CN103729776B - 数据综合分析系统 - Google Patents
数据综合分析系统 Download PDFInfo
- Publication number
- CN103729776B CN103729776B CN201310484388.2A CN201310484388A CN103729776B CN 103729776 B CN103729776 B CN 103729776B CN 201310484388 A CN201310484388 A CN 201310484388A CN 103729776 B CN103729776 B CN 103729776B
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- operator
- data analysis
- information
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000007405 data analysis Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 36
- 230000003542 behavioural effect Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 21
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 2
- 239000013543 active substance Substances 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 7
- 238000012351 Integrated analysis Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 39
- 235000019580 granularity Nutrition 0.000 description 18
- 238000007726 management method Methods 0.000 description 15
- 238000007619 statistical method Methods 0.000 description 13
- 230000007306 turnover Effects 0.000 description 13
- 238000000611 regression analysis Methods 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000020509 sex determination Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Complex Calculations (AREA)
Abstract
提供一种数据综合分析系统，用于有效利用各种数据来引入有效的对策。具体地说，自动生成多个解释变量，并与目标变量进行相关分析，由此确定潜在于大量数据的影响业绩的要因。针对输入到分析系统的数据，预先定义表示作为变量生成条件的条件、对象、运算的三个算子，通过这些算子自动生成多个解释变量。
Description
技术领域
本发明涉及一种数据分析系统，用于使用经营数据和传感数据等企业活动数据等来支援经营。
背景技术
随着信息通信技术的发展而逐渐蓄积与企业经营有关的大量的数据，随之，关于它们的有效利用，要求即使不是分析专家也能够容易地导出具有经营效果的对策的方法。以往的方法一般是经营者或分析者根据自身的经验或直觉建立有限的假设并以证明它们为目的来收集数据并进行分析、或者将熟练分析者的方法论模板化来展开等方法。这些以往的方法由于假设的设定依赖于人的能力，因此所获得的对策的范围也止于有限的范围。
例如已知如下技术：在店铺的经营中，将来自POS系统的收购个数、商品单价的信息以及顾客的购买行为、业务员的接客行为信息等合起来进行分析(专利文献1)。在本分析方法中，以提高作为目标变量的收购个数、商品单价为目的来使用的行为信息等解释变量的数据组基于分析者预先设定的假设设定。
专利文献1：国际公开号WO2005-111880
发明内容
要求用于通过有效利用各种数据来导出用于提高业绩的有效的对策的分析方法。但是，目前为止，一般是经营者或分析者建立有限的假设来收集用于证明它们的数据并进行分析、或者将熟练分析者的方法论模板化来展开等方法，所获得的对策的范围有限。因此，本发明的目的在于，作为用于有效利用各种数据来导出有效的对策的分析技术，提供自动生成多个解释变量的技术。
为了解决上述问题，使用如下数据综合分析系统，该数据综合分析系统使用保存有数据和变量生成条件信息的存储部，其特征在于，具有：解释变量生成部，使用变量生成条件信息生成与数据有关的解释变量；目标变量输入部，受理目标变量的输入；相关计算部，计算目标变量与解释变量的相关关系；以及显示部，将相关关系显示在画面上。
发明效果
关于以往依赖于管理员、店长等的经验或直觉的经营，能够自动生成多个解释变量来支援用于提高收益等目标的有效的对策引入活动。
附图说明
图1是本发明的数据分析系统的流程图。
图2是表示本发明的数据分析系统的指标生成方法的图。
图3是表示本发明的数据分析系统的指标生成方法的图。
图4是表示通过本发明生成的指标的一例的图。
图5是表示通过本发明生成的指标的一例的图。
图6是本发明的数据分析系统的流程图。
图7是表示本发明的数据分析系统的应用画面的图。
图8是表示本发明的数据分析系统的应用画面的图。
图9是有效利用了本发明的数据分析系统的服务模型的流程图。
图10是表示本发明的经营资源综合分析引擎中的系统结构的例子的图。
图11是表示本发明的经营资源综合分析引擎中的系统结构的例子的图。
图12是表示本发明的经营资源综合分析引擎中的系统结构的例子的图。
图13是有效利用了本发明的数据分析系统的服务模型的报告图。
图14是本发明的数据分析系统的流程图。
附图标记说明
100：输入经营资源数据
101：基于变量生成条件自动生成解释变量
102：目标变量的输入受理
103：统计性地分析目标变量与解释变量间的相关
104：显示相关分析结果
105：显示回归分析结果
200：数据列
210：解释变量生成处理
211：条件算子
212：对象算子
213：运算算子
700：条件设定
720：图表
740：列表
760：执行按钮
1001：传感器位置检测信标台
1002：托架
1003：可佩带式传感器
1004：行为传感器数据
1005：店铺侧基站
1006：网络
1007：系统终端群
1011：POS数据
1012：顾客信息
1015：时间粒度计算部
1017：目标设定部
1018：分析结果显示处理部
1019：统计分析部
1020：解释变量生成部
1021：数据汇总部
1022：行为数据库
1023：顾客信息数据库
1024：POS数据库
1100：输入输出部
1103：服务效果判定部
1104：行为变化计算部
1107：行为变化的信息
1200：数据总线
1300：计算处理部
1310：经营资源统计分析处理
1320：服务效果计算处理
11300：被发送的报告的例子
11310：行为变化信息
11320：营业额变化信息
具体实施方式
[实施例1]
图10是表示将本发明应用于店铺的情况下的具体例的图。说明店铺10以及统管这些店铺的店铺本部20、以及外部的分析服务机关所运营的数据分析服务中心30各自的结构以及数据处理。图10的店铺10的系统由如下部分等构成：固定于商品架、壁等而发出位置信号的传感器位置检测信标台1001；通过由顾客、业务员佩带来检测顾客移动轨迹、业务员接客状况的可佩带式传感器1003；以及通过插入可佩带式传感器来进行可佩带式传感器的充电、临时保存在可佩带式传感器中的数据的外部传输的托架1002(Cradle)。而且，从托架发送的行为传感器数据1004通过店铺侧基站1005经由网络被发送到数据分析服务中心30。另外，店铺10的营业额信息等通过在图10中未图示的路径汇总到店铺本部。
图10的店铺本部20的系统由从店铺10收集的POS数据1011及顾客信息1012、以及处理这些各种数据的系统终端群1007、应用服务器群1010等构成。这些POS数据1011和顾客信息1012经由网络1006被发送到数据分析服务中心30。
图10的数据分析服务中心30由对从店铺10、店铺本部20经由输入输出部1100收集的数据进行分析的计算处理部1300、保存数据的数据存储器1400、以及用于在服务中心内进行数据通信的数据总线1200构成。从店铺10、店铺本部20发送的行为传感器数据1004、POS数据1011以及顾客信息1012从输入输出部1100经由数据总线1200保存到数据存储器1400内的独立的数据库，具体地说保存到行为数据库1022、顾客信息数据库1023、POS数据库1024。另外，虽然未图示，但是能够从因特网等获得的每个地域的天气信息、环境信息等还有时保存在数据存储器内。
在图10的计算处理部1300中执行“经营资源综合分析处理1310”。该“经营资源综合分析处理1310”进一步由数据汇总部1021、解释变量生成部1020、统计分析部1019、分析结果显示处理部1018这四个处理部构成。
在图10的“经营资源综合分析处理”的数据汇总部1021中，数据从各数据库1022、1023、1024输入而被汇总，进行适当的排列处理。例如，按照行为数据1022的粒度细的时间单位(例如每10秒)，重新计算其它数据1023、1024的时间粒度，从而保存为具有相同的时间粒度的数据。在接下来的解释变量生成部1020中，通过后述的生成逻辑，根据上述数据生成超过1万个的多个指标(解释变量)。此外，生成逻辑是通过变量生成条件事先设定部1016事先设定的。接着，在统计分析部1019中，调查成为结果的数值(目标变量)与成为要因的数值(解释变量)的关系，执行将各个关系明确的统计计算(例如回归分析等)。在该统计分析部1019中设置有作为用于设定目标变量的用户接口的目标变量设定部1017。在该统计分析部1019中，例如能够统计性地(网罗地)计算相对于营业额等经营指标(目标变量)的相关高的解释变量。在分析结果显示处理部1018中，利用统计分析部1019的结果，进行将相对于目标变量的统计性相关高的、即影响强的解释变量按顺序罗列的排序处理、用于控制解释变量的对策容易还是困难等的执行可能性判定，并显示结果。
图1表示作为本分析系统的特征的分析过程。首先，对分析系统输入作为指标计算的基础的源经营资源数据(步骤100)，基于变量生成条件自动生成解释变量(步骤101)。接着，当通过图10所示的目标变量设定用终端1013向系统输入经营数值等目标变量时(步骤102)，分析系统统计性地分析通过步骤102输入的目标变量与通过步骤101生成的解释变量之间的相关(步骤103)，之后，作为统计分析的结果，显示表示变量间的相互的影响关系的强、弱的相关分析结果、以及表示通过解释变量能够以何种程度说明目标变量的回归分析结果、具体地说解释变量与目标变量的关系的回归式(回归式以y=ax+b(x：解释变量、y：目标变量)表示)(步骤104、105)。如本过程所示的那样具有基于变量生成条件自动生成多个解释变量的步骤这一是本发明的特征。
图2用于说明在图10的解释变量生成部1020中自动生成图1的步骤100～101所示的多个解释变量的方法的详细内容。
当数据列200输入到解释变量生成部1020时，通过利用预先设定的条件算子211、对象算子212以及运算算子213这三个算子的组的解释变量生成处理210生成解释变量220。也可以将条件算子与对象算子合在一起作为一个算子来处理。
在条件算子中设定好店员、顾客等活动主体、时间条件等的范围，对象算子212记载了在条件算子中设定的条件下的关于物或人的活动的范围、种类。例如，条件算子设定与时间有关的范围，在对象算子中设定与活动空间有关的范围。在其它例子中，也可以在条件算子中设定与物有关的时间/空间上的范围，在对象算子中设定与人/资金有关的活动信息。
运算算子213在所述两个算子的条件下(也就是说，特定的时间范围、空间范围、人的组织属性等)将预先定义的指标的数值具体化。作为条件算子211的例子，有店员、顾客、或顾客与该顾客逗留时间段的组合等。作为对象算子212的例子，假设店铺中的商品区域等。另外，作为运算算子213的例子，使用顾客单价、逗留时间、接客时间等。在这些算子间以只有一个算子发生变化而其它算子固定的方式进行多个算子间运算处理，从而生成多个解释变量。
作为一例，使用图4说明与店铺中的顾客的购买活动有关的解释变量生成的例子。关于各顾客的进店和出店，获取其时刻，进店时间与出店时间之间的时间设置在条件算子中。接着，顾客购买的商品区域设置在对象算子中，顾客的逗留时间、买入金额、接客人数设置在运算算子213中。图4中示出自动生成每个顾客的解释变量的具体例。各栏中，针对每个顾客ID410，计算顾客的进店时刻和出店时刻作为时间信息420，针对该条件算子211，使用作为对象算子212的店铺内的商品类别区域的信息(店铺整体、区域1、区域2、…区域5)自动计算与每个区域的顾客逗留时间430、每个区域的顾客买入金额440、每个区域的接客人数450对应的指标并保存。通过针对每个顾客ID进行这些处理，沿行方向追加数据。更具体地说，设为如下结构：为了求出每个区域的顾客逗留时间430，预先准备店内位置信息与商品类别区域的映射信息，当输入顾客的逐次的店内位置信息时，能够提取商品类别的区域信息。另外，为了求出每个区域的接客人数450，同样地只要设为如下结构即可：以发生接客的店内位置信息为关键词(Key)来能够提取对应的区域信息。并且，为了求出每个区域的顾客买入金额440，通常只要使用由店铺的POS信息系统管理的商品分类表来进行顾客买入商品与商品类别区域的相关联即可。在本例中，通过增加作为对象算子212的区域定义数和运算算子种类，生成多个变量。这样，能够通过使用预先设定的条件算子211、对象算子212以及运算算子213的运算处理生成多个解释变量400。
通过这样使用基于本发明的分析系统，能够求出与目标变量有关的解释变量，或者能够通过大量数据的相关分析求出目标变量与解释变量的组合间的相关的强度。例如，如果能够获得店员逗留在特定区域的情况与店铺的营业额相关等分析结果，则容易进行用于实施用于提高业绩的对策的决定。
这样，通过使用基于本发明的分析系统，能够发现用于达到目的的人未能设想的对策。也就是说，通过本分析系统，能够确定潜在于大量数据的影响业绩的要因，有利于决策。
[实施例2]
图11表示本发明的系统结构的其它结构。
图11在图10的经营资源统计分析处理1310中，与目标变量设定部1017中的目标变量的设定的定时联动地通过时间粒度计算部1015自动地计算时间粒度，向解释变量生成部1020发送时间粒度的信息。在时间粒度计算部1015中，从图10的统计分析部1019输出的分析结果被调整成适于与目标变量的相关计算的时间粒度(例如1分钟、1小时、1日、1个月等)而被输出。时间粒度计算部1015内的处理是通过事先保存与目标指标对应的计算逻辑、或者具有与预先设想输入的目标变量对应的时间粒度表来实现的。例如，事先准备如下的对应关系的信息：为了分析每个季节的营业额而事先准备日单位的粒度，为了分析1日的营业额要因而事先准备30分钟的时间粒度等。
图3表示多个解释变量的自动生成方法的详细情况的其它例。当数据列200输入到分析系统时，通过预先设定的条件算子211、对象算子212以及运算算子213这三个算子的组生成解释变量210。在生成基于运算算子的解释变量时，根据来自时间粒度计算部1015的指示，调整时间粒度301。时间粒度是在生成解释变量210时设定在条件算子211中的。其它算子动作与图2中说明的动作相同。
图5表示所生成的解释变量的其它具体例。
店铺的营业时间内的时间宽度(在图5的例子中是30分钟)作为时间粒度设置在条件算子中。与图4同样地，商品区域设置在对象算子中，买入金额、买入点数、店员场所设置在运算算子213中。各栏中，针对设定为条件算子的每个时间信息510，自动计算每个区域的买入金额520、每个区域的买入点数530、每个区域的店员场所540并保存。这样，能够通过使用预先设定的条件算子211、对象算子212以及运算算子213的运算处理，生成多个解释变量500。例如，能够实现如下利用等：在将目标变量店内的摆货时间段变化作为目标变量求出波及效应的情况下，与目标变量设定联动地将时间粒度如图5那样设定为30分钟，在将基于广告发布的营业额变化作为目标变量求出波及效应的情况下，与目标变量设定联动地将时间粒度设定为1日单位。
接着，在图7中示出在本发明的分析系统中执行的应用例。
图7是从目标变量搜索有助于目标变量的解释变量并显示的应用画面。这会明确所指定的现象(目标变量)由哪个要素(解释变量)构成。通过使用该应用，能够将复杂的现象变换为多个简单的要素的组合。图7的应用由条件设定700、图表720、列表740、执行按钮760构成。条件设定700是设定期间、对象和目标变量的画面。图表720是从通过条件设定700指定的内容进行搜索的树形结构的图表显示的画面。列表740是从通过条件设定700指定的内容进行搜索的逐条记载的文章的列表显示的画面。在通过条件设定700指定期间、对象和目标变量之后点击执行按钮760，由此开始执行处理。
首先，说明条件设定700设定期间、对象和目标变量的画面。
STEP1 701是指定对象的项目。是为了指定用于分析的对象而使用的。在该例子中为店铺A。STEP2 702是指定种类和期间的项目。种类是指分析时的基准。通过指定种类，能够指定是以时间为基准的分析、还是以人为基准的分析。期间是指用于分析的日期和时间区间。STEP3 703是指定分辨率的项目。是为了指定用于分析时的时间分辨率而使用的。STEP4 704是目标变量的指定。例如，从图1的作业流程来说，STEP3 703和STEP4 704都是目标变量的输入受理102。在处理STEP4 704之前，需要事先从如登记在图4、图5中的那样的变量中指定用于分析的对象，将用于该指定的处理在STEP3 703中进行。例如，在期间中，通过观察图4的时间信息420的日期、图5的时间信息510的30分钟时间段，能够从期间选择用于分析的对象。
需要从如登记在图4、图5中的那样的变量中选择一个目标变量。在目标变量选择画面705中示出用于容易地选择一个的画面。该方法有选择和搜索这两种，在目标变量选择画面705中成为选择的画面。在选择中，从大分类向小分类分级地缩小变量，从该缩小得到的变量中选择目标变量。在目标变量选择画面705中，能够从上向下缩小变量。另外，在搜索中，通过输入任意的字符串，缩小得到部分一致的变量名，因此从其中选择目标变量。
阈值成为在求出有助于目标变量的解释变量时的基准，具体地说成为解释变量相对于目标变量的贡献率的基准值。该阈值以上的解释变量被选择并显示。决定目标变量706是显示通过STEP4 704选择的目标变量的画面。
图表720是从通过条件设定700指定的内容进行搜索并显示树形结构的图表的画面。在树形结构的显示方法中，被称为节点的圆符号表示变量，被称为边缘的箭头表示关系性，用下方的节点表示贡献于上方的节点的变量，由此表现级别间的变量的关系。以随着级别变低而节点的线从实线变为虚线的方式表现。在图表720中是三级的显示，但是其能够任意地指定级别。另外，通过在边缘上记载贡献度，能够表示该变量的重要度。边缘的箭头的方向表示下级的变量贡献于上级的变量。边缘上的数字记载贡献度。从图1的作业流程来说是统计性地分析目标变量与解释变量的相关(103)并通过显示105处理回归分析结果所得的结果。贡献度只要通过一般的统计方法求出即可，例如也可以根据显示104的相关系数求出图1的作业流程中所说的相关分析结果。
节点721表示目标变量。节点的旁边记载有变量名。边缘722将节点721与节点723的关系性示为贡献度。节点723是节点721的解释变量。相同的级别中有三个解释变量，从左侧以关系性从高变低的顺序排列。在所选择的解释变量多的情况下，期望显示上级三个。边缘724将节点723与节点725的关系性示为贡献度。除此以外，关于关系性、贡献度也可以使用各种显示方法。
列表740是将图表720中示出的图表显示变换为列表显示而成的。表现时采用列表的嵌套结构。文章741表示目标变量。与在图表720中示出的图表显示中的节点721相同。文章742是文章741的解释变量。括弧中的数字表示贡献度。与在图表720中示出的图表显示中的边缘722和节点723相同。文章743是文章742的解释变量。括弧中的数字表示贡献度。与在图表720中示出的图表显示中的边缘724和节点725相同。
在解释变量的数量多的情况下，期望显示上级三个，如果想要阅览所有变量，则点击文章744。
使用表示解释变量相对于目标变量的效果的单位即效果单位745，效果数值746表示文章742的效果。通过将与文章741的效果以数值化方式进行显示，将该效果数字化。作为计算方法，只要通过一般的统计方法求出即可，例如也可以根据显示105的回归系数求出图1的作业流程中所说的回归分析结果。效果单位745表示分析基准的单位。
效果数值746表示效果单位745中示出的分析基准单位中的效果的值。在该例子中，表示按每个文章742，文章741增加0.791日元。
执行760是执行按钮，当点击时在通过条件设定700输入的条件下执行计算。由此，统计性地分析目标变量与说明变量的相关，并显示图表720、列表740。
通过这样使用基于本发明的分析系统，通过大量数据的相关分析能够选择对象、种类、期间、分辨率、目标变量并求出与目标变量有关的解释变量。例如，如果能够获得店员逗留在特定区域的情况与店铺的营业额相关等分析结果，则容易进行用于实施用于提高业绩的对策的决定。
[实施例3]
图8中示出在本发明的分析系统中执行的应用例的其它例。在图8中，通过指定目标变量和解释变量这两个，能够获知两者的关系性。
应用由条件设定800、图表820、列表840、执行按钮860构成。条件设定800是指定期间、目标变量和解释变量的画面。图表820从通过条件设定800指定的内容进行搜索，并在画面上显示树形结构的图表。列表840是从通过条件设定800指定的内容进行搜索的逐条记载的文章的列表显示的画面。在通过条件设定800指定期间、目标变量和解释变量之后点击执行按钮860，由此执行处理。在图14中示出这些流程图，仅说明与图1的差异。在步骤102a中，进行目标变量和解释变量的输入受理，在步骤103a中，统计性地分析所输入的目标变量与解释变量的相关。
首先，说明设定条件设定800的期间、目标变量和解释变量的画面。STEP1 801至目标变量选择画面805与图7的STEP1 701至目标变量选择画面705相同，因此省略说明。STEP5806是解释变量的指定。在解释变量选择画面807中示出用于容易地选择一个解释变量的画面。解释变量的指定方法中有选择和搜索这两种。在解释变量选择画面807中成为选择的画面。在选择中，从大分类向小分类分级地缩小变量，从其中选择解释变量。另外，在搜索中，通过输入任意的字符串，缩小得到部分一致的变量名，因此从其中选择解释变量。
决定目标变量808是显示通过STEP4 805选择的目标变量的画面。决定解释变量809是显示通过STEP5 806选择的解释变量的画面。
图表820是从通过条件设定800指定的内容进行搜索并将该搜索结果以树形结构进行图表显示的画面。在树形结构的显示方法中，被称为节点的圆符号表示变量，被称为边缘的箭头表示关系性，用下方的节点表示贡献于上方的节点的变量，由此表现级别间的变量的关系。以随着分级变低而节点的线从实线变为虚线的方式表现。另外，直到显示通过STEP5 806指定的解释变量为止，反复进行处理。通过将STEP4 804中的作为目标变量的变量821和STEP4 804中的作为解释变量的变量827的圆符号的框线变粗，容易知道两个变量的关系性。另外，图8的图表的显示方法与图7的图表720相同，因此省略说明。
列表840是将图表820中示出的图表显示变换为列表显示而成的。表现时采用列表的嵌套结构。另外，显示方法与图7的列表740相同，因此省略说明。该列表如图表840中所示那样还能够最小化。
当点击执行按钮860时，在通过条件设定800输入的条件下执行计算，显示图表820、列表840。
通过这样使用基于本发明的分析系统，能够通过大量数据的相关分析求出目标变量与解释变量的组合间的相关的强度。例如，如果能够获得店员逗留在特定区域的情况与店铺的营业额相关等分析结果，则容易进行用于实施用于提高业绩的对策的决定。
这样，通过使用基于本发明的分析系统，能够发现用于达到目的的人未能设想的对策。也就是说，通过本分析系统能够确定潜在于大量数据的影响业绩的要因，有利于决策。
[实施例4]
面向业绩提高的未知的对策引入对于企业的经营来说伴有风险。用于降低该风险的服务模型的构建是重要的。图12是这种服务的提供侧和顾客侧的分析系统结构例。
在图12所示的数据分析服务中心30的计算处理部1300中，除了图11所示的“经营资源综合分析处理1310”以外，还具有“服务效果计算处理1320”。服务效果计算处理1320由计算行为变化的行为变化计算部1104、根据来自数据存储器1400的POS数据1024的利润额等计算利润变化的利润变化计算部1105、以及将行为变化与利润变化这两者进行比较的服务效果判定部1103构成。行为变化的信息1107从统计分析部1019输出到行为变化计算部1104。此外，服务效果计算处理1320还具有用于提供服务效果判定部1103中的处理的定时周期的计时器1106以及用于输出来自服务效果判定部1103的结果的报告生成部1108。通过服务效果判定部1103，能够定量地评价例如由于在店铺中顾客、业务员的行为发生变化而利润等如何贡献。
图6中示出用于通过基于本分析系统的行为提议来计算服务效果并计算利润分配的分析过程。在图1中示出的过程(与步骤600～605相当)之后，计算服务效果(步骤606)，计算利润分配(步骤607)。
图9中示出通过图12中示出的分析系统和图6中示出的分析过程实现的利润分配型服务的流程。
首先，从店铺系统900向数据分析服务提供系统920发送行为数据901，从店铺本部系统910向数据分析服务提供系统920发送POS数据911。接着，各店铺的管理员(店长等)输入营业额、顾客单价、进店客数等能够影响经营成果的目标变量，并发送到数据分析服务提供系统904。也可以使用店铺本部系统来进行该目标变量的输入。数据分析服务提供系统920实施经营资源综合分析处理921，作为其结果，将用于促使行为变化的回归分析结果显示922发送到店铺系统900。各店铺的管理员使用店铺系统900，按照作为结果而获得的信息显示，来实施所需的行为变化对策902。此外，回归分析结果显示也可以发送到店铺本部，在店铺本部决定行为变化对策，并向店铺通知对策。
在一定期间后，数据分析服务提供系统使用行为数据903和POS数据912进行经营资源综合分析处理923，还同时使用前次的经营资源综合分析处理921的数据来进行行为变化计算处理924和服务效果计算处理925。此外，上述内容中在一定时间后进行了处理(步骤923、924、925)，但是数据分析服务提供系统也可以在发送回归分析结果显示922之后分析来自店铺的行为数据，例如在检测出业务员的行为的变化的情况下，将该业务员的行为的变化时间点设为前次和本次的分析的分界点，用来自店铺的数据进行经营资源综合分析，进行行为变化计算处理、服务效果计算处理。由此，与在一定时间后自动地进行计算的情况相比，更容易检测行为的变化。另外，虽然没有图示，但是也可以从店铺接收店铺中进行了与业务员的行为变化有关的指示的内容作为信息，将其作为触发来设为前次和本次的来自店铺的数据的分隔点。在该情况下，数据分析服务系统需要接收来自店铺的信息的步骤，但是能够可靠地获知前次与本次的分界点。
基于该服务效果计算处理925的报告从数据分析服务提供系统920发送到店铺本部系统910，在店铺本部系统910中进行所需的利润分配计算处理913，与其结果相应地，从店铺本部系统910向数据分析服务提供系统920支付服务费用。
在实际服务中，例如考虑如下方法：在顾客与服务提供侧之间的服务利用合同中，约定将店铺群中的利润、营业额的增加额乘以一定的比率所得的金额作为服务报酬来接受。
图13中示出从数据分析服务提供系统920对店铺本部系统910定期地发送的报告的例子11300。在本报告中，作为摘要，记载特定期间内的营业额金额的增加和行为提议服务引入效果的贡献率。另外，记载通过数据分析服务提供的提议行为内容。还示出相应期间内的行为变化11310和营业额变化11320。前述的行为提议服务引入效果的贡献率是考虑这些行为变化11310与营业额变化11320的联动来通过未图示的算法计算出的。
此外，在本例中，示出了通过一次报告来报告一个期间的报告的例子，但是也可以考虑通过一次报告将与多个期间对应的多个报告的内容汇总后发送的方式。
这样，通过基于本发明的分析系统以及流程，在服务的提供侧和顾客侧能够实现成功报酬型的服务合同。通过交换这种合同，在通过将服务固定利用费用(例如每月接受一定额)设为低额来减轻用户的固定负担的同时，在利润上升时能够接受与该增加额相应的成功报酬。也就是说，能够减轻顾客引入服务的风险，由此促进服务引入、普及。
本发明关于用于支援经营决策的数据分析系统，通过在店铺中的操作改善、护理/医院的领域、外出就餐的领域等的服务改善、以及知识劳动业务的生产率改善等中实施与各领域相应的定制(Customize)，能够利用本发明。
Claims (10)
1.一种数据综合分析系统，该数据综合分析系统使用保存有数据的存储部，其特征在于，具有：
变量生成条件事先设定部，预先设定在根据所述数据自动生成解释变量中所使用的变量生成条件信息；
数据汇总部，以使所述数据具有相同的时间粒度的方式将所述数据进行汇总，
解释变量生成部，基于所述变量生成条件信息自动生成与所述数据有关的多个解释变量；
目标变量输入部，受理目标变量的输入；
相关计算部，计算所述目标变量与所述解释变量的相关关系；以及
显示部，将所述相关关系显示在画面上，
预先设定的所述变量生成条件信息包括：条件算子，针对所述数据设定活动主体或时间条件的范围；对象算子，在所述条件算子所设定的条件下，设定物或人的活动的范围或种类；以及运算算子，在所述条件算子以及所述对象算子的条件下，设定指标的数值；
所述解释变量生成部使用将所述条件算子、所述对象算子以及所述运算算子中的某一个算子改变后的多个算子组自动生成与所述数据有关的多个解释变量；其中，在所述条件算子、所述对象算子以及所述运算算子之间以只有一个算子发生变化而其他算子固定的方式进行多个算子间运算处理，从而自动生成多个解释变量；
所述数据综合分析系统求出所述目标变量与所述解释变量的组合间的相关的强度。
2.根据权利要求1所述的数据综合分析系统，其特征在于，
所述存储部还存储有计算逻辑或时间粒度表，该计算逻辑或时间粒度表用于设定适于计算与所述目标变量的所述相关关系的时间粒度，
所述数据综合分析系统还具有时间粒度计算部，该时间粒度计算部使用所述计算逻辑或所述时间粒度表在所述条件算子中设定所述时间粒度。
3.根据权利要求2所述的数据综合分析系统，其特征在于，
所述解释变量生成部按所述数据的所述时间粒度中所设定的每个时间宽度，进行使用了所述对象算子以及所述运算算子的运算处理。
4.根据权利要求1所述的数据综合分析系统，其特征在于，
所述数据是与规定的店铺有关的数据，
所述解释变量生成部将所述店铺内的多个区域分别设定在所述对象算子中，并按每个该被设定的对象算子进行使用了所述运算算子的运算处理。
5.根据权利要求1所述的数据综合分析系统，其特征在于，
还具有受理分析时的基准即种类、用于分析的区间即期间、以及用于分析的时间分辨率即分辨率的输入的分析条件输入部，
所述显示部在将所述相关关系在所述画面上显示时，显示满足所述种类、所述期间、和所述分辨率的条件的所述解释变量、以及所述目标变量。
6.根据权利要求1所述的数据综合分析系统，其特征在于，
所述相关计算部计算所述相关关系中的贡献度，
所述显示部将所述目标变量、所述解释变量以及所述贡献度显示在所述画面上。
7.根据权利要求1所述的数据综合分析系统，其特征在于，
所述相关计算部生成所述相关关系中的所述解释变量对所述目标变量带来的效果的单位即效果单位、以及使用所述效果单位表示所述效果的效果数值，
所述显示部将所述效果单位和所述效果数值显示在所述画面上。
8.根据权利要求1所述的数据综合分析系统，其特征在于，
还具有受理决定目标变量的输入的决定目标变量输入部，
所述显示部显示所述决定目标变量作为所述目标变量。
9.根据权利要求1所述的数据综合分析系统，其特征在于，
所述数据包含利润信息，
该数据综合分析系统还具有：
行为变化计算部，计算行为变化；
利润变化计算部，基于所述利润信息计算利润变化；
服务效果判定部，基于所述行为变化和所述利润变化，计算服务效果；以及
利润分配计算部，基于所述服务效果计算利润分配率。
10.一种利润分配服务提供方法，该利润分配服务提供方法使用设置于店铺的店铺系统、设置于店铺本部的店铺本部系统、以及数据分析服务提供系统，其特征在于，包括如下步骤：
所述店铺系统向所述数据分析服务提供系统发送所述店铺中的第一行为数据；
所述店铺本部系统向所述数据分析服务提供系统发送第一POS信息；
所述店铺系统通过目标变量输入部受理目标变量的输入，向所述数据分析服务提供系统发送所述目标变量；
所述数据分析服务提供系统自动生成与所述第一行为数据和所述第一POS信息有关的解释变量，计算所述目标变量与所述解释变量的相关关系，并发送到所述店铺系统；
所述店铺系统向所述数据分析服务提供系统发送在所述第一行为数据之后生成的第二行为数据；
所述店铺本部系统向所述数据分析服务提供系统发送在所述第一POS信息之后生成的第二POS信息；
所述数据分析服务提供系统基于所述第一行为数据以及所述第二行为数据来计算行为变化信息，基于所述第一POS信息以及所述第二POS信息来计算利润变化信息，基于所述行为变化信息和所述利润变化信息来计算服务效果，基于所述服务效果来生成报告信息，向所述店铺本部系统发送所述报告信息；以及
所述店铺本部系统基于所述报告信息来计算利润分配率，基于所述利润分配率向所述数据分析服务提供系统发送服务费用信息；
所述数据分析服务提供系统在生成所述解释变量的步骤中，
预先设定在根据所述第一行为数据和所述第一POS信息自动生成解释变量中所使用的变量生成条件信息，预先设定的所述变量生成条件信息包括：条件算子，针对数据设定活动主体或时间条件的范围；对象算子，在所述条件算子所设定的条件下，设定物或人的活动的范围或种类；以及运算算子，在所述条件算子以及所述对象算子的条件下，设定指标的数值，
以使所述第一行为数据和所述第一POS信息具有相同的时间粒度的方式将所述第一行为数据和所述第一POS信息进行汇总，
使用将所述条件算子、所述对象算子以及所述运算算子中的某一个算子改变后的多个算子组自动生成多个所述解释变量，其中，在所述条件算子、所述对象算子以及所述运算算子之间以只有一个算子发生变化而其他算子固定的方式进行多个算子间运算处理，从而自动生成多个解释变量；
所述数据分析服务提供系统求出所述目标变量与所述解释变量的组合间的相关的强度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910417797.8A CN110119903B (zh) | 2012-10-16 | 2013-10-16 | 数据综合分析系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012-228520 | 2012-10-16 | ||
| JP2012228520A JP6082564B2 (ja) | 2012-10-16 | 2012-10-16 | データ統合分析システム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910417797.8A Division CN110119903B (zh) | 2012-10-16 | 2013-10-16 | 数据综合分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103729776A CN103729776A (zh) | 2014-04-16 |
| CN103729776B true CN103729776B (zh) | 2019-06-14 |
Family
ID=50453837
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310484388.2A Active CN103729776B (zh) | 2012-10-16 | 2013-10-16 | 数据综合分析系统 |
| CN201910417797.8A Active CN110119903B (zh) | 2012-10-16 | 2013-10-16 | 数据综合分析系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910417797.8A Active CN110119903B (zh) | 2012-10-16 | 2013-10-16 | 数据综合分析系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (2) | US10445676B2 (zh) |
| JP (1) | JP6082564B2 (zh) |
| CN (2) | CN103729776B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6520199B2 (ja) * | 2015-02-23 | 2019-05-29 | 富士通株式会社 | 抽出方法、情報処理装置、及び抽出プログラム |
| JP6596899B2 (ja) * | 2015-04-16 | 2019-10-30 | 日本電気株式会社 | 接客データ処理装置及び接客データ処理方法 |
| WO2017037768A1 (ja) * | 2015-08-28 | 2017-03-09 | 株式会社日立製作所 | 評価システム、評価方法およびデータ解析システム |
| US10664743B2 (en) * | 2015-10-28 | 2020-05-26 | International Business Machines Corporation | Modeling a subject process by machine learning with adaptive inputs |
| JP6506201B2 (ja) * | 2016-03-22 | 2019-04-24 | 株式会社日立製作所 | 目的変数に対応する説明変数群を決定するシステム及び方法 |
| WO2017168524A1 (ja) * | 2016-03-28 | 2017-10-05 | 株式会社日立製作所 | 分析用サーバ装置、データ解析システム、及びデータ解析方法 |
| JP6727089B2 (ja) * | 2016-09-30 | 2020-07-22 | 株式会社日立製作所 | マーケティング支援システム |
| US11069381B1 (en) * | 2016-12-27 | 2021-07-20 | Amazon Technologies, Inc. | Automated sensor data retention |
| JP6740157B2 (ja) * | 2017-03-13 | 2020-08-12 | 株式会社東芝 | 解析装置、解析方法、及び、プログラム |
| EP3637359A1 (en) * | 2017-06-08 | 2020-04-15 | Fujitsu Limited | Information processing method, information processing device, and information processing computer program |
| JP6608411B2 (ja) | 2017-10-20 | 2019-11-20 | 株式会社日立製作所 | データ解析システム及び施策の生成方法 |
| JP6664586B2 (ja) * | 2018-07-03 | 2020-03-13 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
| JP6656626B2 (ja) * | 2018-08-14 | 2020-03-04 | ウィルベース株式会社 | 販売支援システムおよび販売支援方法 |
| JP7085448B2 (ja) * | 2018-09-28 | 2022-06-16 | 株式会社Ｎｔｔドコモ | 業績予測方法、業績予測プログラム及び業績予測装置 |
| CN111222903B (zh) * | 2018-11-27 | 2023-04-25 | 北京嘀嘀无限科技发展有限公司 | 用于处理来自在线按需服务平台的数据的系统和方法 |
| KR101976689B1 (ko) * | 2018-11-29 | 2019-05-09 | 주식회사 솔리드웨어 | 데이터 모델링을 위한 변수 자동생성방법 및 그 장치 |
| JP7246956B2 (ja) * | 2019-02-13 | 2023-03-28 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
| JP7246958B2 (ja) * | 2019-02-13 | 2023-03-28 | 株式会社キーエンス | データ分析装置及びデータ分析方法 |
| US20220222686A1 (en) * | 2019-05-21 | 2022-07-14 | Nippon Telegraph And Telephone Corporation | Analysis apparatus, analysis system, analysis method and program |
| US20220335527A1 (en) * | 2019-12-11 | 2022-10-20 | Chu-Pin Lin | Device for Trading Personal Data |
| JP7326640B1 (ja) * | 2023-02-10 | 2023-08-15 | 株式会社エクサウィザーズ | 情報処理方法、コンピュータプログラム及び情報処理装置 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5237498A (en) * | 1988-07-08 | 1993-08-17 | Hitachi, Ltd. | System and method for computing profits for individual entities of an entity group via use of means to retrieve and process data for specific entities |
| US5873251A (en) * | 1995-09-13 | 1999-02-23 | Kabushiki Kaisha Toshiba | Plant operation control system |
| JP2000020504A (ja) | 1998-06-30 | 2000-01-21 | Toshiba Corp | 目的変数の説明または予測方法、および目的変数を説明または予測するプログラムを記録した記録媒体 |
| JP2001312573A (ja) * | 2000-02-23 | 2001-11-09 | Toshiba Corp | データ分析方法及びデータ分析システム並びにプログラムを記録したコンピュータ読み取り可能な記録媒体 |
| JP2002007659A (ja) * | 2000-06-21 | 2002-01-11 | Noriaki Kanda | 商品分析装置、方法、記憶媒体及び出力物 |
| JP2002334275A (ja) * | 2001-05-09 | 2002-11-22 | Ntt Data Corp | マーケティング管理装置 |
| JP4160462B2 (ja) * | 2003-08-18 | 2008-10-01 | 株式会社東芝 | 時系列行動パターンを生成して表示する装置およびプログラム |
| WO2005111880A1 (ja) | 2004-05-14 | 2005-11-24 | Supreme System Consulting Corporation | 行動解析装置 |
| WO2006090480A1 (ja) * | 2005-02-23 | 2006-08-31 | Hitachi, Ltd. | センサネット管理方式 |
| US7996256B1 (en) * | 2006-09-08 | 2011-08-09 | The Procter & Gamble Company | Predicting shopper traffic at a retail store |
| US7908237B2 (en) * | 2007-06-29 | 2011-03-15 | International Business Machines Corporation | Method and apparatus for identifying unexpected behavior of a customer in a retail environment using detected location data, temperature, humidity, lighting conditions, music, and odors |
| US8527307B2 (en) * | 2007-10-24 | 2013-09-03 | International Business Machines Corporation | Method, system and program product for distribution of feedback among customers in real-time |
| JP5097631B2 (ja) * | 2008-07-10 | 2012-12-12 | 日立Ｇｅニュークリア・エナジー株式会社 | 通信制御方法及びセンサネットワークシステム |
| JP5401885B2 (ja) * | 2008-09-24 | 2014-01-29 | 日本電気株式会社 | モデルの構築方法、構築システム及び構築用プログラム |
| JP5352485B2 (ja) * | 2010-01-21 | 2013-11-27 | 株式会社日立製作所 | 要因分析装置 |
| US20110282662A1 (en) * | 2010-05-11 | 2011-11-17 | Seiko Epson Corporation | Customer Service Data Recording Device, Customer Service Data Recording Method, and Recording Medium |
| US20130226821A1 (en) * | 2012-02-03 | 2013-08-29 | Callidus Software Incorporated | Method & appartus for improving the skillset of a sales candidate by using sales coaching applications coupled to e-learning tools |
-
2012
- 2012-10-16 JP JP2012228520A patent/JP6082564B2/ja active Active
-
2013
- 2013-10-08 US US14/049,063 patent/US10445676B2/en active Active
- 2013-10-16 CN CN201310484388.2A patent/CN103729776B/zh active Active
- 2013-10-16 CN CN201910417797.8A patent/CN110119903B/zh active Active
-
2019
- 2019-09-04 US US16/559,712 patent/US11200528B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP6082564B2 (ja) | 2017-02-15 |
| US20190392362A1 (en) | 2019-12-26 |
| JP2014081750A (ja) | 2014-05-08 |
| US10445676B2 (en) | 2019-10-15 |
| CN110119903A (zh) | 2019-08-13 |
| US11200528B2 (en) | 2021-12-14 |
| US20140108100A1 (en) | 2014-04-17 |
| CN110119903B (zh) | 2023-05-02 |
| CN103729776A (zh) | 2014-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103729776B (zh) | 数据综合分析系统 | |
| AU2019232865B2 (en) | Systems and methods for detecting and scoring anomalies | |
| JP6226846B2 (ja) | 情報分析装置、情報分析方法および情報分析プログラム | |
| Kaya et al. | Behavioral attributes and financial churn prediction | |
| Deschaintres et al. | Analyzing transit user behavior with 51 weeks of smart card data | |
| CN102622552A (zh) | 一种基于数据挖掘的b2b平台欺诈访问的检测方法和系统 | |
| KR100944117B1 (ko) | 예정가격의 발생 확률을 이용한 입찰 분석 방법 | |
| Bebbington et al. | National-level long-term eruption forecasts by expert elicitation | |
| Bell et al. | The application of a research project selection method | |
| Saad et al. | Estimating stem diameter distributions from airborne laser scanning data and their effects on long term forest management planning | |
| Lineback et al. | Conducting nonresponse bias analysis for business surveys | |
| JP6419865B2 (ja) | データ統合分析システム | |
| Abdallah et al. | A Data Collection Quality Model for Big Data Systems | |
| US8583695B2 (en) | Method and apparatus for evaluating statistical significance over time | |
| De Silva et al. | Design science research based blended approach for usability driven requirements gathering and application development | |
| Vasiljevic et al. | Recording of accountancy data at the family farms in Serbia | |
| Ahmed et al. | The effectiveness of the intelligence E-CRM application in enhancing positive customer relationships | |
| Hirschmeier et al. | Information Quality Needs throughout the Purchase Process. | |
| Visintin et al. | Leveraging Social Networks for Mergers and Acquisitions Forecasting | |
| Diez et al. | Group evolution patterns in running races | |
| US11455274B2 (en) | Method and system for analyzing data in a database | |
| Lin et al. | Predicting Customer Churn Using the Cumulative Quantity Control Chart | |
| Goldstein et al. | Engagement, Search Goals and Conversion-The Different M-Commerce Path to Conversion. | |
| US20150025961A1 (en) | Method and system for online marketing measurements | |
| Vanni et al. | On an Aggregated Estimate for Human Mobility Regularities through Movement Trends and Population Density |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |