JP2009003850A - 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム - Google Patents
企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム Download PDFInfo
- Publication number
- JP2009003850A JP2009003850A JP2007166243A JP2007166243A JP2009003850A JP 2009003850 A JP2009003850 A JP 2009003850A JP 2007166243 A JP2007166243 A JP 2007166243A JP 2007166243 A JP2007166243 A JP 2007166243A JP 2009003850 A JP2009003850 A JP 2009003850A
- Authority
- JP
- Japan
- Prior art keywords
- corporate
- share
- company
- product
- measure
- 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.)
- Granted
Links
Images
Abstract
【解決手段】企業施策の決定支援装置1aは、前回購入商品と今回購入商品とをアンケート項目として含む消費者アンケートデータベース21と、商品の前所有と商品の現所有とを確率変数として含む複数の確率変数間の因果関係データを保持する因果関係データベース22と、を具備する。そして、制御部3は、これらのデータベースを参照し、ベイズの定理に従って任意の企業施策を実行したときのブランドの遷移確率行列を算出し、自社商品の将来の予測シェアを算出する。また、制御部3は、自社商品の将来の予測シェアに基づく、自社商品の売上金額から企業施策の実行に要するコストを引いた値、を最大にする最適な企業施策を決定する。
【選択図】図8
Description
特許文献1では、複数の年度における消費者アンケートに基づき、複数の因果モデルを構築する。そして、複数の因果モデルから、因果関係の強度の変化量および各事象の生起確率の変化量を算出し、調査対象の事象(特許文献1では、T社製PCの購入)の変化の要因が、どの事象との因果関係の強さの変化によるものなのか、また、どの事象の変化によるものなのかを分析する。
また、特許文献2では、広告メディア、中間指標、商品の購入判断の因果関係を考慮した購入行動因果モデルを構築する。そして、複数の広告メディアを組み合わせて商品の宣伝をするときに、最小の広告コストで商品の目標シェアを達成可能な広告メディアの組み合わせを特定する。
また、特許文献1、特許文献2ともに、因果モデルにおいてブランドスイッチング(現在の選考商品からの買い替え)を考慮しておらず、企業施策を実行することによって将来顧客がどのように流入出するかという分析をすることができない。すなわち、特許文献1、特許文献2では、初めて該当の選考商品を購入する消費者(ブランドスイッチングを行った消費者)と、継続して該当の選考商品を購入する消費者(ブランドスイッチングを行っていない消費者)を区別していない。しかしながら、成熟した商品市場では、特定のブランド愛好家、購入するごとにブランドを変える消費者等様々な消費者が存在し、ブランドスイッチングを考慮しなければ、消費者の購入行動を適切にモデル化したとは言えない。
そして、前記最適企業施策決定手段は、ランダムな初期値とランダムな変位量とによって最適な企業施策を探索するアルゴリズムを用いることが望ましい。
そして、前記最適な企業施策を決定するステップは、ランダムな初期値とランダムな変位量とによって最適な企業施策を探索するアルゴリズムを用いることが望ましい。
企業施策の決定支援装置1は、制御部3、記憶部5、メディア入出力部7、通信制御部9、入力部11、表示部13、周辺機器I/F部15等が、バス17を介して接続される。
ROMは、不揮発性メモリであり、コンピュータのブートプログラムやBIOS等のプログラム、データ等を恒久的に保持している。
RAMは、揮発性メモリであり、記憶部5、ROM、記録媒体等からロードしたプログラム、データ等を一時的に保持するとともに、制御部3が各種処理を行う為に使用するワークエリアを備える。
これらの各プログラムコードは、制御部3により必要に応じて読み出されてRAMに移され、CPUに読み出されて各種の手段として実行される。
入力部11を介して、コンピュータに対して、操作指示、動作指示、データ入力等を行うことができる。
図2は、企業施策の決定支援装置1の機能の概要を示すブロック図である。
図3に示すように、消費者アンケートデータ41は、42のデータを一意に識別するNo、43から49までのアンケート項目の回答内容等を含む。アンケート項目は、今回購入商品43、前回購入商品44、性別45、年齢46、新聞広告認知47、TV広告認知48、興味関心49等である。
今回購入商品43は、アンケート回答者が今回購入した商品のブランド名である。前回購入商品44は、アンケート回答者が前回購入した商品のブランド名である。性別45は、アンケート回答者の性別である。年齢46は、アンケート回答者の年齢である。新聞広告認知47は、アンケート回答者が今回購入した商品に関して新聞広告による認知があったかどうかである。TV広告認知48は、アンケート回答者が今回購入した商品に関してTV広告による認知があったかどうかである。興味関心49は、アンケート回答者が今回購入した商品に関して興味関心があったかどうかである。
尚、前回購入商品44は、初めて商品を購入する場合を考慮し、「購入商品なし」に対応する値を定義しておくと良い。
図4に示す消費者の購入行動因果モデルは、複数の確率変数の間の因果関係をグラフ構造によって表したものである。一般に、確率変数を示す長方形のボックスをノードと呼び、因果関係を示す矢印をリンクと呼ぶ。また、リンクの元にあるノードを親ノード、リンクの先にあるノードを子ノードと呼ぶ。
現所有51は、消費者が現在所有している商品のブランド名であり、図3の今回購入商品43に対応する確率変数である。前所有52は、消費者が直前に所有していた商品のブランド名であり、図3の前回購入商品44に対応する確率変数である。興味関心53、TV広告認知54、新聞広告認知55、年齢56は、それぞれ、図3の興味関心49、TV広告認知48、新聞広告認知47、年齢46に対応する確率変数である。
図5に示すように、因果関係データ61は、各ノードと親ノードリストを対としたデータである。例えば、現所有51のノードは、前所有52、興味関心53を親ノードに持つことを示している。また、例えば、前所有52のノードは、親ノードを持たないことを示している。
以下では、図4に示した消費者の購入行動因果モデルを例にとり、ブランドの遷移確率行列の算出について説明する。分析対象のセグメントをθ、ブランドの遷移確率行列をP(θ)とする。遷移確率行列算出手段32は、因果関係データベース22を参照し、ベイズの定理によって行列の各成分(P(θ))ijを求める式を以下のように決定する。
次に、遷移確率行列算出手段32は、数1に含まれる各確率P(・)を算出する。各確率P(・)は、消費者アンケートデータベース21を参照し、条件付確率表によって算出することができる。
図6に示した例は、興味関心53の確率変数に対する条件付確率表71である。この条件付確率表71によって、数1に含まれる確率P(Interest=k|TV=l、NP=m)を算出することができる。
図6に示す確率P1〜P8は、消費者アンケートデータベース21を参照することで求めることができる。例えば、確率P3は、C1=(TV広告認知なし)かつ(新聞広告認知あり)かつ(興味関心あり)と答えた人の数、C2=(TV広告認知なし)かつ(新聞広告認知あり)かつ(興味関心なし)と答えた人の数とすると、P3=C1/(C1+C2)と求めることができる。
このようにして、遷移確率行列算出手段32は、数1に含まれる各確率P(・)を算出し、全てのi、jに対して数1を計算することで、ブランドの遷移確率行列を算出する。
セグメントθに対する現在シェアのベクトルをX現(θ)、セグメントθに対する将来の予測シェアのベクトルをX予測(θ)とすると、予測シェア算出手段34は、X予測(θ)=P(θ)X現(θ)によって、将来の予測シェアを算出する。
図7は、シェア予測処理の流れを示すフローチャートである。
次に、制御部3は、現在シェア算出手段33によって入力されたセグメントに対する現在シェアを算出し(S103)、予測シェア算出手段34によって入力されたセグメントに対する将来の予測シェアを算出する(S104)。将来の予測シェアの算出では、S102で算出したブランドの遷移確率行列と、S103で算出した現在シェアとを用いる。
次に、制御部3は、分析結果出力手段35によって分析結果を出力する(S105)。分析結果としては、S104で算出した将来の予測シェアの他、S102で算出したブランドの遷移確率行列、S103で算出した現在シェアも合わせて出力しても良い。
図8は、企業施策の決定支援装置1aの機能の概要を示すブロック図である。
尚、図2に示す構成要素と同一の機能を果たす要素には、同一の番号を付して重複した説明を避ける。
そして、rt(θ, ξ1,・・・,ξt)は、以下のように定義できる。
また、MS(θ)は、「市場規模」に「セグメントθが全体に占める割合」を乗じて算出する。「市場規模」は、統計データとして入手可能であり、処理を開始する前に、記憶部5に記憶しておく。「セグメントθが全体に占める割合」は、例えば、消費者アンケートデータベース21を参照し、「セグメントθの人数」に「全体の人数」を除して算出する。
また、Priceは、実際に販売した商品価格であり、処理を開始する前に、記憶部5に記憶しておく。
また、C(ξt)は、本実施の形態では企業施策を広告投入量としていることから、t−1時点からt時点までの各メディアへの広告投入量の和となる。
最適企業施策決定手段36は、このように、ある企業施策ξ=(ξ1,・・・,ξT)を実行したときの目的関数f(ξ)を算出する。そして、最適企業施策決定手段36は、様々な企業施策ξに対して目的関数f(ξ)を算出し、最適な企業施策ξを探索する。
消費者アンケートを行った時点から企業施策を変更する場合、消費者の購入行動因果モデルに含まれる確率変数の生起確率が変動する。本実施の形態の場合、企業施策が広告投入量であるから、図4に示した消費者の購入行動因果モデルを例にすると、TV広告認知54、新聞広告認知55の認知率が変動することになる。そこで、遷移確率行列算出手段32aは、TV広告認知54、新聞広告認知55の認知率の変動を算出し、新たな条件付確率表を算出する。
ξt(i)、ξt-1(i)は、最適企業施策決定手段36が決定した値を用いる。但し、ξ0(i)は、実際に実行したメディアiの広告投入量であり、処理を開始する前に、記憶部5に記憶しておく。
c(i)は、別途算出した値であり、処理を開始する前に、記憶部5に記憶しておく。例えば、過去のメディアiの広告投入量と、メディアiの認知のアンケート結果と、を用いて、メディアiの認知率を目的変数、メディアiの広告投入量を説明変数とした回帰分析によって算出可能である。
遷移確率行列算出手段32aは、このように、TV広告認知54、新聞広告認知55の認知率の変動を算出する。
尚、本実施の形態では、メディアiの認知率の変動dt(i)が、メディアiの広告投入量の変位量に比例するとしたが、非線形の関係であっても良い。
図9に示すように、「t−1時点におけるメディアiの認知あり」の生起確率がp、「t−1時点におけるメディアiの認知なし」の生起確率がqとすると、「t時点におけるメディアiの認知あり」の生起確率はp+dt(i)/100、「t時点におけるメディアiの認知なし」の生起確率はq−dt(i) /100となる。ここで、dt(i)は、前述した数4の式で求めた値である。
遷移確率行列算出手段32aは、このように、任意の企業施策を実行したときの新しい条件付確率表を算出し、これを用いることで、t時点におけるブランドの遷移確率行列を算出する。
尚、新しい条件付確率表の算出後は、第1の実施の形態における遷移確率行列算出手段32と同様である。
第1の実施の形態における予測シェア算出手段34では、全商品の将来の予測シェアを算出したが、予測シェア算出手段34aでは、自社商品の将来の予測シェアのみを算出すれば良い。これは、最適企業施策決定手段36が必要とする予測値が自社商品の将来の予測シェアのみだからである。
従って、予測シェア算出手段34aは、第1の実施の形態における予測シェア算出手段34の説明にて前述した、セグメントθに対する将来の予測シェアのベクトルX予測(θ)、の自社商品に関する1成分のみを算出すれば良い。
尚、セグメントθに対する将来の予測シェアのベクトルX予測(θ)の各成分の算出は、第1の実施の形態における予測シェア算出手段34と同様である。
図10は、最適企業施策決定処理の流れを示すフローチャートである。
本実施の形態では、図10に示す処理を実行する前に、分析対象入力手段31によって、分析対象のセグメントが入力される。図10に示す処理では、ランダムな初期値とランダムな変位量とによって最適な企業施策を探索するアルゴリズムを用いている。すなわち、図10は、最初にランダムな初期値を企業施策ξに設定し、その初期値からランダムな変位量によって到達可能な探索空間の中で、目的関数f(ξ)を最大にする企業施策ξを探索する流れを示している。
本実施の形態では、最適企業施策決定手段36によって、図10に示す処理を繰り返し実行することで最適な企業施策ξを決定し、分析結果出力手段35aによって、決定した最適企業施策の分析結果を出力する。
尚、図10に示す例では、企業施策ξは新聞広告とTV広告の投入量であり、企業施策を最適化する最終時点Tは1とする。
ランダムな初期値の決定は、例えば、各メディアの投入量の分配率を導入し、新聞広告の投入量の分配率を1としたときの基準金額と、TV広告の投入量の分配率を1としたときの基準金額と、を事前に決定しておく。次に、0から1までの範囲の一様分布に従う一様乱数x(実数値)を取得し、xを新聞広告の投入量の分配率、1−xをTV広告の投入量の分配率とする。そして、基準金額に分配率を乗じた値(但し、小数部分の端数処理を行う)を各メディアに対する投入量の初期値と決定する。
また、ランダムな初期値の決定は、例えば、TV広告の投入量の上限金額と、新聞広告の投入量の上限金額と、を事前に決定しておく。そして、0から各メディアの投入量の上限金額までの範囲の一様分布に従う一様乱数y1、y2(ともに整数値)を取得し、y1、y2を各メディアに対する投入量の初期値と決定する。
固定変位量ηは、処理開始前に適当な値を設定しておく。
ランダムな値εは、例えば、平均0、分散1の正規分布に従う正規乱数である。
尚、S201と同様に、分配率を導入することで一つの正規乱数を取得しξ*を設定しても良いし、二つの正規乱数を取得しξ*を設定しても良い。
制約条件とは、(1)ξ*の各成分、すなわち、S203で決定した新聞広告とTV広告の投入量が非負であること、かつ、(2)S203で決定した新聞広告とTV広告の投入量を用いて数4を算出した結果、図9の説明で前述した、変動するメディアiの認知の生起確率p+dt(i)/100、q−dt(i) /100が非負かつ1以下であること、の二つである。
制御部3は、制約条件を満たすかどうか判断するため、S203で決定した新聞広告とTV広告の投入量を用いて、メディアiの認知に関する新しい条件付確率表を算出する。
制約条件を満たさない場合、S203に進む。
制約条件を満たす場合、S204に進む。
制御部3は、比較を実行するため、遷移確率行列算出手段32a、現在シェア算出手段33、予測シェア算出手段34aの機能を用いて、目的関数f(ξ*)、f(ξ)を算出する。
f(ξ*)がf(ξ)より大きい場合、制御部3は、ξにξ*を設定(S206)、すなわち、「ξ←ξ*」を実行し、S202に進む。
f(ξ*)がf(ξ)以下の場合、S207に進む。
試行回数の上限Nは、処理開始前に適当な値を設定しておく。
RepがN以下の場合、制御部3は、Repに1加算(S208)、すなわち、「Rep←Rep+1」を実行し、S203に進む。
RepがNより大きい場合、S209に進む。
例えば、新聞広告の投入量とTV広告の投入量の取り得る値を事前に設定し、全ての取り得る値の組み合わせについて目的関数f(ξ)を算出し、目的関数f(ξ)を最大にする組み合わせを最適企業施策と決定するアルゴリズムを用いても良い。しかし、このアルゴリズムでは、メディアの種類が増えると、全体の試行回数が指数オーダーで増えていくことになる。つまり、メディア数をn、各メディアの取り得る値の数をmとすると、全体の試行回数は、mのn乗となる。そして、全体の試行回数が指数オーダーで増える結果、処理時間も大幅に増加することになる。
一方、図10に示したアルゴリズムでは、メディアの種類が増えても、全体の試行回数が増えることはない。従って、処理時間もほとんど変わらないという利点がある。
また、別の方法としては、ξ1から順次、図10に示す処理を行うことで最適値を1つ1つ決定していき、最後のξTまでを決定することができる。
3………制御部
5………記憶部
7………メディア入出力部
9………通信制御部
11………入力部
13………表示部
15………周辺機器I/F部
17………バス
19………ネットワーク
21………消費者アンケートデータベース
22………因果関係データベース
31………分析対象入力手段
32、32a………遷移確率行列算出手段
33………現在シェア算出手段
34、34a………予測シェア算出手段
35、35a………分析結果出力手段
36………最適企業施策決定手段
Claims (7)
- 商品に関する企業施策の決定を支援する装置であって、
前回購入商品と今回購入商品とをアンケート項目として含む消費者アンケートデータを保持する消費者アンケートデータベースと、
商品の前所有と商品の現所有とを確率変数として含む複数の確率変数間の因果関係データを保持する因果関係データベースと、
入力された分析対象のセグメントに対して、前記消費者アンケートデータベースと前記因果関係データベースとを参照し、ベイズの定理に従ってブランドの遷移確率行列を算出する遷移確率行列算出手段と、
前記セグメントに対する現在シェアを算出する現在シェア算出手段と、
前記遷移確率行列と前記現在シェアとを用いて、将来の予測シェアを算出する予測シェア算出手段と、
を具備することを特徴とする企業施策の決定支援装置。 - 前記遷移確率行列算出手段は、任意の企業施策を実行したときの前記セグメントに対するブランドの遷移確率行列を算出し、
前記予測シェア算出手段は、自社商品の将来の予測シェアを算出し、
前記自社商品の将来の予測シェアに基づく、自社商品の売上金額から前記企業施策の実行に要するコストを引いた値、を最大にする最適な前記企業施策を決定する最適企業施策決定手段、を更に具備することを特徴とする請求項1に記載の企業施策の決定支援装置。 - 前記最適企業施策決定手段は、ランダムな初期値とランダムな変位量とによって最適な企業施策を探索するアルゴリズムを用いることを特徴とする請求項2に記載の企業施策の決定支援装置。
- 商品に関する企業施策の決定を支援する方法であって、
前回購入商品と今回購入商品とをアンケート項目として含む消費者アンケートデータを保持する消費者アンケートデータベースを構築するステップと、
商品の前所有と商品の現所有とを確率変数として含む複数の確率変数間の因果関係データを保持する因果関係データベースを構築するステップと、
入力された分析対象のセグメントに対して、前記消費者アンケートデータベースと前記因果関係データベースとを参照し、ベイズの定理に従ってブランドの遷移確率行列を算出するステップと、
前記セグメントに対する現在シェアを算出するステップと、
前記遷移確率行列と前記現在シェアとを用いて、将来の予測シェアを算出するステップと、
を含むことを特徴とする企業施策の決定支援方法。 - 前記遷移確率行列を算出するステップは、任意の企業施策を実行したときの前記セグメントに対するブランドの遷移確率行列を算出し、
前記予測シェアを算出するステップは、自社商品の将来の予測シェアを算出し、
前記自社商品の将来の予測シェアに基づく、自社商品の売上金額から前記企業施策の実行に要するコストを引いた値、を最大にする最適な前記企業施策を決定するステップ、
を更に含むことを特徴とする請求項4に記載の企業施策の決定支援方法。 - 前記最適な企業施策を決定するステップは、ランダムな初期値とランダムな変位量とによって最適な企業施策を探索するアルゴリズムを用いることを特徴とする請求項5に記載の企業施策の決定支援方法。
- コンピュータを請求項1から請求項3までのいずれかに記載の企業施策の決定支援装置として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007166243A JP4993097B2 (ja) | 2007-06-25 | 2007-06-25 | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007166243A JP4993097B2 (ja) | 2007-06-25 | 2007-06-25 | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009003850A true JP2009003850A (ja) | 2009-01-08 |
JP4993097B2 JP4993097B2 (ja) | 2012-08-08 |
Family
ID=40320144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007166243A Expired - Fee Related JP4993097B2 (ja) | 2007-06-25 | 2007-06-25 | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4993097B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6176813B1 (ja) * | 2017-03-06 | 2017-08-09 | 株式会社Emotion Tech | ユーザが評価対象を評価した結果を分析するためのコンピュータシステムおよびそのコンピュータシステムにおいて実行される方法およびプログラム |
JP2018136604A (ja) * | 2017-02-20 | 2018-08-30 | 株式会社マクロミル | 評価システム |
JP2020149197A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社Strategy Partners | マーケティング支援システム、マーケティング支援方法、及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234470A (ja) * | 2003-01-31 | 2004-08-19 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
-
2007
- 2007-06-25 JP JP2007166243A patent/JP4993097B2/ja not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004234470A (ja) * | 2003-01-31 | 2004-08-19 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018136604A (ja) * | 2017-02-20 | 2018-08-30 | 株式会社マクロミル | 評価システム |
JP6176813B1 (ja) * | 2017-03-06 | 2017-08-09 | 株式会社Emotion Tech | ユーザが評価対象を評価した結果を分析するためのコンピュータシステムおよびそのコンピュータシステムにおいて実行される方法およびプログラム |
JP2020149197A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社Strategy Partners | マーケティング支援システム、マーケティング支援方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP4993097B2 (ja) | 2012-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bauer et al. | Optimal pricing in e-commerce based on sparse and noisy data | |
Ali et al. | SKU demand forecasting in the presence of promotions | |
JP4465417B2 (ja) | 顧客セグメント推定装置 | |
US20190156357A1 (en) | Advanced computational prediction models for heterogeneous data | |
US20130166379A1 (en) | Social Targeting | |
US20140100989A1 (en) | Systems and methods for deetermining a fair price range for commodities | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
WO2012049987A1 (ja) | 商品推薦システムおよび商品推薦方法 | |
US20200302486A1 (en) | Method and system for determining optimized customer touchpoints | |
US10402840B2 (en) | Systems and methods for setting product prices | |
JPWO2005024689A1 (ja) | 消費者の購買行動分析方法及び装置 | |
US20220253875A1 (en) | Method and system for adjustable automated forecasts | |
US20200311749A1 (en) | System for Generating and Using a Stacked Prediction Model to Forecast Market Behavior | |
Pinçe et al. | The role of contract expirations in service parts management | |
Feng et al. | Developing operations management data analytics | |
JP2008299370A (ja) | リコメンド装置、リコメンド方法、リコメンドプログラムおよびそのプログラムを記録した記録媒体 | |
JP4993097B2 (ja) | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム | |
Chen et al. | Data-driven revenue management: The interplay of data, model, and decisions | |
CN113077305B (zh) | 页面处理方法、系统、电子设备及存储介质 | |
Ding et al. | Balancing revenues and repair costs under partial information about product reliability | |
Crönert et al. | Inverse optimization of integer programming games for parameter estimation arising from competitive retail location selection | |
Tsaur | Green product pricing decision analysis with application to personal computers | |
Besbes et al. | Signaling competition in two-sided markets | |
US8126765B2 (en) | Market demand estimation method, system, and apparatus | |
Koch et al. | Dynamic customer journey analysis and its advertising impact |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100202 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20111128 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20111206 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120203 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120327 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120424 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150518 Year of fee payment: 3 |
|
R150 | Certificate of patent (=grant) or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |