JP6945019B2 - 顧客推定装置及び顧客推定方法 - Google Patents

Description

本発明は、対象顧客を精度良く推定し、結果の信頼度を検証することができる顧客推定装置及び顧客推定方法に関する。

従来、ウェブのアクセスログを利用して、新規の顧客に対して商品やサービスの広告を配信したり、提案したりするシステムが知られている。

例えば、下記の特許文献１の会員向けターゲティング広告提供システムでは、会員専用サイト運営会社が運営している会員専用サイトＡの会員は、コンピュータ、スマートフォン等の利用者端末から、インターネットを介して会員専用サイトメインサーバにアクセスする。会員は、利用者端末から会員ＩＤとパスワードを入力して会員専用サイトＡにログインし、会員向けの情報提供ページを閲覧することができる。

そして、利用者端末が、会員専用サイトＡと切り離された会員専用サイト外対応サーバのクッキーＩＤを広告配信会社の広告配信サーバに渡すことで、会員専用サイトＡ内での履歴が外部に流出することを防ぎながら、会員の属性に合ったターゲティング広告を提供する。

また、会員は、利用者端末からインターネットを介して、ウェブサイト運営会社が運営しているウェブサイトＢにアクセスすると、広告配信の委託を受けたウェブサイトＢの広告枠に広告が配信されるようになる（段落００１７〜００２７、図１）。

特許第５８４３９８３号

しかしながら、特許文献１のシステムでは、クッキーＩＤから取得される情報に基づいて広告が配信されるため、ユーザが購入した商品の関連商品等、関連性の強い商品、サービスの広告しか行えないという問題があった。すなわち、ユーザが最近興味を持ち始めた事項や、潜在的に抱えている課題を解決するための提案を行うことはできなかった。仮に、このような提案を行うためには、個人を特定する連結識別子の取得が前提となっていた。

本発明は上記課題に鑑みなされたものであり、連結識別子を取得することなく、対象顧客の推定を精度良く行うことができる顧客推定装置を提供することを目的とする。

なお、本件は、出願済みの顧客推定装置（特願２０１９−１６２８７３）に関連する出願であり、当該装置の実用性及び拡張可能性を説明する目的がある。

本発明の顧客推定装置は、指標化すべき指標化項目を取得する指標化項目取得手段と、顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、前記顧客保有項目取得手段が取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータの有するソースデータ項目とを対応させる項目対応手段と、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、前記指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、前記分類項目作成手段が作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいてスコアを付与するスコア付与手段と、前記指標化項目に関連する情報を保有する情報データベースを参照することにより、前記指標化項目に対する前記対象顧客の出現率を推定する出現率推定手段と、前記出現率推定手段が推定した前記出現率と全顧客数とから前記対象顧客の人数を推定し、前記指標化項目に関する回答を有するデータ群の各項目に対して付与された前記スコアの高い方から順に選択して、前記対象顧客と判定する顧客判定手段と、を備えることを特徴とする。

本発明の顧客推定装置において、分類項目作成手段は、販売する商品、提供するサービス等に関する指標化項目の内容に応じて分類項目を作成する。さらに、スコア付与手段は、所定の規則に基づいて各分類項目に対してスコアを付与する。これにより、本装置は、指標化項目のスコアが高いとされる分類項目と、指標化項目のスコアが低いとされる分類項目とを区別し、対象顧客の候補を推定することができる。

また、本発明では、出現率推定手段が、情報データベースを参照して指標化項目に対する対象顧客の出現率を予め推定する。さらに、スコア付与手段が同じ指標化項目に関する回答を有するデータ群に対してスコアを付与し、顧客判定手段が対象顧客の人数を推定し、スコアの高い方から出現率に応じて対象顧客と判定する。このように、予め出現率を取得することで、実際の対象顧客の推定を精度良く行うことができる。

本発明の顧客推定装置において、前記回答と前記顧客判定手段が判定した前記対象顧客の結果とを比較して得られる一致度から算出された信頼度を検証する信頼度検証手段を備えていてもよい。

信頼度検証手段は、データ群が有する回答（例えば、アンケート結果）と顧客判定手段が判定した前記対象顧客の結果とを比較するが、両者が一致するほど、判定の精度が高いことになる。このように、本装置は、推定された対象顧客の信頼度を検証することができる。

また、本発明の顧客推定装置において、前記顧客判定手段は、前記出現率から定められる判定ラインスコア上に前記スコアが同じ前記顧客が複数存在することにより前記出現率に応じた人数を超える場合に、当該顧客から任意抽出して前記対象顧客の人数合わせをするようにしてもよい。

本装置では、出現率から定められる判定ラインスコア上に顧客が複数存在して、前記出現率に応じた対象顧客を正確に選択できないことがある。このような場合、顧客判定手段は、同じスコアの顧客の中から任意に数名を抽出して、対象顧客の人数合わせ（削減）をする。これにより、本装置は、適切な人数の対象顧客を選択することができる。

本発明の顧客推定方法は、機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、前記コンピュータのデータ取得部が、指標化すべき指標化項目を取得する指標化項目取得ステップと、前記データ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、前記コンピュータのデータ処理部が、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータの有するソースデータ項目とを対応させる項目対応ステップと、前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、前記データ処理部が、前記指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、前記データ処理部が、前記分類項目作成ステップで作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいてスコアを付与するスコア付与ステップと、前記データ処理部が、前記指標化項目に関連する情報を保有する情報データベースを参照することにより、前記指標化項目に対する前記対象顧客の出現率を推定する出現率推定ステップと、前記データ処理部が、前記出現率推定ステップで推定した前記出現率と全顧客数とから前記対象顧客の人数を推定し、前記指標化項目に関する回答を有するデータ群の各項目に対して付与された前記スコアの高い方から順に選択して、前記対象顧客と判定する顧客判定ステップと、を備えることを特徴とする。

本発明の顧客推定方法において、分類項目作成ステップにて指標化項目に応じて分類項目が作成され、スコア付与ステップにて各分類項目に対してスコアが付与される。これにより、本方法は、指標化項目のスコアが高いとされる分類項目と、指標化項目のスコアが低いとされる分類項目とを区別し、対象顧客の候補を推定することができる。

また、本方法の出現率推定ステップでは、情報データベースを参照して、指標化項目に対する対象顧客の出現率が予め推定される。さらに、スコア付与ステップにて、同じ指標化項目に関する回答を有するデータ群に対してスコアを付与し、顧客判定ステップにて、対象顧客の人数を推定し、スコアの高い方から出現率に応じて対象顧客を判定する。このように、予め出現率を取得することで、実際の対象顧客の推定を精度良く行うことができる。

本発明の顧客推定方法において、前記データ処理部が、前記回答と前記顧客判定ステップで判定した前記対象顧客の結果とを比較して得られる一致度から算出された信頼度を検証する信頼度検証ステップを備えていてもよい。

信頼度検証ステップでは、データ群が有する回答と顧客判定ステップで判定された前記対象顧客の結果とを比較するが、両者が一致するほど、判定の精度が高いことになる。このように、本方法によって、推定された対象顧客の信頼度を検証することができる。

また、本発明の顧客推定方法において、前記顧客判定ステップにおいて、前記出現率から定められる判定ラインスコア上に前記スコアが同じ前記顧客が複数存在することにより前記出現率に応じた人数を超える場合に、当該顧客から任意抽出して前記対象顧客の人数合わせをするようにしてもよい。

本方法では、出現率から定められる判定ラインスコア上に顧客が複数存在して、前記出現率に応じた対象顧客を正確に選択できないことがある。このような場合、顧客判定ステップにおいて、同じスコアの顧客の中から任意に数名を抽出して、対象顧客の人数合わせ（削減）をする。これにより、本方法は、適切な人数の対象顧客を選択することができる。

本発明の実施形態に係る顧客推定装置の概要を説明する図。 ソースデータ項目の例を説明する図。 顧客推定装置が作成した分類項目の例を説明する図。 判定結果を追加した顧客リストの例を説明する図。 指標化項目を保有する情報データベースの例を説明する図。 顧客推定装置を利用して対象顧客の信頼度を確認するフローチャート。

以下では、図面を参照しながら、本発明の顧客推定装置の詳細を説明する。

まず、図１を参照して、本発明の実施形態に係る顧客推定装置１の概要を説明する。本実施形態の顧客推定装置１は、デスクトップＰＣ、ノートＰＣ、タブレット端末等にインストールされた、サービス提供会社Ｘ（以下、会社Ｘという）が所有する装置端末である。

以下では、会社Ｘのクライアント企業であって、顧客推定装置１のサービスの提供先Ｙ（以下、会社Ｙとする）が、新たに開発した医薬品について、ＤＭ（ダイレクトメール）の配信やネット広告を開始するため、腰痛で悩んでいる人を特定したいという需要があった場合を例に説明する。

会社Ｙは、顧客ＤＢ（データベース）２０を有しており、顧客リストの顧客情報として、少なくとも「性別」、「年代」を保有している。しかしながら、肝心な「腰痛の悩み有無」といった直接的な情報は保有していない。

このような場合、会社Ｙ（ユーザ）は、「腰痛の悩み有無」という指標化すべき項目（指標化項目）と、「性別」及び「年代」の顧客保有項目とを会社Ｘに送信する。ここで、顧客保有項目の「性別」は男性／女性の情報であり、「年代」は１０代／２０代／３０代／４０代／５０代／６０代といった情報であり、必ずしも「顧客ＡＡＡは、女性、３５歳」といった個人情報でなくてもよい。

会社Ｘ（担当者）がこれらの項目を顧客推定装置１に入力することで、全顧客の中から指標化項目に関する見込顧客のみならず、現状では可能性が低いものの、将来的には需要があると推察される対象顧客（潜在顧客又はターゲット顧客）を抽出することができる。

指標化項目の取得は、顧客推定装置１の指標化項目取得部２（本発明の「指標化項目取得手段」に相当）で行われる。また、顧客保有項目の取得は、顧客推定装置１の顧客保有項目取得部３（本発明の「顧客保有項目取得手段」に相当）で行われる。

顧客推定装置１に指標化項目及び顧客保有項目が入力されると、顧客推定装置１の項目対応部４（本発明の「項目対応手段」に相当）が、市場全体を推定可能なエリアランダムサンプリングを採用したシングルソースデータ（以下、ソースデータＳという）と項目のマッチングを行う。さらに、顧客推定装置１は顧客保有項目を分類して、各分類項目にスコアを付与する。

顧客保有項目の分類は、顧客推定装置１の分類項目作成部５（本発明の「分類項目作成手段」に相当）で行われる。また、スコアの付与は、顧客推定装置１のスコア付与部６（本発明の「スコア付与手段」に相当）で行われる。なお、分類項目作成部５及びスコア付与部６は、当該ソースデータＳを入力データとして機械学習させた機械学習モデルである。これは、対象顧客の情報というより、むしろ指標化項目に関する情報の提供といえる。

ソースデータＳについて補足すると、これは、アンケートによって特定又は不特定の生活者の意識、属性、商品関与、メディア接触等を網羅的に調査した情報である。すなわち、当該ソースデータＳは、「人」、「モノ」、「メディア」の３つの観点で生活者をとらえた、いわば生活者の行動パターンを強く反映した情報である。

なお、上述の「意識」とは、生活者の価値観、嗜好、消費行動等を意味する。また、「属性」とは、正確には人口統計学的属性であり、性別、年齢（年代）、住んでいる地域、社会人であれば業種や年収、未婚か既婚か、子供が何人いるか等の社会経済的な特性データを意味する。

また、上述の「商品関与」とは、衣服、電化製品等のブランド、趣味や特技等のデータを意味し、「メディア接触」とは、情報を取得するため利用する媒体がインターネットか新聞か、又は雑誌か等のデータを意味する。

ソースデータＳは、東京エリア（東京５０ｋｍ圏内）、関西地区、名古屋地区、北部九州地区、札幌地区、仙台地区、広島地区の日本の主要マーケットである７地区において、抽出した約１万人に調査専用タブレットを貸与、実施して得られたものである。当該ソースデータＳはアンケートの回答に限られず、視聴率のような視聴ログデータ（履歴情報）が含まれていてもよい。

また、顧客推定装置１は、指標化項目の対象顧客（腰痛の悩みがある顧客）の出現率を推定する出現率推定部７（本発明の「出現率推定手段」に相当）を備えている。詳細は後述するが、出現率推定部７は、今回の指標化項目を保有する適当な情報ＤＢ（データベース）３０での出現率（例えば、アンケートで「腰痛あり」を回答）を利用して、顧客ＤＢ２０における対象顧客の出現率を推定する。

また、顧客推定装置１は、対象顧客の判定を行う顧客判定部８（本発明の「顧客判定手段」に相当）を備えている。顧客判定部８は、出現率推定部７が推定した対象顧客の出現率を閾値のように利用して、情報ＤＢ３０のデータ群から最適な人数の対象顧客を判定する。

さらに、顧客推定装置１は、実行結果の信頼度を検証する信頼度検証部９（本発明の「信頼度検証手段」に相当）を備えている。具体的には、出現率推定部７が事前に取得した対象顧客の情報（対象顧客が行った回答）を利用し、信頼度検証部９が実行結果の信頼度を算出する。

次に、図２に、会社Ｘが保有するソースデータＳのデータ項目（ソースデータ項目）の例を示す。

上述したように、ソースデータＳはアンケート結果の集合からなり、多くの要素を含むが、今回の指標化項目（腰痛の悩みの有無）に関する項目として、「腰痛」のデータ項目を有している。

この例では、「サンプルＮｏ．１，２」の個人は、アンケートに対して「腰痛あり」にチェックし、「サンプルＮｏ．３」の個人は、「腰痛あり」にチェックしなかったことを意味する。なお、「サンプルＮｏ」はランダムの番号であり、個人を特定するものではない。

本発明は、指標化項目を保有する適当なデータベースがあれば、顧客推定装置１の通常実行の信頼度を推定できるというものである。しかしながら、都合の良いデータベースが入手できない場合もある。このような場合、ソースデータＳで代用して、対象顧客の出現率を推定するようにしてもよい。

次に、図３に、顧客推定装置１が顧客保有項目から作成した分類項目（一覧表１５）の例を示す。顧客推定装置１は、指標化項目に対して、上述の分類項目作成部５（機械学習モデルが有する規則）により顧客保有項目を分類していく。

この作業により、分類項目の１番目の「性別［男性］＆年代［５０代以上］」、分類項目の２番目の「性別［男性］＆年代［１０〜４０代］」、及び分類項目の３番目の「性別［女性］（年代不問）」の３項目が作成される。

また、顧客推定装置１のスコア付与部６は、各分類項目に対してスコアを付与する。このスコアは、顧客全体を対象とした基準値を算出してこれを１としたとき、当該基準値に対する各分類項目の数値から算出する（相対評価）。例えば、分類項目の１番目は、基準値の２．５倍の大きな数値を示すグループであり、基本的には、指標化項目と相関があるスコアの高いグループと推定することができる。このため、分類項目の１番目の顧客（暫定の対象顧客）に対して腰痛の医薬品や治療方法のＤＭ配信等を行うと最も効率的である。

次に、図４に、顧客推定装置１を実行して、「スコア」及び「判定」の項目を追加した顧客リスト１６の例を示す。

顧客推定装置１のスコア付与部６は、１０名の顧客（顧客ＩＤ：ＡＡＡ〜ＪＪＪ）について、各分類項目にスコア（腰痛スコア）を入力する。そして、顧客判定部８は、腰痛度合が高いと推定する顧客（例えば、閾値を２．０とする）に対して、「判定（腰痛判定）」の欄に「〇」又は「×」を付与する。これは、顧客推定装置１の通常実行の判定結果である。

一方、顧客推定装置１のスコア付与部６は、情報ＤＢ３０のデータ群に対して、スコアの付与を実行する。図５は、情報ＤＢ３０（個人識別子：あああ〜こここ）をスコアの高い順にソートした情報リスト１７の例を示している。

情報リスト１７では、「スコア」が２．５のソースデータＩＤ（あああ）が最上位に記載され、以下、「スコア」が１．３のソースデータＩＤ、「スコア」が０．５のソースデータＩＤと続いていく（「年齢」、「性別」の欄は省略）。

また、情報リスト１７は指標化項目の対象顧客の情報（「腰痛」の欄）を保有しているため、出現率推定部７は、顧客全体に対する出現率を取得する。ここでは、情報ＤＢ３０による出現率と顧客ＤＢ２０における出現率とが等しいと仮定した推定であるが、あくまで一例に過ぎない。顧客ＤＢ２０における出現率を推定することができる他の手法を用いてもよい。この作業により、全顧客のうち、どの程度の割合の顧客が対象顧客になり得るかを前もって推定することができる。なお、今回の出現率は４０％であったとする。

情報リスト１７において、推定された顧客ＤＢ２０の対象顧客の出現率は４０％であったため、スコアの上位４０％を判定ライン（閾値）として、対象顧客と判定する。従って、スコアの上位４つが選択される。

今回、判定ライン上のスコア「１．３」の個人識別子が４つ存在するため、顧客判定部８は、この４つの中からランダムに３つを選択して「〇」を付与する。その結果、個人識別子「あああ」、「いいい」、「ううう」、「えええ」の４つが選択され、「判定」欄に「〇」が付与される。

その後、信頼度検証部９は、情報リスト１７の「腰痛」の欄と、最終的な結果である「判定（腰痛判定）」の欄との一致、不一致を確認する。情報リスト１７によれば、スコア上位の４つの中ではソースデータＩＤ「ううう」以外は結果が一致しているため、今回の顧客推定装置１による判定の信頼度は７５％となる。

仮に、個人識別子「あああ」、「いいい」、「ううう」、「おおお」の４つが選択された場合、個人識別子「おおお」の結果は不一致となるため、判定の信頼度は低下することになる。この例では、個人識別子が１０個と少ないため信頼度に影響が出るが、実際は顧客が１００名以上の場合も多く、ランダムの人数調整による信頼度の影響は小さい。

このようにして、対象顧客を抽出して、その顧客に対して新たな医薬品のＤＭ配信等を行うとよい。また、顧客推定装置１は、取扱いが難しい個人情報やＣｏｏｋｉｅ情報等を入手しなくても、顧客のプロフィールを精度良く推測することができる点で有益である。

最後に、図６を参照して、クライアント企業（例えば、上述の会社Ｙ）が、顧客推定装置１を利用して対象顧客の情報を取得するまでの一般的なフローチャートを説明する。

まず、クライアント企業のユーザは、指標化項目を選定する（ＳＴＥＰ１０）。指標化項目は、担当者がソースデータを参照し、その中から選択してもよいし、クライアント企業が行う商品やサービスの提供に関することに限られず、同じ趣味を持つ人がいるかどうかといった幅広いテーマであってもよい。その後、ユーザは、指標化項目及び顧客保有項目をサービス提供会社（例えば、上述の会社Ｘ）に送信する。

次に、サービス提供会社おいて、担当者が指標化項目と顧客保有項目とを顧客推定装置１に入力する（ＳＴＥＰ２０）。その後、顧客推定装置１が顧客保有項目とソースデータ項目の調整を行う（ＳＴＥＰ３０）。ここで、顧客保有項目は、「性別」、「年齢（年代）」の他、「最終学歴」、「学生／社会人」、「住んでいる地域」等が挙げられ、項目数が多いほどソースデータ項目とマッチング（対応）する可能性が高くなり、推定の精度が向上する。

上記ＳＴＥＰ３０では、例えば、両項目が完全に対応していないが、類似項目がある場合に、意味合いを揃える作業を行う。例えば、ソースデータ項目に「好きな番組ジャンル」に関する項目があり、顧客保有項目に「当該ジャンルを一月に３回以上視聴する（履歴情報）」という項目があるとき、両項目を同義と扱う。

両項目の調整を行う際、上位概念（例えば、粒度が粗い方）の項目に合わせるようにしてもよい。例えば、ソースデータ項目に「戸建て持ち家（新築）、又は戸建て持ち家（中古）」の項目があり、顧客保有項目に「戸建て持ち家」の項目があるとき、後者の方が上位概念的な項目といえるため、後者の項目を採用する。以上のような項目の調整作業を行うことにより、ソースデータ項目と顧客保有項目がうまく紐付けされるため、調整された項目と指標化項目との関係で分類項目を作成することが可能となる。

次に、サービス提供会社おいて、顧客推定装置１が機械学習により分類規則を作成する（ＳＴＥＰ４０）。これにより、指標化項目に対する分類項目が作成される。続いて、顧客推定装置１が当該規則に基づいてスコアを集計する（ＳＴＥＰ５０）。具体的には、各分類項目にスコアを付与し、一覧表１５（図３参照）を作成する。

その後、サービス提供会社おいて、顧客推定装置１が対象顧客の出現率を推定する（ＳＴＥＰ６０）。例えば、情報ＤＢ３０のような適当なデータベース、又はサービス提供会社が保有するソースデータＳを利用して指標化項目に対する対象顧客の出現率を調べる。

次に、顧客リストの顧客ＩＤ毎にスコアを付与する（ＳＴＥＰ７０）。具体的には、一覧表１５を利用して、プログラムにより顧客毎にスコアを入力して、指標化する（図４参照）。

次に、顧客ＩＤ毎に当該スコアに基づいて「○」又は「×」を付与する（ＳＴＥＰ８０）。ここで、「○」は対象顧客と推定されることを意味し、例えば、スコアが当該出現率に由来する閾値を超えた場合（又は閾値以上となった場合）に「○」とする。

また、顧客推定装置１は、上記ＳＴＥＰ７０，８０の処理と並行して、指標化項目を保有するデータベースのＩＤ毎にスコアを付与し（ＳＴＥＰ７５）、当該スコアに基づき、出現率（ステップＳ６０）を考慮して「○」又は「×」を付与する（ＳＴＥＰ８５）。この結果は、信頼度を検証するために用いる。

その後、顧客推定装置１は、判定（実行結果）の信頼度を検証する（ＳＴＥＰ９０）。具体的には、指標化項目を保有するデータベースにおける「回答」と、ＳＴＥＰ８５で得られた「判定」の結果の突き合せを行い、信頼度を検証する。以上で、対象顧客の情報を取得する一連の処理を終了する。

上述した実施形態における一覧表の内容、スコアの算出方法等は一例に過ぎず、用途、目的等に応じて適宜変更することができる。また、図６では実際の実行と並行して信頼度を検証したが、実際の実行の前工程又は後工程で信頼度を取得するようにしてもよい。

また、上述の実施形態では、サービスを提供するＸ社がソースデータＳを所有し、クライアント企業であるＹ社がＸ社に対して顧客保有項目を提供する関係であった。しかしながら、Ｙ社がソースデータＳｙを所有しており、それを利用することができる形態となっていてもよい。また、Ｙ社が他社（例えば、Ｘ社）の所有するソースデータＳｚを利用できる形態も考えられる。

顧客推定装置１の項目対応部４は、上位概念の項目に合わせるように調整する例を示したが、項目の鮮度が新しい方を採用することも有効である。

上記実施形態では、最終的なスコアが「高い」顧客をアプローチすべき対象顧客とする例を示したが、スコアが「低い」顧客についても、「低い」ことに価値を見出して、他のアプローチの対象とすることができる。また、スコアが「低い」顧客をアプローチの除外対象として、足切りに利用してもよい。

１…顧客推定装置、２…指標化項目取得部、３…顧客保有項目取得部、４…項目対応部、５…分類項目作成部（機械学習モデル）、６…スコア付与部、７…出現率推定部、８…顧客判定部、９…信頼度検証部、１５…一覧表、１６…顧客リスト、１７…情報リスト、２０…顧客ＤＢ、３０…情報ＤＢ。

Claims (6)

1. 指標化すべき指標化項目を取得する指標化項目取得手段と、
   顧客が保有する顧客保有項目を取得する顧客保有項目取得手段と、
   前記顧客保有項目取得手段が取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータの有するソースデータ項目とを対応させる項目対応手段と、
   前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させた機械学習モデルと、
   前記指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成手段と、
   前記分類項目作成手段が作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいてスコアを付与するスコア付与手段と、
   前記指標化項目に関連する情報を保有する情報データベースを参照することにより、前記指標化項目に対する前記対象顧客の出現率を推定する出現率推定手段と、
   前記出現率推定手段が推定した前記出現率と全顧客数とから前記対象顧客の人数を推定し、前記指標化項目に関する回答を有するデータ群の各項目に対して付与された前記スコアの高い方から順に選択して、前記対象顧客と判定する顧客判定手段と、
   を備えることを特徴とする顧客推定装置。
2. 前記回答と前記顧客判定手段が判定した前記対象顧客の結果とを比較して得られる一致度から算出された信頼度を検証する信頼度検証手段を備えることを特徴とする請求項１に記載の顧客推定装置。
3. 前記顧客判定手段は、前記出現率から定められる判定ラインスコア上に前記スコアが同じ前記顧客が複数存在することにより前記出現率に応じた人数を超える場合に、当該顧客から任意抽出して前記対象顧客の人数合わせをすることを特徴とする請求項１又は２に記載の顧客推定装置。
4. 機械学習モデルを備えるコンピュータを用いて、商品又はサービスに興味のある対象顧客を推定する顧客推定方法であって、
   前記コンピュータのデータ取得部が、指標化すべき指標化項目を取得する指標化項目取得ステップと、
   前記データ取得部が、顧客が保有する顧客保有項目を取得する顧客保有項目取得ステップと、
   前記コンピュータのデータ処理部が、前記顧客保有項目取得ステップで取得した前記顧客保有項目と、特定若しくは不特定の者を対象に実施した調査又はその者の履歴情報から取得され、当該その者の少なくとも属性、価値観、嗜好、消費行動、行動パターンの何れかが反映されたソースデータの有するソースデータ項目とを対応させる項目対応ステップと、
   前記顧客保有項目と対応する前記ソースデータ項目を入力データとして機械学習させ、機械学習モデルを作成する機械学習モデル作成ステップと、
   前記データ処理部が、前記指標化項目の内容に応じて、前記機械学習モデルを用いて将来的に需要がある対象顧客の推定に必要な要素となる前記顧客保有項目を分類し、分類項目を作成する分類項目作成ステップと、
   前記データ処理部が、前記分類項目作成ステップで作成した前記分類項目に、前記機械学習モデルを用いて所定の規則に基づいてスコアを付与するスコア付与ステップと、
   前記データ処理部が、前記指標化項目に関連する情報を保有する情報データベースを参照することにより、前記指標化項目に対する前記対象顧客の出現率を推定する出現率推定ステップと、
   前記データ処理部が、前記出現率推定ステップで推定した前記出現率と全顧客数とから前記対象顧客の人数を推定し、前記指標化項目に関する回答を有するデータ群の各項目に対して付与された前記スコアの高い方から順に選択して、前記対象顧客と判定する顧客判定ステップと、
   を備えることを特徴とする顧客推定方法。
5. 前記データ処理部が、前記回答と前記顧客判定ステップで判定した前記対象顧客の結果とを比較して得られる一致度から算出された信頼度を検証する信頼度検証ステップを備えることを特徴とする請求項４に記載の顧客推定方法。
6. 前記顧客判定ステップにおいて、前記出現率から定められる判定ラインスコア上に前記スコアが同じ前記顧客が複数存在することにより前記出現率に応じた人数を超える場合に、当該顧客から任意抽出して前記対象顧客の人数合わせをすることを特徴とする請求項４又は５に記載の顧客推定方法。

Images