雲端系統上之程式。於實施形態1中,對於預測系統S為與雲端系統不同之系統之情形進行說明,但預測系統S亦可相當於雲端系統。
所謂資源係雲端系統所含之硬體資源。例如,資源係伺服器電腦、CPU、記憶體、通訊機器、及通訊線路中之至少一者。提供雲端服務之事業者可選擇任意之資源。例如,事業者可自由地選擇伺服器電腦之台數、CPU之性能、及記憶體之容量等。相應於事業者所選擇之資源,而雲端服務中所需之成本亦變化。
於雲端服務中,若提高CPU之性能或增加記憶體容量,則雲端系統之處理能力提高,因此易於滿足服務等級協議。然而,若事業者選擇過度之資源則產生浪費之成本。
因此,預測系統S針對事業者可選擇之資源之每一候選,預測是否滿足服務等級協議。詳情將於後述,預測系統S不僅考量候選所示之硬體資源,而且亦考量雲端系統之設定等其他要素而進行預測。然而,事業者原則上可選擇資源,且不可變更設定等其他要素。因此,於實施形態1中,事業者可參與是否滿足服務等級協議,原則上而言僅為資源之選擇。再者,設定等之其他要素亦可為可變更。
預測系統S特定經預測為滿足服務等級協議之候選中,相對而言成本低廉之候選並對事業者提議。例如,若事業者操作終端20對伺服器10進行存取,則表示伺服器10之預測結果之資源設定畫面顯示於顯示部25。
圖2係顯示資源設定畫面之一例之圖。如圖2所示般,於資源設定畫面G,針對事業者可選擇之資源之每一候選,顯示該候選所示之硬體資源之詳情、及伺服器10之預測結果。於圖2之例中,事業者可選擇CPU及記憶體之性能。再者,亦可於資源設定畫面G,顯示逾時之發生率之預測值等詳細之預測結果。又,亦可於資源設定畫面G,顯示與各候選對應之成本。
於圖2之例中,6個候選各者以性能之降序進行排序並顯示。「No.1」~「No.3」之候選獲得滿足服務等級協議之預測結果。「No.4」~「No.6」之候選獲得不滿足服務等級協議之預測結果。因此,「No.3」之候選與「No.4」之候選成為是否滿足服務等級協議之分界線。
於資源設定畫面G,顯示有用於選擇6個候選之何者之輸入表單F。事業者以顯示於資源設定畫面G之資訊為參考,自輸入表單F選擇在自身之雲端服務中所採用之候選。
於圖2之例中,滿足服務等級協議之候選中成本最低之「No.3」之候選於輸入表單F內被預設選擇。事業者可選擇成本最低之「No.3」之候選,亦可有餘裕地選擇「No.1」或「No.2」之候選。事業者若重新考量服務等級協議,則亦可選擇「No.4」以下之候選。
如以上所述般,實施形態1之預測系統S針對雲端服務之事業者可選擇之資源之每一候選,預測是否滿足服務等級協議。於資源設定畫面G針對每一候選顯示有預測結果。藉此,於雲端服務中,可以最低限度之成本來設定滿足服務等級協議之資源。以下,對於預測系統S之詳情進行說明。
[1-3.由實施形態1之預測系統實現之功能]
圖3係顯示由實施形態1之預測系統S實現之功能之一例之功能方塊圖。於實施形態1中,對於由伺服器10實現主要之功能之情形進行說明。例如,伺服器10包含:資料記憶部100、候選取得部101、預測部102、及特定部103。資料記憶部100主要由記憶部12實現,候選取得部101、預測部102、及特定部103各者主要由控制部11實現。
[資料記憶部]
資料記憶部100記憶伺服器10用於進行預測所需之資料。於實施形態1中,作為該資料之一例,對於預測模型M1、訓練資料組DS1、及資源候選資料D1進行說明。
預測模型M1係在被輸入資源之候選時,輸出與該候選相應之預測結果之模型。於預測模型M1中,定義有候選與預測結果之關係。預測模型M1可意指輸出預測結果之程式本身,亦可不僅指程式,而且意指包含參數等之資料整體。
於實施形態1中,預測模型M1係利用機器學習而製作之學習模型。機器學習本身可利用各種手法,例如可為卷積神經網路,亦可為遞迴型神經網路。於實施形態1中記載為預測模型M1之部位並非意指機器學習之概念,而是意指藉由該概念而產生之電子性之資料。亦即,預測模型M1包含程式與參數。
於預測模型M1所含之程式中,定義有電腦應執行之處理內容(命令或計算式),例如,包含用於計算與輸入資料相應之特徵量之碼。預測模型M1之參數包含藉由學習而調整之數值,例如包含權重係數或偏差值等數值。若為學習前之預測模型M1,則包含初始值之參數,若為已學習之預測模型M1,則包含藉由學習而調整之參數。
例如,於輸入資料包含:雲端系統之設定、由雲端系統預測之狀況、雲端系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者與資源之候選。於實施形態1中,對該等之全部包含於輸入資料之情形進行說明。輸入資料只要包含對預測結果賦予影響之值(與預測結果具有相關關係之值)即可,無需包含該等之全部。例如,雲端系統之設定等不包含於輸入資料,僅成為候選之資源之值包含於輸入資料。資源之值為硬體之性能或數目。
雲端系統之設定係伺服器電腦等之設定值,例如係保活設定值或逾時值等。雲端系統之設定會對服務等級協議之滿足容易度帶來影響。例如,保活設定值或逾時值為愈寬鬆之值,愈容易滿足服務等級協議。
由雲端系統預測之狀況,係針對伺服器電腦等之資源之負荷等之預測值,例如,係對雲端系統之請求數、每秒查詢數、或資料量等。由雲端系統預測之狀況會對服務等級協議之滿足容易度帶來影響。例如,請求數、每秒查詢數、或資料量愈少,愈容易滿足服務等級協議。
所謂雲端系統所依存之其他系統,係指與雲端系統協作之其他系統,例如係資料庫系統等。其他系統之設定,係其他系統之資源之設定值,例如係快取大小等資料庫之設定值。其他系統之設定會對服務等級協議之滿足容易度帶來影響。例如,快取大小等之資料庫之設定值愈大,愈容易滿足服務等級協議。
由其他系統預測之狀況係針對其他系統之負荷等之預測值,例如係針對其他系統之請求數、每秒查詢數、或資料量等。由其他系統預測之狀況會對服務等級協議之滿足容易度帶來影響。例如,請求數、每秒查詢數、或資料量愈少,愈容易滿足服務等級協議。
圖4係顯示訓練資料組DS1之資料儲存例之圖。如圖4所示般,訓練資料係使預測模型M1學習之各個資料單位。訓練資料有時亦稱為示教資料或學習資料。例如,於訓練資料中,與輸入至預測模型M1之資料相同形式之輸入資料、跟表示在被輸入該輸入資料之情形下預測模型M1應輸出之內容之輸出資料(正確資料)係建立有對應關係。於實施形態1中,將輸入資料與輸出資料之對記載為訓練資料,將訓練資料之集合記載為訓練資料組DS1。
實施形態1之預測模型M1,在被輸入雲端服務之設定或資源等資訊時,輸出是否滿足服務等級協議之預測結果。因此,如圖4所示般,訓練資料所含之輸入資料,包含雲端服務之設定或資源等之資訊。訓練資料所含之輸出資料包含表示預測結果之值。
例如,輸出資料為表示滿足服務等級協議之第1值(圖4中為「○」)、或表示不滿足服務等級協議之第2值(圖4中為「×」)之任一者。該等之值可由數值表示,亦可由文字表示。又,作為預測結果,亦可不是是否滿足服務等級協議之二值,而可為表示滿足服務等級協議之概率,亦可為表示逾時之預測值。輸出資料可基於藉由實際機器測試各種資源之組合之實測值而製作,亦可藉由模擬器製作。
訓練資料組DS1係由預測系統S之管理者準備。伺服器10係以在被輸入訓練資料組DS1之各種訓練資料所含之輸入資料時,輸出對應之輸出資料之方式,來進行預測模型M1之學習。學習本身可利用在機器學習中所使用之周知之方法,例如可利用在神經網路中所使用之誤差反向傳播法等學習方法。
圖5係顯示資源候選資料D1之資料儲存例之圖。如圖5所示般,資源候選資料D1係顯示資源之候選之詳情之資料。例如,於資源候選資料D1中,顯示有候選之詳情之內容(硬體資源之量與性能之至少一者)與所需之成本之關係。例如,資源候選資料D1係由預測系統S之管理者(例如,雲端供應商)準備。
於實施形態1中,事業者選擇CPU與記憶體之性能,因此於資源候選資料D1中針對每一候選而顯示有CPU與記憶體之性能。CPU與記憶體之性能係由數值表現,數值愈高則性能愈高。例如,若為CPU,則時脈頻率、快取、核心、及線程等之數值愈高,則愈容易滿足性能高之服務等級協議。又,例如,若為記憶體,則記憶體容量及記憶體時脈(資料傳送率)等之數值愈高,則愈容易滿足性能高之服務等級協議。
再者,於事業者可選擇CPU與記憶體之數目之情形下,於資源候選資料D1中,針對每一候選顯示有CPU與記憶體之數目。例如,CPU之數目愈多,則處理能力愈高,而愈容易滿足服務等級協議。又,例如,記憶體之數目愈多,則記憶容量愈多,而愈容易滿足服務等級協議。於事業者可選擇其他資源之情形亦然,於資源候選資料D1中,只要針對每一候選顯示資源之性能及數目之至少一者即可。
如圖5所示般,於實施形態1中,候選所示之數值愈高,則成本愈高。例如,CPU與記憶體之性能愈高,則成本愈高。又,例如,CPU與記憶體之數目愈多,則成本愈高。只要於資源候選資料D1中,儲存有與市場價格相應之成本即可。根據市場價格,亦有雖然候選之數值相對較低,但包含成本較高之資源之情形。
再者,記憶於資料記憶部100之資料並不限於上述之例。例如,資料記憶部100亦可記憶表示事業者之服務等級協議之內容之資料。又,例如,資料記憶部100亦可記憶雲端系統之設定值、及雲端系統所依存之其他系統之設定值。又,例如,資料記憶部100亦可記憶在預測模型M1之學習上所需之程式。
[候選取得部]
候選取得部101取得複數個會對特定之服務所期望之結果之獲得容易度帶來影響之資訊之候補。所謂所期望之結果之獲得容易度係獲得所期望之結果之概率或可能性。此處之影響係指資訊所示之值與所期望之結果之獲得容易度具有相關關係。例如,資訊所示之值愈高,則愈容易獲得所期望之結果,且成本愈高。值可由數值來表現,亦可由表示資源之性能等之文字來表現。候選係資訊所示之值之候選值,亦可謂選擇項。
於實施形態1中,上述資訊表示在雲端服務中所利用之雲端系統之資源。該資訊係顯示資源之詳情之資訊,例如顯示硬體資源之性能與硬體資源之量之至少一者。資源資訊所示之值愈高,則愈容易獲得所期望之結果,且與雲端服務相關之成本愈高。
於實施形態1中,因於資源候選資料D1中儲存有候選,故候選取得部101取得儲存於資源候選資料D1之全部或一部分之候選。再者,候選可不是儲存於資源候選資料D1,而是自操作部24輸入,亦可藉由產生候選之程式產生。
[預測部]
預測部102基於特定之預測方法,針對每一候選預測是否獲得所期望之結果。於實施形態1中,對利用已學習之預測模型M1之預測方法進行說明,但亦可不是利用機器學習之預測方法。例如,亦可為製作預測是否獲得所期望之結果之模擬器、並利用模擬器之預測方法。另外,例如,亦可為不是利用預測模型M1或模擬器、而是利用數式或表等之預測方法。預測部102只要基於定義有候選與是否獲得所期望之結果之預測結果之關係之資料,進行預測即可。
例如,預測部102利用基於以顯示資源之資訊為輸入、以是否獲得所期望之結果為輸出之訓練資料而學習之預測模型M1,針對每一候選預測是否滿足服務等級協議。實施形態1之所期望之結果可不是滿足服務等級協議,可滿足不同於服務等級協議而另外決定之與雲端服務相關之基準。該情形下,預測部102針對每一候選預測是否滿足與雲端服務相關之基準。
例如,預測部102基於服務中所利用之系統之設定、由該系統預測之狀況、該系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者與候選,預測是否滿足基準。預測部102針對每一候選,將包含該等之至少一者與該候選之輸入資料輸入至預測模型M1。預測模型M1計算被輸入之輸入資料之特徵量,並輸出與特徵量相應之預測結果。預測部102取得由預測模型M1輸出之各候選之預測結果。
[特定部]
特定部103特定經預測為會獲得所期望之結果之候選。於實施形態1中,特定部103特定經預測為會獲得所期望之結果、且成本相對低之候選。所謂成本相對低係指與其他之成本相比更低。換言之,即便存在一個其他較高之成本,亦相當於成本相對低。
於實施形態1中,特定部103特定預測為獲得所期望之結果之候選中成本最小之候選。例如,特定部103特定自滿足服務等級協議之預測結果切換至不滿足服務等級協議之預測結果之分界線。自該分界線起計數,第一個候選相當於成本最小之候選。在所期望之結果為滿足與如上述之雲端服務相關之基準之情形下,特定部103特定經預測為滿足與雲端服務相關之基準之候選。
再者,特定部103可特定獲得滿足服務等級協議之預測結果之候選中成本為第二小之候選,亦可特定其以上之成本之候選。又,特定部103亦可不考量成本地特定滿足服務等級協議之任一候選。實施形態1之特定部103使所特定之候選之詳情顯示於資源設定畫面G,所特定之候選亦可在其他用途中使用。例如,特定部103可無需使事業者選擇候選,而將所特定之候選決定為事業者之資源。
[1-4.由實施形態1之預測系統執行之處理]
圖6係顯示由實施形態1之預測系統S執行之處理之一例之流程圖。圖6所示之處理藉由控制部11依照記憶於記憶部12之程式進行動作、控制部21依照記憶於記憶部22之程式進行動作而執行。下文中所說明之處理係由圖3所示之功能區塊執行之處理之一例。
如圖6所示般,伺服器10基於訓練資料組DS1進行預測模型M1之學習(S100)。於S100中,伺服器10基於各個訓練資料調整預測模型M1之參數,進行預測模型M1之學習。伺服器10將已學習之預測模型M1記錄於記憶部12。
終端20在自操作部24被進行特定之操作時,對伺服器10發送資源設定畫面G之顯示請求(S101)。伺服器10在接收到顯示請求時,基於特定之計算方法對由雲端系統預測之請求數等之狀況進行計算(S102)。於S102中,伺服器10根據過去之實測值之統計計算請求數等之預測值。伺服器10可計算特定之日期和時間之預測值,亦可計算每小時或每個月之預測值。於實施形態1中,於S102中,伺服器10藉由同樣之計算方法計算由雲端系統所依存之其他系統預測之狀況。
伺服器10基於資源候選資料D1取得複數個資源之候選(S103)。於S103中,伺服器10取得儲存於資源候選資料D1之所有之候選。於實施形態1中,可按照成本之降序取得資源之候選,進行由S104之處理執行之預測。
伺服器10將包含在S102中計算出之預測值、記憶於記憶部12之雲端系統與其他系統之設定值、及在S103中所取得之任一候選的輸入資料輸入至預測模型M1,並取得自預測模型M1輸出之預測結果(S104)。當在S104中被輸入輸入資料時,預測模型M1基於輸入資料計算特徵量,並輸出與特徵量相應之預測結果。
伺服器10判定是否已取得在S103中所取得之所有之候選之預測結果(S105)。在存在未取得預測結果之候選時(S105;否),返回S104之處理,而取得下一候選之預測結果。
再者,可不是在取得所有之候選之預測結果、而是在已獲得不滿足服務等級協議之預測結果之時點,伺服器10結束取得預測結果之處理。該情形下,自容易滿足服務等級協議之資源之值為高之候選起依序、例如按照成本之降序取得預測結果。亦可與其相反地,自資源之值為低之候選起依序取得預測結果,在獲得滿足服務等級協議之預測結果之時點,伺服器10結束取得預測結果之處理。亦即,可在特定出成為是否滿足服務等級協議之分界線之候選之時點,伺服器10結束取得預測結果之處理。
在判定為已取得所有之候選之預測結果時(S105;是),伺服器10產生資源設定畫面G之顯示資料,並發送至終端20(S106)。於S106中,伺服器10產生表示在S103中所取得之候選之詳情與在S104中所取得之預測結果之關係之資源設定畫面G之顯示資料。伺服器10將預測為滿足服務等級協議之候選中成本最低之候選設為輸入表單F之預設值。再者,顯示資料只要為用於使圖像顯示之資料即可,例如為HTML資料等。
終端20在接收到顯示資料時,使資源設定畫面G顯示於顯示部25(S107),並結束本處理。事業者以顯示於資源設定畫面G之資訊為參考,自輸入表單F選擇任意之候選,而決定雲端系統之資源。
根據實施形態1之預測系統S,藉由針對影響特定之服務所期望之結果之獲得容易度之資訊之每一候選,預測是否獲得所期望之結果,且特定經預測為會獲得所期望之結果之候選,而在服務中易於獲得所期望之結果。例如,預測系統S藉由將預測為獲得所期望之結果之候選提示給事業者,或者將該候選決定為在服務中所採用之資訊,而可提高獲得所期望之結果之概率。
又,於預測系統S中,資訊所示之值愈高,則愈容易獲得所期望之結果,且與服務相關之成本愈高。而且,預測系統S特定經預測為會獲得所期望之結果、且成本相對低之候選。藉此,預測系統S可在抑制成本下獲得所期望之結果。例如,可抑制用於滿足服務等級協議所需之硬體資源之浪費。例如,可抑制搭載過度高規格之CPU、或搭載不必要大之記憶體。
又,預測系統S藉由特定預測為獲得所期望之結果之候選中成本最小之候選,可將用於獲得所期望之結果之成本抑制為最低限度。例如,可藉由最低限度之硬體資源滿足服務等級協議。例如,藉由搭載最低限度之規格之CPU、搭載最低限度之容量之記憶體,而可有效地抑制硬體資源之浪費。
又,預測系統S藉由利用預測模型M1針對每一候選預測是否獲得結果,而可提高是否獲得所期望之結果之預測精度。又,基於最新之訓練資料使預測模型M1定期地學習,藉此可將最新之傾向反映於預測結果。
又,預測系統S特定用於滿足服務等級協議等之基準所需之資源,而可確保用於提供一定之品質之服務之資源。其結果為,可提高服務之品質。
又,預測系統S基於服務中所利用之系統之設定、由該系統預測之狀況、該系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者與候選,預測是否滿足服務等級協議等之基準,藉此可提高預測精度。
[2.實施形態2]
於實施形態1中,對於將預測系統S適用於雲端服務之情形進行了說明,於實施形態2中,對於將預測系統S適用於電子結算服務之情形進行說明。於實施形態2中,對於與實施形態1同樣之構成省略說明,對於與實施形態1不同之構成進行說明。
實施形態2之伺服器10係提供電子結算服務之伺服器電腦。電子結算本身可利用周知之結算方法,例如利用信用卡、電子貨幣、積分、銀行賬戶、或虛擬貨幣進行結算。伺服器10記憶電子結算所需之資訊,根據來自使用者之要求而執行結算處理。
終端20係電子結算服務之使用者所操作之電腦。例如,於終端20安裝有電子結算服務之應用(以下為電子結算應用)。使用者利用終端20之電子結算應用在實體店或自動販賣機等進行電子結算。終端20可包含電子結算用之IC晶片。
於實施形態2中,若使用者利用電子結算服務進行電子結算,則被給予下次以後可使用之積分。積分可於任意之時序下給予,例如,可在使用者每次進行電子結算時給予,亦可針對每一定之期間給予。電子結算服務之事業者因利潤減少與給予使用者之積分相應之部分,故事業者發生積分份額之成本。
事業者藉由負擔與積分相應之成本,而可給予使用者繼續利用電子結算服務之激勵。若假如事業者給予所有使用者較多之積分,則雖然可給予所有使用者較強之激勵,但事業者發生龐大之成本。又,用於賦予激勵之有效之積分之量根據使用者而不同。因此,即便對所有使用者一律給予相同之積分,但並不是對所有之使用者給予有效之激勵。
因此,實施形態2之預測系統S針對所給予之積分之每一候選,預測假定為該積分被給予時,使用者是否繼續利用電子結算服務。藉此,將用於賦予激勵之有效之積分給予使用者。進而,預測系統S將預測為使用者繼續利用電子結算服務之積分之候選中最小值之候選特定為給予使用者之積分。藉此,將事業者發生之成本抑制為最低限度。
圖7係顯示實施形態2之預測系統S之概要之圖。圖7之例顯示對期待利潤高且流失率低之使用者A、及期待利潤低且流失率高之使用者B各者給予積分之情形。期待利潤係預測(期待)在將來之特定期間內自使用者獲得之利潤。流失率係預測為自電子結算服務流失之概率、或於某一定期間(例如,6個月)內預測為流失之期間之比例。詳情將於後述,期待利潤與流失率各者係根據使用者之屬性或利用狀況等來計算。
再者,繼續利用電子結算服務、與不自電子結算服務流失可為彼此相同之意思,於實施形態2中以不同之意思來使用。於實施形態2中,於某期間t1
(例如,t1
為1個月)之期間,於使用者不利用電子結算服務之情形下,為該使用者自電子結算服務流失之狀態。不滿足流失之條件之使用者為未自電子結算服務流失之狀態。
又,於較期間t1
更長之期間t2
(例如,t2
為6個月)內,於流失之次數為特定次數以上之情形下,或一次亦未利用之期間超過基準值之情形下,該使用者為未繼續利用電子結算服務之狀態。滿足繼續之條件之使用者為繼續利用電子結算服務之狀態。於實施形態2中,有時將未繼續利用之狀態記載為休眠。亦有如下之情形:即便曾經為流失之使用者,但若流失之次數少、或一次亦未利用之期間短,則滿足繼續之條件。
因使用者A期待利潤高、流失率低,故預測系統S預測為即便給予使用者A較多之積分,事業者亦不發生損失。因此,預測系統S將較使用者B多之「800pt」給予使用者A。「800pt」係預測為用於賦予使用者A激勵之有效之積分中之最小值。又,預測系統S預測為即便給予使用者A「800pt」,仍產生利潤。
因使用者B期待利潤低、且流失率高,故預測系統S預測為若將較多之積分給予使用者B,則事業者會發生損失。因此,預測系統S對使用者B,將較使用者A少之「15pt」給予使用者B。「15pt」係預測為用於賦予使用者B激勵之有效之積分中之最小值。又,預測系統S預測為即便給予使用者B「15pt」,仍產生利潤。
如以上所述般,實施形態2之預測系統S在事業者產生利潤之範圍內,將預測為賦予繼續利用電子結算服務之激勵之積分,給予使用者。以下,對於實施形態2之預測系統S之詳情進行說明。
[2-1.由實施形態2之預測系統實現之功能]
圖8係顯示由實施形態2之預測系統S實現之功能之一例之功能方塊圖。實施形態2之伺服器10除了在實施形態1中所說明之功能以外,亦包含:流失率計算部104、期待利潤計算部105、及最大值計算部106。流失率計算部104、期待利潤計算部105、及最大值計算部106各者主要由控制部11實現。對於在實施形態1中所說明之資料記憶部100、候選取得部101、預測部102、及特定部103,說明與實施形態1不同之部分。
[資料記憶部]
於實施形態2中,作為資料記憶部100所記憶之資料之一例,對流失率計算模型M2、期待利潤計算模型M3、預測模型M4、及與該等之模型對應之訓練資料組DS2~DS4進行記憶。
流失率計算模型M2在被輸入與使用者相關之資訊時,計算該使用者之流失率並輸出。於流失率計算模型M2,定義有與使用者相關之資訊跟流失率之關係。流失率計算模型M2可意指計算流失率並輸出之程式本身,亦可不僅意指該程式,而且意指包含參數等之資料整體。
於實施形態2中,流失率計算模型M2係利用機器學習而製作之模型。與在實施形態1中所說明之預測模型M1同樣,機器學習本身可利用各種手法。又,與在實施形態1中所說明之預測模型M1同樣,於流失率計算模型M2中,包含程式及參數之至少一者,藉由學習而參數被調整。該等之點對於期待利潤計算模型M3及實施形態2之預測模型M4亦相同。
於實施形態2中,於流失率計算模型M2之輸入資料中,包含使用者之屬性、電子結算服務之利用狀況、及其他服務之利用狀況中之至少一者。屬性係表示使用者之特徵之資訊,且可意指分類或範疇。例如,屬性係使用者之性別、年齡、居住地域、收入(年收入)、及職業中之至少一者。屬性係使用者之個人資訊之一種。
電子結算服務之利用狀況,係顯示在過去之整個期間或一部分期間(例如,最近1個月),使用者如何利用電子結算服務之資訊。例如,電子結算服務之利用狀況係電子結算服務中之利用金額、利用積分數、利用次數、利用頻度、利用時間、利用地點、及支付對象中之至少一者。
其他服務係電子結算服務之使用者所利用之其他服務。電子結算服務與其他服務協作,與其他服務共有使用者之利用狀況。例如,其他服務係與電子結算服務合作之金融服務、通訊服務、或電子商務服務。其他服務中之利用狀況係顯示在過去之整個期間或一部分期間,使用者如何利用其他服務之資訊。例如,其他服務之利用狀況係其他服務中之利用金額、利用積分數、利用次數、利用頻度、利用時間、利用地點、及支付對象中之至少一者。
圖9係顯示流失率計算模型M2之訓練資料組DS2之資料儲存例之圖。如圖9所示般,流失率計算模型M2之訓練資料組DS2儲存有許多包含使用者屬性、使用者之電子結算服務之利用狀況、及使用者之其他服務之利用狀況之輸入資料,與表示流失率之輸出資料之成對之訓練資料。
訓練資料組DS2係由預測系統S之管理者準備。流失率係基於過去之使用者之利用狀況而統計。再者,輸出資料亦可不是表示流失率,而是表示是否流失之值。該情形下,流失率計算模型M2可將表示流失之可能性之得分,作為流失率而輸出。
期待利潤計算模型M3係在被輸入與使用者相關之資訊時,計算該使用者之期待利潤並輸出。於期待利潤計算模型M3中,定義有使用者相關之資訊跟期待利潤之關係。期待利潤計算模型M3可意指計算期待利潤並輸出之程式本身,亦可不僅意指該程式,而意指包含參數等之資料整體。
於實施形態2中,期待利潤計算模型M3係利用機器學習而製作之模型。於期待利潤計算模型M3之輸入資料中,包含使用者之屬性、及使用者之電子結算服務之利用狀況中之至少一者。亦可於該輸入資料中,包含使用者之其他服務之利用狀況。又,該電子結算服務之利用狀況所示之期間,可與流失率計算模型M2為相同之期間,亦可為不同之期間。例如,電子結算服務之利用狀況所示之期間,與流失率計算模型M2相比可為長期間。例如,可行的是,於流失率計算模型M2中,僅利用最近之利用狀況,於期待利潤計算模型M3中,係利用更長期之利用狀況。
圖10係顯示期待利潤計算模型M3之訓練資料組DS3之資料儲存例之圖。如圖10所示般,期待利潤計算模型M3之訓練資料組DS3儲存有許多包含使用者屬性及電子結算服務之利用狀況之輸入資料,與表示期待利潤之輸出資料之成對之訓練資料。訓練資料組DS3係由預測系統S之管理者準備。期待利潤係基於過去之使用者之利用狀況而統計。
實施形態2之預測模型M4關於預測是否獲得所期望之結果之點與實施形態1相同。其中,所期望之結果之意思,於實施形態1及實施形態2中不同,因此預測模型M4之處理之詳情與實施形態1不同。實施形態2之預測模型M4在被輸入與使用者相關之資訊時,輸出該使用者是否繼續利用電子結算服務之預測結果。
於預測模型M4中,定義有與使用者相關之資訊跟繼續利用之預測結果之關係。預測模型M4可意指計算預測結果並輸出之程式本身,亦可不僅意指該程式,而且意指包含參數等之資料整體。
實施形態2之預測模型M4係利用機器學習而製作之模型。於預測計算模型之輸入資料中,包含使用者之流失率、使用者之屬性、使用者對電子結算服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者。該等之利用狀況所示之期間與流失率計算模型M2及期待利潤計算模型M3可為相同之期間,亦可為不同之期間。例如,於預測模型M4中,可僅利用最近之利用狀況。於實施形態2中,除了包含上述之資訊外,輸入資料亦包含實際給予使用者之積分數。
圖11係顯示預測模型M4之訓練資料組DS4之資料儲存例之圖。如圖11所示般,預測模型M4之訓練資料組DS4儲存有許多包含流失率、使用者屬性、電子結算服務之利用狀況、及給予積分之輸入資料,與表示預測結果之輸出資料之成對之訓練資料。
訓練資料組DS4係由預測系統S之管理者準備。輸出資料所示之值(繼續或休眠)係基於過去之使用者之利用狀況而統計。例如,針對訓練資料組DS4之資料收集用,可預先對一定比例之使用者隨機給予積分,並確認被給予積分之使用者是否繼續利用電子結算服務。
再者,記憶於資料記憶部100之資料並不限於上述之例。例如,資料記憶部100亦可記憶儲存有與使用者相關之各種資訊之使用者資料庫。於使用者資料庫中,儲存有使用者ID、密碼等認証資訊、信用卡資訊等結算資訊、使用者之屬性、使用者所保有之積分、過去被給予之積分之履歷、電子結算服務之利用狀況、及其他服務之利用狀況。
[流失率計算部]
流失率計算部104基於特定之計算方法計算使用者自電子結算服務之流失率。於本實施形態中,作為該計算方法之一例,舉出利用流失率計算模型M2之方法為例。計算方法亦可為其他方法,例如亦可為利用巨集、數式、或表等之計算方法。流失率計算部104只要基於定義有與使用者相關之資訊跟流失率之關係之任意之資料,計算與使用者相應之流失率即可。
例如,使用者之年收入愈多,則該使用者之流失率愈低。又,例如,使用者之居住地域愈為都市部,則該使用者之流失率愈低。又,例如,使用者之利用金額愈多,則該使用者之流失率愈低。又,例如,使用者之利用頻度愈高,則該使用者之流失率愈低。又,例如,使用者之利用地點愈多,則該使用者之流失率愈低。關於其他要素亦同樣地,於與使用者相關之資訊跟流失率之間具有相關關係,只要基於定義有該相關關係之資料,計算與使用者相應之流失率即可。
於實施形態2中,流失率計算部104基於使用者之屬性、使用者對電子結算服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者,計算流失率。流失率計算部104將包含該等之至少一者之輸入資料輸入至流失率計算模型M2。流失率計算模型M2計算該輸入資料之特徵量,並輸出與特徵量相應之流失率。流失率計算部104取得由流失率計算模型M2輸出之流失率。再者,流失率計算模型M2亦可考量過去之積分之給予履歷而輸出流失率。
[期待利潤計算部]
期待利潤計算部105基於特定之計算方法計算使用者之期待利潤。於本實施形態中,作為該計算方法之一例,舉出利用期待利潤計算模型M3之方法為例。計算方法亦可為其他方法,例如亦可為利用巨集、數式、或表等之計算方法。期待利潤計算部105只要基於定義有與使用者相關之資訊跟期待利潤之關係之任意之資料,計算與使用者相應之期待利潤即可。
例如,使用者之年收入愈多,則該使用者之期待利潤愈高。又,例如,使用者之居住地域愈為都市部,則該使用者之期待利潤愈高。又,例如,使用者之利用金額愈多,則該使用者之期待利潤愈高。又,例如,使用者之利用頻度愈高,則該使用者之期待利潤愈高。又,例如,使用者之利用地點愈多,則該使用者之期待利潤愈高。關於其他要素亦同樣地,於與使用者相關之資訊跟期待利潤之間具有相關關係,只要基於定義有該相關關係之資料,計算與使用者相應之期待利潤即可。
於實施形態2中,期待利潤計算部105基於使用者之屬性與使用者對電子結算服務之利用狀況中之至少一者計算期待利潤。期待利潤計算部105將包含該等之至少一者之輸入資料輸入至期待利潤計算模型M3。期待利潤計算模型M3計算該輸入資料之特徵量,並輸出與特徵量相應之期待利潤。期待利潤計算部105取得由期待利潤計算模型M3輸出之期待利潤。
[最大值計算部]
最大值計算部106基於流失率,對可給予使用者之積分之最大值進行計算。於實施形態2中,最大值計算部106不僅基於流失率,而且基於期待利潤對可給予使用者之積分之最大值進行計算。最大值計算部106亦可不考量期待利潤,而僅考量失率,對可給予之積分之最大值進行計算。
最大值計算部106只要基於特定之計算方法對可給予之積分之最大值進行計算即可。計算方法可為任意之方法,例如,可為藉由利用機器學習而製作之模型來計算之方法、利用特定之計算式之方法,或可利用決定可給予之積分之表等。
例如,最大值計算部106以流失率愈低,則可給予之積分之最大值愈高之方式計算最大值。又,例如,最大值計算部106以期待利潤愈高,則可給予之積分之最大值愈高之方式計算最大值。於實施形態2中,作為最大值之計算方法之一例,對於下述之方法進行說明,但並不限於該計算方法。例如,為了挽留流失率高之使用者,最大值計算部106亦可以流失率愈高,則可給予之積分之最大值愈高之方式計算最大值。
例如,將使用者之流失率設為P(c),將使用者之期待利潤設為R(c),將與流失率P(c)相應之積分設為f(P(c))。在使用者已自電子結算服務流失之情形下,事業者負擔所給予之積分之全額,因此發生f(P(c))之損失。若使用者不自電子結算服務流失而繼續利用,則預測為產生R(c)-f(P(c))之利潤。
作為事業者,藉由計算式「(1-P(c))×(R(c)-f(P(c)))-P(c)×f(P(c))」而求得之值成為事業者所獲得之期待利潤。最大值計算部106以該值成為正數之方式計算積分f(P(c))之最大值。例如,最大值計算部106以計算式為「f(P(c))<R(c)-P(c)×R(c)」或「f(P(c))≦R(c)-P(c)×R(c)」之方式計算可給予之積分f(P(c))之最大值。
[候選取得部]
實施形態2之預測模型M4關於取得對所期望之結果之獲得容易度帶來影響之資訊之候選之點上,與實施形態1之預測模型M1相同。於實施形態2中,該資訊為給予電子結算服務之使用者之積分,因此候選取得部101取得給予使用者之積分之候選。於實施形態2中,所期望之結果為使用者繼續電子結算服務之利用,積分相當於對繼續利用電子結算服務帶來影響之資訊之一例。給予使用者之積分愈多,則使用者愈容易繼續利用電子結算服務。
積分係獎勵之一例。獎勵不限於積分,亦可對使用者給予任意之獎勵。例如,當場可利用之折扣、優惠券、或給予使用者之禮品亦可相當於獎勵。例如,候選取得部101在由最大值計算部106計算出之最大值之範圍內取得候選。所謂最大值之範圍內係指最大值以下之任意之數值。
於實施形態2中,對於候選取得部101將最大值以下之所有數值作為候選而取得之情形進行了說明,但候選取得部101亦可將最大值以下之僅一部分數值作為候選而取得。再者,候選取得部101亦可將與最大值無關地隨機產生之數值作為候選而取得。
[預測部]
預測部102針對每一候選預測使用者是否繼續電子結算服務之利用。於實施形態2中,與實施形態1相同,對於利用已學習之預測模型M4之預測方法進行了說明,但亦可不是特別利用機器學習之預測。例如,亦可為製作預測是否繼續利用之模擬器、並利用模擬器之預測方法。另外,例如,亦可為不是利用預測模型M4或模擬器、而是利用數式或表等之預測方法。
預測部102基於使用者自電子結算服務之流失率、使用者之屬性、使用者對電子結算服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者,預測使用者是否繼續電子結算服務之利用。預測部102針對每一候選,將包含該等之至少一者與該候選之輸入資料輸入至預測模型M4。預測模型M4計算被輸入之輸入資料之特徵量,並輸出與特徵量相應之預測結果。預測部102取得由預測模型M4輸出之各候選之預測結果。
[特定部]
特定部103特定經預測為使用者會繼續電子結算服務之利用之候選。於實施形態2中,亦考量可給予之積分之最大值,因此特定部103在最大值之範圍內特定經預測為使用者會繼續電子結算服務之利用之候選。又,於實施形態2中,亦考量使用者之期待利潤,因此特定部103基於期待利潤特定經預測為使用者會繼續電子結算服務之利用之候選。例如,特定部103在與期待利潤相應之最大值之範圍內,特定經預測為使用者會繼續電子結算服務之利用之候選。
圖12係顯示實施形態2之特定部103之處理內容之圖。圖12中以D2之符號示出之資料係儲存有使用者ID為「u00001」之使用者之預測結果之資料。預測部102在每次自預測模型M4獲得預測結果時,與積分之候選建立關聯並將預測結果儲存於資料D2。於圖12之例中,將可給予之積分之最大值設為「1000pt」。特定部103針對「1000pt」以下之所有之候選,參照預測部102之預測結果。
於圖12之例中,若為「800pt」以上,則獲得「繼續」之預測結果,若為「799pt」以下,則獲得「休眠」之預測結果。因此,特定部103將獲得「繼續」之預測結果之最小值之「800pt」特定為給予使用者之積分。再者,特定部103可特定「801pt」以上之積分,亦可特定接近「繼續」與「休眠」之分界線之「799pt」。特定部103將所特定之積分給予使用者。所謂給予積分,意指令使用者所保有之積分增加。再者,於圖12之例中,針對可給予之積分之最大值以下之每1積分之候選獲得預測結果,但獲得預測結果之積分之單位亦可為任意之其他單位。
再者,積分亦可不是每次在使用者利用時給予,而是以在給予積分後之特定期間內不給予積分之方式進行限制。又,亦可在無論給予多少積分,但事業者不產生利潤,且使用者亦不繼續電子結算服務之利用之情形下,不給予積分。例如,可在針對可給予之積分之最大值以下之所有之候選,獲得「休眠」之預測結果之情形下,不給予積分。
[2-2.由實施形態2之預測系統執行之處理]
圖13係顯示由實施形態2之預測系統S執行之處理之一例之流程圖。圖13所示之處理藉由控制部11依照記憶於記憶部12之程式進行動作、控制部21依照記憶於記憶部22之程式進行動作而執行。下文中所說明之處理係由圖8所示之功能區塊執行之處理之一例。
如圖13所示般,伺服器10基於流失率計算模型M2之訓練資料組DS2進行流失率計算模型M2之學習(S200)。於S200中,伺服器10以在訓練資料所含之輸入資料被輸入至流失率計算模型M2時,獲得訓練資料所含之輸出資料之方式,對流失率計算模型M2之參數進行調整。與實施形態1之預測模型M1相同,學習本身可利用在機器學習中所使用之周知之手法。關於該點,期待利潤計算模型M3與實施形態2之預測模型M4亦相同。
伺服器10基於期待利潤計算模型M3之訓練資料組DS3進行期待利潤計算模型M3之學習(S201)。於S201中,伺服器10以訓練資料所含之輸入資料輸入至期待利潤計算模型M3時,獲得訓練資料所含之輸出資料之方式對期待利潤計算模型M3之參數進行調整。
伺服器10基於預測模型M4之訓練資料組DS4進行預測模型M4之學習(S202)。於S202中,伺服器10以在訓練資料所含之輸入資料輸入至預測模型M4時,獲得訓練資料所含之輸出資料之方式對預測模型M4之參數進行調整。
終端20在自操作部24被進行特定之操作時,對伺服器10發送結算請求(S203)。結算請求係用於請求結算處理之執行之請求。例如,於結算請求中,包含電子結算服務中使用者所選擇之結算方法及結算金額等之資訊。伺服器10在接收到結算請求時執行結算處理(S204)。伺服器10基於S204中之結算處理之執行結果,更新使用者對電子結算服務之利用狀況。
伺服器10基於已學習之流失率計算模型M2計算使用者之流失率(S205)。於S205中,伺服器10將包含使用者之屬性、使用者對電子結算服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者之輸入資料輸入至流失率計算模型M2。流失率計算模型M2計算輸入資料之特徵量,並輸出與特徵量相應之流失率。
伺服器10基於已學習之期待利潤計算模型M3計算使用者之期待利潤(S206)。於S206中,伺服器10將包含使用者之屬性與使用者對電子結算服務之利用狀況中之至少一者之輸入資料輸入至期待利潤計算模型M3。期待利潤計算模型M3計算輸入資料之特徵量,並輸出與特徵量相應之期待利潤。
伺服器10基於在S206中計算出之期待利潤計算可給予使用者之積分之最大值 (S207)。於S207中,伺服器10將在S205中計算出之流失率與在S206中計算出之期待利潤代入特定之計算式,計算積分之最大值。
伺服器10於在S207中計算出之最大值之範圍內,取得給予使用者之積分之候選(S208)。於S208中,伺服器10將在S207中計算出之最大值以下之所有數值作為積分之候選而取得。以下所說明之S209之處理依照候選所示之數值之由高至低之順序而執行。
伺服器10基於已學習之預測模型M4,針對在S208中所取得之候選取得使用者是否繼續利用電子結算服務之預測結果(S209)。於S209中,伺服器10將包含在S205中計算出之流失率、使用者之屬性、使用者對電子結算服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者與在S208中所取得之候選之輸入資料輸入至預測模型M4,並取得自預測模型M4輸出之預測結果。預測模型M4基於輸入資料計算特徵量,並輸出與特徵量相應之預測結果。
伺服器10判定針對在S208中所取得之所有之候選是否已取得預測結果(S210)。於存在未取得預測結果之候選時(S210;否),返回S209之處理,取得數值為次之低之候選之預測結果。
於判定為已取得所有之候選之預測結果時(S210;是),伺服器10將預測結果顯示繼續之候選中之最小值之積分給予使用者(S211),並結束本處理。若積分被給予使用者,則自伺服器10對終端20發送結算完成之主旨之通知,圖7之畫面顯示於終端20。再者,亦可省略S203及S204之處理。例如,流失率高之使用者之終端20因發送結算請求之頻度低,故可不是相應於結算請求之發送給予積分,而是在其他任意之時序給予積分。藉由如此般執行,可防止對流失率高之使用者錯失賦予繼續電子結算服務之激勵之機會。亦可對該使用者,利用電子郵件等,通知積分已被給予。亦即,即便使用者不啟動電子結算應用,仍可容易發現已被給予積分。
根據實施形態2之預測系統S,如電子結算服務等般於可利用積分之服務中,可提高令使用者繼續服務之利用之概率。其結果為,可將事業者所獲得之利潤最大化。
又,實施形態2之預測系統S藉由在與使用者之流失率相應之積分之最大值之範圍內,特定經預測為使用者會繼續服務之利用之候選,而可在事業者確實地獲得利潤之範圍內,令使用者繼續服務之利用。
又,實施形態2之預測系統S藉由基於使用者之屬性、使用者對服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者,計算流失率,而可提高流失率之計算精度。其結果為,可提高使用者是否繼續利用之預測精度。
又,實施形態2之預測系統S藉由基於使用者之期待利潤,特定經預測為使用者會繼續服務之利用之候選,而可在事業者確實地獲得利潤之範圍內,令使用者繼續服務之利用。
又,實施形態2之預測系統S藉由在與期待利潤相應之積分之最大值之範圍內,特定經預測為使用者會繼續服務之利用之候選,而可在最大值之範圍內繼續服務之利用。可在事業者確實地獲得利潤之範圍內,令使用者繼續服務之利用。
又,實施形態2之預測系統S藉由基於使用者自服務之流失率、使用者之屬性、使用者對服務之利用狀況、及使用者對其他服務之利用狀況中之至少一者,預測使用者是否繼續服務之利用,而可提高預測精度。
[3.變化例]
再者,本揭示並不限定於以上所說明之實施形態。在不脫離本揭示之旨趣之範圍內可適當進行變更。
例如,於實施形態1中對於雲端服務之適用例進行了說明,於實施形態2中對於電子結算服務之適用例進行了說明,但可將預測系統S適用於其他任意之服務。例如,預測系統S亦可與實施形態1同樣地,特定在通訊服務中為了提供一定品質之服務所需要、且將成本抑制為最低限度之資源。又,例如,預測系統S亦可與實施形態2同樣地,決定在電子商務服務中令使用者繼續利用、且將成本抑制為最低限度之積分。關於其他服務亦同樣地,預測系統S只要特定在服務中預測為獲得所期望之結果之候選即可。
又,例如,作為由伺服器10實現之功能而說明之功能可由複數台電腦分擔。又,例如,作為記憶於資料記憶部100之資料而說明之資料,亦可記憶於與伺服器10不同之其他電腦或資訊記憶媒體。
10:伺服器
11:控制部
12:記憶部
13:通訊部
20:終端
21:控制部
22:記憶部
23:通訊部
24:操作部
25:顯示部
100:資料記憶部
101:候選取得部/候選取得機構
102:預測部/預測機構
103:特定部/特定機構
104:流失率計算部
105:期待利潤計算部
106:最大值計算部
D1:資源候選資料
D2:資料
DS1:訓練資料組
DS2:流失率計算模型之訓練資料組
DS3:期待利潤計算模型之訓練資料組
DS4:預測模型之訓練資料組
F:輸入表單
G:資源設定畫面
M1:預測模型
M2:流失率計算模型
M3:期待利潤計算模型
M4:預測模型
N:網路
S:預測系統
S100~S107,S200~S211:步驟
圖1係顯示預測系統之整體構成之圖。
圖2係顯示資源設定畫面之一例之圖。
圖3係顯示由實施形態1之預測系統實現之功能之一例之功能方塊圖。
圖4係顯示訓練資料組之資料儲存例之圖。
圖5係顯示資源候選資料之資料儲存例之圖。
圖6係顯示由實施形態1之預測系統執行之處理之一例之流程圖。
圖7係顯示實施形態2之預測系統之概要之圖。
圖8係顯示由實施形態2之預測系統實現之功能之一例之功能方塊圖。
圖9係顯示流失率計算模型之訓練資料組之資料儲存例之圖。
圖10係顯示期待利潤計算模型之訓練資料組之資料儲存例之圖。
圖11係顯示預測模型之訓練資料組之資料儲存例之圖。
圖12係顯示實施形態2之特定部之處理內容之圖。
圖13係顯示由實施形態2之預測系統執行之處理之一例之流程圖。
10:伺服器
100:資料記憶部
101:候選取得部/候選取得機構
102:預測部/預測機構
103:特定部/特定機構
D1:資源候選資料
DS1:訓練資料組
M1:預測模型
Claims (13)
- 一種預測系統,其包含:候選取得機構,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係滿足與前述服務相關之基準,前述資訊係顯示在前述服務中所利用之系統之資源;預測機構,其基於前述服務中所利用之系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者、與前述候選,針對前述每一候選預測是否會滿足前述基準;及特定機構,其特定經預測為會滿足前述基準之前述候選。
- 一種預測系統,其包含:候選取得機構,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係前述使用者繼續前述服務之利用,前述資訊係顯示給予前述服務之使用者之獎勵;流失率計算機構,其基於特定之計算方法,計算前述使用者離開前述服務之流失率;及最大值計算機構,其以前述流失率愈低,可給予前述使用者之前述獎勵之最大值愈高之方式,計算前述最大值;且預測機構,其基於特定之預測方法,針對前述每一候選預測前述使用者是否會繼續前述服務之利用;及特定機構,其在前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
- 如請求項1或2之預測系統,其中前述資訊所示之值愈高,愈容易獲得前述結果,且與前述服務相關之成本愈高,前述特定機構特定經預測為會獲得前述結果、且前述成本相對低之前述候選。
- 如請求項3之預測系統,其中前述特定機構特定預測為會獲得前述結果之前述候選中,前述成本最小之前述候選。
- 如請求項1或2之預測系統,其中前述預測機構利用基於以前述資訊為輸入、以是否獲得前述結果為輸出之訓練資料而學習之預測模型,針對前述每一候選預測是否會獲得前述結果。
- 如請求項2之預測系統,其中前述流失率計算機構基於前述使用者之屬性、前述使用者之前述服務之利用狀況、及前述使用者之其他服務之利用狀況中之至少一者,計算前述流失率。
- 如請求項2或6之預測系統,其中前述預測系統進而包含期待利潤計算機構,該期待利潤計算機構基於特定之計算方法,計算前述使用者之期待利潤,且前述特定機構基於前述期待利潤,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
- 如請求項7之預測系統,其中前述預測系統進而包含最大值計算機構,該最大值計算機構基於前述期待利潤,計算可給予前述使用者之前述獎勵之最大值,前述特定機構在與前述期待利潤相應之前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
- 如請求項2或6之預測系統,其中前述預測機構基於前述使用者離開前述服務之流失率、前述使用者之屬性、前述使用者之前述服務之利用狀況、及前述使用者之其他服務之利用狀況中之至少一者,預測前述使用者是否繼續前述服務之利用。
- 一種預測方法,其包含:候選取得步驟,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係滿足與前述服務相關之基準,前述資訊係顯示在前述服務中所利用之系統之資源;預測步驟,其基於前述服務中所利用之系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者、與前述候選,針對前述每一候選預測是否會滿足前述基準;及特定步驟,其特定經預測為會滿足前述基準之前述候選。
- 一種預測方法,其包含:候選取得步驟,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係前述使用者繼續前述服務之利用,前述資訊係顯示給予前 述服務之使用者之獎勵;流失率計算步驟,其基於特定之計算方法,計算前述使用者離開前述服務之流失率;及最大值計算步驟,其以前述流失率愈低,可給予前述使用者之前述獎勵之最大值愈高之方式,計算前述最大值;且預測步驟,其基於特定之預測方法,針對前述每一候選預測前述使用者是否會繼續前述服務之利用;及特定步驟,其在前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
- 一種程式產品,其使電腦作為如下之機構發揮功能,即:候選取得機構,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係滿足與前述服務相關之基準,前述資訊係顯示在前述服務中所利用之系統之資源;預測機構,其基於前述服務中所利用之系統所依存之其他系統之設定、及由該其他系統預測之狀況中之至少一者、與前述候選,針對前述每一候選預測是否會滿足前述基準;及特定機構,其特定經預測為會滿足前述基準之前述候選。
- 一種程式產品,其使電腦作為如下之機構發揮功能,即:候選取得機構,其取得複數個資訊之候選,前述資訊係會對特定之服務所期望之結果之獲得容易度帶來影響之資訊,前述結果係前述使用者繼續前述服務之利用,前述資訊係顯示給予前述服務之使用者之獎勵; 流失率計算機構,其基於特定之計算方法,計算前述使用者離開前述服務之流失率;及最大值計算機構,其以前述流失率愈低,可給予前述使用者之前述獎勵之最大值愈高之方式,計算前述最大值;且預測機構,其基於特定之預測方法,針對前述每一候選預測前述使用者是否會繼續前述服務之利用;及特定機構,其在前述最大值之範圍內,特定經預測為前述使用者會繼續前述服務之利用之前述候選。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2020/025266 | 2020-06-26 | ||
PCT/JP2020/025266 WO2021260924A1 (ja) | 2020-06-26 | 2020-06-26 | 予測システム、予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202205193A TW202205193A (zh) | 2022-02-01 |
TWI801895B true TWI801895B (zh) | 2023-05-11 |
Family
ID=79282192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110121172A TWI801895B (zh) | 2020-06-26 | 2021-06-10 | 預測系統、預測方法及程式產品 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220308934A1 (zh) |
JP (1) | JP7058804B1 (zh) |
TW (1) | TWI801895B (zh) |
WO (1) | WO2021260924A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10269294A (ja) * | 1997-03-28 | 1998-10-09 | Hitachi Ltd | 計画作成方法およびシステム |
TW200818035A (en) * | 2006-02-02 | 2008-04-16 | Ibm | Methods and apparatus for interactive specification of context-sensitive service level agreements; for provisioning of resources required during service delivery events regulated by service level agreements |
US20140122374A1 (en) * | 2012-10-25 | 2014-05-01 | Nec Laboratories America, Inc. | Cost exploration of data sharing in the cloud |
CN107077385A (zh) * | 2014-09-10 | 2017-08-18 | 亚马逊技术公司 | 计算实例启动时间 |
US20190132256A1 (en) * | 2017-10-30 | 2019-05-02 | Hitachi, Ltd. | Resource allocation optimizing system and method |
CN110895491A (zh) * | 2018-09-12 | 2020-03-20 | 株式会社日立制作所 | 辅助资源分配优化的系统和方法 |
US20200175540A1 (en) * | 2018-11-30 | 2020-06-04 | International Business Machines Corporation | Dynamic incentive generator |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001344534A (ja) * | 2000-03-30 | 2001-12-14 | Meiji Life Insurance Co | 保険ボーナス給付システム、保険契約通算システム、保険ボーナス給付方法および保険契約通算方法 |
CA2946775A1 (en) * | 2015-10-29 | 2017-04-29 | Subodh Kumar | Automated server workload management using machine learning |
-
2020
- 2020-06-26 WO PCT/JP2020/025266 patent/WO2021260924A1/ja active Application Filing
- 2020-06-26 JP JP2021531731A patent/JP7058804B1/ja active Active
- 2020-06-26 US US17/414,317 patent/US20220308934A1/en active Pending
-
2021
- 2021-06-10 TW TW110121172A patent/TWI801895B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10269294A (ja) * | 1997-03-28 | 1998-10-09 | Hitachi Ltd | 計画作成方法およびシステム |
TW200818035A (en) * | 2006-02-02 | 2008-04-16 | Ibm | Methods and apparatus for interactive specification of context-sensitive service level agreements; for provisioning of resources required during service delivery events regulated by service level agreements |
US20140122374A1 (en) * | 2012-10-25 | 2014-05-01 | Nec Laboratories America, Inc. | Cost exploration of data sharing in the cloud |
CN107077385A (zh) * | 2014-09-10 | 2017-08-18 | 亚马逊技术公司 | 计算实例启动时间 |
US20190132256A1 (en) * | 2017-10-30 | 2019-05-02 | Hitachi, Ltd. | Resource allocation optimizing system and method |
CN110895491A (zh) * | 2018-09-12 | 2020-03-20 | 株式会社日立制作所 | 辅助资源分配优化的系统和方法 |
US20200175540A1 (en) * | 2018-11-30 | 2020-06-04 | International Business Machines Corporation | Dynamic incentive generator |
Also Published As
Publication number | Publication date |
---|---|
US20220308934A1 (en) | 2022-09-29 |
JPWO2021260924A1 (zh) | 2021-12-30 |
TW202205193A (zh) | 2022-02-01 |
JP7058804B1 (ja) | 2022-04-22 |
WO2021260924A1 (ja) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200327449A1 (en) | User retention platform | |
US20200219042A1 (en) | Method and apparatus for managing item inventories | |
AU2018217286B2 (en) | Control system with machine learning time-series modeling | |
US20060224496A1 (en) | System for and method of expressive sequential auctions in a dynamic environment on a network | |
US20130030907A1 (en) | Clustering offers for click-rate optimization | |
US20140081696A1 (en) | Embedding calendar knowledge in event-driven inventory forecasting | |
US11151418B2 (en) | Interactive modeling application adapted for execution via distributed computer-based systems | |
JP2010517193A (ja) | 電子ネットワークにおいてコンテンツを効果的にクライアント装置に提供するためのシステム及び方法 | |
JP6955888B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
US20200302486A1 (en) | Method and system for determining optimized customer touchpoints | |
US10891678B1 (en) | Personalized network content generation and redirection according to time intervals between repeated instances of behavior based on entity size | |
US20210382952A1 (en) | Web content organization and presentation techniques | |
TWI801895B (zh) | 預測系統、預測方法及程式產品 | |
CN111311015A (zh) | 个性化点击率预测方法、设备及可读存储介质 | |
Mzoughia et al. | An improved customer lifetime value model based on Markov chain | |
JP5390263B2 (ja) | 予測投票処理装置 | |
US11631102B2 (en) | Optimization of markdown schedules for clearance items at physical retail stores | |
JP7264731B2 (ja) | Apiプラン予測システム、及びapiプラン予測方法 | |
Manshadi et al. | Redesigning VolunteerMatch's Ranking Algorithm: Toward More Equitable Access to Volunteers | |
US20220164405A1 (en) | Intelligent machine learning content selection platform | |
CN113065066B (zh) | 预测方法、装置、服务器及存储介质 | |
JP7012679B2 (ja) | 情報処理装置、コンテンツ配信装置、情報処理方法、およびプログラム | |
Zhou et al. | Beyond One-Size-Fits-All: Personalized Delivery and Fulfillment Optimisation | |
Sari et al. | A Prize Determination Approach for Crowdsourced Software Development | |
KR20230130355A (ko) | 광고 수익 기반 게임에 대한 수익 예측 방법 및 그를 이용한 게임 수익 예측 시스템 |