JP5905124B2 - 情報処理システムおよび情報処理方法 - Google Patents

Description

本発明は、情報処理システムおよび情報処理方法に関する。より具体的には、店舗における顧客の動向をシミュレートする情報処理システムおよび情報処理方法に関する。

本技術分野の背景技術として、特許文献１および２がある。

特許文献１には、位置端末（GPSなど）を有する車や人の移動情報に基づき、場所ごとの滞留時間、次に移動する場所の確率を算出し、これにより、位置端末を持たない人も含み、動線を推定する技術が記載されている。

また、特許文献２には、３次元地図情報上を、人間を想定したエージェント（視野の広さ、高さ、移動経路を入力）を歩かせることで、人間の視野に入りやすい場所とそうでない場所の度合い（自然監視性）を推定し、これによって、防犯シミュレーションを行う技術が記載されている。

特開2013-210870号公報 特開2011-210006号公報

従来、店舗における商品配置は、現場の担当者の勘と経験に多く依存して決定されている。なぜなら、商品の特性、顧客の行動特性（滞在時間、購入点数、など）、場所の特性（棚の位置や高さ）など購入を決定づける要因が複雑であり、一番顧客を見ている担当者がこれらの要因を最も理解していると考えられているからである。すなわち、従来は、座標Ｐの商品Ｍが購入される可能性は、ｆをある関数として以下の式（１）で示す関係性があり、これを最も理解しているのが担当者である、という考えのもとに、店舗の商品配置が決定されていた。
「座標Ｐの商品Ｍが購入される可能性」＝ｆ（「場所の特性」、「商品の特性」、「顧客の行動特性」） …（１）
ここで、係る方法は当然、個々の担当者の技量に強く依存するものであり、複数の要因からなる複合的な系について、必ずしも妥当な配置ができるとは限らない。そこで、複合的な各要因を単純化し、商品配置の決定をより容易ならしめるための技術が望まれる。しかしながら、係る技術については、上記各特許文献はもとより、いずれの文献にも記載も示唆も無かった。

以上を踏まえ、本願発明の目的は、商品配置の決定をより容易ならしめる技術を提供することである。

上記課題を解決するために、例えば請求の範囲に記載の構成を採用する。本願は上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、以下の通りである。

すなわち、情報処理システムであって、顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報、店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報、および、店舗に顧客が滞在する滞在時間と顧客が棚間で移動を行う移動周期を示す第３の情報とが入力される入力部と、第１の情報、第２の情報、並びに、第３の情報、および、ａ）顧客は、店舗の入り口から移動を開始する、ｂ）顧客は、複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、ｃ）顧客は、滞在時間しか店舗に滞在しない、ｄ）顧客は、移動先の棚をランダムに移動する、というシミュレーション条件を記憶する記憶部と、第１の情報、第２の情報、第３の情報、および、シミュレーション条件とを用いて、複数の棚のそれぞれに対して顧客が滞在する確率を計算するシミュレータ部と、確率を棚に対応付けて表示する表示部と、を有することを特徴とする。

または、情報処理方法であって、顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報、店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報、および、店舗に顧客が滞在する滞在時間と顧客が棚間で移動を行う移動周期を示す第３の情報を入力として受け付ける工程と、第１の情報、第２の情報、並びに、第３の情報、および、ａ）顧客は、店舗の入り口から移動を開始する、ｂ）顧客は、複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、ｃ）顧客は、滞在時間しか店舗に滞在しない、ｄ）顧客は、移動先の棚をランダムに移動する、というシミュレーション条件とを用いて、複数の棚のそれぞれに対して顧客が滞在する確率を計算する工程と、確率を棚に対応付けて表示する工程と、を有することを特徴とする。

または、情報処理システムであって、店舗における棚の座標情報、棚の棚番号、および、これらを紐付けた情報を入力する入力部と、棚の座標情報、棚の棚番号、および、これらを紐付けた情報を記憶する記憶部と、棚の座標情報、棚の棚番号、および、これらを紐付けた情報を用いて、店舗の顧客のある時刻ｔにおける滞在位置または滞在確率を求める第１の処理と、顧客の時刻（ｔ＋Δｔ）における滞在位置または滞在確率を求める第２の処理と、を複数回繰り返すことによって、棚毎の前記顧客の立寄りやすさ、または、棚毎の売上予測を算出するシミュレータ部と、立寄りやすさ、または、売上予測を表示する表示部と、を有することを特徴とする。

本願発明によれば、商品配置の担当者が、商品配置を決定することがより容易となる。

本発明の実施の形態に係る顧客シミュレータシステムの構成例と利用シーンの一例を示す図である。 アプリケーションサーバの構成を説明するブロック図である。 クライアントの構成を説明するブロック図である。 本発明の実施の形態において実行される立寄りシミュレーションの流れを説明する図である。 本発明の実施の形態において実行される店舗レイアウト評価の流れを説明する図である。 本発明の実施の形態において実行される流れを説明するシーケンス図である。 本発明の実施の形態において生成されるコンテンツの例を示す図である。 本発明の実施の形態において生成されるコンテンツの例を示す図である。 本発明の実施の形態において生成されるコンテンツの例を示す図である。 本発明の実施の形態において生成されるコンテンツの例を示す図である。 本発明の実施の形態において実行される商品棚置換計算の流れを説明する図である。 本発明の実施の形態において実行される店舗レイアウト評価学習の流れを説明する図である。 シミュレーションデータベースに格納されるパラメータテーブルの内容例を示す図である。 シミュレーションデータベースに格納される状態遷移確率マトリックステーブルの内容例を示す図である。 シミュレーションデータベースに格納されるホッピング別確率テーブルの内容例を示す図である。 シミュレーションデータベースに格納される立寄率Ｓテーブルの内容例を示す図である。 シミュレーションデータベースに格納される場所バイアステーブルの内容例を示す図である。 シミュレーションデータベースに格納される商品効果テーブルの内容例を示す図である。 売上データベースに格納されるＰＯＳテーブルの内容例を示す図である。 売上データベースに格納される売上テーブルの内容例を示す図である。 棚データベースに格納される棚商品テーブルの内容例を示す図である。 棚データベースに格納される棚間距離テーブルの内容例を示す図である。 マップデータベースに格納されるマップテーブルの内容例を示す図である。 立寄データベースに格納される立寄率テーブルの内容例を示す図である。 課金データベースに格納される課金テーブルの内容例を示す図である。

最初に、本発明の概要を説明する。前述の通り、座標Ｐの商品Ｍが購入される可能性を決定する要因には、場所の特性、商品の特性、および、顧客の行動特性がある。ここで本願発明者らは、前記各要因のうち、特に場所の特性に着目した。

なぜなら、商品の特性は、季節やエリアによる影響や流行の影響等による時間的な変動が大きいのに対し、場所の特性は、店舗の間口の設計や実施している業務等により定まるため時間的な変動が小さいためである。そのため、場所の特性について、一度値を算出すると、長期に渡って利用可能であり、特に有益である。

そこで、本願発明者らは、前述の式（１）を、ｇをある関数として、以下の式（２）に変形するためのシミュレーション技術を検討した。
「座標Ｐの商品Ｍが購入される可能性」＝「場所の特性」＊ｇ（「商品の特性」） …（２）
上記式（１）を式（２）へ変形する方法とは、顧客の移動経路情報に基づいて顧客の行動特性を定数化し、場所の特性をシミュレーションして定量的な値として算出することである。係る変形ができれば、商品配置の決定者が、場所の特性のみ、商品の特性のみをそれぞれ分けて検討することが可能となり、より商品配置の決定が容易となる。

以上を踏まえ、本発明の実施の形態に係る顧客シミュレータシステムについてその概略を説明する。本実施例に係る顧客シミュレータシステムは、店舗のレイアウト情報として、商品の棚配置、通路、および出入り口を、店舗特性として、ＰＯＳによる商品間関連、顧客移動距離、および顧客滞在時間を、それぞれ入力情報と顧客シミュレータしている。シミュレータには、店舗レイアウト評価コンテンツと商品棚配置最適化コンテンツが含まれる。

これらのコンテンツは、顧客シミュレータのシミュレート結果を用いている。この顧客シミュレータは、ａ）顧客は、記店舗の入り口から移動を開始する、ｂ）顧客は、複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、ｃ）顧客は、所定の滞在時間しか店舗に滞在しない、ｄ）顧客は、移動先の棚をランダムに移動する、という条件の元にシミュレーションを行うことによって、顧客の移動経路情報に基づいて顧客の行動特性を定数化し、場所の特性をシミュレーションして定量的な値として算出する。その上で、店舗レイアウト評価コンテンツは、商品の影響を排除した顧客動線と立寄りやすさを予測するコンテンツであり、例えば、新規出店時や店舗レイアウト変更時に、レイアウト案に対する顧客立寄りを予測することを可能とする。次に、商品棚配置最適化コンテンツは、顧客立寄りに加えて、例えば、棚配置変更による顧客単価、購買点数、購買品目数の増減まで予測することを可能とする。

図１に、第１の実施の形態のシステム概要を示す。第１の実施の形態では、ユーザ（ＵＳ）がクライアント（ＣＬ）を操作することで、コンテンツ（Ｋ）を閲覧することができる。クライアント（ＣＬ）はネットワーク（ＮＷ）に接続させており、ユーザ（ＵＳ）からの要求をクライアント（ＣＬ）経由で、アプリケーションサーバ（ＡＳ）に送信する。アプリケーションサーバ（ＡＳ）では、ユーザ（ＵＳ）の要求に基づき、処理を行ない、その結果をクライアント（ＣＬ）に送信する。クライアント（ＣＬ）は受け取った結果を用いて画面を生成し、ディスプレイ（ＣＬＩＤ）のコンテンツ（Ｋ）に表示する。
図２Ａ、図２Ｂ、は一つの実施形態である顧客シミュレータシステムの構成要素を示す説明図であり、図示の都合上分割して示してあるが、各々図示された各処理は相互に連携して実行される。

図２ＡおよびＢは、顧客シミュレータシステムの処理を行なうアプリケーションサーバ（ＡＳ）、閲覧者に解析結果から画面を出力するクライアント（ＣＬ）までの一連の流れを示している。

本システムは、アプリケーションサーバ（ＡＳ）とクライアント（ＣＬ）によって構成されている。これらはそれぞれ処理部、記憶部、ネットワークインタフェース等を備えた通常の計算機構成を有している。
図２Ａに示すアプリケーションサーバ（ＡＳ）は、顧客シミュレータの処理を実行する。アプリケーションサーバ（ＡＳ）において、図２Ｂに示すクライアント（ＣＬ）からの依頼を受けた際、設定された時刻に自動、又は、手動にて、アプリケーションが起動される。アプリケーションサーバ（ＡＳ）によって解析された結果は、図２Ｂに示すクライアント（ＣＬ）にネットワーク（ＮＷ）を通して送信される。

アプリケーションサーバ（ＡＳ）は、送受信部（ＡＳＳ）、記憶部（ＡＳＭ）および制御部（ＡＳＣ）を備える。

送受信部（ＡＳＳ）は、図２Ｂに示すクライアント（ＣＬ）との間でデータの送信および受信を行なう。具体的には、送受信部（ＡＳＳ）は、クライアント（ＣＬ）から送られてきたコマンドを受信し、制御部（ＡＳＣ）で顧客回遊シミュレーションを行ない、解析結果をクライアント（ＣＬ）に送信する。

記憶部（ＡＳＭ）は、ハードディスク、メモリ又はＳＤカードのような外部記録装置で構成される。記憶部（ＡＳＭ）は、シミュレーションを実行するためのデータベースや設定条件および結果を格納する。具体的には、記憶部（ＡＳＭ）は、シミュレーションデータベース(Ｄ)、売上データベース(Ｅ)、棚データベース(Ｆ)、マップデータベース(Ｇ)、立寄データベース(Ｈ)、課金データベース(Ｉ)を格納する。

シミュレーションデータベース(Ｄ)は、シミュレーションを実行する際に必要なパラメータや出力結果を格納するデータベースである。売上データベース(Ｅ)は、ＰＯＳデータ等の購入に関するデータを格納するデータベースである。棚データベース(Ｆ)は、棚に関するデータを格納するデータベースである。マップデータベース(Ｇ)は、棚配置等のマップに関するデータを格納するデータベースである。立寄データベース(Ｈ)は、顧客の商品や棚への立寄りに関するデータを格納するデータベースである。課金データベース(Ｉ)は、ユーザ（ＵＳ）が顧客シミュレータを使用する際の課金に関するデータを格納するデータベースである。

制御部（ＡＳＣ）は、中央処理部ＣＰＵ（図示省略）を備え、データの送受信の制御およびのシミュレーションを実行する。具体的には、ＣＰＵ（図示省略）があらかじめ制御部（ＡＳＣ）に登録されているプログラムを実行する。通信制御（ＡＳＣＣ）は、有線又は無線によるクライアント（ＣＬ）との通信のタイミングを制御する。さらに、通信制御（ＡＳＣＣ）は、データの形式変換、および、データの種類別に行き先の振り分けを実行する。

顧客シミュレータ（ＡＰ）は、クライアント（ＣＬ）からの依頼に基づき、記憶部(ＡＳＭ)に登録しているデータの中から必要なデータを選別し、シミュレーションを行なう処理である。顧客シミュレータ（ＡＰ）は、店舗レイアウト評価（ＡＰＡ）、立寄りシミュレーション（ＡＰＢ）、店舗レイアウト評価学習（ＡＰＣ）、商品棚置換計算（ＡＰＤ）、課金（ＡＰＥ）から構成されている。

店舗レイアウト評価（ＡＰＡ）は、設定された棚配置と商品から、場の効果と商品の効果に切り分けることでレイアウトの評価を行なう処理である。立寄りシミュレーション（ＡＰＢ）は、設定された棚配置から、立寄率をシミュレーションから求める処理である。店舗レイアウト評価学習（ＡＰＣ）は、実測における棚配置と立寄率、その業種における立寄りに関するパラメータを学習する処理である。商品棚置換計算（ＡＰＤ）は、店舗レイアウト評価（ＡＰＡ）を用いて、棚と商品を選択することで、売上を予測する処理である。課金（ＡＰＥ）は、ユーザ（ＵＳ）が顧客シミュレータを使用する際に課金する処理である。

Ｗｅｂサーバ（ＡＳＣＷ）は、クライアント（ＣＬ）からのアクセスＩＯを制御する処理を行なう。クライアント（ＣＬ）は設定情報を入手する際にはＷｅｂサーバ（ＡＳＣＷ）を経由する。また、顧客シミュレータ（ＡＰ）での結果をＷｅｂサーバ（ＡＳＣＷ）経由で、クライアント（ＣＬ）に送信する。

解析した結果はシミュレーションデータベース(Ｄ)に格納してあり、送受信部（ＡＳＳＲ）を通じて、図２Ｂに示すクライアント（ＣＬ）に送信する。

図２Ｂに示すクライアント（ＣＬ）は、ユーザとの接点であり、データの入出力を行なう。クライアント（ＣＬ）は、入出力部（ＣＬＩ）、送受信部（ＣＬＳ）、記憶部（ＣＬＭ）および制御部（ＣＬＣ）を備える。
入出力部（ＣＬＩ）は、ユーザとのインタフェースとなる部分である。入出力部（ＣＬＩ）は、ディスプレイ（ＣＬＩＤ）、キーボード（ＣＬＩＫ）およびマウス（ＣＬＩＭ）等を備える。必要に応じて外部入出力（ＣＬＩＵ）に他の入出力装置を接続することもできる。

ディスプレイ（ＣＬＩＤ）は、ＣＲＴ（ＣＡＴＨＯＤＥ−ＲＡＹ ＴＵＢＥ）又は液晶ディスプレイ等の画像表示装置である。ディスプレイ（ＣＬＩＤ）は、プリンタ等を含んでもよい。

送受信部（ＣＬＳ）は、図２Ａに示すアプリケーションサーバ（ＡＳ）との間でデータの送信および受信を行う。具体的には、送受信部（ＣＬＳ）は、解析条件情報（ＣＬＭＰ）をアプリケーションサーバ（ＡＳ）に送信し、解析結果を受信する。

記憶部（ＣＬＭ）は、ハードディスク、メモリ又はＳＤカードのような外部記録装置で構成される。記憶部（ＣＬＭ）は、解析条件情報（ＣＬＭＰ）および描画設定情報（ＣＬＭＴ）等の、解析や描画に必要な情報を記録する。

解析条件情報（ＣＬＭＰ）は、ユーザから設定された解析対象のメンバーの数および解析方法の選択等の条件を記録する。

描画設定情報（ＣＬＭＴ）は、図面のどの部分に何をプロットするかという描画位置に関する情報を記録する。さらに、記憶部（ＣＬＭ）は、制御部（ＣＬＣ）のＣＰＵ（図示省略）によって実行されるプログラムを格納してもよい。

制御部（ＣＬＣ）は、ＣＰＵ（図示省略）を備え、通信の制御、クライアントユーザ（ＵＳ）からの解析条件の入力、および、解析結果をクライアントユーザ（ＵＳ）に提示するための描画等を実行する。具体的には、ＣＰＵは、記憶部（ＣＬＭ）に格納されたプログラムを実行することによって、通信制御（ＣＬＣＣ）、Ｗｅｂブラウザ（ＣＬＣＷ）、解析設定（ＣＬＣＴ）、描画設定（ＣＬＣＰ）、コンテンツ生成（ＣＬＣＡ）の処理を実行する。

通信制御（ＣＬＣＣ）は、有線又は無線によるアプリケーションサーバ（ＡＳ）との間の通信のタイミングを制御する。また、通信制御（ＣＬＣＣ）は、データの形式を変換し、データの種類別に行き先を振り分ける。
Ｗｅｂブラウザ（ＣＬＣＷ）は、ユーザ（ＵＳ）とのインタフェースであり、解析条件情報(ＣＬＭＰ)や描画設定情報（ＣＬＭＴ)の設定を行ない、また、アプリケーションサーバ（ＡＳ）での結果からコンテンツ生成（ＣＬＣＡ）によって出力された結果をＷｅｂブラウザ（ＣＬＣＷ）に表示する。
解析条件（ＣＬＣＴ）は、ユーザから入出力部（ＣＬＩ）を介して指定される解析条件を受け取り、記憶部（ＣＬＭ）の解析条件情報（ＣＬＭＰ）に記録する。ここでは、解析に用いるデータの案件や日時などの種類および解析のためのパラメータ等が設定される。クライアント（ＣＬ）は、これらの設定をアプリケーションサーバ（ＡＳ）に送信して解析を依頼し、それと並行して描画設定（ＣＬＣＰ）を実行する。

描画設定（ＣＬＣＰ）は、描画設定情報（ＣＬＭＴ）に基づいて解析結果を表示する方法、および、図面をプロットする位置を計算する。この処理の結果は、記憶部（ＣＬＭ）の描画設定情報（ＣＬＭＴ）に記録される。

コンテンツ生成（ＣＬＣＡ）は、アプリケーションサーバ（ＡＳ）から取得した解析結果を描画設定情報（ＣＬＭＴ）に記載されている形式にもとづいて表示画面を生成する。例えば、描画設定情報（ＣＬＭＴ）には図１におけるコンテンツ（Ｋ）である、作成された表示結果は、Ｗｅｂブラウザ（ＣＬＣＷ）を経由し、ディスプレイ（ＣＬＯＤ）等の出力装置を介してユーザに提示される。

図３は、顧客シミュレータ（ＡＰ）の立寄りシミュレーション（ＡＰＢ）のフローチャートである。本処理は、場所の特性である場所バイアスを求めるための要素である立寄率Ｓ（複数の棚のそれぞれに対して顧客が滞在する確率）を求める処理である。この処理は、図４で説明する店舗レイアウト評価（ＡＰＡ）の部分的なフローであるが、図１１で説明する店舗レイアウト評価学習（ＡＰＣ）でも共通して用いるため、ここで先立って説明する。

以下の処理では、立寄率Ｓの高い棚は、立寄りやすい場所の棚であるとの仮説のもと、立寄率をシミュレーションで求める。

処理を開始（ＡＰＢ１）すると、入力（ＡＰＢ２）で必要な入力ファイルを読み込む。必要な入力ファイルとは、場所に関する情報（棚の配置、出入り口の場所等）および顧客の行動特性に関する情報である。

まず、場所に関する情報は、店舗に儲けられた複数の棚のそれぞれの距離を示す情報であり、店舗のレイアウト情報等により通常既知である。

次に、顧客の行動特性に関する情報は、顧客の移動経路（時刻と棚位置を対応付ける情報）を、ビデオカメラやウェアラブルセンサ等、各種センサにて測定することで得られる情報であり、顧客が店舗に入店後の時間経過に対する滞在確率に関する情報である。

ここで、本願発明者らが本発明に先立ち、店舗での顧客の行動特性について実証実験を行ったところ、ある棚の前にいる顧客が別の棚に移動する（以下、「ホッピング」と称する）確率は、棚間の距離（棚間に障害物等がある場合は、迂回路の距離を考慮した実効的な距離）が遠いほど低くなることがわかった。ここで、この顧客の行動特性は、横軸を棚間の移動距離の順位（より遠くに移動した顧客をグラフの右側）、縦軸を当該距離移動した人数とすると、いわゆる「指数分布」に従い、このグラフの縦軸を対数軸とした場合に直線で近似できるような振る舞いを示すことがわかった。従って、指数分布の傾きと切片が分かると、顧客の行動特性が一意に決まることがわかる。よって、顧客の振る舞いを、分布の傾きと切片の２値で定数化することが可能である。この切片が、顧客の滞在時間オフセット（顧客の殆どが一律に店舗に滞在する時間）を決め、傾きが、滞在時間（この時間毎に、滞在確率が1/eになる）を決める。このようにして、顧客の振る舞いを、滞在時間オフセットと滞在時間で定数化する。ここで、特定の人気商品によって、ある場所の立ち寄り頻度が異常に高くなる等、商品の特性が顧客の振る舞いに影響を与えることは当然あり得るが、上述の知見はあくまでも顧客の行動の確率的な特性にのみ着目しているため、商品の影響が排除されたものである。

話を立寄りシミュレーション（ＡＰＢ）のフローチャートに戻す。入力（ＡＰＢ２）では、例えば、立寄りシミュレーション（ＡＰＢ）に必要な入力ファイルを読み込む該当の案件ＩＤ（ＤＰ１）のパラメータテーブル（ＤＰ）の滞在時間オフセット（ＤＰ５）、滞在時間（ＤＰ６）、移動周期（ＤＰ７）、移動距離（ＤＰ８）、シミュレーション時間（ＤＰ９）と棚データベース（Ｆ）の棚間距離テーブル（ＦＤ）を読み込む。これらの各テーブルの詳細については後述する（各テーブルの詳細について以下同様）。

状態遷移確率（ＡＰＢ３）では、その棚へ立寄りやすさを求める。ここでは、ホッピング毎に、顧客がランダムウォークするものとしている。状態遷移確率の求め方は、２つのステップから構成されている。
（ステップ１．）状態遷移を求める。

ｔｒ（ｉ、ｊ）＝ｅｘｐ（−ｄｄ（ｉ、ｊ）／ｂｅｔａ）
ここで、ｔｒ（ｉ、ｊ）は状態遷移確率、ｄｄ（ｉ、ｊ）は棚間距離テーブル（ＦＤ）、ｂｅｔａは移動距離（ＤＰ８）である。
（ステップ２．）正規化をする。

なお、状態遷移確率（ＡＰＢ３）の式は一例であり、他の計算式でもかまわない。

状態遷移確率マトリックス（ＡＰＢ４）は、状態遷移確率（ＡＰＢ３）によって出力された結果である。内容については図１３で説明する。

ホッピング別確率（ＡＰＢ５）とは、それぞれの棚について、ホッピング毎にその棚に行く確率を求めたものである。計算式は、４つのステップから構成されている。
（ステップ１．）初期条件を決める。

ここでは、入口に重みを加えておく。これは、シミュレーションのスタート時には、顧客は入り口に居る、という振る舞いを表現するものである。具体的には、マップデータベース（Ｇ）のマップテーブル（ＧＭ）のアイコン種類（ＧＭ７）で、入口や初期立寄の棚に重みを加える。式で示すと以下のようになる。

ｐｍ（ｊ、１）＝１
ここで、ｐｍ（ｊ、１）はホッピング別の確率テーブルである。１はホッピング回数の１番目、すなわちスタートである。なお、店舗に複数の入り口がある場合でも、この影響は正規化により吸収されるため、複数の入り口それぞれの重みを１として良い。
（ステップ２．）ホッピング数がｋ回のとき棚ｊに行く確率を決める。

ｐｍ（ｊ、ｋ）＝ｐｍ（ｉ、ｋ−１）＊ｔｒ（ｉ、ｊ）
ここで、ｔｒ（ｉ、ｊ）は状態遷移確率、ｐｍ（ｊ、ｋ）はホッピング別の確率テーブルである。
（ステップ３．）継続時間パラメータを決める。

ここでは、時間が滞在時間オフセット（ＤＰ５）で指定した時間より小さかったら、係数１。大きかったら、係数＝ｅｘｐ（−総ホッピング数／滞在時間）とする。そして、ｐｍ（ｊ、ｋ）＝ｐｍ（ｊ、ｋ）＊係数を行なう。
（ステップ４．）２〜３を総ホッピング数まで繰り返す。ホッピング別確率（ＡＰＢ５）の式は一例であり、他の計算式でもかまわない。

係る処理により、ｔ回目（ｔは自然数）の位置から、（ｔ＋１）回目の位置へ移動する確率を算出する。

ホッピング別確率配列（ＡＰＢ６）は、ホッピング別確率（ＡＰＢ５）によって出力された結果である。詳細は図１４で説明する。

ホッピング累積確率（ＡＰＢ７）では、ホッピング累計で棚ｊに行く確率を求めたものである。計算式は、４つのステップから構成されている。
（ステップ１．）初期条件として０を代入する。
（ステップ２．）以下の式により、ホッピング数がｋ回までに棚ｊに行く確率を求める。

ｃｃ（ｊ、ｋ）＝ｃｃ（ｊ、ｋ−１）＋（１−ｃｃ（ｊ、ｋ−１））＊ｐｍ（ｊ、ｋ）
ここで、ｃｃ（ｉ、ｋ）は累積確率である。すなわち、（ホッピング数がｋ−１回までに棚ｊに立寄った確率）＋（ホッピング数がｋ−１回までに棚ｊに立寄っていない確率）＊（ホッピング数ｋ回の時に棚ｊに立寄る確率）である。
（ステップ３．）２を総ホッピング数まで繰り返す。
（ステップ４．）ｃｃが総ホッピング数の時の値を立寄率Ｓ（ＡＰＢ８）として出力する。
立寄率Ｓ（ＡＰＢ８）はホッピング累積確率（ＡＰＢ７）によって出力された結果である。詳細は図１５で説明する。

また、ＰＯＳテーブル（ＥＰ）から日毎の売上の商品毎の相関から商品間のネットワーク図を作成し、これから求めた係数を立寄りシミュレーション（ＡＰＢ）に含めてもよい。ネットワーク上のノードが商品、エッジが関係を示している。これを組み合わせることで、ネットワーク上で互いが近いかと遠いかによって、移動の頻度が異なるというモデルとなる。

図４は、顧客シミュレータ(ＡＰ)の店舗レイアウト評価(ＡＰＡ)のフローチャートである。

入力(ＡＰＡ２)では、店舗レイアウト評価(ＡＰＡ)に必要な入力ファイルを読み込む。入力ファイルとは具体的には、パラメータテーブル（ＤＰ）および棚間距離テーブル（ＦＤ）における、所望の案件ＩＤ（ＤＰ１，ＦＤ１）に対応するデータである。

立寄りシミュレーション(ＡＰＡ３)では、入力(ＡＰＡ２)のデータを使って、図３で説明したシミュレーションを行なう。立寄率Ｓ(ＡＰＡ４)は立ち寄りシミュレーション(ＡＰＡ３)の出力結果である。

場所バイアス処理(ＡＰＡ５)は、立寄率Ｓ(ＡＰＡ４)と図１１で説明する店舗レイアウト評価学習（ＡＰＣ）によって求めた立寄りモデル(ＡＰＡ６)を使って、場所の効果を求める。立寄りモデル(ＡＰＡ６)はパラメータテーブル(ＤＰ)の立寄りモデル(ＤＰ１０)と同じものである。

場所バイアス処理の計算式は、場所バイアス = 1 / (1 + exp(-1 * (立寄り率S * 傾き + 切片)))である。これは、一例であり、他の計算式でもかまわない。

場所バイアス（ＡＰＡ７）は場所バイアス処理（ＡＰＡ５）の出力結果である。内容については図１６で示した。

バイアス処理（ＡＰＡ８）では、売上（ＡＰＡ９）から場所の効果を排除した商品群の効果（以下、「商品効果」）を求める。バイアス処理（ＡＰＡ８）の入力は、場所バイアス（ＡＰＡ７）と売上（ＡＰＡ９）である。売上（ＡＰＡ９）は、売上データベース(Ｅ)の売上テーブル(ＥＵ)と同等である。

バイアス処理（ＡＰＡ８）の計算式は、売上 = 場所バイアス * 商品効果である。これは、一例であり、他の計算式でもかまわない。
商品効果（ＡＰＡ１０）はバイアス処理（ＡＰＡ８）の出力結果であり、場所の効果を排除した商品群の効果を示したものである。

図５は、顧客シミュレータを用いた、店舗レイアウト評価コンテンツのシーケンス図である。図５は、クライアント（ＣＬ）、アプリケーションサーバ（ＡＰ）とアプリケーションサーバ（ＡＰ）の記録部（ＡＰＭ）から構成されている。それぞれの縦線の矢印は時系列で処理の早い順を意味している。また、それぞれの横線の矢印はそれぞれの構成要素の関係を示している。

最初に、サーバ起動（ＡＰ１）では、アプリケーションサーバ（ＡＰ）のサーバを起動させおくことで、クライアント（ＣＬ）からのアクセス受け入れ可能状態にする。アプリ起動（ＣＬ１）は、ユーザ（ＵＳ）が店舗レイアウト評価コンテンツを起動したことを示している。条件入力（ＣＬ２）は、顧客シミュレータを行なうまでの条件設定を行なう。クライアント（ＣＬ）の解析条件（ＣＬＣＴ）で実行され、解析条件情報（ＣＬＭＰ）に記録される。計算実行（ＣＬ３）では、アプリケーションサーバ（ＡＰ）に対して、店舗レイアウト評価コンテンツの開始を指示する。

次に、アプリケーションサーバ（ＡＰ）からの課金情報送信（ＡＰ２）に対し、、課金データベース（Ｉ）側は、課金テーブル（ＩＫ）を更新する。クリック数（ＩＫ４）を元に課金するならば、課金テーブル（ＩＫ）の該当する項目を１増加させる。クラウド使用時間（ＩＫ５）を元に課金するならば、課金テーブル（ＩＫ）の該当する項目について、開始時刻を記録する。これが、更新（Ｉ１）である。さらに、終了時の場合には、クリック数（ＩＫ４）をカウントせず、または、クラウド使用時間（ＩＫ５）の開始時刻と終了時刻から利用時間を求めて、その値を使用時間としてクラウド使用時間（ＩＫ５）に加算する。

次に、アプリケーションサーバ（ＡＰ）からの条件送信（ＡＰ３）に対し、解析条件情報（ＣＬＭＰ）からシミュレーションデータベース（Ｄ）のパラメータテーブル（ＤＰ）を参照し、分析に必要なデータを記憶部（ＡＳＭ）のシミュレーションデータベース（Ｄ）、棚データベース（Ｆ）および売上データベース（Ｅ）から入手する。これが、条件検索（ＤＦＥ１）である。送信（ＤＦＥ２）では、上記で求めたデータをアプリケーションサーバ（ＡＰ）に送る。

店舗レイアウト評価（ＡＰＡ）では、図４で示した店舗レイアウト評価（ＡＰＡ）を行なう。コンテンツ生成（ＣＬＣＡ）では、店舗レイアウト評価（ＡＰＡ）の結果がクライアント（ＣＬ）へ送信されたもの描画設定（ＣＬＣＰ）を用いながら作成していく。終了（ＣＬ５）は店舗レイアウト評価コンテンツの終了である。

以上をまとめると、本実施例に係る顧客シミュレータシステムは、顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報（顧客の行動特性）、店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報（場所に関する情報）、および、店舗に顧客が滞在する滞在時間（ＤＰ６）と顧客が棚間で移動を行う移動周期（ＤＰ７）を示す第３の情報とが入力される入力部（送受信部ＡＳＳ）と、第１の情報、第２の情報、並びに、第３の情報、および、ａ）顧客は、店舗の入り口から移動を開始する、ｂ）顧客は、複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、ｃ）顧客は、滞在時間しか店舗に滞在しない、ｄ）顧客は、移動先の棚をランダムに移動する、というシミュレーション条件を記憶する記憶部と、第１の情報、第２の情報、第３の情報、および、シミュレーション条件とを用いて、複数の棚のそれぞれに対して顧客が滞在する確率を計算するシミュレータ部（顧客シミュレータＡＰ）と、確率を棚に対応付けて表示する表示部（ディスプレイＣＬＩＤ）と、を有することを特徴とする。

または、情報処理方法であって、顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報、店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報、および、店舗に顧客が滞在する滞在時間と顧客が棚間で移動を行う移動周期を示す第３の情報を入力として受け付ける工程（条件入力ＣＬ２）と、第１の情報、第２の情報、並びに、第３の情報、および、ａ）顧客は、店舗の入り口から移動を開始する、ｂ）顧客は、複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、ｃ）顧客は、滞在時間しか店舗に滞在しない、ｄ）顧客は、移動先の棚をランダムに移動する、というシミュレーション条件とを用いて、複数の棚のそれぞれに対して顧客が滞在する確率を計算する工程（計算実行ＣＬ３）と、確率を棚に対応付けて表示する工程（コンテンツ生成ＣＬＣＡ）と、を有することを特徴とする。

係る特徴により、本実施例に係る情報処理システムおよび情報処理方法は、売上を、場所の特性である場所バイアスと、商品の特性である商品効果とに、分離できる。これにより、商品配置の決定の際に、担当者は、場所の特性のみ、商品の特性のみを、それぞれ分けて検討することができるようになる。従って、より個々の担当者の能力に左右されず、より精度の高い商品配置の決定が可能となるものである。さらに、後述する、様々なアプリケーションを実現できる。

図６は、店舗レイアウト評価コンテンツ（ＫＡ）の画面である。ＫＡ１は店舗名（ＤＰ２）である。ＫＡ２は店舗レイアウト評価シミュレーションの計算実行開始ボタンである。図５のシーケンス図における計算実行（ＣＬ３）と同じである。ＫＡ３はシミュレーションデータベース（Ｄ）のパラメータテーブル（ＤＰ）のパラメータである。ＫＡ４は場所バイアスと商品効果の散布図を表示するグラフである。ＫＡ５は棚のレイアウトを編集するための設定画面である。ＫＡ６は棚のレイアウトである。ＫＡ７は店舗レイアウト評価シミュレーション結果である立寄率を表示する画面である。ＫＡ８は棚のレイアウトの凡例である。ＫＡ９は棚のレイアウト評価シミュレーション結果である顧客単価を表示する画面である。ＫＡ１０は棚のレイアウト評価シミュレーション結果である顧客購買点数を表示する画面である。ＫＡ１１は棚のレイアウト評価シミュレーション結果である顧客購買品目数を表示する画面である。

図６は、起動時の画面であり、この画面から、ＫＡ５やＫＡ６を用いて棚のレイアウトを決める。そして、図７のＫＢは、計算実行（ＣＬ３）した結果である。図７では、場所の特性を意味する場所バイアスの結果を表示している。ＫＢ６では、棚のレイアウトにおける棚に配色されている色の濃さによって場所バイアスの大きさを表しており、濃い色の方が場所バイアスの値が大きい。すなわち、ＫＢ６１＜ＫＢ６２＜ＫＢ６３である。それぞれの値については凡例ＫＢ８に表示がある。図７のように、場所バイアスのみを複数の棚のそれぞれに対応付けて図示を行う構成により、店舗レイアウトにおける場所の効果の影響を、商品配置の決定の担当者が直観的に理解することがより容易となる。

図７の画面に対し、ＫＢ５の立寄りの置き換え候補を選択した場合の画面が図８である。図８では、場所の特性である場所バイアスに加え、さらに商品の特性である商品効果を重畳して図示している。図８のＫＣでは、棚置換の候補と、棚を置き換えた時の特性を示している。ＫＣ４は場所バイアスと商品効果の散布図であり、各ノードＫＣ４１〜４３は棚と棚に配置されている商品を意味している。

ＫＣでは、ノードの絵柄によって意味が異なり、商品効果、場所バイアスのそれぞれについて、それぞれの棚が、平均値より大きいか否かを示している。ＫＣ４１は、商品効果が平均より高く、場所バイアスが平均より低い棚である。ＫＣ４２は、商品効果が平均より低く、場所バイアスが平均より高い棚である。ＫＣ４３は、上記以外の棚である。

ＫＣ６は、棚のレイアウトにおける評価結果である。棚の絵柄によって、意味が異なる。商品効果、場所バイアスのそれぞれの平均に対して、ＫＣ６１は、商品効果が平均より高く、場所バイアスが平均より低い棚である。ＫＣ６２は、商品効果が平均より低く、場所バイアスが平均より高い棚である。ＫＣ６３は、上記以外の棚である。

図８の構成により、場所バイアスと商品効果の釣り合っていない棚（ＫＣ６１，６２）を直観的に把握することが可能となり、より商品配置の決定が容易となる。さらに、ＫＣ６１の棚のいずれかの商品と、ＫＣ６２の棚のいずれかの商品の位置関係を交換することで、より顧客単価を高められる等の予測もより容易となる。

図９の画面は、図８のＫＣ６の棚にある商品の配置を移動（置換）させた結果を示している。置換した棚はＫＤ６１とＫＤ６２である。置換した際に、ＫＤ９、ＫＤ１０、ＫＤ１１を再計算した結果が表示される。さらに、初期値との差についても表示される。ＫＤ９には、図１０で作成された売上モデル（ＡＰＤ４）から、以下に示す顧客単価を計算した結果を表示する。この処理は全ての棚に対して行ない、変化があった棚には置き換え後の場所バイアスの値を代入した合計値を計算する。ここで、パラメータテーブル（ＤＰ）の売上モデル（ＤＰ１１）には、以下に示す顧客単価の式の傾きと切片が格納されている。
顧客単価＝Ｂ’＊ａ＋ｂ
ａ＝売上モデルの傾き
ｂ＝売上モデルの切片
Ｂ’＝置き換えた場所の場所バイアス
これは、一例であり、売上モデルに相応しい、他の計算式でもかまわない。

ＫＤ９にはさらに、顧客単価だけでなく、置き換え前と置き換え後での、顧客単価の変化量である増減金額と増減率を表示する。

ＫＤ１０は、ＫＤ９の顧客単価を、顧客購買点数と置き換えて求めた結果である。ＫＤ１１は、ＫＤ９の顧客単価を、顧客購買品目数と置き換えて求めた結果である。どちらも、計算の詳細はＫＤ９と同様である。なお、計算の詳細は図１０で後述する。

図９の構成により、商品の配置を置き換えた際の変換を、商品配置の担当者が容易に把握することが可能となる。例えば図９の例では、ＫＤ９〜１１の値が全て増加しており、ＫＤ６１と６２の棚の置き換えが好ましいことが容易にわかる。逆に、これらの値が減少している場合は、当該棚の置き換えは好ましくないことが容易にわかる。

図１０は、顧客シミュレータ（ＡＰ）の商品棚置換計算（ＡＰＤ）のフローチャートである。商品棚置換計算（ＡＰＤ）では、商品の特性である商品効果と置き換えた棚（場所）の特性である場所バイアスを売上モデルにて処理することで、売上を予測する。

入力（ＡＰＤ２）では、場所バイアス（ＡＰＡ７）と商品効果（ＡＰＡ１０）のファイルを読み込む。売上モデル生成（ＡＰＤ３）では、入力（ＡＰＤ２）を基にした回帰を行なう。売上モデルを生成することによって、棚配置後の売上の予測ができるようになる。求められた回帰式が売上モデル（ＡＰＤ４）である。単回帰の場合の式はＹ＝Ｘ＊傾き＋切片となるため、傾きと切片が、売上モデル（ＡＰＤ４）となる。他の回帰計算を用いる場合は、必要なパラメータを適宜売上モデル（ＡＰＤ４）とすれば良い。この、売上モデル（ＡＰＤ４）は、売上モデル（ＤＰ１１）に代入される。

図１１は、顧客シミュレータ（ＡＰ）の店舗レイアウト評価学習（ＡＰＣ）のフローチャートである。これは、店舗レイアウト評価（ＡＰＡ）を行ないための立寄りモデル（ＡＰＡ６）を求めるための学習である。

入力（ＡＰＣ２）では、立寄りシミュレーション（ＡＰＢ）に必要な入力ファイルを読み込む。具体的には、該当の案件ＩＤ（ＤＰ１）のパラメータテーブル（ＤＰ）の滞在時間オフセット（ＤＰ５）、滞在時間（ＤＰ６）、移動周期（ＤＰ７）、移動距離（ＤＰ８）、シミュレーション時間（ＤＰ９）と棚データベース（Ｆ）の棚間距離テーブル（ＦＤ）を読み込む。

立寄りシミュレーション（ＡＰＣ３）では、図３と同様に、入力（ＡＰＣ２）のデータ使って、シミュレーションを行なう。棚配置の立寄り率Ｓを求めるために立寄りシミュレーション（ＡＰＣ３）を行なう。立寄率Ｓ（ＡＰＣ４）は、立ち寄りシミュレーション（ＡＰＣ３）の出力結果である。

立寄りモデル生成（ＡＰＣ５）では、立寄率Ｓ（ＡＰＣ４）と立寄率（ＡＰＣ６）を基にした回帰を行なう。立寄りモデルを生成することによって、次回以降、実測による立寄率（ＡＰＣ６）を求めなくても、立ち寄りシミュレーション（ＡＰＣ３）による結果である立寄率Ｓ（ＡＰＣ４）だけあれば、店舗のレイアウト評価ができるようになる。立寄率（ＡＰＣ６）については図２３で説明する。

立寄りモデル生成（ＡＰＣ５）で、求められた回帰式が立寄りモデル（ＡＰＣ７）である。この立寄りモデル（ＡＰＣ７）を、立寄りモデル（ＤＰ１０）に代入して、店舗レイアウト評価学習（ＡＰＣ）は終了する（ＡＰＣ８）。

図１２〜１７において、シミュレーションに使用するテーブルを説明する。これらのデータは、シミュレーションデータベース（Ｄ）に格納される。以下で説明する各テーブルにおいて、説明していないパラメータが必要な場合には、任意に追加してもよい。
図１２は、顧客シミュレータ（ＡＰ）に必要なパラメータを格納するパラメータテーブル(ＤＰ)である。

図１２において、案件ＩＤ（ＤＰ１）は、案件を識別するためのＩＤである。案件名（ＤＰ２）は、案件名称である。店Ｎｏ（ＤＰ３）は、店舗を識別するための番号である。日時（ＤＰ４）は、シミュレーションの対象となった日付である。もし、複数日にまたがる場合には、複数日を指定してもよい。もし、日付と時刻が必要な場合には、両方格納してもよい（以下日付について同様）。滞在時間オフセット(ＤＰ５)は、シミュレーションを実行する際のオフセットとなる値である。値の単位は秒である。滞在時間(ＤＰ６)は、シミュレーションを実行する際の顧客の滞在時間であり、この時間毎に顧客の滞在確率が1/eとなる値である。値の単位は秒である。

移動周期(ＤＰ７)は、シミュレーション実行時の、前棚から次棚まで平均移動周期である。単位は秒である。移動距離(ＤＰ８)は、シミュレーション実行時の、前棚から次棚まで平均移動距離である。単位はメートルである。シミュレーション時間(ＤＰ９)は、シミュレーションを実行する時間である。単位は秒である。

立寄りモデル(ＤＰ１０)は、場所バイアス処理にて用いるモデルパラメータである。モデルは、フィッティング関数の各種パラメータの値か、当該フィッティング関数そのものの式にて構成されている。売上モデル(ＤＰ１１)は、場所バイアス処理にて用いるモデルパラメータである。モデルは、同様に値や式にて構成されている。

図１３は、その棚への立寄りやすさを示す状態遷移確率を格納する状態遷移確率マトリックステーブル(ＤＭ)である。

図１３において、案件ＩＤ(ＤＭ１)は、案件を識別するためのＩＤである。日時(ＤＭ２)は、シミュレーションの対象となった日付である。棚ＩＤ１(ＤＭ３)は、棚１を識別するための番号であり、棚ＩＤ２(ＤＭ４)は、棚２を識別するための番号である。ここで、棚ＩＤ１(ＤＭ３)や棚ＩＤ２(ＤＭ４)が間口（段（横）と列（縦））に分かれている場合には、それが識別できるように格納してもよい。状態遷移確率(ＤＭ５)には、立寄りシミュレーション（ＡＰＢ）の状態遷移確率（ＡＰＢ３）の出力結果を格納する。

図１４は、ホップ別の棚毎のその棚への立寄り確率を格納するホップ別確率テーブル(ＤＨ)である。これも、シミュレーションに使用するデータなので、シミュレーションデータベース(Ｄ)に含まれている。次に、内容の説明を行なう。

図１４において、案件ＩＤ(ＤＨ１)は、案件を識別するためのＩＤである。日時(ＤＨ２)は、シミュレーションの対象となった日付である。ホッピング回数(ＤＨ３)は、ホッピングを繰り返した回数である。ホッピング回数の最大値は、シミュレーション時間(ＤＰ９)を移動周期(ＤＰ７)で割った値である。棚ＩＤ(ＤＨ４)は、棚を識別するための番号である。ホップ別確率(ＤＨ５)は、立寄りシミュレーション（ＡＰＢ）のホップ別確率（ＡＰＢ５）の計算結果である。

図１５は、シミュレーションの結果である棚毎の立寄り率を格納するための立寄率Ｓテーブル(ＤＴ)である。

図１５において、案件ＩＤ(ＤＴ１)は、案件を識別するためのＩＤである。日時(ＤＴ２)は、シミュレーションの対象となった日付である。棚ＩＤ(ＤＴ３)は、棚を識別するための番号である。立寄率S(ＤＴ４)は、立寄りシミュレーションの、後述するホップ累積確率（ＡＰＢ６）の計算結果である。

図１６は、シミュレーションの結果から商品の影響を取り除き場所の効果のみを求めた場所バイアステーブル(ＤＢ)である。

図１６において、案件ＩＤ(ＤＢ１)は、案件を識別するためのＩＤである。日時(ＤＢ２)は、シミュレーションの対象となった日付である。棚ＩＤ(ＤＢ３)は、棚を識別するための番号である。場所バイアス(ＤＢ４)は、店舗レイアウト評価（ＡＰＡ）の場所バイアス処理（ＡＰＡ５）の計算結果である。

図１７は、売上から場の影響を取り除き商品の効果を求めた商品効果商品効果テーブル(ＤＵ)である。 図１７において、案件ＩＤ(ＤＵ１)は、案件を識別するためのＩＤである。日時(ＤＵ２)は、シミュレーションの対象となった日付である。棚ＩＤ(ＤＵ３)は、棚を識別するための番号である。商品ＩＤ(ＤＵ４)は、商品を識別するための番号である。商品効果(ＤＵ５)は、店舗レイアウト評価（ＡＰＡ）のバイアス処理（ＡＰＡ８）の計算結果である。

図１８〜１９において、売上データベース（Ｅ）に格納されるテーブルを説明する。図１８は、顧客毎の売上を求めた、ＰＯＳテーブル(ＥＰ)である。 図１８において、日時(ＥＰ１)は、その商品がレジに登録された日時である。すなわち、購入した日時である。顧客ＩＤ(ＥＰ２)は、購入した顧客を識別するための番号である。商品ＩＤ(ＥＰ３)は、購入した商品を識別するための番号である。商品情報(ＥＰ４)は、商品ＩＤ（ＥＰ３）の商品情報である。その商品の詳細が分かればよく、バーコード等の言語情報でなくでもかまわない。単価(ＥＰ５)は、商品ＩＤ(ＥＰ３)の１個あたりの値段である。個数(ＥＰ６)は、商品ＩＤ(ＥＰ３)の購入した商品の個数である。店Ｎｏ(ＥＰ７)は、店舗を識別するための番号である。レジＮｏ(ＥＰ８)は、店Ｎｏ(ＥＰ７)内のレジを識別するための番号である。レシートＮｏ(ＥＰ９)は、レジＮｏ(ＥＰ８)における購入した商品を１会計ごとに識別するための番号である。

このような値を代入することで、レジにおける一会計単位での、売上品目数、購入点数。売上金額がわかる。具体的には、店Ｎｏ(ＥＰ７)とレジＮｏ(ＥＰ８)とレシートＮｏ(ＥＰ９)を組み合わせることで1人のお客の会計が特定できる。

図１９は、商品の売り上げを示した、売上テーブル(ＥＵ)である。これはＰＯＳテーブル(ＥＰ)から商品毎に売上を集計したものである。

図１９において、案件ＩＤ(ＥＵ１)は、案件を識別するためのＩＤである。日時(ＥＵ２)は、シミュレーションの対象となった日付である。すなわち、購入した日時である。商品ＩＤ(ＥＵ３)は、商品を識別するための番号である。商品情報(ＥＵ４)は、商品ＩＤ（ＥＵ３）の商品情報である。その商品の詳細が分かればよく、バーコード等の言語情報でなくでもかまわない。売上金額(ＥＵ５)は、日時(ＥＵ２)における商品ＩＤ毎の売上金額であり、対象となる日時(ＥＵ２)における商品毎の売上をＰＯＳテーブル（ＥＰ）の単価（ＥＰ５）と個数（ＥＰ６）を掛けたものを集計することで求めたものである
図２０〜２１において、棚データベース（Ｆ）に格納されるテーブルを説明する。図２０は、商品と棚とを関係付けることを示した、棚商品テーブル(ＦＴ)である。これを用いることによって、どの商品がどの棚に配置されているかがわかる。

図２０において、案件ＩＤ(ＦＴ１)は、案件を識別するためのＩＤである。日時(ＦＴ２)は、シミュレーションの対象となった日付である。棚ＩＤ(ＦＴ３)は、棚を識別するための番号である。棚が間口（段（横）と列（縦））に分かれている場合には、それが識別できるように格納してもよい（以下同様）。同棚設置商品数(ＦＴ４)は、棚に異なる商品が何種類配置されているかを記載する。例えば、商品「アイス」と「冷凍食品」の２種類が棚「Ａ」で扱われている場合には、２となる。商品ＩＤ(ＦＴ５)は、商品を識別するための番号である。同商品設置棚数(ＦＴ６)は、同じ商品が複数の棚にて扱っている場合には、商品ＩＤに対して、取り扱っている棚の数を記載する。例えば、商品「アイス」が棚「Ａ」「Ｂ」「Ｃ」で扱っている場合には、３となる。このような値を保持することによって、棚毎の売上を求める際に、売上を棚数で割ることで、１棚あたりの売上を求めることができる。

図２１は、障害物を考慮した２棚間の距離を格納する棚間距離テーブル(ＦＤ)であり、２つの棚ＩＤと距離との関係を示している。

図２１において、案件ＩＤ(ＦＤ１)は、案件を識別するためのＩＤである。日時(ＦＤ２)は、シミュレーションの対象となった日付である。棚ＩＤ１(ＦＤ３)は、棚１を識別するための番号である。棚ＩＤ２(ＦＤ４)は、棚２を識別するための番号である。棚ＩＤ１（ＦＤ３）と棚ＩＤ２（ＦＤ４）が間口（段（横）と列（縦））に分かれている場合には、それが識別できるように格納してもよい。
距離（ＦＤ５）は、障害物を考慮した棚ＩＤ１（ＦＤ３）と棚ＩＤ２（ＦＤ４）の距離である。単位はメートルである。距離の求め方は、ダイクストラ法、ベルマンフォード法、Ａ＊アルゴリズムなど、一般的な最短経路問題のアルゴリズムを使うことができる。

図２２は、コンテンツ（Ｋ）上にて表示する必要がアイコン情報を格納するためのマップテーブル(ＧＭ)である。これは、マップデータベース(Ｇ)に格納されている。

コンテンツ（Ｋ）は、画面上に棚や障害物等のアイコンを指定することで入力を支援し、アイコン表示することでユーザが理解しやすくするものである。マップテーブル(ＧＭ)は、コンテンツ（Ｋ）におけるアイコンとマップとの対応表を示したものである。

図２２において、案件ＩＤ(ＧＭ１)は、案件を識別するためのＩＤである。日時(ＧＭ２)は、シミュレーションの対象となった日付である。背景マップファイル(ＧＭ３)は、コンテンツ（Ｋ）の背景に表示する地図ファイルである。棚ＩＤ(ＧＭ４)は、棚を識別するための番号である。座標Ｘ(ＧＭ５)は、マップ基準点（原点）から見た配置する際のＸ座標値である。座標Ｙ(ＧＭ６)は、マップ基準点（原点）から見た配置する際のＹ座標値である。アイコン種類(ＧＭ７)は、表示する際のアイコンの種類である。１が棚、２が障害物、３が初期立寄、４が入口、５が出口、6がレジである。複数の機能を有している場合には、複数の番号を割り当ててもよい。例えば、出入り口ならば４と５である。領域サイズＸ(ＧＭ８)は、マップから見た時に、座標Ｘ(ＧＭ５)を中心として、Ｘ軸方向の大きさを示したものである。

領域サイズＹ(ＧＭ９)は、マップから見た時に、座標Ｙ(ＧＭ６)を中心として、Ｙ軸方向の大きさを示したものである。取り出し方向(ＧＭ１０)とは、棚を設置した際に、基準点から見て、取り出し口の方向を示したものである。１が上、２が下、３が左、４が右である。

図２３は、実測によって求めた棚毎の立寄り率を格納するための立寄率テーブル(ＨＴ)である。これは、立寄データベース(Ｈ)に格納されている。

図２３において、案件ＩＤ(ＨＴ１)は、案件を識別するためのＩＤである。日時(ＨＴ２)は、シミュレーションの対象となった日付である。棚ＩＤ(ＨＴ３)は、棚を識別するための番号である。立寄率(ＨＴ４)は、実測によって求めた棚毎の立寄り率を求めたものである。計測方法はアンケート、カメラ、レーザ計測、センサなど、一般的な計測方法を用いることができる。

図２４は、シミュレーションの利用時間や回数を記録しておくことで、課金するためもととなるデータであり、課金テーブル(ＩＫ)に記録される。これは、課金データベース(Ｉ)に格納されている。次に、内容の説明を行なう。

図２４において、利用者ＩＤ(ＩＫ１)は、本アプリを使用したユーザ(ＵＳ)を識別するためのＩＤである。案件ＩＤ(ＩＫ２)は、案件を識別するためのＩＤである。日時(ＩＫ３)は、シミュレーションの対象となった日付である。クリック数(ＩＫ４)はクライアント（ＣＬ）からアプリケーションサーバ（ＡＳ）へクエリを送信した回数である。クラウド使用時間(ＩＫ５)はアプリケーションサーバ（ＡＳ）にて処理にかかった時間を格納する。もし、クリック数(ＩＫ４)やクラウド使用時間(ＩＫ５)を詳細に分類する時には、クエリ内容やページ毎に詳細化して使用状況を課金テーブル(ＩＫ)に格納してもよい。

以上で説明した本実施例に係る情報処理システムの特徴を、データベースおよびテーブルの構成から説明すると、店舗における棚の座標情報（座標Ｘ（ＧＭ５）および座標Ｙ（ＧＭ６））、棚の棚番号（棚ＩＤ（ＧＭ４））、および、これらを紐付けた情報（マップテーブル（ＧＭ））を入力する入力部（送受信部ＡＳＳ）と、棚の座標情報、棚の棚番号、および、これらを紐付けた情報を用いて、店舗の顧客のある時刻ｔにおける滞在位置または滞在確率を求める第１の処理と、顧客の時刻（ｔ＋Δｔ）における滞在位置または滞在確率を求める第２の処理と、を複数回繰り返すことによって、棚毎の前記顧客の立寄りやすさ、または、棚毎の売上予測を算出するシミュレータ部（顧客シミュレートタＡＰ）と、立寄りやすさ、または、売上予測を表示する表示部（ディスプレイＣＬＩＤ）と、を有することを特徴とする。

係る構成により、上述した店舗レイアウト評価コンテンツを実現し、商品の特性を排除した顧客動線と立寄りやすさを予測することが可能となる。

さらには、棚番号（棚ＩＤ（ＦＴ３））、当該棚番号を有する棚に配置される商品情報（商品ＩＤ（ＦＴ５））、並びに、これらを紐付ける情報（棚商品テーブル（ＦＴ））、と、売上情報（売上金額（ＥＵ５））、商品情報（商品ＩＤ（ＥＵ１））、および、これらを紐付ける情報（売上テーブル（ＥＵ））とをさらなる入力とすることで、上述した商品棚配置最適化コンテンツを実現し、例えば、棚配置変更による顧客単価、購買点数、購買品目の増減まで予測することが可能となる。

なお、本実施例に係る各発明は、人が回遊する場所に適用できるシステムであり、店舗だけでなく、工場、工事現場、物流倉庫などにも適用することが可能である。

ＡＳ アプリケーションサーバ
ＡＳＳ 送受信部
ＡＳＣ 制御部
ＡＳＣＣ 通信制御
ＡＳＣＷ Ｗｅｂサーバ
ＡＰ 顧客シミュレータ
ＡＰＡ 店舗レイアウト評価
ＡＰＢ 立寄りシミュレーション
ＡＰＣ 店舗レイアウト評価学習
ＡＰＤ 商品棚置換計算
ＡＰＥ 課金
ＡＳＭ 記憶部
Ｄ シミュレーションデータベース
Ｅ 売上データベース
Ｆ 棚データベース
Ｇ マップデータベース
Ｈ 立寄データベース
Ｉ 課金データベース
ＣＬ クライアント
ＣＬＳ 送受信部
ＣＬＣ 制御部
ＣＬＣＣ 通信制御
ＣＬＣＡ コンテンツ生成
ＣＬＣＰ 描画設定
ＣＬＣＴ 解析条件
ＣＬＣＷ Ｗｅｂブラウザ
ＣＬＭ 記憶部
ＣＬＭＰ 解析条件情報
ＣＬＭＴ 描画設定情報
ＣＬＩ 入出力部
ＣＬＩＤ ディスプレイ
ＣＬＩＫ キーボード
ＣＬＩＭ マウス
ＣＬＩＵ 外部入出力
Ｋ コンテンツ
ＮＷ ネットワーク
ＵＳ ユーザ

Claims (15)

1. 顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報、前記店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報、および、前記店舗に顧客が滞在する滞在時間と前記顧客が前記棚間で移動を行う移動周期を示す第３の情報とが入力される入力部と、
   前記第１の情報、前記第２の情報、並びに、前記第３の情報、および、
   ａ）前記顧客は、前記店舗の入り口から移動を開始する、
   ｂ）前記顧客は、前記複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、
   ｃ）前記顧客は、前記滞在時間しか前記店舗に滞在しない、
   ｄ）前記顧客は、移動先の棚をランダムに移動する、
   というシミュレーション条件を記憶する記憶部と、
   前記第１の情報、前記第２の情報、前記第３の情報、および、前記シミュレーション条件とを用いて、前記複数の棚のそれぞれに対して前記顧客が滞在する確率を計算するシミュレータ部と、
   前記確率を前記棚に対応付けて表示する表示部と、を有することを特徴とする情報処理システム。
2. 請求項１において、
   前記第１の情報は、前記顧客が前記店舗に滞在する時間のオフセットと、前記顧客が前記店舗に滞在する確率が1/eになる時間の２つの値により一意に定まる関数であること特徴とする情報処理システム。
3. 請求項１において、
   前記シミュレータ部は、前記移動周期毎の移動のうち、ｔ回目（ｔは自然数）の位置から、（ｔ＋１）回目の位置へ移動する確率を求めることを特徴とする情報処理システム。
4. 請求項１において、
   前記入力部に、前記店舗における売上を含む第４の情報がさらに入力され、
   前記シミュレータ部は、前記第４の情報をさらに用いて、前記売上から前記確率を排除した情報である商品効果を計算し、
   前記表示部は、前記確率および前記商品効果を表示することを特徴とする情報処理システム。
5. 請求項４において、
   前記シミュレータ部は、前記確率および前記商品効果の平均値を算出し、
   前記表示部は、前記複数の棚のそれぞれを、前記確率が平均値より大きいか否か、および、前記商品効果が平均値より大きいか否か、の２つの情報を識別できる表示態様で表示することを特徴とする情報処理システム。
6. 請求項４において、
   前記表示部において、前記複数の棚のそれぞれは、移動可能に構成され、
   前記シミュレータ部は、前記複数の棚のいずれかを移動させた際の、前記確率および前記商品効果をさらに算出することを特徴とする情報処理システム。
7. 請求項１において、
   前記シミュレータ部は、前記顧客の顧客単価、顧客購買点数、又は顧客購買品目数のうち少なくとも１つをさらに算出し、
   前記表示部は、前記顧客の顧客単価、前記顧客購買点数、又は前記顧客購買品目数のうち少なくとも１つをさらに表示することを特徴とする情報処理システム。
8. 顧客が店舗に入店後の時間経過に対する滞在確率に関する第１の情報、前記店舗に設けられた複数の棚のそれぞれの間の距離を示す第２の情報、および、前記店舗に顧客が滞在する滞在時間と前記顧客が前記棚間で移動を行う移動周期を示す第３の情報を入力として、入力部により受け付ける第１の工程と、
   前記第１の情報、前記第２の情報、並びに、前記第３の情報、および、
   ａ）前記顧客は、前記店舗の入り口から移動を開始する、
   ｂ）前記顧客は、前記複数の棚のうち移動距離が遠くのより近くにある棚に移動する確率が高い、
   ｃ）前記顧客は、前記滞在時間しか前記店舗に滞在しない、
   ｄ）前記顧客は、移動先の棚をランダムに移動する、
   というシミュレーション条件とを用いて、前記複数の棚のそれぞれに対して前記顧客が滞在する確率をシミュレータ部により計算する第２の工程と、
   前記確率を前記棚に対応付けて表示部により表示する第３の工程と、を有することを特徴とする情報処理方法。
9. 請求項８において、
   前記第１の情報は、前記顧客が前記店舗に滞在する時間のオフセットと、前記顧客が前記店舗に滞在する確率が1/eになる時間の２つの値により一意に定まる関数であること特徴とする情報処理方法。
10. 請求項８において、
    前記第２の工程において、前記移動周期毎の移動のうち、ｔ回目（ｔは自然数）の位置から、（ｔ＋１）回目の位置へ移動する確率を求めることを特徴とする情報処理方法。
11. 請求項８において、
    前記第１の工程において、前記店舗における売上を含む第４の情報がさらに入力され、
    前記第２の工程において、前記第４の情報をさらに用いて、前記売上から前記確率を排除した情報である商品効果をさらに計算し、
    前記第３の工程において、前記確率および前記商品効果を表示することを特徴とする情報処理方法。
12. 請求項１１において、
    前記第２の工程において、前記確率および前記商品効果の平均値を算出し、
    前記第３の工程において、前記複数の棚のそれぞれを、前記確率が平均値より大きいか否か、および、前記商品効果が平均値より大きいか否か、の２つの情報を識別できる表示態様で表示することを特徴とする情報処理方法。
13. 請求項８において、
    前記第２の工程において、前記顧客の顧客単価、顧客購買点数、又は顧客購買品目数のうち少なくとも１つをさらに算出し、
    前記第３の工程において、前記顧客の顧客単価、前記顧客購買点数、又は前記顧客購買品目数のうち少なくとも１つをさらに表示することを特徴とする顧客シミュレータシステム。
14. 店舗における棚の座標情報、前記棚の棚番号、前記店舗に設けられた複数の棚のそれぞれの間の距離、および、これらを紐付けた情報を入力する入力部と、
    前記棚の座標情報、前記棚の棚番号、前記距離、および、これらを紐付けた情報を用いて、前記店舗の顧客のある時刻ｔにおける前記複数の棚のそれぞれに対して前記顧客が滞在する滞在確率を求める第１の処理と、前記顧客の時刻（ｔ＋Δｔ）における前記滞在確率を求める第２の処理と、を行い所定の時刻までに前記複数の棚のそれぞれに対して前記顧客が移動する確率を求める第３の処理を行い、前記第３の処理を複数回繰り返すことによって、前記棚毎の前記顧客の立寄りやすさを算出するシミュレータ部と、
    前記立寄りやすさを表示する表示部と、を有することを特徴とする情報処理システム。
15. 請求項１４において、
    前記入力部は、
    前記棚番号、当該棚番号を有する棚に配置される商品情報、並びに、これらを紐付ける情報、及び、売上情報、前記商品情報、および、これらを紐付ける情報と、をさらなる入力とすることを特徴とする情報処理システム。

Images