JP2022027291A - 分析装置、分析方法および分析プログラム - Google Patents

Abstract

【課題】スマートフォンを用いた商品やサービス等の利用の履歴データを、効果的に利用促進に利用可能とする。【解決手段】本願に係る分析装置１０は、取得部と、特定部とを有する。取得部は、ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する。特定部は、各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する。【選択図】図１

Description

本発明は、分析装置、分析方法および分析プログラムに関する。

近年、スマートフォンを用いた商品やサービス等の決済の履歴データを店舗単位に分析し、効果的に販売促進に活用する技術が期待されている。

特開２０１４－１９４７１０号公報

しかしながら、従来技術では、店舗数が膨大で決済の履歴データが大規模であるため、決済の履歴データを店舗単位に分析することが困難であった。そのため、決済の履歴データを販売促進に活用することが困難であった。

本願は、上記に鑑みてなされたものであって、スマートフォンを用いた商品やサービス等の決済の履歴データを、効果的に販売促進に利用することができる分析装置、分析方法および分析プログラムを提供することを目的とする。

本願に係る分析装置は、ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する取得部と、各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する特定部と、を有することを特徴とする。

実施形態の一態様によれば、スマートフォンを用いた商品やサービス等の利用の履歴データを、効果的に利用促進に利用することができるという効果を奏する。

図１は、実施形態に係る分析措置が実行する分類処理の一例を示す図である。 図２は、実施形態に係る分析措置が実行する分類処理の一例を示す図である。 図３は、実施形態に係る分析装置の構成例を示す図である。 図４は、実施形態に係るユーザーデータベース情報の一例を示す図である。 図５は、実施形態に係る支払い履歴データベース情報の一例を示す図である。 図６は、実施形態に係る店舗データベースの一例を示す図である。 図７は、実施形態に係る分析装置が実行する処理手順を示すシーケンス図である。 図８は、実施形態に係る分析装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る分析装置、分析方法および分析プログラムを実施するための形態（以下、「実施形態」と記載する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る分析装置、分析方法および分析プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１－１．利用者端末を用いた決済について〕
まず、利用者端末を用いた決済（電子決済）の一例について説明する。なお、以下の説明では、店舗に配置された２次元コード（ＱＲコード（登録商標））であって、店舗を識別する店舗識別情報を示す２次元コードを用いて、利用者Ｕが利用者端末を用いた決済を行う例について説明するが、実施形態は、これに限定されるものではない。以下に説明する決済の一例は、任意の利用者が任意の利用者端末を用いて、任意の店舗にて決済を行う場合においても適用可能である。また、店舗識別情報Ｃ１は、ＱＲコード（登録商標）のみならず、バーコードや所定のマーク、番号等であってもよい。

例えば、利用者が店舗にて各種の商品やサービスといった決済対象（取引対象）の利用や購入に伴う決済を行う場合、利用者は、利用者端末に予めインストールされた決済用のアプリケーション（以下、単に「決済アプリ」と記載する場合がある）を起動する。そして、利用者は、決済アプリを介して、店舗に設置された店舗識別情報を撮影する。このような場合、利用者端末は、決済対象の価格を入力するための画面を表示し、利用者或いは店舗の店員から決済金額の入力を受け付ける。そして、利用者端末は、利用者を識別する利用者識別情報と、店舗識別情報（若しくは、店舗識別情報が示す情報、すなわち、店舗を示す情報（例えば、店舗ＩＤ））と、決済金額とを示す決済情報を決済サーバへと送信する。

このような場合、決済サーバは、利用者識別情報が示す利用者の口座から、店舗識別情報が示す店舗の口座へと、決済金額が示す額の電子マネーを移行させる。そして、決済サーバは、決済が完了した旨の通知を利用者端末へと送信する。このような場合、利用者端末は、決済が完了した旨の画面や所定の音声を出力することで、電子マネーによる決済が行われた旨を通知する。

なお、利用者端末を用いた決済は、上述した処理に限定されるものではない。例えば、利用者端末を用いた決済は、店舗に設置された店舗端末を用いたものであってもよい。例えば、利用者端末は、利用者を識別するための利用者識別情報を画面上に表示させる。このような場合、店舗に設置された店舗端末は、利用者端末に表示された利用者識別情報を読み取り、利用者識別情報（若しくは、利用者識別情報が示す情報、すなわち、利用者を示す情報（例えば、利用者ＩＤ））と、決済金額と、店舗を識別する情報とを示す決済情報を決済サーバへと送信する。このような場合、決済サーバは、利用者識別情報が示す利用者の口座から、店舗の口座へと、決済金額が示す額の電子マネーを移行させ、店舗の店舗端末或いは利用者端末に対し、決済が完了した旨の画面や所定の音声を出力させることで、決済が行われた旨を通知してもよい。

また、利用者端末を用いた決済は、利用者Ｕが予め電子マネーをチャージした口座から店舗の口座へと電子マネーを移行させる処理のみならず、例えば、利用者が予め登録したクレジットカードを用いた決済であってもよい。このような場合、例えば、利用者端末は、店舗の口座に対して決済金額の電子マネーを移行させるとともに、利用者のクレジットカードの運用会社に対し、決済金額を請求してもよい。

〔１－２．実施形態の概要〕
次に、図１および図２を用いて、実施形態に係る分析装置の概要について説明する。図１および図２は、実施形態に係る分析装置が実行する分類処理の一例を示す図である。実施形態において、利用する店舗の傾向が似ているユーザーは、地域、デモクラ、生活習慣、趣味趣向などの潜在的な傾向が似ていると考えられる。そこで、図１に示すように、実施形態に係る分析装置１０は、スマートフォンを用いた決済の履歴データを用いて、利用する店舗の傾向が似ているユーザー群（以下、ユーザークラスタと記す）に分類する。同様に、分析装置１０は、利用ユーザーの傾向が似ている店舗群（以下、店舗クラスタと記す）に分類する。

そして、分析装置１０は、各クラスタのユーザーあるいは店舗を特定し、特定結果を、例えば、解析者やサービス開発者が利用する解析装置２０に出力する。例えば解析者は、出力された特定結果を用いて、ターゲットとするシード（基準）ユーザーが属するユーザークラスタのユーザーに対して、シードユーザーが利用している店舗の利用を推奨することが可能となる。あるいは解析者は、各店舗に対しては、同一の店舗クラスタに属する他の店舗を利用するユーザークラスタのユーザーに対する広告を推奨することが可能となる。このように、分析装置１０の処理結果を用いれば、効率よく店舗の販売促進を図ることが可能となる。

具体的には、分析装置１０は、決済の履歴データのうち、各店舗における利用ユーザーの偏り度合いを特徴量として用いて、ユーザークラスタに分類する。例えば、分析装置１０は、各ユーザーの各店舗に対する利用回数等で表される出現頻度と、各店舗を利用した全ユーザー数の逆数（以下、逆利用者頻度と記す）とを用いて、各店舗における利用ユーザーの偏り度合いを表すスコアとして、ＴＦＩＤＦ（Term Frequency Inverse Document Frequency）を算出する。

例えば図２に示す例では、ユーザー１による店舗１の出現頻度は３である。また、店舗１の全ユーザー数は３であり、逆利用者頻度は１／３である。この場合のＴＦＩＤＦは、３×（１／３）＝１に準じた値になる。同様に、ユーザー２による店舗３の出現頻度は５、店舗３の全ユーザー数は１であり、逆利用者頻度は１／１である。この場合のＴＦＩＤＦは５×（１／１）＝５に準じた値となる。

なお、ＴＦＩＤＦの算出方法は上記に限定されず、単語の出現頻度（ＴＦ）と逆文書頻度（ＩＤＦ）との２つの指標を用いて文書中の単語に重み付けを行う、他の算出方法であってもよい。

また、分析装置１０は、各ユーザーの各店舗に対するスコアの組み合わせを特徴量として、同様の特徴量を示すユーザーを同一のユーザークラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シードユーザーに対する各ユーザーの類似確率を算出することにより、シードユーザーに類似するユーザーからなるユーザークラスタを抽出する。

具体的には、分析装置１０は、シードユーザーの特徴量を用いてロジスティック回帰モデル（以下、単に「モデル」と記載する場合がある。）の学習を行い、学習したモデルを用いて、シードユーザー以外の各ユーザーの類似確率を算出する。

例えば、一人もしくは複数のシードユーザーが利用した各店舗のスコアを素性とした場合に、シードユーザーを示す値の範囲（例えば、１）が出力されるように、各素性に対する重みを学習したモデルを学習する。そして、学習したモデルに対し、各ユーザーが利用した各店舗のスコアを入力する。また、モデルが出力した値に基づいて、各ユーザーとシードユーザーとの類似確率を算出する。例えば、分析装置１０は、モデルが出力した値とシードユーザーを示す値との比率に基づいて、類似確率としてもよい。

なお、モデルは、ロジスティック回帰モデル以外にも、パーセプトロンや各種のニューラルネットワークにより実現されてもよい。

そして、分析装置１０は、類似確率が所定の閾値以上のユーザーをシードユーザーと同一のユーザークラスタに分類する。例えば、分析装置１０は、Ｋ－ｍｅａｎｓ等のクラスタリング手法を用いて、全ての決済の履歴データを、ユーザークラスタごとに分類する。このように、分類の際に各ユーザーや各店舗の属性等を考慮せずに行えるので、大規模な決済の履歴データの分類を容易に行うことが可能となる。

さらに、各ユーザーによる店舗の利用態様を考慮すると、各ユーザーが各地域すべての店舗を利用するといった利用態様は考えづらく、利用者の属性（例えば、性別や居住地域等）に応じて利用店舗に偏りが生じると考えられる。この結果、決済の履歴データは、ユーザーがある店舗を利用していない旨を含む一種の行列、すなわち、スパースな行列であるとみなすことができる。このようなスパースな行列のデータについて、ＴＦＩＤＦの手法に基づき、利用者頻度と逆利用者頻度とに基づいたスコアを算出した場合、ロジスティック回帰モデルにおいて「０」以外の重みが設定されうる項は、あるシードユーザー群にとって特徴的な店舗と対応する項に限定されうる。この結果、分析装置１０は、あるシードユーザー群の特徴となり得る店舗クラスタに基づき、シードユーザーに類似するユーザーを精度よく推定することができる。

なお、ここでシードユーザーと同一のユーザークラスタに分類されるユーザーは、シードユーザーとは利用店舗が類似するが、シードユーザーとは異なる、いわゆる擬陽性に相当するユーザー、あるいは観測されていないユーザーである。例えば、属性「主婦」の擬陽性のユーザーとは、属性が「主婦」ではないが、家事を手伝う子どもや料理好きな独身男性等の主婦と同様の傾向を示すユーザーである。また、観測されていないユーザーとは、例えば、データとして観測されていない主婦である。これにより、例えば、シードユーザーの属性を「主婦」とした場合に、シードユーザーと同一のユーザークラスタに、属性が「主婦」であるユーザーのみならず、属性が「主婦」ではない、あるいは不明であるが、属性が「主婦」であるユーザーと行動等が類似する他のユーザーを含めて抽出することが可能となる。

また、上述した処理では、シードユーザーが利用している店舗群を店舗クラスタとし、同一の店舗クラスタを利用するユーザーをシードユーザーの類似ユーザーとして、ユーザークラスタを抽出している。ただし、店舗クラスタの抽出処理はこれに限定されず、シード店舗を利用するユーザー群をユーザークラスタとし、シード店舗と同一のユーザークラスタのユーザーが利用する店舗をシード店舗の類似店舗として、店舗クラスタを抽出してもよい。

例えば、分析装置１０は、各ユーザーによる各店舗の出現頻度と、各ユーザーが利用した全店舗数の逆数（以下、逆店舗頻度と記す）とを用いて、各ユーザーによる利用店舗の偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。そして、分析装置１０は、各店舗における各ユーザーのスコアの組み合わせを特徴量として、同様の特徴量を示す店舗を同一の店舗クラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シード店舗に対する各店舗の類似確率を算出することにより、シード店舗に類似する店舗からなる店舗クラスタを抽出する。

具体的には、分析装置１０は、シード店舗の特徴量を用いてロジスティック回帰モデルの学習を行い、学習したモデルを用いて、シード店舗以外の各店舗の類似確率を算出する。そして、分析装置１０は、類似確率が所定の閾値以上の店舗をシード店舗と同一の店舗クラスタに分類する。例えば、分析装置１０は、Ｋ－ｍｅａｎｓ等のクラスタリング手法を用いて、全ての決済の履歴データを店舗クラスタごとに分類する。

なお、分析装置１０は、各ユーザーが利用した店舗の履歴に基づいて、シードユーザーと共通する利用店舗の件数が所定の閾値より多いユーザーを、シードユーザーと同一のユーザークラスタに分類してもよい。同様に、分析装置１０は、シード店舗と共通する利用ユーザーの人数が所定の閾値より多い店舗を、シード店舗と同一の店舗クラスタに分類してもよい。

分析装置１０は、決済の履歴データに含まれるユーザーを識別するユーザーＩＤまたは店舗を識別する店舗ＩＤにより、上記のように分類した各ユーザークラスタに含まれるユーザーまたは各店舗クラスタに含まれる店舗を特定することができる。また、分析装置１０は、ユーザーの属性情報を管理するユーザーデータベースと、店舗の属性情報を管理する店舗データベースとを保持している。従って、分析装置１０は、特定した各ユーザークラスタのユーザーの属性情報や、特定した各店舗クラスタの店舗の属性情報を抽出することが可能である。そこで、分析装置１０は、分析処理の結果として、分類した各ユーザークラスタに含まれるユーザーまたは各店舗クラスタに含まれる店舗と、それぞれの属性情報とを、例えば解析装置２０に出力する。

そして解析装置２０は、分析装置１０から出力された結果を用いて、各店舗に販売促進の施策を提案することが可能となる。例えば、属性「主婦」とわかっているユーザーをシードユーザーとして、シードユーザーと同一のユーザークラスタに含まれる他の属性のユーザーが、属性「主婦」のユーザーが利用する店舗の新たなユーザーとなり得ると判定して、オーディエンス拡張が可能となる。したがって、これらのユーザーに対する各店舗からのターゲティングが有効となる。

あるいは、実際に宅配店舗を利用したユーザーをシードユーザーとして、シードユーザーと同一のユーザークラスタに含まれる他のユーザーが、将来、宅配店舗利用ユーザーとなり得ると判定して、オーディエンス拡張が可能となる。したがって、これらのユーザーに対する各店舗からのターゲティングが有効となる。

また、同一の店舗クラスタの店舗の属性を分析することにより、店舗の商圏を明らかにすることが可能である。例えば、同一の店舗クラスタ内の店舗の住所が単一の地域の場合には、住宅地内のスーパーや個人商店等の地域密着型の店舗であることが想定される。これに対して、複数の市町村にまたがる場合には、幹線道路沿いのコンビニやチェーン店等の横断的に広い地域で利用されている越境型の店舗であることが想定される。

さらに、同一の店舗クラスタの店舗の利用者の性別、年齢、職業等の属性を分析することにより、店舗の利用傾向の違いを明らかにすることが可能である。例えば、地域密着型の店舗の利用者に「女性」「主婦」が多いこと等がわかる。これに対し、越境型の店舗の利用者に「男性」が多いこと等がわかる。

あるいは、店舗クラスタの店舗の属性を分析することにより、例えば、コンビニ等の多様な商品を扱う店舗の店舗クラスタや、商品のカテゴリが限定されている専門店の店舗クラスタがわかる。また、コンビニ等より専門店を利用するユーザーのユーザークラスタがわかる。これを用いて、例えば、コンビニ等よりも専門店を利用するユーザーを重視したオーディエンス拡張を行うことが可能となる。したがって、これらのユーザーに対する各専門店からのターゲティングが有効となる。

〔１－３．分析処理の適用対象について〕
なお、上述した分析装置１０による分析処理は、決済の履歴データを用いたユーザーまたは店舗の分類に限定されない。例えば、Ｅコマースの決済の履歴データを用いて、商品とユーザーとを分類することにより、定番商品の購入より、趣味や生活習慣を反映した定番以外の商品を購入するユーザーに対して、オーディエンス拡張が可能となる。

具体的には、分析装置１０は、モール、ネットスーパー、個別ブランドの通販サイト、あるいは動画配信サイト等の決済の履歴データについて、各商品の利用ユーザーの偏り度合いを特徴量として用いて、ユーザークラスタに分類する。例えば、分析装置１０は、図２に示した図の横軸方向を商品とし、縦軸方向をユーザーとして、各ユーザーによる各商品の購入回数等の出現頻度と、各商品を購入した全ユーザー数の逆数（逆利用者頻度）とを用いて、各商品を購入するユーザーの偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。

そして、分析装置１０は、商品の属性から特定した定番以外の商品を対象に、各商品に対する各ユーザーのスコアの組み合わせを特徴量として、同様の特徴量を示すユーザーを同一のユーザークラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シードユーザーに対する各ユーザーの類似確率を算出することにより、シードユーザーに類似するユーザーからなるユーザークラスタを抽出する。

解析装置２０は、この結果を用いて、定番商品より、定番以外の商品を購入する傾向にあるユーザークラスタがわかる。したがって、定番商品の購入より、趣味や生活習慣を反映した定番以外の商品を購入するユーザーとしてオーディエンス拡張が可能となり、これらのユーザーに対する各商品のターゲティングが有効となる。

あるいは、分析装置１０は、レンタルビデオ店等の会員制の店舗における決済の履歴データを用いて、上記と同様に、商品とユーザーとを分類することにより、定番商品の購入より、趣味や生活習慣を反映した定番以外の商品を購入するユーザーに対して、オーディエンス拡張が可能となる。

具体的には、分析装置１０は、レンタルビデオ店等の会員制の店舗の決済の履歴データについて、各商品の利用ユーザーの偏り度合いを特徴量として用いて、ユーザークラスタに分類する。例えば、分析装置１０は、図２に示した図の横軸方向を商品とし、縦軸方向をユーザーとして、各ユーザーによる各商品の購入回数等の出現頻度と、各商品を購入した全ユーザー数の逆数（逆利用者頻度）とを用いて、各商品を購入するユーザーの偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。

そして、分析装置１０は、商品の属性から特定した定番以外の商品を対象に、各商品に対する各ユーザーのスコアの組み合わせを特徴量として、同様の特徴量を示すユーザーを同一のユーザークラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シードユーザーに対する各ユーザーの類似確率を算出することにより、シードユーザーに類似するユーザーからなるユーザークラスタを抽出する。

解析装置２０は、この結果を用いて、定番商品より、定番以外の商品を購入する傾向にあるユーザークラスタがわかる。したがって、定番商品の購入より、趣味や生活習慣を反映した定番以外の商品を購入するユーザーとしてオーディエンス拡張が可能となり、これらのユーザーに対する各商品のターゲティングが有効となる。

あるいは、テレビ番組の視聴の履歴データを用いて、番組とユーザーとを分類することにより、ニュース等の定番番組の視聴より、趣味や生活習慣を反映した定番以外の番組を視聴するユーザーに対して、オーディエンス拡張が可能となる。

具体的には、分析装置１０は、テレビ番組の視聴の履歴データについて、各番組の視聴ユーザーの偏り度合いを特徴量として用いて、ユーザークラスタに分類する。例えば、分析装置１０は、図２に示した図の横軸方向を番組とし、縦軸方向をユーザーとして、各ユーザーによる各番組の視聴回数等の出現頻度と、各番組を視聴した全ユーザー数の逆数（逆利用者頻度）とを用いて、各番組を視聴するユーザーの偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。

そして、分析装置１０は、番組の属性から特定した定番以外の番組を対象に、各番組に対する各ユーザーのスコアの組み合わせを特徴量として、同様の特徴量を示すユーザーを同一のユーザークラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シードユーザーに対する各ユーザーの類似確率を算出することにより、シードユーザーに類似するユーザーからなるユーザークラスタを抽出する。

解析装置２０は、この結果を用いて、定番番組より、定番以外の番組を視聴する傾向にあるユーザークラスタがわかる。したがって、定番番組の視聴より、趣味や生活習慣を反映した定番以外の番組を視聴するユーザーとしてオーディエンス拡張が可能となり、これらのユーザーに対する各番組のターゲティングが有効となる。

このように、実施形態の分析装置１０による分析処理は、多種多様な商品、店舗、コンテンツ、あるいはサービス等の対象の利用あるいは購入が可能であって、ユーザーＩＤにより、各ユーザーの利用あるいは購入の履歴データを特定可能である場合に、適用可能である。その場合に、多くの人に広く利用あるいは購入されるものと、少数のユーザーに利用あるいは購入されるものとがある対象について、少数のユーザーの利用あるいは購入をその対象の特徴量として重視することにより、ユーザーあるいは対象をクラスタに分類することが可能となる。

これにより、例えば、新サービスを利用したユーザーに類似するユーザーに新サービスのプロモーションを行ったり、地域密着型の商店街のユーザーに類似するユーザーに、商店街のプロモーションを行ったりする等、商品やサービス等のプロモーションを有効に行うことが可能となる。

〔２．分析装置の構成〕
次に、図３を用いて、上記の分析装置１０について説明する。図３は、実施形態に係る分析装置１０の構成例を示す図である。図２に示すように、分析装置１０は、通信部１１と、制御部１２と、記憶部１３とを備える。

（通信部１１について）
通信部１１は、例えば、ＮＩＣ（Network Interface Card）等で実現され、ネットワークＮと有線または無線で接続され、決済サーバ３０や解析装置２０等との間で情報の送受信を行う。

（記憶部１３について）
記憶部４３は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態の記憶部１３は、ユーザーデータベース１３ａ、支払い履歴データベース１３ｂおよび店舗データベース１３ｃを記憶する。

（ユーザーデータベース１３ａについて）
図４は、実施形態に係るユーザーデータベース１３ａの一例を示す図である。図４に示すように、ユーザーデータベース１３ａには、「ユーザーＩＤ」および「属性情報」等が互いに対応付けられた情報である。なお、ユーザーデータベース１３ａには、図４に示した情報以外にも、例えば、投稿情報等のユーザーに関する任意の情報が登録されていてもよい。

図４に示す例において、「ユーザーＩＤ」は、ユーザーを識別するユーザー識別情報である。「属性情報」は、ユーザーの名前、性別、年齢、趣味趣向、住所といった各種属性を示す情報である。例えば、図４に示す例では、ユーザーデータベース１３ａには、ユーザーＩＤ「Ｕ１」、属性情報「＃Ｕ１」が対応付けられて登録されている。この情報は、ユーザーＩＤ「Ｕ１」が示すユーザーの属性情報が「属性情報＃Ｕ１」であることを示している。

なお、図４に示す例では、「属性情報＃Ｕ１」というような概念的な値を記載したが、実際には、ユーザーデータベース１３ａには、ユーザーの属性を示す文字列や値が登録されている。

（支払い履歴データベース１３ｂについて）
図５は、実施形態に係る支払い履歴データベース１３ｂの一例を示す図である。図５に示すように、支払い履歴データベース１３ｂは、「ユーザーＩＤ」、「店舗ＩＤ」、金額、「商品ＩＤ」および「日時」等が互いに対応付けられた情報である。なお、支払い履歴データベース１３ｂには、図５に示した情報以外にも、例えば、商品の特徴等、支払い履歴に関する任意の情報が登録されていてもよい。

図５に示す例において、「ユーザーＩＤ」は、ユーザーを識別するユーザー識別情報である。「店舗ＩＤ」は、店舗を識別する店舗識別情報である。「商品ＩＤ」は、商品を識別する商品識別情報である。「金額」はユーザーが商品の購入のために支払った金額である。「日時」は、ユーザーが決済を行った日時を示す情報である。例えば、図５に示す例では、支払い履歴データベース１３ｂには、ユーザーＩＤ「Ｕ１」、店舗ＩＤ「Ｔ１」、金額「１００円」、商品ＩＤ「Ｐ１」および日時「2020/6/30/10：00」が対応付けられて登録されている。この情報は、ユーザーＩＤ「Ｕ１」が示すユーザーが、日時「2020/6/30/10：00」に店舗ＩＤ「Ｔ１」の店舗で商品ＩＤ「Ｐ１」の商品を１００円で購入したことを示している。

（店舗データベース１３ｃについて）
図６は、実施形態に係る店舗データベース１３ｃの一例を示す図である。図６に示すように、店舗データベース１３ｃは、「店舗ＩＤ」および「属性情報」等が互いに対応付けられた情報である。なお、店舗データベース１３ｃには、図６に示した情報以外にも、例えば、口込み情報等の店舗に関する任意の情報が登録されていてもよい。

図６に示す例において、「店舗ＩＤ」は、店舗を識別する店舗識別情報である。「属性情報」は、店舗の名前、所在地、商品カテゴリといった各種属性を示す情報である。例えば、図６に示す例では、店舗データベース１３ｃには、店舗ＩＤ「Ｔ１」、属性情報「＃Ｔ１」が対応付けられて登録されている。この情報は、店舗ＩＤ「Ｔ１」が示す店舗の属性情報が「属性情報＃Ｔ１」であることを示している。

なお、図６に示す例では、「属性情報＃Ｔ１」というような概念的な値を記載したが、実際には、店舗データベース１３ｃには、店舗の属性を示す文字列や値等が登録されている。

（制御部１２について）
図３の説明に戻る。制御部１２は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、分析装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１２は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１２は、取得部１２ａ、分類部１２ｂおよび特定部１２ｃを有し、以下に説明する分析処理の機能や作用を実現または実行する。なお、制御部１２は、その他の機能部を有してもよい。

（取得部１２ａについて）
取得部１２ａは、ユーザーによる所定の対象の利用履歴を取得する。ここで、対象とは、店舗、商品、サービスあるいはコンテンツ等である。つまり、取得部１２ａは、所定の対象として、店舗、商品、サービスまたは番組コンテンツのいずれか１つの利用履歴を取得する。

例えば、取得部１２ａは、ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する。具体的には、取得部１２ａは、例えば、決済サーバ３０等から、通信部１１を介して支払い履歴データを取得して、支払い履歴データベース１３ｂに登録する。

（分類部１２ｂについて）
分類部１２ｂは、各ユーザーによる利用履歴に基づいて、ユーザーと、当該ユーザーが利用した対象との組に対応する履歴の出現頻度と、全ユーザーが利用した対象の出現頻度の逆数とに基づいて、相互に類似するユーザー群もしくは対象群に分類する。

具体的には、分類部１２ｂは、各ユーザーが利用した店舗の履歴に基づいて、分類対象のユーザーの履歴に含まれる店舗の出現頻度と、各店舗の全ユーザー数の逆数とを用いて算出したスコアに基づいて、基準ユーザーと類似するユーザーを分類する。

例えば、分類部１２ｂは、各ユーザーの各店舗に対する利用回数等で表される出現頻度と、各店舗を利用した全ユーザー数の逆数とを用いて、各店舗における利用ユーザーの偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。

そして、分類部１２ｂは、各ユーザーの各店舗に対するスコアの組み合わせを特徴量として、同様の特徴量を示すユーザーを同一のユーザークラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シードユーザーに対する各ユーザーの類似確率を算出することにより、シードユーザーに類似するユーザーからなるユーザークラスタを抽出する。

また、分類部１２ｂは、各ユーザーが利用した店舗の履歴に基づいて、分類対象の店舗の履歴に含まれるユーザーの出現頻度と、各ユーザーの全利用店舗数の逆数とを用いて算出したＴＦＩＤＦ等のスコアに基づいて、基準店舗と類似する店舗を分類する。

例えば、分類部１２ｂは、各ユーザーによる各店舗の出現頻度と、各ユーザーが利用した全店舗数の逆数とを用いて、各ユーザーによる利用店舗の偏り度合いを表すスコアとして、ＴＦＩＤＦを算出する。

そして、分析装置１０は、各店舗における各ユーザーのスコアの組み合わせを特徴量として、同様の特徴量を示す店舗を同一の店舗クラスタに分類する。例えば、分析装置１０は、ロジスティック回帰分析を適用して、シード店舗に対する各店舗の類似確率を算出することにより、シード店舗に類似する店舗からなる店舗クラスタを抽出する。

（特定部１２ｃについて）
特定部１２ｃは、各ユーザーが利用した対象の履歴に基づいて、利用する対象の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の対象を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類したユーザー群の各ユーザーまたは対象群を構成する各対象を特定する。

例えば、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類したユーザー群の各ユーザーまたは店舗群の各店舗を特定する。

具体的には、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、利用店舗の傾向が基準ユーザーと類似するユーザー、もしくは、利用ユーザーの傾向が基準店舗と類似する店舗を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類した、利用店舗の傾向が基準ユーザーと類似するユーザー群のユーザー、もしくは、利用ユーザーの傾向が基準店舗と類似する店舗群の店舗を特定する。

または、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、基準ユーザーと共通する利用店舗の件数が所定の閾値より多いユーザー、もしくは、基準店舗と共通する利用ユーザーの人数が所定の閾値より多い店舗を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類した、基準ユーザーと共通する利用店舗の件数が所定の閾値より多いユーザー群のユーザー、もしくは、基準店舗と共通する利用ユーザーの人数が所定の閾値より多い店舗群の店舗を特定する。

また、特定部１２ｃは、ユーザーデータベース１３ａを参照して、特定した各ユーザークラスタのユーザーの属性情報を抽出する。また、特定部１２ｃは、店舗データベース１３ｃを参照して、特定した各店舗クラスタの店舗の属性情報を抽出する。そして、特定部１２ｃは、分析処理の結果として、分類した各ユーザークラスタに含まれるユーザーまたは各店舗クラスタに含まれる店舗と、それぞれの属性情報とを、例えば解析装置２０に出力する。

解析装置２０は、分析装置１０から出力された結果を用いて、各店舗に販売促進の施策を提案することが可能となる。例えば、新サービスを利用したユーザーに類似するユーザーに新サービスのプロモーションを行ったり、地域密着型の商店街のユーザーに類似するユーザーに、商店街のプロモーションを行ったりする等、商品やサービス等のプロモーションを有効に行うことが可能となる。このように、分析装置１０の分析処理によれば、スマートフォンを用いた商品やサービス等の利用の履歴データを、効果的に利用促進に利用することが可能となる。

〔３．処理手順〕
次に、図７を用いて、実施形態に係る分析装置１０が実行する処理手順について説明する。図７は、実施形態に係る分析装置１０が実行する処理手順を示すシーケンス図である。

図７に示すように、まず、分析装置１０において、取得部１２ａが、ユーザーによる所定の対象の利用履歴を取得する。例えば、取得部１２ａは、ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する。具体的には、取得部１２ａは、例えば、決済サーバ３０等から、通信部１１を介して支払い履歴データを取得して（ステップＳ１）、支払い履歴データベース１３ｂに登録する。

次に、分類部１２ｂが、各ユーザーによる利用履歴に基づいて、ユーザーと、当該ユーザーが利用した対象との組に対応する履歴の出現頻度と、全ユーザーが利用した対象の出現頻度の逆数とを用いて、相互に類似するユーザー群もしくは対象群に分類する。

具体的には、分類部１２ｂは、各ユーザーが利用した店舗の支払い履歴データに基づいて、分類対象のユーザーの履歴に含まれる店舗の出現頻度と、各店舗の全ユーザー数の逆数とを用いて算出したスコアに基づいて、相互に類似するユーザークラスタに分類する。

また、分類部１２ｂは、各ユーザーが利用した店舗の支払い履歴データに基づいて、分類対象の店舗の履歴に含まれるユーザーの出現頻度と、各ユーザーの全利用店舗数の逆数とを用いて算出したスコアに基づいて、相互に類似する店舗クラスタに分類する（ステップＳ２）。

特定部１２ｃは、各ユーザーが利用した対象の履歴に基づいて、利用する対象の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の対象を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類したユーザー群の各ユーザーまたは対象群を構成する各対象を特定する。

例えば、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する。すなわち、特定部１２ｃは、分類部１２ｂが分類したユーザークラスタの各ユーザーまたは店舗クラスタの各店舗を特定する（ステップＳ３）。

また、特定部１２ｃは、ユーザーデータベース１３ａを参照して、特定した各ユーザークラスタのユーザーの属性情報を抽出する。また、特定部１２ｃは、店舗データベース１３ｃを参照して、特定した各店舗クラスタの店舗の属性情報を抽出する。そして、特定部１２ｃは、分析処理の結果として、分類した各ユーザークラスタに含まれるユーザーまたは各店舗クラスタに含まれる店舗と、それぞれの属性情報とを、例えば解析装置２０に出力する（ステップＳ４）。これにより、一連の分析処理が終了する。

〔４．効果〕
上述してきたように、実施形態に係る分析装置１０は、取得部１２ａと、特定部１２ｃとを備える。取得部１２ａは、ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する。特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する。

これにより、各店舗に販売促進の施策を提案することが可能となる。例えば、新サービスを利用したユーザーに類似するユーザーに新サービスのプロモーションを行ったり、地域密着型の商店街のユーザーに類似するユーザーに、商店街のプロモーションを行ったりする等、商品やサービス等のプロモーションを有効に行うことが可能となる。このように、分析装置１０の分析処理によれば、スマートフォンを用いた商品やサービス等の利用の履歴データを、効果的に利用促進に利用することが可能となる。

また、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、利用店舗の傾向が基準ユーザーと類似するユーザー、もしくは、利用ユーザーの傾向が基準店舗と類似する店舗を特定する。また、特定部１２ｃは、各ユーザーが利用した店舗の履歴に基づいて、基準ユーザーと共通する利用店舗の件数が所定の閾値より多いユーザー、もしくは、基準店舗と共通する利用ユーザーの人数が所定の閾値より多い店舗を特定する。これにより、分類の際に各ユーザーや各店舗の属性等を考慮せずに分類できるので、大規模な利用の履歴データの分類を容易に行うことが可能となる。

また、分類部１２ｂは、各ユーザーが利用した店舗の履歴に基づいて、分類対象のユーザーの履歴に含まれる店舗の出現頻度と、各店舗の全ユーザー数の逆数とを用いて算出したスコアに基づいて、基準ユーザーと類似するユーザーを分類する。また、分類部１２ｂは、各ユーザーが利用した店舗の履歴に基づいて、分類対象の店舗の履歴に含まれるユーザーの出現頻度と、各ユーザーの全利用店舗数の逆数とを用いて算出したスコアに基づいて、基準店舗と類似する店舗を分類する。これにより、分類の際に各ユーザーや各店舗の属性等を考慮せずに分類できるので、大規模な利用の履歴データの分類を容易に行うことが可能となる。

〔５．ハードウェア構成〕
また、上述してきた実施形態に係る分析装置１０は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、実施形態に係る分析装置１０の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、ネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る分析装置１０して機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１２の機能を実現する。また、ＨＤＤ１４００には、記憶部１３内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを、記録媒体１８００から読み取って実行するが、他の例として、他の装置から、ネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔６．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態に記載した各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部１２ａは、取得手段や取得回路に読み替えることができる。

１０ 分析装置
１１ 通信部
１２ 制御部
１２ａ 取得部
１２ｂ 分類部
１２ｃ 特定部
１３ 記憶部
１３ａ ユーザーデータベース
１３ｂ 支払い履歴データベース
１３ｃ 店舗データベース
２０ 解析装置

Claims (7)

1. ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する取得部と、
   各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が類似する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する特定部と、
   を有することを特徴とする分析装置。
2. 前記特定部は、各ユーザーが利用した店舗の履歴に基づいて、利用店舗の傾向が基準ユーザーと類似するユーザー、もしくは、利用ユーザーの傾向が基準店舗と類似する店舗を特定することを特徴とする請求項１に記載の分析装置。
3. 前記特定部は、各ユーザーが利用した店舗の履歴に基づいて、基準ユーザーと共通する利用店舗の件数が所定の閾値より多いユーザー、もしくは、基準店舗と共通する利用ユーザーの人数が所定の閾値より多い店舗を特定することを特徴とする請求項１に記載の分析装置。
4. 各ユーザーが利用した店舗の履歴に基づいて、分類対象のユーザーの履歴に含まれる店舗の出現頻度と、各店舗の全ユーザー数の逆数とを用いて算出したスコアに基づいて、基準ユーザーと類似するユーザーを分類する分類部を、さらに有することを特徴とする請求項１～３のいずれか１項に記載の分析装置。
5. 各ユーザーが利用した店舗の履歴に基づいて、分類対象の店舗の履歴に含まれるユーザーの出現頻度と、各ユーザーの全利用店舗数の逆数とを用いて算出したスコアに基づいて、基準店舗と類似する店舗を分類する分類部を、さらに有することを特徴とする請求項１～４のいずれか１項に記載の分析装置。
6. コンピュータが実行する分析方法であって、
   ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する取得工程と、
   各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が共通する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する特定工程と、
   を含むことを特徴とする分析方法。
7. ユーザーが端末装置を用いて行った決済処理の履歴であって、当該ユーザーが利用した店舗を示す情報を含む履歴を取得する取得手順と、
   各ユーザーが利用した店舗の履歴に基づいて、利用する店舗の傾向が共通する複数のユーザー、もしくは、利用するユーザーの傾向が類似する複数の店舗を特定する特定手順と、
   をコンピュータに実行させることを特徴とする分析プログラム。
   

Images