WO2017130488A1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
WO2017130488A1
WO2017130488A1 PCT/JP2016/081598 JP2016081598W WO2017130488A1 WO 2017130488 A1 WO2017130488 A1 WO 2017130488A1 JP 2016081598 W JP2016081598 W JP 2016081598W WO 2017130488 A1 WO2017130488 A1 WO 2017130488A1
Authority
WO
WIPO (PCT)
Prior art keywords
measure
customer
contract
state
probability
Prior art date
Application number
PCT/JP2016/081598
Other languages
English (en)
French (fr)
Inventor
慎吾 高松
Original Assignee
ソニー株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ソニー株式会社 filed Critical ソニー株式会社
Priority to US16/069,089 priority Critical patent/US20190019202A1/en
Priority to EP16888073.0A priority patent/EP3410379A1/en
Priority to JP2017563688A priority patent/JP6848883B2/ja
Publication of WO2017130488A1 publication Critical patent/WO2017130488A1/ja

Links

Images

Classifications

    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0254—Targeted advertisements based on statistics
    • 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
    • G06Q50/18—Legal services; Handling legal documents

Definitions

  • the present disclosure relates to an information processing apparatus, an information processing method, and a program.
  • the withdrawal prevention measure has been implemented even for customers with low effectiveness of the measure.
  • the present disclosure proposes an information processing apparatus, an information processing method, and a program capable of presenting an index for successful measures for guiding a customer's continuation state to a target state.
  • An information processing apparatus includes an output unit that outputs an indicator that a measure for leading to the target state is successful.
  • the processor is based on past information that indicates a change in a customer's continuation state and past information that indicates whether or not a measure that leads the customer to the target state that has changed has been implemented. Proposed is an information processing method including controlling to output an index for the calculated measure that leads to the target state to be successful.
  • a program is proposed for functioning as an output control unit that controls to output an indicator that the measure leading to the target state is successful.
  • FIG. 1 is a diagram illustrating a schematic configuration of a system according to an embodiment of the present disclosure.
  • FIG. It is a block diagram showing an internal configuration of a system by one embodiment of this indication. It is a block diagram showing an example of functional composition of a database and processing part of a server in one embodiment of this indication. It is a block diagram showing other examples of functional composition of a database of a server, and a treating part in one embodiment of this indication. It is a figure which shows the graphical model of the prediction model by this embodiment. It is a flowchart which shows the operation
  • Non-Patent Document 1 describes a technique for predicting a customer's contract probability by solving a classification problem of whether or not a contract is concluded by machine learning. Such a technique can be applied to the above-described calculation of the departure probability.
  • Non-Patent Document 1 “Probabilistic Modeling of a Sales Funnel to Prioritize Leads,” Brendan Duncan and Charles Elkan, Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Pages 1751-1758, 2015
  • the withdrawal prevention measure has been implemented even for customers who have a high withdrawal probability but a low effectiveness of the withdrawal prevention measure.
  • the above problem is solved by predicting, for each customer, the probability of success of the withdrawal prevention measure in addition to the customer's withdrawal probability.
  • the marketer chooses a customer who has a high effect of the measure by presenting an indicator that the measure for guiding the customer's continuation state to the target state (also called a marketing measure) is successful. Is possible.
  • the probability that it is such a customer is calculated and it is calculated.
  • the probability of successful withdrawal prevention measures can be calculated in consideration.
  • the system according to the present embodiment uses a probability model having the following characteristics to estimate the probability that each customer's state will change when a certain measure is implemented (determine the parameter). To do).
  • the probability that the state change of each customer occurs when the measure is not implemented is represented by x i and the probability function of parameters, p (a ⁇ b
  • p the probability that the state change of each customer is caused by the measure
  • x i the probability that the state change of each customer is caused by the measure
  • the system according to the present embodiment uses p (a ⁇ b
  • the marketer can select a customer who implements the measure in descending order of the score corresponding to the probability calculated in this way, and can implement the measure for a customer who is likely to change the state due to the measure.
  • customers can be selected in ascending order of the probability score calculated by the following equation 1.
  • a i represents the current state of the customer
  • a ′ represents a state that is not the purpose.
  • the target state a target is assumed to shift to a new contract that increases profits, although the target state a target leaves the current state, for example, the contract contents are ranked up.
  • the system according to the present embodiment generates a data entry for each customer at a certain point in time, “whether the contract has been withdrawn, whether the measure has been implemented, contract / customer data”, and learning of machine learning. Use as data.
  • a vector obtained by vectorizing feature quantities is used as the data entry of the contract / customer data.
  • x i is a feature vector of a contract / customer data of customer i.
  • the probability of leaving without taking a leave prevention measure is p 1 (x i ), and the probability of being able to prevent leave by the leave prevention measure is p 2 (x i ).
  • p 3 (x i ) be the probability that the intention to continue will not change, and each event will be expressed as shown in Table 1 below. Based on this expression, p 1 (x i ), p 2 (x i ), and p 3 (x i ) can be predicted from the learning data by maximum likelihood estimation.
  • the following table 2 shows the customer configuration of each pattern in the presence or absence of a withdrawal prevention measure by telephone and the change in contract status.
  • the annual flat-rate video distribution Web service is, for example, a contract system every year, and is a service that allows users to freely view videos provided by the service from a Web site for one year by paying an annual contract fee.
  • a marketing measure to prevent withdrawal from the contract consider distributing gift coupons by mail.
  • the coupon ID written in the coupon is entered on the designated screen of the Web service, the annual contract fee can be discounted. Since it takes a cost to create and mail a mailed gift with a coupon written therein, it is necessary to mail the coupon (hereinafter simply referred to as a coupon) only to customers who meet the cost.
  • FIG. 1 is a diagram illustrating a schematic configuration of a system according to an embodiment of the present disclosure.
  • a system 10 according to the present embodiment includes a client 100 and a server 300.
  • the client 100 and the server 300 are connected by a network 200 and can communicate with each other.
  • the client 100 can include, for example, a smartphone 100a, a personal computer 100b, and a tablet 100c.
  • the client 100 is not limited to the illustrated example, and may include any type of terminal device having a function of inputting / outputting information to / from a user.
  • the client 100 uses, for example, an image or sound in order to output information to the user.
  • the client 100 may accept input of information from the user by an operation input of the terminal device, a voice indicating speech, or an image indicating a gesture or line of sight.
  • the server 300 includes one or a plurality of server devices on the network.
  • a plurality of server devices cooperate to realize the function of the server 300 described below, the whole of the plurality of server devices may be handled as a single information processing device.
  • at least a part of the server device may be operated by an operator different from the operator of the server 300 described below.
  • a part of the server 300 may be referred to as an external server that is not included in the system 10.
  • at least a part of the server device has a database 310.
  • the database 310 stores information related to customers and customer contract information.
  • the network 200 includes various wired or wireless networks such as the Internet, a LAN (Local Area Network), or a mobile phone network.
  • the network 200 may connect the client 100 and the server 300 and may connect a plurality of server devices included in the server 300.
  • the network 200 may include a router or a hub that connects these networks to each other.
  • FIG. 2 is a block diagram illustrating an internal configuration of a system according to an embodiment of the present disclosure.
  • the client 100 may include a local storage 110, a communication unit 120, a processing unit 130, and an input / output unit 140.
  • the server 300 can include a database 310, a communication unit 320, and a processing unit 330.
  • each functional configuration will be further described.
  • the terminal device functioning as the client 100 and one or more server devices included in the server 300 are realized by, for example, a hardware configuration of an information processing device described later.
  • the local storage 110 is realized by, for example, a memory or a storage included in the terminal device.
  • information provided from the server 300 via the network 200 and information input by the user via the input / output unit 140 are stored in the local storage 110 temporarily or continuously.
  • the user can refer to the information provided from the server 300 or input a draft of the information provided to the server 300 even offline.
  • the communication unit 120 communicates with the server 300 via the network 200.
  • the communication unit 120 is realized by, for example, a communication device that performs communication on a network to which the client 100 is connected.
  • the processing unit 130 is realized by a processor such as a CPU (Central Processing Unit) included in the terminal device, for example.
  • the processing unit 130 executes processing for requesting information from the server 300 via the communication unit 120 based on information input by the user via the input / output unit 140. Further, for example, the processing unit 130 executes a process of outputting information to the user via the input / output unit 140 based on information provided from the server 300 via the communication unit 120. At this time, the processing unit 130 may execute a process of converting the provided information into an appropriate format according to the type of the input / output unit 140.
  • a processor such as a CPU (Central Processing Unit) included in the terminal device, for example.
  • the processing unit 130 executes processing for requesting information from the server 300 via the communication unit 120 based on information input by the user via the input / output unit 140. Further, for example, the processing unit 130 executes a process of outputting information to the user via the input / output unit 140 based on information provided from the server 300 via the communication unit 120
  • the input / output unit 140 is realized by, for example, an input device such as a touch panel, a mouse, a keyboard, a microphone, or a camera (imaging device) included in the terminal device and an output device such as a display or a speaker.
  • the input / output unit 140 may include only one of the input device and the output device. For example, information received from the server 300 via the communication unit 120 is displayed on the display included in the input / output unit 140 through processing by the processing unit 130. Further, for example, a user operation input acquired by a touch panel included in the input / output unit 140 is transmitted to the server 300 via the communication unit 120 through processing by the processing unit 130.
  • the functions of the processing unit 130 and the input / output unit 140 as described above are the same as the functions of the processing unit and the input / output unit in a general terminal device, for example, they will be described in detail in the following description of the present embodiment. It may not be done. However, even in such a case, for example, if the information received from the server 300 is characteristic, the function of the processing unit 130 or the input / output unit 140 in the client 100 is also in that the information is processed and output. It can be characteristic compared to their functions in a general terminal device.
  • the database 310 is realized by, for example, a memory or a storage included in the server device. As described above, the database 310 stores information related to customers and customer contracts. More specific types of information stored in the database 310 may vary depending on the content of the service provided by the server 300.
  • the communication unit 320 communicates with the client 100 via the network 200. Further, the communication unit 320 may communicate with an external server via the network 200.
  • the communication unit 320 is realized by a communication device that performs communication on a network to which the server 300 is connected, for example.
  • the processing unit 330 is realized by a processor such as a CPU included in the server device, for example.
  • the processing unit 330 acquires information from the database 310 based on information received from the client 100 via the communication unit 320, processes the acquired information as necessary, and then performs communication with the communication unit 320. The process to transmit to the client 100 is executed.
  • the functional configuration of the server 300 described above can be realized by being distributed to the plurality of server devices.
  • the function of the database 310 may be realized intensively by any server device, or may be realized by operating a database distributed to a plurality of server devices in an integrated manner.
  • the function of the processing unit 330 may be realized by operating processors distributed to a plurality of server devices in an integrated manner.
  • the functions of the processing unit 330 described below can be realized by being distributed in series or in parallel to a plurality of server devices regardless of the functional block categories defined for the description.
  • FIG. 3 is a block diagram illustrating a functional configuration example of a database and a processing unit of a server according to an embodiment of the present disclosure.
  • customer / contract data 3101 and learning data 3102 are shown as functions of the database 310 of the server 300
  • a learning unit 3301, a prediction unit 3302, and a calculation unit 3303 are shown as functions of the processing unit 330. It is shown.
  • a user I / F unit 1401 is shown as a function of the input / output unit 140 of the client 100.
  • FIG. 4 is a block diagram illustrating another example of the functional configuration of the database and the processing unit of the server according to an embodiment of the present disclosure.
  • a calculation unit 1301 is shown as a function of the processing unit 130 of the client 100.
  • the calculation unit is on the client side is also assumed.
  • the customer / contract data 3101 functions as master data of a customer / contract handled by a service provided by the server 300.
  • the customer / contract data may include, for example, customer information, contract information, contract status information, measure implementation information, and the like.
  • the customer information is information representing customer characteristics, which includes customer attributes and an action log (video viewing, etc.) on the customer's Web service. More specifically, for example, the customer information may include age, sex, address, family composition, previously viewed videos, genres of frequently viewed videos, and the like.
  • the learning unit 3301 generates a feature vector of the customer based on the customer information and the contract information.
  • the contract information is information related to the contract and is information representing the characteristics of the contract.
  • the contract information may include the contract continuation year, contract date, past withdrawal, payment method, contract agent, discount usage, and the like.
  • the contract status information is information indicating a contract status such as whether or not a contract is in progress, and is used as a customer status teacher label in the learning unit 3301.
  • the contract status information may include whether or not the contract is currently being contracted, and the date and time when the contract is terminated.
  • the measure execution information is information representing a measure execution history such as whether or not a measure for preventing withdrawal has been executed in the past, and is treated as input information different from the feature vector.
  • the measure implementation information may include whether or not a coupon has been mailed, and when mailed, the date and time of shipment.
  • the customer / contract data 3101 data related to the contract as described above is registered in association with an ID unique to each customer, for example.
  • the learning data 3102 includes feature quantities of customer / contract data registered in the customer / contract data 3101 (hereinafter also referred to as customer / contract feature quantities).
  • the customer / contract data 3101 is generated by the learning unit 3301 using, for example, the customer / contract data 3101.
  • the learning data 3102 generation process is executed once a month, for example.
  • the customer / contract feature quantity may be a vector extracted from each data item for certain customer / contract data (specified by the customer ID).
  • a feature vector can be stored in association with the customer ID.
  • One feature quantity is basically stored for one customer. Accordingly, the learning data 3102 can be used as information representing the current state of the customer, for example. Details of the processing of the learning unit 3301 for generating the feature amount will be described later.
  • the learning unit 3301 performs processing for calculating (generating) various parameters of the prediction model by machine learning using past customer / contract data as learning data.
  • the learning unit first generates learning data 3102 from the customer / contract data 3101, and then generates a prediction model parameter based on the learning data 3102. These processes are periodically executed, for example, once a month, and the parameters held in the prediction unit 3302 are updated with the calculated parameters.
  • the learning data 3102 includes, for example, the past Generated for customers who renewed or left the contract in 11 months. In other words, customers that will be subject to renewal within the next month are not included.
  • the learning data 3102 is composed of a set of customer data entries generated for each target customer.
  • the customer data entry includes three elements, “whether or not contracted”, “whether or not a measure has been implemented”, and “feature vector”.
  • Whether the contract is in progress can be created from the contract status information included in the customer / contract data 3101. Further, whether or not a measure has been implemented in the past 11 months can be created from the measure implementation information included in the customer / contract data 3101.
  • the feature vector is a vector extracted from the customer / contract data 3101 and is an example of feature data. Such a feature vector may be generated, for example, by simply connecting data items.
  • a feature vector is generated for each customer ID that uniquely identifies the customer / contract data 3101, and a combination such as “customer ID, whether contract is in progress, whether measures have been implemented, feature vector” May be stored as learning data 3102.
  • Learning unit 3301 first converts each item (age, address, etc.) of customer information and contract information into a vector called a one-of-k vector.
  • the one-of-k vector is a k-dimensional vector, in which only one element takes a value of 1 and the remaining (k-1) elements take a value of 0.
  • the learning unit 3301 enumerates possible values of the item, creates a vector having the same dimension as the number of possible values, and determines a dimension corresponding to the possible values. In vectorization, the dimension corresponding to the item value is set to 1, and the rest is set to 0, thereby converting the item value to a one-of-k vector.
  • 82-dimensional vectors from 18 to 99 years are prepared as possible values, and the age from 18 years is made to correspond in order from the first dimension.
  • an 82-dimensional one-of-k vector is created in which the third dimension is 1 and the rest is 0.
  • a one-of-k vector is created for each item of customer information and contract information, and a vector concatenated in a fixed order can be used as a customer feature vector.
  • action history information such as videos that have been viewed in the past, prepare a vector of the dimension of the type of video, create a vector with the dimension corresponding to the video viewed in the past as 1, and the remaining dimensions as 0 May be.
  • the learning unit 3301 functions as a generation unit that performs machine learning using the learning data 3102 and calculates (generates) various parameters. For example, the learning unit 3301 calculates various parameters used for the probability prediction model used in the measure success probability prediction process by the prediction unit 3302 by machine learning.
  • learning of the probability prediction model by the learning unit 3301 will be specifically described. Note that the learning method described below is an example and is not necessarily limited thereto.
  • the learning unit 3301 first defines the following variables.
  • i is a customer ID.
  • the learning unit 3301 determines the probability of each event as follows.
  • the graphical model 20 of the following prediction model is shown in FIG.
  • f h (x; w h ), f y1 (x; w y1 ), and f y2 (x; w y2 ) are parametric functions that take values of 0 or more and 1 or less, for example, logistic Regression models and neural networks can be used.
  • the learning unit 3301 determines (calculates) various parameters (w h , w y1 , w y2 ) by maximum likelihood estimation.
  • the maximum likelihood estimation is performed, for example, by executing a gradient descent method.
  • An example of likelihood estimation is shown in Equation 2 below.
  • the prediction unit 3306 uses the parameters learned by the learning unit 3301 to predict “continuation probability when measure is implemented—continuation probability when measure is not implemented” by the prediction model.
  • the prediction unit 3306 uses the customer / contract data 3101 in the same processing as the learning unit 3301 to generate a feature vector for a customer who will reach the contract renewal time within the next month.
  • the prediction unit 3306 uses the parameters learned by the learning unit 3301 to calculate “probability of leaving when no measure is taken” by f h (x; w h ), and f y1 (x i ; w
  • the “probability that the withdrawal can be prevented when the measure is taken” is calculated by y1 ), and the “probability that the measure is continued even if the measure is taken” is calculated by f y2 (x i ; w y2 ).
  • the calculated predicted value is output to the calculation unit 3303.
  • Non-Patent Document 2 “A Contextual-Bandit Approach to Personalized News Article Recommendation, ”Lihong Li, Wei Chu, John Langford, and Robert E. Schapire, Proceedings of the 19th International Conference on World Wide Web, Pages 661 ⁇ 670, 2010
  • the calculation unit 3303 calculates the numerical value requested from the user I / F unit 1401 of the client 100 using the probability output by the prediction unit 3302. In addition, the calculation unit 3303 generates data to be output to the user I / F unit 1401 such as a display included in the input / output unit 140 of the client 100 and transmits the data to the client 100 from the communication unit 320. Such data is, for example, a result image including calculated numerical values.
  • the information output method in the client 100 is not limited to image display. For example, audio output may be used together with or instead of image display.
  • the calculation unit 3303 calculates the profit rate for each customer based on the measure success probability, measure cost, and customer profit (subtract the discount amount as necessary), and arranges the calculated values as scores in descending order.
  • a list image is generated and transmitted to the client 100.
  • the measure success probability can be calculated by using the probability calculated by the prediction unit 3302 by “continuation probability when measure is executed ⁇ continuation probability when measure is not executed”.
  • the user I / F unit 1401 of the client 100 accepts input from the user, transmits input data from the communication unit 120 to the server 300, and presents information transmitted from the server 300 to the user.
  • FIG. 6 is a flowchart showing an operation process of the learning unit 3301 according to this embodiment.
  • the learning unit 3301 selects a customer who has renewed or left a contract in the past 11 months based on the customer / contract data (step S103), and the customer is selected for the selected customer.
  • a data entry is created, and the set is used as learning data 3102 (step S106).
  • the customer data entry includes three elements, “whether or not contracted”, “whether or not a measure has been implemented”, and “feature vector”.
  • feature vector creation process will be described later with reference to FIG.
  • the learning unit 3301 generates a prediction model parameter from the learning data 3102 (step S109), and updates the parameter of the prediction unit 3302 with the generated parameter (step S112).
  • FIG. 7 is a flowchart showing a feature vector generation process by the learning unit 3301. As shown in FIG. 7, the learning unit 3301 creates a one-of-k vector for each item of customer information and contract information (step S123). One-of-k vector generation processing will be described later with reference to FIG.
  • the learning unit 3301 connects the one-of-k vectors of the items in a predetermined order to create a feature vector (step S126).
  • FIG. 8 is a flowchart showing a one-of-k vector creation process according to this embodiment.
  • the learning unit 3301 acquires information indicating the value X of the item A from the customer information and the contract information (Step S133).
  • the learning unit 3301 refers to the dictionary data in which natural numbers are assigned in order from 1 to the values that can be taken by the item A, and acquires the natural number i assigned to X (step S136). For example, when converting age into a one-of-k vector, 82-dimensional vectors from 18 to 99 are prepared in advance as possible values, and the learning unit 3301 assigns the value “20 years” to the item “age” Get the natural number 3 given.
  • the learning unit 3301 creates a k-dimensional vector in which the i-th dimension is 1 and the other dimensions are 0 (step S139). That is, for example, when converting an item whose age is 20 years, the learning unit 3301 creates an 82-dimensional one-of-k vector in which the third dimension is 1 and the remaining is 0.
  • FIG. 9 is a flowchart showing the operation processing of the prediction unit 3302 according to this embodiment. As shown in FIG. 9, first, the prediction unit 3302 selects a customer who will reach the contract renewal time within the next month (step S143).
  • the predicting unit 3302 creates a feature vector for the selected customer in the same manner as the processing by the learning unit 3301 (step S146).
  • the prediction unit 3302 inputs a feature quantity vector to the prediction model using the parameter generated by the learning unit 3301, and calculates each probability (step S149).
  • the prediction part 3302 transmits each probability calculated for every customer to the user I / F part 1401 contained in the input / output part 140 of the client 100 via the communication part 320 (step S152).
  • Example of information presentation screen >> Subsequently, an example of information presented in an embodiment of the present disclosure will be described with reference to an example of a screen displayed on a display (user I / F unit 1401) included in the input / output unit 140 in the client 100, for example. To do. In the following explanation, examples of information presented when selecting target customers to implement withdrawal prevention marketing measures for the flat-rate video distribution service are explained. Information can be similarly presented in selecting a customer.
  • the calculation unit 3303 of the server 300 calculates the profit rate based on the measure success probability, the measure cost, and the customer benefit, and the customer list screen in which the customer IDs are arranged in descending order of the profit rate value. It is displayed on the user I / F unit 1401 of the client 100 and can assist the marketing staff (user) to select the target customer for the measure.
  • FIG. 10 is a diagram showing an example of a customer list screen displayed in the present embodiment.
  • a customer list 1101, a download number designation field 1102, a download button 1103, an information input field 1104, and a calculation result 1105 are displayed on the screen 1100.
  • the customer list 1101 is “continuation probability when the measure is implemented ⁇ continuation probability when the measure is not implemented” (substantial measure success probability). ) For each customer, the customer IDs are arranged in descending order of the score. The marketer refers to the customer list 1101 and selects a customer who implements the measure.
  • the marketer selects a customer who has a high measure success probability (that is, a probability of prevention of withdrawal by the measure), that is, selects a predetermined upper number of people.
  • the marketer transmits the information about the selected customer to the measure executor, for example, when the measure is “telephone”, to the call center.
  • a download number designation field 1102 and a download button 1103 are provided on the screen 1100.
  • the marketer inputs the target customers to be implemented to be communicated to the call center into the number-of-downloads designation field 1102 in the form of the top number of people, and selects the download button 1103.
  • the client 100 transmits the input information to the server 300 via the network 200.
  • the server 300 transmits customer IDs (with detailed information such as telephone numbers and addresses, if necessary) to the call center (not shown) as information indicating the person to be implemented according to the instructions of the marketer. .
  • the calculation unit 3303 calculates the number of people considering the profit ratio as reference information when the marketer considers how many people in the top should be selected as the target of the measure implementation. It is also possible to present it.
  • the marketer inputs the default price of the customer profit, the cost per measure, the discount amount of the coupon, and the target profit rate, and information on how many people should implement the measure. Obtainable.
  • the value input in the information input field 1104 is transmitted to the server 300, and the calculation unit 3303 calculates the following formula 3.
  • the calculation unit 3303 calculates the profit amount for each customer by the above formula 3, and calculates the profit rate by adding them in order from the top. Then, the calculation unit 3303 calculates how many people satisfy the designated target profit rate, and transmits the calculation result to the client 100.
  • the client 100 displays the received calculation result 1105 on the screen 1100. As a result, the marketer knows how many people in the top level will implement the measure to meet the target profit rate, and can be used as a reference when selecting the target customers for the measure.
  • the prediction certainty factor may be displayed side by side along with the predicted measure success probability score in the customer list.
  • FIG. 11 shows an example of a screen on which the prediction certainty factors are also arranged.
  • a customer list 1201 a download number designation column 1202, a download button 1203, an information input column 1204, and a calculation result 1205 are displayed on the screen 1200.
  • customer IDs, scores, and certainty levels are displayed in association with each other.
  • FIG. 12 is a diagram illustrating another example of the customer list screen displayed in the present embodiment.
  • a customer list 1301 and a profit forecast graph 1302 are displayed on the screen 1300.
  • customer IDs, scores, future customer profits, and profit estimates are displayed in association with each other.
  • the customer list 1301 is arranged in the descending order of future customer profits.
  • Customer profit is the product of the estimated value of the contract continuation year and the profit per year.
  • the predicted value of the contract continuation year may be calculated by the machine learning by the calculation unit 3303 as a regression problem in which the feature quantity vector excluding the contract continuation year of the contract information is input and the output is the contract continuation year. Is possible.
  • the profit forecast graph 1302 displays the expected profit rate and the expected profit as a graph when the measure is implemented from a customer with a higher score.
  • the expected profit rate can be calculated by, for example, the following formula 4.
  • the horizontal axis of the profit forecast graph 1302 is the number of customers targeted for the measure (number of people from the top score).
  • the profit expectation graph 1302 shown on the screen 1300 can be presented after information necessary for calculation such as a coupon discount is input by the marketer.
  • the screen 1300 does not display the download number designation field 1102 and the download button 1103 as shown in the screen 1100, but may include a screen including these.
  • FIG. 13 shows an example of a customer information detail screen displayed when a customer ID included in the customer list 1301 on the screen 1300 is selected.
  • the screen 1400 displays a customer ID, a probability of withdrawal, future customer profits, information for each measure, and customer details (address, age, gender, duration of contract, etc.). Yes.
  • each measure shows the probability of withdrawal prevention, measure costs, expected profits, and expected effects, thereby visualizing the effects for each measure.
  • Each information for each measure is obtained by the calculation unit 3303 as follows.
  • Continuation probability when measures are implemented-Continuity probability when measures are not implemented-Cost Cost per measure-Expected profit: ⁇ (Predicted value of customer profit)-(Coupon discount) ⁇ ⁇ ((Continuation probability when measures are implemented – Continuity probability when measures are not implemented) -Expected effect: ⁇ (Predicted value of customer profit)-(Coupon discount) ⁇ x (Continuation probability when measures are implemented-Continuity probability when measures are not implemented)-(Cost per measure)
  • the calculation unit 3303 calculates f y1 (x i ; w y1 ) and f y2 learned for each type of measure. Using (x i ; w y2 ), calculate “prohibition of withdrawal” for each type of measure.
  • FIG. 14 shows a formula for calculating the likelihood of such a model.
  • the visualization of the effect for each measure is not limited to the example shown in FIG. 13.
  • a coupon having the maximum expected effect is selected for each customer and presented to the user when the expected effect is larger than the threshold value. May be.
  • an “item, value” pair that works positively on the probability of withdrawal prevention and an “item, value” work that works negatively A pair may be output.
  • a description will be given with reference to FIG.
  • FIG. 15 is a diagram illustrating an example of a screen that presents items that affect the probability of leaving prevention according to the present embodiment.
  • the screen 1500 displays a pair of “item, value” that works positively on the probability of preventing the withdrawal of a coupon measure (that is, the probability that withdrawal can be prevented when a measure is taken) and a “item, The “value” pair is displayed.
  • the marketer knows that there is an effect in enhancing the drama for women and in appealing the drama that starts after the contract renewal period.
  • FIG. 16 is a block diagram illustrating a hardware configuration example of the information processing apparatus according to the embodiment of the present disclosure.
  • the illustrated information processing apparatus 900 can realize, for example, the server 300 and the client 100 in the above-described embodiment.
  • the information processing apparatus 900 includes a CPU (Central Processing unit) 901, a ROM (Read Only Memory) 903, and a RAM (Random Access Memory) 905.
  • the information processing apparatus 900 may include a host bus 907, a bridge 909, an external bus 911, an interface 913, an input device 915, an output device 917, a storage device 919, a drive 921, a connection port 923, and a communication device 925.
  • the information processing apparatus 900 may include a processing circuit such as a DSP (Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), or an FPGA (Field-Programmable Gate Array) instead of or in addition to the CPU 901.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • FPGA Field-Programmable Gate Array
  • the CPU 901 functions as an arithmetic processing device and a control device, and controls all or a part of the operation in the information processing device 900 according to various programs recorded in the ROM 903, the RAM 905, the storage device 919, or the removable recording medium 927.
  • the ROM 903 stores programs and calculation parameters used by the CPU 901.
  • the RAM 905 primarily stores programs used in the execution of the CPU 901, parameters that change as appropriate during the execution, and the like.
  • the CPU 901, the ROM 903, and the RAM 905 are connected to each other by a host bus 907 configured by an internal bus such as a CPU bus. Further, the host bus 907 is connected to an external bus 911 such as a PCI (Peripheral Component Interconnect / Interface) bus via a bridge 909.
  • PCI Peripheral Component Interconnect / Interface
  • the input device 915 is a device operated by the user, such as a mouse, a keyboard, a touch panel, a button, a switch, and a lever.
  • the input device 915 may be, for example, a remote control device that uses infrared rays or other radio waves, or may be an external connection device 929 such as a mobile phone that supports the operation of the information processing device 900.
  • the input device 915 includes an input control circuit that generates an input signal based on information input by the user and outputs the input signal to the CPU 901. The user operates the input device 915 to input various data and instruct processing operations to the information processing device 900.
  • the output device 917 is configured by a device capable of notifying the acquired information to the user using a sense such as vision, hearing, or touch.
  • the output device 917 can be, for example, a display device such as an LCD (Liquid Crystal Display) or an organic EL (Electro-Luminescence) display, an audio output device such as a speaker or headphones, or a vibrator.
  • the output device 917 outputs the result obtained by the processing of the information processing device 900 as video such as text or image, sound such as sound or sound, or vibration.
  • the storage device 919 is a data storage device configured as an example of a storage unit of the information processing device 900.
  • the storage device 919 includes, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device.
  • the storage device 919 stores, for example, programs executed by the CPU 901 and various data, and various data acquired from the outside.
  • the drive 921 is a reader / writer for a removable recording medium 927 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, and is built in or externally attached to the information processing apparatus 900.
  • the drive 921 reads information recorded on the attached removable recording medium 927 and outputs the information to the RAM 905.
  • the drive 921 writes a record in the attached removable recording medium 927.
  • the connection port 923 is a port for connecting a device to the information processing apparatus 900.
  • the connection port 923 can be, for example, a USB (Universal Serial Bus) port, an IEEE 1394 port, a SCSI (Small Computer System Interface) port, or the like.
  • the connection port 923 may be an RS-232C port, an optical audio terminal, an HDMI (registered trademark) (High-Definition Multimedia Interface) port, or the like.
  • the communication device 925 is a communication interface configured with, for example, a communication device for connecting to the communication network 931.
  • the communication device 925 can be, for example, a communication card for LAN (Local Area Network), Bluetooth (registered trademark), Wi-Fi, or WUSB (Wireless USB).
  • the communication device 925 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), or a modem for various communication.
  • the communication device 925 transmits and receives signals and the like using a predetermined protocol such as TCP / IP with the Internet and other communication devices, for example.
  • the communication network 931 connected to the communication device 925 is a network connected by wire or wireless, and may include, for example, the Internet, a home LAN, infrared communication, radio wave communication, satellite communication, or the like.
  • Each component described above may be configured using a general-purpose member, or may be configured by hardware specialized for the function of each component. Such a configuration can be appropriately changed according to the technical level at the time of implementation.
  • Embodiments of the present disclosure include, for example, an information processing device (server or client) as described above, a system, an information processing method executed by the information processing device or system, a program for causing the information processing device to function, and It may include a non-transitory tangible medium on which the program is recorded.
  • a withdrawal prevention marketing measure for maintaining a continuous contract is used as an example of a marketing measure that promotes a change in the state of the customer, but this embodiment is not limited to this.
  • the system according to the present embodiment can be applied to the following cases.
  • a customer with a low “continuity probability when measures are implemented ⁇ continuity probability when measures are not implemented” is displayed to the marketer, and the marketer uses the current withdrawal prevention measures. It can also be used as a clue to think about measures to prevent withdrawal that is effective for customers who are not effective.
  • the user I / F unit 1401 of the client 100 implements the “probability when the measure is implemented—the probability of continuation when the measure is not implemented” as a customer with a low “continuation probability when the measure is not implemented”.
  • a certain number may be displayed in ascending order of “continuation probability when not doing”. In this case, it may be to create a customer list so that the variation of x i so that it does not contain a similar customer become rich.
  • the characteristics of customers with low “continuation probability when measures are implemented—continuation probability when measures are not implemented” are commonly used for contracts and customer data that tend to appear in common. It may be presented as a set of elements. At this time, it may be possible to consider whether or not there is a large difference between the characteristics of the customer who has a high “continuation probability when the measure is implemented ⁇ continuation probability when the measure is not implemented”.
  • the certainty of prediction can be calculated by any one of the following (1) to (3).
  • (1) The average of the number of customers with a certain degree of similarity or a certain number of similar top ranks in the learning data (in this case, the higher the number, the higher the certainty of prediction)
  • (2) The magnitude of variation in withdrawal or continuation among similar customers in the learning data (in this case, the smaller the variation, the higher the certainty of prediction)
  • (3) Relationship between the posterior probability of the parameter of p 2 (x i ) and x i in this case, the higher the Bayesian posterior probability of the parameter used for estimating x i , the higher the certainty of prediction
  • the certainty is high from the viewpoint (1) above but the certainty is low from the viewpoint (2), it is considered difficult to predict with the current contract / customer data.
  • the marketer may be encouraged to acquire new features to find.
  • this technique can also take the following structures.
  • (1) To the target state calculated based on past information indicating a change in the customer's continuation state and past information indicating whether or not a measure that leads the customer to the target state has been implemented.
  • An information processing apparatus comprising an output unit that outputs an indicator that a measure for guiding is successful.
  • (2) The information processing apparatus according to (1), wherein the output unit calculates and outputs a measure success probability as an index that the measure for leading to the target state is successful for each customer currently in a continuous state.
  • the continuation state of the customer is a contract state
  • the change in continuation state is withdrawal of a contract
  • the information processing apparatus according to (2), wherein the target state is a state in which the contract state is maintained.
  • the information processing apparatus includes: A learning unit that generates a parameter of a prediction model based on past information related to the state, past information related to the implementation of the measure, and a feature amount related to the customer or the continuation state of the customer; Using the generated parameters, a prediction unit that calculates the probability of contract withdrawal when the measure is not implemented, and the probability of contract withdrawal prevention when the measure is implemented, in the customer who is currently in a continuous state; With The output unit calculates the product of the probability of contract withdrawal when the measure is not implemented and the probability of contract withdrawal prevention when the measure is implemented for each customer who is currently in a continuous state as an indicator that the measure is successful.
  • the information processing apparatus according to (3).
  • the prediction unit calculates a certainty factor of prediction, The information processing apparatus according to (6), wherein the output unit outputs the score together with a certainty of prediction.
  • the output unit calculates a profit rate at the time of implementing the measure based on the revenue forecast at the time of contract maintenance and the cost of the measure, and outputs the profit rate to the user.
  • the information processing apparatus described.
  • the output unit outputs a prediction graph of the profit rate to a user.
  • the output unit presents to the user a feature that works positively and a feature that works negatively with respect to the probability of preventing contract withdrawal when the measure is implemented.
  • the continuation state of the customer is a contract state
  • the change in the continuation state is a contract upgrade
  • Processor To the target state calculated based on past information indicating a change in the customer's continuation state and past information indicating whether or not a measure that leads the customer to the target state has been implemented. An information processing method including controlling to output an indicator that a guiding measure is successful.
  • (13) Computer To the target state calculated based on past information indicating a change in the customer's continuation state and past information indicating whether or not a measure that leads the customer to the target state has been implemented.

Abstract

【課題】顧客の継続状態を目的の状態へ導くための施策が成功する指標を提示することが可能な情報処理装置、制御方法、およびプログラムを提供する。 【解決手段】顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導くための施策が成功する指標を出力する出力部を備える、情報処理装置。

Description

情報処理装置、情報処理方法、およびプログラム
　本開示は、情報処理装置、情報処理方法、およびプログラムに関する。
　従来、定額動画配信サービス契約や保険契約などの、継続的な契約から収益を得るサービスでは、ユーザとの契約状態を維持することが安定的な売り上げに繋がる。そこで、契約維持のために、顧客宛の電話や郵送物送付等による離脱防止の施策が行われている。この際、顧客全員に離脱防止施策を実施すると、離脱防止により得られる利益よりも離脱防止施策のコストが高くなってしまうため、マーケティング担当者が契約を離脱する可能性が高いと考える顧客群を選び出し、その顧客群に対して離脱防止施策を実施している。
　ここで、マーケティング施策に関し、下記特許文献１の段落［０００２］～［０００５］では、顧客生涯価値を最大化するようなマーケティング・アクションの最大化手法として、マルコフ決定過程（Markov decision Process：ＭＤＰと略す）を用いた手法が有益であって、マルコフ性を持った顧客状態を学習する場合、隠れマルコフモデル（ＨＭＭと略す）を用いる旨が記載されている。
特開２００８－１５２３２１号公報
　しかしながら、顧客の契約からの離脱確率のみを離脱防止施策の対象顧客の選択に利用した場合、施策効果が低い顧客に対しても離脱防止施策を実施してしまっていた。
　そこで、本開示では、顧客の継続状態を目的の状態へ導くための施策が成功する指標を提示することが可能な情報処理装置、情報処理方法、およびプログラムを提案する。
　本開示によれば、顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導くための施策が成功する指標を出力する出力部を備える、情報処理装置を提案する。
　本開示によれば、プロセッサが、顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御することを含む、情報処理方法を提案する。
　本開示によれば、顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御する出力制御部として機能させるための、プログラムを提案する。
　以上説明したように本開示によれば、顧客の継続状態を目的の状態へ導くための施策が成功する指標を提示することが可能となる。
　なお、上記の効果は必ずしも限定的なものではなく、上記の効果とともに、または上記の効果に代えて、本明細書に示されたいずれかの効果、または本明細書から把握され得る他の効果が奏されてもよい。
本開示の一実施形態によるシステムの概略的な構成を示す図である。 本開示の一実施形態によるシステムの内部構成を示すブロック図である。 本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。 本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成の他の例を示すブロック図である。 本実施形態による予測モデルのグラフィカルモデルを示す図である。 本実施形態による学習部の動作処理を示すフローチャートである。 本実施形態の学習部による特徴量ベクトルの作成処理を示すフローチャートである。 本実施形態の学習部によるone-of-kベクトルの作成処理を示すフローチャートである。 本実施形態による予測部の動作処理を示すフローチャートである。 本実施形態において表示される顧客一覧画面の一例を示す図である。 本実施形態において表示される顧客一覧画面の他の例を示す図である。 本実施形態において表示される顧客一覧画面の他の例を示す図である。 本実施形態において表示される顧客情報の詳細画面の一例を示す図である。 本実施形態において表示される施策毎の離脱防止確率を算出する際のモデルにおける尤度の算出式を示す図である。 本実施形態による離脱防止確率に影響する項目を提示する画面の一例を示す図である。 本開示の実施形態による情報処理装置のハードウェア構成例を示すブロック図である。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　また、説明は以下の順序で行うものとする。
　１．本開示の一実施形態によるシステムの概要
　　１－１．背景
　　１－２．アルゴリズムの概要
　　１－３．システム構成
　　　（１－３－１．クライアントの構成）
　　　（１－３－２．サーバの構成）
　２．機能構成
　　２－１．データベースの構成例
　　２－２．処理部の構成例
　３．動作処理
　　３－１．学習部３３０１の動作処理
　　３－２．予測部３３０２の動作処理
　４．情報提示画面例
　５．ハードウェア構成
　６．まとめ
　＜＜１．本開示の一実施形態によるシステムの概要＞＞
　＜１－１．背景＞
　近年では、離脱可能性の高い顧客の選択について、契約・顧客データに基づいて機械学習によって離脱確率を予測し、予測した離脱確率の高い順に離脱防止施策を実施することが行われる。この際、契約・顧客データを入力とし、離脱するか否かの分類問題として機械学習を適用する。例えば、下記非特許文献１では、契約が成約するか否かの分類問題を機械学習的に解くことにより、顧客の成約確率を予測する技術について述べられている。かかる技術は、上述の離脱確率の算出に適用することができる。
　非特許文献１：”Probabilistic Modeling of a Sales Funnel to Prioritize Leads,” Brendan Duncan
and Charles Elkan, Proceedings of the 21th ACM SIGKDD International Conference
on Knowledge Discovery and Data Mining, Pages 1751-1758, 2015
　しかしながら、顧客の契約からの離脱確率のみを離脱防止施策の対象顧客の選択に利用すると、離脱確率は高いが離脱防止施策の効果が低い顧客にも離脱防止施策を実施してしまっていた。また、顧客の離脱確率のみでは、離脱防止施策のリターンを見積もることができないため、離脱防止施策の予算を見積もることができないという問題もあった。
　そこで、本実施形態では、顧客の離脱確率に加えて、離脱防止施策が成功する確率を顧客毎に予測することで、上記問題を解決する。すなわち、上位概念としては、顧客の継続状態を目的の状態へ導くための施策（マーケティング施策とも称す）が成功する指標を提示することで、マーケティング担当者が施策の効果が高い顧客を選択することを可能とする。
　なお、離脱防止施策を実施した顧客には、離脱防止施策を実施しなくても離脱しなかった顧客が含まれているため、本実施形態では、そのような顧客である確率を算出しそれを考慮して離脱防止施策が成功する確率を算出しうる。
　このような本実施形態による施策成功確率の算出アルゴリズムの概要について、以下説明する。
　＜１－２．アルゴリズムの概要＞
　まず、顧客の継続状態を目的の状態へ導くための施策（マーケティング施策とも称す）が成功する指標の算出アルゴリズムについて説明する。例えば、本実施形態によるシステムは、ある時点（時点t）で顧客毎に下記データエントリを生成し、その集合を機械学習の学習データとして使用する。
Figure JPOXMLDOC01-appb-I000001
　なお、以下では、施策が１つである場合について説明するが、本実施形態はこれに限定されず、複数の施策や複数の顧客状態の変化を考慮してもよい。また、複数の施策の組み合わせを１つの施策とみなしてもよい。
　次いで、本実施形態によるシステムは、ある施策を実施した場合に各顧客の状態変化が起こる確率を下記の特徴を持った確率モデルを利用し、上述した学習データに基づいて推定する（パラメータを決定する）。
　具体的には、本実施形態によるシステムは、施策を実施しなかった場合に各顧客の状態変化が起こる確率をxiとパラメータの確率関数であるp(a→b|xi)で表す。ここで、顧客の状態が状態aから状態bへ変化したとし、その変化をa→bと表す。また、各顧客の状態変化を施策によって引き起こす確率をxiとパラメータの確率関数であるp'(a→b|xi)で表す。
　そして、本実施形態によるシステムは、『ある状態へ促す施策が成功する指標』として、施策を実施した場合に各顧客の状態変化が起こる確率をp(a→b|xi)とp'(a→b|xi)の関数によって算出し、提示する。マーケティング担当者は、このように算出された確率に対応するスコアの大きい順に施策を実施する顧客を選択することで、施策により状態変化が起こる可能性の高い顧客に施策を実施することができる。
　また、顧客状態をatargetに導く目的で施策を実施する場合、顧客を下記式１で算出される確率のスコアの昇順で選択しうる。下記式１において、aiは顧客の現在の状態を表し、a'は目的ではない状態を表す。なお、目的の状態atargetは、例えば契約内容のランクアップ等、現在の状態からは離脱するが、収益が上がる新たな契約への移行が想定される。
Figure JPOXMLDOC01-appb-M000002
　以下に説明する実施形態では、上述した顧客の状態変化を促すマーケティング施策の具体例として、『継続的な契約を維持するための離脱防止マーケティング施策』を用いて説明する。
　この場合、本実施形態によるシステムは、ある時点で顧客毎に、「契約を離脱したか否か、施策を実施したか否か、契約・顧客データ」のデータエントリを生成し、機械学習の学習データとして使用する。契約・顧客データのデータエントリとしては、特徴量をベクトル化したものを用いる。例えば顧客iの契約・顧客データを特徴量ベクトル化したものをxiとする。
　次いで、本実施形態によるシステムは、離脱防止施策を行わない場合に離脱する確率をp1(xi)、離脱防止施策により離脱を防止できる確率をp2(xi)、離脱防止施策によっても継続の意思が変わらない確率をp3(xi)とし、各事象を下記表１のように表現する。この表現に基づき、学習データから最尤推定によりp1(xi)とp2(xi)、p3(xi)を予測しうる。
Figure JPOXMLDOC01-appb-T000003
　そして、本実施形態によるシステムは、離脱防止施策が成功する指標として、{p1(xi)×p2(xi)+(1－p1(xi))×p3(xi)}－{1－p1(xi)}を算出し、提示する。マーケティング担当者は、このように算出された確率（すなわち、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」）に対応するスコアの大きい順に離脱防止施策を実施する顧客を選択することで、離脱防止施策により契約の離脱を防止できる可能性の高い顧客に施策を実施することができる。
　上記表１に示す確率モデルの応用例として、電話による離脱防止施策の有無と契約状態の変化における各パターンの顧客構成について下記表２に示す。
Figure JPOXMLDOC01-appb-T000004
　本実施形態では、例えば年額定額制動画配信Ｗｅｂサービスの離脱防止マーケティング施策を例に説明する。年額定額制動画配信Ｗｅｂサービスは、例えば１年ごとの契約制になっており、年額の契約金の支払いによりサービスが提供する動画を１年間自由にＷｅｂサイトから視聴できるサービスである。契約からの離脱を防止するマーケティング施策としては、郵送によるギフト付きクーポンの配付を行うことを考える。クーポンに記載されたクーポンIDをＷｅｂサービスの指定の画面で入力すると年額契約金の割引を受けることができるものとする。クーポンを記載したギフト付き郵送物の作成と郵送にはコストがかかるため、コストに見合う顧客のみにクーポン（以下、単にクーポンと称す）を郵送する必要がある。例えば月に一度、今後１カ月以内に契約更新となる顧客を対象にクーポンによるマーケティング施策を実施することを想定する。以下に説明する実施形態では、クーポンを郵送する顧客を効果的に選択できるシステムについて説明する。システムのユーザはクーポンを郵送する顧客を選択するマーケティング担当者を想定する。
　続いて、本実施形態によるシステムの全体構成について説明する。
　＜１－３．システム構成＞
　図１は、本開示の一実施形態によるシステムの概略的な構成を示す図である。図１を参照すると、本実施形態に係るシステム１０は、クライアント１００と、サーバ３００とを含む。クライアント１００とサーバ３００とは、ネットワーク２００によって接続され、相互に通信が可能である。
　クライアント１００は、例えば、スマートフォン１００ａ、パーソナルコンピュータ１００ｂ、およびタブレット１００ｃなどを含みうる。クライアント１００は、図示された例には限らず、ユーザとの間で情報を入出力する機能を有するあらゆる種類の端末装置を含みうる。クライアント１００は、ユーザに情報を出力するために、例えば画像または音声などを用いる。また、クライアント１００は、ユーザからの情報の入力を、端末装置の操作入力、発話を示す音声、またはジェスチャ若しくは視線を示す画像などによって受け付けてもよい。
　サーバ３００は、ネットワーク上の１または複数のサーバ装置を含む。複数のサーバ装置が協働して以下で説明するサーバ３００の機能を実現する場合、複数のサーバ装置の全体が、単一の情報処理装置として扱われてもよい。あるいは、サーバ装置の少なくとも一部は、以下で説明するサーバ３００のオペレータとは異なるオペレータによって運用されてもよい。このような場合、以下の説明では、サーバ３００の一部が、システム１０に含まれない外部サーバとして参照されうる。本実施形態において、サーバ装置の少なくとも一部は、データベース３１０を有する。データベース３１０には、顧客や顧客の契約情報に関する情報が格納される。
　ネットワーク２００は、例えば、インターネット、ＬＡＮ（Local　Area　Network）、または携帯電話網など、有線または無線の各種のネットワークを含む。ネットワーク２００は、クライアント１００とサーバ３００とを接続するとともに、サーバ３００に含まれる複数のサーバ装置を接続してもよい。ネットワーク２００に複数の種類のネットワークが含まれるような場合、ネットワーク２００は、それらのネットワークを互いに接続するルータやハブなどを含んでもよい。
　図２は、本開示の一実施形態に係るシステムの内部構成を示すブロック図である。図２を参照すると、クライアント１００は、ローカルストレージ１１０と、通信部１２０と、処理部１３０と、入出力部１４０とを含みうる。サーバ３００は、データベース３１０と、通信部３２０と、処理部３３０とを含みうる。以下、それぞれの機能構成についてさらに説明する。なお、クライアント１００として機能する端末装置、およびサーバ３００に含まれる１または複数のサーバ装置は、例えば後述する情報処理装置のハードウェア構成によって実現される。
　（１－３－１．クライアントの構成）
　ローカルストレージ１１０は、例えば端末装置が有するメモリまたはストレージによって実現される。ローカルストレージ１１０には、例えば、ネットワーク２００を介してサーバ３００から提供された情報や、入出力部１４０を介してユーザによって入力された情報が、一時的または持続的に格納される。ローカルストレージ１１０に格納された情報を利用して、ユーザは、オフラインでもサーバ３００から提供された情報を参照したり、サーバ３００に提供する情報の下書きを入力したりすることができる。
　通信部１２０は、ネットワーク２００を介してサーバ３００と通信する。通信部１２０は、例えばクライアント１００が接続されるネットワークでの通信を実行する通信装置によって実現される。
　処理部１３０は、例えば端末装置が有するＣＰＵ（Central　Processing　Unit）のようなプロセッサによって実現される。例えば、処理部１３０は、入出力部１４０を介してユーザによって入力された情報に基づいて、通信部１２０を介してサーバ３００に情報を要求する処理を実行する。また、例えば、処理部１３０は、通信部１２０を介してサーバ３００から提供された情報に基づいて、入出力部１４０を介してユーザに情報を出力する処理を実行する。このとき、処理部１３０は、提供された情報を、入出力部１４０の種類に応じて適切な形式に変換する処理を実行してもよい。
　入出力部１４０は、例えば端末装置が有するタッチパネル、マウス、キーボード、マイクロフォン、またはカメラ（撮像装置）のような入力装置と、ディスプレイまたはスピーカのような出力装置とによって実現される。なお、入出力部１４０は、入力装置または出力装置のいずれか一方だけを含んでもよい。例えば、入出力部１４０に含まれるディスプレイには、通信部１２０を介してサーバ３００から受信された情報が、処理部１３０による処理を経て表示される。また、例えば、入出力部１４０に含まれるタッチパネルなどによって取得されたユーザの操作入力は、処理部１３０による処理を経て、通信部１２０を介してサーバ３００に送信される。
　上記のような処理部１３０および入出力部１４０の機能自体は、例えば一般的な端末装置における処理部および入出力部の機能と同様であるために、以下の本実施形態の説明では詳細に説明されない場合がありうる。しかしながら、そのような場合でも、例えばサーバ３００から受信される情報が特徴的であれば、そうした情報を処理し、また出力するという点において、クライアント１００における処理部１３０または入出力部１４０の機能も、一般的な端末装置におけるそれらの機能に比較して特徴的でありうる。
　（１－３－２．サーバの構成）
　データベース３１０は、例えばサーバ装置が有するメモリまたはストレージによって実現される。上記の通り、データベース３１０には、顧客や顧客の契約に関する情報が格納される。データベース３１０に格納される情報のより具体的な種類は、サーバ３００によって提供されるサービスの内容によって異なりうる。
　通信部３２０は、ネットワーク２００を介してクライアント１００と通信する。また、通信部３２０は、ネットワーク２００を介して外部サーバと通信してもよい。通信部３２０は、例えばサーバ３００が接続されるネットワークでの通信を実行する通信装置によって実現される。
　処理部３３０は、例えばサーバ装置が有するＣＰＵのようなプロセッサによって実現される。例えば、処理部３３０は、通信部３２０を介してクライアント１００から受信された情報に基づいて、データベース３１０から情報を取得し、取得された情報を必要に応じて処理した上で、通信部３２０を介してクライアント１００に送信する処理を実行する。
　なお、サーバ３００が複数のサーバ装置を含む場合、上述したサーバ３００の機能構成は、複数のサーバ装置に分散して実現されうる。例えば、データベース３１０の機能は、いずれかのサーバ装置で集約的に実現されてもよいし、複数のサーバ装置に分散したデータベースを統合的に運用することによって実現されてもよい。また、例えば、処理部３３０の機能は、複数のサーバ装置に分散したプロセッサを統合的に運用することによって実現されてもよい。この場合、以下で説明する処理部３３０の機能は、説明のために定義された機能ブロックの区分に関わらず、複数のサーバ装置に直列的または並列的に分散して実現されうる。
　　＜＜２．機能構成＞＞
　続いて、サーバ３００のデータベース３１０および処理部３３０の機能構成について図３およびを参照して説明する。
　図３は、本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成例を示すブロック図である。図３では、サーバ３００のデータベース３１０の機能として、顧客・契約データ３１０１と、学習データ３１０２が示され、また、処理部３３０の機能として、学習部３３０１と、予測部３３０２と、算出部３３０３とが示されている。また、図３では、クライアント１００の入出力部１４０の機能として、ユーザＩ／Ｆ部１４０１が示されている。
　なお、本実施形態による構成は図３に示す例に限定されず、例えばサーバ３００の機能の一部がクライアント１００にあってもよい。図４は、本開示の一実施形態におけるサーバのデータベースおよび処理部の機能構成の他の例を示すブロック図である。図４では、クライアント１００の処理部１３０の機能として、算出部１３０１が示されている。このように、本実施形態の他の例として、算出部がクライアント側にある場合も想定される。
　以下、それぞれの構成要素についてさらに説明する。
　＜２－１．データベースの構成例＞
　（顧客・契約データ３１０１）
　顧客・契約データ３１０１は、サーバ３００によって提供されるサービスで扱われる顧客・契約のマスタデータとして機能する。顧客・契約データは、例えば、顧客情報、契約情報、契約状態情報、施策実施情報などを含みうる。顧客情報は、顧客属性および顧客のＷｅｂサービス上での行動ログ（動画視聴等）から成る、顧客の特徴を表す情報である。より具体的には、例えば、顧客情報は、年齢、性別、住所、家族構成、過去に視聴した動画、よく見る動画のジャンルなどを含みうる。詳細は後述するが、学習部３３０１では、顧客情報と契約情報に基づいて顧客の特徴量ベクトルを生成する。
　契約情報は、契約に関する情報であり、契約の特徴を表す情報である。例えば契約情報は、契約継続年、契約年月、過去の離脱有無、支払い方法、契約時代理店、割引利用有無などを含みうる。契約状態情報は、契約中か否か等の契約状態を表す情報であり、学習部３３０１では顧客状態の教師ラベルとして利用される。例えば契約状態情報は、現在契約中か否か、また、離脱した場合は離脱した日時などを含みうる。施策実施情報は、離脱防止の施策を過去に実施したか否か等の施策実施履歴を表す情報であり、特徴量ベクトルとは別の入力情報として扱われる。例えば施策実施情報は、クーポンの郵送を行ったか否か、また、郵送を行った場合は発送した日時などを含みうる。顧客・契約データ３１０１では、上述したような契約に関するデータが、例えば各顧客に一意なＩＤに関連付けて登録されている。
　（学習データ３１０２）
　学習データ３１０２は、顧客・契約データ３１０１に登録された顧客・契約データの特徴量（以下、顧客・契約特徴量とも称す）を含む。顧客・契約データ３１０１は、学習部３３０１により、例えば顧客・契約データ３１０１を用いて生成される。学習データ３１０２の生成処理は、例えば１カ月に１度実行される。具体的には、例えば顧客・契約特徴量は、ある顧客・契約データ（顧客ＩＤによって特定される）について、それぞれのデータの項目から抽出されるベクトルでありうる。学習データ３１０２では、このような特徴量のベクトルが、顧客ＩＤに関連付けて格納されうる。特徴量は、基本的に一人の顧客に対して１つ格納される。従って、学習データ３１０２は、例えば顧客の現在の状態を表す情報として利用されうる。なお、特徴量を生成するための学習部３３０１の処理の詳細については後述する。
　以上、データベース３１０の構成例について説明した。
　＜２－２．処理部の構成例＞
　（学習部３３０１）
　学習部３３０１は、過去の顧客・契約データを学習データとして利用し、予測モデルの各種パラメータを機械学習によって算出（生成）する処理を行う。
　学習部は、まず、顧客・契約データ３１０１から学習データ３１０２を生成し、次いで学習データ３１０２に基づいて予測モデルのパラメータを生成する。これらの処理は、例えば１カ月に１度など、定期的に実行され、算出したパラメータで予測部３３０２に保持されるパラメータを更新する。
　（学習データ３１０２の生成）
　上述したように、例えば年額定額制動画配信Ｗｅｂサービスの離脱防止マーケティング施策を例にして、年額定額制動画配信Ｗｅｂサービスが１年ごとの契約制になっている場合、学習データ３１０２は、例えば過去１１か月に契約更新を行った又は離脱した顧客に対して生成される。つまり、予測対象となる今後１カ月以内に契約更新時期を迎える顧客は含まれない。
　本実施形態による学習データ３１０２は、対象顧客ごとに生成される顧客データエントリの集合から成る。顧客データエントリは、３つの要素、「契約中か否か」、「施策を実施したか否か」、および「特徴量ベクトル」から成る。
　契約中か否かは、顧客・契約データ３１０１に含まれる契約状態情報から作成しうる。また、過去１１カ月に施策を実施したか否かは、顧客・契約データ３１０１に含まれる施策実施情報から作成しうる。
　特徴量ベクトルは、顧客・契約データ３１０１から抽出されるベクトルであって、特徴量データの一例である。このような特徴量ベクトルは、例えばデータの項目を単純に連結することによって生成されてもよい。本実施形態では、顧客・契約データ３１０１を一意に特定する顧客ID毎に特徴量ベクトルを生成し、「顧客ID、契約中か否か、施策を実施したか否か、特徴量ベクトル」といった組み合わせのデータを学習データ３１０２として格納してもよい。
　学習部３３０１は、まず、顧客情報と契約情報の各項目（年齢、住所など）をone-of-kベクトルと呼ばれるベクトルに変換する。one-of-kベクトルとは、k次元のベクトルであり、１つの要素のみ1の値を取り、残りの(k-1)個の要素は0の値を取るベクトルである。
　各項目のone-of-kベクトルへの変換方法について説明する。学習部３３０１は、項目の取り得る値を列挙し、取り得る値の数と同じ次元のベクトルを作成し、取り得る値に対応する次元を定める。ベクトル化の際は項目の値に対応する次元を1とし、残りを0とすることで、項目の値をone-of-kベクトルに変換する。例えば、年齢をone-of-kベクトルに変換する場合、取り得る値として18歳から99歳までの82次元ベクトルを用意し、1次元目から順に18歳からの年齢に対応させる。年齢が20歳である項目を変換する場合は、3次元目が1で残りが0の82次元のone-of-kベクトルを作成する。
　このように顧客情報および契約情報の各項目についてone-of-kベクトルを作成し、決まった順で連結したベクトルを顧客の特徴量ベクトルとしうる。なお、過去に視聴した動画などの行動履歴情報については、動画の種類の次元のベクトルを用意し、過去に視聴した動画に対応する次元を1とし、残りの次元を0としたベクトルを作成してもよい。
　（予測モデルのパラメータの生成）
　学習部３３０１は、学習データ３１０２を用いて機械学習を実施し、各種パラメータを算出（生成）する生成部として機能する。例えば学習部３３０１は、予測部３３０２による施策成功確率予測処理に用いられる確率予測モデルに使用する各種パラメータを機械学習により算出する。以下、学習部３３０１による確率予測モデルの学習について具体的に説明する。なお以下に説明する学習方法は一例であって、必ずしもこれに限定されない。
　学習部３３０１は、まず、次の変数を定義する。下記式において、iは顧客のIDである。
Figure JPOXMLDOC01-appb-I000005
　次いで、学習部３３０１は、次のように各事象の確率を定める。なお、下記予測モデルのグラフィカルモデル２０を図５に示す。
Figure JPOXMLDOC01-appb-I000006
　上記パラメータにおいて、fh (x;wh)、fy1 (x;wy1)、及びfy2 (x;wy2)は、0以上1以下の値を取るパラメトリックな関数であって、例えばロジスティック回帰モデルやニューラルネットワークを利用しうる。
　そして、学習部３３０１は、最尤推定により各種パラメータ（wh、wy1、wy2）を決定（算出）する。最尤推定は、例えば勾配降下法の実行により行われる。尤度推定の一例を下記式２に示す。
Figure JPOXMLDOC01-appb-M000007
　（予測部３３０６）
　予測部３３０６は、学習部３３０１で学習したパラメータを利用し、予測モデルによって「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」を予測する。
　より具体的には、予測部３３０６では、今後１カ月以内に契約更新時期を迎える顧客について、「施策を行わない場合に離脱する確率」、「施策を行った場合に離脱を防止できる確率」、および「施策を行っても継続のままである確率」を予測する。
　まず、予測部３３０６は、学習部３３０１と同様の処理で、顧客・契約データ３１０１を用いて、今後１カ月以内に契約更新時期を迎える顧客について特徴量ベクトルを生成する。次に、予測部３３０６は、学習部３３０１で学習したパラメータを用いて、fh(x;wh)により「施策を行わない場合に離脱する確率」を算出し、fy1(xi;wy1)により「施策を行った場合に離脱を防止できる確率」を算出し、fy2(xi;wy2)により「施策を行っても継続のままである確率」を算出する。算出した予測値は、算出部３３０３に出力する。
　なお、施策の実績が少ない場合は、これまで施策を実施したことがない顧客に積極的に施策を実施し、幅広いバリエーションの学習データを収集する必要がある。そこで、例えばfh (x;wh)、fy1(xi;wy1)、およびfy2(xi;wy2)の値に加えて、fy1(xi;wy1)およびfy2(xi;wy2)の予測確信度を考慮し、データを収集する目的のために確信度の低い顧客も施策対象者として選ばれるようにする。
　すなわち、確信度を考慮しない場合のfh(x;wh)×fy1(xi;wy1)＋(1-fh(x;wh))×fy2
(xi;wy2)-(1-fh(x;wh))（つまり、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」）ではなく、fh(x;wh)×fy1(xi;wy1)＋(1-fh(x;wh))×fy2(xi;wy2)-(1-fh(x;wh))-(fy1(xi;wy1)の予測確信度＋fy2(xi;wy2)の予測確信度)の順に施策を実施する。
Figure JPOXMLDOC01-appb-I000008
　非特許文献２：” A Contextual-Bandit Approach to Personalized News Article
Recommendation,” Lihong Li, Wei Chu, John Langford, and Robert E. Schapire,
Proceedings of the 19th International Conference on World Wide Web, Pages 661‐670, 2010
　（算出部３３０３）
　算出部３３０３は、予測部３３０２によって出力された確率を用いて、クライアント１００のユーザI/F部１４０１から要求された数値を算出する。また、算出部３３０３は、クライアント１００の入出力部１４０に含まれるディスプレイなどのユーザI/F部１４０１に出力させるためのデータを生成し、通信部３２０からクライアント１００に送信させる。かかるデータは、例えば算出した数値を含む結果画像である。なお、クライアント１００における情報出力の方法は画像表示には限られず、例えば音声出力が画像表示と共に、またはこれに代えて採用されてもよい。
　例えば、算出部３３０３は、施策成功確率、施策コスト、顧客利益（必要に応じて割引額を減算）に基づいて、利益率を顧客ごとに算出し、算出した値をスコアとして大きい順に並べた顧客一覧画像を生成し、クライアント１００に送信する。施策成功確率は、予測部３３０２で算出した確率を用いて、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」により算出されうる。
　なお、クライアント１００のユーザI/F部１４０１では、ユーザからの入力を受け付け、入力データを通信部１２０からサーバ３００に送信したり、サーバ３００から送信された情報をユーザに提示したりする。
　以上、本実施形態によるサーバ３００のデータベース３１０および処理部３３０の機能構成について説明した。
　　＜＜３．動作処理＞＞
　続いて、本実施形態による動作処理について、図６～図９を参照して具体的に説明する。
　＜３－１．学習部３３０１の動作処理＞
　図６は、本実施形態による学習部３３０１の動作処理を示すフローチャートである。図６に示すように、まず、学習部３３０１は、顧客・契約データに基づいて、過去１１か月に契約更新を行った又は離脱した顧客を選択し（ステップＳ１０３）、選択された顧客について顧客データエントリを作成し、その集合を学習データ３１０２とする（ステップＳ１０６）。顧客データエントリは、上述したように、３つの要素、「契約中か否か」、「施策を実施したか否か」、および「特徴量ベクトル」から成る。「特徴量ベクトル」の作成処理については、図７を参照して後述する。
　次いで、学習部３３０１は、学習データ３１０２から予測モデルのパラメータを生成し（ステップＳ１０９）、生成したパラメータによって、予測部３３０２のパラメータを更新する（ステップＳ１１２）。
　（特徴量ベクトルの作成）
　図７は、学習部３３０１による特徴量ベクトルの作成処理を示すフローチャートである。図７に示すように、学習部３３０１は、顧客情報と契約情報の各項目について、one-of-kベクトルを作成する（ステップＳ１２３）。one-of-kベクトルの作成処理については、図８を参照して後述する。
　次いで、学習部３３０１は、各項目のone-of-kベクトルを、予め決まった順序で連結し、特徴量ベクトルを作成する（ステップＳ１２６）。
　（one-of-kベクトルの作成）
　図８は、本実施形態によるone-of-kベクトルの作成処理を示すフローチャートである。図８に示すように、学習部３３０１は、顧客情報、契約情報から、項目Aの値X、という情報を取得する（ステップＳ１３３）。
　次いで、学習部３３０１は、予め作成した、項目Aが取りうる値に対し1から順に自然数を割り当てた辞書データを参照し、Xに割り当てられた自然数 iを取得する（ステップＳ１３６）。例えば年齢をone-of-kベクトルに変換する場合、取り得る値として18歳から99歳までの82次元ベクトルが予め用意され、学習部３３０１は、項目「年齢」の値「20歳」に割り当てられた自然数3を取得する。
　そして、学習部３３０１は、i 番目の次元が1で他の次元が0であるk次元ベクトルを作成する（ステップＳ１３９）。すなわち、例えば学習部３３０１は、年齢が20歳である項目を変換する場合、3次元目が1で残りが0の82次元のone-of-kベクトルを作成する。
　＜３－２．予測部３３０２の動作処理＞
　図９は、本実施形態による予測部３３０２の動作処理を示すフローチャートである。図９に示すように、まず、予測部３３０２は、今後１カ月以内に契約更新時期を迎える顧客を選択する（ステップＳ１４３）。
　次いで、予測部３３０２は、選択された顧客について、学習部３３０１による処理と同様に、特徴量ベクトルを作成する（ステップＳ１４６）。
　次に、予測部３３０２は、学習部３３０１で生成されたパラメータを利用した予測モデルに特徴量ベクトルを入力し、各確率を算出する（ステップＳ１４９）。
　そして、予測部３３０２は、顧客ごとに算出した各確率を、通信部３２０を介してクライアント１００の入出力部１４０に含まれるユーザＩ／Ｆ部１４０１に送信する（ステップＳ１５２）。
　　＜＜４．情報提示画面例＞＞
　続いて、例えばクライアント１００において入出力部１４０に含まれるディスプレイ（ユーザＩ／Ｆ部１４０１）に表示される画面の例を参照しながら、本開示の一実施形態において提示される情報の例について説明する。なお、以下の説明では年額定額制動画配信サービスの離脱防止マーケティング施策を実施する対象顧客を選択するにあたって提示される情報の例が説明されるが、他の契約の離脱防止マーケティング施策を実施する対象顧客を選択するにあたっても同様に情報が提示されうる。
　本実施形態では、例えばサーバ３００の算出部３３０３により施策成功確率、施策コスト、および顧客利益に基づいて利益率が算出され、当該利益率の値が大きい順に顧客ＩＤが並べられた顧客一覧画面がクライアント１００のユーザＩ／Ｆ部１４０１に表示され、マーケティング担当者（ユーザ）による施策実施対象顧客の選択を補助することができる。
　図１０は、本実施形態において表示される顧客一覧画面の一例を示す図である。図示された例では、画面１１００に、顧客一覧１１０１、ダウンロード人数指定欄１１０２、ダウンロードボタン１１０３、情報入力欄１１０４、算出結果１１０５が表示されている。
　顧客一覧１１０１は、サーバ３００の算出部３３０３が、予測部３３０２で算出した確率に基づいて、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」（実質的な施策成功確率）を顧客毎に算出した値をスコアとして、当該スコアの大きい順に顧客IDが並べられているものである。マーケティング担当者は、顧客一覧１１０１を参照して、施策を実施する顧客を選択する。
　この場合、マーケティング担当者は施策成功確率（すなわち施策による離脱防止確率）が高い顧客を選択、すなわち上位所定人数を選択することが想定される。マーケティング担当者は、選択した顧客を施策実施者、例えば施策が「電話」の場合はコールセンターに選択した顧客に関する情報を送信する。このような用途に応じて、図１０に示す例では、ダウンロード人数指定欄１１０２およびダウンロードボタン１１０３を画面１１００に設けている。マーケティング担当者は、コールセンターに伝える施策実施対象顧客を、上位何人という形式でダウンロード人数指定欄１１０２に入力し、ダウンロードボタン１１０３を選択する。クライアント１００は、入力された情報をネットワーク２００を介してサーバ３００へ送信する。サーバ３００は、マーケティング担当者の指示に従って、上位所定人数の顧客ID（必要に応じて、電話番号、住所等の詳細情報と共に）をコールセンター（不図示）に施策実施対象者を示す情報として送信する。
　また、本実施形態による算出部３３０３は、マーケティング担当者が上位どの程度の人数を施策実施対象者として選択すればよいかを考える際の参考情報として、利益率を考慮した人数を算出し、ユーザに提示することも可能である。マーケティング担当者は、情報入力欄１１０４において、顧客利益のデフォルト価格、施策１件当たりのコスト、クーポンの割引額、および目標利益率を入力し、上位何人までに施策を実施したらよいかの情報を得ることができる。
　情報入力欄１１０４に入力された値は、サーバ３００へ送信され、算出部３３０３により下記式３の算出が行われる。
　{（顧客利益のデフォルト値）－（クーポンの割引額）}×（施策を実施した場合の継続確率－施策を実施しない場合の継続確率）－（施策１件当たりのコスト）
・・・式３
　算出部３３０３は、上記式３により顧客ごとの利益額を算出し、上位から順に足し合わせることで利益率を算出する。そして、算出部３３０３は、指定された目標利益率を満たす人数が上位何人までであるかを算出し、算出結果をクライアント１００に送信する。クライアント１００は、受信した算出結果１１０５を画面１１００に表示する。これにより、マーケティング担当者は、上位何人までに施策を実施すると目標利益率を満たすかが分かり、施策実施対象顧客を選択する際に参考にできる。
　また、他の情報提示画面として、顧客一覧において、予測した施策成功確率のスコアと共に、予測確信度を並べて表示してもよい。予測確信度も並べた画面の例を図１１に示す。
　図示された例では、画面１２００に、顧客一覧１２０１、ダウンロード人数指定欄１２０２、ダウンロードボタン１２０３、情報入力欄１２０４、算出結果１２０５が表示されている。顧客一覧１２０１には、顧客ID、スコア、および確信度が対応付けて表示されている。
　また、他の情報提示画面の例を図１２に示す。図１２は、本実施形態において表示される顧客一覧画面の他の例を示す図である。
　図示された例では、画面１３００に、顧客一覧１３０１、利益予想グラフ１３０２が表示されている。顧客一覧１３０１には、顧客ID、スコア、今後の顧客利益、利益の見積もりが対応付けて表示されている。また、顧客一覧１３０１は、今後の顧客利益の大きい順に並べられている。
　顧客利益は、今後の契約継続年の予測値と１年あたりの利益額の積である。ここで、契約継続年の予測値は、契約情報の契約継続年を除いた特徴量ベクトルを入力して、出力を契約継続年とした回帰問題として、算出部３３０３が機械学習により算出することが可能である。
　利益予想グラフ１３０２は、施策をスコア上位の顧客から実施した場合における、見込み利益率と見込み利益をグラフとして表示するものである。見込み利益率は、例えば下記式４により算出されうる。
{（顧客利益の予測値）－（クーポンの割引額）}×（施策を実施した場合の継続確率－施策を実施しない場合の継続確率）
・・・式４
　また、利益予想グラフ１３０２の横軸は、施策実施対象顧客の人数（スコア上位からの人数）である。画面１３００に示す利益予想グラフ１３０２は、クーポン割引額など算出に必要な情報がマーケティング担当者により入力された上で提示されうる。
　また、画面１３００には、画面１１００に示すようなダウンロード人数指定欄１１０２およびダウンロードボタン１１０３が表示されていないが、これらを含む画面としてもよい。
　次いで、画面１３００の顧客一覧１３０１に含まれる顧客IDが選択された場合に表示される顧客情報詳細画面の一例を図１３に示す。
　図示された例では、画面１４００に、顧客IDと、離脱確率と、今後の顧客利益と、施策毎の情報と、顧客詳細情報（住所、年齢、性別、契約の継続年数など）が表示されている。
　ここでは、複数種類の施策（例えばクーポン）が存在するとし、施策毎の情報として、離脱防止確率、施策コスト、期待利益、および期待効果が表示され、これにより施策毎の効果が可視化されている。施策毎の各情報は、算出部３３０３により下記のように求められる。
　・離脱防止確率：施策を実施した場合の継続確率－施策を実施しない場合の継続確率
　・コスト：施策１件当たりの費用
　・期待利益：{（顧客利益の予測値）－（クーポンの割引額）}×（（施策を実施した場合の継続確率－施策を実施しない場合の継続確率）
　・期待効果：{（顧客利益の予測値）－（クーポンの割引額）}×（施策を実施した場合の継続確率－施策を実施しない場合の継続確率）－（施策１件当たりのコスト）
　算出部３３０３は、施策の種類毎に学習されたfy1 (xi;wy1 )およびfy2
(xi;wy2 )を用いて、「離脱防止確率」を施策の種類毎に算出する。かかるモデルの尤度の算出式を図１４に示す。
　また、施策毎の効果の可視化は、図１３に示す例に限定されず、例えば顧客ごとに期待効果が最大のクーポンを選択し、その期待効果が閾値より大きい場合に、ユーザに提示するようにしてもよい。
　さらに、本実施形態では、マーケティング担当者が新たな施策を検討する際に参考になる情報として、離脱防止確率にプラスに働く「項目、値」のペアと、マイナスに働く「項目、値」のペアを出力するようにしてもよい。以下、図１５を参照して説明する。
　図１５は、本実施形態による離脱防止確率に影響する項目を提示する画面の一例を示す図である。図示された例では、画面１５００に、クーポン施策の離脱防止確率（すなわち、施策を行った場合に離脱を防止できる確率）にプラスに働く「項目、値」のペアと、マイナスに働く「項目、値」のペアが表示されている。
　プラスに働く「項目、値」のペアは、例えば、fy1 (xi;wy1 )をロジスティック回帰で学習した際に各「項目、値」に割り当てられるパラメータが小さい値であるものが選択される。また、マイナスに働く「項目、値」のペアは、同様のパラメータが大きい値であるものが選択される。
　図１５に示す例では、マーケティング担当者は、女性向けドラマを充実させること、契約更新期間後に開始するドラマをアピールする施策に効果がありそうなことが分かる。
　　＜＜５．ハードウェア構成＞＞
　次に、図１６を参照して、本開示の実施形態による情報処理装置のハードウェア構成について説明する。図１６は、本開示の実施形態による情報処理装置のハードウェア構成例を示すブロック図である。図示された情報処理装置９００は、例えば、上記の実施形態におけるサーバ３００およびクライアント１００を実現しうる。
　情報処理装置９００は、ＣＰＵ（Central　Processing　unit）９０１、ＲＯＭ（Read　Only　Memory）９０３、およびＲＡＭ（Random　Access　Memory）９０５を含む。また、情報処理装置９００は、ホストバス９０７、ブリッジ９０９、外部バス９１１、インターフェース９１３、入力装置９１５、出力装置９１７、ストレージ装置９１９、ドライブ９２１、接続ポート９２３、通信装置９２５を含んでもよい。情報処理装置９００は、ＣＰＵ９０１に代えて、またはこれとともに、ＤＳＰ（Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、またはＦＰＧＡ（Field-Programmable　Gate　Array）などの処理回路を有してもよい。
　ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１９、またはリムーバブル記録媒体９２７に記録された各種プログラムに従って、情報処理装置９００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ９０５は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一次記憶する。ＣＰＵ９０１、ＲＯＭ９０３、およびＲＡＭ９０５は、ＣＰＵバスなどの内部バスにより構成されるホストバス９０７により相互に接続されている。さらに、ホストバス９０７は、ブリッジ９０９を介して、ＰＣＩ（Peripheral　Component　Interconnect/Interface）バスなどの外部バス９１１に接続されている。
　入力装置９１５は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなど、ユーザによって操作される装置である。入力装置９１５は、例えば、赤外線やその他の電波を利用したリモートコントロール装置であってもよいし、情報処理装置９００の操作に対応した携帯電話などの外部接続機器９２９であってもよい。入力装置９１５は、ユーザが入力した情報に基づいて入力信号を生成してＣＰＵ９０１に出力する入力制御回路を含む。ユーザは、この入力装置９１５を操作することによって、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりする。
　出力装置９１７は、取得した情報をユーザに対して視覚や聴覚、触覚などの感覚を用いて通知することが可能な装置で構成される。出力装置９１７は、例えば、ＬＣＤ（Liquid　Crystal　Display）または有機ＥＬ（Electro-Luminescence）ディスプレイなどの表示装置、スピーカまたはヘッドフォンなどの音声出力装置、もしくはバイブレータなどでありうる。出力装置９１７は、情報処理装置９００の処理により得られた結果を、テキストもしくは画像などの映像、音声もしくは音響などの音声、またはバイブレーションなどとして出力する。
　ストレージ装置９１９は、情報処理装置９００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１９は、例えば、ＨＤＤ（Hard　Disk　Drive）などの磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイスなどにより構成される。ストレージ装置９１９は、例えばＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
　ドライブ９２１は、磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリなどのリムーバブル記録媒体９２７のためのリーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９２１は、装着されているリムーバブル記録媒体９２７に記録を書き込む。
　接続ポート９２３は、機器を情報処理装置９００に接続するためのポートである。接続ポート９２３は、例えば、ＵＳＢ（Universal　Serial　Bus）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Small　Computer　System　Interface）ポートなどでありうる。また、接続ポート９２３は、ＲＳ－２３２Ｃポート、光オーディオ端子、ＨＤＭＩ（登録商標）（High-Definition　Multimedia　Interface）ポートなどであってもよい。接続ポート９２３に外部接続機器９２９を接続することで、情報処理装置９００と外部接続機器９２９との間で各種のデータが交換されうる。
　通信装置９２５は、例えば、通信ネットワーク９３１に接続するための通信デバイスなどで構成された通信インターフェースである。通信装置９２５は、例えば、ＬＡＮ（Local　Area　Network）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ、またはＷＵＳＢ（Wireless　USB）用の通信カードなどでありうる。また、通信装置９２５は、光通信用のルータ、ＡＤＳＬ（Asymmetric　Digital　Subscriber　Line）用のルータ、または、各種通信用のモデムなどであってもよい。通信装置９２５は、例えば、インターネットや他の通信機器との間で、ＴＣＰ／ＩＰなどの所定のプロトコルを用いて信号などを送受信する。また、通信装置９２５に接続される通信ネットワーク９３１は、有線または無線によって接続されたネットワークであり、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信などを含みうる。
　以上、情報処理装置９００のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更されうる。
　　＜＜６．まとめ＞＞
　本開示の実施形態は、例えば、上記で説明したような情報処理装置（サーバまたはクライアント）、システム、情報処理装置またはシステムで実行される情報処理方法、情報処理装置を機能させるためのプログラム、およびプログラムが記録された一時的でない有形の媒体を含みうる。
　また、以上説明した例では、顧客の状態変化を促すマーケティング施策の一例として、継続的な契約を維持するための離脱防止マーケティング施策を用いが、本実施形態はこれに限定されない。例えば本実施形態によるシステムは、下記に挙げるような場合にも適用可能である。
　・生命保険や損害保険などの保険契約の継続促進、上位契約への切り替え促進、他サービスの契約促進
　・スマホゲームやスマホアプリの継続利用促進、有料コンテンツの販売促進
　・オンラインバンクなどのＷｅｂサイト経由で継続的に利用するサービスの継続促進、上位契約の促進、他サービスの契約促進
　・オンライン学習サイトへの訪問促進、利用時間継続促進
　・カーシェアリングなどシェアリングサービスの利用促進、比較的空いている時間の利用促進
　・イーコマースサイトへの訪問促進、抱き合わせ販売の促進
　・美容院など定期的に利用する店舗の利用継続促進
　・学習塾への通学促進
　・飲食店の定期的な利用の継続促進
　・病院への継続的な通院を促進
　・老人ホームへの家族の訪問を促進
　・健康管理（ダイエットや定期的な薬接種）の継続促進
　・物品等のレンタルサービスのレンタル期間延長を促進、他の製品のレンタルを促進
　また、本実施形態によるシステムでは、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」が低い顧客をマーケティング担当者に表示し、マーケティング担当者が、現在の離脱防止施策に効果がない顧客に効果を発揮する離脱防止施策を考える手掛かりにすることも可能である。
　この場合、クライアント１００のユーザＩ／Ｆ部１４０１では、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」が低い顧客を「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」が低い順に一定数表示されてもよい。この際、類似顧客が含まれないようにxiのバリエーションが豊富になるよう顧客リストを作成してもよい。
　または、クライアント１００のユーザＩ／Ｆ部１４０１において、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」が低い顧客の特徴を、共通して出現しやすい契約・顧客データの要素の集合として提示してもよい。この際、「施策を実施した場合の継続確率－施策を実施しない場合の継続確率」が高い顧客の特徴と差異が大きいかどうかを考慮してもよい。
　また、本実施形態では、{p1(xi)×p2(xi)+(1-p1(xi))×p3(xi)}-{1-p1(xi)}が大きい順に離脱防止施策を実施する顧客を選択する際に、加えて、p2(xi)とp3 (xi)の予測確信度が低い顧客が優先的に選ばれるようにしてもよい。例えば、{p1(xi)×p2(xi)+(1-p1(xi))×p3(xi)}-{1-p1(xi)}-(p2(xi)の予測確信度+p3(xi)の予測確信度)の昇順に選択するようにしてもよい。上述したように、これは特に施策実施実績が少ない場合に重要である。
　この際、予測の確信度は下記（１）～（３）のいずれかで算出されうる。
　（１）学習データにおける類似度が一定以上の顧客数または類似上位一定人数の類似度の平均（この場合、数値が高いほど予測の確信度が高いと言える）
　（２）学習データにおける類似顧客における離脱または継続のばらつきの大きさ（この場合、ばらつきが小さいほど予測の確信度が高いと言える）
　（３）p2(xi)のパラメータの事後確率とxiの関係（この場合、xiの推定に使うパラメータのベイズ事後確率が高いほど予測の確信度が高いと言える）
　なお、上記の（１）の視点で確信度が高いが（２）の視点で確信度が低い場合、現在の契約・顧客データでは予測が難しいと考えられるので、こうした顧客と類似顧客の差異を見つける特徴を新たに取得するようマーケティング担当者に促してもよい。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本技術はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏しうる。
　なお、本技術は以下のような構成も取ることができる。
（１）
　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導くための施策が成功する指標を出力する出力部を備える、情報処理装置。
（２）
　前記出力部は、現在継続状態の顧客毎に、前記目的の状態へ導くための施策が成功する指標として施策成功確率を算出し、出力する、前記（１）に記載の情報処理装置。
（３）
　前記顧客の継続状態は、契約状態であって、
　前記継続状態の変化は、契約の離脱であって、
　前記目的の状態は、前記契約状態を維持する状態である、前記（２）に記載の情報処理装置。
（４）
　前記情報処理装置は、
　前記状態に関する過去情報と、前記施策の実施に関する過去情報と、前記顧客または顧客の継続状態に関する特徴量とに基づいて、予測モデルのパラメータを生成する学習部と、
　前記生成したパラメータを用いて、現在継続状態の顧客における、前記施策を実施しない場合の契約離脱の確率、および前記施策を実施した場合の契約離脱防止の確率を算出する予測部と、
　を備え、
　前記出力部は、前記施策を実施しない場合の契約離脱の確率と前記施策を実施した場合の契約離脱防止の確率の積を、前記施策が成功する指標として現在継続状態の顧客毎に算出する、前記（３）に記載の情報処理装置。
（５）
　前記学習部は、前記施策を実施した場合の契約離脱防止の確率について前記施策を行わずとも契約離脱防止できた確率を考慮した予測モデルのパラメータを生成する、前記（４）に記載の情報処理装置。
（６）
　前記出力部は、前記積を、前記施策が成功する指標を示すスコアとして、当該スコアの順に顧客IDを並べた一覧をユーザに出力する、前記（４）または（５）に記載の情報処理装置。
（７）
　前記予測部は、予測の確信度を算出し、
　前記出力部は、前記スコアを予測の確信度と併せて出力する、前記（６）に記載の情報処理装置。
（８）
　前記出力部は、契約維持時の収益予想と前記施策の費用とに基づいて、施策実施時の利益率を算出し、ユーザに出力する、前記（４）～（７）のいずれか１項に記載の情報処理装置。
（９）
　前記出力部は、前記利益率の予想グラフをユーザに出力する、前記（８）に記載の情報処理装置。
（１０）
　前記出力部は、施策を実施した場合の契約離脱防止の確率に対してプラスに働く特徴とマイナスに働く特徴をユーザに提示する、前記（４）～（９）のいずれか１項に記載の情報処理装置。
（１１）
　前記顧客の継続状態は、契約状態であって、
　前記継続状態の変化は、契約のランクアップであって、
　前記目的の状態は、前記契約状態がランクアップする状態である、前記（１）または（２）に記載の情報処理装置。
（１２）
　プロセッサが、
　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御することを含む、情報処理方法。
（１３）
　コンピュータを、
　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御する出力制御部として機能させるための、プログラム。
　１０　　システム
　１００　　クライアント
　１１０　　ローカルストレージ
　１２０　　通信部
　１３０　　処理部
　１３０１　　算出部
　１４０　　入出力部
　１４０１　　ユーザＩ／Ｆ部
　２００　　ネットワーク
　３００　　サーバ
　３１０　　データベース
　３１０１　　顧客・契約データ
　３３０１　　学習部
　３３０２　　予測部
　３３０３　　算出部
　３２０　　通信部
　３３０　　処理部
　
 
 

Claims (13)

  1. 　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導くための施策が成功する指標を出力する出力部を備える、情報処理装置。
  2. 　前記出力部は、現在継続状態の顧客毎に、前記目的の状態へ導くための施策が成功する指標として施策成功確率を算出し、出力する、請求項１に記載の情報処理装置。
  3. 　前記顧客の継続状態は、契約状態であって、
    　前記継続状態の変化は、契約の離脱であって、
    　前記目的の状態は、前記契約状態を維持する状態である、請求項２に記載の情報処理装置。
  4. 　前記情報処理装置は、
    　前記状態に関する過去情報と、前記施策の実施に関する過去情報と、前記顧客または顧客の継続状態に関する特徴量とに基づいて、予測モデルのパラメータを生成する学習部と、
    　前記生成したパラメータを用いて、現在継続状態の顧客における、前記施策を実施しない場合の契約離脱の確率、および前記施策を実施した場合の契約離脱防止の確率を算出する予測部と、
    　を備え、
    　前記出力部は、前記施策を実施しない場合の契約離脱の確率と前記施策を実施した場合の契約離脱防止の確率の積を、前記施策が成功する指標として現在継続状態の顧客毎に算出する、請求項３に記載の情報処理装置。
  5. 　前記学習部は、前記施策を実施した場合の契約離脱防止の確率について前記施策を行わずとも契約離脱防止できた確率を考慮した予測モデルのパラメータを生成する、請求項４に記載の情報処理装置。
  6. 　前記出力部は、前記積を、前記施策が成功する指標を示すスコアとして、当該スコアの順に顧客IDを並べた一覧をユーザに出力する、請求項４に記載の情報処理装置。
  7. 　前記予測部は、予測の確信度を算出し、
    　前記出力部は、前記スコアを予測の確信度と併せて出力する、請求項６に記載の情報処理装置。
  8. 　前記出力部は、契約維持時の収益予想と前記施策の費用とに基づいて、施策実施時の利益率を算出し、ユーザに出力する、請求項４に記載の情報処理装置。
  9. 　前記出力部は、前記利益率の予想グラフをユーザに出力する、請求項８に記載の情報処理装置。
  10. 　前記出力部は、施策を実施した場合の契約離脱防止の確率に対してプラスに働く特徴とマイナスに働く特徴をユーザに提示する、請求項４～９のいずれか１項に記載の情報処理装置。
  11. 　前記顧客の継続状態は、契約状態であって、
    　前記継続状態の変化は、契約のランクアップであって、
    　前記目的の状態は、前記契約状態がランクアップする状態である、請求項１または２に記載の情報処理装置。
  12. 　プロセッサが、
    　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御することを含む、情報処理方法。
  13. 　コンピュータを、
    　顧客の継続状態の変化を示す過去情報と、変化が生じた顧客に対して目的の状態へ導く施策を実施したか否かを示す過去情報と、に基づいて算出された、前記目的の状態へ導く施策が成功する指標を出力するよう制御する出力制御部として機能させるための、プログラム。
PCT/JP2016/081598 2016-01-29 2016-10-25 情報処理装置、情報処理方法、およびプログラム WO2017130488A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/069,089 US20190019202A1 (en) 2016-01-29 2016-10-25 Information processing apparatus, information processing method, and program
EP16888073.0A EP3410379A1 (en) 2016-01-29 2016-10-25 Information processing device, information processing method, and program
JP2017563688A JP6848883B2 (ja) 2016-01-29 2016-10-25 情報処理装置、情報処理方法、およびプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016016608 2016-01-29
JP2016-016608 2016-01-29

Publications (1)

Publication Number Publication Date
WO2017130488A1 true WO2017130488A1 (ja) 2017-08-03

Family

ID=59398791

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/081598 WO2017130488A1 (ja) 2016-01-29 2016-10-25 情報処理装置、情報処理方法、およびプログラム

Country Status (4)

Country Link
US (1) US20190019202A1 (ja)
EP (1) EP3410379A1 (ja)
JP (1) JP6848883B2 (ja)
WO (1) WO2017130488A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019066698A (ja) * 2017-10-02 2019-04-25 株式会社増進会ホールディングス 学習継続システムおよび学習継続方法
CN111260466A (zh) * 2020-01-20 2020-06-09 北京合信力科技有限公司 一种触达任务的处理方法及装置
JP2020095469A (ja) * 2018-12-12 2020-06-18 富士通株式会社 離反防止支援プログラム、離反防止支援方法および情報処理装置
JP2020177262A (ja) * 2019-04-15 2020-10-29 ヤフー株式会社 情報処理装置、システム、情報処理方法、およびプログラム
JP6816905B1 (ja) * 2020-01-23 2021-01-20 株式会社クロス・デジタル・イノベーション ユーザの個人情報の売買を支援するためのシステム、方法、およびプログラム
JP2021111007A (ja) * 2020-01-07 2021-08-02 株式会社アジェンダ 脱退見込み評価装置
WO2024047812A1 (ja) * 2022-08-31 2024-03-07 三菱電機株式会社 情報処理装置、出力方法、及び出力プログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11276046B2 (en) * 2018-10-16 2022-03-15 Dell Products L.P. System for insights on factors influencing payment
JP2020087023A (ja) * 2018-11-27 2020-06-04 日本電信電話株式会社 受注予測モデルの生成方法、受注予測モデル、受注予測装置、受注予測方法および受注予測プログラム
US11861732B1 (en) * 2022-07-27 2024-01-02 Intuit Inc. Industry-profile service for fraud detection

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269329A (ja) * 2001-01-05 2002-09-20 Yasufumi Uchiumi 業務改善支援システムおよびその方法
JP2015014828A (ja) * 2013-07-03 2015-01-22 日本電信電話株式会社 離脱推定装置、解約推定装置、方法、及びプログラム
JP2015166989A (ja) * 2014-03-04 2015-09-24 株式会社野村総合研究所 情報処理装置および情報分析方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7340408B1 (en) * 2000-06-13 2008-03-04 Verizon Laboratories Inc. Method for evaluating customer valve to guide loyalty and retention programs
KR20030086249A (ko) * 2001-01-05 2003-11-07 야스후미 우츠미 업무개선지원 시스템 및 그 방법
US8712828B2 (en) * 2005-12-30 2014-04-29 Accenture Global Services Limited Churn prediction and management system
WO2011112173A1 (en) * 2010-03-08 2011-09-15 Hewlett-Packard Development Company, L.P. Methods and systems for identifying customer status for developing customer retention and loyalty strategies
US8630892B2 (en) * 2011-08-31 2014-01-14 Accenture Global Services Limited Churn analysis system
US9232063B2 (en) * 2013-10-31 2016-01-05 Verint Systems Inc. Call flow and discourse analysis
US11488086B2 (en) * 2014-10-13 2022-11-01 ServiceSource International, Inc. User interface and underlying data analytics for customer success management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002269329A (ja) * 2001-01-05 2002-09-20 Yasufumi Uchiumi 業務改善支援システムおよびその方法
JP2015014828A (ja) * 2013-07-03 2015-01-22 日本電信電話株式会社 離脱推定装置、解約推定装置、方法、及びプログラム
JP2015166989A (ja) * 2014-03-04 2015-09-24 株式会社野村総合研究所 情報処理装置および情報分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3410379A4 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019066698A (ja) * 2017-10-02 2019-04-25 株式会社増進会ホールディングス 学習継続システムおよび学習継続方法
JP2020095469A (ja) * 2018-12-12 2020-06-18 富士通株式会社 離反防止支援プログラム、離反防止支援方法および情報処理装置
JP7215130B2 (ja) 2018-12-12 2023-01-31 富士通株式会社 離反防止支援プログラム、離反防止支援方法および情報処理装置
JP2020177262A (ja) * 2019-04-15 2020-10-29 ヤフー株式会社 情報処理装置、システム、情報処理方法、およびプログラム
JP7043453B2 (ja) 2019-04-15 2022-03-29 ヤフー株式会社 情報処理装置、システム、情報処理方法、およびプログラム
JP2021111007A (ja) * 2020-01-07 2021-08-02 株式会社アジェンダ 脱退見込み評価装置
JP7037708B2 (ja) 2020-01-07 2022-03-17 株式会社アジェンダ 脱退見込み評価装置
CN111260466A (zh) * 2020-01-20 2020-06-09 北京合信力科技有限公司 一种触达任务的处理方法及装置
JP6816905B1 (ja) * 2020-01-23 2021-01-20 株式会社クロス・デジタル・イノベーション ユーザの個人情報の売買を支援するためのシステム、方法、およびプログラム
WO2021149804A1 (ja) * 2020-01-23 2021-07-29 株式会社クロス・デジタル・イノベーション ユーザの個人情報の売買を支援するためのシステム、方法、およびプログラム
JP2021117598A (ja) * 2020-01-23 2021-08-10 株式会社クロス・デジタル・イノベーション ユーザの個人情報の売買を支援するためのシステム、方法、およびプログラム
WO2024047812A1 (ja) * 2022-08-31 2024-03-07 三菱電機株式会社 情報処理装置、出力方法、及び出力プログラム

Also Published As

Publication number Publication date
US20190019202A1 (en) 2019-01-17
EP3410379A4 (en) 2018-12-05
JP6848883B2 (ja) 2021-03-24
EP3410379A1 (en) 2018-12-05
JPWO2017130488A1 (ja) 2018-11-22

Similar Documents

Publication Publication Date Title
WO2017130488A1 (ja) 情報処理装置、情報処理方法、およびプログラム
JP6719727B2 (ja) 購買行動分析装置およびプログラム
JP6767824B2 (ja) 判定装置、判定方法及び判定プログラム
US11188950B2 (en) Audience expansion for online social network content
US20150006286A1 (en) Targeting users based on categorical content interactions
US20150006294A1 (en) Targeting rules based on previous recommendations
US10783431B2 (en) Image search using emotions
JP2010250827A (ja) タッチポイントをカスタマイズするシステム
US20210390610A1 (en) Multi-layer optimization for a multi-sided network service
CN102365649A (zh) 为了广告的推断定向而利用社交网络中的信息
JP2018045600A (ja) 判定装置、判定方法、及び判定プログラム
EP3437055A2 (en) Method and system for determining optimized customer touchpoints
JP2018045570A (ja) 生成装置、生成方法、及び生成プログラム
JP7348230B2 (ja) 生成装置、生成方法、及び生成プログラム
JP2020057221A (ja) 情報処理方法、情報処理装置及びプログラム
JP6241698B1 (ja) 評価支援システム及び評価支援装置
JP6288748B1 (ja) 評価支援システム及び評価支援装置
JP6494576B2 (ja) 推定装置、推定方法、及び推定プログラム
US20160148271A1 (en) Personalized Marketing Based on Sequence Mining
WO2020084712A1 (ja) 配信プログラム、配信方法及び配信装置
JP2020154464A (ja) 推定装置、推定方法及び推定プログラム
Pamuru et al. Status Downgrade: The Impact of Losing Status on a User-generated Content Platform
JP7434264B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP7416904B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
JP7459040B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16888073

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017563688

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2016888073

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2016888073

Country of ref document: EP

Effective date: 20180829