JP4707797B2 - 消費者の財政的挙動の予測モデル化方法及びシステム - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、一般的に消費者の財政的挙動の分析に関し、さらに特に、消費者の将来の消費支出挙動を正確に予測するために消費者の財政的挙動の履歴を分析することに関し、さらに特に、明確に識別されたデータ駆動型の産業セグメントにおける将来の消費支出に関する。
【０００２】
【発明の背景】
小売業者、広告業者、および、様々な他の機関が、消費者の消費支出習慣を理解することに強い関心を持っている。こうした企業は、消費者がどのように金銭を消費支出するかを知るために、消費者の興味の対象を識別し類別するために夥しいリソースを投資している。個々の消費者の興味の対象を確かめることが可能ならば、こうした興味の対象に関係した広告と販売促進とが、広告される製品またはサービスの購入のような肯定的な消費者の反応を得ることに成功する可能性が一層高くなるだろう。
【０００３】
一般的に、消費者の興味の対象を確かめるための従来の手段は、消費者の収入、年齢、居住場所、職業等のような、消費者に関する人口統計学的情報を収集することと、様々な人口統計学的カテゴリを興味の対象と小売り業者の様々なカテゴリに関連付けることとに依存している。興味対象の情報が、調査、刊行物購読契約リスト、製品保証カード、および、様々な他のソースから収集されてよい。その次に、複雑なデータ処理がデータソースに対して加えられ、その結果として、多数の消費者の各々に関する特定の興味ある人口統計学的記述が得られる。
【０００４】
消費者の挙動を理解するためのこのアプローチは、的はずれであるである場合が多い。このタイプのアプローチの最終的な目的は、認めようと認めまいとに関わらず、将来における消費者の消費支出を予測することである。消費者の購読契約リストや人口統計学的特性のようなことがらによって表現される消費者自身の興味に基づいて、消費者が金銭を支出するということが想定されている。しかし、一般的には、興味対象の調査の基礎となるデータが、消費者の実際の消費支出パターンに間接的に関係付けられているにすぎない。例えば、大半の出版物はその読者層の人口統計学的モデルを開発しており、その出版物の読者層の特定の人口統計に関心をもつ他者に対して販売用の購読契約リストを提供している。しかし、特定の出版物に対する購読契約は、将来における消費者の消費支出パターンが何であるかを示す指標としてはかなり不十分である。
【０００５】
購読契約リストと保証登録カード等の組合せのような多数の様々なデータソースを考慮に入れたとしても、得られるものは、依然として、消費者に関する互いに無関係なデータの不完全な集まりであるにすぎない。
こうした従来のアプローチにおける問題点の１つが、消費支出パターンが時間基準であるということである。すなわち、消費者は、一般的に時間に関係した仕方で自分が興味を抱く小売業者において金銭を支出する。例えば、ビジネス旅行客である消費者が、１回のビジネス旅行中に、旅客機チケットと乗用車レンタルとホテル宿泊とレストランと娯楽とのすべてに関して金銭を支出する。こうした購入は全体として、そのいずれか１つの購入だけに比較して、消費者の真の興味対象と選好とをより明確に示す。さらに、消費者分析の従来のアプローチは、こうした購入を個別的にかつ時間に無関係に取り扱うことが一般的である。
【０００６】
従来のアプローチに関するさらに別の問題点が、購入の類別が、ＳＩＣコードのような小売業者と商業とにおける標準化された産業分類法を基準とすることが多いということである。この分類セットは全く恣意的であり、実際の消費者挙動には殆ど無関係である。消費者は、小売業者のＳＩＣコードに基づいてどの小売業者から購入するかを決定するわけではない。したがって、消費者の財政的挙動を予測するために恣意的な分類を使用することは、消費者の消費支出の実際のデータに関しては殆ど無意味なので、予測に関して失敗をもたらすことになる。
【０００７】
第３の問題点は、異なる消費者グループが互いに異なった形で金銭を支出するということである。例えば、高級品の小売店を頻繁に訪れる消費者は、バーゲン買い物客である消費者とは全く異なった消費支出習慣を有する。この問題に対処するために、大半のシステムは、実際には、非常に限定された事前定義済みのタイプの消費者に排他的に焦点を当て、こうした消費者の興味対象またはタイプが既知であると仮定し、この消費者に興味を抱かせる広告または販売促進であると考えられるものをこの消費者を目標として提示する。しかし、このアプローチは、本質的に、諺にあるように「馬の前に荷車を繋ぐ」ことに等しい。すなわち、このアプローチは、特定の消費者グループの興味の対象および消費支出パターンを憶測しているのであって、実際の消費支出データからこうした興味の対象および消費支出パターンを発見することを怠っている。したがって、このアプローチは、憶測によって想定された消費者グループが実際に存在するかどうか、または、この消費者グループが、その興味の対象であると憶測されている興味の対象を実際に有するかどうかという論点を巧みに避けている。
【０００８】
したがって、必要とされているのは、各消費者の購入が時間の推移に応じて変化するという性質を反映する実際の履歴消費支出パターンに基づいて、消費者の財政的挙動をモデル化する能力である。さらに、実際の消費支出パターンに基づいて小売業者の有意味な分類を抽出し、この分類の組合せから、個々の有意味な小売業者グループにおける個々の消費者の将来の消費支出を予測することが望ましい。
【０００９】
情報の、特にテキスト検索のアプリケーション領域においては、文書および語のベクトル方式の表現が公知である。文書のベクトル空間表現が、Ｃａｉｄ他に交付された米国特許第５，６１９，７０９号と、Ｇａｌｌａｎｔに交付された米国特許第５，３２５，２９８号とに開示されている。一般的に、語または文書を表現するためにベクトルが使用される。語と語の間の関係と、文書と文書の間の関係とが学習され、学習法則にしたがってベクトルに符号化される。しかし、Ｃａｉｄの文脈ベクトルを含む、ベクトル空間表現のこうした使用は、主として情報検索のために設計されているので、クレジットカード利用明細書等のような文書に適用される時には、挙動の予測分析に有効ではない。Ｃａｉｄの手法を予測の問題に適用した時には、この手法は数多くの欠点を有した。第１に、取引回数の多い小売業者を取り扱う際に、この手法に問題が生じた。こうした小売業者は、取引明細書の集まりの中に名称が非常に頻繁に出現する小売業者である。Ｃａｉｄのシステムは、頻繁に出現する項目の有意性を軽視するので、こうした取引頻度が高い小売業者が正確には表現されなかった。しかし、取引頻度が高い小売業者をデータセットから排除することは、こうした重要な小売業者における取引を予測するシステムの能力を低下させる。第２に、過去の２回のトレーニングの反復では、Ｃａｉｄのシステムの性能が収束せずに低下することが発見された。このことは、学習法則が、特に取引予測のための学習情報である代わりに、取引予測に一致するにすぎない学習情報であるということを示す。したがって、小売業者が取引データ中に出現する頻度の重要度を適正に反映するように、小売業者と消費者との間の関係を学習するための新たな方法を提供することが望ましい。
【００１０】
【発明の概要】
本発明は、基礎となる消費者の興味を正確に反映する有意味な小売業者グループ（セグメント）と、小売業者セグメントの各々に関する消費者支出パターンの予測モデルとの両方を生成するために、個々の消費者の時間依存形の履歴消費支出パターンを使用する、消費者の財政的挙動を分析し予測するシステムと方法とを提供することによって、消費者分析に対する従来のアプローチの限界を克服する。さらに、個々の消費者または消費者グループの現在の消費支出データを、小売業者クラスタの各々における消費者の将来の消費支出を予測するための予測モデルに適用することが可能である。
【００１１】
本発明の一側面では、本発明は、本質的に消費者のグループの実際の消費支出パターンに基づいた、データに依存した小売業者グループの生成を含む。各消費者の消費支出データが得られ、この消費支出データは、時間に関係付けられた形で消費者の消費支出パターンを表す。例えば、クレジットカードのデータは、単に小売業者と支出額とを示すだけでなく、購入が行われたシーケンスをも示す。本発明の特徴の１つは、有意味な小売業者セグメントに小売業者をグループ分けするために、個々の小売業者における購入の共起を使用する能力である。すなわち、幾つかの取引の中で頻繁に購入が行われる小売業者、または、相互の時間期間内で頻繁に購入が行われる小売業者が、有意味なクラスタを反映する。小売業者のこのデータ依存形のクラスタ化が、消費者の興味または選好をより正確に表す。
【００１２】
好ましい一実施態様では、消費者の支出の分析が、クレジットカード利用明細書のような消費者支出データを使用し、このデータを処理して、幾つかの取引、期間、又は他のシーケンス関連の基準の何れかに基づいて、定義された共起窓内における購入の共起を識別する。各々の小売業者はベクトル表現に関連付られる。すなわち、小売業者全てに関する初期ベクトルを、小売業者ベクトル空間内のベクトルの疑似直交セットを表すようにランダム化する。各々の消費者の購入を反映する各消費者の取引データ（例えば、クレジットカード利用明細書、銀行取引明細書等）を、小売業者において購入が行われた全般的な順序を反映するように時系列的に編成する。個々の共起窓内での各消費者の取引データの分析によって、どの小売業者が共起するかを識別する。各々２つずつの小売業者毎に、これらの小売業者ベクトルの各々を、共起の頻度の関数としてベクトル空間内で更新する。消費支出データの処理後に、消費者が共に頻繁に訪れる小売業者の小売業者ベクトルを、小売業者ベクトル空間内において概ね同一方向に揃える。その次に、これらの小売業者ベクトルに基づいて小売業者のクラスタを発見するために、クラスタ化手法を適用する。これらのクラスタは小売業者セグメントを形成し、小売業者セグメントの各々はそのセグメント内に小売業者のリストを有する。各々の小売業者セグメントは、小売業者のタイプと小売業者の平均購入と取引割合とに関する有益な情報、および、他の統計情報を与える。（本明細書では小売業者「セグメント」と小売業者「クラスタ」とを区別なしに同義語として使用する。）
各消費者が、様々な人口統計学的データと消費支出習慣に関する要約データとを含むプロファイルも与えられることが好ましい。これに加えて、各消費者に消費者ベクトルが与えられることが好ましい。消費支出データから、消費者が最も頻繁にまたは最も最近に購入を行った小売業者が判定される。この場合に、消費者ベクトルは、これらの小売業者ベクトルの和である。新たな購入が行われると、消費者ベクトルが更新され、それによって、好ましくは、より古い購入の影響が減少させられる。本質的には、本発明は、小売業者のベクトルを消費者ベクトルの構成に使用するので、「貴方は、何を食べるかによって決まる」という表現と同様に、「貴方は、どの小売業者で買物をするかによって決まる」ことを明らかにする。
【００１３】
このアプローチの利点の１つは、消費者と小売業者の両者が共通のベクトル空間で表現されるということである。このことは、ある１つの消費者ベクトルが与えられたならば、この消費者ベクトルに「類似している」複数の小売業者ベクトルを、例えばドット積分析（ｄｏｔ ｐｒｏｄｕｃｔ ａｎａｌｙｓｉｓ）を使用して容易に求めることが可能である（すなわち、こうした小売業者ベクトルが、小売業者ベクトル空間内で概ね同一の方向にあるということを意味する）。したがって、消費者に「類似した」小売業者を容易に見出すことが可能であり、こうした小売業者は、消費者がその小売業者から以前に物品を購入したことがない場合でさえ、その消費者の興味の対象となる可能性が高い小売業者である。
【００１４】
小売業者セグメントに関しては、本発明は、これらのセグメント内の小売業者から物品を購入したことがある消費者によるこの小売業者セグメントでの消費支出履歴と他のセグメント内での消費支出履歴との取引統計量と、物品購入の全体に関するデータとに基づいて、各小売業者セグメント内での将来の消費支出の予測モデルを作成する。一実施態様では、各々の予測モデルが、最近の６ヶ月間のような先行の期間中の小売業者クラスタ内での消費支出履歴に基づいて、３ヶ月間のような予測対象の期間中での小売業者クラスタ内での消費支出を予測する。モデルトレーニング（ｍｏｄｅｌ ｔｒａｉｎｉｎｇ）中には、小売業者クラスタ内で消費支出した消費者に関する小売業者クラスタ内の取引履歴が、要約統計量として各消費者プロファイルに集約され、予測される期間内での実際の消費支出と共に、予測モデルに入力される。実際の消費支出を用いた予測消費支出の妥当性検査が、モデル性能の確認のために使用される。この予測モデルは、ニューラルネットワーク、または、他の多変量統計モデルであってよい。
【００１５】
このモデル化のアプローチが、２つの理由から有利である。第１に、この予測モデルは、ＳＩＣクラスのような恣意的な小売業者の分類の場合とは異なって、基礎となる消費支出データに実際に現れる小売業者クラスタに固有である。第２に、小売業者クラスタ内の小売業者で実際に物品購入を行った消費者の消費者支出データが使用されるので、これらのデータは、これらの消費者がこれらの小売業者でどのように既に消費支出したか、および、将来においてどのように消費支出するかを最も正確に反映する。
【００１６】
消費者の財政的挙動を予測するためには、好ましくは最近の過去の期間中の同じタイプの要約統計量を使用する消費者の消費者プロファイルが、各々に異なる小売業者クラスタに対する予測モデルに入力される。この結果として、実際の消費支出データが未だ入手不可能である将来の期間中に各小売業者クラスタ内で消費者が消費支出する可能性が高い金額の予測が得られる。
【００１７】
消費者の各々に関して、各小売業者セグメントにその消費者がどれだけ強く関連付けられているかを表すメンバシップ関数を定義してもよい。（このメンバシップ関数が各々の小売業者セグメントに関するメンバシップ値を出力することが好ましい。）このメンバシップ関数は、各小売業者セグメント内での予測された将来の消費支出であってよく、または、消費者に関する消費者ベクトルと小売業者セグメントベクトルと関数（例えば、各々の小売業者セグメントの重心）であってもよい。このメンバシップ関数は、各小売業者セグメント内で消費者によって支出される金額、または、他の因子によって重み付けされることが可能である。メンバシップ関数に関しては、消費者が最大のメンバシップ値を有する小売業者クラスタが特に重要である。こうした小売業者クラスタは、消費者が将来において最多の金銭を支出すると推定されるクラスタであり、または、消費者の消費支出習慣がクラスタ内の小売業者に最も類似しているクラスタである。これによって、こうした消費者に対する販売促進と広告等の非常に明確で正確な目標設定が可能になる。予測された消費支出情報を使用する金融機関が、ある特定の小売業者セグメント内で多額の消費支出を行うと予測される消費者に対して、その小売業者セグメント内の小売業者に関連した販売促進の指図をする（オファーを行う）ことが可能である。
【００１８】
あるいは、メンバシップ値に関しては、小売業者セグメントの間で消費者の興味の移行を識別するために、時間の推移に応じたメンバシップ値の変化を容易に判定することが可能である。例えば、各々の月間において（例えば、新たなクレジットカード請求期間または銀行取引明細書の後に）、メンバシップ関数が消費者に関して求められ、この結果として、各々の小売業者クラスタに関する新たなメンバシップ値が得られる。最大の正の増加または負の増加を表示するために、この新たなメンバシップ値を前月のメンバシップ値と比較し、それによって消費者の物品購入習慣の変化が明らかになる。正の変化は、新たな小売業者クラスタ内での物品購入の興味を反映し、一方、負の変化は、前月における小売業者クラスタ内での物品購入の興味を消費者が失っていることを反映する。このようなセグメント移行が、メンバシップ値の大きな増大を消費者が示す小売業者セグメント内の小売業者のための販売促進の目標として、金融機関がその消費者を目標設定することを可能にする。
【００１９】
本発明は、その別の側面において、取引データ中の小売業者間の関係を学習するための、および、小売業者を表現するベクトルを定義するための、改善された方法を提供する。さらに明確に述べると、本発明のこの側面は、各々に異なる小売業者における取引の共起を生じさせる消費支出挙動のパターンを正確に識別して獲得する。この方法は概ね次の通りである。
【００２０】
最初に、取引データ内において各々２つずつの小売業者が互いに同時に出現する回数を求める。ここでは、基本的な直観は、互いに関係があることを消費者の挙動が示す小売業者は頻繁に同時に出現し、一方、無関係の小売業者はあまり頻繁には同時に出現しないということである。例えば、新たに母親なった女性が、子供用衣料店と玩具店と他の類似の小売業者で買い物をする可能性が高く、一方、独身の若い男性が、このタイプの小売業者で買い物をする可能性は低いだろう。小売業者の識別は、取引データ中の小売業者名称の出現を計数することによる。変動を低減させかつ小売業者名称の様々なバージョンを単一の共通名称に一致させるために、小売業者の名称を正規化してもよい。
【００２１】
次に、観察される小売業者の共起が、予測される２つの小売業者の共起に対してどれだけ大きい偏差を有するかに基づいて、各々２つずつの小売業者の間の関係の強さを求める。予測される共起は、取引データまたは共起イベントにおける個々の小売業者の出現の頻度に関する統計的測度に基づいている。例えば、予測される共起の標準偏差、または、対数尤度比（ｌｏｇ ｌｉｋｅｌｉｈｏｏｄ ｒａｔｉｏ）に基づいた、関係の強さの様々な測度が、使用されてもよい。
【００２２】
各々２つずつの小売業者の間の関係の強さの測度がその予測される頻度よりも著しく高い頻度で共起する２つの小売業者は、互いに肯定的に関係しており、予測される頻度よりも著しく低い頻度で共起する２つの小売業者は、互いに否定的に関係しており、および、予測される回数と概ね同じ回数で共起する２つの小売業者は、互いに無関係であるという特徴を有する。
【００２３】
その次に、各々２つの小売業者の間での関係の強さを、ベクトル空間内にマッピングする。これを、各々２つの小売業者の間の関係の強さの関数として各々２つの小売業者ベクトルの間の所望のドット積を求めることによって行う。このステップは、互いに肯定的に関係している小売業者に関する小売業者ベクトルは正のドット積を有し、互いに否定的に関係している小売業者に関する小売業者ベクトルは負のドット積を有し、および、互いに無関係の小売業者に関する小売業者ベクトルはゼロのドット積を有するという特徴を有する。
【００２４】
最後に、各々２つずつの小売業者ベクトルに関してドット積が得られている場合に、各々２つの小売業者ベクトルの間の実際のドット積が、予め決められた所望のドット積に少なくとも近似しているように、小売業者ベクトルの位置を更新する。
本発明は、さらに、何らかの２つのストリングが、ある１つの小売業者名称の様々なスペリングのように、同じ１つのものを表現するかどうかを判定するための方法も含む。本発明のこの側面は、大量の取引データの中で、典型的には同一の小売業者名称の各々に異なったスペリングまたは形式として示されている小売業者名称を識別し正規化するために、効果的に使用される。本発明のこの側面では、取引データ中の小売業者名称のような一連のストリングに関する、個々の３文字名称（ｔｒｉｇｒａｍ）（さらに一般的には、ｎ文字名称（ｎ−ｇｒａｍ））の頻度が調べられる。個々の３文字名称をその頻度に応じて重み付ける。頻繁に出現する３文字名称に小さい重みを割り当て、一方、希にしか出現しない３文字名称に大きい重みを割り当てることが好ましい。３文字名称１個につき１つの次元の形で、高次元のベクトル空間を定義する。直交単位ベクトルを各々の３文字名称に関して定義する。比較されるべき各々のストリング（例えば、小売業者名称）に、３文字名称ベクトル空間内でのベクトルを与える。このベクトルを、３文字名称の重みによって重み付けた各ストリング中の各々の３文字名称に関する単位ベクトルの要約として定義する。その次に、小売業者名称のような任意の２つのストリングを、これらのドット積をとることによって比較することが可能である。（データセットの分析から得られる）閾値をドット積が越えている場合には、これらのストリングは互いに同等物と見なされる。オリジナルのストリングの長さが上記比較に影響しないように、ストリングベクトルの長さを正規化してもよい。部分的な正規化（一方のストリングを正規化するが他方のストリングは正規化しない）であろうと、正規化が行われなかろうと、ストリングの長さが上記比較に影響を与えるが、しかし、一方のストリングの一部分を別のストリングの全体に一致させるようにストリングの長さを使用してもよい。この方法が、ストリングの一致のための極めて高速で正確なメカニズムを提供する。この一致のプロセスを、例えば、各々２つずつの小売業者名称が同一であるかどうか、２つの企業名称が同一であるかどうか、２つの人名が同一であるかどうか等を判定するために使用してもよい。これは、共通の一群のエンティティ（例えば、小売業者名称を含む多数の取引ソースからの取引レコード）を参照するストリングを含む発散性のデータソースまたは様々なタイプのデータを一致させることを必要とするアプリケーションにおいて有効である。
【００２５】
本発明は様々な形態で具体化されてよい。コンピュータプログラム製品としては、本発明は、消費者の消費支出データを取得して関連の口座と時系列編成の物品購入との編成済みファイルの形にこのデータを処理するデータ前処理モジュールを含む。個々の小売業者の様々に変形した名称を正規化するために、消費支出データ中の小売業者名称を処理する。データ後処理モジュールが、予測モデルのトレーニングに使用するために、選択された期間内における消費者の要約統計量のプロファイルを生成する。予測モデル生成システムが小売業者ベクトルを生成し、この小売業者ベクトルを小売業者クラスタにクラスタ化し、消費者プロファイルと取引データとを使用して各々の小売業者セグメントの予測モデルをトレーニングする。小売業者ベクトルと消費者プロファイルとがデータベース内に格納される。各々の小売業者セグメントにおいて予測される消費支出を提供し、かつ、小売業者セグメントに関する消費者のメンバシップ関数を計算するために、プロファイリングエンジン（ｐｒｏｆｉｌｉｎｇ ｅｎｇｉｎｅ）が消費者プロファイルと消費者取引データとを予測モデルに適用する。レポーティングエンジン（ｒｅｐｏｒｔｉｎｇ ｅｎｇｉｎｅ）が、予測される消費支出およびメンバシップ情報に関するレポートを様々なフォーマットで出力する。小売業者クラスタの間での消費者の有意な移行を識別するために、セグメント移行検出エンジンが、各々の消費者のメンバシップ値の変化を計算する。さらに、本発明を、コンピュータのハードウェアコンポーネントと共に協働する上記のプログラム製品要素と共に、システムとして実現してもよく、および、コンピュータによって実行される方法として実現してもよい。
【００２６】
【好ましい実施形態の詳細な説明】
Ａ．消費者および小売業者のベクトル表現と、小売業者における物品購入の共起との概要
Ｂ．システムの概要
Ｃ．機能の概要
Ｄ．データ前処理モジュール
Ｅ．予測モデル生成システム
１．小売業者ベクトルの生成
２．小売業者ベクトルのトレーニング：ＵＤＬアルゴリズム
ａ）共起の計数
ｉ）順方向の共起の計数
ｉｉ）逆方向の共起の計数
ｉｉｉ）双方向の共起の計数
ｂ）予測される共起の回数の推定
ｃ）小売業者ベクトル間の所望ドット積
ｄ）小売業者ベクトルのトレーニング
３．クラスタ化モジュール
Ｆ．データ後処理モジュール
Ｇ．予測モデル生成
Ｈ．プロファイリングエンジン
１．メンバシップ関数：各セグメントにおける予測消費支出
２．消費者ベクトルに基づくセグメントのメンバシップ
３．消費者プロファイルの更新
Ｉ．レポーティングエンジン
１．基本レポーティング機能
２．一般セグメントレポート
ａ）一般セグメント情報
ｂ）セグメントメンバ情報
ｃ）リフトチャート
ｄ）人口統計表
ｉ）セグメント統計量
ｉｉ）行の記述
Ｊ．目標設定エンジン
Ｋ．セグメント移行の検出
Ａ．消費者および小売業者のベクトル表現と、小売業者における物品購入の共起との概要
特定の小売業者における消費者の消費支出レベルを予測することを可能にする本発明の特徴の１つが、消費者と小売業者の両方を同一のモデル化表現で表現する能力である。こうした予測の従来の例は、消費者と小売業者の両方を人口統計学的標識（例えば、「ベービーブーム世代」または「老夫婦」）によって分類しようとしてきた。この従来のアプローチは単純に恣意的であり、様々な小売業者とって消費者がどれだけ類似しているかを直接的に定量化するためのメカニズムを全く提供しない。しかし、本発明は、消費者と小売業者の両方の高次元のベクトル表現と個々の消費者の消費支出データ中の小売業者の共起とに基づいて、こうした定量化可能な分析を提供する。
【００２７】
次に、図１の（ａ）と図１の（ｂ）とを参照すると、これらの図には、小売業者と消費者とのベクトル空間表現の単純化したモデルが示されている。これらの図ではベクトル空間１００が３つの軸だけによって示されているが、実際には、一般的に１００〜３００個の成分を有する高次元のハイパースフェア（ｈｙｐｅｒｓｐｈｅｒｅ）である。このベクトル空間１００内では、各々の小売業者に小売業者ベクトルが割り当てられている。小売業者ベクトルの疑似直交分布を実現するために、各小売業者のベクトルの初期の割当てが本質的にランダムな値の成分を含むことが好ましい。これは、最初は小売業者ベクトルが本質的に互いに垂直であり、したがって、予め決められたまたは仮定された結合または類似性が小売業者の間に存在しないということを意味する。
【００２８】
図１の（ａ）には、初期化後かつ更新前の５つの小売業者Ａ、Ｂ、Ｃ、Ｄ、Ｅに関する小売業者ベクトルが示されている。小売業者Ａが高級衣料品店であり、小売業者Ｂがディスカウント家具店であり、小売業者Ｃが高級家具店であり、小売業者Ｄがディスカウント衣料品のカタログ直販店であり、小売業者Ｅが宝飾品のオンラインショップである。図１の（ｃ）に示すように、小売業者Ａと小売業者Ｂが両方とも衣料品店なので同じＳＩＣコードを有し、小売業者Ｂと小売業者Ｃとが両方とも家具店なので同じＳＩＣコードを有する。言い換えると、ＳＩＣコードは、こうした店舗を頻繁に訪れる各々の消費者のタイプを区別しない。
【００２９】
図１の（ｂ）には、小売業者ベクトルをトレーニングするために本発明にしたがって消費者の消費支出データが処理され終わった後の、図１の（ａ）のベクトル空間と同じベクトル空間１００が示されている。小売業者ベクトルのトレーニングは、各消費者の取引データ中での小売業者の共起に基づいている。図１の（ｃ）は、２人の消費者Ｃ１、Ｃ２に関する消費者取引データ１０４を示している。Ｃ１に関する取引データが小売業者Ａ、Ｃ、Ｅにおける取引１１０を含む。この例では、小売業者Ａと小売業者Ｃとにおける取引が共起窓１０８内で共起し、同様に、小売業者Ｃと小売業者Ｅとにおける取引が別の共起窓１０８内で共起する。Ｃ２に関する取引データが、小売業者Ｂと小売業者Ｄとにおける取引１１０を含み、これらも共起イベントを形成する。
【００３０】
消費者の取引データ中で取引が共起する複数の小売業者は、ベクトル空間内においてより高い度合いで同一方向に方向付けられるように、すなわち、これらの小売業者の各々のベクトル成分値をより一層近似させるように更新されたベクトルを有する。
したがって、図１の（ｂ）では、消費者の取引データの処理後に、小売業者Ａ、Ｃ、Ｅに関する小売業者ベクトルが、Ｃ１の取引のような実際の消費支出データに基づいて、概ね同一の方向に方向付けられるように更新され終わっており、同様に、小売業者Ｂ、Ｄに関する小売業者ベクトルが、Ｃ２の取引に基づいて、概ね同一の方向に方向付けられるように更新され終わっている。その次に、小売業者の小売業者ベクトル４０２に基づいて小売業者のクラスタまたはセグメントを識別するために、クラスタ化手法を使用する。図１の（ｂ）の例では、小売業者セグメントは、「高級／テクノロジー／実際的知識」のような小売業者Ａ、Ｃ、Ｅを含むものとして定義されている。上記で定義したように、これらの小売業者のＳＩＣコードは全く無関係であり、したがって、ＳＩＣコードの分析はこの小売業者グループを示さないだろうということに留意されたい。さらに、この例では、取引データ１０４に示されているように、小売業者Ｂと小売業者Ｄとが同一のＳＩＣコードを第１のセグメント内の小売業者と共有する場合でさえ、小売業者Ｂと小売業者Ｄに関して各々に異なったセグメントが識別される。
【００３１】
各々の小売業者セグメントは、小売業者セグメントベクトル１０５に関連付けられており、さらに、好ましくは小売業者クラスタの重心に関連付けられている。小売業者セグメント内の小売業者のタイプと、セグメント内で物品購入したことがある消費者とに基づいて、セグメント名称が定義されることが可能であり、産業、下位産業（ｓｕｂ−ｉｎｄｕｓｔｒｙ）、地理、および／または、消費者人口統計を表現してもよい。
【００３２】
小売業者セグメントは、消費者に関する非常に有益な情報を提供する。図１の（ｂ）には、消費者Ｃ１、Ｃ２に関する消費者ベクトル１０６が示されている。各消費者のベクトルは、その消費者が物品購入を行う小売業者の要約ベクトルである。この要約は、定義された最近の期間内で消費者が物品購入を行った小売業者ベクトルのベクトル和であることが好ましい。このベクトル和は、物品購入の最近性（ｒｅｃｅｎｃｙ）、購入金額、または、他の因子によって重み付けされることが可能である。
【００３３】
消費者ベクトル１０６は、小売業者ベクトルと同じベクトル空間に存在することによって、顧客の実際の消費支出挙動の観点から消費者の興味対象を示す。この情報は、小売業者における消費者の支出を予測するための根拠として、皮相的な人口統計学的ラベルまたはカテゴリに比べてはるかに優れている。したがって、消費者Ｃ１のベクトルが、小売業者Ａ、Ｃ、Ｅの小売業者ベクトルと非常に強く整合しており、このことは、消費者Ｃ１がこれらの小売業者の製品とサービスとに対して興味を持っている可能性が高いことを示している。消費者Ｃ１が以前にはこれらの小売業者のどれにおいても物品購入したことがない場合でさえ、消費者Ｃ１のベクトルはこれらの小売業者と整合していることがあり得る。したがって、小売業者Ａ、Ｃ、Ｅは、これらの小売業者からの物品購入に興味を持っているかも知れない消費者を識別するための明確な手段を有することになる。
【００３４】
どの消費者がどの小売業者ベクトルに関連付けられているかを、メンバシップ関数によって判定することも可能である。この関数は、小売業者セグメントベクトルと消費者ベクトル（例えば、ドット積）とに、または、各小売業者セグメントにおける消費者の消費支出額もしくは予測される消費支出額のような他の定量可能なデータに完全に基づいていることが可能である。
【００３５】
ある１つのセグメントのメンバである消費者に関して、その平均支出額、支出割合、人口平均と比較したこのセグメント内の消費者の支出金額の比率等のような有益な統計量が、このセグメントに関して生成されることが可能である。この情報が、適切な消費者に対して小売業者が自分の製品を精確に目標設定し販売促進することを可能にする。
【００３６】
図２は、本発明によって作成されることが可能である小売業者セグメントのインデックスのような、小売業者セグメントのサンプルインデックスの一部分を示している。１からＭ（セグメントの総数）の間の固有のセグメント番号を各々のセグメントに割り当てることによって、セグメントが命名されている。これに加えて、各セグメントが、小売業者セグメントを記述する記述フィールド２１０を有する。好ましい記述フィールドは次の形式である。
【００３７】
大分類カテゴリ／小分類カテゴリ／人口統計学的情報／地理的情報
大分類カテゴリ２０２は、ある１つの小売業者セグメント内の消費者が典型的にはどのように自分の口座を使用するかを記述する。小売品購入、直販購入、および、このタイプが判定できない場合には、旅行用途と教育用途とサービス等のような他の主要なカテゴリが使用される。小分類カテゴリ２０４は、大分類カテゴリのサブタイプ（例えば、購読契約は直販のサブタイプである）と、そのセグメントで一般的に購入される、取引で購入される製品またはサービス（例えば、家庭用品、スポーツ用品、家具）との両方を記述する。人口統計学的情報２０６は、消費者の年齢範囲または性別のような最も高頻度のまたは平均的な人口統計学的特徴を記述するために、このセグメントを頻繁に訪れる消費者からの口座データを使用する。地誌的情報２０８は、セグメント内の最も共通した地理的位置を記述するために消費者の口座データを使用する。セグメント記述２１０の各部分には、１つ以上の記述子（すなわち、多数の大分類記述子、小分類記述子、人口統計学的記述子、または、地理的記述子）を使用してもよい。この命名形式は、従来のＳＩＣ分類に比べてはるかに強力できめ細かく、しかも、（ＳＩＣの場合のように）異なる小売業者の産業に対する洞察を実現するだけでなく、さらに重要なことであるが、各セグメント内の消費者の地理上の特徴、おおよその年齢または性別、および、ライフスタイル上での選好に対する洞察をも実現する。
【００３８】
セクションＩのレポーティングエンジンでは、様々なタイプのセグメントレポートをさらに詳細に説明する。
Ｂ．システムの概要
次に図４と図５とを参照すると、これらの図は、消費者の消費支出を予測するモードで動作している時の、本発明の一実施形態のシステムアーキテクチャを示している。システム４００が、データ前処理モジュール４０２で始まって、データ後処理モジュール４１０と、プロファイリングエンジン４１２と、レポーティングエンジン４２６とを含む。随意の構成要素が、移行検出エンジン４２０と目標設定エンジン４２２とを含む。システム４００は、消費者要約ファイル４０４と消費者取引ファイル４０６とを含む入力としての様々なタイプのデータを操作し、プロファイルデータベース４１４内の消費者プロファイルと小売業者ベクトル４１６と小売業者セグメント予測モデル４１８とを含む暫定的なモデルとデータを生成し、様々なセグメントレポート４２８〜４３２を含む様々な有用な出力を発生する。
【００３９】
図６と図７は、トレーニングモードで動作する時のシステム４００を示しており、システム４００は、さらに、予測モデル生成システム４４０をさらに含む。
Ｃ．機能の概要
次に図３を参照すると、この図には、本発明によってサポートされるプロセスの機能の概要が示されている。この図に例示しておりかつ後述することになるプロセスの流れは、本発明をどのように使用してよいかを示す一例であるが、このプロセスの変形例が容易に考案できるので、本発明をこの特定のプロセスの流れに限定するものではない。
【００４０】
一般的に、マスタファイル４０８が、消費者要約ファイル４０４と消費者取引ファイル４０６との中に格納されてもよい金融機関の多数の消費者（口座所有者）に関する口座取引データから生成されるか更新される（ステップ３００）。このマスタファイル４０８は、様々な取引明細書期間から各消費者の取引を収集して、各消費者毎の取引データの日付順シーケンスに編成する。マスタファイル４０８の処理が取引データ内の小売業者名称を正規化し、小売業者名称の出現の頻度に関する頻度統計量を生成する。
【００４１】
トレーニングモードでは、本発明は、小売業者名称に関連付けられている小売業者ベクトルを作成または更新する（ステップ３０２）。小売業者ベクトルは、（取引回数または時間期間のような）定義された共起窓内の小売業者名称の共起に基づいている。共起統計量が、任意の２つの小売業者の互いの共起の頻度と他の小売業者との共起の頻度とに基づいて、この２つの小売業者がどれだけ密接に関係しているかという測度を導き出すために使用される。一方、この関係の測度は、ベクトル空間内での小売業者ベクトルの位置決めに影響を与えるので、頻繁に共起する小売業者がベクトル空間内で同じ方向に方向付けられているベクトルを有するようになり、小売業者ベクトルの類似性の度合いは、小売業者ベクトルの共起率の関数となる。
【００４２】
その次に、小売業者ベクトルを小売業者セグメントにクラスタ化する（ステップ３０４）。小売業者セグメントは、一般的に、多くの消費者の取引に基づいた、（データにおいて）消費者が「同時に」物品購入が行なうことが自然である小売業者グループを示す。各々の小売業者セグメントが、そのために計算されるセグメントベクトルを有し、このセグメントベクトルが小売業者セグメント内の小売業者ベクトルの要約（例えば、重心）である。小売業者セグメントが、取引や物品購入等の割合および量に関する統計量を含む、各セグメントのメンバである小売業者に関する非常に豊富な情報を提供する。
【００４３】
小売業者セグメントの定義が完了すると、消費支出挙動の予測モデルを、各々の小売業者セグメントに関して生成する（ステップ３０６）。各々の小売業者セグメントの予測モデルを、２つの時間期間内、すなわち、入力時間窓と後続の予測時間窓とにおける消費者取引の観測情報から導き出す。各消費者に関する入力時間窓内の取引からのデータ（一意のセグメントとクロスセグメントとを含む）を、独立変数を抽出するために使用し、一方、予測窓内の実際の消費支出が従属変数を与える。この独立変数は、一般的に、全セグメント内とモデル化されているセグメント内とにおける消費支出の割合と頻度と金額とを示す。消費者の取引から導き出される消費者ベクトルを使用してもよい。セグメント予測モデルの性能を確認するために、このモデルの妥当性検査と分析とを行なってもよい。
【００４４】
生成段階では、このシステムを、実際のデータが未だ存在しない将来の時間期間中の消費支出、または、データが入手可能でありかつ遡及分析のために使用される最近の過去の時間期間中の消費支出を予測するために使用する。一般的に、各々の口座（または消費者）が、口座所有者の取引挙動を要約するプロファイルを有する。セグメントに関する予測モデルに入力するための適切な変数を生成するために、この情報を作成し、または、最近の取引データが存在する場合にはその最近の取引データを使用して、この情報を更新する（ステップ３０８）。（モデル生成のための独立変数の生成が、口座プロファイルの更新（ステップ３０８）も含んでよい。）
各々の口座は、さらに、例えば最近の３ヶ月といった定義された時間期間内で消費者が物品購入を行ったことがある小売業者の小売業者ベクトルから、例えば要約ベクトルとして導き出される消費者ベクトルを含む。消費者ベクトルに対する各小売業者ベクトルの寄与を、例えば取引の金額、割合または最近性によって、その小売業者での消費者の取引によって重み付けることが可能である。消費者ベクトルが、小売業者セグメントベクトルと共に、予測能力の初期レベルを与える。各々の消費者を、消費者に関する消費者ベクトルに最も近似した消費者セグメントベクトルを有する消費者セグメントに関連付けることが可能である。
【００４５】
更新された口座プロファイルを使用する時には、所期の予測時間期間内の各小売業者セグメントにおける予測消費支出額を各々の消費者毎に生成する（ステップ３１０）ために、このデータを１組の予測モデルに入力する。例えば、後続の３ヶ月の予測窓内での消費支出を予測するために、この予測モデルを６ヶ月間の入力窓に基づいてトレーニングしてもよい。予測される期間は、実際の将来の期間、実際の消費支出が得られる現在の（例えば最近の過去の）期間であってよい。
【００４６】
予測消費支出レベルと消費者プロファイルとが、様々なレベルとタイプの口座およびセグメント分析３１２を可能にする。最初に、各々の口座を、様々なメンバシップ関数に基づいて、口座がどのセグメント（またはどの複数のセグメント）のメンバであるかを判定するために分析してよい。好ましいメンバシップ関数は予測消費支出値であり、したがって、各消費者は、最も高い予測消費支出をその消費者が有するセグメントのメンバである。口座とセグメントとの間の関連を示す他の測度が、様々な小売業者セグメントの全体における各消費者の予測消費支出の百分位数の順位に基づいてもよい。どの消費者がどのセグメントに関連しているかを求めるこうした（または類似の）方法のいずれかを使用して、各セグメント内の消費者による様々なタイプの取引の割合と量の分析を生成することが可能である。さらに、１つ以上のセグメント内の口座の目標設定を、高い金額または取引割合が予測される顧客の母集団を選択的に識別するために使用してもよい。さらに、口座の分析が、メンバシップ値の増減によって表示されるセグメント間を移行した消費者を識別する。
【００４７】
目標設定基準を使用することによって、特定のセグメント内の特定の消費者とこれらのセグメント内の小売業者とを対象とする販売促進３１４を実現することが可能である。例えば、所与の小売業者セグメントに関して、そのセグメント内で最高レベル（または最高の順位）の予測消費支出を示す消費者を識別してもよく、または、そのセグメントのベクトルに最も近似した消費者ベクトルを有する消費者を選択してもよい。または、セグメント内で最高レベルのメンバシップの増大を示す消費者を選択してもよい。そのセグメントを構成する小売業者がセグメントのクラスタ化から判明する（ステップ３０４）。割引価格、販売奨励金等のような、そのセグメント内の小売業者に特有の１つ以上の販売促進オファーを実現することが可能である。その次に、小売業者に特有の販売促進オファーの目標として、その選択された消費者を設定する。こうした口座所有者がセグメント内で最も高い消費支出の可能性を示す消費者として識別されているので、この販売促進オファーがこの口座所有者の消費支出挙動と利益上で一致する。これにより、販売促進オファーが償われる成功率の増大が好適にもたらされる。
【００４８】
本発明のこうした使用および応用と他の使用および応用とが当業者には明らかだろう。
Ｄ．データ前処理モジュール
データ前処理モジュール４０２（ＤＰＭ）は、小売業者ベクトルと消費者ベクトルと小売業者セグメント予測モデルとの生成の準備のために、クレジットカード発行会社のような消費者口座および取引の情報源から受け取る消費者データの初期処理を行う。ＤＰＭ ４０２が作成モードとトレーニングモードの両方で使用される。（この説明では、術語「消費者」、「顧客」、「口座所有者」を同義語として使用する。）
ＤＰＭに対する入力は、消費者要約ファイル４０４と消費者取引ファイル４０６である。一般的に、消費者要約ファイル４０４は、口座番号と他の口座識別および記述情報とのような、取引データが処理されるべき各消費者に関する口座データを提供する。消費者取引ファイル４０６は各消費者の取引の詳細を提供する。ＤＰＭ ４０２がこれらのファイルを処理して、消費者口座の口座識別子によって両方のデータセットを編成し、各々の消費者の要約データが消費者の取引と共に得られるようにデータファイルを併合する。
【００４９】
顧客ファイル４０４：顧客要約ファイル４０４は、システムによってプロファイル化される各々の顧客毎に１つのレコードを含み、顧客の口座の口座情報を含み、さらに随意に、顧客に関する人口統計学的情報（ｄｅｍｏｇｒａｐｈｉｃ ｉｎｆｏｒｍａｔｉｏｎ）を含む。顧客要約ファイル４０４は、典型的には、銀行のような金融機関とクレジットカード発行会社と百貨店等とが各消費者に関して保持する顧客要約ファイルである。顧客または金融機関は、情報値または予測値であると思われるさらに別の人口統計学的フィールドを提供してもよい。人口統計学的フィールドの例は、年齢、性別、および、収入を含む。他の人口統計学的フィールドが、金融機関の必要に応じて提供されてもよい。
【００５０】
表１は、好ましい実施形態における顧客要約ファイル４０４のための１組のフィールドを示す。大半のフィールドは改めて説明する必要がない。説明が必要な唯一のフィールドは、各々の顧客口座と取引とを一意的に識別する口座識別子である。この口座識別子が消費者口座番号と同一であってもよいが、消費者が金融機関との間に複数の口座関係（例えば、複数のクレジットカードまたは銀行口座）を有するかも知れず、および、消費者の全ての取引が一括して処理されるべきなので、別々の識別子が使用されることが好ましい。各々の口座識別子が各々１つの口座番号に一意的に関連付けられているように、口座識別子が、例えば一方向ハッシュまたは暗号化値によって、口座番号から導き出されることが好ましい。ｐｏｐ＿ｉｄフィールドは、例えば支払い履歴、口座タイプ、地理的区域等によって金融機関によって指定される任意の個別の母集団に顧客母集団をセグメント化するために随意に使用される。
【００５１】
【表１】

【００５２】
各顧客に関する人口統計学的情報を収めるための追加の随意の人口統計学的フィールドに留意されたい。人口統計学的情報に加えて、消費者の口座の様々な要約統計が含まれてもよい。これらは次のいずれかを含む。
【００５３】
【表２】

【００５４】
消費者取引ファイル４０６。消費者取引ファイル４０６は、消費者要約ファイル内の消費者に関する取引レベルデータを含む。共有キーは口座識別子（ａｃｃｏｕｎｔ＿ｉｄ）である。好ましい実施形態では、取引ファイルが次の記述を有する。
【００５５】
【表３】

【００５６】
ＳＫＵと小売業者ＺＩＰコードのデータは随意であり、これらのデータを、どの取引が共起しているかを調べる上でより一層きめ細かいフィルタリングを行うために使用してよい。
ＤＰＭに対する出力が、各消費者に関する口座情報と取引情報の合併ファイルを含むマスタファイル４０８の集まりである。このマスタファイルは、プロファイリングエンジン４１２にデータを入力する前に前処理段階として生成される。マスタファイル４０８は、本質的に、各顧客の口座レコードの末端に顧客の取引が付加されている顧客要約ファイル４０４である。したがって、マスタファイルは可変長のレコードを有する。マスタファイル４０８は、ＳＱＬ質問を可能にするデータベースフォーマットの形で格納されることが好ましい。口座識別子１つ毎に１つのレコードが存在する。
【００５７】
好ましい実施形態では、マスタフィイル４０８は次の情報を有する。
【００５８】
【表４】

【００５９】
各顧客毎に含まれている取引は、上記の様々なデータフィールドと、金融機関が追跡調査することを望む他のあらゆる随意の取引１回毎のデータとを含む。
マスタファイル４０８は、最終の更新と更新回数とを示すヘッダを含むことが好ましい。このマスタファイルは、新たな顧客と既存の顧客に関する新たな取引とに関して増分的に更新されてよい。金融機関の顧客による新たな取引を捕捉するために、このマスタファイルデータベースを１ヶ月単位で更新することが好ましい。
【００６０】
ＤＰＭ ４０２は、次のプロセスによって消費者要約ファイル４０４と消費者取引ファイル４０６とからマスタファイル４０８を作成する。
ａ）最小データ要件を検査する。ＤＰＭ ４０２は、口座数と取引数とを調べるために、（多数の物理媒体ソースが存在するかも知れないので）そのＤＰＭが取り扱っているデータファイルの個数とファイルの長さとを調べる。小売業者とセグメントの十分に高精度のモデルを実現するためには、少なくとも２００万個の口座に関して、少なくとも１２ヶ月間の取引を使用することが好ましい。しかし、システム４００が操作することが可能なデータの量に対して、形式的な下限は存在しない。
【００６１】
ｂ）データクリーニング（ｄａｔａ ｃｌｅａｎｉｎｇ）。ＤＰＭ ４０２は、有効なデータフィールドを検査し、無効なレコードを廃棄する。無効なレコードは取引ファイルの消費者要約ファイルのために必要なフィールドのいずれかを失っているレコードである。ＤＰＭ ４０２は、さらに、壊れているフィールドに関する紛失値または紛失データを表示するが、これは随意である。重複取引は、口座ＩＤ、口座番号、取引コード、取引金額、日付、および、小売業者記述をキーとして使用することによって取り除かれる。
【００６２】
ｃ）ファイルのソートとマージ。消費者要約ファイル４０４と消費者取引ファイル４０６の両方を口座ＩＤによってソートする。消費者取引ファイル４０６をさらに取引データによってソートする。小売業者の共起の判定にさらに影響を与えるために、例えば時間、取引タイプ、小売業者ＺＩＰコードに基づく取引ファイルに対する追加のソート処理を行ってもよい。上記の通りに、ソートされたファイルが、口座１つ毎に１つのレコードを伴ってマスタファイル４０８の形にマージされる。
【００６３】
この段階に関与するデータの量が多量であるために、マスタファイル４０８の圧縮が好ましく、この場合には、オンザフライ（ｏｎ−ｔｈｅ−ｆｌｙ）圧縮および解凍がサポートされる。これによって、Ｉ／Ｏの減少のためにシステム性能が改善される場合が多い。これに加えて、この場合も同様に、一度に取り扱うデータの量を減らすために、図４ａに示すように、例えば母集団ＩＤまたは他の変数によって分割する形で、マスタファイル４０８を多数のサブファイルに分割してもよい。
Ｅ．予測モデル生成システム
図４と図５を参照すると、これらの図に示されているように、予測モデル生成システム４４０が、マスタファイル４０８を入力として受け取り、消費者ファイルと、消費者ベクトルと、小売業者ベクトルと、小売業者セグメントと、セグメント予測モデルとを作成する。このデータが、データ後処理モジュール４１０からの入力を使用して各小売業者セグメント内の消費者による将来の消費支出の予測を生成するために、プロファイリングエンジンによって使用される。
【００６４】
図８は、３つのモジュール、すなわち、小売業者ベクトル生成モジュール５１０と、クラスタ化モジュール５２０と、予測モデル生成モジュール５３０とを含む予測モデル生成システム４４０の１つの実施形態を示す。
１．小売業者ベクトルの生成
小売業者ベクトルの生成は、顧客の口座データに対する、特にマスタファイル４０８に対する、文脈ベクトルタイプの分析の適用である。小売業者ベクトルの生成のための操作は、小売業者ベクトル生成モジュール５１０によって管理される。
【００６５】
初期小売業者ベクトルを得るために、マスタファイル４０８の追加の処理がマスタファイル４０８内で共起する小売業者の分析を進める。小売業者記述に対して使用される２つの逐次処理、すなわち、ステミング（ｓｔｅｍｍｉｎｇ）と等価化（ｅｑｕｉｖａｌｅｎｃｉｎｇ）が存在する。これらの処理は、小売業者における取引の終始一貫した識別を可能にするために、個々の小売業者名称の異形を単一の共通な小売業者名称に正規化する。この処理はベクトル生成モジュール５１０によって管理される。
【００６６】
ステミングは、小売業者記述から不要な文字を取り除くプロセスである。不要文字の例は句読点とトレーリング数字とを含む。トレーリング数字は、一般的に、大きな店舗チェーン会社における個別の店舗を表示する（例えば、Ｗａｌ−Ｍａｒｔ＃１２３４５）ので、こうしたトレーリング数字が除去される。特定の店舗チェーン会社の全ての系列店を単一の小売業者記述として識別することが好ましい。随意に、ステミングは全ての文字を小文字に変換し、かつ、間隔文字をダッシュで置き換える。これによって、小売業者記述の全てが、間隔文字を含まない文字の連続したストリングとなる。小文字への拘束は、ステミング済みの小売業者記述からステミングされていない小売業者記述を区別することを容易にするという利点を有する。
【００６７】
等価化はステミングの後に行われ、この等価化は、個々の小売業者記述の様々に異なったスペリングを、単一の小売業者記述に関連しているものとして識別する。例えば、「Ｒｏｔｏ−Ｒｏｏｔｅｒ」社が、「ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＷＥＲ−ＳＥＲＶ」と「ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＲＶＩＣＥ」と「ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＷＥＲ−ＤＲ」という３つのステミング済みの小売業者記述を伴って取引データ中に出現するだろう。ルート名称と等価名称全てのリストとを含む等価表が設定される。この例では、ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＷＥＲ−ＳＥＲＶがルート名称になり、上記記述の他の２つが等価名称としてリストされる。後続のマスタファイル４０８の生成（例えば、次の月次更新）のような操作時には、識別された等価化済みの名称が、等価表からのルート名称で置き換えられる。
【００６８】
一実施形態では、等価化を、さらに随意に第３の段階を伴う形で、２つの段階で行う。第１の等価化段階が、近似的に同一のスペリングを有する小売業者記述を発見するためにファジイ３文字名称照合アルゴリズムを使用する。この方法は、全ての小売業者記述における３文字名称（語の形の３つの連続した文字のセット）全てに関する統計を収集し、各々の小売業者記述における３文字名称のリストを維持する。その次に、この方法は、小売業者名称が共通して有する３文字名称の個数に基づいて、比較のために提供されている任意の２つの小売業者名称に関する近似性の評点を求める。２つの小売業者名称が十分に近似していると採点される場合には、これらの小売業者名称が等価化される。下記の付録Ｉが、小売業者名称（および他のストリング）を等価化するために使用可能な新規の３文字名称照合アルゴリズムを示す。このアルゴリズムは、３文字名称ベクトルを生成するために、データセット中での３文字名称の出現頻度に基づいて、各々の３文字名称のベクトル表現を使用し、ベクトルドット積に基づいて近似性を評価する。
【００６９】
同一のＳＩＣコードを割り当てられている小売業者だけに等価化を適用することが好ましい。２つの小売業者が類似した名称を有するかも知れないので、この制限が有益であるが、２つの小売業者が互いに異なったＳＩＣ分類項目に属している場合には、これら２つの小売業者は実際には互いに異なった事業である可能性が高い。
【００７０】
第２の等価化段階は、一群の特殊な事例を固定することから成る。処理中の取引データの特定のセットによって経験が得られるので、こうした特殊な事例が識別される。こうした特殊な事例の殆どを含む２つの大まかな種類が存在し、すなわち、店舗チェーンの特定の店舗を識別するために番号の代わりに場所の名称が使用され、および、百貨店の中には、特定の売り場の名称をその店舗チェーンの名称に追加するものがある。この第１のケースの事例がＵ−Ｈａｕｌであり、この場合に、ステミングした記述がＵ−ＨＡＵＬ−ＳＡＮ−ＤＩＥＧＯ、Ｕ−ＨＡＵＬ−ＡＴＬＡＮＴＡ等になる。第２の事例がＲｏｂｉｎｓｏｎｓ−Ｍａｙ百貨店であり、そのステミングした記述がＲＯＢＩＮＳＯＮＭＡＹ−ＬＥＥ−ＷＯＭＥＮ、ＲＯＢＩＮＳＯＮＭＡＹ−ＬＥＶＩ−ＳＨＯＲＴ、ＲＯＢＩＮＳＯＮＭＡＹ−ＴＲＩＦＡＲＩ−ＣＯ、および、ＲＯＢＩＮＳＯＮＭＡＹ−ＪＡＮＥ−ＡＳＨＬＥとなる。両方の事例とも、ルート名称（例えば、Ｕ−ＨＡＵＬまたはＲＯＢＩＮＳＯＮＭＡＹ）を含む、適正なＳＩＣコードにおけるあらゆる小売業者記述が、このルート名称に等価化される。
【００７１】
第３の随意の段階は、最も頻度が高い小売業者に関する記述の手作業による検査と訂正を含む。この検査を受ける小売業者の数は、処理ストリームにおける時間的制約条件に応じて様々である。この段階は、上記の２つの段階には当てはまらない事例に適用される。この一例がＭｉｃｒｏｓｏｆｔ Ｎｅｔｗｏｒｋであり、小売業者記述がＭＩＣＲＯＳＯＦＴ−ＮＥＴおよびＭＳＮ−ＢＩＬＬＩＮＧとなる。取引データから十分なサンプルを得ることによって、これらの小売業者記述が、上記の２つの段階で特殊な事例に付加されることも可能である。
【００７２】
マスタファイル４０８の少なくとも１つのセットが、等価化の決定前に作成されることが好ましい。これは、等価化の開始前に各々のＳＩＣコード内の各小売業者記述の頻度に基づいて統計量をまとめるために望ましい。
等価表の作成が完了すると、当初のマスタファイル４０８が、等価化済みの小売業者記述を使用して再構成される。この段階は、全ての等価化済みの小売業者記述子をその関連のルート名称で置き換え、これによって、小売業者に関する全ての取引が同じ１つの小売業者記述子に関連付けられることを確実なものにする。この当初の等価表を使用して、後続の入力取引データを、マスタファイルに加えられる前に等価化することが可能である。
【００７３】
所与の等価表に関して、各々の小売業者記述子（および、その等化物を含む）の出現の頻度を表す、小売業者記述子の頻度リストを求めることが可能である。
この等価表の定義が終わると、初期の小売業者ベクトルを各ルート名称に割り当てる。その次に、共起に基づく小売業者ベクトルのトレーニングを行い、口座ＩＤによってマスタファイルを処理し、その次に上記のように日付によってマスタファイルを処理する。
２．小売業者ベクトルのトレーニング：ＵＤＬアルゴリズム
上記のように、小売業者ベクトルは、各消費者の取引データにおける小売業者の共起に基づいている。口座によって順序付けられかつ取引データによって口座内で順序付けられたマスタファイル４０８を、口座毎に処理し、その次に、共起する小売業者のグループを識別するために日付順に処理する。（等価化された）小売業者名称の共起が、小売業者ベクトルの値を更新する基礎である。
【００７４】
小売業者ベクトルのトレーニングは、取引における小売業者の共起に関する「予想外の偏差（ｕｎｅｘｐｅｃｔｅｄ ｄｅｖｉａｔｉｏｎ）」に基づいている。さらに明確に述べると、取引データ中でいずれか各々２つずつの小売業者が共起する予測上の割合を、個々の個別の小売業者が他のいずれかの小売業者と共に共起の形で出現する頻度と、共起イベントの合計数とに基づいて推定する。各々２つずつの小売業者の実際の共起の回数を求める。各々２つずつの小売業者が予想よりも高い頻度で共起する場合には、これらの２つの小売業者が互いに肯定的に関係しており、この関係の強さは共起の「予想外の」量の共起の関数である。各々２つずつの小売業者が予想よりも低い頻度で共起する場合には、これら２つの小売業者は互いに否定的に関係している。各々２つずつの小売業者が取引データ中で概ね予想通りに共起する場合には、これらの２つの小売業者の間には一般的に互いに関係が存在しない。小売業者ベクトル間の所望のドット積としての、各々２つずつの小売業者の関係の強さを使用することによって、小売業者ベクトルの値をベクトル空間内で求めることが可能である。このプロセスが、「予想外の偏差」学習アルゴリズム（ｕｎｅｘｐｅｃｔｅｄ ｄｅｖｉａｔｉｏｎ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ）、すなわち、「ＵＤＬ」の基礎である。
【００７５】
このアプローチが、データベース全体に関係した項目の全体的頻度に基づく傾向を有する従来のベクトルベースの表現モデルに関連した問題点を克服する。特に、従来のモデルでは、極めて多数の物品購入が行われる小売業者である高頻度の小売業者が、他の多くの小売業者と共に共起することになり、さらには、こうした他の小売業者がこの高頻度の小売業者に関連しているという誤った示唆を与えるか、または、単純に、極めて僅かしか影響しないかのように著しく低い重みを与えられることになるだろう。すなわち、高頻度の小売業者の名称が高頻度の英語単語「ｔｈｅ」や「ａｎｄ」等のように取り扱われることになり、こうした単語は、特にその高頻度のために、従来のベクトルシステムでは非常に低い重みを与えられる。
【００７６】
しかし、本発明は、個々の小売業者の高頻度の出現を考慮し、高頻度の小売業者を含む小売業者が他の小売業者と共に共起する際の予想割合を分析する。高頻度の小売業者は、より頻繁に出現すると予想される。高頻度の小売業者と別の小売業者とが予想頻度よりも高い頻度で共起する場合には、これらの小売業者の間に肯定的な相関が存在する。したがって、本発明は、従来の方法では不可能な仕方で高頻度の小売業者を考慮に入れる。
【００７７】
「予想外の偏差」を使用する小売業者ベクトルのモデル化の全体的プロセスは次の通りである。
１．最初に、取引データ中で小売業者が別の１つの小売業者と共に共起する回数を計数する。互いに関連した小売業者が頻繁に共起し、互いに無関係の小売業者が頻繁には共起しないということが直感的知識である。
【００７８】
２．その次に、観察した共起が予想した共起からどれだけ逸脱しているかに基づいて、小売業者間の関係の強さを計算する。この関係の強さは次の特徴を有する。
・ 予想頻度よりも著しく高い頻度で共起する２つの小売業者は、互いに肯定的に関係している。
【００７９】
・ 予想頻度よりも著しく低い頻度で共起する２つの小売業者は、互いに否定的に関係している
・ 予想頻度と概ね同じ頻度で共起する２つの小売業者は、互いに無関係である。
３．関係の強さをベクトル空間内にマッピングする。すなわち、小売業者間の関係の強さが与えられた全ての各々２つずつの項目に関して、小売業者ベクトルの相互間の所望のドット積を求める。このマッピングによって次の特徴が得られる。
【００８０】
・ 互いに肯定的に関係している小売業者に関する小売業者ベクトルは、正のドット積を有する。
・ 互いに否定的に関係している小売業者に関する小売業者ベクトルは、負のドット積を有する。
・ 互いに無関係である小売業者に関する小売業者ベクトルは、ゼロのドット積を有する。
４．小売業者ベクトル間のドット積が所望のドット積に少なくとも著しく近いように、小売業者ベクトルをその初期の割当てから更新する。
【００８１】
次のセクションでは、このプロセスをさらに詳細に説明する。
ａ）共起の計数
共起の計数は、２つの項目（ここでは小売業者記述）が何らかのデータセット（ここでは消費者の取引）内の固定サイズの共起窓の中で共起する回数を計数する処理手順である。この計数を、順方向、逆方向、または、双方向に行うことが可能である。共起の計数を例示する最善の方法は、各タイプの共起計数に関して事例を示すことである。
【００８２】
例：次の小売業者名称のシーケンスを検討する。
Ｍ１ Ｍ３ Ｍ１ Ｍ３ Ｍ３ Ｍ２ Ｍ３
ここで、Ｍ１、Ｍ２およびＭ３は、消費者による取引のシーケンスの中に出現する通りの任意の小売業者名称を表している。この例では、取引の日付、金額、取引識別子等といった余計なデータが無視されている。さらに、サイズが３である共起窓を想定する。この場合、この共起窓は、項目すなわち取引の単純な計数に基づいており、したがって、この共起窓は、連続する３つの取引から構成される取引のグループを表現する。
【００８３】
ｉ）順方向の共起の計数
計数プロセスの第１の段階は、順方向の共起窓を設定することである。図６ａが、この小売業者名称シーケンスの順方向の共起の計数のための共起窓６０２を示している。定義から必然的に、各々の小売業者名称が、唯一の共起窓６０２に関する（矢印で示されている）目標６０４である。したがって、この例では、１から７の番号が付けられている７つの順方向共起窓６０２が存在する。所与の共起窓６０２内の他の小売業者名称を、ネイバー（ｎｅｉｇｈｂｏｒ）６０６と呼ぶことにする。順方向の共起の計数では、ネイバーは目標の後に出現する。窓サイズ＝３である場合には、所与の共起窓６０２内に多くとも３つのネイバー６０６が存在する可能性がある。当然のことながら、窓のサイズが大きければ大きいほど、一度に共起する小売業者（および、取引）の数が多い。
【００８４】
その次の段階が、全ての共起イベントを含む表を作成することである。共起イベントとは、単純に、目標６０４をネイバー６０６と対にすることである。図９の（ａ）の共起窓＃１の場合には、目標がＭ１であり、ネイバーがＭ３とＭ１とＭ３である。したがって、この窓における共起イベントは（Ｍ１，Ｍ３）、（Ｍ１，Ｍ１）、および、（Ｍ１，Ｍ３）である。表５が、この例の各々の共起窓に関する共起イベントの完全なリストを含む。
【００８５】
【表５】

【００８６】
最後の段階は、各々の一意の共起イベントが出現する回数を集計することである。一意の共起イベントは、２つの小売業者名称の（任意の順序の）組合せである。
表６はこの集計を行列形式で示す。行が目標を示し、列がネイバーを示す。後述の説明内容の参考のために述べておくと、この行列が順方向共起行列と呼ばれるだろう。
【００８７】
【表６】

【００８８】
ii）逆方向の共起の計数
逆方向の共起の計数を、共起窓内でネイバーが目標に先行することを除いて順方向の共起の計数と同じ仕方で行う。図９の（ｂ）は、逆方向の共起の計数のための、同じ小売業者名称シーケンスに関する共起窓を示している。
共起窓を特定した後に、共起イベントを識別して計数することが可能である。
【００８９】
【表７】

【００９０】
その次に、各々の一意の共起イベントが出現した回数を、逆方向共起行列に記録する。
【００９１】
【表８】

【００９２】
順方向共起行列と逆方向共起行列とが互いの転置行列であることに留意されたい。逆方向の共起の計数が、取引ストリームが逆転されている順方向の共起の計数と同一であるので、この関係は直観的知識である。したがって、両方を計数する必要はなく、どちらか一方の計数を使用することが可能であり、その次に、その結果得られた共起行列の転置行列として、他方の共起行列が得られる。
iii)双方向の共起の計数
双方向共起行列は、順方向共起行列と逆方向共起行列との和にすぎない。この結果として得られる行列は常に対称である。言い換えると、小売業者名称Ａと小売業者名称Ｂとの間の共起は、小売業者名称Ｂと小売業者名称Ａとの間の共起と同一である。これと同じ対称性がベクトル空間内では本来的であるので、この性質が望ましい。すなわち、小売業者Ａと小売業者Ｂとに関する小売業者ベクトルＶ_A とベクトルＶ_B との場合に、Ｖ_A ( ベクトル）・Ｖ_B （ベクトル）＝Ｖ_B （ベクトル）・Ｖ_B （ベクトル）が成立する。この理由から、好ましい実施形態が次式の双方向共起行列を使用する。
【００９３】
【表９】

【００９４】
図１０の（ａ）と図１０の（ｂ）は、マスタファイル４０８内の消費者取引データの文脈における上記着想を示している。図１０の（ａ）には、特定の顧客の取引を含むマスタファイル４０８の一部分が示されている。このデータは、上記のステミング段階および等価化段階の以前のものであり、したがって、間隔文字と店舗番号と所在地と他の非本質的データとを伴う小売業者の当初の名称を含む。
【００９５】
図１０の（ｂ）は、ステミングと等価化の後の上記と同じデータを示している。以前には店舗番号を識別したＳＴＡＰＬＥＳにおける２つの取引が、この時点では等価化されているということに留意されたい。以前には取引が所在地を含んでいたＡＬＡＭＯにおける２つの自動車レンタル取引が、ＡＬＡＭＯに等価化されており、同様に、以前にはホテル所在地を含んでいたＨＩＬＴＯＮにおけるホテル滞在が等価化されている。さらに、ＨＩＬＴＯＮ取引がホテル名称の前のホテル所在地を指定したことに留意されたい。最後に、以前には売り場を識別したＮＯＲＤＳＴＲＯＭＳにおける２つの取引が、店舗名称自体に等価化されている。
【００９６】
さらに、単一の順方向共起窓７００が、ＨＩＬＴＯＮでの最初の取引である目標７０２と共に示されており、その次の３つの取引がネイバー７０４である。
したがって、ステミングと等価化とが済んだ名称によってマスタファイル４０８を更新した後に、小売業者ベクトル生成モジュール５１０が、各々の消費者口座に対して次の諸段階を行う。
【００９７】
１．日付の順序で取引データを読み取る。
２．予め決めた共起窓を使用して、取引データ中の小売業者名称の共起を順方向に計数する。
３．順方向共起行列と逆方向共起行列と双方向共起行列とを生成する。
好ましい一実施形態は、取引３つ分の共起窓サイズを使用する。これは、シーケンスだけに基づいて共起イベント（および、互いの３つの語の中の小売業者名称の存在でない）として取引データを収集する。別の実施形態では、この共起窓が、共起イベントを識別するために日付範囲を使用して時間に基づいている。例えば、特定の目標取引に関して、１週間の共起窓を使用する場合には、共起するネイバー取引が目標取引の１週間の内に出現する。さらに別のデータ収集のアプローチは、取引としてではなく目標時間期間として目標を定義することであり、この場合、共起窓を別の時間期間として定義することである。例えば、目標期間が３ヶ月のブロックであることが可能であり、したがって、このブロック内の全ての取引が目標であり、この場合に、共起窓は目標期間後に続く２ヶ月間の全ての取引であってよい。したがって、この目標期間内に取引を有する各々の小売業者が、共起期間内に取引を有する各々の小売業者（同じ小売業者または他の小売業者）と共に共起する。当業者は、本発明による共起のシーケンスおよび／または時間に関連した原理を表現する別の共起の定義を容易に考案することが可能である。
ｂ）予測共起計数の推定
２つの小売業者が互いに関係しているかどうかを判定するために、ＵＤＬアルゴリズムが、これら２つの小売業者における取引発生の予想回数に関する推定値を使用する。取引データに関する既知の情報が、各々の小売業者名称が共起イベントに出現する回数だけであると仮定する。追加の情報がない場合には、任意の２つの小売業者名称がどれだけ強く関係しているかを示すこれら２つの小売業者名称の間の相関を求めることは不可能である。言い換えれば、１つの小売業者における取引の出現の可能性が別の小売業者における取引の出現の可能性を増減させるかどうかを判定することは不可能だろう。
【００９８】
次に、２つの任意の小売業者である小売業者ｉと小売業者ｊが共起する回数を予測することが求められていると仮定する。追加の情報が全くない場合には、小売業者ｉと小売業者ｊとが相関していないと見なさなければならないだろう。確率論の観点からは、このことは、小売業者ｉにおける取引の発生が小売業者ｊにおける取引の発生の確率に影響しないということを意味する。すなわち、
【００９９】
【数４】

【０１００】
小売業者ｉと小売業者ｊの結合確率が次式で示され、
【０１０１】
【数５】

【０１０２】
【数６】

【０１０３】
が得られる。
しかし、真の確率Ｐ_i とＰ_j とが未知であり、したがって、これらの真の確率がデータに関して示された限定された情報から推定されなければならない。このシナリオでは、Ｐ_i とＰ_j とに関する最尤推定値＾Ｐ
【０１０４】
【数７】

【０１０５】
【数８】

【０１０６】
【数９】

【０１０７】
であり、ここで、
Ｔ_i は、小売業者ｉが出現した共起イベントの個数であり、
Ｔ_j は、小売業者ｊが出現した共起イベントの個数であり、
Ｔは、共起イベントの合計数である。
これらのデータ値が双方向共起行列から取り込まれる。
【０１０８】
これらの推定値を等式［３］に代入することによって、Ｐ_ijに関する推定値である
【０１０９】
【数１０】

【０１１０】
が生じる。
取引データ中には合計Ｔ個の独立した共起イベントが存在するので、小売業者ｉと小売業者ｊの共起取引の予想数が、
【０１１１】
【数１１】

【０１１２】
である。
この予想値は、取引データ中の任意の２つの小売業者の間の相関を判定するための基準点の役割を果たす。２つの小売業者が予想値よりも＾Ｔ_y だけかなり高い頻度で共起する場合には、この２つの小売業者は肯定的に関係している。同様に、２つの小売業者が予想値よりもかなり低い頻度で共起する場合には、この２つの小売業者は否定的に関係している。それ以外の場合には、２つの小売業者は実際には互いに無関係である。
【０１１３】
さらに、所与の結合確率推定値＾Ｐ_y と独立した共起イベント数Ｔとに関して、小売業者ｉと小売業者ｊとが共起する回数に関する推定確率分布関数を求めることが可能である。確率論から、Ｔ個の独立した試行（この場合には取引）と各々の試行に関する成功（この場合には、成功とは小売業者ｉと小売業者ｊの共起である）の確率＾Ｐ_y とを有する実験を、二項分布を使用してモデル化することが可能である。この場合には小売業者の共起の回数を表す成功の合計回数ｋが次の確率分布を有する。
【０１１４】
【数１２】

【０１１５】
この分布は次の平均を有し、
【０１１６】
【数１３】

【０１１７】
これは、異なったアプローチを使用して以前に推定した値と同じ値である。この分布は分散を有する。
【０１１８】
【数１４】

【０１１９】
この分散を、下記のＵＤＬ １で間接的に使用する。ｔ_ij，σ_ijの標準偏差が分散Ｖ_ar[ ｔ_ij] の平方根である。小売業者ｉと小売業者ｊとが互いに無関係である場合には、実際の共起回数と予想共起回数との間の差Ｔ_ij−＾Ｔ_ijがσ_ijよりもあまり大きくはないはずである。
ｃ）小売業者ベクトル間の所望ドット積
２つの小売業者ベクトルの間の所望のドット積（ｄ_ij）を計算するために、ＵＤＬアルゴリズムが、（双方向共起行列内で発見した）観察した共起の回数を予測共起回数に対して比較する。最初に、このアルゴリズムは、共起回数から生の関係の測度（ｒ_ij）を算出し、その次に、ｒ_ijから所望のドット積ｄ_ijを算出する。少なくとも次の各々に異なる３つの方法によって、関係の強さと所望のドット積とを共起データから算出することが可能である。
方法：ＵＤＬ １
【０１２０】
【数１５】

【０１２１】
方法：ＵＤＬ ２
【０１２２】
【数１６】

【０１２３】
方法：ＵＤＬ ３
【０１２４】
【数１７】

【０１２５】
ここで、Ｔ_ijが小売業者ｉと小売業者ｊに関する共起イベントの実際の回数であり、σ_r が全てのｒ_ijの標準偏差である。
ＵＤＬ ２とＵＤＬ ３では、対数尤度比ｌｎλが次式によって与えられる。
【０１２６】
【数１８】

【０１２７】
各々の方法が、予想外の偏差、すなわち、予想共起回数からの実際の共起回数の偏差を算出する。上記で定義した変数で表すと、この予想外の偏差は、
【０１２８】
【数１９】

【０１２９】
である。
したがって、Ｄ_ijを、予想外の偏差の生の測度として理解してもよい。
各々の方法が同じ予想外の偏差の測度を使用するので、各々の方法の間の相違は、その方法がＤ_ijからｒ_ijを計算するために異なった式を使用するということだけである。（他のドット積の計算を使用してもよいということに留意されたい。）
第１の方法であるＵＤＬ １は、予想共起回数の標準偏差で割り算された予想外の偏差Ｄ_ijとしてｒ_ijを定義する。関係の測度に関するこの式は、統計学者によって一般的に使用されている有意性の測度であるカイ自乗（χ² ）に密接に関係している。実際には、
【０１３０】
【数２０】

【０１３１】
である。
共起回数が少ない状況では、すなわち、＾Ｔ_y ＜＜１である状況では、ＵＤＬ１がｒ_ijに関して過度に大きな値を与える。例えば、少ない共起回数であることを９０％以上が示す典型的な小売取引データでは、約１０⁹ のｒ_ijの値が得られている。大きな関係の測度をこうした高い割合で有するデータセットが問題となる可能性がある。何故なら、こうした場合には、σ_r も非常に大きくなるからである。同じσ_r が全ての共起対で使用されるので、σ_r の大きな値が、小さな回数を被らない共起対に関してｒ_ij／σ_r が非常に小さくなることの原因となる。したがって、こうした場合には、ｄ_ijが
【０１３２】
【数２１】

【０１３３】
となる。
この特徴は、２つの小売業者が予想よりも著しく高い度合いで共起する時でさえ、２つの小売業者の小売業者ベクトルが過剰に直交していることを強いるので、望ましくない。
第２の方法であるＵＤＬ ２は、ｒ_ijを計算するために対数尤度比の推定値を使用することによって「少ない回数」という問題を克服する。対数尤度比は、少ない回数に関してχ² よりも優れている挙動を有すると同時に、非「少ない回数」領域内ではχ² と同じ挙動を維持するということが既に示されている。
【０１３４】
第３の方法であるＵＤＬ ３は、ＵＤＬ ２を僅かに変更した方法である。両者の違いは、対数尤度比が１／√＾Ｔ_ijで基準化されるということである。この基準化が、対数尤度比の推定値から√＾Ｔ_ijの偏りを取り除く。この好ましい実施形態は殆どの場合にＵＤＬ ２を使用する。
したがって、本発明は一般的に次の通りに進行する。
【０１３５】
１．ルート小売業者名称の各対に関して、（あらゆる小売業者に関する）各々の小売業者名称に関与する共起取引の合計数と共起取引の合計数とから、このルート小売業者名称の対の共起の予測回数を求める。
２．ルート小売業者名称の各対に関して、共起の予想回数と共起の実際の回数との間の差に基づいて、関係の強さの測度を求める。
【０１３６】
３．ルート小売業者名称の各対に関して、関係の強さの測度から、小売業者ベクトルの間の所望のドット積を求める。
ｄ）小売業者ベクトルのトレーニング
ベクトルのトレーニングの目的は、小売業者ベクトルの間のドット積がその所望のドット積に非常に接近するように高次元のベクトル空間内に小売業者ベクトルを位置決めすることである。（好ましい一実施形態では、ベクトル空間が２８０個の次元を有し、これらの次元のうちの幾つかを使用することが可能である。
）これを、より形式的に表現すると、
小売業者ベクトルの集合Ｖ＝｛Ｖ₁ （ベクトル），Ｖ₂ （ベクトル），…，Ｖ_n （ベクトル）｝と、各ベクトル対に関する所望のドット積の集合Ｄ＝｛ｄ₁₂，ｄ₁₃，…，ｄ_1N，ｄ₂₁，ｄ₂₃，…，ｄ_2N，ｄ_3,1 …ｄ_N(N-1)とに関して、費用関数が最小化されるように各々の小売業者ベクトルを位置決めし、例えば、
【０１３７】
【数２２】

【０１３８】
である。
典型的な取引データの典型的なマスタファイル４０８では、小売業者ベクトルの集合が数万個以上のベクトルを含む。これは、最適の解を発見することが望ましいならば、数万個以上の高次元線形方程式の系を解かなければならないことを意味する。情報が必要とされる時間フレームのタイプによっては、この計算は一般的に実用にならない。したがって、費用関数を最小化する別の方法が好ましい。
【０１３９】
こうしたアプローチの１つは勾配の降下に基づいている。この方法では、所望のドット積が、小売業者ベクトルの各対に関する実際のドット積と比較される。各々２つずつの小売業者ベクトルの間のドット積が所望のドット積よりも小さい場合には、その２つのベクトルが互いにより近くに移動させられる。各々２つずつの小売業者ベクトルのドット積が所望のドット積よりも大きい場合には、その２つのベクトルが互いから離れるように移動させられる。ベクトル方程式の形で記述すると、この更新規則は、
【０１４０】
【数２３】

【０１４１】
である。
学習速度（α）が十分に小さい（および、使用する特定の取引データの分析によって決定され、典型的には０．１から０．５の範囲内である）限り、この方法が収束するが、この収束は非常に緩慢だろう。
別の方法は小売業者ベクトルの平均を使用する。この実施形態では、他の小売業者ベクトルの現在の位置と、現在の小売業者ベクトルと他の小売業者ベクトルとの間の所望のドット積が与えられていると仮定して、現在の小売業者ベクトルの所望の位置を他の小売業者ベクトルの各々について求める。その次に、これらの所望の位置の誤り重み付け平均（ｅｒｒｏｒ ｗｅｉｇｈｔｅｄ ａｖｅｒａｇｅ）を計算し、現在の小売業者ベクトルの最終位置として取り入れる。ベクトル方程式の形で記述すると、この更新規則は、
【０１４２】
【数２４】

【０１４３】
であり、ここで、Ｖ_(n+1) （ベクトル）は現在小売業者ベクトルＶ_i （ベクトル）の更新された位置であり、Ｕ_ij（ベクトル）は、他の小売業者ベクトルの各々Ｖ_i （ベクトル）に関する現在小売業者ベクトルＶ_i （ベクトル）の所望の位置である。Ｕ_ij（ベクトル）は次式を使用して計算してよく、
【０１４４】
【数２５】

【０１４５】
ここで、ｄ_ijはＶ_i （ベクトル）とＶ_j （ベクトル）の間の所望のドット積であり、ε_ijはＶ_i （ベクトル）とＶ_j （ベクトル）の間の現在のドット積である。
Ｕ_ij（ベクトル）は、小売業者ベクトルＶ_i （ベクトル）とＶ_j （ベクトル）の線形組合せなので、これらのベクトルＶ_i （ベクトル）とＶ_j （ベクトル）の平面内に常に位置している。
【０１４６】
これらの様々なアプローチの結果はいずれも、全ての小売業者名称に関する小売業者ベクトルの最終的な集合である。
下記の付録IIは、誤り重み付け更新プロセスのための幾何学的に導き出されたアルゴリズムを示している。付録III は、このプロセスの代数的に導き出されたアルゴリズムを示しており、このアルゴリズムは十分なコードインプリメンテーション（ｃｏｄｅ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ）を生じさせて、付録IIのアルゴリズムと同じ結果をもたらす。
【０１４７】
当業者は、上記の変形を含むＵＤＬアルゴリズムと、付録に示すそのインプリメンテーションとが、小売業者の共起の判定以外の文脈において使用されてもよいということを理解するだろう。本発明のこの側面を、例えば排他演算なしに高頻度のデータ項目を表現する必要がある、あらゆるアプリケーション領域におけるベクトル表現と共起分析とのために使用してもよい。したがって、ＵＬＤアルゴリズムを、情報検索と、文書ルーティングと、他の分野の情報分析とに使用してもよい。
３．クラスタ化モジュール
小売業者ベクトルの生成とトレーニングとの後に、クラスタ化モジュール５２０を、結果として得られた小売業者ベクトルをクラスタ化して小売業者セグメントを識別するために使用する。Ｋ平均クラスタ化（ＭａｃＱｕｅｅｎ）を含む様々なクラスタ化アルゴリズムを使用してもよい。クラスタ化の出力は、各々が小売業者ベクトルの重心である小売業者セグメントベクトルの集合と、小売業者セグメント内に含まれる小売業者ベクトル（したがって小売業者）のリストである。
【０１４８】
小売業者セグメントを生成するために一般的に使用されてよい２つの異なったクラスタ化のアプローチがある。第１に、クラスタ化を小売業者ベクトル自体に対して行ってよい。このアプローチは、ベクトル空間内で概ね整列している小売業者ベクトルを有する小売業者を捜し出し、これらの小売業者をセグメントの形にクラスタ化し、各セグメントに関してクラスタベクトルを計算する。したがって、取引が頻繁に共起しかつ小売業者ベクトルの間の高いドット積を有する小売業者が、小売業者セグメントを形成する傾向がある。ある１つのクラスタ内の全ての小売業者が多くの消費者の取引において全て共起することは必ずしも必要ではないということに留意されたい。その代わりに、共起が結合的であり、小売業者Ａと小売業者Ｂとが頻繁に共起し、かつ、小売業者Ｂと小売業者Ｃとが頻繁に共起する場合には、A とＣとが同じ小売業者セグメント内に存在する可能性が高い。
【０１４９】
第２のクラスタ化のアプローチは消費者ベクトルを使用することである。各々の口座識別子に関して、消費者ベクトルを、定義された時間期間（例えば以前の３ヶ月）内に消費者が物品購入を行ったことのある小売業者のベクトルの合計として生成する。この生成の単純な具体例は、
【０１５０】
【数２６】

【０１５１】
であり、ここで、Ｃは、口座に関する消費者ベクトルであり、Ｎは、選択された時間期間内の顧客口座の取引データ中の一意のルート小売業者名称の個数であり、Ｖ_i は、ｉ番目の一意のルート小売業者名称に関する小売業者ベクトルである。その次に、消費者ベクトルを単位長さに正規化する。
より興味深い消費者ベクトルが、各々の小売業者のベクトルの有意性を重み付けるために、次のように様々な重み付け因子を計算に入れ、
【０１５２】
【数２７】

【０１５３】
ここで、Ｗｉは小売業者ベクトルＶｉに対して割り当てられる重みである。例えば、時間期間中に小売業者において消費者によって購入された合計（または平均）購入金額によって、最後の物品購入から経過した時間によって、時間期間中の物品購入の合計回数によって、または、他の因子によって、小売業者ベクトルを重み付けすることが可能である。
【０１５４】
しかし、計算の後に、互いに類似した消費者がその物品購入挙動に基づいて小売業者セグメントを形成するように、消費者ベクトルをクラスタ化することが可能である。これによって、小売業者セグメントベクトルが定義される。ある特定の小売業者セグメントベクトルに最も近い小売業者ベクトルは、その小売業者セグメントに含まれると見なされる。
【０１５５】
小売業者セグメントとそのセグメントベクトルとを使用して、各々のセグメントに関する予測モデルを生成してよい。予測モデルの生成を説明する前に、このプロセスで使用するトレーニングデータを説明する。
Ｆ．データ後処理モジュール
小売業者セグメントの識別の後に、各々のセグメント内の消費者の消費支出予測モデルを、小売業者セグメント内における消費者の過去の取引から生成する。消費者セグメント内における消費者の過去の取引を使用することは、将来の消費支出を予測するための確実な根拠を提供し、かつ、消費者の実際の消費支出パターンに基づいて小売業者セグメントが識別されたので、人口統計学をベースとする従来の予測の恣意性が最小限に抑制される。セグメントに固有ではない消費者の追加の取引も、取引挙動の根拠を与えるために使用してよい。
【０１５６】
セグメントモデルを生成するために、消費者取引データを観測情報（ｏｂｓｅｒｖａｔｉｏｎ）のグループに編成する。各々の観測情報を、選択した終了日付に関連付ける。この終了日付は観測情報を予測窓と入力窓とに分割する。入力窓は、選択された終了日付の以前の定義された過去の期間（例えば６ヶ月前）内の取引の集合を含む。予測窓は、選択された終了日付の後の定義された期間（例えば次の３ヶ月）内の一連の取引を含む。予測窓の取引は、予測のための従属変数のソースであり、入力窓の取引は、予測のための独立変数のソースである。
【０１５７】
さらに明確に述べると、観測情報生成モジュール５３０のための入力はマスタファイル４０８である。その出力は、各口座に関する観測情報の集合である。各々の口座は３つのタイプの観測情報を受け取る。図１１がこの観測情報のタイプを示している。
第１のタイプの観測情報は、ある特定の小売業者セグメント内での将来の消費支出を予測する予測モデルをトレーニングするために使用されるトレーニング観測情報（ｔｒａｉｎｉｎｇ ｏｂｓｅｒｖａｔｉｏｎｓ）である。Ｎが観測情報入力の計算を行う窓の長さ（月数）である場合には、各セグメント毎に２Ｎ−１個のトレーニング観測情報がある。
【０１５８】
図１１には、１年目の３月から翌年の６月までの１６ヶ月分の取引データが示されている。トレーニング観測情報が、１１月１日である対象日付の以前に選択される。入力窓は、予測窓内の次の２ヶ月を予測するために４ヶ月分の過去データを含む。したがって、最初の入力窓８０２ａが、６月１日という選択日付を使用し、過去の取引を網羅するために３月〜６月を含み、予測窓８０３ａからの７月〜８月の取引を予測する。次の入力窓８０２ｂが、選択日付として８月１日を使用し、過去の取引として４月〜７月の取引を使用し、予測窓８０３ｂとして８月〜９月を使用する。このセットの最後の入力窓が８０２ｄであり、この入力窓はその選択日付として１１月１日を使用し、１１月〜１２月を予測窓８０３ｄとして使用する。
【０１５９】
第２のタイプの観測情報はブラインド観測情報（ｂｌｉｎｄ ｏｂｓｅｒｖａｔｉｏｎｓ）である。ブラインド観測情報は、トレーニング観測情報における予測窓のための時間フレームのいずれにも予測窓が重複しない観測情報である。ブラインド観測情報は、セグメントモデルの性能を評価するために使用される。図１１では、図に示すように、ブラインド観測情報８０４が９月から２月のブラインド観測情報を含む。
【０１６０】
第３の観測情報のタイプはアクション観測情報（ａｃｔｉｏｎ ｏｂｓｅｒｖａｔｉｏｎｓ）であり、生成段階で使用される。アクション観測情報は入力（選択日付が付けられた過去の取引）だけを有し、選択日付の後には目標取引を持たない。アクション観測情報は、最終月の利用可能なデータ全体を含む入力窓によって構成される。これらの取引は、実際の予測の基礎となる取引である。したがって、これらの取引は、最近の選択日付（例えば、最近の月末日）から、トレーニング中に使用された入力窓の長さ全体にわたって遡る形で延びる入力窓内の取引であるべきである。図１１では、アクション観測情報８０６は１１月１日から２月末日までを対象範囲とし、実際の予測の期間は３月から５月末日である。
【０１６１】
図１１は、さらに、上記予測窓中の幾つかのポイントにおいて、金融機関が、選択された消費者の様々な小売業者セグメント内での予測上の消費支出に基づいて、この選択された消費者に販売促進用資料を送ることを示している。
図６及び図７を再び参照すると、この図に示されているように、ＤＰＰＭが、マスタファイル４０８と特定の選択された最終日付とを取得し、当該セグメント内の取引と他のあらゆる取引とを含む消費者の取引からのトレーニング観測情報とブラインド観測情報とのセットを各消費者毎に構成し、その次にこれを各セグメント毎に構成する。したがって、３００個のセグメントが存在する場合には、各消費者毎に３００セットの観測情報が存在するだろう。予測のための生成中にＤＰＰＭが使用される場合には、観測情報のセットはアクション観測情報のセットである。
【０１６２】
トレーニングのために、ＤＰＰＭは、消費者の取引から取引統計量を計算する。この取引統計量が入力窓内の独立変数の役割を果たし、かつ、予測窓内での取引からの従属変数の役割を果たす。好ましい一実施形態では、これらの変数は次の通りである。
予測窓：従属変数は一般的に予測窓内のセグメントにおける消費者による消費支出の量または割合のあらゆる測度である。単純な測度が、予測窓内の取引において消費者によってセグメント内で消費支出されたドル総額である。別の測度が小売業者で消費支出された平均金額（例えば、取引回数で割り算した合計金額）であってよい。
【０１６３】
入力窓：独立変数は、最終日付に至る入力窓内での消費支出の様々な測度である（幾つかがその入力窓の外側にあってもよい）。一般的に、消費者に関する取引統計量が、小売業者の様々なグループから抽出されることが可能である。これらの小売業者グループが、（１）全セグメント内の小売業者、（２）モデル化されている小売業者セグメント内の小売業者、（３）モデル化されているセグメントに関するセグメントベクトルに最も近似した小売業者ベクトルを有する小売業者（この小売業者はこのセグメント内に存在しても存在しなくてもよい）、および、（４）小売業者ベクトルが消費者の消費者ベクトルに最も近い小売業者として定義されてよい。
【０１６４】
入力変数の１つの好ましいセットが、
（１）最近性（Ｒｅｃｅｎｃｙ）。現在の終了日付と、あらゆるセグメント内の消費者の最新の取引との間の時間量（月数単位）。最近性は、使用可能な全時間にわたって計算されてよく、かつ、入力窓に制限されない。
（２）頻度。全セグメントに関する終了日付に先行する入力窓内での消費者による取引の回数。
【０１６５】
（３）購入の金銭的価値。全セグメントに関する終了日付に先行する入力窓内における消費者によって支出されたドル金額の測度。合計、平均、または、他の測度が使用されてよい。
（４）最近性＿セグメント。現在の終了日付とセグメント内の消費者の最新の取引との間の時間量（月数単位）。最近性は、使用可能な全時間にわたって計算されてよく、かつ、入力窓に制限されない。
【０１６６】
（５）頻度＿セグメント。現在の終了日付に先行する入力窓内での消費者によるセグメント内の取引回数。
（６）金銭的価値＿セグメント。現在の終了日付に先行する入力窓内での消費者によるセグメント内の支出ドル金額。
（７）最も近いプロファイル小売業者の最近性。現在の終了日付と、消費者の消費者ベクトルに最も近い小売業者の集まりにおける消費者の最新の取引との間の時間量（月数単位）。最近性は、使用可能な全時間にわたって計算されてよく、かつ、入力窓に制限されない。
【０１６７】
（８）最も近いプロファイル小売業者の頻度。現在の終了日付に先行する入力窓内の消費者による消費者の消費者ベクトルに最も近い小売業者の集まりの中の取引の回数。
（９）最も近い頻度小売業者の金銭的価値。現在の終了日付に先行する入力窓内の消費者による消費者の消費者ベクトルに最も近い小売業者の集まりの中の支出ドル金額。
【０１６８】
（１０）最も近いセグメント小売業者の最近性。現在の終了日付と、セグメントベクトルに最も近い小売業者の集まりにおける消費者の最新の取引との間の時間量（月数単位）。最近性は、使用可能な全時間にわたって計算されてよく、かつ、入力窓には制限されない。
（１１）最も近いセグメント小売業者の頻度。現在の終了日付に先行する入力窓内の消費者によるセグメントベクトルに最も近い小売業者の集まりの中の取引の回数。
【０１６９】
（１２）最も近いセグメント小売業者の金銭的価値。現在の終了日付に先行する入力窓内の消費者によるセグメントベクトルに最も近い小売業者の集まりの中の支出ドル金額。
（１３）セグメント確率評点。終了日付に先行する入力窓内の消費者に関する小売業者取引の全てが与えられていると仮定した場合に、予測窓内におけるセグメントで消費者が支出する確率。好ましいアルゴリズムの１つが、再帰的ベイズ法を使用して、結合確率を推定する。
【０１７０】
（１４）季節性変数（ｓｅａｓｏｎａｌｉｔｙ ｖａｒｉａｂｌｅ）。周期的成分の基本周期が既知であると仮定する。季節性の場合には、１２ヶ月の周期を仮定することが可能である。２つの変数が、季節性に関係したモデルに加えられる。第１の変数が日付のサインをコード化し、第２の変数が日付のコサインをコード化する。これらの変数に対する計算が、
ｓｉｎ入力 ＝ ｓｉｎ（２．０＊ＰＩ＊（１年の中のサンプル日）／３６５）
ｃｏｓ入力 ＝ ｃｏｓ（２．０＊ＰＩ＊（１年の中のサンプル月）／３６５）
（１５）（セグメントベクトル−消費者ベクトルの近似性。随意の入力として、セグメントに関するセグメントベクトルと消費者ベクトルとのドット積が、入力変数として使用される。
【０１７１】
これらの取引統計量に加えて、以前の１年または複数年における、同じ順方向予測窓におけるセグメント小売業者、最も近いプロファイル小売業者、最も近いセグメント小売業者の全ての場合に関する購入頻度と金銭的価値とに関して、変数を定義してもよい。
Ｇ．予測モデルの生成
各セグメントに関するトレーニング観測情報を、セグメントに関する予測モデルを生成するためにセグメント予測モデル生成モジュール５３０の中に入力する。図１２は、予測モデル生成プロセスの論理の全体を示す。マスタファイル４０８は、この図では一例として口座１から口座Ｎで示している口座識別子に基づいて、口座によって編成されている。セグメント１からセグメントＭによって示されるＭ個のセグメントが存在する。ＤＰＰＭは、口座と小売業者セグメントの各々の組合せに関して、入力とブラインド観測情報のセットを生成する。多数の口座１、．．．、Ｎからの各々の小売業者セグメントＭに関する個々の観測情報を、トレーニング中に個々のセグメント予想モデルＭに入力する。トレーニングが完了すると、各々のセグメント予想モデルを、対応するブラインド観測情報を使用して検査する。各セグメント毎に、トレーニング観測情報によって生成されるリフトチャートを、ブラインド観測情報から生成されるリフトチャートと比較することによって、この検査を行ってよい。リフトチャートをさらに詳細に後述する。
【０１７２】
予測モデル生成モジュール５３０は、従来の多層編成と逆伝播トレーニング（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ｔｒａｉｎｉｎｇ）とを使用するニューラルネットワークであることが好ましい。好ましい一実施形態では、予測モデル生成モジュール５３０を、ＨＮＣ Ｓｏｆｔｗａｒｅ（Ｓａｎ Ｄｉｅｇｏ，Ｃａｌｉｆｏｒｎｉａ）から入手可能なＨＮＣ Ｓｏｆｔｗａｒｅ製のＤａｔａｂａｓｅ Ｍｉｎｉｎｇ Ｗｏｒｋｓｔａｔｉｏｎによって実現している。
【０１７３】
この好ましい実施形態は予測モデルのためにニューラルネットワークを使用するが、他のタイプの予測モデルを使用してもよい。例えば、線形回帰モデルを使用してもよい。
Ｈ．プロファイリングエンジン
プロファイリングエンジン４１２は、システム４００によってデータが処理される各々の顧客に関する口座プロファイルの形式で分析データを提供する。このプロファイリングエンジンは、消費者に関する新たな取引データが受け取られるにつれて消費者プロファイルを時間の経過に応じて更新する役割を果たす。口座プロファイルが、データベース４１４内に格納されることが可能なオブジェクトであり、かつ、小売業者セグメント内の顧客による将来の支出を予測するためにシステム４００の計算構成要素に対する入力として使用される。プロファイルデータベース４１４がＯＤＢＣに準拠していることが好ましく、これによって、顧客プロファイルに関するＳＱＬ質問を行うために口座プロバイダ（例えば、金融機関）が上記データをインポートすることが可能になる。
【０１７４】
口座プロファイルは、消費者ベクトルと、予め決められた将来の時間期間における各セグメント内での消費者の予測支出のような各小売業者セグメントに関する消費者のメンバシップ値を示すメンバシップベクトルと、予測モデルトレーニングに関して上述した最近性変数と頻度変数と金銭的価値変数とを含むことが好ましい。
【０１７５】
プロファイリングエンジン４１２は、次のように口座プロファイルを生成する。
１．メンバシップ関数：各セグメントにおける予測支出
各々の口座所有者のプロファイルは、各セグメントに関するメンバシップ値を含む。このメンバシップ値はメンバシップ関数によって算出される。メンバシップ関数の目的は、消費者が最も近い関係を有するセグメント、すなわち、消費者が買い物をしたことがありかつ将来において買い物をする可能性が高い１つまたは複数の小売業グループを最も適切に表現するセグメントを識別することである。
【０１７６】
好ましい一実施形態では、以前の物品購入履歴が与えられている場合に、メンバシップ関数が、口座所有者が各セグメント内で物品購入を行うと予測されるドル金額として、各セグメントに関するメンバシップ値を計算する。このドル金額は、予め決められた過去の期間（例えば、過去の取引の６ヶ月）に基づく予測期間（例えば、今後の３ヶ月）に関して予測される。これらの２つの時間期間が、小売業者セグメント予測モデルのトレーニング中に使用される入力窓と予測窓の時間期間に対応する。したがって、３００個の小売業者セグメントが存在する場合には、メンバシップ値のセットが、個々の小売業者セグメントに対応する３００個の予測ドル金額のリストである。消費者の支出履歴が与えられていると仮定すれば、メンバシップ値によってこのリストをソートすることによって、将来の時間期間内での消費者が最多の金額を支出すると予測される小売業者セグメントを識別することが可能になる。
【０１７７】
支出を予測するために、各口座に関する特定のデータをセグメント予測モデルの各々に入力する。入力されるこの変数は、プロファイルのメンバシップ関数と無矛盾であるプロファイルを得るように生成される。この入力変数が、上記のモデルトレーニング中に使用される入力変数と同じであることが好ましい。メンバシップ関数に関する追加の入力変数が、（モデルがそのようにトレーニングされる場合には）消費者ベクトルとセグメントに関するセグメントベクトルとの間のドット積を含んでよい。セグメントモデルの出力は、予測時間期間内において各セグメント内で消費者が支出すると予測されるドル金額である。
２．消費者ベクトルに基づくセグメントメンバシップ
口座プロファイルにおけるメンバシップの第２の別の側面が、各々の口座プロファイルに関する顧客ベクトルに基づいたメンバシップである。消費者ベクトルは、クラスタ化に関して上述した通りに、口座が物品購入を行った小売業者の要約ベクトルである。この側面では、消費者ベクトルとセグメントに関するセグメントベクトルとのドット積がメンバシップ値を定義する。この実施形態では、メンバシップ値のリストは３００個のドット積の集合であり、消費者は、最大のドット積を有する小売業者セグメントのメンバである。
【０１７８】
こうしたメンバシップ関数のどれか１つを使用して、（各セグメントに関する最大のメンバシップ値を有する口座に基づいて）各セグメントのメンバである口座の母集団を判定することが可能である。この母集団から、現金前払い金、物品購入、借方記入等のような、口座に関する様々な要約統計量が生成されることが可能である。この情報をさらに詳細に後述する。
３．消費者プロファイルの更新
消費者の追加の取引が周期的に（例えば、毎月）受け取られるのに応じて、その新たな取引における小売業者に関連した小売業者ベクトルを、好ましくは更新対象の所望の時間期間にわたる指数平均化のような平均手法を用いて、消費者ベクトルの更新のために使用することが可能である。
【０１７９】
消費者ベクトルに対する更新は、おそらくは小売業者において支出されたドルの平均に対する、支出されたドルの関数であることが好ましい。したがって、小売業者ベクトルが、その小売業者に関する消費者による取引の時点と有意性の両方によって、新たな取引期間内で重み付けされる（例えば、小売業者における消費者による取引のドル金額によって重み付けされる）。小売業者を重み付けするための１つの式が、
【０１８０】
【数２８】

【０１８１】
であり、ここで、
Ｗ_i は、小売業者ｉの小売業者ベクトルに対して割り当てられる重みであり、
Ｓ_i は、更新時間期間内における小売業者ｉでの取引のドル金額であり、
ｔは、小売業者ｉにおける最後の取引時から経過した時間量であり、
λは、小売業者の影響全体を調整する定数である。
【０１８２】
プロファイリングエンジン４１２は、さらに、最後の更新の時点を示す、各消費者ベクトルに関するフラグを記憶する。
Ｉ．レポーティングエンジン
レポーティングエンジン４２６は、セグメントおよび口座に固有の様々なタイプのレポートを提供する。こうしたレポートを、プロファイリングエンジン４１２とセグメントと関連の口座とに関する口座データベースとに質問を行うことと、セグメントと口座とに関する様々な統計量を集計することとによって生成する。
【０１８３】
１．基本的なレポーティング機能
レポーティングエンジン４２６は、
ａ）生の小売業者名称、ルート名称、または、等価名称を含む、小売業者名称による探索、
ｂ）小売業者名称、取引頻度、取引の金額と量、小売業者における取引回数、または、ＳＩＣコードによる、小売業者リストのソート、
ｃ）小売業者における取引回数によるレポート内容のフィルタリング
を行う機能性を提供する。
【０１８４】
レポーティングエンジン４２６は、これらの入力基準に応じて、次のタイプのレポートを提供する。
２．一般セグメントレポート
各々の小売業者セグメントに関して、そのセグメントの非常に詳細で強力な分析をセグメントレポート内で生成することが可能である。この情報は、
ａ）一般セグメント情報
小売業者結合：小売業者ベクトルがこのセグメント内でどれだけ近接してクラスタ化されているかの測度。これは、小売業者ベクトルとこのセグメントの重心ベクトルとのドット積の平均である。数字が大きいほど、クラスタ化が緊密である。
【０１８５】
取引の回数：全セグメントにおける購入取引の合計回数に対する、このセグメントでの小売業者における購入取引の回数であり、このセグメントが取引量においてどれだけ有意であるかの測度を示す。
支出ドル金額：全セグメントにおける合計ドル支出金額に対する、このセグメント内での小売業者で支出された合計ドル金額であり、このセグメントに関するドルの量の測度を与える。
【０１８６】
最も密接に関係付けられているセグメント：現在セグメントに最も近い他のセグメントのリスト。このリストは、セグメントベクトルのドット積によって、または、現在セグメントで購入がある場合には他のセグメントでの購入の条件付き確率の測度によって、ランク付けされてよい。
この条件付き確率の測度Ｍは次の通りである。Ｐ（Ａ｜Ｂ）が、以前の時間期間（例えば、６ヶ月）中においてセグメントＢでの購入があった場合に、その次の時間期間（例えば、３ヶ月）中におけるセグメントＡでの購入の確率である。Ｐ（Ａ｜Ｂ）／Ｐ（Ａ）＝Ｍ。Ｍ＞１である場合には、セグメントＢにおける購入が、セグメントＡにおける購入に肯定的な影響を与え、一方、Ｍ＜１である場合には、セグメントＢにおける購入が、セグメントＡにおける購入に否定的な影響を与える。これは、セグメントＢにおける購入の確率に関する情報が無ければ、Ｐ（Ａ｜Ｂ）＝Ｐ（Ａ）であり、したがってＭ＝１だからである。Ｐ（Ａ｜Ｂ）に関する値が、これら２つのセグメントにおける小売業者での購入の共起から求められ、Ｐ（Ａ）が、全セグメントに対して比較されたセグメントＡにおける購入の相対的頻度から求められる。
【０１８７】
（例えば、最も低い条件付き確率測度を使用して）最遠のセグメントのリストを提供することも可能である。
ｂ）セグメントメンバ情報
セグメントのメンバである各小売業者に関して詳細な情報が提供される。この情報は次のものを含む。
【０１８８】
小売業者名称とＳＩＣコード、
ドル帯域幅（ｄｏｌｌａｒ ｂａｎｄｗｉｄｔｈ）：このセグメントにおいて支出された全金額の中の、この小売業者で支出される部分（パーセント）、
取引回数：この小売業者における購入取引の回数、
平均取引金額：この小売業者における購入取引の平均値、
小売業者評点：この小売業者のベクトルと小売業者セグメントの重心ベクトルとのドット積（１．０の値が、その小売業者ベクトルが重心にあることを示す）、
ＳＩＣ記述：ＳＩＣコードとその説明、
この情報を上記の次元のいずれかに沿ってソートしてもよい。
ｃ）リフトチャート
予測時間窓内の予測支出を実際の支出と比較することによる、予測モデルの性能を妥当性検査するために有効なリフトチャート。
【０１８９】
次の表１０が、小売業者セグメントに関するリフトチャートのサンプルを示す。
【０１９０】
【表１０】

【０１９１】
一般的にリフトチャートを次のように作成する。
上記のように、入力窓（例えば６ヶ月）と予測窓（例えば３ヶ月）とを画定する。利用可能な最新の支出データの末端に対するこれらの窓の全長からのデータが取り入れられる。例えば、各口座における実際の支出に関するデータが現在の月の月末を通して利用可能であり、その次に、以前の３ヶ月分の実際のデータを予測窓として使用し、その以前の６ヶ月に関するデータを入力窓のためのデータとして使用する。その次に、入力データを、３ヶ月の予測窓内での支出を「予測する」ために使用するが、この支出に関しては実は実際の支出データが存在する。予測モデルの妥当性を検査するために、予測した支出金額を実際の金額と比較する。
【０１９２】
その次に、各々の小売業者セグメント毎に、予測窓の期間内の各セグメントに関する消費者の予測支出によって消費者口座をランク付けする。口座のランク付けが終わると、ビン（ｂｉｎ）１が最大の支出口座を有し、ビンＮが最低ランクの支出口座を有するように、これらの口座をＮ個（例えば、２０個）の同じサイズのビンに分割する。これによって、ある特定のセグメントに関して予測モデルがこのセグメントにおいて最大の支出を行うはずであると予測した口座所有者を識別することが可能になる。
【０１９３】
その次に、各々のビン毎に、過去の時間期間におけるこのセグメント内の口座毎の実際支出の平均と予測支出の平均とを計算する。全てのビンにわたっての実際支出の平均も計算する。この全口座に関する実際支出の平均が、表１０の最後の行に示されている通りの基底線支出値（ドル単位）である。この数字が、予測窓期間内に各セグメントにおいて口座所有者全員が支出した金額の平均を示す。
【０１９４】
ある１つのビンに関するリフトが、基底線支出値でそのビン内の口座による実際支出平均を割り算した値である。セグメントに関する予測モデルが正確であれば、最高位にランクされたビンにおける口座が１よりも大きいリフトを有するはずであり、リフトが一般的に増大していくはずであり、ビン１が最高のリフトを有する。これが当てはまる場合には、例えば表１０に示されているように、ビン１内において、このことが、ビン１内の口座が実際に基底線の数倍の金額を支出したということを示し、それによって、これらの口座が当セグメント内の他の口座よりも多くの金額を実際に支出するだろうという予測を確証する。
【０１９５】
ある１つのビンに関する累積リフトを、このビンとこのビンよりも高いランクの全てのビンとの中の口座による平均支出を取り入れることと、この平均支出を基底線支出で割り算することとによって算出する（すなわち、ビン３に関する累積リフトが、基底線支出で割り算した、ビン１からビン３における口座１個当たりの平均支出である）。ビンＮに関する累積リフトは常に１．０である。この累積リフトは、販売促進オファーの目標にすべき口座グループを識別するのに有効である。
【０１９６】
リフト情報が、セグメント内の小売業者に関連付けられている販売促進オファーの標的として金融機関が特定の口座グループ（例えば、ビン１内の口座）を高度に選択的に目標設定することを可能にする。小売業者セグメントに関連した非常に離散的な個別口座のグループに関するこのレベルの詳細な予測分析は、従来の方法では現在のところ実現不可能であると考えられる。
ｄ）母集団統計量表
レポーティングエンジン４２６は、さらに、様々な選択基準に基づくセグメントに関連した口座母集団の財政的挙動に関する２つのタイプの分析を提供する。セグメント優勢評点口座統計量（ｓｅｇｍｅｎｔ ｐｒｅｄｏｍｉｎａｎｔ ｓｃｏｒｅｓ ａｃｃｏｕｎｔ ｓｔａｔｉｓｔｉｃｓ）表とセグメント上位５％評点口座統計量（ｓｅｇｍｅｎｔ ｔｏｐ ５％ ｓｃｏｒｅｓ ａｃｃｏｕｎｔ ｓｔａｔｉｓｔｉｃｓ）表とが、ある特定のセグメントにおける、買い物をするかまたは買い物をする可能性が高い２つのタイプの消費者母集団に関する平均化した口座統計量を与える。これらの２つの母集団を次のように求める。
セグメント優勢評点口座統計量表
少なくとも１つの購入取引を伴う全ての使用可能な口座を全セグメントに関して評点（予測支出）する。各セグメント内において、口座を評点によって順位付けし、百分位数の順位を割り当てる。この結果として、各口座毎に小売業者セグメントの各々に関する百分位数の順位値が得られる。
【０１９７】
特定のセグメントに関する対象の母集団を、当セグメント内で最高の百分位数の順位値を有する口座として定義する。例えば、ある口座が、セグメント＃１０８において最高の百分位数の順位を有する場合には、その口座はセグメント＃１０８に関する統計量表の母集団に含まれるが、他のいずれかのセグメントには含まれないだろう。このアプローチは各々の口座所有者を各々に１つのセグメントだけに割り当てる。
セグメント上位５％評点口座統計量
セグメント上位５％評点口座統計量表に関しては、現在のセグメント内の９５％以上の百分位数の順位を有する口座として母集団を定義する。これらの口座は、入力データ時間窓の後に続く予測される将来の時間期間においてそのセグメント内で最も多額を支出すると予測される母集団の５％である。これらの口座が２つ以上のセグメントにおいてこの母集団内に出現してよく、したがって、高位の支出者が多くのセグメントに出現するだろう。これに付随して、非常に僅かしか支出しない支出者はどのセグメントにも割り当てられないだろう。
【０１９８】
各々の表に関する母集団内の口座の個数も求められ、（下記の２つの表のタイトルとして示される通りに）、生の個数として、および、全ての使用可能な口座のパーセンテージとして示されることが可能である。
表１１と表１２とがこれら２つのタイプの表のサンプルを示す。
表１１：セグメント優勢評点口座統計量：８２９１個の口座（０．１７％）
【０１９９】
【表１１】

【０２００】
表１２：セグメント上位５％評点口座統計量：１５４７８６個の口座（３．１０％）
【０２０１】
【表１２】

【０２０２】
ｉ）セグメント統計量
上記表が、行１つ当たり１つのカテゴリの形で、複数のカテゴリの各々に関する下記の統計量を示す。
平均値：母集団全体にわたっての平均が評点される。
標準偏差：母集団全体にわたっての標準偏差が評点される。
【０２０３】
母集団平均：上記平均値の全セグメントにわたっての平均（したがって、この列は全セグメントに関して同一であり、比較を容易にするために含まれている）、
相対評点：上記母集団平均の小部分としての上記平均値（パーセント表示）。
ii）行の記述
現金前払い金、購入、借方記入、支出合計における支出と割合とに関する行を含む。
【０２０４】
・支出の行（現金前払い金、購入、借方記入）は、利用可能なデータの時間期間全体にわたっての母集団内の全口座に関する１ヶ月当たりのドル金額に関する統計量を示す。
・割合の行（現金前払い金の割合、借方記入の割合、購入の割合）は、利用可能なデータの時間期間全体にわたっての母集団内の全口座に関する１ヶ月当たりの取引回数に関する統計量を示す。
【０２０５】
・借方記入は、現金前払い金と購入とから成る。
・セグメント内のドル金額は、このセグメント内で支出される支出合計の小部分を示す。これは、このセグメント全体がどれだけ有意であるかを金融機関に知らせる。
・セグメント内の割合は、このセグメント内に出現する購入取引全体の小部分を示す。
【０２０６】
これら２つの母集団の間の差異は僅かであるが重要であり、上記の表によって示されている。セグメント優勢母集団が、そのセグメント内で消費者自身の支出に関して最も多く支出すると予測される個人を、そのセグメントのメンバとして識別する。例えば、ある１つのセグメント内での予測支出が＄２０．００（この金額が７５番目の百分位数の順位を消費者を与える）である消費者を想定する。他のあらゆるセグメントにおけるこの消費者の百分位数の順位が７５番目の百分位数の順位を下回る場合には、この消費者は、このセグメントに関してこの母集団内で選択される。したがって、これは、口座間のメンバシップ関数と見なされてもよい。
【０２０７】
この代わりに、上位５％評点の母集団が、セグメント内で全ての他の口座所有者に比較して最も多額を支出すると予測される口座所有者を含む。したがって、その小売業者セグメント内で＄２０．００しか支出しないと予測された口座所有者は、例えば＄１００．００を支出すると予測できる９５番目の百分位数の順位を十分に下回るので、この母集団のメンバではないだろう。
【０２０８】
上記の表のサンプルでは、これらの差異が明示されている。表１１では、セグメント優勢母集団の平均購入は＄１６６．８６にすぎない。表１２では、上位５％の母集団による平均購入は、＄３９１．５４で、セグメント優勢母集団の平均購入の２倍以上である。この情報は、ある特定のセグメントにおいて支出する可能性が最も高い口座を金融機関が正確に識別することを可能にし、これらの口座を当該セグメント内の小売業者のための販売促進オファーの目標として設定することを可能にする。
【０２０９】
上記の表を、さらに、消費者ベクトルとセグメントベクトルとの間のドット積を含む、セグメントに関連した口座を識別するために他の関数に基づいて作成してもよい。
Ｊ．目標設定エンジン
目標設定エンジン４２２が、予め決められた販売促進オファーを受けるための目標となる母集団の選択を可能にするために、各々の（または、いずれかの）小売業者セグメントに関する目標の母集団を金融機関が特定することを可能にする。
【０２１０】
金融機関は、例えばある１つのセグメント内の上位１０００人の口座所有者または上位１０％の口座所有者のような、ある１つのセグメントに関する母集団を特定することによって、このセグメントに関して目標の母集団を特定することが可能である。この選択を、ドット積または予測支出を含むメンバシップ関数のいずれかによって実現することが可能である。例えば＄１００のようなセグメント内での最低支出額のような基準と組み合わせて、他の目標設定仕様を使用してもよい。目標の母集団を選択するためのパラメータが、目標設定エンジン４２２に対する入力である目標仕様文書４２４で定義されている。１つ以上の販売促進を、セグメントベクトルとの最大の相関、最高の平均取引額、または、他の選択基準を有する小売業者のような、ある１つのセグメント内の特定の小売業者に明確に関連付けることが可能である。これに加えて、販売促進で提供される金額が、選択された各々の消費者に固有であり、かつ、セグメント内での各消費者の予測支出または歴史的支出に基づいていることが可能である。この金額は、例えば小売業者のドル帯域幅または平均取引額等に応じて、そのセグメント内での購入に対する小売業者の寄与の関数として、販売促進が提供される個々の小売業者に応じて様々であってよい。
【０２１１】
選択された口座に関する口座識別子を、セグメントに関する適切な目標設定レポートを生成するレポーティングエンジン４２６に与えることによって、目標設定セグメンテーションレポート４３０を生成するために、選択された口座を使用することが可能である。このレポートは、一般的なセグメントレポートとして同じフォーマットを有するが、選択された母集団に応じてコンパイルされる。
【０２１２】
目標設定仕様４２４の一例を次に示す。
【０２１３】
【表１３】

【０２１４】
表１３が、４つのセグメントと２つの販売促進オファー（ＩＤ １とＩＤ ２）との全体にわたって分布している合計で少なくとも２２８，０００個の顧客口座の仕様を示す。各々のセグメントまたは販売促進オファー毎に、異なった選択基準およびフィルタリング基準が存在する。販売促進＃１の場合には、＄５０を越えるセグメント内の平均取引を有する、予測支出に基づいたセグメント＃１２２内の上位７５，０００人の消費者が、選択される。セグメント＃４１３におけるこの販売促進の場合には、消費者ベクトルとセグメントベクトルの間のドット積に基づく上位１０％の口座が、セグメント内に＄１００という最小の支出を有するので、これらの口座が選択される。最後に、販売促進＃２の場合には、２つのセグメント全体にわたって８７，０００人の消費者が選択される。各々の販売促進オファー（例えば、オファーＩＤ １）において、販売促進オファーを反映する単一のリフトチャートをセグメントの結合として生成するためにセグメントモデルを併合してもよい。
【０２１５】
その次に、目標設定エンジン４２２が次の追加の機能性を提供する。
１．メールファイル（ｍａｉｌ ｆｉｌｅ）４３４に挿入される選択された口座の口座プロファイルからフィールドを選択する。例えば、口座に関する名称と住所と他の情報とを抽出してもよい。
２．その次に、メールファイル４３４を、有効なワードプロセシングシステムまたはバルクメーリングシステムにエクスポートする。
【０２１６】
３．購入、借方記入、現金前払い金、または、他の口座データを含むような、口座フィールドを選択するための、要約および累積頻度を含むレポートを生成することを、レポーティングエンジン４２６に命令する。
４．セグメント内の目標設定母集団に関するリフトチャートを生成することと、重複した（結合された）セグメントに関するリフトチャートを生成することを、レポーティングエンジン４２６に命令する。
Ｋ．セグメント移行の検出
すでに明らかであるように、本発明のシステムは、ドット積と予測支出等のようなメンバシップの様々な測度に基づいて、消費者がどの小売業者セグメントに関連しているかという問題に関する詳細な洞察を提供する。さらに、消費者が時間の経過に応じて消費支出し続けるので、消費者口座と、セグメントに対する消費者の関連とが、消費者の個々の消費支出習慣の変化に応じて時間経過と共に変化すると推定される。
【０２１７】
本発明は、セグメント移行検出エンジン４２０によって消費者の消費支出の変化を検出することを可能にする。ある特定のデータ期間（例えば、次の毎月サイクル、または、複数月にわたるデータ収集）内において、各消費者に関するメンバシップの集合が、各々のセグメントに関して上記のように様々に定義される。この場合も同様に、これは、各セグメントにおける消費者による予測支出、消費者ベクトルと各セグメントベクトルとの間のドット積、または、他のメンバシップ関数であってよい。
【０２１８】
後続の時間期間内では、追加の支出および／または予測データを使用して、メンバシップ値が再計算される。各々の消費者が、セグメントメンバシップにおいて最高限Ｐの増加と最低限Ｑの減少とを有するだろう。すなわち、２つの興味の変化、すなわち、消費者に関するメンバシップ値における最大の増加を伴うＰ（例えば、５）個のセグメントと、セグメントメンバシップにおける最大の減少を伴うＱ個のセグメントとが存在するだろう。
【０２１９】
セグメントに関するメンバシップ値の増加が、現時点で消費者がある特定のセグメントにおいてより多くの金銭を支出している（または、支出すると予測される）ということを示す。セグメントに関するメンバシップ値の減少が、そのセグメントにおける消費者の興味の低下を示す。これらの移動はどちらも、消費者のライフスタイル、収入、または、他の人口統計学的要素の変化を反映するだろう。
【０２２０】
以前には低いメンバシップ値を有した小売業者セグメントにおける著しい増加が、そのセグメント内に移行してくる口座所有者に対して販売促進オファーを目標設定する上で特に有効である。これは、メンバシップの著しい増加が、セグメント内の小売業者がそのセグメント内でより多く物品購入されると予測されるので、セグメント内の小売業者のための販売促進オファーを消費者が現在において受け入れる可能性が非常に高いということを示すからである。
【０２２１】
したがって、セグメント移行検出エンジン４２０は、典型的には以前の時間期間内におけるメンバシップに関して（現在の取引明細書日付で終了または開始する）最新の予測窓内のデータを使用して、２つの選択された時間期間の間での各消費者のメンバシップ値の変化を計算する。金融機関が、閾値よりも大きいメンバシップの変化を伴う口座を選択するために、閾値変化値を定義することが可能である。その次に、選択された口座を、セグメントへの移行またはセグメントからの移行をすでに行ったと見なされる口座に適用されることを除いて一般的なセグメントレポートと同様であるセグメント移行レポート４３２を含む様々なレポートの生成のためのレポーティングエンジン４２６に提供してもよい。これは、さらに、消費者がメンバシップにおいて最も大きい正の増加を示したセグメント内の小売業者のための販売促進オファーの目標として、金融機関がこれらの消費者を選択的に目標設定することを可能にする。
【０２２２】
その次に、要約して述べると、本発明は、予め決められた時間期間に関して、別々に定義されたセグメントにおける消費者の財政的挙動を予測する様々な強力な分析方法を提供する。小売業者セグメントにおける小売業者のクラスタ化が、対象の消費者を識別するために時系列と予測期間との両方において、各々の個別のセグメントにおける消費者の取引の分析を可能にする。その次に、識別された消費者を、特定のセグメント内の小売業者に精確に狙いを定めた販売促進オファーの目標に設定することが可能である。
付録 Ｉ：Ｎ文字名称の照合アルゴリズム
１．１組のトレーニング例題をこのアルゴリズムに与える。この場合には、トレーニング例題は、処理される全ての小売業者名称である。
２．各々のトレーニング例題を、選択したｎの値（３文字名称ではｎ＝３）に応じて、使用可能な全てのｎ文字名称に分割する。例えば、小売業者名称「ｗａｌ−ｍａｒｔ」は、３文字名称「＾＾ｗ」、「＾ｗａ」、「ｗａｌ」、「ａｌ−」、「ｌ−ｍ」、「−ｍａ」、「ｍａｒ」、「ａｒｔ」、「ｒｔ＾」、「ｔ＾＾」を与え、ここで「＾」が「ストリング端」の字句である。
３．各々の３文字名称がトレーニング例題内のいずれかの場所に出現する頻度を計数する。
４．好ましい実施形態では、各々の３文字名称に、次式によって与えられる重みを割り当て、
【０２２３】
【数２９】

【０２２４】
ここで、ｘｙｚは特定の３文字名称を示し、Ｆ_xyz は、トレーニング例題内のいずれかの場所に３文字名称が出現する回数であり、Ｎは、全ての３文字名称に関するＦの最大値である。したがって、頻繁に出現する３文字名称には小さい重みを割り当て、一方、希にしか出現しない３文字名称には大きい重みを割り当てる。一様な重みを含む他の重み付け方式が使用可能である。
５．トレーニング例題のセット内に出現する各々の３文字名称毎に１つずつの次元を有する形で、高次元ベクトル空間を構成する。
６．上記ベクトル空間内でベクトルによって各ストリングが表現される２つの特定の文字ストリング（小売業者名称）である、ストリング１とストリング２を互いに比較する。ストリング１に関するベクトルを、
ａ）ストリング内の各々の３文字名称の頻度ｆｘｙｚを計数することと、
ｂ）次式によって表される単位ベクトルの重み付き合計を得ることと、
【０２２５】
【数３０】

【０２２６】
ここでｘｙｚはストリング１内の全ての３文字名称を範囲に含み、Ｕ_xyz （ベクトル）がベクトル空間内のｘｙｚ次元の方向における単位ベクトルであり、
ｃ）１（好ましい実施形態）の長さにＶ_string1 を正規化すること、または、別の正規化を使用すること、または、正規化を全く行わないことと、
ｄ）他方のストリングに対応する同様のベクトルＶ_string2 を構成することと、
ｅ）Ｖ_string1 とＶ_string2 とのドット積を得ること。大きいドット積（１に近い）がこれら２つのストリングが互いに密接に関係していることを示し、一方、小さいドット積（ゼロに近い）がこれら２つのストリングが互いに無関係であることを示す。
によって構成する。
７．２つの小売業者名称のベクトルのドット積が特定の閾値よりも大きい場合には、その２つの小売業者名称を等価化する。この閾値は、好ましい実施形態では、一般的に０．６−０．９の範囲内である。
付録 II ：幾何学的に導き出されたベクトルトレーニングアルゴリズム
初期化：
各ステム毎に、ｉ∈｛コーパス内の全ステム｝
【０２２７】
【数３１】

【０２２８】
Ｖ_i （ベクトル）を長さ１に正規化する
【０２２９】
【数３２】

【０２３０】
ＥＮＤ
各ステム毎に、ｉ∈｛コーパス内の全ステム｝
更新を計算する：
各ステム毎に、ｊ∈｛ステムｉと共に共起する全ステム｝，ｊ≠ｉ
Ｖ_j に対するＶ_i の理想位置である新たなベクトルＵ_ijを計算したい。言い換えると、Ｕ_ijとＶ_j のドット積がｄ_ijであることを望み、Ｕ_ijが単位長さを有することを望み、Ｕ_ijがＶ_i とＶ_j によって定義される平面内に位置することを望む。
【０２３１】
【数３３】

【０２３２】
【数３４】

【０２３３】
【数３５】

【０２３４】
【数３６】

【０２３５】
ＩＦ ｄ_ij＞０ ＴＨＥＮ ／／ステムｊとステムｉとの間の正の関係ならば、
【０２３６】
【数３７】

【０２３７】
ＥＬＳＥ ＩＦ ｄｉｊ＜０ ＴＨＥＮ ／／ステムｊとステムｉとの間の負の関係ならば、
【０２３８】
【数３８】

【０２３９】
ＥＮＤ ＩＦ
【０２４０】
【数３９】

【０２４１】
Ｖ_i が存在すべき位置の推定値を導き出すために、全てのｊに関するＵ_ijの重み付き合計を生成する。ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＬＯＧ＿ＦＲＥＱＴＨＥＮ
【０２４２】
【数４０】

【０２４３】
ＥＬＳＥ ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＦＲＥＱ ＴＨＥＮ
【０２４４】
【数４１】

【０２４５】
ＥＬＳＥ
【０２４６】
【数４２】

【０２４７】
ＥＮＤ ＩＦ
ＥＮＤ ｊ
更新を行う：
【０２４８】
【数４３】

【０２４９】
ＥＮＤ ｉ
備考
１）ここではステムはルート小売業者名称である。
２）ステムｉと共に共起するステムｊ（小売業者名称）のリストが、共起データから既知である。
３）ｄ_ijは、ＵＤＬ１、ＵＤＬ２またはＵＤＬ３によって算出した関係の強さの測度である。
４）Ｆ［ｊ］は、データ内にステムｊが出現する頻度である。
５）ｗｅｉｇｈｔ＿ｍｏｄｅは、Ｆ［ｊ］がＵに対して及ぼす影響を決定するユーザ制御値である。ｗｅｉｇｈｔ＿ｍｏｄｅがＦＲＥＱならば、ステムｊの頻度がＵに直接影響し、したがって、より高頻度のステム（小売業者名称）は、その結果として生じる小売業者ｉの小売業者ベクトルに強い影響を与える。Ｆ［ｊ］の対数を使用するｗｅｉｇｈｔ＿ｍｏｄｅ ＝ ＬＯＧ ＦＲＥＱによって、より緩慢な影響が与えられる。ｗｅｉｇｈｔ＿ｍｏｄｅが設定されていないならば、デフォルト値はＦ［ｊ］による影響を受けない。
６）ガンマは、学習速度０−１であり、典型的には学習速度０．５−０．９である。
付録 III ：代数的に導き出されたベクトルトレーニングアルゴリズム
初期化：
各ステム毎に、ｉ∈｛コーパス内の全ステム｝
【０２５０】
【数４４】

【０２５１】
Ｖ_i （ベクトル）を正規化する／／ベクトルを単位長さに正規化する
【０２５２】
【数４５】

【０２５３】
ＥＮＤ
各ステム毎に、ｉ∈｛コーパス内の全ステム｝
更新を計算する：
各ステム毎に、ｊ∈｛ステムｉと共に共起する全ステム｝，ｊ≠ｉ
／／これは、小売業者ｉと共に共起する全ての小売業者ｊである。
Ｖ_j に対するＶ_i の理想位置である新たなベクトルＵ_ijを計算したい。言い換えると、Ｕ_ijとＶ_j のドット積がｄ_ijであることを望み、Ｕ_ijが単位長さを有することを望み、Ｕ_ijがＶ_i とＶ_j によって定義された平面内に位置することを望む。Ｕ_ij（ベクトル）をＶ_i （ベクトル）とＶ_j （ベクトル）との線形結合として表現することが可能であり、ここで、
【０２５４】
【数４６】

【０２５５】
Ｖ_i が存在すべき位置の推定を導き出すために全てのｊに関してＵ_ijの重み付き合計を生成する。
ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＬＯＧ＿ＦＲＥＱ ＴＨＥＮ
【０２５６】
【数４７】

【０２５７】
ＥＬＳＥ ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＦＲＥＱ ＴＨＥＮ
【０２５８】
【数４８】

【０２５９】
ＥＬＳＥ
【０２６０】
【数４９】

【０２６１】
ＥＮＤ ＩＦ
ＥＮＤ ｊ
更新を行う：
【０２６２】
【数５０】

【０２６３】
ＥＮＤ ｉ
備考
１）ここではステムはルート小売業者名称である。
２）ステムｉと共に共起するステムｊ（小売業者名称）のリストが、共起データから既知である。
３）ｄ_ijは、ＵＤＬ１、ＵＤＬ２またはＵＤＬ３によって算出した関係の強さの測度である。
４）Ｆ［ｊ］は、データ内にステムｊが出現する頻度である。
５）ｗｅｉｇｈｔ＿ｍｏｄｅは、Ｆ［ｊ］がＵに対して及ぼす影響を決定するユーザ制御値である。ｗｅｉｇｈｔ＿ｍｏｄｅがＦＲＥＱならば、ステムｊの頻度がＵに直接影響し、したがって、より高頻度のステム（小売業者名称）が、その結果として生じる小売業者ｉの小売業者ベクトルに強い影響を与える。Ｆ［ｊ］の対数を使用するｗｅｉｇｈｔ＿ｍｏｄｅ ＝ ＬＯＧ ＦＲＥＱによって、より緩慢な影響が与えられる。ｗｅｉｇｈｔ＿ｍｏｄｅが設定されていないならば、デフォルト値はＦ［ｊ］による影響を受けない。
６）ガンマは、学習速度０−１であり、典型的には学習速度０．５−０．９である。
【図面の簡単な説明】
【図１】小売業者および消費者のベクトル表現の説明図である。
【図２】小売業者セグメントのサンプルリストである。
【図３】本発明のプロセス全体の流れ図である。
【図４】動作中の本発明の一実施形態のシステムアーキテクチャの一部の説明図である。
【図５】システムアーキテクチャの他の一部の説明図である。
【図６】小売業者ベクトルの生成およびトレーニング中の本発明のシステムアーキテクチャと、小売業者セグメント予測モデルとの一部の説明図である。
【図７】システムアーキテクチャと小売業者セグメント予測モデルとの他の一部の説明図である。
【図８】予測モデル生成システムの機能構成要素の説明図である。
【図９】順方向共起窓および逆方向共起窓の説明図である。
【図１０】（ａ）はステミング（ｓｔｅｍｍｉｎｇ）および等価化（ｅｑｕｉｖａｌｅｎｃｉｎｇ）の以前のマスターファイルデータの説明図であり、（ｂ）は、ステミングおよび等価化の後のマスターファイルデータのこの部分における順方向共起窓の説明図である。
【図１１】モデルトレーニング中の様々なタイプの観測情報の説明図である。
【図１２】多重セグメント予測モデルに対する多重消費者口座データの適用の説明図である。
【符号の説明】
４０２…データ処理モジュール
４１０…データ処理モジュール
４１７…小売業者モジュール
４１８…小売業者セグメントモデル

Claims (20)

1. コンピュータを用いて消費者の財政的挙動をモデル化する方法であって、
   a) 前記コンピュータのメモリに格納されている、前記消費者の取引の金額、回数および内容を含む、日付順の消費者の取引データの少なくとも一つのセットから、前記コンピュータが、取引データを選択するステップと、
   b) 前記コンピュータが、前記選択された取引データを、複数の小売業者セグメント予測モデルの各々に適応するステップであって、前記複数の小売業者セグメント予測モデルの各々が、複数の小売業者セグメントの内の一小売業者セグメントに関連付けられていて、かつ前記複数の小売業者セグメント予測モデルの各々が、将来の時間間隔における支出を予測し、かつ前記複数の小売業者セグメント予測モデルの各々が、消費者の履歴データによりトレーニングされたニューラルネットワークまたは線形回帰モデルの少なくとも一つを備え、各小売業者セグメントが、複数の小売業者に関連付けられている、ステップと、
   c) 前記コンピュータが、前記ステップb)で前記メモリに格納された将来の時間間隔における前記予測支出に基づいて、複数の小売業者セグメントの一つに対し、前記消費者に対して予測される支出額を求めるステップと
   を備える方法。
2. 前記コンピュータが、前記予測される支出額を求めた後に、各消費者毎に、前記消費者が、前記複数の小売業者セグメントの他の小売業者セグメントに比較して最大の予測消費支出額を有していた前記複数の小売業者セグメントの内の小売業者セグメントに、前記消費者を関連付けるステップを、さらに備える、請求項１に記載の方法。
3. 前記コンピュータが、前記入力取引を前記複数の小売業者セグメント予測モデルの各々に適用する前に、前記複数の小売業者セグメントの各々に対してセグメントベクトルを求めるステップであって、前記セグメントベクトルが、各々の小売業者セグメントに関連付けられている小売業者の前記小売業者ベクトルを要約する、ステップと、
   前記コンピュータが、両者とも同じベクトル空間の部分にある、複数の小売業者セグメントにおける第１セグメントと前記消費者の消費者ベクトルとの間の最大のドット積を有する複数の小売業者セグメントにおける第１小売業者セグメントに、前記消費者を関連付けるステップとを、
   さらに備える、請求項１に記載の方法。
4. 前記コンピュータが、前記入力取引を複数の小売業者セグメント予想モデルの各々に適用した後に、前記複数の小売業者セグメントの各々の小売業者セグメント内での消費者の予測消費支出によって複数の消費者を順位付けするステップと、
   前記コンピュータが、複数の消費者の各々毎に各々の小売業者セグメント内での百分位数の順位を求めるステップと、
   前記コンピュータが、各消費者毎に、各々１つの小売業者セグメントに各消費者を一意的に関連付けるために、各消費者の百分位数の順位が最高位である小売業者セグメントを求めるステップと、
   前記コンピュータが、複数の消費者の各々の消費者を、前記消費者の百分位数の順位が最も高い小売業者セグメントに関連付けるステップと、
   前記コンピュータが、各々の小売業者セグメントに関連付けられている前記消費者に関する要約取引統計量を求めるステップとを、
   さらに備える、請求項１に記載の方法。
5. 前記コンピュータが、前記入力取引を複数の小売業者セグメント予想モデルの各々に適用した後に、各々の小売業者セグメント内での消費者の予測消費支出によって前記消費者を順位付けするステップと、
   前記コンピュータが、前記小売業者セグメント内での百分位数の順位を各消費者毎に求めるステップと、
   前記コンピュータが、予め決められた百分位数の閾値を上回る百分位数の順位を有する前記消費者を、母集団として選択するステップと、
   前記コンピュータが、前記選択された消費者母集団に関する要約取引統計量を求めるステップとを、
   さらに備える、請求項１に記載の方法。
6. 前記コンピュータが、前記入力取引を前記複数の小売業者セグメント予測モデルの各々に適用する前に、前記取引データ内の各小売業者毎に小売業者ベクトルを設定するステップと、
   前記コンピュータが、前記取引データ内の各小売業者の共起にしたがって他の小売業者の小売業者ベクトルに対して各小売業者の小売業者ベクトルを更新するステップとを、
   さらに備える、請求項１に記載の方法。
7. 前記コンピュータが、前記小売業者の共起の頻度における予想外の量の偏差に基づいて、各小売業者の小売業者ベクトルを更新するステップを、さらに備える、請求項６に記載の方法。
8. 前記コンピュータが、各小売業者に対して共起の頻度を求めるステップと、
   前記コンピュータが、小売業者の各対毎に、予想される共起の頻度から求められた前記共起の頻度の偏差に基づいて、小売業者の前記対間の関係の強さを求めるステップと、
   前記コンピュータが、各々２つずつの小売業者ベクトル毎に、この各々２つずつの小売業者における各々の小売業者ベクトルの間の所望のドット積として前記関係の強さをベクトル空間内にマッピングするステップと、
   前記コンピュータが、各々２つずつの小売業者ベクトルの間の実際のドット積がこれらの小売業者ベクトルの間の所望のドット積に近似するように、各々の前記小売業者ベクトルを更新するステップとを、
   さらに備える、請求項６に記載の方法。
9. 前記コンピュータが、小売業者の前記対の間の前記関係の強さを求めるステップは、さらに、次式によって前記関係の強さを求めるステップを含み、
   

   

   ここで、ｒ_ijは、一対の小売業者ｉと小売業者ｊとの間の前記関係の強さであり、Ｔ_ijは、前記取引データ中での小売業者ｉとｊの前記実際の共起の頻度であり、Ｔ＾ _ijは、前記取引データ中での小売業者ｉとｊの前記予想される共起の頻度である、請求項８に記載の方法。
10. 前記コンピュータが、小売業者の前記対の間の前記関係の強さを求めるステップは、さらに、次式によって前記関係の強さを求めるステップを含み、
    

    

    ここで、ｒ_ijは、一対の小売業者ｉとｊとの間の前記関係の強さであり、λは、対数尤度比であり、Ｔ_ijは、前記取引データ中での小売業者ｉとｊの前記実際の共起の頻度であり、Ｔ＾ _ijは、前記取引データ中での小売業者ｉとｊの前記予想される共起の頻度である、請求項８に記載の方法。
11. 前記コンピュータが、小売業者の前記対の間の前記関係の強さを求めるステップは、さらに、次式によって前記関係の強さを求めるステップを含み、
    

    

    ここで、ｒ_ijは、一対の小売業者ｉとｊとの間の前記関係の強さであり、λは、対数尤度比であり、Ｔ_ijは、前記取引データ中での小売業者ｉとｊの前記実際の共起の頻度であり、Ｔ＾ _ijは、前記取引データ中での小売業者ｉとｊの前記予想される共起の頻度である、請求項８に記載の方法。
12. 前記コンピュータが、前記小売業者ベクトルの各対間の前記実際のドット積が、前記小売業者ベクトル間の前記所望のドット積に近似する前記小売業者ベクトルの各々を更新するステップは、前記小売業者ベクトル間の前記実際のドット積が、前記所望のドット積より大きいか小さいかに応じて前記小売業者ベクトルを更新する勾配降下更新を、備える、請求項８に記載の方法。
13. 前記コンピュータが、前記小売業者ベクトルの各対間の前記実際のドット積が、前記小売業者ベクトル間の前記所望のドット積に近似する前記小売業者ベクトルの各々を更新するステップは、各小売業者ベクトルに対して、他の各小売業者ベクトルの現在の位置および前記小売業者ベクトルと他の各小売業者ベクトル間の前記所望のドット積から、各小売業者ベクトルに対し前記小売業者ベクトルの前記所望の位置の誤差重み平均を求めるステップを、備える、請求項８に記載の方法。
14. 前記コンピュータが、前記入力取引を前記複数の小売業者セグメント予測モデルの各々に適用する前に、前記取引データ中の各々の小売業者名毎に、小売業者ベクトルを求めるステップと、
    前記コンピュータが、複数の小売業者セグメントを形成するために、各々が同じ１つの小売業者セグメントに関連している前記小売業者ベクトルの各々をクラスタ化するステップと、
    前記コンピュータが、各々の小売業者セグメント毎に、前記小売業者に関連する前記小売業者における消費者の前記取引に基づいて、各々の小売業者セグメント内での消費者取引の統計上の測度を求めるステップとを、
    さらに備える、請求項１に記載の方法。
15. 前記コンピュータが、前記入力取引を前記複数の小売業者セグメント予想モデルの各々に適用した後に、前記少なくとも１つの小売業者セグメントの内での消費者の予測消費支出にしたがって、前記複数の小売業者セグメントにおける少なくとも１つの小売業者セグメントに関連した複数の消費者を選択するステップと、
    前記コンピュータが、前記選択された複数の消費者に販売促進オファーを提供するステップとを、
    さらに備える、請求項１に記載の方法。
16. 前記コンピュータが、前記入力取引を前記複数の小売業者セグメント予測モデルの各々に適用する前に、各々の小売業者セグメント毎に前記複数の小売業者セグメント予測モデルをトレーニングして、過去の時間間隔中における複数の消費者の取引の取引統計量に基づいて予測時間間隔中の消費支出を予測するステップを、さらに備える、請求項１に記載の方法。
17. 前記取引統計量は、前記複数の小売業者セグメントの少なくとも一つの小売業者セグメントにおける前記消費者の取引のタイミングと、前記複数の小売業者セグメントにおける少なくとも一つの小売業者セグメントにおける前記消費者の取引の頻度と、前記複数の小売業者セグメントの少なくとも一つの小売業者セグメントにおける前記消費者の取引の量とを、示す変数を備える、請求項１６に記載の方法。
18. 消費者の財政的挙動を予測するシステムであって、
    メモリに格納されている、前記消費者の取引の金額、回数、内容を含む、日付順の消費者の取引データの少なくとも一つのセットから入力取引を選択し、
    複数の小売業者セグメント予測モデルの各々に前記入力取引を適用し、ここで、前記複数の小売業者セグメント予測モデルの各々が、複数の小売業者セグメントの一小売業者セグメントに関連付けられていて、かつ、前記複数の小売業者セグメント予測モデルの各々が、将来の時間間隔における支出を予測し、かつ前記複数の小売業者セグメント予測モデルの各々が、消費者の履歴データによりトレーニングされたニューラルネットワークまたは線形回帰モデルの少なくとも一つを備え、小売業者セグメントの各々が、複数の小売業者に関連していて、
    将来の時間間隔における前記予測支出に基づいて、前記複数の小売業者セグメントの一つに対し、消費者に対して予測される支出額を求める、
    ように構成されたプロセッサを備えるシステム。
19. 前記プロセッサは、更に、
    前記複数の小売業者セグメントの他の小売業者セグメントに比較して最大の予測消費支出額を有していた前記複数の小売業者セグメントの内の小売業者セグメントに、前記消費者を関連付けるように、
    構成されている、請求項１８に記載のシステム。
20. 前記セグメントベクトルが、各々の小売業者セグメントに関連付けられている小売業者の小売業者ベクトルを要約して、前記プロセッサが、前記複数の小売業者セグメントの各々に対して、セグメントベクトルを求め、かつ
    前記プロセッサが、両者とも同じベクトル空間の部分にある、前記第１小売業者セグメントの第１セグメントベクトルとその消費者の消費者ベクトルとの最大のドット積を有する前記複数の小売業者セグメントの第１小売業者セグメントに、前記消費者を関連付けるように、構成されている、
    請求項１８に記載のシステム。

Images