WO2021130841A1 - 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
WO2021130841A1
WO2021130841A1 PCT/JP2019/050517 JP2019050517W WO2021130841A1 WO 2021130841 A1 WO2021130841 A1 WO 2021130841A1 JP 2019050517 W JP2019050517 W JP 2019050517W WO 2021130841 A1 WO2021130841 A1 WO 2021130841A1
Authority
WO
WIPO (PCT)
Prior art keywords
evaluation
information processing
attribute
evaluation target
value
Prior art date
Application number
PCT/JP2019/050517
Other languages
English (en)
French (fr)
Inventor
雄貴 蔵内
匡宏 幸島
治 松田
瀬下　仁志
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2019/050517 priority Critical patent/WO2021130841A1/ja
Publication of WO2021130841A1 publication Critical patent/WO2021130841A1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • An embodiment of the present invention relates to an information processing device, an information processing method, and a program for designing an incentive for behavior.
  • Non-Patent Document 1 It has been proposed to design rewards and tasks in crowdsourcing (see, for example, Non-Patent Document 1).
  • This invention was made by paying attention to the above circumstances, and is to provide a technique capable of designing an incentive considering individual attributes such as sales staff and stores.
  • one aspect of the present invention is a selection unit that selects an evaluation target group including a plurality of evaluation targets in an information processing apparatus, and attributes possessed by each evaluation target for the evaluation target group.
  • the above evaluation so that the total of the profits obtained as a result of the above actions for each of the attribute patterns in the evaluation target group and the design department that designs the evaluation value for the action for each attribute pattern based on the combination of It is provided with an update unit that recalculates the value.
  • an evaluation value as an incentive for behavior is designed for each attribute pattern based on the combination of attributes possessed by each evaluation target. Then, the designed evaluation value is recalculated so as to maximize the total profit in the evaluation target group. As a result, the evaluation value designed for each attribute pattern is optimized, and the optimum evaluation value according to each attribute such as a salesperson or a store can be obtained.
  • FIG. 1 is a diagram showing an example of a functional configuration of an information processing apparatus according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing an example of the hardware configuration of the information processing apparatus according to the embodiment of the present invention.
  • FIG. 3 is a flowchart showing an example of a processing procedure and processing contents by the information processing apparatus shown in FIG.
  • FIG. 4A is a diagram showing an example of actual attribute value data acquired by the information processing apparatus shown in FIG.
  • FIG. 4B is a diagram showing an example of sales history data acquired by the information processing apparatus shown in FIG.
  • FIG. 5A is a diagram showing an example of the estimation result of the attribute value in the learning process.
  • FIG. 5B is a diagram showing an example of the calculation result of the incentive parameter in the learning process.
  • FIG. 1 shows an example of the functional configuration of the information processing apparatus 1 according to the embodiment of the present invention.
  • the information processing device 1 designs and optimizes incentives given to the performance of actions of sales staff, stores, workers, etc., and is composed of, for example, a personal computer or a server computer.
  • the unit for which the information processing device 1 designs an incentive such as a salesperson, a store, or a worker, is also referred to as an "evaluation target".
  • an evaluation target actions that generate profits, such as sales and contracts at sales staff or stores, and work by workers, are collectively referred to as “behavior.”
  • the profit may include a negative profit (loss).
  • “incentive” includes both stimuli that increase behavioral motivation such as rewards and stimuli that inhibit behavioral motivation such as penalties. When we simply say “incentive”, we sometimes refer to a specific numerical value related to the incentive, and it is used interchangeably with “incentive parameter” or "evaluation value”.
  • the evaluation target is a salesperson. Further, in the following description, it is assumed that the information processing device 1 optimizes the evaluation value according to the attribute pattern for each salesperson.
  • the information processing device 1 includes an input / output interface (I / F) 10, a control unit 20, and a storage unit 30.
  • the input / output interface 10 includes, for example, one or more wired or wireless communication interface units, and enables information to be transmitted / received to / from an external device.
  • a wired LAN is used
  • the wireless interface an interface adopting a low power wireless data communication standard such as a wireless LAN or Bluetooth (registered trademark) is used.
  • the storage unit 30 includes, for example, a non-volatile memory such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive) that can be written and read at any time, and a volatile memory such as a RAM (Random Access Memory). It is configured in combination and is used to store various data acquired and created in the process of processing.
  • the storage area of the storage unit 30 is provided with a program storage area and a data storage area.
  • the program storage area stores programs necessary for executing various control processes according to the embodiment of the present invention.
  • a salesperson information storage unit 31 and an incentive information storage unit 32 are provided in the data storage area of the storage unit 30.
  • the salesperson information storage unit 31 stores the salesperson information acquired from an external database or the like.
  • the salesperson information storage unit 31 stores, for example, actual attribute value data regarding actual attributes such as the sales area, age, and work system of the salesperson, and sales history data regarding the sales history of the salesperson.
  • the salesperson information storage unit 31 can also store latent attribute value data regarding the potential attributes of each salesperson estimated in the process of optimization.
  • the incentive information storage unit 32 stores the designed incentive parameters (evaluation values).
  • the parameters stored in the incentive information storage unit 32 can be updated at any time with the values obtained in the process of optimization.
  • the control unit 20 has a hardware processor such as a CPU (Central Processing Unit) and an MPU (Micro Processing Unit), and a memory such as a DRAM (Dynamic Random Access Memory) and a SRAM (Static Random Access Memory).
  • the control unit 20 includes a salesperson information acquisition unit 21, an optimization unit 22, and an output control unit 23 as processing functions necessary for implementing this embodiment. All of these processing functions are realized by causing the hardware processor to execute the program stored in the program storage area.
  • the control unit 20 may also be realized in various other forms including integrated circuits such as ASIC (Application Specific Integrated Circuit) and FPGA (field-programmable gate array).
  • the salesperson information acquisition unit 21 acquires the actual attribute value data and the sales history data of each salesperson from an external database or the like, and stores them in the salesperson information storage unit 31.
  • the optimization unit 22 optimizes the incentive parameters for each attribute pattern based on the combination of attributes possessed by each salesperson based on the acquired actual attribute value data and sales history data.
  • the optimization unit 22 includes a target selection unit 221, an incentive pattern design unit 222, an effect acquisition unit 223, and an update unit 224.
  • the target selection unit 221 may randomly select one or more from the whole or a specific attribute to be verified (for example, the Kanto area when verifying by narrowing down the area). Select the group as the "evaluation target group”.
  • the incentive pattern design unit 222 generates a pattern of search values for finding the optimum incentive parameter by using an existing parameter search method or the like.
  • the incentive pattern design unit 222 generates a search value pattern for each attribute pattern that is a combination of the attribute values of each evaluation target for the evaluation target group selected by the target selection unit 221.
  • the effect acquisition unit 223 observes or calculates the desired effect such as net profit in each attribute pattern.
  • the effect acquisition unit 223 calculates the net profit as an effect by acquiring the profit amount actually achieved by each salesperson and reducing the cost required for granting the incentive.
  • the update unit 224 obtains the optimum value of the incentive parameter based on the time-series effect obtained by the effect acquisition unit 223 and the designed incentive pattern (this process is also called "recalculation"), and the incentive information storage unit.
  • the parameters stored in 32 are updated to the obtained optimum values.
  • the update unit 224 recalculates the incentive parameter so that the total of the net profits in the evaluation target group is maximized.
  • the output control unit 23 receives an output instruction from, for example, an operator or the like, reads out the latest information stored in the incentive information storage unit 32, generates output data, and outputs the data.
  • FIG. 2 shows an example of the hardware configuration of the information processing apparatus 1.
  • the information processing device 1 includes a control unit 20 having a hardware processor such as a CPU, and an input / output interface 10, a storage unit 30, an input device 11 and an output device 12 are provided to the control unit 20 via a bus 40. It is connected.
  • the input device 11 is a device for receiving user input such as a keyboard, a touch screen, a mouse, a button, and a switch.
  • a signal corresponding to the operation content is input to the control unit 20 via the bus 40.
  • the control unit 20 performs various processes in response to this signal.
  • the output device 12 is a device for displaying output data, including, for example, a display device using liquid crystal or organic EL (ElectroLuminescence), and a speaker that outputs sound.
  • the output data generated by the control unit 20 is output to the output device 12 via the bus 40.
  • the input device 11 and the output device 12 may use the device built in the information processing device 1, or may use the input device and the output device of another information terminal capable of communicating via the network. Good.
  • Non-Patent Document 1 As an attempt to solve such a problem, for example, a complicated incentive design has been made in order to prevent sales that pierce the hole of the incentive.
  • the design is difficult to convey the intention, and the target sales method cannot be achieved, so it is hard to say that the purpose has been achieved.
  • the values have not been optimized (for example, Non-Patent Document 1).
  • each salesperson when determining an incentive for each salesperson, each salesperson is classified into an attribute pattern that is a combination of attribute values, and an incentive for each attribute pattern is satisfied so as to satisfy the following equation (Equation 1). Optimize.
  • the actual attribute is a fixed and observable attribute such as the salesperson's area and work system, and can be acquired in advance as actual attribute value data from a database or the like.
  • Latent attributes are attributes that cannot be observed directly and are estimated based on known information.
  • Latent attributes include, for example, expertise in selling to young people.
  • the latent attribute may be automatically configured by clustering or the like.
  • the net profit ru is calculated as the amount of profit actually achieved by the salesperson u minus the cost required for granting the incentive.
  • Calculation of the probability is, for example, deep neural network (DNN: Deep neural network), etc., enter the manifest attribute value set a 'u and sales history s u, based on the net profit r u, which is observed in the time-series This is achieved by allowing the latent and manifest attribute value sets a u to be learned in the middle layer.
  • DNN Deep neural network
  • the net profit r observed in time series when the manifest attribute value set a'u and the sales history s u are input to the input layer.
  • the above DNN is trained so as to output an incentive x a that maximizes the sum of u. By acquiring the output from the intermediate layer of DNN, the above a u can be obtained.
  • the above optimization may be performed by combining an AB test, a multivariate test, and a parameter search method.
  • the optimization unit 22 will be described as performing optimization by using a method of repeatedly selecting a target and grasping the effect.
  • FIG. 3 is a flowchart showing an example of such information processing procedure.
  • the information processing device 1 starts the following processing when it receives an instruction to start processing from an operator via, for example, the input device 11.
  • step S101 the information processing device 1 acquires the actual attribute value and the sales history of the salesperson by the salesperson information acquisition unit 21.
  • the salesperson information acquisition unit 21 reads, for example, the actual attribute value data and the sales history data stored in an external database and stores them in the salesperson information storage unit 31.
  • FIG. 4A shows an example of actual attribute value data acquired by the salesperson information acquisition unit 21.
  • each record corresponds to the information of each salesperson, and may have a plurality of items.
  • the actual attribute value data includes, for example, "salesperson ID” 41 and "name” 42, as well as items such as "region (for example, sales area or residential area)" 43, "age” 44, and "work system” 45. ..
  • FIG. 4A is merely an example, and other information may be adopted as the manifest attribute.
  • FIG. 4B shows an example of sales history data acquired by the salesperson information acquisition unit 21.
  • the sales history data takes the form of a data table for each salesperson, and each record may include information at a specific date and time.
  • the sales history data includes "new contract” 52, "younger contract among new contracts” 53, “contract change” 54, "cancellation” 55, and "short term cancellation”. Cancellation of "56" and other items are included.
  • FIG. 4B is also merely an example, and other historical information may be adopted.
  • Item 51 may be the date and time when the contract was generated, or may be a fixed period (for example, one day, one week, January, quarter, etc.).
  • each record may be a table including information of all salespersons associated with the salesperson ID.
  • the value "DD MM YYYY" of "date and time” 51 is only a tentative value, and a specific date can be actually recorded.
  • step S102 the information processing device 1 selects a group to be evaluated by the target selection unit 221. More specifically, the target selection unit 221 randomly selects one or more groups from the whole or from a specific attribute (for example, the Kanto area) to be verified. Whether to select from the whole or from specific attributes may be determined according to, for example, an input instruction from the operator.
  • the group selected by the target selection unit 221 is also referred to as an "evaluation target group" or a "salesperson set U" here.
  • the information processing apparatus 1 generates a pattern of search values for obtaining an optimum incentive for each attribute pattern by the incentive pattern design unit 222.
  • the above division is set in advance by, for example, an operator of the information processing apparatus 1.
  • the attribute pattern may be determined by clustering based on sales history data or the like. The number of clusters may be specified in advance by an operator or the like, or may be automatically determined by an x-means method or the like. In addition to grid / random search, existing parameter search methods such as hyperopt can be used to generate the search value pattern.
  • step S104 the information processing apparatus 1 acquires the desired effect such as the net profit in each attribute pattern by the effect acquisition unit 223.
  • the effect acquisition unit 223 acquires the total of the profits actually achieved by each salesperson as the actual profit for all the salespeople included in the evaluation target group (salesperson set U), and each salesperson is obtained from this actual profit.
  • the net profit is calculated by subtracting the sum of the values of the incentive x a in the attribute pattern of (cost) (Equation 3).
  • the effect acquisition unit 223 may calculate the actual profit from the sales history acquired by the salesperson information acquisition unit 21, or may acquire it as actual data from an external database or the like.
  • step S105 the information processing apparatus 1 obtains an optimum value by the update unit 224 based on the time-series effect acquired by the effect acquisition unit 223 and the designed incentive pattern, and updates the incentive to the obtained optimum value.
  • the effect of the time series is, for example, the results obtained by having the sales staff sell the incentive for a certain period (for example, several weeks to one month) after designing or updating the incentive. Refers to net profit based on profit.
  • the optimization unit 22 optimizes the parameters by repeating the cycle including the selection of the target, the grasp of the effect, and the recalculation. Therefore, different incentives and actual profits can be obtained depending on the time when the above cycle is repeated.
  • step S106 the information processing device 1 determines whether or not to end the optimization process. This determination is performed, for example, by determining whether or not a preset number of learnings has been reached. When the preset number of times is reached, the process ends (YES), and if not reached (NO), the process returns to step S102. Then, again, a group is randomly selected from the whole or a specific attribute, and recalculation and update are repeated.
  • step S106 the information processing apparatus 1 compares the incentive parameters before and after the update, calculates the difference between the values, and exits the loop if the difference is less than or equal to the value specified in advance (YES). If the difference is larger than the value specified in advance (NO), the process may be repeated.
  • step S102 if the task is to search for the optimum value, it is not executed in parallel, but one group is selected, the incentive is changed, and the effect is grasped over several weeks. However, it is possible to adopt a method of proceeding such as updating the incentive. On the other hand, if the task is difficult to find the optimum value, it can be executed in parallel by using the AB test or the multivariate test.
  • a plurality of populations are selected, as an example, an AB test may be used for two populations, and a multivariate test may be used for three or more populations.
  • the number of sales staff included in the group varies depending on an algorithm such as parameter search, but may be fixed to an arbitrary number such as 100 people. Incentive patterns are prepared for the number of selected populations, and the incentive patterns are applied to each population to search in parallel.
  • the output control unit 23 may read the latest information from the incentive information storage unit 32 at an arbitrary timing, for example, in response to an instruction from the operator, generate output data, and output the output data to the output device 12. it can.
  • the output control unit 23 may also output the information stored in the salesperson information storage unit 31.
  • FIGS. 5A and 5B show an example of the result of estimating the attribute value of the salesperson and the process of learning the parameter in the above optimization process.
  • FIG. 5A shows an example of the result of estimating the attribute value of the salesperson.
  • the items of "latent attribute 1" 46 and “latent attribute 2" 47 are added to the actual attribute value data shown in FIG. 4A.
  • the values input to the latent attributes 1 and 2 are the values estimated in the learning process as described above.
  • the figures are merely examples and are not limited to this data format.
  • FIG. 5B shows an example of the process in which parameters are learned.
  • items 62 to 66 correspond to items 52 to 56 of the sales history data shown in FIG. 4B.
  • this figure is also an example, and the sales history data and the incentive parameter may have different items.
  • the value of the column 66 was updated to "-10", “-15”, and "-20" from the initial value to the first learning and the second learning. .. It is probable that this is because short-term churn reduces profits, so it is learning to increase the penalty for short-term churn and make sales that do not induce short-term churn.
  • the value of the column 62 is updated to "+10", “+11”, and “+12” from the initial value to the first learning and the second learning, and the value of the column 63 is "+15". , "+10", “+5". This is because changing the incentives for young people to new contracts does not change their profits, so it reduces the incentives for young people to new contracts and instead increases the incentives for new contracts, making more new contracts. It is thought that they are learning to put effort into the contract.
  • an incentive is designed for each evaluation target such as a salesperson or a store according to an attribute pattern based on the combination of the attributes.
  • the designed incentives are optimized for each attribute pattern to maximize the total net profit in the evaluated group.
  • the degree of incentive can be automatically adjusted and optimized. it can.
  • incentives can be optimized efficiently by classifying them into attribute patterns according to the combination of each attribute and using information on similar sales staff and stores. It can be carried out.
  • each functional unit included in the information processing device 1 may be distributed and arranged in a plurality of devices, and the devices may cooperate with each other to perform processing. Further, each functional unit may be realized by using a circuit.
  • the circuit may be a dedicated circuit that realizes a specific function, or may be a general-purpose circuit such as a processor.
  • the program that realizes the above processing may be provided by storing it in a computer-readable recording medium (or storage medium).
  • the program is stored on the recording medium as a file in an installable format or a file in an executable format.
  • Examples of recording media include magnetic disks, optical disks (CD-ROM, CD-R, DVD-ROM, DVD-R, etc.), magneto-optical disks (MO, etc.), and semiconductor memories.
  • the program that realizes the above processing may be stored on a computer (server) connected to a network such as the Internet and downloaded to the computer (client) via the network.
  • the present invention is not limited to the above embodiment, and can be variously modified at the implementation stage without departing from the gist thereof.
  • each embodiment may be carried out in combination as appropriate, and in that case, the combined effect can be obtained.
  • the above-described embodiment includes various inventions, and various inventions can be extracted by a combination selected from a plurality of disclosed constituent requirements. For example, even if some constituent requirements are deleted from all the constituent requirements shown in the embodiment, if the problem can be solved and the effect is obtained, the configuration in which the constituent requirements are deleted can be extracted as an invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

個別の属性を考慮したインセンティブ設計を行う。情報処理装置にあって、複数の評価対象を含む評価対象群を選定する選定部と、上記評価対象群について、各評価対象が有する属性の組合せに基づく属性パタンごとに、行動に対する評価値を設計する設計部と、上記評価対象群における、上記属性パタンごとに上記行動の結果として得られる利益の合計が最大になるように、上記評価値を再計算する更新部とを備えるようにした。

Description

情報処理装置、情報処理方法およびプログラム
　本発明の実施形態は、行動に対するインセンティブを設計する情報処理装置、情報処理方法およびプログラムに関する。
　フランチャイズ形式の事業やクラウドソーシングなどにおいて、販売員、店舗、作業者などの実績に対してインセンティブやペナルティを課すことにより、意図した働きをさせる試みが行われている。
　例えば、新規契約には大きなインセンティブ、契約変更には小さなインセンティブを用意し、短期での解約には大きなペナルティを用意するなどによって、新規契約の獲得に大きな労力をかけ、短期で解約されないような販売方法をさせるなどの間接的な誘導が行われる。
　クラウドソーシングにおいて報酬およびタスクの設計を行うことが提案されている（例えば、非特許文献１参照）。
Finnerty, Ailbhe, et al. "Keep it simple: Reward and task design in crowdsourcing." Proceedings of the Biannual Conference of the Italian Chapter of SIGCHI. ACM, 2013.
　しかし、従来提案されている方法は、インセンティブを一律に設計するものであり、利益を最大化するなどの目的を必ずしも達成できるものではなかった。
　この発明は上記事情に着目してなされたもので、販売員や店舗など、個別の属性を考慮したインセンティブ設計を行うことのできる技術を提供することにある。
　上記課題を解決するために、この発明の一態様は、情報処理装置にあって、複数の評価対象を含む評価対象群を選定する選定部と、上記評価対象群について、各評価対象が有する属性の組合せに基づく属性パタンごとに、行動に対する評価値を設計する設計部と、上記評価対象群における、上記属性パタンごとに上記行動の結果として得られる利益の合計が最大になるように、上記評価値を再計算する更新部とを備えるようにしたものである。
　この発明の一態様によれば、選定された評価対象群について、各評価対象が有する属性の組合せに基づく属性パタンごとに、行動に対するインセンティブとしての評価値が設計される。そして、設計された評価値は、評価対象群における利益の合計が最大になるように再計算される。これにより、属性パタンごとに設計された評価値が最適化され、販売員や店舗など、個別の属性に応じた最適な評価値を得ることができる。
　すなわちこの発明によれば、販売員や店舗など、個別の属性を考慮したインセンティブ設計を行うことのできる技術を提供することができる。
図１は、この発明の一実施形態に係る情報処理装置の機能構成の一例を示す図である。 図２は、この発明の一実施形態に係る情報処理装置のハードウェア構成の一例を示すブロック図である。 図３は、図１に示した情報処理装置による処理手順と処理内容の一例を示すフローチャートである。 図４Ａは、図１に示した情報処理装置によって取得される顕在属性値データの一例を示す図である。 図４Ｂは、図１に示した情報処理装置によって取得される販売履歴データの一例を示す図である。 図５Ａは、学習過程における属性値の推定結果の一例を示す図である。 図５Ｂは、学習過程におけるインセンティブパラメタの計算結果の一例を示す図である。
　以下、図面を参照してこの発明に係わる実施形態を説明する。なお、以降、説明済みの要素と同一または類似の要素には同一または類似の符号を付し、重複する説明については基本的に省略する。例えば、複数の同一または類似の要素が存在する場合に、各要素を区別せずに説明するために共通の符号を用いることがあるし、各要素を区別して説明するために当該共通の符号に加えて枝番号を用いることもある。
　［一実施形態］
　（構成）
　図１は、この発明の一実施形態に係る情報処理装置１の機能構成の一例を示す。
　情報処理装置１は、販売員、店舗、作業員などの行動の実績に対して与えるインセンティブを設計し、最適化するもので、例えば、パーソナルコンピュータやサーバコンピュータにより構成される。
　ここでは、販売員、店舗、作業員など、情報処理装置１がインセンティブを設計する単位を、「評価対象」とも言う。また、利益を発生させる行動、例えば、販売員もしくは店舗における販売や契約、作業員による作業などを総括して、「行動」と言う。なお、利益は、負の利益（損失）も含み得る。またここで「インセンティブ」は、報酬など、行動意欲を高める刺激と、ペナルティなど、行動意欲を阻害する刺激の両方を包含する。単に「インセンティブ」と言うとき、インセンティブに係る具体的な数値を指すこともあり、「インセンティブパラメタ」または「評価値」と交換可能に使用される。
　なお、例示のために、以下の実施形態では、特に評価対象が販売員であるものとして説明する。また、以下では、情報処理装置１が販売員ごとに属性パタンに応じて評価値を最適化するものとして説明する。
　図１に示されるように、情報処理装置１は、入出力インタフェース（Ｉ／Ｆ）１０と、制御部２０と、記憶部３０とを備える。
　入出力インタフェース１０は、例えば１つ以上の有線または無線の通信インタフェースユニットを含んでおり、外部機器との間で情報の送受信を可能にする。有線インタフェースとしては、例えば有線ＬＡＮが使用され、また無線インタフェースとしては、例えば無線ＬＡＮやＢｌｕｅｔｏｏｔｈ（登録商標）などの小電力無線データ通信規格を採用したインタフェースが使用される。
　記憶部３０は、記憶媒体として、例えばＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込みおよび読出しが可能な不揮発性メモリと、ＲＡＭ（Random Access Memory）等の揮発性メモリとを組み合わせて構成され、処理を行う過程で取得および作成された各種データを記憶するために用いられる。記憶部３０の記憶領域には、プログラム記憶領域と、データ記憶領域とが設けられる。プログラム記憶領域には、この発明の一実施形態に係る各種制御処理を実行するために必要なプログラムが格納されている。
　記憶部３０のデータ記憶領域には、販売員情報記憶部３１と、インセンティブ情報記憶部３２とが設けられる。
　販売員情報記憶部３１は、外部のデータベース等から取得された販売員の情報を記憶する。販売員情報記憶部３１は、例えば、販売員の販売地域や年代、勤務体系などの顕在的な属性に関する顕在属性値データと、販売員の販売履歴に関する販売履歴データとを記憶する。販売員情報記憶部３１はまた、最適化の過程で推定される各販売員の潜在的な属性に関する潜在属性値データも記憶し得る。
　インセンティブ情報記憶部３２は、設計されたインセンティブパラメタ（評価値）を記憶する。インセンティブ情報記憶部３２に記憶されたパラメタは、最適化の過程で得られた値に随時更新され得る。
　制御部２０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等のハードウェアプロセッサと、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等のメモリとを有する。そして制御部２０は、この実施形態を実施するために必要な処理機能として、販売員情報取得部２１と、最適化部２２と、出力制御部２３とを備える。これらの処理機能は、いずれも上記プログラム記憶領域に記憶されたプログラムを上記ハードウェアプロセッサに実行させることにより実現される。制御部２０は、また、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（field-programmable gate array）などの集積回路を含む、他の多様な形式で実現されてもよい。
　販売員情報取得部２１は、外部のデータベース等から、各販売員の顕在属性値データおよび販売履歴データを取得し、販売員情報記憶部３１に記憶させる。
　最適化部２２は、取得した顕在属性値データおよび販売履歴データに基づき、各販売員が有する属性の組合せに基づく属性パタンごとにインセンティブパラメタを最適化する。最適化部２２は、対象選定部２２１と、インセンティブパタン設計部２２２と、効果取得部２２３と、更新部２２４とを備える。
　対象選定部２２１は、販売員情報記憶部３１に記憶された情報に基づき、全体もしくは検証したい特定の属性（例えば、地域を絞って検証する場合に関東圏など）からランダムで１つまたは複数の集団を「評価対象群」として選定する。
　インセンティブパタン設計部２２２は、最適なインセンティブパラメタを求めるための探索値のパタンを、既存のパラメタサーチ手法などを用いて生成する。実施形態では、インセンティブパタン設計部２２２は、対象選定部２２１により選定された評価対象群について、各評価対象の属性値の組合せである属性パタンごとに探索値パタンを生成する。
　効果取得部２２３は、各属性パタンにおける純利益などの目的とする効果を観測または算出する。実施形態では、効果取得部２２３は、各販売員が実際に達成した利益額を取得し、インセンティブの付与に要したコストを減じることによって、効果としての純利益を算出する。
　更新部２２４は、効果取得部２２３により得られた時系列の効果および設計したインセンティブパタンをもとに、インセンティブパラメタの最適値を求め（この処理を「再計算」とも言う）、インセンティブ情報記憶部３２に記憶されたパラメタを求めた最適値に更新する。実施形態では、更新部２２４は、評価対象群における上記純利益の合計が最大になるようにインセンティブパラメタを再計算する。
　出力制御部２３は、例えばオペレータ等からの出力指示を受け付けて、インセンティブ情報記憶部３２に格納された最新の情報を読み出し、出力データを生成して出力する。
　図２は、上記情報処理装置１のハードウェア構成の一例を示す。　
　情報処理装置１は、ＣＰＵ等のハードウェアプロセッサを有する制御部２０を備え、この制御部２０に対し、入出力インタフェース１０、記憶部３０、入力装置１１および出力装置１２を、バス４０を介して接続したものとなっている。
　入力装置１１は、例えば、キーボード、タッチスクリーン、マウス、ボタン、スイッチなどのユーザ入力を受け付けるための装置である。入力装置１１の操作がされた場合、操作内容に応じた信号がバス４０を介して制御部２０に入力される。制御部２０は、この信号に応じて各種の処理を行う。
　出力装置１２は、例えば、液晶または有機ＥＬ（Electro Luminescence）等を用いた表示デバイスや音声を出力するスピーカを含む、出力データを表示するための装置である。制御部２０により生成された出力データは、バス４０を介して出力装置１２に出力される。
　なお、入力装置１１および出力装置１２は、情報処理装置１に内蔵されたデバイスを使用してもよく、またネットワークを介して通信可能な他の情報端末の入力デバイスおよび出力デバイスを使用してもよい。
　次に、一実施形態に係る情報処理装置１の最適化部２２による処理についてさらに説明する。　
　上記のように、従来技術では、インセンティブは全販売員や全店舗に対して一律に設計される。しかし、一律に設計する場合、例えば以下の理由により、利益の最大化などの目的が必ずしも達成されなかった。　
　（Ａ）販売員や店舗による意図に反した販売による利益悪化、評判悪化
　　　例Ａ１：一旦解約してすぐ新規契約することの積極的な勧奨
　　　例Ａ２：高齢者への不要なサービスの強制販売
　（Ｂ）販売員の性質（働き方、専門性、興味など）とインセンティブの乖離による販売員の意欲の減退
　　　例Ｂ１：平日昼勤務の販売員に対する若年層販売インセンティブ
　　　例Ｂ２：シニア顧客に専門性のあるシニア販売員に対する若年層販売インセンティブ
　このような問題を解消する試みとして、例えば、インセンティブの穴を突くような販売を防ぐために、複雑なインセンティブ設計がなされてきた。しかし、従来の方法では、意図が伝わりにくい設計となり、狙った販売方法とできず、目的が達成されていたとは言い難い。また、インセンティブの種類や仕組みについては検討されても、値の最適化はされていない（例えば、非特許文献１）。
　そこで、実施形態においては、販売員や店舗単位でインセンティブを設計すること、すなわち、誰に対し、どんな行動に対してインセンティブを支払うかを細かく設計することに着目し、さらに効率的な目的達成を試みる。
　例えば、下記のような設計により上記問題点（Ａ）（Ｂ）を解決できると考えられる。
　　（Ｉ）意図に反した販売が多い販売員や店舗に対してのみ、意図に反した販売へのペナルティを導入もしくは強化する
　　（ＩＩ）特定のサービスや特定の客層に対する販売などの得意な販売内容に対するインセンティブ強化により、専門性と意欲を増加させる
　一方で、このような設計を用いる場合、個別に性質を考慮し、個別にインセンティブの度合を決めるには多大な労力を要する。そのため、インセンティブの度合を自動で調整し最適化していく仕組みが必要となる。また、販売員や店舗の数は限られているので、類似の販売員や店舗の情報をもとにインセンティブの度合を最適化する必要もある。
　以上に鑑みて、実施形態では、例えば販売員ごとにインセンティブを決める場合、各販売員を属性値の組合せである属性パタンに分類し、次式（式１）を満たすように属性パタンごとのインセンティブを最適化する。　
Figure JPOXMLDOC01-appb-M000001
 ただし、
Figure JPOXMLDOC01-appb-M000002
Figure JPOXMLDOC01-appb-M000003
　すなわち、販売員ｕの顕在属性値集合ａ’uと販売履歴ｓuをもとに、販売員ｕの潜在および顕在属性値集合ａuを推定し、販売員集合Ｕにおける純利益ｒuの合計が最大となるように、属性パタンごとのインセンティブｘを最適化する（式１）。ただし、インセンティブの合計は予算内であるとする（式２）。なお、インセンティブとして、金銭だけでなく、例えば、休暇の付与、裁量の増加、高額クーポンの利用権限解放、異動先の選択権、契約期間の延長などを与えてもよい。このようにインセンティブが非金銭的である場合には、上限値など、別途制約を設けてもよい。
　顕在属性とは、販売員の地域や勤務体系など、固定的で観測できる属性であり、あらかじめデータベース等から顕在属性値データとして取得可能である。
　潜在属性とは、直接観測できない属性であり、既知の情報に基づいて推定される。潜在属性には、例えば、若年層への販売の専門性などが含まれる。潜在属性は、クラスタリングなどによって自動的に構成されるものでもよい。
　純利益ｒuは、実際に販売員ｕが達成した利益額からインセンティブ付与に要したコストを差し引いた額として算出される。
　上記確率の計算は、例えば、ディープニューラルネットワーク（ＤＮＮ：Deep neural network）などに、顕在属性値集合ａ’uおよび販売履歴ｓuを入力し、時系列に観測される純利益ｒuをもとに中間層において潜在および顕在属性値集合ａuが学習されるようにすることによって実現される。言い換えれば、入力層と、中間層と、出力層とを有するＤＮＮに対し、入力層に顕在属性値集合ａ’uおよび販売履歴ｓuを入力したときに、時系列に観測される純利益ｒuの合計が最大になるようなインセンティブｘaを出力するように、上記ＤＮＮを学習させる。ＤＮＮの中間層からの出力を取得することにより、上記ａuが得られる。
　上記最適化は、ＡＢテストや多変量テスト、パラメタサーチ手法を組み合わせて行ってもよい。以下では特に、最適化部２２が、対象の選定と効果把握を繰り返す方法を用いることによって最適化を行うものとして説明する。
　（動作）
　次に、以上のように構成された情報処理装置１による情報処理動作について説明する。　
　図３は、そのような情報処理の手順の一例を示すフローチャートである。
　一実施形態では、情報処理装置１は、例えば入力装置１１を介してオペレータから処理開始の指示を受け付けると以下の処理を開始する。
　まずステップＳ１０１において、情報処理装置１は、販売員情報取得部２１により、販売員の顕在属性値および販売履歴を取得する。販売員情報取得部２１は、例えば外部のデータベースに蓄積された顕在属性値データおよび販売履歴データを読み出し、販売員情報記憶部３１に記憶させる。
　図４Ａは、販売員情報取得部２１が取得する顕在属性値データの一例を示す。ここでは、顕在属性値データは、各レコードが各販売員の情報に対応し、複数の項目を有し得る。顕在属性値データは、例えば、「販売員ＩＤ」４１および「名前」４２に加え、「地域（例えば販売地域または居住地域）」４３、「年代」４４、「勤務体系」４５等の項目を含む。図４Ａは単なる例示に過ぎず、顕在属性として他の情報を採用してもよい。
　図４Ｂは、販売員情報取得部２１が取得する販売履歴データの一例を示す。ここでは、販売履歴データは、販売員ごとのデータテーブルの形式をとり、各レコードが特定の日時における情報を含み得る。販売履歴データは、例えば、「日時」５１に加えて、「新規契約」５２、「新規契約のうち若年層の契約」５３、「契約変更」５４、「解約」５５、「解約のうち短期での解約」５６等の項目を含む。図４Ｂもまた単なる例示に過ぎず、他の履歴情報を採用してもよい。項目５１は、契約が発生した日時でもよいし、一定の期間（例えば、１日、１週、１月、四半期等）でもよい。また、販売員ごとのテーブルではなく、各レコードが販売員ＩＤに紐づけられた全販売員の情報を含むテーブルであってもよい。なお、「日時」５１の値「ＤＤ　ＭＭ　ＹＹＹＹ」は仮の値にすぎず、実際には具体的な年月日が記録され得る。
　次いでステップＳ１０２において、情報処理装置１は、対象選定部２２１により、評価対象とする集団を選定する。より詳細には、対象選定部２２１は、全体から、または検証したい特定の属性（例えば関東圏など）から、ランダムに１または複数の集団を選定する。全体から選定するか、特定の属性から選定するかは、例えばオペレータからの入力指示に応じて決定されてよい。対象選定部２２１により選定される集団を、ここでは「評価対象群」または「販売員集合Ｕ」とも呼ぶ。
　ステップＳ１０３において、情報処理装置１は、インセンティブパタン設計部２２２により、最適なインセンティブを求めるための探索値のパタンを属性パタンごとに生成する。属性パタンは、各属性値をいくつかの区分に分けた組合せとして区別される。例えば、地域に関して「首都圏／首都圏外」（２区分）、年代に関して「～３０代／～５０代／６０代～」（３区分）、勤務体系に関して「日勤／夜勤」（２区分）に分けた場合、２×３×３＝１２通りの組合せ、すなわち１２パタンが得られる。上記区分は、例えば情報処理装置１のオペレータ等によりあらかじめ設定される。あるいは、販売履歴データなどをもとに、クラスタリングによって属性パタンが決定されてもよい。クラスタの数は、やはりオペレータ等によってあらかじめ指定されてもよいし、ｘ－ｍｅａｎｓ法などにより自動的に決定されてもよい。探索値のパタンの生成には、グリッド／ランダムサーチのほか、hyperoptなど既存のパラメタサーチ手法などを用いることができる。
　ステップＳ１０４において、情報処理装置１は、効果取得部２２３により、各属性パタンにおける純利益などの目的とする効果を取得する。例えば、効果取得部２２３は、評価対象群（販売員集合Ｕ）に含まれる全販売員について、各販売員が実際に達成した利益の合計を実績利益として取得し、この実績利益から各販売員の属性パタンにおけるインセンティブｘaの値を足し合わせたもの（コスト）を差し引くことによって、純利益を算出する（式３）。効果取得部２２３は、例えば、販売員情報取得部２１により取得された販売履歴から実績利益を算出してもよいし、外部データベース等から実績データとして取得してもよい。
Figure JPOXMLDOC01-appb-M000004
　ステップＳ１０５において、情報処理装置１は、更新部２２４により、効果取得部２２３によって取得された時系列の効果および設計したインセンティブパタンをもとに最適値を求め、インセンティブを求めた最適値に更新する。ここでは、時系列の効果とは、例えば、インセンティブの設計または更新後に一定期間（例えば、数週間から１か月程度）そのインセンティブで販売員に販売を行ってもらい、その期間に得られた実績利益に基づく純利益を指す。上述したように、この実施形態では、最適化部２２は、対象の選定、効果把握および再計算を含むサイクルを繰り返すことによって、パラメタの最適化を行う。したがって、上記サイクルを繰り返す時期ごとに異なるインセンティブおよび実績利益が得られる。
　ステップＳ１０６において、情報処理装置１は、最適化処理を終了するか否かを判定する。この判定は、例えば、あらかじめ設定された学習回数に達したかどうかを判定することによって行われる。あらかじめ設定された回数に達したら処理を終了し（ＹＥＳ）、達していなければ（ＮＯ）、ステップＳ１０２に戻る。そして再び、全体からまたは特定の属性からランダムに集団の選定を行い、再計算および更新を繰り返す。あるいは、情報処理装置１は、ステップＳ１０６において、更新前後のインセンティブパラメタを比較し、その値の差を算出して、差があらかじめ指定された値以下であった場合にはループを抜け（ＹＥＳ）、差があらかじめ指定された値よりも大きい場合には（ＮＯ）、処理を繰り返すようにしてもよい。
　なお、ステップＳ１０２における集団の選定に関しては、最適値の探索が用意なタスクであれば、特に並列に実行せず、１つの集団を選定し、インセンティブを変えて試し、数週間かけて効果を把握し、インセンティブを更新する、といった進め方を採用し得る。他方、最適値の探索が難しいタスクであれば、ＡＢテストや多変量テストを用いて並列に実行し得る。複数の集団が選定される場合、一例として、２つの集団であればＡＢテスト、３つ以上の集団であれば多変量テストを用いてよい。集団に含まれる販売員の数は、パラメタサーチ等のアルゴリズムによっても異なるが、例えば１００人など、任意の数に固定して実施してもよい。選定された集団の数だけインセンティブパタンを用意しておき、それぞれの集団に適用して並列に探索が行われる。
　なお、出力制御部２３は、任意のタイミングで、例えばオペレータからの指示に応答して、インセンティブ情報記憶部３２から最新の情報を読み出し、出力データを生成して、出力装置１２に出力することができる。出力制御部２３はまた、販売員情報記憶部３１に記憶された情報を出力してもよい。
　図５Ａおよび図５Ｂは、以上のような最適化処理において、販売員の属性値が推定された結果と、パラメタが学習される過程の一例を示す。　
　図５Ａは、販売員の属性値が推定された結果の一例を示す。図５Ａに示したデータは、図４Ａに示した顕在属性値データに、「潜在属性１」４６および「潜在属性２」４７の項目が追加されている。潜在属性１および２（カラム４６および４７）に入力された値は、上記のとおり学習過程で推定された値である。図は例示に過ぎず、このデータ形式に限定されるものではない。
　図５Ｂは、パラメタが学習される過程の一例を示す。この例では、項目６２～６６は、図４Ｂに示した販売履歴データの項目５２～５６に対応する。ただし、この図も例示に過ぎず、販売履歴データとインセンティブパラメタは異なる項目を有してもよい。
　この例では、図５Ａの販売員Ｘさん（販売員ＩＤ＝００ＸＸ）は属性パタン１に属し、短期解約を誘発する悪質な販売を実施しているものとする。一方、販売員Ｙさん（販売員ＩＤ＝００ＹＹ）は属性パタン２に属し、若年層への販売が難しい勤務体系であるものとする。
　図５Ｂを見ると、属性パタン１の場合、初期値から、学習１回目、学習２回目と経るにつれて、カラム６６の値が「－１０」、「－１５」、「－２０」と更新された。これは、短期解約が利益を減少させていることから、短期解約へのペナルティを増加し、短期解約を誘発しない販売をさせるよう学習しているものと考えられる。　
　一方、属性パタン２の場合、初期値から、学習１回目、学習２回目と経るにつれ、カラム６２の値が「＋１０」、「＋１１」、「＋１２」と更新され、カラム６３の値が「＋１５」、「＋１０」、「＋５」と更新された。これは、若年層の新規契約へのインセンティブを変化させても利益に変化がないことから、若年層の新規契約へのインセンティブを減少させ、代わりに新規契約へのインセンティブを増加し、より新規契約に労力をかけさせるよう学習しているものと考えられる。
　（効果）
　以上詳述したように、この発明の一実施形態では、販売員や店舗などの評価対象ごとに、その属性の組合せに基づく属性パタンに応じたインセンティブが設計される。設計されたインセンティブは、評価対象群における純利益の合計が最大になるように、属性パタンごとに最適化される。
　これにより、誰に対し、どんな行動に対してインセンティブを支払うかを、細やかに設計することができる。したがって、全販売員や全店舗に対して一律にインセンティブを設計した場合に問題となっていた、（Ａ）意図に反した販売による利益悪化や評判悪化、（Ｂ）販売員の性質とインセンティブの乖離による販売員の意欲減などの問題の解消が期待される。
　また、個別に性質を考慮して個別にインセンティブの度合いを決めるには多大な労力を要するが、上記実施形態に係る情報処理装置１では、インセンティブの度合いを自動で調整し、最適化することができる。また、販売員や店舗の数が限られていても、それぞれの属性の組合せに応じて属性パタンに分類し、類似の販売員や店舗の情報を用いることで、効率的にインセンティブの最適化を行うことができる。
　［他の実施形態］
　なお、この発明は上記実施形態に限定されるものではない。例えば、情報処理装置１が備える各機能部を、複数の装置に分散配置し、これらの装置が互いに連携することにより処理を行うようにしてもよい。また各機能部は、回路を用いることで実現されてもよい。回路は、特定の機能を実現する専用回路であってもよいし、プロセッサのような汎用回路であってもよい。
　さらに、以上で説明した各処理の流れは、説明した手順に限定されるものではなく、いくつかのステップの順序が入れ替えられてもよいし、いくつかのステップが同時並行で実施されてもよい。また、以上で説明した一連の処理は、時間的に連続して実行される必要はなく、各ステップは任意のタイミングで実行されてもよい。
　上記処理を実現するプログラムは、コンピュータで読み取り可能な記録媒体（または記憶媒体）に格納して提供されてもよい。プログラムは、インストール可能な形式のファイルまたは実行可能な形式のファイルとして記録媒体に記憶される。記録媒体の例は、磁気ディスク、光ディスク（ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＤＶＤ－ＲＯＭ、ＤＶＤ－Ｒなど）、光磁気ディスク（ＭＯなど）、半導体メモリを含む。また、上記処理を実現するプログラムを、インターネットなどのネットワークに接続されたコンピュータ（サーバ）上に格納し、ネットワーク経由でコンピュータ（クライアント）にダウンロードさせてもよい。
　その他、具体的な属性の種類等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
　要するにこの発明は、上記実施形態に限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で種々に変形することが可能である。また、各実施形態は適宜組み合わせて実施してもよく、その場合組み合わせた効果が得られる。更に、上記実施形態には種々の発明が含まれており、開示される複数の構成要件から選択された組み合わせにより種々の発明が抽出され得る。例えば、実施形態に示される全構成要件からいくつかの構成要件が削除されても、課題が解決でき、効果が得られる場合には、この構成要件が削除された構成が発明として抽出され得る。
　１…情報処理装置
　１０…入出力インタフェース
　１１…入力装置
　１２…出力装置
　２０…制御部
　２１…販売員情報取得部
　２２…最適化部
　２２１…対象選定部
　２２２…インセンティブパタン設計部
　２２３…効果取得部
　２２４…更新部
　２３…出力制御部
　３０…記憶部
　３１…販売員情報記憶部
　３２…インセンティブ情報記憶部
　４０…バス

Claims (6)

  1. 　複数の評価対象を含む評価対象群を選定する選定部と、
    　前記評価対象群について、各評価対象が有する属性の組合せに基づく属性パタンごとに、行動に対する評価値を設計する設計部と、
    　前記評価対象群における、前記属性パタンごとに前記行動の結果として得られる利益の合計が最大になるように、前記評価値を再計算する更新部と
    　を備える情報処理装置。
  2. 　各評価対象が有する顕在的な属性の情報を含む顕在属性値データと、各評価対象による行動の履歴を表す履歴データとを取得する、取得部をさらに備え、
    　前記更新部は、前記顕在属性値データと前記履歴データとを入力したときに、前記利益を最大にする評価値を出力するように、ディープニューラルネットワークを学習させることによって、前記評価値を再計算する、
    　請求項１に記載の情報処理装置。
  3. 前記設計部は、前記ディープニューラルネットワークの中間層からの出力として前記属性の組合せを取得し、取得した前記属性の組合せに基づいて、前記属性パタンごとに前記評価値を設計する、
    　請求項２に記載の情報処理装置。
  4. 　前記更新部は、前記評価値および前記属性パタンに係る属性の組合せの条件下で前記利益が観測される確率の、前記評価対象群における総和が最大になるように、前記評価値を再計算する、
    　請求項１に記載の情報処理装置。
  5. 　情報処理装置が実行する情報処理方法であって、
    　複数の評価対象を含む評価対象群を選定することと、
    　前記評価対象群について、各評価対象が有する属性の組合せに基づく属性パタンごとに、行動に対する評価値を設計することと、
    　前記評価対象群における、前記属性パタンごとに前記行動の結果として得られる利益の合計が最大になるように、前記評価値を再計算することと
    　を備える情報処理方法。
  6. 　請求項１乃至請求項４の何れかに記載の装置の各部による処理をプロセッサに実行させるプログラム。
PCT/JP2019/050517 2019-12-24 2019-12-24 情報処理装置、情報処理方法およびプログラム WO2021130841A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/050517 WO2021130841A1 (ja) 2019-12-24 2019-12-24 情報処理装置、情報処理方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/050517 WO2021130841A1 (ja) 2019-12-24 2019-12-24 情報処理装置、情報処理方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2021130841A1 true WO2021130841A1 (ja) 2021-07-01

Family

ID=76575745

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/050517 WO2021130841A1 (ja) 2019-12-24 2019-12-24 情報処理装置、情報処理方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2021130841A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361991A (ja) * 2003-05-30 2004-12-24 Secom Co Ltd 割付表作成システム
JP2014157605A (ja) * 2013-02-14 2014-08-28 Aktana Inc システムレベル・ワークフロー戦略および個々のワークフロー活動を管理するシステムおよび方法
US20150269244A1 (en) * 2013-12-28 2015-09-24 Evolv Inc. Clustering analysis of retention probabilities
JP2019046173A (ja) * 2017-09-01 2019-03-22 ヤフー株式会社 情報解析装置、情報解析方法、およびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004361991A (ja) * 2003-05-30 2004-12-24 Secom Co Ltd 割付表作成システム
JP2014157605A (ja) * 2013-02-14 2014-08-28 Aktana Inc システムレベル・ワークフロー戦略および個々のワークフロー活動を管理するシステムおよび方法
US20150269244A1 (en) * 2013-12-28 2015-09-24 Evolv Inc. Clustering analysis of retention probabilities
JP2019046173A (ja) * 2017-09-01 2019-03-22 ヤフー株式会社 情報解析装置、情報解析方法、およびプログラム

Similar Documents

Publication Publication Date Title
Jiao et al. Tourism forecasting: A review of methodological developments over the last decade
Harras et al. How to grow a bubble: A model of myopic adapting agents
US20150269244A1 (en) Clustering analysis of retention probabilities
Albritton et al. Optimal product design using a colony of virtual ants
US20110282712A1 (en) Survey reporting
Vega-Velázquez et al. A survey on the software project scheduling problem
JP6514342B2 (ja) オンライン予測システムおよび方法
US10142187B2 (en) Predicting an effect of performing an action on a node of a geographical network
JP4751242B2 (ja) リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体
Bhunia et al. A deteriorating inventory model with displayed stock-level-dependent demand and partially backlogged shortages with all unit discount facilities via particle swarm optimisation
Eitle et al. Business analytics for sales pipeline management in the software industry: A machine learning perspective
Glady et al. Unveiling the relationship between the transaction timing, spending and dropout behavior of customers
Golalikhani et al. A hierarchical procedure for multi-skilled sales force spatial planning
US11403574B1 (en) Method and system for optimizing an item assortment
Pinçe et al. The role of contract expirations in service parts management
Müller et al. Data-driven inventory management under customer substitution
Hommes Carl’s nonlinear cobweb
US20200380541A1 (en) Method and system for adjustable automated forecasts
WO2021130841A1 (ja) 情報処理装置、情報処理方法およびプログラム
Bernat et al. Modelling customer lifetime value in a continuous, non-contractual time setting
Henzel et al. Gradient boosting and deep learning models approach to forecasting promotions efficiency in fmcg retail
JP6938259B2 (ja) 生成装置、生成方法、及び生成プログラム
Kogan et al. Multi-period aggregate production planning in a news-vendor framework
Cain Brand management and the marketing mix model
Zhang et al. Multi-period inventory games with information update

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: 19957422

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19957422

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP