JP7037223B1 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7037223B1 JP7037223B1 JP2021106864A JP2021106864A JP7037223B1 JP 7037223 B1 JP7037223 B1 JP 7037223B1 JP 2021106864 A JP2021106864 A JP 2021106864A JP 2021106864 A JP2021106864 A JP 2021106864A JP 7037223 B1 JP7037223 B1 JP 7037223B1
- Authority
- JP
- Japan
- Prior art keywords
- store
- mesh
- station
- statistics
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 230000002776 aggregation Effects 0.000 claims abstract description 160
- 238000004220 aggregation Methods 0.000 claims abstract description 125
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000007619 statistical method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 8
- 230000003467 diminishing effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 22
- 238000000034 method Methods 0.000 description 53
- 238000005054 agglomeration Methods 0.000 description 35
- 230000008569 process Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 21
- 238000012546 transfer Methods 0.000 description 18
- 238000007781 pre-processing Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 14
- 230000007423 decrease Effects 0.000 description 13
- 230000002093 peripheral effect Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000009825 accumulation Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 11
- 235000013305 food Nutrition 0.000 description 9
- 230000004888 barrier function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 208000035473 Communicable disease Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
図1は、本実施形態に係る情報処理システム1の構成の一例を示す概略図である。図1に示すとおり、情報処理システム1は、例えば、インターネット等の所定の通信ネットワークNを介して互いに通信可能に接続されたサーバ装置10及びユーザ端末20を有する。サーバ装置10は、ユーザ端末20からの要求に応じて、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて売上予測の対象となる店舗(対象店舗)の売上予測値等をユーザ端末20に対して提供する。
(2-1)ハードウェア構成
サーバ装置10及びユーザ端末20それぞれのハードウェア構成について説明する。サーバ装置10及びユーザ端末20はそれぞれ、1台又は複数台のコンピュータ500によって構成することができる。図2は、本実施形態に係るコンピュータ500のハードウェア構成の一例を示す概略図である。図2に示すように、コンピュータ500は、プロセッサ501、メモリ503、記憶装置505、入力I/F部507、データI/F部509、通信I/F部511、及び表示装置513を含む。
図3は、本実施形態に係るサーバ装置10の機能構成を示すブロック図の一例である。サーバ装置10は、例えば、1台又は複数台のコンピュータ500によって構成され、サーバ装置10は、ユーザ端末20からの要求に応じて、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて対象店舗の売上予測値等をユーザ端末20に対して提供する。サーバ装置10は、例えば、地域メッシュ統計値・地理情報取得部11、及び店舗売上予測部12を有する。
地域メッシュ統計値・地理情報取得部11は、ユーザ端末20からの店舗立地点(例えば、既存店舗又は対象店舗が立地する地点)の経度及び緯度の入力によって、店舗立地点を含む地域メッシュ(店舗立地点地域メッシュ)やその周辺の地域メッシュ(周辺地域メッシュ)を特定し、当該店舗立地点地域メッシュに対応付けられた各種の地域メッシュ統計値を取得する。ユーザによる店舗の経度及び緯度の入力によって取得された統計値は、店舗売上予測部12に提供され、ユーザ端末20に送信される。地域メッシュ統計値・地理情報取得部11は、例えば、コード取得部111と、統計値・地理情報取得部112と、統計値・地理情報DB群113と、を有する。
前出の図3で、店舗売上予測部12は、統計値・地理情報DB群113から取得された統計値・地理情報を事前に処理した後、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成し、当該売上予測モデルを用いて対象店舗の売上予測値を出力する。店舗売上予測部12は、例えば、売上予測モデルの生成処理又は売上予測モデルに用いる統計値・地理情報の所定の前処理を実行する前処理部121と、既存店舗に関する変数を含む学習データを用いた機械学習等によって売上予測モデルを生成する売上予測モデル生成部122と、売上予測モデルに対して所定の変数値を入力することにより対象店舗の売上予測値を出力する売上予測部123と、を有する。
図16は、本実施形態に係るユーザ端末20の機能構成を示すブロック図の一例である。ユーザ端末20は、例えば、1台又は複数台のコンピュータ500によって構成される。ユーザ端末20は、例えば、パーソナルコンピュータ(PC)、携帯電話(スマートフォンやフィーチャーフォン等)、及びタブレット端末等の情報処理装置である。ユーザ端末20は、例えば、操作受付部21と、送受信部22と、出力部23とを有する。
(3-1)売上予測モデル生成処理
図17は、本実施形態に係る情報処理システム1による売上予測モデル生成処理の一例を示す動作シーケンスである。
まず、ユーザ端末20の操作受付部21は、売上予測モデルを生成するための学習データの入力を受け付ける。具体的には、ユーザが、各既存店舗についての売上実績値及び所定の変数データをユーザ端末20に対して入力すると、ユーザ端末20は、当該入力を受け付ける。ユーザが入力する当該変数は、例えば、図11において入力方法が「ユーザ入力」として規定されている「テーブル数」、「営業時間」、「店舗が見えるか」、「立地階数」、「入居ビルの種類」、「前面道路の種類」、「都道府県名」、及び「河川の有無」等を含んでよい。なお、ユーザによる入力操作の代わりに、表4のように、予め所定の記憶部に記憶された各既存店舗についての売上実績値及び所定の変数データが呼び出されてもよい。
次に、ユーザ端末20の送受信部22は、上記したステップS101において入力され又は呼び出された各既存店舗についての売上実績値及び所定の変数データをサーバ装置10に送信する。
次に、サーバ装置10の地域メッシュ統計値・地理情報取得部11は、ユーザ端末20から受信した各既存店舗についての売上実績値及び所定の変数データに基づいて、地域メッシュ統計値を取得する。具体的には、まず、地域メッシュ統計値・地理情報取得部11のコード取得部111が、受信データに含まれる各既存店舗の店舗立地点の情報(経度及び緯度)に基づいて、各既存店舗の店舗立地点地域メッシュコードと、周辺地域メッシュコードとを取得する。そして、統計値・地理情報取得部112が、店舗立地点地域メッシュコード及び周辺地域メッシュコードに対応付けられた各種の地域メッシュ統計値を取得するとともに、駅統計値及び地理情報も統計値・地理情報DB群113から取得する。
次に、店舗売上予測部12の前処理部121は、ユーザ端末20から取得された各既存店舗についての売上実績値及び所定の変数データ、及び地域メッシュ統計値・地理情報取得部11により取得された地域メッシュ統計値、駅統計値及び地理情報に基づいて、所定の前処理を実行する。例えば、判定部121bは、各既存店舗の「地理ビジネス環境」を判定する。また、判定部121bは、各既存店舗が立地する「商業集積地の階層水準」を判定する。また、例えば、配分・集計部121cは、各既存店舗についての「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を自動集計する。更に、配分・集計部121cは、一定距離圏内に競合店舗がある場合は、競合モデルを用いて、「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を配分処理後に自動集計する。また、距離測定部121aは、各既存店舗についての「一定圏内の自社競合店舗数」、「一定圏内の他社競合店舗数」、「公園の有無」、及び「最寄駅からの距離」等を自動カウントあるいは測定する。これら変数の値は、各既存店舗の学習データに含められる。
次に、店舗売上予測部12の売上予測モデル生成部122は、上記した各既存店舗についての売上実績値と所定の変数データ及び自動処理で作成された説明変数データに基づいて、例えば既存店舗数が100店舗程度の場合は「統計学的手法」を、既存店舗数が300店舗以上の場合は「機械学習手法」を用いて回帰分析を実行し、売上予測モデルを生成する。生成された売上予測モデルは、店舗売上予測部12の売上予測部123に含められる。「機械学習手法」で用いられる機械学習アルゴリズムは、特に限定されるものではないが、例えば、決定木(勾配ブースティング及びランダムフォレストを含む)、サポートベクターマシン、ニューラルネットワーク、説明可能なAI等が挙げられるが、これらに限られるものではない。「機械学習手法」により生成される売上予測モデルの採用基準は、任意であるが、例えば、「テスト店舗」に対する売上予測値が売上実績値の±10%以内の精度であることや、決定係数が7割を超えることであってよい。以上で、売上予測モデルの生成処理が終了する。
図18は、本実施形態に係る情報処理システム1による売上予測処理に係る動作シーケンスの一例を示す図である。なお、前出の図15の左図による入力フォームで、対象店舗の経度及び緯度のデータをサーバ装置10に送信し、ユーザ端末20の送受信部22は、対象店舗の地理ビジネス環境の判定結果をすでに受信しているという前提の下で、売上予測処理を説明する。
まず、ユーザ端末20の出力部23が入力画面を表示した状態において、ユーザが対象店舗の地理ビジネス環境判定結果を参照し、地理ビジネス環境に応じた入力フォームを用いて対象店舗に関する各種の説明変数に係るデータ等を入力すると、ユーザ端末20の操作受付部21は当該変数データの入力を受け付ける。図15の右図は、本実施形態に係る対象店舗に関する各種の説明変数に係るデータの入力画面の一例を示す図である。図15の右図に示す入力画面では、一例として、店舗立地点の経度及び緯度、予定している店舗のテーブル数、営業時間、営業日数、入居ビルの種類、都道府県名の選択、影響の考慮(感染症、人口減少、自然災害)の項目のデータが入力可能となっている。これらの項目は、上記した「売上予測モデル」の説明変数と説明変数を作成するためのデータに相当する。
次に、ユーザ端末20の送受信部22は、ステップS201において入力された対象店舗に関する各種の説明変数に係る変数データを、サーバ装置10に送信する。
次に、サーバ装置10の地域メッシュ統計値・地理情報取得部11は、ユーザ端末20から受信した対象店舗に関する各種の説明変数に係るデータのほかに、対象店舗立地点の経度及び緯度を示す情報に基づいて、地域メッシュ統計値、駅統計値及び各種地理情報を取得する。具体的には、まず、地域メッシュ統計値・地理情報取得部11のコード取得部111が、対象店舗立地点の経度及び緯度を示す情報に基づいて、対象店舗の店舗立地点地域メッシュコードと、周辺地域メッシュコードとを取得する。そして、統計値・地理情報取得部112が、店舗立地点地域メッシュコード及び周辺地域メッシュコードに対応付けられた各種の地域メッシュ統計値を取得するとともに、駅統計値及び地理情報を統計値・地理情報DB群113から取得する。
次に、店舗売上予測部12の前処理部121は、ユーザ端末20から取得された対象店舗に関する各種の説明変数に係るデータ、及び地域メッシュ統計値・地理情報取得部11により取得された各種の地域メッシュ統計値、駅統計値及び地理情報に基づいて、所定の前処理を実行する。例えば、判定部121bは、対象店舗立地点の「商業集積地の階層水準」を判定する。また、例えば、配分・集計部121cは、対象店舗についての「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」のそれぞれの値を自動集計する。更に、配分・集計部121cは、一定距離圏内に競合店舗がある場合は、競合モデルを用いて、「周辺の商業集積規模」、「居住者数」、「事業所従業者数」、「普通券降車人数」、及び「駅構外乗換駅の乗換人数」それぞれの値を配分処理後に自動集計する。また、例えば、距離測定部121aは、対象店舗についての「一定圏内の自社競合店舗数」、「一定圏内の他社競合店舗数」、及び「最寄駅からの距離」等を自動カウントあるいは測定する。
売上予測部123は、前記のステップで判定された「地理ビジネス環境」に応じた「売上予測モデル」に対して、ステップS203で取得した対象店舗に関する各種の説明変数に係るデータと、ステップS204の前処理(距離測定処理、判定処理、及び配分・集計処理)によって得られた説明変数データとを、入力することにより、対象店舗の売上予測値を出力する。
売上予測部123は、出力した対象店舗の売上予測値を、ユーザ端末20に送信する。なお、サーバ装置10は、対象店舗の売上予測値に限らず、地域メッシュ統計値・地理情報取得部11により取得された各種の地域メッシュ統計値と駅統計値及び地理情報、店舗売上予測部12が算出した各種の変数データや決定係数などの統計量を、ユーザ端末20に送信してもよい。
ユーザ端末20の送受信部22が、サーバ装置10から対象店舗の売上予測値を受信すると、ユーザ端末20の出力部23は、受信した対象店舗の売上予測値を表示装置513に表示する。また、出力部23は、地域メッシュ統計値・地理情報取得部11により取得された各種の地域メッシュ統計値と駅統計値及び地理情報、店舗売上予測部12が算出した各種の変数のデータや統計量を、表示装置513に表示してもよい。以上で、売上予測処理が終了する。図19は、ユーザ端末20に送信される売上予測結果のフォーム(画面)の一例を示している。まず、対象店舗は都心2に立地し、「都心」の「売上予測モデル」により、売上予測値6百6拾万円/月が算出された。このように対象店舗の売上予測値のほかに、売上予測モデルへの説明変数データと調整済み決定係数(0.657)で構成される。需要に関わる4変数に関しては、この立地点の周辺では、人口は3千人と少なく、従業者数も1.2万人とそれほど多くないが、普通券降車人数は28万人で、駅構外乗換駅の乗換人数が8万人に達することがわかる。本実施形態に係る売上予測結果の画面には、既存店舗の売上実績値の任意の分布(例えば、図19に示す度数分布を含む)や、当該分布において対象店舗の売上予測値がどこに位置するかを示す情報(例えば、図19に示す縦軸に平行な直線)などが含まれてもよい。
Claims (15)
- 既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点及びその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得部と、
前記地域メッシュ内又は前記駅を中心に生成される駅メッシュ内に設定された複数の補間点に対して、前記地域メッシュ統計値又は前記駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出する集計機能と、該集計領域に対して競合店舗の立地点を含む該競合店舗の集計領域が重複する場合は、これら集計領域の重複する部分に含まれる補間点に割り当てられた前記地域メッシュ統計値又は前記駅統計値の少なくとも一部を該競合店舗に配分した後に、前記補間点に割り当てられた地域メッシュ統計値又は駅統計値を合計することにより前記集計値を算出する集計機能を持つ配分・集計部と、
機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測部と、を備える情報処理装置。 - 前記集計領域は、前記店舗立地点を含む第1地域メッシュ又は前記駅を含む第1駅メッシュの少なくとも一部と、前記第1地域メッシュの周辺の第2地域メッシュの少なくとも一部とを含み、
前記配分・集計部は、前記第1地域メッシュ又は前記第1駅メッシュ内に設定された複数の第1補間点に対して前記第1地域メッシュに対応付けられた第1地域メッシュ統計値又は前記第1駅メッシュに対応付けられた第1駅統計値を割り当て、前記第2地域メッシュ内に設定された複数の第2補間点に対して前記第2地域メッシュに対応付けられた第2地域メッシュ統計値を割り当て、前記第1地域メッシュ又は前記第1駅メッシュの前記少なくとも一部内に設定された第1補間点に割り当てられた前記第1地域メッシュ統計値又は前記第1駅統計値、及び前記第2地域メッシュの前記少なくとも一部内に設定された第2補間点に割り当てられた前記第2地域メッシュ統計値の合計値を、前記集計値に含める、請求項1に記載の情報処理装置。 - 前記配分・集計部は、地域メッシュ又は駅メッシュ内に設定された複数の補間点の各々に対して、該当地域メッシュに対応付けられた地域メッシュ統計値又は該当駅メッシュに対応付けられた駅統計値を均等な比率、店舗立地点からの距離に応じた段階的な比率、又は距離逓減関数に応じた比率で割り当てる、請求項1又は2に記載の情報処理装置。
- 前記配分・集計部は、前記地域メッシュ統計値又は前記駅統計値の少なくとも一部を前記競合店舗に配分する際は、前記重複する部分に含まれる補間点に割り当てられた前記地域メッシュ統計値又は前記駅統計値を、距離係数と規模係数を固定又は推定する競合モデルを用いて配分する、請求項1から3のいずれか一項に記載の情報処理装置。
- 前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値に基づいて、前記配分・集計部により算出された前記集計値により、前記店舗立地点の地理ビジネス環境の属性を判定する判定部、を更に備え、請求項1から4のいずれか一項に記載の情報処理装置。
- 前記属性は、少なくとも、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値としての小売年間販売額に基づいて、前記配分・集計部により集計された小売年間販売額により判定される、請求項5に記載の情報処理装置。
- 前記属性は、更に、少なくとも、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値としての従業者数に基づいて、前記配分・集計部により集計された従業者数により判定される、請求項6に記載の情報処理装置。
- 前記属性は、更に、少なくとも、前記店舗立地点を中心とした一定距離圏内の駅の有無に基づいて判定される、請求項7に記載の情報処理装置。
- 所定の地点の経度及び緯度の位置情報を記憶した記憶部を参照して、前記地点及び前記補間点と前記店舗立地点又は駅中心点との間の距離を算出する距離測定部、を更に備え、請求項1から8のいずれか一項に記載の情報処理装置。
- 前記判定部により判定される属性ごとの既存店舗数に応じて、機械学習手法又は統計学的手法を実行することにより前記対象店舗の売上予測値を出力する前記売上予測モデルを生成する売上予測モデル生成部、を更に備える、請求項5から8のいずれか一項に記載の情報処理装置。
- 前記売上予測モデル生成部は、前記判定部による判定属性に応じて定められた地域メッシュの大きさと説明変数の種類に対し、前記地域メッシュ統計値・地理情報取得部から、地域メッシュ統計値、駅統計値、及び地理情報を取得するとともに、前記配分・集計部において、判定属性に応じて集計領域を変えて説明変数データを集計し、前記機械学習手法又は統計学的手法により前記売上予測モデルを生成する、請求項10に記載の情報処理装置。
- 前記売上予測モデル生成部は、前記店舗立地点及びその周辺の地域メッシュに対応付けられた地域メッシュ統計値に基づいて、前記配分・集計部が算出した一定距離圏内の居住者、従業者及び一時通行者の各数値にそれぞれの加重値を掛け合わせることで、店舗立地点の総需要量を複合変数として算出する、請求項10又は11に記載の情報処理装置。
- 前記売上予測部は、前記売上予測モデルに対して、更に前記対象店舗の経度及び緯度の位置情報を入力することにより、前記売上予測値を出力する、請求項1から12のいずれか一項に記載の情報処理装置。
- 1つ又は複数のコンピュータに、
既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点を含む地域メッシュとその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得ステップと、
地域メッシュ又は駅メッシュ内に設定された複数の補間点に対して地域メッシュ統計値又は駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出し、競合店舗の集計領域と重なる場合はそれらの統計値の競合モデルを用いた配分値を合計することにより集計値を算出する配分・集計ステップと、
前記店舗立地点の地理ビジネス環境を判定するため、少なくとも前記集計値を入力することにより、前記店舗の地理ビジネス環境の判定ステップと、
前記既存店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルを生成するため、少なくとも前記既存店舗の集計値を入力することにより、前記既存店舗の売上予測値を出力する売上予測モデル生成ステップと、
対象店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記対象店舗の集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測ステップと、を実行させる情報処理方法。 - 1つ又は複数のコンピュータに、
既存店舗及び対象店舗の少なくともいずれかを含む店舗の経度及び緯度の位置情報を入力することにより、前記店舗の立地点である店舗立地点を含む地域メッシュとその周辺の地域メッシュに対応付けられた統計値である地域メッシュ統計値と、前記店舗立地点の一定距離圏内の駅に対応付けられた駅統計値と、前記店舗立地点の一定距離圏内の地理情報と、を取得する地域メッシュ統計値・地理情報取得ステップと、
地域メッシュ又は駅メッシュ内に設定された複数の補間点に対して地域メッシュ統計値又は駅統計値を割り当て、前記店舗立地点を含む集計領域に含まれる補間点について割り当てられた地域メッシュ統計値又は駅統計値を合計することにより集計値を算出し、競合店舗の集計領域と重なる場合はそれらの統計値の競合モデルを用いた配分値を合計することにより集計値を算出する配分・集計ステップと、
前記店舗立地点の地理ビジネス環境を判定するため、少なくとも前記集計値を入力することにより、前記店舗の地理ビジネス環境の判定ステップと、
前記既存店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルを生成するため、少なくとも前記既存店舗の集計値を入力することにより、前記既存店舗の売上予測値を出力する売上予測モデル生成ステップと、
対象店舗の地理ビジネス環境の判定結果に対応した売上予測モデルであって、機械学習手法又は統計学的手法により生成される回帰モデルである売上予測モデルに対して、少なくとも前記対象店舗の集計値を入力することにより、前記対象店舗の売上予測値を出力する売上予測ステップと、を実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021106864A JP7037223B1 (ja) | 2021-06-28 | 2021-06-28 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021106864A JP7037223B1 (ja) | 2021-06-28 | 2021-06-28 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7037223B1 true JP7037223B1 (ja) | 2022-03-16 |
JP2023005135A JP2023005135A (ja) | 2023-01-18 |
Family
ID=81213578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021106864A Active JP7037223B1 (ja) | 2021-06-28 | 2021-06-28 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7037223B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001222613A (ja) | 2000-02-10 | 2001-08-17 | F M I:Kk | 商圏表示方法、商圏表示装置および媒体 |
JP2003141325A (ja) | 2001-11-06 | 2003-05-16 | Kawai Musical Instr Mfg Co Ltd | 市場分析方法および市場分析用プログラム |
JP2003288459A (ja) | 2002-03-28 | 2003-10-10 | Kumagai Gumi Co Ltd | 商圏需要の推定方法及び商圏需要推定システム |
JP2003330359A (ja) | 2002-03-04 | 2003-11-19 | Giken Shoji International Co Ltd | グリッドを利用した商圏情報表示システム |
JP2004185539A (ja) | 2002-12-06 | 2004-07-02 | Yunitekku:Kk | 商圏分析システム、方法、プログラム、及び記録媒体 |
JP2014106663A (ja) | 2012-11-27 | 2014-06-09 | Business Model Institute Corp | 処理プログラムおよび商圏決定装置 |
JP2020035035A (ja) | 2018-08-28 | 2020-03-05 | クロスロケーションズ株式会社 | データ分析装置、データ分析システム、データ分析方法およびプログラム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100469495B1 (ko) * | 2002-09-06 | 2005-02-02 | (주)두앤비소프트 | 지리정보를 이용한 마케팅 지원 서비스방법 |
-
2021
- 2021-06-28 JP JP2021106864A patent/JP7037223B1/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001222613A (ja) | 2000-02-10 | 2001-08-17 | F M I:Kk | 商圏表示方法、商圏表示装置および媒体 |
JP2003141325A (ja) | 2001-11-06 | 2003-05-16 | Kawai Musical Instr Mfg Co Ltd | 市場分析方法および市場分析用プログラム |
JP2003330359A (ja) | 2002-03-04 | 2003-11-19 | Giken Shoji International Co Ltd | グリッドを利用した商圏情報表示システム |
JP2003288459A (ja) | 2002-03-28 | 2003-10-10 | Kumagai Gumi Co Ltd | 商圏需要の推定方法及び商圏需要推定システム |
JP2004185539A (ja) | 2002-12-06 | 2004-07-02 | Yunitekku:Kk | 商圏分析システム、方法、プログラム、及び記録媒体 |
JP2014106663A (ja) | 2012-11-27 | 2014-06-09 | Business Model Institute Corp | 処理プログラムおよび商圏決定装置 |
JP2020035035A (ja) | 2018-08-28 | 2020-03-05 | クロスロケーションズ株式会社 | データ分析装置、データ分析システム、データ分析方法およびプログラム |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
CN116151839B (zh) * | 2023-04-18 | 2023-06-27 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2023005135A (ja) | 2023-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biba et al. | A new method for determining the population with walking access to transit | |
Ewing et al. | Predicting transportation outcomes for LEED projects | |
Roukouni et al. | Impacts of a metro station to the land use and transport system: the Thessaloniki Metro case | |
Syed et al. | Factor analysis for the study of determinants of public transit ridership | |
WO2014034310A1 (ja) | 情報分析システム、及び情報分析方法 | |
Burdziej | Using hexagonal grids and network analysis for spatial accessibility assessment in urban environments–a case study of public amenities in Toruń | |
Boussauw et al. | Measuring spatial separation processes through the minimum commute: The case of Flanders | |
Mao et al. | Customer attractiveness evaluation and classification of urban commercial centers by crowd intelligence | |
JP7037223B1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Gharaibeh et al. | Developing an indicative spatial accessibility analysis tool for urban public transportation system | |
Li et al. | Identify impacting factor for urban rail ridership from built environment spatial heterogeneity | |
No et al. | Children’s walking to urban services: An analysis of pedestrian access to social infrastructures and its relationship with land use | |
Zhu | Zone division and extraction of historic area based on big data | |
KR20100123398A (ko) | 상권 내에서의 업종별 매출 추정 방법 | |
González-González et al. | Planning for sustainable urban mobility: Demand estimation of on-street vertical walking facilities | |
Saito et al. | A micro behavior approach to estimating and forecasting the intervening opportunity effects with a multivariate Poisson model: A case for the new terminal complex of Kyushu super-express railway, JR Hakata City | |
Abutaleb et al. | Understanding contextual attractiveness factors of transit orientated shopping Mall developments (Tosmds) for shopping mall passengers on the Dubai Metro Red Line | |
Saito et al. | How Many Customers Would Be Brought Back from Suburban Shopping Malls to the City Center by Redeveloping the City Center Station Building, JR Oita City, Japan? A Multivariate Poisson Model with Competitive Destinations | |
Pochowski et al. | Solving the Curb Space Puzzle Through the Development of a Curb Space Allocation Tool | |
JP6335600B2 (ja) | 流動評価装置及び流動評価方法 | |
Abramovich | Using GIS to assist location and site selection decisions | |
Dolzhenko | Approaches to geomarketing via office locations serving individuals and legal entities of a commercial bank | |
Weakley et al. | Transport and urban development: Two studies from Johannesburg | |
Vithanage et al. | Choice modeling of grocery shopping behavior: A Sri Lankan case study | |
JP3610399B2 (ja) | 商業施設提案装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210629 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210629 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211005 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211203 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220216 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7037223 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |