JP6645023B2 - 情報管理システム、情報管理方法及びプログラム - Google Patents

Description

本発明は、情報管理システム、情報管理方法及びプログラムに関する。

コンピュータシステムにおいて動体を特定する手法が提案されている。例えば、特許文献１から特許文献４において、店舗における顧客を特定する手法を開示している。

特許文献１は、顧客の顔画像と、商品の購入ニーズを紐付けて格納した顧客情報を保持している。そして顧客が来店すると、来店した顧客の顔画像の認証を行うことで顧客を特定し、顧客の顔画像と紐付けられた購買ニーズがある売り場へ接客に必要な情報を提供する技術を開示している。

また、本発明に関連する技術として、特許文献２は、顧客が来店すると、携帯端末から顧客情報を取得することで顧客を特定し、撮像された顧客の映像から顧客を特定し、顧客が関心を有する商品の情報である関心情報と紐付けて格納するとともに、再度来店した時に以前来店した時の関心情報を出力する技術を開示している。

特許文献３は、顧客が来店すると、顧客の顔画像を基に顧客と顧客情報を特定し、紐付けられた過去のオーダーメニューに加え、顧客のグループ構成も考慮したメニュー選定支援を行う技術を開示している。

特許文献４は、顧客が来店すると、顧客の顔を認識することで顧客を特定し、顧客が過去に来店した童顔のリピータかどうかを特定する技術を開示している。

特開２００５−２５０７４５号公報 特開２００９−００３７０１号公報 特開２００８−２６２４３５号公報 特開２００５−２５０７４５号公報

しかしながら、特許文献１から特許文献４において、動体が行動をしたことを契機として情報やサービスを提供しているため、事前に準備することができないという問題があった。動体が行動したこととは、例えば、顧客の来店した時である。

本発明の目的は、上述した課題を解決する情報管理システム、情報管理方法及びプログラムを提供することにある。

本発明の情報管理システムは、動体を撮像した撮像画像から生成した動体情報を取得し、複数の前記動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する特定部と、前記繰り返し発生する事象を実施する動体の動体情報から前記動体の行動傾向を予測する予測部と、を備える。

本発明の情報管理方法は、動体を撮像した撮像画像から生成した動体情報を取得し、複数の前記動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する特定ステップと、前記繰り返し発生する事象を実施する動体の動体情報から前記動体の行動傾向を予測する予測ステップと、を備える。

本発明の情報管理プログラムは、動体を撮像した撮像画像から生成した動体情報を取得し、複数の前記動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する特定ステップと、前記繰り返し発生する事象を実施する動体の動体情報から前記動体の行動傾向を予測する予測ステップと、をコンピュータに実行させる。

本発明の効果は、動体の行動前に事前に準備ができることにある。

本発明の第１の実施の形態の構成を示すブロック図である。 本発明の第１の実施の形態における、動作を示すフローチャートである。 本発明の第１の実施の形態の構成の変形例１を示すブロック図である。 本発明の第１の実施の形態の構成の変形例２を示すブロック図である。 本発明の第１の実施の形態の構成の変形例３を示すブロック図である。 本発明の第１の実施の形態の構成の変形例４を示すブロック図である。 本発明の第２の実施の形態の構成を示すブロック図である。 本発明の第２の実施の形態における、動作を示すフローチャートである。 本発明の第３の実施の形態における、サービスシステム１０００の構成を示すブロック図である。 本発明の第３の実施の形態における、リピータを特定する動作を示すフローチャートである。 本発明の第３の実施の形態における、動体情報の一例を示した表である。 本発明の第３の実施の形態における、予測データの一例を示した表である。 本発明の第３の実施の形態における、リピータ関連情報を出力する動作を示したフローチャートである。 本発明の第３の実施の形態における、リピータ関連情報の一例を示す表である。 本発明の第４の実施の形態における、発注動作を示したフローチャートである。 本発明の第４の実施の形態における、在庫数の一例を示した表である。 本発明の第４の実施の形態における、入荷情報の一例を示した表である。 本発明の第５の実施の形態における、関連商品を決定する動作を示したフローチャートである。 本発明の第５の実施の形態における、マーケティング情報の一例を示した表である。 本発明の第６の実施の形態の構成を示すブロック図である。 本発明の第６の実施の形態における、動作を示すフローチャートである。 本発明の第７の実施の形態の構成を示すブロック図である。 本発明の第７の実施の形態における、動作を示すフローチャートである。 本発明の第８の実施の形態の構成を示すブロック図である。 本発明の第８の実施の形態における、動作を示すフローチャートである。

（第１の実施の形態）
本発明の第１の実施の形態について説明する。はじめに、本発明の第１の実施の形態の構成について説明する。

図１は、本発明の第１の実施の形態の構成を示すブロック図である。

情報管理システム１は、特定部１０、予測部１１を含む。

特定部１０は、動体を撮像した撮像画像から生成した動体情報を取得し、複数の動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する。動体とは例えば、人物、動物、物体等、動くものであればよい。

予測部１１は、繰り返し発生する事象を実施する動体の動体情報から動体の行動傾向を予測する。行動傾向は、例えば、繰り返し発生する事象を実施する時間である。

特定部１０及び予測部１１は図示しないＣＰＵ（Central Processing Unit）、及び、メモリを含み、プログラム制御により、各種処理を実行する。

なお、第１の実施の形態では、図示しないＣＰＵは、メモリに格納されたプログラムを読み出して実行するものとして説明したが、当該制御プログラムをＣＤＲＯＭ（Compact Disc Read Only Memory）等の記憶媒体に格納して図示しないＣＰＵに提供することも可能である。

次に、本発明の第１の実施の形態の動作について説明する。

図２は、本発明の第１の実施の形態における、動作を示すフローチャートである。

まず、特定部１０は、動体を撮像した撮像画像から生成した動体情報を取得する（ステップＳ０００１）。動体が人物であった場合、動体情報とは、例えば、３９歳男性で１２：３０に事象Ａを実施したことを示す情報である。

特定部１０は類似する動体情報があるか判定する（ステップＳ０００２）。例えば、３９歳男性が１２：３０に事象Ａを実施したことを示す動体情報と、別の日に３８歳男性が１２：３５に事象Ａを実施したことを示す動体情報がある場合、二つの動体情報を類似する動体情報と判定する。類似する動体情報がないと判定された場合（ステップＳ０００２：ＮＯ）、終了する。

類似する動体情報があると判定された場合（ステップＳ０００２：ＹＥＳ）、特定部１０は類似する動体情報を繰り返し生じる事象を実施する動体として特定する（ステップＳ０００３）。

そして、予測部１１は繰り返し発生する事象を実施する動体の動体情報から前記動体の行動傾向を予測する。例えば、１２：３２に３８．５歳男性が事象Ａを実施する傾向があると予測する。

以上により、本発明の第１の実施の形態の動作が完了する。

本発明の第１の実施の形態は、繰り返し発生する事象を実施する動体に対して事前に準備を行うことができるという効果を奏する。その理由は、動体を撮像した動体画像から生成した動体情報から、動体情報の類似性を基に繰り返し発生する事象を実施する動体を特定し、動体の動体情報から行動傾向を予測するためである。

（第１の実施の形態の変形例）
図３Ａ〜図３Ｄは、本発明の第１の実施の形態の構成の変形例を示すブロック図である。

情報処理装置６は、例えば、事象が発生する場所を管理するような管理室等に設置される情報処理装置である。

クラウドデータセンター３は、多数の装置からの情報を取得し、データを分析し記憶しているデータセンターである。

第１の実施の形態では、特定部１０及び予測部１１の機能はそれぞれ別に構成されているものとして示しているが、図３Ａのように情報管理システム１は一つの情報処理装置６が特定部１０及び予測部１１の機能を備えることも可能である。また、図３Ｂのように、クラウドデータセンター３に特定部１０及び予測部１１の機能を備えてもよい。

さらに図３Ｃのように、クラウドデータセンター３に特定部１０の機能を備え、情報処理装置６に予測部１１の機能を備えるように構成することもできる。逆に、図３Ｄのようにクラウドデータセンター３に予測部１１の機能備え、情報処理装置６に特定部１０の機能を備えることもできる。

また、図３Ｃ及び図３Ｄは、特定部１０、予測部１１の機能をそれぞれクラウドデータセンター３又は情報処理装置６が備えるように構成される例を示したが、特定部１０の機能すべてをクラウドセンター３又は情報処理装置６が備える必要はなく、特定部１０の一部機能をクラウドデータセンター３、一部機能を情報処理装置６が備え、分担することも可能である。また、予測部１１も同様にクラウドデータセンター３と情報処理装置６に分担することが可能である。

（第２の実施の形態）
本発明の第２の実施の形態について説明する。はじめに、本発明の第２の実施の形態の構成について説明する。

図４は、本発明の第２の実施の形態の構成を示すブロック図である。

情報管理システム１は、特定部１０、予測部１１を含む。

特定部１０は、所定の領域に入った顧客を撮像した撮像画像から生成した動体情報を取得し、複数の動体情報の類似性を基に、繰り返し来店する顧客であるリピータを特定する。

予測部１１は、リピータの動体情報から行動傾向を予測する。

次に、本発明の第２の実施の形態の動作について説明する。

図５は、本発明の第２の実施の形態における、動作を示すフローチャートである。

まず、特定部１０は、所定の領域に入った顧客を撮像した撮像画像から生成した動体情報を取得する（ステップＳ１００１）。動体情報とは、例えば顧客に関する顧客情報であり、顧客が３９歳男性で１２：３０に店舗に入ったことを示す情報である。

特定部１０は類似する動体情報があるか判定する（ステップＳ１００２）。例えば、３９歳男性が１２：３０に店舗に入ったことを示す動体情報と、別の日に３８歳男性が１２：３５に店舗に入ったことを示す動体情報がある場合、二つの動体情報を類似する動体情報と判定する。類似する動体情報がないと判定された場合（ステップＳ１００２：ＮＯ）、終了する。

類似する動体情報があると判定された場合（ステップＳ１００２：ＹＥＳ）、特定部１０は類似する動体情報をリピータとして特定する（ステップＳ１００３）。

そして、予測部１１はリピータと特定された類似する動体情報から行動傾向を予測する（ステップＳ１００４）。例えば行動傾向として、１２：３２に３８．５歳男性が来店すると予測する。

以上により、本発明の第２の実施の形態の動作が完了する。

また、本発明の第２の実施の形態において、繰り返し来店する顧客であるリピータを特定する動作を示したが、顧客に限られず、繰り返し万引きを実施する万引き常習犯を特定し、万引き常習犯の行動傾向を予測するなど、防犯対策に応用することも可能である。

本発明の第２の実施の形態は、繰り返し来店する顧客であるリピータに対してサービスを事前に準備できるという効果を奏する。その理由は、所定の領域に入った顧客を撮像した撮像画像から生成した動体情報から、動体情報の類似性を基に繰り返し来店する顧客であるリピータを特定し、リピータの動体情報から行動傾向を予測するためである。 （第３の実施の形態）
次に、本発明の第３の実施の形態について説明する。はじめに、本発明の第３の実施の形態の構成について説明する。

図６は、本発明の第３の実施の形態における、サービスシステム１０００の構成を示すブロック図である。本実施形態は、第１の実施形態の変形例の図３Ａに該当する構成である。しかし、第１の実施形態の変形例と同様に各機能は、クラウドデータセンター３に備えてもよいし、情報処理装置６が備えてもよく、本構成に限られない。

サービスシステム１０００は、情報管理システム１、店舗映像センサ２、クラウドデータセンター３、店舗サイネージ４、店舗端末５を含む。

情報管理システム１は、店舗映像センサ２、クラウドデータセンター３、店舗サイネージ４、店舗端末５とネットワークを介して接続されている。

また、情報管理システム１は、特定部１０、予測部１１、業務支援情報生成部１２、関連情報出力部１３、通信部１４、動体情報変換部１５を含む。

さらに、情報管理システム１は、図示しないデータやプログラムを格納するメモリを含み、プログラム制御により、各種処理を実行する情報処理装置である。

なお、当該プログラムをＣＤＲＯＭ（Compact Disc Read Only Memory）等の記憶媒体に格納して図示しないＣＰＵ（Central Processing Unit）に実行させることも可能である。

特定部１０は、目的買い行動抽出部１０１、類似データ抽出部１０２を含む。

目的買い行動抽出部１０１は動体情報変換部１５から動体情報を取得し、ある一定のパターンの行動をしている動体情報を抽出する。ある一定のパターンの行動は、例えば特定の商品を目的として購入する目的買いがある。目的買い行動抽出部１０１は店舗滞在時間が短く、棚前滞在時間が短い顧客を目的買いの顧客として動体情報を抽出する。

類似データ抽出部１０２は、目的買い行動抽出部１０１からある一定のパターンの行動をしている動体情報を取得し、ある一定のパターンの行動をしている動体情報から類似する動体情報を抽出し、リピータと特定する。

類似すると判定する条件は、例えば、動体情報の類似している項目の数が閾値以上と判定した場合、類似する動体情報と判定する。

また、類似データ抽出部１０２は、必ずしもある一定パターンの行動をしている動体情報に限定して類似データを抽出する必要はなく、動体情報変換部１５から、上記情報に限定することなく動体情報を取得してもよい。

予測部１１は、類似データ抽出部が特定したリピータの動体情報から来店時間や嗜好品を予測する。例えば、予測部１１は、類似する動体情報を統計的に処理しリピータの特徴である予測データを抽出することによって、リピータの行動を予測する。そして予測データに管理ＩＤを割り付ける。また、類似データ抽出部１０２がリピータと特定した類似する動体情報に管理ＩＤを割り付けることも可能である。

業務支援情報生成部１２は、在庫管理部１２１、嗜好分析部１２２、来店時間判定部１２３を含む。

在庫管理部１２１は、商品に関する在庫を管理する。在庫管理部１２１は、予測部１１が予測した嗜好品に関する在庫数を店舗端末５から取得する。在庫管理部１２１は、取得した嗜好品に関する在庫数が閾値以下であると判定した場合、嗜好品の入荷情報を店舗端末５から取得する。そして、在庫管理部１２１は、予測部１１が予測したリピータの来店時間前に入荷予定がないと判定した場合、来店時間前に入荷するように発注を行う。

嗜好品に関する在庫数と入荷情報は必ずしも店舗端末５から取得する必要はなく、クラウドデータセンター３や図示しない店舗情報を集中管理するサーバから取得することも可能である。

嗜好分析部１２２は、リピータの嗜好を分析する。嗜好分析部１２２は、消費者の嗜好傾向に関するマーケティング情報を取得し、予測部１１が予測した嗜好品に関連する関連商品を決定する。また、嗜好分析部１２２は、予測部１１からリピータの属性を取得し、属性に関連する商品を決定する。関連する商品とは、例えば嗜好品と一緒に頻繁に購入される商品や、ある特定の年代の人が頻繁に購入する商品がある。

来店時間判定部１２３は、現在の時刻を取得する。また、予測部１１から予測データを取得する。そして、現在の時刻が予測部１１が予測した予測データの来店時間より前かどうか判定する。そして、来店時間より前の時間であった場合、来店時間と現在の時間との時間差が閾値以下かどうか判定する。

関連情報出力部１３は、リピータ関連情報を出力する。リピータ関連情報は、予測部１１が予測した嗜好品や来店時間、属性、嗜好品の在庫数や入荷情報、マーケティング情報を含む。

通信部１４は、情報管理システム１とクラウドデータセンター３や店舗端末５を、ネットワークを介して接続し、動体情報、マーケティング情報、在庫数、入荷情報などの情報を送受信する。

動体情報変換部１５は、店舗映像センサ２から来店した顧客を撮像した撮像画像を取得し、個人が特定できない動体情報に変換する。

店舗映像センサ２は、可視光カメラや距離カメラなどの撮像装置であり、動体情報変換部１５に来店した顧客を撮像した撮像画像を送信する。

クラウドデータセンター３は、ビックデータを分析し記憶している。また、消費者に関するマーケティング情報を分析し、記憶している。

店舗サイネージ４は、映像や情報を表示する広告媒体である。店舗サイネージ４は関連情報出力部１３から出力された情報を表示する。

店舗端末５は、関連情報出力部１３から出力された情報を表示する。また、在庫数や入荷情報を通信部１４を介して業務支援情報生成部１２に送信する。

図７は、本発明の第３の実施の形態における、リピータを特定する動作を示すフローチャートである。図８は、本発明の第３の実施の形態における、動体情報の一例を示した表である。図９は、本発明の第３の実施の形態における、予測データの一例を示した表である。図８と図９を参照し、リピータを特定する動作を説明する。

まず、動体情報変換部１５は、店舗内に設置された店舗映像センサ２から来店した顧客を撮像した撮像画像を取得する（ステップＳ２００１）。

そして、動体情報変換部１５は、ステップＳ２００１で取得した撮像画像を個人が特定できない動体情報に変換する（ステップＳ２００２）。

個人が特定できない動体情報とは、例えば、図８に示すような顧客情報であり、属性データ１５１と購買行動データ１５２である。属性データ１５１は、顧客の年齢や性別の２項目を示したデータである。購買行動データ１５２は、来店した日付、入店時間、出店時間、移動経路座標、洋服特徴量、棚前滞在時間、棚への手伸ばし時間、棚から取出した商品を示したデータであり、店舗内の顧客の行動を８項目で示している。

撮像画像から年齢や性別、購買行動を推定する具体的な手法に関しては、例えば特開２００５−１４８８８０号公報に記載された方法を適用できるので、ここではその詳細な説明は省略する。

目的買い行動抽出部１０１は、動体情報変換部１５から動体情報を取得し、目的買い行動を抽出する（ステップＳ２００３）。例えば、目的買い行動抽出部１０１は店舗滞在時間が短く、棚前滞在時間が短い顧客を目的買いの顧客として動体情報を抽出する。

類似データ抽出部１０２は、目的買い抽出部１０１が抽出した動体情報を取得し、類似する動体情報があるか判定する（ステップＳ２００４）。例えば、属性データ１５１の年齢誤差が３歳以内であり、性別が一致しており、購買行動データ１５２の入店時間、出店時間の誤差が１５分以内で、棚から取出した商品が一致している動体情報を類似する動体情報と判定する。類似する動体情報がない場合（ステップＳ２００４：ＮＯ）、終了する。

類似する動体情報がある場合（ステップＳ２００４：ＹＥＳ）、予測部１１は、類似する動体情報をリピータの動体情報として特定する。そして、複数の動体情報を統計的に処理することで顧客行動を予測する（ステップＳ２００５）。図９は顧客行動を予測した予測データであり、１２：２５〜１２：３０の間に９０％以上のデータが含まれていることから、予測部１１は、リピータは１２：２５〜１２：３０の間に来店すると予測している。

予測部１１は、予測データに管理ＩＤを割り付ける（ステップＳ２００６）。

以上により、本発明の第３の実施の形態のリピータを特定する動作が完了する。

ここで、図８，９について補足する。

図８は、本発明の第３の実施の形態における、動体情報の一例を示した表である。

図８は、ｓａｍｐｌｅ＿０１からｓａｍｐｌｅ＿０５の５つの動体情報を示している。また、動体情報は、例えば顧客情報であり、属性データ１５１と購買行動データ１５２を含む。属性データ１５１は、顧客の年齢と性別の２項目を示したデータである。購買行動データ１５２は、来店した日付、入店時間、出店時間、移動経路座標、洋服特徴量、棚前滞在時間、棚への手伸ばし時間、棚から取出した商品を示したデータであり、店舗内の顧客の行動を８項目で示している。
ｓａｍｐｌｅ＿０１は、３９歳のスーツ姿の男性が９月１日月曜日の１２：３０に入店し、１２：３１に出店したことを示している。また、店内を移動経路座標にあるように横に直進した後、１３５°方向転換をし、一定距離直進した後、最初の地点に戻っていることを示している。さらに、ｓａｍｐｌｅ＿０１の顧客はコーヒーを購入したことを示している。コーヒーを購入する際棚前の滞在時間は１秒であり、コーヒーに手を伸ばした時間も同様に１秒である。

図８の動体情報を用いて、目的買い行動抽出部１０１が目的買い行動をしている動体情報を抽出する一例を示す（図４、ステップＳ２００３）。目的買い行動の条件として、例えば、入店時間と出店時間との差が５分以内であり、棚前滞在時間が１０秒以内のものとする。目的買い行動抽出部１０１は条件に合致するｓａｍｐｌｅ＿０１、ｓａｍｐｌｅ＿０３、ｓａｍｐｌｅ＿０４、ｓａｍｐｌｅ＿０５を目的買い行動の動体情報として抽出する。

次に、類似データ抽出部１０２は、目的買い抽出部１０１が抽出したｓａｍｐｌｅ＿０１、ｓａｍｐｌｅ＿０３、ｓａｍｐｌｅ＿０４、ｓａｍｐｌｅ＿０５から類似する動体情報を抽出する。

類似する動体情報の条件として、例えば、属性データ１５１の年齢誤差が３歳以内であり、性別が一致しており、購買行動データ１５２の入店時間、出店時間の誤差が１５分以内で、棚から取出した商品が一致しているものとする。類似データ抽出部１０２は条件に合致するｓａｍｐｌｅ＿０１、ｓａｍｐｌｅ＿０３、ｓａｍｐｌｅ＿０４を抽出する。

図９は、本発明の第３の実施の形態における、予測データの一例を示した表である。

図９は、予測部１１が特定部１０がリピータと特定した類似する動体情報を取得し、顧客行動を予測した予測データを示している。予測データには管理ＩＤ、Ｎ１０００−２０１が割り付けられてる。

予測データには、複数の動体情報を統計的に処理したデータであり、データ範囲と、そのデータ範囲に含まれるデータ数の割合が示されている。

例えば、Ｎ１０００−２０１の年齢の項目は類似する動体情報の中の９５％が３９歳から４０歳の間に含まれていることを示している。性別、入店時間、出店時間、移動経路座標、洋服特徴量、棚前滞在時間、棚への手伸ばし時間、棚から取出した商品の項目も同様である。日付にはリピータが来店した曜日を示している。

図１０は、本発明の第３の実施の形態における、リピータ関連情報を出力する動作を示したフローチャートである。

来店時間判定部１２３は、予測部１１から予測データを取得する（ステップＳ３００１）。

次に、来店時間判定部１２３は現在の時間を取得する（ステップＳ３００２）。

来店時間判定部１２３は、取得した現在の時間が予測データの来店時間より前の時間かどうか判定する（ステップＳ３００３）。例えは、現在の時間が１１：００であり、来店時間が１２：２５〜１２：３０と予測されている場合、来店時間より前と判定する。来店時間より前の時間ではないと判定された場合（ステップＳ３００３：ＮＯ）、終了する。

来店時間より前の時間と判定された場合（ステップＳ３００３：ＹＥＳ）、来店時間判定部１２３は、来店時間と現在の時間との時間差が閾値以下かどうか判定する（ステップＳ３００４）。時間差が閾値以下でないと判定された場合（ステップＳ３００４：ＮＯ）、終了する。もしくは、時間差が閾値以下になるまで待機してもよい。

時間差が閾値以下であると判定された場合（ステップＳ３００４：ＹＥＳ）、関連情報出力部１３は、リピータ関連情報を出力する（ステップＳ３００５）。リピータ関連情報とは、例えば、図１１に示すような、管理ＩＤ、リピータの属性と来店時間、リピータの嗜好品、嗜好品の在庫数、嗜好品の入荷時間、嗜好品に関連する商品を出力する。もしくは、リピータ関連情報を出力せず、アラームを表示してもよい。

以上により、本発明の第３の実施の形態のリピータ関連情報を出力する動作が完了する。

図１１は、本発明の第３の実施の形態における、リピータ関連情報の一例を示す表である。図１１は２つの管理ＩＤに関するリピータ関連情報を示している。リピータ関連情報は、管理ＩＤ、属性、嗜好品、嗜好品の在庫数、嗜好品の入荷時間、リピータの来店時間、マーケティング情報を含む情報である。

管理ＩＤ、Ｎ１０００−２０１のリピータ関連情報は、リピータは、３３歳であり、嗜好品はコーヒーであることを示している。また、リピータの嗜好品であるコーヒーの現在の在庫数が１０個であり、６：００に１０個、２２：００に５個入荷することを示している。またリピータの来店時間は７：３０であり、コーヒーと一緒に頻繁に購入される関連する商品としてパン、新聞があることを示している。店員はこのリピータ関連情報に基づき、欠品が生じないよう準備を行うことができる。

本発明の第３の実施の形態は、店員が、繰り返し来店する顧客であるリピータの来店時間より前に準備をすることができるという効果を奏する。その理由は、サービスシステム１０００が、リピータの動体情報から来店時間を予測し、現在の時刻と比較することで来店時間前にリピータに関する情報を出力するためである。

（第４の実施の形態）
次に、本発明の第４の実施の形態について説明する。

本発明の第４の実施の形態では、予測データに基づき、在庫を確認し商品の発注を行う点で、本発明の第３の実施の形態と異なる。サービスシステム１０００の構成、リピータを特定する動作は第３の実施の形態と同様であるため、説明は省略する。

図１２は、本発明の第４の実施の形態における、発注動作を示したフローチャートである。図１３は、本発明の第４の実施の形態における、在庫数の一例を示した表である。図１４は、本発明の第４の実施の形態における、入荷情報の一例を示した表である。図１３と図１４を参照し、発注動作を説明する。

まず、来店時間判定部１２３は、予測部１１から予測データを取得する（ステップＳ４００１）。

次に、来店時間判定部１２３は、現在の時間を取得する（ステップＳ４００２）。

来店時間判定部１２３は、取得した現在の時間が予測データの来店時間より前の時間かどうか判定する（ステップＳ４００３）。例えは、現在の時間が１１：００であり、来店時間が１２：２５〜１２：３０と予測されている場合、来店時間より前と判定する。来店時間より前の時間ではないと判定された場合（ステップＳ４００３：ＮＯ）、終了する。

来店時間より前の時間と判定された場合（ステップＳ４００３：ＹＥＳ）、来店時間判定部１２３は、来店時間と現在の時間との時間差が閾値以下かどうか判定する（ステップＳ４００４）。時間差が閾値以下でないと判定された場合（ステップＳ４００４：ＮＯ）、終了する。もしくは、時間差が閾値以下になるまで待機してもよい。

時間差が閾値以下である場合（ステップＳ４００４：ＹＥＳ）、在庫管理部１２１は、来店時間判定部１２３が時間差が閾値以下と判定したリピータの予測データを取得する。そして、在庫管理部１２１は、店舗端末５から通信部１４を介して予測部１１により予測された嗜好品に関する在庫数を取得する（ステップＳ４００５）。例えば、嗜好品がパンであった場合、図１３を参照すると、取得する在庫数は７個となる。

在庫管理部１２１は、ステップＳ４００５で取得した在庫数が閾値以上であるか判定する（ステップＳ４００６）。在庫数が閾値以上であると判定された場合（ステップＳ４００６；ＹＥＳ）、関連情報出力部１３は、在庫があることを店舗端末５に出力し、通知する（ステップＳ４０１１）。例えば、閾値が５個であった場合、パンの在庫数は７個であるため、閾値以上であると判定される。この閾値は、固定値でもよいし、過去のパンの売り上げ数によって決定してもよいし、ユーザが任意に設定可能である。

在庫数が閾値以下である場合（ステップＳ４００６：ＮＯ）、在庫管理部１２１は、嗜好品の入荷情報を取得する。入荷情報とは、入荷時間と発注時間、そして商品の入荷予定数を示した表である。例えば、図１４は発注時間の４時間後に入荷することを示している。そしてパンを見ると、６：００と２２：００にそれぞれ１０個、５個入荷する予定となっている。

在庫管理部１２１は、予測部１１が予測したリピータの来店時間前に嗜好品の入荷予定があるかどうか判定する（ステップＳ４００８）。リピータの来店時間前に嗜好品の入荷予定がある場合（ステップＳ４００８：ＹＥＳ）、関連情報出力部１３は入荷予定であることを店舗端末５に出力し通知する。（ステップＳ４０１１）
リピータの来店時間前に嗜好品の入荷予定がない場合（ステップＳ４００９）、来店時間前に入荷可能かどうか判定する（ステップＳ４００９）。すなわち、来店時間前の入荷時間を取得し、その時間に入荷可能かどうか判定する。

例えば、来店時間が１９：００である場合、来店時間より前の入荷時間である１８：００に入荷可能かどうか判定する。１８：００に入荷するためには、４時間前の１４：００までに発注しなければならないため、現在の時間が１４：００より前か判定し、１４：００より前であった場合、入荷可能であると判定する。

来店時間前に入荷可能でないと判定された場合（ステップＳ４００９：ＮＯ）、関連情報出力部１３は、発注できないことを店舗端末５に出力し、通知する（ステップＳ４０１１）。 入荷可能であると判定された場合（ステップＳ４００９：ＹＥＳ）、来店時間前に嗜好品を入荷するように発注を行う（ステップＳ４０１０）。発注する個数は、過去の購入数などに応じて発注を行えばよく、適宜設定可能である。

そして、関連情報出力部１３は、発注を行ったことを店舗端末５に出力し、通知する（ステップＳ４０１１）。出力する情報は、発注した商品と個数、リピータの動体情報等任意な情報を出力可能である。
以上により、本発明の第４の実施の形態における、発注動作が完了する。

ここで、図１３，１４について補足する。

図１３は、本発明の第４の実施の形態における、在庫数の一例を示した表である。図１３は、パン、おにぎり、コーヒー、ビール、ワインの現在の在庫数がそれぞれ、７個、１０個、１５個、８個、２個であることを示している。

図１４は、本発明の第３の実施の形態における、入荷情報の一例を示した表である。入荷情報として図１４は、発注時間、商品の時間帯ごとの入荷時間と入荷予定数を示している。

発注時間は、入荷時間より前に設定されており、発注時間までに発注を行うと、その入荷時間に入荷可能であることを示している。例えば、２：００までに発注を行うと６：００に入荷可能であることを示している。

時間帯ごとの商品の入荷時間と入荷数は、例えばパンは、６：００に１０個、２２：００に５個入荷する予定となっていることを示している。他の商品に関しても同様である。

本発明の第４の実施の形態は、店員の手を煩わせることなく、サービスシステム１０００が、リピータの嗜好品が欠品しないように、リピータの来店時間より前に嗜好品を準備をすることができるという効果を奏する。

その理由は、サービスシステム１０００が、リピータの動体情報から来店時間を予測し、嗜好品の在庫数と入荷情報を取得することにより、在庫を把握し、来店時間前入荷可能になるように発注するためである。

（第５の実施の形態）
次に、本発明の第５の実施の形態について説明する。

本発明の第５の実施の形態では、嗜好に関連する情報を取得する点で、本発明の第３の実施の形態と異なる。

サービスシステム１０００の構成、リピータを特定する動作は第３の実施の形態と同様であるため、説明は省略する。

図１５は、本発明の第５の実施の形態における、関連商品を決定する動作を示したフローチャートである。図１６は、本発明の第５の実施の形態における、マーケティング情報の一例を示した表である。

来店時間判定部１２３は、予測部１１から予測データを取得する（ステップＳ５００１）。

次に、来店時間判定部１２３は現在の時間を取得する（ステップＳ５００２）。

来店時間判定部１２３は、取得した現在の時間が予測データの来店時間より前の時間かどうか判定する（ステップＳ５００３）。例えは、現在の時間が１１：００であり、来店時間が１２：２５〜１２：３０と予測されている場合、来店時間より前と判定する。来店時間より前の時間ではないと判定された場合（ステップＳ５００３：ＮＯ）、終了する。

来店時間より前の時間と判定された場合（ステップＳ５００３：ＹＥＳ）、来店時間判定部１２３は、来店時間と現在の時間との時間差が閾値以下かどうか判定する（ステップＳ５００４）。時間差が閾値以下でないと判定された場合（ステップＳ５００４：ＮＯ）、終了する。もしくは、時間差が閾値以下になるまで待機してもよい。

時間差が閾値以下であると判定された場合（ステップＳ５００４：ＹＥＳ）は、嗜好分析部１２２は、来店時間判定部１２３が時間差が閾値以下と判定したリピータの予測データを取得する。そして、嗜好分析部１２２は、クラウドデータセンター３から通信部１４を介してマーケティング情報を取得する（ステップＳ５００５）。

マーケティング情報とは、消費者の嗜好傾向に関する情報である。例えば、図１３に示すような嗜好品と頻繁に同時に購入される商品を年代ごとに示したものである。

嗜好分析部１２２は、ステップＳ５００５で取得したマーケティング情報に基づき、リピータの嗜好、又は属性に関連する商品を決定する（ステップＳ５００６）。例えば、リピータの嗜好品がパンであり、かつ、年代が３０代である場合、関連する商品はコーヒーであると決定する。

そして、関連情報出力部１３は決定した関連する商品を店舗端末５に出力する。出力する情報は、関連する商品に限られず、関連する商品の在庫数や入荷情報を出力してもよい。
以上により、本発明の第５の実施の形態の関連商品を決定する動作が完了する。

ここで、図１６について補足する。

図１６は、本発明の第５の実施の形態における、マーケティング情報の一例を示した表である。マーケティング情報は、嗜好品と頻繁に同時に購入される商品を年代ごとに示したものである。例えば、パンを嗜好品とする顧客で、２０歳以下は、お茶を購入し、２０代、３０代はコーヒー、４０代、５０歳以上は牛乳を同時に購入する傾向があることを示している。

しかし、マーケティング情報はこのような情報に限られず、年代、性別ごとの最近の人気商品でもよいし、嗜好品の類似商品でもよいし、消費者の嗜好傾向に関する情報であればよい。

本発明の第５の実施の形態は、繰り返し来店する顧客であるリピータの嗜好に関連する商品の情報を来店時間より前に取得することができるという効果を奏する。

その理由は、サービスシステム１０００が、リピータの動体情報から来店時間を予測し、現在の時刻と比較することで来店時間前にマーケティング情報を用いて分析し、関連する商品の情報を出力するためである。

本実施形態では、嗜好品に関連する商品を決定し、出力することを示したが、第４の実施の形態と組み合わせて関連する商品も嗜好品と同様に発注することも可能である。

（第６の実施の形態）
次に、本発明の第６の実施の形態について説明する。はじめに、本発明の第６の実施の形態の構成について説明する。

図１７は、本発明の第６の実施の形態の構成を示すブロック図である。

情報管理システム１は、特定部１０、予測部１１を含む。

特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得し、複数の動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する。

予測部１１は、繰り返し発生する事象を実施する動物の動体情報から行動傾向を予測する。

次に、本発明の第６の実施の形態の動作について説明する。

図１８は、本発明の第６の実施の形態における、動作を示すフローチャートである。

まず、特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得する（ステップＳ６００１）。所定領域とは、例えば畑であり、動体とは、動物や、人物、道具を含み、例えば、イノシシやシカ、農作者、農作具等がある。また、動体情報とは、動物である場合、例えば、１１０cmのイノシシが１２：３０に畑を荒らしていることを示す情報である。

特定部１０は類似する動体情報があるか判定する（ステップＳ６００２）。例えば、１１０ｃｍのイノシシが１２：３０に畑を荒らしていることを示す動体情報と、別の日に１１６ｃｍのイノシシが１２：４０に畑を荒らしていることを示す動体情報がある場合、二つの動体情報を類似する動体情報と判定する。類似する動体情報がないと判定された場合（ステップＳ６００２：ＮＯ）、終了する。

類似する動体情報があると判定された場合（ステップＳ６００２：ＹＥＳ）、特定部１０は類似する動体情報から繰り返し発生する事象を実施する動物を特定する（ステップＳ６００３）。例えば、１１３ｃｍのイノシシと特定する。

そして、予測部１１は類似する動体情報から行動傾向を予測する。例えば行動傾向として、１２：３５に１１３ｃｍのイノシシが畑を荒らすと予測する。

以上により、本発明の第６の実施の形態の動作が完了する。

本発明の第６の実施の形態は、事前に動物が起こす事象を把握し、対処することができるという効果を奏する。その理由は、所定の領域に入った動物を撮像した撮像画像から生成した動体情報から、動体情報の類似性を基に繰り返し生じる事象を実施する動物特定し、動体情報から行動傾向を予測するためである。

（第７の実施の形態）
次に、本発明の第７の実施の形態について説明する。はじめに、本発明の第７の実施の形態の構成について説明する。

図１９は、本発明の第７の実施の形態の構成を示すブロック図である。

情報管理システム１は、特定部１０、予測部１１を含む。

特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得し、複数の動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する。

予測部１１は、繰り返し発生する事象を実施する動体の動体情報から行動傾向を予測する。

次に、本発明の第７の実施の形態の動作について説明する。

図２０は、本発明の第７の実施の形態における、動作を示すフローチャートである。

まず、特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得する（ステップＳ７００１）。所定領域とは、例えば道路の一区画であり、動体とは、人物、物体、動物を含み、例えば、自転車や車、運転者や歩行者、猫や犬などがある。また、動体情報とは、例えば、物体の場合、赤い自転車が８：００に車道の中心を走っていることを示す情報であり、人物である場合、１８歳男性が８：３０に片手運転をしていることを示す情報である。

特定部１０は類似する動体情報があるか判定する（ステップＳ７００２）。赤い自転車が８：００に車道の中心を走っていることを示す動体情報と、別の日に赤い自転車が８：０６に車道の中心を走っていることを示す動体情報がある場合、二つの動体情報を類似する動体情報と判定する。類似する動体情報がないと判定された場合（ステップＳ７００２：ＮＯ）、終了する。

類似する動体情報があると判定された場合（ステップＳ７００２：ＹＥＳ）、特定部１０は類似する動体情報から繰り返し発生する事象を実施する動体を特定する（ステップＳ７００３）。例えば、赤い自転車と特定する。

そして、予測部１１は類似する動体情報から行動傾向を予測する。例えば、行動傾向として、８：０３に赤い自転車が危険運転すると予測する。

以上により、本発明の第７の実施の形態の動作が完了する。

本発明の第７の実施の形態は、危険な運転をする物体及び人物を特定することができるため、事前に対処することができるという効果を奏する。その理由は、道路などの所定の領域に入った車体や人物を撮像した撮像画像から生成した動体情報から、動体情報の類似性を基に繰り返し生じる事象を実施する車体や人物を特定し、動体情報から行動傾向を予測するためである。

（第８の実施の形態）
次に、本発明の第８の実施の形態について説明する。はじめに、本発明の第８の実施の形態の構成について説明する。

図２１は、本発明の第８の実施の形態の構成を示すブロック図である。

情報管理システム１は、特定部１０、予測部１１を含む。

特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得し、複数の動体情報の類似性を基に、繰り返し発生する事象を実施する動体を特定する。

予測部１１は、繰り返し発生する事象を実施する動体の動体情報から行動傾向を予測する。

次に、本発明の第８の実施の形態の動作について説明する。

図２２は、本発明の第８の実施の形態における、動作を示すフローチャートである。

まず、特定部１０は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報を取得する（ステップＳ８００１）。所定領域とは、例えばトラックの荷台であり、動体とは、人物、物体を含み、例えば、運搬者、運搬物などがある。

また、動体情報とは、例えば、人物の場合、２０歳男性が１５：００に荷物を落としたことを示す情報である。

特定部１０は類似する動体情報があるか判定する（ステップＳ８００２）。例えば、２０歳男性が１５：００に荷物を落としたことを示す動体情報と、別の日に２２歳男性が１５：０４に荷物を落としたことを示す動体情報がある場合、二つの動体情報を類似する動体情報と判定する。類似する動体情報がないと判定された場合（ステップＳ８００２：ＮＯ）、終了する。

類似する動体情報があると判定された場合（ステップＳ８００２：ＹＥＳ）、特定部１０は類似する動体情報から繰り返し発生する事象を実施する動体を特定する（ステップＳ８００３）。例えば、２１歳男性と特定する。

そして、予測部１１は類似する動体情報から行動傾向を予測する。例えば行動傾向として、１５：０２に２１歳男性が荷物を落とすと予測する。

以上により、本発明の第８の実施の形態の動作が完了する。

本発明の第６の実施の形態は、事前に作業が不慣れな人物を特定することで、対処することができるという効果を奏する。その理由は、所定の領域に入った動体を撮像した撮像画像から生成した動体情報から、動体情報の類似性を基に繰り返し生じる事象を実施する動体を特定し、動体情報から行動傾向を予測するためである。

以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定され
るものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得
る様々な変更をすることができる。

１０００ サービスシステム
１ 情報管理システム
１０ リピータ特定部
１０１ 目的買い行動抽出部
１０２ 類似データ抽出部
１１ 予測部
１２ 業務支援情報生成部
１２１ 在庫管理部
１２２ 嗜好分析部
１２３ 来店時間判定部
１３ 関連情報出力部
１４ 通信部
１５ 動体情報変換部
１５１ 属性データ
１５２ 購買行動データ
２ 店舗映像センサ
３ クラウドデータセンター
４ 店舗サイネージ
５ 店舗端末
６ 情報処理装置

Claims (10)

1. 顧客を撮像した撮像画像から生成した、該顧客の属性および行動を含む動体情報を取得し、複数の前記動体情報に含まれる属性および行動の類似性を基に、繰り返し来店する顧客を特定する特定部と、
   前記繰り返し来店する顧客の動体情報に含まれる属性および行動から前記顧客の行動傾向を予測する予測部と、
   前記行動傾向に基づいて、前記顧客が来店する所定時間前に前記顧客に関する情報を出力する関連情報出力部と、
   を備える情報管理システム。
2. 前記動体情報は、所定の領域に入った顧客を撮像した撮像画像から生成した情報であること
   を特徴とする請求項１に記載の情報管理システム。
3. 前記特定部は、複数の前記動体情報に含まれる属性および行動の類似性を基に、繰り返し来店する顧客であるリピータを特定し、
   前記予測部は前記行動傾向として、前記リピータの動体情報に含まれる属性および行動から来店時間を予測すること、
   を特徴とする請求項１又は２に記載の情報管理システム。
4. 前記関連情報出力部は、前記情報管理システムが、現在の時刻が前記来店時間より前であると判定した場合、前記リピータに関する関連情報を出力すること
   を特徴とする請求項３に記載の情報管理システム。
5. 前記予測部は、前記リピータの動体情報に含まれる属性および行動から嗜好品を予測し、
   前記関連情報出力部は、前記関連情報として前記嗜好品を出力すること
   を特徴とする請求項４に記載の情報管理システム。
6. 商品に関する在庫を管理する在庫管理部を備え、
   前記在庫管理部は、前記嗜好品に関する在庫数を取得し、前記在庫数が閾値以下である場合、前記嗜好品の入荷情報を取得し、前記リピータの来店時間前に前記嗜好品の入荷予定がない場合、前記来店時間前に前記嗜好品を入荷するように発注を行うこと
   を特徴とする請求項５に記載の情報管理システム。
7. 前記リピータの嗜好を分析する嗜好分析部をさらに備え、
   前記嗜好分析部は、消費者の嗜好傾向に関するマーケティング情報を取得し、前記嗜好品に関連する関連商品を決定すること、
   を特徴とする請求項５又は６に記載の情報管理システム。
8. 前記嗜好分析部は、前記リピータの属性を取得し、前記マーケティング情報に基づき、前記リピータの属性に関連する関連商品を決定すること
   を特徴とする請求項７に記載の情報管理システム。
9. 顧客を撮像した撮像画像から生成した、該顧客の属性および行動を含む動体情報を取得し、複数の前記動体情報に含まれる属性および行動の類似性を基に、繰り返し来店する顧客を特定する特定ステップと、
   前記繰り返し来店する顧客の動体情報に含まれる属性および行動から前記顧客の行動傾向を予測する予測ステップと、
   前記行動傾向に基づいて、前記顧客が来店する所定時間前に前記顧客に関する情報を出力する出力ステップと、
   を備える情報管理方法。
10. 顧客を撮像した撮像画像から生成した、該顧客の属性および行動を含む動体情報を取得し、複数の前記動体情報に含まれる属性および行動の類似性を基に、繰り返し来店する顧客を特定する特定ステップと、
    前記繰り返し来店する顧客の動体情報に含まれる属性および行動から前記顧客の行動傾向を予測する予測ステップと、
    前記行動傾向に基づいて、前記顧客が来店する所定時間前に前記顧客に関する情報を出力する出力ステップと、
    をコンピュータに実行させるプログラム。

Images