JP6237790B2 - 情報処理方法、プログラムおよび装置 - Google Patents

Description

本発明は、情報処理方法等に関する。

顧客の購買履歴を収集することで作成された顧客データベースを用いて顧客の購買傾向を把握するマーケティングリサーチがある。マーケティングリサーチにおいては、顧客の購買傾向を把握するために購買傾向が類似する顧客をグループ化することによって顧客層が分類される。そして、分類された顧客層毎に行動を分析することで各顧客層の購買傾向が把握される。

例えば、ロイヤルカスタマーに分類された顧客層の購買傾向を分析することで、ロイヤルカスタマー全体の行動が把握される。ロイヤルカスタマーとは、利益率が高い商品を高頻度で購入する等の行動をとったことにより優良顧客と認定された顧客のことである。そして、ロイヤルカスタマーがとった行動が他の客層でもとられるように促すことにより、ロイヤルカスタマーの増大が図れる。一方、店を利用しなくなった顧客層を特定することにより、顧客離れを起こす予兆がある顧客に対してサービスを提供することができる。これにより、顧客離れを未然に防ぐことが可能となる。すなわち、顧客をグループ化することで顧客の行動パターンが把握しやすくなるので、マーケティングアクションへの動機付けにつながる場合がある。

顧客をグループ化する方法には、例えば、クラスター分析がある。クラスター分析とは、異なる対象の中から類似するものを集めてグループを作成することで対象を分類する分析方法である。クラスター分析を用いることで客観的な基準で顧客層が分類される。

特開２００８−１５２３２１号公報

しかしながら、ある期間だけに見られる購買傾向を加味して顧客をグルーピングすることができないという問題がある。

クラスター分析を用いた場合、顧客をグループ化する際に季節商品等の期間的に販売される商品の購買傾向が失われる可能性がある。これはクラスター分析が、四半期、月単位等の期間毎に購買傾向を分析するのに不向きであるためである。

客により購買された商品の履歴データであって大型店舗等で取り扱われる多数の商品を含む購買履歴データを基にしてクラスター分析をおこなう場合、ある客が実際に購入した商品数よりも店舗で取り扱われている商品数の方が圧倒的に多いので、購買データの大半が購入されていない商品を表すデータとなる。このため、購買データを商品毎にベクトルで表記させた場合、その商品を購入していないことを示す原点付近にベクトルが集中することになる。その結果、顧客をグループ化するのが困難となる。

一つの側面では、ある期間だけに見られる購買傾向を加味して顧客をグルーピングできる情報処理方法、プログラムおよび装置を提供することを目的とする。

第１の案では、コンピュータが下記の情報処理方法を実行する。情報処理方法は、記憶部に記憶された、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割し、前記分割した期間長毎に別箇に主成分分析を実行する。さらに、情報処理方法は、それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、平行により近い軸同士を組み合わせて対応する軸を特定する処理を実行する。さらに、情報処理方法は、前記処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、当該同一の軸方向にかかる主成分の値に基づき前記複数の人を複数にグルーピングする処理を実行する。

本発明の１実施態様によれば、ある期間だけに見られる購買傾向を加味して顧客をグルーピングできるという効果を奏する。

図１は、実施例１に係る情報処理装置のシステム構成の一例を示す図である。 図２は、購買履歴データのデータ構造を説明するための図である。 図３は、購買データのデータ構造を説明するための図である。 図４は、顧客層データのデータ構造を説明するための図である。 図５は、顧客の購買履歴の主成分分析を説明するための図である。 図６は、期毎に算出された各主成分の固有ベクトルを示す図である。 図７は、各ベクトルを並び替えた場合の一例を示す図である。 図８は、固有ベクトルの向きの調整を説明するための図である。 図９は、固有ベクトル方向の高さを算出することを説明するための図である。 図１０は、情報処理装置の処理を説明するための図である。 図１１は、クラス毎の各期における遷移の第１の例を示す図である。 図１２は、クラス毎の各期における遷移の第２の例を示す図である。 図１３は、情報処理装置のハードウェア構成を示す図である。

以下に、本願の開示する情報処理方法、プログラムおよび装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの権利範囲が限定されるものではない。

図１を用いて、情報処理装置１００のシステム構成について説明する。図１は、実施例１に係る情報処理装置のシステム構成の一例を示す図である。図１の例に示すように、情報処理装置１００は、入力部１０１、出力部１０２、制御部１１０および記憶部１２０を有する。記憶部１２０は、購買履歴データ１２１、購買データ１２２および顧客層データ１２３を含む。記憶部１２０は例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、ハードディスクや光ディスクなどの記憶装置に対応する。

記憶部１２０に記憶されている各データについて説明する。購買履歴データ１２１は、日付毎に各顧客の商品の購買履歴を記憶したデータである。図２を用いて、購買履歴データ１２１のデータ構造について説明する。図２は、購買履歴データのデータ構造を説明するための図である。図２に示される例のように、購買履歴データ１２１は、日付毎に商品を購入したユーザ、購入した商品名、および購入数を対応付ける。例えば、第１のレコードには、「2013/5/21」に「ユーザＡ」が商品名「牛乳」を「1」個購入したことが記憶される。また、第２のレコードには、「2013/5/21」に「ユーザＡ」が商品名「卵」を「2」個購入したことが記憶される。また、第３のレコードには、「2013/5/21」に「ユーザＤ」が商品名「人参」を「3」個購入したことが記憶される。なお、購買履歴データ１２１は、他のレコードにおいても、日付毎に商品を購入したユーザ、購入した商品名、および購入数を対応付ける。なお、ユーザは、分類対象である顧客と同意である。

購買データ１２２は、各顧客に関し、期毎に各商品を購入した合計数を集計したデータである。図３を用いて、購買データ１２２のデータ構造について説明する。図３は、購買データ１２２のデータ構造を説明するための図である。図３に示される例のように、購買データ１２２は、例えば、２０１３年の春期のデータ１０ａ、夏期のデータ１０ｂ、秋期のデータ１０ｃおよび冬期のデータ１０ｄを含む。各期のデータ１０ａ〜１０ｄには、顧客Ａ〜Ｚの各顧客に関し、商品毎に購入数の合計数を対応付ける。

例えば、冬期のデータ１０ｄは、顧客Ａが、牛乳を「20」個、卵を「15」個、レタスを「0」個、人参を「0」個、新じゃがを「0」個、きゅうりを「0」個、アイスを「0」個および衣料品を「0」個購入したことを対応付ける。また、冬期のデータ１０ｄは、顧客Ｚが、牛乳を「0」個、卵を「0」個、レタスを「0」個、人参を「0」個、新じゃがを「0」個、きゅうりを「0」個、アイスを「0」個および衣料品を「20」個購入したことを対応付ける。なお、冬期のデータ１０ｄは、他のユーザに関しても、商品毎に購入数の合計数を対応付ける。また、冬期のデータ１０ｄは、他に購入数の合計数を対応付ける商品を含んでもよい。また、購買データ１２２は、他の期においても、顧客Ａ〜Ｚの各顧客に関し、商品毎に購入数の合計数を対応付ける。

顧客層データ１２３は、顧客層を決定する際に使用されるデータである。図４を用いて、顧客層データ１２３のデータ構造について説明する。図４は、顧客層データ１２３のデータ構造を説明するための図である。図４に示される例のように、顧客層データ１２３は、各顧客について、期毎にクラスデータを対応付ける。クラスデータとは、クラス決定関数を用いて算出されたクラスを設定する際に使用されるデータである。クラスとは、情報処理装置１００によって決定される顧客層に対応する。

例えば、顧客層データ１２３の第１のレコードには、顧客Ａの２０１３年春期のクラスデータ「ｃ_{−１，１，−１}」と、２０１３年夏期のクラスデータ「ｃ_{−１，１，−１}」と、２０１３年秋期のクラスデータ「ｃ_{−１，１，−１}」とが含まれる。さらに、第１のレコードには、２０１３年冬期のクラスデータ「ｃ_{−１，１，−１}」が含まれる。また、顧客層データ１２３の第２のレコードには、顧客Ｂの２０１３年春期のクラスデータ「ｃ_{−１，−１，−１}」と、２０１３年夏期のクラスデータ「ｃ_{−１，１，−１}」と、２０１３年秋期のクラスデータ「ｃ_{−１，１，−１}」とが含まれる。さらに、第２のレコードには、２０１３年冬期のクラスデータ「ｃ_{−１，１，１}」が含まれる。なお、顧客層データ１２３は、他の顧客についても、期毎にクラスデータを対応付ける。

次に、制御部１１０に含まれる各処理部について説明する。制御部１１０は、実行部１１１、特定部１１２および分類部１１３を有する。制御部１１０の機能は例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路により実現することができる。また、制御部１１０の機能は例えば、ＣＰＵ（Central Processing Unit）が所定のプログラムを実行することで実現することができる。

実行部１１１は、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割する。さらに、実行部１１１は、分割した期間長毎に別箇に主成分分析を実行する。

例えば、実行部１１１は、以下の処理をおこなう。まず、実行部１１１は、購買履歴データ１２１を基に各顧客に関し、期毎に各商品を購入した合計数を集計して購買データ１２２を生成する。例えば、購買履歴データ１２１は、図２に対応する。また、購買データ１２２は、図３に対応する。

実行部１１１は、生成された購買データ１２２に基づいて期毎に各ユーザの行動を要約したベクトルｘk,jを取得する。図３を用いて、ベクトルｘk,jを取得する処理について説明する。すなわち、実行部１１１は、ある期における購買データ１２２に関し、各商品に次元を割り当て、各商品の購買数を各々の次元の値とすることで、一ユーザに対して期毎に一つのベクトルｘk,jを設定する。したがって、実行部１１１は、購買データ１２２が四半期で作成された場合、一ユーザ当たり春期、夏期、秋期および冬期の４つのベクトルｘk,jを取得することになる。

例えば、実行部１１１は、顧客Ａの冬期のデータ１０ｄに関してベクトルｘk,jを設定する場合、第１次元の値を牛乳の購入数「20」とし、第２次元の値を卵の購入数「15」とする。実行部１１１は、他の次元に関しても、各商品の購入数を各々の次元の値とする。そして、実行部１１１は、各次元の値に基づいてベクトルｘk,jを設定する。

なお、「k」は、各ユーザを示す。「k」は、１から総ユーザ数であるｎまでの範囲をとる。また、「j」は、分割された期を示す。期とは、例えば、２０１３年の春期、夏期、秋期および冬期等である。「j」は、１から最後の期であるｔまでの範囲をとる。

実行部１１１は、購買データ１２２の各期のデータに対して主成分分析をおこなう。実行部１１１は、購買データ１２２に含まれる商品の種類数をｄとした場合、第１主成分から第ｄ主成分まで算出する。実行部１１１は、各商品にそれぞれ次元を割り当て、主成分分析の結果を基に、主成分毎に各商品の値を設定して主成分データを作成する。実行部１１１によって作成された主成分データは、例えば、図５に対応する。

図５を用いて、実行部１１１により顧客の購買履歴に対してなされた主成分分析について説明する。図５は、顧客の購買履歴の主成分分析を説明するための図である。まず、実行部１１１は、商品の種類数がｄ個であった場合、２０１３年冬期の購買データ１０ｄから第１主成分〜第ｄ主成分までを算出する。実行部１１１は、算出された各主成分から固有ベクトルを生成する。次いで、実行部１１１は、生成された固有ベクトルから、主成分毎の各商品の値のそれぞれを各商品に対応づける。なお、以下では、主成分分析された各期のデータを主成分データとよぶ。

例えば、実行部１１１は、冬期の主成分データ１１ｄにおいて第１主成分のレコードに、牛乳の値「-0.44910」、卵の値「-0.35920」、レタスの値「-0.02441」、人参の値「-0.00902」、新じゃがの値「0」を対応付ける。さらに、実行部１１１は、第１主成分のレコードに、きゅうりの値「-0.02513」、アイスの値「-0.06313」および衣料品の値「0.00495」を対応付ける。

また、実行部１１１は、冬期の主成分データ１１ｄにおいて第ｄ主成分のレコードに、牛乳の値「-0.000024」、卵の値「-0.00007」、レタスの値「-0.000009」、人参の値「-0.00006」、新じゃがの値「0」を対応付ける。さらに、実行部１１１は、第ｄ主成分のレコードに、きゅうりの値「-0.00009」、アイスの値「-0.00001」および衣料品の値「0.00001」を対応付ける。なお、実行部１１１は、２０１３年冬期の他の主成分に関しても、主成分毎に算出された値のそれぞれを各商品に対応づける。また、実行部１１１は、２０１３年冬期以外の期に関しても、同様に主成分分析をおこない、各々の主成分データを作成する。

特定部１１２は、それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、対応する軸を特定する。例えば、特定部１１２は、以下の処理を行う。まず、特定部１１２は、実行部１１１によって生成された各主成分の固有ベクトルを、期毎に列挙する。次いで、特定部１１２は、隣接する期にそれぞれ含まれる固有ベクトルどうしの内積が最も大きい組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。これにより、特定部１１２は、対応する固有ベクトルが各列に並ぶように並び替え、期毎の固有ベクトルの同定をおこなう。すなわち、特定部１１２は、隣接する期の固有ベクトルの軸が平行に近い組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。

図６を用いて、特定部１１２によっておこなわれる各期の固有ベクトルの並び替えについて説明する。図６は、期毎に算出された各主成分の固有ベクトルを示す図である。図６に示される例のように、特定部１１２は、２０１３年の春期、夏期、秋期および冬期の各期において、第１主成分から第５主成分までの固有ベクトルを各行に列挙する。各列には１から５までの値が付される。図６において、各固有ベクトルは「ｖi,j」の形式で表され、「i」は主成分で、「j」は期である。

例えば、２０１３年春期の第１主成分は「ｖ1,1」、第２主成分は「ｖ2,1」、第３主成分は「ｖ3,1」、第４主成分は「ｖ4,1」、第５主成分は「ｖ5,1」で表される。また、２０１３年夏期の第１主成分は「ｖ1,2」、第２主成分は「ｖ2,2」、第３主成分は「ｖ3,2」、第４主成分は「ｖ4,2」、第５主成分は「ｖ5,2」で表される。なお、特定部１１２は、他の期に係る行においても、第１主成分から第５主成分までの固有ベクトルを列挙する。

次いで、特定部１１２は、隣接する期にそれぞれ含まれる固有ベクトルどうしの内積が最も大きい組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。例えば、特定部１１２は、２０１３年春期の固有ベクトル「ｖ1,1」と、２０１３年夏期の固有ベクトル「ｖ1,2」、「ｖ2,2」、「ｖ3,2」、「ｖ4,2」および「ｖ5,2」との内積をそれぞれ算出する。次いで、特定部１１２は、固有ベクトル「ｖ1,1」との内積値が最も大きい固有ベクトル「ｖ3,2」を選択する。そして、特定部１１２は、選択された固有ベクトル「ｖ3,2」が固有ベクトル「ｖ1,1」と同じ「1」の列に来るように、２０１３年夏期の各ベクトルを並び替える。

次いで、特定部１１２は、２０１３年春期の固有ベクトル「ｖ2,1」と、２０１３年夏期の固有ベクトル「ｖ1,2」、「ｖ2,2」、「ｖ4,2」および「ｖ5,2」との内積をそれぞれ算出する。次いで、特定部１１２は、固有ベクトル「ｖ2,1」との内積値が最も大きい固有ベクトル「ｖ4,2」を選択する。そして、特定部１１２は、選択された固有ベクトル「ｖ4,2」が固有ベクトル「ｖ2,1」と同じ「2」の列に来るように、２０１３年夏期の各ベクトルを並び替える。

次いで、特定部１１２は、２０１３年春期の固有ベクトル「ｖ3,1」と、２０１３年夏期の固有ベクトル「ｖ1,2」、「ｖ2,2」および「ｖ5,2」との内積をそれぞれ算出する。次いで、特定部１１２は、固有ベクトル「ｖ3,1」との内積値が最も大きい固有ベクトル「ｖ2,2」を選択する。そして、特定部１１２は、選択された固有ベクトル「ｖ2,2」が固有ベクトル「ｖ3,1」と同じ「3」の列に来るように、２０１３年夏期の各ベクトルを並び替える。

次いで、特定部１１２は、２０１３年春期の固有ベクトル「ｖ4,1」と、２０１３年夏期の固有ベクトル「ｖ1,2」および「ｖ5,2」との内積をそれぞれ算出する。次いで、特定部１１２は、固有ベクトル「ｖ4,1」との内積値が最も大きい固有ベクトル「ｖ5,2」を選択する。そして、特定部１１２は、選択された固有ベクトル「ｖ5,2」が固有ベクトル「ｖ4,1」と同じ「4」の列に来るように、２０１３年夏期の各固有ベクトルを並び替える。

このようにして、特定部１１２は、２０１３年夏期の各ベクトルを並び替える。図７に並び替え後の固有ベクトルの例を示す。図７は、各ベクトルを並び替えた場合の一例を示す図である。図７に示される例のように、２０１３年夏期、秋期および冬期に含まれる各ベクトルが並び替えられる。これにより、特定部１１２は、２０１３年春期、夏期、秋期および冬期において、対応する固有ベクトルが各列に並ぶように並び替える。

すなわち、特定部１１２は、期ｊ＝｛1,…,t-1｝に対して、「ｖi,j+1」が式（１）を満たすように並び替える。なお、「i'」は、｛i+1,…,d｝を含むものとする。また、「t」は、最後の期である。

｜ｖi,j・ｖi',j+1｜≦｜ｖi,j・ｖi,j+1｜ ・・・（１）

また、特定部１１２は、同様にして、２０１３年夏期に隣接する２０１３年秋期にそれぞれ含まれる固有ベクトルどうしの内積が最も大きい組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。さらに、特定部１１２は、同様にして、２０１３年秋期に隣接する２０１３年冬期にそれぞれ含まれる固有ベクトルどうしの内積が最も大きい組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。

分類部１１３は、処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、複数の人を複数にグルーピングする。例えば、分類部１１３は、以下の処理を行う。まず、分類部１１３は、並び替え後の固有ベクトルに関し、隣接する期どうしのベクトルの内積が負の場合に、一方の固有ベクトルに「-1」を乗じることにより固有ベクトルの向きを揃える。

例えば、分類部１１３は、２０１３年夏期の固有ベクトル「ｖ4,2」と、２０１３年秋期の固有ベクトル「ｖ1,3」との内積が負である場合、固有ベクトル「ｖ1,3」に「-1」を乗じて「-ｖ1,3」とする。すなわち、分類部１１３は、期ｊ＝｛1,…,t-1｝、商品ｉ＝｛1,…,d｝としたとき、「ｖi,j・ｖi,j+1＜０」である場合に「ｖi,j+1」を「-ｖi,j+1」にすることにより、固有ベクトル方向の向きを揃える。

図８は、固有ベクトルの向きの調整を説明するための図である。図８に示される例のように、２０１３年春期の主成分データ１１ａ、夏期の主成分データ１１ｂ、秋期の主成分データ１１ｃおよび冬期の主成分データ１１ｄが示される。固有ベクトル「ｖ1,3」は、２０１３年秋期の主成分データ１１ｃの第１主成分のレコードに「-ｖ1,3」とした場合の各商品の値を格納する。すなわち、図５の例に示される主成分データ１１ｃの第１主成分のレコードに含まれる各商品の値に「-1」を乗じる。この場合の主成分データ１１ｃの第１主成分のレコードは、図８の例に示される主成分データ１１ｃの第１主成分のレコードに対応する。

次いで、分類部１１３は、固有ベクトル方向の高さを算出する。例えば、分類部１１３は、向きが調整された後の各固有ベクトル「ｖd,j」に対して、実行部１１１によって取得された期毎に各ユーザの行動を要約したベクトル「ｘk,j」のそれぞれを乗じることにより固有ベクトル方向の高さを算出する。

すなわち、分類部１１３は、式（２）により固有ベクトル方向の高さを算出する。

ｙk,j＝（ｘk,j・ｖ1,j, … ,ｘk,j・ｖd,j） ・・・（２）

図９を用いて、固有ベクトル方向の高さの算出について説明する。図９は、固有ベクトル方向の高さを算出することを説明するための図である。図９に示される例のように、固有ベクトル方向の高さを反映させた２０１３年春期の主成分の高さデータ１２ａと、夏期の主成分の高さデータ１２ｂと、秋期の主成分の高さデータ１２ｃと、冬期の主成分の高さデータ１２ｄとが示される。各期の主成分の高さデータには、第１主成分〜第ｄ主成分までそれぞれの主成分に固有ベクトル方向の高さが格納される。

例えば、２０１３年冬期の主成分データ１２ｄにおいて、顧客Ａの第１主成分に「-130.4013」、第２主成分に「60.5697」、第３主成分に「-36.3569」、第４主成分に「51.2404」、第ｄ主成分に「11.67611」が格納される。また、２０１３年冬期の主成分データ１２ｄにおいて、顧客Ｂの第１主成分に「-157.5104」、第２主成分に「71.3389」、第３主成分に「4.50123」、第４主成分に「5.78115」、第ｄ主成分に「0.000013」が格納される。また、２０１３年冬期の主成分データ１２ｄにおいて、顧客Ｚの第１主成分に「6.03269」、第２主成分に「-2.4325」、第３主成分に「-1.42352」、第４主成分に「30.4156」、第ｄ主成分に「-0.02145」が格納される。なお、２０１３年冬期の他の顧客に関しても、主成分毎に固有ベクトル方向の高さが格納される。また、２０１３年の春期、夏期および秋期の他の期に関しても、顧客毎に各主成分に係る固有ベクトル方向の高さが格納される。

次いで、分類部１１３は、期毎に各ユーザが所属するクラスを決定する。分類部１１３は、算出された固有ベクトル方向の高さ「ｙk,j」をクラス決定関数「ｆ（ｙk,j）」にそれぞれ代入することにより、各ユーザが所属するクラスを決定する。例えば、クラス決定関数「ｆ（ｙk,j）」は、式（３）のようなものである。

ｆ（ｙk,j）＝１（０＜ｙ）
ｆ（ｙk,j）＝０（ｙ＝０）
ｆ（ｙk,j）＝−１（ｙ＜０） ・・・（３）

式（３）のクラス決定関数は一例であり、他のクラス決定関数を使用してもよい。例えば、分類部１１３は、以下の式（４）のクラス決定関数「ｆ（ｙk,j）」を使用してもよい。

ｆ（ｙk,j）＝１（５０＜ｙ）
ｆ（ｙk,j）＝０（ｙ＝５０）
ｆ（ｙk,j）＝−１（ｙ＜５０） ・・・（４）

すなわち、分類部１１３は、期毎に各主成分について算出された固有ベクトル方向の高さが５０より大きいか、５０であるか、もしくは５０未満であるかに基づき、各ユーザのクラスを決定してもよい。なお、分類部１１３は、上記以外のクラス決定関数を使用してもよい。そして、分類部１１３は、決定された各顧客のクラスを顧客層データに格納する。

分類部１１３が固有ベクトル方向の高さをクラス決定関数「ｆ（ｙk,j）」に代入することで決定されたクラスの一例は、図４である。図４を用いて、分類部１１３による各ユーザが所属するクラスの決定に関して説明する。図４に示される例のように、顧客層データ１２３によると、顧客Ａの２０１３年春期のクラスは「ｃ_{−１，１，−１}」である。また、顧客Ａの２０１３年夏期のクラスは「ｃ_{−１，１，−１}」である。また、顧客Ａの２０１３年秋期のクラスは「ｃ_{−１，１，−１}」である。また、顧客Ａの２０１３年冬期のクラスは「ｃ_{−１，１，−１}」である。

なお、上記の例において、分類部１１３は、クラス決定関数「ｆ（ｙk,j）」に第１〜第３主成分に対応する固有ベクトル方向の高さを代入している。分類部１１３は、第１〜第３主成分以外の主成分に対応する固有ベクトル方向の高さを選択してもよい。

一方、顧客Ｂの２０１３年春期のクラスは「ｃ_{−１，−１，−１}」である。また、顧客Ｂの２０１３年夏期のクラスは「ｃ_{−１，１，−１}」である。また、顧客Ｂの２０１３年秋期のクラスは「ｃ_{−１，１，−１}」である。また、顧客Ｂの２０１３年冬期のクラスは「ｃ_{−１，１，１}」である。

例えば、分類部１１３は、顧客Ａが春期、夏期、秋期および冬期を通じてクラスが「ｃ_{−１，１，−１}」であったと判定する。また、分類部１１３は、顧客Ｂが春期に顧客Ａとは別のクラス「ｃ_{−１，−１，−１}」に所属していたが、夏期および秋期に顧客Ａと同じクラス「ｃ_{−１，１，−１}」に所属したと判定する。また、分類部１１３は、顧客Ｂが冬期に顧客Ａとは別のクラス「ｃ_{−１，１，１}」に所属したと判定する。なお、分類部１１３は、他の顧客に関しても、所属するクラスを決定してもよい。

なお、分類部１１３は、クラス決定関数に代入する固有ベクトル方向の高さの数を増やしても減らしてもよい。例えば、分類部１１３は、クラス決定関数に代入する固有ベクトル方向の高さの数を「4」とした場合、クラスは例えば「ｃ_{−１，１，−１,−１}」のように表される。また、分類部１１３は、固有ベクトル方向の高さの数を「2」とした場合、クラスは例えば「ｃ_−１，１」のように表される。

また、分類部１１３は、顧客の総数、顧客を分類する目的などに応じて分類するクラス数を設定してもよい。例えば、分類部１１３は、クラス決定関数に代入する固有ベクトル方向の高さの数が「3」の場合、クラス決定関数は３つの返り値を有するので、最大で「27」種類のクラスに分類することになる。また、分類部１１３は、クラス決定関数に代入する固有ベクトル方向の高さの数が「4」の場合、最大で「81」種類のクラスに分類することになる。また、分類部１１３は、クラス決定関数に代入する固有ベクトル方向の高さの数が「2」の場合、最大で「9」種類のクラスに分類することになる。

図１０を用いて、情報処理装置の処理のフローを説明する。図１０は、情報処理装置の処理を説明するための図である。まず、実行部１１１は、購買履歴データ１２１を基に各顧客に関し、期毎に各商品を購入した合計数を集計する（ステップＳ１０）。実行部１１１は、集計結果をまとめた購買データ１２２を生成する。また、実行部１１１は、生成された購買データ１２２に基づいて期毎に各ユーザの行動を要約したベクトル「ｘk,j」を取得する。

次いで、実行部１１１は、分割された期毎の主成分分析を実行する（ステップＳ１１）。例えば、実行部１１１は、商品の種類数ｄとした場合、各期の第１主成分〜第ｄ主成分までを算出する。実行部１１１は、算出された第１主成分〜第ｄ主成分に対応する固有ベクトルを生成する。そして、実行部１１１は、各期において、主成分毎に各商品の値を対応付けた主成分データを作成する。

特定部１１２は、隣接する期どうしで対応する固有ベクトルを同定する（ステップＳ１２）。例えば、特定部１１２は、実行部１１１によって生成された各主成分の固有ベクトルを期毎に列挙する。次いで、特定部１１２は、隣接する期にそれぞれ含まれる固有ベクトルどうしの内積が最も大きい組を選択して、選択された組が隣り合うように各期の固有ベクトルを並び替える。これにより、特定部１１２は、対応する固有ベクトルが各列に並ぶように並び替える。

分類部１１３は、固有ベクトルの向きを調整する（ステップＳ１３）。すなわち、分類部１１３は、並び替え後の固有ベクトルに関し、隣接する期どうしのベクトルの内積が負の場合に、一方の固有ベクトルに−１を乗じることにより固有ベクトルの向きを揃える。

分類部１１３は、固有ベクトル方向の高さを算出する（ステップＳ１４）。すなわち、分類部１１３は、実行部１１１によって取得された各ユーザの行動を要約したベクトル「ｘk,j」と、固有ベクトル「ｖd,j」とを乗じることにより算出する。

分類部１１３は、期毎に各顧客のクラスを決定する（ステップＳ１５）。すなわち、分類部１１３は、算出された固有ベクトル方向の高さ「ｙk,j」をクラス決定関数「ｆ（ｙk,j）」に代入することにより、各ユーザが所属するクラスを決定する。なお、分類部１１３は、クラス決定関数に代入する高さに関しては、どの主成分に対応する固有ベクトル方向の高さを採用するかを選択してもよい。

すなわち、情報処理装置１００は、以下の処理部を有する。情報処理装置１００は、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割し、分割した期間長毎に別箇に主成分分析を実行する実行部１１１を有する。情報処理装置１００は、それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、対応する軸を特定する特定部１１２を有する。情報処理装置１００は、処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、複数の人を複数にグルーピングする分類部１１３を有する。これにより、情報処理装置１００は、ある期間だけに見られる購買傾向を加味して顧客をグルーピングできる。

また、特定部１１２は、時間的に隣り合うベクトルのうち、内積値が大きいベクトルを対応付けることにより、対応するベクトルに特定する。これにより、隣接する期において平行に近いベクトルの組を特定できる。

また、分類部１１３は、時間的に隣り合うベクトルの内積値が負となる場合に、一方のベクトルの向きを反対にする。これにより、隣接する期のベクトルの向きを揃えることができる。

また、分類部１１３は、各ベクトル方向の高さに基づいて、複数の人を複数にグルーピングする。これにより、各ベクトル方向の高さを加味して複数の人を各クラスに分類することができる。

次に、図１１を用いて、各クラスの遷移について説明する。図１１は、クラス毎の各期における遷移の第１の例を示す図である。図１１に示される例のように、クラスは、「入会」「Ａ」「Ｂ」「Ｃ」「Ｄ」「休眠」の６個のクラスに分類される。「入会」クラスは、入会した時期が直近の顧客のクラスである。「Ａ」「Ｂ」「Ｃ」「Ｄ」の各クラスは、分類部１１３によってクラス決定関数に基づいて決定された顧客のクラスである。「休眠」クラスは、所定期間、購買履歴がない顧客のクラスである。隣接する期の間における顧客の遷移量は、隣接する期をつなぐ帯状の領域で表示される。

なお、上述したように、情報処理装置１００は、すべてのクラスをクラス決定関数に基づいて決定するのに限らず、他の基準でクラスを決定してもよい。例えば、情報処理装置１００は、入会した時期が直近の顧客のクラス、所定期間、購買履歴がない顧客のクラスなどのように、ユーザに他の条件を設定して各ユーザのクラスを決定してもよい。

出力部１０２は、隣接する期の間における顧客の遷移量を、隣接する期をつなぐ帯状の領域で表示する。点線で示される「Ａ」クラスおよび「Ｂ」クラスがロイヤルカスタマーのグループである。図１１に示される例においては、「Ａ」クラスおよび「Ｂ」クラスが他のクラスに遷移する量が少ない。したがって、図１１からロイヤルカスタマーが多い状態で安定していることが読み取れる。

図１２を用いて、各クラスの遷移について説明する。図１２は、クラス毎の各期における遷移の第２の例を示す図である。「Ａ」クラスが乳幼児向けの商品を購入する顧客のグループである。図１２に示される例のように、「Ａ」クラスは、休眠クラスに移行していない。このため、図１２から乳幼児向けの商品を購入する顧客は、休眠しない傾向が読み取れる。一方、図１２から「入会」クラスの約半数が「休眠」クラスに遷移する傾向も読み取れる。

すなわち、情報処理装置１００は、全期間を通じて共通のクラスラベルを用いることで、クラス毎の顧客の流出、流入を捉えることができ、特定のクラスに向けた施策案など、きめ細かい対応ができるようになる。

上述したように、情報処理装置１００は、購入傾向を最も強調する方向に固有ベクトルを設定するので、全体の購買傾向を失うことなくサンプルの疎性を緩和することができる。例えば、クラスター分析では、商品の代わりに商品分類などを用いて次元をまとめることが考えられるが、その分類がユーザの感じ方と異なる場合に、購買傾向の特徴を失ってしまう可能性がある。一方、情報処理装置１００は、主成分分析により各顧客の購買傾向を把握するので、全体の購買傾向の特徴が失われるのを防止できる。

また、情報処理装置１００は、購買データ１２２を主成分分析することで得られた固有ベクトルに基づき、商品毎に因子負荷量を算出してもよい。因子負荷量とは、各商品の購入数が与える主成分への影響の度合いを表す指標である。そして、情報処理装置１００は、商品毎に因子負荷量を算出したものを提示することにより、各主成分に影響の強い商品を特定しやすくし、クラス毎の嗜好の解析をおこなうことができる。

また、情報処理装置１００は、期毎に主成分分析をおこなうことで、季節性のある商品等の影響を自然に取り込むことができる。例えば、情報処理装置１００は、夏期にのみ多く購入される季節商品があり、夏期の主成分データに対して当該季節商品の影響が大きかった場合にも、当該季節商品の購入を加味して顧客をグルーピングすることが可能となる。これにより、情報処理装置１００は、ある期にのみ見られる購買の傾向を各顧客のクラスを決定する際に使用することができる。

また、情報処理装置１００は、期毎の商品の因子負荷量を比較することによって、商品の季節性やトレンドを捉えることができ、施策立案につなげることも可能である。例えば、情報処理装置１００は、商品毎の因子負荷量を、期をまたいで比較することによって、ある季節にのみ因子負荷量が大きくなっている商品を把握させることができる。これにより、購買データ１２２に含まれる多数の商品の中から、季節性を有する商品を検出しやすくできる。

一方、情報処理装置１００は、ある季節にのみ因子負荷量が大きくなっている商品の購買傾向を避けて顧客をグルーピングすることによって、季節変動の影響を小さくして顧客をグループ化することもできる。

また、情報処理装置１００は、商品毎の因子負荷量を、期をまたいで比較することによって、因子負荷量が徐々に大きくなっている商品もしくは徐々に小さくなっている商品を把握させることができる。これにより、ある商品の購買数の変化をトレンドとして把握させやすくすることができる。

以下、上述の実施形態における変形例の一部を説明する。下記の変形例のみでなく、本発明の本旨を逸脱しない範囲の設計変更は適宜行われうる。

実施例１において、分類部１１３は、クラス決定関数「ｆ（ｙk,j）」に第１〜第３主成分までの固有ベクトル方向の高さを代入する旨を説明したが、これに限定されない。例えば、分類部１１３は、第１〜第３主成分以外の主成分を選択してもよい。

実施例１において、情報処理装置１００は、２０１３年春期、夏期、秋期および冬期の購買履歴データ１２１を使用する旨を説明したが、これに限定されない。例えば、購買履歴データ１２１は、他の年度の購買履歴データを使用してもよい。

実施例１において、情報処理装置１００は、２０１３年春期、夏期、秋期および冬期の４半期の各期に設定して、期毎に各処理を実行する旨を説明したが、これに限定されない。例えば、情報処理装置１００は、月毎に各処理を実行してもよい。

実施例１において、情報処理装置１００は、すべてのクラスをクラス決定関数に基づいて決定する旨を説明したが、これに限定されない。例えば、情報処理装置１００は、入会した時期が直近の顧客のクラス、所定期間、購買履歴がない顧客のクラスなどのように、ユーザに他の条件を設定して各ユーザのクラスを決定してもよい。

上述した情報処理装置１００は、１台のコンピュータに実装されてもよく、また、複数台のコンピュータによるクラウドに実装されてもよい。例えば、情報処理装置１００は、クラウドシステムに含まれる複数台のコンピュータが、図１に示した実行部１１１、特定部１１２および分類部１１３と同様の機能を発揮する。

また、実施例１に示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

（情報処理装置のハードウェア構成）
図１３は、情報処理装置のハードウェア構成を示す図である。図１３が示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータ入力を受け付ける入力装置２０２と、モニタ２０３とを有する。また、コンピュータ２００は、記憶媒体からプログラム等を読み取る媒体読取装置２０４と、他の装置と接続するためのインターフェース装置２０５と、他の装置と無線により接続するための無線通信装置２０６とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ（Random Access Memory）２０７と、ハードディスク装置２０８とを有する。また、各装置２０１〜２０８は、バス２０９に接続される。

ハードディスク装置２０８には、例えば、図１に示した制御部１１０の実行部１１１、特定部１１２および分類部１１３と同様の機能を有する情報処理プログラムが記憶される。また、ハードディスク装置２０８には、情報処理プログラムを実現するための各種データが記憶される。

ＣＰＵ２０１は、ハードディスク装置２０８に記憶された各プログラムを読み出して、ＲＡＭ２０７に展開して実行することで、各種の処理を行う。これらのプログラムは、コンピュータ２００を図１に示した制御部１１０の実行部１１１、特定部１１２および分類部１１３として機能させることができる。

なお、上記の情報処理プログラムは、必ずしもハードディスク装置２０８に記憶されている必要はない。例えば、コンピュータ２００が読み取り可能な記憶媒体に記憶されたプログラムを、コンピュータ２００が読み出して実行するようにしてもよい。コンピュータ２００が読み取り可能な記憶媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ（Local Area Network）等に接続された装置にこのプログラムを記憶させておき、コンピュータ２００がこれらからプログラムを読み出して実行するようにしてもよい。

１００ 情報処理装置
１０１ 入力部
１０２ 出力部
１１０ 制御部
１１１ 実行部
１１２ 特定部
１１３ 分類部
１２０ 記憶部
１２１ 購買履歴データ
１２２ 購買データ
１２３ 顧客層データ

Claims (7)

1. コンピュータが
   記憶部に記憶された、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割し、前記分割した期間長毎に別箇に主成分分析を実行し、
   それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、平行により近い軸同士を組み合わせて対応する軸を特定し、
   前記処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、当該同一の軸方向にかかる主成分の値に基づき前記複数の人を複数にグルーピングする
   処理を実行することを特徴とする情報処理方法。
2. 前記軸を特定する処理は、時間的に隣り合うベクトルのうち、内積値が大きいベクトルを対応付けることにより、対応するベクトルを特定することを特徴とする請求項１に記載の情報処理方法。
3. 前記グルーピングする処理は、時間的に隣り合うベクトルの内積値が負となる場合に、一方のベクトルの向きを反対にすることを特徴とする請求項１に記載の情報処理方法。
4. 前記グルーピングする処理は、各ベクトル方向の高さに基づいて、前記複数の人を複数にグルーピングすることを特徴とする請求項１に記載の情報処理方法。
5. 前記所定の期間長ごとに、グループ別に積み上げた棒グラフに、時間的に隣り合う期間どうしで、グルーピングが変更になった人数に応じた幅で、変更前後のグループをつなぐ帯を出力する処理を、さらにコンピュータが実行することを特徴とする請求項１に記載の情報処理方法。
6. 記憶部に記憶された、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割し、前記分割した期間長毎に別箇に主成分分析を実行し、
   それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、平行により近い軸同士を組み合わせて対応する軸を特定し、
   前記処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、当該同一の軸方向にかかる主成分の値に基づき前記複数の人を複数にグルーピングする
   処理をコンピュータに実行させることを特徴とする情報処理プログラム。
7. 記憶部に記憶された、ある期間内に複数の人のそれぞれについて検出された行動を示すデータである処理対象のデータを、該データに含まれる時間に関する情報を参照して、所定の期間長に分割し、前記分割した期間長毎に別箇に主成分分析を実行する実行部と、
   それぞれの主成分分析の結果算出された軸につき、時間的に隣り合う分析期間どうしで、平行により近い軸同士を組み合わせて対応する軸を特定する特定部と、
   前記処理対象のデータ全体を通じ、時間的に隣り合う期間どうしでそれぞれ対応付けた軸どうしを同一の軸とみなし、当該同一の軸方向にかかる主成分の値に基づき前記複数の人を複数にグルーピングする分類部と
   を有することを特徴とする情報処理装置。

Images