JP2015146126A - 顧客分析プログラム、顧客分析方法、及び顧客分析装置 - Google Patents
顧客分析プログラム、顧客分析方法、及び顧客分析装置 Download PDFInfo
- Publication number
- JP2015146126A JP2015146126A JP2014018841A JP2014018841A JP2015146126A JP 2015146126 A JP2015146126 A JP 2015146126A JP 2014018841 A JP2014018841 A JP 2014018841A JP 2014018841 A JP2014018841 A JP 2014018841A JP 2015146126 A JP2015146126 A JP 2015146126A
- Authority
- JP
- Japan
- Prior art keywords
- customer
- cluster
- group
- analysis
- customer group
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】 特徴的な顧客グループを分析する顧客分析プログラム、顧客分析方法、及び顧客分析装置を提供する。
【解決手段】 顧客分析プログラムは、購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させるプログラムである。
【選択図】図8
【解決手段】 顧客分析プログラムは、購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させるプログラムである。
【選択図】図8
Description
本件は、顧客分析プログラム、顧客分析方法、及び顧客分析装置に関する。
例えば百貨店や量販店(以下、「販売店」と表記)は、来店した顧客を分析し、分析結果を、商品施策や売り場施策などの経営戦略に活用する。顧客分析は、例えば、顧客を年齢、性別、及び住所などに基づいて複数のグループに分類したり、顧客の購買情報(商品のブランド、金額、頻度など)などに基づいて複数のグループに分類することにより行われる。
分析手段に関し、例えば特許文献1には、文書を所定の属性に基づいて複数のカテゴリに分類し、ユーザにより指定された属性のカテゴリに対し相関が高い属性のカテゴリを提示する点が開示されている。
しかし、顧客分析により得られた顧客グループの情報は、例えば、当該販売店が存在する地域の人口統計や商業関連の統計などの一般的な公開情報との比較分析に用いられることはあっても、複数の他の販売店に関する分析結果との比較分析に用いられることはない。
このような不十分な比較分析では、他の販売店とは異なる独自の顧客層、つまり当該販売店の特徴的な顧客グループを詳細に分析することが困難である。なお、この問題は、商品を販売する販売店に限られず、例えば飲食店のように特定のサービスを提供する店についても、同様に存在する。
一つの側面では、本発明は、特徴的な顧客グループを分析する顧客分析プログラム、顧客分析方法、及び顧客分析装置を提供することを目的とする。
一つの態様では、顧客分析プログラムは、購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させる。
一つの態様では、顧客分析方法は、購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行する工程と、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成する工程と、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する工程とを、コンピュータが実行する。
一つの態様では、顧客分析装置は、購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する処理を実行する制御部を有する。
特徴的な顧客グループを分析できる。
図1は、顧客分析システムの一例を示す構成図である。顧客分析システムは、顧客分析装置1と、百貨店A〜Xにそれぞれ設置された端末装置2とを有する。端末装置2は、例えばパーソナルコンピュータなどのコンピュータ装置であり、インターネットなどのネットワークNWを介して、顧客分析装置1に接続されている。なお、顧客分析装置1は、ネットワークNWに接続されていない状態(オフライン状態)でも、格納済みのデータを用いて顧客分析処理を実行することは可能である。
顧客分析装置1は、例えば、サーバ装置などのコンピュータ装置であり、顧客分析サービスを提供する。顧客分析装置1は、端末装置2から各種のデータを取集することにより、各百貨店A〜Xの顧客を分析し、各百貨店A〜Xの顧客の分析結果を当該端末装置2に送信する。
より具体的には、顧客分析装置1は、分析対象の百貨店の顧客の購買履歴データに基づいて生成され、複数の百貨店の類似の顧客グループが属する統合顧客グループと類似しない顧客グループを、特徴的グループとして出力する。これにより、顧客分析装置1は、特徴的な顧客を分析する。
本実施例において、顧客分析装置1は、百貨店Xを分析対象とし、百貨店Xの顧客を、他の百貨店A,B,C,・・・の分析結果に基づいて構築されたデータベースを用いて分析する。なお、顧客分析装置1の分析対象は、百貨店Xに限定されず、量販店、コンビニエンスストア、及び自動車のディーラーなどの他種の販売店や、例えば飲食店のように、顧客に特定のサービスを提供する店であってもよい。
図2は、端末装置2の一例を示す構成図である。端末装置2は、CPU(Central Processing Unit)20、ROM(Read Only Memory)21、RAM(Random Access Memory)22、HDD(Hard Disk Drive)23、及び通信処理部24を備える。端末装置2は、さらに、可搬型記憶媒体用ドライブ25、入力処理部26、及び画像処理部27などを備えている。
CPU20は、演算処理手段であり、顧客分析装置1とデータを送受信するための通信処理プログラム(ソフトウェア)に従って動作する。CPU20は、各部21〜27とバス28を介して接続されている。なお、端末装置2は、ソフトウェアにより動作するものに限定されず、CPU20に代えて、特定用途向け集積回路などのハードウェアが用いられてもよい。
RAM22は、CPU20のワーキングメモリとして用いられる。また、ROM21及びHDD23は、プログラムなどを記憶する記憶手段として用いられる。HDD23は、さらに、百貨店A〜Xにおける顧客(当該百貨店に会員登録された客)の購買履歴を示す購買履歴データ230と、百貨店A〜Xの顧客の属性を示す顧客データ231とを格納する。
図3には、購買履歴データ230(図3(a)参照)及び顧客データ231(図3(b)参照)の一例が示されている。購買履歴データ230は、「店名」情報と、「部門」情報と、「ブランド名」情報と、「買上日」情報と、「買上時間」情報と、「顧客ID」とを含む。
「店名」情報は、百貨店A〜Xの識別情報である。なお、「店名」情報は、百貨店A〜Xごとに、各欄で共通であり、顧客分析装置1が百貨店A〜Xを区別するために用いる。
「部門」情報は、購買が行われた商品の部門を示す。「ブランド名」情報は、購買された商品のブランド名(ブランドA,Bなど)を示す。「買上日」情報及び「買上時間」情報は、購買が行われた日付及び時刻をそれぞれ示す。「顧客ID」は、顧客の識別番号であり、例えば顧客の会員番号である。なお、「ブランド名」情報は、一例であり、これに代えて、購買された商品名を示す「商品名」情報、商品が購買されたフロア名を示す「フロア名」情報、または、商品以外のサービス名を示す「サービス名」情報などが用いられてもよい。
顧客データ231は、「顧客ID」、「年齢」情報、「性別」情報、及び「郵便番号」を含む。「顧客ID」は、上述した顧客IDに対応する。「年齢」情報は、当該顧客の年齢を示す。なお、「年齢」情報は、図3(b)に示されるような具体的な年齢ではなく、一定幅の年齢層(例えば、10代、20代、・・・など)として示されてもよい。
「性別」情報は、当該顧客の性別を示す。「郵便番号」は、当該顧客の居住地区の郵便番号を示す。なお、「郵便番号」に代えて、当該顧客の住所、または住所の一部が用いられてもよい。
CPU20は、購買履歴データ230及び顧客データ231をHDD23から読み出して、通信処理部24に出力する。通信処理部24は、例えばネットワークカードであり、ネットワークNWを介して、顧客分析装置1などと通信する通信手段である。
可搬型記憶媒体用ドライブ25は、可搬型記憶媒体250に対して、情報の書き込みや情報の読み出しを行う装置である。可搬型記憶媒体250の例としては、USBメモリ(USB: Universal Serial Bus)、CD−R(Compact Disc Recordable)、及びメモリカードなどが挙げられる。なお、通信処理プログラムは、可搬型記憶媒体250に格納されてもよい。
端末装置2は、情報の入力操作を行うための入力デバイス260、及び、画像を表示するためのディスプレイ270を、さらに備える。入力デバイス260は、キーボード及びマウスなどの入力手段であり、入力された情報は、入力処理部26を介してCPU20に出力される。
ディスプレイ270は、液晶ディスプレイなどの画像表示手段であり、表示される画像データは、CPU20から画像処理部27を介してディスプレイに出力される。なお、入力デバイス260及びディスプレイ270に代えて、これらの機能を備えるタッチパネルなどのデバイスを用いることもできる。
CPU20は、ROM21、またはHDD23などに格納されているプログラム、または可搬型記憶媒体用ドライブ25が可搬型記憶媒体250から読み取ったプログラムを実行する。このプログラムには、OS(Operating System)だけでなく、上記の通信処理プログラムも含まれる。なお、通信処理プログラムは、通信処理部24を介してダウンロードされたものであってもよい。
CPU20は、通信処理プログラムが実行されると、例えば入力処理部26を介して入力された購買履歴データ230及び顧客データ231をHDD23に書き込む。なお、購買履歴データ230及び顧客データ231の入力手段は、入力処理部26に限定されない。購買履歴データ230及び顧客データ231は、同一の百貨店A〜X内の他のコンピュータ装置から通信処理部24を介して入力されてもよいし、可搬型記憶媒体250から可搬型記憶媒体用ドライブ25を介して入力されてもよい。
また、CPU20は、例えば、顧客分析装置1からの要求を受けたとき、または入力デバイス260で所定の入力操作が行われたとき、購買履歴データ230及び顧客データ231をHDD23から読み出して、顧客分析装置1に送信する。さらに、CPU20は、顧客分析装置1から、顧客分析結果を示すデータを受信したとき、HDD23などの記憶手段に書き込み、ディスプレイ270に表示する。
図4は、実施例に係る顧客分析装置1を示す構成図である。顧客分析装置1は、CPU(制御部)10、ROM11、RAM12、HDD13、通信処理部14、可搬型記憶媒体用ドライブ15、入力処理部16、及び画像処理部17などを備えている。
CPU10は、演算処理手段であり、顧客分析プログラム(ソフトウェア)に従って、後述する顧客分析方法を実行する。CPU10は、各部11〜17とバス18を介して接続されている。なお、顧客分析装置1は、ソフトウェアにより動作するものに限定されず、CPU10に代えて、特定用途向け集積回路などのハードウェアが用いられてもよい。
RAM12は、CPU10のワーキングメモリとして用いられる。また、ROM11及びHDD13は、CPU10を動作させる顧客分析プログラムなどを記憶する記憶手段として用いられる。通信処理部14は、例えばネットワークカードであり、ネットワークNWを介して、複数の端末装置2などと通信する通信手段である。
可搬型記憶媒体用ドライブ15は、可搬型記憶媒体150に対して、情報の書き込みや情報の読み出しを行う装置である。可搬型記憶媒体150の例としては、USBメモリ、CD−R、及びメモリカードなどが挙げられる。なお、顧客分析プログラムは、可搬型記憶媒体150に格納されてもよい。
顧客分析装置1は、情報の入力操作を行うための入力デバイス160、及び、画像を表示するためのディスプレイ170を、さらに備える。入力デバイス160は、キーボード及びマウスなどの入力手段であり、入力された情報は、入力処理部16を介してCPU10に出力される。
ディスプレイ170は、液晶ディスプレイなどの画像表示手段であり、表示される画像データは、CPU10から画像処理部17を介してディスプレイに出力される。なお、入力デバイス160及びディスプレイ170に代えて、これらの機能を備えるタッチパネルなどのデバイスを用いることもできる。
CPU10は、ROM11、またはHDD13などに格納されているプログラム、または可搬型記憶媒体用ドライブ15が可搬型記憶媒体150から読み取ったプログラムを実行する。このプログラムには、OS(Operating System)だけでなく、上記の顧客分析プログラムも含まれる。なお、顧客分析プログラムは、通信処理部14を介してダウンロードされたものであってもよい。
CPU10は、顧客分析プログラムを実行すると、複数の機能が形成される。図5は、顧客分析装置1の機能構成例を示す構成図である。図5には、CPU10に形成される機能及びHDD13の格納情報の一例が示されている。
CPU10は、データクラスタリングにより顧客分析を行う。CPU10は、データ入力処理部101と、クラスタ生成部102と、クラスタ処理部103とを含む。クラスタ処理部103は、類似判定処理部103aを有する。
HDD13は、クラスタ生成用データ131と、個社クラスタデータベース(DB:Data Base)132と、ユニバーサルクラスタデータベース(DB)133とを記憶する。また、HDD13は、ユニバーサルクラスタ候補データベース(DB)134と、分析結果データベース(DB)135とを記憶する。
データ入力処理部101には、端末装置2から通信処理部14を介して購買履歴データ230及び顧客データ231が入力される。データ入力処理部101は、購買履歴データ230及び顧客データ231に基づいて、クラスタ生成用データ131を生成する。ここで、「クラスタ」とは、顧客を、各種の条件に従って、グループごとに分類することにより得られるデータの束、つまり、顧客のグループ情報を指す。
クラスタ生成部102は、クラスタ生成用データ131に基づいて、百貨店A〜Xに関する個社クラスタを生成し、個社クラスタDB132に格納する。個社クラスタは、百貨店A〜Xごとに生成されたクラスタ、つまり、百貨店A〜Xの個別のクラスタである。つまり、クラスタ生成部102は、購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の百貨店A〜Xそれぞれの購買履歴データ230を用いて実行する。
クラスタ処理部103は、個社クラスタDB132内の個社クラスタを、ユニバーサルクラスタDB133内のユニバーサルクラスタと比較し、比較結果に応じて、ユニバーサルクラスタDB133及びユニバーサルクラスタ候補DB134の少なくとも一方を更新する。ユニバーサルクラスタは、所定の条件に従って、類似性を有する複数の個社クラスタを束ねて得られる統合型クラスタである。また、ユニバーサルクラスタ候補は、既存のユニバーサルクラスタの何れとも類似性を有していない個社クラスタであって、新たなユニバーサルクラスタとなり得るユニバーサルクラスタの候補である。
クラスタ処理部103は、ユニバーサルクラスタ候補と類似性を有する個社クラスタを、当該ユニバーサルクラスタ候補に統合することにより、新たなユニバーサルクラスタを生成する。つまり、クラスタ処理部103は、クラスタ生成部102が生成した複数の顧客グループ(個社クラスタ)のうち、所定の類似関係を有する顧客グループを含む統合顧客グループ(ユニバーサルクラスタ)を生成する。
また、クラスタ処理部103は、ユニバーサルクラスタと類似性を有する個社クラスタを、当該ユニバーサルクラスタに含めることにより、当該ユニバーサルクラスタを更新する。つまり、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成した該分析対象の百貨店Xの顧客グループ(個社クラスタ)が、統合顧客グループ(ユニバーサルクラスタ)と所定の類似関係を有することを検出すると、該顧客グループを統合顧客グループに含めることで、統合顧客グループを更新する。ここで、クラスタ処理部103は、類似判定処理部103aにより、クラスタ間の類似性を判定する。
このように、クラスタ処理部103は、個社クラスタに基づいてユニバーサルクラスタの更新を繰り返すことにより、ユニバーサルクラスタDB133の内容を充実させ、更新されたユニバーサルクラスタを、さらなる百貨店の顧客分析に用いる。後述する顧客分析の例において、クラスタ処理部103は、百貨店A,B,C,・・・の顧客分析処理により得られたユニバーサルクラスタを用いて、分析対象の百貨店Xの顧客分析を行う。
クラスタ処理部103は、分析結果を示す情報を、分析結果DB135に格納し、所定のタイミングで分析結果DB135から読み出して、端末装置2に送信する。分析結果を示す情報としては、ユニバーサルクラスタと非類似の個社クラスタ、及び、個社クラスタに類似するユニバーサルクラスタと当該個社クラスタの差異が挙げられる。ユニバーサルクラスタと非類似の個社クラスタは、分析対象の百貨店Xの特徴的な顧客グループとして処理される。
つまり、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成した該分析対象の百貨店Xのある顧客グループ(個社クラスタ)が、統合顧客グループ(ユニバーサルクラスタ)と所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の百貨店Xの特徴的グループとして出力する。また、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成した該分析対象の百貨店Xの顧客グループ(個社クラスタ)が、統合顧客グループ(ユニバーサルクラスタ)と所定の類似関係を有することを検出すると、該顧客グループと統合顧客グループとの間の差異を検出して、出力する。出力された分析結果の情報は、分析対象の百貨店Xにおいて、経営戦略の立案などに用いられる。以下に、上述した構成に基づく、顧客分析プログラムの詳細を述べる。
図6は、実施例に係る顧客分析プログラムのフローチャートである。図6は、1回の分析処理の流れを示す。
まず、データ入力処理部101は、端末装置2から購買履歴データ230及び顧客データ231を受信する(ステップSt1)。次に、データ入力処理部101は、購買履歴データ230及び顧客データ231に基づいて、クラスタ生成用データ131を生成する(ステップSt2)。
図7(a)は、クラスタ生成用データ131の一例を示す。クラスタ生成用データ131は、「顧客ID」及び「ブランド」情報を含む。「顧客ID」は、購買履歴データ230の顧客IDに対応する。「ブランド」情報は、購買履歴データ230の「ブランド名」に対応し、一定期間内(例えば特定の年度内、特定の季節内など)におけるブランド種別(「A」〜「C」)ごとの当該顧客の購買回数を示す。
例えば、顧客ID「0001」について、ブランドA〜Cの各購買回数は、それぞれ、3回,2回,0回であり、顧客ID「0002」について、ブランドA〜Cの各購買回数は、それぞれ、0回,1回,2回である。
次に、クラスタ生成部102は、クラスタ生成用データ131を読み出し、クラスタ生成用データ131に基づいて個社クラスタを生成する(ステップSt3)。つまり、クラスタ生成部102は、購買履歴データ230及び顧客データ231に基づいて、データクラスタリングを行うことで、個社クラスタを生成する。生成された個社クラスタは、個社クラスタDB132に格納される。
データクラスタリングの手法に限定はないが、一例として、図7(a)に示されたクラスタ生成用データ131に基づいて、顧客(顧客ID)を、3次元座標にマッピングする手法が挙げられる。
図7(b)は、クラスタ生成用3次元座標の一例を示す。本例において、顧客(顧客ID)ごとの座標は、ブランドA〜Cの購入回数にそれぞれ対応する3つの座標軸A〜Cにより規定される。
例えば、顧客ID「0001」は、ブランドA〜Cの各購買回数が、それぞれ、3回,2回,0回であるため、当該座標は、(3,2,0)となる。また、顧客ID「0002」は、ブランドA〜Cの各購買回数が、それぞれ、0回,1回,2回であるため、当該座標は、(0,1,2)となる。同様に、顧客ID「0003」及び「0004」の座標は、それぞれ、(2,2,1)及び(0,2,3)となる。
クラスタ生成部102は、マッピングされた座標が近い顧客ID同士を束ねることにより、顧客を複数のグループに分類することで、個社クラスタを生成する。例えば、顧客ID「0001」及び「0003」は、グループG1に分類され、顧客ID「0002」及び「0004」は、グループG2に分類される。グループG1に対応する個社クラスタDB132は、ブランドA,Bの購買傾向が強い顧客グループを示し、グループG2に対応する個社クラスタDB132は、ブランドB,Cの購買傾向が強い顧客グループを示す。
このように、クラスタ生成部102は、一例として、顧客ごとのブランドA〜Cの購買傾向に従って、個社クラスタを生成するため、購買傾向に従った顧客分析を可能とする。もっとも、個社クラスタを生成する基準は、ブランドA〜Cの購買傾向に限定されず、年齢層、居住地区、性別、及び購買の日付などの各種の情報(図3参照)であってもよい。
次に、クラスタ処理部103は、個社クラスタDB132から、新たに生成された個社クラスタを読み出し、類似判定処理部103aにより、当該個社クラスタと、ユニバーサルクラスタ及びユニバーサルクラスタ候補との類似判定処理を行う(ステップSt4)。これにより、ユニバーサルクラスタDB133及びユニバーサルクラスタ候補DB134の少なくとも一方が更新される。
図8は、クラスタの類似判定処理のフローチャートである。類似判定処理は、図6に示されたステップSt4において実行される。
また、図8は、ステップSt11,St14、St17,St19の処理の例を符号C1〜C4で示す。本例において、ユニバーサルクラスタDB133には、ユニバーサルクラスタ「UC−1」〜「UC−3」が格納され、ユニバーサルクラスタ候補DB134には、ユニバーサルクラスタ候補「A−2」、「B−3」、及び「D−4」が格納されている。また、個社クラスタDB132には、分析対象の百貨店Xの個社クラスタ「X−1」〜「X−3」が格納されている。
まず、類似判定処理部103aは、個社クラスタ「X−1」〜「X−3」とユニバーサルクラスタ「UC−1」〜「UC−3」を比較することで類似判定を行う(ステップSt11)。このとき、類似判定処理部103aは、符号C1で示されるように、個社クラスタ「X−1」〜「X−3」とユニバーサルクラスタ「UC−1」〜「UC−3」の全ての組み合わせについて類似性の有無を判定する。クラスタ間の類似性の有無の判定手段は、限定されないが、例えば、以下に述べるように、各クラスタの1以上の指標を比較することで類似性を判定してもよい。
図9は、類似判定処理に用いられる指標の例を示す。指標としては、例えば、RFM値と顧客の属性及び購買内容が挙げられる。
RFM値は、「Recency」、「Frequency」、及び「Monetary」を含む。「Recency」は、顧客が最後に購買した日付からの経過日数を示す。「Frequency」は、顧客の購買の頻度を示す。「Monetary」は、顧客の購買の金額を示す。
「Recency」、「Frequency」、及び「Monetary」の3つの指標の値(以下、「指標値」と表記)ごとの顧客数の分布の中央値または平均値を、3次元座標を用いて比較することで、クラスタの類似性を判定することができる。
顧客の属性は、「年齢層」、「男女比」、及び「居住地区分布」を含む。「年齢層」、「性別」、及び「居住地区」は、顧客データ231の「年齢」情報、「性別」情報、及び「郵便番号」からそれぞれ取得される。
「年齢層」の指標値としては、例えば、顧客の年齢分布、中央値、及び平均値が用いられる。「性別」の指標値としては、例えば、男女比及び人数が挙げられる。「居住地区」の指標値としては、例えば、地区ごとの人数及び分布が挙げられる。
顧客の購買内容は、「ブランド」、「金額」、「来店頻度」、及び「来店人数」を含む。「ブランド」、「金額」、「来店頻度」、及び「来店人数」は、購買履歴データ230の「ブランド名」情報及び「買上日」情報などから取得される。
「ブランド」の指標値としては、例えば、顧客が購買した特徴的なブランド及びブランドのランキングが挙げられる。「金額」の指標値としては、例えば、顧客の年間の買上額、1回の来店ごとの買上額、及び曜日ごとの買上額が挙げられる。「来店頻度」の指標値としては、例えば、顧客の1週間内の来店日数及び1か月内の来店日数が挙げられる。「来店人数」の指標値としては、例えば、顧客の曜日ごとの来店人数が挙げられる。
このように、クラスタ間の類似性の判定には、各種の指標値を用いることができる。以下の例では、2つの指標値の変化特性を判定に用いる場合を例に挙げて説明する。
図10は、指標の変化特性を示すグラフである。図10は、期間がt1からt2に移行した場合における、クラスタ「A−1」、「B−1」、「C−1」の指標値x、yの変化特性を示す。なお、期間t1、t2は、特定の年度(例えば、2012年度、2013年度など)であってもよいし、百貨店A〜Xの同一のイベント(販促、売場施策の実施など)を挟んだ前後の期間であってもよい。
「A(t1)−1」、「B(t1)−1」、「C(t1)−1」は、期間t1における「A−1」、「B−1」、「C−1」の指標値の座標(x、y)を示す。また、「A(t2)−1」、「B(t2)−1」、「C(t2)−1」は、期間t2における「A−1」、「B−1」、「C−1」の指標値の座標(x、y)を示す。例えば、「A−1」の指標値(x、y)は、(xa1、ya1)から(xa2、ya2)に変化し、「B−1」の指標値(x、y)は、(xb1、yb1)から(xb2、yb2)に変化する。
類似判定処理部103aは、各クラスタの指標値x、yの変化特性を比較し、比較結果、同一の変化傾向を示すクラスタ同士を類似性有りと判定する。本例では、「A−1」及び「B−1」の指標値x、yが同一の変化傾向を示すため、「A−1」及び「B−1」は類似性を有するクラスタであると判定される。以下に、類似性の判定手段(1)〜(3)について例を挙げて説明する。
(判定手段(1))
図11(a)は、判定手段(1)によるクラスタの類似性の判定例を示す。判定手段(1)では、期間がt1からt2になったとき、各指標値x、yの変化方向が、「増加」、「減少」、及び「変化なし」の何れであるかを検出し、両方の指標値x、yの変化方向が一致した場合、当該クラスタ同士は類似性を有すると判定する。なお、図11(a)〜図11(c)において、「No.」は判定例を区別するための番号を示す。
図11(a)は、判定手段(1)によるクラスタの類似性の判定例を示す。判定手段(1)では、期間がt1からt2になったとき、各指標値x、yの変化方向が、「増加」、「減少」、及び「変化なし」の何れであるかを検出し、両方の指標値x、yの変化方向が一致した場合、当該クラスタ同士は類似性を有すると判定する。なお、図11(a)〜図11(c)において、「No.」は判定例を区別するための番号を示す。
図10の例の場合、「A(t2)−1」の指標値xa2は、「A(t1)−1」の指標値xa1より大きいため、「A−1」の指標値xは「増加」を示す。また、「A(t2)−1」の指標値ya2は、「A(t1)−1」の指標値ya1より大きいため、「A−1」の指標値yは「増加」を示す。一方、「C−1」の指標値x、yは、ともに「減少」を示す。なお、指標値x、yの変化率が、例えば5(%)未満である場合、指標値x、yは、「変化なし」と判断される。
「No.1」は、クラスタ「A−1」及び「B−1」の判定例を示す。「A−1」の各指標値x、yは、「増加」を示し、「B−1」の各指標値x、yも、「増加」を示す。つまり、「A−1」及び「B−1」の変化方向は一致する。このため、「A−1」及び「B−1」の類似性は、「有」と判定される。
「No.2」は、クラスタ「A−1」及び「C−1」の判定例を示す。「A−1」の各指標値x、yは、「増加」を示し、「C−1」の各指標値x、yは、「減少」を示す。つまり、「A−1」及び「C−1」の変化方向は一致しない。このため、「A−1」及び「C−1」の類似性は、「無」と判定される。
「No.3」は、クラスタ「D−1」及び「E−1」の判定例を示す。「D−1」の各指標値x、yは、「増加」及び「減少」をそれぞれ示し、「E−1」の各指標値x、yは、「減少」及び「増加」をそれぞれ示す。つまり、「D−1」及び「E−1」の変化方向は一致しない。このため、「D−1」及び「E−1」の類似性は、「無」と判定される。
「No.4」は、クラスタ「UC−2」及び「X−1」の判定例を示す。「UC−2」の各指標値x、yは、「増加」及び「変化なし」をそれぞれ示し、「X−1」の各指標値x、yは、「増加」及び「変化なし」をそれぞれ示す。つまり、「UC−2」及び「X−1」の変化方向は一致する。このため、「UC−2」及び「X−1」の類似性は、「有」と判定される。
このように、判定手段(1)では、指標値x、yの変化方向が、「増加」、「減少」、及び「変化なし」の何れかであるかを検出するだけで、類似性を容易に判定できる。
(判定手段(2))
図11(b)は、判定手段(2)によるクラスタの類似性の判定例を示す。判定手段(2)では、指標値x、yの変化方向(増加または減少)が一致し、各期間t1、t2におけるクラスタ間の指標値x、yの差分の比率Δx、Δyが、それぞれ、所定の閾値THx、THy未満である場合、当該クラスタ同士は類似性を有すると判定する。ここで、比率Δx、Δyは、比較されるクラスタの一方を基準として算出される。
図11(b)は、判定手段(2)によるクラスタの類似性の判定例を示す。判定手段(2)では、指標値x、yの変化方向(増加または減少)が一致し、各期間t1、t2におけるクラスタ間の指標値x、yの差分の比率Δx、Δyが、それぞれ、所定の閾値THx、THy未満である場合、当該クラスタ同士は類似性を有すると判定する。ここで、比率Δx、Δyは、比較されるクラスタの一方を基準として算出される。
図10の例において、「A−1」及び「B−1」を比較する場合、指標値xの期間t1の差分の比率Δx(t1)は、|xb1−xa1|/xa1×100であり、指標値xの期間t2の差分の比率Δx(t2)は、|xb2−xa2|/xa2×100である。また、指標値yの期間t1の差分の比率Δy(t1)は、|yb1−ya1|/ya1×100であり、指標値yの期間t2の差分の比率Δy(t2)は、|yb2−ya2|/ya2×100である。なお、指標値x、yの変化特性(増加)は一致する。なお、比率Δx(t1)、Δx(t2)、Δy(t1)、Δy(t2)は、クラスタ「A−1」を基準として算出されている。
Δx(t1)<THx ・・・式(1)
Δx(t2)<THx ・・・式(2)
Δy(t1)<THy ・・・式(3)
Δy(t2)<THy ・・・式(4)
Δx(t2)<THx ・・・式(2)
Δy(t1)<THy ・・・式(3)
Δy(t2)<THy ・・・式(4)
したがって、上記の式(1)〜(4)の全てが成立すれば、「A−1」及び「B−1」は、類似性を有すると判定される。なお、以下の判定例では、THx=20(%)及びTHy=5(%)とする。
「No.5」は、クラスタ「A−1」及び「B−1」の判定例を示す。「A−1」の各指標値x、yは、「増加」を示し、「B−1」の各指標値x、yも、「増加」を示す。つまり、「A−1」及び「B−1」の変化方向は一致する。
また、「A−1」及び「B−1」の指標値x、yの差分の比率Δx(t1)、Δx(t2)、Δy(t1)、Δy(t2)は、上記の式(1)〜(4)をそれぞれ満たす。このため、「A−1」及び「B−1」の類似性は、「有」と判定される。
「No.6」は、クラスタ「C−1」及び「D−1」の判定例を示す。「C−1」の各指標値x、yは、「増加」及び「減少」をそれぞれ示し、「D−1」の各指標値x、yも、「増加」及び「減少」をそれぞれ示す。つまり、「C−1」及び「D−1」の変化方向は一致する。
また、「C−1」及び「D−1」の指標値x、yの差分の比率Δx(t1)、Δy(t1)は、上記の式(1)、(3)をそれぞれ満たすが、差分の比率Δx(t2)、Δy(t2)は、上記の式(2)、(4)をそれぞれ満たさない。このため、「C−1」及び「D−1」の類似性は、「無」と判定される。
このように、判定手段(2)では、指標値x、yの変化方向だけでなく、クラスタ間の指標値x、yの差分の比率Δx、Δyに基づいて、判定手段(1)より高精度に類似性を判定できる。
(判定手段(3))
図11(c)は、判定手段(3)によるクラスタの類似性の判定例を示す。判定手段(3)では、期間がt1からt2になったときの指標値x、yの変化率Rx、Ryのクラスタ間の差分ΔRx、ΔRyが、それぞれ、所定の閾値THrx、THry未満である場合、当該クラスタ同士は類似性を有すると判定する。なお、判定手段(3)においても、指標値x、yの変化方向の一致は、類似性の条件とされる。
図11(c)は、判定手段(3)によるクラスタの類似性の判定例を示す。判定手段(3)では、期間がt1からt2になったときの指標値x、yの変化率Rx、Ryのクラスタ間の差分ΔRx、ΔRyが、それぞれ、所定の閾値THrx、THry未満である場合、当該クラスタ同士は類似性を有すると判定する。なお、判定手段(3)においても、指標値x、yの変化方向の一致は、類似性の条件とされる。
図10の例において、「A−1」及び「B−1」を比較する場合、「A−1」の指標値xの変化率Rx(A)は、(xa2−xa1)×100/xa1であり、「B−1」の指標値xの変化率Rx(B)は、(xb2−xb1)×100/xb1である。また、「A−1」の指標値yの変化率Ry(A)は、(ya2−ya1)×100/ya1であり、「B−1」の指標値yの変化率Ry(B)は、(yb2−yb1)×100/yb1である。
ΔRx=Rx(A)−Rx(B)<THrx ・・・式(5)
ΔRy=Ry(A)−Ry(B)<THry ・・・式(6)
ΔRy=Ry(A)−Ry(B)<THry ・・・式(6)
したがって、上記の式(5)、(6)の全てが成立すれば、「A−1」及び「B−1」は、類似性を有すると判定される。なお、以下の判定例では、THrx=20(%)及びTHry=5(%)とする。
「No.7」は、クラスタ「A−1」及び「B−1」の判定例を示す。「A−1」の各指標値x、yは、「増加」を示し、「B−1」の各指標値x、yも、「増加」を示す。つまり、「A−1」及び「B−1」の変化方向は一致する。
また、「A−1」及び「B−1」の指標値xの変化率Rxは、それぞれ、10(%)及び20(%)であるので、その差分ΔRxは、10(%)である。一方、「A−1」及び「B−1」の指標値yの変化率Ryは、それぞれ、10(%)及び13(%)であるので、その差分ΔRyは、3(%)である。したがって、差分ΔRx、ΔRyは、上記の式(5)、(6)をそれぞれ満たす。このため、「A−1」及び「B−1」の類似性は、「有」と判定される。
「No.8」は、クラスタ「C−1」及び「D−1」の判定例を示す。「C−1」の各指標値x、yは、「増加」を示し、「D−1」の各指標値x、yも、「増加」を示す。つまり、「C−1」及び「D−1」の変化方向は一致する。
また、「C−1」及び「D−1」の指標値xの変化率Rxは、ともに10(%)であるので、その差分ΔRxは、0(%)である。一方、「C−1」及び「D−1」の指標値yの変化率Ryは、それぞれ、35(%)及び20(%)であるので、その差分ΔRyは、15(%)である。したがって、差分ΔRxは、上記の式(5)を満たすが、差分ΔRyは、上記の式(6)を満たさない。このため、「C−1」及び「D−1」の類似性は、「無」と判定される。
このように、判定手段(3)では、指標値x、yの変化方向だけでなく、クラスタ間の指標値x、yの変化率Rx,Ryの差分ΔRx、ΔRyに基づいて、判定手段(1)より高精度に類似性を判定できる。
再び図8を参照すると、クラスタ処理部103は、比較の結果、個社クラスタがユニバーサルクラスタの何れにも類似しない場合(ステップSt12のNo)、当該個社クラスタを特徴的顧客グループとして、分析結果DB135に格納する(ステップSt13)。すなわち、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成した該分析対象の百貨店Xのある顧客グループが、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の百貨店Xの特徴的グループとして出力する。
次に、類似判定処理部103aは、当該個社クラスタとユニバーサルクラスタ候補と比較する(ステップSt14)。ここで、個社クラスタ「X−3」が「UC−1」〜「UC−3」と類似性がない場合、符号C2で示されるように、「X−3」は、ユニバーサルクラスタ候補DB134内の全てのユニバーサルクラスタ候補「A−2」、「B−3」、及び「D−4」との間で類似性が判定される。なお、類似性の判定手段については、図11を参照して述べた通りである。
クラスタ処理部103は、比較の結果、個社クラスタがユニバーサルクラスタ候補の何れにも類似しない場合(ステップSt15のNo)、当該個社クラスタを、ユニバーサルクラスタ候補としてユニバーサルクラスタ候補DB134に追加し(ステップSt16)、処理を終了する。つまり、クラスタ処理部103は、ユニバーサルクラスタ候補の何れにも類似関係を有していない顧客グループを検出し、ユニバーサルクラスタ候補に含めることにより、ユニバーサルクラスタ候補DB134を更新する。これにより、新たな統合顧客グループ(ユニバーサルクラスタ)になり得る顧客グループのクラスタが、新たなユニバーサルクラスタ候補としてユニバーサルクラスタ候補DB134に追加される。
また、クラスタ処理部103は、比較の結果、個社クラスタがユニバーサルクラスタ候補の何れかに類似する場合(ステップSt15のYes)、当該個社クラスタを、当該ユニバーサルクラスタ候補とマージすることで、新たなユニバーサルクラスタを生成する(ステップSt17)。例えば、個社クラスタ「X−3」とユニバーサルクラスタ候補「B−3」が類似する場合、符号C4で示されるように、「X−3」及び「B−3」は統合され、新たなユニバーサルクラスタ「UC−4」が生成される。クラスタ処理部103は、生成したユニバーサルクラスタをユニバーサルクラスタDB133に追加して、処理を終了する。
このように、クラスタ処理部103は、統合顧客グループ(ユニバーサルクラスタ)の候補と所定の類似関係を有している顧客グループ(個社クラスタ)を検出する。クラスタ処理部103は、検出した顧客グループを、統合顧客グループの候補(ユニバーサルクラスタ候補)に含めることにより、新たな統合顧客グループを生成する。したがって、顧客分析が繰り返されるほど、ユニバーサルクラスタDB133の内容が充実し、高精度な顧客分析が可能となる。
なお、ユニバーサルクラスタDB133に格納済みの「UC−1」〜「UC−3」も、ステップSt17の処理を経て生成されたものである。つまり、ステップSt11において分析対象の百貨店Xの個社クラスタ「X−1」〜「X−3」と比較される「UC−1」〜「UC−3」は、過去の顧客分析において実行されたステップSt17の処理により生成されたものである。
また、個社クラスタが、ユニバーサルクラスタの何れかと類似する場合(ステップSt12のYes)、クラスタ処理部103は、当該個社クラスタと当該ユニバーサルクラスタの差異を検出する(ステップSt18)。個社クラスタとユニバーサルクラスタの差異を示す情報は、分析結果DB135に格納される。つまり、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成された分析対象の百貨店Xの顧客グループ(個社クラスタ)が、統合顧客グループ(ユニバーサルクラスタ)と所定の類似関係を有することを検出すると、該顧客グループと統合顧客グループとの間の差異を検出して、出力する。
次に、クラスタ処理部103は、当該個社クラスタと当該ユニバーサルクラスタをマージすることにより、ユニバーサルクラスタDB133を更新し(ステップSt19)、処理を終了する。例えば、個社クラスタ「X−1」とユニバーサルクラスタ「UC−1」が類似する場合、符号C3で示されるように、「X−1」及び「UC−1」は統合され、「UC−1’」が生成される。また、個社クラスタ「X−2」とユニバーサルクラスタ「UC−2」が類似する場合、「X−2」及び「UC−2」は統合され、「UC−2’」が生成される。なお、生成された「UC−1’」及び「UC−2’」は、ユニバーサルクラスタDB133に格納される。
このように、クラスタ処理部103は、分析対象の百貨店Xの購買履歴データ230に基づいて生成された該分析対象の百貨店Xの顧客グループ(個社クラスタ)が、統合顧客グループ(ユニバーサルクラスタ)と所定の類似関係を有することを検出する。クラスタ処理部103は、該顧客グループを統合顧客グループに含めることにより、統合顧客グループを更新する。クラスタ処理部103は、更新された統合顧客グループを、さらなる百貨店の顧客分析に用いる。したがって、顧客分析が行われるほど、ユニバーサルクラスタDB133の内容が充実し、高精度な顧客分析が可能となる。このようにして、クラスタ間の類似性の判定処理は行われる。
再び図6を参照すると、クラスタ処理部103は、上記のステップSt13,St18で得た分析結果を、分析結果DB135から読み出して、通信処理部14を介して端末装置2に出力(送信)する(ステップSt5)。このようにして、顧客分析処理は行われる。
上述したように、顧客分析の結果は、分析結果DB135に一時的に格納された後、端末装置2に送信される。百貨店A〜Xでは、端末装置2から分析結果が取り出され、経営戦略に活用される。
図12は、分析結果の出力例を示す。本例において、ユニバーサルクラスタDB133には、ユニバーサルクラスタ「UC−1」及び「UC−2」が格納され、個社クラスタDB132には、分析対象の百貨店Xの個社クラスタ「X−1」〜「X−3」が格納されている。「X−1」及び「X−2」は、「UC−1」及び「UC−2」と類似性をそれぞれ有し、「X−3」は、「UC−1」及び「UC−2」の何れとも類似性を有していない。
このため、「X−3」は、分析対象の百貨店Xの特徴的顧客グループとして、分析結果DB135に格納される。また、「X−1」及び「UC−1」の差異を示す情報と、「X−2」及び「UC−2」の差異を示す情報も、分析結果DB135に格納される。
図13は、個社クラスタとユニバーサルクラスタの差異の出力例を示す。本例は、ユニバーサルクラスタ「UC−1」と個社クラスタ「X−1」の差異の情報を「項目」ごとに示す。
差異の「項目」としては、例えば、顧客の「購買内容」(商品のカテゴリなど)、「金額/来店頻度」(年度ごと、月ごと、曜日ごとの数値など)、「年齢層」(年齢分布など)、「性別」(男女比など)、及び「居住地区」(居住地区分布など)が挙げられる。このように、個社クラスタと、当該個社クラスタと類似するユニバーサルクラスタとの差異を、分析結果として出力することにより、分析対象の百貨店Xの顧客に関し、他の顧客と比較した詳細な情報が得られる。以下に、分析結果の活用に関して、顧客分析の例を挙げて説明する。
(顧客分析の例)
図14は、顧客分析の例における分析処理前のクラスタを示す。より具体的には、図14(a)は、各クラスタDB132〜134に格納済みのクラスタを示す。
図14は、顧客分析の例における分析処理前のクラスタを示す。より具体的には、図14(a)は、各クラスタDB132〜134に格納済みのクラスタを示す。
ユニバーサルクラスタDB133には、ユニバーサルクラスタ「UC−1」〜「UC−10」が格納され、ユニバーサルクラスタ候補DB134には、ユニバーサルクラスタ候補「A−4」(百貨店Aの個社クラスタから生成)及び「C−5」(百貨店Cの個社クラスタから生成)が格納されている。個社クラスタDB132には、百貨店Aの個社クラスタ「A−1」〜「A−7」、百貨店Bの個社クラスタ「B−1」〜「B−5」、及び百貨店Cの個社クラスタ「C−1」〜「C−10」が格納されている。なお、格納済みの「UC−1」〜「UC−10」は、百貨店A〜Cの個社クラスタから生成されたものである。
また、分析対象の百貨店Xの端末装置2からは、上述した購買履歴データ230及び顧客データ231が取得される。購買履歴データ230及び顧客データ231は、一例として、1年分のデータ量が分析に使用される。
図14(b)は、百貨店Xの個社クラスタ「X−1」〜「X−12」を示す。「X−1」〜「X−12」は、購買履歴データ230及び顧客データ231から生成され、個社クラスタDB132に格納される。
「X−1」〜「X−12」は、それぞれ、1万人の顧客の購買内容に基づいて生成される。なお、「X−1」〜「X−12」の枠内には、当該顧客グループに属する顧客の顧客IDが示されている。
図15は、顧客分析の例におけるクラスタの類似判定の結果を示す。本例では、「X−3」〜「X−12」は、「UC−1」〜「UC−10」の何れかと類似性が有ると判定され(「類似性有」参照)、「X−1」及び「X−2」は、「UC−1」〜「UC−10」の何れとも類似性を有していないと判定される(「類似性無」参照)。
「X−1」及び「X−2」は、ユニバーサルクラスタと類似性がない特徴的顧客グループとして、百貨店Xの端末装置2に送信される。百貨店Xにおいて、「X−1」及び「X−2」は、他の百貨店A、B,C,・・・には存在しない独自の顧客グループとして分析され、例えば、当該顧客グループを維持しつつ、売上を向上させるための施策の検討に活用される。このような施策としては、例えば、当該顧客グループが頻繁に購入するブランド品を充実させること(商品施策)が挙げられる。
図16は、顧客分析の例におけるユニバーサルクラスタ及びユニバーサルクラスタ候補の変更処理を示す。より具体的には、図16(a)は、ユニバーサルクラスタの更新処理を示す。点線枠で囲まれたユニバーサルクラスタと個社クラスタは、互いに類似するため、統合されることにより、矢印で示されたユニバーサルクラスタに更新される。
例えば、「UC−1」及び「X−11」は、「UC−1’」に統合され、「UC−2」及び「X−12」は、「UC−2’」に統合(マージ)される。このとき、上述したように、互いに類似するユニバーサルクラスタと個社クラスタの差分を示す情報(図13参照)が、分析対象の百貨店Xの端末装置2に送信される(「差異出力」参照)。
百貨店Xにおいて、「X−3」〜「X−12」に関する差分を示す情報は、例えば、百貨店Xの顧客基盤の強弱の評価(いわゆるベンチマーク評価)に活用される。さらに、百貨店Xでは、当該評価の結果を分析し、「X−3」〜「X−12」の顧客グループを独占的に確保することによる売上向上のための施策が検討される。このような施策としては、例えば、当該顧客グループが、他の百貨店A、B,C,・・・で購入し、百貨店Xでは購入していないブランドの商品を見つけて、商品や売場の見直しを行うこと(商品施策/売場施策)が挙げられる。
また、図16(b)は、ユニバーサルクラスタの追加処理及びユニバーサルクラスタ候補の更新処理を示す。「A−4」及び「X−1」は、互いに類似するため、統合されて、新たなユニバーサルクラスタ「UC−11」が生成される。また、「X−2」は、ユニバーサルクラスタ及びユニバーサルクラスタ候補の何れにも類似しないため、新たなユニバーサルクラスタ候補としてユニバーサルクラスタ候補DB134に追加される。
図17は、顧客分析の例における分析処理後のクラスタを示す。ユニバーサルクラスタDB133には、更新されたユニバーサルクラスタ「UC−1’」〜「UC−10’」、及び、追加されたユニバーサルクラスタ「UC−11」が格納されている。ユニバーサルクラスタ候補DB134には、追加されたユニバーサルクラスタ候補「X−2」、及び、分析処理後も残留するユニバーサルクラスタ候補「C−5」が格納されている。なお、ユニバーサルクラスタ候補「A−4」は、個社クラスタ「X−1」と統合され、ユニバーサルクラスタ「UC−11」に変更されたため、ユニバーサルクラスタ候補DB134から削除される。
個社クラスタDB132には、百貨店Aの個社クラスタ「A−1」〜「A−7」、百貨店Bの個社クラスタ「B−1」〜「B−5」、及び百貨店Cの個社クラスタ「C−1」〜「C−10」が格納されている。さらに、個社クラスタDB132には、分析対象の百貨店Xの個社クラスタ「X−1」〜「X−12」が追加され、格納されている。
このように、各クラスタDB132〜135は、顧客分析が行われるたびに更新される。以下に、ユニバーサルクラスタ及びユニバーサルクラスタ候補の更新について、例を挙げて説明する。
図18は、ユニバーサルクラスタの更新の一例を示す。図18には、更新前のユニバーサルクラスタDB133の内容と、更新前の個社クラスタDB132の内容と、更新後のユニバーサルクラスタDB133の内容とが示されている。本例では、ユニバーサルクラスタ「UC−2」及び個社クラスタ「X−1」を統合することで、「UC−2」を「UC−2’」に変更する場合を示す。
本例において、クラスタは、「人数」情報と、「年間購買金額」情報と、「年齢」情報と、「元クラスタ」情報とを含む。「人数」情報は、当該クラスタに属する顧客の人数を示す。例えば、「UC−1」及び「UC−2」には、100000人の顧客が属し、「X−1」及び「X−2」には、10000人の顧客が属する。
「年間購買金額」情報は、金額の程度(「Low」(少)、「Middle」(中)、「High」(多))ごとに顧客を分類したときの顧客の人数の比率を示す。例えば、「UC−2」の「年間購買金額」情報の「Low」は、10(%)であるので、当該顧客の人数は、10000人(=100000人(「人数」参照)×10(%))である。「X−1」の「年間購買金額」情報の「Low」は、12(%)であるので、当該顧客の人数は、1200人(=10000人(「人数」参照)×12(%))である。
「年齢」情報は、性別(「男性」及び「女性」)ごとに、年齢層(「20代」〜「80代」)ごとの顧客の人数の比率を示す。「元クラスタ」情報は、ユニバーサルクラスタだけに設けられ、当該ユニバーサルクラスタの生成元となった個社クラスタを示す。例えば、「UC−2」は、「B−1」及び「A−3」を統合することで生成されたため、「元クラスタ」情報は、「B−1」及び「A−3」を示す。
本例において、互いに類似する「UC−2」及び「X−1」を統合することにより、「UC−2」を更新した場合、更新後の「UC−2’」の「人数」情報は、110000人を示す。これは、「UC−2」の「人数」(100000人)と「X−1」の「人数」(10000人)を合計することにより算出される。
また、「UC−2’」の「年間購買金額」情報の「Low」は、10.1(%)を示す。これは、上記の「UC−2」の該当人数(10000人)及び「X−1」の該当人数(1200人)の合計を、「UC−2」の「人数」(100000人)と「X−1」の「人数」(10000人)の合計(110000人)で除算することにより算出される。
また、「UC−2’」の「元クラスタ」情報には、統合対象の個社クラスタ「X−1」が追加される。この更新処理は、以下に述べるように、個社クラスタ及びユニバーサルクラスタ候補から新たなユニバーサルクラスタを生成し、ユニバーサルクラスタDB133に追加する場合も同様である。
図19は、新たなユニバーサルクラスタの生成の一例を示す。図19には、更新前のユニバーサルクラスタ候補DB134の内容と、更新前の個社クラスタDB132の内容と、更新後のユニバーサルクラスタDB133の内容とが示されている。本例では、互いに類似するユニバーサルクラスタ候補「B−3」及び個社クラスタ「X−3」を統合することで、新たなユニバーサルクラスタ「UC−4」を生成し、追加する場合を示す。なお、クラスタに含まれる情報は、図18を参照して述べた通りである。
更新前の「B−3」の「人数」は5000人であり、更新前の「X−3」の「人数」は10000人である。したがって、「UC−4」の「人数」は、5000人と10000人の合計から、15000人と算出される。
また、更新前の「B−3」の「年間購買金額」情報の「Low」は、5(%)であるので、当該顧客の人数は、250人(=5000人(「人数」参照)×5(%))である。更新前の「X−3」の「年間購買金額」情報の「Low」は、5(%)であるので、当該顧客の人数は、500人(=10000人(「人数」参照)×5(%))である。
したがって、「UC−4」の「年間購買金額」情報の「Low」は、「B−3」の該当人数(250人)及び「X−3」の該当人数(500人)の合計を、「UC−4」の「人数」(15000人)で除算することにより、5(%)と算出される。また、「UC−4」の「元クラスタ」情報は、統合元の「B−3」及び「X−3」を示す。
このように、ユニバーサルクラスタDB133の内容は、顧客分析が行われるたび、更新されるため、個社クラスタの比較対象のデータとしての精度が向上する。
図20は、分析対象の百貨店Xの個社クラスタの内容の一例を示す。なお、個社クラスタに含まれる情報のうち、図18と共通する情報に関しては、説明を省略する。
個社クラスタ「X−1」〜「X−10」は、「人数」情報と、「年齢」情報と、「居住地区」情報と、「年間購買金額」情報と、「特徴的なブランド」情報と、「年間来店日数」情報と、「UCとの類似性」情報とを含む。「居住地区」情報は、地区(「A地区」〜「C地区」)ごとの顧客の人数の比率を示す。
「特徴的なブランド」情報は、顧客が購買するブランドのうち、代表的なブランドを示す。「年間来店日数」情報は、1年内の顧客の来店の日数を示す。
「UCとの類似性」情報は、当該個社クラスタが、ユニバーサルクラスタの何れかと類似性を有する場合、「有」を示し、ユニバーサルクラスタの何れとも類似性を有していない場合、「無」を示す。本例において、「X−10」は、「UCとの類似性」情報が「無」を示すので、上述したように、百貨店Xの特徴的顧客グループとして、百貨店Xの端末装置2に送信される。
これまで述べたように、実施例に係る顧客分析プログラムは、以下の処理をコンピュータ(CPU)10に実行させるものである。
処理(1):購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の店(百貨店A,B,C,・・・)それぞれの購買履歴データ230を用いて実行する。
処理(2):生成した複数の顧客グループのうち、所定の類似関係を有する顧客グループ(個社クラスタ)を含む、統合顧客グループ(ユニバーサルクラスタ)を生成する。
処理(3):分析対象の店(百貨店X)の購買履歴データ230に基づいて生成した該分析対象の店のある顧客グループ(個社クラスタ)が、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する。
処理(1):購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の店(百貨店A,B,C,・・・)それぞれの購買履歴データ230を用いて実行する。
処理(2):生成した複数の顧客グループのうち、所定の類似関係を有する顧客グループ(個社クラスタ)を含む、統合顧客グループ(ユニバーサルクラスタ)を生成する。
処理(3):分析対象の店(百貨店X)の購買履歴データ230に基づいて生成した該分析対象の店のある顧客グループ(個社クラスタ)が、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する。
実施例に係る顧客分析プログラムによると、他の店の複数の顧客グループが含まれる統合顧客グループに類似しない顧客グループを検出し、分析対象の店の特徴的グループとして出力するため、当該特徴的グループを分析することができる。
また、実施例に係る顧客分析方法は、以下の工程をコンピュータ(CPU)10が実行するものである。
工程(1):購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の店(百貨店A,B,C,・・・)それぞれの購買履歴データ230を用いて実行する。
工程(2):生成した複数の顧客グループのうち、所定の類似関係を有する顧客グループ(個社クラスタ)を含む、統合顧客グループ(ユニバーサルクラスタ)を生成する。
工程(3):分析対象の店(百貨店X)の購買履歴データ230に基づいて生成した該分析対象の店のある顧客グループ(個社クラスタ)が、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する。
工程(1):購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の店(百貨店A,B,C,・・・)それぞれの購買履歴データ230を用いて実行する。
工程(2):生成した複数の顧客グループのうち、所定の類似関係を有する顧客グループ(個社クラスタ)を含む、統合顧客グループ(ユニバーサルクラスタ)を生成する。
工程(3):分析対象の店(百貨店X)の購買履歴データ230に基づいて生成した該分析対象の店のある顧客グループ(個社クラスタ)が、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する。
実施例に係る顧客分析方法は、上記の顧客分析プログラムと同様の構成を含むので、上述した内容と同様の作用効果を奏する。
また、実施例に係る顧客分析装置1は、購買履歴データ230に基づく複数の顧客グループ(個社クラスタ)の生成を複数の店それぞれの購買履歴データ230を用いて実行し、生成した複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループ(ユニバーサルクラスタ)を生成し、分析対象の店の購買履歴データ230に基づいて生成した該分析対象の店のある顧客グループ(個社クラスタ)が、統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する処理を実行する制御部を有する。
処理部103は、分析対象の店(百貨店X)の購買履歴データ230に基づいて生成され、統合顧客グループと所定の類似関係を有していない顧客グループ(個社クラスタ)を検出し、分析対象の店の特徴的顧客グループとして出力する。
実施例に係る顧客分析装置1は、上記の顧客分析プログラムと同様の構成を含むので、上述した内容と同様の作用効果を奏する。
なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体(ただし、搬送波は除く)に記録しておくことができる。
プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。
上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。
なお、以上の説明に関して更に以下の付記を開示する。
(付記1) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させることを特徴とする顧客分析プログラム。
(付記2) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力する処理を、さらに、コンピュータに実行させることを特徴とする付記1に記載の顧客分析プログラム。
(付記3) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、
更新された前記統合顧客グループを、更なる店の顧客分析に用いる、処理を、さらに、コンピュータに実行させることを特徴とする付記1または2に記載の顧客分析プログラム。
(付記4) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行する工程と、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成する工程と、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する工程とを、コンピュータが実行することを特徴とする顧客分析方法。
(付記5) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力する工程を、さらに、コンピュータが実行することを特徴とする付記4に記載の顧客分析方法。
(付記6) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、
更新された前記統合顧客グループを、更なる店の顧客分析に用いる工程を、さらに、コンピュータが実行することを特徴とする付記4または5に記載の顧客分析方法。
(付記7) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する処理を実行する制御部を有することを特徴とする顧客分析装置。
(付記8) 前記制御部は、分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力することを特徴とする付記7に記載の顧客分析装置。
(付記9) 前記制御部は、分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、更新された前記統合顧客グループを、更なる店の顧客分析に用いることを特徴とする付記7または8に記載の顧客分析装置。
(付記1) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させることを特徴とする顧客分析プログラム。
(付記2) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力する処理を、さらに、コンピュータに実行させることを特徴とする付記1に記載の顧客分析プログラム。
(付記3) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、
更新された前記統合顧客グループを、更なる店の顧客分析に用いる、処理を、さらに、コンピュータに実行させることを特徴とする付記1または2に記載の顧客分析プログラム。
(付記4) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行する工程と、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成する工程と、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する工程とを、コンピュータが実行することを特徴とする顧客分析方法。
(付記5) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力する工程を、さらに、コンピュータが実行することを特徴とする付記4に記載の顧客分析方法。
(付記6) 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、
更新された前記統合顧客グループを、更なる店の顧客分析に用いる工程を、さらに、コンピュータが実行することを特徴とする付記4または5に記載の顧客分析方法。
(付記7) 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する処理を実行する制御部を有することを特徴とする顧客分析装置。
(付記8) 前記制御部は、分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力することを特徴とする付記7に記載の顧客分析装置。
(付記9) 前記制御部は、分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、更新された前記統合顧客グループを、更なる店の顧客分析に用いることを特徴とする付記7または8に記載の顧客分析装置。
1 顧客分析装置
2 端末装置
10 CPU(制御部)
13 HDD
102 クラスタ生成部
103 クラスタ処理部
132 個社クラスタデータベース
133 ユニバーサルクラスタデータベース
2 端末装置
10 CPU(制御部)
13 HDD
102 クラスタ生成部
103 クラスタ処理部
132 個社クラスタデータベース
133 ユニバーサルクラスタデータベース
Claims (5)
- 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する、処理をコンピュータに実行させることを特徴とする顧客分析プログラム。 - 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループと前記統合顧客グループとの間の差異を検出して、出力する処理を、さらに、コンピュータに実行させることを特徴とする請求項1に記載の顧客分析プログラム。
- 分析対象の店の購買履歴データに基づいて生成した該分析対象の店の他の顧客グループが、前記統合顧客グループと所定の類似関係を有することを検出すると、該他の顧客グループを前記統合顧客グループに含めることで、前記統合顧客グループを更新し、
更新された前記統合顧客グループを、更なる店の顧客分析に用いる、処理を、さらに、コンピュータに実行させることを特徴とする請求項1または2に記載の顧客分析プログラム。 - 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行する工程と、
生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成する工程と、
分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する工程とを、コンピュータが実行することを特徴とする顧客分析方法。 - 購買履歴データに基づく複数の顧客グループの生成を複数の店それぞれの購買履歴データを用いて実行し、生成した前記複数の顧客グループのうち、所定の類似関係を有する顧客グループを含む、統合顧客グループを生成し、分析対象の店の購買履歴データに基づいて生成した該分析対象の店のある顧客グループが、前記統合顧客グループと所定の類似関係を有さないことを検出すると、該ある顧客グループを該分析対象の店の特徴的グループとして出力する処理を実行する制御部を有することを特徴とする顧客分析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014018841A JP2015146126A (ja) | 2014-02-03 | 2014-02-03 | 顧客分析プログラム、顧客分析方法、及び顧客分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014018841A JP2015146126A (ja) | 2014-02-03 | 2014-02-03 | 顧客分析プログラム、顧客分析方法、及び顧客分析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2015146126A true JP2015146126A (ja) | 2015-08-13 |
Family
ID=53890323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014018841A Pending JP2015146126A (ja) | 2014-02-03 | 2014-02-03 | 顧客分析プログラム、顧客分析方法、及び顧客分析装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2015146126A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369674A (zh) * | 2015-12-09 | 2018-08-03 | 甲骨文国际公司 | 使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法 |
JP2020160710A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社True Data | データ処理装置及びデータ処理方法 |
JP7027606B1 (ja) | 2021-09-28 | 2022-03-01 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
US11803868B2 (en) | 2015-12-09 | 2023-10-31 | Oracle International Corporation | System and method for segmenting customers with mixed attribute types using a targeted clustering approach |
EP4343665A1 (en) | 2022-09-20 | 2024-03-27 | Fujitsu Limited | Rule formation support program, rule formation support method, and rule formation support apparatus |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10171777A (ja) * | 1996-12-04 | 1998-06-26 | Hitachi Ltd | データ分析システム |
US20080172367A1 (en) * | 2007-01-12 | 2008-07-17 | Fujitsu Limited | Search method, apparatus and program |
-
2014
- 2014-02-03 JP JP2014018841A patent/JP2015146126A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10171777A (ja) * | 1996-12-04 | 1998-06-26 | Hitachi Ltd | データ分析システム |
US20080172367A1 (en) * | 2007-01-12 | 2008-07-17 | Fujitsu Limited | Search method, apparatus and program |
JP2008171262A (ja) * | 2007-01-12 | 2008-07-24 | Fujitsu Ltd | 検索方法、装置及びプログラム |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369674A (zh) * | 2015-12-09 | 2018-08-03 | 甲骨文国际公司 | 使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法 |
JP2018536947A (ja) * | 2015-12-09 | 2018-12-13 | オラクル・インターナショナル・コーポレイション | ターゲットクラスタリング手法を利用して、属性タイプが混合した顧客をセグメント化するためのシステムおよび方法 |
CN108369674B (zh) * | 2015-12-09 | 2022-02-11 | 甲骨文国际公司 | 使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法 |
US11803868B2 (en) | 2015-12-09 | 2023-10-31 | Oracle International Corporation | System and method for segmenting customers with mixed attribute types using a targeted clustering approach |
JP2020160710A (ja) * | 2019-03-26 | 2020-10-01 | 株式会社True Data | データ処理装置及びデータ処理方法 |
JP7027606B1 (ja) | 2021-09-28 | 2022-03-01 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
JP2023048788A (ja) * | 2021-09-28 | 2023-04-07 | 株式会社Zozo | 情報処理装置、情報処理方法及び情報処理プログラム |
EP4343665A1 (en) | 2022-09-20 | 2024-03-27 | Fujitsu Limited | Rule formation support program, rule formation support method, and rule formation support apparatus |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9916594B2 (en) | Multidimensional personal behavioral tomography | |
US11263222B2 (en) | System for calculating competitive interrelationships in item-pairs | |
US20200273054A1 (en) | Digital receipts economy | |
US20180300748A1 (en) | Technologies for granular attribution of value to conversion events in multistage conversion processes | |
JP6014515B2 (ja) | レコメンド情報提供システム、レコメンド情報生成装置、レコメンド情報提供方法、およびプログラム | |
US20180315059A1 (en) | Method and system of managing item assortment based on demand transfer | |
US20170140403A1 (en) | Customer analysis system | |
US11727420B2 (en) | Time series clustering analysis for forecasting demand | |
JP2016118975A (ja) | マーケティング施策最適化装置、方法、及びプログラム | |
JP2015146126A (ja) | 顧客分析プログラム、顧客分析方法、及び顧客分析装置 | |
US11762819B2 (en) | Clustering model analysis for big data environments | |
US20220335453A1 (en) | System for control group optimization to identify optimal baseline algorithm | |
WO2016152183A1 (ja) | 動線処理システム及び動線処理方法 | |
JP2021099718A (ja) | 情報処理装置およびプログラム | |
US20180253711A1 (en) | Inventory management system and method | |
US9799065B1 (en) | Associating items based at least in part on physical location information | |
Namvar et al. | An approach to optimised customer segmentation and profiling using RFM, LTV, and demographic features | |
JP2015146145A (ja) | 顧客分析プログラム、顧客分析方法、及び顧客分析装置 | |
JP6643912B2 (ja) | 提案支援方法、提案支援システム、及びプログラム | |
US20230196741A1 (en) | Systems and methods for automated product classification | |
WO2021065290A1 (ja) | 店舗支援システム、学習装置、店舗支援方法、学習済みモデルの生成方法及びプログラム | |
JP6287280B2 (ja) | 情報処理方法、プログラム、及び情報処理装置 | |
US11210618B2 (en) | Systems and methods for generating a two-dimensional planogram based on intermediate data structures | |
US10108650B2 (en) | Information processing device and information processing method | |
JP3966378B2 (ja) | ポイント管理及び顧客管理用のコンピュータシステム、ポイント管理及び顧客管理方法、ポイント管理及び顧客管理方法用プログラム、及びポイント管理及び顧客管理方法用プログラムを記憶した記憶媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20161004 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170926 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170922 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20180327 |