JP2016167149A - 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法 - Google Patents

商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法 Download PDF

Info

Publication number
JP2016167149A
JP2016167149A JP2015046324A JP2015046324A JP2016167149A JP 2016167149 A JP2016167149 A JP 2016167149A JP 2015046324 A JP2015046324 A JP 2015046324A JP 2015046324 A JP2015046324 A JP 2015046324A JP 2016167149 A JP2016167149 A JP 2016167149A
Authority
JP
Japan
Prior art keywords
store
cluster
contracts
population
expected
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
Application number
JP2015046324A
Other languages
English (en)
Other versions
JP6506572B2 (ja
Inventor
孝文 渡邉
Takafumi Watanabe
孝文 渡邉
亜令 小林
Arei Kobayashi
亜令 小林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2015046324A priority Critical patent/JP6506572B2/ja
Publication of JP2016167149A publication Critical patent/JP2016167149A/ja
Application granted granted Critical
Publication of JP6506572B2 publication Critical patent/JP6506572B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】居住者に限らない商圏と、店舗毎に異なる店舗特性とに基づいて、店舗の期待成約人数を推定するプログラム等を提供する。
【解決手段】店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積手段と、「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類するクラスタリング手段と、クラスタ毎に、成約人数の基準値(平均値又は中央値)を算出する基準成約人数算出手段と、クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択するクラスタ選択手段と、選択されたクラスタにおける成約人数の基準値を、「期待成約人数」として導出する期待成約人数推定手段とを有する。
【選択図】図4

Description

本発明は、携帯端末を所持したユーザの移動に伴う位置を推定する技術に関する。特に、ユーザが来店する店舗における商圏分析に適用した技術に関する。
営業促進の検討の中で、店舗毎に、サービスの成約(商材の購入)の可能性のあるユーザ数を推定することは、極めて重要なことである。一般に、店舗毎に、その付近に居住している人口密度に基づいて、「商圏(地図上の地域範囲)」が決定される。そして、店舗毎に、その商圏と過去の成約(販売)人数とを用いて、期待される成約可能な人数(期待成約人数)が推定される。
従来、ハフモデルを用いて各店舗の商圏を決定し、店舗毎に、その商圏における集客力から売り上げを予測する技術がある(例えば特許文献1参照)。この技術によれば、地図上に、店舗の位置を中心とした分析対象領域を設定する。分析対象領域内の各メッシュ領域について、その図心から店舗までの距離、距離抵抗係数、店舗の魅力係数、店舗の集客力等を算出する。距離抵抗係数や店舗の魅力係数を適宜修正することによって、市場の変化に応じて分析することができる。
また、店舗を中心とした商圏及びそのユーザ人口を算出した上で、その店舗の売り上げ向上のアドバイスをする技術もある(例えば特許文献2参照)。この技術によれば、当該店舗に立ち寄った複数の顧客から、住所や購入金額に関する情報を得る。また、当該店舗の位置を中心として、その複数の顧客の住所が全て網羅される領域を地図上に特定する。その領域を複数に分割したエリア毎に、そのエリアに居住する顧客数及び世帯数を算出し、当該領域を戦略商圏と戦略外商圏とに区分する。その戦略商圏に対して算出したマーケットシェアに基づいて、店舗に対する集客力強化等をアドバイスする。
特開2003−141325号公報 特開2002−123787号公報 特開2012−085095号公報
前述した特許文献1及び2に記載の技術によれば、多数のユーザを、その住所に基づいて地図上に点在させたデータベースに登録している。また、店舗毎に、地図上の商圏を設定し、その商圏における売り上げを予測している。
しかしながら、店舗毎の売り上げを、地図上の商圏のみで推定できるものではない。同じ面積の商圏であっても、その商圏内の他店舗から影響される「店舗特性」によっては、店舗毎に売り上げも大きく異なってくる。例えば都会であれば、徒歩移動圏内のような比較的狭い商圏で、競合する他店舗が多数立地している場合もある。一方で、田舎であれば、車両移動圏内のように比較的広い商圏で、競合する他店舗が全く立地していない場合もある。
また、店舗毎に、売り上げを予測することができたとしても、その「店舗特性」から妥当なものであるか否かを判断することはできない。例えば近くに競合店があるに拘わらず、平均的な売り上げは、当該店舗のスタッフの営業努力に依るものかもしれない。一方で、近くに競合店が無いにも拘わらず、平均的な売り上げは、当該店舗のスタッフの営業怠慢に依るものかもしれない。
更に、店舗毎に設定される商圏に、住所を持つ居住者のみを対象することは適切ではなく、売り上げの予測に誤った条件となる。住所付近でしか商材を購入しないような商取引行動は、現状ほとんど無い。
そこで、本発明は、居住者に限らない商圏と、店舗毎に異なる店舗特性とに基づいて、店舗の期待成約人数を推定するプログラム、装置及び方法を提供することを目的とする。
本発明によれば、装置に搭載されたコンピュータを、店舗の期待成約人数を推定するように機能させるプログラムであって、
店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積手段と、
「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類するクラスタリング手段と、
クラスタ毎に、成約人数の基準値(平均値又は中央値)を算出する基準成約人数算出手段と、
クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択するクラスタ選択手段と、
選択されたクラスタにおける成約人数の基準値を、「期待成約人数」として導出する期待成約人数推定手段と
してコンピュータを機能させることを特徴とする。
本発明のプログラムにおける他の実施形態によれば、
店舗特性情報は、近隣店舗影響度であり、
店舗の識別子毎に、商圏人口に対する成約人数の比となる「成約率」を算出する成約率算出手段と、
店舗の識別子毎に、当該店舗の位置に近い順に、当該店舗の成約率よりも高い成約率の近隣店舗を選択し、当該店舗の成約率に対する近隣店舗の成約率の比を「近隣店舗影響度」として算出する近隣店舗影響度算出手段と
してコンピュータを更に機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
ユーザによって所持される携帯端末から収集した位置情報を用いて、各ユーザの位置情報に最も近い位置にある店舗を選択し、選択された店舗毎に計数したユーザ数を「商圏人口」として算出する商圏人口算出手段と
してコンピュータを更に機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
商圏人口について、各ユーザから収集される位置情報は、少なくとも居住位置及び訪問位置に区分して収集され、
商圏人口は、ベクトルに対して、居住位置の人口と、訪問位置の人口とを異なる要素として表される
ようにコンピュータを更に機能させることも好ましい。
本発明のプログラムにおける他の実施形態によれば、
各ユーザから収集される位置情報が、「居住位置」か又は「訪問位置」かを、位置毎の滞在時間帯及び滞在時間を用いて推定する生活圏推定手段と
してコンピュータを更に機能させることも好ましい。
本発明によれば、店舗の期待成約人数を推定する装置であって、
店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積手段と、
「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類するクラスタリング手段と、
クラスタ毎に、成約人数の基準値(平均値又は中央値)を算出する基準成約人数算出手段と、
クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択するクラスタ選択手段と、
選択されたクラスタにおける成約人数の基準値を、「期待成約人数」として導出する期待成約人数推定手段と
を有することを特徴とする。
本発明によれば、装置を用いて、店舗の期待成約人数を推定する方法であって、
装置は、
店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積部を有し、
装置は、
学習フェーズとして、
「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類する第1のステップと、
クラスタ毎に、成約人数の基準値(平均値又は中央値)を算出する第2のステップと
を有し、
次に、推定フェーズとして、
クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択する第3のステップと、
選択されたクラスタにおける成約人数の基準値を、「期待成約人数」として導出する第4のステップと
を有することを特徴とする。
本発明のプログラム、装置及び方法によれば、居住者に限らない商圏と、店舗毎に異なる店舗特性とに基づいて、店舗の期待成約人数を推定することができる。
各店舗に対する各ユーザの購買行動を表す説明図である。 図1の各ユーザに最も近い距離の店舗を結びつけた商圏を表す説明図である。 図1の各店舗の商圏について他の店舗にユーザを奪われたであろう関係を表す説明図である。 本発明における推定装置の機能構成図である。 図4の機能構成に加えて、近隣店舗の影響度を算出する機能構成図である。 本発明における店舗毎の期待成約率を表す説明図である。
以下、本発明の実施の形態について、図面を用いて詳細に説明する。
図1は、各店舗に対する各ユーザの購買行動を表す説明図である。
図1によれば、多数のユーザが、同一の商材を目的として店舗へ訪問している。このとき、各ユーザは必ずしも、居住地又は滞在地から距離的に近い店舗へ訪問するとは限らない。例えば近い距離にショップのような店舗があったとしても、遠い距離の量販店へ行く場合もある。このようなユーザの購買行動は一般的なものである。
図2は、図1の各ユーザに最も近い距離の店舗を結びつけた商圏を表す説明図である。
図2によれば、地図上にユーザ位置を配置することなく、ユーザ位置に最も近い距離にある店舗を結び付けたものである。そして、各店舗は、結び付けられたユーザの数を「商圏人口」とする。
通信事業者側としては、ユーザが携帯端末を所持することによって、各ユーザの大まかな位置情報を取得することができる。携帯端末に搭載されたGPS(Global Positioning System)のような正確な測位情報でなくても、その携帯端末が配下となる基地局の位置情報によって、携帯端末の位置を推測することができる。この場合、携帯端末が常に又は定期的にGPS機能を起動させたり、携帯端末との間で位置情報の通信トラヒックを発生させる必要もない。
このようなユーザ位置は、空間的粒度が粗いものとなるが、多数のユーザの動向を把握するビッグデータとしては極めて有用である。また、各店舗の商圏人口も、大まかに把握しやすい。
図3は、図1の各店舗の商圏について他の店舗にユーザを奪われたであろう関係を表す説明図である。
図3によれば、店舗A及びCがショップのような小規模店であって、店舗B及びDが量販店のような大規模店である場合を想定する。
例えばユーザa及びbは、店舗Aが近いにも拘わらず、店舗Bへ訪問している。ユーザcは、店舗Aが近いにも拘わらず、店舗Dへ訪問している。即ち、店舗Aにとっては、近い距離に位置するユーザa,b,cを、他の店舗に奪われていることを意味する。
また、ユーザd及びeは、店舗Cが近いにも拘わらず、店舗Bへ訪問している。即ち、店舗Cにとっては、近い距離に位置するユーザd,eを、他の店舗に奪われていることを意味する。
ここで、店舗A,B,C,Dそれぞれの「店舗特性」の違いから、各店舗の現状の成約人数が妥当なものであるか否かを判断しなければならない。店舗A及びCにとって、例えば近くに量販店があるに拘わらず、平均的な売り上げは、当該店舗のスタッフの営業努力に依るものかもしれない。一方、店舗B及びDにとって、近くにショップしか無いにも拘わらず、平均的な売り上げは、当該店舗のスタッフの営業怠慢に依るものかもしれない。
図4は、本発明における推定装置の機能構成図である。
図4によれば、推定装置1は、店舗情報蓄積部11と、クラスタリング部12と、基準成約人数算出部13と、クラスタ選択部14と、期待成約人数推定部15とを有する。これら機能構成部は、装置に搭載されたコンピュータを、店舗の期待成約人数を推定するように機能させるプログラムとして実現される。
また、これら機能の処理の流れは、期待成約人数の推定方法としても理解できる。その場合、「学習フェーズ」として、店舗情報蓄積部11、クラスタリング部12及び基準成約人数算出部13が処理され、「推定フェーズ」として、クラスタ選択部14及び期待成約人数推定部15が処理される。クラスタ選択部14が、クエリとしての店舗情報を入力し、期待成約人数推定部15が、その店舗の期待成約人数を出力する。
<学習フェーズ>
[店舗情報蓄積部11]
店舗情報蓄積部11は、店舗の「店舗識別子」毎に、当該店舗の「位置情報」と、当該店舗の位置情報に基づく「商圏人口」と、所定の「店舗特性情報」と、当該店舗における「成約人数」とを対応付けて蓄積する。
店舗識別子[位置情報、商圏人口、店舗特性情報、成約人数]
「位置情報」は、地図上の緯度経度であってもよく、店舗毎に当然に設定される。
「商圏人口」は、店舗毎に予め設定されたものである。また、商圏人口は、図2のように、携帯端末から収集されるユーザ位置と店舗位置との関係から算出されるものであってもよい。
例えば都会であれば、徒歩移動圏内のように比較的狭い地図範囲で、商圏人口を見込む場合もある。一方で、田舎であれば、車両移動圏内のように比較的広い地図範囲で、商圏人口を見込む場合もある。
Pi:店舗iにおける商圏人口
「店舗特性情報」とは、店舗毎の違いを表す特性を、例えばベクトルで表したようなものである。最も重要な特性として「近隣店舗影響度」がある(後述する図5参照)。同じ商圏人口を持つ複数の店舗であっても、その商圏内に同一商材を販売する他の店舗が存在する場合、店舗間の成約人数も当然に異なってくる。また、店舗特性情報として、店舗毎に、店舗面積やスタッフ数のような店舗独自の情報を含むものであってもよい。例えば店舗面積によっても、店舗間の成約人数が異なってくると思われる。
「成約人数」は、店舗毎に予め設定されたものであり、実際にその店舗で、サービスを成約(商材を購入)したユーザ数を表す。
Ci=店舗iにおける成約人数
成約人数は、例えばユーザがクレジットカードでの決済情報であってもよい。その決済時における位置が、店舗の位置と一致すれば、その店舗で成約したと判定することができる。クレジットカードの決済時におけるWi-Fiのアクセスポイントの位置を、その店舗の位置としてもよい。
[クラスタリング部12]
クラスタリング部12は、店舗情報蓄積部11を用いて、「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類する。即ち、同一クラスタには、「商圏人口」及び「店舗特性情報」の要素が類似する複数の店舗が含まれる。多数の店舗識別子をクラスタ毎に区分した情報は、基準成約人数算出部13へ出力される。
クラスタリングについては、様々な方法を適用することができ、例えばWard法を用いた階層型のクラスタリングであってもよい。Ward法とは、クラスタ間の距離を定義する距離関数であって、クラスタの各値からその質量中心までの距離を最小化するものである。これは、他の距離関数に比べて分類感度が高い。
店舗識別子毎のベクトルについて、例えば「商圏人口」及び「店舗特性情報」を要素として一括して含むものであってもよい。また、商圏人口を要素としたベクトル群で第1のクラスタリングを実行し、店舗特性情報を要素としたベクトル群で第2のクラスタリングを実行し、それぞれのクラスタについて積集合を取ったクラスタを抽出するものであってもよい。
[基準成約人数算出部13]
基準成約人数算出部13は、クラスタk毎に、成約人数の基準値(平均値又は中央値)を算出する。クラスタ毎の成約人数の基準値は、クラスタ選択部14へ出力される。
PKk:クラスタkにおける成約人数の基準値
各クラスタには、複数の店舗識別子が含まれることとなる。各クラスタについて、店舗識別子に対応する成約人数における例えば平均値又は中央値を、基準値として算出する。勿論、平均値又は中央値以外の値を、基準値とするものであってもよい。
<推定フェーズ>
[クラスタ選択部14]
クラスタ選択部14は、クエリとしての店舗情報を入力する。そして、クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択する。例えばクラスタ毎に、複数のベクトルに基づく「重心ベクトル」を算出しておくことも好ましい。クエリとなるベクトルと、各クラスタの重心ベクトルとを比較して、ベクトル間距離が最も短い(最も類似する)重心ベクトルを抽出する。これによって、クエリの店舗情報のベクトルに最も類似するクラスタが、選択される。即ち、商圏人口や店舗特性情報が近いほど、期待成約人数も近くなるという想定に基づくものである。
[期待成約人数推定部15]
期待成約人数推定部15は、選択されたクラスタkにおける成約人数の基準値PKkを、「期待成約人数」として導出する。そして、クエリの店舗情報に対して、期待成約人数が回答として出力される。
これによって、クエリの店舗情報の店舗について、期待成約人数を基準として、現在の成約人数が上回っているか又は下回っているかによって、経営方針を検討することができる。
他の実施形態として、商圏人口及び店舗特性情報を説明変数として、協調フィルタリングを適用したものであってもよい。cos類似度によって、一定の閾値以上の店舗群を抽出する(クラスタリング部11のクラスタ化に相当)。そして、期待成約人数推定部15は、抽出された店舗群の期待成約人数の重み付き平均を、対象店舗の期待成約人数とする。ここで、期待成約人数が高い店舗群のみを抽出の対象とし、それらの重み付き平均を対象店舗の顧客獲得数の目標値として回答することもできる。尚、店舗情報等に欠損値が多く含まれる場合は、SVD(特異値分解)のような行列近似の方法を用いてもよい。
図5は、図4の機能構成に加えて、近隣店舗の影響度を算出する機能構成図である。
図5によれば、推定装置1は、商圏人口算出部111と、生活圏推定部112と、成約率算出部113と、近隣店舗影響度算出部114とを更に有する。これら機能構成部は、店舗情報蓄積部11とクラスタリング部12との間で実行される。
[商圏人口算出部111]
商圏人口算出部111は、ユーザによって所持される携帯端末から収集した位置情報を用いて、店舗毎の「商圏人口」を算出する。具体的には、各ユーザの位置情報に最も近い位置にある店舗を選択し、選択された店舗毎に計数したユーザ数を「商圏人口」とする(前述した図2参照)。
Pi:店舗iにおける商圏人口
全ての店舗iに対して、各ユーザが結び付けられる。
尚、商圏人口は、居住者数及び/又は訪問者数であってもよい。
[生活圏推定部112]
生活圏推定部112は、各ユーザから収集される位置情報が、「居住位置」か又は「訪問位置」かを、位置毎の滞在時間帯及び滞在時間を用いて推定する。このような有意圏を推定する技術は、既存のものである(例えば特許文献3参照)。この技術によれば、携帯端末が配下に位置する基地局から、日時刻及び基地局識別子の多数のデータを含む接続履歴を収集する。次に、時間窓毎に、複数の基地局識別子を要素とし、出現数を値とするベクトルを生成し、当該ベクトルをクラスタに凝集する。そして、クラスタ毎に、当該クラスタに含まれるベクトルの各基地局識別子の出現数に基づいてユーザの有意圏を推定することができる。
また、各ユーザの位置情報の集合から、Mean-Shift法を用いて「居住位置」か又は「訪問位置」かを判定することもできる。居住位置/訪問位置の判定は、滞在時間帯に応じて判定する。例えば、ユーザの位置情報について、24時間を1時間毎に、推定位置に存在するか否かを、24次元ベクトルで表すこともできる。
例えば最左側ビットを午前1時とし、最も右側ビットを午後12時とする。
滞在時間帯:1、不在時間帯:0
居住位置:(1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1)
訪問位置:(0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0)
居住位置の場合、夜間に位置する場合が多く、訪問位置の場合、昼間に位置する場合が多い。このように、居住位置/訪問位置を大まかに判定することができる。
更に、推定位置における各時間帯の存在可否をビット列で表すことによって、学習モデルを用いて、ロジスティック回帰や他の機械学習アルゴリズムによって判定することもできる。
尚、他の実施形態として、訪問者については、所定期間毎(毎週、毎月)に集計した人数であってもよい。特に通過するだけの滞在地は、複数の位置情報間で線形補完した領域としてもよい。
店舗毎の「商圏人口」について、生活圏推定部112を用いることによって、各ユーザから収集される位置情報を、少なくとも「居住位置」及び「訪問位置」に区分して収集することができる。これによって、商圏人口について、「居住位置の人口」と「訪問位置の人口」とを異なる要素のベクトルとして表すことができる。
[成約率算出部113]
成約率算出部113は、店舗の識別子i毎に、商圏人口Piに対する成約人数Ciの比となる「成約率」Riを算出する。
Ri=Ci/Pi
[近隣店舗影響度算出部114]
近隣店舗影響度算出部114は、店舗の識別子i毎に、当該店舗の位置に近い順に、当該店舗の成約率Riよりも高い成約率Rjの近隣店舗を選択する。そして、当該店舗の成約率Riに対する近隣店舗の成約率Rjの比を「近隣店舗影響度」Eiとして算出する。
Ei=Rj/Ri
そして、近隣店舗影響度算出部114から出力された近隣店舗影響度Eiを、「店舗特性情報」として、ベクトルの要素とする。これによって、クラスタリング部12及びクラスタ選択部14は、近隣店舗影響度を要素として含むベクトルによってクラスタを生成し、且つ、そのクラスタを用いてクエリの店舗に対応する成約人数を回答することができる。
図6は、本発明における店舗毎の期待成約率を表す説明図である。
図6によれば、ショップのような店舗A及びCそれぞれについて、近隣に立地している量販店のような店舗B及びDの影響を考慮して、期待成約人数が回答される。現在の成約人数と、期待成約人数とを比較することによって、他の近隣店舗の影響を考慮した上で、営業促進を検討することができる。
以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、商圏に応じて店舗の期待成約人数を推定することができる。
本発明によれば、商圏人口及び店舗特性情報をベクトル化することによって、他の店舗で類似する成約人数を基準とした「期待成約人数」を回答することができる。また、商圏人口に、居住者のみならず訪問者も考慮することによって、できる限り商取引の実態に応じた商圏を設定することができる。更に、商圏内の他店舗における影響を「店舗特性」として考慮することによって、その店舗の店舗特性に応じた期待成約人数を回答することができる。
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
1 推定装置
11 店舗情報蓄積部
111 商圏人口算出部
112 生活圏推定部
113 成約率算出部
114 近隣店舗影響度算出部
12 クラスタリング部
13 基準成約人数算出部
14 クラスタ選択部
15 期待成約人数推定部

Claims (7)

  1. 装置に搭載されたコンピュータを、店舗の期待成約人数を推定するように機能させるプログラムであって、
    店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積手段と、
    「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類するクラスタリング手段と、
    前記クラスタ毎に、前記成約人数の基準値(平均値又は中央値)を算出する基準成約人数算出手段と、
    クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択するクラスタ選択手段と、
    選択された前記クラスタにおける成約人数の基準値を、「期待成約人数」として導出する期待成約人数推定手段と
    してコンピュータを機能させることを特徴とするプログラム。
  2. 前記店舗特性情報は、近隣店舗影響度であり、
    店舗の識別子毎に、前記商圏人口に対する成約人数の比となる「成約率」を算出する成約率算出手段と、
    店舗の識別子毎に、当該店舗の位置に近い順に、当該店舗の成約率よりも高い成約率の近隣店舗を選択し、当該店舗の成約率に対する近隣店舗の成約率の比を「近隣店舗影響度」として算出する近隣店舗影響度算出手段と
    してコンピュータを更に機能させることを特徴とする請求項1に記載のプログラム。
  3. ユーザによって所持される携帯端末から収集した位置情報を用いて、各ユーザの位置情報に最も近い位置にある店舗を選択し、選択された店舗毎に計数したユーザ数を「商圏人口」として算出する商圏人口算出手段と
    してコンピュータを更に機能させることを特徴とする請求項1又は2に記載のプログラム。
  4. 前記商圏人口について、各ユーザから収集される位置情報は、少なくとも居住位置及び訪問位置に区分して収集され、
    前記商圏人口は、前記ベクトルに対して、居住位置の人口と、訪問位置の人口とを異なる要素として表される
    ようにコンピュータを更に機能させることを特徴とする請求項3に記載のプログラム。
  5. 各ユーザから収集される位置情報が、「居住位置」か又は「訪問位置」かを、位置毎の滞在時間帯及び滞在時間を用いて推定する生活圏推定手段と
    してコンピュータを更に機能させることを特徴とする請求項4に記載のプログラム。
  6. 店舗の期待成約人数を推定する装置であって、
    店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積手段と、
    「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類するクラスタリング手段と、
    前記クラスタ毎に、前記成約人数の基準値(平均値又は中央値)を算出する基準成約人数算出手段と、
    クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択するクラスタ選択手段と、
    選択された前記クラスタにおける成約人数の基準値を、「期待成約人数」として導出する期待成約人数推定手段と
    を有することを特徴とする装置。
  7. 装置を用いて、店舗の期待成約人数を推定する方法であって、
    前記装置は、
    店舗の店舗識別子毎に、当該店舗の位置情報と、当該店舗の位置情報に基づく商圏人口と、所定の店舗特性情報と、当該店舗における成約人数とを対応付けて蓄積した店舗情報蓄積部を有し、
    前記装置は、
    学習フェーズとして、
    「商圏人口」及び「店舗特性情報」を要素とする店舗識別子毎のベクトルを、複数のクラスタに分類する第1のステップと、
    前記クラスタ毎に、前記成約人数の基準値(平均値又は中央値)を算出する第2のステップと
    を有し、
    次に、推定フェーズとして、
    クエリとなる店舗における商圏人口及び店舗特性情報を要素とするベクトルに、最も類似するクラスタを選択する第3のステップと、
    選択された前記クラスタにおける成約人数の基準値を、「期待成約人数」として導出する第4のステップと
    を有することを特徴とする方法。
JP2015046324A 2015-03-09 2015-03-09 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法 Expired - Fee Related JP6506572B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015046324A JP6506572B2 (ja) 2015-03-09 2015-03-09 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015046324A JP6506572B2 (ja) 2015-03-09 2015-03-09 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法

Publications (2)

Publication Number Publication Date
JP2016167149A true JP2016167149A (ja) 2016-09-15
JP6506572B2 JP6506572B2 (ja) 2019-04-24

Family

ID=56898613

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015046324A Expired - Fee Related JP6506572B2 (ja) 2015-03-09 2015-03-09 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法

Country Status (1)

Country Link
JP (1) JP6506572B2 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019016057A (ja) * 2017-07-04 2019-01-31 株式会社マーチャンダイジング・オン 売り上げ推計システム
JP2019533842A (ja) * 2017-09-30 2019-11-21 平安科技(深▲せん▼)有限公司Ping An Technology (Shenzhen) Co.,Ltd. 電子装置、小売店舗評価モデルを構築する方法、システム及び記憶媒体
JP2020038493A (ja) * 2018-09-04 2020-03-12 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP2020038495A (ja) * 2018-09-04 2020-03-12 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP2020091681A (ja) * 2018-12-06 2020-06-11 クロスロケーションズ株式会社 データ分析装置、データ分析システム、データ分析方法およびデータ分析プログラム
CN111985576A (zh) * 2020-09-02 2020-11-24 南宁师范大学 基于决策树的店铺选址方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001337957A (ja) * 2000-05-29 2001-12-07 Dainippon Printing Co Ltd 顧客情報抽出システム
JP2003006413A (ja) * 2001-06-20 2003-01-10 Nri & Ncc Co Ltd 店舗目標自動設定システム
JP2003122877A (ja) * 2001-10-09 2003-04-25 Oki Electric Ind Co Ltd 地域内人口算出システム
JP2003281348A (ja) * 2002-03-25 2003-10-03 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2003288397A (ja) * 2002-03-27 2003-10-10 Japan Tobacco Inc 効果算定方法および効果算定システム
JP2004185539A (ja) * 2002-12-06 2004-07-02 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2006146762A (ja) * 2004-11-24 2006-06-08 Shimizu Corp 医療機関の患者数予測システム
JP2008065607A (ja) * 2006-09-07 2008-03-21 Acom Co Ltd 出店支援方法
WO2011102541A1 (ja) * 2010-02-19 2011-08-25 日本電気株式会社 行動特徴抽出装置、行動特徴抽出システム、行動特徴抽出方法、及び行動特徴抽出プログラム
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
WO2012105516A1 (ja) * 2011-01-31 2012-08-09 株式会社エヌ・ティ・ティ・ドコモ 端末数推計装置及び端末数推計方法
JP2013029883A (ja) * 2011-07-26 2013-02-07 Giken Shoji International Co Ltd 店舗プロファイリングシステム
JP2014106663A (ja) * 2012-11-27 2014-06-09 Business Model Institute Corp 処理プログラムおよび商圏決定装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001337957A (ja) * 2000-05-29 2001-12-07 Dainippon Printing Co Ltd 顧客情報抽出システム
JP2003006413A (ja) * 2001-06-20 2003-01-10 Nri & Ncc Co Ltd 店舗目標自動設定システム
JP2003122877A (ja) * 2001-10-09 2003-04-25 Oki Electric Ind Co Ltd 地域内人口算出システム
JP2003281348A (ja) * 2002-03-25 2003-10-03 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2003288397A (ja) * 2002-03-27 2003-10-10 Japan Tobacco Inc 効果算定方法および効果算定システム
JP2004185539A (ja) * 2002-12-06 2004-07-02 Yunitekku:Kk 商圏分析システム、方法、プログラム、及び記録媒体
JP2006146762A (ja) * 2004-11-24 2006-06-08 Shimizu Corp 医療機関の患者数予測システム
JP2008065607A (ja) * 2006-09-07 2008-03-21 Acom Co Ltd 出店支援方法
WO2011102541A1 (ja) * 2010-02-19 2011-08-25 日本電気株式会社 行動特徴抽出装置、行動特徴抽出システム、行動特徴抽出方法、及び行動特徴抽出プログラム
US20120084118A1 (en) * 2010-09-30 2012-04-05 International Business Machines Corporation Sales predication for a new store based on on-site market survey data and high resolution geographical information
WO2012105516A1 (ja) * 2011-01-31 2012-08-09 株式会社エヌ・ティ・ティ・ドコモ 端末数推計装置及び端末数推計方法
JP2013029883A (ja) * 2011-07-26 2013-02-07 Giken Shoji International Co Ltd 店舗プロファイリングシステム
JP2014106663A (ja) * 2012-11-27 2014-06-09 Business Model Institute Corp 処理プログラムおよび商圏決定装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019016057A (ja) * 2017-07-04 2019-01-31 株式会社マーチャンダイジング・オン 売り上げ推計システム
JP2019533842A (ja) * 2017-09-30 2019-11-21 平安科技(深▲せん▼)有限公司Ping An Technology (Shenzhen) Co.,Ltd. 電子装置、小売店舗評価モデルを構築する方法、システム及び記憶媒体
JP2020038493A (ja) * 2018-09-04 2020-03-12 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP2020038495A (ja) * 2018-09-04 2020-03-12 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP7139801B2 (ja) 2018-09-04 2022-09-21 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP7218519B2 (ja) 2018-09-04 2023-02-07 横浜ゴム株式会社 物性データ予測方法及び物性データ予測装置
JP2020091681A (ja) * 2018-12-06 2020-06-11 クロスロケーションズ株式会社 データ分析装置、データ分析システム、データ分析方法およびデータ分析プログラム
JP7272522B2 (ja) 2018-12-06 2023-05-12 クロスロケーションズ株式会社 データ分析装置、データ分析システム、データ分析方法およびデータ分析プログラム
CN111985576A (zh) * 2020-09-02 2020-11-24 南宁师范大学 基于决策树的店铺选址方法
CN111985576B (zh) * 2020-09-02 2023-11-03 南宁师范大学 基于决策树的店铺选址方法

Also Published As

Publication number Publication date
JP6506572B2 (ja) 2019-04-24

Similar Documents

Publication Publication Date Title
Bachir et al. Inferring dynamic origin-destination flows by transport mode using mobile phone data
JP6506572B2 (ja) 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法
US8880097B1 (en) Systems and methods for statistically associating mobile devices to households
KR101810169B1 (ko) 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치
US11935082B2 (en) Discovering neighborhood clusters and uses therefor
Tsai et al. Customer segmentation issues and strategies for an automobile dealership with two clustering techniques
Yabe et al. Quantifying the economic impact of disasters on businesses using human mobility data: a Bayesian causal inference approach
CN110415091A (zh) 商店及商品推荐方法、装置、设备及可读存储介质
US20140089036A1 (en) Dynamic city zoning for understanding passenger travel demand
D’Silva et al. Predicting the temporal activity patterns of new venues
CN105532030A (zh) 用于分析目标实体的移动的装置、系统和方法
de Araujo et al. End-to-end prediction of parcel delivery time with deep learning for smart-city applications
WO2019213426A1 (en) Event monitoring and response system and method
CN109145707A (zh) 图像处理方法及装置、电子设备和存储介质
Zhou et al. The location of new anchor stores within metropolitan areas
US20230018382A1 (en) Cluster generation apparatus, cluster generation method, and a non-transitory computer-readable storage medium
Alvarez-Lozano et al. Learning and user adaptation in location forecasting
Assemi et al. On-street parking occupancy inference based on payment transactions
Qian et al. Short-term demand forecasting for on-demand mobility service
Chu et al. Public transport waiting time estimation using semi-supervised graph convolutional networks
Katranji et al. Mobility data disaggregation: A transfer learning approach
Baržić et al. Forecasting sales in retail with xgboost and iterated multi-step ahead method
JP7105176B2 (ja) 機械学習装置、判定装置、プログラム及び機械学習方法
Cho et al. Efficiency comparison of public bike-sharing repositioning strategies based on predicted demand patterns
Wei et al. Data-driven energy and population estimation for real-time city-wide energy footprinting

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170812

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180718

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180814

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181011

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: 20190314

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190329

R150 Certificate of patent or registration of utility model

Ref document number: 6506572

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees