JP6411396B2 - 支援システム - Google Patents

Description

本発明は、商品に対する顧客の購買嗜好タイプを分析する技術に関する。

近年、小売業界における顧客の購買嗜好タイプを分析する技術が注目されている。具体的には、顧客の購買履歴（Ｗｅｂ上の購買であれば例えばアクセス履歴）から顧客の購買傾向を分析し、個別の顧客に対してそれぞれの嗜好に合った商品をレコメンドする、店舗毎の顧客購買嗜好の分析結果を店舗マーチャンダイジングにおいて活用する、などが実施されている。

商品をレコメンドする際に個人毎の嗜好に合った商品を抽出するデータ分析技術としては、下記非特許文献１が記載している協調フィルタリング技術が広く用いられている。協調フィルタリングは、購買傾向が着目顧客と類似した他の顧客が購買しているが、着目顧客が購買したことのない商品を抽出する技術である。

下記特許文献１は、各商品のコンテンツを表す情報を商品属性として付与し、購買されやすい属性に紐づいた商品を推薦する手法を開示している。同文献は、ユーザに応じた効果の高い情報を提供することを目的とし、商品に付与した商品属性と、その属性を購買する顧客のタイプを紐づけて、顧客と商品双方の情報を増やす手法を提案している。具体的には、個人の属するタイプと紐づきの強い商品をその個人の嗜好に合った商品として抽出し、その商品の購買理由として顧客のタイプ情報を提示している。

下記特許文献２は、商品企画や提供するサービスを検討することを支援することを目的とし、消費者顧客の購買動機・意思といった購買の心理要因を分析する手法を開示している。同文献においては、購買履歴を用いていないものの、アンケートを定量分析することにより顧客の購買心理要因を定量分析している。結果として顧客の購買傾向を把握し、潜在的な顧客セグメントを抽出することを支援できると考えられる。

特開２０１２−２３４５０３号公報 特開２００８−２９９６８４号公報

"Ａｍａｚｏｎ．ｃｏｍ Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ：Ｉｔｅｍ−ｔｏ−Ｉｔｅｍ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ"，Ｇｒｅｇ Ｌｉｎｄｅｎ，Ｂｒｅｎｔ Ｓｍｉｔｈ，Ｊｅｒｅｍｙ Ｙｏｒｋ，Ｊｏｕｒｎａｌ ＩＥＥＥ Ｉｎｔｅｒｎｅｔ Ｃｏｍｐｕｔｉｎｇ ７，１，ｐｐ．７６−８０，２００３．

例えば店舗マーチャンダイジング、新商品開発、レコメンド時の訴求力のあるメッセージ作成、などを実施するためには、顧客が購買しそうな商品だけでなく、顧客が何故その商品を購買するのか、すなわちどこに顧客ニーズがあるのかを理解することが必要である。したがって小売業の業務において顧客のニーズにあった商品／サービスを提供するためには、下記２つの要件が求められる。

（要件１）個人または顧客セグメントに対応する（購買しそうな）商品群を精度高く抽出すること、
（要件２）抽出した顧客−商品群の対応関係の背後にある購買の心理的要因（購買理由）を業務担当者が解釈できること。

上記特許文献１は、要件１において求められる商品抽出は可能であるが、要件２において求められる購買理由を推定することは困難である。これに対し特許文献２は、商品を推薦するだけでなく各購買者のタイプに応じた推薦理由を提示することができる。顧客のタイプとしては、性別・年齢といった購買以外の情報から付与される顧客情報と、高級志向のような購買嗜好性を表す情報が存在する。後者のような嗜好性に関するタイプ（購買嗜好タイプ）からは、顧客の購買動機・意思といった購買の心理要因を把握することができる。購買嗜好タイプを用いることにより、商品レコメンドにおいて個人に応じた購買促進に効果的な情報を提示できるだけでなく、新商品に対するニーズ把握や、店舗における適切な品揃えといったマーチャンダイジング業務においても、購買嗜好タイプを有効活用できると考えられる。

各顧客の嗜好タイプを推定する前には、あらかじめ商品特徴を抽出して商品属性として付与し、商品属性と対応する顧客の購買嗜好タイプを定義する必要がある。各顧客の購買嗜好タイプは、その定義にしたがって顧客の購買履歴を分析することにより推定される。これにより、購買履歴の背後に存在する購買理由を推定することができる。

従来、購買嗜好タイプは、業務担当者がトライ＆エラーを繰り返すことによって試行錯誤的に設計されている。しかしこのような手法は業務担当者の経験と勘に依存するため、作業工数が長く、透明性が保証されない。また、社会風潮や個人の価値観の経時的な変化にともなう消費者の購買嗜好タイプや購買嗜好タイプと商品属性との間の紐づき方などが変化した際に、業務担当者は購買嗜好タイプを再設計する必要がある。したがって、業務担当者の経験と勘に依存するような手法により購買嗜好タイプを設計することは望ましくない。

一方、購買嗜好タイプを設計する作業は、マーケティングにおける購買の心理要因の側面から顧客セグメントと対応する商品特徴を導出する作業とみることができる。したがって、特許文献２に記載されているような勘と経験に依存しない定量的マーケティング分析手法を用いて、購買嗜好タイプを設計することができると考えられる。しかしながらこのような手法は、アンケートそのものの手間が大きいという課題がある。また、アンケートを継続的に実施することが難しいため、経時的な変化へ追随することも困難である。

以上説明したように、購買の心理的要因に関する解釈性を損なわせ過ぎることなく、精度高く個人または顧客セグメントと対応する商品群を抽出するためには、あらかじめ商品属性、購買嗜好タイプといった購買の心理要因に関する抽象的な概念とそれら概念同士の対応関係を設計することが有効である。しかし従来の人手による設計やアンケートを利用した設計には限界があり、経験や勘に依存することなく継続的に設計を更新することができる、購買嗜好タイプ設計手法が求められている。

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、顧客の購買嗜好タイプを定量的に評価し、実際の商品購買履歴との間の一致度が高い購買嗜好タイプを設計することを支援する技術を提供することを目的とする。

本発明に係る顧客分析システムは、顧客の購買嗜好タイプと商品群との間の対応関係がどの程度一致しているかを示す一致度を、顧客の商品購買履歴に基づき算出し、その算出結果に基づき前記購買嗜好タイプを評価する。

本発明に係る顧客分析システムによれば、顧客の商品購買履歴と精度よく一致する購買嗜好タイプを設計することができる。

購買嗜好タイプの設計について説明する図である。 本発明に係る顧客分析システムが嗜好タイプグラフを更新した様子を示すグラフである。 実施形態１に係る顧客分析装置３００の機能ブロック図である。 関係マトリクスデータ３１１の構成を示す図である。 評価器３３０が嗜好タイプグラフを評価および更新する処理を説明するフローチャートである。 ステップＳ５０１の詳細を説明するフローチャートである。 ステップＳ６０３の詳細を説明するフローチャートである。 商品一致度ベクトル３４１の例である。 ステップＳ６０５の詳細を説明するフローチャートである。 更新指示マトリクスデータ３３５の要素値（更新指示フラグ）について説明する表である。 更新指示マトリクスデータ３３５の構成を説明する図である。 ステップＳ６０８の詳細を説明するフローチャートである。 更新履歴データ３５２の構成例を示す図である。 ステップＳ５０２の詳細を説明するフローチャートである。 ステップＳ１３０２の詳細を説明するフローチャートである。 ステップＳ１３０４の詳細を説明するフローチャートである。 ステップＳ５０３の詳細を説明するフローチャートである。 ステップＳ１６０２の詳細を説明するフローチャートである。 ステップＳ１６０３の詳細を説明するフローチャートである。 ステップＳ１６０６の詳細を説明するフローチャートである。 ステップＳ５０４の詳細を説明するフローチャートである。 更新器３７０が更新後特徴リスト３８３を生成する処理を説明するフローチャートである。 更新後特徴リスト３８３の例を示す図である。 表示器３６０が提示する一致度設定画面２３００の画面構成例である。 表示器３６０が提示する分割設定画面２４００の画面構成例である。 表示器３６０が提示する統合設定画面２５００の画面構成例である。 表示器３６０が更新後特徴リスト３８３に基づく嗜好タイプの更新結果を表示する更新結果画面２６００の画面構成例である。 表示器３６０が提示する時系列画面２７００の画面構成例である。 実施形態２に係る顧客分析システム１０００の構成図である。 顧客分析装置３００による分析結果に基づき決定した商品レコメンド施策を記述するレコメンドマトリクス２９００の例である。 顧客分析装置３００による分析結果に基づき決定した商品レコメンド施策に対する顧客の反応を業務担当者が分析する際に用いるレコメンド反応分析画面３０００の画面構成例である。 顧客分析装置３００による分析結果に基づき店舗における陳列商品の種類と棚上配置を業務担当者が検討する際に用いる陳列検討画面３１００の画面構成例である。

＜実施の形態１：概念説明＞
図１は、購買嗜好タイプの設計について説明する図である。購買嗜好タイプは、図１に示すような階層性のあるグラフ構造によって表現できる（嗜好タイプグラフ）。以下図１に示すグラフの各ノードおよびパスについて説明する。

顧客層１１０は、各顧客に対応する顧客ノード１１１を有する層である。嗜好タイプ層１２０は顧客層１１０の１つ下の層であり、顧客の購買嗜好タイプを表す層である。嗜好タイプノード１２１は嗜好タイプ層１２０におけるノードであり、各購買嗜好タイプに対応する。購買嗜好タイプは、顧客が購買した商品から推定することができる当該顧客の商品購買傾向を意味する。例えば健康商品を好んで買う購買傾向を意味する「健康志向タイプ」、割引のある商品ばかりを購買しやすい傾向を意味する「セール好きタイプ」、発売されたばかりの商品を頻繁に購買する傾向を意味する「新商品好きタイプ」などが考えられる。パス１５１は顧客ノード１１１と嗜好タイプノード１２１との間の対応関係を示すパスである。各顧客が有している嗜好タイプがパス１５１によって対応付けられる。「新商品好きタイプ」かつ「健康志向タイプ」のように、複数の嗜好タイプに１人の顧客が紐づく場合や、どの嗜好タイプにも紐づかない顧客が存在する場合もありうる。

商品属性層１３０は商品の属性に対応する層であり、商品属性ノード１３１を有する。商品属性は、消費者の購買を促進／阻害させる因子となりうる商品の特徴を意味する。例えば、「カロリーオフ」「低価格」「割引あり」「新商品」といった特徴である。パス１５２は、嗜好タイプノード１２１と商品属性ノード１３１との間のパスであり、各商品属性と嗜好タイプとの間の対応関係を意味する。例えば、商品属性「カロリーオフ」と嗜好タイプ「健康志向タイプ」との間にポジティブな紐付けがある場合、健康志向タイプに属する顧客はカロリーオフ商品を購買しやすいことを意味する。同様にネガティブな紐付けも定義することができる。例えば、商品属性「発癌物質」と嗜好タイプ「健康志向タイプ」がネガティブに紐づく場合、健康志向タイプに属する顧客は発がん物質を有する商品を購買しにくいことを意味する。１つの商品属性ノード１３１が複数の嗜好タイプノード１２１と紐づいたり、複数の商品属性ノード１３１が１つの嗜好タイプノード１２１と紐づいたりする場合もありうる。例えば、健康志向タイプに対して商品属性「カロリーオフ」「食物繊維」がポジティブに紐づいている場合、「健康志向タイプは、カロリーオフまたは食物繊維に関連づいた商品を購買しやすい（ＯＲ関係）」あるいは「健康志向タイプは、カロリーオフおよび食物繊維に関連づいた商品を購買しやすい（ＡＮＤ関係）」と解釈する。これら解釈の違いについては後述する。

商品層１４０は商品に対応する層であり、商品ノード１４１を有する。パス１５３は、商品属性ノード１３１と商品ノード１４１との間のパスであり、商品ノード１４１と商品属性ノード１３１との間の対応関係を意味する。パス１５３がある場合、その商品は、対応付けられた商品属性ノード１３１の性質を持つことを意味する。１つの商品ノード１４１に複数の商品属性ノード１３１が紐づく場合や、商品ノード１４１がどの商品属性ノード１３１とも紐づかない場合もありうる。

顧客ノード１１１と商品ノード１４１は実体が存在するノードであり、嗜好タイプノード１２１と商品属性ノード１３１は購買の心理要因を解釈するための抽象概念を表すノードである。嗜好タイプ層１２０は顧客を説明する層であり、商品属性層１３０は商品を説明する層である。商品を説明する層は、複数の階層によって構成することもできる。例えば、商品を説明するための層を商品属性（大分類）、商品属性（小分類）として２層化してもよい。嗜好タイプ層１２０については、例えば健康志向タイプの下位に、成人病予防タイプ、ダイエットタイプ、肌ケアタイプなどが存在することを想定して、概念的には階層構造を有する場合があり得るが、嗜好タイプの設計を評価する際に用いる嗜好タイプグラフ上では階層を設定しないこととする。

商品を説明する層間の対応関係は、ポジティブパスで紐づくかまたはパスが存在しないかのいずれかである。商品属性ノード１３１に対して下位層から複数のパスが紐付けられている場合であっても、それらのうちいずれか１つのパスのみが有効となる。

消費者を説明するための層と商品を説明する層との間の対応関係は、ポジティブパス、ネガティブパス、紐づかないの３種類が存在し、あるノードに対して下位層から複数のパスが存在する場合もある。同一ノードに対する複数パス間の関係は、ＡＮＤ関係でもよいしＯＲ関係でもよい。ＡＮＤ関係とＯＲ関係のいずれであるかは嗜好タイプグラフ上で定義する。

嗜好タイプグラフ上におけるパスは隣り合う２層間にのみ発生し、層をまたぐことはないものとする。嗜好タイプを設計する際に、層をまたぐような対応関係が存在した場合は、その概念層に対してダミーのノードを追加することにより、２層間のパスとする。例えば、商品を説明する層が２層存在し、第１層内には商品大分類ノードと新商品ノードが存在し、第１層の下の第２層内には商品小分類ノードが存在するものとする。第１層内における新商品ノードは商品大分類ノードに包含されるため、新商品ノードに紐付く商品小分類ノードは存在しない可能性がある。この場合、新商品ノードと対応関係を持つダミーノードを第２層内に作成することにより、第２層よりも下の層と新商品ノードとをつなげることができる。

購買嗜好タイプを設計することは、嗜好タイプノード１２１、商品属性ノード１３１、商品ノード１４１を定義するとともに、これらノード間のパス１５１〜１５３を定義することであるといえる。業務担当者は、最初にこれらを設計する時点においては、仮設計した嗜好タイプノード１２１を前提としてその他ノードおよびパスを設計する。

本発明に係る顧客分析システムは、顧客の商品購買履歴を用いて、実際の商品購買履歴をより精度よく表す購買嗜好タイプを推定する。例えば、業務担当者が設計したグラフ構造に基づき、実際の商品購買履歴においてある顧客が購買した商品ノード１４１群と関連する購買嗜好タイプを抽出することにより、顧客ノード１１１と嗜好タイプノード１２１との間のパス１５１を推定する。購買嗜好タイプを推定する際に用いるノードは、商品購買履歴を用いて関連付けられるものであればよく、商品ノード１４１に限らない。例えば商品ノード１４１に代えて購買時刻を表すノードを用い、購買嗜好タイプとして「深夜購買タイプ」などのような購買時刻に関連する購買嗜好タイプを定義することもできる。

図２は、本発明に係る顧客分析システムが嗜好タイプグラフを更新した様子を示すグラフである。本発明に係る顧客分析システムは、業務担当者が最初に設計した嗜好タイプグラフよりも、実際の商品購買履歴に近い嗜好タイプグラフとなるように、嗜好タイプグラフのノードとパスを更新することを支援する。

ノード２０１は、顧客分析システムによって削除されたノードの例である。業務担当者が設計した嗜好タイプが、その嗜好タイプと紐づくターゲット商品群を購買する顧客セグメントを適切に表現していないと判断された場合、その嗜好タイプを削除することができる。ノード２０１が削除されると、そのノードと紐づいたパスも削除される。ノード２０２は、更新前よりも商品属性層１３０からのパス数が増えた嗜好タイプである。パス２０５は、ノード２０２に対して追加されたパスである。ノード２０４は、嗜好タイプグラフの変更に応じて新たに追加された商品属性ノードである。パス２０３は、嗜好タイプグラフの変更に応じて顧客層１１０と嗜好タイプ層１２０との間で変化したパスである。

図２に示すように、本発明に係る顧客分析システムは、実際の商品購買履歴をより正確に表現する嗜好タイプグラフに近づけるような嗜好タイプグラフ構造の更新案を抽出することができる。具体的には、ノードの分割・削除・追加・統合、層間のパスの追加・削除・変更（ポジティブパスとネガティブパスの種類の変更）を提案する。嗜好タイプグラフの評価方法と更新箇所の特定方法は後述する。

＜実施の形態１：システム構成＞
図３は、本発明の実施形態１に係る顧客分析装置３００の機能ブロック図である。顧客分析装置３００は、業務担当者が設計した解釈性の高い嗜好タイプを用いて初期設計した嗜好タイプグラフを初期入力とし、実際の商品購買履歴において各嗜好タイプに紐づく商品群と、初期設計した嗜好タイプグラフ上で紐づく商品群との間の一致度を評価する。顧客分析装置３００は、一致度が向上するように嗜好タイプグラフを更新する案を提示することにより、できる限り解釈性を損なわせ過ぎずより有効な嗜好タイプを設計することを支援する。以下図３に示す顧客分析装置３００の機能ブロックについて説明する。

顧客分析装置３００は、初期設計データ３０１と更新指示データ３０３を受け取り、更新案データ３０２を出力する。初期設計データ３０１は、業務担当者が初期設計した購買嗜好タイプおよび図１〜図２で例示した嗜好タイプグラフを記述したデータである。更新案データ３０２は、顧客分析装置３００が初期設計データ３０１を評価した結果に基づきより実際の商品購買履歴を反映するように嗜好タイプグラフを更新した案を記述したデータである。更新指示データ３０３は、業務担当者が嗜好タイプグラフの最終的な更新結果を顧客分析装置３００に対して指示するデータである。

初期設計データ３０１は、図１で説明した実線タイプグラフの各ノードおよび各パスの初期設計値を記述したデータである。業務担当者は、顧客分析システム３００に対する入力として初期設計データ３０１を設計する。初期設計データ３０１の全てを業務担当者が入力しなくてもよい。例えばあらかじめ存在する商品マスタに含まれる商品データを利用して、商品属性や商品属性と商品との間の対応関係を設定してもよい。また、設計する嗜好タイプグラフの層を増やし、商品属性層１３０の下位にキーワード層を設定するなどして、商品と商品属性との間の対応関係を自動推定してもよい。自動推定方法としては、テキストマイニングを利用して商品名や商品説明文から特徴キーワードを抽出し、商品属性と対応するキーワードを有する商品と商品属性を対応付けることが考えられる。顧客分析装置３００は適当なインターフェースを介して初期設計データ３０１を受け取り、適切なフォーマットに変換した上で、設計データ３１０として格納する。設計データ３１０の詳細については後述する。

設計データ３１０は、嗜好タイプグラフを顧客分析装置３００が処理し易い形式で記述したデータである。関係マトリクスデータ３１１は、嗜好タイプグラフ上の各ノードおよび各ノード間の接続関係を記述する。関係マトリクスデータ３１１の詳細は、図４で説明する。ＡＮＤペアリスト３１２は、同一ノードに対して複数のパスが対応付けられている場合、その複数パスがＯＲ関係であるかそれともＡＮＤ関係であるかを記述したデータである。例えば、ＡＮＤ関係によって対応付けられた複数パスを有する嗜好タイプノード１２１のＩＤと、その嗜好タイプノード１２１に紐付けられた商品属性ノード１３１のＩＤとを記載する。

嗜好タイプ推定器３２０は、設計データ３１０と購買履歴データ３８１を入力として、嗜好タイプ別関係マトリクスデータ３８２を出力する。購買履歴データ３８１は、各個人がそれぞれ商品を購入した履歴を記述したデータである。嗜好タイプ別関係マトリクスデータ３８２は、各嗜好タイプノード１２１とその下位層の各ノードに対して各顧客が属するか否かを記載したデータである。

嗜好タイプ推定器３２０は、各個人がいずれの購買嗜好タイプに属するかを推定し、その結果を嗜好タイプ別関係マトリクスデータ３８２に記述する。具体的には、個人が購買した商品のなかから各商品属性ノード１３１と各嗜好タイプノード１２１に紐づく商品の購買個数（または購買割合）などを算出し、それが基準値よりも上回る場合はポジティブパスによって顧客ノード１１１と嗜好タイプノード１２１を対応付け、基準値よりも下回る場合はネガティブパスによって顧客ノード１１１と嗜好タイプノード１２１を対応付ける。基準値はあらかじめ業務担当者が決めてもよいし、全体平均や標準偏差などを考慮して算出してもよい。

嗜好タイプ推定器３２０が各嗜好タイプノード１２１に属する顧客ノード１１１を推定した結果は、評価器３３０が後述する顧客一致度リスト３４２を算出する際に用いられる。さらに、表示器３６０と更新器３７０が、嗜好タイプグラフが変化したとき各嗜好タイプに属する顧客数や商品数の推定値を算出するために用いられる。嗜好タイプグラフが変化した後における顧客数や商品数を推定する方法は、嗜好タイプを評価するときと同様である。着目層よりも上位層を考慮せず、ターゲットノードと嗜好タイプとの間の対応関係のみに基づきこれを推定することができる。例えば、嗜好タイプ別関係マトリクスデータ３８２が記述している全層に対して分析を実施せず、嗜好タイプ層１２０と商品属性層１３０のみ推定してもよい。

評価器３３０は、初期設計データ３０１が記述している嗜好タイプグラフから導出される顧客セグメントと商品群との間の対応関係が、購買履歴データ３８１から推定されるこれらの対応関係とどの程度一致しているかを評価する。評価器３３０は、その評価結果に基づき、購買履歴データ３８１から推定される実際の対応関係により近づくような嗜好タイプグラフの更新（パス変更／ノード分割／ノード統合など）案を出力する。評価器３３０は、設計データ３１０、嗜好タイプ別関係マトリクスデータ３８２、購買履歴データ３８１を入力として、評価値３４０、更新版関係マトリクスデータ３５１、更新履歴データ３５２を出力する。更新版関係マトリクスデータ３５１と更新履歴データ３５２を出力した後、さらに嗜好タイプグラフを更新したい場合、更新器３７０は最終更新結果のみを用いて処理を実施してもよいし、更新版関係マトリクスデータ３５１と更新履歴データ３５２が更新される毎に処理を実施してもよい。

評価器３３０は、商品一致度分析部３３１、顧客一致度分析部３３２、分割分析部３３３、統合分析部３３４、更新指示マトリクスデータ３３５、更新部３３６を備える。

商品一致度分析部３３１は、商品一致度ベクトル３４１を出力する。顧客一致度分析部３３２は、顧客一致度リスト３４２を出力する。分割分析部３３３は、併売率マトリクス３４３を出力する。これらの具体的な算出方法については後述する。商品一致度ベクトル３４１は、統合分析部３３４の入力となる。併売率マトリクス３４３は、分割分析部３３３の入力となる。商品一致度分析部３３１、顧客一致度分析部３３２、分割分析部３３３、統合分析部３３４はそれぞれ、評価値３４０に基づき嗜好タイプグラフの更新案として更新指示マトリクスデータ３３５を出力する。

更新部３３６は、商品一致度分析部３３１、顧客一致度分析部３３２、分割分析部３３３、統合分析部３３４が出力した更新指示マトリクスデータ３３５を入力として、嗜好タイプグラフの更新案を記述する更新版関係マトリクスデータ３５１、その更新履歴を記述する更新履歴データ３５２を出力する。更新部３３６は、嗜好タイプグラフを更新するとき、グラフの一部分に対する変更が他部分に対してできる限り影響を与えないように配慮する。具体的手法については後述する。

表示器３６０は、評価器３３０に対して嗜好タイプグラフを分析するよう指示する。また業務担当者に対して評価器３３０による評価結果を提示する。さらに、業務担当者から更新指示（更新指示データ３０３）を受け取り、評価器３３０に嗜好タイプグラフの更新を指示する。また、嗜好タイプグラフ上における複数パス間のＡＮＤ関係やＯＲ関係に関する更新指示を業務担当者から受け付け、これを更新版ＡＮＤペアリスト３５３として出力する。

表示器３６０は、購買嗜好タイプを対話的に設計するための機能を提供する。具体的には、（ａ）嗜好タイプグラフの更新案を提示、（ｂ）更新後の嗜好タイプグラフの確からしさや更新前後間の確からしさの向上率を提示、（ｃ）更新前の嗜好タイプグラフから更新後の嗜好タイプグラフへの更新履歴を提示する。これにより、確からしい嗜好タイプグラフへの更新を支援することができる。また、更新前後の嗜好タイプグラフの変化部分と共通部分の特徴を業務担当者に提示することにより、業務担当者が更新後の嗜好タイプを解釈することを支援する。

更新器３７０は、更新パラメータ３５０を入力として嗜好タイプグラフを更新し、嗜好タイプ別関係マトリクスデータ３８２にその結果を上書き格納する。また更新前後における嗜好タイプの特徴変化を抽出し、更新後特徴リスト３８３として出力する。更新後特徴リスト３８３についての詳細は後述する。

図４は、関係マトリクスデータ３１１の構成を示す図である。関係マトリクスデータ３１１は、ノード間の対応関係を表す各セルによって記述されている。各セルの値はノード間の接続関係を表し、０はパスなし、１はポジティブパスによる接続、−１はネガティブパスによる接続を示す。列３１１１〜列３１１４は各層を表し、各列に存在する全ノードがサブ列として列挙されている。図４に示すデータ例において、例えば嗜好タイプノード２−１と商品属性ノード３−２はネガティブパスで紐づいている。

同一層におけるノード間の接続関係については、自ノードに対する接続をポジティブパスとして表し、同一層の自ノード以外のノードに対するパスはないものとみなす。２層以上離れた層間の接続関係は、途中層を経由した接続関係であるものとして表し、途中層を経由するパスが存在しない場合は０、ポジティブパスを経由する場合は１とする。例えば嗜好タイプノード２−１と商品ノード４−２は、商品属性層１３０と嗜好タイプ層１２０におけるポジティブパスを経由してつながっている。嗜好タイプグラフによっては、同一ノードがポジティブパスとネガティブパスどちらともつながる場合もある。その場合は、セル内に複数の値を記載してもよい。以下ではノード間の接続関係を表すセル値のことを関係フラグと呼ぶ場合もある。

図５は、評価器３３０が嗜好タイプグラフを評価および更新する処理を説明するフローチャートである。評価器３３０は、業務担当者の更新指示に基づき本フローチャートを開始するか、または例えば適当なトリガを契機として本フローチャートを開始して嗜好タイプグラフを自動更新する。その他、一部のステップのみ自動更新とする、評価値に応じて業務担当者へ提示するか自動更新するかを決定する、などとしてもよい。以下、図５の各ステップについて説明する。

（図５：ステップＳ５０１〜Ｓ５０４：補足）
ステップＳ５０１〜Ｓ５０４はそれぞれ独立に実施することができる（すなわち評価値３４０の各データは独立して算出することができる）。したがって、業務担当者の指示に応じて、評価値３４０のうち一部のみを算出したり、追加の評価値を算出する機能を追加したりしてもよい。例えば、嗜好タイプを分割しないのであれば、併売率マトリクス３４３は算出しなくてもよい。あるいは、嗜好タイプの規模（嗜好タイプに属する人数）が一定以上の嗜好タイプのみを推定対象としたい場合、各嗜好タイプに属する顧客人数に応じた更新案を出力する機能を追加し、嗜好タイプ別顧客人数データを評価値３４０に加えてもよい。これらステップの順番や回数は図５に示すものに限られない。

（図５：ステップＳ５０１）
評価器３３０は、商品一致度に基づき嗜好タイプのパスを追加・削除・変更し、それにともなって嗜好タイプグラフを更新する。商品一致度は、嗜好タイプグラフ上においてある嗜好タイプノード１２１に属する顧客ノード１１１と対応付けられている商品ノード１４１が、購買履歴データ３８１における実際の商品購買履歴とどの程度一致しているかを示す値である。商品一致度が高い嗜好タイプグラフは、購買履歴データ３８１が記述している顧客の購買嗜好タイプと商品との間の対応関係を精度よく表しているといえる。本ステップの詳細は図６で説明する。

（図５：ステップＳ５０２）
評価器３３０は、顧客一致度に基づき嗜好タイプのパスを追加・削除・変更し、それにともなって嗜好タイプグラフを更新する。顧客一致度とは、嗜好タイプグラフ上における顧客ノード１１１同士の接続関係（例えば同一のノードに属している顧客はグラフ上で接続されているとみなす）が、購買履歴データ３８１上における顧客セグメントとどの程度一致しているかを示す値である。顧客一致度が高い嗜好タイプグラフは、購買履歴データ３８１によって示唆される顧客セグメントを精度よく表しているといえる。本ステップの詳細は図１３で説明する。

（図５：ステップＳ５０３）
評価器３３０は、併売率に基づき嗜好タイプを分割し、それにともなって嗜好タイプグラフを更新する。併売率とは、例えばある顧客が商品Ａを購入するとき商品Ｂも購入する確率を表す。ある嗜好タイプノードに属する商品群の併売率が低い場合、その嗜好タイプノードは分割すべきであると考えられる。本ステップの詳細は図１６で説明する。

（図５：ステップＳ５０４）
評価器３３０は、嗜好タイプ間の類似度に基づき嗜好タイプを統合し、それにともなって嗜好タイプグラフを更新する。嗜好タイプ間の類似度は、例えば各嗜好タイプノード１２１に属する商品ノード１４１間の相関係数を購買履歴データ３８１に基づき算出することにより、求めることができる。本ステップの詳細は図２０で説明する。

＜実施の形態１：商品一致度に基づく評価＞
図６は、ステップＳ５０１の詳細を説明するフローチャートである。以下図６の各ステップについて説明する。

（図６：ステップＳ６０１〜Ｓ６０２）
評価器３３０は、関係マトリクスデータ３１１を取得する（Ｓ６０１）。評価器３３０は、嗜好タイプ別関係マトリクスデータ３８２から嗜好タイプ毎に属する顧客を記述したマトリクス（嗜好タイプ×顧客マトリクス）を取得する（Ｓ６０２）。

（図６：ステップＳ６０３）
商品一致度分析部３３１は、商品一致度ベクトル３４１を算出する。本ステップの詳細は図７で説明する。

（図６：ステップＳ６０４）
評価器３３０は、表示器３６０から商品一致度の閾値を取得する。商品一致度の閾値を指定する画面インターフェースについては後述の図２３で説明する。

（図６：ステップＳ６０５）
商品一致度分析部３３１は、商品一致度ベクトル３４１と商品一致度閾値に基づき、更新指示マトリクスデータ３３５を生成する。本ステップの詳細は図９で説明する。

（図６：ステップＳ６０６〜Ｓ６０８）
表示器３６０は、更新指示マトリクスデータ３３５の記述にしたがって、嗜好タイプに対するパスの追加・削除・変更案を提示する（Ｓ６０６）。評価器３３０は、表示器３６０から、パス更新を検討する嗜好タイプを指定する指示を取得する（Ｓ６０７）。更新部３３６は、ステップＳ６０７において指示された嗜好タイプを更新することにともなう各ノード・パスの追加・削除案を生成する（Ｓ６０８）。ステップＳ６０８の詳細は図１１で説明する。

（図６：ステップＳ６０９）
更新部３３６は、ステップＳ６０８において更新されたノードの特徴を抽出する。本ステップは、更新後の嗜好タイプグラフを業務担当者が解釈することを支援するための情報を抽出するものである。例えば商品属性層１３０とその１つ上の層に対するパスの追加・削除がされた場合、更新部３３６はその追加した商品群と削除した商品群に関する特徴を抽出する。例えば、商品属性ノード１３１に対して紐付いている商品ノード１４１を削除する場合、更新後も紐づけられている商品群の商品名・商品説明と更新により削除される商品群の商品名・商品説明を比較し、削除された商品群において特徴的なキーワードを抽出する、といった方法が考えられる。

（図６：ステップＳ６１０〜Ｓ６１２）
表示器３６０は、ノード更新案と更新後のノード特徴を提示する（Ｓ６１０）。表示器３６０は、嗜好タイプグラフを更新する指示を業務担当者から受け取る（Ｓ６１１）。更新部３３６は、指示にしたがって更新版関係マトリクスデータ３５１、更新履歴データ３５２を生成する（Ｓ６１２）。

図７は、ステップＳ６０３の詳細を説明するフローチャートである。ある嗜好タイプノード１２１に属する顧客の購買傾向と、その嗜好タイプノード１２１に属さない顧客の購買傾向とを比較することにより、嗜好タイプノード１２１が分類している顧客セグメントが実際の購買傾向とどの程度一致しているかを推定することができる。両購買傾向がある程度離れていれば、その嗜好タイプノード１２１は顧客ノード１１１を適切に分類していると考えられる。商品一致度分析部３３１は、上記考え方に基づき商品一致度を算出する。以下図７の各ステップについて説明する。

（図７：ステップＳ７０１）
商品一致度分析部３３１は、関係マトリクスデータ３１１を取得する。商品一致度分析部３３１は、関係マトリクスデータ３１１から嗜好タイプグラフにおける階層個数Ａと嗜好タイプ個数Ｂを取得する。

（図７：ステップＳ７０２）
商品一致度分析部３３１は、嗜好タイプ別関係マトリクスデータ３８２から嗜好タイプ毎に属する顧客を記述したマトリクス（嗜好タイプ×顧客マトリクス）を取得する。

（図７：ステップＳ７０３）
商品一致度分析部３３１は、購買履歴データ３８１から、各顧客の商品購買値ベクトルを取得する。商品購買値ベクトルは、顧客の各商品に対する購買傾向を数値化したデータであり、例えば購買したことのある商品は１、購買したことのない商品は０を要素値とするベクトルによって表すことができる。購買有無の他、購買回数、購買割合などを要素値とするベクトルを用いることもできる。

（図７：ステップＳ７０４）
商品一致度分析部３３１は、商品ノード１４１を包含する嗜好タイプノード１２１に属さない顧客ノード１１１を商品ノード１４１毎に抽出し、抽出した顧客ノード１１１群の購買値の平均を算出し、これを当該商品ノード１４１の基準購買値とする。この基準購買値は、当該嗜好タイプノード１２１に属さない顧客ノード１１１の当該商品ノード１４１に対する購買傾向を表す指標となる。購買値としては例えばステップＳ７０３と同様に購買有無を表す１／０を用いてもよいし、その他適当な指標があればそれを用いてもよい。

（図７：ステップＳ７０５）
商品一致度分析部３３１は、嗜好タイプｂに属する顧客ノード１１１群の購買値の平均を各商品についてそれぞれ算出する。

（図７：ステップＳ７０６）
商品一致度分析部３３１は、ステップＳ７０４において算出した購買基準値を用いて、嗜好タイプノード１２１毎に商品一致度ベクトルを算出する。商品一致度ベクトルの具体例は図８で説明する。商品一致度ベクトルは、ある嗜好タイプノード１２１に属する顧客ノード１１１群の各商品に対する購買傾向を数値化したデータである。例えば、商品一致度ベクトルの要素値として（購買しやすい，平均的，購買しにくい）の３つを設け、当該商品に対する購買値の平均が基準購買値の例えば２倍以上であれば商品一致度ベクトルを（１，０，０）とし、基準購買値の例えば１／４以下であれば（０，０，１）とし、それ以外であれば（０，１，０）とする。商品一致度ベクトルの各要素値は必ずしも離散値でなくともよい。例えば（購買しやすい，平均的，購買しにくい）それぞれの推定確率を要素値とし、（０．９，０．０７，０．０３）のように表すこともできる。

（図７：ステップＳ７０７）
商品一致度分析部３３１は、嗜好タイプグラフの階層ａ＋１のノードに関する商品一致度ベクトルから、階層ａ（１つ上の層）の商品一致度ベクトルを算出する。具体的には、階層ａの各ノードと紐づく階層ａ＋１のノードの商品一致度ベクトルの平均ベクトルを、階層ａの各ノードの商品一致度ベクトルとして算出する。

（図７：ステップＳ７０８）
商品一致度分析部３３１は、嗜好タイプグラフ上の下層から順にステップＳ７０７を実施する。その結果、嗜好タイプノード１２１毎の商品一致度ベクトル３４１が得られる。

図８は、商品一致度ベクトル３４１の例である。項目３４１１は、嗜好タイプ層１２０よりも下の層および各層に属するノードＩＤを示す。項目３４１２は、嗜好タイプ層１２０に属するノードＩＤを示す。嗜好タイプ層１２０における各ノードと商品属性層１３０および商品層１４０における各ノードとの組み合わせ毎に、商品一致度ベクトルの３つの要素値が記述されている。

図８に示すデータ例において、例えば嗜好タイプノード２−１×商品ノード４−１の商品一致度ベクトルは（１，０，０）であるため、嗜好タイプノード２−１に属する顧客ノード１１１は、嗜好タイプノード２−１に属さない顧客ノード１１１よりも商品ノード４−１を購買しやすい傾向にあることが示されている。また例えば嗜好タイプノード２−２に属する顧客ノード１１１は、商品属性ノード３−１に属する商品ノード１４１のうち「購買しにくい」割合が０．２であることが示されている。

図９は、ステップＳ６０５の詳細を説明するフローチャートである。ある商品ノード１４１と紐づく何らかの嗜好タイプノード１２１に属する顧客ノード１１１は、その嗜好タイプノード１２１に属さない顧客ノード１１１と比べて、その商品ノード１４１を購買しやすい（ポジティブパスの場合）または購買しにくい（ネガティブパスの場合）傾向にあると考えられる。嗜好タイプグラフ上のポジティブパスは商品一致度ベクトルの「購買しやすい」要素値に対応し、嗜好タイプグラフ上のネガティブパスは商品一致度ベクトルの「購買しにくい」要素値に対応する。したがって、図８で説明した商品一致度ベクトルが示す購買傾向と嗜好タイプグラフ上のパスとの間の差分が小さいほど、その嗜好タイプグラフは実際の購買傾向を精度よく表していると考えられる。商品一致度分析部３３１は、上記考え方に基づきこの差分を小さくするような更新指示マトリクスデータ３３５を生成する。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）
商品一致度分析部３３１は、関係マトリクスデータ３１１から、嗜好タイプ層１２０より下位層の全ノードについて関係フラグ（パスの有無および種別を表すセル値）を取得する。商品一致度分析部３３１は、関係マトリクスデータ３１１から、嗜好タイプ個数Ｂとノード個数Ｎを取得する。

（図９：ステップＳ９０２）
商品一致度分析部３３１は、商品一致度閾値を取得する。商品一致度閾値は、あるノードが商品一致度ベクトルの３つの要素値のうちいずれに属するか（すなわち、購買しやすい、平均的、購買しにくい、のいずれであるか）を判定するための閾値である。商品一致度閾値はあらかじめ設定しておいてもよいし、例えば表示器３６０を介して業務担当者が指定するようにしてもよい。

（図９：ステップＳ９０３）
商品一致度分析部３３１は、商品一致度ベクトル３４１を取得する。

（図９：ステップＳ９０４〜Ｓ９０５）
商品一致度分析部３３１は、ノードｎの嗜好タイプｂに対する関係フラグと、その関係フラグに対応する商品一致度ベクトルを取得する（Ｓ９０４）。商品一致度分析部３３１は、商品一致度ベクトルを商品一致度閾値と比較し、商品一致度閾値を上回る場合は１，それ以外は０として一致度フラグを算出する（Ｓ９０５）。

（図９：ステップＳ９０６）
商品一致度分析部３３１は、関係フラグと一致度フラグを比較し、一致しない項目をエラーとして抽出する。嗜好タイプｂとノードｎとの間の関係フラグが１の場合は、商品一致度ベクトルが「購買しやすい」ことを意味している。したがって商品一致度ベクトルが（１，０，０）であれば両者は一致し、それ以外であれば不一致となる。嗜好タイプｂとノードｎとの間の関係フラグが複数存在する場合は、それぞれの関係フラグと一致度フラグを比較し、例えばいずれか１つでも一致しなければエラーとみなす。

（図９：ステップＳ９０７）
商品一致度分析部３３１は、全ての嗜好タイプとノードについて上記ステップを実施しその結果に基づき更新指示マトリクスデータ３３５を生成する。更新指示マトリクスデータ３３５は、各嗜好タイプに対する更新指示を記載したマトリクスであり、詳細は図１０Ａ〜図１０Ｂで説明する。

図１０Ａは、更新指示マトリクスデータ３３５の要素値（更新指示フラグ）について説明する表である。更新指示フラグが示す更新指示は、（ａ）更新なし、（ｂ）嗜好タイプ層１２０に対するポジティブパスの削除、（ｃ）嗜好タイプ層１２０に対するネガティブパスの削除、（ｄ）嗜好タイプ層１２０に対するポジティブパスの追加、（ｅ）嗜好タイプ層１２０に対するネガティブパスの追加、（ｆ）嗜好タイプの統合／複製のいずれかである。各更新指示は、例えば図１０Ａに示すような更新指示フラグにより表現される。ある嗜好タイプとノードに対して複数の指示が存在する場合は、各更新指示フラグを足し合わせることにより、１つの更新指示フラグで複数の指示を表す。

図１０Ｂは、更新指示マトリクスデータ３３５の構成を説明する図である。項目３３５１は、各層に属するノードＩＤを示す。項目３３５２は、嗜好タイプ層１２０に属するノードＩＤを示す。嗜好タイプ層１２０における各ノードと各層における各ノードとの組み合わせ毎に、更新指示フラグが記述されている。

嗜好タイプ層１２０と顧客層１１０との間においては、更新なし、ポジティブパス削除、またはポジティブパス追加、のいずれかの更新指示フラグが記載される。図１０Ｂに示すデータ例によれば、顧客ノード１−２と嗜好タイプ２−１との間のポジティブパスを削除するよう指示されている。

嗜好タイプ層１２０内のノード間の更新指示フラグは、更新なし、嗜好タイプ統合／複製、のいずれかである。図１０Ｂに示すデータ例において、嗜好タイプノード２−２と嗜好タイプノード２−３の間で嗜好タイプ統合／複製を示す更新指示フラグが指定されているので、これらノードを統合して新たなノードを作成する。嗜好タイプノード２−１については同一ノードに対する嗜好タイプ統合／複製を示す更新指示フラグが指定されているので、嗜好タイプノード２−１は分割する。更新指示フラグの値は２００００（すなわち２つの複製指示）であるため、嗜好タイプノード２−１を２つ複製する。

嗜好タイプ層１２０よりも下の層に対する更新指示フラグは、更新なし、ポジティブパスの削除、ネガティブパスの削除、ポジティブパスの追加、ネガティブパスの追加、のいずれかである。複数の指示が組み合わさる場合もある。図１０Ｂに示すデータ例によれば、嗜好タイプノード２−２と商品属性ノード３ー２の間において、ポジティブパスを削除するとともにネガティブパスを追加するよう指示されている。

図１１は、ステップＳ６０８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）
更新部３３６は、更新対象である嗜好タイプＤ、Ｄに対応する更新指示マトリクスデータ３３５、関係マトリクスデータ３１１、関係マトリクスデータ３１１上の階層数Ａを取得する。

（図１１：ステップＳ１１０２）
更新部３３６は、嗜好タイプＤと顧客層１１０に属するノードについて更新指示フラグを取得し、その指示にしたがって嗜好タイプグラフのパスを更新し、または嗜好タイプノード１２１を統合／複製する。

（図１１：ステップＳ１１０３〜Ｓ１１０４）
更新部３３６は、更新指示マトリクスデータ３３５から、嗜好タイプＤに関連する更新指示を有し、かつ層ａに関連するノードを取得し、さらにそのノード数Ｎを取得する（Ｓ１１０３）。更新部３３６は、ノードｎの更新指示フラグを取得する（Ｓ１１０４）。

（図１１：ステップＳ１１０５）
更新部３３６は、ノードｎに対するパス削除指示が存在する場合、ノードｎと他嗜好タイプＤとの間の関係フラグを参照して、パス削除により他嗜好タイプＤに与える影響をチェックする。パス削除により他嗜好タイプＤの接続関係が変更されない場合は、そのままパスを削除する。パス削除により他嗜好タイプＤの接続関係が変更される場合は、ノードｎを複製することにより他嗜好タイプＤに影響が及ばないようにした上で、指示されたパスを削除する。

（図１１：ステップＳ１１０６）
更新部３３６は、ノードｎに対するパス追加指示が存在する場合、嗜好タイプＤにつながるパスを上位層から順に追加する。具体的には、まずａ−１層において嗜好タイプＤノードまたは嗜好タイプＤへつながるノードを追加する指示が存在するか否かをチェックする。これらが存在する場合は、そのノードに対するパスを追加する。存在しない場合は、嗜好タイプＤまでパスがつながるように、ａ−１層におけるノードとパスを生成する。更新部３３６は、ａ−１層におけるノードまたはパスを追加した後、ノードｎに属する下位層ノードに対する更新指示フラグを「更新なし」に変更する。上位層から順にパスを追加し、追加したパスに属する下位ノードを更新しないようにすることにより、初期設計データ３０１からの変更が少なくなる。すなわち、初期設計した嗜好タイプグラフにできる限り近いグラフ構造を有しつつ、商品一致度が高い更新案を生成することができる。

（図１１：ステップＳ１１０７）
更新部３３６は、以上のステップにより生成した嗜好タイプグラフの更新案において、嗜好タイプ層１２０までつながる上方パスが存在しないノードと、商品層１４０までつながる下方パスが存在しないノードを削除する。さらに下位の商品群が共通するノードを統合する。更新部３３６は、以上のステップにより生成した嗜好タイプグラフの更新案を出力する。

図１２は、更新履歴データ３５２の構成例を示す図である。更新部３３６は、嗜好タイプグラフ上におけるノードの追加・複製・削除・統合・分割、ノード間のパスの追加・削除が実施される毎に、そのログを更新履歴データ３５２として記録する。

層３５２１は、更新されたノードが更新前に属していた層のＩＤである。旧ノードＩＤ３５２２は、（ａ）削除・分割されたノードＩＤ、（ｂ）統合されたノードＩＤ群、（ｃ）ノード間のパスが追加・削除された場合における上位側のノードＩＤ、を記録する。ノード追加時は空欄とする。処理タイプ３５２３は、更新処理の内容または更新指示フラグを記録する。新ノードＩＤ３５２４は、更新後のノードＩＤを記載する。ノード削除の場合は空欄とする。評価値３５２５は、更新指示マトリクスデータ３３５を算出する際に用いた評価指標を記載する。ここまでの説明においては商品一致度に基づき更新指示マトリクスデータ３３５を算出する例を説明した。その他評価指標については後述する。

＜実施の形態１：顧客一致度に基づく評価＞
同一の嗜好タイプノード１２１に紐づく顧客ノード１１１は、同一の購買心理要因に紐づいているため、その購買心理要因に関連した部分においては類似した購買傾向を有すると推定される。顧客一致度は、これら顧客ノード１１１群の購買傾向の類似度を表す指標である。顧客一致度を用いて、嗜好タイプノード１２１に紐づく商品ノード１４１群がその嗜好タイプノード１２１に属する顧客ノード１１１群によって類似した買い方をされるか否かを評価することができる。

設計した嗜好タイプノード１２１の概念によっては、購買傾向が類似しているか否かを推定するのに適していない場合もある。例えば、嗜好タイプ「タバコ好き」を設計した場合において、当該嗜好タイプに属する顧客は共通してタバコを購買するが、個人の嗜好するタバコ銘柄はばらばらであるため、銘柄を考慮した購買傾向は当該嗜好タイプに属する顧客間でばらばらである、というケースが考えられる。そこで例えば、嗜好タイプの概念に応じて、（ａ）顧客一致度の類似度判定のための閾値を決定する、（ｂ）顧客一致度度による評価を実施するか否かを決定する、などによって、必要な嗜好タイプに関してのみ分評価することとしてもよい。

図１３は、ステップＳ５０２の詳細を説明するフローチャートである。以下図１３の各ステップについて説明する。

（図１３：ステップＳ１３０１〜Ｓ１３０２）
評価器３３０は、関係マトリクスデータ３１１、嗜好タイプ別関係マトリクスデータ３８２、更新版関係マトリクスデータ３５１、更新履歴データ３５２を取得する（Ｓ１３０１）。顧客一致度分析部３３２は、顧客一致度リスト３４２を算出する（Ｓ１３０２）。ステップＳ１３０２の詳細は図１４で説明する。

（図１３：ステップＳ１３０３）
評価器３３０は、表示器３６０から顧客一致度閾値を取得する。顧客一致度閾値を指定する画面インターフェースについては後述の図２４で説明する。

（図１３：ステップＳ１３０４）
更新部３３６は、顧客一致度リスト３４２と顧客一致度閾値に基づき、更新指示マトリクスデータ３３５を算出する。本ステップの詳細は図１５で説明する。

（図１３：ステップＳ１３０５〜Ｓ１３０７）
表示器３６０は、更新指示マトリクスデータ３３５の記述にしたがって、嗜好タイプに対するパスの追加・削除・変更案を提示する（Ｓ１３０５）。評価器３３０は、表示器３６０から、パス更新を検討する嗜好タイプを指定する指示を取得する（Ｓ１３０６）。更新部３３６は、ステップＳ１３０６において指示された嗜好タイプを更新することにともなう各ノード・パスの追加・削除案を生成する（Ｓ１３０７）。

（図１３：ステップＳ１３０８〜Ｓ１３１１）
更新部３３６は、ステップＳ１３０７において更新されたノードの特徴を、ステップＳ６０９と同様の手法により抽出する（Ｓ１３０８）。表示器３６０は、ノード更新案と更新後のノード特徴を提示する（Ｓ１３０９）。表示器３６０は、嗜好タイプグラフを更新する指示を業務担当者から受け取る（Ｓ１３１０）。更新部３３６は、更新版関係マトリクスデータ３５１、更新履歴データ３５２を生成する（Ｓ１３１１）。

図１４は、ステップＳ１３０２の詳細を説明するフローチャートである。ある嗜好タイプノード１２１に属する顧客ノード１１１群のうち、購買傾向が他の顧客ノード１１１とは異なる顧客ノード１１１は、その嗜好タイプノード１２１に属すべきではないと考えられる。そこで顧客一致度分析部３３２は、顧客ノード１１１の購買傾向が互いにどの程度一致しているか（顧客一致度）を算出する。顧客一致度リスト３４２は、その算出結果を記録するデータファイルである。以下図１４の各ステップについて説明する。

（図１４：ステップＳ１４０１）
顧客一致度分析部３３２は、更新版関係マトリクスデータ３５１、更新履歴データ３５２を取得する。さらに、最新版の関係マトリクスデータ３１１、最新版の嗜好タイプ別関係マトリクスデータ３８２を取得する。例えば、更新履歴データ３５２から更新前後のノード間の対応関係を取得し、嗜好タイプ別関係マトリクスデータ３８２を更新後のノードに対して割り当てることにより、最新版の嗜好タイプ別関係マトリクスデータ３８２を取得することができる。更新前ノードが存在しない場合や、更新前ノードからの変化が大きいためマトリクスを推定することが困難なノードが存在する場合は、それらノードを本フローチャートの処理対象から省いてもよい。

（図１４：ステップＳ１４０２）
顧客一致度分析部３３２は、購買履歴データ３８１から、各顧客の商品購買値ベクトルを取得する。商品購買値ベクトルは、各商品を購買したか否かを１／０などの数値によって表す値（購買値）を要素値として持つベクトルである。

（図１４：ステップＳ１４０３）
顧客一致度分析部３３２は、ステップＳ１４０２で取得した商品購買値ベクトルから、嗜好タイプｂに属する顧客がその嗜好タイプｂに属する商品を購買したか否かを記述した部分を取得する。顧客一致度分析部３３２は、取得した商品購買値ベクトルの平均ベクトルを求める。顧客一致度分析部３３２は、平均ベクトルと各顧客の商品購買値ベクトルとの間の距離に基づき、各顧客の購買傾向がその他顧客の購買傾向と一致しているか否かを判定することができる。例えば距離が所定範囲以内であれば一致していると判定することができる。その他顧客の購買傾向と一致している顧客の顧客一致度は１、一致していない顧客の顧客一致度は０とする。あるいは距離の逆数を顧客一致度としてもよい。

（図１４：ステップＳ１４０３：補足その１）
顧客一致度を算出する方法は、上記に限られるものではない。例えば、各顧客の商品購買値ベクトルをクラスタリングし、代表的なクラスに分類された顧客の顧客一致度を１、ある閾値より小規模のクラスに分類された顧客の顧客一致度は０とする、などの手法が考えられる。

（図１４：ステップＳ１４０３：補足その２）
本ステップは、顧客層１１０のみに着目して顧客ノード１１１間で顧客一致度を求めるためのものである。これに対し嗜好タイプ層１２０以下の層においては、顧客ノード１１１に至るパスが複数存在しこれらを重複してカウントする可能性があるため、ステップＳ１４０５においてＡＮＤ演算により重複を排除している。ただし顧客一致度の考え方は以下のステップにおいても同様である。図１５においても同様の理由により、顧客層１１０のみ先に処理し、その後に嗜好タイプ層１２０以降を処理する。

（図１４：ステップＳ１４０４）
顧客一致度分析部３３２は、層ａにおける各ノードと顧客ノード１１１との間の関係フラグ、および層ａにおけるノード数Ｎを取得する。

（図１４：ステップＳ１４０５）
顧客一致度分析部３３２は、層ａ内のノードｎに属し、かつ嗜好タイプｂに属する顧客ノード群１１１について、顧客一致度を算出する。具体的には、層ａ内のノードｎに属し、かつ嗜好タイプｂに属する顧客ノード群１１１の商品購買値ベクトルの平均ベクトルを算出し、平均ベクトルと各顧客の商品購買値ベクトルとの間の距離に基づき、顧客一致度を算出する。

（図１４：ステップＳ１４０５：補足）
本ステップにおいて顧客一致度を算出する手法は上記に限られるものではなく、例えば商品購買値ベクトル群のばらつきに関する指標に基づきノード間の一致度を算出してもよい。図１４に示すフローチャートにおいては、商品層１４０に関する顧客一致度は算出していないが、嗜好タイプｂに属する顧客が各商品ノード１４１を購入した割合に基づき顧客一致度を算出することもできる。下位層の顧客一致度を考慮する必要がない場合は、任意の層までの顧客一致度を算出し、顧客一致度を算出しなかったノードについては顧客一致度に基づく嗜好タイプグラフの評価を実施しないこととしてもよい。

（図１４：ステップＳ１４０６）
顧客一致度分析部３３２は、以上のステップの算出結果に基づき、顧客一致度リスト３４２を生成する。顧客一致度リスト３４２は、以上のステップにおいて算出対象とした全ノードの顧客一致度を記述したデータである。

図１５は、ステップＳ１３０４の詳細を説明するフローチャートである。更新部３３６は、ある嗜好タイプｂに紐づく商品群のうち、顧客一致度の高い商品群に対するパスは残しつつ、購買傾向がばらばらな商品群に対するパスを削除するための更新案を生成する。以下図１５の各ステップについて説明する。

（図１５：ステップＳ１５０１）
更新部３３６は、更新版関係マトリクスデータ３５１と顧客一致度リスト３４２を取得する。更新部３３６は、表示器３６０より顧客一致度閾値を取得する。例えば、層毎に顧客一致度の算出方法が異なる場合や、顧客一致度として統計的ばらつき指標を採用した場合のように、顧客一致度が母集団に依存する場合は、顧客一致度閾値を複数用意してもよい。

（図１５：ステップＳ１５０２）
更新部３３６は、更新版関係マトリクスデータ３５１において嗜好タイプｂと紐づく各ノードの顧客一致度と顧客一致度閾値を比較する。更新部３３６は、顧客一致度が閾値未満であるノードをエラーノードリストに追加する。更新部３３６は、エラーノードリストに含まれる顧客ノード１１１については、本ステップにおいて嗜好タイプｂに紐づくパスを削除するよう指示する更新指示フラグを付与する。嗜好タイプ層１２０以下の層については、以下のステップにおいて最下層を優先してパスを削除する。

（図１５：ステップＳ１５０２：補足）
顧客一致度が閾値未満であるノードのパスを削除することにより、購買傾向が他の顧客とは異なる顧客を嗜好タイプから除去することができる。また最下層から優先してパスを削除することにより、初期設計データ３０１からの変更を少なくしつつ購買履歴データ３８１と精度よく一致する嗜好タイプグラフを実現することができる。

（図１５：ステップＳ１５０３）
更新部３３６は、嗜好タイプノードｂがエラーノードリストに含まれる場合、嗜好タイプノードｂと紐づく３層目のノードを取得し、３層目のノードのうちエラーノードリストに含まれるノードを探索ノードリストとしてリストアップする。

（図１５：ステップＳ１５０４〜Ｓ１５０５）
更新部３３６は、探索ノードリスト内に含まれるノードまたはその下位層に属するノードについて、より下位のノードを優先して、嗜好タイプｂに紐付くパスを削除するよう指示する更新指示フラグを付与する。具体的には、更新部３３６はまず探索ノードリストのｎ番目のノードを取得する。更新部３３６は、ｎ番目のノードが最下層である場合は嗜好タイプｂに紐づくパスを削除するよう指示する更新指示フラグを付与し、最下層でない場合は１つ下の層からｎ番目のノードと紐づくエラーノードリスト内のノードを探索ノードリストに追加する。更新部３３６は、探索ノードリスト内のＮ個のノードについて同様の処理を実施することにより、探索ノードリスト内の最下層ノードを優先して、嗜好タイプｂに紐付くパスを削除する。

（図１５：ステップＳ１５０６）
更新部３３６は、以上の算出結果に基づき、更新指示マトリクスデータ３３５を生成する。

＜実施の形態１：ノード分割＞
図１６は、ステップＳ５０３の詳細を説明するフローチャートである。以下図１６の各ステップについて説明する。

（図１６：ステップＳ１６０１〜Ｓ１６０２）
分割分析部３３３は、関係マトリクスデータ３１１、嗜好タイプ別関係マトリクスデータ３８２、更新版関係マトリクスデータ３５１、更新履歴データ３５２を取得する（Ｓ１６０１）。分割分析部３３３は、併売率マトリクス３４３を算出する（Ｓ１６０２）。ステップＳ１６０２の詳細は図１７で説明する。

（図１６：ステップＳ１６０３）
分割分析部３３３は、嗜好タイプと紐づく商品群に関する購買関連度グラフを生成する。購買関連度グラフは、嗜好タイプグラフ上で紐付けられていないノード間を接続するパスを追加したグラフである。購買関連度グラフを用いることにより、嗜好タイプグラフ上においては関連付けられていないが実際の購買傾向においては関連する可能性のある商品群を結びつけることを図る。本ステップの詳細は図１８で説明する。

（図１６：ステップＳ１６０４）
表示器３６０は、商品併売率の下限閾値と、分割タイプ所属率の上限／下限閾値を取得する。商品併売率の下限閾値は、ある嗜好タイプを分割した場合において、各嗜好タイプと紐づく商品群を抽出する際の判断に用いる閾値である。分割タイプ所属率の上限／下限閾値は、商品群を抽出した後、できる限り更新前の嗜好タイプグラフの構造を維持しつつ嗜好タイプを分割する更新案を決定するために用いる閾値である。これら閾値を取得する画面については図２４で説明する。

（図１６：ステップＳ１６０５）
分割分析部３３３は、ステップＳ１６０３において生成した購買関連度グラフにおける下限閾値以下の併売率を有するエッジを切断することにより、嗜好タイプ別分割候補商品群を抽出する。嗜好タイプ別分割候補商品群は、ある嗜好タイプの購買関連度グラフにおいて一定以上の購買関連度を有する商品群であり、当該嗜好タイプに属する顧客群のうち一部の顧客集合において、購買関連度の高い商品群といえる。すなわち、分割候補商品群と紐づく嗜好タイプを設定することにより、嗜好タイプに属する顧客群が実際に購買する商品群と嗜好タイプによって紐づけられる商品群の一致度がより高い嗜好タイプグラフを設定できると考えられる。

（図１６：ステップＳ１６０６）
分割分析部３３３は、ステップＳ１６０５において抽出した嗜好タイプ別分割候補商品群に基づき、更新指示マトリクスデータ３３５を算出する。本ステップの詳細は図１９で説明する。

（図１６：ステップＳ１６０７〜Ｓ１６０９）
表示器３６０は、更新指示マトリクスデータ３３５の記述にしたがって、嗜好タイプの分割可能性を提示する（Ｓ１６０７）。評価器３３０は、表示器３６０から、分割を検討する嗜好タイプを指定する指示を取得する（Ｓ１６０８）。更新部３３６は、指示された嗜好タイプを分割した嗜好タイプグラフの構造案と嗜好タイプの分割率を抽出する（Ｓ１６０９）。

（図１６：ステップＳ１６１０）
更新部３３６は、ステップＳ１６０９において更新されたノードの特徴を、ステップＳ６０９と同様の手法により抽出する。表示器３６０は、ノード更新案と更新後のノード特徴を提示する。

（図１６：ステップＳ１６１１〜Ｓ１６１２）
表示器３６０は、嗜好タイプグラフを更新する指示を業務担当者から受け取る（Ｓ１６１１）。更新部３３６は、更新版関係マトリクスデータ３５１、更新履歴データ３５２を生成する（Ｓ１６１２）。

図１７は、ステップＳ１６０２の詳細を説明するフローチャートである。分割分析部３３３は、ある嗜好タイプに属する人が購買した商品間の関連傾向を分析することにより、併売率マトリクス３４３を算出する。以下図１７の各ステップについて説明する。

（図１７：ステップＳ１７０１）
分割分析部３３３は、関係マトリクスデータ３１１から嗜好タイプノード１２１と顧客ノード１１１との間の対応関係を取得する。取得した嗜好タイプの個数をＢとする。

（図１７：ステップＳ１７０２）
分割分析部３３３は、購買履歴データ３８１から、各顧客の商品購買値ベクトルを取得する。商品購買値ベクトルの記述方法は先に説明したものと同様である。

（図１７：ステップＳ１７０３）
分割分析部３３３は、嗜好タイプ毎に併売率マトリクスを算出する。具体的には、ある嗜好タイプｂに属する顧客について、２つの商品をいずれも購買している人の人数割合を算出し、これを嗜好タイプｂの併売率マトリクスとして出力する。本ステップにおいて用いる併売率は、２商品間の購買関連度を評価する指標であればよく、必ずしも２つの商品をともに購入した人数に基づき算出する必要はない。例えば、商品Ａと商品Ｂをともに購入する条件付き確率を併売率として用いることもできる。この場合、ある顧客が商品Ａを購入したときの商品Ｂに対する購買確率Ｐ（Ｂ｜Ａ）、商品Ｂを購入したときの商品Ａに対する購買確率Ｐ（Ａ｜Ｂ）をそれぞれ算出し、嗜好タイプｂに属する顧客群のこれら確率の平均値を嗜好タイプｂの併売率として用いる。併売率は０以上１以下の値とする。

（図１７：ステップＳ１７０４）
分割分析部３３３は、全ての嗜好タイプについてステップＳ１７０３を実施し、その結果を併売率マトリクスデータ３４３に格納する。

図１８は、ステップＳ１６０３の詳細を説明するフローチャートである。嗜好タイプグラフ上においては商品ノード１４１間のパスが存在しない（すなわち関連を有しない）場合であっても、購買履歴データ３８１上では同時購入している場合がある。そこで分割分析部３３３は、そのような商品ノード１４１同士を結び付けた購買関連度グラフを本フローチャートによって生成する。購買関連度グラフは、商品ノード１４１間のパスの重みとして当該商品ノード１４１間の購買関連度を有する。以下図１８の各ステップについて説明する。

（図１８：ステップＳ１８０１）
分割分析部３３３は、更新版関係マトリクスデータ３５１と併売率マトリクス３４３を取得する。更新版関係マトリクスデータ３５１における嗜好タイプの個数をＢとする。

（図１８：ステップＳ１８０２）
分割分析部３３３は、嗜好タイプグラフ上において嗜好タイプｂと紐づく商品群について、嗜好タイプｂの併売率を併売率マトリクス３４３から抽出する。

（図１８：ステップＳ１８０３）
分割分析部３３３は、ステップＳ１８０２において抽出した商品群を購買関連度グラフのノードとし、併売率をノード間のパスの重みの初期値として、嗜好タイプｂの購買関連度グラフを生成する。併売率マトリクス３４３が非対称グラフである場合は、向きを有するパスを用いて各重みを表現する。

（図１８：ステップＳ１８０４）
分割分析部３３３は、複数パス間の移動コストはパスの重みの積であるとみなして、各パスの重みが最大となるようにパスの重みを更新する。ノードｎ１とノードｎ２間のパス移動経路をｎ１→ｎ２、ノードｎ３を経由したパス移動経路をｎ１→ｎ３→ｎ２として表現し、経路ｎ１→ｎ２における移動コストをＷ（ｎ１→ｎ２）と表現する。任意のパス移動経路の移動コストは、パス経路の移動コストの積を用いて下記式１のように表される。 Ｗ（ｎ１→ｎ３→ｎ２）＝Ｗ（ｎ１→ｎ３）×Ｗ（ｎ３→ｎ２） （式１）
さらに、ノードｎ１とノードｎ２間の移動コストと、ノードｎ１からｎ２までの移動において経由したノードｍ１〜ｍＭ（Ｍ≦Ｎ）の移動パスのコストは、下記式２を満たす必要がある。Ｎは購買関連度グラフの全ノード数である。
Ｗ（ｎ１→ｎ２）≧Ｗ（ｎ１→ｍ１→・・・→ｍＭ→ｎ２） （式２）
分割分析部３３３は、初期値のパスから出発して、（式１）（式２）を満たす全ノードにおけるＷ（ｎ１→ｎ２）を求める。Ｗ（ｎ１→ｎ２）の初期値は、商品ｎ１に対する商品ｎ２の併売率であり、これは０〜１の範囲であるため、移動経路ｎ１→ｎ２にノードｍを追加した場合の移動コストは必ず下記式３を満たす。分割分析部３３３は、このことを考慮してＷ（ｎ１→ｎ２）が最大となるように重みを更新する。
Ｗ（ｎ１→ｎ２）≧Ｗ（ｎ１→ｎ２→ｍ） （式３）

（図１８：ステップＳ１８０４：補足）
購買関連度グラフの重みを算出する手法は上記に限られない。例えば、数商品の経由のみを考慮しパスを更新してもよい。また、購買関連度グラフの重みを算出するときあらかじめ重みのを決めておき、閾値を下回る重みは全て０とみなすことにより、重みがある程度大きいパスのみを考慮するようにしてもよい。さらには購買関連度グラフの初期値をそのまま採用してもよい。

（図１８：ステップＳ１８０５）
分割分析部３３３は、全ての嗜好タイプｂについて以上のステップを実施し、各嗜好タイプの購買関連度グラフのノード間重みを記録する。

図１９は、ステップＳ１６０６の詳細を説明するフローチャートである。本フローチャートにおいて、更新部３３６は、更新前の嗜好タイプグラフの構造をできる限り維持しつつ嗜好タイプを分割するための更新案を作成する。以下図１９の各ステップについて説明する。

（図１９：ステップＳ１９０１）
更新部３３６は、更新版関係マトリクスデータ３５１を取得する。更新部３３６は、表示器３６０から分割タイプ所属率の上限／下限閾値を取得する。更新部３３６は、嗜好タイプ別分割候補商品群を取得する。更新版関係マトリクスデータ３５１における階層個数をＡ、嗜好タイプ個数をＢとする。

（図１９：ステップＳ１９０２〜Ｓ１９０６：補足）
更新部３３６は、分割タイプ所属率の上限閾値／下限閾値を満たす更新案のうち、できる限り上位層におけるパスの追加・削除のみで嗜好タイプを分割するような更新案を作成する。あるいは、更新処理ステップ数の上限値を定め、その範囲で最も良い分割案を探索してもよい。分割案の良否は、あるノード・パスの追加・削除により着目する嗜好タイプと紐づけられる商品群と、分割候補商品群とを比較し、分割候補商品群に含まれていないが当該嗜好タイプに属している商品数の少なさなどにより評価できる。以下では上位層から順にパスを追加または削除する手法を採用したことを前提として説明する。

（図１９：ステップＳ１９０２）
更新部３３６は、嗜好タイプｂの分割候補商品数Ｍを取得する。更新部３３６は、嗜好タイプｂをＭ−１個複製し、嗜好タイプｂと複製したＭ−１個の嗜好タイプに対してそれぞれ分割候補商品群を割り当てる。

（図１９：ステップＳ１９０３）
更新部３３６は、嗜好タイプｂにポジティブに紐づく下位層ノードを取得し、これを探索ノードリストとする。更新部３３６は、Ｍ個の探索ノードリストを生成する。本ステップにおいて探索対象ノードを全ノードとすることにより、分割候補商品群を好適に分割することができるポジティブノードを追加する案を検討することもできる。

（図１９：ステップＳ１９０４）
更新部３３６は、層ａのノードのうち探索ノードリストｍに記載されているノードを取得し、各ノードの分割タイプ所属率を算出する。分割タイプは、ステップＳ１９０２において複製した各嗜好タイプである。所属率は、購買履歴データ３８１上において各分割候補商品群が各分割嗜好タイプに属する割合などによって算出することができる。探索ノードリストｍは、分割候補商品群ｍに関する探索ノードのリストである。

（図１９：ステップＳ１９０５）
更新部３３６は、ステップＳ１９０４において算出した分割タイプ所属率が上限閾値以上であれば、そのノードと嗜好タイプｍとの間の関係フラグは更新しない旨の更新指示フラグを付与し、そのノードと紐づく下位層ノードを探索ノードリストｍから削除する。分割タイプ所属率が下限閾値以下であれば、そのノードと嗜好タイプｍとの間のパスを削除する旨の更新指示フラグを付与し、そのノードと紐づく下位層ノードを探索ノードリストｍから削除する。

（図１９：ステップＳ１９０５：補足）
更新部３３６は、分割候補商品群が分割嗜好タイプに所属する率が上限閾値以上である場合は、そのノードよりも下位層のノードについては嗜好タイプグラフを更新しない。すなわち上位層から優先して嗜好タイプグラフを更新する。これにより、更新前後の差異を少なくしつつ、嗜好タイプを好適に分割することができる。

（図１９：ステップＳ１９０６）
更新部３３６は、以上のステップの算出結果に基づき、更新指示マトリクスデータ３３５を生成する。例えば嗜好タイプ層１２０の各ノードに対応する行において、複製した嗜好タイプノード１２１に属するノードＩＤを記述した行を追加し、これら新しい嗜好タイプノード１２１に対する他層のノードの関係フラグを指定する更新指示フラグを追加行に記載する。

＜実施の形態１：ノード統合＞
図２０は、ステップＳ５０４の詳細を説明するフローチャートである。統合分析部３３４は、嗜好タイプノード１２１間の類似度を評価し、統合可能性を提案する。嗜好タイプノード１２１間の類似度としては、各嗜好タイプノード１２１と紐づく顧客ノード１１１の一致度、各嗜好タイプノード１２１に属する商品ノード１４１の一致度、嗜好タイプを統合した後の商品ノード１４１群に対する購買傾向の一致度、などが考えられる。図２０においては、購買傾向の一致度を評価する例を示す。以下図２０の各ステップについて説明する。

（図２０：ステップＳ２００１〜Ｓ２００２）
統合分析部３３４は、関係マトリクスデータ３１１、商品一致度ベクトル３４１、更新版関係マトリクスデータ３５１（嗜好タイプ個数Ｂ）、更新履歴データ３５２を取得する（Ｓ２００１）。表示器３６０は、購買傾向一致度の閾値を取得する（Ｓ２００２）。購買傾向一致度の閾値を指定する画面については図２５で説明する。

（図２０：ステップＳ２００３）
統合分析部３３４は、嗜好タイプｂ０、ｂ１それぞれの顧客群について、嗜好タイプｂ０と嗜好タイプｂ１に紐づく商品に関する商品一致度ベクトルを比較し、購買傾向一致度を算出する。例えば、嗜好タイプｂ０の商品一致度ベクトルと嗜好タイプｂ１の商品一致度ベクトルとの間の相関係数を購買傾向一致度とすることができる。

（図２０：ステップＳ２００４）
統合分析部３３４は、ステップＳ２００３において算出した購買傾向一致度と、ステップＳ２００２において取得した購買傾向一致度閾値を比較し、統合候補ノードペアを抽出する。購買傾向一致度が閾値以上であるノードペアは、統合候補とすることができる。

（図２０：ステップＳ２００５〜Ｓ２００８）
統合分析部３３４は、ステップＳ２００４において抽出した統合候補ノードペアに基づき、更新指示マトリクスデータ３３５を生成する（Ｓ２００５）。表示器３６０は、更新指示マトリクスデータ３３５の記述にしたがって嗜好タイプノード１２１の統合案を提示する（Ｓ２００６）。表示器３６０は、嗜好タイプの統合指示を取得する（Ｓ２００７）。更新部３３６は、指示にしたがって更新版関係マトリクスデータ３５１と更新履歴データ３５２を更新する（Ｓ２００８）。

＜実施の形態１：更新後ノードの特徴＞
図２１は、更新器３７０が更新後特徴リスト３８３を生成する処理を説明するフローチャートである。更新器３７０は、評価器３３０が出力した更新パラメータ３５０と、表示器３６０が取得した更新指示データ３０３を入力として更新後特徴リスト３８３を生成し、表示器３６０を介して更新後の嗜好タイプグラフと更新後特徴リスト３８３を提示する。更新器３７０は、業務担当者から更新後の嗜好タイプグラフの各ノード名を受け取り、最終的に設計データ３１０を更新する。更新後特徴リスト３８３は、更新後の嗜好タイプグラフの各ノードの特徴が記載されたリストである。以下図２１の各ステップについて説明する。

（図２１：ステップＳ２１０１〜Ｓ２１０３）
更新器３７０は、ＡＮＤペアリスト３１２、関係マトリクスデータ３１１、更新版関係マトリクスデータ３５１（階層数Ａ）、更新履歴データ３５２を取得する（Ｓ２１０１）。更新器３７０は、更新版関係マトリクスデータ３５１から層ａにおけるノード数Ｎを取得する（Ｓ２１０２）。更新器３７０は、更新履歴データ３５２から、ノードｎと対応する同一層の更新前ノードＩＤを取得する（Ｓ２１０３）。

（図２１：ステップＳ２１０４）
ノードｎと対応する更新前ノードＩＤが存在しない場合、更新器３７０はノードｎに紐づいている１つ下の層のノードからノードｎの特徴を抽出し、これをノードｎの特徴として記憶する。

（図２１：ステップＳ２１０５）
ノードｎと対応する更新前ノードＩＤが存在する場合、更新器３７０は更新前ノードＩＤとノードｎの関係フラグを比較することにより、更新前ノードＩＤとの間で共通する更新後ノードＩＤ／追加された更新後ノードＩＤ／削除された更新後ノードＩＤをそれぞれ取得し、これら更新後ノードＩＤの特徴をノードｎの特徴として記憶する。

（図２１：ステップＳ２１０６）
更新器３７０は、更新前後のノードそれぞれに属する商品ノード１４１群を抽出する。更新器３７０は、更新前ノードＩＤに属する商品ノード１４１の個数に対する、更新後ノードＩＤに属する商品ノード１４１の個数の増加率を算出し、これを商品規模として記憶する。

（図２１：ステップＳ２１０７）
更新器３７０は、嗜好タイプ別関係マトリクスデータ３８２で抽出可能な範囲において、ノード削除・統合にともなう顧客ノード１１１の増加率を算出し、推定顧客規模として記憶する。

（図２１：ステップＳ２１０８）
更新器３７０は、以上のステップの結果に基づき更新後特徴リスト３８３を生成する。更新後特徴リスト３８３の具体例は図２２で説明する。

図２２は、更新後特徴リスト３８３の例を示す図である。新ノード３８３１と旧ノード３８３２は、更新前後のノードＩＤを保持する。更新有無フラグ３８３３は、当該ノードが更新されたか否かを示すフラグである。共通特徴ノードＩＤ３８３４、追加特徴ノードＩＤ３８３５、削除特徴ノードＩＤ３８３６はそれぞれ、更新前後ノード間で共通する特徴を有するノードＩＤ、更新前後ノード間で追加された特徴を有するノードＩＤ、更新前後ノード間で削除された特徴を有するノードＩＤである。商品数変化率３８３７は、更新前ノードに紐付く商品ノード１４１の個数に対する、更新後ノードに紐づく商品ノード１４１の個数の変化率である。更新前ノードが複数存在する場合、それぞれの更新前ノードに対する変化率が記録される。推定客数変化率３８３８は、当該ノードに属する推定客数の変化率である。ある嗜好タイプと紐づく商品ノード１４１群が変化すると、当該嗜好タイプに属する推定顧客も変化すると考えられるので、更新前後に係る変化率を本フィールドに記録する。顧客ノード１１１と嗜好タイプノード１２１との間の正確なパスは、嗜好タイプ推定器３２０により推定される。

更新後特徴リスト３８３を生成するステップＳ２１０８において、嗜好タイプ推定器３２０は更新後の嗜好タイプグラフにおける推定顧客数を算出してもよいし、更新前の嗜好タイプグラフにおける顧客数に基づき更新後の嗜好タイプグラフにおける顧客数の推定値を算出してもよい。例えば、ある嗜好タイプノード１２１と商品属性ノード１３１間のパスが削除された場合、その嗜好タイプノード１２１に属する顧客ノード１１１のうち、パスが削除された商品属性ノード１３１にだけ属していた顧客ノード１１１とその嗜好タイプノード１２１との間の対応関係も削除される可能性が高い。このことから、削除される顧客ノード１１１数を推定することができる。

図２３は、表示器３６０が提示する一致度設定画面２３００の画面構成例である。一致度設定画面２３００は、ステップＳ５０１〜Ｓ５０２において業務担当者が顧客分析装置３００に対する指示を入力する画面である。タブ２３０１は一致度設定画面２３００を表示するための選択タブであり、業務担当者がタブ２３０１をクリックすると一致度設定画面２３００が表示される。その他タブについては図２４〜図２５で説明する。

チェックボックス２３０２は、商品一致度に基づき嗜好タイプグラフを評価するステップＳ５０１を実施するか否かを選択するチェックボックスである。チェックボックス２３０３は、顧客一致度に基づき嗜好タイプグラフを評価するステップＳ５０２を実施するか否かを選択するチェックボックスである。評価器３３０は、これらチェックボックスによって選択されたステップ（双方選択してもよい）を実施する。閾値指定欄２３０４は、閾値を指定する欄である。図２３においてはチェックボックス２３０２のみが選択されているためステップＳ９０２における商品一致度閾値を指定するスライダーバーのみが表示されているが、チェックボックス２３０３が選択された場合はステップＳ１３０３における顧客一致度閾値を指定するスライダーバーも表示される。

評価結果サマリ２３０５は、上記チェックボックスによって選択されたステップによる嗜好タイプグラフの評価結果のサマリを提示する。嗜好タイプ２３０７は、評価した嗜好タイプノード１２１を示す。商品数２３０８は、更新前の嗜好タイプ２３０７に紐付く商品数である。推定客数２３０９は、更新前の嗜好タイプ２３０７に属すると推定される客数である。推定購買率２３１０は、嗜好タイプ２３０７の更新案の評価指標であり、嗜好タイプグラフ上において嗜好タイプ２３０７に紐付く商品ノード１４１のうち購買履歴データ３８１上において購買されやすいと判断されたものの割合である。推定購買率２３１０は、商品一致度ベクトル３４１または顧客一致度リスト３４２から算出できる。更新案２３１１は、嗜好タイプグラフの更新案のサマリである。見直し推奨フラグ２３０６は、嗜好タイプ２３０７の評価指標が低い場合にその見直しをするよう示唆する。提示する情報はこれに限られるものではなく、例えば商品数２３０８としてポジティブパスで紐づく商品個数のみを提示してもよい。

パス更新案２３１２は、上記チェックボックスによって選択されたステップによる嗜好タイプグラフの更新案を提示する。ここでは見直し推奨フラグ２３０６が見直しするよう示唆する嗜好タイプ「セール好き」についての更新案を提示している。嗜好タイプグラフ２３１３は当該嗜好タイプのグラフを示し、更新前に当該嗜好タイプと紐づくノードとパスは実線で表示され、更新後に追加されるノードとパスは点線で表示される。チェックボックス２３１４は、追加するよう提案されているノードを実際に追加するよう顧客分析装置３００に対して指示する入力欄である。チェックボックス２３１５は、削除するよう提案されているノードを実際に削除するよう顧客分析装置３００に対して指示する入力欄である。商品特徴２３１６は、削除候補商品群に共通した特徴である。リンク２３１７は詳細な商品リストを提示画面へ遷移するリンクである。商品数２３１８、推定客数２３１９、推定購買率２３２０は、ノード更新後のこれらの推定値を示す。更新ボタン２３２１は、パス更新案２３１２を確定するボタンである。更新しないボタン２３２２はパス更新案２３１２を採用しない旨を入力するボタンである。

図２４は、表示器３６０が提示する分割設定画面２４００の画面構成例である。分割設定画面２４００は、ステップＳ５０３において業務担当者が顧客分析装置３００に対する指示を入力する画面である。タブ２４０１は分割設定画面２４００を表示するための選択タブであり、業務担当者がタブ２４０１をクリックすると分割設定画面２４００が表示される。

閾値設定欄２４０２は、ステップＳ１６０４における商品併売率の下限閾値を指定する欄である。商品併売率の下限閾値が低いと、同一顧客による商品間の購買関連度があまり高くない場合でもそれら商品が同じ嗜好タイプに紐づくため、下限閾値が高い場合と比べると抽出される分割候補商品群の個数は少なくなりやすい。

評価結果サマリ２４０３は、嗜好タイプグラフの評価結果を提示する。見直し推奨フラグ〜推定購買率までは、図２３の評価結果サマリ２３０５と同様の項目である。分割候補商品群２４０４は、ステップＳ５０３による嗜好タイプグラフの分割案であり、分割候補商品群の個数を提示する。分割評価値２４０５は、分割候補商品群２４０４に基づき嗜好タイプを分割した場合における各嗜好タイプの確からしさに関する指標である。ここでは、嗜好タイプを分割した後の購買関連度グラフにおける各ノード間のパスの重みの平均値を分割評価値２４０５として提示している。分割評価値２４０５が高いほうが、分割候補商品群２４０４に対応する嗜好タイプにより顧客ノード１１１と商品ノード１４１をより適切に分類できていると想定される。

閾値指定欄２４０６は、ステップＳ１６０４における分割タイプ所属率の上限閾値／下限閾値を指定する欄である。分割グラフ２４０７は、評価結果サマリ２４０３の見直し推奨フラグが見直しするよう示唆する嗜好タイプ「安全性重視」についてノード分割案を提示している。図２４においては、嗜好タイプノード「安全性重視」の分割にともなって商品属性ノード２４０８を分割する更新案が提示されている。分割グラフ２４０７は、分割後ノードとできる限り紐付けられたノード群およびパスを提示する。商品特徴２４０９は、分割後ノードの特徴として、下位層の商品ノード１４１群の特徴を提示する。

購買関連度グラフ２４１０は、図１８のフローチャートにおいて生成する購買関連度グラフの分割イメージである。点線２４１１は、分割案によって分割される商品群の商品空間上における分割境界を示す。購買関連度グラフ２４１０は、商品ノード１４１間のネットワークにおけるパスのつながりによって表現しており、分割グラフ２４０７と比較することにより、更新案の良さを視覚的に把握できる。

特徴２４１２は、分割後の嗜好タイプと紐づく商品群の特徴である。タイプ再現率２４１３は、分割候補商品群２４０４に基づき嗜好タイプを分割した場合における各嗜好タイプの評価値であり、分割候補商品群と実際の分割結果において一致しない商品群の割合を示す。図２４に示す例においては、−４％は分割候補商品群に存在するが実際の分割時に存在しなくなる商品の割合を示し、＋１％は分割候補商品群に存在しないが実際の分割時に存在する商品の割合を示す。同テーブル内のその他項目は評価結果サマリ２４０３内の対応する各項目と同様のものである。

図２４においては見易さのため省略したが、分割設定画面２４００も図２３と同様の更新ボタンと更新しないボタンを備える。図２３と同様に、ノード・パスごとに更新するか否か選択できるようにしてもよい。

図２５は、表示器３６０が提示する統合設定画面２５００の画面構成例である。統合設定画面２５００は、ステップＳ５０４において業務担当者が顧客分析装置３００に対する指示を入力する画面である。タブ２５０１は統合設定画面２５００を表示するための選択タブであり、業務担当者がタブ２５０１をクリックすると統合設定画面２５００が表示される。

閾値設定欄２５０２は、ステップＳ２２０２における購買傾向一致度の閾値を指定する欄である。評価結果サマリは、嗜好タイプグラフの評価結果を提示する。見直し推奨フラグ〜推定購買率までは、図２３の評価結果サマリ２３０５と同様の項目である。統合候補２５０３は、ステップＳ５０４による嗜好タイプグラフの統合案である。購買傾向一致度２５０４は、統合結果の確からしさの指標である。

顧客重複度欄２５０５は、統合提案されている各嗜好タイプに属する顧客群の重複度を提示する。図２５に示すように、嗜好タイプ間で重複する顧客ノードの割合を提示してもよいし、顧客空間上における重なり具合を視覚的に提示してもよい。購買商品重複度欄２５０６は、商品空間上で、例えば購買関連度グラフにおける商品ノード間の重複度を図示する。この他、図２３の評価結果サマリ２３０５と同様の情報を提示してもよい。図２５においては、見直し推奨フラグが統合を示唆する嗜好タイプ「流行好き」「ネット口コミ重視派」についてノード統合案を提示している。図２５においては見直し推奨されている統合パターンのうち１つのみ画面表示しているが、見直し推奨されている全ての統合パターンについてまとめて画面表示してもよい。

ＯＲ統合ボタン２５０７は、各嗜好タイプをＯＲ関係で統合するよう顧客分析装置３００に対して指示する。ＡＮＤ統合ボタン２５０８は、各嗜好タイプをＡＮＤ関係で統合するよう顧客分析装置３００に対して指示する。更新しないボタン２５０９は、統合をキャンセルする。新規嗜好タイプボタン２５１０は、各嗜好タイプを統合した新たな嗜好タイプを生成するよう顧客分析装置３００に対して指示する。

図２６は、表示器３６０が更新後特徴リスト３８３に基づく嗜好タイプの更新結果を表示する更新結果画面２６００の画面構成例である。ここでは嗜好タイプ層１２０に関する更新前後の構造変化を提示している。旧嗜好タイプ２６０１と新嗜好タイプ２６０２は、それぞれ更新前後の各嗜好タイプの名称である。特徴欄２６０３は、新嗜好タイプに関するタイプ特徴、推定購買率、顧客一致度を提示する。推定購買率と顧客一致度は嗜好タイプの確からしさの指標である。業務担当者は、タイプ特徴が提示する情報を踏まえて、新しい嗜好タイプを説明するための適切な名称を入力受付部２６０４に入力する。更新確定ボタン２６０５が押下されると、更新器３７０は設計データ３１０を更新する。

図２７は、表示器３６０が提示する時系列画面２７００の画面構成例である。時系列画面２７００は、期間を区切って購買履歴データ３８１を分析し、嗜好タイプグラフに関する評価指標の時系列的な推移を分析した結果を提示する画面である。

分析条件入力部２７０１は、分析において用いる指標を選択する欄である。更新提案サマリ２７０２は、時系列的な評価指標の変化に基づく嗜好タイプグラフの更新案を提示する。嗜好タイプ２７０３は、更新提案する嗜好タイプ名である。ピックアップ特徴２７０４は、更新提案の根拠となった評価指標の傾向を示す。図２７は、複数嗜好タイプ間の購買傾向一致度に関する特徴的な傾向を分析条件としており、成人病予防派とダイエット派との間の購買傾向一致度が高かったことを示している。選択肢２７０５は、取りうる選択肢の候補を提案する。実行ボタン２７０６が押下されると、更新器３７０は選択肢２７０５において選択された更新内容を実行する。

時系列グラフ２７０７は、各嗜好タイプの顧客人数の時系列推移を示すグラフであり、嗜好タイプ２７０３（成人病予防派）の顧客人数が減少している傾向を示している。時系列表２７０８は、ダイエット派‐成人病予防派の購買傾向一致度の時系列推移を示している。図２７においては時間経過とともに購買傾向一致度が増加している傾向が示されており、これによりダイエット派・成人病予防派を統合する可能性が示唆される。

＜実施の形態１：まとめ＞
以上のように、本実施形態１に係る顧客分析装置３００は、業務担当者が設計した購買嗜好タイプ（購買の心理要因に関する概念）を、より実際の商品購買履歴に近づけるような嗜好タイプグラフを提案することができる。その結果、顧客の嗜好タイプ設計におけるトライ＆エラーを削減することができ、さらには経時変化にともなう購買嗜好タイプの概念変化にも対応することができる。

＜実施の形態２＞
図２８は、本発明の実施形態２に係る顧客分析システム１０００の構成図である。顧客分析システム１０００は、嗜好タイプを設計することを支援するシステムであり、実施形態１で説明した顧客分析装置３００、１以上の店舗サーバ１１００、商品レコメンドサーバ１２００、本部業務サーバ１３００を備える。これら装置はネットワーク１４００によって接続されている。

店舗サーバ１１００は、保有する購買履歴（購買履歴データ３８１）を顧客分析装置３００に送信し、顧客分析装置３００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、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店舗サーバ利用者に提供する。商品レコメンドサーバ１２００は、顧客分析装置３００による分析結果から個人毎のレコメンド商品・適切なレコメンドメッセージなどを取得し、個人毎の商品レコメンドを作成する。本部業務サーバ１３００は、顧客分析装置３００による分析結果をＣＲＭ業務や新商品開発業務などの小売り関連業務に活用するサーバである。例えば、各嗜好タイプの人数規模や、デモグラフィック属性との関係性などを分析結果として提示し、新商品開発のコンセプト検討を支援する、などといった活用方法が考えられる。

図２９は、顧客分析装置３００による分析結果に基づき決定した商品レコメンド施策を記述するレコメンドマトリクス２９００の例である。レコメンドマトリクス２９００は、店舗サーバ１１００、商品レコメンドサーバ１２００、本部業務サーバ１３００のいずれかが生成することができる。後述する図３０〜図３１において示す情報および画面についても同様である。

顧客２９０１は、各顧客のＩＤである。嗜好タイプ２９０２は、顧客２９０１の属する嗜好タイプである。推奨商品２９０３は、顧客２９０１の属する嗜好タイプに紐づく商品である。推奨配信タイミング２９０４は、例えば顧客ＩＤと紐づいた購買時刻やＷｅｂサイト閲覧時刻に関する嗜好タイプグラフを設計し、それに基づいて抽出する。アピールポイントベクトル２９０５は、推奨商品２９０３の商品特徴を、顧客２９０１が属する嗜好タイプノード１２１と商品属性ノード１３１間のパスと掛け合わることにより算出されるベクトルである。この際、顧客一致度などの指標を各顧客２９０１の嗜好タイプに対する寄与度であると解釈し、寄与度に応じてアピールポイントベクトル２９０５を算出することもできる。メッセージ２９０６は、アピールポイントベクトル２９０５の重みを基に生成するメッセージである。購買確度２９０７は、顧客２９０１が紐づく嗜好タイプに属する商品群に対する併売率マトリクス３４３と、顧客２９０１の過去の購買傾向とに基づき、当該嗜好タイプに属する商品の購買されやすさを推定した指標値である。購買確度２９０７を用いることにより、嗜好タイプグラフのみを用いて商品レコメンド施策を作成するよりも訴求力の高い商品を抽出することができると考えられる。

図３０は、顧客分析装置３００による分析結果に基づき決定した商品レコメンド施策に対する顧客の反応を業務担当者が分析する際に用いるレコメンド反応分析画面３０００の画面構成例である。レコメンド成功率３００１は、グラフ横軸に示す販売施策に対するレコメンド成功率を顧客の嗜好タイプ別に算出した結果を示すグラフである。レコメンド成功率人数分布３００２は、レコメンド成功率の人数分布を示すグラフであり、横軸は顧客毎のレコメンド成功率、縦軸は人数割合である。レコメンド成功率人数分布３００２によれば、安全性重視タイプの成功率が２極化していることが分かるので、その旨を示すメッセージ３００３を提示している。ボタン３００４は、嗜好タイプの設計画面へ移行するためのボタンである。ボタン３００５は、嗜好タイプを更新せずに個別レコメンド施策を抽出する処理に移行するためのボタンである。業務担当者は図３０に示す分析結果を受けて、嗜好タイプにあわせた適切なレコメンド関連施策を検討したり、レコメンド成功率を高めるレコメンド推奨商品を抽出できるように嗜好タイプを再設計したりする。

図３１は、顧客分析装置３００による分析結果に基づき店舗における陳列商品の種類と棚上配置を業務担当者が検討する際に用いる陳列検討画面３１００の画面構成例である。分析結果３１０１は、当該店舗における商品（図３１においては食用油）に関する棚割を検討するための分析結果を提示する。分析結果としては、当該商品を購入する嗜好タイプ３１０２、嗜好タイプ３１０２の客数規模３１０３、嗜好タイプ３１０２の売上貢献度３１０４、嗜好タイプ３１０２が購買した商品のキーワード３１０５、嗜好タイプ３１０２が購入した主要商品名３１０６、効果的な販促施策３１０７などが挙げられる。

顧客群重複度３１０８は、当該商品（図３１においては食用油）を購買した者の嗜好タイプ間の顧客群重複度である。例えば、顧客空間における嗜好タイプの顧客群集合の重なりを用いることができる。リンク３１０９は、嗜好グラフの再設計画面への遷移リンクであり、より細かい嗜好タイプについて把握したい場合や、店舗特有の嗜好タイプを設計したい場合などに利用する。予想購買率３１１１は、選択肢３１１０で選択した商品の嗜好タイプ別の予想購買率である。棚配置３１１２は、当該店舗における棚配置図である。業務担当者が領域３１１３を選択して配置する商品を設定すると、嗜好タイプ別の来店者分布を考慮して売上予測３１１４が実施される。陳列確定ボタン３１１５をクリックすると現在表示している陳列が確定される。

＜本発明の変形例について＞
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。

嗜好タイプグラフの更新案を生成する手法は、上記だけに限らない。例えば、購買傾向の類似した顧客群をクラスタリングで抽出することにより、新たな嗜好タイプの追加案を生成してもよい。また、顧客のデモグラフィック情報などを基に生成した顧客グループにおいて購買されやすい商品群を抽出するなどして、任意の顧客群とその顧客群に対応する商品群を抽出した後に、顧客群と商品群との間の対応関係を説明できる嗜好タイプ層１２０、商品属性層１３０のノード間のパス追加案を生成してもよい。

本発明のシステム構成は、図２８に限らない。例えば業務活用範囲に応じて店舗サーバ１１００と顧客分析装置３００のみがネットワーク１４００に接続する構成、店舗サーバ１１００が嗜好タイプ設計と個人毎のタイプ推定を実施する構成、などが考えられる。顧客分析装置３００が備える各機能部は必ずしも同一機器内に設ける必要はなく、複数機器にまたがってこれら機能部を設けて互いに通信することにより図３と同様の機能ブロックを実現することもできる。

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。

３００：顧客分析装置、３０１：初期設計データ、３１０：設計データ、３２０：嗜好タイプ推定器、３３０：評価器、３３１：商品一致度分析部、３３２：顧客一致度分析部、３３３：分割分析部、３３４：統合分析部、３３５：更新指示データ、３３６：更新部、３４１：商品一致度ベクトル、３４２：顧客一致度リスト、３４３：併売率マトリクスデータ、３５０：更新パラメータ、３６０：表示器、３７０：更新器、３８１：購買履歴データ、１０００：顧客分析システム。

Claims (16)

1. 業務担当者が嗜好タイプを設計することを支援する支援システムであって、
   前記支援システムは、評価部と、表示部と、を備え、
   前記評価部は、顧客が商品を購買した履歴を記述した購買履歴データから生成された前記顧客の購買嗜好タイプおよび前記商品の商品属性について、前記購買嗜好タイプと前記商品属性の対応関係を示す嗜好タイプ対応関係情報を生成し、
   前記評価部は、前記嗜好タイプ対応関係情報および前記購買履歴データから生成される評価指標に基づいて、前記購買嗜好タイプの更新案を、前記表示部に表示させる
   ことを特徴とする支援システム。
2. 請求項１において、前記支援システムはさらに、
   前記顧客の商品購買履歴を記述した購買履歴データを格納する購買履歴記憶部、
   前記顧客、前記顧客の購買嗜好タイプ、および前記購買嗜好タイプを有する前記顧客が購入した商品の間の対応関係を表す嗜好タイプ対応関係を記述した関係マトリクスデータを格納する関係マトリクスデータ記憶部、
   を備え、
   前記評価部は、前記関係マトリクスデータが記述している前記嗜好タイプ対応関係を評価してその評価結果を出力し、
   前記評価部は、前記関係マトリクスデータが記述している前記購買嗜好タイプと前記商品との間の対応関係が、前記購買履歴データが記述している前記顧客と前記商品購買履歴との間の対応関係と、どの程度一致しているかを示す一致度を算出することにより、前記嗜好タイプ対応関係が前記顧客の購買嗜好タイプをどの程度正しく記述しているかを評価する
   ことを特徴とする支援システム。
3. 請求項２において、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられている１以上の前記顧客の商品購買履歴を前記購買履歴データから取得し、
   その取得した商品購買履歴を前記購買嗜好タイプ毎に集計することにより、各前記購買嗜好タイプに属する１以上の前記顧客が前記商品を購入する傾向を数値化した第１購買傾向ベクトルを算出し、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられていない前記顧客の商品購買履歴と前記第１購買傾向ベクトルとを比較することにより前記一致度を算出する
   ことを特徴とする支援システム。
4. 請求項３において、
   前記第１購買傾向ベクトルは、前記購買嗜好タイプに属する前記顧客が前記商品を購入する傾向にあるか否かを示す要素値によって記述されており、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられていない１以上の前記顧客の商品購買履歴を前記購買履歴データから取得し、その取得した商品購買履歴を集計することにより、各前記購買嗜好タイプに属さない１以上の前記顧客が前記商品を購入する傾向を数値化した購買基準値を算出し、
   前記要素値が前記購買基準値以上であれば、前記第１購買傾向ベクトルを算出する際に集計した前記購買嗜好タイプと前記顧客は対応している旨を示す前記一致度を出力する ことを特徴とする支援システム。
5. 請求項２において、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられている１以上の前記顧客の商品購買履歴を前記購買履歴データから取得し、
   その取得した商品購買履歴を前記購買嗜好タイプ毎に集計することにより、前記購買嗜好タイプに属する前記顧客が前記商品を購入する傾向を数値化した第２購買傾向ベクトルを前記顧客ごとに算出するとともに各前記顧客の前記第２購買傾向ベクトルの平均ベクトルを算出し、
   前記購買嗜好タイプに属する各前記顧客の前記第２購買傾向ベクトルと前記第２購買傾向ベクトルの平均ベクトルとの間の距離が所定距離以上である前記顧客については、前記購買嗜好タイプと前記顧客が対応していない旨を示す前記一致度を出力する
   ことを特徴とする支援システム。
6. 請求項５において、
   前記嗜好タイプ対応関係は、
   １以上の前記商品をその属性にしたがって集約した商品属性タイプと前記購買嗜好タイプとの間の対応関係を記述しており、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記商品属性タイプに対応付けられているとともに前記購買嗜好タイプに対応付けられている１以上の前記顧客の商品購買履歴を前記購買履歴データから取得し、
   その取得した商品購買履歴を前記購買嗜好タイプ毎に集計することにより、前記購買嗜好タイプに属する前記顧客が前記商品属性タイプに属する前記商品を購入する傾向を数値化した第３購買傾向ベクトルを前記顧客ごとに算出するとともに各前記顧客の前記第３購買傾向ベクトルの平均ベクトルを算出し、
   前記購買嗜好タイプに属する各前記顧客の前記第３購買傾向ベクトルと前記第３購買傾向ベクトルの平均ベクトルとの間の距離が所定距離以上である前記顧客については、前記購買嗜好タイプと前記顧客が対応していない旨を示す前記一致度を出力する
   ことを特徴とする支援システム。
7. 請求項２において、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられている１以上の前記顧客の商品購買履歴を前記購買履歴データから取得し、
   その取得した商品購買履歴に基づき、前記購買嗜好タイプに属する前記顧客がいずれかの前記商品を購買したとき他の前記商品も購買する確率を表す併売率を算出し、
   前記併売率が所定の併売率閾値以下である前記購買嗜好タイプを分割すべきである旨を示唆する分割提案データを出力する
   ことを特徴とする支援システム。
8. 請求項７において、
   前記評価部は、
   前記嗜好タイプ対応関係上において前記購買嗜好タイプと対応付けられている２以上の前記商品が同一の前記顧客によって購買される確率が最も高い２以上の前記商品が前記嗜好タイプ対応関係上で対応付けられるように前記嗜好タイプ対応関係を更新し、更新した前記嗜好タイプ対応関係に基づき前記併売率を算出する
   ことを特徴とする支援システム。
9. 請求項２において、
   前記評価部は、
   前記嗜好タイプ対応関係上において第１の前記購買嗜好タイプに対応付けられている１以上の前記顧客の商品購買履歴と、前記嗜好タイプ対応関係上において第２の前記購買嗜好タイプに対応付けられている１以上の前記顧客の商品購買履歴とを、前記購買履歴データから取得し、
   その取得した商品購買履歴を前記購買嗜好タイプ毎に集計することにより、前記購買嗜好タイプに属する前記顧客が前記商品を購入する傾向を数値化した第４購買傾向ベクトルを前記購買嗜好タイプ毎に算出し、
   前記第１の購買嗜好タイプについて算出した前記第４購買傾向ベクトルと、前記第２の購買嗜好タイプについて算出した前記第４購買傾向ベクトルとの間の距離が所定の統合閾値以下である場合は、前記第１の購買嗜好タイプと前記第２の購買嗜好タイプを統合すべきである旨を示唆する統合提案データを出力する
   ことを特徴とする支援システム。
10. 請求項２において、
    前記嗜好タイプ対応関係は、
    １以上の前記商品をその属性にしたがって集約した商品属性タイプと前記購買嗜好タイプとの間の対応関係を記述しており、
    前記支援システムは、
    前記評価部による評価結果に基づき前記一致度がより高くなるように前記嗜好タイプ対応関係を更新する更新器を備え、
    前記更新器は、
    前記顧客と前記購買嗜好タイプとの間の対応関係、前記購買嗜好タイプと前記商品属性タイプとの間の対応関係、前記商品属性タイプと前記商品との間の対応関係、の順に前記嗜好タイプ対応関係を更新する
    ことを特徴とする支援システム。
11. 請求項２において、
    前記嗜好タイプ対応関係は、
    前記購買嗜好タイプの特徴を示す購買嗜好タイプ特徴、および前記商品の特徴を示す商品特徴を記述しており、
    前記支援システムは、
    前記評価部による評価結果に基づき前記一致度がより高くなるように前記嗜好タイプ対応関係を更新する更新器を備え、
    前記更新器は、
    前記顧客と前記購買嗜好タイプとの間の対応関係を更新する際には、更新前の対応関係において前記購買嗜好タイプと対応付けられていた前記商品の前記商品特徴を取得し、その取得した前記商品特徴を、更新後の前記購買嗜好タイプの特徴として用いる
    ことを特徴とする支援システム。
12. 請求項２において、
    前記支援システムは、
    前記評価部による評価結果に基づき前記一致度がより高くなるように前記嗜好タイプ対応関係を更新する更新器を備え、
    前記更新器は、
    更新後の前記購買嗜好タイプに属する前記商品の個数、または更新後の前記購買嗜好タイプに属する前記顧客の人数、の少なくともいずれかを算出してその算出結果を出力する
    ことを特徴とする支援システム。
13. 請求項２において、
    前記支援システムは、
    前記評価部による評価結果に基づき前記一致度がより高くなるように前記嗜好タイプ対応関係を更新する更新器を備え、
    前記評価部は、
    前記更新器が更新した前記嗜好タイプ対応関係について所定期間毎に前記一致度を算出し、その結果を出力する
    ことを特徴とする支援システム。
14. 請求項２において、
    前記表示部は、前記嗜好タイプ対応関係および前記評価部による評価結果を画面表示し、
    前記支援システムは、前記表示部が画面表示している前記嗜好タイプ対応関係を更新するよう指示する更新指示を受け取りその更新指示に応じて前記嗜好タイプ対応関係を更新する更新器を備え、
    ことを特徴とする支援システム。
15. 請求項２において、
    前記支援システムは、
    前記評価部による評価結果に基づき前記一致度がより高くなるように前記嗜好タイプ対応関係を更新する更新器を備え、
    前記更新器は、
    前記嗜好タイプ対応関係を更新する際の更新履歴を記述した更新履歴データを記憶装置に格納する
    ことを特徴とする支援システム。
16. 請求項２において、
    前記支援システムは、
    前記購買嗜好タイプに属する前記商品を前記購買嗜好タイプに属する前記顧客が購買することを促進する情報を記述したメッセージを出力する
    ことを特徴とする支援システム。

Images