JP2015041121A - 販売予測システム及び販売予測方法 - Google Patents

Abstract

【課題】様々な商品について複数の商品間の競合の影響を加味した販売予測を正確に行う。
【解決手段】一例の販売予測システムは、関連商品群の特性データと購買履歴データとを使用して、商品評価関数を決定するための決定木である嗜好木を決定する。前記嗜好木と複数候補商品の商品特性ベクトルとを使用して、前記嗜好木のそれぞれに対応する、前記複数候補商品のそれぞれの商品評価関数を決定する。前記複数候補商品の商品特性ベクトルと前記商品評価関数とを使用して、前記複数候補商品のそれぞれの嗜好評価得点を決定する。前記嗜好価得点を使用して、前記複数候補商品の販売についての予測を行う。
【選択図】図１

Description

本発明は、商品の販売予測システム及び販売予測方法に関する。

特許文献１は、製造業が新しい商品を投入する際に競合商品の影響を加味して需要を予測し販売計画を立てるシステムを提案している。特許文献１に記載されるシステムは、製造業側の設備投資計画や販売施策立案の支援を目的としており、コンジョイント分析により推定される個人の嗜好モデルに基づき過去の商品実績のない新しい商品の販売数を予測することができる。

特開２００７−３１６８９９号公報

近年、顧客の飽きに対応するため、新商品を導入するなどして店舗内に陳列する商品の組み合わせを頻繁に変更する店舗が多い。このような、販売形態に対応するためには、販売実績の少ない商品や複数の商品間の競合の影響を加味した販売数予測を行うことが重要である。したがって、様々な商品について複数の商品間の競合の影響を加味した販売予測を正確に行うことができる技術が望まれる。

本発明の一態様は、演算資源と記憶資源とを含み、候補商品の販売予測を行う、販売予測システムである。前記記憶資源は、販売商品群の特性データと、前記販売商品群の購買履歴データと、を保持する。前記販売商品群の特性データは、前記販売商品群のそれぞれの商品の、複数商品特性値を含む商品特性ベクトルを含む。前記演算資源は、前記販売商品群における関連商品群の特性データと購買履歴データとを使用して、商品評価関数を決定するための決定木である嗜好木を決定する。前記演算資源は、前記記憶資源から、前記関連商品群に含まれる複数候補商品の商品特性ベクトルを取得する。前記演算資源は、前記嗜好木と前記複数候補商品の商品特性ベクトルとを使用して、前記嗜好木のそれぞれに対応する、前記複数候補商品のそれぞれの商品評価関数を決定する。前記演算資源は、前記複数候補商品の商品特性ベクトルと前記商品評価関数とを使用して、前記複数候補商品のそれぞれの嗜好評価得点を決定する。前記演算資源は、前記嗜好価得点を使用して、前記複数候補商品の販売についての予測を行う。

本発明の一態様によれば、様々な商品について複数の商品間の競合の影響を加味した販売予測を正確に行うことができる。

販売予測システムのシステム構成例を示す。 販売予測システムにおけるサーバ計算機の構成例を示す。 中央管理サーバによる購買嗜好モデル分析のフローチャート例を示す。 個人ＩＤ付ＰＯＳデータの例を示す。 全店舗在庫管理データの例を示す。 商品マスタデータの例を示す。 予測期間テーブルの例を示す。 商品特性ベクトルを嗜好木（嗜好モデル）に適用する方法の例を示す。 典型嗜好木ベクトルテーブルの例を示す。 購買者分布データの例を示す。 中央管理サーバによる個人の嗜好モデル抽出のフローチャート例を示す。 嗜好木ベクトルテーブルの例を示す。 中央管理サーバによる嗜好木クラスタリングのフローチャート例を示す。 距離マトリクステーブルの例を示す。 グループテーブルの例を示す。 クラスタ寄与率ベクトルテーブルの例を示す。 中央管理サーバによる典型嗜好モデル抽出のフローチャート例を示す。 中央管理サーバによる購買者分布算出のフローチャート例を示す。 店舗内サーバによる店舗売上分析のフローチャート例を示す。 店舗内サーバにおける、販売予測のための条件入力画像例を示す。 店舗内サーバによる、条件設定のフローチャート例を示す。 商品特性ベクトルテーブルの例を示す。 発注分析条件テーブルの例を示す。 嗜好分析条件テーブルの例を示す。 利用者分布ベクトルテーブルの例を示す。 購買確率の算出方法の例を示す。 店舗内サーバによる商品販売数予測のフローチャート例を示す。 需要変動因子マトリクスの例を示す。 販売数予測結果テーブルの例を示す。 販売数予測結果の表示画像例を示す。 販売数予測結果表示画像上での条件変更受付のフローチャート例を示す。 条件変更に伴う、販売数予測結果画像の遷移を示す。 条件変更に伴う、販売数予測結果画像の遷移を示す。 店舗内サーバによる発注量算出のフローチャート例を示す。 在庫管理データの例を示す。 発注商品マトリクスの例を示す。 店舗内サーバによる条件変更に伴う推奨発注内容の変更のフローチャート例を示す。 条件変更に伴う、発注推奨画像の遷移例を示す。 条件変更に伴う、発注推奨画像の遷移例を示す。 店舗内サーバによる嗜好タイプ分析結のフローチャート例を示す。 嗜好分析結果テーブルの例を示す。 購買者の嗜好タイプ分析結果の画像例を示す。 実施形態２におけるシステムの構成例を示す。

以下、添付図面を参照して本発明の実施形態を説明する。本実施形態は本発明を実現するための一例に過ぎず、本発明の技術的範囲を限定するものではないことに注意すべきである。各図において共通の構成については同一の参照符号が付されている。

本実施形態は、商品の販売数を予測する販売予測システム、及び、予測結果に基づき店舗の商品発注を支援するシステムを開示する。商品を販売する小売業は、品切れによる売れ筋商品の欠品や、売れない商品の過剰な在庫を発生させないように、適切な商品を適切な量発注する必要がある。店の利益を最大化するためには、毎日の商品の販売見込み量を正確に予測し、その上で、陳列する商品の組み合わせと各商品の在庫数を決定することが重要である。

新しい商品など販売実績がない商品の予測は困難である。さらに、各商品は、天気や曜日のような外的な環境要因だけでなく、店舗内に陳列される他の競合商品のラインナップにも影響される。各商品の単品分析では、複数商品の間の需要変動の影響を加味することができない。

近年では、顧客の飽きに対応するため、新商品を導入するなどして店舗内に陳列する商品の組み合わせを頻繁に変更する店舗が多く、販売実績の少ない商品や複数の商品間の競合の影響を加味した販売数予測が必要である。

本実施形態の販売予測システムは、商品の特性データと過去の販売データを用いて商品特性に対する購買者の嗜好モデルを構築し、販売実績の少ない商品や複数の商品間の競合の影響を加味した販売数予測を行う。

一例において、販売予測システムは、あらかじめ、個人毎の嗜好分析結果から、それぞれ異なる嗜好タイプを示す複数の嗜好モデルを決定する。嗜好モデルは、嗜好木で表される。例えば、販売予測システムは、個人毎の嗜好分析結果から、典型的な嗜好タイプをそれぞれが示す複数の典型的嗜好モデルを算出する。さらに、販売予測システムは、典型的嗜好モデル毎の購買人数分布を算出する。なお、典型嗜好モデルに代えて、選択した複数個の嗜好モデル及びそれらに対応する購買分布を算出してもよい。

店舗の発注者が発注量を検討する際に、販売予測システムは、予め用意した嗜好モデルと購買人数分布とを用いて、販売数の予測結果、各商品の購買促進要因／購買抑制要因や競合商品間の影響度等を算出し、提示する。これにより、発注者は、商品特性の組み合わせ方や複数商品の組み合わせ方などの様々な条件に対する予測需要数、予測売上を知ることができる。発注者は、販売予測結果から、商品ラインナップや新商品導入の有無、価格設定などを効率よく検討することができる。

一例において、販売予測システムは、個人の嗜好モデルを、クラスタリング分析によって、複数の典型的嗜好モデルに分類する。典型的嗜好モデルは、典型的嗜好タイプを示す。典型的嗜好モデルにより、条件変更に対する販売数予測の高速化、購買者の嗜好タイプの説明性の向上を実現する。

さらに、販売予測システムは、典型的嗜好タイプごとに、各商品の商品特性が購買に与える影響を分析することで、商品特性に関して需要変動因子を推定する。これらの嗜好タイプ分析結果や各商品の購買促進要因／購買抑制要因を提示することで、発注者が次に検討すべき条件を示唆できる。以下、具体的に説明する。

実施形態１
実施形態１は、コンビニエンスストアのようにチェーン展開している小売企業において、各店舗の発注を支援するシステムの例を説明する。

図１は、本実施形態に係る販売予測システムの構成例を示す。本システムは、中央管理サーバ１０１及び店舗内サーバ１０２を含む。中央管理サーバ１０１は、購買嗜好モデル分析プログラム１３３を実行する。店舗内サーバ１０２は、店舗売上分析プログラム１３２を実行する。中央管理サーバ１０１と店舗内サーバ１０２の機能が一つの計算機又は２より多い計算機に実装されていてもよい。

中央管理サーバ１０１と店舗内サーバ１０２とはネットワーク１３５を介して接続しており、店舗内サーバ１０２は、中央管理サーバ１０１における嗜好モデル分析結果をもとに、店舗売上分析プログラム１３２によって、自店舗の需要や売上を予測し分析結果を発注者に提示する。

中央管理サーバ１０１は、個人ＩＤ付ＰＯＳデータ１０３、全店舗在庫管理データ１０４、商品マスタデータ１１３、予測期間テーブル１３７、購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５を保持する。個人ＩＤ付ＰＯＳデータ１０３と、全店舗在庫管理データ１０４とは、ネットワーク１３５を介して収集した、複数の小売店舗１３４における商品購買履歴と在庫・発注履歴を格納する。

購買嗜好モデル分析プログラム１３３は、個人ＩＤ付ＰＯＳデータ１０３、全店舗在庫管理データ１０４、商品マスタデータ１１３、予測期間テーブル１３７を入力データとして使用し、購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５を出力する。

購買嗜好モデル分析プログラム１３３は、個人嗜好モデル抽出プログラム１０５、嗜好木クラスタリングプログラム１０７、典型嗜好モデル抽出プログラム１１１、購買者分布算出プログラム１１２を含む。

購買嗜好モデル分析プログラム１３３は、最終アウトプットである購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５の他に、嗜好木ベクトルテーブル１０６、距離マトリクステーブル１０８、グループテーブル１０９、クラスタ寄与率ベクトルテーブル１１０、購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５を生成する。

店舗内サーバ１０２は、在庫管理データ１３６を保持する。店舗売上分析プログラム１３２は、発注者の入力条件１１６と、商品マスタデータ１１３、購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５、在庫管理データ１３６を入力として使用する。店舗売上分析プログラム１３２は、入力が示す条件下での商品販売予測数、売上、購買因子影響度など、発注者が発注量を決定する際に利用するための結果情報１１７を出力する。

結果情報１１７の出力は、計算機の表示画像に画像を表示する他、レポートを作成してもよい。商品マスタデータ１１３、購買者分布データ１１４、典型嗜好木ベクトルテーブル１１５は、中央管理サーバ１０１からネットワーク１３５を介して店舗内サーバ１０２に送られる。これらデータの全てはなく、必要なデータのみが送信されればよい。

店舗売上分析プログラム１３２は、予測条件設定プログラム１１８、商品販売数／売上予測プログラム１２３、最適発注量・発注商品推定プログラム１２６、嗜好傾向分析プログラム１２７、結果表示プログラム１２９、条件変更入力受付プログラム１３１を含む。

店舗売上分析プログラム１３２は、商品特性ベクトルテーブル１１９、利用者分布ベクトルテーブル１２０、発注分析条件テーブル１２１、嗜好分析条件テーブル１２２、販売数予測結果テーブル１２４、需要変動因子マトリクス１２５、嗜好分析結果テーブル１２８、発注商品マトリクス１３０を生成する。

図２は、中央管理サーバ２０１及び店舗内サーバ２０２のハードウェア構成例を示す。当該構成例は、プロセッサであるＣＰＵ３０１、ハードディスクドライブ３０２、メモリ３０３、ディスプレイ制御部３０４、ディスプレイ３０７、キーボード制御部３０５、キーボード３０８、マウス制御部３０６、マウス３０９を備える。

ＣＰＵ３０１は、演算資源であって、データの入力／出力、読み込み／書き込みを行い、さらに、図１で説明した各プログラムを実行する。ハードディスクドライブ３０２は二次記憶デバイスであって、図１で説明したデータの一部又は全てを保持する。メモリ３０３は、ＣＰＵ３０１が実行するプログラム及びデータを一時的にロードして記憶するメインメモリであり、図１で説明したデータの一部又は全てを保持する。ハードディスクドライブ３０２、メモリ３０３は、記憶資源である。

ディスプレイ３０７は使用者にデータを表示するデバイスであり、ディスプレイ制御部３０４によって制御される。キーボード３０８およびマウス３０９は管理者からの入力を受け付けるデバイスであり、それぞれキーボード制御部３０５およびマウス制御部３０６によって制御される。

プログラムは演算資源によって実行されることで、定められた処理を記憶資源及び通信インタフェースを用いながら行う。従って、本実施形態及び他の実施形態においてプログラムを主語とする説明は、演算資源を主語とした説明でもよい。若しくは、プログラムが実行する処理は、そのプログラムが動作する計算機及び計算機システムが行う処理である。

演算資源は、プログラムに従って動作することによって、所定の機能を実現する機能部として動作する。例えば、演算資源は、購買嗜好モデル分析プログラム１３３に従って動作することで購買嗜好モデル分析部として機能し、店舗売上分析プログラム１３２に従って動作することで店舗売上分析部として機能する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

なお、プログラムの少なくとも一部は、専用ハードウェアによって実現されてもよい。プログラムは、プログラム配布サーバや、計算機読み取り可能な非一時的記憶媒体によって各計算機にインストールすることができ、各計算機の不揮発性記憶デバイスに格納することができる。

図３は、中央管理サーバ１０１における購買嗜好モデル分析プログラム１３３のフローチャート例を示す。購買嗜好モデル分析プログラム１３３は、個人ＩＤ付ＰＯＳデータ１０３、全店舗在庫管理データ１０４、商品マスタデータ１１３を取得する（４０１）。次に、購買嗜好モデル分析プログラム１３３は、個人の嗜好モデルを抽出する（４０２）。嗜好モデルは嗜好木で表される。ステップ４０２の詳細は、図１１を参照して後述する。

次に、購買嗜好モデル分析プログラム１３３は、個人の嗜好木をクラスタリングする（４０３）。ステップ４０３の詳細は、図１３を参照して後述する。次に、購買嗜好モデル分析プログラム１３３は、クラスタリングした個人の嗜好木から、典型嗜好モデルを抽出し、典型嗜好木ベクトルテーブル１１５を生成する（４０４）。ステップ４０４の詳細は、図１７を参照して後述する。

また、購買嗜好モデル分析プログラム１３３は、ステップ４０４とは別に、予測期間テーブル１３７を取得し（４０５）、さらに、購買者分布データを算出し、購買者分布データ１１４を生成する（４０６）。予測期間テーブル１３７の詳細は、図７を参照して後述する。購買者分布データ１１４及びステップ４０６の詳細は、図１０及び図１８を参照して後述する。

購買嗜好モデル分析プログラム１３３は、上記ステップ４０４で生成された典型嗜好木ベクトルテーブル１１５及びステップ４０６で生成された購買者分布データ１１４をデータベースに格納する（４０７）。

購買嗜好モデル分析プログラム１３３は、購買者がどのような商品特性の商品を購買しやすいかという商品特性に対する嗜好のモデルを構築する。嗜好モデルの構築は、まず個人毎にデータを学習して個人嗜好モデルを構築し、これをクラスタリングすることで複数の典型的な嗜好モデルを構築する。

典型的な嗜好モデルは、典型嗜好木ベクトルテーブル１１５に記述される。店舗内の販売数を予測するためには、嗜好モデルの構築に加えて、予測期間において来店する購買者数及来店した購買者の購買商品を予測するが必要である。そこで、購買嗜好モデル分析プログラム１３３は、各典型的な嗜好タイプが、ある予測期間において、対象とするカテゴリの商品を購買する個数を予測し、その結果を購買者分布データ１１４に記述する（４０６）。具体的な嗜好モデルの構築、購買者の予測については後述する。

以下では、購買嗜好モデル分析プログラム１３３の入力データを説明する。図４は、個人ＩＤ付ＰＯＳデータ１０３の例を示す。個人ＩＤ付ＰＯＳデータ１０３は、購買嗜好モデル分析プログラム１３３の入力データであり、個人嗜好モデル抽出プログラム１０５と購買者分布算出プログラム１１２で利用される。

項目５０１は購入時間、項目５０２は店舗ＩＤ、項目５０３は商品ＩＤ、項目５０４は個数、項目５０５は価格、項目５０６は顧客ＩＤを示す。必要に応じてこの他の情報を加えてもよい。例えば、購買時の状況も含めて購買者の購買傾向を分析するために、割引の有無などの情報も加えて取得する場合が考えられる。

図５は、全店舗在庫管理データ１０４の例を示す。全店舗在庫管理データ１０４は、購買嗜好モデル分析プログラム１３３の入力データであり、個人嗜好モデル抽出プログラム１０５で利用される。

項目６０１は在庫チェック時刻、項目６０２は店舗ＩＤ、項目６０３は商品ＩＤ、項目６０４は在庫数、項目６０５は廃棄数、項目６０６は顧客ＩＤを示す。必要に応じてこの他の情報を加えてもよい。例えば、商品競合による影響を精度高く分析するために、売り場に陳列する際のレイアウト情報として、隣におく商品ＩＤや、同じ棚に陳列する商品ＩＤ群などの情報を含めるなどといったことが考えられる。

図６は、商品マスタデータ１１３の例を示す。商品マスタデータ１１３は、購買嗜好モデル分析プログラム１３３の入力データであり、個人嗜好モデル抽出プログラム１０５と嗜好木クラスタリングプログラム１０７で利用される。

項目７０１は商品ＩＤ、項目７０２は商品名、項目７０３は商品カテゴリ、項目７０４はカテゴリのＩＤ、項目７０５は商品特性を示す。必要に応じてこの他の情報を加えてもよい。例えば、販売数の予測分析の際に販売されていない商品を含めた分析をしないように、商品の販売開始日、販売停止日の情報などを含めておくなどが考えられる。

項目７０６〜７１４は、商品特性７０５の項目例である。カテゴリが食品のものに関する項目例として、メーカ７０６、内容量７０７、生産日からの消費期限７０８、価格７０９、新製品か否かの情報７１０、調理方法に関する項目で揚げものが含まれるか否かの情報７１１、材料に魚が含まれるか否の情報７１２、カロリ７１３、栄養素に関する情報の一例であるたんぱく質７１４等の項目が示されている。

商品特性７０５の項目は一例であり、不必要（／取得困難）な項目を削除し、これ以外の情報を加えてもよい。例えば、商品カテゴリが洋服であれば、布地、色、サイズなどといった項目が考えられる。商品マスタデータ１１３の情報は、データ管理者などがあらかじめ入力しておくものとする。

図７は、予測期間テーブル１３７の例を示す。予測期間テーブル１３７は、一回の販売予測で予測したい期間を示す。予測期間テーブル１３７は、購買嗜好モデル分析プログラム１３３の入力データであり、購買者分布算出プログラム１１２で利用される。

項目８０１は予測期間のＩＤを示し、項目８０２は予測期間を示す。予測期間はあらかじめデータ管理者などが設定するものとする。本例は、曜日と、午前、昼、午後、夜の区分とにより、予測期間を定義している。予測期間の定義方法はこれに限定されない。休日、休日前日といった情報を用いたり、時間帯をもっと細かく区切ったりしてもよい。

購買嗜好モデル分析プログラム１３３は、入力データを分析し、最終的に、購買者分布データ１１４と、典型嗜好木ベクトルテーブル１１５と、を出力する。購買者分布データ１１４は、各予測期間における、１又は複数の商品カテゴリ内の商品に関する典型嗜好タイプ（典型嗜好モデル）毎の購買個数分布を示す。典型嗜好木ベクトルテーブル１１５は、購買者がどのような商品特性の商品を購買しやすいかという、商品特性に対する嗜好のモデルを記述する。

図８は嗜好モデルの例を示す。嗜好モデルは、嗜好木で表される。嗜好木９０３は、入力された商品の特性ベクトルに対応する商品評価関数を選択し、当該特定ベクトルと選択した商品評価関数とによって、嗜好得点９０８を算出する。具体的には、商品評価関数は、各商品特性に対する重み係数を含む重みベクトルであり、嗜好得点は９０８は、特性ベクトルと重みベクトル（商品評価関数）の内積で算出される。

例えば、幕の内弁当９０１は、嗜好得点を算出する商品の例であり、特性ベクトルｘを有する。特性ベクトルｘは、図６の商品マスタデータにおける幕の内弁当９０１に関する商品特性の項目を要素として含む。

嗜好木９０３は嗜好モデルであり、各葉ノードに商品評価関数を有する二分岐の決定木である。分岐条件９０４は根ノードの分岐条件であり、分岐条件９０５は、分岐条件９０４がｔｒｕｅであった場合にたどりつくノードの分岐条件である。各分岐条件は、商品特性のある項目のある基準値に対する大小関係又は等価関係で記述される。

分岐条件９０４は、価格という項目の特性が５００という基準値未満であればｔｒｕｅ、そうでなければｆａｌｓｅを示す。分岐条件９０５は、魚という項目の特性が１であればｔｒｕｅ、そうでなければｆａｌｓｅを示す。葉ノードの商品評価関数は、各項目の特性の値をそれぞれ重みづけして嗜好得点νを算出する。

本例の場合、価格が５００円未満で魚を含む商品について、嗜好木９０３は、商品評価関数９０６を用いて嗜好得点νを算出する。価格が５００円未満で魚を含まない商品について、嗜好木９０３は、商品評価関数９０７を用いて嗜好得点νを算出する。

図９は典型嗜好木ベクトルテーブル１１５の例を示す。典型嗜好木ベクトルテーブル１１５は、購買嗜好モデル分析プログラム１３３の最終出力データであり、それぞれの典型嗜好タイプの嗜好木のパラメータ情報を記述する。

典型嗜好木ベクトルテーブル１１５において、項目１００１はモデル更新日、項目１００２は嗜好木ＩＤ、項目１００３は商品のカテゴリＩＤ、項目１００４は木構造、項目１００５は重みベクトル、を示す。

商品のカテゴリＩＤ１００３は、同じ行に記述される嗜好木を用いて評価する関連商品群の範囲を示す。カテゴリＩＤ１００３は、同一の商品特性ベクトルを有するカテゴリであれば、複数のＩＤを含んでもよい。例えば、嗜好木ＩＤ０２（１０１３）の嗜好モデルは、商品のカテゴリＩＤが、０、１及び２の商品を評価する。本例において、嗜好木に対する商品カテゴリＩＤの各グループは、同一の商品ＩＤで構成される。図９に示すように、一つの関連商品群に対して複数の典型嗜好木が定義されている。

木構造１００４は、嗜好木の分岐条件に関する情報を記述する。嗜好木の各ノードは葉ノードを除き二分岐するとして、最大の分岐数をあらかじめ決められている。購買嗜好モデル分析プログラム１３３は、根ノードに近い分岐条件から順に、かつ、同じ深さであれば左から順に分岐条件の番号を付与する。例えば、嗜好木の深さが３の場合、最大の分岐数は７である。したがって、購買嗜好モデル分析プログラム１３３は、分岐条件１から分岐条件７まで各分岐条件に番号を付与する。

項目１００６、１００７は分岐条件を示す。項目１００６は分岐条件０１に関する情報を示し、項目１００７は分岐条件０２に関する情報を示す。実際には全ての分岐条件番号が含まれる。

項目１００８、１００９、１０１０は、分岐条件０１（１００６）に関する詳細な情報を示す。項目１００８は特性、項目１００９は符号、項目１０１０はレベル値を示す。本例において、嗜好木ＩＤ０２（１０１３）の分岐条件０１（１００６）は、魚という商品特性の値が１か否かである。

典型嗜好木ベクトルテーブル１１５は、同様に、分岐条件０２（１００７）に関しても同様の項目を記述する。項目１０１１は分岐条件０２（１００１）の商品特性を示す。ある分岐条件番号の分岐が実際の嗜好木には存在しない場合、その分岐条件番号に関する項目は空欄である。嗜好木ＩＤ０２（１０１３）の分岐条件０２（１００７）の項目が空欄であり、嗜好木ＩＤ０２には分岐条件０２が存在しないことを示している。すなわち、嗜好木ＩＤ０２の嗜好木では、分岐条件０１「ｆｉｓｈ＝１」がｔｒｕｅの場合、それ以上の分岐は存在しない。

重みベクトル１０１２は、嗜好木の葉ノードに含まれる商品評価関数のパラメータ情報を示す。各葉ノードの重みベクトルは、各葉ノードにおける商品特性に対する重み係数を要素として含むベクトルである。

購買嗜好モデル分析プログラム１３３は、葉ノード番号を、嗜好木ごとに決める。例えば、葉ノードに左から順に番号を与える。項目１０１２は葉ノード番号０１を示す。実際には葉ノード数分だけ、葉ノード番号に関する項目が並ぶ。自身の嗜好木を持っていない葉ノード番号の項目は空欄とする。

図１０は、購買者分布データ１１４の例を示す。購買者分布データ１１４は、購買嗜好モデル分析プログラム１３３の最終出力データであり、典型嗜好タイプ毎の商品購買個数の分布を示す。

項目１１０１は予測期間、項目１１０２は店舗ＩＤを示す。項目１１０３は商品のカテゴリＩＤ、項目１１０４は典型嗜好タイプに関する項目である。項目１１０５、１１０６、１１０７、１１０８は、それぞれの嗜好タイプでの購買量に関する項目である。項目１１０５は嗜好タイプ０１、項目１１０６は嗜好タイプ０２、項目１１０７は嗜好タイプ０３、項目１１０８は嗜好タイプ０３であり、各嗜好タイプの購買者が、指定された予測期間においてカテゴリＩＤに含まれる商品群の商品を購入する個数を示す。

例えば、嗜好タイプ０１の購買者は、予測期間「日曜日午前」内に、店舗ＩＤ０１の店舗において、商品カテゴリＩＤが０、１又は２に属する任意の商品を、３０．２個購入する。

以下では、購買嗜好モデル分析プログラム１３３の処理の詳細を述べる。図１１は、図３における個人の嗜好モデルの抽出ステップ４０２の詳細フローの一例を示す。個人嗜好モデル抽出プログラム１０５が、図１１のフローチャートに従って動作する。

個人嗜好モデル抽出プログラム１０５は、個人毎に嗜好を決定木でモデル化して個人嗜好木を生成し、嗜好木ベクトルテーブル１０６に格納する。個人嗜好モデル抽出プログラム１０５は、個人嗜好木を、個人が購買した商品と購買しなかったが陳列されていた競合商品に関する商品特性ベクトルから生成する。

本例において、嗜好木は、互いに競合する商品群の嗜好度合いを評価するために構築される。競合度が低いものを一つの嗜好木で比較されない。例えば、洋服と食品が互いの競合が低い商品群（商品カテゴリ）と見なされる場合、個人嗜好モデル抽出プログラム１０５は、洋服に関する嗜好木と食品に関する嗜好木とを、それぞれの購買データを用いて別々に構築する。

同一の嗜好木で評価する商品群（本開示において関連商品群とも呼ぶ）の全商品の特性は、同一項目で構成され、特性ベクトルは、同一項目の要素で構成される。例えば、洋服が一つの関連商品群である、全ての洋服について、サイズ、生地の種類といった統一的な商品特性の項目が定義される。

一つの関連商品群を構成する商品カテゴリは、管理者によって指定される。管理者は、下着類、上着など、洋服よりも狭い競合商品群を関連商品群として指定し、各関連商品群に対して、購買嗜好モデル分析プログラム１３３によって嗜好木を構築してもよい。例えば、管理者は、商品特性の項目が同一の全商品カテゴリに対して一つの嗜好木を構築してもよいし、同じ陳列棚に陳列されやすい商品群で一つの関連商品群を定義してもよい。

図１１は、図３のフローチャートのステップ４０２において、一つの関連商品群について嗜好木を生成するためのフローチャートを示す。複数の異なる関連商品群が存在する場合、個人嗜好モデル抽出プログラム１０５は、図１１の処理を、それぞれの関連商品群について行う。

個人嗜好モデル抽出プログラム１０５は、個人の嗜好モデルの抽出４０２で用いるデータを、データベースから取得する（１２０１）。具体的には、個人ＩＤ付ＰＯＳデータ１０３、全店舗在庫管理データ１０４、商品マスタデータ１１３を取得する。

個人嗜好モデル抽出プログラム１０５は、分析対象の顧客ＩＤをテーブル化し、人数Ｎを算出する（１２０２）。分析対象の顧客ＩＤは、個人ＩＤ付ＰＯＳデータ１０３の顧客ＩＤから選択される。個人嗜好モデル抽出プログラム１０５は、全顧客ＩＤを選択してもよいし、例えば利用回数が３０回以上などの制約条件を設けて条件にあう顧客のＩＤのみを選択してもよい。

ステップ１２０３、１２０８、１２０９は、ループのためのステップであり、ステップ１２０４からステップ１２０７までを顧客ＩＤごとに繰り返すことを意味する。ステップ１２０３はループの初期値を設定し、顧客テーブルの最初の顧客を意味する。ステップ１２０８は、次の顧客ＩＤを設定する。ステップ１２０９はループの終了条件を判定する。テーブル化された顧客ＩＤ全員に関するループが終われば、ループの繰り返しを終了する。

ステップ１２０４、１２０５は、ループ内で行う分析に用いるデータを選択する。まず、ステップ１２０４において、個人嗜好モデル抽出プログラム１０５は、顧客ｎの購買履歴を取得する。個人嗜好モデル抽出プログラム１０５は、顧客テーブルのｎ番目の顧客ＩＤに関する購買履歴を、ステップ１２０１で取得した個人ＩＤ付ＰＯＳデータ１０３から選択する。

ステップ１２０５において、個人嗜好モデル抽出プログラム１０５は、顧客ｎの購買時の商品情報と商品特性ベクトルを取得する。個人嗜好モデル抽出プログラム１０５は、ステップ１２０４で選択した各購買について、全店舗在庫管理データ１０４から、購買されなかったが、購買された商品と競合する商品ＩＤを選択する。例えば、購買と同じ日時に購買した店舗に在庫が存在する商品ＩＤを選択する。

例えば、陳列する棚が同じ場所の商品群を競合商品群（関連商品群）とする場合、全店舗在庫管理データ１０４は陳列棚ＩＤの情報を保持し、個人嗜好モデル抽出プログラム１０５は、それに基づいて各商品が競合商品の範囲に含まれるか否か判定してもよい。個人嗜好モデル抽出プログラム１０５は、このようにして各購買における購買された商品と購買されなかった商品の商品ＩＤのテーブルを作成する。

さらに、個人嗜好モデル抽出プログラム１０５は、商品ＩＤのテーブルの商品ＩＤについて、商品マスタデータ１１３から商品特性ベクトルを取得する。各商品ＩＤの商品特性ベクトルの項目は、予め決められている。

次に、ステップ１２０６、１２０７おいて、個人嗜好モデル抽出プログラム１０５は、各購買における、対象競合商品群の各商品の商品特性ベクトルと購買されたか否かの情報とを学習データセットとして、個人毎の嗜好モデルを学習する。

ステップ１２０６において、個人嗜好モデル抽出プログラム１０５は、顧客ｎの嗜好木の分岐条件を選択する。すなわち、図８の分岐条件９０４や分岐条件９０５の特性、符号、レベルを決定する。例えば、分岐条件候補の例としては、「価格＜５００円」、「カロリ＞１０００ｋｃａｌ」「塩分≦５ｇ」などがある。また、魚のありを１、なしを0として、「魚＝１」を分岐条件の候補とすることも可能である。分岐条件の選択方法の一例は、特性、符号、レベルの組み合わせからなる複数の分岐条件候補を決定し、全ての分岐条件候補の中から最も購買結果の分離性の高い候補から順に採用する。分離性が高い条件とは、学習データセットに含まれる商品特性ベクトルをその条件候補の条件を満たすか満たさないかで分けた際に、購買されたか否かの結果も分離する条件である。

分離性の評価方法の一例は、学習データに含まれる全ての商品を、ある条件候補を満たす商品群と満たさない商品群に分け、各群において購買された商品の割合を算出する。次に、条件を満たす群と満たさない群間で、購買された商品の割合を比較し、その差が大きいものが分離性が高いと評価する。割合の比較は、情報エントロピやカルバック・ライブラ情報量を用いることができる。

他の分離性評価方法の例では、ある１回の購買を、複数の商品のうちから一つの商品を選択（購買）する選択問題ととらえ、あるある選択において各条件を含む商品が選択される選択確率を算出する。この選択確率の全選択での平均値についても、情報エントロピやカルバック・ライブラ情報量を利用して分離性を評価することができる。必要に応じて、選択確率を各条件の出現率で正規化してもよい。

次に、ステップ１２０７において、個人嗜好モデル抽出プログラム１０５は、嗜好木の各葉ノードの商品特性の重みマトリクスを算出する。例えば、複数選択肢の商品の中から最も嗜好得点の高い商品が選択されるとして、個人嗜好モデル抽出プログラム１０５は、ロジットモデルを用いて条件付き選択確率の式を作成し、過去の購買履歴データから、選択された商品に関する条件付き選択確率を最大化するように重みマトリクスを推定する。プロビットモデルを用いてもよい。

ステップ１２０６、１２０７に関して、例えば、個人嗜好モデル抽出プログラム１０５は、ステップ１２０６における分岐条件の決定を全分岐条件候補の組み合わせ探索から求めてもよい。この場合、最適な組み合わせの条件を選択するために、個人嗜好モデル抽出プログラム１０５は、それぞれの分岐条件の組み合わせについて交差検定を行い、最も精度の高いものを最適な組み合わせとして選択してもよい。

全ての顧客の嗜好木を生成した後、個人嗜好モデル抽出プログラム１０５は、嗜好木ベクトルテーブル１０６を生成し、個人毎の嗜好木のパラメータ情報を記述する（１２１０）。

このように、本実施形態は、購買履歴と商品特性から嗜好モデルを決定することができる。嗜好モデル決定のためのアンケートが不用であり、商品特性の数が多く、複数の特性の組み合わせが嗜好に与える影響を加味した正確な嗜好モデルを、適切かつ容易に生成できる。

図１１の例において、個人嗜好モデル抽出プログラム１０５は、一人につき一つの嗜好木を構築する。予測時のロバスト性の向上などのために、個人嗜好モデル抽出プログラム１０５は、一人に対して複数の嗜好木を構築してもよい。例えば、個人嗜好モデル抽出プログラム１０５は、ステップ１２０６における分岐条件選択において、ランダムフォレストなどの手法を用いて、異なる分岐条件の木を作成し、それぞれの木についてステップ１２０７を行うことで、複数の嗜好木を構築することができる。

図１２は、嗜好木ベクトルテーブル１０６の例を示す。嗜好木ベクトルテーブル１０６は、個人嗜好木のパラメータ情報を記述している。嗜好木ベクトルテーブル１０６は、図９に示す典型嗜好木ベクトルテーブル１１５の構成に、顧客ＩＤ１３０１の項目を加えたテーブル構成を有する。また、嗜好木ベクトルテーブル１０６において、嗜好木ＩＤ１００２は、個人嗜好木のＩＤを示す。本例においては、上述のように、嗜好木ベクトルテーブル１０６の全てのレコードのカテゴリＩＤ１００３の値は同一であり、一つの競合商品群を示す。

図１３は、図３における嗜好木クラスタリングステップ４０３のフローチャートの一例を示す。嗜好木クラスタリングプログラム１０７は、図１３のフローチャートに従って動作する。図１３のフローチャートは、ある一つの競合商品群（同一の商品カテゴリ群）を評価する嗜好木クラスタリングのフローを示す。複数の競合商品群が存在する場合は、嗜好木クラスタリングプログラム１０７は、各競合商品群について、嗜好木クラスタリングを行う。

まず、嗜好木クラスタリングプログラム１０７は、本フローの処理に使用するデータを取得する（１４０１、１４０２）。ステップ１４０１において、嗜好木クラスタリングプログラム１０７は、商品マスタデータ１１３から、商品の特性ベクトルを取得する。特性ベクトルを取得する商品は管理者が設定してもよいし、商品マスタデータ１１３における全てのデータでもよい。

ステップ１４０２において、嗜好木クラスタリングプログラム１０７は、嗜好木ベクトルテーブル１０６から、対象競合商品群に対応する全ての個人嗜好木を取得する。同一購買者の購買履歴から、例えばランダムフォレスト法を使い、複数の個人嗜好木を構築した場合、その全ての嗜好木を取得する。対象競合商品群に対応する一部の個人嗜好木のみを取得してもよい。

ステップ１４０３において、嗜好木クラスタリングプログラム１０７は、各個人嗜好木について、商品嗜好得点ベクトルを算出する。一つの個人嗜好木についての商品嗜好得点ベクトルの算出方法は、取得した商品の特性ベクトルのそれぞれを、当該個人嗜好木の商品評価関数に代入して嗜好得点を算出し、各嗜好得点を要素とする嗜好得点ベクトルを生成する。

ステップ１４０４において、嗜好木クラスタリングプログラム１０７は、嗜好得点ベクトルを階層クラスタリングする。例えば、嗜好木クラスタリングプログラム１０７は、嗜好得点ベクトルのユークリッド距離を算出し、重心法によりコーフェン行列を算出する。コーフェン行列は、階層クラスタリングの結果を示す。

嗜好木クラスタリングプログラム１０７は、異なる階層クラスタリング手法を用いてコーフェン行列を算出してもよい。例えば、距離の代わりにピアソン相関係数を用いてもよいし、重心法でなくウォード法を用いてもよい。なお、クラスタの生成は、同一クラスタの最大距離や、クラスタ数として、予め決められた値を使用することができる。

ステップ１４０５において、嗜好木クラスタリングプログラム１０７は、個人毎のクラスタ寄与率ベクトルを算出する。クラスタ寄与率ベクトルは、個人が所属するクラスタを記述するベクトルである。クラスタ寄与率ベクトルの各要素は、当該個人の各クラスタに対する寄与率を示す。

例えば、個人が１つの個人嗜好木だけを持つ場合、クラスタ寄与率ベクトルの各要素は、１又は０である。当該個人嗜好木が属するクラスタの要素は１であり、他のクラスタの要素は０である。複数の木が存在する場合、クラスタ番号ａに対する個人ｎの寄与率は、例えば、下記の式１で算出できる。
ｎの嗜好木のうちクラスタａに所属する嗜好木の数
／ｎの全ての嗜好木の数 （式１）

嗜好木クラスタリングプログラム１０７は、他の方法でクラスタリングを行ってもよい。例えば、ｋ−ｍｅａｎｓのような非階層的クラスタ分析をしてもよい。クラスタリングに用いるベクトルは、嗜好得点ベクトルではなく、重みベクトルの平均値など、嗜好木構造に関する指標であってもよい。

最後に、ステップ１４０６において、嗜好木クラスタリングプログラム１０７は、これまでに算出した値を使用して、距離マトリクステーブル１０８、グループテーブル１０９、クラスタ寄与率ベクトルテーブル１１０を作成する。

図１４は、距離マトリクステーブル１０８の例を示す。行の項目及び列の項目は、共に、嗜好木ＩＤ１５０１である。嗜好木ＩＤ１５０１は、個人嗜好木の嗜好木ＩＤを示す。列１５０２、１５０３は、それぞれ、嗜好木ＩＤ０１、嗜好木ＩＤ０２の列であり、行１５０４、１５０５、１５０６は、それぞれ嗜好木ＩＤ０１、嗜好木ＩＤ０２、嗜好木ＩＤ０３の行である。

各セルは、行の嗜好木ＩＤと列の嗜好木ＩＤ間の距離を表している。例えば、セル１５０７は、嗜好木ＩＤ０１（１５０２）と嗜好木ＩＤ０３（１５０６）間の距離を示す。図１４の例では、距離マトリクスは対称行列であるため、距離マトリクステーブル１０８は、行列の下三角部分だけを記述している。

図１５はグループテーブル１０９の例を示す。グループテーブル１０９は、個人嗜好木と典型嗜好木との間の関係を示し、各個人嗜好木が属する典型嗜好木を示す。項目１６０１は個人嗜好木ＩＤであり、項目１６０２は典型嗜好木ＩＤである。

図１６はクラスタ寄与率ベクトルテーブル１１０の例であり、個人毎のクラスタ寄与率ベクトルが記述されている。項目１７０１はモデル更新日、項目１７０２は顧客ＩＤ、項目１７０３は典型嗜好タイプの嗜好木ＩＤ、つまり、典型嗜好木ＩＤを示す。

項目１７０４、１７０５、１７０６、１７０７は、各嗜好タイプ、つまり、各クラスタへの寄与率の項目である。各クラスタに対して一つの典型嗜好木が定義される。各嗜好タイプは、対応する典型嗜好木ＩＤで識別される。項目１７０４は典型嗜好タイプ０１、項目１７０５は典型嗜好タイプ０２、項目１７０６は典型嗜好タイプ０３、項目１７０７は典型嗜好タイプ０４である。嗜好タイプの項目数は、図１３の処理で生成したクラスタの数と一致する。

図１７は、図３における典型嗜好モデル抽出ステップ４０４のフローチャートの一例を示す。典型嗜好モデル抽出プログラム１１１は、当該フローチャートに従って動作する。典型嗜好モデル抽出プログラム１１１は、嗜好木クラスタリングステップ４０３で生成した各クラスタを代表する嗜好木モデルのパラメータを算出する。

図１７の例では、典型嗜好モデル抽出プログラム１１１は、各クラスタ内の個人嗜好木の距離を比較し、クラスタの中心にもっとも近い個人嗜好木を、そのクラスタを代表する典型嗜好木として抽出する。以下、図１７のフローチャートの詳細を説明する。

ステップ１８０１において、典型嗜好モデル抽出プログラム１１１は、典型嗜好モデル抽出のための分析で用いるデータを取得する。具体的には、距離マトリクステーブル１０８及びグループテーブル１０９を取得する。

ステップ１８０２において、典型嗜好モデル抽出プログラム１１１は、取得したグループテーブル１０９において、最大となる典型嗜好木ＩＤ（典型嗜好タイプ番号）を探索し、典型嗜好タイプの数を算出する。ステップ１８０３、１８０９、１８１０はループのためのステップであり、ステップ１８０４から１８０８までを嗜好タイプ毎に繰り返すことを意味する。

ステップ１８０３において、典型嗜好モデル抽出プログラム１１１は、ループの初期値を設定しており、嗜好タイプ０１を意味する。ステップ１８０９において、典型嗜好モデル抽出プログラム１１１は、次の典型嗜好タイプを設定する。ステップ１８１０において、典型嗜好モデル抽出プログラム１１１は、ループの終了条件を判定し、全ての典型嗜好タイプに関する処理が終われば、ループの繰り返しを終了する。

ステップ１８０４から１８０８において、典型嗜好モデル抽出プログラム１１１は、嗜好タイプａの典型嗜好木を選択する。ステップ１８０４において、典型嗜好モデル抽出プログラム１１１は、嗜好タイプａの嗜好木間の距離マトリクスを取得する。ステップ１８０４において、典型嗜好モデル抽出プログラム１１１は、グループテーブル１０９から嗜好タイプａに属する個人嗜好木ＩＤを選択し、それら個人嗜好木ＩＤ間の距離データを距離マトリクステーブル１０８から取得し、嗜好タイプａ内の距離マトリクスを生成する。

ステップ１８０５において、典型嗜好モデル抽出プログラム１１１は、嗜好タイプａ内の距離マトリクスを、計量ＭＤＳ法を用い、例えば２次元の座標値に変換する。座標値の次元数は任意に決めてよいし、次元数をおとさずに図１３の処理ステップ１４０３で算出した嗜好得点ベクトルをそのまま座標値として用いてもよい。

ステップ１８０６において、典型嗜好モデル抽出プログラム１１１は、嗜好タイプａの重心座標を算出し、クラスタ内の中心を求める。重心は、例えば、クラスタ内の全座標ベクトルの平均値である。

ステップ１８０７において、典型嗜好モデル抽出プログラム１１１は、各個人嗜好木の座標と重心座標の距離を算出する。典型嗜好モデル抽出プログラム１１１は、クラスタの中心にもっとも近い個人嗜好木ＩＤを探索する。ステップ１８０８において、典型嗜好モデル抽出プログラム１１１は、重心座標との距離が最も短い個人嗜好木を、嗜好タイプａの典型嗜好木として選択する。

ステップ１８１１において、典型嗜好モデル抽出プログラム１１１は、典型嗜好木ベクトルテーブル１１５を生成する。典型嗜好モデル抽出プログラム１１１は、ステップ１８０４から１８０８を全ての嗜好タイプについて繰り返した後に、各嗜好タイプの典型嗜好木のパラメータ情報を記述した典型嗜好木ベクトルテーブル１１５を生成する。生成された典型嗜好木ベクトルテーブル１１５の例は、図９を参照して説明した。

典型嗜好モデル抽出方法は、上記方法以外に、クラスタ内の個人嗜好木について、各購買時の商品購買確率の平均値を算出し、それに沿うように嗜好木モデルを再構築してもよい。

図１８は、図３における購買者分布算出ステップ４０６のフローチャートの一例を示す。購買者分布算出プログラム１１２は、当該フローチャートに従って動作する。購買者分布算出プログラム１１２は、各店舗、各予測期間について、それぞれの典型嗜好タイプにおける商品購買数の予測分布を算出する。

図１８は、ある一つの関連商品群（競合商品群）に関する商品購買数の予測分布を算出するフローチャートを示す。複数の関連商品群が存在する場合、購買者分布算出プログラム１１２は、それぞれの競合商品群について、同様の処理を行う。

図１８において、ステップ１９０１、１９０９、１９１０は、店舗に関するループを示すステップである。ステップ１９０２、１９０７、１９０８は、予測期間に関するループを示す。これら二つのループは入れ子構造を有する。購買者分布算出プログラム１１２は、ステップ１９０３から１９０６で、各店舗、各予測期間についての購買者分布を算出する。

ステップ１９０１において、購買者分布算出プログラム１１２は、店舗に関するループ処理の初期値を設定する。ステップ１９０９において、購買者分布算出プログラム１１２は、次の店舗ＩＤを設定する。ステップ１９１０において、購買者分布算出プログラム１１２は、店舗に関するループの終了条件を判定する。全ての店舗に関する処理が終われば、このループの繰り返しを終了する。

ステップ１９０２において、購買者分布算出プログラム１１２は、予測期間に関するループの初期値を設定する。ステップ１９０７において、購買者分布算出プログラム１１２は、次の予測期間を設定する。ステップ１９０８において、購買者分布算出プログラム１１２は、予測期間に関するループの終了条件を判定する。全ての店舗に関する処理が終われば、このループの繰り返しを終了する。

ステップ１９０３から１９０６において、購買者分布算出プログラム１１２は、舗ＩＤがｓ、予測期間がｔの場合の典型嗜好タイプ毎の購買者分布ベクトルを生成する。ステップ１９０３において、購買者分布算出プログラム１１２は、予測期間テーブル１３７からｔ番目の予測期間を取得する。

ステップ１９０４において、購買者分布算出プログラム１１２は、個人ＩＤ付ＰＯＳデータ１０３から、店舗ｓにおける予測期間と合致する日付の購買データを取得する。予測期間が、例えば日曜日の８：００−１２：００の場合、購買者分布算出プログラム１１２は、店舗ｓの購買データから、日曜日の８：００−１２：００の間に購買された関連商品群に関するデータだけを選択する。

ステップ１９０５において、購買者分布算出プログラム１１２は、選択した購買データの全顧客ＩＤについてクラスタ寄与率ベクトルを取得する。ステップ１９０６において、購買者分布算出プログラム１１２は、購買データにおける全商品のクラスタ寄与率ベクトルを足し合わせ、期間中の商品購買者分布ベクトルを生成する。一つの商品のクラスタ寄与率ベクトルは、当該商品を購入した購買者のクラスタ寄与率ベクトルである。例えば、ある日曜日の８：００−１２：００の購買データを一つのデータセットとして、データセット内の全商品のクラスタ寄与率ベクトルを足し合わせる。

全ての日曜日の８：００−１２：００の期間について同様の処理を行い、それぞれで足し合わせたクラスタ寄与率ベクトルの平均値を算出し、期間中の商品購買者分布ベクトルとするなどの方法が考えられる。ステップ１９０３から１９０６は、全ての予測期間、全ての店舗について繰り返される。

ステップ１９１１において、購買者分布算出プログラム１１２は、上記の分析結果から、購買者分布データ１１４を生成する。この処理で生成される購買者分布データ１１４の例は、図１０を参照して説明した。

図１９は、店舗内サーバ１０２における店舗売上分析プログラム１３２のフローチャートを示す。ステップ２００１において、店舗売上分析プログラム１３２は、発注者からの入力条件１１６を取得する。ステップ２００２において、店舗売上分析プログラム１３２は、中央管理サーバ１０１から、典型嗜好木ベクトルテーブル１１５を取得する。

ステップ２００３において、店舗売上分析プログラム１３２は、中央管理サーバ１０１の商品マスタデータ１１３及び購買者分布データ１１４から、必要なデータを取得する。つまり、店舗売上分析プログラム１３２は、発注者から取得した入力条件１１６を踏まえ、予測対象の商品群に関する商品マスタデータと、対象となる予測期間と商品群に関する購買者分布データとを取得する。

ステップ２００４において、店舗売上分析プログラム１３２は、予測条件を設定する。店舗売上分析プログラム１３２は、取得した発注者からの入力条件１１６、商品マスタデータ、購買者分布データから、販売数予測、発注量推定などに用いるデータテーブルを生成する。ステップ２００４の詳細は、図２１を参照して後述する。

ステップ２００５において、店舗売上分析プログラム１３２は、商品販売数／売上を予測する。ステップ２００５の詳細は、図２７を参照して後述する。ステップ２００６において、店舗売上分析プログラム１３２は、発注量及び利益を算出する。ステップ２００６の詳細は、図３３を参照して後述する。

ステップ２００７において、店舗売上分析プログラム１３２は、嗜好傾向を分析する。店舗売上分析プログラム１３２は、対象となる予測期間と商品群に関する来店者の嗜好タイプの特徴を分析する。ステップ２００７の詳細は、図３８を参照して後述する。

ステップ２００８において、店舗売上分析プログラム１３２は、予測結果１１７を表示する。ステップ２００５、２００６、２００７のそれぞれについて、予測結果１１７が画像に表示される。

ステップ２００９において、店舗売上分析プログラム１３２は、条件変更入力を受け付ける。店舗売上分析プログラム１３２は、予測結果表示画像に対する入力を受け付けて、ステップ２００３に戻る。

それぞれの予測結果の表示画像は、発注者からの条件変更入力を受け付けるための受付セクションを含む。結果表示画像上の条件変更の例は後述する。ステップ２００９からステップ２００３に戻ると、店舗売上分析プログラム１３２は、変更された入力条件に応じて、中央管理サーバ１０１から商品マスタデータ、購買者分布データを再取得する。

以下では図１９のフローチャートにおける各ステップの詳細を述べる。図２０は、ステップ２００１における、発注者からの入力条件取得画像の一例を示す。発注者からの入力条件１１６は、仕入れ候補の商品群、すなわち予測対象となる商品群、各商品の商品特性の条件のうち発注者が変更可能な特性（例えば価格など）の基準値、最小発注単位など発注の際の制約条件、などを含む。この他に、予測対象となる期間や、嗜好タイプ分析を行うが販売数予測を行わないといった、分析内容の制約条件の入力も受け付ける。

入力受付セクション２１０１は、予測期間に関する入力のための、予測期間候補テーブル２１０２を示す。入力受付セクション２１０３は、仕入れ候補の商品群に関する条件を受け付ける。条件入力受付セクション２１０３は、候補商品の選択方法を選択するためのチェックボックス２１０５、２１０６を含む。

チェックボックス２１０５は、商品特性から選ぶためのチェックボックスであり、発注者は、これを選択すると、例えば、価格帯や産地、材料などから仕入れ候補の商品を選択できる。

チェックボックス２１０６は、商品カテゴリから選ぶためのチェックボックスである。チェックボックス２１３３、２１３４、２１３５は、選択可能な商品カテゴリを示す。チェックボックス２１０６が選択されている場合、チェックボックス２１３３、２１３４、２１３５が表示される。チェックボックス２１３３、２１３４、２１３５は、それぞれ、お弁当、惣菜、冷凍食品を示す。テーブル２１０７は、選択候補を示す。

商品選択条件に関する入力受付チェックボックス２１０５、２１０６、２１３３、２１３４、２１３５の入力に対して、条件に沿う商品の商品名が、テーブル２１０７において示される。商品選択条件に関する入力受付セクションは、この他に、例えば、発注履歴からの選択を受け付けてもよい。

ボタン２１１５は、候補商品の選択実行ボタンである。表示セクション２１０８は、選択済み商品を表示する。入力受付セクション２１０９は、表示されている商品選択を変更するための入力を受け付ける。

入力受付セクション２１１０は、テーブル２１０７に表示される選択候補商品の商品特性や発注量の制約条件に関する入力を受け付ける。表示セクション２１１１は変更を受け付ける商品特性名を表示し、図２１の例では、価格を表示している。スクロールバー２１１２は、価格変更用のスクロールバーである。

表示セクション２１１３は、発注量の制約条件に関する情報を表示し、図２１の例では、最小発注単位を表示している。入力受付セクション２１１４は、最小発注単位の個数の入力を受け付ける。発注者は、商品特性の変更に関して、例えば、お弁当を製造する加工工場を選択し、お弁当内の付け合わせのおかずを変更することができる。発注の際のその他の制約条件として、例えば、最大発注量の制限がある。これらに関する入力受付セクションを付け加えてもよい。

入力条件取得画像は、価格や製造元に関する過去の設定値、変更を受け付けない商品特性の基準値やマグロ丼の過去の販売数、発注数などを、発注者が商品選択をする際の参考情報として表示してもよい。

入力受付セクション２１１６は、分析対象に関する条件の入力を受け付ける。この入力に応じて、図１９の店舗売上分析における、商品販売数／売上予測ステップ２００５（図２７）、発注量／利益算出ステップ２００６（図３３）、嗜好傾向分析ステップ２００７（図３８）の分析条件や表示条件が決定される。

条件設定セクション２１１７は、嗜好傾向分析ステップ２００７（図３８）に関する条件設定を受け付ける。チェックボックス２１１８、２１１９、２１２０は、特に詳細に分析する商品特性を選択するためのチェックボックスである。具体的には、チェックボックス２１１８は魚、チェックボックス２１１９は肉、チェックボックス２１２０は野菜を選択するためのチェックボックスである。この他、価格、内容量などの商品特性を加えてもよい。

チェックボックス２１２１は、嗜好タイプ分析をするかしないかを選択するためのチェックボックスである。分析をしない場合、嗜好傾向分析ステップ２００７は省略してもよい。

条件設定セクション２１２２は、商品販売数／売上予測ステップ２００５に関する条件設定を受け付ける。チェックボックス２１２３、２１２４は、予測するか否かを選択可能な指標の例であり、２１２３は売上、２１２４は廃棄量である。チェックボックス２１２５は、販売数予測をするかしないかを選択するためのチェックボックスである。

条件設定セクション２１２６は、発注量／利益算出ステップ２００６に関する条件を設定するためのセクションである。チェックボックス２１２７、２１２８、２１２９、２１３０は、分析するか選択可能な指標を示す。チェックボックス２１２７は発注量、チェックボックス２１２８は設定価格、チェックボックス２１２９は商品ラインナップ、チェックボックス２１３０は新商品の各指標の選択を可能とする。

チェックボックス２１３１は、発注量／利益算出（ステップ２００６）を行うか否かを選択するためのチェックボックスである。チェックボックス２１３１が選択されている場合、発注量／利益算出ステップ２００６は行わなくてもよい。２１３１と２１２５がどちらも選択されている場合、商品販売数／売上予測ステップ２００５は行わなくてもよい。

ボタン２１３２は予測実行ボタンであり、ボタン２１３２が押されると、図１９のステップ２００１で、システムは画像上に表示された入力条件を取得する。

図２１は、図１９における予測条件設定ステップ２００４のフローチャートの一例を示す。店舗内サーバ１０２の予測条件設定プログラム１１８は、当該フローチャートに従って動作する。

予測条件設定プログラム１１８は、発注者の入力条件から予測対象の商品群と予測期間、商品特性に関する制約条件、その他分析条件に関する制約条件を選択し、中央管理サーバ１０１の商品マスタデータ１１３と購買者分布データ１１４から発注者の入力条件に応じたデータを取得する。予測条件設定プログラム１１８は、これらを入力として、商品特性ベクトルテーブル１１９、利用者分布ベクトルテーブル１２０、発注分析条件テーブル１２１、嗜好分析条件テーブル１２２を生成する。

ステップ２２０１から２２０４は、商品特性ベクトルテーブル１１９を生成する。ステップ２２０１において、予測条件設定プログラム１１８は、入力条件１１６から予測対象の商品群を取得する。予測条件設定プログラム１１８は、図２０のセクション２１０８に表示する商品名を商品ＩＤと関連付け、商品ＩＤテーブルを生成する。

ステップ２２０２において、予測条件設定プログラム１１８は、ステップ２２０１で生成した商品ＩＤテーブルの各商品について、商品マスタデータ１１３から、商品特性ベクトルを含む商品データを取得する。

ステップ２２０３において、予測条件設定プログラム１１８は、入力条件に応じて商品の特性値を変更する。すなわち、予測条件設定プログラム１１８は、取得した商品特性ベクトルのうち、発注者からの入力条件において変更された特性を、入力条件通りの値に変更する。図２０の例において、発注者は、セクション２１１１において価格を変更可能である。

ステップ２２０４において、予測条件設定プログラム１１８は、対象商品の商品データを格納する商品特性ベクトルテーブル１１９を生成する。ステップ２２０３で、特性データが変更されている場合、変更された特性データが格納される。一つの商品特性ベクトルテーブル１１９は、一つの商品ラインナップ（同時販売予定の競合商品群）に対応する。つまり、図２０の例において、一つの商品特性ベクトルテーブル１１９は、セクション２１０８の全商品の商品データで構成される。

予測条件設定プログラム１１８は、複数の商品ラインナップにおいて最適な商品ラインナップを推薦する場合、それぞれの商品ラインナップに一つずつ商品特性ベクトルテーブル１１９を生成する。

ステップ２２０５から２２０７は、分析に関する条件テーブル１２１、１２２を生成する。ステップ２２０５において、予測条件設定プログラム１１８は、入力条件１１６から分析に関する制約条件を選択する。

ステップ２２０６において、予測条件設定プログラム１１８は、発注分析条件テーブル１２１を生成する。発注分析条件テーブル１２１の詳細は、図２３を参照して後述する。ステップ２２０７において、予測条件設定プログラム１１８は、嗜好分析条件テーブル１２２を生成する。嗜好分析条件テーブル１２２の詳細は、図２４を参照して後述する。

ステップ２００８から２２１０は、利用者分布ベクトルテーブル１２０を生成する。ステップ２２０８において、予測条件設定プログラム１１８は、入力条件１１６から予測期間、競合商品範囲の条件を取得する。競合商品範囲は、例えば、対象商品の商品カテゴリＩＤと一致する。対象の商品カテゴリは一つとは限らない。

ステップ２２０９において、予測条件設定プログラム１１８は、購買者分布データ１１４から利用者分布ベクトルを取得する。利用者分布データは、購買者分布データ１１４において、予測期間及び商品カテゴリが対象の予測期間及び商品カテゴリと一致するデータである。ステップ２２１０において、予測条件設定プログラム１１８は、利用者分布ベクトルテーブル１２０を生成する。

以下では、予測条件設定ステップ２００４において生成されるデータ、つまり、商品特性ベクトルテーブル１１９、利用者分布ベクトルテーブル１２０、発注分析条件テーブル１２１、嗜好分析条件テーブル１２２の例を説明する。

図２２は、商品特性ベクトルテーブル１１９の例を示す。商品特性ベクトルテーブル１１９の項目は、図６の商品マスタデータ１１３と同じである。各行の商品は、予測対象の商品である。図２２の例において、レコード２３０１が唐揚弁当、レコード２３０２がマグロ丼、レコード２３０３がうどんを示す。これらは、以降の分析の対象となる商品群である。商品特性の項目の値は、入力条件により変更されている場合がある。商品マスタデータ１１３における同じ商品ＩＤに関する情報とは一致しないこともある。

図２２の商品特性ベクトルテーブル１１９の例は、一つ商品ラインナップのためのテーブル構成を有する。複数の商品ラインナップにおいて最適な商品ラインナップを推薦する場合、予測条件設定プログラム１１８は、候補となる商品ラインナップごとに、商品特性ベクトルテーブル１１９を生成する。

図２３は発注分析条件テーブル１２１の例を示す。図２０の例において、セクション２１１３で入力される条件が発注分析条件テーブル１２１に反映される。項目２４０１は入荷個数制限に関する条件を示す。項目２４０２は、制限がある商品種類の数を示す。項目２４０３は、制限のある一つ目の商品に関する項目である。項目２４０５は、商品ＩＤ、項目２４０６は注文数の最小単位、項目２４０７は注文数の最小個数である。最小個数は、少なくともこの個数以上は発注したいと発注者が考えている個数を意味する。

項目２４０８は注文数の最大個数で、これ以上は発注したくないと発注者が考えている個数である。項目２３０４は制限のある二つ目の商品に関する同様の項目である。項目２４０９は商品ＩＤ、項目２４１０は最小単位、項目２４１１は最小個数、項目２４１２は最大個数である。制限のない項目は、空白である。

この他、商品ラインナップの候補を考えるための制限を設けるため、陳列する棚のサイズや一つの棚に陳列したい商品種類といった条件を条件設定画像に追加し、発注者からの入力を発注分析条件テーブル１２１に加えてもよい。

図２４は嗜好分析条件テーブル１２２の例を示す。項目２５０１は対象商品カテゴリであり、項目２５０２は対象商品特性である。項目２５０２の対象商品特性は、詳細に嗜好性を分析する商品特性である。図２０の例において、セクション２１０３において選択された商品の情報と、セクション２１１６における入力情報が、嗜好分析条件テーブル１２２に反映される。

図２５は利用者分布ベクトルテーブル１２０の例を示す。項目は、図１０の購買者分布データ１１４と同一である。項目１１０１は、入力条件と一致する予測期間であり、項目１１０２は分析する店舗の店舗ＩＤ、項目１１０３は入力条件と一致するカテゴリＩＤである。典型嗜好タイプの項目１１０４の値は、購買者分布データ１１４における同一予測期間、同一店舗ＩＤ、同一カテゴリＩＤの同項目の値と一致する。つまり、各レコードは、各嗜好タイプの購買者が、予測期間において、商品カテゴリＩＤに属する商品を購入する数を示す。

図２６は、商品販売数予測のために、嗜好タイプ（典型嗜好木）ごとに、各商品の購買確率を算出する処理を説明する図である。購買確率は、例えば、商品販売数／売上予測ステップ２００５（図２７の詳細フロー参照）において算出される。

図２６の例は、嗜好タイプ０１における各商品の購買確率の算出を示している。嗜好木モデル２７０１は、嗜好タイプ０１の嗜好木モデルである。商品群２７０２は、予測対象となる商品群である。本例では、２種類の商品が示されているが、種類の数は限定されない。特性ベクトル２７０３は、商品マスタデータ１１３から各商品の特性情報を取得して生成する。

予測対象となる商品群の特性ベクトル２７０３は、全て同一の要素から構成されており、特性ベクトル間で異なる種類の要素が存在することはない。プロセス２７０４は、各商品の特性ベクトルｘｉから、各商品の購買確率ｐｉを算出する。プロセス２７０４は、プロセス２７０６、２７０８を含む。

プロセス２７０６は、嗜好タイプ０１にとっての各商品の嗜好度合いを点数評価する。嗜好木モデル２７０１は、商品の商品特性ベクトルｘｉから、入力した商品の嗜好得点νｉを出力する。得点が高いと嗜好タイプ０１がその商品を嗜好しやすいことを意味し、低い場合はその商品を嗜好しにくいことを意味する。

プロセス２７０８は、商品間の嗜好得点νｉを比較し、各商品の購買確率（選択確率）を算出する。得点が高い商品のほうが購買されやすい。プロセス２７０８は、それぞれの商品の購買確率２７０５を算出する。図２６の例では、プロセス２７０８は、ロジットモデルを用いて各商品の購買確率を算出している。異なる誤差項を仮定して、プロビットモデルを用いて購買確率を算出してもよい。

図２７は商品販売数／売上予測ステップ２００５のフローチャートの一例を示す。商品販売数／売上予測プログラム１２３は、当該フローチャートに従って動作する。ステップ２８０１において、商品販売数／売上予測プログラム１２３は、仕入れ候補となる商品群の特性ベクトル、商品カテゴリＩＤ、予測期間を取得する。商品カテゴリＩＤ及び特性ベクトルは、商品特性ベクトルテーブル１１９から取得され、予測期間は発注者の入力データ１１６から取得される。

ステップ２８０２において、商品販売数／売上予測プログラム１２３は、中央管理サーバ１０１から対応する典型嗜好木群を取得し、利用者分布ベクトルテーブル１２０から予測期間の利用者分布ベクトルを取得する。商品販売数／売上予測プログラム１２３は、上記商品カテゴリＩＤに対応する典型嗜好木群を取得する。

ステップ２８０３において、商品販売数／売上予測プログラム１２３は、嗜好タイプにおける各商品の嗜好得点νｉ、購買確率ｐｉを、各商品の特性ベクトル及び取得した典型嗜好木を使用して算出する。嗜好得点、購買確率の算出方法は、図２６を参照して説明した通りである。

ステップ２８０４において、商品販売数／売上予測プログラム１２３は、嗜好評価関数の重み係数に基づき、各嗜好タイプにおける各商品の購買因子を特定する。例えば、商品販売数／売上予測プログラム１２３は、重い係数のみ又は重み係数と商品特性ベクトルにおける特性値との積（商品特性毎の嗜好得点）に基づき、商品特性における購買因子を特定することができる。

例えば、後述する例において、商品販売数／売上予測プログラム１２３は、嗜好タイプの典型嗜好木により商品に対して決まる重みベクトルαｉの要素における正の最大値と負の最小値を、それぞれ、Ｍａｘ購買因子とＭｉｎ購買因子と決定する。商品販売数／売上予測プログラム１２３は、重みベクトルαｉの各重み係数と各商品特性値との積における正の最大値と負の最小値を、それぞれ、Ｍａｘ購買因子とＭｉｎ購買因子と決定してもよい。

ステップ２８０５において、商品販売数／売上予測プログラム１２３は、需要変動因子マトリクス１２５を生成する。需要変動因子マトリクス１２５は、ステップ２０８４で決定された、各商品の各嗜好タイプにおけるＭａｘ購買因子とＭｉｎ購買因子を格納する。需要変動因子マトリクス１２５の詳細は、図２８を参照して後述する。需要変動因子マトリクス１２５は、図３０を参照して後述する、購買促進要因（アピールポイント）、購買抑制要因（ウィークポイント）、商品特性変化と嗜好性変化との間の関係等の表示のために参照される。

ステップ２８０６において、商品販売数／売上予測プログラム１２３は、ステップ２８０３で算出した購買確率と、ステップ２８０２で取得した商品カテゴリＩＤの利用者分布ベクトルに基づき、商品販売数を予測する。商品の予測販売数は、当該商品の各嗜好タイプの購買確率と、利用者分布ベクトルにおける購買数（図２５を参照）と、の積和で表される。

さらに、ステップ２８０７において、商品販売数／売上予測プログラム１２３は、予測販売数を格納する、販売数予測結果テーブル１２４を生成する。ステップ２８０８において、商品販売数／売上予測プログラム１２３は、商品販売数予測結果を表示する。商品販売数の予測方法及び販売数予測結果テーブル１２４の詳細は、図２９を参照して後述する。

図２８は、需要変動因子マトリクス１２５の一例を示す。項目２９０１は商品ＩＤ、項目２９０２は典型嗜好タイプ別の重みベクトル、項目２９０５は典型嗜好タイプ別のＭａｘ購買因子における重み関数、項目２９１０は典型嗜好タイプ別のＭｉｎ購買因子における重み関数、を示す。

項目２９０３、２９０４は、典型嗜好タイプ別の重みベクトルにおける各典型嗜好タイプの番号である。項目２９０３の各セルは、嗜好タイプ０１の同じ行の商品ＩＤに対する商品評価関数の重みベクトルを記述する。項目２９０４の各セルは、嗜好タイプ０２の同じ行の商品ＩＤに対する商品評価関数の重みベクトルを記述する。同様にして、全ての嗜好タイプに関して、商品評価関数の重みベクトルが記述される。

項目２９０６は、典型嗜好タイプ別のＭａｘ購買因子に対する重み関数２９０５、の嗜好タイプ０１に関するデータを示し、因子名２９０７、基準ベクトル２９０８、重み行列２９０９からなる。

因子名２９０７は、嗜好タイプ０１において同一行の商品ＩＤに対する重みベクトルのＭａｘ購買因子の因子名を示す。因子名２９０７は、重みベクトル（商品評価関数）において、最も購買インパクトの大きい（重み係数の正の最大値）特性を意味する。

基準ベクトル２９０８は、因子名２９０７の特性が嗜好タイプ０１の典型嗜好木の分岐条件に含まれる場合に、分岐の閾値となる基準値を小さい順に並べたベクトルである。例えば、典型嗜好木が、価格について二つの分岐を含み、それらの閾値が５００円と１０００円である場合、基準ベクトルは、（５００、１０００）である。

重み行列２９０９は、商品の特性ベクトルにおいて因子名２９０７の値を変化させた場合の重みベクトルの変化を記録するための行列である。具体的には、基準ベクトル２９０８の各閾値の前後で異なる商品評価関数の重みベクトルを順に並べた行列である。例えば、基準ベクトルが（５００、１０００）であるとする。重み行列は、商品価格以外の商品特性が同一であり、商品価格が５００未満、５００以上１０００円未満、１０００円以上である三つの商品特性ベクトルが対応する商品評価関数の重みベクトルで構成される。

項目２９１１は、典型嗜好タイプ別のＭｉｎ購買因子に対する重み関数２９１０の、嗜好タイプ０１に関するデータを示し、因子名２９１２と基準ベクトル２９１３と重み行列２９１４からなる。図２８のテーブルは、ＭａｘとＭｉｎの購買因子に関する関数のみ記述している。さらに、正の因子及び負の因子のそれぞれについて、２番目、３番目にインパクトのある因子に関する情報が含まれていてもよい。

図２９は、商品販売数の予測結果テーブルの例を示す。項目３００１は商品ＩＤ、項目３００２は販売数の予測結果、項目３００３は価格、項目３００４は典型嗜好タイプ別の購買確率を示す。上述のように、商品の予測販売数は、当該商品の各嗜好タイプの購買確率と、利用者分布ベクトルにおける購買数と、の積和で表される。

項目３００５、３００６は各典型タイプを示す。項目３００５は嗜好タイプ０１の購買確率、項目３００６は嗜好タイプ０２の購買確率を示す。同様にして、全ての嗜好タイプに関する購買確率が示される。

図３０は、販売数予測結果の表示画像の例を示す。結果表示プログラム１２９は、販売数予測結果テーブル１２４、需要変動因子マトリクス１２５を参照して、販売数予測結果のＧＵＩ画像を生成し、ディスプレイ３０７において表示する。

セクション３１０１は予測条件を表示し、設定された予測期間と商品カテゴリを表示する。セクション３１０２は、購買確率予測結果を表示し、嗜好タイプと商品毎の購買確率のグラフを表示する。グラフは、購買確率の軸３１０５、嗜好タイプの軸３１２７、予測対象商品の軸３１２８、を有する。

セクション３１０６、３１０７、３１０８はそれぞれ、嗜好０１、嗜好０２、嗜好０３を表す。嗜好タイプは中央管理サーバ１０１における購買嗜好モデル分析プログラム１３３で分類されたものであり、タイプの数は３個に限らない。

セクション３１０９、３１１０、３１１１は、軸３１２８上の商品名を表示する。セクション３１０９は唐揚弁当、セクション３１１０はマグロ丼、セクション３１１１はうどんを示す。一度に予測する商品数は３個に限らない。

バー３１０４は、嗜好タイプ毎の各商品の購買確率を表す。セクション３１０３は、購買因子影響度を表示する。

この例では、セクション３１０３において、嗜好Ａタイプのマグロ丼を購買する際に購買を促進させる商品特性（アピールポイント）と購買を抑制させる商品特性（ウィークポイント）を示している。本例において、アピールポイントとウィークポイントは、それぞれ、Ｍａｘ購買因子とＭｉｎ購買因子に対応する。

セクション３１０３は、嗜好Ａにおけるマグロ丼の購買確率のバー３１０４がクリックされることで表示され、もう一度クリックされるとクローズする。他の購買確率のバーも同様の機能を持つ。十分に広い画像であれば、全ての情報を１画像に表示させてもよい。

セクション３１２９は、アピールポイントとなる商品特性を表示する。図３０の例では、価格がアピールポイントであり、嗜好タイプ０１の、マグロ丼を評価する商品評価関数の価格に対する重みが正であり、かつ、大きいことを意味する。この例は価格のみ表示しているが、複数の特性を表示してもよい。

セクション３１３０は、ウィークポイントとなる商品特性を表示する。図３０の例では、鮮度がウィークポイントであり、嗜好タイプ０１のマグロ丼を評価する商品評価関数の鮮度に対する重みが負であり、絶対値が大きいことを意味する。ウィークポイントも、複数の特性を表示してもよい。

セクション３１１４、３１１５は、購買因子影響度表示セクション３１０３における商品特性に対する、より詳細な嗜好傾向を表示する。セクション３１１４は、嗜好Ａタイプの価格に対する嗜好性を表示しており、価格のみ変更した場合の商品魅力度の得点をグラフで表示する。商品魅力度は、嗜好得点から決まり、例えば、嗜好得点と一致する。点３１１６は、現在設定されているマグロ丼の価格を示す。

セクション３１１５は、嗜好Ａタイプの鮮度に対する嗜好性を表示しており、鮮度のみ変更した場合の商品魅力度の得点をグラフで表示する。点３１１７は、マグロ丼の現在価格を示す。

画像上に表示される情報過多を防ぐため、セクション３１１４は、セクション３１２９をクリックに応答して、開き、閉じてもよい。セクション３１１５も同様である。

チェックボックス３１１２、３１１３は、予測条件の変更を受け付ける。チェックボックス３１１２がチェックされると、価格の変更受付セクションが表示され、発注者は、価格変更に対する予測結果の差を画像上で確認することができる。価格変更に対する表示画像の変化は後述する。

チェックボックス３１１３をチェックすると、生産日の変更が可能となる。この他の予測条件の変更受付セクションが用意されていてもよい。例えば、商品数を増やしたり減らしたりするための変更受付セクションを、商品名表示セクションに付け加えてもよい。

セクション３１１８は、トータルの販売数及び売上の予測結果を表示する。セクション３１１９は、予測販売数に関するグラフを表示する。セクション３１２０は、唐揚弁当の予測販売数、セクション３１２１はマグロ丼の予測販売数、セクション３１２２はうどんの予測販売数を示す。

セクション３１２３は、予測売上に関するグラフを表示する。セクション３１２４は唐揚弁当の予測売上、セクション３１２５はマグロ丼の予測売上、３１２６はうどんの予測売上を示す。

図３０のチェックボックス３１１２、３１１３が示すように、本システムは、分析結果の表示画像上で、予測条件の変更を受け付ける。以下では、予測条件の変更と、それによる表示画像の遷移を説明する。

図３１は、販売数予測結果の表示画像において販売数予測条件の変更入力があった場合の処理のフローチャート例を示す。ステップ３２０１において、結果表示プログラム１２９は、販売数予測結果を表示する。ステップ３２０２において、条件変更入力受付プログラム１３１は、商品特性条件変更に関する発注者からの入力を受け付ける。

ステップ３２０３において、予測条件設定プログラム１１８は、条件変更入力受付プログラム１３１が受け付けた入力に応じて、予測条件を変更し、新しい商品特性ベクトルテーブル１１９を生成する。

ステップ３２０４において、商品販売数／売上予測プログラム１２３は、商品特性ベクトルテーブル１１９を使用して商品販売数を予測し、販売数予測結果テーブル１２４、需要変動因子マトリクス１２５を生成する。結果表示プログラム１２９は、生成した販売数予測結果テーブル１２４、需要変動因子マトリクス１２５を利用し、販売数予測結果画像の表示内容を変更する。

ステップ３２０１に関し、図３０に示したように、販売数予測結果画像は、チェックボックス３１１２、３１１３のような条件変更受付セクションを有し、発注者がそれをクリックすると、結果表示プログラム１２９は、例えば価格の変更用スクロールバーのような、商品特性条件変更の入力受付セクションを表示する。

ステップ３２０２において、条件変更入力受付プログラム１３１は、商品特性条件変更の入力受付セクションにおいて商品特性条件の変更入力があった場合に、その入力を受け付ける。この他、例えば予測対象の商品群の変更を可能とするセクションを用意し、予測対象の商品群変更の入力を受け付けてもよい。

入力受け付けから条件変更後の画像表示までの時間の短縮のために、店舗売上分析プログラム１３２は、全ての分析を終えた後に結果を表示するのではなく、結果が算出された部分から順次変更を表示してもよい。

例えば、図２６の商品販売数予測のステップの中で、店舗売上分析プログラム１３２は、ステップ２７０２のように、発注者からの商品特性条件の変更に影響されない部分のデータはあらかじめ保持し、ステップ２７０３で購買確率を算出し、それをそのまま表示結果に反映し購買確率を表示する。これにより、応答時間を短縮できる。

図３２Ａ、３２Ｂは、販売数予測結果における商品特性条件の変更に対する画像遷移の一例を示す。図３０と同一の要素には同一符号が付されている。以下では、図３０との相違点を主に説明する。図３２Ａにおいて、セクション３３１６は、変更前の表示画像の一例を示す。セクション３１０２の購買確率予測結果と、セクション３１１８のトータルの販売数は、売上の予測結果を示す。

図３２Ａにおいて、セクション３３１は、価格に関する予測条件の変更受付のチェックボックス３１１２にチェックが入れられた後の画像を示している。セクション３３０１は、価格条件の変更受付セクションである。スクロールバー３３０２は、価格条件の変更受付セクション３３０１において、実際に価格の基準値を入力するためのスクロールバーである。初期値は、変更前に設定されている価格の位置を示している。

図３２Ｂにおいて、セクション３３１７は、変更後の表示画像の一例を示す。スクロールバー３３０３が示すように、本例ではマグロ丼の価格は変更前よりも高く設定されている。この時、嗜好０１のマグロ丼の購買確率は、変更前確率３１０４から変更後確率３３０４に低下する。この例のように、購買確率のセクションは、商品特性の変化に応じた購買確率の変化をバーの長さを変更することで表現する。

変化の方向性を示す矢印３３１５は、購買確率が高くなる場合は上向き、低くなる場合は下向きである。画像の見やすさに応じて、矢印は表示しなくてもよい。マグロ丼の商品特性の条件が変わると、商品間の競合状況が変化するため、マグロ丼以外の商品に関しても、嗜好タイプ毎の購買確率が変化する。

例えば、図３２Ａにおいて、バー３３１３は、変更前の画像３３１６における、嗜好０１の唐揚弁当の購買確率を表す。図３２Ｂにおいて、バー３３１４は、変更後の画像３３１７における嗜好０１の唐揚弁当の購買確率を表す。変更前購買確率３３１３と変更後購買確率３３１４を比較すると、変更後の購買確率のほうが、変更前購買確率が高い。

すなわち、マグロ丼の値段が上がったことで、嗜好０１のタイプの人は、マグロ丼を以前よりも購買しなくなり、代わりに唐揚弁当を購買しやすくなるという傾向が示されている。このように、店舗売上分析プログラム１３２は、条件を変更していない商品の購買確率の変化も表示させることで、競合商品間の影響を表現する。

セクション３１１８において、販売数３１１９及び売上３１２３の予測結果も、購買確率の変化に合わせて変化する。図３２Ａにおいて、セクション３１２０〜３１２２は、それぞれ、変更前の唐揚弁当の販売予測数、変更前のマグロ丼の販売予測数、変更前のうどんの販売予測数を示している。

図３２Ｂにおいて、セクション３３０５〜３３０７は、それぞれ、変更後の唐揚弁当の販売予測数、変更後のマグロ丼の販売予測数、変更後のうどんの販売予測数を示している。この例では、唐揚弁当のトータルの販売予測数は、マグロ丼の価格変更により増加し、マグロ丼とうどんの販売予測数は減少している。

図３２Ａの売上に関する表示セクション３１２３において、セクション３１２４〜３１２６は、それぞれ、変更前の唐揚弁当の売上予測金額、変更前のマグロ丼の売上予測金額、変更前のうどんの売上予測金額を示している。

図３２Ｂの売上に関する表示セクション３１２３において、セクション３３０８〜３３１０は、それぞれ、変更後の唐揚弁当の売上予測金額、変更後のマグロ丼の売上予測金額、変更後のうどんの売上予測金額を示している。売上予測金額は、唐揚弁当とマグロ丼において増加し、うどんにおいて減少している。

セクション３３１１は変更前の売上のトータル予測金額を示しており、１２０００円である。セクション３３１２は変更後の売上のトータル予測金額を示しており、２００００円である。トータル予測金額は、増加いている。売上の他、例えば（売上―仕入れ値）を利益として、利益に関する予測金額を表示してもよい。

図３３は、図１９のフローチャートにおけるステップ２００６の最適発注量／発注商品推定ステップのフローチャート例を示す。本例は、最適発注量の推定を示す。最適発注量／発注商品推定プログラム１２６は、本フローチャートに応じて動作を示す。

ステップ３４０１において、最適発注量／発注商品推定プログラム１２６は、販売数の予測結果テーブル１２４を取得する。ステップ３４０２において、最適発注量／発注商品推定プログラム１２６は、在庫管理データ１３６を取得する。

ステップ３４０３において、最適発注量／発注商品推定プログラム１２６は、発注分析条件テーブル１２１を取得する。ステップ３４０４において、最適発注量／発注商品推定プログラム１２６は、予測される販売数と制約条件に基づき、発注量、在庫の廃棄量を算出する。制約条件がない場合、例えば、最適発注量／発注商品推定プログラム１２６は、下記の式２により最適発注量を決定する。
発注量＝予測される販売数―在庫数＋安全在庫 （式２）

それぞれの商品の発注量の最小単位に制限が存在する場合、最適発注量／発注商品推定プログラム１２６は、式３を満たす最小のｘを求めることで最適発注量を決定する。
発注量＝発注の最小単位の販売数×ｘ
＞予測される販売数―在庫数＋安全在庫 （式３）

安全在庫はあらかじめ設定しておいてもよいし、発注者が入力画像において商品毎に設定してもよい。廃棄量は予測期間終了時点で廃棄する必要がある商品個数であり、予測される販売数と在庫数の差分を求めることで予測可能である。

ステップ３４０５において、最適発注量／発注商品推定プログラム１２６は、発注商品マトリクス１３０を生成する。ステップ３４０６において、結果表示プログラム１２９は、発注商品マトリクス１３０を参照して、発注推薦の画像を生成し、表示する。

ステップ３４０４において、最適発注量／発注商品推定プログラム１２６は、発注の最小単位が存在する場合に、品切れも加味して利益を最大化するように発注量最適化を行ってもよい。例えば、式３で算出された発注量で注文を行った場合に商品廃棄が存在する場合に、
発注の最小単位の販売数×ｘ＜予測される販売数―在庫数＋安全在庫 （式４）
を満たす最大のｘを求め、その商品が品切れた場合の他の商品の販売数を予測し、他の商品の発注量を決定する。

商品が品切れた場合の他の商品の販売数の予測方法は、例えば、当初の商品ラインナップから品切れた商品を省いた商品ラインナップにおける、各商品の購買確率を算出し、購買確率に基づき、残りの商品販売数を予測する。

最適発注量／発注商品推定プログラム１２６は、品切れを許す場合／許さない場合で、複数パターンの販売数予測を行い、商品発注における売上金額と仕入れに使った金額との差分を求める。最適発注量／発注商品推定プログラム１２６は、一部の商品は品切れするものの、総廃棄量を減らし、全体の利益を最大化させる発注量の組み合わせを検索する。

次に、発注商品推定の例を説明する。予測条件設定プログラム１１８は、複数の商品の組み合わせ方を受け付け、それぞれの組み合わせ方について商品特性ベクトルテーブル１１９を生成する。更に、商品販売数／売上予測プログラム１２３は、それぞれの商品特性ベクトルテーブル１１９について、商品販売数／売上予測を行い、販売数予測結果テーブル１２４を算出する。

最適発注量／発注商品推定プログラム１２６は、複数生成された販売数予測結果テーブル１２４それぞれについて、最適発注量推定とその際の利益を算出し、最も利益の高い商品の組み合わせ結果に関して発注商品マトリクス１３０を生成する。

発注者に発注商品を推薦する場合、最適発注量／発注商品推定プログラム１２６は、発注者が予測対象に指定していない商品に関しても予測を行い、発注を推薦してもよい。その場合、新しい商品候補の抽出方法は、全店舗在庫管理データ１０４からランダムに抽出する、購買数の多い嗜好タイプにとって嗜好得点が高い商品を探索して候補に加えるなどの方法が考えられる。また、類似した商品ばかりが陳列されないように、指定商品群との商品特性ベクトルの類似度を算出し、類似度の低いものを候補に加えるといった方法でもよい。

図３４は店舗内サーバ１０２における在庫管理データ１３６の例を示す。在庫管理データ１３６の項目は、中央管理サーバ１０１における全店舗在庫管理データ１０４の項目と類似している。図３４の例では、在庫管理データ１３６の項目は、全店舗在庫管理データ１０４の項目のうち、店舗ＩＤの項目を除き、仕入れ値の項目３５０１を加えたものである。

図３５は発注商品マトリクス１３０の例を示す。項目３６０１は商品ＩＤ、項目３６０２は推奨発注数、項目３６０３は推奨価格、項目３６０４は予想廃棄数、項目３６０５は陳列指定ありなしの情報を示す。項目３６０６は、予測される販売数を示す。項目３６０７は仕入れ値、項目３６０８は売上、項目３６０９は在庫数を示す。

この他、例えば利益や、過去仕入れたことがあるか否かの情報、発注者が予測対象に指定した商品か否かの情報などを加えてもよい。利益は、例えば下記の式５で算出できる。
（価格―仕入れ値）×販売数―仕入れ値×廃棄数 （式５）

図３６は発注量／発注商品推薦処理結果の表示、及び、表示画像における発注者の入力に対する応答処理のフローチャート例を示す。ステップ３７０１において、結果表示プログラム１２９は、発注商品マトリクス１３０を取得する。ステップ３７０２において、結果表示プログラム１２９は、発注推薦画像を生成し、それを表示する。

ステップ３７０３において、条件変更入力受付プログラム１３１は、表示された画像に対する予測条件変更の入力を取得する。ステップ３７０４において、予測条件設定プログラム１１８は、予測条件を変更する。ステップ３７０５において、商品販売数／売上予測プログラム１２３は、商品販売数を予測し、販売数予測結果テーブル１２４を生成する。

最適な商品の組み合わせを探索する場合、ステップ３７０２において、商品販売数／売上予測プログラム１２３は、複数の商品特性ベクトルテーブル１１９のそれぞれについて販売数予測結果テーブル１２４を生成する。ステップ３７０６において、最適発注量／発注商品推定プログラム１２６は、発注量／利益算出し、発注商品マトリクス１３０を生成する。

図３７Ａ、３７Ｂは発注商品推薦画像において発注者が入力を変更した際の画像遷移の例である。図３７Ａにおいて、セクション３８０１は変更前の画像を示し、図３７Ｂにおいてセクション３８０２は変更後の画像を示す。

図３７Ａにおいて、セクション３８０３は、発注者の条件変更入力を受け付ける。本例では、指定商品の結果のみ表示するか否か、価格変更不可か否か、新商品提案ありか否かの３つの条件変更を示している。この他、例えば安全在庫の設定などその他の条件についても変更可能としてもよい。セクション３８０４は、指定商品名を表示し、発注者が予測対象として設定した商品名を示している。

セクション３８１７は、発注量推薦結果を示す。テーブルが、分析結果を示している。項目３８０５は商品名、項目３８０６は現在の在庫数、項目３８０７は推奨発注数、項目３８０８は価格、項目３８０９は予想廃棄数を示す。セクション３８１８は、トータルの売上／利益算出結果を示し、セクション３８１０は売上金額、セクション３８１１は利益の金額を示している。

図３７Ｂのセクション３８１２において、"指定商品の結果のみ表示"の条件が解除されている。すなわち、変更後画像３８０２は、発注者が指定した商品以外の予測結果も表示し、高い利益を出す商品群の発注量を推薦している。

セクション３８１３は、分析の結果新しく推薦された商品を示し、この例では、ピザを示す。セクション３８１４は、新たにピザが推薦されたことを示す。セクション３８１４は省略してもよい。セクション３８１５は、ピザを発注し陳列した際に予測される売上金額を示し、セクション３８１６は、ピザを発注し陳列した際に予測される利益額を示す。変更前の金額と比較し、どちらも増加している。

図３８は、図１９のフローチャートにおける、嗜好傾向分析ステップ２００７のフローチャート例を示す。ステップ３９０１において、嗜好傾向分析プログラム１２７は、嗜好分析条件テーブル１２２（図２４参照）から対象商品カテゴリ、対象商品特性の情報を取得する。

ステップ３９０２において、嗜好傾向分析プログラム１２７は、中央管理サーバ１０１から、嗜好分析条件テーブル１２２の対象商品カテゴリに対応する典型嗜好木、及び、予測期間中の利用者分布ベクトルを取得する。ステップ３９０３において、嗜好傾向分析プログラム１２７は、利用者分布ベクトルから、対象商品カテゴリにおける各嗜好タイプの購入数の割合を算出する。

また、ステップ３９０４において、嗜好傾向分析プログラム１２７は、対象商品カテゴリの商品群の特性ベクトルを、商品特性ベクトルテーブル１１９から、または、中央管理サーバ１０１の商品マスタデータ１１３から取得する。全ての商品について特性ベクトルを取得してもよいし、一部の商品のみを対象としてもよい。一部の商品を対象とする場合、例えば、販売開始日時が最近のもの中から選択する、などの方法をとる。

ステップ３９０５において、嗜好傾向分析プログラム１２７は、各商品について嗜好タイプ（典型嗜好木）毎に嗜好得点を算出する。嗜好得点の算出は、図８を参照して説明した通りである。ステップ３９０６において、嗜好傾向分析プログラム１２７は、嗜好タイプ毎に嗜好得点上位三つの商品名を決定する。

また、ステップ３９０７において、嗜好傾向分析プログラム１２７は、ステップ３９０２で取得した典型嗜好木から、深さが２まで分岐構造を取得する。深さは任意に設定してよい。

ステップ３９０８において、嗜好傾向分析プログラム１２７は、取得した分岐構造の各下端ノードについて、それ以降の未取得の分岐を集約し、各選択された対象商品特性の重み係数の平均値を算出する。例えば、取得した分岐構造の一つの下端ノードに三つの嗜好木の葉ノードが属する、つまり、当該下端ノードの下に三つの商品評価関数が存在する場合、三つの商品評価関数おける対象商品特性（例えば肉）の重み係数の平均値を算出する。

ステップ３９０８において、嗜好傾向分析プログラム１２７は、対象商品特性に対する凡その嗜好傾向を把握するための分析を行う。嗜好傾向分析プログラム１２７は、重みの平均値を算出する代わりに、集約する分岐間の重みの符号に着目し、符号の一致率（負に一致が多い場合は一致率の符号を反転）を算出してもよい。

ステップ３９０９において、嗜好傾向分析プログラム１２７は、嗜好分析結果テーブル１２８を生成する。ステップ３９１０において、結果表示プログラム１２９は、嗜好分析結果画像を生成し、表示する。

図３９は、嗜好分析結果テーブル１２８の一例を示す。項目４００１は嗜好タイプ番号、項目４００２は割合を示す。項目４００２は、各典型嗜好タイプ番号の人の購買数割合であり、全嗜好タイプの値を加算すると１になる。購買数割合の比は、利用者分布ベクトルの数値の比と一致する。項目４００３は上位商品名であり、嗜好得点の高い商品及びその順位を記載する。

項目４００６は、嗜好得点が１位の商品名、項目４００７は嗜好得点が２位の商品名、項目４００８は嗜好得点が３位の商品名、を示す。本例は３位の商品までしか記載しないが、４位以下の商品情報も同様に示してもよい。

項目４００４は、各嗜好タイプの典型嗜好木構造の概略情報を示し、あらかじめ指定されている深さまでの分岐条件の情報を記載する。図３８のフロー例において、深さ２が指定されている。したがって、格納される分岐条件は分岐条件０１（４００９）、分岐条件０２、分岐条件０３である。分岐条件には関する情報は、図９の典型嗜好木ベクトルテーブル１１５で格納される項目と同一であり、項目４０１０は特性、項目４０１１は符号、項目４０１２はレベルを示す。項目４００５は、ステップ３９０８で算出された重みを示し、対象商品特性に関する重み係数の平均値を格納する。

項目４００５は、指定された深さで枝を切った典型嗜好木における、各葉ノードについて重み係数の平均値の情報を格納する。ここでの葉ノードは、枝が切断された位置のノードである。項目４００４で定義される決定木（典型嗜好木の上部分岐構造）において、左から順に葉ノード番号がつけられている。

一つの葉ノードから到達する全ての評価関数における一つ商品特性の重み係数の平均値が、当該葉ノードにおける当該商品特性の重み平均値である。項目４０１６は葉ノード０１に関する対象商品特性の重み情報を示し、項目４０１３が魚の重み平均値、項目４０１４は肉の重み平均値、項目４０１５は野菜の重み平均値を示す。

図３８を参照して説明したように、重みの平均値の代わりに符号の一致率などを算出してもよく、この場合、項目４００５の値は、符号の一致率を示す。

図４０は、ある競合商品群に関して、ある店舗で購買する人の、嗜好タイプ分析結果の画像例を示す。表示画像４２０１は、２０１３／０７／１４ ０９：００−１２：００にお弁当／お惣菜を購入する者の嗜好分析結果を示す。

セクション４２１４は、購買数割合グラフを表示し、各嗜好タイプの購買数割合を円グラフで表示する。セクション４２０２、４２０３、４２０４、４２０５、４２０６は、それぞれ嗜好０１、嗜好０２、嗜好０３、嗜好０４の購買数割合を表している。これらの値は、嗜好分析結果テーブル１２８の割合４００２の値と一致する。

セクション４２０７は、嗜好タイプ０２に関する詳細な嗜好性に関する情報を表示する。セクション４２０８は、嗜好タイプ０２が購入しそうな商品を表示し、嗜好得点の高い三つの商品名を示す。これら商品は、嗜好分析結果テーブル１２８における嗜好タイプ番号０２のエントリの情報と一致する。

セクション４２０９は、着目する商品特性に関する詳細な嗜好傾向を表示する。本例は、魚、肉、野菜の商品特性に関する嗜好性を表示している。セクション４２０９は、最大深さ２までの決定木の分岐条件を表示し、かつ葉ノードでは、魚、肉、野菜が購買に与える影響度を表示する。

影響度は、嗜好分析結果テーブル１２８における各商品特性の重み４００５の値で決まる。重みの値が正であり、かつその絶対値大きい程、購買にプラスに影響する。一方、重みの値が負であり、その絶対値が大きい程、購買にマイナスに影響する。

セクション４２１０は、分岐条件を表示する。セクション４２１２は一つの葉ノードにおける商品特性が購買に与える影響度表示の例である。矢印の向きと数で購買への影響度を表示している。セクション４２１２は、重みや符号の一致率など数値で影響度を表現してもよい。矢印の数は、重み平均値と基準値を比較することで決定できる。

セクション４２１３は、葉ノードにおける商品特性の影響度を表す表示記号を説明する。セクション４２１１は、分析結果表示画像における発注者の条件変更入力受付セクションである。本例は、対象とする商品特性の変更をするか否かに関するチェックボックスを表示している。条件変更があった場合、店舗売上分析プログラム１３２は、予測条件を変更して、嗜好分析をもう一度行う。

以上のように、本実施形態は、嗜好モデルに基づき複数の競合商品が存在する中での購買者の購買を予測し、販売実績の少ない商品や複数の商品間の競合の影響を加味した各商品のより正確な販売数予測を迅速に行うことができる。

日々の発注では、発注者は、陳列する商品の組み合わせ、発注量、価格など様々な条件を検討して発注作業を行う。本実施形態は、単に与えられた一つの条件に対する予測結果を提示するだけでなく、様々な条件に対する結果（販売数や売上など）の予測と次に検討すべき条件を示唆することで、発注者による発注を効率的に支援する。

本実施形態は、過去の販売データを分析し、複数商品の組み合わせ条件や商品特性の組み合わせ条件の変更に素早く対応して、販売数の予測結果の他、各商品の購買促進／抑制要因や競合商品間の影響度を提示する。これにより、発注者は発注の際に、商品ラインナップ、新商品導入の有無、価格設定などを、効率よく検討することができる。

本実施形態は、商品特性に対する購買者の嗜好を分析し、その分析結果を提示する。これにより、発注者は、販売実績がない商品でも購買者にどのくらい嗜好されやすいかを予測できる。また、個人の嗜好度を複数商品間で比較し、その比較結果を提示する。これにより、発注者は、競合状況にある複数の商品の中でどの商品が購買されるかを予測できる。

本実施形態は、販売予測に際し、ある商品の購買を促進／抑制させる商品特性や他の競合商品の影響を推定する。これにより、発注者は商品の組み合わせ方や価格設定などを様々シミュレーションしながら、商品の種類と発注量を効率よく決定できる。

上記例は、個人嗜好木をクラスタリングして典型嗜好木を生成するが、システムは、個人嗜好木をクラスタリングすることなく、販売予測のための嗜好木として使用してもよい。販売予測の表示画像は、上記例に限定されない。上記例の一部のみが表示されてもてよい。本発明は、販売予測結果を表示せずに自動発注を行うシステムにも適用することができる。

実施形態２
実施形態１は、商品特性に対する購買傾向のみを分析して需要予測を行う事例を説明した。実施形態２は、その拡張として、気温、イベント情報といった外部の需要変動要因を考慮した需要予測システムについて説明する。図４１は、本実施形態におけるシステム例の全体構成を示す。以下、実施形態１と異なる点を主に説明する。

中央管理サーバ１０１は、外部データ４１０１を蓄積し、外部データ４１０１は、入力データとして用いられる。中央管理サーバ１０１は、例えば、店舗ごとに、日々の気温、曜日、季節、特売日か否か、近隣地区のイベント情報といった商品特性以外のコーザル情報を蓄積している。この他、商品やユーザ依存で生じた割引情報などを個人ＩＤ付ＰＯＳデータ４１０２の項目に加えてもよい。これらのデータは、各店舗内で蓄積され、収集されてもよいし、気象庁の気象予報データなど他機関から入手可能なデータであってもよい。

外部データ４１０１は、本実施形態において、個人嗜好モデル抽出プログラム４１０３と購買者分布算出プログラム４１０４によって、入力データとして用いられる。そして、これらのコーザルを加味した形で、購買者分布データ４１０６、典型嗜好木ベクトルテーブル４１０７が作成され、データベースに蓄積される。

個人嗜好モデル抽出プログラム４１０３は、気温などの外部要因の影響を加味した嗜好性のモデリングを行う。例えば、個人嗜好モデル抽出プログラム４１０３は、外部データ４１０１を商品特性データと同列に扱って嗜好モデルを構築する。

例えば、個人嗜好モデル抽出プログラム４１０３は、図１１のステップ１２０５において取得する商品特性ベクトルに、気温などの外部要因の項目も付け加えて特性ベクトルを生成し、それ以降のステップを行う。これにより、ステップ１２０７における嗜好木の各葉ノードの商品特性の重みベクトルの算出で、商品特性だけでなく、気温などの外部要因が個人の購買動機に与える影響の重みも算出される。これにより、外部要因の影響を加味した嗜好性のモデルが構築できる。

購買者分布算出プログラム４１０４は、気温などの外部要因変化による各商品カテゴリの購買人数の変化を踏まえて、購買者分布を算出する。例えば、購買者分布算出プログラム４１０４は、同一温度帯における購買履歴に絞り、購買者分布を算出する。これにより、外部要因の違いを加味した購買者分布データ４１０８が生成され、データベースに蓄積される。

店舗内サーバ１０２が販売数を予測するに際、店舗売上分析プログラム１３２の予測条件設定プログラム１１８は、決められた温度帯などの外部条件に即した購買者分布データを取得して利用する。

店舗内サーバ１０２における発注者の入力条件４１１１は、外部要因に関する情報の入力を含む。例えば、近隣でのイベントの有無、天候の予測などである。季節や曜日、天気予報といった情報をあらかじめ蓄積しておき、これを用いた分析を行ってもよい。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
また、上記の各構成・機能・処理部等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード等の記録媒体に置くことができる。

１０１ 中央管理サーバ、１０２ 店舗内サーバ、１０３ 個人ＩＤ付ＰＯＳデータ、１０４ 全店舗在庫管理データ、１０５ 個人嗜好モデル抽出プログラム、１０６ 嗜好木ベクトルテーブル、１０７ 嗜好木クラスタリングプログラム、１０８ 距離マトリクステーブル、１０９ グループテーブル、１１０ クラスタ寄与率ベクトルテーブル、１１１ 典型嗜好モデル抽出プログラム、１１２ 購買者分布算出プログラム、１１３ 商品マスタデータ、１１４ 購買者分布データ、１１５ 典型嗜好木ベクトルテーブル、１１６ 入力条件、１１７ 予測結果情報、１１８ 予測条件設定プログラム、１１９ 商品特性ベクトルテーブル、１２０ 利用者分布ベクトルテーブル、１２１ 発注分析条件テーブル、１２２ 嗜好分析条件テーブル、１２３ 売上予測プログラム、１２４ 販売数予測結果テーブル、１２５ 需要変動因子マトリクス、１２６ 最適発注量・発注商品推定プログラム、１２７ 嗜好傾向分析プログラム、１２８ 嗜好分析結果テーブル、１２９ 結果表示プログラム、１３０ 発注商品マトリクス、１３１ 条件変更入力受付プログラム、１３２ 店舗売上分析プログラム、１３３ 購買嗜好モデル分析プログラム
１３４ 小売店舗、１３５ ネットワーク、１３６ 在庫管理データ、１３７ 予測期間テーブル

Claims (11)

1. 演算資源と記憶資源とを含み、候補商品の販売予測を行う、販売予測システムであって、
   前記記憶資源は、販売商品群の特性データと、前記販売商品群の購買履歴データと、を保持し、
   前記販売商品群の特性データは、前記販売商品群のそれぞれの商品の、複数商品特性値を含む商品特性ベクトルを含み、
   前記演算資源は、
   前記販売商品群における関連商品群の特性データと購買履歴データとを使用して、商品評価関数を決定するための決定木である嗜好木を決定し、
   前記記憶資源から、前記関連商品群に含まれる複数候補商品の商品特性ベクトルを取得し、
   前記嗜好木と前記複数候補商品の商品特性ベクトルとを使用して、前記嗜好木のそれぞれに対応する、前記複数候補商品のそれぞれの商品評価関数を決定し、
   前記複数候補商品の商品特性ベクトルと前記商品評価関数とを使用して、前記複数候補商品のそれぞれの嗜好評価得点を決定し、
   前記嗜好価得点を使用して、前記複数候補商品の販売についての予測を行う、販売予測システム。
2. 請求項１に記載の販売予測システムであって、
   前記演算資源は、前記関連商品群の各商品特性ベクトルと個人毎の購買履歴データとから個人毎の嗜好木を決定し、前記個人毎の嗜好木をクラスタリングして前記関連商品群の前記評価関数を決定するための前記嗜好木を決定する、販売予測システム。
3. 請求項１又は２に記載の販売予測システムであって、
   入力装置と出力装置とをさらに含み、
   前記複数候補商品の商品特性ベクトルの少なくとも一部の特性値は、前記入力装置からの入力により設定可能であり、
   前記出力装置は、前記販売についての予測の結果を出力する、販売予測システム。
4. 請求項３に記載の販売予測システムであって、
   前記演算資源は、
   前記入力装置から入力された、前記複数候補商品の商品特性ベクトルにおける特性値の変更を取得し、
   前記変更された商品特性ベクトルを含む前記複数候補商品の商品特性ベクトルを使用して、前記商品評価関数及び前記嗜好評価得点を再決定し、
   前記再決定した嗜好価得点に基づいて、前記複数候補商品の販売についての再予測を行う、販売予測システム。
5. 請求項１又は２に記載の販売予測システムであって、
   前記販売についての予測の結果を出力する出力装置をさらに含み、
   前記演算資源は、前記嗜好木について、前記複数候補商品の嗜好評価得点から、前記複数候補商品のそれぞれの購買確率を算出し、
   前記予測の結果は、前記嗜好木ついての、前記候補複数商品のそれぞれの購買確率を含む、販売予測システム。
6. 請求項５に記載の販売予測システムであって、
   前記演算資源は、
   前記購買履歴データから、前記関連商品群における前記嗜好木のそれぞれに対応する購買分布を決定し、
   前記購買分布と前記販売確率に基づき、前記候補複数商品の予測販売数を決定する、販売予測システム。
7. 請求項６に記載の販売予測システムであって、
   前記記憶資源は、店舗の在庫データをさらに保持し、
   前記演算資源は、前記在庫データと前記予測販売数とに基づき、前記複数候補商品の推奨発注数を決定する、販売予測システム。
8. 請求項７に記載の販売予測システムであって、
   前記演算資源は、前記入力装置から入力された指定商品と、前記指定商品と異なる追加商品とを前記候補商品に含める、販売予測システム。
9. 請求項１又は２に記載の販売予測システムであって、
   前記販売についての予測の結果を出力する出力装置をさらに含み、
   前記演算資源は、
   前記商品評価関数から、第１嗜好木及び第１候補商品が対応する第１商品評価関数を選択し、
   前記第１商品評価関数の重み係数に基づき、前記第１嗜好木における前記第１候補商品の需要変動要因として、前記第１候補商品の商品特性ベクトルから商品特性を選択し、
   前記出力装置は、前記需要変動要因として選択された商品特性を出力する、販売予測システム。
10. 請求項１又は２に記載の販売予測システムであって、
    前記演算資源は、
    前記商品特性ベクトルにおける第１特性を選択し、
    前記嗜好木から第１嗜好木を選択し、
    前記第１嗜好木から、所定深さまでの分岐構造を取得し、
    前記取得した分岐構造の各下端ノードについて、前記各下端ノードに属する前記第１嗜好木の商品評価関数における前記第１特性の重み係数から前記第１特性による前記各下端ノードでの影響度を決定し、当該影響度を示す画像を生成する、販売予測システム。
11. 演算資源と記憶資源とを含む販売予測システムによる指定商品の販売予測を行う方法であって、
    前記記憶資源は、販売商品群の特性データと、前記販売商品群の購買履歴データと、を保持し、
    前記販売商品群の特性データは、前記販売商品群のそれぞれの商品の、複数特性値を含む商品特性ベクトルを含み、
    前記方法は、
    前記演算資源が、前記販売商品群における関連商品群の特性データと購買履歴データとを使用して、商品評価関数を決定するための決定木である嗜好木を決定し、
    前記演算資源が、前記記憶資源から、前記関連商品群に含まれる複数指定商品の商品特性ベクトルを取得し、
    前記演算資源が、前記嗜好木と前記複数指定商品の商品特性ベクトルとに基づき、前記嗜好木のそれぞれに対応する、前記複数指定商品のそれぞれの商品評価関数を決定し、
    前記演算資源が、前記複数指定商品の商品特性ベクトルと前記商品評価関数とを使用して、前記複数指定商品のそれぞれの嗜好評価得点を決定し、
    前記演算資源が、前記嗜好価得点に基づいて、前記複数指定商品の販売についての予測を行う、方法。