JP6745343B2 - 顧客意思決定ツリー生成システム - Google Patents

Description

分野
一実施形態は、全体的に、コンピュータシステムを対象とし、特に、顧客意思決定ツリーを生成するコンピュータシステムを対象とする。

背景情報
購買意思決定プロセスは、商品またはサービスの購入前、購入中、および購入後に消費者が行う潜在的な市場取引についての意思決定プロセスである。より一般的には、意思決定は、複数の選択肢の中から行動方針を選択する認知過程である。よくある例に、買い物や、何を食べるかを決めることなどがある。

一般に、消費者の購買意思決定を分析する３つの方法がある。（１）経済的モデル。このモデルは、非常に定量的であり、合理性の仮定およびほぼ完全な知識に基づく。消費者は、自身の効用を最重要視すると見られる。（２）心理的モデル。このモデルは、モチベーションおよびニーズの認識など、心理的および認知過程に重点を置く。このモデルは、定量的というよりむしろ定性的であり、文化的影響および家族の影響のような社会学的要因に基づく。（３）顧客行動モデル。これは、マーケターが利用する実用的なモデルである。このモデルは、通常、経済的モデルと心理的モデルとを組み合わせたモデルである。

顧客行動モデルの１つのタイプが「顧客意思決定ツリー」（「ＣＤＴ」）として知られている。ＣＤＴは、所定のカテゴリーのアイテムの購入に関する商品属性空間における、顧客の意思決定の階層を図に表したものである。ＣＤＴは、顧客が、欲しいアイテムに絞り込む前に、あるカテゴリー内の互いに異なる選択肢（属性に基づく）についてどう考えるかをモデル化し、顧客の購買意思決定を理解するのに役立つ。また、これは、「商品セグメンテーションおよびカテゴリー構造」としても一般的に知られている。ＣＤＴは、従来、市場調査のサーベイおよびその他のツールに基づいて、ブランドメーカーまたは第三者の市場調査会社によって作成される。しかしながら、これらの方法は、正確さに欠け、且つ、ブランドメーカーが提供するバイアスのかかったデータに基づくことがあるため、信憑性に欠ける可能性がある。

概要
一実施形態は、顧客意思決定ツリーを生成するシステムである。システムは、小売アイテム取引売上データを受け付ける。システムは、売上データをアイテム／店舗／期間レベルに集成し、売上データを属性値／店舗／期間レベルに集成する。システムは、期間の売上シェアを判定し、属性値ペア間の相関関係に基づいて、属性値ペアについての類似度を判定する。次に、システムは、判定された類似度に基づいて、最上位属性を判定する。

本発明の実施形態に係る、コンピュータサーバ／システムのブロック図である。 一実施形態に係る、小売店の取引データに基づいて自動的に生成されるヨーグルト商品カテゴリーについての例示的なＣＤＴを示す図である。 一実施形態に係るＣＤＴを生成する際の図１のＣＤＴ生成モジュールの機能のフロー図である。 一実施形態に係る、類似度を判定する際の図１のＣＤＴ生成モジュールの機能のフロー図である。 一実施形態に係る、類似度に基づいてＣＤＴを生成する際の図１のＣＤＴ生成モジュールの機能のフロー図である。 一実施形態に係る、ＣＤＴ生成モジュールが生成するＣＤＴを示す図である。

詳細な説明
一実施形態は、アイテムの類似度を判定するために、小売店の取引データ、具体的には、アイテム‐店舗‐週を集成した売上数量データを利用して、顧客意思決定ツリー（「ＣＤＴ」）を自動的に生成する。そのため、ＣＤＴを生成するために、ポイントプログラムを利用していない小さな小売店も入手可能な取引データを使用することができる。さらに、実施形態は、小売店のどのアイテム同士が１つのカテゴリーにおいて同類であるかについての判定を行う。

図１は、本発明の実施形態に係る、コンピュータサーバ／システム１０のブロック図である。１つのシステムとして図示しているが、システム１０の機能は、分散システムとして実装することができる。さらに、本明細書に開示の機能は、互いにネットワークを通じて接続され得る別々のサーバまたは装置上に実装することができる。さらに、システム１０の１つ以上の構成要素が備えられなくてもよい。たとえば、サーバの機能について、システム１０は、プロセッサおよびメモリを備える必要があってもよいが、キーボードまたはディスプレイなど、図１に示すその他の構成要素のうちの１つ以上は備えなくてもよい。

システム１０は、情報を通信するためのバス１２またはその他の通信機構と、情報を処理するための、バス１２に接続されたプロセッサ２２とを含む。プロセッサ２２は、任意の種類の汎用プロセッサまたは特定用途向けプロセッサであってもよい。システム１０は、さらに、プロセッサ２２によって実行される情報および命令を格納するためのメモリ１４を備える。メモリ１４は、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（「ＲＡＭ」）、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（「ＲＯＭ」）、磁気もしくは光ディスク、またはその他の種類のコンピュータ読み取り可能な媒体などの静的記憶装置、のうちの任意の組み合わせから構成できる。システム１０は、さらに、ネットワークにアクセスできるようにするために、ネットワークインターフェースカードなどの通信装置２０を含む。そのため、ユーザは、システム１０と直接インターフェース接続する、またはネットワークもしくは任意のその他の方法を通じて間接的にインターフェース接続することができる。

コンピュータ読み取り可能な媒体は、プロセッサ２２がアクセスできる任意の入手可能な媒体であってもよく、揮発性および不揮発性媒体の両方、リムーバブルおよびソリッドステートメディア、ならびに通信媒体を含む。通信媒体は、コンピュータ読み取り可能な命令、データ構造、プログラムモジュール、または搬送波もしくはその他の移送機構などの変調データ信号に含まれるその他のデータを含み得、任意の情報配信媒体を含む。

プロセッサ２２は、さらに、バス１２を介して液晶ディスプレイ（「ＬＣＤ」）などのディスプレイ２４に接続される。さらに、ユーザがシステム１０とインターフェース接続できるようにするために、キーボード２６、およびコンピュータマウスなどのカーソル制御デバイス２８がバス１２に接続される。

一実施形態において、メモリ１４は、プロセッサ２２によって実行されたときに機能を提供するソフトウェアモジュールを格納する。モジュールは、システム１０のためのオペレーティングシステム機能を提供するオペレーティングシステム１５を含む。モジュールは、さらに、小売店の消費者データからＣＤＴを自動的に生成する顧客意思決定ツリー生成モジュール１６、および本明細書に開示のすべてのその他の機能を含む。システム１０は、より大きなシステムの一部であることができる。そのため、システム１０は、追加機能を含むために、小売管理システム（たとえば、「オラクル社製のＯｒａｃｌｅ Ｒｅｔａｉｌ Ｍｅｒｃｈａｎｄｉｓｉｎｇ Ｓｙｓｔｅｍ」または「Ｏｒａｃｌｅ Ｒｅｔａｉｌ Ａｄｖａｎｃｅｄ Ｓｃｉｅｎｃｅ Ｅｎｇｉｎｅ」（「ＯＲＡＳＥ」））または（統合基幹業務「ＥＲＰ」）システムなど、１つ以上の追加の機能モジュール１８を含めることができる。データベース１７は、モジュール１６および１８用の集中ストレージを提供するためにバス１２に接続され、顧客データ、商品データ、取引データなどを格納する。一実施形態において、データベース１７は、格納されたデータを管理するために構造化照会言語（「ＳＱＬ」）を使用できるリレーショナルデータベース管理システム（「ＲＤＢＭＳ」）である。一実施形態において、販売時点情報管理（「ＰＯＳ」）端末１００は、ＣＤＴを生成するために使用される取引データ（たとえば、アイテム‐店舗‐週を集成した売上数量データ）を生成する。ＰＯＳ端末１００自体が、一実施形態に係るＣＤＴを生成するための追加の処理機能を含めることができる。

説明したように、ＣＤＴは、小売業界における基準の図であり、小売店が販売する商品の属性に起因すると顧客が考える重要度を示す。小売店の商品の各カテゴリーは、当該カテゴリーから商品を購入する顧客の行動を記述した独自の顧客意思決定ツリーを有してもよい。カテゴリーの属性は、ツリー状に配置され、「最も重要」な属性がツリーの根にあり、残りの属性がツリーの枝に沿って配置される。「最も重要」な属性は、カテゴリーから商品を購入する際に、カテゴリーの顧客がまず注目するカテゴリーの属性を示す。次に、枝は、カテゴリーの顧客が残りの属性を考慮する順序を示す。

図２は、一実施形態に係る、小売店の取引データに基づいてシステム１０が自動的に生成するヨーグルト商品カテゴリーの例示的なＣＤＴ２００である。図２に示すように、ヨーグルト商品カテゴリーの商品属性は、大きさ、ブランド、フレーバー（ｆｌａｖｏｒ）、生産方法などを含む。商品属性「サイズ」の属性値には、小、中、大が含まれる。商品属性「ブランド」の属性値には、主流ブランドおよびニッチブランドが含まれる。商品属性「生産方法」の属性値には、オーガニックおよび非オーガニックが含まれる。商品属性「フレーバー」の属性値には、フレーバー無し、主流フレーバー、および特別フレーバーが含まれる。

ＣＤＴ２００は、ヨーグルトを購入する際の顧客の意思決定過程への見解を小売店に提供する。たとえば、サイズはヨーグルトのカテゴリー下で第１レベル属性値であるため、ＣＤＴ２００は、意思決定過程の間、ヨーグルト商品２０２のサイズ２０４〜２０６は、顧客の中で、概ね、最も重要な要因であることを示す。次に、好みのサイズによっては、ブランドまたは生産方法が２番目に重要な要因であると考えられる。たとえば、小サイズを好む顧客にとって、生産方法（たとえば、オーガニック２１０または非オーガニック２１１）は、２番目に重要な要因である。しかしながら、中サイズまたは大サイズのアイテムを好む顧客にとっては、ブランドが２番目に重要な要因であり、生産方法は、意思決定過程に何ら影響を与えない。また、フレーバーは、主流ブランドが販売する中サイズまたは大サイズのヨーグルト商品を好む顧客の中では考慮されるが、小サイズのヨーグルト商品を好む顧客の意思決定過程には何ら影響を与えない。

これまで、ＣＤＴ生成は、自動プロセスではなかった。ＣＤＴ生成へのこれまでの取り組みは、顧客にインタビューする業界の専門家を雇って、店内での顧客の行動を調べる必要がある場合が多く、専門家は、その後、ＣＤＴを手作業で抽出していた。１つの既知の自動式の解決策が米国特許第８，８７４，４９９号に記載されており、これは、小売店のカテゴリーのこれまでの取引データを利用することによって、カテゴリーごとのＣＤＴを抽出する。しかしながら、この既知の解決策は、たとえば、顧客ポイントカードを利用して、小売店がカテゴリーのこれまでの取引を顧客ごとに分けることができることを必要とする。また、同じ顧客が比較的短期間のうちにカテゴリーにおいて複数回買い物をしていることも必要とする。取引データ上のこれらの必要条件によって、システムは、カテゴリーの顧客の「スイッチ行動」を調べることによって、属性の重要度、つまり、顧客がカテゴリーの１つの商品に常にこだわらないときに、カテゴリーの他のどの商品を顧客が購入したかを算出できるようになる。この既知の解決策は、このような「スイッチ行動」を調べるため、これまでの取引データが顧客ごとに特定でき、且つ、顧客が普段複数回買い物をするカテゴリーのＣＤＴしか算出できない。そうでない場合、調べるスイッチ行動が存在しない。

そのため、状況によっては、これらの既知の解決策に適していない多くのカテゴリーおよび多くの小売店がある。たとえば、多くの小売店、特に小さな小売店は、その費用の高さからポイントカードプログラムを実施していない。さらに、多くの小売店は、同じ顧客による常習的な購入の可能性が極めて少ないカテゴリーを販売している。これは、たとえば、ほとんどの電子機器カテゴリーを説明している。食料雑貨店など、多くの妥当なカテゴリーを有する小売店でさえ、食料雑貨店の鍋やフライパンなど、不適当なカテゴリーを有することになる可能性がある。

対照的に、本発明の実施形態は、顧客ポイントプログラムがなくても事実上すべての小売店によって生成されるデータである、アイテム‐店舗‐週を集成した売上数量データを利用する。そのため、実施形態は、費用のかかるポイントカードプログラムを実施する金銭的な余裕がない比較的小さな小売店を含むさまざまな小売店が利用することができる。さらに、実施形態は、携帯電話およびテレビなど、頻繁に購入されない商品のカテゴリーについてのＣＤＴを判定できる。

さらに、実施形態は、カテゴリーにおいてどのアイテム同士が同類であるかを判定できる。食料雑貨店でのヨーグルトカテゴリーなど、カテゴリーがどのアイテムから構成されているかが明確である場合が多いが、カテゴリーがあまり明確ではない多くの小売店がある。たとえば、ディズニーストアにおいて、顧客、特に子供が店舗で何かを買うとき、アイテムに特定のディズニーキャラクターが付されていれば、アイテムの機能が実際何であるかは気にしないことが多いため、カテゴリーが何であるかがはっきりしない可能性がある。そのため、たとえば、ペンが実際にマグカップの売上げを減らしてしまう可能性がある。よって、ペンとマグカップは、通常、異なるカテゴリーのアイテムであるにもかかわらず、ディズニーストアでは異なるカテゴリーでない方がよい。さらに、ペットのグルーミング商品については、異なる種類の犬のグルーミング用具は、同じ機能を果たすことができるため、用具自体は実際異なるとはいえ、互いの売上げを減らしてしまう可能性がある。

図３は、一実施形態に係るＣＤＴを生成するときの、図１のＣＤＴ生成モジュール１６の機能のフロー図である。一実施形態において、図３（および下記の図４および図５）のフロー図の機能は、メモリまたはその他のコンピュータ読み取り可能な媒体または有形の媒体に格納されたソフトウェアによって実装され、プロセッサによって実行される。その他の実施形態において、機能は、（たとえば、特定用途向け集積回路（「ＡＳＩＣ」）、プログラマブル・ゲート・アレイ（「ＰＧＡ」）、フィールド・プログラマブル・ゲート・アレイ（「ＦＰＧＡ」）などを使用して）ハードウェアによって実行され得、またはハードウェアとソフトウェアとの任意の組み合わせによって実行され得る。

図３において、３１０において、ＣＤＴ生成モジュール１６は、各商品ペアと各属性値ペアとの類似度を算出する。次に、３２０において、ＣＤＴ生成モジュール１６は、３１０から得られた類似度に基づいて、ＣＤＴを生成する。

図４は、一実施形態に係る、図３の３１０において類似度を判定するときの、図１のＣＤＴ生成モジュール１６の機能のフロー図である。３１０において類似度を算出する際、所定のカテゴリーについての各商品ペアと属性値ペアとの類似度を判定する。一般に、実施形態は、まず、たとえば、ＰＯＳ端末１００から売上データの形でデータ要素を受け付ける。次に、データを集成して、週単位の売上シェアを算出する。次に、属性値ペアについての類似度算出を行う。

データ要素については、４０２において、売上データを取引レベル（つまり、取引ＩＤ／顧客ＩＤ／店舗／日付／アイテム）レベルで受け付ける。取引とは、顧客識別情報（「ＩＤ」（ｃｕｓｔｏｍｅｒ＿ｉｄ））、取引ＩＤ（ｔｒａｎｓａｃｔｉｏｎ＿ｉｄ）、店舗ＩＤ（ｓｔｏｒｅ＿ｉｄ）、日付、および購入されたアイテムの、アイテムの売上数量、ドルでの売上高、および販売価格など、付随する情報との組み合わせによって特定される売上げの発生である。この情報は、個々の小売店舗用のほとんどのＰＯＳシステムで容易に入手可能である。下記の表１は、取引データを例示し、所定の日に所定の店舗（つまり、店舗ＩＤが１４２）で同じアイテム（つまり、アイテムＩＤ（ｉｔｅｍ＿ｉｄ）が２３４５）を購入した互いに異なる顧客を示している。

次に、４０４において、データをアイテム／週レベルに集成する。その他の実施形態において、週以外の異なる期間／測定値を使用できる（たとえば、日、月など）。一実施形態において、当該所定のアイテム／店舗／週に関するすべての取引ＩＤおよび顧客ＩＤの取引レベルデータが、アイテム／店舗／週レベルに集成される。ここで、このレベルが売上数量およびドルで示される。ここで、販売価格が、重み付けされた平均価格：ドル売上の総額／売上総数量、として明示される。表１の上記例を使用して、２０１５年５月１６日で終わる週について集成されたアイテム／店舗／週レベルデータは、ここで表２に示す次のようになる。

さらに、４０４において、データを属性値／店舗／週レベルに集成する。その他の実施形態において、週以外の異なる期間／測定値を使用できる（たとえば、日、月など）。一実施形態において、各アイテムは、商品属性タイプと、値とを有し、このレベルで総売上が示される。属性タイプの例として、フレーバー（たとえば、「ストロベリー」または「バニラ」という値）、サイズ（たとえば、「小」、「中」、または「大」という値）、ブランド（たとえば、「コーラ」または「ペプシ」という値）などがある。下記の表３は、フレーバー属性についての売上高を示す例である。

次に、集成データを使用して、実施形態は、４０６において、週単位の売上シェア、週単位でない場合、相応の時間測定の間の売上シェアを判定する。一実施形態において、週単位の売上シェアとは、属性値／店舗／週に属する売上の、同じ店舗／週の同じ属性タイプについての他のすべての属性値に対する割合である。所定の店舗／週について、所定の属性タイプの売上シェアの合計は、合算すると１００％になる。実施形態は、データ履歴におけるすべての属性タイプ／店舗／週についての週単位の売上シェアを判定する。

上記例を引き続き使用すると、下記の表４は、２０１５年５月１６日の週についての、売上シェア＝フレーバーの売上数量／週全体の売上数量、を示す。

また、週単位の売上シェアを、１店舗／週全体のすべてのアイテムについて演算する。下記の表５は、一例を示す。

次に、４０８において、実施形態は、属性値ペアについての類似度を判定する。一実施形態において、類似度は、その売上シェア履歴を横断して属性タイプ内で演算し、フレーバーペア（Ｘ，Ｙ）について、Ｘ_ｉおよびＹ_ｉは、フレーバーＸおよびＹの店舗／週のシェア値をそれぞれ表し、ｎは、フレーバーＸおよびＹのシェアがある店舗／週の総数を表すピアソン相関式を用いて、以下のように演算する。

実施形態は、すべてのフレーバー（Ｘ，Ｙ）ペアについてのＳＩＭ（Ｘ，Ｙ）を算出する。これらの類似度によって「フレーバー類似度」が構成される。ＳＩＭについての上記式は、−１と１との間の数を常に出す。属性値ＸおよびＹについて、−１に近いＳＩＭは、ＸのシェアとＹのシェアとが「反相関」であることを意味し、Ｘのシェアが増加するとＹのシェアが減少する、および、その逆の場合を意味する。したがって、顧客はＸをたくさん買えば買うほどＹを買わなくなる（およびその逆）ため、顧客にとって、ＸおよびＹは互いの代用品であるという点で類似しているに違いない。−１に近づけば近づくほど、ＸとＹとは互いの代用品になる。また、同じ方法で、実施形態は、すべてのその他の属性についての類似度も算出するため、たとえば、「ブランド類似度」、「サイズ類似度」などが得られる。

一実施形態において、上述の相関関係は、以下の擬似コードを利用したＳＱＬの組み込み関数「ｃｏｒｒ」を使用して算出され、

下記の表６に示す結果が得られる。

（上記の属性値の代わりに）ＸとＹが２つの異なるアイテムを表すアイテムペアについて同様の処理を繰り返す。よって、Ｘ_ＩおよびＹ_ｉは、特定の店舗／週におけるアイテムＸおよびアイテムＹのアイテムシェアをそれぞれ表す。そのため、ちょうど属性の属性値ペアごとに上記のＳＩＭ（Ｘ，Ｙ）を算出したように、実施形態は、アイテムのペア（Ｘ，Ｙ）ごとにＳＩＭ（Ｘ，Ｙ）を算出し、下記の表７に示す以下の例示的な結果が得られる。

さらに、４０８において、実施形態は、バイナリ属性についての類似度の算出を行う。バイナリ属性とは、２つの値しか持たない属性である。これらの値はごく一般的であり、通常、ある特性の有無を示す。下記に用いる一例は、「オーガニック」（つまり、食品アイテムがオーガニックであるかそうではないか）である。上記のＳＩＭを求める式を単純にバイナリ属性に適用すると、結果は常にＳＩＭ＝−１となる。これでは買い物客が属性をどのように扱っているかについての情報を提供できないため、バイナリ属性は特別な処理を必要とする。

バイナリ属性についての類似度を実行するために、以下のＳＱＬ擬似コードを用いることができる。

バイナリ属性についての類似度算出の例示的な結果を下記の表８に示す。

４１０において、次に、実施形態は、ＳＩＭ値の後処理を行う。属性ペアおよびアイテムペアの両方のＳＩＭ値において、実施形態は、ＳＩＭ値を次のように変更する。ＳＩＭ値が正である場合は０に設定し、負の場合は正にする。残りの開示について、使用されるＳＩＭ値は、後処理されたＳＩＭ値である。４１０における後処理ステップは、バイナリ属性タイプの類似度には用いられない。バイナリ属性タイプは負ではないことが上記の式２によってすでに保証されているためである。

４１２において、次に、実施形態は、各属性のＳＩＭ値をアイテムのＳＩＭ値と比較することによって「最上位属性」を求める。実施形態は、どの属性が顧客のアイテムレベルの購買行動を最もよく示しているのかを判定する。アイテムレベルのＳＩＭ値を各属性のＳＩＭ値と比較し、ＳＩＭ値がアイテムレベルの値に最も「一致」（後述する）する属性を求める。

フレーバーなど特定の属性について、実施形態は、アイテムおよび属性のＳＩＭ値を、下記の表９に示すように１つの表に編集する。ｆｌａｖｏｒ＿ｘ列は、ｉｔｅｍ＿ｘのフレーバーであり、同様に、ｆｌａｖｏｒ＿ｙは、ｉｔｅｍ＿ｙのフレーバーである。ｆｌａｖｏｒ＿ｓｉｍｉｌａｒｉｔｙは、ｆｌａｖｏｒ＿ｘとｆｌａｖｏｒ＿ｙとのＳＩＭ値である。なお、（ｉｔｅｍ＿ｘとｉｔｅｍ＿ｙとが同じフレーバーであるために）ｆｌａｖｏｒ＿ｘとｆｌａｖｏｒ＿ｙとが同じである場合、フレーバーが同じであるので、ｆｌａｖｏｒ＿ｓｉｍｉｌａｒｉｔｙは、１に等しい。そうでない場合、ｆｌａｖｏｒ＿ｓｉｍｉｌａｒｉｔｙは、単に、前述したように算出されたｆｌａｖｏｒ＿ｘとｆｌａｖｏｒ＿ｙとのＳＩＭ値である。

次に、実施形態は、次のＳＱＬ擬似コードを利用して、アイテム類似度および属性類似度（表９の例において、これは、ｉｔｅｍ＿ｓｉｍｉｌａｒｉｔｙ値およびｆｌａｖｏｒ＿ｓｉｍｉｌａｒｉｔｙ値を指す）に対して相関計算処理を実行する。これは、ｉｔｅｍ＿ｓｉｍｉｌａｒｉｔｙ列およびｆｌａｖｏｒ＿ｓｉｍｉｌａｒｉｔｙ列に対して相関を実行することを意味し、

下記の表１０に示す例示的な結果が得られる。

次に、実施形態は、すべての属性について繰り返し、その結果を下記の表１１の例のように編集する。

最大値を有する属性は、ＣＤＴにおいて最上位を有すると考えられるため、図３の３２０において生成されるＣＤＴの最上位レベル属性となる。ＣＤＴに追加するために、ＣＤＴのその他のレベルおよび枝を生成するために図４の機能を繰り返す。たとえば、「ブランド」が最上位属性であると判定されると、ブランド属性におけるブランドごとに、特定ブランド内である４０２において受け付けられたデータ要素のサブセットのみを用いて図４の機能を実行する。

図５は、一実施形態に係る、類似度に基づいてＣＤＴを生成する（図３の３２０）際の図１のＣＤＴ生成モジュール１６の機能のフロー図である。５１０において、同一商品カテゴリーの商品において、機能適合属性（ｆｕｎｃｔｉｏｎａｌ−ｆｉｔ ａｔｔｒｉｂｕｔｅ）があるかどうかを判定する。機能適合属性とは、その値を別の値に置き換えることがまずない商品属性である。たとえば、ワイパーブレードを買い物中の顧客は、車に合う対応するブレードを購入する必要がある。そのため、ワイパーブレード商品カテゴリーにおいて、商品属性「サイズ」が機能適合属性として判定される。商品属性「サイズ」は、たとえば、タイヤ、エアフィルタ、集塵袋、プリンターのカートリッジなどのその他の商品カテゴリーの機能適合属性にもなり得る。しかしながら、同一商品属性「サイズ」は、たとえば、フルーツ、ソフトドリンクなどのその他の商品カテゴリーの機能適合属性にはならないだろう。一般に、機能適合属性は、通常、アクセサリなどの非食料品アイテムに存在する。一実施形態における機能適合属性は、生成された顧客データから直接得ることができ、通常、算出しなくてよい。たとえば、小売店は、ワイパーブレードの場合、サイズが機能適合属性であるとはっきりと示すなど、通常、「機能適合」属性が何であるかをはっきりと特定する。

すべての機能適合属性が特定されると、機能適合属性は、ＣＤＴの商品カテゴリー直下の最上位レベルに自動的に配置される。図６は、一実施形態に係る、ＣＤＴ生成モジュール１６が生成するＣＤＴ６００を示す。ＣＤＴ６００は、商品カテゴリーを特定するカテゴリーレベル６１０を有する。図２に示すように、ヨーグルト商品カテゴリーについては、カテゴリーレベル６１０に「ヨーグルト」が表示されることになる。別の例において、「コーヒー」カテゴリーについては、カテゴリーレベル６１０に「コーヒー」が表示される。次に、機能適合属性がＣＤＴ６００の最上位レベル６２０に配置される。図６は、最上位レベル６２０の２つの機能適合属性（ＦＡ１、ＦＡ２）６２２、６２４を示す。しかしながら、ヨーグルトまたはコーヒーについては、機能適合属性がないと考えられる。

次に、図５の５２０において、最上位属性または分割属性を特定する。最上位属性は、図４の機能に従って判定される。

５３０において、アイテムを下位区分に分割する。下位区分は、５２０において特定された属性の特定の属性値に対応する。たとえば、５２０において、「形態」商品属性がコーヒーについての最上位属性であると判定された場合、「形態」商品属性は、コーヒーについての形態：「豆」、「挽き豆」、および「インスタント」の特定の値に各々が対応する３つの下位区分に分割される。下位区分は、図６の次のレベル６３０を形成する。下位区分は、最上位レベル６２０の下である。たとえば、図６は、機能適合属性６２２から枝分かれしたレベル６３０の２つの下位区分（Ａ１ａ、Ａ１ｂ）６３２、６３４を示す。５２０および５３０を下位区分ごとに繰り返し、下位区分ごとの終端ノードに到達するまでＣＤＴ６００を展開する（５４０においてＮｏ）。最終的に下位区分ごとの終端ノードに到達すると（５４０においてＹｅｓ）、プロセスは終了する。

開示したように、ツリーは、終端ノードが特定されるまで展開される。一実施形態において、ノードが終端であると宣言するための基準は、以下の通りである。

１．有効属性が特定されない。
２．ノードのアイテム数＜商品カテゴリーの総アイテムのｘ％。ここで、「ｘ」は、ツリーの大きさの上限を定める調整パラメータである。一実施形態において、ｘのデフォルト値は、１０である。

３．子ノードの平均非類似度（「ＡＤ」）（つまり、ノードにおける商品のすべての可能性のペアの平均）が、親ノードよりも大きい。２つの起こり得る下位のケースは、以下の通りである。

ａ．すべての子ノードが親ノードよりも大きいＡＤ値を有する場合、親ノードは、終端ノードであると宣言される。

ｂ．子ノードのうちのいくつかが親ノードよりも大きいＡＤ値を有する場合、これらのノードは閉じられ、その他の子ノードは、通常通り展開される。

開示したように、実施形態は、アイテム‐店舗‐週を集成した売上数量データに頼ってＣＤＴを生成する。アイテム‐店舗‐週を集成した売上数量データは、各店舗での各アイテムの週ごとの売上げ総数量にすぎないため、このようなデータは、カテゴリーに関係なく、概して、すべての小売店から入手可能である。そのため、顧客の識別情報など、取得することがより困難または費用のかかるデータは必要ない。

さらに、集成されたデータからＣＤＴを生成する既知のシステムは、一般に、よりスタンダードな統計学的手法に頼るが、これらはスタンダードであるにもかかわらずＣＤＴを算出する際に使用するには欠点がある。これらの既知の手法は、非常に大量の計算能力を必要とする可能性があり、実装することは難しいだろう。対照的に、実施形態は、ｓｔａｎｄａｒｄ ＳＱＬ クエリを用いて実装することができ、大きな顧客データセット上であっても非常に速く動く。

さらに、実施形態は、２つの値（Ｂｏｏｌｅａｎ属性として知られる）しか有さない属性を処理する。このような属性は、カテゴリーのアイテムにおける一定の特性の有無（たとえば、ヨーグルトがギリシャヨーグルトであるかどうか、またはシャンプーが低刺激性であるかどうか）を伝えるので、多くのカテゴリーにおいてとても一般的である。

いくつかの実施形態を本明細書において具体的に例示および／または説明した。しかしながら、開示の実施形態の変更例および変形例は、上記教示に包含され、意図する本発明の範囲の趣旨から逸脱することなく、添付の請求の範囲に含まれることがわかる。

Claims (14)

1. コンピュータによって実現され１つ以上のプロセッサによって実行される、顧客意思決定ツリー（ＣＤＴ）を商品カテゴリーに対して生成する方法であって、前記商品カテゴリーは複数の商品属性を含み、各商品属性は対応する複数の属性値を有し、前記方法は、
   小売アイテム取引売上データを受け付けるステップと、
   前記売上データを全ての顧客にわたってアイテム／店舗／期間レベルで集成することにより、対応する店舗識別子（ＩＤ）について、対応する商品ＩＤと前記期間内の前記商品ＩＤの売上数量とを含む第１の集成データを生成するステップと、
   前記売上データを全ての顧客にわたって属性値／店舗／期間レベルで集成することにより、対応する店舗ＩＤについて前記複数の属性値の各々に対する前記期間内の当該属性値の売上数量を含む第２の集成データを生成するステップと、
   前記第１の集成データおよび前記第２の集成データを用いて、前記期間の第１の売上シェアおよび第２の売上シェアを判定するステップとを含み、
   前記第１の売上シェアは、商品属性の他の全ての属性値に対する当該商品属性の各属性値についての売上の割合を含み、前記第２の売上シェアは、前記期間内に販売された他の全ての商品に対する各商品の売上の割合を含み、前記方法は、さらに、
   前記第１の売上シェアを用いて商品属性ごとに全ての可能な属性値ペア間の相関値を計算することにより、属性値ペアについての類似度を判定するステップと、
   前記第２の売上シェアを用いて全ての可能な商品ペア間の相関値を計算することにより、商品ペアについての類似度を判定するステップと、
   各商品属性ごとに、前記属性値ペアについての類似度と前記商品ペアについての類似度との相関値を計算して最も高い相関値を有する商品属性を決定することにより、最上位属性を判定するステップとを含む、方法。
2. 前記期間は、週単位を含む、請求項１に記載の方法。
3. バイナリ属性についての類似度を判定するステップをさらに含む、請求項１または２に記載の方法。
4. 正の値を０にするステップと負の値を対応する正の値に変更するステップとを含む、前記属性値ペアについての類似度および前記商品ペアについての類似度を後処理するステップをさらに含む、請求項１〜３のいずれか１項に記載の方法。
5. 前記属性値ペアについての類似度を判定するステップは、属性値ペア（Ｘ，Ｙ）について、Ｘ_ｉおよびＹ_ｉは、前記属性Ｘおよび前記属性Ｙの店舗／時間シェア値を表し、ｎは、ＸおよびＹの属性シェアがある店舗／期間の総数を表す、
   
   から構成されるＳＩＭの値を判定するステップを含む、請求項１〜４のいずれか１項に記載の方法。
6. 前記バイナリ属性についての類似度を判定するステップは、
   
   を含む、請求項３に記載の方法
7. 前記最上位属性を前記ＣＤＴの第１レベルとして割り当てるステップと、
   前記ＣＤＴの第２レベルを、各々が前記最上位属性の属性値に対応する複数の下位区分に分割するステップと、
   前記下位区分ごとに、前記下位区分値について、
   前記小売アイテム取引売上データを受け付けるステップ、
   前記売上データを前記アイテム／店舗／期間レベルで集成するステップ、
   前記売上データを前記属性値／店舗／期間レベルで集成するステップ、
   前記期間の第１の売上シェアおよび第２の売上シェアを判定するステップ、
   属性値ペア間の相関値を計算することにより、属性値ペアについての類似度を判定するステップ、
   商品ペア間の相関値を計算することにより、商品ペアについての類似度を判定するステップ、および
   前記属性値ペアについての類似度および前記商品ペアについての類似度に基づいて、前記最上位属性を判定するステップ、
   を繰り返すステップとをさらに含む、請求項１〜６のいずれか１項に記載の方法。
8. 顧客意思決定ツリー（ＣＤＴ）を商品カテゴリーごとに生成するＣＤＴ生成システムであって、前記商品カテゴリーは複数の商品属性を含み、各商品属性は対応する複数の属性値を有し、
   前記システムは、
   集成モジュールと、
   類似度モジュールとを備え、
   前記集成モジュールは、小売アイテム取引売上データを受け付けることに応答して、前記売上データを全ての顧客にわたってアイテム／店舗／期間レベルで集成することにより、対応する店舗識別子（ＩＤ）について、対応する商品ＩＤと前記期間内の前記商品ＩＤの売上数量とを含む第１の集成データを生成し、前記集成モジュールは、前記売上データを全ての顧客にわたって属性値／店舗／期間レベルで集成することにより、対応する店舗ＩＤについて前記複数の属性値の各々に対する前記期間内の当該属性値の売上数量を含む第２の集成データを生成し、
   前記類似度モジュールは、前記第１の集成データおよび前記第２の集成データを用いて、前記期間の第１の売上シェアおよび第２の売上シェアを判定し、前記第１の売上シェアは、商品属性の他の全ての属性値に対する当該商品属性の各属性値についての売上の割合を含み、前記第２の売上シェアは、前記期間内に販売された他の全ての商品に対する各商品の売上の割合を含み、前記類似度モジュールは、前記第１の売上シェアを用いて商品属性ごとに全ての可能な属性値ペア間の相関値を計算することにより、属性値ペアについての類似度を判定し、前記類似度モジュールは、前記第２の売上シェアを用いて全ての可能な商品ペア間の相関値を計算することにより、商品ペアについての類似度を判定し、前記類似度モジュールは、各商品属性ごとに、前記属性値ペアについての類似度と前記商品ペアについての類似度との相関値を計算して最も高い相関値を有する商品属性を決定することにより、最上位属性を判定する、顧客意思決定ツリー（ＣＤＴ）生成システム。
9. 前記属性値ペアについての類似度を判定することは、属性値ペア（Ｘ，Ｙ）について、Ｘ_ｉおよびＹ_ｉは、前記属性Ｘおよび前記属性Ｙの店舗／時間シェア値を表し、ｎは、ＸおよびＹの属性シェアがある店舗／期間の総数を表す、
   
   から構成されるＳＩＭの値を判定することを含む、請求項８に記載のシステム。
10. 前記類似度モジュールは、さらに、
    
    から構成される、バイナリ属性についての類似度を判定する、請求項８または９に記載のシステム。
11. 前記期間は、週単位を含む、請求項８〜１０のいずれか１項に記載のシステム。
12. 前記類似度モジュールは、さらに、正の値を０にすることと負の値を対応する正の値に変更することとを含む、前記前記属性値ペアについての類似度および前記商品ペアについて類似度の後処理を行う、請求項８〜１１のいずれか１項に記載のシステム。
13. レベル生成モジュールをさらに備え、
    前記レベル生成モジュールは、
    前記最上位属性を前記ＣＤＴの第１レベルとして割り当て、
    前記ＣＤＴの第２レベルを、各々が前記最上位属性の属性値に対応する複数の下位区分に分割し、
    前記下位区分ごとに、前記下位区分値について、
    前記小売アイテム取引売上データを受け付けることと、
    前記売上データを前記アイテム／店舗／期間レベルに集成することと、
    前記売上データを前記属性値／店舗／期間レベルに集成することと、
    前記期間の第１の売上シェアよび第２の売上シェアを判定することとと、
    属性値ペア間の相関値を計算することにより、属性値ペアについての類似度を判定することと、
    商品ペア間の相関値を計算することにより、商品ペアについての類似度を判定することと、
    前記属性値ペアについての類似度および前記商品ペアについての類似度に基づいて、前記最上位属性を判定することとを繰り返す、請求項８〜１２のいずれか１項に記載のシステム。
14. 命令を含むコンピュータプログラムであって、前記命令は、１つ以上のプロセッサによって実行されると、前記１つ以上のプロセッサに請求項１〜７のいずれか１項に記載の方法を実行させる、コンピュータプログラム。