JP6163269B2 - 嗜好分析システム - Google Patents

Description

本発明は、個人の購買嗜好性を分析する技術に関する。

近年、顧客の飽きに対応するため、新商品を導入するなどして店舗内に陳列する商品の組み合わせを頻繁に変更する店舗が多い。このような、販売形態に対応するためには、販売実績の少ない商品や複数の商品間の競合の影響を加味した販売数予測を行うことが重要である。したがって、様々な商品について複数の商品間の競合の影響を加味した販売予測を正確に実施することができる技術が望まれる。

特願２０１３−１７０１８９号は、上記のような販売予測を実施する技術について記載している。下記特許文献１は、商品の購買意欲を喚起させる情報を顧客に対して提供するレコメンド技術について記載している。

特開２００２−３３４２５７号公報

顧客が商品を購入するか否か、すなわち顧客の商品に対する評価は、その商品が備えている属性に影響される。ただしその評価傾向は必ずしも固定的ではなく、その他条件によって増減する可能性がある。例えば、第１属性を備えた商品はその商品が同時に第２属性を備えている場合は積極的に購入し、同時に第３属性を備えている場合は購入しない、といった複合的な評価傾向が存在し得る。

特願２０１３−１７０１８９号および特許文献１ともに、上記のように商品に対する評価が増加するパターンと減少するパターンが混在している場合において、その評価傾向を増減させる変動因子を特定することについては考慮していない。

本発明は、上記のような課題に鑑みてなされたものであり、商品に対する評価を増減させる変動因子を、個人の購買履歴に基づき抽出することを目的とする。

本発明に係る嗜好分析システムは、個人の購買嗜好性を評価する嗜好性モデルを購買履歴から学習し、商品の属性を表す特徴量と、当該商品の評価を増減いずれにも変化させ得る混合的属性との間の相関を求めることにより、前記混合的属性を変動させる他の商品属性を抽出する。

本発明に係る嗜好分析システムによれば、個人の商品に対する評価を増減いずれにも変化させ得る混在的評価パターンが存在する場合において、その変動因子を個人の購買履歴に基づき抽出することができる。

実施形態１に係る嗜好分析システム１０００の構成図である。 中央サーバ１００の機能ブロック図である。 嗜好木データ１０５の例を示す概念図である。 評価傾向分類器１０６による処理を説明する概念図である。 特徴量分析器１０８による処理を説明する概念図である。 変動因子抽出器１１０による処理を説明する概念図である。 中央サーバ１００の動作フローである。 ステップＳ７０１の詳細を説明するフローチャートである。 ステップＳ７０２の詳細を説明するフローチャートである。 ステップＳ７０３の詳細を説明するフローチャートである。 ステップＳ７０４の詳細を説明するフローチャートである。 実施形態２における店舗サーバ２００の機能ブロック図である。 集計器２１０による集計結果例およびその画面表示例である。 図１３Ａと同一の分析結果に関する集計器２１０による集計結果およびその画面表示の別例である。 別の嗜好性モデル学習結果の表示例である。 図１３Ｃと同一の分析結果に関する集計器２１０による集計結果およびその画面表示の別例である。 集計器２１０による集計結果およびその画面表示の別例である。 集計器２１０による集計結果およびその画面表示の別例である。 集計器２１０による集計結果およびその画面表示の別例である。 集計器２１０による集計結果およびその画面表示の別例である。 実施形態３における店舗サーバ２００の機能ブロック図である。 レコメンド器２３０による処理結果例およびその画面表示例である。 レコメンド器２３０による処理結果およびその画面表示の別例である。 レコメンド器２３０による分析結果を保持するデータテーブルの構成とデータ例を示す図である。 レコメンド器２３０が送信する販促メッセージの１例である。 中央サーバ１００のハードウェア構成例である。

＜実施の形態１＞
図１は、本発明の実施形態１に係る嗜好分析システム１０００の構成図である。嗜好分析システム１０００は、個人の購買嗜好性を分析するシステムであり、中央サーバ１００と１以上の店舗サーバ２００がネットワーク３００によって接続された構成を備える。

中央サーバ１００は、個人毎の購買嗜好性を分析するサーバコンピュータであり、後述の図２で説明する構成を備える。店舗サーバ２００は、中央サーバ１００による分析結果を例えば当該店舗における各顧客について集計することにより、分析結果を当該店舗における業務において活用するためのデータを提供する。

図２は、中央サーバ１００の機能ブロック図である。中央サーバ１００は、ＰＯＳデータ１０１、在庫管理データ１０２、商品マスタ１０３、嗜好性学習器１０４、評価傾向分類器１０６、特徴量分析器１０８、変動因子抽出器１１０を備える。

ＰＯＳデータ１０１は、複数の個人がそれぞれ商品を購入した履歴を記述した購買履歴データである。在庫管理データ１０２は、商品の在庫管理状況を記述したデータである。商品マスタ１０３は、商品の品目や属性などを記述したマスタデータである。属性とは、消費者の商品購買に影響を与える特性を意味し、例えば、価格、商品を構成する材料、デザインなどの情報である。コンサバ系といった設計コンセプトを属性として付与してもよい。また、商品そのもの特性だけでなく、商品が購買される環境の特性を付与することも可能である。これは例えば、特売か否か、購買された時間情報（朝／昼／夜、休日／平日）などである。これらデータは例えば中央サーバ１００の外部に存在する適当なデータソースから取得することができるが、取得方法はこれに限られるものではない。

嗜好性学習器１０４は、ＰＯＳデータ１０１、在庫管理データ１０２、商品マスタ１０３を用いて、個人毎の購買嗜好性を学習し、その学習結果を嗜好木データ１０５として出力する。嗜好性学習器１０４による学習プロセスおよび嗜好木データ１０５の例は、特願２０１３−１７０１８９号に詳述されている。嗜好性学習器１０４は同文献記載の手法を用いて嗜好木データ１０５を生成することができる。嗜好木データ１０５の概念については後述の図３で改めて補足する。

評価傾向分類器１０６は、商品が備える属性に関して個人がどのように評価するかについての傾向を、評価値の増減パターンを基準として分類する。評価傾向分類器１０６は、分類結果を評価傾向テーブル１０７として出力する。評価傾向分類器１０６の具体的動作については後述する。

例えば商品「弁当」が備える属性として「野菜」「肉」「米」「魚」の４つがあると仮定する。評価傾向分類器１０６が分類する評価傾向の増減パターンとして以下のような例が考えられる。

（評価傾向の増減パターンその１：常に好き）
ある個人は属性「野菜」を備える弁当については常に肯定的な購買嗜好を示している場合、当該個人は属性「野菜」を備える弁当を購入する可能性が高いと考えられる。したがって属性「野菜」は弁当の評価を常に増加させる評価傾向パターンを有していると考えられる。

（評価傾向の増減パターンその２：常に嫌い）
ある個人は属性「肉」については常に否定的な購買嗜好を示している場合、当該個人は属性「肉」を備える弁当を購入する可能性が低いと考えられる。したがって属性「肉」は弁当の評価を常に減少させる評価傾向パターンを有していると考えられる。

（評価傾向の増減パターンその３：無関心）
ある個人は属性「米」については何らの購買嗜好をも示さない場合、当該個人が属性「米」を備える弁当は購入する可能性は評価できないと考えられる。したがって属性「米」は弁当の評価に対して影響しない（もしくは影響が少ない）評価傾向パターンを有していると考えられる。

（評価傾向の増減パターンその４：条件次第で好きまたは嫌い）
ある個人は属性「魚」については肯定的な購買嗜好を示す場合と否定的な購買嗜好を示す場合が混在している場合、当該個人が属性「魚」を備える弁当を購入する可能性は、その他の属性に依拠すると考えられる。したがって属性「魚」は、その他の属性に応じて弁当の評価を増加させたり減少させたりする評価傾向パターンを有していると考えられる。このような混在パターンを示す属性（ここでは「魚」）は、これを肯定的な購買嗜好に変動させる他の属性と組み合わせることにより、当該個人が弁当を購入する可能性を高めることができると考えられる。そこで中央サーバ１００は、属性「魚」を備える弁当の評価を増加させるその他の属性を、属性「魚」に対する肯定的変動因子として抽出する。同様に属性「魚」を備える弁当の評価を減少させるその他の属性を、属性「魚」に対する否定的変動因子として抽出することもできる。

特徴量分析器１０８は、嗜好木データ１０５の各葉ノード（末端ノード）へ分類される商品の特徴量を分析し、特徴量データ１０９として出力する。特徴量データ１０９はある葉ノードへ分類される商品においてある商品属性が特定の値となるなりやすさを表す数値を要素値として持つベクトルとして記述することができる。特徴量データ１０９の具体例については後述する。

変動因子抽出器１１０は、上述の混在パターンを示す属性の評価傾向と、特徴量データ１０９が記述している特徴量ベクトルとの間の相関を求めることにより、混在パターンを示す属性を有する商品に対する評価を肯定的に変動させるその他の属性を特定する。具体的手法については後述する。変動因子抽出器１１０は、その特定結果を変動因子テーブル１１１として出力する。

図３は、嗜好木データ１０５の例を示す概念図である。ここでは商品「弁当」が備える属性として「野菜」「肉」「米」「魚」の４つがある場合における例を示した。弁当の特徴は各属性を備えるか否かを示すベクトルによって記述することができる。例えば材料として「野菜」「肉」「米」を用い、「魚」を用いない弁当の特徴は、（１，１，１，０）と表すことができる。

嗜好木データ１０５の各葉ノードには、それぞれ評価関数が割り当てられている。嗜好木データ１０５は、弁当の属性をいずれの評価関数によって評価すべきかを決定する決定木の１種である。例えば図３に示す例において、属性「野菜」「肉」を備える弁当は評価関数ａ０ｘによって評価され、属性「野菜」を備えていないが「魚」を備えている弁当は評価関数ａ２ｘによって評価される。嗜好性学習器１０４は、ＰＯＳデータ１０１が記述している個人の購買履歴を教師データとして、弁当をいずれの評価関数によって評価すべきかについて学習する。さらに各評価関数の係数についても併せて学習する。具体的手法は特願２０１３−１７０１８９号に詳述されているが、概略について後述の図８で改めて説明する。

図４は、評価傾向分類器１０６による処理を説明する概念図である。評価傾向分類器１０６は、嗜好木データ１０５の各葉ノードに対応する評価関数において各属性に対して乗じられる係数を抽出する。例えば、評価関数ａ０ｘ＝１．０×（野菜）−２．０×（肉）＋０．０×（米）＋２．０×（魚）であると仮定すると、評価関数ａ０ｘの係数は図４左端列のようになる。その他の評価関数についても同様に各属性に対して乗じられる係数を抽出する。必ずしも係数そのものをそのまま用いる必要はなく、適当な加工処理（例：正規化）を施してもよい。

評価傾向分類器１０６は、抽出した各評価関数の係数を同じ属性について整列する。例えば評価関数ａ０ｘ〜ａ３ｘにおいて属性「野菜」に対して乗じられる係数がそれぞれ「１．０」「１．０」「１．０」「１．０」である場合、図４の１行目のようになる。すなわち属性「野菜」に対して乗じられる係数はいずれも正値である。この場合、当該個人はどのような弁当であっても属性「野菜」については必ず肯定的な評価傾向を示すといえる。したがって属性「野菜」は先に説明した増減パターン１に該当する。

評価傾向分類器１０６は、その他属性についても同様に増減パターンを特定する。図４に示す例においては、属性「魚」は上述の増減パターン４となっている。したがって当該個人は、属性「魚」を備える弁当についてはその他の属性次第によって肯定的に評価する場合と否定的に評価する場合とが混在しているといえる。評価傾向分類器１０６は、このような混在パターンを特定する。

評価傾向分類器１０６は、図４に例示するような評価傾向の増減パターンの判定結果、およびいずれの属性が混在パターンに該当するかについての判定結果を、評価傾向テーブル１０７として出力する。

図５は、特徴量分析器１０８による処理を説明する概念図である。特徴量分析器１０８は、嗜好木データ１０５によって同データの各葉ノードへ分類される商品群の特徴量を分析する。例えば評価関数ａ０ｘへ分類される商品は属性「野菜」「肉」を備えている傾向が強い場合、当該葉ノードへ分類される商品群の特徴量ベクトルは、「野菜」「肉」の値が比較的大きくなると考えられる。図５に示す例においては、評価関数ａ０ｘへ分類される商品群の特徴量ベクトルは（野菜，肉，米，魚）＝（１．０，０．８，０．２，０．０）となっている。特徴量分析器１０８は、その他葉ノードについても同様に特徴量ベクトルを計算し、特徴量データ１０９として出力する。

特徴量計算器１０８が特徴量を計算する手法として、例えば以下のようなものが考えられる。その他適当な手法を用いてもよい。

（特徴量ベクトルを計算する手法その１：占有率）
葉ノードに対して分類される商品の件数と、その葉ノードへ分類された商品群のなかである特定の属性を備えているものの件数との間の比率を、当該属性の特徴量とする。例えば評価関数ａ０ｘに対して分類される商品が２０件あり、そのなかで属性「野菜」を備える商品が１０件ある場合、当該葉ノードの属性「野菜」の特徴量は、１０件／２０件＝０．５となる。その他属性についても同様に特徴量を計算する。求めた値に対して適当な加工処理（例：正規化）を施してもよい。下記配分率についても同様である。

（特徴量ベクトルを計算する手法その２：配分率）
嗜好木データ１０５を学習するために用いた商品の全件数と、各葉ノードにおいてある特定の属性を備えている商品の件数との間の比率を、当該属性の特徴量とする。例えば嗜好木データ１０５を学習するために用いた商品のうち「野菜」を備える商品が１００件あり、そのなかで評価関数ａ０ｘに対して分類されかつ属性「野菜」を備える商品が３０件ある場合、当該葉ノードの属性「野菜」の特徴量は、３０件／１００件＝０．３となる。その他属性についても同様に特徴量を計算する。

図６は、変動因子抽出器１１０による処理を説明する概念図である。特徴量データ１０９は各評価関数に対して分類される商品群の特徴量を表し、評価傾向テーブル１０７は各評価関数が各属性の評価に対して寄与する傾向パターンを表している。これらの間の相関関係を分析することにより、評価傾向の増減パターンに対して正相関を有する属性と負相関を有する属性をそれぞれ特定することができると考えられる。そこで変動因子抽出器１１０は、特徴量データ１０９と評価傾向テーブル１０７との間の相関を求める。ここでは混在パターンを示す属性の評価に対して影響を及ぼす属性を特定することを目的としているので、属性「魚」の評価傾向パターンについて相関を求めればよい。

例えば「魚」の評価傾向パターンと「野菜=1」の特徴量ベクトルが正の相関を示す場合、「野菜」は「魚」の評価を肯定的に変化させる変動因子であると推定することができる。同様に例えば「魚」の評価傾向パターンと「米」が負の相関を示す場合、「米」は「魚」の評価を否定的に変化させる変動因子であると推定することができる。変動因子抽出器１１０は、相関分析の結果に基づき、これら肯定的変動因子（図６におけるｎ→ｐ変動因子）と否定的変動因子（図６におけるｐ→ｎ変動因子）を特定する。例えば相関係数が正閾値以上である属性は肯定的変動因子であると判断し、負閾値以下である属性は否定的変動因子であると判断することができる。

変動因子抽出器１１０は、属性「魚」の評価傾向パターンとその他属性との間の相関係数を算出し、さらに肯定的変動因子と否定的変動因子を特定し、変動因子テーブル１１１として出力する。

図７は、中央サーバ１００の動作フローである。中央サーバ１００は、例えばオペレータが中央サーバ１００に対してある商品の変動因子を抽出するよう指示すると、本フローチャートを開始する。

嗜好性学習器１０４は、指定された商品に対する個人の嗜好性モデルを学習し、嗜好木データ１０５として出力する（Ｓ７０１）。例えば３０代女性全員というように、複数の個人に関する嗜好性を一括して一つの嗜好性モデルとして学習してもよいし、特定の個人に関する嗜好性モデルを学習してもよい。また、特定の個人など人を限定した上で、嗜好性モデルを複数構築してもよい。例えば、ロバスト性を確保するために、同一学習データと同一商品属性データから、ランダムフォレスト等の手法を用いて、複数の嗜好性モデルを学習してもよい。

また、お惣菜に関する嗜好性モデル、家電商品に関する嗜好性モデルなど、異なる商品カテゴリごとに複数の嗜好性モデルを学習してもよい。お惣菜に関する嗜好性モデルと、お惣菜を含む食材全般に関する嗜好性モデルを別に学習することも可能である。評価対象の商品は同じであっても、付与する属性の観点を変えることで異なる嗜好性モデルを学習してもよい。例えば、お惣菜に関する嗜好性モデルを、材料・栄養素情報といった客観的に判断可能な商品属性のみで評価する嗜好性モデルと、商品企画者が定めた各商品のターゲット層・企画コンセプトなど習慣の混じる情報で評価する嗜好性モデルを別に構築してもよい。客観情報/習慣情報を混在させた属性ベクトルを設定し、一つの嗜好性モデルにまとめてもよい。

分析者は、分析目的に応じて、分析したい購買に関係する属性や評価対象の範囲内の商品を定め嗜好性の学習を行うことができる。すなわち嗜好木データ１０５は条件に合わせて任意の嗜好性モデル数分作成される。例えば複数の個人ごとに一の嗜好性モデルを作成したい場合はその個人毎に嗜好木データ１０５を作成する必要がある。以下では説明の簡易のため、ある特定の個人がある特定の商品（例えば弁当）に対して有する購買嗜好性を学習するものとする。

評価傾向分類器１０６は、図４で説明した手法により、当該個人の当該商品に対する評価傾向パターンを分類する（Ｓ７０２）。特徴量分析器１０８は、図５で説明した手法により、当該商品の特徴量を分析する（Ｓ７０３）。変動因子抽出器１１０は、図６で説明した手法により変動因子を抽出する（Ｓ７０４）。ステップＳ７０１〜Ｓ７０４の詳細は後述する。

図８は、ステップＳ７０１の詳細を説明するフローチャートである。以下図８の各ステップについて説明する。本フローチャートの詳細は特願２０１３−１７０１８９号にも記載されている。

（図８：ステップＳ８０１）
嗜好性学習器１０４は、ＰＯＳデータ１０１、在庫管理データ１０２．商品マスタ１０３を読み取る。嗜好性学習器１０４は、ＰＯＳデータ１０１が記述している各個人（消費者）のＩＤと人数Ｎを取得する。

（図８：ステップＳ８０２〜Ｓ８０３）
嗜好性学習器１０４は、消費者の番号ｎを初期化する（Ｓ８０２）。嗜好性学習器１０４は、消費者ｎの購買履歴をＰＯＳデータ１０１から取得する（Ｓ８０３）。

（図８：ステップＳ８０４）
嗜好性学習器１０４は、消費者ｎが購買した商品のＩＤをＰＯＳデータ１０１から取得するとともに、当該商品の属性ベクトルを商品マスタ１０３から取得する。

（図８：ステップＳ８０５〜Ｓ８０６）
嗜好性学習器１０４は、消費者ｎの購買嗜好性を良好に分離することができる、嗜好木の分岐条件を学習する（Ｓ８０５）。嗜好性学習器１０４は、例えば各葉ノードへ分類される商品の条件付き選択確率が最大となるように、各葉ノードの商品属性に対して乗じられる係数マトリクスを算出する（Ｓ８０６）。嗜好性学習器１０４は、これらステップの結果を嗜好木データ１０５に格納する。

（図８：ステップＳ８０７〜Ｓ８０８）
嗜好性学習器１０４は、ｎの値を１つインクリメントする（Ｓ８０７）。嗜好性学習器１０４は、嗜好性モデルを学習していない消費者が残っている場合はステップＳ８０３に戻って同様の処理を実施し、全消費者について学習し終えた場合は本フローチャートを終了する（Ｓ８０８）。

（図８：ステップＳ８０５：補足その１）
嗜好性学習器１０４は、顧客ｎの嗜好木の分岐条件を選択する。すなわち、嗜好木の分岐条件、分岐条件の特性／符号／レベルなｄｐを決定する。例えば、分岐条件候補の例としては、「価格＜５００円」、「カロリ＞１０００ｋｃａｌ」「塩分≦５ｇ」などがある。また、魚のありを１、なしを０として、「魚＝１」を分岐条件の候補とすることもできる。例えば、特性／符号／レベルの組み合わせからなる複数の分岐条件候補の中から最も購買結果の分離性の高い候補を採用する。分離性が高い条件とは、学習データセットに含まれる商品属性ベクトルをその条件候補の条件を満たすか満たさないかで分けた際に、購買されたか否かの結果を同時に分離することができる条件である。

（図８：ステップＳ８０５：補足その２）
嗜好性学習器１０４は、学習データに含まれる全ての商品を、ある条件候補を満たす商品群と満たさない商品群に分け、各群において購買された商品の割合を算出する。次に、条件を満たす群と満たさない群との間で、購買された商品の割合を比較し、その差が大きいほど分離性が高いと評価する。割合の比較は、情報エントロピやカルバック・ライブラ情報量を用いて実施することができる。その他手法を用いて分離性を評価してもよい。

（図８：ステップＳ８０６：補足）
嗜好性学習器１０４は例えば、複数選択肢の商品の中から最も嗜好得点の高い商品が選択されるように、各葉ノードの係数マトリクスを定めることができる。例えばロジットモデルを用いて条件付き選択確率の式を作成し、過去の購買履歴データから、選択された商品に関する条件付き選択確率を最大化するように、係数マトリクスを推定する。その他適当な手法を用いて係数マトリクスを定めてもよい。

図９は、ステップＳ７０２の詳細を説明するフローチャートである。以下図９の各ステップについて説明する。

（図９：ステップＳ９０１）
評価傾向分類器１０６は、嗜好木データ１０５を読み出し、指定された個人および商品に関する嗜好性モデルおよびその個数Ｎを取得する。評価傾向分類器１０６は、商品マスタ１０３から当該商品の属性およびその個数Ｍを取得する。

（図９：ステップＳ９０２）
評価傾向分類器１０６は、嗜好木（１つの嗜好性モデルに相当）の番号ｎを初期化する。

（図９：ステップＳ９０３）
評価傾向分類器１０６は、嗜好木ｎに関する嗜好木データ１０５を取得する。評価傾向分類器１０６は、評価関数の各係数を正規化するなどの補正処理を施す場合は、その補正処理に関する基準値などのパラメータもあらかじめ取得しておく。パラメータは例えば嗜好木データ１０５内に記述しておけばよい。

（図９：ステップＳ９０４〜Ｓ９０５）
評価傾向分類器１０６は、属性の番号ｍを初期化する（Ｓ９０４）。評価傾向分類器１０６は、図４で説明した手順にしたがって、各評価関数において属性ｍに対して乗じられる係数を取得し、評価傾向テーブル１０７に格納する（Ｓ９０５）。係数を正規化するなどの処理を施す場合は、処理後の値を評価傾向テーブル１０７に格納する。

（図９：ステップＳ９０６）
評価傾向分類器１０６は、図４で説明した手順にしたがって、各評価関数の係数に基づき、当該商品の属性ｍに対する評価傾向を、先に説明した４つの増減パターンのいずれかに分類し、その結果を評価傾向テーブル１０７に格納する。

（図９：ステップＳ９０７〜Ｓ９０８）
評価傾向分類器１０６は、ｍの値を１つインクリメントする（Ｓ９０７）。評価傾向分類器１０６は、評価傾向パターンを分類していない属性が残っている場合はステップＳ９０５に戻って同様の処理を実施し、全属性について分類し終えた場合はステップＳ９０９へ進む（Ｓ９０８）。

（図９：ステップＳ９０９〜Ｓ９１０）
評価傾向分類器１０６は、ｎの値を１つインクリメントする（Ｓ９０９）。評価傾向分類器１０６は、評価傾向パターンを分類していない嗜好性モデルが残っている場合はステップＳ９０３に戻って同様の処理を実施し、全嗜好性モデルについて分類し終えた場合は本フローチャートを終了する（Ｓ９１０）。

図１０は、ステップＳ７０３の詳細を説明するフローチャートである。以下図１０の各ステップについて説明する。

（図１０：ステップＳ１００１）
特徴量分析器１０８は、嗜好木データ１０５を読み出し、指定された個人および商品に関する嗜好性モデルおよびその個数Ｎを取得する。特徴量分析器１０８は、商品マスタ１０３から当該商品の属性およびその個数Ｍを取得する。ここで、特徴量分析器１０８で用いる属性は、嗜好性モデル学習で用いた属性と必ずしも全て一致する必要はない。例えば、任意の属性に関する特徴だけに着目したい場合は、嗜好性モデル学習で用いた属性の全てを本分析に用いなくてもよい。また、「鶏」、「豚」、「牛」といった属性を「肉」属性でまとめるなど、属性間に階層関係が存在する場合に上位レイヤ-の属性情報で置き換えてもよい。

（図１０：ステップＳ１００２〜Ｓ１００３）
特徴量分析器１０８は、嗜好木の番号ｎを初期化し（Ｓ１００２）、嗜好木ｎに関する嗜好木データ１０５を取得する（Ｓ１００３）。

（図１０：ステップＳ１００４）
特徴量分析器１０８は、嗜好木ｎの構造にしたがってＰＯＳデータ１０１が記述している当該商品を嗜好木ｎの各葉ノードへ分類し、各葉ノードへ分類される商品の件数と各商品の属性ベクトルを取得する。嗜好性学習器１０４が嗜好木データ１０５を学習する際に各商品を分類した結果が保存されているのであれば、改めて各商品を分類せずにその結果を利用してもよい。

（図１０：ステップＳ１００５）
特徴量分析器１０８は、属性の番号ｍを初期化する。

（図１０：ステップＳ１００６）
特徴量分析器１０８は、属性ｍが取り得る値の候補数Ｋを取得する。例えばその属性を有するか否かによって表される属性は、属性値として「０」「１」いずれかとなるので、Ｋ＝２となる。価格帯のように複数の候補値が存在する属性であれば、Ｋはその候補値の個数となる。嗜好性モデルの学習において、連続値の商品属性を設定した場合は、任意の範囲で区切り、離散化するなどして候補数を決定しておく。

（図１０：ステップＳ１００７）
特徴量分析器１０８は、属性候補値の番号ｋを初期化する。

（図１０：ステップＳ１００８〜Ｓ１００９）
特徴量分析器１０８は、嗜好木ｎが分類する全商品のうち、属性ｍの値が候補値ｋとなる商品の件数を取得する（Ｓ１００８）。特徴量分析器１０８は、各葉ノードへ分類される商品のうち、属性ｍの値が候補値ｋとなる商品の件数をそれぞれ取得する（Ｓ１００９）。

（図１０：ステップＳ１０１０〜Ｓ１０１１）
特徴量分析器１０８は、図５で説明した手法にしたがって、属性ｍの値が候補値ｋとなる商品の特徴量を算出する（Ｓ１０１０）。特徴量分析器１０８は、算出した特徴量を特徴量データ１０９に格納する（Ｓ１０１１）。

（図１０：ステップＳ１０１２〜Ｓ１０１３）
特徴量分析器１０８は、ｋの値を１つインクリメントする（Ｓ１０１２）。特徴量分析器１０８は、特徴量を算出していない属性候補値が残っている場合はステップＳ１００９に戻って同様の処理を実施し、全候補値について算出し終えた場合はステップＳ１０１４へ進む（Ｓ１０１３）。

（図１０：ステップＳ１０１４〜Ｓ１０１５）
特徴量分析器１０８は、ｍの値を１つインクリメントする（Ｓ１０１４）。特徴量分析器１０８は、特徴量を算出していない属性が残っている場合はステップＳ１００６に戻って同様の処理を実施し、全属性について算出し終えた場合はステップＳ１０１６へ進む（Ｓ１０１５）。

（図１０：ステップＳ１０１６〜Ｓ１０１７）
特徴量分析器１０８は、ｎの値を１つインクリメントする（Ｓ１０１６）。特徴量分析器１０８は、特徴量を算出していない嗜好性モデルが残っている場合はステップＳ１００３に戻って同様の処理を実施し、全嗜好性モデルについて算出し終えた場合は本フローチャートを終了する（Ｓ１０１７）。

図１１は、ステップＳ７０４の詳細を説明するフローチャートである。以下図１１の各ステップについて説明する。

（図１１：ステップＳ１１０１）
変動因子抽出器１１０は、嗜好木データ１０５を読み出し、指定された個人および商品に関する嗜好性モデルおよびその個数Ｎを取得する。変動因子抽出器１１０は、商品マスタ１０３から当該商品の属性の個数Ｍを取得する。

（図１１：ステップＳ１１０２）
変動因子抽出器１１０は、変動因子を抽出する際に用いる閾値を取得する。ここでいう閾値とは、図６で説明した手順によって求めた相関係数が肯定的変動因子／否定的変動因子であるか否かを判断するための閾値である。これら閾値は、例えば抽出結果を格納する前の変動因子テーブル１１１など適当な記憶部にあらかじめ格納しておけばよい。

（図１１：ステップＳ１１０３〜Ｓ１１０４）
変動因子抽出器１１０は、嗜好木の番号ｎを初期化する（Ｓ１１０３）。変動因子抽出器１１０は、嗜好木ｎに関する特徴量データ１０９を取得する（Ｓ１１０４）。特徴量データ１０９は、図５〜図６に例示するように、特徴量ベクトルの行列である。

（図１１：ステップＳ１１０５）
変動因子抽出器１１０は、属性の番号ｍを初期化する。

（図１１：ステップＳ１１０６）
変動因子抽出器１１０は、嗜好木ｎにおける属性ｍの評価傾向ベクトルを取得する。ここでいう評価傾向ベクトルとは、図４で説明した各属性に対する評価傾向の増減パターンを表す係数である。例えば図４においては、属性「魚」に対して乗じられる各評価関数の係数を取り出したベクトル（２．０，−２．０，−２．０，−２．０）である。以後のステップは混在パターンに対してのみ実施するので、本ステップにおいては混在パターンの評価傾向ベクトルのみを取得すればよい。したがって混在パターンではない属性ｍについては以下のステップは省略してもよいし、省略せずに実施してもよい。

（図１１：ステップＳ１１０７）
変動因子抽出器１１０は、評価傾向ベクトルと特徴量ベクトル行列の各行との間の相関係数を算出する。例えば図６において、属性「魚」の評価傾向ベクトル（１０７）と、特徴量ベクトル行列（１０９）の１行目との間の相関係数を求めることにより、属性「魚」と「野菜」との間の相関を求めることができる。変動因子抽出器１１０は同様に、属性「魚」の評価傾向ベクトル（１０７）と、特徴量ベクトル行列（１０９）の２〜４行目との間の相関係数を求める。算出した相関係数は、図６の下に例示するような相関係数ベクトルとなる。変動因子抽出器１１０は、これを変動因子テーブル１１１に格納する。

（図１１：ステップＳ１１０８〜Ｓ１１０９）
変動因子抽出器１１０は、相関係数ベクトルの各要素値をステップＳ１１０２で取得した閾値と比較することにより、属性ｍに対する肯定的変動因子と否定的変動因子を抽出する（Ｓ１１０８）。変動因子抽出器１１０は、各変動因子を特定した結果を変動因子テーブル１１１に格納する（Ｓ１１０９）。

（図１１：ステップＳ１１１０〜Ｓ１１１１）
変動因子抽出器１１０は、ｍの値を１つインクリメントする（Ｓ１１１０）。変動因子抽出器１１０は、変動因子を抽出していない属性が残っている場合はステップＳ１１０６に戻って同様の処理を実施し、全属性について抽出し終えた場合はステップＳ１１１２へ進む（Ｓ１１１１）。

（図１１：ステップＳ１１１２〜Ｓ１１１３）
変動因子抽出器１１０は、ｎの値を１つインクリメントする（Ｓ１１１２）。変動因子抽出器１１０は、変動因子を抽出していない嗜好性モデルが残っている場合はステップＳ１１０４に戻って同様の処理を実施し、全嗜好性モデルについて抽出し終えた場合は本フローチャートを終了する（Ｓ１１１３）。

＜実施の形態１：まとめ＞
以上のように、本実施形態１に係る嗜好分析システム１０００は、購買履歴データ（ＰＯＳデータ１０１）に基づき個人の購買嗜好性を学習し、上述の混在パターンを示す属性を特定した上で、混在パターンを示す属性と商品特徴量との間の相関を求める。これにより、混在パターンを示す属性を備える商品に対する変動因子を推定することができる。この推定はＰＯＳデータ１０１が記述している購買履歴に基づくものである。すなわち購買嗜好性の学習結果に基づき上記変動因子を抽出することができる。

本例では、「条件次第で好きまたは嫌い」のみを混在パターンとしたが、例えば、「もとも好きだが条件次第で更に好きになる」などの別のパターンについて分析してもよい。この場合も、変動因子抽出器により好きを更に好きにさせるような変動因子(p→p+変動因子)等を抽出することができる。

＜実施の形態２＞
本発明の実施形態２では、実施形態１で説明した中央サーバ１００による分析結果を店舗サーバ２００において利用する具体例について説明する。中央サーバ１００は商品属性に対する各消費者の評価傾向パターンや変動因子を分析する。店舗サーバ２００は、自店舗に来店する各消費者についてこれを集計し、その集計結果を自店舗の業務改善に役立てることができる。

図１２は、本実施形態２における店舗サーバ２００の機能ブロック図である。店舗サーバ２００は、集計器２１０と表示部２２０を備える。集計器２１０はさらに、評価傾向集計部２１１、変動因子集計部２１２、変動因子組み合わせ集計部２１３を備える。これら各機能部の詳細は後述する。表示部２２０は例えばディスプレイなどの表示デバイスを用いて構成され、集計器２１０による集計結果を画面表示する。その他の構成は実施形態１と同様である。

図１３Ａは、集計器２１０による集計結果例およびその画面表示例である。評価傾向集計部２１１は、中央サーバ１００が作成した評価傾向テーブル１０７のうち当該店舗の顧客に関するものを取得し、各顧客の評価傾向を集計して顧客全体の評価傾向を分析する。図１３Ａに示す例においては、中央サーバ１００は、当該店舗が販売する商品カテゴリを商品属性として分析を実施したものと仮定する。具体的には、当該店舗の顧客のバスケット（1レジで同時に購買する商品群）においてある商品カテゴリが存在したか否かを1/0で表し、他の取りうる組み合わせと比較し個人毎に嗜好性モデルを学習する。商品カテゴリに対する全顧客の評価傾向を集計することにより、当該店舗における顧客がどのような商品カテゴリを嗜好する傾向があるか分析することができる。

図１３Ａに示す例において、「常に好き」は、組み合わせ方によらず常にその商品カテゴリを好む顧客割合を意味する。商品カテゴリ「揚げ物」は「焼き魚」よりも「常に好き」の割合が高い、すなわち人気が高いと解釈可能である。このことから当該店舗における販売スペースを広くとる、などの施策を取ることができる。また商品カテゴリ「サラダ」は混在パターンを示す顧客が多いので、組み合わせて販売する商品カテゴリによっては販売量を増やすことができると考えられる。この点は「寿司」も同様である。上記結果は、陳列場所や、併売施策検討などに役立てることができる。

図１３Ｂは、図１３Ａと同一の分析結果に関する集計器２１０による集計結果およびその画面表示の別例である。変動因子集計部２１２は、中央サーバ１００が作成した変動因子テーブル１１１のうち当該店舗の顧客に関するものを取得し、各顧客の変動因子を集計して顧客全体に関する変動因子を分析する。

評価傾向集計部２１１は、図１３Ａにおいて混在パターンに相当する商品カテゴリを図１３Ｂの画面上で強調表示する。オペレータが強調表示されたいずれかの商品カテゴリを選択すると、変動因子集計部２１２はその商品カテゴリの肯定的変動因子に関する集計結果を画面表示する。図１３Ｂに示す例は、「サラダ」に対する肯定的変動因子が「揚げ物」である顧客が当該店舗の顧客全体の２０％存在することを示している。

図１３Ｃは、別の嗜好性モデル学習結果の表示例である。図１３Ａ、図１３Ｂでは、商品属性を商品カテゴリのみとし、複数商品カテゴリの組み合わせによる影響の分析結果を表示したのに対し、図１３Ｃでは、商品カテゴリと商品の材料を商品属性として嗜好性モデルを学習し、材料の違いによる商品カテゴリに対する評価の増減を分析した結果を表示している。すなわち、図１３Ｃに表示される分析結果において、「どれも好き」は材料に依存せず、ある商品カテゴリの商品はどれでも好む顧客を意味し、「条件(材料)次第で好き/嫌い」は、ある商品カテゴリの商品のどれでも好むわけではないが、材料によっては好む顧客を意味する。図１３Ｃの場合だと、サラダや煮物は、「条件（材料）次第で好き/嫌い」という混在パターンが多いため、各顧客の好みに沿った商品が陳列されるように品揃えを検討することで、販売量を増やすことができると考えられる。

図１３Ｄは、図１３Ｃと同一の分析結果に関する集計器２１０による集計結果およびその画面表示の別例である。各商品カテゴリの評価を好きに変える材料に関する肯定的変動因子の抽出結果を集計することで、どのような材料の商品を仕入れればよいかという品揃え検討に役立てることができる。

図１４Ａは、集計器２１０による集計結果およびその画面表示の別例である。ここでは混在パターンを示す属性が「価格」であり、変動因子集計部２１２が「価格」に対する肯定的変動因子および否定的変動因子となるその他の属性を当該店舗の全顧客について集計した結果を示す。

価格に対する否定的変動因子は、顧客が高級志向から低価格志向に変化するきっかけとなる商品属性とみなすことができる。価格に対する肯定的変動因子は、顧客が低価格志向から高級志向に変化するきっかけとなる商品属性とみなすことができる。したがってこれら双方の変動因子を集計的に把握することにより、顧客の購買嗜好性を全体的に変動させる要因を把握することができる。

図１４Ｂは、集計器２１０による集計結果およびその画面表示の別例である。変動因子組み合わせ集計部２１３は、変動因子集計部２１２と同様に、「価格」に対する変動因子を当該店舗の全顧客について集計する。ただし変動因子組み合わせ集計部２１３は、「価格」に対する変動因子が複数の属性の組み合わせによって成立している場合は、その組み合わせについて併せて出力する。

例えば図６で説明した正閾値以上の相関係数が複数存在する場合、それら相関係数の組み合わせを肯定的変動因子として出力することができる。同様に負閾値以下の相関係数が複数存在する場合、それら相関係数の組み合わせを否定的変動因子として出力することができる。さらに変動因子組み合わせ集計部２１３は、当該組み合わせ変動因子を示す顧客の全顧客に対する割合（高級志向者の割合とみなすことができる）を出力することもできる。

図１５Ａは、集計器２１０による集計結果およびその画面表示の別例である。複数の個人がそれぞれいずれの店舗業態において商品を購入したかをＰＯＳデータ１０１が記述している場合、中央サーバ１００はこれを分析することにより各店舗業態に対する来店頻度高める肯定的変動因子を抽出することができる。

そこで本例においては、混在パターンを示す属性は「来店有無」であり、変動因子集計部２１２は「来店有無」に対する肯定的変動因子および否定的変動因子となるその他の属性を当該店舗の全顧客について集計する。変動因子となり得る属性としては、商品カテゴリ、価格、商品に対する訴求コンセプトなどが考えられる。これにより例えば業態「百貨店」についてどのような商品が来店訴求因子となるか、あるいは来店を妨げる因子となるかなどについて分析することができる。

例えば百貨店に対する肯定的変動因子は、百貨店と百貨店以外の業態を比較した場合、百貨店でのみ当該属性の商品を好む（来店を誘引する可能性の高い）属性であるとみなすことができる。百貨店に対する否定的変動因子は、百貨店と百貨店以外の業態と比較した場合、百貨店でのみ当該属性の商品を嫌う（来店誘引因子になりえない可能性が高い）属性であるとみなすことができる。

図１５Ｂは、集計器２１０による集計結果およびその画面表示の別例である。図１５Ａのような来店変動因子は、複数の顧客に関する集計結果として取得することもできるし、実施形態１と同様に個人毎の各業態に関する来店変動因子を取得することもできる。前者は当該業態全体における販売促進活動において用いることができる。後者は例えば顧客毎の販売促進活動において用いることができる。

＜実施の形態２：まとめ＞
以上のように、本実施形態２に係る嗜好分析システム１０００は、中央サーバ１００による分析結果を店舗毎に集計することにより、当該店舗の顧客が有する購買嗜好性を統計的に分析することができる。これにより、当該店舗におけるマーケティング活動を支援することができる。

＜実施の形態３＞
本発明の実施形態２では、実施形態１で説明した中央サーバ１００による分析結果を店舗サーバ２００において利用する具体例として、実施形態２とは異なる例について説明する。

図１６は、本実施形態３における店舗サーバ２００の機能ブロック図である。店舗サーバ２００は、実施形態２で説明した構成に加えてさらにレコメンド器２３０を備える。レコメンド器２３０の中には、全体最適化部２３１と個別集計部２３２が存在する。全体最適化部２３１と個別集計部２３２の詳細は後述する。その他の構成は実施形態２と同様である。

図１７は、レコメンド器２３０における全体最適化部２３１による処理結果例およびその画面表示例である。図１３Ａで説明したように、評価傾向集計部２１１は各顧客が商品属性に対して有している評価傾向を集計し、図１７（Ａ）のような集計結果を出力することができる。全体最適化部２３１はこの集計結果を用いて、より多くの顧客が購入する商品を分析し、これを推奨商品として提示する。

全体最適化部２３１は、評価傾向集計部２１１の集計結果および変動因子集計部２１２の集計結果に基づき、各商品カテゴリの肯定的変動因子と否定的変動因子を特定することができる。全体最適化部２３１は、顧客全体の評価傾向の総和を最も肯定的に変動させることができる各商品カテゴリの個数を求める。例えば「揚げ物」によって「サラダ」を肯定的に変動させることができる場合、「揚げ物」の個数を増やせば「サラダ」の販売を増やすことができると予想される。ただしある商品カテゴリにとって肯定的変動因子であっても他の商品カテゴリにとっては否定的変動因子である場合もあるので、全体最適化部２３１は最適な組み合わせを求める必要がある。具体的な手法としては公知の最適化手法などを適宜用いればよい。

図１７（Ｂ）は、全体最適化部２３１が推奨する各商品カテゴリの個数を表示する画面である。図１７（Ｃ）は、その推奨に基づき当該店舗においてどの程度の販売向上効果が見込めるかを予測した結果を表示する画面である。例えば、少なくともいずれかの商品カテゴリに対して肯定的評価を示す顧客の全顧客数に対する割合を、顧客カバー率として提示することができる。

オペレータは図１７（Ｂ）（Ｃ）の結果を見てさらに各商品カテゴリの個数を調整入力することもできる。全体最適化部２３１はその調整後の個数を前提としてどの程度の効果が見込めるかについて、同様の手法により予測し画面表示する。

図１８Ａは、レコメンド器２３０の個別集計部２３２による処理結果およびその画面表示の別例である。各顧客に対して販促メッセージを電子メールなどによって送信するとき、いかなるタイミングでどのようなメッセージを送信すべきかは、マーケティング上の重要な課題である。そこで個別集計部２３２は、中央サーバ１００による分析結果を用い個別に販促メッセージを送信する際の意思決定を支援する。

顧客に対して販促メッセージを送信するのは、その顧客が商品を購入する直前が望ましいと考えられる。そこで中央サーバ１００において、「商品カテゴリ」といった情報に加えて「購入時間帯」「購入曜日（休日/平日）」などの時間帯に関する情報を商品属性に含む嗜好性モデルを学習し分析し、個別集計部２３２において、ある個人の嗜好性モデルにおいて時間帯に関する情報がn→p変動因子、p→n変動因子として抽出される回数を集計する。個別集計部２３２は、集計結果から、各顧客に対して販促メッセージを送信すべき時間帯および曜日や、そこで推薦すべき商品カテゴリなどを決定する。

図１８Ｂは、個別集計部２３２による分析結果を保持するデータテーブルの構成とデータ例を示す図である。個別集計部２３２は、各商品の属性「購入時間帯」「購入曜日」以外の属性について、実施形態１で説明した評価傾向パターンのいずれに該当するか（すなわち評価傾向テーブル１０７）を中央サーバ１００から取得し、これを用いて販促メッセージを決定することもできる。例えばパターン１に相当する属性を備える商品を購入するよう促す販促メッセージは望ましいと考えられる。パターン４に相当する属性を備える商品については、例えばこれを肯定的に変動させる属性を備える商品と併せて推奨することが望ましいと考えられる。

図１９は、個別集計部２３２が送信する販促メッセージの１例である。個別集計部２３２は、図１８Ｂで説明したデータテーブルにしたがって販促メッセージを決定し、各顧客に対して例えば電子メールによって送信する。販促メッセージを送信するタイミングは、図１８Ａで説明した基準にしたがって定める。販促メッセージの内容は、当該メッセージを送信する時間帯および曜日において購入する可能性が高い商品を購入するよう促すものとすることが望ましい。その商品に対する肯定的変動因子となる属性を特定済である場合は、その属性を備える商品を推奨することがさらに望ましい。

＜実施の形態３：まとめ＞
以上のように、本実施形態３に係る嗜好分析システム１０００は、中央サーバ１００による分析結果を店舗毎に集計し、これを用いて当該店舗における販促活動を支援することができる。

本発明は上記した実施形態の形態に限定されるものではなく、様々な変形例が含まれる。上記実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることもできる。また、ある実施形態の構成に他の実施形態の構成を加えることもできる。また、各実施形態の構成の一部について、他の構成を追加・削除・置換することもできる。

例えば実施形態１〜３において中央サーバ１００と店舗サーバ２００は別のコンピュータとして実装したが、これらの機能を１台のサーバに集約することもできる。また各サーバを設置する場所は限定されるものではなく、例えば店舗サーバ２００は店舗内ではなく管理本部などの中央管理業務を取りまとめる事業所に設置することもできる。活用する業務も、店舗におけるマーケティングだけでなく、中央でのマーケティング等の業務に活用することもできる。例えば、複数チェーン店舗に対する一斉施策、小売業本部におけるＣｕｓｔｏｍｅｒ Ｒｅｌａｔｉｏｎｓｈｉｐ Ｍａｎａｇｅｍｅｎｔ、商品企画などへの活用が可能である。また、実施形態２〜３においては表示部２２０が集計器２１０による集計結果を画面表示することを説明したが、出力形式はこれに限られるものではなく、例えば同等のデータを記憶装置に対して出力する、通信回線に対して出力する、などの出力形態を用いることもできる。出力処理を実施する出力部はその出力形式に応じて適宜設ければよい。

上記各構成、機能、処理部、処理手段等は、それらの一部や全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に格納することができる。

図２０は、中央サーバ１００のハードウェア構成例である。ここでは各機能部をソフトウェアとして実装した構成例を示す。中央サーバ１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１２０、ハードディスク１２１、メモリ１２２、ディスプレイ制御部１２３、ディスプレイ１２４、キーボード制御部１２５、キーボード１２６、マウス制御部１２７、マウス１２８を備える。本構成は、実施形態１〜３いずれにおいても用いることができる。

ＣＰＵ１２０は、ハードディスク１２１が格納している各プログラムを実行する。ハードディスク１２１は、中央サーバ１００が備える各機能部（嗜好性学習器１０４、評価傾向分類器１０６、特徴量分析器１０８、変動因子抽出器１１０）の機能を実装したプログラムを格納する。ハードディスク１２１はさらに、その他データ（ＰＯＳデータ１０１、在庫管理データ１０２、商品マスタ１０３、嗜好木データ１０５、評価傾向テーブル１０７、特徴量データ１０９、変動因子テーブル１１１）を格納する。

メモリ１２２は、ＣＰＵ１２０が一時的に用いるデータを格納する。ディスプレイ１２４、キーボード１２６、マウス１２８は、それぞれ画面インターフェースと操作インターフェースを提供する。ディスプレイ制御部１２３、キーボード制御部１２５、マウス制御部１２７は、これらデバイスのドライバである。

店舗サーバ２００は、中央サーバ１００と同様のハードウェア構成を備えることができる。店舗サーバ２００のハードディスクは集計器２１０とレコメンド器２３０の機能を実装したプログラムを格納し、ＣＰＵはこれを実行する。

１００：中央サーバ、１０１：ＰＯＳデータ、１０２：在庫管理データ、１０３：商品マスタ、１０４：嗜好性学習器、１０５：嗜好木データ、１０６：評価傾向分類器、１０７：評価傾向テーブル、１０８：特徴量分析器、１０９：特徴量データ、１１０：変動因子抽出器、１１１：変動因子テーブル、２００：店舗サーバ、２１０：集計器、２２０：表示部、２３０：レコメンド器、１０００：嗜好分析システム。

Claims (14)

1. 個人の購買嗜好性を分析するシステムであって、
   前記個人が購入した商品の履歴を記述した購買履歴データに基づき前記個人の前記商品に対する購買嗜好性を学習し、その学習結果を表す木構造データを記憶装置に格納する、学習器、
   前記学習器による学習結果から、前記商品の属性に応じて前記個人の前記商品に対する評価が増減する傾向を抽出し、抽出した前記傾向をその増減パターンに基づき分類するとともに、前記分類した増減パターンのうち前記個人の前記商品に対する評価を増加させるパターンと減少させるパターンが混在している混合パターンを特定する、分類器、
   前記木構造データの各葉ノードに対応する前記商品の特徴量を前記属性のベクトルとして抽出する特徴量分析器、
   前記混合パターンと各前記葉ノードに対応する前記ベクトルとの間の相関を求めることにより、前記混合パターンを生じさせる前記属性を有する前記商品に対する前記個人の評価を増加または減少させる前記属性を変動因子として特定し、その結果を出力する、変動因子抽出器、
   を備えることを特徴とする嗜好分析システム。
2. 請求項１において、
   前記学習器は、前記購買嗜好性を評価する複数の評価関数の係数を学習するとともに、前記購買履歴データを評価するのに最も適した前記評価関数によって前記購買履歴データが評価されるように前記木構造データの構造を学習する
   ことを特徴とする嗜好分析システム。
3. 請求項２において、
   前記評価関数は、前記属性を表す数値に前記係数を乗じて得られる数値を前記属性毎に合算する関数として構成されており、
   前記木構造データは、前記購買履歴データが記述している前記商品の購買履歴をいずれかの前記葉ノードへ分類するとともに、前記葉ノードへ分類された前記購買履歴をその葉ノードに対応付けられた前記評価関数によって評価するように構成されており、
   前記分類器は、各前記葉ノードにおいて同一の前記属性に対して乗じられる前記係数を前記葉ノード毎に取得し、取得した各前記係数内において評価値を増加させる係数と評価値を減少させる係数とが混在している場合は、その属性は前記混合パターンを生じさせる属性であると判定する
   ことを特徴とする嗜好分析システム。
4. 請求項２において、
   前記特徴量分析器は、前記木構造データによって前記葉ノードへ分類される前記商品の購買履歴の件数と、前記葉ノードへ分類された前記購買履歴のうち前記属性を備えているものの件数との間の比率を、各前記葉ノードに対応する前記ベクトルの要素値として用いる
   ことを特徴とする嗜好分析システム。
5. 請求項２において、
   前記特徴量分析器は、前記木構造データによって分類された前記商品の購買履歴の全件数と、前記木構造データによって各前記葉ノードへ分類された前記購買履歴のうち前記属性を備えているものの件数との間の比率を、各前記葉ノードに対応する前記ベクトルの要素値として用いる
   ことを特徴とする嗜好分析システム。
6. 請求項１において、
   前記購買履歴データは、複数の前記個人に関する前記履歴を記述しており、
   前記嗜好分析システムは、前記学習器、前記分類器、前記特徴量分析器、および前記変動因子抽出器の少なくともいずれかによる処理結果を前記複数の個人について集計する集計器を備え、
   前記嗜好分析システムは、前記集計器による集計結果を出力する
   ことを特徴とする嗜好分析システム。
7. 請求項６において、
   前記集計器は、前記分類器による前記傾向の分類結果を前記複数の個人について集計してその集計結果を出力する
   ことを特徴とする嗜好分析システム。
8. 請求項７において、
   前記集計器は、前記変動因子抽出器による前記変動因子の特定結果を前記複数の個人について集計し、
   前記嗜好分析システムは、前記集計器が前記変動因子抽出器による特定結果について前記複数の個人について集計した結果を、前記商品に対する前記複数の個人の評価を増減させる前記変動因子として出力する
   ことを特徴とする嗜好分析システム。
9. 請求項８において、
   前記嗜好分析システムは、前記属性として前記商品の価格を用い、
   前記嗜好分析システムは、前記集計器による集計結果に基づき、前記商品の価格に対する前記複数の個人の評価を増減させる前記変動因子を出力する
   ことを特徴とする嗜好分析システム。
10. 請求項９において、
    前記嗜好分析システムは、複数の前記変動因子の組み合わせに応じて前記商品の価格に対する前記複数の個人の評価が増減する場合は、その組み合わせを出力する
    ことを特徴とする嗜好分析システム。
11. 請求項８において、
    前記嗜好分析システムは、前記属性として前記個人が前記商品を購入した店舗の業態を用い、
    前記嗜好分析システムは、前記集計器による集計結果に基づき、各前記業態において前記複数の個人の購入頻度を増減させる前記変動因子を出力する
    ことを特徴とする嗜好分析システム。
12. 請求項８において、
    前記嗜好分析システムは、前記複数の個人の前記商品に対する評価が前記変動因子を調整することによって増減する量を、前記分類器による分類結果について前記集計器が集計した結果に基づき統計的に推定し、その推定結果を出力する
    ことを特徴とする嗜好分析システム。
13. 請求項８において、
    前記嗜好分析システムは、前記属性として前記個人が前記商品を購入した時間帯または曜日の少なくともいずれかを用い、
    前記嗜好分析システムは、各前記時間帯または各前記曜日が前記個人の購入頻度を増減させる前記変動因子に該当するか否かを判定しその結果を出力する
    ことを特徴とする嗜好分析システム。
14. 請求項１３において、
    前記嗜好分析システムは、前記個人の購入頻度を増加させる変動因子として抽出された前記時間帯または前記曜日において、前記個人に対して前記商品の購入を促すメッセージを送信する
    ことを特徴とする嗜好分析システム。

Images