JP2016091040A

JP2016091040A - 指標値算出装置、指標値算出方法、及びプログラム

Info

Publication number: JP2016091040A
Application number: JP2014220340A
Authority: JP
Inventors: 亜紀林; Aki Hayashi; 匡宏幸島; Masahiro Kojima; 達史松林; Tatsufumi Matsubayashi; 宏澤田; Hiroshi Sawada
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2014-10-29
Filing date: 2014-10-29
Publication date: 2016-05-23
Anticipated expiration: 2034-10-29
Also published as: JP6315698B2

Abstract

【課題】行動に関する履歴データから当該行動の傾向を示す指標値を算出可能とすること。
【解決手段】個体による所定の行動の第１の履歴データと、第１の履歴データより前に記録され、第１の履歴データと同じ周期時期に記録された履歴データとに基づく第１の行動回数、又は第１の履歴データと、第１の履歴データより前に記録され、第１の履歴データと同じ単位期間に記録された履歴データとに基づく第２の行動回数、又は全期間における第３の行動回数を集計し、第１の行動回数に基づき第１の履歴データの周期時期における第１の行動確率、又は第２の行動回数に基づき第１の履歴データの単位期間における第２の行動確率、又は第３の行動回数に基づき全期間の履歴データにおける第３の行動確率を算出し、第１の行動確率又は第２の行動確率又は第３の行動確率と、第１の行動回数又は第２の行動回数又は第３の行動回数に基づき習慣度を算出する。
【選択図】図２

Description

本発明は、指標値算出装置、指標値算出方法、及びプログラムに関する。

近年、ＰＯＳ（Point Of Sales system）データに代表される購買ログの蓄積により、店舗全体の売上だけでなく、購買者毎の購買ログの観察が可能になった。マーケティングサイエンス分野では、効果的な販売・広告戦略を練るために、購買ログを活用した傾向分析や予測が行われている。既存技術では、可視化による販売個数推移の観察や、クラスタリングによる顧客セグメンテーションが行われているが、単純な購買頻度に注目しており、各購買がどのような態度で行われたかを考慮したものは少ない。

例えば、従来の可視化手法の多くは、ログ数の推移（非特許文献２参照）や、ログの周期性（非特許文献６参照）のみに着目しており、「その商品を比較的よく買う」等の周期性のない習慣の考慮や、習慣への当てはまり度合いの考慮はあまり行われていない。また、マーケティング分野で行われているクラスタリングにおいても、購買の回数を用いる場合が多く（非特許文献７参照）、習慣性等の購買態度の考慮は実現されていない。

G.E.Box, G.M.Jenkins, and G.C.Reinsel、Time series analysis: forecasting and control-3rd edition、Prentice Hall, 1994 R.Chang, M.Ghoniem, R.Kosara, W.Ribarsky, J.Yang, E.Suma, C.Ziemkiewicz, D.Kern, and A.Sudjianto、Wirevis: Visualization of categorical, time-varying data from financial transactions、In Visual Analytics Science and Technology, 2007、IEEE Symposium on VAST 2007、 pages 155-162、 IEEE, 2007 A.Hayashi, T.Matsubayashi, and H.Sawada、Regular behavior measure for location based services、In Proceedings of the 2014 ACM conference on Web science, pages 299-300、ACM, 2014 C.D.Manning, P.Raghavan, and H.Schuetze、Introduction to information retrieval, volume1、Cambridge university press Cambridge, 2008 A.Shashua and T.Hazan、Non-negative tensor factorization with applications to statistics and computer vision、In Proceedings of the 22nd international conference on Machine learning, pages 792-799、ACM, 2005 M.Weber, M.Alexa, and W.Mueller、Visualizing time-series on spirals、In IEEE Symposium on Information Visualization, pages 7-13、IEEE Computer Society, 2001 松林, 幸島, 林, 澤田、非負値テンソル因子分解を用いた購買行動におけるブランド選択分析、ネットワークが創発する知能研究会, 2014、JWEIN 2014、2014 田中洋、消費者行動序説(6) 5、態度と説得その1、経営志林第43 巻3 号,2006

非特許文献８によると、消費者行動論では、基本的中心概念の１つとして「態度」が重要視されている。態度は、なぜその商品ないしはブランドを購買するのか、あるいはどのようにそのブランドを購買するのか等、購買や使用現象を予測・説明するために必要な概念である。購買の場合、購買者・商品・場所・時期等の複数の購買条件の組み合わせによって態度が異なると考えられる。活発な消費行動、特に未購買商品の初期購買やその後の継続的購買を促すためには、各購買条件に最適な販売・広告戦略が必要である。加えて、施策前後の態度の変容を知ることも重要である。購買態度は、興味、習慣等の内的要因に加え、流行、他者からの依頼、割引等の施策影響、メディア影響等、複数の外的要因が介在して形成されると考えられる。

しかしながら、特に外的要因は、購買ログのみから観測するのは困難であり、外的要因と内的要因との切り分けも難しい。従来では、アンケート評価によって態度を測定していたが、全ての購買について主観的な評価を得ることは困難であった。

本発明は、上記の点に鑑みてなされたものであって、行動に関する履歴データから当該行動の傾向を示す指標値を算出可能とすることを目的とする。

そこで上記課題を解決するため、指標値算出装置は、個体による所定の行動ごとに記録される履歴データの集合のうちの第１の履歴データと、前記第１の履歴データより前に記録され、かつ、それぞれ同じ周期で相互に一定間隔のずれを有して訪れる複数の周期時期のうち前記第１の履歴データの記録時期が属する周期時期に記録された履歴データとに基づいて第１の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録され、かつ、複数の単位期間のうち前記第１の履歴データの記録時期が属する単位期間に記録された履歴データとに基づいて第２の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第３の行動回数を集計する集計部と、前記第１の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記周期時期における第１の行動確率を算出し、又は前記第２の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記単位期間における第２の行動確率を算出し、又は前記第３の行動回数に基づいて、前記全期間における第３の行動確率を算出し、前記１の行動確率又は前記第２の行動確率又は前記第３の行動確率と、前記第１の行動回数又は前記第２の行動回数又は前記第３の行動回数に基づく値との積を、前記個体による前記所定の行動の習慣への当てはまり度合いを示す指標値として算出する第１の算出部と、を有する。

履歴データから行動の傾向に関する指標値を算出可能とすることができる。

本発明の実施の形態における指標値算出装置のハードウェア構成例を示す図である。本発明の実施の形態における指標値算出装置の機能構成例を示す図である。指標値算出装置が実行する処理手順の一例を説明するためのフローチャートである。購買ログの構成例を示す図である。購買ログの集計処理の処理手順の一例を説明するためのフローチャートである。購買履歴の一例を示す図である。習慣度の算出処理の処理手順の一例を説明するためのフローチャートである。購買確率及び習慣度の算出例を示す図である。ＮＭＩ_ｄの算出例を示す図である。影響度の算出例を示す図である。６週間における購買日と最終日の曜日影響度との関係の一例を示す図である。１年間における購買日と最終日の月影響度との関係の一例を示す図である。習慣度及び影響度の算出結果の時系列の変化例を示す図である。

以下、図面に基づいて本発明の実施の形態を説明する。本実施の形態では、購買ログから観測可能な態度の一例として、購買の習慣性及び非習慣性に着目する。習慣性の高い商品の例として、例えば、毎日購買する朝食用の食パン等が挙げられる。非習慣性の高い商品の例として、テレビＣＭ等の外的要因によって購買した、普段は買わないデザート等が挙げられる。

非特許文献３に記載されている位置情報に関する習慣度算出手法では、習慣とその当てはまり度合いを示す習慣度が、周期的習慣・非周期的習慣の両方を考慮して定義・可視化され、その効果が示されている。習慣が、曜日及び時間帯の両方若しくは片方を考慮したもの、又は考慮しないものの４通りの多項分布で表現され、その重み付き線形和として扱われた上で、習慣度が算出されている。この際、同一時間には同一場所にしか滞在しないという位置情報ログに特有の仮定が行われ、全場所に対する合計確率が１となるような頻度分布が作成され、他の場所に対する相対的な確率の大きさから習慣度が定義されている。

しかしながら、購買ログに関しては、複数商品の同時購買を考慮する必要がある。例えば、［Ｃａｓｅ１］或る購買者が、パン及びコーヒーを両方とも１００日のうち８０日ずつ買った場合、相対的に分布を作成してしまうと、パン及びコーヒーの購買確率がそれぞれ５０％となる。一方、［Ｃａｓｅ２］パンを１００日のうち８０日、コーヒーを１００日のうち２０日買った場合、相対的な分布では、パンの購買確率が８０％、コーヒーの購買確率が２０％となる。［Ｃａｓｅ１］及び［Ｃａｓｅ２］では、いずれもパン単独で見た際の購買確率は共に８０／１００日であるにもかかわらず、［Ｃａｓｅ２］の方がパンの購買の習慣度が高く判定されてしまう。位置情報の場合には、場所Ａと場所Ｂとに同時に滞在できなかったため、場所Ａと場所Ｂとのいずれに居る確率がより高いのかを習慣度に用いるのが適していたが、購買ログではパンとコーヒーとを同時に購買することが可能なため、各商品に対して個別に習慣を定義した上で、相対値を用いずに習慣への当てはまり度合いを算出するよう拡張する必要が有る。

各商品に個別の習慣定義の例として、購買ログに限らない時系列データのモデリングの古典的手法である、ＳＡＲＩＭＡモデル（Seasonal Auto-Regressive Integrated Moving Average Model）（非特許文献１参照）が提案されている。一週間等の周期性を仮定してログの階差を取ることで抽出される定常性を利用しているが、ＳＡＲＩＭＡモデルでは、習慣（＝ここでは定常性）の継続期間の考慮が適切に行われておらず、直近のログに強く依存する傾向がある。位置情報に関する習慣度算出手法においても、一部期間のログのみを用いて最初に一度だけ習慣を学習しているため、習慣の継続期間及び変容を考慮することはできなかった。

また、位置情報に対する習慣度算出手法では、曜日を考慮した習慣の影響の強さを重みとして算出する際に、各曜日や時間帯における購買者に固有な全場所へのログ数を使用していたが、対象（購買ログでは各商品）毎にログの偏りを考慮するよう拡張することにより、傾向分析において、より有効な指標になると考えられる。

そこで、本実施の形態では、各商品に対する習慣度の算出に用いられる各購買ログの時点での個別の購買確率とその購買日数とを用いて習慣が定義され、購買ログにも適用可能な習慣度算出手法が開示される。購買者が各商品を過去にどれくらい（非周期的な習慣を含めて）習慣的に購買したか、また、その習慣はどれくらい続いているのかが考慮されて、習慣への当てはまり度合い（習慣度Ｒ）が算出される。

更に、各商品に対する各購買者の習慣に、曜日や月や時期といった時間的な周期性がどの程度影響しているかを示す曜日影響度Ｗ_ｄと月影響度Ｗ_ｍとが定義される。これにより、各購買者の各商品に対する購買が、毎週、毎夏、直近のみ等特定の条件で特に頻繁に起きる、といった傾向も抽出可能になる。また、習慣度Ｒの算出結果を、可視化技術やクラスタリング技術等に適用することにより、購買態度の一例としての購買の習慣性を販売・広告戦略の策定等のマーケティングに活用することが可能になる。

図１は、本発明の実施の形態における指標値算出装置のハードウェア構成例を示す図である。図１の指標値算出装置１０は、それぞれバスＢで相互に接続されているドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ１０４、インタフェース装置１０５、表示装置１０６、及び入力装置１０７等を有する。

指標値算出装置１０での処理を実現するプログラムは、ＣＤ−ＲＯＭ等の記録媒体１０１によって提供される。プログラムを記憶した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。ＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムに従って指標値算出装置１０に係る機能を実現する。インタフェース装置１０５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１０６はプログラムによるＧＵＩ（Graphical User Interface）等を表示する。入力装置１０７はキーボード及びマウス等で構成され、様々な操作指示を入力させるために用いられる。

図２は、本発明の実施の形態における指標値算出装置の機能構成例を示す図である。図２において、指標値算出装置１０は、入力受付部１１、ログ集計部１２、習慣度算出部１３、影響度算出部１４、算出結果出力部１５、時系列変化可視化部１６、及びクラスタリング部１７等を有する。これら各部は、指標値算出装置１０にインストールされた１以上のプログラムが、ＣＰＵ１０４に実行させる処理により実現される。指標値算出装置１０は、また、購買ログ記憶部２１を利用する。購買ログ記憶部２１は、補助記憶装置１０２、又は指標値算出装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。

購買ログ記憶部２１は、購買ログ群を記憶する。購買ログは、購買者による商品の購買ごとに記録される履歴データの一例である。購買ログは、例えば、ＰＯＳ（Point Of Sales system）から入力されてもよい。

入力受付部１１は、指標値算出装置１０のユーザから、習慣度Ｒ及び影響度Ｗの算出対象とする購買ログの選択を受け付ける。選択された一つの購買ログを、以下「対象ログ」という。但し、最新の購買ログが、自動的に対象ログとされてもよい。ログ集計部１２は、購買ログ記憶部２１に記憶されている購買ログ群のうち、対象ログに係る購買者及び商品に係る対象ログより前の購買ログ群と対象ログとについて、習慣度Ｒ及び影響度Ｗの算出に利用されるパラメータの集計を行う。習慣度算出部１３は、ログ集計部１２による集計結果に基づいて、習慣度Ｒ（後述される全期間習慣度Ｒ_ｔ、曜日習慣度Ｒ_ｄ、月習慣度Ｒ_ｍ）を算出する。習慣度Ｒは、特定の購買者による特定の商品の購買に関しての習慣への当てはまり度合いを示す指標値の一例である。影響度算出部１４は、ログ集計部１２による集計結果に基づいて、影響度Ｗ（曜日影響度Ｗ_ｄ、月影響度Ｗ_ｍ）を算出する。影響度Ｗは、購買者の習慣に、曜日や月や時期といった時間的な周期性がどの程度影響しているかを示す指標値の一例である。算出結果出力部１５は、時系列変化可視化部１６又はクラスタリング部１７を利用して、習慣度及び影響度について出力処理を行う。時系列変化可視化部１６は、習慣度Ｒ及び影響度Ｗを用いて、購買ログの時間的傾向の可視化（例えば、表示）を行う。クラスタリング部１７は、習慣度Ｒ及び影響度Ｗを用いて、購買ログのクラスタリングを行う。

以下、指標値算出装置１０が実行する処理手順について説明する。図３は、指標値算出装置が実行する処理手順の一例を説明するためのフローチャートである。

ステップＳ１００において、入力受付部１１は、購買ログ記憶部２１に記憶されている購買ログの中から、対象ログの選択をユーザから受け付ける。なお、図３の処理は、例えば、新たな購買ログが入力される（発生する）たびに、実行されてもよい。この場合、当該新たな購買ログが対象ログとされてもよい。

図４は、購買ログの構成例を示す図である。図４に示されるように、一つの購買ログは、購買者ＩＤ、商品名、品目名、年月日、曜日、及び経過月等を含む。購買者ＩＤは、商品の購買者の識別情報である。商品名は、購買された商品の具体的な名称である。本実施の形態では、商品名によって各商品が識別される。品目名は、「コーヒー」等のように、当該商品が属するカテゴリである。年月日は、当該商品が購買された年月日（日付）である。曜日は、当該年月日が属する曜日である。経過月は、当該商品以外の商品も含めて当該購買者による最初の購買ログの年月日の月から経過した月数である。なお、経過月は、例えば、ステップＳ１００において、最初の購買ログに基づいて計算されてもよい。なお、図４において、各項目の括弧内に示されているアルファベットは、以下の説明において、各項目の値を表現する識別子である。

続いて、ログ集計部１２は、購買ログ記憶部２１に記憶されている購買ログのうち、購買者ＩＤ及び商品名が、対象ログの購買者ＩＤ及び商品名に一致する購買ログであって、年月日が対象ログの年月日より前の購買ログ（以下、「関連ログ」という。）と対象ログと等に関して、集計処理を実行する（Ｓ２００）。

続いて、習慣度算出部１３は、集計結果に基づいて、習慣度Ｒを算出する（Ｓ３００）。続いて、影響度算出部１４は、集計結果に基づいて、影響度Ｗを算出する（Ｓ４００）。

なお、ステップＳ１００〜Ｓ４００は、各関連ログが対象ログとされて実行されてもよい。そうすることにより、時系列の習慣度及び時系列の影響度を得ることができる。又は、購買ログが入力される度に、ステップＳ１００〜Ｓ４００が実行されてもよい。すなわち、習慣度Ｒ及び影響度Ｗは、購買ログごとに算出される。

続いて、算出結果出力部１５は、習慣度及び影響度の出力を行う（Ｓ５００）。ステップＳ５００は、複数の購買ログに関してステップＳ１００〜Ｓ４００が実行された後に、実行されてもよい。すなわち、ステップＳ５００は、ステップＳ１００〜Ｓ４００に対して非同期に実行されてもよい。

続いて、ステップＳ２００の詳細について説明する。図５は、購買ログの集計処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ２０１において、ログ集計部１２は、対象ログに含まれている購買者ｕ、商品ｇ、曜日ｄ、及び経過月ｍに基づいて、対象ログ及び関連ログに関して、各種の購買日数の集計を行う。購買日数とは、購買が行われた日の数である。購買日数の種類としては、Ｃ_ｕ，ｇ、Ｃ_{ｕ，ｇ，ｄｉ}、Ｃ_{ｕ，ｇ，ｍｊ}が有る。Ｃは、当該Ｃの添え字が示す条件に当てはまる購買日数のカウント数を示す。また、ｄの添え字のｉは、各曜日を示す。ｍの添え字のｊは、各経過月を示す。したがって、Ｃ_ｕ，ｇは、購買者ｕによる商品ｇの購買日数を示す。また、Ｃ_{ｕ，ｇ，ｄｉ}は、購買者ｕによる商品ｇの曜日ごとの購買日数を示す。また、Ｃ_{ｕ，ｇ，ｍｊ}は、購買者ｕによる商品ｇの経過月ごとの購買日数を示す。

なお、Ｃ_{ｕ，ｇ，ｄｉ}のうち、対象ログの曜日ｄに対応する値を、Ｃ_{ｕ，ｇ，ｄ}と記す。また、Ｃ_{ｕ，ｇ，ｍｊ}のうち、対象ログの経過月ｍに対応する値を、Ｃ_{ｕ，ｇ，ｍ}と記す。

続いて、ログ集計部１２は、各種日数を集計する（Ｓ２０２）。日数の種類としては、Ｄ_ｕ，ｔ、Ｄ_ｕ，ｄｉ、及びＤ_ｕ，ｍｊが有る。Ｄは、対象ログの商品ｕ以外の商品まで含めた、購買者ｕの最初の購買ログの年月日から対象ログの年月日までの期間（以下、「評価期間」という。）内の日数を示す。Ｄ_ｕ，ｔは、評価期間内の全日数を示す。Ｄ_ｕ，ｄｉは、評価期間内の各曜日の日数を示す。Ｄ_ｕ，ｍｊは、評価期間内の各経過月の日数を示す。

なお、Ｄ_ｕ，ｄｉのうち、対象ログの曜日ｄに対応する値を、Ｄ_ｕ，ｄと記す。また、Ｄ_ｕ，ｍｊのうち、対象ログの経過月ｍに対応する値を、Ｄ_ｕ，ｍｊと記す。

各種購買日数及び各種日数について、具体例に基づいて集計例を示す。図６は、購買履歴の一例を示す図である。図６では、対象ログに係る購買者ｕの最初の購買ログの年月日が、２月１日（月）である例が示されている。黒丸（●）が付された日は、いずれかの関連ログの年月日に該当する日であり、星印（★）が付された日は、対象ログの年月日に該当する日である。すなわち、黒丸又は星印が付された日は、購買者ｕによって商品ｇが購買された日である。図６に示される購買履歴において、各種Ｃ及び各種Ｄの集計結果は、以下の通りである。

Ｄ_ｕ，ｔ＝４２：２月１日〜３月１４日までの期間（評価期間）の日数
Ｃ_ｕ，ｇ＝１８：評価期間内において黒丸又は星印の付いた日数（すなわち、購買日数）
Ｄ_ｕ，ｄ月＝６：評価期間内において月曜日に該当する日数
Ｄ_ｕ，ｄ火＝６：評価期間内において火曜日に該当する日数
Ｄ_ｕ，ｄ水＝６：評価期間内において水曜日に該当する日数
Ｄ_ｕ，ｄ木＝６：評価期間内において木曜日に該当する日数
Ｄ_ｕ，ｄ金＝６：評価期間内において金曜日に該当する日数
Ｄ_ｕ，ｄ土＝６：評価期間内において土曜日に該当する日数
Ｄ_ｕ，ｄ日＝Ｄ_ｕ，ｄ＝６：評価期間内において星印の曜日（日曜日）に該当する日数
Ｃ_{ｕ，ｇ，ｄ月}＝１：月曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ火}＝１：火曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ水}＝１：水曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ木}＝５：木曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ金}＝１：金曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ土}＝４：土曜日の購買日数
Ｃ_{ｕ，ｇ，ｄ日}＝Ｃ_{ｕ，ｇ，ｄ}＝５：星印の曜日（日曜日）の購買日数
Ｄ_ｕ，ｍ０＝２８：０ヶ月目の経過月（２月）内の日数
Ｄ_ｕ，ｍ１＝Ｄ_ｕ，ｍ＝１４：１ヶ月目の経過月（星印を含む月（３月））内の日数
Ｃ_{ｕ，ｇ，ｍ０}＝１５：０ヶ月目の経過月（２月）内の購買日数
Ｃ_{ｕ，ｇ，ｍ1}＝Ｃ_{ｕ，ｇ，ｍ}＝３：１ヶ月目の経過月（星印を含む月（３月））内の購買日数
続いて、図３のステップＳ３００の詳細について説明する。図７は、習慣度の算出処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ３０１において、習慣度算出部１３は、図５の集計結果に基づいて、対象ログに含まれている購買者ｕ、商品ｇ、曜日ｄ、経過月ｍに応じた、全体購買確率Ｐ_ｔ、曜日購買確率Ｐ_ｄ、月購買確率Ｐ_ｍを、以下の式（１）に基づいて算出する。

なお、全体購買確率Ｐ_ｔ、曜日購買確率Ｐ_ｄ、月購買確率Ｐ_ｍの意味は、以下の通りである。

Ｐ_ｔ：評価期間の全日数Ｄ_ｕ，ｔに対する商品の購買確率
Ｐ_ｄ：評価期間のうち評価対象日（対象ログの年月日）と同じ曜日の日数Ｄ_ｕ，ｄに対する当該曜日における商品の購買確率
Ｐ_ｍ：評価期間のうち評価対象日と同じ月の日数Ｄ_ｕ，ｍに対する当該月内の商品の購買確率
なお、本実施の形態における表記法に従えば、購買者ｕと商品ｇとに固有な各種購買確率は、Ｐ_{ｕ，ｇ，ｔ}、Ｐ_{ｕ，ｇ，ｄ}、Ｐ_{ｕ，ｇ，ｍ}であるが、ここでは、便宜上、上記の通り表記する。また、習慣度Ｒ及び影響度Ｗについても同様である。

続いて、習慣度算出部１３は、各種購買確率Ｐと各購買日数Ｃとに基づいて、全期間習慣度Ｒ_ｔ、曜日習慣度Ｒ_ｄ、及び月習慣度Ｒ_ｍを以下のように算出する（Ｓ３０２）。

Ｒ_ｔ＝Ｐ_ｔｌｎＣ_ｕ，ｇ
Ｒ_ｄ＝Ｐ_ｄｌｎＣ_{ｕ，ｇ，ｄ}
Ｒ_ｍ＝Ｐ_ｍｌｎＣ_{ｕ，ｇ，ｍ}
購買確率Ｐに購買日数Ｃの対数を乗じるのは、同一確率でも、長く続く習慣ほど強い習慣として把握可能とするためである。ここでは、購買日数Ｃの重みを線形的に増加させないために対数を採用したが、購買日数Ｃをそのまま分子に乗じる（購買確率Ｐと購買日数Ｃとの積を求める）等の方法も考えられる。分子に購買日数Ｃに比例する値を乗じることで、習慣の継続期間を考慮できると考えられる。

例えば、購買日数Ｃを乗じない場合、［Ｃａｓｅ１］商品ｇを購買したのが２日間のうち１日である場合と、［Ｃａｓｅ２］商品ｇを購買したのが２００日間のうち１００日である場合と、の購買確率Ｐｔは共に５０％であるが、習慣といえるか否かの度合い（習慣度Ｒ）を考える場合には、［ｃａｓｅ２］の方が高い値が得られるのが妥当であると考えられる。本実施の形態によれば、［Ｃａｓｅ１］の習慣度は０、［Ｃａｓｅ２］の習慣度は２．３０となり、［Ｃａｓｅ２］の方が高い値となる。本実施の形態では、購買があった際の購買ログ毎に習慣度Ｒが算出されるため、購買日数が０になることはない。

図８は、購買確率及び習慣度の算出例を示す図である。図８には、図６に示される購買履歴に基づく購買確率及び習慣度の算出例が示されている。

続いて、図３のステップＳ４００の詳細について説明する。購買者が有する購買の習慣には、「毎週土曜日に買うことが多い」、「夏に買うことが多い」等、特定の曜日や月に関して偏りが生じることがある。本実施の形態では、この偏りの強さを数値化し、購買者ｕによる商品ｇの購買に関する、曜日ｄ又は経過月ｍにおける、曜日影響度Ｗ_ｄ及び月影響度Ｗ_ｍが算出される。

影響度Ｗの算出には、正規化相互情報量ＮＭＩ（Normalized Mutual Information）（非特許文献４参照）が用いられる。ＮＭＩは、クラスタリング手法の評価で用いられる指標であり、クラスタリング結果Ｘで正解ラベルＹを適切に分類できているかを示す。０≦ＮＭＩ≦１であり、両者（Ｘ及びＹ）が完全に一致するときに１となる。

ｘ_ｉは、ｉ番目のクラスタに分類されることを、ｙ_ｊはｊ番目の正解ラベルが付されていることを示し、Ｐは、各事象の生起確率を示す。

本実施の形態では、購買者ｕによる商品ｇの購買に関する購買日数について、曜日及び経過月に関する偏り度合いを調べるために、Ｘを、曜日影響度Ｗ_ｄの算出では曜日による分類、月影響度Ｗ_ｍの算出では経過月による分類と考え、Ｙを購買有無と考えてＮＭＩが算出される。曜日による分類に関するＮＭＩをＮＭＩ_ｄと記し、経過月による分類に関するＮＭＩをＮＭＩ_ｍと記す。式（３）及び式（４）は、それぞれ、以下の式（５）及び式（６）に変形される。

曜日影響度Ｗ_ｄの算出では、｜ｘ_ｉ｜＝Ｄ_ｕ，ｄｉ（ｄ_ｉは月曜日から日曜日の各曜日）、｜ｙ_１｜＝Ｃ_ｕ，ｇ、｜ｙ_２｜＝Ｄ_ｕ，ｔ−Ｃ_ｕ，ｇ、｜ｘ_ｉ∩ｙ_１｜＝Ｃ_{ｕ，ｇ，ｄｉ}、｜ｘ_ｉ∩ｙ_２｜＝｜ｘ_ｉ｜−Ｃ_{ｕ，ｇ，ｄｉ}として、式（２）、（５）、（６）に適用される。

図９は、ＮＭＩ_ｄの算出例を示す図である。図９には、図６に示される購買履歴に基づいて算出されるＮＭＩ_ｄの算出例が示されている。ＮＭＩ_ｄ、ＮＭＩ_ｍの値が大きいほど、曜日又は経過月による分類が購買有無を適切に分離していること、すなわち、特定の曜日や経過月において頻繁に購買が行われていることを示す。

単純なＮＭＩの値では、データ期間が短いほど値が大きくなる等、データ期間による影響を受ける。そこで、影響度算出部１４は、ＮＭＩの値を、

を用いて正規化した相対値である、

を以下のように求める。

図９には、ＮＭＩ_ｄを正規化した相対値の算出例が右側の矩形内に示されている。図９に例示されているように、

は、対象ログに含まれている曜日ｄや経過月ｍの全ての日のみに購買が行われたと仮定したＮＭＩである。

の算出では、対象ログの曜日がｄのとき、｜ｘ_ｉ｜＝Ｄ_ｕ，ｄｉ、｜ｙ_１｜＝Ｄ_ｕ，ｄ、｜ｙ_２｜＝Ｄ_ｕ，ｔ−Ｄ_ｕ，ｄ、ｄ_ｉ＝ｄならば、｜ｘ_ｉ∩ｙ_１｜＝Ｄ_ｕ，ｄｉ、｜ｘ_ｉ∩ｙ_２｜＝０、ｄ_ｉ≠ｄならば、｜ｘ_ｉ∩ｙ_１｜＝０、｜ｘ_ｉ∩ｙ_２｜＝Ｄ_ｕ，ｄｉとして、数式（２）、（５）、（６）に適用される。

本実施の形態において、影響度算出部１４は、

に、ステップＳ３００と同様に購買日数の対数を乗じて、習慣の期間を考慮して影響度Ｗを算出する。

図１０は、影響度の算出例を示す図である。図１０には、図６に示される購買履歴に基づいて算出される影響度の算出例が示されている。

以上のように、曜日影響度Ｗ_ｄは、各曜日において特にその購買（対象ログに係る購買）が起きやすいかを示す。ここで、各曜日における購買有無の偏りに着目するため、毎週月曜日のみ、といった週に１度の習慣だけでなく、月曜及び火曜によく購買する、等の習慣も抽出することができる。

図１１は、６週間における購買日と最終日の曜日影響度との関係の一例を示す図である。図１１には、６週間の期間において、（１）全曜日に３回ずつ、（２）月曜のみに６回、（３）月曜及び火曜に６回ずつ、（４）毎日購買された場合の、最終日の購買ログにおけるＮＭＩ_ｄの値と曜日影響度Ｗ_ｄの値とが示されている。

（１）では、全曜日について購買確率が５０％であり、購買有無が曖昧であるため、曜日影響度Ｗ_ｄは非常に低い。一方、各曜日の購買確率の偏りが少ない（２）、（３）、（４）では、曜日影響度Ｗ_ｄの値が大きくなる。図１０の例と比べても、（２）、（３）、（４）では、曜日影響度Ｗ_ｄの値が大きいことが分かる。

また、月影響度Ｗ_ｍは、経過月毎に購買有無の偏りがあるかを示す。図１２は、１年間における購買日と最終日の月影響度との関係の一例を示す図である。図１２には、１年間の期間において、（１）全月に月の半分（１４日から１６日）ずつ、（２）１２月のみ、（３）１０月から１２月のみ、（４）毎日購買された場合における、１２月３１日の購買ログの時点のＮＭＩ_ｍの値と月影響度Ｗ_ｍの値とが示されている。

（１）では、全経過月について、購買確率が約５０％であるため、月影響度Ｗ_ｍは非常に低い。一方、各月内での購買確率の偏りが少ない（２）、（３）、（４）では、月影響度Ｗ_ｍの値が大きくなる。（２）及び（３）で分かるように、季節性により毎夏等特定の月にのみ購買が増える場合や、習慣の変容により、直近等特定の月だけで購買が多い場合等において、月影響度Ｗ_ｄの値が高くなる。これは、購買がほとんど無かった月においては、購買有無が「無」の方に強く偏っていて、ＮＭＩの値が大きくなるためである。

なお、曜日影響度Ｗ_ｄ及び月影響度Ｗ_ｍについて、期間内の毎日において購買があった際に値が特に大きくなっているのは、毎日購買があると購買有無を示す正解ラベルが購買有のみになり、ＮＭＩの値が非常に大きくなるためである。実際は、長期間において毎日購買され続ける商品は非常に少ないため、影響度Ｗの値が大きい商品として抽出されるのは、曜日影響度Ｗ_ｄの場合には、特定の曜日のみに買われた商品、月影響度Ｗ_ｍの場合には、特定の月にのみ買われた商品になることが多いことが確認されている。

なお、ステップＳ２００〜Ｓ４００が、対象ログのみならず、各関連ログについても実行されると、時系列の習慣度Ｒ及び時系列の影響度Ｗが得られる。この場合、算出結果出力部１５は、時系列変化可視化部１６を利用して、図１３に示されるように、習慣度Ｒ及び影響度Ｗの時系列の変化を示す情報を出力してもよい。

図１３は、習慣度及び影響度の算出結果の時系列の変化例を示す図である。図１３は、図６に示される購買履歴に基づく。すなわち、図６によれば購買ログの数（すなわち、Ｃ_ｕ，ｇ）は、１８である。したがって、各習慣度Ｒ及び各影響度について、１８個のプロットが有る。

曜日習慣度Ｒ_ｄは、高い値ほど、曜日ｄにおいて購買者ｕによる商品ｇの購買が起きやすいことを示す。図１３の曜日習慣度Ｒ_ｄを見ると、木曜日、土曜日、及び日曜日について、週が経過するごとに曜日習慣度Ｒ_ｄが増加傾向にあることが分かる。

図１３に示される曜日影響度Ｗ_ｄ、月影響度Ｗ_ｍの算出例で見られる０の値は、曜日影響度Ｗ_ｄでは各曜日の最初の購買が行われた日、月影響度Ｗ_ｍでは最初の購買が行われた月であるために、影響度Ｗが算出できないことによる。それ以外の購買ログについては、経過日数に応じて影響度Ｗが変化する様子を観察できる。例えば、特定の曜日において特にその習慣が起きやすいかを示す曜日影響度Ｗ_ｄを見ると、日が経過するごとに増加傾向を示していることが分かる。特に、丸印で囲まれている３月４日木曜日において、それまでの全ての木曜日に購買が行われていることから、曜日影響度Ｗ_ｄの値が大きくなっている。

なお、本実施の形態では、同一購買者による同一商品の購買は、１日に１回である。したがって、同一購買者による同一商品に関して、購買ログの数と購買日数とは、一致する。仮に、同一購買者による同一商品の購買が複数回発生する場合、当該複数回の購買ログは、一つの購買ログにまとめられて処理されてもよい。

上述したように、本実施の形態によれば、購買における習慣性が考慮された習慣度Ｒ及び影響度Ｗを算出することができる。すなわち、購買ログから購買態度の傾向を示す指標値を算出可能とすることができる。その結果、購買態度の理解において、例えば、以下の（１）〜（４）に示されるような効果を期待することができる。
（１）可視化分析精度向上による販売・広告戦略の改良
（２）セグメンテーション分析における、態度の考慮
（３）販売戦略の効果測定における、態度の変容の考慮
（４）直近の態度を考慮した、リアルタイムな商品推薦
習慣性が高い条件下では、日頃よく購買される商品と類似した新商品を紹介したり、習慣性が低い条件においては、普段購買されないような商品や、一般的に非習慣性の高い時に購買されやすい商品を紹介したり、といった活用が考えられる。

なお、上記においては、購買ログを用いたマーケティングを例に説明したが、本実施の形態は、購買ログに限らない様々な時系列ログ（履歴データ）に対して適用が可能である。例えば、システムエラーのログを用いてエラー発生日の傾向を観察すると、システムの種類やエラーの種類に応じて、夏場の暑い時期や冬場の乾燥した時期にトラブルが発生しやすいかや、例えば、月曜日等、アクセス数が急変する特定の曜日にトラブルが発生しやすいか等の、エラーの傾向の切り分けが可能になると期待される。

また、Ｗｅｂページへのアクセスログに適用すると、例えば、大学教員の講義に関する資料が掲載されたＷｅｂページは、特定の曜日や試験前等の特定の時期にアクセスされやすいといった傾向を観察することができ、Ｗｅｂページの改変を行う際には、それらの時期を避ける必要があるといった知見が得られると考えられる。

また、喫煙量や飲酒量の時系列変化の観察に適用して、習慣度Ｒが一定値を超えた場合には、健康を害する可能性が有る旨の警告を出したり、曜日影響度Ｗ_ｄが一定値を超えた場合には、「金曜日だからといって飲み過ぎないように」、「週に２日は休肝日にするとよい」等のアドバイスを提示したり、といった活用も考えられる。

更に、伝染病の発症者が出た日を観察すると、週休日と発症日との間に相関が出る、発症時期に季節性が出る等の傾向が分かる可能性がある。このようなログに対しては、習慣度Ｒが一定値を超えると、パンデミック（常時流行）状態に陥っていることが発見できる、といった活用も考えられる。

また、本実施の形態では、曜日別又は経過月別の習慣度Ｒ及び影響度Ｗが算出される例を示したが、習慣度Ｒ及び影響度Ｗを算出する時間の単位は、観察対象に応じて適宜変更されてもよい。例えば、時刻別、時間帯別、分単位別等の習慣度Ｒ及び影響度Ｗが算出されてもよい。

上述したように、本実施の形態によれば、購買ログをはじめとする様々な時系列ログ（履歴データ）に対する習慣度Ｒと、曜日影響度Ｗ_ｄ及び月影響度Ｗ_ｍとの算出が可能になり、ログの習慣性を考慮した可視化やクラスタリング分析を実施することができる。購買ログにおいては、販売・広告戦略の策定のための、時系列傾向分析・クラスタリング分析において、購買態度の一例としての購買習慣性の考慮が可能になる。加えて、習慣性の変容を考慮した販売・広告戦略の効果測定や、直近の態度を考慮したリアルタイムな商品推薦に活用できると期待される。

なお、本実施の形態において、購買者は、個体の一例である。購買者ｕ（特定の購買者）による商品ｇ（特定の商品）の購買は、所定の行動の一例である。購買ログは、履歴データの一例である。対象ログは、第１の履歴データの一例である。購買ログの年月日、曜日、及び経過月は、記録時期の一例である。同一の購買者に係る購買ログは、履歴データの集合の一例である。ログ集計部１２は、集計部の一例である。習慣度算出部１３は、第１の算出部の一例である。各曜日は、それぞれ同じ周期で相互に一定間隔のずれを有して訪れる複数の周期時期の一例である。すなわち、月、火、水、木、金、土、日は、相互に一定間隔のずれを有して一週間周期で訪れる。なお、時刻等が、周期時期の一例であってもよい。経過月は、単位期間の一例である。なお、経過週又は経過時間等が、単位期間の一例であってもよい。

Ｃ_{ｕ，ｇ，ｄ}は、第１の行動回数の一例である。Ｃ_{ｕ，ｇ，ｍ}は、第２の行動回数の一例である。Ｐ_ｄは、第１の行動確率の一例である。Ｐ_ｍは、第２の行動確率の一例である。習慣度Ｒは、所定の行動の習慣への当てはまり度合いを示す指標値の一例である。

Ｃ_{ｕ，ｇ，ｄｉ}は、第４の行動回数の一例である。Ｃ_{ｕ，ｇ，ｍｊ}は、第５の行動回数の一例である。Ｄ_ｕ，ｔは、全期間の一例である。Ｃ_ｕ，ｇは、第３及び第６の行動回数の一例である。影響度算出部１４は、第２の算出部の一例である。式（３）及び式（５）のｌｏｇ_２の左側の項は、第３の行動確率、及び請求項２における、全期間に対する行動確率の一例である。式（３）及び式（５）のｌｏｇ_２の右側の項は、請求項２における、各周期時期における行動確率又は各単位期間における行動確率の一例である。影響度Ｗは、行動に対する影響の度合いを示す指標値の一例である。

以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０指標値算出装置
１１入力受付部
１２ログ集計部
１３習慣度算出部
１４影響度算出部
１５算出結果出力部
１６時系列変化可視化部
１７クラスタリング部
２１購買ログ記憶部
１００ドライブ装置
１０１記録媒体
１０２補助記憶装置
１０３メモリ装置
１０４ＣＰＵ
１０５インタフェース装置
１０６表示装置
１０７入力装置
Ｂバス

Claims

個体による所定の行動ごとに記録される履歴データの集合のうちの第１の履歴データと、前記第１の履歴データより前に記録され、かつ、それぞれ同じ周期で相互に一定間隔のずれを有して訪れる複数の周期時期のうち前記第１の履歴データの記録時期が属する周期時期に記録された履歴データとに基づいて第１の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録され、かつ、複数の単位期間のうち前記第１の履歴データの記録時期が属する単位期間に記録された履歴データとに基づいて第２の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第３の行動回数を集計する集計部と、
前記第１の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記周期時期における第１の行動確率を算出し、又は前記第２の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記単位期間における第２の行動確率を算出し、又は前記第３の行動回数に基づいて、前記全期間における第３の行動確率を算出し、前記１の行動確率又は前記第２の行動確率又は前記第３の行動確率と、前記第１の行動回数又は前記第２の行動回数又は前記第３の行動回数に基づく値との積を、前記個体による前記所定の行動の習慣への当てはまり度合いを示す指標値として算出する第１の算出部と、
を有することを特徴とする指標値算出装置。
それぞれ同じ周期で相互に一定間隔のずれを有して訪れる複数の周期時期のそれぞれごとに、個体による所定の行動ごとに記録される履歴データの集合のうちの第１の履歴データと前記第１の履歴データより前に記録された履歴データとのうち、当該周期時期に記録された履歴データに基づいて、当該周期時期における第４の行動回数を集計し、又は複数の単位期間のそれぞれについて、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとのうち、当該単位期間に記録された履歴データに基づいて、当該単位期間における第５の行動回数を集計し、かつ、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第６の行動回数を集計する集計部と、
前記第６の行動回数に基づく、前記全期間に対する行動確率と、前記周期時期ごとの前記第４の行動回数、又は前記単位期間ごとの前記第５の行動回数とに基づく相互情報量を、前記周期時期又は前記単位期間の前記行動に対する影響の度合いを示す指標値を得るために算出する第２の算出部と、
を有することを特徴とする指標値算出装置。
前記集計部は、複数の前記周期時期のそれぞれについて、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとのうち、当該周期時期に記録された履歴データに基づいて、当該周期時期における第４の行動回数を集計し、又は複数の前記単位期間のそれぞれについて、前記第１の履歴データと、前記第１の履歴データより前に記録された履歴データとのうち、当該単位期間に記録された履歴データに基づいて、当該単位期間における第５の行動回数を集計し、かつ、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第６の行動回数を集計し、
前記第６の行動回数に基づく、前記全期間に対する行動確率と、前記周期時期ごとの前記第４の行動回数、又は前記単位期間ごとの前記第５の行動回数とに基づく相互情報量を、前記周期時期又は前記単位期間の前記行動に対する影響の度合いを示す指標値を得るために算出する第２の算出部を有することを特徴とする請求項１記載の指標値算出装置。
購買者による商品の購買ごとに記録される購買ログの集合のうちの第１の購買ログと、前記第１の購買ログより前に記録され、かつ、前記第１の購買ログの記録時期が属する曜日に記録された購買ログとに基づいて第１の購買回数を集計する、又は前記第１の購買ログと、前記第１の購買ログより前に記録され、前記第１の購買ログの記録時期が属する月に記録された購買ログとに基づいて第２の購買回数を集計する、又は前記第１の購買ログと、前記第１の購買ログより前に記録された購買ログとに基づいて、前記購買者による最初の購買ログの記録時期から前記第１の購買ログの記録時期までの全期間における第３の購買回数を集計する集計部と、
前記第１の購買回数に基づいて、前記第１の購買ログの記録時期が属する曜日における第１の購買確率を算出し、又は前記第２の購買回数に基づいて、前記第１の購買ログの記録時期が属する月における第２の購買確率を算出し、又は前記第３の購買回数に基づいて、前記全期間における第３の購買確率を算出し、前記１の購買確率又は前記第２の購買確率又は前記第３の購買確率と、前記第１の購買回数又は前記第２の購買回数又は前記第３の購買回数に基づく値との積を、前記購買者による前記商品の購買の習慣への当てはまり度合いを示す指標値として算出する第１の算出部と、
を有することを特徴とする指標値算出装置。
前記集計部は、それぞれの曜日について、前記第１の購買ログと前記第１の購買ログより前に記録された購買ログとのうち、当該曜日に記録された購買ログに基づいて、当該曜日における第４の購買回数を集計し、又は複数のそれぞれの月について、前記第１の購買ログと、前記第１の購買ログより前に記録された購買ログとのうち、当該月に記録された購買ログに基づいて、当該月における第５の購買回数を集計し、かつ、前記第１の購買ログと前記第１の購買ログより前に記録された購買ログとに基づいて、前記購買者に関して記録された最初の購買ログの記録時期から前記第１の購買ログの記録時期までの全期間における第６の購買回数を集計し、
前記第６の購買回数に基づく、前記全期間に対する購買確率と、前記曜日ごとの前記第４の購買回数、又は前記月ごとの前記第５の購買回数とに基づく相互情報量を、前記曜日又は前記月の前記購買に対する影響の度合いを示す指標値を得るために算出する第２の算出部を有することを特徴とする請求項４記載の指標値算出装置。
コンピュータが、
個体による所定の行動ごとに記録される履歴データの集合のうちの第１の履歴データと、前記第１の履歴データより前に記録され、かつ、それぞれ同じ周期で相互に一定間隔のずれを有して訪れる複数の周期時期のうち前記第１の履歴データの記録時期が属する周期時期に記録された履歴データとに基づいて第１の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録され、かつ、複数の単位期間のうち前記第１の履歴データの記録時期が属する単位期間に記録された履歴データとに基づいて第２の行動回数を集計する、又は前記第１の履歴データと、前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第３の行動回数を集計する集計手順と、
前記第１の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記周期時期における第１の行動確率を算出し、又は前記第２の行動回数に基づいて、前記第１の履歴データの記録時期が属する前記単位期間における第２の行動確率を算出し、又は前記第３の行動回数に基づいて、前記全期間における第３の行動確率を算出し、前記１の行動確率又は前記第２の行動確率又は前記第３の行動確率と、前記第１の行動回数又は前記第２の行動回数又は前記第３の行動回数に基づく値との積を、前記個体による前記所定の行動の習慣への当てはまり度合いを示す指標値として算出する第１の算出手順と、
を実行することを特徴とする指標値算出方法。
前記集計手順は、複数の前記周期時期のそれぞれについて、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとのうち、当該周期時期に記録された履歴データに基づいて、当該周期時期における第４の行動回数を集計し、又は複数の前記単位期間のそれぞれについて、前記第１の履歴データと、前記第１の履歴データより前に記録された履歴データとのうち、当該単位期間に記録された履歴データに基づいて、当該単位期間における第５の行動回数を集計し、かつ、前記第１の履歴データと前記第１の履歴データより前に記録された履歴データとに基づいて、前記個体に関して記録された最初の履歴データの記録時期から前記第１の履歴データの記録時期までの全期間における第６の行動回数を集計し、
前記コンピュータが、
前記第６の行動回数に基づく、前記全期間に対する行動確率と、前記周期時期ごとの前記第４の行動回数、又は前記単位期間ごとの前記第５の行動回数とに基づく相互情報量を、前記周期時期又は前記単位期間の前記行動に対する影響の度合いを示す指標値を得るために算出する第２の算出手順を実行することを特徴とする請求項６記載の指標値算出方法。
コンピュータを、請求項１乃至５いずれか一項記載の各部として機能させるためのプログラム。