JP7505537B2 - Information processing device, information processing system, information processing method, and program - Google Patents
Information processing device, information processing system, information processing method, and program Download PDFInfo
- Publication number
- JP7505537B2 JP7505537B2 JP2022184936A JP2022184936A JP7505537B2 JP 7505537 B2 JP7505537 B2 JP 7505537B2 JP 2022184936 A JP2022184936 A JP 2022184936A JP 2022184936 A JP2022184936 A JP 2022184936A JP 7505537 B2 JP7505537 B2 JP 7505537B2
- Authority
- JP
- Japan
- Prior art keywords
- information
- product
- unit
- store
- user
- 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 description 32
- 238000003672 processing method Methods 0.000 title claims description 4
- 239000002699 waste material Substances 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000001737 promoting effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 69
- 238000012545 processing Methods 0.000 description 69
- 230000006399 behavior Effects 0.000 description 66
- 230000008569 process Effects 0.000 description 55
- 230000009471 action Effects 0.000 description 37
- 238000004891 communication Methods 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 25
- 230000003542 behavioural effect Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 23
- 238000000605 extraction Methods 0.000 description 21
- 235000013305 food Nutrition 0.000 description 21
- 238000010411 cooking Methods 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000002787 reinforcement Effects 0.000 description 9
- 230000006866 deterioration Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 235000021067 refined food Nutrition 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 235000012046 side dish Nutrition 0.000 description 3
- 239000003599 detergent Substances 0.000 description 2
- 235000021186 dishes Nutrition 0.000 description 2
- 239000004278 EU approved seasoning Substances 0.000 description 1
- 235000013334 alcoholic beverage Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 235000008446 instant noodles Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000020094 liqueur Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 235000013324 preserved food Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cash Registers Or Receiving Machines (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Description
本発明は、情報処理装置、情報処理システム、情報処理定方法、及びプログラムに関する。 The present invention relates to an information processing device, an information processing system, an information processing method, and a program.
インターネットにおける電子商取引や広告において、膨大な情報のなかから、ユーザーの嗜好に合わせた所謂推奨情報を抽出して、ユーザーが使用する端末装置に表示する手法が知られている。前記推奨情報は、レコメンド情報とも称されており、例えば、ユーザーの嗜好に合致するであろう推奨されるべき推奨商品を含む商品情報が該当する。前記推奨情報は、例えば、ユーザーがWEBサイトで商品を購入した履歴情報(商品購入履歴)や商品紹介ページを閲覧した履歴情報(商品閲覧履歴)などの行動履歴に基づいて特定されるものである。前記行動履歴を分析し、所定のアルゴリズムに基づいてユーザーの嗜好に合わせた前記推奨情報を特定して提示する機能はレコメンド機能と称されており、近年多用されている。 In electronic commerce and advertising on the Internet, a method is known in which so-called recommended information tailored to a user's preferences is extracted from a vast amount of information and displayed on a terminal device used by the user. The recommended information is also called recommendation information, and corresponds to, for example, product information including recommended products that are likely to match the user's preferences and should be recommended. The recommended information is identified based on, for example, a user's behavioral history, such as history information on products purchased on a website (product purchase history) and history information on viewing product introduction pages (product viewing history). A function that analyzes the behavioral history and identifies and presents the recommended information tailored to the user's preferences based on a specified algorithm is called a recommendation function, and has been used frequently in recent years.
従来、前記レコメンド機能を備えるレコメンド装置が提案されている(特許文献1参照)。前記レコメンド装置は、小売店などの店舗において従業員が使用するタブレットなどに、顧客(来店者)の嗜好に合わせた推奨情報を表示する。 Conventionally, a recommendation device equipped with the recommendation function has been proposed (see Patent Document 1). The recommendation device displays recommended information tailored to the preferences of customers (visitors) on tablets used by employees in stores such as retail stores.
また、近年、商品の内容や価格を示すバーコードやQRコード(登録商標)などの情報コードを利用した決済システムが提案されている(特許文献2参照)。店舗を利用する顧客の携帯端末(例えばスマートフォン)には、商品に付与された情報コードを読み取るコード読取機能が搭載されている。前記決済システムによると、顧客は、携帯端末を用いて、商品のパッケージなどに付与されている前記情報コードを読み取ってから商品を買い物かごに入れ、その後、読み取った情報コードに含まれる商品金額に対する決済を行う。商品金額の支払いは、例えば、携帯端末と通信可能なレジスターで行うことができ、或いは、携帯端末に登録済みの電子マネーによる決済、或いは、オンラインによるクレジット決済などを利用できる。 In recent years, a payment system has been proposed that uses information codes such as barcodes and QR codes (registered trademarks) that indicate the contents and price of a product (see Patent Document 2). The mobile terminals (e.g., smartphones) used by customers who visit a store are equipped with a code reading function that reads the information codes attached to products. With this payment system, customers use their mobile terminals to read the information codes attached to the product packages, place the products in their shopping cart, and then make payment for the product price included in the read information code. Payment for the product price can be made, for example, at a cash register that can communicate with the mobile terminal, or payment can be made using electronic money registered in the mobile terminal, or online credit card payment can be used.
しかしながら、小売店などの店舗においては、取り扱っている複数種類の商品ごとに商品状況が異なるため、顧客の嗜好だけで決定される推奨情報を提示する従来のレコメンド機能では、商品状況に応じて店舗側(販売者)が販売したい商品を顧客に提示することができない場合がある。例えば、或る商品Aと、それに類似する商品Bとを取り扱う店舗において、商品Bの在庫数が商品Aよりも多い場合、店舗側は商品Bを優先的に販売したいのであるが、従来のレコメンド機能では、推奨情報として商品Bを優先して顧客に提示することはできない。特に、生鮮食品や惣菜類などの調理済み食品(加工食品)のような商品寿命の短い商品を取り扱うスーパーマーケットなどでは、一日において商品状況が刻々と変化するため、商品状況を加味した推奨情報の提案が望まれている。 However, in retail stores and other stores, the product status differs for each of the multiple types of products they handle, so a conventional recommendation function that presents recommended information determined solely by customer preferences may not be able to present to customers the products that the store (seller) wants to sell according to the product status. For example, in a store that handles a certain product A and a similar product B, if the stock of product B is greater than that of product A, the store would like to sell product B preferentially, but a conventional recommendation function cannot present product B preferentially to customers as recommended information. In particular, in supermarkets and other stores that handle products with short product life spans, such as fresh foods and prepared foods (processed foods) such as prepared dishes, the product status changes from moment to moment throughout the day, so it is desirable to propose recommended information that takes product status into account.
本発明の目的は、商品状況に応じた推奨情報を特定することにより、当該推奨情報を受けたユーザーは、自分の嗜好に合致した商品情報をいち早く入手することができ、また、店舗側は、優先的に販売したい商品の購買率をアップさせることができる推奨情報特定装置、推奨情報特定システム、推奨情報特定方法、及びプログラムを提供することにある。 The object of the present invention is to provide a recommended information identification device, a recommended information identification system, a recommended information identification method, and a program that identify recommended information according to the product status, thereby enabling users who receive the recommended information to quickly obtain product information that matches their preferences, and enabling stores to increase the purchase rate of products that they wish to prioritize selling.
本発明の一の局面に係る推奨情報特定装置は、店舗で提供される商品に対するユーザーの行動履歴と、店舗で提供される複数の商品の販売に関して予め定められた優先順位とに基づいて、前記複数の商品に関する複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する推奨情報特定部を備える。 A recommended information identification device according to one aspect of the present invention includes a recommended information identification unit that identifies recommended information including recommended products tailored to the user from multiple product information related to the multiple products based on a user's behavior history regarding products offered in a store and a predetermined priority order regarding the sales of the multiple products offered in the store.
本発明の推奨情報特定装置は、前記優先順位を機械学習により決定するよう構成された順位決定部を更に備える。前記順位決定部は、前記優先順位に変動を来す変動情報を取得する変動情報取得部と、前記変動情報取得部によって取得された前記変動情報に基づいて、前記優先順位を学習する順位学習部と、を有する。 The recommended information identification device of the present invention further includes a ranking determination unit configured to determine the priority order by machine learning. The ranking determination unit includes a fluctuation information acquisition unit that acquires fluctuation information that causes fluctuations in the priority order, and a ranking learning unit that learns the priority order based on the fluctuation information acquired by the fluctuation information acquisition unit.
本発明の他の局面に係る推奨情報特定システムは、優先順位取得部と、行動履歴取得部と、推奨情報特定部と、を備える。前記優先順位取得部は、店舗で提供される複数の商品の販売に関する優先順位を記憶する優先順位記憶部から前記優先順位を取得する。前記行動履歴取得部は、店舗で提供される商品に対するユーザーの行動履歴を記憶する行動履歴記憶部から前記行動履歴を取得する。前記推奨情報特定部は、前記行動履歴取得部によって取得された前記行動履歴と、前記優先順位取得部によって取得された前記優先順位とに基づいて、前記複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する。 A recommended information identification system according to another aspect of the present invention includes a priority order acquisition unit, a behavior history acquisition unit, and a recommended information identification unit. The priority order acquisition unit acquires the priority order from a priority order storage unit that stores priorities for the sale of multiple products offered in a store. The behavior history acquisition unit acquires the behavior history from a behavior history storage unit that stores the behavior history of users with respect to products offered in a store. The recommended information identification unit identifies recommended information including recommended products according to the user from the multiple product information based on the behavior history acquired by the behavior history acquisition unit and the priority order acquired by the priority order acquisition unit.
本発明の他の局面に係る推奨情報特定方法は、店舗で提供される商品に対するユーザーの行動履歴を取得する行動履歴取得ステップと、取得された前記行動履歴と、店舗で提供される複数の商品の販売に関して予め定められた優先順位とに基づいて、前記複数の商品に関する複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する推奨情報特定ステップと、を備える。 A method for identifying recommended information according to another aspect of the present invention includes a behavior history acquisition step of acquiring a behavior history of a user regarding products offered in a store, and a recommended information identification step of identifying recommended information including recommended products corresponding to the user from multiple product information regarding the multiple products based on the acquired behavior history and a predetermined priority order regarding the sales of the multiple products offered in the store.
なお、本発明は、前記推奨情報特定方法の各ステップをコンピュータに実行させるためのプログラム、又は、このようなプログラムを非一時的に記録したコンピュータ読み取り可能な記録媒体として捉えることもできる。 The present invention can also be understood as a program for causing a computer to execute each step of the method for identifying recommended information, or as a computer-readable recording medium on which such a program is non-temporarily recorded.
本発明によれば、商品状況に応じた推奨情報を特定することにより、当該推奨情報を提示されたユーザーは、自分の嗜好に合致した商品情報をいち早く入手することができ、また、店舗側(販売者)は、優先的に販売したい商品の購買率をアップさせることができる。 According to the present invention, by identifying recommended information according to the product status, users who are presented with the recommended information can quickly obtain product information that matches their preferences, and stores (sellers) can increase the purchase rate of products that they want to prioritize.
また、本発明によれば、変動情報取得部及び順位学習部を含む順位決定部を備えることにより、前記優先順位に変動を来す変動情報に基づいて、複数の商品の販売に関する優先順位が、順位学習部によって学習される。これにより、店舗において商品状況が刻々と変動する場合であっても、その変動に応じて決定された優先順位を用いて推奨情報が特定されるため、その結果、当該推奨情報を提示されたユーザーは、自分の嗜好に合致した商品情報をいち早く入手することができ、店舗側(販売者)は、リアルタイムに優先的に販売したい商品の購買率をアップさせることができる。 Furthermore, according to the present invention, by providing a ranking determination unit including a variable information acquisition unit and a ranking learning unit, the ranking learning unit learns the priorities for the sale of multiple products based on variable information that causes fluctuations in the priority order. As a result, even if the product situation in a store changes from moment to moment, recommended information is identified using the priorities determined in response to the fluctuations. As a result, users who are presented with the recommended information can quickly obtain product information that matches their preferences, and the store (seller) can increase the purchase rate of products that the store wants to sell preferentially in real time.
以下、適宜図面を参照して本発明の実施形態について説明する。なお、以下に説明される実施形態は本発明を具体化した一例にすぎず、本発明の技術的範囲を限定するものではない。 Below, an embodiment of the present invention will be described with reference to the drawings as appropriate. Note that the embodiment described below is merely an example of the present invention and does not limit the technical scope of the present invention.
[情報処理システム100]
図1に示すように、本発明の実施形態に係る情報処理システム100(本発明の推奨情報特定システム)は、サーバー装置11(本発明の推奨情報特定装置の一例)、入店用のゲート装置12、退店用のゲート装置13、セルフタイプのレジスター14、利用者端末15(本発明の端末装置の一例)、及び、店舗200の従業員が使用する従業員端末16を含む。ゲート装置12、ゲート装置13、レジスター14は、いずれも、一つであってもよく、また、複数であってもよい。本実施形態では、例えば、多種多様な商品を取り扱っているスーパーマーケットなどの店舗200に情報処理システム100が導入される例について説明する。もちろん、情報処理システム100が導入される店舗200はスーパーマーケットに限られず、複数の商品を取り扱っている実在の小売店であればよく、また、インターネット上の仮想店舗であってもよい。
[Information processing system 100]
As shown in FIG. 1, an
ゲート装置12は、店舗200の入口付近に設置されており、ゲート装置13は、店舗200の出口付近に設置されている。利用者端末15は、店舗200内において、店舗200に陳列されている商品の購入の際に店舗200に入店した利用者(ユーザー)が所持して使用する端末装置であり、例えば、スマートフォンや携帯電話、タブレット端末などの携帯端末である。従業員端末16は、店舗200の従業員が使用する端末装置であり、例えば、ノートパソコンや、スマートフォン及びタブレット端末などの携帯端末である。
以下、図1及び図2を参照して、利用者が店舗200に来店してから商品を購入して退店するまでの一連の流れを例示する。 Below, with reference to Figures 1 and 2, we will explain an example of the sequence of events from when a user visits store 200 to when he or she purchases a product and leaves the store.
先ず、店舗200に来店した利用者は、利用者端末15を所持した状態で、入口から入店用のゲート装置12に近づく。利用者がゲート装置12に近づくと、利用者端末15は、Bluetooth(登録商標)やFeliCa(登録商標)などに代表される近距離無線通信によってゲート装置12と通信する。このとき、利用者端末15に記憶されている利用者識別情報(ID番号、氏名、性別、年齢など)がゲート装置12に送信される。前記利用者識別情報は、店舗200の利用者を識別するための情報である。前記利用者識別情報は、店舗200に設置される無線LAN(店内LAN)などの通信網N1を通じてゲート装置12からサーバー装置11に転送される。これにより、サーバー装置11は、事前に登録されている利用者が来店したことを認識する。なお、利用者端末15内に、店舗200における利用者の購入履歴情報が含まれている場合は、前記購入履歴情報もゲート装置12に送信されて、通信網N1を通じてサーバー装置11に転送される。ここで、前記購入履歴情報は、利用者が店舗200において過去に購入した商品の履歴情報である。
First, a user who has come to the
利用者端末15には、商品に付された情報コード(バーコードやQRコードなど)をスキャンしながら買い物を行うシステムに用いられる買い物アプリケーションが予めインストールされている。利用者端末15がゲート装置12と通信すると、利用者端末15は自動的に前記買い物アプリケーションを起動する。このとき、利用者端末15の操作表示部22(図3参照)には、例えば、図2(A)に示す画面が表示される。これにより、利用者は、店舗200内で、前記買い物アプリケーションを用いて、商品の購入操作を行うことが可能となる。
A shopping application used in a system in which shopping is performed while scanning information codes (such as barcodes or QR codes) attached to products is pre-installed on the
利用者は、店舗200内を買い回りしながら、購入を希望する商品(購入対象の商品)を陳列棚から手に取り、その商品に付された情報コードを、利用者端末15の撮像部24(図3参照)により撮像(スキャン)する。利用者端末15の前記買い物アプリケーションは、前記情報コードに含まれる前記商品の価格情報(商品名、金額、商品IDを含む情報)を読み取って、利用者端末15の操作表示部22(図3参照)に表示する。例えば、利用者が3点の商品a,b,cをスキャンした場合、利用者端末15には、購入対象として選択された3点の商品a,b,cの前記価格情報を含む図2(B)に示す画面が表示される。読み取られた前記価格情報は、利用者端末15に保存されるとともに、通信網N1を通じて利用者端末15からサーバー装置11に送信されて、サーバー装置11にも保存される。
While shopping around the
サーバー装置11は、ゲート装置12から転送されてきた前記利用者識別情報に対応する購入履歴情報(本発明の行動履歴の一例)を記憶部32(顧客情報格納部321)から読み出して、後述のレコメンド処理(図7参照)を実行する。このレコメンド処理は、サーバー装置11内で管理されている全ての商品(店舗200で販売可能な商品)に関する複数の商品情報から、利用者に応じたレコメンド情報(本発明の推奨情報の一例)を特定する処理である。具体的には、利用者の嗜好に合致するであろう商品情報を所定のアルゴリズムに基づいて抽出し、その抽出された商品情報を前記レコメンド情報として特定する。そして、特定された前記レコメンド情報は、通信網N1を通じて利用者端末15に送信される。利用者端末15では、買い回り中の利用者が容易に気づくことができるように、利用者端末15の操作表示部22(図3参照)に前記レコメンド情報がポップアップ形式などによって表示される。
The
読み取った商品の代金の支払い(決済)をする場合、利用者は、レジスター14に行き、レジスター14に設けられた通信部に利用者端末15を翳した状態で、「支払い」(図2(B)参照)を選択する。これにより、利用者端末15は、前記近距離無線を通じてレジスター14と通信し、利用者端末15から前記利用者識別情報がレジスター14に送信される。また、レジスター14に送信された前記利用者識別情報は、通信網N1を通じてレジスター14からサーバー装置11に転送される。その後、サーバー装置11において、前記利用者識別情報に対応する決済対象の前記価格情報が抽出され、レジスター14に転送される。そして、レジスター14において、利用者が指定する決済方法に基づいて、前記価格情報が示す金額の決済処理が実行される。前記決済処理が完了すると、利用者端末15には、決済が完了したことを示す画面が表示される。
When making payment (settlement) for the scanned product, the user goes to the
なお、レジスター14を利用せずに、利用者端末15とサーバー装置11との間でオンライン状態で決算処理を行ってもよい。当該決済処理は以下の要領で行われる。例えば、図2(B)の画面において利用者が「支払い」を選択すると、決済処理が開始される。例えば、利用者端末15は、決済対象である商品a,b,cの前記価格情報を前記利用者識別情報とともにサーバー装置11に送信する。サーバー装置11は、前記価格情報に基づいて、インターネットを通じて接続された決済サーバー(不図示)に決済要求を送信する。前記決済サーバーは、決済事業者に応じた決済システムにより決済処理を実行する。その後、決済処理が実行されたことがサーバー装置11を介して利用者端末15に送信され、その旨を示すメッセージが操作表示部22(図3参照)に表示される。
It should be noted that the settlement process may be performed online between the
前記決済処理が完了すると、レジスター14は、決済が完了した購入済み商品の情報をサーバー装置11に送信する。サーバー装置11は、レジスター14から受け取った情報に基づいて、サーバー装置11で管理している商品の在庫数などを更新する。また、サーバー装置11は、レジスター14から受け取った実際の購入情報に基づいて、利用者毎に記憶管理している購入履歴情報を更新する。
When the payment process is complete, the
利用者は、店舗200を退店する場合、退店用のゲート装置13に近づく。利用者がゲート装置13に近づくと、利用者端末15は、近距離無線通信によってゲート装置13と通信する。このとき、利用者の前記利用者識別情報とともに、買い物が終了したことを示すフラグ情報がゲート装置13に送信され、前記識別情報及び前記フラグ情報が、通信網N1を介してゲート装置13からサーバー装置11に転送される。これにより、サーバー装置11では、不正なく買い物が終了したこと、及び、利用者が退店したことを認識する。
When a user wants to leave the
以上のようにして、利用者は店舗200において、前記買い物アプリケーションを用いての買い物を行うことができる。
In this way, the user can shop at
上述したように、情報処理システム100では、利用者に応じた前記レコメンド情報を特定するための前記レコメンド処理が実行されて、特定された前記レコメンド情報が利用者端末15に表示される。
As described above, in the
以下、図3を参照して、前記レコメンド処理を実現するための情報処理システム100の具体的な構成について説明する。
Below, the specific configuration of the
[利用者端末15]
図3に示すように、利用者端末15は、制御部21、操作表示部22、記憶部23、撮像部24、通信I/F25などを備える。利用者端末15は、例えば、店舗200の利用者が所持する携帯端末であり、例えばスマートフォン、携帯電話、又はタブレット端末である。利用者端末15は、店舗200から貸与される携帯端末であってもよく、また、買い物カートに設置されるカート端末であってもよい。
[User terminal 15]
3, the
撮像部24は、被写体の画像を撮像してデジタル画像データとして出力するデジタルカメラである。店舗200内で買い物をする利用者は、購入対象の商品に付されている前記情報コードを撮像部24で撮像する。撮像された前記情報コードの画像が後述の読取処理部211によって読取処理されることにより、購入対象の商品の価格情報(商品名、金額、商品IDなど)が得られる。
The
通信I/F25は、利用者端末15を有線又は無線で通信網N1に接続し、通信網N1を介してサーバー装置11などの外部機器との間で所定の通信プロトコルに従ったデータ通信を実行するための通信インターフェースである。また、通信I/F25は、利用者端末15を無線(例えば、Bluetoothなどの近距離無線)を通じてゲート装置12,13やレジスター14などの装置との間でデータ通信を可能にする。
The communication I/
操作表示部22は、各種の情報を表示する液晶ディスプレイ又は有機ELディスプレイなどの表示部と、利用者の操作を受け付けるマウス、キーボード、又はタッチパネルなどの操作部とを備えるユーザーインターフェースである。操作表示部22の前記表示部に、利用者に応じた前記レコメンド情報が表示される。
The
記憶部23は、各種の情報を記憶するフラッシュメモリなどの不揮発性の記憶媒体である。記憶部23には、制御部21に各種処理を実行させるための制御プログラムが記憶されている。
The
また、記憶部23には、利用者を識別するための利用者識別情報が記憶されている。前記利用者識別情報は、利用者を特定するための情報であり、ID番号、氏名、性別、年齢などである。前記利用者識別情報は、店舗200に設けられたサーバー装置11に事前に登録されており、サーバー装置11内の記憶部32(顧客情報格納部321)に購入履歴情報とともに記憶管理されている。
The
また、記憶部23には、後述する読取処理部211によって読み取られた購入対象の商品の前記価格情報が格納される。
The
制御部21は、CPU、ROM、及びRAMなどの制御機器を有する。前記CPUは、各種の演算処理を実行するプロセッサーである。前記ROMは、前記CPUに各種の処理を実行させるためのBIOS及びOSなどの制御プログラムが予め記憶された不揮発性の記憶部である。前記RAMは、各種の情報を記憶する揮発性又は不揮発性の記憶部であり、前記CPUが実行する各種の処理の一時記憶メモリ(作業領域)として使用される。そして、制御部21は、前記ROM又は記憶部23に予め記憶された各種の制御プログラムを前記CPUで実行することにより利用者端末15を制御する。
The
具体的に、制御部21は、図3に示すように、読取処理部211、表示処理部212、通知処理部213、行動結果送信部214などの各種の処理部を含む。なお、制御部21は、前記CPUで前記制御プログラムに従った各種の処理を実行することによって前記各種の処理部として機能する。また、制御部21に含まれる一部又は全部の処理部が電子回路で構成されていてもよい。なお、前記制御プログラムは、複数のプロセッサーを前記各種の処理部として機能させるためのプログラムであってもよい。
Specifically, as shown in FIG. 3, the
読取処理部211は、撮像部24により撮像された前記情報コードの画像データに基づいて、前記情報コードに含まれる商品の前記価格情報(商品名、金額、商品IDなど)を読み取る。以下、説明の便宜のため、購入対象として読み取られた前記価格情報を、購入対象情報という。読み取られた前記購入対象情報は、キャンセルされるか、或いは、購入対象の商品の決済が完了するまで、記憶部23に格納される。
The
表示処理部212は、サーバー装置11から送信されてくる前記レコメンド情報を操作表示部22の表示部に表示させる。例えば、表示処理部212は、前記レコメンド情報をポップアップ形式で操作表示部22の表示部に表示する。表示処理部212は、前記レコメンド情報に商品画像や商品名などが含まれている場合は、これらの情報をポップアップ形式で操作表示部22の表示部に表示する。前記商品画像や商品名は、例えば、推奨されている商品の更に詳しい詳細情報(例えば、商品説明、商品価格、店舗200における商品の陳列場所)が格納されているアドレスにリンクされており、利用者が前記商品画像や商品名を表示画面においてタッチ操作すると、表示処理部212は、前記アドレスに記憶されている詳細情報を読み出して、前記表示部に表示する。また、表示処理部212は、前記レコメンド情報に商品の写真画像や説明などを含むWEBサイトのURLが含まれている場合は、前記URLを操作表示部22の表示部に表示する。この場合、利用者が前記URLをタッチ操作すると、表示処理部212は、前記URLにアクセスして、前記WEBサイトを前記表示部に表示する。
The
通知処理部213は、サーバー装置11、ゲート装置12,13、レジスター14に各種情報を送信する。例えば、通知処理部213は、利用者が店舗200に入店する際にゲート装置12に前記利用者識別情報などを送信し、利用者が店舗200から退店する際にゲート装置13に前記利用者識別情報などを送信する。また、通知処理部213は、買い回り中に読み取られた前記購入対象情報をサーバー装置11に送信する。
The
行動結果送信部214は、操作表示部22の表示部に表示された前記レコメンド情報に対して、利用者が行動をしたかどうかを示す行動結果をサーバー装置11の順位決定部33(図3参照)に送信する。前記行動としては、例えば、操作表示部22の表示部に表示された前記レコメンド情報を閲覧する行動(閲覧行動)、読取処理部211によって前記レコメンド情報が示す商品の情報コードの商品情報を読み取る行動(読取行動)、或いは、前記表示部に表示された前記レコメンド情報が示す商品を購入する行動(購入行動)、などが挙げられる。前記行動結果は、前記各行動が起きたことを示す肯定結果、又は前記各行動が起きなかったことを示す否定結果を含む。
The action
制御部21は、操作表示部22の表示部に表示された前記レコメンド情報に対して利用者が行動を起こしたかどうかを判定する処理を行う。かかる判定処理を行う制御部21は、前記レコメンド情報に対して行動したか否かを判定する行動判定部として捉えることができる。
The
例えば、制御部21は、操作表示部22の表示部に前記レコメンド情報が表示されてから一定時間(タイムアップ時間)が経過するまでの間に前記商品画像や前記商品名がタッチ操作されたか否か、或いは、前記URLがタッチ操作されたか否かを判定する処理を行う。この場合、前記一定時間内にタッチ操作されたと判定されると、行動結果送信部214は、利用者端末15においてその利用者が前記レコメンド情報を閲覧したことを示す肯定結果(行動結果)の情報をサーバー装置11の順位決定部33に送信する。
For example, the
また、制御部21は、前記一定時間が経過するまでの間、又は決済処理が行われるまでの間に、読取処理部211によって前記レコメンド情報が示す商品の情報コードの商品情報が読み取られたか否かを判定する処理を行う。この場合、前記レコメンド情報が示す商品の情報コードの商品情報が読み取られたと判定されると、行動結果送信部214は、利用者端末15の利用者が、前記レコメンド情報が示す商品を購入予定であることを示す肯定結果(行動結果)の情報をサーバー装置11の順位決定部33に送信する。
The
また、制御部21は、前記レコメンド情報が示す商品を購入したか否かを判定する処理を行う。この場合、前記決済処理された購入後商品のなかに前記レコメンド情報が示す商品が含まれている場合に、行動結果送信部214は、前記レコメンド情報が示す商品が購入されたことを示す肯定結果(行動結果)の情報をサーバー装置11の順位決定部33に送信する。
The
なお、行動結果送信部214は、前記一定時間に前記閲覧行動又は前記読取行動が行われなかった場合、レジスター14で利用者が決済処理を行うまでの間に前記読取行動が行われなかった場合、決済処理において前記購入行動が行われなかった場合は、前記各行動が起きなかったことを示す否定結果(行動結果)の情報をサーバー装置11の順位決定部33に送信する。
The behavior result sending
[サーバー装置11]
サーバー装置11は、制御部31、記憶部32、順位決定部33(本発明の順位決定部の一例)、値引き判定部34(本発明の値引き判定部の一例)、通信I/F35などを備えるサーバコンピュータである。なお、サーバー装置11は、1台のコンピュータに限らず、複数台のコンピュータが協働して動作するコンピュータシステムであってもよい。また、サーバー装置11で実行される各種の処理は、一又は複数のプロセッサーによって分散して実行されてもよい。
[Server device 11]
The
通信I/F35は、サーバー装置11を有線又は無線で通信網N1に接続し、通信網N1を介して利用者端末15やゲート装置12,13、レジスター14などの外部機器との間で所定の通信プロトコルに従ったデータ通信を実行するための通信インターフェースである。
The communication I/
記憶部32は、各種の情報を記憶する半導体メモリ、HDD(Hard Disk Drive)又はSSD(Solid State Drive)などを含む不揮発性の記憶部である。なお、本実施形態では、記憶部32がサーバー装置11に設けられた構成を例示するが、例えば、記憶部32内の各種情報の一部又は全部が、通信網N1やインターネットなどを通じてサーバー装置11とデータ通信可能な他のサーバー装置や記憶装置などの外部装置に記憶されていてもよい。この場合、サーバー装置11は、必要に応じて、前記外部装置から必要な情報を読み出したり、情報を前記外部装置に記憶させる。
The
記憶部32には、制御部31に各種制御処理や、図7に示す後述のレコメンド処理(レコメンド抽出処理、レコメンド選定処理)を実行させるための制御プログラムが記憶されている。例えば、前記制御プログラムは、CD又はDVDなどのコンピュータ読取可能な記録媒体に非一時的に記録されており、サーバー装置11が備えるCDドライブ又はDVDドライブなどの読取装置(不図示)で読み取られて記憶部32に記憶される。
The
記憶部32は、複数の記憶領域に分けられている。具体的には、記憶部32には、顧客情報格納部321(本発明の行動履歴記憶部の一例)、商品情報格納部322、購入予定商品格納部323、優先順位格納部324(本発明の優先順位記憶部の一例)が設けられている。
The
顧客情報格納部321には、事前に登録された利用者毎の情報(以下、顧客情報という。)が記憶されている。前記顧客情報は、利用者のID番号や氏名、性別、年齢などを含む前記利用者識別情報のほかに、利用者が過去に店舗200で購入した商品に関する購入履歴情報を含む。つまり、前記購入履歴情報は、店舗200で販売されている商品に対する利用者の行動履歴を示す情報である。
The customer
前記顧客情報は、例えば、利用者が店舗200の会員登録を行ったときに記憶部32の顧客情報格納部321に前記利用者識別情報として記憶(登録)される。その後、利用者が店舗200内において商品を購入すると、その購入した商品に関する商品情報及び購入日などを含む購入履歴情報が、購入した利用者の前記利用者識別情報に紐付けられた状態で顧客情報格納部321に上書き記憶される。つまり、前記顧客情報が更新される。なお、前記購入履歴情報は、後述するレコメンド抽出処理部311によるレコメンド抽出処理に用いられる。
The customer information is stored (registered) as the user identification information in the customer
商品情報格納部322には、店舗200において販売可能な全ての商品に関する商品情報が記憶されている。前記商品情報は、商品を識別可能な情報であって、例えば、商品名、商品の金額、及び商品ID(JANコードなど)を含む価格情報を含む。また、前記商品情報は、商品の種類、商品の寿命(賞味期限や消費期限、使用期限など)、値引きの有無や値引き率、商品の陳列場所、その商品の写真や説明などを含むWEBサイトのURLなどの情報であって、店舗200での買い物時に利用者の利便が良好となる情報を含んでいる。また、商品が惣菜類などの調理済み食品(加工食品)である場合は、その調理済み食品の加工日時である調理時刻(調理日、調理予定時刻を含む)や調理後の状態(加工状態)を示す情報が前記商品情報に含まれていてもよい。また、商品が、例えば、販促キャンペーンの対象である場合は、その販促キャンペーンの対象か否かを判別するための情報が前記商品情報に含まれていてもよい。更にまた、前記商品情報は、店舗200の販売者のみが把握すべき情報、例えば、商品の利益率、廃棄リスクの程度、在庫数などを含んでもよい。
The product
また、商品情報格納部322には、商品ごとに、過去の販売実績、及び過去の廃棄履歴が記憶されている。前記過去の販売実績とは、過去に当該商品を販売したときの日時、価格、販売数、値引きの有無、値引き率などを含む。また、前記過去の廃棄履歴とは、売れ残った当該商品の廃棄処分の有無、過去に行われた廃棄処分の日時、廃棄処分した量などを含む。
The product
商品情報格納部322に記憶されている前記商品情報は、変化が生じるたびに更新される。例えば、商品の在庫数は、利用者が商品の支払い(決済)をした場合に、サーバー装置11の制御部31によって即座に更新される。また、商品の価格や在庫数、値引きの有無、値引き率、調理時刻、販促キャンペーンの有無、廃棄リスク、入荷による在庫数の増加などは、従業員端末16から従業員によって入力される情報に基づいて制御部31によって更新される。
The product information stored in the product
購入予定商品格納部323には、読取処理部211による読取処理が行われるたびに利用者端末15から順次送信されてくる前記購入対象情報が一時的に記憶される。この購入予定商品格納部323は、仮想的な買い物かごとして機能する。前記購入対象情報は、キャンセルされるか、或いは購入対象の商品の決済が完了するまで、購入予定商品格納部323に格納される。
The purchase candidate information is temporarily stored in the purchase
優先順位格納部324には、複数の商品情報とともに前記複数の商品の販売に関する優先順位が記憶されている。図6は、複数の商品それぞれの前記優先順位を示す順位リストTB1である。順位リストTB1には、商品情報格納部322に格納されている全ての商品のうち、店舗200側(販売者)が優先して販売することを望む複数の商品(以下、優先商品という。)が含まれており、各優先商品それぞれに対して、販売に関する優先順位が定められている。前記優先順位は、販売を促進したい商品の順位を示すものであり、その順位が1位の商品は、店舗200において最も販売を促進したい商品である。商品情報格納部322に格納されている全ての商品それぞれについて、前記優先順位が定められていてもよい。
The priority
順位リストTB1における優先商品各々の優先順位は、その優先順位に変動を来す変動要素に関する変動情報に基づいて決定される。前記変動情報は、例えば、前記優先商品の価格、種類、寿命、値引きの有無、値引き率、商品が惣菜類などの調理済み食品である場合はその調理時刻、前記販促キャンペーンの対象か否か、利益率、廃棄リスクの程度、在庫数、過去の販売実績、過去の廃棄履歴などの情報である。また、前記変動情報は、前記優先商品が惣菜類に代表される「焼き鳥」などの調理済み食品である場合は、調理日、調理時刻、調理後の状態を含む。また、前記変動情報は、店舗200の所在地における気温、湿度、気圧、及び天候を含む。また、前記変動情報は、現時刻、店舗200の当日の来店者数や来店者履歴を含む。前記来店者履歴は、過去の月別又は曜日別の来店者数を示す統計情報である。また、前記来店者数は、前記来店者履歴から予測される来店者見込み数を含む。このような変動情報は、商品の状態や利用者の購買意欲などを含む、商品をとりまく状況(商品状況)に変動を来す情報であるといえる。なお、前記優先商品の優先順位を決定するにあたり、その決定処理に用いられる前記変動情報は、上述した具体的な複数の変動要素のうちいずれか一つ以上の情報を含むものであればよい。
The priority of each priority product in the ranking list TB1 is determined based on variable information related to variable factors that cause fluctuations in the priority. The variable information is, for example, the price, type, lifespan, whether or not there is a discount, the discount rate, the cooking time of the priority product if the product is a prepared food such as a side dish, whether or not it is subject to the promotional campaign, the profit margin, the degree of waste risk, the number of items in stock, past sales performance, and past waste history. In addition, in the case where the priority product is a prepared food such as "yakitori" which is a representative side dish, the variable information includes the cooking date, cooking time, and state after cooking. In addition, the variable information includes the temperature, humidity, air pressure, and weather at the location of the
前記優先順位は、前記商品状況や店舗200側(販売者)の様々な要因などによって変動する。例えば、在庫数が多い商品は優先順位が上位に定められ、少ない商品は下位に定められる。これは、在庫数が多いほど売れ残りが生じ易いことに起因する。また、商品寿命が短い商品は上位に定められ、長い場合は下位に定められる。利益率が高い商品は上位に定められ、低い商品は下位に定められる。廃棄リスクが高い商品は上位に定められ、低い商品は下位に定められる。また、商品の種類によっても前記優先順位は変動し、例えば、調理の材料となる食材・食料品や食品(調理済み食品を含む)、飲料などは上位に定められ、洗剤や文具などは下位に定められる。また、惣菜類などの調理済み食品にあっても、調理時刻が何時であるか、或いはその調理後の状態によっても前記優先順位は変動し、調理後の経過時間が長い場合や調理時刻までの待ち時間が長い場合、調理後の状態が悪い場合は上位に定められ、前記経過時間が短い場合や前記待ち時間が短い場合、調理後の状態が良好な場合は下位に定められる。
The priority order varies depending on the product situation and various factors on the
また、商品の価格や、値引きの有無、値引き率、過去の販売実績、過去の廃棄履歴、店舗200の所在地における気温、湿度、気圧、及び天候、来店者数、来店者履歴なども前記優先順位を変動させる要因である。また、複数の変動情報が存在する場合、上述した複数の変動情報が相互に影響して優先順位が変動することもある。例えば、天候の良い日は多くの来店者が見込まれるため、この場合は、在庫数による影響よりも利益率の影響を重視して各優先商品の順位が定められる。また、天候が良くても気温が高い場合は、商品の種類を重視して順位が定められ、例えば、料理済み食品であれば、過去の販売実績などから売れにくいと推定される加熱済み食品や保温状態の調理済み食品が上位に定められ、売れ筋と推定される冷菜などが下位に定められる。
Factors that change the priority order include the price of the product, whether or not it is discounted, the discount rate, past sales, past disposal history, the temperature, humidity, and air pressure at the location of the
本実施形態では、前記優先順位は、上述した複数の変動情報に基づいて、後述する順位決定部33において決定又は更新される。なお、順位決定部33については後述する。
In this embodiment, the priority order is determined or updated by the
制御部31は、CPU、ROM、及びRAMなどの制御機器を有する。前記CPUは、各種の演算処理を実行するプロセッサーである。前記ROMは、前記CPUに各種の演算処理を実行させるためのBIOS及びOSなどの制御プログラムが予め記憶される不揮発性の記憶部である。前記RAMは、各種の情報を記憶する揮発性又は不揮発性の記憶部であり、前記CPUが実行する各種の処理の一時記憶メモリ(作業領域)として使用される。そして、制御部31は、前記ROM又は記憶部32に予め記憶された各種の制御プログラムを前記CPUで実行することによりサーバー装置11を制御する。
The
具体的に、制御部31は、図3に示すように、レコメンド抽出処理部311、レコメンド選定処理部312、レコメンド情報送信部313(本発明の推奨情報出力部の一例)、情報取得部314(本発明の優先順位取得部、行動履歴取得部の一例)、などの各種の処理部を含む。ここで、レコメンド抽出処理部311及びレコメンド選定処理部312は、本発明の推奨情報特定部の一例である。なお、制御部31は、前記CPUで前記制御プログラムに従った各種の処理を実行することによって前記各種の処理部として機能する。また、制御部31に含まれる一部又は全部の処理部が電子回路で構成されていてもよい。なお、前記制御プログラムは、複数のプロセッサーを前記各種の処理部として機能させるためのプログラムであってもよい。
Specifically, as shown in FIG. 3, the
レコメンド抽出処理部311は、顧客情報格納部321に格納されている利用者の購入履歴情報に基づいて、利用者の嗜好に合ったレコメンド情報を複数の商品情報から抽出するレコメンド抽出処理を実行する。前記レコメンド抽出処理を実行するための制御プログラムとして、記憶部32には、前記購入履歴情報を用いる従来周知の所定のレコメンドアルゴリズムを用いて前記レコメンド情報を抽出するレコメンドエンジン(レコメンドプログラム)が格納されている。レコメンド抽出処理部311は、前記レコメンドエンジンを用いて、複数の商品情報から予め設定された2以上の候補数の推奨商品の候補(推奨商品候補、本発明の候補情報に相当)を抽出する。つまり、レコメンド抽出処理部311は、記憶部32に記憶された前記レコメンドエンジンを用いて、所定のアルゴリズムに基づいて前記レコメンド抽出処理を実行する。
The recommendation
レコメンド選定処理部312は、レコメンド抽出処理部311によって抽出された複数の前記推奨商品候補から、さらに特定の推奨商品候補を選定するレコメンド選定処理を実行する。前記レコメンド選定処理を実行するための制御プログラムが記憶部32に記憶されている。本実施形態では、レコメンド選定処理部312は、レコメンド抽出処理部311によって抽出された複数の前記推奨商品候補から、優先順位格納部324に記憶されている前記優先商品の優先順位に基づいて特定される前記特定の推奨商品候補を選定する。
The recommendation
なお、本実施形態では、レコメンド抽出処理部311及びレコメンド選定処理部312によって本発明の推奨情報特定部が実現される構成について例示するが、本発明はこのような構成に限られない。例えば、前記レコメンド抽出処理が実行される際に、顧客情報格納部321に格納されている利用者の購入履歴情報と優先順位格納部324に記憶されている前記優先商品の優先順位との両方に基づいて前記特定のレコメンド情報を抽出する構成であっても適用可能である。この場合、上述した従来周知の所定のレコメンドアルゴリズムを用いるレコメンドエンジンに、前記レコメンド選定処理を実現するプログラムが組み込まれる。
In this embodiment, a configuration in which the recommendation information identification unit of the present invention is realized by the recommendation
レコメンド情報送信部313は、レコメンド選定処理部312によって選定された前記特定の推奨商品候補の商品情報を含むレコメンド情報を、通信網N1を通じて利用者端末15に出力する。利用者端末15は、送信されてきた前記レコメンド情報を受信すると、利用者端末15の操作表示部22に当該レコメンド情報を表示する。また、レコメンド情報送信部313は、前記レコメンド情報を従業員端末16にも送信する。
The recommendation
情報取得部314は、店舗200で提供される複数の商品の販売に関する前記優先順位を優先順位格納部324から取得する。具体的には、情報取得部314は、優先順位格納部324から必要な商品の優先順位を取得する。更に詳細には、レコメンド抽出処理部311による前記レコメンド抽出処理によって、利用者の嗜好に合致すると推定される複数の推奨商品候補の商品情報が選択された場合、情報取得部314は、選択された複数の商品情報の前記優先順位を優先順位格納部324から取得する。取得された前記優先順位は、レコメンド選定処理部312で用いられる。
The
また、情報取得部314は、店舗200で提供される商品に対する利用者の購入履歴情報を顧客情報格納部321から取得する。具体的には、利用者の来店時にゲート装置12から当該利用者の前記利用者識別情報が送られてくると、情報取得部314は、前記利用者識別情報に対応する顧客情報を前記顧客情報格納部321から抽出し、その顧客情報に含まれる前記購入履歴情報を抽出する。取得された購入履歴情報は、レコメンド抽出処理部311に転送される。
In addition, the
[順位決定部33]
以下、図4を参照して、順位決定部33について説明する。順位決定部33は、前記優先順位を機械学習により決定するよう構成された学習装置であり、前記優先順位を決定するための学習モデルを有している。ここで、図4は、順位決定部33の構成を示すブロック図であり、機械学習アルゴリズムとして強化学習を適用した例を示している。
[Ranking determination unit 33]
The
図4に示すように、順位決定部33は、変動情報観測部331(本発明の変動情報取得部の一例)と、行動結果取得部332(本発明の行動結果取得部の一例)と、学習部40(本発明の順位学習部の一例)と、データ更新処理部333と、を備える。順位決定部33は、汎用的なCPUを用いることができるが、より高速な演算処理が可能にするために、例えば、GPGPU(General-Purpose computing on Graphics Processing Units)や大規模PCクラスター等を用いることが望ましい。
As shown in FIG. 4, the
変動情報観測部331は、図6の順位リストTB1に示す優先商品それぞれの優先順位を決定するために用いられる前記変動情報を取得する。前記変動情報が、商品の価格、商品の種類、商品の寿命(賞味期限や消費期限、使用期限など)、値引きの有無や値引き率、調理済み食品の調理時刻又は調理予定時刻、販促キャンペーンの対象か否かの判別情報、商品の利益率、廃棄リスクの程度、在庫数、過去の販売実績、過去の廃棄履歴である場合は、変動情報観測部331は、商品情報格納部322内の商品情報を監視し、常にリアルタイムな情報を商品情報格納部322から取得する。
The variable
また、前記変動情報が、店舗200の所在地における気温、湿度、気圧である場合は、変動情報観測部331は、店舗200の屋内又は屋外に設けられた温度センサー、湿度センサー、気圧センサーから出力されるセンサー出力値を受け取り、そのセンサー出力値が示すリアルタイムな気温、湿度、気圧を取得する。また、前記変動情報が店舗200周辺の天候である場合は、サーバー装置11とインターネット接続されたに天気情報データベースから制御部31が天候情報をダウンロードし、変動情報観測部331は、制御部31から前記天候情報を受け取る。
If the fluctuation information is the temperature, humidity, and air pressure at the location of the
取得された変動情報は、学習部40の学習に用いられる情報であり、順位決定部33内の図示しない記憶部に記憶される。前記記憶部から学習部40に前記変動情報が入力される。
The acquired variation information is used for learning by the
行動結果取得部332は、利用者端末15の行動結果送信部214から送信される前記行動結果の情報を取得する。つまり、行動結果取得部332は、前記レコメンド情報が示す推奨商品を利用者が閲覧又は購入したか否かを示す行動結果(肯定結果、否定結果)を取得する。取得された行動結果の情報は、学習部40の学習に用いられる情報であり、順位決定部33内の図示しない記憶部に記憶される。前記記憶部から学習部40に前記行動結果が入力される。
The behavior result
学習部40は、変動情報観測部331によって取得された前記変動情報に基づいて、前記優先順位を学習する。本実施形態では、学習部40は、取得された前記変動情報のみならず、行動結果取得部332によって取得された前記行動結果をも用いて、店舗200側が優先して販売したい商品の前記優先順位を機械学習する。なお、学習部40については後述する。
The
データ更新処理部333は、学習部40が学習した前記優先順位を参照して、優先順位格納部324に記憶されている前記優先順位、詳細には、図6の順位リストTB1に示す優先商品それぞれの優先順位を学習後の順位に更新する。
The data
学習部40は、入力された前記変動情報の集合から、その中にある有用な規則やルール、知識表現、判断基準などを解析によって抽出し、その判断結果を出力するとともに、知識の学習を行う機能を備えている。機械学習には、教師あり学習(Supervised Learning)、教師なし学習(Unsupervised Learning)、強化学習(Reinforcement Learning)などのアルゴリズムがあり、更に、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習(ディープラーニング:Deep Learning)」と呼ばれる手法が用いられる。
The
ここで、教師あり学習は、事前に入力されたデータから、その「入力と出力の関係」を学習するアルゴリズムである。入力されるデータには、入力値とともに、そのデータの正解が付与されており、このようなデータを大量に学習部40に与えることで、学習部40は、それらのデータにある特徴を学習し、入力から出力(結果)を推定する。与えられた入出力データ間の関係が学習できれば、その関係性を未知のデータに適用することにより、出力の予想が可能になる。
Here, supervised learning is an algorithm that learns the "relationship between input and output" from data that has been input in advance. The input data is given the correct answer for that data along with the input value, and by providing a large amount of such data to the
また、教師なし学習は、正解となる出力データを与えられることなく、大量に与えられた入力データから、そのデータの構造、特性、新たな知識などの特徴量を学習するアルゴリズムである。学習する元となるデータに正解が付与されていない点で、教師あり学習とは異なる。 Unsupervised learning is an algorithm that learns features such as the structure, characteristics, and new knowledge of data from a large amount of input data, without being given correct output data. It differs from supervised learning in that the original data from which learning is done is not given a correct answer.
また、強化学習は、教師あり学習、教師なし学習のような固定的で明確なデータを元にした学習ではなく、プログラム自体が、与えられた環境(現在の状態)を観測し、連続した一連の行動を評価し、環境に行動が与える相互作用を踏まえて適切な行動、つまり、将来的に得られる報酬を最大にするための行動を自ら学習するアルゴリズムである。代表的な手法としてTD学習やQ学習が知られている。 Furthermore, reinforcement learning is not based on fixed and clear data, as in supervised and unsupervised learning, but is an algorithm in which the program itself observes a given environment (current state), evaluates a series of consecutive actions, and learns appropriate actions based on the interactions between the actions and the environment, that is, actions that will maximize future rewards. Typical methods include TD learning and Q-learning.
強化学習は、行動が引き起こす結果が未知である。そのため、学習部40の機械学習として強化学習を採用する場合、学習したい各商品の優先順位が全く分かっていない状態から学習がスタートすることになり、初期段階においては、学習によって得られた前記優先順位が店舗200側の望む順位になっていない場合がある。そのため、教師あり学習で事前学習を行い、事前学習した前記優先順位を初期状態として、その後に強化学習を行うことが望ましい。
In reinforcement learning, the results caused by actions are unknown. Therefore, when reinforcement learning is adopted as the machine learning of the
例えば、学習部40における強化学習がQ学習の場合、行動価値関数Q(s,a)の一般的な更新式(行動価値テーブル)は、次の式(1)で表される。
For example, when the reinforcement learning in the
なお、式(1)中において、stは、時刻tにおける環境を表し、atは、時刻tにおける行動を表す。行動atにより、環境はst+1に変わる。rt+1は、その環境の変化によって貰える報酬である。maxの付いた項は、環境st+1の下で、その時に分かっている最もQ値の高い行動aを選んだ場合のQ値にγを乗じたものになる。また、γは割引率と呼ばれており、0<γ≦1のパラメータである。また、αは、0<α≦1の範囲の学習係数である。Q学習を適用した場合、利用者端末15に表示された前記レコメンド情報を閲覧したり、前記レコメンド情報が示す商品の情報コードを読み取ったり、商品を利用者が購入したりする行動(閲覧行動、読取行動、購入行動)が行動atとなる。
In addition, in formula (1), s t represents the environment at time t, and a t represents the action at time t. The environment changes to s t+1 due to the action a t . r t+1 is the reward obtained due to the change in the environment. The term with max is the Q value multiplied by γ when the action a with the highest Q value known at that time is selected under the environment s t+1 . γ is also called the discount rate and is a parameter of 0<γ≦1. α is a learning coefficient in the range of 0<α≦1. When Q-learning is applied, the actions of browsing the recommendation information displayed on the
図4に示すように、学習部40は、報酬計算部401(本発明の報酬出力部の一例)と、価値関数更新部402(本発明の学習モデル更新部の一例)とを有する。報酬計算部401は、変動情報観測部331によって取得された前記変動情報に基づいて報酬を計算し、出力する。また、価値関数更新部402は、前記変動情報及び報酬計算部401で計算された報酬に基づいて、前記優先順位に関する価値関数を更新する。この価値関数は、学習モデルに対応する。
As shown in FIG. 4, the
上述したように、変動情報は、前記優先順位に変動を来すものであるが、この変動情報そのものも刻々と変化する。このため、前記変動情報が変化すると、前記優先順位も更新される。変更後の優先順位が適切であるか否かは、閲覧行動、読取行動、購入行動の各行動の行動結果が肯定結果であるか否定結果であるかによって評価できる。このため、例えば、Q学習を適用した場合、行動結果(肯定結果、否定結果)が実質的に式(1)における行動atであり、式(1)で表される行動価値関数Q(s,a)を、行動atを変更するための価値関数として用いる。 As described above, the variable information causes a change in the priority order, and the variable information itself changes from moment to moment. Therefore, when the variable information changes, the priority order is also updated. Whether the changed priority order is appropriate or not can be evaluated based on whether the behavioral results of each of the browsing behavior, reading behavior, and purchasing behavior are positive or negative. Therefore, for example, when Q-learning is applied, the behavioral results (positive result, negative result) are essentially the behavior a t in formula (1), and the behavior value function Q(s, a) expressed by formula (1) is used as a value function for changing the behavior a t .
本実施形態では、報酬計算部401は、前記行動結果が前記レコメンド情報が示す推奨商品を閲覧又は購入したことを示す肯定結果である場合にプラスの報酬を出力し、前記行動結果が前記推奨商品を閲覧及び購入しなかったことを示す否定結果である場合にマイナスの報酬を出力する。出力される報酬の絶対値は、前記行動結果の内容によって異ならせてもよい。例えば、閲覧行動の行動結果に対する報酬が最も低く、購入行動の行動結果に対応する報酬が最も高く設定されていてもよい。また、利用者ごとに報酬に対する重み係数を設定してもよく、例えば、店舗200の利用頻度が高い利用者の行動結果による報酬を重視する場合は、前記報酬に乗じる重み係数を前記利用頻度に比例した数値に設定してもよい。
In this embodiment, the
[値引き判定部34]
以下、図5を参照して、値引き判定部34について説明する。値引き判定部34は、同種類の複数の商品のうち前記優先順位が予め定められた基準順位(本実施形態では10位)よりも低位である低順位商品に対する値引きを実施するか否かを機械学習により判定するよう構成された学習装置である。ここで、図5は、値引き判定部34の構成を示すブロック図であり、機械学習アルゴリズムとして強化学習を適用した例を示している。なお、値引き判定部34の構成は、判定結果通知部341を除き順位決定部33の構成と同様であるため、以下では、異なる構成についてのみ詳細に説明し、同様の構成については順位決定部33と同じ符号を付し示すことによりその詳細な説明を省略する。
[Discount determination unit 34]
The
なお、本実施形態では、前記値引きは、対象商品の販売価格を更に値下げするのみならず、対象商品の実質的な値引きに相当する行為も含む。例えば、対象商品を購入した場合にクーポン券(金券、割引券)を付与することや、商品と引き換え可能なポイントを付与すること、なども前記値引きに相当する。 In this embodiment, the discount does not only include a further reduction in the selling price of the target product, but also includes an action equivalent to a substantial discount on the target product. For example, the provision of a coupon (voucher, discount voucher) when the target product is purchased, or the provision of points that can be exchanged for products, also corresponds to the discount.
図5に示すように、値引き判定部34は、変動情報観測部331(本発明の劣化情報取得部の一例)と、行動結果取得部332(本発明の行動結果取得部の一例)と、学習部40(本発明の判定学習部の一例)と、判定結果通知部341と、を備える。つまり、値引き判定部34は、データ更新処理部333に代えて判定結果通知部341が備えられている点で順位決定部33と異なる。
As shown in FIG. 5, the
例えば、図6の順位リストTB1において、同じ種類の商品「焼き鳥」が10位(基準順位)以内に2つランクインしており、10位より低位の19位にも存在しているケースについて検討する。例えば、順位が10位以内にランクインしている商品「焼き鳥」については、前記優先順位が高いため、前記レコメンド情報として店舗20を買い回り中の利用者に通知される可能性が高く、利用者によって購入される可能性が他の順位の商品「焼き鳥」よりも高い。一方、前記基準順位よりも低位の19位の商品「焼き鳥」(低順位商品に相当)は、順位が低いため、前記レコメンド情報として利用者に通知される可能性は低い。この場合、現時点では、順位が下位の商品(低順位商品)は店舗200側(販売者)として優先的に販売したい商品でないとしても、前記変動情報の変動内容如何によっては、順位決定部33による順位決定後のランクアップ又はランクダウン(順位変動)を待たずして、売れ行き状況を向上させる必要が生じる場合がある。
For example, consider a case in which, in the ranking list TB1 of FIG. 6, there are two products of the same type, "yakitori," ranked within the top 10 (reference ranking), and one product is also ranked 19th, which is lower than the 10th place. For example, the product "yakitori" ranked within the top 10 has a high priority, so it is likely to be notified to users shopping around the
このため、値引き判定部34では、変動情報観測部331は、上述したように変動情報を取得するものであるが、商品の劣化に変動を来す劣化情報として、前記変動情報を取得する。また、学習部40は、変動情報観測部331によって取得された前記変動情報に基づいて、同種類の複数の商品のうちで前記優先順位が前記基準順位よりも低位の商品(低順位商品)に対する値引きを実施するか否かを機械学習する。
For this reason, in the
ところで、店舗200で取り扱われている商品には、生鮮食品や惣菜類などのように長期保存ができない短寿命の商品が含まれている。また、洗剤や文具などの生活用品や、長期保存可能な缶詰や即席麺類などの加工食品、菓子類や嗜好品、調味料、リキュールなどのアルコール飲料のように使用期限や消費期限の長い商品なども含まれる。したがって、前記低順位商品といえども、生活用品などのように長寿命の商品については、仮に在庫数が多い場合でも値引きする必要性が低い。一方、生鮮食品や惣菜類などの短寿命の商品については、仮に在庫数が少なくても寿命間近であれば、売れ残り廃棄のリスクを回避するために、値引きしてでも売り切る必要性が高い。したがって、値引き判定部34においては、前記低順位商品のうち、所定の閾値よりも寿命が短い短寿命の商品を抽出し、その短寿命の商品について、値引きを実施するか否かを機械学習することが好ましい。つまり、本実施形態では、値引き判定部34は、前記低順位商品から、前記所定の閾値よりも寿命の長い商品を除外して、値引きを実施するか否かを機械学習する。なお、前記所定の閾値は、対象となる商品に応じて任意に設定されるものであり、例えば惣菜類であれが1日、生鮮食品であれば食品の種類に応じて数日程度に設定される。
Incidentally, the products handled in the
判定結果通知部341は、学習部40が学習した前記判定結果を参照して、従業員端末16に判定結果を送信する処理を行う。この判定結果を受け取った従業員端末16では、その判定結果が当該端末16の表示部に表示される。したがって、店舗200の従業員は、表示された判定結果を確認することにより、いずれの商品を値引きすればよいかを認識し、迅速に商品の値引き、つまり、情報コードの更新(貼り替え)を行うことができる。
The judgment
なお、上述の例では、前記基準順位を10位としたが、例えば、値引き判定部34は、同種類の複数の商品のうち順位が最も高い商品以外の商品それぞれに対して、値引きをするか否かを学習するものであってもよい。この場合、同種類の複数の商品のうち順位が最も高い商品のその順位が、本発明の基準順位に相当する。
In the above example, the reference ranking is set to 10th place, but for example, the
また、上述の例では、同種類の複数の商品のうち前記優先順位が前記基準順位よりも低位である商品(商品)に対する値引きについて例示したが、例えば、値引き判定部34は、全ての商品のうち前記基準順位よりも低位の商品(低順位商品)それぞれに対して、値引きをするか否かを学習するものであってもよい。
In addition, the above example illustrates a discount on a product (item) among multiple products of the same type whose priority is lower than the reference priority, but for example, the
また、商品の値引きを実施するか否かの判定のみならず、例えば、値引きを実施すると判定された場合にその値引き率や値引きの実施タイミングなども値引き判定部34の学習部40に学習させるようにしてもよい。
In addition to determining whether or not to discount the product, the
以下、図7のフローチャートを用いて、サーバー装置11の制御部31によって実行されるレコメンド処理とともに、本発明の推奨情報特定方法について説明する。以下の説明では、店舗200のゲート装置12を利用者が通過した入店時から、利用者が店舗200のゲート装置13を通過した退店時までの間に前記レコメンド処理が行われるものとする。つまり、前記レコメンド処理は、店舗200内を利用者が買い回りしているときに実施される。なお、図7において、S11,S12,・・・は処理手順の番号(ステップ番号)を示す。
The following describes the recommendation process executed by the
まず、ステップS11では、制御部31は、入店した利用者の購入履歴情報を顧客情報格納部321から取得する。かかる処理は、制御部31の情報取得部314によって行われる。ステップS11が、本発明の行動履歴取得ステップに相当する。また、次のステップS12では、制御部31は、取得した購入履歴情報から、利用者の行動内容を抽出する。
First, in step S11, the
次に、ステップS13において、制御部31は、前記レコメンドエンジンを用いて、前記行動内容に基づいて、利用者の嗜好に合致するであろう推奨される推奨商品の候補を複数抽出する処理を行う。かかる処理は、制御部31のレコメンド抽出処理部311によって行われる。本実施形態では、レコメンド抽出処理部311は、例えば5つの候補を決定する。
Next, in step S13, the
次のステップS14では、制御部31は、ステップS13で抽出された複数の候補の中に、図6の順位リストTB1に属する優先順位が上位の上位商品が含まれているかどうかを判定する。例えば、前記上位商品は、前記優先順位が予め定められた基準順位(本実施形態では10位)以内の商品とすることができる。
In the next step S14, the
ステップS14において、前記複数の候補の中に前記上位商品が含まれていると判定された場合(S14のYes側)、次のステップS15において、複数の候補のなかから最上位の商品を選定して、その選定された商品を推奨商品に特定する。かかる処理は、制御部31のレコメンド選定処理部312によって行われる。ステップS15は、本発明の推奨情報特定ステップに相当する。その後、前記推奨商品を含む前記レコメンド情報がレコメンド情報送信部313によって利用者の利用者端末15に送信される。利用者端末15では、受信したレコメンド情報が操作表示部22の表示部に表示される。また、前記レコメンド情報は、従業員端末16にも送信される。
If it is determined in step S14 that the top product is included in the multiple candidates (Yes side of S14), then in the next step S15, the top product is selected from the multiple candidates and the selected product is identified as the recommended product. This process is performed by the recommendation
一方、ステップS14において、前記複数の候補の中に前記上位商品が含まれていないと判定された場合(S14のNo側)、制御部31は、再び前記レコメンドエンジンを用いて、前記行動内容に基づいて、ステップS13で抽出された候補とは異なる複数の候補を抽出する処理を行う(ステップS17)。その後、ステップS14の処理を実行し、前記複数の候補の中に前記上位商品が含まれていると判定されるまで、ステップS14及びS17の処理が繰り返し行われる。
On the other hand, if it is determined in step S14 that the top product is not included in the multiple candidates (No in S14), the
以上説明したように、本実施形態では、利用者端末15に利用者の嗜好に合致した前記レコメンド情報が表示されるので、前記レコメンド情報を提示された利用者は、自分の嗜好に合致した商品情報(推奨商品の情報)をいち早く入手することができる。また、利用者端末15に出力された前記レコメンド情報は、店舗200側(販売者)が優先的に販売したい商品の優先順位が考慮された推奨商品の情報を含む。そのため、当該推奨商品が閲覧されたり購入される可能性がアップし、その結果、店舗側(販売者)は、優先的に販売したい商品の購買率を向上させることができる。
As described above, in this embodiment, the recommendation information that matches the user's preferences is displayed on the
また、従業員端末16にも前記レコメンド情報が送信されるため、従業員は受信した各利用者のレコメンド情報を確認することができる。
The recommendation information is also sent to the
なお、上述の実施形態では、ステップS14及びS15の処理を行うことにより推奨商品を特定する例について説明したが、本発明はこのような例に限られない。例えば、ステップS13で抽出された複数の候補の中から、後述するレコメンド評価値の最も高い商品を前記推奨商品と特定してもよい。 In the above embodiment, an example in which a recommended product is identified by performing the processes of steps S14 and S15 has been described, but the present invention is not limited to such an example. For example, the product with the highest recommendation evaluation value, which will be described later, may be identified as the recommended product from among the multiple candidates extracted in step S13.
前記レコメンド評価値は、例えば、図8に示すように、抽出された5つの候補の商品A1~A5それぞれについて予め定められた相性係数Z1と順位係数Z2とを乗じた数値Z1・Z2を用いることができる。ここで、前記相性係数Z1は、候補となる商品A1~A5それぞれに対する利用者との相性(好み)を数値化したものであり、例えば、利用者の購入履歴情報や商品情報などのデータに基づいて、確率的潜在意味解析法(PLSA:Probabilistic Latent Semantic Analysis)によって算出される。 The recommendation evaluation value can be, for example, as shown in FIG. 8, a numerical value Z1·Z2 obtained by multiplying a predetermined compatibility coefficient Z1 and a ranking coefficient Z2 for each of the five extracted candidate products A1 to A5. Here, the compatibility coefficient Z1 is a numerical representation of the compatibility (preference) between the user and each of the candidate products A1 to A5, and is calculated, for example, by Probabilistic Latent Semantic Analysis (PLSA) based on data such as the user's purchase history information and product information.
また、前記順位係数Z2は、所定のルールに基づいて定められた任意の係数である。本実施形態では、順位リストTB1(図6参照)における1位の商品には任意の数値「0.50」が定められており、2位の商品には1位の係数の半分の数値「0.25」、3位の商品には1位の係数の3分の1の数値「0.16」、4位の商品には1位の係数の4分の1の数値「0.13」、5位の商品には1位の係数の5分の1の数値「0.10」が定められている。前記順位係数Z2を設定するルールは、順位が上位から下位になるほど前記順位係数Z2が小さい数値に設定されていればよく、上述のルールに限られない。なお、上述した各数値は、小数点第三位を切り捨てて表示している。ここで、図8では、ステップS13で抽出された5つの候補の商品が優先順位1位から5位の商品である場合の各係数及び前記レコメンド評価値を例示している。 The ranking coefficient Z2 is an arbitrary coefficient determined based on a predetermined rule. In this embodiment, an arbitrary value "0.50" is set for the first-ranked product in the ranking list TB1 (see FIG. 6), a value "0.25" that is half the coefficient of the first-ranked product is set for the second-ranked product, a value "0.16" that is one-third the coefficient of the first-ranked product is set for the third-ranked product, a value "0.13" that is one-quarter the coefficient of the first-ranked product is set for the fourth-ranked product, and a value "0.10" that is one-fifth the coefficient of the first-ranked product is set for the fifth-ranked product. The rule for setting the ranking coefficient Z2 is not limited to the above rule, as long as the ranking coefficient Z2 is set to a smaller value from higher to lower. Note that each of the above-mentioned values is displayed by rounding down to the third decimal place. Here, FIG. 8 illustrates each coefficient and the recommendation evaluation value when the five candidate products extracted in step S13 are products with priority rankings of 1 to 5.
制御部31は、前記レコメンド処理において、ステップS14及びS15の処理に代えて、上述のように定められたレコメンド評価値のうち、最も数値の大きい商品を前記推奨商品に特定する。このように推奨商品が特定されることにより、上位の商品の順位に変動がない場合に、同じ利用者に対して同じ商品が推奨商品として提示されることを防止できる。
In the recommendation process, instead of the processes of steps S14 and S15, the
なお、前記レコメンド評価値の最も高い商品を前記推奨商品に特定するのではなく、例えば、抽出された5つの候補の商品A1~A5それぞれに対して、前記レコメンド評価値の数値が高いものほど高い選択率を設定し、各選択率に基づいて確率論的に前記推奨商品を特定してもよい。 In addition, instead of identifying the product with the highest recommendation evaluation value as the recommended product, for example, for each of the five extracted candidate products A1 to A5, the higher the recommendation evaluation value, the higher the selection rate may be set, and the recommended product may be identified probabilistically based on each selection rate.
前記レコメンド評価値は、相性係数Z1と順位係数Z2とを乗じた数値Z1・Z2に対して、さらに、5つの候補の商品A1~A5それぞれについてランダムに決定されたノイズ係数Z3を乗じたものを用いてもよい。このノイズ係数Z3は、前記レコメンド評価値を変動させるための係数である。このノイズ係数Z3が数値Z1・Z2に乗算されることで、特定される前記推奨商品にも影響する。つまり、前記ノイズ係数Z3が乗じられる前と後とでは、特定される前記推奨商品が変化する場合がある。ノイズ係数Z3を乗じるタイミングは、例えば、利用者が入店した入店回数の累積が予め定められた回数に達したこと、直近の設定期間における入店回数が予め定められた回数に達したこと、予め定められた期間を経過した後に利用者が再来店したこと、提示されたレコメンド情報が示す推奨商品に対して予め定められた回数連続して肯定的な行動結果(閲覧行動、読取行動、購入行動)を利用者が起こさなかったこと、のいずれか一つ又は複数を満たしたタイミングとすることができる。このようなノイズ係数Z3を前記レコメンド評価値に加味することにより、特定された前記推奨商品を含む前記レコメンド情報に多様性を持たせることができる。 The recommendation evaluation value may be obtained by multiplying the compatibility coefficient Z1 and the ranking coefficient Z2 to obtain a value Z1·Z2, and further multiplying the value Z1·Z2 by a noise coefficient Z3 randomly determined for each of the five candidate products A1 to A5. This noise coefficient Z3 is a coefficient for varying the recommendation evaluation value. The noise coefficient Z3 is multiplied by the values Z1·Z2, which also affects the recommended products identified. In other words, the recommended products identified may change before and after the noise coefficient Z3 is multiplied. The timing for multiplying the noise coefficient Z3 may be, for example, when one or more of the following conditions are met: the cumulative number of times the user has entered the store has reached a predetermined number; the number of times the user has entered the store in the most recent set period has reached a predetermined number; the user has revisited the store after a predetermined period has passed; or the user has not taken a positive action (viewing, reading, or purchasing) for the recommended products indicated by the presented recommendation information a predetermined number of times in a row. By adding such a noise coefficient Z3 to the recommendation evaluation value, it is possible to add diversity to the recommendation information including the identified recommended products.
このような多様性を有するレコメンド情報は、必ずしも、利用者の購入履歴が反映した前記推奨商品を含むとは限らない。しかしながら、推奨商品を含まないレコメンド情報を閲覧した利用者が、そのレコメンド情報を契機として前記レコメンド情報が示す商品を購入することで、このような商品の購入実績が利用者の購入履歴に上書きされる。その結果、次のタイミングでは、上書き後の購入履歴情報を用いて前記推奨商品を含む前記レコメンド情報が特定され、前記レコメンド情報が示す推奨商品と利用者が好む商品との一致性が向上する。 Such diverse recommendation information does not necessarily include the recommended products reflected in the user's purchase history. However, when a user views recommendation information that does not include a recommended product, that recommendation information triggers the user to purchase a product indicated by the recommendation information, and the purchase record of such a product is overwritten in the user's purchase history. As a result, at the next timing, the recommendation information including the recommended product is identified using the overwritten purchase history information, and the consistency between the recommended products indicated by the recommendation information and the products preferred by the user is improved.
なお、前記レコメンド評価値として、相性係数Z1を用いずに、順位係数Z2にノイズ係数Z3を乗じた数値Z2・Z3を用いてもかまわない。 In addition, instead of using the compatibility coefficient Z1, the recommendation evaluation value may be a value Z2·Z3 obtained by multiplying the ranking coefficient Z2 by the noise coefficient Z3.
以下、図9のフローチャートを用いて、強化学習を用いた順位決定部33の学習部40の学習動作フローの一例について説明する。図9において、S21,S22,・・・は処理手順の番号(ステップ番号)を示す。値引き判定部34における学習部40の学習動作は、図9に示す学習動作フローと同じであるため、その説明は省略する。
Below, an example of the learning operation flow of the
まず、ステップS21では、順位決定部33の行動結果取得部332は、利用者端末15から送信されたきた前記行動結果(閲覧行動、読取行動、購入行動の行動結果)を取得する。このステップS21では、店舗200を利用するすべての利用者の行動結果が利用者端末15各々から送信される。
First, in step S21, the behavior result
ステップS22では、学習部40の報酬計算部401は、ステップS21で取得された行動結果に基づいて、現時点の前記優先順位が適切かどうかを判定するための判定評価値を算出する。前記判定評価値は、前記行動結果の内容ごとに定められている評価ポイントを加算して算出される。例えば、閲覧行動、読取行動、購入行動の肯定結果に対してはプラスの評価ポイントが定められており、否定結果に対してはマイナスの評価ポイントが定められている。すべての行動結果に対する評価ポイントが加算されることにより、前記判定評価値が算出される。なお、利用者ごとに前記評価ポイントに重み係数が設定されている場合、例えば、店舗200の利用頻度が高い利用者の行動結果に対する評価ポイントに前記利用頻度に比例した数値の重み係数が設定されている場合は、その重み係数を加味して前記判定評価値が算出されてもよい。
In step S22, the
次のステップS23では、前記判定評価値が所定の許容範囲内かどうかを判定する。前記判定評価値が許容範囲内であると判定された場合は、現時点の前記優先順位が適切であるとして、処理はステップS24に進み、プラス報酬を設定する。一方、前記判定評価値が許容範囲を超えていると判定された場合は、現時点の前記優先順位が不適切であるとして、処理はステップS25に進み、マイナス報酬を設定する。 In the next step S23, it is determined whether the judgment evaluation value is within a predetermined allowable range. If it is determined that the judgment evaluation value is within the allowable range, the current priority is deemed appropriate, and the process proceeds to step S24, where a positive reward is set. On the other hand, if it is determined that the judgment evaluation value is outside the allowable range, the current priority is deemed inappropriate, and the process proceeds to step S25, where a negative reward is set.
その後、ステップS26において、学習部40の価値関数更新部402によって、優先順位に関する価値関数、つまり、行動価値関数Q(s,a)が更新され、再びステップS21に戻って、同様の処理が繰り返し実行される。
Then, in step S26, the value
なお、上述の実施形態では、実在する店舗200に適用される情報処理システム100を例示したが、本発明は、利用者端末15を介して利用者が買い物をするインターネット上に存在する仮想店舗にも適用可能である。
In the above embodiment, an
以上説明した実施形態は、以下に付記する特徴を含む。
(1) 店舗で提供される商品に対するユーザーの行動履歴と、店舗で提供される複数の商品の販売に関して予め定められた優先順位とに基づいて、前記複数の商品に関する複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する推奨情報特定部、を備える推奨情報特定装置。
(2) 前記優先順位を機械学習により決定するよう構成された順位決定部を更に備え、
前記順位決定部は、
前記優先順位に変動を来す変動情報を取得する変動情報取得部と、
前記変動情報取得部によって取得された前記変動情報に基づいて、前記優先順位を学習する順位学習部と、を有する、前記(1)に記載の推奨情報特定装置。
(3) 前記変動情報は、
前記商品の価格、種類、寿命、値引きの有無、値引き率、利益率、廃棄リスク、在庫数、過去の販売実績、及び過去の廃棄履歴、前記商品が加工食品である場合は加工日時及び加工状態、現時刻、前記店舗の所在地における気温、湿度、気圧、及び天候、ならびに前記店舗の来店者数のうちの少なくとも一つ以上を含む、前記(2)に記載の推奨情報特定装置。
(4) 前記順位決定部は、
前記推奨情報が示す前記推奨商品を前記ユーザーが閲覧又は購入したか否かを示す行動結果を取得する行動結果取得部を更に有し、
前記順位学習部は、前記変動情報取得部によって取得された前記変動情報、及び前記行動結果取得部によって取得された前記行動結果に基づいて、前記優先順位を学習する、前記(2)又は(3)に記載の推奨情報特定装置。
(5) 前記順位学習部は、前記優先順位を学習するための学習モデルを有し、
前記順位学習部は、
前記行動結果が前記推奨商品を閲覧又は購入したことを示すものである場合はプラスの報酬を出力し、前記行動結果が前記推奨商品を閲覧及び購入しなかったことを示すものである場合はマイナスの報酬を出力する報酬出力部と、
前記報酬出力部によって出力された報酬に基づいて前記学習モデルを更新する学習モデル更新部と、を有する、前記(4)に記載の推奨情報特定装置。
(6) 前記推奨情報特定部は、前記行動履歴に基づいて前記複数の商品情報から抽出された複数の候補情報から、前記優先順位が最も高い前記推奨商品を含むものを前記推奨情報として特定する、前記(1)から(5)のいずれかに記載の推奨情報特定装置。
(7) 前記推奨情報特定部は、前記複数の候補情報から、前記複数の候補情報それぞれについてランダムに決定されたノイズ係数を前記複数の候補情報それぞれの前記優先順位に乗じて得た評価値が最も高い前記推奨商品を含むものを前記推奨情報として特定する、前記(6)に記載の推奨情報特定装置。
(8) 前記店舗における商品の購入の際に前記ユーザーが使用する端末装置に、前記推奨情報特定部によって特定された前記推奨情報を出力する推奨情報出力部を更に備える、前記(1)から(7)のいずれかに記載の推奨情報特定装置。
(9) 前記優先順位が予め定められた基準順位よりも低位である低順位商品に対する値引きを実施するか否かを機械学習により判定するよう構成された値引き判定部を更に備え、
前記値引き判定部は、
前記商品の劣化に変動を来す劣化情報を取得する劣化情報取得部と、
前記劣化情報取得部によって取得された前記劣化情報に基づいて、前記低順位商品に対する値引きを実施するか否かの判定を学習する判定学習部と、を有する、前記(1)から(8)のいずれかに記載の推奨情報特定装置。
(10) 前記劣化情報は、
前記商品の価格、種類、寿命、値引きの有無、値引き率、利益率、廃棄リスク、在庫数、過去の販売実績、及び過去の廃棄履歴、前記商品が加工食品である場合は加工日時及び加工状態、現時刻、前記店舗の所在地における気温、湿度、気圧、及び天候、ならびに前記店舗の来店者数のうちの少なくとも一つ以上を含む、前記(9)に記載の推奨情報特定装置。
(11) 店舗で提供される複数の商品の販売に関する優先順位を記憶する優先順位記憶部から前記優先順位を取得する優先順位取得部と、
店舗で提供される商品に対するユーザーの行動履歴を記憶する行動履歴記憶部から前記行動履歴を取得する行動履歴取得部と、
前記行動履歴取得部によって取得された前記行動履歴と、前記優先順位取得部によって取得された前記優先順位とに基づいて、前記複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する推奨情報特定部と、を備える推奨情報特定システム。
(12) 前記優先順位を機械学習により決定するよう構成された順位決定部を更に備え、
前記順位決定部は、
前記優先順位に変動を来す変動情報を取得する変動情報取得部と、
前記変動情報取得部によって取得された前記変動情報に基づいて、前記優先順位を学習する順位学習部と、を有する、前記(11)に記載の推奨情報特定システム。
(13) 店舗で提供される商品に対するユーザーの行動履歴を取得する行動履歴取得ステップと、
取得された前記行動履歴と、店舗で提供される複数の商品の販売に関して予め定められた優先順位とに基づいて、前記複数の商品に関する複数の商品情報から前記ユーザーに応じた推奨商品を含む推奨情報を特定する推奨情報特定ステップと、を備える推奨情報特定方法。
(14) 前記(13)に記載の推奨情報特定方法の各ステップをコンピュータに実行させるためのプログラム。
The above-described embodiment includes the following additional features.
(1) A recommended information identification device comprising: a recommended information identification unit that identifies recommended information including recommended products tailored to a user from multiple product information related to multiple products offered in a store, based on a user's behavior history regarding products offered in the store and predetermined priorities regarding the sales of the multiple products offered in the store.
(2) further comprising a ranking determination unit configured to determine the priority order by machine learning;
The ranking determination unit is
A fluctuation information acquisition unit that acquires fluctuation information that causes a fluctuation in the priority order;
The recommended information identifying device according to (1), further comprising: a rank learning unit that learns the priority order based on the variation information acquired by the variation information acquisition unit.
(3) The variation information is:
The recommended information identification device described in (2) includes at least one of the following: the price, type, lifespan, whether or not the product is discounted, the discount rate, profit margin, waste risk, inventory quantity, past sales performance, and past waste history of the product; if the product is a processed food, the processing date and time and processing state, the current time, the temperature, humidity, air pressure, and weather at the location of the store, and the number of customers at the store.
(4) The ranking determination unit:
The method further includes: acquiring a behavior result indicating whether the user has viewed or purchased the recommended product indicated by the recommendation information;
The recommended information identification device described in (2) or (3), wherein the ranking learning unit learns the priority order based on the variation information acquired by the variation information acquisition unit and the behavioral results acquired by the behavioral result acquisition unit.
(5) the ranking learning unit has a learning model for learning the priority order,
The ranking learning unit includes:
a reward output unit that outputs a positive reward when the behavioral result indicates that the recommended product has been viewed or purchased, and outputs a negative reward when the behavioral result indicates that the recommended product has not been viewed or purchased;
The recommended information identification device according to (4), further comprising: a learning model update unit that updates the learning model based on the reward output by the reward output unit.
(6) A recommended information identification device described in any one of (1) to (5), wherein the recommended information identification unit identifies, from a plurality of candidate information extracted from the plurality of product information based on the behavioral history, information that includes the recommended product with the highest priority as the recommended information.
(7) The recommended information identification unit identifies, from the plurality of candidate information, the recommended information that includes the recommended product with the highest evaluation value obtained by multiplying the priority of each of the plurality of candidate information by a noise coefficient randomly determined for each of the plurality of candidate information.
(8) The recommended information identifying device according to any one of (1) to (7), further comprising a recommended information output unit that outputs the recommended information identified by the recommended information identifying unit to a terminal device used by the user when purchasing a product at the store.
(9) A discount determination unit configured to determine by machine learning whether to provide a discount to a low-ranked product whose priority is lower than a predetermined reference rank,
The discount determination unit is
a deterioration information acquisition unit for acquiring deterioration information that changes the deterioration of the product;
The recommended information identification device described in any of (1) to (8), further comprising a judgment learning unit that learns to judge whether or not to discount the low-ranked products based on the deterioration information acquired by the deterioration information acquisition unit.
(10) The degradation information is
The recommended information identification device described in (9) includes at least one of the following: the price, type, lifespan, whether or not the product is discounted, the discount rate, profit margin, waste risk, inventory quantity, past sales performance, and past waste history of the product; if the product is a processed food, the processing date and time and processing state, the current time, the temperature, humidity, air pressure, and weather at the location of the store, and the number of customers at the store.
(11) a priority order acquisition unit that acquires priorities from a priority order storage unit that stores priorities regarding sales of a plurality of products provided in a store;
a behavior history acquisition unit that acquires a behavior history from a behavior history storage unit that stores a behavior history of a user with respect to a product provided in a store;
and a recommended information identification unit that identifies recommended information including recommended products corresponding to the user from the plurality of product information based on the behavioral history acquired by the behavioral history acquisition unit and the priority order acquired by the priority order acquisition unit.
(12) A ranking determination unit configured to determine the priority order by machine learning,
The ranking determination unit is
A fluctuation information acquisition unit that acquires fluctuation information that causes a fluctuation in the priority order;
The recommended information identification system according to (11), further comprising: a rank learning unit that learns the priority order based on the variation information acquired by the variation information acquisition unit.
(13) a behavior history acquisition step of acquiring a behavior history of a user with respect to products provided in a store;
and a recommendation information identification step of identifying recommended information including recommended products tailored to the user from multiple product information related to the multiple products based on the acquired behavioral history and predetermined priorities regarding the sales of multiple products offered in a store.
(14) A program for causing a computer to execute each step of the recommended information specifying method according to (13) above.
11 :サーバー装置
12 :ゲート装置
13 :ゲート装置
14 :レジスター
15 :利用者端末
16 :従業員端末
21 :制御部
22 :操作表示部
23 :記憶部
24 :撮像部
25 :通信I/F
31 :制御部
32 :記憶部
33 :順位決定部
34 :値引き判定部
35 :通信I/F
40 :順位学習部
100 :情報処理システム
200 :店舗
211 :読取処理部
212 :表示処理部
213 :通知処理部
214 :行動結果送信部
311 :レコメンド抽出処理部
312 :レコメンド選定処理部
313 :レコメンド情報送信部
314 :情報取得部
321 :顧客情報格納部
322 :商品情報格納部
323 :購入予定商品格納部
324 :優先順位格納部
331 :変動情報観測部
332 :行動結果取得部
333 :順位更新処理部
401 :報酬計算部
402 :価値関数更新部
TB1 :順位リスト
11: Server device 12: Gate device 13: Gate device 14: Cash register 15: User terminal 16: Employee terminal 21: Control unit 22: Operation display unit 23: Storage unit 24: Imaging unit 25: Communication I/F
31: Control unit 32: Storage unit 33: Ranking determination unit 34: Discount determination unit 35: Communication I/F
40: Rank learning unit 100: Information processing system 200: Store 211: Reading processing unit 212: Display processing unit 213: Notification processing unit 214: Behavior result transmission unit 311: Recommendation extraction processing unit 312: Recommendation selection processing unit 313: Recommendation information transmission unit 314: Information acquisition unit 321: Customer information storage unit 322: Product information storage unit 323: Purchase planned product storage unit 324: Priority order storage unit 331: Change information observation unit 332: Behavior result acquisition unit 333: Rank update processing unit 401: Reward calculation unit 402: Value function update unit TB1: Rank list
Claims (8)
前記情報処理装置は、
前記店舗で陳列して販売中の前記所定の商品に対して実施される値引きの値引き率を判定する判定部と、
前記判定部によって判定された前記値引き率を前記携帯端末装置に送信する判定結果通知部と、を備え、
前記判定部は、前記店舗の来店者数を少なくとも含む変動情報と、前記店舗の従業員によって前記携帯端末装置に入力された前記陳列して販売中の前記所定の商品の数を少なくとも含み前記携帯端末装置から取得した前記所定の商品に関する商品情報と、に基づいて、前記値引き率を判定するよう構成されており、
前記携帯端末装置は、前記判定結果通知部によって送信された前記値引き率を受信するよう構成されている、情報処理システム。 An information processing system including a mobile terminal device used by an employee of a store where a predetermined product is provided, and an information processing device,
The information processing device includes:
a determination unit for determining a discount rate to be applied to the predetermined product displayed and on sale in the store ;
a determination result notifying unit that transmits the discount rate determined by the determining unit to the mobile terminal device,
the determination unit is configured to determine the discount rate based on variable information including at least the number of customers visiting the store and product information regarding the predetermined product acquired from the mobile terminal device including at least the number of the predetermined products displayed and on sale inputted into the mobile terminal device by an employee of the store;
An information processing system, wherein the mobile terminal device is configured to receive the discount rate transmitted by the determination result notifying unit.
前記商品情報を取得する商品情報取得部と、を更に備え、
前記判定部は、
前記値引き率を判定するように予め機械学習させた学習モデルを用いて、前記変動情報及び前記商品情報に基づいて、前記値引き率を判定する、請求項1又は2に記載の情報処理システム。 A variation information acquisition unit that acquires the variation information;
A product information acquisition unit that acquires the product information,
The determination unit is
The information processing system according to claim 1 or 2 , wherein the discount rate is determined based on the fluctuation information and the product information using a learning model that has been machine-learned in advance to determine the discount rate.
前記判定部は、前記変動情報及び前記商品情報に基づいて、前記値引き率と前記値引きの実施タイミングとを判定し、
前記判定結果通知部は、前記値引き率と前記実施タイミングとを前記携帯端末装置に送信し、
前記携帯端末装置は、前記判定結果通知部から送信された前記値引き率と前記実施タイミングを受信して、前記携帯端末装置の表示部に表示する、請求項1から4のいずれかに記載の情報処理システム。 The variable information further includes a current time,
The determination unit determines the discount rate and the timing of implementing the discount based on the fluctuation information and the product information,
the determination result notification unit transmits the discount rate and the implementation timing to the mobile terminal device;
5. The information processing system according to claim 1 , wherein the mobile terminal device receives the discount rate and the implementation timing transmitted from the determination result notification unit, and displays them on a display unit of the mobile terminal device.
前記判定ステップによって判定された前記値引き率を前記店舗の従業員が使用する携帯端末装置に送信する送信ステップと、
前記送信ステップによって送信された前記値引き率を前記携帯端末装置で受信する受信ステップと、を含み、
前記判定ステップは、
前記店舗の来店者数を少なくとも含む変動情報と、前記店舗の従業員によって前記携帯端末装置に入力された前記所定の商品の数を少なくとも含む商品情報とを取得し、前記変動情報及び前記商品情報に基づいて、前記値引き率を判定し、
前記各ステップを一又は複数のプロセッサーが実行する情報処理方法。 a determination step of determining a discount rate to be applied to a predetermined product displayed and on sale in the store;
a transmission step of transmitting the discount rate determined by the determination step to a mobile terminal device used by an employee of the store;
a receiving step of receiving the discount rate transmitted by the transmitting step at the mobile terminal device,
The determining step includes:
acquiring variable information including at least the number of customers visiting the store and product information including at least the number of the predetermined products inputted into the mobile terminal device by an employee of the store , and determining the discount rate based on the variable information and the product information;
An information processing method in which each of the steps is executed by one or more processors.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022184936A JP7505537B2 (en) | 2021-12-09 | 2022-11-18 | Information processing device, information processing system, information processing method, and program |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021200225A JP7156493B2 (en) | 2018-02-22 | 2021-12-09 | Recommended information identifying device, recommended information identifying system, recommended information identifying method, terminal device, and program |
JP2022019358A JP7327542B2 (en) | 2018-02-22 | 2022-02-10 | Information processing device, information processing system, information processing method, and program |
JP2022184936A JP7505537B2 (en) | 2021-12-09 | 2022-11-18 | Information processing device, information processing system, information processing method, and program |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022019358A Division JP7327542B2 (en) | 2018-02-22 | 2022-02-10 | Information processing device, information processing system, information processing method, and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023014155A JP2023014155A (en) | 2023-01-26 |
JP7505537B2 true JP7505537B2 (en) | 2024-06-25 |
Family
ID=87563045
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022144869A Pending JP2022168230A (en) | 2021-12-09 | 2022-09-12 | Information processing device, information processing system, information processing method, and program |
JP2022144868A Pending JP2022168229A (en) | 2021-12-09 | 2022-09-12 | Information processing device, information processing system, information processing method, and program |
JP2022184936A Active JP7505537B2 (en) | 2021-12-09 | 2022-11-18 | Information processing device, information processing system, information processing method, and program |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022144869A Pending JP2022168230A (en) | 2021-12-09 | 2022-09-12 | Information processing device, information processing system, information processing method, and program |
JP2022144868A Pending JP2022168229A (en) | 2021-12-09 | 2022-09-12 | Information processing device, information processing system, information processing method, and program |
Country Status (1)
Country | Link |
---|---|
JP (3) | JP2022168230A (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041704A (en) | 2005-08-01 | 2007-02-15 | Nec Infrontia Corp | Service information providing system and method |
WO2014141717A1 (en) | 2013-03-15 | 2014-09-18 | 有限会社ビットモーション | Stock management device, stock management system, stock management method, and stock management program |
US20170109767A1 (en) | 2014-06-12 | 2017-04-20 | Arie Shpanya | Real-time dynamic pricing system |
JP2020122995A (en) | 2017-05-22 | 2020-08-13 | 株式会社ジャパンディスプレイ | Dynamic pricing management system |
-
2022
- 2022-09-12 JP JP2022144869A patent/JP2022168230A/en active Pending
- 2022-09-12 JP JP2022144868A patent/JP2022168229A/en active Pending
- 2022-11-18 JP JP2022184936A patent/JP7505537B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007041704A (en) | 2005-08-01 | 2007-02-15 | Nec Infrontia Corp | Service information providing system and method |
WO2014141717A1 (en) | 2013-03-15 | 2014-09-18 | 有限会社ビットモーション | Stock management device, stock management system, stock management method, and stock management program |
US20170109767A1 (en) | 2014-06-12 | 2017-04-20 | Arie Shpanya | Real-time dynamic pricing system |
JP2020122995A (en) | 2017-05-22 | 2020-08-13 | 株式会社ジャパンディスプレイ | Dynamic pricing management system |
Non-Patent Citations (1)
Title |
---|
最適価格はAIに聞け,日経コンピュータ,日経BP社,2018年01月18日,no.956,p.22-35 |
Also Published As
Publication number | Publication date |
---|---|
JP2023014155A (en) | 2023-01-26 |
JP2022168230A (en) | 2022-11-04 |
JP2022168229A (en) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7028351B2 (en) | Recommended information identification device, recommended information identification system, recommended information identification method, terminal device, and program | |
US11995680B2 (en) | Method of controlling commerce system using share grabber to leverage shopping list | |
JP6352798B2 (en) | Marketing measure optimization apparatus, method, and program | |
US20120016764A1 (en) | Commerce System and Method of Controlling the Commerce System Using an Optimized Shopping List | |
US20120239524A1 (en) | Commerce System and Method of Acquiring Product, Assortment, and Pricing Information to Control Consumer Purchasing | |
JP5847279B1 (en) | Server in sales promotion management system, control method thereof, and control program thereof | |
US20180025363A1 (en) | Commerce System and Method of Controlling the Commerce System by Generating Individualized Discounted Offers to Consumers | |
US20130325554A1 (en) | Commerce System and Method of Optimizing Profit for Retailer from Price Elasticity of Other Retailers | |
US20120016727A1 (en) | Commerce System and Method of Controlling The Commerce System Using Performance Based Pricing, Promotion and Personalized Offer Management | |
JP6977612B2 (en) | Recommended information identification device, recommended information identification system, recommended information identification method, and program | |
JP2018169646A (en) | Integrated sales management system | |
US20220108374A1 (en) | Smart Basket for Online Shopping | |
US20120239523A1 (en) | Commerce System and Method of Acquiring Product Information to Control Consumer Purchasing | |
JP6269930B2 (en) | A method for presenting an incentive and a visit date and time to a physical store to an electronic device associated with a customer, as well as a sales price of the product by electronic commerce, and a computer system and computer program therefor | |
US20150006285A1 (en) | Method and system for providing information regarding items in a retail store and computer programs thereof | |
JP7505537B2 (en) | Information processing device, information processing system, information processing method, and program | |
JP7327542B2 (en) | Information processing device, information processing system, information processing method, and program | |
JP7156493B2 (en) | Recommended information identifying device, recommended information identifying system, recommended information identifying method, terminal device, and program | |
US20220083945A1 (en) | System and method for cataloging products based on cross-sell analytics | |
JP7115655B2 (en) | Recommended information identifying device, recommended information identifying system, recommended information identifying method, and program | |
JP7127728B2 (en) | Recommended information identifying device, recommended information identifying system, recommended information identifying method, terminal device, and program | |
JP7355181B2 (en) | Recommended information identification device, recommended information identification system, recommended information identification method, and program | |
JP7091276B2 (en) | Proposed equipment, proposed method and proposed program | |
JP7052897B2 (en) | Recommended information identification device, recommended information identification system, recommended information identification method, terminal device, and program | |
US11972464B2 (en) | Cumulative incrementality scores for evaluating the performance of machine learning models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221215 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240220 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240418 |
|
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: 20240514 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240527 |