JP6102224B2 - 分析プログラム、分析方法、および分析装置 - Google Patents

Description

本発明は、分析プログラム、分析方法、および分析装置に関する。

従来、データをいくつかのグループに分類するクラスタリング技術がある。たとえば、クラスタリングを用いて、店舗での購買における購入者の購買行動を調査する技術が知られている（たとえば、下記特許文献１〜３を参照。）。

特開２０００−２８５１７５号公報 特開平０９−３０５５７１号公報 特開２００１−１３４６４８号公報

しかしながら、従来では、同じ商品の購入者同士であっても属性は様々であるため、購入者の購買状況を分析することが困難である。

１つの側面では、本発明は、同じ商品であっても購入時間が異なる商品を異なる商品として分離して購買状況を分析することを可能にすることを目的とする。

本発明の一側面によれば、商品の識別情報と該商品の購入時間情報とを含む商品の購入履歴情報を複数商品について記憶する記憶部の記憶内容を参照して、少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位としてクラスタリングする分析プログラム、分析方法、および分析装置が提案される。

本発明の一態様によれば、同じ商品であっても購入時間が異なる商品を異なる商品として分離して購買状況を分析することが可能となる。

図１は、分析装置による一動作例を示す説明図である。 図２は、分析装置の適用例を示す説明図である。 図３は、実施の形態にかかる分析装置のハードウェア構成例を示すブロック図である。 図４は、分析装置の機能的構成を示すブロック図である。 図５は、購入時間区分テーブル例を示す説明図である。 図６は、購入履歴情報例を示す説明図である。 図７は、商品名と購入時間情報との組みの一例を示す説明図である。 図８は、実施例１にかかるクラスタリング結果を示す説明図である。 図９は、実施例１にかかる分析装置が行う処理手順例を示すフローチャートである。 図１０は、商品名と特定の日を示す情報との組みの一例を示す説明図である。 図１１は、実施例２にかかるクラスタリング結果を示す説明図である。 図１２は、実施例２にかかる分析装置が行う処理手順例を示すフローチャートである。 図１３は、時間間隔区分テーブル例を示す説明図である。 図１４は、商品名と時間帯を示す情報と時間間隔との組みの一例を示す説明図である。 図１５は、実施例３にかかるクラスタリング結果を示す説明図である。 図１６は、実施例３にかかる分析装置が行う処理手順例を示すフローチャート（その１）である。 図１７は、実施例３にかかる分析装置が行う処理手順例を示すフローチャート（その２）である。

以下に添付図面を参照して、本発明にかかる分析プログラム、分析方法、および分析装置の実施の形態を詳細に説明する。本実施の形態では、分析装置が複数の購入者をクラスタリングする例について説明する。

図１は、分析装置による一動作例を示す説明図である。分析装置１００は、店舗での購買における購入者の購買行動を分析するコンピュータである。図１の左側のように、購入者が購入した商品の共通性だけでクラスタリングが行われると、購入者ｘと購入者ｙとは、同一の商品を購入しているため、同一のグループにクラスタリングされる。

上述したように、同じ商品の購入者同士であっても属性は様々である。たとえば、百貨店やスーパーマーケットのような店舗形態であると、午前中に商品を購入する購入者と、午後の昼過ぎから夕方に商品を購入する購入者と、午後の夕方から夜に商品を購入する購入者と、では、それぞれライフスタイルが異なる可能性が高い。そのため、購買行動が異なる可能性がある。たとえば、午前中の時間帯に商品を購入する購入者は、午前中に勤務していない人などであるが、午後の夕方から夜の時間帯に商品を購入する購入者は、夕方まで勤務している人などであるというような推測が可能である。

そこで、本実施の形態では、分析装置１００は、少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位として複数の購入者をクラスタリングする。購入時間情報とは、たとえば、購入時刻によって定まる購入時間帯を示す情報である。購入時間帯については、分析対象となる店舗などの業務形態に基づいて分析者などにより予め定められていることとする。要素は、たとえば、少なくとも商品の識別情報と購入時間情報とを組みに含む購入内容と、購入者を示す識別情報と、を示す。これにより、分析装置１００によれば、同じ商品であっても購入時間が異なる商品を異なる商品として分離して購買状況を分析することが可能となる。図１の例では、購入者ｘと購入者ｙとは、同一の商品を購入しているが、当該組みによってクラスタリングされると、共通性がないため、同一のグループに分類されない。これにより、同一の商品の購入者同士であっても、購入時間帯が異なれば、別の特徴を有する購入者としてグループ分けできる。したがって、購入者をライフスタイルの違いに応じて区別することができ、購入者の購買行動の分析の容易化を図ることができる。

また、分析者は、グループ間の属する人数を比較してもよいし、各グループについて詳細に分析を行ってもよい。

図２は、分析装置の適用例を示す説明図である。インターネットやテレビなどを利用した販売や実際の店舗を利用した販売などによって購入者の購入履歴を示す購入履歴情報６００が得られる。分析装置１００は、購入履歴情報６００に基づいて複数の購入者をクラスタリングする。そして、たとえば、分析装置１００は、分析者が操作可能な装置にクラスタリング結果を出力してもよい。分析者は、クラスタリング結果に基づいて、各購入者の購買行動の傾向を分析することができる。

（分析装置１００のハードウェア構成例）
図３は、実施の形態にかかる分析装置のハードウェア構成例を示すブロック図である。図３において、分析装置１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３０１と、ＲＯＭ（Ｒｅａｄ‐Ｏｎｌｙ Ｍｅｍｏｒｙ）３０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）３０３と、ディスクドライブ３０４と、ディスク３０５と、ネットワークＩ／Ｆ（ＩｎｔｅｒＦａｃｅ）３０６と、を有する。また、各部はバス３００によってそれぞれ接続されている。

ここで、ＣＰＵ３０１は、分析装置１００の全体の制御を司る。ＲＯＭ３０２は、ブートプログラムなどのプログラムを記憶している。ＲＡＭ３０３は、ＣＰＵ３０１のワークエリアとして使用される。ディスクドライブ３０４は、ＣＰＵ３０１の制御にしたがってディスク３０５に対するデータのリード／ライトを制御する。ディスク３０５は、ディスクドライブ３０４の制御で書き込まれたデータを記憶する。

ネットワークＩ／Ｆ３０６は、通信回線を通じてＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどのネットワークＮＥＴに接続され、このネットワークＮＥＴを介して分析者が操作可能な装置２００などの他の装置に接続される。そして、ネットワークＩ／Ｆ３０６は、ネットワークＮＥＴと内部のインターフェースを司り、外部装置からのデータの入出力を制御する。ネットワークＩ／Ｆ３０６は、たとえば、モデムやＬＡＮアダプタなどを採用することができる。

また、分析装置１００がサーバのようなプロセッサの性能が高い例を挙げているが、これに限らず、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などであってもよい。そのため、分析装置１００は、キーボードやマウスなどの入力装置やディスプレイなどの出力装置を有していてもよい。

（分析装置１００の機能的構成例）
図４は、分析装置の機能的構成を示すブロック図である。分析装置１００は、記憶部４０１と、作成部４０２と、クラスタリング部４０３と、を有する。記憶部４０１は、たとえば、ＲＡＭ３０３やディスク３０５などの記憶装置によって実現される。作成部４０２とクラスタリング部４０３の処理は、たとえば、ＣＰＵ３０１がアクセス可能な記憶装置に記憶された分析プログラムにコーディングされる。そして、ＣＰＵ３０１が記憶装置から分析プログラムを読み出して、クラスタリングプログラムにコーディングされている処理を実行する。これにより、各部の処理が実現される。また、各部の処理結果は、たとえば、ＲＡＭ３０３、ディスク３０５などの記憶装置に記憶される。

ここで、本実施の形態では、作成部４０２と、記憶部４０１と、クラスタリング部４０３と、について実施例１〜実施例３を用いて詳細に説明する。実施例１では、商品の識別情報と購入時間情報との組みをクラスタリングの要素としてクラスタリングする。実施例２では、商品の識別情報と購入時間情報と購入日を示す情報との組みをクラスタリングの要素としてクラスタリングする。実施例３では、商品の識別情報と購入時間情報と同一の購入者による購入時間間隔との組みをクラスタリングの要素としてクラスタリングする。

（実施例１）
実施例１では、商品の識別情報と購入時間情報との組みをクラスタリングの要素としてクラスタリングする。これにより、同じ商品であっても購入時間が異なる商品を異なる商品として分離して購買状況を分析することが可能となる。購入時間情報として、購入時間帯が利用され、購入時間帯の区分は、購入時間区分テーブルに定義されることとする。図５に購入時間区分テーブル例を示し、図２に示した購入履歴情報６００の詳細例を図６に示す。

図５は、購入時間区分テーブル例を示す説明図である。購入時間区分テーブル５００は、たとえば、時間帯を示す情報を有する。購入時間区分テーブル５００によれば、「１０：００〜２０：００」までの各時刻が３つの時間帯に区分される。“ＡＭ”で表される「１０：００〜１２：５９」の時間帯と、“ＰＭ”で表される「１３：００〜１６：５９」の時間帯と、“ＺＭ”で表される「１７：００〜２０：００」の時間帯と、がある。上述したように、購入時間帯については、分析対象となる店舗などの業務形態に基づいて分析者などにより予め定められていることとする。購入時間区分テーブル５００については、たとえば、ＲＡＭ３０３、ディスク３０５などの記憶装置によって実現される。

図６は、購入履歴情報例を示す説明図である。購入履歴情報６００は、店名、商品名、購入日、購入時刻、会員番号、その他のフィールドを有する。各フィールドに情報が設定されることにより、レコードが記憶される。購入履歴情報６００は、記憶部４０１に記憶される。

店名のフィールドには、分析対象となる店舗を示す識別情報が登録される。商品名のフィールドには、購入された商品の識別情報として商品名が登録される。ここでは、商品の識別情報を商品名としているが、これに限らず、たとえば、商品に付された番号などであってもよい。購入日のフィールドには、商品が購入された日が登録される。購入時刻のフィールドには、商品が購入された時刻が登録される。会員番号のフィールドには、購入者の識別情報として、分析対象となる店舗の会員番号が登録される。ここでは、購入者の識別情報を会員番号としているが、これに限らず、たとえば、購入者の氏名であってもよい。その他のフィールドには、商品名と会員番号以外のその他の情報が登録される。たとえば、その他の情報は、購入者の性別や購入者の年齢などが挙げられるが、ここでは、特に限定しない。

作成部４０２は、購入者の識別情報の各々について、購入履歴情報６００に含まれる商品の購入時刻から購入時間区分テーブル５００に基づく商品の購入時間帯を特定し、記憶部４０１に商品名と購入時間帯を示す情報との組みを記憶する。ここでの組みを購入内容とする。たとえば、「“商品名”＋“＿”＋“購入時間帯を示す情報”」に購入者の識別情報が関連付けられて記憶される。

図７は、商品名と購入時間情報との組みの一例を示す説明図である。記憶内容７００は、たとえば、購入者の識別情報である会員番号ごとに、「“商品名”＋“＿”＋“購入時間帯を示す情報”」が含まれる。作成部４０２は、たとえば、会員番号「００１」について、商品Ａの購入時刻が「１０：３０」であるため、“ＡＭ”の時間帯に購入されたと特定し、会員番号「００１」と「Ａ＿ＡＭ」とを関連付けて記憶部４０１に記憶する。そして、作成部４０２は、たとえば、会員番号「００１」について、商品Ｂの購入時刻が「１０：４５」であるため、“ＡＭ”の時間帯に購入されたと特定し、会員番号「００１」と「Ｂ＿ＡＭ」とを関連付けて記憶部４０１に記憶する。作成部４０２は、他の会員番号についても同様に購入された商品の購入時刻から購入時間帯を特定し、記憶部４０１に記憶する。

そして、クラスタリング部４０３は、記憶部４０１の記憶内容を参照して、少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位としてクラスタリングする。具体的に、クラスタリング部４０３は、記憶部４０１の記憶内容７００の各会員番号に関連付けて記憶された商品名と購入時間帯を示す情報との組みをクラスタリング単位として、複数の購入者をクラスタリングする。クラスタリングの詳細な方法については、特に限定しない。

図８は、実施例１にかかるクラスタリング結果を示す説明図である。図８では、各会員番号がグループＧ１〜グループＧｎ（ｎ≧１）のいずれかにクラスタリングされ、各グループの購入者の人数をグラフにした例を示す。

グループＧ１には、「Ａ＿ＡＭ」と「Ｂ＿ＡＭ」とを購入内容とする会員番号「００１」と会員番号「００２」とが属する。グループＧ２には、「Ａ＿ＰＭ」と「Ｂ＿ＰＭ」とを購入内容とする会員番号「００３」と会員番号「００４」と会員番号「００７」と会員番号「００８」とが属する。グループＧ３には、「Ｃ＿ＺＭ」と「Ｄ＿ＺＭ」とを購入内容とする会員番号「００５」と会員番号「００６」とが属する。

商品の識別情報のみを要素としてクラスタリングが行われた場合、グループＧ１とグループＧ２とは同一のグループとなるが、実施例１によれば、購入時間帯が異なる購入者の識別情報を異なるグループＧ１とグループＧ２とに区別させることができる。したがって、同じ商品であっても購入時間が異なる商品を異なる商品として分離して購買状況を分析することを可能にする。

また、たとえば、分析者は、グループＧ１〜Ｇｎの各々について、より詳細に購買行動を分析してもよい。具体的には、たとえば、分析者は、グループＧ１に会員番号が含まれる購入者の性別や職業などを分析することにより、午前中に商品Ａ，Ｂを購入するような購入者層を分析してもよい。また、たとえば、分析者は、グループＧ１〜Ｇｎの間を比較することにより、購入者全体の購買行動の分析を行ってもよい。

（実施例１にかかる分析装置１００が行う処理手順例）
図９は、実施例１にかかる分析装置が行う処理手順例を示すフローチャートである。まず、分析装置１００は、購入時間区分を設定し（ステップＳ９０１）、購入履歴情報６００を取得し（ステップＳ９０２）、未選択の会員番号があるか否かを判断する（ステップＳ９０３）。未選択の会員番号がある場合（ステップＳ９０３：Ｙｅｓ）、分析装置１００は、未選択の会員番号から１つの会員番号を選択する（ステップＳ９０４）。

分析装置１００は、購入履歴情報６００から選択した会員番号を含むレコードを取得し（ステップＳ９０５）、取得したレコードのうち未選択のレコードがあるか否かを判断する（ステップＳ９０６）。取得したレコードのうち未選択のレコードがない場合（ステップＳ９０６：Ｎｏ）、ステップＳ９０３へ戻る。取得したレコードのうち未選択のレコードがある場合（ステップＳ９０６：Ｙｅｓ）、分析装置１００は、未選択のレコードから、１つのレコードを選択し（ステップＳ９０７）、取得したレコードから“商品名”、“購入時刻”を取得する（ステップＳ９０８）。そして、分析装置１００は、購入時刻の時間帯が購入時間区分のいずれであるか判断する（ステップＳ９０９）。

購入時刻の時間帯が“ＡＭ”である場合（ステップＳ９０９：ＡＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＡＭ”とし（ステップＳ９１０）、ステップＳ９１３へ移行する。購入時刻の時間帯が“ＰＭ”である場合（ステップＳ９０９：ＰＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＰＭ”とし（ステップＳ９１１）、ステップＳ９１３へ移行する。

購入時刻の時間帯が“ＺＭ”である場合（ステップＳ９０９：ＺＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＺＭ”とし（ステップＳ９１２）、ステップＳ９１３へ移行する。ステップＳ９１０、ステップＳ９１１、またはステップＳ９１２のつぎに、分析装置１００は、選択した会員番号と、購入内容と、を関連付けて記憶部４０１に記憶し（ステップＳ９１３）、ステップＳ９０６へ戻る。

未選択の会員番号がない場合（ステップＳ９０３：Ｎｏ）、分析装置１００は、記憶部４０１の記憶内容７００を参照して、購入内容を含む要素をクラスタリング単位としてクラスタリングし（ステップＳ９１４）、クラスタリング結果を出力する（ステップＳ９１５）。

（実施例２）
実施例２では、商品の識別情報と商品の購入時間情報および前記商品の購入日に基づく情報との組みをクラスタリングの要素として複数の購入者をクラスタリングする。これにより、購入された商品と購入時間帯が同一であっても、曜日や平日または休日であるかが異なる商品を異なる商品として分離して購買状況を分析することが可能となる。購入履歴情報６００と購入時間区分テーブル５００については、実施例１と同一の例を用いて説明する。

作成部４０２は、購入者の識別情報の各々について、購入履歴情報６００に含まれる商品の購入日が特定の日であるか否かを判断する。特定の日とは、たとえば、休日か平日かであってもよいし、特定の曜日であってもよいし、特定の日付であってもよい。ここでは、特定の日を休日として説明する。購入履歴情報６００に含まれる商品の購入日が休日である場合、作成部４０２は、商品名と休日を示す情報とを記憶部４０１に記憶する。たとえば、「“商品名”＋“＿”＋“休日を示す情報”」に購入者の会員番号が関連付けられて記憶部４０１に記憶される。

購入履歴情報６００に含まれる商品の購入日が平日である場合、作成部４０２は、実施例１と同様に、購入履歴情報６００に含まれる商品の購入時刻から購入時間区分テーブル５００に基づく商品の購入時間帯を特定し、記憶部４０１に記憶する。たとえば、「“商品名”＋“＿”＋“時間帯を示す情報”」に購入者の会員番号が関連付けられて記憶部４０１に記憶される。

図１０は、商品名と特定の日を示す情報との組みの一例を示す説明図である。記憶内容１０００は、たとえば、購入者の識別情報である会員番号ごとに、「“商品名”＋“＿”＋“時間帯を示す情報”」または「“商品名”＋“＿”＋“休日を示す情報”」が含まれる。作成部４０２は、たとえば、会員番号「００３」について、商品Ａの購入日が休日であることを特定し、会員番号「００３」と「Ａ＿ＨＯＬ」とを関連付けて記憶部４０１に記憶する。そして、作成部４０２は、たとえば、会員番号「００３」について、商品Ｂの購入日が休日であることを特定し、会員番号「００３」と「Ｂ＿ＨＯＬ」とを関連付けて記憶部４０１に記憶する。そのため、記憶部４０１に「００３ Ａ＿ＨＯＬ Ｂ＿ＨＯＬ」が記憶される。

会員番号「００４」についても、作成部４０２は、商品Ａ，Ｂの購入日が休日であることを特定し、会員番号「００４」と購入内容「Ａ＿ＨＯＬ」，「Ｂ＿ＨＯＬ」とを関連付けて記憶部４０１に記憶する。そのため、記憶部４０１に「００４ Ａ＿ＨＯＬ Ｂ＿ＨＯＬ」が記憶される。会員番号「００１」，「００２」，「００５」，「００６」，「００７」，「００８」については、平日であるため、実施例１と同様になる。

クラスタリング部４０３は、記憶部４０１の記憶内容を参照して、購入日が特定の日である場合には、商品の識別情報と、特定の日を示す情報と、を組みに含む要素をクラスタリング単位としてクラスタリングする。また、クラスタリング部４０３は、購入日が特定の日でない場合には、実施例１と同様に、商品の識別情報と、購入時間情報と、を組みに含む要素をクラスタリング単位としてクラスタリングする。クラスタリング部４０３は、記憶部４０１内の記憶内容１０００の各会員番号に関連付けて記憶された商品名と、購入時間帯を示す情報または購入日を示す情報と、の組みをクラスタリング単位として、複数の会員番号を複数のグループにクラスタリングする。

図１１は、実施例２にかかるクラスタリング結果を示す説明図である。図１１では、各会員番号がグループＧ１〜グループＧｍ（ｍ≧１）のいずれかにクラスタリングされ、グループごとに購入者の人数をグラフにした例を示す。

グループＧ１には、「Ａ＿ＡＭ」と「Ｂ＿ＡＭ」とを購入内容とする会員番号「００１」と会員番号「００２」とが属する。グループＧ２には、「Ａ＿ＨＯＬ」と「Ｂ＿ＨＯＬ」とを購入内容とする会員番号「００３」，「００４」が属する。グループＧ３には、「Ｃ＿ＺＭ」と「Ｄ＿ＺＭ」とを購入内容とする会員番号「００５」，「００６」とが属する。グループＧ４には、「Ａ＿ＰＭ」と「Ｂ＿ＰＭ」とを要素とする会員番号「００７」，「００８」とが属する。

実施例２によれば、購入された商品と購入時間帯が同一であっても、曜日や平日または休日であるかが異なる商品を異なる商品として分離して購買状況を分析することを可能にする。実施例１では、会員番号「００３」，「００４」，「００７」，「００８」が同一グループに分類されるが、実施例２では、会員番号「００３」，「００４」と、会員番号「００７」，「００８」とが、異なるグループに分類される。たとえば、平日に買い物をする人と、休日に買い物をする人と、では、ライフスタイルが異なる可能性が高い。そのため、同一の商品の購入者であっても、購入日が休日であるか否かによって別の特徴を有する購入者として購買状況を分析することにより、各購入者のライフスタイルの違いを考慮した購買状況の分析を可能にする。

また、たとえば、分析者は、グループＧ１〜Ｇｍの各々について、より詳細に購買行動を分析してもよい。具体的には、たとえば、分析者は、グループＧ１に会員番号が含まれる購入者の性別や職業などを分析することにより、午前中に商品Ａ，Ｂを購入するような購入者層を分析してもよい。また、たとえば、分析者は、グループＧ１〜Ｇｍの間を比較することにより、購入者全体の購買行動の分析を行ってもよい。

（実施例２にかかる分析装置１００が行う処理手順例）
図１２は、実施例２にかかる分析装置が行う処理手順例を示すフローチャートである。まず、分析装置１００は、購入時間区分を設定する（ステップＳ１２０１）。つぎに、分析装置１００は、購入履歴情報６００を取得し（ステップＳ１２０２）、未選択の会員番号があるか否かを判断する（ステップＳ１２０３）。未選択の会員番号がある場合（ステップＳ１２０３：Ｙｅｓ）、分析装置１００は、未選択の会員番号から１つの会員番号を選択する（ステップＳ１２０４）。

分析装置１００は、購入履歴情報６００から選択した会員番号を含むレコードを取得し（ステップＳ１２０５）、取得したレコードのうち未選択のレコードがあるか否かを判断する（ステップＳ１２０６）。取得したレコードのうち未選択のレコードがない場合（ステップＳ１２０６：Ｎｏ）、ステップＳ１２０３へ戻る。取得したレコードのうち未選択のレコードがある場合（ステップＳ１２０６：Ｙｅｓ）、分析装置１００は、未選択のレコードから、１つのレコードを選択し（ステップＳ１２０７）、取得したレコードから“商品名”、“購入日”、“購入時刻”を取得する（ステップＳ１２０８）。

分析装置１００は、“購入日”が休日か平日かを判断する（ステップＳ１２０９）。平日である場合（ステップＳ１２０９：平日）、分析装置１００は、購入時刻の時間帯が購入時間区分のいずれであるか判断する（ステップＳ１２１０）。購入時刻の時間帯が“ＡＭ”である場合（ステップＳ１２１０：ＡＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＡＭ”とし（ステップＳ１２１１）、ステップＳ１２１５へ移行する。購入時刻の時間帯が“ＰＭ”である場合（ステップＳ１２１０：ＰＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＰＭ”とし（ステップＳ１２１２）、ステップＳ１２１５へ移行する。

購入時刻の時間帯が“ＺＭ”である場合（ステップＳ１２１０：ＺＭ）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＺＭ”とし（ステップＳ１２１３）、ステップＳ１２１５へ移行する。ステップＳ１２０９において、休日であると判断された場合（ステップＳ１２０９：休日）、分析装置１００は、購入内容＝“商品名”＋“＿”＋“ＨＯＬ”とし（ステップＳ１２１４）、ステップＳ１２１５へ移行する。

ステップＳ１２１１、ステップＳ１２１２、ステップＳ１２１３、またはステップＳ１２１４のつぎに、分析装置１００は、選択した会員番号と、購入内容と、を関連付けて記憶部４０１に記憶し（ステップＳ１２１５）、ステップＳ１２０６へ移行する。

ステップＳ１２０３において、未選択の会員番号がない場合（ステップＳ１２０３：Ｎｏ）、分析装置１００は、記憶部４０１の記憶内容１０００を参照して、購入内容を含む要素をクラスタリング単位としてクラスタリングし（ステップＳ１２１６）、クラスタリング結果を出力する（ステップＳ１２１７）。

（実施例３）
実施例３では、商品の識別情報と商品の購入時間情報と商品の購入時間間隔に基づく情報とを組みに含む要素をクラスタリング単位としてクラスタリングする。これにより、購入された商品と購入時間帯が同一であっても、購入時間間隔が異なる商品を異なる商品として分離して購買状況を分析することが可能となる。購入履歴情報６００と購入時間区分テーブル５００については、実施例１と同一の例を用いて説明する。また、本実施の形態では、購入時間間隔を示す情報は、時間間隔区分テーブルに基づいて時間間隔区分によって定まることとする。時間間隔区分テーブルは図１３に示す。

図１３は、時間間隔区分テーブル例を示す説明図である。時間間隔区分テーブル１３００によれば、各時間間隔が「０．５時間以下」、「０．５時間より長く、３時間未満」、「３時間以上」のいずれかに区別される。時間間隔が「０．５時間以下」については、「Ｓｈｏｒｔ」で表され、時間間隔が「０．５時間より長く、３時間未満」については、「Ｍｉｄｄｌｅ」で表され、時間間隔が「３時間以上」については、「Ｌｏｎｇ」で表される。時間間隔の区分については、図１３の例に限らず、種々変更可能である。時間間隔区分テーブル１３００については、たとえば、ＲＡＭ３０３、ディスク３０５などの記憶装置によって実現される。

作成部４０２は、購入者の識別情報の各々について、購入履歴情報６００に含まれる購入された２つの商品の購入日時の時間間隔を特定する。作成部４０２は、特定した時間間隔から時間間隔区分テーブル１３００に基づく時間間隔区分を特定する。そして、作成部４０２は、２つの商品の各々について、購入履歴情報６００に含まれる商品の購入時刻から購入時間区分テーブル５００に基づく商品の購入時間帯を、実施例１と同様に特定する。作成部４０２は、記憶部４０１に、購入者の識別情報と、２つの商品の識別情報と、２つの商品の購入時間帯と、特定した時間間隔区分と、を関連付けて記憶する。

たとえば、購入者の会員番号の各々について、たとえば、「“第１の商品名”＋“＿”＋“第２の商品名”＋“＿”＋“第１の時間帯を示す情報”＋“＿”＋“第２の時間帯を示す情報”＋“＿”＋“時間間隔”」に購入者の会員番号が関連付けられて記憶部４０１に記憶される。

図１４は、商品名と時間帯を示す情報と時間間隔との組みの一例を示す説明図である。記憶内容１４００は、たとえば、会員番号ごとに、「“第１の商品名”＋“＿”＋“第２の商品名”＋“＿”＋“第１の時間帯を示す情報”＋“＿”＋“第２の時間帯を示す情報”＋“＿”＋ “時間間隔”」が含まれる。

作成部４０２は、たとえば、会員番号「００１」について、商品Ａの購入時刻が「１０：３０」であるため、“ＡＭ”の時間帯に購入されたと特定し、商品Ｂの購入時刻が「１０：４５」であるため、“ＡＭ”の時間帯に購入されたと特定する。そして、作成部４０２は、たとえば、会員番号「００１」について、商品Ａの購入日時と商品Ｂの購入日時との時間間隔を特定する。この時間間隔は８日と１５分である。作成部４０２は、特定した時間間隔から時間間隔区分テーブル１３００に基づく時間間隔区分を特定する。ここでの時間間隔区分は、“３時間以上”であるため、“Ｌｏｎｇ”である。そして、作成部４０２は、会員番号「００１」と第１の商品名「Ａ」と、第２の商品名「Ｂ」と第１の時間帯「ＡＭ」と第２の時間帯「ＡＭ」と時間間隔区分「Ｌｏｎｇ」と、を関連付けて購入履歴情報１４００に記憶する。そのため、記憶部４０１に「００１ Ａ＿Ｂ＿ＡＭ＿ＡＭ＿Ｌｏｎｇ」が記憶される。作成部４０２は、他の会員番号についても同様に処理を行う。

また、同一の消費者による購入の時間間隔については、たとえば、最も近い日時同士の間隔のすべてをクラスタリングの要素として含めてもよいし、平均値のような代表値のみをクラスタリングの要素として含めてもよく、特に限定しない。

つぎに、クラスタリング部４０３は、記憶部４０１の記憶内容１４００を参照して、商品の識別情報と、商品の購入時間情報と、同一の購入者による商品の購入時間間隔に基づく情報と、を組みに含む要素をクラスタリング単位としてクラスタリングする。

図１５は、実施例３にかかるクラスタリング結果を示す説明図である。図１５では、各会員番号がグループＧ１〜グループＧｌ（ｌ≧１）のいずれかにクラスタリングされ、グループごとに購入者の人数をグラフにした例を示す。

グループＧ１には、「Ａ＿Ｂ＿ＡＭ＿ＡＭ＿Ｌｏｎｇ」を購入内容とする会員番号「００１」，「００２」が属する。グループＧ２には、「Ａ＿Ｂ＿ＰＭ＿ＰＭ＿Ｓｈｏｒｔ」を購入内容とする会員番号「００３」，「００４」が属する。グループＧ３には、「Ｃ＿Ｄ＿ＺＭ＿ＺＭ＿Ｌｏｎｇ」を購入内容とする会員番号「００５」，「００６」が属する。グループＧ４には、「Ａ＿Ｂ＿ＰＭ＿ＰＭ＿Ｍｉｄｄｌｅ」を購入内容とする会員番号「００７」と会員番号「００８」とが属する。

実施例３によれば、購入された商品と購入時間帯が同一であっても、購入時間間隔が異なる商品を異なる商品として分離して購買状況を分析することを可能にする。実施例１では、会員番号「００３」，「００４」，「００７」，「００８」が同一グループに分類されていたが、会員番号「００３」，「００４」と、会員番号「００７」，「００８」とが、異なるグループに分類される。

また、たとえば、分析者は、グループＧ１〜Ｇｌの各々について、より詳細に購買行動を分析してもよい。具体的には、たとえば、分析者は、グループＧ１に会員番号が含まれる購入者の性別や職業などを分析することにより、午前中に商品Ａ，Ｂを購入するような購入者層を分析してもよい。また、たとえば、分析者は、グループＧ１〜Ｇｌの間を比較することにより、購入者全体の購買行動の分析を行ってもよい。

また、実施例２と実施例３については、組み合わせるなど、種々変更可能である。

（実施例３にかかる分析装置１００が行う処理手順例）
図１６および図１７は、実施例３にかかる分析装置が行う処理手順例を示すフローチャートである。まず、分析装置１００は、購入時間区分と時間間隔区分を設定し（ステップＳ１６０１）、購入履歴情報６００を取得し（ステップＳ１６０２）、未選択の会員番号があるか否かを判断する（ステップＳ１６０３）。未選択の会員番号がある場合（ステップＳ１６０３：Ｙｅｓ）、分析装置１００は、未選択の会員番号から１つの会員番号を選択する（ステップＳ１６０４）。

分析装置１００は、購入履歴情報６００から選択した会員番号を含むレコードを取得し（ステップＳ１６０５）、取得したレコードのうち未選択のレコードがあるか否かを判断する（ステップＳ１６０６）。取得したレコードのうち未選択のレコードがない場合（ステップＳ１６０６：Ｎｏ）、ステップＳ１６０３へ戻る。取得したレコードのうち未選択のレコードがある場合（ステップＳ１６０６：Ｙｅｓ）、分析装置１００は、未選択のレコードから、購入日および購入時刻が最も早いレコードを選択し（ステップＳ１６０７）、取得したレコードから“商品名”、“購入時刻”、“購入日”を取得する（ステップＳ１６０８）。分析装置１００は、未選択のレコードから購入日時が第１のレコードの購入日時に最も近い第２レコードを選択する（ステップＳ１６０９）。

分析装置１００は、選択した第２レコードから“商品名”、“購入時刻”、“購入日”を取得する（ステップＳ１６１０）。分析装置１００は、購入内容＝第１レコードの“商品名”＋“＿”＋第２レコードの“商品名”とする（ステップＳ１６１１）。

つぎに、分析装置１００は、第１レコードの購入時刻の時間帯が購入時間区分のいずれであるか判断する（ステップＳ１７０１）。購入時刻の時間帯が“ＡＭ”である場合（ステップＳ１７０１：ＡＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＡＭ”とし（ステップＳ１７０２）、ステップＳ１７０５へ移行する。

購入時刻の時間帯が“ＰＭ”である場合（ステップＳ１７０１：ＰＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＰＭ”とし（ステップＳ１７０３）、ステップＳ１７０５へ移行する。購入時刻の時間帯が“ＺＭ”である場合（ステップＳ１７０１：ＺＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＺＭ”とし（ステップＳ１７０４）、ステップＳ１７０５へ移行する。

分析装置１００は、第２レコードの購入時刻の時間帯が購入時間区分のいずれであるか判断する（ステップＳ１７０５）。購入時刻の時間帯が“ＡＭ”である場合（ステップＳ１７０５：ＡＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＡＭ”とし（ステップＳ１７０６）、ステップＳ１７０９へ移行する。

購入時刻の時間帯が“ＰＭ”である場合（ステップＳ１７０５：ＰＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＰＭ”とし（ステップＳ１７０７）、ステップＳ１７０９へ移行する。購入時刻の時間帯が“ＺＭ”である場合（ステップＳ１７０５：ＺＭ）、分析装置１００は、購入内容＝購入内容＋“＿”＋“ＺＭ”とし（ステップＳ１７０８）、ステップＳ１７０９へ移行する。

つぎに、分析装置１００は、第１および第２レコードの購入日時の時間間隔を特定し（ステップＳ１７０９）、差分はどの程度であるかを判断する（ステップＳ１７１０）。０．５時間以下の場合（ステップＳ１７１０：０．５以下）、分析装置１００は、購入内容＝購入内容＋“＿”＋“Ｓｈｏｒｔ”とし（ステップＳ１７１１）、ステップＳ１７１４へ移行する。

０．５時間より長く３時間未満の場合（ステップＳ１７１０：０．５より長く３未満）、分析装置１００は、購入内容＝購入内容＋“＿”＋“Ｍｉｄｄｌｅ”とし（ステップＳ１７１２）、ステップＳ１７１４へ移行する。３時間以上の場合（ステップＳ１７１０：３以上）、分析装置１００は、購入内容＝購入内容＋“＿”＋“Ｌｏｎｇ”とし（ステップＳ１７１３）、ステップＳ１７１４へ移行する。

つぎに、分析装置１００は、選択した会員番号と、購入内容と、を関連付けて記憶部４０１に記憶し（ステップＳ１７１４）、ステップＳ１６０６へ戻る。

ステップＳ１６０３において、未選択の会員番号がない場合（ステップＳ１６０３：Ｎｏ）、分析装置１００は、記憶部４０１の記憶内容１４００を参照して、購入内容を含む要素をクラスタリング単位としてクラスタリングし（ステップＳ１６１２）、クラスタリング結果を出力する（ステップＳ１６１３）。

以上説明したように、分析装置は、商品の識別情報と購入時間情報との組みをクラスタリングの要素としてクラスタリングする。また、分析装置は、複数の購入者をクラスタリングする。これにより、同一の商品の購入者同士であっても、購入時間帯が異なれば、別の特徴を有する購入者としてグループ分けできる。したがって、購入者をライフスタイルの違いに応じて区別することができ、購入者の購買行動の分析の容易化を図ることができる。

また、分析装置は、商品の購入日が異なる特定の日である場合、商品の識別情報と特定の日との組みをクラスタリングの要素としてクラスタリングする。これにより、同じ商品の購入者であっても、たとえば、平日または休日であるかが異なれば、異なる特徴を有する購入者として分類できる。たとえば、平日に商品を購入する購入者と休日に商品を購入する購入者とでは、職業などが異なるなどのライフスタイルに違いがある可能性がある。したがって、購入者をライフスタイルの違いに応じて区別することができ、購入者の購買行動の分析の容易化を図ることができる。

また、分析装置は、商品の識別情報と商品の購入時間情報と同一の購入者による購入時間間隔とを組みに含む要素をクラスタリング単位としてクラスタリングする。これにより、同じ商品を同じ時間帯に購入した購入者であっても、購入時間間隔が異なれば、異なる特徴を有する購入者として分類できる。たとえば、時間間隔が短い購入者は１日の間に何度も商品を購入するような購買行動であるなどの分析を行うことができる。

なお、本実施の形態で説明した分析方法は、予め用意された分析プログラムをＰＣやワークステーション等のコンピュータで実行することにより実現することができる。本分析プログラムは、フラッシュメモリやディスク等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。また、本分析プログラムは、インターネット等のネットワークＮＥＴを介して配布されてもよい。

１００ 分析装置
４０１ 記憶部
４０２ 作成部
４０３ クラスタリング部
６００ 購入履歴情報
Ｇ１〜Ｇｎ，Ｇｍ，Ｇｌ グループ

Claims (5)

1. 購買状況の分析プログラムであって、
   複数の購入者の各々について、前記購入者が購入した商品の識別情報と当該商品の購入時間情報と、を含む商品の購入履歴情報を複数商品について記憶する記憶部の記憶内容を参照して、少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位として前記複数の購入者をクラスタリングすることにより、前記複数の購入者のうち、前記要素に含まれる組がすべて同一である購入者同士を同一のグループに分類し、前記複数の購入者のうち、前記要素に含まれる組のいずれかが異なる購入者同士を異なるグループに分類する処理をコンピュータに実行させることを特徴とする分析プログラム。
2. 前記購入履歴情報は、前記商品の購入日情報を含み、
   クラスタリングする処理では、前記記憶部の記憶内容を参照して、前記商品の購入日情報が特定の日を示す場合には、少なくとも前記商品の識別情報と前記特定の日とを組みに含む要素をクラスタリング単位としてクラスタリングすることを特徴とする請求項１に記載の分析プログラム。
3. クラスタリングする処理では、前記記憶部の記憶内容を参照して、少なくとも、前記商品の識別情報と、前記商品の購入時間情報と、同一の購入者による購入の時間間隔と、を組みに含む要素をクラスタリング単位として、前記複数の購入者をクラスタリングすることを特徴とする請求項１または２に記載の分析プログラム。
4. 購買状況の分析方法であって、
   複数の購入者の各々について、前記購入者が購入した商品の識別情報と当該商品の購入時間情報と、を含む商品の購入履歴情報を複数商品について記憶する記憶部の記憶内容を参照して、少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位として前記複数の購入者をクラスタリングすることにより、前記複数の購入者のうち、前記要素に含まれる組がすべて同一である購入者同士を同一のグループに分類し、前記複数の購入者のうち、前記要素に含まれる組のいずれかが異なる購入者同士を異なるグループに分類する、
   処理をコンピュータが実行することを特徴とする分析方法。
5. 購買状況の分析装置であって、
   複数の購入者の各々について、前記購入者が購入した商品の識別情報と当該商品の購入時間情報と、を含む商品の購入履歴情報を複数商品について記憶する記憶部と、
   少なくとも商品の識別情報と購入時間情報とを組みに含む要素をクラスタリング単位として前記複数の購入者をクラスタリングすることにより、前記複数の購入者のうち、前記要素に含まれる組がすべて同一である購入者同士を同一のグループに分類し、前記複数の購入者のうち、前記要素に含まれる組のいずれかが異なる購入者同士を異なるグループに分類するクラスタリング部と、
   を有することを特徴とする分析装置。

Images