JP2021149445A - Information processing apparatus, information processing method, and information processing program - Google Patents
Information processing apparatus, information processing method, and information processing program Download PDFInfo
- Publication number
- JP2021149445A JP2021149445A JP2020048044A JP2020048044A JP2021149445A JP 2021149445 A JP2021149445 A JP 2021149445A JP 2020048044 A JP2020048044 A JP 2020048044A JP 2020048044 A JP2020048044 A JP 2020048044A JP 2021149445 A JP2021149445 A JP 2021149445A
- Authority
- JP
- Japan
- Prior art keywords
- product
- discount rate
- information processing
- target product
- discount
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 77
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000012552 review Methods 0.000 claims description 13
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 41
- 238000010801 machine learning Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000000034 method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.
近年、例えば電子商取引に係るウェブサイト等においては、新規ユーザの獲得や販売促進等の目的のため、出店者からユーザに対し、商品の割引を提示するクーポンを発行することがある。ユーザはこのようなクーポンを利用することにより、商品を当該出店者が設定したクーポンを利用しない場合の通常の販売価格よりも安く購入することができる。 In recent years, for example, on websites related to electronic commerce, a coupon may be issued by a store owner to present a discount on a product to a user for the purpose of acquiring new users or promoting sales. By using such a coupon, the user can purchase the product at a lower price than the normal selling price when the coupon set by the store owner is not used.
ここで、クーポンの発行は、言わば割引分を投資として、商品の販売による利益の増加を図るものであることから、商品の販売による利益を増加させる効果の大きいクーポンを選択の上、発行することが求められる。そこで、特定の顧客に対する過去のクーポン提供と当該顧客によるクーポンの利用の記録を用いて、利益額が最大となるクーポンの券種を自動的に決定するシステムが知られている（例えば、特許文献１参照）。 Here, since the issuance of coupons is intended to increase the profit from the sale of products by investing the discounted amount, it is necessary to select and issue the coupon that has a large effect of increasing the profit from the sale of the products. Is required. Therefore, there is known a system that automatically determines the coupon type of the coupon that maximizes the profit amount by using the past coupon provision to a specific customer and the record of the coupon usage by the customer (for example, patent document). 1).
このようなシステムによれば、既存のクーポンの券種から商品の販売による利益が最大となるクーポンの券種を選択することはできるものの、あくまで既存のクーポンの中から最適なものを選択するに過ぎず、そもそもどの程度の割引率のクーポンを発行することが利益を最大化する上で最適であるかにつき予測することはできなかった。 According to such a system, it is possible to select the coupon type that maximizes the profit from the sale of the product from the existing coupon type, but to select the most suitable one from the existing coupons. In the first place, it was not possible to predict how much discount rate coupons would be optimal for maximizing profits.
本発明の課題は、商品の販売による利益を最大化する上で最適な割引率を予測することができる情報処理装置、情報処理方法及び情報処理プログラムを提供することである。 An object of the present invention is to provide an information processing device, an information processing method, and an information processing program capable of predicting an optimum discount rate for maximizing the profit from selling a product.
上記課題を解決するために、請求項１に記載の発明は、情報処理装置において、
商品の属性及び通常価格からの割引率を用いて当該商品の注文数量を予測する予測モデルを取得する第１取得手段と、
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得手段と、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測手段と、
を備えることを特徴とする。
In order to solve the above problems, the invention according to
The first acquisition means for acquiring a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
A second acquisition means for acquiring target product information, which is information related to the attributes of the target product to be discounted, and
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. Predictive means to predict
It is characterized by having.
請求項２に記載の発明は、請求項１に記載の情報処理装置において、
前記予測モデルは、商品の属性及び通常価格からの割引率と、当該商品の注文数量と、が紐付けられたデータを教師データとして用いて生成された学習モデルであることを特徴とする。
The invention according to
The prediction model is characterized in that it is a learning model generated by using data in which the attributes of a product, the discount rate from the normal price, and the order quantity of the product are associated with each other as teacher data.
請求項３に記載の発明は、請求項２に記載の情報処理装置において、
前記教師データとして用いられる商品の属性は、商品識別コードに係る情報を含むことを特徴とする。
The invention according to claim 3 is the information processing apparatus according to
The attribute of the product used as the teacher data is characterized by including information related to the product identification code.
請求項４に記載の発明は、請求項２又は３に記載の情報処理装置において、
前記教師データとして用いられる商品の属性は、所定の電子商取引に係るウェブサイトにおける商品レビューの点数に係る情報を含むことを特徴とする。
The invention according to claim 4 is the information processing apparatus according to
The attribute of the product used as the teacher data is characterized by including information related to the score of the product review on the website related to the predetermined electronic commerce.
請求項５に記載の発明は、請求項２から４のいずれか一項に記載の情報処理装置において、
前記教師データとして用いられる商品の属性は、商品の通常価格に係る情報を含むことを特徴とする。
The invention according to claim 5 is the information processing apparatus according to any one of
The attribute of the product used as the teacher data is characterized by including information relating to the normal price of the product.
請求項６に記載の発明は、請求項２から５のいずれか一項に記載の情報処理装置において、
前記教師データとして用いられる商品の属性は、所定の電子商取引に係るウェブサイトにおける注文から配送までに要する期間に係る情報を含むことを特徴とする。
The invention according to claim 6 is the information processing apparatus according to any one of
The attribute of the product used as the teacher data is characterized by including information on the period required from ordering to delivery on the website related to the predetermined electronic commerce.
請求項７に記載の発明は、請求項１に記載の情報処理装置において、
前記予測モデルは、所定の教師なし学習によって生成されたモデルであることを特徴とする。
The invention according to
The prediction model is characterized in that it is a model generated by a predetermined unsupervised learning.
請求項８に記載の発明は、請求項１に記載の情報処理装置において、
前記予測モデルは、所定の回帰分析によって生成されたモデルであることを特徴とする。
The invention according to claim 8 is the information processing apparatus according to
The prediction model is characterized in that it is a model generated by a predetermined regression analysis.
請求項９に記載の発明は、請求項１から８のいずれか一項に記載の情報処理装置において、
前記予測手段は、前記対象商品の通常価格に注文数量を掛けた額から、割引総額を引いた額である準利益が最大となる割引率を予測し、当該割引率を、前記対象商品の販売により生じる利益が最大となる割引率と予測することを特徴とする。
The invention according to claim 9 is the information processing apparatus according to any one of
The forecasting means predicts the discount rate at which the quasi-profit, which is the amount obtained by subtracting the total discount amount from the normal price of the target product multiplied by the order quantity, is the maximum, and the discount rate is used as the sales of the target product. It is characterized by predicting the discount rate that maximizes the profit generated by the product.
請求項１０に記載の発明は、請求項１から９のいずれか一項に記載の情報処理装置において、
電子商取引に係る所定のウェブサイトを利用して商品を販売する出店者が設定した前記対象商品の一覧に係るデータを取得する第３取得手段を備え、
前記予測手段は、前記第３取得手段が取得した一覧に含まれる全ての前記対象商品につき個別に、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to
It is equipped with a third acquisition means for acquiring data related to the list of the target products set by a store operator who sells products using a predetermined website related to electronic commerce.
The predicting means is characterized in that all the target products included in the list acquired by the third acquisition means individually predict the discount rate at which the profit generated by the sale of the target product is maximized.
請求項１１に記載の発明は、請求項１から９のいずれか一項に記載の情報処理装置において、
電子商取引に係る所定のウェブサイトを利用して商品を販売する出店者が設定した前記対象商品に該当しない商品の一覧に係るデータを取得する第４取得手段を備え、
前記予測手段は、前記第４取得手段が取得した一覧に含まれる商品を除いた前記出店者が前記所定のウェブサイトを利用して販売する全ての商品につき個別に、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to
It is equipped with a fourth acquisition means for acquiring data related to a list of products that do not correspond to the target product set by a store operator who sells products using a predetermined website related to electronic commerce.
The prediction means is generated by selling the target products individually for all the products sold by the store owner using the predetermined website except for the products included in the list acquired by the fourth acquisition means. It is characterized by predicting the discount rate that maximizes profits.
請求項１２に記載の発明は、請求項１から１１のいずれか一項に記載の情報処理装置において、
前記対象商品を販売する出店者が設定した対象商品ごとの割引率及び／又は割引総額の上限に係る情報を含む予測条件に係るデータを取得する第５取得手段を備え、
前記予測手段は、前記予測条件に係る割引率及び／又は割引総額の上限を超えない範囲で、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to
A fifth acquisition means for acquiring data related to forecast conditions including information on the discount rate and / or the upper limit of the total discount amount set by the store owner who sells the target product is provided.
The forecasting means predicts the order quantity corresponding to the numerical values of a plurality of discount rates within a range not exceeding the upper limit of the discount rate and / or the total discount amount related to the forecasting conditions, and thus the profit generated by the sale of the target product. Is characterized by predicting the maximum discount rate.
請求項１３に記載の発明は、請求項１２に記載の情報処理装置において、
前記予測手段は、前記予測条件に係る割引率及び／又は割引総額の上限を超えない範囲で、１パーセント刻みで全ての割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to
The forecasting means predicts the order quantity corresponding to all the discount rate values in 1% increments within a range that does not exceed the upper limit of the discount rate and / or the total discount amount related to the forecasting conditions. It is characterized by predicting the discount rate that maximizes the profit generated by the sale.
請求項１４に記載の発明は、請求項１から１３のいずれか一項に記載の情報処理装置において、
前記予測手段によって予測された割引率を前記対象商品に適用した際の実際の注文数量に係る情報を取得する第６取得手段と、
前記予測手段によって予測された割引率と異なる割引率を前記対象商品に適用した際の実際の注文数量に係る情報を取得する第７取得手段と、
を備えることを特徴とする。
The invention according to
A sixth acquisition means for acquiring information related to the actual order quantity when the discount rate predicted by the prediction means is applied to the target product, and
A seventh acquisition means for acquiring information on an actual order quantity when a discount rate different from the discount rate predicted by the prediction means is applied to the target product, and
It is characterized by having.
請求項１５に記載の発明は、請求項１から１４のいずれか一項に記載の情報処理装置において、
前記予測モデルは、商品の属性及び通常価格からの割引率に加えて、注文者となるユーザの属性を用いて、当該商品の注文数量を予測するものであり、
前記予測手段は、前記対象商品情報、前記対象商品の注文者となるユーザの属性及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to
The prediction model predicts the order quantity of the product by using the attributes of the product and the discount rate from the regular price, as well as the attributes of the user who is the orderer.
The prediction means inputs the target product information, the attributes of the user who orders the target product, and numerical values of a plurality of discount rates into the prediction model, and predicts the order quantity corresponding to the numerical values of the plurality of discount rates. This is characterized by predicting the discount rate at which the profit generated by the sale of the target product is maximized.
請求項１６に記載の発明は、請求項１から１４のいずれか一項に記載の情報処理装置において、
前記予測モデルは、商品の属性及び通常価格からの割引率に加えて、商品を販売する出店者の属性を用いて、当該商品の注文数量を予測するものであり、
前記予測手段は、前記対象商品情報、前記対象商品を販売する出店者の属性及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする。
The invention according to claim 16 is the information processing apparatus according to any one of
The prediction model predicts the order quantity of the product by using the attributes of the product and the discount rate from the regular price, as well as the attributes of the store owner who sells the product.
The prediction means inputs the target product information, the attributes of the store owner who sells the target product, and numerical values of a plurality of discount rates into the prediction model, and predicts the order quantity corresponding to the numerical values of the plurality of discount rates. It is characterized in that the discount rate at which the profit generated by the sale of the target product is maximized is predicted.
請求項１７に記載の発明は、情報処理方法において、
商品の属性及び通常価格からの割引率を用いて当該商品の注文数量を予測する予測モデルを取得する第１取得ステップと、
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得ステップと、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測ステップと、
を含むことを特徴とする。
The invention according to claim 17 is an information processing method.
The first acquisition step to acquire a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
The second acquisition step to acquire the target product information, which is the information related to the attributes of the target product to be discounted, and
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. And the prediction steps to predict
It is characterized by including.
請求項１８に記載の発明は、情報処理プログラムにおいて、
コンピュータを、
商品の属性及び通常価格からの割引率を用いて当該商品の注文数量を予測する予測モデルを取得する第１取得手段、
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得手段、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測手段、
として機能させることを特徴とする。
The invention according to claim 18 is an information processing program.
Computer,
The first acquisition means for acquiring a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
Second acquisition means for acquiring target product information, which is information related to the attributes of the target product to be discounted,
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. Predictive means to predict
It is characterized by functioning as.
本発明によれば、商品の販売による利益を最大化する上で最適な割引率を予測することができる情報処理装置、情報処理方法及び情報処理プログラムを提供することができる。 According to the present invention, it is possible to provide an information processing device, an information processing method, and an information processing program capable of predicting an optimum discount rate for maximizing the profit from selling a product.
以下、図１から図６に基づいて、本発明の実施形態である情報処理システム１００について説明する。ただし、本発明の技術的範囲は、図示例に限定されるものではない。
Hereinafter, the
［第１ 構成の説明］
情報処理システム１００は、電子商取引に係るウェブサイトに商品を出品する出店者に対し、クーポンによる割引率（クーポンにより減額される金額のクーポン非適用時の価格に対する割合）の商品ごとの最適な値を提案するためのシステムであり、図１に示すように、サーバ装置１と、出店者端末２と、を備えて構成され、各装置の間は、通信ネットワークＮを介して接続されている。
[Explanation of the first configuration]
The
［１ サーバ装置］
サーバ装置１は、情報処理システム１００を管理・運営する管理者が保有するＰＣ（Personal Computer）、ＷＳ（Work Station）等の情報機器であり、後述のように、予測モデルを使用した最適な割引率の予測及び予測結果の出店者端末２への提供等を行う。サーバ装置１が、本発明における情報処理装置に該当することとなる。
サーバ装置１は、図１に示すように、例えば、制御部１１と、記憶部１２と、通信部１３と、表示部１４と、操作部１５と、を備えて構成されている。
[1 server device]
The
As shown in FIG. 1, the
なお、サーバ装置１は、必ずしも単一のＰＣ、ＷＳ等の情報機器によって実現されることを要せず、複数台のＰＣ、ＷＳ等の情報機器が通信ネットワークＮを介して接続されることで、複数台の情報機器により、サーバ装置１としての機能が実現されていてもよい。この場合、このような複数の情報機器が接続されたものが、本発明における情報処理装置に該当することとなる。
The
［（１） 制御部］
制御部１１は、サーバ装置１の動作を制御する部分であり、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等
を備えて構成され、ＲＡＭの作業領域に展開されたＲＯＭや記憶部１２に記憶されたプログラムデータとＣＰＵとの協働により、サーバ装置１の各部を統括制御する。
[(1) Control unit]
The
［（２） 記憶部］
記憶部１２は、サーバ装置１の運用に必要となる各種情報が記憶される部分であり、例えば、ＨＤＤ（Hard Disk Drive）、半導体メモリ等により構成され、プログラムデータ
等のサーバ装置１の運用に必要となるデータを、制御部１１から読み書き可能に記憶する。
[(2) Memory unit]
The
記憶部１２は、情報処理プログラム１２１と、予測モデル１２２と、出店者情報記憶部１２３と、商品情報記憶部１２４と、を有する。
The
［ア 情報処理プログラム］
情報処理プログラム１２１は、サーバ装置１を動作させるための制御部１１への各種命令を含むプログラムであり、後述の動作の説明において述べるサーバ装置１の動作は、情報処理プログラム１２１に従ってなされることとなる。
[A Information Processing Program]
The
［イ 予測モデル］
予測モデル１２２は、後述のように割引率に対応した注文数量を予測する際に用いられるプログラム、パラメータ等を含むデータである。なお、予測モデル１２２については、「第３ 予測モデルの生成について」において別途詳細に説明する。
[B. Prediction model]
The
［ウ 出店者情報記憶部］
出店者情報記憶部１２３には、電子商取引に係るウェブサイトを利用してユーザに商品を販売する各出店者に係る情報である出店者データＤ１が記憶される。
[C store information storage department]
The store store
出店者データＤ１は、例えば、出店者ＩＤデータＤ１−１と、出店者名データＤ１−２と、を含む。 The store opening data D1 includes, for example, the store opening ID data D1-1 and the store opening name data D1-2.
出店者ＩＤデータＤ１−１は、出店者ごとに設定された識別情報である出店者ＩＤに係るデータである。
出店者名データＤ１−２は、各出店者の名称に係るデータである。
The store store ID data D1-1 is data related to the store store ID, which is identification information set for each store store.
The store opening name data D1-2 is data related to the name of each store opening.
出店者データＤ１は、例えば、システムへの参加時に各出店者に出店者端末２を用いて入力させ、入力された情報を、通信ネットワークＮを介して通信部１３により、サーバ装置１が取得するようにすればよい。
For example, the store store data D1 is input by each store store using the
図２に出店者情報記憶部１２３の記憶内容の一例を示す。本図に示すように、出店者情報記憶部１２３には、電子商取引に係るウェブサイトに商品を出品する複数の出店者につき、出店者ＩＤデータＤ１−１と、出店者名データＤ１−２と、が紐付けられて記憶されていることとなる。
FIG. 2 shows an example of the stored contents of the store
［エ 商品情報記憶部］
商品情報記憶部１２４には、電子商取引に係るウェブサイトにおいてユーザに販売される対象となる各商品に係る情報である商品データＤ２が記憶される。
[D. Product information storage unit]
The product
商品データＤ２は、例えば、商品ＩＤデータＤ２−１と、出店者データＤ２−２と、商品内容データＤ２−３と、種別データＤ２−４と、通常価格データＤ２−５と、商品識別コードデータＤ２−６と、平均レビュー点数データＤ２−７と、平均配送期間データＤ２−８と、在庫数データＤ２−９と、を含む。
なお、商品データＤ２に含まれるデータは上記のものに限られず、後述の予測モデルの生成において機械学習の際の教師データとして用いた商品属性に係るデータに対応したデータを、できる限り多く含むことが好ましい。
The product data D2 includes, for example, product ID data D2-1, store opening data D2-2, product content data D2-3, type data D2-4, regular price data D2-5, and product identification code data. Includes D2-6, average review score data D2-7, average delivery period data D2-8, and inventory quantity data D2-9.
The data included in the product data D2 is not limited to the above, and includes as much data as possible corresponding to the data related to the product attributes used as the teacher data during machine learning in the generation of the prediction model described later. Is preferable.
商品ＩＤデータＤ２−１は、商品ごとに設定された識別情報である商品ＩＤに係るデータである。
出店者データＤ２−２は、当該商品を電子商取引に係るウェブサイトを利用してユーザに販売する出店者に係るデータであり、例えば、当該出店者の出店者ＩＤを記憶するようにすればよい。
商品内容データＤ２−３は、各商品の商品内容（例えば、商品名、商品説明、商品写真等を含む各商品がいかなる商品であるかをユーザが認識することができる内容）に係るデータである。
種別データＤ２−４は、例えば衣料品、食料品、電化製品等の各商品の商品種別に係るデータあり、例えば、所定の複数のカテゴリーから出店者が選択することによって設定される。種別データＤ２−４としては、食料品、衣料品といった広いカテゴリーから選択するようにしてもよいが、食料品の中から生鮮食品、加工食品等を選択できるようにする等、さらに細かいカテゴリーから選択できるようにすることが好ましい。
通常価格データＤ２−５は、出店者が当該商品につき設定した、クーポン非適用時のユーザへの販売価格（以下、「通常価格」という。）に係るデータである。
商品識別コードデータＤ２−６は、例えばＥＡＮコード（日本の規格としてはＪＡＮコード）等の当該商品に設定された商品識別コードに係るデータである。なお、商品識別コードが設定されていない商品については、商品データＤ２は商品識別コードデータＤ２−６を含まないこととなる。
平均レビュー点数データＤ２−７は、所定の電子商取引に係るウェブサイトにおける当該商品に係るユーザのレビューの平均点数に係るデータである。例えば５点満点のレビューで平均点数が３．５点であれば、当該点数が含まれる。なお、本データは上記ウェブサイトにおけるレビューの平均点数の変動に応じて常に最新の情報に更新されるようにすることが好ましい。
平均配送期間データＤ２−８は、当該商品につき、所定の電子商取引に係るウェブサイトを利用して、ユーザが出店者データＤ２−２に係る出店者から購入した場合の、注文から商品の配達までの期間の平均値に係るデータである。
在庫数データＤ２−９は、出店者データＤ２−２に係る出店者が各商品につきユーザに販売可能な在庫数に係るデータである。
The product ID data D2-1 is data related to the product ID, which is the identification information set for each product.
The store opening data D2-2 is data related to a store opening person who sells the product to a user using a website related to electronic commerce. For example, the store opening person ID of the store opening person may be stored. ..
Product content data D2-3 is data related to the product content of each product (for example, content that allows the user to recognize what kind of product each product is, including the product name, product description, product photo, etc.). ..
The type data D2-4 has data related to the product type of each product such as clothing, foodstuffs, and electric appliances, and is set by, for example, being selected by a store operator from a plurality of predetermined categories. The type data D2-4 may be selected from a wide category such as foodstuffs and clothing, but can be selected from more detailed categories such as allowing selection of fresh foods, processed foods, etc. from foodstuffs. It is preferable to be able to do it.
The regular price data D2-5 is data related to the selling price (hereinafter, referred to as “regular price”) to the user when the coupon is not applied, which is set by the store owner for the product.
The product identification code data D2-6 is data related to the product identification code set for the product, such as an EAN code (JAN code as a Japanese standard). For products for which a product identification code has not been set, the product data D2 does not include the product identification code data D2-6.
The average review score data D2-7 is data relating to the average score of the user's review of the product on the website related to the predetermined electronic commerce. For example, if the average score is 3.5 points in a review with a maximum of 5 points, the score is included. It is preferable that this data is always updated with the latest information according to the fluctuation of the average score of the reviews on the above website.
The average delivery period data D2-8 is from the order to the delivery of the product when the user purchases the product from the store owner related to the store owner data D2-2 using the website related to the predetermined electronic commerce. It is the data related to the average value of the period of.
The inventory quantity data D2-9 is data relating to the inventory quantity that can be sold to the user for each product by the store owner according to the store owner data D2-2.
商品データＤ２は、商品ＩＤデータＤ２−１、出店者データＤ２−２、商品内容データＤ２−３、種別データＤ２−４、通常価格データＤ２−５、商品識別コードデータＤ２−６及び在庫数データＤ２−９については、例えば、各出店者に、電子商取引に係るウェブサイトにおいてユーザに販売することを希望する商品が生じる度に出店者端末２を用いて入力させ、入力された情報を、通信ネットワークＮを介して通信部１３により、サーバ装置１が取得するようにすればよい。
また、平均レビュー点数データＤ２−７及び平均配送期間データＤ２−８については、例えば上記データをサーバ装置１が出店者端末２から取得した場合に、管理者が操作部１５を用いて適宜入力するか、他の端末を用いて管理者が入力したものを通信ネットワークを介して通信部１３によって取得してもよいし、電子商取引に係るウェブサイトを運営するための他のシステムと連動し、自動的に通信ネットワークＮを介して通信部１３によって最新のデータが取得されるようにしてもよい。
The product data D2 includes product ID data D2-1, store owner data D2-2, product content data D2-3, type data D2-4, regular price data D2-5, product identification code data D2-6, and inventory quantity data. Regarding D2-9, for example, each store is made to input using the
Further, regarding the average review score data D2-7 and the average delivery period data D2-8, for example, when the
図３に、商品情報記憶部１２４の記憶内容の一例を示す。本図に示すように、商品情報記憶部１２４には、各出店者が電子商取引に係るウェブサイトを利用してユーザに販売する複数の商品につき、商品ＩＤデータＤ２−１と、出店者データＤ２−２と、商品内容データＤ２−３と、種別データＤ２−４と、通常価格データＤ２−５と、商品識別コードデータＤ２−６と、平均レビュー点数データＤ２−７と、平均配送期間データＤ２−８と、在庫数データＤ２−９と、が紐付けられて記憶されていることとなる。
FIG. 3 shows an example of the stored contents of the product
なお、図３においては、商品情報記憶部１２４の記憶内容の一部のみを図示しいているが、出店者によっては、単独で数百から数千の商品を販売することもあり、実際には遥かに多数の商品に係るデータが記憶されていることとなる。
Although only a part of the stored contents of the product
［（３） 通信部］
通信部１３は、サーバ装置１と、出店者端末２、との間の通信に用いられる部分であり、例えば、通信用ＩＣ（Integrated Circuit）及び通信コネクタなどを有する通信インターフェイスであり、制御部１１の制御の元、所定の通信プロトコルを用いて、通信ネットワークＮを介したデータ通信を行う。
[(3) Communication section]
The
［（４） 表示部］
表示部１４は、例えば、ＬＣＤ（Liquid Crystal Display）等の表示画面を備え、制御部１１から出力された表示制御信号に基づいた画像を表示画面に表示する。
[(4) Display]
The
［（５） 操作部］
操作部１５は、例えば、文字入力キー、数字入力キー、その他各種機能に対応付けられたキーを有するキーボード等を備え、例えば、管理者からの操作入力を受け付けて、操作入力に応じた操作信号を制御部１１へと出力する。操作部１５は、例えば、表示部１４と一体的に形成されたタッチパネル等であってもよい。
[(5) Operation unit]
The
［２ 出店者端末］
出店者端末２は、電子商取引に係るウェブサイトを利用してユーザに商品を販売する各出店者が保有するＰＣ等の情報機器であり、後述のように、各出店者が設定した割引率及び割引総額の上限に係るデータを含む予測条件に係るデータのサーバ装置１への送信や、サーバ装置１において予測された最適な割引率に係るデータのサーバ装置１からの取得等を行う。
出店者端末２は、図１に示すように、例えば、サーバ装置１と同様に、制御部２１と、記憶部２２と、通信部２３と、表示部２４と、操作部２５と、を備えて構成されている。また、通信部２３から通信ネットワークＮを介してサーバ装置１と接続され、サーバ装置１との間でデータを送受信可能とされている。
[2 Store owner terminal]
The
As shown in FIG. 1, the
［３ 通信ネットワーク］
通信ネットワークＮは、例えば、インターネット、電話回線網、携帯電話通信網、無線ＬＡＮ通信網等であり、図１に示すように、サーバ装置１と、出店者端末２と、の間を接続する。
通信ネットワークＮとしては、上記のように各装置間を繋ぎ、これらの間でデータの送受信を行うことが可能なものであれば特に限定されない。
[3 Communication network]
The communication network N is, for example, the Internet, a telephone line network, a mobile phone communication network, a wireless LAN communication network, or the like, and connects between the
The communication network N is not particularly limited as long as it can connect each device as described above and transmit / receive data between them.
［第２ 動作の説明］
以下、本実施形態に係る情報処理システム１００の使用時の動作の流れについて説明する。情報処理システム１００の動作は、図４のフローチャートに示すように、ステップＳ１からＳ３の３つのステップからなる。
[Explanation of the second operation]
Hereinafter, the flow of operation when the
［１ ステップＳ１：予測対象及び予測条件の設定］
出店者は、本システムを利用してクーポンによる最適な割引率につき予測することを希望する場合、予測対象及び予測条件の設定を行う。具体的には以下の通りである。
[1 Step S1: Setting of Prediction Target and Prediction Condition]
If the store owner wishes to use this system to predict the optimum discount rate for coupons, he / she sets the prediction target and prediction conditions. Specifically, it is as follows.
出店者は、まず、クーポンによる最適な割引率につき予測することを希望する対象商品を指定する。具体的には、出店者は、出店者端末２の操作部２５を用いて、サーバ装置１の商品情報記憶部１２４に商品データＤ２として記憶された当該出店者が電子商取引に係るウェブサイトに出品している商品から、クーポンによる最適な割引率につき予測することを希望する商品を選択して、又はクーポンによる最適な割引率につき予測することを希望しない商品を選択して、入力すればよい。後者の場合、当該出店者が電子商取引に係るウェブサイトに出品している残りの全ての商品につき、最適な割引率の予測の対象として選択したこととなる。
The store owner first specifies the target product for which he / she wants to predict the optimum discount rate by the coupon. Specifically, the store owner uses the
続いて、出店者は、最適な割引率の予測の対象とした各商品につき予測条件の設定を行う。具体的には、出店者は、各商品につき、割引率及び割引総額（割引により通常価格から減額される金額の当該商品に係る合計額）の上限につき設定の上、操作部２５を用いて入力することとなる。
割引率の上限としては、予測対象とした各商品につき、割引率の上限値を、例えば、１０％、２０％等の具体的な値で入力すればよい。また、割引総額の上限としては、予測対象とした各商品につき、割引総額の上限値を、例えば、２０万円、３０万円等の具体的な金額で入力すればよい。
設定方法は特に限定されず、例えば、各商品につき個別に定めてもよいし、全商品につき一律に定めてもよいし、商品種別ごとに定めてもよい。
Subsequently, the store owner sets the prediction conditions for each product for which the optimum discount rate is predicted. Specifically, the store owner sets the upper limit of the discount rate and the total discount amount (the total amount of the amount reduced from the normal price by the discount) for each product, and then inputs using the
As the upper limit of the discount rate, the upper limit of the discount rate may be input as a specific value such as 10% or 20% for each product to be predicted. Further, as the upper limit of the total discount amount, the upper limit value of the total discount amount may be entered as a specific amount such as 200,000 yen or 300,000 yen for each product to be predicted.
The setting method is not particularly limited, and for example, it may be set individually for each product, uniformly for all products, or set for each product type.
これらのデータが入力されると、出店者端末２においては、制御部２１が、出店者による対象商品の指定に係るデータ（対象商品データＤ３）及び各対象商品に設定された予測条件に係るデータ（予測条件データＤ４）を、図５に示すように通信部２３から通信ネットワークＮを介してサーバ装置１に送信する。
When these data are input, in the
［２ ステップＳ２：最適な割引率の予測］
出店者端末２から対象商品データＤ３及び予測条件データＤ４を取得すると、続いてサーバ装置１においては、制御部１１が、対象商品データＤ３においてクーポン発行の対象とされた各商品について、最適な割引率を予測する。
[2 Step S2: Prediction of Optimal Discount Rate]
When the target product data D3 and the prediction condition data D4 are acquired from the
具体的には、制御部１１は、対象商品ごとに、割引率０％から出店者が設定した予測条件データＤ４に係る割引率の上限又は割引総額の上限に至るまで、１％刻みで、各割引率の際に予想される当該商品の通常価格時の売上総額から割引総額を引いた金額（なお、この金額を、本発明においては「準利益」という。）を算出した上で、各対象商品につき、準利益が最大となると予測される割引率を、当該対象商品の販売により生じる利益が最大となる最適な割引率として予測する。
なお、準利益は、例えば、通常価格が１０００円の商品につき、割引率が１０％で１００個売れたとすると、１，０００円×１００個−１，０００円×１０％×１００個＝９０，０００円と算出されることとなる。
Specifically, the
The quasi-profit is, for example, 1,000 yen x 100 pieces-1,000 yen x 10% x 100 pieces = 90, assuming that 100 pieces are sold at a discount rate of 10% for a product with a regular price of 1000 yen. It will be calculated as 000 yen.
出店者の各商品の販売による利益は、本来、商品の通常価格時の売上総額、すなわち、当該商品の通常価格（通常価格データＤ２−５に係る、出店者が当該商品につき設定したクーポン非適用時のユーザへの販売価格）に販売数量を掛けた額から、クーポンによる割引総額、すなわち、当該商品の割引額に販売数量を掛けた額を引き、さらに、商品の仕入れ総額及びその他の諸経費を引かなければ算出できないが、このうち商品の仕入れ総額及びその他の諸経費は、情報処理システム１００の管理者には知り得ない情報である。
The profit from the sale of each product of the store owner is originally the total sales at the normal price of the product, that is, the normal price of the product (regarding the normal price data D2-5, the coupon set by the store owner for the product is not applied. The total discount amount by the coupon, that is, the discount amount of the product multiplied by the sales quantity is subtracted from the amount obtained by multiplying the sales price to the user at the time), and the total purchase amount of the product and other expenses. However, the total purchase amount of the product and other expenses are information that the administrator of the
そこで、本システムは、このような仕入れ総額及びその他の諸経費を考慮に入れず、商品の通常価格時の売上総額から、クーポンによる割引総額を引いた額として定義される準利益に着目する。すなわち、このような準利益は、上記のように、出店者の各商品の販売による利益そのものではないものの、一般にこのような準利益が高くなるほど、商品の仕入れ総額及びその他の諸経費を差し引いた実際の利益も高くなることが予測されることから、これが最大となると予測される割引率の際に、利益も最大となると予測するものである。 Therefore, this system does not take into account the total purchase amount and other expenses, and focuses on the quasi-profit defined as the amount obtained by subtracting the total discount amount by the coupon from the total sales amount at the normal price of the product. That is, such a quasi-profit is not the profit itself from the sale of each product of the store owner as described above, but in general, the higher the quasi-profit, the more the total purchase amount of the product and other expenses are deducted. Since the actual profit is also expected to be high, it is predicted that the profit will be the maximum at the discount rate that is expected to be the maximum.
このような準利益は、以下の式で表すことができる。なお、ここでｐｉは商品ｉの通常価格データＤ２−５に係る出店者が設定した通常価格、ｄｉは最適化の対象となる変数である商品ｉの割引率、ｍｉ（ｄｉ）は割引率がｄｉのときの当該商品の予測注文数量を表す。
なお、ｍｉ（ｄｉ）に係る予測モデルの生成方法については、「第３ 予測モデルの生成について」において詳述する。
Such a quasi-profit can be expressed by the following formula. Here, p i commodity i usually normal price that merchants have been set according to the price data D2-5, d i is the discount rate of commodity i is a variable to be optimized of, m i (d i) the discount rate represents a prediction order quantity of the commodity at the time of d i.
Note that the generation method of the prediction model according to m i (d i), is described in detail in "The generation of the third predictive model".
上記式に基づき、例えば、商品ｉの通常価格が１００円であったとすると、以下のようにして最適な割引率が予測される。 Based on the above formula, for example, assuming that the normal price of the product i is 100 yen, the optimum discount rate is predicted as follows.
まず、ｍｉ（ｄｉ）が、割引率０％のときの予測注文数量が１０個であるとするものであったとすると、１００円×［（１−０）×１０］＝１，０００円が商品ｉに係る準利益となる。
また、ｍｉ（ｄｉ）が、割引率１％のときの予測注文数量が１２個であるとするものであったとすると、１００円×［（１−０．０１）×１２］＝１，１８８円が商品ｉに係る準利益となる。
また、ｍｉ（ｄｉ）が、割引率２％のときの予測注文数量が１３個であるとするものであったとすると、１００円×［（１−０．０２）×１３］＝１，２７４円が商品ｉに係る準利益となる。
First, m i (d i) is the prediction order quantity when the discount rate of 0% is assumed to be one that is 10, 100 yen × [(1-0) × 10] = 1,000 yen Is the quasi-profit related to the product i.
Also, m i (d i) is the prediction order quantity when the discount rate of 1% is assumed to be intended to be a 12, 100 yen × [(1-0.01) × 12] = 1, 188 yen is the quasi-profit related to the product i.
Also, m i (d i) is the prediction order quantity when the discount rate of 2% is assumed to be intended to be a 13, 100 yen × [(1-0.02) × 13] = 1, 274 yen is the quasi-profit related to the product i.
制御部１１は、このような計算を、予測条件データＤ４に係る出店者が設定した当該商品の割引率の上限（例えば上限が３０％と設定されていれば３０％）まで１％刻みで行った上で、算出された準利益の額が最大となるｄｉを、準利益が最大となる最適な割引率として予測する。なお、割引率が上限に達しなくても、割引総額、すなわち、通常価格×割引率×予測注文数量で算出される金額が、予測条件データＤ４に係る割引総額の上限に達した場合には、これを超えない範囲内の割引率のうちで、算出された準利益の額が最大となるｄｉを、準利益が最大となる最適な割引率として予測することとなる。
The
なお、このような予測を式で表すとすると、以下のように表すことができる。 If such a prediction is expressed by an equation, it can be expressed as follows.
制御部１１は、ステップＳ１において出店者が最適な割引率の予測の対象とした全ての商品につき、上記のようにして最適な割引率を予測する。
The
［３ ステップＳ３ 予測結果の提供］
対象商品データＤ３に係る各対象商品につき、最適な割引率の予測が完了すると、制御部１１は、予測された各対象商品に係る最適な割引率に係るデータ（予測結果データＤ５）を、図５に示すように、通信部１３から通信ネットワークＮを介して、出店者端末２へと送信する。
なお、この際には、上記において、割引率０％、すなわち割引を行わない状態が最適であると予測された対象商品を除き、割引の効果のある対象商品に係るデータのみが、一覧的に送信されることとなる。
[Providing 3 steps S3 prediction results]
When the prediction of the optimum discount rate for each target product related to the target product data D3 is completed, the
At this time, in the above, only the data related to the target products for which the discount is effective are listed, except for the target products for which the discount rate is 0%, that is, the target products for which the state without discount is predicted to be optimal. It will be sent.
予測結果データＤ５を通信部２３によって受信した出店者端末２においては、制御部２１が、受信したデータを、表示部２４に表示する。これによって、出店者は、各対象商品につき、準利益が最大となることが予測される最適な割引率を確認することが可能となる。
その後に、各出店者は、受信したデータに従って、電子商取引に係るウェブサイトに出品している商品データＤ２に係る商品につき、クーポンの割引率を設定することで、本システムによって予測される最適な割引率を適用することが可能となる。
In the
After that, each store owner sets a coupon discount rate for the product related to the product data D2 exhibited on the website related to electronic commerce according to the received data, and thereby the optimum predicted by this system. It is possible to apply a discount rate.
なお、上記のように出店者が予測された割引率の確認及び当該割引率の適用作業を行うことを要せず、サーバ装置１において、制御部１１が、予測結果データＤ５に係る割引率を、電子商取引に係るウェブサイトに出品されている対象商品データＤ３に係る商品に自動的に適用し、クーポンが自動的に発行されるようにしてもよい。
It should be noted that, as described above, it is not necessary for the store owner to confirm the predicted discount rate and apply the discount rate, and in the
［第３ 予測モデルの生成について］
クーポンによる商品の割引率と、当該商品の注文数量との間には、一般に相関関係が認められる。すなわち、通常クーポンによる商品の割引率が高くなる程、注文数量は増加することが予測される。また、このような相関関係は、当該商品の属性、すなわち、当該商品がいかなる商品であるかによっても影響を受け、あらゆる商品につき一律ではないことが予測される。
[About the generation of the third prediction model]
There is generally a correlation between the discount rate of a product by coupon and the order quantity of the product. That is, it is expected that the order quantity will increase as the discount rate of the product by the normal coupon increases. In addition, such a correlation is affected by the attributes of the product, that is, what kind of product the product is, and it is predicted that it is not uniform for all products.
そこで、本実施形態においては、注文数量を予測するための予測モデルの一例として、図６に示すように、商品の属性及びクーポンによる割引率を入力として、当該商品の注文数量を出力する学習モデルを用いて、ｍｉ（ｄｉ）、すなわち、商品ｉに係る割引率がｄｉのときの当該商品の注文数量を予測する。 Therefore, in the present embodiment, as an example of a prediction model for predicting the order quantity, as shown in FIG. 6, a learning model that outputs the order quantity of the product by inputting the product attribute and the discount rate by the coupon. using, m i (d i), i.e., the discount rate of the product i to predict the order quantity of the product at the time of d i.
学習モデルは、ニューラルネットワークなど公知の機械学習アルゴリズムを利用して生成することができる。
機械学習アルゴリズムに入力する教師データは、例えば、所定の電子商取引に係るウェブサイトにおける注文履歴を基に、販売された各商品の商品属性及び各商品に適用されたクーポンによる通常価格からの割引率と、各商品の注文数量と、を紐付けることで作成することができる。
The learning model can be generated by using a known machine learning algorithm such as a neural network.
The teacher data input to the machine learning algorithm is, for example, the product attribute of each product sold and the discount rate from the regular price based on the coupon applied to each product, based on the order history on the website related to the predetermined electronic commerce. And the order quantity of each product can be linked to create the product.
商品属性に係るデータとしては、例えばＪＡＮコード（ＥＡＮコード）等の商品識別コードにより、商品を明確に特定できる場合には、当該データが含まれる。
ここで、全ての商品につき、商品識別コードによって明確に特定できることが好ましいものの、実際には、あらゆる商品につき商品識別コードが付されているわけではないことから、機械学習アルゴリズムに入力する教師データとしては、各商品の属性に係るデータとして、商品識別コードのみならず、各商品につき、他の種々の情報を含む。
The data related to the product attribute includes the data when the product can be clearly identified by the product identification code such as the JAN code (EAN code).
Here, although it is preferable that all products can be clearly identified by the product identification code, in reality, the product identification code is not attached to all products, so as teacher data to be input to the machine learning algorithm. Includes not only the product identification code but also various other information about each product as data related to the attributes of each product.
例えば、所定のカテゴリーに分けられた商品種別のいずれに該当する商品であるか、所定の電子商取引に係るウェブサイトにおけるレビューの平均点数、所定の電子商取引に係るウェブサイトで注文した場合の注文から配送までに要する平均期間、所定の電子商取引に係るウェブサイトにおける当該商品の通常価格等に係る情報を含むこととなる。
さらに、新品又は中古の区別、所定の電子商取引に係るウェブサイトにおける検索数等のデータを含むことも可能である。
また、注文数量としては、例えば、所定の電子商取引に係るウェブサイトにおける商品ごとの一日あたりの注文数量に係るデータを過去の所定期間分用いればよい。
なお、商品の属性に係るデータとしては、注文数量の集計の対象とする日の当時のデータを用いることが望ましいが、入手できないものについては、予測モデル生成時点でのデータで代替することも可能である。
For example, from which of the product types classified into the predetermined category, the average score of the reviews on the website related to the predetermined e-commerce, and the order when the order is placed on the website related to the predetermined e-commerce. It will include information on the average period required for delivery, the regular price of the product on the website related to the prescribed electronic commerce, and so on.
Furthermore, it is also possible to include data such as the distinction between new and used, and the number of searches on the website related to a predetermined electronic commerce.
Further, as the order quantity, for example, the data related to the daily order quantity for each product on the website related to the predetermined electronic commerce may be used for the past predetermined period.
As the data related to the product attributes, it is desirable to use the data at the time of the date when the order quantity is to be aggregated, but if it is not available, it can be replaced with the data at the time of forecast model generation. Is.
本実施形態においては、サーバ装置１は、上記のようにして生成された学習モデルを取得の上、予測モデル１２２として記憶部１２に記憶している。
そこで、制御部１１は、このような学習モデルを用いて、最適な割引率につき予測する対象となる各対象商品につき、商品データＤ２として記憶部１２の商品情報記憶部１２４に記憶された商品の属性に係るデータ、すなわち、本実施形態においては、種別データＤ２−４に係る商品種別、通常価格データＤ２−５に係る通常価格、商品識別コードデータＤ２−６に係る商品識別コード、平均レビュー点数データＤ２−７に係る平均レビュー点数、平均配送期間データＤ２−８に係る平均配送期間等のデータを、割引率の数値と共に学習モデルに入力することで、ｍｉ（ｄｉ）、すなわち、商品ｉに係る割引率がｄｉのときの当該商品の注文数量につき予測することが可能となる。
In the present embodiment, the
Therefore, the
なお、予測時の入力データとしても、商品属性は、商品識別コードによって明確に特定できるものであることが好ましいものの、あらゆる商品につき商品識別コードが付されているわけではないことから、商品属性に係る入力データとしても、商品識別コードデータＤ２−６のみならず、学習モデル作成時の教師データに対応した項目を含む種々の項目のデータを入力することとなる。 As for the input data at the time of prediction, it is preferable that the product attribute can be clearly identified by the product identification code, but since the product identification code is not attached to all the products, the product attribute is included in the product attribute. As the input data, not only the product identification code data D2-6 but also the data of various items including the items corresponding to the teacher data at the time of creating the learning model are input.
なお、サーバ装置１が、上記学習モデルを取得する手段は特に限定されず、上記のような教師データを用いた機械学習により、制御部１１により自ら学習モデルを生成してもよいし、他の装置において生成された学習モデルを、通信部１３により通信ネットワークＮを介して取得してもよい。前者の場合、制御部１１が本発明における第１取得手段に該当し、後者の場合、通信部１３が本発明における第１取得手段に該当することとなる。
The means by which the
［第４ 効果の説明］
本実施形態に係る情報処理システム１００によれば、サーバ装置１において、商品の属性及び通常価格からの割引率と、当該商品の注文数量と、が紐付けられたデータを教師データとして用いて生成された学習モデルに、商品データＤ２に係る対象商品の属性に係る情報と、複数の割引率の数値と、を入力し、複数の割引率の数値に対応した注文数量を予測することで、対象商品の販売により生じる準利益が最大となる割引率、ひいては対象商品の販売により生じる利益が最大となる割引率を予測することが可能となる。
[Explanation of the 4th effect]
According to the
また、本実施形態に係る情報処理システム１００によれば、商品の仕入れ総額及びその他の諸経費を考慮に入れず、商品の通常価格時の売上総額から、クーポンによる割引総額を引いた額として定義される準利益に着目し、このような準利益が最大となる割引率を予測し、当該割引率の際に利益も最大となると予測することから、システム管理者が通常知り得ない商品の仕入れ総額及びその他の諸経費を用いることなく、対象商品の販売による出店者の利益を最大化する上で最適な割引率を予測することが可能となる。
Further, according to the
また、本実施形態に係る情報処理システム１００によれば、出店者端末２から、対象商品データＤ３として、出店者が指定した最適な割引率の予測の対象とする商品又は対象としない商品の一覧に係るデータを取得し、出店者が対象として指定した又は出店者が対象外として指定しなかった全ての商品につき、上記のような最適な割引率の予測がなされることで、出店者は、予測を希望する商品全てにつき、一覧的に最適な割引率に係るデータを取得することが可能となる。
Further, according to the
また、本実施形態に係る情報処理システム１００によれば、出店者端末２から、対象商品ごとに、割引率及び割引総額の上限に係る情報を含む予測条件データＤ４を取得し、予測条件データＤ４に係る上限の範囲内で最適な割引率が予測されることから、ユーザの希望する上限の範囲内での予測を行うことが可能となる。
Further, according to the
また、本実施形態に係る情報処理システム１００によれば、予測条件データＤ４に係る割引率及び割引総額の上限まで、１パーセント刻みで全ての割引率の数値に対応した注文数量を予測することで、より正確に、最適な割引率につき予測することが可能となる。
Further, according to the
［第５ 変形例］
以下、上記実施形態の変形例について説明する。
[Fifth variant example]
Hereinafter, a modified example of the above embodiment will be described.
［１ 予測モデルの生成について］
学習モデルの生成時に機械学習アルゴリズムに入力する教師データとしては、上記においては、所定の電子商取引に係るウェブサイトにおける注文履歴を基に、販売商品の属性及び適用されたクーポンによる割引率と、当該商品の注文数量と、を紐付けたデータを用いる場合につき説明したが、注文数量と紐付けられるデータは商品属性及びクーポンによる割引率のみには限られない。
[1 Generation of prediction model]
As the teacher data to be input to the machine learning algorithm when the learning model is generated, in the above, based on the order history on the website related to the predetermined electronic commerce, the attributes of the products for sale and the discount rate based on the applied coupon, and the relevant The case of using the data associated with the order quantity of the product has been described, but the data associated with the order quantity is not limited to the product attribute and the discount rate by the coupon.
例えば、商品属性及びクーポンによる割引率に加え、例えば、所定の電子商取引に係るウェブサイトにおける出店者に対するレビューの平均点数等を含む出店者の属性に係る情報が、注文数量と紐づけられたデータを用いるようにしてもよい。この場合、当該学習モデルを用いた予測時に入力する情報も、これに対応して出店者の属性に係る情報を含むことが求められる。 For example, in addition to product attributes and discount rates based on coupons, information related to store owner attributes, including, for example, the average score of reviews for store owners on a website related to a predetermined electronic commerce, is data linked to the order quantity. May be used. In this case, the information to be input at the time of prediction using the learning model is also required to include the information related to the attributes of the store owner correspondingly.
また、例えば、商品属性及びクーポンによる割引率に加え、例えば、所定の電子商取引に係るウェブサイトにおける閲覧した商品の履歴等を含むユーザの属性に係る情報が、注文数量と紐づけられたデータを用いるようにしてもよい。この場合、当該学習モデルを用いた予測時に入力する情報も、これに対応してユーザの属性に係る情報を含むことが求められる。 Further, for example, in addition to the product attribute and the discount rate by the coupon, the information related to the user attribute including the history of the product browsed on the website related to the predetermined electronic commerce, for example, is the data associated with the order quantity. You may use it. In this case, the information to be input at the time of prediction using the learning model is also required to include the information related to the user's attribute correspondingly.
また、例えば、商品の種別等に応じて設定された所定の商品区分ごとに個別に機械学習を行って、複数の学習モデルを作成の上、対象商品の商品区分に応じて入力する学習モデルを選択するようにしてもよい。 Further, for example, a learning model is input according to the product category of the target product after creating a plurality of learning models by individually performing machine learning for each predetermined product category set according to the product type and the like. You may choose.
また、割引率ごとの注文数量を予測する予測モデルとしては、上記のようにニューラルネットワークなど公知の機械学習アルゴリズムを利用して生成した学習モデルを使用することが好ましいが、使用する予測モデルは必ずしもこのような学習モデルに限られるものではない。 Further, as a prediction model for predicting the order quantity for each discount rate, it is preferable to use a learning model generated by using a known machine learning algorithm such as a neural network as described above, but the prediction model to be used is not always It is not limited to such a learning model.
例えば、割引率を独立変数、注文数量を従属変数とする回帰分析を行い、当該回帰分析によって生成された線形モデル等を用いてもよい。この場合も、商品の種別等に応じて設定された所定の商品区分ごとに個別に回帰分析を行い、対象商品の商品区分に応じて入力するモデルを選択するようにして用いるようにしてもよい。 For example, a regression analysis may be performed with the discount rate as the independent variable and the order quantity as the dependent variable, and a linear model generated by the regression analysis may be used. In this case as well, regression analysis may be performed individually for each predetermined product category set according to the product type, etc., and the model to be input may be selected according to the product category of the target product. ..
また、上記においては、学習モデルの生成に、教師データを用いるいわゆる教師あり学習を用いる場合につき説明したが、これに限られず、例えば、教師データを必要としないいわゆる教師なし学習を用いてもよい。
また、例えば、遺伝的アルゴリズム等の進化的アルゴリズムを用いてもよい。
Further, in the above, the case where so-called supervised learning using teacher data is used for generating the learning model has been described, but the present invention is not limited to this, and for example, so-called unsupervised learning that does not require teacher data may be used. ..
Further, for example, an evolutionary algorithm such as a genetic algorithm may be used.
その他、商品の属性及び通常価格からの割引率を用いて当該商品の注文数量を予測することが可能なものであれば、任意のアルゴリズムによって生成されたモデルを使用することが可能である。 In addition, a model generated by an arbitrary algorithm can be used as long as the order quantity of the product can be predicted using the attributes of the product and the discount rate from the regular price.
［２ 効果実証のための構成の追加］
上記のようにして最適化された割引率の効果を実証するため、所定の効果実証のための構成を加えてもよい。
[2 Addition of configuration for effect demonstration]
In order to demonstrate the effect of the discount rate optimized as described above, a configuration for demonstrating a predetermined effect may be added.
例えば、サーバ装置１から最適な割引率につき提案を受け出店者に関し、当該出店者が、電子商取引に係るウェブサイト上において、当該割引率を適用した場合に、当該出店者から上記ウェブサイトを利用して商品を購入するユーザの全てに本システムの提案に係る割引率を適用することなく、ユーザを複数のグループに分け、特定のグループには本システムの提案に係る割引率を適用する一方、他のグループには異なる割引率（例えば全ての商品につき一律５％等）を適用する。
For example, regarding a store owner who receives a proposal for an optimum discount rate from the
サーバ装置１において、所定の期間における本システムの提案に係る割引率を適用したユーザのグループに係る注文数量と、異なる割引率を適用したユーザのグループに係る注文数量と、に係るデータを、例えば通信ネットワークＮを介して通信部１３により取得の上、それぞれに係る準利益を算出することで、本システムの提案に係る割引率の適用により、実際に準利益を向上する効果を得ることができている否かについて検証することが可能となる。
In the
［３ 直接の利益の予測］
上記においては、各割引率の際に予想される当該商品の通常価格時の売上総額から、割引総額を引いた金額（準利益）が最大となる割引率を予測することにより、利益が最大となる割引率を予測する場合につき説明したが、これに限られず、例えば、出店者から仕入れ総額及びその他の諸経費に係るデータを取得することが可能である場合には、通常価格時の売上総額から、クーポンによる割引総額に加え、商品の仕入れ総額及びその他の諸経費を引いて算出される出店者の実際の利益につき、商品ごとに、割引率０％から出店者が設定した割引率又は割引総額の上限に達するまで、１％刻みで、上記のような学習モデルによって予測される割引率ごとの注文数量を用いて算出し、実際の利益が最大となる割引率を直接予測するようにしてもよい。
[3 Direct profit forecast]
In the above, the profit is maximized by predicting the discount rate that maximizes the amount (quasi-profit) obtained by subtracting the total discount amount from the total sales amount at the normal price of the product expected at each discount rate. The case of predicting the discount rate is not limited to this, but for example, if it is possible to obtain data on the total purchase amount and other miscellaneous expenses from the store owner, the total sales amount at the normal price. The discount rate or discount set by the store owner from 0% for each product for the actual profit of the store owner calculated by subtracting the total purchase amount of the product and other expenses in addition to the total discount amount by the coupon. Until the upper limit of the total amount is reached, it is calculated in 1% increments using the order quantity for each discount rate predicted by the learning model as described above, and the discount rate that maximizes the actual profit is directly predicted. May be good.
［４ ユーザごとの割引率の変更］
上記実施形態においては、ユーザごとに割引率を変更することなく、商品ごとに一律の割引率を最適な割引率として出店者に提案する場合につき説明したが、ユーザの属性に応じて割引率を調整するようにしてもよい。
[4 Change of discount rate for each user]
In the above embodiment, the case where a uniform discount rate for each product is proposed to the store owner as the optimum discount rate without changing the discount rate for each user has been described, but the discount rate is set according to the attributes of the user. You may try to adjust.
例えば、予め出店者から注文数を増やしたいと考えているユーザの属性及び／又は注文数を増やしたいと考えていないユーザの属性についての情報を取得した上で、上記実施形態のようにして商品単位で一律に予測された割引率に対し、ユーザの属性に応じて割引率を増減させることで、ユーザが注文数を増やしたいと考えている属性のユーザほど割引率を高くするといったことが可能となる。
例えば、出店者の希望に応じ、新規ユーザの獲得を重視する出店者である場合には、新規ユーザの割引率に所定の割合を加算し、既存ユーザの引き留めを重視する出店者である場合には、当該出店者からの購入履歴のあるユーザの割引率に所定の割合を加算するといった形である。
ユーザの属性としては、上記の新規ユーザ、既存ユーザの区別の他に、例えば、どのような出店者に係るウェブページにアクセスしているかといった行動履歴に係る属性等を用いてもよい。
For example, after acquiring information about the attributes of the user who wants to increase the number of orders and / or the attributes of the user who does not want to increase the number of orders from the store owner in advance, the product is produced as in the above embodiment. By increasing or decreasing the discount rate according to the user's attributes to the discount rate uniformly predicted for each unit, it is possible to increase the discount rate for users with attributes that the user wants to increase the number of orders. It becomes.
For example, if the store is a store that emphasizes the acquisition of new users according to the wishes of the store, a predetermined ratio is added to the discount rate of the new user, and the store is that emphasizes the retention of existing users. Is in the form of adding a predetermined rate to the discount rate of a user who has a purchase history from the store owner.
As the user attribute, in addition to the above-mentioned distinction between a new user and an existing user, for example, an attribute related to an action history such as what kind of store owner is accessing a web page may be used.
［５ 季節の考慮］
機械学習時の教師データとして、例えば、所定の単語と各季節（春、夏、秋、冬）との類似度に係るデータを含むことで、当該学習モデルから、季節に応じて異なる注文数量の値が出力されるようにしてもよい。
[Consideration of 5 seasons]
As teacher data at the time of machine learning, for example, by including data related to the similarity between a predetermined word and each season (spring, summer, autumn, winter), the order quantity differs depending on the season from the learning model. The value may be output.
［６ 予測条件データの変更］
上記においては、予測条件データＤ４として、各商品につき割引率及び割引総額の両者の上限を設定する場合につき説明したが、予測条件データＤ４として、いずれかの上限のみを設定するようにすることも可能である。
この場合、割引率又は割引総額のいずれかの上限に達するまで、割引率を１％刻みで変えつつ準利益の算出を行った上で、算出された準利益の額が最大となる割引率を、準利益が最大となる最適な割引率として予測することとなる。
[6 Change of forecast condition data]
In the above, the case where the upper limit of both the discount rate and the total discount amount is set for each product as the prediction condition data D4 has been described, but it is also possible to set only one of the upper limits as the prediction condition data D4. It is possible.
In this case, the quasi-profit is calculated while changing the discount rate in 1% increments until the upper limit of either the discount rate or the total discount is reached, and then the discount rate that maximizes the calculated quasi-profit amount is set. , It will be predicted as the optimum discount rate that maximizes the quasi-profit.
１００ 情報処理システム
１ サーバ装置
１１ 制御部（第１取得手段、予測手段）
１２ 記憶部
１２１ 情報処理プログラム
１２２ 予測モデル
１２３ 出店者情報記憶部
１２４ 商品情報記憶部
１３ 通信部（第１取得手段、第２取得手段、第３取得手段、第４取得手段、第５取得手段、第６取得手段、第７取得手段）
１４ 表示部
１５ 操作部
２ 出店者端末
Ｄ２ 商品データ
Ｄ３ 対象商品データ
Ｄ４ 予測条件データ
Ｎ 通信ネットワーク
100
12
14
Claims (18)
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得手段と、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測手段と、
を備えることを特徴とする情報処理装置。 The first acquisition means for acquiring a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
A second acquisition means for acquiring target product information, which is information related to the attributes of the target product to be discounted, and
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. Predictive means to predict
An information processing device characterized by being equipped with.
前記予測手段は、前記第３取得手段が取得した一覧に含まれる全ての前記対象商品につき個別に、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする請求項１から９のいずれか一項に記載の情報処理装置。 It is equipped with a third acquisition means for acquiring data related to the list of the target products set by a store operator who sells products using a predetermined website related to electronic commerce.
The claim is characterized in that the prediction means individually predicts the discount rate at which the profit generated by the sale of the target product is maximized for all the target products included in the list acquired by the third acquisition means. The information processing apparatus according to any one of 1 to 9.
前記予測手段は、前記第４取得手段が取得した一覧に含まれる商品を除いた前記出店者が前記所定のウェブサイトを利用して販売する全ての商品につき個別に、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする請求項１から９のいずれか一項に記載の情報処理装置。 It is equipped with a fourth acquisition means for acquiring data related to a list of products that do not correspond to the target product set by a store operator who sells products using a predetermined website related to electronic commerce.
The prediction means is generated by selling the target products individually for all the products sold by the store owner using the predetermined website except for the products included in the list acquired by the fourth acquisition means. The information processing apparatus according to any one of claims 1 to 9, wherein the discount rate at which the profit is maximized is predicted.
前記予測手段は、前記予測条件に係る割引率及び／又は割引総額の上限を超えない範囲で、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする請求項１から１１のいずれか一項に記載の情報処理装置。 A fifth acquisition means for acquiring data related to forecast conditions including information on the discount rate and / or the upper limit of the total discount amount set by the store owner who sells the target product is provided.
The forecasting means predicts the order quantity corresponding to the numerical values of a plurality of discount rates within a range not exceeding the upper limit of the discount rate and / or the total discount amount related to the forecasting conditions, and thus the profit generated by the sale of the target product. The information processing apparatus according to any one of claims 1 to 11, wherein the discount rate at which is the maximum is predicted.
前記予測手段によって予測された割引率と異なる割引率を前記対象商品に適用した際の実際の注文数量に係る情報を取得する第７取得手段と、
を備えることを特徴とする請求項１から１３のいずれか一項に記載の情報処理装置。 A sixth acquisition means for acquiring information related to the actual order quantity when the discount rate predicted by the prediction means is applied to the target product, and
A seventh acquisition means for acquiring information on an actual order quantity when a discount rate different from the discount rate predicted by the prediction means is applied to the target product, and
The information processing apparatus according to any one of claims 1 to 13, further comprising.
前記予測手段は、前記対象商品情報、前記対象商品の注文者となるユーザの属性及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする請求項１から１４のいずれか一項に記載の情報処理装置。 The prediction model predicts the order quantity of the product by using the attributes of the product and the discount rate from the regular price, as well as the attributes of the user who is the orderer.
The prediction means inputs the target product information, the attributes of the user who orders the target product, and numerical values of a plurality of discount rates into the prediction model, and predicts the order quantity corresponding to the numerical values of the plurality of discount rates. The information processing apparatus according to any one of claims 1 to 14, wherein the discount rate at which the profit generated by the sale of the target product is maximized is predicted.
前記予測手段は、前記対象商品情報、前記対象商品を販売する出店者の属性及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測することを特徴とする請求項１から１４のいずれか一項に記載の情報処理装置。 The prediction model predicts the order quantity of the product by using the attributes of the product and the discount rate from the regular price, as well as the attributes of the store owner who sells the product.
The prediction means inputs the target product information, the attributes of the store owner who sells the target product, and numerical values of a plurality of discount rates into the prediction model, and predicts the order quantity corresponding to the numerical values of the plurality of discount rates. The information processing apparatus according to any one of claims 1 to 14, wherein the discount rate at which the profit generated by the sale of the target product is maximized is predicted.
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得ステップと、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測ステップと、
を含むことを特徴とする情報処理方法。 The first acquisition step to acquire a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
The second acquisition step to acquire the target product information, which is the information related to the attributes of the target product to be discounted, and
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. And the prediction steps to predict
An information processing method characterized by including.
商品の属性及び通常価格からの割引率を用いて当該商品の注文数量を予測する予測モデルを取得する第１取得手段、
割引の対象とする対象商品の属性に係る情報である対象商品情報を取得する第２取得手段、
前記対象商品情報及び複数の割引率の数値を前記予測モデルに入力し、複数の割引率の数値に対応した注文数量を予測することで、前記対象商品の販売により生じる利益が最大となる割引率を予測する予測手段、
として機能させることを特徴とする情報処理プログラム。 Computer,
The first acquisition means for acquiring a forecast model that predicts the order quantity of the product using the attributes of the product and the discount rate from the regular price.
Second acquisition means for acquiring target product information, which is information related to the attributes of the target product to be discounted,
By inputting the target product information and a plurality of discount rate numerical values into the forecast model and predicting the order quantity corresponding to the plurality of discount rate numerical values, the discount rate that maximizes the profit generated by the sale of the target product. Predictive means to predict
An information processing program characterized by functioning as.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020048044A JP6975817B2 (en) | 2020-03-18 | 2020-03-18 | Information processing equipment, information processing methods and information processing programs |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020048044A JP6975817B2 (en) | 2020-03-18 | 2020-03-18 | Information processing equipment, information processing methods and information processing programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021149445A true JP2021149445A (en) | 2021-09-27 |
| JP6975817B2 JP6975817B2 (en) | 2021-12-01 |
Family
ID=77848903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020048044A Active JP6975817B2 (en) | 2020-03-18 | 2020-03-18 | Information processing equipment, information processing methods and information processing programs |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6975817B2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113919912A (en) * | 2021-10-13 | 2022-01-11 | 广州风雷益信息技术有限公司 | Intelligent product selection method, system, equipment and readable storage medium |
| JP7413578B1 (en) | 2023-02-16 | 2024-01-15 | ＰａｙＰａｙ株式会社 | Information provision system, program, and information provision method |
| WO2024028958A1 (en) * | 2022-08-01 | 2024-02-08 | 日本電信電話株式会社 | Service provision device, service provision method, and program |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0567119A (en) * | 1991-07-12 | 1993-03-19 | Hitachi Ltd | Merchandise analyzing system |
| JP2004519021A (en) * | 2000-05-19 | 2004-06-24 | マニュジスティックス・アトランタ・インコーポレイテッド | Dynamic pricing system |
| JP2019046183A (en) * | 2017-09-01 | 2019-03-22 | 株式会社日光企画 | Information processing method and program |
| CN110852772A (en) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | Dynamic pricing method, system, device and storage medium |
-
2020
- 2020-03-18 JP JP2020048044A patent/JP6975817B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0567119A (en) * | 1991-07-12 | 1993-03-19 | Hitachi Ltd | Merchandise analyzing system |
| JP2004519021A (en) * | 2000-05-19 | 2004-06-24 | マニュジスティックス・アトランタ・インコーポレイテッド | Dynamic pricing system |
| JP2019046183A (en) * | 2017-09-01 | 2019-03-22 | 株式会社日光企画 | Information processing method and program |
| CN110852772A (en) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | Dynamic pricing method, system, device and storage medium |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113919912A (en) * | 2021-10-13 | 2022-01-11 | 广州风雷益信息技术有限公司 | Intelligent product selection method, system, equipment and readable storage medium |
| CN113919912B (en) * | 2021-10-13 | 2023-06-02 | 广州风雷益信息技术有限公司 | Intelligent product selection method, system, equipment and readable storage medium |
| WO2024028958A1 (en) * | 2022-08-01 | 2024-02-08 | 日本電信電話株式会社 | Service provision device, service provision method, and program |
| JP7413578B1 (en) | 2023-02-16 | 2024-01-15 | ＰａｙＰａｙ株式会社 | Information provision system, program, and information provision method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6975817B2 (en) | 2021-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6975817B2 (en) | Information processing equipment, information processing methods and information processing programs | |
| JP6885356B2 (en) | Recommended information identification device, recommended information identification system, recommended information identification method, and program | |
| JP4413847B2 (en) | Technology price evaluation and technology trading system and method | |
| US11468456B2 (en) | Method and system for generating purchase recommendations based on purchase category associations | |
| US20030033190A1 (en) | On-line shopping conversion simulation module | |
| CA2433898A1 (en) | Retail price and promotion modeling system and method | |
| US20210357977A1 (en) | Method for matching influencers to brands and pairing influencer videos to products for intra-video transactions | |
| CN112528153B (en) | Content recommendation method, device, apparatus, storage medium, and program product | |
| KR102068820B1 (en) | Computer program for performing registration and integrated management of goods on an online market and operation method thereof | |
| KR20200096182A (en) | Methods for Fishing Goods Recommendation Based on Big Data | |
| US20120284104A1 (en) | User customizable real-time online merchant event platform utilizing price variations and associated method for increasing web site visibility | |
| CN106682947A (en) | A time value evaluation method and system for environment sharing | |
| WO2013046465A1 (en) | Price analysis processing system and computer program | |
| CN103038791A (en) | Affiliate management device, affiliate management method, affiliate management program, and computer readable recording medium storing the program | |
| JP2021018614A (en) | Information processing device, information processing method, and information processing program | |
| US20220198488A1 (en) | Method and system for programmatic generation of survey queries | |
| JP7093400B1 (en) | Selection device, selection method and selection program | |
| Massoud et al. | A conceptual model of personalized pricing recommender system based on customer online behavior | |
| JP7482200B1 (en) | Determination device, determination method, and determination program | |
| JP6902311B1 (en) | Extraction system, extraction method, and extraction program | |
| EP3968256A1 (en) | Scheduling displays on a terminal device | |
| JP6968355B1 (en) | Information processing equipment, information processing methods and programs | |
| US20210241294A1 (en) | Dynamic group buying and product re-pricing using machine learning methods | |
| US11900317B2 (en) | Line item transaction inference using merchant data and website interaction | |
| JP7458879B2 (en) | Information processing device, information processing method, and information processing program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20200430 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200622 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210219 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210219 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210625 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210706 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210903 |
|
| 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: 20211012 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211108 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6975817 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |