JP5603678B2 - 需要予測装置及び需要予測方法 - Google Patents

需要予測装置及び需要予測方法 Download PDF

Info

Publication number
JP5603678B2
JP5603678B2 JP2010149340A JP2010149340A JP5603678B2 JP 5603678 B2 JP5603678 B2 JP 5603678B2 JP 2010149340 A JP2010149340 A JP 2010149340A JP 2010149340 A JP2010149340 A JP 2010149340A JP 5603678 B2 JP5603678 B2 JP 5603678B2
Authority
JP
Japan
Prior art keywords
matrix
prediction
demand
data
user
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
Application number
JP2010149340A
Other languages
English (en)
Other versions
JP2012014352A (ja
Inventor
高康 山口
晃 金野
和計 秋永
雄大 中山
稔 栄藤
淳 村瀬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to JP2010149340A priority Critical patent/JP5603678B2/ja
Publication of JP2012014352A publication Critical patent/JP2012014352A/ja
Application granted granted Critical
Publication of JP5603678B2 publication Critical patent/JP5603678B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、商品の需要を予測する需要予測装置及び需要予測方法に関する。
従来から、情報通信サービス等のサービスや商品の将来の需要や収益の予測や需要促進を行うことが行われている。
例えば、特許文献1には、提供されるサービスや商品の多様化、顧客の意識や要求の多様化等を考慮し、複数のシナリオに基づく需要や収益の予測を可能にする技術が記載されている。具体的には、ユーザ、サービス、環境に関する属性を用いてユーザ行動をモデル化し、ユーザ行動の予測を行って需要を予測する。ユーザ属性は、個人のデモグラヒック的な情報である性別や年齢等の個人的な属性の値である。サービス属性は、利用料金やオプションサービス等のユーザの選択によるサービス的な属性の値である。環境属性は、ユーザが住んでいる地域や住居の建て方、サービス提供地域等の環境的な属性の値である。
しかし、特許文献1においてユーザ属性、サービス属性、環境属性といった観測可能な変数(顕在変数)だけでユーザ行動をモデル化していることについて、特許文献2では精度の面で不十分であるという指摘がなされている。特許文献2においては、顕在変数に加えて、ユーザのサービスに対する認知度や理解度といった直接観測できない変数(潜在変数)を取り入れて、精度よくユーザ行動をモデル化し、ユーザ行動の予測を行って需要を予測する技術が記載されている。
特許文献3では、市場投入前や初期的な段階等において、ユーザと商品との間の作用が変わってしまう例を挙げて、潜在変数を用いたユーザ行動のモデル化の問題点を指摘している。特許文献3に記載された装置は、商品又は商品カテゴリのユーザの利用活動を利用時間によって数値化し、利用活動の経時的変化をサンプルの属性(商品名、ユーザの年齢、性別、職業等)と共に表示し、市場の性質や将来の価格弾力性的傾向(価格変動が大きいか小さいか)を予測するための客観的な指標を提供する。
特許文献4では、似た潜在変数を持つユーザに対してリコメンドを行う装置が記載されている。リコメンドで主に用いられている強調フィルタリングの技術は、多数のユーザの履歴情報に基づいてユーザ間の相関を算出して、相関が高い一方のユーザの履歴情報から他方のユーザにリコメンドするアイテムを選択する。
また、特許文献5及び特許文献6は、潜在変数に関する文献である。特許文献5では、ユーザが情報検索に入力した検索キーワードの履歴情報に基づいて、ユーザを分類(潜在変数の値を算出)する方法が述べられている。特許文献6では、次元圧縮の前処理を行うことで、潜在変数の値を高速に算出する方法が述べられている。
特開2002−259672号公報 特開2005−352728号公報 特開2007−004543号公報 特開2007−102407号公報 特開2009−043125号公報 特開2007−272291号公報
しかしながら、上記の特許文献に記載された方法、例えば、潜在変数を取り入れて将来の需要や収益の予測を行うものであっても、時間の経過に従ってユーザの興味や行動がどのように変化していくかを適切に考慮されていない。通常、サービスや商品は時間の経過と共に次々と生み出されているので、ユーザの興味や行動等の経時変化を考慮しなければ、精度が高い予測を行うことはできない。
本発明は、上記を鑑みてなされたものであり、精度が高い商品の需要予測を行うことができる需要予測装置及び需要予測方法を提供することを目的とする。
上記目的を達成するために、本発明に係る需要予測装置は、商品の需要を予測する需要予測装置であって、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段と、予測用データ入力手段によって入力された行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段と、分析軸生成手段によって生成された分析軸を用いて、予測用データ入力手段によって入力された複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成手段と、変換後行列生成手段によって生成された、時点の経過前後それぞれの行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類手段と、グループ分類手段による分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出手段と、遷移状態算出手段によって算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測手段と、予測手段による予測を示す情報を出力する予測結果出力手段と、を備えることを特徴とする。
なお、ここでいう商品には、物理的に販売される物以外にも、サービスの提供等のものも含む。また、ここでいう需要予測には、直接需要を予測する以外にも、需要と深い関連性を有する予測、例えば、商品による収益の予測等も含む。
本発明に係る需要予測装置では、商品の需要を予測するための行列データから連続する複数の時点の行列データが合算されて、当該合算された行列データが用いられて行列変換が行われて分析軸が生成される。この分析軸が用いられて、複数の時点の少なくとも何れかの行列データの行列変換が行われる。この行列変換後の行列データから、ユーザのグループ間の遷移状態が算出されて、需要の予測が行われる。上記のように行列データの項目の数が行列変換によって圧縮されているので、ユーザを特徴的に扱うことができる。また、一つの固定的な分析軸に基づいて、時点の経過によるユーザの遷移状態を算出しているので、ユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができる。従って、本発明に係る需要予測装置によれば、精度が高い需要予測を行うことができる。
予測用データ入力手段は、項目として、時点でのユーザの商品の利用状態を示す数値を少なくとも含む行列データを入力することが望ましい。この構成によれば、各時点のユーザの商品の利用状態に基づいて、適切な需要予測を行うことができる。
予測用データ入力手段は、項目として、時点でのユーザの属性を示す数値を少なくとも含む行列データを入力することが望ましい。この構成によれば、ユーザの年齢や性別等に応じた、適切な需要予測を行うことができる。
分析軸生成手段は、所定の時間間隔の連続する時点の行列データから、分析軸を生成することが望ましい。この構成によれば、例えば、需要予測を長期にわたって定期的に行う場合等にも、精度が高い需要予測を行うことができる。
予測手段は、変換後行列生成手段によって生成された行列変換後の行列データ、及び遷移状態算出手段によって算出された遷移状態の少なくとも何れかに基づいて、ユーザのグループ間の遷移に関連する情報を抽出することが望ましい。この構成によれば、例えば、これらの情報を参照して需要を促進するための案を考案することができる。
ところで、本発明は、上記のように需要予測装置の発明として記述できる他に、以下のように需要予測方法の発明としても記述することができる。これはカテゴリが異なるだけで、実質的に同一の発明であり、同様の作用及び効果を奏する。
即ち、本発明に係る需要予測方法は、商品の需要を予測する需要予測装置による需要予測方法であって、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力ステップと、予測用データ入力ステップにおいて入力された行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成ステップと、分析軸生成ステップにおいて生成された分析軸を用いて、予測用データ入力ステップにおいて入力された複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成ステップと、変換後行列生成ステップにおいて生成された、時点の経過前後それぞれの行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類ステップと、グループ分類ステップにおける分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出ステップと、遷移状態算出ステップにおいて算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測ステップと、予測ステップにおける予測を示す情報を出力する予測結果出力ステップと、を含むことを特徴とする。
本発明によれば、ユーザを特徴的に扱うことができると共にユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができるため、精度が高い需要予測を行うことができる。
本発明の実施形態に係る需要予測装置の機能構成を示す図である。 本発明の実施形態において入力される行列データと需要予測の処理の過程で行われる行列データの行列変換とを示す図である。 本発明の実施形態において入力される行列データと算出されるデータとを時系列に示した図である。 ユーザのグループ遷移を模式的に示す図である。 ユーザのグループ遷移を示す行列の例である。 本実施形態において行列変換が行われた行列の例である。 本実施形態における需要予測の算出過程のデータの例である。 本実施形態における需要予測の結果を示すデータの例である。 ユーザのグループ遷移の別の例を模式的に示す図である。 ユーザのグループ遷移を示す行列の別の例である。 本実施形態において行列変換が行われた行列の別の例である。 本実施形態における需要予測の算出過程のデータの別の例である。 本実施形態における需要予測の結果を示すデータの別の例である。 本実施形態における遷移要因の算出過程のデータの例である。 本実施形態における遷移要因を示すデータの例である。 本発明の実施形態に係る需要予測装置のハードウェア構成を示す図である。 本発明の実施形態に係る需要予測装置により実行される処理(需要予測方法)を示すフローチャートである。
以下、図面と共に本発明に係る需要予測装置及び需要予測方法の好適な実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。
図1に本実施形態に係る需要予測装置10を示す。需要予測装置10は、商品を販売する事業者等に用いられ、商品の需要を予測する装置である。なお、ここでいう商品には、物理的に販売される物以外にも、サービスの提供等のものも含む。例えば、移動体通信を通信端末に提供するサービスや、移動体通信を介した情報サービス等の提供も含む。本実施形態では、移動体通信を介した情報サービスの提供の例を用いて説明する。また、ここでいう需要予測には、直接需要を予測する以外にも、需要と深い関連性を有する予測、例えば、商品による事業者等の収益の予測等も含む。需要予測装置10は、商品を利用する複数のユーザについての、商品の需要を予測するための予測用データを入力して、当該予測用データに対して後述する情報処理を行い、予測結果を示す情報を出力する。
引き続いて、需要予測装置10の機能の詳細について説明する。図1に示すように、予測用データ入力部11と、分析軸生成部12と、変換後行列生成部13と、グループ分類部14と、遷移状態算出部15と、予測部16と、予測結果出力部17とを備えて構成される。
予測用データ入力部11は、商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段である。予測用データとしてデータが用いられるユーザの数をNとして、商品の需要を予測するための項目をVとすると、予測用データ入力部11に入力される行列データは、例えば、図2に示す、N行×V列の行列X(顕在変数)となる。また、行列データは、例えば、1ヶ月単位のデータであり、月毎の行列Xが予測用データ入力部11に入力される。
行列Xに含まれる、ユーザ毎のデータの項目としては、その時点でのユーザの商品の利用状態を示す数値(ユーザの動的データ)である。具体的には例えば、パケット通信料、利用料金、オプションサービス加入、検索キーワード、アクセスログ等の情報であり、予め予測に用いることの承諾を取ったユーザに係るデータである。ここで、行列Xは数値で示されるデータであるので、数値で示されるデータ(例えば、パケット通信料、利用料金)以外は数値に変換される。例えば、オプションサービス加入に関するデータは、オプションサービス毎(オプションサービス毎の項目となる)に、そのユーザが加入していれば「1」、加入していなければ「0」とする。また、検索キーワードに関するデータは、検索キーワード毎(検索キーワード毎の項目となる)にそのユーザが(ユーザが所持する端末によって)検索した回数とする。また、アクセスログに関するデータは、アクセス先のサイト毎(サイト毎の項目となる)に、そのユーザが(ユーザが所持する端末によって)アクセスした回数とする。なお、予め数値化されたデータが予測用データ入力部11に入力されてもよいし、予測用データ入力部11が上記のように数値化を行ってもよい。
また、行列Xに含まれる、ユーザ毎のデータの項目としては、その時点でのユーザの属性を示す数値(ユーザの静的データ)である。具体的には例えば、ユーザの年齢、性別等の情報や、ユーザの環境的な情報であるユーザが住んでいる地域やサービス提供地域(ユーザが在圏した地域)等の情報であり、予め予測に用いることの承諾を取ったユーザに係るデータである。これらの情報についても、上記と同様に数値化したものが予測用データ入力部11に入力される。
予測用データ入力部11は、月毎の行列Xを、例えば、別の装置や記憶媒体から送信されたデータを受信したり、あるいは、需要予測装置10の管理者からの入力を受け付けたりすることによって入力する。また、この入力は、需要の予測を行う際に、複数の月分まとめて行われてもよいし、月ごとに行われてもよい。予測用データ入力部11は、入力した行列データを、分析軸生成部12及び変換後行列生成部13に出力する。なお、予測用データ入力部11に入力される行列データ(予測用データ)は、予め予測に用いることの承諾を取ったユーザに係るデータのみであるものとする。
分析軸生成部12は、予測用データ入力部11から入力された行列データに対して、複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段である。通常、上記の行列データの項目の数Mは、例えば、数十万程度の大きな数になる。従って、そのままの行列データを用いた分析は、通常、困難であるので、入力された行列Xからデータ項目(行列の列の数)を圧縮する行列変換を行って行列γ(潜在変数)を生成して、行列γを用いた行列を行う。行列変換後の行列γは、図2に示すようにN行×L列の行列である。ここで、圧縮後の列の数Lは、変換前の列の数Vより小さい予め定められて分析軸生成部12に記憶された数である。具体的には例えば、Lは数十程度の値である。
列の数を圧縮する行列変換(潜在変数を推定する方法)は、従来の方法を用いることができる。例えば、LDA(Latent Dirichlet Allocation)を用いることができる。それ以外にも、PCA(Principal Component Analysis)やICA(Independent Component Analysis)等を用いることができる。行列変換を行うと、変換後の分析軸を示す情報が得られる。例えば、LDAを用いて行列変換を行う場合には、図2に示すように、元の行列Xから、潜在変数(行列γ)の出現頻度α(L項目のベクトル)、及び顕在変数(行列X)と潜在変数(行列γ)との対応の度合β(V項目×L項目)が算出される。このαとβとを用いて、行列Xからγを算出する。即ち、αとβとは、行列Xから抽出したモデルのパラメータであり、分析軸である。この分析軸に行列Xを照らして、行列Xに対応したγを得る。
分析軸生成部12は、予測用データ入力部11から入力された行列データのうち連続する時点の行列データを合算して分析軸を生成する。具体的には、図3に示すように、行列Xのデータが、1月、2月…と月単位であった場合、1月の行列X1(1月の行列XをX1とする。以下同様)と2月の行列X2とを合算して、合算した行列に対して行列変換を行って分析軸を生成する。ここで、行列の合算は、行と列とが一致する成分の値の和をとることである。また、このとき各行列に重み付けして合算を取ることとしてもよい。例えば、新しい月の方に大きい重みをつけて合算してもよい。なお、何れの月(時点)の行列データから分析軸を生成するかについては、予め分析軸生成部12に記憶されている。また、必ずしも予測用データ入力部11から入力された全ての行列Xを用いて、分析軸を生成する必要はない。分析軸生成部12は、生成した分析軸の情報を変換後行列生成部13に入力する。
ここで、分析軸であるα,βは、α,βを算出するために用いた、Xの月を添え字として与える。例えば、1月のXから算出したα,βをα1,β1、2月のXから算出したα,βをα2,β2と表す。また、上記のように1月と2月とのXから算出したα,βをα1_2,β1_2と表す。
また、分析軸生成部12は、所定の時間間隔の、2つ以上の連続する時点の行列データから、それぞれの分析軸を生成することとしてもよい。例えば、図3に示すように、1月の行列X1と2月の行列X2とから分析軸を生成して、4月の行列X4と5月の行列X5とから分析軸を生成する(即ち、分析軸を生成し直す(補正する))。この時間間隔についても、予め分析軸生成部12に記憶されている。これは、需要予測を行う際に用いる分析軸は、なるべく予測対象時点に近い時点のデータを用いて得られたものを用いることが望ましいからである。例えば、図3に示すように5月の時点で、6月、7月の時点の需要の予測を行う場合には、1月、2月のデータから生成された分析軸を用いるよりも、その時点に近い4月、5月のデータから生成された分析軸を用いることが望ましいからである。
変換後行列生成部13は、分析軸生成部12によって生成された分析軸を用いて、予測用データ入力部11から入力された複数の時点の少なくとも何れかの行列データの行列変換後の行列データを生成する変換後行列生成手段である。具体的には例えば、変換後行列生成部13は、分析軸生成部12から入力されたα,βに基づいて、予測用データ入力部11から入力されたXから行列変換後のγを生成する。行列変換後の行列データを生成は、上述したようにLDA等の従来の方法が用いられて行われる。
例えば、図3に示すように、行列Xのデータが、1月、2月…と月単位であり、分析軸生成部12からの入力がα1_2,β1_2であれば、α1_2,β1_2の分析軸を用いて、1月、2月のそれぞれのXから、それぞれの月のγを生成する。α1_2,β1_2の分析軸に対して1月のXを照らして得たγをγ1_2,1と、α1_2,β1_2の分析軸に対して2月のXを照らして得たγをγ1_2,2のように表す。なお、上記の例は、1月、2月のデータから、4月までの需要を予測する場合のものである。なお、以降の説明では、図4〜図8に示す情報が(2月末の時点で)1月、2月のデータから4月までの需要を予測する場合のものであり、図9〜図13に示す情報が(5月末の時点で)4月、5月のデータから7月までの需要を予測する場合のものであるとする。
なお、上述したLDAの処理では、通常、分析軸を算出した月と潜在変数であるγを算出する月とが同じであるため、月が変わると分析軸が変わってしまい、月の間での比較を行えないという問題があった。しかし、上述したように本実施形態においては、ある期間についてX1とX2とで作成したα1_2,β1_2の分析軸を基準として、X1を照らしてγ1_2,1を得て、X2を照らしてγ1_2,2を得る。これにより、ある期間においては、同一の分析軸において、ユーザと商品との対応を維持して月の間での比較を行うことが可能になる。なお、後述するように変換後の行列間の比較を行うため、変換後行列生成部13は、最低2つの変換後の行列データを生成する。
なお、上述した例では、分析軸の生成と変換後の行列データの生成とが、同じ月の行列データが用いられていたが、必ずしもそれらが一致している必要はない。変換後行列生成部13は、生成した行列変換後の行列データをグループ分類部14及び予測部16に出力する。
グループ分類部14は、変換後行列生成部13によって生成された行列変換後の行列データに基づいてユーザを複数のグループに分類するグループ分類手段である。例えば、グループは、行列変換後の行列γの列毎ものである。図2のγの例では、γはL列の行列であるのでL個のグループがある。γの列は、ユーザの商品の利用に係るデータを特徴化したものであると考えることができるので、例えば、図4及び図9に示すような5つのグループがあるものと考えることができる(ここでは、説明の簡易さのためLを5としている)。
「動画」は、移動体通信網を介した動画のサービスをよく利用しているユーザのグループを示している。「SNS」は、移動体通信網を介したSNS(Social Network Service)をよく利用しているユーザのグループを示している。「ニュース」は、移動体通信網を介したニュースのサービスをよく利用しているユーザのグループを示している。「交通」は、移動体通信網を介した交通情報のサービスをよく利用しているユーザのグループを示している。「低利用」は、移動体通信網を介したサービスをあまり利用しないユーザのグループを示している。なお、各グループは、必ずしも上記のような意味づけをされる(されている)必要はない。
グループ分類部14は、(γの各行で表される)ユーザが何れのグループに属するかを判断する。具体的には、ユーザを示すγの各行において、最も大きい値を有する列が示すグループに属すると判断する。グループ分類部14は、変換後行列生成部13から入力された行列データそれぞれに対して、全てのユーザ(行)について上記の判断を行って、ユーザのグループ分類を行う。例えば、変換後行列生成部13からγ1_2,1とγ1_2,2とが入力された場合、それぞれの行列について、各ユーザのグループ分類を行う。グループ分類部14は、行列変換後の行列データを用いた(各時点の)グループ分類の結果を示す情報(それぞれのユーザがどのグループに属するかを示す情報)を遷移状態算出部15に出力する。
なお、グループ分類は必ずしも上記のように行われる必要はなく、γを用いて時点間の比較ができるようなグループ分類であればどのようなものであってもよい。また、グループも必ずしも各列に対応するものでなくてもよく、時点間の比較ができるようなグループ分類であればどのようなものであってもよい。また、グループに属するユーザの数についても任意の数とすることができる。
遷移状態算出部15は、グループ分類部14による分類に基づき、時点の経過によるユーザのグループ間の遷移状態を算出する遷移状態算出手段である。具体的には、遷移状態算出部15は、グループ分類部14から入力された、連続する2つの時点(例えば、上記の例では、1月、2月)の情報から、ユーザが前の時点(1月)において属していたグループから後の時点(2月)にどのグループに属しているかの遷移状態を算出する。遷移状態算出部15は、遷移状態を、前の時点(遷移元)のグループ毎の後の時点(遷移先)のグループへの遷移割合として算出する。また、この遷移割合は、上記の2つの時点の間隔での遷移である。即ち、1月、2月の情報を用いた場合は、1か月分の間隔での遷移である。
まず、遷移状態算出部15は、グループ分類部14による(前の時点での)分類に基づき、前の時点の属しているグループ毎の人数を集計する。続いて、遷移状態算出部15は、グループ分類部14による(後の時点での)分類に基づき、前の時点のグループ毎に、後の時点の属しているグループ毎の人数を集計する。続いて、これらの人数から上記の遷移割合を算出する。
例えば1月から2月への経過における場合は、遷移割合は図4及び図5に示される。図4は、グループ間の遷移状態を図示したものである。これは、「低利用」のグループから、4%の割合で「ニュース」のグループに、2%の割合で「SNS」のグループに、1%の割合で「動画」のグループに、8%の割合で「交通」のグループにそれぞれユーザが遷移していることを示す。また、85%の割合のユーザが「低利用」のグループのままであることを示す。また、「ニュース」、「SNS」、「動画」及び「交通」のグループのユーザは遷移していない(図示せず)。また、図5に示す行列は、上記の遷移割合を行列として示したものである。図5に示す行列において、列は遷移元のグループを示し、行は遷移後のグループを示している。また、同様に例えば4月から5月への経過における場合は、遷移割合は図9及び図10に示される。遷移状態算出部15は、算出した遷移状態を示す情報を予測部16に出力する。
予測部16は、遷移状態算出部15によって算出された遷移状態から予測対象時点での複数のグループのユーザの比率を算出して、当該比率に基づき需要を予測する予測手段である。ここでのユーザの比率とは、グループ毎のグループ属するユーザの全ユーザに対する比率である。なお、ここで算出される比率は、必ずしも比率そのものの値でなくてもよく、グループ毎のユーザの数等の比率に相当する(比率を算出しえる)数であればよい。
予測部16は、遷移状態算出部15によって算出された遷移状態に基づいて、予測対象時点の各グループのユーザ比率を推定して、当該ユーザ比率から需要を推定する。具体的には、まず、予測部16は、予測の元となる時点、例えば既に実際のデータが得られている月(上記の例では、1月(あるいは2月でもよい))の行列変換後の行列γ1_2,1の各グループを示す列毎に値を積算して総和を取る。そして、全ての積算後の各列の値(積算値)を、それぞれの値の総和で割ることにより各グループの割合の値を取る。このようにして、例えば、図6に示すように、各グループの割合が算出される。図6に示す例では、γ1_2,1(1月のデータ)を用いて各グループのユーザ比率を算出しており、各グループの割合は、全て0.2(20%)である(図6に示す表の一番下の行の値)。なお、ここで、ユーザ比率の推定には、必ずしもγを用いる必要はなく、α1_2を正規化(例えば、数値の和が1となるようにする)として、これをユーザ比率としてもよい。また、γ4_5,4を用いた例を、図11に示す。
続いて、予測部16は、算出したグループのユーザ比率から、予測対象時点のグループのユーザ比率を算出する。例えば、1月、2月のデータから、3月、4月の時点の需要を予測する場合には、3月、4月の時点の各グループのユーザ比率を算出する。上記のように算出したユーザ比率が、遷移状態算出部15によって算出された遷移状態したものとして、予測対象時点のユーザ比率を算出する。具体的には、1月時点の各グループのユーザ比率のベクトルに、遷移状態算出部15によって算出された遷移状態を示す行列をかけることによって、遷移状態の時間間隔(上記の例では1ヶ月)先の各グループの比率が算出される。例えば、1月時点の各グループのユーザ比率のベクトルに、遷移状態を示す行列を2回かければ3月時点の各グループのユーザ比率が得られる。また、1月時点の各グループのユーザ比率のベクトルに、遷移状態を示す行列を3回かければ4月時点の各グループのユーザ比率が得られる。このように算出(推定)された各グループのユーザ比率の例を、図7(a)の表に示す(3月、4月の欄の値)。また、6月、7月の算出(推定)された各グループのユーザ比率の例を、図12(a)の表に示す。なお、いずれの時点についての需要予測を行うかについては、予め予測部16に入力されて記憶されている。
続いて、予測部16は、各グループのユーザ比率に基づいて、需要の予測を行う。例えば、各時点(月)のユーザ比率に対して、全体のユーザ数や各グループのパラメータ等をかけることによって、需要予測を行う。各グループのユーザ比率に対して全体のユーザ数をかけることによって、図7(b)の表に示されるように各グループの人数を求めることができる。また、ユーザ比率にかけられるパラメータとしては、例えば、図7(a)に示すように、各グループに属するユーザ一人あたりの平均通信量や平均通信料等である。平均通信量をかけることによって、需要予測の結果として、図8(a)に示すように予測対象時点での各グループにおける通信量、また、それらの和を取ることによって全体の通信量が得られる。また、平均通信料をかえけることによって、需要予測の結果として、図8(b)に示すように予測対象時点での各グループにおける通信料(収益)、また、それらの和を取ることによって全体の通信料(収益)が得られる。
上記に対応する6月、7月の需要予測の情報を図12(b)及び図13(a)(b)に示す。
なお、ユーザ比率とかけ合わされるパラメータの値(例えば、上記の全体のユーザ数、平均通信量、平均通信料)は、予め予測部16に入力されて記憶されている。また、それらの値の元となる情報(例えば、パケットあるいはバイト(Byte)あたりの金額等)が入力されて、それらから上記のパラメータの値が算出されてもよい。
予測部16は、上記のようにして得られた需要予測結果を示す情報を予測結果出力部17に出力する。
予測部16による需要予測については、以下のようなバリエーションがある。例えば、以下のようにして予測誤差を時間の経過と共に減らすことができる。即ち、将来のある時点についての収益予測を、既にデータが得られている複数の時点でのデータそれぞれに基づいて収益予測を行って、それらの(加重)平均を取るというものである。なお、加重平均を取る場合には、予測に用いたデータが古いものほど重みを小さくすることとするのがよい。
例えば、9月時点において10月〜12月の収益予測を得るものとする。この場合、3月時点の10月〜12月の収益予測Pre10-12_3と、6月時点の10月〜12月の収益予測Pre10-12_6と、9月時点の10月〜12月の収益予測Pre10-12_9とを用いて、以下の式によって、修正後の10月〜12月の収益予測AdjustPre10-12_9を算出する。
AdjustPre10-12_9=(Pre10-12_3+Pre10-12_6+Pre10-12_9)/3
あるいは以下の式を用いることもできる。
AdjustPre10-12_9=(0.25×Pre10-12_3+0.5×Pre10-12_6+1×Pre10-12_9)/(0.25+0.5+1)
また、以下のようにして季節変動等の予測誤差を昨年の実績を用いて減らすこともできる。例えば、9月時点において10月〜12月の収益予測を得るものとする。(予め入力された)昨年の4期の収益Last1-3、Last4-6、Last7-9、Last10-12と、(予め入力された)今年の3期の収益This1-3、This4-6、This7-9と、上述した方法によって求められた10月〜12月の収益予測Pre10-12_9とを用いて、以下の式によって、修正後の12月の収益予測AdjustPre10-12_9を算出する。
LastAverage=(Last1-3+Last4-6+Last7-9+Last10-12)/4
LastDiffRatio10-12=((Last10-12−LastAverage)/LastAverage)
ThisAveragePre=(This1-3+This4-6+This7-9+ Pre10-12_9)/4
AdjustPre10-12_9=Pre10-12_9+(LastDiffRatio10-12×ThisAveragePre)
また、予測部16は、変換後行列生成部13から入力された行列変換後の行列データ、及び遷移状態算出部15によって算出された遷移状態の少なくとも何れかに基づいて、ユーザのグループ間の遷移に関連する情報(遷移要因)を抽出することとしてもよい。この情報を参照することによって、商品を提供する事業者等がユーザをより収益性が高いグループに遷移させるような方法をとることができる。具体的には、特定のグループ間での遷移に関連する情報によって示される商品やサービスを、遷移元のグループのユーザにリコメンド(推薦)することによって、遷移先のグループに遷移させることができる。
例えば、図9に示す図において、「低利用」のグループから、より収益性の高い「SNS」のグループにユーザを遷移させる(誘導さえる)ことを考える。図9に示す図において、「低利用」のグループから「SNS」のグループに遷移した1%のユーザと相関の高いサービスをリコメンドする。また、「低利用」のグループから「ニュース」のグループに遷移した3%のユーザと相関の高いサービスをリコメンドし、ユーザが「ニュース」のグループに遷移した後に「ニュース」のグループから「SNS」に遷移した10%のユーザと相関が高いサービスをリコメンドする。ここで、「低利用」から「ニュース」を経由して「SNS」に遷移する確率(0.3%=3%×10%)は、「低利用」から「交通」を経由して「SNS」に遷移する確率(0.07%=7%×1%)より高い。
ユーザのグループ間の遷移に関連する情報としては、具体的には例えば、ユーザが遷移する要因となった検索ワード、サービス、サイト、広告等である。
予測部16は、具体的には、以下のようにユーザのグループ間の遷移に関連する情報を抽出する。例えば、図14(a)に示すγ1_2,1と図14(b)に示すγ1_2,2との差分を算出して、当該差分の行列データと各ユーザ(差分の行列データの各行に対応する)の検索ワードとを組み合わせた図15に示すデータを生成する。なお、検索ワードのデータは、例えば、ユーザ毎のデータとして予め需要予測装置10に入力されている。あるいは、予測用データ入力部11行列データ用のデータとして入力されたものが用いられてもよい。図15に示すγ1_2,1とγ1_2,2との差分は、グループ遷移を示している。ここで、ユーザ毎の行ベクトル(横ベクトル)が似ているユーザは、同じグループ遷移の方向に動いている。予測部16は、「低利用」のグループから「SNS」のグループに遷移しているユーザ(例えば、「低利用」のグループを示す列の値が閾値以上のマイナスとなっており、「SNS」のグループを示す列の値が閾値以上のプラスとなっているユーザ)に対応付けられた検索ワードをユーザのグループ間の遷移に関連する情報として抽出する。ここで検索ワードは、一定数以上のユーザに共通したもののみを抽出することとしてもよい。
また、予測部16は、全てのグループ間の遷移に関しての情報を取得してもよいし、予め需要予測装置10の管理者等から指定されたグループ間の遷移に関しての情報を取得してもよい。
なお、グループの遷移の情報については、複数の時点のγの差分に基づくもの以外でも、遷移状態算出部15によって算出された遷移状態が用いられてもよい。予測部16は、このようにして抽出したユーザのグループ間の遷移に関連する情報も、需要予測を示す情報の一つとして予測結果出力部17に出力する。なお、この情報(遷移要因)については、例えば、検索ワードを頻度の高い順にソートしたり、ユーザの属性を示す情報(デモグラフィック情報)や(付加)サービスへの加入情報に応じた集計を行ったりした結果を出力しても良い。また、類似する行ベクトル(動きが似ているユーザ)を抽出する際には、ベクトル距離によるクラスタリングの手法を用いたり、PCAやICA等を用いて新たな軸を設定したりして、行ベクトルを分類して抽出してもよい。
また、儲かるパスの順序の情報を取得することとしてもよい。例えば、グループの遷移のパスを価格に置き換えて、目標額に達するまでのパスを示す情報を取得して表示させることとしてもよい。また、時期に入力に応えることとしてもよい。例えば、予測部16が何ヶ月先の時点を予測するか入力して、制約を与えることとしてよい。また、変動人数の入力に答えることとしてもよい。例えば、特定のサービスに加入しているユーザだけ、特定の年齢の人だけ等の何人まで動くかの制約を与えることとしてもよい。
また、上述した需要予測の結果は、人数の割合(パーセント)の情報としてもよい。また、当該情報をグラフ化した情報を生成してもよい。あるいは、割合の情報を、人数の割合ではなく、通信料、利用時間及び請求料金の何れかに置き換えてもよい。
予測結果出力部17は、予測部16による予測を示す情報を出力する予測結果出力手段である。例えば、予測結果出力部17は、需要予測の結果を需要予測装置10の管理者等が確認できるように、需要予測装置10が備える表示装置に、需要予測結果を示す図7、図8、図12及び図13に示すような表の情報を表示することによって出力を行う。あるいは、予測結果出力部17は、その他の装置やモジュール等に需要予測結果を示す情報を出力してもよい。
図16に需要予測装置10のハードウェア構成を示す。図16に示すように需要予測装置10は、CPU(Central Processing Unit)101、主記憶装置であるRAM(Random Access Memory)102及びROM(Read Only Memory)103、通信を行うための通信モジュール104、ハードディスク等の補助記憶装置105、入力装置106並びに出力装置107等のハードウェアを備えるコンピュータを含むものとして構成される。入力装置106は、キーボード、マウス、スキャナー及びOCR(Optical Character Reader)等の需要予測装置10の管理者等が需要予測装置10に情報の入力を行う装置である。出力装置107は、ディスプレイ及びプリンタ等の需要予測装置10の管理者等が需要予測装置10からの情報の参照ができるように情報の出力を行う装置である。これらの構成要素がプログラム等により動作することにより、上述した需要予測装置10の機能が発揮される。以上が、需要予測装置10の構成である。
引き続いて、図17のフローチャートを用いて、本実施形態に係る需要予測装置10で実行される処理(需要予測方法)を説明する。本処理は、例えば、需要予測装置10の管理者による需要予測装置10に対する操作等をトリガとして行われる。
需要予測装置10では、まず、予測用データ入力部11によって、予測用データとして複数の時点での行列データが入力される。例えば、図3に示すように1月時点の行列データX1と、2月時点の行列データX2とが入力される(S01、予測用データ入力ステップ)。入力された各行列データは、予測用データ入力部11から分析軸生成部12及び変換後行列生成部13に出力される。
続いて、分析軸生成部12によって、予測用データ入力部11から入力された行列データに対して複数の項目の数を圧縮する行列変換が行われて、分析軸が生成される(S02、分析軸生成ステップ)。行列変換の対象となる行列は、上述したように、例えば、1月、2月の行列のように、予測用データ入力部11から入力された行列データのうち連続する時点の行列データを合算したものである。分析軸生成部12によって生成された分析軸を示す情報は、分析軸生成部12から変換後行列生成部13に出力される。
続いて、変換後行列生成部13によって、分析軸生成部12から入力された分析軸が用いられて、予測用データ入力部11から入力された複数の時点の少なくとも何れかの行列データの行列変換後の行列データが生成される(S03、変換後行列生成ステップ)。変換後の行列の生成は、後述するグループ間の遷移状態を算出するために少なくとも2つの行列について行われる。生成された行列変換後の行列データは、変換後行列生成部13からグループ分類部14に出力される。
続いて、グループ分類部14によって、変換後行列生成部13から入力された行列変換後の行列データに基づいてユーザが複数のグループに分類される(S04、グループ分類ステップ)。グループ分類の結果を示す情報は、グループ分類部14から遷移状態算出部15に出力される。
続いて、遷移状態算出部15によって、グループ分類部14による分類に基づき、時点の経過によるユーザのグループ間の遷移状態が算出される(S05、遷移状態算出ステップ)。算出した遷移状態を示す情報は、遷移状態算出部15から予測部16に出力される。
続いて、予測部16によって、遷移状態算出部15から入力された遷移状態から予測対象時点での複数のグループのユーザの比率が算出されて、当該比率に基づき需要が予測される(S06、予測ステップ)。得られた需要予測結果を示す情報は、予測部16から予測結果出力部17に出力される。
続いて、予測結果出力部17によって、表示出力等の需要予測結果の出力が行われる(S07、予測結果出力ステップ)。需要予測装置10の管理者等は、予測結果出力部17による出力を参照する。
上述したように、本実施形態に係る需要予測装置10では、上記のように行列データの項目の数が行列変換によって圧縮されている。これにより、ユーザ毎の大量のデータ項目ではなく、例えば上述したようにユーザを「動画」、「SNS」等のグループに分類して、特徴的に扱うことができる。
ここで従来の行列圧縮の手法によれば、それぞれの行列データ毎に行列圧縮が行われて、分析軸が生成されているため、行列データが変わると分析軸が変わってしまうという問題があった。即ち、例えば、上述したLDAの処理は、分析軸を算出した月と潜在変数であるγを算出する月が同じであったために、月が変わると分析軸が変わってしまうという問題があった。
その一方で、本実施形態に係る需要予測装置10によれば、一つの固定的な分析軸に基づいて、時点の経過によるユーザの遷移状態を算出しているので、その期間においてはユーザと商品との対応関係を維持することができる。従って、本実施形態に係る需要予測装置10によれば、精度よくユーザ行動のモデル化を行いつつ、そのモデルを経時変化に対応できるようにされているので、ユーザの興味や行動等の経時変化を適切に考慮した予測を行うことができる。
即ち、本実施形態に係る需要予測装置10によれば、精度が高い需要予測を行うことができる。
また、本実施形態のように、予測用のデータとして、パケット通信料、利用料金、オプションサービス加入、検索キーワード、アクセスログ等のユーザの商品の利用状態を示す数値を用いることが望ましい。この構成によれば、各時点のユーザの商品の利用状態に基づいて、適切な需要予測を行うことができる。
また、本実施形態のように、ユーザの年齢、性別等の情報や、ユーザの環境的な情報であるユーザが住んでいる地域やサービス提供地域(ユーザが在圏した地域)等のユーザの属性を示す数値を用いることが望ましい。この構成によれば、ユーザの年齢や性別等に応じた、適切な需要予測を行うことができる。
また、本実施形態のように、例えば、1月、2月の行列データから分析軸を算出した後に更にその後のデータが得られた場合に4月、5月の行列データから分析軸を新たに算出する(分析軸の更新、補正を行う)ことが望ましい。この構成によれば、例えば通年等、需要予測を長期にわたって定期的に行う場合等にも、精度が高い需要予測を行うことができる。但し、短期的な需要予測を行う場合等には、必ずしも上記のようにする必要はない。
また、本実施形態のように、同様のグループ間遷移をしているユーザの検索ワードを抽出する等のグループ間の遷移に関連する情報を抽出することが望ましい。この構成によれば、例えば、これらの情報を参照して需要を促進するための案を考案することができる。効率的な需要促進により、例えば、情報通信サービスを利用するユーザを増やし、ユーザに安価にサービスを提供し、又は同価格であってもよりバラエティに富んだサービスを提供することが可能になる。
10…需要予測装置、11…予測用データ入力部、12…分析軸生成部、13…変換後行列生成部、14…グループ分類部、15…遷移状態算出部、16…予測部、17…予測結果出力部、101…CPU、102…RAM、103…ROM、104…通信モジュール、105…補助記憶装置、106…入力装置、107…出力装置。

Claims (6)

  1. 商品の需要を予測する需要予測装置であって、
    商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力手段と、
    前記予測用データ入力手段によって入力された前記行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて前記複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成手段と、
    前記分析軸生成手段によって生成された分析軸を用いて、予測用データ入力手段によって入力された前記複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成手段と、
    前記変換後行列生成手段によって生成された、前記時点の経過前後それぞれの前記行列変換後の行列データに基づいて前記ユーザを複数のグループに分類するグループ分類手段と、
    前記グループ分類手段による分類に基づき、前記時点の経過による前記ユーザのグループ間の遷移状態を算出する遷移状態算出手段と、
    前記遷移状態算出手段によって算出された遷移状態から予測対象時点での前記複数のグループの前記ユーザの比率を算出して、当該比率に基づき前記需要を予測する予測手段と、
    前記予測手段による予測を示す情報を出力する予測結果出力手段と、
    を備える需要予測装置。
  2. 前記予測用データ入力手段は、前記項目として、前記時点での前記ユーザの商品の利用状態を示す数値を少なくとも含む前記行列データを入力することを特徴とする請求項1に記載の需要予測装置。
  3. 前記予測用データ入力手段は、前記項目として、前記時点での前記ユーザの属性を示す数値を少なくとも含む前記行列データを入力することを特徴とする請求項1又は2に記載の需要予測装置。
  4. 前記分析軸生成手段は、所定の時間間隔の前記連続する時点の行列データから、前記分析軸を生成することを特徴とする請求項1〜3の何れか一項に記載の需要予測装置。
  5. 前記予測手段は、前記変換後行列生成手段によって生成された前記行列変換後の行列データ、及び前記遷移状態算出手段によって算出された遷移状態の少なくとも何れかに基づいて、前記ユーザのグループ間の遷移に関連する情報を抽出することを特徴とする請求項1〜4の何れか一項に記載の需要予測装置。
  6. 商品の需要を予測する需要予測装置による需要予測方法であって、
    商品を利用する複数のユーザについての、商品の需要を予測するための複数の項目についての、複数の時点での数値データを、当該複数の時点毎の行列データとして入力する予測用データ入力ステップと、
    前記予測用データ入力ステップにおいて入力された前記行列データのうち連続する時点の行列データを合算して、当該合算した行列データを用いて前記複数の項目の数を圧縮する行列変換を行って分析軸を生成する分析軸生成ステップと、
    前記分析軸生成ステップにおいて生成された分析軸を用いて、予測用データ入力ステップにおいて入力された前記複数の時点の少なくとも何れかの時点の経過前後それぞれの行列データの行列変換後の行列データを生成する変換後行列生成ステップと、
    前記変換後行列生成ステップにおいて生成された、前記時点の経過前後それぞれの前記行列変換後の行列データに基づいて前記ユーザを複数のグループに分類するグループ分類ステップと、
    前記グループ分類ステップにおける分類に基づき、前記時点の経過による前記ユーザのグループ間の遷移状態を算出する遷移状態算出ステップと、
    前記遷移状態算出ステップにおいて算出された遷移状態から予測対象時点での前記複数のグループの前記ユーザの比率を算出して、当該比率に基づき前記需要を予測する予測ステップと、
    前記予測ステップにおける予測を示す情報を出力する予測結果出力ステップと、
    を含む需要予測方法。
JP2010149340A 2010-06-30 2010-06-30 需要予測装置及び需要予測方法 Expired - Fee Related JP5603678B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2010149340A JP5603678B2 (ja) 2010-06-30 2010-06-30 需要予測装置及び需要予測方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010149340A JP5603678B2 (ja) 2010-06-30 2010-06-30 需要予測装置及び需要予測方法

Publications (2)

Publication Number Publication Date
JP2012014352A JP2012014352A (ja) 2012-01-19
JP5603678B2 true JP5603678B2 (ja) 2014-10-08

Family

ID=45600723

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2010149340A Expired - Fee Related JP5603678B2 (ja) 2010-06-30 2010-06-30 需要予測装置及び需要予測方法

Country Status (1)

Country Link
JP (1) JP5603678B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110018843B (zh) * 2018-01-09 2022-08-30 北京小度互娱科技有限公司 应用程序运行策略的测试方法和装置
JP2020086675A (ja) * 2018-11-19 2020-06-04 Zホールディングス株式会社 情報処理装置、情報処理方法及び情報処理プログラム
CN112734454B (zh) * 2019-10-28 2023-10-10 百度在线网络技术(北京)有限公司 一种用户信息确定方法、装置、电子设备和存储介质
CN116186351A (zh) * 2023-04-23 2023-05-30 武汉想不到网络科技有限公司 一种基于加密传输的数据优化系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4596945B2 (ja) * 2005-03-24 2010-12-15 富士通株式会社 データセンタの需要予測システム、需要予測方法および需要予測プログラム
JP4993339B2 (ja) * 2006-03-30 2012-08-08 Kddi株式会社 潜在クラス抽出方法および装置ならびに潜在クラス抽出プログラムおよびその記録媒体
JP5251217B2 (ja) * 2008-04-03 2013-07-31 日本電気株式会社 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム

Also Published As

Publication number Publication date
JP2012014352A (ja) 2012-01-19

Similar Documents

Publication Publication Date Title
US10565602B1 (en) Method and system for obtaining leads based on data derived from a variety of sources
Coussement et al. Integrating the voice of customers through call center emails into a decision support system for churn prediction
KR101871747B1 (ko) 유사성향 기반 사용자-관광상품 추천 방법 및 시스템
Thorleuchter et al. Analyzing existing customers’ websites to improve the customer acquisition process as well as the profitability prediction in B-to-B marketing
US8655695B1 (en) Systems and methods for generating expanded user segments
JP4596945B2 (ja) データセンタの需要予測システム、需要予測方法および需要予測プログラム
EP2416289A1 (en) System for measuring variables from data captured from internet applications
US20140358694A1 (en) Social media pricing engine
JP5914549B2 (ja) 情報処理装置および情報分析方法
CN116452261B (zh) 一种基于跨境电商服务平台的广告投放数据处理方法
US20220180392A1 (en) Predictive recommendation system using tiered feature data
CN111400613A (zh) 物品推荐方法、装置、介质及计算机设备
Dhillon et al. Modeling dynamic user interests: A neural matrix factorization approach
KR101639656B1 (ko) 광고 제공 방법 및 서버 장치
CN111429214B (zh) 一种基于交易数据的买卖双方匹配方法及装置
JP5603678B2 (ja) 需要予測装置及び需要予測方法
Anand et al. Using deep learning to overcome privacy and scalability issues in customer data transfer
US20140372207A1 (en) Profit index value generation system and profit index value generation method
KR20220117425A (ko) 빅데이터를 활용한 시장성 분석 및 사업화방법론 분석 시스템
Bruce Bayesian nonparametric dynamic methods: Applications to linear and nonlinear advertising models
US20160148271A1 (en) Personalized Marketing Based on Sequence Mining
Thorleuchter et al. Using Webcrawling of Publicly Available Websites to Assess E-commerce Relationships
CN114925275A (zh) 产品推荐方法、装置、计算机设备及存储介质
Ershov et al. How Much Influencer Marketing Is Undisclosed? Evidence from Twitter
JP2016122472A (ja) 情報処理装置および情報分析方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20130206

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20131129

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20140107

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20140306

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: 20140812

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140822

R150 Certificate of patent or registration of utility model

Ref document number: 5603678

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

LAPS Cancellation because of no payment of annual fees