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
【課題】ブランドスイッチングを考慮した消費者の購入行動因果モデルを構築し、任意の企業施策を実行した場合の商品のシェアを精度良く予測し、更に、費用対効果を最大にする最適な企業施策の決定を支援する装置等を提供する。
【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
【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
本発明は、商品に関する企業施策の決定を支援する装置、特にブランドスイッチングを考慮した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に関するものである。
消費者の商品選択行動は、様々な企業施策に影響を受ける。企業施策としては、例えば、広告の投入量、デザインの選択、機能付加の選択（例えば、商品が自動車の場合、ハイブリッドカーにするかどうか）等がある。このような企業施策に対し、消費者の商品選択行動がどのように影響を受けるかについて分析することが行われている（特許文献１、特許文献２）。
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。
特開２００６−１２７０５９号公報
特願２００６−２９８１８１号公報
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。
しかしながら、特許文献１では、事象の変化の要因を分析することに留まり、商品のシェアを上昇させるための最適な企業施策の決定については言及していない。
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。
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。
本発明は、前述した問題点に鑑みてなされたもので、その目的はブランドスイッチングを考慮した消費者の購入行動因果モデルを構築し、任意の企業施策を実行した場合の商品のシェアを精度良く予測し、更に、費用対効果を最大にする最適な企業施策の決定を支援する装置等を提供することである。
前述した目的を達成するために第１の発明は、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である。
また、第１の発明は、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、を更に具備するものであっても良い。
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。
第２の発明は、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である。
また、第２の発明は、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、を更に含むものであっても良い。
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。
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。
第３の発明は、コンピュータを第１の発明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である。
本発明により、ブランドスイッチングを考慮した消費者の購入行動因果モデルを構築し、任意の企業施策を実行した場合の商品のシェアを精度良く予測し、更に、費用対効果を最大にする最適な企業施策の決定を支援する装置等を提供することができる。
以下図面に基づいて、本発明の実施形態を詳細に説明する。
まず、第１の実施の形態について説明する。以下では、消費者の購入行動因果モデルに含める企業施策として広告投入量を例に説明するが、他の企業施策であっても同様に実施することができる。
図１は、本実施の形態に係る企業施策の決定支援装置１を実現するコンピュータのハードウェア構成図である。尚、図１のハードウェア構成は一例であり、用途、目的に応じて様々な構成を採ることが可能である。
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。
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。
制御部３は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等で構成される。
ＣＰＵは、記憶部５、ＲＯＭ、記録媒体等に格納されるプログラムをＲＡＭ上のワークメモリ領域に呼び出して実行し、バス１７を介して接続された各装置を駆動制御し、企業施策の決定支援装置１が行う後述する処理を実現する。
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。
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。
記憶部５は、ＨＤＤ（ハードディスクドライブ）であり、制御部３が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（オペレーティングシステム）等が格納される。プログラムに関しては、ＯＳ（オペレーティングシステム）に相当する制御プログラムや、後述の処理に相当するアプリケーションプログラムが格納されている。
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。
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。
メディア入出力部７（ドライブ装置）は、データの入出力を行い、例えば、フロッピー（登録商標）ディスクドライブ、ＣＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）、ＤＶＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）、ＭＯドライブ等のメディア入出力装置を有する。
通信制御部９は、通信制御装置、通信ポート等を有し、コンピュータとネットワーク１９間の通信を媒介する通信インタフェースであり、ネットワーク１９を介して、他のコンピュータ間との通信制御を行う。
入力部１１は、データの入力を行い、例えば、キーボード、マウス等のポインティングデバイス、テンキー等の入力装置を有する。
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。
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。
表示部１３は、ＣＲＴモニタ、液晶パネル等のディスプレイ装置、ディスプレイ装置と連携してコンピュータのビデオ機能を実現するための論理回路等（ビデオアダプタ等）を有する。
周辺機器Ｉ／Ｆ（インタフェース）部１５は、コンピュータに周辺機器を接続させるためのポートであり、周辺機器Ｉ／Ｆ部１５を介してコンピュータは周辺機器とのデータの送受信を行う。周辺機器Ｉ／Ｆ部１５は、ＵＳＢやＩＥＥＥ１３９４やＲＳ−２３２Ｃ等で構成されており、通常複数の周辺機器Ｉ／Ｆを有する。周辺機器との接続形態は有線、無線を問わない。
バス１７は、各装置間の制御信号、データ信号等の授受を媒介する経路である。
次に、図２から図６までを参照しながら、企業施策の決定支援装置１の機能を実現する構成について説明する。
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。
企業施策の決定支援装置１は、消費者アンケートデータベース２１、因果関係データベース２２、分析対象入力手段３１、遷移確率行列算出手段３２、現在シェア算出手段３３、予測シェア算出手段３４、分析結果出力手段３５等を備える。
消費者アンケートデータベース２１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を保持する。消費者アンケートデータベース２１の構築は、例えば、回収したアンケート用紙の回答内容を入力部１１を介して入力し、記憶部５が記憶するようにしても良い。また、例えば、インターネット上にアンケート回答ページを公開し、ネットワーク１９を介して、消費者のコンピュータから送信された回答内容のデータを記憶部５が記憶するようにしても良い。
図３は、消費者アンケートデータ４１の１例を示す図である。
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。
因果関係データベース２２は、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の構築は、例えば、分析者の知見によって決定した因果関係データを入力部１１を介して入力し、記憶部５が記憶するようにしても良い。また、入力された因果関係データを基に、制御部３が、因果関係の強さを評価する情報量基準を算出し、算出した情報量基準を判断要素として適宜修正した因果関係データを記憶部５が記憶するようにしても良い。情報量基準は、例えば、特許文献１に記載されたものを用いることができる。
図４は、消費者の購入行動因果モデルの１例を示す図である。
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は、図４に示した消費者の購入行動因果モデルに対応する因果関係データ６１を示す図である。
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。
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。
分析対象入力手段３１は、分析対象とするセグメントを入力する。セグメントとは、消費者の購入行動因果モデルに含まれる確率変数の中で、消費者を層別に分類する確率変数の値（範囲指定された値を含む）である。図４に示した例では、年齢５６の値、例えば、「２０代」、「３０代後半」等である。分析対象とするセグメントは、複数の確率変数の値のＡＮＤ条件であっても良いし、何も特定しなくても良い。データの入力は、入力部１１を介しても良いし、ネットワーク１９を介して、他のコンピュータからデータを受信しても良い。
遷移確率行列算出手段３２は、入力された分析対象のセグメントに対して、消費者アンケートデータベース２１と因果関係データベース２２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。
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。
但し、Ｘ：ブランドの確率変数、Ａｇｅ：年齢５６の確率変数、Ｉｎｔｅｒｅｓｔ：興味関心５３の確率変数、ＴＶ：ＴＶ広告認知５４の確率変数、ＮＰ：新聞広告認知５５の確率変数、である。
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。
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は、条件付確率表７１の１例を示す図である。
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。
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。
現在シェア算出手段３３は、入力された分析対象のセグメントに対する現在シェアを算出する。現在シェアとは、現時点での各ブランドのマーケットシェアである。現在シェアの算出は、例えば、消費者アンケートデータベース２１を参照し、入力されたセグメントにおける今回購入商品４３の頻度計算によって求めることができる。
予測シェア算出手段３４は、遷移確率行列と現在シェアとを用いて、入力された分析対象のセグメントに対する将来の予測シェアを算出する。将来の予測シェアとは、一期先の時点での各ブランドのマーケットシェアの予測値である。
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。
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。
分析結果出力手段３５は、分析結果を出力する。分析結果として、将来の予測シェアのみを出力しても良い。また、現在の予測シェアからどの程度変動したか、すなわち、各ブランドの現在の予測シェアと将来の予測シェアとの差を出力しても良い。更に、ブランドスイッチングの状況が詳細に分かるように、遷移確率行列を合わせて出力しても良い。データの出力は、表示部１３に表示するようにしても良いし、ネットワーク１９を介して、他のコンピュータに送信しても良い。
次に、図７を参照しながら、企業施策の決定支援装置１の動作の詳細について説明する。
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。
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。
図７に示すように、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と（Ｓ１０１）、制御部３は、遷移確率行列算出手段３２によって入力されたセグメントに対するブランドの遷移確率行列を算出する（Ｓ１０２）。
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。
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。
以上説明したように、第１の実施の形態によれば、制御部３は、遷移確率行列算出手段３２によって、消費者アンケートデータベース２１と因果関係データベース２２とを参照し、入力されたセグメントに対するブランドの遷移確率行列を算出する。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、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。そして、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。
第１の実施の形態によって、企業施策の決定者は、客観的な情報に基づいて、企業施策を現在の状態で変化させなかった場合の将来の予測シェアを分析することができる。特に、ブランドスイッチングを考慮した消費者の購入行動因果モデルを用いることから、予測精度の高い分析結果を得ることができる。この分析結果は、企業施策の見直しを行うかどうかの有用な判断材料となる。
尚、第１の実施の形態では、現在から１期先のシェアのみを予測することとしたが、同様の方法によって、２期先以上のシェアを予測することも可能である。例えば、２期先のシェアを予測する場合、Ｐ（θ）Ｐ（θ）Ｘ現（θ）を算出すれば良い。
次に、第２の実施の形態について説明する。以下では、消費者の購入行動因果モデルに含める企業施策として広告投入量を例に説明するが、他の企業施策であっても同様に実施することができる。第２の実施の形態では、第１の実施の形態における将来の予測シェアの算出機能を用いて、最適な企業施策を決定する。
図１は、第２の実施の形態に係る企業施策の決定支援装置１ａを実現するコンピュータのハードウェア構成図である。企業施策の決定支援装置１ａのハードウェア構成は、第１の実施の形態と同様であるため説明を省略する。
次に、図８と図９を説明しながら、企業施策の決定支援装置１ａの機能を実現する構成について説明する。
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。
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。
企業施策の決定支援装置１ａは、消費者アンケートデータベース２１、因果関係データベース２２、分析対象入力手段３１、最適企業施策決定手段３６、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、分析結果出力手段３５ａ等を備える。
最適企業施策決定手段３６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。具体的には、以下に示す目的関数ｆ(ξ)を定義し、目的関数ｆ(ξ)を最大化する企業施策ξ＝（ξ１,・・・,ξＴ）を決定する。
但し、ξｔ：ｔ−１時点からｔ時点までの期間に対する企業施策、ｒｔ(θ,ξ１,・・・,ξｔ)：企業施策ξ１から企業施策ξｔまでを実行したときのセグメントθに対するｔ時点における自社シェア、Ｔ：企業施策を最適化する最終時点、ＭＳ(θ)：セグメントθの市場規模、Ｐｒｉｃｅ：商品価格、Ｃ(ξｔ)：企業施策ξｔの実行に要するコスト、である。
そして、ｒｔ(θ, ξ１,・・・,ξｔ)は、以下のように定義できる。
但し、ξτ：τ−１時点からτ時点までの期間に対する企業施策、Ｐ(θ,ξτ)：企業施策ξτを実行したときのセグメントθに対するブランドの遷移確率行列、Ｘ現(θ)：セグメントθに対する現在シェアのベクトル、である。
そして、ｒｔ(θ, ξ１,・・・,ξｔ)は、以下のように定義できる。
最適企業施策決定手段３６は、後述する遷移確率行列算出手段３２ａ、現在シェア算出手段３３、後述する予測シェア算出手段３４ａの機能を用いて、任意の企業施策ξｔの実行を行ったときのｒｔ(θ,ξｔ)を算出する。
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。
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。
遷移確率行列算出手段３２ａは、任意の企業施策を実行したときのセグメントに対するブランドの遷移確率行列を算出する。
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。
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。
ＴＶ広告認知５４、新聞広告認知５５の認知率の変動は、以下のように定義する。
但し、ｄｔ(ｉ)：メディアｉの認知率の変動（％）、ξｔ(ｉ)：ｔ−１時点からｔ時点までのメディアｉの広告投入量（円）、ｃ(ｉ)：単位金額当たりの認知率の変動（％／円）、である。
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。
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は、メディアｉの認知の生起確率の変動を示す図である。
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。
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。
予測シェア算出手段３４ａは、遷移確率行列と現在シェアとを用いて、入力された分析対象のセグメントに対する自社商品の将来の予測シェアを算出する。
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。
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。
分析結果出力手段３５ａは、最適企業施策決定手段３６によって決定した最適企業施策の分析結果を出力する。分析結果としては、各時点における決定した最適企業施策と、その企業施策を実行したときの自社商品の将来の予測シェアの推移を出力する。更に、ブランドスイッチングの状況が詳細に分かるように、各時点の遷移確率行列を合わせて出力しても良い。データの出力は、表示部１３に表示するようにしても良いし、ネットワーク１９を介して、他のコンピュータに送信しても良い。
次に、図１０を参照しながら、企業施策の決定支援装置１ａの動作の詳細について説明する。
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。
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。
図１０に示すように、制御部３は、企業施策ξにランダムな初期値を設定する（Ｓ２０１）。
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。
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。
次に、制御部３は、試行回数Ｒｅｐに１を設定する（Ｓ２０２）。すなわち、「Ｒｅｐ←１」を実行する。
次に、制御部３は、固定変位量ηにランダムな値εを乗じてξに加算した値をξ*に設定する（Ｓ２０３）。すなわち、「ξ*←ξ＋ηε」を実行する。
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。
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。
次に、制御部３は、ξ*が制約条件を満たすかどうか確認する（Ｓ２０４）。
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。
次に、制御部３は、目的関数ｆ(ξ*)が目的関数ｆ(ξ)より大きいかどうか確認する（Ｓ２０５）。すなわち、「ｆ(ξ*)＞ｆ(ξ)」を比較式とした比較を実行する。
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。
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。
次に、制御部３は、Ｒｅｐが試行回数の上限Ｎよりも大きいかどうか確認する（Ｓ２０７）。すなわち、「Ｒｅｐ＞Ｎ」を比較式とした比較を実行する。
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。
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。
次に、制御部３は、ξ*を最適な値としてＲＡＭ上のワークメモリに保持し（Ｓ２０９）、処理を終了する。
尚、最適企業施策決定手段３６は、図１０に示したアルゴリズムと異なるアルゴリズムも用いることができる。
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。
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。
以上説明したように、第２の実施の形態によれば、制御部３は、分析対象入力手段３１によって入力された分析対象のセグメントに対し、最適企業施策決定手段３６によって、目的関数、すなわち、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。そして、制御部３は、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。
第２の実施の形態によって、企業施策の決定者は、客観的な情報に基づいて、企業施策を変化させた場合の将来の予測シェアを分析し、最適な企業施策の決定について分析することができる。特に、ブランドスイッチングを考慮した消費者の購入行動因果モデルを用いることから、予測精度の高い分析結果を得ることができる。この分析結果は、企業施策の決定に有用な判断材料となる。
尚、図１０のフローチャートの説明では、企業施策を最適化する最終時点Ｔを１としたが、Ｔ≧２の場合も同様に実施することができる。すなわち、図１０に示すＳ２０１において、企業施策ξ１からξＴまでの全ての初期値を設定して後続の処理を行うことで、企業施策ξ＝（ξ１,・・・,ξＴ）を一度に決定することができる。この方法であれば、例えば、企業施策ξが新聞広告とＴＶ広告の投入量とすると、先に新聞広告の投入量を増やし、後からＴＶ広告の投入量を増やす戦略が良いのか、または、先にＴＶ広告の投入量を増やし、後から新聞広告の投入量を増やす戦略が良いのか、といった判断もすることができる。
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。
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。
以上、添付図面を参照しながら、本発明に係る企業施策の決定支援装置等の好適な実施形態について説明したが、本発明はかかる例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
１、１ａ………企業施策の決定支援装置
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
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 |