JP2005070913A - 潜在ターゲット導出装置、潜在ターゲット導出方法及びそのプログラム - Google Patents

Abstract

【課題】 データマイニング技術においてシーケンス分析と決定木分析を組み合わせて、より精度の高い潜在ターゲットを導出できるようにする。
【解決手段】 時系列的な属性データを入力とし、シーケンス分析結果から特定属性データ出現集合特有のルールを選別し、特定属性データ出現傾向と正の相関にあるルールと同一の時系列的推移を持つデータ及び特定属性データ出現傾向と負の相関にあるルールと同一の時系列的推移を持たないデータへの加工、また、必要なら時系列以外のデータを追加する加工を行い、決定木分析により特定属性データ出現集合のみに出現率の高い特徴を抽出することで、潜在ターゲットを導出する。
【選択図】 図１

Description

本発明は、データマイニング技術におけるシーケンス分析と決定木分析を組み合わせた時系列データからの潜在ターゲット導出技術に関するものである。

データマイニング技術は、商品販売や各種サービスのマーケッテング調査等、その利用は枚挙にいとまがない。

しかしながら、従来技術においては、データマイニング技術におけるシーケンス分析は目的変数を持たないため、図１１に示すように、仮に特定属性データ（Ｘ）が結論として出力されたルールに注目し、その前提条件部分だけを捉えたとしても、その特定属性データ出現集合特有のルールとは限らず、特定属性データ出現とは無関係なルールも含まれる可能性があるため単純にシーケンス分析を行っただけでは不十分である。また、シーケンス分析では、その特定属性データ出現傾向と負の相関にある時系列推移（特定属性データの出現確率が低くなる時系列推移）を出力することは不可能である。さらに、シーケンス分析の入力データは時系列データのみ取り扱うことができ、時系列以外のデータと一緒に分析することはできない。

一方、データマイニング技術における決定木分析では、説明変数に時系列データを採用する場合、図１２に示すのように、時系列データを時間軸で分けて複数の説明変数に入れて分析する方法が考えられているが（例えば、非特許文献１参照）、連続的な時系列推移を分析結果として導出することはできず、特定時点の特定属性値そのものがルールとして導出されてしまう。

このように従来技術においては、特定属性データを目的変数とした時系列データ分析では、単純にシーケンス分析を行っただけでは出力された結集が特定属性データ出現集合特有のルールとは限らず、また特定属性データ出現傾向と負の相間にあるルールを出力することはできず、さらに時系列データしか取り扱うことができない問題があった。また、決定木分析の入力に時系列データを用いる場合、特定時点における特定属性のポイントポイントの値によりルールが導出され、データの時系列的な推移を用いた分析を実施することはできない問題があった。
浅野恭次、大垣智恵子、岡田孝、白川貴久子、城田亮一郎：「通信販売における優良顧客選択の試み」，平成１３年度ＮＡＳＵＣ論文、ｐｐ．１−２３（２００１） ｈｔｔｐ：／／ｗｗｗ．ｃｌａｂ．ｋｗａｎｓｅｉ．ａｃ．ｊｐ／〜ｏｋａｄａ／ｗｗｗ／ｃｏｎｔｅｎｔｓ０１／ｎａｓｕｃ．ｐｄｆ

本発明は、上記従来の問題を解決すべく、シーケンス分析結果から特定属性データ出現集合特有のルール（特定属性データ出現傾向と正の相関／負の相関があるルール）を選別し、必要なら時系列以外のデータと同時に決定木分析にかけることにより、連続的な時系列推移を考慮してルールとして導出し、潜在ターゲットを導出することにある。

本発明では、第１及び第２のフィルタ手段と、シーケンス分析手段と、ルール選別手段と、データ加工手段と、決定木分析手段と、ターゲット出力手段を備える。

時系列データを第１フィルタ手段によって顧客ＩＤ等のＩＤと特定属性データ出現有無データ及び特定属性データ出現前のデータに分離し、第２フィルタ手段によって特定属性データ出現集合と属性データ非出現集合に分離して出力し、これら集合をシーケンス分析手段へ入力してそれぞれの特徴を抽出し、ルール選別手段によって特定属性データ出現集合特有のルール（特定属性データ出現傾向と正の相関／負の相関があるルール）を選別し、データ加工手段により特定属性データ出現傾向と正の相関にあるルールと同一の時系列的推移を持つデータ及び特定属性データ出現傾向と負の相関にあるルールと同一の時系列的推移を持たないデータへのデータ加工を行い、また、必要なら時系列以外のデータを追加するための加工を行い、決定木分析手段により特定属性データ出現集合のみに出現率の高いの特徴を抽出し、ターゲット出力手段によって該特定属性データ出現集合のみに出現率の高い特徴と同一の特徴を持つ特定属性データ非出現集合のＩＤを潜在ターゲットとして出力する。

本発明によれば、時系列的な属性データを用いて特定属性データ出現集合及び特定属性データ非出現集合それぞれのシーケンス分析を実施し、特定属性データ出現集合特有のルールを抽出し、その結果を必要なら時系列以外のデータと共に決定木分析に適用することで、有効な時系列パターンを考慮した潜在ターゲットの導出を行うことができる。また、本発明では、シーケンス分析に目的変数を持たせ、特定属性データ出現傾向と正の相関及び負の相関がある時系列推移を抽出でき、必要なら時系列以外のデータと合わせて決定木分析を実施できるため、従来の手法と比較して特定属性データの説明力を向上できるメリットがある。

以下、図面に基づいて本発明の実施形態を説明する。

図１は本発明の一実施例におけるシステム構成図であり、１００は時系列の入力データ（属性データ）、１１０は時系列以外の入力データ、２００は潜在ターゲット導出装置、３００は出力データ（潜在ターゲット）である。潜在ターゲット導出装置２００はフィルタ（１）２１０、フィルタ（２）２２０、シーケンス分析部２３０、ルール選択部２４０、データ加工部２５０、決定木分析部２６０、ターゲット出力部２７０で構成される。なお、潜在ターゲット導出装置２００は、各部の動作を制御する制御部や、入力データや処理途中の結果などを記憶する記憶部等も具備するが、図１では省略してある。

フィルタ（１）２１０は、時系列的な属性データ１００を入力として、ＩＤと特定属性データ出現有無の対応を示すデータ（特定属性データ出現有無データ）、及び、各々のＩＤ毎における特定属性データの出現以後の時系列データを削除した特定属性データ出現前の時系列データを出力する。フィルタ（２）２２０は、フィルタ（１）２１０からの特定属性データ出現前の時系列データを入力して、それを特定属性データが出現した集合と特定属性データが出現しなかった集合とに分離する。

シーケンス分析部２３０は、フィルタ（２）２２０からの特定属性データ出現集合と特定属性データ非出現集合を入力してシーケンス分析し、それぞれの集合のルールとルール該当オッズを出力する。ルール選別部２４０は、シーケンス分析部２３０からのそれぞれの集合のルールとルール該当オッズを入力して、特定属性データ出現集合特有のルールを選別する。具体的には、特定属性データ出現集合のルールとオッズ（Ｃ１）、特定属性データ非出現集合のルールとオッズ（Ｃ２）において、同一のルールをキーに、Ｃ１の該当オッズ÷Ｃ２の該当オッズを計算することによりオッズ比を得、該オッズ比が定数α以上または１／α以下のルール、さらに、特定属性データ出現集合のみに出現したルール、特定属性データ非出現集合のみに出現したルールを選別する。

データ加工部２５０は、フィルタ（１）２１０からＩＤと特定属性データ出現有無データ及び特定属性データ出現前の時系列データを入力し、また、ルール選別部２４０から特定属性データ出現集合特有のルールを入力して、特定属性データ出現傾向と正の相関があるルールと同一の時系的推移を持つデータへの加工、及び、特定属性データ非出現傾向と負の相関があるルールと同一の時系列的推移を持つデータへの加工を行う。さらに、データ加工部２５０では、時系列以外の入力データ１１０が存在する場合、該時系列以外の入力データ１１０を用いてデータ加工を行う。具体的には、ＩＤと特定属性データ出現有無データをロー、特定属性データ出現集合特有のルールをカラムとして、ＩＤをキーに特定属性データ出現前の時系列データを用いて、そのルールと同一の時系列的推移を示せば１を、示さなければ０を埋める加工を行い、さらに、この加工データに対して、ＩＤをキーに時系列以外のデータを追加する加工を行う。

決定木分析部２６０は、データ加工部２５０の出力データを入力して決定木分析を行い、特定属性データ出現集合のみに出現率の高い特徴を抽出する。

ターゲット出力部２７０は、データ加工部２５０の出力データと決定木分析部２６０の出力データとを入力して、特定属性データ出現集合のみに出現率の高い特徴と同一の特徴を持つ特定属性データ非出現集合のＩＤを潜在ターゲット３００として出力する。

図２は本実施例における処理フローチャートの一例であり、時系列的な属性データを顧客の商品購入履歴データとし、特定属性データを特定商品とした場合の処理フローチャートを示したものである。以下、図２に従って本実施例の動作を詳述する。

入力データ１００として顧客の商品購入履歴データが潜在ターゲット装置２００へインプットされるとする（ステップＳ１）。図３に顧客の商品購入履歴データ（時系列データ）の一例を示す。ここで、特定商品（特定属性データ）を商品名Ｘとする。

まず、フィルタ（１）２１０では、図３に示されるような顧客の商品購入履歴データを入力として、顧客ＩＤと特定商品（Ｘ）の購入有無の対応を示すデータ（顧客ＩＤ＋特定商品購入有無データ）２１１を出力すると共に、各顧客における特定商品（Ｘ）購入後の当該顧客データを削除した特定商品購入前データ２１２を出力する（ステップＳ２）。図４に、顧客ＩＤ＋特定商品購入有無データ２１１、及び特定商品購入前データ２１２の一例を示す。

次に、フィルタ（２）２２０では、顧客ＩＤ＋特定商品購入有無データ２１１にもとづき、特定商品購入前データ２１２の顧客データを、特定商品購入者データ２１１と特定商品未購入者データ２２２とに分離する（ステップＳ３）。図５に特定商品購入者データ２２１と特定商品未購入者データ２２２の一例を示す。

次に、シーケンス分析部２３２では、特定商品購入者データ２２１と特定商品未購入者データ２２２のそれぞれについて分析し（シーケンス分析）、各々の特徴、すなわち、特定商品購入者のルールとそのルールのオッズ２３１、特定商品未購入者のルールとそのルールのオッズ２３２を出力する（ステップＳ４）。図６に、特定商品購入者の特徴（ルールとオッズ）２３１、特定商品未購入者の特徴（ルールとオッズ）２３２の一例を示す。図６において、例えば、「Ａ→Ｂ」は、「商品Ａを購入すると、その後、商品Ｂを購入する」ルールを示し、「Ｃａｎｄ Ｄ」は、「商品Ｃを購入した時、同時に商品Ｄも購入する」ルールを示す。また、「Ｅ→ＦａｎｄＧ」は、「商品Ｅを購入すると、その後、商品ＦとＧを同時に購入する」ルールを示す。他のルールも同様である。

次に、ルール選別部２４０では、特定商品購入者ルールとそのオッズ２３１、特定商品未購入者ルールとそのオッズ２３２を入力として、特定商品購入者特有のルール２４１を選別する（ステップＳ５）。図７はルール選別部２４０での処理を説明する図である。ルール選択部２４０では、同一のルールをキーとして、特定商品購入者のオッズ÷特定商品未購入者のオッズによってオッズ比を計算する。そして、そのオッズ比が予め定めた定数α以上のルール（特定商品購入傾向と正の相関を持つルールに該当；例えば「Ｅ→ＦａｎｄＧ」）、１／α以下のルール（特定商品購入傾向と負の相関を持つルールに該当）を、特定商品購入者特有のルールとして選別する。定数αは１以上の値であり、学習や経験則等で定められる。また、特定商品購入者のルールに出現して特定商品未購入者のルールに出現しなかったルール（これは特定商品購入傾向と正の相関を持つルールに該当；例えば「Ａ→Ｂ」、「Ｃａｎｄ Ｄ」）、及び、逆に特定商品未購入者のルールに出現して特定商品購入者のルールに出現しなかったルール（これは特定商品購入傾向と負の相関を持つルールに該当；例えば「Ｃ→ＤａｎＥ」、「ＥａｎｄＦ」）についても、特定商品購入者特有のルールとして選別する。

次に、データ加工部２５０において、フィルタ（１）２１０からの顧客ＩＤと特定商品購入有無データ２１１及び特定商品購入前データ２１２、ルール選択部２４０からの特定商品購入者特有ルール２４１、さらに顧客の商品購入履歴データ（時系列データ）以外のデータ（時系列以外のデータ）１１０を入力として、特定商品購入傾向（特定属性データ出現傾向）と正の相関にあるルールと同一の時系的推移を示す顧客データ及び特定商品購入傾向と負の相関にあるルールと同一の時系列的推移を示さない顧客データの加工を行い、また、時系列以外の顧客データ（性別、年齢、その他）を追加する加工を行う（ステップＳ６）。

図８はデータ加工部２５０での処理を説明する図である。データ加工部２５０では、まず、フィルタ（１）２１０によって出力された顧客ＩＤと特定商品購入有無データ２１１に対して、ルール選別部２４０によって出力された特定商品購入者特有のルール２４１をカラムとして追加する。次に、フィルタ（１）２１０による特定商品購入前データ２１２を用いて、特定商品購入者のルールと同一の時系列推移を示す顧客データには１に、そうでなければ０に加工する。次に、顧客の時系列以外の入力データ１１０を、顧客ＩＤをキーとして結合する。

次に、決定木分析部２６０では、データ加工部２５０によるデータ加工結果２５１をもとに決定木分析を行い、特定商品購入者特有のルール２６１を抽出する（ステップＳ７）。図９に決定木の一例を示す。図９の例の場合、着目する特定商品購入者率が最大のノードは「ア＞＝３．５」であり、該ノードから逆にたどって、「Ａ→Ｂ＝１且つＥａｎｄＦ＝０且つア＞＝３．５」が特定商品（Ｘ）購入者特有のルールとして抽出される。

最後に、ターゲット出力部２７０では、データ加工部２５０のデータ加工結果２５１と決定木分析部２６０の特定商品購入者特有ルール２６１を入力として、特定商品未購入者のうち、特定商品購入者特有の時系列的推移と同一の特徴を持つ顧客（顧客ＩＤ）を潜在ターゲット３００として出力する（ステップＳ８）。図１０はターゲット出力部２７０での処理を説明する図である。図１０では、データ加工部２５０のデータ加工結果２５１について、特定商品購入有無＝０の顧客データのうちから、決定木分析部２６０の出力２６１の条件（Ａ→Ｂ＝１且つＥａｎｄＦ＝且つア＞３．５）を満たす顧客ＩＤ（ｍｍｍｍ、ｏｏｏｏ、ｐｐｐｐ，…）が潜在ターゲットとして出力されることを示している。

以上、本発明の実施例を説明したが、場合によっては、入力データは顧客の商品購入履歴データ（時系列データ）のみとし、顧客の時系列以外のデータは省略することも可能である。また、実施例では顧客の商品購入を取り上げたが、本発明はこれに限られるものでないことは云うまでもない。

なお、図１で示した潜在ターゲット導出装置における各部の一部もしくは全部の処理機能をコンピュータのプログラムで構成し、そのプログラムをコンピュータを用いて実行して本発明を実現することができること、あるいは、図２で示した処理手順をコンピュータのプログラムで構成し、そのプログラムをコンピュータに実行させることができることは言うまでもない。また、コンピュータでその処理機能を実現するためのプログラム、あるいは、コンピュータにその処理手順を実行させるためのプログラムを、そのコンピュータが読み取り可能な記録媒体、例えば、ＦＤやＭＯ、ＲＯＭ、メモリカード、ＣＤ、ＤＶＤ、リムーバブルディスクなどに記録して、保存したり、提供したりすることができるとともに、インターネット等のネットワークを通してそのプログラムを配布したりすることが可能である。

本発明の一実施例におけるシステム構成図である。 本発明の一実施例における処理フローチャートである。 顧客の商品購入履歴データ（時系列データ）の一例である。 特定商品購入後のデータ削除加工を含むフィルタ１の出力例である。 フィルタ２の出力例である。 シーケンス分析部の出力例である。 ルール選別部の処理例である。 データ加工部の処理例である。 決定木分析部の出力例である。 ターゲット出力部の出力例である。 従来のシーケンス分析を説明する図である。 従来の決定木による時系列データ分析を説明する図である。

符号の説明

１００ 入力データ（時系列）
１１０ 入力データ（時系列以外）
２００ 潜在ターゲット導出部
２１０ フィルタ１
２１１ 顧客ＩＤ＋特定商品購入有無データ
２１２ 特定商品購入前データ
２２０ フィルタ２
２２１ 特定商品購入者データ
２２２ 特定商品未購入者データ
２３０ シーケンス分析部
２３１ 特定商品購入者ルール＋オッズ
２３２ 特定商品未購入者ルール＋オッズ
２４０ ルール選別分析部
２４１ 特定商品購入者特有ルール
２５０ データ加工部
２５１ データ加工結果
２６０ 決定木分析部
２６１ 特定商品購入者特有ルール
２７０ ターゲット出力部
３００ 出力データ（潜在ターゲット）

Claims (7)

1. 時系列的属性データを入力として、識別子（ＩＤ）と特定属性データ出現有無の対応を示す特定属性データ出現有無データ、及び、各ＩＤ毎における特定属性データ出現前の時系列的属性データを出力する第１フィルタ手段と、
   前記ＩＤと特定属性データ出現有無データをもとに、前記特定属性データ出現前の時系列的属性データを特定属性データ出現集合と特定属性データ非出現集合とに分離する第２フィルタ手段と、
   前記特定属性データ出現集合と属性データ非出現集合をそれぞれシーケンス分析して、前記特定属性データ出現集合の特徴と前記属性データ非出現集合の特徴を抽出するシーケンス分析手段と、
   前記特定属性データ出現集合の特徴と前記特定属性データ非出現集合の特徴から、特定属性データ出現傾向と正の相関、負の相関があるルールを、特定属性データ出現集合特有のルールとして選別するルール選別手段と、
   前記ＩＤと特定属性データ出現有無データ、前記特定属性データ出現前の時系列的属性データ、及び、前記特定属性データ出現集合特有のルールを入力として、前記特定属性データ出現集合特有のルールと同一の時系列的推移を持つデータへの加工及び持たないデータへの加工を行うデータ加工手段と、
   前記データ加工手段によるデータ加工結果により決定木分析して、前記特定属性データ出現集合のみに出現率の高い特徴を抽出する決定木分析手段と、
   前記データ加工手段によるデータ加工結果と前記決定木分析手段で抽出された特徴を入力として、前記特定属性データ出現集合のみに出現率の高い特徴と同一の特徴を持つ特定属性データ非出現集合のＩＤを潜在ターゲットとして出力するターゲット出力手段と、
   を具備することを特徴とする潜在ターゲット導出装置。
2. 請求項１記載の潜在ターゲット導出装置において、前記データ加工手段では、時系列データ以外の入力データを用いてデータ加工を更に行うことを特徴とする潜在ターゲット導出装置。
3. 時系列的な属性データを入力とし、各々の識別子（ＩＤ）毎における特定の属性データの出現以後の時系列データを削除し、特定属性データが出現した集合と特定属性データが出現しなかった集合とに分離するフィルタ過程と、
   特定属性データ出現集合と属性データ非出現集合をそれぞれシーケンス分析して、前記特定属性データ出現集合の特徴と前記特定属性データ非出現集合の特徴を抽出するシーケンス分析過程と、
   前記特定属性データ出現集合の特徴と前記特定属性データ非出現集合の特徴から、特定属性データ出現傾向と正の相関、負の相関があるルールを、特定属性データ出現集合特有のルールとして選別するルール選別過程と、
   特定属性データ出現以前の時系列データを、前記特定属性データ出現集合特有のルールと同一の時系列的推移を持つデータへの加工及び持たないデータへの加工を行うデータ加工過程と、
   前記データ加工過程によるデータ加工結果により決定木分析して、前記特定属性データ出現集合のみに出現率の高い特徴を抽出する決定木分析過程と、
   前記特定属性データ出現集合のみに出現率の高い特徴と同一の特徴を持つ特定属性データ非出現集合のＩＤを潜在ターゲットとして出力するターゲット出力過程と、
   を有することを特徴とする潜在ターゲット導出方法。
4. 請求項３記載の潜在ターゲット導出方法において、
   シーケンス分析過程では、特定属性データ出現集合の特徴及び特定属性データ非出現集合の特徴として、それぞれのルールとそのルールのオッズを出力し、
   ルール選択過程では、特定属性データ出現集合のルール及び特定属性データ非出現集合のルールについて、同一のルールをキーにオッズ比（特定属性データ出現集合ルールの該当オッズ÷特定属性データ非出現集合ルールの該当オッズ）を計算して、該オッズが予め定めた定数α以上か１／α以下のルール、特定属性データ出現集合のルールあるいは特定属性データ非出現集合のルールのみに出現するルールを、特定属性データ出現集合特有のルールとして選別することを特徴とする潜在ターゲット導出方法。
5. 請求項３もしくは４記載の潜在ターゲット導出方法において、
   データ加工過程では、特定属性データ出現集合特有のルールと同一の時系列的推移を示せば１に、そうでなければ０に加工することを特徴とする潜在ターゲット導出方法。
6. 請求項３、４もしくは５記載の潜在ターゲット導出方法において、
   データ加工過程では、時系列データ以外の入力データを用いてデータ加工を更に行うことを特徴とする潜在ターゲット導出方法。
7. 請求項３乃至６のいずれか１項に記載の潜在ターゲット導出方法をコンピュータに実行させるためのプログラム。

Images