JP2011516947A - トランザクションデータの分析方法 - Google Patents

Abstract

ソーシャルグループ内のトランザクション（例えば任意に消費者の購入など）の少なくとも間接的な交信の効果を算出または少なくとも検出するシステムおよび方法。グループは任意にソーシャルネットワーク、ペア、３人またはそれ以上の人などを含んでよい。「間接的な交信」とは、例えばデータベースに記録がない通信のことを意味する。以下で詳述されるように、影響の検出および／または算出を介してこの交信の余波が任意に特定、検出および／または算出されてもよい。例えば、第１消費者が商品の購入を実行し、第２消費者がその後所定時間内に同一または類似の商品を購入する場合、２つの購入は、間接的な交信を介して順に任意に発生した影響によって任意に結びつけられてもよい。任意に、このシステムと方法がさらに、例えば交信自体を記述するデータベースにレコードがある直接的な交信の効果を算出または少なくとも検出してもよい。
【選択図】図１

Description

本発明は、トランザクションデータを分析するシステムと方法に関し、特に間接的な交信が特定され、分析に含まれるシステムと方法に関する。

製品（商品および／またはサービスを含む）の優れたマーケティングは、多くの因子に依存する。しかしながら、支配因子は、口コミまたは人と人との間の交信の効果である。口コミによるマーケティングは、消費者の信頼された同僚、友人または親類の推薦あるいは意見に依存する。口コミによるマーケティングは有効であるが、依然として企業やブランドオーナが成功裡に行うのは難しい。

消費者のソーシャルネットワークを特定し、これによりこのネットワークの特に影響力のあるメンバによって口コミによるマーケティングを促進するか、または影響を及ぼす様々な試みがなされた。しかしながら、大量のデータが利用可能であるにも拘わらず（またはこのため）、これらの試みは殆ど成功していない。このように、企業はしばしば各消費者の行動を個々に分析して予測しようとするどころか、この関係を無視している。

口コミ力を使用するために多く企業努力が費やされている。

秘密で行なわれるマーケティング−人がある製品を（直接またはインターネットのチャットルーム、トークバックなどを介して）推薦したり、または人前で製品やサービスを使用するよう商業的に動機づける。

うわさの生成−ある会社は、口コミの広告代理店を使用して、オピニオンリーダを特定し、彼らを利用して口コミを拡大する。これらのオピニオンリーダは、ウェブサイトまたは個人面接を介して一人ずつ採用される。

流行発信者をターゲットにする−ある会社は、数名の重要人物リストの流行発信者へ製品を送って口コミを広げる。例えば、書籍「ダ・ヴィンチコード」は、１０，０００人の産業界の流行発信者へ送られ、彼らが本の口コミを作り、拡大した。

このように、上記試行された解決策は何れも、ソーシャルネットワークを成功裡に用いてネットワークの影響力のあるメンバを口コミによるマーケティングの対象とする方法を特定していない。

背景技術は、トランザクションデータまたは他のデータからソーシャルネットワークを成功裡に特定するシステムや方法を教示も示唆もしていない。背景技術はさらに、間接的な交信を組み込んだシステムや方法を教示も示唆もしていない。

本発明は、ソーシャルグループ内のトランザクション（例えば任意に消費者の購入など）の少なくとも間接的な交信の効果を算出または少なくとも検出するシステムと方法を提供することによって、これら背景技術の欠点を克服する。グループは任意にソーシャルネットワーク、ペア、３人以上の人等を含んでよい。「間接的な交信」とは、例えばデータベースにレコードのない通信を意味する。しかしながら、間接的な交信は、例えばトランザクション、より好ましくは幾つかの種類の記録されたデータを特徴とするトランザクション等の行動および／または行動の効果に応じて検出される。この交信の余波は、以下で詳述されるように、影響の検出および／または算出を介して任意に特定、検出および／または算出されてもよい。例えば、第１の消費者が商品を購入し、第２の消費者がその後所定時間内に同一または類似の商品を購入した場合、２つの購入は、間接的な交信を介して順に任意に発生した影響によって任意に結びつけられてもよい。

任意に、このシステムと方法がさらに、例えば交信自体を記述するデータベースにレコードがある直接的な交信の効果を算出または少なくとも検出してもよい。限定しない実施例は、電話発呼の記録または電子メールの記録を含む。しかしながら、直接的な交信のみによる影響を算出するのは難しく、実際に本発明は、この直接的な交信のみによる影響を特定しない。

代わりにまたはさらに、幾つかの実施形態によれば、ソーシャルグループの主要メンバが特定されることが好ましく、主要メンバとソーシャルグループの他のメンバとの関係が特定され、より好ましくはソーシャルグループの他のメンバへの主要メンバの影響を含み、さらに任意に主要メンバへのソーシャルグループの他のメンバの影響を含む。任意にこの実施形態について完全なソーシャルネットワークは特定されない。

影響は任意に能動的または受動的でもよい。例えば製品を推薦するために、好ましくは全く営利的な報酬なく、人が製品について直接話すとき、能動的な影響が発生する。受動的な影響は、人の間の情報の間接的な伝送、例えば人に購入された製品を見ることによって発生する。好適には本発明に応じて双方の種類が特定および／または算出される。

受動的な影響が算出または定量化されることが好ましく、これによって受動伝送率の定量化を得る。より好ましくは、能動的な影響がさらに算出または定量化され、これによって能動伝送率の定量化を得る。

好適には、ソーシャルグループの行動が分析されてソーシャルネットワークを形成する。この分析は、２以上の消費者間の関係を特定するステップと；好ましくは彼らの間の受動的および／または能動的な影響を分析するステップと、を好適に含む。より好適には、少なくとも間接的な交信が特定されるが、任意かつより好適には、直接的な交信が特定される。

幾つかの実施形態によれば、人から人への相互作用が数学的にモデル化されることが好ましい。次いでモデル導関数を任意に用いて幾つかの種類の行動プランを実装してもよい。好適には、この人から人への相互作用が少なくとも間接的な交信によって分析され；任意にこの相互作用がさらに直接的あるいは明示的な交信に応じて分析される。任意かつ好適には、この人が消費者であり、この場合モデル導関数を任意に用いてマーケティング活動プランを実装してもよい。

他の実施形態によれば、複数のソーシャルネットワークが構築される。次に類似の閾値に応じて複数のソーシャルネットワークから選択された少なくとも２つが結合されて、結合されたソーシャルネットワークを形成する。

幾つかの実施形態によれば、顧客間の関係は、時間に応じて、同様に購入された少なくとも１つの製品の類似の閾値に応じて、複数の購入をクラスタ化することによって検出され、次いでこれらのクラスタを重ねて少なくとも１つの関係を特定する。

用語「アップセル」とは、例えば購入される製品の価格を上げることによって、例えばより高価な製品を買うように消費者に勧めることによって購入過程で購入量を増やすことをいう。用語「クロスセル」とは、最初に購入するよう要求した製品に加えて、別の製品や付加的な製品を買うように消費者に勧めることをいう。

本書で用いられるように、用語「製品」は任意に１以上の商品および／またはサービスのことをいう。

本発明は、「コンピュータネットワーク」上の「コンピュータ」に関して記載されるが、任意にデータプロセッサおよび／または１以上の命令を実行する性能を特徴とする全ての装置は、限定されないがＰＣ（パーソナルコンピュータ）、サーバ、ミニコンピュータ、携帯電話、スマートフォン、ＰＤＡ（ｐｅｒｓｏｎａｌ ｄａｔａ ａｓｓｉｓｔａｎｔ）、ポケットベルを含むコンピュータとして記載されることに注意されたい。互いに通信する任意の２以上の装置、および／または任意の他のコンピュータと通信する全てのコンピュータは任意に「コンピュータネットワーク」を含んでよい。

他の方法で規定されなかった場合、本書で使用される全ての技術用語と科学用語は、本発明が属する分野の通常の知識を有する者によって一般に理解されるのと同じ意味を有する。材料、方法、および本書で提供される実施例は、例示に過ぎず、限定するよう意図していない。

本発明の方法およびシステムの実装は、ある選択された作業または段階を手動、自動もしくはこれらの組み合わせで実行または完了するステップを含む。さらに、本発明の方法とシステムの好適な実施形態の実際の機器と装備によれば、ハードウェアもしくは任意のファームウェアの任意のオペレーティングシステム上のソフトウェアまたはこれらの組み合わせによって、幾つかの選択された段階を実装することができるであろう。例えば、ハードウェアとして、半導体素子または回路として本発明の選択された段階を実装することができるであろう。ソフトウェアとして、任意の適切なオペレーティングシステムを用いてコンピュータによって実行される複数のソフトウェア命令として本発明の選択された段階を実装することができるであろう。いずれにせよ、複数の命令を実行するコンピューティングプラットフォームなどのデータプロセッサによって、本発明の方法とシステムの選択された段階が実行されるものとして記載されるであろう。

本発明は、添付図面に関する実施例のみによって本書に記載される。特に詳細な図面に関し、この詳細は、実施例によって本発明の好適な実施形態の例示的な議論の目的のために示され、最も有用であると考えられるものを提供し、本発明の原理と概念的な態様の説明を容易に理解されるものを提供するために提示されることを強調する。この点では、本発明を根本的に理解するのに必要以上に詳細に本発明の構造の細部を示す試みはなされておらず、この説明は、図面と共に本発明の幾つかの形態が実際にどのように具体化されるかを当業者に明らかにするものである。

図１は、典型的で例示的な本発明に係るシステムの概略図である。 図２は、口コミによるマーケティングの典型的で例示的な本発明に係る方法のフローチャートである。 図３は、関係を有する人の影響を算出する典型的で例示的な本発明に係る方法のフローチャートである。 図４は、本発明に係る影響因子を定量化する典型的で例示的な方法のフローチャートである。 図５−１は、反復クラスタリングの典型的で例示的な本発明に係る方法のフローチャートである。 図５−２は、反復クラスタリングの典型的で例示的な本発明に係る方法のフローチャートである。

本発明は、ソーシャルグループ内の少なくとも間接的な交信の効果を算出または少なくとも検出するシステムおよび方法である。任意にさらに直接的な交信が検出され使用されるが、これは必須ではない。

この交信が分析されて１以上の他の人への人の影響を算出することが好ましく、および／または好ましくはソーシャルグループ内、任意かつより好ましくはソーシャルネットワークに関する１以上の他の人によって、この人が次にどのように影響を受けるかを算出する。影響は任意に能動的または受動的でもよい。受動的な影響が算出されて受動伝送率を算出することが好ましい。より好ましくは、能動的な影響がさらに算出されて能動伝送率を算出することが好ましい。

間接的な交信に関して、好ましくはこの影響を検出するのに間接的な方法が用いられる。言い換えれば、１以上のその他の人と交信する人に直接質問するのではなく、好ましくは人の行動が分析される。本発明の好適な実施形態によれば、人の行動は、１以上の商取引、例えば１以上の製品の購入に少なくとも関連して分析される。任意かつより好ましくは、商取引が分析されて間接的な交信を検出し、最も好ましくは少なくとも１人の他の人への少なくとも１人の人の影響を検出する。

この商取引は、データをフィルタするために任意に分析されてもよい。好ましくは、この分析は潜在的に影響を及ぼす商取引を規定時間内に発生するものに限定するステップを含む。この時間は、以下のパラメータ：営利実体の所望時間、決定サイクルの長さ、購入される製品の費用、購入される製品の耐久性などの１以上に応じて算出されることが好ましい。営利実体の所望時間は、関心の任意の因子に応じて実体によって任意に特定されてもよい。例えば、営利実体が任意に月間売上高と販売の変化にしか関心を持たなくてもよく、この場合この所望時間は互いに一ヶ月未満のトランザクションに関する。

この分野で周知のように、決定サイクルの長さは該当する製品の多くの因子に依存する。例えば、親が子どものために購入する製品は、親もしくは別の大人のために買われた類似製品より長い決定サイクルを有し、子どもに「最もよい」製品を購入する親の感情的な重要度が与えられてもよい。夏季休暇が年単位で任意に計画され、この製品の季節性が与えられてもよい。また、製品の相対的な費用の上昇または耐久性の理解が決定サイクルを増加させる一方で、製品の相対的な費用の低下または非耐久性の理解が決定サイクルを増加させてもよい。

絶対的な費用は、明らかに重要な因子であり、人は一般に家あるいは自動車などの自身にとって絶対的に高価な製品の決定サイクルを増加させるので、これは例えば決定に到達するまでに１年以上を必要とするであろう。また、耐久性も重要である；数か月しか着られないブラウスは、たとえ同じ費用レベルを伴うとしても、例えばパンのトースタより短い決定サイクルの対象となると考えられる。

任意に適用される別の例示的な種類のフィルタは、選択された時間内に発生する多数（すなわち複数）のトランザクションの選択を含み、異なる人によって同時に行われた購入を表す。対応するトランザクションの数が増加するにつれて、関係の尤度も増え、能動的か受動的かに拘わらず、少なくとも間接的な交信の尤度と、さらに影響の尤度も増加する。

しかし、任意に適用される別の例示的な種類のフィルタは、地理的に限られた領域内のトランザクションの選択に関する。影響は長い距離を越え得るが、特に受動的な影響は近接度によって増加すると考えられる。地理的に限られた領域は、特定の領域、都市あるいは町、ショッピングセンタもしくは他の建物、ストリートもしくはその他の住所、特定のお店などの１以上を含んでもよい。

誕生日など特定のイベントに結び付けられたトランザクション、または贈り物のトランザクションは、トランザクションがある種類の相関関係を有すると考えられるとき、本発明によって任意にフィルタされてもよい。

もちろん、上記記載は、任意の種類のトランザクションまたは他のイベントもしくは行動に任意に適合することができるであろう。

幾つかの実施形態によれば、フィルタされるデータが次いでクラスタ化されるか、または他の方法で分析されて人の間の１以上の関係の明らかにする。例えば、この関係がソーシャルネットワークのグラフに表わされる場合、人はノードであり、彼らの関係が辺によって示される。このクラスタリングおよび／または他の種類の分析を実行する適切なアルゴリズムの限定しない実施例は、ファジイ論理と組み合わせた遺伝的アルゴリズムと、支配集合やグラフ形態論などの多くの既知のグラフ解析アルゴリズムとを含む。

本発明の好適な実施形態によれば、反復クラスタリングによってデータ（フィルタされるとしてもフィルタされないとしても）が分析される。好ましくは、反復クラスタリングが用いられて、本書で記載されるような商業上のトランザクション情報または他のトランザクション情報に利用可能な関係の情報を組み合わせることが好ましい。その名前が示唆するように、この方法が１度以上実行されることが好ましく、より好ましくは人の間の関係の影響と共に少なくとも１つのソーシャルネットワークを特定し、最も好適には最も影響力のあるネットワークの主要メンバを特定するステップを含む。

概して、幾つかの実施形態では、本発明は、消費者が購入の決定をする実際のプロセスにマーケティング戦略と予算を好適に合わせることができる。

ここで図面に移ると、図１は、商取引の具体例であるが、商取引でないデータを任意に含む具体例に関する典型的な本発明に係るシステムを示す。図示されるように、システム１００は好適に、トランザクション情報のトランザクションデータベース１０２と、非トランザクション情報を含むパーソナルデータベース１０４とを特徴とする。トランザクション情報の限定しない実施例は、製品の購入に関して作られた情報を含むことが好ましい。非トランザクション情報の限定しない実施例は、直接的な交信の証拠（例えば電話または電子メールによるもの）と；通った学校または大学などの共通する背景と；共通の住所、身近な隣人（例えば同じ道路または限られた地理領域内）、共通の職場などあらゆる現在共通する生活態様と、を含む。

データベース１０２と１０４は任意に図示される企業１０６に配置されてもよく、ここに含まれる情報は、企業１０６によって集められ、データベースサーバ１０８を介して任意に役立てられる。任意にデータは、幾つかの企業１０６（図示せず）またはオープンデータソース（インターネットのデータなど）（図示せず）から利用可能でもよい。

分析サーバ１１０は、データベースサーバ１０８を介してデータベース１０２と１０４と通信することが好ましい。分析サーバ１１０は、少なくともトランザクションデータベース１０２のトランザクションデータに関するが、任意にさらに非トランザクションデータベース１０４の非トランザクションデータに関する本書で記載された１以上の分析方法を実行する分析モジュール１１２を含む。分析サーバ１１０は、ユーザコンピュータ１１４と通信するよう示されており、これは任意に限定しない例示的な実施例のＧＵＩ（グラフィカルユーザインターフェース）としてウェブブラウザ１１６を特徴としており、ＧＵＩは分析モジュール１１２と対話し、さらに任意かつ好適にレポートを閲覧し、分析パラメータなどを修正、追加または削除する。分析サーバ１１０はさらに任意にレポートデータおよび／またはデータベースに保存されている他の種類のデータを、例えばデータベースサーバ１０８を介して送信してもよい。分析サーバ１１０は、ウェブブラウザ１１６との通信をサポートするウェブサーバ１１８を含むことが好ましく、これは例えばユーザにレポートと他のデータを表示し、および／または例えばユーザから１以上のコマンドを受信する。

データベースサーバ１０８と、分析サーバ１１０と、ユーザコンピュータ１１４とは全て任意に図示されるネットワーク１２０を介して通信し、これは例えば任意にインターネットでもよい。システム１００は、システムの実装の例示的な実施例であり、これは任意に本書で記載される方法の全てを実行するのに用いられる。明示的に記載されなかったとしても、本書に記載される方法の全ては、上記システム１００との１以上の対話を任意に含むものとみなされ、例えばコンピュータ上で当該方法を実行し、任意かつ好適にユーザにその結果を表示する。用語「表示」とは任意に、本書で記載されたデータ、レポートもしくは任意の他の情報を、当該分野で知られているように、コンピュータ可読メモリ、コンピュータ表示デバイス、ネットワーク上のコンピュータ、プリンタ、携帯電話もしくはコンピュータとして本書で記載された任意のその他の装置、任意の種類のメッセージ通信システム（限定されないが電子メール、ＳＭＳ（ショートメッセージサービス）メッセージもしくは他の携帯電話のメッセージ、ＩＭ（インスタントメッセージ）、ウェブサイトへの掲示などを含む）もしくはユーザの少なくとも１つに出力するステップを含む。

図２は、本発明に係る口コミによるマーケティングを促進する典型的な方法のフローチャートである。

ステージ１では、任意にデータが分析されてソーシャルネットワークを特定する。以下でより詳細に記載されるように、データは任意かつ好適に関係データと、さらにトランザクションデータとを含む。より好適には、データが反復クラスタリングによって分析される。任意に、静的データ（例えば限定されないが、学校あるいは大学または軍隊での共学、過去もしくは現在の同僚などを含む）が分析されてソーシャルネットワークを形成する。任意かつ好適には、静的データが最初に分析され、続いてその他の種類のデータが分析される。

ステージ２では、好ましくは他の各メンバへのネットワークの各メンバの影響が特定され、より好ましくは以下でより詳細に記載されるように算出される。この影響がトランザクションデータに関することが好ましく、ネットワークの各メンバがネットワークの１以上の他のメンバの購入にどのように影響を及ぼすかを特定する。

ステージ３では、この影響は任意かつ好適に以下でより詳細に記載されるように１以上のマーケティングアプリケーションに用いられ、例えばネットワークの他のメンバへ大きな影響を有するソーシャルネットワークの主要メンバに特にマーケティング努力を向ける。

図３は、影響の数学的モデルを特定する典型的な方法のフローチャートを示しており、人が及ぼす影響であって、本発明による人のソーシャルネットワークモデル下の影響を記載する。説明のみの目的で、限定する意図はなく、以下のパラメータが記載される。Ｇ＝（Ｖ，Ｅ）は、ソーシャルネットワークを記載する有向グラフである。ここで、Ｖは、社会の人の集まりである。Ｅは、１セットの重み付き有向辺であり、各有向辺（ｖ，ｕ）＝ｅ∈Ｅは、ｖを知っている人ｕまたはｕがｖによって影響を受けることを表す。

Ｉは、ソーシャルネットワークで広がる情報（または意見もしくは認識）を表す。この情報は任意に、例えば購入される特別な種類の製品によって、特別なカテゴリに限定される。この情報は、本書で記載される間接的な交信に関することが好ましい。

図示されるように、ステージ１では、各ｅ∈Ｅと各Ｉについて、

は、情報Ｉに関してそれぞれ辺ｅの受動的および能動的な重みを表わし、

である。

辺の重みは、情報Ｉに関して人ｖが人ｕに対して有する影響のレベルを表す。受動的な影響は、上付文字ｐで表わされる。受動的な影響は、例えば２人が会ったときに互いに服を観察するように、単に会うことによって口頭でのやり取りなしに人Ａから人Ｂへ情報が伝えられるレベルを定量化されるか、または示される。

同様に、能動的な影響は上付文字ａで表わされる。これは、２人が直接的または意図的な方法で情報を交換するレベルを定量化され、例えばａがｂに新しいウェブカメラを見せたり、または投資機会について話す。

注：これらの重みは、情報Ｉの使用、意見および関連する人ｖを含む。

ステージ２では、

が情報Ｉの能動伝送率および受動伝送率を表す。これらの係数は、ある情報が２人の間を（能動的または受動的に）伝達されるレベルを定量化する。例えば、シャツの受動的な伝達因子はビデオカメラのものより大きい。

ステージ３では、

が人ｖの情報Ｉの算出値を表す。

ステージ４では、情報Ｉに関する人ｕへの人ｖの影響は以下のように記載することができる：

ステージ５では、好適には人「ｖ」によるソーシャルグループへの影響が以下の関数によって規定され、これは１セットの関数である：

ステージ６では、任意かつ好適に人ｖへのソーシャルグループの影響が次のように規定される：

ステージ７では、ステージ５と６の結果が任意かつ好適に用いられてソーシャルグループの１以上のメンバの１以上の社会変数を構築する。社会変数は、上記記載されたグループへの影響と、グループによる影響とを含むことが好ましい。任意にグループはこの分析の１以上のサブグループに分けられてもよい。社会変数は、各カテゴリまたは各種類の情報Ｉについて別個に特定されることが好ましい。社会変数がさらに任意かつ好適に顧客の乗り換えの尤度と他の決定サイクルのプロセスの尤度とを含む。

ステージ８では、少なくともステージ５（しかしながら好ましくはステージ６および任意にさらにステージ７）の結果を用いてソーシャルグループの主要メンバを選択することが好ましく、主要メンバは、任意の他のメンバよりソーシャルグループの他のメンバへより大きな効果を有する。任意かつより好適には、主要メンバがさらに、グループの他のメンバによる主要メンバへの影響のレベルよりもグループの他のメンバへより大きな影響を有する。

任意に主要メンバは、影響を受けるメンバを少なくともＸ人有することによってコネクタとして選定されてもよい（すなわち影響を受けるメンバの数が閾値以上であり、これは任意に最大値でもよい）。コネクタは次いで、例えば販売キャンペーンに対して選択されることが好ましい。

異なる種類の主要メンバと、ソーシャルグループへの彼らの影響との幾つかの限定しない実施例は、以下を含む。

例えば、主要メンバは任意に有名人でもよく；このモデル下で、有名人は非常に大きなネットワークの隣人を持つ人であり、すなわち彼または彼女は多くの人に知られており、有名人と別の人との間の影響を表す大抵の辺ｅについて、有名人は、情報および／または利益本位の影響を広げるよう営利上動機づけられていると知られており、このため情報源および／または推薦源としてそれほど信頼できないとみなされているので、

の値は低い。有名人のマーケティングの効果は、彼または彼女によって影響を受ける人の数に依存する。

秘密下のマーケティングパーソンは、小さなネットワークの隣人（すなわちソーシャルグループ）を有するが、彼／彼女は偏見がないと知られているので（真実でも真実でなくても）、彼／彼女の隣人の

は有名人のものより高い。

別の種類の主要メンバはオピニオンリーダであって、この人は標準サイズのネットワークの人（１０−５０人の直接の友人）を持つ人であり、彼らは双方とも偏見がなく、影響を受けていないと知られているので、彼／彼女の隣人の

は非常に高い。実際にはオピニオンリーダは、特別な種類の情報のリーダに過ぎないであろう。

専門家である主要メンバは、大きなサイズのネットワークの人を有しており、特定の情報に関してのみであるが、非常に物知りとして知られているので、彼／彼女の隣人の

の値は非常に高い。

任意に、例えば関係の強度に応じて、より好ましくは情報の特別なカテゴリに関して能動的または受動的の影響の好適なモードが販売キャンペーン用に選択される。例えば、衣服はよく目に見えるものであるので、流行に関する限り、人は任意に彼らの間に強い関係がなくても人に影響を及ぼすであろう。実施例は、たとえ弱くても、人によって影響を受ける大きなソーシャルグループを任意に含んでもよく；流行については、この状況は任意に強い影響力を持つ小さなソーシャルグループに好適であろう。

一般的な実施例として（特定のメンバのタイプを考慮しない）、情報の伝送率が１より大きいときにだけ、感染性の販売キャンペーンが有効であることを上記モデルが実証しており、新しい人が情報に「感染する」度に、この人は１以上の人を同様に「感染させる」。

主要メンバに関するアプリケーションの幾つかの限定しない例示的な実施例は、以下のとおりである：別個のグループとしてオピニオンリーダを調査して、彼らのニーズに合った価値をより多く提示させ（よって彼らの追従者に影響を及ぼす）；全市場に広がる手段として、オピニオンリーダを対象にし；販売キャンペーンの時期を選び、および／または他の方法でこれを用意して既存の口コミを増やす（例えば、第１対象のオピニオンリーダ、次いで一定の時間後に彼らの追従者、次にこれらの追従者の追従者など）。

主要メンバと１以上の影響を受けるメンバとを伴うアプリケーションの別の典型的で限定しない例示的な実施例は、主要メンバが１以上の影響を受けたメンバに情報を間接的に伝達したときに検出および／または特定し、次いで後者に接触してさらに彼らの選択および／または行動に影響を及ぼし、例えば彼らに購入させるよう影響を及ぼす。任意に好ましくは、販売キャンペーンは、例えばクーポンあるいは特別な取り引きと共に、主要メンバに最初に直接影響を及ぼすよう試みられてもよく、主要メンバと１以上の影響を受けたメンバとの間の交信の確率が増加する。

複数の主要メンバがこのキャンペーンに利用可能である場合、任意かつ好適に同じソーシャルネットワークの一部である１人以上の主要メンバおよび／または同様に重複するソーシャルグループの多くを共有する１人以上の主要メンバが選択され、影響を受けたメンバの選択されたグループへの影響を最大化する。

さらに任意にソーシャルネットワークは、複数の小さなサブネットワーク（マイクロソーシャルセグメント）に分けられてもよく、次いで、その後に販売キャンペーンは１以上の選択されたサブネットワークに向けられ、例えば概して市場の一部で所望の飽和レベルを達成する。また、この方法は社会開発の観点から販売キャンペーンの開発と管理を可能にし、例えばあるサブネットワークを選択してキャンペーンを開始し、次いでネットワークの全体に渡ってキャンペーンを広める。

図４は、図３によって構築されたモデルを適用するための典型的で例示的な方法であり、例えば、各メンバｖと情報Ｉについて、

を算出するか、または言い換えれば、ある情報Ｉあるいは意見Ｉに関する彼の社会環境によってメンバがどれくらい影響を及ぼすか、影響を受けているかを算出しようとする。概して、この方法はトランザクションを分析するステップを含み、メンバは企業と共に実行してこの影響を検出する。各人の決定は、１人以上の他の人との対話に依存するので、人間の相互依存はデータに反映される。この相互依存を明らかにし、好ましくは本書で記載される間接的な交信に関して、高い精度で

を算出するのに以下の方法を任意に用いてもよい。任意かつ好適には、ソーシャルグループおよび／またはネットワークのメンバが顧客あるいは潜在的な顧客である。

ここで図面を移ると、図４に示されるように、ステージ１では、

は、算出されたエネルギｅを持つｕに影響を及ぼすｖの能動的または受動的な可能性のある別個のイベントを表す。ほとんどの場合に、影響は連続的であるが、ｅとして算出可能な影響

は、ｕが企業と対話し、これがイエス／ノーのイベントであるときに算出される。影響は、情報の種類（目に見える／見えない）に基づいて能動的であるか、または受動的であるかを判定され、持ち運びができず、ｕにアクセスできない情報である。（例えば、休暇は運ぶことができず、後で他人に示すことができないので、持ち運びができず；もしｕが休暇に参加しなければ、これはアクセスすることができない）。

ｐも同様である。

図３に関しては、Ｉは、ソーシャルネットワーク内で伝送される情報、好みまたはコンテンツを表す。

は、ソーシャルネットワークを記載するグラフの辺を表す。

は、全ての可能なＩと特定のＩとの間の相関関数を表す。したがって、例えば、ｆは、多くの異なる種類の情報などを結合した影響に基づいて人の平均的な影響を記載する。ｆの値は、ステージ２のデータから計算される。

ステージ３では、以下の式が得られる：

この式は、ステージ４の影響因子である

の定量化を可能にする。

任意に、影響を特定するため、上記分析されたデータをフィルタするか、条件づけするのに１以上のヒューリスティックスを適用してもよい。例えば、一旦社会的関係が検出された場合（任意に上記されたようにフィルタすることによって）、別個のコンテンツのトランザクションを統計的に得ることによって、ＡがＢに影響を及ぼす確率を算出するのにフィルタを適用してもよい。別のフィルタは、類似するコンテンツと時系列でトランザクションを特定し、影響のより大きな可能性を示す。類似するコンテンツのトランザクションの検出は、オープンソースもしくは他のもの（ｖｅｒｔｉｃａｌｓ）、または特定されたインターネット取引など１以上のデータベースから利用可能な他のデータベーストランザクションを重ねることによって任意に実行されてもよい。

上記方法のアプリケーションの限定しない実施例として、以下を考慮されたい。Ｇは、特定の小売店チェーンのバイヤのソーシャルネットワークを記載する有向グラフである。
Ｉ_１は、店舗での買い物を表す。
Ｉ_２は、特定のＳＫＵあるいはＳＫＵグループの購入を表す。

は、人ｖが人ｕに影響を及ぼすことができるイベントを表す。例えば、人ｖがブラウスを買い、人ｕが所定の時間内、例えば３週間以内に同じブラウスを買う場合、ｅ＝１さもなければｅ＝０より大きい。ブラウスは見えるので（すなわち、人が潜在的に影響を受けるよう見える）、まず受動的な影響が定量化されることが好ましい。

この実施例では、人ｖは、あるモデルを買うのにｕに影響を及ぼす機会が６０回あり、これ以外で人ｖはこの影響を５回もたらした。影響の重みは、

である。ここでＣは、データセットから得られる一定値である。

同様に、

と想定される。

データセットの全ての人を見ることによって、モデルの影響を有する人と、影響を受けた人に店舗で買い物をするよう実際に勧める人との間に相関関係がある。

従って、

図５−１および図５−２は、反復クラスタリングの典型的で例示的な本発明に係る方法のフローチャートである。ステージ１に示されるように、潜在的で直接的な関係情報に関するデータが得られる。限定しない実施例は、直接的な交信の証拠（例えば電話または電子メールによる）と；通った学校または大学などの共通する背景と；共通の住所、身近な隣人（例えば同じ道路または限られた地理領域内）、共通の職場、共通の教育機関（学校）もしくは職場を持つ子供もしくは配偶者などあらゆる現在の共通の生活態様と、を含む。

ステージ２では、このデータは、関係の可能性を強くするために、好ましくは最初に共通の関係の尤度によって情報に重みを加えることによって、さらに任意に幾つかの情報源からの関係データを組み合わせることによって分析される。分析の種類は、１以上のクラスタリングアルゴリズムを含むことが好ましく、限定されないが、Ｋ平均法アルゴリズム、ファジィＣ平均法、ＱＴクラスタリング、集積的な階層的クラスタリングなどを含む。

任意に好ましくは、ステージ１とステージ２は、例えばその複雑度に応じて異なる種類の直接的な関係情報について繰り返される。例えば、任意に地理的領域はさらに関係情報を取り込むよう拡張され、これによって複雑度を増やして、ステージ１とステージ２が最初により限られた地理的領域について実行されることが好ましく、その後より拡張した地理的領域について繰り返される（すなわちより好ましくは反復して行われる）。

ステージ３では、任意に潜在的な関係は、カットオフ閾値、相対的な格付または任意の他の方法に関するか否かに拘わらず、尤度に応じてソートされる。

ステージ４では、トランザクションデータは、任意かつ好適に商業上のトランザクションデータであり、前に特定された関係に応じて分析される。この関係がソートされる場合、最も見込みのある関係が最初に（任意に商業上の）トランザクションデータに関して考慮され、２人以上の人の間の影響力のある（任意に商業上の）取引関係を特定する。

ステージ４は任意かつ好適に繰り返し実行され、再びより好ましくは分析されるトランザクションデータの複雑度の上昇に応じて実行されて、これにより分析が実行され特定されることがより好ましい。

さらに、ステージ１とステージ２から生成された分析は任意かつ好適にステージ４で分析するトランザクションデータ、特に大きなデータセット（例えば主要なクレジットカード会社のトランザクションデータまたは購入）のトランザクションデータの複雑度を低げるのに用いられる。

ステージ５では、任意にこの人のグループが特定される。好ましくはステージ６で、グループの主要メンバが特定され、この人は前述されるように商取引中の他人より影響力がある。

ステージ７では、任意かつ好適にこの人のソーシャルネットワークが特定され（このステージは任意にステージ５の後またはステージ５の代わりに実行されてもよく、ステージ３とステージ４の間で任意に実行されてもよい）、続いてステージ８でこの人間の影響を算出する（任意に、ステージ７はステージ３とステージ４の間で実行される場合、ステージ８は任意にステージ４と組み合わされてもよい）。

モデル導関数のマーケティング使用
この実施例は、様々な例示的で限定しない方法に関し、特に図３と図４に関して、前述されるように得られた情報を用いる。

予測
これらの量はここで、入力として任意の計量経済学の予測モデルに用いることができる。これは、任意の既存の統計モデルがはるかに正確であることを認めている。

例えば：Ｉは、セルラーサービスを止める状況を表す。顧客ｖが入力される度に、顧客の乗り換えを予測するため、現在の

が統計モデルに入力されることが好ましい。言い換えれば、顧客の乗り換えを予測する際に、人のトランザクションの履歴が考慮されるだけではなく、実際の友人および人のソーシャルネットワークのメンバによる顧客の乗り換えの可能性も考慮される。このように、ソーシャルネットワークの体に渡る影響は任意に「社会変数」を含んでもよく、これは次いで他の変数と共に統計モデルに入力される。

算出−＞設計−＞実装−＞算出
これらの量は、企業のマーケティング努力によって彼らがどのように影響を与えられるかを算出するために用いることもできる。例えば、ある製品が時間ｔ_０で

を有し、企業が生成された口コミを増やしたい場合、企業は本書で記載された方法を用いて時間ｔ_０で

を算出し、異なるマーケティングアプローチを設計し、新しいアプローチを実施し、次いで時間ｔ_１で

の変化を算出することができる。

増勢
上記方法はさらに任意に、任意かつ好適に全てのｖについて時間に関する

を繰り返し算出することによって、流行を特定し、これを広げるか、または先取りするのに用いられてもよい。

実施例１−小売企業
この技術は、小売企業で成功裡に実装された。以下は、プロセスの簡単な説明である：

小売企業の説明
１００，０００の常連客から成る衣料品の小売企業が分析された。顧客は、小売企業で平均で年に１−２回購入する。

分析プロセス
マーケティング目標を向上する目的で、小売企業は、幾つかの情報の種類を規定した：
Ｉ_１−小売企業で購入し始める決定。
Ｉ_２−小売企業で購入するのを止める決定。
Ｉ_３−特定のファッションのモデルあるいは洋服のラインの選択。
Ｉ_４−購入。

次いで、各情報の種類に関して社会的な影響

を調整するアルゴリズムを適用することによって企業によって提供されるデータベースが分析された。次いで、データベース内の１００，０００の顧客の各々の社会的影響が算出された。

使用：
１．顧客の乗り換え予測−
この活動の目的は、２００７年１１月１日から次の６か月以内に小売企業で購入するのを最も止めそうな顧客をランク付けることである。小売企業は、古典的なデータマイニングの統計アルゴリズム、このケースの決定木、クラスタリングおよびロジスティック回帰を用いてこの分析を実行した。トレーニングセットは、２００６年１１月１日に常連客であった全ての顧客として規定された。顧客が乗り換える結果を予測するためにアルゴリズムはトレーニングセットの変数を使用した。アルゴリズムが実行される時までに、結果は既に知られている。入力変数は、約４０の異なる変数を含んでおり、頻度、通貨、同様に購入するモデル、好きなチェーン店、人口統計学的な属性など、この分析用の標準パラメータを全て含んでいた。さらに、行動の変化（時間に関する変数の任意の変化によって算出される）も入力された。

これらのアルゴリズムは、互いに独立した変数を選択する（例えば、冬の購入は冬モデルの選択に関連するので、その１つで十分である）。その後、アルゴリズムは、正確に予測するこれらの性能によって変数をランク付ける。

最も予測可能な変数は、購入する人に対する全ての影響であるか、または

であった。人は、彼の社会環境によって購入する影響を受ければ受けるほど、彼は買い物を止めなくなる。２番目に予測可能な変数は、人が小売企業に費やした金であった。小売企業は、最も乗り換えリスクの高い乗り換えを防止するために１１月１５日にキャンペーンを始めた。

２．移り気なオピニオンリーダの特定−
この動作の目的は、買い物を止めた顧客であって、彼らの社会環境に買い物を止めさせた顧客を見つけることである。この目的のため、

が各ｖについて計算された。値はランク付けされた。小売企業を積極的にボイコットする幾つかのケースでは（例えば販売中に気づいた酷い取り扱いおよび／または返品の試みもしくは他の顧客サービスの経験のため）、彼らが実際に友達に買い物を止めさせることを何人かのｖの調査により確認した。その結果、小売企業のＣＥＯは、商品の返品条件を含み、幾つかの条件を変更するよう決定した。

３．取り戻し
この目的は、買い物を止めた顧客であって、再び買い物をし始める彼らに対する社会的な影響を拡大する顧客を見つけることである。

乗り換えた他人に対して最も大きな影響を持つ人が好適に選択されるとき、この場合に２度の最適化がある。その結果、小売企業は、非常に移り気な人（すなわち、移り気な多くの人からなるソーシャルネットワーク）と共にオピニオンリーダを対象とするキャンペーンを開始した。

実施例２−ホテル
上述したように、本発明の幾つかの実施形態によれば、ソーシャルネットワークを構築することによって、販売キャンペーンなどのマーケティングアプリケーションを構築し；ネットワークを介した１以上のメンバの相互の影響を算出し；次いで、この影響によって、例えばネットワークの主要メンバを優先的および／または別のやり方でマーケティングすることによって、販売キャンペーン（例えば）を構築する方法が提供される。

この実施例について、上記方法は任意かつ好適に以下のように実装される。ネットワークを構築するために、以下の例示的な状況が考慮される。ホテルチェーンは、予約とチェックインに関するデータベースにトランザクション情報を有する。ソーシャルネットワークを構築するため、このデータが分析されて例えば２人の人が連結される尤度を算出する。トランザクションデータパラメータの限定しない実施例は、この連結を任意に支持してもよく、この連結は、同時に同じホテルに宿泊するステップ、同じチェックインの識別子を有するステップ、その他の購入と行動を一緒に行うステップ、および／または彼らの各予約を同様に変化もしくは並列に変化するステップを含む。これらのパラメータは分析されて統計的な特殊性を算出する。

一旦ネットワークが構築されたならば、１以上のメンバのお互いに対する影響はソーシャルネットワーク内の関係によって算出される。影響は、統計的な特殊性と共に生じる間接的な交信によって算出されることが好ましく、限定されないが、統計的特殊性と共に生じたイベントを時間または種類によって検出または算出するステップも、
実際に予約をする人や、初めて購入する人や、沢山旅行をする人や、ホテルチェーンで沢山夜を過ごす人などを特定するステップも含む。

一旦これらの影響が算出された場合、グループの１以上の主要メンバ（すなわちグループの影響力のあるメンバ）が、マーケティングアプリケーションあるいは販売キャンペーンで対象とされ、例えば様々な既知技術を介して彼らの信仰を高め、グループの他のメンバに対する彼らの影響によって口コミキャンペーンの成功する尤度を高める。

この実施は、任意に長い決定サイクルまたは短い決定サイクルを有する購入に対する限定しない実施例である。短い決定サイクルは、例えばビジネス旅行者に明らかであり、彼は、短い通達で旅行する必要が場合があるので、ホテルに関して迅速な決定を下すかもしれない。長い決定サイクルは、例えば、夏季休暇に旅行する観光客に明らかであり、彼は、数ヶ月または一年掛けて決定するかもしれない。このように、ソーシャルネットワークのメンバによって行われる旅行の種類に依存して、影響が考慮される期間は、長い決定サイクルもしくは短い決定サイクル、またはその双方を組み入れて調整されることが好ましい。

実施例３−電気通信
例えばサービスプロバイダなどの電気通信プロバイダのマーケティングを行うための本発明に係る方法の実施に関して、別の実施例がここで提供される。

ソーシャルネットワークを構築するために、任意かつ好適に例えば携帯電話サービス提供者などのサービス提供者のデータベースのトランザクションデータが用いられる。携帯電話提供者のデータベースは、電話発呼、ＳＭＳまたは他のメッセージ、および他の種類の交信などの直接的な交信を記載するトランザクションを含む。任意に、直接的な交信は、ソーシャルネットワークを構築するのに少なくとも部分的に用いられる。しかしながら、より好ましくは、同様に他の種類の情報が用いられ、これは限定されないが、本書で記載されるように静的データを含み、これは限定されないが、住所と、年齢と、特定の学校や大学や陸軍部隊などへの共学と、ある種の購入契約などとを含む。その他の種類の間接的な情報は、繰り返し、好ましくは頻繁な単位で同じ携帯電話セル内で通信する人；または例えば同じ孤立した携帯電話セル（より少数のユーザを有する）内で通信する人；および／またはその他の地理的もしくはその他の間接的な情報を含む。間接的なデータは、例えば任意の適切な統計的尺度によって、統計的に明確であると特定した後にソーシャルネットワークを構築する用途に選択されることが好ましい。

一旦ソーシャルネットワークが構築された場合、さらにその関係の妥当性を判定するよう処理が実行されることが好ましい。あるいは、ソーシャルネットワークの構築前またはその構築中にこの処理が実行されてもよい。平均的な人は年間１５０人の違う人と通信するであろう。各人に費やされた時間や、通話時間や、その他の通信パラメータは、人の関係を記載するのに十分ではない。例えば、人は会うために１週間に一度数分間信頼した友達と通信する一方で、配管工と長期間に渡って１週間に数時間通信する。

意味のある関係を識別するために、複数の異なる種類の間接的な交信が、直接的な交信のデータと組み合わされることが好ましい。この間接的なデータの限定しない実施例は、同じ時間に同じ地理的場所から通信および／または同じ地理的場所で生活および／または働く人、および／または同一または類似する時間に同一または類似する商品を購入する人を検出し、データのクラスタリングを介して間接的なパラメータを形成するステップを含む。携帯電話提供者はまた、装置やサービスの購入などの携帯電話提供者でなされた購入を記述するトランザクションを有しており、これは、間接的な交信を検出および／または算出するために分析される。

この実施は、携帯電話サービス提供者のデータベースのトランザクションデータで実験された。これらの間接的なパラメータを取り込むとき、徹底的に変更された９０％以上のネットワーク定義が大幅に変更された。

次に、影響が算出されることが好ましい。構築されたソーシャルネットワークは、影響を算出する根拠として役立った。例えば時間による統計的特殊性あるいは統計モデルを伴って生じたイベント（装置改良など）の影響が、前述されるように算出された。

この方法はさらに顧客の乗り換えなどの幾つかの社会現象の算出を可能にした。乗り換えた人（加入者）の友人が影響を受け、友人は乗り換える可能性が１０倍あると算出された。しかしながら、彼らと沢山通信したが、彼らの影響を受けなかった乗り換えようとする加入者の影響のため、これらの人は乗り換える可能性が２倍に過ぎなかった。

この方法はさらに、実際にソーシャルネットワークで乗り換えを駆り立てるソーシャルネットワークのオピニオンリーダ（主要メンバ）の検出を可能にしており；一般に各人は３−５人のその他の加入者を乗り換えさせた。

次に、任意かつ好適に販売キャンペーンが上記情報に応じて構築される。この実施例について、社会的影響による乗り換えリスクの高い加入者は、彼らの乗り換えを防止するために１以上の売り込みの対象とされることが好ましい。

上記方法はさらに、例えば任意にオピニオンリーダを企業とより関係させ、かつ彼らを忠実な顧客として引き留めるよう意図した１以上のツールのアプリケーションによって、任意に具体的に対象とされる１人以上のオピニオンリーダを特定するのに用いられた。

実施例４−インターネットデータ分析
インターネットは、１人から１人以上の受信者へ送信される電子メールメッセージなどの多くの直接的な交信を含む。更に、インターネットがさらに直接的なソーシャルネットワークを特徴とする。しかしながら、この直接的な情報はしばしば間接的な情報より非常に価値がなく、かつ有益でない。後者は、検出および分析するのが非常に難しいので、インターネットデータをマイニングする前述の試みで考慮されなかった。

この間接的な情報の一例は、複数の人がお互いに直接的ではないがやや同じ題目または投稿に、または類似する時間に、または類似する内容を、または同じ関心を示して、または上記の組み合わせでブログもしくは他のインターネットフォーラムあるいはサイトへ反響を投稿するときに生じる。別の例は、共通の関心、例えばスキー、ランニング、自転車、スキューバダイビングなどのスポーツを共有し、同じウェブサイトを訪れる複数のユーザに対しても生じる。この情報は、関心によってこの訪問者の母集団を細分化するのではなく、むしろこのデータ内の実際の関係の存在を検出するのに用いることが好ましい。

この分析によって検出された潜在的な関係は、前述された反復クラスタリング法に組み込まれることが好ましい。例えば、１以上のスキューバダイビングサイトへの訪問者に対して、任意かつ好適に彼らの潜在的な関係がさらに、前述されるように商業上のトランザクションデータ（購入データなど）によって分析され、前述されるように１以上の実際の関係を検出する。１以上のスキューバダイビングサイトへの訪問者に関するデータは任意かつ好適にトランザクションデータ、特に多くのデータセット（例えば主要なクレジットカード会社のトランザクションデータあるいは購入）の複雑さを低減するのに用いられる。インターネットは、任意の種類のオープンソースのデータあるいは商業上購入可能な多くのデータを収集するための限定しない実施例である。

その他の実施形態によれば、大抵はそうでないが、あらゆる情報がインターネットを介した行動、活動および対話によって判定される。例えば、ウェブサイトへの訪問者のクリック分析が行われ、任意に彼らのコンピュータが例えば同じＩＰアドレスを有するかどうか、および／または複数の訪問者が全て任意に紹介する検索エンジンを介さずにウェブサイト内のウェブページ（到着したページあるいはホームページはさておき、例えば特定商品などのページ）に直接入るかどうかを特定する。このウェブサイトの内容も任意に分析され、例えば共通の関心（スキューバダイビングなど）、共通の地理的領域などを特定してもよい。共通の地理的領域は任意にインターネットによる分析に拡張されてもよい。

更にクリック分析が任意に実行されて間接的な関係を特定するよう試みられてもよい。例えば、ウェブサイト内の深くにある論文への第１訪問者は任意に検索エンジンを介してこの論文を到達する一方で、第２訪問者は検索エンジンなしに、かつウェブサイトの任意の他のページを見ることのなく論文に直接入る。このため第２訪問者は任意に第１訪問者によって参照されてもよいし、これによって潜在的な関係を示す。

実施例５−その他の種類のトランザクション
上記実施例は、特に小売店での商取引に関連した。しかしながら、本発明は任意に様々な異なる商取引に適用されてもよく、限定されないが１以上の電気通信会社（携帯電話提供者、市内電話サービス提供者および長距離提供者を含む）と；クレジットカード提供者と；信用組合と；小口銀行と；個人向け金融サービス（１以上の保険と投資のを限定されないが含んで）と；レストランと；旅行代理店および／または配達企業と；航空会社と；列車、バスおよびその他の輸送提供者と；ホテルチェーンとリゾートチェーンおよび／または単一の組織と；ヘルスサービス、カントリークラブ、スポーツセンター、スパおよびヘルスセンターと；スーパーマーケット、薬局および消費材のその他の配達企業とを含む。表が以下に提供され、本発明によって分析される影響因子および／または取引因子の幾つかの限定しない例示的な実施例を示す。

本発明のアプリケーションの他の限定しない実施例は：トレンドの作成と；市場の微小分割と；特定のコミュニティでのマーケティング活動の集中と（例えばコミュニティを過剰供給する）；統計モデルに入力として影響基準全ての追加と；不正行為の検出と；分析と予防を拡張する接触感染症と；犯罪活動のモニタリングと予防と、を含む。

上述したソーシャルネットワークを構築する任意の方法が単独または組み合わせで用いられ、実際に社会ネットワーク自体を構築し、その後上述したものとは異なるアプリケーションで任意にこのネットワークを用いてもよい。例えば、マーケティング用に構築されたソーシャルネットワークは、感染症の予測、追跡、予防と管理、および／または犯罪活動の監視と予防などに任意に使用されてもよい。

また任意に別の目的のために構築されたソーシャルネットワーク、例えばＦａｃｅｂｏｏｋなどの例えばインターネットあるいはウェブベースのソーシャルネットワークが、影響を算出したり、グループあるいはソーシャルネットワークの主要メンバを特定する上記方法の１以上に用いられてもよい。

本発明は、限られた数の実施形態に関して記載されるが、本発明の多くの変形、変更および他のアプリケーションが作られてもよいことが認識されるであろう。

Claims (51)

1. 第１の人と第２の人との関係を特定する方法において、
   少なくとも１つのトランザクションイベントに応じて間接的な交信を検出するステップと；
   前記間接的な交信による影響に応じて前記関係を特定するステップと、を含むことを特徴とする方法。
2. 請求項１に記載の方法において、前記トランザクションイベントが商取引に関することを特徴とする方法。
3. 請求項２に記載の方法において、前記商取引が製品の購入に関することを特徴とする方法。
4. 請求項２に記載の方法において、前記商取引が定期購読の購入に関することを特徴とする方法。
5. 請求項２乃至４の何れか１項に記載の方法において、前記商取引が、顧客の乗り換え、顧客の獲得、アップセル、クロスセルもしくは顧客の取り戻し、またはこれらの組み合わせの１以上に関することを特徴とする方法。
6. 請求項２乃至５の何れか１項に記載の方法において、前記商取引が友人に関し、前記商取引がさらに、前記友人に連絡するステップまたは前記商取引の少なくとも１つのパラメータを変更するステップを含むことを特徴とする方法。
7. 請求項１乃至６の何れか１項に記載の方法がさらに、前記関係に応じて少なくとも１つのマーケティング活動を特定するステップを含むことを特徴とする方法。
8. 請求項７に記載の方法において、前記少なくとも１つのマーケティング活動が、ブランド認知の拡大、顧客の乗り換え防止、顧客の引き留め、顧客の獲得、アップセル、クロスセルもしくは顧客の取り戻し、またはこれらの組み合わせの１以上を含むことを特徴とする方法。
9. 請求項１乃至８の何れか１項に記載の方法がさらに、直接的な交信を検出するステップと、さらに前記直接的な交信に応じて前記関係を特定するステップと、を含むことを特徴とする方法。
10. 請求項１乃至９の何れか１項に記載の方法において、前記直接的または間接的な交信がさらに、
    情報の能動的な伝送の能動伝送率を算出するステップと；および／または
    情報の受動的な伝送の受動伝送率を算出するステップと、を含むことを特徴とする方法。
11. 請求項１乃至１０の何れか１項に記載の方法において、前記トランザクションが長い決定サイクルを有することを特徴とする方法。
12. 請求項１乃至１０の何れか１項に記載の方法において、前記トランザクションが短い決定サイクルを有することを特徴とする方法。
13. 請求項１乃至１２の何れか１項に記載の方法がさらに、
    複数の関係を特定するステップと；
    前記複数の関係からソーシャルグループを構築するステップと、を含むことを特徴とする方法。
14. 請求項１３に記載の方法がさらに、
    前記ソーシャルグループからソーシャルネットワークを構築するステップを含むことを特徴とする方法。
15. 請求項１乃至１４の何れか１項に記載の方法がさらに、
    複数の関係を特定するステップと；
    前記複数の関係からソーシャルネットワークを構築するステップと、を含むことを特徴とする方法。
16. 請求項１４または１５に記載の方法がさらに、
    複数のソーシャルネットワークを構築するステップと；
    前記複数のソーシャルネットワークを重ねて類似の閾値に応じて結合済みのソーシャルネットワークに結合するステップと、を含むことを特徴とする方法。
17. 請求項１乃至１６の何れか１項に記載の方法がさらに、
    前記関係の影響を算出するステップを含むことを特徴とする方法。
18. 請求項１７に記載の方法において、前記影響が能動的および／または受動的であることを特徴とする方法。
19. 請求項１乃至１８の何れか１項に記載の方法がさらに、
    前記関係の強度を算出するステップと；
    前記関係の強度に応じて能動的な影響または受動的な影響の好適なモードを選択するステップと、を含むことを特徴とする方法。
20. 請求項１乃至１９の何れか１項に記載の方法において、前記間接的な交信がインターネットを介して行われることを特徴とする方法。
21. 請求項２０に記載の方法において、前記インターネットを介した間接的な交信が、電子メール、ウェブページの掲示板、ブログへの投稿、チャットルームへの投稿、ウェブページの訪問、またはＩＭ（インスタントメッセンジャ）のメッセージの１以上を含むことを特徴とする方法。
22. 請求項２１に記載の方法がさらに、コンテンツに応じて前記間接的な交信を分析し、潜在的な関係を検出するステップを含むことを特徴とする方法。
23. 複数のメンバのソーシャルグループを構築する方法において、
    前記複数のメンバ間の少なくとも１つの関係を検出するステップと；
    前記関係を有する各複数のメンバ間の少なくとも間接的な交信の情報の能動的な伝送もしくは受動的な伝送の能動率または受動率を算出するステップと；
    情報の伝送に応じて前記間接的な交信を分析し、影響を算出するステップと；
    前記影響に応じて前記ソーシャルグループの少なくとも１人の主要メンバを検出するステップと、を含むことを特徴とする方法。
24. 請求項２３に記載の方法において、前記ソーシャルグループがソーシャルネットワークを含むことを特徴とする方法。
25. 請求項２３または２４に記載の方法において、前記間接的な交信が１以上の取引に関することを特徴とする方法。
26. 請求項２５に記載の方法において、前記１以上の取引が少なくとも１つの商取引を含むことを特徴とする方法。
27. 請求項２６に記載の方法において、前記少なくとも１つの商取引が製品の購入に関することを特徴とする方法。
28. 請求項２６に記載の方法において、前記少なくとも１つの商取引が定期購読の購入に関することを特徴とする方法。
29. 請求項２７または２８に記載の方法において、前記少なくとも１つの商取引が、顧客の乗り換え、顧客の獲得、アップセル、クロスセルもしくは顧客の取り戻し、またはこれらの組み合わせの１以上に関することを特徴とする方法。
30. 請求項２６乃至２９の何れか１項に記載の方法において、前記商取引が友人に関し、前記商取引がさらに、前記友人に連絡するステップまたは前記商取引の少なくとも１つのパラメータを変更するステップを含むことを特徴とする方法。
31. 請求項２３乃至３０の何れか１項に記載の方法がさらに、
    前記主要メンバとの関係に応じて少なくとも１つのマーケティング活動を特定するステップを含むことを特徴とする方法。
32. 請求項３１に記載の方法において、前記少なくとも１つのマーケティング活動が、ブランド認知の拡大、顧客の乗り換え防止、顧客の引き留め、顧客の獲得、アップセル、クロスセルもしくは顧客の取り戻し、またはこれらの組み合わせの１以上を含むことを特徴とする方法。
33. 請求項２３乃至３２の何れか１項に記載の方法がさらに、
    複数の主要メンバを検出するステップと；
    各主要メンバによって影響を受けた何人かのメンバを特定するステップと；
    少なくとも閾値の影響を受けたメンバを有するときに特別の主要メンバを選択するステップと、を含むことを特徴とする方法。
34. 請求項３３に記載の方法において、前記閾値が影響を受けたメンバの最大数を有することを特徴とする方法。
35. 請求項３３または３４に記載の方法がさらに、
    前記特別の主要メンバに対して少なくとも１つのマーケティング方法を行うステップを含むことを特徴とする方法。
36. 複数の人の間のソーシャルネットワークを明らかにする方法において、
    前記複数の人の間の間接的な交信を検出するステップと；
    少なくとも前記間接的な交信に応じて１以上の関係を特定するステップと；
    前記１以上の関係に応じて前記ソーシャルネットワークを構築するステップと、を含むことを特徴とする方法。
37. 請求項３６に記載の方法がさらに、
    複数のソーシャルネットワークを構築するステップと；
    結合されたネットワークを形成するよう前記複数のソーシャルネットワークを重ねるステップと、を含むことを特徴とする方法。
38. 複数の顧客間の購入関係を検出する方法において、
    複数のソーシャルネットワークを構築するステップであって、少なくとも１つのネットワークが時間内の購入に関し、少なくとも１つのネットワークが類似品の購入に関するステップと、
    前記複数のソーシャルネットワークを重ねるステップと；
    少なくとも類似の閾値を有する前記複数のソーシャルネットワークの少なくとも２つを結合するステップと、を含むことを特徴とする方法。
39. 請求項３８に記載の方法において、少なくとも１つのソーシャルネットワークが間接的な交信に応じて構築されることを特徴とする方法。
40. 請求項３８または３９に記載の方法において、少なくとも１つのソーシャルネットワークが直接的な交信に応じて構築されることを特徴とする方法。
41. 複数の顧客間の購入関係を検出する方法において、
    時間と商品の類似度に応じて購入に関する購入データを提供するステップと；
    時間および／または空間と商品の類似度に応じて前記購入に関する購入データをクラスタ化するステップと；
    前記クラスタを重ねるステップと；
    少なくとも尤度の閾値を有する時間と類似度で少なくとも１つのクラスタペアを選択するステップと、を含むことを特徴とする方法。
42. ソーシャルネットワークを介した情報の流れを特定する方法において、
    前記ソーシャルネットワークの少なくとも２人のメンバ間の関係を特定するステップと；
    前記関係に応じてトランザクションデータを分析するステップと；
    前記分析されたトランザクションデータに応じて情報の流れを特定するステップと、を含むことを特徴とする方法。
43. 請求項４２に記載の方法において、少なくとも１つのソーシャルネットワークが間接的な交信に応じて構築されることを特徴とする方法。
44. 請求項４２または４３に記載の方法において、少なくとも１つのソーシャルネットワークが直接的な交信に応じて構築されることを特徴とする方法。
45. 請求項４２乃至４４の何れか１項に記載の方法がさらに、
    情報の流れに応じて前記ソーシャルネットワークの少なくとも１人のメンバの１以上の指標を算出するステップを含むことを特徴とする方法。
46. 請求項４２乃至４５の何れか１項に記載の方法がさらに、
    前記関係の少なくとも１人のメンバの影響を算出するステップと；
    さらに前記影響に応じて情報の流れを特定するステップと、を含むことを特徴とする方法。
47. 複数の人から成るソーシャルグループの一部の人に対して少なくとも１つの社会変数を構築する方法において、
    少なくとも１つのトピックについて前記複数の人への前記人の影響を算出するステップと；
    前記少なくとも１つのトピックについて前記人への前記複数の人の影響を算出するステップと；
    前記少なくとも１つのトピックについて前記複数の人への前記人の影響と、前記人への前記複数の人の影響とに応じて少なくとも１つの社会変数を構築するステップと、を含むことを特徴とする方法。
48. 請求項４７に記載の方法において、前記影響が複数の商業上のトピックについて算出されることを特徴とする方法。
49. 請求項４８に記載の方法において、前記商業上のトピックが少なくとも顧客の乗り換えの可能性を含むことを特徴とする方法。
50. 請求項４７乃至４９の何れか１項に記載の方法において、前記影響を算出するステップが、少なくとも１つのトランザクションイベントに応じて間接的な交信を検出するステップと；
    前記間接的な交信による影響を検出するステップと、を含むことを特徴とする方法。
51. 請求項５０に記載の方法がさらに、前記影響を算出する前に複数のサブグループへ前記ソーシャルグループを分割するステップを含むことを特徴とする方法。
    

Images