JP6163269B2 - 嗜好分析システム - Google Patents
嗜好分析システム Download PDFInfo
- Publication number
- JP6163269B2 JP6163269B2 JP2016537627A JP2016537627A JP6163269B2 JP 6163269 B2 JP6163269 B2 JP 6163269B2 JP 2016537627 A JP2016537627 A JP 2016537627A JP 2016537627 A JP2016537627 A JP 2016537627A JP 6163269 B2 JP6163269 B2 JP 6163269B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- attribute
- preference
- evaluation
- analysis system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 title claims description 47
- 238000011156 evaluation Methods 0.000 claims description 138
- 230000006870 function Effects 0.000 claims description 34
- 230000007423 decrease Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 5
- 238000000547 structure data Methods 0.000 claims 7
- 239000000047 product Substances 0.000 description 157
- 238000000034 method Methods 0.000 description 31
- 241000251468 Actinopterygii Species 0.000 description 29
- 235000013311 vegetables Nutrition 0.000 description 24
- 238000010586 diagram Methods 0.000 description 17
- 235000013372 meat Nutrition 0.000 description 11
- 241000209094 Oryza Species 0.000 description 10
- 235000007164 Oryza sativa Nutrition 0.000 description 10
- 230000008859 change Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 235000009566 rice Nutrition 0.000 description 10
- 238000005457 optimization Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 235000019629 palatability Nutrition 0.000 description 6
- 240000008415 Lactuca sativa Species 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 235000012045 salad Nutrition 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 235000012046 side dish Nutrition 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0255—Targeted advertisements based on user history
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0251—Targeted advertisements
- G06Q30/0269—Targeted advertisements based on user profile or attribute
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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。
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。
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)。
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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)。
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。
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)。
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。
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。
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。
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。
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)。
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)。
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)。
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)。
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)。
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。
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。
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。
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。
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。
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。
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)。
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)。
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)。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2014/069874 WO2016016934A1 (ja) | 2014-07-29 | 2014-07-29 | 嗜好分析システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2016016934A1 JPWO2016016934A1 (ja) | 2017-04-27 |
JP6163269B2 true JP6163269B2 (ja) | 2017-07-12 |
Family
ID=55216880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016537627A Expired - Fee Related JP6163269B2 (ja) | 2014-07-29 | 2014-07-29 | 嗜好分析システム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170011421A1 (ja) |
JP (1) | JP6163269B2 (ja) |
WO (1) | WO2016016934A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10157421B2 (en) * | 2014-12-10 | 2018-12-18 | Fmr Llc | Secure analytical and advisory system for transaction data |
US11093954B2 (en) * | 2015-03-04 | 2021-08-17 | Walmart Apollo, Llc | System and method for predicting the sales behavior of a new item |
JP6888243B2 (ja) * | 2016-03-23 | 2021-06-16 | 日本電気株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP6089156B1 (ja) * | 2016-03-24 | 2017-03-01 | 楽天株式会社 | 情報処理装置、情報処理方法、プログラム、記憶媒体 |
JP6764821B2 (ja) * | 2017-04-03 | 2020-10-07 | カタリナ マーケティング ジャパン株式会社 | 購買動向分析システム、及びそれを用いたクーポン発行システム |
BR112019027187A8 (pt) * | 2017-06-22 | 2023-04-11 | Avlani Dipesh | Sistema para agregação de metadados de eventos de comportamento do consumidor na loja, verificação de dados e análise de inteligência artificial dos mesmos para interpretação dos dados e desencadeamento de ação associada |
JP2019220001A (ja) * | 2018-06-21 | 2019-12-26 | 日本電信電話株式会社 | 献立提案装置、献立提案方法及びプログラム |
EP3598373A1 (en) | 2018-07-18 | 2020-01-22 | Seulo Palvelut Oy | Determining product relevancy |
JP7201001B2 (ja) * | 2018-09-27 | 2023-01-10 | 日本電気株式会社 | 品揃え支援装置、品揃え支援方法、及びプログラム |
JPWO2021039916A1 (ja) * | 2019-08-28 | 2021-03-04 | ||
CN113643099A (zh) * | 2021-08-30 | 2021-11-12 | 北京沃东天骏信息技术有限公司 | 商品数据的处理方法、设备、装置、存储介质及程序产品 |
WO2023085165A1 (ja) * | 2021-11-12 | 2023-05-19 | 株式会社アラヤ | 物品推薦装置及び物品推薦方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5758257A (en) * | 1994-11-29 | 1998-05-26 | Herz; Frederick | System and method for scheduling broadcast of and access to video programs and other data using customer profiles |
JPH1115842A (ja) * | 1997-06-24 | 1999-01-22 | Mitsubishi Electric Corp | データマイニング装置 |
JP4234841B2 (ja) * | 1999-04-23 | 2009-03-04 | 富士通株式会社 | データ分析装置 |
US6505168B1 (en) * | 1999-08-16 | 2003-01-07 | First Usa Bank, Na | System and method for gathering and standardizing customer purchase information for target marketing |
JP2002032408A (ja) * | 2000-05-09 | 2002-01-31 | Yutaka Nishimura | 商品情報提供方法及び商品情報提供システム並びに検索システム。 |
US6687606B1 (en) * | 2002-02-21 | 2004-02-03 | Lockheed Martin Corporation | Architecture for automatic evaluation of team reconnaissance and surveillance plans |
US20040254957A1 (en) * | 2003-06-13 | 2004-12-16 | Nokia Corporation | Method and a system for modeling user preferences |
JP2008282247A (ja) * | 2007-05-11 | 2008-11-20 | Toyota Motor Corp | 企画商品の評価点を計算する装置と方法とプログラム |
US20120046936A1 (en) * | 2009-04-07 | 2012-02-23 | Lemi Technology, Llc | System and method for distributed audience feedback on semantic analysis of media content |
US9031860B2 (en) * | 2009-10-09 | 2015-05-12 | Visa U.S.A. Inc. | Systems and methods to aggregate demand |
US8751636B2 (en) * | 2010-12-22 | 2014-06-10 | Facebook, Inc. | Timing for providing relevant notifications for a user based on user interaction with notifications |
US8909771B2 (en) * | 2011-09-15 | 2014-12-09 | Stephan HEATH | System and method for using global location information, 2D and 3D mapping, social media, and user behavior and information for a consumer feedback social media analytics platform for providing analytic measurements data of online consumer feedback for global brand products or services of past, present or future customers, users, and/or target markets |
-
2014
- 2014-07-29 WO PCT/JP2014/069874 patent/WO2016016934A1/ja active Application Filing
- 2014-07-29 JP JP2016537627A patent/JP6163269B2/ja not_active Expired - Fee Related
- 2014-07-29 US US15/121,166 patent/US20170011421A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JPWO2016016934A1 (ja) | 2017-04-27 |
US20170011421A1 (en) | 2017-01-12 |
WO2016016934A1 (ja) | 2016-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6163269B2 (ja) | 嗜好分析システム | |
Wan et al. | Representing and recommending shopping baskets with complementarity, compatibility and loyalty | |
Ünvan | Market basket analysis with association rules | |
Griva et al. | Retail business analytics: Customer visit segmentation using market basket data | |
US11657417B2 (en) | Methods and apparatus to identify affinity between segment attributes and product characteristics | |
JP6161992B2 (ja) | 販売予測システム及び販売予測方法 | |
Miguéis et al. | Customer data mining for lifestyle segmentation | |
CA2556778C (en) | System for individualized customer interaction | |
US11222347B2 (en) | Machine learning for marketing of branded consumer products | |
Donnelly et al. | Counterfactual inference for consumer choice across many product categories | |
Chen et al. | A neural network based price sensitive recommender model to predict customer choices based on price effect | |
Prinzie et al. | Predicting home-appliance acquisition sequences: Markov/Markov for discrimination and survival analysis for modeling sequential information in NPTB models | |
Surathkal et al. | Consumer demand for frozen seafood product categories in the United States | |
Oliveira | Analytical customer relationship management in retailing supported by data mining techniques | |
WO2021077226A1 (en) | Method and system for individual demand forecasting | |
Van Maasakkers et al. | Next-basket prediction in a high-dimensional setting using gated recurrent units | |
Yang et al. | Examining multi-category cross purchases models with increasing dataset scale–An artificial neural network approach | |
Vega Carrasco et al. | Posterior summaries of grocery retail topic models: Evaluation, interpretability and credibility | |
US20220335358A1 (en) | Store supporting system, learning device, store supporting method, generation method of learned model, and program | |
WO2021065289A1 (ja) | 店舗支援システム、店舗支援方法及びプログラム | |
Xia et al. | Multicategory choice modeling with sparse and high dimensional data: A Bayesian deep learning approach | |
Casabayó et al. | Using AI techniques in the grocery industry: Identifying the customers most likely to defect | |
Zhang | Innovative food recommendation systems: a machine learning approach | |
US11972470B2 (en) | Systems and methods for identifying item substitutions | |
CA3059932A1 (en) | Method and system for individual demand forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20170530 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170616 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6163269 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |