JP6181360B2 - マーケティング装置、マーケティング方法、プログラム、及び記録媒体 - Google Patents

Description

本発明は、マーケティング装置、マーケティング方法、プログラム、及び記録媒体に関し、特にＰＯＳデータから顧客のセグメントを行うマーケティング装置、マーケティング方法、プログラム、及び記録媒体に関する。

従来より、ＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅ ｓｙｓｔｅｍ）を用いて、顧客や商品の分析が行われている。
このＰＯＳとして、物品販売の売上実績を単品単位で集計する際に、ポイントカード等のＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）を用いるＩＤ−ＰＯＳも普及している。
ＩＤ−ＰＯＳを用いることで、顧客の人口統計学的な属性データ、例えば、性別、年齢、居住地域、所得、職業、学歴、家族構成等（以下、デモグラフィック情報という。）と商品の購買との関係の情報を得ることができる。

ここで、従来のＰＯＳデータを活用するシステムとして、特許文献１を参照すると、商品やサービスの購入時の情報である日時，商品，数量，価格等を入力する購入商品情報入力部と、購入者を特定する購入者情報入力部と、商品に関連した内容のデータベースを備え、購入商品情報に基づきデータベースから購入された商品に関連する情報を検索，組み合わせ加工する情報処理を行い、顧客の情報端末へ送信する商品情報提供システムが開示されている（以下、従来技術１とする。）。
従来技術１においては、顧客が自分の購入した商品に関連する情報を自由に見ることができる。また、小売店等の販売管理に用いるＰＯＳ端末等からの購入商品情報の応用利用が可能となる。

特開平１１−９６２１４号公報

しかしながら、従来技術１を含む従来のＰＯＳのデータ分析では、顧客情報については、デモグラフィック情報のみを用いてセグメント（区分）の分類をしていた。
このため、分析されたＰＯＳのデータを、商品の販売や開発等に効率的に用いることが難しいという課題があった。

本発明は、このような状況に鑑みてなされたものであり、上述の課題を解消することを課題とする。

本発明のマーケティング装置は、顧客のＰＯＳデータを収集し、収集した前記顧客のＰＯＳデータに含まれる販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段と、前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテーション分析手段とを備えることを特徴とする。
本発明のマーケティング装置は、前記セグメンテーション分析手段は、第１段階目に、前記非階層的クラスタリングとしてｋ−ｍｅａｎｓ法を用い、第１の種類数の前記セグメントに分類し、第２段階目に、前記階層的クラスタリングとしてＷａｒｄ法を用い、分類された前記第１の種類数の前記セグメントを更に、前記第１の種類数より少ない第２の種類数の前記セグメントに分類することを特徴とする。
本発明のマーケティング装置は、前記セグメント別に、各顧客が購入した商品の商品グループにおける購入比率を算出し、前記購入比率に基づいて算出した、前記セグメント別の販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性、顧客特性として抽出する因子分析手段を備えることを特徴とする。
本発明のマーケティング装置は、前記商品特性に対応する属性パラメータを商品のデータに付加して商品特性マスタを作成し、該商品特性マスタと前記顧客特性からセグメント特性を集計して作成する属性展開手段を備えることを特徴とする。
本発明のマーケティング装置は、前記商品特性、前記顧客特性、前記商品特性マスタ、前記セグメント特性のいずれかを用いて、マーケティングの施策反応率、ｍＲＯＩ（Ｍａｒｋｅｔｉｎｇ Ｒｅｔｕｒｎ Ｏｎ Ｉｎｖｅｓｔｍｅｎｔ）、又は店舗別客層パターンを算出するマーケティング示唆手段を備えることを特徴とする。
本発明のマーケティング装置は、前記セグメンテーション分析手段は、前記セグメント特性を用いて、再セグメンテーションを行うことを特徴とする。
本発明のマーケティング方法は、コンピュータによるマーケティング方法であってコンピュータが顧客のＰＯＳデータを収集し、収集した前記顧客のＰＯＳデータに含まれる販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成するステップと、コンピュータが前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするステップとから構成されるマーケティング方法であることを特徴とする。
本発明のプログラムは、コンピュータを、顧客のＰＯＳデータを収集し、収集した前記顧客のＰＯＳデータに含まれる販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段、前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテーション分析手段として機能させるためのプログラムであることを特徴とする。
本発明の記録媒体は、コンピュータを、顧客のＰＯＳデータを収集し、収集した前記顧客のＰＯＳデータに含まれる販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段と、前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテーション分析手段として機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体であることを特徴とする。

本発明によれば、商品の売れ筋・嗜好性を左右しているライフスタイル属性に係るセグメンテーションを行うことで、商品の販売や開発等に効率的に用いることができるマーケティング装置を提供することができる。

本発明の実施の形態に係るマーケティングシステムＸのシステム構成図である。 本発明の実施の形態に係る解析サーバ１０の制御構成を示すブロック図である。 本発明の実施の形態に係るデータベース１１７のデータ構造の概念図である。 本発明の実施の形態に係るマーケティング処理のフローチャートである。 本発明の実施の形態に係るセグメンテーション処理を示す概念図である。 本発明の実施の形態に係る分類ルール作成処理を示す概念図である。 本発明の実施の形態に係るセグメント購入高集計処理と因子分析処理との関係を示す概念図である。 本発明の実施の形態に係る因子分析処理の詳細を示す概念図である。 本発明の実施の形態に係る属性展開処理を示す概念図である。 本発明の実施の形態に係る商品特性マスタ及びセグメント特性例を示す概念図である。 本発明の実施の形態に係る再セグメンテーションを示す概念図である。 本発明の実施の形態に係る顧客別特性と個別商品特性を掛け合わせた分析例を示す概念図である。

＜実施の形態＞
〔マーケティングシステムＸの構成〕
図１を参照して、本発明の実施の形態に係るマーケティングシステムＸの構成について説明する。
ネットワーク５は、専用線やインターネット等の広域ネットワーク、無線電話網、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等である。
解析サーバ１０（マーケティング装置、コンピュータ）は、ＰＯＳサーバ１５からのＰＯＳデータをデータベース１１７（図２）に記憶し、マーケティング処理（図３）を実行するＰＣ／ＡＴ互換機や、汎用機等のサーバである。解析サーバ１０は、顧客／商品特性分析部２００に含まれる各プログラムを制御部１００により実行することで出力される解析結果等を、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）でアクセスするためのインターフェイスも提供する。解析サーバ１０の詳細な構成については後述する。
ＰＯＳサーバ１５は、例えばＰＣ／ＡＴ互換機や、汎用機等のデータベースサーバである。ＰＯＳサーバ１５は、例えば、ＩＤ−ＰＯＳのデータを、クライアント端末２０−１〜２０−ｎから受信して記憶する。また、ＰＯＳサーバ１５は、ポイントカード等に関連づけられた顧客の個人情報を記憶しており、顧客のＩＤと売り上げとを結びつけて記憶することができる。
クライアント端末２０−１〜２０−ｎは、ＰＯＳのレジスターや店内集計を行うサーバ等である。クライアント端末２０−１〜２０−ｎは、商品の購買の日時、場所（地域、店舗）、種類、販売額、クーポン／割引き情報、顧客のＩＤ等を含む販売情報を取得して、ＰＯＳサーバ１５に送信する。この「商品」については、例えば、同じシャツでもサイズ／色といった情報が異なる最小管理単位（Ｓｔｏｃｋ Ｋｅｅｐｉｎｇ Ｕｎｉｔ、ＳＫＵ）の情報を用いることができる。
解析者端末３０は、解析サーバ１０によりＰＯＳデータの解析を実行指示するための解析者用のＰＣ／ＡＴ互換機やスマートフォン等の端末である。解析者は、解析者端末３０を用いて、解析サーバ１０にログイン等してアクセスして、顧客／商品特性分析部２００の各種パラメータを設定して実行指示等を行う。また、解析者は、解析者端末３０を用いて、管理モードで解析サーバ１０の各種設定を行うことができる。
なお、解析サーバ１０やＰＯＳサーバ１５を、いわゆる「クラウド」上の複数のサーバ等を用いて構成してもよい。

（解析サーバ１０の構成）
次に、図２を参照して解析サーバ１０の構成について説明する。
解析サーバ１０は、主に制御部１００、記憶部１１０、Ｉ／Ｏ部１２０、及びネットワーク入出力部１４０を含んで備えて構成される。

制御部１００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、中央処理装置）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｐｒｏｃｅｓｓｏｒ、特定用途向けプロセッサー）等である演算・制御能力を備えた制御手段である。制御部１００は、記憶部１１０に記憶されたデータベース１１７のデータ等に基づいて、顧客／商品特性分析部２００の各プログラムをハードウェア資源を用いて実行する。この際、制御部１００は、統計的な数値演算を高速に実行可能なアクセレレータ等を備えていてもよい。
記憶部１１０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等のフラッシュメモリディスク、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、磁気テープ装置、光ディスク装置等の記憶手段である。
記憶部１１０は、解析サーバを、顧客情報収集手段として機能させるためのプログラムである顧客情報収集部１１１、セグメンテーション分析手段として機能させるためのプログラムであるセグメンテーション分析部１１２、分類ルール作成手段として機能させるためのプログラムである分類ルール作成部１１３、因子分析手段として機能させるためのプログラムである因子分析部１１４、属性展開手段として機能させるためのプログラムである属性展開部１１５、及びマーケティング示唆手段として機能させるためのプログラムであるマーケティング示唆部１１６とを含むプログラム群である顧客／商品特性分析部２００と各種データとを記憶している。ここで、制御部１００がプログラム群である前記顧客／商品特性分析部２００を実行することで、解析サーバに所定の手段（以下、「顧客／商品特性分析手段」と総称する）として機能させる。
この他にも、記憶部１１０は、解析サーバ１０をコンピュータとして機能させるためのＯＳ（Ｏｐｒａｔｉｎｇ Ｓｙｓｔｅｍ）、他のアプリケーションソフトウェア、ＷＷＷサーバ等のプログラムやデータについても記憶している。これらのプログラムやデータは、制御部１００が実行し、又は読み出し／書き込み可能である。
Ｉ／Ｏ部１２０は、各種周辺機器（ペリフェラル）に接続するための、ＤＶＩ、アナログＲＧＢ、ＨＤＭＩ、ＵＳＢ、ＩＥＥＥ１３９４、シリアル、パラレル、赤外線、無線等のインターフェイスを提供する構成部位である。Ｉ／Ｏ部１２０は、解析サーバ１０の各種設定や、顧客／商品特性分析部２００の設定等を行うためのキーボードやマウス等の入力部、及びＬＣＤディスプレイ等の表示部に接続できる。
ネットワーク入出力部１４０は、ネットワーク５に接続するための、例えば１０００ＢＡＳＥ−Ｔ等の規格ＬＡＮインターフェイス等である。なお、ネットワーク入出力部１４０は、外部のハブ、ルータ、ロードバランサ等に接続されていてもよい。
なお、解析サーバ１０にネットワーク入出力部１４０を備えない構成も可能である。この場合、解析サーバ１０は、外部の記憶媒体から記憶部１１０にプログラムやデータを転送し、いわゆる「スタンドアロン」で、顧客／商品特性分析手段を用いてＰＯＳデータの解析をすることができる。

記憶部１１０は、前記顧客／商品特性分析部２００、及びデータベース１１７を備えている。
前記顧客／商品特性分析部２００は、制御部１００によりハードウェア資源を用いて各種手段として実行されるプログラムやデータ等を記憶している。
データベース１１７は、ｍｙＳＱＬやＭｉｃｒｏｓｏｆｔ（登録商標）ＳＱＬ等を用いて構築することができるデータベースである。
なお、前記顧客／商品特性分析部２００を、記録媒体に記憶したプログラムとして提供し、インストール等を行うこともできる。

顧客情報収集手段は、顧客のＩＤ−ＰＯＳデータから少なくとも分析に充分な所定のサンプル数の、顧客のレシートのデータのような購買履歴を含む各種販売情報を収集する。そして、顧客情報収集手段は、収集した販売情報から、販売高比率、時間帯／曜日傾向、利用店舗比率等の算出を行う。これにより、顧客情報収集手段は、顧客単位で顧客情報と結びつけられて集計されたＰＯＳデータである顧客集計データ（図３（ａ）を参照）を作成して、データベース１１７に記憶する。
セグメンテーション分析手段は、各顧客について、顧客集計データを基に、顧客のライフスタイル別のセグメントへ、クラスタリング（Ｃｌｕｓｔｅｒｉｎｇ）する。このクラスタリングは、各種の階層的／非階層的クラスタリングを用いることができ、特にｋ−ｍｅａｎｓ法とＷａｒｄ法を組み合わせて用いることが好ましい。
分類ルール作成手段は、セグメンテーション分析手段によるセグメント結果を基に、各種の人工知能／統計的な手法にて、顧客集計データからセグメントを一意に決定するためのルールを作成する手段である。このルールとしては、例えば、人工知能手法では、決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）を用いることが好適である。また、ニューラルネットやベイズ統計等によるモデルを作成して用いることもできる。
因子分析手段は、セグメント別の顧客集計データの商品販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性／顧客特性として抽出する。具体的には、因子分析手段は、例えば、各セグメントの商品分類別の購入比率を算出し、相関値を距離とみなして多次元空間に投影し、主成分分析を行い、軸を決定する。この多次元空間としては、例えば、４次元空間程度を用いたマッピングを行うことが好適である。
属性展開手段は、抽出された商品特性に対応する属性パラメータを全商品に付加して商品特性マスタを作成し、商品特性と顧客特性に対応する属性パラメータからセグメント特性を集計して作成し、データベース１１７に記憶する。
マーケティング示唆手段は、抽出された商品特性、顧客特性、商品特性マスタ、セグメント特性から、マーケティング施策反応率、ｍＲＯＩ（Ｍａｒｋｅｔｉｎｇ Ｒｅｔｕｒｎ Ｏｎ Ｉｎｖｅｓｔｍｅｎｔ）、店舗別客層パターン等を算出する。つまり、マーケティング示唆手段は、ｍＲＯＩ分析、商品開発の示唆に係る指標の算出、販売機会ロス／廃棄ロス削減のためルールの示唆等を行い、これに係るユーザインタフェースを提供する。

データベース１１７は、各種データを記憶するＳＱＬデータベース等である。データベース１１７は、例えば、ＰＯＳサーバ１５から取得したＩＤ−ＰＯＳの販売情報のデータや、顧客集計データを記憶することができる。
また、データベース１１７は、商品特性、顧客特性、商品特性マスタ、セグメント特性等の各データも記憶する。これらの各データの構成の詳細については後述する。

（データベース１１７の構成）
ここで、図３を参照して、データベース１１７の構成の例について説明する。
図３（ａ）は、顧客毎のＰＯＳデータを集計した顧客集計データの例を示す。ここでは、縦軸に各顧客を示し、横軸にＰＯＳデータの集計値を示している。顧客集計データは、この集計値として、購入の時間帯／曜日傾向、利用店舗数、利用頻度、購入高比率等を記憶している。購入高比率は、購入した各商品の所定の商品分類に従った購買の比率を記憶している。この所定の商品分類は、分析するＰＯＳデータの種類毎に変更することができ、コンビニエンスストアの場合、例えば、食品、菓子、たばこ、日用品、その他等の分類を用いることができる。また、購入高比率には、購入したＳＫＵと購入した際の金額及び個数毎の比率等についても記憶することができる。
図３（ｂ）は、因子分析手段より算出された顧客特性（ライフスタイル属性）の例を示す。図３（ｂ）では、縦軸にセグメントを示し、横軸に因子の例を示している。数値は「因子得点（スコア）」を示し、プラスの場合は嗜好性が高く、マイナスの場合は嗜好性が低いことを示す。この因子得点は、因子分析手段により得られた軸への垂線上の距離から求めることができる。
図３（ｃ）は、因子分析手段より算出された商品特性の例を示す。この例では、縦軸に各商品に係るＳＫＵを示し、横軸に因子の例を示している。この商品特性においても、各数値は因子得点であり、プラス／マイナスにより嗜好性の高／低を示している。この商品特性の因子得点についても、軸への垂線上の距離から求めることができる。
なお、データベース１１７に記憶された商品特性マスタ、セグメント特性と、各データの算出の詳細については後述する。

〔解析サーバ１０のマーケティング処理〕
次に、図４〜図１２を参照して、解析サーバ１０によるマーケティング処理の詳細について説明する。
このマーケティング処理では、解析サーバ１０は、まず、設定されたパラメータに従って、サンプルのｉＤ−ＰＯＳデータを取得して、顧客集計データを作成する。
そして、解析サーバ１０は、顧客集計データから、設定されたパラメータ及び所定の指標に従って、顧客のセグメンテーションを行う。
その後、解析サーバ１０は、設定されたパラメータに従って、各セグメント別に購入高を集計し、因子解析を行い、顧客特性と商品特性を算出する。
最終的に、解析サーバ１０は、得られた顧客特性と商品特性を全商品及びセグメントのデータに付加して商品特性マスタとセグメント特性を作成する。
その後、得られた顧客特性と商品特性を用いて再度セグメンテーションをしたり、マーケティングの施策反応率やｍＲＯＩを求める。
これにより、従来のデモグラフィック情報を用いたＰＯＳデータの解析に加え、「ライフスタイル」という視点を加えた顧客のセグメント分類を行い、顧客視点に必要なＰＯＳデータの分析情報を得ることができる。また、ライフスタイル別の嗜好性を考慮した商品特性マスタを作成することで、より効果的なマーケティングに係る取り組みを行うことができる。
以下で、図４のフローチャートを参照して、本発明の実施の形態に係るマーケティング処理の詳細についてステップ毎に説明する。

（ステップＳ１０１）
まず、解析サーバ１０は、顧客情報収集手段により、顧客情報収集処理を行う。
この処理において、顧客情報収集手段は、設定されたパラメータに従って、例えば、所定のサンプル数、例えば１０万人以上の販売情報を含むＩＤ−ＰＯＳデータを、ＰＯＳサーバ１５からランダムにサンプル抽出して取得する。具体的には、顧客情報収集手段は、例えば、ネットワーク入出力部１４０からネットワーク５を介してＰＯＳサーバ１５にアクセスして、所定のフォーマットのＩＤ−ＰＯＳデータを取得する。
この上で、顧客情報収集手段は、取得したＩＤ−ＰＯＳデータを各顧客単位で集計しデータベース１１７に顧客集計データとして記憶する。この集計は、時間帯／曜日傾向、利用店舗、利用頻度、購入高比率、その他の所定の指標等について行う。
すなわち、顧客情報収集手段は、ＩＤ−ＰＯＳで記録された会員カード等を持つ顧客のレシート等のデータ（以下、顧客データという。）から、一人ひとりの購入内容・時間・頻度等の生活スタイルに直結した値を集計する。

より具体的に説明すると、顧客情報収集手段は、後述するセグメンテーションに用いるために、上述の所定の指標に従った各種集計値を集計する。この集計の例としては、以下のような値を用いる。
時間帯傾向として、顧客情報収集手段は、時間帯毎に購入履歴がある独立な日数を集計する。この時間帯の区切りとしては、例えば、朝（５：００〜１０：００）、昼（１１：３０〜１４：００）、日中（１０：００〜１１：３０，１４：００〜１７：００）、夜（１７：００〜２２：００）、夜中（２２：００〜２５：００）、深夜（２５：００〜２９：００）といった値を用いる。また、同一日で同一時間帯での複数購入は同じと集計することができる。
曜日傾向として、顧客情報収集手段は、休日／平日で購入が行われた日数を集計する。具体的には、休日購入日数と、平日購入日数とを集計する。この際、休日は、土日および国民の休日のみを用いる。
利用店舗として、顧客情報収集手段は、主に利用している店舗数・割合を集計する。この際制御部１００は、直近１５履歴の購入店舗数、主店舗の利用割合、第二主店舗の利用割合、第三主店舗の利用割合等について集計する。
利用頻度として、顧客情報収集手段は、利用（購入）日数頻度を集計する。この際、購入日前後一週間を購入可能日として定め、その期間における購入日数の割合を集計する。
購入高比率として、顧客情報収集手段は、所定の商品分類に従った購入高比率及び購入内容を集計する。この所定の商品分類として、上述のように、コンビニエンスストアの場合、例えば、食料（食事）、菓子、たばこ、日用品、その他といった分類を用いる。
その他詳細として、顧客情報収集手段は、設定されたパラメータに従って、ＰＯＳデータの種別や分析対象に従った集計を行うことができる。たとえば、コンビニエンスストアの場合、食べ物の質、健康食品購入量／食事購入日、ジャンクフード購入量／食事購入日、休日食事判別、休日食事購入量等といった集計を行うことができる。

（ステップＳ１０２）
次に、解析サーバは、セグメンテーション分析手段により、セグメンテーション処理を行う。
図５を参照すると、この処理において、セグメンテーション分析手段は、顧客特性／商品特性を決定するために顧客集計データからセグメンテーションを実行する。
具体的に、セグメンテーション分析手段は、設定されたパラメータに従って、サンプル数として１０万程度の顧客データを含む顧客集計データから、２段階のクラスタリングを行う。そして、セグメンテーション分析手段は、顧客情報を基にライフスタイル別に、最終的に２０数種類程度の「セグメント」へ分類する。
まず、第１段階目のクラスタリングとして、セグメンテーション分析手段は、上述の所定の指標の各値の類似度を算出し、この類似度を用いて、まず、例えば、非階層的クラスタリングであるｋ−ｍｅａｎｓ法により、第１の種類数のセグメントに分類する。このｋ−ｍｅａｎｓ法によって分類されたセグメントの第１の種類数は、特に限定されないが、５０〜２００程度が好ましく、さらに、１００程度になることがより好ましい。
この上で、第２段階目のクラスタリングとして、セグメンテーション分析手段は、例えば、階層的クラスタリングであるＷａｒｄ法を用いて、上述の５０〜２００程度に分類されたセグメントを、更に第２の種類数のセグメントに分類する。このＷａｒｄ法によって分類されたセグメントの第２の種類数は、第１の種類数より少なければ特に限定されないが、２０〜３０程度が好ましく、さらに、２４〜２７種程度がより好ましい。即ち、このＷａｒｄ手法によって、２４〜２７種程度の類似の傾向を示すセグメントに分類することがより好ましい。
この分類されたセグメントについては、例えば、セグメントＡを「Ｓｉｎｇｌｅ ｂｕｓｉｎｅｓｓｍａｎ（独身の会社員）」のように、顧客情報とライフスタイルについて対応すると思われる名称を管理者が解析者端末３０又はＩ／Ｏ部１２０等を介してラベルとして命名することができる。

なお、このクラスタリングにおいては、サンプルを少なくせず、所定のサンプル数、例えば１０万人すべてを分析対象とすることが好適である。これにより、購入頻度の少ない顧客は、購入頻度が多い顧客とは異なるセグメントとすることができ、より正確なクラスタリングを行うことができる。
また、このように、商品属性を分析後、大枠の商品カテゴリーのみで顧客のセグメンテーション分析を行うことで、商品点数があまりないコンビニエンスストア等でも対応可能である。
さらに、後述するように、得られた顧客特性／商品特性を用いて更にセグメンテーションを繰り返すことができる。これにより、より顧客／商品の特徴に合わせたセグメンテーションを行うことができる。

（ステップＳ１０３）
次に、解析サーバは、分類ルール作成手段により、設定されたパラメータに従って分類ルール作成処理を行う。図６を参照して説明すると、分類ルール作成手段は、算出されたセグメントを基に、例えば、決定木分析を行い、任意の顧客がどのセグメントに分類されるかを一意的に決定するルールを作成する。
すなわち、図６（ａ）のように、上述のセグメンテーション処理では、顧客集計データを分類するだけで、分類ルールは作成されない。
これに対して、図６（ｂ）のように、例えば、決定木を用いることで、分類結果を説明するようなルールを作成することができる。
この決定木のルール作成において、分類ルール作成手段は、オーバーフィッティング等を避けるため、９０％程度の精度になるようなルールを作成することが好適である。なお、所定数のルールを用いても精度が上がらない場合等の場合には、再セグメンテーション時にまた決定木を作成することもできる。

（ステップＳ１０４）
次に、解析サーバは、因子分析手段により、設定されたパラメータに従ってセグメント購入高集計処理を行う。
図７（ａ）を参照して説明すると、まず、因子分析手段は、セグメント別に、顧客データから商品グループ別に商品の購入比率を算出する。
この処理では、因子分析手段は、例えば、コンビニエンスストアの食品であればソフトドリンク、お酒、米飯、パン等のマーケティングで用いる所定の商品グループを用いる。つまり、例えば、ソフトドリンクの商品グループにはＡ商品、Ｂ商品、Ｃ商品の各ＳＫＵが含まれ、米飯の商品グループにはＤ商品とＥ商品の各ＳＫＵが含まれるといったように構成する。
これにより、後述する因子分析では、因子分析手法の特徴上、全商品の各ＳＫＵ毎に、直接顧客特性／商品特性を抽出できないという弱点を克服することができる。

（ステップＳ１０５）
次に、前記因子分析手段は、因子分析処理を行う。
まず、図７（ｂ）を参照して説明すると、因子分析手段は、設定されたパラメータに従って上述の各商品グループ別の商品の購入比率に係る相関値を距離とみなして、２次元空間にマッピングして、因子解析を行う。
この処理では、因子分析手段は、セグメント別の商品販売高比率を因子分析し、各商品グループ別に、商品の特徴を表している特有な因子を２〜４個抽出する。

ここで、図８を参照して、この因子分析処理の詳細について説明する。
まず、図８（ａ）では、因子分析手段は、上述したように、顧客集計データから、各セグメントの各顧客が購入した商品の商品グループにおける購入比率を算出し、上述のような相関値を求める。
次に、図８（ｂ）では、因子分析手段は、例えば、上述の所定の指標のうち任意の４種類をそれぞれの軸とした４次元空間に、各セグメントの値の相関値の平均値と、各商品グループの相関値とを各点として描画する。図８（ｂ）は、この４次元空間を２次元に投影した図であり、任意に回転可能である。この図では、セグメントの相関値の平均値を○印で、商品グループの相関値を＋印で示す。
次に、図８（ｃ）では、因子分析手段は、主成分分析を行い、少なくとも２つの因子についての軸を決定する。具体的に、各商品グループとセグメントの各点の関係について、主成分分析を行い、軸を設定する。この主成分分析は、例えば、ＳＡＳ社の統計解析ソフトＳＡＳのＰｒｉｎｃｏｍｐ関数等を用いて実現できる。なお、４次元空間ではなく、カーネル法等を用いて、すべての所定の指標の高次元空間から軸を選択するような手法も用いることができる。
次に、図８（ｄ）では、因子分析手段は、実行指示に従って、主成分分析で求められた軸を任意に回転して直交座標系に変換する。また、因子分析手段により、例えば、直交座標系に変換した各軸と商品の関係について、「サイズ」や「健康」といった因子名を設定する。この因子名の設定は、所定名をラベルとして設定しても、管理者が解析者端末３０又はＩ／Ｏ部１２０等を介して名付けて設定してもよい。これにより、各因子についての顧客特性／商品特性を抽出することが可能になる。なお、管理者が目視で軸を自由に回転させることもできる。
次に、図８（ｅ）では、因子分析手段は、各セグメントの点から各軸への垂線の高さ（距離）により、仮のセグメント特性を算出する。仮のセグメント特性は、例えば、縦軸を各セグメント、横軸を各因子とした表のような形式で算出できる。この表内の数値は、嗜好性の強弱をプラスマイナスで反映する属性パラメータの因子得点である。この仮のセグメント特性から、後述する属性展開処理にて、最終的なセグメント特性を算出する。
次に、図８（ｅ）では、因子分析手段は、各商品グループの点から各軸への垂線の高さ（距離）により、商品特性を算出する。この商品特性では、例えば、縦軸を各商品グループのＳＫＵ、横軸を各因子とした表のような形式で算出できる。この段階では、各ＳＫＵについては、対応する各商品グループの値をコピーして用いることができる。

（ステップＳ１０６）
次に、解析サーバは、属性展開手段により、属性展開処理を行う。
この処理では、まず、属性展開手段は、抽出した商品特性をグループ内の各ＳＫＵへ付与し、各ＳＫＵの商品特性をこのＳＫＵが属する商品グループへ再集計する。そして、属性展開手段は、再集計した全ての商品グループの商品特性を、商品特性マスタとしてデータベース１１７に記憶する。
図９を参照して説明すると、属性展開手段は、一旦商品グループ毎で抽出した商品特性を基に、商品グループ内の各ＳＫＵの購入比率と、商品グループ内の商品の購入比率との相関値を算出する。制御部１００は、相関値の大きさに応じて各商品グループの持つ商品特性を各ＳＫＵへ割り当てる。
これにより、属性展開手段は、各商品に係る商品特性を、商品特性マスタとして算出できる。

図１０（ａ）を参照して、商品特性マスタの例について説明する。この例においては、縦軸が各商品を示し、横軸が各因子を示している。
この例では、各商品は、ソフトドリンク、米飯といった商品グループ単位でまとめられている。
また、各因子は、全商品共通、ソフトドリンク用、米飯用といった「全体」から「商品グループ単位」の順番で並べることができる。
表内の値は、上述した仮のセグメント特性や商品特性と同様の属性パラメータの因子得点である。
この因子得点は、数値が大きいほど、その特性の嗜好性が高いことを示す。つまり、因子得点の値が高いほど、その商品において当該因子が好まれることを示す。また、因子得点のマイナス値は、逆の嗜好性を持っていることを示す。
なお、商品によって付与されない因子得点も存在する。また、図１０（ａ）の例では商品とＳＫＵを同一に設定している。

その後、属性展開手段は、商品特性マスタの各ＳＫＵの商品特性を用いて、上述の仮のセグメント特性から、各顧客の因子得点を上述の商品特性マスタと同様に算出して、各顧客の顧客特性を算出する。
この上で、属性展開手段は、この修正済みの各顧客の顧客特性から、各セグメントの因子得点を集計し、正式なセグメント特性としてデータベース１１７に記憶する。

図１０（ｂ）を参照して、このセグメント特性の例について説明する。このセグメント特性は、上述の仮のセグメント特性と同様に、縦軸を各セグメントとし、横軸を各因子とした表となる。
セグメント特性では、商品特性マスタと同一の因子を用いることが好適である。これにより、商品特性とセグメントとの関係を把握しやすくなる。
また、このセグメント特性においても、各値は属性パラメータの因子得点を示す。つまり、因子得点の値が高いほど、その嗜好性が高い商品を多く購入しやすいことを示す。逆に、因子得点の値が低いと、逆の嗜好性の商品を購入しにくいことを示す。
なお、属性展開手段は、セグメント特性では、表内のすべての因子得点を設定する。

（ステップＳ１０７）
次に、解析サーバは、再セグメンテーションが必要か否かについて判定する。
ここでは、解析サーバは、得られた商品特性マスタとセグメント特性を用いて、さらに各顧客を再セグメンテーションを行うか否かを判定する。解析サーバは、管理者が再セグメンテーションを行う旨設定している場合や、上述の決定木分析での精度が低かった場合等にＹｅｓと判定する。それ以外の場合はＮｏと判定する。
Ｙｅｓの場合、解析サーバは、処理をステップＳ１０２に戻して得られた商品特性マスタとセグメント特性を用いて、セグメンテーションや決定木分析等を再度行う。
Ｎｏの場合、解析サーバは、処理をステップＳ１０８に進める。

図１１を参照して、この再セグメンテーションを行った際の処理について説明する。
図１１（ａ）は、算出されたセグメント特性の因子得点を顧客集計データに加え、再セグメンテーションを行った例である。セグメンテーションは、上述のセグメンテーション処理と同様に行う。これにより、各顧客が属するセグメントが変化することもありうる。つまり、よりライフスタイル属性に沿ったセグメンテーションを行うことができる。
図１１（ｂ）は、各顧客について、分類ルール作成処理を再度行った例である。上述の再セグメンテーションと同様に、顧客集計データに商品特性マスタを加えて決定木分析を行った例である。決定木から得られた分類ルールを適用することで、より正確なセグメント分類結果が得られる。

（ステップＳ１０８）
次に、解析サーバは、マーケティング示唆手段により、施策反応率／ｍＲＯＩ算出処理を行う。
具体的には、マーケティング示唆手段は、セグメント特性及び商品特性マスタから、ｍＲＯＩを算出することができる。すなわち、マーケティング施策の費用から、マーケティング施策の効果（Ｒｅｔｕｒｎ、Ｒ）と費用（Ｉｎｖｅｓｔｍｅｎｔ、Ｉ）の関係に係る、投資利益率（Ｒｅｔｕｒｎ Ｏｎ Ｉｎｖｅｓｔｍｅｎｔ、ＲＯＩ）を算出することができる。すなわち、例えば、ある商品について１０％値下げ等のクーポンを配布した際に、どのセグメントの顧客がどの程度購買するか等を算出でき、投資利益率を算出できる。これによって、効果の低いディスカウントやキャンペーンを避けることができ、ｍＲＯＩを向上させることができる。
また、マーケティング示唆手段は、施策感度の分析として、過去のマーケティング施策のタイプ別に反応感度、ｍＲＯＩ値を算出することもできる。これにより、施策ごとにどのセグメントをターゲットとすればよいか把握することが可能となる。

（ステップＳ１０９）
次に、マーケティング示唆手段は、実行指示に従って店舗別客層パターン算出処理を行う。
ここでは、マーケティング示唆手段は、実行指示に従って店舗別顧客層を算出して分析する。すなわち、来店した顧客に対し、顧客集計データからセグメントの比率を分析する。これにより、店舗別にどのようなセグメントの顧客が多いのか把握可能となる。
また、マーケティング示唆手段は、来店した顧客のセグメント構成比から、店舗別にどのような商品がよりのぞましいのか把握可能となり、実行指示に従って店舗別推薦商品を算出できる。

また、マーケティング示唆手段は、商品特性マスタ、セグメント特性そのものからマーケティング施策の提案を行うこともできる。
まず、マーケティング示唆手段は、商品特性マスタから、単品商品（ＳＫＵ）毎の属性パラメータの因子得点を所定の基準でスコアリングして、開発側視点とは別に顧客視点からどのような商品特性があるのか把握できる。
また、マーケティング示唆手段は、実行指示に従ってセグメント基本プロファイルとして、セグメント毎の人数比、販売高比、性／年代構成、時間帯／曜日傾向、主な利用店舗数などの基本情報を算出することができる。
また、マーケティング示唆手段は、実行指示に従ってセグメント別嗜好性として、セグメント毎に商品特性マスタを参照し、販売された商品とセグメント毎の商品との関係を推測することができる。このセグメント別嗜好性の算出については後述する。
また、マーケティング示唆手段は、実行指示に従って嗜好性の強い商品グループを算出することもできる。つまり、他のセグメントに比べ購入比率の大きな／小さな商品を例えば３０種類程度抽出して、新たな商品グループを提案することができる。この商品グループは、セグメントの特徴を把握するときに参照することもできる。

ここで、図１２を参照してセグメント別嗜好性の算出について説明する。ここでは、セグメント特性から商品特性マスタを参照し、セグメント毎の商品力を推測する。
マーケティング示唆手段は、まず、セグメント特性から、セグメント別の嗜好性をグラフとして算出できる。たとえば、図１２（ａ）の「悠々自適シニア層」のセグメントでは、「高価（Ｈｉｇｈ−Ｐｒｉｃｅ）なものを好み、レジャー関連の製品を好む。また、「伝統的（Ｔｒａｄｉｔｉｏｎａｌ）」「健康（Ｈｅａｌｔｈｙ）」なものを好み、「高カロリー（Ｈｉｇｈ−Ｃａｌｏｒｉｅ）」や「大きなサイズ（Ｂｉｇ ｓｉｚｅ）」のものを好まないという特性も分かる。
ここで、商品特性マスタから単品商品（ＳＫＵ）毎に、この「悠々自適シニア層」の好みとの間でスコアリングを行うと、図１２の例では、ＳＫＵ１、２、９が「高価」「健康」「伝統的」なため好まれることが分かる。また、ＳＫＵ５に関しても、「伝統的」であるため、好まれる可能性があることが分かる。
このように、開発側視点とは別に、顧客視点からどのような商品特性があるのか把握できる。
これに加えて、マーケティング示唆手段は、全商品ＳＫＵのそれぞれに対し、買い合わせ度の高い商品ＳＫＵを算出することができる。また、マーケティング示唆手段は、買い合せ率の高い商品やセグメントを算出して示すこともできる。
以上により、マーケティング処理を終了する。

以上のように構成することで、以下のような効果を得ることができる。
まず、本発明の実施の形態に係る解析サーバ１０は、ライフスタイルに合わせたキャンペーン内容の最適化・選択ができ、商品開発に役立てることができる。
また、解析サーバ１０は、最適な商品／顧客の選択により、販売の機会ロス／廃棄ロスを削減することができる。
また、解析サーバ１０は、個店別の顧客構成に合わせた需要の把握により、需要と共有のミスマッチの防止することができる。

なお、上記実施の形態の構成及び動作は例であって、本発明の趣旨を逸脱しない範囲で適宜変更して実行することができることは言うまでもない。

本発明により、顧客のクラスタリング分類を高精度に行うことができるマーケティング装置を提供し、産業上利用することができる。

５ ネットワーク
１０ 解析サーバ
１５ ＰＯＳサーバ
２０−１〜２０−ｎ クライアント端末
３０ 解析者端末
１００ 制御部
１１０ 記憶部
１１１ 顧客情報収集部
１１２ セグメンテーション分析部
１１３ 分類ルール作成部
１１４ 因子分析部
１１５ 属性展開部
１１６ マーケティング示唆部
１１７ データベース
１２０ Ｉ／Ｏ部
１４０ ネットワーク入出力部
２００ 顧客／商品特性分析部
Ｘ マーケティングシステム

Claims (7)

1. 顧客のＰＯＳデータから販売情報を収集し、収集した前記顧客の販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段と、
   前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテ
   ーション分析手段と、
   前記セグメント別に、各顧客が購入した商品の商品グループにおける購入比率を算出し、前記購入比率に基づいて算出した、前記セグメント別の販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性、顧客特性として抽出する因子分析手段とを備え、
   前記セグメンテーション分析手段は、
   第１段階目に、前記非階層的クラスタリングとしてｋ−ｍｅａｎｓ法を用い、第１の種類数の前記セグメントに分類し、
   第２段階目に、前記階層的クラスタリングとしてＷａｒｄ法を用い、分類された前記第１の種類数の前記セグメントを更に、前記第１の種類数より少ない第２の種類数の前記セグメントに分類する
   ことを特徴とするマーケティング装置。
2. 前記商品特性に対応する属性パラメータを商品のデータに付加して商品特性マスタを作成し、該商品特性マスタと前記顧客特性からセグメント特性を集計して作成する属性展開手段を備える
   ことを特徴とする請求項１に記載のマーケティング装置。
3. 前記商品特性、前記顧客特性、前記商品特性マスタ、前記セグメント特性のいずれかを用いて、マーケティングの施策反応率、ｍＲＯＩ（Ｍａｒｋｅｔｉｎｇ Ｒｅｔｕｒｎ Ｏｎ Ｉｎｖｅｓｔｍｅｎｔ）、又は店舗別客層パターンを算出するマーケティング示唆手段を備える
   ことを特徴とする請求項２に記載のマーケティング装置。
4. 前記セグメンテーション分析手段は、前記セグメント特性を用いて、再セグメンテーションを行う
   ことを特徴とする請求項２又は３に記載のマーケティング装置。
5. コンピュータによるマーケティング方法であって、
   コンピュータが、顧客のＰＯＳデータから販売情報を収集し、収集した前記販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成するステップと、
   コンピュータが、前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするステップと、
   コンピュータが、前記セグメント別に、各顧客が購入した商品の商品グループにおける購入比率を算出し、前記購入比率に基づいて算出した、前記セグメント別の販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性、顧客特性として抽出するステップと
   を含み、
   前記クラスタリングするステップは、
   第１段階目に、前記非階層的クラスタリングとしてｋ−ｍｅａｎｓ法を用い、第１の種類数の前記セグメントに分類し、
   第２段階目に、前記階層的クラスタリングとしてＷａｒｄ法を用い、分類された前記第１の種類数の前記セグメントを更に、前記第１の種類数より少ない第２の種類数の前記セグメントに分類する
   ことを特徴とするマーケティング方法。
6. コンピュータを、
   顧客のＰＯＳデータから販売情報を収集し、収集した前記販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段と、
   前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテーション分析手段と、
   前記セグメント別に、各顧客が購入した商品の商品グループにおける購入比率を算出し、前記購入比率に基づいて算出した、前記セグメント別の販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性、顧客特性として抽出する因子分析手段と、
   して機能させ、
   前記セグメンテーション分析手段は、
   第１段階目に、前記非階層的クラスタリングとしてｋ−ｍｅａｎｓ法を用い、第１の種類数の前記セグメントに分類し、
   第２段階目に、前記階層的クラスタリングとしてＷａｒｄ法を用い、分類された前記第１の種類数の前記セグメントを更に、前記第１の種類数より少ない第２の種類数の前記セグメントに分類するように機能させるためのプログラム。
7. コンピュータを、
   顧客のＰＯＳデータから販売情報を収集し、収集した前記販売情報と当該顧客の個人情報とを結び付けた顧客集計データを作成する顧客情報収集手段、
   前記顧客集計データを基に、非階層的クラスタリングと階層的クラスタリングとにより、前記顧客のライフスタイル別のセグメントへ前記顧客をクラスタリングするセグメンテーション分析手段、
   前記セグメント別に、各顧客が購入した商品の商品グループにおける購入比率を算出し、前記購入比率に基づいて算出した、前記セグメント別の販売高比率を因子分析し、商品グループ別に、商品の特徴を表している特有な因子を、商品特性、顧客特性として抽出する因子分析手段、
   として機能させ、
   前記セグメンテーション分析手段は、
   第１段階目に、前記非階層的クラスタリングとしてｋ−ｍｅａｎｓ法を用い、第１の種類数の前記セグメントに分類し、
   第２段階目に、前記階層的クラスタリングとしてＷａｒｄ法を用い、分類された前記第１の種類数の前記セグメントを更に、前記第１の種類数より少ない第２の種類数の前記セグメントに分類するように機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。