JP2009211516A - 顧客行動分析システム - Google Patents

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

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。

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。 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。 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。 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。 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。 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。 本発明の実施の形態の遷移条件の算出方法の説明図である。 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。 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。 本発明の実施の形態の出力画面の説明図である。

符号の説明

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

Claims (6)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。

Images