JP6373462B1 - 予測装置、予測方法及び予測プログラム - Google Patents

Abstract

【課題】物流全体の効率化を図る予測装置、予測方法及び予測プログラムを提供する。
【解決手段】本予測装置は、取得部と、予測部とを有する。取得部は、ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得する。予測部は、取得部によって取得された行動情報に基づいて、商取引の対象となる商品の配送量であって、所定領域で発生する配送量を予測する。例えば、取得部は、行動情報として、商品を提供する提供者に対する注文であって、所定領域を発送先とする注文に関する情報を取得する。予測部は、注文に関する情報に基づいて、所定領域で発生する配送量を予測する。
【選択図】図１

Description

本発明は、予測装置、予測方法及び予測プログラムに関する。

従来、インターネットを介して様々な商取引が行われている。例えば、インターネット上では、ストアを運営する事業者とユーザとの間の商取引や、ユーザ同士の商取引を仲介するプラットフォームが提供されている。

上記のような商取引に関する技術として、出荷されることが推測される荷物を管理することにより、出荷に関する効率を高める技術が知られている。

特許第４９３８６８２公報

しかしながら、上記の従来技術では、物流全体の効率化を図ることは難しい。例えば、従来技術は、企業が有する顧客のデータを用いて出荷される荷物を推測するに過ぎず、世の中において発生しうる物流を推測するものではない。

本願は、上記に鑑みてなされたものであって、物流全体の効率化を図ることのできる予測装置、予測方法及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得する取得部と、前記取得部によって取得された行動情報に基づいて、商取引の対象となる商品の配送量であって、前記所定領域で発生する配送量を予測する予測部と、を備えたことを特徴とする。

実施形態の一態様によれば、物流全体の効率化を図ることができるという効果を奏する。

図１は、実施形態に係る予測処理の一例を示す図である。 図２は、実施形態に係る予測システムの構成例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係る配送履歴記憶部の一例を示す図である。 図５は、実施形態に係るモデル記憶部の一例を示す図である。 図６は、実施形態に係る行動情報記憶部の一例を示す図である。 図７は、実施形態に係る提供情報記憶部の一例を示す図である。 図８は、実施形態に係る予測装置による処理手順を示すフローチャート（１）である。 図９は、実施形態に係る予測装置による処理手順を示すフローチャート（２）である。 図１０は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る予測装置、予測方法及び予測プログラムを実施するための形態（以下、「実施形態」と表記する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、予測方法及び予測プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．予測処理の一例〕
まず、図１を用いて、実施形態に係る予測処理の一例について説明する。図１は、実施形態に係る予測処理の一例を示す図である。図１では、実施形態に係る予測装置１００によって実行される予測処理について説明する。具体的には、図１では、予測装置１００によって、所定領域と対応付けられたユーザの行動情報に基づいて、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する処理が行われる一例について説明する。

図１に示す例において、予測装置１００と、ユーザ端末１０と、ウェブサーバ３０と、配送業者装置５０とは、図示しない通信ネットワーク（例えば、インターネット）を介して通信可能に接続される。

図１に示す予測装置１００は、地図上の所定領域と対応付けられたユーザの行動情報に基づいて、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する処理を行うサーバ装置である。予測装置１００は、商取引の対象として、例えば、ウェブサーバ３０が提供する所定の商取引サイト（いわゆるネットワーク上のショッピングモール（電子商店街）のようなプラットフォーム）において取引される商品の配送量を予測する。なお、実施形態では、商取引の対象として、ショッピングモールに出店する各ストアから配送される商品を例に挙げるが、商品はこの例に限らず、例えば、個人間の取引やオークションサイトにおいて出品される出品物等であってもよい。

図１に示すユーザ端末１０は、ユーザによって利用される情報処理装置である。具体的には、ユーザ端末１０は、ユーザがウェブページを閲覧するためや、ウェブサイト（例えばネットワーク上のショッピングモール）において商品を注文したり、商品情報の評価（いわゆるレビュー）を投稿したりするために利用される。また、ユーザ端末１０は、検索サービスを利用するために検索クエリ（以下、単に「クエリ」と表記する）を入力又は送信する処理や、検索結果を取得する処理を実行する。図１の例では、ユーザ端末１０は、例えばスマートフォンやタブレット端末である。なお、以下では、ユーザをユーザ端末１０と読み替える場合がある。例えば、「ユーザが情報を送信する」という記載は、実際には、「ユーザが利用するユーザ端末１０が情報を送信する」という状況を示す場合がある。

図１に示すウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種コンテンツをユーザに提供するサーバ装置である。図１に示す例では、ウェブサーバ３０は、ネットワーク上のショッピングモールサイトや、個人間のオークションサイト等を提供する。ウェブサーバ３０が提供するショッピングモールでは、各事業者が種々のカテゴリの商品を扱う店舗（ストア）を出店する。また、ウェブサーバ３０は、ウェブサイトを検索するための検索サービスを提供したり、所定のＳＮＳ（Social Networking Service）サイト等を提供したりしてもよい。なお、図１ではウェブサーバ３０を１台のみ記載しているが、ウェブサーバ３０は複数存在し、各々が異なるサービスを提供してもよい。

また、ウェブサーバ３０は、提供するサービス等を介して、ネットワーク上におけるユーザの行動に関する情報（以下、「行動情報」と表記する）を取得する。行動情報は、例えば、ウェブサーバ３０が備える記憶部や、所定の外部ストレージ装置に格納される。具体的には、行動情報とは、ウェブサーバ３０から提供されるサービス（図１の例では、ショッピングサービスや検索サービス等）をユーザが利用した内容を示す情報である。例えば、行動情報は、ショッピングモールにおける商品の注文や、検索サービスに対する検索行動や、ショッピングモールの各店舗に対するユーザからのレビューの投稿や、ＳＮＳへの投稿等である。なお、ウェブサーバ３０は、上記例に限らず、ネットワーク上の行動情報であれば、あらゆる情報を取得してもよい。

配送業者装置５０は、配送業者によって利用されるサーバ装置である。配送業者装置５０は、例えば、商取引の対象となる商品の配送の依頼を受け付ける。そして、配送業者装置５０は、配送品を配送する予定の日時や配送先等が登録された情報である配送情報を生成する。配送業者は、配送業者装置５０によって生成された配送情報に基づいて、配送先への配送を行う。なお、図１での図示は省略しているが、配送業者は複数存在してもよい。また、以下では、配送業者を配送業者装置５０と読み替える場合がある。例えば、「配送業者が情報を送信する」という記載は、実際には、「配送業者が利用する配送業者装置５０が情報を送信する」という状況を示す場合がある。

また、配送業者装置５０は、物流に関する情報を予測装置１００に提供する。物流に関する情報とは、例えば、過去の所定日時において発生した配送量や、配送業者が配送において要した配送リソースに関する情報である。配送リソースに関する情報とは、例えば、所定の配送量の商品を配送するにあたり、必要であった人員数や、車両の台数や、配送にかかった時間等の情報である。また、配送業者装置５０は、実際にユーザに商品配送を行うための拠点に関する情報等を予測装置１００に提供してもよい。例えば、配送業者装置５０は、所定の領域（地域）において所定の配送量が発生した場合に、どの拠点に配送品が集中するか、また、かかる拠点で配送品をさばくために人員や時間がどのくらい必要であったかといった情報を予測装置１００に提供する。

ここで、ネットワーク上の行動情報と配送量には、相関関係があると考えられる。例えば、あるキーワードがバズワード（Buzzword）となり、そのキーワードがある商品の商品名であったり、商品を連想させるようなキーワードであったりする場合、所定時間後に、その商品の売行きが上昇すると予測される。この場合、ネットワーク上のショッピングモールに出店しているストア等に商品の注文が頻繁に行われ、ストアから商品が発送されるため、それに伴い配送量が増加する。なお、このような状況は、国などの比較的広い地理的範囲で起こることもあれば、より細かい範囲（日本でいえば、都道府県や市区町村の単位など）で生じる場合もある。

そこで、実施形態に係る予測装置１００は、ネットワーク上のユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報に基づいた予測処理を行うことにより、当該所定領域において発生する配送量を予測することが可能となる。例えば、予測装置１００は、過去のバズワードの検索数の増加率と、かかるバズワードに関連する商品の売行き（もしくは配送量）に基づいて、新たに、あるキーワードがバズワードとなった際の配送量の増加率を予測するためのモデルを生成する。例えば、予測装置１００は、ユーザの行動情報を継続的に取得し、取得した情報をモデルに入力し、所定領域における配送量を予測する。これにより、予測装置１００は、当該所定領域において発生すると想定される配送量を事前に把握することができるため、必要な配送リソースに関する情報を事前に配送業者に提供するなど、所定領域における物流全体の効率化を図ることができる。以下、図１を用いて、実施形態に係る予測処理について流れに沿って説明する。なお、図１の例では、予測装置１００は、過去のデータを利用し、配送量を予測するモデルを既に生成しているものとする。

図１に示す例において、領域６０に所在するユーザは、ウェブサーバ３０が提供する各種サービスを利用する。すなわち、ユーザ端末１０は、ユーザによる操作に従い、ウェブサーバ３０にアクセスする。なお、図１の例では図示を省略しているが、ユーザやユーザ端末１０は複数存在し、実施形態に係る予測処理を行うのに充分な量の情報が得られるほどの相当数のアクセスを行っているものとする。

例えば、ユーザは、ウェブサーバ３０が提供する検索サービス等のサービスを利用する（ステップＳ１１）。なお、ユーザは、ウェブサーバ３０が提供するショッピングモール等のショッピングサービスを利用してもよいし、ＳＮＳ等のサービスを利用してもよい。

ウェブサーバ３０は、ユーザ端末１０から送信される各種情報を取得する。例えば、ウェブサーバ３０は、検索サービスにおいてユーザから入力されたクエリに関する情報を取得する。また、ウェブサーバ３０は、ショッピングモール等のストアにおいてユーザが所定の商品を注文したことを示す情報を取得する。また、ウェブサーバ３０は、ユーザから投稿されるテキストデータ等を取得してもよい。ユーザから投稿される情報とは、例えば、ＳＮＳへの書き込みや、メッセージアプリへのメッセージの投稿や、送信したメール等が含まれる。

このとき、ウェブサーバ３０は、アクセスしてくるユーザが所在する領域を判定し、所在する領域に関する情報を取得するものとする。例えば、ウェブサーバ３０は、提供するサービスにおいてユーザがユーザ登録を行っている場合には、ユーザから登録された住所情報に基づいて、ユーザの所在領域を判定する。また、ウェブサーバ３０は、アクセスしたユーザ端末１０のＩＰアドレスに基づいて、ユーザが所在する領域を判定してもよい。また、ウェブサーバ３０は、ユーザ端末１０がＧＰＳ（Global Positioning System）等の位置情報取得機能を有している場合には、かかる位置情報を取得することで、ユーザが所在する領域を判定してもよい。この場合、ウェブサーバ３０は、取得した位置情報と地図情報とを照合するための所定の地図データ等を有しているものとする。なお、予測処理に用いられる領域は、予測装置１００によって任意に定義されていてもよいし、例えば、公的に定められている領域（例えば、市区町村等）であってもよい。また、所定領域に対応付けられた行動情報とは、必ずしも配送がおこなわれる領域にユーザが所在するということを意味しない。例えば、所定領域に対応付けられた行動情報とは、所定領域に所在するストアに注文する行動等が含まれる。この場合、ユーザは、必ずしも所定領域に所在する必要はなく、遠方から注文を行ってもよい。このように、所定領域に対応付けられた行動情報とは、ユーザの所在を必ずしも意味せず、配送がおこなわれる領域と何らかの関連のある、ユーザがとった様々な行動に関する情報が含まれる。

予測装置１００は、ウェブサーバ３０から、上記のような、地図上の領域と対応付けられた行動情報を取得する（ステップＳ１２）。例えば、予測装置１００は、行動情報の取得要求をウェブサーバ３０に送信し、取得要求に応答したウェブサーバ３０から、地図上の領域と対応付けられた行動情報を取得する。

そして、予測装置１００は、取得した行動情報に基づいて、処理対象とする領域（図１の例では、領域６０）における配送量を予測する（ステップＳ１３）。詳細は後述するが、予測装置１００は、例えば、領域６０において、所定の商品の注文数や、所定のキーワードの検索数や検索数の増加率、所定のキーワードの投稿数や投稿数の増加率等に基づいて、領域６０における所定時間後（例えば２４時間後）の配送量を予測する。

続けて、予測装置１００は、予測した配送量を配送業者装置５０に提供する（ステップＳ１４）。このとき、予測装置１００は、予測した配送量に対応する配送リソースに関する情報等をあわせて提供してもよい。配送業者装置５０は、予測装置１００から提供された情報に基づいて、配送量に応じた配送リソースを準備する（ステップＳ１５）。具体的には、配送業者装置５０は、領域６０の所定拠点（例えば配送センターや倉庫）における人員を増加したり、領域６０で運行する車両を増加したりする。

このように、実施形態に係る予測装置１００は、ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した行動情報に基づいて、商取引の対象となる商品の配送量であって、所定領域で発生する配送量を予測する。

すなわち、実施形態に係る予測装置１００は、ネットワーク上で行われるユーザの検索行動や、注文行動や、ＳＮＳへの投稿等の傾向に基づいて、ある地図上の領域で発生しうる配送量を予測する。言い換えれば、予測装置１００は、配送業者のみでは知り得ない世の中のトレンドやユーザの興味関心等の動向を、配送量という指標値に変換して、配送業者に提供することができる。これにより、予測装置１００は、所定領域における物流全体の効率化を図ることができる。以下、上記の処理を行う予測装置１００、及び、予測装置１００を含む予測システム１の構成等について詳細に説明する。

〔２．予測システムの構成〕
図２を用いて、実施形態に係る予測装置１００が含まれる予測システム１の構成について説明する。図２は、実施形態に係る予測システム１の構成例を示す図である。図２に例示するように、実施形態に係る予測システム１には、ユーザ端末１０と、ウェブサーバ３０と、配送業者装置５０と、予測装置１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、予測システム１が含む装置の数は図２に示した数に限られず、例えば、予測システム１には複数台のユーザ端末１０等が含まれてもよい。

ユーザ端末１０は、例えば、スマートフォンや、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、携帯電話機、ＰＤＡ（Personal Digital Assistant）、ウェアラブルデバイス（Wearable Device）等の情報処理装置である。ユーザ端末１０は、ユーザによる操作に従って、ウェブサーバ３０にアクセスし、ウェブサーバ３０からコンテンツ（例えばウェブページ）を取得する。そして、ユーザ端末１０は、取得したウェブページを表示装置（例えば、液晶ディスプレイ）に表示する。

ウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。例えば、ウェブサーバ３０は、検索サービスや、ショッピングサービスや、ＳＮＳに関するウェブページを提供する。また、ウェブサーバ３０が提供するウェブページはこの例に限られず、ウェブサーバ３０は、例えば、ニュースサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、飲食店紹介サイト、ウェブブログなどに関する各種ウェブページを提供してもよい。

また、ウェブサーバ３０は、各ウェブサイトを介して、ネットワーク上におけるユーザの行動情報を取得してもよい。ネットワーク上における行動情報は、例えば、検索サイトにおけるクエリに関する情報や、ショッピングサイトにおける注文や購買行動や、ユーザから投稿されるレビューに関する情報や、ユーザがＳＮＳサイトに投稿するテキストデータ等の情報を含む。

配送業者装置５０は、配送業者によって利用されるサーバ装置である。配送業者装置５０は、例えば、ユーザからストアに商品の注文が行われた場合に、ストアから商品の発送の依頼を受け付ける。また、配送業者装置５０は、商品の物流に関する情報を予測装置１００に提供する。

予測装置１００は、上述のように、ユーザの行動情報であって、所定領域と対応付けられたユーザの行動情報を取得し、取得した行動情報に基づいて、当該所定領域で発生する商品の配送量を予測するサーバ装置である。なお、予測装置１００は、ウェブサーバ３０としての構成を兼ねてもよい。すなわち、予測装置１００は、予測装置１００自身が検索サービスやショッピングモールサイトを提供し、また、検索サービスに関する行動情報やショッピングモールサイトに関する行動情報等を取得してもよい。

なお、予測装置１００は、ユーザの行動情報についてウェブサーバ３０から提供を受けてもよいし、例えば、ネットワーク上をクロール（crawl）して情報を取得する所定のプログラム等を利用して、行動情報を継続的に取得してもよい。

〔３．予測装置の構成〕
次に、図３を用いて、実施形態に係る予測装置１００の構成について説明する。図３は、実施形態に係る予測装置１００の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、通信ネットワークと有線又は無線で接続され、通信ネットワークを介して、ユーザ端末１０等との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、配送履歴記憶部１２１と、モデル記憶部１２２と、行動情報記憶部１２３と、提供情報記憶部１２４とを有する。以下、各記憶部について順に説明する。

（配送履歴記憶部１２１について）
配送履歴記憶部１２１は、ユーザの行動情報と物流に関する情報（例えば配送量）との関係を示す履歴情報を記憶する。例えば、予測装置１００は、ネットワークＮを介してウェブサーバ３０や配送業者装置５０から各種情報を取得し、取得した情報を継続的に配送履歴記憶部１２１に格納し続ける。予測装置１００は、履歴情報を処理に利用する場合、適宜、配送履歴記憶部１２１から履歴情報を取得する。ここで、図４に、実施形態に係る配送履歴記憶部１２１の一例を示す。図４に示すように、配送履歴記憶部１２１は、「履歴情報ＩＤ」、「集計期間」、「対象領域」、「配送履歴情報」といった項目を有する。また、「配送履歴情報」の項目は、「商品ＩＤ」、「関連キーワード情報」、「検索増加率」、「キーワード出現増加率」、「配送増加率」、「配送量情報」といった小項目を含む。

「履歴情報ＩＤ」は、履歴情報を識別する識別情報を示す。なお、本明細書では、図４に示すような識別情報を、説明で用いる参照符号として用いる場合がある。例えば、履歴情報ＩＤ「Ｂ０１」によって識別される履歴情報を、「履歴情報Ｂ０１」と表記する場合がある。

「集計期間」は、行動情報と配送量とを集計した期間の長さを示す。なお、図４での図示は省略しているが、集計期間の項目には、行動情報と配送量とを集計した具体的な日時が記憶されてもよい。「対象領域」は、配送履歴情報及び行動情報が集計された領域を示す。

「配送履歴情報」は、過去のユーザの行動情報と物流に関する情報との関係を示す情報を示す。図４の例では、配送履歴情報は、ウェブサーバ３０が提供するショッピングモールサイトにおいて取り扱われる商品ごとに生成される。

「商品ＩＤ」は、商品を識別する識別情報を示す。なお、図４で示す商品とは、ある一つのサービス（例えばショッピングモールサイト）における商品の情報であってもよいし、同一の商品であって、他のショッピングサイト等で取り扱われている商品を合算した情報であってもよい。

「関連キーワード情報」は、商品と関連するキーワードを示す。商品と関連するキーワードとは、そのキーワードによって商品が連想されたり、キーワードによって商品の売行きが喚起されたりするキーワードをいう。例えば、商品と関連するキーワードは、商品とともに検索サジェストに登場する単語や、ＳＮＳ等のメッセージや所定のドキュメントにおいて商品名と共起して登場する単語や、所定の知識データベースにおいて商品と関連付けられた単語等である。所定の知識データベースにおいて商品と関連付けられた単語は、例えば、商品を宣伝した芸能人の名称や、商品のキャッチコピーとして使用された語句や、商品の競合商品や、商品を開発したメーカー等が該当する。また、予測装置１００は、知識データベースを利用して、例えば「風邪」というキーワードに対して「マスク」という商品を関連付けるなど、商品の関連キーワード情報を適宜生成してもよい。また、予測装置１００は、あるキーワードの検索増加率が極めて高い場合に、その所定時間後に極めて注文数が増加した商品等を抽出し、抽出した商品とキーワードとを関連付ける処理等を行ってもよい。また、予測装置１００は、商品と関連キーワード情報とを対応付けた情報を保持するデータテーブルを、配送履歴記憶部１２１とは別に、記憶部１２０内に有していてもよい。なお、図４では、「関連キーワード情報」に記憶される情報を「Ｋ０１」のように概念的に表記しているが、実際には、当該項目には、具体的なキーワード又はキーワード群が記憶される。

「検索増加率」は、関連キーワード情報に含まれるキーワードをクエリとして検索された回数が、直近２４時間において増加した割合を示す。「キーワード出現増加率」は、関連キーワード情報に含まれるキーワードのＳＮＳ等における出現回数が、直近２４時間において増加した割合を示す。

「配送増加率」は、ある期間において、商品の配送量が増加した割合を示す。なお、配送増加率は、例えば、集計期間のさらに後の期間において集計された情報であってもよい。例えば、配送増加率は、集計期間の直後の２４時間後や、４８時間後や、一週間後等における、２４時間中の配送の増加率であってもよい。

「配送量情報」は、当該商品が実際に配送された配送量を示す。図４では、「配送量情報」に記憶される情報を「Ｅ０１」のように概念的に表記しているが、実際には、当該項目には、配送量の具体的な数値が記憶される。なお、配送量は、どのような単位で示されてもよい。例えば、配送量は、配送業者が実際にユーザに配送した荷物の数で示されてもよいし、ストア等から配送業者に発注が行われた発注数と各商品の体積の合計等で示されてもよいし、配送業者が自社で独自に有する配送量を示す情報であってもよい。また、配送量は、発送の依頼数に対して、配送業者が用意する配送リソースを示す数値等で示されてもよい。すなわち、配送量は、配送業者が配送量を把握することのできる情報であれば、どのような形式で表されてもよい。

すなわち、図４では、配送履歴記憶部１２１に記憶されるデータの一例として、履歴情報ＩＤが「Ｂ０１」である履歴情報Ｂ０１は、集計期間が「２４時間」であり、対象領域が「領域６０」であることを示している。また、履歴情報Ｂ０１は、商品ＩＤ「Ｃ０１」で識別される商品Ｃ０１に関する配送履歴情報を示すものであり、商品Ｃ０１の関連キーワード情報は「Ｋ０１」であり、集計期間における検索増加率は「６０％」であり、キーワード出現増加率は「３０％」であることを示している。また、このような検索増加率等が観測された後の配送増加率は「８０％」であり、配送量情報は「Ｅ０１」であることを示している。

なお、図４での図示は省略するが、配送履歴記憶部１２１には、上述した情報の他に、配送履歴や商品に関する種々の情報が記憶されてもよい。例えば、配送履歴記憶部１２１には、集計期間における商品に対するページビュー（Page View）や、商品ページにアクセスしたユニークユーザ数等が記憶されてもよい。

（モデル記憶部１２２について）
モデル記憶部１２２は、配送量を予測するためのモデルに関する情報を記憶する。ここで、図５に、実施形態に係るモデル記憶部１２２の一例を示す。図５に示すように、モデル記憶部１２２は、「モデルＩＤ」、「学習データ」、「対象領域」といった項目を有する。

「モデルＩＤ」は、モデルを識別する識別情報を示す。「学習データ」は、モデルを生成するために用いられた学習データを示す。図５では、「学習データ」に記憶される情報を「Ｆ０１」のように概念的に表記しているが、実際には、学習データの項目には、モデル生成に用いられた具体的な情報、例えば配送履歴記憶部１２１に記憶される配送履歴情報が記憶される。「対象領域」は、配送量を予測するモデルが対象とする領域を示す。なお、図５では、モデルと領域が対応付けられている例を示しているが、モデルは、学習データが対象とした領域とは異なる領域における配送量を予測するために利用されてもよい。

すなわち、図５では、モデル記憶部１２２に記憶されるデータの一例として、モデルＩＤが「Ｍ０１」であるモデルＭ０１は、学習データが「Ｆ０１」であり、対象領域が「領域６０」であることを示している。

（行動情報記憶部１２３について）
行動情報記憶部１２３は、ユーザの行動情報を記憶する。ここで、図６に、実施形態に係る行動情報記憶部１２３の一例を示す。図６に示すように、行動情報記憶部１２３は、「集計日」、「対象領域」、「受注情報」、「行動情報」といった項目を有する。また、「行動情報」の項目には、「検索」、「投稿」といった中項目や、「検索情報」、「キーワード」、「変化率」、「投稿情報」、「キーワード」、「変化率」といった小項目を有する。

「集計日」は、ユーザの行動情報が集計された日を示す。「対象領域」は、ユーザの行動情報に対応付けられた領域を示す。「受注情報」は、ウェブサーバ３０がユーザから商品を受注した情報を示す。図６では、「受注情報」に記憶される情報を「Ｇ０１」のように概念的に表記しているが、実際には、受注情報の項目には、対象領域において商品を発送する各ストアに対してユーザが注文を行った商品の合計数等が記憶される。

「行動情報」は、ユーザのネットワーク上の行動に関する情報を示す。「検索」は、行動情報のうち、検索に関するものを示す。「検索情報」は、集計日及び対象領域において、ユーザが行った検索に関する情報を示す。図６では、「検索情報」に記憶される情報を「Ｈ０１」のように概念的に表記しているが、実際には、検索情報の項目には、ユーザが検索を行った回数や、ユーザが入力したクエリや、各クエリの入力回数（すなわち検索回数）等が記憶される。

「キーワード」は、検索においてクエリとして入力されたキーワードを示す。「変化率」は、直前の集計に対する検索回数の変化率を示す。なお、図６では、説明のため、変化率が比較的大きなキーワードのみを示しているが、実際には、行動情報記憶部１２３には、ユーザが検索した全てのキーワードと、その検索回数が記憶される。

「投稿」は、行動情報のうち、投稿に関するものを示す。「投稿情報」は、集計日及び対象領域において、ユーザが行った投稿に関する情報を示す。図６では、「投稿情報」に記憶される情報を「Ｊ０１」のように概念的に表記しているが、実際には、投稿情報の項目には、ユーザがＳＮＳに投稿を行ったテキストデータや、ショッピングモールサイトに投稿したレビューのテキストデータや、送信したメールのテキストデータ等、また、それらのテキストデータを形態素解析し、含まれるキーワードを抽出した単語情報が記憶される。なお、予測装置１００は、テキストデータから抽出する単語として、例えば、ｔｆ−ｉｄｆ（Term Frequency−Inverse Document Frequency）など、一つのテキストデータに出現する各単語をスコアリングするアルゴリズムを利用し、重みの高い単語のみを抽出するようにしてもよい。

「キーワード」は、投稿において出現するキーワードを示す。「変化率」は、直前の集計に対するキーワードの出現回数の変化率を示す。なお、図６では、説明のため、変化率が比較的大きなキーワードのみを示しているが、実際には、行動情報記憶部１２３には、ユーザが投稿した全てのキーワードと、その出現回数が記憶される。

すなわち、図６では、行動情報記憶部１２３に記憶されるデータの一例として、集計日「２０１７年８月３日」に、対象領域「領域６０」に対応付けられる行動情報は、受注情報が「Ｇ０１」であり、検索情報が「Ｈ０１」であり、投稿情報が「Ｊ０１」であることを示している。また、例えばキーワード「ＡＡＡ」は、検索された回数の変化率が「２０００％」であり、キーワード「ＥＥＥ」は、投稿された回数の変化率が「１３００％」であることを示している。

（提供情報記憶部１２４について）
提供情報記憶部１２４は、予測装置１００から配送業者に提供する情報を記憶する。ここで、図７に、実施形態に係る提供情報記憶部１２４の一例を示す。図７に示すように、提供情報記憶部１２４は、「提供情報ＩＤ」、「予測日」、「予測配送量」、「増加率」といった項目を有する。

「提供情報ＩＤ」は、提供情報を識別する識別情報を示す。「予測日」は、配送量の予測の対象となる日を示す。例えば、予測日は、行動情報が集計された日から所定時間後（例えば、２４時間後）に対応する日付である。「予測配送量」は、予測日において予測される配送量を示す。図７では、「予測配送量」に記憶される情報を「Ｎ０１」のように概念的に表記しているが、実際には、予測配送量の項目には、具体的な数値であって、例えば図４に示した配送量情報と同じ形式（単位）で表される数値が記憶される。「増加率」は、直前の予測日からの配送量の増加率を示す。

すなわち、図７では、提供情報ＩＤ「Ｌ０１」で識別される提供情報Ｌ０１は、予測日「２０１７年８月４日」における予測配送量が「Ｎ０１」であり、直前の予測日（例えば、２０１７年８月３日）からの配送量の増加率は「２５０％」であるという情報を含むことを示している。

（制御部１３０について）
制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、予測装置１００内部の記憶装置に記憶されている各種プログラム（予測プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

実施形態に係る制御部１３０は、図３に示すように、取得部１３１と、生成部１３２と、予測部１３３と、提供部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得する。所定領域と対応付けられた行動情報とは、例えば、行動がどの領域で行われたかといった情報が対応付けられている行動情報をいう。また、行動が、どの領域を対象として（例えば、どの領域に所在するストア等に対して）行われたかといった情報が対応付けられている行動情報をいう。具体的には、地図上の所定領域と対応付けられた行動情報とは、当該行動情報の発信元となるユーザ端末１０の所在する位置情報や、ユーザ端末１０を利用するユーザの住所や居住地、あるいは、商品の配送先や在庫管理場所が所定領域と対応付けられている情報である。

例えば、取得部１３１は、行動情報として、商品を提供する提供者（例えば、ショッピングモールサイトにおけるストアや、オークションサイト等における出品者等）に対する注文であって、所定領域を発送先とする注文に関する情報を取得する。例えば、取得部１３１は、所定領域においてユーザが注文した件数や、注文に係る商品の大きさや量等の情報を取得する。例えば、ストア等における注文に関する情報は、かかる情報そのものが、配送量を予測するための要素となりうる。なお、取得部１３１は、当該注文に係る商品がどのタイミングで発送されるかといった情報を取得してもよい。この場合、後述する予測部１３３は、発送されるタイミングの日時において商品の配送が行われると推定し、当該日時における配送量を予測する。

また、取得部１３１は、行動情報として、商品に関連する検索行動であって、所定領域に所在するユーザが実行する検索行動に関する情報を取得する。例えば、取得部１３１は、所定領域に所在するユーザから行われる検索の回数等を取得する。

より具体的には、取得部１３１は、検索行動に関する情報として、商品に関連するキーワードをクエリとする検索回数の増加率を取得する。例えば、取得部１３１は、任意の商品に関して、商品名をクエリとする検索の回数や、商品を製造するメーカー名をクエリとする検索の回数や、商品を連想させるキーワード（例えば、検索サジェストにおいて商品名と共起するキーワード）の検索の回数や、その増加率を取得する。

また、取得部１３１は、行動情報として、商品に関連する投稿であって、所定領域に所在するユーザからの投稿に関する情報を取得する。例えば、取得部１３１は、所定領域に所在するユーザから行われる商品に関する投稿等が行われた回数等を取得する。なお、商品に関連する投稿とは、例えば、商品名やメーカー名等の関連する単語がメッセージ内に含まれる投稿等をいう。

具体的には、取得部１３１は、投稿に関する情報として、ユーザが作成したメッセージ、ユーザがＳＮＳに投稿したテキスト、ユーザが作成したメール、商取引の場であるプラットフォーム上にユーザが投稿したレビューの少なくともいずれかを取得する。この場合、取得部１３１は、上述のように、ｔｆ−ｉｄｆ等の既知のアルゴリズムを用いて、メッセージやレビューにおいて重みの高い単語（キーワード）のみを取得するようにしてもよい。

また、取得部１３１は、物流に関する情報として、過去に行われた配送の配送量や、配送リソースに関する情報を取得してもよい。例えば、取得部１３１は、配送業者装置５０から、物流に関する情報を取得する。また、取得部１３１は、過去に行われた配送の配送量を取得するとともに、当該配送が発生した所定時間前（例えば２４時間前）における、ユーザの行動情報を取得してもよい。後述する生成部１３２は、上記のような、配送量と行動情報との関係性に基づいて、配送量を予測するモデルを生成する。

また、取得部１３１は、商品に対するユーザからの反応の数の推移や、又は、商品に対するＰＶ等、ユーザが直接的に商品に対して興味関心を持ったことを示す情報を取得してもよい。また、取得部１３１は、ネットワーク上の情報に限らず、例えば、実店舗においてユーザが任意の商品を購入した情報等を取得してもよい。この場合、取得部１３１は、実店舗におけるレジシステム等を介して、ユーザが購入した商品に関する情報を取得する。取得部１３１は、取得した情報を、適宜、記憶部１２０内に格納する。例えば、取得部１３１は、過去の配送履歴や、過去の行動情報を配送履歴記憶部１２１に格納する。また、取得部１３１は、集計するユーザの行動情報を行動情報記憶部１２３に格納する。

なお、取得部１３１が情報を取得する手法は限定されない。例えば、取得部１３１は、ウェブサーバ３０や配送業者装置５０から提供された情報を取得してもよいし、検索エンジン等に用いられる探索ロボットなどのプログラムを利用して、インターネット上をクロールさせることにより、各種情報を随時取得したり、取得した情報を更新したりしてもよい。

（生成部１３２について）
生成部１３２は、所定領域において発生する配送量を予測するためのモデルを生成する。例えば、生成部１３２は、取得部１３１によって取得された行動情報と、当該行動情報が集計されてから所定時間後における配送量の変化（増加率）とに基づいて、行動情報が配送量に与える影響を反映させたモデルを生成する。

例えば、生成部１３２は、任意の商品に関連するキーワードの検索の増加率や、キーワードの増加率に応じて、当該商品の配送量がどのくらい増加するか、あるいは、当該商品の実際の配送量がどのくらいであったかといった関係性を取得する。例えば、生成部１３２は、取得部１３１がウェブサーバ３０から情報が取得可能な全ての商品について、かかる関係性を生成する。そして、生成部１３２は、統計処理を用いて、どのくらいの検索増加率やキーワード出現率が観測された場合に、どのくらいの配送量の増加が発生するか、といった関係性を算出式（モデル）として生成する。

例えば、生成部１３２は、上記のようなモデル生成処理を、ウェブサーバ３０を利用してユーザへの商品の販売を行うストアであって、所定領域において発送を行うストア（例えば、所定領域に配送倉庫を有するストア）の全てに対して行い、所定領域における商品の配送量を予測するモデルを生成する。

なお、生成部１３２は、上記のような統計的手法に限らず、所定の学習処理等を用いてモデルを生成してもよい。すなわち、予測装置１００は、地図上の所定領域と対応付けられたユーザの行動情報と、所定領域で発生する商品の配送量との関係を表すことが可能なモデルであれば、どのようなモデルを生成してもよい。また、生成部１３２は、検索や投稿等の行動に限らず、例えば図４や図５で示した様々なユーザ行動を素性として、モデルを生成してもよい。

また、例えば、生成部１３２は、配送業者によって過去に所定領域で行われた配送に関する配送量を正例とし、行動情報の各々を素性とした回帰式で学習を行い、モデルを生成してもよい。例えば、生成部１３２は、下記式（１）を作成する。

ｙ ＝ ω_１・ｘ_１ ＋ ω_２・ｘ_２ ＋ ω_３・ｘ_３ ・・・＋ ω_Ｎ・ｘ_Ｎ ・・・（１）（Ｎは任意の数）

上記式（１）は、例えば、所定領域ごとに生成される。上記式（１）において、「ｙ」は、配送業者装置５０から取得した実際の配送量が代入される。また、上記式（１）において、「ｘ」は、ユーザの行動に関する情報（素性）であり、これらは回帰式における説明変数に対応する。また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω_１」は、「ｘ_１」の重み値であり、「ω_２」は、「ｘ_２」の重み値であり、「ω_３」は、「ｘ_３」の重み値である。このように、上記式（１）は、行動情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω_１・ｘ_１」）を組合せることにより作成される。例えば、上記式（１）において、「ｘ_１」は、図４で示した「検索増加率」であり、「ｘ_２」は、図４で示した「キーワード出現増加率」である。

生成部１３２は、所定領域ごと、また、集計期間ごとに上記式（１）を生成する。そして、生成部１３２は、生成した式を機械学習のサンプルとする。そして、生成部１３２は、サンプルとなる式の演算処理（回帰学習）を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３２は、上記式（１）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３２は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定することができる。例えば、「所定領域における配送量」という事象に対して、「検索増加率」が他の変数と比較して大きく寄与しているのであれば、「検索増加率」に対応する重み値「ω_１」の値は、他の変数と比較して大きな値が算出される。

なお、上記の例では、検索増加率やキーワード出現増加率等を素性として示したが、これらの値は、所定の処理により、説明変数として用いられるように変換されてもよい。例えば、生成部１３２は、既知の手法により、これらの数値を正規化して用いてもよい。また、上記式（１）を用いた生成処理では、左辺を「１」や「０」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。また、生成部１３２は、実際の配送量を正例とするのではなく、所定領域から発送を行うストアにおいて実際に出荷した商品数を正例とするなど、種々の設計変更を行ってもよい。

なお、上記の例では表記を省略したが、生成部１３２は、あらゆる行動情報を素性としてモデルを生成してもよい。また、例示したモデルの生成手法は一例であり、生成部１３２が生成するモデルは上記の例に限られない。すなわち、生成部１３２は、行動情報と配送量との関係性を示すモデルであって、新たに集計された行動情報が入力された場合に、所定時間後の所定領域における配送量を出力するモデルであれば、既知の手法を組み合わせることによって、上記例とは異なるモデルを適宜生成してもよい。例えば、上記の例では、回帰分析によってモデルを生成する例を示したが、生成部１３２は、他の統計的処理によりモデルを生成してもよいし、また、ニューラルネットワークを利用したモデル等を生成してもよい。また、学習処理（機械学習）においては、線形回帰、ロジスティック回帰、サポートベクターマシン、決定木、ハザード分析等の種々の手法が利用されてもよい。そして、生成部１３２は、生成したモデルをモデル記憶部１２２に格納する。

（予測部１３３について）
予測部１３３は、取得部１３１によって取得された行動情報に基づいて、商取引の対象となる商品の配送量であって、所定領域で発生する配送量を予測する。

例えば、予測部１３３は、行動情報として、商品を提供する提供者に対する注文であって、所定領域を発送先とする注文に関する情報が取得された場合には、かかる情報に基づいて、所定領域で発生する配送量を予測する。この場合、予測部１３３は、生成部１３２によって生成されたモデルを用いずに配送量を予測してもよい。すなわち、予測部１３３は、ストア等に注文され、予測日において発送されることが予定されている商品の数や容量や体積等に基づいて、配送量を予測してもよい。

また、予測部１３３は、行動情報として、商品に関連する検索行動であって、所定領域に所在するユーザが実行する検索行動に関する情報に基づいて、所定領域で発生する配送量を予測する。例えば、予測部１３３は、集計された検索情報を生成部１３２が生成したモデルに入力することにより、検索情報が集計されてから所定時間後において発生する配送量を予測する。

具体的には、予測部１３３は、検索行動に関する情報として、商品に関連するキーワードをクエリとする検索回数の増加率に基づいて、所定領域で発生する配送量を予測する。これにより、予測部１３３は、例えばバズワードなど、急激にトレンドになったキーワードが、所定時間後の配送にどのような影響を与えるかを精度よく反映して、配送量を予測することができる。

また、予測部１３３は、行動情報として、商品に関連する投稿であって、所定領域に所在するユーザからの投稿に関する情報に基づいて、所定領域で発生する配送量を予測する。例えば、予測部１３３は、集計された投稿情報を生成部１３２が生成したモデルに入力することにより、投稿情報が集計されてから所定時間後において発生する配送量を予測する。

具体的には、予測部１３３は、投稿に関する情報として、ユーザが作成したメッセージ、ユーザがＳＮＳに投稿したテキスト、ユーザが作成したメール、商取引の場であるプラットフォーム上にユーザが投稿したレビューの少なくともいずれかを取得し、取得した情報に含まれるキーワードであって、商品に関連するキーワードの出現回数又は出現率に基づいて、所定領域で発生する配送量を予測する。

なお、予測部１３３は、生成部１３２によって生成されたモデルを用いて予測を行う場合、モデルから出力されたスコアに基づいて、所定領域の配送量を算出する。予測部１３３は、出力されたスコアそのものを所定領域において予測される配送量としてもよいし、出力されたスコアを正規化する等の処理を行い、処理後に算出された値を予測される配送量としてもよい。予測部１３３は、予測した配送量に関する情報を提供情報記憶部１２４に格納する。なお、予測部１３３は、所定領域における商品全体の配送量を予測してもよいし、個々の商品に係る配送量を予測してもよい。

（提供部１３４について）
提供部１３４は、予測部１３３によって予測された配送量を、所定領域で商品の配送を行う配送業者に提供する。

また、提供部１３４は、予測部１３３によって予測された配送量に基づいて、配送業者が所定領域において備える配送リソースに関する情報を提供する。例えば、提供部１３４は、過去に配送業者が所定領域において備えていた配送リソースに関する情報と配送量との関係に基づいて、予測した配送量に対して、どのくらいの配送リソースを備えればよいかといった情報を配送業者に提供する。

なお、提供部１３４は、配送業者のみならず、ストア等のサービス側に予測した配送量を提供してもよい。これにより、サービス側は、所定時間内に注文が増加すること等を事前に把握することができるので、例えば、出荷し易いように商品を予め準備したり、倉庫で働くアルバイト人員を多めに準備したりすることができる。

〔４．処理手順〕
次に、図８及び図９を用いて、実施形態に係る予測装置１００による予測処理の手順について説明する。図８は、実施形態に係る予測装置１００による処理手順を示すフローチャート（１）である。

図８に示すように、予測装置１００は、配送履歴記憶部１２１から、過去の行動情報と配送量とを取得する（ステップＳ１０１）。そして、予測装置１００は、取得した情報に基づいて、所定領域における配送量を予測するためのモデルを生成する（ステップＳ１０２）。そして、予測装置１００は、生成したモデルをモデル記憶部１２２に格納する（ステップＳ１０３）。

次に、図９を用いて、実施形態に係る予測装置１００による配送量の予測処理の手順について説明する。図９は、実施形態に係る予測装置１００による処理手順を示すフローチャート（２）である。

図９に示すように、予測装置１００は、処理の対象となる領域における行動情報を取得したか否かを判定する（ステップＳ２０１）。予測装置１００は、行動情報を取得していない場合には、取得するまで（例えば、集計の所定期間が経過するまで）待機する（ステップＳ２０１；Ｎｏ）。

一方、行動情報を取得した場合（ステップＳ２０１；Ｙｅｓ）、予測装置１００は、取得した行動情報をモデルに入力する（ステップＳ２０２）。

そして、予測装置１００は、モデルから出力された情報に基づいて、処理対象の領域における配送量を予測する（ステップＳ２０３）。さらに、予測装置１００は、予測した配送量を配送業者に提供する（ステップＳ２０４）。

〔５．変形例〕
上述した実施形態に係る予測装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の予測装置１００の他の実施形態について説明する。

〔５−１．行動情報以外の情報を用いた予測処理〕
予測装置１００は、行動情報のみならず、種々の情報を利用して配送量を予測してもよい。例えば、任意の商品が、所定領域に発信を行うメディア等に報道された場合、かかる商品の売上が増加し、それに伴い、配送量も増加すると想定される。

そこで、予測装置１００は、過去の報道が配送量に与えた影響を加味したモデルを生成し、生成したモデルを用いて配送量を予測してもよい。すなわち、予測装置１００は、所定領域における商品に関する報道情報を取得し、取得した報道情報に基づいて、所定領域で発生する配送量を予測してもよい。これにより、予測装置１００は、より多様な観点から配送量の予測を行うことができる。

〔５−２．他の領域における情報を利用〕
キーワードや商品の流行は、例えば、所定領域から離れた別の領域で発生し、その流行が当該所定領域に伝達してくる場合がある。この場合、予測装置１００は、例えば、先に当該キーワードや商品が流行した別の領域における実際の配送量の増加率等を取得し、取得した情報を利用して、当該所定領域における予測処理に利用してもよい。これにより、予測装置１００は、予測の精度を向上させることができる。

〔５−３．モデルに入力するデータ〕
上述した実施形態において、予測装置１００は、生成したモデルに行動情報を入力して、配送量を予測する例を示した。ここで、予測装置１００は、モデルを生成するために用いられた情報と、モデルに入力される行動情報との取得時期を対応させるようにしてもよい。

予測装置１００が取得する情報は、ショッピングモール等の商取引サイト等に関連する情報が含まれるため、時期的影響を受けた情報となる可能性がある。例えば、年末など取引が盛んに行われる時期と、それ以外の時期とでは、ストアごとの発送件数等に差が生じる可能性がある。このため、予測装置１００は、モデルを生成するために情報を取得した時期を記憶し、処理対象となる行動情報を入力する場合には、モデルの生成に用いられた情報が取得された時期と類似する時期に取得された情報を入力する。これにより、予測装置１００は、出力されるスコアの時期的影響を加味した予測処理を行うことができる。

また、予測装置１００は、行動情報を、曜日ごと又は気象（例えば、天気や気温）ごとに取得してもよい。また、予測装置１００は、過去の配送量を、曜日ごと又は気象ごとに取得してもよい。そして、予測装置１００は、曜日情報や気象情報を素性として、モデルの生成処理や、配送量の予測処理を行ってもよい。すなわち、配送量は、時期的要因とともに、曜日による要因や、気象による要因によっても変化すると想定される。予測装置１００は、このような曜日情報や気象情報を含む行動情報や配送量情報を取得し、処理に利用することによって、より予測の精度を向上させることができる。

〔５−４．情報量〕
上記実施形態において、予測装置１００は、ネットワーク上で取得可能な種々の情報に基づいて、モデルを生成する例を示した。ここで、予測装置１００は、各種ウェブサイトを利用する一般ユーザから取得される情報が一定の閾値を超えたもののみを用いて処理を行うようにしてもよい。

例えば、あるストアにおける商品に関するレビューや、ユーザの投稿等は、一定数以上のデータに基づかない場合、偏った傾向を示すことがありうる。この場合、回帰式に偏った傾向のデータの影響が及ぶため、予測装置１００は、配送量を精度よく算出することができないモデルを生成する場合がある。このため、予測装置１００は、例えば、ある商品に対してユーザから送信されたレビューの総数が一定数を超えたもののみを、モデルの予測処理で扱うデータとしてもよい。これにより、予測装置１００は、信頼性の高い予測結果を出力するモデルを生成することができる。

〔５−５．情報のバリエーション〕
上記実施形態において、予測装置１００は、ショッピングモール等に投稿されるユーザレビュー等に基づいてモデルを生成する例を示した。ここで、予測装置１００が扱う情報のバリエーションに関して、より詳細に説明する。

例えば、予測装置１００は、ユーザレビューに含まれる情報として、取得された単語を形態素解析し、品詞ごとに集計された情報を取得してもよい。具体的には、予測装置１００は、名詞のカテゴリを人、物、場所等へ分類した集計結果を取得する。また、予測装置１００は、各単語がポジティブ属性を有するか、ネガティブ属性を有するかといった分類結果や、メッセージが対話形式である場合、かかる対話の意図判定などの判定結果を取得してもよい。

また、予測装置１００は、ユーザから送信される音声情報を、投稿情報の一例として取得してもよい。すなわち、予測装置１００は、音声検索や音声入力などを利用するユーザから送信される音声を音声認識することにより、投稿情報に対応するテキストデータとして取得してもよい。

また、予測装置１００は、取得された単語に関して、特定の品詞のみを抽出してもよい。例えば、予測装置１００は、名詞や形容詞など、商品に関連すると想定される品詞のみを処理に用いてもよい。これにより、予測装置１００は、生成するモデルの精度を低下させずに、処理負担を軽減させることができる。

〔６．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

例えば、図３に示した記憶部１２０内の情報は、予測装置１００が保持せずに、外部のストレージサーバ等に保持されてもよい。この場合、予測装置１００は、ストレージサーバにアクセスすることで、格納されている各種情報を取得する。

また、例えば、上述してきた予測装置１００は、各種情報を取得したり、ストアの配送量の算出要求を受け付けたりといった、外部装置とのやりとりを主に実行するフロントエンドサーバ側と、予測処理などを実行するバックエンドサーバ側とに分散されてもよい。この場合、例えばフロントエンドサーバは、少なくとも、取得部１３１と提供部１３４とを有する。また、バックエンドサーバは、少なくとも、生成部１３２と予測部１３３とを有する。

〔７．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００や、ユーザ端末１０や、ウェブサーバ３０や、配送業者装置５０等は、例えば図１０に示すような構成のコンピュータ１０００によって実現される。以下、予測装置１００を例に挙げて説明する。図１０は、予測装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図２に示すネットワークＮに対応する）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内の各データが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔８．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得する。予測部１３３は、取得部１３１によって取得された行動情報に基づいて、商取引の対象となる商品の配送量であって、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、ユーザの行動情報を処理に用いることで、配送業者のみでは知り得ない、世の中のトレンドやユーザの興味関心等の動向に基づいて、所定領域の配送量を予測することができる。これにより、予測装置１００は、所定領域の配送量を精度よく予測できるので、所定領域における物流全体の効率化を図ることができる。

また、取得部１３１は、行動情報として、商品を提供する提供者に対する注文であって、所定領域を発送先とする注文に関する情報を取得する。予測部１３３は、注文に関する情報に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、ユーザからストア等に対して行われた注文に基づいて配送量を予測することで、精度よく配送量を予測することができる。

また、取得部１３１は、行動情報として、商品に関連する検索行動であって、所定領域に所在するユーザが実行する検索行動に関する情報を取得する。予測部１３３は、検索行動に関する情報に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、ユーザの消費行動が反映されると想定される検索行動に基づいて予測を行うことで、精度よく配送量を予測することができる。

また、取得部１３１は、検索行動に関する情報として、商品に関連するキーワードをクエリとする検索回数の増加率を取得する。予測部１３３は、検索回数の増加率に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、例えばバズワード等が生じた場合に、当該バズワードに関連する商品がどのくらい売れることにより、どのくらいの配送量が発生するかといった、世の中の動きに合わせた予測処理を行うことができる。

また、取得部１３１は、行動情報として、商品に関連する投稿であって、所定領域に所在するユーザからの投稿に関する情報を取得する。予測部１３３は、投稿に関する情報に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、ユーザの興味関心が反映されると想定される投稿行動に基づいて予測を行うことで、精度よく配送量を予測することができる。

また、取得部１３１は、投稿に関する情報として、ユーザが作成したメッセージ、ユーザがＳＮＳに投稿したテキスト、ユーザが作成したメール、商取引の場であるプラットフォーム上にユーザが投稿したレビューの少なくともいずれかを取得する。予測部１３３は、取得部１３１によって取得された情報に含まれるキーワードであって、商品に関連するキーワードの出現回数又は出現率に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、頻繁にユーザから発せられるメッセージに含まれるキーワードに基づいて予測を行うことで、世の中の動きに合わせた予測処理を行うことができる。

また、取得部１３１は、所定領域における商品に関する報道情報を取得する。予測部１３３は、報道情報に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、ユーザの行動情報に加えて、報道があった場合に生じる配送量を予測することで、多様な観点から配送量を予測することができる。

また、実施形態に係る予測装置１００は、予測部１３３によって予測された配送量を、所定領域で商品の配送を行う配送業者に提供する提供部１３４をさらに備える。

このように、実施形態に係る予測装置１００は、予測した情報を配送業者に提供することで、事前に配送量を配送業者に伝達することができるので、所定領域における配送処理を効率よく行わせることができる。

また、提供部１３４は、予測部１３３によって予測された配送量に基づいて、配送業者が所定領域において備える配送リソースに関する情報を提供する。

このように、実施形態に係る予測装置１００は、配送リソースに関する情報も含めて提供することで、例えば、配送業者に対して、拠点における人員を多めに配置させるなど、配送処理のより一層の効率化を図ることができる。

また、取得部１３１は、曜日情報又は気象情報を含む行動情報を取得する。予測部１３３は、取得部１３１によって取得された曜日情報又は気象情報を含む行動情報に基づいて、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、曜日や気象（天気など）を加味した予測を行うことにより、精度よく配送量を予測することができる。

また、実施形態に係る予測装置１００は、所定領域における過去の配送量と、過去のユーザの行動情報の履歴とに基づいて、当該所定領域における配送量を予測するためのモデルを生成する生成部１３２をさらに備える。予測部１３３は、生成部１３２によって生成されたモデルに、取得部１３１によって取得された行動情報を入力することによって、所定領域で発生する配送量を予測する。

このように、実施形態に係る予測装置１００は、過去の履歴に基づいて予測モデルを生成し、モデルを用いて予測を行うことで、精度よく配送量を予測することができる。

以上、本願の実施形態及び実施形態の変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述した予測装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

また、特許請求の範囲に記載した「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、生成部は、生成手段や生成回路に読み替えることができる。

１ 予測システム
１０ ユーザ端末
３０ ウェブサーバ
５０ 配送業者装置
１００ 予測装置
１１０ 通信部
１２０ 記憶部
１２１ 配送履歴記憶部
１２２ モデル記憶部
１２３ 行動情報記憶部
１２４ 提供情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部

Claims (19)

1. ユーザのネットワーク上の行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得部と、
   前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザのネットワーク上の行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測部と、
   を備えたことを特徴とする予測装置。
2. 前記取得部は、
   前記行動情報として、前記商品を提供する提供者に対する注文であって、前記所定領域を発送先とする注文に関する情報を取得し、
   前記予測部は、
   前記注文に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項１に記載の予測装置。
3. 前記取得部は、
   前記行動情報として、前記商品に関連する検索行動であって、前記所定領域に所在するユーザが実行する検索行動に関する情報を取得し、
   前記予測部は、
   前記検索行動に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項１又は２に記載の予測装置。
4. 前記取得部は、
   前記検索行動に関する情報として、前記商品に関連するキーワードをクエリとする検索回数の増加率を取得し、
   前記予測部は、
   前記検索回数の増加率に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項３に記載の予測装置。
5. 前記取得部は、
   前記行動情報として、前記商品に関連する投稿であって、前記所定領域に所在するユーザからの投稿に関する情報を取得し、
   前記予測部は、
   前記投稿に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項１〜４のいずれか一つに記載の予測装置。
6. 前記取得部は、
   前記投稿に関する情報として、ユーザが作成したメッセージ、ユーザがＳＮＳ（Social Networking Service）に投稿したテキスト、ユーザが作成したメール、前記商取引の場であるプラットフォーム上にユーザが投稿したレビューの少なくともいずれかを取得し、
   前記予測部は、
   前記取得部によって取得された情報に含まれるキーワードであって、前記商品に関連するキーワードの出現回数又は出現率に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項５に記載の予測装置。
7. 前記取得部は、
   前記所定領域における前記商品に関する報道情報を取得し、
   前記予測部は、
   前記報道情報に基づいて、前記所定領域で発生する配送量を予測する、
   ことを特徴とする請求項１〜６のいずれか一つに記載の予測装置。
8. 前記予測部によって予測された配送量を、前記所定領域で前記商品の配送を行う配送業者に提供する提供部、
   をさらに備えたことを特徴とする請求項１〜７のいずれか一つに記載の予測装置。
9. 前記提供部は、
   前記予測部によって予測された配送量に基づいて、前記配送業者が前記所定領域において備える配送リソースに関する情報を提供する、
   ことを特徴とする請求項８に記載の予測装置。
10. 前記取得部は、
    曜日情報又は気象情報を含む行動情報を取得し、
    前記予測部は、
    前記取得部によって取得された曜日情報又は気象情報を含む行動情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする請求項１〜９のいずれか一つに記載の予測装置。
11. 前記所定領域における過去の配送量と、過去のユーザの行動情報の履歴とに基づいて、当該所定領域における配送量を予測するための前記モデルを生成する生成部、
    をさらに備え、
    前記予測部は、
    前記生成部によって生成されたモデルに、前記取得部によって取得された行動情報を入力することによって、前記所定領域で発生する配送量を予測する、
    ことを特徴とする請求項１〜１０のいずれか一つに記載の予測装置。
12. コンピュータが実行する予測方法であって、
    ユーザのネットワーク上の行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得工程と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザのネットワーク上の行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測工程と、
    を含んだことを特徴とする予測方法。
13. ユーザのネットワーク上の行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得手順と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザのネットワーク上の行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。
14. ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得部と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測部と、
    を備え、
    前記取得部は、
    前記行動情報として、前記商品に関連する検索行動であって、前記所定領域に所在するユーザが実行する検索行動に関する情報を取得し、
    前記予測部は、
    前記検索行動に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測装置。
15. コンピュータが実行する予測方法であって、
    ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得工程と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測工程と、
    を含み、
    前記取得工程は、
    前記行動情報として、前記商品に関連する検索行動であって、前記所定領域に所在するユーザが実行する検索行動に関する情報を取得し、
    前記予測工程は、
    前記検索行動に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測方法。
16. ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得手順と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記行動情報として、前記商品に関連する検索行動であって、前記所定領域に所在するユーザが実行する検索行動に関する情報を取得し、
    前記予測手順は、
    前記検索行動に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測プログラム。
17. ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得部と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測部と、
    を備え、
    前記取得部は、
    前記行動情報として、前記商品に関連する投稿であって、前記所定領域に所在するユーザからの投稿に関する情報を取得し、
    前記予測部は、
    前記投稿に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測装置。
18. コンピュータが実行する予測方法であって、
    ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得工程と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測工程と、
    を含み、
    前記取得工程は、
    前記行動情報として、前記商品に関連する投稿であって、前記所定領域に所在するユーザからの投稿に関する情報を取得し、
    前記予測工程は、
    前記投稿に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測方法。
19. ユーザの行動情報であって、所定領域と対応付けられた行動情報を取得し、取得した情報を記憶部に格納する取得手順と、
    前記記憶部に格納された行動情報を、前記所定領域における過去の配送量と過去のユーザの行動情報の履歴との関係性に基づいて当該所定領域における配送量を予測するモデルに入力することにより、商取引の対象となる商品の配送量であって、当該所定領域で発生する配送量を予測する予測手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記行動情報として、前記商品に関連する投稿であって、前記所定領域に所在するユーザからの投稿に関する情報を取得し、
    前記予測手順は、
    前記投稿に関する情報に基づいて、前記所定領域で発生する配送量を予測する、
    ことを特徴とする予測プログラム。

Images