WO2021065289A1 - 店舗支援システム、店舗支援方法及びプログラム - Google Patents

店舗支援システム、店舗支援方法及びプログラム Download PDF

Info

Publication number
WO2021065289A1
WO2021065289A1 PCT/JP2020/033048 JP2020033048W WO2021065289A1 WO 2021065289 A1 WO2021065289 A1 WO 2021065289A1 JP 2020033048 W JP2020033048 W JP 2020033048W WO 2021065289 A1 WO2021065289 A1 WO 2021065289A1
Authority
WO
WIPO (PCT)
Prior art keywords
store
information
product
recommended
clusters
Prior art date
Application number
PCT/JP2020/033048
Other languages
English (en)
French (fr)
Inventor
山本　純也
貴大 杉本
將高 江島
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 JP2021550455A priority Critical patent/JPWO2021065289A1/ja
Publication of WO2021065289A1 publication Critical patent/WO2021065289A1/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
    • G06Q30/06—Buying, selling or leasing transactions

Definitions

  • This disclosure generally relates to store support systems, store support methods and programs. More specifically, the present invention relates to a store support system, a store support method, and a program for supporting the operation of a target store which is a specific store.
  • Patent Document 1 describes an assortment recommendation device that determines a recommended assortment in order to increase sales through appropriate product inventory management in a business form in which the headquarters manages many stores.
  • the first configuration information which is the sales amount composition information of the product having the sales record at the target store
  • the assortment recommendation device calculates the second configuration information, which is the sales amount composition information of the product that has not been sold at the target store in the above period, based on the prediction model that predicts the sales amount composition information of the individual product.
  • the assortment recommendation device selects a specified number of products from the products for which the first configuration information has been calculated and the products for which the second configuration information has been calculated, in descending order of the amount indicated by the sales amount composition information. To do.
  • This disclosure is made in view of the above reasons, and aims to provide a store support system, a store support method, and a program that facilitates proper support for the operation of the target store.
  • the store support system includes a calculation unit and an output unit.
  • the calculation unit obtains trend information regarding the purchasing tendency of products for a target store, which is a specific store, based on a plurality of clusters.
  • the plurality of clusters are obtained by classifying a data group including a purchase history of products in a plurality of stores into a plurality of clusters based on a rule regarding a purchase tendency of products.
  • the output unit obtains and outputs recommended information based on the tendency information.
  • the recommended information is information regarding the operation of the target store and can be recommended to the target store.
  • the store support method includes a calculation process and an output process.
  • the calculation process is a process of obtaining trend information regarding a product purchasing tendency for a target store, which is a specific store, based on a plurality of clusters.
  • the plurality of clusters are obtained by classifying a data group including a purchase history of products in a plurality of stores into a plurality of clusters based on a rule regarding a purchase tendency of products.
  • the output process is a process of obtaining and outputting recommended information based on the tendency information.
  • the recommended information is information regarding the operation of the target store and can be recommended to the target store.
  • the program according to one aspect of the present disclosure is a program for causing one or more processors to execute the store support method.
  • FIG. 1 is a schematic view showing the configuration of the store support system according to the first embodiment.
  • FIG. 2A is a block diagram showing a server configuration of the store support system of the above.
  • FIG. 2B is a conceptual diagram showing the configuration of the learning device of the store support system described above.
  • FIG. 3 is a conceptual diagram showing the overall operation of the store support system described above.
  • FIG. 4 is a conceptual diagram showing the overall operation of the store support system described above.
  • FIG. 5 is a flowchart showing the overall operation of the store support system described above.
  • FIG. 6 is an explanatory diagram conceptually showing the clustering process in the store support system described above.
  • FIG. 7A is a schematic perspective view of the target store into which the store support system described above is introduced.
  • FIG. 7A is a schematic perspective view of the target store into which the store support system described above is introduced.
  • FIG. 7B is a schematic perspective view showing a display shelf in the target store as described above.
  • FIG. 8 is a schematic front view showing the display shelves in the target store of the same.
  • FIG. 9 is a flowchart showing a process related to optimization of shelving allocation in the store support system described above.
  • FIG. 10A is a graph showing the estimation result by the trained model before correction in the store support system of the above, with the horizontal axis representing the number of SKUs and the vertical axis representing sales.
  • FIG. 10B is a graph showing the estimation result by the trained model after correction in the store support system of the above, with the horizontal axis representing the number of SKUs and the vertical axis representing sales.
  • the store support system 10 (see FIG. 1) according to the present embodiment is a system that supports the operation of the target store 20 (see FIG. 1).
  • the target store 20 referred to here is a store that is the target of support by the store support system 10 among the plurality of stores 2 (see FIG. 1).
  • a case where the store support system 10 is introduced in a store 2 of a retail store such as a convenience store, a supermarket, a department store, a drug store, a clothing store, a home appliance mass retailer, or a home center will be described as an example.
  • the store support system 10 is a system for improving the management situation of the target store 20 by improving the management index described later for the target store 20. More specifically, the store support system 10 aims to improve sales, customer unit price, average LTV (Life Time Value), or profit (including gross profit and operating profit) at the target store 20. This is a system for improving the management index of the target store 20.
  • the sales, the average value of LTV per customer, or the profit, etc. referred to in the present disclosure are all calculated in a predetermined period (for example, the current month, the latest 3 months, the latest 1 month, the latest 1 week, etc.). Value.
  • the store support system 10 proposes recommended information for optimizing the product composition (product lineup) of the product 3 in the target store 20 as a means for improving the management index of the target store 20 as described above.
  • the target store 20 it is possible to improve the management index by changing the operation of the target store 20, specifically, the product composition, based on such recommended information.
  • the store support system 10 generally uses the actual data of the store 2 similar to the target store 20 as an approach for obtaining the above-mentioned recommended information. That is, the store support system 10 uses the actual data of the store 2 similar to the target store 20 to generate recommended information for optimizing the product composition of the product 3 in the target store 20.
  • the store 2 similar to the target store 20 is a store that satisfies a predetermined similarity condition with the target store 20. For example, when there are a plurality of stores 2 that are developed in a chain such as a corporate chain (regular chain) or a franchise chain, these plurality of stores 2 satisfy similar conditions to each other. Similar conditions may include conditions relating to a country, region, business hours, customer base, and the like.
  • the store support system 10 obtains the above-mentioned recommended information by an approach using a machine-learned trained model and an approach using clustered clustering data for a detailed purpose. That is, the store support system 10 generates recommended information for the target store 20 by using a trained model machine-learned based on the actual data of the store 2 similar to the target store 20. Further, the store support system 10 uses clustering data in which the actual data of the store 2 similar to the target store 20 is clustered in various units such as customer 4 (see FIG. 6), accounting, or store 2, and is targeted. Generate recommended information for store 20. These two approaches can also be applied in combination.
  • the store support system 10 includes an estimation unit 11 and an output unit 13 as shown in FIG.
  • the estimation unit 11 uses the trained model M1 to input at least the operation information and estimates the management index.
  • the operation information is information regarding the operation of the target store 20, which is the specific store 2.
  • the management index is an index related to the management of the target store 20.
  • the trained model M1 is generated by machine learning using data including information on the operation of the store 2 and an index on the management of the store 2 as training data D1 (see FIG. 2B).
  • the output unit 13 obtains and outputs the recommended information that is information on the operation of the target store 20 and can be recommended to the target store 20 based on the estimation result of the estimation unit 11.
  • the "operation information" regarding the operation of the target store 20 is, for example, information regarding the assortment of the target store 20, that is, the product composition.
  • Specific examples of this type of management information include the number of SKUs (Stock Keeping Units) or the number of items for each product category.
  • the "management index" regarding the management of the target store 20 is, for example, information regarding the sales of the target store 20.
  • Specific examples of this type of management index include sales, customer unit price, average LTV value, profit (including gross profit, operating profit, etc.), number of customers, etc. for each product category in the target store 20.
  • the estimation unit 11 uses such operation information as input of the trained model M1 and estimates such a management index using the trained model M1 to estimate the relationship between the product composition and sales in the target store 20. It is possible to find sex.
  • the output unit 13 can recommend, for example, the product composition of the target store 20 as "recommended information” based on the estimation result of the relationship between the product composition (number of SKUs, etc.) and the sales amount in the target store 20.
  • Information can be requested. That is, the "recommended information" is information on the operation of the target store 20, like the "operation information", and is, for example, information on the product lineup of the target store 20, that is, the product composition. Specific examples of this type of recommended information include the number of SKUs or the number of items for each product category.
  • the store support system 10 it is recommended as information that can be recommended regarding the operation of the target store 20, which leads to the improvement of the management index of the target store 20 and eventually to the improvement of the management status of the target store 20.
  • Information is available.
  • the management index used to obtain the recommended information is estimated by using at least the operation information as an input using the learned model M1.
  • the trained model M1 is generated by machine learning using data including information on the operation of the store 2 and an index on the management of the store 2 as training data D1.
  • the trained model M1 used for estimating the management index is generated from the training data D1 including the information about the operation and the index about the management for one or more stores 2, the estimation of the management index can be performed.
  • the actual data of store 2 will be used.
  • the store support system 10 has an advantage that it is easy to properly support the operation of the target store 20.
  • the store support system 10 is particularly useful. is there.
  • the store support system 10 in the present embodiment, information on the operation and management of a large number of stores 2 is used for machine learning of the trained model M1 used in the estimation process, which is described above. Even such a huge and fluctuating information can be processed. Rather, in machine learning, as the amount of training data D1 increases, the accuracy of the generated trained model M1 can be expected to improve, so it is convenient to use the information of a large number of stores 2 as training data D1. is there. As described above, the store support system 10 according to the present embodiment is particularly useful in a business format in which a large number of stores 2 can be developed.
  • the store support system 10 includes a calculation unit 12 and an output unit 13.
  • the calculation unit 12 obtains tendency information regarding the purchasing tendency of the product 3 for the target store 20 which is the specific store 2 based on the plurality of clusters C1 (see FIG. 6).
  • the plurality of clusters C1 are obtained by classifying the data group including the purchase history of the product 3 in the plurality of stores 2 into the plurality of clusters C1 based on the rules regarding the purchase tendency of the product 3.
  • the output unit 13 obtains and outputs the recommended information which is the information about the operation of the target store 20 and can be recommended to the target store 20 based on the tendency information.
  • the "trend information” is information on the purchasing tendency of the product 3 for the target store 20, and is obtained by the calculation unit 12 based on the plurality of clusters C1.
  • the tendency information there is a composition ratio of a plurality of clusters C1 in the target store 20 and the like.
  • the "purchasing tendency” referred to here is a tendency seen with respect to the purchase of the product 3.
  • Specific examples of the purchasing tendency include a product 3 that is often purchased for each product category, or a combination of products 3 that are often purchased together.
  • the plurality of clusters C1 are, for example, information in which a data group including purchase histories of a plurality of customers 4 in a plurality of stores 2 is classified according to the types of customers 4 having different purchasing tendencies.
  • Specific examples of the plurality of clusters C1 of this type include "customers who purchase sweets and snacks together" or "customers who purchase rice balls and tea together”.
  • the calculation unit 12 obtains the tendency information of the target store 20 based on the plurality of clusters C1 and purchases in the plurality of stores 2 in consideration of the relationship between the target store 20 and the plurality of clusters C1. From the tendency, the purchasing tendency at the target store 20 can be found.
  • the output unit 13 can request, for example, information that can be recommended regarding the product composition of the target store 20 as "recommended information" based on the tendency information representing the purchasing tendency at the target store 20. That is, the "recommended information" is information on the operation of the target store 20, for example, information on the product lineup of the target store 20, that is, the product composition. Specific examples of this type of recommended information include recommended product information related to recommended products for each product category.
  • the store support system 10 According to the store support system 10 described above, for example, it is recommended as information that can be recommended regarding the operation of the target store 20, which leads to the improvement of the management index of the target store 20 and eventually to the improvement of the management status of the target store 20.
  • Information is available.
  • the tendency information used to obtain the recommended information is obtained based on a plurality of clusters C1.
  • the plurality of clusters C1 are obtained by classifying the data group including the purchase history of the product 3 in the plurality of stores 2 into the plurality of clusters C1 based on the rules regarding the purchase tendency of the product 3.
  • the plurality of clusters C1 used for obtaining the tendency information are obtained by classifying the purchase history of the stores 2 other than the target store 20 based on the rules regarding the purchasing tendency.
  • the actual data of store 2 will be used.
  • the store support system 10 has an advantage that it is easy to properly support the operation of the target store.
  • the store support system 10 according to the present embodiment will be described in detail.
  • a convenience store will be described as an example of the store 2 in which the store support system 10 is introduced. That is, the "clerk” is a convenience store clerk (including part-time workers and part-time workers), and the "customer 4" is a convenience store visitor.
  • a plurality of products 3 are sold with a plurality of products 3 displayed in the store.
  • the customer 4 purchases the desired product 3 by picking up the desired product 3 from the plurality of products 3 displayed in the store and making a payment for the picked up product 3.
  • the "training data” referred to in the present disclosure is data including data corresponding to a question (input data) and data corresponding to an answer (correct answer data).
  • each training data D1 the input data and the correct answer data are associated with each other on a one-to-one basis.
  • the data with a correct answer (labeled) is called training data (Labeled Data) D1.
  • the "SKU (Stock Keeping Unit)" referred to in this disclosure means the smallest management unit in order management or inventory management of product 3. For example, even products with the same product name are counted as individual SKUs depending on the size, color, package, number of pieces, etc., and are classified into smaller units as SKUs.
  • the "item” in the present disclosure means one product in a broad sense, for example, a product with the same product name is counted as one item.
  • a product with the same product name is counted as one item.
  • the number of items for "ABC bread” is "1" and the number of SKUs is "”. 3 ”.
  • the “LTV (Life Time Value)” referred to in the present disclosure means the consideration paid by the customer 4 who receives the service in a predetermined period (Life Time) as the consideration for the service.
  • the predetermined period is one day (24 hours)
  • the amount of money used by a certain customer 4 at the target store in one day is the LTV of the customer 4. Therefore, in the case where a customer 4 shop N times a day (N is 2 or more) at the target store, the customer 4 does not use the amount of money for one shopping, but N times of shopping.
  • the total amount used is the LTV of this customer 4.
  • LTV is similar to the customer unit price at first glance, it differs from the customer unit price in that it represents the total amount of money used in a predetermined period.
  • Profile means all profits related to sales at the target store 20, for example, gross profit (gross profit), operating profit, operating profit, pre-tax net profit, and after-tax. Includes net income, etc.
  • the "product category” referred to in the present disclosure is a label for classifying product 3 by use, function, customer base, etc., such as food, clothing, pharmaceuticals, beauty-related products, electrical appliances, daily necessities, etc. It may be a relatively large category (large category). Further, the product category may be a medium category that further classifies the large category into a plurality of categories, and as specific examples of the medium category, some foods include soft drinks, alcoholic beverages, lunch boxes, delicatessen items, sweets, sweets, and the like. There are medium categories such as ice cream. Further, the product category may be a small category that further classifies the medium category into a plurality of small categories. As a specific example of the small category, some soft drinks include barley tea, green tea, black tea, kohi, lactic acid drinks, and carbonated drinks. There are small categories such as mineral water and sports drinks.
  • the number of stores 2 that can be used as a reference for the target store 20 is 10,000 or more.
  • the plurality of stores 2 can be the target stores 20 respectively. That is, the store support system 10 can support each of the plurality of stores 2, but in the following, for the sake of simplicity, the case where the target store 20 is one will be described as an example.
  • the store support system 10 includes a server device 1.
  • the store support system 10 further includes a POS (Point Of Sales) system 21 and a store terminal 22 installed in each of a plurality of stores 2 (including the target store 20).
  • the store support system 10 further includes a headquarters terminal 51 installed in the chain headquarters 5 that develops a plurality of stores 2.
  • the POS system 21, the store terminal 22, and the headquarters terminal 51 are included in the components of the store support system 10.
  • at least one of the POS system 21, the store terminal 22, and the headquarters terminal 51 may not be included in the components of the store support system 10.
  • the server device 1, the POS system 21, the store terminal 22, and the headquarters terminal 51 that make up the store support system 10 are connected to, for example, a network NT1 such as the Internet.
  • the server device 1 is configured to be able to communicate with each of the POS system 21, the store terminal 22, and the headquarters terminal 51.
  • the term "communicable" as used in the present disclosure means that signals can be exchanged directly or indirectly via a network NT1 or a repeater by an appropriate communication method of wired communication or wireless communication.
  • the server device 1 can communicate with each of the POS system 21, the store terminal 22, and the headquarters terminal 51 in both directions.
  • the POS system 21, the store terminal 22, and the headquarters terminal 51 are also configured to be able to communicate with each other.
  • the server device 1 mainly comprises a computer system having one or more processors and memories.
  • the server device 1 is connected to the network NT1.
  • the server device 1 is installed in, for example, a service company that provides the store support system 10, an operating company of the store 2, or the like.
  • the server device 1 preferably uses a Platform as a Service (PaaS) environment and is a public cloud environment without management of the OS, runtime, and middleware.
  • PaaS Platform as a Service
  • the server device 1 has an estimation unit 11, a calculation unit 12, and an output unit 13. Further, in the present embodiment, the server device 1 further includes an acquisition unit 14, a clustering unit 15, and a merge unit 16 in addition to the estimation unit 11, the calculation unit 12, and the output unit 13.
  • one or more processors function as at least the estimation unit 11, the calculation unit 12, the output unit 13, the acquisition unit 14, the clustering unit 15, and the merging unit 16 by executing the program recorded in the memory. ..
  • the program may be pre-recorded in a memory, provided through a telecommunication line such as the Internet, or may be recorded and provided on a non-temporary recording medium such as a memory card.
  • the estimation unit 11 uses the trained model M1 to input at least the operation information and estimates the management index.
  • the operation information is information regarding the operation of the target store 20, which is the specific store 2.
  • the management index is an index related to the management of the target store 20.
  • the trained model M1 is generated by machine learning using data including information on the operation of the store 2 and an index on the management of the store 2 as training data D1.
  • the estimation unit 11 may use at least the operation information as the input of the trained model M1 and may use information other than the operation information as the input of the trained model M1.
  • the information used by the estimation unit 11 as the input of the trained model M1 includes, for example, auxiliary information for improving the estimation accuracy in the estimation unit 11, and constraint conditions that define restrictions on the operation information. May include.
  • the estimation unit 11 further inputs auxiliary information for improving the estimation accuracy in addition to the operation information.
  • the "auxiliary information” referred to in the present disclosure is information different from the operation information and is information for improving the estimation accuracy of the estimation unit 11.
  • the "auxiliary information” includes, for example, information regarding a purchasing tendency at the target store 20. Further, the “auxiliary information” may include information on the surrounding environment of the target store 20, the location and floor plan of the target store 20, and the like as information other than the information on the purchasing tendency.
  • the auxiliary information further includes dynamic information that changes from time to time, such as the holding status of events (sports or concerts, etc.) around the target store 20, weather conditions (including weather), and traffic conditions (traffic closure, etc.).
  • the surrounding environment of the target store 20 include the total population, the population by age group, the day / night population ratio, the number of offices, the number of employees, the number of stations, or the number of stations within a certain range (trade area) from the target store 20. There are the number of station users. Further, as a specific example of the surrounding environment of the target store 20, there is an effect of attracting customers such as the number and type of competing stores of the target store 20 or a stadium or a concert hall within a certain range (commercial area) from the target store 20. There are also the number and types of facilities.
  • the location and floor plan of the target store 20 include the presence or absence of a parking lot, the presence or absence of a bicycle parking lot, the number of parking lots, the site area, the presence or absence of an eat-in space, the presence or absence of a signboard, or whether or not it faces a trunk road. ..
  • the estimation unit 11 in addition to the operation information (and auxiliary information), the estimation unit 11 further inputs the constraint conditions that define the restrictions on the operation information.
  • the "constraint condition” referred to in the present disclosure is information different from the operation information, and is information for setting some kind of restriction on the operation information.
  • the "constraint condition” includes a condition relating to each size of a plurality of products 3 included in the same product category.
  • the "constraint condition” includes a condition that defines at least one of a maximum value and a minimum value of the number of SKUs or the number of items in one product category.
  • the store support system 10 includes a learning device 110 for generating a trained model M1.
  • the learning device 110 generates the trained model M1 used in the store support system 10.
  • the store support system 10 referred to here has a function of inputting at least management information related to the operation of the target store 20, which is a specific store, and estimating a management index related to the management of the target store 20.
  • the learning device 110 inputs information regarding the operation of the store 2 and data including an index regarding the management of the store 2 as training data D1, and generates a trained model M1 by machine learning.
  • the learning device 110 is provided in the server device 1 as a function of the server device 1.
  • the machine-learned learning device 110 functions as the estimation unit 11. That is, the estimation unit 11 of the server device 1 functions as a learning device 110 in the "learning phase” in which machine learning is performed, and functions as an estimation unit 11 in the "inference phase” in which estimation is performed using the learned model M1. ..
  • the calculation unit 12 obtains tendency information regarding the purchasing tendency of the product 3 for the target store 20 which is the specific store 2 based on the plurality of clusters C1 (see FIG. 6).
  • the plurality of clusters C1 are obtained by classifying the data group including the purchase history of the product 3 in the plurality of stores 2 into the plurality of clusters C1 based on the rules regarding the purchase tendency of the product 3.
  • the output unit 13 obtains and outputs the recommended information that is information on the operation of the target store 20 and can be recommended to the target store 20 based on the estimation result of the estimation unit 11. Further, the output unit 13 obtains and outputs recommended information based on the tendency information. That is, in the present embodiment, the output unit 13 obtains recommended information based on both the estimation result of the estimation unit 11 and the tendency information calculated by the calculation unit 12.
  • the mode of outputting various information in the output unit 13 is, for example, output (transmission) by communication to the POS system 21, the store terminal 22, the headquarters terminal 51, and the like.
  • the output unit 13 transmits various information such as recommended information to other information terminals, displays, outputs sound (including voice), records (writes) on a non-temporary recording medium, and It may be output by printing (printout) or the like.
  • the acquisition unit 14 acquires various information from the POS system 21, the store terminal 22, the headquarters terminal 51, etc. via the network NT1. At least, the acquisition unit 14 acquires data including the purchase history of the product 3 from the POS systems 21 of the plurality of stores 2 and generates a data group including the purchase history of the product 3.
  • the clustering unit 15 executes a clustering process for generating a plurality of clusters C1. That is, the clustering unit 15 classifies the data group including the purchase history of the product 3 in the plurality of stores 2 acquired by the acquisition unit 14 into the plurality of clusters C1 based on the rules regarding the purchasing tendency of the product 3. As will be described in detail later, in the present embodiment, the plurality of clusters C1 are data in which the data group is classified by four customers.
  • the merging unit 16 merges the estimation result of the estimation unit 11 and the tendency information obtained by the calculation unit 12, and outputs the merging result to the output unit 13. As a result, the output unit 13 can obtain recommended information based on both the estimation result of the estimation unit 11 and the tendency information. As will be described in detail later, in the present embodiment, the merging unit 16 merges the tendency information calculated by the calculation unit 12 with the operation information (the number of SKUs for each product category) included in the estimation result of the estimation unit 11 (the number of SKUs for each product category). By merging), the estimation result of the estimation unit 11 and the tendency information are merged.
  • the trained model M1 used in the estimation unit 11 is generated by machine learning in the learning device 110.
  • the learning device 110 and the estimation unit 11 may be implemented as any type of artificial intelligence or system.
  • the clustering unit 15 may also be implemented as any type of artificial intelligence or system.
  • the estimation unit 11 performs machine learning for dealing with a regression problem, and supervised learning is performed as a method thereof.
  • the clustering unit 15 performs machine learning for dealing with the classification problem, and unsupervised learning is performed as the method.
  • the machine learning algorithm applied by the estimation unit 11 that handles the regression problem is, for example, multiple regression analysis.
  • the machine learning algorithm applied by the estimation unit 11 is not limited to multiple regression analysis, and is, for example, a neural network (Neural Network), a random forest (Randam Forest), a decision tree (decision tree), and an XGB (eXtreme Gradient Boosting). It may be regression, support vector regression (SVR: Support Vector Regression), or the like.
  • the machine learning algorithm applied by the clustering unit 15 that handles the classification problem is, for example, a Gaussian Mixture Model (GMM) or a k-means clustering (k-means clustering).
  • GMM Gaussian Mixture Model
  • k-means clustering k-means clustering
  • the machine learning algorithm applied by the clustering unit 15 is not limited to these algorithms, for example, Mean-shift, Ward's method, LDA (Latent Dirichlet Allocation), DBSCAN (Density-based spatial clustering of applications with noise), etc. It may be.
  • the learning method adopted by the estimation unit 11 dealing with the regression problem is supervised learning
  • the learning method adopted by the clustering unit 15 dealing with the classification problem is unsupervised learning. Therefore, as the training data D1 for generating the trained model M1 used in the estimation unit 11, as described above, the data with the correct answer (labeled) (Labeled Data) is used. Labeling may be done by a person.
  • the learning method adopted by the estimation unit 11 is not limited to supervised learning, and may be unsupervised learning or reinforcement learning.
  • each store 2 is described as if it is connected to the network NT1, but in reality, devices such as the POS system 21 and the store terminal 22 installed in each store 2 are gateways. It is connected to the network NT1 via the above.
  • Each of the POS system 21 and the store terminal 22 mainly comprises a computer system having one or more processors and memories. Therefore, one or more processors function as each of the POS system 21 and the store terminal 22 by executing the program recorded in the memory.
  • the program may be pre-recorded in a memory, provided through a telecommunication line such as the Internet, or may be recorded and provided on a non-temporary recording medium such as a memory card.
  • the POS system 21 is a so-called "ID-POS” capable of handling ID-POS data.
  • the "ID-POS data” referred to here is data in which a "customer ID” as identification information (ID: identification) of the customer 4 is added to the POS data.
  • This type of POS system 21 acquires the identification information (customer ID) of the customer 4 by authenticating the customer 4 when the customer 4 makes a purchase.
  • the authentication of the customer 4 may be realized by various cards such as a membership card, a point card, a credit card, etc., communication with the mobile information terminal of the customer 4, biometric authentication (including face authentication), etc. May be realized by.
  • the store terminal 22 is an information terminal owned by a clerk of the store 2, an owner, or the like.
  • the store terminal 22 has a touch panel display as a user interface, accepts user operations, and presents (displays) information to the user.
  • the POS system 21 can handle ID-POS data. Therefore, for example, every time an accounting is performed, the information of the purchased product 3 is used as the identification information of the customer 4 (customer). It can be output as a purchase history in a state associated with ID).
  • each store 2 may have a device connected to the network NT1 in addition to the POS system 21 and the store terminal 22.
  • a store computer or a device mainly composed of a computer system such as a mobile terminal (including a smartphone and a wearable terminal) owned by each clerk 91 is provided in each store 2 and connected to the network NT1. May be good.
  • the headquarters terminal 51 is installed in the chain headquarters 5 that develops a plurality of stores 2.
  • the main terminal 51 includes a computer system having one or more processors and a memory as a main configuration. Therefore, one or more processors function as the headquarters terminal 51 by executing the program recorded in the memory.
  • the program may be pre-recorded in a memory, provided through a telecommunication line such as the Internet, or may be recorded and provided on a non-temporary recording medium such as a memory card.
  • the headquarters terminal 51 has a touch panel display as a user interface, accepts user operations, and presents (displays) information to the user.
  • the user of the headquarters terminal 51 is mainly an operator of the chain headquarters 5.
  • the overall operation of the store support system 10, that is, the entire store support method will be described, and then the operation of the store support system 10 will be described step by step.
  • the learning device 110 learning device
  • the learning device 110 for generating the "learned model” used in the estimation unit 11 of the store support system 10
  • the method of generating the learned model M1 according to the present embodiment will be described.
  • FIGS. 3 and 4 are conceptual diagrams conceptually showing the overall operation of the store support system 10 according to the present embodiment.
  • the operation of the store support system 10 is roughly classified into four processes of clustering P1, optimization of shelving allocation P2, ranking creation P3, and listing P4.
  • Clustering P1 is a process of classifying a data group including a purchase history of a product 3 in a plurality of stores 2 into a plurality of clusters C1 based on a rule regarding a purchase tendency of the product 3.
  • the clustering P1 is mainly executed by the clustering unit 15.
  • Optimization of shelving allocation P2 is a process for optimizing the shelving allocation at the target store 20.
  • the “shelf allocation” referred to in the present disclosure means a design such as how many products 3 are displayed on the display shelf 201 (see FIG. 7A). Therefore, the process of optimizing the shelving allocation P2 includes a process of requesting information that can be recommended regarding the product composition of the target store 20.
  • the shelving allocation optimization P2 is mainly executed by the estimation unit 11 and the output unit 13.
  • Ranking creation P3 is a process for creating ranking of recommended products in the target store 20.
  • a ranking of recommended products is created for each product category based on a plurality of clusters C1. Therefore, the process of ranking creation P3 includes a process of obtaining trend information regarding the purchasing tendency of the product 3 for the target store 20 based on the plurality of clusters C1.
  • the ranking creation P3 is mainly executed by the calculation unit 12 and the output unit 13.
  • Listing P4 is a process for creating a list of recommended products as recommended information D30 (see FIG. 4).
  • the recommended information D30 is based on the shelf allocation information D25 (see FIG. 4), which is the product of the optimization of shelf allocation P2, and the ranking D29 (see FIG. 4), which is the product of the ranking creation P3. Is generated.
  • the listing P4 is mainly executed by the output unit 13.
  • FIG. 4 shows data when the four processes of clustering P1, shelving allocation optimization P2, ranking creation P3, and listing P4 are executed in the store support system 10 (server device 1) according to the present embodiment. It is a conceptual diagram which shows the flow easily. That is, FIG. 4 shows the overall operation of the server device 1 including the estimation unit 11, the calculation unit 12, and the output unit 13, that is, the entire store support method.
  • FIG. 5 is a flowchart corresponding to the overall operation of the store support system 10, that is, the entire store support method. That is, FIG. 5 conceptually shows the main processing flow of the store support system 10.
  • the plurality of clusters C1 generated in the clustering P1 are data obtained by classifying the data group into four customer units as described above. Therefore, in the present embodiment, the process of clustering P1 includes a clustering (S1 in FIG. 5) process in which clustering is performed in units of four customers.
  • FIG. 6 is a conceptual diagram conceptually representing a plurality of clusters C11, C12, C13 ... obtained by clustering.
  • cluster C1 each of the plurality of clusters C11, C12, C13 ... Is simply referred to as "cluster C1". That is, the plurality of clusters C1 are data in which the data group is classified by four customers based on the rules regarding the purchasing tendency of the product 3. Therefore, the customer 4 is classified into a plurality of clusters C1 according to the purchasing tendency of the product 3, such as "Type-1", “Type-2", “Type-3", and so on.
  • the cluster C11 is a cluster of customers 4 of "Type-1" corresponding to the rule regarding the purchasing tendency of "customers who purchase sweets and snacks together”.
  • the cluster C12 is a cluster of customers 4 of "Type-2” that corresponds to the rule regarding the purchasing tendency of "customers who purchase rice balls and tea together”.
  • the cluster C13 is a cluster of customers 4 of "Type-3” that corresponds to the rule regarding the purchasing tendency of "customers who purchase lunch boxes individually”.
  • the cluster C14 is a cluster of customers 4 of "Type-4" that corresponds to the rule regarding the purchasing tendency of "customers who purchase lunch boxes and daily necessities together”.
  • a plurality of clusters C1 classified according to the types of customers 4 having different purchasing tendencies are generated from the data group including the purchase histories of the plurality of customers 4 in the plurality of stores 2. ..
  • the server device 1 acquires POS data D11 from a plurality of stores 2 by the acquisition unit 14.
  • the POS data D11 used here includes a combination of the identification information (customer ID) of the customer 4, the information of the purchased product 3 (including the unit price and the number of purchased items), and the purchase date and time, and is an identification for identifying the store 2. It further includes a "store ID" as information.
  • a plurality of clusters C1 are generated by performing clustering on the calculated purchase amount ratio.
  • the customers 4 are classified according to the type related to the purchasing tendency, so that a plurality of clusters C1 classified by the customer 4 units are generated.
  • the output clustering result is data indicating which of the plurality of clusters C1 each customer 4 belongs to.
  • a soft (fuzzy) cluster C1 in which one customer 4 belongs across a plurality of clusters C1 is assumed. Therefore, for example, when one customer 4 contains 80% of the elements of "Type-1" and 20% of the elements of "Type-2", the customer 4 belongs to the cluster C11 by 80% and is a cluster. 20% will belong to C12. Therefore, cluster data D21 indicating the affiliation ratio to the plurality of clusters C1 is generated for each customer 4.
  • the cluster affiliation ratio for this store 2 is obtained by adding up the cluster affiliation ratio of the customer 4 for each store 2.
  • the normalized cluster composition ratio is obtained for each store 2 by normalizing the cluster affiliation ratio after the summation. That is, for the plurality of customers 4 using each store 2, a "composition ratio" indicating the ratio of the customers 4 belonging to the plurality of clusters C1 can be obtained. As an example, for a certain store 2, 5% of a plurality of customers 4 using this store 2 belong to the cluster C11, 7% belong to the cluster C12, and 11% belong to the cluster C13.
  • the composition ratio is calculated as follows.
  • the clustering unit 15 includes the cluster configuration ratio for each store 2 calculated in this way in the cluster data D21 and outputs it. As a result, a cluster configuration ratio can be obtained for each of the plurality of stores 2. However, in the present embodiment, at least the composition ratio of the plurality of clusters C1 for the target stores 20 may be obtained. Therefore, for the store 2 other than the target store 20, it is not essential to calculate the composition ratio of the plurality of clusters C1. As a result, based on the plurality of clusters C1, trend information including the composition ratios of the plurality of clusters C1 in the target store 20 is required. In other words, the trend information includes the composition ratio of the plurality of clusters C1 in the target store 20.
  • the attribute of the customer 4 may be included in the classification viewpoint in addition to or instead of the product category.
  • the attributes of the customer 4 include, for example, age, gender, occupation, address, family structure, and the like. Further, in addition to or in place of the product category and the attributes of the customer 4, the purchase scene, the frequency of visits to the store, the purchase price, the number of items purchased in one account, the preference of the product 3, and the like may be included in the classification viewpoint.
  • the "purchase scene” referred to here includes a time zone and a distinction between weekdays / holidays, and is represented by, for example, "weekdays from 10:00 to 13:00" and “holidays from 18:00 to 21:00".
  • weekdays from 10:00 to 13:00
  • holidays from 18:00 to 21:00.
  • the attributes of customer 4 the frequency of visits to the store, the purchase price, etc. are included in the classification viewpoint, for example, "A man in his thirties who lives within 500 m from the store purchases beer and lunch at night five times a week. It is possible to generate a cluster C1 that defines a more detailed purchasing tendency such as "customer".
  • the weighting coefficient of the purchase history is made uniform for the plurality of stores 2, but the weighting coefficient of the purchase history may be different for each store 2.
  • the target store 20 may be weighted so as to increase the weighting coefficient of the purchase history as compared with the other store 2.
  • the plurality of clusters C1 are reclassified based on the improvement results of the index related to the management of the target store 20 calculated for each. That is, the plurality of clusters C1 generated by clustering are not fixedly defined, but fluctuate due to reclassification. For example, it is assumed that the index related to the management of the target store 20 (here, the sales of the current month) has improved by a predetermined value or more for the cluster C11 and has not improved by a predetermined value or more for the cluster C12.
  • the cluster C11 for which the index related to the management of the target store 20 is improved, is given more weight than the cluster C12, and for example, the cluster C11 is reclassified so as to be further subdivided.
  • cluster C1 of "customers who purchase sweets and soft drinks together” have improved.
  • cluster C1 of "customers who purchase confectionery and soft drinks together” whose sales have improved is reclassified.
  • cluster C1 of "customers who buy sweets and soft drinks together” is “customers who buy snacks and soft drinks together” and “customers who buy chocolate sweets and soft drinks together”. It is subdivided into two clusters C1.
  • Such a reclassification process may be executed periodically, for example, or may be executed when there is an improvement of a predetermined value or more for any of the clusters C1.
  • FIG. 7A which product 3 is displayed and how many (SKU number) are displayed on the display shelf 201 installed in the target store 20.
  • FIG. 7B when the display shelf 201 is divided into two areas Z1 and Z2, the product category is "rice ball” in the area Z1 and the product category is "sandwich” in the area Z2. It is assumed that the product 32 is displayed. In this case, the ratio of the number of SKUs that can be displayed in the product 31 and the product 32 changes depending on the ratio of the area Z1 and the area Z2.
  • the ratio of the number of SKUs of the product 31 and the product 32 that can be displayed on the display shelf 201 changes. That is, as the proportion occupied by the area Z1 increases, the number of SKUs of the products 31 that can be displayed on the display shelf 201 increases, and the number of SKUs of the products 32 decreases.
  • the shelf allocation as described above is optimized by obtaining an appropriate SKU for each product category. That is, in the example of FIG. 7B, by optimizing the number of SKUs of the product 31 whose product category is "rice ball” and the number of SKUs of the product 32 whose product category is "sandwich", the area Z1 in the display shelf 201 The ratio between and the region Z2 can be optimized.
  • the process of optimizing the shelf allocation P2 includes a process S2 for calculating the shelf allocation constraint and a process S3 for optimizing the shelf allocation. There is.
  • the constraint on the number of SKUs is calculated for each product category. Specifically, the maximum value (maximum number of SKUs) and the minimum value (minimum number of SKUs) of the number of SKUs are calculated for each product category. This makes it possible to limit the adjustable range of the number of SKUs for each product category when optimizing the shelving allocation.
  • the shelf allocation constraint D24 (see FIG. 9) is calculated using the reference value D12.
  • the reference value D12 is, for example, information distributed from the headquarters terminal 51 or the like, and is information that defines a reference value for the number of SKUs for each product category.
  • the reference value D12 may include, for example, a list of products 3 that can be ordered at the target store 20, a list of sales promotion products for which the chain headquarters 5 promotes sales, an inventory list of products 3, and the like.
  • the maximum number of SKUs is calculated so that the number of SKUs in a certain product category does not exceed the number of SKUs of product 3 that can be supplied (ordered) in this product category.
  • the size of the product 3 is taken into consideration in this embodiment. That is, as shown in FIG. 8, the shelving allocation may be restricted due to the size of the product 3.
  • product 33 belonging to the product category of "instant noodles” which is an instant food product 34 belonging to the product category of "instant udon", and product 35 belonging to the product category of "cup soup”. Is displayed on the display shelf 201.
  • the ratio of the number of SKUs that can be displayed in the product 33, the product 34, and the product 35 changes depending on the ratio of the area Z1, the area Z2, and the area Z3.
  • the standard size of the product 33 and the product 34 is larger than the standard size of the product 35, the SKU that can be displayed on the product 33 or the product 34 and the product 35 even in the same area.
  • the numbers are different. Therefore, for example, when the number of SKUs of the products 33 that can be displayed in the area Z1 increases by "1", it is necessary to make adjustments so as to reduce the number of SKUs of the products 35 that can be displayed in the area Z3 by "2". Therefore, restrictions are defined on the ratio of the number of SKUs between the products 33 and 34 and the products 35, which have different standard sizes.
  • the ratio between the two is limited so that the ratio of the number of SKUs falls within a predetermined range (for example, ⁇ several%) based on the reference ratio.
  • a predetermined range for example, ⁇ several%) based on the reference ratio.
  • the shelf allocation information D25 for each product category is calculated using the shelf allocation constraint D24 set in this way.
  • the shelf allocation constraint D24 for example, for the target store 20, cluster data D21, POS data D11 for the most recent month, inventory record D13, and the like are used.
  • the inventory record D13 includes, for example, the record of inventory, disposal, out of stock, etc. for each product 3 in the latest one month or the same month of the previous year.
  • the estimation unit 11 uses the learned model M1 to input at least the operation information and estimates the management index.
  • the operation information is, for example, the number of SKUs for each product category in the target store 20.
  • the management index is the sales of each product category in the target store 20.
  • the SKU of the appropriate product 3 may be extracted at the target store 20 by using the POS data D11 of the most recent month.
  • a method for extracting the product 3 for example, a method of extracting the product 3 in which the actual value such as the number of purchases or the purchase frequency within the predetermined period is equal to or higher than the predetermined value, or the product 3 in which the actual value is higher in the store 20 is extracted. is there.
  • the aggregation target of the actual value at this time may be all the customers 4 of the store 20, or may be a part of the customer group extracted by the attribute, the frequency of use, the cluster, or the like.
  • FIG. 9 is a flowchart showing a more detailed processing procedure of the store support system 10 for the processing (S3) for optimizing the shelving allocation.
  • the processes S3 include processes S201 to S203 corresponding to the "learning phase” for generating the trained model M1 and processes S204 to S205 corresponding to the "inference phase” for estimating using the trained model M1. It is roughly divided into.
  • the POS data D11, the cluster data D21, and the inventory record D13 are read as input data.
  • the explanatory variables and the objective variables are totaled for each store 2 from the read input data.
  • the trained model M1 is generated by using the aggregated explanatory variables and objective variables.
  • operation information for each product category here, the number of SKUs
  • cluster data D21 are used as explanatory variables.
  • the objective variable is, for example, sales for each product category.
  • the trained model M1 for estimating the management index (here, sales) is generated by inputting the operation information (here, the number of SKUs) for each product category.
  • the processing of the learning phase will also be described in the column of "(3.6) Operation of learning device”.
  • the processes S204 to S205 related to the inference phase are executed for each store 2. That is, in the present embodiment, the processes S204 to S205 are executed for at least the target stores 20.
  • the management index (here, sales) is estimated by inputting the operation information (here, the number of SKUs) using the trained model M1.
  • the extreme value (peak value) of the management index is searched by a search algorithm such as a mountain climbing method. That is, in the process S204, for each product category, the number of SKUs when the sales are maximized is calculated as the shelving allocation information.
  • the search algorithm used here is not limited to the mountain climbing method, and may be, for example, a branch-and-bound method or Bayesian optimization.
  • the adjustable range of the number of SKUs is limited for each product category by using information such as the shelf allocation constraint D24.
  • the shelf allocation information D25 is output.
  • the shelf allocation information D25 obtained in this way is information that can be recommended regarding the product composition of the target store 20, and can be included in the “recommended information”. Further, it is preferable that the shelf allocation information D25 includes not only the number of SKUs but also the management index (here, sales) estimated in the processing S204.
  • the estimation unit 11 uses the learned model M1 to input the operation information and estimates the management index, and then the output unit 13 recommends information based on the estimation result of the estimation unit 11.
  • the shelving allocation information D25 is obtained and output.
  • recommended information that is information on the operation of the target store 20 and can be recommended to the target store 20 can be obtained.
  • the estimation unit 11 further inputs auxiliary information for improving the estimation accuracy in addition to the operation information.
  • the "auxiliary information" includes, as an example, information regarding a purchasing tendency at the target store 20. More specifically, the information on the purchasing tendency included in the auxiliary information includes the information on the purchasing tendency for each customer 4 in the target store 20. Further, the information regarding the purchasing tendency included in the auxiliary information includes the information regarding the plurality of clusters C1. The plurality of clusters C1 are obtained by classifying the data group including the purchase history of the product 3 in the plurality of stores 2 into the plurality of clusters C1 based on the rules regarding the purchase tendency of the product 3.
  • the cluster data D21, the POS data D11 for the latest one month, the inventory record D13, and the like are used as auxiliary information for the target store 20.
  • These auxiliary information correspond to information on the purchasing tendency of each customer 4 in the target store 20.
  • the cluster data D21 is information about a plurality of clusters C1.
  • the estimation unit 11 further inputs the constraint condition that defines the constraint on the operation information in addition to the operation information. That is, in the process S204 that estimates the management index by inputting the operation information using the trained model M1, the adjustable range of the number of SKUs is limited for each product category by using the shelf allocation constraint D24.
  • the shelf allocation constraint D24 is included in the "constraint condition" because it is information that defines a constraint on the operation information (number of SKUs, etc.).
  • the constraint condition includes a condition relating to each size of the plurality of products 3. That is, in calculating the shelf allocation constraint D24 (constraint condition), the size of the product 3 is taken into consideration in the present embodiment, and the ratio of the number of SKUs is defined among the products 3 having different standard sizes. Therefore, by inputting the shelf allocation constraint D24, which is a constraint condition, the estimation unit 11 has a management index in a state where the operation information (number of SKUs, etc.) is restricted by the condition related to each size of the plurality of products 3. (Sales, etc.) can be estimated.
  • the constraint condition includes a condition that defines at least one of the maximum value and the minimum value of the number of SKUs or the number of items in one product category. That is, in the present embodiment, the shelf allocation constraint D24 (constraint condition) includes a maximum value (maximum number of SKUs) and a minimum value (minimum number of SKUs) of the number of SKUs for each product category. Therefore, by inputting the shelf allocation constraint D24, which is a constraint condition, the estimation unit 11 estimates the management index (sales, etc.) with the number of SKUs or the number of items in one product category restricted. Is possible.
  • the operation information (here, the number of SKUs) used as the input of the estimation unit 11 may be subdivided information as compared with the management index (here, sales) used as the output.
  • the management index here, sales
  • the product category of the management information may be subdivided as compared with the management index.
  • the product category of the management information (number of SKUs) is the "small category”
  • the product category of the management index (sales) is the "medium category”.
  • the trained model M1 used in the process S204 is corrected based on the actual data of the target store 20. That is, if the trained model M1 is arranged for the target store 20 as illustrated in FIGS. 10A and 10B, it is possible to improve the estimation accuracy in the estimation unit 11 using the trained model M1. is there. 10A and 10B are graphs in which the horizontal axis is the number of SKUs and the vertical axis is sales.
  • the relationship between the number of SKUs estimated by the trained model M1 and the sales is represented by the graph G1 as shown in FIG. 10A.
  • the actual data Px0 to Px5 of the target store 20 exist at positions deviating from the graph G1 as shown in FIG. 10A.
  • the actual data Px0 to Px5 indicate the actual data of the current month, one month before the current month, two months before the current month, three months before the current month, four months before the current month, and five months before the current month, respectively.
  • the trained model M1 is obtained by obtaining the correction coefficient based on the actual data Px0 to Px5 and the graph G1 so as to reduce the difference between the actual data Px0 to Px5 and the graph G1. Correction is possible. That is, the trained model M1 after correction can be obtained by correcting the relational expression (graph G1) between the number of SKUs estimated by the trained model M1 and the sales by the correction coefficient. According to the corrected trained model M1, as shown in the graph G2 in FIG. 10B, the relationship between the number of SKUs and the sales is close to the actual data Px0 to Px5 of the target store 20. As a result, by using the corrected trained model M1, the estimation accuracy of the estimation unit 11 can be improved.
  • the weighting coefficient is set depending on when the actual data is, so that the actual data closer to the current month is preferentially reflected in the correction coefficient.
  • the weighting coefficient of the actual data Px0 of the current month is set to the initial value "1.0", and the value multiplied by "0.7” is used as the weighting coefficient every month going back from the current month.
  • the information regarding the operation in the store 2 used at the time of generating the learned model M1 is a past object having a specific relationship with the present with respect to a specific product category. It is also useful to include period information. That is, the information used for generating the trained model M1 (machine learning) may not be any information at any time, but is preferably information on a past target period having a specific relationship with the present.
  • the "past target period having a specific relationship with the present” here is a past period having some correlation with the "current month” corresponding to the present, and as an example, the same month before the previous year (the same month of the previous year and the year before last).
  • the trained model M1 is generated based on the information of the target period having a correlation with the present (current month), so that the estimation accuracy using the trained model M1 is improved. For example, by setting the same month before the previous year as the target period, it is possible to make an estimation that strongly reflects the influence of seasons or weather, and by setting the target period last month, it is possible to make an estimation that strongly reflects the influence of fashion or consumption trends. Is possible.
  • the estimation unit 11 can improve the estimation accuracy by selectively using the trained model M1 having a relatively high estimation accuracy among the plurality of trained models M1.
  • the ranking creation P3 for example, a plurality of recommended products in the target store 20 are ranked for each product category. Moreover, in the ranking creation P3, the ranking D29 of the recommended product in the product category "rice ball" in the target store 20 is created in consideration of the tendency information such as the composition ratio of the plurality of clusters C1 in the target store 20. That is, the ranking D29 is created based on the tendency information of the target stores 20 (the composition ratio of the plurality of clusters C1).
  • the product category “Onigiri” includes multiple product 3s (SKUs) including “Plum”, “Salmon”, “Kelp”, “Mentaiko”, “Sea Chicken Mayonnaise” and “Katsuobushi”. And.
  • SKUs product 3s
  • the composition ratio of the plurality of clusters C1 in the target store 20 most of the customers 4 of the target store 20 frequently purchase the cluster C1 of the customer 4 who frequently purchases "ume” and "mentaiko”. It is assumed that the cluster C1 of the customer 4 is occupied. In this case, “ume” and “mentaiko” are ranked high in the recommended product ranking D29 in the product category "rice ball" at the target store 20.
  • a process S4 for calculating sales for each cluster C1 and a process S5 for calculating sales for each store 2 are performed.
  • the process of ranking creation P3 includes a process S6 for calculating the sales expected for the new product.
  • the expected sales amount for each cluster C1 is calculated by using the POS data D11, the cluster data D21, and the inventory record D13 for the most recent month.
  • the expected sales by cluster are calculated.
  • the amount of money consumed when the customer 4 belonging to a certain cluster C1 goes to the store 2 where the product 3 of a certain SKU is sold for one month is calculated as the expected sales by cluster. Therefore, basically, for each cluster C1, the total amount of money used in the store 2 during one month is divided by the number of customers 4 included in the cluster C1 to calculate the expected sales by cluster.
  • the expected sales by cluster are calculated in consideration of the fact that one customer 4 belongs to a plurality of clusters C1 and whether or not the product 3 is in stock at the store 2.
  • the expected sales by cluster obtained in the process S4 and the cluster data D21 are used to calculate the expected sales for each store 2. As a result, the expected sales by store are calculated.
  • the final ranking D29 is created by calculating the sales expected for the new product and merging the new product and the existing product. As a result, the ranking D29 in which the new product is merged with the existing product is created.
  • the ranking of the non-handled products is based on the similarity between the products handled at the target store 20 and the non-handled products. It is preferable to be determined.
  • similarity means, for example, overall similarity in terms of the genre, ingredients, taste, concept (premium products, etc.), target customer base, price range, etc. of the product 3.
  • the product category when two products 3 having the same small category of "green tea" and the same target customer base or price range are sold by different manufacturers, these two products 3 The similarity of is high. In this way, regarding the products 3 with high similarity, if one product is a non-handled product (new product), the ranking of the other product 3 (existing product) handled at the target store 20 is referred to. , The ranking will be decided.
  • the following several means can be considered as specific means for determining the ranking of non-handled products.
  • the first means among the products 3 (existing products) handled at the target store 20, the same rank as the rank of the product 3 having the highest degree of similarity to the non-handled products is applied as the rank of the non-handled products.
  • the second means when the non-handled product is a newly released product 3, the product 3 having the highest degree of similarity to the non-handled product among the products 3 (existing products) handled at the target store 20.
  • the ranking of non-handled products will be determined by taking into account the effect of increasing sales due to the new release.
  • the sales of the non-handled products can be estimated by multiplying the sales of the product 3 having the highest degree of similarity by the correction coefficient with the effect of increasing the sales according to the number of days elapsed from the release as the correction coefficient. From the sales of non-handled products obtained in this way, the ranking of non-handled products can be determined.
  • N is an integer of 2 or more
  • the average ranking of N products 3 is applied as the ranking of non-handled products.
  • the ranking of the non-handled products may be determined in consideration of the effect of increasing the sales due to the new release with respect to the average sales of the N products 3.
  • N products (N is an integer of 1 or more) whose similarity with the non-handled products is a certain value or more.
  • the average ranking of products is applied as the ranking of non-handled products.
  • the ranking of the non-handled products may be determined in consideration of the effect of increasing the sales due to the new release with respect to the average sales of the N products 3.
  • a list of recommended products as the recommended information D30 is created based on the shelf allocation information D25 which is the product of the optimization of the shelf allocation P2 and the ranking D29 which is the product of the ranking creation P3. To. That is, by combining the shelf allocation information D25 and the ranking D29 for each product category, the products 3 ranked from the highest in the ranking to the optimum number of SKUs can be listed as recommended products.
  • the recommended information D30 created in this way includes recommended product information regarding the recommended product for each product category. Further, in the present embodiment, the recommended information D30 includes recommended product information regarding a plurality of recommended products and recommended ranking information regarding the ranking of the plurality of recommended products. Then, the recommended ranking information is generated for each product category.
  • the recommended information D30 includes the ranking D29 merged with the operation information (the number of SKUs for each product category) included in the estimation result of the estimation unit 11. That is, as a premise, the estimation result of the estimation unit 11 includes the correspondence between the input (operation information) and the output (management index), and it is possible to specify the "operation information" from which a good management index can be obtained. .. Then, the output unit 13 does not obtain the recommended information D30 only from the estimation result of the estimation unit 11, but only uses the estimation result of the estimation unit 11 to obtain the recommended information D30.
  • the output unit 13 apart from the estimation result obtained by using the trained model M1, there is a ranking D29 obtained by using a plurality of clusters C1. Not only the estimation result of the estimation unit 11 but also the ranking D29 is input to the output unit 13. The output unit 13 generates the recommended information D30 by merging the ranking D29 with the operation information (the number of SKUs for each product category) included in the estimation result of the estimation unit 11.
  • the process of listing P4 includes a process S7 for correcting the ranking D29 obtained in the ranking creation P3 and a process S8 for integrating recommended information. It has been.
  • the ranking D29 is corrected using the product list D16.
  • the product list D16 is, for example, information distributed from the headquarters terminal 51 or the like, and is a list of products 3 that can be ordered at the target store 20, a list of sales promotion products for which the chain headquarters 5 promotes sales, and a list of sales promotion products. It may include an inventory list of product 3 and the like.
  • the ranking D29 is corrected in consideration of whether or not an order can be placed at the target store 20.
  • the recommended information is integrated based on the ranking D29 corrected in the process S7 and the shelf allocation information D25, and a list of recommended products is created for each product category. At this time, the number of SKUs for each product category is determined by the shelf allocation information D25.
  • recommended information D30 including recommended product information regarding a plurality of recommended products and recommended ranking information regarding the ranking of a plurality of recommended products is output for each product category.
  • each of the operation information and the recommended information D30 includes information regarding the product composition in the target store 20. That is, in the present embodiment, the operation information is, for example, the number of SKUs for each product category in the target store 20, and therefore includes information regarding the product composition in the target store 20.
  • the recommended information D30 includes recommended product information regarding a plurality of recommended products and recommended ranking information regarding the ranking of the plurality of recommended products, the recommended information D30 includes information regarding the product composition at the target store 20.
  • the recommended information D30 is information corrected by using correction information different from the tendency information based on the primary information calculated from the tendency information. That is, the recommended information D30 is not the primary information itself calculated from the tendency information, but information in which some correction (processing) is applied to the primary information using the correction information.
  • the ranking D29 is generated based on the tendency information of the target store 20 (the composition ratio of the plurality of clusters C1), so that the ranking D29 corresponds to the primary information.
  • the ranking D29 is corrected by using the shelf allocation information D25, the product list D16, and the like as correction information, so that the recommended information D30 is generated. That is, the recommended information D30 is the information corrected by using the correction information based on the ranking D29.
  • the learning device 110 generates a trained model M1 by machine learning using data including information on the operation of the store 2 and an index on the management of the store 2 as training data D1. That is, the trained model M1 used for estimating the management index is generated from the training data D1 including the information on the operation and the index on the management for the stores 2 other than the target store 20.
  • the machine learning algorithm applied by the learning device 110 is, for example, multiple regression analysis.
  • the information included in the data (explanatory variable) input to the estimation unit 11 in the inference phase is included in the training data D1 input to the learning device 110 also in the learning phase.
  • information used as auxiliary information for improving the estimation accuracy specifically, cluster data D21 (information on purchasing tendency) and the like are input to the training data D1 input to the learning device 110 in the input phase. It is preferably included.
  • explanatory variables used in the learning phase are not limited to the cluster data D21 and the like, and may include other information and the like.
  • the first embodiment is only one of the various embodiments of the present disclosure.
  • the first embodiment can be changed in various ways depending on the design and the like as long as the object of the present disclosure can be achieved.
  • the same function as the store support system 10 according to the first embodiment may be realized by a store support method, a computer program, a non-temporary recording medium on which a computer program is recorded, or the like.
  • the store support method according to one aspect includes an estimation process and an output process.
  • the estimation process is a process of estimating a management index by inputting at least operation information using the trained model M1.
  • the operation information is information regarding the operation of the target store 20, which is the specific store 2.
  • the management index is an index related to the management of the target store 20.
  • the trained model M1 is generated by machine learning using data including information on the operation of the store 2 and an index on the management of the store 2 as training data D1.
  • the output process is a process of obtaining and outputting the recommended information D30 based on the estimation result of the estimation unit 11.
  • the recommended information D30 is information related to the operation of the target store 20 and can be recommended to the target store 20.
  • the store support method includes a calculation process and an output process.
  • the calculation process is a process of obtaining trend information regarding the purchase tendency of the product 3 for the target store 20 which is the specific store 2 based on the plurality of clusters C1.
  • the plurality of clusters C1 are obtained by classifying the data group including the purchase history of the product 3 in the plurality of stores 2 into the plurality of clusters C1 based on the rules regarding the purchase tendency of the product 3.
  • the output process is a process of obtaining and outputting the recommended information D30 based on the tendency information.
  • the recommended information D30 is information related to the operation of the target store 20 and can be recommended to the target store 20.
  • the method of generating the trained model M1 is the method of generating the trained model M1 used in the store support system 10.
  • the store support system 10 inputs at least operation information and estimates a management index.
  • the operation information is information regarding the operation of the target store 20, which is the specific store 2.
  • the management index is an index related to the management of the target store 20.
  • data including information on the operation of the store 2 and an index on the management of the store 2 is input as training data D1, and the trained model M1 is generated by machine learning.
  • program according to one aspect is a program for causing one or more processors to execute any of the above-mentioned store support methods or the above-mentioned learning model M1 generation method.
  • the store support system 10 in the present disclosure includes a computer system in, for example, a server device 1.
  • a computer system mainly consists of a processor and a memory as hardware.
  • the program may be pre-recorded in the memory of the computer system, may be provided through a telecommunications line, and may be recorded on a non-temporary recording medium such as a memory card, optical disk, hard disk drive, etc. readable by the computer system. May be provided.
  • a processor in a computer system is composed of one or more electronic circuits including a semiconductor integrated circuit (IC) or a large scale integrated circuit (LSI).
  • IC semiconductor integrated circuit
  • LSI large scale integrated circuit
  • the integrated circuit such as IC or LSI referred to here has a different name depending on the degree of integration, and includes an integrated circuit called a system LSI, VLSI (Very Large Scale Integration), or ULSI (Ultra Large Scale Integration).
  • an FPGA Field-Programmable Gate Array
  • a plurality of electronic circuits may be integrated on one chip, or may be distributed on a plurality of chips.
  • the plurality of chips may be integrated in one device, or may be distributed in a plurality of devices.
  • the computer system referred to here includes a microprocessor having one or more processors and one or more memories. Therefore, the microprocessor is also composed of one or a plurality of electronic circuits including a semiconductor integrated circuit or a large-scale integrated circuit.
  • the store support system 10 it is not an essential configuration for the store support system 10 that a plurality of functions in the store support system 10 are integrated in one housing, and the components of the store support system 10 are dispersed in a plurality of housings. May be provided. Further, at least a part of the functions of the store support system 10, for example, a part of the functions of the server device 1 may be realized by a cloud (cloud computing) or the like.
  • At least a part of the functions of the store support system 10 distributed in a plurality of devices may be integrated in one housing.
  • some functions of the store support system 10 distributed in the server device 1 and the POS system 21 may be integrated in one housing.
  • the use of the store support system 10 is not limited to convenience stores, and the store support system 10 may be introduced in stores 2 other than convenience stores.
  • the user interface in the store terminal 22 or the like is not limited to the touch panel display, and may have, for example, an input device such as a keyboard, a pointing device, a mechanical switch, or a gesture sensor.
  • the user interface may include, for example, a display device such as a projector that projects an image by projection mapping technology.
  • the user interface may have an audio input / output unit instead of the touch panel display or together with the touch panel display. In this case, the user interface can present various information to the clerk or the like by the voice output from the speaker. Further, the user interface can perform voice operation (voice input) by a store clerk or the like by performing voice recognition and meaning analysis processing on the voice signal output from the microphone.
  • the output unit 13 requests recommended information based on both the estimation result of the estimation unit 11 and the tendency information calculated by the calculation unit 12, which is the store support system 10. Is not an essential configuration. That is, the output unit 13 may obtain recommended information based on at least one of the estimation result of the estimation unit 11 and the tendency information calculated by the calculation unit 12. For example, the output unit 13 may request recommended information based only on the estimation result of the estimation unit 11. In this case, the recommended information includes the number of SKUs for each product category, but the ranking of recommended products and the like are Not included. On the contrary, the output unit 13 may request the recommended information only based on the tendency information calculated by the calculation unit 12. In this case, the recommended information includes the ranking of the recommended products, but for each product category. The number of SKUs is not included.
  • the information on the product composition used as management information is not limited to the number of SKUs for each product category.
  • Information on the product composition includes, for example, the number of items for each product category, the number of faces for each product category, the number of purchases for each product category, the number of shelves for each product category, the number of faces for each product 3, and the number of purchases for each product 3. May contain at least one of.
  • the information on the product composition may include the number of SKUs for each product category in addition to these.
  • the auxiliary information input to improve the estimation accuracy in the estimation unit 11 is not limited to the configuration including the information on the purchase tendency for each customer 4 in the target store 20 as the information on the purchase tendency. That is, the information regarding the purchasing tendency in the auxiliary information may include, for example, information regarding the purchasing tendency for each accounting at the target store 20. In short, even if the same customer 4 uses the target store 20 many times a day, it is better to use one accounting unit instead of four customer units to reflect the purchasing tendency in detail. It is possible. Similarly, the information regarding the purchasing tendency in the auxiliary information may include, for example, information regarding the purchasing tendency for each store 2, information regarding the purchasing tendency for each time zone or day of the week, and the like.
  • a soft (fuzzy) cluster C1 is adopted, but the present invention is not limited to this configuration, and a hard (crisp) cluster C1 may be adopted.
  • one customer 4 belongs to any one of the plurality of clusters C1.
  • the sales form of the product 3 in the store 2 is not limited to the form in which a plurality of products 3 are displayed in the store as in the first embodiment.
  • the product 3 may be sold in a form in which the payment and the withdrawal of the product 3 are executed for the product 3 selected by the customer 4 by using a vending machine that stocks a plurality of products 3.
  • the customer 4 makes a payment without going through a clerk. It may be.
  • the operation information may be any information regarding the operation of the target store 20, and is not limited to the information regarding the product composition of the target store 20.
  • the operation information may include information on store layout, point-of-sale (POP) advertisements, campaigns, business hours, and the like.
  • the "store layout" here includes the physical layout of the display shelves or counters in the target store 20, the layout of the flow lines, the layout of the eat-in space, the layout of the products 3 displayed on the display shelves, and the like. ..
  • the management index may be any information related to the management of the target store 20, and is not limited to sales and the like for each product category.
  • the management index is not limited to sales, but may be the unit price per customer, the average value of LTV, etc., or information on sales by store (that is, the entire target store 20), by accounting, or by time of day. There may be.
  • the management index may be information that is not directly related to sales, such as profit, number of customers, number of heavy users, repeat rate of customer 4, number of new customers, or staying time of customer 4. Good.
  • the training data D1 used for generating the trained model M1 may include information on the operation of one or more stores 2 and an index on the management.
  • the one or more stores 2 from which the training data D1 is extracted may or may not include the target store 20. That is, in the former case, the trained model M1 is generated using the training data D1 extracted from one or more stores 2 including the target store 20.
  • shelf allocation optimized by the store support system 10 is not limited to the matter of how many products 3 are displayed on the display shelf 201, but "where" and how much of the display shelf 201. It may include matters such as whether to display the number of products 3 of the above. That is, the store support system 10 may be able to optimize the design of the shelf allocation such as where and how many products 3 are displayed on the display shelf 201.
  • the store support system 10 according to the present embodiment is different from the store support system 10 according to the first embodiment in that a plurality of clusters C1 are data obtained by classifying data groups by accounting unit.
  • the plurality of clusters C1 are the data in which the data group is classified by the customer 4 units, whereas in the present embodiment, the data group is classified by the "accounting" unit to form the plurality of clusters.
  • C1 has been obtained. In short, even if the same customer 4 uses the target store 20 many times a day, it is better to use one accounting unit instead of four customer units to reflect the purchasing tendency in detail. It is possible to generate cluster C1.
  • the plurality of clusters C1 may be data in which the data group is classified by two stores.
  • the purchasing tendency of a plurality of customers 4 who use the same store 2 is collectively classified into the same cluster C1, and the purchasing tendency of the store 2 as a whole is easily reflected in the cluster C1.
  • the explanatory variables for clustering are, for example, sales by product category, attributes of customer 4 (age, gender, etc.), surrounding environment of store 2, and , Information on the location and layout of store 2. That is, in the present embodiment, the plurality of clusters C1 are data in which the data group is classified by the accounting unit or the store 2 unit based on the sales by product category, the attributes of the customer 4 (age, gender, etc.) and the like. ..
  • the store support system (10) includes a calculation unit (12) and an output unit (13).
  • the calculation unit (12) obtains trend information regarding the purchase tendency of the product (3) for the target store (20), which is the specific store (2), based on the plurality of clusters (C1).
  • the plurality of clusters (C1) classify the data group including the purchase history of the product (3) in the plurality of stores (2) into the plurality of clusters (C1) based on the rules regarding the purchasing tendency of the product (3). can get.
  • the output unit (13) obtains and outputs the recommended information (D30) based on the tendency information.
  • the recommended information (D30) is information related to the operation of the target store (20) and can be recommended to the target store (20).
  • the target store (20) As information that can be recommended regarding the operation of the target store (20), which leads to the improvement of the management index of the target store (20) and eventually to the improvement of the management status of the target store (20).
  • Recommended information (D30) is obtained.
  • the tendency information used to obtain the recommended information (D30) is obtained based on a plurality of clusters (C1). Since the purchase history of the stores (2) other than the target store (20) is classified based on the rules regarding the purchase tendency in the plurality of clusters (C1), the trend information includes the store (2). Actual data will be used.
  • the store support system (10) has an advantage that it is easy to properly support the operation of the target store (20).
  • the recommended information (D30) includes recommended product information regarding the recommended product for each product category.
  • information on the product (3) recommended for each product category can be presented as recommended information (D30).
  • the recommended information (D30) includes recommended product information regarding a plurality of recommended products and recommended ranking information regarding the ranking of a plurality of recommended products. Including.
  • information on a plurality of recommended products and information on the ranking of a plurality of recommended products can be presented as recommended information (D30).
  • the order of the non-handled products is the products handled at the target store (20). It is determined based on the similarity between (3) and non-handled products.
  • the non-handled product is a product (3) that is not handled at the target store (20).
  • the order of the non-handled product can be determined with reference to the product (3) similar to the non-handled product.
  • the recommended ranking information is generated for each product category in the third or fourth aspect.
  • information on the ranking of the recommended product (3) can be presented as recommended information (D30) for each product category.
  • the trend information includes the composition ratio of the plurality of clusters (C1) in the target store (20).
  • the plurality of clusters (C1) are data in which the data group is classified by the customer (4).
  • a plurality of clusters (C1) can be finely set for each customer (4).
  • the plurality of clusters (C1) are data in which the data group is classified by the accounting unit.
  • a plurality of clusters (C1) can be set in more detail in each accounting unit.
  • the plurality of clusters (C1) are data in which the data group is classified for each store.
  • a plurality of clusters (C1) can be roughly set for each store (2).
  • the plurality of clusters (C1) have improved the index related to the management of the target store (20) calculated for each. Reclassified based on.
  • the recommended information (D30) is different from the tendency information based on the primary information calculated from the tendency information. It is the information corrected by using the correction information.
  • the reliability of the recommended information (D30) can be improved.
  • the store support method includes a calculation process and an output process.
  • the calculation process is a process of obtaining trend information regarding the purchasing tendency of the product (3) for the target store (20), which is a specific store (2), based on a plurality of clusters (C1).
  • the plurality of clusters (C1) classify the data group including the purchase history of the product (3) in the plurality of stores (2) into the plurality of clusters (C1) based on the rules regarding the purchasing tendency of the product (3). can get.
  • the output process is a process of obtaining and outputting recommended information (D30) based on trend information.
  • the recommended information (D30) is information related to the operation of the target store (20) and can be recommended to the target store (20).
  • the program according to the thirteenth aspect is a program for causing one or more processors to execute the store support method according to the twelfth aspect.
  • various aspects (including modified examples) of the store support system (10) according to the first and second embodiments are on a non-temporary recording medium on which the store support method, the program, and the program are recorded. It can be embodied.
  • the configurations according to the second to eleventh aspects are not essential configurations for the store support system (10) and can be omitted as appropriate.

Landscapes

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

Abstract

対象店舗の運営の支援を適正に行いやすい、店舗支援システム、店舗支援方法及びプログラムを提供する。店舗支援システム（１０）は、算出部と、出力部と、を備える。算出部は、複数のクラスタに基づいて、特定の店舗（２）である対象店舗（２０）についての商品の購買傾向に関する傾向情報を求める。複数のクラスタは、複数の店舗（２）における商品の購買履歴を含むデータ群を、商品の購買傾向に関するルールに基づいて複数のクラスタに分類して得られる。出力部は、推奨情報を、傾向情報に基づいて求めて出力する。推奨情報は、対象店舗（２０）の運営に関する情報であって対象店舗（２０）に推奨し得る情報である。

Description

店舗支援システム、店舗支援方法及びプログラム
　本開示は、一般に店舗支援システム、店舗支援方法及びプログラムに関する。より詳細には、特定の店舗である対象店舗の運営を支援するための店舗支援システム、店舗支援方法及びプログラムに関する。
　特許文献１には、本部側で多くの店舗を管理する業務形態において、適切な商品の在庫管理を通じて売上を増加させるために、推奨する品揃を決定する品揃推奨装置が記載されている。
　特許文献１に記載の品揃推奨装置では、予め定めた過去の期間における対象店舗の販売実績に基づいて、その対象店舗で販売実績がある商品の販売金額構成情報である第一構成情報を算出する。また、品揃推奨装置は、上記期間において対象店舗で販売実績がない商品の販売金額構成情報である第二構成情報を、商品単品の販売金額構成情報を予測する予測モデルに基づいて算出する。そして、品揃推奨装置は、第一構成情報が算出された商品と第二構成情報が算出された商品の中から、販売金額構成情報が示す金額の高い順に、指定された数の商品を選択する。
　特許文献１に記載の品揃推奨装置では、主として対象店舗の過去の販売実績から、対象店舗について推奨すべき品揃を決定しているため、他の店舗の状況が十分に活用されておらず、対象店舗の運営を適正に支援することが難しい。
ＷＯ２０１８／０５６２２０Ａ１
　本開示は上記事由に鑑みてなされており、対象店舗の運営の支援を適正に行いやすい、店舗支援システム、店舗支援方法及びプログラムを提供することを目的とする。
　本開示の一態様に係る店舗支援システムは、算出部と、出力部と、を備える。算出部は、複数のクラスタに基づいて、特定の店舗である対象店舗についての商品の購買傾向に関する傾向情報を求める。前記複数のクラスタは、複数の店舗における商品の購買履歴を含むデータ群を、商品の購買傾向に関するルールに基づいて複数のクラスタに分類して得られる。出力部は、推奨情報を、前記傾向情報に基づいて求めて出力する。前記推奨情報は、前記対象店舗の運営に関する情報であって前記対象店舗に推奨し得る情報である。
　本開示の一態様に係る店舗支援方法は、算出処理と、出力処理と、を有する。前記算出処理は、複数のクラスタに基づいて、特定の店舗である対象店舗についての商品の購買傾向に関する傾向情報を求める処理である。前記複数のクラスタは、複数の店舗における商品の購買履歴を含むデータ群を、商品の購買傾向に関するルールに基づいて複数のクラスタに分類して得られる。前記出力処理は、推奨情報を、前記傾向情報に基づいて求めて出力する処理である。前記推奨情報は、前記対象店舗の運営に関する情報であって前記対象店舗に推奨し得る情報である。
　本開示の一態様に係るプログラムは、前記店舗支援方法を、１以上のプロセッサに実行させるためのプログラムである。
図１は、実施形態１に係る店舗支援システムの構成を示す概略図である。 図２Ａは、同上の店舗支援システムのサーバの構成を示すブロック図である。図２Ｂは、同上の店舗支援システムの学習装置の構成を示す概念図である。 図３は、同上の店舗支援システムの全体動作を示す概念図である。 図４は、同上の店舗支援システムの全体動作を示す概念図である。 図５は、同上の店舗支援システムの全体動作を示すフローチャートである。 図６は、同上の店舗支援システムにおけるクラスタリングの処理を概念的に示す説明図である。 図７Ａは、同上の店舗支援システムが導入される対象店舗の概略斜視図である。図７Ｂは、同上の対象店舗における陳列棚を示す概略斜視図である。 図８は、同上の対象店舗における陳列棚を示す概略正面図である。 図９は、同上の店舗支援システムにおける棚割の適正化に係る処理を示すフローチャートである。 図１０Ａは、同上の店舗支援システムにおける補正前の学習済みモデルによる推定結果を示し、横軸をＳＫＵ数とし縦軸を売上高とするグラフである。図１０Ｂは、同上の店舗支援システムにおける補正後の学習済みモデルによる推定結果を示し、横軸をＳＫＵ数とし縦軸を売上高とするグラフである。
　（実施形態１）
　（１）概要
　本実施形態に係る店舗支援システム１０（図１参照）は、対象店舗２０（図１参照）の運営を支援するシステムである。ここでいう対象店舗２０は、複数の店舗２（図１参照）のうち、店舗支援システム１０による支援の対象となる店舗である。本実施形態では、店舗支援システム１０が、コンビニエンスストア、スーパーマーケット、百貨店、ドラッグストア、衣料品店、家電量販店又はホームセンター等の小売店の店舗２に導入される場合を例として説明する。
　本実施形態に係る店舗支援システム１０は、対象店舗２０について後述の経営指標の向上を図ることにより、対象店舗２０の経営状況の改善を図るシステムである。より具体的には、店舗支援システム１０は、対象店舗２０における売上高、客単価、ＬＴＶ（Life Time Value）の平均値、又は利益（粗利及び営業利益等を含む）等の向上を図ることによって、対象店舗２０の経営指標を向上させるシステムである。本開示でいう売上高、客単価ＬＴＶの平均値、又は利益等は、いずれも所定期間（例えば、当月、直近の３ヵ月間、直近の１ヵ月間、又は直近の１週間等）において算出される値である。
　店舗支援システム１０は、上述したような対象店舗２０の経営指標の向上を図るための手段として、対象店舗２０における商品３の商品構成（品揃え）を適正化するための推奨情報を提案する。対象店舗２０においては、このような推奨情報に基づいて、対象店舗２０の運営、具体的には商品構成を変更することにより、経営指標の向上を図ることが可能となる。
　また、本実施形態に係る店舗支援システム１０は、上述の推奨情報を得るためのアプローチとして、大綱的には、対象店舗２０と類似する店舗２の実績データを利用する。すなわち、店舗支援システム１０は、対象店舗２０と類似する店舗２の実績データを利用して、対象店舗２０における商品３の商品構成を適正化するための推奨情報を生成する。ここで、対象店舗２０と類似する店舗２は、対象店舗２０との間で所定の類似条件を満たす店舗である。例えば、コーポレートチェーン（レギュラーチェーン）又はフランチャイズチェーンのようにチェーン展開されている複数の店舗２が存在する場合には、これら複数の店舗２は互いに類似条件を満たすこととする。類似条件には、国、地域、営業時間帯又は客層等に関する条件が含まれていてもよい。
　さらに、本実施形態に係る店舗支援システム１０は、細目的には、機械学習された学習済みモデルを用いるアプローチ、及びクラスタリングされたクラスタリングデータを用いるアプローチによって、上述の推奨情報を得る。すなわち、店舗支援システム１０は、対象店舗２０と類似する店舗２の実績データにて機械学習された学習済みモデルを利用して、対象店舗２０用の推奨情報を生成する。また、店舗支援システム１０は、対象店舗２０と類似する店舗２の実績データを、例えば、顧客４（図６参照）、会計又は店舗２といった様々な単位でクラスタリングしたクラスタリングデータを利用して、対象店舗２０用の推奨情報を生成する。これら２つのアプローチは、組み合わせても適用可能である。
　そこで、本実施形態に係る店舗支援システム１０は、図２に示すように、推定部１１と、出力部１３と、を備えている。推定部１１は、学習済みモデルＭ１を用いて、少なくとも運営情報を入力とし、経営指標を推定する。運営情報は、特定の店舗２である対象店舗２０の運営に関する情報である。経営指標は、対象店舗２０の経営に関する指標である。学習済みモデルＭ１は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１（図２Ｂ参照）として、機械学習により生成される。出力部１３は、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る推奨情報を、推定部１１の推定結果に基づいて求めて出力する。
　ここで、対象店舗２０の運営に関する「運営情報」は、例えば、対象店舗２０の品揃え、つまり商品構成に関する情報である。この種の運営情報の具体例としては、商品カテゴリごとの、ＳＫＵ（Stock Keeping Unit）数又はアイテム数等がある。また、対象店舗２０の経営に関する「経営指標」は、例えば、対象店舗２０の売上高に関する情報である。この種の経営指標の具体例としては、対象店舗２０における、商品カテゴリごとの売上高、客単価、ＬＴＶの平均値、利益（粗利及び営業利益等を含む）、又は客数等がある。推定部１１は、このような運営情報を学習済みモデルＭ１の入力とし、学習済みモデルＭ１を用いて、このような経営指標を推定することで、対象店舗２０における商品構成と売上高等との関係性を見出すことが可能である。
　そして、出力部１３は、対象店舗２０における商品構成（ＳＫＵ数等）と売上高等との関係性の推定結果に基づいて、「推奨情報」として、例えば、対象店舗２０の商品構成に関して推奨し得る情報を求めることができる。つまり、「推奨情報」は、「運営情報」と同様に、対象店舗２０の運営に関する情報であって、例えば、対象店舗２０の品揃え、つまり商品構成に関する情報である。この種の推奨情報の具体例としては、商品カテゴリごとの、ＳＫＵ数又はアイテム数等がある。
　上述した店舗支援システム１０によれば、例えば、対象店舗２０の経営指標の向上につながり、ひいては対象店舗２０の経営状況の改善につながるような、対象店舗２０の運営に関して推奨し得る情報としての推奨情報が得られる。ここで、推奨情報を求めるのに用いられる経営指標は、学習済みモデルＭ１を用いて、少なくとも運営情報を入力として推定される。学習済みモデルＭ１は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として、機械学習により生成される。言い換えれば、経営指標の推定に用いられる学習済みモデルＭ１は、１以上の店舗２について、運営に関する情報、及び経営に関する指標を含む訓練データＤ１から生成されているので、経営指標の推定には、店舗２の実績データが利用されることになる。結果的に、店舗支援システム１０では、対象店舗２０の運営の支援を適正に行いやすい、という利点がある。
　ところで、例えば、コンビニエンスストアのように、対象店舗２０の参考となり得る店舗２の数が、１００店以上、１０００店以上、又は１００００店以上といった多数になり得る場合、店舗支援システム１０は特に有用である。
　すなわち、通常、多数の店舗２は個々別々の条件の下で営業しているのであって、これら多数の店舗２にわたる膨大な量の情報を、ある対象店舗２０向けに反映するには、人の処理能力を遥かに上回る演算等が必要となり、人では到底実現し得ない。しかも、これらの多数の店舗２の運営及び経営に関する情報は、時間経過に伴って（例えば季節ごとに）随時変動するところ、多数の店舗２の最新の情報を考慮して推奨情報をアップデートすることなど、人では到底なし得ない。さらに、このような膨大かつ変動する情報を処理する処理は、人は勿論のこと、一般的な情報処理装置であっても困難である。
　これに対して、本実施形態に係る店舗支援システム１０は、推定処理で使用される学習済みモデルＭ１の機械学習に、多数の店舗２の運営及び経営に関する情報が用いられるのであって、上述したような膨大かつ変動する情報であっても処理し得る。むしろ、機械学習においては、訓練データＤ１のデータ量が多いほどに、生成される学習済みモデルＭ１の精度の向上が期待できるので、多数の店舗２の情報を訓練データＤ１として用いることは好都合である。このように、多数の店舗２を展開し得る業態においては、本実施形態に係る店舗支援システム１０は特に有用である。
　また、本実施形態に係る店舗支援システム１０は、図２に示すように、算出部１２と、出力部１３と、を備えている。算出部１２は、複数のクラスタＣ１（図６参照）に基づいて、特定の店舗２である対象店舗２０についての商品３の購買傾向に関する傾向情報を求める。複数のクラスタＣ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類して得られる。出力部１３は、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る推奨情報を、傾向情報に基づいて求めて出力する。
　ここで、「傾向情報」は、対象店舗２０についての商品３の購買傾向に関する情報であって、複数のクラスタＣ１に基づいて算出部１２にて求められる。傾向情報の具体例としては、対象店舗２０における複数のクラスタＣ１の構成比率等がある。また、ここでいう「購買傾向」は、商品３の購買に関してみられる傾向である。購買傾向の具体例としては、商品カテゴリごとによく購入される商品３、又は、よく一緒に購入される商品３の組み合わせ等がある。
　また、複数のクラスタＣ１は、例えば、複数の店舗２における複数の顧客４の購買履歴を含むデータ群を、購買傾向が異なる顧客４の種類ごとに分類した情報である。この種の複数のクラスタＣ１の具体例としては、「スイーツとスナックとを一緒に購入する顧客」又は「おにぎりとお茶とを一緒に購入する顧客」等がある。算出部１２は、このような複数のクラスタＣ１に基づいて、対象店舗２０の傾向情報を求めることで、対象店舗２０と複数のクラスタＣ１との関係性を考慮して、複数の店舗２における購買傾向から対象店舗２０での購買傾向を見出すことができる。
　そして、出力部１３は、対象店舗２０での購買傾向を表す傾向情報に基づいて、「推奨情報」として、例えば、対象店舗２０の商品構成に関して推奨し得る情報を求めることができる。つまり、「推奨情報」は、対象店舗２０の運営に関する情報であって、例えば、対象店舗２０の品揃え、つまり商品構成に関する情報である。この種の推奨情報の具体例としては、商品カテゴリごとの、推奨商品に関する推奨商品情報等がある。
　上述した店舗支援システム１０によれば、例えば、対象店舗２０の経営指標の向上につながり、ひいては対象店舗２０の経営状況の改善につながるような、対象店舗２０の運営に関して推奨し得る情報としての推奨情報が得られる。ここで、推奨情報を求めるのに用いられる傾向情報は、複数のクラスタＣ１に基づいて求められる。複数のクラスタＣ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類して得られる。言い換えれば、傾向情報を求めるのに用いられる複数のクラスタＣ１は、対象店舗２０以外の店舗２について、購買履歴が、購買傾向に関するルールに基づいて分類して得られているので、傾向情報には、店舗２の実績データが利用されることになる。結果的に、店舗支援システム１０では、対象店舗の運営の支援を適正に行いやすい、という利点がある。
　（２）詳細
　以下、本実施形態に係る店舗支援システム１０について詳しく説明する。本実施形態では、店舗支援システム１０が導入される店舗２としてコンビニエンスストアを例に説明する。つまり、「店員」はコンビニエンスストアの店員（アルバイト及びパートタイマを含む）、「顧客４」はコンビニエンスストアの来客である。
　この種の店舗２においては、複数の商品３が店内に陳列された状態で、複数の商品３の販売が行われている。顧客４は、店内に陳列されている複数の商品３の中から所望の商品３をピックアップし、ピックアップした商品３について精算を行うことで、所望の商品３を購入する。
　（２．１）前提
　本開示でいう「訓練データ」は、質問に相当するデータ（入力データ）と、回答に相当するデータ（正解データ）とを含むデータである。個々の訓練データＤ１において、入力データと正解データとは一対一で対応付けられている。言い換えれば、機械学習に用いられるデータのうち、正解付き（ラベル付き）のデータを訓練データ（Labeled Data）Ｄ１という。このような訓練データＤ１を用いて教師あり学習（Supervised Learning）を行うことにより、入力データから特徴量を抽出して正解データを推定するための学習済みモデルが生成される。
　本開示でいう「ＳＫＵ（Stock Keeping Unit）」は、商品３の受発注管理又は在庫管理における最小の管理単位を意味する。例えば、同一商品名の商品でも、サイズ、色、パッケージ又は入り数等の違いで個別のＳＫＵとしてカウントされ、ＳＫＵとしてはアイテムよりも小さな単位に分類される。
　本開示でいう「アイテム」は、広義の１つの商品を意味し、例えば、同一商品名の商品は１つのアイテムとしてカウントする。一例として、「ＡＢＣ食パン」という名称の商品に４枚切り、５枚切り及び６枚切りの３種類がある場合、「ＡＢＣ食パン」についてのアイテム数は「１」であって、ＳＫＵ数は「３」となる。
　本開示でいう「ＬＴＶ（Life Time Value）」は、サービスの提供を受ける顧客４が、サービスに対する対価として所定期間（Life Time）に支払う対価を意味する。一例として、所定期間が１日（２４時間）であれば、ある顧客４が１日に対象店舗で使用する金額が、この顧客４のＬＴＶとなる。そのため、ある顧客４が１日にＮ回（Ｎは２以上）、対象店舗で買物をするようなケースにおいては、この顧客４が１回の買物で使用する金額ではなく、Ｎ回の買物で使用した合計金額が、この顧客４のＬＴＶとなる。このように、ＬＴＶは、一見すると客単価に類似するものの、所定期間に使用した合計金額を表す点で、客単価とは相違する。
　本開示でいう「利益」は、対象店舗２０における売上高に関係する利益全般を意味し、例えば、粗利（売上総利益）、営業利益、経営利益、税引前当期純利益、及び税引後当期純利益等を含む。
　本開示でいう「商品カテゴリ」は、商品３を用途、機能又は客層等で分類するためのラベルであって、例えば、食品、衣類、医薬品、美容関連商品、電化品又は日用品等のように、比較的大きな分類（大カテゴリ）であってもよい。さらに、商品カテゴリは、大カテゴリを更に複数に分類する中カテゴリであってもよく、中カテゴリの具体例として、食品の中には、ソフトドリンク、お酒、弁当、総菜、スイーツ、お菓子及びアイス等の中カテゴリがある。さらに、商品カテゴリは、中カテゴリを更に複数に分類する小カテゴリであってもよく、小カテゴリの具体例として、ソフトドリンクの中には、麦茶、緑茶、紅茶、コーヒ、乳酸飲料、炭酸飲料、ミネラルウォータ及びスポーツドリンク等の小カテゴリがある。
　ところで、本実施形態においては一例として、対象店舗２０の参考となり得る店舗２の数が、１００００店以上である場合を想定する。以下では、これら複数（多数）の店舗２のうちの１つが、対象店舗２０である場合について説明するが、実際には、複数の店舗２がそれぞれ対象店舗２０となり得る。すなわち、店舗支援システム１０は、複数の店舗２のそれぞれを支援の対象とし得るが、以下では、説明を簡単にするため、対象店舗２０が１つである場合を例に説明する。
　（２．２）構成
　ここではまず、本実施形態に係る店舗支援システム１０の構成について、図１、図２Ａ及び図２Ｂを参照して説明する。
　店舗支援システム１０は、図１に示すように、サーバ装置１を備えている。本実施形態では、店舗支援システム１０は、複数の店舗２（対象店舗２０を含む）にそれぞれ設置されている、ＰＯＳ（Point Of Sales）システム２１、及びストア端末２２を更に備えている。また、本実施形態では、店舗支援システム１０は、複数の店舗２を展開するチェーン本部５に設置されている本部端末５１を更に備えている。
　すなわち、本実施形態では、サーバ装置１に加えて、ＰＯＳシステム２１、ストア端末２２及び本部端末５１が店舗支援システム１０の構成要素に含まれている。ただし、ＰＯＳシステム２１、ストア端末２２及び本部端末５１の少なくとも１つは、店舗支援システム１０の構成要素に含まれなくてもよい。
　店舗支援システム１０を構成するサーバ装置１、ＰＯＳシステム２１、ストア端末２２及び本部端末５１は、例えば、インターネット等のネットワークＮＴ１に接続されている。ここで、サーバ装置１は、ＰＯＳシステム２１、ストア端末２２及び本部端末５１の各々と通信可能に構成されている。本開示でいう「通信可能」とは、有線通信又は無線通信の適宜の通信方式により、直接的、又はネットワークＮＴ１若しくは中継器等を介して間接的に、信号を授受できることを意味する。本実施形態では、サーバ装置１は、ＰＯＳシステム２１、ストア端末２２及び本部端末５１の各々と、双方向に通信可能である。さらに、本実施形態では、ＰＯＳシステム２１、ストア端末２２及び本部端末５１の間でも、相互に通信可能に構成されている。
　サーバ装置１は、１以上のプロセッサ及びメモリを有するコンピュータシステムを主構成とする。サーバ装置１は、ネットワークＮＴ１に接続されている。サーバ装置１は、例えば、店舗支援システム１０を提供するサービス会社、又は店舗２の運営会社等に設置される。サーバ装置１は、ＰａａＳ（Platform as a Service）環境を用い、ＯＳ、ランタイム及びミドルウェアの管理が無いパブリッククラウド環境であることが好ましい。
　サーバ装置１は、図２Ａに示すように、推定部１１、算出部１２及び出力部１３を有している。また、本実施形態では、サーバ装置１は、推定部１１、算出部１２及び出力部１３に加えて、取得部１４、クラスタリング部１５及び併合部１６を更に有している。サーバ装置１では、１以上のプロセッサがメモリに記録されているプログラムを実行することにより、少なくとも推定部１１、算出部１２、出力部１３、取得部１４、クラスタリング部１５及び併合部１６として機能する。プログラムはメモリに予め記録されていてもよいし、インターネット等の電気通信回線を通して提供されてもよく、メモリカード等の非一時的記録媒体に記録されて提供されてもよい。
　推定部１１は、学習済みモデルＭ１を用いて、少なくとも運営情報を入力とし、経営指標を推定する。運営情報は、特定の店舗２である対象店舗２０の運営に関する情報である。経営指標は、対象店舗２０の経営に関する指標である。学習済みモデルＭ１は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として、機械学習により生成される。
　また、推定部１１は、経営指標を推定するために、少なくとも運営情報を学習済みモデルＭ１の入力とすればよく、運営情報以外の情報を学習済みモデルＭ１の入力として用いてもよい。運営情報以外に、推定部１１が、学習済みモデルＭ１の入力として用いる情報としては、例えば、推定部１１での推定精度を向上させるための補助情報、及び運営情報に関する制約を規定する制約条件等を含んでもよい。
　そこで、本実施形態では、推定部１１は、運営情報に加えて、推定精度を向上させるための補助情報を更に入力とする。本開示でいう「補助情報」は、運営情報とは別の情報であって、推定部１１の推定精度を向上させるための情報である。「補助情報」は、一例として、対象店舗２０における購買傾向に関する情報を含む。さらに、「補助情報」は、購買傾向に関する情報以外の情報として、対象店舗２０の周辺環境、並びに、対象店舗２０の立地及び間取り等に関する情報を含み得る。補助情報は、対象店舗２０周辺でのイベント（スポーツ又はコンサート等）の開催状況、気象条件（天候を含む）及び交通状況（通行止め等）等の、随時変化する動的な情報を更に含む。対象店舗２０の周辺環境の具体例としては、対象店舗２０から一定範囲（商圏）内における、総人口、年齢層別の人口、昼夜間の人口比、オフィス数、従業員数、駅の数、又は駅の利用者数等がある。また、対象店舗２０の周辺環境の具体例としては、対象店舗２０から一定範囲（商圏）内における、対象店舗２０の競合店の数及び種別、又は、競技場若しくはコンサートホール等の集客効果のある施設の数及び種別等もある。対象店舗２０の立地及び間取りの具体例としては、駐車場の有無、駐輪場の有無、駐車場台数、敷地面積、イートインスペースの有無、看板有無、又は幹線道路に面しているか否か等がある。
　さらに、本実施形態では、推定部１１は、運営情報（及び補助情報）に加えて、運営情報に関する制約を規定する制約条件を更に入力とする。本開示でいう「制約条件」は、運営情報とは別の情報であって、運営情報について何かしらの制約を設定するための情報である。「制約条件」は、一例として、同一の商品カテゴリに含まれる複数の商品３の各々のサイズに関する条件を含む。さらに、「制約条件」は、一の商品カテゴリにおけるＳＫＵ数又はアイテム数の最大値と最小値との少なくとも一方を規定する条件を含む。
　本実施形態に係る店舗支援システム１０は、図２Ｂに示すように、学習済みモデルＭ１を生成するための学習装置１１０を備えている。学習装置１１０は、店舗支援システム１０で用いられる学習済みモデルＭ１を生成する。ここでいう店舗支援システム１０は、上述したように、少なくとも特定の店舗である対象店舗２０の運営に関する運営情報を入力とし、対象店舗２０の経営に関する経営指標を推定する機能を有する。学習装置１１０は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として入力し、機械学習により学習済みモデルＭ１を生成する。
　本実施形態では、学習装置１１０は、サーバ装置１の一機能としてサーバ装置１に設けられている。特に、本実施形態では、機械学習された学習装置１１０（学習器）は、推定部１１として機能する。つまり、サーバ装置１の推定部１１は、機械学習を行う「学習フェーズ」においては学習装置１１０として機能し、学習済みモデルＭ１を用いて推定を行う「推論フェーズ」においては推定部１１として機能する。
　算出部１２は、複数のクラスタＣ１（図６参照）に基づいて、特定の店舗２である対象店舗２０についての商品３の購買傾向に関する傾向情報を求める。複数のクラスタＣ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類して得られる。
　出力部１３は、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る推奨情報を、推定部１１の推定結果に基づいて求めて出力する。また、出力部１３は、推奨情報を、傾向情報に基づいて求めて出力する。すなわち、本実施形態では、出力部１３は、推定部１１の推定結果と、算出部１２で算出された傾向情報との両方に基づいて、推奨情報を求める。
　出力部１３での各種情報の出力の態様は、例えば、ＰＯＳシステム２１、ストア端末２２及び本部端末５１等への通信による出力（送信）である。ただし、これに限らず、出力部１３は、推奨情報等の各種情報を、他の情報端末への送信、表示、音（音声を含む）出力、非一時的記録媒体への記録（書き込み）及び印刷（プリントアウト）等により、出力してもよい。
　取得部１４は、ＰＯＳシステム２１、ストア端末２２及び本部端末５１等から、ネットワークＮＴ１を介して種々の情報を取得する。少なくとも、取得部１４は、複数の店舗２のＰＯＳシステム２１から商品３の購買履歴を含むデータを取得し、商品３の購買履歴を含むデータ群を生成する。
　クラスタリング部１５は、複数のクラスタＣ１を生成するクラスタリング処理を実行する。すなわち、クラスタリング部１５は、取得部１４で取得された複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類する。詳しくは後述するが、本実施形態では、複数のクラスタＣ１は、データ群を顧客４単位で分類したデータである。
　併合部１６は、推定部１１の推定結果と、算出部１２で求められた傾向情報とを併合し、併合結果を出力部１３に出力する。これにより、出力部１３では、推定部１１の推定結果と、傾向情報との両方に基づいて、推奨情報を求めることができる。詳しくは後述するが、本実施形態では、併合部１６は、算出部１２で算出された傾向情報を、推定部１１の推定結果に含まれる運営情報（商品カテゴリごとのＳＫＵ数）にてマージ（merge）することで、推定部１１の推定結果と、傾向情報とを併合する。
　ところで、本実施形態では、上述したように、推定部１１にて用いられる学習済みモデルＭ１は、学習装置１１０での機械学習により生成される。学習装置１１０及び推定部１１は、いかなるタイプの人工知能又はシステムとして実装されてもよい。さらに、クラスタリング部１５についても、いかなるタイプの人工知能又はシステムとして実装されてもよい。本実施形態では一例として、推定部１１は、回帰問題を扱う機械学習を行うのであって、その手法として教師あり学習を行う。一方、クラスタリング部１５は、分類問題を扱う機械学習を行うのであって、その手法として教師なし学習を行う。
　ここで、回帰問題を扱う推定部１１が適用する機械学習のアルゴリズムは、一例として、重回帰分析である。ただし、推定部１１が適用する機械学習のアルゴリズムは、重回帰分析に限らず、例えば、ニューラルネットワーク（Neural Network）、ランダムフォレスト（Randam Forest）、決定木（decision tree）、ＸＧＢ（eXtreme Gradient Boosting）回帰、又はサポートベクター回帰（SVR：Support Vector Regression）等であってもよい。
　一方、分類問題を扱うクラスタリング部１５が適用する機械学習のアルゴリズムは、一例として、混合ガウスモデル（GMM：Gaussian Mixture Model）、又はｋ平均法（k- means clustering）等である。ただし、クラスタリング部１５が適用する機械学習のアルゴリ
ズムは、これらのアルゴリズムに限らず、例えば、Mean-shift、Ward法、LDA（Latent Dirichlet Allocation）、又はDBSCAN（Density-basedspatial clustering of applications with noise）等であってもよい。
　また、本実施形態では上述したように、回帰問題を扱う推定部１１が採用する学習方法は教師あり学習であって、分類問題を扱うクラスタリング部１５が採用する学習方法は教師なし学習である。そのため、推定部１１にて用いられる学習済みモデルＭ１の生成用の訓練データＤ１としては、上述したように、正解付き（ラベル付き）のデータ（Labeled Data）が用いられる。ラベル付けは、人が行ってもよい。ただし、推定部１１が採用する学習方法は、教師あり学習に限らず、教師なし学習又は強化学習であってもよい。
　各店舗２（対象店舗２０を含む）には、上述したように、ＰＯＳシステム２１及びストア端末２２が、それぞれ１台以上設置されている。ＰＯＳシステム２１及びストア端末２２は、それぞれ１つの店舗２に複数台設けられていてもよい。図１においては、各店舗２がネットワークＮＴ１に接続されているかのように表記しているが、実際には、各店舗２に設置されているＰＯＳシステム２１及びストア端末２２等の機器が、ゲートウェイ等を介してネットワークＮＴ１に接続される。
　ＰＯＳシステム２１及びストア端末２２の各々は、１以上のプロセッサ及びメモリを有するコンピュータシステムを主構成とする。そのため、１以上のプロセッサがメモリに記録されているプログラムを実行することにより、ＰＯＳシステム２１及びストア端末２２の各々として機能する。プログラムはメモリに予め記録されていてもよいし、インターネット等の電気通信回線を通して提供されてもよく、メモリカード等の非一時的記録媒体に記録されて提供されてもよい。
　本実施形態では特に、ＰＯＳシステム２１は、ＩＤ－ＰＯＳデータを取り扱うことが可能な、いわゆる「ＩＤ－ＰＯＳ」である。ここでいう「ＩＤ－ＰＯＳデータ」は、ＰＯＳデータに顧客４の識別情報（ＩＤ：identification）としての「顧客ＩＤ」が付加されたデータである。この種のＰＯＳシステム２１（ＩＤ－ＰＯＳ）は、顧客４が買物を行う際に顧客４の認証を行うことで、顧客４の識別情報（顧客ＩＤ）を取得する。顧客４の認証は、一例として、会員カード、ポイントカード又はクレジットカード等の各種カード等で実現されてもよいし、顧客４の携帯情報端末との通信、又は生体認証（顔認証を含む）等によって実現されてもよい。
　ストア端末２２は、店舗２の店員又はオーナ等が所有する情報端末である。ストア端末２２は、ユーザインタフェースとしてタッチパネルディスプレイを有しており、ユーザの操作の受け付けと、ユーザへの情報の提示（表示）を行う。
　このようなＰＯＳシステム２１及びストア端末２２によれば、少なくとも店舗２における商品３の購買履歴をデータとして、ネットワークＮＴ１経由で、サーバ装置１に送信することが可能である。特に、本実施形態では、ＰＯＳシステム２１は、ＩＤ－ＰＯＳデータを取り扱うことが可能であるため、例えば、会計が行われる度に、購入された商品３の情報を、顧客４の識別情報（顧客ＩＤ）と対応付けた状態で購買履歴として出力できる。
　また、各店舗２には、ＰＯＳシステム２１及びストア端末２２以外にも、ネットワークＮＴ１に接続される機器があってもよい。一例として、ストアコンピュータ、又は各店員９１が所持する携帯端末（スマートフォン及びウェアラブル端末等を含む）等のコンピュータシステムを主構成とする機器が、各店舗２に設けられ、ネットワークＮＴ１に接続されていてもよい。
　本部端末５１は、上述したように、複数の店舗２を展開するチェーン本部５に設置されている。本部端末５１は、１以上のプロセッサ及びメモリを有するコンピュータシステムを主構成とする。そのため、１以上のプロセッサがメモリに記録されているプログラムを実行することにより、本部端末５１として機能する。プログラムはメモリに予め記録されていてもよいし、インターネット等の電気通信回線を通して提供されてもよく、メモリカード等の非一時的記録媒体に記録されて提供されてもよい。
　本部端末５１は、ユーザインタフェースとしてタッチパネルディスプレイを有しており、ユーザの操作の受け付けと、ユーザへの情報の提示（表示）を行う。本部端末５１のユーザは、主としてチェーン本部５のオペレータ等である。
　（３）動作
　以下、本実施形態に係る店舗支援システム１０の動作、すなわち、本実施形態に係る店舗支援方法について、図３～図１１を参照して詳しく説明する。
　以下では、まず、店舗支援システム１０の全体動作、つまり店舗支援方法の全容について説明し、その後、店舗支援システム１０の動作を段階別に説明する。その後、店舗支援システム１０の推定部１１で用いられる「学習済みモデル」を生成するための学習装置１１０（学習器）の動作、つまり本実施形態に係る学習済みモデルＭ１の生成方法について説明する。
　（３．１）全体動作
　図３及び図４は、本実施形態に係る店舗支援システム１０の全体動作を概念的に示す概念図である。
　図３に示すように、店舗支援システム１０の動作は、大別すると、クラスタリングＰ１、棚割の適正化Ｐ２、ランキング作成Ｐ３及びリスト化Ｐ４の４つの過程を含んでいる。
　クラスタリングＰ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類する過程である。クラスタリングＰ１は、主としてクラスタリング部１５にて実行される。
　棚割の適正化Ｐ２は、対象店舗２０における棚割を適正化するための過程である。本開示でいう「棚割」は、陳列棚２０１（図７Ａ参照）に、どの程度の数だけ商品３を陳列するか、といった設計を意味する。そのため、棚割の適正化Ｐ２の過程には、対象店舗２０の商品構成に関して推奨し得る情報を求める処理が含まれている。棚割の適正化Ｐ２は、主として推定部１１及び出力部１３にて実行される。
　ランキング作成Ｐ３は、対象店舗２０における推奨商品のランクングを作成するための過程である。本実施形態では、複数のクラスタＣ１に基づいて、商品カテゴリごとに推奨商品のランキングが作成される。そのため、ランキング作成Ｐ３の過程には、複数のクラスタＣ１に基づいて、対象店舗２０についての商品３の購買傾向に関する傾向情報を求める処理が含まれている。ランキング作成Ｐ３は、主として算出部１２及び出力部１３にて実行される。
　リスト化Ｐ４は、推奨情報Ｄ３０（図４参照）としての推奨商品のリストを作成するための過程である。本実施形態では、棚割の適正化Ｐ２の成果物である棚割情報Ｄ２５（図４参照）と、ランキング作成Ｐ３の成果物であるランキングＤ２９（図４参照）とに基づいて、推奨情報Ｄ３０が生成される。リスト化Ｐ４は、主として出力部１３にて実行される。
　図４は、本実施形態に係る店舗支援システム１０（サーバ装置１）にて、クラスタリングＰ１、棚割の適正化Ｐ２、ランキング作成Ｐ３及びリスト化Ｐ４の４つの過程が実行される際のデータの流れを簡単に示す概念図である。つまり、図４では、推定部１１、算出部１２及び出力部１３を含むサーバ装置１の全体動作、つまり店舗支援方法の全容を表す。
　また、図５は、店舗支援システム１０の全体動作、つまり店舗支援方法の全容に相当するフローチャートである。つまり、図５は、店舗支援システム１０の主な処理の流れを概念的に表している。
　（３．２）クラスタリング
　次に、クラスタリングＰ１の過程について、図４～図６を参照して、より詳細に説明する。クラスタリングＰ１では、対象店舗２０についての複数のクラスタＣ１の構成比率等により、複数の店舗２の実績を根拠にした対象店舗２０のポテンシャルを把握することが可能である。そして、このようにして得られたクラスタリングＰ１の結果は、棚割の適正化Ｐ２及びランキング作成Ｐ３に利用される。
　本実施形態では、クラスタリングＰ１において生成される複数のクラスタＣ１は、上述したように、データ群を顧客４単位で分類したデータである。そのため、本実施形態では、クラスタリングＰ１の過程には、顧客４単位でクラスタリングを行う、クラスタリング（図５のＳ１）の処理が含まれている。
　図６は、クラスタリングで得られる複数のクラスタＣ１１，Ｃ１２，Ｃ１３…を概念的に表す概念図である。複数のクラスタＣ１１，Ｃ１２，Ｃ１３…を特に区別しない場合、複数のクラスタＣ１１，Ｃ１２，Ｃ１３…の各々を単に「クラスタＣ１」という。すなわち、複数のクラスタＣ１は、商品３の購買傾向に関するルールに基づいて、データ群を顧客４単位で分類したデータである。そのため、「Ｔｙｐｅ－１」、「Ｔｙｐｅ－２」、「Ｔｙｐｅ－３」…というように、顧客４が商品３の購買傾向によって複数のクラスタＣ１に分類されることになる。
　図６の例では、クラスタＣ１１は、「スイーツとスナックとを一緒に購入する顧客」という購買傾向に関するルールに該当する「Ｔｙｐｅ－１」の顧客４のクラスタである。クラスタＣ１２は、「おにぎりとお茶とを一緒に購入する顧客」という購買傾向に関するルールに該当する「Ｔｙｐｅ－２」の顧客４のクラスタである。クラスタＣ１３は、「弁当を単品で購入する顧客」という購買傾向に関するルールに該当する「Ｔｙｐｅ－３」の顧客４のクラスタである。クラスタＣ１４は、「弁当と日用品とを一緒に購入する顧客」という購買傾向に関するルールに該当する「Ｔｙｐｅ－４」の顧客４のクラスタである。
　すなわち、クラスタリングによれば、上述したように、複数の店舗２における複数の顧客４の購買履歴を含むデータ群から、購買傾向が異なる顧客４の種類ごとに分類した複数のクラスタＣ１が生成される。
　具体的には、サーバ装置１は、取得部１４にて、複数の店舗２からＰＯＳデータＤ１１を取得する。ここで用いるＰＯＳデータＤ１１は、顧客４の識別情報（顧客ＩＤ）と購入された商品３の情報（単価及び購入点数を含む）と購入日時との組み合わせを含み、店舗２を識別するための識別情報として「店舗ＩＤ」を更に含んでいる。
　このようにして読み込んだＰＯＳデータＤ１１から、購買履歴のデータ群を生成し、このデータ群について、個々の顧客４についての、商品カテゴリ別の、購入金額割合を算出する。
　次に、算出された購入金額割合について、クラスタリングを実行することにより、複数のクラスタＣ１を生成する。これにより、商品カテゴリという分類観点において、購買傾向に関するタイプ別に顧客４が分類されることにより、顧客４単位で分類された複数のクラスタＣ１が生成される。このとき、出力されるクラスタリングの結果は、各顧客４が複数のクラスタＣ１のいずれに属するかを表すデータである。特に、本実施形態では、一人の顧客４が複数のクラスタＣ１に跨って所属するソフトな（ファジィな）クラスタＣ１を想定している。そのため、例えば、ある一人の顧客４が「Ｔｙｐｅ－１」の要素を８０％、「Ｔｙｐｅ－２」の要素を２０％含む場合には、この顧客４は、クラスタＣ１１に８０％所属し、クラスタＣ１２に２０％所属することになる。そのため、顧客４ごとに、複数のクラスタＣ１に対する所属割合を示すクラスタデータＤ２１が生成される。
　さらに、店舗２ごとに、顧客４のクラスタ所属割合を合算することで、この店舗２に関するクラスタ所属割合を求める。本実施形態では、合算後のクラスタ所属割合を正規化することで、店舗２ごとに、正規化されたクラスタ構成比率を求める。つまり、各店舗２を利用している複数の顧客４について、複数のクラスタＣ１に所属する顧客４の割合を示す「構成比率」が求まることになる。一例として、ある店舗２について、この店舗２を利用している複数の顧客４のうち５％がクラスタＣ１１に所属し、７％がクラスタＣ１２に所属し、１１％がクラスタＣ１３に所属する、というように構成比率が算出される。
　このようにして算出された、店舗２ごとのクラスタ構成比率を、クラスタリング部１５は、クラスタデータＤ２１に含めて出力する。結果的に、複数の店舗２の各々について、クラスタ構成比率が得られることになる。ただし、本実施形態では、少なくとも対象店舗２０についての複数のクラスタＣ１の構成比率が求まればよい。そのため、対象店舗２０以外の店舗２については、複数のクラスタＣ１の構成比率が算出されることは必須ではない。結果的に、複数のクラスタＣ１に基づいて、対象店舗２０における複数のクラスタＣ１の構成比率を含む傾向情報が、求められることになる。言い換えれば、傾向情報は、対象店舗２０における複数のクラスタＣ１の構成比率を含む。
　ところで、本実施形態では、顧客４単位で分類された複数のクラスタＣ１を生成するに当たり、例えば、商品カテゴリという分類観点でのクラスタリングを実施している。ただし、この例に限らず、例えば、商品カテゴリに加えて又は代えて、顧客４の属性を分類観点に含めてもよい。顧客４の属性は、例えば、年齢、性別、職種、住所及び家族構成等を含む。さらに、商品カテゴリ及び顧客４の属性に加えて又は代えて、購入シーン、来店頻度、購入価格体、一会計での購入点数及び商品３の好み等を分類観点に含めてもよい。ここでいう「購入シーン」は、時間帯と平日／休日の区別とを含み、一例として、「平日１０時～１３時」及び「休日１８時～２１時」等で表される。顧客４の属性、来店頻度及び購入価格体等を分類観点に含む場合、例えば、「店舗から５００ｍ圏内に住む３０代男性で、週に５回の頻度で、夜間にビールと弁当とを購入する顧客」といった、より詳細な購入傾向を規定したクラスタＣ１を生成できる。
　さらに、本実施形態では、複数の店舗２について購買履歴の重み係数を均一にしているが、店舗２ごとに購買履歴の重み係数が異なっていてもよい。例えば、対象店舗２０については、他の店舗２に比較して購買履歴の重み係数を大きくするように、重み付けが行われてもよい。
　ここにおいて、複数のクラスタＣ１は、各々について算出される対象店舗２０の経営に関する指標の向上実績に基づいて、再分類されることが好ましい。すなわち、クラスタリングで生成された複数のクラスタＣ１は、固定的に定められるのではなく、再分類により変動する。例えば、対象店舗２０の経営に関する指標（ここでは当月の売上高）が、クラスタＣ１１については所定値以上の向上があり、クラスタＣ１２については所定値以上の向上がなかったと仮定する。この場合、対象店舗２０の経営に関する指標が向上したクラスタＣ１１については、クラスタＣ１２に比べて重視し、例えば、クラスタＣ１１を更に細分化するように再分類を行うことが好ましい。一方で、対象店舗２０の経営に関する指標が向上しなかったクラスタＣ１２については、例えば、集約することで、クラスタリングに際してのクラスタ数を一定に維持することが好ましい。
　具体例として、「菓子とソフトドリンクとを一緒に購入する顧客」のクラスタＣ１についての売上高が向上した場合を想定する。この場合においては、売上高が向上した「菓子とソフトドリンクとを一緒に購入する顧客」のクラスタＣ１について、再分類が実施される。一例として、「菓子とソフトドリンクとを一緒に購入する顧客」のクラスタＣ１は、「スナック菓子とソフトドリンクとを一緒に購入する顧客」と「チョコレート菓子とソフトドリンクとを一緒に購入する顧客」との２つのクラスタＣ１に細分化される。
　他の例として「洗面用品と肌着とを一緒に購入する顧客」のクラスタＣ１、及び「文具と衛生用品とを一緒に購入する顧客」のクラスタＣ１について、いずれも売上高の向上がみられない場合を想定する。この場合においては、売上高が向上しない「洗面用品と肌着とを一緒に購入する顧客」及び「文具と衛生用品とを一緒に購入する顧客」の２つのクラスタＣ１について、再分類が実施される。一例として、「洗面用品と肌着とを一緒に購入する顧客」及び「文具と衛生用品とを一緒に購入する顧客」の２つのクラスタＣ１は、「日用品を購入する顧客」という１つのクラスタＣ１に集約される。
　このように、対象店舗２０の経営状況の改善度合いに応じて、複数のクラスタＣ１が再分類されることで、対象店舗２０の経営状況の改善への寄与度が大きい複数のクラスタＣ１を得やすくなる。このような再分類の処理は、例えば、定期的に実行されてもよいし、いずれかのクラスタＣ１について所定値以上の向上があったときに実行されてもよい。
　（３．３）棚割の適正化
　次に、棚割の適正化Ｐ２の過程について、図４、図５、及び図７Ａ～図１０Ｂを参照して、より詳細に説明する。
　棚割の適正化Ｐ２においては、図７Ａに示すように、対象店舗２０に設置されている陳列棚２０１に対して、どの商品３を、どの程度の数（ＳＫＵ数）だけ陳列するか、といった棚割の設計を適正化する。例えば、図７Ｂに示すように、陳列棚２０１を２つの領域Ｚ１，Ｚ２に分割した場合に、領域Ｚ１に商品カテゴリが「おにぎり」である商品３１、領域Ｚ２に商品カテゴリが「サンドイッチ」である商品３２が陳列される場合を想定する。この場合に領域Ｚ１と領域Ｚ２との比率によって、商品３１及び商品３２の陳列可能なＳＫＵ数の比率が変化する。言い換えれば、領域Ｚ１と領域Ｚ２との境界線を移動させることで、陳列棚２０１に陳列可能な商品３１及び商品３２のＳＫＵ数の比率が変化する。つまり、領域Ｚ１が占める割合が大きくなれば、陳列棚２０１に陳列可能な商品３１のＳＫＵ数が増加し、商品３２のＳＫＵ数が減少する。
　棚割の適正化Ｐ２では、商品カテゴリごとに適正なＳＫＵを求めることによって、上述したような棚割を適正化する。すなわち、図７Ｂの例においては、商品カテゴリが「おにぎり」である商品３１のＳＫＵ数、及び商品カテゴリが「サンドイッチ」である商品３２のＳＫＵ数を適正化することで、陳列棚２０１における領域Ｚ１と領域Ｚ２との比率を適正化できる。
　ここにおいて、本実施形態では、図５に示すように、棚割の適正化Ｐ２の過程には、棚割制約を算出する処理Ｓ２と、棚割を適正化する処理Ｓ３と、が含まれている。
　処理Ｓ２では、商品カテゴリごとにＳＫＵ数の制約を算出する。具体的には、商品カテゴリごとに、ＳＫＵ数の最大値（最大ＳＫＵ数）及び最小値（最小ＳＫＵ数）を算出する。これにより、棚割を適正化するに際して、商品カテゴリごとに、ＳＫＵ数の調整可能な範囲を制限することが可能である。処理Ｓ２では、基準値Ｄ１２を用いて、棚割制約Ｄ２４（図９参照）が算出される。ここで、基準値Ｄ１２は、例えば、本部端末５１等から配信される情報であって、商品カテゴリごとに、ＳＫＵ数の基準となる値を規定する情報である。基準値Ｄ１２は、例えば、対象店舗２０において発注可能な商品３のリスト、チェーン本部５が販売を促進する販売促進商品のリスト、及び商品３の在庫リスト等を含み得る。
　具体的には、例えば、最大ＳＫＵ数は、ある商品カテゴリのＳＫＵ数が、この商品カテゴリにおいて供給（発注）可能な商品３のＳＫＵ数を上回らないように算出される。
　さらに、棚割制約Ｄ２４を算出するに際して、本実施形態では、商品３のサイズを考慮している。すなわち、図８に示すように、商品３のサイズの都合で、棚割が制約を受けることがある。図８の例では、即席（インスタント）食品である「即席ラーメン」の商品カテゴリに属する商品３３と、「即席うどん」の商品カテゴリに属する商品３４と、「カップスープ」の商品カテゴリに属する商品３５と、が陳列棚２０１に陳列されている。この場合に領域Ｚ１と領域Ｚ２と領域Ｚ３との比率によって、商品３３、商品３４及び商品３５の陳列可能なＳＫＵ数の比率が変化する。
　ここで、商品３３及び商品３４の標準サイズは、商品３５の標準サイズに比べて大きいため、同じ広さの領域であっても、商品３３又は商品３４と、商品３５とでは、陳列可能なＳＫＵ数が異なる。したがって、例えば、領域Ｚ１に陳列可能な商品３３のＳＫＵ数が「１」増えた場合に、領域Ｚ３に陳列可能な商品３５のＳＫＵ数を「２」減らすような調整が必要となる。そこで、標準サイズが異なる、商品３３及び商品３４と、商品３５との間では、ＳＫＵ数の比率に制約が規定される。一例として、標準サイズが異なる商品カテゴリ間においては、ＳＫＵ数の比率が基準比率を基準とする所定範囲（例えば±数％）に収まるように、両者間の比率が制限される。標準サイズが同一である商品３３と商品３４との間では、このようなＳＫＵ数の比率の制約は規定されない。
　棚割を適正化する処理Ｓ３においては、このようにして設定される棚割制約Ｄ２４を用いて、商品カテゴリごとの棚割情報Ｄ２５を算出する。この処理Ｓ３では、棚割制約Ｄ２４の他に、例えば、対象店舗２０について、クラスタデータＤ２１、直近の１ヵ月のＰＯＳデータＤ１１、及び在庫実績Ｄ１３等が用いられる。在庫実績Ｄ１３は、例えば、直近の１ヵ月又は前年同月の、商品３ごとの在庫、廃棄及び品切れ等の実績を含む。
　ここで、処理Ｓ３においては、推定部１１は、学習済みモデルＭ１を用いて、少なくとも運営情報を入力とし、経営指標を推定する。運営情報は、一例として、対象店舗２０における商品カテゴリごとのＳＫＵ数である。経営指標は、一例として、対象店舗２０における商品カテゴリごとの売上高である。
　また、処理Ｓ２では、例えば、直近の１ヵ月のＰＯＳデータＤ１１を用いて、対象店舗２０において、適当な商品３のＳＫＵを抽出してもよい。商品３の抽出方法として、例えば、所定期間内の購入数若しくは購入頻度等の実績値が所定値以上である商品３、又は実績値が店舗２０において上位に位置する商品３を抽出する方法等がある。また、このときの実績値の集計対象は、店舗２０の顧客４全てでもよいし、属性、利用頻度又はクラスタ等により抽出した一部の顧客群でもよい。
　図９は、棚割を適正化する処理（Ｓ３）について、より詳細な店舗支援システム１０の処理手順を示すフローチャートである。
　すなわち、処理Ｓ３は、学習済みモデルＭ１を生成するための「学習フェーズ」に相当する処理Ｓ２０１～Ｓ２０３と、学習済みモデルＭ１を用いて推定を行う「推論フェーズ」に相当する処理Ｓ２０４～Ｓ２０５と、に大別される。
　まず、処理Ｓ２０１では、ＰＯＳデータＤ１１、クラスタデータＤ２１及び在庫実績Ｄ１３を入力データとして読み込む。処理Ｓ２０２では、読み込んだ入力データから、説明変数及び目的変数を店舗２ごとに集計する。処理Ｓ２０３では、集計された説明変数及び目的変数を用いて、学習済みモデルＭ１を生成する。
　本実施形態では一例として、説明変数は、商品カテゴリ別の運営情報（ここではＳＫＵ数）、及びクラスタデータＤ２１が用いられる。一方、目的変数は、一例として、商品カテゴリごとの売上高である。これら説明変数及び目的変数は、店舗ＩＤをキーとして、店舗２ごとに集計される。
　これにより、商品カテゴリごとの運営情報（ここではＳＫＵ数）を入力として、経営指標（ここでは売上高）を推定するための、学習済みモデルＭ１が生成される。学習フェーズの処理については、「（３．６）学習装置の動作」の欄でも説明する。
　推論フェーズに係る処理Ｓ２０４～Ｓ２０５は、店舗２ごとに実行される。すなわち、本実施形態では、少なくとも対象店舗２０について、処理Ｓ２０４～Ｓ２０５が実行される。
　まず、処理Ｓ２０４では、学習済みモデルＭ１を用いて、運営情報（ここではＳＫＵ数）を入力として、経営指標（ここでは売上高）を推定する。このとき、例えば、山登り法等の探索アルゴリズムにより、経営指標の極値（ピーク値）を探索する。つまり、処理Ｓ２０４では、各商品カテゴリについて、売上高が最大となるときのＳＫＵ数を、棚割情報として算出する。ここで用いる探索アルゴリズムは、山登り法に限らず、例えば、分枝限定法又はベイズ最適化等であってもよい。また、処理Ｓ２０４では、棚割制約Ｄ２４等の情報が用いられることにより、商品カテゴリごとに、ＳＫＵ数の調整可能な範囲が制限される。
　処理Ｓ２０５では、棚割情報Ｄ２５が出力される。このようにして求まる棚割情報Ｄ２５は、対象店舗２０の商品構成に関して推奨し得る情報であって、「推奨情報」に含まれ得る。また、棚割情報Ｄ２５は、ＳＫＵ数に加えて、処理Ｓ２０４で推定された経営指標（ここでは売上高）についても含んでいることが好ましい。
　すなわち、処理Ｓ２０４～Ｓ２０５においては、推定部１１が、学習済みモデルＭ１を用いて運営情報を入力とし経営指標を推定した上で、出力部１３が、推定部１１の推定結果に基づいて推奨情報としての棚割情報Ｄ２５を求めて出力する。これにより、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る推奨情報（棚割情報Ｄ２５）が、得られることになる。
　以上説明したように、推定部１１は、運営情報に加えて、推定精度を向上させるための補助情報を更に入力とする。「補助情報」は、一例として、対象店舗２０における購買傾向に関する情報を含んでいる。より詳細には、補助情報に含まれる、購買傾向に関する情報は、対象店舗２０における顧客４ごとの購買傾向に関する情報を含んでいる。さらに、補助情報に含まれる、購買傾向に関する情報は、複数のクラスタＣ１に関する情報を含んでいる。複数のクラスタＣ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類して得られる。すなわち、本実施形態では、棚割を適正化する処理Ｓ３において、例えば、対象店舗２０について、クラスタデータＤ２１、直近の１ヵ月のＰＯＳデータＤ１１、及び在庫実績Ｄ１３等が、補助情報として用いられる。これらの補助情報は、対象店舗２０における顧客４ごとの購買傾向に関する情報に相当する。また、クラスタデータＤ２１は、複数のクラスタＣ１に関する情報である。
　また、上述したように、推定部１１は、運営情報に加えて、運営情報についての制約を規定する制約条件を更に入力とすることが好ましい。すなわち、学習済みモデルＭ１を用いて、運営情報を入力として経営指標を推定する処理Ｓ２０４では、棚割制約Ｄ２４が用いられることにより、商品カテゴリごとにＳＫＵ数の調整可能な範囲が制限される。棚割制約Ｄ２４は、運営情報（ＳＫＵ数等）についての制約を規定する情報であるので、「制約条件」に含まれる。
　ここで、制約条件は、複数の商品３の各々のサイズに関する条件を含む。すなわち、棚割制約Ｄ２４（制約条件）を算出するに際して、本実施形態では、商品３のサイズが考慮され、標準サイズが異なる商品３間ではＳＫＵ数の比率に制約が規定されている。したがって、制約条件である棚割制約Ｄ２４を入力とすることで、推定部１１では、複数の商品３の各々のサイズに関する条件によって運営情報（ＳＫＵ数等）に制約が付いた状態で、経営指標（売上高等）を推定することが可能である。
　さらに、制約条件は、一の商品カテゴリにおけるＳＫＵ数又はアイテム数の最大値と最小値との少なくとも一方を規定する条件を含んでいる。すなわち、棚割制約Ｄ２４（制約条件）は、本実施形態では、商品カテゴリごとに、ＳＫＵ数の最大値（最大ＳＫＵ数）及び最小値（最小ＳＫＵ数）を含んでいる。したがって、制約条件である棚割制約Ｄ２４を入力とすることで、推定部１１では、一の商品カテゴリにおけるＳＫＵ数又はアイテム数に制約が付いた状態で、経営指標（売上高等）を推定することが可能である。
　ところで、推論フェーズにおいて、推定部１１の入力として用いられる運営情報（ここではＳＫＵ数）は、出力として用いられる経営指標（ここでは売上高）に比較して、細分化された情報であってもよい。例えば、運営情報が、商品カテゴリごとのＳＫＵ数であって、経営指標が、商品カテゴリごとの売上高である場合、経営指標に比較して運営情報の商品カテゴリが細分化されていてもよい。この場合、一例として、運営情報（ＳＫＵ数）の商品カテゴリは「小カテゴリ」であるのに対して、経営指標（売上高）の商品カテゴリは「中カテゴリ」となる。
　また、処理Ｓ２０４で用いられる学習済みモデルＭ１は、対象店舗２０の実績データに基づいて補正されることが好ましい。すなわち、学習済みモデルＭ１を、図１０Ａ及び図１０Ｂに例示するように、対象店舗２０向けにアレンジすれば、学習済みモデルＭ１を用いた推定部１１での推定精度の向上を図ることが可能である。図１０Ａ及び図１０Ｂは、横軸をＳＫＵ数とし、縦軸を売上高とするグラフである。
　一例として、ある商品カテゴリにおいて、学習済みモデルＭ１で推定されるＳＫＵ数と売上高との関係が、図１０Ａに示すようなグラフＧ１で表される場合を想定する。一方、対象店舗２０の実績データＰｘ０～Ｐｘ５は、図１０Ａに示すように、グラフＧ１から外れた位置に存在する。ここで、実績データＰｘ０～Ｐｘ５は、それぞれ当月、当月の１カ月前、当月の２カ月前、当月の３カ月前、当月の４カ月前、当月の５カ月前の実績データを示す。
　この場合において、これらの実績データＰｘ０～Ｐｘ５と、グラフＧ１との間の差分を小さくするように、実績データＰｘ０～Ｐｘ５及びグラフＧ１に基づいて、補正係数を求めることで、学習済みモデルＭ１の補正が可能となる。つまり、学習済みモデルＭ１で推定されるＳＫＵ数と売上高との関係式（グラフＧ１）を、補正係数にて補正することで、補正後の学習済みモデルＭ１を得ることができる。補正後の学習済みモデルＭ１によれば、図１０ＢにグラフＧ２で示すように、ＳＫＵ数と売上高との関係が、対象店舗２０の実績データＰｘ０～Ｐｘ５に近づくことになる。結果的に、補正後の学習済みモデルＭ１を用いることで、推定部１１での推定精度の向上を図ることができる。
　また、図１０Ｂの例において、補正係数を求める際には、複数の実績データＰｘ０～Ｐｘ５のそれぞれについて重み係数を設定することが好ましい。つまり、当月に近い実績データほど、補正係数に優先的に反映されるように、いつの実績データであるかによって重み係数が設定される。一例として、当月の実績データＰｘ０の重み係数を初期値「１．０」とし、当月から１カ月遡るごとに「０．７」を乗じた値を重み係数として用いる。この場合、例えば、当月の２カ月前の実績データＰｘ２については、重み係数は「０．４９」（＝１．０×０．７×０．７）となる。このように、時系列的に、現在（当月）に近い実績データほど大きくなる重み係数が設定されることで、現在（当月）に近い実績データに重きをおいた補正係数を求めることが可能である。
　また、推定部１１での推定精度の向上を図る手段として、学習済みモデルＭ１の生成時に用いられる、店舗２における運営に関する情報が、特定の商品カテゴリに関して、現在と特定の関係にある過去の対象期間の情報を含むことも有効である。すなわち、学習済みモデルＭ１の生成（機械学習）に用いられる情報は、いつの情報でもよい訳ではなく、現在と特定の関係にある過去の対象期間の情報であることが好ましい。ここでいう「現在と特定の関係にある過去の対象期間」は、現在に相当する「当月」と何らかの相関関係を有する過去の期間であって、一例として、前年以前の同月（前年同月及び一昨年同月を含む）、又は先月（同年の直近月）等である。このように、現在（当月）と相関関係を有する対象期間の情報に基づいて、学習済みモデルＭ１が生成されることで、学習済みモデルＭ１を用いた推定精度が向上する。例えば、前年以前の同月を対象期間とすることで、季節又は天候等の影響を強く反映した推定が可能となり、先月を対象期間とすることで、流行又は消費傾向等の影響を強く反映した推定が可能となる。
　さらに、推定部１１での推定精度の向上を図る手段として、複数の学習済みモデルＭ１を使い分けることも有効である。例えば、上述したように、前年以前の同月を対象期間として生成された学習済みモデルＭ１と、先月を対象期間として生成された学習済みモデルＭ１とがある場合、これら２つの学習済みモデルＭ１を使い分ければよい。つまり、推定部１１は、複数の学習済みモデルＭ１のうち、相対的に推定精度が高い学習済みモデルＭ１を選択的に用いることで、推定精度の向上を図ることが可能である。
　（３．４）ランキング作成
　次に、ランキング作成Ｐ３の過程について、図４及び図５を参照して、より詳細に説明する。
　ランキング作成Ｐ３においては、例えば、商品カテゴリごとに、対象店舗２０における複数の推奨商品の順位付けが行われる。しかも、ランキング作成Ｐ３では、対象店舗２０における複数のクラスタＣ１の構成比率等の傾向情報を考慮して、対象店舗２０での「おにぎり」という商品カテゴリにおける推奨商品のランキングＤ２９が作成される。すなわち、対象店舗２０の傾向情報（複数のクラスタＣ１の構成比率）に基づいた、ランキングＤ２９が作成されることになる。
　一例として、「おにぎり」という商品カテゴリについて、「梅」、「鮭」、「昆布」、「明太子」、「シーチキンマヨネーズ」及び「おかか」等を含む複数の商品３（ＳＫＵ）が含まれているとする。この場合に、対象店舗２０における複数のクラスタＣ１の構成比率から、対象店舗２０の顧客４の大部分を、「梅」を頻繁に購入する顧客４のクラスタＣ１と、「明太子」を頻繁に購入する顧客４のクラスタＣ１とが占めると仮定する。この場合、対象店舗２０での「おにぎり」という商品カテゴリにおける推奨商品のランキングＤ２９では、「梅」及び「明太子」が上位にランクインすることになる。
　ここにおいて、本実施形態では、図５に示すように、ランキング作成Ｐ３の過程には、クラスタＣ１ごとに売上高を算出する処理Ｓ４と、店舗２ごとに売上高を算出する処理Ｓ５と、が含まれている。さらに、ランキング作成Ｐ３の過程には、新商品に期待される売上高を算出する処理Ｓ６と、が含まれている。
　処理Ｓ４では、例えば、直近の１ヵ月のＰＯＳデータＤ１１、クラスタデータＤ２１及び在庫実績Ｄ１３を用いて、クラスタＣ１ごとに期待し得る売上高を算出する。これにより、クラスタ別期待売上高が算出される。ここでは、あるクラスタＣ１に所属する顧客４が、１ヵ月間、あるＳＫＵの商品３が販売されている店舗２に通った場合に消費する金額を、クラスタ別期待売上高として算出する。そのために、基本的には、クラスタＣ１ごとに、１ヵ月の間に店舗２で使用された合計金額を、クラスタＣ１に含まれる顧客４の人数で除算することで、クラスタ別期待売上高を算出する。より詳細には、１人の顧客４が複数のクラスタＣ１に跨って所属すること、及び店舗２における商品３の在庫の有無等を考慮しつつ、クラスタ別期待売上高を算出する。
　処理Ｓ５では、処理Ｓ４で得られたクラスタ別期待売上高、及びクラスタデータＤ２１を用いて、店舗２ごとに期待し得る売上高を算出する。これにより、店舗別期待売上高が算出される。
　処理Ｓ６では、新商品に期待される売上高を算出し、新商品及び既存商品をマージすることで、最終的なランキングＤ２９を作成する。これにより、既存商品に新商品がマージされたランキングＤ２９が作成される。
　ところで、新商品に期待される売上高を算出するに際して、対象店舗２０での新商品の販売実績が十分でないために、新商品に期待される売上高の算出精度を十分に確保できない場合がある。その対策として、推奨商品に対象店舗２０での取り扱いが無い非取扱商品が含まれる場合に、非取扱商品の順位は、対象店舗２０での取り扱いがある商品と非取扱商品との類似性に基づいて決定されることが好ましい。ここでいう「類似性」は、例えば、商品３のジャンル、成分、味、コンセプト（プレミアム商品等）、ターゲットとする客層、又は価格帯等についての総合的な類似性を意味する。例えば、商品カテゴリに関して、「緑茶」という小カテゴリが一致し、かつターゲットとする客層、又は価格帯が一致するような２つの商品３が、異なるメーカから販売されている場合、これら２つの商品３の類似性は高くなる。このように、類似性の高い商品３については、一方の商品が非取扱商品（新商品）だとすれば、対象店舗２０での取り扱いがある他方の商品３（既存商品）の順位を参考に、順位が決定されることになる。
　非取扱商品の順位を決定する具体的手段として、下記のいくつかの手段が考えられる。第１の手段として、対象店舗２０での取り扱いがある商品３（既存商品）の中で、非取扱商品との類似度が最も高い商品３の順位と同じ順位を、非取扱商品の順位として適用する。第２の手段として、非取扱商品が新発売の商品３である場合に、対象店舗２０での取り扱いがある商品３（既存商品）の中で、非取扱商品との類似度が最も高い商品３の売上に対し、新発売による売上の増大効果を加味して、非取扱商品の順位を決定する。つまり、新発売の商品３については、一例として発売１週目だと３倍、２週目だと２倍、３週目だと１．５倍というように、発売からの経過日数に応じた売上の増大効果が見込まれる。そのため、発売からの経過日数に応じた売上の増大効果を補正係数として、類似度が最も高い商品３の売上に補正係数を乗じることにより、非取扱商品の売上高を推定できる。このように求まる非取扱商品の売上高から、非取扱商品の順位を決定できる。
　また、第３の手段として、対象店舗２０での取り扱いがある商品３（既存商品）の中で、非取扱商品との類似度が高い側から数えてＮ（Ｎは２以上の整数）番目までのＮ個の商品３の平均順位を、非取扱商品の順位として適用する。この場合において、第２の手段と同様に、Ｎ個の商品３の平均売上に対して、新発売による売上の増大効果を加味して、非取扱商品の順位を決定してもよい。第４の手段として、対象店舗２０での取り扱いがある商品３（既存商品）の中で、非取扱商品との類似度が一定値以上であるＮ個（Ｎは１以上の整数）の商品３の平均順位を、非取扱商品の順位として適用する。この場合において、第２の手段と同様に、Ｎ個の商品３の平均売上に対して、新発売による売上の増大効果を加味して、非取扱商品の順位を決定してもよい。
　（３．５）リスト化
　次に、リスト化Ｐ４の過程について、図４及び図５を参照して、より詳細に説明する。
　リスト化Ｐ４においては、棚割の適正化Ｐ２の成果物である棚割情報Ｄ２５と、ランキング作成Ｐ３の成果物であるランキングＤ２９とに基づいて、推奨情報Ｄ３０としての推奨商品のリストが作成される。すなわち、商品カテゴリごとに、棚割情報Ｄ２５と、ランキングＤ２９とを組み合わせることで、ランキングにおいて上位から最適ＳＫＵ数までの順位にある商品３を、推奨商品としてリストアップできる。このようにして作成される推奨情報Ｄ３０は、商品カテゴリごとに推奨商品に関する推奨商品情報を含んでいる。さらに、本実施形態では、推奨情報Ｄ３０は、複数の推奨商品に関する推奨商品情報と、複数の推奨商品の順位に関する推奨順位情報と、を含んでいる。そして、推奨順位情報は、商品カテゴリごとに生成されている。
　より詳細には、推奨情報Ｄ３０は、推定部１１の推定結果に含まれる運営情報（商品カテゴリごとのＳＫＵ数）にてマージ（merge）された、ランキングＤ２９を含む。つまり、まず前提として、推定部１１の推定結果は、入力（運営情報）と出力（経営指標）との対応関係を含んでおり、良好な経営指標が得られる「運営情報」が特定可能である。そして、出力部１３は、推定部１１の推定結果のみから推奨情報Ｄ３０を求めるのではなく、推奨情報Ｄ３０を求めるのに、あくまで推定部１１の推定結果を用いるだけである。
　つまり、本実施形態では、学習済みモデルＭ１を用いて求められる推定結果とは別に、複数のクラスタＣ１を用いて求められるランキングＤ２９が存在する。出力部１３には、推定部１１の推定結果のみならず、ランキングＤ２９も入力されている。出力部１３は、ランキングＤ２９を、推定部１１の推定結果に含まれる運営情報（商品カテゴリごとのＳＫＵ数）にてマージすることで、推奨情報Ｄ３０を生成する。
　ここにおいて、本実施形態では、図５に示すように、リスト化Ｐ４の過程には、ランキング作成Ｐ３で得られたランキングＤ２９を補正する処理Ｓ７と、推奨情報を統合する処理Ｓ８と、が含まれている。
　処理Ｓ７では、商品リストＤ１６を用いて、ランキングＤ２９の補正を行う。ここで、商品リストＤ１６は、例えば、本部端末５１等から配信される情報であって、対象店舗２０において発注可能な商品３のリスト、チェーン本部５が販売を促進する販売促進商品のリスト、及び商品３の在庫リスト等を含み得る。このような商品リストＤ１６を用いることで、対象店舗２０での発注の可否等が考慮されて、ランキングＤ２９が補正される。
　処理Ｓ８では、処理Ｓ７にて補正されたランキングＤ２９、及び棚割情報Ｄ２５に基づいて、推奨情報を統合し、商品カテゴリごとに推奨商品のリストを作成する。このとき、商品カテゴリごとのＳＫＵ数は、棚割情報Ｄ２５で決まることになる。
　これにより、対象店舗２０について、商品カテゴリごとに、複数の推奨商品に関する推奨商品情報と、複数の推奨商品の順位に関する推奨順位情報と、を含む推奨情報Ｄ３０が出力される。
　以上説明したように、本実施形態では、運営情報及び推奨情報Ｄ３０の各々は、いずれも対象店舗２０における商品構成に関する情報を含んでいる。すなわち、本実施形態では、運営情報は、一例として、対象店舗２０における商品カテゴリごとのＳＫＵ数であるので、対象店舗２０における商品構成に関する情報を含むことになる。一方、推奨情報Ｄ３０は、複数の推奨商品に関する推奨商品情報と、複数の推奨商品の順位に関する推奨順位情報と、を含むので、対象店舗２０における商品構成に関する情報を含むことになる。
　また、推奨情報Ｄ３０は、傾向情報から算出される一次情報をベースに、傾向情報とは別の補正情報を用いて補正された情報である。すなわち、推奨情報Ｄ３０は、傾向情報から算出される一次情報そのものではなく、一次情報に対して、補正情報を用いて何らかの補正（加工）が施された情報である。本実施形態では、上述したように、対象店舗２０の傾向情報（複数のクラスタＣ１の構成比率）に基づいてランキングＤ２９が生成されるので、ランキングＤ２９は一次情報に相当する。一方で、ランキングＤ２９が、棚割情報Ｄ２５、商品リストＤ１６等を補正情報として用いて補正されることで、推奨情報Ｄ３０が生成される。つまり、ランキングＤ２９をベースに、補正情報を用いて補正された情報が推奨情報Ｄ３０となる。
　（３．６）学習装置の動作
　次に、学習装置１１０（学習器）の動作、つまり学習済みモデルＭ１の生成方法について説明する。
　学習装置１１０は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として、機械学習により学習済みモデルＭ１を生成する。すなわち、経営指標の推定に用いられる学習済みモデルＭ１は、対象店舗２０以外の店舗２について、運営に関する情報、及び経営に関する指標を含む訓練データＤ１から生成される。ここで、学習装置１１０が適用する機械学習のアルゴリズムは、一例として、重回帰分析である。
　また、推論フェーズにおいて推定部１１に入力されるデータ（説明変数）に含まれる情報は、学習フェーズにおいても、学習装置１１０に入力される訓練データＤ１に含まれることが好ましい。例えば、推論フェーズにおいて、推定精度を向上させる補助情報として用いられる情報、具体的には、クラスタデータＤ２１（購買傾向に関する情報）等は、入力フェーズにおいて、学習装置１１０に入力される訓練データＤ１に含まれることが好ましい。
　また、学習フェーズにおいて用いられる説明変数は、クラスタデータＤ２１等に限らず、その他の情報等を含んでいてもよい。
　（４）変形例
　実施形態１は、本開示の様々な実施形態の一つに過ぎない。実施形態１は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、実施形態１に係る店舗支援システム１０と同様の機能は、店舗支援方法、コンピュータプログラム、又はコンピュータプログラムを記録した非一時的記録媒体等で具現化されてもよい。一態様に係る店舗支援方法は、推定処理と、出力処理と、を有する。推定処理は、学習済みモデルＭ１を用いて、少なくとも運営情報を入力とし、経営指標を推定する処理である。運営情報は、特定の店舗２である対象店舗２０の運営に関する情報である。経営指標は、対象店舗２０の経営に関する指標である。学習済みモデルＭ１は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として、機械学習により生成される。出力処理は、推奨情報Ｄ３０を、推定部１１の推定結果に基づいて求めて出力する処理である。推奨情報Ｄ３０は、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る情報である。
　また、他の態様に係る店舗支援方法は、算出処理と、出力処理と、を有する。算出処理は、複数のクラスタＣ１に基づいて、特定の店舗２である対象店舗２０についての商品３の購買傾向に関する傾向情報を求める処理である。複数のクラスタＣ１は、複数の店舗２における商品３の購買履歴を含むデータ群を、商品３の購買傾向に関するルールに基づいて複数のクラスタＣ１に分類して得られる。出力処理は、推奨情報Ｄ３０を、傾向情報に基づいて求めて出力する処理である。推奨情報Ｄ３０は、対象店舗２０の運営に関する情報であって対象店舗２０に推奨し得る情報である。
　また、一態様に係る学習済みモデルＭ１の生成方法は、店舗支援システム１０で用いられる学習済みモデルＭ１の生成方法である。店舗支援システム１０は、少なくとも運営情報を入力とし、経営指標を推定する。運営情報は、特定の店舗２である対象店舗２０の運営に関する情報である。経営指標は、対象店舗２０の経営に関する指標である。学習済みモデルＭ１の生成方法は、店舗２の運営に関する情報、及び店舗２の経営に関する指標を含むデータを訓練データＤ１として入力し、機械学習により学習済みモデルＭ１を生成する。
　また、一態様に係るプログラムは、上記いずれかの店舗支援方法、又は上記学習済みモデルＭ１の生成方法を、１以上のプロセッサに実行させるためのプログラムである。
　以下、実施形態１の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。
　本開示における店舗支援システム１０は、例えば、サーバ装置１等に、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における店舗支援システム１０としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field-Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。
　また、店舗支援システム１０における複数の機能が、１つの筐体内に集約されていることは店舗支援システム１０に必須の構成ではなく、店舗支援システム１０の構成要素は、複数の筐体に分散して設けられていてもよい。さらに、店舗支援システム１０の少なくとも一部の機能、例えば、サーバ装置１の一部の機能がクラウド（クラウドコンピューティング）等によって実現されてもよい。
　反対に、実施形態１において、複数の装置に分散されている店舗支援システム１０の少なくとも一部の機能が、１つの筐体内に集約されていてもよい。例えば、サーバ装置１とＰＯＳシステム２１とに分散されている店舗支援システム１０の一部の機能が、１つの筐体内に集約されていてもよい。
　また、店舗支援システム１０の用途はコンビニエンスストアに限らず、コンビニエンスストア以外の店舗２に店舗支援システム１０が導入されていてもよい。
　また、ストア端末２２等におけるユーザインタフェースは、タッチパネルディスプレイに限らず、例えば、キーボード、ポインティングデバイス、メカニカルなスイッチ、又はジェスチャセンサ等の入力装置を有していてもよい。さらに、ユーザインタフェースは、例えば、プロジェクションマッピング技術により映像を投影するプロジェクタ等の表示装置を含んでいてもよい。また、ユーザインタフェースは、タッチパネルディスプレイに代えて、又はタッチパネルディスプレイと共に、音声入出力部を有していてもよい。この場合、ユーザインタフェースは、スピーカから出力される音声により、店員等に向けて各種の情報を提示することが可能である。さらに、ユーザインタフェースは、マイクロホンから出力された音声信号に対して音声認識及び意味解析の処理を施すことで、店員等においては音声による操作（音声入力）も可能になる。
　また、実施形態１では、出力部１３は、推定部１１の推定結果と、算出部１２で算出された傾向情報との両方に基づいて、推奨情報を求めているが、これは店舗支援システム１０に必須の構成ではない。すなわち、出力部１３は、推定部１１の推定結果と、算出部１２で算出された傾向情報との少なくとも一方に基づいて、推奨情報を求めればよい。例えば、出力部１３は、推定部１１の推定結果のみに基づいて推奨情報を求めてもよく、この場合、推奨情報には、商品カテゴリごとのＳＫＵ数が含まれるが、推奨商品の順位等は含まれない。反対に、出力部１３は、算出部１２で算出された傾向情報のみに基づいて推奨情報を求めてもよく、この場合、推奨情報には、推奨商品の順位が含まれるが、商品カテゴリごとのＳＫＵ数等は含まれない。
　また、運営情報等として用いられる商品構成に関する情報は、商品カテゴリごとのＳＫＵ数に限らない。商品構成に関する情報は、例えば、商品カテゴリごとのアイテム数、商品カテゴリごとのフェイス数、商品カテゴリごとの仕入れ数、商品カテゴリごとの棚数、商品３ごとのフェイス数、及び商品３ごとの仕入れ数の少なくとも一つを含んでいてもよい。もちろん、商品構成に関する情報は、これらに加えて、商品カテゴリごとのＳＫＵ数を含んでいてもよい。
　また、推定部１１において推定精度を向上させるための入力とする補助情報は、購買傾向に関する情報として、対象店舗２０における顧客４ごとの購買傾向に関する情報を含む構成に限らない。すなわち、補助情報における購買傾向に関する情報は、例えば、対象店舗２０における会計ごとの購買傾向に関する情報を含んでいてもよい。要するに、同一の顧客４であっても、１日に何度も対象店舗２０を利用するような場合においては、顧客４単位ではなく、一会計単位とする方が、購買傾向を詳細に反映することが可能である。同様に、補助情報における購買傾向に関する情報は、例えば、店舗２ごとの購買傾向に関する情報、又は時間帯若しくは曜日ごとの購買傾向に関する情報等を含んでいてもよい。
　また、クラスタリングに関して、実施形態１では、ソフトな（ファジィな）クラスタＣ１を採用しているが、この構成に限らず、ハードな（クリスプな）クラスタＣ１を採用してもよい。この場合、一人の顧客４は複数のクラスタＣ１のうちのいずれか１つに所属することになる。
　また、店舗２での商品３の販売形態は、実施形態１のように、複数の商品３が店内に陳列された状態で販売される形態に限らない。例えば、複数の商品３をストックする自動販売機を用いて、顧客４が選択した商品３について、精算及び商品３の払い出しを実行するような形態で、商品３が販売されてもよい。さらに、複数の商品３が店内に陳列された状態で販売される形態であっても、例えば、セルフレジ（Self-checkout）等を用いることにより、顧客４が店員を介さずに精算を行う販売形態であってもよい。
　また、実施形態１では、対象店舗２０の経営指標の向上を図るための手段として、対象店舗２０における商品３の商品構成を適正化するための推奨情報を提案している。そのため、実施形態１では、運営情報として、対象店舗２０の商品構成に関する情報（商品カテゴリごとのＳＫＵ数等）を用いている。ただし、運営情報は、対象店舗２０の運営に関する情報であればよく、対象店舗２０の商品構成に関する情報に限らない。例えば、運営情報は、店舗レイアウト、購買時点（POP：Point Of Purchase）広告、キャンペーン、又は営業時間等に関する情報を含んでいてもよい。ここでいう「店舗レイアウト」は、対象店舗２０の店内における陳列棚又はカウンタ等の物理的なレイアウト、動線のレイアウト、イートインスペース等のレイアウト、及び陳列棚に陳列する商品３のレイアウト等を含む。
　また、実施形態１では、対象店舗２０の経営指標の向上を図るための手段として、対象店舗２０における商品３の商品構成を適正化することで、主として対象店舗２０の売上高の向上につなげるための推奨情報を提案している。そのため、実施形態１では、経営指標として、対象店舗２０の売上高に関する情報（商品カテゴリごとの売上高等）を用いている。ただし、経営指標は、対象店舗２０の経営に関する情報であればよく、商品カテゴリごとの売上高等に限らない。例えば、経営指標は、売上高に限らず、客単価又はＬＴＶの平均値等であってもよいし、店舗ごと（つまり対象店舗２０全体）、会計ごと、又は時間帯ごとの売上高に関する情報であってもよい。さらに、経営指標は、例えば、利益、客数、ヘビーユーザの数、顧客４のリピート率、新規顧客数、又は顧客４の滞在時間等のように、直接的に売上高に関しない情報であってもよい。
　また、学習済みモデルＭ１の生成に用いられる訓練データＤ１は、１以上の店舗２についての運営に関する情報、及び経営に関する指標を含んでいればよい。ここで、訓練データＤ１が抽出される１以上の店舗２は、対象店舗２０を含んでいてもよいし、対象店舗２０を含まなくてもよい。つまり、前者の場合、対象店舗２０を含む１以上の店舗２から抽出される訓練データＤ１を用いて、学習済みモデルＭ１が生成されることになる。
　また、店舗支援システム１０にて適正化される「棚割」は、陳列棚２０１に、どの程度の数の商品３を陳列するかといった事項に限らず、陳列棚２０１の「どこに」、どの程度の数の商品３を陳列するかといった事項を含んでもよい。すなわち、店舗支援システム１０によって、商品３を、陳列棚２０１のどこに、どの程度の数だけ陳列するかといった棚割の設計を適正化できてもよい。
　（実施形態２）
　本実施形態に係る店舗支援システム１０は、複数のクラスタＣ１が、データ群を会計単位で分類したデータである点で、実施形態１に係る店舗支援システム１０と相違する。
　すなわち、実施形態１では、複数のクラスタＣ１は、データ群を顧客４単位で分類したデータであったのに対し、本実施形態では、データ群を「会計」単位で分類することで複数のクラスタＣ１が得られている。要するに、同一の顧客４であっても、１日に何度も対象店舗２０を利用するような場合においては、顧客４単位ではなく、一会計単位とする方が、購買傾向を詳細に反映したクラスタＣ１を生成することが可能である。
　実施形態２の変形例として、複数のクラスタＣ１は、データ群を店舗２単位で分類したデータであってもよい。この場合、同一の店舗２を利用する複数人の顧客４の購買傾向が、まとめて同一のクラスタＣ１に分類されることになり、店舗２全体としての購買傾向がクラスタＣ１に反映されやすくなる。
　データ群を会計単位又は店舗２単位で分類する場合においては、クラスタリング用の説明変数は、例えば、商品カテゴリ別の売上高、顧客４の属性（年代、性別等）、店舗２の周辺環境、並びに、店舗２の立地及び間取り等に関する情報等である。つまり、本実施形態では、複数のクラスタＣ１は、商品カテゴリ別の売上高、顧客４の属性（年代、性別等）等に基づいて、データ群を会計単位又は店舗２単位で分類したデータである。
　実施形態２で説明した種々の構成（変形例を含む）は、実施形態１で説明した種々の構成（変形例を含む）と適宜組み合わせて採用可能である。
　（まとめ）
　以上説明したように、第１の態様に係る店舗支援システム（１０）は、算出部（１２）と、出力部（１３）と、を備える。算出部（１２）は、複数のクラスタ（Ｃ１）に基づいて、特定の店舗（２）である対象店舗（２０）についての商品（３）の購買傾向に関する傾向情報を求める。複数のクラスタ（Ｃ１）は、複数の店舗（２）における商品（３）の購買履歴を含むデータ群を、商品（３）の購買傾向に関するルールに基づいて複数のクラスタ（Ｃ１）に分類して得られる。出力部（１３）は、推奨情報（Ｄ３０）を、傾向情報に基づいて求めて出力する。推奨情報（Ｄ３０）は、対象店舗（２０）の運営に関する情報であって対象店舗（２０）に推奨し得る情報である。
　この態様によれば、例えば、対象店舗（２０）の経営指標の向上につながり、ひいては対象店舗（２０）の経営状況の改善につながるような、対象店舗（２０）の運営に関して推奨し得る情報としての推奨情報（Ｄ３０）が得られる。ここで、推奨情報（Ｄ３０）を求めるのに用いられる傾向情報は、複数のクラスタ（Ｃ１）に基づいて求められる。複数のクラスタ（Ｃ１）は、対象店舗（２０）以外の店舗（２）について、購買履歴が、購買傾向に関するルールに基づいて分類して得られているので、傾向情報には、店舗（２）の実績データが利用されることになる。結果的に、店舗支援システム（１０）では、対象店舗（２０）の運営の支援を適正に行いやすい、という利点がある。
　第２の態様に係る店舗支援システム（１０）では、第１の態様において、推奨情報（Ｄ３０）は、商品カテゴリごとの推奨商品に関する推奨商品情報を含む。
　この態様によれば、具体的に、商品カテゴリごとに推奨する商品（３）に関する情報を、推奨情報（Ｄ３０）として提示できる。
　第３の態様に係る店舗支援システム（１０）では、第１の態様において、推奨情報（Ｄ３０）は、複数の推奨商品に関する推奨商品情報と、複数の推奨商品の順位に関する推奨順位情報と、を含む。
　この態様によれば、具体的に、複数の推奨商品に関する情報、更に複数の推奨商品の順位に関する情報を、推奨情報（Ｄ３０）として提示できる。
　第４の態様に係る店舗支援システム（１０）では、第３の態様において、推奨商品に非取扱商品が含まれる場合に、非取扱商品の順位は、対象店舗（２０）での取り扱いがある商品（３）と非取扱商品との類似性に基づいて決定される。非取扱商品は、対象店舗（２０）での取り扱いが無い商品（３）である。
　この態様によれば、推奨商品に非取扱商品が含まれていても、非取扱商品に類似する商品（３）を参考に、非取扱商品の順位を決定できる。
　第５の態様に係る店舗支援システム（１０）では、第３又は４の態様において、推奨順位情報は、商品カテゴリごとに生成される。
　この態様によれば、具体的に、商品カテゴリごとに、推奨する商品（３）の順位に関する情報を、推奨情報（Ｄ３０）として提示できる。
　第６の態様に係る店舗支援システム（１０）では、第１～５のいずれかの態様において、傾向情報は、対象店舗（２０）における複数のクラスタ（Ｃ１）の構成比率を含む。
　この態様によれば、複数のクラスタ（Ｃ１）を対象店舗（２０）に当てはめたときの対象店舗（２０）における傾向情報を得ることができる。
　第７の態様に係る店舗支援システム（１０）では、第１～６のいずれかの態様において、複数のクラスタ（Ｃ１）は、データ群を顧客（４）単位で分類したデータである。
　この態様によれば、複数のクラスタ（Ｃ１）を顧客（４）単位で細かく設定することができる。
　第８の態様に係る店舗支援システム（１０）では、第１～６のいずれかの態様において、複数のクラスタ（Ｃ１）は、データ群を会計単位で分類したデータである。
　この態様によれば、同一の顧客（４）に関するデータであっても、複数のクラスタ（Ｃ１）を会計単位でより細かく設定することができる。
　第９の態様に係る店舗支援システム（１０）では、第１～６のいずれかの態様において、複数のクラスタ（Ｃ１）は、データ群を店舗単位で分類したデータである。
　この態様によれば、複数のクラスタ（Ｃ１）を店舗（２）単位で大雑把に設定することができる。
　第１０の態様に係る店舗支援システム（１０）では、第１～９のいずれかの態様において、複数のクラスタ（Ｃ１）は、各々について算出される対象店舗（２０）の経営に関する指標の向上実績に基づいて、再分類される。
　この態様によれば、経営指標を基準として複数のクラスタ（Ｃ１）の適正化が図りやすい。
　第１１の態様に係る店舗支援システム（１０）では、第１～１０のいずれかの態様において、推奨情報（Ｄ３０）は、傾向情報から算出される一次情報をベースに、傾向情報とは別の補正情報を用いて補正された情報である。
　この態様によれば、推奨情報（Ｄ３０）の信頼性の向上を図ることができる。
　第１２の態様に係る店舗支援方法は、算出処理と、出力処理と、を有する。算出処理は、複数のクラスタ（Ｃ１）に基づいて、特定の店舗（２）である対象店舗（２０）についての商品（３）の購買傾向に関する傾向情報を求める処理である。複数のクラスタ（Ｃ１）は、複数の店舗（２）における商品（３）の購買履歴を含むデータ群を、商品（３）の購買傾向に関するルールに基づいて複数のクラスタ（Ｃ１）に分類して得られる。出力処理は、推奨情報（Ｄ３０）を、傾向情報に基づいて求めて出力する処理である。推奨情報（Ｄ３０）は、対象店舗（２０）の運営に関する情報であって対象店舗（２０）に推奨し得る情報である。
　この態様によれば、対象店舗（２０）の運営の支援を適正に行いやすい、という利点がある。
　第１３の態様に係るプログラムは、第１２の態様に係る店舗支援方法を、１以上のプロセッサに実行させるためのプログラムである。
　この態様によれば、対象店舗（２０）の運営の支援を適正に行いやすい、という利点がある。
　上記態様に限らず、実施形態１及び実施形態２に係る店舗支援システム（１０）の種々の態様（変形例を含む）は、店舗支援方法、プログラム及びプログラムを記録した非一時的記録媒体にて具現化可能である。
　第２～１１の態様に係る構成については、店舗支援システム（１０）に必須の構成ではなく、適宜省略可能である。
　２　店舗
　３　商品
　４　顧客
　１０　店舗支援システム
　１２　算出部
　１３　出力部
　１１０　学習装置
　Ｃ１　クラスタ
　Ｄ１　訓練データ
　Ｄ３０　推奨情報
　Ｍ１　学習済みモデル

Claims (13)

  1. 　複数の店舗における商品の購買履歴を含むデータ群を、商品の購買傾向に関するルールに基づいて複数のクラスタに分類して得られる前記複数のクラスタに基づいて、特定の店舗である対象店舗についての商品の購買傾向に関する傾向情報を求める算出部と、
    　前記対象店舗の運営に関する情報であって前記対象店舗に推奨し得る推奨情報を、前記傾向情報に基づいて求めて出力する出力部と、を備える、
    　店舗支援システム。
  2. 　前記推奨情報は、商品カテゴリごとの推奨商品に関する推奨商品情報を含む、
    　請求項１に記載の店舗支援システム。
  3. 　前記推奨情報は、複数の推奨商品に関する推奨商品情報と、前記複数の推奨商品の順位に関する推奨順位情報と、を含む、
    　請求項１に記載の店舗支援システム。
  4. 　前記推奨商品に前記対象店舗での取り扱いがない非取扱商品が含まれる場合に、
    　前記非取扱商品の前記順位は、前記対象店舗での取り扱いがある商品と前記非取扱商品との類似性に基づいて決定される、
    　請求項３に記載の店舗支援システム。
  5. 　前記推奨順位情報は、商品カテゴリごとに生成される、
    　請求項３又は４に記載の店舗支援システム。
  6. 　前記傾向情報は、前記対象店舗における前記複数のクラスタの構成比率を含む、
    　請求項１～５のいずれか１項に記載の店舗支援システム。
  7. 　前記複数のクラスタは、前記データ群を顧客単位で分類したデータである、
    　請求項１～６のいずれか１項に記載の店舗支援システム。
  8. 　前記複数のクラスタは、前記データ群を会計単位で分類したデータである、
    　請求項１～６のいずれか１項に記載の店舗支援システム。
  9. 　前記複数のクラスタは、前記データ群を店舗単位で分類したデータである、
    　請求項１～６のいずれか１項に記載の店舗支援システム。
  10. 　前記複数のクラスタは、各々について算出される前記対象店舗の経営に関する指標の向上実績に基づいて、再分類される、
    　請求項１～９のいずれか１項に記載の店舗支援システム。
  11. 　前記推奨情報は、前記傾向情報から算出される一次情報をベースに、前記傾向情報とは別の補正情報を用いて補正された情報である、
    　請求項１～１０のいずれか１項に記載の店舗支援システム。
  12. 　複数の店舗における商品の購買履歴を含むデータ群を、商品の購買傾向に関するルールに基づいて複数のクラスタに分類して得られる前記複数のクラスタに基づいて、特定の店舗である対象店舗についての商品の購買傾向に関する傾向情報を求める算出処理と、
    　前記対象店舗の運営に関する情報であって前記対象店舗に推奨し得る推奨情報を、前記傾向情報に基づいて求めて出力する出力処理と、を有する、
    　店舗支援方法。
  13. 　請求項１２に記載の店舗支援方法を、１以上のプロセッサに実行させるためのプログラム。

     
PCT/JP2020/033048 2019-10-03 2020-09-01 店舗支援システム、店舗支援方法及びプログラム WO2021065289A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021550455A JPWO2021065289A1 (ja) 2019-10-03 2020-09-01

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019183217 2019-10-03
JP2019-183217 2019-10-03

Publications (1)

Publication Number Publication Date
WO2021065289A1 true WO2021065289A1 (ja) 2021-04-08

Family

ID=75337870

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/033048 WO2021065289A1 (ja) 2019-10-03 2020-09-01 店舗支援システム、店舗支援方法及びプログラム

Country Status (2)

Country Link
JP (1) JPWO2021065289A1 (ja)
WO (1) WO2021065289A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742443A (zh) * 2022-04-28 2022-07-12 北京爱笔科技有限公司 店铺数据的处理方法、装置、计算机设备和存储介质
CN115471302A (zh) * 2022-11-14 2022-12-13 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015040790A1 (ja) * 2013-09-20 2015-03-26 日本電気株式会社 払出量予測装置、払出量予測方法、記録媒体、及び払出量予測システム
JP2016012321A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015040790A1 (ja) * 2013-09-20 2015-03-26 日本電気株式会社 払出量予測装置、払出量予測方法、記録媒体、及び払出量予測システム
JP2016012321A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742443A (zh) * 2022-04-28 2022-07-12 北京爱笔科技有限公司 店铺数据的处理方法、装置、计算机设备和存储介质
CN115471302A (zh) * 2022-11-14 2022-12-13 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法
CN115471302B (zh) * 2022-11-14 2023-02-14 山东智豆数字科技有限公司 基于大数据分析的电子营销数据处理方法

Also Published As

Publication number Publication date
JPWO2021065289A1 (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
AU2019253767B2 (en) System architecture for customer genome construction and analysis
US10176494B2 (en) System for individualized customer interaction
US8650079B2 (en) Promotion planning system
Shum Does advertising overcome brand loyalty? Evidence from the breakfast‐cereals market
Hwang et al. An empirical analysis of assortment similarities across US supermarkets
JP2006513462A (ja) 予測された行動に基づくターゲット・インセンティブ
JP2004516569A (ja) 対になったプロモーションのアーキテクチャ
US20130325554A1 (en) Commerce System and Method of Optimizing Profit for Retailer from Price Elasticity of Other Retailers
US20200364743A1 (en) Predictive recommendation system using tiered feature data
WO2021065289A1 (ja) 店舗支援システム、店舗支援方法及びプログラム
Weingarten et al. Shortening delivery times by predicting customers’ online purchases: A case study in the fashion industry
WO2021065290A1 (ja) 店舗支援システム、学習装置、店舗支援方法、学習済みモデルの生成方法及びプログラム
US20230419184A1 (en) Causal Inference Machine Learning with Statistical Background Subtraction
JP2022508761A (ja) 実店舗小売店における価格テスト及び最適化のためのシステム及び方法
WO2021065291A1 (ja) 商品推奨システム、商品推奨方法、及びプログラム
JP7507910B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
JP7544029B2 (ja) 商品推奨装置、商品推奨方法、及び、プログラム
US11972470B2 (en) Systems and methods for identifying item substitutions
Majoor Predicting The Type of Shopper (Weekend or Weekday) From Online Grocery Data
JP2024117623A (ja) 情報処理装置、情報処理方法、および情報処理プログラム
JP2020042523A (ja) 地域産業活性化システムおよびプログラム

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: 20871490

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021550455

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20871490

Country of ref document: EP

Kind code of ref document: A1