WO2017090175A1 - 検証支援システム及び方法 - Google Patents

検証支援システム及び方法 Download PDF

Info

Publication number
WO2017090175A1
WO2017090175A1 PCT/JP2015/083363 JP2015083363W WO2017090175A1 WO 2017090175 A1 WO2017090175 A1 WO 2017090175A1 JP 2015083363 W JP2015083363 W JP 2015083363W WO 2017090175 A1 WO2017090175 A1 WO 2017090175A1
Authority
WO
WIPO (PCT)
Prior art keywords
concept
verification support
relationship
data
causal
Prior art date
Application number
PCT/JP2015/083363
Other languages
English (en)
French (fr)
Inventor
真理奈 藤田
敏子 相薗
宏視 荒
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/JP2015/083363 priority Critical patent/WO2017090175A1/ja
Priority to US15/561,431 priority patent/US20180121536A1/en
Priority to JP2017514931A priority patent/JP6360625B2/ja
Publication of WO2017090175A1 publication Critical patent/WO2017090175A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24575—Query processing with adaptation to user needs using context
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results

Definitions

  • the present invention relates to a system and method for supporting business planning and effect verification.
  • the business is automatically improved based on the business execution history.
  • product recommendation service a service that recommends a specific product to a customer
  • a data analysis method such as collaborative filtering (non-patented)
  • collaborative filtering non-patented
  • Patent Document 1 describes a system that presents related words to support the user's ideas by utilizing a technique for estimating upper / lower / sibling relationships and irrelevance between words. This technique is a technique for estimating the relationship of meaning in text. However, there are cases where the concept generated to interpret the result of the work is similar in meaning but shows different contents. In the method described in Patent Document 1, the similarity between concepts is estimated. Can't do it. In other words, instead of mere word semantic analysis, there is a method for grasping the degree of overlap between entities pointed to by each concept (for example, a consumer group if it is a concept related to consumers, or a real product group if it is a concept related to products). I need it.
  • the inventor finds the problems as described above, and proposes a mechanism for integrating the causal relationship model among a plurality of concepts in which the concepts are defined in arbitrary words.
  • the present invention adopts, for example, the configurations described in the claims.
  • the present specification includes a plurality of means for solving the above-mentioned problems.
  • the database is searched based on the name of the concept defined by an arbitrary word and linked to the concept.
  • the ratio of a concept linked to another concept can be obtained.
  • FIG. 1 is a diagram illustrating an overall configuration of a business plan / effect verification support system according to a first embodiment.
  • the figure which shows the example of concept provision result data.
  • Example 1 In the present embodiment, a function for generating a causal model for predicting a measure effect from actual business history data (actual purchase history, etc.) based on qualitative knowledge input from a business person in charge, Business plan / effect verification support system that has the function of accepting the addition of a factor expressed by an arbitrary concept name and the function of evaluating the relationship between various factors assumed by the person in charge based on the execution history data (Hereinafter referred to as “support system” or “system”).
  • the support system is used for planning and verifying measures for consumer services in retail operations.
  • the support system of a present Example includes the function which produces
  • consumption behavior include purchase behavior, store visit behavior, and coupon distribution application browsing behavior.
  • the support system is based on purchase history data for “purchase behavior”, based on store visit history data for “visit store behavior”, and “app browse history data for“ coupon delivery app browse behavior ”.
  • the quantitative effects of factors defined by the input of business personnel on each behavior are estimated, that is, the support system can determine the causal relationship at the qualitative concept level based on the knowledge of the business personnel input. Expressed as a quantitative model on the data.
  • FIG. 1 shows the configuration of the support system 1 according to the first embodiment.
  • the support system 1 includes a terminal 100 and a central server 101 operated by a business person in charge.
  • the terminal 100 and the central server 101 have a basic configuration of a computer (CPU, RAM, ROM, hard disk device, etc.).
  • information input / output to / from the central server 101 is shown in association with the terminal 100.
  • An operation screen is used to input and output information.
  • the operation screen includes a concept definition screen, a causal relationship hypothesis generation screen, an abstract relationship hypothesis generation screen, an analysis screen, a measure parameter design screen, and a measure evaluation screen.
  • the support system 1 supports the operations of the person in charge of business (for example, understanding of customer needs / analysis for studying policy parameters, policy planning, evaluation / improvement of implementation results) through these operation screens.
  • the central server 101 realizes various functions and screens shown in FIG. 1 through execution of programs by a computer.
  • the various operation screens described above are displayed on the display screen of the screen display of the central server 101.
  • each operation screen is represented as an independent display.
  • the concept definition screen display 121, the causal relationship hypothesis generation screen display 122, and the abstract relationship hypothesis generation screen display 123 are information used for generating models (for example, concept design initial information 102, concept Are used to input the causal relationship hypothesis information 104 between them and the abstract relationship hypothesis information 105) between concepts and to output the concept integration / division causal relationship update plan 103.
  • the model generator 109 includes a concept definition unit 110, a causal relationship estimation / concept update unit 111, and an abstract relationship estimation unit 112, and is based on qualitative knowledge (knowledge regarding consumers / consumption behavior) of business personnel. Generate data models for relations and abstract relations.
  • the model generator 109 generates causal / abstract relationship data model information 113 (concept addition result data 114, causal relationship table 115, abstract relationship matrix 116) as its output.
  • the central server 101 also has a screen display (analysis screen display 124, measure parameter design screen display 125, measure evaluation screen display 126) used for grasping consumer behavior and supporting study of measures. Based on the input through these indicators, the measure effect prediction model builder 118 constructs a prediction model of the effect of various factors on the consumer when the measure is implemented, and outputs it as a measure ID ⁇ model ID table 119. To do.
  • the model evaluation / updater 120 creates a screen for supporting Check & Action after the implementation of the policy with reference to the policy ID ⁇ model ID table 119 and displays it on the policy evaluation screen display 126.
  • the model evaluator / updater 120 compares the consumer behavior prediction model that has been constructed in advance with actual behavior history data and evaluates the model. Further, the model evaluation / update unit 120 updates the model to reflect the actual data, and updates the data model information 113 of the causal / abstract relationship.
  • the business data storage 131 (ID-POS 132, customer information 133, product master 134, measure implementation history 135) includes business history data used by the model generator 109, the measure effect prediction model builder 118, and the model evaluation / update unit 120. Is stored.
  • the central server 101 uses the measure item information table 117 and accepts input of new measure parameters.
  • the analysis condition 106, measure information 107, and the causal / abstract relationship feature (hypothesis) list 108 between concepts will be described later.
  • FIG. 2 shows an example of the concept definition screen 201 used for receiving the concept design initial information 102.
  • the concept definition screen 201 is a screen for accepting input information to the concept definition unit 110.
  • the definition is made by associating the concept of an arbitrary name with the data on the actual business history data. The actual association is executed by the concept definition unit 110.
  • the concept definition screen 201 has as input items correspondence data 202 that indicates the type of concept, a concept name 208, and a definition condition 210 that specifies an initial association method between the concept and the data.
  • correspondence data 202 indicates the type of concept
  • concept name 208 indicates the type of concept
  • definition condition 210 specifies an initial association method between the concept and the data.
  • Concepts that are factors of the consumer behavior model include a concept related to consumers, a concept related to merchandise, and the like, and each is expressed as a set of actual consumers and merchandise.
  • the concept definition unit 110 determines the correspondence between each concept and the data among the actual data that can be expressed by the concept input in the input field 209 of the concept name 208. For example, the concept of “high school girl” can be expressed by a set of consumers. Therefore, the concept definition unit 110 extracts a consumer ID of a high school girl from the actual consumer ID list, and outputs the correspondence as concept assignment result data 114. An example of the concept assignment result data 114 will be described later.
  • a consumer 203, a product 204, a time 205, and a region 206 are prepared as selection items corresponding to the correspondence data 202.
  • the business person in charge uses these selection items to select which data set is the concept to be defined.
  • the selection items are not limited to these. For example, a concept related to external factors such as weather may be considered. Accordingly, external factors and the like may be added to the options of the corresponding data 202.
  • the concept definition screen 201 of the present embodiment displays an example in the case of defining a consumer-related concept.
  • “high school girl” is entered in the input field 209 of the concept name 208.
  • the definition condition 210 is used to select a method for extracting a correspondence relationship with actual data.
  • “execute value segmentation” 211, “use existing concept” 212, “manual addition” 213, and “read file” 214 are prepared as selection items.
  • the method of associating concepts with actual data is not limited to this.
  • “use existing concept” 212 is selected, and as detailed condition 215, by extracting consumers included in both “female” 216 and “high school student” 217 which are existing concepts, Correspondence with data is instructed.
  • a concept is linked to a group of consumers (value segments) that will have the same values.
  • a method for generating a value segment includes a method using a purchase history. In the method using the purchase history, a consumer group that purchases a product with a high probability of being purchased by a consumer group having the same values at a high frequency is regarded as a consumer group of a segment related to the target value.
  • “manual addition” 213 it is common to realize consumer segmentation according to the number of value segment flags assigned to the product. However, as will be described later, highly accurate segmentation may be performed by updating the consumer group and the corresponding product group, and estimating the causal relationship between the consumer and the product.
  • the person in charge of the operation determines the input content by operating the determination button 207 in the figure, the concept of the input concept name 208 is associated with the actual data based on the input concept definition information.
  • FIG. 3 shows an example of the concept assignment result data 114.
  • the concept assignment result data 114 includes a column 301 relating to a consumer ID and a concept column 302 relating to a consumer.
  • the concept regarding consumers is further composed of a healthy type 303, a vegetable lover 304, a housewife 305, and the like.
  • the concept assignment result data 114 is configured in a matrix format and indicates a correspondence relationship between each consumer-related concept and the consumer ID.
  • a column 306 shows the correspondence between the consumer specified by “AAAAA0001” and the healthy type 303.
  • a column 307 indicates a correspondence relationship between the consumer specified by “AAAAA0001” and the vegetable enthusiast 304.
  • the column is “1”, “AAAAA0001” indicates that the consumer belongs to the vegetable enthusiast 304.
  • Concepts related to the same correspondence data are displayed on the same matrix, and concepts of correspondence data with different concepts relating to products are described on the matrix for the correspondence data.
  • FIG. 4 shows an example of the causal relationship hypothesis input screen 401 used for receiving the causal relationship hypothesis information 104 between concepts.
  • the causal relationship hypothesis information 104 between concepts is information about factors and influence types that affect consumer consumption behavior.
  • On the causal relationship hypothesis input screen 401 it is possible to input a relationship between a concept related to an arbitrary consumer and an arbitrary factor that can affect a consumer group belonging to the concept.
  • the causal relationship may be input by the person in charge of business via the causal relationship hypothesis input screen 401, but “consumer”, “product”, “region”, “time zone” defined on the screen definition screen 201 (FIG. 2).
  • the causal relationship estimated from a concept such as “” may be input.
  • target consumers 402, conditions 403, measures 404, and actions 405 are arranged as input items for generating a causal hypothesis.
  • the action 405 is a hypothesis that the visit to the target consumer 406, purchase 407, and coupon browsing 408 is promoted or suppressed by the influence of “specific conditions such as products / regions” and “measure execution contents”. Used for input.
  • the hypothesis input button 417 the input information is described in the causal relationship table 115.
  • the causal hypothesis is that female consumers are less likely to visit the store on rainy days (compared to non-rainy days). By having information about what the actual relationship is a tendency compared to, such as “it is difficult to do”, it is possible to tackle more hypotheses on the causal model. For example, more causal relationships may be modeled by adopting methods such as “add conditions that are not to be compared to the preconditions” and “select options for whether to be compared in each condition”.
  • a display unit 409 of “causal model of consumer behavior regarding purchase” is also arranged.
  • the display unit 409 describes a causal model related to the estimated consumer purchase.
  • the causal model includes a consumer concept column 410, an action column 411, a condition concept column 412, an original data column 413, an analysis period column 414, a model generation task column 415, and an index type / index value column 416.
  • a column 411 describes consumption behavior affected by purchase / visit to the store.
  • the corresponding data type and the concept name are described as a set such that the condition concept that affects the product is (product, healthy product).
  • Column 414 describes the analysis period.
  • a column 415 describes information representing the business content when each causal relationship is recorded in the system.
  • information on the index type and its value that is the reason for determining that there is a causal relationship is described.
  • the causal model that “housewives are easy to purchase healthy products” is quantitatively expressed as “the ratio of the purchase rate is 2.6 ⁇ 0.3 between the consumer group other than housewives and the consumer group of housewives. Means "double". This value may be a value calculated based on input information, or an expected value manually input.
  • a causal model may be configured based not only on the purchase ratio (the ratio of purchase ratio among consumer groups) but also on other indicators such as the purchase ratio at the time of visit (probability of purchasing when visiting the store). A plurality of indicators that can be the basis for this may be recorded.
  • a causal relationship hypothesis is manually accepted, but the causal relationship may be automatically estimated using data and conceptual information defined in the past. For example, a purchase rate between concepts may be calculated, and based on the calculated value, it may be estimated that “a causal relationship exists between a consumer concept with a high purchase rate and a product concept”. Also, in order to build a more accurate causal model without recording the input hypothesis as a causal relationship, the causal relationship between the input concept and actual data is evaluated, and the concept and actual data are The update of the association and the update of the causal relationship may be performed.
  • FIG. 5 shows a method for associating the concept of the consumer / product with the actual data and updating the causal relationship between the concepts based on the value segmentation.
  • a concept defined as a data group including some kind of causal relationship, for example, “a group of consumers who like cosmetics”, but the process shown in FIG. Update the causal relationship between concepts and (2) the correspondence between concepts and data.
  • the causal relationship is updated without updating the correspondence between the concept and the data. Proposals may be made for new concepts that may become possible.
  • the causal relationship estimation / concept update unit 111 acquires consumer concept and corresponding data, merchandise concept and corresponding data, and input information on the causal relationship between the consumer concept and the merchandise concept.
  • the causal relationship estimation / concept update unit 111 acquires a product purchase price vector of each customer from the POS data 132 with personal ID.
  • the product purchase value vector of each customer a vector expressing 1/0 of the customer's purchase experience with respect to each product can be considered.
  • the vector regarding the number of purchases, the purchase ratio, etc. may be used.
  • the causal relationship estimation / concept update unit 111 extracts consumers that are not linked to the consumer concept corresponding to each product node, and further calculates the average purchase value of the extracted consumer group. Calculate the standard purchase price of the product.
  • the reference purchase value of the product may be other than the calculation result as described above. If a general purchase price for a certain product is obtained from conventional knowledge, it may be adopted.
  • the causal relationship estimation / concept update unit 111 calculates the average value of the consumer's purchase price for all products for the consumer group associated with the consumer concept.
  • the causal relationship estimation / concept update unit 111 compares the reference purchase price of each product with the average value of the purchase values of the consumers of the corresponding consumer group, and calculates the product purchase degree. For example, the ratio of the average value of the consumer's purchase value to the reference purchase value may be calculated, and this may be used as the degree of product purchase, or statistics between the reference purchase value population and the average purchase value population And the probability that they are not the same may be calculated.
  • step S ⁇ b> 506 the causal relationship estimation / concept update unit 111 extracts an appealing product as an appealing product that is easy to purchase for a corresponding consumer group for a product with a high degree of product purchase. For example, it may be difficult to purchase a product with a low product purchase degree, and a non-appealing product may be similarly defined.
  • three items of “easy to purchase”, “average”, and “difficult to purchase” are set, the attribution probability to each item is calculated, and the relationship between the consumer concept and the product is expressed as a continuous value vector. It may be expressed.
  • step S507 the causal relationship estimation / concept update unit 111 sets the ratio of the appealing product to a certain consumer concept in the commodity group corresponding to each commodity concept as the appeal degree between the consumer concept and the commodity concept. calculate.
  • step S507 can be said to be a step of estimating the degree of causal relationship based on the data between the consumer concept and the product concept when the product is classified by whether or not it is an appealing product (1/0).
  • step S508 the causal relationship estimation / concept update unit 111 compares the input information of the causal relationship between the consumer concept and the product concept with the appeal level between the focused consumer concept and the product attribute, and the difference To extract.
  • the causal relationship estimation / concept update unit 111 updates (addition / deletion) between the focused consumer concept and the product concept, or the product concept and the product, depending on the size of the extracted difference. Extract abstracts of abstract relations between groups.
  • a uniform threshold may be set for the difference, and if a causal relationship exists between the consumer concept of interest and a plurality of product concepts, data and input information on the causal relationship with other product concepts
  • a threshold value for whether or not to update may be determined based on the difference between the two.
  • step S510 the causal relationship estimation / concept update unit 111 displays an update plan on the screen and accepts an input of an update instruction from a person in charge of business. However, the execution of this step may be skipped and the update may be performed automatically without accepting input from the person in charge of business.
  • step S511 the causal relationship estimation / concept update unit 111 updates (1) the causal relationship between the consumer concept and the product concept, and (2) the correspondence between the product and the product group, based on the update instruction information. Then, a consumer group for the consumer concept according to the new causal relationship structure is extracted. That is, by the process shown in FIG. 5, it is possible to estimate (1) a causal relationship appropriately reflecting data and (2) a correspondence between a concept and data.
  • FIG. 5 it is possible to estimate (1) a causal relationship appropriately reflecting data and (2) a correspondence between a concept and data.
  • an integrated model is constructed and a built-in integrated model is further utilized by linking the analysis technique shown in FIG. 5 and the modeling technique related to the abstract relationship between concepts described in FIGS. 6 and 7.
  • the model is evaluated after implementing the measures.
  • FIG. 4 there are a plurality of causal models between factors that affect consumer behavior and the consumer concept. Since each consumer's behavior is affected by multiple causal models at the same time, it is necessary to link these multiple causal models and perform comprehensive impact predictions when predicting the effects of actual measures. is there.
  • the abstract relationship between concepts is estimated based on the degree of duplication of data sets constituting each concept, and cooperation between causal models on actual data is realized.
  • FIG. 6 shows an image of an abstract relationship between a plurality of concepts on the consumer space 604.
  • the abstract relationship between concepts is a relationship that exists only between concepts of the same data type because it is estimated based on the degree of duplication of data sets.
  • some of the consumers belonging to “Consumer Concept A” 602 belong to “Consumer Concept B” 603, while all of the consumers belonging to “Consumer Concept B” belong to “Consumer Concept A”.
  • FIG. 7 shows the abstract relationship estimation processing procedure.
  • FIG. 7 shows a procedure for accepting concept type information (for example, a concept related to a consumer) to be estimated in advance and estimating an abstract relationship between concepts related to the type.
  • concept type information for example, a concept related to a consumer
  • the abstract relationship estimation unit 112 receives input of concept type information for estimating an abstract relationship, and extracts a list M of all concepts of the same type.
  • the abstract relationship estimation unit 112 estimates and records an abstract relationship with each concept in the concept list M for each concept in the concept list M.
  • step S702 the abstract relationship estimation unit 112 extracts data belonging to the m1th concept m1 for each concept in the concept list M from the concept assignment result data 114.
  • step S703 the abstract relationship estimation unit 112 extracts data belonging to the m2th concept m2 in the concept list M from the concept assignment result data 114.
  • step 704 the abstract relationship estimation unit 112 calculates the number of data common to the concepts m1 and m2 (the number of common data), and calculates the recall rate s and the relevance rate t of the concept m1 based on these numbers. .
  • the recall rate s and the relevance rate t are examples of values indicating a “ratio where a certain concept is tied to another concept”.
  • the precision t is the ratio of the number of common data in the number of data of one concept (for example, concept m1)
  • the recall ratio s is the ratio of the number of common data in the number of data of the other concept (for example, concept m2). is there.
  • step S705 the abstract relationship estimation unit 112 determines whether the relationship between the concept m1 and the concept m2 is higher / lower / equivalent / irrelevant based on the precision t and the threshold ⁇ 0 and the recall s and the threshold ⁇ 1. It is determined whether it is.
  • the threshold value ⁇ 0 and the threshold value ⁇ 1 may be arbitrarily determined. For example, if both the precision t and the recall s exceed the threshold, it is determined to be “equivalent”, and if only the precision t exceeds the threshold, the concept m1 is determined to be “higher” and reproduced. When only the rate s exceeds the threshold, it is determined that the concept m1 is “lower”.
  • step S706 the abstract relationship estimation unit 112 inputs the recall ratio s between the concepts m1 and m2 and the higher / lower / equivalent / irrelevant abstract relationship information to the abstract relationship matrix.
  • the processing procedure shown in FIG. 7 estimates the abstract relationship between concepts by brute force. However, this method may have a large amount of calculation when the number of concepts is large. On the other hand, if the following rules are used, the abstract relation can be estimated without performing brute force, and the calculation time can be reduced. For example, if the concept m2 is a subordinate concept of the concept m1, the rule that the subordinate concept of the concept m2 is considered to be a subordinate concept of the concept m1, and if the concept m2 is a superordinate concept of the concept m1, the superordinate concept of the concept m2 is a concept. A rule that is considered to be a superordinate concept of m1 is used.
  • FIG. 8 shows an example of the measure parameter design screen 801.
  • the measure parameter design screen 801 is used when inputting specific parameters of a service measure to be provided.
  • a name indicating the content of the measure being planned is input.
  • “Tama district promotion coupon distribution” service is input.
  • Under the measure name 802, an input field for related basic conditions is arranged.
  • a measure period is input at time 803, a measure target consumer is input to the consumer 804, a measure target product is input to the product 805, and a region is input to the region 806.
  • the target consumer is a visitor at the time of implementing the measure and cannot be set in advance.
  • the measure parameter design screen 801 also has an input field for detailed conditions.
  • a first input field 808 and a second input field 813 are prepared.
  • Information such as a coupon distribution target consumer 809, a product 810, a coupon distribution time 811, a point grant rate 812, and the like are input to the first input field 808. Similar information is also input to the second input field 813.
  • the first input field 808 and the second input field 813 conditions for different target persons and products are input.
  • the measure confirmation button 814 is a button for recording measure information after inputting the measure parameters.
  • a parameter input method can be selected.
  • an analysis screen 901 (FIG. 9) is opened. In this case, a parameter that seems to be highly effective can be selected based on the analysis result.
  • the concept definition screen 201 opens. In this case, it is possible to input a new concept regarding the region.
  • the analysis screen 901 will be described later.
  • the “add measure parameter” button 815 is a button for changing the parameter itself controlled by the measure. For example, conditions such as coupon design and presence / absence of photo display can be added to the coupon distribution conditions. For example, in order to distribute coupons for young people, when additional services such as distributing stamps for message applications are implemented, or when the distribution coupon design is devised, parameters can be added as variable items in the measures. Therefore, it is possible to construct a consumer behavior model that takes into account the effects of these new parameters. In the case of a new parameter for which there is no policy implementation history in the past, data is insufficient, and therefore a certain amount of data accumulation period is required to perform a quantitative impact assessment. Even during a period in which the quantitative value cannot be calculated, displaying a parameter on the measure evaluation screen that can explain the error factor between the prediction and the actual measurement may help qualitative business personnel.
  • the related model list 816 represents a set of causal relationship models and abstract relationship models between factors used as prerequisite knowledge when determining the contents of parameters.
  • a list of causal / abstract relations used when determining the contents of a measure to distribute a “Cafferate” coupon to a 20s office worker “A company employee uses a beverage coupon. "Easy”, “Caching type is easy to buy latte on the way home” causal relationship model for purchasing and coupon use, and "Tama area visitor 20s office workers have many shopping types on the way home” And the model is displayed.
  • Analysis screen Fig. 9 shows the extraction and confirmation of models related to multiple concepts linked to the contents of a certain parameter (causal relationship model, abstract relationship model), and the use of extracted models.
  • An example of an analysis screen 901 to be displayed is shown.
  • the analysis screen 901 is a screen for deeply understanding a customer's consumption behavior model by enabling confirmation of analysis results focusing on various data sources and examining appropriate measure parameters.
  • a search condition input unit 902 used for narrowing down analysis results to be confirmed is arranged.
  • the search condition input unit 902 for example, concepts corresponding to the time 903, the consumer 904, the product 905, the region 906, and the measure item 907 can be input. By inputting these concepts, only analysis data corresponding to data belonging to the input concept can be narrowed down.
  • the analysis screen 901 is displayed by, for example, transition from the measure parameter design screen 801 shown in FIG. 8 and is used for confirming the analysis result and examining the parameters.
  • the display unit 930 describes the contents of the current business phase (specifically studied parameters). In the example of FIG. 9, “parameter study: Tama district promotion coupon distribution> basic condition: region) analysis” is displayed, indicating that the measure region is being studied.
  • a display unit 909 used for confirming the analysis result is arranged.
  • a list of analysis results narrowed down by pressing the analysis result search button 908 is set.
  • a corresponding analysis result 911 and a list of characteristic causal relationships (characteristic causal relationship list) 912 derived from the analysis results are displayed.
  • Table 914 is a list of causal relationships, and a check box 913 is provided for each causal relationship. Since the analysis screen 901 here is an analysis screen for examining the regional parameters, only the causal relationship referring to the concept related to the region in the table 914 is displayed in a state where the check box 913 can be checked. . In the case of FIG. 9, the check box 913 that can be checked is represented in white, and the check box 913 that cannot be checked is filled in black.
  • the add to list button 915 When the add to list button 915 is clicked, a causal relationship whose check box 913 is checked is added to the list.
  • the causal relationship in the first row of table 914 (hypothesis ID is “KS0001”) is a causal relationship related to the area of store A, so that the check box 913 can be checked.
  • the check box 913 since the causal relationships in the second and third rows of Table 914 are both causal relationships relating to factors unrelated to the area, the check box 913 is inactive.
  • the table 914 may display only the causal relationship related to the area.
  • the “add to list” button 915 is a button for displaying the causal relationship that the person in charge of business wants to pay attention to on the examination display section of the measure parameter while confirming the analysis result.
  • the person in charge of business can examine effective measure parameters while comparing a plurality of causal relationships extracted from a plurality of analysis results on the same screen.
  • the analysis screen 901 is provided with a measure parameter review unit 916.
  • the measure parameter review unit 916 includes a causal relationship list display unit 917 that displays a causal relationship list that can be used for parameter review, a parameter candidate display unit 920, and an effect prediction result when a candidate parameter is set.
  • a display unit 926 is included.
  • the display content of the parameter candidate display unit 920 may be input manually or automatically.
  • the automatic input is performed by the following procedure, for example. First, the person in charge of business checks and selects a check box 918 of a causal relationship that is likely to be a parameter determination reason among a plurality of causal relationships displayed in the causal relationship list display unit 917, and selects “parameter from hypothesis”. “Extract” button (extract button) 919 is pressed. Then, the measure effect prediction model builder 118 extracts a concept related to the region from the selected causal relationship, and displays it on the display unit 920 as a parameter candidate.
  • the parameter candidate display unit 920 is accompanied by a display unit 921 that displays a concept that has an abstract relationship with the extracted concept.
  • the table constituting the display unit 921 displays the concept name 922, the relationship 923 with the concept of the parameter candidate of interest, the recall rate 924, and the matching rate 925 as display items.
  • the relationship 923 it is possible to obtain information on a concept that is in an abstract relationship with the extracted concept, and it is possible to grasp another viewpoint for a certain data set.
  • the person in charge of business can set, for example, a related concept as a parameter based on the displayed information, and can confirm an analysis result regarding the related concept. Thereby, the person in charge of business can grasp the tendency of consumer behavior from various viewpoints, and can consider measures.
  • the analysis screen 901 is also provided with a “to concept definition screen” transition button 928 and a “to hypothesis input screen” transition button 929.
  • a “to concept definition screen” transition button 928 For example, when it is desired to define a new concept while checking the analysis result or examining the measure parameter, it is possible to transition to the screen definition screen by operating the “to concept definition screen” button 928.
  • the user can move to the concept definition screen causal relationship hypothesis input screen 401 or the abstract relationship hypothesis generation screen by operating the “to hypothesis input screen” button 929.
  • the “Reflect parameters on design screen” button 927 is clicked, the information on the screen is reflected on the design screen.
  • Figure 10 shows the work procedure of the person in charge of business when designing the measure parameters.
  • the business person in charge selects a parameter item to be determined on the measure parameter design screen 801, and changes the display of the operation screen to the analysis screen 901 (step S1001).
  • the person in charge of business inputs analysis conditions for parameter examination on the analysis screen 901 (step 1002). The input is performed through the search condition input unit 902.
  • the person in charge of business confirms the analysis result 911 and the characteristic causal relationship list 912 displayed on the display unit 909 of the analysis screen 901, and clicks a “to hypothesis input screen” button 929 to add a new causal relationship. Then, a transition is made to the causal relationship hypothesis input screen 401 (step S1003).
  • the person in charge of business clicks the add button on the causal relationship hypothesis input screen 401 and transitions to the concept definition screen 201 (step S1004).
  • the person in charge of the business inputs the concept name and data provision conditions of the concept to be added (step S1005).
  • the decision button 207 on the concept definition screen 201 the screen returns to the causal relationship hypothesis generation screen 401.
  • the person in charge of business clicks the hypothesis input button 417 and inputs a hypothesis of the causal relationship between the added concept and the consumer group (step S1006).
  • the hypothesis input button 417 When the hypothesis input button 417 is clicked, the work screen returns to the analysis screen 901.
  • the business person in charge selects the newly input causal relationship as a hypothesis for parameter examination on the analysis screen 901 (step S1007). This selection is made by checking the check box 918.
  • the person in charge of business extracts a concept related to the parameter under consideration on the analysis screen 901 (step S1009). This confirmation is performed on the display unit 921.
  • the business person in charge confirms the upper / lower concept list on the analysis screen 901 in order to confirm the related concept of the extracted concept (step S1010). Specifically, the relationship 923 of the display unit 921 is seen. Further, the person in charge of business sets the extracted factor as a measure parameter on the analysis screen 901 (step S1011). Specifically, the “Reflect parameters on the design screen” button 927 is clicked.
  • the procedure described above is an example, and the screen transition of the work screen is not limited to this.
  • the display of the work screen in the present embodiment is not restricted to be executed sequentially, and various screen transitions such as starting from the analysis screen 901 or transitioning from the measure parameter design screen 801 to the concept definition screen 201 are possible. Possible patterns.
  • FIG. 11 shows an example of a measure ID ⁇ model ID table 119, which is a measure parameter design result.
  • a measure ID ⁇ model ID table 119 which is a measure parameter design result.
  • the model ID of the relation / abstract relation is linked and recorded. Therefore, the measure ID ⁇ model ID table 119 includes “measure ID” 1101, “parameter type and setting content” 1102, “related model ID” 1103, and “KPI type and index value” 1104.
  • the target value of KPI may be set manually, or the predicted effect value displayed on the effect prediction result display unit 926 may be automatically selected as the target value.
  • FIG. 12 shows an example of the measure evaluation screen 1201. This screen is created and displayed by the model evaluator / updater 120.
  • the measure information display section 1201 displays content information of measure parameters.
  • the “measure implementation result” display section 1202 displays information on the KPI target of the measure and the actual implementation result. With this information, the person in charge of business can confirm the effect of the measure.
  • the display section 1203 of “related consumer model list” displays a list of models of causal / abstract relations associated with corresponding measures.
  • the cause is (1) whether the trend of the model itself is different from the current situation, (2) It is thought that the tendency different from assumption is shown by the causal peculiar to this measure.
  • the trend evaluation of the model itself can be evaluated based on the policy implementation history derived from the consumer model of interest including the current policy and related purchase behavior data.
  • “Model ID 0003: Proposal for correction” 1204 is an example in which the model itself is evaluated and a structure that is more realistic is proposed. Although this case proposes deletion of a causal path, a path addition proposal may be made. For example, the concept of dividing one consumer group called health-oriented into two consumer concepts, beauty pursuit and disease prevention, and conversely, there are two concepts, health-oriented and jogging enthusiasts. In fact, there may be a proposal to integrate them when there is a causal relationship for the same product group. These evaluation / update proposals can be realized using the technique described in FIG.
  • Model ID 0001: Addition of precondition 1205 indicates that the causal relationship of the coupon distribution time to the office worker is different from the assumed model in the measure whose measure target period is “holiday”.
  • a new causal model is proposed by searching for a parameter factor that achieves KPI under the condition that an extracted factor can exist.
  • the measure target period is “holiday”
  • the coupon distribution time is before 10:00, the viewing rate reaches 60% or more of the target.
  • a plurality of business history data such as purchase history for each individual is input, and an arbitrary concept related to a data item of business history, the correspondence between the concept and data belonging to the concept, It is possible to estimate the causal relationship between a plurality of concepts related to different data items, and to estimate the upper / lower / same / irrelevance between the plurality of concepts related to the same data item.
  • the person in charge of work is based on various qualitative work knowledge including his / her own qualitative experience and intuition, and the causal relationship model has a high degree of freedom regarding work results and their factors and is precise with respect to actual data trends.
  • an effective business plan can be studied efficiently based on the generated causal relationship.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • the above-described embodiments have been described in detail for easy understanding of the present invention, and it is not necessary to provide all the configurations described.
  • a part of one embodiment can be replaced with the configuration of another embodiment.
  • the structure of another Example can also be added to the structure of a certain Example.
  • a part of the configuration of another embodiment can be added, deleted, or replaced.
  • the technology described above can be used for business plan planning support and business execution result evaluation by business staff engaged in various business other than retail business. Since the causal / abstract relationship related to the work used as a precondition at the time of business planning by a business person in charge is recorded, it can also be used for consensus building by multiple business persons. In addition, by analyzing the history of the results linked with the measures and the causal / abstract relationship model for each business person, it is possible to evaluate not only the policy evaluation but also the business person who designed the policy. Application to a business training system for business personnel is also possible.
  • each of the above-described configurations, functions, processing units, processing means, and the like may be realized by hardware by designing a part or all of them with, for example, an integrated circuit.
  • Each of the above-described configurations, functions, and the like may be realized by the processor interpreting and executing a program that realizes each function (that is, in software).
  • Information such as programs, tables, and files that realize each function can be stored in a storage device such as a memory, a hard disk, or an SSD (Solid State Drive), or a storage medium such as an IC card, an SD card, or a DVD.
  • Control lines and information lines indicate what is considered necessary for the description, and do not represent all control lines and information lines necessary for the product. In practice, it can be considered that almost all components are connected to each other.
  • Support system business plan / effect verification support system
  • 100 ... terminal, 101 ... Central server, 102 ...
  • Conceptual design initial information 103 ...
  • Concept integration / division causal relationship update plan 104 ... causal relationship hypothesis information between concepts, 105 ...
  • Abstract relation hypothesis information between concepts 106: Analysis conditions, 107... Measure information, 108 ... Cause / abstract relationship feature (hypothesis) list between concepts, 109 ... model generator, 110 ... Concept definition part, 111 ... Causal relationship estimation / concept update part, 112 ... abstract relation estimation unit, 113 ... Cause / abstract relation data model information, 114 ... concept assignment result data, 115 ... Causality table, 116 ... abstract relationship matrix, 117 ...
  • measure item information table 118 ... Measure effect prediction model builder, 119 ... Measure ID ⁇ Model ID table, 120 ... Model evaluation / updater, 121 ... Concept definition screen display, 122 ... causal relationship hypothesis generation screen display, 123 ... abstract relation hypothesis generation screen display, 124: Analysis screen display, 125 ... measure parameter design screen display, 126 ... measure evaluation screen display, 131 ... business data storage 132 ... ID-POS, 133 ... customer information, 134 ... Product master, 135 ... Measure implementation history.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

検証支援システムは、任意の言葉で定義された概念の名称に基づいてデータベースを検索し、前記概念に紐づいている複数の行動履歴データを抽出する第１の演算部と、抽出された前記複数の行動履歴データの間で共通するデータ数を算出することにより、ある概念が他の概念に紐づいている割合を算出する第２の演算部と、前記割合に基づいて前記ある概念と前記他の概念とが上下、同一、無関係のいずれの抽象関係を有するかを決定する第３の演算部とを有する。

Description

検証支援システム及び方法
　本発明は、業務の計画や効果の検証を支援するシステム及び方法に関する。
　業務の円滑な遂行には、業務の実施と並行して効果に影響を与える因子を把握し又は見直し、次回の業務計画の立案につなげることが大切である。ＰＤＣＡ（plan-do-check-act）サイクルが自動化されている業務では、業務の実施履歴に基づいて業務の自動的な改善を実現する。例えば顧客に特定の商品を勧めるサービス（以下「商品レコメンドサービス」という。）においては、可変項目が「商品」と「配信顧客」に限定される場合に、協調フィルタリング等のデータ分析方式（非特許文献１）を適用してＰＤＣＡサイクルを自動化する事例が存在する。
　しかし、業務と業務に影響を与える因子モデルとの関係が明確に規定されていない場合、ＰＤＣＡサイクルの自動化は困難であり、業務計画やその見直しフェーズにおいて、業務担当者による検討や判断が必要とされる。例えば前述した商品レコメンドサービスにおいて可変項目を限定せずにサービス内容を検討しようとすると、顧客行動に影響を与える可能性のある因子が無数になり、ＰＤＣＡサイクルの自動実行は困難になる。
　その一方で、特に小売業のようなサービス企業では、ＰＤＣＡサイクルを回す中で新たな因子を発想して顧客行動モデルを更新することが、多様で変化の激しい顧客ニーズに適したサービスを提供するために求められる。このような背景もあり、現状では、業務担当者の知識、経験等を踏まえた人手による自由度の高いサービスの設計が重要視されている。
特開２００９－３０１４３２号公報
"Amazon.com Recommendations: Item-to-Item Collaborative Filtering", Greg Linden, Brent Smith, Jeremy York, Journal IEEE Internet Computing 7, 1, pp.76-80, 2003.
　業務担当者が手動でＰＤＣＡサイクルを回す場合、業務に影響を与える因子とその実際の影響との関係を定性的に理解する業務担当者が、自身の理解に基づいてサービスの改善案を導出する。この手法は、任意の因子とその影響との関係を検討できるため、自由度が高い利点がある。一方で、この手法には、異なる視点により推定された複数の因果関係の統合的な把握が難しい。なぜなら、業務担当者が理解している因果関係は一面的なものであり、集計単位の違いや着眼するデータ項目の違いによって異なる複数の因果関係モデルが導出され得るためである。例えば消費者の心理的購買要因に着目すると「健康志向の価値観を有する消費者は健康食品を購買しやすい」という傾向が導出され、デモグラフィック単位に着目すると「主婦は低価格商品を購買しやすい」という傾向が導出される。
　特許文献１には、単語間の上下／兄弟関係や無関係を推定する技術を活用してユーザの発想を支援のために関連単語を提示するシステムが記載されている。この技術は、テキスト上の意味の関係を推定するための技術である。しかし、業務の実施結果を解釈するために生成する概念は、意味として類似していても異なる内容を示している場合があり、特許文献１に記載の方式では、概念間の類似度の推定を行うことはできない。すなわち、単なる単語の意味分析ではなく、各概念が指し示す実体（例えば消費者に関する概念であれば、実際の消費者群、商品に関する概念であれば実際の商品群）の重複度合いを把握する方式が必要になる。
　発明者は、上記のような課題を見出し、任意の言葉で概念が定義された複数の概念間で因果関係モデルを統合するための仕組みを提案する。
　上記課題を解決するために、本発明は、例えば特許請求の範囲に記載の構成を採用する。本明細書は上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、「任意の言葉で定義された概念の名称に基づいてデータベースを検索し、前記概念に紐づいている複数の行動履歴データを抽出する第１の演算部と、抽出された前記複数の行動履歴データの間で共通するデータ数を算出することにより、ある概念が他の概念に紐づいている割合を算出する第２の演算部と、前記割合に基づいて前記ある概念と前記他の概念とが上下、同一、無関係のいずれの抽象関係を有するかを決定する第３の演算部とを有する」業務計画／効果検証支援システムがある。
　本発明によれば、任意の言葉で概念が定義された複数の概念間の抽象関係を決定でき、当該抽象関係を通じて複数の因果関係の統合が可能になる。前述した以外の課題、構成及び効果は、以下の実施の形態の説明により明らかにされる。
実施例１に係る業務計画／効果検証支援システムの全体構成を示す図。 概念定義画面の例を示す図。 概念付与結果データの例を示す図。 因果仮説入力画面の例を示す図。 概念とデータとの間を対応付けると共に概念間の因果関係を更新する方法を説明するフローチャート。 概念間の抽象関係のイメージを説明する図。 抽象関係の推定処理手順を説明するフローチャート。 施策パラメータ設計画面の例を示す図。 分析画面の例を示す図。 施策パラメータを設計する際の作業手順例を示すフローチャート。 施策ＩＤ×モデルＩＤテーブルの例を示す図。 施策評価画面の例を示す図。
　以下、図面に基づいて、本発明の実施の形態を説明する。なお、本発明の実施の態様は、後述する実施例に限定されるものではなく、その技術思想の範囲において、種々の変形が可能である。以下では、計画の立案／施策の評価に必要な業務実施結果に与える影響に関する「定性的」な知見に基づいて実業務履歴データをモデリングすることにより「定量的」な業務効果の予測を可能とし又は前記知見に基づく影響モデルの評価を可能とし、業務担当者による業務計画の立案又は改善点の抽出検討を支援するためのシステムについて説明する。
　（１）実施例１
　本実施例では、業務担当者から入力された定性的な知見に基づいて実業務履歴データ（実購買履歴など）から施策効果予測のための因果モデルを生成する機能と、生成した因果モデルに対して任意の概念名称で表現された因子の追加を受け付ける機能と、業務担当者が想定する様々な因子間の関係性を実行動履歴データに基づいて評価する機能を有する業務計画／効果検証支援システム（以下、「支援システム」又は「システム」という。）について説明する。
　以下の説明では、支援システムを、小売業務における消費者向けサービスの施策立案や検証に用いる場合について説明する。消費者向けのサービスでは、消費者の消費行動に関する因果関係を把握し、来店や商品の購買を促進するサービスを提供することが重要である。このため、本実施例の支援システムには、業務担当者の定性的な知見に基づいて消費者の消費行動のデータモデルを生成する機能が含まれている。消費行動には、例えば購買行動、来店行動、クーポン配信アプリ閲覧行動が考えられる。支援システムは、「購買行動」であれば購買履歴データに基づいて、「来店行動」であれば店舗来店履歴データに基づいて、「クーポン配信アプリ閲覧行動」であれば「アプリ閲覧履歴データに基づいて、業務担当者の入力により定義された因子が各行動に与える定量的な影響を推定する。すなわち、支援システムは、入力された業務担当者の知見に基づく定性的な概念レベルの因果関係をデータ上の定量的なモデルとして表現する。
　（１－１）支援システムの全体構成
　図１に、実施例１に係る支援システム１の構成を示す。支援システム１は、業務担当者が操作する端末１００と中央サーバ１０１で構成される。端末１００及び中央サーバ１０１はコンピュータ（ＣＰＵ、ＲＡＭ、ＲＯＭ、ハードディスク装置など）を基本構成とする。図１では、中央サーバ１０１に対して入出力される情報を端末１００に関連付けて表している。情報の入出力には操作画面が用いられる。操作画面には、概念定義画面、因果関係仮説生成画面、抽象関係仮説生成画面、分析画面、施策パラメータ設計画面、施策評価画面などがある。支援システム１は、これらの操作画面を通じ、業務担当者の業務（例えば顧客ニーズの把握／施策パラメータの検討のための分析、施策立案、実施結果の評価／改善）を支援する。
　中央サーバ１０１は、図１に示す各種の機能や画面を、コンピュータによるプログラムの実行を通じて実現する。中央サーバ１０１の画面表示器の表示画面上には、前述した各種の操作画面が表示される。図１では、各操作画面を独立した表示器として表している。図１に示す表示器のうち概念定義画面表示器１２１、因果関係仮説生成画面表示器１２２、抽象関係仮説生成画面表示器１２３は、モデルの生成に使用する情報（例えば概念設計初期情報１０２、概念間の因果関係仮説情報１０４、概念間の抽象関係仮説情報１０５）の入力と概念の統合／分割因果関係の更新案１０３の出力に用いられる。
　モデル生成器１０９は、概念定義部１１０、因果関係推定・概念更新部１１１、抽象関係推定部１１２を有し、業務担当者の定性的な知見（消費者／消費行動に関する知見）に基づいて因果関係と抽象関係のデータモデルを生成する。モデル生成器１０９は、その出力として、因果／抽象関係のデータモデル情報１１３（概念付与結果データ１１４、因果関係テーブル１１５、抽象関係マトリクス１１６）を生成する。
　中央サーバ１０１は、消費者行動の把握及び施策の検討の支援に使用する画面表示器（分析画面表示器１２４、施策パラメータ設計画面表示器１２５、施策評価画面表示器１２６）も有している。施策効果の予測モデル構築器１１８は、これらの表示器を通じた入力に基づいて、施策実施時の様々な因子が消費者に与える影響の予測モデルを構築し、施策ＩＤ×モデルＩＤテーブル１１９として出力する。
　モデル評価・更新器１２０は、施策ＩＤ×モデルＩＤテーブル１１９を参照して施策実施後のCheck＆Actionを支援する画面を作成し、施策評価画面表示器１２６に表示する。モデル評価・更新器１２０は、予め構築していた施策実施時の消費者行動予測モデルと実際の行動履歴データを比較し、モデルの評価を行う。また、モデル評価・更新器１２０は、より実データを反映するようにモデルを更新し、因果／抽象関係のデータモデル情報１１３を更新する。
　業務データストレージ１３１（ＩＤ－ＰＯＳ１３２、顧客情報１３３、商品マスタ１３４、施策実施履歴１３５）には、モデル生成器１０９、施策効果の予測モデル構築器１１８、モデル評価・更新器１２０で用いる業務履歴データが格納される。中央サーバ１０１は、施策項目情報テーブル１１７を用い、新たな施策パラメータの入力も受け付ける。分析条件１０６、施策情報１０７、概念間の因果／抽象関係特徴（仮説）リスト１０８については後述する。
　（１－２）操作画面
　（１－２－１）概念定義画面
　図２に、概念設計初期情報１０２の受け付けに用いられる概念定義画面２０１の一例を示す。概念定義画面２０１は、概念定義部１１０に対する入力情報の受け付け画面である。業務担当者の考える定性的な知見をデータ上のモデルとして表現するためには、業務担当者の考える概念が実業務履歴データの何を反映する概念であるかを明らかにする必要がある。本実施例の場合、任意の名称の概念と実業務履歴データ上のデータとの対応付けによって定義する。実際の対応付けは、概念定義部１１０が実行する。
　概念定義画面２０１は、概念の種別を意味する対応データ２０２と、概念名称２０８と、概念とデータとの初期の対応付け方法を指定する定義条件２１０とを入力項目に有している。消費者行動モデルの因子となる概念には、消費者に関する概念、商品に関する概念などが存在し、それぞれ実際の消費者及び商品の集合として表現される。
　概念定義部１１０は、概念名称２０８の入力欄２０９に入力された概念によって表現され得る実データのうち、各概念とデータとの間の対応関係を判断する。例えば「女子高生」という概念が表現され得るのは消費者の集合である。そこで、概念定義部１１０は、実際の消費者ＩＤリストの中から女子高生である消費者ＩＤを抽出し、その対応関係を概念付与結果データ１１４として出力する。概念付与結果データ１１４の例は後述する。
　本実施例の場合、対応データ２０２に対応する選択項目として、消費者２０３、商品２０４、時刻２０５、地域２０６が用意されている。業務担当者は、これらの選択項目を使用して、定義したい概念がどのデータ集合であるかを選択する。もっとも、選択項目はこれらに限らない。例えば天候のように外的要因等に関する概念も考えられる。従って、外部要因等も対応データ２０２の選択肢に加えてもよい。
　本実施例の概念定義画面２０１は、消費者に関する概念を定義する場合の例を表示しており、具体例として、概念名称２０８の入力欄２０９には「女子高生」が入力されている。定義条件２１０は、実データとの対応関係を抽出する方式を選択するために用いられる。図２の場合、選択項目として、「価値観セグメンテーションを実施」２１１、「既存概念を利用」２１２、「手動追加」２１３、「ファイル読込」２１４が用意されている。もっとも、概念を実データと紐づける方法はこれに限らない。画面例では「既存概念を利用」２１２が選択されており、詳細条件２１５として、既存概念である「女性」２１６と「高校生」２１７のどちらにも含まれる消費者を抽出することで、概念とデータとの対応付けが指示されている。
　定義条件２１０のうち「価値観セグメンテーションを実施」２１１が選択された場合、同一の価値観を有するであろう消費者群（価値観セグメント）との間で概念との紐付けが行われる。価値観セグメントの生成方法には、アンケートに基づいて消費者群を推定する方法の他、購買履歴を用いる方法もある。購買履歴を用いる方法では、同じ価値観を有する消費者群が購買する蓋然性の高い商品を高い頻度で購買する消費者群を、着目する価値観に関するセグメントの消費者群とみなす。
　「手動追加」２１３が選択された場合、商品に対して付与されている価値観セグメントのフラグの数に応じて消費者のセグメンテーションを実現するのが一般的である。もっとも、後述するように、消費者群や対応商品群の更新、消費者と商品との間の因果関係の推定により、高精度なセグメンテーションを実施してもよい。業務担当者が、図中の決定ボタン２０７を操作して入力内容を決定すると、入力された概念定義情報に基づいて、入力のあった概念名称２０８の概念が実データと対応づけられる。
　図３に、概念付与結果データ１１４の例を示す。概念付与結果データ１１４には、消費者に関する概念と実際の消費者に関するデータとの間の対応関係が記録される。概念付与結果データ１１４は、消費者ＩＤに関する列３０１と消費者に関する概念の列３０２で構成される。消費者に関する概念は更に、ヘルシータイプ３０３、野菜好き３０４、主婦３０５等で構成される。概念付与結果データ１１４は、マトリクス形式で構成され、消費者に関する各概念と消費者ＩＤとの間の対応関係を示す。欄３０６は、「AAAAA0001」で特定される消費者とヘルシータイプ３０３との間の対応関係を示している。図３では、同欄が「0」であるため、「AAAAA0001」はヘルシータイプ３０３に属さない消費者であることを意味している。欄３０７は、「AAAAA0001」で特定される消費者と野菜好き３０４との間の対応関係を示す。図３では、同欄が「1」であるため、「AAAAA0001」が野菜好き３０４に属する消費者であることを示している。同一の対応データに関連する概念は同じマトリクス上で表示され、商品に関する概念等が異なる対応データの概念は、その対応データ用のマトリクス上に記載される。
　（１－２－２）因果関係仮説入力画面
　図４に、概念間の因果関係仮説情報１０４の受け付けに用いられる因果関係仮説入力画面４０１の一例を示す。概念間の因果関係仮説情報１０４とは、消費者の消費行動に影響を与える因子と影響種別に関する情報である。因果関係仮説入力画面４０１では、任意の消費者に関する概念と、その概念に属する消費者集団に影響を与え得る任意の因子間の関係を入力することができる。因果関係は、因果関係仮説入力画面４０１を通じて業務担当者が入力してもよいが、画面定義画面２０１（図２）で定義された「消費者」、「商品」、「地域」、「時間帯」等の概念から推定された因果関係を入力してもよい。
　図４に示す仮説入力画面４０１には、対象消費者４０２、条件４０３、施策４０４、行動４０５が、因果仮説を生成するための入力項目として配置されている。行動４０５は、「商品／地域等の特定の条件」や「施策実行内容」の影響によって、対象消費者の来店４０６、購買４０７、クーポン閲覧４０８が促進されるか又は抑制されるかの仮説を入力するために用いられる。業務担当者が仮説入力ボタン４１７をクリックすると、入力された情報が因果関係テーブル１１５に記載される。
　因果関係の仮説が、「雨の日は、（雨以外と比べて、）女性消費者が来店しにくい」、「雨の日は、（女性でない消費者に比べて、）女性消費者が来店しにくい」というように、実際の関係性は何と比較した場合の傾向であるかの情報も持つことで、より多くの仮説を因果モデルに取り組むことができる。例えば「比較対象としない条件は前提条件に加える」、「各条件において比較対象とするか否かの選択肢をつける」等の方法を採用し、より多くの因果関係をモデル化してもよい。
　因果関係仮説入力画面４０１には、「購買に関する消費者行動の因果モデル」の表示部４０９も配置される。表示部４０９には、既に推定された消費者の購買に関係する因果モデルが記載される。因果モデルは、消費者概念の列４１０、行動に関する列４１１、条件概念の列４１２、元データの列４１３、分析期間の列４１４、モデル生成業務の列４１５、指標種別・指標値の列４１６を有する。列４１１には、購買／来店等の影響を受ける消費行動が記載される。列４１２には、影響を与える条件概念が、（商品、ヘルシー商品）のように、対応するデータ種別と概念名称がセットで記載される。列４１３には、表示された因果関係が認められた元データの情報が記載される。列４１４には分析期間が記載される。列４１５には、各因果関係がシステムに記録された際の業務内容を表す情報が記載される。列４１６には、因果関係があると判断する理由となった指標種別とその値の情報が記載される。
　図４の場合、「主婦がヘルシー商品を購買しやすい」という因果モデルは、定量的には、主婦以外の消費者群と主婦の消費者群との間で「購買率の比率が2.6±0.3倍」であることを意味している。この値は、入力情報に基づいて算出された値でもよいし、手動で入力された予想値でもよい。購買比率（消費者群間での購買率の比率）だけでなく、来店時購買率（来店した際に購買する確率）など別指標により因果モデルを構成してもよいし、一つのモデルに対し、その根拠となりうる複数の指標を記録してもよい。
　図４では手動で因果関係の仮説を受け付けているが、データと過去に定義された概念情報とを用いて自動的に因果関係を推定してもよい。例えば概念間の購買率等を算出し、算出された値に基づいて、「購買率が高い消費者概念と商品概念との間には因果関係が存在する」と推定してもよい。また、入力した仮説をそのまま因果関係として記録せず、より高精度な因果モデルを構築するために、入力された概念と実データとの間の因果関係を評価し、概念と実データとの間の対応付けの更新や因果関係の更新を行ってもよい。
　図５に、価値観セグメンテーションに基づいて、消費者・商品に関する概念と実データとの間の対応付けと、概念間の因果関係を更新する方法を示す。概念の中には、例えば「化粧品好きな消費者群」というように何らかの因果関係を含むデータ群として定義される概念もあるが、図５に示す処理は、そのような場合に、(1)概念間の因果関係と(2)概念とデータとの間の対応関係とを更新する。ただし、「女性」というように、因果関係とは無関係な概念に対しては、概念とデータとの間の対応関係を更新せず因果関係のみを更新する、「女性」の上位概念又は下位概念となり得る新たな概念の提案を行うなどしてもよい。
　ステップＳ５０１において、因果関係推定・概念更新部１１１は、消費者概念と対応データ、商品概念と対応データ、消費者概念と商品概念との間の因果関係の入力情報を取得する。ステップ５０２において、因果関係推定・概念更新部１１１は、個人ＩＤ付ＰＯＳデータ１３２から各顧客の商品購買値ベクトルを取得する。各顧客の商品購買値ベクトルとしては、顧客の各商品に対する購買経験の有無を1/0で表現したベクトルなどが考えられる。その他、購買回数、購買割合等に関するベクトルでも良い。ステップＳ５０３において、因果関係推定・概念更新部１１１は、各商品ノードと対応する消費者概念に紐づかない消費者を抽出し、更に抽出した消費者群の購買値の平均値を算出することにより、商品の基準購買値を算出する。商品の基準購買値は上述したような算出結果以外を採用してもよい。ある商品に対する一般的な購買値が従来の知見から得られるのであれば、それを採用してもよい。
　ステップＳ５０４において、因果関係推定・概念更新部１１１は、消費者概念と紐づく消費者群に対して、全商品に対して消費者の購買値の平均値を算出する。ステップＳ５０５において、因果関係推定・概念更新部１１１は、各商品の基準購買値と対応消費者群の消費者の購買値の平均値を比較して商品購買度を算出する。例えば、基準購買値に対する消費者の購買値の平均値の比率を算出し、これを商品購買度としてもよいし、基準購買値の母集団と着目する購買値の平均値の母集団間を統計的に比較し、それらが同一でない確率を算出してもよい。ステップＳ５０６において、因果関係推定・概念更新部１１１は、商品購買度が高い商品を、対応する消費者群にとって購買しやすい訴求商品であるとして訴求商品を抽出する。例えば、商品購買度が低い商品は購買し難いとして、非訴求商品を同様に定義するなどしてもよい。また、「購買しやすい」、「平均的」、「購買し難い」の３項目を設定し、各項目への帰属確率を算出し、消費者概念と商品との間の関係を連続値ベクトルで表現してもよい。
　ステップＳ５０７において、因果関係推定・概念更新部１１１は、各商品概念に対応する商品群に占めるある着目消費者概念に対する訴求商品の割合を、着目消費者概念と商品概念との間の訴求度として算出する。換言すると、ステップＳ５０７は、訴求商品か否か（1/0）で商品を分類した場合の消費者概念と商品概念との間のデータに基づく因果関係度合いを推定するステップといえる。ステップＳ５０８において、因果関係推定・概念更新部１１１は、消費者概念と商品概念との間の因果関係の入力情報と、着目消費者概念と商品属性との間の訴求度とを比較し、差分を抽出する。
　ステップＳ５０９において、因果関係推定・概念更新部１１１は、抽出された差分の大きさに応じ、着目する消費者概念と商品概念との間の更新（追加・削除）案、又は、商品概念と商品群との間の抽象関係の更新案を抽出する。差分に対して一律の閾値を設けてもよいし、着目する消費者概念と複数の商品概念との間で因果関係が存在する場合には、他の商品概念との因果関係に関するデータと入力情報との間の差分に基づいて、更新するか否かの閾値を定めてもよい。
　ステップＳ５１０において、因果関係推定・概念更新部１１１は、更新案を画面表示し、業務担当者からの更新指示の入力を受け付ける。もっとも、本ステップの実行を飛ばし、業務担当者からの入力を受け付けずに自動的に更新を行ってもよい。ステップＳ５１１において、因果関係推定・概念更新部１１１は、更新指示情報に基づいて、(1)消費者概念と商品概念との間の因果関係、(2)商品と商品群との対応関係を更新し、新しい因果関係構造に応じた消費者概念に対する消費者群を抽出する。すなわち、図５に示す処理により、(1)データを適切に反映した因果関係と(2)概念とデータとの間の対応付けを推定することができる。図５は、因果関係のパスの追加又は削除の更新のみを提案しているが、着目する消費者群内のクラスタリング分析やネットワーク分析等を行って、「消費者群を分割する」／「同一因果関係を有する異なる消費者群を統合する」などの概念の統合／分割、それに伴う因果関係の更新を行うことも可能である。
　本実施例では、更に、この図５の分析技術と、図６及び図７で説明する概念間の抽象関係に関するモデリング技術との連携により、統合的なモデルの構築や構築された統合モデルを活用した施策実施後のモデル評価を行う。図４に示したように、消費者行動に影響を与える因子と消費者概念との間の因果モデルは複数存在する。各消費者の行動はそれぞれ複数の因果モデルの影響を同時に受けるため、実際の施策実施時の効果予測を行う際は、これらの複数の因果モデルを連携させ、総合的な影響予測を行う必要がある。また、複数の因果モデルの連携のためには、因果モデルを構成する概念間の抽象関係の推定が必要である。本実施例では、概念間の抽象関係を、各概念を構成するデータ集合の重複度合いにより推定し、実データ上での因果モデル間の連携を実現する。
　図６に、消費者空間６０４上での複数の概念間の抽象関係のイメージを示す。概念の抽象関係は、データ集合の重複度合いにより推定するため、同一データ種別の概念間にのみ存在する関係である。ここでは、「消費者概念Ａ」６０２に属する消費者の一部が「消費者概念Ｂ」６０３に属する一方、「消費者概念Ｂ」に属する消費者の全てが「消費者概念Ａ」に属するものとする。また、「消費者概念Ｃ」６０１に属する消費者の中で「消費者概念Ａ」と「消費者概念Ｂ」に属する消費者は一人もいないものとする。
　この場合、「消費者概念Ａ」の集合は「消費者概念Ｂ」を包含しているため、「消費者概念Ａ」は「消費者概念Ｂ」の上位概念の関係にあると考える。「消費者概念Ｂ」は、「消費者概念Ａ」の下位概念の関係にあり、「消費者概念Ｃ」は、「消費者概念Ａ」とも「消費者概念Ｂ」とも無関係である。２つの概念の抽象関係は、「上位－下位」、「同等」、「無関係」のいずれかにあてはまる。
　図７に、抽象関係の推定処理手順を示す。図７は、推定対象とする概念種別情報（例えば消費者に関する概念など）を予め受け付けておき、その種別に関する概念間での抽象関係を推定する手順を表している。ステップＳ７０１において、抽象関係推定部１１２は、抽象関係を推定する概念種別情報の入力を受け付け、同一種別の全ての概念のリストＭを抽出する。抽象関係推定部１１２は、次ステップ以降において、概念リストＭの各概念について、概念リストＭの他の概念との抽象関係を推定し記録する。
　ステップＳ７０２において、抽象関係推定部１１２は、概念付与結果データ１１４からある概念リストＭの各概念に関し、ｍ１番目の概念ｍ１に属するデータを抽出する。ステップＳ７０３において、抽象関係推定部１１２は、概念付与結果データ１１４からある概念リストＭのｍ２番目の概念ｍ２に属するデータを抽出する。ステップ７０４において、抽象関係推定部１１２は、概念ｍ１と概念ｍ２とで共通するデータ数（共通データ数）を算出し、これらの数に基づいて概念ｍ１の再現率ｓと適合率ｔを算出する。再現率ｓと適合率ｔは、ある概念が他の概念に「紐づいている割合」を示す値の一例である。適合率ｔは、一方の概念（例えば概念ｍ１）のデータ数に占める共通データ数の割合であり、再現率ｓは、他方の概念（例えば概念ｍ２）のデータ数に占める共通データ数の割合である。
　ステップＳ７０５において、抽象関係推定部１１２は、適合率ｔとその閾値τ０、再現率ｓとその閾値τ１に基づいて、概念ｍ１と概念ｍ２との間の関係が上位／下位／同等／無関係のどれであるかを判定する。閾値τ０、閾値τ１は任意に決めてよい。例えば適合率ｔと再現率ｓがいずれも閾値を超える場合には「同等」であると判定され、適合率ｔのみが閾値を超える場合には概念ｍ１が「上位」であると判定され、再現率ｓのみが閾値を超える場合には概念ｍ１が「下位」であると判定される。ステップＳ７０６において、抽象関係推定部１１２は、抽象関係マトリクスに、概念ｍ１と概念ｍ２との間の再現率ｓと、上位／下位／同等／無関係の抽象関係性情報を入力する。
　図７に示す処理手順は、総当たりで概念間の抽象関係性を推定している。しかし、この手法は、概念数が多い場合、計算量が多くなりすぎる可能性がある。これに対し、以下のルールを用いれば、総当たりを行わなくても抽象関係を推定でき、計算時間を削減できる。例えば、概念ｍ２が概念ｍ１の下位概念であれば、概念ｍ２の下位概念は概念ｍ１の下位概念であるとみなすルール、概念ｍ２が概念ｍ１の上位概念であれば、概念ｍ２の上位概念は概念ｍ１の上位概念であるとみなすルールを使用する。
　（１－２－３）パラメータ設計画面及び分析画面
　図８に、施策パラメータ設計画面８０１の例を示す。施策パラメータ設計画面８０１は、提供予定のサービス施策の具体的なパラメータを入力する際に使用される。施策名８０２には計画中の施策の内容を表す名称が入力される。図８では、「多摩地区振興クーポン配信」サービスが入力されている。施策名８０２の下には、関連する基本条件の入力欄が配置される。時刻８０３には施策期間が入力され、消費者８０４には施策対象消費者が入力され、商品８０５には施策の対象商品が入力され、地域８０６には地域が入力される。これら条件は施策内容によっては指定ができない場合がある。例えば店頭販売であれば、対象消費者は施策実施時の来店者であり、予め設定することはできない。
　施策パラメータ設計画面８０１には詳細条件の入力欄も用意されている。図８では、第１の入力欄８０８と第２の入力欄８１３が用意されている。第１の入力欄８０８には、クーポン配信対象消費者８０９、商品８１０、クーポン配信時刻８１１、ポイント付与率８１２等の情報が入力される。第２の入力欄８１３にも同様の情報が入力される。図８の場合、第１の入力欄８０８と第２の入力欄８１３では、異なる対象者及び商品に対する各条件が入力されている。
　施策確定ボタン８１４は、施策パラメータ入力後に施策情報を記録するためのボタンである。地域８０６に対応する選択ボックス８０７では、パラメータの入力方式を選択することができる。「分析結果からパラメータを検討」を選んだ場合には分析画面９０１（図９）が開く。この場合、分析結果に基づいて効果の高そうなパラメータを選択することができる。一方、「新しい概念を定義」を選んだ場合には概念定義画面２０１が開く。この場合、地域に関する新しい概念の入力を行うことができる。分析画面９０１については後述する。
　「施策パラメータの追加」ボタン８１５は、施策にてコントロールするパラメータそのものの変更を行うためのボタンである。例えばクーポン配信条件に対して、クーポンデザイン、写真表示の有無等の条件を付け加えることができる。例えば若者向けのクーポン配信を行うために、メッセージアプリ用のスタンプを配信するといった付加サービスを実施した場合、配信クーポンデザインを工夫した場合などに、それらを施策における可変項目としてパラメータを追加することで、これらの新しいパラメータの影響も加味した消費者行動モデルを構築することができる。過去に施策実施履歴が存在しない新しいパラメータの場合はデータが不足するため、定量的な影響度評価を行うために、ある程度のデータ集積期間が必要となる。定量値が算出できない期間であっても、予測と実測間の誤差要因を説明し得るパラメータを施策評価画面上に表示を行うことで、定性的な業務担当者の検討を支援できると思われる。
　関連モデルリスト８１６は、パラメータの内容を決定する際に前提知識として用いられた因子間の因果関係モデルと抽象関係モデルの集合を表す。図８に示す例の場合、２０代サラリーマンに対して「カフェラテ」クーポンを配信するという施策内容を決定する際に用いられた因果関係・抽象関係のリストとして、「サラリーマンは飲料のクーポンを使用しやすい」、「仕事帰りに買い物タイプはカフェラテを購買しやすい」といった購買・クーポン使用に関する因果関係のモデルと、「多摩地区来店者の２０代サラリーマンは、仕事帰りに買い物タイプが多い」といった抽象関係のモデルとが表示されている。
　（１－２－４）分析画面
　図９に、あるパラメータの内容に紐づいている複数の概念に関するモデル群（因果関係モデル、抽象関係モデル）の抽出、確認、活用したモデルの抽出等に使用する分析画面９０１の例を示す。分析画面９０１は、様々なデータソースに着眼した分析結果の確認を可能とすることで顧客の消費行動モデルを深く理解し、適切な施策パラメータを検討するための画面である。
　分析画面９０１には、確認する分析結果を絞り込むために使用する検索条件入力部９０２が配置される。検索条件入力部９０２では、例えば時刻９０３、消費者９０４、商品９０５、地域９０６、施策項目９０７に対応する概念を入力することができる。これらの概念の入力により、入力概念に属するデータに応じた分析データのみを絞り込むことができる。分析画面９０１は、例えば図８に示す施策パラメータ設計画面８０１から遷移することで表示され、分析結果の確認・パラメータの検討に使用される。なお、表示部９３０には、現状の業務フェーズ（具体的に検討しているパラメータ）の内容が記載さる。図９の例では、「パラメータ検討：多摩地区振興 クーポン配信＞基本条件：地域）用分析」が表示され、施策地域の検討作業中であることが示される。
　分析画面９０１には、分析結果の確認に用いる表示部９０９が配置される。表示部９０９のリストボックス９１０には、分析結果の検索ボタン９０８の押下により絞り込まれた分析結果のリストがセットされる。リストボックス９１０において分析結果を選択すると、対応する分析結果９１１と、分析結果から導出される特徴的な因果関係の一覧（特徴因果関係一覧）９１２が表示される。表９１４は因果関係の一覧であり、個々の因果関係にはチェックボックス９１３が設けられている。ここでの分析画面９０１は、地域パラメータの検討のための分析画面であるため、表９１４のうち地域に関する概念に言及している因果関係のみチェックボックス９１３のチェックが可能な状態で表示されている。図９の場合であれば、チェックが可能なチェックボックス９１３は白抜きで表現され、チェックが不能なチェックボックス９１３は黒で塗り潰されている。
　リストに追加ボタン９１５がクリックされると、チェックボックス９１３にチェックが入っている因果関係がリストに追加される。図９の例であれば、表９１４の１行目（仮説ＩＤが“KS0001”）の因果関係は、店Ａという地域に関する因果関係であるので、チェックボックス９１３がチェック可能な状態になっている。一方、表９１４の２行目と３行目の因果関係は、いずれも地域と無関係の因子に関する因果関係であるので、チェックボックス９１３は非活性となっている。なお、表９１４には、地域と関係のある因果関係だけを表示してもよい。
　リストに追加ボタン９１５は、分析結果を確認する中で業務担当者が着目したい因果関係を、施策パラメータの検討表示部側にて表示するためのボタンである。これにより、業務担当者は複数の分析結果から抽出された複数の因果関係を、同一画面上で比較しながら、有効な施策パラメータを検討することができる。
　分析画面９０１には、施策パラメータの検討部９１６が設けられる。施策パラメータの検討部９１６は、パラメータの検討に活用できそうな因果関係リストが表示される因果関係リスト表示部９１７、パラメータ候補の表示部９２０、候補とするパラメータを設定した場合の効果予測結果の表示部９２６を含む。パラメータ候補の表示部９２０の表示内容は、手動で入力しても自動で入力してもよい。自動入力は、例えば以下の手順で行う。まず、業務担当者が、因果関係リスト表示部９１７に表示されている複数の因果関係のうちパラメータの決定理由になりそうな因果関係のチェックボックス９１８にチェックを入れて選択し、「仮説からパラメータを抽出」するボタン（抽出ボタン）９１９を押す。すると、施策効果の予測モデル構築器１１８が、選択された因果関係の中から地域に関する概念を抽出し、これをパラメータの候補として表示部９２０に表示する。
　パラメータ候補の表示部９２０には、抽出された概念と抽象関係にある概念を表示する表示部９２１が付属する。表示部９２１を構成する表は、概念名称９２２、着目するパラメータ候補の概念との関係９２３、再現率９２４、適合率９２５を表示項目とする。関係９２３の確認により、抽出された概念と抽象関係にある概念の情報を得ることができ、あるデータ集合に対する別観点を把握できる。業務担当者は、表示された情報に基づいて例えば関連する概念をパラメータとして設定したり、関連概念に関する分析結果を確認したりできる。これにより、業務担当者は、様々な観点での消費者行動の傾向を把握し、施策を検討することができる。
　分析画面９０１には、「概念定義画面へ」遷移ボタン９２８と「仮説入力画面へ」遷移ボタン９２９も設けられている。例えば分析結果の確認中や施策パラメータの検討中に新しい概念を定義したくなった場合には、「概念定義画面へ」ボタン９２８を操作することで、画面定義画面に遷移することができる。一方、手動での仮説入力が必要な場合は、「仮説入力画面へ」ボタン９２９を操作することで、概念定義画面因果関係仮説入力画面４０１または抽象関係仮説生成画面に遷移することができる。「パラメータを設計画面上に反映」ボタン９２７をクリックすると画面上の情報が設計画面に反映される。
　図１０に、施策パラメータを設計する際の業務担当者の作業手順を示す。まず、業務担当者は、施策パラメータ設計画面８０１上で決定したいパラメータ項目を選択し、操作画面の表示を分析画面９０１に遷移させる（ステップＳ１００１）。次に、業務担当者は、分析画面９０１上でパラメータ検討用の分析条件を入力する（ステップ１００２）。当該入力は、検索条件入力部９０２を通じて行われる。
　業務担当者は、分析画面９０１の表示部９０９に表示された分析結果９１１と特徴因果関係一覧９１２を確認し、新たな因果関係を追加するために「仮説入力画面へ」ボタン９２９をクリックして、因果関係仮説入力画面４０１に遷移させる（ステップＳ１００３）。業務担当者は、新たな因子を追加するために因果関係仮説入力画面４０１で追加ボタンをクリックして概念定義画面２０１に遷移させる（ステップＳ１００４）。この概念定義画面２０１において、業務担当者は、追加したい概念の概念名称やデータ付与条件を入力する（ステップＳ１００５）。業務担当者が概念定義画面２０１の決定ボタン２０７をクリックすると、因果関係仮説生成画面４０１に戻る。
　続いて、業務担当者は、仮説入力ボタン４１７をクリックして、追加した概念と消費者グループとの間の因果関係の仮説を入力する（ステップＳ１００６）。仮説入力ボタン４１７のクリックにより、作業画面は、分析画面９０１に戻る。更に、業務担当者は、分析画面９０１において、新たに入力した因果関係をパラメータ検討用の仮説として選択する（ステップＳ１００７）。ここでの選択は、チェックボックス９１８のチェックにより行う。この後、業務担当者は、「仮説からパラメータを抽出」するボタン９１９をクリックし、選択した因果関係からの検討中のパラメータに関する因子の抽出を指示する（ステップＳ１００８）。また、業務担当者は、分析画面９０１上で、検討中のパラメータに関する概念を抽出する（ステップＳ１００９）。この確認は表示部９２１で行う。
　次に、業務担当者は、分析画面９０１において、抽出した概念の関連概念を確認するために上位／下位概念リストを確認する（ステップＳ１０１０）。具体的には、表示部９２１の関係９２３をみる。更に、業務担当者は、分析画面９０１において、抽出した因子を施策パラメータに設定する（ステップＳ１０１１）。具体的には、「パラメータを設計画面上に反映」ボタン９２７をクリックする。
　なお、前述した手順は一例であり、作業画面の画面遷移もこの限りではない。実際、本実施例における作業画面の表示はシーケンシャルに実行される制約はなく、例えば分析画面９０１から開始したり、施策パラメータ設計画面８０１から概念定義画面２０１に遷移したりするなど、様々な画面遷移パターンが考えられる。
　図１１に、施策パラメータの設計結果である施策ＩＤ×モデルＩＤテーブル１１９の一例を示す。本実施例においては、施策内容を決定する複数の施策パラメータ情報と目標とするＫＰＩ（Key Performance Indicators）だけでなく、それらの値を検討する際に分析画面９０１上で着目した消費者行動に関する因果関係・抽象関係のモデルＩＤを紐づけて記録する。このため、施策ＩＤ×モデルＩＤテーブル１１９は、「施策ＩＤ」１１０１、「パラメータ種類、設定内容」１１０２、「関連モデルＩＤ」１１０３、「ＫＰＩ種別、指標値」１１０４で構成される。施策毎に、これらの情報を記録することで、施策実施後の評価において、施策内容だけでなくその施策を導出する際に用いた消費者行動傾向モデルを評価することができる。これにより、業務担当者は、施策の実施・評価を通して、より現実に即した消費者行動傾向を把握することができ、継続的にＰＤＣＡを回すことが可能となる。なお、ＫＰＩの値は、目標値を手動で設定してもよいし、効果予測結果の表示部９２６で表示された効果予測値を目標値として自動的に選択してもよい。
　（１－２－５）施策評価画面
　図１２に、施策評価画面１２０１の一例を示す。この画面は、モデル評価・更新器１２０が作成して表示する。「施策情報」の表示部１２０１には、施策パラメータの内容情報が表示される。「施策実施結果」の表示部１２０２には、施策のＫＰＩの目標と実際の実施結果に関する情報が表示される。これらの情報により、業務担当者は、施策効果を確認することができる。「関連消費者モデル一覧」の表示部１２０３には、対応する施策と紐づく因果関係・抽象関係のモデルの一覧が表示される。
　本実施例では、「施策実施結果」だけでなく、各モデルの消費者購買傾向を評価し、モデルレベルで消費者行動傾向の修正を行うことで、より現実に即した消費者行動の理解促進を行う。これにより、施策の改善案の作成を支援する。
　関連消費者モデルの評価に関し、想定していた消費者モデルと実施策履歴の購買パターンにずれが生じている場合、その原因は、(1)モデルそのものの傾向に現状とずれが生じているか、(2)今回の施策特異な因果により想定と異なる傾向が示されているかであると考えられる。
　(1)に関し、モデルそのものの傾向評価は、今回の施策を含む着目する消費者モデルに基づき導出された施策実施履歴や、関連する購買行動データにより評価可能である。「モデルID0003:修正提案」１２０４は、モデルそのものを評価し、より現実に即した構造へと提案している例である。本事例は、因果関係のパスの削除を提案しているが、パスの追加提案が行われることもあり得る。また例えば、健康志向という一つの消費者群を美容追及派と病気予防派の２つの消費者概念に分割する、というような概念の分割、逆に、健康志向とジョギング愛好家という二つの概念が実は同一の商品群に対する因果関係を有する場合にこれらを統合する、といった提案もありえる。これらの評価・更新提案は、図５で説明した技術を用いて実現できる。
　(2)に関し、全データ評価においては、モデルの傾向と現実との差が認められなくても、着目する施策の傾向とモデルの傾向が一致しない場合もあり得る。これは、今回の施策データ上に、他のケースにない特異な因子が存在しているためと考えられる。そこで、対象施策データを含むモデル傾向と一致しないデータと紐づく「概念」と、モデル傾向と一致するデータと紐づく「概念」との間を比較し、今回の施策データ上に存在する特異な因子を抽出することで、モデルの傾向が一致し得なかった原因の特定を試みる。
　「モデルID0001:前提条件の追加」１２０５は、施策対象期間が「休日」となる施策では、サラリーマンに対するクーポン配信時刻の因果関係が、想定モデルと異なることが示されている。本実施例では、更に抽出された因子が存在し得る条件下で、ＫＰＩを達成するパラメータ因子を探索することで、新たな因果モデルの提案を行っている。図１２の例では、施策対象期間が「休日」の時、クーポン配信時刻が10:00以前であると、閲覧率が目標の60%以上を達成することを示している。
　このように、予め概念をデータと紐づけて定義し、記録しておくことで、施策実施履歴から導出される新たな因果関係を、予め定義された概念を用いて表現することができ、業務担当者にとって分かり易い傾向の提示を行うことができる。
　（１－３）実施例の効果
　上述したように、本実施例の支援システムを用いれば、業務担当者の定性的な知見・概念を業務履歴データと紐づけた消費者の因果関係・抽象関係のモデル群を構築することができ、複数のデータ・観点での分析を統合した施策パラメータの設計や消費者行動傾向の観点から施策実施結果評価を実現することができる。また、本実施例の支援システムによれば、個人毎の購買履歴等の複数の業務履歴データを入力として、業務履歴のデータ項目に関する任意の概念について、概念とその概念に属するデータの対応関係、異なるデータ項目に関する複数概念間の因果関係の推定、同一データ項目に関する複数概念間の上下／同一／無関係を推定することが可能となる。その結果、業務担当者は、自身の定性的な経験・勘を含む様々な定性的な業務知見に基づき、業務実施結果とその因子に関する自由度が高く実データ傾向に対して精緻な因果関係モデルを生成し、生成された因果関係に基づき効率的に効果的な業務計画を検討できる。
　（２）他の実施例
　本発明は、上述した実施例に限定されるものでなく、様々な変形例を含んでいる。例えば、上述した実施例は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備える必要はない。また、ある実施例の一部を他の実施例の構成に置き換えることができる。また、ある実施例の構成に他の実施例の構成を加えることもできる。また、各実施例の構成の一部について、他の実施例の構成の一部を追加、削除又は置換することもできる。
　例えば前述した技術は、小売業務以外の様々の業務に従事する業務担当者による業務計画の立案支援・業務実施結果評価に用いることができる。ある業務担当者による業務立案時に前提条件として用いた業務に関する因果・抽象関係が記録されるため、複数の業務担当者による合意形成に用いることもできる。また、業務担当者毎に、施策と因果・抽象関係モデルの紐づいた結果の履歴を分析することで、施策評価だけでなく、施策設計した業務担当者の評価を行うことも可能である。業務担当者向けの業務訓練システム等への応用も可能である。
　また、上述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現しても良い。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することにより（すなわちソフトウェア的に）実現しても良い。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、SSD（Solid State Drive）等の記憶装置、又は、ICカード、SDカード、DVD等の記憶媒体に格納することができる。また、制御線や情報線は、説明上必要と考えられるものを示すものであり、製品上必要な全ての制御線や情報線を表すものでない。実際にはほとんど全ての構成が相互に接続されていると考えて良い。
１…支援システム（業務計画／効果検証支援システム）、
１００…端末、
１０１…中央サーバ、
１０２…概念設計初期情報、
１０３…概念の統合／分割因果関係の更新案、
１０４…概念間の因果関係仮説情報、
１０５…概念間の抽象関係仮説情報、
１０６…分析条件、
１０７…施策情報、
１０８…概念間の因果／抽象関係特徴（仮説）リスト、
１０９…モデル生成器、
１１０…概念定義部、
１１１…因果関係推定・概念更新部、
１１２…抽象関係推定部、
１１３…因果／抽象関係のデータモデル情報、
１１４…概念付与結果データ、
１１５…因果関係テーブル、
１１６…抽象関係マトリクス、
１１７…施策項目情報テーブル、
１１８…施策効果の予測モデル構築器、
１１９…施策ＩＤ×モデルＩＤテーブル、
１２０…モデル評価・更新器、
１２１…概念定義画面表示器、
１２２…因果関係仮説生成画面表示器、
１２３…抽象関係仮説生成画面表示器、
１２４…分析画面表示器、
１２５…施策パラメータ設計画面表示器、
１２６…施策評価画面表示器、
１３１…業務データストレージ
１３２…ＩＤ－ＰＯＳ、
１３３…顧客情報、
１３４…商品マスタ、
１３５…施策実施履歴。

Claims (15)

  1. 　任意の言葉で定義された概念の名称に基づいてデータベースを検索し、前記概念に紐づいている複数の行動履歴データを抽出する第１の演算部と、
    　抽出された前記複数の行動履歴データの間で共通するデータ数を算出することにより、ある概念が他の概念に紐づいている割合を算出する第２の演算部と、
    　前記割合に基づいて前記ある概念と前記他の概念とが上下、同一、無関係のいずれの抽象関係を有するかを決定する第３の演算部と
    　を有する検証支援システム。
  2. 　請求項１に記載の検証支援システムにおいて、
    　ある概念と、行動対象者が特定の行動を促進又は抑制する因子との因果関係を推定する第４の演算部と、
    　前記抽象関係を用いて、ある事象に関する複数の前記因果関係を統合する第５の演算部と
    　を有することを特徴とする検証支援システム。
  3. 　請求項２に記載の検証支援システムにおいて、
    　前記第５の演算部は、入力された概念に関連する前記因果関係と前記抽象関係をモデル化して表示する
    　ことを特徴とする検証支援システム。
  4. 　請求項２に記載の検証支援システムにおいて、
    　前記第５の演算部は、前記データベースから読み出した施策実施履歴に基づいて、前記因果関係及び／又は前記抽象関係の更新案を作成して表示する
    　ことを特徴とする検証支援システム。
  5. 　請求項４に記載の検証支援システムにおいて、
    　前記更新案は、ある概念とある因子との間のパスの削除、追加、分割又は統合である
    　ことを特徴とする検証支援システム。
  6. 　請求項１に記載の検証支援システムにおいて、
    　前記第３の演算部は、前記ある概念と前記他の概念との前記抽象関係を表示する
    　ことを特徴とする検証支援システム。
  7. 　請求項１に記載の検証支援システムにおいて、
    　前記第３の演算部は、前記ある概念と前記他の概念との間で算出された前記割合を表示する
    　ことを特徴とする検証支援システム。
  8. 　請求項１に記載の検証支援システムにおいて、
    　前記紐づいている割合は、前記ある概念のデータ数に占める前記共通するデータ数の割合である適合率、又は、前記他の概念のデータ数に占める前記共通するデータ数の割合である再現率を含む
    　ことを特徴とする検証支援システム。
  9. 　サーバで実行する検証支援方法であって、
    　任意の言葉で定義された概念の名称に基づいてデータベースを検索し、前記概念に紐づいている複数の行動履歴データを抽出する第１の処理と、
    　抽出された前記複数の行動履歴データの間で共通するデータ数を算出することにより、ある概念が他の概念に紐づいている割合を算出する第２の処理と、
    　前記割合に基づいて前記ある概念と前記他の概念とが上下、同一、無関係のいずれの抽象関係を有するかを決定する第３の処理と
    　を有することを特徴とする検証支援方法。
  10. 　請求項９に記載の検証支援方法において、
    　ある概念と、行動対象者が特定の行動を促進又は抑制する因子との因果関係を推定する第４の処理と、
    　前記抽象関係を用いて、ある事象に関する複数の前記因果関係を統合する第５の処理と
    　を更に有することを特徴とする検証支援方法。
  11. 　請求項１０に記載の検証支援方法において、
    　入力された概念に関連する前記因果関係と前記抽象関係をモデル化して表示する第６の処理
    　を更に有することを特徴とする検証支援方法。
  12. 　請求項１０に記載の検証支援方法において、
    　前記データベースから読み出した施策実施履歴に基づいて、前記因果関係及び／又は前記抽象関係の更新案を作成して表示する第６の処理
    　を有することを特徴とする検証支援方法。
  13. 　請求項１２に記載の検証支援方法において、
    　前記更新案は、ある概念とある因子との間のパスの削除、追加、分割又は統合である
    　ことを特徴とする検証支援方法。
  14. 　請求項９に記載の検証支援方法において、
    　前記ある概念と前記他の概念との前記抽象関係を表示する第４の処理
    　を更に有することを特徴とする検証支援方法。
  15. 　請求項９に記載の検証支援方法において、
    　前記ある概念と前記他の概念との間で算出された前記割合を表示する第４の処理
    　を更に有することを特徴とする検証支援方法。
PCT/JP2015/083363 2015-11-27 2015-11-27 検証支援システム及び方法 WO2017090175A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2015/083363 WO2017090175A1 (ja) 2015-11-27 2015-11-27 検証支援システム及び方法
US15/561,431 US20180121536A1 (en) 2015-11-27 2015-11-27 Verification Assistance System and Method
JP2017514931A JP6360625B2 (ja) 2015-11-27 2015-11-27 検証支援システム及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/083363 WO2017090175A1 (ja) 2015-11-27 2015-11-27 検証支援システム及び方法

Publications (1)

Publication Number Publication Date
WO2017090175A1 true WO2017090175A1 (ja) 2017-06-01

Family

ID=58764077

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/083363 WO2017090175A1 (ja) 2015-11-27 2015-11-27 検証支援システム及び方法

Country Status (3)

Country Link
US (1) US20180121536A1 (ja)
JP (1) JP6360625B2 (ja)
WO (1) WO2017090175A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019082865A (ja) * 2017-10-31 2019-05-30 株式会社日立製作所 販売促進装置、販売促進方法及び販売促進プログラム
WO2020162073A1 (ja) * 2019-02-06 2020-08-13 日本電気株式会社 情報可視化装置、情報可視化方法、及びコンピュータ読み取り可能な記録媒体
WO2022196070A1 (ja) * 2021-03-15 2022-09-22 ソニーグループ株式会社 情報処理装置および方法、並びにプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006031194A (ja) * 2004-07-13 2006-02-02 Internatl Business Mach Corp <Ibm> 検索システム、検索方法、報告システム、報告方法、及びプログラム
JP2008242836A (ja) * 2007-03-27 2008-10-09 Toshiba Corp 辞書更新装置およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006031194A (ja) * 2004-07-13 2006-02-02 Internatl Business Mach Corp <Ibm> 検索システム、検索方法、報告システム、報告方法、及びプログラム
JP2008242836A (ja) * 2007-03-27 2008-10-09 Toshiba Corp 辞書更新装置およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MITAMA MASAKI, ET AL.: "Support of Semantic Layer Formulation by using Concept Hierarchies and Action History in Ubiquitous Community", FIT2007, vol. 6, 22 August 2007 (2007-08-22), pages 95 - 98 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019082865A (ja) * 2017-10-31 2019-05-30 株式会社日立製作所 販売促進装置、販売促進方法及び販売促進プログラム
WO2020162073A1 (ja) * 2019-02-06 2020-08-13 日本電気株式会社 情報可視化装置、情報可視化方法、及びコンピュータ読み取り可能な記録媒体
JPWO2020162073A1 (ja) * 2019-02-06 2021-12-09 日本電気株式会社 情報可視化装置、情報可視化方法、及びプログラム
JP7259874B2 (ja) 2019-02-06 2023-04-18 日本電気株式会社 情報可視化装置、情報可視化方法、及びプログラム
WO2022196070A1 (ja) * 2021-03-15 2022-09-22 ソニーグループ株式会社 情報処理装置および方法、並びにプログラム

Also Published As

Publication number Publication date
US20180121536A1 (en) 2018-05-03
JPWO2017090175A1 (ja) 2017-11-24
JP6360625B2 (ja) 2018-07-18

Similar Documents

Publication Publication Date Title
Beladev et al. Recommender systems for product bundling
Ha et al. Manufacturer rebate competition in a supply chain with a common retailer
Hostler et al. Recommendation agent impact on consumer online shopping: The Movie Magic case study
JP2016126648A (ja) 嗜好分析システム、嗜好分析方法
Molina et al. Consumer service and loyalty in Spanish grocery store retailing: an empirical study
JP6411396B2 (ja) 支援システム
JPWO2005024689A1 (ja) 消費者の購買行動分析方法及び装置
Ahn Evaluating customer aid functions of online stores with agent-based models of customer behavior and evolution strategy
JP6694901B2 (ja) データ管理装置およびデータ管理システム
JP2019082865A (ja) 販売促進装置、販売促進方法及び販売促進プログラム
Seymen et al. Customer churn prediction using deep learning
JP6360625B2 (ja) 検証支援システム及び方法
Čavoški et al. Agent-based modelling and simulation in the analysis of customer behaviour on B2C e-commerce sites
Goar et al. Business decision making by big data analytics
Behera et al. A rule-based automated machine learning approach in the evaluation of recommender engine
JP6761068B2 (ja) 決定装置、決定方法及び決定プログラム
Chashmi et al. Predicting customer turnover using recursive neural networks
Sajedikhah et al. Historical effect of verified purchases and ordinary users’ testimonials on the sales rank of experience and search goods
Lee et al. The moderating effect of movie production efficiency on the relationship between eWOM and review helpfulness
Liuqu et al. From customer satisfaction to customer experience: online customer satisfaction practice in International E-commerce
KR102405503B1 (ko) 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램
Quattelbaum et al. Tolerancing subjective and uncertain customer requirements regarding perceived product quality
Ehsani et al. Customer purchase prediction in electronic markets from clickstream data using the Oracle meta-classifier
Guo A study on data mining of digital display performance of brand advertisement
JP6809148B2 (ja) プログラムおよび組み合わせ抽出システム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2017514931

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 15909292

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15561431

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15909292

Country of ref document: EP

Kind code of ref document: A1