WO2016199212A1 - 販売促進情報展開システム及び販売促進情報展開方法 - Google Patents

販売促進情報展開システム及び販売促進情報展開方法 Download PDF

Info

Publication number
WO2016199212A1
WO2016199212A1 PCT/JP2015/066536 JP2015066536W WO2016199212A1 WO 2016199212 A1 WO2016199212 A1 WO 2016199212A1 JP 2015066536 W JP2015066536 W JP 2015066536W WO 2016199212 A1 WO2016199212 A1 WO 2016199212A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
product
data
sales promotion
sales
Prior art date
Application number
PCT/JP2015/066536
Other languages
English (en)
French (fr)
Inventor
美沙 宮越
良樹 弓部
佑 北野
Original Assignee
株式会社日立製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2015/066536 priority Critical patent/WO2016199212A1/ja
Publication of WO2016199212A1 publication Critical patent/WO2016199212A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Definitions

  • the present invention relates to a technology for expanding product information and sales promotion information such as advertisements as sales promotion activities to consumers.
  • Patent Document 1 automatically provides dedicated information on a homepage or the like based on individual customer profile information. Further, in Patent Document 2, there is a document that specifies a document to be distributed to a customer based on the progress status of a negotiation and sets the distribution destination and the distribution time.
  • the present invention has been made in view of the above problems, and an object thereof is to provide a system and method capable of distributing effective sales promotion information for prompting consumers to purchase products.
  • a sales promotion information deployment system relates to the product using an input unit that receives input of information about the product to be simulated, and statistical data about the product.
  • Simulation processing for executing simulation using information as a constraint condition, acquiring simulation results for one or a plurality of the products, and selecting sales promotion information that is a simulation result closest to the constraint conditions from the acquired simulation results And detailed data that classifies a breakdown of consumers and a communication method for the consumer to obtain information about the product for each product from the model and predetermined model data, and the consumer behavior pattern of the consumer Output based on the living behavior pattern
  • a selection processing unit that determines a distribution condition including a distribution timing of the sales promotion information, a consumer that is a target of the product, and the communication method; and a distribution that distributes the sales promotion information according to the determined distribution condition And a sales promotion information deployment system.
  • the present invention is a sales promotion information expanding method performed by the sales promotion information expanding system.
  • FIG. 1 shows a simulation processing flow 1000 executed by the information distribution system in this embodiment.
  • the information distribution system in this embodiment provides a result obtained by a simulation performed on an information distribution service.
  • a sales prediction result that matches the product information 1200 input by the user is selected 1300 from one or a plurality of sales prediction results that can be acquired by performing the sales promotion simulation 1100, and the sales promotion is based on the result.
  • Information distribution conditions are generated 1400.
  • the simulation 1100 is performed, a value based on random, normal distribution, Gaussian distribution, or the like is input as an input parameter, and a sales prediction result is obtained.
  • FIG. 2 is a conceptual diagram 2000 of the sales prediction result obtained by executing the sales promotion simulation 1100.
  • the sales promotion simulation 1100 when one or a plurality of sales prediction results obtained are aggregated according to the condition 2100, the results are aggregated by item, type, content, and sales location.
  • One or a plurality of results associated with the narrowing-down condition 2100 are obtained.
  • a multi-agent simulation MAS
  • the narrowing-down condition 2100 is information that defines the agent conditions for executing the multi-agent simulation.
  • Multi-agent simulation is an analysis of the social behavior that occurs when agents interact with each other when they are executed independently in parallel. For example, a technique used for analyzing traffic flow and evacuation behavior.
  • FIG. 2 shows a narrowing-down condition 2100 and a sales prediction tabulation result 2200 when a multi-agent simulation is executed for a sales prediction of a certain vegetable.
  • the weight per piece is “150 g-250 g” and the sales place is “xx city yy town”. If you sell for 150 yen per piece, you can sell 600 pieces in 5 days. If you sell for 300 yen per piece, you can sell 200 pieces in 2 days. This shows that the simulation result that 550 pieces can be sold in three days when sold for 150 yen was obtained.
  • the surveyed statistical data described in various statistical information such as agricultural price statistics on agricultural products provided by public organizations such as countries, prefectures, municipalities, etc. is used as the simulation source data. From the above, with respect to the various agricultural products as described above, the number of sales and the number of sales days necessary for the sales for each of the contents and sales locations can be calculated, and the above results can be obtained. Collected data, which will be described later, may be used as the simulation source data.
  • FIG. 3 is a conceptual diagram 3000 of the input product information 1200 shown in FIG.
  • the product information 1200 is information indicating a constraint condition for a product that a user (for example, a retail store) of the system wants to make a simulation target. For example, information including the item and type of the product, the content, the sales quantity, the sales price, the sales location, and the sales deadline is input as the product information.
  • the product information 1200 indicates that a constraint condition that 500 pieces of items / type tomatoes with an internal capacity of 200 g are sold at a sales place xx ward town at a unit price of 150 yen is input. Yes.
  • product production information producer, production location, use information of agricultural chemicals and fertilizers, etc.
  • component information indicating the components of the product may be included.
  • FIG. 4 is a diagram showing a selection matching result 4000 in which a sales prediction result that matches the product information 1200 is selected from one or a plurality of sales prediction results obtained by the matching result selection 1300 shown in FIG.
  • the selection matching result 4000 shown in FIG. 4 is distributed to the user as sales promotion information.
  • the selection matching result 4000 includes a result 2201 closest to the condition of the input product information 3000 from one or a plurality of sales forecast aggregation results 2200 narrowed down by the narrowing condition 2100 shown in FIG.
  • the result 2201 includes breakdown information indicating the purchaser gender ratio 4100, the purchaser age ratio 4200, and the purchaser product information acquisition tool ratio 4300, which are detailed data of sales prediction results for consumers included in the result 2201.
  • the filtering condition 2100 shown in FIG. 2 (the content / weight “150 to 250 g” for each item / type “tomato” of vegetables is “150 g to 250 g” and the sales location is “xx town yy town” ”), Among the obtained sales forecast tabulation results 2200, the sales forecast tabulation results 2200 closest to the input product information 1200 shown in FIG. 3 (sold for 150 yen per unit) In this case, a result of selling 520 pieces in two days) is output as the result 2201.
  • the breakdown of purchasers is that the male / female ratio is 4: 6, the age ratio is mostly in the order of 40s and 30s, and the Web page is a tool for obtaining product information 1200 (that is, a communication method for obtaining information). , In the order of store advertising. A method of calculating the breakdown will be described later.
  • FIG. 5 is a conceptual diagram 5000 of sales promotion information delivery conditions generated by the sales promotion information delivery condition generation 1400 shown in FIG.
  • Consumers who are the targets of products based on consumer behavior patterns (described later) generated from model data obtained by modeling detailed data obtained from the selection matching result 4000 shown in FIG. 4 and information related to consumers.
  • Information relating to the layer, information relating to the timing of distributing the sales promotion information, and information relating to the combination of the distribution tools can be obtained as distribution conditions for the sales promotion information.
  • FIG. 5 shows that sales promotion information is distributed by SNS (social networking service) or email at 9:45 am, 2 pm, 4:15 pm for women in their 30s. .
  • SNS social networking service
  • 10:15 am, 1 pm, and 3:20 pm are distributed by store advertisements.
  • FIG. 6 is a configuration diagram 6000 showing a functional configuration for executing the simulation processing flow 1000 (FIG. 1) executed by the information distribution system in the present embodiment.
  • the information distribution system according to the present embodiment is realized by a general information processing apparatus such as a personal computer or a server, for example.
  • the simulation unit 6200 includes a simulation processing unit 6201 that executes the above and a selection processing unit 6202 that selects a result that matches the product information from the execution results of the multi-agent simulation and generates a distribution condition for the sales promotion information. And an information distribution unit 6300 that distributes the generated distribution conditions.
  • the present system is configured by one information processing apparatus, but the system may be configured by a plurality of information processing apparatuses. For example, when there are many items of product information input and when the load of multi-agent simulation is high, these functions may be executed by another information processing apparatus.
  • the simulation processing unit 6201 reads the simulation source data 6400 and executes a multi-agent simulation, and outputs, for example, the sales prediction aggregation result 2200 shown in FIG. In addition, the simulation processing unit 6201 matches the output sales prediction aggregation result 2200 with the input product information 1200 illustrated in FIG. 3, for example, and the sales prediction aggregation that is closest to the input product information 1200 from the sales prediction aggregation result 2200. The result 2200 is output.
  • the selection processing unit 6202 selects a target for distributing sales promotion information as shown in FIG.
  • a distribution condition 5000 for sales promotion information such as selection of information development timing is generated.
  • the information distribution unit 6300 uses the information expansion tool selected at the selected information expansion timing based on the distribution condition 5000 of the sales promotion information generated by the simulation unit 6200 to each selected target. Distribute information that the target is interested in and timely sales promotion information that matches the living situation.
  • the information distribution system in the present embodiment can develop sales promotion information to consumers with the optimal tool and timing based on input product information.
  • FIG. 7 is a diagram showing a model generation processing flow 7000 for the selection processing unit 6202 to generate models of various information when the simulation unit 6200 executes the simulation and distributes the result.
  • the information distribution system in this embodiment includes, for example, open data such as geographic information, weather information, and population distribution, and a collection data database 7100 that accumulates various information related to products such as SNS, questionnaire results, and sales history information; A feature amount extraction unit 7200 that extracts feature amounts from data accumulated in the collected data database 7100, and a model analysis unit 7300 that generates a model to be used by the simulation unit 6200 based on the data extracted by the feature amount extraction unit 7200.
  • a model storage unit 7400 that stores the model generated by the model analysis unit 7300 and refers to the model when the simulation unit 6200 uses the model.
  • the collected data database 7100, the feature amount extraction unit 7200, the model analysis unit 7300, and the model storage unit 7400 may be included in this system, or the above model may be generated by another system. In the following, description will be given assuming that each of the above parts is included in the present system.
  • FIG. 8 is a model generation processing flow 8000 for the selection processing unit 6202 to generate the model.
  • an information collection interface unit 7110 for collecting data in various formats, and an environment database 7120 for storing environment data collected by the information collection interface unit 7110 are similar.
  • the feature amount extraction unit 7200 performs text analysis, quantitative / qualitative data analysis, a text analysis unit 7210 that analyzes data including natural sentences, a quantitative / qualitative data analysis unit 7220 that analyzes numerical data and qualitative data, and the like.
  • an extracted data database 7230 for accumulating data.
  • the extracted data database 7230 is shown as being stored in an internal memory or the like included in the feature amount extraction unit 7200, it may be stored in an external storage medium, similar to the model storage unit 7400.
  • the model analysis unit 7300 generates a living behavior model 7310, a purchase willingness model 7320, and a network model 7330 using the data of the extracted data database 7230.
  • the model storage unit 7400 stores a living behavior model storage unit 7410 for storing a living behavior model 7310, a purchase willing model storage unit 7420 for storing a purchasing willing model 7320, and a network model 7330.
  • the information collection interface unit 7110 collects various information related to the open data and products outside the system, and classifies them into the environmental data, production data, sales data, consumer data, and SNS data and stores them.
  • the type for example, when weather information for each region stored in a website related to external weather is collected as open data, the weather information for each region is collected and stored in the environmental data.
  • the environmental data may include, for example, geographical information indicating the location of the store and the population distribution of prefectures and municipalities provided by each local public entity.
  • the production information of a product stored on a website related to an external product as open data is collected, the production information of the product or product is stored in the production data.
  • sales information for example, sales data managed by Point ⁇ Of Sales system
  • the sales information of the product or product is stored in the sales data.
  • consumer purchase information for example, member information registered on a shopping site or purchase history of the member
  • purchase information of the product or product is the consumer.
  • consumer SNS information for example, chatting or questionnaire responses about products, what kind of weather day or time to go shopping, etc.
  • the text analysis unit 7210 of the feature amount extraction unit 7200 reads various data stored in the collected data database 7100, performs text analysis on the read various data, and outputs extracted data after text analysis.
  • FIG. 9 is a diagram showing an example of extraction data (text analysis extraction data) output by the text analysis unit 7210.
  • the text analysis unit 7210 weights the importance of the text analysis extraction data with respect to the words included in the collected various data using a natural sentence analysis technology (for example, TF-IDF (Term Frequency-Inverse Document Frequency)).
  • the text analysis unit 7210 associates the words with their appearance frequencies and ranks them in descending order of appearance frequency values, as shown in FIG.
  • the extracted data is output, and it can be seen that the higher the appearance frequency value (that is, the closer it is to 1), the more important the word.In Fig. 9, for example, the word "Diet” ”Is 0.795, indicating that it is the most important word.
  • the text analysis unit 7210 applies to all products. Stomach, gender, age, profession, every other married, unmarried, to generate a text analysis extract data such as described above, the output.
  • the quantitative / qualitative data analysis unit 7220 of the feature quantity extraction unit 7200 reads various data stored in the collected data database 7100, analyzes the read various data quantitatively and qualitatively, and performs extraction after the quantitative / qualitative analysis. Output data.
  • FIG. 10 is a diagram showing an example of extraction data (quantitative / qualitative analysis extraction data) output by the quantitative / qualitative data analysis unit 7220.
  • the quantitative / qualitative data analysis unit 7220 refers to the weather information, sales data, consumer data, and SNS data included in the environmental data among the quantitative / qualitative analysis extraction data, Outputs the ratio of the number of items and the ratio of the sales amount to the monthly amount received for each store.
  • FIG. 10 when the weather is fine, there are many people who go shopping. When the weather is raining, people who go shopping and those who do not go shopping are almost the same. It turns out that there are many people who do not go out.
  • the quantitative / qualitative data analysis unit 7220 reads the various data, analyzes the purchase behavior such as what kind of weather the consumer goes shopping, and the ratio of the sales amount for each product for each store. Is output as quantitative / qualitative analysis extraction data.
  • the extracted data 7230 includes text analysis extraction data and quantitative / qualitative analysis extraction data.
  • the model analysis unit 7300 refers to the extracted data 7230 and generates a consumer behavior model, a purchase willing model, and a network model.
  • the living behavior model generation unit 7310 of the model analysis unit 7300 refers to the extracted data as described above, and the current state of the agent is a condition of the surrounding environment (for example, climatic conditions such as weather, time zone, weekday / holiday)
  • the transition probability to the next possible state is calculated by the calendar information), and the value is stored in the living behavior model.
  • the transition probability itself can be constructed using a Bayesian network, a decision tree, or the like based on the extracted data or the collected data that is the basis of the extracted data.
  • FIG. 11 is a diagram illustrating an example of a living behavior model constructed by the living behavior model generation unit 7310.
  • the living behavior model includes a pattern of a current state and a next state of a consumer who is an agent, and a climatic condition, a time zone, and a weekday / holiday which are the conditions of the surrounding environment. These transition probabilities are stored in association with each other, and these transition probabilities are stored in association with each other.
  • the living behavior model generation unit 7310 outputs the living behavior model in this way for every item of sex, age, occupation, and married / unmarried.
  • the purchase motivation model generation unit 7320 of the model analysis unit 7300 refers to the extracted data as described above, and the state indicating the current purchase motivation of the agent indicates that the agent is currently performing, a weekday / holiday, etc. Based on purchase conditions such as information sources indicating a method of obtaining (providing) information related to calendar information and products, the probability of transition to the next purchase intention state is calculated, and the value is stored in the purchase intention model.
  • the transition probability itself can be constructed using a Bayesian network, a decision tree, or the like by referring to SNS data that is statistical data such as a questionnaire or a storefront hearing result among the extracted data and the collected data that is the source of the transition probability. it can.
  • FIG. 12 is a diagram showing an example of a purchase willing model constructed by the purchasing willing model generation unit 7320.
  • the purchase motivation model stores a pattern of a current purchase motivation state and a next purchase motivation state of a consumer who is an agent, and the purchase conditions in association with each other. Transition probabilities are stored in association with each other.
  • the current purchase willingness state ( This indicates that the probability of not knowing the product is 73% from the state of not knowing the product) to the next purchase willingness state (the state of not knowing the product).
  • the purchase willingness model generation unit 7320 outputs the purchasing willing model in this way for every product, for each sex, age, occupation, and whether married or unmarried.
  • the network model generation unit 7330 of the model analysis unit 7300 refers to the extracted data as described above, and determines the number of destinations (friends, followers, etc.) to exchange various types of information by “age / gender”.
  • the information transmission frequency (number of times of information transmission) per day for each information transmission tool is totaled, and the value is stored in the network model.
  • the number of nodes and transmission frequency can be aggregated with reference to SNS data, which is statistical data such as questionnaires and storefront results, among the extracted data and the collected data that is the basis of the extracted data.
  • FIG. 13 is a diagram illustrating an example of a network model constructed by the network model generation unit 7330.
  • the network model is based on the age and sex of a consumer who is an agent, the average number of nodes owned by the consumer, a tool for exchanging information with the node, and the transmission of the information.
  • the frequency is stored in association with each other.
  • a male teenager has an average of 32 people who exchange information using SNS, and the frequency of sending information is 31 per day.
  • the network model generation unit 7330 thus outputs the network model for each gender and age.
  • it may be further classified and output according to occupation, married / unmarried.
  • “word of mouth” in FIG. 13 indicates that information is actually exchanged through a face-to-face conversation or the like.
  • the living behavior model generation unit 7310 refers to SNS data that is statistical data such as a questionnaire or a storefront hearing result among the extracted data and the collected data that is the basis thereof. Then, for example, statistical data indicating the types of daily behaviors for single women in their twenties who are working for the company and the ratio of the totals for each type of behavior is constructed as a daily behavior pattern.
  • FIG. 14 is a diagram illustrating an example of a living behavior pattern constructed by the living behavior model generation unit 7310.
  • the living behavior pattern of single women in their twenties who work for the company is high in the proportion of people sleeping at midnight, while working from 12:00 to 18:00 It shows that the percentage of people who are doing is high.
  • the percentage of people moving to go out or return home is high, and those who are moving for work from 6am to 9am It can be seen that the ratio of is higher than other time zones.
  • the living behavior model generation unit 7310 outputs the living behavior pattern in this way for each calendar of gender, age, occupation, married / unmarried.
  • the simulation processing unit 6201 refers to the simulation source data, and executes the multi-agent simulation using the product information input from the product information input unit 6100 as a constraint condition, so that the product indicated by the product information is displayed. For each content volume and sales location, calculate the number of sales and the number of sales days required to sell that number, obtain the simulation results, and output the simulation results closest to the above constraint conditions.
  • the selection processing unit 6202 collects open data, and for each simulated product, from the model data obtained by modeling information (consumer behavior, willingness to purchase, network) about the consumer, the purchaser sex ratio, the purchaser age ratio , Breakdown information such as the ratio of buyer product information acquisition tools It generates detailed data, and outputs the selected fit result in association with the simulation results.
  • the selection processing unit 6202 outputs a consumer behavior pattern from the model data, refers to the pattern and the model data, uses what tool at what timing, and what type With the age as a target, it is determined whether the result 2201 closest to the condition of the simulated input product information 3000 should be distributed as the sales promotion information of the product, and is set as the distribution condition as shown in FIG.
  • the information distribution unit 6300 distributes the sales promotion information according to the set distribution conditions.
  • the present system it is possible to distribute effective sales promotion information for urging consumers to purchase products. For example, it is possible to distribute effective sales promotion information for prompting purchase within the sales deadline of a product. Furthermore, by distributing sales promotion information at the timings described above, the consumer's awareness of the target product and the willingness to purchase will be improved, and it will be a direct target for further membership registration.
  • Product promotion information can be expanded not only to consumers but also to potential indirect target consumers ahead of them, and it can be expected to promote the purchase of products within the sales deadline. .
  • a multi-agent simulation is executed and a simulation result of sales of a product is associated with model data obtained by modeling information related to a consumer, and is output as a selection matching result.
  • model data distribution conditions for sales promotion information were set, and the sales promotion information was distributed. It is desirable that such simulation and modeling are always performed based on the latest data in order to increase accuracy.
  • FIG. 15 is a simulation result learning process configuration diagram 9000 for performing machine learning of a combination of the simulation result obtained by the simulation unit 6200 and the condition input by the product information input unit 6100.
  • the simulation processing unit 6201 performs a simulation result (for example, the selection matching result illustrated in FIG. 4) or the selection processing unit 6202 performs modeling or patterning (for example, illustrated in FIGS. 11 to 14).
  • Each model and pattern is stored and accumulated in a storage unit such as a database each time in association with the delivery conditions shown in FIG.
  • the machine learning unit 9100 refers to these accumulated results, and selects a combination similar to the simulation result obtained based on the newly input product information and the conditions of the surrounding environment at that time from the above results. To do.
  • the machine learning unit 9100 calculates distribution conditions for similar sales promotion information from a result of learning using past simulation results when product information is newly input to the product information input unit 6100, for example, From among a plurality of results obtained when the simulation is performed, distribution conditions for sales promotion information that matches the product information input to the product information input unit 6100 are calculated.
  • the distribution condition of the sales promotion information is calculated based on the model and pattern stored in the past. Therefore, the sales promotion information can be distributed more quickly.
  • the installed program is an installable or executable file, and is provided by being recorded on a computer-readable recording medium such as a USB (Universal Serial Bus) memory or the Internet. You may comprise so that it may provide by storing on the computer connected to the network and downloading via a network.
  • a computer-readable recording medium such as a USB (Universal Serial Bus) memory or the Internet.
  • Collection data database 7110 Information collection interface 7120: Environmental database 7130: Production database 7140: Sales database 7150: Consumer database 7160: SNS data database 7200: Feature quantity extraction unit 7210: Text analysis unit 7220: Quantitative / qualitative data analysis unit 7230: Extracted data database 7300: Model analysis unit 7310: Living behavior model 7320: Purchase willingness model 7330: Network Kumoderu 7400: model storage unit 7410: living behavior model storage unit 7420: willingness model storage unit 7430: network model storage unit 8000: model generation process flow diagram 9000: Simulation results learning process diagram 9100: machine learning unit.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

消費者に商品の購入を促すための効果的な販売促進情報の配信を可能とする。シミュレーションする商品に関する情報の入力を受け付け、商品についての統計データを用いて商品に関する情報を拘束条件としたシミュレーションを実行して１または複数の商品についてのシミュレーション結果を取得し、取得したシミュレーション結果の中から拘束条件に最も近いシミュレーション結果である販売促進情報を選択し、所定のモデルデータから、商品ごとに、消費者の内訳と消費者が商品に関する情報を得るためのコミュニケーション方法とを分類した詳細データを生成するとともに消費者の生活行動パターンを出力し、生活行動パターンに基づいて、販売促進情報の配信タイミングと商品のターゲットとなる消費者とコミュニケーション方法とを含む配信条件を定め、定められた配信条件にしたがって販売促進情報を配信する。

Description

販売促進情報展開システム及び販売促進情報展開方法
　本発明は、販売促進活動としての商品情報や広告等の販促情報を消費者に展開する技術に関する。
　従来、商品の認知度を高めるためにテレビコマーシャルやビラ広告などを多くの消費者に向けて配信する方法がよく知られている。しかし近年、より効果的な販売促進活動を行うために、商品のジャンルや色・大きさなどの見た目などで特定の消費者層を商品のターゲットとして設定し、そのターゲットに対して販売促進情報を提供するような、いわゆるターゲットマーケティングの活用が普及してきている。ターゲットマーケティングでは、特定の消費者層に対する販売促進活動を効率化するために、消費者の属性情報（年齢、性別、職業、家族構成等々）や購入履歴を用いてライフスタイルや購買パターンをグループ化し、グループごとに消費者に対するアプローチ（販売促進活動、商品レコメンドなど）を行う、というものがある。このようなターゲットマーケティングを支える技術として、特許文献１では、個別顧客のプロファイル情報に基づいてホームページなどで専用情報を自動的に提供するものがある。また、特許文献２では、商談の進捗状況に基づいて顧客に対して配信すべき文書を特定し、その配信先および配信時期を設定するものがある。
特開２００２－１０９３５８公報 特開２００４－２９５６６２公報
　しかしながら、日々変化する消費者を取巻く環境（流行や物価、経済情勢や気候等）を考慮して消費者の購買意欲の変動をモデル化することはとても困難、もしくは常に消費者に関連する情報を収集し、商品に対する消費者グループを更新し続けなくてはいけない。さらに、クラスタリングや類似商品購入者の購入履歴による消費者のグループ化では消費者が生活をする中で最も効果的に商品に関する情報を取得しうるタイミングを検証することが困難であった。更に、直接販売促進情報を提供することができる直接的ターゲットからコミュニティ内での情報の伝播によって産まれる間接的ターゲットへの情報の波及効果をマーケティングに考慮することが困難であった。特に、本や電子製品とは異なり、賞味期限や消費期限が短く、更に生産から消費まで流通する地域が狭い傾向にある野菜などの生鮮品や食料品は、コミュニティ内で拡散する人から人への情報の伝播作用が大きな影響を与える。更に、生鮮品は収穫時期になるまで生産数量や価格が把握できず、商品ごとに最適な販売促進活動を予め実施することが困難となるため、商品情報が入手できた時点から販売できる期限までの間に販売促進情報を消費者間の情報の波及効果を考慮した上で、効果的に情報を認知してもらうことが重要となる。
　そこで本発明は、上記問題点に鑑みなされたものであり、消費者に商品の購入を促すための効果的な販売促進情報の配信が可能なシステム及び方法を提供することを目的とする。
　上述した課題を解決し、目的を達成するために、本発明にかかる販売促進情報展開システムは、シミュレーションする商品に関する情報の入力を受け付ける入力部と、前記商品についての統計データを用いて前記商品に関する情報を拘束条件としたシミュレーションを実行して１または複数の前記商品についてのシミュレーション結果を取得し、取得したシミュレーション結果の中から前記拘束条件に最も近いシミュレーション結果である販売促進情報を選択するシミュレーション処理部と、所定のモデルデータから、前記商品ごとに、消費者の内訳と前記消費者が前記商品に関する情報を得るためのコミュニケーション方法とを分類した詳細データを生成するとともに前記消費者の生活行動パターンを出力し、前記生活行動パターンに基づいて、前記販売促進情報の配信タイミングと前記商品のターゲットとなる消費者と前記コミュニケーション方法とを含む配信条件を定める選択処理部と、定められた前記配信条件にしたがって前記販売促進情報を配信する配信部と、を備えることを特徴とする販売促進情報展開システムとして構成される。
　また、本発明は、上記販売促進情報展開システムで行われる販売促進情報展開方法である。
　本発明によれば、消費者に商品の購入を促すための効果的な販売促進情報の配信が可能となる。
本実施形態における情報配信システムが実行するシミュレーション処理フローである。 販売促進シミュレーションを実行することにより得られる販売予測結果の概念図である。 図１に示した入力商品情報の概念図である。 図１に示した適合結果選択により得られる販売予測結果の中から商品情報に適合する販売予測結果が選択された選択適合結果を表す図である。 図１に示した販売促進情報の配信条件生成により生成される販売促進情報配信条件の概念図である。 本実施形態における情報配信システムが実行するシミュレーション処理フローを実行するための機能的な構成を示す構成図である。 シミュレーションを実行してその結果を配信する際に、選択処理部が各種情報のモデルを生成するためのモデル生成処理フローを示す図である。 選択処理部が各種情報のモデルを生成するためのモデル生成処理フロー８０００である。 テキスト分析抽出データの例を示す図である。 定量・定性分析抽出データの例を示す図である。 生活行動モデルの例を示す図である。 購買意欲モデルの例を示す図である。 ネットワークモデルの例を示す図である。 生活行動パターンの例を示す図である。 機械学習を行うシミュレーション結果学習処理構成図である。
　以下、本発明にかかる販売促進情報展開システム及び販売促進情報展開方法を情報配信システムに適用した場合について、例を挙げて説明する。なお、実施形態は下記に限定されるものではない。
　まず、本発明にかかる販売促進情報展開システム及び販売促進情報展開方法を適用した第一の実施形態（実施例１）における情報配信システムが実行するシミュレーション処理について、図１～１４を用いて説明する。次に、第二の実施形態（実施例２）における情報配信システムが実行するシミュレーション処理について、さらに図１５を用いて説明する。
　図１は、本実施形態における情報配信システムが実行するシミュレーション処理フロー１０００である。本実施形態における情報配信システムは、情報配信サービス上で行われるシミュレーションによって得られた結果を提供するものである。情報配信システムでは、まず、販売促進シミュレーション１１００を行うことによって取得できる１または複数の販売予測結果からユーザが入力する商品情報１２００と適合する販売予測結果を選択１３００し、その結果に基づいて販売促進情報の配信条件を生成１４００する。シミュレーション１１００を行う際には、入力するパラメータをランダムや正規分布、ガウス分布等に基づいた値を入力し、販売予測結果を求める。
　図２は、販売促進シミュレーション１１００を実行することにより得られる販売予測結果の概念図２０００である。販売促進シミュレーション１１００を行った結果、得られた１または複数の販売予測結果を絞り込み条件２１００によって、品目や種類、内容量、販売場所で結果を集計すると、販売予測集計結果２２００は販売予測結果の絞込み条件２１００に紐づく１または複数の結果となる。販売促進シミュレーション１１００は、例えば、マルチエージェントシミュレーション（MAS：Multi-Agent Simulation）を用いることができる。絞り込み条件２１００は、マルチエージェントシミュレーションを実行するためのエージェントの条件を定めた情報である。マルチエージェントシミュレーションとは、あるルールに基づいて自立的に振る舞う要素であるエージェントが個々にそのルールを並行して実行した場合に、各エージェントが相互に作用することで現れる社会的なふるまいを分析するためのシミュレーションであり、例えば、交通流や避難行動等の分析に用いられる手法である。
　図２に示す例では、ある野菜の販売予測についてマルチエージェントシミュレーションを実行した場合の絞込み条件２１００および販売予測集計結果２２００を示している。図２では、例えば、野菜のうちの品目・種類「トマト」について、１個あたりの重さである内容量が「１５０ｇ～２５０ｇ」、販売場所が「ｘｘ区ｙｙ町」であることを条件として、１個あたり１５０円で販売した場合には５日で６００個を販売することができ、１個あたり３００円で販売した場合には２日で２００個を販売することができ、１個あたり１５０円で販売した場合には３日で５５０個を販売することができるというシミュレーションの結果が得られたことを示している。上記シミュレーションでは、例えば、国、都道府県、市町村等の公共団体が提供している農産物に関する農業物価統計等の各種統計情報に記載された調査済みの統計データをシミュレーション元のデータとし、そのデータの中から、上記のような各種農産物について、内容量および販売場所ごとに、販売個数とその個数分の販売に必要となる販売日数を算出し、上記結果を得ることができる。シミュレーション元のデータとして、後述する収集データを用いることとしてもよい。
　図３は、図１に示した入力商品情報１２００の概念図３０００である。商品情報１２００は、本システムのユーザ（例えば、小売店）が、シミュレーション対象としたい商品についての拘束条件を示す情報である。例えば、商品情報として、商品の品目や種類、内容量、販売数量、販売価格、販売場所、販売期限を含む情報が入力される。図３に示す例では、商品情報１２００が、内容量２００ｇの品目・種類トマトについて、販売場所ｘｘ区ｙｙ町で、単価を１５０円として５００個販売するという拘束条件が入力されることを示している。拘束条件として、商品の生産情報（生産者、生産地、農薬及び肥料の使用情報等）やその商品の構成成分を示す成分情報を含めてもよい。
　図４は、図１に示した適合結果選択１３００により得られる１または複数の販売予測結果の中から商品情報１２００に適合する販売予測結果が選択された選択適合結果４０００を表す図である。後述するように、図４に示す選択適合結果４０００が、販売促進情報としてユーザに配信される。図４に示すように、選択適合結果４０００は、図２に示した絞込み条件２１００によって絞り込まれた１または複数の販売予測集計結果２２００の中から入力商品情報３０００の条件に最も近い結果２２０１と、その結果２２０１に含まれる消費者に対する販売予測結果の詳細データである購入者男女比率４１００、購入者年齢比率４２００、購入者商品情報入手ツール比率４３００を示す内訳情報を含む。
　図４では、図２に示した絞り込み条件２１００（野菜のうちの品目・種類「トマト」について、１個あたりの重さである内容量が「１５０ｇ～２５０ｇ」、販売場所が「ｘｘ区ｙｙ町」であること）によりマルチエージェントシミュレーションを実行し、得られた販売予測集計結果２２００のうち、図３に示した入力商品情報１２００に最も近い販売予測集計結果２２００（１個あたり１５０円で販売した場合には２日で５２０個を販売するという結果）を、上記結果２２０１として出力したことを示している。また、購入者の内訳は、男女比率が４：６であり、年齢比率が４０代、３０代の順で多く、商品情報１２００の入手ツール（すなわち情報を得るためのコミュニケーション方法）としてはＷｅｂページ、店頭広告の順で多いことを示している。上記内訳の算出方法については後述する。
　図５は、図１に示した販売促進情報の配信条件生成１４００により生成される販売促進情報配信条件の概念図５０００である。図４に示した選択適合結果４０００によって得られた詳細データや消費者に関する情報をモデル化したモデルデータから生成された消費者の生活行動パターン（後述）を元に、商品のターゲットとなる消費者層に関する情報、販売促進情報を配信する時間的なタイミングに関する情報、またその配信ツールの組合せに関する情報を、販売促進情報の配信条件として得ることができる。図５では、販売促進情報が、３０代の女性については、午前９時４５分、午後２時、午後４時１５分に、ＳＮＳ（social networking service）やメールにより配信されることを示している。同様に、４０代の女性については、午前１０時１５分、午後１時、午後３時２０分に、店頭広告により配信され、２０代の女性については、午前９時４５分、午後０時３０分、午後３時に、Ｗｅｂページにより配信されることを示している。上記配信条件の設定方法については後述する。なお、実際には、ターゲットとなる消費者への販売促進情報を配信するために、消費者ごとのＳＮＳのアカウント、メールアドレス等の配信先情報が取得されている。
　図６を用いて、第一の実施形態における情報配信システムのシステム構成について説明する。　
　図６は、本実施形態における情報配信システムが実行するシミュレーション処理フロー１０００（図１）を実行するための機能的な構成を示す構成図６０００である。本実施形態における情報配信システムは、例えば、パーソナルコンピュータやサーバ等の一般的な情報処理装置により実現され、図３に示した商品情報を入力するための商品情報入力部６１００と、上記マルチエージェントシミュレーションを実行するシミュレーション処理部６２０１と、上記マルチエージェントシミュレーションの実行結果の中から商品情報に適合する結果を選択するとともに上記販売促進情報の配信条件を生成する選択処理部６２０２とを有したシミュレーション部６２００と、生成された配信条件を配信する情報配信部６３００と、を備える。以下では、本システムが１つの情報処理装置により構成される場合について説明しているが、複数の情報処理装置により構成されていてもよい。例えば、商品情報の入力が多い場合、マルチエージェントシミュレーションの負荷が高い場合には、これらの機能を他の情報処理装置により実行させてもよい。
　シミュレーション処理部６２０１は、シミュレーション元のデータ６４００を読み取ってマルチエージェントシミュレーションを実行し、例えば、図４に示した販売予測集計結果２２００を出力する。また、シミュレーション処理部６２０１は、例えば、出力した販売予測集計結果２２００と図３に示した入力商品情報１２００とを突き合わせて、販売予測集計結果２２００の中から入力商品情報１２００に最も近い販売予測集計結果２２００を出力する。
　選択処理部６２０２は、商品情報入力部６１００から入力された情報を元にシミュレーションが実行された場合に、図５に示したような販売促進情報を配信するターゲットの選択や情報展開ツールの選択、情報展開タイミングの選択といった販売促進情報の配信条件５０００を生成する。情報配信部６３００は、シミュレーション部６２００で生成された販売促進情報の配信条件５０００に基づいて、選択された情報展開タイミングに選択された情報展開ツールを用いて、選択されたターゲットに対して、各ターゲットが興味を持つ情報や生活状況に合ったタイムリーな販売促進情報を配信する。
　上記構成とすることで、本実施形態における情報配信システムは、入力される商品情報に基づいて最適なツールとタイミングで消費者に対して販売促進情報を展開することができる。
　以下、図４に示した選択適合結果４０００に含まれる販売予測結果の詳細データの生成、図５に示した販売促進情報配信条件の生成について説明する。
　図７は、シミュレーション部６２００がシミュレーションを実行してその結果を配信する際に、選択処理部６２０２が各種情報のモデルを生成するためのモデル生成処理フロー７０００を示す図である。本実施形態における情報配信システムは、例えば、地理情報や気象情報、人口分布などのオープンデータや、ＳＮＳ、アンケート結果、販売履歴情報などの商品に関する様々な情報を蓄積する収集データ用データベース７１００と、収集データ用データベース７１００に蓄積されたデータから特徴量を抽出する特徴量抽出部７２００と、特徴量抽出部７２００で抽出されたデータを元にシミュレーション部６２００で使用するモデルを生成するモデル解析部７３００と、モデル解析部７３００で生成されたモデルを保存しておき、シミュレーション部６２００でモデルを使用する際に参照するモデル記憶部７４００と、を備える。収集データ用データベース７１００、特徴量抽出部７２００、モデル解析部７３００、モデル記憶部７４００は、本システムに含まれていてもよいし、他のシステムにより上記モデルが生成されてもよい。以下では、上記各部は本システムに含まれているものとして説明する。
　図８は、選択処理部６２０２が上記モデルを生成するためのモデル生成処理フロー８０００である。本実施形態における情報配信システムでは、例えば、様々な形式のデータを収集するための情報収集インターフェース部７１１０と、情報収集インターフェース部７１１０で収集された環境データを記憶する環境用データベース７１２０と、同様に収集された生産データを記憶する生産用データベース７１３０と、同様に収集された販売データを記憶する販売用データベース７１４０と、同様に収集された消費者データを記憶する消費者用データベース７１５０と、同様に収集されたＳＮＳデータを記憶するＳＮＳデータ用データベース７１６０と、を有したデータベース群を備える。
　また、特徴量抽出部７２００は、自然文章を含むデータを解析するテキスト解析部７２１０と、数値データや質的データを分析する定量・定性データ分析部７２２０と、テキスト解析や定量・定性データ分析したデータを蓄積する抽出データ用データベース７２３０とを備える。抽出データ用データベース７２３０は、特徴量抽出部７２００が有する内部メモリ等に記憶されている場合について示しているが、モデル記憶部７４００と同様、外部の記憶媒体に記憶させてもよい。
　モデル解析部７３００は、抽出データ用データベース７２３０のデータを用いて生活行動モデル７３１０、購買意欲モデル７３２０、ネットワークモデル７３３０を生成する。モデル記憶部７４００は、生活行動モデル７３１０を保存する生活行動モデル用記憶部７４１０、購買意欲モデル７３２０を保存する購買意欲モデル用記憶部７４２０、ネットワークモデル７３３０を記憶する。
　情報収集インターフェース部７１１０は、本システム外にある上記オープンデータや商品に関する様々な情報を収集し、上記環境データ、生産データ、販売データ、消費者データ、ＳＮＳデータに分類して記憶させる。上記種類としては、例えば、オープンデータとして外部の天気に関するウェブサイトに記憶されている地域ごとの天気情報を収集した場合にはその地域ごとの天気情報であり、上記環境データに格納される。上記環境データには、例えば、店舗の位置を示す地理情報、各地方公共団体が提供する都道府県や市町村の人口分布を含めてもよい。
　同様に、オープンデータとして外部のある商品に関するウェブサイトに記憶されている商品の生産情報を収集した場合にはその製品や商品の生産情報であり、上記生産データに格納される。さらに、オープンデータとして店舗の売上情報（例えば、ＰＯＳシステム（Point Of Sales systemで管理される売上データ）を収集した場合には、その製品や商品の売上情報であり、上記販売データに格納される。
　同様に、オープンデータとして消費者の購入情報（例えば、ショッピングサイトで登録されている会員情報やその会員の購入履歴）を収集した場合には、その製品や商品の購入情報であり、上記消費者データに格納される。さらに、オープンデータとして消費者のＳＮＳ情報（例えば、商品についてのチャットやアンケートの回答であり、どのような天気の日や時間に買い物に出かけるか等）を収集した場合には、その製品や商品のＳＮＳ情報であり、上記ＳＮＳデータに格納される。続いて、特徴量抽出部７２００について説明する。
　特徴量抽出部７２００のテキスト解析部７２１０は、収集データ用データベース７１００に記憶された各種データを読み取り、読み取った各種データをテキスト解析してテキスト分析後の抽出データを出力する。
　図９は、テキスト解析部７２１０が出力する抽出データ（テキスト分析抽出データ）の例を示す図である。テキスト解析部７２１０は、テキスト分析抽出データを、収集された各種データに含まれるワードについて、自然文章の解析技術（例えば、ＴＦ－ＩＤＦ（Term Frequency-Inverse Document Frequency）を用いて重要性を重み付けし、重み付けした値をそのワードの出現頻度とする。テキスト解析部７２１０は、図９に示すように、上記ワードとその出現頻度とを対応付け、出現頻度の値の大きい順に順位づけた上記テキスト分析抽出データを出力する。出現頻度の値が高いほど（すなわち、１に近いほど）重要なワードであることがわかる。図９では、例えば、２０代の会社員、独身女性については、ワード「ダイエット」の出現頻度の値が０．７９５であり、最も重要なワードであることを示している。テキスト解析部７２１０は、すべての商品について、性別、年代、職業、既婚・未婚の別ごとに、上記のようなテキスト分析抽出データを生成し、出力する。
　特徴量抽出部７２００の定量・定性データ分析部７２２０は、収集データ用データベース７１００に記憶された各種データを読み取り、読み取った各種データを定量的・定性的に分析して定量・定性分析後の抽出データを出力する。
　図１０は、定量・定性データ分析部７２２０が出力する抽出データ（定量・定性分析抽出データ）の例を示す図である。定量・定性データ分析部７２２０は、定量・定性分析抽出データのうち、上記環境データが有する天気情報、上記販売データ、上記消費者データ、上記ＳＮＳデータを参照し、天気ごとに買い物に出かける人の数の比率や、店舗ごと商品ごとに、月ごとの入荷量に対する販売量の比率の推移を出力する。図１０では、天気が晴れの場合には買い物に出かける人が多く、天気が雨の場合には買い物に出かける人と買い物に出かけない人がほぼ同じであり、天気が雪の場合には買い物に出かけない人が多いことがわかる。また、ある商品（例えば、農産物のトマト）について、ある店舗における毎月の入荷量に対する販売量の割合は、第二四半期、第三四半期にやや落ち込んでいることがわかる。定量・定性データ分析部７２２０は、上記各種データを読み取り、消費者がどのような天気のときに買い物に出かけるのかといった購買行動や、店舗ごと商品ごとの上記販売量の割合を分析し、その結果を定量・定性分析抽出データとして出力する。このように、抽出データ７２３０には、テキスト分析抽出データと定量・定性分析抽出データとが含まれる。続いて、モデル解析部７３００について説明する。
　モデル解析部７３００は、上記抽出データ７２３０を参照し、消費者の生活行動モデル、購買意欲モデル、ネットワークモデルを生成する。
　モデル解析部７３００の生活行動モデル生成部７３１０は、上記のような抽出データを参照し、エージェントの今現在の状態が、周辺環境の条件(例えば、天気等の気候条件、時間帯、平日/休日などのカレンダー情報)によって、次に取りうる状態への遷移確率を算出し、その値を生活行動モデルに記憶する。遷移確率自体は、上記抽出データやその元となる上記収集データを元にベイジアンネットワークや決定木などを用いて構築することができる。
　図１１は、生活行動モデル生成部７３１０が構築する生活行動モデルの例を示す図である。図１１に示すように、生活行動モデルは、エージェントである消費者の現在の状態と次の状態とのパターンと、上記周辺環境の条件である気候条件、時間帯、平日／休日の別とが対応付けて記憶され、さらにこれらの遷移確率が対応付けて記憶されている。図１１では、２０代の会社員、独身女性の消費者を対象として、例えば、ある晴れの平日の午前３時から６時の間は、ある時点（例えば、午前４時）において寝ている場合には、次の時点（例えば、午前５時）でも寝ている人の確率は８７％であることを示している。つまり、平日の午前３時から６時の間は、２０代の会社員、独身女性の８７％が寝ているため、この時間帯に販売促進情報を配信してもすぐに読まれず即効性がないことがわかる。生活行動モデル生成部７３１０は、このように生活行動モデルを、すべての商品について、性別、年代、職業、既婚・未婚の別ごとに出力する。
　モデル解析部７３００の購買意欲モデル生成部７３２０は、上記のような抽出データを参照し、エージェントの今現在の購買意欲の程度を示す状態が、エージェントが今行っている行動や平日/休日などのカレンダー情報や商品に関する情報の入手(提供)方法を示す情報源等の購買条件によって、次に取りうる購買意欲の状態への遷移確率を算出し、その値を購買意欲モデルに記憶する。遷移確率自体は、上記抽出データやその元となる上記収集データのうちアンケートや店頭での聞き込み結果などの統計データであるＳＮＳデータを参照してベイジアンネットワークや決定木などを用いて構築することができる。
　図１２は、購買意欲モデル生成部７３２０が構築する購買意欲モデルの例を示す図である。図１２に示すように、購買意欲モデルは、エージェントである消費者の現在の購買意欲の状態と次の購買意欲の状態とのパターンと、上記購買条件とが対応付けて記憶され、さらにこれらの遷移確率が対応付けて記憶されている。図１２では、２０代の会社員、独身女性の消費者を対象として、例えば、ある商品について、平日にテレビでその商品に関する情報（例えば、コマーシャル）を提供した場合、現在の購買意欲の状態（その商品を知らない状態）から次の購買意欲の状態（その商品を知らない状態）、つまりその商品のことが知られない確率は７３％であることを示している。すなわち、平日にその商品の情報をコマーシャルで放映した場合でも、２０代の会社員、独身女性の７３％にはその商品に関する情報が伝わらないことがわかる。購買意欲モデル生成部７３２０は、このように購買意欲モデルを、すべての商品について、性別、年代、職業、既婚・未婚の別ごと、に出力する。
　モデル解析部７３００のネットワークモデル生成部７３３０は、上記のような抽出データを参照し、様々な情報のやり取りを行う先(友人やフォロワーなど)の数を年代・性別別の「平均所有ノード数」とし、情報発信ツールごとの一日あたりの情報発信頻度(情報発信回数)を集計し、その値をネットワークモデルに記憶する。ノード数や発信頻度は、上記抽出データやその元となる上記収集データのうちアンケートや店頭での聞き込み結果などの統計データであるＳＮＳデータを参照して集計することができる。
　図１３は、ネットワークモデル生成部７３３０が構築するネットワークモデルの例を示す図である。図１３に示すように、ネットワークモデルは、エージェントである消費者の年代および性別と、その消費者の上記平均所有ノード数と、そのノードとの間で情報をやり取りするツールと、その情報の発信頻度とが対応付けて記憶されている。図１３では、１０代の男性は、ＳＮＳを用いて情報をやり取りする相手が平均して３２人存在し、情報の発信頻度は１日あたり３１件であることを示している。ネットワークモデル生成部７３３０は、このようにネットワークモデルを、性別、年代ごと、に出力する。図１３で特に示していないが、図１１、１２の場合と同様、さらに、職業、既婚・未婚の別に分類して出力してもよい。なお、図１３中、「口コミ」は、実際に顔を合わせた会話などを介して情報のやり取りを行うことを示している。
　また、生活行動モデル生成部７３１０は、上記生活行動モデルを生成する際に、上記抽出データやその元となる上記収集データのうちアンケートや店頭での聞き込み結果などの統計データであるＳＮＳデータを参照し、例えば、２０代独身女性で会社勤めをしている人を対象とした一日の行動の種類と、各種類の行動についての全体における割合を示す統計データを生活行動パターンとして構築する。
　図１４は、生活行動モデル生成部７３１０が構築する生活行動パターンの例を示す図である。図１４に示すように、２０代独身女性で会社勤めをしている人の生活行動パターンは、午前０時の時点では睡眠をとっている人の割合が高い一方、１２時から１８時の間は仕事をしている人の割合が高いことを示している。また、終電前の午前０時の時点では、外出や帰宅のために移動している人の割合が高く、出勤時間帯となる６時から９時ごろも、出勤のために移動している人の割合が他の時間帯と比べて高くなっていることがわかる。生活行動モデル生成部７３１０は、このように生活行動パターンを、性別、年代、職業、既婚・未婚の別ごとカレンダーごとに出力する。
　このように、シミュレーション処理部６２０１が、シミュレーション元のデータを参照して、商品情報入力部６１００から入力された商品情報を拘束条件としてマルチエージェントシミュレーションを実行することにより、その商品情報により示される商品について、内容量および販売場所ごとに、販売個数とその個数分の販売に必要となる販売日数を算出し、上記シミュレーションの結果を取得し、その中から上記拘束条件に最も近いシミュレーション結果を出力し、選択処理部６２０２は、オープンデータを収集し、シミュレーションされた商品ごとに、消費者に関する情報（生活行動、購買意欲、ネットワーク）をモデル化したモデルデータから、購入者男女比率、購入者年齢比率、購入者商品情報入手ツール比率等の内訳情報である詳細データを生成し、上記シミュレーション結果に対応付けて選択適合結果として出力する。さらに、選択処理部６２０２は、上記モデルデータから消費者の生活行動パターンを出力し、そのパターンと上記モデルデータを参照して、どのようなタイミングで、どのようなツールを用いて、どのような年代をターゲットとして、シミュレーションした入力商品情報３０００の条件に最も近い結果２２０１を、その商品の販売促進情報として配信すればよいのかを判定し、図５のような配信条件として設定する。情報配信部６３００は、設定された配信条件にしたがって、上記販売促進情報を配信する。
　したがって、本システムによれば、消費者に商品の購入を促すための効果的な販売促進情報の配信が可能となる。例えば、商品が持つ販売期限内での購入を促すための効果的な販売促進情報を配信することができる。さらには、上記のようなタイミングで販売促進情報を配信することにより、ターゲットとなる消費者の商品に対する認知度や購買意欲を向上させるとともに、更に会員登録等をしている直接的なターゲットとなる消費者だけでなく、その先の潜在的な間接的なターゲットとなる消費者に対しても商品の販売促進情報を展開することができ、商品の販売期限内での購入を促す効果を期待できる。
　実施例１では、マルチエージェントシミュレーションを実行して商品の販売についてのシミュレーションの結果と消費者に関する情報をモデル化したモデルデータとを対応付けて選択適合結果として出力し、消費者の生活行動パターンと上記モデルデータを参照して、販売促進情報の配信条件を設定し、上記販売促進情報を配信した。このようなシミュレーションやモデル化は、精度を上げるために、常に最新のデータに基づいて行われることが望ましい。以下では、図１５を用いて、本発明の第二の実施形態における情報配信システムが実行するシミュレーション結果学習処理の概要について説明する。
　図１５は、シミュレーション部６２００で得られたシミュレーション結果と商品情報入力部６１００で入力された条件の組合せの機械学習を行うシミュレーション結果学習処理構成図９０００である。本システムでは、例えば、シミュレーション処理部６２０１が、シミュレーションした結果（例えば、図４に示した選択適合結果）や選択処理部６２０２がモデル化やパターン化した結果（例えば、図１１～１４に示した各モデルやパターン）を、図５に示した配信条件に対応付けて、都度データベース等の記憶部に記憶して蓄積しておく。機械学習部９１００は、蓄積されたこれらの結果を参照し、新たに入力された商品情報とその時の周辺環境の条件に基づいて得られたシミュレーション結果に類似する組合せを、上記結果の中から選択する。また、機械学習部９１００は、例えば、新たに商品情報入力部６１００に商品情報が入力された際に過去のシミュレーション結果を用いて学習した結果から、類似する販売促進情報の配信条件を算出し、シミュレーションを行った際に得られた複数の結果の中から、商品情報入力部６１００に入力される商品情報と適合する販売促進情報の配信条件を算出する。
　これまで説明したような構成とすることで、本システムでは、上記シミュレーションを行う際に、過去に記憶されている上記モデルやパターンに基づいて販売促進情報の配信条件を算出するため、あらためて上記モデルやパターンを生成する必要がなくなるため、より速やかに上記販売促進情報を配信することができる。
　以上のように本システムを構成することで、入力された商品情報とその時の気候や季節、生活の状況に応じて情報を展開する消費者のターゲットと情報展開ツール、情報展開タイミングを変えることによって販売促進情報の配信を効果的に実施することが可能となる。
　なお、本システムを構成する上記各部は、実際には、一般的な情報処理装置にインストールされたプログラムを実行することにより、その機能が実現される。また、インストールされたプログラムは、インストール可能な形式又は実行可能な形式のファイルであって、ＵＳＢ（Universal Serial Bus）メモリ等のコンピュータで読み取り可能な記録媒体に記録されて提供されたり、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。
１０００：シミュレーション処理フロー
１１００：販売促進シミュレーション
１２００：商品情報
１３００：販売予測結果選択
１４００：販売促進情報の配信条件生成
２０００：販売予測結果の概念図
２１００：絞込み条件
２２００：販売予測集計結果
２２０１：類似する結果
３０００：入力商品情報の概念図
４０００：販売予測結果の選択適合結果 
４１００：購入者男女比率
４２００：購入者年齢比率
４３００：購入者商品情報入手ツール比率
５０００：配信条件概念図
６０００：リアルタイム処理構成図
６１００：商品情報入力部
６２００：シミュレーション部
６３００：情報配信部
７０００：モデル生成処理全体耕製図
７１００：収集データ用データベース
７１１０：情報収集インターフェース
７１２０：環境用データベース
７１３０：生産用データベース
７１４０：販売用データベース
７１５０：消費者用データベース
７１６０：ＳＮＳデータ用データベース
７２００：特徴量抽出部
７２１０：テキスト解析部
７２２０：定量・定性データ分析部
７２３０：抽出データ用データベース
７３００：モデル解析部
７３１０：生活行動モデル
７３２０：購買意欲モデル
７３３０：ネットワークモデル
７４００：モデル記憶部
７４１０：生活行動モデル用記憶部
７４２０：購買意欲モデル用記憶部
７４３０：ネットワークモデル用記憶部
８０００：モデル生成処理フロー図
９０００：シミュレーション結果学習処理構成図
９１００：機械学習部。

Claims (6)

  1. 　シミュレーションする商品に関する情報の入力を受け付ける入力部と、
    　前記商品についての統計データを用いて前記商品に関する情報を拘束条件としたシミュレーションを実行して１または複数の前記商品についてのシミュレーション結果を取得し、取得したシミュレーション結果の中から前記拘束条件に最も近いシミュレーション結果である販売促進情報を選択するシミュレーション処理部と、
    　所定のモデルデータから、前記商品ごとに、消費者の内訳と前記消費者が前記商品に関する情報を得るためのコミュニケーション方法とを分類した詳細データを生成するとともに前記消費者の生活行動パターンを出力し、前記生活行動パターンに基づいて、前記販売促進情報の配信タイミングと前記商品のターゲットとなる消費者と前記コミュニケーション方法とを含む配信条件を定める選択処理部と、
    　定められた前記配信条件にしたがって前記販売促進情報を配信する配信部と、
    　を備えることを特徴とする販売促進情報展開システム。
  2. 　前記入力部は、前記商品の販売期限と前記商品の種類および数量および価格と、前記商品の販売場所と、前記商品の生産情報および成分情報と、の少なくとも一以上を含む前記拘束条件の入力を受け付ける、
    　ことを特徴とする請求項１に記載の販売促進情報展開システム。
  3. 　前記選択処理部は、オープンデータから収集された収集データをテキスト解析するとともに定量的および定性的に前記収集データを分析して抽出データを生成し、生成した抽出データに基づいて前記シミュレーションされた前記商品の消費者に関する情報をモデル化して前記所定のモデルデータを生成する、
    　ことを特徴とする請求項１に記載の販売促進情報展開システム。
  4. 　シミュレーションする商品に関する情報の入力を受け付け、
    　前記商品についての統計データを用いて前記商品に関する情報を拘束条件としたシミュレーションを実行して１または複数の前記商品についてのシミュレーション結果を取得し、
    　取得したシミュレーション結果の中から前記拘束条件に最も近いシミュレーション結果である販売促進情報を選択し、
    　所定のモデルデータから、前記商品ごとに、消費者の内訳と前記消費者が前記商品に関する情報を得るためのコミュニケーション方法とを分類した詳細データを生成するとともに前記消費者の生活行動パターンを出力し、
    　前記生活行動パターンに基づいて、前記販売促進情報の配信タイミングと前記商品のターゲットとなる消費者と前記コミュニケーション方法とを含む配信条件を定め、
    　定められた前記配信条件にしたがって前記販売促進情報を配信する、
    　ことを特徴とする販売促進情報展開方法。
  5. 　前記入力において、前記商品の販売期限と前記商品の種類および数量および価格と、前記商品の販売場所と、前記商品の生産情報および成分情報と、の少なくとも一以上を含む前記拘束条件の入力を受け付ける、
    　ことを特徴とする請求項４に記載の販売促進情報展開方法。
  6. 　前記選択において、オープンデータから収集された収集データをテキスト解析するとともに定量的および定性的に前記収集データを分析して抽出データを生成し、生成した抽出データに基づいて前記シミュレーションされた前記商品の消費者に関する情報をモデル化して前記所定のモデルデータを生成する、
    　ことを特徴とする請求項４に記載の販売促進情報展開方法。
PCT/JP2015/066536 2015-06-09 2015-06-09 販売促進情報展開システム及び販売促進情報展開方法 WO2016199212A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/066536 WO2016199212A1 (ja) 2015-06-09 2015-06-09 販売促進情報展開システム及び販売促進情報展開方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/066536 WO2016199212A1 (ja) 2015-06-09 2015-06-09 販売促進情報展開システム及び販売促進情報展開方法

Publications (1)

Publication Number Publication Date
WO2016199212A1 true WO2016199212A1 (ja) 2016-12-15

Family

ID=57504732

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/066536 WO2016199212A1 (ja) 2015-06-09 2015-06-09 販売促進情報展開システム及び販売促進情報展開方法

Country Status (1)

Country Link
WO (1) WO2016199212A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597973A (zh) * 2017-09-30 2019-04-09 阿里巴巴集团控股有限公司 一种文案信息的推荐、生成方法和装置
WO2020012976A1 (ja) * 2018-07-10 2020-01-16 ソニー株式会社 情報処理装置、情報処理システム、行動予測方法及びプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005157633A (ja) * 2003-11-25 2005-06-16 Quin Land Co Ltd 情報提供支援装置および情報提供支援方法
US20130110481A1 (en) * 2011-11-02 2013-05-02 ThinkVine Corporation Agent Generation for Agent-Based Modeling Systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005157633A (ja) * 2003-11-25 2005-06-16 Quin Land Co Ltd 情報提供支援装置および情報提供支援方法
US20130110481A1 (en) * 2011-11-02 2013-05-02 ThinkVine Corporation Agent Generation for Agent-Based Modeling Systems

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KOICHI KITANO: "Multi Agent Simulation o Mochiita Promotion Senryaku no Saitekika ni Kansuru Kenkyu", INFORMATION PROCESSING SOCIETY OF JAPAN DAI 73 KAI (HEISEI 23 NEN) ZENKOKU TAIKAI KOEN RONBUNSHU(4, 2 March 2011 (2011-03-02), pages 769 - 770 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597973A (zh) * 2017-09-30 2019-04-09 阿里巴巴集团控股有限公司 一种文案信息的推荐、生成方法和装置
WO2020012976A1 (ja) * 2018-07-10 2020-01-16 ソニー株式会社 情報処理装置、情報処理システム、行動予測方法及びプログラム

Similar Documents

Publication Publication Date Title
Cui et al. The operational value of social media information
Shim et al. CRM strategies for a small-sized online shopping mall based on association rules and sequential patterns
JP5838445B2 (ja) コンバージョン信頼度評価
US20160125456A1 (en) Advertising campaign targeting using contextual data
CN103345512A (zh) 一种基于用户属性的网络广告点击率预测方法和装置
CN101783004A (zh) 快速智能化的商品推荐系统
JP2013073489A (ja) 情報処理装置、情報処理方法、及び、プログラム
Jafari Momtaz et al. A new model for assessment fast food customer behavior case study: An Iranian fast‐food restaurant
JP6679451B2 (ja) 選択装置、選択方法および選択プログラム
JP6837411B2 (ja) 販売促進装置、販売促進方法及び販売促進プログラム
JP5693649B2 (ja) 市場調査・分析システム
JP2012088994A (ja) 広告効果分析システム及びその方法
JP2011164811A (ja) 情報処理装置及び情報処理システム
Calisti et al. Promoting sustainable food consumption: an agent-based model about outcomes of small shop openings
Sung et al. Emerging social movements for sustainability: Understanding and scaling up upcycling in the UK
Niemi et al. Estimating the business potential for operators in a local food supply chain
Köpcke From waste to premium: Consumers perception of value-added surplus products and their willingness to pay
Kita et al. CONSUMER BEHAVIOUR OF SLOVAK HOUSEHOLDS IN THE SPHERE OF ORGANIC FOOD IN THE CONTEXT OF SUSTAINABLE CONSUMPTION.
WO2016199212A1 (ja) 販売促進情報展開システム及び販売促進情報展開方法
Horváth et al. The Impact of Influencers on Consumers’ Purchasing Decisions When Shopping Online
Rabl et al. BigBench Specification V0. 1: BigBench: An Industry Standard Benchmark for Big Data Analytics
Drejerska et al. Social media for interactions with customers within the short food supply chain: the case of the SKIN project
Baidya et al. Allocation of budget on marketing efforts: an econometric approach in India
CN111127072A (zh) 一种新产品需求的多阶段实时预测方法
Fazlollahtabar Intelligent marketing decision model based on customer behavior using integrated possibility theory and K-means algorithm

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15894897

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15894897

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP