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

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。

Images