JP2005284470A - 商品毎のシェア予測装置と予測方法とそのためのプログラム - Google Patents
商品毎のシェア予測装置と予測方法とそのためのプログラム Download PDFInfo
- Publication number
- JP2005284470A JP2005284470A JP2004094513A JP2004094513A JP2005284470A JP 2005284470 A JP2005284470 A JP 2005284470A JP 2004094513 A JP2004094513 A JP 2004094513A JP 2004094513 A JP2004094513 A JP 2004094513A JP 2005284470 A JP2005284470 A JP 2005284470A
- Authority
- JP
- Japan
- Prior art keywords
- product
- existing
- group
- share
- attribute
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 18
- 230000002860 competitive effect Effects 0.000 abstract description 6
- 230000000052 comparative effect Effects 0.000 abstract 1
- 238000006073 displacement reaction Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出する。
【解決手段】 競合既存商品群Y特定部2は、DB12の仕様・諸元に基づいて数量化III類を実施して第1商品マップを作成し、新規商品の座標と最も距離が近い座標の既存商品を特定する。また、DB18の「比較既存商品とその優先順序」に基づいて多次元尺度法を実施して第2商品マップを作成し、前記特定された既存商品のポジション座標の距離が近い既存商品群をグルーピングしてグループYを特定する。商品毎の予測シェア算出部4は、DB12の新規商品とグループYに属する既存商品群の仕様・諸元と、DB20の消費者毎の仕様・諸元対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する。
【選択図】 図1
【解決手段】 競合既存商品群Y特定部2は、DB12の仕様・諸元に基づいて数量化III類を実施して第1商品マップを作成し、新規商品の座標と最も距離が近い座標の既存商品を特定する。また、DB18の「比較既存商品とその優先順序」に基づいて多次元尺度法を実施して第2商品マップを作成し、前記特定された既存商品のポジション座標の距離が近い既存商品群をグルーピングしてグループYを特定する。商品毎の予測シェア算出部4は、DB12の新規商品とグループYに属する既存商品群の仕様・諸元と、DB20の消費者毎の仕様・諸元対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する。
【選択図】 図1
Description
本発明は、新規商品販売開始後の商品毎のシェア(商品群の総販売数に占める商品毎の販売数の比率)を予測する技術に関する。
本明細書中で使用する主要な用語等について説明をする。
商品の「属性」とは、商品のサイズ、機能、性能、価格等の、製品の特性を表す項目をいう。例えば商品が自動車であれば、サイズ、排気量、燃費、メーカ、価格等の項目をいう。商品が飲料であれば、種類、原材料、内容量等の項目をいう。
「水準」とは、属性に関する具体的な値をいう。複数の段階に分割した場合には、各段階を代表する値をいう。例えば商品が自動車であり属性が排気量であれば、1.3リットル、1.5リットル、2.0リットル等の値が水準となる。商品が飲料であり属性が内容量であれば、50ml,150ml,250ml,350ml等の値が水準となる。
商品の「属性」とは、商品のサイズ、機能、性能、価格等の、製品の特性を表す項目をいう。例えば商品が自動車であれば、サイズ、排気量、燃費、メーカ、価格等の項目をいう。商品が飲料であれば、種類、原材料、内容量等の項目をいう。
「水準」とは、属性に関する具体的な値をいう。複数の段階に分割した場合には、各段階を代表する値をいう。例えば商品が自動車であり属性が排気量であれば、1.3リットル、1.5リットル、2.0リットル等の値が水準となる。商品が飲料であり属性が内容量であれば、50ml,150ml,250ml,350ml等の値が水準となる。
新規商品を企画するためには、新規商品を生産・販売するのに先立って、どれくらいのシェアが見込めるのかを正確に予測する必要がある。新規商品の販売開始後の新規商品のシェアが正確に予測できれば、新規商品に適切な生産計画や販売計画等を立案することができる。また、新規商品と競合する既存商品のシェアがどう変化するかを予測することもできるため、既存商品の生産計画の見直し等を行うことが可能となる。この結果、新規商品のみならず既存商品についても、実際の需要量に見合っただけの数を生産して販売することができ、在庫や返品あるいは欠品の大量発生を回避することが可能となる。新規商品のシェアを正確に予測することは、企業にとって非常に重要である。
特許文献1には、新規商品のシェアを予測する技術が開示されている。この技術では、企画した新規商品がどの既存商品と類似するかを検討する。新規商品が類似する既存商品のシェアに基づいて、新規商品のシェアを予測する。
特開11−134390号公報
特許文献1には、新規商品のシェアを予測する技術が開示されている。この技術では、企画した新規商品がどの既存商品と類似するかを検討する。新規商品が類似する既存商品のシェアに基づいて、新規商品のシェアを予測する。
特許文献1に記載の技術では、消費者が商品を購入した際に重視した仕様等からセールスポイントを数値化し、その数値に基づいて商品を座標配置した商品マップを作成する。作成した商品マップ上で新規商品に近い位置に存在する既存商品群が、新規商品と類似するものとする。
しかしながら、消費者が商品を選択する際には、仕様等の属性や水準とは異なる、営業力や宣伝力等の他の要因が影響する。商品の属性や水準のみに基づいて作成した商品マップでは、これらの要因が考慮されていない。したがって、これらの要因が商品のシェアに大きな影響を与えている場合には、商品の属性や水準のみに基づいて作成した商品マップでは、消費者が比較対象とする競合商品群を把握できない。この結果、商品毎のシェアを正確に算出できることにはならない。
しかしながら、消費者が商品を選択する際には、仕様等の属性や水準とは異なる、営業力や宣伝力等の他の要因が影響する。商品の属性や水準のみに基づいて作成した商品マップでは、これらの要因が考慮されていない。したがって、これらの要因が商品のシェアに大きな影響を与えている場合には、商品の属性や水準のみに基づいて作成した商品マップでは、消費者が比較対象とする競合商品群を把握できない。この結果、商品毎のシェアを正確に算出できることにはならない。
このため非特許文献1に、多次元尺度法によって作成した商品マップを利用して、商品毎のシェアを算出する技術が記載されている。多次元尺度法では、マップの次元数や次元の内容が判然としない対象を、対象間の類似度データに基づいて、次元数及び空間構造が特定された多次元マップに座標配置する。配置された位置間の距離が近いほど対象間の類似度が高く、位置間の距離が遠いほど対象間の類似度が低い、といった関係に最も良く一致するように配置が行われる。
多次元尺度法では、消費者が選択した商品やその商品と比較した商品の実績に基づいて商品マップを作成する。このことから、多次元尺度法における類似度とは、消費者が商品を選択する際に感じる商品間の類似度である。商品が類似するか類似しないかの感じ方は、商品の属性や水準だけでなく、営業力や宣伝力等の要因の影響によっても大きく変化し得る。多次元尺度法では、消費者が選択した商品やその商品と比較した商品の実績に基づいて商品マップを作成するため、商品の属性や水準による類似度だけでなく、営業力や宣伝力等の要因の影響をも内在した類似度を表すことができる。
非特許文献1に記載の技術では、多次元尺度法によって作成した商品マップに、消費者の商品選好の分析結果を重ね合わせることで、商品毎のシェアを算出する。
「新しい消費者分析−LOGMAPの理論と応用−」片平秀貴著、東京大学出版会
多次元尺度法では、消費者が選択した商品やその商品と比較した商品の実績に基づいて商品マップを作成する。このことから、多次元尺度法における類似度とは、消費者が商品を選択する際に感じる商品間の類似度である。商品が類似するか類似しないかの感じ方は、商品の属性や水準だけでなく、営業力や宣伝力等の要因の影響によっても大きく変化し得る。多次元尺度法では、消費者が選択した商品やその商品と比較した商品の実績に基づいて商品マップを作成するため、商品の属性や水準による類似度だけでなく、営業力や宣伝力等の要因の影響をも内在した類似度を表すことができる。
非特許文献1に記載の技術では、多次元尺度法によって作成した商品マップに、消費者の商品選好の分析結果を重ね合わせることで、商品毎のシェアを算出する。
「新しい消費者分析−LOGMAPの理論と応用−」片平秀貴著、東京大学出版会
非特許文献1に記載の技術では、多次元尺度法によって消費者から見た商品の類似度の様相を的確に表す商品マップを作成し、その商品マップに基づいてシェアを算出するため、シェアの予測精度が高い。しかしながら、新規商品については、未だ市場において選択対象となっておらず、また、比較商品も特定することができない。このため、新規商品が多次元尺度法による商品マップ上のどこに配置されるのかを知ることができない。商品マップ上の位置を知ることができなければ、新規商品が他のどの商品とどの程度類似するのかがわからず、その結果、シェアを予測することができない。
非特許文献1は、既存商品の実績を分析する技術であり、いまだ消費者に提供されていない新規商品を分析対象とする技術ではない。
非特許文献1は、既存商品の実績を分析する技術であり、いまだ消費者に提供されていない新規商品を分析対象とする技術ではない。
本発明では、非特許文献1に記載の技術を活用して新規商品の販売開始後のシェアを予測するために、商品の属性や水準に基づいて作成した商品マップを組合せて利用する。商品の属性や水準に基づいて作成した商品マップ上で、新規商品に類似する既存商品を特定しておき、多次元尺度法によって作成した品マップ上で、この既存商品の位置の近くに配置された既存商品群を、新規商品と類似する商品群とみなす。
本発明では、新規商品についての実績データがなくても、商品の属性や水準に基づいて作成した商品マップを利用することで、消費者から見た商品の類似度を類推して、多次元尺度法による商品マップ上での新規商品の位置を決定する。これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
本発明では、新規商品についての実績データがなくても、商品の属性や水準に基づいて作成した商品マップを利用することで、消費者から見た商品の類似度を類推して、多次元尺度法による商品マップ上での新規商品の位置を決定する。これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
(課題を解決するための一つの手段)
本発明は、商品群の総販売数に占める商品毎の販売数の比率、即ち、シェアを予測する装置に具現化することができる。この装置は、
商品毎に、属性毎の水準を記憶している「商品/属性/水準」データベースと、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する第1商品マップ作成手段と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する既存商品特定手段と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する第2商品マップ作成手段と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定するグループY特定手段と、
消費者毎に、属性毎の水準に対する評価値を記憶している「消費者/属性/水準/評価値」データベースと、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する予測シェア算出手段と、
を有する。
本発明は、商品群の総販売数に占める商品毎の販売数の比率、即ち、シェアを予測する装置に具現化することができる。この装置は、
商品毎に、属性毎の水準を記憶している「商品/属性/水準」データベースと、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する第1商品マップ作成手段と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する既存商品特定手段と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する第2商品マップ作成手段と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定するグループY特定手段と、
消費者毎に、属性毎の水準に対する評価値を記憶している「消費者/属性/水準/評価値」データベースと、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する予測シェア算出手段と、
を有する。
(その作用と効果)
本装置は、商品の属性や水準に基づいて第1商品マップを作成し、これを多次元尺度法によって作成した第2商品マップと組合せて利用して、新規商品と類似する商品群を特定する。このために、第1商品マップ作成手段は、「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する。第1商品マップは、商品の属性の水準に基づいて商品の類似度を表す商品マップを作成する手法であれば、何れの手法によっても作成することができる。例えば数量化III類法、主成分分析法、因子分析法等の既存の手法によって作成することができる。これらの手法については、種々の出版物に記載されている(例えば「多変量統計解析法」、田中豊、脇本和昌著、現在数学社出版)。図5では、数量化III類法によって第1商品マップを作成した例を示している。この商品マップに基づいて、既存商品A〜Jのポジション座標値と、新規消費のポジション座標値を算出することができる。
このように第1商品マップ上での各商品のポジション座標値が算出されたら、既存商品特定手段が、第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する。図5の場合、既存商品Cが特定される。
次に、多次元尺度法による第2商品マップを作成するために、第2商品マップ作成手段が、「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する。多次元尺度法の実施方法についても、種々の出版物に記載されている(例えば非特許文献1)。第2商品マップが作成され、第2商品マップ上での各商品のポジション座標値が算出されたら、グループY特定手段が、第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する。図7では、多次元尺度法によって作成した第2商品マップ上で、上記特定した既存商品Cが含まれるグループYが特定された例を示している。
このように、商品の属性や水準に基づいて作成した第1商品マップを組合せて利用することにより、新規商品の「購入既存商品/比較既存商品/優先順序」のデータが得られていなくても、多次元尺度法による第2商品マップ上で、新規商品に類似すると推定される既存商品群が含まれるグループYを特定することができる。
本装置は、商品の属性や水準に基づいて第1商品マップを作成し、これを多次元尺度法によって作成した第2商品マップと組合せて利用して、新規商品と類似する商品群を特定する。このために、第1商品マップ作成手段は、「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する。第1商品マップは、商品の属性の水準に基づいて商品の類似度を表す商品マップを作成する手法であれば、何れの手法によっても作成することができる。例えば数量化III類法、主成分分析法、因子分析法等の既存の手法によって作成することができる。これらの手法については、種々の出版物に記載されている(例えば「多変量統計解析法」、田中豊、脇本和昌著、現在数学社出版)。図5では、数量化III類法によって第1商品マップを作成した例を示している。この商品マップに基づいて、既存商品A〜Jのポジション座標値と、新規消費のポジション座標値を算出することができる。
このように第1商品マップ上での各商品のポジション座標値が算出されたら、既存商品特定手段が、第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する。図5の場合、既存商品Cが特定される。
次に、多次元尺度法による第2商品マップを作成するために、第2商品マップ作成手段が、「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する。多次元尺度法の実施方法についても、種々の出版物に記載されている(例えば非特許文献1)。第2商品マップが作成され、第2商品マップ上での各商品のポジション座標値が算出されたら、グループY特定手段が、第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する。図7では、多次元尺度法によって作成した第2商品マップ上で、上記特定した既存商品Cが含まれるグループYが特定された例を示している。
このように、商品の属性や水準に基づいて作成した第1商品マップを組合せて利用することにより、新規商品の「購入既存商品/比較既存商品/優先順序」のデータが得られていなくても、多次元尺度法による第2商品マップ上で、新規商品に類似すると推定される既存商品群が含まれるグループYを特定することができる。
このようにして、新規商品に類似すると推定される既存商品群が含まれるグループが特定されると、新規商品とこれらの既存商品群の予測シェアを算出することが可能となる。したがって、予測シェア算出手段は、「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する。
ここでいう評価値は、その値が高いほどその消費者がその属性の水準を重視し、その値が低いほどその消費者がその属性の水準を重視していないことを示す値である。評価値は、例えば消費者に対してアンケート調査を実施した結果に基づいて、コンジョイント分析を実施することで算出さる。コンジョイント分析を実施して評価値を算出する方法については、種々の出版物に記載されている(例えば「商品企画七つ道具」、飯塚悦功監修、神田範明編著、日科技連出版)。
評価値を利用して予測シェアを算出する手法は、次のように行うことができる。例えば、商品1の属性Aの水準がA1であり、属性Bの水準がB1であり、属性Cの水準がC1であり、消費者αが、属性Aの水準A1に対して評価値α1を持ち、属性Bの水準B1に対して評価値β1を持ち、属性Cの水準C1に対して評価値γ1を持っていれば、商品1の総合評価値はα1+β1+γ1と算出される。同様に、商品2の属性Aの水準がA2であり、属性Bの水準がB2であり、属性Cの水準がC2であり、消費者αが、属性Aの水準A2に対して評価値α2を持ち、属性Bの水準B2に対して評価値β2を持ち、属性Cの水準C2に対して評価値γ2を持っていれば、商品2の総合評価値はα2+β2+γ2と算出される。
商品の販売数は、総合評価値のエクスポーネンシャルに比例することが知られているため、類似する商品群が商品1と商品2しかなければ、商品1のシェアは、
exp(α1+β1+γ1)/{exp(α1+β1+γ1)+exp(α2+β2+γ2)}
によって計算することができ、商品2のシェアは、
exp(α2+β2+γ2)/{exp(α1+β1+γ1)+exp(α2+β2+γ2)}
によって計算することができる。
この手法を用いることによって、新規商品とグループYに属する既存商品毎の予測シェアを算出することができる。
ここでいう評価値は、その値が高いほどその消費者がその属性の水準を重視し、その値が低いほどその消費者がその属性の水準を重視していないことを示す値である。評価値は、例えば消費者に対してアンケート調査を実施した結果に基づいて、コンジョイント分析を実施することで算出さる。コンジョイント分析を実施して評価値を算出する方法については、種々の出版物に記載されている(例えば「商品企画七つ道具」、飯塚悦功監修、神田範明編著、日科技連出版)。
評価値を利用して予測シェアを算出する手法は、次のように行うことができる。例えば、商品1の属性Aの水準がA1であり、属性Bの水準がB1であり、属性Cの水準がC1であり、消費者αが、属性Aの水準A1に対して評価値α1を持ち、属性Bの水準B1に対して評価値β1を持ち、属性Cの水準C1に対して評価値γ1を持っていれば、商品1の総合評価値はα1+β1+γ1と算出される。同様に、商品2の属性Aの水準がA2であり、属性Bの水準がB2であり、属性Cの水準がC2であり、消費者αが、属性Aの水準A2に対して評価値α2を持ち、属性Bの水準B2に対して評価値β2を持ち、属性Cの水準C2に対して評価値γ2を持っていれば、商品2の総合評価値はα2+β2+γ2と算出される。
商品の販売数は、総合評価値のエクスポーネンシャルに比例することが知られているため、類似する商品群が商品1と商品2しかなければ、商品1のシェアは、
exp(α1+β1+γ1)/{exp(α1+β1+γ1)+exp(α2+β2+γ2)}
によって計算することができ、商品2のシェアは、
exp(α2+β2+γ2)/{exp(α1+β1+γ1)+exp(α2+β2+γ2)}
によって計算することができる。
この手法を用いることによって、新規商品とグループYに属する既存商品毎の予測シェアを算出することができる。
以上のように、本装置では、多次元尺度法による第2商品マップを利用して新規商品の販売開始後のシェアを予測するために、商品の属性や水準に基づいて作成した第1商品マップを組合せて利用する。第1商品マップ上で、新規商品に最も類似する商品を特定しておき、第2商品マップ上で、この既存商品のポジションの近くに配置された既存商品群を、新規商品と類似する商品群とみなす。消費者から見た商品の類似度を類推して、多次元尺度法による第2商品マップ上での新規商品のポジションを決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
(課題を解決するための好ましい手段)
既存商品毎に、販売実績を記憶している「既存商品/販売実績」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースから、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較既存商品とした消費者を抽出する消費者抽出手段と、
「既存商品/販売実績」データベースに記憶されたグループYに属する既存商品毎の販売実績に、前記抽出した消費者が占める割合を乗算した値を、グループYに属する全既存商品で合計し、その合計値に占める既存商品毎の値の割合を、グループYに属する既存商品毎の実績シェアとして算出する実績シェア算出手段と、
グループYに属する既存商品毎に、予測シェアと実績シェアの乖離度を算出する「既存商品/シェア乖離度」算出手段と、
「商品/属性/水準」データベースに記憶されたグループYに属する既存商品群と新規商品の属性毎の水準に基づいて、グループYに属する既存商品と新規商品毎に、第3商品マップ上のポジション座標値を算出する第3商品マップ作成手段と、
第3商品マップ上での新規商品のポジション座標とグループYに属する既存商品毎のポジション座標との距離に基づいて、グループYに属する既存商品毎に、新規商品との類似度を算出する類似度算出手段と、
グループYに属する既存商品毎のシェア乖離度と、既存商品毎の新規商品との類似度に基づいて、新規商品のシェア乖離度を算出する「新規商品/シェア乖離度」算出手段と、
グループYに属する既存商品毎のシェア乖離度と、新規商品のシェア乖離度を利用して、グループYに属する既存商品と新規商品の予測シェアを補正する予測シェア補正手段と、
が付加されていることが好ましい。
既存商品毎に、販売実績を記憶している「既存商品/販売実績」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースから、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較既存商品とした消費者を抽出する消費者抽出手段と、
「既存商品/販売実績」データベースに記憶されたグループYに属する既存商品毎の販売実績に、前記抽出した消費者が占める割合を乗算した値を、グループYに属する全既存商品で合計し、その合計値に占める既存商品毎の値の割合を、グループYに属する既存商品毎の実績シェアとして算出する実績シェア算出手段と、
グループYに属する既存商品毎に、予測シェアと実績シェアの乖離度を算出する「既存商品/シェア乖離度」算出手段と、
「商品/属性/水準」データベースに記憶されたグループYに属する既存商品群と新規商品の属性毎の水準に基づいて、グループYに属する既存商品と新規商品毎に、第3商品マップ上のポジション座標値を算出する第3商品マップ作成手段と、
第3商品マップ上での新規商品のポジション座標とグループYに属する既存商品毎のポジション座標との距離に基づいて、グループYに属する既存商品毎に、新規商品との類似度を算出する類似度算出手段と、
グループYに属する既存商品毎のシェア乖離度と、既存商品毎の新規商品との類似度に基づいて、新規商品のシェア乖離度を算出する「新規商品/シェア乖離度」算出手段と、
グループYに属する既存商品毎のシェア乖離度と、新規商品のシェア乖離度を利用して、グループYに属する既存商品と新規商品の予測シェアを補正する予測シェア補正手段と、
が付加されていることが好ましい。
(その作用と効果)
上記の手法を用いて新規商品販売後の予測シェアを精度よく算出するためは、同じ手法を用いてグループYに含まれる既存商品だけを対象として算出したシェアが正確であることが前提となる。しかしながら実際には、既存商品だけを対象として算出したシェアが、これらの既存商品の実績シェアと100%一致せず、乖離することがある。既存商品だけを対象として算出したシェアが実績シェアと乖離する以上、新規商品について算出した予測シェアも、新規商品販売開始後に実際に得られるシェアと乖離することが予想される。したがって、新規商品について予測したシェアがどのくらい乖離するかを推定して、予測精度を向上することが求められる。
本装置では、消費者抽出手段が、「購入既存商品/比較既存商品/優先順序」データベースから、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較既存商品とした消費者を抽出する。これらの消費者は、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較しているため、グループYに属する既存商品群のシェアを検討するのに適当である。そして、実績シェア算出手段は、「既存商品/販売実績」データベースに記憶されたグループYに属する既存商品毎の販売実績に、前記抽出した消費者が占める割合を乗算した値を、グループYに属する全既存商品で合計し、その合計値に占める既存商品毎の値の割合を、グループYに属する既存商品毎の実績シェアとして算出する。すなわち、抽出した消費者に対する販売数をグループYに属する既存商品毎に算出し、全既存商品の販売数の合計値に占める既存商品毎の販売数の割合を、実績シェアとする。これにより、「既存商品/シェア乖離度」算出手段が、グループYに属する既存商品毎に、予測シェアと実績シェアの乖離度を算出することができる。本明細書中いう予測シェアと実績シェアの乖離度とは、実績シェアと予測シェアの比である。すなわち、実績シェアを予測シェアで除算すれば、予測シェアと実績シェアの乖離度を算出することができる。言い換えれば、実績シェアは、予測シェアと乖離度を乗算した値となる。
一方、第3商品マップ作成手段は、「商品/属性/水準」データベースに記憶されたグループYに属する既存商品群と新規商品の属性毎の水準に基づいて、グループYに属する既存商品と新規商品毎に、第3商品マップ上のポジション座標値を算出する。この第3商品マップは、第1商品マップと同様の手法によって作成することができる。そして、類似度算出手段が、第3商品マップ上での新規商品のポジション座標とグループYに属する既存商品毎のポジション座標との距離に基づいて、グループYに属する既存商品毎に、新規商品との類似度を算出する。新規商品のポジション座標と距離が近いポジション座標の既存商品には高い類似度が算出され、新規商品のポジション座標と距離が遠いポジション座標の既存商品には低い類似度が算出される。
このように、グループYに属する既存商品毎にシェアの乖離度と新規商品との類似度が算出されると、「新規商品/シェア乖離度」算出手段が、既存商品毎のシェア乖離度と、既存商品毎の新規商品との類似度に基づいて、新規商品のシェア乖離度を算出する。算出方法は、例えば全既存商品の類似度の合計が1となるように類似度を規格化し、その上で既存商品毎のシェア乖離度に新規商品との類似度を乗算して、シェア乖離度に類似度に応じた重み付けを行う。重み付けを行った既存商品毎のシェア乖離度を総計することで、新規商品のシェア乖離度を算出することができる。
このように、グループYに属する各既存商品と新規商品のシェア乖離度が算出されると、予測シェア補正手段が、既存商品毎のシェア乖離度と、新規商品のシェア乖離度を利用して、グループYに属する既存商品と新規商品の予測シェアを補正することができる。例えばシェア乖離度を予測シェアに乗算して、予測シェアを補正することができる。
上記の手法を用いて新規商品販売後の予測シェアを精度よく算出するためは、同じ手法を用いてグループYに含まれる既存商品だけを対象として算出したシェアが正確であることが前提となる。しかしながら実際には、既存商品だけを対象として算出したシェアが、これらの既存商品の実績シェアと100%一致せず、乖離することがある。既存商品だけを対象として算出したシェアが実績シェアと乖離する以上、新規商品について算出した予測シェアも、新規商品販売開始後に実際に得られるシェアと乖離することが予想される。したがって、新規商品について予測したシェアがどのくらい乖離するかを推定して、予測精度を向上することが求められる。
本装置では、消費者抽出手段が、「購入既存商品/比較既存商品/優先順序」データベースから、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較既存商品とした消費者を抽出する。これらの消費者は、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較しているため、グループYに属する既存商品群のシェアを検討するのに適当である。そして、実績シェア算出手段は、「既存商品/販売実績」データベースに記憶されたグループYに属する既存商品毎の販売実績に、前記抽出した消費者が占める割合を乗算した値を、グループYに属する全既存商品で合計し、その合計値に占める既存商品毎の値の割合を、グループYに属する既存商品毎の実績シェアとして算出する。すなわち、抽出した消費者に対する販売数をグループYに属する既存商品毎に算出し、全既存商品の販売数の合計値に占める既存商品毎の販売数の割合を、実績シェアとする。これにより、「既存商品/シェア乖離度」算出手段が、グループYに属する既存商品毎に、予測シェアと実績シェアの乖離度を算出することができる。本明細書中いう予測シェアと実績シェアの乖離度とは、実績シェアと予測シェアの比である。すなわち、実績シェアを予測シェアで除算すれば、予測シェアと実績シェアの乖離度を算出することができる。言い換えれば、実績シェアは、予測シェアと乖離度を乗算した値となる。
一方、第3商品マップ作成手段は、「商品/属性/水準」データベースに記憶されたグループYに属する既存商品群と新規商品の属性毎の水準に基づいて、グループYに属する既存商品と新規商品毎に、第3商品マップ上のポジション座標値を算出する。この第3商品マップは、第1商品マップと同様の手法によって作成することができる。そして、類似度算出手段が、第3商品マップ上での新規商品のポジション座標とグループYに属する既存商品毎のポジション座標との距離に基づいて、グループYに属する既存商品毎に、新規商品との類似度を算出する。新規商品のポジション座標と距離が近いポジション座標の既存商品には高い類似度が算出され、新規商品のポジション座標と距離が遠いポジション座標の既存商品には低い類似度が算出される。
このように、グループYに属する既存商品毎にシェアの乖離度と新規商品との類似度が算出されると、「新規商品/シェア乖離度」算出手段が、既存商品毎のシェア乖離度と、既存商品毎の新規商品との類似度に基づいて、新規商品のシェア乖離度を算出する。算出方法は、例えば全既存商品の類似度の合計が1となるように類似度を規格化し、その上で既存商品毎のシェア乖離度に新規商品との類似度を乗算して、シェア乖離度に類似度に応じた重み付けを行う。重み付けを行った既存商品毎のシェア乖離度を総計することで、新規商品のシェア乖離度を算出することができる。
このように、グループYに属する各既存商品と新規商品のシェア乖離度が算出されると、予測シェア補正手段が、既存商品毎のシェア乖離度と、新規商品のシェア乖離度を利用して、グループYに属する既存商品と新規商品の予測シェアを補正することができる。例えばシェア乖離度を予測シェアに乗算して、予測シェアを補正することができる。
以上のように、本装置によれば、グループYに属する既存商品についてのシェア乖離度に基づいて、新規商品についてのシェア乖離度を推定することで、新規商品販売開始後の商品毎の予測シェアを補正して、予測精度を向上することができる。
(課題を解決するための一つの手段)
本発明は、また、新規商品販売開始後の商品毎シェアを予測する方法に具現化することができる。この方法は、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する工程と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースを整備する工程と、
コンピュータによって、「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する工程と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する工程と、
を有する。
(その作用と効果)
本方法では、商品の属性や水準に基づいて作成した第1商品マップを、多次元尺度法による第2商品マップに組合せて利用する。第1商品マップ上で、新規商品に最も類似する商品を特定しておき、第2商品マップ上で、この既存商品のポジションの近くに配置された既存商品群を、新規商品と類似する商品群とみなす。消費者から見た商品の類似度を類推して、多次元尺度法による第2商品マップ上での新規商品のポジションを決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
本発明は、また、新規商品販売開始後の商品毎シェアを予測する方法に具現化することができる。この方法は、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する工程と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースを整備する工程と、
コンピュータによって、「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する工程と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する工程と、
を有する。
(その作用と効果)
本方法では、商品の属性や水準に基づいて作成した第1商品マップを、多次元尺度法による第2商品マップに組合せて利用する。第1商品マップ上で、新規商品に最も類似する商品を特定しておき、第2商品マップ上で、この既存商品のポジションの近くに配置された既存商品群を、新規商品と類似する商品群とみなす。消費者から見た商品の類似度を類推して、多次元尺度法による第2商品マップ上での新規商品のポジションを決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
(課題を解決するための一つの手段)
本発明は、さらに、新規商品販売開始後の商品毎のシェアを予測するためのプログラムに具現化することができる。このプログラムは、コンピュータに以下の処理、即ち、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する処理と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する処理と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースにアクセスする処理と、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する処理と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する処理と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する処理と、
を実行させる。
(その作用と効果)
本プログラムによれば、コンピュータは、商品の属性や水準に基づいて作成した第1商品マップを、多次元尺度法による第2商品マップに組合せて利用する。第1商品マップ上で、新規商品に最も類似する商品を特定しておき、第2商品マップ上で、この既存商品のポジションの近くに配置された既存商品群を、新規商品と類似する商品群とみなす。消費者から見た商品の類似度を類推して、多次元尺度法による第2商品マップ上での新規商品のポジションを決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
本発明は、さらに、新規商品販売開始後の商品毎のシェアを予測するためのプログラムに具現化することができる。このプログラムは、コンピュータに以下の処理、即ち、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する処理と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する処理と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースにアクセスする処理と、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する処理と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する処理と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する処理と、
を実行させる。
(その作用と効果)
本プログラムによれば、コンピュータは、商品の属性や水準に基づいて作成した第1商品マップを、多次元尺度法による第2商品マップに組合せて利用する。第1商品マップ上で、新規商品に最も類似する商品を特定しておき、第2商品マップ上で、この既存商品のポジションの近くに配置された既存商品群を、新規商品と類似する商品群とみなす。消費者から見た商品の類似度を類推して、多次元尺度法による第2商品マップ上での新規商品のポジションを決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
以下に発明を実施するための最良の形態を列記する。
(形態1) 第1商品マップ作成手段が作成する第1商品マップの次元数と、第2商品マップ作成手段が作成する第2商品マップの次元数と、第3商品マップ作成手段が作成する第3商品マップの次元数は、統一することが好ましい。
(形態2) 第1商品マップ作成手段が採用する作成手法と、第3商品マップ作成手段が採用する作成手法は、同じであることが好ましい。
(形態3)第1商品マップ作成手段と、第3商品マップ作成手段は、数量化III類法を実施することによって、商品マップを作成する。
(形態4) グループY特定手段は、第2商品マップ上でポジション座標の距離が近い既存商品群を、クラスタ分析を実施することによってグルーピングする。
(形態5) 「消費者/属性/水準/評価値」データベースに記憶されている評価値は、消費者に対して行ったアンケート調査結果に対してコンジョイント分析を実施することによって取得されている。
(形態6) 「既存商品/シェア乖離度」算出手段は、グループYに属する既存商品毎のシェア乖離度に時系列分析を実施することによって、新規商品販売開始後の予測対象期間のシェア乖離度を推定する。
(形態7) 類似度算出手段は、グループYに属する各既存商品の新規商品に対する類似度を、全既存商品で合計した値が1となるように、類似度を規格化する。
(形態8) 「新規商品/シェア乖離度」は、グループYに属する既存存商品毎のシェア乖離度に、規格化された類似度を乗算し、乗算した値を全既存商品で合計して、新規商品の乖離度を算出する。
(形態1) 第1商品マップ作成手段が作成する第1商品マップの次元数と、第2商品マップ作成手段が作成する第2商品マップの次元数と、第3商品マップ作成手段が作成する第3商品マップの次元数は、統一することが好ましい。
(形態2) 第1商品マップ作成手段が採用する作成手法と、第3商品マップ作成手段が採用する作成手法は、同じであることが好ましい。
(形態3)第1商品マップ作成手段と、第3商品マップ作成手段は、数量化III類法を実施することによって、商品マップを作成する。
(形態4) グループY特定手段は、第2商品マップ上でポジション座標の距離が近い既存商品群を、クラスタ分析を実施することによってグルーピングする。
(形態5) 「消費者/属性/水準/評価値」データベースに記憶されている評価値は、消費者に対して行ったアンケート調査結果に対してコンジョイント分析を実施することによって取得されている。
(形態6) 「既存商品/シェア乖離度」算出手段は、グループYに属する既存商品毎のシェア乖離度に時系列分析を実施することによって、新規商品販売開始後の予測対象期間のシェア乖離度を推定する。
(形態7) 類似度算出手段は、グループYに属する各既存商品の新規商品に対する類似度を、全既存商品で合計した値が1となるように、類似度を規格化する。
(形態8) 「新規商品/シェア乖離度」は、グループYに属する既存存商品毎のシェア乖離度に、規格化された類似度を乗算し、乗算した値を全既存商品で合計して、新規商品の乖離度を算出する。
本実施例では、図1に例示するシェア予測装置を利用して、新規に企画した自動車の販売開始後の販売シェアを予測する。本発明の適用対象は自動車に限られず、多様な需要が存在するために多種類が提供される商品に広く適用することができる。
図1のシェア予測装置は、コンピュータ装置によって構成されており、そのハードウェア構成は通常のものと同様である。この装置は、処理装置(CPU)、記憶装置(光学記憶媒体、磁気記憶媒体、あるいはRAMやROMといった半導体メモリ等)、入力装置、出力装置等を有する。各種のデータベースは、コンピュータに利用可能な情報を記憶している。各種の処理装置は、インストールされているプログラムに従ってコンピュータが作動することによって実現される。
はじめに、各種のデータベース(以下、DBと略称する)が記憶しているデータの詳細について説明をする。
図1の仕様・諸元DB12は、新規に企画した商品(以下、新規商品という)と既存商品の仕様・諸元を、商品毎に記憶している。
図2に、仕様・諸元DB12のデータ構成例を示す。ここに示す仕様・諸元は、属性と水準で表現することができる。属性とは、「排気量」、「ミッション」、「駆動」、「全長」、「エアロ」等の項目である。また、水準とは、例えば排気量の「2500」、「1500」、「2000」、「2500」等の値である。水準には数値で表すことができないものがある。例えばミッションの水準は「4AT」、「6MT」等であり、駆動の水準は「FR」、「FF」、「4WD」等であり、エアロの水準は「あり」、「なし」である。属性と水準で表現すると、例えば新規商品は、属性「排気量」の水準が「2500」、属性「ミッション」の水準が「4AT」、属性「駆動」の水準が「FR」、属性「全長」の水準が「4589」、属性「エアロ」の水準が「あり」の商品である。
図1の仕様・諸元DB12は、新規に企画した商品(以下、新規商品という)と既存商品の仕様・諸元を、商品毎に記憶している。
図2に、仕様・諸元DB12のデータ構成例を示す。ここに示す仕様・諸元は、属性と水準で表現することができる。属性とは、「排気量」、「ミッション」、「駆動」、「全長」、「エアロ」等の項目である。また、水準とは、例えば排気量の「2500」、「1500」、「2000」、「2500」等の値である。水準には数値で表すことができないものがある。例えばミッションの水準は「4AT」、「6MT」等であり、駆動の水準は「FR」、「FF」、「4WD」等であり、エアロの水準は「あり」、「なし」である。属性と水準で表現すると、例えば新規商品は、属性「排気量」の水準が「2500」、属性「ミッション」の水準が「4AT」、属性「駆動」の水準が「FR」、属性「全長」の水準が「4589」、属性「エアロ」の水準が「あり」の商品である。
図1の仕様・諸元ダミー変数変換部14は、仕様・諸元DB12のデータを、数量化III類で利用可能なダミー変数に変換する。数量化III類とは、多変量解析法のうちの数量化法の一つである。数量化法とは、例えば性別や職業といったように数量的に把握されない項目に数量を与えて、数量的に把握される項目の場合と同じように多次元的な解析を行う方法である。その中でも数量化III類とは、類似するサンプル同士を近くに、類似しないサンプル同士を遠くに位置付けるように空間的に配置し、それによってサンプルを分類しようとする方法である。
ここでいうダミー変数とは、数量的に把握されない項目(ここでは属性の水準)に与えられる数量である。仕様・諸元の中には、ミッションや駆動やエアロ等のように、水準が数量的に把握できない属性がある。したがって、数量的に把握できる属性の水準も含めて一括して、ダミー変数を与えることとしている。
図3は、仕様・諸元をダミー変数に変換するための変換表である。例えば排気量が999までならダミー変数「1」に変換し、1000〜1499ならダミー変数「2」に変換し、1500〜1999ならダミー変数「3」に変換し、2000〜2499ならダミー変数「4」に変換し、2500〜2999ならダミー変数「5」に変換する。
この変換表を利用して、仕様・諸元をダミー変数に変換した結果が、図4に示されている。この変換結果は、図1の仕様・ダミー変数DB16に記憶される。
ここでいうダミー変数とは、数量的に把握されない項目(ここでは属性の水準)に与えられる数量である。仕様・諸元の中には、ミッションや駆動やエアロ等のように、水準が数量的に把握できない属性がある。したがって、数量的に把握できる属性の水準も含めて一括して、ダミー変数を与えることとしている。
図3は、仕様・諸元をダミー変数に変換するための変換表である。例えば排気量が999までならダミー変数「1」に変換し、1000〜1499ならダミー変数「2」に変換し、1500〜1999ならダミー変数「3」に変換し、2000〜2499ならダミー変数「4」に変換し、2500〜2999ならダミー変数「5」に変換する。
この変換表を利用して、仕様・諸元をダミー変数に変換した結果が、図4に示されている。この変換結果は、図1の仕様・ダミー変数DB16に記憶される。
図1の購入商品比較順序DB18は、消費者が購入した商品と、購入の際にその商品と比較した商品を、比較優先順序に対応付けて記憶している。これらの情報は、消費者に対してアンケート調査を実施した結果から収集されている。
図6に、購入商品比較優先順序DB18のデータ構成例を示す。例えば消費者αは、商品Cを購入しており、第1位に比較した商品はDであることが示されている。消費者によっては比較商品を持たない者もおり、例えば消費者γは商品Fを購入しているが、他の商品とは比較しなかったことが示されている。
図6に、購入商品比較優先順序DB18のデータ構成例を示す。例えば消費者αは、商品Cを購入しており、第1位に比較した商品はDであることが示されている。消費者によっては比較商品を持たない者もおり、例えば消費者γは商品Fを購入しているが、他の商品とは比較しなかったことが示されている。
図1の消費者毎評価値DB20は、消費者毎に、属性の水準に対する評価値を記憶している。評価値は、消費者に対してアンケート調査を実施した結果を基にして算出されている。例えばアンケート調査実施結果に基づいて、コンジョイント分析を実施して、算出されている。コンジョイント分析を実施して評価値を算出する方法については、種々の出版物に記載されている(例えば「商品企画七つ道具」、飯塚悦功監修、神田範明編著、日科技連出版)。ここではコンジョイント分析に関する詳細な説明は省略する。コンジョイント分析によって、図8に示すように、消費者毎に、属性の水準に対する評価値が算出される。
消費者評価値DB20は、これらの評価値を記憶している。例えば消費者αは、属性「排気量」の水準「1500」に対して0.5という評価値を持ち、水準「2000」に対して1.5という評価値を持ち、水準「2200」に対して3という評価値を持ち、水準「2500」に対して5という評価値を持つことが算出されている。評価値が高いほどその消費者がその属性の水準を重視しており、評価値が低いほどその消費者がその属性の水準を重視していないことを示す。
消費者評価値DB20は、これらの評価値を記憶している。例えば消費者αは、属性「排気量」の水準「1500」に対して0.5という評価値を持ち、水準「2000」に対して1.5という評価値を持ち、水準「2200」に対して3という評価値を持ち、水準「2500」に対して5という評価値を持つことが算出されている。評価値が高いほどその消費者がその属性の水準を重視しており、評価値が低いほどその消費者がその属性の水準を重視していないことを示す。
図1の既存商品販売実績DB24は、所定期間毎の販売実績を、既存商品毎に記憶している。所定期間は販売計画や生産計画等の単位期間に合せて任意に設定される。本実施例では、図11に示すように、月毎に販売実績を記憶している。
次に、各種の処理部について説明をする。図1のシェア予測装置は、メイン処理を実行する競合既存商品群Y特定部2と、商品毎の予測シェア算出部4と、商品毎の予測シェア補正部6を備えている。
競合既存商品群特定部2は、仕様・諸元ダミー変数DB16と、購入商品比較順序DB18のデータに基づいて、新規商品と競合する既存商品群Yを特定する。競合既存商品群Y特定部2が既存商品群Yを特定すると、商品毎の予測シェア算出部4が、競合既存商品群Yと、仕様・諸元DB12と、購入商品比較順序DB18と、消費者毎評価値DB20のデータに基づいて、商品毎の予測シェアを算出する。商品毎の予測シェア算出部4が商品毎の予測シェアを算出すると、商品毎の予測シェア補正部6が、商品毎の予測シェアと、仕様・諸元ダミー変数DB16と、購入商品比較順序DB18と、既存商品販売実績DB24のデータに基づいて、商品毎の予測シェアを補正する。
以下、それぞれの処理部が実行する処理について詳細な説明をする。
競合既存商品群特定部2は、仕様・諸元ダミー変数DB16と、購入商品比較順序DB18のデータに基づいて、新規商品と競合する既存商品群Yを特定する。競合既存商品群Y特定部2が既存商品群Yを特定すると、商品毎の予測シェア算出部4が、競合既存商品群Yと、仕様・諸元DB12と、購入商品比較順序DB18と、消費者毎評価値DB20のデータに基づいて、商品毎の予測シェアを算出する。商品毎の予測シェア算出部4が商品毎の予測シェアを算出すると、商品毎の予測シェア補正部6が、商品毎の予測シェアと、仕様・諸元ダミー変数DB16と、購入商品比較順序DB18と、既存商品販売実績DB24のデータに基づいて、商品毎の予測シェアを補正する。
以下、それぞれの処理部が実行する処理について詳細な説明をする。
(競合既存商品群特定処理) 図18のフローチャートを参照して、競合既存商品群Y特定部2が実行する既存商品群特定処理の手順について説明をする。
最初にステップS102において、仕様・諸元ダミー変数DB16から、商品毎に、仕様・諸元毎のダミー変数を読込む。図4に示す仕様・諸元毎のダミー変数が読込まれる。
続く図18のステップS104では、読込んだ仕様・諸元毎のダミー変数に基づいて、数量化III類法によって商品マップを作成する。数量化III類法による商品マップでは、類似する仕様・緒元を持つ商品同士が近い座標位置になり、異なる仕様・諸元を持つ商品同士が離れた座標位置になる。数量化III類法を用いて商品マップを作成する方法については、多変量解析法に関する種々の出版物に記載されている(例えば「多変量解析法」、田中豊、脇本和昌著、現代数学社出版)。本明細書では、数量化III類法に関する詳しい説明は省略する。この処理によって、図5に例示するような2次元の商品マップが作成される。
商品マップが作成されると、図18のステップS106では、新規商品と類似する既存商品群をグルーピングし、新規商品の座標位置と最も座標位置の近い既存商品xを選択する。図5の商品マップでは、商品C,Dの座標位置が新規商品の座標位置と近く、新規商品と類似する既存商品群にグルーピングされている。またこれらの既存商品群のうち、新規商品の座標位置と最も座標位置の近い商品はCであるため、商品Cを既存商品xに選択する。
最初にステップS102において、仕様・諸元ダミー変数DB16から、商品毎に、仕様・諸元毎のダミー変数を読込む。図4に示す仕様・諸元毎のダミー変数が読込まれる。
続く図18のステップS104では、読込んだ仕様・諸元毎のダミー変数に基づいて、数量化III類法によって商品マップを作成する。数量化III類法による商品マップでは、類似する仕様・緒元を持つ商品同士が近い座標位置になり、異なる仕様・諸元を持つ商品同士が離れた座標位置になる。数量化III類法を用いて商品マップを作成する方法については、多変量解析法に関する種々の出版物に記載されている(例えば「多変量解析法」、田中豊、脇本和昌著、現代数学社出版)。本明細書では、数量化III類法に関する詳しい説明は省略する。この処理によって、図5に例示するような2次元の商品マップが作成される。
商品マップが作成されると、図18のステップS106では、新規商品と類似する既存商品群をグルーピングし、新規商品の座標位置と最も座標位置の近い既存商品xを選択する。図5の商品マップでは、商品C,Dの座標位置が新規商品の座標位置と近く、新規商品と類似する既存商品群にグルーピングされている。またこれらの既存商品群のうち、新規商品の座標位置と最も座標位置の近い商品はCであるため、商品Cを既存商品xに選択する。
ここまでに、数量化III類法による商品マップを用いて、新規商品と最も類似する既存商品xが選択された。次に、多次元尺度法による商品マップを用いて、新規商品と競合する既存商品群Yを選択する。
このため図18のステップS108では、購入商品比較順序DB18から、購入商品比較順序を読込む。図6に示す購入商品比較順序が読込まれる。
続く図18のステップS110では、読込んだ購入比較順序に基づいて、多次元尺度法によって商品マップを作成する。多次元尺度法による商品マップでは、消費者から見て類似する商品同士が近い座標位置になり、消費者から見て類似しない商品同士が離れた座標位置になる。多次元尺度法を用いて商品マップを作成する方法についても、多変量解析に関する種々の出版物に記載されている(例えば、非特許文献1)。本明細書では、多次元尺度法に関する詳しい説明は省略する。この処理によって、図7に例示するような2次元の商品マップが作成される。
このため図18のステップS108では、購入商品比較順序DB18から、購入商品比較順序を読込む。図6に示す購入商品比較順序が読込まれる。
続く図18のステップS110では、読込んだ購入比較順序に基づいて、多次元尺度法によって商品マップを作成する。多次元尺度法による商品マップでは、消費者から見て類似する商品同士が近い座標位置になり、消費者から見て類似しない商品同士が離れた座標位置になる。多次元尺度法を用いて商品マップを作成する方法についても、多変量解析に関する種々の出版物に記載されている(例えば、非特許文献1)。本明細書では、多次元尺度法に関する詳しい説明は省略する。この処理によって、図7に例示するような2次元の商品マップが作成される。
最後に図18のステップS112において、クラスタ分析によって既存商品xと類似する既存商品群をグルーピングし、これらの既存商品群を、新規商品との競合既存商品群Yとして特定する。
クラスタ分析の例について説明する。例えば、図7の商品Cの座標位置を(xc,yc)とし、商品Dの座標位置を(xd,yd)とし、商品Iの座標位置を(xi,yi)とする。この場合、商品Cと商品Dのユークリッド距離((xc−xd)2+(yc−yd)2)1/2は、商品Cと商品Iのユークリッド距離((xc−xi)2+(yc−yi)2)1/2に比べて短い。このため、商品Cと商品Dを第1層にグルーピングする。また商品Aの座標位置を(xa,ya)とし、商品Bの座標位置を(xb,yb)とし、商品Cの座標位置を(xc,yc)とする。この場合、商品Aと商品Bのユークリッド距離((xa−xb)2+(ya−yb)2)1/2は、商品Aと商品Cのユークリッド距離((xa−xc)2+(ya−yc)2)1/2に比べて短い。このため、商品Cを第2層にグルーピングし、商品Aと商品Bを第3層にグルーピングする。このようにして、各商品をグルーピングすると、図7のように3層で構成されるグループが2つ(左の楕円形のグループと右の円形のグループ)できる。この2つのグループのうち、既存商品xである商品CのグループY(商品A,B,C,D)を、新規商品との競合商品群Yとして特定する。
クラスタ分析の例について説明する。例えば、図7の商品Cの座標位置を(xc,yc)とし、商品Dの座標位置を(xd,yd)とし、商品Iの座標位置を(xi,yi)とする。この場合、商品Cと商品Dのユークリッド距離((xc−xd)2+(yc−yd)2)1/2は、商品Cと商品Iのユークリッド距離((xc−xi)2+(yc−yi)2)1/2に比べて短い。このため、商品Cと商品Dを第1層にグルーピングする。また商品Aの座標位置を(xa,ya)とし、商品Bの座標位置を(xb,yb)とし、商品Cの座標位置を(xc,yc)とする。この場合、商品Aと商品Bのユークリッド距離((xa−xb)2+(ya−yb)2)1/2は、商品Aと商品Cのユークリッド距離((xa−xc)2+(ya−yc)2)1/2に比べて短い。このため、商品Cを第2層にグルーピングし、商品Aと商品Bを第3層にグルーピングする。このようにして、各商品をグルーピングすると、図7のように3層で構成されるグループが2つ(左の楕円形のグループと右の円形のグループ)できる。この2つのグループのうち、既存商品xである商品CのグループY(商品A,B,C,D)を、新規商品との競合商品群Yとして特定する。
(商品毎予測シェア算出処理) 上記処理によって、競合商品群Yが特定されると、図1の商品毎の予測シェア算出部4が、商品毎の予測シェアを算出する。図19のフローチャートを参照して、商品毎予測シェア算出処理の手順について説明をする。
最初にステップS202において、仕様・諸元DB12から、新規商品と競合既存商品群Yの仕様・諸元を読込む。新規商品と競合既存商品群Y(商品A,B,C,D)について、図2に示す仕様・諸元が読込まれる。
続く図19のステップS204では、消費者毎評価値DB20から、消費者毎の属性の水準に対する評価値を読込む。図8に示す消費者毎の属性の水準に対する評価値が読込まれる。
最初にステップS202において、仕様・諸元DB12から、新規商品と競合既存商品群Yの仕様・諸元を読込む。新規商品と競合既存商品群Y(商品A,B,C,D)について、図2に示す仕様・諸元が読込まれる。
続く図19のステップS204では、消費者毎評価値DB20から、消費者毎の属性の水準に対する評価値を読込む。図8に示す消費者毎の属性の水準に対する評価値が読込まれる。
図19のステップS206では、消費者毎に商品毎の総合評価値を算出する。総合評価値とは、商品が持つ属性の水準に対する評価値を、全属性について合計した値である。例えば競合既存商品である商品Aは、図2に示すように、「排気量」が「1500」、「ミッション」が「4AT」等の属性の水準を持つ。一方、図8に示すように、消費者αは、「排気量」「1500」に対しては「0.5」という評価値を持ち、「ミッション」「4AT」に対しては「4」という評価値を持つ。消費者βは、「排気量」「1500」に対しては「5」という評価値を持ち、「ミッション」「4AT」に対しては「3」という評価値を持つ。消費者γは、「排気量」「1500」に対しては「2」という評価値を持ち、「ミッション」「4AT」に対しては「1」という評価値を持つ。各消費者が持つ商品Aの属性の水準に対する評価値を合計すれば、その消費者が持つ商品Aの総合評価値を算出することができる。算出結果が図9に示されており、例えば消費者αは、新規商品に44、商品Cに33、商品Aに21、商品Bに16、商品Dに18の総合評価値を持つ。消費者βは、新規商品に12、商品Cに20、商品Aに17、商品Bに26、商品Dに39の総合評価値を持つ。消費者γは、新規商品に28、商品Cに19、商品Aに22、商品Bに52、商品Dに13の総合評価値を持つ。このようにして、消費者毎に商品毎の総合評価値を算出する。
最後に図19のステップS208では、総合評価値から商品毎のシェアを算出する。図9では、消費者毎に算出された商品毎の総合評価値が、商品毎に合計されており、新規商品には1024、商品Cには988、商品Aには775、商品Bには215、商品Dには128という総合評価値が算出されている。商品毎のシェアは、商品毎の総合評価値のエクスポーネンシャルに比例することが知られている。したがって、商品毎の予測シェアは、次の式によって算出することができる。
最後に図19のステップS208では、総合評価値から商品毎のシェアを算出する。図9では、消費者毎に算出された商品毎の総合評価値が、商品毎に合計されており、新規商品には1024、商品Cには988、商品Aには775、商品Bには215、商品Dには128という総合評価値が算出されている。商品毎のシェアは、商品毎の総合評価値のエクスポーネンシャルに比例することが知られている。したがって、商品毎の予測シェアは、次の式によって算出することができる。
図9の右側に、前記式によって算出した商品毎の予測シェアを示す。上段は新規商品を含めて算出した場合の予測シェアを示す(新規商品:32.7%、商品C:31.6%、商品D:24.8%、商品B:6.9%、商品D:4.1%。小数点2位以下は四捨五入、以下同様)。下段は競合既存商品群だけで算出した場合の予測シェアを示す(商品C:46.9%、商品D:36.8%、商品B:10.2%、商品D:6.1%)。
以上のように本実施例によれば、多次元尺度法による商品マップを利用して新規商品販売開始後のシェアを予測するために、商品の属性や水準に基づいて作成した商品マップ(数量化III類によって作成した商品マップ)を組合せて利用する。新規商品についての購入商品比較順序のデータがなくても、消費者から見た商品の類似度を類推して、多次元尺度法による商品マップ上での新規商品の位置を決定する。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
これにより、商品の属性や水準のみならず、営業力や宣伝力等の要因からも影響を受けた、消費者が感じる商品の類似度の様相に基づき、精度のよいシェアを算出することができる。
(商品毎予測シェア補正処理) 上記処理によって、商品毎の予測シェアが算出されると、図1の商品毎の予測シェア補正部6が、商品毎の予測シェアを補正する。図20のフローチャートを参照して、商品毎予測シェア補正処理の手順について説明をする。
最初にステップS302において、購入商品比較順序DB18から、購入商品比較順序を読込む。図6に示す購入商品比較順序が読込まれる。
続く図20のステップS304では、購入商品比較順序から、競合既存商品を購入した消費者の購入商品比較順序を抽出する。図10では、競合既存商品の一つの商品Cを購入した消費者の購入商品比較順序を抽出した例を示している。
そして図20のステップS306では、抽出した購入商品比較順序に基づいて、消費者をグルーピングする。グルーピングは、以下の基準に従って行われる。
グループ1:競合既存商品のみを購入した(比較商品を持たない)消費者
グループ2:競合既存商品を購入しており、比較商品も競合既存商品である消費者
グループ3:競合既存商品を購入しているが、比較商品は競合既存商品以外の既存商品である消費者
図10には、この基準に従ってグルーピングしたグループ番号が示されている。例えば消費者αは競合既存商品Cを購入しており、比較商品も競合既存商品Dであるため、グループ2にグルーピングされている。消費者εは競合既存商品Cを購入しているが、比較商品は競合既存商品以外の商品E,Gであるため、グループ3にグルーピングされている。消費者θは競合既存商品Cのみを購入しているため、グループ1にグルーピングされている。
最初にステップS302において、購入商品比較順序DB18から、購入商品比較順序を読込む。図6に示す購入商品比較順序が読込まれる。
続く図20のステップS304では、購入商品比較順序から、競合既存商品を購入した消費者の購入商品比較順序を抽出する。図10では、競合既存商品の一つの商品Cを購入した消費者の購入商品比較順序を抽出した例を示している。
そして図20のステップS306では、抽出した購入商品比較順序に基づいて、消費者をグルーピングする。グルーピングは、以下の基準に従って行われる。
グループ1:競合既存商品のみを購入した(比較商品を持たない)消費者
グループ2:競合既存商品を購入しており、比較商品も競合既存商品である消費者
グループ3:競合既存商品を購入しているが、比較商品は競合既存商品以外の既存商品である消費者
図10には、この基準に従ってグルーピングしたグループ番号が示されている。例えば消費者αは競合既存商品Cを購入しており、比較商品も競合既存商品Dであるため、グループ2にグルーピングされている。消費者εは競合既存商品Cを購入しているが、比較商品は競合既存商品以外の商品E,Gであるため、グループ3にグルーピングされている。消費者θは競合既存商品Cのみを購入しているため、グループ1にグルーピングされている。
図20のステップS308では、既存商品販売実績DB24から、既存商品販売実績を読込む。図11に示す既存商品販売実績が読込まれる。
続くステップS310では、競合既存商品毎に、販売実績に占めるグループ2の割合を算出する。グループ2の消費者は、競合既存商品を購入して競合既存商品と比較しているため、競合既存商品群のシェアを検討するのに適している。ここでは、図11に示す月毎に、販売実績に占めるグループ2の割合を算出する。例えばn−3月の場合、図10の下段に示すように、商品Cのグループ2の割合は54.7%である。図11より、n−3月の商品Cの販売実績は2000であるため、グループ2に対する販売実績は、2000×54.7%=1094と算出される。この算出結果が図12に模式的に示されており、競合既存商品Cのグループ2に対する販売実績がハッチ部分で示されている。同様に、他の競合既存商品A,B,Dのグループ2に対する販売実績がハッチ部分で示されている。
続く図20のステップS312では、グループ2に対する販売実績に基づいて、競合既存商品毎の販売実績シェアを算出する。具体的には、図12に示すハッチ部分(グループ2に対する販売実績)を全競合既存商品で合計し、各競合既存商品のハッチ部分が合計に占める割合を求める。下段にn−3月の算出結果が示されており、商品Cは51.1%、商品Aは27.8%、商品Bは16.3%、商品Dは4.8%と算出されている。
続くステップS310では、競合既存商品毎に、販売実績に占めるグループ2の割合を算出する。グループ2の消費者は、競合既存商品を購入して競合既存商品と比較しているため、競合既存商品群のシェアを検討するのに適している。ここでは、図11に示す月毎に、販売実績に占めるグループ2の割合を算出する。例えばn−3月の場合、図10の下段に示すように、商品Cのグループ2の割合は54.7%である。図11より、n−3月の商品Cの販売実績は2000であるため、グループ2に対する販売実績は、2000×54.7%=1094と算出される。この算出結果が図12に模式的に示されており、競合既存商品Cのグループ2に対する販売実績がハッチ部分で示されている。同様に、他の競合既存商品A,B,Dのグループ2に対する販売実績がハッチ部分で示されている。
続く図20のステップS312では、グループ2に対する販売実績に基づいて、競合既存商品毎の販売実績シェアを算出する。具体的には、図12に示すハッチ部分(グループ2に対する販売実績)を全競合既存商品で合計し、各競合既存商品のハッチ部分が合計に占める割合を求める。下段にn−3月の算出結果が示されており、商品Cは51.1%、商品Aは27.8%、商品Bは16.3%、商品Dは4.8%と算出されている。
ここまでに、競合既存商品毎の販売実績シェアが算出された。次に、競合既存商品毎に、販売実績シェアと予測シェアの乖離度を算出する。
このため図20のステップS314では、商品毎の予測シェア算出部4が算出した競合既存商品毎の予測シェアを読込む。ここでは図9の右側下段に示す予測シェア(競合既存商品群だけの場合の予測シェア)を読込む。
そして図20のステップS316において、競合既存商品毎に、販売実績シェアと予測シェアの乖離度を算出する。月毎に販売実績シェアを算出したため、乖離度も月毎に算出する。例えば月毎の販売実績シェアを予測シェアで除算して、月毎の乖離度を算出する。その算出結果が図13に示されている。例えば商品Cは、予測シェアが46.9%であり、n−3月の販売実績シェアが51.1%である。これらのシェアは小数点第2位以下が四捨五入された値であるが、四捨五入する前の値を基にすると、乖離度は1.089237と算出される。同様にして、商品A,B,Dについても乖離度が算出される。
このように乖離度が算出されたら、図20のステップS318で時系列分析を行い、予測対象期間の乖離度を推定する。例えば指数平滑法によって予測対象月の乖離度を推定する。図14にその例が示されており、例えば商品Cの予測対象月の乖離度は1.049161と推定されている。
このため図20のステップS314では、商品毎の予測シェア算出部4が算出した競合既存商品毎の予測シェアを読込む。ここでは図9の右側下段に示す予測シェア(競合既存商品群だけの場合の予測シェア)を読込む。
そして図20のステップS316において、競合既存商品毎に、販売実績シェアと予測シェアの乖離度を算出する。月毎に販売実績シェアを算出したため、乖離度も月毎に算出する。例えば月毎の販売実績シェアを予測シェアで除算して、月毎の乖離度を算出する。その算出結果が図13に示されている。例えば商品Cは、予測シェアが46.9%であり、n−3月の販売実績シェアが51.1%である。これらのシェアは小数点第2位以下が四捨五入された値であるが、四捨五入する前の値を基にすると、乖離度は1.089237と算出される。同様にして、商品A,B,Dについても乖離度が算出される。
このように乖離度が算出されたら、図20のステップS318で時系列分析を行い、予測対象期間の乖離度を推定する。例えば指数平滑法によって予測対象月の乖離度を推定する。図14にその例が示されており、例えば商品Cの予測対象月の乖離度は1.049161と推定されている。
以上のように競合既存商品の予測対象期間の乖離度が推定されたら、これを基にして新規商品の乖離度を推定する。
このため図20のステップS320では、仕様・諸元ダミー変数DB16から、仕様・諸元毎のダミー変数を読込み、ステップS322において、数量化III類によって新規商品と競合既存商品群Yの商品マップを作成する。作成された商品マップが、図15に示されている。
続いて図20のステップS324では、競合既存商品毎に新規商品との類似度を算出する。ここでは、上記の商品マップ上で新規商品と距離が近い競合既存商品ほど類似度が高く、新規商品と距離が遠い競合既存商品ほど類似度が低くなるような関数を付与して、類似度を算出する。この算出手法を説明する。図16に、競合既存商品毎に、新規商品との距離が示されている。この距離は、図15の商品マップ上でのユークリッド距離である。まず、これらの距離を合計した値から、競合既存商品毎の距離を減算して、図16に示す競合既存商品毎の類似距離を算出する。例えば商品Aの距離は2.557151378であるため、距離の合計値6.818900652−2.557151378=4.261749が商品Aの類似距離となる。このように算出した競合既存商品毎の類似距離を、全既存商品で合計が1となるように規格化する。この規格化された値が類似度として算出される。例えば商品Aについては、類似度が0.20833と算出されている。
そして図20のステップS326では、競合既存商品毎の類似度と、競合既存商品毎の推定シェア乖離度に基づいて、新規商品のシェア乖離度を推定する。これにはまず、(1)競合既存商品毎に、類似度と推定シェア乖離度を乗算する。次に、(2)(1)で得た値を合計して、新規商品の推定シェア乖離度を算出する。(1)において、合計が1となるように規格化した類似度に応じて重み付けを行った推定シェア乖離度を算出し、(2)において、(1)で得た値を合計することで、1つの新規商品についてのシェア乖離度を得ることができる。例えば図16の右端の欄に、(1)競合既存商品毎に、類似度と推定シェア乖離度を乗算した値が示されており、その欄の最下段に、(2)(1)で得た値を合計した値が示されている。この合計値(1.167149204)が新規商品の推定シェア乖離度となる。
このため図20のステップS320では、仕様・諸元ダミー変数DB16から、仕様・諸元毎のダミー変数を読込み、ステップS322において、数量化III類によって新規商品と競合既存商品群Yの商品マップを作成する。作成された商品マップが、図15に示されている。
続いて図20のステップS324では、競合既存商品毎に新規商品との類似度を算出する。ここでは、上記の商品マップ上で新規商品と距離が近い競合既存商品ほど類似度が高く、新規商品と距離が遠い競合既存商品ほど類似度が低くなるような関数を付与して、類似度を算出する。この算出手法を説明する。図16に、競合既存商品毎に、新規商品との距離が示されている。この距離は、図15の商品マップ上でのユークリッド距離である。まず、これらの距離を合計した値から、競合既存商品毎の距離を減算して、図16に示す競合既存商品毎の類似距離を算出する。例えば商品Aの距離は2.557151378であるため、距離の合計値6.818900652−2.557151378=4.261749が商品Aの類似距離となる。このように算出した競合既存商品毎の類似距離を、全既存商品で合計が1となるように規格化する。この規格化された値が類似度として算出される。例えば商品Aについては、類似度が0.20833と算出されている。
そして図20のステップS326では、競合既存商品毎の類似度と、競合既存商品毎の推定シェア乖離度に基づいて、新規商品のシェア乖離度を推定する。これにはまず、(1)競合既存商品毎に、類似度と推定シェア乖離度を乗算する。次に、(2)(1)で得た値を合計して、新規商品の推定シェア乖離度を算出する。(1)において、合計が1となるように規格化した類似度に応じて重み付けを行った推定シェア乖離度を算出し、(2)において、(1)で得た値を合計することで、1つの新規商品についてのシェア乖離度を得ることができる。例えば図16の右端の欄に、(1)競合既存商品毎に、類似度と推定シェア乖離度を乗算した値が示されており、その欄の最下段に、(2)(1)で得た値を合計した値が示されている。この合計値(1.167149204)が新規商品の推定シェア乖離度となる。
最後に図20のステップS328では、競合既存商品毎の推定シェア乖離度と新規商品の推定シェア乖離度に基づいて、予測シェアを補正する。すなわち、競合既存商品毎の推定シェア乖離度と新規商品の推定シェア乖離度を、それぞれの予測シェアに乗算して、予測シェアを補正する。ここで補正される予測シェアは、図9の右側上段に示す予測シェア(新規商品を含めた場合の予測シェア)であり、図17にこの予測シェアが示されている。例えば新規商品の予測シェアは32.7%であり、推定シェア乖離度は1.167149(図16を参照)であるため、32.7%×1.167149=35.7%が補正後の予測シェアとなる。同様にして、各競合既存商品についても予測シェアを補正する。
補正後の予測シェアは、図1の商品毎予測シェアDB26に記憶される。
補正後の予測シェアは、図1の商品毎予測シェアDB26に記憶される。
以上のように本実施例によれば、グループYに属する既存商品についてのシェア乖離度に基づいて、新規商品についてのシェア乖離度を推定する。これにより、新規商品販売開始後の商品毎の予測シェアを補正することが可能となり、予測精度を向上することができる。
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
・本実施例では、数量化III類法によって第1商品マップを作成していたが、これに限るものではない。商品の属性の水準に基づいて商品の類似度を表す商品マップを作成する手法であれば、何れの手法によっても作成することができる。例えば、主成分分析法、因子分析法等を用いることもできる。
・本実施例では、コンジョイント分析の手法によってシェアを予測していたが、これに限るものではない。競合商品群が特定されればシェアを予測することができる手法であれば、何れの方法によっても作成することができる。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組み合わせによって技術的有用性を発揮するものであり、出願時請求項記載の組み合わせに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
・本実施例では、数量化III類法によって第1商品マップを作成していたが、これに限るものではない。商品の属性の水準に基づいて商品の類似度を表す商品マップを作成する手法であれば、何れの手法によっても作成することができる。例えば、主成分分析法、因子分析法等を用いることもできる。
・本実施例では、コンジョイント分析の手法によってシェアを予測していたが、これに限るものではない。競合商品群が特定されればシェアを予測することができる手法であれば、何れの方法によっても作成することができる。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組み合わせによって技術的有用性を発揮するものであり、出願時請求項記載の組み合わせに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
2 :競合既存商品群Y特定部、
4 :商品毎の予測シェア算出部、
6 :商品毎の予測シェア補正部、
12:仕様・諸元DB、
14:仕様・諸元ダミー変数変換部
16:仕様・諸元ダミー変数DB、
18:購入商品比較順序DB、
20:消費者毎評価値DB、
24:既存商品販売実績DB、
26:商品毎予測シェアDB
4 :商品毎の予測シェア算出部、
6 :商品毎の予測シェア補正部、
12:仕様・諸元DB、
14:仕様・諸元ダミー変数変換部
16:仕様・諸元ダミー変数DB、
18:購入商品比較順序DB、
20:消費者毎評価値DB、
24:既存商品販売実績DB、
26:商品毎予測シェアDB
Claims (4)
- 新規商品販売開始後の商品群の総販売数に占める商品毎の販売数の比率、即ち、シェアを予測する装置であり、
商品毎に、属性毎の水準を記憶している「商品/属性/水準」データベースと、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する第1商品マップ作成手段と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する既存商品特定手段と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する第2商品マップ作成手段と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定するグループY特定手段と、
消費者毎に、属性毎の水準に対する評価値を記憶している「消費者/属性/水準/評価値」データベースと、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する予測シェア算出手段と、
を有する商品毎のシェア予測装置。 - 請求項1のシェア予測装置に、
既存商品毎に、販売実績を記憶している「既存商品/販売実績」データベースと、
「購入既存商品/比較既存商品/優先順序」データベースから、グループYに属する既存商品を購入してグループYに属する他の既存商品を比較既存商品とした消費者を抽出する消費者抽出手段と、
「既存商品/販売実績」データベースに記憶されたグループYに属する既存商品毎の販売実績に、前記抽出した消費者が占める割合を乗算した値を、グループYに属する全既存商品で合計し、その合計値に占める既存商品毎の値の割合を、グループYに属する既存商品毎の実績シェアとして算出する実績シェア算出手段と、
グループYに属する既存商品毎に、予測シェアと実績シェアの乖離度を算出する「既存商品/シェア乖離度」算出手段と、
「商品/属性/水準」データベースに記憶されたグループYに属する既存商品群と新規商品の属性毎の水準に基づいて、グループYに属する既存商品と新規商品毎に、第3商品マップ上のポジション座標値を算出する第3商品マップ作成手段と、
第3商品マップ上での新規商品のポジション座標とグループYに属する既存商品毎のポジション座標との距離に基づいて、グループYに属する既存商品毎に、新規商品との類似度を算出する類似度算出手段と、
グループYに属する既存商品毎のシェア乖離度と、既存商品毎の新規商品との類似度に基づいて、新規商品のシェア乖離度を算出する「新規商品/シェア乖離度」算出手段と、
グループYに属する既存商品毎のシェア乖離度と、新規商品のシェア乖離度を利用して、グループYに属する既存商品と新規商品の予測シェアを補正する予測シェア補正手段と、
が付加された商品毎のシェア予測装置。 - 新規商品販売開始後の商品群の総販売数に占める商品毎の販売数の比率、即ち、シェアを予測する方法であり、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する工程と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースを整備する工程と、
コンピュータによって、「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する工程と、
コンピュータによって、第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する工程と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースを整備する工程と、
コンピュータによって、「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する工程と、
を有する商品毎のシェア予測方法。 - 新規商品販売開始後の商品群の総販売数に占める商品毎の販売数の比率、即ち、シェアを予測するためのプログラムであり、コンピュータに以下の処理、即ち、
商品毎の属性毎の水準を、コンピュータに読取り可能に記憶している「商品/属性/水準」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された商品毎の属性毎の水準に基づいて、商品毎に、第1商品マップ上のポジション座標値を算出する処理と、
第1商品マップ上で新規商品のポジション座標と最も距離が近いポジション座標の既存商品を特定する処理と、
消費者毎に、購入した既存商品と、その購入既存商品と比較した既存商品とその優先順序を対応付けて、コンピュータに読取り可能に記憶している「消費者/購入既存商品/比較既存商品/優先順序」データベースにアクセスする処理と、
「購入既存商品/比較既存商品/優先順序」データベースに記憶されている「比較既存商品とその優先順序」を「購入既存商品に類似する既存商品とその類似順序」として多次元尺度法を実施し、既存商品毎に、第2商品マップ上のポジション座標値を算出する処理と、
第2商品マップ上でポジション座標の距離が近い既存商品群をグルーピングし、前記特定された既存商品が含まれるグループYを特定する処理と、
消費者毎に、属性毎の水準に対する評価値を、コンピュータに読取り可能に記憶している「消費者/属性/水準/評価値」データベースにアクセスする処理と、
「商品/属性/水準」データベースに記憶された新規商品とグループYに属する既存商品群の属性毎の水準と、「消費者/属性/水準/評価値」データベースに記憶された消費者毎の属性毎の水準に対する評価値に基づいて、新規商品とグループYに属する既存商品毎の予測シェアを算出する処理と、
を実行させる商品毎のシェア予測のためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004094513A JP2005284470A (ja) | 2004-03-29 | 2004-03-29 | 商品毎のシェア予測装置と予測方法とそのためのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004094513A JP2005284470A (ja) | 2004-03-29 | 2004-03-29 | 商品毎のシェア予測装置と予測方法とそのためのプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005284470A true JP2005284470A (ja) | 2005-10-13 |
Family
ID=35182809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004094513A Pending JP2005284470A (ja) | 2004-03-29 | 2004-03-29 | 商品毎のシェア予測装置と予測方法とそのためのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005284470A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293428A (ja) * | 2006-04-21 | 2007-11-08 | Toyota Motor Corp | 潜在的需要量の表示装置と表示方法 |
JP2007316899A (ja) * | 2006-05-25 | 2007-12-06 | Toyota Motor Corp | 次期モデル商品の需要量を予測する装置と方法 |
JP2008009468A (ja) * | 2006-06-27 | 2008-01-17 | Toyota Motor Corp | 投入製品の種類の組み合わせを出力する装置 |
JP2009277067A (ja) * | 2008-05-15 | 2009-11-26 | Toyota Motor Corp | 商品情報分析支援装置及び商品情報分析支援プログラム |
JP2015032034A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 需要予測装置、需要予測システム、制御方法、及びプログラム |
JP2016091363A (ja) * | 2014-11-06 | 2016-05-23 | 東色ピグメント株式会社 | 商品アイコンの多次元マップを表示する装置、方法及びコンピュータプログラム |
WO2016120918A1 (ja) * | 2015-01-27 | 2016-08-04 | 日本電気株式会社 | 予測システム、予測方法及びコンピュータ読み取り可能記録媒体 |
US9495776B2 (en) | 2011-09-28 | 2016-11-15 | Fujitsu Limited | Computing method and computing apparatus |
KR20180097380A (ko) * | 2017-02-23 | 2018-08-31 | 주식회사 인슈봇 | 보험 상품 특성 분포 평면상에 가상의 상품 비교 분석을 통한 보험 상품 정보 제공 방법 |
US10380502B2 (en) | 2014-11-20 | 2019-08-13 | International Business Machines Corporation | Calculation apparatus, calculation method, learning apparatus, learning method, and program |
-
2004
- 2004-03-29 JP JP2004094513A patent/JP2005284470A/ja active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293428A (ja) * | 2006-04-21 | 2007-11-08 | Toyota Motor Corp | 潜在的需要量の表示装置と表示方法 |
JP4697029B2 (ja) * | 2006-04-21 | 2011-06-08 | トヨタ自動車株式会社 | 潜在的需要量の表示装置と表示プログラム |
JP2007316899A (ja) * | 2006-05-25 | 2007-12-06 | Toyota Motor Corp | 次期モデル商品の需要量を予測する装置と方法 |
JP4640261B2 (ja) * | 2006-05-25 | 2011-03-02 | トヨタ自動車株式会社 | 次期モデル商品の需要量を予測する装置と方法 |
JP2008009468A (ja) * | 2006-06-27 | 2008-01-17 | Toyota Motor Corp | 投入製品の種類の組み合わせを出力する装置 |
JP2009277067A (ja) * | 2008-05-15 | 2009-11-26 | Toyota Motor Corp | 商品情報分析支援装置及び商品情報分析支援プログラム |
US9495776B2 (en) | 2011-09-28 | 2016-11-15 | Fujitsu Limited | Computing method and computing apparatus |
JP2015032034A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 需要予測装置、需要予測システム、制御方法、及びプログラム |
JP2016091363A (ja) * | 2014-11-06 | 2016-05-23 | 東色ピグメント株式会社 | 商品アイコンの多次元マップを表示する装置、方法及びコンピュータプログラム |
US10380502B2 (en) | 2014-11-20 | 2019-08-13 | International Business Machines Corporation | Calculation apparatus, calculation method, learning apparatus, learning method, and program |
WO2016120918A1 (ja) * | 2015-01-27 | 2016-08-04 | 日本電気株式会社 | 予測システム、予測方法及びコンピュータ読み取り可能記録媒体 |
JPWO2016120918A1 (ja) * | 2015-01-27 | 2017-11-02 | 日本電気株式会社 | 予測システム、予測方法及びコンピュータ読み取り可能記録媒体 |
KR20180097380A (ko) * | 2017-02-23 | 2018-08-31 | 주식회사 인슈봇 | 보험 상품 특성 분포 평면상에 가상의 상품 비교 분석을 통한 보험 상품 정보 제공 방법 |
KR102004602B1 (ko) * | 2017-02-23 | 2019-07-26 | 정한창 | 보험 상품 특성 분포 평면상에 가상의 상품 비교 분석을 통한 보험 상품 정보 제공 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8631040B2 (en) | Computer-implemented systems and methods for flexible definition of time intervals | |
Kolassa | Combining exponential smoothing forecasts using Akaike weights | |
JP6009864B2 (ja) | 企業評価システム、企業評価方法及び企業評価プログラム | |
US8024218B2 (en) | Method and apparatus for determining the product marketability utilizing a percent coverage | |
US20200043022A1 (en) | Artificial intelligence system and method for generating a hierarchical data structure | |
US9727905B2 (en) | Systems and methods for determining cost of vehicle ownership | |
US8108246B2 (en) | System and method for pricing a product | |
JP5251217B2 (ja) | 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム | |
JP2005284470A (ja) | 商品毎のシェア予測装置と予測方法とそのためのプログラム | |
JP5031715B2 (ja) | 商品需要予測システム、商品の売上数調整システム | |
JP2008299684A (ja) | 顧客購買心理要因の定量分析を支援するシステム | |
JP2008123371A (ja) | 商品の需要予測装置および商品の需要予測方法ならびにそのプログラム | |
CA2881812A1 (en) | System, method and computer program for forecasting residual values of a durable good over time | |
JP2014186391A (ja) | 価格決定プログラム、価格決定装置及び価格決定方法 | |
JP4675308B2 (ja) | メディアミックス計画の立案支援装置と立案支援方法 | |
JPH11219345A (ja) | 時系列データの予測方法およびシステム | |
CN115713387A (zh) | 汽车后市场产品匹配方法、介质及装置 | |
JP2004287478A (ja) | 商品の予測需要量を算出する方法と装置とそのためのプログラム | |
US20110313800A1 (en) | Systems and Methods for Impact Analysis in a Computer Network | |
JP2007102465A (ja) | 商品群のシェアを推定する方法と装置 | |
JP4697029B2 (ja) | 潜在的需要量の表示装置と表示プログラム | |
JP2001209674A (ja) | 商品価値評価装置 | |
WO2020196734A1 (ja) | 推定システム、データ結合システム、及び関連する方法 | |
JP4268408B2 (ja) | 製品の出荷量予測装置、方法及びコンピュータ読み取り可能な記憶媒体 | |
JP6287280B2 (ja) | 情報処理方法、プログラム、及び情報処理装置 |