WO2016092767A1

WO2016092767A1 - グルーピングシステム、グルーピング方法およびグルーピングプログラム

Info

Publication number: WO2016092767A1
Application number: PCT/JP2015/005926
Authority: WO
Inventors: 慎二中▲台▼; 光太郎落合; 考之寺川
Original assignee: 日本電気株式会社
Priority date: 2014-12-10
Filing date: 2015-11-27
Publication date: 2016-06-16
Also published as: JPWO2016092767A1; EP3232390A4; EP3232390A1; US20180260829A1; JP6662298B2

Abstract

　似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品もしくは商品に関連する事項のグループまたは購買傾向の観点で類似したサービスもしくはサービスに関連する事項のグループを精度よく定めることができるグルーピングシステムを提供する。購買傾向算出手段３は、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する。グルーピング手段４は、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める。

Description

グルーピングシステム、グルーピング方法およびグルーピングプログラム

　本発明は、顧客をグルーピングするとともに、商品もしくは商品に関連する事項またはサービスもしくはサービスに関連する事項をグルーピングするグルーピングシステム、グルーピング方法およびグルーピングプログラムに関する。

　非特許文献１には、顧客のクラスタを作る方法が記載されている。非特許文献１に記載された方法では、予め各商品に「低価格」、「高級」等の特徴を付与する。なお、商品に付与される特徴は、商品ＤＮＡと呼ばれる場合がある。そして、非特許文献１に記載された方法では、各顧客が購入した商品に付与されている特徴を総計し、その結果を顧客の特徴とする。この特徴は、顧客ＤＮＡと呼ばれる場合がある。非特許文献１に記載された方法では、この顧客の特徴に基づいて、顧客のクラスタを作成する。

　非特許文献２には、顧客を分類する方法が記載されている。非特許文献２に記載の方法では、ライフスタイルを表す「お手軽健康系」、「時間節約系」といった商品ＤＮＡを決め、種々の商品に付与する。そして、例えば、「お手軽健康系」という商品を一定量購入する顧客も、「お手軽健康系」に分類する。

　また、特許文献１には、価格への感度に従って消費者を分類することや、需要の交差弾力性や、標準産業分類システムに基づいて、製品カテゴリを決定することが記載されている。そして、特許文献１には、製品カテゴリ内の製品を、その製品を購入する消費者のタイプによってグルーピングすることが記載されている。

特表２００８－５１６３５５号公報（段落００２１，００２７－００３０等参照）

Clive Humby, Terry Hunt, Tim Phillips, "Scoring Points: How Tesco continues to win customer loyalty", 2ND EDITION, Kogan Page Ltd. "購入動機やライフスタイルを分析、「商品ＤＮＡ」で売り上げ４割増（２／２）"、日経ＢＰ社、［２０１４年９月１８日検索］、インターネット<URL: http://itpro.nikkeibp.co.jp/article/JIREI/20081020/317282/?ST=cio&P=2>

　本願発明の発明者は、以下のように定義される「購買傾向の観点で類似した商品のグループ」および「似た購買傾向を有する顧客のグループ」を着想した。

　「購買傾向の観点で類似した商品のグループ」とは、同じ「似た購買傾向を有する顧客のグループ」に属する顧客が、似たような購買傾向を示す商品のグループである。

　「似た購買傾向を有する顧客のグループ」とは、同じ「購買傾向の観点で類似した商品のグループ」に属する商品に対して、似た購買傾向を示す顧客のグループである。

　なお、「購買傾向の観点で類似した商品のグループ」は、「似た購買傾向を有する顧客のグループ」に基づいて定義され、「似た購買傾向を有する顧客のグループ」は、「購買傾向の観点で類似した商品のグループ」に基づいて定義される。従って、「購買傾向の観点で類似した商品のグループ」および「似た購買傾向を有する顧客のグループ」は、いわゆる、鶏と卵の関係にあると言える。

　種々の商品に対して種々の顧客が感じる価値観を分析するときに、「似た購買傾向を有する顧客のグループ」および「購買傾向の観点で類似した商品のグループ」を定めることは有用である。また、そのような商品のグループの代わりに、購買傾向の観点で類似した商品カテゴリのグループ等のように、商品に関連する事項のグループを定めることも有用である。なお、購買傾向の観点で類似した商品カテゴリのグループ等は、購買傾向の観点で類似した商品のグループの定義において、商品を、商品カテゴリ等に置き換えることで定義される。

　しかし、非特許文献１に記載された方法では、「似た購買傾向を有する顧客のグループ」の精度が悪くなる可能性がある。非特許文献１に記載された方法では、各商品に特徴を付与する作業は人手で行われる。従って、非特許文献１に記載された方法によって得られる顧客のクラスタの精度は商品への特徴の付与の仕方に依存し、顧客のクラスタの精度が悪くなる可能性がある。非特許文献２に記載された方法でも同様である。

　そこで、本発明は、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品もしくは商品に関連する事項のグループまたは購買傾向の観点で類似したサービスもしくはサービスに関連する事項のグループを精度よく定めることができるグルーピングシステム、グルーピング方法およびグルーピングプログラムを提供することを目的とする。

　本発明によるグルーピングシステムは、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出手段と、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング手段とを備えることを特徴とする。

　また、本発明によるグルーピングシステムは、商品毎に商品の特徴量を算出する特徴量算出手段と、顧客および商品の組み合わせ毎に得られる商品購買実績と、商品購買実績の分布と、商品毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング手段とを備えることを特徴とする。

　また、本発明によるグルーピングシステムは、顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出手段と、
　その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング手段とを備えることを特徴とする。

　また、本発明によるグルーピングシステムは、サービス毎にサービスの特徴量を算出する特徴量算出手段と、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、サービス購買実績の分布と、サービス毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング手段とを備えることを特徴とする。

　また、本発明によるグルーピング方法は、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出し、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めることを特徴とする。

　また、本発明によるグルーピング方法は、商品毎に商品の特徴量を算出し、顧客および商品の組み合わせ毎に得られる商品購買実績と、商品購買実績の分布と、商品毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めることを特徴とする。

　また、本発明によるグルーピング方法は、顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出し、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めることを特徴とする。

　また、本発明によるグルーピング方法は、サービス毎にサービスの特徴量を算出し、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、サービス購買実績の分布と、サービス毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めることを特徴とする。

　また、本発明によるグルーピングプログラムは、コンピュータに、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出処理、および、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング処理を実行させることを特徴とする。

　また、本発明によるグルーピングプログラムは、コンピュータに、商品毎に商品の特徴量を算出する特徴量算出処理、および、顧客および商品の組み合わせ毎に得られる商品購買実績と、商品購買実績の分布と、商品毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング処理を実行させることを特徴とする。

　また、本発明によるグルーピングプログラムは、コンピュータに、顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出処理、および、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング処理を実行させることを特徴とする。

　また、本発明によるグルーピングプログラムは、コンピュータに、サービス毎にサービスの特徴量を算出する特徴量算出処理、および、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、サービス購買実績の分布と、サービス毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング処理を実行させることを特徴とする。

　本発明によれば、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品もしくは商品に関連する事項のグループまたは購買傾向の観点で類似したサービスもしくはサービスに関連する事項のグループを精度よく定めることができる。

本発明の第１の実施形態のグルーピングシステムの例を示すブロック図である。Ｃｏ－クラスタリング実行前の顧客ＩＤおよび商品ＩＤを模式的に示す図である。グルーピング手段によって定められた顧客のグループおよび商品のグループの例を模式的に示す説明図である。本発明の第１の実施形態の処理経過の例を示すフローチャートである。本発明の第２の実施形態のグルーピングシステムの例を示すブロック図である。本発明の第２の実施形態の処理経過の例を示すフローチャートである。顧客マスタの例を示す模式図である。商品マスタの例を示す模式図である。購買データの例を示す模式図である。２つの商品カテゴリについてそれぞれ算出された平均値および標準偏差の例を示す図である。商品毎に算出された相対価格の例を示す図である。顧客ＩＤ、商品ＩＤおよび商品の実際の販売価格の組み合わせに対して、購買数を対応付けた情報の例を示す図である。商品ＩＤと広告日とを対応付けた情報の例を示す図である。顧客ＩＤ、商品ＩＤ、および広告日からの経過日数を対応付けた情報の例を示す図である。顧客ＩＤ、商品ＩＤ、および発売日からの経過日数を対応付けた情報の例を示す図である。顧客ＩＤと、商品ＩＤと、平均購買間隔とを対応付けた情報の例を示す図である。商品マスタの例を示す模式図である。購買データの例を示す模式図である。顧客ＩＤと商品カテゴリの組み合わせ毎のこだわり度の例を示す図である。顧客ＩＤと、菓子パンのメーカと、そのメーカの菓子パンの購買数との関係の例を示す図である。本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。本発明の概要の例を示すブロック図である。本発明の概要の他の例を示すブロック図である。顧客が商品を購買する傾向（購買傾向指標値）を外部から取得する場合のグルーピングシステムの構成例を示すブロック図である。商品の特徴量、および、商品購買実績（商品購買実績値）を外部から取得する場合のグルーピングシステムの構成例を示すブロック図である。

　以下、本発明の実施形態を図面を参照して説明する。なお、以下に説明する各実施形態では、本発明が、顧客をグルーピングするとともに、商品または商品に関連する事項をグルーピングする場合を例にして説明する。ただし、本発明は、顧客をグルーピングするとともに、サービスまたはサービスに関連する事項（例えば、サービスのカテゴリ）をグルーピングしてもよい。

実施形態１．
　図１は、本発明の第１の実施形態のグルーピングシステムの例を示すブロック図である。第１の実施形態のグルーピングシステム１は、データ記憶手段２と、購買傾向算出手段３と、グルーピング手段４とを備える。

　データ記憶手段２は、顧客の商品購買状況を示す購買データを記憶する記憶装置である。データ記憶手段２は、例えば、顧客マスタおよび商品マスタを記憶するとともに、顧客が商品を購買した各購買日における、顧客ＩＤ、商品ＩＤ、商品の販売価格および購買日を対応付けた情報を購買データとして記憶してもよい。顧客マスタは、各顧客の属性（年齢、性別等）を示す情報である。例えば、顧客マスタは、顧客ＩＤと顧客の各属性とを対応付けた情報の集合である。商品マスタは、各商品の属性（商品名、標準価格、商品カテゴリ、発売日等）を示す情報である。例えば、商品マスタは、商品ＩＤと商品の各属性とを対応付けた情報の集合である。また、顧客ＩＤは、顧客の識別情報であり、商品ＩＤは、商品の識別情報である。

　購買傾向算出手段３は、購買データに基づいて、顧客および商品の組み合わせ毎に、購買傾向指標値を算出する。購買傾向指標値は、顧客が商品を購買する傾向を示す指標値である。様々な値を購買傾向指標値として用いることができる。購買傾向算出手段３が購買傾向指標値を算出する動作の例については後述する。

　ただし、ある顧客がある商品を購買したことがない場合、購買傾向算出手段３は、その顧客およびその商品の組み合わせについては、購買傾向指標値を算出しなくてよい。

　以下の説明では、顧客を顧客ＩＤで識別する。顧客ＩＤを符号ｃで表す。また、商品を商品ＩＤで識別する。商品ＩＤを符号ｉで表す。また、顧客ＩＤ“ｃ”の顧客と商品ＩＤ“ｉ”の商品との組み合わせに対して、購買傾向算出手段３が算出した購買傾向指標値をｘ_ｃ，ｉと記す。例えば、顧客ＩＤ“２”の顧客と商品ＩＤ“５”の商品との組み合わせに対して算出された購買傾向指標値をｘ_２，５と記す。

　また、顧客ＩＤ“ｃ”の顧客を、顧客“ｃ”と記す。商品ＩＤ“ｉ”の商品を商品“ｉ”と記す。

　また、購買傾向算出手段３は、購買傾向指標値の分布の種別を指定する。購買傾向指標値の分布の種別は、どのような値を購買傾向指標値として算出するかに応じて変わる場合がある。

　また、購買傾向算出手段３は、顧客および商品の組み合わせ毎ではなく、顧客および商品関連事項の組み合わせ毎に、購買傾向指標値を算出してもよい。商品関連事項は、商品そのものではなく、商品に関連する事項である。商品関連事項の例として、例えば、商品カテゴリが挙げられる。なお、商品関連事項は、商品カテゴリに限定されない。商品関連事項もＩＤで識別する。商品関連事項を識別するＩＤは、商品ＩＤと同様にｉで表す。顧客ＩＤ“ｃ”の顧客とＩＤ“ｉ”の商品関連事項の組み合わせに対して算出された購買傾向指標値もｘ_ｃ，ｉと記す。

　ＩＤ“ｉ”の商品関連事項を商品関連事項“ｉ”と記す。例えば、ＩＤ“１”の商品カテゴリを、商品カテゴリ“１”と記す。

　購買傾向算出手段３が顧客および商品の組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出した場合、グルーピング手段４は、顧客のグループおよび商品のグループを定める。

　また、購買傾向算出手段３が顧客および商品関連事項の組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出した場合、グルーピング手段４は、顧客のグループおよび商品関連事項のグループを定める。例えば、購買傾向算出手段３が顧客および商品カテゴリの組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出した場合、グルーピング手段４は、顧客のグループおよび商品カテゴリのグループを定める。

　以下、購買傾向指標値の例を説明する。購買傾向算出手段３は、以下に示す例のうちのいずれかの購買傾向指標値を算出すればよい。あるいは、購買傾向算出手段３は、以下に例示する値以外の値を購買傾向指標値として算出してもよい。以下の説明では、任意の変数ｖの自然対数をｌｎ（ｖ）と記す。

（例１）
　例１では、顧客が商品の値下げ（割引率でもよい。）に応じてその商品の購買量を変える度合いを、購買傾向算出手段３が購買傾向指標値として算出する。例えば、購買傾向算出手段３は、価格弾力性を購買傾向指標値として算出する。

　この場合、購買傾向算出手段３は、例えば、顧客ＩＤ、商品ＩＤ、および、商品の実際の販売価格の組み合わせに対して、購買量を対応付けた情報を、購買データに基づいて作成する。このとき、顧客ＩＤ同士が共通であり、かつ、商品ＩＤ同士が共通であっても、販売価格が異なっていれば、購買傾向算出手段３は、別の組とする。すなわち、購買傾向算出手段３は、顧客ＩＤおよび商品ＩＤの組み合わせに対して、その商品の実際の販売価格毎に、購買数を特定する。

　商品の実際の販売価格は変動し得るので、この販売価格を価格変数ｐｒｉｃｅ^ｃ，ｉと記す。顧客ＩＤ、商品ＩＤおよび実際の販売価格の組に対応する購買量も変動し得るので、この購買量を、購買量変数ｖｏｌｕｍｅ^ｃ，ｉと記す。購買傾向算出手段３は、購買データに基づいて作成した上記の情報を参照し、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｐｒｉｃｅ^ｃ，ｉ）を説明変数とする回帰分析を行う。この回帰分析によって、以下に示す式（１）におけるｗ^ｃ，ｉが得られる。

　ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）＝ｗ^ｃ，ｉ×ｌｎ（ｐｒｉｃｅ^ｃ，ｉ）＋ｂ　　　式（１）

　購買傾向算出手段３は、式（１）におけるｗ^ｃ，ｉを、購買傾向指標値ｘ_ｃ，ｉとして算出する。

　また、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉとして、上記のｗ^ｃ，ｉの絶対値を求めてもよい。この値は、価格弾力性である。

　例１では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

（例２）
　例２では、商品の広告日から顧客が商品を購買するまでの日数の程度を示す値を、購買傾向算出手段３が購買傾向指標値として算出する。

　この場合、データ記憶手段２には、商品ＩＤと、その商品の広告日とを対応付けた情報も記憶させておく。

　購買傾向算出手段３は、例えば、顧客が商品を購買した各購買日における、顧客ＩＤと、商品ＩＤと、その商品の直近の広告日からの経過日数とを対応付けた情報を、購買データに基づいて作成する。

　顧客“ｃ”が商品“ｉ”を購買した各購買日におけるその商品の広告日からの経過日数を、経過日数変数ｄａｙ^ｃ，ｉと記す。また、各購買日において顧客“ｃ”がその商品“ｉ”を購買した購買量を、購買量変数ｖｏｌｕｍｅ^ｃ，ｉと記す。購買傾向算出手段３は、購買データに基づいて作成した上記の情報を参照し、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｄａｙ^ｃ，ｉ）を説明変数とする回帰分析によって、以下に示す式（２）におけるｗ^ｃ，ｉを得る。

　ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）＝ｗ^ｃ，ｉ×ｌｎ（ｄａｙ^ｃ，ｉ）＋ｂ　　　式（２）

　購買傾向算出手段３は、式（２）におけるｗ^ｃ，ｉを、購買傾向指標値ｘ_ｃ，ｉとして算出する。

　また、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉとして、上記のｗ^ｃ，ｉの絶対値の逆数を求めてもよい。この値は、顧客“ｃ”に対する商品“ｉ”の広告有効寿命であるということができる。

　例２では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

（例３）
　例３では、新商品の発売日から顧客が商品を購買するまでの日数の程度を示す値を、購買傾向算出手段３が購買傾向指標値として算出する。

　この場合、購買傾向算出手段３は、例えば、顧客が商品を購買した各購買日における、顧客ＩＤと、商品ＩＤと、その商品の発売日からの経過日数とを対応付けた情報を、購買データに基づいて作成する。

　顧客“ｃ”が商品“ｉ”を購買した各購買日における商品発売日からの経過日数を、経過日数変数ｄａｙ^ｃ，ｉと記す。また、各購買日においてその顧客“ｃ”がその商品“ｉ”を購買した購買量を、購買量変数ｖｏｌｕｍｅ^ｃ，ｉと記す。購買傾向算出手段３は、購買データに基づいて作成した上記の情報を参照し、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｄａｙ^ｃ，ｉ）を説明変数とする回帰分析によって、以下に示す式（３）におけるｗ^ｃ，ｉを得る。

　ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）＝ｗ^ｃ，ｉ×ｌｎ（ｄａｙ^ｃ，ｉ）＋ｂ　　　式（３）

　購買傾向算出手段３は、式（３）におけるｗ^ｃ，ｉを、購買傾向指標値ｘ_ｃ，ｉとして算出する。

　また、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉとして、上記のｗ^ｃ，ｉの絶対値の逆数を求めてもよい。この値は、新商品感度寿命であるということができる。

　例３では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。あるいは、購買傾向算出手段３は、ポアソン分布を指定してもよい。

（例４）
　例４では、商品が店舗に陳列されてから顧客が商品を購買するまでの日数の程度を示す値を、購買傾向算出手段３が購買傾向指標値として算出する。

　この場合、データ記憶手段２には、商品ＩＤと、その商品の陳列日とを対応付けた情報も記憶させておく。

　購買傾向算出手段３は、例えば、顧客が商品を購買した各購買日における、顧客ＩＤと、商品ＩＤと、その商品の陳列日からの経過日数とを対応付けた情報を、購買データに基づいて作成する。

　顧客“ｃ”が商品“ｉ”を購買した各購買日におけるその商品の陳列日からの経過日数を、経過日数変数ｄａｙ^ｃ，ｉと記す。また、各購買日においてその顧客“ｃ”がその商品“ｉ”を購買した購買量を、購買量変数ｖｏｌｕｍｅ^ｃ，ｉと記す。購買傾向算出手段３は、購買データに基づいて作成した上記の情報を参照し、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｄａｙ^ｃ，ｉ）を説明変数とする回帰分析によって、以下に示す式（４）におけるｗ^ｃ，ｉを得る。

　ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）＝ｗ^ｃ，ｉ×ｌｎ（ｄａｙ^ｃ，ｉ）＋ｂ　　　式（４）

　購買傾向算出手段３は、式（４）におけるｗ^ｃ，ｉを、購買傾向指標値ｘ_ｃ，ｉとして算出する。

　また、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉとして、上記のｗ^ｃ，ｉの絶対値の逆数を求めてもよい。

　例４では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　なお、店舗が、一度、商品の陳列をやめ、再度その商品を陳列した場合、購買傾向算出手段３は、顧客ＩＤと、商品ＩＤと、その商品の陳列日からの経過日数とを対応付けた情報を、作成してもよい。

（例５）
　例５では、顧客がある商品を購買してから次にその商品を購買するまでの日数の程度を示す値を、購買傾向算出手段３が購買傾向指標値として算出する。

　この場合、購買傾向算出手段３は、例えば、顧客ＩＤと、商品ＩＤと、商品の平均購買間隔とを対応付けた情報を、購買データに基づいて作成する。そして、顧客ＩＤと商品ＩＤの組み合わせに対応する平均購買間隔を、購買傾向指標値ｘ_ｃ，ｉとする。

　すなわち、購買傾向算出手段３は、顧客“ｃ”が商品“ｉ”を購買した日から、次に同一の顧客“ｃ”が同一の商品“ｉ”を購買した日までの経過日数をそれぞれ計算し、その経過日数の平均値を、購買傾向指標値ｘ_ｃ，ｉとして算出する。

　例５では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　上記の例１から例５において、購買傾向算出手段３は、顧客と商品の組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出する。

（例６）
　例６では、商品カテゴリ内の個別の商品への顧客のこだわり度（換言すれば、愛着度）を、購買傾向算出手段３が購買傾向指標値として算出する。

　例６では、購買傾向算出手段３は、例えば、ハーフィンダール係数またはジニ係数等を、購買傾向指標値ｘ_ｃ，ｉとして算出する。例えば、ハーフィンダール係数を算出する場合、購買傾向算出手段３は、商品カテゴリ“ｉ”に属する商品について、顧客“ｃ”によるその商品カテゴリ“ｉ”の中での購買シェアを求め、商品カテゴリ“ｉ” に属する各商品について求めた購買シェアの二乗の総和を算出する。購買傾向算出手段３は、この値（ハーフィンダール係数）を購買傾向指標値ｘ_ｃ，ｉとする。本例では、購買傾向算出手段３は、顧客と商品カテゴリの組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出する。

　ｘ_ｃ，ｉが小さい値であるということは、顧客“ｃ”が商品カテゴリ“ｉ”の様々な商品を買い回り、商品に多様性を求めていることを表している。

　例６では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　例６において、商品カテゴリの代わりに、商品関連事項として、例えば、商品ＤＮＡを適用してもよい。

（例７）
　例７では、商品カテゴリ内の個別の商品のメーカへの顧客のこだわり度（換言すれば、愛着度）を、購買傾向算出手段３が購買傾向指標値として算出する。

　例７では、購買傾向算出手段３は、例えば、ハーフィンダール係数またはジニ係数等を、購買傾向指標値ｘ_ｃ，ｉとして算出する。例えば、ハーフィンダール係数を算出する場合、ある商品カテゴリ“ｉ”に属する各メーカについて、顧客“ｃ”によるその商品カテゴリ“ｉ”の中での購買シェアを求め、商品カテゴリ“ｉ” に属する各メーカについて求めた購買シェアの二乗の総和を算出する。購買傾向算出手段３は、この値（ハーフィンダール係数）を購買傾向指標値ｘ_ｃ，ｉとする。

　例７では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　例７において、メーカの代わりに、商品のブランド等を適用してもよい。

　例６および例７において、購買傾向算出手段３は、顧客と商品関連事項（上記の例では商品カテゴリ）の組み合わせ毎に購買傾向指標値ｘ_ｃ，ｉを算出する。

　グルーピング手段４は、購買傾向算出手段３によって算出された各購買傾向指標値ｘ_ｃ，ｉ、および、指定された購買傾向指標値ｘ_ｃ，ｉの分布の種別に基づいて、顧客のグループおよび商品のグループを定める。なお、グルーピング手段４は、顧客のグループおよび商品関連事項（例えば、商品カテゴリ）のグループを定めてもよい。いずれの場合であっても、グルーピング手段４の動作は同様である。以下の説明では、グルーピング手段４が顧客のグループおよび商品のグループを定める場合を例にして説明する。

　また、以下の説明では、一人の顧客（換言すれば、１つの顧客ＩＤ）が１つのグループのみに属し、１つの商品（換言すれば、１つの商品ＩＤ）が１つのグループのみに属するように、グルーピングを行う場合を例にして説明する。このように、１つの要素が１つのグループのみに属するようにグループを定めることをクラスタリングと呼ぶ。クラスタリングによって得られたグループをクラスタと呼ぶ。また、複数の対象（本例では顧客および商品）に対してそれぞれ同時にクラスタリングを行うことをＣｏ－クラスタリングと呼ぶ。すなわち、以下の説明では、グルーピング手段４がＣｏ－クラスタリングを実行する場合を例にして説明する。

　図２は、Ｃｏ－クラスタリング実行前の顧客ＩＤおよび商品ＩＤを模式的に示す図である。図２に示す例では、縦軸方向に顧客ＩＤを順番に並べ、横軸方向に商品ＩＤを順番に並べた状態を図示している。また、購買傾向算出手段３によって算出された個々の購買傾向指標値ｘ_ｃ，ｉは、それぞれ、１つの顧客ＩＤと１つの商品ＩＤとの組み合わせに対応している。例えば、図２に示すｘ_２，１は、顧客ＩＤ“２”と商品ＩＤ“１”との組み合わせに対応している。なお、ある顧客がある商品を購買したことがない場合、その顧客および商品の組み合わせについては、購買傾向指標値ｘ_ｃ，ｉは算出されていなくてよい。

　図３は、グルーピング手段４によって定められた顧客のグループ（顧客クラスタ）および商品のグループ（商品クラスタ）の例を模式的に示す説明図である。図３では、説明を簡単にするため、商品クラスタとしてＩＤ“９”の商品クラスタのみを図示し、顧客クラスタとしてＩＤ“３”の顧客クラスタのみを図示している。図３では、商品クラスタおよび顧客クラスタを１つずつ図示しているが、グルーピング手段４は、複数の商品クラスタおよび複数の顧客クラスタを定める。商品クラスタの数および顧客クラスタの数は、固定の値に定めてもよく、あるいは、固定の値に限定されなくてもよい。以下の説明では、商品クラスタのＩＤが“ａ”であるとき、その商品クラスタを商品クラスタ“ａ”と記す。同様に、顧客クラスタのＩＤが“ｂ”であるとき、その顧客クラスタを顧客クラスタ“ｂ”と記す。

　図３に示す例では、グルーピング手段４によって定められた商品クラスタ“９”には、商品“６”，“８”，“１０”が属しているものとする。また、グルーピング手段４によって定められた顧客クラスタ“３”には、顧客“２”，“５”，“９”が属しているものとする。なお、商品クラスタに属する商品（商品ＩＤ）の数や、顧客クラスタに属する顧客（顧客ＩＤ）の数は、特に限定されない。

　１つの商品クラスタおよび１つの顧客クラスタの組み合わせには、その商品クラスタに属する商品およびその顧客クラスタに属する顧客の組み合わせに応じた購買傾向指標値ｘ_ｃ，ｉが対応している。例えば、図３に示す例では、商品クラスタ“９”および顧客クラスタ“３”の組み合わせには、ｘ_２，６，ｘ_５，６等が対応している。各商品クラスタおよび各顧客クラスタが定められた場合、１つの商品クラスタおよび１つの顧客クラスタの組み合わせ毎に、指定された分布の種別における、購買傾向指標値ｘ_ｃ，ｉの分布のパラメータも定まることになる。例えば、商品クラスタ“９”および顧客クラスタ“３”の組み合わせに対応するｘ_２，６，ｘ_５，６等の分布のパラメータも定まることになる。図３では、商品クラスタ“９”および顧客クラスタ“３”の組み合わせに対応するパラメータをθ_３，９と表している。ｘ_ｃ，ｉの分布のパラメータの例として、例えば、平均値や分散等が挙げられる。また、θ_３，９等は、例えば、平均値や分散等を要素とするベクトルとして表現されてもよい。

　なお、図３は、同一の商品クラスタに属する商品ＩＤが連続して並び、かつ、同一の顧客クラスタに属する顧客ＩＤが連続して並ぶように、図２を変形した図であると言うことができる。

　グルーピング手段４は、例えば、顧客クラスタ（顧客のグループ）と、商品クラスタ（商品のグループ）と、購買傾向指標値ｘ_ｃ，ｉの分布のパラメータとを組み合わせて得られる複数の組の尤度が最大になるように、各顧客クラスタおよび各商品クラスタを定める。この尤度は、以下に示す式（５）で表される。あるいは、グルーピング手段４は、式（５）に示すθを周辺化した周辺尤度の下限を最大化させる処理、または、それに類する処理を施すことによって、顧客クラスタおよび商品クラスタを得てもよい。

　式（５）において、Ｃは、顧客ＩＤの集合であり、Ｉは、商品ＩＤの集合である。換言すれば、Ｃは、顧客の集合であり、Ｉは、商品の集合である。また、Ｚ_ｃは、顧客ＩＤ“ｃ”が属する顧客クラスタを表す。Ｚ_ｉは、商品ＩＤ“ｉ”が属する商品クラスタを表す。本例では、グルーピング手段４は、１つの顧客ＩＤが１つの顧客クラスタのみに属し、１つの商品ＩＤが１つの商品クラスタのみに属するように、Ｃｏ－クラスタリングを実行する。この場合、Ｚ_ｃ＝２、Ｚ_ｉ＝３等のように、Ｚ_ｃが顧客クラスタのＩＤを表し、Ｚ_ｉが商品クラスタのＩＤを表してもよい。また、例えば、Ｚ_ｃを顧客クラスタのＩＤに対応する要素のみを１とし他の要素を０とするベクトルで表し、Ｚ_ｉを商品クラスタのＩＤに対応する要素のみを１とし他の要素を０とするベクトルで表してもよい。例えば、顧客ＩＤ“４”が顧客クラスタ“２”に属する場合、２番目の要素のみを１とし、他の要素を全て０とするベクトルを用いて、Ｚ_ｃ＝（０，１，０，０，０，・・・）^Ｔと表してもよい。なお、本例において、Ｚ_ｃにおける添え字ｃは、具体的には４である。同様に、例えば、商品ＩＤ“７”が商品クラスタ“３”に属する場合、３番目の要素のみを１とし、他の要素を全て０とするベクトルを用いて、Ｚ_ｉ＝（０，０，１，０，０，・・・）^Ｔと表してもよい。なお、本例において、Ｚ_ｉにおける添え字ｉは、具体的には７である。

　また、式（５）において、θは、購買傾向算出手段３によって指定された分布のパラメータである。また、θは、Ｚ_ｃが示す１つの顧客クラスタとＺ_ｉが示す１つの商品クラスタとの組み合わせに対応するｘ_ｃ，ｉの分布のパラメータである。例えば、Ｚ_ｃが図３に示す顧客クラスタ“３”を示し、Ｚ_ｉが図３に示す商品クラスタ“９”を示している場合、θ_３，９が、そのＺ_ｃおよびＺ_ｉの組に対応するθに該当する。

　また、式（５）において、ｐ（ｘ_ｃ，ｉ｜θ，Ｚ_ｃ，Ｚ_ｉ）は、ｘ_ｃ，ｉの確率（probability ）を表す。

　式（５）の値は、顧客クラスタと商品クラスタとその２つのクラスタに対応するｘ_ｃ，ｉの分布のパラメータとを組み合わせて得られる複数の組全体としての尤度であるということができる。

　グルーピング手段４は、最尤推定する場合には、式（５）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータの組を複数定めることによって、顧客クラスタおよび商品クラスタを定めればよい。グルーピング手段４は、ベイズ推定する場合には、式（５）に示すθの事後分布を算出する。

　このとき、グルーピング手段４は、例えば、最尤推定であれば、ＥＭ（Expectation-Maximization）法を用いて、式（５）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータの組を複数定めればよい。グルーピング手段４は、ベイズ推定であれば、変分ベイズ法を用いて、パラメータの事後分布を求める。あるいは、グルーピング手段４は、Ｇｉｂｂｓサンプリング法を用いてもよい。Ｇｉｂｂｓサンプリング法は、ＭＣＭＣ法（Markov Chain Monte Carlo algorithm）の１つである。

　購買傾向算出手段３およびグルーピング手段４は、例えば、コンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、コンピュータのプログラム記憶装置（図１において図示略）等のプログラム記録媒体からグルーピングプログラムを読み込み、そのグルーピングプログラムに従って、購買傾向算出手段３およびグルーピング手段４として動作すればよい。また、各手段が、それぞれ別々のハードウェアで実現されていてもよい。

　また、グルーピングシステムは、２つ以上の物理的に分離した装置が有線または無線で接続されている構成であってもよい。この点は、後述の実施形態においても同様である。

　次に、処理経過について説明する。図４は、本発明の第１の実施形態の処理経過の例を示すフローチャートである。

　購買傾向算出手段３は、購買データに基づいて、顧客および商品の組み合わせ毎に、購買傾向指標値ｘ_ｃ，ｉを算出する（ステップＳ１）。また、ステップＳ１において、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別を指定する。

　購買傾向算出手段３の種々の動作の例については既に例１から例７で説明したので、ここでは説明を省略する。

　ステップＳ１の後、グルーピング手段４は、式（５）の値が最大になるように、顧客クラスタ、商品クラスタ、およびｘ_ｃ，ｉの分布のパラメータの組を複数定めることによって、顧客クラスタおよび商品クラスタを決定する（ステップＳ２）。なお、この分布は、購買傾向算出手段３によって指定されたものである。

　本実施形態によれば、非特許文献１等に記載された技術とは異なり、人間が何らかの特徴を商品に付与しない。そして、ステップＳ１で得られるｘ_ｃ，ｉは、購買データから得られる客観的なデータである。そのようなデータを用いて、グルーピング手段４は、顧客のグループおよび商品のグループ（上記の例では、顧客クラスタおよび商品クラスタ）を定めるので、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品のグループを精度よく定めることができる。

　なお、前述の例６や例７に例示するように購買傾向算出手段３が購買傾向指標値ｘ_ｃ，ｉを算出した場合、グルーピング手段４は、式（５）の値が最大になるように、顧客クラスタおよび商品カテゴリ（商品関連事項）のクラスタを決定すればよい。この場合、グルーピング手段４は、ステップＳ２において、商品ＩＤの代わりに、商品カテゴリのＩＤを式（５）における“ｉ”として用いて、Ｃｏ－クラスタリングを実行すればよい。その他の点については、既に説明したグルーピング手段４の動作と同様である。この場合には、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品カテゴリのグループを精度よく定めることができる。

　また、第１の実施形態において、グルーピング手段４は、１つの顧客（顧客ＩＤ）が複数のグループに属し、１つの商品（商品ＩＤ）が複数のグループに属することを許容しつつ、顧客のグループおよび商品のグループを定めてもよい。この場合にも、グルーピング手段４は、式（５）の値が最大になるように、顧客のグループおよび商品のグループを定めればよい。この場合においても、式（５）の値が最大になるように顧客のグループおよび商品のグループを定める方法として、グルーピング手段４は、Ｇｉｂｂｓサンプリング法、ＥＭ法、あるいは変分ベイズ法を用いればよい。商品カテゴリ等の商品関連事項のグループを定める場合も同様である。

　グルーピング手段４は、１つの顧客（顧客ＩＤ）が複数のグループに属し、１つの商品（商品ＩＤ）が複数のグループに属することを許容しつつ、顧客のグループおよび商品のグループを定めたとする。この場合、データ分析者は、その顧客のグループおよび商品のグループを参照することによって、顧客や商品の隠れた特徴（直接的には見出しにくい特徴）を見出すことができる。例えば、商品の隠れ特徴をＺ_ｉ＝（０，０，１，０，１，・・・）^Ｔと表し、顧客の隠れ特徴をＺ_ｃ＝（１，０，０，１，０，・・・）^Ｔと表す。特徴数をＫｉとＫｃとしたときに、Ｋｉ×Ｋｃの重み行列Ａがパラメータとして学習される。顧客ｃの商品ｉに対する購買傾向指標値ｘ_ｃ，ｉが、関数ｆを用いてｆ（Ｚ^Ｔ _ｉＡＺ_ｃ）としてモデル化される。この関数ｆは、ロジスティック関数やポアソン分布、ガウス分布等である。関数ｆがいずれを取るかは、購買傾向指標値ｘ_ｃ，ｉにより定めればよい。購買傾向指標値ｘ_ｃ，ｉが０か１の値であれば、関数ｆはロジスティック関数である。購買傾向指標値ｘ_ｃ，ｉが個数であれば、関数ｆはポアソン分布である。購買傾向指標値ｘ_ｃ，ｉが実数であれば、関数ｆはガウス分布である。実施形態で具体例として示している確率分布は、この関数と対応する。

　また、第１の実施形態では、購買傾向算出手段３が購買傾向指標値ｘ_ｃ，ｉの分布の種別を指定する場合を説明した。購買傾向指標値ｘ_ｃ，ｉとしてどのような値を用いるかに応じて、購買傾向指標値ｘ_ｃ，ｉの分布の種別が予め定められていてもよい。この場合、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別を指定しなくてよい。そして、グルーピング手段４は、予め定められた分布の種別における購買傾向指標値ｘ_ｃ，ｉの分布のパラメータを用いて、顧客のグループと、商品または商品関連事項のグループとを定めればよい。

実施形態２．
　図５は、本発明の第２の実施形態のグルーピングシステムの例を示すブロック図である。第２の実施形態のグルーピングシステム１１は、データ記憶手段１２と、特徴量算出手段１３と、グルーピング手段１４とを備える。

　データ記憶手段１２は、顧客の商品購買状況を示す購買データを記憶する記憶装置である。例えば、顧客マスタおよび商品マスタを記憶するとともに、顧客が商品を購買した各購買日における、顧客ＩＤ、商品ＩＤ、商品の価格および購買日を対応付けた情報を購買データとして記憶してもよい。以下に示す例では、特徴量算出手段１３が、商品マスタ内の標準価格を用いて、商品の特徴量として商品の相対価格を算出する場合を例にして説明する。また、以下に示す例では、商品購買実績を示す指標値（以下、購買実績指標値と記す。）として、購買数を用いるものとする。

　特徴量算出手段１３は、商品毎に商品の特徴量を算出する。この特徴量は、商品自体の特徴量であり、顧客に依存しない。本例では、特徴量算出手段１３が、商品の特徴量として、各商品の相対価格を算出する場合を例にして説明する。この場合、特徴量算出手段１３は、データ記憶手段１２に記憶された各商品の標準価格に基づいて、それらの各商品の標準価格の平均値（以下、ｉ_ａｖと記す。）と、標準価格の標準偏差（以下、ｉ_ｄｅｖと記す。）とを算出する。そして、データ記憶手段１２に記憶されている商品“ｉ”の標準価格をｓ_ｉとする。また、商品“ｉ”の相対価格をｒ_ｉとする。特徴量算出手段１３は、商品毎に、以下に示す式（６）の計算を行うことによって、個々の商品の相対価格を算出する。

　ｒ_ｉ＝（ｓ_ｉ－ｉ_ａｖ）／ｉ_ｄｅｖ　　　　　　　式（６）

　特徴量算出手段１３は、商品の特徴量の分布の種別を指定する。特徴量として相対価格を算出する場合、特徴量算出手段１３は、特徴量（相対価格）の分布の種別として、例えば、標準正規分布を指定する。あるいは、特徴量算出手段１３は、ガウス分布を指定してもよい。

　グルーピング手段１４は、データ記憶手段１２に記憶された購買データを参照して、顧客と商品との組み合わせ毎に購買実績指標値を算出する。本実施形態では、顧客と商品との組み合わせ毎に算出される購買実績指標値を符号ｕ_ｃ，ｉで表す。本例では、この購買実績指標値として商品の購買数を用いる場合を例にして説明するので、購買数も符号ｕ_ｃ，ｉで表す。例えば、顧客“２”による商品“３”の購買数が７個である場合、ｕ_２，３＝７である。従って、グルーピング手段１４は、顧客と商品との組み合わせ毎に購買数ｕ_ｃ，ｉを導出する。

　また、グルーピング手段１４は、購買実績指標値（購買数）の分布として、ポアソン分布を採用する。

　そして、グルーピング手段１４は、顧客と商品との組み合わせ毎に導出した購買数と、その購買数の分布の種別（本例ではポアソン分布）と、商品毎の相対価格と、その相対価格の分布の種別とに基づいて、顧客のグループおよび商品のグループを定める。

　以下の説明では、一人の顧客（換言すれば、１つの顧客ＩＤ）が１つのクラスタのみに属し、１つの商品（換言すれば、１つの商品ＩＤ）が１つのクラスタのみに属するように、グルーピング手段１４がＣｏ－クラスタリングを実行する場合を例にして説明する。

　グルーピング手段１４は、顧客クラスタと、商品クラスタと、購買数の分布のパラメータと、商品の相対価格の分布のパラメータとを組み合わせて得られる複数の組の尤度が最大となるように、各顧客クラスタおよび各商品クラスタを定める。この尤度は、以下に示す式（７）で表される。

　式（７）において、Ｃは、顧客ＩＤの集合であり、Ｉは、商品ＩＤの集合である。また、Ｚ_ｃは、顧客ＩＤ“ｃ”が属する顧客クラスタを表す。Ｚ_ｉは、商品ＩＤ“ｉ”が属する商品クラスタを表す。この点は、第１の実施形態と同様である。

　式（７）において、θ’は、Ｚ_ｃが示す１つの顧客クラスタとＺ_ｉが示す１つの商品クラスタとの組み合わせに対応する購買数ｕ_ｃ，ｉの分布のパラメータである。θ’も第１の実施形態におけるθと同様に、例えば、ベクトルで表されてよい。

　また、式（７）において、ｐ（ｕ_ｃ，ｉ｜θ’，Ｚ_ｃ，Ｚ_ｉ）は、ｕ_ｃ，ｉの確率（probability ）を表す。

　また、式（７）において、φは、特徴量算出手段１３によって指定された分布のパラメータである。また、φは、商品クラスタＺ_ｉに属する商品の相対価格の分布のパラメータである。

　また、式（７）において、ｐ（ｒ_ｉ｜φ，Ｚ_ｉ）は、ｒ_ｉの確率を表す。

　式（７）の値は、顧客クラスタと、商品クラスタと、その２つのクラスタに対応するｕ_ｃ，ｉの分布のパラメータθ’と、その商品クラスタに属する商品の相対価格（特徴量）の分布のパラメータφとを組み合わせて得られる複数の組全体としての尤度であるということができる。

　グルーピング手段１４は、式（７）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータθ’，φの組を複数定めることによって、顧客クラスタおよび商品クラスタを定めればよい。

　このとき、グルーピング手段１４は、例えば、Ｇｉｂｂｓサンプリング法、ＥＭ法、あるいは変分ベイズ法を用いて、式（７）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータθ’，φの組を複数定めればよい。

　特徴量算出手段１３およびグルーピング手段１４は、例えば、コンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、コンピュータのプログラム記憶装置（図５において図示略）等のプログラム記録媒体からグルーピングプログラムを読み込み、そのグルーピングプログラムに従って、特徴量算出手段１３およびグルーピング手段１４として動作すればよい。また、各手段が、それぞれ別々のハードウェアで実現されていてもよい。

　次に、処理経過について説明する。図６は、本発明の第２の実施形態の処理経過の例を示すフローチャートである。

　特徴量算出手段１３は、例えば、商品マスタに基づいて、商品毎に商品の相対価格ｒ_ｉを算出する（ステップＳ１１）。特徴量算出手段１３は、商品毎に、式（６）の計算を行うことによって、個々の商品の相対価格を算出すればよい。また、ステップＳ１１において、特徴量算出手段１３は、相対価格ｒ_ｉの分布の種別を指定する。

　また、グルーピング手段１４は、購買データを参照して、顧客および商品の組み合わせ毎に、顧客が商品を購買した数（購買数ｕ_ｃ，ｉ）を導出する（ステップＳ１２）。なお、顧客および商品の組み合わせ毎に購買数ｕ_ｃ，ｉがデータ記憶手段１２に記憶されていてもよい。その場合、グルーピング手段１４は、各購買数ｕ_ｃ，ｉをデータ記憶手段１２から読み込めばよい。

　次に、グルーピング手段１４は、式（７）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータθ’，φの組を複数定めることによって、顧客クラスタおよび商品クラスタを定めればよい（ステップＳ１３）。

　本実施形態においても、非特許文献１等に記載された技術とは異なり、人間が何らかの特徴を商品に付与しない。また、本実施形態におけるｒ_ｉやｕ_ｃ，ｉは、商品マスタや購買データから得られる客観的なデータである。そのようなデータを用いて、グルーピング手段１４は、顧客クラスタおよび商品クラスタを定める。従って、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品のグループを精度よく定めることができる。

　また、グルーピング手段１４は、１つの顧客（顧客ＩＤ）が複数のグループに属し、１つの商品（商品ＩＤ）が複数のグループに属することを許容しつつ、顧客のグループおよび商品のグループを定めてもよい。この場合にも、グルーピング手段１４は、式（７）の値が最大になるように、顧客クラスタ、商品クラスタおよびパラメータθ’，φの組を複数定めることによって、顧客クラスタおよび商品クラスタを定めればよい。この場合においても、式（７）の値が最大になるように顧客のグループおよび商品のグループを定める方法として、グルーピング手段１４は、Ｇｉｂｂｓサンプリング法、ＥＭ法、あるいは変分ベイズ法を用いればよい。

　グルーピング手段１４は、１つの顧客（顧客ＩＤ）が複数のグループに属し、１つの商品（商品ＩＤ）が複数のグループに属することを許容しつつ、顧客のグループおよび商品のグループを定めたとする。この場合、データ分析者は、その顧客のグループおよび商品のグループを参照することによって、顧客や商品の隠れた特徴（直接的には見出しにくい特徴）を見出すことができる。

　また、第２の実施形態では、特徴量算出手段１３が商品の特徴量の分布の種別を指定する場合を説明した。商品の特徴量としてどのような値を用いるかに応じて、商品の特徴量の分布の種別が予め定められていてもよい。この場合、特徴量算出手段１３が商品の特徴量の分布の種別を指定しなくてよい。そして、グルーピング手段１４は、予め定められた分布の種別における商品の特徴量の分布のパラメータを用いて、顧客のグループと、商品のグループとを定めればよい。

　以下、顧客マスタ、商品マスタ、購買データの具体例や、第２の実施形態における特徴量の具体例や、第１の実施形態における購買傾向指標値ｘ_ｃ，ｉの具体例を示す。

　図７は、第１の実施形態のデータ記憶手段２や第２の実施形態のデータ記憶手段１２に記憶される顧客マスタの例を示す模式図である。図７では、顧客ＩＤ毎に、顧客ＩＤと、顧客の年齢および性別とが対応付けられている場合を例示している。

　図８は、第１の実施形態のデータ記憶手段２や第２の実施形態のデータ記憶手段１２に記憶される商品マスタの例を示す模式図である。図８では、商品ＩＤ毎に、商品ＩＤと、商品名、標準価格、商品カテゴリおよび発売日が対応付けられている場合を例示している。

　図９は、第１の実施形態のデータ記憶手段２や第２の実施形態のデータ記憶手段１２に記憶される購買データの例を示す模式図である。図９では、顧客が商品を購買した各購買日における、顧客ＩＤ、商品ＩＤ、商品の実際の販売価格および購買日を対応付けた購買データを例示している。なお、図９に示す１行のデータは、顧客が商品を１つ買ったことを示している。

　なお、図７から図９は、データ記憶手段２，１２に記憶されるデータの例示である。以下で述べる各具体例で示す具体的な数値は、必ずしも図７から図９に示すデータに基づくものであるとは限らない。

（具体例１）
　以下に示す具体例１では、第２の実施形態における商品の特徴量の具体例を示す。特徴量算出手段１３は、商品カテゴリ毎に、カテゴリ内の各商品の特徴量を算出する。本例では、特徴量算出手段１３が商品の特徴量として、相対価格を算出する場合を例にする。

　特徴量算出手段１３は、商品カテゴリを１つずつ選択し、選択した商品カテゴリ内の各商品の標準価格の平均値ｉ_ａｖと、その各商品の標準価格の標準偏差ｉ_ｄｅｖを算出する。図１０は、「菓子パン」および「食パン」という２つの商品カテゴリについてそれぞれ算出された平均値および標準偏差の例を示す図である。

　さらに、特徴量算出手段１３は、商品カテゴリを１つずつ選択し、選択した商品カテゴリ内の個々の商品の相対価格ｒ_ｉを、前述の式（６）によって算出する。ここで、式（６）の計算におけるｉ_ａｖおよびｉ_ｄｅｖは、選択した商品カテゴリに関して算出した平均値ｉ_ａｖおよび標準偏差ｉ_ｄｅｖである。

　この結果、商品毎に相対価格が得られる。図１１は、商品毎に算出された相対価格の例を示す図である。図１１では、商品ＩＤ毎に、商品名および相対価格の例を示している。

　特徴量算出手段１３は、上記のように算出した相対価格ｒ_ｉの分布の種別として、例えば、ガウス分布を指定する。あるいは、特徴量算出手段１３は、相対価格ｒ_ｉの分布の種別として、標準正規分布を指定してもよい。

　なお、グルーピング手段１４は、購買データを参照して、顧客ＩＤおよび商品ＩＤの組み合わせ毎に、その顧客がその商品を購買した個数（購買数）を算出し、その購買数を、購買実績指標値ｕ_ｃ，ｉとする。さらに、グルーピング手段１４は、購買実績指標値ｕ_ｃ，ｉ（以下、購買数ｕ_ｃ，ｉ）の分布としてポアソン分布を採用する。

　グルーピング手段１４は、各商品の相対価格ｒ_ｉおよびその分布の種別と、顧客ＩＤおよび商品ＩＤの組み合わせ毎に導出した購買数ｕ_ｃ，ｉおよびその分布の種別に基づいて、顧客ＩＤと商品ＩＤをグルーピングする。この処理については、既に説明しているので、ここでは説明を省略する。

（具体例２）
　具体例２では、第１の実施形態で説明した例１の具体例を示す。購買傾向算出手段３は、購買データに基づいて、顧客ＩＤおよび商品ＩＤの組み合わせに対して、その商品の実際の販売価格毎に、購買数（購買量）を特定する。この結果、図１２に例示するように、顧客ＩＤ、商品ＩＤおよび商品の実際の販売価格の組み合わせに対して、購買数を対応付けた情報が得られる。

　購買傾向算出手段３は、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｐｒｉｃｅ^ｃ，ｉ）を説明変数として、回帰分析を行う。ｖｏｌｕｍｅ^ｃ，ｉは購買量変数であり、ｐｒｉｃｅ^ｃ，ｉは価格変数である。顧客ＩＤ“０１”および商品ＩＤ“１１”の組み合わせについてこの回帰分析を行うと、式（１）の係数ｗ^ｃ，ｉの値は－３となり、価格弾力性は３となる。購買傾向算出手段３は、この価格弾力性“３”を、購買傾向指標値ｘ_{０１，１１}とする。購買傾向算出手段３は、顧客ＩＤおよび商品ＩＤの他の各組み合わせに関しても、同様に、購買傾向指標値ｘ_ｃ，ｉを算出する。

　なお、価格弾力性“３”とは、価格が１０％下がったときに、購買数が１０×３＝３０％増加することを意味する。

　本例では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　グルーピング手段４は、購買傾向指標値ｘ_ｃ，ｉおよびその分布の種別に基づいて、顧客ＩＤと商品ＩＤをグルーピングする。この処理については、既に説明しているので、ここでは説明を省略する。この点は、以下に説明する他の具体例でも同様である。

（具体例３）
　具体例３では、第１の実施形態で説明した例２の具体例を示す。

　本例では、ある商品の広告が行われた日毎に、商品ＩＤとその商品の広告日とを対応付けた情報をデータ記憶手段２に記憶させておく。図１３は、商品ＩＤと広告日とを対応付けた情報の例を示す図である。なお、広告は、テレビジョン放送やラジオ放送のコマーシャルメッセージであってもよい。また、図１３に例示する情報は、番組と連動する等してまとまって放送された広告の実績を反映させたものであってもよい。また、図１３に例示する情報は、顧客毎に個別に実施される広告（例えば、オンライン広告）に基づいて作成されたものであってもよい。

　購買傾向算出手段３は、例えば、顧客が商品を購買した各購買日における、顧客ＩＤと、商品ＩＤと、その商品の直近の広告日からの経過日数とを対応付けた情報を、購買データに基づいて作成する。顧客ＩＤ、商品ＩＤ、および広告日からの経過日数を対応付けた情報の例を、図１４に示す。

　なお、広告の実績がなく購買されている商品に関しては、購買傾向算出手段３は、広告日からの経過日数を、十分に大きな値、あるいは、欠損値として扱えばよい。図１４に示す“ｉｎｆ．”は、十分に大きな値を意味する。

　購買傾向算出手段３は、顧客“ｃ”と商品“ｉ”の組み合わせ毎に、顧客に対する商品の広告有効寿命Ｔ_ｃ，ｉを算出する。なお、顧客“ｃ”と商品“ｉ”の組み合わせに関し、広告日からの経過日数ｄａｙ^ｃ，ｉにおける購買数がｅｘｐ（－ｄａｙ^ｃ，ｉ／Ｔ_ｃ，ｉ）に比例すると仮定する方式と、広告日からの経過日数ｄａｙ^ｃ，ｉにおいて顧客“ｃ”が商品“ｉ”を購買する確率がｅｘｐ（－ｄａｙ^ｃ，ｉ／Ｔ_ｃ，ｉ）に比例すると仮定する方式が挙げられる。ここでは、前者の場合を示す。購買傾向算出手段３は、ｌｎ（ｖｏｌｕｍｅ^ｃ，ｉ）を目的変数とし、ｌｎ（ｄａｙ^ｃ，ｉ）を説明変数として、回帰分析を行う。ｖｏｌｕｍｅ^ｃ，ｉは購買量変数であり、ｄａｙ^ｃ，ｉは、経過日数変数である。顧客ＩＤ“０１”および商品ＩＤ“１１”の組み合わせについてこの回帰分析を行うと、式（２）の係数ｗ^ｃ，ｉの値として－０．２が得られる。購買傾向算出手段３は、この値の絶対値の逆数として、Ｔ_{０１，１１}＝５を算出し、この値を、購買傾向指標値ｘ_{０１，１１}とする。購買傾向算出手段３は、顧客ＩＤおよび商品ＩＤの他の各組み合わせに関しても、同様に、購買傾向指標値ｘ_ｃ，ｉを算出する。

　また、具体例３において、広告日の代わりに、商品が店舗に陳列された日を用いてもよい。この場合、購買傾向算出手段３は、広告日からの経過日数の代わりに、商品の陳列日からの経過日数を用いればよい。また、この場合、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布またはポアソン分布を指定すればよい。

（具体例４）
　具体例４では、商品の発売日からの経過日数を利用して購買傾向指標値ｘ_ｃ，ｉを求める場合の例を示す。

　購買傾向算出手段３は、例えば、顧客が商品を購買した各購買日における、顧客ＩＤと、商品ＩＤと、その商品の発売日からの経過日数とを対応付けた情報を、購買データに基づいて作成する。顧客ＩＤ、商品ＩＤ、および発売日からの経過日数を対応付けた情報の例を、図１５に示す。

　購買傾向算出手段３は、顧客“ｃ”と商品“ｉ”の組み合わせ毎に、顧客に対する商品の新商品感度寿命Ｔ_ｃ，ｉを算出する。ここでは、顧客“ｃ”と商品“ｉ”の組み合わせに関し、商品発売日からの経過日数ｄａｙ^ｃ，ｉにおいて顧客“ｃ”が商品“ｉ”を購買する確率がｅｘｐ（－ｄａｙ^ｃ，ｉ／Ｔ_ｃ，ｉ）に比例すると仮定する。購買傾向算出手段３は、顧客“０１”の商品“１１”に対する感度の尤度を最大にするような新商品感度寿命Ｔ_{０１，１１}を、上記の具体例における広告有効寿命Ｔ_{０１，１１}と同様に求めることができる。購買傾向算出手段３は、新商品感度寿命Ｔ_{０１，１１}を、顧客ＩＤ“０１”と商品ＩＤ“１１”の組み合わせに対する購買傾向指標値ｘ_{０１，１１}とする。購買傾向算出手段３は、顧客ＩＤおよび商品ＩＤの他の各組み合わせに関しても、同様に、購買傾向指標値ｘ_ｃ，ｉを算出する。

　本例では、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、ポアソン分布を指定する。あるいは、購買傾向算出手段３は、正規分布を指定してもよい。

（具体例５）
　具体例５では、第１の実施形態で説明した例５の具体例を示す。

　購買傾向算出手段３は、顧客“ｃ”が商品“ｉ”を購買した日から、次に同一の顧客“ｃ”が同一の商品“ｉ”を購買した日までの経過日数をそれぞれ計算し、その経過日数の平均値（平均購買間隔）を、購買傾向指標値ｘ_ｃ，ｉとして算出する。なお、平均購買間隔は、購買間隔がポアソン分布に従うとしたときの分布の最適パラメータに相当する。

　購買傾向算出手段３は、顧客ＩＤと商品ＩＤの組み合わせ毎に平均購買間隔（購買傾向指標値ｘ_ｃ，ｉ）を算出する。そして、購買傾向算出手段３は、顧客ＩＤと、商品ＩＤと、平均購買間隔とを対応付けた情報を作成する。顧客ＩＤと、商品ＩＤと、平均購買間隔とを対応付けた情報の例を図１６に示す。

（具体例６）
　具体例６では、第１の実施形態で説明した例６の具体例を示す。

　本例では、図１７に例示する商品マスタが、データ記憶手段２（図１参照）に記憶されているとする。図１７に示す商品マスタでは、商品ＩＤ毎に、商品ＩＤと、商品名と、商品カテゴリと、商品のメーカとが対応づけられている。

　また、本例では、図１８に例示する購買データが、データ記憶手段２（図１参照）に記憶されているとする。図１８に示す購買データでは、顧客ＩＤおよび商品ＩＤの組み合わせに対して、その顧客ＩＤで識別される顧客がその商品ＩＤで識別される商品を購買した個数（購買数）が対応付けられている。

　購買傾向算出手段３は、顧客と商品カテゴリの組み合わせ毎に、その商品カテゴリ内の個別の商品へのその顧客のこだわり度（愛着度）を算出する。本例では、購買傾向算出手段３が、このこだわり度としてハーフィンダール係数を算出し、その値を購買傾向指標値ｘ_ｃ，ｉとする例を示す。

　例えば、購買傾向算出手段３が、顧客ＩＤ“０１”と商品カテゴリ“菓子パン”の組み合わせに関して、こだわり度を算出する場合を例にして説明する。図１７および図１８から分かるように、顧客“０１”は、商品カテゴリ“菓子パン”に属する商品として、あんパン（商品ＩＤ“１１”）を１個、高級あんパン（商品ＩＤ“１２”）を２個、カレーパン（商品ＩＤ“１５”）を２個、メロンパン（商品ＩＤ“１６”）を１個、購買している。従って、顧客“０１”による“菓子パン”に属するあんパン、高級あんパン、カレーパンおよびメロンパンの購買シェアは、それぞれ、“１／６”、“１／３”、“１／３”および“１／６”である。従って、購買傾向算出手段３は、以下の計算によって、顧客ＩＤ“０１”と商品カテゴリ“菓子パン”の組み合わせにおけるこだわり度（本例ではハーフィンダール係数）として０．２８を算出する。

　０．２８＝（１／６）^２＋（１／３）^２＋（１／３）^２＋（１／６）^２

　同様に、購買傾向算出手段３が、顧客ＩＤ“０２”と商品カテゴリ“菓子パン”の組み合わせに関して、こだわり度を算出する場合を例にして説明する。顧客“０２”は、商品カテゴリ“菓子パン”に属する商品として、あんパン（商品ＩＤ“１１”）を２個、高級あんパン（商品ＩＤ“１２”）を３個、辛カレーパン（商品ＩＤ“１８”）を１個、購買している（図１７および図１８参照）。従って、顧客“０２”による“菓子パン”に属するあんパン、高級あんパンおよび辛カレーパンの購買シェアは、それぞれ、“１／３”、“１／２”および“１／６”である。従って、購買傾向算出手段３は、以下の計算によって、顧客ＩＤ“０２”と商品カテゴリ“菓子パン”の組み合わせにおけるこだわり度として０．３９を算出する。

　０．３９＝（１／３）^２＋（１／２）^２＋（１／６）^２

　同様に、購買傾向算出手段３が、顧客ＩＤ“０３”と商品カテゴリ“菓子パン”の組み合わせに関して、こだわり度を算出する場合を例にして説明する。顧客“０３”は、商品カテゴリ“菓子パン”に属する商品として、高級あんパン（商品ＩＤ“１２”）を２個、メロンパン（商品ＩＤ“１６”）を８個、焼きそばパン（商品ＩＤ“１７”）を１個、購買している（図１７および図１８参照）。従って、顧客“０３”による“菓子パン”に属する高級あんパン、メロンパンおよび焼きそばパンの購買シェアは、それぞれ、“２／１１”、“８／１１”、“１／１１”である。従って、購買傾向算出手段３は、以下の計算によって、顧客ＩＤ“０３”と商品カテゴリ“菓子パン”の組み合わせにおけるこだわり度として０．５７を算出する。

　０．５７＝（２／１１）^２＋（８／１１）^２＋（１／１１）^２

　なお、購買傾向算出手段３は、購買傾向指標値ｘ_ｃ，ｉの分布の種別として、例えば、正規分布を指定する。

　図１９は、顧客ＩＤと商品カテゴリの組み合わせ毎のこだわり度（ｘ_ｃ，ｉ）の例を示す図である。例えば、図１９に例示する結果が得られたとする。この場合、グルーピング手段４によるグルーピングによって、顧客ＩＤ“０１”および顧客ＩＤ“０２”が同一の顧客グループ（Ａとする。）にグルーピングされ、顧客ＩＤ“０３”が別の顧客グループ（Ｂとする。）にグルーピングされると考えられる。また、「菓子パン」および「おにぎり」が同一の商品カテゴリグループにグルーピングされると考えられる。このようなグルーピングの結果が得られたとすると、顧客グループＡは、「菓子パン」や「おにぎり」では様々な商品を購買する傾向があり、「食パン」については自分の好きな商品を選ぶ傾向があるということを分析できる。また、顧客グループＢは、「食パン」だけでなく、「菓子パン」や「おにぎり」についても特定の商品を購買する傾向があるということを分析できる。

（具体例７）
　具体例７では、第１の実施形態で説明した例７の具体例を示す。

　購買傾向算出手段３は、顧客と商品カテゴリの組み合わせ毎に、その商品カテゴリ内の商品のメーカへのその顧客のこだわり度（愛着度）を算出する。本例では、購買傾向算出手段３が、このこだわり度としてハーフィンダール係数を算出し、その値を購買傾向指標値ｘ_ｃ，ｉとする例を示す。

　購買傾向算出手段３は、商品マスタおよび購買データを参照して、例えば、「菓子パン」という商品カテゴリに関して、顧客ＩＤと、その顧客が購買した菓子パンのメーカと、そのメーカの菓子パンの購買数との関係を特定する。そして、顧客ＩＤと、菓子パンのメーカと、そのメーカの菓子パンの購買数との関係として、図２０に示す結果が得られたとする。

　顧客“０１”が、「菓子パン」という商品カテゴリにおいて、海崎パンから菓子パンを購買した数は３であり、山谷パンから購買した数は３である（図２０参照）。従って、「菓子パン」という商品カテゴリにおいて、顧客“０１”による海崎パンの購買シェア、山谷パンの購買シェアは、それぞれ“１／２”、“１／２”である。よって、購買傾向算出手段３は、以下に示す計算によって、顧客ＩＤ“０１”と商品カテゴリ「菓子パン」の組み合わせにおけるこだわり度（本例ではハーフィンダール係数）０．５を算出する。

　０．５＝（１／２）^２＋（１／２）^２

　また、顧客“０２”が、「菓子パン」という商品カテゴリにおいて、海崎パンから菓子パンを購買した数は５であり、山谷パンから購買した数は１である（図２０参照）。従って、「菓子パン」という商品カテゴリにおいて、顧客“０２”による海崎パンの購買シェア、山谷パンの購買シェアは、それぞれ“５／６”、“１／６”である。よって、購買傾向算出手段３は、以下に示す計算によって、顧客ＩＤ“０２”と商品カテゴリ「菓子パン」の組み合わせにおけるこだわり度（本例ではハーフィンダール係数）０．７２を算出する。

　０．７２＝（５／６）^２＋（１／６）^２

　また、顧客“０３”が、「菓子パン」という商品カテゴリにおいて、海崎パンから菓子パンを購買した数は２であり、山谷パンから購買した数は９である（図２０参照）。従って、「菓子パン」という商品カテゴリにおいて、顧客“０３”による海崎パンの購買シェア、山谷パンの購買シェアは、それぞれ“２／１１”、“９／１１”である。よって、購買傾向算出手段３は、以下に示す計算によって、顧客ＩＤ“０３” と商品カテゴリ「菓子パン」の組み合わせにおけるこだわり度（本例ではハーフィンダール係数）０．７０を算出する。

　０．７０＝（２／１１）^２＋（９／１１）^２

　購買傾向算出手段３は、同様に、顧客ＩＤと商品カテゴリの組み合わせ毎に、こだわり度（ｘ_ｃ，ｉ）を算出する。

　具体例７をアパレルの商品カテゴリに適用した場合、グルーピングの結果によって、例えば、靴やアクセサリ等に関しては特定のメーカの商品を購買するが、下着や靴下に関してはメーカにこだわらない顧客層や、あらゆる商品カテゴリに関して特定のメーカの商品を購買する顧客層等を明らかにすることができる。

　なお、既に述べたように、上記のようにこだわり度を算出する際、メーカの代わりに、商品のブランド等を適用してもよい。

　図２１は、本発明の各実施形態に係るコンピュータの構成例を示す概略ブロック図である。コンピュータ１０００は、ＣＰＵ１００１と、主記憶装置１００２と、補助記憶装置１００３と、インタフェース１００４とを備える。

　各実施形態のグルーピングシステムは、コンピュータ１０００に実装される。グルーピングシステムの動作は、プログラム（グルーピングプログラム）の形式で補助記憶装置１００３に記憶されている。ＣＰＵ１００１は、プログラムを補助記憶装置１００３から読み出して主記憶装置１００２に展開し、そのプログラムに従って上記の処理を実行する。

　補助記憶装置１００３は、一時的でない有形の媒体の一例である。一時的でない有形の媒体の他の例として、インタフェース１００４を介して接続される磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等が挙げられる。また、このプログラムが通信回線によってコンピュータ１０００に配信される場合、配信を受けたコンピュータ１０００がそのプログラムを主記憶装置１００２に展開し、上記の処理を実行してもよい。

　また、プログラムは、前述の処理の一部を実現するためのものであってもよい。さらに、プログラムは、補助記憶装置１００３に既に記憶されている他のプログラムとの組み合わせで前述の処理を実現する差分プログラムであってもよい。

　次に、本発明の概要について説明する。図２２は、本発明の概要の例を示すブロック図である。グルーピングシステム１は、購買傾向算出手段３と、グルーピング手段４とを備える。

　購買傾向算出手段３は、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項（例えば、商品カテゴリ）の組み合わせ毎に、顧客が商品を購買する傾向を算出する。グルーピング手段４は、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める。

　具体的には、購買傾向算出手段３は、顧客の商品購買状況を示す購買データに基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を示す指標値である購買傾向指標値を算出する。グルーピング手段４は、購買傾向指標値および購買傾向指標値の分布のパラメータに基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める。

　そのような構成により、似た購買傾向を有する顧客のグループを精度よく定めるとともに、購買傾向の観点で類似した商品または商品に関連する事項のグループを精度よく定めることができる。なお、図２２に示す例において、グルーピングシステム１は、サービスのグループまたはサービス関連事項（例えば、サービスのカテゴリ）のグループを定めてもよい。

　図２３は、本発明の概要の他の例を示すブロック図である。グルーピングシステム１１は、特徴量算出手段１３と、グルーピング手段１４とを備える。

　特徴量算出手段１３は、商品毎に商品の特徴量を算出する。

　グルーピング手段１４は、顧客および商品の組み合わせ毎に得られる商品購買実績と、商品購買実績の分布と、商品毎の特徴量と、特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定める。具体的には、グルーピング手段１４は、顧客および商品の組み合わせ毎に得られる、商品購買実績を示す指標値である購買実績指標値と、購買実績指標値の分布のパラメータと、商品毎の特徴量と、特徴量の分布のパラメータとに基づいて、顧客のグループおよび商品のグループを定める。

　そのような構成によっても、上記の効果を得ることができる。なお、図２３に示す例において、グルーピングシステム１１は、サービスのグループを定めてもよい。

　上記の各実施形態は、以下の付記のようにも記載され得るが、以下に限定されるわけではない。

（付記１）顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出手段と、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング手段とを備えることを特徴とするグルーピングシステム。

（付記２）購買傾向算出手段は、顧客の商品購買状況を示す購買データに基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を示す指標値である購買傾向指標値を算出し、グルーピング手段は、前記購買傾向指標値および前記購買傾向指標値の分布のパラメータに基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める付記１に記載のグルーピングシステム。

（付記３）グルーピング手段は、顧客のグループと、商品のグループまたは商品関連事項のグループと、購買傾向指標値の分布のパラメータとを組み合わせて得られる複数の組の尤度を用いて、顧客のグループと、商品のグループまたは商品関連事項のグループとを定める付記２に記載のグルーピングシステム。

（付記４）購買傾向算出手段は、顧客および商品の組み合わせ毎に価格弾力性を購買傾向指標値として算出し、グルーピング手段は、顧客のグループおよび商品のグループを定める付記２または付記３に記載のグルーピングシステム。

（付記５）購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品の広告日から顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、グルーピング手段は、顧客のグループおよび商品のグループを定める付記２または付記３に記載のグルーピングシステム。

（付記６）購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品の発売日から顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、グルーピング手段は、顧客のグループおよび商品のグループを定める付記２または付記３に記載のグルーピングシステム。

（付記７）購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品が店舗に陳列されてから顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、グルーピング手段は、顧客のグループおよび商品のグループを定める付記２または付記３に記載のグルーピングシステム。

（付記８）購買傾向算出手段は、顧客および商品の組み合わせ毎に平均購買間隔を購買傾向指標値として算出し、グルーピング手段は、顧客のグループおよび商品のグループを定める付記２または付記３に記載のグルーピングシステム。

（付記９）購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の個別の商品への顧客のこだわり度を購買傾向指標値として算出し、グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める付記２または付記３に記載のグルーピングシステム。

（付記１０）購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の商品の個別のメーカへの顧客のこだわり度を購買傾向指標値として算出し、グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める付記２または付記３に記載のグルーピングシステム。

（付記１１）購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の商品の個別のブランドへの顧客のこだわり度を購買傾向指標値として算出し、グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める付記２または付記３に記載のグルーピングシステム。

（付記１２）グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品が１つのグループのみに属するように、顧客のグループおよび商品のグループを定める付記１から付記８のうちのいずれかに記載のグルーピングシステム。

（付記１３）グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品が複数のグループに属することを許容して、顧客のグループおよび商品のグループを定める付記１から付記８のうちのいずれかに記載のグルーピングシステム。

（付記１４）グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品関連事項が１つのグループのみに属するように、顧客のグループおよび商品関連事項のグループを定める付記１、２、３、９、１０、１１のうちのいずれかに記載のグルーピングシステム。

（付記１５）グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品関連事項が複数のグループに属することを許容して、顧客のグループおよび商品関連事項のグループを定める付記１、２、３、９、１０、１１のうちのいずれかに記載のグルーピングシステム。

（付記１６）商品毎に商品の特徴量を算出する特徴量算出手段と、顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング手段とを備えることを特徴とするグルーピングシステム。

（付記１７）グルーピング手段は、顧客および商品の組み合わせ毎に得られる、商品購買実績を示す指標値である購買実績指標値と、前記購買実績指標値の分布のパラメータと、商品毎の特徴量と、前記特徴量の分布のパラメータとに基づいて、顧客のグループおよび商品のグループを定める付記１６に記載のグルーピングシステム。

（付記１８）グルーピング手段は、顧客のグループと、商品のグループと、購買実績指標値の分布のパラメータと、商品の特徴量の分布のパラメータとを組み合わせて得られる複数の組の尤度を用いて、顧客のグループおよび商品のグループを定める付記１７に記載のグルーピングシステム。

（付記１９）特徴量算出手段は、商品毎に、商品の特徴量として商品の相対価格を算出する付記１６から付記１８のうちのいずれかに記載のグルーピングシステム。

（付記２０）グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品が１つのグループのみに属するように、顧客のグループおよび商品のグループを定める付記１６から付記１９のうちのいずれかに記載のグルーピングシステム。

（付記２１）グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品が複数のグループに属することを許容して、顧客のグループおよび商品のグループを定める付記１６から付記１９のうちのいずれかに記載のグルーピングシステム。

（付記２２）顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出手段と、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング手段とを備えることを特徴とするグルーピングシステム。

（付記２３）サービス毎にサービスの特徴量を算出する特徴量算出手段と、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング手段とを備えることを特徴とするグルーピングシステム。

（付記２４）顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出し、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めることを特徴とするグルーピング方法。

（付記２５）商品毎に商品の特徴量を算出し、顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めることを特徴とするグルーピング方法。

（付記２６）顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出し、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めることを特徴とするグルーピング方法。

（付記２７）サービス毎にサービスの特徴量を算出し、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めることを特徴とするグルーピング方法。

（付記２８）コンピュータに、顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出処理、および、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング処理を実行させるためのグルーピングプログラム。

（付記２９）コンピュータに、商品毎に商品の特徴量を算出する特徴量算出処理、および、顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング処理を実行させるためのグルーピングプログラム。

（付記３０）コンピュータに、顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出処理、および、前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング処理を実行させるためのグルーピングプログラム。

（付記３１）コンピュータに、サービス毎にサービスの特徴量を算出する特徴量算出処理、および、顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング処理を実行させるためのグルーピングプログラム。

　また、前述の第１の実施形態（図１参照）では、購買傾向算出手段３が、顧客および商品の組み合わせ毎、または、顧客および商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向（具体的には、購買傾向指標値）を算出する場合を示した。グルーピングシステムが、顧客が商品を購買する傾向（購買傾向指標値）を外部から取得する構成であってもよい。この場合のグルーピングシステムの構成例を図２４に示す。

　図２４に示すグルーピングシステム９０は、購買傾向取得手段９５と、グルーピング手段４とを備える。

　購買傾向取得手段９５は、顧客および商品の組み合わせ毎、または、顧客および商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向（購買傾向指標値）を取得する。このとき、購買傾向取得手段９５は、その購買傾向指標値の分布の種別の情報も合わせて取得する。例えば、グルーピングシステム９０の外部に設けられたサーバに、顧客および商品の組み合わせ毎、または、顧客および商品関連事項の組み合わせ毎に定められた購買傾向指標値と、その購買傾向指標値の分布の種別の情報を予め管理者が記憶させておく。購買傾向取得手段９５は、通信ネットワークを介して、そのサーバから、各購買傾向指標値および、その購買傾向指標値の分布の種別の情報を取得すればよい。なお、購買傾向取得手段９５が外部から購買傾向指標値等を取得する態様は、上記の態様に限定されず、他の態様であってもよい。例えば、購買傾向取得手段９５は、外部から入力される各購買傾向指標値およびその分布の種別の情報を受け付けてもよい。

　購買傾向取得手段９５が取得する購買傾向指標値は、第１の実施形態において、購買傾向算出手段３が算出する購買傾向指標値と同様である。

　グルーピング手段４は、顧客が商品を購買する傾向およびその分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める。この動作は、第１の実施形態のグルーピング手段４の動作と同様である。

　購買傾向取得手段９５およびグルーピング手段４は、例えば、コンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、コンピュータのプログラム記憶装置（図２４において図示略）等のプログラム記録媒体からグルーピングプログラムを読み込み、そのグルーピングプログラムに従って、購買傾向取得手段９５およびグルーピング手段４として動作すればよい。また、各手段が、それぞれ別々のハードウェアで実現されていてもよい。

　この場合、グルーピングプログラムは、コンピュータに、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を取得する購買傾向取得処理、および、その傾向およびその傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング処理を実行させるためのプログラムであるということができる。

　購買傾向取得手段９５は、顧客およびサービスの組み合わせ毎、または、顧客およびサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を取得してもよい。この場合、グルーピング手段４は、顧客がサービスを購買する傾向およびその分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めればよい。

　また、前述の第２の実施形態（図５参照）では、特徴量算出手段１３が、商品毎に商品の特徴量を算出し、グルーピング手段１４が、顧客と商品の組み合わせ毎に商品購買実績（具体的には、商品購買実績値）を算出する場合を示した。グルーピングシステムが、商品の特徴量、および、商品購買実績（商品購買実績値）を外部から取得する構成であってもよい。この場合のグルーピングシステムの構成例を図２５に示す。

　図２５に示すグルーピングシステム９１は、情報取得手段９６と、グルーピング手段９７とを備える。

　情報取得手段９６は、商品毎に商品の特徴量を取得する。このとき、情報取得手段９６は、その特徴量の分布の種別の情報も合わせて取得する。

　さらに、情報取得手段９６は、顧客と商品の組み合わせ毎に商品購買実績値も取得する。このとき、情報取得手段９６は、その商品購買実績値の分布の種別の情報も合わせて取得する。

　例えば、管理者が、グルーピングシステム９１の外部に設けられたサーバに、商品毎に定められた商品の特徴量と、その特徴量の分布の種別の情報を予め記憶させておく。さらに、その管理者は、そのサーバに、顧客と商品の組み合わせ毎に定められた商品購買実績値と、その商品購買実績値の分布の種別の情報を予め記憶させておく。情報取得手段９６は、通信ネットワークを介して、そのサーバから、各商品の特徴量およびその特徴量の分布の種別の情報と、各商品購買実績値およびその商品購買実績値の分布の種別の情報とを取得すればよい。なお、情報取得手段９６がこれらの情報を取得する態様は、上記の態様に限定されず、他の態様であってもよい。例えば、情報取得手段９６が、外部から入力される各商品の特徴量およびその特徴量の分布の種別の情報、各商品購買実績値およびその商品購買実績値の分布の種別の情報を受け付けてもよい。

　情報取得手段９６が取得する商品の特徴量は、第２の実施形態において、特徴量算出手段１３が算出する商品の特徴量と同様である。また、情報取得手段９６が取得する商品購買実績値は、第２の実施形態において、グルーピング手段１４が算出する商品購買実績値と同様である。

　グルーピング手段９７は、顧客と商品の組み合わせ毎に定められた商品購買実績値と、その商品購買実績値の分布と、商品毎の特徴量と、その特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定める。この動作は、第２の実施形態において、グルーピング手段１４が顧客のグループおよび商品のグループを定める動作と同様である。

　情報取得手段９６およびグルーピング手段９７は、例えば、コンピュータのＣＰＵによって実現される。この場合、ＣＰＵは、コンピュータのプログラム記憶装置（図２５において図示略）等のプログラム記録媒体からグルーピングプログラムを読み込み、そのグルーピングプログラムに従って、情報取得手段９６およびグルーピング手段９７として動作すればよい。また、各手段が、それぞれ別々のハードウェアで実現されていてもよい。

　この場合、グルーピングプログラムは、コンピュータに、商品毎に商品の特徴量を取得する情報取得処理、および、顧客と商品の組み合わせ毎に定められた商品購買実績と、その商品購買実績の分布と、商品毎の特徴量と、その特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング処理を実行させるためのプログラムであるということができる。

　情報取得手段９６は、サービス毎に定められたサービスの特徴量と、その特徴量の分布の種別の情報と、顧客とサービスの組み合わせ毎に定められたサービス購買実績と、そのサービス購買実績の分布の種別の情報とを取得してもよい。この場合、グルーピング手段９７は、顧客およびサービスの組み合わせ毎に得られたサービス購買実績と、そのサービス購買実績の分布と、サービス毎の特徴量と、その特徴量との分布とに基づいて、顧客のグループおよびサービスのグループを定めればよい。

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

　この出願は、２０１４年１２月１０日に出願された日本出願特願２０１４－２４９９５３を基礎とする優先権を主張し、その開示の全てをここに取り込む。

産業上の利用の可能性

　本発明は、顧客をグルーピングするとともに、商品もしくは商品に関連する事項またはサービスもしくはサービスに関連する事項をグルーピングするグルーピングシステムに好適に適用される。

　１，１１　グルーピングシステム
　２，１２　データ記憶手段
　３　購買傾向算出手段
　４，１４　グルーピング手段
　１３　特徴量算出手段

Claims

　顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出手段と、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング手段とを備える
　ことを特徴とするグルーピングシステム。
　購買傾向算出手段は、顧客の商品購買状況を示す購買データに基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を示す指標値である購買傾向指標値を算出し、
　グルーピング手段は、前記購買傾向指標値および前記購買傾向指標値の分布のパラメータに基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める
　請求項１に記載のグルーピングシステム。
　グルーピング手段は、
　顧客のグループと、商品のグループまたは商品関連事項のグループと、購買傾向指標値の分布のパラメータとを組み合わせて得られる複数の組の尤度を用いて、顧客のグループと、商品のグループまたは商品関連事項のグループとを定める
　請求項２に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品の組み合わせ毎に価格弾力性を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループおよび商品のグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品の広告日から顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループおよび商品のグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品の発売日から顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループおよび商品のグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品の組み合わせ毎に、商品が店舗に陳列されてから顧客が商品を購買するまでの日数の程度を示す値を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループおよび商品のグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品の組み合わせ毎に平均購買間隔を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループおよび商品のグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の個別の商品への顧客のこだわり度を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の商品の個別のメーカへの顧客のこだわり度を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　購買傾向算出手段は、顧客および商品カテゴリの組み合わせ毎に、商品カテゴリ内の商品の個別のブランドへの顧客のこだわり度を購買傾向指標値として算出し、
　グルーピング手段は、顧客のグループを定めるとともに、商品関連事項のグループとして商品カテゴリのグループを定める
　請求項２または請求項３に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品が１つのグループのみに属するように、顧客のグループおよび商品のグループを定める
　請求項１から請求項８のうちのいずれか１項に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品が複数のグループに属することを許容して、顧客のグループおよび商品のグループを定める
　請求項１から請求項８のうちのいずれか１項に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品関連事項が１つのグループのみに属するように、顧客のグループおよび商品関連事項のグループを定める
　請求項１、２、３、９、１０、１１のうちのいずれか１項に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品関連事項が複数のグループに属することを許容して、顧客のグループおよび商品関連事項のグループを定める
　請求項１、２、３、９、１０、１１のうちのいずれか１項に記載のグルーピングシステム。
　商品毎に商品の特徴量を算出する特徴量算出手段と、
　顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング手段とを備える
　ことを特徴とするグルーピングシステム。
　グルーピング手段は、顧客および商品の組み合わせ毎に得られる、商品購買実績を示す指標値である購買実績指標値と、前記購買実績指標値の分布のパラメータと、商品毎の特徴量と、前記特徴量の分布のパラメータとに基づいて、顧客のグループおよび商品のグループを定める
　請求項１６に記載のグルーピングシステム。
　グルーピング手段は、
　顧客のグループと、商品のグループと、購買実績指標値の分布のパラメータと、商品の特徴量の分布のパラメータとを組み合わせて得られる複数の組の尤度を用いて、顧客のグループおよび商品のグループを定める
　請求項１７に記載のグルーピングシステム。
　特徴量算出手段は、商品毎に、商品の特徴量として商品の相対価格を算出する
　請求項１６から請求項１８のうちのいずれか１項に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が１つのグループのみに属し、１つの商品が１つのグループのみに属するように、顧客のグループおよび商品のグループを定める
　請求項１６から請求項１９のうちのいずれか１項に記載のグルーピングシステム。
　グルーピング手段は、一人の顧客が複数のグループに属すること、および、１つの商品が複数のグループに属することを許容して、顧客のグループおよび商品のグループを定める
　請求項１６から請求項１９のうちのいずれか１項に記載のグルーピングシステム。
　顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出手段と、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング手段とを備える
　ことを特徴とするグルーピングシステム。
　サービス毎にサービスの特徴量を算出する特徴量算出手段と、
　顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング手段とを備える
　ことを特徴とするグルーピングシステム。
　顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出し、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定める
　ことを特徴とするグルーピング方法。
　商品毎に商品の特徴量を算出し、
　顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定める
　ことを特徴とするグルーピング方法。
　顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出し、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定める
　ことを特徴とするグルーピング方法。
　サービス毎にサービスの特徴量を算出し、
　顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定める
　ことを特徴とするグルーピング方法。
　コンピュータに、
　顧客の商品購買状況に基づいて、顧客および商品の組み合わせ毎、または、顧客および、商品に関連する事項である商品関連事項の組み合わせ毎に、顧客が商品を購買する傾向を算出する購買傾向算出処理、および、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、商品のグループまたは商品関連事項のグループを定めるグルーピング処理
　を実行させるためのグルーピングプログラム。
　コンピュータに、
　商品毎に商品の特徴量を算出する特徴量算出処理、および、
　顧客および商品の組み合わせ毎に得られる商品購買実績と、前記商品購買実績の分布と、商品毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよび商品のグループを定めるグルーピング処理
　を実行させるためのグルーピングプログラム。
　コンピュータに、
　顧客のサービス購買状況に基づいて、顧客およびサービスの組み合わせ毎、または、顧客および、サービスに関連する事項であるサービス関連事項の組み合わせ毎に、顧客がサービスを購買する傾向を算出する購買傾向算出処理、および、
　前記傾向および前記傾向の分布に基づいて、顧客のグループを定めるとともに、サービスのグループまたはサービス関連事項のグループを定めるグルーピング処理
　を実行させるためのグルーピングプログラム。
　コンピュータに、
　サービス毎にサービスの特徴量を算出する特徴量算出処理、および、
　顧客およびサービスの組み合わせ毎に得られるサービス購買実績と、前記サービス購買実績の分布と、サービス毎の前記特徴量と、前記特徴量の分布とに基づいて、顧客のグループおよびサービスのグループを定めるグルーピング処理
　を実行させるためのグルーピングプログラム。