JP2024028029A - プログラム、方法、情報処理装置、およびシステム - Google Patents

Abstract

【課題】特定の施設、地域を訪問したユーザが求めているサービスを把握する。
【解決手段】プロセッサを備えるコンピュータに、複数のユーザの位置情報を取得するユーザ情報取得ステップと、前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行させるプログラムが提供される。
【選択図】図１

Description

本開示は、ユーザの位置情報及びユーザが訪れたスポットの情報に基づいて、ユーザの行動についてのデータを取得するプログラム、方法、情報処理装置およびシステムに関する。

近年のスマートフォンの普及に伴い、ユーザの位置情報を簡単に取得することが可能となっている。複数のユーザの位置情報を取得することができれば、人の流れを可視化することが可能となり、どのような人々がどのような場所に集うのか、また、人がどこからどこへ流れていくのかを分析することが可能となる。さらに、人が訪問した場所の共通性などに基づいて、分析することにより、地域振興・文化保護・ビジネスなどに役立てることが可能である。

例えば、特許文献１では、過去のユーザの軌跡、行動の記録を有効に再利用することのできる情報提供装置が開示されている。

特開２００２－１０８９３４号

しかし、特許文献１に開示された情報提供装置では、ユーザが個々に記録した行為のユーザ間における類似性を判定するにとどまり、特定の施設、地域を訪問したユーザが求めているサービスを把握することは困難であった。

本開示は、特定の施設、地域を訪問したユーザが求めているサービスを把握することを目的とする。

本開示では、プロセッサを備えるコンピュータに、複数のユーザの位置情報を取得するユーザ情報取得ステップと、前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行させるプログラムが提供される。

本開示によれば、特定の施設、地域を訪問したユーザが求めているサービスを把握することが可能となる。

本開示の第１実施形態に係るサーバ１０の機能構成の一例を示す図である。 ユーザ情報ＤＢ１０２１のデータ構成の一例を示す図である。 スポット情報ＤＢ１０２２のデータ構成の一例を示す図である。 サーバ１０の処理の流れを説明する図である。 図５Ａは、ユーザが当日訪れたスポットの配置を示す図である。図５Ｂは、ユーザの当日位置情報の検出について説明する図である。 ユーザが訪問したスポットの共通性をもとにクラスタリングを行った一例を示す図である。 ユーザが訪問したスポットの共通性の他、滞在時間や訪問回数などをさらに加味してクラスタリングを行った一例を示す図である。 図８Ａは、データ分析部１０３４による行動データの比較における当日行動データに基づくレーダーチャートである。図８Ｂは、データ分析部１０３４による行動データの比較における日常行動データに基づくレーダーチャートである。 変形例におけるユーザの当日位置情報の検出について説明する図である。 本開示のサーバ１０のハードウェア構成を示す図である。 ネットワークを介したシステム１の全体構成を示す図である。 第２実施形態に係るサーバ１０の機能構成の一例を示す図である。 第２実施形態に係るサーバ１０の処理の流れを説明する図である。 第３実施形態に係るサーバ１０の機能構成の一例を示す図である。 データ活用部１０３５の処理の内容を説明する図である。 第３実施形態に係るサーバ１０の処理の流れの前半を説明する図である。 第３実施形態に係るサーバ１０の処理の流れの後半を説明する図である。

以下、図面を参照して、本開示の実施形態を説明する。なお、以下に説明する実施形態は、特許請求の範囲に記載された本開示の内容を不当に限定するものではない。また、実施形態で説明される構成の全てが、本開示の必須構成要件であるとは限らない。また、実施形態を説明する全図において、共通の構成要素には同一の符号を付し、繰り返しの説明を省略する。

近年の情報処理技術の発達により、詳細なユーザ情報があれば的確なマーケティングやレコメンデーションを行えるが、ユーザ個人のターゲティングは、その効果、イメージ、データ収集の難易度、プライバシー保護の観点から望ましくなくなっている。このため、詳細で高精度な嗜好分析を行いつつも、個人には紐づかない集計済みの統計データが必要になる。その一方で、複数の別種のデータを結合していてはデータの生成速度、精度、網羅性、収集数や収集及び結合の費用、転用時の利便性などに問題が生じ実運用に耐えない。これを踏まえて、出願人は、
・統計データは可能な限り単一のデータから生成されるのが望ましい
・当統計はユーザの位置情報とスポットに関する情報で行う
という観点で、本開示における情報処理装置としてのサーバ１０の着想に至った。以下、サーバ１０の構成を説明する。

＜１．第１実施形態＞
（１．サーバ１０の機能構成）
以下、サーバ１０の構成を詳細に説明する。図１に示すように、本実施形態に係るサーバ１０は、通信部１０１、記憶部１０２、制御部１０３を備える。通信部１０１は、サーバ１０が他の装置と通信するための処理を行う。通信部１０１は、制御部１０３で生成された信号に送信処理を施し、外部へ送信する。通信部１０１は、外部から受信した信号に受信処理を施し、制御部１０３へ出力する。

記憶部１０２は、例えばフラッシュメモリ等により構成され、サーバ１０が使用するデータ、及びプログラムを記憶する。

制御部１０３は、プロセッサ１１が記憶部１０２に記憶されるプログラムを読み込み、プログラムに含まれる命令を実行することにより実現される。制御部１０３は、サーバ１０の動作を制御する。具体的には、例えば、制御部１０３は、ユーザ情報取得部１０３１と、ユーザ抽出部１０３２と、行動データ生成部１０３３と、データ分析部１０３４としての機能を発揮する。以下、各機能について説明する。

（１．１．ユーザ情報取得部１０３１）
ユーザ情報取得部１０３１は、通信部１０１を介して、ユーザの位置情報及び時間情報を取得する。ユーザの位置情報は、例えば、緯度、経度などの情報である。また、時間情報は、位置情報を取得した時点の時間情報である。

ユーザの位置情報の取得には、ユーザが所持するスマートフォン、スマートウォッチなどに搭載されたＧＰＳ（Global Positioning System）などの情報を用いてもよい。また、磁気リーダ、ＩＣリーダなどの端末を設置し、ユーザがこれらの端末に自らの端末等を読み取らせたことをもって位置情報を取得してもよい。さらに、携帯電話など通信装置の基地局から得られる位置情報、ＷｉＦｉ（Wireless Fidelity、登録商標）から得られる位置情報を取得してもよい。

また、ユーザ情報取得部１０３１は、ＳＮＳ（Social Networking Service）に発信された情報に基づいて位置情報を取得してもよい。

一例として、ユーザ情報取得部１０３１は、ユーザより、一定の時間的間隔をもって、定期的に位置情報及び時間情報を取得することが望ましい。ユーザの位置情報を取得する間隔は、短ければ短いほど詳細な分析が可能となる点において、望ましい。

一方で、位置情報を取得する時間的間隔が長ければ、システム及びネットワークへの負担を軽減することが可能であり、間隔が短ければ、ユーザの行動をより詳細に分析できる可能性が高まる。したがって、ユーザ情報取得部１０３１は、分析の対象とシステムの負荷を考慮しつつ、ユーザの位置情報を取得する時間的間隔を設定してもよい。なお、位置情報及び時間情報の取得は、一定の時間的間隔でなくてもよく、取得後に一定間隔に成型する仕様としてもよい。

ユーザ情報取得部１０３１は、ユーザより取得した位置情報を、ユーザＩＤ、取得した時間情報とともに、ユーザ情報ＤＢ１０２１に記憶する。サーバ１０は、様々な観点からクラスタリングなどを用いた分析ができるよう、ユーザの位置情報は一度記憶部１０２に記憶しておくことが望ましい。

（１．２．ユーザ抽出部１０３２）
ユーザ抽出部１０３２は、所定の期間に所定のスポットを訪問したユーザ（以下、訪問ユーザともいう）を抽出する。所定の期間（以下、調査期間ともいう）は、任意の期間を設定することができ、例えば１カ月間としてもよい。スポットとは、店舗、施設など緯度及び経度により特定することのできる一定の場所のことをいう。所定のスポット（以下、調査スポットともいう）とは、特定の店舗、施設、美術館など調査ごとに適宜設定することができる。なお、ユーザ抽出部１０３２は、地図を予め所定の間隔（一例として１２５ｍ間隔）で方眼状にメッシュとして区切り、当該メッシュ単位で調査スポットに訪問したか否かを判定してもよい。この場合、あるメッシュを訪問した場合に、当該メッシュ内に含まれる１つまたは複数のスポットを訪問したと判定してもよい。なお、所定のスポットが例えば大きな公園のように広い面積を有する場合には、１つのスポット内に複数のメッシュが存在するケースもあり得る。この場合、１つのスポット内の複数のメッシュを訪問した場合であっても、当該スポットを１回訪問したと判定してもよい。ユーザ抽出部１０３２は、ユーザ情報ＤＢ１０２１およびスポット情報ＤＢ１０２２を参照し、調査期間に調査スポットを訪問したユーザを抽出する。

（１．３．行動データ生成部１０３３）
行動データ生成部１０３３は、訪問ユーザの当日の行動についての統計データである当日行動データと、日常の行動についての統計データである日常行動データを生成する。具体的には、行動データ生成部１０３３は、抽出された訪問ユーザが調査スポットを訪問した日（以下、当日ともいう）における位置情報（以下、当日位置情報ともいう）を取得する。また、行動データ生成部１０３３は、抽出されたユーザの調査期間（以下、日常ともいう）における位置情報（以下、日常位置情報ともいう）を取得する。さらに、行動データ生成部１０３３は、クラスタ生成部１０３３ａと、重要度算出部１０３３ｂを含む。

（１．３．１．クラスタ生成部１０３３ａ）
本実施形態におけるクラスタ生成部１０３３ａは、ユーザが訪問したスポットの位置情報に基づいて、ユーザの分類であるクラスタを生成するエリアクラスタリングを行う。

クラスタ生成部１０３３ａは、ユーザ抽出部１０３２から取得したユーザ情報に基づいて、当該ユーザがどのスポットにチェックインしたか、すなわち訪問したかを把握する。

クラスタ生成部１０３３ａがユーザのスポット訪問を判定するためには、例えば、ユーザの緯度経度などの位置情報と、スポットの緯度経度などの位置情報を照らし合わせ、その場所が一致する場合に訪問と判定する。

また、厳格に位置情報が一致することをもって訪問とみなすと、ユーザがどのスポットも訪問していないと判定される可能性がある。そこで、ある閾値Ｌを設定しておき、スポットとユーザの距離がＬ以下である場合には、ユーザがスポットを訪問したとみなしてもよい。これにより、位置情報の誤差を吸収することが可能となる。また、上述したように、地図を予め方眼状にメッシュとして区切り、ユーザがそのメッシュ内にあるスポットに訪問したとみなしてもよい。そのほか、一般的なアルゴリズムを用いてユーザがスポットを訪問したことを判定してもよい。

クラスタ生成部１０３３ａがユーザのスポット訪問を判定するに際して、ユーザとスポットの位置情報が一致することをもって判定するが、このとき、単に一致することをもって訪問と判定してもよいし、連続する時間の一致情報を用いて、通過、訪問、利用を区別して判定してもよい。

例えば、ユーザ情報取得部１０３１が一定の時間的間隔をもってユーザの位置情報を取得する際に、ユーザとスポットの位置情報が一致したとしても、それはユーザがスポットを訪問したのではなく、スポットを通過したに過ぎない場合もある。この場合には、通過と判定してもよい。また、時間的に連続する一定の回数（第１の閾値）以上ユーザとスポットの位置情報が一致する場合には、そのスポットを訪問したと判定してもよい。さらに、映画館、温泉施設、テーマパークなどのスポットにおいて、時間的に連続する一定の回数（第２の閾値）以上ユーザとスポットの位置情報が一致する場合には、そのスポットを利用したと判定してもよい。さらに、時間的に連続する一定の回数（第３の閾値）以上ユーザとスポットの位置情報が一致する場合には、そのスポットにおいて就業していると判定してもよい。

つまり、連続する時間において、ユーザとスポットの位置情報の一致が第１の閾値未満であるときには通過、第１の閾値以上第２の閾値未満のときは訪問、第２の閾値以上第３の閾値未満のときは利用、第３の閾値以上のときは就業として判定してもよい。また、各閾値は、スポット毎に設定してもよい。

クラスタ生成部１０３３ａがユーザのスポット訪問を判定するに際して、ユーザの移動方法を考慮してもよい。例えば、ユーザ情報取得部１０３１は、一定の時間的間隔をもってユーザの位置情報を取得するが、このとき、連続する時間の位置情報の移動距離により、単位時間あたりの移動距離により移動速度を推測し、ユーザの移動方法が徒歩であるか、又は自動車、電車などの移動方法を用いているかなどを判別してもよい。そして、少なくとも自動車、電車などで移動していると判断された際には、ユーザとスポットの位置情報が一致したとしても、ユーザはスポットを通過したに過ぎず、訪問したわけではないので、クラスタ生成部１０３３ａは、ユーザがスポットを訪問したとは判定しないようにしてもよい。

ユーザの位置情報の取得に関して、例えば、スポットに設置した磁気リーダ、ＩＣリーダなどの端末を元に取得する場合、クラスタ生成部１０３３ａは、ユーザの端末がこれらの端末に読み取られたことをもってユーザがスポットを訪問したと判断してもよい。

クラスタ生成部１０３３ａは、ユーザが訪問したスポットに基づいて、ユーザの分類であるクラスタを生成する。クラスタ生成部１０３３ａは、例えば、ユーザが訪問したスポットの共通性（スポットから見れば、訪問したユーザの共通性）に基づき、階層型クラスタリング、非階層型クラスタリング、または既知のアルゴリズムなどを用いてクラスタ生成を行う。このとき、クラスタ生成部１０３３ａは、クラスタ生成の目標をＭ１個とし、クラスタリングを行った後に、共通するスポット及びユーザ数の多いものからＭ１個のエリアクラスタを生成してもよい。

また、クラスタ生成部１０３３ａは、クラスタリングを行う際に、スポットの訪問回数、訪問時刻、滞在時間、スポットの種類の共通性などを加味してクラスタを生成してもよい。加えて、クラスタ生成部１０３３ａは、総滞在時間、平均滞在時間、テレビ・雑誌・インターネット・ＳＮＳなどメディアで紹介・引用された回数、移動体などを加味してエリアクラスタを生成してもよい。

さらに、クラスタ生成部１０３３ａは、クラスタリングを行う際に、スポットの共通性、スポットの訪問回数、訪問時刻、滞在時間、スポットの種類の共通性、総滞在時間、平均滞在時間、テレビ・雑誌・インターネット・ＳＮＳなどメディアで紹介・引用された回数、移動体、購買データ、スポットが取り扱う商品や役務の料金、商品や役務の種別・種類などの要素に対して、それらを重みづけした上で加味してクラスタを生成してもよい。

クラスタ生成部１０３３ａは、スポットに対して、意味のある場所、すなわちレアリティの高い場所に対して高い値を付与してもよい。レアリティは、一部のユーザが共通した行動をとる場合に高い値を付与する。例えば、訪問回数の少ない場所に対して、レアリティを高く付与してもよい。駅やコンビニなどは、多くの人が訪問するため、レアリティを低く付与する。一方で、特定の趣味をもった人に人気の書店や、ライブハウスなど、訪問回数の少ない場所はレアリティを高く付与する。

また、例えば、スポットの滞在時間や一人あたりの訪問回数が大きい場所にレアリティを高く付与してもよい。これは、あるスポットの滞在時間は通常１５分以内であるが、一部のユーザのみ６０分以上滞在する場合にレアリティを高く付与してもよい。すなわち、通常、ある駅を利用するユーザは駅から電車に乗るために利用するが、一部のユーザは電車を撮影するために訪問時間が長い場合、６０分以上滞在するユーザを通常のスポットＡとは別の疑似的なスポットＡ２としてクラスタを生成してもよい。さらに、特定日時のスポットあるいはスポットの種類にレアリティを高く付与してもよい。例えば、ある施設や催事場で行われる催しごとに通常のスポットＢとは別の疑似的なスポットＢ２（または通常のスポットの種類Ｃとは別の疑似的なスポットの種類Ｃ２）としてクラスタを生成し、スポットＢ２（またはスポットの種類Ｃ２）にスポットＢ（またはスポットの種類Ｃ）よりも高いレアリティを付与してもよい。

さらに、例えば、あるスポットに対して、関連するスポットが少ないスポットに対してレアリティを高く付与してもよい。

クラスタ生成部１０３３ａは、クラスタ生成を行う際に、レアリティが一定の閾値を超えるスポットのみを選択した上で、ユーザが訪問するスポットの共通性に基づき、クラスタ生成を行ってもよい。

クラスタ生成部１０３３ａは、クラスタを生成する際に、レアリティの高いスポットを多く含むクラスタのスコアを高く設定し、スコアの高いクラスタを優先的に生成し、または、クラスタ生成後にスコアの高いクラスタから並べ替えてクラスタを抽出してもよい。

クラスタ生成部１０３３ａがクラスタを生成するに際し、階層型クラスタリング、非階層型クラスタリング、あるいは、既知のクラスタリングアルゴリズムを用いてもよい。

クラスタ生成部１０３３ａがクラスタを生成するに際して、共通するスポットに基づいてクラスタを生成するのではなく、いくつかのスポットをまとめたゾーンを形成し、ゾーンに基づいてクラスタを生成してもよい。このとき、クラスタ生成部１０３３ａは、スポットと同様に、ゾーンの位置情報、ゾーンに属するスポットの種類、属性、ユーザの訪問回数などの情報を用いて、クラスタリングを行ってもよい。

クラスタ生成部１０３３ａは、クラスタを生成するに際して、分類を行うスポット、ゾーンの範囲を限定し、その限定された範囲内でのスポット、ゾーンに基づいてクラスタを生成してもよい。また、クラスタ生成部１０３３ａは、一定の時間的範囲をもって、指定された時間内におけるクラスタを生成してもよい。このとき、曜日、時間帯などの範囲をもってクラスタを生成してもよい。

さらに、クラスタ生成部１０３３ａは、クラスタを生成するに際して、スポット、ゾーンの訪問回数、訪問時刻、滞在時間などを考慮した上で、クラスタを生成してもよい。

スポットの共通性など、一定の要素をもとにクラスタリングを行うことで、クラスタ又はスポット毎の特性を把握することが可能となる。

また、クラスタ生成部１０３３ａは、所定の方法で算出した重要度を加味したクラスタリングを行ってもよい。一例として、当日データのエリアクラスタリングにおける当日重要度Ｉｔを、各ユーザが当日に訪問したスポットの訪問回数に基づく頻度ＦｔおよびレアリティＲｔに基づいて算出する。

すなわち、
Ｉｔ（当日重要度）＝Ｆｔ（当日における頻度）×Ｒｔ（当日におけるレアリティ）
Ｆｔ＝（Ａｔ／Ｂｔ）
Ｒｔ＝（Ｃｔ／Ｄｔ）
Ａｔ：当日における各ユーザのスポット毎の訪問回数
Ｂｔ：当日における各ユーザの全てのスポットの総訪問回数
Ｃｔ：当日における全ユーザの全てのスポットの総訪問回数
Ｄｔ：当日における全ユーザのスポット毎の総訪問回数
として算出された当日重要度Ｉｔを加味したクラスタリングを行ってもよい。このようにすることで、当該スポットの重要度を評価したクラスタリングを行うことができる。

なお、当日重要度Ｉｔの算出において、上述の訪問回数に代わって、総滞在時間を用いて算出してもよい。すなわち、
Ａｔ：当日における各ユーザのスポット毎の総滞在時間
Ｂｔ：当日における各ユーザの全てのスポットの総滞在時間
Ｃｔ：当日における全ユーザの全てのスポットの総滞在時間
Ｄｔ：当日における全ユーザのスポット毎の総滞在時間
として算出された当日重要度Ｉｔを加味してクラスタリングを行ってもよい。

また、当日重要度Ｉｔの算出において、上述の訪問回数に代わって、平均滞在時間を用いてもよい。すなわち、
Ａｔ：当日における各ユーザのスポット毎の平均滞在時間
Ｂｔ：当日における各ユーザの全てのスポットの平均滞在時間
Ｃｔ：当日における全ユーザの全てのスポットの平均滞在時間
Ｄｔ：当日における全ユーザのスポット毎の平均滞在時間
として算出された当日重要度Ｉｔを加味してクラスタリングを行ってもよい。

また、当日重要度Ｉｔの算出におけるパラメータは、上述した訪問回数、総滞在時間、平均滞在時間、訪問スポット数に限定されず、他のパラメータを用いて当日重要度Ｉｔを算出し、クラスタリングに加味してもよい。なお、本実施形態では頻度ＦｔにレアリティＲｔを掛け合わせたものを重要度として算出し、クラスタリングにおいて加味するパラメータとしているが、他の式で算出された重要度を加味する仕様としてもよい。

（１．３．２．重要度算出部１０３３ｂ）
重要度算出部１０３３ｂは、クラスタ生成部１０３３ａによる当日データのエリアクラスタリングの結果と、ユーザの日常位置情報を用いて、ユーザの日常の行動における重要度である日常重要度Ｉｎを算出する。重要度算出部１０３３ｂは、クラスタ生成部１０３３ａの生成したクラスタ毎に、当該クラスタに属するユーザの日常データを取得して、ユーザの日常の行動における日常重要度Ｉｎを算出する。

一例として、日常重要度Ｉｎは以下の式で算出される。
Ｉｎ（日常重要度）＝Ｆｎ（日常における頻度）×Ｒｎ（日常におけるレアリティ）
Ｆｎ＝（Ａｎ／Ｂｎ）
Ｒｎ＝（Ｃｎ／Ｄｎ）
Ａｎ：日常における各ユーザのスポットの種類毎の訪問回数
Ｂｎ：日常における各ユーザの全てのスポットの種類の総訪問回数
Ｃｎ：日常における全ユーザの全てのスポットの種類の総訪問回数
Ｄｎ：日常における全ユーザのスポットの種類毎の総訪問回数

このようにスポットの種類について重要度を算出することで、日本全国などの広域な範囲を解析する場合でも、現実的に算出可能な情報量とすることができる。なお、日常重要度Ｉｎは、当日重要度Ｉｔと同じパラメータで算出されることが好ましい。すなわち、当日重要度Ｉｔが訪問回数で算出された場合は、日常重要度Ｉｎも訪問回数に基づいて算出されることが好ましく、当日重要度Ｉｔが総滞在時間、平均滞在時間、訪問スポット数のいずれかで算出された場合は、日常重要度Ｉｎも対応するパラメータのいずれかで算出されることが好ましい。

また、重要度算出部１０３３ｂは、ユーザの当日位置情報を用いて、ユーザが当日に訪問したスポットの種類の重要度を算出する。
Ｉｔ（当日重要度）＝Ｆｔ（当日における頻度）×Ｒｔ（当日におけるレアリティ）
Ｆｔ＝（Ａｔ／Ｂｔ）
Ｒｔ＝（Ｃｔ／Ｄｔ）
Ａｔ：当日における各ユーザのスポットの種類毎の訪問回数
Ｂｔ：当日における各ユーザの全てのスポットの種類の総訪問回数
Ｃｔ：当日における全ユーザの全てのスポットの種類の総訪問回数
Ｄｔ：当日における全ユーザのスポットの種類毎の総訪問回数

（１．４．データ分析部１０３４）
データ分析部１０３４は、行動データ生成部１０３３が生成した当日行動データと日常行動データとに基づいて、ユーザの行動の分析を行う。一例として、データ分析部１０３４は、当日行動データと日常行動データの比較のための表示、日常行動データに基づく当日行動のレコメンド、日常行動データに基づくユーザが属するクラスタのマッチングなどを行う。

（２．データ構造）
図２にユーザ情報ＤＢ１０２１の具体例を示す。ユーザ情報取得部１０３１は、ユーザより、一定の時間的間隔をもって、定期的に位置情報及び時間情報を取得する。そして、ユーザ情報取得部１０３１は、位置情報を取得したユーザのユーザid、取得時間、ユーザの位置情報（緯度及び経度）をユーザ情報ＤＢ１０２１に記憶する。ユーザ情報ＤＢ１０２１が記憶する情報はこれらに限られるものではなく、ユーザの年齢（年代）、性別、居住地域など他の情報を記憶してもよい。

図３にスポット情報ＤＢ１０２２の具体例を示す。スポット情報ＤＢ１０２２には、スポットを識別するための識別id、スポットの位置情報（緯度、経度）、スポット名（ショップ名など）、種類（飲食店、テーマパーク、駅などそのスポットの用途に基づく区分）を記憶する。また、スポット情報ＤＢ１０２２には、そのスポットの開店時間、平均予算などその他の情報を記憶しておいてもよいし、そのスポット公式ホームページ、紹介ページなどのリンクを保存しておき、スポットの各種情報を取得できるようにしておいてもよい。
（３．処理の流れ）
図４は、本開示の第１実施形態におけるクラスタ生成プログラムの処理の流れを示す。

（３．１．ユーザ情報の取得）
ステップＳ１１０において、ユーザ情報取得部１０３１は、ユーザの位置情報と時間を継続的に取得する。そして、ユーザ情報取得部１０３１は、取得した情報を、ユーザ情報ＤＢ１０２１に順次記憶する。

（３．２．ユーザの抽出）
ステップＳ１２０において、ユーザ抽出部１０３２は、ユーザ情報ＤＢ１０２１とスポット情報ＤＢ１０２２を参照して、調査期間に調査スポットを訪問したユーザを抽出する。

（３．３．行動データの生成）
ステップＳ１３０（行動データ生成処理）において、行動データ生成部１０３３は、ユーザ抽出部１０３２が抽出したユーザの当日位置情報および日常位置情報に基づいて、行動データ（当日行動データおよび日常行動データ）を生成する。行動データ生成処理では、ステップＳ１３１～ステップＳ１３４が実行される。

ステップＳ１３１では、当日位置情報の取得が行われる。図５Ａに示すように、行動データ生成部１０３３は、所定の間隔に定められたメッシュ単位で、ユーザが調査スポットに訪問したか否かを判定する。図５Ａでは、一例として１２５ｍ間隔のメッシュが定義されており、行動データ生成部１０３３は、調査スポットである区画Ａを訪問したか否かを判定する。

行動データ生成部１０３３は、さらに、抽出されたユーザの当日位置情報を取得する。ここで、当日位置情報の取得にあたっては、調査スポットを訪問したユーザが、訪問したタイミングを基準とした所定の期間（例えば１２時間ごとの前後期間）に、当該ユーザがどのエリアにいたかを検出する。

図５Ｂに示す図では、調査期間内のある日に調査スポット（区画Ａ）に初めて訪れた（以下、チェックインしたという）ユーザ１３人のうち、チェックインのタイミングを基準として単位時間Ｔ（本実施形態では一例として３０分）経過後に、３人が区画Ｂに、２人が区画Ｃに、１人が区画Ｄに移動したことが示されている。また、当該ユーザ１３人のうち、２Ｔ経過後には、３人が区画Ｂに、２人が区画Ｃに、２人が区画Ｄに、１人が区画Ｅに、１人が区画Ｆに移動したことが示されている。

一方、当該ユーザ１３人のうち、チェックインのタイミングを基準として単位時間Ｔ前には、７人が区画Ｂに、３人が区画Ｃに、２人が区画Ｄに、１人が区画Ｅにいたことが示されている。また、当該ユーザ１３人のうち、チェックインのタイミングを基準として２Ｔ前には、５人が区画Ｂに、２人が区画Ｃに、３人が区画Ｄに、２人が区画Ｅに、１人が区画Ｆにいたことが示されている。

このように、本実施形態では、ユーザが調査スポットにチェックインしたタイミングを基準として、前後１２時間（すなわち２４時間の期間）を当日として、当該ユーザの位置情報を取得する。このようにすることで、個人情報を不当に晒すことなく当該スポットの利用の実態を正確に把握しつつ、後続のクラスタリング処理において分割するのに十分な情報を取得することができる。また、「当日」のデータと「日常」のデータとを明確に区別することが可能となる。なお、「当日」を規定するための所定の期間はチェックインのタイミングの前後１２時間に限定されることはなく、適宜設定可能である。例えば、チェックインのタイミングの前後３日の期間を「当日」としてもよい。

また、このようにチェックインのタイミングを基準とした所定の単位時間ごとの前後期間における位置情報を取得することにより、ユーザの当日の行動を把握することができ、後続の行動データの比較処理（ステップＳ１４０）において、ユーザの行動の分析を行い、適切なレコメンドを行う際の情報として利用することができる。また、ユーザの当日の行動データの時系列を考慮したクラスタリングを行うことも可能となる。

ステップＳ１３２において、行動データ生成部１０３３は、抽出されたユーザの調査期間（すなわち、日常に相当する期間）における位置情報（日常位置情報ともいう）を取得する。

ステップＳ１３３において、クラスタ生成部１０３３ａは、ユーザが訪問日に訪問したスポットの位置情報に基づくエリアクラスタリングを行う。クラスタ生成部１０３３ａは、ユーザが訪問したスポットに基づいて、ユーザの分類であるクラスタを生成する。クラスタ生成は、例えば、次に示すように、階層型クラスタリングを用いて行う。

階層型クラスタリングでは、例えば、ユーザから見たスポットの共通性（スポットから見たユーザの共通性）を距離又は類似度に見立てて、スポットのクラスタリングを行う。具体的には、例えば、Ａ，Ｂ，Ｃの３つのスポットがあり、そのスポットを訪問したユーザのidがそれぞれ、Ａ＝（０１，０２，０３，０４，０５）、Ｂ＝（０１，０２，０３，０４，０６）、Ｃ＝（０１，０２，０７，０８，０９）であった場合、ユーザの共通性が高い（類似度が高い）ＡとＢがまずはクラスタリングが行われ、そののちに、Ａ＋Ｂ，Ｃという形でクラスタリングが行われる。階層型クラスタリングの候補としては、Ａ＋Ｂ＋Ｃ、Ａ＋Ｂ、Ｃ、Ａ、Ｂというパターンが生成される。

クラスタ生成部１０３３ａは、類似するスポットを組み合わせながら階層型クラスタリングを行い、クラスタを生成する。このとき、共通スポットが少ないクラスタは、駅やコンビニエンスストアなど、一般的な場所の訪問に留まり、特徴が少ないと考えられる。したがって、共通スポットが多い（共通するユーザ数は少なくなる）クラスタを抽出して最終的なクラスタを生成してもよい。

また、特徴のあるクラスタを選択するため、共通するスポットの数×ユーザ数により値の大きいものからクラスタを並び替えてもよい。加えて、共通するスポットの滞在時間の総和などの指標を用いてもよいし、そのほか特徴のあるクラスタを抽出するための要素を加味してもよい。さらに、これらの指標を用いて、上位Ｍ１個を抽出した上で、クラスタとして構成してもよい。

クラスタ生成部１０３３ａでは、階層型クラスタリングに限られず、非階層型クラスタリングや既知のクラスタリングアルゴリズムを用いてクラスタ生成を行ってもよい。

クラスタ生成部１０３３ａは、意味のある場所、すなわちレアリティを用いてクラスタを生成してもよい。例えば、一部のユーザのみが訪問するスポット（訪問するユーザ数がａ以上ｂ以下）のスポットにレアリティ１０を振り、それ以外のスポットはレアリティを１とする。そして、クラスタを生成する際に、クラスタ内に含まれるスポットからレアリティを算出し、生成したクラスタをレアリティの高いものから並べ替えてもよい。このとき、レアリティの高いものからＭ個を抽出してもよい。

また、レアリティを考慮するに際して、ユーザの訪問回数のみではなく、訪問時刻、滞在時間、スポットの種類の共通性、総滞在時間、平均滞在時間、テレビ・雑誌・インターネット・ＳＮＳなどメディアで紹介・引用された回数、移動体、購買データ、スポットが取り扱う商品や役務の料金、商品や役務の種別・種類などの要素を考慮してレアリティを付与してもよい。

図６にクラスタ生成部１０３３ａがクラスタリングを行った後の生成したクラスタの具体例１４１を示す。例えば、１００のクラスタを生成することを目標とした場合に、共通するスポットが多く、構成人数が多いものから、１００個のクラスタを生成した例を示す。

クラスタ生成部１０３３ａは、スポットの共通性（ユーザの共通性）だけではなく、訪問時刻、訪問回数、滞在時間、スポットの種類の共通性などの要素も加味した上で、クラスタリングを行ってもよい。このとき、クラスタ生成部１０３３ａは、スポットの共通性（ユーザの共通性）、訪問時刻、訪問回数、滞在時間、スポットの種類の共通性などの各要素をそれぞれ重みづけした上で、クラスタリングを行ってもよい。

図７にスポットの共通性（ユーザの共通性）の他、滞在時間、訪問頻度（図７ではＣＩ頻度と示している）、滞在時間分散、訪問頻度分散、最大滞在時間、最小滞在時間、最大訪問頻度、最小訪問頻度を加味してクラスタリングを行った具体例１４２を示す。なお、図７では省略しているが、実際には図６と同じように、各クラスタには、複数のスポットが存在し、例えば、図７のクラスタＩＤ１のクラスタでは、スポットＡのみならず、スポットＢＣＤＥも要素として存在している。

ステップＳ１３４において、重要度算出部１０３３ｂは、クラスタ生成部１０３３ａの生成したクラスタ毎に、当該クラスタに属するユーザの日常データを取得して、ユーザの日常の行動における日常重要度Ｉｎを算出する。

（３．４．データの分析）
ステップＳ１４０において、データ分析部１０３４は、当日行動データ（当日位置情報、エリアクラスタリングの結果、および当日重要度Ｉｔ）と日常行動データ（日常位置情報および日常重要度Ｉｎ）の比較を行う。例えば、図８に示す例では、当日の行動についてのレーダーチャートと、日常の行動についてのレーダーチャートが対比されて表示されている。このような比較を行うことにより、抽出されたユーザが当日にどのような行動をとる嗜好があるのかを確認することができる。また、合わせて、抽出されたユーザが日常にどのような行動をとる嗜好があるのかも確認することができる。これにより、当日の行動の理由、必然性、動機付けなどを推察することができる。

また、データ分析部１０３４は、調査スポットまたはユーザの現在地・現在時刻から、当日の行動と日常の行動における各パラメータ（例えば、訪問したスポットの占有率、滞在時間、周遊経路、スケジュール、重要度）を比較する。そして、当日の行動と日常の行動における所定の閾値以上の乖離（あるいは閾値の範囲内の一致）を算出する。

また、データ分析部１０３４は、算出した当日の行動と日常の行動との一致の度合いに基づいて、ユーザの当日の行動パターンに沿うと推定される所定のスポットをサーバ１０のオペレータにレコメンドする仕様としてもよい。例えば、算出した当日の行動と日常の行動との乖離が所定の閾値を超えている場合に、ユーザの日常の行動パターンに当てはまるスポット（スポットの固有名称であってもよいし、スポットのジャンルであってもよい）またはコンテンツをオペレータに提示する。

また、データ分析部１０３４は、ユーザの当日の行動から行動パターンが一致するクラスタとのマッチングを行い、当日の行動をナビゲートする仕様としてもよい。日常の行動をレコメンドする仕様としてもよい。また、ユーザの日常の行動から行動パターンが一致するクラスタとのマッチングを行い、当日の行動をナビゲートする仕様としてもよいし、日常の行動をレコメンドする仕様としてもよい。

以上のようにして、本実施形態では、 サーバ１０は、複数のユーザの位置情報を取得するユーザ情報取得ステップと、ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、抽出したユーザの位置情報に基づいて、所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップを実行する。

このような構成とすることにより、特定の施設、地域を訪問したユーザが求めているサービスを把握することが可能となる。また、これらのニーズから、ユーザにレコメンドすべきサービスや施設などを把握することが可能となる。

また、当日の行動と日常の行動とを比較することで、日常においてどのような行動パターンの人が当日にどう動いたといった分析や、当日にこう動いた人は日常においてこのような人といった分析を行うことができ、それに基づくスポットやコンテンツをレコメンドすることやナビゲートすることが可能となる。また日常の行動において属するクラスタから当日の行動を予測することや、当日の行動において属するクラスタから日常の行動パターンについて予測することが可能となる。

より具体的には、例えば１時間に１回の頻度で位置情報を取得する場合には、１人のユーザにつき１日で２４個の位置情報を取得でき、１カ月（３０日）で７２０個の位置情報を取得でき、１年（３６５日）で８７６０個の位置情報を取得できる。例えば、日常の期間を１年間とした場合においては、日常行動データを分析することにより、この８７６０個の位置情報を他のユーザと比較することにより、どのジャンル（またはエリア）が好きか（または嫌いか）の嗜好を判別することが可能となる。

一方、当日行動データの取得を基準タイミングの前後１２時間とした場合、当日行動データを分析することにより、２４個の位置情報を他のユーザと比較することになる。この場合、当日の動きについての傾向を判別することが可能となる。

また、本実施形態においては、ユーザの位置情報のみを取得しており、他の属性データ（趣味、嗜好、購買歴、年齢、性別、職業等）を取得しなくてよいため、以下の長所を挙げることができる。
・多数のユーザの位置情報に基づく分析結果を早く生成できる。
・データ分析における負荷を低減できる。
・属性回答者を多く得ることができ、正確なデータ分析を行うことができる。
・別データを結合する必要がなく、正確なデータ分析を行うことができる。
・別データを買い付ける必要がなく、安価にデータ分析を行うことができる。
・様々なデータを結合した複雑な生成方法ではないので、分析実行者は分析結果の転用が容易である。

なお、本実施形態におけるデータ分析は、ある地点の毎月の定期観測を行う形での利用や、全国分析を行い全国地域でのナビゲーションを行う形で利用を容易に行うことができる。

また、時勢的に個人情報を保持しにくい状況であることを鑑みると、今後は統計データによるマーケティングが増えることが想定される。本実施形態におけるデータ分析および統計処理は当日／日常、経路／ジャンルごとのスケジュール、ユーザの嗜好など様々な観点からユーザと統計データをマッチングすることが可能である。

（４．ハードウェア構成）
図１０は、サーバ１０のハードウェア構成を示す図である。サーバ１０は、汎用のコンピュータである。サーバ１０は、例えば、据え置き型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ラップトップＰＣ等により実現される。また、サーバ１０は、スマートフォン、又はタブレット端末などの携行性を備えたコンピュータであってもよい。

図１０に示すように、サーバ１０は、プロセッサ１１、メモリ１２、ストレージ１３、通信ＩＦ１４、入出力ＩＦ１５を備える。

プロセッサ１１は、プログラムに記述された命令セットを実行するためのハードウェアであり、演算装置、レジスタ、周辺回路などにより構成される。メモリ１２は、プログラム、および、プログラム等で処理されるデータ等を一時的に記憶するためのものであり、例えばＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性のメモリにより実現される。ストレージ１３は、データを保存するための記憶装置であり、例えばフラッシュメモリ、ＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）により実現される。通信ＩＦ１４は、サーバ１０が外部の装置と通信するため、信号を送受信するためのインタフェースである。入出力ＩＦ１５は、ユーザからの入力を受け付けるための入力装置、および、ユーザに対し情報を提示するための出力装置とのインタフェースとして機能する。

図１１は、サーバ１０とユーザ端末２０とを接続させたシステム１の例を示す。本開示に係るシステム１は、図１１に示すように、サーバ１０と、ユーザ端末２０とをネットワークを介して接続させて動作させてもよい。このとき、サーバ１０とユーザ端末２０との間で、機能を分散させてもよい。また、複数のサーバを用いて機能を分散させてもよい。

また、本開示に係る情報解析装置は、上記装置によらず、例えば、コンピュータがプログラムを実行することで、その機能を実現してもよい。情報解析装置の機能を実現するためのプログラムは、ＵＳＢ（Universal Serial Bus）メモリ、ＣＤ－ＲＯＭ（Compact Disc－Read Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＨＤＤ（Hard Disc Drive）等のコンピュータ読み取り可能な記録媒体に記憶されてもよいし、ネットワークを介してコンピュータにダウンロードされてもよい。

（５．変形例）
変形例として、上記実施形態では、ステップＳ１３１において、調査スポットを始めた訪れたチェックインのタイミングを基準としているが、ユーザが当該調査スポットを訪れたのちに離れたタイミング（以下、チェックアウトのタイミングという）を基準としてもよい。

図９に示す図では、調査期間内のある日に調査スポット（区画Ａ）に初めて訪れた（以下、チェックインしたという）ユーザ１３人のうち、当該ユーザが区画Ａを離れたチェックアウトのタイミングを基準として単位時間Ｔ（本実施形態では一例として３０分）経過後に、７人が区画Ｂに、３人が区画Ｃに、２人が区画Ｄに、１人が区画Ｅに移動したことが示されている。また、当該ユーザ１３人のうち、２Ｔ経過後には、５人が区画Ｂに、２人が区画Ｃに、３人が区画Ｄに、２人が区画Ｅに、１人が区画Ｆに移動したことが示されている。

このように、調査スポットにチェックインしたユーザについて、チェックアウトを基準として当該ユーザの位置情報を取得することにより、調査スポットと他のスポットとの関係性をより正確に把握することが可能となる。すなわち、ユーザが調査スポットからどのスポットへ移動したかをシンプルに把握することができるため、調査スポットが映画館や球場などのように利用時間が定められたスポットである場合には、行動データの分析が容易となる。

＜２．第２実施形態＞

図１２、図１３を参照して、第２実施形態について説明する。第２実施形態では、クラスタ生成部１０３３ａは日常位置情報に基づくクラスタリングを行う。以下、相違点を中心に説明する。

（１．クラスタ生成部１０３３ａ）
第２実施形態におけるクラスタ生成部１０３３ａは、ユーザが日常に訪問したスポットの種類（ジャンル）に基づいて、ユーザの分類であるジャンルクラスタを生成する。ここで、スポットの種類とは、具体的には、飲食店、遊興施設、パソコンショップ、書店などの事業に基づく区分けであってもよい。または、スポットの種類とは、そのスポットの開業日、ＳＮＳ（Social Networking Service）・メディア等に紹介・登録された日、いずれの国を象徴するサービスであるか（例えばアメリカンスタイル、イタリアンスタイルなど）、顧客単価の分類、大衆向けかニッチ向けかなど、事業による区分けだけでなく、提供するサービスを様々な側面から見た基準による区分けであってもよい。

クラスタ生成部１０３３ａは、ユーザ抽出部１０３２から取得したユーザ情報に基づいて、当該ユーザがどのスポットにチェックインしたか、すなわち、ユーザがどのスポットに訪問したかを把握する。クラスタ生成部１０３３ａによるユーザのスポット訪問の判定方法は、第１実施形態と同様であるため、説明は繰り返さない。

クラスタ生成部１０３３ａは、ユーザが訪問したスポットからスポットの種類を検出し、ユーザが訪問したスポットの種類に基づいて、ユーザの分類であるジャンルクラスタを生成する。クラスタ生成部１０３３ａは、例えば、ユーザが訪問したスポットの種類の共通性に基づき、階層型クラスタリング、非階層型クラスタリング、または既知のアルゴリズムなどを用いてジャンルクラスタ生成を行う。このとき、クラスタ生成部１０３３ａは、クラスタ生成の目標をＭ２個とし、共通するスポットの種類に基づいて、共通するスポットの種類が多いものからＭ２個のジャンルクラスタを生成してもよい。

クラスタ生成部１０３３ａがジャンルクラスタを生成するに際し、階層型クラスタリング、非階層型クラスタリング、あるいは、既知のクラスタリングアルゴリズムを用いてもよい。

クラスタ生成部１０３３ａは、クラスタリングを行う際に、例えば、スポットの種類と総滞在時間を加味してその類似性により、非階層型クラスタリングを行ってもよい。また、例えば、スポットの種類、平均滞在時間、訪問回数を加味してその類似性により、非階層型クラスタリングを行ってもよい。

また、クラスタ生成部１０３３ａは、クラスタリングを行う際に、スポットの種類の総滞在時間、訪問回数、訪問時刻、訪問日時、平均滞在時間、訪問したスポット数の共通性などを加味してジャンルクラスタを生成してもよい。

さらに、クラスタ生成部１０３３ａは、クラスタリングを行う際に、スポットの種類の共通性、スポットの種類の総滞在時間、訪問回数、訪問時刻、訪問日時、平均滞在時間、訪問したスポット数などの要素に対して、それらを重みづけした上で加味してクラスタを生成してもよい。

クラスタ生成部１０３３ａは、スポットの種類に対して、意味のある場所、つまりレアリティの高い場所に対して高い値を付与してもよい。また、スポット、ユーザ、ユーザの行動等に対して、意味のある要素にレアリティを付与してもよい。

クラスタ生成部１０３３ａは、レアリティの付与について、スポットの種類に対し、調査地域内のスポット数の多寡、言い換えれば、スポットの種類の偏り又は割合に応じてレアリティを付与してもよい。例えば、あるスポットの種類に対して、その存在数が少ないスポットの種類に対して、高いレアリティを付与してもよい。具体的には、コンビニが１０００スポットあり、映画館が１０スポットであれば、存在数の少ない映画館の方に高いレアリティを付与する。つまり、スポットの種類の調査地域内の存在数の逆数を値として、レアリティを付与してもよい。

クラスタ生成部１０３３ａは、例えば、あるスポットの種類に対して、訪問したスポットに応じてレアリティを加味してもよい。例えば、レアリティの高い映画館に訪問した場合には、訪問ポイント１０ポイントを付与し、レアリティの低い映画館に訪問した場合には、訪問ポイント１ポイントを付与することで、レアリティを加味してもよい。

クラスタ生成部１０３３ａは、レアリティの付与について、例えば、少数ではあるが、閾値を超える数のユーザ、すなわち、一定の範囲の人数のユーザが共通した行動をとる場合に高い値を付与してもよい。

クラスタ生成部１０３３ａは、レアリティの付与について、例えば、滞在時間の長短、訪問回数の多寡及び／又は訪問時刻の偏りなどユーザの行動に応じてレアリティを付与してもよい。例えば、他のスポットの種類と比較して、多数に偏りがあるスポットの種類にレアリティを付与してもよいし、他のスポットの種類と比較して、一部に偏りがあるスポットの種類にレアリティを付与してもよい。

また、クラスタ生成部１０３３ａは、所定の方法で算出した重要度を加味したクラスタリングを行ってもよい。一例として、日常位置情報のジャンルクラスタリングにおける重要度Ｉｎを、各ユーザが日常に訪問したスポットの訪問回数に基づく頻度ＦｎおよびレアリティＲｎに基づいて算出する。

すなわち、
Ｉｎ（日常重要度）＝Ｆｎ（日常における頻度）×Ｒｎ（日常におけるレアリティ）
Ｆｎ＝（Ａｎ／Ｂｎ）
Ｒｎ＝（Ｃｎ／Ｄｎ）
Ａｎ：日常における各ユーザのスポットの種類毎の訪問回数
Ｂｎ：日常における各ユーザの全てのスポットの種類の総訪問回数
Ｃｎ：日常における全ユーザの全てのスポットの種類の総訪問回数
Ｄｎ：日常における全ユーザのスポットの種類毎の総訪問回数
として算出された日常重要度Ｉｎを加味したクラスタリングを行ってもよい。このようにすることで、当該スポットの種類の重要度を評価したクラスタリングを行うことができる。

なお、日常重要度Ｉｎの算出において、上述の訪問回数に代わって、総滞在時間を用いて算出してもよい。すなわち、
Ａｎ：日常における各ユーザのスポットの種類毎の総滞在時間
Ｂｎ：日常における各ユーザの全てのスポットの種類の総滞在時間
Ｃｎ：日常における全ユーザの全てのスポットの種類の総滞在時間
Ｄｎ：日常における全ユーザのスポットの種類毎の総滞在時間
として算出された日常重要度Ｉｎを加味してクラスタリングを行ってもよい。

また、日常重要度Ｉｎの算出において、上述の訪問回数に代わって、平均滞在時間を用いてもよい。すなわち、
Ａｎ：日常における各ユーザのスポットの種類毎の平均滞在時間
Ｂｎ：日常における各ユーザの全てのスポットの種類の平均滞在時間
Ｃｎ：日常における全ユーザの全てのスポットの種類の平均滞在時間
Ｄｎ：日常における全ユーザのスポットの種類毎の平均滞在時間
として算出された日常重要度Ｉｎを加味してクラスタリングを行ってもよい。

また、日常重要度Ｉｎの算出において、上述の訪問回数に代わって、スポットの種類毎の訪問スポット数等を用いてもよい。すなわち、
Ａｎ：日常における各ユーザのスポットの種類毎の訪問スポット数
Ｂｎ：日常における各ユーザの全てのスポットの種類の総訪問スポット数
Ｃｎ：日常における全ユーザの全てのスポットの種類の総訪問スポット数
Ｄｎ：日常における全ユーザのスポットの種類毎の総訪問スポット数
として算出された日常重要度Ｉｎを加味してクラスタリングを行ってもよい。

また、日常重要度Ｉｎの算出におけるパラメータは、上述した訪問回数、総滞在時間、平均滞在時間、訪問スポット数に限定されず、他のパラメータを用いて日常重要度Ｉｎを算出し、クラスタリングに加味してもよい。

（２．重要度算出部１０３３ｂ）
重要度算出部１０３３ｂは、クラスタ生成部１０３３ａによる日常データのジャンルクラスタリングの結果と、ユーザの当日位置情報を用いて、ユーザの当日の行動における重要度である当日重要度Ｉｔを算出する。重要度算出部１０３３ｂは、クラスタ生成部１０３３ａの生成したクラスタ毎に、当該クラスタに属するユーザの当日データを抽出して、ユーザの当日の行動における当日重要度Ｉｔを算出する。

一例として、当日重要度Ｉｔは以下の式で算出される。
Ｉｔ（当日重要度）＝Ｆｔ（当日における頻度）×Ｒｔ（当日におけるレアリティ）
Ｆｔ＝（Ａｔ／Ｂｔ）
Ｒｔ＝（Ｃｔ／Ｄｔ）
Ａｔ：当日における各ユーザのスポットの種類毎の訪問回数
Ｂｔ：当日における各ユーザの全てのスポットの種類の総訪問回数
Ｃｔ：当日における全ユーザの全てのスポットの種類の総訪問回数
Ｄｔ：当日における全ユーザのスポットの種類毎の総訪問回数

なお、当日重要度Ｉｔは、日常重要度Ｉｎと同じパラメータで算出されることが好ましい。すなわち、日常重要度Ｉｎが訪問回数で算出された場合は、当日重要度Ｉｔも訪問回数に基づいて算出されることが好ましく、日常重要度Ｉｎが総滞在時間、平均滞在時間、訪問スポット数のいずれかで算出された場合は、当日重要度Ｉｔも対応するパラメータのいずれかで算出されることが好ましい。

また、重要度算出部１０３３ｂは、ユーザの当日位置情報を用いて、訪問したスポットの重要度を算出してもよい。
Ｉｎ（当日重要度）＝Ｆｎ（当日における頻度）×Ｒｎ（当日におけるレアリティ）
Ｆｎ＝（Ａｎ／Ｂｎ）
Ｒｎ＝（Ｃｎ／Ｄｎ）
Ａｎ：当日における各ユーザのスポット毎の訪問回数
Ｂｎ：当日における各ユーザの全てのスポットの総訪問回数
Ｃｎ：当日における全ユーザの全てのスポットの総訪問回数
Ｄｎ：当日における全ユーザのスポット毎の総訪問回数

（３．処理の流れ）
図１３を参照して、第２実施形態における処理の流れを、第１実施形態との差異を中心に説明する。

ステップＳ１３３において、クラスタ生成部１０３３ａは、ユーザが日常に訪問したスポットの種類の情報に基づくジャンルクラスタリングを行う。

クラスタ生成部１０３３ａは、ユーザが訪問したスポットの種類に基づいて、ユーザの分類であるジャンルクラスタを生成する。クラスタ生成は、例えば、Ｋ－平均アルゴリズム、最小平均分散法など、既に知られている既存の非階層型クラスタリング手法を用いてよい。また、非階層型クラスタリングに限らず、階層型クラスタリング手法を用いてもよい。

クラスタ生成部１０３３ａは、スポットの種類の総滞在時間、訪問回数、訪問時刻、訪問日時、平均滞在時間、訪問したスポット数の共通性などを加味してジャンルクラスタを生成してもよい。また、スポットの種類の総滞在時間、訪問回数、訪問時刻、訪問日時、平均滞在時間などの割合を加味してジャンルクラスタを生成してもよい。

クラスタ生成部１０３３ａは、スポットの種類の総滞在時間、訪問回数、訪問時刻、訪問日時、平均滞在時間などを、例えばその総数で除することで正規化した上で、ジャンルクラスタを生成してもよい。すなわち、クラスタ生成部１０３３ａは、ユーザごとにレーダーチャートを作成し、そのレーダーチャートの類似性に基づいてジャンルクラスタを生成してもよい。このように、正規化した上でジャンルクラスタを生成することで、各パラメータの比率を用いたレーダーチャートの類似性、すなわち波形を重視したクラスタリングを行うことが可能となる。

クラスタ生成部１０３３ａは、レアリティを用いてジャンルクラスタを生成してもよい。具体的には、例えば、各ユーザのスポットの種類毎の訪問回数を各ユーザの全てのスポットの種類の総訪問回数で除算した頻度と、全ユーザの全てのスポットの種類の総訪問回数を全ユーザのスポットの種類毎の総訪問回数で除算したレアリティを掛け合わせた値を、クラスタリングにおけるあるユーザのあるスポットの訪問回数の代わりに用いることで、レアリティを加味してもよい。

また、レアリティを考慮するに際して、ユーザの訪問回数のみではなく、総滞在時間、訪問時刻、平均滞在時間の割合などの要素を考慮してレアリティを付与してもよい。

クラスタ生成部１０３３ａは、例えば、生成するクラスタの数をＫと決め、非階層型クラスタリングにより、Ｋのクラスタを生成する。ただし、クラスタ生成部１０３３ａは、非階層型クラスタリングに限らず、その他のクラスタリング手法を用いてもよい。

クラスタ生成部１０３３ａは、例えば、ある施設に対して複数のスポットの種類が付与されている場合、ユーザが訪問した位置情報の近隣に複数の施設がある場合など、正しくスポットの種類が取得できない時は、対象地域からスポットの種類が限定的な地域のみを抽出することで、スポットの種類が正しく把握できない問題を解決し、ジャンルクラスタを生成してもよい。

ステップＳ１３４において、重要度算出部１０３３ｂは、クラスタ生成部１０３３ａの生成したクラスタ毎に、当該クラスタに属するユーザの当日データを取得して、ユーザの日常の行動における当日重要度Ｉｔを算出する。

ステップＳ１４０において、データ分析部１０３４は、当日行動データ（当日位置情報および当日重要度Ｉｔ）と日常行動データ（日常位置情報、ジャンルクラスタリングの結果および日常重要度Ｉｎ）の比較を行う。具体的には、データ分析部１０３４は、調査スポットまたはユーザの現在地・現在時刻から、当日の行動と日常の行動における各パラメータ（例えば、訪問したスポットの占有率、滞在時間、周遊経路、スケジュール、重要度）を比較する。そして、当日の行動と日常の行動における所定の閾値以上の乖離（あるいは閾値の範囲内の一致）を算出する。

また、データ分析部１０３４は、算出した当日の行動と日常の行動との一致の度合いに基づいて、ユーザの行動パターンに沿うと推定される所定のスポットをサーバ１０のオペレータにレコメンドする仕様としてもよい。例えば、算出した当日の行動と日常の行動との乖離が所定の閾値を超えている場合に、ユーザの日常の行動パターンに当てはまるスポット（スポットの固有名称であってもよいし、スポットのジャンルであってもよい）またはコンテンツをオペレータに提示する。

また、データ分析部１０３４は、ユーザの日常の行動から行動パターンが一致するクラスタとのマッチングを行い、当日の行動をナビゲートする仕様としてもよいし、日常の行動をレコメンドする仕様としてもよい。

このように、第２実施形態にかかるサーバ１０においても、上記第１実施形態と同様の効果を得ることが可能となる。

＜３．第３実施形態＞

図１４～図１７を参照して、第３実施形態について説明する。図１４に示すように、第３実施形態では、記憶部１０２は分析結果データベース１０２３をさらに備える。また、制御部１０３は、データ活用部１０３５をさらに備える。第３実施形態では、データ分析部１０３４は、行動データの分析処理（ステップＳ１４０）の結果を分析結果データベース１０２３に登録する。データ活用部１０３５は、分析結果データベース１０２３を参照して、ユーザの行動についてのレコメンドを生成する。以下、相違点を中心に説明する。

（１．データ活用部１０３５）
データ活用部１０３５は、記憶部１０２の分析結果データベース１０２３に格納されている分析処理の結果（すなわち当日行動データと日常行動データ、およびそれらの比較データ）を参照して、ユーザの行動についてのレコメンドを生成する。

図１５Ａには、訪問ユーザの当日行動データとしてのクラスタリング結果におけるクラスタのひとつであるクラスタＸが例示されている。図１５Ａに示すように、クラスタＸに属するユーザの移動経路は、スポットＲ→スポットＥ→スポットＪ→スポットＭとなっている。

これに対して、レコメンドを受けるユーザＹはスポットＲ→スポットＥ→スポットＡに移動している。サーバ１０のデータ活用部１０３５は、ユーザＹの移動経路についての情報を取得し、移動経路の一部が一致しているクラスタＸとのマッチングを行う。

データ活用部１０３５は、ユーザＹの行動からクラスタＸとマッチングを行うと、クラスタＸの移動経路をユーザＹにレコメンドする。具体的には、ユーザＹがスポットＲ→スポットＥ→スポットＡと移動しているのに対して、スポットＪ→スポットＭをレコメンドする。このように、データ活用部１０３５は、一例としてユーザの移動経路についての情報に基づいてユーザの行動パターンに類似するクラスタとのマッチングを行い、当該クラスタに属するユーザの移動経路に基づいて訪れるスポットのレコメンドを行う。

なお、当日の移動経路に基づくマッチングおよびレコメンドは一例であって、他の行動データに基づいてマッチングおよびレコメンドをしてもよい。すなわち、分析結果データベース１０２３に格納されている行動データは、当日行動データと日常行動データを含んでいる。そのため、すでに説明したように、クラスタ生成部１０３３ａによって生成されたクラスタとのマッチング（すなわち、当日行動データとのマッチング）を行ってもよいし、重要度算出部１０３３ｂによって生成された日常行動データとのマッチングを行ってもよい。具体的には、データ活用部１０３５は、日常行動データにおける移動経路に基づいて、ユーザの移動経路とのマッチングをしてもよい。

また、マッチングおよびレコメンドは、移動経路ではなく例えばジャンルごとのスケジュールに基づいて行われてもよい。この場合、ユーザＹの当日（または日常）の行動のジャンルごとのスケジュールが美容室→婦人服店→カフェと遷移している場合に、一部または全部が一致するクラスタとのマッチングを行う。例えば、クラスタＸ２が美容室→婦人服店→カフェ→公園→バーと遷移している場合に、ユーザＹとクラスタＸ２とをマッチングさせる。そして、ユーザＹに公園→バーの行動をレコメンドする。

また、マッチングおよびレコメンドは、移動経路ではなく、ユーザから趣味嗜好や好きなコンテンツの入力を受け付けて、当該受け付けた情報に基づいてクラスタとのマッチングをしてもよい。なお、マッチングにおいては、重要度、占有率、滞在時間、頻度、レアリティ、分散などで適宜重みづけを行ってもよい。また、ユーザが直接クラスタを選択して、当該クラスタに該当する移動経路を確認できる仕様としてもよい。例えば、観光地の駅前のデジタルサイネージに所定のテーマとともに分類された移動経路が複数表示されており、ユーザがテーマ（すなわち、クラスタに相当）を選択することにより、移動経路が表示される仕様としてもよい。

（２．処理の流れ）
図１６および図１７を参照し、第３実施形態における処理の流れを説明する。ステップＳ１１０～ステップＳ１４０は、第１実施形態と同様であるため説明は繰り返さない。ステップＳ１５０において、データ活用部１０３５は、行動データ生成部１０３３による行動データ（当日行動データおよび日常行動データ）とデータ分析部１０３４による分析結果を分析結果データベース１０２３に登録する。

ステップＳ２１１において、ユーザ端末２０はユーザの位置情報を取得する。ステップＳ２１２において、ユーザ端末２０は、位置情報をサーバ１０へ送信する。

ステップＳ２２１において、サーバ１０の通信部１０１は、ユーザの位置情報を受信する。ステップＳ２２２において、サーバ１０のデータ活用部１０３５は、分析結果データベース１０２３から行動データと分析結果データを取得する。

ステップＳ２２３において、データ活用部１０３５は、レコメンドを生成する。ステップＳ２２４において、通信部１０１は、レコメンドをユーザ端末２０へ送信する。

ステップＳ２１３において、ユーザ端末２０は、レコメンドを受信する。ステップＳ２１４において、ユーザ端末２０はレコメンドを提示する。

以上のようにして、第３実施形態では、データ分析部１０３４は、行動データの分析処理の結果を分析結果データベース１０２３に登録し、データ活用部１０３５は、分析結果データベース１０２３を参照して、ユーザの行動についてのレコメンドを生成する。このような仕様とすることにより、行動データ生成部１０３３が生成した行動データと、データ分析部１０３４が行ったデータ分析処理の結果を活用して、ユーザの嗜好に沿った多様なレコメンドを実現することが可能となる。

なお、上記説明においては、ユーザの位置情報はユーザ端末２０が取得しているが、この態様に限定されることはない。例えば、車両に搭載されたカーナビシステムが取得した位置情報をサーバ１０へ送信する仕様としてもよい。または、店舗に配置されたデジタルサイネージ（電子看板）にユーザが当該店舗に来るまでの経路情報を入力し、当該経路情報をサーバ１０へ送信する仕様としてもよい。

＜４．他の実施形態＞
以上、本願の技術的範囲を適用する実施形態について説明したが、上記内容に限定されることはない。

例えば、行動データの生成方法は、上記のクラスタリングの方法に限定されることはない。すなわち、上記実施形態では、当日位置情報に対してエリアクラスタリングを行い、日常位置情報に対してジャンルクラスタリングを行っているが、この例に限定されず、当日位置情報に対してジャンルクラスタリングを行ってもよく、日常位置情報に対してエリアクラスタリングを行ってもよい。また、エリアクラスタリングおよびジャンルクラスタリング以外のクラスタリングを行ってもよい。

また、行動データ生成部１０３３は、クラスタリングを行わずに行動データを生成してもよい。この場合、抽出されたユーザの当日位置情報および日常位置情報に基づいて、既知の統計的手法によるグループ分けを用いることにより、種々の形式の行動データを生成することができる。

また、上記実施形態では、ユーザ抽出部１０３２は、調査期間内に調査スポットを訪問したことにより抽出されたユーザの調査期間における位置情報を日常位置情報として取得しているが、この例に限定されることはない。例えば、予め所定のエリアを設定して当該エリアに相当するメッシュ内を所定の期間に訪れたユーザを抽出し、当該ユーザの中で調査期間内に調査スポット（または調査スポットを含むメッシュ）を訪れたユーザの調査期間における位置情報を、日常位置情報として取得してもよい。この場合、所定のエリアとして、特定の市町村に相当するメッシュ（例えば、武蔵野市であれば約７００メッシュ）を選択してもよいし、日本全国に相当するメッシュ（数千万メッシュ）を選択してもよい。なお、日本全国のようにメッシュ量が膨大になるときは、エリアクラスタリングではなくジャンルクラスタリングを行うのが好ましい。

また、上記実施形態では、調査期間を日常としているが、この態様に限定されることはない。例えば、調査期間における当日を除く期間を日常としてもよく、調査期間とは重ならない期間を日常として別に設定して、日常位置情報を取得する仕様としてもよい。

また、上記実施形態では、ユーザ抽出部１０３２は、ユーザの位置情報の検出において、調査スポットを訪問したユーザが、訪問したタイミングを基準とした所定の単位時間ごとの前後期間における位置情報を取得して、前記ユーザがどのエリアにいたかを把握しているが、この態様に限定されることはない。例えば、調査スポットを訪問したユーザのチェックインした日付における各時刻の位置情報を検出する仕様としてもよい。具体的には、例えば、チェックインしたタイミングがある日の午前１０時であった場合には、チェックインしたタイミングの１０時間前からチェックインしたタイミングの１４時間後までの（例えば１時間おきの）各時刻における位置情報を取得する仕様としてもよい。また、チェックインしたタイミングが午後２時であった場合には、チェックインしたタイミングの１４時間前からチェックインしたタイミングの１０時間後までの各時刻における位置情報を取得する仕様としてもよい。この場合、チェックインしたタイミングを基準として、±１時間後、±２時間後の時刻（相対時刻）での位置情報を取得する仕様としてもよいし、絶対時刻（午前１０時、午後１３時等）での位置情報を取得する仕様としてもよい。

また、上記実施形態では、当日重要度Ｉｔおよび日常重要度Ｉｎを上述の式で算出しているが、例えば、ＴＦ－ＩＤＦ値を算出することにより、重要度として用いる仕様としてもよい。また、重要度以外のパラメータを算出してクラスタリングをおこなってもよいし、ユーザの特徴量としてもよい。また、重要度の算出方法としては、日常（例えば一年間）における日常位置情報を全体として、１日ごとに訪問した場所についての重要度を算出してもよいし、１年間で訪問した場所についての重要度を算出してもよい。また、日上における日常位置情報を全体として、１日ごとの日付の重要度を算出してもよい。

また、重要度算出部１０３３ｂによって算出された、ユーザが日常および当日に訪れたスポットに関する重要度に基づいて、クラスタ生成部１０３３ａは、ユーザが訪れたスポットのクラスタリングを行ってもよいし、ユーザが行動した日付のクラスタリングを行ってもよい。日付のクラスタリングとしては、例えば、ユーザが過ごした日付ごとのスポットやスポットの種類の重要度を用いて日付ごとのクラスタリングを行う。これにより、特定のクラスタでは、勤務関係以外には特徴的な場所を訪れない普通の平日、ショッピングモールや公園などを訪れている普通の休日、球場やスポーツバーなどを訪れている応援球団に関する行動を行う日、キャンプ場やキャンプ用品店などに訪れているキャンプに関する行動を行う日のように、日付のグループ分けを行うことができる。このようなクラスタリングをすることで、特定のクラスタに属するユーザが特定の行動（例えば、次の第三土曜日にキャンプをする等）をする特定の日群を分類することや、分類した結果をカレンダーに表示することや、特定の日付がユーザにとって日常的な日なのか非日常的な日なのかを分析することが可能となる。

スポットのクラスタリングとしては、例えば、ユーザが訪れたスポットごとの当日行動データのスポットやスポットの種類の重要度を用いてスポットごとのクラスタリングを行う。これにより、特定のクラスタでは、勤務関係以外には特徴的な場所を訪れない普通の平日に訪れるスポット、ショッピングモールや公園などを訪れている普通の休日に訪れるスポット、球場やスポーツバーなどを訪れている応援球団に関する行動を行う日に訪れるスポット、キャンプ場やキャンプ用品店などを訪れているキャンプに関する行動を行う日に訪れているスポットのように、スポットのグループ分けを行うことができる。このようなクラスタリングをすることで、特定のクラスタに属するユーザが特定の行動（例えば、球場の１キロメートル圏内で飲酒をする等）をする特定のスポット群を分類することや、分類した結果を地図に表示することや、特定のスポットがユーザにとって日常的なスポットなのか非日常的なスポットなのかを分析することが可能となる。

さらに、本発明は、上述のプログラムを格納する、コンピュータ読み取り可能な非一時的な記録媒体として実現してもよい。また、本発明は、第三者がユーザから取得したユーザの位置情報を別途入手して実施してもよい。

以上、本発明に係る種々の実施形態を説明したが、これらは例として提示したものであり、発明の範囲を限定することは意図していない。当該新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。当該実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１：システム，１０：サーバ，１１：プロセッサ，１２：メモリ，１３：ストレージ，２０：ユーザ端末，１０１：通信部，１０２：記憶部，１０３：制御部，１０２３：分析結果データベース，１０３１：ユーザ情報取得部，１０３２：ユーザ抽出部，１０３３：行動データ生成部，１０３３ａ：クラスタ生成部，１０３３ｂ：重要度算出部，１０３４：データ分析部，１０３５：データ活用部。

Claims (18)

1. プロセッサを備えるコンピュータに、
   複数のユーザの位置情報を取得するユーザ情報取得ステップと、
   前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、
   抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行させるプログラム。
2. 前記当日行動データ生成ステップでは、前記ユーザが当日に訪問したスポットの情報に基づくクラスタリングを行う、請求項１に記載のプログラム。
3. 前記当日行動データ生成ステップでは、前記ユーザが前記当日に訪問したスポットの位置情報に基づく時系列を考慮したクラスタリングを行う、請求項２に記載のプログラム。
4. 前記クラスタリングによって生成されたクラスタ毎に、前記ユーザが日常に訪問したスポットおよびスポットの種類の少なくとも一方の重要度を算出する、請求項２に記載のプログラム。
5. 抽出した前記ユーザの位置情報に基づいて、当該ユーザが日常としての所定の期間に訪問したスポットについてのデータを、日常行動データとして生成する日常行動データ生成ステップをさらに実行する、請求項１～請求項４のいずれか１項に記載のプログラム。
6. 前記日常行動データ生成ステップでは、前記当日行動データ生成ステップで用いたものと同一の前記ユーザの位置情報を用いて、前記日常行動データを生成する、請求項５に記載のプログラム。
7. 前記日常行動データ生成ステップでは、前記ユーザが日常に訪問したスポットの情報に基づくクラスタリングを行う、請求項６に記載のプログラム。
8. 前記クラスタリングによって生成されたクラスタ毎に、前記ユーザが当日に訪問したスポットおよびスポットの種類の少なくとも一方の重要度を算出する、請求項７に記載のプログラム。
9. 前記当日行動データと前記日常行動データを比較するステップを実行させる、請求項５に記載のプログラム。
10. 前記比較するステップでは、前記ユーザの当日行動データと日常行動データに基づいて、当日の行動と日常の行動との一致の度合いを特定する、請求項９に記載のプログラム。
11. 前記一致の度合いに基づいて、前記ユーザの行動パターンに沿うと推定されるスポットまたはコンテンツに関するレコメンド行う、請求項１０に記載のプログラム。
12. 前記当日行動データと前記日常行動データを比較するステップにおいて、前記ユーザが日常および当日に訪れたスポットに関する重要度に基づいて、前記スポットのクラスタリングを行う、請求項９に記載のプログラム。
13. 前記当日行動データと前記日常行動データを比較するスポットにおいて、スポットに関する重要度に基づいて、前記ユーザが行動した日付のクラスタリングを行う、請求項９に記載のプログラム。
14. 前記ユーザのクラスタリングの結果に基づいて、前記ユーザを当日または日常の行動から他のユーザの行動パターンに類似するクラスタとのマッチングを行う、請求項９に記載のプログラム。
15. 前記マッチングに基づいて、マッチングしたユーザに対し類似するクラスタの当日または日常の行動パターンに沿うと推定されるスポットまたはコンテンツに関するレコメンドを行う、請求項１４に記載のプログラム。
16. プロセッサを備えるコンピュータに、
    複数のユーザの位置情報を取得するユーザ情報取得ステップと、
    前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、
    抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行させる方法。
17. プロセッサを備える情報処理装置であって、前記プロセッサは、
    複数のユーザの位置情報を取得するユーザ情報取得ステップと、
    前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、
    抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行する情報処理装置。
18. プロセッサを備えるコンピュータを含むシステムであって、
    複数のユーザの位置情報を取得するユーザ情報取得ステップと、
    前記ユーザの位置情報から所定の期間に所定のスポットを訪問したユーザを抽出するユーザ抽出ステップと、
    抽出した前記ユーザの位置情報に基づいて、前記所定のスポットを訪問したユーザが、当該スポットを訪問したタイミングを基準とした所定の単位時間ごとの前後期間に、前記ユーザがどこにいたかについてのデータを、当日行動データとして生成する当日行動データ生成ステップと、を実行するシステム。