WO2025215768A1 - 予測システム及び予測方法 - Google Patents

予測システム及び予測方法

Info

Publication number
WO2025215768A1
WO2025215768A1 PCT/JP2024/014558 JP2024014558W WO2025215768A1 WO 2025215768 A1 WO2025215768 A1 WO 2025215768A1 JP 2024014558 W JP2024014558 W JP 2024014558W WO 2025215768 A1 WO2025215768 A1 WO 2025215768A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
information
prediction
family
users
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2024/014558
Other languages
English (en)
French (fr)
Inventor
梢恵 大西
宰 出水
冠吟 劉
翔大朗 上田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
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 NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to PCT/JP2024/014558 priority Critical patent/WO2025215768A1/ja
Publication of WO2025215768A1 publication Critical patent/WO2025215768A1/ja
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • One aspect of the present invention relates to a prediction system and a prediction method.
  • Patent Document 1 discloses a prediction system that predicts the interests of a first user based on behavioral patterns obtained from the sensor information history of the first user acquired by an acquisition unit and user classification interest information in which the second user is classified according to behavioral patterns obtained from the sensor information history related to the second user. In this way, technology is known that predicts a user's interests and thereby performs marketing, etc., tailored to that user.
  • the family members of users who are already customers are considered effective targets, as they have the potential to become customers just like the users themselves.
  • One aspect of the present invention was conceived in consideration of the above-mentioned circumstances, and relates to a prediction system and prediction method that can effectively market to users' families, for whom it is difficult to obtain information directly.
  • a prediction system includes a first extraction unit that extracts user information and associated family information for each of a plurality of first users to whom family information is linked; a first model creation unit that performs machine learning using the family information extracted by the first extraction unit as a target variable and the user information as an explanatory variable to create a first machine learning model that predicts family information; a second extraction unit that extracts user information for a second user to whom family information is not linked; and a first prediction unit that predicts family information for the second user by inputting the user information of the second user extracted by the second extraction unit into the first machine learning model.
  • a first machine learning model for predicting family information is created, with the family information of a first user to whom family information is linked as the objective variable and the user information as the explanatory variable.
  • the user information of a second user to whom family information is not linked is input into the first machine learning model, thereby predicting the family information of the second user.
  • This configuration allows for highly accurate prediction of family information about a second user to whom family information is not linked, taking into account trends in the user information of the first user to whom family information is linked.
  • effective marketing can be conducted to the family of the second user.
  • the prediction system according to one aspect of the present invention allows for effective marketing to be conducted to the family of a user whose information is difficult to obtain directly.
  • One aspect of the present invention makes it possible to effectively market to users' families, who may not be able to obtain information directly.
  • FIG. 1 is a diagram illustrating an outline of a distribution target selection system.
  • FIG. 2 is a block diagram showing the functional configuration of the delivery target selection system according to the first embodiment.
  • FIG. 3(a) is a table showing a user's child information table
  • FIG. 3(b) is a table showing a user information table.
  • FIG. 4(a) is a table showing a child information prediction result table
  • FIG. 4(b) is a table showing a distribution target user selection result table.
  • FIG. 5 is a flowchart showing the delivery target selection process executed by the delivery target selection system according to the first embodiment.
  • FIG. 6 is a flowchart showing the details of the child presence prediction process.
  • FIG. 5 is a flowchart showing the delivery target selection process executed by the delivery target selection system according to the first embodiment.
  • FIG. 6 is a flowchart showing the details of the child presence prediction process.
  • FIG. 7 is a flowchart showing the details of the process for predicting whether or not a child has a service contract.
  • FIG. 8 is a block diagram showing the functional configuration of the delivery target selection system according to the second embodiment.
  • FIG. 9 is a flowchart showing a delivery target selection process executed by the delivery target selection system according to the second embodiment.
  • FIG. 10 is a flowchart showing the service price-conscious user prediction process.
  • FIG. 11 is a diagram showing the hardware configuration of each device included in the distribution target selection system.
  • FIG. 1 is a diagram illustrating an overview of the delivery target selection system.
  • the delivery target selection system according to this embodiment is a system that selects delivery targets (recipients) of promotional information such as coupons for the purpose of effective marketing.
  • the delivery target selection system predicts information about the family members of existing customers (users) who are already users of a service (or product), specifically, the users' children, to select delivery targets.
  • the delivery target selection system selects, for example, users who are predicted to have children who are not users of a service, etc., as delivery targets.
  • the delivery target selection system selects, as delivery targets, users who are predicted to have children who do not have a service contract.
  • the distribution target selection system performs a learning data creation process, a prediction model creation process, and a target user expansion estimation process.
  • user information and information about the associated children are extracted for each of multiple users who have children of a certain age (e.g., 15 years old).
  • information about children refers to whether or not the child has a service contract.
  • User information includes, for example, purchase history, regional information, and whether or not the user has subscribed to a family discount.
  • the predictive model creation process machine learning is performed using the extracted information about the child (information about whether or not the user has a service contract) as the objective variable and each user's information as the explanatory variable, and a predictive model is created that predicts information about the child (information about whether or not the user has a service contract).
  • a predictive model is created that predicts information about the child (information about whether or not the user has a service contract).
  • one or more pieces of user information that have a high degree of influence on the prediction may be identified as predictive factors (important explanatory variables), and a predictive model may be created.
  • a predictive model is used to make predictions for users who are not associated with information about their children. Specifically, after users who have children of a certain age (e.g., 15 years old) are estimated and extracted by some means, the user information of the extracted users is input into the predictive model, and information about the children (information about whether or not they have a service contract) is predicted.
  • the predictive model may, for example, output a score regarding whether or not each input user has a service contract. Note that in this embodiment, an example is described in which estimation of whether or not a user has a child of a certain age (e.g., 15 years old) is also performed using a machine learning model created separately from the predictive model (details will be described later). Below, details of the functions of the distribution target system are described with reference to Figures 2 to 4.
  • FIG. 2 is a block diagram showing the functional configuration of the delivery target selection system 1 according to the first embodiment.
  • the delivery target selection system 1 is a system that selects delivery targets, from among existing customers (users) with service contracts, to whom promotional information about services used by the users' children is to be delivered.
  • the delivery target selection system 1 (prediction system) is composed of, for example, multiple devices, including a user data management device 10, a child information prediction device 20, a model management device 30, a result management device 40, and a delivery target selection device 50. Note that, although this embodiment will be described as including the delivery target selection system 1 including each of the above devices, the delivery target selection system 1 may also be composed of only one device.
  • the user data management device 10 is a device that has a user DB 11 that stores and manages information related to existing customers (users) who have service contracts.
  • the user DB 11 stores, for example, a user's child information table and a user information table.
  • Figure 3(a) is a table showing a user's child information table.
  • the user's child information table associates, for example, a user ID that uniquely identifies the user, whether the user has children, child information 1 (whether the child has a service contract), and child information 2 (number of children).
  • Whether the user has children is information that indicates, for example, "yes,” “no,” or “unknown.” “yes” indicates that the user has one or more children, "no” indicates that the user does not have children, and "unknown” indicates that the user does not know whether the user has children. Note that the above shows only some of the information managed in the user's child information table; in reality, more information may be managed.
  • Figure 3(b) is a table showing a user information table.
  • the user information table associates, for example, a user ID that uniquely identifies a user, user information 1 (age), and user information 2 (number of years of service contract). Note that the above shows only some of the information managed in the user information table; in reality, much more information is managed.
  • the user information management table may manage, for example, a user's purchasing history, regional information, whether or not the user is enrolled in a family discount, etc.
  • the child information prediction device 20 comprises a first extraction unit 21, a first model creation unit 22, a second extraction unit 23, and a first prediction unit 24.
  • the child information prediction device 20 is configured to be able to execute a child presence prediction process that predicts whether or not a user whose child presence/absence is "unknown" in the child information table (a user for whom there is no child presence data), and a service contract presence/absence prediction process that predicts whether or not a user who is predicted to have children in the child presence/absence prediction process has a service contract.
  • the first model creation unit 22 creates a child presence/absence prediction model.
  • the first model creation unit 22 also creates a service contract presence/absence prediction model. The functions of each component related to each process are explained below.
  • the first extraction unit 21 extracts user information and associated family information for each of multiple users (first users) whose family information is associated with the user.
  • the family information here refers to information about the user's children, specifically, information indicating whether the user has children.
  • the first extraction unit 21 references the user's child information table in the user DB 11 and identifies the user IDs of multiple users whose child status is "yes" or "no.”
  • the first extraction unit 21 then references the user information table in the user DB 11 and identifies multiple types of user information associated with each identified user ID. In this way, the first extraction unit 21 extracts multiple types of user information and associated family information (information indicating whether the user has children is "yes” or "no”) for multiple users whose child status is "yes" or "no.”
  • the first model creation unit 22 performs machine learning using the family information extracted by the first extraction unit 21 (information indicating whether the user has children "yes” or “no") as the objective variable and multiple types of user information as the explanatory variables, to create a child presence/absence prediction model (first machine learning model) that predicts whether the user has children.
  • the machine learning method used here may be a conventionally well-known method.
  • the first model creation unit 22 stores the created child presence/absence prediction model in the model DB 31 of the model management device 30.
  • the first model creation unit 22 may identify one or more pieces of user information that have a high degree of influence on predicting whether or not a user has children as predictive factors from among multiple types of user information, and perform machine learning using the identified predictive factors as important explanatory variables to create the above-mentioned child presence prediction model.
  • the identification of highly influential user information may be performed based on predetermined rules, or may be performed by feeding back the prediction accuracy of the created child presence prediction model.
  • the second extraction unit 23 extracts user information of users (second users) who are not linked to family information.
  • family information is information about the user's children, and more specifically, information indicating whether the user has children.
  • the second extraction unit 23 references the user's child information table in the user DB 11 and identifies the user IDs of multiple users whose child status is "unknown.”
  • the second extraction unit 23 then references the user information table in the user DB 11 and identifies and extracts multiple types of user information linked to each identified user ID.
  • the first prediction unit 24 predicts the user's family information by inputting the user information of the user extracted by the second extraction unit 23, to which no family information is linked, into a child presence/absence prediction model stored in the model DB 31. That is, the first prediction unit 24 predicts whether the user has children by inputting the user information of the user whose child presence/absence is listed as "unknown" in the user's child information table in the user DB 11 into the child presence/absence prediction model.
  • the first prediction unit 24 may, for example, predict the number of children in addition to whether the user has children.
  • the first prediction unit 24 stores the prediction results of whether the user has children and the number of children in the prediction result DB 41 of the result management device 40.
  • the first extraction unit 21 extracts user information and associated family information for each of multiple users (first users) whose family information is associated with the user.
  • the family information here refers to information about the user's children, and more specifically, information indicating whether the user's children have a service contract (whether they are users of the service).
  • the first extraction unit 21 references the user's child information table in the user DB 11 and identifies user IDs of multiple users whose child service contract status is "yes" or "no.”
  • the first extraction unit 21 then references the user information table in the user DB 11 and identifies multiple types of user information associated with each identified user ID. In this way, the first extraction unit 21 extracts multiple types of user information and associated family information (information indicating whether the child service contract status is "yes” or "no”) for multiple users whose child service contract status is "yes" or "no.”
  • the first model creation unit 22 performs machine learning using the family information extracted by the first extraction unit 21 (information indicating whether the child has a service contract "yes” or “no") as the objective variable and multiple types of user information as explanatory variables, to create a service contract presence/absence prediction model (first machine learning model) that predicts whether the child has a service contract.
  • the machine learning method used here may be a conventionally well-known method.
  • the first model creation unit 22 stores the created service contract presence/absence prediction model in the model DB 31 of the model management device 30.
  • the first model creation unit 22 may identify one or more pieces of user information that have a high degree of influence on predicting whether or not a service contract exists as predictive factors from among multiple types of user information, perform machine learning using the identified predictive factors as important explanatory variables, and create the above-mentioned service contract existence prediction model.
  • the identification of highly influential user information may be performed based on predetermined rules, or may be performed by feeding back the prediction accuracy of the created service contract existence prediction model.
  • the second extraction unit 23 extracts user information of users (second users) who are not linked to family information.
  • the family information here is information about the user's children, and more specifically, information indicating whether the user's children have a service contract (whether they are users of the service).
  • the second extraction unit 23 identifies users who were predicted to have children in the above-mentioned child presence/absence prediction process by referencing the prediction result DB41, and also identifies the user IDs of multiple users among the identified users who do not have information indicating whether their children have a service contract (whose child service contract status is neither "yes" nor "no") in the user's child information table in the user DB11, and extracts the user information of those users.
  • the first prediction unit 24 predicts the user's family information by inputting the user information of the user extracted by the second extraction unit 23, which is not linked to family information, into the service contract presence/absence prediction model stored in the model DB 31. In other words, the first prediction unit 24 predicts the presence/absence of a service contract for the user's child by inputting the user information of the user, for which there is no information indicating the presence/absence of a service contract for the child in the user's child information table in the user DB 11, into the service contract presence/absence prediction model. The first prediction unit 24 stores the prediction result of the presence/absence of a service contract for the child in the prediction result DB 41 of the result management device 40.
  • the result management device 40 is a device that has a prediction result DB 41 and a distribution target DB 42 (details will be described later).
  • the prediction result DB 41 stores, for example, a child information prediction result table.
  • Figure 4(a) is a table showing a child information prediction result table.
  • the child information prediction result table associates, for example, a user ID that uniquely identifies a user, a predicted value for whether or not the user has children, a predicted value for child information 1 (whether or not the child has a service contract), and a predicted value for child information 2 (number of children).
  • the above is merely an example of information managed in the child information prediction result table, and the child information prediction result table may also manage information other than the above, or, for example, may only manage the predicted value for whether or not the child has a service contract.
  • the delivery target selection device 50 is a device having a selection unit 51.
  • the selection unit 51 selects users (second users) predicted by the first prediction unit 24 as not having a service contract for children as delivery target users (promotion target users), who are users to whom promotional information such as coupons is to be delivered.
  • the selection unit 51 stores the selection results in the delivery target DB 42 of the result management device 40.
  • the delivery target DB 42 stores a delivery target user selection result table.
  • FIG. 4(b) is a table showing the target user selection result table.
  • the target user selection result table associates, for example, a user ID that uniquely identifies a user with information indicating whether or not the user is a target for delivery.
  • the target user selection result table may also associate and manage information other than information indicating whether or not the user is a target for delivery with the user ID.
  • FIG. 5 is a flowchart showing the delivery target selection process executed by the delivery target selection system 1 according to the first embodiment.
  • the delivery target selection process first performs a child presence prediction process (step S1).
  • Figure 6 is a flowchart showing the details of the child presence prediction process. As shown in Figure 6, the child presence prediction process first extracts user information and associated child information (whether or not a child exists) for each of multiple users with associated child information (whether or not a child exists) (step S11).
  • a child presence/absence prediction model is created to predict whether or not the user has children, using information indicating whether or not the user has children as the objective variable and multiple types of user information as explanatory variables (step S12).
  • step S13 user information for multiple users whose child information (whether or not they have children) is not linked (multiple users whose child status is "unknown") is extracted (step S13).
  • step S14 the extracted user information of multiple users whose child information (whether or not they have children) is input into a child presence prediction model, and the presence or absence of children for each user is predicted (step S14). This completes the child presence prediction process.
  • step S2 the service contract presence prediction process is performed (step S2).
  • Figure 7 is a flowchart showing the service contract presence/absence prediction process.
  • the service contract presence/absence prediction process first extracts user information and information indicating the presence/absence of a linked child's service contract for each of multiple users associated with information indicating the presence/absence of a child's service contract (multiple users whose child's service contract presence/absence is marked as "yes" or "no") (step S21).
  • step S22 information indicating whether or not the child has a service contract is used as the objective variable, and multiple types of user information are used as explanatory variables, and a service contract presence/absence prediction model is created to predict whether or not the child has a service contract.
  • step S23 user information is extracted for multiple users who do not have information indicating whether or not they have a service contract for their children.
  • step S24 the user information of the extracted multiple users who do not have information indicating whether their children have service contracts is input into a service contract presence/absence prediction model, and the presence/absence of a service contract for each user's children is predicted (step S24). This completes the service contract presence/absence prediction process.
  • parent users who are predicted not to have a service contract with their child are selected as target users (promotion target users) to whom promotional information such as coupons will be distributed (step S3). This completes the distribution target selection process.
  • the delivery target selection system 1 includes a first extraction unit 21 that extracts user information and linked family information for each of a plurality of first users with linked family information; a first model creation unit 22 that performs machine learning using the family information extracted by the first extraction unit 21 as a target variable and the user information as an explanatory variable to create a first machine learning model that predicts the family information; a second extraction unit 23 that extracts user information for second users with no linked family information; and a first prediction unit 24 that predicts the family information of the second user by inputting the user information of the second user extracted by the second extraction unit 23 into the first machine learning model.
  • the family information of a first user with linked family information is used as the objective variable, and the user information is used as the explanatory variable, to create a first machine learning model that predicts family information.
  • the user information of a second user with no linked family information is input into the first machine learning model, thereby predicting the family information of the second user.
  • the delivery target selection system 1 makes it possible to effectively market to the family of a user whose information is difficult to obtain directly.
  • the first extraction unit 21 extracts multiple types of user information for each first user
  • the first model creation unit 22 may create a first machine learning model using, as important explanatory variables, one or more pieces of user information from the multiple types of user information that have a high degree of influence on predicting family information.
  • the first machine learning model is created by increasing the importance of user information (explanatory variables) that have a high degree of influence on predicting family information, thereby further improving the prediction accuracy of family information.
  • Family information may also be information about the user's children. With this configuration, it is possible to predict information about children that is difficult to obtain directly, and appropriately market services and the like related to children.
  • Family information may also be information indicating whether or not a user's children are users of a specified service or product. This configuration makes it possible to predict whether or not a child is a user of a specified service, etc., and appropriately market services, etc. related to children.
  • the delivery target selection system 1 may further include a selection unit 51 that selects second users whose children are predicted by the first prediction unit 24 not to be users of a specified service or product as promotion target users. This configuration makes it possible to effectively promote a specified service or product to users who are predicted to have children who are not users of the service or product.
  • FIG. 8 is a block diagram showing the functional configuration of a delivery target selection system 1A according to the second embodiment.
  • the delivery target selection system 1A shown in FIG. 8 further includes a preference information prediction device 60.
  • the preference information prediction device 60 is a device that predicts the preferences/tendencies of a user's purchasing behavior.
  • the preference information prediction device 60 predicts whether a user tends to place importance on price in their purchasing behavior.
  • the preference information prediction device 60 predicts whether a user tends to place importance on the price of a service.
  • the preference information prediction device 60 predicts whether a user tends to place importance on the price of a service, for example, based on the results of responses to a predetermined questionnaire.
  • the preference information prediction device 60 comprises a third extraction unit 61, a second model creation unit 62, and a second prediction unit 63.
  • the third extraction unit 61 extracts user information and survey results for each of multiple users (third users) who responded to a predetermined survey.
  • a survey here refers to a survey conducted at a predetermined time, such as when signing a service contract or visiting a store.
  • the survey includes questions that can determine, at a minimum, whether or not the user places importance on price in their purchasing behavior.
  • the survey results are linked to a user ID, for example, in the user information table of the user DB.
  • the third extraction unit 61 references the user information table of the user DB 11 to extract the user information and survey results of the user to which the survey results are linked.
  • the second model creation unit 62 performs machine learning using the preference information (whether or not the user is a service price-conscious user) indicated by the survey results extracted by the third extraction unit 61 as the objective variable and the user information as the explanatory variable, to create a service price-conscious user prediction model (second machine learning model) that predicts whether or not the user is a service price-conscious user.
  • the machine learning method used here may be a conventionally well-known method.
  • the second model creation unit 62 stores the created service price-conscious user prediction model in the model DB 31 of the model management device 30.
  • the second model creation unit 62 may identify one or more pieces of user information that have a high degree of influence on predictions of service price-focused users as predictive factors from among multiple types of user information, and perform machine learning using the identified predictive factors as important explanatory variables to create the above-mentioned service price-focused user prediction model.
  • the identification of highly influential user information may be performed based on predetermined rules, or may be performed by feeding back the prediction accuracy of the created service price-focused user prediction model.
  • the second prediction unit 63 identifies users who were predicted to have children in the above-mentioned child presence prediction process by referencing the prediction result DB41, and predicts each user's preference information (whether they are a service price-conscious user or not) by inputting the user information of multiple identified users who are not linked to survey results in the user information table of the user DB11 into the service price-conscious user prediction model stored in the model DB31.
  • the second prediction unit 63 stores the prediction results in the prediction result DB41 of the result management device 40.
  • the selection unit 51 selects distribution target users (promotion target users) by further considering the preference information predicted by the second prediction unit 63. That is, the selection unit 51 selects, for example, users who are predicted by the first prediction unit 24 to have no service contracts for their children and who are predicted by the second prediction unit 63 to be service price-conscious users, as distribution target users (promotion target users) to whom promotional information such as coupons is to be distributed.
  • This configuration makes it possible to appropriately predict user preference information and to effectively promote services by further considering the preference information. That is, promotions can be effectively conducted for users who have children who are not users of a specified service, etc., and who are predicted to prioritize price, for whom promotional information such as coupons is likely to be effective.
  • the selection unit 51 stores the selection results in the distribution target DB 42 of the result management device 40.
  • FIG. 9 is a flowchart showing the delivery target selection process executed by the delivery target selection system 1A according to the second embodiment.
  • the delivery target selection process first performs a child presence/absence prediction process (step S101).
  • the child presence/absence prediction process is the same as step S1 described above.
  • a service contract existence prediction process (step S102) and a service price-focused user prediction process (step S103) are performed.
  • the service contract existence prediction process is the same as step S2 described above.
  • FIG 10 is a flowchart showing the service price-focused user prediction process.
  • the service price-focused user prediction process first extracts user information and the associated survey results for each of multiple users who are linked with survey results that include whether or not they value price (step S1031).
  • the preference information indicated by the survey results (whether or not the user is price-conscious) is used as the objective variable, and multiple types of user information are used as explanatory variables, and a price-conscious user prediction model is created to predict whether or not the user values service price (step S1032).
  • user information is extracted for multiple users who are predicted to have children in the above-mentioned child presence prediction process and who are not linked to survey results (step S1033).
  • the user information of multiple users who are not linked to the extracted survey results is input into a service price-focused user prediction model, and it is predicted whether each user is a user who focuses on service price (step S1034). This completes the service price-focused user prediction process.
  • a distribution target user (sales promotion target user) selection process is carried out (step S104). Specifically, users who are predicted to have no service contract for their children and who are predicted to be service price-focused users are selected as distribution target users (sales promotion target users) to whom promotional information such as coupons is to be distributed. This completes the distribution target selection process.
  • Each device may be physically configured as a computer device including a processor 1001, memory 1002, storage 1003, communication device 1004, input device 1005, output device 1006, bus 1007, etc.
  • apparatus can be interpreted as circuit, device, unit, etc.
  • the hardware configuration of each apparatus may be configured to include one or more of the apparatuses shown in the diagram, or may be configured to exclude some of the apparatuses.
  • Each function of each device is realized by loading specific software (programs) onto hardware such as the processor 1001 and memory 1002, causing the processor 1001 to perform calculations and control communications via the communication device 1004 and the reading and/or writing of data from the memory 1002 and storage 1003.
  • the processor 1001 for example, runs an operating system to control the entire computer.
  • the processor 1001 may be configured as a central processing unit (CPU) that includes an interface with peripheral devices, a control unit, an arithmetic unit, registers, etc.
  • CPU central processing unit
  • the control functions of the first prediction unit 24 and the like may be realized by the processor 1001.
  • the processor 1001 reads programs (program code), software modules, and data from the storage 1003 and/or the communication device 1004 into the memory 1002, and executes various processes in accordance with these.
  • programs program code
  • the programs used are those that cause a computer to execute at least some of the operations described in the above embodiments.
  • control functions of the first prediction unit 24 and the like may be implemented by a control program stored in memory 1002 and running on the processor 1001, and similar implementations may be made for other functional blocks. While the various processes described above have been described as being executed by one processor 1001, they may also be executed simultaneously or sequentially by two or more processors 1001. The processor 1001 may be implemented on one or more chips. The program may also be transmitted from a network via a telecommunications line.
  • Memory 1002 is a computer-readable recording medium and may be composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. Memory 1002 may also be called a register, cache, main memory (primary storage device), etc. Memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method relating to one embodiment of the present invention.
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • Memory 1002 may also be called a register, cache, main memory (primary storage device), etc.
  • Memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method relating to one embodiment of the present invention.
  • Storage 1003 is a computer-readable recording medium, and may be composed of at least one of, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (e.g., a compact disk, a digital versatile disk, a Blu-ray (registered trademark) disk), a smart card, flash memory (e.g., a card, a stick, a key drive), a floppy (registered trademark) disk, a magnetic strip, etc.
  • Storage 1003 may also be referred to as an auxiliary storage device.
  • the above-mentioned storage medium may be, for example, a database, a server, or other suitable medium including memory 1002 and/or storage 1003.
  • the communication device 1004 is hardware (transmission/reception device) for communicating between computers via a wired and/or wireless network, and is also referred to as, for example, a network device, network controller, network card, or communication module.
  • the input device 1005 is an input device (e.g., a keyboard, mouse, microphone, switch, button, sensor, etc.) that accepts input from the outside.
  • the output device 1006 is an output device (e.g., a display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated into one device (e.g., a touch panel).
  • each device such as the processor 1001 and memory 1002, is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured as a single bus, or may be configured with different buses between the devices.
  • each device may be configured to include hardware such as a microprocessor, a digital signal processor (DSP), an application-specific integrated circuit (ASIC), a programmable logic device (PLD), or a field-programmable gate array (FPGA), and some or all of the functional blocks may be realized by this hardware.
  • DSP digital signal processor
  • ASIC application-specific integrated circuit
  • PLD programmable logic device
  • FPGA field-programmable gate array
  • the processor 1001 may be implemented using at least one of these pieces of hardware.
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution
  • SUPER 3G IMT-Advanced
  • 4G 5G
  • FRA Full Radio Access
  • W-CDMA registered trademark
  • GSM registered trademark
  • CDMA2000 Code Division Multiple Access 2000
  • UMB Universal Mobile Broadband
  • IEEE 802.11 Wi-Fi
  • IEEE 802.16 WiMAX
  • IEEE 802.20 UWB (Ultra-Wide Band)
  • Bluetooth registered trademark
  • Input and output information may be stored in a specific location (for example, memory) or managed in a management table. Input and output information may be overwritten, updated, or added to. Output information may be deleted. Input information may be sent to another device.
  • the determination may be made based on a value represented by one bit (0 or 1), a Boolean value (true or false), or a numerical comparison (for example, comparison with a predetermined value).
  • notification of specified information is not limited to being done explicitly, but may also be done implicitly (e.g., not notifying the specified information).
  • Software shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, executable files, threads of execution, procedures, functions, etc., whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise.
  • Software, instructions, etc. may also be transmitted and received via a transmission medium.
  • a transmission medium For example, if software is transmitted from a website, server, or other remote source using wired technologies such as coaxial cable, fiber optic cable, twisted pair, and digital subscriber line (DSL), and/or wireless technologies such as infrared, radio, and microwave, these wired and/or wireless technologies are included within the definition of transmission media.
  • wired technologies such as coaxial cable, fiber optic cable, twisted pair, and digital subscriber line (DSL)
  • DSL digital subscriber line
  • wireless technologies such as infrared, radio, and microwave
  • the information, signals, etc. described herein may be represented using any one of a variety of different technologies.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. that may be referred to throughout the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, optical fields or photons, or any combination thereof.
  • information, parameters, etc. described in this specification may be expressed as absolute values, as relative values from a predetermined value, or as corresponding other information.
  • a communications terminal may also be referred to by those skilled in the art as a mobile communications terminal, subscriber station, mobile unit, subscriber unit, wireless unit, remote unit, mobile device, wireless device, wireless communications device, remote device, mobile subscriber station, access terminal, mobile terminal, wireless terminal, remote terminal, handset, user agent, mobile client, client, or some other suitable terminology.
  • the phrase “based on” does not mean “based only on,” unless expressly stated otherwise. In other words, the phrase “based on” means both “based only on” and “based at least on.”
  • any reference to such elements does not generally limit the quantity or order of those elements. These designations may be used herein as a convenient method of distinguishing between two or more elements. Thus, a reference to a first and a second element does not imply that only two elements may be employed therein, or that the first element must in some way precede the second element.
  • the term "device” includes multiple devices unless the context or technical basis clearly dictates that only one device exists.
  • [E1] a first extraction unit that extracts user information and associated family information for each of a plurality of first users whose family information is associated with the first users; a first model creation unit that performs machine learning using the family information extracted by the first extraction unit as a target variable and the user information as an explanatory variable to create a first machine learning model that predicts the family information; a second extraction unit that extracts user information of a second user to which family information is not linked;
  • a prediction system comprising: a first prediction unit that predicts family information of the second user by inputting the user information of the second user extracted by the second extraction unit into the first machine learning model.
  • the first extraction unit extracts a plurality of types of user information for each of the first users;
  • the prediction system described in [E4] further includes a selection unit that selects the second user whose child is predicted by the first prediction unit not to be a user of a specified service or product as a promotion target user.
  • [E6] a third extraction unit that extracts user information and a survey result for each of a plurality of third users who have responded to a predetermined survey; a second model creation unit that performs machine learning using the preference information indicated by the survey results extracted by the third extraction unit as a target variable and the user information as an explanatory variable to create a second machine learning model that predicts the preference information; and a second prediction unit that predicts preference information of the second user by inputting the user information of the second user extracted by the second extraction unit into the second machine learning model,
  • the preference information is information indicating whether or not price is important when selecting a product or service.
  • a prediction method executed by a prediction system comprising: extracting user information and associated family information for each of a plurality of first users whose family information is associated; performing machine learning using the extracted family information as a target variable and the user information as an explanatory variable to create a first machine learning model that predicts the family information; extracting user information of a second user to which family information is not linked; A prediction method comprising: predicting family information of the second user by inputting user information of the second user into the first machine learning model.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (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

家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出する第１抽出部と、前記第１抽出部によって抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成する第１モデル作成部と、家族情報が紐づけられていない第２ユーザのユーザ情報を抽出する第２抽出部と、前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測する第１予測部と、を備える予測システム。

Description

予測システム及び予測方法
　本発明の一態様は、予測システム及び予測方法に関する。
　特許文献１には、取得部により取得された第１のユーザのセンサ情報の履歴から得られる行動パターンと、第２のユーザに関連するセンサ情報の履歴から得られる行動パターンに応じて第２のユーザが分類されたユーザ分類の興味情報とに基づいて、第１のユーザの興味を予測する予測システムが開示されている。このように、ユーザの興味を予測することにより、該ユーザに合ったマーケティング等を行う技術が知られている。
特開２０１６－１１８８９４号公報
　ここで、既に顧客となっているユーザの家族については、該ユーザと同様に顧客になる可能性があり有効なターゲットであると考えられる。しかしながら、ユーザの家族については、直接的に情報を得ることが難しいため、効果的なマーケティングを行うことが難しい。
　本発明の一態様は上記実情に鑑みてなされたものであり、直接的に情報を得ることが難しいユーザの家族に関して効果的にマーケティングを行うことができる予測システム及び予測方法に関する。
　本発明の一態様に係る予測システムは、家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出する第１抽出部と、前記第１抽出部によって抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成する第１モデル作成部と、家族情報が紐づけられていない第２ユーザのユーザ情報を抽出する第２抽出部と、前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測する第１予測部と、を備える。
　本発明の一態様に係る予測システムでは、家族情報が紐づけられている第１ユーザの家族情報が目的変数、ユーザ情報が説明変数とされて、家族情報を予測する第１機械学習モデルが作成される。そして、本予測システムでは、家族情報が紐づけられていない第２ユーザのユーザ情報が第１機械学習モデルに入力されることにより、該第２ユーザの家族情報が予測される。このような構成によれば、家族情報が紐づけられている第１ユーザのユーザ情報の傾向を考慮して、家族情報が紐づけられていない第２ユーザに関する家族情報を高精度に予測することができる。そして、第２ユーザに関する家族情報が適切に予測されることにより、該第２ユーザの家族に対して効果的にマーケティングを行うことができる。以上のように、本発明の一態様に係る予測システムによれば、直接的に情報を得ることが難しいユーザの家族に関して効果的にマーケティングを行うことができる。
　本発明の一態様によれば、直接的に情報を得ることができないユーザの家族に関して効果的にマーケティングを行うことができる。
図１は、配信対象選定システムの概要を説明する図である。 図２は、第１実施形態に係る配信対象選定システムの機能構成を示すブロック図である。 図３（ａ）はユーザの子供情報テーブルを示す表であり、図３（ｂ）はユーザ情報テーブルを示す表である。 図４（ａ）は子供情報予測結果テーブルを示す表であり、図４（ｂ）は配信対象ユーザ選定結果テーブルを示す表である。 図５は、第１実施形態に係る配信対象選定システムが実行する配信対象選定処理を示すフローチャートである。 図６は、子供有無予測処理の詳細を示すフローチャートである。 図７は、子供のサービス契約有無予測処理の詳細を示すフローチャートである。 図８は、第２実施形態に係る配信対象選定システムの機能構成を示すブロック図である。 図９は、第２実施形態に係る配信対象選定システムが実行する配信対象選定処理を示すフローチャートである。 図１０は、サービス価格重視ユーザ予測処理を示すフローチャートである。 図１１は、配信対象選定システムに含まれる各装置のハードウェア構成を示す図である。
　以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。図面の説明において、同一又は同等の要素には同一符号を用い、重複する説明を省略する。
［第１実施形態］
　最初に、図１を参照して、第１実施形態に係る配信対象選定システムの概要について説明する。図１は、配信対象選定システムの概要を説明する図である。本実施形態に係る配信対象選定システムは、効果的にマーケティングを行うことを目的として、クーポン等の販促情報の配信対象（配信先）を選定するシステムである。配信対象選定システムは、既にサービス（又は商品）の利用者となっている既存顧客（ユーザ）の家族、詳細にはユーザの子供に関する情報を予測して、配信対象を選定している。配信対象選定システムは、例えば、サービス等の利用者になっていない子供を持つと予測されるユーザを、配信対象に選定する。ここでは、配信対象選定システムが、サービス契約がない子供を持つと予測されるユーザを、配信対象に選定する例を説明する。
　図１に示されるように、配信対象選定システムは、学習データ作成処理と、予測モデル作成処理と、対象ユーザ拡大推計処理と、を実行している。
　学習データ作成処理では、まず、所定年齢（例えば１５歳）の子供を持つ複数のユーザについて、それぞれ、ユーザ情報及び紐づけられた子供に関する情報が抽出される。子供に関する情報とは、ここでは、子供についてのサービス契約の有無に関する情報である。ユーザ情報とは、例えば、購買履歴、地域情報、家族割引の加入有無等である。
　予測モデル作成処理では、抽出された子供に関する情報（サービス契約の有無に関する情報）が目的変数、各ユーザ情報が説明変数とされて機械学習が行われ、子供に関する情報（サービス契約の有無に関する情報）を予測する予測モデルが作成される。この場合、複数のユーザ情報（説明変数）の内、予測における影響度合いが高い一又は複数のユーザ情報が予兆要因（重要な説明変数）として特定されて、予測モデル作成が行われてもよい。
　対象ユーザ拡大統計処理では、予測モデルを用いて、子供に関する情報が紐づけられていないユーザに対する予測が行われる。具体的には、何らかの手段により所定年齢（例えば１５才）の子供を持つユーザが推定されて抽出された後に、抽出されたユーザのユーザ情報が上記予測モデルに入力されることにより、子供に関する情報（サービス契約の有無に関する情報）が予測される。予測モデルは、例えば、入力された各ユーザについて、サービス契約有無に関するスコアを出力するものであってもよい。なお、本実施形態では、所定年齢（例えば１５才）の子供を持つユーザであるか否かの推定についても、上記予測モデルとは別に作成した機械学習モデルにより行う例を説明する（詳細は後述）。以下、図２～図４を参照して、配信対象システムの機能の詳細について説明する。
　図２は、第１実施形態に係る配信対象選定システム１の機能構成を示すブロック図である。配信対象選定システム１は、ここでは、サービス契約がある既存顧客（ユーザ）の中から、ユーザの子供が利用するサービスについての販促情報を配信する配信対象を選定するシステムである。配信対象選定システム１（予測システム）は、例えば複数の装置により構成されており、ユーザデータ管理装置１０と、子供情報予測装置２０と、モデル管理装置３０と、結果管理装置４０と、配信対象選定装置５０と、を備えている。なお、本実施形態では、配信対象選定システム１が上記各装置を含んでいるとして説明するが、配信対象選定システム１は、１つの装置のみにより構成されていてもよい。
　ユーザデータ管理装置１０は、サービス契約がある既存顧客（ユーザ）に係る情報を記憶・管理するユーザＤＢ１１を有する装置である。ユーザＤＢ１１は、例えば、ユーザの子供情報テーブル、及び、ユーザ情報テーブルを記憶している。
　図３（ａ）はユーザの子供情報テーブルを示す表である。図３（ａ）に示されるように、ユーザの子供情報テーブルでは、例えば、ユーザを一意に示すユーザＩＤと、子供の有無と、子供情報１（子供のサービス契約有無）と、子供情報２（子供の人数）と、が対応付けられている。子供の有無は、例えば、「あり」「なし」「不明」のいずれかを示す情報である。「あり」は子供が１人以上いることを示しており、「なし」は子供がいないことを示しており、「不明」は子供有無が不明であることを示している。なお、上記はユーザの子供情報テーブルで管理される一部の情報を示しており、実際にはより多くの情報が管理されていてもよい。
　図３（ｂ）はユーザ情報テーブルを示す表である。図３（ｂ）に示されるように、ユーザ情報テーブルでは、例えば、ユーザを一意に示すユーザＩＤと、ユーザ情報１（年齢）と、ユーザ情報２（サービス契約年数）と、が対応付けられている。なお、上記はユーザ情報テーブルで管理される一部の情報を示しており、実際にはより多くの情報が管理されている。具体的には、ユーザ情報管理テーブルでは、例えば、ユーザの購買履歴、地域情報、家族割引の加入有無等が管理されていてもよい。
　図２に戻り、子供情報予測装置２０は、第１抽出部２１と、第１モデル作成部２２と、第２抽出部２３と、第１予測部２４と、を備えている。子供情報予測装置２０は、子供情報テーブルにおいて子供の有無が「不明」であるユーザ（子供の有無データがないユーザ）の子供の有無を予測する子供有無予測処理と、子供有無予測処理において子供有りと予測されたユーザの子供のサービス契約有無を予測するサービス契約有無予測処理と、を実行可能に構成されている。子供有無予測処理を行う前提として、第１モデル作成部２２は、子供有無予測モデルを作成する。また、サービス契約有無予測処理を行う前提として、第１モデル作成部２２は、サービス契約有無予測モデルを作成する。以下、それぞれの処理に係る各構成の機能について説明する。
（子供有無予測処理に係る各構成の機能）
　第１抽出部２１は、家族情報が紐づけられている複数のユーザ（第１ユーザ）について、それぞれユーザ情報及び紐づけられた家族情報を抽出する。ここでの家族情報は、ユーザの子供に関する情報であり、詳細には、ユーザの子供有無を示す情報である。具体的には、第１抽出部２１は、ユーザＤＢ１１のユーザの子供情報テーブルを参照し、子供の有無が「あり」又は「なし」となっている複数のユーザのユーザＩＤを特定する。そして、第１抽出部２１は、ユーザＤＢ１１のユーザ情報テーブルを参照し、特定した各ユーザＩＤに紐づけられた複数種類のユーザ情報を特定する。このようにして、第１抽出部２１は、子供の有無が「あり」又は「なし」となっている複数のユーザについて、複数種類のユーザ情報及び紐づけられた家族情報（子供の有無が「あり」又は「なし」である旨の情報）を抽出する。
　第１モデル作成部２２は、第１抽出部２１によって抽出された家族情報（子供の有無が「あり」又は「なし」である旨の情報）を目的変数、複数種類のユーザ情報を説明変数として機械学習を行い、子供有無を予測する子供有無予測モデル（第１機械学習モデル）を作成する。ここで採用される機械学習の手法は、従来から周知の手法であってもよい。第１モデル作成部２２は、作成した子供有無予測モデルを、モデル管理装置３０のモデルＤＢ３１に格納する。
　第１モデル作成部２２は、複数種類のユーザ情報の内、子供有無の予測における影響度が高い一又は複数のユーザ情報を予兆要因として特定し、特定した予兆要因を重要な説明変数として機械学習を行い、上記子供有無予測モデルを作成してもよい。この場合、影響度が高いユーザ情報（予兆要因）の特定は、予め定められたルールに基づき行われてもよいし、作成した子供有無予測モデルの予測精度をフィードバックすることにより行われてもよい。
　第２抽出部２３は、家族情報が紐づけられていないユーザ（第２ユーザ）のユーザ情報を抽出する。ここでの家族情報は、ユーザの子供に関する情報であり、詳細には、ユーザの子供有無を示す情報である。具体的には、第２抽出部２３は、ユーザＤＢ１１のユーザの子供情報テーブルを参照し、子供の有無が「不明」となっている複数のユーザのユーザＩＤを特定する。そして、第２抽出部２３は、ユーザＤＢ１１のユーザ情報テーブルを参照し、特定した各ユーザＩＤに紐づけられた複数種類のユーザ情報を特定して抽出する。
　第１予測部２４は、第２抽出部２３により抽出された、家族情報が紐づけられていないユーザのユーザ情報を、モデルＤＢ３１に格納されている子供有無予測モデルに入力することにより、該ユーザの家族情報を予測する。すなわち、第１予測部２４は、ユーザＤＢ１１のユーザの子供情報テーブルにおいて子供の有無が「不明」となっているユーザのユーザ情報を、子供有無予測モデルに入力することにより、該ユーザの子供有無を予測する。第１予測部２４は、例えば、子供有無に加えて子供の人数を予測してもよい。第１予測部２４は、子供有無及び子供の人数の予測結果を結果管理装置４０の予測結果ＤＢ４１に格納する。
（サービス契約有無予測処理に係る各構成の機能）
　第１抽出部２１は、家族情報が紐づけられている複数のユーザ（第１ユーザ）について、それぞれユーザ情報及び紐づけられた家族情報を抽出する。ここでの家族情報は、ユーザの子供に関する情報であり、詳細には、ユーザの子供のサービス契約の有無（サービスの利用者になっているか否か）を示す情報である。具体的には、第１抽出部２１は、ユーザＤＢ１１のユーザの子供情報テーブルを参照し、子供のサービス契約の有無が「あり」又は「なし」となっている複数のユーザのユーザＩＤを特定する。そして、第１抽出部２１は、ユーザＤＢ１１のユーザ情報テーブルを参照し、特定した各ユーザＩＤに紐づけられた複数種類のユーザ情報を特定する。このようにして、第１抽出部２１は、子供のサービス契約の有無が「あり」又は「なし」となっている複数のユーザについて、複数種類のユーザ情報及び紐づけられた家族情報（子供のサービス契約の有無が「あり」又は「なし」である旨の情報）を抽出する。
　第１モデル作成部２２は、第１抽出部２１によって抽出された家族情報（子供のサービス契約の有無が「あり」又は「なし」である旨の情報）を目的変数、複数種類のユーザ情報を説明変数として機械学習を行い、子供のサービス契約の有無を予測するサービス契約有無予測モデル（第１機械学習モデル）を作成する。ここで採用される機会学習の手法は、従来から周知の手法であってもよい。第１モデル作成部２２は、作成したサービス契約有無予測モデルを、モデル管理装置３０のモデルＤＢ３１に格納する。
　第１モデル作成部２２は、複数種類のユーザ情報の内、サービス契約有無の予測における影響度が高い一又は複数のユーザ情報を予兆要因として特定し、特定した予兆要因を重要な説明変数として機械学習を行い、上記サービス契約有無予測モデルを作成してもよい。この場合、影響度が高いユーザ情報（予兆要因）の特定は、予め定められたルールに基づき行われてもよいし、作成したサービス契約有無予測モデルの予測精度をフィードバックすることにより行われてもよい。
　第２抽出部２３は、家族情報が紐づけられていないユーザ（第２ユーザ）のユーザ情報を抽出する。ここでの家族情報は、ユーザの子供に関する情報であり、詳細には、ユーザの子供のサービス契約の有無（サービスの利用者になっているか否か）を示す情報である。具体的には、第２抽出部２３は、予測結果ＤＢ４１を参照することにより上述した子供有無予測処理において子供有りと予測されたユーザを特定すると共に、特定したユーザの内、ユーザＤＢ１１のユーザの子供情報テーブルにおいて、子供のサービス契約の有無を示す情報が無い（子供のサービス契約の有無が「あり」及び「なし」のいずれでもない）複数のユーザのユーザＩＤを特定して、該ユーザのユーザ情報を抽出する。
　第１予測部２４は、第２抽出部２３により抽出された、家族情報が紐づけられていないユーザのユーザ情報を、モデルＤＢ３１に格納されているサービス契約有無予測モデルに入力することにより、該ユーザの家族情報を予測する。すなわち、第１予測部２４は、ユーザＤＢ１１のユーザの子供情報テーブルにおいて、子供のサービス契約の有無を示す情報が無いユーザのユーザ情報を、サービス契約有無予測モデルに入力することにより、該ユーザの子供のサービス契約の有無を予測する。第１予測部２４は、子供のサービス契約の有無の予測結果を結果管理装置４０の予測結果ＤＢ４１に格納する。
　結果管理装置４０は、予測結果ＤＢ４１及び配信対象ＤＢ４２（詳細は後述）を有する装置である。予測結果ＤＢ４１は、例えば、子供情報予測結果テーブルを記憶している。
　図４（ａ）は子供情報予測結果テーブルを示す表である。図４（ａ）に示されるように、子供情報予測結果テーブルでは、例えば、ユーザを一意に示すユーザＩＤと、子供の有無の予測値と、子供情報１（子供のサービス契約有無）の予測値と、子供情報２（子供の人数）の予測値と、が対応付けられている。なお、上記は子供情報予測結果テーブルで管理される情報の一例を示しているに過ぎず、子供情報予測結果テーブルでは上記以外の情報が管理されていてもよいし、例えば子供のサービス契約有無の予測値のみが管理されていてもよい。
　図２に戻り、配信対象選定装置５０は、選定部５１を有する装置である。選定部５１は、第１予測部２４によって子供のサービス契約が無いと予測されたユーザ（第２ユーザ）を、クーポン等の販促情報を配信する対象のユーザである配信対象ユーザ（販促対象ユーザ）に選定する。選定部５１は、選定結果を結果管理装置４０の配信対象ＤＢ４２に格納する。配信対象ＤＢ４２は、配信対象ユーザ選定結果テーブルを記憶している。
　図４（ｂ）は配信対象ユーザ選定結果テーブルを示す表である。図４（ｂ）に示されるように、配信対象ユーザ選定結果テーブルでは、例えば、ユーザを一意に示すユーザＩＤと、配信対象かどうかを示す情報とが対応付けられている。なお、配信対象ユーザ選定結果テーブルでは、配信対象かどうかを示す情報以外の情報も更にユーザＩＤに対応付けられて管理されていてもよい。
　次に、配信対象選定システム１が実行する配信対象選定処理について、図５を参照して説明する。図５は、第１実施形態に係る配信対象選定システム１が実行する配信対象選定処理を示すフローチャートである。
　図５に示されるように、配信対象選定処理では、最初に、子供有無予測処理が行われる（ステップＳ１）。
　図６は、子供有無予測処理の詳細を示すフローチャートである。図６に示されるように、子供有無予測処理では、最初に、子供情報（子供の有無）が紐づけられている複数のユーザ（子供の有無が「あり」又は「なし」となっている複数のユーザ）について、それぞれユーザ情報及び紐づけられた子供情報（子供の有無）が抽出される（ステップＳ１１）。
　つづいて、子供の有無を示す情報が目的変数、複数種類のユーザ情報が説明変数とされて、子供有無を予測する子供有無予測モデルが作成される（ステップＳ１２）。
　つづいて、子供情報（子供の有無）が紐づけられていない複数のユーザ（子供の有無が「不明」となっている複数のユーザ）のユーザ情報が抽出される（ステップＳ１３）。
　つづいて、抽出された、子供情報（子供の有無）が紐づけられていない複数のユーザのユーザ情報が子供有無予測モデルに入力されて、各ユーザの子供有無が予測される（ステップＳ１４）。以上が、子供有無予測処理である。
　図５に戻り、子供有無予測処理につづいて、サービス契約有無予測処理が行われる（ステップＳ２）。
　図７は、サービス契約有無予測処理を示すフローチャートである。図７に示されるように、サービス契約有無予測処理では、最初に、子供のサービス契約の有無を示す情報が紐づけられている複数のユーザ（子供のサービス契約の有無が「あり」又は「なし」となっている複数のユーザ）について、それぞれユーザ情報及び紐づけられた子供のサービス契約の有無を示す情報が抽出される（ステップＳ２１）。
　つづいて、子供のサービス契約の有無を示す情報が目的変数、複数種類のユーザ情報が説明変数とされて、子供のサービス契約の有無を予測するサービス契約有無予測モデルが作成される（ステップＳ２２）。
　つづいて、上述した子供有無予測処理において子供有りと予測されたユーザの内、子供のサービス契約の有無を示す情報が無い複数のユーザのユーザ情報が抽出される（ステップＳ２３）。
　つづいて、抽出された子供のサービス契約の有無を示す情報が無い複数のユーザのユーザ情報がサービス契約有無予測モデルに入力されて、各ユーザの子供のサービス契約の有無が予測される（ステップＳ２４）。以上が、サービス契約有無予測処理である。
　図５に戻り、サービス契約有無予測処理につづいて、子供のサービス契約が無いと予測された親ユーザが、クーポン等の販促情報を配信する対象のユーザである配信対象ユーザ（販促対象ユーザ）に選定される（ステップＳ３）。以上が、配信対象選定処理である。
　次に、第１実施形態に係る配信対象選定システム１の作用効果について説明する。
　配信対象選定システム１は、家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出する第１抽出部２１と、第１抽出部２１によって抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成する第１モデル作成部２２と、家族情報が紐づけられていない第２ユーザのユーザ情報を抽出する第２抽出部２３と、第２抽出部２３により抽出された第２ユーザのユーザ情報を第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測する第１予測部２４と、を備える。
　本実施形態に係る配信対象選定システム１では、家族情報が紐づけられている第１ユーザの家族情報が目的変数、ユーザ情報が説明変数とされて、家族情報を予測する第１機械学習モデルが作成される。そして、配信対象選定システム１では、家族情報が紐づけられていない第２ユーザのユーザ情報が第１機械学習モデルに入力されることにより、該第２ユーザの家族情報が予測される。このような構成によれば、家族情報が紐づけられている第１ユーザのユーザ情報の傾向を考慮して、家族情報が紐づけられていない第２ユーザに関する家族情報を高精度に予測することができる。そして、第２ユーザに関する家族情報が適切に予測されることにより、該第２ユーザの家族に対して効果的にマーケティングを行うことができる。以上のように、本実施形態に係る配信対象選定システム１によれば、直接的に情報を得ることが難しいユーザの家族に関して効果的にマーケティングを行うことができる。
　第１抽出部２１は、各第１ユーザに関して、複数種類のユーザ情報を抽出し、第１モデル作成部２２は、複数種類のユーザ情報の内、家族情報の予測における影響度合いが高い一又は複数のユーザ情報を、重要な説明変数として、第１機械学習モデルを作成してもよい。このような構成によれば、家族情報の予測における影響度が高いユーザ情報（説明変数）の重要度を高くした上で第１機械学習モデルが作成されるので、家族情報の予測精度をより向上させることができる。
　家族情報は、ユーザの子供に関する情報であってもよい。このような構成によれば、直接的に情報を得ることが難しい子供に関する情報を予測して、子供に関するサービス等のマーケティングを適切に行うことができる。
　家族情報は、ユーザの子供が所定のサービス又は商品の利用者になっているか否かを示す情報であってもよい。このような構成によれば、子供が所定のサービス等の利用者であるか否かを予測して、子供に関するサービス等のマーケティングを適切に行うことができる。
　配信対象選定システム１は、第１予測部２４によって子供が所定のサービス又は商品の利用者になっていないと予測された第２ユーザを、販促対象ユーザに選定する選定部５１、を更に備えていてもよい。このような構成によれば、所定のサービス等の利用者になっていない子供を持つと予測されるユーザに対して、該サービス等の販促を効果的に行うことができる。
［第２実施形態］
　次に、第２実施形態に係る配信対象選定システムについて、図８～図１０を参照して説明する。以下では、第１実施形態と異なる点を主に説明し、重複する説明を省略する。
　図８は、第２実施形態に係る配信対象選定システム１Ａの機能構成を示すブロック図である。図８に示される配信対象選定システム１Ａは、配信対象選定システム１の各構成に加えて、嗜好情報予測装置６０を更に備えている。
　嗜好情報予測装置６０は、ユーザの購買行動における好み／傾向を予測する装置である。ここでは、一例として、嗜好情報予測装置６０は、購買行動において価格を重視する傾向があるユーザであるか否かを予測する。具体的には、嗜好情報予測装置６０は、サービスの価格を重視する傾向があるユーザであるか否かを予測する。嗜好情報予測装置６０は、例えば、所定のアンケートの回答結果に基づき、サービスの価格を重視する傾向があるユーザであるか否かを予測する。嗜好情報予測装置６０は、第３抽出部６１と、第２モデル作成部６２と、第２予測部６３と、を備えている。
　第３抽出部６１は、所定のアンケートに回答した複数のユーザ（第３ユーザ）について、それぞれ、ユーザ情報及びアンケート結果を抽出する。ここでのアンケートとは、例えばサービス契約時や店舗来店時等、所定のタイミングで実施されるものである。アンケートには、少なくとも、購買行動において価格を重視するユーザであるか否かを直接的に又は間接的に判定できる内容の質問が含まれている。アンケート結果は、例えばユーザＤＢのユーザ情報テーブルにおいてユーザＩＤに紐づけられている。第３抽出部６１は、ユーザＤＢ１１のユーザ情報テーブルを参照することにより、アンケート結果が紐づいているユーザのユーザ情報及びアンケート結果を抽出する。
　第２モデル作成部６２は、第３抽出部６１によって抽出されたアンケート結果が示す嗜好情報（サービス価格重視ユーザであるか否か）を目的変数、ユーザ情報を説明変数として機械学習を行い、サービス価格重視ユーザであるか否かを予測するサービス価格重視ユーザ予測モデル（第２機械学習モデル）を作成する。ここで採用される機械学習の手法は、従来から周知の手法であってもよい。第２モデル作成部６２は、作成したサービス価格重視ユーザ予測モデルを、モデル管理装置３０のモデルＤＢ３１に格納する。
　第２モデル作成部６２は、複数種類のユーザ情報の内、サービス価格重視ユーザの予測における影響度が高い一又は複数のユーザ情報を予兆要因として特定し、特定した予兆要因を重要な説明変数として機械学習を行い、上記サービス価格重視ユーザ予測モデルを作成してもよい。この場合、影響度が高いユーザ情報（予兆要因）の特定は、予め定められたルールに基づき行われてもよいし、作成したサービス価格重視ユーザ予測モデルの予測精度をフィードバックすることにより行われてもよい。
　第２予測部６３は、予測結果ＤＢ４１を参照することにより上述した子供有無予測処理において子供有りと予測されたユーザを特定すると共に、特定したユーザの内、ユーザＤＢ１１のユーザ情報テーブルにおいてアンケート結果が紐づけられていない複数のユーザのユーザ情報を、モデルＤＢ３１に格納されているサービス価格重視ユーザ予測モデルに入力することにより、各ユーザの嗜好情報（サービス価格重視ユーザであるか否か）を予測する。第２予測部６３は、予測結果を結果管理装置４０の予測結果ＤＢ４１に格納する。
　選定部５１は、第２予測部６３によって予測された嗜好情報を更に考慮して、配信対象ユーザ（販促対象ユーザ）を選定する。すなわち、選定部５１は、例えば、第１予測部２４によって子供のサービス契約が無いと予測され、且つ、第２予測部６３によってサービス価格重視ユーザであると予測されたユーザを、クーポン等の販促情報を配信する対象のユーザである配信対象ユーザ（販促対象ユーザ）に選定する。このような構成によれば、ユーザの嗜好情報を適切に予測すると共に、該嗜好情報を更に考慮して、サービス等の販促を効果的に行うことができる。すなわち、所定のサービス等の利用者になっていない子供を持ち、且つ、クーポン等の販促の効果が大きいと思われる価格を重視すると予測されるユーザに対して、効果的に販促を行うことができる。選定部５１は、選定結果を結果管理装置４０の配信対象ＤＢ４２に格納する。
　次に、配信対象選定システム１Ａが実行する配信対象選定処理について、図９を参照して説明する。図９は、第２実施形態に係る配信対象選定システム１Ａが実行する配信対象選定処理を示すフローチャートである。
　図９に示されるように、配信対象選定処理では、最初に、子供有無予測処理が行われる（ステップＳ１０１）。子供有無予測処理は、上述したステップＳ１と同様である。
　つづいて、サービス契約有無予測処理（ステップＳ１０２）、及び、サービス価格重視ユーザ予測処理（ステップＳ１０３）が行われる。サービス契約有無予測処理は、上述したステップＳ２と同様である。
　図１０は、サービス価格重視ユーザ予測処理を示すフローチャートである。図１０に示されるように、サービス価格重視ユーザ予測処理では、最初に、価格を重視するか否かを含むアンケート結果が紐づけられている複数のユーザについて、それぞれユーザ情報及び紐づけられたアンケート結果が抽出される（ステップＳ１０３１）。
　つづいて、アンケート結果が示す嗜好情報（サービス価格重視ユーザであるか否か）が目的変数、複数種類のユーザ情報が説明変数とされて、サービス価格を重視するか否かを予測するサービス価格重視ユーザ予測モデルが作成される（ステップＳ１０３２）。
　つづいて、上述した子供有無予測処理において子供有りと予測されたユーザの内、アンケート結果が紐づけられていない複数のユーザのユーザ情報が抽出される（ステップＳ１０３３）。
　つづいて、抽出されたアンケート結果が紐づけられていない複数のユーザのユーザ情報がサービス価格重視ユーザ予測モデルに入力されて、各ユーザがサービス価格を重視するユーザであるか否かが予測される（ステップＳ１０３４）。以上が、サービス価格重視ユーザ予測処理である。
　図９に戻り、サービス契約有無予測処理（ステップＳ１０２）、及び、サービス価格重視ユーザ予測処理（ステップＳ１０３）につづいて、配信対象ユーザ（販促対象ユーザ）選定処理が行われある（ステップＳ１０４）。具体的には、子供のサービス契約が無いと予測され、且つ、サービス価格重視ユーザであると予測されたユーザが、クーポン等の販促情報を配信する対象のユーザである配信対象ユーザ（販促対象ユーザ）に選定される。以上が、配信対象選定処理である。
　次に、上述した配信対象選定システムに含まれる各装置のハードウェア構成について、図１１を参照して説明する。各装置は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。各装置のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　各装置における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）で構成されてもよい。例えば、第１予測部２４等の制御機能はプロセッサ１００１で実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。
　例えば、第１予測部２４等の制御機能は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。
　また、各装置は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。
　以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。
　本明細書で説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future　Radio　Access）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broad-band）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ）、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-Wide　Band）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。
　本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。
　本明細書で説明した情報、信号などは、様々な異なる技術のいずれか１項を使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本明細書で説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。
　通信端末は、当業者によって、移動通信端末、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、又はいくつかの他の適切な用語で呼ばれる場合もある。
　本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみがそこで採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　「含む（include）」、「含んでいる（including）」、及びそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本明細書において、文脈又は技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。
　本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。
　最後に、本開示に含まれる種々の例示的態様を、以下の［Ｅ１］～［Ｅ８］に記載する。
［Ｅ１］
　家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出する第１抽出部と、
　前記第１抽出部によって抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成する第１モデル作成部と、
　家族情報が紐づけられていない第２ユーザのユーザ情報を抽出する第２抽出部と、
　前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測する第１予測部と、を備える予測システム。
［Ｅ２］
　前記第１抽出部は、各前記第１ユーザに関して、複数種類のユーザ情報を抽出し、
　前記第１モデル作成部は、前記複数種類のユーザ情報の内、家族情報の予測における影響度合いが高い一又は複数のユーザ情報を、重要な説明変数として、前記第１機械学習モデルを作成する、［Ｅ１］記載の予測システム。
［Ｅ３］
　前記家族情報は、ユーザの子供に関する情報である、［Ｅ１］又は［Ｅ２］記載の予測システム。
［Ｅ４］
　前記家族情報は、ユーザの子供が所定のサービス又は商品の利用者になっているか否かを示す情報である、［Ｅ３］記載の予測システム。
［Ｅ５］
　前記第１予測部によって子供が所定のサービス又は商品の利用者になっていないと予測された前記第２ユーザを、販促対象ユーザに選定する選定部、を更に備える、［Ｅ４］記載の予測システム。
［Ｅ６］
　所定のアンケートに回答した複数の第３ユーザについて、それぞれ、ユーザ情報及びアンケート結果を抽出する第３抽出部と、
　前記第３抽出部によって抽出されたアンケート結果が示す嗜好情報を目的変数、ユーザ情報を説明変数として機械学習を行い、嗜好情報を予測する第２機械学習モデルを作成する第２モデル作成部と、
　前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第２機械学習モデルに入力することにより、該第２ユーザの嗜好情報を予測する第２予測部と、を更に備え、
　前記選定部は、前記第２予測部によって予測された嗜好情報を更に考慮して、販促対象ユーザを選定する、［Ｅ５］記載の予測システム。
［Ｅ７］
　前記嗜好情報は、商品又はサービスを選択する上で価格を重視するか否かを示す情報であり、
　前記選定部は、前記第１予測部によって子供が所定のサービス又は商品の利用者になっていないと予測され、且つ、前記第２予測部によって価格を重視すると予測された前記第２ユーザを、販促対象ユーザに選定する、［Ｅ６］記載の予測システム。
［Ｅ８］
　予測システムが実行する予測方法であって、
　家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出することと、
　抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成することと、
　家族情報が紐づけられていない第２ユーザのユーザ情報を抽出することと、
　前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測することと、を含む予測方法。
　１，１Ａ…配信対象選定システム、２１…第１抽出部、２２…第１モデル作成部、２３…第２抽出部、２４…第１予測部、５１…選定部、６１…第３抽出部、６２…第２モデル作成部、６３第２予測部。

Claims (8)

  1. 　家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出する第１抽出部と、
    　前記第１抽出部によって抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成する第１モデル作成部と、
    　家族情報が紐づけられていない第２ユーザのユーザ情報を抽出する第２抽出部と、
    　前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測する第１予測部と、を備える予測システム。
  2. 　前記第１抽出部は、各前記第１ユーザに関して、複数種類のユーザ情報を抽出し、
    　前記第１モデル作成部は、前記複数種類のユーザ情報の内、家族情報の予測における影響度合いが高い一又は複数のユーザ情報を、重要な説明変数として、前記第１機械学習モデルを作成する、請求項１記載の予測システム。
  3. 　前記家族情報は、ユーザの子供に関する情報である、請求項１記載の予測システム。
  4. 　前記家族情報は、ユーザの子供が所定のサービス又は商品の利用者になっているか否かを示す情報である、請求項３記載の予測システム。
  5. 　前記第１予測部によって子供が所定のサービス又は商品の利用者になっていないと予測された前記第２ユーザを、販促対象ユーザに選定する選定部、を更に備える、請求項４記載の予測システム。
  6. 　所定のアンケートに回答した複数の第３ユーザについて、それぞれ、ユーザ情報及びアンケート結果を抽出する第３抽出部と、
    　前記第３抽出部によって抽出されたアンケート結果が示す嗜好情報を目的変数、ユーザ情報を説明変数として機械学習を行い、嗜好情報を予測する第２機械学習モデルを作成する第２モデル作成部と、
    　前記第２抽出部により抽出された前記第２ユーザのユーザ情報を前記第２機械学習モデルに入力することにより、該第２ユーザの嗜好情報を予測する第２予測部と、を更に備え、
    　前記選定部は、前記第２予測部によって予測された嗜好情報を更に考慮して、販促対象ユーザを選定する、請求項５記載の予測システム。
  7. 　前記嗜好情報は、商品又はサービスを選択する上で価格を重視するか否かを示す情報であり、
    　前記選定部は、前記第１予測部によって子供が所定のサービス又は商品の利用者になっていないと予測され、且つ、前記第２予測部によって価格を重視すると予測された前記第２ユーザを、販促対象ユーザに選定する、請求項６記載の予測システム。
  8. 　予測システムが実行する予測方法であって、
    　家族情報が紐づけられている複数の第１ユーザについて、それぞれ、ユーザ情報及び紐づけられた家族情報を抽出することと、
    　抽出された家族情報を目的変数、ユーザ情報を説明変数として機械学習を行い、家族情報を予測する第１機械学習モデルを作成することと、
    　家族情報が紐づけられていない第２ユーザのユーザ情報を抽出することと、
    　前記第２ユーザのユーザ情報を前記第１機械学習モデルに入力することにより、該第２ユーザの家族情報を予測することと、を含む予測方法。
PCT/JP2024/014558 2024-04-10 2024-04-10 予測システム及び予測方法 Pending WO2025215768A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/014558 WO2025215768A1 (ja) 2024-04-10 2024-04-10 予測システム及び予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/014558 WO2025215768A1 (ja) 2024-04-10 2024-04-10 予測システム及び予測方法

Publications (1)

Publication Number Publication Date
WO2025215768A1 true WO2025215768A1 (ja) 2025-10-16

Family

ID=97349637

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/014558 Pending WO2025215768A1 (ja) 2024-04-10 2024-04-10 予測システム及び予測方法

Country Status (1)

Country Link
WO (1) WO2025215768A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160182676A1 (en) * 2014-12-19 2016-06-23 Samsung Electronics Co., Ltd. Electronic apparatus and user profile estimating method thereof
JP2017033595A (ja) * 2016-10-27 2017-02-09 株式会社エヌ・ティ・ティ・データ 家族関係推定装置、家族関係推定方法、およびプログラム
JP2021179276A (ja) * 2020-05-13 2021-11-18 東芝ライフスタイル株式会社 情報処理システム
JP2021189726A (ja) * 2020-05-29 2021-12-13 東芝ライフスタイル株式会社 情報処理システム
JP2021189576A (ja) * 2020-05-27 2021-12-13 東芝ライフスタイル株式会社 情報処理システム
WO2023119577A1 (ja) * 2021-12-23 2023-06-29 楽天グループ株式会社 情報処理システム、情報処理方法及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160182676A1 (en) * 2014-12-19 2016-06-23 Samsung Electronics Co., Ltd. Electronic apparatus and user profile estimating method thereof
JP2017033595A (ja) * 2016-10-27 2017-02-09 株式会社エヌ・ティ・ティ・データ 家族関係推定装置、家族関係推定方法、およびプログラム
JP2021179276A (ja) * 2020-05-13 2021-11-18 東芝ライフスタイル株式会社 情報処理システム
JP2021189576A (ja) * 2020-05-27 2021-12-13 東芝ライフスタイル株式会社 情報処理システム
JP2021189726A (ja) * 2020-05-29 2021-12-13 東芝ライフスタイル株式会社 情報処理システム
WO2023119577A1 (ja) * 2021-12-23 2023-06-29 楽天グループ株式会社 情報処理システム、情報処理方法及びプログラム

Similar Documents

Publication Publication Date Title
KR101999471B1 (ko) 정보 추천 방법 및 장치
US8554623B2 (en) Method and apparatus for social network marketing with consumer referral
US8560390B2 (en) Method and apparatus for social network marketing with brand referral
US8538811B2 (en) Method and apparatus for social network marketing with advocate referral
CN107424007A (zh) 一种构建电子券敏感度识别模型的方法和装置
JP7542540B2 (ja) 需要予測装置
CN108153909A (zh) 关键词投放拓词方法、装置及电子设备、存储介质
JP7536771B2 (ja) クリック率予測モデル構築装置
JP7542147B2 (ja) 決済情報管理装置
CN114218496A (zh) 对象推荐的方法、装置和设备、介质及产品
WO2021039916A1 (ja) 価格予測装置
CN119850265A (zh) 数据处理的方法、装置、电子设备和存储介质
KR101837019B1 (ko) 모바일 환경에서의 커스터마이징 광고
JP7572809B2 (ja) 情報提供装置
KR102345958B1 (ko) 광고 시너지 효과 분석 방법 및 시스템
CN113780317B (zh) 行为方式预测方法及装置、存储介质、电子设备
JP7554595B2 (ja) 行動特性決定装置
JP2019020979A (ja) 情報処理装置および信用度算出方法
JP7350953B1 (ja) 情報処理装置
JP7489255B2 (ja) 情報提供装置
JP7587053B2 (ja) 行動予測装置
JP2022026687A (ja) 情報提供装置
JP2021144647A (ja) 情報処理装置
JP7809822B2 (ja) 店舗判定装置
US20210049629A1 (en) User extraction device

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: 24935147

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2026513844

Country of ref document: JP

Kind code of ref document: A