JP2015079331A - 顧客データ分析・検証システム - Google Patents

Abstract

【課題】顧客から提供されるデータを様々な手法で分析し、分析結果から顧客にはプロモーション、レコメンド等のアクションを提供し、アライアンス企業にはデータの提供等のアクションを提供し、このアクションがどの程度効果的あったかを検証する、データ蓄積、分析、アクション、効果測定のサイクルを持つシステムの提供。【解決手段】顧客データ分析・検証システム１は、アライアンス企業における顧客の明細データを蒐集する手段と、前記明細データを蓄積する手段と、前記明細データを分析する分析手段と、顧客をセグメントに分類する手段を有し、一のセグメントに分類された顧客の明細データの項目と、他のセグメントに分類された顧客の明細データの項目から購買行動の相違に影響を与える要件項目を判定する検証手段を有する。【選択図】 図３

Description

本発明は、顧客に関するデータを蒐集・蓄積するとともに該データを分析して分析結果から、プロモーション、レコメンド等の種々のアクションを計画・実行し、実行されたアクションの効果の検証を行うことができる顧客データ分析・検証システムに関するものである。

特定の企業において、サービスポイントシステムの加入者たる顧客から提供されるデータを蒐集・蓄積し、分析を行い、分析結果を当該企業の商品及びサービス（以下、商品等という）の広告の提供、試供品の提供等のプロモーション、クーポンの発行等のレコメンドに利用することが知られている（引用文献１〜５）。しかしながら、これまでこのような顧客のデータの分析とその利用は一企業に閉じたものであった。また、プロモーションやレコメンドは、顧客像を想定し不特定多数の顧客に対して行われるものであった。またプロモーションやレコメンドの効果が実際にあったか否かを詳細に検証するシステムは無く、効果の度合いを知る術は、対象商品等の販売額がどの程度伸びたか等の金銭的な事象の推移のみであった。

特開２０１０−２１１６８７号公報 特開２００９−１６３５３３号公報 特開２０１２−２４７９２６号公報 特開２００４−７０５０４号公報 特開２０１２−１９００６１号公報

そこで本発明は、サービスポイントシステムの加入者たる顧客から提供されるデータを様々な手法で分析し、分析結果から顧客に対してはプロモーション、レコメンド等のアクションを、アライアンス企業に対してはデータの提供等のアクションを計画し、アクションの提供を実行し、このアクションがどの程度効果的であったかを検証し、さらにアクションを改善するという、アクションの計画、アクションの実行、アクションの検証、アクションの改善のサイクルを有する顧客データの分析・検証システムを提供することを目的とする。

本発明の顧客データ分析・検証システムは、アライアンス企業における顧客の明細データを蒐集する手段と、前記明細データを蓄積する手段と、前記明細データを分析する分析手段と、顧客をセグメントに分類する手段を有し、一のセグメントに分類された顧客の明細データの項目と、他のセグメントに分類された顧客の明細データの項目から購買行動の相違に影響を与える要件項目を判定する検証手段を有することを特徴とする。

本発明の他の形態によれば、検証手段は、一のセグメントに分類された顧客の明細データの項目と、他のセグメントに分類された顧客の明細データの項目のうち非共通性の高い項目を購買行動の相違に影響を与える要件項目と判定することを特徴とする。

本発明の他の形態によれば、検証手段は、明細データの項目のうち履歴系データの項目から要件項目を判定する行動分析手段であることを特徴とする。

本発明の他の形態によれば、検証手段は、明細データの項目のうちリサーチ系データの項目から要件項目を判定する理解分析手段であることを特徴とする。

本発明の他の形態によれば、検証手段により判定された要件項目を一覧化するアクション作成手段と、該一覧化した要件項目を企業端末に提供するアクション実行手段を有することを特徴とする。

本発明の他の形態によれば、検証手段により判定された要件項目を含むレコメンドを作成するアクション作成手段と、該レコメンドを店舗端末及び/又は顧客端末に提供するアクション実行手段を有することを特徴とする。

本発明の他の形態によれば、検証手段により判定された要件項目を含むプロモーションを作成するアクション作成手段と、該プロモーションを店舗端末及び/又は顧客端末に提供するアクション実行手段を有することを特徴とする。

本発明の他の形態によれば、アクション実行前の明細データと、アクション実行後の明細データを比較し、アクション後に購買行動を起こした顧客を判定する手段を有することを特徴とする。

本発明の顧客データ分析・検証システムによれば、顧客から提供されるデータを的確に分析し、分析結果からアクションを作成して実行することができる。

本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのブロック図である。 本発明の顧客データ分析・検証システムのフローチャートである。 本発明の顧客データ分析・検証システムのフローチャートである。 本発明の顧客データ分析・検証システムのフローチャートである。 本発明の顧客データ分析・検証システムのフローチャートである。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 本発明の顧客データ分析・検証システムの模式図である。 顧客ＤＮＡ分析のフローチャートである。 顧客ＤＮＡ分析のブロック図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客ＤＮＡ分析の予想処理の処理内容を示す模式図である。 顧客の実績データが入った状態のデータテーブルの例である。 確率推論後の確率値が入った状態のデータテーブルの例である。 確率推論後の確率値から導いたマップ推定値が入った状態のデータテーブルの例である。

（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分析・検証システム１について説明する。本発明の顧客データ分析・検証システム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、複数のアライアンス企業のＥＣサイトと運用会社の演算装置等からなる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る複数のアライアンス企業の各実店舗に設置される店舗端末（POS）６と運用会社の演算装置等からな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。

図１、図２を参照して、システム１の構成の概略について説明する。本発明のシステム１は、顧客に商品やサービスに交換可能なサービスポイントを付与し、サービスポイントを利用させることに伴い、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等を介して顧客から各種データを蒐集し、データベースに蓄積する。そして蓄積されたデータを分析し、図２に示すように顧客を任意のグループに分類するセグメンテーションを行う。そして図３、図４に示すように各顧客に適したにＰＯＳクーポンや広告電子メールの配信等のレコメンド、ＴＶ広告、新聞広告、ソーシャルネットワーキング及び会員ログイン画面への広告表示、試供品提供等のプロモーションや、図５、図６に示すように企業に向けた商品開発用データや商品導入用データの提供等のデータ提供等、顧客或いは企業に向けた種々のアクションを実行し、かつこれらのアクションの効果を検証し、アクションの内容を改善するシステムである。

まず、図３１を参照して、顧客から運用システム２に提供されるデータの例について説明する。顧客から運用システム２に蓄積されるデータには、第１にシステム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等を、購入するたびに蒐集され運用システム２に伝達される商品等の品目、商品名、来店時間帯、利用店舗等の履歴系データと、顧客の意思で電子メールを通じたアンケート、顧客に提供した視聴コンテンツの双方向通信等を通じて行うアンケート、モニタリング、面接等のリサーチを通じて蒐集され運用会社システム２に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。尚、必要に応じて、ネットユーザーのアクセス時間、利用媒体、利用サイトのデータ等のネット行動データを含むことがある。そして第３にアライアンス企業における顧客の商品等の購入等に対応して付与・利用される、或いは、アンケートへの回答の謝礼に付与する等、様々な局面で付与・利用されるサービスポイントに関するポイント系データがある。

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に伝達され解析データベースに蓄積される。ポイント系データは、ポイント系システムのポイント管理データベースに蓄積され、サービスポイント加算・減算処理は、顧客によるアライアンス企業における商品等の購入の際や、その他様々な機会にサービスポイントを利用・蓄積されるたびに、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、サービスポイント加算・減算処理は、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・減算処理を行われるようになっている。

このように蒐集される各データは、顧客がシステム１に登録する際に、顧客に付与される個別の顧客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やポイントカード機能付きのクレジッ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端末等店舗端末６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。

図７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、明細データの蒐集処理、明細データの蓄積処理、明細データの分析処理、顧客のセグメンテーション処理、要件項目の検証処理、店舗端末６、顧客端末５、あるいは企業端末７に提供するための、レコメンド・プロモーション・商品開発用データ・商品導入用データ等のアクション作成処理、アクションを店舗端末６、顧客端末５、あるいは企業端末７等に提供するアクション実行処理であり、これらの各ステップが繰り返されてアクションの計画、アクションの実行、アクションの検証、アクションの改善というサイクルが形成される。

(明細データ蒐集・蓄積処理段階)
明細データの蒐集手段により、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、店舗端末６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、顧客がECサイト等を通じて商品等を購入する際に、顧客端末５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。

次に明細データ蓄積手段より、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。ここまでの明細データの蒐集と蓄積は顧客が購買行動をし、そのデータが提供されるたびに行われる。

(明細データの分析段階)
次に、図７を参照して本システム１の明細データ分析からアクション実行までの基本のフローについて説明する。明細データ蒐集処理、明細データ蓄積処理によりデータベースに解析データベースに蓄積された明細データは、明細データ分析手段により分析される。明細データ分析手段の最も単純な手法は、図３１に示すように購買履歴の実績値の有無或いは、実績値の購買回数を分析する手段である。尚、他の例としては図３２に示すように後述する顧客DNA分析（顧客プロファイル分析）を行った結果の確率値、さらに図３３に示す様に確率値から算出したマップ推定値から、購買履歴の有無や購買回数を分析する手法もある。

例えば、明細データ分析手段は、明細データの項目から任意の商品等G１の履歴の有無を分析する。または、任意の商品等G1の購入履歴が任意の期間に任意の回数以上有るか、購入履歴が有るが任意の期間の購買履歴が任意の回数以下の顧客を分析することにより明細データを分析する。

（セグメンテーション段階)
顧客セグメンテーション手段は、明細データ分析の結果から、購入ユーザー（購入履歴の有る顧客）、未購入ユーザー（購入履歴の無い顧客）に顧客を分類する。或いは、継続ユーザー（購入履歴が任意の期間に任意の回数以上有る顧客）、離脱ユーザー（購入履歴が有るが、任意の期間の購買履歴が任意の回数以下の顧客）に顧客を分類する。また、顧客DNA分析後の明細データを利用する場合には、確率値が任意の閾値以上の顧客、確率値が任意の閾値以下の顧客に顧客を分類することもできる。このように任意の設定に応じて顧客はセグメントされる。

（検証段階）
検証段階における要件項目の検証処理について説明する。要件項目の検証手段は、上述した顧客セグメンテーション手段で、例えば、継続ユーザーに分類された顧客群C１、離脱ユーザーに分類された顧客群C2との間で、任意の明細データの項目のうち顧客の購買行動の相違に影響を与えている可能性が高い項目(例えば、非共通性の高い項目）を、履歴系データを分析する行動分析或いはリサーチ系データを分析する理解分析により分析し、両顧客群の購買行動の相違に顕著な影響を与えている項目を判定し抽出する。顧客の購買行動の相違に影響を与えている可能性が高い項目を数量的に判定する手段には、例えば、履歴有り、履歴無しの差が任意の閾値以上の顧客数である項目を両顧客群の購買行動の相違に顕著な影響を与えている項目と判定する、購買回数の差が任意の閾値以上の項目を両顧客群の購買行動の相違に顕著な影響を与えている項目と判定する等その手法は様々である。

例えば、継続ユーザーの顧客群C1に分類された顧客は、ある明細データの項目に履歴有りが多く蓄積されているが、離脱ユーザーの顧客群C2に分類された顧客は、顧客群C1の顧客の多くに履歴有りが蓄積されている当該項目の多くに履歴無しが蓄積されていることが分析される。このように商品G1の購入者の履歴の有無と、非購入者の履歴の有無に顕著に影響を与える項目をアクション作成の要件項目として抽出する。ここにいう要件項目とは「商品G1と併売される（同一の支払機会に購入される）商品G2の購入履歴の有無」「来店時間」「利用店舗」等の履歴系データから明らかになる項目、「商品G1の特定の品質に関する認知度の有無」「顧客の特定の志向性高低」等リサーチ系データから明らかになる項目等様々である。尚、本発明のシステム１は複数のアライアンス企業の明細データを蒐集していることから、要件項目には、「商品G1の提供者たる企業Aとは異なる企業Bの商品G2の購買履歴が有る」という要件項目や、「商品G1の提供者たる企業Aとは異なる企業Bの店舗利用履歴が有る」という要件項目をも要件項目として抽出することができる。要件項目を判定する検証処理の分析手段には、後述するRFM分析、併売（バスケット）分析、商圏分析、商品開発分析、購買者意識調査という既存の分析、本発明独自の顧客DNA分析等様々な分析手段がある。

（アクション作成段階・アクション実行段階）
アクション作成手段は抽出された要件項目に対応するアクション(レコメンド、プロモーション、商品開発データ・商品導入データ)を作成する手段である。例えば、継続ユーザーの顧客群C1は有するが、離脱ユーザーの顧客群C2が有さないと判定された要件項目が特定の「来店時間」である場合には、顧客群C2に分類された顧客の顧客IDが店舗端末６を通じて運用会社システム２に伝達されたときに該店舗端末６から発券されるレシートに特定の「来店時間」に利用できるクーポンを印字するというアクションを作成する。また、要件項目が「商品G1の特定の品質に関する認知度の有無」である場合には、全ての顧客のウェブサイトのログイン画面に「商品G1の特定の品質」に関するワンポイントインフォーメーション広告を表示するというアクションを作成する。また、アライアンス企業に対するアクションの例としては、要件項目の一覧を作成し商品開発用データ或いは商品導入用データとして企業端末に送信するというアクションが挙げられる。尚、本発明のシステム１は複数のアライアンス企業に亘るシステムであることから、アクションの作成とアクションの実行は複数のアライアンス企業に亘る要件項目を含むように作成し、実行することが可能である。以上が、基本のフローである。

(次回以降の明細データ分析段階)
次に、図８により、図７に示す基本のフローによりアクションが実行された後の、次回以降のフローを説明する。まず基本フローと同様に、明細データの蒐集・蓄積は随時為されている。明細データ分析段階において、明細データ分析手段は、アクション後の購買履歴を分析する。例えば、明細データ分析手段は、アクションの実行対象の顧客の明細データから、アクション実行前の商品G1の項目とアクション実行後の商品G1の項目を比較し、「購買履歴無し」の顧客群C2に分類された顧客の顧客IDに対応する商品G1の項目に「購買履歴有り」の実績値が振られた場合に、この顧客にはアクションの効果有りとの分析をする。

(次回以降のセグメンテーション段階)
上述の明細データ分析は、アクションのターゲットとした顧客に対しても行うことができるが、アクション後の全ての顧客に対してすることができるので、顧客群は、「想定ターゲットで買った顧客」「想定外ターゲットで購入した顧客」「既存ユーザーで離脱した顧客」「想定ターゲットで買わなかった顧客」のように新たなセグメントに顧客の再分類を行うことができる。

(次回以降の検証段階)
そして検証手段は、再度「想定ターゲットで買った顧客」「想定外ターゲットで購入した顧客」と、「既存ユーザーで離脱した顧客」「想定ターゲットで買わなかった顧客」の購買行動の相違に顕著な要件項目を種々の分析手段により判定し抽出する。

(次回以降のアクション作成段階・アクション実行段階）
そしてアクション作成手段は、新たに判定し抽出された要件項目に基づいて、アクションの内容を差し替える改善処理を行う。アクション実行手段は、改善処理後のアクションを店舗端末６、顧客端末５、企業端末７等に提供する。このように、初回の分析とアクションの作成処理、アクションの実行処理と、アクションの実行処理後の再度の分析と、アクションの改善処理、改善したアクションの実行処理が繰り返されて、アクションの内容はより購買効果を高めるものに改善されるサイクルが出来上がるようになっている。

（具体例）
ここで、図９及び図１０のフローチャートと、図１１〜図２１の模式図を参照し、任意の商品（例：コラーゲンドリンク）を例に、要件項目の検証手段として履歴系データを分析する行動分析と、リサーチ系データを分析する理解分析とに分けて具体的なフローを説明する。

図１１に例示した「コラーゲンドリンク」には、各種の「コラーゲンドリンク」の中で比較的売上が上位、後発の低価格品に押され気味、コラーゲン量は他の商品と大差がない、ビタミンEの含有量が豊富という特性があると仮定する。

図１２に示す様に、この「コラーゲンドリンク」について、明細データ分析とセグメンテーション処理により、この「コラーゲンドリンク」の購入履歴の有る顧客と購買履歴の無い顧客に顧客を分類する。一階層目のセグメンテーション処理より、購買履歴が有るセグメントに分類された顧客の属性データを分析すると「女性」が多いことが分析され、履歴系データから「夜型生活」の顧客が多いことが分析され、「低価格志向」及び「健康志向」という志向性をもつ顧客が多いことが分析される。必要に応じてセグメンテーション手段は、購買履歴の有る顧客に対して、購買回数や購買期間を閾値に、二階層目のセグメンテーション処理を行い、継続ユーザーと離脱ユーザーに分類する。

次に、図１３を参照すると、検証処理手段としての行動分析手段は、RFM分析、併売分析等の様々な分析手段を組み合わせて、継続ユーザーと離脱ユーザーの履歴系データの項目のうち購買行動に影響を及ぼしている項目(例えば非共通性の高い項目)を判定する。例えば、ここでは項目「１ヶ月に６回以上購入」及び項目「ランチタイムに購入傾向」が継続ユーザーに偏って現れる項目であり、行動分析手段は、これらの項目を両者に顕著な非共通性のある項目と判定し、これらの項目がこの「コラーゲンドリンク」の購買行動に影響を及ぼす要件項目として抽出する。一方履歴系データの項目のうち例えば「他社セール時は他社の製品を購入する」という項目は両者に偏りなく現れる項目であり、行動分析手段は、この項目を両者に顕著な非共通性が無い（つまり、共通性のある）項目と判定し、これらの項目はこの「コラーゲンドリンク」の購買行動に影響を及ぼす要件項目としては抽出しない。

次に図１４、図１５を参照すると、検証処理手段としての理解分析手段は、購買者意識調査、商品開発分析等の様々な分析手段を組み合わせて、継続ユーザーと離脱ユーザーのリサーチ系データの項目のうち購買行動に影響を及ぼしている項目(例えば非共通性の高い項目)を判定する。例えば、ここでは項目「ビタミンEに対する知識の豊富さ（ビタミンEがコラーゲンの吸収を助けるという知識を有する）」が継続ユーザーに偏って現れる項目であり、理解分析手段は、この項目を両者に顕著な非共通性のある項目と判定し、この項目を「コラーゲンドリンク」の購買行動に影響を及ぼす要件項目として抽出する。一方履歴系データの項目のうち「ブランド認知度」「ブランドのイメージ」「コラーゲンに対する知識の豊富さ」という項目は両者に偏りなく現れる項目であり、理解分析手段は、この項目を両者に顕著な非共通性が無い、（つまり、共通性のある項目）と判定し、これらの項目はこの「コラーゲンドリンク」の購買行動に影響を及ぼす要件項目としては抽出しない。

図１６を参照すると、作成手段は、上述の分析から検証された要件項目「低価格志向」及び「1ヶ月で6回以上購入」「ランチタイムに購入」「ビタミンEのコラーゲン補助効果に対する理解の豊富さ」等を一覧化し、企業端末７に提供する商品開発データ或いは商品導入データに加工したり、要件項目ポイントを満たすようレコメンド、プロモーションを作成するというアクションの作成を行う。

図１７に、顧客に対するアクション作成の例を示せば、例えば要件項目「ランチタイムに購入」の要件項目を満たすように「コラーゲンドリンク」を「お弁当やサンドイッチと同時に購入した場合にはセット割引をするキャンペーンクーポン」を店舗端末６から発券するアクションを作成する。また、「１ヶ月で６回以上購入」の要件項目を満たすように、「コラーゲンドリンク」を「６回以上購入すると特別なプレゼントの応募券を付与する」という広告メールを顧客端末５に配信するというアクションを作成する。或いは「ビタミンEのコラーゲン補助効果に対する理解の豊富さ」の要件項目を満たすように、「ビタミンEの効果訴求を入れ込んだ」メディア広告を作成するとうアクションを作成する。

図１８に示すように、継続ユーザーと離脱ユーザー或いは、購買履歴が有るユーザーと購買履歴の無いユーザーの購買行動に与える影響の度合いの高い要件項目（例えば非共通性の高い項目）を分析し、継続ユーザー及び購買履歴の有るユーザーの明細データの項目の状態に、離脱ユーザー及び購買履歴の無いユーザーの明細データの項目の状態を、種々のアクション作成と実行によりできる限り近づけることで、離脱ユーザーや購買履歴の無いユーザーを、継続ユーザー及び購買履歴の有るユーザーに変化させる。ここで、履歴系データを分析する行動分析と、リサーチ系データを分析する理解分析の双方を行うことで、履歴系データから分析される顧客の意識下の行動と、リサーチ系データから分析される顧客の意識上の行動から導き出される要件項目が、両者の相違を埋めるためのアクション作成に活かされることとなる。

図１９に示すように、アクション後に明細データ分析手段が履歴系データを分析し、アクション前の履歴系データと比較処理をし、顧客のセグメンテーションを行うことにより、顧客は「想定ターゲットで買った人」「想定外ターゲットで買った人」「既存ユーザーで離脱した人」「想定ターゲットで買わなかった人」に再分類することができる。

図２０、図２１に示すように、上述の明細データ蒐集・蓄積、明細データ分析、顧客のセグメンテーション、要件項目の検証、アクションの作成・改善、アクションを繰り返すことで、どんなセグメントに分類された人がなぜ購買行動に動いたか、一方、どんなセグメントに分類された人がなぜ購買行動に動かなかったかを検証でき、より良いレコメンド、プロモーション、データ提供等のアクションを行うことができる。このとき、システム１では、ネット行動データも蓄積しているので、アクションのターゲットとする顧客の閲覧頻度の高いアクセス時間、利用媒体、利用サイトを狙ってネットワーク広告のアクションを実行することができる。さらに個々の顧客の生活状況も分析することができるので、ターゲットとする顧客の在宅時間を狙ってTV広告のアクションを実行することができる。さらにはターゲットとする顧客の購読誌や購読新聞への紙面広告のアクションを提供することができる。

最後に、明細データを分析する幾つかの分析手段について説明する。明細データ分析段階における第１の分析モデルはRFM分析である。RFM分析とは、明細データを購買期間、購入回数、購入金額の切り口で分析する手法である。RFM分析手段の一例を示せば、明細データの履歴系データから最近アライアンス企業において購入された年月日、一定期間にアライアンス企業において商品等が何回購入されたかの購入回数、一定期間での購買金額を分析し、各項目それぞれに運用会社あるいは各アライアンス企業独自に設定されたウェイトをつけ、その合計の評価点を算出し、対象商品等の購入可能性を評価する分析を行う。本発明のシステム１は複数のアライアンス企業に亘る明細データを分析することができるので、１の顧客の複数のアライアンス企業に亘る明細データをRFM分析の切り口により分析することができる。したがって、任意の顧客のアライアンス企業に亘る購買行動の購買期間、購買回数、購買価格が分析可能となる。これにより、任意の顧客が次に行く可能性のあるアライアンス企業や店舗、購買する可能性のある商品等を予測するための分析結果等が提供される。

第２の分析モデルは商圏分析である。商圏分析とは、明細データを地域性の切り口で分析する手法である。商圏分析手段の一例を示せば、顧客の属性データの居住地特性及び/または通勤・通学エリア特性にフラグを付与し、該フラグを元に共通の居住地特性及び/または通勤・通学エリア特性を有する顧客群の履歴系データから購買回数、購買金額を分析し、それぞれに運用会社あるいは各アライアンス企業独自に設定されたウェイトをつけ、その合計の評価点を算出し、対象商品、店舗、アライアンス企業における購入可能性を評価する分析を行う。
したがって、任意の商圏において購買可能性のある顧客を予測するための分析結果等が提供される。本発明のシステム１は複数のアライアンス企業に亘る明細データを分析することができるので、１の顧客の複数のアライアンス企業に亘る明細データを商圏分析により分析することができる。したがって、任意の顧客がどの商圏で購買行動をしているか等が分析可能となる。また、同じ商圏の１のアライアンス企業での履歴系データを有する顧客を、同じ商圏の例えば履歴系データが無い他のアライアンス企業に誘引するための分析結果が提供される。

第３の分析モデルは併売分析（バスケット分析）である。併売分析とは任意の顧客が同一の機会にどのような商品を購入しているかについて分析する手法である。併売分析手段の一例を示せば、履歴系データが伝達される際に１のレシート単位で伝達された履歴系データを一括りにすることで、顧客が一度の購買行動で購入した商品等が分析される。本発明のシステム１は複数のアライアンス企業に亘る明細データを蒐集蓄積することができるので、１の顧客の複数のアライアンス企業に亘る明細データを併売分析により分析することができる。したがって、任意の顧客が１の購買単位で購入する商品等の傾向を予測するための分析結果が提供される。

第４の分析モデルは、商品開発分析である。商品開発分析は、上記第１〜第３の分析モデルによるRFM分析、商圏分析、或いは併売分析の分析結果を総合的に組みあわせ、購買期間、購買回数、購買金額、商圏、併売単位等の切り口でより購入されやすい新規商品を分析する手法である。

第５の分析モデルは、購買者意識調査である。運用システム２は、任意のアンケートに回答させるかたちで顧客からリサーチ系データを取得し、これを分析する手法である。アンケートのやり方には、顧客に対して、単純に任意の商品を「欲しい」「欲しくない」と回答をさせる場合や、顧客の志向性（高級志向、伝統志向、健康志向）を調査する場合等がある。

第６の分析モデルは、顧客DNA分析（顧客プロファイル分析）と呼ばれる新規の明細データ解析である。顧客DNA分析とは、顧客の明細データの全ての項目について確率値を予想し、顧客が明細データの実績値を提供していない部分を含めて、明細データの各項目に確率値を振るデータ解析である。つまり、顧客DNA分析によれば、顧客の明細データはより正確に解析されるし、上記第１〜第５の分析手法と組み合わせることで、明細データの実績値を持たない顧客の明細データの分析も行うことができる。以下、このデータ解析について図２２〜図３３を参照して詳述する。

図２２、２３を参照して、上述した明細データの蒐集(S1)、蓄積（S2）が行われた後の、顧客DNA分析における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。

次に、サンプリング処理、モデリング処理（S5）、検証処理（S6）及びスコアリング処理（S7）について説明する。ここで、後述するモデリング処理（S5）、検証処理（S6）及びスコアリング処理（S7）の根幹となる本発明の予想処理について説明する。

予想処理は、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。

以下、図２４〜図３０に示す予想処理のモデルを参照して、本発明の予想処理について説明する。図２４〜図２６に示すケース１の予想処理は予想処理が１階層モデルの場合である。任意の顧客Aの予想処理について、結婚の有無の確率を目的変数とすると、このとき、顧客Aの明細データが無い場合、つまり、説明変数に何も実績値の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（既婚約０．５７、未婚約０．４３）が振られる。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）についても何もデータが無い状態では、明細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。

図２５によれば、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」の明細データが得られると、惣菜購入の確率値（１．０）が入り、予想処理により、目的変数たる未婚の確率値は０．４３から０．６３に上がる。

図２６によれば、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」の明細データが得られると、確率値（１．０）が入り、目的変数たる未婚の確率値は０．６３から、さらに０．９０に上がるという予想処理が為される。

次に図２７〜３０に示す予想処理のモデルを参照して、２階層モデルの場合の予想処理について説明する。任意の顧客Aの予想処理について、手作り志向の確率を第２の目的変数とすると、このとき、顧客Aの明細データが無い場合、つまり、説明変数に何も実績値の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（高い約０．４８、低い約０．５２）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（既婚約０．５７、未婚約０．４３）が振られる。

次に、顧客Aの説明変数のうち調味料購入について「購入あり」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、調味料購入の確率値（１．０）が入り、予想処理により、手作り志向の確率値は０．４８から０．７１と上がる。

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０．５７から０．６８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０．７１から０．７４に上がる。

図３０に示すように、予想処理は説明変数（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降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。つまり本発明の予想処理は、任意の説明変数の実績値が入ることが、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、各項目の確率値を算出する予想処理をする。また、２階層以上の予想処理では、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想処理をする。

サンプリング処理(S4)は、全顧客分の明細データを解析するための予想処理の解析用暫定モデルを作成するに際して、精度の高い暫定モデルを作成するために任意の顧客を抽出する動作である。つまり予想処理の解析用テストモデルのために、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。このサンプリング処理は、モデリング処理の前段階で為される処理である。サンプリング処理において解析テストモデル用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。

モデリング処理（S5）は、全顧客分の明細データを予想処理する前に、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解析用テストモデルにより予想処理をして確率値を算出し、その結果の確率値と、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、スコアリング用の暫定モデルを生成する処理である。

モデリング処理は、サンプリングされた顧客のデータについて、予想処理の解析用テストモデルによって、予想処理をする各目的変数について確率値が算出される。次に、解析用テストモデルによる予想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算出する検証処理を行う。検証処理の結果、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解析用テストモデル修正処理が繰り返された後、事前確率値との差分が任意の値以下となった状態のスコアリング用の暫定モデルが決定される。尚、このモデリング処理は、明細データが蒐集蓄積されるたびに旧くなることから、定期的に行われ、都度、実情に即した予想処理の暫定モデルが生成される。

スコアリング処理は、上記モデリング処理で生成された暫定モデルを全ての顧客のデータマートに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。

つまり、スコアリングが為されない状態では、図３１の実績テーブルに示すように顧客についてのデータは、実際に蒐集された属性データ、明細データである。これについて、上述の暫定モデルにより予想処理をすると、図３２に示す、顧客DNAテーブルとも呼ばれる確率推論後のテーブルに示す如く全ての項目について確率値が得られる。さらに、必要に応じて図３３に示すように、実績テーブルの傾向をもとに確率値を閾値で判定する等の処理をくわえたマップ推定値を得ることも可能である。

このような処理により顧客データを解析することで、短時間で、多数の顧客のデータを正確に解析することができる。尚、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予想処理を施すことも可能である。

上述したように実績テーブルの実績値から明細データ分析、行動分析、理解分析を行うこともできるが、実績値のデータ量の少ない顧客についてもより精度の高い要件項目を抽出し、アクションを作成するには、顧客DNA分析後の確率値あるいはマップ推定値を明細データ分析し、顧客をセグメンテーションし、顧客DNA分析後の確率値あるいはマップ推定値に対して、行動分析、理解分析を行い要件項目を判定することで、より精度の高いアクションを作成することができる。

このように本発明のシステム１によれば、サービスポイントシステムの加入者たる顧客から提供されるデータを様々な手法で分析し、分析結果から顧客にはプロモーション、レコメンド等のアクションを、アライアンス企業にはデータの提供等のアクションを計画し、アクションの提供を実行し、このアクションがどの程度効果があったかを検証し、さらにアクションを改善するというアクションの計画、アクションの実行、アクション効果測定、アクションの改善のサイクルを有する顧客データの分析・検証システムを提供することができる。

また、本発明のシステム１は、複数のアライアンス企業に亘る顧客データを分析することができるので、顧客は複数の企業に亘って利用でき、自己の生活状況や志向にあったレコメンドやプロモーションを受け取ることができ、アライアンス企業は、自社で顧客データを保有することなく、ターゲットとして適切な顧客に対してレコメンド、プロモーションを打つことができるとともに、商品開発や商品導入に有用なデータを入手することができる。

１ 顧客データ分析・検証システム
２ 運用会社システム
２２ 分析手段
２３ アンケート手段
２４ レコメンド手段
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 顧客端末
６ 店舗端末
７ 企業端末

Claims (8)

1. アライアンス企業における顧客の明細データを蒐集する手段と、前記明細データを蓄積する手段と、前記明細データを分析する分析手段と、顧客をセグメントに分類する手段を有し、一のセグメントに分類された顧客の明細データの項目と、他のセグメントに分類された顧客の明細データの項目から購買行動の相違に影響を与える要件項目を判定する検証手段を有することを特徴とする顧客データ分析・検証システム。
2. 検証手段は、一のセグメントに分類された顧客の明細データの項目と、他のセグメントに分類された顧客の明細データの項目のうち非共通性の高い項目を購買行動の相違に影響を与える要件項目と判定することを特徴とする請求項１記載の顧客データ分析・検証システム。
3. 検証手段は、明細データの項目のうち履歴系データの項目から要件項目を判定する行動分析手段であることを特徴とする請求項１または２記載の顧客データ分析・検証システム。
4. 検証手段は、明細データの項目のうちリサーチ系データの項目から要件項目を判定する理解分析手段であることを特徴とする請求項１乃至３のいずれかに記載の顧客データ分析・検証システム。
5. 検証手段により判定された要件項目を一覧化するアクション作成手段と、該一覧化した要件項目を企業端末に提供するアクション実行手段を有することを特徴とする請求項１乃至４のいずれかに記載の顧客データ分析・検証システム。
6. 検証手段により判定された要件項目を含むレコメンドを作成するアクション作成手段と、該レコメンドを店舗端末及び/又は顧客端末に提供するアクション実行手段を有することを特徴とする請求項１乃至５のいずれかに記載の顧客データ分析・検証システム。
7. 検証手段により判定された要件項目を含むプロモーションを作成するアクション作成手段と、該プロモーションを店舗端末及び/又は顧客端末に提供するアクション実行手段を有することを特徴とする請求項１乃至６のいずれかに記載の顧客データ分析・検証システム。
8. アクション実行前の明細データと、アクション実行後の明細データを比較し、アクション後に購買行動を起こした顧客を判定する手段を有することを特徴とする請求項１乃至７のいずれかに記載の顧客データ分析・検証システム。