JP2018536947A - 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 - Google Patents

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 Download PDF

Info

Publication number
JP2018536947A
JP2018536947A JP2018530015A JP2018530015A JP2018536947A JP 2018536947 A JP2018536947 A JP 2018536947A JP 2018530015 A JP2018530015 A JP 2018530015A JP 2018530015 A JP2018530015 A JP 2018530015A JP 2018536947 A JP2018536947 A JP 2018536947A
Authority
JP
Japan
Prior art keywords
attribute data
data
customer
demographic
computing system
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
JP2018530015A
Other languages
English (en)
Other versions
JP2018536947A5 (ja
JP6810745B2 (ja
Inventor
ハジアン，モハマド・エイチ
Original Assignee
オラクル・インターナショナル・コーポレイション
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 オラクル・インターナショナル・コーポレイション filed Critical オラクル・インターナショナル・コーポレイション
Publication of JP2018536947A publication Critical patent/JP2018536947A/ja
Publication of JP2018536947A5 publication Critical patent/JP2018536947A5/ja
Application granted granted Critical
Publication of JP6810745B2 publication Critical patent/JP6810745B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
    • H04L51/08—Annexed information, e.g. attachments
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

属性タイプが混合した顧客をセグメント化するように構成されたシステム、方法、およびその他の実施形態を開示する。一実施形態において、コンピュータ化されたデータ構造が読み出される。コンピュータ化されたデータ構造は、顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データを有し、コンピュータ化されたメモリに格納される。一致属性データを形成するために、数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データは、ターゲット属性データの少なくとも一部に基づいて、同じ数値尺度に変換され、一致属性データは、一致属性データに対してクラスター分析を行うステップと互換性のあるフォーマットである。顧客をセグメント化したものを表すセグメント化された顧客データを生成するために、一致属性データに対してクラスター分析が行われる。セグメント化された顧客データは、コンピュータ化された管理システムが実行する少なくとも１つのエンタープライズ機能を制御するために使用され得る。

Description

背景
顧客セグメンテーションとは、顧客を、性別、年齢、教育レベル、または消費性向など、マーケティングに関連する類似特性を共有するグループに分ける手法である。小売業者は、すべての顧客は違ったニーズを持ち、類似した好みを持つグループを特定およびターゲットにすることによって顧客はより良く応対されるという発想に基づいて、顧客セグメンテーションを使用する。
クラスター分析とは、観測対象のセットを相互排他的なグループに分類するために使用される統計的手法である。クラスター分析を行うためのさまざまなアルゴリズムが存在し、それらは、クラスターの形成プロセスおよびアルゴリズムの効率において大いに異なる。クラスター分析は、さらなる売上を顧客から得るために、類似した購買行動を有する顧客セグメントを特定するためのツールとして使用できる。小売業者に対して類似属性を有する顧客セグメントを特定するために、たとえば、顧客の買い物体験のさまざまな側面についての１〜１０ポイントによる満足度調査の結果をクラスターにまとめることができる。
デモグラフィックセグメンテーションとは、顧客を、年齢、性別、学歴、および所得水準など、デモグラフィック属性に基づいてグループ化する一般的な方法である。セグメンテーションプロセスにおいて、デモグラフィック属性のうちの、互いに異なる属性タイプの存在が１つの大きな課題である。属性のうちの２つの一般的なタイプは、数値属性とカテゴリー属性である。数値属性とは、数値を有する属性であり、昇順または降順に並べることができる。世帯規模、年齢、および所得水準が、数値属性の例である。カテゴリー属性は、その値になんら固有の順序を持たない属性である。たとえば、学歴、人種、および性別が、カテゴリー属性の例である。
クラスタリングは、今まで見たことがないデータのパターンを発見するための方法であるので、クラスタリングを利用することは、必ずしも顧客をセグメント化することにおいて望ましい選択であるわけではない。顧客セグメントは、通常、あらかじめ定義されたターゲットに応じて導き出されるので、分類法の方がターゲットセグメンテーションに適している。しかしながら、分類には、ターゲットとして使用するラベル付きクラスターを特定／定義する手作業を必要とする。この作業は、ビジネスユーザにとって時間のかかる、いやな作業であることが多い。
概要
一実施形態において、コンピューティングデバイスが、少なくとも、メモリからの命令を実行するためのプロセッサを含む、コンピューティングデバイスによって実行される、コンピュータにより実現される方法が開示されている。方法は、顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データを有し、コンピュータ化されたメモリに格納されたコンピュータ化されたデータ構造を、少なくとも１つのプロセッサを介して読み出すステップと、一致属性データを形成するために、少なくとも１つのプロセッサを介して、数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データを、ターゲット属性データの少なくとも一部に基づいて、同じ数値尺度に変換するステップとを含み、一致属性データは、一致属性データに対してクラスター分析を行うステップと互換性のあるフォーマットであり、方法は、さらに、顧客をセグメント化したものを表すセグメント化された顧客データを生成するために、少なくとも１つのプロセッサを介して、一致属性データに対してクラスター分析を行うステップと、セグメント化された顧客データを含む電子メッセージを生成するステップと、リモートコンピューティングシステムに少なくとも１つのエンタープライズ機能を実行させるために、ネットワーク通信を介して、リモートコンピューティングシステムに電子メッセージを送信するステップとを含む。
別の実施形態において、方法は、最終的な顧客グループを生成するために、セグメント化された顧客データに対してアグリゲーションプロセスを実行するステップをさらに含む。
別の実施形態において、少なくとも１つのエンタープライズ機能は、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能、のうちの少なくとも１つを含む。別の実施形態において、ターゲット属性データは、売上データを含み、数値デモグラフィック属性データは、顧客に対応付けられた年齢データ、世帯規模データ、および所得水準データのうちの少なくとも１つを含む。別の実施形態において、カテゴリーデモグラフィック属性データは、顧客に対応付けられた職業データ、性別データ、および資格データのうちの少なくとも１つを含む。
別の実施形態において、リモートコンピューティングシステムは、統合基幹業務システムを含み、リモートコンピューティングシステムは、在庫管理‐需要予測システムを含む。
方法の別の実施形態において、変換するステップは、変形デモグラフィック属性データを生成するために、カテゴリーデモグラフィック属性データを非数値形式から数値形式に変形するステップを含む。
方法の別の実施形態において、変換するステップは、数値デモグラフィック属性データおよび変形デモグラフィック属性データに対応付けられた値を重み付けするステップを含む。
別の実施形態において、コンピューティングシステムが開示され、コンピューティングシステムは、少なくとも１つのメモリに接続されたプロセッサと、非一時的なコンピュータ読み取り可能な媒体に格納された命令を含むビジュアルユーザインターフェースモジュールとを備え、命令は、プロセッサによって実行されると、顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データの読み出しをプロセッサに容易にさせ、コンピューティングシステムは、さらに、非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、カテゴリーデモグラフィック属性データを非数値形式から数値形式に変形することによって変形デモグラフィック属性データを生成するように構成されたカテゴリー変形モジュールと、非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、一致属性データを形成するために、ターゲット属性データの少なくとも一部に基づいて、数値デモグラフィック属性データおよび変形デモグラフィック属性データを同じ数値尺度に変換するように構成された尺度変換モジュールとを備え、一致属性データは、クラスター分析を行うステップと互換性のあるフォーマットであり、コンピューティングシステムは、さらに、非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、顧客をセグメント化したものを表すセグメント化された顧客データを生成するために一致属性データに対してクラスター分析を行うように構成されたクラスター分析モジュールとを備え、ビジュアルユーザインターフェースモジュールは、さらに、セグメント化された顧客データを含む電子メッセージを生成し、リモートコンピューティングシステムに少なくとも１つのエンタープライズ機能を実行させるために、ネットワーク通信を介してリモートコンピューティングシステムに電子メッセージを送信するように構成される。
別の実施形態において、コンピューティングシステムは、数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データを少なくとも格納するように構成されたデータベース装置をさらに備える。
セグメント化された顧客データは、ターゲット属性データに基づいた顧客をセグメント化したものを表し、ターゲット属性データは、売上データを含む。
コンピューティングシステムの別の実施形態において、少なくとも１つのエンタープライズ機能は、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能、のうちの少なくとも１つを含む。
本明細書に組み込まれ、且つ、本明細書の一部を構成する添付の図面は、本開示のさまざまなシステム、方法、およびその他の実施形態を示す。図示された構成要素の境界（たとえば、枠、枠群、またはその他の形状）は、境界の一実施形態を表すことがわかる。いくつかの実施形態において、１つの構成要素は、複数の構成要素として設計されてもよく、複数の構成要素は、１つの構成要素として設計されてもよい。いくつかの実施形態において、別の構成要素の内蔵コンポーネントとして示される構成要素は、外付けコンポーネントとして実装されてもよく、その逆も然りである。さらに、構成要素は、縮尺通りに描かれていない可能性がある。
混合属性セグメンテーションモジュールを有して構成されるコンピューティングデバイスを有するコンピュータシステムの一実施形態を示す図である。 図１のコンピュータシステムの混合属性セグメンテーションモジュールが実行できる、セグメント化された顧客データを生成するための方法の一実施形態を示す図である。 図２の方法によって生成されたセグメント化された顧客データの例示的な実施形態を図示したものである。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 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具体的な例を示す図である。 コンピューティングシステムの混合属性セグメンテーションモジュールを実装することができるコンピューティングデバイスの一実施形態を示す図である。
詳細な説明
カテゴリー属性タイプおよび数値属性タイプを指定のターゲット属性（たとえば、売上高）を用いて同一尺度の数値属性に変換するコンピュータ化されたシステム、方法、およびその他の実施形態を開示する。実施形態によって、数値データ（たとえば、Ｋ−ｍｅａｎｓ）と互換性のあるいずれのクラスタリングアルゴリズムも、クラスターを効率的に特定できるようになる。ターゲット属性は、ビジネス主導型セグメントを導出するのに役立つ。売上高または売上数量は、容易に取得可能なデータセットであり、ターゲット属性として使用することができる。
一実施形態によると、コンピューティングデバイスは、数値属性タイプおよびカテゴリー属性タイプを分析し、同程度の数値ディメンション（ｎｕｍｅｒｉｃａｌ ｄｉｍｅｎｓｉｏｎ）に変換するように構成され、属性タイプを、多くのクラスタリングアルゴリズムが使用できるものにする（たとえば、多くのクラスタリングアルゴリズムに入力できるものにする）。売上データは、属性値の重みを演算するために使用され、これによって、クラスターのラベルを手作業で付けなくても、クラスタリングアルゴリズムが分類アルゴリズムであるかのように動作できるようになる。すべてのタイプの属性に対して一致した標準が使用され、数値属性タイプおよびカテゴリー属性タイプを効率的に処理する能力が向上する。同一尺度の入力属性を使用することによって、顧客セグメントの質を向上させ、クラスタリングアルゴリズムが、異なる階層の顧客をターゲット属性に応じて特定できるようになる。
以下の用語は、本明細書において、さまざまな実施形態に関して使用される。
用語「アイテム」または「小売アイテム」は、本明細書で使用するとき、販売、購入、および／または販売環境に返品された商品を指す。
用語「時期」、「期間」、「小売期間」、または「暦時期」は、本明細書で使用するとき、売り手が、計画および予測する目的のために、暦におけるある年から次の年までの季節ごとの時期を対応付けるために使用する時間刻みで増加する単位（たとえば、１週間は７日）を指す。これらの用語は、本明細書において、同義で用いられてもよい。
用語「販路」、「場所」、または「店舗」は、本明細書で使用するとき、アイテムが販売されている物理的な店舗、またはアイテムが販売されているオンラインストアを指し得る。
用語「デモグラフィック属性データ」は、本明細書で使用するとき、顧客が持っていると考えられる数値データおよび／または非数値データ（たとえば、カテゴリーデータ）を指す。たとえば、デモグラフィック属性データは、顧客の年齢データ、世帯規模データ、所得水準データ、人種データ、性別データ、および階級データを指し得る。
用語「ターゲット属性データ」は、本明細書で使用するとき、デモグラフィックデータではない、顧客に対応付けられたデータを指す。たとえば、ターゲット属性データは、顧客に対応付けられた売上データ（たとえば、売上高）などを指し得る。
図１は、混合属性セグメント化ツール１１０を有して構成されるコンピューティングデバイス１０５を有するコンピュータシステム１００の一実施形態を示す図である。たとえば、一実施形態において、混合属性セグメント化ツール１１０は、より大きなコンピュータアプリケーション（たとえば、コンピュータ化された在庫管理‐需要予測アプリケーション）の一部であってもよく、さまざまな店舗での小売アイテムの売上、販売促進、および在庫を、顧客デモグラフィックに基づいて予測および管理するように構成されてもよい。混合属性セグメント化ツール１１０は、クラスター分析を利用して、ターゲット属性（たとえば、売上高）に基づいて顧客をセグメント化するプロセスをコンピュータ化するように構成される。本明細書に記載の実施形態は、顧客の数値デモグラフィック属性およびカテゴリー デモグラフィック属性を同じ尺度で考慮する。
混合属性セグメント化ツール１１０は、セグメント化された顧客データを生成するためにデータを分析するプロセスをコンピュータ化するように構成される。一実施形態において、システム１００は、企業組織のためのアプリケーションまたは分散アプリケーションの集まりを含むコンピューティング／データ処理システムである。アプリケーションおよびコンピューティングシステム１００は、クラウドベース・ネットワーキングシステム、Ｓｏｆｔｗａｒｅ−ａｓ−ａ−ｓｅｒｖｉｃｅ（ＳａａＳ）アーキテクチャ、またはその他の種類のコンピューティングソリューションと共に動作するように構成されてもよく、クラウドベース・ネットワーキングシステム、Ｓｏｆｔｗａｒｅ−ａｓ−ａ−ｓｅｒｖｉｃｅ（ＳａａＳ）アーキテクチャ、またはその他の種類のコンピューティングソリューションとして実装されてもよい。
一実施形態において、セグメント化された顧客データを生成するための分析的手法を実装するコンピュータアルゴリズムが開示されている。本明細書において、数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データの両方が使用可能であり、セグメンテーションプロセスの一部としてクラスター分析モデルが使用されると想定する。
顧客セグメンテーションは、サプライチェーンの重要な動力であり得、小売アイテムの需要予測の精度に大きく寄与することができる。予測が不正確であると、配分と補充とがうまくできず、小売業者にとって金銭的な損失となってしまう。アイテムの予測精度の向上は、本明細書に開示の実施形態によって実現され得る。さらに、異なる顧客セグメントが需要に与える影響をさらに理解できる。これは、たとえば、販路、価格、販売促進、および顧客セグメントについて、小売業者がより効果的に計画を立てるのに役立つ。
図１を参照すると、一実施形態において、混合属性セグメント化ツール１１０は、コンピューティングデバイス１０５上で実装され、混合属性セグメント化ツール１１０のさまざまな機能的側面を実装するためのロジックまたはモジュールを含む。一実施形態において、混合属性セグメント化ツール１１０は、ビジュアルユーザインターフェースロジック／モジュール１２０と、カテゴリー変形ロジック／モジュール１３０と、尺度変換ロジック／モジュール１４０と、クラスター分析ロジック／モジュール１５０とを含む。
その他の実施形態が、図１の混合属性セグメント化ツール１１０と同じまたは同様の機能を提供する互いに異なるロジックまたはロジックの組み合わせを提供してもよい。一実施形態において、混合属性セグメント化ツール１１０は、ロジックの機能を実行するように構成されたアルゴリズムおよび／またはプログラムモジュールを含む実行可能なアプリケーションである。アプリケーションは、非一時的なコンピュータ記憶媒体に格納される。つまり、一実施形態において、混合属性セグメント化ツール１１０のロジックは、コンピュータ読み取り可能な媒体に格納された命令のモジュールとして実装される。
また、コンピュータシステム１００は、コンピューティングデバイス１０５に動作可能に接続された表示画面１６０を含む。一実施形態によると、表示画面１６０は、セグメント化された顧客データを生成することに対応付けられた情報を見るおよび更新するためのビジュアルユーザインターフェースロジック１２０によって生成されたグラフィカルユーザーインターフェース（ＧＵＩ）のビューを表示し、グラフィカルユーザーインターフェースとのユーザインタラクションを容易にするように実装される。グラフィカルユーザーインターフェースは、混合属性セグメント化アプリケーションに対応付けられてもよく、ビジュアルユーザインターフェースロジック１２０は、グラフィカルユーザーインターフェースを生成するように構成されてもよい。
一実施形態において、コンピュータシステム１００は、少なくとも本明細書に開示の機能を提供し、且つ、コンピュータネットワークを通じて、（サーバとして機能する）コンピュータシステム１００と通信しているコンピューティングデバイス／端末を介して多くのユーザがアクセスする集中サーバ側アプリケーションである。したがって、表示画面１６０は、ユーザがネットワーク化されたコンピュータ通信を介して混合属性セグメント化ツール１１０からのサービスにアクセスおよびサービスを受け取ることができるようにする複数のコンピューティングデバイス／端末を表し得る。
一実施形態において、コンピュータシステム１００は、さらに、コンピューティングデバイス１０５に動作可能に接続された少なくとも１つのデータベース装置１７０、および／またはネットワーク接続を介してデータベース装置１７０にアクセスするためのネットワークインターフェースを含んでもよい。たとえば、一実施形態において、データベース装置１７０は、ビジュアルユーザインターフェースロジック１２０に動作可能に接続される。一実施形態によると、データベース装置１７０は、データベースシステム（たとえば、コンピュータ化された在庫管理‐需要予測アプリケーション）において、混合属性セグメント化ツール１１０に対応付けられたデータ構造を格納および管理するように構成される。データ構造は、たとえば、顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、および売上データのレコードを含み得る。
図１の混合属性セグメント化ツール１１０のロジックを再び参照すると、一実施形態において、ビジュアルユーザインターフェースロジック１２０は、混合属性セグメント化ツール１１０とのユーザインタラクションを容易にするために、グラフィカルユーザーインターフェース（ＧＵＩ）を生成するように構成される。たとえば、ビジュアルユーザインターフェースロジック１２０は、グラフィカルユーザーインターフェースを生成し、インターフェースの、実装されたグラフィカルデザインに基づいてグラフィカルユーザーインターフェースを表示させるプログラムコードを含む。ＧＵＩを介したユーザアクションと選択に応答して、セグメント化された顧客データを生成することの関連側面を操作することができる。
たとえば、一実施形態において、ビジュアルユーザインターフェースロジック１２０は、ユーザアクションに応答して入力を受け付けることと、およびデータを読み出すこととを容易にするように構成される。たとえば、ビジュアルユーザインターフェースロジック１２０は、顧客に対応付けられたデモグラフィック属性データ（図１のαおよびβ）および売上データ（図１のγ）の選択、読み出し、および入力を容易にしてもよい。デモグラフィック属性データおよび売上データは、グラフィカルユーザーインターフェースを介して混合属性セグメント化アプリケーション（たとえば、混合属性セグメント化ツール１１０）に対応付けられ（且つ、混合属性セグメント化アプリケーションがアクセスできる）（たとえば、データベース装置１７０内の）データ構造に存在してもよい。データは、たとえば、ビジュアルユーザインターフェースロジック１２０に対応付けられたメモリ内のデータ構造に読み込まれてもよい。セグメント化された顧客データ（図１のΣ）の生成は、少なくとも部分的に、数値デモグラフィック属性データαおよびカテゴリーデモグラフィック属性データβの両方に基づいてもよい。
数値デモグラフィック属性データαは、たとえば、顧客の年齢、世帯規模、および所得水準を表すデータを含み得る。カテゴリーデモグラフィック属性データβは、たとえば、顧客の人種、性別、および社会階級を表すデータを含み得る。ターゲット属性データγも顧客に対応付けられてもよい。たとえば、一実施形態において、ターゲット属性データγは、各顧客に対応付けられた売上データ（たとえば、売上高）を含む。ターゲット属性データγは、過去数週間の小売期間からアグリゲートされてもよく、各週には、顧客ごとのその週の売上を示す数値が割り当てられている。一実施形態によると、顧客のデモグラフィック属性データ（αおよびβ）およびターゲット属性データγは、ネットワーク通信を介してアクセスされてもよい。
さらに、ビジュアルユーザインターフェースロジック１２０は、セグメント化された顧客データΣを、グラフィカルユーザーインターフェースを介して表示画面１６０に出力および表示することを容易にするように構成される。一実施形態において、クラスター分析ロジック１５０は、出力データ構造のセグメント化された顧客データΣを表示することを容易にするために、ビジュアルユーザインターフェースロジック１２０と動作可能にやりとりするように構成される。さらに、一実施形態において、カテゴリー変形ロジック１３０および尺度変換ロジック１４０は、デモグラフィック属性データ（αおよびβ）およびターゲット属性データγを受け付けるために、ビジュアルユーザインターフェースロジック１２０と動作可能にやりとりするように構成される。一実施形態において、ビジュアルユーザインターフェースロジック１２０は、セグメント化された顧客データΣ（またはそのアグリゲートされたバージョン）を含む電子メッセージを生成するように構成される。さらに、ビジュアルユーザインターフェースロジック１２０は、本明細書において後述するが、少なくとも１つのエンタープライズ機能をリモートコンピューティングシステムに実行させるために、ネットワーク通信を介して電子メッセージをリモートコンピューティングシステムに送信するように構成される。
図１を再び参照すると、一実施形態において、カテゴリー変形ロジック１３０は、顧客のカテゴリーデモグラフィック属性データβを非数値形式（たとえば、文字）から数値形式に変形することによって変形デモグラフィック属性データβ´を生成するように構成される。カテゴリーデモグラフィック属性データβを数値形式に変形することによって、変形デモグラフィック属性データβ´は、数値処理できる数値デモグラフィック属性データαに類似した形式になる。変形を行うことの詳細は、本明細書において、少なくとも「アルゴリズムの一実施形態の詳細」欄、「具体例」欄、および図４〜図１２を参照して説明する。
カテゴリーデモグラフィック属性データβは、たとえば、人種、性別、および社会階級のカテゴリーに関するデータを含み得る。人種のカテゴリーは、たとえば、「白人」、「黒人」、「ラテンアメリカ人」、および「アジア人」を含み得る。性別のカテゴリーは、たとえば、「男性」、「女性」、および「トランスジェンダー」を含み得る。社会階級のカテゴリーは、たとえば、「下層中流階級」、「中流階級」、および「上流階級」を含み得る。
図１を再び参照すると、一実施形態において、尺度変換ロジック１４０は、一致属性データΔを形成するために、数値デモグラフィック属性データαおよび変形デモグラフィック属性データβ´を同じ数値尺度に変換するように構成される。変換は、たとえば、顧客についての売上データの売上高など、ターゲット属性データγに基づく。数値デモグラフィック属性データαおよび変形デモグラフィック属性データβ´を同じ数値尺度に変換することによって、一致属性データΔは、クラスター分析アルゴリズムによって操作できる形式になる。同一尺度変換を行うことの詳細は、本明細書において、少なくとも「アルゴリズムの一実施形態の詳細」欄、「具体例」欄、および図４〜図１２を参照して説明する。
一実施形態において、クラスター分析ロジック１５０は、セグメント化された顧客データΣを生成するために、一致属性データに対してクラスター分析を行うように構成される。セグメント化された顧客データΣは、たとえば、収益性に応じて、顧客をセグメント化してもよい。たとえば、一実施形態において、セグメント化された顧客データΣによって表される第１クラスターは、最も有益な顧客を表し、第２クラスターは、中程度に有益な顧客を表し、第３クラスターは、最小有益な顧客を表してもよい。クラスター分析を行うことの詳細は、本明細書において、少なくとも「アルゴリズムの一実施形態の詳細」欄、「具体例」欄、および図４〜図１２を参照して説明する。
一実施形態において、さらに同じようなグループを１つにまとめて最終的な数の顧客セグメント（最終的な数のグループ）を形成するために、（顧客グループを表す）セグメント化された顧客データに対してクラスターアグリゲーションプロセスが行われてもよい。クラスター分析ロジック１５０は、クラスターアグリゲーションプロセスを実行するように構成される。クラスターアグリゲーションを実行することの詳細は、本明細書において、少なくとも「アルゴリズムの一実施形態の詳細」欄を参照して説明する。
一実施形態によると、（アグリゲーションする前または後の）セグメント化された顧客データΣは、コンピュータ化された管理システムが実行する少なくとも１つのエンタープライズ機能を制御するために使用されてもよい。たとえば、コンピュータ化された管理システムは、統合基幹業務（ＥＲＰ）システム、または、在庫管理‐需要予測システムであってもよい。制御されるエンタープライズ機能は、たとえば、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能であってもよい。
クラスター分析は、今まで見たことがないデータのパターンを発見するためのツールであり、セグメンテーションは、通常、設定した目標を実現しようとするために使用されるので、クラスター分析は、通常、顧客をセグメント化するための望ましい選択ではない。そのため、一般に、分類法の方がターゲットセグメンテーションに適している。しかしながら、分類には、ターゲットとして使用するためのあらかじめ定義されたクラスターを特定するという手作業が必要である。この処理は、ビジネスユーザにとって時間のかかる、いやな作業であることが多い。混合属性セグメント化ツール１１０は、属性値の重みを演算するためにターゲット属性データ（たとえば、売上データ）を利用する。これによって、クラスターのラベルを手作業で付けなくても、クラスタリングアルゴリズムがセグメンテーションアルゴリズムであるかのように動作できるようにする。
このように、混合属性セグメント化ツール１１０は、顧客の数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データの両方を使用して、ターゲット属性データに基づいて、セグメント化された顧客データを生成するように構成される。さらに、クラスター分析プロセスは、ターゲット属性（たとえば、売上高）に応じて顧客をセグメント化するために使用される。さまざまなタイプの属性に対して一致した標準が使用され、混合した属性タイプを同時に効率的に処理する能力が向上する。
図２は、図１のコンピュータシステム１００の混合属性セグメント化ツール１１０が実行できる、セグメント化された顧客データを生成するための、コンピュータにより実現される方法２００の一実施形態を示す。方法２００は、混合属性セグメント化ツール１１０の動作を記述し、方法２００のアルゴリズムを有して構成されるコンピューティングデバイスによってまたは図１の混合属性セグメント化ツール１１０によって実行されるように実装される。たとえば、一実施形態において、方法２００は、コンピュータアプリケーションを実行するように構成されたコンピューティングデバイスによって実装される。コンピュータアプリケーションは、電子データを処理するように構成され、方法２００の機能を実行する実行可能な命令が格納されている。
たとえば、売上などのターゲット属性に基づいて顧客をセグメント化するために、小売会社の顧客について複数のタイプおよび形式のデモグラフィック属性データを収集および分析することができるという視点から方法２００を説明する。クラスター分析技術が顧客をセグメント化するために使用され得るように、さまざまなタイプのデモグラフィック属性データを類似形式にすることができる。
デモグラフィック属性データは、数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データを含み得る。本明細書では、過去の小売期間において（たとえば、過去１年のうちの５２週にわたって）小売会社の小売アイテムを購入した複数の顧客のデモグラフィック属性データおよびターゲット属性データが記録されていることを想定する。たとえば、デモグラフィック属性データおよびターゲット属性データは、データベース装置１７０に格納されてもよい。一実施形態によると、混合属性セグメント化ツール１１０は、少なくとも１つのデータ構造から（たとえば、データベース１７０のデータ構造から）顧客のデモグラフィック属性データおよびターゲット属性データを読み出すように構成される。
ここでも、数値デモグラフィック属性データは、たとえば、複数の顧客に対応付けられた年齢データ、世帯規模データ、および所得水準データを含み得る。カテゴリーデモグラフィック属性データは、たとえば、複数の顧客に対応付けられた人種データ、性別データ、および社会階級データを含み得る。ターゲット属性データは、たとえば、複数の顧客の顧客ごとの売上高を有する売上データを含み得る。
方法２００を開始すると、ブロック２１０において、複数の顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データが、メモリに格納されたコンピュータ化されたデータ構造から読み出される。一実施形態によると、読み出しは、混合属性セグメント化ツール１１０のビジュアルユーザインターフェースロジック１２０によって実行され得る。属性データは、たとえば、コンピューティングデバイス１０５のメモリに格納されたデータ構造に存在してもよく、そこから読み出され得る。これに代えて、属性データは、データベース装置１７０のメモリに格納されたデータ構造に存在してもよく、そこから読み出されてもよい。属性データは、たとえば、ビジュアルユーザインターフェースロジック１２０に対応付けられたデータ構造に読み込まれ得る。
属性データ（数値デモグラフィック、カテゴリーデモグラフィック、ターゲット）は、複数の顧客に対応付けられる。カテゴリーデモグラフィック属性データ（たとえば、人種、性別、社会階級）は、通常、数値デモグラフィック属性データ（たとえば、年齢、世帯規模、所得水準）の形式（数値）とは異なる形式（たとえば、文字）である。さらに、売上データである場合、ターゲット属性データは、通常、数値形式（たとえば、売上高および／または売上数量）である。
図２を再び参照すると、ブロック２２０において、カテゴリーデモグラフィック属性データが、変形デモグラフィック属性データを生成するために、非数値形式（たとえば、文字）から数値形式に変形される。一実施形態において、カテゴリーデモグラフィック属性データの変形は、混合属性セグメント化ツール１１０のカテゴリー変形ロジック１３０によって実行される。変形を行うことの詳細は、本明細書の以下の、少なくとも「アルゴリズムの一実施形態の詳細」欄に示す。
この時点で、数値デモグラフィック属性データおよび変形デモグラフィック属性データは、共に数値形式である。しかしながら、数値デモグラフィック属性データと変形デモグラフィック属性データは、互いに異なる数値尺度に対応してもよい。互いに異なる数値尺度では、属性データに対して実行したいアルゴリズム（たとえば、クラスターアルゴリズム）が、尺度の違いから誤った結果をもたらす可能性がある。したがって、別の変形または変換の方がまだよい。
そのため、ブロック２３０において、数値デモグラフィック属性データおよび（カテゴリーデモグラフィック属性データを表す）変形デモグラフィック属性データが、一致属性データを形成するために、同じ数値尺度に変換される。一致属性データは、一致属性データに対してクラスター分析を行うこと（に有効な入力）と互換性のあるフォーマットである。一実施形態において、変換は、混合属性セグメント化ツール１１０の尺度変換ロジック１４０によって実行される。一実施形態によると、変換に必要な重みは、ターゲット属性データ（たとえば、売上データ）に基づいて演算される。変換は、重みを用いて、数値デモグラフィック属性データおよび変形デモグラフィック属性データに対応付けられた値を正規化することを含む。これによって、両方の属性タイプ（数値およびカテゴリー）が、クラスタリングアルゴリズムによって操作できる同程度の数値ディメンションになる。変換を行うことの詳細は、本明細書の以下の、少なくとも「アルゴリズムの一実施形態の詳細」欄に示す。
クラスター分析は、オブジェクト（たとえば、顧客）を表すデータを、オブジェクトおよびオブジェクト間の関係を特徴付けるデータ内の情報に基づいてグループ化する分析技術である。概念上、クラスター分析によって形成されたグループは、類似または関連オブジェクトを同じグループに入れて、非類似または無関連オブジェクトを互いに異なるグループに入れる。オブジェクトのクラスタリングは、グループ内の類似度、およびグループ間の違いが大きいほど顕著である。
図２を参照すると、ブロック２４０において、顧客のグループへのセグメンテーションを表すセグメント化された顧客データを生成するために、一致属性データに対してクラスター分析が行われる。一実施形態において、クラスター分析は、混合属性セグメント化ツール１１０のクラスター分析ロジック１５０によって実装されるクラスターアルゴリズムによって実行される。ブロック２５０において、同じようなグループを１つにまとめて最終的な数（グループの最終的な数）の顧客セグメントを形成するために、（顧客グループを表す）セグメント化された顧客データに対してクラスターアグリゲーションプロセスが実行される。一実施形態において、ブロック２５０のアグリゲーションプロセスは、クラスター分析ロジック１５０によって実行される。
一実施形態によると、アグリゲーションプロセスは、ブロック２４０からの顧客のセグメントごとに顧客プロファイルを算出することと、プロファイルに対してクラスター分析を行うことと、アグリゲートされたクラスターを形成するために、クラスター分析に基づいて顧客のセグメントをマージすることとを含む。つまり、クラスターアグリゲーションプロセスは、同じような顧客プロファイルを有するブロック２４０からの顧客セグメントをマージする。ブロック２４０およびブロック２５０を実行することの詳細は、本明細書の以下の、少なくとも「アルゴリズムの一実施形態の詳細」欄に示す。
方法２００は、属性データ（数値デモグラフィック、カテゴリーデモグラフィック、ターゲットデモグラフィック）に対応付けられた顧客グループを効果的にセグメント化する。各顧客のグループは、特定の行動または特性（つまり、類似した顧客プロファイル）を示す。たとえば、セグメント化された顧客データの最終的なグループ（つまり、アグリゲートされたクラスター）の各々は、収益性レベルを表し得る。第１グループは、最も有益な顧客グループを表し得、第２グループは、最小有益な顧客グループを表し得、第３グループは、中程度に有益な顧客グループを表し得る。図３は、図２の方法２００によって生成されたセグメント化された顧客データのこのような例をグラフ３００で示す。図３において、各「ｘ」は、最も有益なグループ３１０の顧客を表し、各「＋」は、中程度に有益なグループ３２０の顧客を表し、各「Δ」は、最小有益なグループ３３０の顧客を表す。
一実施形態において、クラスター分析を行うために、所望のクラスター数であるＫを指定できる、Ｋ−ｍｅａｎｓとして知られるクラスタリング技術が使用される。まず、Ｋ個の重心がデータドメインにおいて設定され、（たとえば、顧客を表す）各データ点が、データドメイン内の最も近くの重心に割り当てられる。一実施形態によると、データドメインは、一致属性データの性質に基づいて定義される。各クラスターの重心は、クラスターに割り当てられたデータ点に基づいて更新される。割当‐更新プロセスは、重心がこれ以上変化（または、なんらかの指定された許容範囲内で変化）しなくなるまで繰り返される。その他の実施形態によると、その他のクラスタリング技術も可能である。クラスタリングを実行することの例は、本明細書の以下の「具体例」欄に示す。
このように、各グループがグループ内の顧客が持つ異なる特性またはプロファイル（たとえば、収益性レベル）を表すグループに顧客をセグメント化することができる。セグメンテーションプロセスを実行する際に、顧客に対応付けられた数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データが考慮される。属性データを同じ数値尺度に至らせる／変換することによって、顧客をセグメント化するためにクラスタリング技術を使用することができる。
コンピュータ化された管理システムは、コンピュータ化された管理システムが実行する少なくとも１つのエンタープライズ機能を制御するために、セグメント化された顧客データを利用できる。たとえば、在庫配分機能は、入手可能な在庫を、その他の販路に向けて送る前に、先ず最も有益なグループの顧客が買い物をする販路に向けて送るために、セグメント化された顧客データによって制御できる。このようなコンピュータ化された管理システムは、たとえば、統合基幹業務（ＥＲＰ）システムまたは在庫管理‐需要予測システムであり得る。
一実施形態において、（アグリゲーションする前の）セグメント化された顧客データまたはアグリゲートされた顧客グループを表すデータのどちらかを含む電子メッセージが生成される。電子メッセージは、リモートコンピューティングシステム（たとえば、コンピュータ化された管理システム）に少なくとも１つのエンタープライズ機能を実行させるために、（たとえば、ネットワーク通信を介して）リモートコンピューティングシステムに送信されてもよい。たとえば、エンタープライズ機能は、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能であり得る。
アルゴリズムの一実施形態の詳細
一実施形態において、目標は、特定のカテゴリーの売上データに基づいて、デモグラフィック属性を使用して、顧客をセグメント化することである。入力データは、関心の期間（たとえば、少なくとも３か月）の間の顧客ごとのターゲット属性値ＡＴと、デモグラフィック属性Ａ１、…、Ａｍとを含む。一実施形態によると、デモグラフィック属性は、重要度が最も高いまたは最も関連があるとあらかじめ決定されたデモグラフィック属性であってもよい。
本明細書において、以下の表記が用いられる。
アルゴリズムステップ：
２つのステージ：ステージ１：クラスター生成、およびステージ２：クラスターアグリゲーションにおいてアルゴリズムを実施する。
ステージ１：クラスター生成
ステージ２：クラスターアグリゲーション
３）ステップ１の顧客クラスターを、ステップ２の結果に応じてマージし、所望の顧客セグメントを出す。
ステージ２は、セグメントごとに一意のプロファイルを保証し、ユーザがセグメントごとの差別化要因を見つけられるようにする。たとえば、クラスターの差別化要因は、低い女性の割合および高学歴であり得る。
具体例
カテゴリー：女性ニットウェア
ターゲット属性：女性ニットウェアの１年の売上高
デモグラフィック属性：年齢、性別、資格、および職業。
ステージ１：
１）入力された属性のうち、唯一の数値属性は、年齢であり、小売業者の指示に応じて捨てられる。セグメンテーション用にすべての４つの属性を選択する。以下に、属性値を挙げる。
年齢：若年成人、中年前期、中年後期、老人
性別：男性、女性
資格：平均より以下、准学士号、学士号、その他
職業：会社員、専業主婦、役員、退職、学生、教師、その他。
２）顧客ごとに、対応する属性重みを選択する。たとえば、女性、老人であって、准学士号を持つ専業主婦である顧客番号４の重みが図４の表４１０〜表４４０で強調されており、図５の表５００に示されている。
３）属性重みを使用して、顧客ごとのニットウェアの売上げをベクトル化する。図６の表６００に示すように、ニットウェアカテゴリーで総額２１３ドル分を購入している、同じ顧客番号４のベクトルを算出する。
４）全顧客についてのベクトル化された値に対してＫ平均法を行う。各入力データ点は、特定の顧客に対応するベクトルであり、顧客の数と同じ数のデータ点が存在する。図７に示す分散グラフ７００を用いて、最適なクラスター数は６個（６）であると算出する。
ステージ２：
１）各クラスターにおける属性ごとのクラスタープロファイルを導き出す。結果を、図８の表８１０、８３０、およびグラフ８２０、８４０、図９の表９１０、９３０およびグラフ９２０、９４０に示す。属性／クラスターの組み合わせごとに、数字は合計して１００％になる。
２）次に、類似した顧客プロファイルとクラスターをマージするために、別のステップにおいて顧客プロファイルをＫ平均法に入れる。結果を、図１０の表１０１０およびグラフ１０２０に示す。
３）ステップ２の結果に応じて、クラスター番号１とクラスター番号２とをマージして１つのセグメントを形成する。また、クラスター番号３とクラスター番号４とをマージして別のセグメントを形成する。クラスター番号５およびクラスター番号６はそのままにし、各々を別々のセグメントとみなす。図１１の表１１１０およびチャート１１２０に示す最終的なクラスタープロファイルは、少なくとも１つの属性値に関して互いに異なると保証される。
後処理：各クラスターにおける、対応する算出された「顧客価値」に対する顧客の数を、図１２の表１２１０および円グラフ１２２０、１２３０の形式で示す。これらの結果から、いくつかの見解が推測できる。たとえば、顧客の総数のわずか１（１）パーセントしか貢献していないクラスター番号４の顧客は、顧客の中で圧倒的に最も高い値（価値）を有し、最も大きな他との個別化要因は、彼らの年齢（中年後期）である。
コンピューティングデバイスの実施形態
図１３は、本明細書に記載の例示的なシステムおよび方法、ならびに／または均等物のうちの１つ以上を有して構成および／またはプログラムされた、例示的なコンピューティングデバイスを示す図である。図１３は、混合属性セグメント化ツールの実施形態が実装され得るコンピューティングデバイスの１つの例示的な実施形態を示す。例示的なコンピューティングデバイスは、バス１３０８によって動作可能に接続されたプロセッサ１３０２と、メモリ１３０４と、入力／出力ポート１３１０とを含むコンピュータ１３００であり得る。
一例において、コンピュータ１３００は、顧客に対応付けられたデモグラフィック属性データを変形および分析し、ターゲット属性（たとえば、売上）に基づいてセグメント化された顧客データを生成するための、本明細書に開示の、プログラムされたアルゴリズムを有して構成された（図１からの混合属性セグメント化ツール１１０に相当する）混合属性セグメント化ツール１３３０を含み得る。異なる例において、ツール１３３０は、ハードウェア、命令が格納された非一時的なコンピュータ読み取り可能な媒体、ファームウェア、および／またはそれらの組み合わせとして実装され得る。ツール１３３０は、バス１３０８に取り付けられたハードウェア・コンポーネントとして図示されているが、その他の実施形態において、ツール１３３０は、プロセッサ１３０２、メモリ１３０４に格納されたモジュール、またはディスク１３０６に格納されたモジュールとして実装され得ることがわかる。
一実施形態において、ツール１３３０またはコンピュータ１３００は、記述されたアクションを実行する手段である（たとえば、構造体：ハードウェア、非一時的なコンピュータ読み取り可能な媒体、ファームウェア）。いくつかの実施形態において、コンピューティングデバイスは、クラウドコンピューティングシステムにおいて動作するサーバ、ＳａａＳ（Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）アーキテクチャにおいて構成されたサーバ、スマートフォン、ラップトップ、タブレットコンピューティングデバイスなどであり得る。
手段は、たとえば、セグメント化された顧客データの生成を容易にするようにプログラムされたＡＳＩＣとして実装され得る。また、手段は、データ１３１６としてコンピュータ１３００に提示され、メモリ１３０４に一時的に格納されたあとプロセッサ１３０２によって実行される、格納された、コンピュータにより実行可能な命令として実装され得る。
また、ツール１３３０は、セグメント化された顧客データを数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データを使用して生成することを容易にするための手段（たとえば、ハードウェア、実行可能な命令を格納した非一時的なコンピュータ読み取り可能な媒体、ファームウェア）を提供し得る。
コンピュータ１３００の例示的な構成を全体的に説明すると、プロセッサ１３０２は、デュアルマイクロプロセッサおよびその他のマルチプロセッサアーキテクチャを含むさまざまなプロセッサであり得る。メモリ１３０４は、揮発性メモリおよび／または不揮発性メモリを含み得る。不揮発性メモリは、たとえば、ＲＯＭ、ＰＲＯＭなどを含み得る。揮発性メモリは、たとえば、ＲＡＭ、ＳＲＡＭ、ＤＲＡＭなどを含み得る。
記憶ディスク１３０６は、たとえば、入力／出力インターフェース（たとえば、カード、デバイス）１３１８および入力／出力ポート１３１０を介して、コンピュータ１３００に動作可能に接続され得る。ディスク１３０６は、たとえば、磁気ディスクドライブ、ソリッドステートディスクドライブ、フロッピー（登録商標）ディスクドライブ、テープドライブ、Ｚｉｐドライブ、フラッシュメモリカード、メモリースティックなどであり得る。さらに、ディスク１３０６は、ＣＤ−ＲＯＭドライブ、ＣＤ−Ｒドライブ、ＣＤ−ＲＷドライブ、ＤＶＤ ＲＯＭなどであり得る。メモリ１３０４は、たとえば、プロセス１３１４および／またはデータ１３１６を格納できる。ディスク１３０６および／またはメモリ１３０４は、コンピュータ１３００のリソースを制御および割り当てるオペレーティングシステムを格納できる。
コンピュータ１３００は、Ｉ／Оインターフェース１３１８および入力／出力ポート１３１０を介して、入力／出力デバイスとやり取りできる。入力／出力デバイスは、たとえば、キーボード、マイクロフォン、ポインティング‐選択デバイス、カメラ、ビデオカード、ディスプレイ、ディスク１３０６、ネットワーク装置１３２０などであり得る。入力／出力ポート１３１０は、たとえば、シリアルポート、パラレルポート、およびＵＳＢポートを含み得る。
コンピュータ１３００は、ネットワーク環境において動作できるので、Ｉ／Оインターフェース１３１８、および／またはＩ／Оポート１３１０を介してネットワーク装置１３２０に接続できる。ネットワーク装置１３２０を通して、コンピュータ１３００は、ネットワークとやり取りできる。ネットワークを通して、コンピュータ１３００は、リモートコンピュータに論理的に接続され得る。コンピュータ１３００がやり取りできるネットワークは、ＬＡＮ、ＷＡＮ、およびその他のネットワークを含むが、これらに限定されない。
数値デモグラフィック属性データおよびカテゴリーデモグラフィック属性データを利用して、ターゲット属性に基づいて顧客をセグメント化するように構成されるシステム、方法、およびその他の実施形態を説明した。一実施形態において、カテゴリー変形ロジックは、カテゴリーデモグラフィック属性データを非数値形式から数値形式に変形することによって、変形デモグラフィック属性データを生成する。尺度変換ロジックは、一致属性データに対してクラスター分析を行うことと互換性のあるフォーマットの一致属性データを形成するために、ターゲット属性データに基づいて数値デモグラフィック属性データおよび変形デモグラフィック属性データを同じ数値尺度に変換する。クラスター分析ロジックは、セグメント化された顧客データを生成するために、一致属性データに対してクラスター分析を行う。セグメント化された顧客データは、顧客をセグメント化したものを表し、コンピュータ化された管理システムが実行するエンタープライズ機能を制御するために利用され得る。
定義およびその他の実施形態
別の実施形態において、記載の方法および／またはそれらの均等物は、コンピュータにより実行可能な命令を有して実装される。したがって、一実施形態において、非一時的なコンピュータ読み取り可能な／記憶媒体は、アルゴリズム／実行可能なアプリケーションのコンピュータにより実行可能な命令を格納して構成され、命令は、機械（複数の機械）によって実行されると、機械（複数の機械）（および／または関連するコンポーネント）に方法を実行させる。例示的な機械は、プロセッサ、コンピュータ、クラウドコンピューティングシステムにおいて動作するサーバ、Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）アーキテクチャにおいて構成されるサーバ、スマートフォンなどを含むが、これらに限定されない。一実施形態において、コンピューティングデバイスは、開示の方法を実行するように構成された１つ以上の実行可能なアルゴリズムを有して実装される。
１つ以上の実施形態において、開示の方法またはそれらの均等物は、方法を実行するように構成されたコンピュータハードウェア、または方法を実行するように構成された実行可能なアルゴリズムを含む非一時的なコンピュータ読み取り可能な媒体に組み込まれたコンピュータソフトウェアのいずれかによって実行される。
説明をわかり易くする目的のために、図示した技法をアルゴリズムの一連のブロックとして図示および説明したが、技法は、ブロックの順序に限定されないことがわかる。いくつかのブロックは、図示および説明された順序とは異なる順序および／またはその他のブロックと同時に起こり得る。また、例示的な技法を実装するために、図示された全ブロックよりも少ない数のブロックを使用してもよい。ブロックは、複数のアクション／コンポーネントに組み合わされるまたは分けられ得る。さらに、追加および／または代替的な技法は、ブロックに示されていない追加アクションを使用できる。本明細書に記載の方法は、米国特許法第１０１条における法定の主題に限定される。
以下は、本明細書において使用される選定された用語の定義を含む。定義は、用語の範囲に含まれ、且つ、実装のために使用され得るさまざまな例および／または形態のコンポーネントを含む。例は、限定するものではない。単数形および複数形の用語も定義の範囲に含まれる。
「一実施形態」、「実施形態」、「一例」、「例」などは、そのようにして説明される実施形態（複数の実施形態）または例（複数の例）が特定の特徴、構成、特性、性質、構成要素、または限定を含み得ることを示し、実施形態または例のすべてがその特定の特徴、構成、特性、性質、構成要素、または限定を必ずしも含むわけではないことを示す。さらに、表現「一実施形態において」を繰り返し使用することは、同じ実施形態を指し得るが、必ずしもそうではない。
ＡＳＩＣ：特定用途向け集積回路。
ＣＤ：コンパクトディスク。
ＣＤ−Ｒ：１回だけデータ書込み可能なＣＤ。
ＣＤ−ＲＷ：データ書換え可能なＣＤ。
ＤＶＤ：デジタル多用途ディスクおよび／またはデジタルビデオディスク。
ＨＴＴＰ：ハイパーテキスト転送プロトコル。
ＬＡＮ：ローカルエリアネットワーク。
ＲＡＭ：ランダムアクセスメモリ。
ＤＲＡＭ：ダイナミックＲＡＭ。
ＳＲＡＭ：同期ＲＡＭ。
ＲＯＭ：読み出し専用メモリ。
ＰＲＯＭ：プログラマブルＲＯＭ。
ＥＰＲＯＭ：消去可能ＰＲＯＭ。
ＥＥＰＲＯＭ：電気的消去可能ＰＲＯＭ。
ＵＳＢ：ユニバーサル・シリアル・バス。
ＷＡＮ：ワイドエリアネットワーク。
「動作可能な接続」、またはエンティティが「動作可能に接続される」接続は、信号、物理的通信、および／または論理的通信が送信および／または受信され得る接続である。動作可能な接続は、物理インターフェース、電気インターフェース、および／またはデータインターフェースを含み得る。動作可能な接続は、操作可能な制御を可能にするのに十分なインターフェースおよび／または接続の異なる組み合わせを含み得る。たとえば、２つのエンティティを、直接または１つ以上の中間エンティティ（たとえば、プロセッサ、オペレーティングシステム、ロジック、非一時的なコンピュータ読み取り可能な媒体）を介して互いに信号を通信するように動作可能に接続できる。動作可能な接続は、１つのエンティティがデータを生成し、メモリに格納することと、別のエンティティが、たとえば、命令制御によってメモリからそのデータを受信することとを含み得る。動作可能な接続を作るために、論理的および／または物理的通信チャネルを使用できる。
「データ構造」は、本明細書で使用するとき、メモリに格納されたコンピューティングシステム、記憶装置、またはその他のコンピュータ化されたシステムにおけるデータ構成である。データ構造は、たとえば、データフィールド、データファイル、データ配列、データレコード、データベース、データテーブル、グラフ、ツリー、連結リストなどのうちの任意の１つであり得る。データ構造は、多くの他のデータ構造から形成されてもよく、且つ、それらを含んでもよい（たとえば、データベースは、多くのデータレコードを含む）。また、その他の実施形態によると、データ構造のその他の例も可能である。
「コンピュータ読み取り可能な媒体」または「コンピュータ記憶媒体」は、本明細書で使用するとき、実行されると開示の機能のうちの１つ以上の機能を実行するように構成された命令および／またはデータを格納する非一時的な媒体を指す。コンピュータ読み取り可能な媒体は、不揮発性媒体、および揮発性媒体などの形式を取り得るが、これらに限定されない。不揮発性媒体は、たとえば、光ディスク、磁気ディスクなどを含み得る。揮発性媒体は、たとえば、半導体メモリ、ダイナミックメモリなどを含み得る。コンピュータ読み取り可能な媒体の一般的な形式は、フロッピー（登録商標）ディスク、フレキシブルディスク、ハードディスク、磁気テープ、その他の磁気媒体、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル・ロジック・デバイス、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｋ）、その他の光学媒体、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、メモリチップもしくはカード、メモリースティック、ＳＳＤ（ソリッドステート記憶装置）、フラッシュドライブ、およびコンピュータ、プロセッサ、またはその他の電子デバイスが共に機能できるその他の媒体を含み得るが、これらに限定されない。各種の媒体は、一実施形態における実装用に選択された場合、開示および／または請求項に記載の機能のうちの１つ以上を実行するように構成されたアルゴリズムの命令を格納し得る。
「ロジック」は、本明細書で使用するとき、本明細書に開示の機能もしくはアクションを実行するための、ならびに／または別のロジック、方法、および／もしくはシステムからの機能もしくはアクションを本明細書に開示の通りに実行させるための、コンピュータもしくは電気ハードウェア、実行可能なアプリケーションもしくはプログラムモジュールの命令が格納された非一時的な媒体、および／またはこれらの組み合わせを用いて実装される部品、実装される部品を表す。同等のロジックが、ファームウェア、アルゴリズムがプログラムされたマイクロプロセッサ、離散ロジック（たとえば、ＡＳＩＣ）、少なくとも１つの回路、アナログ回路、デジタル回路、プログラムされた論理回路、アルゴリズムの命令を含むメモリ素子など含んでもよく、これらは、いずれも、開示の機能のうちの１つ以上を実行するように構成され得る。一実施形態において、ロジックは、１つ以上のゲート、ゲートの組み合わせ、または開示の機能のうちの１つ以上を実行するように構成されたその他の回路部品を含み得る。複数のロジックが説明されている箇所は、複数のロジックを１つのロジックに組み込むことが可能である。同様に、１つのロジックが説明されている箇所は、当該１つのロジックを複数のロジックに分散することが可能である。一実施形態において、これらのロジックのうちの１つ以上は、開示および／または請求項に記載の機能を実行することに関連付けられた対応する構造である。実装するロジックの選択は、所望のシステム条件または仕様に基づき得る。たとえば、より速い速度を求める場合、機能を実装するために、ハードウェアが選ばれる。低コストを求める場合、機能を実装するために、格納される命令／実行可能なアプリケーションが選ばれる。ロジックは、ソフトウェア自体ではない。
「ユーザ」は、本明細書で使用するとき、１人以上の人、コンピュータもしくはその他のデバイス、またはこれらの組み合わせを含むが、これらに限定されない。
開示の実施形態をかなり詳しく図示および説明したが、添付の請求の範囲をこのような詳細に制限または限定する意図はまったくない。主題のさまざまな態様を説明する目的のために構成要素または技法の考えられるすべての組み合わせを説明することは、当然、不可能である。そのため、本開示は、図示および説明した詳細または例示に限定されない。したがって、本開示は、添付の請求の範囲に含まる代替例、変更例、および変形例を包含するものとし、特許の対象となるのにふさわしい発明に要求される法定の主題要件を満たす。
用語「含む（ｉｎｃｌｕｄｅｓ）」または「含む（ｉｎｃｌｕｄｉｎｇ）」が詳細な説明または請求の範囲において使用される範囲において、当該用語は、用語「備える（ｃｏｍｐｒｉｓｉｎｇ）」が請求の範囲において移行句として使用されたときに解釈されるのと同様に、他を包含する意図がある。
用語「または（ｏｒ）」が詳細な説明または請求の範囲において使用される範囲において（たとえば、ＡまたはＢ）、当該用語は、「ＡまたはＢまたはその両方」を意味する意図がある。出願人が、「ＡまたはＢのどちらかのみであって両方ではない」ことを示す意図である場合、表現「ＡまたはＢのどちらかのみであって両方ではない」が使用される。したがって、本明細書における用語「または」の使用は、包含的であって限定的ではない使用である。
表現「Ａ、Ｂ、およびＣのうちの１つ以上」が本明細書において使用される範囲において、（たとえば、Ａ、Ｂ、およびＣのうちの１つ以上を格納するように構成されたデータストア）当該表現は、Ａ、Ｂ、Ｃ、ＡＢ、ＡＣ、ＢＣ、および／またはＡＢＣの可能性のセットを伝える意図がある（たとえば、データストアは、Ａのみ、Ｂのみ、Ｃのみ、ＡおよびＢ、ＡおよびＣ、ＢおよびＣ、ならびに／またはＡおよびＢおよびＣを格納し得る）。Ａのうちの１つ、Ｂのうちの１つ、およびＣのうちの１つが必要である意図はない。明細書が「Ａのうちの少なくとも１つ、Ｂのうちの少なくとも１つ、およびＣのうちの少なくとも１つ」を示す意図である場合、表現「Ａのうちの少なくとも１つ、Ｂのうちの少なくとも１つ、およびＣのうちの少なくとも１つ」が使用される。

Claims (15)

  1. コンピューティングデバイスが、少なくとも、メモリからの命令を実行するためのプロセッサを含む、前記コンピューティングデバイスによって実行される、コンピュータにより実現される方法であって、
    顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データを有し、コンピュータ化されたメモリに格納されたコンピュータ化されたデータ構造を、少なくとも１つのプロセッサを介して読み出すステップと、
    一致属性データを形成するために、前記少なくとも１つのプロセッサを介して、前記数値デモグラフィック属性データおよび前記カテゴリーデモグラフィック属性データを、前記ターゲット属性データの少なくとも一部に基づいて、同じ数値尺度に変換するステップとを含み、前記一致属性データは、前記一致属性データに対してクラスター分析を行うステップと互換性のあるフォーマットであり、前記方法は、さらに、
    前記顧客をセグメント化したものを表すセグメント化された顧客データを生成するために、前記少なくとも１つのプロセッサを介して、前記一致属性データに対して前記クラスター分析を行うステップと、
    前記セグメント化された顧客データを含む電子メッセージを生成するステップと、
    リモートコンピューティングシステムに少なくとも１つのエンタープライズ機能を実行させるために、ネットワーク通信を介して、前記リモートコンピューティングシステムに前記電子メッセージを送信するステップとを含む、方法。
  2. 最終的な顧客グループを生成するために、前記セグメント化された顧客データに対してアグリゲーションプロセスを実行するステップをさらに含む、請求項１に記載の方法。
  3. 前記少なくとも１つのエンタープライズ機能は、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能、のうちの少なくとも１つを含む、請求項１に記載の方法。
  4. 前記ターゲット属性データは、売上データを含む、請求項１に記載の方法。
  5. 前記数値デモグラフィック属性データは、前記顧客に対応付けられた年齢データ、世帯規模データ、および所得水準データのうちの少なくとも１つを含む、請求項１に記載の方法。
  6. 前記カテゴリーデモグラフィック属性データは、前記顧客に対応付けられた職業データ、性別データ、および資格データのうちの少なくとも１つを含む、請求項１に記載の方法。
  7. 前記リモートコンピューティングシステムは、統合基幹業務システムを含む、請求項１に記載の方法。
  8. 前記リモートコンピューティングシステムは、在庫管理‐需要予測システムを含む、請求項１に記載の方法。
  9. 前記変換するステップは、変形デモグラフィック属性データを生成するために、前記カテゴリーデモグラフィック属性データを非数値形式から数値形式に変形するステップを含む、請求項１に記載の方法。
  10. 前記変換するステップは、前記数値デモグラフィック属性データおよび前記変形デモグラフィック属性データに対応付けられた値を重み付けするステップを含む、請求項９に記載の方法。
  11. 少なくとも１つのメモリに接続されたプロセッサと、
    非一時的なコンピュータ読み取り可能な媒体に格納された命令を含むビジュアルユーザインターフェースモジュールとを備え、前記命令は、前記プロセッサによって実行されると、顧客に対応付けられた数値デモグラフィック属性データ、カテゴリーデモグラフィック属性データ、およびターゲット属性データの読み出しを前記プロセッサに容易にさせ、さらに、
    前記非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、前記カテゴリーデモグラフィック属性データを非数値形式から数値形式に変形することによって変形デモグラフィック属性データを生成するように構成されたカテゴリー変形モジュールと、
    前記非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、一致属性データを形成するために、前記ターゲット属性データの少なくとも一部に基づいて、前記数値デモグラフィック属性データおよび前記変形デモグラフィック属性データを同じ数値尺度に変換するように構成された尺度変換モジュールとを備え、前記一致属性データは、クラスター分析を行うステップと互換性のあるフォーマットであり、さらに、
    前記非一時的なコンピュータ読み取り可能な媒体に格納された命令を含み、前記顧客をセグメント化したものを表すセグメント化された顧客データを生成するために前記一致属性データに対して前記クラスター分析を行うように構成されたクラスター分析モジュールとを備え、
    前記ビジュアルユーザインターフェースモジュールは、さらに、
    前記セグメント化された顧客データを含む電子メッセージを生成し、
    リモートコンピューティングシステムに少なくとも１つのエンタープライズ機能を実行させるために、ネットワーク通信を介して前記リモートコンピューティングシステムに前記電子メッセージを送信するように構成される、コンピューティングシステム。
  12. 前記数値デモグラフィック属性データ、前記カテゴリーデモグラフィック属性データ、および前記ターゲット属性データを少なくとも格納するように構成されたデータベース装置をさらに備える、請求項１１に記載のコンピューティングシステム。
  13. 前記セグメント化された顧客データは、前記ターゲット属性データに基づいた前記顧客をセグメント化したものを表す、請求項１１に記載のコンピューティングシステム。
  14. 前記ターゲット属性データは、売上データを含む、請求項１１に記載のコンピューティングシステム。
  15. 前記少なくとも１つのエンタープライズ機能は、在庫配分機能、需要予測機能、またはマーケットセグメンテーション機能、のうちの少なくとも１つを含む、請求項１１に記載のコンピューティングシステム。
JP2018530015A 2015-12-09 2016-12-06 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 Active JP6810745B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/963,858 US20170169447A1 (en) 2015-12-09 2015-12-09 System and method for segmenting customers with mixed attribute types using a targeted clustering approach
US14/963,858 2015-12-09
PCT/US2016/065064 WO2017100155A1 (en) 2015-12-09 2016-12-06 System and method for segmenting customers with mixed attribute types using a targeted clustering approach

Publications (3)

Publication Number Publication Date
JP2018536947A true JP2018536947A (ja) 2018-12-13
JP2018536947A5 JP2018536947A5 (ja) 2019-11-28
JP6810745B2 JP6810745B2 (ja) 2021-01-06

Family

ID=57681733

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018530015A Active JP6810745B2 (ja) 2015-12-09 2016-12-06 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

Country Status (4)

Country Link
US (1) US20170169447A1 (ja)
JP (1) JP6810745B2 (ja)
CN (1) CN108369674B (ja)
WO (1) WO2017100155A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615162A (zh) * 2018-10-23 2019-04-12 深圳壹账通智能科技有限公司 用户分组处理方法及装置、电子设备以及存储介质
US11868957B1 (en) * 2019-04-17 2024-01-09 Blue Yonder Group, Inc. System and method of anomaly detection using machine learning and a local outlier factor
US11107097B2 (en) 2019-08-29 2021-08-31 Honda Motor Co., Ltd. System and method for completing trend mapping using similarity scoring
CN110852392A (zh) * 2019-11-13 2020-02-28 中国建设银行股份有限公司 一种用户分群方法、装置、设备和介质
CN111339294B (zh) * 2020-02-11 2023-07-25 普信恒业科技发展（北京）有限公司 客户数据分类方法、装置及电子设备
US11875370B2 (en) 2020-12-18 2024-01-16 Replenium Inc. Automated replenishment shopping harmonization

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004213153A (ja) * 2002-12-27 2004-07-29 Ns Solutions Corp 情報表示装置、情報表示方法、その記録媒体およびプログラム
US20140067472A1 (en) * 2012-08-29 2014-03-06 State Farm Mutual Automobile Insurance Company System and Method For Segmenting A Customer Base
JP2015146126A (ja) * 2014-02-03 2015-08-13 富士通株式会社 顧客分析プログラム、顧客分析方法、及び顧客分析装置
US20160110442A1 (en) * 2014-10-16 2016-04-21 Accenture Global Services Limited Segmentation Discovery, Evaluation and Implementation Platform

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020194056A1 (en) * 1998-07-31 2002-12-19 Summers Gary J. Management training simulation method and system
US20090132347A1 (en) * 2003-08-12 2009-05-21 Russell Wayne Anderson Systems And Methods For Aggregating And Utilizing Retail Transaction Records At The Customer Level
EP1811446A1 (en) * 2005-12-30 2007-07-25 Accenture Global Services GmbH Statistical modeling methods for determining customer distribution by churn probability within a customer population
CN101256646A (zh) * 2008-03-20 2008-09-03 上海交通大学 轿车客户需求信息聚类分析系统
US20120066065A1 (en) * 2010-09-14 2012-03-15 Visa International Service Association Systems and Methods to Segment Customers
US20140180810A1 (en) * 2012-12-22 2014-06-26 Coupons.Com Incorporated Selection of digital offers based on current and historical transaction data
US10366420B2 (en) * 2013-11-19 2019-07-30 Transform Sr Brands Llc Heuristic customer clustering
US20150142521A1 (en) * 2013-11-20 2015-05-21 Sears Brands, Llc Customer clustering using integer programming
CN103714139B (zh) * 2013-12-20 2017-02-08 华南理工大学 一种移动海量客户群识别的并行数据挖掘方法
EP2945113A1 (en) * 2014-05-14 2015-11-18 Cisco Technology, Inc. Audience segmentation using machine-learning
CN104615722B (zh) * 2015-02-06 2018-04-27 浙江工业大学 基于密度搜索与快速划分的混合数据聚类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004213153A (ja) * 2002-12-27 2004-07-29 Ns Solutions Corp 情報表示装置、情報表示方法、その記録媒体およびプログラム
US20140067472A1 (en) * 2012-08-29 2014-03-06 State Farm Mutual Automobile Insurance Company System and Method For Segmenting A Customer Base
JP2015146126A (ja) * 2014-02-03 2015-08-13 富士通株式会社 顧客分析プログラム、顧客分析方法、及び顧客分析装置
US20160110442A1 (en) * 2014-10-16 2016-04-21 Accenture Global Services Limited Segmentation Discovery, Evaluation and Implementation Platform

Also Published As

Publication number Publication date
CN108369674A (zh) 2018-08-03
CN108369674B (zh) 2022-02-11
WO2017100155A1 (en) 2017-06-15
JP6810745B2 (ja) 2021-01-06
US20170169447A1 (en) 2017-06-15

Similar Documents

Publication Publication Date Title
JP6810745B2 (ja) 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
Dinner et al. Driving online and offline sales: The cross-channel effects of traditional, online display, and paid search advertising
JP6604431B2 (ja) 情報処理システム、情報処理方法および情報処理プログラム
US11954577B2 (en) Deep neural network based user segmentation
Romero et al. A partially hidden Markov model of customer dynamics for CLV measurement
CN110555578B (zh) 一种销量预测方法和装置
JP2019079302A (ja) 営業活動支援システム、営業活動支援方法および営業活動支援プログラム
JP5253519B2 (ja) スマートテキストを生成するための方法、装置、及び記憶媒体
US11869021B2 (en) Segment valuation in a digital medium environment
US20140067472A1 (en) System and Method For Segmenting A Customer Base
JP5914549B2 (ja) 情報処理装置および情報分析方法
JP2020087023A (ja) 受注予測モデルの生成方法、受注予測モデル、受注予測装置、受注予測方法および受注予測プログラム
Durango-Cohen et al. Donor segmentation: When summary statistics don't tell the whole story
US20170193538A1 (en) System and method for determining the priority of mixed-type attributes for customer segmentation
US20160117703A1 (en) Large-Scale Customer-Product Relationship Mapping and Contact Scheduling
JP2018536947A5 (ja)
WO2017203672A1 (ja) アイテム推奨方法、アイテム推奨プログラムおよびアイテム推奨装置
US11301763B2 (en) Prediction model generation system, method, and program
US11907991B2 (en) Method and system for item line assignment
Jhamtani et al. Size of wallet estimation: Application of K-nearest neighbour and quantile regression
CN113424207B (zh) 高效地训练可理解模型的系统和方法
CN111225009A (zh) 用于生成信息的方法和装置
JP6031165B1 (ja) 有望顧客予測装置、有望顧客予測方法及び有望顧客予測プログラム
Bhargavi et al. Comparative study of consumer purchasing and decision pattern analysis using pincer search based data mining method
US11803868B2 (en) System and method for segmenting customers with mixed attribute types using a targeted clustering approach

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191015

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191015

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200220

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200331

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200618

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: 20201117

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201211

R150 Certificate of patent or registration of utility model

Ref document number: 6810745

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250