JP2015076076A - Customer data analysis system - Google Patents
Customer data analysis system Download PDFInfo
- Publication number
- JP2015076076A JP2015076076A JP2013214213A JP2013214213A JP2015076076A JP 2015076076 A JP2015076076 A JP 2015076076A JP 2013214213 A JP2013214213 A JP 2013214213A JP 2013214213 A JP2013214213 A JP 2013214213A JP 2015076076 A JP2015076076 A JP 2015076076A
- Authority
- JP
- Japan
- Prior art keywords
- data
- customer
- prediction
- analysis system
- detailed data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 91
- 238000012795 verification Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 238000009825 accumulation Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 235000012046 side dish Nutrition 0.000 description 4
- 235000011194 food seasoning agent Nutrition 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 1
- 235000021536 Sugar beet Nutrition 0.000 description 1
- 235000013409 condiments Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000012020 french fries Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、顧客に関するデータを蒐集し、これを解析するシステムに関するものである。 The present invention relates to a system for collecting and analyzing data related to customers.
ポイントカード、クレジットカードの加入者、セールスネットワーク加入者、顧客台帳登録者などを通じて、会員顧客に関する様々なデータが日々蒐集され、データベースに蓄積されているこのようなデータは、例えば、顧客の趣向に沿った商品の広告を配信するために用いられていることが知られている（引用文献１〜５）。また、顧客から蒐集されるデータは、上述のような顧客に対する広告等レコメンドのための最適な顧客の抽出のための分析、商品・サービス開発のためのリサーチや商品・サービス販売傾向のリサーチ等の市場調査のための分析に代表される様々な分析の基礎となるデータとして利用することが可能である。従来は、このような分析の基礎となるデータを生成するための解析手法としては、１つの項目に紐づけられたデータに対して、他の１つの項目に紐づけられたデータがどの程度影響を与えるかを知るべく、１つの目的変数毎にモデルを作り１つまたは複数の目的変数毎にスコアリングを行う手法を採っていた。しかしながら、多数の顧客から提供される莫大なデータ量の、ビッグデータ等と呼ばれる生データを解析する場合、上記解析手法では、複数の目的変数に対してスコアリングする場合演算に長い時間がかかり演算装置に多大な負荷をかけることから、この点の改善が要請されていた。 Various data on member customers is collected daily through point cards, credit card subscribers, sales network subscribers, customer ledger registrants, etc., and such data stored in the database can be It is known that it is used to distribute advertisements for products along the lines (cited references 1 to 5). In addition, data collected from customers includes analysis for extracting optimal customers for recommendations such as advertisements to customers as described above, research for product and service development, and research on product and service sales trends. It can be used as data that is the basis of various analyzes represented by analysis for market research. Conventionally, as an analysis method for generating data that is the basis of such analysis, how much influence is the data associated with one item on the data associated with one item? In order to know whether or not to give, a model is created for each objective variable, and scoring is performed for one or more objective variables. However, when analyzing raw data called big data, etc., with a huge amount of data provided by a large number of customers, the above analysis method requires a long time to calculate when scoring multiple objective variables. Since a great load is applied to the apparatus, improvement of this point has been demanded.
そこで本発明は、蒐集されるデータを効率よく解析して、広告、市場調査等の様々な分析の局面において利用可能な、分析の基礎となるデータを短時間で生成することのできるシステムを提供することを目的とする。 Therefore, the present invention provides a system that can efficiently analyze collected data and generate data that is the basis of analysis that can be used in various aspects of analysis such as advertising and market research in a short time. The purpose is to do.
本発明の顧客データ解析システムは、運用会社システムに蒐集・蓄積される明細データを解析するシステムであって、任意の明細データの複数の項目を説明変数とし、他の複数の項目を目的変数として、複数の項目の確率値を確率推論により算出する予測処理手段を有することを特徴とする。 The customer data analysis system of the present invention is a system for analyzing detailed data collected and stored in an operating company system, wherein a plurality of items of arbitrary detailed data are used as explanatory variables, and a plurality of other items are used as target variables. And a prediction processing means for calculating probability values of a plurality of items by probability inference.
本発明の他の形態によれば、任意の明細データの複数の項目を説明変数とし、他の複数の項目を目的変数とし、かつ、前記目的変数を次世代の目的変数のための説明変数として、他の複数の項目の確率値を確率推論により算出する予測処理手段を有することを特徴とする。 According to another aspect of the present invention, a plurality of items of arbitrary detailed data are used as explanatory variables, a plurality of other items are used as objective variables, and the objective variable is used as an explanatory variable for a next-generation objective variable. And a prediction processing means for calculating probability values of a plurality of other items by probability inference.
明細データをサマライズして解析に適した明細データにより構成されるデータマートを生成するデータマート生成処理手段を有することを特徴とする。 Data mart generation processing means is provided for generating a data mart composed of detailed data suitable for analysis by summarizing detailed data.
任意の数の顧客の明細データをサンプリングするサンプリング処理手段を有することを特徴とする。 It has a sampling processing means for sampling detailed data of an arbitrary number of customers.
明細データの項目について予測処理をし得られた確率値と、蒐集された実績値の明細データから得られる事前確率値との差分を判定する検証手段を有することを特徴とする。 It has a verification means which determines the difference of the probability value obtained by performing the prediction process about the item of detailed data, and the prior probability value obtained from the detailed data of the collected actual value.
検証手段により確率値と事前確率値の差分が任意の値以下と判定されるまで、予測処理の予測テストモデルを修正する修正手段を有することを特徴とする。 It has a correction means for correcting the prediction test model of the prediction process until the difference between the probability value and the prior probability value is determined to be not more than an arbitrary value by the verification means.
検証手段により任意の値以下の差分と判定された予測テストモデルを予測処理の予測モデルとし、前記予測モデルにより、全顧客の明細データを予測処理して確率値を算出するスコアリング手段を有することを特徴とする。 A prediction test model determined to be a difference equal to or less than an arbitrary value by the verification unit is used as a prediction model for the prediction process, and a scoring unit that predicts the detailed data of all customers by the prediction model and calculates a probability value is provided. It is characterized by.
算出された確率値を、閾値判定し、マップ推定値を算出することを特徴とする。 A threshold value is determined for the calculated probability value, and a map estimated value is calculated.
本発明によれば、目的変数がいくつであっても予測モデル作成プロセス、スコアリングプロセスを一度で行うことができる。 According to the present invention, the prediction model creation process and the scoring process can be performed at one time regardless of the number of objective variables.
（システムの構成）
以下、図面を参照して本発明の顧客データ解析システム１について説明する。
図１に示すように、顧客データ解析システム１（以下、単にシステム１ということがある。）は、運用会社の管轄下にある演算装置、データベース群等からなる運用会社システム２、運用会社システム２と情報伝達可能に接続されてなり演算装置、入出力端末等からなるＥＣサイト等のネットアライアンスシステム３、運用会社システム２と情報伝達可能に接続されてなり演算装置、入出力端末等からなる実店舗に設置されるリアルアライアンスシステム４と、アンケート手段５を有している。
(System configuration)
Hereinafter, the customer data analysis system 1 of the present invention will be described with reference to the drawings.
As shown in FIG. 1, a customer data analysis system 1 (hereinafter simply referred to as a system 1) includes an operation company system 2 and an operation company system 2 that are composed of arithmetic devices, database groups, etc. under the jurisdiction of the operation company. Connected to the network alliance system 3 such as an EC site composed of computing devices and input / output terminals, etc., and the operating company system 2 so as to be able to communicate information. It has a real alliance system 4 installed in the store and a questionnaire means 5.
図１を参照して、システム１の概略について説明する。システム１は、ネットアライアンスシステム３、リアルアライアンスシステム４、アンケート手段５等を介してシステム１を利用する顧客から蒐集される各種データを蓄積し、解析するシステムである。顧客から運用会社システム２に蓄積されるデータには、第１に、個々の顧客に対してシステムの利用登録時に付与する顧客ＩＤ、システム１の利用登録時に顧客より提供される性別、年齢等の顧客の基本属性等の属性データがある。第２に、顧客がアライアンス企業で商品・サービス(以下、商品等という。)を購入するたびに、蒐集され、伝達される商品等の品目や商品名、来店時間帯、利用店舗等の履歴系データと、任意のアンケートを通じて顧客より蒐集され伝達される結婚の有無、子供の有無、住居の種別、年収、運転免許の有無、顧客の志向性等のリサーチ系データを含む明細データがある。属性データは、会員マスタデータベースに蓄積され顧客の属性データに変更がある場合には更新される。また、明細データは、随時、運用会社システム２に提供され解析データベースに蓄積される。 The outline of the system 1 will be described with reference to FIG. The system 1 is a system for accumulating and analyzing various data collected from customers who use the system 1 via the net alliance system 3, the real alliance system 4, the questionnaire means 5, and the like. The data accumulated from the customer in the operating company system 2 includes, firstly, the customer ID given to each customer at the time of system usage registration, the gender, age, etc. provided by the customer at the time of system 1 usage registration. There are attribute data such as basic customer attributes. Second, every time a customer purchases a product / service (hereinafter referred to as a product, etc.) at an alliance company, the items such as the product and product name, product name, time of visit, and store used are collected and transmitted. There are detailed data including research data such as data and presence / absence of marriage, presence / absence of children, type of residence, annual income, presence / absence of driver's license, customer orientation, etc. collected and transmitted from customers through an optional questionnaire. The attribute data is accumulated in the member master database and updated when there is a change in the customer attribute data. Further, the detailed data is provided to the operating company system 2 as needed and stored in the analysis database.
このように蒐集される各データは、顧客IDにより管理される。顧客IDの一例を挙げれば、顧客毎に異なる任意の桁数の数字や文字列が一例であり、顧客がポイントカードを保有している場合には、当該顧客IDは、該カードに磁気的、電気的など様々な方式により記録され、リアルアライアンスシステム４のPOS端末等の入力手段で顧客IDが読み取られ、顧客IDと顧客データが紐づけられた状態で運用会社システム２へ伝達可能になっている。またネットアライアンスシステム３を通じて伝達される場合には、顧客の保有する携帯端末やコンピュータ等の顧客端末の入力手段で顧客IDが入力され、顧客IDと顧客データに紐づけられた状態で運用会社システム２へ伝達可能になっている。 Each data collected in this way is managed by the customer ID. An example of a customer ID is a number or character string with an arbitrary number of digits that differs for each customer. If the customer has a loyalty card, the customer ID is stored on the card magnetically, It is recorded by various methods such as electrical, customer ID is read by input means such as POS terminal of Real Alliance System 4, and can be transmitted to operating company system 2 in a state where customer ID and customer data are linked. Yes. When the information is transmitted through the network alliance system 3, the customer ID is input by the input means of the customer terminal such as a portable terminal or a computer owned by the customer, and the operating company system is linked to the customer ID and the customer data. 2 can be transmitted.
尚、システム１においては付随的な機能となるサービスポイント加算・減算処理は、運用会社システム２のポイント系システムで行われ、顧客がアライアンス企業において商品等を購入した際や、その他様々な機会にサービスポイントを利用し、サービスポイントを貯めるたびに、つまり、サービスポイントの加算・減算データが伝達されるたびに、その顧客の顧客IDに対応する口座のサービスポイントの加算・減算処理を行うようになっている。 In addition, the service point addition / subtraction process, which is an incidental function in the system 1, is performed by the point system of the operation company system 2, and when a customer purchases a product etc. at an alliance company or at various other occasions Whenever service points are accumulated using service points, that is, whenever service point addition / subtraction data is transmitted, the service point addition / subtraction process corresponding to the customer's customer ID is performed. It has become.
(明細データの蒐集・蓄積とその解析処理)
図２のフローチャートに示すように、本発明のシステム１の基幹となるのは、明細データの蒐集・蓄積とその解析処理である。システム１のオーソドックスなフローは、顧客がアライアンス企業において商品等を購入するたびに運用会社システム２に伝達される明細データを蒐集処理（S1）し、取得した明細データを蓄積する明細データ蓄積処理（S2）をする、２つのステップからなる明細データ蒐集蓄積段階と、データマートの生成処理（S3）、サンプリング処理（S4）、モデリング処理（S5）、検証処理（S6）、スコアリング処理（S7）そして解析結果算出処理（S8）のステップからなる明細データ解析段階で構成されている。
(Detailed data collection / accumulation and analysis processing)
As shown in the flowchart of FIG. 2, the basis of the system 1 of the present invention is the collection / accumulation of detailed data and its analysis processing. The orthodox flow of the system 1 is a detailed data accumulation process (S1) for collecting detailed data transmitted to the operating company system 2 every time a customer purchases a product or the like at an alliance company, and accumulating the acquired detailed data ( Detailed data collection and accumulation stage consisting of two steps, data mart generation processing (S3), sampling processing (S4), modeling processing (S5), verification processing (S6), scoring processing (S7) The detailed data analysis stage includes analysis result calculation processing (S8).
(明細データ蒐集・蓄積処理段階)
明細データの蒐集処理(S1)は、リアルアライアンスシステム４においては、顧客が商品等を購入する際に、POS端末から履歴系入力手段により明細データが入力され、明細データに顧客IDが紐づけられた状態でインターネット回線あるいは専用回線等の通信回線を介して運用会社システム２に伝達される。また、ネットアライアンスシステム３においては、商品等を購入した際に、顧客端末から明細データと顧客IDが紐づけられた状態でインターネット回線等の通信回線を介して運用会社システム２に伝達される。
(Detailed data collection and storage processing stage)
In the detailed data collection process (S1), in the real alliance system 4, when a customer purchases a product or the like, the detailed data is input from the POS terminal by the history system input means, and the customer ID is linked to the detailed data. In this state, the information is transmitted to the operating company system 2 via a communication line such as an Internet line or a dedicated line. Further, in the net alliance system 3, when a product or the like is purchased, the detailed data and the customer ID are linked from the customer terminal to the operating company system 2 via a communication line such as the Internet line.
次に明細データ蓄積処理（S２)より、リアルアライアンスシステム４、ネットアライアンスシステム３を通じて運用会社システム２に伝達された明細データは、解析データデータベースに蓄積される。このように、明細データの蒐集・蓄積は、明細データが伝達されるたびに行われるようになっている。 Next, the detailed data transmitted to the operating company system 2 through the real alliance system 4 and the net alliance system 3 through the detailed data storage process (S2) is stored in the analysis data database. In this way, collection and accumulation of detailed data is performed every time detailed data is transmitted.
（明細データ解析段階）
明細データ解析段階の最初のステップとしてのデータサマライズ処理（S3）について説明する。データサマライズ処理は、属性データ及び／又は明細データを必要に応じて離散化処理し、さらにこの属性データ及び／又は明細データを、カテゴリーデータ、上位階層、或いは大分類・中分類の項目群にまとめることによりデータマートを生成する処理である。データマートを生成することにより、属性データ及び／又は明細データを解析しやすいデータ項目にまとめることができる。データマート生成処理の一例を、図１２を参照して説明する。例えば、属性データの「性別」のように連続量ではない項目についてはカテゴリカルデータにまとめる処理を行う。また、明細データの履歴系データに関する商品等の品目については「フライドチキン、フライドポテト、ウィンナー」を中分類の「惣菜」に括り、「さけおにぎり、梅おにぎり、ツナおにぎり」を中分類の「おにぎり」に括る処理を行う。このように、項目の特性に応じた手法で属性データと明細データを解析しやすい項目数にまとめるデータマート生成処理がなされる。この項目数は、演算処理装置の処理能力、アライアンス企業が提供を求めるデータ項目に鑑みて決定される。例えば、現在は、約３０００項目程度にサマライズすることが解析に適しているが、項目数は任意である。
(Detailed data analysis stage)
The data summarization process (S3) as the first step in the detailed data analysis stage will be described. In the data summarization process, the attribute data and / or the detail data are discretized as necessary, and the attribute data and / or the detail data are collected into the category data, the upper hierarchy, or the large / middle classification item group. This is a process for generating a data mart. By generating a data mart, attribute data and / or detailed data can be collected into data items that are easy to analyze. An example of the data mart generation process will be described with reference to FIG. For example, an item that is not a continuous quantity such as “gender” of attribute data is processed into categorical data. In addition, for items such as products related to the history data of detailed data, “Fried Chicken, French Fries, Wiener” is tied to “meat” in the middle class, and “Sake Onigiri, Ume Onigiri, Tuna Onigiri” is in the middle class “Onigiri”. ”Is performed. In this way, the data mart generation process is performed in which the attribute data and the detailed data are collected into a number of items that can be easily analyzed by a method according to the characteristics of the items. The number of items is determined in view of the processing capability of the arithmetic processing unit and the data items that the alliance company seeks to provide. For example, currently, it is suitable for analysis to summarize to about 3000 items, but the number of items is arbitrary.
次に、後述する予測モデルを作成するプロセス、スコアリングのプロセスの根幹となる本発明の予測処理について説明する。従来の予測処理は、図４に示すように、１の目的変数に対して、１または複数の説明変数を与え、１の項目について(結婚している、結婚していない)に対する、説明変数の影響度合いを算出する処理を行っていた。つまり、１の目的変数項目について(結婚している、結婚していない)の確率値を算出しようとすれば、１の目的変数に対して目的変数の数だけ予測処理をする必要があった。 Next, a description will be given of the prediction process of the present invention which is the basis of a process for creating a prediction model and a scoring process to be described later. As shown in FIG. 4, in the conventional prediction process, one or more explanatory variables are given to one objective variable, and an explanatory variable for one item (married or not married) is given. Processing to calculate the degree of influence was performed. That is, if it is intended to calculate a probability value for one objective variable item (married or not married), it is necessary to perform prediction processing for the number of objective variables for one objective variable.
一方、図３、図５〜図１１に示す本発明の新規な予測処理は、例えばベイジアンネットワークに代表される確率推論を利用して、任意の明細データの複数の項目を目的変数とし、他の複数の項目を説明変数として項目間の相関度から複数の項目の確率値を確率推論により算出するものである。 On the other hand, the novel prediction processing of the present invention shown in FIG. 3 and FIG. 5 to FIG. 11 uses a plurality of items of arbitrary detailed data as objective variables by using probability inference represented by, for example, Bayesian networks. The probability value of a plurality of items is calculated by probability inference from the degree of correlation between items using a plurality of items as explanatory variables.
以下、図５〜図１１に示す予測処理の模式図を参照して、本発明の予測処理について説明する。図５〜図７に示すケース１は、予測処理が１階層モデルの場合である。図５に示すように、任意の顧客Aの予測処理について、結婚の有無の確率を目的変数とすると、顧客Aに関する情報が運用会社システム２に何も提供されていない状態、つまり、顧客Aの説明変数に何も明細データが無い状態では、結婚の有無の確率値は、リサーチ系データを提供した顧客らのデータから得られる事前確率値（既婚0.5478、未婚0.4252）が結婚有無の項目に振られる。同様に他の説明変数（調味料購入、惣菜購入、深夜時間利用比率）についても何も明細データが無い状態では、履歴系データを提供した顧客らのデータから得られる調味料購入の事前確率値（多い0.2 少ない0.8）、惣菜購入の事前確率値（購入あり0.35、購入なし0.65）、深夜時間帯の利用比率の事前確率値（多い0.1、普通0.3、少ない0.6）が振られる。 Hereinafter, the prediction process of the present invention will be described with reference to schematic diagrams of the prediction process shown in FIGS. Case 1 shown in FIGS. 5 to 7 is a case where the prediction process is a one-layer model. As shown in FIG. 5, regarding the prediction process of an arbitrary customer A, if the probability of marriage is the objective variable, no information about the customer A is provided to the operating company system 2, that is, the customer A When there is no detailed data in the explanatory variables, the probability value of marriage status is assigned to the item of marriage status based on the prior probability values (married 0.5478, unmarried 0.4252) obtained from the data of customers who provided research data. It is done. Similarly, if there is no detailed data for other explanatory variables (condiment purchase, side dish purchase, late-night time use ratio), prior probability value of seasoning purchase obtained from data of customers who provided historical data (Large 0.2, Less 0.8), Pre-probability value for sugar beet purchase (0.35 with purchase, 0.65 without purchase), and prior probability value for the usage ratio in late-night hours (many 0.1, normal 0.3, 0.6 less).
図６を参照すると、次に、顧客Aの説明変数のうち惣菜購入について「購入あり」の明細データが提供されると、惣菜購入ありの項目の確率値（1.0）が入り、予測処理がなされると、目的変数たる未婚の確率値は0.4252（約43%）から約0.63（63%）に上がる。 Referring to FIG. 6, next, when detailed data of “purchased” is provided for side dish purchases among the explanatory variables of customer A, the probability value (1.0) of the item with side dish purchases is entered, and prediction processing is performed. Then, the probability value of unmarried, the objective variable, rises from 0.4252 (about 43%) to about 0.63 (63%).
図７を参照すると、さらに顧客Aの説明変数のうち深夜時間帯の利用について「多い」の明細データが提供されると、深夜時間帯比率の項目の確率値（１．０）が入り、目的変数たる未婚の確率値は0.63（63%）から、さらに0.9（90%）に上がるという予測処理が為される。 Referring to FIG. 7, when the detailed data of “large” is provided for the use of the midnight time zone among the explanatory variables of customer A, the probability value (1.0) of the item of the midnight time zone ratio is entered, and The predictive process that the variable unmarried probability value will rise from 0.63 (63%) to 0.9 (90%).
次に図８〜図１１に示す予測処理の模式図を参照して、２階層モデルの場合の予測処理について説明する。図８に示す様に、任意の顧客Aの予測処理について、手作り志向の確率を第２の目的変数とすると、顧客Aの明細データが無い状態では、手作り志向の確率値は、リサーチ系データを提供した顧客らのデータから得られる事前確率値（高い0.4809、低い0.5191）が振られ、第１の目的変数の結婚の有無の確率値は、リサーチ系データを提供した顧客らのデータから得られる事前確率値（既婚0.5748、未婚0.4252）が振られる。 Next, prediction processing in the case of a two-layer model will be described with reference to schematic diagrams of prediction processing illustrated in FIGS. As shown in FIG. 8, for the prediction process of an arbitrary customer A, if the probability of handmade orientation is the second objective variable, the probability value of handmade orientation is the research-related data when there is no detailed data of customer A. Prior probability values (high 0.4809, low 0.5191) obtained from the provided customer data are assigned, and the first objective variable marriage probability value is obtained from the customer data providing the research data. Prior probabilities (married 0.5748, unmarried 0.4252) are assigned.
図９を参照すると、次に、顧客Aの説明変数のうち調味料購入について「購入多い」の明細データが得られると、上述した１階層モデルの仕組みと同様に、調味料購入多いの確率値（1.0）が入り、予測処理により、手作り志向の確率値は0.4809（約48%）から0.715（約71%）に上がる。 Referring to FIG. 9, next, when the detailed data “purchased a lot” for the seasoning purchase among the explanatory variables of customer A is obtained, the probability value of the seasoning purchase abundant similarly to the mechanism of the one-layer model described above. (1.0) is entered, and the prediction process increases the probability of handmade orientation from 0.4809 (about 48%) to 0.715 (about 71%).
さらに、顧客Aの説明変数のうち惣菜購入について「購入なし」の明細データが得られると、惣菜購入なしの確率値（1.0）が入り、第１の目的変数たる結婚の有無の既婚の確率値が0.5748（約57%）から0.685（約68%）に上がる。さらに、第１の目的変数たる結婚の有無は、第２の目的変数たる手作り志向に対する説明変数でもあることから、惣菜購入なしの確率値（1.0）の変動により、第１の目的変数結婚の有無の確率値が変動し、この第１の目的変数の変動が第２の目的変数の変動に伝播して、第２の目的変数たる手作り志向の確率値は、さらに0.715（約71%）から0.737（約74%）に上がる。 Furthermore, when the detailed data of “no purchase” is obtained for the customer A among the explanatory variables of the customer A, the probability value (1.0) without the vegetable purchase is entered, and the marriage probability value of the presence or absence of marriage as the first objective variable. Increases from 0.5748 (about 57%) to 0.685 (about 68%). Furthermore, since the presence or absence of marriage as the first objective variable is also an explanatory variable for handmade orientation as the second objective variable, the presence or absence of marriage of the first objective variable due to the fluctuation of the probability value (1.0) without the side dish purchase. The fluctuation of the first objective variable is propagated to the fluctuation of the second objective variable, and the handmade orientation probability value as the second objective variable is further increased from 0.715 (about 71%) to 0.737. (Approx. 74%).
図１１に示すように、予測処理は説明変数（親）の確率値の変動が、第１の目的変数（子）の確率値を変動させる処理であり、第１の目的変数(子)が更なる説明変数（親）であるとき、第２の目的変数（子（最初の説明変数に対しては孫））の確率値を変動させる処理である。つまり、１の目的変数が次世代以下の目的変数に対しては説明変数ともなり、必要に応じてリンクされている全ての目的変数（第ｎ世代の目的変数）まで設定することができる。つまり本発明の予測処理は、任意の説明変数の明細データが入ることで、これにリンクする各項目の確率値を算出する予測処理がなされ、リンクされている全ての目的変数の確率値に影響を与える。また、２階層以上の予測処理では、親世代の説明変数の実績値が入ることで、リンクされている(子、孫、第ｎ世代の目的変数)変動に影響が伝播し、各項目の確率値を算出する予測処理をする。これが予測モデルの作成プロセスとスコアリングのプロセスで確率値を算出する予測処理であるが、ここでは、親、子、孫の関係で予測処理の伝播モデルを示したが、予測処理のリンクはこのような一方向のものに限られるものではない。 As shown in FIG. 11, the prediction process is a process in which the fluctuation of the probability value of the explanatory variable (parent) changes the probability value of the first objective variable (child), and the first objective variable (child) is updated. Is the process of changing the probability value of the second objective variable (child (grandchild for the first explanatory variable)). In other words, one objective variable is also an explanatory variable for objective variables of the next generation and below, and all objective variables linked (the nth generation objective variable) can be set as necessary. In other words, the prediction process of the present invention performs the prediction process for calculating the probability value of each item linked to the detailed data of an arbitrary explanatory variable, and affects the probability values of all linked objective variables. give. Also, in the prediction process of two or more layers, the actual value of the explanatory variable of the parent generation is entered, and the influence is propagated to the linked (child, grandchild, nth generation objective variable) fluctuation, and the probability of each item A prediction process for calculating a value is performed. This is the prediction process that calculates the probability value in the prediction model creation process and the scoring process, but here, the propagation model of the prediction process is shown in relation to the parent, child, and grandchild. It is not limited to the one-way type.
次に、スコアリング処理に使用する予測モデルを作成するプロセスについて説明する。まず、サンプリング処理(S4)は、全顧客分の明細データの予測処理のために精度の高い予測モデル、すなわち確率推論の演算体系を作成する前段階として、予測テストモデルを作成するため、任意の顧客を抽出する動作である。サンプリング処理手段は、任意の数の顧客(例えば、100万人分)のサマライズ後のデータマート（例えば3000項目のデータマート）を抽出する処理をする。サンプリング処理において予測テストモデルの作成のために抽出の対象とする顧客はアトランダムに抽出することもできるが、後述する検証処理において的確な検証を可能とするために、確率値に対する答えを有する顧客、つまり所定項目以上の実績値の明細データが蓄積されている顧客の中から任意の数の顧客を抽出することが適当である。 Next, a process for creating a prediction model used for scoring processing will be described. First, the sampling process (S4) creates a predictive test model as a pre-stage for creating a highly accurate prediction model for predicting detailed data for all customers, that is, a calculation system for probability reasoning. This is an operation to extract customers. The sampling processing means performs processing for extracting a data mart (for example, a data mart of 3000 items) after summarizing an arbitrary number of customers (for example, one million people). Customers who can be extracted for the purpose of creating a predictive test model in the sampling process can be extracted at random, but in order to enable accurate verification in the verification process described later, a customer who has an answer to the probability value In other words, it is appropriate to extract an arbitrary number of customers from customers in which detailed data of actual values exceeding a predetermined item is accumulated.
次に、モデリング処理（S5）、検証処理（S6）は、上述のサンプリング手段によりサンプリングした明細データに、予測テストモデルを用いて、予測処理つまり確率推論をし、確率値を算出し、算出された確率値と、実際に蒐集蓄積された明細データから得られる答え、つまり、事前確率値を検証して、スコアリング用の予測モデルを作成する処理である。 Next, in the modeling process (S5) and the verification process (S6), the detailed data sampled by the sampling means described above is subjected to the prediction process, that is, the probability inference using the prediction test model, and the probability value is calculated. This is a process of creating a prediction model for scoring by verifying the answer obtained from the probability value and the detailed data actually collected and accumulated, that is, the prior probability value.
モデリング処理手段は、サンプリングされた顧客の明細データに対して予測テストモデルを使用して予測処理をする。次に検証処理手段は、予測テストモデルによる予測処理によって得られた確率値と、事前に実績値として蒐集された各目的変数について得られている事前確率値との差分を全ての項目、あるいは任意の項目で算出する検証処理を行う。修正処理手段は、検証処理の結果算出された確率値と、事前確率値との差分が任意の値以下となるように、目的変数或いは説明変数の項目の差し替え、或いは、項目に対する離散化のやり方を変更する等の予測テストモデルの修正処理を行う。この検証処理と修正処理が繰り返され、予測テストモデルによる確率値と事前確率値との差分が任意の値以下となった状態の予測テストモデルが予測モデルに決定される。尚、ここで決定された予測モデルは、明細データが蒐集蓄積されるたびに旧くなる可能性があることから、暫定モデルとして用いられ、定期的にあるいは、一定量の明細データが蓄積されるたびに上述したプロセスを経て、予測処理のための予測モデルが作成される。 The modeling processing means performs prediction processing on the sampled customer detail data using a prediction test model. Next, the verification processing means determines the difference between the probability value obtained by the prediction process using the prediction test model and the prior probability value obtained for each objective variable collected in advance as the actual value for all items or arbitrarily. The verification process calculated with the item is performed. The correction processing means replaces the item of the objective variable or the explanatory variable or discretizes the item so that the difference between the probability value calculated as a result of the verification process and the prior probability value is equal to or less than an arbitrary value. Modify the prediction test model, such as changing. The verification process and the correction process are repeated, and the prediction test model in a state where the difference between the probability value by the prediction test model and the prior probability value is an arbitrary value or less is determined as the prediction model. Note that the prediction model determined here may be out of date every time the detailed data is collected and accumulated, so it is used as a provisional model and is regularly or whenever a certain amount of detailed data is accumulated. Through the above-described process, a prediction model for prediction processing is created.
次にスコアリングのプロセスについて説明する。スコアリング処理は、上記モデリング処理で作成された予測モデルを用いて全ての顧客のデータマートの明細データに予測処理を展開する処理である。これにより、全ての顧客のデータマートの全ての項目について確率値が算出される。 Next, the scoring process will be described. The scoring process is a process for expanding the prediction process to the detailed data of the data marts of all customers using the prediction model created by the modeling process. Thereby, probability values are calculated for all items of the data mart of all customers.
図１２を参照すれば、スコアリングが為されない状態では実績テーブルに示すように、実際に蒐集された属性データ、明細データの項目にのみ実績値が振られた状態である。これについて、上述の予測モデルにより予測処理をすると、図１３に示す、顧客DNA(顧客プロファイリング)テーブルとも呼ばれる、全ての項目について確率推論後の確率値が振られた状態となる。さらに、図１４に示すように、実績テーブルの傾向をもとに、入力された確率値を閾値で判定した結果を示す処理を追加すれば、マップ推定値を得ることも可能である。 Referring to FIG. 12, in a state where scoring is not performed, as shown in the actual result table, the actual value is assigned only to the items of attribute data and detailed data collected. When the prediction process is performed using the above-described prediction model, the probability values after probability inference are assigned to all items, which is also referred to as a customer DNA (customer profiling) table shown in FIG. Furthermore, as shown in FIG. 14, it is also possible to obtain a map estimated value by adding a process indicating the result of determining the input probability value with a threshold based on the tendency of the result table.
従来は、目的変数の数だけ予測モデルを作成するプロセス、スコアリングするプロセスが発生していたが、本発明においては目的変数がいくつであっても予測モデル作成プロセス、スコアリングプロセスを一度で行うことができる。すなわち、このような予測処理により明細データを解析することで、全ての顧客の全ての明細データの項目に対して、短時間に解析が可能である。また、全ての顧客の明細データの項目に予測処理によるスコアリングを展開する前に、サンプリング処理、モデリング処理及び検証処理を介して予測テストモデルを作成し、この予測テストモデルの検証と修正を繰り返して精度の高い予測モデルを作成することで、顧客の現実の活動に則した値を、確率値というかたちで予測することができ、全ての顧客の全ての明細データの項目に対して短時間で精度の高い確率値を得ることができる。また、予測モデルを暫定版として常時差し替えられるようにしていることから、日々アップデートされる明細データに対して現実に近い予測処理を行うことができる。尚、スコアリングを展開する解析対象の顧客数が圧倒的に少ない場合には、サンプリング処理、モデリング処理、検証処理を省略して全顧客分の明細データに直接予測処理を施すことも可能である。 Conventionally, a process for creating a prediction model and a process for scoring have occurred as many as the number of objective variables. However, in the present invention, the prediction model creation process and the scoring process are performed at one time regardless of the number of objective variables. be able to. That is, by analyzing the detailed data by such a prediction process, it is possible to analyze all the detailed data items of all the customers in a short time. In addition, before deploying scoring by prediction processing to all customer detail data items, a prediction test model is created through sampling processing, modeling processing, and verification processing, and verification and correction of this prediction test model are repeated. By creating a highly accurate prediction model, it is possible to predict the value according to the actual activity of the customer in the form of a probability value, and in a short time for all the item data items of all customers A highly accurate probability value can be obtained. In addition, since the prediction model is always replaced as a provisional version, it is possible to perform a prediction process close to reality for detailed data updated daily. When the number of customers to be analyzed for scoring is overwhelmingly small, sampling processing, modeling processing, and verification processing can be omitted and direct prediction processing can be performed on detailed data for all customers. .
（確率値の利用例）
次に、上述した顧客データ解析システムにより得られた確率値の利用の仕方の例について説明する。顧客データ解析システムに続くシステムの一つには波形生成と近似度の算出のプロセスがある。図１５に示すように運用会社システム２が波形生成手段を動作させると、波形生成手段は、縦軸にとったカテゴリーに対応する各項目の確率値をプロットするプロット処理を行い（S1）、折れ線グラフ化する波形生成処理(S2)を行う。例えば、顧客Aの波形を生成する場合には、図１６に示すように、横軸を項目、縦軸を顧客データ（％）とし、顧客Aの各項目（例えば、年収レベル、喫煙率、車保有率）に対する確率値をプロットし、これを波形化する。これにより顧客Aの性質が波形により表される。同様に顧客Bの波形も表わすことができる。
(Use example of probability value)
Next, an example of how to use the probability value obtained by the customer data analysis system described above will be described. One of the systems following the customer data analysis system is a waveform generation and approximation calculation process. As shown in FIG. 15, when the operating company system 2 operates the waveform generation means, the waveform generation means performs a plot process for plotting the probability value of each item corresponding to the category taken along the vertical axis (S1), A waveform generation process (S2) for graphing is performed. For example, when generating the waveform of customer A, as shown in FIG. 16, the horizontal axis represents items, the vertical axis represents customer data (%), and each item of customer A (for example, annual income level, smoking rate, car) The probability value against (holding ratio) is plotted, and this is converted into a waveform. Thereby, the property of customer A is represented by the waveform. Similarly, the waveform of customer B can also be represented.
また、図１７に示すように他の形態の波形生成手段は、横軸を項目、縦軸を確率値（％）とし、各項目の確率値の平均値を算出し、平均値化した確率値をプロットするプロット処理を行い、折れ線グラフ化する波形生成処理を行う。例えば、図１２に示すように、商品Gの波形を生成する場合には、横軸を項目、縦軸を確率値（％）とし、商品Gを購入した履歴系データを持つ顧客らの各項目別の確率値の平均値を算出し、商品Gの各項目（例えば、年収レベル、喫煙率、車保有率）に対する平均値化した確率値をプロットし、これを波形化する。さらには図１８に示すように店Aの波形と店Bの波形を生成することもできる。 In addition, as shown in FIG. 17, the waveform generation means of another form calculates the average value of the probability values of each item, with the horizontal axis as the item and the vertical axis as the probability value (%), and the averaged probability value Is plotted, and a waveform generation process for generating a line graph is performed. For example, as shown in FIG. 12, when generating a waveform of a product G, each item of customers who have history data that purchased the product G, with the horizontal axis as the item and the vertical axis as the probability value (%) An average value of other probability values is calculated, and an averaged probability value for each item (for example, annual income level, smoking rate, car ownership rate) of the product G is plotted, and this is converted into a waveform. Furthermore, as shown in FIG. 18, the waveform of the store A and the waveform of the store B can be generated.
（近似度算出処理）
図１９，２０を参照して、近似度を算出する手段としての近似度算出処理について説明する。波形生成処理は、波形生成手段により生成された少なくとも２以上の波形の近似度（シンクロ率とも呼ばれる。）を、算出する処理をいう。この近似度は、波形生成手段により生成された少なくとも２以上の波形の点間の差分を算出する手段と、前記波形生成手段により生成された少なくとも２以上の波形の線分角度の差分を算出する手段と、前記点間の差分が閾値内に収まるか否かを判定する手段と、前記線分角度の差分が閾値内に収まるか否かを判定する手段と、前記点間の差分が閾値内に収まる割合を算出する手段と、前記線分角度の差分が閾値内に収まる割合を算出する手段と、前記点間の差分が閾値内に収まる割合と前記線分角度の差分が閾値内に収まる割合から求められる。
(Approximation degree calculation process)
With reference to FIGS. 19 and 20, the approximation calculation process as a means for calculating the approximation will be described. The waveform generation process refers to a process of calculating the degree of approximation (also referred to as a sync rate) of at least two or more waveforms generated by the waveform generation unit. The degree of approximation is calculated by calculating a difference between points of at least two or more waveforms generated by the waveform generating unit and a line segment angle difference of at least two or more waveforms generated by the waveform generating unit. Means for determining whether or not the difference between the points falls within a threshold; means for determining whether or not the difference in line segment angle falls within the threshold; and if the difference between the points falls within the threshold Means for calculating a ratio that falls within the threshold, means for calculating a ratio that the difference between the line segment angles falls within the threshold, and a ratio that the difference between the points falls within the threshold and the difference between the line segment angles falls within the threshold. It is obtained from the ratio.
図１９，２０に示すように、ここで、確率差分とは、対応するプロットされた点間の距離を、縦軸にとられた確率値の差で示した値であり、図１６を参照すれば、例えば、あて元データAの項目の項目X1（例えば、年収レベル）の確率がX1A％（例えば75％）、あて先データBの項目の項目X1（年収レベル）の確率がX1B％（例えば、73％）の位置にプロットされている場合、X1A％（75％）−X1B％（73％）＝確率差分Y1％（2％）の演算を行い、この演算をX1〜Xnの全ての項目に対応する点について繰り返し行い確率差分Y1〜Ynを算出する。次に、当該確率差分の値が閾値（例えばア5％）に収まる場合には点の一致と判定し、閾値に収まらない場合には点の不一致との判定を行う。さらに、全ての算出結果に対する点の一致率を算出する。 As shown in FIGS. 19 and 20, the probability difference is a value indicating a distance between corresponding plotted points by a difference of probability values taken on the vertical axis, as shown in FIG. For example, the probability of the item X 1 (for example, the annual income level) of the item of the destination data A is X 1 A% (for example, 75%), and the probability of the item X 1 (the annual income level) of the item of the destination data B is X If it is plotted at the position of 1 B% (for example, 73%), X 1 A% (75%)-X 1 B% (73%) = probability difference Y 1 % (2%) is calculated, this operation is repeatedly calculated performs probability difference Y 1 to Y n for the points corresponding to all of the items of X 1 to X n. Next, when the value of the probability difference falls within a threshold (for example, 5%), it is determined that the points match, and when the probability difference does not fall within the threshold, it is determined that the points do not match. Further, the point coincidence rate is calculated for all the calculation results.
また、線分角度の差分とは、折れ線グラフの線の角度の差分であり、図１９，２０を参照すれば、線分角度の差分θ＝θ1−θ2＝tan-1D/C−tan-1D'/Cの演算を行い、この演算をX1〜Xn間の全ての項目に対応する線について繰り返し行う。次に、当該線分角度の差分の値が閾値（例えばア3ー）に収まる場合には波形の一致と判定し、閾値に収まらない場合には波形の不一致との判定を行う。さらに、全ての算出結果に対する波形の一致率を算出する。 Further, the difference in line segment angle is the difference in line angle in the line graph. With reference to FIGS. 19 and 20, the difference in line segment angle θ = θ 1 −θ 2 = tan −1 D / C− performed tan -1 D '/ C operation is repeated for lines corresponding to all of the items between the operation X 1 to X n. Next, when the difference value of the line segment angle falls within a threshold value (for example, 3), it is determined that the waveform matches, and when it does not fall within the threshold value, it is determined that the waveform does not match. Furthermore, the coincidence rate of the waveforms with respect to all the calculation results is calculated.
そして、上述の演算により得られた点の一致率、波形の一致率より、波形の近似度たる近似度を、近似度＝（点の一致率+波形の一致率）/2の演算により算出する。なお、上述した閾値の値は可変条件とすることができる。 Then, from the point coincidence rate and the waveform coincidence rate obtained by the above-described calculation, an approximation degree that is an approximation degree of the waveform is calculated by calculation of approximation degree = (point coincidence ratio + waveform coincidence ratio) / 2. . The threshold value described above can be a variable condition.
このように、波形生成手段、近似度算出手段を通じて、顧客対顧客、企業対企業、店舗対店舗等のような同カテゴリー間の近似度、あるいは、顧客対企業、顧客対店舗、顧客対商品、顧客対エリア、企業対商品、店舗対商品、店舗対エリア等のような異なるカテゴリー間の近似度すなわち近似度を求め、該近似度を視覚化することにより、本システムを顧客へのレコメンド作業に役立てることができることはもちろんのこと、本システムで例えば、企業や店舗の品揃えの分析、出店地域の分析等様々な目的のための調査分析を行うことができる。 Thus, through the waveform generation means and the approximation degree calculation means, the approximation degree between the same categories such as customer-to-customer, company-to-company, store-to-store, etc., or customer-to-company, customer-to-store, customer-to-product, By calculating the degree of approximation between different categories such as customer-to-area, company-to-product, store-to-product, store-to-area, etc., and visualizing the degree of approximation, this system can be used as a recommendation work for customers. In addition to being useful, this system can be used to conduct survey analysis for various purposes, such as analysis of product lineups of companies and stores, analysis of store openings, and the like.
また、他の利用例としては、明細データが無い顧客についても確率値を求めることができるから、実際には、商品Aが未購入であるが購入する確率の高い顧客をピックアップする等の市場調査に用いることもできる。さらには、あるカテゴリーの顧客群が購入する可能性が高い商品を分析する等の市場調査に用いることもできる。 As another use example, since a probability value can be obtained even for customers who do not have detailed data, in fact, market research such as picking up customers who have not purchased product A but have a high probability of purchasing it. It can also be used. Furthermore, it can also be used for market research, such as analyzing products that are likely to be purchased by a group of customers.
１ 顧客データ解析システム
２ 運用会社システム
３ ネットアライアンスシステム
４ リアルアライアンスシステム
５ アンケート手段
1 Customer Data Analysis System 2 Operating Company System 3 Net Alliance System 4 Real Alliance System 5 Questionnaire Method
Claims (8)
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013214213A JP6059122B2 (en) | 2013-10-11 | 2013-10-11 | Customer data analysis system |
| CN201380013637.8A CN104718547A (en) | 2013-10-11 | 2013-11-20 | Customer data analysis system |
| PCT/JP2013/081284 WO2015052851A1 (en) | 2013-10-11 | 2013-11-20 | Customer data analysis system |
| KR1020147022254A KR20150053256A (en) | 2013-10-11 | 2013-11-20 | Customer data stochastic analysis system |
| TW103111958A TWI597679B (en) | 2013-10-11 | 2014-03-31 | Customer data analysis system |
| HK15110464.9A HK1209867A1 (en) | 2013-10-11 | 2015-10-23 | Customer data analysis system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013214213A JP6059122B2 (en) | 2013-10-11 | 2013-10-11 | Customer data analysis system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2015076076A true JP2015076076A (en) | 2015-04-20 |
| JP6059122B2 JP6059122B2 (en) | 2017-01-11 |
Family
ID=52812694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013214213A Active JP6059122B2 (en) | 2013-10-11 | 2013-10-11 | Customer data analysis system |
Country Status (6)
| Country | Link |
|---|---|
| JP (1) | JP6059122B2 (en) |
| KR (1) | KR20150053256A (en) |
| CN (1) | CN104718547A (en) |
| HK (1) | HK1209867A1 (en) |
| TW (1) | TWI597679B (en) |
| WO (1) | WO2015052851A1 (en) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6058104B1 (en) * | 2015-11-06 | 2017-01-11 | 株式会社南山デイリーサービス | Customer information update device and computer program |
| JP2017016632A (en) * | 2015-06-30 | 2017-01-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | Demand forecasting method, demand forecasting device, and computer readable recording medium recording demand forecasting program |
| JP2017045337A (en) * | 2015-08-27 | 2017-03-02 | 株式会社アクシバル | Digital marketing system |
| JP2017129891A (en) * | 2015-12-25 | 2017-07-27 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | Information processing apparatus, information processing method, and program |
| WO2019188101A1 (en) | 2018-03-27 | 2019-10-03 | カルチュア・コンビニエンス・クラブ株式会社 | Device, method and program for analyzing customer attribute information |
| JP2020126331A (en) * | 2019-02-01 | 2020-08-20 | 株式会社オービック | Data analysis device, data analysis method, and data analysis program |
| WO2021250902A1 (en) * | 2020-06-12 | 2021-12-16 | 株式会社アシックス | Data estimation device, method, and program |
| US11593817B2 (en) | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170004411A1 (en) * | 2015-07-04 | 2017-01-05 | Tata Consultancy Services Limited | Method and system for fusing business data for distributional queries |
| CN106651409A (en) * | 2015-10-29 | 2017-05-10 | 北京京东尚科信息技术有限公司 | Method for predicting marital status of user and device thereof |
| CN105701498B (en) * | 2015-12-31 | 2021-09-07 | 腾讯科技（深圳）有限公司 | User classification method and server |
| JP6598321B1 (en) * | 2018-05-21 | 2019-10-30 | Ｎｅｃプラットフォームズ株式会社 | Information processing apparatus, control method, and program |
| CN113177642A (en) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | Automatic modeling system for data imbalance |
| CN113177643A (en) * | 2021-05-24 | 2021-07-27 | 北京融七牛信息技术有限公司 | Automatic modeling system based on big data |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001229150A (en) * | 2000-02-14 | 2001-08-24 | Hitachi Ltd | Data analyzing method |
| JP2002366401A (en) * | 2001-06-06 | 2002-12-20 | Nippon Yunishisu Kk | Integral data mart structure, and operation supporting system |
| JP2008287550A (en) * | 2007-05-18 | 2008-11-27 | Nippon Telegr & Teleph Corp <Ntt> | Recommendation device in consideration of order of purchase, recommendation method, recommendation program and recording medium with the program recorded thereon |
| JP2012155427A (en) * | 2011-01-25 | 2012-08-16 | Hitachi Ltd | Optimal operation system of utility facility |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003085548A1 (en) * | 2002-04-04 | 2003-10-16 | Ishihara Sangyo Kaisha, Ltd. | Apparatus and method for analyzing data |
| US20040064357A1 (en) * | 2002-09-26 | 2004-04-01 | Hunter Jeffrey D. | System and method for increasing the accuracy of forecasted consumer interest in products and services |
| JP5334038B2 (en) * | 2008-08-11 | 2013-11-06 | Ｋｄｄｉ株式会社 | Preference estimation apparatus, preference estimation method, and computer program |
| CN101354757B (en) * | 2008-09-08 | 2010-08-18 | 中国科学院地理科学与资源研究所 | Method for predicting dynamic risk and vulnerability under fine dimension |
| US20100203876A1 (en) * | 2009-02-11 | 2010-08-12 | Qualcomm Incorporated | Inferring user profile properties based upon mobile device usage |
| JP2012190061A (en) * | 2011-03-08 | 2012-10-04 | Sony Corp | Information processor, terminal device, information presentation system, method for calculating evaluation score, and program |
| CN102360386A (en) * | 2011-10-12 | 2012-02-22 | 朱一超 | Intelligent shopping guide system and method of electronic commerce website |
| CN102662832A (en) * | 2012-03-20 | 2012-09-12 | 浙江大学 | Evaluation method of production process data correction software |
| CN103235981B (en) * | 2013-04-10 | 2016-03-09 | 东南大学 | A kind of wind power quality trend forecasting method |
-
2013
- 2013-10-11 JP JP2013214213A patent/JP6059122B2/en active Active
- 2013-11-20 KR KR1020147022254A patent/KR20150053256A/en not_active Application Discontinuation
- 2013-11-20 CN CN201380013637.8A patent/CN104718547A/en active Pending
- 2013-11-20 WO PCT/JP2013/081284 patent/WO2015052851A1/en active Application Filing
-
2014
- 2014-03-31 TW TW103111958A patent/TWI597679B/en not_active IP Right Cessation
-
2015
- 2015-10-23 HK HK15110464.9A patent/HK1209867A1/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001229150A (en) * | 2000-02-14 | 2001-08-24 | Hitachi Ltd | Data analyzing method |
| JP2002366401A (en) * | 2001-06-06 | 2002-12-20 | Nippon Yunishisu Kk | Integral data mart structure, and operation supporting system |
| JP2008287550A (en) * | 2007-05-18 | 2008-11-27 | Nippon Telegr & Teleph Corp <Ntt> | Recommendation device in consideration of order of purchase, recommendation method, recommendation program and recording medium with the program recorded thereon |
| JP2012155427A (en) * | 2011-01-25 | 2012-08-16 | Hitachi Ltd | Optimal operation system of utility facility |
Non-Patent Citations (1)
| Title |
|---|
| 石垣司他: ""２重潜在クラスモデルとベイジアンネットを結合した小売サービスにおける顧客購買行動モデリング"", 電子情報通信学会技術研究報告, vol. 第110巻 第76号, JPN6013062496, 7 June 2010 (2010-06-07), pages 165 - 171, ISSN: 0003108458 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017016632A (en) * | 2015-06-30 | 2017-01-19 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | Demand forecasting method, demand forecasting device, and computer readable recording medium recording demand forecasting program |
| US11593817B2 (en) | 2015-06-30 | 2023-02-28 | Panasonic Intellectual Property Corporation Of America | Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium |
| JP2017045337A (en) * | 2015-08-27 | 2017-03-02 | 株式会社アクシバル | Digital marketing system |
| JP6058104B1 (en) * | 2015-11-06 | 2017-01-11 | 株式会社南山デイリーサービス | Customer information update device and computer program |
| JP2017129891A (en) * | 2015-12-25 | 2017-07-27 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | Information processing apparatus, information processing method, and program |
| WO2019188101A1 (en) | 2018-03-27 | 2019-10-03 | カルチュア・コンビニエンス・クラブ株式会社 | Device, method and program for analyzing customer attribute information |
| WO2019188102A1 (en) | 2018-03-27 | 2019-10-03 | カルチュア・コンビニエンス・クラブ株式会社 | Device, method and program for making recommendations on the basis of customer attribute information |
| JP2020126331A (en) * | 2019-02-01 | 2020-08-20 | 株式会社オービック | Data analysis device, data analysis method, and data analysis program |
| JP7197391B2 (en) | 2019-02-01 | 2022-12-27 | 株式会社オービック | Data analysis device, data analysis method and data analysis program |
| WO2021250902A1 (en) * | 2020-06-12 | 2021-12-16 | 株式会社アシックス | Data estimation device, method, and program |
| JPWO2021250902A1 (en) * | 2020-06-12 | 2021-12-16 | ||
| JP7427785B2 (en) | 2020-06-12 | 2024-02-05 | 株式会社アシックス | Data estimation device, method and program |
Also Published As
| Publication number | Publication date |
|---|---|
| TWI597679B (en) | 2017-09-01 |
| CN104718547A (en) | 2015-06-17 |
| HK1209867A1 (en) | 2016-04-08 |
| JP6059122B2 (en) | 2017-01-11 |
| TW201514889A (en) | 2015-04-16 |
| WO2015052851A1 (en) | 2015-04-16 |
| KR20150053256A (en) | 2015-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6059122B2 (en) | Customer data analysis system | |
| US11164089B2 (en) | Transaction data analysis | |
| US20210042767A1 (en) | Digital content prioritization to accelerate hyper-targeting | |
| US20210264448A1 (en) | Privacy preserving ai derived simulated world | |
| KR20160071990A (en) | Customer data analysis and verification system | |
| WO2015001558A1 (en) | System and method for predicting sales | |
| Wu et al. | User Value Identification Based on Improved RFM Model and K‐Means++ Algorithm for Complex Data Analysis | |
| KR102091529B1 (en) | Method and apparatus for training AI model using user's time series behavior data | |
| US11017330B2 (en) | Method and system for analysing data | |
| WO2019072128A1 (en) | Object identification method and system therefor | |
| JP5693649B2 (en) | Market research and analysis system | |
| JP5914549B2 (en) | Information processing apparatus and information analysis method | |
| US10672035B1 (en) | Systems and methods for optimizing advertising spending using a user influenced advertisement policy | |
| US20210109906A1 (en) | Clustering model analysis for big data environments | |
| US10846352B1 (en) | System and method for identifying potential clients from aggregate sources | |
| JP2019082865A (en) | Sales promoting device, sales promoting method and sales promoting program | |
| KR101435096B1 (en) | Apparatus and method for prediction of merchandise demand using social network service data | |
| US20170316442A1 (en) | Increase choice shares with personalized incentives using social media data | |
| CN111369344A (en) | Method and device for dynamically generating early warning rule | |
| Mehmood et al. | Forecasting Pakistan’s exports to SAARC: An application of univiriate ARIMA model | |
| US20140136280A1 (en) | Predictive Tool Utilizing Correlations With Unmeasured Factors Influencing Observed Marketing Activities | |
| EP3493082A1 (en) | A method of exploring databases of time-stamped data in order to discover dependencies between the data and predict future trends | |
| KR102405503B1 (en) | Method for creating predictive market growth index using transaction data and social data, system for creating predictive market growth index using the same and computer program for the same | |
| Neysiani et al. | A framework for improving find best marketing targets using a hybrid genetic algorithm and neural networks | |
| JP2016122472A (en) | Information processing apparatus and information analysis method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150707 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20150901 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151002 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20160329 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160628 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20160705 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20160818 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20160909 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20161129 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161208 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6059122 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |