特許ウォッチ

公開番号2025013452
公報種別公開特許公報(A)
公開日2025-01-24
出願番号2024192780,2022071562
出願日2024-11-01,2016-12-15
発明の名称エネルギー顧客の予測的セグメント化
出願人シー3.エーアイ, インコーポレイテッド
代理人個人,個人,個人,個人,個人
主分類G06Q 50/06 20240101AFI20250117BHJP(計算;計数)
要約【課題】エネルギー消費者を分析するためのコンピュータアルゴリズムを提供すること
【解決手段】コンピュータシステムは、顧客属性と、顧客が特定のエネルギー効率プログラムに登録しているかどうか等の顧客の採択ステータスとを一覧化した顧客記録を受信する。パターンの初期セットが、決定ツリー等に従って、顧客記録の中から識別される。初期セットは、最小サポートおよび有効度および最大重複要件を満たすパターンのセットを得るように取捨選択される。パターンは、各セグメントの最小有効度を最大限にすることを求める最適化アルゴリズムに従って、セグメントに割り当てられ、有効度は、正の採択ステータスを有する、各セグメントのパターンに合致する顧客の数を示す。最適化アルゴリズムは、線形分数整数計画(LFIP-F)を評価し、パターンの最適分布に反復的に近づいていく2分探索アルゴリズムであってもよい。
【選択図】なし
特許請求の範囲【請求項１】
方法またはシステム。

発明の詳細な説明【技術分野】
【０００１】
（発明の分野）
本願は、２０１５年１２月１８日に出願され、“ＰｒｅｄｉｃｔｉｖｅＳｅｇｍｅｎｔａｔｉｏｎｏｆＥｎｅｒｇｙＣｏｎｓｕｍｅｒｓ”と題された米国仮出願第６２／２６９，７９３号の利益を主張するものであり、該米国仮出願の全体の内容は、参照により本明細書中に援用される。
続きを表示（約 4,800 文字）【０００２】
本発明は、エネルギー消費者を分析するためのコンピュータアルゴリズムに関する。
【背景技術】
【０００３】
近年、エネルギー公益事業企業は、従来はその電気供給業者と関わりがなかった顧客基盤とのその関係を改善することにますます注力している。これまで、エネルギー企業およびその消費者は双方とも、公益事業者の役割を「光を灯し続けること」として理解していた。しかしながら、現在の技術傾向および顧客の考え方の偏移（特に、その顧客の選好の理解および予測に秀でた消費者に対面するインターネット企業の増加によって拍車がかけられている）は、公益事業におけるその顧客に関わることの関心の増加につながっている。
【０００４】
これらの傾向は、複合して、データ可用性（スマートメータ等の感知インフラストラクチャを通して収集される高粒度消費データおよび消費者自体に関する他の「メタデータ」の両方）および本データを処理するための算出方法（例えば、ＬｉａｎｄＹａｎｇ（２０１５年）、ＬｉｕａｎｄＮｉｅｌｓｅｎ（２０１５年））の増加となっている。したがって、エネルギー公益事業者は、その顧客満足度および関与およびその顧客基盤内の環境に優しいプログラムへの参加を増加させる方法を提供し得る、分析技法にますます依拠している。顧客セグメント化は、顧客を理解し、その理解に応じて、作用する方法を識別するための技法として、大小様々な組織のマーケティングツールボックスの土台である。これは、いくつかの用途を挙げると、主に、マーケティング（包括的論評は、Ａｓｓｏｃｉａｔｉｏｎ（２０１４年）に見られる）、オンライン広告（例えば、Ｙａｎｅｔａｌ．（２００９年））、または電子小売（例えば、ＢｈａｔｎａｇａｒａｎｄＧｈｏｓｅ（２００４年））において使用されている。
【０００５】
公益事業者が、その顧客とのより個人的かつ現代的関係を発展することを目指すにつれて、参加および関与を増加させるように、効率対策および他のプログラムについてのその通信を見直すための手段として、セグメント化を積極的に受け入れている。採用されている大部分の市場セグメント化技法は、実際は、固定規則セットの適用に焦点を当てている。例えば、大型住居に暮らし、子供を持つ消費者は、「高消費者」カテゴリに割り当てられる一方、環境保護雑誌を購読している者は、「環境保護提唱者」グループに帰属する。典型的には、これらの規則は、反事実または逸話経験、挙動研究、または小規模心理学実験から派生しており、実際は、「公然の事実」と見なされる。抽出した専門知識の結果なので、そのようなセグメント化方略は、確かに有用であり、理論および実践が知らしめられるべきである。
【０００６】
本明細書に説明されるアプローチは、エネルギー消費者をセグメント化するための改良されたアプローチを提供する。
【発明の概要】
【課題を解決するための手段】
【０００７】
本願は、顧客属性における特定のパターンに関して同質的であること、および所望の結果に対して予測的であることの両方である、大規模母集団内のサブグループを識別するための予測セグメント化技法を導入する。動機付けとなる設定は、エネルギー公益事業企業の顧客に対する非常に分かりやすくかつ直感的な、ある意味では最適でもある、セグメント化および標的化プロセスを作成することである。本設定では、エネルギー公益事業者は、少数のメッセージタイプが、異なるタイプの通信に応答する可能性が最も高い適切に選定された顧客に送信されるように設計することを所望する。提案される方法は、消費、人口統計、およびプログラム登録データを使用し、標準的機械学習技法を使用して、基本予測パターンを抽出する。本方法は、次に、専門家ガイドラインと、以前の挙動研究から利用可能な消費者特性についての仮説によって記述される、少数のセグメントへのパターンの実行可能な潜在的割当を定義する。アルゴリズムは、次いで、実行可能であること、および予測力を最大限にすることの両方である、両方のセグメントへのパターンの最適配分を識別する。本方法は、主要な米国エネルギー公益事業者からの大規模データセット上で実装され、その登録の可能性が平均母集団のものの２倍であって、少数の単純な直感的規則によって記述される、顧客のセグメントを得る。
本発明は、例えば、以下を提供する。
（項目１）
方法であって、
コンピュータシステムによって、それぞれが属性および顧客の採択ステータスを含む複数の顧客記録を受信するステップと、
前記コンピュータシステムによって、複数のパターンを識別するステップであって、各パターンは、前記複数の顧客記録の属性に従って、前記複数の顧客記録のうちの顧客記録のグループ化を定義する、ステップと、
前記コンピュータシステムによって、前記複数のパターンのうちの各パターンが前記複数のセグメントのうちの１つのセグメントに割り当てられるように、前記複数のパターンを複数のセグメント間に割り当てるステップであって、前記複数のパターンを前記複数のセグメント間に割り当てるステップは、前記複数のセグメントに関する最小有効度を反復的に増加させるアルゴリズムに従って行われ、各セグメントの有効度は、前記各セグメントに分散される前記複数のパターンのうちのパターンに合致する、前記複数の顧客記録のうちの顧客記録の採択ステータスの関数である、ステップと、
を含む、方法。
（項目２）
前記アルゴリズムは、方程式ＬＦＩＰ－Ｆを解くステップを含む、項目１に記載の方法。
（項目３）
前記アルゴリズムは、２分探索アルゴリズム１に従って、線形整数計画実行可能性問題を解くステップを含む、項目２に記載の方法。
（項目４）
前記複数のパターンのうちの各パターンは、前記各パターンの属性のうちの各属性に対し、前記各属性に関する閾値を備える、項目１に記載の方法。
（項目５）
前記複数のパターンを識別するステップは、決定ツリーに従って、前記複数の顧客記録を処理するステップを含む、項目１に記載の方法。
（項目６）
前記複数のパターンを識別するステップは、
決定ツリーに従って、前記複数の顧客記録を処理し、初期パターンセットを得るステップと、
前記初期パターンセットを取捨選択し、前記複数のパターンを得るステップと、
を含む、項目１に記載の方法。
（項目７）
前記初期パターンセットを取捨選択し、前記複数のパターンを得るステップは、
最小サポートを下回るサポートを有するパターンを除去するステップであって、前記パターンのセットのうちの各パターンのサポートは、前記各パターンに合致する顧客記録の数を示す、ステップ
を含む、項目６に記載の方法。
（項目８）
前記初期パターンセットを取捨選択し、前記複数のパターンを得るステップは、
最小有効度を下回る有効度を有するパターンを除去するステップであって、前記パターンのセットのうちの各パターンの有効度は、正の採択ステータスを有する前記各パターンに合致する顧客記録の割合を示す、ステップ
を含む、項目７に記載の方法。
（項目９）
前記最小有効度は、正の採択ステータスを有する前記複数の顧客記録のうちの全ての顧客記録の割合の１を上回る倍数である、項目８に記載の方法。
（項目１０）
前記倍数は、少なくとも２である、項目９に記載の方法。
（項目１１）
前記初期パターンセットを取捨選択し、前記複数のパターンを得るステップは、前記顧客記録のセットの最大パーセンテージを上回るものが、前記初期パターンセットの別のパターンにも合致するように、前記各パターンに合致する前記複数の顧客記録のうちの顧客記録のセットを有する、前記初期パターンセットの各パターンを除去するステップを含む、項目６に記載の方法。
（項目１２）
前記最大パーセンテージは、６０～７５パーセントである、項目１１に記載の方法。
（項目１３）
各セグメントの有効度はさらに、前記各セグメントに割り当てられる各パターンの網羅行列の関数であり、各パターンの網羅行列は、前記各パターンに合致する前記複数の顧客記録のうちの各顧客記録に対して１／ｎの値を有し、ｎは、前記各顧客記録によって合致される前記複数のパターンのうちのパターンの数である、項目１に記載の方法。
（項目１４）
１つまたはそれを上回る処理デバイスと、前記１つまたはそれを上回る処理デバイスに動作可能に結合される１つまたはそれを上回るメモリデバイスとを備えるシステムであって、前記１つまたはそれを上回るメモリデバイスは、実行可能コードを記憶し、前記実行可能コードは、１つまたはそれを上回るプロセッサに、
それぞれが属性および前記顧客の採択ステータスを含む複数の顧客記録を受信するステップと、
複数のパターンを識別するステップであって、各パターンは、前記複数の顧客記録の属性に従って、前記複数の顧客記録のうちの顧客記録のグループ化を定義するステップと、
前記複数のパターンのうちの各パターンが、前記複数のセグメントのうちの１つのセグメントに割り当てられ、前記複数のパターンが、前記複数のセグメントの最小有効度を最大限にすることを追求するアルゴリズムに従って前記複数のセグメント間に分散されるように、前記複数のパターンを複数のセグメント間に割り当てるステップであって、各セグメントの有効度は、前記各セグメントに分散される前記複数のパターンのうちのパターンに合致する前記複数の顧客記録のうちの顧客記録の採択ステータスの関数である、ステップと
を行わせるために有効である、システム。
（項目１５）
前記アルゴリズムは、２分探索アルゴリズム１を使用して、方程式ＬＦＩＰ－Ｆに従って、線形整数計画実行可能性問題を解くステップを含む、項目１４に記載のシステム。
（項目１６）
前記複数のパターンのうちの各パターンは、前記各パターンの属性のうちの各属性に対し、前記各属性に関する閾値を備える、項目１４に記載のシステム。
（項目１７）
【図面の簡単な説明】
【０００８】
本発明の利点が容易に理解され得るように、上記に簡単に説明される本発明のより具体的な説明が、添付の図面に図示される具体的実施形態を参照することによってもたらされるであろう。これらの図面は、本発明の典型的実施形態のみを描写するものであって、したがって、その範囲を限定するものと見なされないという理解の下、本発明は、付随の図面の使用を通して付加的具体性および詳細を伴って記載および説明されるであろう。
【０００９】
図１は、本発明のある実施形態による、顧客の予測セグメント化を実装するためのコンポーネントの概略ブロック図である。
【００１０】
図２は、コンピューティングデバイスの概略ブロック図である。
（【００１１】以降は省略されています）

関連特許