wssit2016 sig sai 4 Recent site activity jsaisigsai wssit2016 sig sai 4

飲食店向け不動産営業を支援す

申込 顧客推薦システムの評価

河村一輝

_, 諏訪博彦

_, 川祐樹

_, 荒川豊

_, 安本慶一

1

奈良先端科学技術大学院大学情報科学研究科

2

立命館大学

kawamura.kazuki.ka3@is.naist.jp

概要 本研究 _, 飲食店向 動産営業 支援 手法 提案 飲食店起業 目指 顧客 _, 物件

約 至 流 以 通 あ 検索 動産 探 実 内見 行い気 入 物件 閲覧

内 見 行 物件 内 気 入 物件 申 込 物件 主 交 _, 約 至 →

検索 内見 移 や_, → 内 見 申 込 自然 移 稀 _, 動産 会社 営 業 ン

電話 次 来 電話営業 行う _, 営業 ン 長 感 経験 _, 数あ 顧客

約 至 や い顧客 選定 _, 電話 い 時 営業 確率 割 割程

あ 精 向 重要 課 あ _, 新人 営業 ン _, 顧客 電話

, ^{顧客 いい 分 い い 問 あ 対応策 創出 課 あ}

課 解決 _, 本研究 機械学習 用い _, 申込 可能性 高い顧客 推定 営業 ン 電

話 う推薦 提案 内見時 ン 結果 物件情報 基礎 熱意

地域 ン いう独自 特 量 え RandomForest ^{用い 機械学習 行} 53.8% ^{精 申}

込 顧客 推薦 出 来 _. ン 営業 ン 営業 確率 割 割程 本

推薦 結果 _, 営業効率 あ 大い 貢献出来 _. キーワード 機械学習 推薦 営業支援

1

^背景

近 様 々 実 社 会 情 報 容 易 出 来 う 多く 機械学習 関 研究 行

わ 様々 手法 開 い 伴い

情 報 使 い 機 械 学 習 用 い 利 用 者 望 情 報 見 手法［₁］［₂］［₃］ 盛 提案 い 例

えば _Saeideh ［₄］ 新規 飲食店 オン ン

ン 予測 う い

手法 世界 適用 う

動 具 体 的 _amazon［₅］ 商品 購入履歴 次 購入

い 商品 推薦 提案 い 提

案 い 転職 キ ［₆］

求人情報 閲覧 あ 求人情報

提案 い

機械学習 用い 営業支援研究や

盛 提案 い _everstring［₇］ _B2B向

商品 扱 い 法人企業 対象 法人企業 自

社 商品 く 推薦 い _Yiqing

Huang ^［8^{］ 中国 携帯会社 使い}

携帯 解約者 予測 解約者 電話営業 行う う 解約 思い

提案 い う 機 械学 習 用 い 企 業 営 業 支 援 利 益 貢 献 う 多 く 組

あ

本研 究 飲 食店 動産 探索 行 う個 人 対 営業 行 う 飲 食店 動産 会 社 対象 動産 契約

申込 考え 候補顧客 推薦 行う 営業 支援 行う 目的 推薦 関 来研 究 多く 同 商品 多く 人 購入出来 前 提 い 比較的安価 同 人 複数 商

品 購入 前提 い 本研究

対象 商品 動産 あ 世 中

同 商 品 存 在 い 複 数 動 産 得 多 費用 必要 同一人物 複

数回購入 前提 い 来

推薦 手 法 多 く 使わ 協 調 ン や ン ン ン う 購 履歴 嗜好 生 や 嗜好傾向 類似性 商品 推薦

新 手法 検討 必要 あ

具体的 研究対象 飲食店向 動産会 社 あ _ABC 店舗₁ 共同研究 行い 提供や 営業 い 情報 得 い _ABC 店舗

1 ABC店舗 http://www.abc-tenpo.com/

聴 調査 ば 飲食 店 起業 目指 顧客

, ^{物件 約 至 流 以 通 あ} (^図1)

検索 動産物件 探

気 物件 内見 実物件 確

内 見 行 物 件 内 気 入 物 件 申 込

物件 主 交 _, 約 至

し し，ほ 顧客 飲食店 開業 こ 初 あ ，適 条件 把握し い い

多い．こうい 顧客 ，現行 動産検索 ム 用い 検索 行 場合，適 条件 入 力 こ 出来 ，自身 適し 動産 探し 成約 至 非常 困難 あ ．

→ 検 索 内 見 移 段 階 や_,

→ 内 見 申 込 移 段 階 躊 躇 あ _, 動産会社 営業 ン 電話 次

い 来 電話営業 行う _, 営業 ン 長 経験 _, 数あ 顧客

約 至 や い顧客 選定 _, 電話 い

, ^{新人 営業 ン} , ^{顧客 電話}

, ^{顧 客 い}

い 分 い い 問 あ 対 応 顧客数 増 伴い 顧客 人手 検索

困 難 あ 問 解 決 _, 本 研 究 機 械 学 習 用 い _, 申 込 可 能 性 高 い 顧客 推定 営業 ン 電話 う

提案 本稿 う

構 築 効 率 的 ン 支援 行え 検討

2

飲食店不動産成約プロセス

飲食店 動産 探 顧客 行動プロセ ，各プ ロセ 得 情報 図₁ 示 ．プロセ 大

く ，実際 物件 見 前 実際 物件 見 後 割さ ．顧客 ア セ ップ，内見 ップ，申し込 ップ 経 成約 到 ．ア セ ップ ，ア セ ロ ， 気 入 物件， 検索条件 い 情報 取得出来 ．内見 ップ

，内見ロ _, ア ン 情報 い 情報 取 得出来 ．申し込 ップ 申込ロ 取得

，成約 ップ 成約ロ 取得 ． ップ 細 い説明 ，以下 述べ ．

図₁ 飲食店 動産契約プロセ 得 情報

2.1 ^{ア セスステップ}

顧客 ，検索 行う前 会員登録 行う．そ 際， 会員_ID 付 ．図_{2 ,} 会員登録 情報入力

例 あ _. ここ ，氏名_, 電話番号 い 基本的 情報 物件 探 理 新規出店 _or 増 店_or移転_or顧客 紹 _or 業種 ン or^居酒屋or ^ンor^和食etc ^{出店予定時期 勤} 状況 勤 中 _or 物件探 専念 開店資金 開店 希望地域 希望 賃料 限 希望 面積 限 い 物件 対 希望条件 入力 い_, 営業

ン 個人 嗜好 把握

図₂ 録 物件 対 希望条件入力

後 ン 行い図₃ 物件 検索 検 索方法 キ ワ 検索 あ 自身 希望 物件

関 キ ワ 入力 検索 条件

指定 更 詳 く検索 行う 出来 条 件 地域 最寄 沿線 業態 賃料 限 面積

限 階数 駅 歩分数 飲食条件 居抜 物件 う 指定出来

ア

ク

セ

ス

内

見

申

し

込

み

成

約

ア セスロ

気に入

検索条件

内見ロ

ヒアリン

情報

申込ロ ^成約ロ

顧客 得 情報

図₃ 検索

図₄ 検索結果 あ 検索結果 あう条件 物件 表示 _, ン写真 物件番号 最寄 駅 駅 歩分数 階数 面積 賃料 税抜 物件 対 キ _, 所在地 業態 保証金 い 情報 確 出来 更

問い合わ ン 物件 関 更

詳 い情報 得出来 う営業 ン 送

出来 内見依頼 ン 内見

予約 出来 更 気 入 ン

ABC^店舗 web ^{物件 対}

気 入 録 行う 出来

図₄ 検索結果

う 顧客 動産閲

覧履歴 あ 気 入 動産

気 入 録 動産 検索 絞 込 条件 あ 検索条件 得

2.2 ^{内見ステップ}

内見 実 動産 見 あ

内見 実 営業 ン 顧客 物件 連 行 顧客 持 物件 対 印象 会話

後 営業 いく 構造化 ン 形式

顧客 簡単 ン 行う

ン 目 第 一 印 象 い ？ 立地場所 い ？ 譲渡価格 い

？ 得 総 い ？ 物 件 あ 周 辺 場所 い 事前調査 行い ？ あ 最 初 目 い 良い やや良い 普通 やや悪 い 悪い 段階評価 次 目 い 高い や や 高 い 普 通 や や 安 い 普 通 段 階 評 価 最

後 目 い 行 行 い い 段

階評価 あ

う 内見 実 見 動産

履歴 あ 内見 内見 行う 営業 顧客

直接話 聞い ン 情報 得 営

業 顧客 物件 気 入 う 何 申込

害 い 聴 把握

い 顧 客 中 繰 返 内 見 行う 顧客 少 く い

2.3 ^{申し込 ステップ}

申 込 動産 約 為 予約

あ 申 込 顧客 申 込 物

件履歴 あ 申 込 得

申 込 情 報 主 送 信 同 時 顧 客 同 物 件 申 込 行 う あ

複 数 申 込 顧 客 中 主 物 件

い顧客 選定 申 込

主 意向や 顧客 先

事情 約 至 場合 あ 顧客

内見 戻

2.4 ^{成約ステップ}

約 動産 約 あ 申 込

動産 主 顧客 方 同意 手付金

支払う 漸 く 約 至 あ 約

顧客 約 動産履歴 あ 約 得

2.5 ^{本研究の課題}

動産 約 中 ，内見 申し込 成約 ップ ，顧客 実際 動産 見 い 状

態 あ ，ア セ ップ 動産 実

際 見 い い状態 あ ． 動産 見 前後 顧客 こ わ 変化 為，ア セ ップ あ 顧客情報 ，申し込 や成約 至 顧客

予測 困難 あ ． ，内見し 印象

良 い 申し込 限 い．

本研究 ，ア セ ，内見 両 ップ 情報 機械学習 用い 申し込 顧客 推定 こ 試 ．次章 い ，機械学習 人間 行動

予測 関 研究 紹

3

^関連研究

機械学習 用い 商品推薦_,営業支援_, 動産 価値 推定 関 様々 研究 行わ い _.本研 究 置 示 _,関連研究 以 明

.

3.1 ^{商品推薦の研究}

Amazon[5] , EC ^{商品 購入 顧客}

対 購入 好 商品

予 測 行 い _Amazon[5] 利 用 _,

商品 購入後_,5 段階₍好 _,少 好 _,普通_,少 嫌い_,嫌 い₎ 評価 行う_. 評価 元 協調

ン 間 類似 求

高い評価 行 商品 類似 高い 推薦

転職 キ _{[6] ,} 会 員 基本情報や診断 利用動向 似 い

利 用 状 況 合

求人情報 提案 い ン ン

ン 用い い 会

員 録時基本情 報 嗜好 表

作 後

会 社 求 人 情 報

類似 計算 転職 会社 推薦 3.2 機械学習を用いた営業支援の研究

everstring[7] ,B2B ^{企業 対} ,^商品

く う 顧客 推薦 行 い _. 業員 規 模_, 益 状 況_,経 営 者 経歴_,地 域 明 変 数 用い _, 約確 高い く い顧客 判定

機械学習 構築 い .YiqingHuang [8] ^研

究 _,中 国 携 帯 会 社 営 業 支 援 提 案 い _. 携帯 解約者 予測 _,営業 ン 電

話 解約 思い留 組 あ

. ^行動 , , ,^{通話 品}

質等 解約 確率 高い 推定 い _. 3.3 ^{不動産営業支援に関す 研究}

Yanjie [10] ^研究 , dianping[11] ^ン

や ン 情 報 等 オ ン ン 情 報 や キン オ ン情報 機械学習 行い_,中国 動産価格 推定 行 い _.

ン 回数や物件 ン 高い場所 動 産 価格推定 い 大 重要 示 分

.chin [12] ^研究 ,^{物件 面積や築 数 い}

物件情報 く風水 属性 入

用い 動産 価格推定 行 い _.全体 通

価格推定 重要 物件 延 床面積 一番高 い いう結果 風水 属性 含

風水 属性 除い 比

高 い 精 出 出 来 風 水 属 性 重 要 性 示 い 本 手 法 物 件 良 悪 物 件 申 込 行動 影響 及 考え 記関連研究 属性 参考 作 得 _[13]や 邉

[14] ^{研 究 動 産 価 格 物 件 良 悪}

依存 い _, 記 研 究 本研究 適応出 来 _. 安藤 _[9] 研究 _ABC店舗 い ₁→₂ 検索

内見 移 支援 顧客

わ 抽 出 手 法 提案 い 手法 顧

客 気 入 検索条件 顧客

属 性 場 所 駅 歩 階 数 面 積 賃 料 居 抜 造作 う 属性 わ あ 算出

顧客 ₍ わ ₎ 作 わ

物件 高い顧 客 内見 や い 考え

推薦 い 実 申 込 う

い 検討 い い 本手法 ₂→₃ 内 見 申 込 移 支 援 手 法 提案 _.

3.4 ^{本研究の位置づけ}

推 薦 関 来 研 究 多 く 同 商 品 多 く 人 購 入出 来 前提 い 比 較 的安 価 同 人 複数 商品 購入 前提

い 本研究 対象 商品 動産 あ 世 中 同 商品 存在 い 複数 動産 得 多 費用 必要

同 一 人 物 複 数 回 購 入 前 提 い 来 推薦手法 多く使わ 協調

ン や ン ン ン う 購

履 歴 嗜 好 生 や 嗜 好 傾 向 類

似性 商品 推薦 新 手法 検

討 必要 あ

4

^提案手法

図 う 来 手 法 い 営 業 手 作 業 大 量 内 見 顧 客 中 動 産 申 込 可 能性 高い顧客 掘 行 い 手間

労力 必要 あ い 営業

確率 営業 経験 出

暗黙知 変化 暗黙知

形 い い新 人営 業 営業 機会 損失 い 考え 提 案手 法 暗 黙知

あ 機械学習 化 目的

う 構 築

必要 検証

図₅ 既存手法 提案手法 違い

構築 大 く

属 性 郡 用 い _. 目 内 見 後

顧客 答え ン あ ン

, ^{第 一 印 象}, ^{立 地}, ^{賃 料}, ^{譲 渡 価 格}, 得 総 い 顧 客 う 感 い 事 前 調 査

無 い 確 顧 客 申 込 否 顧客 持 い 物件 対 主観評価 申 込

行動 影響 及 考え 含

い

目 物件 情 報 あ 物 件 情 報 賃料 面積 何階 駅 歩何分 最寄 駅 居抜 物件 う 含 い _ABC 店舗 扱う 物件 多 種多 様 あ 物件 立地 や 価格 物 件自 体 特 長 人 気 人 気 存 在

物件自体 特 顧客 申 込 行動 影響

及 考え 含

い

目 _, 基 礎 く 工 特 量郡 あ _. 開店意 欲 量 _, 開店意欲₍期間_), 地域

ン 含 い _. 開店意欲 真剣 物 件 探 い 顧客 物件 申 込 可 能性 高 い いう_ABC店舗 知見 特 量 作 開 店 意 欲 種 類 あ 考 え い

意欲 大 あ 大 意欲 持

い い う絶対 的 量 表 意欲 高い顧 客 様々 物件 い う仮 定

店舗 タ ア セ ロ 取得し内

見日 14 日前 内見日 週間 総ア セ 数 開店意欲 量 定義し ．

次 意欲 性 あ 長い時

間開店意欲 い 表 長く

物件 探索 い 人 意欲 高い いう仮定

店舗 タ ア セ ロ

取得し内見日 14 日前 内見日 総ア セ 日数 開店意欲 期間 定義し . 地域 ン い _, 物件 あ 街 人気

申 混 行動 影 響 及 考え 街 全 体 均賃料 高い 地域 ン 高い 仮定

タ 物件情報 タ 取得し最寄

駅毎 単位面積当 均賃料 地域ポ ン 定義し _.

提案 全 組 合わ

用い 申 込 推定 構築 申 込 見込 顧客 構築

図₆ 得

5

^{システム構成}

本 _,図₇ う 明変数

処理機構_{, ABC} 店舗 個人情報_,物件情報_,

持 _{, 1132} 件

ン RandomForest [15]

作 申 込 顧客推定 構 _.

1. ^{ン 申 込 顧客分類}

構築

2. ^{後 電 話 営 業 ン 顧 客 個人} ID 物件 _ID ン 結果 内見日 記入

csv^{形式 込}

3. ^{入力 個人} ID ^物件 ID ^{内見日 明}

変 数 必 要 得 送信

4. ^{結果 物件 地域 ン}

熱意 処理機構 送信

5. ^{処 理 機 構 明 変 数 申 込}

顧客 送信

6. ^{値 申 込 顧客 申 込 い顧}

客 分類 行う

7. ^個人 ID ^{電話番号 得 送信}

.

8. ^{電話番号 得} , ^個人ID, ^物件ID, ^電話番

号_, 予測結果 表示 _.

図₇ 申 込 顧客推薦 構

6

^実験

提案手法 示し タ 申し込 推定

い 検証 ，実際 タ 収集し

評価実験 行 ．本研究 使用 タセッ 表 示 ．アン タ ， 動産会社 営業 方 取 頂 ，顧客 物件 内見し 後 構造化インタ ュ 形式 タ 収集し い ． 2014 2月3日 ７月10日 ，計 1146件

タ 収集し い ．

表 用い 機械学習 申 込 推定 構築 交差検証法 用い 推 定結果 精 検証 構築 代表的 機 械 学 習 一 あ RandomForest^［17^］

用 い 構 築 様 々 条件 組 合わ 計₅ 構築 い ₅

, ^{ン 用い}

, ^{物件情報 用い} , ^基礎

ン 物件情報 合わ

用 い _, 表 全

用い 重要 抽出

場合 あ 重要 抽出

数 均減少量(mean decrease gini) ^{用い 行} い _. 数 記式 求

��� =

⁄ − ∫ � �

⁄

表 本研究 使用 タセッ

7

^実験結果

本章 各 用い 推定結果

い 述 初 期 実 験 簡 単 使 用 出 来 基 礎 用 い 検 証 表 ン 結 果 用 い 申 込 顧 客 推 定 結 果 あ 申 込 推定 人数 ₉₈ 人中 実 申 込

人数 _{, 30} 人 あ _30.6% 精 推定

表 物 件 情 報 用 い 申 込 顧 客 推 定 結果 あ 申 込 推定 人数₅₉人中

実 申 込 人数 ₁₂ 人 あ _20.3% 精

推定 ン 情報 物件情報 比 場合 ン 情報 用い 時 精 一番高い結果 出

物 件 申 込 心 理状態 要素 比 大 く影響 い 分

表 物 件情 報 ン 用 い 申 込 顧客 推定 結果 あ 申 込 推定 人数

58^{人中 実 申 込 人数}22^{人 あ} 37.9%

精 推 定 物 件 情 報 用 い 場 合

20.3% ^{精 あ ン 用 い 場 合}

30.6% ^あ 7.3 ^{ン 精 向}

出来

以 結果 ン 物件 両方

用い 一番良い結果 出 確 次

精 改善 _ABC店舗 知見 基 い 工 特 量 あ 開店意欲 量 開店意欲 期間 地 域 ン 属 性 え 推 定 実 施

表 表 全 用い 申 込 顧客 推定 属性

アン

第一印象 立地 月額賃料 譲渡価格 取得総額 事前調査

物件情報

月額賃料 床面積 駅徒歩 階数 居抜 気 入

加工し 特徴量

開店意欲 量

開店意欲 期間

地域ポ ン

結 果 あ 申 込 う 推 定 人 数

50^{人中 実 申 込 人数}22^{人 あ} 44.0%

精 推 定 全 基 礎 用 い 申

込 顧客 推定 結果 _37.9% あ 新

特 量 作 _6.1%精 向 出来

更 改 善 表 特 量 内 影 響 力 あ 特 量 調 数 均減少量 計算

結果 図 ₈ あ 図 見 分 う 新 作 特 量 地域 ン 開店意欲 量 開店意欲 期間 重要 ₁番 ₆番 ₈番

基礎 く_ABC店舗 知見 元 新 い特 量 作 用 あ

結 果 用 い 均 数 減 少 量 い 特 量 要素 削 い 特 量 数 いく 時

最大 果 得 検証 結果

要素 削 時_, 即 ９ 個 特 量 用 い 予測結果 一番高 回 ９ 個 変 数 使い求

結果 表 あ 申 込 う 推定 人数₅₂人中 実 申 込 人数₂₈人 あ

53.8% ^{精 推定 初期 実験 行 心理 状}

態 表 ン 結 果 場 合 比 最 終 的

23.2 ^{ン 精 向}

表 ン 推定 結果

申込 い 申込

申込 い _{889 68 93.0%}

申込 _{136 30 18.1%}

精 _{86.9% 30.6%}

表 物件情報 推定 結果

申込 い 申込

申込 い _{920 47 95.1%}

申込 _{153 12 7.2%}

精 _{85.7% 20.3%}

表 ン 物件情報 推定 結果

申込 い 申込

申込 い _{931 36 96.2%}

申込 _{143 22 13.3%}

精 _{86.7% 37.9%}

図₈ 各特 量 均 数減少量

表 表₁ 全 推定 結果

申込 い 申込

申込 い _{939 28 97.1%}

申込 _{143 22 13.3%}

精 _{86.8% 44.0%}

表 図_{8 9}個 特 量 推定 結果

申込 い 申込

申込 い _{943 24 97.5%}

申込 _{137 28 17.0%}

精 _{87.3% 53.8%}

8

^考察

オ 対 推定結果 い 提

供企業 あ _ABC店舗 踏 え

考察 行う _ABC店舗 推

定 結 果 提 示 明 び 質 疑 応 答 会 議 形 式 得 い

5 ^{オ 比較 結果 全体 全}

９個 使用 最 効率

く申 込 顧 客 推 定 分 推 定精

53.8^{％ あ 理論 申 込 候補者 う}

約半分 申 込 結果 _ABC店 舗 伝 え 来 営 業 手 法 ン 営 業 ン ₂～₃割程 精 あ 本手法 営業

効率化 寄 思う ン 得 い

地域 ン い 良 い 立 地 物 件 申 込 殺到 良い物件 顧客 状況 関

わ 申 込 ン 得 々

分析結果 対応 い 考え

内見時 顧客 応 う

注 い 確 所 顧 客 言 葉 立 地 賃料 い う言葉 出 時 申 込 無 判 断 や い ン 得 い 分析結果 賃 料 番 目 立 地 番 目 重 要

抽出 結果 い 整合性 い

考え

後 課 実営業 中 評価実験 行う 効果 定量的 図 必要 あ 具体的 提 案 手 法 用 い 抽 出 顧 客 含 内 見 顧 客 対 実 電話営業 行い 応結果 得

比較 必要 あ 既 申 込

い 顧客 回避や キン 回避 ン 行う 綿密 実験計画 必要

9

^とめ

申 込 見込顧客 営業担当者 推薦 _,営 業担当者 時間 省く推薦手法 提案 申

込 い 思う顧客 行動 予測

地域 ン や物件 賃料 面積 人間 主観 的 気 持 いう 商品 価値 大 影

響 え い 分 得 出

来 種 類 少 い _, 基礎 工 新 い 特 量 地域 ン _, 開店意欲等 作

用 あ _. 初期実験 ン 結果 用い 機械学習 行 精 _30.6％ あ 全

用い 機械学習 _53.8％ 精 申 込 顧客 推薦 出来

後 精 向 図 顧客 内見

来訪 い 状態 や 営業 ン 身 体 ン ン 申 込 顧客 推定 い 検討 , ^{本 使 用 実環 境 評 価 実 験 行 う} , 営 業 ン 使 い や い い え 手 間

増え う可能性 あ _, 使いや い

ン 検討 改良 _. 回 _, 顧客 物件

申 込 申 込 い 値 予測 _{, ABC}

店舗 値 く申 込 見込確率 知 い 要 望 あ 見 込 確 率 高 い ソ 顧

客 出力 作 _.

謝辞

株式会社_ABC店舗 方 本研究 い 提供並び 貴重 意見 頂 心 御礼

申 本研究 一部 科学研究費補助金 挑 戦的萌芽研究_15K12161 助 あ

参考文献

[1] ^{神 嶌 敏 弘},^{推 薦} 情 報 過 多 時 代 _,情 報 科学 技術_,56巻₁₀号, pp.452-457,2006

[2] J.Ben Schafer,Joseph A.Konstan and John Riedl,

“E-Commerce Recommendation Applications,” Data Mining and Knowledge Discovery, Vol. 5, pp.115-153, 2001

[3] ^{土 方 嘉} , ^{情 報 推 薦 情 報 ン}

ン 技 術 人 工 知 能 学 会 Vol.19,No.3,pp.365-372,2004

[4] Saeideh Bakhsi,Partha Kanuparthy, Eric Gilbert

“Demographics,Weather and Online Reviews: A Study of Restaurant Recommendations” Proceedings of the 23rd international conference onWorld wide web p.p 443-454 [5] amazon <http://www.amazon.co.jp/>

[6] ^キ <https://www.careertrek.com/> [7] everstring <http://www.everstring.com/>

[8] Yiqing Huang Fangzhou Zhu Mingxuan Yuan Ke Deng Yanhua Li Bing Ni Wenyuan Dai Qiang Yang and Jia Zeng,” Telco Churn Prediction with Big Data”, Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, pp 607-618, [9] ^{安 藤 孝 川 祐 樹 諏 訪 博 彦 太 敏 澄 飲 食 店 動}

産 営 業 支 援 内見 顧 客推 薦 提 案 評

価 第 ₁₉ 回社会情報 学 ン 学術講演

論文 pp.129-135 2013.

[10] Y. Fu, Y. Ge, Y. Zheng, Z. Yao, Y. Liu, H. Xiong, and N. J. Yuan, “Sparse real estate ranking with online user reviews and offline moving behaviors,” in Data Mining (ICDM), 2014 IEEE International Conference on. IEEE, 2014, pp. 120_–129.

[11] Dianping,” <http://www.dianping.com/>

[12] C.-H. Wu, C.-H. Li, I.-C. Fang, C.-C. Hsu, W.-T. Lin, and C.-H. Wu, “Hybrid genetic-based support vector regression with feng shui theory for appraising real estate price,” in Intelligent Information and Database Systems, 2009. ACIIDS 2009. First Asian Conference on. IEEE, 2009, pp. 295_–300.

[13] ^{得 章}_{, “} ^{動 産 価 格 実 体 経} : ^{宅 地 地 価 関}

ン ン 妥当性_{,” 2014.}

[14] ^邉信之, ^第 176 ^{回定期講演会 講演録 動産関}

者 最新情報 ₍教養講 _), 土地総合研究_{, vol.} 22, no. 2, pp. 140^–182, 2014.

[15] Leo Breiman, “Random Forests”, Machine Learning October 2001, Volume 45, Issue 1, pp5-32, 2001