JP2771201B2 - Product information analysis method - Google Patents
Product information analysis methodInfo
- Publication number
- JP2771201B2 JP2771201B2 JP32329288A JP32329288A JP2771201B2 JP 2771201 B2 JP2771201 B2 JP 2771201B2 JP 32329288 A JP32329288 A JP 32329288A JP 32329288 A JP32329288 A JP 32329288A JP 2771201 B2 JP2771201 B2 JP 2771201B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- sales
- attribute
- code
- products
- 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.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000047 product Substances 0.000 description 131
- 238000000034 method Methods 0.000 description 31
- 238000009826 distribution Methods 0.000 description 12
- 239000003086 colorant Substances 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cash Registers Or Receiving Machines (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は商品の売上情報を分析する商品情報分析方法
に係り、とくに売上好調商品の好調要因を商品企画情報
に照らし合せて分析するに好適な商品情報分析方法に関
する。DETAILED DESCRIPTION OF THE INVENTION [Industrial Application Field] The present invention relates to a product information analysis method for analyzing sales information of a product, and is particularly suitable for analyzing the factors of good sales of products that are selling well against product planning information. Product information analysis method.
従来、流通の分野で商品の販売時点情報（いわゆるレ
ジからの入力情報）を計算機システムに集め、売上管理
や商品分析に分いる方法については、和多田：販売時点
情報活用Ｑ＆Ａ、実務教育出版において論じられてい
る。とくに、フアツシヨン衣料品の商品販売情報から、
売行きの良い商品についての素材、色、デザイン、柄等
の共通点を見出し、シーズン中の追加確保、別商品の新
規投入検討に用いることの重要性について触れられてい
る。しかし、実際に売行の良い商品について分析する方
法としては、素材、色などそれぞれの属性ごとに売上累
計を計算機システム上で計算し、その出力から売行きの
良い商品の持つ属性を見出す方法しか述べられていな
い。また、新らたに商品を企画開発する場合、売行きの
良い商品に関する素材、色などの物理的に測定できる属
性のデータも重要であるが、フアツシヨン感覚、ポジシ
ヨニング等、ことばで表わされる商品企画意図も重要と
なる。しかし、上記従来例では、商品属性としてデザイ
ン等の種類を各商品コードとともに登録し、それぞれの
デザイン種類ごとの売上累計を計算する方法しか述べら
れていなかつた。Conventionally, in the field of distribution, a method of collecting point-of-sale information (input information from a cash register) of a product in a computer system and dividing it into sales management and product analysis is discussed in Watada: Q & A utilizing point-of-sale information and practical education publication. Have been. In particular, from the product sales information of fashion clothing,
They point out the common points of materials, colors, designs, patterns, etc., of products that sell well, and discuss the importance of securing additional items during the season and using them to consider introducing new products. However, the only method of analyzing products that sell well is to calculate the cumulative sales for each attribute, such as material and color, on a computer system and find out the attributes of products that sell well from the output. Not been. Also, when planning and developing a new product, it is important to use physically measurable attribute data such as materials and colors for products with good sales. Is also important. However, in the above-mentioned conventional example, only a method of registering a type of a design or the like as a product attribute together with each product code and calculating a cumulative sales for each design type has been described.
上記従来技術は商品属性ごとに売上累計を算出してい
たので、売行き好調商品がいくつかのグループ（かたま
り）からなるかを見出すことやそれぞれのグループがど
ういう商品属性の組合せにより特徴付けられるかを見出
すことが困難であり、複数の属性の組合せで売筋が決ま
る商品の商品情報分析を精度良く行えないという問題が
あつた。Since the above-described prior art calculates the cumulative sales for each product attribute, it is necessary to find out whether the products that are selling well consist of several groups (clusters) or to determine what combination of product attributes each group is characterized by. There is a problem that it is difficult to find, and it is not possible to accurately analyze product information of a product whose sales are determined by a combination of a plurality of attributes.
また、商品属性として概念を与える場合でも、各概念
ごとに売上累計を算出していたので、売行好調商品がど
のような概念の組合せで特徴付けられるかを自動的に見
出すことができず、商品企画開発コンセプトなどと売上
好調商品との関連を分析することが困難であるという問
題があつた。In addition, even when concepts are given as product attributes, since the cumulative sales are calculated for each concept, it is not possible to automatically find out what combination of concepts a good selling product is characterized by. There was a problem that it was difficult to analyze the relationship between the product planning and development concept and the products with strong sales.
本発明の目的は、売行き好調商品をいくつかのグルー
プに分類し、それぞれがどのような商品属性の組合せに
より特徴付けられるかを自動的に見出す方法を提供する
ことにある。SUMMARY OF THE INVENTION An object of the present invention is to provide a method of classifying top selling products into several groups and automatically finding out what combination of product attributes each is characterized by.
上記目的を達成するために、本発明の商品情報分析方
法では、次のような手順をとる。まず、商品コードをあ
らかじめ計算機システム上に設定する。また、設定され
た商品コードごとに商品属性情報を入力しておく。商品
販売時点に、販売商品の商品コードを入力する。商品コ
ードごとの売上データを販売時点の商品コードの入力に
基づき累積加算する商品別売上計算処理をする。商品別
売上計算処理による商品別売上データから売上好調商品
を選ぶ。選ばれた売上好調商品群を商品属性情報に関し
てクラスタ分析し、クラスタの数とクラスタ中心の属性
とクラスタ中心に近い商品を求める。In order to achieve the above object, the product information analysis method of the present invention employs the following procedure. First, a product code is set on the computer system in advance. Also, product attribute information is input for each set product code. At the time of product sale, enter the product code of the product for sale. A product-specific sales calculation process is performed in which sales data for each product code is cumulatively added based on the input of the product code at the time of sale. Select products with strong sales from product-specific sales data by product-specific sales calculation processing. A cluster analysis is performed on the selected group of well-selling products with respect to the product attribute information, and the number of clusters, cluster-centered attributes, and products close to the cluster center are obtained.
本発明を特に特徴付ける売上好調商品群を商品属性情
報に関するクラスタ分析、とくに商品属性としてキーワ
ードが付与された場合のクラスタ分析の原理について示
す。The principle of cluster analysis on merchandise attribute information of a group of well-selling merchandise that particularly characterizes the present invention, particularly the cluster analysis when a keyword is assigned as a merchandise attribute will be described.
第２（ａ）図に、２つの商品属性x1とx2を持つ好調商
品群の各商品の属性値のx1−x2の座標上の分析を×印で
示す。To a. 2 (a) to FIG., Indicated by × mark the analysis on the coordinates x 1 -x 2 attribute value of each item of strong of products with two product attributes x 1 and x 2.
商品群は、図に示すように３つのかたまり、ω1,ω2,
ω３に分けることができ、それぞれの中心的属性値は●
印の座標値 である。属性x1,x2それぞれについて売上の座標を計算
し、その分布を見ると、第２図（ｂ）及び（ｃ）のグラ
フのようになる。これらのグラフからは、３つの分布の
かたまりの情報は得られず、売行好調の商品がどういう
属性値を持つかを精度良く知ることはできない。しか
し、よく知られたクラスタ分析手法たとえばISODATA法
（河口：多変量解析入門，森北出版）などを用いると、
分布のかたまりの数と、各商品がどの分布のかたまりに
属するかが判る。また、各分布の中心と分布の中心に最
も近い属性値、および各分布の分散が得られる。３番目
の分布ω３は、属性x2については分数が大きいため、属
性x1の平均値 だけが３番目の分布の売行き好調要因とわかる。The product group consists of three clusters, ω 1 , ω 2 ,
ω 3 and the central attribute value of each is
Mark coordinates It is. The sales coordinates are calculated for each of the attributes x 1 and x 2 , and the distribution is shown in the graphs of FIGS. 2 (b) and 2 (c). From these graphs, it is not possible to obtain information on the clusters of the three distributions, and it is not possible to know with high precision what attribute values the products that are selling well have. However, using a well-known cluster analysis method such as the ISODATA method (Kawaguchi: Introduction to Multivariate Analysis, Morikita Publishing),
The number of distribution blocks and the distribution block to which each product belongs can be determined. In addition, the center of each distribution, the attribute value closest to the center of the distribution, and the variance of each distribution are obtained. The third distribution omega 3, for the attribute x 2 because fractional large, the average value of the attribute x 1 It can be seen that only the third distribution is the reason for the strong sales.
以上は、商品属性が連続量の場合であるが、商品属性
として、商品企画開発意図などの言葉による不連続量登
録する場合の、商品のクラスタリング処理を第３図で説
明する。ｌ個の好調商品にあらかじめ登録されているフ
リーキーワードを、商品コードｉに対して と表わす。ｍ（ｉ）はフリーキーワードの個数である。
ここで、全ｌ個の好調商品に関する登録フリーキーワー
ドの和集合は、すなわち１回でも出現したフリーキーワ
ードをすべて集めたものをa1 ＊,a2 ＊,aN ＊と表わす。各
好調商品がこれらの、フリーキーワードを含むか否かを
1,0の列で表わす。すると、商品コードｉの商品の属性
は、 と表わされる。値 は０か１のみをとるが、ベクトルデータとして表現でき
たためクラスタ分析として、前に述べた連続量に対する
手法と同一の手法を用いることができることになる。た
だし、クラスタリング結果から、商品分布の各かたまり
の中心を求めると、その値 の各要素は実数となるため、四捨五入処理により、０か
１とする。各分布を特徴づけるフリーキーワードは、四
捨五入処理後の の各要素のうち、値が１でかつその要素に関する分散が
一定以下の要素のものとすればよい。Although the above description is for the case where the product attribute is a continuous quantity, the merchandise clustering process when the discontinuous quantity is registered as a product attribute using words such as product planning and development intention will be described with reference to FIG. A free keyword registered in advance for l good products is assigned to product code i. It is expressed as m (i) is the number of free keywords.
Here, the union of registered free keywords relating to all 1 good products is expressed as a 1 * , a 2 * , a N * , which is a collection of all free keywords that have appeared even once. Check if each good product contains these free keywords
Expressed in the column of 1,0. Then, the attribute of the product of the product code i is It is expressed as value Takes only 0 or 1, but since it could be expressed as vector data, the same method as the above-described method for the continuous amount can be used for cluster analysis. However, when the center of each block of the product distribution is obtained from the clustering result, Are real numbers, and are rounded to 0 or 1. Free keywords that characterize each distribution are calculated after rounding. Of the elements, the element whose value is 1 and whose variance is equal to or less than a certain value may be used.
以上により、自由に登録された商品の企画開発意図を
表わすキーワードをもとに、何種類かに自動的に分類し
た好調商品群とそれぞれの商品群を特徴づけるキーワー
ド（複数）を得ることができる。As described above, it is possible to obtain a group of well-performing products automatically classified into several types based on the keywords that indicate the planning and development intentions of freely registered products and a plurality of keywords that characterize each of the product groups. .
以下、本発明の計算機システムで実現する一実施例を
第１図および第４図により説明する。計算機端末１より
販売商品（ここでは、シーズン性の高いフアツシヨン商
品を例とする）の新規登録指示を入力する。商品コード
設定処理２は、新規登録指示入力を受けると、記憶装置
３中の商品コードテーブル４の商品コードの最大値を１
増加させる。商品コードは複数情報であり、販売商品の
登録順に商品コードを上昇順に割当てる。そこで、既割
当の商品コードの最大値を記憶装置３に記憶（図示略）
しておき、その最大値を１増加させる。１増加させた商
品コードを商品コードテーブル４に書き込む。同時に本
商品コードを計算機端末１に出力する。出力された商品
コードが記入された値札が対応する商品に付けられる。
一方、商品に関する属性を計算機端末１から入力する。
商品属性情報入力処理６は、計算機端末１から入力され
る以下の属性を、記憶装置３上の新商品コード４に対応
する属性情報テーブル７に書き込む。Hereinafter, an embodiment realized by the computer system of the present invention will be described with reference to FIGS. 1 and 4. A new registration instruction for a product for sale (here, a product having a high seasonality as an example) is input from the computer terminal 1. Upon receiving the new registration instruction input, the product code setting process 2 sets the maximum value of the product code in the product code table 4 in the storage device 3 to 1
increase. The product code is a plurality of pieces of information, and the product codes are assigned in ascending order in the order of registration of sales products. Therefore, the maximum value of the already assigned product code is stored in the storage device 3 (not shown).
Then, the maximum value is increased by one. The product code incremented by 1 is written in the product code table 4. At the same time, the product code is output to the computer terminal 1. The price tag in which the output product code is entered is attached to the corresponding product.
On the other hand, an attribute relating to a product is input from the computer terminal 1.
The product attribute information input processing 6 writes the following attributes input from the computer terminal 1 into the attribute information table 7 corresponding to the new product code 4 on the storage device 3.
（１）名称，（２）ブランド，（３）価格，（４）
色，（５）素材，（６）柄、（７）商品企画開発コンセ
プトまた、この商品の売上計画、たとえば売上個数を入
力し、商品コードに対応させて計画データテーブル14内
に設定する。さらに、登録した新商品の売上データエリ
ア８を０に初期設定する。(1) Name, (2) Brand, (3) Price, (4)
Color, (5) material, (6) pattern, (7) product planning and development concept Further, the sales plan of this product, for example, the sales quantity, is input and set in the plan data table 14 corresponding to the product code. Further, the sales data area 8 of the registered new product is initialized to 0.
コード入力処理10は商品が売れたとき、POS（販売時
点）端末９からその商品の値札に付けられたコードを入
力する。販売時点商品商品別売上計算処理11には、取り
込まれた商品コードに関する売上データ８と属性情報７
の中の価格を記憶装置３から読み出し、売上データに価
格を加算し、売上データ８に書き込む。商品売上に関す
る処理10と11は、商品分析要求が無い（判定12がＮ）
間、繰り返される。商品分析の要求を受けると、売上好
調商品判別処理13に移る。商品属性情報入力処理６で属
性入力と同時に登録された記憶装置３中の計画データ14
と、やはり記憶装置３中の売上データ８を読み込み、計
画を超えて売れている商品を判別し、その商品コードを
求める。クラスタ分析処理15は売上好調商品判別処理13
で求められた商品コードに関する、記憶装置３中の属性
情報７を読み出し、売上好調商品に関するクラスタ分析
処理を行う。クラスタ分析処理15の詳細処理フローを第
４図で説明する。全キーワード抽出処理18は、属性情報
７から読み出されたｌ個の商品に関する商品属性情報の
うち、予め定めたフリーキーワードからなるフリーキー
ワード群 ｊ＝1,…,lを読み込む。全フリーキーワードの和集合す
なわち１度でも出現するキーワードをすべて並べた、 を求める。ここでｍ（ｊ）は、ｊ番目の売行き好調商品
に関する付与フリーキーワードの個数であり、Ｎは全売
行き好調商品に関して重複を除いて数えたフリーキーワ
ードの個数である。データ変換処理19は、和集合の Ｎ個の要素一つずつに対しそれがｊ番目の売行き好調商
品に与えられたフリーキーワード の中に含まれていたら１、含まれなければ０を与え、１
と０のＮ個の列 を得て出力することを、ｊ＝１からｊ＝ｌまで繰返す。
クラスタ分類処理20は、サイズや価格等の連続量属性値 と、データ変換処理19で得たキーワード属性値 について、クラスタ分類処理を行う。クラスタ分類処理
アリゴリズムとしては、ISODATA法をはじめ多くの種類
が提案されている。いずれのクラスタ分類処理アルゴリ
ズムを用いても、売行き好調商品のクラスタ（かたま
り）すなわち特徴的商品群の数Ｐと、ｊ番目の商品がと
のクラスタに属するかを表わすｃ（ｊ）が得られる。ク
ラスタ平均・分散算出処理21は、クラスタ分類処理20の
結果ｃ（ｊ）と、全好調商品の属性 ｊ＝1,…,lから、各クラスタｃごとの平均属性、 と分散σc,c＝１〜ｐを求める。特徴キーワード選択処
理22は、各クラスｃごとに、平均属性のうちＮ個のキー
ワード属性について一定値（たとえば0.7）以上のもの
を選び、それに関するキーワードを並べ、クラスｃを特
徴づけるキーワードとして出力する。一方、典型商品抽
出処理23は、クラスタｃの平均属性 とユークリツド距離が最も小さい商品を選び、その商品
コードをクラスｃに関する典型商品として出力する。In a code input process 10, when a product is sold, a POS (point of sale) terminal 9 inputs a code attached to a price tag of the product. The point-of-sale product-by-product sales calculation process 11 includes sales data 8 and attribute information 7 on the taken-in product code.
Is read from the storage device 3, the price is added to the sales data, and written to the sales data 8. In the processes 10 and 11 relating to product sales, there is no product analysis request (judgment 12 is N)
While it is repeated. When a request for product analysis is received, the process proceeds to the sales-good product discriminating process 13. The plan data 14 in the storage device 3 registered simultaneously with the attribute input in the product attribute information input processing 6
Then, the sales data 8 in the storage device 3 is also read, the merchandise that is sold beyond the plan is determined, and the merchandise code is obtained. Cluster analysis processing 15 is processing for discriminating products that are selling well 13
The attribute information 7 in the storage device 3 relating to the product code obtained in the above is read out, and a cluster analysis process is performed on the products with strong sales. The detailed processing flow of the cluster analysis processing 15 will be described with reference to FIG. The all keyword extraction processing 18 is a group of free keywords composed of predetermined free keywords among the product attribute information on l products read from the attribute information 7. Read j = 1, ..., l. The union of all free keywords, that is, all keywords that appear at least once, Ask for. Here, m (j) is the number of assigned free keywords relating to the j-th sales-performing product, and N is the number of free keywords counted for all sales-performing products excluding duplication. The data conversion processing 19 Free keywords assigned to the j-th best selling product for each of the N elements Give 1 if it is included in it, give 0 if it is not included, 1
N columns of and 0 Is repeated from j = 1 to j = 1.
The cluster classification processing 20 includes continuous quantity attribute values such as size and price. And the keyword attribute value obtained in data conversion processing 19 Is subjected to cluster classification processing. Many types of cluster classification algorithms have been proposed, including the ISODATA method. Whichever cluster classification processing algorithm is used, a cluster (cluster) of well-selling products, that is, the number P of characteristic product groups, and c (j) indicating whether the j-th product belongs to the cluster are obtained. The cluster average / variance calculation processing 21 includes a result c (j) of the cluster classification processing 20 and an attribute of all the well-performing products. From j = 1, ..., l, the average attribute for each cluster c, And variance σ c , c = 1 to p. The characteristic keyword selecting process 22 selects, for each class c, N keyword attributes having a certain value (for example, 0.7) or more among the average attributes, arranges the keywords related thereto, and outputs them as keywords characterizing class c. . On the other hand, the typical product extraction process 23 is performed by using the average attribute And the product having the smallest Euclidean distance is selected, and the product code is output as a typical product related to class c.
第１図商品情報出力処理16は、表示装置17に売行き好
調商品のクラスタ分析処理15の結果、すなわちクラスタ
数ｐ、クラスタを特徴づけるキーワード及び平均連続量
属性 典型商品コード、及びクラスタごとの売上累計などを出
力表示する。以上の処理コローは、シーズン終了によ
り、商品コード設定処理２で設定した商品在庫が売場か
ら無くなつた時点で、終了判断24によりＹと判定され終
了する。これにより、好調商品がどのようなグループか
らなり、それぞれのグループがどのような商品属性で特
徴づけられるかを自動的に分析できることになる。特
に、本実施例では、上記分析対象の商品属性として、商
品企画意図などを表わすフリーキーワードを与え、どの
ようなフリーキーワードがぞれぞれの好調商品グループ
を特徴づけるかを分析でき、さらに商品属性として量的
な属性値を持つものも合わせて同時に分析することがで
きる。FIG. 1 shows a product information output process 16 on the display device 17 as a result of the cluster analysis process 15 of the selling products, that is, the number p of clusters, a keyword characterizing the cluster, and an average continuous amount attribute. The typical product code and the sales total for each cluster are output and displayed. At the time when the product inventory set in the product code setting process 2 has disappeared from the sales floor due to the end of the season, the above processing color is determined to be Y by the end determination 24 and ended. As a result, it is possible to automatically analyze what kind of groups the high-performing products are made from and what kind of product attributes each group is characterized by. In particular, in the present embodiment, as the product attributes to be analyzed, free keywords indicating product planning intentions and the like are given, and it is possible to analyze what free keywords characterize each good product group, Attributes having quantitative attribute values can also be analyzed at the same time.
別の実施例としては、第５図に示す商品の売上に応じ
た荷重計算を含むクラスタ分析処理による商品情報分析
がある。前記実施例では、第４図のクラスタ平均・分散
算出処理21は、クラスタ分類結果ｃ（ｊ）と、各好調商
品の属性 から、各クラスタの単純平均を求めているが、本実施例
では第５図に示すように、まず各売上好調商品ｊについ
て、その売上データを読み込み、荷重ωｊとし、処理26
に示す荷重平均計算と処理27に示す分散計算を各クラス
タｃごとに行ない、全クラスタ数ｐ回本処理を繰り返
す。これにより、商品売上の絶対値も考慮したクラスタ
分析すなわちクラスタを特徴づける属性・キーワードの
抽出、クラスタ典型商品の抽出を行える。As another embodiment, there is a product information analysis by a cluster analysis process including a load calculation according to the sales of the product shown in FIG. In the above-described embodiment, the cluster average / variance calculation processing 21 in FIG. 4 includes the cluster classification result c (j) and the attribute of each good product. From, the seeking simple average of each cluster, as in the present embodiment shown in FIG. 5, the first respective strong sales item j, reads the sales data, and a load omega j, process 26
Is performed for each cluster c, and this processing is repeated p times for all clusters. As a result, it is possible to perform cluster analysis in consideration of the absolute value of merchandise sales, that is, extraction of attributes and keywords characterizing a cluster, and extraction of cluster typical merchandise.
さらに別の実施例として、第１図商品属性情報入力処
理６では、商品を表わすフリーキーワードではなく、計
算機システム上にあらかじめ設定されたキーワードから
選択したキーワードを入力する例を示す。第６図に示す
ように、本実施例では第１図の商品属性入力処理６で
は、まずキーワード以外の商品情報入力処理28を行い、
つぎにキーワード集 を計算機端末１に表示キーワードメニユーとするキーワ
ードメニユー表示処理29を行う。本処理29では、計算機
端末操作者が、メニユーから選んだキーワードに対し１
を選ばなかつたキーワードに対し０を与えた、キーワー
ド属性｛x1,x2,…,xN｝を出力する。本実施例によれ
ば、キーワード属性の入力が簡便となる効果がある。As yet another embodiment, FIG. 1 shows an example in which the product attribute information input processing 6 inputs a keyword selected from keywords set in advance on the computer system instead of a free keyword representing a product. As shown in FIG. 6, in the present embodiment, in the product attribute input process 6 in FIG. 1, first, a product information input process 28 other than a keyword is performed,
Next keyword collection Is performed on the computer terminal 1 as a display keyword menu. In this processing 29, the computer terminal operator sets one for the keyword selected from the menu.
Is output, the keyword attributes {x 1 , x 2 ,..., X N } are output. According to the present embodiment, there is an effect that input of a keyword attribute is simplified.
さらにもう一つの実施例として、第１図商品属性入力
処理６において、商品の色属性入力は、いくつかの代表
的色に関する色コードの入力ではなく、色を赤青緑の３
原色に分解しそれぞれの強度を連続的数値として入力す
る方法が挙げられる。本実施例によれば、ことばでは表
わせない微妙な色を正確に分離し、２つの色の距離を計
算できることからクラスタ分析も行うことができるとい
う効果がある。As still another embodiment, in the product attribute input process 6 in FIG. 1, the color attribute of the product is not input of a color code for some representative colors, but is set to 3 colors of red, blue and green.
There is a method of decomposing into primary colors and inputting respective intensities as continuous numerical values. According to this embodiment, there is an effect that a subtle color that cannot be expressed by words can be accurately separated and the distance between two colors can be calculated, so that cluster analysis can also be performed.
本発明によれば、売行き好調商品がいくつかのかたま
りからなり、それぞれのかたまりの特徴的属性が何で代
表的商品かどういうものかが商品情報の分析により自動
的に提示する商品情報分析方法を提供できる効果があ
る。According to the present invention, there is provided a product information analysis method in which a sales-performing product is composed of several clusters, and the characteristic attribute of each cluster is automatically presented by analyzing the product information as to what the characteristic attribute is and what the representative product is. There is an effect that can be done.
第１図は本発明の一実施例の全体フロー図、第２図はク
ラスタ分析の一般的説明図、第３図は商品に与えられた
フリーキーワード群の変換処理の説明図、第４図は前記
実施例のクラスタ分析処理のフロー図、第５図は本発明
の他の実施例のクラスタ平均・分散計算処理部分のフロ
ー図、第６図はもう一つの実施例の商品属性情報入力処
理部分のフロー図である。FIG. 1 is an overall flowchart of one embodiment of the present invention, FIG. 2 is a general explanatory diagram of cluster analysis, FIG. 3 is an explanatory diagram of a conversion process of a free keyword group given to a product, and FIG. FIG. 5 is a flowchart of the cluster analysis processing of the above embodiment, FIG. 5 is a flowchart of a cluster average / variance calculation processing part of another embodiment of the present invention, and FIG. 6 is a product attribute information input processing part of another embodiment. FIG.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 明石 吉三 神奈川県川崎市麻生区王禅寺1099番地 株式会社日立製作所システム開発研究所 内 (72)発明者 平田 重樹 東京都品川区南大井６丁目23番15号 株 式会社日立製作所大森ソフトウエア工場 内 (72)発明者 森 博志 東京都品川区南大井６丁目23番15号 株 式会社日立製作所大森ソフトウエア工場 内 (72)発明者 相沢 隆之 東京都品川区南大井６丁目23番15号 株 式会社日立製作所大森ソフトウエア工場 内 (56)参考文献 特開 昭63−261462（ＪＰ，Ａ) 特開 昭63−269295（ＪＰ，Ａ) 特開 昭62−237569（ＪＰ，Ａ) 平井一男，「自動車用ステアリングホ イールのイメージ分析」，日産技報 （1986） ＰＰ．11−20 宮田文雄 「商品企画段階におけるＱ Ｃ手法の活用」，品質管理 Ｖｏｌ. 35，Ｎｏ．９ ＰＰ．1236−1241 （1984年) 菅豊，他，「消費者の官能的要求の定 量的把握に関する一考察」，品質管理 Ｖｏｌ．35，Ｎｏ．５ ＰＰ．542−545 （1984年) Ｗｉｍｄｈａｍ，Ｃ．Ｔ．，“Ｃｌｕ ｓｔｅｒ ａｎａｌｙｓｉｓ ｔｏ ｉ ｍｐｒｏｖｅ ｆｏｏｄ ｃｌａｓｓｉ ｔ ｃａｔｉｏｎ ｗｉｔｈｉｎ Ｃｏ ｍｍｏｄｉｔｎ ｇｒｏｕｐｓ” Ｊ. Ａｍ．Ｄｉｅｔ．Ａｓｓｏｃ．Ｖｏｌ. 85，Ｎｏ．10 ＰＰ．1306−1314 （1985年) ──────────────────────────────────────────────────続 き Continuing on the front page (72) Inventor Yoshizo Akashi 1099 Ozenji Temple, Aso-ku, Kawasaki City, Kanagawa Prefecture Inside Hitachi, Ltd. System Development Laboratory (72) Inventor Shigeki Hirata 6-23 Minamioi, Shinagawa-ku, Tokyo 15 Hitachi, Ltd. Omori Software Factory (72) Inventor Hiroshi Mori 6-23-15 Minamioi, Shinagawa-ku, Tokyo, Japan Hitachi, Ltd. Omori Software Factory (72) Inventor Takayuki Aizawa Tokyo 6-23-15 Minamioi, Shinagawa-ku Omori Software Factory, Hitachi, Ltd. (56) References JP-A-63-261462 (JP, A) JP-A-63-269295 (JP, A) JP-A Sho 62-237569 (JP, A) Kazuo Hirai, "Image Analysis of Automotive Steering Wheel", Nissan Giho (1986) PP. 11-20 Fumio Miyata "Utilization of QC Method at Product Planning Stage", Quality Control Vol. 9 PP. 1236-1241 (1984) Yutaka Suga, et al., "A Consideration on Quantitative Understanding of Sensory Demands of Consumers", Quality Control Vol. 35, No. 5 PP. 542-545 (1984) Wimdham, C.W. T. J. Am., "Cluster analysis to improv- ence food classation with commodity groups". Diet. Assoc. Vol. 10 PP. 1306-1314 (1985)
Claims (2)
徴を分析する商品情報分析方法であって、 前記各商品に対して、前記商品を区別するための商品コ
ードを付与して、前記商品コードを記憶装置に記憶して
おき、 前記記憶装置中に、前記商品コードにそれぞれ対応させ
て、前記商品の特徴を表わし少なくとも前記商品の価格
を含む属性情報、前記商品の売上計画データおよび前記
商品の売上を示す売上データを記憶しておき、 前記商品が売れる度に対応する商品コードが入力され、
入力された商品コードに対応する売上データおよび属性
データに含まれる価格を読み出し、 読み出された売上データに読み出された価格を加算し、
加算の結果を新たな売上データとして記憶し、 前記商品についての分析要求が入力されたら、前記売上
計画データおよび売上データを読み込み、計画を超えて
売れている商品を判別し、対応する商品コードを求め、 求められた商品コードおよび対応する属性情報を読み出
して、クラスタ分析を行うことにより、商品群の売り上
げの特徴を分析することを特徴とする商品情報分析方
法。1. A product information analysis method for analyzing a feature of sales of a product group including a plurality of products, wherein a product code for distinguishing the product is assigned to each of the products. A code is stored in a storage device, and in the storage device, attribute information indicating a feature of the product and including at least a price of the product, sales plan data of the product, and the product in association with the product code. Sales data indicating sales of the product is stored, and a product code corresponding to each time the product is sold is input,
Read the price included in the sales data and attribute data corresponding to the input product code, add the read price to the read sales data,
The result of the addition is stored as new sales data, and when an analysis request for the product is input, the sales plan data and the sales data are read, a product sold beyond the plan is determined, and a corresponding product code is determined. A product information analysis method, comprising: reading out a requested product code and corresponding attribute information; and performing a cluster analysis to analyze characteristics of sales of the product group.
て、 前記クラスタ分析は、前記売上データに応じて荷重計算
を行うことを特徴とする商品情報分析方法。2. The product information analysis method according to claim 1, wherein the cluster analysis performs a load calculation according to the sales data.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32329288A JP2771201B2 (en) | 1988-12-23 | 1988-12-23 | Product information analysis method |
| US07/447,374 US5179643A (en) | 1988-12-23 | 1989-12-07 | Method of multi-dimensional analysis and display for a large volume of record information items and a system therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32329288A JP2771201B2 (en) | 1988-12-23 | 1988-12-23 | Product information analysis method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH02170269A JPH02170269A (en) | 1990-07-02 |
| JP2771201B2 true JP2771201B2 (en) | 1998-07-02 |
Family
ID=18153157
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32329288A Expired - Fee Related JP2771201B2 (en) | 1988-12-23 | 1988-12-23 | Product information analysis method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2771201B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100852543B1 (en) * | 2001-03-13 | 2008-08-18 | 가부시키가이샤 시세이도 | Commodity developing method, commodity developing system, commodity development program, and record medium on which commodity development program is recorded |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6302080B1 (en) * | 1998-07-31 | 2001-10-16 | Denso Corporation | Fuel injection system having pre-injection and main injection |
| CN102129631B (en) * | 2010-01-13 | 2015-04-22 | 阿里巴巴集团控股有限公司 | Method, equipment and system for SPU attribute aggregation |
| CN110580649B (en) * | 2018-06-08 | 2024-03-05 | 北京京东尚科信息技术有限公司 | Method and device for determining commodity potential value |
| CN111813944A (en) * | 2020-09-09 | 2020-10-23 | 北京神州泰岳智能数据技术有限公司 | Live comment analysis method and device, electronic equipment and storage medium |
| CN116308650B (en) * | 2023-03-13 | 2024-02-06 | 北京农夫铺子技术研究院 | Intelligent community commodity big data immersion group purchase system based on artificial intelligence |
-
1988
- 1988-12-23 JP JP32329288A patent/JP2771201B2/en not_active Expired - Fee Related
Non-Patent Citations (4)
| Title |
|---|
| Ｗｉｍｄｈａｍ，Ｃ．Ｔ．，"Ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ ｔｏ ｉｍｐｒｏｖｅ ｆｏｏｄ ｃｌａｓｓｉｔ ｃａｔｉｏｎ ｗｉｔｈｉｎ Ｃｏｍｍｏｄｉｔｎ ｇｒｏｕｐｓ" Ｊ．Ａｍ．Ｄｉｅｔ．Ａｓｓｏｃ．Ｖｏｌ．８５，Ｎｏ．１０ ＰＰ．１３０６−１３１４ （１９８５年） |
| 宮田文雄 「商品企画段階におけるＱＣ手法の活用」，品質管理 Ｖｏｌ．３５，Ｎｏ．９ ＰＰ．１２３６−１２４１ （１９８４年） |
| 平井一男，「自動車用ステアリングホイールのイメージ分析」，日産技報 （１９８６） ＰＰ．１１−２０ |
| 菅豊，他，「消費者の官能的要求の定量的把握に関する一考察」，品質管理 Ｖｏｌ．３５，Ｎｏ．５ ＰＰ．５４２−５４５ （１９８４年） |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100852543B1 (en) * | 2001-03-13 | 2008-08-18 | 가부시키가이샤 시세이도 | Commodity developing method, commodity developing system, commodity development program, and record medium on which commodity development program is recorded |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH02170269A (en) | 1990-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5179643A (en) | Method of multi-dimensional analysis and display for a large volume of record information items and a system therefor | |
| Aloysius et al. | An approach to products placement in supermarkets using PrefixSpan algorithm | |
| Peacock | Data mining in marketing: Part 1 | |
| JPH1115842A (en) | Data mining device | |
| KR20200088131A (en) | Item recommendation method and apparatus using graph database | |
| CN112085537A (en) | Method and system for analyzing commodities based on big data | |
| JP2771201B2 (en) | Product information analysis method | |
| Alawadh et al. | A survey on methods and applications of intelligent market basket analysis based on association rule. | |
| CN116402569A (en) | Commodity recommendation method, device and system based on knowledge graph and storage medium | |
| KR20200088132A (en) | Item recommendataion method and apparatus between group member and group item | |
| CN111275480B (en) | Multi-dimensional sparse sales data warehouse oriented fraud behavior mining method | |
| CN110020918B (en) | Recommendation information generation method and system | |
| Putra et al. | The Influence of Price, Quality and Model on Clothing Sales Levels with E-Commerce Media | |
| JP2000200260A (en) | Commodity sales quantity prediction system | |
| Idowu et al. | Customer Segmentation Based on RFM Model Using K-Means, Hierarchical and Fuzzy C-Means Clustering Algorithms | |
| US20050125433A1 (en) | Data summation system and method based on classification definition covering plural records | |
| Chen et al. | Retail analytics: Market segmentation through transaction data | |
| Bittmann et al. | Visualization of multi-algorithm clustering for better economic decisions—the case of car pricing | |
| Malik et al. | Applying data mining for clustering shoppers based on store loyalty | |
| CN111143575A (en) | Optimization method and system for store commodity structure | |
| JP3377771B2 (en) | Customer analysis system, customer analysis method, and recording medium recording customer analysis program | |
| Yustiana et al. | Basket Market Analysis Using R-Based Apriori Algorithm to Find Information from Sales Data | |
| CN111311331A (en) | RFM analysis method | |
| Divya et al. | Integrated Supervised and Unsupervised Learning for Mall Customer Segmentation | |
| Nazari et al. | Modeling the Factors Influencing Store Price Image in Iran by Interpretive Structural Modeling Method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |