JP2009211516A - 顧客行動分析システム - Google Patents
顧客行動分析システム Download PDFInfo
- Publication number
- JP2009211516A JP2009211516A JP2008055036A JP2008055036A JP2009211516A JP 2009211516 A JP2009211516 A JP 2009211516A JP 2008055036 A JP2008055036 A JP 2008055036A JP 2008055036 A JP2008055036 A JP 2008055036A JP 2009211516 A JP2009211516 A JP 2009211516A
- Authority
- JP
- Japan
- Prior art keywords
- customer
- management information
- information
- state
- classification
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
【課題】顧客の心理状態が遷移する条件及び顧客の心理状態が遷移するまでの期間を算出する。
【解決手段】顧客の購買行動を分析する顧客行動分析システムであって、ネットワークに接続されるインタフェースと、前記インタフェースに接続されるプロセッサと、前記プロセッサに接続される記憶部と、を備え、前記記憶部は、顧客に対応する複数の管理情報を記憶し、前記プロセッサは、前記管理情報を前記記憶部から読み出し、前記読み出された管理情報に基づいて、複数の状態を含む心理状態に顧客が遷移する条件を生成し、前記読み出された管理情報に基づいて、前記各心理状態に顧客が滞留する期間を算出することを特徴とする。
【選択図】図2
【解決手段】顧客の購買行動を分析する顧客行動分析システムであって、ネットワークに接続されるインタフェースと、前記インタフェースに接続されるプロセッサと、前記プロセッサに接続される記憶部と、を備え、前記記憶部は、顧客に対応する複数の管理情報を記憶し、前記プロセッサは、前記管理情報を前記記憶部から読み出し、前記読み出された管理情報に基づいて、複数の状態を含む心理状態に顧客が遷移する条件を生成し、前記読み出された管理情報に基づいて、前記各心理状態に顧客が滞留する期間を算出することを特徴とする。
【選択図】図2
Description
本発明は、計算機システムに関し、特に、顧客の購買行動を分析するシステムに関する。
従来、金融機関は、金融機関が保有するデータを統計的に分析し、金融商品を購入する可能性のある顧客を抽出し、該当する顧客にEメールの送信、ダイレクトメールの発送、及びインターネットバンキングの利用者を対象とする画面へのバナー表示等の販促活動を実施している。
しかし、顧客が窓口、コールセンター、及びインターネット等のチャネルにアクセスした時点の心理状態が、単なる「関心」であるか、すでに「興味」がある状態であるか、又は「欲求」がある状態であるのかを把握することができない課題があった。
このような課題は、金融機関だけでなく、多くの顧客に物品の購買を紹介する業者にとって共通の課題である。
そこで、本発明は、顧客の情報に基づいて、顧客の心理状態が「関心(A)」、「興味(I)」、「欲求(D)」、「確信(C)」、及び「購買(A)」のいずれかの状態に遷移する条件(遷移条件)、及び、次の状態に遷移するまでの期間を把握することを目的とする。
本発明は、顧客の購買行動を分析する顧客行動分析システムであって、ネットワークに接続されるインタフェースと、前記インタフェースに接続されるプロセッサと、前記プロセッサに接続される記憶部と、を備え、前記記憶部は、顧客に対応する複数の管理情報を記憶し、前記プロセッサは、前記管理情報を前記記憶部から読み出し、前記読み出された管理情報に基づいて、複数の状態を含む心理状態に顧客が遷移する条件を生成し、前記読み出された管理情報に基づいて、前記各心理状態に顧客が滞留する期間を算出することを特徴とする。
本発明によれば、顧客の心理状態が遷移する条件及び顧客の心理状態が遷移するまでの期間を把握することによって、顧客の心理状態に応じた適切な販促活動を実施することができる。
以下、本発明の実施の形態について図面を参照しながら説明する。
図1は、本発明の実施の形態のシステムのハードウェアのブロック図である。
図1に示すハードウェアは、プロセッサ(CPU)101、メモリ102、ハードディスク103、入力装置104、出力装置105、及び通信制御装置106を備える。
CPU101は、メモリ102に格納されているプログラムを実行し、ハードウェア全体を制御するプロセッサである。
メモリ102は、CPU101によって実行されるプログラムを格納する。メモリ102は、例えば、Random Access Memory(RAM)のような半導体メモリであってもよい。また、ハードディスク103に格納されたプログラム及びデータが必要に応じて読み出され、メモリ102に格納される。
ハードディスク103は、プログラム及びデータ(例えば、後述する金融機関保有情報及び金融商品情報)等を記憶する。
入力装置104は、ユーザによる情報の入力を受け付ける。入力装置104は、例えば、キーボード及び/又はマウス等を含む。
出力装置105は、ユーザへの情報を表示する。出力装置105は、例えば、液晶表示装置のようなディスプレイ装置又はプリンタ等を含む。
通信制御装置106は、ネットワーク(例えば、LAN又はインターネット等)を介して、データを送受信する。
図2は、本発明の実施の形態のシステムの処理のフローチャートである。
図2に示す処理は、CPU101が、メモリ102に格納されている各種プログラムを実行することによって実行される。
まず、CPU101は、メモリ102から金融機関保有情報及び金融商品情報を読み出す(S201)。
金融機関保有情報は、各顧客に対応して金融機関が保持する情報(例えば、アクセスログ(RSS等)304、顧客属性303、及び取引履歴302等)である。なお、金融機関保有情報及び金融商品情報については、図3を用いて後述する。
次に、CPU101は、金融機関が提供する金融商品から、一つの金融商品を順番に選択する(S202)。
次に、CPU101は、購買行動モデル(AIDCAモデル)の各状態に金融機関保有情報を分類する基準を生成する(S203)。なお、ステップS203の処理については、図4を用いて後述する。なお、AIDCAモデルとは、商品を購買する顧客の行動を分析するために用いられる購買行動のモデルであり、顧客の行動が関心(ATTENTION)、興味(INTEREST)、欲求(DESIRE)、確信(CONVICTION)、及び購買(ACTION)のいずれかの状態(心理状態)に分けられる。
次に、CPU101は、ステップS203で生成された分類基準に基づいて、金融機関保有情報を分類する(S204)。なお、ステップS204の処理については、図5を用いて後述する。
次に、CPU101は、ステップS204で分類された金融機関保有情報に基づいて、顧客が契約に至るまでのAIDCAモデルの各状態に遷移する条件(遷移条件)を生成する(S205)。なお、ステップS205の処理については、図6を用いて後述する。
次に、CPU101は、ステップS204で分類された金融機関保有情報とステップS205で生成された遷移条件とに基づいて、顧客がAIDCAモデルの各状態に滞留する期間(滞留期間)を算出する(S206)。なお、ステップS206の処理については、図8を用いて後述する。
次に、CPU101は、全ての金融商品について処理が終了したか否かを判定する(S207)。
全ての金融商品について処理が終了している場合、処理はステップS208に進む。一方、一部の金融商品について処理が終了していない場合、処理はステップS202に戻り、処理が終了していない金融商品を順番に選択する。
次に、CPU101は、ステップS205で生成した遷移条件と、ステップS206で算出した滞留期間とを金融商品毎に出力する(S208)。なお、ステップS208の処理については、図10を用いて後述する。
図3は、本発明の実施の形態の金融機関保有情報及び金融商品情報の相関を示す説明図である。
金融機関保有情報は、取引履歴302、顧客属性303、及びアクセスログ304のデータを含む。金融商品情報は、商品マスタ301のデータを含む。
アクセスログ304は、顧客が金融商品を契約するまでに実行した行動のログ情報であり、RSSログ305、RSS検索ログ306、金融機関サイトアクセスログ307、及び問合せ履歴308のデータを含む。
取引履歴302は、顧客が金融機関と金融商品を取引した履歴の情報を格納し、例えば、店番、口座番号、科目、商品コード、商品名、及び実行日のデータが格納される。なお、取引履歴302に格納されるデータは、顧客が金融機関と取引した内容から取得される。
顧客属性303は、顧客に関する情報を格納し、例えば、顧客番号、店番、口座番号、氏名、性別、及び年齢のデータが格納される。なお、顧客属性303に格納されるデータは、金融機関が保有する顧客情報(例えば、顧客属性データベース)から取得される。また、顧客が金融機関のサイト(Webサイト)に登録した顧客の情報から取得されてもよい。
RSSログ305は、顧客がRSSを閲覧したサイトの情報を格納し、例えば、アクセス日時、URL、及びIPアドレスのデータが格納される。RSSは、サイトの更新情報を作成する場合に用いられるフォーマットであり。RSSのフォーマット(規格)によって更新情報が作成されるサイトを登録することによって、登録されたサイトの更新情報を取得することができる。なお、RSSログ305に格納されるデータは、金融機関のサイトに登録されているRSSから、顧客がRSSを閲覧したサイトの情報である。
RSS検索ログ306は、RSSに登録されているサイトの更新情報を顧客が検索したログの情報を格納し、例えば、アクセス日時、検索キーワード、及びIPアドレスのデータが格納される。なお、RSS検索ログ306に格納されるデータは、顧客が検索キーワード等を用いて検索した内容から取得される。例えば、金融機関のサイトが、RSSに登録されているサイトの情報を検索する機能を備え、キーワードを用いてサイトの情報が検索される場合、検索に用いられるキーワード等をRSS検索ログ306として取得することができる。
金融機関サイトアクセスログ307は、顧客が金融機関のサイトにアクセスしたログの情報を格納し、例えば、アクセス日時、URL、及びアクセス内容のデータが格納される。なお、金融機関サイトアクセスログ307に格納されるデータは、顧客が金融機関のサイトにアクセスした情報である。
問合せ履歴308は、顧客が金融機関に問合せた情報を格納し、例えば、問合せチャネル(問合せ先)及び問合せ内容のデータが格納される。なお、問合せ履歴308に格納されるデータは、顧客が各チャネル(例えば、窓口及びコールセンター)に問合せた内容から取得される。
商品マスタ301は、金融機関が提供する金融商品の情報(金融商品情報)を格納し、例えば、商品区分、商品コード、商品名、利率、及び期間のデータが格納される。
図3に示すように、商品マスタ301と取引履歴302とは互いに関連付いている。また、取引履歴302と顧客属性303とは互いに関連付いている。また、顧客属性303とアクセスログ304とは互いに関連付いている。
例えば、取引履歴302の商品コードを検索キーとして、商品マスタ301の商品コードに対応する金融商品の情報を検索することができる。また、顧客属性303の店番及び口座番号を検索キーとして、取引履歴302の店番及び口座番号に対応する取引の履歴の情報を検索することができる。また、顧客属性303の顧客番号を検索キーとして、アクセスログ304の顧客番号に対応する顧客のアクセス情報を検索することができる。
図4は、本発明の実施の形態の分類基準生成処理の説明図である。
図4(A)は、分類基準生成処理のフローチャートであり、図2のステップS203で実行される処理である。
CPU101は、顧客属性303及び取引履歴302に格納されているデータから、金融商品を過去に契約した契約者を抽出し、抽出した契約者に対応するデータ(アクセスログ304に格納されているデータ)と辞書410に格納されているデータとを読み出す。契約者のアクセスログ304に格納されているデータと、辞書410に格納されているデータとを比較し、アクセスログ304に格納されているデータを、辞書410に予め定義されている分類事項411に分ける。そして、それぞれ分けられた分類事項411から、最も多い行動データのパターンを特定し、特定されたパターンに含まれる行動データをAIDCAモデルの各状態に対応付けることによって、分類基準を生成する(S401)。
辞書410は、予め定義されている項目(分類事項)411に対応してキーワード412が格納されるファイルである。図4(A)に示す例では、分類事項411として、物及び資金が定義されている。物の分類事項411には、住宅、車、ゴルフ、キッチン、及び外壁塗装等のキーワード412が格納され、資金の分類事項411には、ローン及び金利等のキーワード412が格納される。
なお、RSSログ305に格納されているデータを分類事項411に分ける処理は、以下のようにするとよい。まず、RSSログ305に格納されているサイトのHTMLファイルのソースコードを解析し、辞書410に格納されているキーワード412と一致する最も多いキーワードを抽出する。そして、抽出されたキーワードが含まれる分類事項411を特定し、RSSログ305に格納されているデータを特定した分類事項411に分ける。
また、RSS検索ログ306に格納されているデータを分類事項411に分ける処理は、以下のようにするとよい。まず、RSS検索ログ306に格納されている検索キーワードを抽出し、抽出された検索キーワードと、辞書410に格納されているキーワード412とを比較する。そして、辞書410に格納されているキーワード412と一致する検索キーワードが含まれる分類事項411を特定し、RSS検索ログ306に格納されているデータを特定した分類事項411に分ける。
また、金融機関サイトアクセスログ307に格納されているデータを分類事項411に分ける処理は、以下のようにするとよい。まず、金融機関サイトアクセスログ307に格納されているアクセス内容に含まれるキーワード(アクセスキーワード)を抽出し、抽出されたアクセスキーワードと辞書410に格納されているキーワード412とを比較する。そして、辞書410に格納されているキーワード412と一致するアクセスキーワードが含まれる分類事項411を特定し、金融機関サイトアクセスログ307に格納されているデータを特定した分類事項411に分ける。
また、問合せ履歴308に格納されているデータを分類事項411に分ける処理は、以下のようにするとよい。まず、問合せ履歴308に格納されている問合せ内容に含まれるキーワード(問合せキーワード)を抽出し、抽出された問合せキーワードと辞書410に格納されているキーワード412とを比較する。そして、辞書410に格納されているキーワード412と一致する問合せキーワードが含まれる分類事項411を特定し、問合せ履歴308に格納されているデータを特定した分類事項411に分ける。
ここで、顧客が金融商品を契約する場合に行動する内容が示されるデータを行動データとする。行動データには、分類事項411に含まれるキーワード412が含まれる。図4(B)に示す例は、時間軸に沿った住宅ローンの契約者の行動データであり、各顧客の行動データのパターンである。例えば、分類事項411「物」に含まれるキーワード412は、行動データ「物」に含まれ、分類事項411「資金」に含まれるキーワード412は、行動データ「資金」に含まれる。
分類事項411から最も多い行動データのパターンを特定する処理は、以下のようにするとよい。まず、分類事項411に分けられた金融機関保有情報に格納されているアクセス日時のデータに基づいて、各金融機関保有情報を分類事項411毎に集計(例えば、ヒストグラムを作成)し、各分類事項411の時間順序を求める。そして、求められた時間順序に対応する行動データのパターンが特定される。分類事項411の時間順序を算出する処理は、例えば、分類事項411毎に金融機関保有情報が現れる時刻をそれぞれ集計し、集計された時刻を分類事項411毎に平均することによって、分類事項411の平均時刻を算出する。そして、算出された平均時刻の時間順序に対応して行動データのパターンが特定されてもよい。また、分類事項411毎に金融機関保有情報が現れる時刻をそれぞれ集計し、集計された時刻から分類事項411毎に最頻値で現れる時刻を算出し、算出された時刻の時間順序に対応して行動データのパターンが特定されてもよい。
図4(B)に示す例では、顧客A及び顧客Cの物、資金、相談、及び実行の順番が最も多い行動データのパターンであると特定される。この場合、それぞれの行動データを、AIDCAモデルのいずれかの状態に対応させると、図4(A)に示すように、状態Aは物に関するデータに対応し、状態Iは資金に関するデータに対応し、状態Dは相談に関するデータに対応し、状態Cは実行に関するデータに対応する。このように、それぞれの状態に対応する分類基準が生成され、図4(A)に示すように、分類基準対応表413が作成される。なお、図4(A)に示す例では、「A→I」は、状態Iに遷移するまでの状態Aを示す。
なお、集計された各金融機関保有情報のデータの平均時間に対応する行動データのパターンが、図4(B)に示す顧客Dのように、資金、相談、及び実行の順番であると特定された場合、それぞれの行動データをAIDCAモデルのいずれかの心理状態に対応させると、状態Iは資金に関するデータに対応し、状態Dは相談に関するデータに対応し、状態Cは実行に関するデータに対応付けることができる。このように、三つの状態に対応する分類基準が生成されてもよい。
図5は、本発明の実施の形態の分類処理のフローチャートである。
図5に示す処理は、図2のステップS204で実行される処理である。
まず、CPU101は、金融機関保有情報(アクセスログ304、取引履歴302、及び顧客属性303)及び金融商品情報(商品マスタ301)を読み出す(S501)。
次に、CPU101は、辞書410及び辞書キーワード・金融商品対比表510からデータを読み出す(S502)。辞書キーワード・金融商品対比表510は、辞書410に格納されているキーワード412に対応する金融商品を格納する表であり、辞書410に格納されているキーワード412を用いて金融商品を検索することができる。
次に、CPU101は、金融機関保有情報(例えば、アクセスログ304)からキーワードを抽出し、抽出されたキーワードに一致するキーワード412を辞書410から取得する。図4(A)のステップS401で生成された分類基準から、取得されたキーワード412が含まれる分類基準を特定し、特定された分類基準に対応する分類フラグを分類基準対応表413から取得する。また、取得されたキーワード412に対応する金融商品の情報をステップS502で読み出した金融商品対比表から取得する。そして、取得された分類フラグ及び金融商品の情報を金融機関保有情報に付与する(S503)。
このように、金融機関保有情報に分類フラグが付与されることによって、金融機関保有情報が分類される。なお、金融機関保有情報からキーワードが抽出される処理は、取引履歴302及びアクセスログ304に格納されているデータからキーワードが抽出される。例えば、図4(A)のステップS401と同様に、アクセスログ304に格納されているデータからキーワードが抽出されてもよい。
なお、分類フラグは、生成された分類基準を識別するフラグであり、分類基準に対応して分類基準対応表413に格納されている。分類フラグは、例えば、図4に示すように、数字が用いられてもよい。
次に、CPU101は、金融機関保有情報と、ステップS503で付与された分類フラグ及び金融商品の情報とを含む分析情報が登録される分析用DB511を顧客毎に作成する(S504)。なお、作成された分析用DB511は、ハードディスク103に格納される。
分析用DB511に登録される分析情報は、図5に示すように、顧客番号512、日時513、種別514、サイトURL515、RSSログ検索キーワード516、問合せ517、問合せチャネル518、分類フラグ519、及び対応商品520を含む。
顧客番号512には、金融機関保有情報に対応する顧客番号が格納される。金融機関保有情報がRSSログ305である場合、RSSログ305に格納されている顧客番号のデータが顧客番号512に格納される。
日時513には、顧客が各チャネル(例えば、窓口、コールセンター、及びインターネット等)にアクセスした日時が格納される。金融機関保有情報がRSSログ305である場合、RSSログ305に格納されているアクセス日時のデータが日時513に格納される。
種別514には、顧客が行動した内容が格納される。図5に示す例では、顧客がコールセンターに相談した場合には、「相談履歴」が格納され、顧客がインターネットにアクセスした場合には、「サイトアクセス」が格納される。
サイトURL515には、顧客がアクセスしたサイトのURLが格納される。金融機関保有情報がRSSログ305である場合、RSSログ305に格納されているURLのデータがサイトURL515に格納される。
RSSログ検索キーワード516には、RSSを検索する場合に顧客が指定したキーワードが格納される。金融機関保有情報がRSS検索ログ306である場合、RSS検索ログ306に格納されている検索キーワードのデータがRSSログ検索キーワード516に格納される。
問合せ517には、顧客がチャネル(例えば、窓口及びコールセンター等)に問合せた内容が格納される。金融機関保有情報が問合せを受けた履歴である場合、問合せ履歴308に格納されている問合せ内容のデータが問合せ517に格納される。
問合せチャネル518には、顧客からの問合せた窓口(例えば、店頭及びコールセンター等)の情報が格納される。金融機関保有情報が問合せ履歴308である場合、問合せ履歴308に格納されている問合せチャネルのデータが問合せチャネル518に格納される。
分類フラグ519には、ステップS503で金融機関保有情報に付与された分類フラグが格納される。対応商品520には、ステップS503で金融機関保有情報に付与された金融商品の情報が格納される。
図6は、本発明の実施の形態の遷移条件生成処理のフローチャートである。
図6に示す処理は、図2のステップS205で実行される処理である。
まず、CPU101は、図5のステップS504で作成された分析用DB511から分析情報を読み出す(S601)。
次に、CPU101は、図4(A)のステップS401で生成された分類基準から、一つの分類基準を順番に選択する(S602)。
次に、CPU101は、ステップS601で読み出された分析情報に基づいて、ステップS602で選択された分類基準に対応する分類フラグが付与されている金融機関保有情報を抽出し、抽出された金融機関保有情報を用いて、顧客毎にAIDCAモデルの各状態に遷移する遷移条件候補(行動パターン)を特定する(S603)。
次に、CPU101は、ステップS603で特定された各遷移条件候補に該当する顧客の出現頻度及び購入比率を算出する(S604)。
次に、CPU101は、ステップS604で算出された出現頻度及び購入比率に基づいて、ステップS603で特定された遷移条件候補から、遷移条件を一つ決定する(S605)。なお、ステップS603からステップS605までの処理については、図7を用いて後述する。
次に、CPU101は、全ての分類基準について処理が終了したか否かを判定する(S606)。
全ての分類基準について処理が終了している場合、処理はステップS607に進む。一方、全ての分類基準について処理が終了していない場合、処理はステップS602に戻り、処理が終了していない分類基準を順番に選択する。
次に、CPU101は、ステップS605で決定した遷移条件を出力する(S607)。
図7は、本発明の実施の形態の遷移条件の生成方法の説明図である。
図7(A)に示すように、分析用DB511に格納されている情報から各顧客の行動を抽出し、各顧客が次のAIDCAモデルの状態に遷移するまでの遷移条件候補を特定する。例えば、図7(A)に示す例では、顧客番号512が「1234567890」である顧客は、住宅情報サイト、地域情報サイト、及び住宅関連ブログの三つのサイトにアクセスしているため、三つの行動を含む行動パターンを遷移条件候補として特定することができる。なお、各顧客の行動は、分析用DB511に格納されているデータから抽出される。例えば、顧客が住宅に関連するブログのサイトにアクセスしている場合には、「住宅関連ブログ」の行動が抽出される。
次に、図7(B)に示すように、特定された遷移条件候補に該当する顧客の人数(条件該当者数)を集計し、全体の顧客の人数に対する各遷移条件候補の出現頻度を算出する。また、それぞれの遷移条件候補に該当する顧客のうち、実際に金融商品を購入した購入者数を集計し、条件該当者数に対する購入比率を算出する。
次に、算出された購入比率に基づいて、特定された遷移条件候補から遷移条件を決定する。遷移条件を決定する場合には、例えば、図7(B)に示すように、最も購入比率の高い遷移条件候補を遷移条件として決定してもよい。
なお、図7(B)に示すように、一つの行動のみによって特定される遷移条件候補を、遷移条件として決定する対象に含まなくてもよい。このように、複数の行動を含む遷移条件候補から遷移条件を決定することによって、データの信頼性を向上させることができる。また、最も購入比率の高い遷移条件候補に該当する顧客数(条件該当者数)が低い場合には、条件該当者数が低い遷移条件候補を遷移条件として決定する対象に含まなくてもよい。
図8は、本発明の実施の形態の滞留期間算出処理のフローチャートである。
図8に示す処理は、図2のステップS206で実行される処理である。
まず、CPU101は、図5のステップS504で作成された分析用DB511から分析情報を読み出す(S801)。
次に、CPU101は、図4(A)のステップS401で生成された分類基準から、一つの分類基準を順番に選択する(S802)。
次に、CPU101は、ステップS801で読み出した分析用DB511から図6のステップS605で決定された遷移条件に一致する顧客を抽出し、抽出した顧客毎に、ステップS802で選択された分類基準に対応するAIDCAモデルの各状態に滞留する期間(滞留期間)を算出する(S803)。なお、滞留期間の算出方法については図9を用いて後述する。
次に、CPU101は、ステップS803で算出された各顧客の滞留期間を加算し、図6のステップS605で決定された遷移条件に一致する顧客の数(条件該当者数)によって、加算された滞留期間を除算することによって、ステップS802で選択された分類基準に対応するAIDCAモデルの状態の平均滞留期間を算出する(S804)。
次に、CPU101は、全ての分類基準について処理が終了したか否かを判定する(S805)。
全ての分類基準について処理が終了している場合、処理はステップS806に進む。一方、全ての分類基準について処理が終了していない場合、処理はステップS802に戻り、処理が終了していない分類基準を順番に選択する。
次に、CPU101は、ステップS804で算出されたAIDCAモデルの各状態の平均滞留期間を出力する(S806)。
図9は、本発明の実施の形態の滞留期間の算出方法の説明図である。
図9に示す例では、状態Aは、物に関する情報にアクセスするものであり、状態Iは、資金に関する情報にアクセスするものである。
ここで、滞留期間は、ある状態に最初にアクセスした時点から、次の状態に遷移した時点(次の状態に最初にアクセスした時点)の前日とする。
図9に示す例では、顧客が1/10に物に関する情報に最初にアクセスし、2/10に資金に関する情報にアクセスしている。具体的には、顧客は、物に関する情報である地域の情報及び住宅の情報にアクセスした後、資金の情報にアクセスし、状態Iに遷移している。よって、状態Aの滞留期間は、状態Aに最初にアクセスした1/10から、状態Iに遷移した(資金に関する情報に最初にアクセスした)2/10の前日である2/9までの期間と算出される。なお、アクセスした日時は、分析用DB511のアクセス日時に格納されているデータから取得される。
図10は、本発明の実施の形態の出力画面の説明図である。
図10に示すように、出力画面には、金融商品毎にAIDCAモデルの各状態の遷移条件、各状態の滞留期間、及び分類基準が表示される。遷移条件には、図6のステップS605で決定された遷移条件が表示される。滞留期間には、図8のステップS804で算出された平均滞留期間が表示される。分類基準は、図4(A)のステップS401で生成された分類基準が表示される。
図10に示す例では、金融商品は住宅ローンであり、状態Aから状態Iに遷移する場合の遷移条件は、「住宅情報サイトへアクセス」、「地域情報へアクセス」、及び「住宅購入者が立ち上げたブログへアクセス」であり、状態Aの滞留期間は3週間であり、状態Aの分類基準は、物に関する情報を収集することである。
本発明の実施の形態では、購買行動モデル(AIDCAモデル)の各状態の遷移条件を生成し、滞留期間を算出することによって、顧客が金融商品を購入するタイミングを把握することができるため、顧客の心理状態に応じて、適切な販促活動を実施することができる。
以上、本発明の実施の形態を金融機関が保有する顧客情報を用いる例を説明したが、本発明は金融機関だけでなく、多くの顧客に物品及びサービスの購入を紹介する事業者が保有する商品情報及び顧客情報を用いることによって、本発明を実施することができる。
101 CPU
102 メモリ
103 ハードディスク
104 入力装置
105 出力装置
106 通信制御装置
102 メモリ
103 ハードディスク
104 入力装置
105 出力装置
106 通信制御装置
Claims (6)
- 顧客の購買行動を分析する顧客行動分析システムであって、
ネットワークに接続されるインタフェースと、前記インタフェースに接続されるプロセッサと、前記プロセッサに接続される記憶部と、を備え、
前記記憶部は、前記顧客に対応する複数の管理情報を記憶し、
前記プロセッサは、
前記管理情報を前記記憶部から読み出す第1ステップと、
前記読み出された管理情報に基づいて、前記顧客の心理状態が契約に至るまでの複数の状態に遷移する条件を生成する第2ステップと、
前記読み出された管理情報及び前記生成された遷移条件に基づいて、前記各状態に顧客が滞留する期間を算出する第3ステップと、を実行することを特徴とする顧客行動分析システム。 - 前記記憶部は、予め定められた項目に対応する所定のキーワードが登録される辞書データベースを格納し、
前記プロセッサは、さらに、
前記第1ステップで読み出された管理情報に基づいて、前記各状態に前記管理情報を分類する基準を生成する第4ステップと、
前記生成された基準に基づいて、前記各状態に前記管理情報を分類する第5ステップと、を実行し、
前記第4ステップでは、
前記キーワードを前記辞書データベースから取得し、前記読み出された管理情報と、前記取得されたキーワードとを比較し、前記比較結果に基づいて、前記管理情報を予め定められた項目に分けて、前記定められた項目から前記顧客の行動パターンを特定し、前記特定された行動パターンと前記各心理状態とを対応付けることによって、前記管理情報を分類する基準を生成し、
前記第2ステップでは、前記第5ステップで分類された管理情報に基づいて、前記顧客の心理状態が契約に至るまでの複数の状態に遷移する条件を生成することを特徴とする請求項1に記載の顧客行動分析システム。 - 前記第5ステップは、
前記生成された分類基準に対応する識別子を前記管理情報に付与することによって、前記各状態に前記管理情報を分類するステップと、
前記管理情報と前記識別子とが対応付けて登録される分析用データベースを作成するステップと、
前記作成された分析用データベースを前記記憶部に格納するステップと、を含むことを特徴とする請求項2に記載の顧客行動分析システム。 - 前記第2ステップは、
前記分類された管理情報を前記分析用データベースから読み出すステップと、
前記読み出された管理情報を用いて、前記生成された基準に対応する各状態の遷移条件の候補を特定するステップと、
前記特定された遷移条件候補に該当する顧客のうち、契約が成立した顧客の比率を算出するステップと、
前記算出された比率に基づいて、前記特定された遷移条件候補から、前記各状態に顧客が遷移する条件を決定するステップと、を含むことを特徴とする請求項3に記載の顧客行動分析システム。 - 前記第3ステップは、
前記分類された管理情報を前記分析用データベースから読み出すステップと、
前記読み出された管理情報を用いて、前記決定された遷移条件に該当する顧客を抽出して、前記抽出された顧客が前記各状態に滞留していた期間を算出するステップと、
前記算出された期間を用いて、前記各状態の平均滞留期間を算出し、算出された平均滞留期間に基づいて、前記各状態に顧客が滞留する期間を算出するステップと、を含むことを特徴とする請求項4に記載の顧客行動分析システム。 - 前記管理情報は、顧客が契約するまでに実行した行動のログ情報であることを特徴とする請求項5に記載の顧客行動分析システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008055036A JP2009211516A (ja) | 2008-03-05 | 2008-03-05 | 顧客行動分析システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008055036A JP2009211516A (ja) | 2008-03-05 | 2008-03-05 | 顧客行動分析システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009211516A true JP2009211516A (ja) | 2009-09-17 |
Family
ID=41184579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008055036A Pending JP2009211516A (ja) | 2008-03-05 | 2008-03-05 | 顧客行動分析システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2009211516A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016122360A (ja) * | 2014-12-25 | 2016-07-07 | Kddi株式会社 | コメント文章から人の心理状態に影響した場所を検知するプログラム、装置及び方法 |
JP2017027160A (ja) * | 2015-07-16 | 2017-02-02 | Kddi株式会社 | コメント文章から人の心理状態に影響した時間帯を検知するプログラム、装置及び方法 |
WO2018216592A1 (ja) * | 2017-05-22 | 2018-11-29 | 株式会社 みずほ銀行 | 銀行業務を支援するためのシステム、方法及びプログラム |
-
2008
- 2008-03-05 JP JP2008055036A patent/JP2009211516A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016122360A (ja) * | 2014-12-25 | 2016-07-07 | Kddi株式会社 | コメント文章から人の心理状態に影響した場所を検知するプログラム、装置及び方法 |
JP2017027160A (ja) * | 2015-07-16 | 2017-02-02 | Kddi株式会社 | コメント文章から人の心理状態に影響した時間帯を検知するプログラム、装置及び方法 |
WO2018216592A1 (ja) * | 2017-05-22 | 2018-11-29 | 株式会社 みずほ銀行 | 銀行業務を支援するためのシステム、方法及びプログラム |
JP2018195252A (ja) * | 2017-05-22 | 2018-12-06 | 株式会社 みずほ銀行 | 銀行業務支援システム、銀行業務支援方法及び銀行業務支援プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112035742B (zh) | 用户画像生成方法、装置、设备及存储介质 | |
JP4833043B2 (ja) | ブログ又はクエリ・クリックを利用したアフィニティ装置 | |
Athanasopoulos et al. | Bagging in tourism demand modeling and forecasting | |
KR101419504B1 (ko) | 사용자 성향 분석을 통한 맞춤형 쇼핑 정보 제공 시스템 및 방법 | |
KR100882716B1 (ko) | 상품 정보를 추천하는 방법 및 상기 방법을 수행하는시스템 | |
TW201812689A (zh) | 惡意地址/惡意訂單的識別系統、方法及裝置 | |
CN107077486A (zh) | 情感评价系统和方法 | |
WO2018040069A1 (zh) | 信息推荐系统及方法 | |
JP2010134733A (ja) | 情報推薦装置、情報推薦方法、及びプログラム | |
US20130159288A1 (en) | Information graph | |
US9104746B1 (en) | Identifying contrarian terms based on website content | |
JP6097126B2 (ja) | レコメンド情報生成装置及びレコメンド情報生成方法 | |
EP3289487B1 (en) | Computer-implemented methods of website analysis | |
CN111429214B (zh) | 一种基于交易数据的买卖双方匹配方法及装置 | |
JP6037540B1 (ja) | 検索システム、検索方法およびプログラム | |
US10643142B2 (en) | Search term prediction | |
KR101026544B1 (ko) | 인공지능에 기반한 랭킹 분석 방법, 이를 기록한 기록 매체, 그 장치 | |
US20090198553A1 (en) | System and process for generating a user model for use in providing personalized advertisements to retail customers | |
JP5138621B2 (ja) | 情報処理装置及び不満解決商品発見方法及びプログラム | |
JP2009211516A (ja) | 顧客行動分析システム | |
US9619757B2 (en) | Nominal feature transformation using likelihood of outcome | |
US20090198556A1 (en) | System and process for selecting personalized non-competitive electronic advertising | |
WO2021181900A1 (ja) | ターゲットユーザ特徴抽出方法、ターゲットユーザ特徴抽出システム及びターゲットユーザ特徴抽出サーバ | |
CN112182386B (zh) | 一种基于知识图谱的目标推荐方法及装置 | |
CN111222918B (zh) | 关键词挖掘方法、装置、电子设备及存储介质 |