JP5287639B2 - 商品利用傾向分析方法、商品推奨方法、商品利用傾向分析システム、及び商品推奨システム - Google Patents

Description

本発明は、消費者の商品利用傾向を分析する商品利用傾向分析方法、これを用いた商品推奨方法、商品利用傾向分析システム、商品推奨システムに関する。

一般に、消費者の個性や消費動向には個々の違いがある。例えばある商品が市場に投入されてから比較的短い時間で消費する傾向の、流行や新製品にすぐ飛びつく属性の消費者が存在する。また、商品が市場に投入されてから比較的長い時間の経過後に消費する傾向の、新製品の様子をじっくり見極める属性の消費者も存在する。商品を市場に投入する際には、各消費者のタイプを見極め、当該商品の売り上げを可能な限り予測することが好ましい。

上記のような商品の売り上げ予測に関する従来技術として、例えば、特許文献
１記載の商品売り上げ予測装置がある。この売上予測装置は、過去の販売実績データから、消費者の流行指向の属性と購買タイミングパターンとを特定する。商品のある販売推移段階において、購買している消費者の流行指向と、購買タイミングパターンと、商品の売上との関係が、商品カテゴリごとに消費モデル化され、分析される。そして、当該消費モデルに基づき、当該商品の最終的な売上が予測される。

特開平１０−３０７８０８号公報

しかしながら、上記従来技術では、過去の消費者の購入履歴に基づき予め作成された消費モデルに対し各消費者を強制的に当てはめ、商品の売り上げ予測を行う。このため、消費者の消費行動が当該消費モデルにほぼ該当していた場合には、比較的有効な分析を行うことができるが、消費者の消費行動が当該消費モデルから遠くなると有効な分析を行うことが不可能である。以上により、上記従来技術では、各消費者の属性を的確に把握することは困難であった。

本発明の目的は、各消費者の属性を的確に把握し有効な分析を行える、商品利用傾向分析方法、商品推奨方法、商品利用傾向分析システム、及び商品推奨システムを提供することにある。

上記目的を達成するために、第１の発明の商品利用傾向分析方法は、分析者側の第１情報端末における操作入力情報に応じて、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースにアクセスし、複数の商品に対する複数の消費者の利用履歴情報を取得する情報取得手順と、前記情報取得手順で取得された、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手順と、前記ベクトル化手順で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手順と前記データ群分類手順で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手順と、前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手順とを有することを特徴とする。

本願第１発明においては、情報取得手順で商品利用履歴データベースより取得した利用履歴情報に基づき、ベクトル化手順で各消費者ごとに商品利用頻度ベクトルを作成する。この商品利用頻度ベクトルは、データ群分類手順でクラスタリング処理されることで、複数のデータ群に分類される。その後、代表ベクトル作成手順で各データ群の代表ベクトルが作成された後、消費者分類手順で、各消費者をいずれかの代表ベクトルに対応付けて分類する。

以上のように、本願第１発明においては、複数の消費者それぞれの利用履歴情報に基づき作成した商品利用頻度ベクトルをクラスタリングすることにより複数のデータ群に分類し、各消費者をいずれかのデータ群の代表ベクトルに対応付けて分類する。これにより、所定の消費モデルに対して各消費者を強制的に当てはめる従来手法と異なり、複数の消費者の利用傾向を柔軟に反映した分析を行い、各データ群ごとに代表的な利用時期を算出することができる。この結果、各消費者の利用属性を的確に把握することができる。また、従来手法のように分析のための時間区間を分析者が手動操作で設定する必要がなく、分析者の労力負担を低減できる。

第２発明は、上記第１発明において、前記ベクトル化手順は、前記ベクトル化間隔を設定する間隔設定手順と、設定された前記ベクトル化間隔ごとの商品利用頻度ベクトルを、各消費者ごとに作成するベクトル作成手順と、前記ベクトル作成手順で作成されたベクトルのうち、ゼロとなるベクトル内の要素数が所定値以下となったかどうかを判定するゼロベクトル判定手順と、前記ゼロベクトル判定手順においてゼロとなるベクトル内の要素数が所定値より大きかった場合に、ベクトル化間隔をそれまでよりも長く設定する間隔再設定手順とを備え、前記ゼロベクトル判定手順においてゼロとなるベクトル内の要素数が所定値以下となるまで、前記間隔再設定手順、前記ベクトル作成手順、及び前記ゼロベクトル判定手順を繰り返すことを特徴とする。

ゼロとなるベクトル内の要素数をなるべく少なくすることにより、ベクトルを表す曲線がなるべく滑らかになるようにし、高精度な分析を行うことができる。

第３発明は、上記第２発明において、前記間隔設定手順及び前記間隔再設定手順は、ｎを１以上の整数として、前記ベクトル化間隔をｎ週間単位で設定することを特徴とする。

各ベクトル化間隔に含まれる土・日曜日及び平日の数を互いに同一とすることにより、土・日曜日と平日とで人間の生活パターンが異なることによる利用履歴への影響を、各ベクトル化間隔において均等に含ませることができる。これにより、さらに精度よく分析を行うことができる。

第４発明は、上記第３発明において、前記ベクトル作成手順は、前記商品利用履歴データベースに蓄積された前記利用履歴情報を取得する履歴取得手順と、前記履歴取得手順で取得された前記利用履歴情報に含まれる当該消費者による利用日時と、当該利用履歴情報に含まれる商品の市場投入時期とを用いて、当該消費者の利用までの経過時間を算出する経過時間算出手順と、前記経過時間算出手順で算出された前記経過時間を、前記間隔設定手順又は前記間隔再設定手順で設定された前記ベクトル化間隔で除して、経過期間数を算出する経過期間数算出手順と、前記経過期間数算出手順での算出結果を用いて、複数の商品それぞれに対する１人の消費者の商品利用履歴を、経過期間数ごとに分けてカウントする経過期間数カウント手順とを有することを特徴とする。

経過時間算出手順で、消費者の利用日時と商品市場投入時期とを用いて利用までの経過時間を算出し、経過期間数算出手順で当該経過時間をベクトル化間隔で除し、経過期間数を算出する。そして、経過期間数カウント手順で、複数の商品それぞれに対する１人の消費者の商品利用履歴を、経過期間数ごとに分けてカウントアップする。これにより、各消費者の商品利用頻度ベクトルを算出することができる。

第５発明は、上記第１乃至第４発明のいずれかにおいて、前記情報取得手順は、複数の商品に対する複数の消費者の前記利用履歴情報を、商品のカテゴリごとに取得するカテゴリ別取得手順を備えることを特徴とする。

消費者の傾向として、商品カテゴリにより、利用回数や利用サイクルが異なる場合がある。本願第５発明においては、商品をカテゴリ別に分けて利用履歴情報を取得することにより、分析性能をさらに向上することができる。

第６発明は、上記第５発明において、前記情報取得手順は、前記カテゴリ別取得手順で取得された複数の消費者の前記利用履歴情報のうち、該当する消費者の数が所定値以上となるような特定の期間内の前記利用履歴情報を抽出する履歴抽出手順をさらに備えることを特徴とする。

これにより、履歴抽出対象となる消費者の数を常に所定値以上に確保することができるので、分析精度を高精度に確保することができる。

第７発明は、上記第６発明において、前記情報取得手順は、前記履歴抽出手順で抽出された前記特定の期間内の前記利用履歴情報のうち、各商品ごとに決定された、当該商品の市場投入時期から当該商品に対する消費者の利用度が所定値以下となるまでの前記利用履歴情報をデータサンプルとして抽出するデータ抽出手順をさらに備えることを特徴とする。

分析のために実質的に不要な部分のデータについては分析対象から除外することにより、迅速かつ円滑な分析を行うことができる。

上記目的を達成するために、本願第８発明の商品推奨方法は、分析者側の第１情報端末における操作入力情報に応じて、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースにアクセスし、複数の商品に対する複数の消費者の利用履歴情報を取得する情報取得手順と、前記情報取得手順で取得された、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手順と、前記ベクトル化手順で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手順と、前記データ群分類手順で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手順と、前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手順と、前記消費者分類手順で前記複数の前記代表ベクトルのいずれかに対応付けて分類された消費者側の第２情報端末に対し、所定の推奨時期において、所定の商品の推奨情報を出力する推奨情報出力手順とを有することを特徴とする。

本願第８発明においては、上記本願第１発明と同様にして、各消費者の利用属性を的確に把握することができる。さらに、ある商品が市場に投入されてから比較的短い時間で消費する傾向にある人には商品投入後早めに商品の推奨を行い、当該商品が市場に投入されてから比較的長い時間の経過後に消費する傾向にある人には商品投入後遅めに商品の推奨を行うことができる。この結果、各消費者の個性や消費動向に応じた、効果的な商品の推奨を行うことができる。

上記目的を達成するために、本願第９発明の商品利用傾向分析システムは、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースと、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手段と、前記ベクトル化手段で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手段と、前記データ群分類手段で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手段と、前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手段とを有することを特徴とする。

本願第９発明においては、商品利用履歴データベースの利用履歴情報に基づき、ベクトル化手段で各消費者ごとに商品利用頻度ベクトルを作成する。この商品利用頻度ベクトルは、データ群分類手段でクラスタリング処理されることで、複数のデータ群に分類される。その後、代表ベクトル作成手段で各データ群の代表ベクトルが作成された後、消費者分類手段で、各消費者をいずれかの代表ベクトルに対応付けて分類する。

以上のように、本願第９発明においては、複数の消費者それぞれの利用履歴情報に基づき作成した商品利用頻度ベクトルをクラスタリングすることにより複数のデータ群に分類し、各消費者をいずれかのデータ群の代表ベクトルに対応付けて分類する。これにより、所定の消費モデルに対して各消費者を強制的に当てはめる従来手法と異なり、複数の消費者の利用傾向を柔軟に反映した分析を行い、各データ群ごとに代表的な利用時期を算出することができる。この結果、各消費者の利用属性を的確に把握することができる。また、従来手法のように分析のための時間区間を分析者が手動操作で設定する必要がなく、分析者の労力負担を低減できる。

上記目的を達成するために、本願第１０発明の商品推奨システムは、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースと、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手段と、前記ベクトル化手段で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手段と、前記データ群分類手段で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手段と、前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手段と、前記消費者分類手段で前記複数の前記代表ベクトルのいずれかに対応付けて分類された消費者側の第２情報端末に対し、所定の推奨時期において、所定の商品の推奨情報を出力する推奨情報出力手段とを有することを特徴とする。

本願第１０発明においては、上記本願第９発明と同様にして、各消費者の利用属性を的確に把握することができる。さらに、ある商品が市場に投入されてから比較的短い時間で消費する傾向にある人には商品投入後早めに商品の推奨を行い、当該商品が市場に投入されてから比較的長い時間の経過後に消費する傾向にある人には商品投入後遅めに商品の推奨を行うことができる。この結果、各消費者の個性や消費動向に応じた、効果的な商品の推奨を行うことができる。

本発明によれば、各消費者の属性を的確に把握し有効な分析を行うことができる。

本発明の一実施の形態の商品推奨システムの全体構成を概念的に表すシステム構成図である。 商品購入履歴データベースの記憶内容の一例を表す図である。 商品購入履歴データベースに蓄積された購入履歴情報を、商品のカテゴリごとに取得する方法を説明する説明図である。 取得した購入履歴情報の中から、特定の期間内の購入履歴情報を抽出する方法を説明する説明図である。 抽出した特定の期間内の購入履歴情報の中から、特定の購入履歴情報を、データサンプルとして抽出する方法を説明する説明図である。 ベクトル化間隔ごとのベクトルを作成する方法を説明する説明図である。 ベクトルを表すベクトルテーブルの一例を示す表である。 正規化されたベクトルを表す正規化ベクトルテーブルの一例を示す表である。 クラスタリングの手法の一例を説明する説明図である。 作成した代表ベクトルの一例を示す図である。 複数の消費者と複数の代表ベクトルとの対応付け結果の一例を示す表である。 サーバの制御部が実行する制御内容を表すフローチャートである。 ステップＳ１００の制御内容を表すフローチャートである。 ステップＳ３００の制御内容を表すフローチャートである。 ステップＳ４００の制御内容を表すフローチャートである。 ステップＳ２００の制御内容を表すフローチャートである。 ステップＳ５００の制御内容を表すフローチャートである。 カラオケでの歌唱動向に基づいて商品利用傾向を分析する変形例において、商品推奨システムの全体構成を概念的に表すシステム構成図である。

以下、本発明の一実施の形態を図面を参照しつつ説明する。

図１を用いて、本実施形態の商品推奨システムの全体構成を説明する。

図１において、商品推奨システム１は、クレジット会社側の端末１００と、分析者側の第１情報端末としてのサーバ２００と、基地局３００と、消費者側の第２情報端末としての携帯端末４００とを有している。

サーバ２００は、インターネット等のネットワークＮＷを介しクレジット会社側の端末１００と接続されている。このサーバ２００には、ディスプレイ２２０、キーボード２２１、及びマウス２２２が接続されている。またサーバ２００は、サーバ２００全体の制御を行う制御部２０１と、Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ）等で構成された記憶部２１０と、通信制御部２０２と、出力制御部２０３と、入力制御部２０４とを有している。

通信制御部２０２は、クレジット会社側の端末１００や基地局３００との間でネットワークＮＷを介して行われる情報通信の制御を行う。また出力制御部２０３は、上記ディスプレイ２２０への映像信号の出力に関する制御を行う。また入力制御部２０４は、上記キーボード２２１やマウス２２２を介した情報の入力に関する制御を行う。

記憶部２１０は、商品データベース２１２と、プログラム記憶エリア２１３と、商品購入履歴データベース２１４とを有している。

商品データベース２１２には、種々の商品をそれぞれ推奨するための、例えば商品名、商品内容、価格、外観画像等の商品に関する情報である推奨情報が記憶されている。

また商品購入履歴データベース２１４には、複数の商品に対する複数の消費者の購入履歴情報が記憶されている（詳細は後述の図３参照）。なお、上記商品購入履歴データベース２１４が商品利用履歴データベースに相当し、上記購入履歴情報が利用履歴情報に相当する。

またプログラム記憶エリア２１３には、商品利用傾向分析方法及び商品推奨方法（後述の図３乃至図１７等参照）を制御部２０１に実行させるための商品利用傾向分析処理プログラム及び商品推奨処理プログラム等の各種プログラムが記憶されている。

制御部２０１はいわゆるマイクロコンピュータである。すなわち図示を省略するが、制御部２０１は、中央演算処理装置であるＣＰＵ、ＲＯＭ、及びＲＡＭ等から構成され、ＲＡＭの一時記憶機能を利用しつつ、記憶部２１０の上記プログラム記憶エリア２１３に記憶された各種プログラムに従って信号処理を行う。

上記構成であるサーバ２００は、ネットワークＮＷを介して基地局３００に接続されている。これにより、サーバ２００の商品データベース２１２に記憶された所定の商品の推奨情報が、基地局３００を介し、各消費者により携帯される携帯端末４００に対し無線通信により送信可能となっている。携帯端末４００としては、例えば携帯電話等が用いられる。その他にも、例えばＰｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ（ＰＤＡ）等の情報端末を用いてもよい。

携帯端末４００は、各種表示を行う液晶ディスプレイ等の表示部４０１と、操作部４０２と、アンテナ４１０とを有している。操作部４０２は、消費者が各種操作入力を行うための数字キー及び操作ボタンから構成される。アンテナ４１０は、基地局３００と無線通信を介し情報送受信を行う。

また携帯端末４００は、上記表示部４０１、操作部４０２、及びアンテナ４１０の他に、無線通信制御部４０３と、携帯端末４００全体の制御を行う制御部４０４とを有している。無線通信制御部４０３は、基地局３００との間で無線通信を介して行われる情報通信の制御を行う。制御部４０４は、サーバ２００よりネットワークＮＷ及び基地局３００を介して商品の推奨情報を受信すると、当該推奨情報を表示部４０１に表示させる。

なお、上記サーバ２００は、特許請求の範囲に記載の商品利用傾向分析システム及び商品推奨システムとして機能する。

図２を用いて、上記商品購入履歴データベース２１４の記憶内容の一例を説明する。

図２において、商品購入履歴データベース２１４には、商品に係わる情報と、当該商品に対する複数の消費者の購入履歴とを対応付けた購入履歴情報が記憶されている。なお、上記消費者の購入履歴が、消費者の利用履歴に相当する。また、購入履歴情報には、カテゴリＩＤ、商品コード、販売開始日時、消費者ＩＤ、及び購入日時が含まれている。

カテゴリＩＤは、複数の商品の属する複数のカテゴリそれぞれに対し割り当てた識別情報である。商品のカテゴリは、例えば、衣類、食品、書籍等の商品のジャンルや商品の価格帯などで分類される。商品コードは、複数の商品それぞれに対し割り当てた識別情報である。これらカテゴリＩＤ及び商品コードが、商品の識別情報に相当する。

販売開始日時は、商品の販売会社より当該商品が最初に市場で販売された日時情報である。この例では販売開始日時として、「西暦／月／日」を記憶しているが、「時刻」についても記憶するようにしてもよい。なお、この販売開始日時が、商品の市場投入時期に相当する。

消費者ＩＤは、商品を購入した消費者の識別情報である。購入日時は、消費者が商品を購入した日時情報である。この例では購入日時として、「西暦／月／日」を記憶しているが、「時刻」についても記憶するようにしてもよい。なお、この購入日時が、消費者による利用日時に相当し、これら消費者ＩＤ及び購入日時が、消費者の購入履歴、すなわち消費者の利用履歴に相当する。

上記構成である商品推奨システム１の特徴は、サーバ２００における、商品購入履歴データベース２１４にアクセスし購入履歴情報を取得する手順、商品購入頻度ベクトル（後述）を各消費者ごとに作成する手順、商品購入ベクトルをクラスタリング処理して代表ベクトル（後述）を作成する手順、及び、複数の消費者のそれぞれを、複数の代表ベクトルのいずれかに対し、対応付けて分類する手順、にある。以下、これらの内容の詳細について順次説明する。

ここで、消費者による商品の購入傾向として、商品の属するカテゴリによって、購入数や購入サイクルが異なる場合がある。そこで、本実施形態においては、制御部２０１は、商品購入履歴データベース２１４に蓄積された購入履歴情報を、商品のカテゴリに対応するカテゴリＩＤごとに取得する。そして、その後の処理、すなわち、後述の特定の期間の購入履歴情報の抽出、データサンプルとしての抽出、商品購入頻度ベクトルの作成、商品購入頻度ベクトルの正規化、クラスタリング、代表ベクトルの作成、及び消費者の分類等の処理（後述の図４乃至図１１等参照）を、各カテゴリＩＤごとに別々に実行する。

まず、図３を用いて、商品購入履歴データベース２１４に蓄積された購入履歴情報を、商品のカテゴリごとに取得する方法を説明する。

図３において、制御部２０１は、分析者側のサーバ２００に接続された上記キーボード２２１やマウス２２２における操作入力情報に応じて、商品購入履歴データベース２１４にアクセスする。そして、当該商品購入履歴データベース２１４に蓄積された上記購入履歴情報を、商品のカテゴリごとに、すなわちカテゴリＩＤごとに分けて取得する。なお、特定のカテゴリＩＤに係わる購入履歴情報だけ、例えばカテゴリＩＤ「４」に係わる購入履歴情報だけ、を取得するようにしてもよい。

図４を用いて、上記のようにして取得した購入履歴情報の中から、特定の期間内の購入履歴情報を抽出する方法を説明する。図４（ａ）及び図４（ｂ）には、横軸を時間、縦軸を累積の消費者ＩＤの数としたグラフを示している。

上記のようにして商品購入履歴データベース２１４から購入履歴情報をカテゴリＩＤごとに分けて取得すると、当該複数の消費者の購入履歴を含む購入履歴情報の中から、所定値以上、例えば１０００人以上の消費者の購入履歴、すなわち消費者ＩＤ、を含むような特定の期間内の購入履歴情報を抽出する。

その方法としては、例えば、商品購入履歴データベース２１４から取得した購入履歴情報に基づき、当該購入履歴情報に含まれる複数の消費者ＩＤのうち、対応する購入日時が、予め設定された所定の期間内、例えば現在日時から半年前までの期間内に該当する消費者ＩＤの数を計数する。そして、その計数した消費者ＩＤの数を上記所定値と比較する。

このとき、図４（ａ）に示すように、対応する購入日時が予め設定された時間Ｔ０から時間Ｔ１までの期間内に該当する、消費者ＩＤの数がＣ１、例えば１３００となり、その消費者ＩＤの数Ｃ１が所定値Ｃｍ以上、例えば１０００以上となった場合がある。この場合には、商品購入履歴データベース２１４から取得した購入履歴情報のうち、当該購入履歴情報に含まれる購入日時が、上記時間Ｔ０から時間Ｔ１までの期間内に該当する購入履歴情報を抽出する。なおこの場合、この時間Ｔ０から時間Ｔ１までの期間が、特定の期間に相当する。

一方、図４（ｂ）に示すように、対応する購入日時が予め設定された時間Ｔ０から時間Ｔ２までの期間内に該当する、消費者ＩＤの数がＣ２、例えば６６０となり、その消費者ＩＤの数Ｃ２が所定値Ｃｍ未満、例えば１０００未満となった場合がある。この場合には、購入履歴情報を抽出する期間を、時間Ｔ０からの消費者ＩＤの数が上記所定値Ｃｍとなる日時Ｔｍまで延長する。すなわち、時間Ｔ０からの消費者ＩＤの数が上記所定値Ｃｍとなる日時Ｔｍを検出する。そして、商品購入履歴データベース２１４から取得した購入履歴情報のうち、当該購入履歴情報に含まれる購入日時が、上記時間Ｔ０から時間Ｔｍまでの期間内に該当する購入履歴情報を抽出する。なおこの場合には、この時間Ｔ０から時間Ｔｍまでの期間が、特定の期間に相当する。

図５を用いて、上記のようにして抽出した特定の期間内の購入履歴情報の中から、特定の購入履歴情報を、データサンプルとして抽出する方法を説明する。図５には、横軸に商品の販売開始日時を０とした経過時間、縦軸に商品の購入数とした時間的変化を表す時間推移曲線を示している。

上記のようにして特定の期間内の購入履歴情報を抽出すると、次に、この特定の期間内の購入履歴情報の中から、特定の購入履歴情報を、消費者の商品利用傾向分析のデータサンプルとしてさらに抽出する。詳細には、上記抽出した特定の期間内の購入履歴情報の中から、商品の購入数が流行ピーク位置（後述）以降で所定値以下、例えば流行ピーク位置に対応する購入数の０．０１倍等となるまでの購入履歴情報を、データサンプルとして抽出する。なお、上記商品の購入数が、商品に対する消費者の利用度に相当する。

その方法としては、例えば、図５に示すように、上記抽出した特定の期間内の購入履歴情報に基づき、時間推移曲線の流行ピーク位置Ｐ（Ｔｐ，Ｐｐ）を検出する。なお、この例では時間推移曲線の縦軸を購入数としているが、購入者数、すなわち消費者ＩＤの数としてもよい。そして、検出した流行ピーク位置Ｐに対応する時間Ｔｐ以降で、購入数が所定値Ｐｅ以下となる時間Ｔｅを検出する。上記商品の販売開始日時、すなわち時間０から、上記検出した当該商品の購入数が所定値Ｐｅ以下となる時間Ｔｅに相当する購入日時までの期間が、購入履歴情報を上記データサンプルとして抽出する期間となる。すなわち、上記抽出した特定の期間内の購入履歴情報のうち、当該購入履歴情報に含まれる購入日時が、時間０、すなわち商品の販売開始日時から、時間Ｔｅに相当する日時となるまでの期間内に該当する購入履歴情報を、データサンプルとして抽出する。

なお、商品によって、消費者による購入傾向は異なるので、上記の購入履歴情報をデータサンプルとして抽出する処理は、上記抽出した１つのカテゴリの購入履歴情報に含まれるすべての商品について、各商品ごとに、すなわち各商品コードごとに行う。

そして、以上のようにしてデータサンプルを抽出すると、次に、当該抽出したデータサンプルである購入履歴情報に基づき、各消費者ごとに、複数の商品に対する１人の消費者の購入頻度を表す商品購入頻度ベクトルを作成する。この商品購入頻度ベクトルが、商品利用頻度ベクトルに相当する。以下適宜、上記商品購入頻度ベクトルを、省略して単に「ベクトル」と称する。

本実施形態においては、上記ベクトルを作成するにあたり、まず当該ベクトルを作成する間隔となる所定のベクトル化間隔を、ｎを１以上の整数として、ｎ週間単位、すなわち、１週間、２週間、３週間・・・となるように設定する。その後、設定したベクトル化間隔ごとのベクトルを、各消費者ごとに作成する。

図６及び図７を用いて、ベクトル化間隔ごとのベクトルを作成する方法を説明する。

本実施形態においては、上記ベクトル化間隔を設定すると、次に、上記データサンプルとして抽出した購入履歴情報に含まれる購入日時及び販売開始日時を用いて、消費者の商品の購入までの経過時間、すなわち、商品の販売開始日時から当該商品の購入日時までの経過時間を算出する。なお、上記消費者の商品の購入までの経過時間が、消費者の利用までの経過時間に相当する。

すなわち、その方法としては、図６に示すように、上記データサンプルとして抽出した購入履歴情報から、１つの購入履歴情報を取得し、当該取得した購入履歴情報に含まれる販売開始日時及び購入日時に基づき、上記経過時間を算出する。例えば、カテゴリＩＤ「４」、商品コード「１５４９８」、販売開始日時「２００８／７／１０」、消費者ＩＤ「９７２５１４」、購入日時「２００８／７／２８」に係わる購入履歴情報の場合には、販売開始日時「２００８／７／１０」と、購入日時「２００８／７／２８」との時間差から、経過時間は１８［日］と算出できる。これは、消費者が、商品の販売開始後１８日目に当該商品を購入したことを表す。

そして、上記のようにして商品の購入までの経過時間を算出すると、次に、算出した経過時間を、設定したベクトル化間隔で除して、経過期間数を算出する。詳細には、上記経過時間をベクトル化間隔で除す。そして、その算出した数値の小数点以下の端数を切り上げ、上記経過期間数として算出する。具体的に言うと、上記経過時間をベクトル化間隔で除し算出された数値が整数である場合には、その数値を上記経過期間数として算出し、上記経過時間をベクトル化間隔で除し算出された数値が整数でない場合には、その値の少数点以下を切り捨て、残った整数値に１を加えた値を上記経過期間数として算出する。

例えば、設定したベクトル化間隔が１週間、すなわち７日間であり、算出した経過時間が１８［日］で場合には、
経過時間／ベクトル化間隔＝１８／７≒２．６
となる。したがって、上記経過期間数は、３と算出される。これは、消費者が、商品の販売開始後３週間目、すなわち１５日目から２１日目の間に当該商品を購入したことを表す。

そして、このようにして消費者による商品の購入までの経過期間数を算出すると、次に、この経過期間数の算出結果に基づき、複数の商品に対する１人の消費者の商品購入履歴を、経過期間数ごとに分けてカウントする。詳細には、上記データサンプルとして抽出した購入履歴情報に含まれる複数の消費者ＩＤに係わる商品購入履歴を、各消費者ＩＤそれぞれについて、経過期間数ごとに分けてカウントする。なお、上記消費者の商品購入履歴が、消費者の商品利用履歴に相当する。

本実施形態においては、サーバ２００の記憶部２１０の適宜の領域に記憶されたベクトルテーブル（詳細は後述の図７参照）を用いて、上記カウントを行う。このベクトルテーブルは、各消費者ＩＤに係わる商品購入履歴の数を、経過期間数ごとに分けて、記録可能となっている。

上記の例では、消費者ＩＤ「９７２５１４」に係わる商品購入履歴は、対応する経過期間数が３と算出された。したがって、ベクトルテーブルの消費者ＩＤ「９７２５１４」に対応する図示横一列の段のうち、経過期間数「３」に対応した欄内の数値をインクリメントする、すなわち、数値に１を加える。この例では、当該欄内の数値が０から１にインクリメントされている。

ベクトルテーブルの各欄内の数値の初期値は「０」であるので、以上のようなデータサンプルとして抽出した購入履歴情報からの購入履歴情報の取得、経過時間の算出、経過期間数の算出、及びベクトルテーブルへの記録を繰り返して行うことで、上記データサンプルとして抽出した購入履歴情報に含まれる複数の消費者ＩＤに係わる商品購入履歴を、各消費者ＩＤそれぞれについて、経過期間数ごとに分けてカウントアップすることができる。

図７に、データサンプルとして抽出した購入履歴情報に含まれる複数の消費者ＩＤに係わる商品購入履歴を、各消費者ＩＤそれぞれについて、経過期間数ごとに分けてカウントしたベクトルテーブルの一例を示す。

図７に示すように、この例では、データサンプルとして抽出した購入履歴情報に含まれる複数の消費者ＩＤそれぞれについて、対応する商品購入履歴の数を、経過期間数「１」から経過期間数「５２」までに分けてカウントしている。この商品購入履歴の数をカウントする経過期間数の範囲は、例えばいわゆる商品寿命に応じて、分析者側のサーバ２００を介して適宜設定することができる。

例えば、図７に示すベクトルテーブルの最上段に表した消費者ＩＤ「７」に関しては、データサンプルとして抽出した購入履歴情報に含まれる商品購入履歴の数は、経過期間数「１」で０、経過期間数「２」で０、経過期間数「３」で２、経過期間数「４」で７、経過期間数「５」で５、経過期間数「６」で１、経過期間数「７」で６、経過期間数「８」で４、経過期間数「９」で４、・・・、経過期間数「５１」で０、経過期間数「５２」で１、とカウントされている。

このように、１人の消費者の商品購入履歴を経過期間数ごとに分けてカウントすることは、１人の消費者がいずれの時期にどのくらいカテゴリ内の複数の商品を購入したか、すなわち、商品購入頻度を表すことになる。言い換えれば、実質的に、消費者によるカテゴリ内の複数の商品の購入数と、当該複数の商品を購入するまでの経過期間数とを属性とする、すなわち、当該消費者の商品購入頻度に対応するベクトルを作成していることに相当する。したがって、ベクトルテーブルの消費者ＩＤに係わる横一列の段のデータは、当該消費者ＩＤが表す消費者の商品購入頻度に対応する上記ベクトルに相当する。また、ベクトルテーブルの消費者ＩＤに係わる横一列の段の各データ、すなわち、商品購入履歴のカウント数のそれぞれは、当該消費者ＩＤが表す消費者の上記ベクトル内の要素に相当する。

なお、図７に示す例では、上記商品購入履歴の数を経過期間数「５２」、すなわち、経過時間に換算すると３６４［日］までカウントした場合を示しているが、もっと長い期間、例えば経過期間数「１０４」までカウントするようにしてもよいし、もっと短い期間、例えば経過期間数「２６」までカウントするようにしてもよい。

そして、上記のように各消費者ごとにベクトルを作成すると、その作成したベクトルそれぞれに対し、ベクトルのノルムの逆数を乗じ、それぞれのベクトルのノルムを１とする、公知の正規化処理を行う。すなわち、作成されたベクトルをＶ、正規化されたベクトルをＶ２とすると、

（式１）
の関係が成り立つ。但し、
である。

図８に、正規化されたベクトルを表す正規化ベクトルテーブルの一例を示す。この図８に示す例では、上記図７に示した複数の消費者のベクトルそれぞれについて、上記（式１）を用いて正規化したベクトルを表している。すなわち、この図８に示す複数の消費者のベクトルのノルムは、それぞれ１となっている。

例えば、この図８に示す正規化ベクトルテーブルの最上段に表した消費者ＩＤ「７」に対応した正規化後のベクトルのデータは、経過期間数「１」で０．００、経過期間数「２」で０．００、経過期間数「３」で０．１１、経過期間数「４」で０．３９、経過期間数「５」で０．２８、経過期間数「６」で０．０６、経過期間数「７」で０．３４、経過期間数「８」で０．２２、経過期間数「９」で０．２２、・・・、経過期間数「５１」で０．００、経過期間数「５２」で０．０６、となっている。この正規化ベクトルテーブルの消費者ＩＤに係わる横一列の段のデータは、当該消費者ＩＤが表す消費者に対応する、正規化されたベクトルに相当する。

そして、上記のようにしてベクトルそれぞれについて、正規化処理を行ったら、当該正規化されたベクトルそれぞれを、公知のクラスタリング処理して複数のデータ群に分類する。ここで、クラスタリングとは、例えば公知のＫ−ｍｅａｎｓ法や自己組織化マップなど、いわゆる「教師なしのデータ分類手法」であり、データを外的基準なしに自動的に分類する手法である。

図９（ａ）及び図９（ｂ）を用いて、クラスタリングの手法の一例を説明する。

図９（ａ）及び図９（ｂ）において、この例では一例として、クラスタリングの手法の１つであるＫ−ｍｅａｎｓ法を用いて、ＸＹ座標系にランダムに存在する複数のデータＤを、複数のデータ群に分類する。

すなわち、まず各データＤを分類するクラスタの数、すなわち、分類するデータ群の数を設定する。この例ではクラスタの数を２に設定し、中心位置をランダムに決定する。そして、上記設定した２つのクラスタのいずれかに、各データＤを割り振る。なお、この割り振りは２つの中心位置についてユークリッド距離が近くなるよう行う。その後、各データＤの位置に基づき、各クラスタの中心位置を算出する。そして、各データＤの位置と、上記算出した各クラスタの中心位置とのユークリッド距離をそれぞれ算出する。その後、各データＤを、各クラスタのうちユークリッド距離が近いクラスタに割り振り直す。このとき、いずれかのデータＤについて、上記クラスタの割り振り直しが行われた場合には、新しく割り振られたクラスタの中心位置を算出し、上記と同様の処理を繰り返す。そして、上記の処理を繰り返すことにより、すべてのデータＤについて、上記クラスタの割り振り直しが行われなくなると、各データＤは、最終的には２つのクラスタ、すなわち２つのデータ群に分類される。この例では、各データＤは、白丸で表す複数のデータＤについてのデータ群ＤＧ１と、バツで表す複数のデータＤについてのデータ群ＤＧ２とに分類されている。なお、この例では、各データＤを分類するクラスタの数を２に設定することで、２つのデータ群に分類した例を示したが、クラスタの数をもっと多くすることで、もっと多くのデータ群に分類することもできる。

そして、上記のようなクラスタリング処理を行うことにより、正規化されたベクトルのそれぞれを、予め設定した分類するデータ群の数に基づき、複数のデータ群に分類すると、当該複数のデータ群それぞれを個別に代表する代表ベクトルを作成する。

図１０に、作成した代表ベクトルの一例を示す。この図１０には、横軸に経過期間数、縦軸に商品購入頻度をとったグラフ上に、上記図８の正規化ベクトルテーブルが表す複数の正規化されたベクトルに基づき作成した、複数の代表ベクトルを図示している。

図１０において、上記正規化されたベクトルを、上記クラスタリング処理により複数のデータ群に分類すると、次に、当該複数のデータ群それぞれについて、データ群に含まれる複数の消費者の正規化されたベクトルのデータを、各データ群ごとに平均し、各データ群それぞれを個別に代表する代表ベクトルを作成する。この各データ群ごとのベクトルのデータを平均したデータが表すベクトルが、各データ群それぞれを個別に代表する代表ベクトルに相当する。したがって、代表ベクトルは、当該データ群に含まれる複数の消費者の商品購入傾向を平均化した、すなわち、代表したベクトルとなる。なお、クラスタリング処理としてＫ−ｍｅａｎｓ法を用いた場合は，上記代表ベクトル作成方法と上記説明した各クラスタの中心位置の更新手順が同等である。このように、クラスタリング処理の計算値が直接、代表ベクトルとしてみなせる場合は、これを代表ベクトルとして利用することもできる。

この例では、上記図８の正規化ベクトルテーブルが表す複数の正規化されたベクトルが、クラスタリング処理により４つのデータ群に分類されることで、４つの代表ベクトルＲＶ１，ＲＶ２，ＲＶ３，ＲＶ４が作成されている。

例えば、代表ベクトルＲＶ１は、商品が販売されてから比較的長い時間の経過後に商品を購入する傾向にある消費者層に対応するベクトルである。一方、代表ベクトルＲＶ４は、経過期間数「５」に商品購入頻度がピークとなっており、商品が販売されてから比較的短い時間の経過後に商品を購入する傾向にある消費者層に対応するベクトルとなっている。

なお、上記の複数のデータ群に分類するデータ群の数をもっと多くし、作成する代表ベクトルの数をもっと多くしてもよい。あるいは、上記の複数のデータ群に分類するデータ群の数をもっと少なくし、作成する代表ベクトルの数をもっと少なくしてもよい。

本実施形態においては、上記のようにして分類した複数のデータ群に基づき、複数の代表ベクトルを作成すると、次に、複数の消費者のそれぞれを、上記作成した複数の代表ベクトルのいずれかに対し、対応付けて分類する。詳細には、消費者に係わる正規化されたベクトルと、各代表ベクトルとの距離を算出する。そして、算出した距離が、最も距離が近かった代表ベクトルに対し、消費者を対応付ける。この処理を、上記データサンプルとして抽出された購入履歴情報に含まれるすべての消費者に対して行うことで、上記正規化されたベクトルそれぞれに係わる複数の消費者のそれぞれを、上記代表ベクトルのいずれかに対し、対応付けて分類することができる。

図１１に、複数の消費者と複数の代表ベクトルとの対応付け結果の一例を示す。

図１１に示す例では、上記図８の正規化ベクトルテーブルが表す複数の正規化されたベクトルに係わる消費者ＩＤのそれぞれを、上記図１０に示す４つの代表ベクトルＲＶ１，ＲＶ２，ＲＶ３，ＲＶ４との距離に基づき、当該４つの代表ベクトルＲＶ１，ＲＶ２，ＲＶ３，ＲＶ４のいずれかに対し、対応付けて分類している。

例えば、消費者ＩＤ「７」は代表ベクトルＲＶ２、消費者ＩＤ「４３」は代表ベクトルＲＶ３、消費者ＩＤ「４６１」は代表ベクトルＲＶ１、消費者ＩＤ「５８９」は代表ベクトルＲＶ２、消費者ＩＤ「６２９」は代表ベクトルＲＶ２、消費者ＩＤ「７６９」は代表ベクトルＲＶ４、消費者ＩＤ「８６０」は代表ベクトルＲＶ２、消費者ＩＤ「９０７」は代表ベクトルＲＶ３、消費者ＩＤ「１２２０」は代表ベクトルＲＶ１、消費者ＩＤ「１３２５」は代表ベクトルＲＶ３・・・のように、対応付けて分類されている。

そして、本実施形態では、このように作成した複数の代表ベクトルのいずれかに対応付けて分類された消費者ＩＤが表す消費者の携帯端末４００に対し、所定の推奨時期において、所定の商品の推奨情報を出力する。詳細には、作成した複数の代表ベクトルに対応する商品購入頻度のピーク時期等に基づき、推奨商品や推奨時期等の情報を含む推奨情報プランを作成する。そして、その作成した推奨情報プランにしたがって、代表ベクトルに係わる推奨時期が到来するごとに、当該代表ベクトルに対応付けられた複数の消費者の携帯端末４００に対し、所定の商品の推奨情報を出力する。

なお、上記推奨情報プランの内容は、複数の代表ベクトルのそれぞれで異なっている。上記図１０に示す代表ベクトルＲＶ１に関する推奨情報プランには、例えば、当該代表ベクトルＲＶ１に対応付け分類された複数の消費者に対し、商品の販売開始後遅めに推奨を開始し、全体の推奨回数を多くすると共に、１回の推奨期間及び推奨間隔を長めにし、遅めに全体の推奨を終了する等の内容が含まれている。一方、上記図１０に示す代表ベクトルＲＶ４に関する推奨情報プランには、例えば、当該代表ベクトルＲＶ４に対応付け分類された複数の消費者に対し、商品の販売開始後早めに推奨を開始し、全体の推奨回数を少なくすると共に、１回の推奨期間及び推奨間隔を短めにし、早めに全体の推奨を終了する等の内容が含まれている。

このように、消費者の携帯端末４００に対し、推奨情報が出力されると、消費者の携帯端末４００の表示部４０１には受信した推奨情報が表示される。

サーバ２００の制御部２０１が実行する制御内容を、図１２を用いて説明する。

図１２において、例えばサーバ２００に接続された上記キーボード２２１やマウス２２２における操作入力情報が、入力制御部２０４を介し制御部２０１に入力されることによって、図中「ＳＴＡＲＴ」位置で表されるように、このフローが開始される。

まずステップＳ１００で、制御部２０１は、商品購入履歴データベース２１４にアクセスし、複数の商品に対する複数の消費者の上記購入履歴情報を取得する情報取得処理を実行する。このステップが、情報取得手順に相当する。なお、この詳細内容については、後述の図１３で説明するが、このステップでは、制御部２０１は、購入履歴情報をカテゴリＩＤごとに分けて取得する。

その後、ステップＳ２００で、制御部２０１は、上記ステップＳ１００で取得された、詳細には、後述の図１５のステップＳ４３０でデータサンプルとして抽出された（この図１２において以下同様）、上記商品購入履歴データベース２１４に蓄積された購入履歴情報に基づき、所定のベクトル化間隔ごとのベクトルを各消費者ごとに作成するベクトル化処理を実行する。このステップが、ベクトル化手順に相当すると共に、ベクトル化手段として機能する。この詳細内容については、後述の図１６で説明する。

そして、ステップＳ１０に移り、制御部２０１は、上記ステップＳ２００で各消費者ごとに作成されたベクトルを、公知の手法を用いて正規化処理し、それぞれのベクトルのノルムを１に正規化する。なお、正規化前のベクトル（図７に示すベクトルテーブルの横一列の段を参照）と正規化後のベクトル（図８に示す正規化ベクトルテーブルの横一列の段を参照）とは、前述の（式１）で表す関係となっている。

その後、ステップＳ２０で、制御部２０１は、上記ステップＳ２００で作成され、さらに上記ステップＳ１０で正規化されたベクトルを、公知のＫ−ｍｅａｎｓ法（図９参照）や自己組織化マップなどの手法を用いて、クラスタリング処理して、複数のデータ群に分類する。このステップが、データ群分類手順に相当すると共に、データ群分類手段として機能する。なお、上記ステップＳ１０の正規化処理を省略して、上記ステップＳ２００で作成されたベクトルを、クラスタリング処理して複数のデータ群に分類するようにしてもよい。

そして、ステップＳ３０に移り、制御部２０１は、上記ステップＳ２０で分類された複数のデータ群それぞれを個別に代表する代表ベクトル（図１０参照）を作成する。詳細には、上記複数のデータ群それぞれについて、データ群に含まれる複数の消費者の正規化されたベクトルのデータを、各データ群ごとに平均して、各データ群それぞれについての代表ベクトルを作成する。このステップが、代表ベクトル作成手順に相当すると共に、代表ベクトル作成手段に相当する。

その後、ステップＳ４０で、制御部２０１は、複数の消費者ＩＤのそれぞれを、上記ステップＳ３０で作成された複数の代表ベクトルのいずれかに対し、対応付けて分類する。具体的には、上記ステップＳ１００で取得された購入履歴情報に含まれる複数の消費者ＩＤのそれぞれに対応する、上記ステップＳ１０で正規化された複数のベクトルそれぞれについて、上記複数の代表ベクトルそれぞれとの距離を、各ベクトルごとに算出する。そして、当該距離の算出結果に基づき、上記複数のベクトルに対応する複数の消費者ＩＤのそれぞれを、上記算出した距離が最も近かった代表ベクトルに対し、対応付け分類する。このステップが、消費者分類手順に相当すると共に、消費者分類手段に相当する。

そして、ステップＳ５０に移り、制御部２０１は、上記ステップＳ３０での代表ベクトルの作成結果、及び、上記ステップＳ４０での代表ベクトルへの各消費者ＩＤの対応付け結果に基づき、いずれかの代表ベクトルに対応付けて分類された複数の消費者に対する推奨情報プランを作成する。この推奨情報プランには、推奨時期、推奨商品等の情報が含まれる。

その後、ステップＳ６０で、制御部２０１は、上記ステップＳ４０で複数の代表ベクトルのいずれかに対応付けて分類された消費者の携帯端末４００に対し、所定の推奨時期において、所定の商品の推奨情報を出力する。具体的には、上記ステップＳ５０で作成された推奨情報プランにしたがって、代表ベクトルに係わる推奨時期が到来するごとに、所定の商品の推奨情報を前述の商品データベース２１２より取得する。そして、当該代表ベクトルに対応付けられた複数の消費者の携帯端末４００に対し、その推奨情報を出力する。これにより、消費者の携帯端末４００の表示部４０１には受信した推奨情報が表示される。その後、このフローを終了する。このステップが、推奨情報出力手順に相当すると共に、推奨情報出力手段として機能する。

なお、制御部２０１は、上記ステップＳ１００でカテゴリＩＤごとに分けて取得した購入履歴情報に含まれる全カテゴリＩＤについて、上記ステップＳ２００及び上記ステップＳ１０〜ステップＳ６０の処理を、各カテゴリＩＤごとに別々に行う。例えば、上記ステップＳ１００で、カテゴリＩＤ「１」〜「４」に係わる購入履歴情報が取得された場合には、当該カテゴリＩＤ「１」〜「４」について、それぞれ別々に、ステップＳ２００及びステップＳ１０〜ステップＳ６０の処理を行う。

図１３を用いて、上記ステップＳ１００の詳細内容を説明する。

図１３において、まずステップＳ１１０で、制御部２０１は、商品購入履歴データベース２１４にアクセスし、上記購入履歴情報を、カテゴリＩＤごとに、すなわち、商品のカテゴリごとに分けて取得する。このステップが、カテゴリ別取得手順に相当する。

その後、ステップＳ３００で、制御部２０１は、上記ステップＳ１１０で取得された複数の消費者の購入履歴情報のうち、該当する消費者の数が所定値以上となるような特定の期間内の購入履歴情報を抽出する履歴抽出処理を実行する。このステップが、履歴抽出手順に相当する。この詳細内容については、後述の図１４で説明する。

そして、ステップＳ４００に移り、制御部２０１は、上記ステップＳ３００で抽出された特定の期間内の購入履歴情報のうち、各商品ごとに決定された、当該商品の販売開始時期から当該商品の購入数が所定値以下となるまでの購入履歴情報をデータサンプルとして抽出するデータ抽出処理を実行する。このステップが、データ抽出手順に相当する。この詳細内容については、後述の図１５で説明する。その後、このルーチンを終了する。

なお、制御部２０１は、上記ステップＳ１１０でカテゴリＩＤごとに取得された購入履歴情報に含まれる全カテゴリＩＤについて、上記ステップＳ３００及びステップＳ４００の処理を、各カテゴリＩＤごとに別々に行う。

図１４を用いて、上記ステップＳ３００の詳細内容を説明する。

図１４において、まずステップＳ３１０で、制御部２０１は、上記図１３のステップＳ１１０で取得された購入履歴情報に基づき、当該購入履歴情報に含まれる複数の消費者ＩＤのうち、対応する購入日時が所定の期間内、例えば現在日時から半年前までの期間内等、に該当する消費者ＩＤの数を計数する。

その後、ステップＳ３２０で、制御部２０１は、上記ステップＳ３１０で計数された消費者ＩＤの数、言い換えれば消費者の数が、所定値以上、例えば１０００以上、となったかどうかを判定する。上記ステップＳ３１０で計数された消費者ＩＤの数が、上記所定値以上となった場合には、判定が満たされてステップＳ３３０に移る。

ステップＳ３３０では、制御部２０１は、上記図１３のステップＳ１１０で取得された購入履歴情報のうち、当該購入履歴情報に含まれる購入日時が、上記所定の期間内に該当する購入履歴情報を抽出する。なおこの場合、上記所定の期間が、特定の期間に相当する。その後、このルーチンを終了する。

一方、上記ステップＳ３２０において、上記ステップＳ３１０で計数された消費者ＩＤの数が、上記所定値未満となった場合には、ステップＳ３２０の判定が満たされず、ステップＳ３４０に移る。

ステップＳ３４０では、制御部２０１は、上記所定の期間を適宜延長することにより、上記図１３のステップＳ１１０で取得された購入履歴情報に基づき、当該購入履歴情報に含まれる複数の消費者ＩＤの数が、上記所定値となる期間を検出する。

そして、ステップＳ３５０に移り、制御部２０１は、上記図１３のステップＳ１１０で取得された購入履歴情報のうち、当該購入履歴情報に含まれる購入日時が、上記ステップＳ３４０で検出された期間内に該当する購入履歴情報を抽出する。なおこの場合、上記ステップＳ３４０で検出された期間が、特定の期間に相当する。その後、このルーチンを終了する。

図１５を用いて、上記ステップＳ４００の詳細内容を説明する。

図１５において、まずステップＳ４１０で、制御部２０１は、上記ステップＳ３００、詳細には、上記図１４のステップＳ３３０又はステップＳ３５０で抽出された特定の期間内の購入履歴情報に基づき、当該購入履歴情報に含まれる全商品コード、言い換えれば全商品について、販売開始日時からの購入数の時間推移曲線に現れる流行ピーク位置Ｐ（図５参照）を、各商品コードごとに検出する。

その後、ステップＳ４２０で、制御部２０１は、上記図１４のステップＳ３３０又はステップＳ３５０で抽出された特定の期間内の購入履歴情報に基づき、当該購入履歴情報に含まれる全商品コードについて、上記時間推移曲線に現れる上記ステップＳ４１０で検出された流行ピーク位置Ｐ以降で販売開始日時からの購入数が所定値、例えば上記流行ピーク位置Ｐに対応する購入数の０．０１倍等、となる日時を、各商品コードごとに検出する。

そして、ステップＳ４３０に移り、制御部２０１は、上記図１４のステップＳ３３０又はステップＳ３５０で抽出された特定の期間内の購入履歴情報のうち、当該購入履歴情報に含まれる全商品コードについて、当該購入履歴情報に含まれる購入日時が、販売開始日時から上記ステップＳ４２０で検出された日時となるまでの期間内に該当する購入履歴情報を、データサンプルとして抽出する。その後、このルーチンを終了する。

図１６を用いて、上記ステップＳ２００の詳細内容を説明する。

図１６において、まずステップＳ２１０で、制御部２０１は、ベクトル化間隔をｎ週間、例えば１週間に設定する。なお、ｎは１以上の整数である。このステップが、間隔設定手順に相当する。

その後、ステップＳ５００で、制御部２０１は、設定されたベクトル化間隔ごとのベクトルを、各消費者ごとに作成するベクトル作成処理を実行する。このステップが、ベクトル作成手順に相当する。この詳細内容については、後述の図１７で説明する。

そして、ステップＳ２２０に移り、制御部２０１は、上記ステップＳ５００で作成された上記データサンプルの購入履歴情報に含まれる全消費者ＩＤ、すなわち、全消費者に対応するベクトルのうち、ゼロとなるベクトル内の要素数、すなわち、前述のベクトルテーブル（図７参照）の各欄内の数値が「０」となる数を計数する。

その後、ステップＳ２３０で、制御部２０１は、上記ステップＳ２２０で計数された上記ゼロとなるベクトル内の要素数が、所定値以下、例えばベクトル内の全要素の１０％以下等、となったかどうかを判定する。ゼロとなるベクトル内の要素数が上記所定値より大きかった場合には、判定が満たされずステップＳ２４０に移る。なお、このステップ２３０が、ゼロベクトル判定手順に相当する。

ステップＳ２４０では、制御部２０１は、変数ｎの値を、それまでの値の２倍とし、ベクトル化間隔をｎ週間に再設定する。すなわち、ベクトル化間隔をそれまでよりも長く設定する。このステップが、間隔再設定手順に相当する。なお、変数ｎの値を、２倍に限らず、３倍、４倍、５倍・・・等の整数倍するようにしてもよい。

そして、制御部２０１は、上記ゼロとなるベクトル内の要素数が上記所定値以下となり、上記ステップＳ２３０の判定が満たされるまで、ステップＳ２４０、ステップＳ５００、ステップＳ２２０、及びステップＳ２３０を繰り返す。そして、上記ゼロとなるベクトル内の要素数が上記所定値以下となったら、ステップＳ２３０の判定が満たされて、このルーチンを終了する。

図１７を用いて、上記ステップＳ５００の詳細内容を説明する。

図１７において、まずステップＳ５１０で、制御部２０１は、上記ベクトルテーブルを初期化し、ベクトルテーブルの各欄内の数値をすべて「０」とする。

その後、ステップＳ５２０で、制御部２０１は、上記図１５のステップＳ４３０で抽出された複数の商品購入履歴を含む購入履歴情報の中から、１つの商品購入履歴に関する購入履歴情報を選択して取得する。このステップが、履歴取得手順に相当する。なお、すべての購入履歴に関する購入履歴情報を、一括して取得するようにしてもよい。

そして、ステップＳ５３０に移り、制御部２０１は、上記ステップＳ５２０で取得された購入履歴情報に含まれる購入日時及び販売開始日時に基づき、消費者による商品の購入までの上記経過時間を算出する（詳細は図６参照）。このステップが、経過時間算出手順に相当する。

その後、ステップＳ５４０で、制御部２０１は、上記ステップＳ５３０で算出された消費者による商品の購入までの経過時間を、上記図１６のステップＳ２１０又はステップＳ２４０で設定されたベクトル化間隔で除す。そして、その算出した数値の小数点以下の端数を切り上げ、経過期間数として算出する（詳細は図６参照）。このステップが、経過期間数算出手順に相当する。

そして、ステップＳ５５０に移り、制御部２０１は、上記ステップＳ５４０での経過期間数の算出結果を用いて、消費者の商品購入履歴の数を、上記ベクトルテーブルの対応する欄内の数値、すなわち、ベクトル内の要素をインクリメントすることにより、上記経過期間数ごとに分けてカウントする（詳細は図６参照）。このステップが、経過期間数カウント手順に相当する。

その後、ステップＳ５６０で、制御部２０１は、上記図１５のステップＳ４３０で抽出された購入履歴情報を、上記ステップＳ５２０ですべて取得したかどうかを判定する。まだすべて取得していない場合には、判定が満たされずステップＳ５２０に戻り、まだ取得していない購入履歴情報を取得して、同様の手順を繰り返す。そして、上記図１５のステップＳ４３０で抽出された購入履歴情報を、すべて取得したら、ステップＳ５６０の判定が満たされて、このルーチンを終了する。なお、このステップＳ５００のベクトル作成処理が終了したときの、上記ベクトルテーブルの横一列の段が、１人の消費者によるカテゴリ内の複数の商品の購入数と、当該複数の商品を購入するまでの経過期間数とを属性とする、すなわち、当該消費者の商品購入頻度に対応するベクトルとなる。

以上説明したように、本実施形態においては、商品購入履歴データベース２１４（図２参照）より取得した購入履歴情報に基づき、各消費者ごとにベクトルを作成する。そして、その作成されたベクトルは、クラスタリング処理されることにより、複数のデータ群に分類される。その後、各データ群の代表ベクトルが作成された後、各消費者をいずれかの代表ベクトルに対応付けて分類する。

以上のように、本実施形態においては、複数の消費者それぞれの購入履歴情報に基づき作成したベクトルをクラスタリング処理することにより複数のデータ群に分類し、各消費者をいずれかのデータ群の代表ベクトルに対応付けて分類する。これにより、所定の消費モデルに対して各消費者を強制的に当てはめる従来手法と異なり、複数の消費者の利用傾向、上記の例では購入時期、を柔軟に反映した分析を行い、各データ群ごとに代表的な利用時期、上記の例では購入時期、を算出することができる。この結果、各消費者の利用属性を的確に把握することができる。また、従来手法のように分析のための時間区間を分析者が手動操作で設定する必要がなく、分析者の労力負担を低減できる。

ここで、消費者の傾向として、商品が属するカテゴリにより、購入数や購入サイクルが異なる場合がある。そこで本実施形態では特に、複数の商品に対する複数の消費者の購入履歴情報を、商品のカテゴリごとに取得する（図１３のステップＳ１１０を参照）。これにより、分析性能をさらに向上することができる。

また、本実施形態では特に、商品購入履歴データベース２１４より取得された複数の消費者の購入履歴情報のうち、該当する消費者の数が所定値以上となるような特定の期間内の購入履歴情報を抽出する（図１４のステップＳ３１０〜ステップＳ３５０を参照）。そして、このようにして抽出された特定の期間内の購入履歴情報のうち、各商品ごとに決定された、当該商品の販売開始日時から当該商品の消費者による購入日時が所定値以下となるまでの購入履歴情報をデータサンプルとしてさらに抽出する（図１５のステップＳ４１０〜ステップＳ４３０を参照）。これにより、履歴抽出対象となる消費者の数を常に所定値以上に確保することができるので、分析精度を高精度に確保することができる。また、分析のために実質的に不要な部分のデータについては分析対象から除外することにより、迅速かつ円滑な分析を行うことができる。

また、本実施形態では特に、上記ベクトルを作成する間隔となるベクトル化間隔を設定し、当該設定されたベクトル化間隔ごとのベクトルを、各消費者ごとに作成する。その後、上記作成されたベクトルのうち、ゼロとなるベクトル内の要素数が所定値以下となったかどうかを判定する。このとき、ゼロとなるベクトル内の要素数が所定値より大きかった場合には、上記ベクトル化間隔をそれまでよりも長く設定する。そして、上記作成されたベクトルのうち、ゼロとなるベクトル内の要素数が所定値以下となるまで、上記の処理を繰り返す。以上のようにしてゼロとなるベクトル内の要素数をなるべく少なくすることにより、ベクトルを表す曲線がなるべく滑らかになるようにし、高精度な分析を行うことができる。

また、上記図１６のステップＳ２１０及びステップＳ２４０においては、ｎを１以上の整数として、ベクトル化間隔をｎ週間単位で設定する。これにより、各ベクトル化間隔に含まれる土・日曜日及び平日の数を互いに同一とすることにより、土・日曜日と平日とで人間の生活パターンが異なることによる消費者の購入履歴への影響を、各ベクトル化間隔において均等に含ませることができる。この結果、さらに精度よく分析を行うことができる。

また、本実施形態では特に、商品購入履歴データベース２１４に蓄積された購入履歴情報、上記の例では特に、上記図１４のステップＳ３００でデータサンプルとして抽出された購入履歴情報を取得する（図１７のステップＳ５２０を参照）。そして、その取得された購入履歴情報に含まれる当該消費者による購入日時と、当該購入履歴情報に含まれる商品の販売開始日時とを用いて、当該消費者の購入までの経過時間を算出する（ステップＳ５３０を参照）。その後、その算出された経過時間を、上記設定されたベクトル化間隔で除して、経過期間数を算出する（ステップＳ５４０を参照）。そして、その算出結果を用いて、複数の商品それぞれに対する１人の消費者の商品利用履歴を、経過期間数ごとに分けてカウントする（ステップＳ５５０を参照）。これにより、各消費者の商品購入頻度に対応したベクトルを算出することができる。

また、本実施形態では特に、複数の代表ベクトルのいずれかに対応付けて分類された消費者の携帯端末４００に対し、所定の推奨時期において、所定の商品の推奨情報を出力する。これにより、ある商品が市場に投入されてから比較的短い時間で購入する傾向にある人には商品投入後早めに商品の推奨を行い、当該商品が市場に投入されてから比較的長い時間の経過後に購入する傾向にある人には商品投入後遅めに商品の推奨を行うことができる。この結果、各消費者の個性や購入動向に応じた、効果的な商品の推奨を行うことができる。

なお、本発明は、上記実施形態に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。以下、そのような変形例を説明する。

（１）カラオケでの歌唱動向に基づいて商品利用傾向を分析する場合
上記実施形態では、商品の購入履歴情報に基づいて商品利用傾向を分析する内容について説明したが、上記商品には、例えばカラオケにおいて消費者が歌唱する楽曲データも含まれる。すなわち、カラオケ利用者である消費者がカラオケルームで歌唱するに際し、楽曲配信会社がカラオケ装置に楽曲データを配信することは当該楽曲データの販売に相当し、消費者にとっては当該楽曲データの購入に相当する。したがって、このようなカラオケでの歌唱履歴に対応する楽曲データの購入履歴情報に基づき、消費者の商品利用傾向を分析するようにしてもよい。

図１７を用いて、このようなシステムを実現する商品推奨システム１′の全体構成を説明する。

図１７において、商品推奨システム１′は、カラオケルームＫＲに設置されたカラオケ装置１００と、サーバ２００と、基地局３００と、各消費者が携帯する携帯端末４００と、ネットワークＮＷを介してカラオケ装置１００に楽曲データを配信する楽曲配信会社側の端末５００とを有している。サーバ２００、基地局３００、及び携帯端末４００の構成は前述の実施形態と同様である。

カラオケ装置１００は、カラオケ装置本体１１０と、表示装置１２０と、マイク１１５とを有している。カラオケ装置本体１１０は、上記ネットワークＮＷを介し楽曲配信会社側の端末５００から配信される楽曲データを再生する。表示装置１２０は、楽曲データの再生時に歌唱に係る映像を表示する。またマイク１１５は、カラオケ装置本体１１０に接続され、消費者の歌唱の用に供する。カラオケ装置本体１１０とサーバ２００とは、ネットワークＮＷを介して互いに情報通信可能に接続されており、カラオケルームＫＲにおいて消費者が楽曲データを再生させると、楽曲データの購入履歴情報が各楽曲データごとにサーバ２００の商品購入履歴データベース２１４に記憶される。

この場合の商品購入履歴データベース２１４の記憶内容は、前述の図２に示すものと同様となる。すなわち、本変形例では、図２に示すカテゴリＩＤ及び商品コードが楽曲データの識別情報に相当する。また、販売開始日時は、上記楽曲配信会社側の端末５００より当該楽曲データが最初に市場に配信された配信開始時期に相当する。また、消費者ＩＤは、当該楽曲データを購入した消費者、すなわちカラオケ利用者の識別情報である。また、購入日時は、当該消費者ＭがカラオケルームＫＲにて当該楽曲データを最初に再生させた歌唱行動時期に相当する。

よって、本変形例における商品利用傾向の分析方法は前述の実施形態と同様である。すなわち、制御部２０１は、商品購入履歴データベース２１４からカラオケでの歌唱履歴に相当する購入履歴情報を取得したら、所定のベクトル化間隔ごとのベクトルを各消費者ごとに作成する。そして、作成されたベクトルを、クラスタリング処理して複数のデータ群に分類し、当該複数のデータ群それぞれの代表ベクトルを作成する。このようにして複数の代表ベクトルを作成したら、複数の消費者のそれぞれを、当該複数の代表ベクトルのいずれかに対し、対応付けて分類する。

以上説明した変形例によっても、上記実施形態と同様の効果を得ることができる。

なお、以上において、図１、図１８等の各図中に示す矢印は信号の流れの一例を示すものであり、信号の流れ方向を限定するものではない。

また、図１２〜図１７に示すフローチャートは本発明を上記フローに示す手順に限定するものではなく、発明の趣旨及び技術的思想を逸脱しない範囲内で手順の追加・削除又は順番の変更等をしてもよい。

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。

その他、一々例示はしないが、本発明は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。

１ 商品推奨システム
１′ 商品推奨システム
２００ サーバ（第１情報端末、商品利用傾向分析システム、商品推奨システム）
２１４ 商品購入履歴データベース（商品利用履歴データベース）
４００ 携帯端末（第２情報端末）

Claims (10)

1. 分析者側の第１情報端末における操作入力情報に応じて、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースにアクセスし、複数の商品に対する複数の消費者の利用履歴情報を取得する情報取得手順と、
   前記情報取得手順で取得された、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手順と、
   前記ベクトル化手順で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手順と
   前記データ群分類手順で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手順と、
   前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手順と
   を有することを特徴とする商品利用傾向分析方法。
2. 前記ベクトル化手順は、
   前記ベクトル化間隔を設定する間隔設定手順と、
   設定された前記ベクトル化間隔ごとの商品利用頻度ベクトルを、各消費者ごとに作成するベクトル作成手順と、
   前記ベクトル作成手順で作成されたベクトルのうち、ゼロとなるベクトル内の要素数が所定値以下となったかどうかを判定するゼロベクトル判定手順と、
   前記ゼロベクトル判定手順においてゼロとなるベクトル内の要素数が所定値より大きかった場合に、ベクトル化間隔をそれまでよりも長く設定する間隔再設定手順と
   を備え、
   前記ゼロベクトル判定手順においてゼロとなるベクトル内の要素数が所定値以下となるまで、前記間隔再設定手順、前記ベクトル作成手順、及び前記ゼロベクトル判定手順を繰り返す
   ことを特徴とする請求項１記載の商品利用傾向分析方法。
3. 前記間隔設定手順及び前記間隔再設定手順は、
   ｎを１以上の整数として、前記ベクトル化間隔をｎ週間単位で設定する
   ことを特徴とする請求項２記載の商品利用傾向分析方法。
4. 前記ベクトル作成手順は、
   前記商品利用履歴データベースに蓄積された前記利用履歴情報を取得する履歴取得手順と、
   前記履歴取得手順で取得された前記利用履歴情報に含まれる当該消費者による利用日時と、当該利用履歴情報に含まれる商品の市場投入時期とを用いて、当該消費者の利用までの経過時間を算出する経過時間算出手順と、
   前記経過時間算出手順で算出された前記経過時間を、前記間隔設定手順又は前記間隔再設定手順で設定された前記ベクトル化間隔で除して、経過期間数を算出する経過期間数算出手順と、
   前記経過期間数算出手順での算出結果を用いて、複数の商品それぞれに対する１人の消費者の商品利用履歴を、経過期間数ごとに分けてカウントする経過期間数カウント手順と
   を有することを特徴とする請求項３記載の商品利用傾向分析方法。
5. 前記情報取得手順は、
   複数の商品に対する複数の消費者の前記利用履歴情報を、商品のカテゴリごとに取得するカテゴリ別取得手順を備える
   ことを特徴とする請求項１乃至請求項４のいずれか１項記載の商品利用傾向分析方法。
6. 前記情報取得手順は、
   前記カテゴリ別取得手順で取得された複数の消費者の前記利用履歴情報のうち、該当する消費者の数が所定値以上となるような特定の期間内の前記利用履歴情報を抽出する履歴抽出手順をさらに備える
   ことを特徴とする請求項５記載の商品利用傾向分析方法。
7. 前記情報取得手順は、
   前記履歴抽出手順で抽出された前記特定の期間内の前記利用履歴情報のうち、各商品ごとに決定された、当該商品の市場投入時期から当該商品に対する消費者の利用度が所定値以下となるまでの前記利用履歴情報をデータサンプルとして抽出するデータ抽出手順をさらに備える
   ことを特徴とする請求項６記載の商品利用傾向分析方法。
8. 分析者側の第１情報端末における操作入力情報に応じて、商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースにアクセスし、複数の商品に対する複数の消費者の利用履歴情報を取得する情報取得手順と、
   前記情報取得手順で取得された、前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手順と、
   前記ベクトル化手順で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手順と、
   前記データ群分類手順で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手順と、
   前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手順と、
   前記消費者分類手順で前記複数の前記代表ベクトルのいずれかに対応付けて分類された消費者側の第２情報端末に対し、所定の推奨時期において、所定の商品の推奨情報を出力する推奨情報出力手順と
   を有することを特徴とする商品推奨方法。
9. 商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースと、
   前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手段と、
   前記ベクトル化手段で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手段と、
   前記データ群分類手段で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手段と、
   前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手段と
   を有することを特徴とする商品利用傾向分析システム。
10. 商品の識別情報と当該商品に対する複数の消費者の利用履歴とを対応付けた利用履歴情報を記憶した商品利用履歴データベースと、
    前記商品利用履歴データベースに蓄積された前記利用履歴情報に基づき、所定のベクトル化間隔ごとの商品利用頻度ベクトルを各消費者ごとに作成するベクトル化手段と、
    前記ベクトル化手段で作成された前記商品利用頻度ベクトルを、クラスタリング処理して複数のデータ群に分類するデータ群分類手段と、
    前記データ群分類手段で分類された前記複数のデータ群それぞれを個別に代表する代表ベクトルを作成する代表ベクトル作成手段と、
    前記複数の消費者のそれぞれを、前記代表ベクトル作成手順で作成された複数の前記代表ベクトルのいずれかに対し、対応付けて分類する消費者分類手段と、
    前記消費者分類手段で前記複数の前記代表ベクトルのいずれかに対応付けて分類された消費者側の第２情報端末に対し、所定の推奨時期において、所定の商品の推奨情報を出力する推奨情報出力手段と
    を有することを特徴とする商品推奨システム。