JP6340777B2 - 来店者属性分布情報推定装置およびプログラム - Google Patents

Description

本発明は、来店者分析情報推定装置およびプログラムに関する。

特許文献１には、顧客を特定する顔情報に基づいて顧客の来店状況を管理する来店状況管理システムが開示されている。
特許文献１ 特開２００７−２０６５３号公報

上記のような来店状況管理システムによれば、顧客の来店履歴を把握することができる。しかしながら、顧客の来店履歴は、過去の結果を示すので、顧客の来店履歴を参照するだけでは、将来どのような顧客が来店するかを容易に把握することはできない。

本発明の一態様に係る来店者属性分布情報推定装置は、顔画像から来店者の属性を特定する属性特定部と、属性特定部により特定された来店者の属性に基づいて、第１の時間帯の来店者の属性を示す来店者属性分布情報を生成する来店者属性分布情報生成部と、過去の実績に基づく来店者属性分布情報を格納する来店者属性分布情報格納部から、来店者属性分布情報生成部により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を検索する来店者属性分布情報検索部と、来店者属性分布情報検索部により検索された過去の第１の時間帯の来店者属性分布情報より後の過去の第２の時間帯の来店者属性分布情報を来店者属性分布情報格納部から取得する来店者属性分布情報取得部と、来店者属性分布情報取得部により取得された過去の第２の時間帯の来店者属性分布情報に基づいて、将来の第２の時間帯の来店者属性分布情報を推定する来店者属性分布情報推定部とを備える。

上記来店者属性分布情報推定装置において、来店者属性分布情報推定部は、来店者属性分布情報検索部により検索された過去の第１の時間帯が１つの場合、過去の第１の時間帯より後の過去の第２の時間帯の来店者属性分布情報を、将来の第２の時間帯の来店者属性分布情報として推定し、来店者属性分布情報検索部により検索された過去の第１の時間帯が複数の場合、複数の過去の第１の時間帯より後の複数の過去の第２の時間帯の来店者属性分布情報から平均の来店者属性分布情報を生成し、生成された平均の来店者属性分布情報を、将来の第２の時間帯の来店者属性分布情報として推定してもよい。

上記来店者属性分布情報推定装置は、来店者の顔画像を取得する顔画像取得部をさらに備え、属性特定部は、顔画像に基づいて来店者の属性を特定してもよい。

上記来店者属性分布情報推定装置は、顔画像取得部により取得された複数の来店者の顔画像内のそれぞれの顔の表情に基づいて、来店者が再来店する割合を示す再来店割合を推定する再来店割合推定部をさらに備え、来店者属性分布情報格納部は、来店者属性分布情報とともに過去の実績に基づく来店者の再来店割合をさらに格納し、来店者属性分布情報検索部は、来店者属性分布情報生成部により生成された第１の時間帯の来店者属性分布情報と類似し、かつ再来店割合推定部により推定された再来店割合と類似する再来店割合に対応する過去の第１の時間帯の来店者属性分布情報を来店者属性分布情報格納部から検索してもよい。

上記来店者属性分布情報推定装置において、来店者属性分布情報格納部は、来店者が来店する店舗の属性とともに、来店者属性分布情報を格納し、来店者属性分布情報検索部は、推定対象の店舗の属性と類似する店舗の属性とともに来店者属性分布情報格納部に格納された来店者属性分布情報の中から、第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を検索してもよい。

上記来店者属性分布情報推定装置において、店舗の属性は、店舗がある地域に関する属性を示す地域属性、店舗の規模に関する属性を示す規模属性、および店舗に設置された設備に関する属性を示す設備属性の少なくとも１つを含んでもよい。

上記来店者属性分布情報推定装置において、来店者属性分布情報生成部は、属性特定部により特定された来店者の属性に基づいて、第２の時間帯の来店者属性分布情報を生成し、来店者属性分布情報検索部は、来店者属性分布情報生成部により生成された第２の時間帯の来店者属性分布情報と、来店者属性分布情報推定部により推定された将来の第２の時間帯の来店者属性分布情報との間の誤差が許容誤差範囲に収まらない場合、来店者属性分布情報生成部により生成された第１の時間帯および第２の時間帯の来店者属性分布情報と類似する過去の第１の時間帯および第２の時間帯の来店者属性分布情報を検索し、来店者属性分布情報取得部は、来店者属性分布情報検索部により検索された過去の第１の時間帯および第２の時間帯の来店者属性分布情報より後の過去の第３の時間帯の来店者属性分布情報を来店者属性分布情報格納部から取得し、来店者属性分布情報推定部は、来店者属性分布情報取得部により取得された過去の第３の時間帯の来店者属性分布情報に基づいて、将来の第３の時間帯の来店者属性分布情報を推定してもよい。

なお、上記の発明の概要は、本発明の特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係る来店者属性分布情報推定システムの全体構成の一例を示す図である。 来店者属性分布情報推定装置の機能ブロックの一例を示す図である。 来店者属性分布情報の一例を示す図である。 来店者属性分布情報の検索方法について説明するための図である。 来店者属性分布情報に基づく分析結果の一例を示す図である。 来店者属性分布情報推定装置による来店者属性情報の推定の手順の一例を示すフローチャートである。 来店者属性分布情報推定装置による推定結果のフィードバック処理の一例を示すフローチャートである。

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

図１は、本実施形態に係る来店者属性分布情報推定システムの全体構成の一例を示す図である。来店者属性分布情報推定システムは、来店者属性分布情報管理装置２０、複数の撮像装置５０、および複数の来店者属性分布情報推定装置１００を含む。

撮像装置５０、および来店者属性分布情報推定装置１００は、来店者が訪れる店舗１０に設置されてもよい。本実施形態では、撮像装置５０、および来店者属性分布情報推定装置１００が、遊技店に設置される例について説明する。

撮像装置５０は、来店者の顔を撮像できる場所、例えば、遊技店の出入口、または遊技店内に設置された遊技機、遊技機島設備、計数機、精算機、カウンタなどに設置されてよい。撮像装置５０は、予め定められたエリアを撮像してよい。来店者属性分布情報推定装置１００は、撮像装置５０から取得した画像から来店者の顔画像を取得し、顔画像に基づいて来店者の性別、年代などの来店者の属性を特定する。

来店者属性分布情報推定装置１００は、特定された来店者の属性の分布を示す来店者属性情報を生成する。来店者属性分布情報推定装置１００は、例えば、開店時刻の１０時から１１時までの間の１時間の時間帯における来店者属性分布情報を生成した後、生成された来店者属性分布情報と類似する同一の時間帯の過去の来店者属性分布情報を検索する。来店者属性分布情報推定装置１００は、検索された同一の時間帯の過去の来店者属性分布情報と同日の過去の後の時間帯の来店者属性情報を取得し、取得した過去の後の時間帯の来店者属性分布情報に基づいて、将来の後の時間帯、例えば、開店時刻の１時間後の１１時から１２時までの時間帯の来店者属性分布情報を推定する。

来店者属性分布情報管理装置２０は、ネットワーク３０を介して複数の来店者属性分布情報推定装置１００と接続され、複数の来店者属性分布情報推定装置１００からネットワーク３０を介して来店者属性情報を収集し、管理する。

図２は、来店者属性分布情報推定装置１００の機能ブロックの一例を示す図である。来店者属性分布情報推定装置１００は、顔画像取得部１０２、属性特定部１０４、来店者属性分布情報生成部１０６、来店者属性分布情報検索部１０８、来店者属性分布情報格納部１１０、来店者属性分布情報登録部１１２、来店者属性分布情報取得部１１４、来店者属性分布情報推定部１１６、来店者属性分布情報分析部１１８、売れ筋商品格納部１２０、表示部１２２、および再来店割合推定部１２４を備える。

顔画像取得部１０２は、撮像装置５０が撮像した画像を受信し、受信した画像から来店者の顔画像を取得する。属性特定部１０４は、顔画像に基づいて来店者の属性を特定する。属性特定部１０４は、予め定められた顔認識アルゴリズムに従って顔画像を分析し、来店者の属性として、来店者の性別および年代を特定する。なお、属性特定部１０４は、顔画像の分析以外の方法で来店者の属性を特定してもよい。例えば、属性特定部１０４は、来店者が所有する会員カードを読み取ることで、来店者の属性を特定してもよい。属性特定部１０４は、来店者が訪れる毎に店員が入力する来店者の属性を示す情報に基づいて、来店者の属性を特定してもよい。また、属性特定部１０４は、来店者が所有する携帯端末から受信する来店者のＩＤ情報に基づいて、来店者の属性を特定してもよい。

来店者属性分布情報生成部１０６は、属性特定部１０４により特定された来店者の属性に基づいて、第１の時間帯の来店者の属性を示す来店者属性分布情報を生成する。来店者属性分布情報生成部１０６は、店舗の開店時刻から店舗の閉店時刻までの間、１時間毎に来店者属性分布情報を生成してもよい。なお、本実施形態では、来店者属性分布情報生成部１０６は、１時間を単位とする時間帯毎に来店者属性分布情報を生成する。しかし、来店者属性分布情報生成部１０６は、日、年などを単位とする時間帯毎に来店者属性分布情報を生成してもよい。

来店者属性分布情報生成部１０６は、例えば、図３に示すような来店者の属性毎の人数値および構成比率を示す来店者属性分布情報を生成する。来店者属性分布情報生成部１０６は、来店者の属性の分布を示す円グラフを生成してもよい。

来店者属性分布情報格納部１１０は、過去の実績に基づく来店者属性分布情報を格納する。来店者属性分布情報格納部１１０は、自店舗の過去の実績に基づく来店者属性分布情報を格納する。また、来店者属性分布情報格納部１１０は、来店者属性分布情報管理装置２０から提供される他店舗の過去の実績に基づく来店者属性分布情報を格納してもよい。

来店者属性分布情報格納部１１０に格納される他の店舗の来店者属性分布情報は、店舗がある地域に関する属性を示す地域属性、店舗の規模に関する属性を示す規模属性、および店舗に設置された設備に関する属性を示す設備属性の少なくとも１つを含む店舗の属性に基づいて絞り込まれてもよい。来店者属性分布情報格納部１１０は、店舗がある地域に関する属性を示す地域属性、店舗の規模に関する属性を示す規模属性、および店舗に設置された設備に関する属性を示す設備属性の少なくとも１つの属性が類似または同一の他店舗の来店者属性分布情報を格納してもよい。

来店者属性分布情報格納部１１０は、自店舗の商圏人口が類似または同一の他店舗の来店者属性分布情報を格納してもよい。来店者属性分布情報格納部１１０は、例えば、自店舗の商圏人口と人口差が１０％未満の他店舗の来店者属性分布情報を、商圏人口が類似する他店舗の来店者属性分布情報として格納してもよい。また、来店者属性分布情報格納部１１０は、自店舗の収容人数が類似または同一の他店舗の来店者属性分布情報を格納してもよい。来店者属性分布情報格納部１１０は、自店舗の遊技機の設置台数が類似または同一の他店舗の来店者属性分布情報を格納してもよい。

来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から検索する。来店者属性分布情報検索部１０８は、例えば、図４に示すように、第１の時間帯における来店者の属性毎の構成比率と、過去の第１の時間帯における来店者の属性毎の構成比率との差を示す来店者の属性毎の構成比率誤差を導出する。そして、来店者属性分布情報検索部１０８は、来店者の属性毎の構成比率誤差が５％以下の過去の第１の時間帯の来店者属性分布情報を、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報として検索する。

来店者属性分布情報検索部１０８は、来店者の属性毎の構成比率誤差が最も小さい過去の第１の時間帯の来店者属性分布情報を、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報として検索してもよい。来店者属性分布情報検索部１０８は、来店者の属性毎の構成比率誤差が例えば５％以下の過去の第１の時間帯の来店者属性分布情報のうち上位５つの来店者属性分布情報を、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報として検索してもよい。

また、来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された本日の第１の時間帯の来店者属性分布情報と類似する他の日の過去の第１の時間帯の来店者属性分布情報のうち、昨日の第１の時間帯の来店者属性分布情報と他の日の前日の第１の時間帯の来店者属性分布情報とがさらに類似する過去の第１の時間帯の来店者属性分布情報を、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報として検索してもよい。

来店者属性分布情報登録部１１２は、来店者属性分布情報生成部１０６により生成された来店者属性分布情報を来店者属性分布情報格納部１１０に登録する。また、来店者属性分布情報登録部１１２は、来店者属性分布情報を他店舗と共有すべく、自店舗の来店者属性分布情報を来店者属性分布情報管理装置２０に送信する。来店者属性分布情報登録部１１２は、自店舗の属性とともに、来店者属性分布情報を来店者属性分布情報管理装置２０に送信してもよい。来店者属性分布情報管理装置２０は、店舗の属性と来店者属性分布情報とを対応付けて、データベースに格納する。

来店者属性分布情報取得部１１４は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯の来店者属性分布情報より後の過去の第２の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から取得する。来店者属性分布情報取得部１１４は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯の来店者属性分布情報より後の、過去の第１の時間帯と同日の過去の第１の時間帯より後の第２の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から取得する。

来店者属性分布情報格納部１１０は、例えば、来店者属性分布情報検索部１０８により検索された過去のある日の１０時から１１時における来店者属性分布情報より後の、その日の１１時から１２時における来店者属性分布情報を、来店者属性分布情報格納部１１０から取得する。来店者属性分布情報取得部１１４は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯の来店者属性分布情報より後の、過去の第１の時間帯と同日の閉店時刻までの過去のそれぞれの時間帯の来店者属性分布情報を取得してもよい。

来店者属性分布情報推定部１１６は、来店者属性分布情報取得部１１４により取得された過去の第２の時間帯の来店者属性分布情報に基づいて、将来の第２の時間帯の来店者属性分布情報を推定する。来店者属性分布情報推定部１１６は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯が１つの場合、過去の第１の時間帯より後の過去の第２の時間帯の来店者属性分布情報を、将来の第２の時間帯の来店者属性分布情報として推定してもよい。来店者属性分布情報推定部１１６は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯が複数の場合、複数の過去の第１の時間帯より後の複数の過去の第２の時間帯の来店者属性分布情報から平均の来店者属性分布情報を生成し、生成された平均の来店者属性分布情報を、将来の第２の時間帯の来店者属性分布情報として推定してもよい。

来店者属性分布情報分析部１１８は、来店者属性分布情報生成部１０６により生成された実績に基づく第１の時間帯の来店者属性分布情報、および来店者属性分布情報推定部１１６により推定された将来の第２の時間帯の来店者属性分布情報に基づいて、将来の来店者の属性の分布を分析する。来店者属性分布情報分析部１１８は、例えば、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と、来店者属性分布情報推定部１１６により推定された将来の第２の時間帯の来店者属性分布情報とを比較することで、将来の第２の時間帯において増加が見込まれる来店者の属性を特定してもよい。

来店者属性分布情報分析部１１８は、来店者の属性毎に売れ筋商品の情報を格納する売れ筋商品格納部１２０を参照して、将来の第２の時間帯において増加が見込まれる来店者の属性に対応する売れ筋商品を特定してもよい。

表示部１２２は、来店者属性分布情報分析部１１８の分析結果を表示する。来店者属性分布情報登録部１１２は、図５に示すような、実績に基づく第１の時間帯（１０時から１１時）の来店者属性分布情報である円グラフ、推定に基づく将来の第２の時間帯（１１時から１２時）の来店者属性分布情報である円グラフを表示してもよい。さらに、表示部１２２は、将来の第２の時間帯に増加が見込まれる来店者の属性、およびその来店者の属性の現在の売れ筋商品を表示してもよい。

再来店割合推定部１２４は、顔画像取得部１０２により取得された複数の来店者の顔画像内のそれぞれの顔の表情に基づいて、来店者が再来店する割合を示す再来店割合を推定する。再来店割合推定部１２４は、顔画像取得部１０２により取得された前日の複数の来店者の顔画像内のそれぞれの顔の表情に基づいて、来店者が再来店する割合を示す再来店割合を推定する。

例えば、再来店割合推定部１２４は、顔画像取得部１０２により取得された前日の複数の来店者の顔画像内のそれぞれの顔の表情の笑顔度を導出してもよい。再来店割合推定部１２４は、来店者の顔画像から来店者の口角の角度を導出し、口角の角度に対応する笑顔度を示すテーブルまたは関数を参照して、来店者の笑顔度を導出し、来店者の笑顔度を再来店割合として導出してもよい。そして、再来店割合推定部１２４は、複数の来店者の再来店割合の平均を、その日のその店舗の再来店割合として推定してもよい。

来店者属性分布情報検索部１０８は、再来店割合推定部１２４により推定された再来店割合に基づいて、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報の絞り込みをしてもよい。

来店者属性分布情報格納部１１０は、来店者属性分布情報とともに過去の実績に基づく来店者の再来店割合をさらに格納してもよい。例えば、来店者属性分布情報推定装置１００は、対象日に取得された複数の顔画像のうち、対象日の翌日に取得された複数の顔画像と一致する顔画像の数を導出する。そして、来店者属性分布情報推定装置１００は、対象日に取得された顔画像の数（総来店者数）と、導出された対象日の翌日に取得された複数の顔画像と一致する顔画像の数（再来店の来店者数）とにより、過去の実績に基づく来店者の再来店割合を導出し、来店者属性分布情報とともに来店者属性分布情報格納部１１０に登録してもよい。

来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似し、かつ再来店割合推定部１２４により推定された再来店割合と類似する再来店割合に対応する過去の第１の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から検索してもよい。来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された第１の時間帯の来店者属性分布情報と類似し、かつ前日の来店者の顔画像に基づいて推定された再来店割合と、実績に基づく再来店割合とが類似する過去の第１の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から検索してもよい。

なお、来店者属性分布情報管理装置２０が、来店者属性分布情報格納部１１０を備えてもよい。来店者属性分布情報格納部１１０は、店舗の属性が異なる複数の来店者属性分布情報を格納してもよい。来店者属性分布情報検索部１０８は、推定対象の店舗の属性と類似する店舗の属性とともに来店者属性分布情報格納部１１０に格納された来店者属性分布情報の中から、第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を検索してもよい。来店者属性分布情報検索部１０８は、検索対象の来店者属性分布情報を推定対象の店舗の属性と類似する店舗の属性を有する来店者属性分布情報に限定して、来店者属性分布情報格納部１１０から来店者属性分布情報の検索を行ってもよい。

また、来店者属性分布情報推定部１１６により推定された第２の時間帯の来店者属性情報と、実際の第２の時間帯の来店者属性情報との間の誤差が許容範囲を超える場合がある。この場合、来店者属性分布情報推定部１１６により推定された第２の時間帯以降の第３の時間帯の来店者属性分布情報と実際の第３の時間帯の来店者属性情報との間の誤差も許容範囲を超える可能性がある。

そこで、来店者属性分布情報推定部１１６は、前回の推定による誤差が許容範囲を超える場合には、再度、来店者属性情報の推定を行ってもよい。来店者属性分布情報推定部１１６は、類似する来店者属性情報の検索を行う時間帯を長くして、再度、来店者属性情報の推定を行ってもよい。

第２の時間帯が経過した後、来店者属性分布情報生成部１０６は、属性特定部１０４により特定された来店者の属性に基づいて、第２の時間帯の来店者属性分布情報を生成してもよい。来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された第２の時間帯の来店者属性分布情報と、来店者属性分布情報推定部１１６により推定された将来の第２の時間帯の来店者属性分布情報との間の誤差が許容誤差範囲に収まらない場合、来店者属性分布情報生成部１０６により生成された第１の時間帯および第２の時間帯の来店者属性分布情報と類似する過去の第１の時間帯および第２の時間帯の来店者属性分布情報を検索してもよい。そして、来店者属性分布情報取得部１１４は、来店者属性分布情報検索部１０８により検索された過去の第１の時間帯および第２の時間帯の来店者属性分布情報より後の過去の第３の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から取得してもよい。また、来店者属性分布情報推定部１１６は、来店者属性分布情報取得部１１４により取得された過去の第３の時間帯の来店者属性分布情報に基づいて、将来の第３の時間帯の来店者属性分布情報を推定してもよい。

図６は、来店者属性分布情報推定装置１００による来店者属性情報の推定の手順の一例を示すフローチャートである。

来店者属性分布情報生成部１０６が、対象の時間帯における来店者数を来店者の属性毎に集計し、対象の時間帯における来店者属性分布情報を生成する（Ｓ１００）。次いで、来店者属性分布情報検索部１０８が、対象の時間帯の来店者属性分布情報と類似する過去の同一の時間帯の来店者属性分布情報を検索する（Ｓ１０２）。

来店者属性分布情報取得部１１４は、来店者属性分布情報検索部１０８により検索された過去の同一の時間帯の来店者属性分布情報より後の過去の同一の時間帯に対応する過去の他の時間帯の来店者属性分布情報を取得する（Ｓ１０４）。対象の時間帯が、１０時から１１時の場合、来店者属性分布情報取得部１１４は、１１時以降の閉店時刻までのそれぞれ１時間毎の来店者属性分布情報を取得する。

続いて、来店者属性分布情報推定部１１６は、来店者属性分布情報取得部１１４により取得された他の時間帯の来店者属性分布情報が時間帯毎に複数あるか否かを判定する（Ｓ１０６）。他の時間帯の来店者属性分布情報が時間帯毎に１つの場合、来店者属性分布情報推定部１１６は、他の時間帯のそれぞれの過去の来店者属性分布情報を、他の時間帯のそれぞれの将来の来店者属性分布情報として推定する（Ｓ１０８）。

一方、他の時間帯の来店者属性分布情報が時間帯毎に複数の場合、来店者属性分布情報推定部１１６は、他の時間帯毎の複数の過去の来店者属性分布情報から時間帯毎に、過去の平均の来店者属性分布情報を生成する（Ｓ１１０）。来店者属性分布情報推定部１１６は、他の時間帯における来店者の人数を来店者の属性毎に平均化することで、過去の平均の来店者属性分布情報を生成してよい。来店者属性分布情報推定部１１６は、他の時間帯のそれぞれの過去の平均の来店者属性分布情報を、他の時間帯のそれぞれの将来の来店者属性分布情報として推定する（Ｓ１１２）。

来店者属性分布情報推定部１１６による推定が完了した後、来店者属性分布情報分析部１１８が、推定された他の時間帯のそれぞれの将来の来店者属性分布情報に基づいて来店者属性分布を分析し、表示部１２２が来店者属性分布情報分析部１１８の分析結果を表示する（Ｓ１１４）。表示部１２２は、対象の時間帯の次の時間帯に増加が見込まれる来店者の属性、および来店者の属性に応じた売れ筋商品などの来店者の属性固有の情報を表示してもよい。

図７は、来店者属性分布情報推定装置１００による推定結果のフィードバック処理の一例を示すフローチャートである。

来店者属性分布情報推定部１１６は、対象の時間帯より後の他の時間帯について推定された来店者属性分布情報と、対象の時間帯より後の他の時間帯について来店者属性分布情報生成部１０６により生成された実績の来店者属性分布情報との間の誤差を導出する（Ｓ２００）。来店者属性分布情報推定部１１６は、対象の時間帯より後の他の時間帯について推定された来店者属性分布情報に示される来店者の属性毎の人数と、対象の時間帯より後の他の時間帯について来店者属性分布情報生成部１０６により生成された実績の来店者属性分布情報に示される来店者の属性毎の人数との誤差を導出する。

来店者属性分布情報推定部１１６は、導出された誤差が、予め定められた許容誤差範囲かどうかを判定する（Ｓ２０２）。判定の結果、導出された誤差が、許容誤差範囲であれば、来店者属性分布情報推定部１１６は、残りの他の時間帯のそれぞれの来店者属性分布情報の推定を再度行わない。来店者属性分布情報分析部１１８は、前回推定された残りの他の時間帯のそれぞれの来店者属性分布情報を継続して用いて、残りの時間帯の来店者属性分布情報を分析する（Ｓ２０４）。来店者属性分布情報分析部１１８は、前回推定された残りの他の時間帯のそれぞれの来店者属性分布情報を用いて、残りの他の時間帯において増加が見込まれる来店者の属性を特定してよい。

一方、誤差が許容誤差範囲に含まれない場合、来店者属性分布情報推定部１１６は、残りの他の時間帯のそれぞれについて来店者属性分布情報の推定を再度実施する（Ｓ２０６）。なお、来店者属性分布情報の推定を再度実施する場合、来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された複数の時間帯の来店者属性分布情報のそれぞれと類似する過去の同一の複数の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から検索する。来店者属性分布情報検索部１０８は、来店者属性分布情報生成部１０６により生成された第１の時間帯および第２の時間帯の来店者属性分布情報のそれぞれと類似する過去の第１の時間帯および第２の時間帯の来店者属性分布情報を来店者属性分布情報格納部１１０から検索する。このように類似判断する時間帯を長くすることで、より精度よく将来の来店者属性分布情報を推定できる。そして、来店者属性分布情報推定部１１６は、前回の検索パターンを失敗の検索パターンとして記憶部に記録する（Ｓ２０８）。来店者属性分布情報検索部１０８は、記録部に記録された失敗の検索パターンを参照して、来店者属性分布情報を検索するためのアルゴリズムを修正してもよい。

来店者属性分布情報検索部１０８は、例えば、来店者属性分布情報の検索結果が失敗の検索パターンに該当する場合には、検索された来店者属性分布情報を除外して、再度、来店者属性分布情報を検索してもよい。来店者属性分布情報検索部１０８は、例えば、対象の時間帯の曜日が金曜日などの特定の曜日である場合に、検索された来店者属性分布情報が火曜日などの特定の他の曜日であるという検索パターンが失敗の検索パターンである場合、来店者属性分布情報検索部１０８は、例えば、対象の時間帯の曜日が金曜日などの特定の曜日の場合には、検索対象から火曜日などの特定の他の曜日の来店者属性分布情報を除外して検索してもよい。

以上の通り、本実施形態によれば、来店者属性分布情報推定装置１００は、過去の実績に基づく来店者属性情報の中から、対象の時間帯について生成された実績に基づく来店者属性分布情報と同一の時間帯であって、対象の時間帯の実績に基づく来店者属性分布情報と類似する来店者属性分布情報を検索する。そして、来店者属性分布情報推定装置１００は、検索された来店者属性分布情報と同日の対象の時間帯より後の他の時間帯の過去の来店者属性分布情報を、対象の時間帯より後の他の時間帯の将来の来店者属性分布情報として推定する。来店者属性分布情報推定装置１００は、推定された対象の時間帯より後の他の時間帯の将来の来店者属性分布情報を用いて、他の時間帯における将来の来店者の属性の変動を予測する。よって、本実施形態によれば、将来どのような来店者が来店するかを容易に把握することができる。

なお、本実施形態に係る来店者属性分布情報推定装置１００が備える各部は、コンピュータ読み取り可能な記録媒体に記憶され、来店者属性分布情報の推定に関する各種処理を行うプログラムをインストールし、このプログラムをコンピュータに実行させることで、構成してもよい。つまり、コンピュータに来店者属性分布情報の推定に関する各種処理を行うプログラムを実行させることにより、来店者属性分布情報推定装置１００が備える各部としてコンピュータを機能させることで、来店者属性分布情報推定装置１００を構成してもよい。

コンピュータはＣＰＵ、ＲＯＭ、ＲＡＭ、ＥＥＰＲＯＭ（登録商標）等の各種メモリ、通信バス及びインタフェースを有し、予めファームウェアとしてＲＯＭに格納された処理プログラムをＣＰＵが読み出して順次実行することで、来店者属性分布情報推定装置１００として機能する。

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１０ 店舗
２０ 来店者属性分布情報管理装置
５０ 撮像装置
１００ 来店者属性分布情報推定装置
１０２ 顔画像取得部
１０４ 属性特定部
１０６ 来店者属性分布情報生成部
１０８ 来店者属性分布情報検索部
１１０ 来店者属性分布情報格納部
１１２ 来店者属性分布情報登録部
１１４ 来店者属性分布情報取得部
１１６ 来店者属性分布情報推定部
１１８ 来店者属性分布情報分析部
１２０ 売れ筋商品格納部
１２２ 表示部
１２４ 再来店割合推定部

Claims (8)

1. 顔画像から来店者の属性を特定する属性特定部と、
   前記属性特定部により特定された来店者の属性に基づいて、予め定められた単位期間内の予め定められた単位時間の幅を有する予め定められた対象の第１の時間帯の来店者の属性を示す来店者属性分布情報を生成する来店者属性分布情報生成部と、
   過去の実績に基づく来店者属性分布情報を格納する来店者属性分布情報格納部から、前記来店者属性分布情報生成部により生成された前記第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を検索する来店者属性分布情報検索部と、
   前記過去の第１の時間帯を含む前記単位期間内で、かつ前記過去の第１の時間帯より予め定められた時間経過後の前記単位時間の幅を有する過去の第２の時間帯の来店者属性分布情報を前記来店者属性分布情報格納部から取得する来店者属性分布情報取得部と、
   前記来店者属性分布情報取得部により取得された前記過去の第２の時間帯の来店者属性分布情報に基づいて、将来の第２の時間帯の来店者属性分布情報を推定する来店者属性分布情報推定部と
   を備える来店者属性分布情報推定装置。
2. 前記来店者属性分布情報推定部は、
   前記来店者属性分布情報検索部により検索された前記過去の第１の時間帯が１つの場合、前記過去の第１の時間帯より後の前記過去の第２の時間帯の来店者属性分布情報を、前記将来の第２の時間帯の来店者属性分布情報として推定し、
   前記来店者属性分布情報検索部により検索された前記過去の第１の時間帯が複数の場合、複数の前記過去の第１の時間帯より後の複数の前記過去の第２の時間帯の来店者属性分布情報から平均の来店者属性分布情報を生成し、生成された平均の来店者属性分布情報を、前記将来の第２の時間帯の来店者属性分布情報として推定する、請求項１に記載の来店者属性分布情報推定装置。
3. 来店者の顔画像を取得する顔画像取得部をさらに備え、
   前記属性特定部は、前記顔画像に基づいて前記来店者の属性を特定する、請求項１または請求項２に記載の来店者属性分布情報推定装置。
4. 前記顔画像取得部により取得された複数の来店者の顔画像内のそれぞれの顔の表情に基づいて、来店者が再来店する割合を示す再来店割合を推定する再来店割合推定部をさらに備え、
   前記来店者属性分布情報格納部は、前記来店者属性分布情報とともに過去の実績に基づく来店者の再来店割合をさらに格納し、
   前記来店者属性分布情報検索部は、前記来店者属性分布情報生成部により生成された前記第１の時間帯の来店者属性分布情報と類似し、かつ前記再来店割合推定部により推定された再来店割合と類似する再来店割合に対応する過去の第１の時間帯の来店者属性分布情報を前記来店者属性分布情報格納部から検索する、請求項３に記載の来店者属性分布情報推定装置。
5. 前記来店者属性分布情報格納部は、来店者が来店する店舗の属性とともに、前記来店者属性分布情報を格納し、
   前記来店者属性分布情報検索部は、推定対象の店舗の属性と類似する店舗の属性とともに前記来店者属性分布情報格納部に格納された来店者属性分布情報の中から、前記第１の時間帯の来店者属性分布情報と類似する過去の第１の時間帯の来店者属性分布情報を検索する、請求項１から請求項４のいずれか１つに記載の来店者属性分布情報推定装置。
6. 前記店舗の属性は、店舗がある地域に関する属性を示す地域属性、店舗の規模に関する属性を示す規模属性、および店舗に設置された設備に関する属性を示す設備属性の少なくとも１つを含む、請求項５に記載の来店者属性分布情報推定装置。
7. 前記来店者属性分布情報生成部は、前記属性特定部により特定された来店者の属性に基づいて、第２の時間帯の来店者属性分布情報を生成し、
   前記来店者属性分布情報検索部は、前記来店者属性分布情報生成部により生成された前記第２の時間帯の来店者属性分布情報と、前記来店者属性分布情報推定部により推定された前記将来の第２の時間帯の来店者属性分布情報との間の誤差が許容誤差範囲に収まらない場合、前記来店者属性分布情報生成部により生成された前記第１の時間帯および前記第２の時間帯の来店者属性分布情報と類似する過去の第１の時間帯および過去の第２の時間帯の来店者属性分布情報を検索し、
   前記来店者属性分布情報取得部は、前記過去の第１の時間帯および前記過去の第２の時間帯を含む前記単位期間内で、かつ前記過去の第２の時間帯より予め定められた時間経過後の前記単位時間の幅を有する過去の第３の時間帯の来店者属性分布情報を前記来店者属性分布情報格納部から取得し、
   前記来店者属性分布情報推定部は、前記来店者属性分布情報取得部により取得された前記過去の第３の時間帯の来店者属性分布情報に基づいて、将来の第３の時間帯の来店者属性分布情報を推定する、請求項１から請求項６のいずれか１つに記載の来店者属性分布情報推定装置。
8. 請求項１から請求項７のいずれか１つに記載の来店者属性分布情報推定装置として、コンピュータを機能させるためのプログラム。

Images