JP6728972B2 - プログラム、商品推薦システム及び商品推薦方法 - Google Patents

Description

本発明は、プログラム、商品推薦システム及び商品推薦方法に関する。

例えば、特許文献１には、ユーザの嗜好を構成する個々の属性、要素などの重みを、ユーザの操作の内容に応じて調整して、ユーザに推薦するアイテムを特定する推薦装置が開示されている。

特開２０１０−６１６０１号公報

消費者の嗜好分布や購入履歴に基づいて消費者に対して商品の推薦を行う場合がある。このように消費者に対して商品を推薦する場合、商品を推薦したことによりその商品の購買意欲が高まるような消費者がいる一方で、商品を推薦したとしてもその商品の購買意欲が高まらないような無反応の消費者もいることが考えられる。推薦により商品の購買意欲が高まるような消費者に推薦することが望ましい。
本発明は、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高めることを目的とする。

請求項１に記載の発明は、コンピュータに、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める機能と、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める機能と、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出する機能と、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する機能と、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定する機能と、特定された前記指標値を有する消費者に前記特定の商品を推薦する機能とを実現させるためのプログラムである。
請求項２に記載の発明は、前記推薦する機能は、前記特定の商品と他の商品との間に正の相関関係がある場合、前記予め定めた条件を満たす指標値を有する消費者に当該特定の商品とともに当該他の商品を推薦することを特徴とする請求項１に記載のプログラムである。
請求項３に記載の発明は、前記推薦する機能は、複数の商品のそれぞれについて特定された各前記指標値を有する消費者が共通である場合、当該消費者に当該複数の商品を推薦することを特徴とする請求項１に記載のプログラムである。
請求項４に記載の発明は、前記推薦する機能は、前記複数の商品の間に負の相関関係がある場合、前記消費者に当該複数の商品のうちの一部の商品を推薦することを特徴とする請求項３に記載のプログラムである。
請求項５に記載の発明は、コンピュータに、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める機能と、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める機能と、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する嗜好を表す指標値を算出する機能と、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する機能と、推薦の対象者に決定された第３の消費者について、前記特定の商品についての嗜好を表す指標値を算出する機能と、前記第３の消費者について算出された前記指標値が、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす指標値に含まれる場合、対応する前記特定の商品を、前記第３の消費者に推薦する機能とを実現させるためのプログラムである。
請求項６に記載の発明は、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める第１の算出部と、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める第２の算出部と、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出する第３の算出部と、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する第４の算出部と、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定する特定部と、特定された前記指標値を有する消費者に前記特定の商品を推薦部とを備える商品推薦システムである。
請求項７に記載の発明は、前記推薦部は、前記特定の商品についての画像を記録材に形成して出力することにより、当該特定の商品の推薦を行うことを特徴とする請求項６に記載の商品推薦システムである。
請求項８に記載の発明は、コンピュータが、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求めるステップと、前記コンピュータが、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求めるステップと、前記コンピュータが、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出するステップと、前記コンピュータが、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算するステップと、前記コンピュータが、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定するステップと、前記コンピュータが、特定された前記指標値を有する消費者に前記特定の商品を推薦するステップとを含む商品推薦方法である。

請求項１記載の発明によれば、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高めることができる。
請求項２記載の発明によれば、一緒に購入される傾向のある複数の商品をまとめて推薦することができる。
請求項３記載の発明によれば、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、共通の消費者に対して推薦の効果が高い複数の商品を推薦することができる。
請求項４記載の発明によれば、複数の商品が別々に購入される傾向がある場合に、複数の商品のうちの一部の商品を推薦することができる。
請求項５記載の発明によれば、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高めることができる。
請求項６記載の発明によれば、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高めることができる。
請求項７記載の発明によれば、推薦する商品の画像が形成された記録材を消費者に配布することができる。
請求項８記載の発明によれば、商品を推薦した場合の推薦による影響度を考慮せずに商品の推薦を行う場合と比較して、消費者に商品を購入させようとする推薦の効果を高めることができる。

本実施の形態に係る商品推薦装置のハードウェア構成例を示す図である。 本実施の形態に係る商品推薦装置の機能構成例を示したブロック図である。 （ａ），（ｂ）は、既推薦消費者及び未推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係の一例を示す図である。 購入数向上度の一例を説明するための図である。 嗜好度合と購入数向上度との関係の一例を示す図である。 商品推薦装置が対象商品を推薦する消費者を選定する処理手順の一例を示したフローチャートである。 対象商品を推薦する消費者選定手順の他の例１を説明するための図である。 対象商品を推薦する消費者選定手順の他の例２を説明するための図である。 （ａ），（ｂ）は、複数の対象商品で共通の消費者が選定される場合の一例を説明するための図である。 購入率が負の相関を持つ２つの対象商品の一例を説明するための図である。 購入率が負の相関を持つ２つの対象商品の具体例を示す図である。 購入率が正の相関を持つ２つの対象商品の一例を説明するための図である。 購入率が正の相関を持つ２つの対象商品の具体例を示す図である。 本実施の形態を適用可能な画像形成装置のハードウェア構成例を示した図である。

以下、添付図面を参照して、本発明の実施の形態について詳細に説明する。
＜商品推薦装置のハードウェア構成例＞
まず、本実施の形態に係る商品推薦装置１００のハードウェア構成について説明する。図１は、本実施の形態に係る商品推薦装置１００のハードウェア構成例を示す図である。
本実施の形態に係る商品推薦装置１００は、商品推薦システムの一例であり、例えば小売業などにおいて、消費者に対して商品を推薦するために用いられるコンピュータ装置である。図示するように、商品推薦装置１００は、演算手段であるＣＰＵ（Central Processing Unit）１０１と、記憶手段であるメインメモリ１０２及び磁気ディスク装置１０３とを備える。

ここで、ＣＰＵ１０１は、ＯＳ（Operating System）やアプリケーション等の各種プログラムを実行し、商品推薦装置１００の各種機能を実現する。また、メインメモリ１０２は、各種プログラムやその実行に用いるデータ等を記憶する記憶領域である。また、磁気ディスク装置１０３は、各種プログラムに対する入力データや各種プログラムからの出力データ等を記憶する記憶領域である。

さらに、商品推薦装置１００は、外部との通信を行うための通信インタフェース（通信Ｉ／Ｆ）１０４と、ビデオメモリやディスプレイ等からなる表示機構１０５と、キーボードやマウス等の入力デバイス１０６とを備える。

＜商品推薦装置の機能構成＞
次に、本実施の形態に係る商品推薦装置１００の機能構成について説明する。
本実施の形態では、まず、例えばスーパーマーケットの店頭で商品を販売する小売業者やインターネットで通信販売を行う小売業者などが、実際に店頭で広告を配布したり、インターネットにより広告を配信したりして、消費者に対して商品の推薦を行う。ここで行われる商品の推薦は既存の手法を用いれば良く、例えば、商品の販売履歴やインターネットにおけるＷｅｂ（World Wide Web）サイトのアクセス履歴などを基にして、売れ筋上位の商品の推薦が行われたり、協調フィルタリングにより商品の推薦が行われたりする。協調フィルタリングとは、消費者の嗜好を過去の行動という形で記録し、その消費者と似たような行動を取っている他の消費者の嗜好情報を基に、消費者の嗜好を推測するものである。
既存の手法により事前に推薦が行われた後、商品推薦装置１００は、事前の推薦が行われた商品の中から、消費者に対して改めて推薦を行う対象の商品（以下、対象商品と称する）を選択する。そして、商品推薦装置１００は、既存の手法による事前の推薦の結果を基にして、選択した対象商品を推薦すべき消費者の選定を行う。

図２は、本実施の形態に係る商品推薦装置１００の機能構成例を示したブロック図である。商品推薦装置１００は、商品の販売履歴を格納する販売履歴格納部１１１と、商品に関する各種情報を格納する商品情報格納部１１２と、消費者に関する各種情報を格納する消費者情報格納部１１３とを備える。
また、商品推薦装置１００は、既存の手法により事前に推薦が行われた商品の中から対象商品を選択する対象商品選択部１１４と、対象商品の購入数を集計する購入数集計部１１５と、対象商品の購入数と後述する嗜好度合との相関関係を算出する相関関係算出部１１６とを備える。さらに、商品推薦装置１００は、対象商品を推薦する消費者を選定する消費者選定部１１７と、選定された消費者に対して対象商品の情報を出力する商品情報出力部１１８とを備える。

販売履歴格納部１１１は、商品の販売履歴を格納する。この販売履歴は、過去に販売されたことのある複数の商品のそれぞれに関する販売の記録を示すものであり、例えば、各商品について消費者に購入された個数や購入した消費者の人数などの情報を含んでいる。より具体的には、例えば、スーパーマーケットの店頭やインターネットのＷｅｂサイトにて販売された食料品や日用品等の各種商品に関する販売の記録を示すものを例示することができる。なお、販売履歴は、１店舗のものであっても良いが、複数の店舗や異なる複数の会社で販売された記録を示すものであっても良い。

商品情報格納部１１２は、商品に関する各種情報を格納する。より具体的には、商品情報格納部１１２には、過去に販売されたことのある商品や今後販売される予定の商品について、商品毎に、例えば、商品名、商品説明、商品価格、商品画像などの情報が格納される。また、商品が分類される分類先や商品種別などの情報を格納しても良い。

消費者情報格納部１１３は、消費者に関する各種情報を格納する。より具体的には、消費者情報格納部１１３には、例えば、店頭やＷｅｂサイトで商品を購入したことのある消費者や、Ｗｅｂサイトにて会員登録をした消費者などの情報が格納される。格納される消費者の情報としては、例えば、消費者が取引した取引履歴や、年齢や性別などの消費者の属性、消費者に対してこれまで実施したアンケートの情報などを例示することができる。付言すると、これらの消費者に関する各種情報は、後述する嗜好度合を計算するために用いられる。

対象商品選択部１１４は、既存の手法により事前に推薦が行われた商品の中から対象商品を選択する。ここで、対象商品選択部１１４は、ユーザが例えば入力デバイス１０６を用いて操作入力を行って商品を指定することにより、ユーザに指定された商品を対象商品として選択する。また、対象商品選択部１１４は、例えば販売履歴格納部１１１や商品情報格納部１１２に格納されている情報を基に、既存の手法により事前に推薦が行われた商品を特定し、特定した商品の中から予め定められた基準を満たす商品を対象商品として選択しても良い。予め定められた基準を満たす商品としては、例えば、購入された総数が閾値以上の商品、購入人数が閾値以上の商品などを例示することができる。

購入数集計部１１５は、販売履歴格納部１１１及び消費者情報格納部１１３に格納されている情報を基に、既存の手法により事前に対象商品の推薦が行われた消費者（以下、既推薦消費者と称する）と事前に対象商品の推薦が行われていない消費者（以下、未推薦消費者と称する）とを抽出する。そして、購入数集計部１１５は、対象商品が既存の手法により事前に推薦された期間（以下、推薦期間と称する）内に既推薦消費者が対象商品を購入した購入数と、推薦期間内に未推薦消費者が対象商品を購入した購入数とを、消費者毎に集計する。

より具体的には、購入数集計部１１５は、販売履歴格納部１１１及び消費者情報格納部１１３に格納されている情報を基に、既推薦消費者と未推薦消費者とを予め定められた人数（例えば、５００人）ずつ抽出する。この場合、購入数集計部１１５は、抽出した５００人の既推薦消費者が推薦期間内に対象商品を購入した購入数と５００人の未推薦消費者が推薦期間内に対象商品を購入した購入数とを消費者毎に集計する。
ここで、購入数集計部１１５は、既推薦消費者と未推薦消費者とをランダムに抽出しても良いし、予め定められた条件を満たす消費者の中から既推薦消費者及び未推薦消費者を抽出しても良い。予め定められた条件を満たす消費者としては、例えば、過去に購入した対象商品の個数が閾値以上である消費者や、過去１か月以内に対象商品を購入したことのある消費者などを例示することができる。

相関関係算出部１１６は、購入数集計部１１５により抽出された既推薦消費者及び未推薦消費者に対して、対象商品をどれくらい嗜好するかを示す度合である嗜好度合を消費者毎に計算する。そして、相関関係算出部１１６は、既推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係を算出する。また、相関関係算出部１１６は、未推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係を算出する。

図３（ａ），（ｂ）は、既推薦消費者及び未推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係の一例を示す図である。図３（ａ），（ｂ）に示すグラフにおいて、縦軸は、推薦期間内で各消費者により購入された対象商品の購入数である。また、横軸は対象商品の嗜好度合である。そして、図３（ａ）に示すグラフは、既推薦消費者及び未推薦消費者のデータを消費者毎にプロットしたものである。即ち、嗜好度合に応じて、既推薦消費者及び未推薦消費者をそれぞれ並べたものである。また、図３（ｂ）に示すグラフは、図３（ａ）に示すデータを基に、例えば最小二乗法などにより生成された回帰曲線である。

例えば、図３（ｂ）に示す既推薦消費者Ａについて、対象商品の嗜好度合はＡ１であり、推薦期間内で対象商品を購入した数はＡ２である。また、例えば、図３（ｂ）に示す未推薦消費者Ｂについて、対象商品の嗜好度合はＢ１であり、推薦期間内で対象商品を購入した数はＢ２である。さらに、例えば、嗜好度合がＣ１の場合、既推薦消費者による対象商品の購入数はＣ２であり、未推薦消費者による対象商品の購入数はＣ３である。
このようにして、相関関係算出部１１６は、既推薦消費者及び未推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係を算出する。

なお、嗜好度合については、販売履歴格納部１１１、商品情報格納部１１２、消費者情報格納部１１３に格納されている各種情報を基に計算される。より具体的には、例えば、販売履歴格納部１１１に格納されている販売履歴の情報を基に、ある商品について、消費者による購入数が多いほどその消費者の嗜好度合を高くしたり、消費者による購入頻度が高いほどその消費者の嗜好度合を高くしたりして計算される。なお、商品の購入数を嗜好度合として用いても良い。
また、例えば、販売履歴格納部１１１に格納されている販売履歴の情報を基に、上述した協調フィルタリングの技術を用いて嗜好度合を計算しても良い。この場合、例えば、まず、協調フィルタリングにより各消費者の類似度が計算される。そして、例えば、一の消費者と他の消費者とが類似している場合、一の消費者にとって嗜好度合の高い商品は他の消費者にとっても嗜好度合が高いものと推測されて嗜好度合が計算される。

さらに、例えば、消費者の属性や商品の類似度を基に嗜好度合を計算しても良い。例えば、消費者の属性を基に嗜好度合を計算する場合、消費者情報格納部１１３に格納されている消費者の年齢や性別、居住地などの情報によって、各消費者がグループ分けされる。そして、例えば、グループ内の複数の消費者にとって嗜好度合の高い商品は、同一グループ内の他の消費者にとっても嗜好度合が高いものと推測されて嗜好度合が計算される。また、例えば、商品の類似度を基に嗜好度合を計算する場合、商品情報格納部１１２に格納されている商品の情報を基に、各商品の類似度が計算される。そして、例えば、一の商品と他の商品とが類似している場合、一の商品の嗜好度合の高い消費者は、他の商品の嗜好度合も高いものと推測されて嗜好度合が計算される。

抽出部の一例としての消費者選定部１１７は、相関関係算出部１１６により算出された相関関係を基に、対象商品を推薦する消費者を選定する。この消費者選定の手順の詳細については、後述する。

推薦部の一例としての商品情報出力部１１８は、消費者選定部１１７により選定された消費者を対象にして、対象商品の情報を出力する。ここで、商品情報出力部１１８は、対象商品の情報を商品情報格納部１１２から取得する。そして、商品情報出力部１１８が、取得した対象商品の情報を、例えば不図示のネットワークを介して、消費者選定部１１７に選定された消費者が所持する端末装置等に送信することにより、対象商品の推薦が行われる。

なお、図２に示す商品推薦装置１００を構成する各機能部は、ソフトウェアとハードウェア資源とが協働することにより実現される。具体的には、ＣＰＵ１０１が、対象商品選択部１１４、購入数集計部１１５、相関関係算出部１１６、消費者選定部１１７、商品情報出力部１１８等を実現するプログラムを、例えば磁気ディスク装置１０３からメインメモリ１０２に読み込んで実行することにより、これらの機能部が実現される。また、販売履歴格納部１１１、商品情報格納部１１２、消費者情報格納部１１３は、例えば磁気ディスク装置１０３により実現される。

＜消費者選定手順の説明＞
次に、消費者選定部１１７が対象商品を推薦する消費者を選定する手順について、詳細に説明する。
消費者選定部１１７は、まず、相関関係算出部１１６により算出された相関関係を基に、推薦期間内での既推薦消費者の購入数と未推薦消費者の購入数との差分を計算する。さらに説明すると、購入数の差分は、嗜好度合が同一の既推薦消費者及び未推薦消費者に対して、推薦期間内での既推薦消費者の購入数から未推薦消費者の購入数を引くことにより求められる値である。この値は、対象商品を推薦したことによる購入数の増加量（向上度）として捉えることもでき、以下では「購入数向上度」と称する場合がある。本実施の形態では、推薦による影響度の一例として、購入数向上度が用いられる。

付言すると、購入数向上度が大きいほど、対象商品を推薦したことによる購入数の増加量が大きいことになる。そのため、購入数向上度が最大付近の嗜好度合を有する消費者は、対象商品を推薦することで購買意欲が高まり、より多くの対象商品を購入することが期待される。そこで、本実施の形態において、消費者選定部１１７は、このような消費者を、対象商品を推薦すべき消費者として選定する。

より具体的には、消費者選定部１１７は、例えば、消費者情報格納部１１３に各種情報が格納されている消費者について、各消費者の嗜好度合を計算する。そして、消費者選定部１１７は、嗜好度合を計算した消費者の中から、対象商品を推薦すべき消費者として、購入数向上度が最大付近の嗜好度合を有する消費者を選定する。ここで、購入数向上度が最大付近の嗜好度合とは、例えば、購入数向上度が最大となる嗜好度合から予め定められた範囲内の嗜好度合であることを例示することができる。

ここで、消費者選定部１１７は、消費者情報格納部１１３に各種情報が格納されている消費者の中から、対象商品を推薦すべき消費者を選定することとしたが、このような構成に限られるものではない。例えば、消費者選定部１１７は、既推薦消費者及び未推薦消費者に限定して、これらの消費者の中から、対象商品を推薦すべき消費者を選定しても良い。
なお、本実施の形態では、購入数向上度が最大付近の嗜好度合を有する消費者は、影響度が予め定められた条件を満たす消費者の一例として用いられる。

図４は、購入数向上度の一例を説明するための図である。図４に示すグラフにおいて、縦軸は、推薦期間内で各消費者により購入された対象商品の購入数である。また、横軸は対象商品の嗜好度合である。そして、既推薦消費者の購入数と嗜好度合との相関関係を表す回帰曲線、未推薦消費者の購入数と嗜好度合との相関関係を表す回帰曲線を示している。例えば、領域Ｔ３における購入数向上度は、領域Ｔ１、領域Ｔ２における購入数向上度と比較して大きいといえる。

また、図５は、嗜好度合と購入数向上度との関係の一例を示す図である。図５に示すグラフにおいて、縦軸は対象商品の購入数向上度であり、横軸は対象商品の嗜好度合である。付言すると、例えば、図４に示す既推薦消費者の回帰曲線の値から未推薦消費者の回帰曲線の値を引くことにより、図５に示すグラフが生成される。図５に示す例では、領域Ｔ４は、購入数向上度が最大付近の領域である。そのため、消費者選定部１１７は、領域Ｔ４の嗜好度合を特定する。そして、消費者選定部１１７は、消費者情報格納部１１３に各種情報が格納されている各消費者について嗜好度合を計算して、領域Ｔ４の嗜好度合を有する消費者を選定する。

なお、購入数向上度は、対象商品を推薦したことによる購入数の増加量に関連する指標であればどのようなものでも良く、推薦期間内での既推薦消費者の購入数と未推薦消費者の購入数との差分に限られるものではない。例えば、推薦期間前の一定期間内での既推薦消費者の購入数と推薦期間中の一定期間内での既推薦消費者の購入数との差分を既推薦消費者の向上度とする。また、推薦期間前の一定期間内での未推薦消費者の購入数と推薦期間中の一定期間内での未推薦消費者の購入数との差分を未推薦消費者の向上度とする。そして、既推薦消費者の向上度から未推薦消費者の向上度を引いた値を、購入数向上度として用いても良い。

＜対象商品を推薦する消費者の選定を行う処理手順＞
次に、本実施の形態に係る商品推薦装置１００が、対象商品を推薦する消費者を選定する処理の手順について説明する。図６は、商品推薦装置１００が対象商品を推薦する消費者を選定する処理手順の一例を示したフローチャートである。ここでは、事前に既存の手法により商品の推薦が行われたものとして説明する。

まず、対象商品選択部１１４は、既存の手法により事前に推薦が行われた商品の中から対象商品を選択する（ステップ１０１）。次に、購入数集計部１１５は、販売履歴格納部１１１及び消費者情報格納部１１３に格納されている情報を基に、既推薦消費者及び未推薦消費者を予め定められた人数ずつ抽出する（ステップ１０２）。次に、購入数集計部１１５は、抽出した既推薦消費者及び未推薦消費者のそれぞれが推薦期間内に対象商品を購入した購入数を消費者毎に集計する（ステップ１０３）。

次に、相関関係算出部１１６は、既推薦消費者及び未推薦消費者について、対象商品の嗜好度合を消費者毎に計算する（ステップ１０４）。次に、相関関係算出部１１６は、既推薦消費者及び未推薦消費者について、推薦期間内での対象商品の購入数と嗜好度合との相関関係を算出する（ステップ１０５）。ステップ１０５において、相関関係算出部１１６は、例えば、図３（ｂ）に示すように、既推薦消費者の購入数と嗜好度合との相関関係を表す回帰曲線、未推薦消費者の購入数と嗜好度合との相関関係を表す回帰曲線を算出する。次に、消費者選定部１１７は、相関関係算出部１１６により算出された相関関係を基に、購入数向上度を計算する（ステップ１０６）。次に、消費者選定部１１７は、購入数向上度が最大付近の嗜好度合を特定する（ステップ１０７）。

次に、消費者選定部１１７は、消費者情報格納部１１３に各種情報が格納されている消費者の中から、特定した嗜好度合を有する消費者を選定する（ステップ１０８）。ステップ１０８において、消費者選定部１１７は、消費者情報格納部１１３に各種情報が格納されている各消費者について、対象商品の嗜好度合を計算する。そして、嗜好度合を計算した消費者の中から、特定した嗜好度合を有する消費者を選定する。次に、商品情報出力部１１８は、消費者選定部１１７により選定された消費者を対象にして、対象商品の情報を出力する（ステップ１０９）。そして、本処理フローは終了する。なお、既存の手法により事前に推薦が行われた商品が他にあれば、対象商品選択部１１４が続けて対象商品を選択して、ステップ１０１〜ステップ１０９の処理を繰り返し実行しても良い。

また、上述した例では、ステップ１０４及びステップ１０８において、嗜好度合を計算することとしたが、このような構成に限られるものではない。各商品の嗜好度合は、例えば１か月毎などの定期的に計算されることとしても良い。ステップ１０４及びステップ１０８において、嗜好度合が事前に計算されていれば、事前に計算済みの嗜好度合を用いて処理を行っても良い。

＜消費者選定手順の他の例１の説明＞
次に、対象商品を推薦する消費者選定手順の他の例について説明する。上述した例では、消費者選定部１１７は、購入数向上度が最大付近の嗜好度合を特定して消費者を選定することとした。ここで、予め定められた閾値を超える購入数向上度が２か所以上存在する場合、消費者選定部１１７は、対象商品を好む可能性が最も高い消費者を選定するために、より高い嗜好度合を有する消費者を選定しても良い。

図７は、対象商品を推薦する消費者選定手順の他の例１を説明するための図である。図７に示すグラフにおいて、縦軸は対象商品の購入数向上度であり、横軸は対象商品の嗜好度合である。そして、領域Ｔ５及び領域Ｔ６は、購入数向上度が予め定められた閾値を超える領域である。ここで、消費者選定部１１７は、領域Ｔ５及び領域Ｔ６のうち嗜好度合が高い方の領域Ｔ６を選択する。そして、消費者選定部１１７は、領域Ｔ６の嗜好度合を有する消費者を、対象商品を推薦する消費者として選定する。

なお、この例では、対象商品を好む可能性が最も高い消費者を選定するために、より高い嗜好度合を有する消費者を選定することとしたが、このような構成に限られるものではない。消費者選定部１１７は、例えば、嗜好度合が低い消費者の需要を喚起して新しい購買層を開拓するために、より低い嗜好度合（図７に示す例では、領域Ｔ５の嗜好度合）を有する消費者を選定しても良い。

＜消費者選定手順の他の例２の説明＞
消費者選定部１１７は、消費者を複数のグループに分けて、各グループについて嗜好度合と購入数向上度との関係を算出し、複数のグループの中で購入数向上度が最大付近の嗜好度合を特定して消費者を選定しても良い。

図８は、対象商品を推薦する消費者選定手順の他の例２を説明するための図である。図８に示すグラフにおいて、縦軸は対象商品の購入数向上度であり、横軸は対象商品の嗜好度合である。そして、消費者をグループＡ、グループＢ、グループＣの３つのグループに分けて、各グループについて嗜好度合と購入数向上度との関係を示している。ここで、各グループでは、嗜好度合がＤ１付近で購入数向上度が最も高くなるが、その中でもグループＡの購入数向上度が他のグループの購入数向上度と比べて高い。そこで、消費者選定部１１７は、複数のグループの中で購入数向上度が最も大きい領域Ｔ７を選択する。そして、消費者選定部１１７は、グループＡに属する消費者であって、領域Ｔ７の嗜好度合を有する消費者を、対象商品を推薦する消費者として選定する。

ここで、複数のグループは、例えば、各消費者の属性や購入履歴、推薦履歴などを基に設定される。また、設定されたグループ毎に、既推薦消費者及び未推薦消費者が予め定められた人数ずつ抽出される。そして、図８に示すように、各グループについて、嗜好度合と購入数向上度との関係が算出される。

なお、この例では、複数のグループの中で購入数向上度が最も大きい領域の嗜好度合を有する消費者を選定することとしたが、このような構成に限られるものではない。消費者選定部１１７は、例えば、複数のグループのそれぞれにおいて、最大付近の嗜好度合を特定したり、購入数向上度が予め定められた閾値を超える嗜好度合を特定したりして、グループ毎に消費者を選定しても良い。このように、グループ毎に消費者を選定することにより、消費者の属性や購入履歴、推薦履歴に応じて、対象商品を推薦すべき消費者の選定が行われることとなる。

＜対象商品選択手順の他の例１の説明＞
次に、対象商品の選択手順の他の例１について説明する。複数の対象商品のそれぞれにおいて消費者を選定した場合、２つ以上の対象商品で共通の消費者が選定される場合が考えられる。このような場合には、選定された消費者に対して、複数の対象商品を推薦しても良い。

図９（ａ），（ｂ）は、複数の対象商品で共通の消費者が選定される場合の一例を説明するための図である。図示の例では、複数の対象商品を商品Ａ及び商品Ｂとして説明する。図９（ａ）は、商品Ａについて嗜好度合と購入数向上度との関係を示した図である。図９（ｂ）は、商品Ｂについて嗜好度合と購入数向上度との関係を示した図である。

図９（ａ）に示す例では、購入数向上度が最大付近の嗜好度合を有する消費者として、消費者ａが選定される。言い換えると、商品Ａを推薦する消費者として、消費者ａが選定される。また、図９（ｂ）に示す例でも、購入数向上度が最大付近の嗜好度合を有する消費者として、消費者ａが選定される。言い換えると、商品Ｂを推薦する消費者として、消費者ａが選定される。このようにして、消費者ａに対しては、商品Ａ及び商品Ｂの両方が推薦されることになる。なお、図９に示す例では、複数の対象商品が２つの場合について説明したが、複数の対象商品は３つ以上であっても良い。

＜対象商品選択手順の他の例２の説明＞
対象商品選択手順の他の例１のように、共通の消費者に対して複数の対象商品を推薦したとしても、推薦の効果が期待されない場合も考えられる。例えば、商品Ａと商品Ｂとは類似しており、商品Ａ及び商品Ｂを一緒に購入する消費者が少ないような場合には、共通の消費者に対して商品Ａ及び商品Ｂの両方を推薦したとしても、推薦の効果が期待されないことが考えられる。

より具体的には、商品Ａの購入率が上昇するほど商品Ｂの購入率が低下し、商品Ａ及び商品Ｂの購入率が負の相関（即ち、相関係数が負の値）を持つような場合には、共通の消費者に対して商品Ａ及び商品Ｂの両方を推薦したとしても、その消費者が商品Ａ及び商品Ｂを一緒に購入する可能性は低く、推薦の効果が期待されないことが考えられる。このように、複数の対象商品を推薦したとしても推薦の効果が期待されないような場合には、商品情報出力部１１８は、予め定められた基準に従って何れか１つの対象商品を選択して消費者に推薦しても良い。

なお、２つの商品の購入率が負の相関を持つ場合とは、例えば、両者の購入率の相関係数が予め定められた値より小さくなる場合であることを例示することができる。
また、商品の購入率とは、例えばスーパーマーケットやＷｅｂサイトを訪問した全消費者のうち、その商品を購入した消費者の割合である。この購入率の値は、販売履歴格納部１１１に格納されている情報を基に、例えば、営業日毎や営業時間毎に計算されるものとする。

図１０は、購入率が負の相関を持つ２つの対象商品の一例を説明するための図である。図１０に示すグラフにおいて、縦軸は商品Ａの購入率であり、横軸は商品Ｂの購入率である。図示の例では、スーパーマーケットで対象商品が販売されたものとして説明する。この場合、商品Ａの購入率は、スーパーマーケットを訪問した全消費者のうち商品Ａを購入した消費者の割合である。また、商品Ｂの購入率は、スーパーマーケットを訪問した全消費者のうち商品Ｂを購入した消費者の割合である。そして、商品Ａの購入率が上昇するにつれて商品Ｂの購入率は低下しており、商品Ａ及び商品Ｂの購入率は負の相関を示している。

このような場合には、商品情報出力部１１８は、予め定められた基準に従って商品Ａ及び商品Ｂの何れか１つの対象商品を推薦する。予め定められた基準としては、例えば、粗利や利益率が大きい商品を選択すること、在庫数の多い商品を選択すること、推薦にかかる費用が少ない商品を選択することを例示することができる。

図１１は、購入率が負の相関を持つ２つの対象商品の具体例を示す図である。図１１に示すグラフにおいて、縦軸はレタスＡの購入率であり、横軸はレタスＢの購入率である。図示のように、２つの対象商品の購入率は負の相関を示す。即ち、レタスＢを購入する消費者が多いほどレタスＡを購入する消費者は少なくなり、レタスＡを購入する消費者が多いほどレタスＢを購入する消費者は少なくなる。このような場合には、予め定められた基準に従ってレタスＡ及びレタスＢの何れか１つが推薦される。

なお、上述したように、各商品の購入率の値は、例えば、営業日毎や営業時間毎に計算される。そして、計算された購入率の値を基に、複数の対象商品の購入率が負の相関を示すか否かが判定される。ここで、各商品に関して、購入率が負の相関を示す他の商品の情報を予め設定しておいても良い。この場合、商品情報出力部１１８は、共通の消費者に対して複数の対象商品を選定した際に、予め設定された情報により、複数の対象商品が負の相関を示すか否かを判定できるようになる。

また、ここでは、複数の対象商品が２つの場合について説明したが、複数の対象商品は３つ以上であっても良い。例えば、商品Ａ，商品Ｂ，商品Ｃを共通の消費者に推薦する場合、商品Ａと商品Ｂとの相関関係、商品Ｂと商品Ｃとの相関関係、商品Ａと商品Ｃとの相関関係により、３つ全部、３つのうち２つの商品、または３つのうち何れか１つの商品が推薦される。

＜対象商品選択手順の他の例３の説明＞
また、対象商品を推薦する場合に、その対象商品と一緒に購入される傾向のある他の商品が存在すれば、商品情報出力部１１８は、他の商品を一緒に推薦しても良い。より具体的には、一の商品の購入率が上昇するほど他の商品の購入率も上昇し、一の商品及び他の商品の購入率が正の相関（即ち、相関係数が正）を持つような場合には、商品情報出力部１１８は、一の商品とともに他の商品を推薦しても良い。
なお、２つの商品の購入率が正の相関を持つ場合とは、例えば、両者の購入率の相関係数が予め定められた値より大きくなる場合であることを例示することができる。

図１２は、購入率が正の相関を持つ２つの対象商品の一例を説明するための図である。図１２に示すグラフにおいて、縦軸は商品Ａの購入率であり、横軸は商品Ｃの購入率である。ここで、商品Ａの購入率が上昇するにつれて商品Ｃの購入率も上昇しており、商品Ａ及び商品Ｃの購入率は正の相関を示している。即ち、商品Ａを購入する消費者が多いほど商品Ｃを購入する消費者は多くなり、商品Ｃを購入する消費者が多いほど商品Ａを購入する消費者は多くなる。このような場合には、商品Ａを購入する消費者は商品Ｃも一緒に購入する傾向があり、商品Ａ及び商品Ｃを一緒に推薦することにより、両方の商品の購入数が向上するような推薦の効果が期待される。そこで、商品情報出力部１１８は、商品Ａを消費者に推薦する場合、商品Ａとともに商品Ｃも推薦する。

図１３は、購入率が正の相関を持つ２つの対象商品の具体例を示す図である。図１３に示すグラフにおいて、縦軸は焼き鳥Ａの購入率であり、横軸は焼き鳥Ｂの購入率である。図示のように、２つの対象商品の購入率は正の相関を示す。即ち、焼き鳥Ａを購入する消費者が多いほど焼き鳥Ｂを購入する消費者は多くなり、焼き鳥Ｂを購入する消費者が多いほど焼き鳥Ａを購入する消費者は多くなる。このような場合、焼き鳥Ａ及び焼き鳥Ｂの両方が推薦される。

なお、対象商品選択手順の他の例２と同様に、各商品において、購入率が正の相関を示す他の商品の情報を予め設定しておいても良い。この場合、商品情報出力部１１８は、一の商品を推薦する際に、予め設定された情報により、一の商品の購入率に対して正の相関を示す他の商品を特定し、一の商品と他の商品とをまとめて推薦できるようになる。
また、ここでは、一の商品とともに推薦する他の商品が１つである場合について説明したが、一の商品の購入率に対して正の相関を示す他の商品が２つ以上あれば、商品情報出力部１１８は、一の商品とともに２つ以上の他の商品を推薦しても良い。

さらに、対象商品選択手順の他の例２及び例３については、図６に示す処理で対象商品を選択した場合に限られず、単独で、対象商品選択手順の他の例２又は例３の処理を行っても良い。即ち、商品情報出力部１１８は、消費者に対して商品を推薦する際に、対象商品選択手順の他の例２のように、負の相関を持つ複数の商品を一緒に推薦しないようにしたり、対象商品選択手順の他の例３のように、正の相関を持つ複数の商品を一緒に推薦したりしても良い。

＜商品推薦装置の他のハードウェア構成例＞
ところで、本実施の形態に係る商品推薦装置１００の処理は、プリント機能を有する画像形成装置において実現しても良い。そこで、商品推薦装置１００の処理を画像形成装置で実現するものとして、そのハードウェア構成について説明する。

図１４は、本実施の形態を適用可能な画像形成装置のハードウェア構成例を示した図である。
図示するように、商品推薦装置１００は、ＣＰＵ（Central Processing Unit）１２１と、ＲＡＭ（Random Access Memory）１２２と、ＲＯＭ（Read Only Memory）１２３と、ＨＤＤ（Hard Disk Drive）１２４と、操作パネル１２５と、画像読み取り部１２６と、画像形成部１２７と、通信インタフェース（以下、「通信Ｉ／Ｆ」と表記する）１２８とを備える。

ＣＰＵ１２１は、ＲＯＭ１２３等に記憶された各種プログラムをＲＡＭ１２２にロードして実行することにより、図２に示す商品推薦装置１００を構成する各機能部を実現する。
ＲＡＭ１２２は、ＣＰＵ１２１の作業用メモリ等として用いられるメモリである。
ＲＯＭ１２３は、ＣＰＵ１２１が実行する各種プログラム等を記憶するメモリである。
ＨＤＤ１２４は、画像読み取り部１２６が読み取った画像データや画像形成部１２７における画像形成にて用いる画像データ等を記憶する例えば磁気ディスク装置である。
操作パネル１２５は、各種情報の表示やユーザからの操作入力の受付を行う例えばタッチパネルである。

画像読み取り部１２６は、用紙等の記録材に記録された画像を読み取る。ここで、画像読み取り部１２６は、例えばスキャナであり、光源から原稿に照射した光に対する反射光をレンズで縮小してＣＣＤ(Charge Coupled Devices)で受光するＣＣＤ方式や、ＬＥＤ光源から原稿に順に照射した光に対する反射光をＣＩＳ(Contact Image Sensor)で受光するＣＩＳ方式のものを用いるとよい。

画像形成部１２７は、用紙等の記録材に画像を形成する印刷機構である。ここで、画像形成部１２７は、例えばプリンタであり、感光体に付着させたトナーを記録材に転写して像を形成する電子写真方式や、インクを記録材上に吐出して像を形成するインクジェット方式のものを用いるとよい。
通信Ｉ／Ｆ１２８は、不図示のネットワークを介して他の装置との間で各種データの送受信を行う通信インタフェースとして機能する。

このように、商品推薦装置１００の処理が画像形成装置にて実現される場合、商品情報出力部１１８は、対象商品に関する情報を用紙に形成して出力しても良い。この場合、商品情報出力部１１８は、画像形成部１２７により実現される。
さらに説明すると、対象商品に関する情報として、例えば、商品名、商品説明、商品価格、商品画像などの情報が用紙に形成して出力される。このように対象商品に関する情報が形成された用紙が、広告として、例えば、消費者に直接配布されたり、新聞折り込みとして配布されたり、店頭に表示されたりすることにより、消費者に対して商品が推薦される。

ここで、対象商品選択手順の他の例１及び他の例３のように、共通の消費者に対して複数の商品を推薦する場合、商品毎に画像の色を変えたり、商品毎に用紙内でのスペースの比率を変えたりしても良い。例えば、商品情報出力部１１８は、複数の商品のうち、粗利や利益率が最も大きい商品の情報をカラーにして、その他の商品の情報を白黒にして出力しても良い。

また、商品推薦装置１００の機能を、複数の装置に分けて実現しても良い。例えば、販売履歴格納部１１１、商品情報格納部１１２、消費者情報格納部１１３、対象商品選択部１１４、購入数集計部１１５、相関関係算出部１１６、消費者選定部１１７の機能を図１に示すコンピュータ装置で実現し、商品情報出力部１１８の機能を図１４に示す画像形成装置で実現しても良い。この場合、コンピュータ装置及び画像形成装置を、商品推薦システムの一例として捉えることができる。

また、本実施の形態において、購入数集計部１１５は、各消費者の嗜好度合を考慮せずに既推薦消費者及び未推薦消費者を抽出することとしたが、このような構成に限られない。例えば、各消費者の嗜好度合を予め計算しておいた上で、嗜好度合の値に応じて既推薦消費者と未推薦消費者とを抽出しても良い。より具体的には、例えば、購入数集計部１１５は、予め計算された嗜好度合を基に、嗜好度合が低い消費者から高い消費者まで広く存在するように、既推薦消費者及び未推薦消費者を抽出しても良い。

さらに、本実施の形態では、消費者に対して既存の手法で事前に対象商品の推薦を行った後に、既推薦消費者及び未推薦消費者を抽出することとしたが、このような構成に限られない。例えば、既推薦消費者及び未推薦消費者の候補を先に抽出しておき、抽出した未推薦消費者の候補に対しては事前の推薦を行わずに、抽出した既推薦消費者の候補に対して既存の手法により事前に推薦を行うこととしても良い。

また、本実施の形態において、商品情報出力部１１８は、選定した消費者に対して対象商品の情報を出力することとしたが、例えば、対象商品に類似している他の商品が存在すれば、選定した消費者に対して他の商品の情報を出力しても良い。

さらに、上述した例において、本実施の形態に係る商品推薦装置１００は、対象商品を決定してその対象商品を推薦する消費者を選定することとしたが、商品の推薦を行う対象とする消費者（以下、対象消費者と称する）を決定して、この対象消費者に推薦すべき商品を選定する構成であっても良い。
この場合、例えばユーザの操作入力により、対象消費者が決定される。また、複数の商品について既存の手法により事前に推薦が行われ、消費者選定部１１７は、事前の推薦が行われた各商品について、図５に示すような嗜好度合と購入数向上度との関係を算出する。そして、消費者選定部１１７は、複数の商品の中から、対象消費者の嗜好度合が購入数向上度の最大付近を示すような商品を抽出する。ここで抽出される商品は、対象消費者に商品を推薦した場合の推薦による影響度が予め定められた条件を満たす商品の一例として捉えることができる。そして、商品情報出力部１１８は、対象消費者に対して、抽出された商品の推薦を行う。

なお、本発明の実施の形態を実現するプログラムは、通信手段により提供することはもちろん、ＣＤ−ＲＯＭ等の記録媒体に格納して提供することも可能である。

以上、本発明の実施の形態について説明したが、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、種々の変更又は改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。

１００…商品推薦装置、１１１…販売履歴格納部、１１２…商品情報格納部、１１３…消費者情報格納部、１１４…対象商品選択部、１１５…購入数集計部、１１６…相関関係算出部、１１７…消費者選定部、１１８…商品情報出力部

Claims (8)

1. コンピュータに、
   記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める機能と、
   前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める機能と、
   前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出する機能と、
   前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する機能と、
   前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定する機能と、
   特定された前記指標値を有する消費者に前記特定の商品を推薦する機能と
   を実現させるためのプログラム。
2. 前記推薦する機能は、前記特定の商品と他の商品との間に正の相関関係がある場合、前記予め定めた条件を満たす指標値を有する消費者に当該特定の商品とともに当該他の商品を推薦すること
   を特徴とする請求項１に記載のプログラム。
3. 前記推薦する機能は、複数の商品のそれぞれについて特定された各前記指標値を有する消費者が共通である場合、当該消費者に当該複数の商品を推薦すること
   を特徴とする請求項１に記載のプログラム。
4. 前記推薦する機能は、前記複数の商品の間に負の相関関係がある場合、前記消費者に当該複数の商品のうちの一部の商品を推薦すること
   を特徴とする請求項３に記載のプログラム。
5. コンピュータに、
   記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める機能と、
   前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める機能と、
   前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する嗜好を表す指標値を算出する機能と、
   前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する機能と、
   推薦の対象者に決定された第３の消費者について、前記特定の商品についての嗜好を表す指標値を算出する機能と、
   前記第３の消費者について算出された前記指標値が、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす指標値に含まれる場合、対応する前記特定の商品を、前記第３の消費者に推薦する機能と
   を実現させるためのプログラム。
6. 記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求める第１の算出部と、
   前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求める第２の算出部と、
   前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出する第３の算出部と、
   前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算する第４の算出部と、
   前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定する特定部と、
   特定された前記指標値を有する消費者に前記特定の商品を推薦部と
   を備える商品推薦システム。
7. 前記推薦部は、前記特定の商品についての画像を記録材に形成して出力することにより、当該特定の商品の推薦を行うこと
   を特徴とする請求項６に記載の商品推薦システム。
8. コンピュータが、記憶装置から読み出される販売の履歴に基づいて、推薦期間内に特定の商品に対する推薦を受けた第１の消費者による当該特定の商品の購入数を求めるステップと、
   前記コンピュータが、前記記憶装置から読み出される販売の履歴に基づいて、前記推薦期間に前記特定の商品に対する推薦を受けなかった第２の消費者による当該特定の商品の購入数を求めるステップと、
   前記コンピュータが、前記第１の消費者及び前記第２の消費者のそれぞれについて、前記特定の商品に対する各消費者の嗜好を表す指標値を算出するステップと、
   前記コンピュータが、前記指標値毎に、前記第１の消費者の集まりを代表する第１の購入数と前記第２の消費者の集まりを代表する第２の購入数とを計算するステップと、
   前記コンピュータが、前記第２の購入数に対する前記第１の購入数の増加量が予め定めた条件を満たす前記指標値を特定するステップと、
   前記コンピュータが、特定された前記指標値を有する消費者に前記特定の商品を推薦するステップと
   を含む商品推薦方法。

Images