JP5536725B2 - 店舗プロファイリングシステム - Google Patents
店舗プロファイリングシステム Download PDFInfo
- Publication number
- JP5536725B2 JP5536725B2 JP2011163492A JP2011163492A JP5536725B2 JP 5536725 B2 JP5536725 B2 JP 5536725B2 JP 2011163492 A JP2011163492 A JP 2011163492A JP 2011163492 A JP2011163492 A JP 2011163492A JP 5536725 B2 JP5536725 B2 JP 5536725B2
- Authority
- JP
- Japan
- Prior art keywords
- principal component
- cluster
- factor
- calculated
- processing means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、店舗特性を分析するシステムに係り、特に、複数の店舗を複数の店舗データで主成分分析し、更にクラスター分析して店舗特性をレポートする店舗プロファイリングシステムに関する。
［従来の技術］
従来の商圏分析システム等において、店舗等の拠点における売上や利益を分析するものがあった。
従来の商圏分析システム等において、店舗等の拠点における売上や利益を分析するものがあった。
［関連技術］
尚、関連する先行技術文献として、特開２００３−１６７８８０号公報「統計情報集計装置」（花王株式会社）［特許文献１］、特開２００３−３４５９６２号公報「店舗情報の収集提供装置、店舗情報の収集提供方法とそれを記述したプログラム」（エヌイーシーシステムテクノロジー株式会社）［特許文献２］がある。
また、岡山大学環境理工学部教授垂水共之、平成16年5月13日、「正準判別分析の定式化」（http://case.f7.ems.okayama-u.ac.jp/statedu/hbw2-book/node66.html）［非特許文献１］がある。
尚、関連する先行技術文献として、特開２００３−１６７８８０号公報「統計情報集計装置」（花王株式会社）［特許文献１］、特開２００３−３４５９６２号公報「店舗情報の収集提供装置、店舗情報の収集提供方法とそれを記述したプログラム」（エヌイーシーシステムテクノロジー株式会社）［特許文献２］がある。
また、岡山大学環境理工学部教授垂水共之、平成16年5月13日、「正準判別分析の定式化」（http://case.f7.ems.okayama-u.ac.jp/statedu/hbw2-book/node66.html）［非特許文献１］がある。
特許文献１には、地図上の店舗を指定して店舗の売上額等のデータを地図情報と共に表示する装置であり、ＰＯＳシステムが持つデータを取得して表示用ファイルを作成し、当該表示用ファイルで表示したいデータを指定すると、地図上に表示して分析作業を支援することが記載されている。
また、特許文献２には、店舗について立地評価し、解析結果を提供する装置であり、店舗位置情報を情報提供者から受信し、ユーザに店舗情報を送信すると共にユーザから応答情報を受信し、情報入手希望者に店舗位置に対応するユーザの評価を送信し、ユーザからの応答情報に基づきユーザの反応行動を数値化して集計し、店舗位置に対するユーザの評価を算出することが記載されている。
また、非特許文献１には、正準判別分析について記載されている。
また、非特許文献１には、正準判別分析について記載されている。
岡山大学環境理工学部教授垂水共之、平成16年5月13日、「正準判別分析の定式化」（http://case.f7.ems.okayama-u.ac.jp/statedu/hbw2-book/node66.html）
しかしながら、上記従来の分析システムでは、個別の店舗等の分析を行うものであるため、複数の店舗を複数のデータ（変数）によって得点化し、クラスター分析してクラスター間の関係性とクラスター毎の店舗特性を把握可能とするレポートを生成する機能を備えておらず、店舗運営を効率的に支援できるものとはなっていないという問題点があった。
本発明は上記実状に鑑みて為されたもので、複数の店舗について複数のプロファイリングデータを利用して主成分分析し、更に店舗のクラスター分析を行って、店舗特性のレポートを生成して店舗特性を容易に把握できる店舗プロファイリングシステムを提供することを目的とする。
上記従来例の問題点を解決するための本発明は、店舗特性を分析するプロファイリングシステムであって、コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、確定された変数について主成分分析処理を行い、主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、因子でクラスター分析を行い、クラスター別の因子毎に平均値を演算して、クラスター別の因子毎に平均表を生成するクラスター分析処理手段と、平均表を基に、特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段とを有することを特徴とする。
本発明は、店舗特性を分析するプロファイリングシステムであって、コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、確定された変数について主成分分析処理を行い、主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、因子でクラスター分析を行い、因子を用いて小分類のクラスター間の距離を計算して小分類のクラスター分析の表を生成し、前記小分類のクラスター別の因子毎に平均値を演算して、当該平均値を用いて中分類のクラスター間の距離を計算して、当該計算された距離の値に応じてクラスターをグループ化して分類し、計算された距離に基づいてグループの結合を行ってクラスター組み替えの適正化を行って、中分類のクラスター別の平均表を生成するクラスター分析処理手段と、平均表を基に、特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段とを有することを特徴とする。
本発明は、本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、クラスター分析処理手段で生成された平均表を基に、拠点が含まれる特定エリアについて、１つ又は２つの変数に対するクラスター毎の出現率を表示する地域特性のレポートを生成することを特徴とする。
本発明は、本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、クラスター分析処理手段で生成された平均表を基に、拠点が含まれる特定エリアについて、１つ又は２つの変数に対するクラスター毎の出現率を表示する地域特性のレポートを生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、クラスター分析処理手段で生成された平均得点表を基に、特定エリアについて、表示された地図上に特定エリア内で複数の店舗をクラスター毎に色分け表示する店舗特性のレポートを生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、主成分分析処理手段が、主成分分析における固有値と累積寄与率によって主成分から因子を特定することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、クラスター分析処理手段が、因子に加えて変数でクラスター分析を行うことを特徴とする。
本発明は、上記プロファイリングシステムにおいて、クラスター分析処理手段が、クラスター毎に複数の変数の平均値を表示する店舗特性のレポートを生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、複数の変数を用いて店舗をクラスター毎に色分け表示するポートフォリオを生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、複数の主成分を用いて店舗をクラスター毎に色分け表示する散布図を生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、主成分分析の結果から因子毎の平均値を演算し、当該平均値と抽出された店舗の因子の値との差分を算出し、複数の因子名を配したスパイダーチャートに店舗の差分を描画した分析グラフを生成することを特徴とする。
本発明は、上記プロファイリングシステムにおいて、レポート生成処理手段が、主成分分析、クラスター分析の結果から正準判別分析を用いて判別モデルを生成し、当該判別モデルを用いて新規店舗のデータが入力設定されると、新規店舗が各クラスターに該当する確率を演算して表示するクイックレポートを生成することを特徴とする。
本発明によれば、コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、変数決定処理手段が、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定し、主成分分析処理手段が、確定された変数について主成分分析処理を行い、主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成し、クラスター分析処理手段が、因子でクラスター分析を行い、クラスター別の因子毎に平均値を演算して、クラスター別の因子毎に平均表を生成し、レポート生成処理手段が、平均表を基に、特定エリアにおける店舗特性のレポートを生成するプロファイリングシステムとしているので、店舗特性についてプロファイリングデータを利用して得点化し、店舗特性をレポートできる効果がある。
また、本発明によれば、コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、変数決定処理手段が、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定し、主成分分析処理手段が、確定された変数について主成分分析処理を行い、主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成し、クラスター分析処理手段が、因子でクラスター分析を行い、因子を用いて小分類のクラスター間の距離を計算して小分類のクラスター分析の表を生成し、前記小分類のクラスター別の因子毎に平均値を演算して、当該平均値を用いて中分類のクラスター間の距離を計算して、当該計算された距離の値に応じてクラスターをグループ化して分類し、計算された距離に基づいてグループの結合を行ってクラスター組み替えの適正化を行って、中分類のクラスター別の平均表を生成し、レポート生成処理手段が、平均表を基に、特定エリアにおける店舗特性のレポートを生成するプロファイリングシステムとしているので、店舗特性についてプロファイリングデータを利用して得点化し、店舗特性をレポートできる効果がある。
また、本発明によれば、コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、変数決定処理手段が、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定し、主成分分析処理手段が、確定された変数について主成分分析処理を行い、主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成し、クラスター分析処理手段が、因子でクラスター分析を行い、因子を用いて小分類のクラスター間の距離を計算して小分類のクラスター分析の表を生成し、前記小分類のクラスター別の因子毎に平均値を演算して、当該平均値を用いて中分類のクラスター間の距離を計算して、当該計算された距離の値に応じてクラスターをグループ化して分類し、計算された距離に基づいてグループの結合を行ってクラスター組み替えの適正化を行って、中分類のクラスター別の平均表を生成し、レポート生成処理手段が、平均表を基に、特定エリアにおける店舗特性のレポートを生成するプロファイリングシステムとしているので、店舗特性についてプロファイリングデータを利用して得点化し、店舗特性をレポートできる効果がある。
本発明の実施の形態について図面を参照しながら説明する。
［１．実施の形態の概要］
本発明の実施の形態に係る店舗プロファイリングシステムは、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数とし、正規化して変数間相関表を作成し、変数を確定する変数決定処理を行い、主成分分析して主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理を行い、クラスター分析してクラスター別の因子毎に平均得点表を生成するクラスター分析処理を行い、更に店舗特性のレポートを生成するものであり、店舗特性を、プロファイリングデータを利用して得点化し、店舗特性をレポートできるものである。
［１．実施の形態の概要］
本発明の実施の形態に係る店舗プロファイリングシステムは、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数とし、正規化して変数間相関表を作成し、変数を確定する変数決定処理を行い、主成分分析して主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理を行い、クラスター分析してクラスター別の因子毎に平均得点表を生成するクラスター分析処理を行い、更に店舗特性のレポートを生成するものであり、店舗特性を、プロファイリングデータを利用して得点化し、店舗特性をレポートできるものである。
［２．本システム：図１］
本発明の実施の形態に係る店舗プロファイリングシステムについて図１を参照しながら説明する。図１は、本発明の実施の形態に係る店舗プロファイリングシステムの構成ブロック図である。
本発明の実施の形態に係る店舗プロファイリングシステム（本システム）は、図１に示すように、制御部１１と、記憶部１２と、インタフェース部１３とを備えたコンピュータによって実現され、インタフェース部１３を介して表示部１４と、入力部１５とが接続されている。
本発明の実施の形態に係る店舗プロファイリングシステムについて図１を参照しながら説明する。図１は、本発明の実施の形態に係る店舗プロファイリングシステムの構成ブロック図である。
本発明の実施の形態に係る店舗プロファイリングシステム（本システム）は、図１に示すように、制御部１１と、記憶部１２と、インタフェース部１３とを備えたコンピュータによって実現され、インタフェース部１３を介して表示部１４と、入力部１５とが接続されている。
また、記憶部１２には、処理プログラムが記憶されており、記憶部１２から処理プログラムを読み込んで動作させることで、各処理を実現している。
また、ネットワークに接続するサーバで処理プログラムを動作させ、当該サーバにネットワークを介して接続するクライアントからの指示を入力し、処理結果をクライアントに表示出力するクライアント・サーバのネットワークシステムとしてもよい。このネットワークシステムにおけるサーバをＷｅｂサーバとし、クライアントをＷｅｂサーバにアクセスするコンピュータとしたＷｅｂシステムであってもよい。
また、ネットワークに接続するサーバで処理プログラムを動作させ、当該サーバにネットワークを介して接続するクライアントからの指示を入力し、処理結果をクライアントに表示出力するクライアント・サーバのネットワークシステムとしてもよい。このネットワークシステムにおけるサーバをＷｅｂサーバとし、クライアントをＷｅｂサーバにアクセスするコンピュータとしたＷｅｂシステムであってもよい。
［３．処理内容］
本システムの制御部１１が処理プログラムによって実行する処理は、「変数決定処理」「主成分分析処理」「クラスター分析処理」「レポート生成処理」に分けることができる。
これら処理を処理プログラムによって実現する各処理手段が、「変数決定処理手段」「主成分分析処理手段」「クラスター分析処理手段」「レポート生成処理手段」である。
各処理を具体的に以下説明する。
本システムの制御部１１が処理プログラムによって実行する処理は、「変数決定処理」「主成分分析処理」「クラスター分析処理」「レポート生成処理」に分けることができる。
これら処理を処理プログラムによって実現する各処理手段が、「変数決定処理手段」「主成分分析処理手段」「クラスター分析処理手段」「レポート生成処理手段」である。
各処理を具体的に以下説明する。
［３（１）変数決定処理］
（変数候補決定：図２）
店舗プロファイリングの対象となる複数の店舗について店舗元データを特定する。店舗元データについて図２を参照しながら説明する。図２は、店舗元データを示す図である。
店舗元データは、図２に示すように、店舗毎に「店舗ＩＤ（識別子）」「店舗名称」「売場面積」「月平均売上高」「駐車台数」「食品売上構成比」「衣類売上構成比」「雑貨売上構成比」「其他売上構成比」「人口３ｋ」「昼間人口３ｋ」「年間小売販売額」「乗降客１ｋ」等のデータがテーブルとして記憶される。
（変数候補決定：図２）
店舗プロファイリングの対象となる複数の店舗について店舗元データを特定する。店舗元データについて図２を参照しながら説明する。図２は、店舗元データを示す図である。
店舗元データは、図２に示すように、店舗毎に「店舗ＩＤ（識別子）」「店舗名称」「売場面積」「月平均売上高」「駐車台数」「食品売上構成比」「衣類売上構成比」「雑貨売上構成比」「其他売上構成比」「人口３ｋ」「昼間人口３ｋ」「年間小売販売額」「乗降客１ｋ」等のデータがテーブルとして記憶される。
尚、「３ｋ」「１ｋ」とは、半径３ｋｍ又は１ｋｍ以内の人口、乗降客数を示すものである。
また、「人口３ｋ」「昼間人口３ｋ」「乗降客１ｋ」は、統計データに基づくもので、変数として店舗特有のデータと店舗に関する統計データが含まれる。統計データをそのまま変数候補に決定してもよいし、統計データを集計して変数候補に決定してもよい。
また、「人口３ｋ」「昼間人口３ｋ」「乗降客１ｋ」は、統計データに基づくもので、変数として店舗特有のデータと店舗に関する統計データが含まれる。統計データをそのまま変数候補に決定してもよいし、統計データを集計して変数候補に決定してもよい。
（正規化処理）
変数となる元データは、正規分布化できるものを用いるのが望ましい。
そのため、元データについて、指数化、比率化、逆数化、対数化して正規分布にする。
また、元データの歪度、尖度を算出し、予め設定した基準値（例えば、±１．５以内）と比較し、正規分布化の適否を判定する。正規分布化が不適であれば、その変数は原則として用いないようにする。但し、正規化できない元データであっても、必要と判断した場合には、あえて用いるようにする。
更に、元データの分位点を抽出し、突出した部分があるか否か判定し、突出したデータ部分があれば、当該テータ部分を取り除く処理を行う。
変数となる元データは、正規分布化できるものを用いるのが望ましい。
そのため、元データについて、指数化、比率化、逆数化、対数化して正規分布にする。
また、元データの歪度、尖度を算出し、予め設定した基準値（例えば、±１．５以内）と比較し、正規分布化の適否を判定する。正規分布化が不適であれば、その変数は原則として用いないようにする。但し、正規化できない元データであっても、必要と判断した場合には、あえて用いるようにする。
更に、元データの分位点を抽出し、突出した部分があるか否か判定し、突出したデータ部分があれば、当該テータ部分を取り除く処理を行う。
（変数間相関表作成処理：図３）
正規化処理された変数について全ての変数との相関を演算し、変数間相関表を作成する。
変数間相関表について図３を参照しながら説明する。図３は、変数間相関表を示す図である。
図３に示すように、決定して正規化等された変数の候補は、総当たりで相関演算を行い、算出された相関値を変数間相関表に設定する。
図３では、縦横に同じ変数の候補が配列され、相関値が設定されている。同じ変数同士は相関が「−」とし、「０．５０」以上であれば、相関が高いことになる。
尚、図３の横方向の「＊１」「＊２」...は、縦方向の「１：売場面積」「２：月平均売上高」...と同じものである。
正規化処理された変数について全ての変数との相関を演算し、変数間相関表を作成する。
変数間相関表について図３を参照しながら説明する。図３は、変数間相関表を示す図である。
図３に示すように、決定して正規化等された変数の候補は、総当たりで相関演算を行い、算出された相関値を変数間相関表に設定する。
図３では、縦横に同じ変数の候補が配列され、相関値が設定されている。同じ変数同士は相関が「−」とし、「０．５０」以上であれば、相関が高いことになる。
尚、図３の横方向の「＊１」「＊２」...は、縦方向の「１：売場面積」「２：月平均売上高」...と同じものである。
（変数確定処理）
当該変数間相関表において、目安として許容範囲±Ｒ（相関値）＝０．５などを基準として、０．５以上を有する変数がある場合には、相関係数が低くなる変数の組み合わせを選択することが望ましい。
当該変数間相関表において、目安として許容範囲±Ｒ（相関値）＝０．５などを基準として、０．５以上を有する変数がある場合には、相関係数が低くなる変数の組み合わせを選択することが望ましい。
［３（２）主成分分析処理］
（主成分分析処理）
主成分分析とは、多くの量的変数が存在する場合に、それらの間の相関構造を考慮して、低い次元の合成変数（主成分）に変換し、データが有している構造より解釈しやすくするための分析である。
主成分分析には、「相関係数行列」を用いる場合と、「分散共分散行列」を用いる２種類があるが、ここでは「相関係数行列」を用いることとする。
（主成分分析処理）
主成分分析とは、多くの量的変数が存在する場合に、それらの間の相関構造を考慮して、低い次元の合成変数（主成分）に変換し、データが有している構造より解釈しやすくするための分析である。
主成分分析には、「相関係数行列」を用いる場合と、「分散共分散行列」を用いる２種類があるが、ここでは「相関係数行列」を用いることとする。
相関係数行列Ｒとして、相関係数行列Ｒの第１固有値（最大固有値）λ1に対応する固有ベクトルから第１主成分ｚ1を求め、次に、相関係数行列Ｒの第２固有値λ2に対応する固有ベクトルから第２主成分ｚ2を求める。同様にして、第ｋ主成分を求める。
固有値は、その成分が元の変数何個分の情報を持っているかを表すもので、固有値の合計は、変数の個数に等しい。
固有値は、その成分が元の変数何個分の情報を持っているかを表すもので、固有値の合計は、変数の個数に等しい。
そして、それぞれの主成分の寄与率、累積寄与率を算出する。主成分の寄与率とは、主成分が全体の情報（変数の個数）のどのくらいの割合であるかを示すものである。
具体的には、変数ｘ1 ，ｘ2 ，...，ｘp がある場合、変数の標準化し、以下の式（１）の標準化値ｕ1 ，ｕ2 ，...，ｕp を算出する。
具体的には、変数ｘ1 ，ｘ2 ，...，ｘp がある場合、変数の標準化し、以下の式（１）の標準化値ｕ1 ，ｕ2 ，...，ｕp を算出する。
ここで、ｘバーは平均を、ｓは標準偏差を示している。
そして、以下の式（２）に示すように、第１主成分ｚ1 を算出する。第２主成分ｚ2以降も同様に算出する。
そして、以下の式（２）に示すように、第１主成分ｚ1 を算出する。第２主成分ｚ2以降も同様に算出する。
ここで、ａは、固有ベクトルである。
更に、相関係数行列Ｒを以下の式（３）に示すように、生成する。
更に、相関係数行列Ｒを以下の式（３）に示すように、生成する。
次に、第ｋ主成分の寄与率を以下の式（４）で算出する。ここで、λ1 は第１主成分の固有値で、λ2 は第２主成分の固有値、λk は第ｋ主成分の固有値、λp は第ｐ主成分の固有値である。
そして、第ｋ主成分までの累積寄与率を以下の式（５）に示す。
（主成分数決定処理：図４）
主成分分析処理で算出した固有値と累積寄与率について、固有値が「１以上」若しくは累積寄与率が「８０％を超える」を目安として主成分を選択する。ここで、選択された主成分の数が決定される。
図４に、主成分を選択する場合を示す。図４は、因子数決定を示す図である。図４に示すように、主成分の固有値を算出して大きい順に並び替え、固有値が「１．０」以上の主成分を「因子」として選択して、因子数が決定される。
主成分分析処理で算出した固有値と累積寄与率について、固有値が「１以上」若しくは累積寄与率が「８０％を超える」を目安として主成分を選択する。ここで、選択された主成分の数が決定される。
図４に、主成分を選択する場合を示す。図４は、因子数決定を示す図である。図４に示すように、主成分の固有値を算出して大きい順に並び替え、固有値が「１．０」以上の主成分を「因子」として選択して、因子数が決定される。
（主成分得点算出処理）
因子の数が決定すると、決定した因子（例えば、因子１〜因子６）について、主成分得点（因子得点）を算出する。
因子の数が決定すると、決定した因子（例えば、因子１〜因子６）について、主成分得点（因子得点）を算出する。
（主成分負荷量行列作成処理：図５）
主成分得点算出処理において算出した因子の主成分得点と元の変数との相関を演算し、相関係数を主成分負荷量とし、その行列を主成分負荷量行列として生成する。
第１主成分の主成分負荷量は、以下の式（６）で算出される。第２主成分以降も同様に主成分負荷量が算出される。
主成分得点算出処理において算出した因子の主成分得点と元の変数との相関を演算し、相関係数を主成分負荷量とし、その行列を主成分負荷量行列として生成する。
第１主成分の主成分負荷量は、以下の式（６）で算出される。第２主成分以降も同様に主成分負荷量が算出される。
ここで、主成分負荷量行列について図５を参照しながら説明する。図５は、主成分負荷量行列を示す図である。
図５に示すように、決定した主成分の因子（因子１〜因子６）の主成分得点と元の変数との相関を演算して、行列として作成したものである。
図５に示すように、決定した主成分の因子（因子１〜因子６）の主成分得点と元の変数との相関を演算して、行列として作成したものである。
そして、因子１〜６について、図５の主成分負荷量行列を参考にして、主成分の特性から因子解釈表が作成される。つまり、因子番号に対する定義付けである。因子解釈表については、レポート生成処理で図１７を用いて具体的に説明する。
［３（３）クラスター分析処理］
次に、クラスター分析処理を行う。
具体的には、最初に階層クラスター分析処理を行い、収束しない場合又は時間が掛かりすぎる場合に、非階層クラスター分析処理を行うことになる。
クラスター分析では、指定したクラスターに分類するために、２つのステップが反復して計算される。まず、クラスターのシードと呼ばれるｎ個の点が選択される。シードは、クラスター平均の最初の推定値である。
次に、クラスター分析処理を行う。
具体的には、最初に階層クラスター分析処理を行い、収束しない場合又は時間が掛かりすぎる場合に、非階層クラスター分析処理を行うことになる。
クラスター分析では、指定したクラスターに分類するために、２つのステップが反復して計算される。まず、クラスターのシードと呼ばれるｎ個の点が選択される。シードは、クラスター平均の最初の推定値である。
そして、各測定値が最も近くにあるシードに割り当てられて一時的なクラスターを形成する。次に、シードが新しいクラスター平均に代えられ、その平均に点が再び割り当てられる。この過程が繰り返され、最後にクラスター内に変化が生じない状態になり、クラスター分析が完了する。
階層クラスター分析において階層構造を決めるためのクラスター間の距離を計算する方法には、群平均法、重心法、Ｗａｒｄ法、最短距離法、最長距離法等がある。
本システムでは、いずれの方法を用いても構わないが、Ｗａｒｄ法を用いている。
本システムでは、いずれの方法を用いても構わないが、Ｗａｒｄ法を用いている。
Ｗａｒｄ法は、２つのクラスター間の距離は、そのクラスター間のＡＮＯＶＡ平方和をすべての変数について合計したものとして計算される。クラスター内の平方和が最小化されるように、クラスターを併合していく。
Ｗａｒｄ法では、各階層の結合において、多変量の正規混合分布の、球面性の共分散行列、等しい抽出確率の仮定のもとで尤度が最大になるようにクラスターを結合する。
Ｗａｒｄ法では、各階層の結合において、多変量の正規混合分布の、球面性の共分散行列、等しい抽出確率の仮定のもとで尤度が最大になるようにクラスターを結合する。
（階層／非階層クラスター分析処理：図６〜８）
次に、階層／非階層クラスター分析処理について図６〜８を参照しながら説明する。図６は、店舗と因子の関係表を示す図であり、図７は、クラスター分析（小分類）の表を示す図であり、図８は、クラスター分析（中分類）の表を示す図である。
次に、階層／非階層クラスター分析処理について図６〜８を参照しながら説明する。図６は、店舗と因子の関係表を示す図であり、図７は、クラスター分析（小分類）の表を示す図であり、図８は、クラスター分析（中分類）の表を示す図である。
（店舗と因子の関係表：図６）
まず、図６に示すように、店舗毎に、例えば、因子１〜３の因子得点を算出して関係表を生成する。生成された関係表は、因子解釈表を参照することで、店舗毎の特性を把握可能とすることができる。店舗毎の因子特性は、後述する図１８の分析グラフで把握可能となる。
まず、図６に示すように、店舗毎に、例えば、因子１〜３の因子得点を算出して関係表を生成する。生成された関係表は、因子解釈表を参照することで、店舗毎の特性を把握可能とすることができる。店舗毎の因子特性は、後述する図１８の分析グラフで把握可能となる。
（クラスター分析（小分類）の表：図７）
次に、店舗毎の因子１〜３における因子得点の状況からクラスター分析処理を行い、店舗毎に因子１〜３を用いて距離を計算し、算出した距離に基づいて、図７に示すように、店舗毎にクラスターを特定し、クラスター番号（小分類のクラスター番号）を付与して、クラスター分析（小分類）の表を生成する。
次に、店舗毎の因子１〜３における因子得点の状況からクラスター分析処理を行い、店舗毎に因子１〜３を用いて距離を計算し、算出した距離に基づいて、図７に示すように、店舗毎にクラスターを特定し、クラスター番号（小分類のクラスター番号）を付与して、クラスター分析（小分類）の表を生成する。
（クラスター分析（中分類）の表：図８）
そして、クラスター番号毎に因子毎に因子得点の平均を算出し、図８に示すように、クラスター番号毎に因子１〜３の因子得点の平均値を設定し、更にクラスター分析処理を行い、小分類のクラスター番号毎に因子１〜３の因子得点の平均値を用いて距離を計算し、算出した距離に基づいて小分類のクラスター毎に中分類のクラスターを特定し、クラスター番号（中分類のクラスター番号）を付与して、クラスター分析（中分類）の表を生成する。
そして、クラスター番号毎に因子毎に因子得点の平均を算出し、図８に示すように、クラスター番号毎に因子１〜３の因子得点の平均値を設定し、更にクラスター分析処理を行い、小分類のクラスター番号毎に因子１〜３の因子得点の平均値を用いて距離を計算し、算出した距離に基づいて小分類のクラスター毎に中分類のクラスターを特定し、クラスター番号（中分類のクラスター番号）を付与して、クラスター分析（中分類）の表を生成する。
クラスター分析で中分類を作成する方法は、上記クラスター番号毎に因子得点の平均値を求めて更にクラスター分析を行う方法と、後述する樹形図から判断して中分類数を決める方法がある。
尚、図８には平均値を設定すると記載したが、実際は、因子毎に集計された平均値に対してプラスマイナスの値（平均値に対する±を数値化したもの）を設定する。
尚、図８には平均値を設定すると記載したが、実際は、因子毎に集計された平均値に対してプラスマイナスの値（平均値に対する±を数値化したもの）を設定する。
尚、小分類及び中分類とした場合、それぞれの段階で必ずクラスターの解釈を行い、分類数の適正を判定している。
また、上述のクラスター分析処理は、因子だけを使ってクラスター分析を行ったが、ここで変数を使ってクラスター分析を行うようにしてもよい。
このようにして、階層クラスター分析では、クラスター数を収束する。
また、上述のクラスター分析処理は、因子だけを使ってクラスター分析を行ったが、ここで変数を使ってクラスター分析を行うようにしてもよい。
このようにして、階層クラスター分析では、クラスター数を収束する。
（階層クラスター分析の樹形図：図９）
次に、階層クラスター分析の樹形図について図９を参照しながら説明する。図９は、階層クラスター分析における樹形図である。
図９に示したクラスター（ＣＬ）数「７３ＣＬ」は、店舗数そのものではあるが、分析手法は主因子法を採用し、回転は直交回転を用い、因子数６に対して、クラスター（ＣＬ）数を決定し、樹形図として配置される。また、クラスター数を収束して「５０ＣＬ」としてもよい。
樹形図は、上述したクラスター間の距離を求める計算方法によって算出された距離の値に基づいて生成される。
次に、階層クラスター分析の樹形図について図９を参照しながら説明する。図９は、階層クラスター分析における樹形図である。
図９に示したクラスター（ＣＬ）数「７３ＣＬ」は、店舗数そのものではあるが、分析手法は主因子法を採用し、回転は直交回転を用い、因子数６に対して、クラスター（ＣＬ）数を決定し、樹形図として配置される。また、クラスター数を収束して「５０ＣＬ」としてもよい。
樹形図は、上述したクラスター間の距離を求める計算方法によって算出された距離の値に基づいて生成される。
（クラスター数決定処理）
そして、クラスターの結合化により、クラスター組み替えを行い、クラスター数を決定する。
そして、クラスターの結合化により、クラスター組み替えを行い、クラスター数を決定する。
（ＣＬ別の変数平均表作成処理：図１０）
ＣＬ別の変数平均表の作成処理について図１０を参照しながら説明する。図１０は、ＣＬ別の変数平均表を示す図である。
図１０では、クラスター毎に店舗元データで用いた変数について、例えば、Ｚスコアで得点を算出し、平均表を生成する。
ＣＬ別の変数平均表の作成処理について図１０を参照しながら説明する。図１０は、ＣＬ別の変数平均表を示す図である。
図１０では、クラスター毎に店舗元データで用いた変数について、例えば、Ｚスコアで得点を算出し、平均表を生成する。
（ＣＬ別特定変数平均表：図１１）
また、図１０を基にして、特定変数を抜き出し、図１１に示すように、クラスター毎に変数の平均表を生成することもできる。図１１は、ＣＬ別特定変数平均表を示す図である。
図１１に示すように、「食品売上構成比」「衣類売上構成比」「雑貨売上構成比」「其他売上構成比」の変数を抜き出して、クラスター毎に平均値を表にしている。これにより、クラスター毎の商品の比率を把握でき、品揃え方針を決めることができ、更に、複数店舗を管理する企業ではどのクラスターの店舗を取捨選択するかをも決定できる。
また、図１０を基にして、特定変数を抜き出し、図１１に示すように、クラスター毎に変数の平均表を生成することもできる。図１１は、ＣＬ別特定変数平均表を示す図である。
図１１に示すように、「食品売上構成比」「衣類売上構成比」「雑貨売上構成比」「其他売上構成比」の変数を抜き出して、クラスター毎に平均値を表にしている。これにより、クラスター毎の商品の比率を把握でき、品揃え方針を決めることができ、更に、複数店舗を管理する企業ではどのクラスターの店舗を取捨選択するかをも決定できる。
（ＣＬ別特定変数ｉｎｄｅｘ：図１２）
図１１で抜き出した変数をクラスター毎にインデックス（ｉｎｄｅｘ）で表したのが図１２である。図１２は、ＣＬ別特定変数ｉｎｄｅｘを示す図である。図１２のＣＬ別特定変数ｉｎｄｅｘは、０〜１００の範囲で指数にし、見やすい形にしたものである。
図１１で抜き出した変数をクラスター毎にインデックス（ｉｎｄｅｘ）で表したのが図１２である。図１２は、ＣＬ別特定変数ｉｎｄｅｘを示す図である。図１２のＣＬ別特定変数ｉｎｄｅｘは、０〜１００の範囲で指数にし、見やすい形にしたものである。
（ＣＬ別特定変数Ｚスコア表：図１３）
図１１で抜き出した変数について、図１３に示すように、クラスター毎にＺスコアの得点による表を生成する。図１３は、ＣＬ別特定変数Ｚスコア表を示す図である。図１３のＣＬ別特定変数Ｚスコア表は、ゼロを平均に±の数値化したもので、見やすい形にしたものである。
図１１で抜き出した変数について、図１３に示すように、クラスター毎にＺスコアの得点による表を生成する。図１３は、ＣＬ別特定変数Ｚスコア表を示す図である。図１３のＣＬ別特定変数Ｚスコア表は、ゼロを平均に±の数値化したもので、見やすい形にしたものである。
（ＣＬ別特定変数Ｚスコアグラフ：図１４）
更に、図１３をグラフにしたのが図１４である。図１４は、ＣＬ別特定変数Ｚスコアグラフを示す図である。図１４のグラフにすることでクラスター別の特定変数に対する状況を容易に認識できる。
更に、図１３をグラフにしたのが図１４である。図１４は、ＣＬ別特定変数Ｚスコアグラフを示す図である。図１４のグラフにすることでクラスター別の特定変数に対する状況を容易に認識できる。
［３（４）レポート生成処理］
上記クラスター分析処理に基づいて、基本的なレポートとして、地図を表示し、地図上にクラスター毎に色分けされた店舗を表示してレポートを生成する。これにより、地図上で店舗がどのようなクラスターの分布になっているのかを容易に認識できる効果がある。
上記クラスター分析処理に基づいて、基本的なレポートとして、地図を表示し、地図上にクラスター毎に色分けされた店舗を表示してレポートを生成する。これにより、地図上で店舗がどのようなクラスターの分布になっているのかを容易に認識できる効果がある。
（ポートフォリオ：図１５）
また、上記クラスター分析処理に基づいて、変数を用いてポートフォリオのレポートを生成する。例えば、「月平均売上高」と「売場面積」の関係について、店舗がどのような分布になっているのかをクラスター毎に表示したのが図１５である。図１５は、ポートフォリオの例を示す図である。図１５のポートフォリオを基に、店舗が属するクラスターにおける状況を把握することができ、店舗の改善を促すことができる。
尚、図１５においても、店舗がクラスター毎に色分け表示されるようにしてもよい。
また、上記クラスター分析処理に基づいて、変数を用いてポートフォリオのレポートを生成する。例えば、「月平均売上高」と「売場面積」の関係について、店舗がどのような分布になっているのかをクラスター毎に表示したのが図１５である。図１５は、ポートフォリオの例を示す図である。図１５のポートフォリオを基に、店舗が属するクラスターにおける状況を把握することができ、店舗の改善を促すことができる。
尚、図１５においても、店舗がクラスター毎に色分け表示されるようにしてもよい。
（散布図：図１６）
図１５では、具体的な変数を用いた表示であったが、例えば、「主成分１」と「主成分２」の関係において、店舗のクラスター毎の散布状態を表示したのが図１６である。図１６は、主成分の散布図である。図１６では、「主成分１」と「主成分２」で分析対象の店舗をクラスター毎の傾向を把握することができる。
図１５では、具体的な変数を用いた表示であったが、例えば、「主成分１」と「主成分２」の関係において、店舗のクラスター毎の散布状態を表示したのが図１６である。図１６は、主成分の散布図である。図１６では、「主成分１」と「主成分２」で分析対象の店舗をクラスター毎の傾向を把握することができる。
（因子解釈表：図１７）
次に、因子解釈表の例について図１７を参照しながら説明する。図１７は、因子解釈表の例を示す図である。
図１７の例では、９つの因子について、因子Ｎｏ．１には因子名「ニューファミリー性（都心・近郊）」が、因子Ｎｏ．２には因子名「マイホーム核家族性」が、因子Ｎｏ．３には因子名「三世代大家族性」が、因子Ｎｏ．４には因子名「高齢者農村性」が、因子Ｎｏ．５には「ニューファミリー性（都心・郊外）」が、因子Ｎｏ．６には因子名「製造業性」が、因子Ｎｏ．７には因子名「郊外ファミリー性」が、因子Ｎｏ．８には因子名「社宅居住性」が、因子Ｎｏ．９には因子名「公団居住性」が付与され、各々細かく「特徴」が定義付けられている。
次に、因子解釈表の例について図１７を参照しながら説明する。図１７は、因子解釈表の例を示す図である。
図１７の例では、９つの因子について、因子Ｎｏ．１には因子名「ニューファミリー性（都心・近郊）」が、因子Ｎｏ．２には因子名「マイホーム核家族性」が、因子Ｎｏ．３には因子名「三世代大家族性」が、因子Ｎｏ．４には因子名「高齢者農村性」が、因子Ｎｏ．５には「ニューファミリー性（都心・郊外）」が、因子Ｎｏ．６には因子名「製造業性」が、因子Ｎｏ．７には因子名「郊外ファミリー性」が、因子Ｎｏ．８には因子名「社宅居住性」が、因子Ｎｏ．９には因子名「公団居住性」が付与され、各々細かく「特徴」が定義付けられている。
（因子特性を示す分析グラフ：図１８）
また、図６に示した主成分分析の表から図１８に示す因子特性を分析グラフで表示し、レポートにすることもできる。図１８は、因子特性を示す分析グラフを示す図である。
レポートの例として、図１７に示した因子解釈表の各因子について、主成分分析された全ての店舗について因子毎の合計値（合計得点）を算出して、平均値（平均得点）を因子毎に演算し、更にその因子毎の平均値に対して抽出された個々の店舗Ａ、店舗Ｂ、店舗Ｃ、店舗Ｈの各因子の値（因子得点）の差分（±値）を算出し、因子名を配した多角形グラフ（スパイダーチャート）に各店舗の差分を描画することで、各店舗の特性を表示し、店舗間の因子特性を把握することができる。
また、図６に示した主成分分析の表から図１８に示す因子特性を分析グラフで表示し、レポートにすることもできる。図１８は、因子特性を示す分析グラフを示す図である。
レポートの例として、図１７に示した因子解釈表の各因子について、主成分分析された全ての店舗について因子毎の合計値（合計得点）を算出して、平均値（平均得点）を因子毎に演算し、更にその因子毎の平均値に対して抽出された個々の店舗Ａ、店舗Ｂ、店舗Ｃ、店舗Ｈの各因子の値（因子得点）の差分（±値）を算出し、因子名を配した多角形グラフ（スパイダーチャート）に各店舗の差分を描画することで、各店舗の特性を表示し、店舗間の因子特性を把握することができる。
（クイックレポートの例：図１９）
主成分分析され、クラスター分析された店舗Ａ〜Ｚについて、上述のようにレポートを生成することも可能であるが、分析された店舗Ａ〜Ｚを基に判別モデルを生成し、例えば、新規店舗の諸条件を入力設定すると、各クラスターに該当するパーセンテージ（確率）を算出させることが可能である。これを「クイックレポート」と称している。クイックレポートの表示例を図１９に示す。図１９は、クイックレポートの表示例を示す図である。
主成分分析され、クラスター分析された店舗Ａ〜Ｚについて、上述のようにレポートを生成することも可能であるが、分析された店舗Ａ〜Ｚを基に判別モデルを生成し、例えば、新規店舗の諸条件を入力設定すると、各クラスターに該当するパーセンテージ（確率）を算出させることが可能である。これを「クイックレポート」と称している。クイックレポートの表示例を図１９に示す。図１９は、クイックレポートの表示例を示す図である。
図１９に示すように、項目として分析に用いられた変数が設定され、その項目に新規店舗の数値を入力設定し、判別モデルを基にした演算を実行すると、クラスターに該当する割合を算出し、その割合が高い順にクラスター番号を表示する。
図１９の例では、該当するクラスターの１位が「ＣＬ００３」で、２位が「ＣＬ００１」で、３位が「ＣＬ００４」で、４位が「ＣＬ００５」が表示されている。
図１９の例では、該当するクラスターの１位が「ＣＬ００３」で、２位が「ＣＬ００１」で、３位が「ＣＬ００４」で、４位が「ＣＬ００５」が表示されている。
ここで、判別モデルを用いて該当する割合（確率）を算出するのに正準判別分析を用い、各正準変量によってどの程度判別されるかを表す指標としては、その正準変量を用いたときの群間平方和と群内平方和の比、または相関比を用いる。正準判別分析については、非特許文献１に記載されている。判別される確率については、非特許文献１の式（７．１３）又は式（７．１４）を用いる。
このクイックレポートにより、判別モデルに基づいて新規店舗のクラスターを判別でき、当該クラスターに合わせた店舗展開が可能となる。
このクイックレポートにより、判別モデルに基づいて新規店舗のクラスターを判別でき、当該クラスターに合わせた店舗展開が可能となる。
［４．実施の形態の効果］
本システムによれば、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数とし、正規化して変数間相関表を作成し、変数を確定する変数決定処理を行い、主成分分析して主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理を行い、クラスター分析してクラスター別の因子毎に平均得点表を生成するクラスター分析処理を行い、更に店舗特性のレポートを生成するものであり、店舗特性についてプロファイリングデータを利用して得点化し、店舗特性をレポートできる効果がある。
本システムによれば、特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数とし、正規化して変数間相関表を作成し、変数を確定する変数決定処理を行い、主成分分析して主成分から因子を特定し、因子の主成分得点を算出し、変数と主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理を行い、クラスター分析してクラスター別の因子毎に平均得点表を生成するクラスター分析処理を行い、更に店舗特性のレポートを生成するものであり、店舗特性についてプロファイリングデータを利用して得点化し、店舗特性をレポートできる効果がある。
本発明は、複数の店舗について複数のプロファイリングデータを利用して主成分分析し、更に店舗のクラスター分析を行って、店舗特性のレポートを生成して店舗特性を容易に把握できる店舗プロファイリングシステムに好適である。
１１...制御部、 １２...記憶部、 １３...インタフェース部、 １４...表示部、 １５...入力部
Claims (13)
- 店舗特性を分析するプロファイリングシステムであって、
コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、
特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、
前記確定された変数について主成分分析処理を行い、主成分から因子を特定し、前記因子の主成分得点を算出し、前記変数と前記主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、
前記因子でクラスター分析を行い、クラスター別の因子毎に平均値を演算して、クラスター別の因子毎に平均表を生成するクラスター分析処理手段と、
前記平均表を基に、前記特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段とを有することを特徴とするプロファイリングシステム。 - 店舗特性を分析するプロファイリングシステムであって、
コンピュータの記憶部に複数の店舗に関するデータと統計データを記憶し、制御部がプログラムを動作させて実行する処理手段として、
特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、
前記確定された変数について主成分分析処理を行い、主成分から因子を特定し、前記因子の主成分得点を算出し、前記変数と前記主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、
前記因子でクラスター分析を行い、前記因子を用いて小分類のクラスター間の距離を計算して小分類のクラスター分析の表を生成し、前記小分類のクラスター別の因子毎に平均値を演算して、当該平均値を用いて中分類のクラスター間の距離を計算して、当該計算された距離の値に応じてクラスターをグループ化して分類し、前記計算された距離に基づいてグループの結合を行ってクラスター組み替えの適正化を行って、中分類のクラスター別の平均表を生成するクラスター分析処理手段と、
前記平均表を基に、前記特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段とを有することを特徴とするプロファイリングシステム。 - レポート生成処理手段が、クラスター分析処理手段で生成された平均表を基に、店舗特性をクラスター毎に因子名と平均値で表示する店舗特性のレポートを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- レポート生成処理手段が、クラスター分析処理手段で生成された平均表を基に、特定エリアについて、表示された地図上に前記特定エリア内で複数の店舗をクラスター毎に色分け表示する店舗特性のレポートを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- 主成分分析処理手段が、主成分分析における固有値と累積寄与率によって主成分から因子を特定することを特徴とする請求項１乃至４のいずれか記載のプロファイリングシステム。
- クラスター分析処理手段が、因子に加えて変数でクラスター分析を行うことを特徴とする請求項１乃至５のいずれか記載のプロファイリングシステム。
- クラスター分析処理手段が、クラスター毎に複数の変数の平均値を表示する店舗特性のレポートを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- レポート生成処理手段が、複数の変数を用いて店舗をクラスター毎に色分け表示するポートフォリオを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- レポート生成処理手段が、複数の主成分を用いて店舗をクラスター毎に色分け表示する散布図を生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- レポート生成処理手段が、主成分分析の結果から因子毎の平均値を演算し、当該平均値と抽出された店舗の因子の値との差分を算出し、前記複数の因子名を配したスパイダーチャートに前記店舗の差分を描画した分析グラフを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。
- ）
レポート生成処理手段が、主成分分析、クラスター分析の結果から正準判別分析を用いて判別モデルを生成し、当該判別モデルを用いて新規店舗のデータが入力設定されると、前記新規店舗が各クラスターに該当する確率を演算して表示するクイックレポートを生成することを特徴とする請求項１又は２記載のプロファイリングシステム。 - 店舗特性を分析するプロファイリングシステムで使用されるコンピュータプログラムであって、
コンピュータを、
特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、
前記確定された変数について主成分分析処理を行い、主成分から因子を特定し、前記因子の主成分得点を算出し、前記変数と前記主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、
前記因子でクラスター分析を行い、クラスター別の因子毎に平均値を演算して、クラスター別の因子毎に平均表を生成するクラスター分析処理手段と、
前記平均表を基に、前記特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段として機能させることを特徴とするプログラム。 - 店舗特性を分析するプロファイリングシステムで使用されるコンピュータプログラムであって、
コンピュータを、
特定エリア内の複数の店舗について複数の店舗に関するデータと統計データを変数として変数間相関表を作成し、変数を確定する変数決定処理手段と、
前記確定された変数について主成分分析処理を行い、主成分から因子を特定し、前記因子の主成分得点を算出し、前記変数と前記主成分得点との相関を演算し、相関係数を主成分負荷量とする主成分負荷量行列を生成する主成分分析処理手段と、
前記因子でクラスター分析を行い、前記因子を用いて小分類のクラスター間の距離を計算して小分類のクラスター分析の表を生成し、前記小分類のクラスター別の因子毎に平均値を演算して、当該平均値を用いて中分類のクラスター間の距離を計算して、当該計算された距離の値に応じてクラスターをグループ化して分類し、前記計算された距離に基づいてグループの結合を行ってクラスター組み替えの適正化を行って、中分類のクラスター別の平均表を生成するクラスター分析処理手段と、
前記平均表を基に、前記特定エリアにおける店舗特性のレポートを生成するレポート生成処理手段として機能させることを特徴とするプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011163492A JP5536725B2 (ja) | 2011-07-26 | 2011-07-26 | 店舗プロファイリングシステム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011163492A JP5536725B2 (ja) | 2011-07-26 | 2011-07-26 | 店舗プロファイリングシステム |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2013029883A JP2013029883A (ja) | 2013-02-07 |
| JP2013029883A5 JP2013029883A5 (ja) | 2014-04-17 |
| JP5536725B2 true JP5536725B2 (ja) | 2014-07-02 |
Family
ID=47786899
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2011163492A Expired - Fee Related JP5536725B2 (ja) | 2011-07-26 | 2011-07-26 | 店舗プロファイリングシステム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5536725B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2805938B2 (ja) | 1989-12-29 | 1998-09-30 | 東レ株式会社 | ポリウレタン・ポリアミド偏心複合繊維およびその製造方法 |
| JP2870909B2 (ja) | 1989-12-29 | 1999-03-17 | 東レ株式会社 | ポリウレタン・ポリアミド系複合繊維の製造方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6506572B2 (ja) * | 2015-03-09 | 2019-04-24 | Kddi株式会社 | 商圏に応じて店舗の期待成約人数を推定するプログラム、装置及び方法 |
| US20220222686A1 (en) * | 2019-05-21 | 2022-07-14 | Nippon Telegraph And Telephone Corporation | Analysis apparatus, analysis system, analysis method and program |
| CN110796350A (zh) * | 2019-10-16 | 2020-02-14 | 贵州中烟工业有限责任公司 | 一种基于多元统计的打叶复烤加工质量综合评价方法 |
| CN111582931B (zh) * | 2020-05-06 | 2023-11-21 | 浪潮软件股份有限公司 | 一种基于主成分分析的卷烟市场饱和度评价方法及系统 |
| CN115456679A (zh) * | 2022-09-19 | 2022-12-09 | 浪潮卓数大数据产业发展有限公司 | 一种网络零售店铺指标体系的分析方法、装置及介质 |
| JP7305229B1 (ja) | 2022-11-16 | 2023-07-10 | 株式会社mov | 情報処理システム |
| CN116485030A (zh) * | 2023-04-28 | 2023-07-25 | 广州商研网络科技有限公司 | 商品召回源优化方法、装置、设备及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002140490A (ja) * | 2000-11-02 | 2002-05-17 | Information Services International Dentsu Ltd | マーケティング情報の分析方法、情報処理装置、および媒体 |
| JP3809790B2 (ja) * | 2000-12-28 | 2006-08-16 | 富士電機リテイルシステムズ株式会社 | 自販機の商品構成調整支援システム、その方法、及び記録媒体 |
| JP2005107103A (ja) * | 2003-09-30 | 2005-04-21 | Giken Shoji International Co Ltd | 地図情報システム |
| JP2008052471A (ja) * | 2006-08-24 | 2008-03-06 | Dainippon Printing Co Ltd | 広告効果検証システムおよび広告効果検証用配布物 |
| JP4897713B2 (ja) * | 2008-01-16 | 2012-03-14 | 株式会社野村総合研究所 | 販売情報分析装置 |
| JP5384281B2 (ja) * | 2008-10-07 | 2014-01-08 | 技研商事インターナショナル株式会社 | Ｄｍ配布エリア分析装置 |
-
2011
- 2011-07-26 JP JP2011163492A patent/JP5536725B2/ja not_active Expired - Fee Related
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2805938B2 (ja) | 1989-12-29 | 1998-09-30 | 東レ株式会社 | ポリウレタン・ポリアミド偏心複合繊維およびその製造方法 |
| JP2870909B2 (ja) | 1989-12-29 | 1999-03-17 | 東レ株式会社 | ポリウレタン・ポリアミド系複合繊維の製造方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2013029883A (ja) | 2013-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5536725B2 (ja) | 店舗プロファイリングシステム | |
| Şchiopu | Applying TwoStep cluster analysis for identifying bank customers' profile | |
| JP6009864B2 (ja) | 企業評価システム、企業評価方法及び企業評価プログラム | |
| Schenk et al. | Agent-based simulation of consumer behavior in grocery shopping on a regional level | |
| Kosareva et al. | Personnel ranking and selection problem solution by application of KEMIRA method | |
| JP5284548B2 (ja) | 地域特性を利用したプロファイリングシステム | |
| AU2017201206B2 (en) | Parameter set determination for clustering of datasets | |
| JP2009205365A (ja) | 商品の在庫管理および販売の最適化システム、その最適化方法、及びその最適化プログラム | |
| CN107895299B (zh) | 一种商品的曝光排序方法和装置 | |
| JP2002169613A (ja) | 電力ロードカーブの分析方法およびシステム | |
| JP2013029883A5 (ja) | ||
| JPWO2017037768A1 (ja) | 評価システム、評価方法およびデータ解析システム | |
| JPWO2016136147A1 (ja) | グルーピングシステムおよび推薦商品決定システム | |
| Galińska | Multiple criteria evaluation of global transportation systems-analysis of case study | |
| JP2013191099A (ja) | 選択プログラム、選択方法及び選択装置 | |
| di Organisasi Perkhidmatan | Re-examining organizational life cycles criteria: An analysis of service organisations in growth and maturity stages | |
| Savitri et al. | Design of Real-Time Project Monitoring Dashboard Using Kimball’s Data Warehouse Approach and Google Data Studio | |
| Zeynali et al. | A hybrid fuzzy multiple criteria decision making (MCDM) approach to combination of materials selection | |
| JP2014106910A (ja) | クラスタリングプログラム、クラスタリング方法、およびクラスタリング装置 | |
| Rezaei et al. | A heuristic method for choosing'virtual best'DMUs to enhance the discrimination power of the augmented DEA model | |
| Ismail et al. | Design activities and the difference level of sales and profits performance of the batik SMEs in Malaysia | |
| Li et al. | iMiner: mining inventory data for intelligent management | |
| Long et al. | A rough set based approach to knowledge acquisition for product service system configuration | |
| Wolny et al. | Forecasting demand for products in distribution networks using R software | |
| Sun et al. | A self-adaptive parameter control method based on entropy and security market line for scheduling problems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140228 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140228 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20140228 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20140319 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140422 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140424 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5536725 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |