WO2019208319A1 - 予測装置、予測方法、及びプログラム - Google Patents

予測装置、予測方法、及びプログラム Download PDF

Info

Publication number
WO2019208319A1
WO2019208319A1 PCT/JP2019/016261 JP2019016261W WO2019208319A1 WO 2019208319 A1 WO2019208319 A1 WO 2019208319A1 JP 2019016261 W JP2019016261 W JP 2019016261W WO 2019208319 A1 WO2019208319 A1 WO 2019208319A1
Authority
WO
WIPO (PCT)
Prior art keywords
measure
prediction
effect
node
district
Prior art date
Application number
PCT/JP2019/016261
Other languages
English (en)
French (fr)
Inventor
宮田　淳司
伊藤　智祥
純幸 沖本
秦　秀彦
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Priority to EP19792221.4A priority Critical patent/EP3786862A4/en
Priority to JP2020516250A priority patent/JPWO2019208319A1/ja
Priority to CN201980027864.3A priority patent/CN112005257A/zh
Publication of WO2019208319A1 publication Critical patent/WO2019208319A1/ja
Priority to US17/080,973 priority patent/US20210042770A1/en
Priority to JP2023217871A priority patent/JP2024023848A/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Definitions

  • This disclosure relates to a prediction device, a prediction method, and a program for predicting a measure effect.
  • Patent Document 1 discloses a purchase prediction analysis system.
  • the purchase prediction analysis system performs cluster analysis on a region with a plurality of factors, and calculates a product purchase rate for each cluster.
  • the purchase prediction analysis system determines whether the calculated product purchase rate is adopted or not based on a predetermined criterion.
  • the purchase prediction analysis system generates a prediction model, which is a calculation formula for multiple regression analysis, using a product purchase rate in a cluster area that employs a product purchase rate as an objective variable and a factor score in that region as an explanatory variable.
  • the purchase prediction analysis system calculates and predicts the product purchase rate from the explanatory variables of the regions for all regions using the generated calculation formula. As a result, an appropriate product purchase rate can be predicted even in an area where the product purchase rate cannot be obtained properly.
  • the present disclosure provides a prediction device, a prediction method, and a program for predicting an effective measure.
  • the prediction device includes a storage unit that stores measure implementation information representing a measure effect in the first target for which the measure has been implemented, and a measure for the second target that is not implementing the measure based on the measure implementation information.
  • a first graph composed of a plurality of links connecting between the nodes is constructed based on the measure implementation information, and the degree of the measure effect at the first node is determined based on the measure execution information. The degree of the measure effect is propagated to the second node with the node as the base point.
  • the prediction device since the degree of the measure effect is propagated using the graph including the node and the link, the effective measure is predicted for the target for which the measure is not implemented. can do.
  • Block diagram showing configurations of prediction device and terminal device The figure which shows the functional structure of the control part at the time of learning, and the data stored in a memory
  • movement of the prediction data of a prediction apparatus Flow chart showing the effect rank setting process for the completed district Figure for explaining calculation of measure effect value and setting of effect rank about implemented district Figure for explaining the setting of rank probabilities for completed districts Illustration for explaining the construction of similarity graph for each district characteristic
  • This disclosure provides a prediction device capable of predicting and recommending an effective measure to other targets that are not implementing a measure even when there are only a few subjects that have actually implemented the measure.
  • a target for implementing a measure is a store and the measure is recommended to the store
  • a trade area that is a range that can attract customers includes one or more districts.
  • the prediction device of this embodiment uses the label propagation method, which is one of the types of machine learning, from the business area of the store where the measure has been executed to the area of the store where the measure has not been executed.
  • the effect rank indicating the degree of the effect of each measure is propagated to. As a result, the degree of the effect of each measure in the store where the measure is not implemented is predicted, and a measure having a high effect is recommended to the store.
  • a measure predicted to be highly effective from a plurality of measures is recommended to a store in another trade area based on the measure results in a trade area of a small number of retail chain stores.
  • the measures implemented at the store are, for example, POP, island display, LED sign, in-store vision, receipt coupon, and point UP.
  • the area in the business area of the store where the measures have been implemented is also referred to as “the implemented area”. Except for the implemented districts, districts in the business area of stores where measures are not implemented are also referred to as “unimplemented districts”.
  • FIG. 1 shows the configuration of the prediction device 1 and the terminal device 2.
  • a prediction system 100 is constituted by the prediction device 1 and the plurality of terminal devices 2.
  • the prediction system 100 predicts and recommends effective measures for stores that have not implemented measures, using data on stores that have been implemented measures.
  • the prediction device 1 is a server.
  • the terminal device 2 is various information processing devices such as a POS (Point (of Sales) register, a personal computer, a tablet terminal, and a smartphone.
  • the prediction device 1 is a cloud server, and the terminal device 2 is installed in a store. In this case, the prediction device 1 and the terminal device 2 are connected via the Internet.
  • the prediction device 1 includes an input unit 11, a communication unit 12, a control unit 13, a storage unit 14, and a bus 15.
  • the input unit 11 is a user interface for inputting various operations by the user.
  • the input unit 11 can be realized by a touch panel, a keyboard, a button, a switch, or a combination thereof.
  • the communication unit 12 includes a circuit that performs communication with an external device in accordance with a predetermined communication standard.
  • the predetermined communication standard is, for example, LAN, Wi-Fi (registered trademark), Bluetooth (registered trademark), USB, or HDMI (registered trademark).
  • the communication unit 12 acquires data regarding each store from the terminal device 2 in a plurality of stores. In this embodiment, ID-POS data, customer data, and district data are acquired as data relating to the store. The district data may be acquired from the terminal device 2 or may be acquired from another external device.
  • the communication unit 12 transmits measure recommendation information indicating the recommended measure to the terminal device 2.
  • the control unit 13 can be realized by a semiconductor element or the like.
  • the control part 13 can be comprised by a microcomputer, CPU, MPU, GPU, DSP, FPGA, ASIC, for example.
  • the function of the control unit 13 may be configured only by hardware, or may be realized by combining hardware and software.
  • the control unit 13 implements a predetermined function by reading out data and programs stored in the storage unit 14 and performing various arithmetic processes.
  • the storage unit 14 is a storage medium that stores a program and data necessary for realizing the function of the prediction device 1.
  • the storage unit 14 can be realized by, for example, a hard disk (HDD), SSD, RAM, DRAM, ferroelectric memory, flash memory, magnetic disk, or a combination thereof.
  • the bus 15 is a signal line that electrically connects the input unit 11, the communication unit 12, the control unit 13, and the storage unit 14.
  • the terminal device 2 includes an input unit 21, a communication unit 22, a control unit 23, a storage unit 24, a display unit 25, and a bus 26.
  • the terminal device 2 acquires ID-POS data, customer data, and district data through the input unit 21 or the communication unit 22.
  • the input unit 21 can be realized by a barcode reader, a card reader, a touch panel, a keyboard, a button, a switch, or a combination thereof.
  • the communication unit 22 includes a circuit that performs communication with an external device in accordance with a predetermined communication standard.
  • the predetermined communication standard is, for example, LAN, Wi-Fi (registered trademark), Bluetooth (registered trademark), USB, or HDMI (registered trademark).
  • the communication unit 22 transmits the ID-POS data, customer data, and district data to the prediction device 1.
  • the communication unit 22 acquires measure recommendation information from the prediction device 1.
  • the control unit 23 can be realized by a semiconductor element or the like.
  • the control part 23 can be comprised by a microcomputer, CPU, MPU, GPU, DSP, FPGA, ASIC, for example.
  • the function of the control unit 23 may be configured only by hardware, or may be realized by combining hardware and software.
  • the control unit 23 implements a predetermined function by reading out data and programs stored in the storage unit 24 and performing various arithmetic processes.
  • the storage unit 24 is a storage medium that stores programs and data necessary for realizing the functions of the terminal device 2.
  • the storage unit 24 can be realized by, for example, a hard disk (HDD), SSD, RAM, DRAM, ferroelectric memory, flash memory, magnetic disk, or a combination thereof.
  • the display unit 25 is, for example, a liquid crystal display or an organic EL display.
  • the display unit 25 displays, for example, a measure recommendation sentence indicated by the measure recommendation information.
  • the bus 26 is a signal line that electrically connects the input unit 21, the communication unit 22, the control unit 23, the storage unit 24, and the display unit 25.
  • FIG. 2 shows a functional configuration of the control unit 13 and data stored in the storage unit 14 during learning of the prediction device 1.
  • FIG. 3 shows an example of the ID-POS data 141.
  • FIG. 4 shows an example of the customer data 142.
  • FIG. 5 shows an example of the district data 143.
  • FIG. 6 shows an example of the purchase data 144A before the measure is implemented.
  • FIG. 7 shows an example of the purchase data 144B in which the measure is being implemented.
  • FIG. 8 schematically shows an example of the prediction data 145.
  • the districts a, b, c, etc. shown in FIG. 8 correspond to the districts “Moriguchi”, “Nanmon Makoto”, “Kitamon Makoto”, etc. shown in FIGS.
  • the control unit 13 of the prediction device 1 includes a data totaling unit 131, an effect rank setting unit 132, a prediction data generation unit 133, and an update determination unit 134.
  • the storage unit 14 of the prediction device 1 stores ID-POS data 141, customer data 142, and district data 143 acquired from the terminal devices 2 in a plurality of stores via the communication unit 12.
  • ID-POS data 141 is data indicating the sales of a product.
  • the ID-POS data 141 includes the date and time when the product was purchased, the ID of the customer who purchased the product, the purchased product, the unit price of the product and the number of items purchased, and the total price of the purchased product. .
  • Customer data 142 is data related to customers.
  • the customer data 142 includes a customer ID, sex, customer postal code, and birth month.
  • the district data 143 is data indicating the characteristics of the district.
  • the district data 143 includes the district zip code and district name, the population in the district, the number of households, and the population ratio.
  • the data totaling unit 131 totals the ID-POS data 141, the customer data 142, and the district data 143 to generate purchase data 144.
  • the data totaling unit 131 stores the generated purchase data 144 in the storage unit 14.
  • the purchase data 144 includes purchase data 144A before the measure is implemented and purchase data 144B during the measure being implemented.
  • the purchase data 144A and 144B include the postal code of the district and the district name, the population in the district, the number of households, the population ratio of the population, the sales in the district, and the unit price of customers.
  • the data totaling unit 131 calculates the sales and the unit price of the customer in the store's business area.
  • each district when each district is related to a trade area of a plurality of stores, that is, when each district is related to a plurality of stores, sales of all stores related to each district may be added together.
  • each district In generating the purchase data 144, each district may be associated with only one store.
  • the purchase data 144 is an example of measure implementation information that represents the effect of the measure. For example, the difference in sales between the purchase data 144A and 144B represents the effect of the measure.
  • the effect rank setting unit 132 determines the effect rank of the measure for the implemented district that is the district within the business area of the store where the measure has been implemented. Specifically, the effect rank setting unit 132 calculates a measure effect value based on the purchase data 144A before the measure is implemented and the purchase data 144B that is being implemented. The effect rank setting unit 132 divides the degree of the effect of the measure into a plurality of effect ranks by comparing the measure effect value with a predetermined threshold value. The plurality of effect ranks are ranks A, B, C, and D, for example.
  • the prediction data generation unit 133 predicts the effect rank of the measure for an unimplemented district that is a district in the business area of the store where the measure is not implemented. Specifically, the prediction data generation unit 133 constructs a prediction graph for each measure, and propagates the effect rank from the node in the implemented district to the node in the unimplemented district by the label propagation method. Accordingly, the prediction data generation unit 133 generates prediction data 145 indicating the effect rank of each measure for each district and stores the prediction data 145 in the storage unit 14.
  • the prediction data 145 includes, for example, information indicating a prediction graph 450 as shown in FIG.
  • the information indicating the prediction graph 450 includes, for example, importance that is weighting when a plurality of similarity graphs are combined. Details of the importance will be described later.
  • the prediction graph 450 includes a node 451, a link 452 connecting the nodes 451, and a label 453 given to the node 451.
  • the node 451 corresponds to a district.
  • a link 452 corresponds to the similarity between districts. That is, the link 452 has a strength corresponding to the similarity between the districts.
  • the prediction data 145 includes information indicating the strength of all the links 452 in the prediction graph 450.
  • the label 453 corresponds to the effect rank of the measure.
  • the prediction data 145 includes, for example, data obtained by adding an effect rank for each measure to the district data 143 as illustrated in FIG.
  • the update determination unit 134 determines whether to update the prediction data 145. For example, the update determination unit 134 determines whether or not to update the prediction data 145 based on the variation of the effect rank for the implemented district set by the effect rank setting unit 132. The update determination unit 134 may determine whether to update the prediction data 145 based on at least one of the ID-POS data 141, the customer data 142, the district data 143, and the purchase data 144. When the update determination unit 134 determines to update the prediction data 145, the update determination unit 134 instructs the prediction data generation unit 133 to update the prediction data 145. As a result, the prediction data generation unit 133 reconstructs the prediction graph 450 and updates the prediction data 145.
  • FIG. 9 shows an operation of generating prediction data by the control unit 13 of the prediction device 1.
  • the data totaling unit 131 acquires ID-POS data 141, customer data 142, and district data 143 (S1). For example, the data totaling unit 131 acquires ID-POS data 141 corresponding to a predetermined period before the measure is implemented, and customer data 142 and district data 143 corresponding to the predetermined period from the terminal devices 2 of a plurality of stores. . Further, the data totaling unit 131 acquires ID-POS data 141 corresponding to a predetermined period during the implementation of the measure, and customer data 142 and district data 143 corresponding to the predetermined period from the terminal device 2 of the store where the measure is implemented. . The predetermined period is, for example, one month. The data totaling unit 131 may read the ID-POS data 141, the customer data 142, and the district data 143 acquired from the terminal device 2 in advance and stored in the storage unit 14 from the storage unit 14 in step S1. .
  • the data totaling unit 131 generates purchase data 144A before the measure is implemented and purchase data 144B that is being implemented based on the ID-POS data 141, the customer data 142, and the district data 143 (S2).
  • the effect rank setting unit 132 sets the effect rank of the measure for the district in the business area of the store where the measure has been implemented (S3).
  • the prediction data generation unit 133 calculates the similarity between districts for each district characteristic, and generates a similarity graph (S4).
  • the characteristics of the district are, for example, the population, the number of households, the sex ratio, sales, and the unit price of customers.
  • a population similarity graph, a household number similarity graph, a gender ratio similarity graph, a sales similarity graph, and a customer unit price similarity graph are generated (see FIG. 13).
  • the prediction data generation unit 133 generates a prediction graph by synthesizing the similarity graph for each characteristic of the district, and predicts the effect rank of the district in the business area of the store where the measure is not implemented (S5). Thereby, prediction data 145 is generated.
  • the prediction device 1 performs the processing of steps S1 to S5 for each measure.
  • FIG. 10 shows the operation of setting the effect rank of the completed district (details of step S3 in FIG. 9).
  • FIG. 11 shows an example of the measure effect value and the effect rank.
  • FIG. 12 shows an example of the rank probability.
  • the effect rank setting unit 132 determines the effect rank based on the measure effect value (S302). For example, the effect rank setting unit 132 compares the measure effect value with three threshold values, and ranks one of the ranks A, B, C, and D.
  • the effect rank setting unit 132 sets the probability of each effect rank according to the determined effect rank (S303). Specifically, the probability of ranked effect rank is set to 1.0, and the probability of effect rank not ranked is set to 0. For example, as shown in FIG. 12, for the guard gate determined to be the effect rank A, the probability of rank A is set to 1.0, and the probabilities of ranks B, C, and D are set to 0.
  • FIG. 13 is a diagram for explaining the generation of the similarity graph 45 for each area characteristic in step S4.
  • the characteristics of the district are, for example, the population, the number of households, the population ratio of men and women, sales before implementation of measures, and the unit price of customers.
  • the prediction data generation unit 133 for example, includes a population similarity graph 45a, a household similarity graph 45b, a sex ratio similarity graph 45c, a sales similarity graph 45d, and a customer unit price similarity graph.
  • 45e is generated based on the purchase data 144.
  • each node 45N of each similarity graph 45 is a district.
  • a link 45L of a population similarity graph 45a, a household similarity graph 45b, a gender-ratio similarity graph 45c, a sales similarity graph 45d, and a customer unit price similarity graph 45e respectively includes a population, the number of households, It has link strength, which is the similarity between gender ratio, sales, and customer unit price.
  • step S4 the prediction data generation unit 133 calculates the link strength A kij in each similarity graph 45 by using equation (1).
  • k is a district characteristic such as population, sales, and unit price of customer
  • i and j are nodes 45N indicating the district
  • a kij is a link between the node i and the node j of the similarity graph 45 regarding the district characteristic k.
  • the intensity of 45L, v ki is the value of characteristic k of node i
  • v kj is the value of characteristic k of node j
  • ⁇ is a positive definite parameter.
  • n is the total number of area
  • a k is the link strength of the similarity graph 45 of the properties k district
  • link strength A k is specifically the matrix. That is, the process of normalizing v ki with respect to k is performed before calculating A kij . As a result, normalization is performed so that the sum of each row 161 indicating the link strength in the similarity graph of FIG.
  • FIG. 14 shows the operation of predicting the effect rank of the unimplemented district (details of step S5 in FIG. 9).
  • FIG. 15 is a diagram for explaining generation of a prediction graph for each effect rank.
  • FIG. 16 is a diagram for explaining the synthesis of the similarity graph 45.
  • FIG. 17 schematically shows propagation of the effect rank. In FIG. 17, the area indicated by the solid line indicates the area where the effect rank is determined, and the area indicated by the broken line indicates the area where the effect rank is not determined.
  • FIG. 18 is a diagram for explaining prediction of an effect rank for an unimplemented district.
  • the prediction data generation unit 133 performs steps S501 to S503 in FIG. 14 for each effect rank.
  • prediction graphs 450A, 450B, 450C, and 450D with the labels of ranks A, B, C, and D for the measure 1 are constructed.
  • the nodes of the prediction graphs 450A, 450B, 450C, and 450D are districts, and the link has a strength obtained by synthesizing the similarity of each characteristic of the district.
  • the effect rank is propagated from the district where the measure has been implemented to the district where it has not been implemented.
  • the prediction graphs 450A, 450B, 450C, and 450D are not particularly distinguished, they are collectively referred to as a prediction graph 450.
  • the prediction data generation unit 133 calculates the importance of each characteristic of the district (S501).
  • the prediction data generation unit 133 uses, for example, an EM (Expectation Maximization) algorithm and calculates the importance according to Expression (2).
  • the EM algorithm consists of an E step and an M step.
  • the E step calculates a plausible importance
  • the M step updates the probability of the effect rank so that the expected importance value calculated in the E step is maximized.
  • Equation (2) Is the importance after updating the characteristic k, f is the predicted value of the probability of the effect rank, L k is the graph Laplacian of the graph A k , ⁇ , ⁇ net are positive definite parameters, and n is the total number of districts.
  • the graph Laplacian L k can be obtained by Expression (3).
  • Prediction data generating unit 133 based on importance u k, and combines the similarity graph 45, to build a prediction graph 450 (S502). Specifically, the prediction data generation unit 133 calculates the link strengths A int of the prediction graphs 450A to 450D using the equation (4). Specifically, the link strength A int is a matrix.
  • the prediction data generation unit 133 calculates the probability of the effect rank of the neighboring node of the node whose effect rank is determined according to the link strength A int of the prediction graphs 450A to 450D (S503). That is, the prediction data generation unit 133 propagates the effect rank to a node near the node for which the effect rank is determined. For example, in the prediction graph 450A of the effect rank A shown in FIG. 17, the prediction data generation unit 133 calculates the probability of the effect rank A in the neighboring node of the node 451 for which the effect rank is determined based on the strength of the link 452. . For example, the probability of the effect rank A of the districts a and e near the district d and the districts f and g near the district h is calculated.
  • the prediction data generation unit 133 calculates the probability of the effect rank according to the equation (5).
  • Equation (5) Predicted value of the updated probability effects rank, f is the predicted value before updating the probability of effect rank, y is the probability of effect rank Performed district, G is calculated for the diagonal matrix, I n is the n-dimensional The unit matrix, L int is a graph Laplacian, ⁇ y , ⁇ bias , and ⁇ net are positive definite parameters.
  • the graph Laplacian L int is calculated by the equation (6).
  • the diagonal matrix for calculation G is as follows.
  • l is the number of completed districts
  • n is the total number of districts.
  • the prediction data generation unit 133 determines whether the calculation of the probability of all effect ranks has been completed for the neighboring nodes of the node for which the effect rank has been determined (S504). . For example, if all the probabilities of effect ranks A, B, C, and D have not been calculated, the process returns to step S501, and steps S501 to S503 are performed for the effect ranks that have not been calculated. When all the probabilities of the effect ranks A, B, C, and D are calculated, the process proceeds to step S505.
  • the prediction data generation unit 133 determines an effect rank based on the probability of each effect rank with respect to the neighboring node for which the probability of each effect rank is calculated (S505). For example, as shown in FIG. 18, “0.8”, “0.3”, “0.4”, and “0.1” are the probabilities of the effect ranks A, B, C, and D for the Kyobashi district. When calculated, the effect rank A of “0.8” having the highest probability is determined as the effect rank of the Kyobashi district.
  • the prediction data generation unit 133 determines whether or not the effect ranks of all the districts in the prediction graph 450 have been determined (S506). If the effect rank of all the districts has not been determined (No in S506), the process returns to step S501. Thereby, as shown in FIG. 17, the effect rank is propagated from the district where the effect rank is determined to the district where the effect rank is not determined.
  • the prediction data generation unit 133 stores the prediction data 145 in the storage unit 14 (S507).
  • the prediction data 145 includes, for example, information indicating the prediction graph 450 as illustrated in FIG. 8, that is, the prediction graphs 450A, 450B, 450C, and 450D.
  • the prediction data 145 includes the district that is the node 451, the strength A int of the link 452, the importance u k , the effect rank of each district that is the label 453, and the probability of the effect rank.
  • the prediction device 1 performs steps S1 to S5 shown in FIG. 9 for each measure.
  • the prediction apparatus 1 performs steps S501 to S503 shown in FIG. 14 for each effect rank. That is, the prediction device 1 generates a number of prediction graphs 450 corresponding to “number of measures ⁇ number of ranks” from the plurality of similarity graphs 45 and calculates the probability of the effect rank for each effect rank in each measure.
  • the prediction device 1 determines the effect rank with the highest probability for each district as the district effect rank.
  • FIG. 19 shows a functional configuration of the control unit 13 and data stored in the storage unit 14 when the prediction device 1 is recommended. .
  • the control unit 13 of the prediction device 1 includes a trade area setting unit 135, a purchase data supplementing unit 136, a prediction data updating unit 137, and a measure recommendation unit 138.
  • the commercial area setting unit 135 acquires store information indicating a target store for which the measure effect is to be predicted from the input unit 11 or the communication unit 12, and sets the commercial area.
  • the purchase data complementing unit 136 complements the purchase data 144 by calculating the sales and customer unit price of the new store based on the sales and unit price of the existing store.
  • the prediction data update unit 137 reconstructs the prediction graph 450 using the supplemented purchase data 144 and updates the prediction data 145.
  • the measure recommendation unit 138 determines a measure to recommend to the store based on the prediction data 145.
  • the measure recommendation unit 138 transmits measure recommendation information indicating the determined measure to the terminal device 2 via the communication unit 12.
  • FIG. 20 shows an operation at the time of recommendation by the control unit 13 of the prediction apparatus 1.
  • FIG. 21 shows an example of complementing the purchase data 144.
  • FIG. 22 is a diagram for explaining determination of the effect rank of the trade area.
  • FIG. 23 shows an example of recommendation and non-recommendation of measures according to the effect rank.
  • the trade area setting unit 135 when the trade area setting unit 135 acquires the store information indicating the store for which the measure effect is predicted from the input unit 11 or the communication unit 12, the trade area setting unit 135 sets the trade area of the store based on the store information (S ⁇ b> 601). ).
  • the trade area setting unit 135 specifies the residential area of the store visitor based on the ID-POS data 141 and the customer data 142 acquired from the prediction target store, and sets the trade area.
  • the trade area setting unit 135 may set a trade area within a predetermined distance from the prediction target store.
  • the trade area setting unit 135 determines whether or not a new area is included in the set business area (S602).
  • the new district is a district that is not included in the prediction data 145.
  • the process proceeds to step S603.
  • the effect rank of the set area is included in the prediction data 145, that is, when a new area is not included (No in S602), the process proceeds to step S606.
  • the purchase data complementing unit 136 acquires the district data 143 of the new district (S603).
  • the purchase data supplementing unit 136 acquires the district data 143 of the new district from the terminal device 2 or another external device and stores it in the storage unit 14.
  • the purchase data complementing unit 136 reads out from the storage unit 14 the district data 143 of the new district that has been acquired in advance and stored in the storage unit 14.
  • the purchase data complementing unit 136 supplements the purchase data 144 based on the district data 143 of the new district and the purchase data 144 of the existing district (S604). For example, as shown in FIG.
  • the purchase data complementing unit 136 adds the data 43 included in the district data 143 of the new district to the purchase data 144, and based on the sales and customer unit price 44A of the existing district, Sales and customer unit price 44B are calculated. For example, the purchase data complementing unit 136 sets the average value of sales and customer unit price in the existing district to the sales and customer unit price in the new district. The purchase data complementing unit 136 may calculate the sales and customer unit price of the new district from the sales and customer unit price of the existing district by regression analysis.
  • the prediction data update unit 137 reconstructs the prediction graph 450 of each measure using the supplemented purchase data 144 (S605).
  • the prediction data update unit 137 updates the prediction data 145 in the storage unit 14 based on the reconstructed prediction graph 450.
  • Step S605 for reconstructing the prediction graph 450 corresponds to steps S4 and S5 in FIG.
  • the measure recommendation unit 138 predicts the effect rank of all measures in the trade area based on the prediction data 145 (S606). For example, when the trade area set in step S601 includes a plurality of districts, for each measure, the population of the district is counted for each effect rank, and the effect rank with the largest population is set as the effect rank of the trade area. Specifically, for example, when a trade area P including “Moriguchi”, “Makoto Minamimon”, “Makoto Kitamon”, “Hirakata”, and “Kyobashi” shown in FIG. When determining the effect rank, first, the total population for each effect rank of measure 1 is calculated.
  • the total population for each effect rank of the measure 2 is calculated.
  • the population of effect rank A is 300
  • the population of effect rank B is 1200
  • the population of effect rank D is 100.
  • the effect rank C with the largest population is set as the effect rank of the trade area P.
  • step S601 When the trade area set in step S601 includes only one district, for example, in the example of FIG. 22, when the trade area Q is set, the effect rank of the Minojima area included in the trade area Q is set as the effect rank of the trade area Q. Is done.
  • the measure recommendation unit 138 determines a measure to recommend according to the predicted effect rank (S607). For example, as shown in FIG. 23, the measures of the effect ranks A and B are determined as the recommended measures.
  • the measure recommendation unit 138 transmits measure recommendation information indicating the determined measure to the terminal device 2 of the prediction target store specified in step S601 via the communication unit 12.
  • the policy recommendation information includes a policy recommendation text.
  • the terminal device 2 displays a recommendation text on the display unit 25 based on the measure recommendation information.
  • the prediction device 1 uses the label propagation method to propagate the effect rank of the measure from the district in the business area of the store where the measure has been implemented to the district in the business area of the store where the measure has not been implemented. .
  • the prediction device 1 predicts the effect ranks of all the measures in the commercial area of the store to be predicted based on the effect ranks of the propagated measures.
  • the prediction device 1 determines a recommended measure based on the predicted effect rank. As a result, even if there are few stores that have already implemented the measure, it is possible to recommend an effective measure at the store to be predicted.
  • FIG. 24 shows an example of the update operation of the prediction data 145 by the control unit 13 of the prediction device 1.
  • the prediction device 1 When the prediction device 1 generates the prediction data 145 for the first time, the prediction device 1 performs the processing shown in FIG.
  • the prediction device 145 already has the prediction data 145 in the storage unit 14, the prediction device 1 performs the process shown in FIG. Steps S11, S12, S13, S16, and S17 in FIG. 24 perform the same processing as steps S1, S2, S3, S4, and S5 in FIG.
  • Steps S14 and S15 are an example of update determination.
  • the data totaling unit 131 newly acquires ID-POS data 141, customer data 142, and district data 143 (S11). Based on the newly acquired ID-POS data 141, customer data 142, and district data 143, the data totaling unit 131 generates purchase data 144A before the implementation of the measure and purchase data 144B during the implementation of the measure ( S12).
  • the effect rank setting unit 132 sets the current effect rank of the measure for the district in the business area of the store where the measure has been implemented (S13).
  • the update determination unit 134 compares the current effect rank with the past effect rank (S14). The update determination unit 134 determines whether or not the effect rank has changed (S15).
  • the update determination unit 134 determines whether the average of the effect ranks of all the districts is different between the past and the present. If the average of the effect ranks of all the districts has fluctuated, the update determination unit 134 determines that the prediction data 145 needs to be updated, and proceeds to step S16.
  • the prediction data generation unit 133 calculates the similarity between the areas for each characteristic of the area, and generates the similarity graph 45 (S16).
  • the prediction data generation unit 133 reconstructs the prediction graph 450 by synthesizing the similarity graph 45 for each district characteristic, and predicts the effect rank of the district in the business area of the store where the measure is not implemented (S17). Thereby, the prediction data 145 is updated.
  • the prediction data generation unit 133 performs the above-described “2.5 Unimplemented district effect rank” when reconstructing the prediction graph 450.
  • the calculation described in “Prediction of Probability” is applied again to update the predicted value of the probability of importance and the rank of effect.
  • the prediction device 1 includes a storage unit 14 that stores purchase data 144 that represents the effect of a measure at a store that has already implemented the measure, and a measure at a store that does not implement the measure based on the purchase data 144. And a control unit 13 that predicts the effect.
  • the store where the measure has been implemented is an example of a first target for which the measure has been implemented.
  • a store that does not implement a measure is an example of a second target that does not implement a measure.
  • the purchase data 144 is an example of measure implementation information representing measure effects.
  • the control unit 13 includes a plurality of nodes including a node of at least one district associated with the first target store and a node of at least one district associated with the second target store, and between the nodes Based on the similarity, prediction graphs 450A to 450D configured by a plurality of links connecting nodes are constructed.
  • the node of at least one district associated with the first target store is an example of the first node.
  • the node of at least one district associated with the second target store is an example of the second node.
  • the prediction graphs 450A to 450D are examples of the first graph.
  • the control unit 13 determines the degree of the effect of the measure at the node in the implemented district, and the effect of the measure on the node in the unimplemented district based on the node of the implemented district in the prediction graphs 450A to 450D. Propagate the degree of. Thereby, even if there are few stores where measures have been implemented, it is possible to predict an effective measure in an unimplemented district. In the label propagation method, since the degree of measure effect is propagated in order from the district with the highest similarity, even if the similarity between the implemented district and the unimplemented district is low, it is effective for the unimplemented district. It becomes possible to predict measures.
  • the degree of the measure effect includes a plurality of effect ranks
  • the control unit 13 propagates each effect rank to the second node, and calculates the probability of each effect rank in the second node.
  • the control unit 13 determines the effect rank having the highest probability among the plurality of effect ranks as the effect rank of the second node. Thereby, the effect rank of the measure for every district can be accurately predicted.
  • the control unit 13 generates, for each characteristic, a similarity graph 45 including a plurality of nodes and a plurality of links that connect the nodes based on the similarity of each characteristic.
  • the similarity graph 45 is an example of a second graph.
  • the control unit 13 calculates the importance of each characteristic for each rank, and generates prediction graphs 450A to 450D by synthesizing the similarity graph 45 for each characteristic based on the importance. Thereby, since an effect rank is propagated according to the characteristic of a district, the effect rank of a measure for every district can be predicted with high accuracy.
  • the control unit 13 determines whether or not to recommend a measure to the second target store based on the measure effect of the second node. For example, the A rank and B rank measures are recommended to the store. Thereby, only effective measures can be recommended to the store.
  • the control unit 13 determines the effect rank of the trade area according to the effect rank of each district in the trade area.
  • a trade area is an example of a group.
  • the control unit 13 determines whether to recommend the measure to the prediction target store according to the effect rank of the trade area. Thereby, an effective measure can be recommended to the store.
  • the control unit 13 generates a prediction graph 450 for each of the plurality of measures, propagates the degree of the measure effect, and determines a recommended measure from the plurality of measures based on the measure effect level. Thereby, an effective measure can be recommended to the store from a plurality of measures.
  • the prediction device 1 may be connected to the terminal device 2 in each store together with the terminal device 2.
  • the prediction system 100 is configured by the prediction device 1 and the terminal device 2. However, all the functions of the prediction system 100 may be realized by a single device. Another prediction device may perform part of the functions of the prediction device 1 described in the above embodiment.
  • a prediction device including a data totaling unit 131, an effect rank setting unit 132, a prediction data generation unit 133, and an update determination unit 134 that are functions at the time of learning, and a trade area setting unit 135, a purchase that are functions at the time of recommendation
  • Another apparatus may be sufficient as the prediction apparatus provided with the data complementation part 136, the prediction data update part 137, and the measure recommendation part 138.
  • the effect rank of the implemented district is set based on the change in sales before and during the implementation of the measure, but the effect rank may be set by another method.
  • the effect rank may be set based on any one of sales, the number of store visitors, a unit price of customers, an arrival rate, a purchase rate, and a store visit rate before and during the implementation of the measure.
  • the arrival rate the number of people reaching the shelf / the number of visitors
  • the purchase rate the number of purchasers of products / the number of visitors
  • the visit rate the number of visitors in the district / the population of the district.
  • values obtained by correcting the obtained numerical values by a seasonal adjustment method or the like may be used.
  • the numerical value may be corrected by a census station method, MITI method, monthly average method, Parsons method, or 12-month moving average method.
  • the node 451 is a district and the link 452 is the degree of similarity such as the population, the number of households, and the unit price of customers in the prediction graph 450 that propagates the effect rank of the measure.
  • the node 451 and the link 452 are not limited to the above embodiment.
  • the node 451 may be a store, and the link 452 may be sales between stores or the similarity of the sales ratio for each category.
  • the node 451 may be a customer, and the link 452 may be the purchase amount of the customer or the similarity of the purchase ratio for each category.
  • the total population for each effect rank is calculated, and the effect rank with the largest population is set as the effect rank of the trade area.
  • the criteria for setting the trade rank effect rank are not limited to the total population.
  • the maximum effect rank may be set as the effect rank of the trade area by adding the number of households, the sales scale, etc. for each effect rank.
  • the past effect rank of the district where the measure is implemented is compared with the current effect rank, and it is determined whether or not the prediction data 145 needs to be updated.
  • the update determination unit 134 may determine whether or not the prediction data 145 needs to be updated based on at least one of the newly acquired ID-POS data 141, customer data 142, and district data 143.
  • the update determination unit 134 may determine whether the prediction data 145 needs to be updated based on the newly generated purchase data 144.
  • the update determination unit 134 may update the prediction data 145 by reconstructing the prediction graph 450 when the purchase ratio of a specific product or product category changes by a predetermined value or more.
  • the update determination unit 134 may generate data representing an economy such as a sales scale from the purchase data 144 and reconstruct the prediction graph 450 and update the prediction data 145 when a change in the economy is detected.
  • the update determination unit 134 may exclude the district where the purchased product is biased from the construction of the prediction graph 450.
  • the prediction graph 450 may be reconstructed when the proportion of occupations of residents in the district or the proportion of foreigners changes. Depending on the characteristics of the resident of the district, for example, a district with a high proportion of special occupations may be excluded from the reconstruction of the prediction graph 450.
  • Whether or not renewal is necessary may be determined according to the amount of change in usage time of each resident by media.
  • the usage time for each medium is, for example, average TV viewing time, Internet usage time, smartphone usage time, and newspaper subscription rate.
  • the update determination unit 134 may determine whether update is necessary based on time information indicating the month, season, day of the week, or year. For example, the prediction graph 450 may be reconstructed every month.
  • the update determination unit 134 may update the prediction data 145 at a timing designated by the user via the input unit 11 or the communication unit 12.
  • the prediction of the effect such as sales of seasonal products is performed, and the reconstruction of the prediction graph 450 may be terminated when the prediction error becomes smaller than a predetermined threshold.
  • a prediction graph may be generated in which the customer is the target, the purchase amount of the customer or the purchase rate for each category is a link, and the label is the product purchase tendency.
  • the prediction graph may be used to recommend a product at a retail store.
  • Modification 2 A prediction graph may be generated that targets a product, uses a degree of similarity such as sales, number of sales, and purchase rate as a link, and labels a measure effect for each product. This prediction graph may be used to recommend measures for category areas such as fruits and vegetables at retail stores.
  • Modification 3 Targeting factories or distribution bases (distribution divisions), using demographics such as employee age, gender, etc., building age, climatic conditions, equipment specifications, etc. as links, and production efficiency
  • a prediction graph with the effect rank due to the change in the throughput or the change in the throughput as a label may be generated. This prediction graph may be used to recommend measures for improving business efficiency in factories or logistics bases. Examples of measures for improving business efficiency include layout change and work system.
  • Variation 4 For a department, generate a prediction graph that links the similarities of employees in the department such as age, gender, years of service, etc., and uses the label as the effect rank due to changes in work efficiency when the system is renewed. Also good. This prediction graph may be used to recommend renewal of information systems in companies or local governments.
  • Modified example 5 For an entertainment facility, a prediction graph is generated by using the similarity such as the age, gender, nationality, or number of visitors as a link and labeling the effect rank according to the change in the customer collection rate or the sales UP rate. Also good. The prediction graph may be used to recommend measures to entertainment facilities such as a zoo or an aquarium.
  • Variation 6 Generate a prediction graph with the subject as a resident or town, the population, sex ratio, or the similarity such as the number of accidents as a link, and the effect of an accident prevention campaign or crime prevention campaign as a label Also good.
  • the prediction graph may be used to recommend a measure to a company or a local government.
  • a) Driving method to the driver of the car b) Examination school for entrance examination, c) Travel destination or travel plan by residence characteristics, d) News site by application usage rate, e) Place or content of CM according to viewer characteristics, f) Place or content of advertisement according to passer characteristics, g) Exercise based on daily exercise characteristics or geographic information, h) Physical condition, biological signal Alternatively, recommendation of behavior such as meal, sleep, or walking according to the surrounding environment may be performed.
  • the prediction device includes a storage unit that stores measure implementation information representing the measure effect in the first target for which the measure has been implemented, and a second unit that does not implement the measure based on the measure implementation information.
  • a control unit that predicts a measure effect on the target, the control unit including at least one first node associated with the first target and at least one second node associated with the second target
  • a first graph composed of a plurality of nodes including a plurality of nodes and a plurality of links connecting the nodes based on the similarity between the nodes is constructed, and the measure at the first node is based on the measure implementation information
  • the degree of effect is determined, and the measure effect degree is propagated to the second node from the first node in the first graph.
  • control unit may determine whether to recommend the measure to the second target based on the measure effect of the second node.
  • the degree of the measure effect includes a plurality of ranks
  • the control unit propagates each rank to the second node,
  • the probability of each rank in the node may be calculated, and the rank having the highest probability among the plurality of ranks may be determined as the rank of the second node.
  • a plurality of nodes are related to a plurality of characteristics
  • the control unit includes a plurality of nodes and a plurality of links that connect the nodes based on the similarity of each characteristic.
  • the second graph to be generated is generated for each characteristic, the importance of each characteristic is calculated for each rank, and the second graph for each characteristic is synthesized into one based on the importance. May be generated.
  • the control unit determines the rank of the group according to the rank of each node in the group. Depending on the rank of the group, it may be determined whether to recommend the measure to the second target.
  • the first object and the second object are stores, and the node is a store, a district within the store's business area, or a customer who visits the store. You may correspond to either of them.
  • a node corresponds to a district, and the similarity between nodes relates to at least one of the population in the district, the number of households, the population gender ratio, sales, and the unit price of customers. Similarity may be used.
  • control unit determines the measure effect level of the first node before implementing the measure for at least one of sales, the number of customers, and the unit price of customers. And may be determined based on the difference during implementation.
  • the trade area of the second target store includes one or more districts, and the control unit sets the measure effect of the trade area to the measure effect of the district included in the trade area. It may be determined accordingly, and whether to recommend the measure to the second target store may be determined according to the measure effect of the trade area.
  • control unit In the prediction device of (2), the control unit generates a first graph for each of the plurality of measures, propagates the degree of the measure effect, and recommends from the plurality of measures based on the measure effect level. You may decide what to do.
  • the first object and the second object are factories, and the plurality of nodes are factories, age of buildings, weather conditions, equipment
  • the specification may correspond to any of the employees working in the factory.
  • the first object and the second object are distribution bases, and the plurality of nodes include a distribution base, a building age, a weather condition, It may correspond to any of the specifications of the equipment and the employees working at the distribution base.
  • the prediction method of the present disclosure is based on the measure implementation information indicating the measure effect in the first target that has already been implemented, and the effect of the measure in the second target that is not implementing the measure by the calculation unit.
  • a prediction method for predicting, a plurality of nodes including at least one first node associated with a first object and at least one second node associated with a second object, and between the nodes A step of constructing a graph composed of a plurality of links that connect nodes based on the degree of similarity (S502), and a step of determining the degree of measure effect at the first node based on measure implementation information (S3) ) And a step (S503) of propagating the degree of the measure effect to the second node from the first node as a base point in the graph.
  • the prediction device and the prediction method described in all claims of the present disclosure are realized by cooperation with hardware resources, for example, a processor, a memory, and a program.
  • the prediction device of the present disclosure is useful, for example, as a device that recommends an effective measure for a store that does not implement the measure.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

効果的な施策を予測する予測装置、予測方法、及びプログラムを提供する。予測装置（１）は、施策を実施済みの第１の対象における施策効果を表す施策実施情報（１４４）を格納する記憶部（１４）と、施策実施情報に基づいて、施策を実施していない第２の対象における施策効果を予測する制御部（１３）と、を備え、制御部は、第１の対象に関連付けられた少なくとも１つの第１のノードと、第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成される第１のグラフ（４５０Ａ～４５０Ｄ）を構築し、施策実施情報に基づいて、第１のノードにおける施策効果の程度を決定し、第１のグラフにおいて第１のノードを基点にして第２のノードに施策効果の程度を伝搬する。

Description

予測装置、予測方法、及びプログラム
　本開示は、施策効果を予測する予測装置、予測方法、及びプログラムに関する。
　特許文献１は、購買予測分析システムを開示している。購買予測分析システムは、地域を複数の因子でクラスタ分析し、クラスタ毎に商品購入率を算出する。購買予測分析システムは、算出した商品購入率の採用又は不採用を所定基準に基づいて決定する。購買予測分析システムは、商品購入率を採用したクラスタの地域の商品購入率を目的変数とし、その地域の因子得点を説明変数として、重回帰分析の計算式である予測モデルを生成する。購買予測分析システムは、生成した計算式を用いて、全ての地域について、地域の説明変数から商品購入率を演算して予測する。これにより、商品購入率が適正に得られない地域においても、適正な商品購入率を予測できるようにしている。
特開２０１６－６６２１号公報
　本開示は、効果的な施策を予測する予測装置、予測方法、及びプログラムを提供する。
　本開示の予測装置は、施策を実施済みの第１の対象における施策効果を表す施策実施情報を格納する記憶部と、施策実施情報に基づいて、施策を実施していない第２の対象における施策効果を予測する制御部と、を備える。制御部は、第１の対象に関連付けられた少なくとも１つの第１のノードと、第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成される第１のグラフを構築し、施策実施情報に基づいて、第１のノードにおける施策効果の程度を決定し、第１のグラフにおいて第１のノードを基点にして第２のノードに施策効果の程度を伝搬する。
　これらの概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
　本開示の予測装置、予測方法、及びプログラムによれば、ノードとリンクを含むグラフを用いて施策効果の程度を伝搬するため、施策を実施していない対象に対して、効果的な施策を予測することができる。
予測装置と端末装置の構成を示すブロック図 学習時における制御部の機能的構成と記憶部に格納されるデータを示す図 ＩＤ－ＰＯＳデータの一例を示す図 顧客データの一例を示す図 地区データの一例を示す図 施策実施前の購買データの一例を示す図 施策実施中の購買データの一例を示す図 予測データの一例を模式的に示す図 予測装置の予測データの生成動作を示すフローチャート 実施済み地区についての効果ランクの設定処理を示すフローチャート 実施済み地区についての施策効果値の算出と効果ランクの設定を説明するための図 実施済み地区についてのランク確率の設定を説明するための図 地区特性毎の類似度グラフの構築を説明するための図 未実施地区についての効果ランクの予測処理を示すフローチャート 効果ランク毎の予測グラフの構築を説明するための図 重要度に基づく類似度グラフの合成を説明するための図 効果ランクの伝搬を模式的に示す図 未実施地区についての効果ランクの予測を説明するための図 推薦時における制御部の機能的構成と記憶部に格納されているデータを示す図 予測装置の推薦動作を示すフローチャート 新規地区における購買データの補完を説明するための図 商圏の効果ランクの決定を説明するための図 効果ランクに応じた推薦と非推薦を説明するための図 予測装置の予測データの更新動作を示すフローチャート
（本開示の基礎となった知見）
　施策を実施する対象に対して、複数の施策候補の中から有効な施策を選択して推薦することが望まれる。施策を実施する対象は、例えば、地域、店舗である。しかし、特許文献１のような購買予測分析システムでは、施策の効果が判明している地域が少ない場合、施策の効果が判明していない地域に対して施策効果を予測することは困難であった。そのため、施策を実施していない地域に対して有効な施策を推薦できなかった。
　本開示は、施策を実際に実施した対象が少ない場合であっても、施策を実施していない他の対象に対して、有効な施策を予測して推薦することができる予測装置を提供する。
（実施形態）
　以下、実施形態について、図面を参照しながら説明する。本実施形態では、施策を実施する対象が店舗であって、施策を店舗に推薦する例について説明する。本実施形態において、店舗に集客できる範囲である商圏は１つ以上の地区を含む。本実施形態の予測装置は、機械学習の種類の一つであるラベル伝搬法を使用して、施策を実施済みの店舗の商圏内の地区から、施策を実施していない店舗の商圏内の地区へと、各施策の効果の程度を示す効果ランクを伝搬する。これにより、施策を実施していない店舗における各施策の効果の程度を予測し、効果が高い施策を店舗に推薦する。例えば、少数の小売チェーン店舗の商圏内における施策実績を基に、複数の施策から効果が高いと予測された施策を別の商圏の店舗に推薦する。店舗で実施される施策は、例えば、ＰＯＰ、島陳列、ＬＥＤサイン、店内ビジョン、レシートクーポン、ポイントＵＰである。
　本明細書において、施策を実施済みの店舗の商圏内の地区を「実施済み地区」とも称する。実施済み地区を除き、施策を実施していない店舗の商圏内の地区を「未実施地区」とも称する。
１．　予測装置と端末装置の構成
　図１は、予測装置１と端末装置２の構成を示している。予測装置１と複数の端末装置２とによって、予測システム１００を構成する。予測システム１００は、施策実施済みの店舗のデータを使用して、施策を実施していない店舗に対して有効な施策を予測して推薦する。
　予測装置１はサーバである。端末装置２は、ＰＯＳ（Point of Sales）レジスタ、パソコン、タブレット端末、及びスマートフォン等の種々の情報処理装置である。例えば、予測装置１はクラウドサーバであり、端末装置２は店舗内に設置される。この場合、予測装置１と端末装置２は、インターネット経由により接続される。
　予測装置１は、入力部１１、通信部１２、制御部１３、記憶部１４、及びバス１５を備える。
　入力部１１は、ユーザによる種々の操作を入力するユーザインタフェースである。入力部１１は、タッチパネル、キーボード、ボタン、スイッチ、又はこれらの組み合わせによって実現できる。
　通信部１２は、所定の通信規格に準拠して外部機器との通信を行う回路を含む。所定の通信規格は、例えば、ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＵＳＢ、ＨＤＭＩ（登録商標）である。通信部１２は、複数の店舗にある端末装置２から、各店舗に関するデータを取得する。本実施形態においては、店舗に関するデータとして、ＩＤ－ＰＯＳデータ、顧客データ、及び地区データを取得する。なお、地区データは、端末装置２から取得してもよいし、別の外部装置から取得してもよい。通信部１２は、推薦する施策を示す施策推薦情報を端末装置２に送信する。
　制御部１３は、半導体素子などで実現可能である。制御部１３は、例えば、マイコン、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣで構成することができる。制御部１３の機能は、ハードウェアのみで構成してもよいし、ハードウェアとソフトウェアとを組み合わせることにより実現してもよい。制御部１３は、記憶部１４に格納されたデータやプログラムを読み出して種々の演算処理を行うことで、所定の機能を実現する。
　記憶部１４は、予測装置１の機能を実現するために必要なプログラム及びデータを記憶する記憶媒体である。記憶部１４は、例えば、ハードディスク（ＨＤＤ）、ＳＳＤ、ＲＡＭ、ＤＲＡＭ、強誘電体メモリ、フラッシュメモリ、磁気ディスク、又はこれらの組み合わせによって実現できる。
　バス１５は、入力部１１、通信部１２、制御部１３、及び記憶部１４を電気的に接続する信号線である。
　端末装置２は、入力部２１、通信部２２、制御部２３、記憶部２４、表示部２５、及びバス２６を備える。
　端末装置２は、入力部２１又は通信部２２により、ＩＤ－ＰＯＳデータ、顧客データ、及び地区データを取得する。
　入力部２１は、バーコードリーダ、カードリーダ、タッチパネル、キーボード、ボタン、スイッチ、又はこれらの組み合わせによって実現できる。
　通信部２２は、所定の通信規格に準拠して外部機器との通信を行う回路を含む。所定の通信規格は、例えば、ＬＡＮ、Ｗｉ－Ｆｉ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＵＳＢ、ＨＤＭＩ（登録商標）である。通信部２２は、ＩＤ－ＰＯＳデータ、顧客データ、及び地区データを予測装置１に送信する。通信部２２は、施策推薦情報を予測装置１から取得する。
　制御部２３は、半導体素子などで実現可能である。制御部２３は、例えば、マイコン、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＤＳＰ、ＦＰＧＡ、ＡＳＩＣで構成することができる。制御部２３の機能は、ハードウェアのみで構成してもよいし、ハードウェアとソフトウェアとを組み合わせることにより実現してもよい。制御部２３は、記憶部２４に格納されたデータやプログラムを読み出して種々の演算処理を行うことで、所定の機能を実現する。
　記憶部２４は、端末装置２の機能を実現するために必要なプログラム及びデータを記憶する記憶媒体である。記憶部２４は、例えば、ハードディスク（ＨＤＤ）、ＳＳＤ、ＲＡＭ、ＤＲＡＭ、強誘電体メモリ、フラッシュメモリ、磁気ディスク、又はこれらの組み合わせによって実現できる。
　表示部２５は、例えば、液晶ディスプレイ又は有機ＥＬディスプレイである。表示部２５は、例えば、施策推薦情報が示す施策の推薦文を表示する。
　バス２６は、入力部２１、通信部２２、制御部２３、記憶部２４、及び表示部２５を電気的に接続する信号線である。
２．　予測装置の学習時の動作
２．１　予測装置の学習時の機能的構成
　図２～図８を参照して、予測装置１の学習時における機能について説明する。図２は、予測装置１の学習時における制御部１３の機能的構成と記憶部１４に格納されるデータを示している。図３は、ＩＤ－ＰＯＳデータ１４１の一例を示している。図４は、顧客データ１４２の一例を示している。図５は、地区データ１４３の一例を示している。図６は、施策を実施する前の購買データ１４４Ａの一例を示している。図７は、施策を実施中の購買データ１４４Ｂの一例を示している。図８は、予測データ１４５の一例を模式的に示している。本実施形態において、図８に示す地区ａ，ｂ，ｃ等は、図５～図７に示す地区「守口」、「南門真」、「北門真」などに対応する。
　図２に示すように、予測装置１の制御部１３は、データ集計部１３１、効果ランク設定部１３２、予測データ生成部１３３、及び更新判定部１３４を含む。
　予測装置１の記憶部１４には、複数の店舗内の端末装置２から通信部１２を介して取得されたＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３が格納される。
　ＩＤ－ＰＯＳデータ１４１は、商品の売上を示すデータである。図３の例では、ＩＤ－ＰＯＳデータ１４１は、商品が購入された日時、商品を購入した顧客のＩＤ、買上商品、商品の単価と購入された個数、及び購入された商品の合計金額を含む。
　顧客データ１４２は、顧客に関するデータである。図４の例では、顧客データ１４２は、顧客ＩＤ、性別、顧客の居住地の郵便番号、及び誕生月を含む。
　地区データ１４３は、地区の特性を示すデータである。図５の例では、地区データ１４３は、地区の郵便番号と地区名、地区内の人口、世帯数、及び人口男女比を含む。
　データ集計部１３１は、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３を集計して、購買データ１４４を生成する。データ集計部１３１は、生成した購買データ１４４を記憶部１４に格納する。
　購買データ１４４は、図６及び図７に示すように、施策を実施する前の購買データ１４４Ａと、施策実施中の購買データ１４４Ｂを含む。図６及び図７の例では、購買データ１４４Ａ，１４４Ｂは、地区の郵便番号と地区名、地区内の人口、世帯数、人口男女比、地区内の売上、及び客単価を含む。データ集計部１３１は、例えば、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３に基づいて、店舗の商圏内の地区の売上と客単価を算出する。購買データ１４４の生成において、各地区が複数の店舗の商圏に関連する場合、すなわち、各地区が複数の店舗に関連する場合、地区毎に関連する全店舗の売上が合算されてもよい。購買データ１４４の生成において、各地区が１つの店舗のみに関連付けられてもよい。購買データ１４４は、施策の効果を表す施策実施情報の一例である。例えば、購買データ１４４Ａ，１４４Ｂの売上の差分が施策の効果を表す。
　効果ランク設定部１３２は、施策を実施済みの店舗の商圏内の地区である実施済み地区に対して施策の効果ランクを決定する。具体的には、効果ランク設定部１３２は、施策実施前の購買データ１４４Ａと、施策実施中の購買データ１４４Ｂとに基づいて、施策効果値を算出する。効果ランク設定部１３２は、施策効果値を所定の閾値と比較することによって、施策の効果の程度を複数の効果ランクに分ける。複数の効果ランクは、例えば、ランクＡ，Ｂ，Ｃ，Ｄである。
　予測データ生成部１３３は、施策を実施していない店舗の商圏内の地区である未実施地区に対して施策の効果ランクを予測する。具体的には、予測データ生成部１３３は、各施策の予測グラフを構築し、ラベル伝搬法により、実施済み地区のノードから未実施地区のノードへと効果ランクを伝搬する。これにより、予測データ生成部１３３は、各施策の、地区毎の効果ランクを示す予測データ１４５を生成して記憶部１４に格納する。
　予測データ１４５は、例えば、図８に示すような予測グラフ４５０を示す情報を含む。予測グラフ４５０を示す情報は、例えば、複数の類似度グラフを合成するときの重み付けである重要度を含む。重要度についての詳細は後述する。予測グラフ４５０は、ノード４５１、ノード４５１間を結ぶリンク４５２、及びノード４５１に付与されるラベル４５３により構成される。本実施形態において、ノード４５１は地区に対応する。リンク４５２は地区間の類似度に対応する。すなわち、リンク４５２は、地区間の類似度に相当する強度を有し、例えば、予測データ１４５は、予測グラフ４５０内の全てのリンク４５２の強度を示す情報を含む。ラベル４５３は施策の効果ランクに対応する。予測データ１４５は、例えば、図２２に示すような、地区データ１４３に施策毎の効果ランクを追加したデータを含む。
　更新判定部１３４は、予測データ１４５を更新するか否かを判定する。例えば、更新判定部１３４は、効果ランク設定部１３２が設定した実施済み地区についての効果ランクの変動に基づいて、予測データ１４５を更新するか否かを判定する。更新判定部１３４は、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、地区データ１４３、及び購買データ１４４のうちの少なくとも１つに基づいて、予測データ１４５を更新するか否かを判定してもよい。更新判定部１３４は、予測データ１４５を更新することを決定すると、予測データ生成部１３３に予測データ１４５の更新を指示する。これにより、予測データ生成部１３３において、予測グラフ４５０が再構築され、予測データ１４５が更新される。
２．２　学習時の全体動作
　図９は、予測装置１の制御部１３による予測データの生成動作を示している。
　データ集計部１３１は、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３を取得する（Ｓ１）。例えば、データ集計部１３１は、複数の店舗の端末装置２から、施策を実施する前の所定期間に相当するＩＤ－ＰＯＳデータ１４１と、所定期間に対応する顧客データ１４２及び地区データ１４３を取得する。さらに、データ集計部１３１は、施策実施中の所定期間に相当するＩＤ－ＰＯＳデータ１４１と、所定期間に対応する顧客データ１４２及び地区データ１４３を、施策を実施した店舗の端末装置２から取得する。所定期間は、例えば、１ヶ月間である。データ集計部１３１は、事前に端末装置２から取得して記憶部１４に格納していたＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３を、ステップＳ１において記憶部１４から読み出してもよい。
　データ集計部１３１は、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３に基づいて、施策を実施する前の購買データ１４４Ａと、施策実施中の購買データ１４４Ｂを生成する（Ｓ２）。
　効果ランク設定部１３２は、施策を実施済みの店舗の商圏内の地区に対して施策の効果ランクを設定する（Ｓ３）。
　予測データ生成部１３３は、地区の特性毎に、地区間の類似度を算出して、類似度グラフを生成する（Ｓ４）。地区の特性は、例えば、人口、世帯数、人口男女比、売上、客単価である。例えば、人口の類似度グラフ、世帯数の類似度グラフ、男女比の類似度グラフ、売上の類似度グラフ、及び客単価の類似度グラフをそれぞれ生成する（図１３参照）。
　予測データ生成部１３３は、地区の特性毎の類似度グラフを合成して予測グラフを生成し、施策を実施していない店舗の商圏内の地区の効果ランクを予測する（Ｓ５）。これにより、予測データ１４５が生成される。
　予測装置１は、ステップＳ１～Ｓ５の処理を施策毎に行う。
２．３　実施済みの地区の効果ランクの設定
　図１０～図１２を参照して、施策を実施済みの店舗の商圏内の地区である実施済み地区の効果ランクの設定について説明する。図１０は、実施済み地区の効果ランクの設定の動作（図９のステップＳ３の詳細）を示している。図１１は、施策効果値と効果ランクの一例を示している。図１２は、ランク確率の一例を示している。
　効果ランク設定部１３２は、施策実施前の購買データ１４４Ａと施策実施中の購買データ１４４Ｂとに基づいて、施策効果値を算出する（Ｓ３０１）。例えば、「施策効果値＝施策実施中の売上／施策実施前の売上×１００」により、施策効果値を算出する。
　効果ランク設定部１３２は、施策効果値に基づいて、効果ランクを決定する（Ｓ３０２）。例えば、効果ランク設定部１３２は、施策効果値を３つの閾値と比較して、ランクＡ，Ｂ，Ｃ，Ｄのいずれかにランク付けする。
　効果ランク設定部１３２は、決定した効果ランクに応じて、それぞれの効果ランクの確率を設定する（Ｓ３０３）。具体的には、ランク付けされた効果ランクの確率を１．０に設定し、ランク付けされなかった効果ランクの確率を０に設定する。例えば、図１２に示すように、効果ランクＡに決定された守口については、ランクＡの確率を１．０に設定し、ランクＢ，Ｃ，Ｄの確率を０に設定する。
２．４　類似度グラフの構築
　図１３は、ステップＳ４における地区の特性毎の類似度グラフ４５の生成を説明するための図である。地区の特性は、例えば、人口、世帯数、人口男女比、施策実施前売上、客単価である。予測データ生成部１３３は、ステップＳ４において、例えば、人口の類似度グラフ４５ａ、世帯数の類似度グラフ４５ｂ、男女比の類似度グラフ４５ｃ、売上の類似度グラフ４５ｄ、及び客単価の類似度グラフ４５ｅを購買データ１４４に基づいて生成する。人口の類似度グラフ４５ａ、世帯数の類似度グラフ４５ｂ、男女比の類似度グラフ４５ｃ、売上の類似度グラフ４５ｄ、及び客単価の類似度グラフ４５ｅを特に区別しない場合、まとめて、類似度グラフ４５と称する。各類似度グラフ４５のノード４５Ｎはいずれも地区である。人口の類似度グラフ４５ａ、世帯数の類似度グラフ４５ｂ、男女比の類似度グラフ４５ｃ、売上の類似度グラフ４５ｄ、及び客単価の類似度グラフ４５ｅのリンク４５Ｌは、それぞれ、人口、世帯数、男女比、売上、及び客単価の類似度であるリンク強度を有する。
　具体的には、ステップＳ４において、予測データ生成部１３３は、各類似度グラフ４５におけるリンク強度Ａｋｉｊを、式（１）により算出する。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、ｋは人口、売上、客単価などの地区の特性、ｉ，ｊは地区を示すノード４５Ｎ、Ａｋｉｊは地区の特性ｋに関する類似度グラフ４５のノードｉとノードｊのリンク４５Ｌの強度、ｖｋｉはノードｉの特性ｋの値、ｖｋｊはノードｊの特性ｋの値、σは正定値パラメータである。リンク強度Ａｋｉｊは、具体的には、行列Ａｋの（ｉ，ｊ）成分である。リンク強度Ａｋｉｊの算出において、Ａｋ１ｎ＝１ｎとなるように規格化を行う。ここで、ｎは全地区数であり、Ａｋは地区の特性ｋについての類似度グラフ４５のリンク強度であり、リンク強度Ａｋは具体的には行列である。すなわち、ｖｋｉをｋに関して正規化する処理をＡｋｉｊの計算前に行う。これにより、図１６の類似度グラフのリンク強度を示す各行１６１の合計が１となるように規格化される。
２．５　未実施地区の効果ランクの確率の予測
　図１４～図１８を参照して、施策を実施していない店舗の商圏内の地区である未実施地区の効果ランクの予測について説明する。図１４は、未実施地区の効果ランクの予測の動作（図９のステップＳ５の詳細）を示している。図１５は、効果ランク毎の予測グラフの生成を説明するための図である。図１６は、類似度グラフ４５の合成を説明するための図である。図１７は、効果ランクの伝搬を模式的に示している。図１７において、実線で示す地区は効果ランクが決定した地区を示し、破線で示す地区は効果ランクが決定していない地区を示している。図１８は、未実施地区についての効果ランクの予測を説明するための図である。
　予測データ生成部１３３は、図１４のステップＳ５０１～Ｓ５０３を効果ランク毎に行う。これにより、図１５に示すように、例えば、施策１について、ランクＡ，Ｂ，Ｃ，Ｄをラベルとした予測グラフ４５０Ａ，４５０Ｂ，４５０Ｃ，４５０Ｄがそれぞれ構築される。予測グラフ４５０Ａ，４５０Ｂ，４５０Ｃ，４５０Ｄのノードは地区であり、リンクは地区の各特性の類似度を合成した強度を有する。予測グラフ４５０Ａ，４５０Ｂ，４５０Ｃ，４５０Ｄにおいて、施策の実施済み地区から未実施地区へと、それぞれ効果ランクを伝搬する。予測グラフ４５０Ａ，４５０Ｂ，４５０Ｃ，４５０Ｄを特に区別しない場合は、まとめて、予測グラフ４５０と称する。
　具体的には、予測データ生成部１３３は、地区の各特性の重要度を算出する（Ｓ５０１）。予測データ生成部１３３は、例えば、ＥＭ（Expectation Maximization）アルゴリズムを使用し、式（２）により重要度を算出する。ＥＭアルゴリズムはＥステップとＭステップからなる。Ｅステップは尤もらしい重要度を計算し、ＭステップはＥステップで計算される重要度の期待値が最大となるように効果ランクの確率を更新する。
（Ｅステップ）
Figure JPOXMLDOC01-appb-M000002
　式（２）において、
Figure JPOXMLDOC01-appb-I000003
は特性ｋの更新後の重要度、ｆは効果ランクの確率の予測値、ＬｋはグラフＡｋのグラフラプラシアン、ν，βｎｅｔは正定値パラメータ、ｎは全地区数である。
　グラフラプラシアンＬｋは式（３）により求めることができる。
Figure JPOXMLDOC01-appb-M000004
　予測データ生成部１３３は、重要度ｕｋに基づいて、各類似度グラフ４５を合成して、予測グラフ４５０を構築する（Ｓ５０２）。具体的には、予測データ生成部１３３は、式（４）により、予測グラフ４５０Ａ～４５０Ｄのリンク強度Ａｉｎｔを算出する。リンク強度Ａｉｎｔは、具体的には、行列である。
Figure JPOXMLDOC01-appb-M000005
　図１６は、説明を簡単にするために、人口と、世帯数と、客単価の類似度グラフ４５のリンク強度Ａｋから、予測グラフ４５０のリンク強度Ａｉｎｔを算出する例を示している。式（４）及び図１６に示すように、類似度グラフ４５のリンク強度Ａｋに、地区の特性毎に求めた重要度ｕｋを乗算して、総和を算出することによって、予測グラフ４５０Ａ～４５０Ｄのリンク強度Ａｉｎｔをそれぞれ算出する。
　予測データ生成部１３３は、予測グラフ４５０Ａ～４５０Ｄのリンク強度Ａｉｎｔに従って、効果ランクが決定しているノードの近傍ノードの効果ランクの確率を算出する（Ｓ５０３）。すなわち、予測データ生成部１３３は、効果ランクが決定しているノードの近傍のノードに効果ランクを伝搬する。例えば、図１７に示す効果ランクＡの予測グラフ４５０Ａにおいて、予測データ生成部１３３は、効果ランクが決定しているノード４５１の近傍ノードにおける効果ランクＡの確率をリンク４５２の強度に基づいて算出する。例えば、地区ｄの近傍の地区ａ，ｅと、地区ｈの近傍の地区ｆ，ｇの効果ランクＡの確率を算出する。
　具体的には、予測データ生成部１３３は、式（５）により、効果ランクの確率を算出する。
（Ｍステップ）
Figure JPOXMLDOC01-appb-M000006
　式（５）において、
Figure JPOXMLDOC01-appb-I000007
は効果ランクの確率の更新後の予測値、ｆは効果ランクの確率の更新前の予測値、ｙは実施済み地区の効果ランクの確率、Ｇは計算用対角行列、Ｉｎはｎ次元の単位行列、Ｌｉｎｔはグラフラプラシアン、βｙ，βｂｉａｓ，βｎｅｔは正定値パラメータである。グラフラプラシアンＬｉｎｔは式（６）により算出される。
Figure JPOXMLDOC01-appb-M000008
　計算用対角行列Ｇは以下である。ここで、ｌは実施済み地区の数、ｎは全地区数である。
Figure JPOXMLDOC01-appb-M000009
　ＥＭアルゴリズムでは式（２）と式（５）を利用して、繰り返し、重要度と効果ランクの確率の予測値を算出し、更新前の値と比較した際の変化量が閾値を下回った場合に、効果ランクの確率の予測値を決定する。
２．６　未実施地区の効果ランクの決定
　予測データ生成部１３３は、効果ランクが決定しているノードの近傍ノードについて、全効果ランクの確率の算出が完了したか否かを判断する（Ｓ５０４）。例えば、効果ランクＡ，Ｂ，Ｃ，Ｄの全ての確率が算出されていなければ、ステップＳ５０１に戻り、算出していない効果ランクについてステップＳ５０１～Ｓ５０３を行う。効果ランクＡ，Ｂ，Ｃ，Ｄの全ての確率が算出されると、ステップＳ５０５に進む。
　予測データ生成部１３３は、各効果ランクの確率を算出した近傍ノードについて、各効果ランクの確率に基づいて、効果ランクを決定する（Ｓ５０５）。例えば、図１８に示すように、京橋地区についての効果ランクＡ，Ｂ，Ｃ，Ｄの確率として、「０．８」，「０．３」，「０．４」，「０．１」が算出された場合、最も確率が高い「０．８」の効果ランクＡを京橋地区の効果ランクに決定する。
　予測データ生成部１３３は、予測グラフ４５０内の全地区の効果ランクが決定したか否かを判断する（Ｓ５０６）。全地区の効果ランクが決定していなければ（Ｓ５０６でＮｏ）、ステップＳ５０１に戻る。これにより、図１７に示すように、効果ランクが決定した地区から効果ランクが決定していない地区へと効果ランクを伝搬する。
　予測データ生成部１３３は、全地区の効果ランクが決定すると（Ｓ５０６でＹｅｓ）、予測データ１４５を記憶部１４に格納する（Ｓ５０７）。予測データ１４５は、上述したように、例えば、図８に示すような予測グラフ４５０、すなわち、予測グラフ４５０Ａ，４５０Ｂ，４５０Ｃ，４５０Ｄを示す情報を含む。具体的には、例えば、予測データ１４５は、ノード４５１である地区、リンク４５２の強度Ａｉｎｔ、重要度ｕｋ、ラベル４５３である各地区の効果ランクと効果ランクの確率を含む。
　以上のように、予測装置１は、図９に示すステップＳ１～Ｓ５を施策毎に行う。予測装置１は、図１４に示すステップＳ５０１～Ｓ５０３を効果ランク毎に行う。すなわち、予測装置１は、複数の類似度グラフ４５から、「施策数×ランク数」に相当する数の予測グラフ４５０を生成して、各施策において効果ランク毎に効果ランクの確率を算出する。予測装置１は、地区毎に最も確率の高い効果ランクを、地区の効果ランクに決定する。
３．　予測装置の推薦時の動作
３．１　推薦時の予測装置の機能的構成
　図１９は、予測装置１の推薦時における制御部１３の機能的構成と記憶部１４に格納されるデータを示している。
　予測装置１の制御部１３は、商圏設定部１３５、購買データ補完部１３６、予測データ更新部１３７、及び施策推薦部１３８を含む。
　商圏設定部１３５は、入力部１１又は通信部１２から、施策効果を予測しようとする対象の店舗を示す店舗情報を取得して商圏を設定する。
　購買データ補完部１３６は、既存店舗の売上及び客単価に基づいて新店舗の売上及び客単価を算出して、購買データ１４４を補完する。予測データ更新部１３７は、補完した購買データ１４４を使用して、予測グラフ４５０を再構築して、予測データ１４５を更新する。
　施策推薦部１３８は、予測データ１４５に基づいて店舗に推薦する施策を決定する。施策推薦部１３８は、決定した施策を示す施策推薦情報を、通信部１２を介して、端末装置２に送信する。
３．２　推薦時の動作
　図２０～図２３を参照して、施策の推薦について説明する。図２０は、予測装置１の制御部１３による推薦時の動作を示している。図２１は、購買データ１４４の補完の一例を示している。図２２は、商圏の効果ランクの決定を説明するための図である。図２３は、効果ランクに応じた施策の推薦と非推薦の一例を示している。
　図２０において、商圏設定部１３５は、入力部１１又は通信部１２から、施策効果を予測する対象の店舗を示す店舗情報を取得すると、店舗情報に基づいて、その店舗の商圏を設定する（Ｓ６０１）。商圏設定部１３５は、例えば、予測対象の店舗から取得したＩＤ－ＰＯＳデータ１４１及び顧客データ１４２に基づいて、来店者の居住地区を特定して、商圏を設定する。商圏設定部１３５は、予測対象の店舗から所定距離内を商圏に設定してもよい。
　商圏設定部１３５は、設定した商圏内の地区に新規地区が含まれているか否かを判断する（Ｓ６０２）。新規地区は、予測データ１４５に含まれていない地区である。例えば、予測対象の店舗がこれから開店する新店舗の場合、その新店舗の商圏内の地区の効果ランクは、学習時に生成した予測データ１４５に含まれていない。この場合、ステップＳ６０１で設定された商圏内の地区に新規地区が含まれる。このように、新規地区を含む場合は（Ｓ６０２でＹｅｓ）、ステップＳ６０３に進む。設定した商圏内の地区の効果ランクが予測データ１４５に含まれている場合、すなわち、新規地区を含まない場合は（Ｓ６０２でＮｏ）、ステップＳ６０６に進む。
　購買データ補完部１３６は、新規地区の地区データ１４３を取得する（Ｓ６０３）。例えば、購買データ補完部１３６は、端末装置２又は別の外部装置から新規地区の地区データ１４３を取得して記憶部１４に格納する。又は購買データ補完部１３６は、事前に取得して記憶部１４に格納していた新規地区の地区データ１４３を記憶部１４から読み出す。購買データ補完部１３６は、新規地区の地区データ１４３と既存地区の購買データ１４４とに基づいて、購買データ１４４を補完する（Ｓ６０４）。例えば、図２１に示すように、購買データ補完部１３６は、新規地区の地区データ１４３に含まれるデータ４３を購買データ１４４に追加すると共に、既存地区の売上及び客単価４４Ａに基づいて、新規地区の売上及び客単価４４Ｂを算出する。例えば、購買データ補完部１３６は、既存地区の売上と客単価の平均値を新規地区の売上と客単価に設定する。購買データ補完部１３６は、回帰分析により、既存地区の売上と客単価から新規地区の売上と客単価を算出してもよい。
　予測データ更新部１３７は、補完した購買データ１４４を使用して、各施策の予測グラフ４５０を再構築する（Ｓ６０５）。予測データ更新部１３７は、再構築した予測グラフ４５０に基づいて、記憶部１４内の予測データ１４５を更新する。予測グラフ４５０を再構築するステップＳ６０５は、図９のステップＳ４，Ｓ５に相当する。
　施策推薦部１３８は、予測データ１４５に基づいて、商圏の全施策の効果ランクを予測する（Ｓ６０６）。例えば、ステップＳ６０１で設定した商圏が複数の地区を含む場合、各施策について、効果ランク毎に地区の人口を集計し、最も人口が多い効果ランクを商圏の効果ランクに設定する。具体的には、例えば、ステップＳ６０１において図２２に示す「守口」、「南門真」、「北門真」、「枚方」、及び「京橋」を含む商圏Ｐを設定した場合、商圏Ｐの施策１の効果ランクを決定するとき、最初に施策１の効果ランク毎の合計人口を算出する。施策１について、効果ランクＡの人口は１５００（＝１２００＋３００）、効果ランクＢの人口は１１００（＝１０００＋１００）、効果ランクＣの人口は０、効果ランクＤの人口は６００である。よって、施策１については、最も人口が多い効果ランクＡを商圏Ｐの効果ランクに設定する。商圏Ｐの施策２の効果ランクを決定する場合、施策２の効果ランク毎の合計人口を算出する。施策２については、効果ランクＡの人口は３００、効果ランクＢの人口は１２００、効果ランクＣの人口は１６００（＝１０００＋６００）、効果ランクＤの人口は１００である。この場合、施策２については、最も人口が多い効果ランクＣを商圏Ｐの効果ランクに設定する。ステップＳ６０１で設定した商圏が一つの地区のみを含む場合、例えば、図２２の例において、商圏Ｑが設定された場合は、商圏Ｑに含まれる美野島地区の効果ランクが商圏Ｑの効果ランクに設定される。
　施策推薦部１３８は、予測した効果ランクに応じて推薦する施策を決定する（Ｓ６０７）。例えば、図２３に示すように、効果ランクＡ，Ｂの施策を推薦する施策に決定する。施策推薦部１３８は、決定した施策を示す施策推薦情報を、通信部１２を介して、ステップＳ６０１で指定された予測対象の店舗の端末装置２に送信する。例えば、施策推薦情報は施策の推薦文を含む。端末装置２は、施策推薦情報に基づいて表示部２５に推薦文を表示する。
　以上のように、予測装置１は、ラベル伝搬法によって、施策を実施済みの店舗の商圏内の地区から、施策を実施していない店舗の商圏内の地区へと、施策の効果ランクを伝搬する。予測装置１は、伝搬した施策の効果ランクに基づいて、予測対象の店舗の商圏の全施策の効果ランクを予測する。予測装置１は、予測した効果ランクに基づいて、推薦する施策を決定する。これにより、施策を実施済みの店舗が少ない場合であっても、予測対象の店舗において有効な施策を推薦することができる。
４．　予測データの更新
　図２４は、予測装置１の制御部１３による予測データ１４５の更新動作の一例を示している。予測装置１は、予測データ１４５を最初に生成するときは図９に示す処理を行う。予測装置１は、記憶部１４に既に予測データ１４５がある場合は、図２４に示す処理を行う。図２４のステップＳ１１，Ｓ１２，Ｓ１３，Ｓ１６，Ｓ１７は、それぞれ図９のステップＳ１，Ｓ２，Ｓ３，Ｓ４，Ｓ５と同一の処理を行う。本実施形態では、ステップＳ１４及びＳ１５により、予測データ１４５の更新が必要か否かを判定する。ステップＳ１４及びＳ１５は、更新判定の一例である。
　データ集計部１３１は、ＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３を新たに取得する（Ｓ１１）。データ集計部１３１は、新たに取得したＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３に基づいて、施策を実施する前の購買データ１４４Ａと、施策実施中の購買データ１４４Ｂを生成する（Ｓ１２）。効果ランク設定部１３２は、施策を実施済みの店舗の商圏内の地区に対して施策の現在の効果ランクを設定する（Ｓ１３）。更新判定部１３４は、現在の効果ランクを過去の効果ランクと比較する（Ｓ１４）。更新判定部１３４は、効果ランクが変動したか否かを判断する（Ｓ１５）。例えば、更新判定部１３４は、全地区の効果ランクの平均が過去と現在とで異なるか否かを判断する。全地区の効果ランクの平均が変動していれば、更新判定部１３４は予測データ１４５の更新が必要であると判断してステップＳ１６に進む。予測データ生成部１３３は、地区の特性毎に地区間の類似度を算出して、類似度グラフ４５を生成する（Ｓ１６）。予測データ生成部１３３は、地区の特性毎の類似度グラフ４５を合成して予測グラフ４５０を再構築し、施策を実施していない店舗の商圏内の地区の効果ランクを予測する（Ｓ１７）。これにより、予測データ１４５が更新される。
　具体的には、更新判定部１３４が予測データ１４５を更新すると判定した場合、予測データ生成部１３３は、予測グラフ４５０の再構築を行う際に、上述した「２．５　未実施地区の効果ランクの確率の予測」に記載の計算を再度適用して、重要度と効果ランクの確率の予測値を更新する。
　以上のように、効果ランクが変動したときに予測データ１４５を更新することによって、例えば、季節に合わせた推薦を行うことが可能になる。
５．　効果及び補足
　本実施形態の予測装置１は、施策を実施済みの店舗における施策効果を表す購買データ１４４を格納する記憶部１４と、購買データ１４４に基づいて、施策を実施していない店舗における施策効果を予測する制御部１３と、を備える。施策を実施済みの店舗は、施策を実施済みの第１の対象の一例である。施策を実施していない店舗は、施策を実施していない第２の対象の一例である。購買データ１４４は、施策効果を表す施策実施情報の一例である。制御部１３は、第１の対象の店舗に関連付けられた少なくとも１つの地区のノードと、第２の対象の店舗に関連付けられた少なくとも１つの地区のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成される予測グラフ４５０Ａ～４５０Ｄを構築する。第１の対象の店舗に関連付けられた少なくとも１つの地区のノードは、第１のノードの一例である。第２の対象の店舗に関連付けられた少なくとも１つの地区のノードは、第２のノードの一例である。予測グラフ４５０Ａ～４５０Ｄは、第１のグラフの一例である。制御部１３は、購買データ１４４に基づいて、実施済み地区のノードにおける施策効果の程度を決定し、予測グラフ４５０Ａ～４５０Ｄにおいて実施済み地区のノードを基点にして、未実施地区のノードに施策効果の程度を伝搬する。これにより、施策を実施済みの店舗が少ない場合であっても、未実施地区における効果的な施策を予測することができる。ラベル伝搬法では類似度が高い地区から順に施策効果の程度が伝搬されるため、実施済み地区と未実施地区との類似性が低い場合であっても、その未実施地区に対して効果的な施策を予測することが可能になる。
　具体的には、施策効果の程度は、複数の効果ランクを含み、制御部１３は、各効果ランクをそれぞれ第２のノードに伝搬して、第２のノードにおける各効果ランクの確率を算出する。制御部１３は、複数の効果ランクのうち、確率が最も高い効果ランクを、第２のノードの効果ランクに決定する。これにより、地区毎の施策の効果ランクを精度良く予測することができる。
　複数のノードは複数の特性に関連する。複数の特性は、例えば、人口、客単価、男女比、売上である。制御部１３は、複数のノードと、各特性の類似度に基づいてノード間を結合する複数のリンクとにより構成される類似度グラフ４５を、特性毎に生成する。類似度グラフ４５は、第２のグラフの一例である。制御部１３は、ランク毎に各特性の重要度を算出して、重要度に基づいて特性毎の類似度グラフ４５を１つに合成して予測グラフ４５０Ａ～４５０Ｄを生成する。これにより、地区の特性に応じて効果ランクが伝搬されるため、地区毎の施策の効果ランクを精度良く予測することができる。
　制御部１３は、第２のノードの施策効果の程度に基づいて、第２の対象の店舗に施策を推薦するか否かを決定する。例えば、Ａランク及びＢランクの施策を店舗に推薦する。これにより、効果的な施策のみを店舗に推薦することができる。
　予測対象の店舗が２つ以上の地区を含む商圏に関連する場合、制御部１３は、商圏内の各地区の効果ランクに応じて、商圏の効果ランクを決定する。商圏は、グループの一例である。制御部１３は、商圏の効果ランクに応じて、施策を予測対象の店舗に推薦するか否かを決定する。これにより、効果的な施策を店舗に推薦することができる。
　制御部１３は、複数の施策についてそれぞれ予測グラフ４５０を生成して施策効果の程度を伝搬し、施策効果の程度に基づいて複数の施策の中から推薦する施策を決定する。これにより、複数の施策の中から効果的な施策を店舗に推薦することができる。
（他の実施形態）
　以上のように、本出願において開示する技術の例示として、上記実施形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施形態にも適用可能である。そこで、以下、他の実施形態を例示する。
　上記実施形態では、端末装置２がインターネット経由で予測装置１に接続される例について説明した。しかし、予測装置１が端末装置２と共に各店舗内にあって、端末装置２と接続されてもよい。上記実施形態では、予測装置１と端末装置２により予測システム１００を構成した。しかし、予測システム１００の全ての機能が、一つの装置によって実現されてもよい。上記実施形態で説明した予測装置１の機能の一部を、別の予測装置が行ってもよい。例えば、学習時における機能である、データ集計部１３１、効果ランク設定部１３２、予測データ生成部１３３、更新判定部１３４を備えた予測装置と、推薦時における機能である、商圏設定部１３５、購買データ補完部１３６、予測データ更新部１３７、及び施策推薦部１３８を備えた予測装置が、別の装置であってもよい。
　上記実施形態では、実施済み地区の効果ランクを施策実施前と施策実施中の売上の変化に基づいて設定したが、別の方法で効果ランクを設定してもよい。例えば、施策実施前と施策実施中の、売上、来店者数、客単価、到達率、購買率、来店率のうちのいずれか一つに基づいて、効果ランクを設定してもよい。ここで、到達率＝棚まで到達する人数／来店者数、購買率＝商品の購入者数／来店者数、来店率＝地区の来店者数／地区の人口である。また、店舗から得られた売上、来店者数、客単価などの数値そのものを使用せず、得られた数値を季節調整法等によって修正した値を使用してもよい。例えば、センサス局法、ＭＩＴＩ法、月別平均法、パーソンズ法、又は１２ヶ月移動平均法によって、数値を修正してもよい。
　上記実施形態では、施策の効果ランクを伝搬する予測グラフ４５０において、ノード４５１が地区であり、リンク４５２が地区の人口、世帯数、客単価などの類似度である例について説明した。しかし、ノード４５１とリンク４５２は、上記実施形態に限らない。例えば、ノード４５１が店舗であって、リンク４５２が店舗間の売上又はカテゴリごとの売上割合の類似度であってもよい。ノード４５１が顧客であって、リンク４５２が顧客の購入金額又はカテゴリ毎の購買割合の類似度であってもよい。
　上記実施形態では、推薦時に、効果ランク毎の合計人口を算出して、最も人口が多い効果ランクを商圏の効果ランクに設定した。しかし、商圏の効果ランクの設定の基準は、合計人口に限らない。例えば、世帯数、売上規模等を効果ランク毎に合算して、最大値となる効果ランクを商圏の効果ランクに設定してもよい。
　上記実施形態では、施策を実施した地区の過去の効果ランクと現在の効果ランクを比較して、予測データ１４５の更新が必要か否かを判定した。しかし、更新の判定は上記実施形態に限らない。更新判定部１３４は、新たに取得したＩＤ－ＰＯＳデータ１４１、顧客データ１４２、及び地区データ１４３の少なくともいずれか一つに基づいて、予測データ１４５の更新の要否を判断してもよい。更新判定部１３４は、新たに生成した購買データ１４４に基づいて、予測データ１４５の更新の要否を判断してもよい。例えば、更新判定部１３４は、特定の商品又は商品カテゴリの購入割合が所定値以上変化した時に、予測グラフ４５０を再構築して、予測データ１４５を更新してもよい。施策効果値が所定値以上変化したときに、更新が必要であると判断してもよい。更新判定部１３４は、購買データ１４４から売上規模などの景気を表すデータを生成し、景気の変化を検出したときに、予測グラフ４５０を再構築して、予測データ１４５を更新してもよい。更新判定部１３４は、購入商品に偏りがある地区については、予測グラフ４５０の構築から除外してもよい。地区内の居住者の職業の割合又は外国人の割合が変化したときに、予測グラフ４５０を再構築してもよい。地区の居住者の特性に応じて、例えば、特殊な職業の割合が多い地区は、予測グラフ４５０の再構築から除外してもよい。居住者のメディア別の利用時間の変動量に応じて、更新の要否を判断してもよい。メディア別の利用時間は、例えば、平均ＴＶ視聴時間、インターネットの利用時間、スマートフォンの利用時間、新聞購読率である。更新判定部１３４は、月、季節、曜日、又は年を示す時間情報に基づいて、更新の要否を判断してもよい。例えば、毎月、予測グラフ４５０を再構築してもよい。更新判定部１３４は、入力部１１又は通信部１２を介して、ユーザが指定したタイミングで予測データ１４５を更新してもよい。季節商品の売上等の効果予測を行い、予測誤差が所定の閾値よりも小さくなったときに、予測グラフ４５０の再構築を終了してもよい。季節性に合わせて予測グラフ４５０を再構築することで、季節に合わせた推薦を行うことができる。
　上記実施形態では、地区毎の施策効果を予測する予測グラフ４５０を生成して、店舗に施策を推薦する例について説明したが、予測グラフ４５０の構成と推薦するものは上記実施形態に限らない。以下に示すように、別の構成の予測グラフを生成してもよい。施策とは異なるものを推薦してもよい。
　変形例１：顧客を対象とし、顧客の購入金額又はカテゴリごとの購買割合などの類似度をリンクとし、ラベルを商品購買傾向とする予測グラフを生成してもよい。この予測グラフを使用して、小売店店舗において商品を推薦してもよい。
　変形例２：商品を対象とし、売上、販売数、購買率などの類似度をリンクとし、商品ごとの施策効果をラベルとする予測グラフを生成してもよい。この予測グラフを使用して、小売店店舗における、青果、飲料などのカテゴリエリアの施策を推薦してもよい。
　変形例３：工場又は物流拠点（物流の仕分場）を対象とし、従業員の年齢、性別などのデモグラフィック、建物の築年数、気候条件、設備の仕様などの類似度をリンクとし、生産効率の変化又はスループットの変化による効果ランクをラベルとする予測グラフを生成してもよい。この予測グラフを使用して、工場又は物流拠点における業務効率改善の施策を推薦してもよい。業務効率改善の施策は、例えば、レイアウト変更、勤務体系である。
　変形例４：部署を対象とし、部署内の従業員の年齢、性別、勤続年数などの類似性をリンクとし、ラベルをシステム更改時の作業効率の変化による効果ランクとする予測グラフを生成してもよい。この予測グラフを使用して、企業又は自治体における情報システムの更改を推薦してもよい。
　変形例５：エンターテインメント施設を対象とし、来場者の年齢、性別、国籍、又は人数などの類似度をリンクとし、集客率又は売上ＵＰ率の変化による効果ランクをラベルとする予測グラフを生成してもよい。この予測グラフを使用して、動物園又は水族館等などのエンターテインメント施設に施策を推薦してもよい。
　変形例６：対象を住人又は町とし、人口、人口男女比、又は事故発生件数などの類似度をリンクとし、事故防止運動の効果又は犯罪防止運動の効果をラベルとする予測グラフを生成してもよい。この予測グラフを使用して、企業又は自治体に施策を推薦してもよい。
　他の変形例：施策に代えて、ａ）自動車の運転手への運転方法、ｂ）入試の受験校、ｃ）居住地特性による旅行先又は旅行プラン、ｄ）アプリケーションの利用率によるニュースサイト、ｅ）視聴者特性に応じたＣＭの掲載先又は内容、ｆ）通行者特性に応じた広告の掲載先又は内容、ｇ）日常の運動特性又は地理情報に基づいた運動、ｈ）体調、生体シグナル、又は周辺の環境に応じた食事、睡眠、又は歩行などの行動の推薦を行ってもよい。
（実施形態の概要）
　（１）本開示の予測装置は、施策を実施済みの第１の対象における施策効果を表す施策実施情報を格納する記憶部と、施策実施情報に基づいて、施策を実施していない第２の対象における施策効果を予測する制御部と、を備え、制御部は、第１の対象に関連付けられた少なくとも１つの第１のノードと、第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成される第１のグラフを構築し、施策実施情報に基づいて、第１のノードにおける施策効果の程度を決定し、第１のグラフにおいて第１のノードを基点にして第２のノードに施策効果の程度を伝搬する。
　これにより、施策を実施済みの第１の対象が少ない場合であっても、施策を実施していない第２の対象における効果的な施策を予測することができる。
　（２）（１）の予測装置において、制御部は、第２のノードの施策効果の程度に基づいて、施策を第２の対象に推薦するか否かを決定してもよい。
　これにより、効果的な施策を推薦することができる。
　（３）（１）又は（２）の予測装置において、制御部は、複数の特性のうち、少なくとも１つの特性に基づき、予測の更新の要否を判定し、更新することを決定すると、第１のグラフのリンク強度を再計算し、施策効果の程度を再度決定してもよい。
（４）（１）から（３）のいずれかの予測装置において、施策効果の程度は、複数のランクを含み、制御部は、各ランクをそれぞれ第２のノードに伝搬して、第２のノードにおける各ランクの確率を算出し、複数のランクのうち、確率が最も高いランクを、第２のノードのランクに決定してもよい。
　これにより、ランクに基づいて効果的な施策を予測することが可能になるため、複数の施策を推薦することが可能になる。
　（５）（４）の予測装置において、複数のノードは複数の特性に関連し、制御部は、複数のノードと、各特性の類似度に基づいてノード間を結合する複数のリンクとにより構成される第２のグラフを、特性毎に生成し、ランク毎に各特性の重要度を算出して、重要度に基づいて特性毎の第２のグラフを１つに合成して第１のグラフを生成してもよい。
　これにより、ランクが複数の特性の類似度に基づいて伝搬される。
　（６）（４）の予測装置において、第２の対象が２つ以上のノードを含むグループに関連する場合、制御部は、グループ内の各ノードのランクに応じて、グループのランクを決定し、グループのランクに応じて、施策を第２の対象に推薦するか否かを決定してもよい。
　これにより、第２の対象が複数のノードに関連する場合において効果的な施策を推薦することができる。
　（７）（１）から（４）のいずれかの予測装置において、第１の対象及び第２の対象は店舗であり、ノードは、店舗、店舗の商圏内の地区、店舗に来店する顧客のうちのいずれかに対応してもよい。
　これにより、店舗に対して有効な施策を予測することができる。
　（８）（７）の予測装置において、ノードは、地区に対応し、ノード間の類似度は、地区内の人口、世帯数、人口男女比、売上、及び客単価のうちの少なくとも１つに関する類似度であってもよい。
　（９）（８）の予測装置において、制御部は、第１のノードの施策効果の程度を、売上、来店者数、及び客単価のうちの少なくともいずれか１つについての、施策の実施前と実施中における差分に基づいて決定してもよい。
　（１０）（８）の予測装置において、第２の対象の店舗の商圏は１つ以上の地区を含み、制御部は、商圏の施策効果の程度を商圏に含まれる地区の施策効果の程度に応じて決定し、商圏の施策効果の程度に応じて、第２の対象の店舗に施策を推薦するか否かを決定してもよい。
　（１１）（２）の予測装置において、制御部は、複数の施策についてそれぞれ第１のグラフを生成して施策効果の程度を伝搬し、施策効果の程度に基づいて複数の施策の中から推薦する施策を決定してもよい。
　これにより、複数の施策を推薦することが可能になる。
　（１２）（１）から（４）のいずれかの予測装置において、第１の対象及び第２の対象は工場であって、複数のノードは、工場、建物の築年数、気象条件、設備の仕様、工場で作業を行う従業員のうちのいずれかに対応してもよい。
　（１３）（１）から（４）のいずれかの予測装置において、第１の対象及び第２の対象は物流拠点であって、複数のノードは、物流拠点、建物の築年数、気象条件、設備の仕様、物流拠点で作業を行う従業員のうちのいずれかに対応してもよい。
　（１４）本開示の予測方法は、施策を実施済みの第１の対象における施策効果を表す施策実施情報に基づいて、演算部により、施策を実施していない第２の対象における施策の効果を予測する予測方法であって、第１の対象に関連付けられた少なくとも１つの第１のノードと、第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成されるグラフを構築するステップ（Ｓ５０２）と、施策実施情報に基づいて第１のノードにおける施策効果の程度を決定するステップ（Ｓ３）と、グラフにおいて、第１のノードを基点にして第２のノードに施策効果の程度を伝搬するステップ（Ｓ５０３）と、を含む。
　本開示の全請求項に記載の予測装置及び予測方法は、ハードウェア資源、例えば、プロセッサ、メモリ、及びプログラムとの協働などによって、実現される。
　本開示の予測装置は、例えば、施策を実施していない店舗に有効な施策を推薦する装置として有用である。
　　１　　　　　予測装置
　　２　　　　　端末装置
　　１１，２１　入力部
　　１２，２２　通信部
　　１３，２３　制御部
　　１４，２４　記憶部
　　１５，２６　バス
　　２５　　　　表示部
　　１００　　　予測システム
　　１３１　　　データ集計部
　　１３２　　　効果ランク設定部
　　１３３　　　予測データ生成部
　　１３４　　　更新判定部
　　１３５　　　商圏設定部
　　１３６　　　購買データ補完部
　　１３７　　　予測データ更新部
　　１３８　　　施策推薦部

Claims (15)

  1. 　施策を実施済みの第１の対象における施策効果を表す施策実施情報を格納する記憶部と、
    　前記施策実施情報に基づいて、前記施策を実施していない第２の対象における施策効果を予測する制御部と、
    　を備え、
    　前記制御部は、
    　　前記第１の対象に関連付けられた少なくとも１つの第１のノードと、前記第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成される第１のグラフを構築し、
    　　前記施策実施情報に基づいて、前記第１のノードにおける前記施策効果の程度を決定し、前記第１のグラフにおいて前記第１のノードを基点にして前記第２のノードに前記施策効果の程度を伝搬する、
    　予測装置。
  2. 　前記制御部は、前記第２のノードの前記施策効果の程度に基づいて、前記施策を前記第２の対象に推薦するか否かを決定する、
    　請求項１に記載の予測装置。
  3. 　前記制御部は、複数の特性のうち、少なくとも１つの特性に基づき、予測の更新の要否を判定し、更新することを決定すると、前記第１のグラフのリンク強度を再計算し、前記施策効果の程度を再度決定する、
    　請求項１又は請求項２に記載の予測装置。
  4. 　前記施策効果の程度は、複数のランクを含み、
    　前記制御部は、各ランクをそれぞれ前記第２のノードに伝搬して、前記第２のノードにおける各ランクの確率を算出し、前記複数のランクのうち、前記確率が最も高いランクを、前記第２のノードのランクに決定する、
    　請求項１乃至３のいずれかに記載の予測装置。
  5. 　前記複数のノードは複数の特性に関連し、
    　前記制御部は、
    　　前記複数のノードと、各特性の類似度に基づいてノード間を結合する複数のリンクとにより構成される第２のグラフを、前記特性毎に生成し、
    　　前記ランク毎に各特性の重要度を算出して、前記重要度に基づいて前記特性毎の前記第２のグラフを１つに合成して前記第１のグラフを生成する、
    　請求項４に記載の予測装置。
  6. 　前記第２の対象が２つ以上のノードを含むグループに関連する場合、前記制御部は、前記グループ内の各ノードのランクに応じて、前記グループのランクを決定し、前記グループのランクに応じて、前記施策を前記第２の対象に推薦するか否かを決定する、
    　請求項４に記載の予測装置。
  7. 　前記第１の対象及び前記第２の対象は店舗であり、
    　前記複数のノードは、前記店舗、前記店舗の商圏内の地区、前記店舗に来店する顧客のうちのいずれかに対応する、
    　請求項１乃至４のいずれかに記載の予測装置。
  8. 　前記複数のノードは、前記地区に対応し、
    　前記ノード間の類似度は、前記地区内の人口、世帯数、人口男女比、売上、及び客単価のうちの少なくとも１つに関する類似度である、
    　請求項７に記載の予測装置。
  9. 　前記制御部は、前記第１のノードの前記施策効果の程度を、売上、来店者数、及び客単価のうちの少なくともいずれか１つについての、前記施策の実施前と実施中における差分に基づいて決定する、
    　請求項８に記載の予測装置。
  10. 　前記第２の対象の店舗の商圏は１つ以上の地区を含み、
    　前記制御部は、前記商圏の施策効果の程度を前記商圏に含まれる地区の施策効果の程度に応じて決定し、
    　前記商圏の施策効果の程度に応じて、前記第２の対象の店舗に前記施策を推薦するか否かを決定する、
    　請求項８に記載の予測装置。
  11. 　前記制御部は、複数の施策についてそれぞれ前記第１のグラフを生成して前記施策効果の程度を伝搬し、前記施策効果の程度に基づいて前記複数の施策の中から推薦する施策を決定する、
    　請求項２に記載の予測装置。
  12. 　前記第１の対象及び前記第２の対象は工場であり、
    　前記複数のノードは、前記工場、建物の築年数、気象条件、設備の仕様、前記工場で作業を行う従業員のうちのいずれかに対応する、
    　請求項１乃至４のいずれかに記載の予測装置。
  13. 　前記第１の対象及び前記第２の対象は物流拠点であり、
    　前記複数のノードは、前記物流拠点、建物の築年数、気象条件、設備の仕様、前記物流拠点で作業を行う従業員のうちのいずれかに対応する、
    　請求項１乃至４のいずれかに記載の予測装置。
  14. 　施策を実施済みの第１の対象における施策効果を表す施策実施情報に基づいて、演算部により、前記施策を実施していない第２の対象における施策の効果を予測する予測方法であって、
    　前記第１の対象に関連付けられた少なくとも１つの第１のノードと、前記第２の対象に関連付けられた少なくとも１つの第２のノードとを含む複数のノードと、ノード間の類似度に基づいてノード間を結合する複数のリンクとにより構成されるグラフを構築するステップと、
    　前記施策実施情報に基づいて前記第１のノードにおける前記施策効果の程度を決定するステップと、
    　前記グラフにおいて、前記第１のノードを基点にして前記第２のノードに前記施策効果の程度を伝搬するステップと、
    　を含む、予測方法。
  15. 　請求項１４に記載の予測方法をコンピュータに実行させるプログラム。
PCT/JP2019/016261 2018-04-27 2019-04-16 予測装置、予測方法、及びプログラム WO2019208319A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP19792221.4A EP3786862A4 (en) 2018-04-27 2019-04-16 PREDICTION SYSTEM, PREDICTION METHOD AND PROGRAM
JP2020516250A JPWO2019208319A1 (ja) 2018-04-27 2019-04-16 予測装置、予測方法、及びプログラム
CN201980027864.3A CN112005257A (zh) 2018-04-27 2019-04-16 预测装置、预测方法以及程序
US17/080,973 US20210042770A1 (en) 2018-04-27 2020-10-27 Prediction device, prediction method, and non-transitory computer-readable recording medium
JP2023217871A JP2024023848A (ja) 2018-04-27 2023-12-25 予測装置、予測方法、及びプログラム

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-087389 2018-04-27
JP2018087389 2018-04-27

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/080,973 Continuation US20210042770A1 (en) 2018-04-27 2020-10-27 Prediction device, prediction method, and non-transitory computer-readable recording medium

Publications (1)

Publication Number Publication Date
WO2019208319A1 true WO2019208319A1 (ja) 2019-10-31

Family

ID=68293745

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/016261 WO2019208319A1 (ja) 2018-04-27 2019-04-16 予測装置、予測方法、及びプログラム

Country Status (5)

Country Link
US (1) US20210042770A1 (ja)
EP (1) EP3786862A4 (ja)
JP (2) JPWO2019208319A1 (ja)
CN (1) CN112005257A (ja)
WO (1) WO2019208319A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021192232A1 (ja) * 2020-03-27 2021-09-30 日本電気株式会社 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体
WO2022153624A1 (ja) * 2021-01-12 2022-07-21 株式会社日立製作所 施策決定支援装置および施策決定支援方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580989A (zh) * 2020-12-23 2021-03-30 南京绿投科技有限公司 一种基于工业大数据的云平台数据管理系统及管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6310539B2 (ja) * 1986-04-28 1988-03-08 Kazuo Tsumura
JP2009252126A (ja) * 2008-04-10 2009-10-29 Toyota Central R&D Labs Inc 宣伝施策立案支援装置、宣伝施策立案方法およびプログラム
JP2015152974A (ja) * 2014-02-10 2015-08-24 カルチュア・コンビニエンス・クラブ株式会社 レコメンド用クリエイション最適化システム
JP2016006621A (ja) 2014-05-28 2016-01-14 技研商事インターナショナル株式会社 購買予測分析システム及びそのプログラム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7433857B2 (en) * 2003-10-31 2008-10-07 International Business Machines Corporation Techniques for reconstructing supply chain networks using pair-wise correlation analysis
US8010399B1 (en) * 2004-01-30 2011-08-30 Applied Predictive Technologies Methods, systems, and articles of manufacture for analyzing initiatives for a business network
US8364516B2 (en) * 2008-09-05 2013-01-29 The Nielsen Company (Us), Llc Methods and apparatus to determine the effects of trade promotions on subsequent sales
CN107103402A (zh) * 2012-07-05 2017-08-29 弗莱克斯电子有限责任公司 用于控制供应链的方法和系统
US20150120373A1 (en) * 2013-10-25 2015-04-30 Jabil Circuit, Inc. Systems and methods for risk processing and visualization of supply chain management system data
US10515315B2 (en) * 2016-03-11 2019-12-24 Wipro Limited System and method for predicting and managing the risks in a supply chain network
US10803414B2 (en) * 2016-05-25 2020-10-13 Dassault Systemes Americas Corp. Risk identification in supply chain
CN106203840A (zh) * 2016-07-13 2016-12-07 欧阳张睿 方案信息自动生成方法
US10643135B2 (en) * 2016-08-22 2020-05-05 International Business Machines Corporation Linkage prediction through similarity analysis
JP6821362B2 (ja) * 2016-09-12 2021-01-27 東芝テック株式会社 販売促進情報提供システム及び販売促進情報提供プログラム
JP6310539B1 (ja) * 2016-12-20 2018-04-11 ヤフー株式会社 情報処理システム、情報処理方法、および情報処理プログラム
US10769179B2 (en) * 2018-03-30 2020-09-08 American Express Travel Related Services Company, Inc. Node linkage in entity graphs

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6310539B2 (ja) * 1986-04-28 1988-03-08 Kazuo Tsumura
JP2009252126A (ja) * 2008-04-10 2009-10-29 Toyota Central R&D Labs Inc 宣伝施策立案支援装置、宣伝施策立案方法およびプログラム
JP2015152974A (ja) * 2014-02-10 2015-08-24 カルチュア・コンビニエンス・クラブ株式会社 レコメンド用クリエイション最適化システム
JP2016006621A (ja) 2014-05-28 2016-01-14 技研商事インターナショナル株式会社 購買予測分析システム及びそのプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3786862A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021192232A1 (ja) * 2020-03-27 2021-09-30 日本電気株式会社 商品推薦システム、商品推薦装置、商品推薦方法、及び、商品推薦プログラムが格納された記録媒体
WO2022153624A1 (ja) * 2021-01-12 2022-07-21 株式会社日立製作所 施策決定支援装置および施策決定支援方法

Also Published As

Publication number Publication date
JPWO2019208319A1 (ja) 2021-04-30
CN112005257A (zh) 2020-11-27
US20210042770A1 (en) 2021-02-11
EP3786862A4 (en) 2021-04-28
JP2024023848A (ja) 2024-02-21
EP3786862A1 (en) 2021-03-03

Similar Documents

Publication Publication Date Title
Berry et al. Bayesian forecasting of many count-valued time series
Halicioğlu Defense spending and economic growth in Turkey: An empirical application of new macroeconomic theory
WO2021081962A1 (zh) 推荐模型的训练方法、推荐方法、装置及计算机可读介质
JP2024023848A (ja) 予測装置、予測方法、及びプログラム
US10572912B2 (en) System and method for integrating retail price optimization for revenue and profit with business rules
JP7120649B2 (ja) 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム
Verstraete et al. A data-driven framework for predicting weather impact on high-volume low-margin retail products
WO2019072128A1 (zh) 对象识别方法及其系统
US20130325551A1 (en) System and method for modeling demand and optimizing prices with immunity to out-of-stock events
US20210125073A1 (en) Method and system for individual demand forecasting
US20180285787A1 (en) Optimization system, optimization method, and optimization program
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
JPWO2017163277A1 (ja) 情報処理システム、情報処理方法および情報処理プログラム
JP6562373B2 (ja) 予測装置及び予測方法
US20180218380A1 (en) Information processing system, information processing method, and information processing program
US20200334695A1 (en) Using anonymous customer and known customer purchasing behavior to develop a marketing strategy
Khader et al. Inventory management subject to multiplicative inaccuracies
Maity et al. Optimal inventory policies for deteriorating complementary and substitute items
JP2016212792A (ja) 商品推薦装置、商品推薦方法及びプログラム
Hosseinzadeh Lotfi et al. Evaluation progress and regress of balanced scorecards by multi-stage malmquist productivity index
CN114969550A (zh) 业务推荐方法、装置、计算机设备和存储介质
US20210027321A1 (en) Information processing system, information processing method, and storage medium
Murti et al. THE INFLUENCE OF BRAND IMAGE, PRICE PERCEPTION, AND SERVICE QUALITY ON CUSTOMER’S LOYALTY OF “POS EXPRESS” WITH CUSTOMERS’SATISFACTION AS INTERVENING VARIABLE (A CASE STUDI AT SEMARANG PROCESSING CENTRE)
Degiannakis et al. Investments and uncertainty revisited: The case of the US economy
Manna et al. Comparative Study of Various Machine Learning Algorithms for Pharmaceutical Drug Sales Prediction

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: 19792221

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020516250

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2019792221

Country of ref document: EP