WO2023053775A1 - 行動予測装置 - Google Patents

行動予測装置 Download PDF

Info

Publication number
WO2023053775A1
WO2023053775A1 PCT/JP2022/031590 JP2022031590W WO2023053775A1 WO 2023053775 A1 WO2023053775 A1 WO 2023053775A1 JP 2022031590 W JP2022031590 W JP 2022031590W WO 2023053775 A1 WO2023053775 A1 WO 2023053775A1
Authority
WO
WIPO (PCT)
Prior art keywords
population
probability
prediction
purchase
unit
Prior art date
Application number
PCT/JP2022/031590
Other languages
English (en)
French (fr)
Inventor
和樹 金城
裕人 赤塚
雅之 寺田
もとこ 鈴木
貴子 小湊
Original Assignee
株式会社Ｎｔｔドコモ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to US18/688,513 priority Critical patent/US20240354833A1/en
Priority to JP2023550455A priority patent/JP7587053B2/ja
Publication of WO2023053775A1 publication Critical patent/WO2023053775A1/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
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0639—Item locations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Definitions

  • One aspect of the present disclosure relates to a behavior prediction device that predicts population involved in behavior.
  • Patent Document 1 discloses a retail store management system that predicts the number of sales for each product from the number of visitors predicted based on causal information.
  • a behavior prediction device has an action probability that is a probability that a person in a predetermined area is involved in an action, and a probability that a person in a predetermined area moves to a destination area that is a destination area.
  • the population involved in behavior for each destination area is predicted. That is, it is possible to predict the population involved in behavior in the destination area.
  • BRIEF DESCRIPTION OF THE DRAWINGS It is a schematic diagram which shows the utilization image of the purchase prediction apparatus which concerns on embodiment. It is a schematic diagram which shows an example of the effect of the purchase prediction apparatus which concerns on embodiment.
  • BRIEF DESCRIPTION OF THE DRAWINGS It is a figure which shows an example of the system configuration
  • FIG. 4 is a flowchart (part 1) showing an example of processing executed by the purchase prediction system; 2 is a flowchart (part 2) showing an example of processing executed by the purchase prediction system; It is a flow chart which shows an example of processing which a purchase prediction device concerning an embodiment performs. It is a figure which shows an example of the hardware constitutions of the computer used with the purchase prediction apparatus which concerns on embodiment.
  • FIG. 1 is a schematic diagram (part 1) showing a usage image of the purchase prediction device 1 (behavior prediction device) according to the embodiment.
  • the purchase prediction device 1 predicts the number of purchases of customers for products (for example, food) or services of stores (retail stores), and extracts segments (gender, age, residence) with high purchase probability among customers, It is a server device that encourages customers to visit stores and purchase products or services based on the predicted number of purchases and extracted customer segments.
  • products or services will be collectively referred to as “products” in this embodiment.
  • processing related to a specific (predetermined one) store (simply referred to as “store” in the present embodiment) will be described instead of an arbitrary store.
  • the process can be extended to any store by appropriately using the store ID, which is the identification information of the store, during processing.
  • the purchase prediction device 1 predicts the number of customer purchases based on the population distribution of the day, the weather of the day, and moving demographics, which are statistics on the movement of people. Subsequently, the purchase prediction device 1 extracts a layer with a high purchase probability. More specifically, the purchase prediction device 1 extracts (picks up) mesh (area) segments that are highly correlated with future purchase numbers used for prediction. For example, it is assumed that "16:00, mesh number XX, female, 40's" is extracted. Subsequently, the purchase prediction device 1 determines whether or not to refer customers based on the predicted number of purchases. More specifically, it is automatically determined whether or not to refer customers based on customer referral conditions set in advance by the manager (person in charge) of the store.
  • a geofence is set (stretched) around the mesh/segment with high correlation.
  • the purchase prediction device 1 distributes information to the customer and sends the customer to the store. For example, at 16:00, a coupon is distributed to women in their 40s who have entered the vicinity of mesh number XX to encourage them to visit and make purchases.
  • FIG. 2 is a schematic diagram showing an example of the effects of the purchase prediction device 1 according to the embodiment.
  • the left side of FIG. 2 is a graph showing the customer's purchase amount and store inventory (amount) at 13:00.
  • the upper right of FIG. 2 is a graph showing the purchase amount and inventory at 20:00 (on the day) when the purchase prediction device 1 sends customers.
  • the purchase quantity has increased due to the customer referral effect of the purchase prediction device 1, and the inventory has decreased. If the product is food, the reduced inventory can reduce food loss.
  • the lower right of FIG. 2 is a graph showing the purchase amount and inventory at 20:00 (on the day) when the purchase prediction device 1 does not refer customers. As shown in the graph, there is no customer referral effect, so the purchase volume does not increase and inventory (food loss) occurs.
  • FIG. 3 is a diagram showing an example of the system configuration of the purchase prediction system 8 including the purchase prediction device 1 according to the embodiment.
  • the purchase prediction system 8 includes a purchase prediction device 1, a population distribution data acquisition device 2, a moving population data acquisition device 3, an external data acquisition device 4, a purchase inventory management device 5, a store manager device 6, and , and a customer smartphone 7.
  • the purchase prediction device 1, the population distribution data acquisition device 2, the mobile population data acquisition device 3, the external data acquisition device 4, the purchase inventory management device 5, the store manager device 6, and the customer smartphone 7 are connected to each other via the Internet or the like. They are communicatively connected to each other by a network and can transmit and receive information to and from each other.
  • the population distribution data acquisition device 2 is a server device that acquires population distribution data regarding the population distribution in the vicinity of the store (near, surrounding, near, around, near, per, within a predetermined distance) and transmits it to the purchase prediction device 1.
  • Information about the store may be stored in the population distribution data acquisition device 2 in advance, or may be transmitted in advance from the purchase prediction device 1 and acquired.
  • information related to target stores in the present embodiment may be stored in advance in various devices, or may be transmitted and acquired in advance from the purchase prediction device 1 or the like. good.
  • FIG. 4 is a diagram showing an example of a table of population distribution data.
  • the population distribution data includes the date and time, the mesh indicating the position, range or area, the sex of the person, the age of the person, the place of residence of the person, and the The gender, the relevant age group, and the population, which is the number of people living in the relevant place of residence, are associated with each other.
  • the population distribution data shown in FIG. 4 indicates, for example, population distribution data around the store. In that case, the stores are located around the mesh X and the mesh Y shown in FIG. 4 (including inside the mesh X or inside the mesh Y).
  • the population distribution data acquisition device 2 obtains the population distribution data from a mobile terminal that is carried by each person and is capable of mobile communication, and that is capable of measuring the position of the terminal itself by a GPS (Global Positioning System). It may be acquired based on the collected terminal information. In collecting terminal information, for example, an existing technology such as Mobile Spatial Statistics (registered trademark) provided by NTT DoCoMo, Inc. is used. The population distribution data acquisition device 2 may acquire population distribution data in real time and transmit it to the purchase prediction device 1 .
  • GPS Global Positioning System
  • the mobile population data acquisition device 3 is a server device that acquires mobile population data related to mobile population statistics and transmits it to the purchase prediction device 1 .
  • the mobile population data acquisition device 3 may acquire mobile population data based on the population distribution data acquired by the population distribution data acquisition device 2, for example.
  • the moving population data consists of a moving source mesh (sometimes simply referred to as "mesh"), which is the mesh from which people move, and a moving destination mesh ("moving mesh”), which is the mesh to which people move. ”).
  • the moving population data acquisition device 3 acquires moving population data whose moving source mesh is around the store, and transmits it to the purchase prediction device 1 .
  • the purchase prediction device 1 may acquire moving population data and transmit it to the purchase prediction device 1 once a month.
  • FIG. 5 is a diagram showing an example of a table of moving population data.
  • the moving population data includes the date when the person started moving, the time when the person started moving, the mesh of the source when the person moved, and the mesh where the person moved to.
  • the moving time which is the time when the mesh is reached, the moving mesh, the person's sex, the person's age, the person's place of residence, the date and time when moving from the mesh is started, and the moving time
  • the gender, the age group, and the moving population which is the number of people who reach the moving mesh, are associated with each other.
  • the moving population data shown in FIG. 5 indicates, for example, moving population data around a store.
  • the stores are located around the mesh X and the mesh Y shown in FIG. 5 (including inside the mesh X or inside the mesh Y).
  • Moving population data is used from the viewpoint of which meshes people go to, with meshes (within a predetermined range around the store) to be included in the prediction as movement sources.
  • the external data acquisition device 4 is a server device that acquires external data, which is data acquired from an external device or the like, and transmits it to the purchase prediction device 1 .
  • External data includes weather data relating to the weather around the store.
  • the external data acquisition device 4 may, for example, acquire each external data from other various devices via a network.
  • the external data acquisition device 4 may acquire external data in real time and transmit it to the purchase prediction device 1 .
  • FIG. 6 is a diagram showing a table example of weather data. As shown in FIG. 6, in the weather data, the date and time and (information indicating) the weather at that date and time are associated with each other.
  • the weather data shown in FIG. 6 indicates, for example, weather data around the store.
  • weather forecast weather predicted weather is used instead of actual weather.
  • the purchase inventory management device 5 is a server device that acquires purchase number data relating to the number of purchases of store products by customers and inventory number data relating to the number of store product inventories and transmits them to the purchase prediction device 1 .
  • the purchase inventory management device 5 is, for example, a POS (Point of Sale) system.
  • the purchase inventory management device 5 may acquire purchase quantity data in real time and transmit it to the purchase prediction device 1 , or may acquire inventory quantity data in real time and transmit it to the purchase prediction device 1 .
  • FIG. 7 is a diagram showing an example of a table of purchase number data. As shown in FIG. 7, in the purchase number data, the date and time, the product ID, which is product identification information, and the number of sales of the product indicated by the product ID at the date and time are associated with each other.
  • the purchase number data shown in FIG. 7 indicates, for example, the purchase number data of a store.
  • the inventory quantity data is not shown, but for example, the time, the product ID, the expiration date of the product (for example, food) indicated by the product ID, and the inventory quantity of the product indicated by the product ID at the relevant time are associated with each other. ing.
  • the store manager device 6 is a server device that acquires customer referral condition data relating to customer referral conditions, which are conditions for referral of customers, and distribution information, which is information to be distributed to customers, and transmits the data to the purchase prediction device 1 .
  • the store manager device 6 is a device operated by a store manager. A store manager inputs customer referral condition data and distribution information to the purchase prediction device 1 .
  • Store manager device 6 may be implemented as a web application.
  • the customer referral condition data includes, for example, time, product ID, inventory quantity, predicted purchase quantity that is the purchase quantity predicted (by the prediction unit 13 described later), and the number of products indicated by the product ID.
  • the expiration date is associated with each other.
  • the distribution information is not shown, for example, the product ID and the product information (advertisement, etc.) indicated by the product ID are associated with each other.
  • the customer smartphone 7 is a smartphone carried by (one or more) customers of the store. In this embodiment, a plurality of customers are collectively referred to as customers, and a plurality of customer smartphones 7 are collectively referred to as customer smartphones 7 .
  • the customer smartphone 7 is equipped with a GPS and can measure its own position.
  • the customer smartphone 7 transmits location attribute information including location information of its own terminal and attribute information of the customer to the purchase prediction device 1 in order to determine check-in to the geofence.
  • the customer smartphone 7 receives the distribution information transmitted from the purchase prediction device 1 for referral and displays it on the customer smartphone 7. - ⁇
  • the position attribute information includes, for example, a customer ID that is identification information of the customer, the time, the position of the customer smartphone 7 at the time (latitude and longitude, etc.), and the sex of the customer indicated by the customer ID. , the age of the customer indicated by the customer ID and the place of residence of the customer indicated by the customer ID are associated with each other.
  • the purchase prediction device 1 Although the description has been made on the premise that the data necessary for the processing of (1) are prepared in advance, the present invention is not limited to this.
  • each of the population distribution data acquisition device 2, the mobile population data acquisition device 3, the external data acquisition device 4, the purchase inventory management device 5, the store manager device 6, and the customer smartphone 7 is related to a specific store, for example.
  • Data necessary for the processing of the purchase prediction device 1, such as sending raw data of all stores to the purchase prediction device 1 instead of the data to be purchased, and extracting data related to the store from the raw data on the purchase prediction device 1 side may be prepared.
  • FIG. 8 is a diagram showing an example of the functional configuration of the purchase prediction device 1 according to the embodiment.
  • the purchase prediction device 1 includes a storage unit 10 (storage unit), an acquisition unit 11 (acquisition unit), a learning unit 12, a prediction unit 13 (prediction unit), a customer referral unit 14 (guidance unit), a determination It includes a unit 15 (guidance unit) and a distribution unit 16 (guidance unit).
  • Each functional block of the purchase prediction device 1 is assumed to function within the purchase prediction device 1, but it is not limited to this.
  • part of the functional blocks of the purchase prediction device 1 is a computer device different from the purchase prediction device 1, and in a computer device connected to the purchase prediction device 1 via a network, information is sent and received to and from the purchase prediction device 1 as appropriate.
  • the customer referral unit 14 may be realized by a customer referral determination device that is a different device.
  • the determination unit 15 may be realized by a check-in determination device, which is a different device.
  • the distribution unit 16 may be realized by an information distribution device, which is a different device.
  • some functional blocks of the purchase prediction device 1 may be omitted, a plurality of functional blocks may be integrated into one functional block, or one functional block may be decomposed into a plurality of functional blocks. good.
  • the storage unit 10 stores arbitrary information used in calculations in the purchase prediction device 1, calculation results in the purchase prediction device 1, and the like.
  • the information stored by the storage unit 10 may be referred to by each function of the purchase prediction device 1 as appropriate.
  • the storage unit 10 stores a prediction coefficient (behavior probability) that is the probability that a person in a predetermined mesh (area) is involved in purchasing (behavior), and a moving mesh (destination area) and the average moving population ratio (moving probability), which is the probability of moving to another area.
  • An activity may be the purchase of a product or service at a store. In this embodiment, it is assumed that purchase is an example of behavior, but it is not limited to this. The details of the prediction coefficient and the average migration population ratio will be described later.
  • the acquisition unit 11 acquires information from another device or from its own device (purchase prediction device 1) via the network.
  • the acquisition unit 11 may cause the storage unit 10 to store the acquired information, or may output the information to another functional block.
  • the acquisition unit 11 acquires population distribution data on the population for each mesh (area) from the population distribution data acquisition device 2 or the like.
  • the population of the population distribution data may also be for each hour. That is, the acquisition unit 11 acquires population distribution data on the population for each time and mesh.
  • the population of the population distribution data may also be for each person's attribute. That is, the acquisition unit 11 may acquire population distribution data on population for each mesh and person's attribute, or may acquire population distribution data on population for each time, mesh and person's attribute.
  • the acquisition unit 11 may acquire the mobile population data from the mobile population data acquisition device 3 or the like.
  • the acquisition unit 11 may acquire weather data from the external data acquisition device 4 or the like.
  • the acquisition unit 11 may acquire purchase quantity data and inventory quantity data from the purchase inventory management device 5 or the like.
  • the acquisition unit 11 may acquire customer referral condition data and distribution information from the store manager device 6 or the like.
  • the acquisition unit 11 may acquire the position attribute information from the customer smartphone 7 or the like.
  • the learning unit 12 generates a prediction model for predicting future purchase numbers based on past data (population distribution data, purchase number data, external data) stored (accumulated) by the storage unit 10 .
  • the learning unit 12 causes the storage unit 10 to store the generated prediction model.
  • a prediction model is a combination of a computer program and parameters.
  • a prediction model is a combination of a neural network structure and a parameter (weighting coefficient) that is the strength of connection between neurons of the neural network.
  • a predictive model is a command to a computer that is combined to obtain a result (perform a predetermined process), that is, a computer program that causes the computer to function.
  • the learning unit 12 may generate a prediction model by performing learning based on learning data composed of a set of input data and correct value data. For example, the learning unit 12 acquires (input data including) population distribution data (related to the population distribution around the store) in the morning of an arbitrary day in the past and weather data (in the vicinity of the store) in the afternoon of that day, and Afternoon (store) purchase number data (including correct value data) and learning based on a set of learning data to generate a prediction model.
  • FIG. 9 is a diagram showing an example of learning data.
  • the learning data shown in FIG. 9 shows a set of population distribution data in the morning of January 1, weather data in the afternoon of the same day (January 1), and correct value data in the afternoon of the same day (January 1). (Actually, it is composed of multiple groups such as January 2nd, January 3rd, etc.).
  • the learning unit 12 performs learning based on the learning data shown in FIG. ) from the weather data, learn the relationship between the number of purchases (or purchase number data) in the afternoon (at the store) of the day.
  • the learning unit 12 performs learning based on the learning data shown in FIG. ) from the weather data, generate a prediction model that outputs the number of purchases (or purchase number data) for that afternoon (at the store). That is, the generated forecast model predicts future purchase numbers.
  • a prediction coefficient generated by learning by the learning unit 12 will be described.
  • the learning unit 12 learns, for example, the relationship between population distribution in the morning, weather in the afternoon, and number of purchases in the afternoon, and predictive coefficients are optimized for each product, time, and weather.
  • Predictive coefficients are an existing technique in machine learning.
  • prediction coefficients for example, refer to the site with the following URL that explains Elastic-Net in the open source machine learning library scikit-learn. https://www.tutorialspoint.com/scikit_learn/scikit_learn_elastic_net.htm
  • Decision tree algorithms can also calculate the degree of contribution to prediction for each feature value, so it can be expected to be used in the same way as prediction coefficients.
  • the prediction coefficient is not limited to these specific contents of the existing technology.
  • FIG. 10 is a diagram showing a table example (1) of population distribution data including prediction coefficients.
  • the prediction coefficients in the table example shown in FIG. 10 indicate the probability (degree) of people (population distribution) who contribute to the purchase of the product "product A" at the time “13:00" when the weather is "sunny". .
  • the first record in the example table in FIG. the probability of purchasing the product "product A" at the time “13:00” (on the same day) when the weather is "sunny" is "0.05" (5%).
  • FIG. 11 is a diagram showing a table example (2) of population distribution data including prediction coefficients.
  • the difference from the table example shown in FIG. 10 is that the weather is "cloudy” instead of “sunny”, and accordingly the prediction coefficients are also different.
  • the learning unit 12 causes the storage unit 10 to store the prediction coefficients (or population distribution data including the prediction coefficients) generated by learning.
  • the prediction unit 13 predicts the (future) number of purchases at the store based on the prediction model stored by the storage unit 10 . More specifically, the prediction unit 13 provides the prediction model with population distribution data (about the population distribution around the store) in the morning of an arbitrary day (for example, today) and weather (around the store) in the afternoon of that day. By applying the data, the number of purchases (or purchase number data) in the afternoon (at the store) output by the prediction model is obtained and used as a prediction result. The prediction unit 13 causes the storage unit 10 to store the predicted number of purchases (or purchase number data).
  • FIG. 12 is a diagram showing an example of the number of purchases predicted by a prediction model.
  • the population distribution data about the population distribution around the store
  • the weather data forecast
  • FIG. 12 shows the scene where the purchase number data (of the store) for the afternoon of the day is being predicted.
  • the prediction unit 13 calculates a purchase probability (for each afternoon time, mesh, gender, age group, and place of residence) based on the prediction coefficients stored by the storage unit 10 and the moving population data acquired by the acquisition unit 11. do. A specific calculation method will be described below.
  • the prediction unit 13 calculates the average migration population ratio based on the migration population data acquired by the acquisition unit 11 .
  • the average moving population ratio is a ratio (probability) indicating where the probability of moving from each mesh is typically high.
  • the prediction unit 13 may calculate the average movement of population from an arbitrary mesh in the morning to an arbitrary mesh in the afternoon based on the moving population data.
  • the prediction unit 13 calculates the data obtained by summing the moving population data (date, time, mesh, moving time, moving mesh, sex, age, place of residence, moving population) with respect to time as an average moving population.
  • the average moving population ratio is calculated by dividing the total number of the average moving population (“1000” in the table example shown in FIG.
  • FIG. 13 is a diagram showing an example of a table of moving population data including average moving population and average moving population ratio.
  • the prediction unit 13 causes the storage unit 10 to store the calculated mobile population ratio.
  • the prediction unit 13 predicts purchases for each destination mesh based on the population distribution data acquired by the acquisition unit 11 and the prediction coefficient (behavior probability) and the average moving population ratio (movement probability) stored by the storage unit 10. Predict the population involved in (behavior).
  • the prediction coefficient may be the probability that a person in a given mesh at a given time will be involved in purchasing (behavior).
  • the average moving population ratio may be the probability that a person in a given mesh at a given time will move to a destination mesh.
  • the prediction coefficient may be the probability for each attribute of a person.
  • the average moving population ratio may be a probability for each attribute of a person.
  • the prediction unit 13 may predict the population involved in purchasing (behavior) for each destination mesh and person's attribute.
  • the prediction coefficient may be the probability for each weather.
  • the prediction unit 13 may make predictions further based on the weather data acquired by the acquisition unit 11 .
  • the prediction unit 13 may further predict the probability that a person will be involved in purchasing (behavior) based on the predicted population involved in purchasing (behavior).
  • FIG. 14 is a diagram showing an example of a table of population distribution data used for calculating purchase probability.
  • the table example shown in FIG. 14 is a table in which weather (forecast) for the afternoon of the day is incorporated into (real-time) population distribution data for the morning.
  • the prediction unit 13 associates the model of the example table shown in FIG. 10 that matches the morning time and the afternoon weather of the example table shown in FIG. is multiplied by the prediction coefficient for each morning time/mesh/attribute in the table example shown in FIG. 10, the purchasing population for each morning time/attribute is calculated.
  • the prediction unit 13 calculates the average movement of the table example shown in FIG. Calculate the afternoon purchasing population by multiplying the population ratio and summing each afternoon time (time after movement), destination mesh, and attributes.
  • the prediction unit 13 causes the storage unit 10 to store the calculated purchasing population.
  • FIG. 15 is a diagram showing a table example of purchasing population data.
  • the purchasing population data includes the time of travel, the moving mesh, the gender of the person who traveled, the age of the person who traveled, the place of residence of the person who traveled, and the purchasing population calculated by the prediction unit 13. are associated with each other.
  • the prediction unit 13 calculates the purchase probability by dividing the calculated purchasing population for each afternoon time, destination mesh, and attribute by the total value of the purchasing population for each hour. That is, the prediction unit 13 converts the purchase population into a ratio and obtains purchase probabilities for each travel time, travel mesh, sex, age group, and place of residence. The prediction unit 13 causes the storage unit 10 to store the calculated purchase probability.
  • FIG. 16 is a diagram showing an example of a table of purchasing population data including purchasing probabilities. As shown in FIG. 16, predicted purchase probabilities, which are purchase probabilities calculated by the prediction unit 13, are also associated.
  • the customer referral department 14 judges customer referrals based on pre-registered customer referral conditions using the purchase quantity forecast value and inventory quantity for each product and time. For example, the customer referral unit 14 associates inventory quantity data acquired from the purchase inventory management device 5, customer referral condition data acquired from the store manager device 6, (time, product ID, and number of purchases) with each other. (at least one or more of) predicted value of number of purchases, predicted value of purchase probability (associating time, product ID, gender, age, place of residence, location, and purchase probability with each other) Customer referrals may be determined based on For example, the customer referral unit 14 determines to refer customers when the difference between the inventory quantity of the product A whose expiration date is that day and the predicted purchase quantity is "100" at "18:00".
  • the customer referral unit 14 uses the purchase probability prediction value to select a target with a high purchase probability (gender, age, place of residence, location, etc.) for each time and product.
  • the customer referral unit 14 outputs the selection result to the determination unit 15 as customer referral target information.
  • customer referral target information for example, the time, the product ID, the sex of the target, the age of the target, the place of residence of the target, and the position of the target are associated with each other.
  • the determination unit 15 registers a geofence based on the customer referral target information input from the customer referral unit 14 and determines check-in.
  • the determination unit 15 transmits geofence registration information to the customer smartphone 7 when registering the geofence.
  • geofence registration information for example, time, geofence setting period, target sex, target age, target residence, target position, and geofence range are associated with each other.
  • the determination unit 15 After registering the geofence, the determination unit 15 acquires the location attribute information from the customer smartphone 7 based on the geofence registration information, and checks in whether or not the user has checked in to the geofence based on the acquired location attribute information. make a judgment. The determination unit 15 outputs the determination result of the check-in determination to the distribution unit 16 as check-in determination information.
  • the check-in determination information for example, the customer ID, which is the identification information of the customer who checked in, and the product ID included in the customer referral target information are associated with each other.
  • the distribution unit 16 transmits customer distribution information to the customer smartphone 7 based on the check-in determination information input from the determination unit 15 and the distribution information acquired from the store manager device 6.
  • the customer distribution information for example, the customer ID included in the check-in determination information and the product information (advertisement, etc.) included in the distribution information are associated with each other.
  • the customer browses the product information acquired and displayed by the customer smartphone 7, and if he/she likes it, goes to the corresponding store.
  • FIG. 17 is a diagram showing an example of customer referrals.
  • the determination unit 15 determines that, in the moving mesh “mesh C” (destination area), moving time “13:00” (may be between “13:00 to 13:59”), gender “female”, A geofence (geofence of a concentric circle (radius of 250 m) centered on mesh C) is registered for a customer whose age is "40's” and whose place of residence is "Kanagawa Prefecture".
  • the customer referral unit 14, the determination unit 15, and the distribution unit 16 guide people based on the prediction result of the prediction unit 13. More specifically, the customer referral unit 14, the determination unit 15, and the distribution unit 16 set geofences for segments with high purchase probabilities for each time period, and encourage customer referrals by distributing information.
  • the customer transfer unit 14, the determination unit 15, and the distribution unit 16 may guide the person in the destination mesh. Guidance may be customer referral to a store.
  • FIG. 18 is a flowchart (part 1) showing an example of processing executed by the purchase prediction system 8.
  • FIG. 19 is a flowchart (part 2) showing an example of processing executed by the purchase prediction system 8.
  • the flowcharts of FIGS. 18 and 19 may be continuous. That is, following the last process (S10) in FIG. 18, the first process (S11) in FIG. 19 may be performed.
  • the population distribution data acquisition device 2 transmits population distribution data to the purchase prediction device 1 (step S1).
  • the storage unit 10 of the purchase prediction device 1 stores the population distribution data transmitted in S1 (step S2).
  • the mobile population data acquisition device 3 transmits the mobile population data to the purchase prediction device 1 (step S3).
  • the storage unit 10 of the purchase prediction device 1 stores the moving population data transmitted in S3 (step S4).
  • the external data acquisition device 4 transmits the external data to the purchase prediction device 1 (step S5).
  • the storage unit 10 of the purchase prediction device 1 stores the external data transmitted in S5 (step S6).
  • the purchase inventory management device 5 transmits the purchase number data to the purchase prediction device 1 (step S7).
  • the learning unit 12 of the purchase prediction device 1 generates a prediction model (step S8).
  • the prediction unit 13 of the purchase prediction device 1 predicts the number of purchases (step S9).
  • the prediction unit 13 of the purchase prediction device 1 calculates the purchase probability (step S10).
  • S1, S3, S5, and S7 may be arbitrary, each may be executed multiple times, or each may be periodically and repeatedly executed.
  • S2 may be executed at any point after S1 and before S8.
  • S4 may be executed at any point after S3 and before S10.
  • S6 may be executed at any point after S5 and before S8.
  • the order of S9 and S10 may be reversed.
  • the store manager device 6 transmits transmission conditions to the purchase prediction device 1 (step S11).
  • the purchase inventory management device 5 transmits inventory quantity information to the purchase prediction device 1 (step S12).
  • the customer referral unit 14 of the purchase prediction device 1 determines customer referral (step S13). Assume that it is determined in S13 that the customer is sent.
  • the customer referral unit 14 of the purchase prediction device 1 selects a target with a high purchase probability (step S14).
  • the determination unit 15 of the purchase prediction device 1 performs biofence registration for the customer smartphone 7 (step S15).
  • the customer smartphone 7 transmits the position attribute information to the purchase prediction device 1 (step S16).
  • the determination unit 15 of the purchase prediction device 1 performs check-in determination (step S17).
  • store manager device 6 transmits distribution information to purchase prediction device 1 (step S18).
  • the distribution unit 16 of the purchase prediction device 1 transmits customer distribution information to the customer smartphone 7 (step S19).
  • S11 and S12 may be reversed.
  • S18 may be executed at any time before S19.
  • FIG. 20 is a flowchart showing an example of processing executed by the purchase prediction device 1 according to the embodiment.
  • the storage unit 10 stores the prediction coefficient and the average moving population ratio (step S30, storage step).
  • the acquisition unit 11 acquires population distribution data (step S31, acquisition step).
  • the prediction unit 13 predicts the purchasing population for each moving mesh based on the population distribution data obtained in S31 and the prediction coefficient and average moving population ratio stored in S30 (step S32).
  • the storage unit 10 stores a prediction coefficient (behavior probability), which is the probability that a person in a predetermined mesh (area) is involved in purchasing (behavior), and the average moving population ratio (moving probability), which is the probability of moving to the destination mesh, which is a mesh, are stored, the acquisition unit 11 acquires population distribution data regarding the population for each mesh, the prediction unit 13, the acquisition unit 11 Based on the population distribution data acquired by the storage unit 10 and the prediction coefficients and the average moving population ratio stored by the storage unit 10, the population involved in purchasing for each destination mesh is predicted. With this configuration, based on the population distribution data, the behavior probability, and the movement probability, the population involved in the behavior of each destination mesh is predicted. That is, it is possible to predict the population involved in behavior in the destination mesh.
  • a prediction coefficient which is the probability that a person in a predetermined mesh (area) is involved in purchasing
  • moving probability the average moving population ratio
  • the prediction coefficient is the probability that a person who is in a predetermined mesh at a predetermined time is involved in a purchase
  • the average moving population ratio is the probability that a person who is in a predetermined mesh at a predetermined time is a destination mesh.
  • the population of the population distribution data may be for each hour.
  • the prediction coefficient is the probability for each human attribute
  • the average moving population ratio is the probability for each human attribute
  • the population of the population distribution data is further for each human attribute.
  • the prediction unit 13 may predict the population related to purchase for each destination mesh and person's attribute. With this configuration, it is possible to predict the population related to purchasing for each destination mesh and each person's attribute. That is, more accurate prediction can be made, and the usefulness of prediction results is enhanced.
  • the prediction coefficient is a probability for each weather
  • the acquisition unit 11 further acquires weather data related to the weather
  • the prediction unit 13 further acquires weather data based on the weather data acquired by the acquisition unit 11. can be predicted.
  • the prediction unit 13 may further predict the probability that a person will be involved in purchasing based on the predicted population involved in purchasing. With this configuration, it is possible to predict the probability that a person will be involved in purchasing, increasing the usefulness of the prediction result.
  • the purchase prediction device 1 may further include a customer transfer section 14, a determination section 15, and a delivery section 16 that guide people based on the prediction results of the prediction section 13. With this configuration, it is possible to appropriately guide a person based on the prediction result.
  • the customer referral unit 14, the determination unit 15, and the distribution unit 16 may guide people in the destination mesh. With this configuration, the person in the destination mesh can be guided, so that the person can be guided more reliably.
  • the purchase may be the purchase of a product or service at a store, and the guidance may be sending customers to the store.
  • the purchase may be the purchase of a product or service at a store, and the guidance may be sending customers to the store.
  • food loss can be reduced by, for example, sending customers to a store that has a large inventory of foods whose expiration date is approaching.
  • the purchase prediction device 1 can automatically send customers to stores.
  • each functional block may be implemented using one device that is physically or logically coupled, or directly or indirectly using two or more devices that are physically or logically separated (e.g. , wired, wireless, etc.) and may be implemented using these multiple devices.
  • a functional block may be implemented by combining software in the one device or the plurality of devices.
  • Functions include judging, determining, determining, calculating, calculating, processing, deriving, investigating, searching, checking, receiving, transmitting, outputting, accessing, resolving, selecting, choosing, establishing, comparing, assuming, expecting, assuming, Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc. can't
  • a functional block (component) that performs transmission is called a transmitting unit or transmitter.
  • the implementation method is not particularly limited.
  • the purchase prediction device 1 may function as a computer that processes the purchase prediction method of the present disclosure.
  • FIG. 21 is a diagram showing an example of a hardware configuration of purchase prediction device 1 according to an embodiment of the present disclosure.
  • the purchase prediction device 1 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the term “apparatus” can be read as a circuit, device, unit, or the like.
  • the hardware configuration of the purchase prediction device 1 may be configured to include one or more of each device shown in the figure, or may be configured without including some of the devices.
  • Each function in the purchase prediction device 1 is performed by causing the processor 1001 to perform calculations, controlling communication by the communication device 1004, and performing memory It is realized by controlling at least one of data reading and writing in 1002 and storage 1003 .
  • the processor 1001 operates an operating system and controls the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the acquisition unit 11, the learning unit 12, the prediction unit 13, the customer referral unit 14, the determination unit 15, the delivery unit 16, and the like described above may be realized by the processor 1001.
  • FIG. 1 the processor 1001.
  • the processor 1001 reads programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • the program a program that causes a computer to execute at least part of the operations described in the above embodiments is used.
  • the acquisition unit 11, the learning unit 12, the prediction unit 13, the customer referral unit 14, the determination unit 15, and the distribution unit 16 may be stored in the memory 1002 and implemented by a control program that operates on the processor 1001.
  • Functional blocks may be similarly implemented.
  • FIG. Processor 1001 may be implemented by one or more chips.
  • the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (for example, a compact disk, a digital versatile disk, a Blu-ray disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server, or other suitable medium including at least one of memory 1002 and storage 1003 .
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called a network device, a network controller, a network card, a communication module, or the like.
  • the communication device 1004 includes a high-frequency switch, a duplexer, a filter, a frequency synthesizer, etc., in order to realize at least one of, for example, frequency division duplex (FDD) and time division duplex (TDD).
  • FDD frequency division duplex
  • TDD time division duplex
  • the acquisition unit 11 , the learning unit 12 , the prediction unit 13 , the customer referral unit 14 , the determination unit 15 , the delivery unit 16 and the like described above may be implemented by the communication device 1004 .
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (for example, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured using a single bus, or may be configured using different buses between devices.
  • the purchase prediction device 1 includes hardware such as a microprocessor, a digital signal processor (DSP), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). , and part or all of each functional block may be implemented by the hardware.
  • processor 1001 may be implemented using at least one of these pieces of hardware.
  • Each aspect/embodiment described in the present disclosure includes LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G (4th generation mobile communication system), 5G (5th generation mobile communication system) system), FRA (Future Radio Access), NR (new Radio), W-CDMA (registered trademark), GSM (registered trademark), CDMA2000, UMB (Ultra Mobile Broadband), IEEE 802.11 (Wi-Fi (registered trademark) )), IEEE 802.16 (WiMAX (registered trademark)), IEEE 802.20, UWB (Ultra-WideBand), Bluetooth (registered trademark), and other suitable systems and extended It may be applied to at least one of the next generation systems. Also, a plurality of systems may be applied in combination (for example, a combination of at least one of LTE and LTE-A and 5G, etc.).
  • Information and the like can be output from a higher layer (or a lower layer) to a lower layer (or a higher layer). It may be input and output via multiple network nodes.
  • Input/output information may be stored in a specific location (for example, memory) or managed using a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • the determination may be made by a value represented by one bit (0 or 1), by a true/false value (Boolean: true or false), or by numerical comparison (for example, a predetermined value).
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Software whether referred to as software, firmware, middleware, microcode, hardware description language or otherwise, includes instructions, instruction sets, code, code segments, program code, programs, subprograms, and software modules. , applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, and the like.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • the software uses at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.) and wireless technology (infrared, microwave, etc.) to website, Wired and/or wireless technologies are included within the definition of transmission medium when sent from a server or other remote source.
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.
  • wireless technology infrared, microwave, etc.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may refer to voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. may be represented by a combination of
  • system and “network” used in this disclosure are used interchangeably.
  • information, parameters, etc. described in the present disclosure may be expressed using absolute values, may be expressed using relative values from a predetermined value, or may be expressed using other corresponding information. may be represented.
  • determining and “determining” used in this disclosure may encompass a wide variety of actions.
  • “Judgement” and “determination” are, for example, judging, calculating, computing, processing, deriving, investigating, looking up, search, inquiry (eg, lookup in a table, database, or other data structure), ascertaining as “judged” or “determined”, and the like.
  • "judgment” and “decision” are used for receiving (e.g., receiving information), transmitting (e.g., transmitting information), input, output, access (accessing) (for example, accessing data in memory) may include deeming that something has been "determined” or “decided”.
  • judgment and “decision” are considered to be “judgment” and “decision” by resolving, selecting, choosing, establishing, comparing, etc. can contain.
  • judgment and “decision” may include considering that some action is “judgment” and “decision”.
  • judgment (decision) may be read as “assuming”, “expecting”, “considering”, or the like.
  • connection means any direct or indirect connection or connection between two or more elements, It can include the presence of one or more intermediate elements between two elements being “connected” or “coupled.” Couplings or connections between elements may be physical, logical, or a combination thereof. For example, “connection” may be read as "access”.
  • two elements are defined using at least one of one or more wires, cables, and printed electrical connections and, as some non-limiting and non-exhaustive examples, in the radio frequency domain. , electromagnetic energy having wavelengths in the microwave and optical (both visible and invisible) regions, and the like.
  • any reference to elements using the "first,” “second,” etc. designations used in this disclosure does not generally limit the quantity or order of those elements. These designations may be used in this disclosure as a convenient method of distinguishing between two or more elements. Thus, reference to a first and second element does not imply that only two elements can be employed or that the first element must precede the second element in any way.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean that "A and B are different from C”.
  • Terms such as “separate,” “coupled,” etc. may also be interpreted in the same manner as “different.”

Landscapes

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

Abstract

移動先エリアでの行動に関わる人口を予測することを課題とする。購買予測装置１は、所定のエリアにいる人が購買に関わる確率である予測係数と、所定のエリアにいる人が移動先のエリアである移動先エリアに移動する確率である平均移動人口比率とを格納する格納部１０と、エリア毎の人口に関する人口分布データを取得する取得部１１と、取得部１１によって取得された人口分布データと、格納部１０によって格納された予測係数及び平均移動人口比率とに基づいて、移動先エリア毎の購買に関わる人口を予測する予測部１３と、を備える。予測係数は、所定の時刻に所定のエリアにいる人が購買に関わる確率であり、平均移動人口比率は、所定の時刻に所定のエリアにいる人が移動先エリアに移動する確率であり、人口分布データの人口は、さらに時刻毎であってもよい。

Description

行動予測装置
　本開示の一側面は、行動に関わる人口を予測する行動予測装置に関する。
　下記特許文献１では、コーザル情報に基づいて来客数予測から商品別の販売数予測を行う小売店舗管理システムが開示されている。
特開２００２－２４３５０号公報
　上記小売店舗管理システムでは、人の移動先のエリアである移動先エリアにいる人のうち、商品を購入する人の数を予測することはできない。そこで、移動先エリアでの行動（例えば、商品の購入）に関わる人口を予測することが望まれている。
　本開示の一側面に係る行動予測装置は、所定のエリアにいる人が行動に関わる確率である行動確率と、所定のエリアにいる人が移動先のエリアである移動先エリアに移動する確率である移動確率とを格納する格納部と、エリア毎の人口に関する人口分布データを取得する取得部と、取得部によって取得された人口分布データと、格納部によって格納された行動確率及び移動確率とに基づいて、移動先エリア毎の行動に関わる人口を予測する予測部と、を備える。
　このような側面においては、人口分布データと行動確率及び移動確率とに基づいて、移動先エリア毎の行動に関わる人口が予測される。すなわち、移動先エリアでの行動に関わる人口を予測することができる。
　本開示の一側面によれば、移動先エリアでの行動に関わる人口を予測することができる。
実施形態に係る購買予測装置の利用イメージを示す概要図である。 実施形態に係る購買予測装置の効果の一例を示す概要図である。 実施形態に係る購買予測装置を含む購買予測システムのシステム構成の一例を示す図である。 人口分布データのテーブル例を示す図である。 移動人口データのテーブル例を示す図である。 天候データのテーブル例を示す図である。 購買数データのテーブル例を示す図である。 実施形態に係る購買予測装置の機能構成の一例を示す図である。 学習データの一例を示す図である。 予測係数を含む人口分布データのテーブル例（その１）を示す図である。 予測係数を含む人口分布データのテーブル例（その２）を示す図である。 予測モデルによる購買数の予測の一例を示す図である。 平均移動人口及び平均移動人口比率を含む移動人口データのテーブル例を示す図である。 購買確率の算出に用いる人口分布データのテーブル例を示す図である。 購買人口データのテーブル例を示す図である。 購買確率を含む購買人口データのテーブル例を示す図である。 送客の一例を示す図である。 購買予測システムが実行する処理の一例を示すフローチャート（その１）である。 購買予測システムが実行する処理の一例を示すフローチャート（その２）である。 実施形態に係る購買予測装置が実行する処理の一例を示すフローチャートである。 実施形態に係る購買予測装置で用いられるコンピュータのハードウェア構成の一例を示す図である。
　以下、図面を参照しながら本開示での実施形態を詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。また、以下の説明における本開示での実施形態は、本発明の具体例であり、特に本発明を限定する旨の記載がない限り、これらの実施形態に限定されないものとする。
　図１は、実施形態に係る購買予測装置１（行動予測装置）の利用イメージを示す概要図（その１）である。購買予測装置１は、店舗（小売店）の製品（例えば食品）又はサービスについて、顧客の購買数を予測すると共に、顧客のうち購買確率の高いセグメント（性別、年代、居住地）を抽出し、予測した購買数及び抽出した顧客セグメントに基づいて、顧客に店舗への来店及び製品又はサービスの購買を促すサーバ装置である。
　以降、本実施形態では「製品又はサービス」を「製品」と総称する。また、本実施形態では、説明の便宜上、任意の店舗ではなく、特定の（既に決まった１つの）店舗（本実施形態では単に「店舗」と記す）に関する処理について説明する。例えば、店舗の識別情報である店舗ＩＤを処理の際に適宜利用することで、任意の店舗に関する処理に拡張可能である。
　図１に示す通り、購買予測装置１は、当日の人口分布と、当日の天候と、人の移動の統計である移動人口統計とに基づいて、顧客の購買数を予測する。続いて、購買予測装置１は、購買確率が高い層を抽出する。より具体的には、購買予測装置１は、予測に用いた未来の購買数と相関の高いメッシュ（エリア）・セグメントを抽出（ピックアップ）する。例えば「１６：００、メッシュ番号○○、女性、４０代」が抽出されたとする。続いて、購買予測装置１は、予測された購買数に基づいて送客するか否かを判断する。より具体的には、予め店舗の管理者（責任者）が設定していた送客条件に基づき、送客するか否かを自動判定する。送客すると判定された場合、相関が高いメッシュ周辺・セグメントにジオフェンスを設定する（張る）。設定したジオフェンスに顧客がチェックインすると、購買予測装置１は当該顧客に情報配信を行い、当該顧客を店舗に送客する。例えば、１６：００にメッシュ番号○○周辺に入ってきた４０代女性にクーポン配信し、来客及び購買を促す。
　図２は、実施形態に係る購買予測装置１の効果の一例を示す概要図である。図２の左は、１３：００時点での顧客の購買量と店舗の在庫（の量）とを示すグラフである。図２の右上は、購買予測装置１が送客した場合の（当日）２０：００時点での購買量と在庫とを示すグラフである。当該グラフのように、購買予測装置１による送客効果で購買量が増えたことで、在庫が減っている。製品が食品である場合、在庫が減った分、食品ロスを削減することができる。一方、図２の右下は、購買予測装置１が送客しない場合の（当日）２０：００時点での購買量と在庫とを示すグラフである。当該グラフのように、送客効果がないため、購買量は増えず、在庫（食品ロス）が発生する。
　一般的に、国内事業者（飲食店、スーパーなど）の食品ロス量は約３５２万トンで、機会損失となっている。廃棄した食品はゴミ処理場で焼却されるため、食品ロスが多いと二酸化炭素排出量の増加に繋がるという課題がある。例えば、購買予測装置１によれば、食品ロスの確率が高い日に送客を行うことで食品ロスを削減することができる。
　図３は、実施形態に係る購買予測装置１を含む購買予測システム８のシステム構成の一例を示す図である。図１に示す通り、購買予測システム８は、購買予測装置１、人口分布データ取得装置２、移動人口データ取得装置３、外部データ取得装置４、購買在庫管理装置５、店舗管理者装置６、及び、顧客スマホ７を含んで構成される。購買予測装置１と、人口分布データ取得装置２、移動人口データ取得装置３、外部データ取得装置４、購買在庫管理装置５、店舗管理者装置６、及び、顧客スマホ７それぞれとは、インターネットなどのネットワークによって互いに通信接続され、互いに情報を送受信可能である。
　人口分布データ取得装置２は、店舗の周辺（近辺、周囲、近傍、周り、近隣、あたり、所定の距離以内）の人口分布に関する人口分布データを取得し、購買予測装置１に送信するサーバ装置である。当該店舗に関する情報などは、人口分布データ取得装置２に予め格納されていてもよいし、購買予測装置１から予め送信されて取得していてもよい。人口分布データ取得装置２に限らず、本実施形態において対象とする店舗に関する情報などは、各種装置に予め格納されていてもよいし、購買予測装置１などから予め送信されて取得していてもよい。
　図４は、人口分布データのテーブル例を示す図である。図４に示す通り、人口分布データでは、日時と、位置、範囲又はエリアを示すメッシュと、人の性別と、人の年代と、人の居住地と、当該日時の当該メッシュに存在する、当該性別、当該年代及び当該居住地の人の数である人口とが互いに対応付いている。図４に示す人口分布データは、例えば、店舗の周辺の人口分布データを示す。その場合、図４に示すメッシュＸ及びメッシュＹの周辺（メッシュＸ内又はメッシュＹ内を含む）に店舗が位置している。
　人口分布データ取得装置２は、人口分布データを、各人が携帯する移動体通信が可能な移動体端末であって、ＧＰＳ（Global　Positioning　System）により自端末の位置を測定可能な移動体端末から収集した端末情報に基づいて取得してもよい。端末情報の収集において、例えば株式会社ＮＴＴドコモが提供するモバイル空間統計（登録商標）などの既存技術を用いる。人口分布データ取得装置２は、リアルタイムに人口分布データを取得して購買予測装置１に送信してもよい。
　移動人口データ取得装置３は、移動人口統計に関する移動人口データを取得し、購買予測装置１に送信するサーバ装置である。移動人口データ取得装置３は、例えば、人口分布データ取得装置２が取得した人口分布データに基づいて移動人口データを取得してもよい。詳細は後述するが、移動人口データは、人の移動元のメッシュである移動元メッシュ（単に「メッシュ」と記す場合がある）と、人の移動先のメッシュである移動先メッシュ（「移動メッシュ」と記す場合がある）とを含む。移動人口データ取得装置３は、移動元メッシュが店舗の周辺である移動人口データを取得し、購買予測装置１に送信する。購買予測装置１は、月に一度、移動人口データを取得して購買予測装置１に送信してもよい。
　図５は、移動人口データのテーブル例を示す図である。図５に示す通り、移動人口データでは、人が移動を開始した日付と、人が移動を開始した時刻と、人が移動した際の移動元のメッシュと、人が移動先のメッシュである移動メッシュに到達した時刻である移動時刻と、移動メッシュと、人の性別と、人の年代と、人の居住地と、当該日付及び当該時刻に当該メッシュから移動を開始して、当該移動時刻に当該移動メッシュに到達した、当該性別、当該年代及び当該居住地の人の数である移動人口とが互いに対応付いている。図５に示す移動人口データは、例えば、店舗の周辺の移動人口データを示す。その場合、図５に示すメッシュＸ及びメッシュＹの周辺（メッシュＸ内又はメッシュＹ内を含む）に店舗が位置している。移動人口データは、予測に入れるメッシュ（店舗周辺の所定範囲内）を移動元として、人がどこのメッシュに行くのかという観点で利用する。
　外部データ取得装置４は、外部の装置などから取得したデータである外部データを取得し、購買予測装置１に送信するサーバ装置である。外部データは、店舗の周辺の天候に関する天候データを含む。外部データ取得装置４は、例えば、他の各種装置からネットワークを介して各外部データを取得してもよい。外部データ取得装置４は、リアルタイムに外部データを取得して購買予測装置１に送信してもよい。
　図６は、天候データのテーブル例を示す図である。図６に示す通り、天候データでは、日時と、当該日時の天気（を示す情報）とが互いに対応付いている。図６に示す天候データは、例えば、店舗の周辺の天候データを示す。天候データが、未来の天気に関するデータである場合、天気として、実際の天気ではなく、天気予報の天気（予測された天気）を用いる。
　購買在庫管理装置５は、店舗の製品の顧客による購買数に関する購買数データと、店舗の製品の在庫数に関する在庫数データを取得し、購買予測装置１に送信するサーバ装置である。購買在庫管理装置５は、例えばＰＯＳ（Point　of　Sale）システムである。購買在庫管理装置５は、リアルタイムに購買数データを取得して購買予測装置１に送信してもよいし、リアルタイムに在庫数データを取得して購買予測装置１に送信してもよい。
　図７は、購買数データのテーブル例を示す図である。図７に示す通り、購買数データでは、日時と、製品の識別情報である製品ＩＤと、当該日時の当該製品ＩＤが示す製品の販売数とが互いに対応付いている。図７に示す購買数データは、例えば、店舗の購買数データを示す。
　在庫数データは、図示しないが、例えば、時刻と、製品ＩＤと、当該製品ＩＤが示す製品（例えば食品）の消費期限と、当該時刻における当該製品ＩＤが示す製品の在庫数とが互いに対応付いている。
　店舗管理者装置６は、顧客を送客する条件である送客条件に関する送客条件データと、顧客に配信する情報である配信情報とを取得し、購買予測装置１に送信するサーバ装置である。店舗管理者装置６は、店舗の管理者が操作する装置である。店舗の管理者が、購買予測装置１に対して送客条件データ及び配信情報を入力する。店舗管理者装置６は、Ｗｅｂアプリケーションとして実現されてもよい。
　送客条件データは、図示しないが、例えば、時刻と、製品ＩＤと、在庫数と、（後述の予測部１３によって）予測された購買数である予測購買数と、当該製品ＩＤが示す製品の消費期限とが互いに対応付いている。
　配信情報は、図示しないが、例えば、製品ＩＤと、当該製品ＩＤが示す製品の情報（広告など）とが互いに対応付いている。
　顧客スマホ７は、店舗の（１人以上の）顧客が携帯するスマートフォンである。本実施形態では、複数の顧客を総称して顧客と記し、複数の顧客スマホ７を総称して顧客スマホ７と記す。顧客スマホ７は、ＧＰＳを備え、自端末の位置を測定可能である。顧客スマホ７は、ジオフェンスへのチェックインを判定するため、自端末の位置情報及び顧客の属性情報などを含む位置属性情報を購買予測装置１に送信する。顧客スマホ７は、送客のために購買予測装置１から送信された配信情報を受信して、顧客スマホ７に表示する。
　位置属性情報は、図示しないが、例えば、顧客の識別情報である顧客ＩＤと、時刻と、当該時刻での顧客スマホ７の位置（緯度及び経度など）と、当該顧客ＩＤが示す顧客の性別と、当該顧客ＩＤが示す顧客の年代と、当該顧客ＩＤが示す顧客の居住地とが互いに対応付いている。
　上記説明では、人口分布データ取得装置２、移動人口データ取得装置３、外部データ取得装置４、購買在庫管理装置５、店舗管理者装置６及び顧客スマホ７のそれぞれの装置側で、購買予測装置１の処理で必要なデータが予め準備されている前提で説明したが、これに限るものではない。例えば、人口分布データ取得装置２、移動人口データ取得装置３、外部データ取得装置４、購買在庫管理装置５、店舗管理者装置６及び顧客スマホ７のそれぞれの装置は、例えば、特定の店舗に関連するデータではなく全店舗の生データを購買予測装置１に送信し、購買予測装置１側にて、生データから店舗に関連するデータを抽出するなど、当該購買予測装置１の処理で必要なデータを準備してもよい。
　図８は、実施形態に係る購買予測装置１の機能構成の一例を示す図である。図８に示す通り、購買予測装置１は、格納部１０（格納部）、取得部１１（取得部）、学習部１２、予測部１３（予測部）、送客部１４（誘導部）、判定部１５（誘導部）、及び、配信部１６（誘導部）を含んで構成される。
　購買予測装置１の各機能ブロックは、購買予測装置１内にて機能することを想定しているが、これに限るものではない。例えば、購買予測装置１の機能ブロックの一部は、購買予測装置１とは異なるコンピュータ装置であって、購買予測装置１とネットワーク接続されたコンピュータ装置内において、購買予測装置１と情報を適宜送受信しつつ機能してもよい。例えば、送客部１４は、異なる装置である送客判断装置で実現されてもよい。判定部１５は、異なる装置であるチェックイン判定装置で実現されてもよい。配信部１６は、異なる装置である情報配信装置で実現されてもよい。また、購買予測装置１の一部の機能ブロックは無くてもよいし、複数の機能ブロックを一つの機能ブロックに統合してもよいし、一つの機能ブロックを複数の機能ブロックに分解してもよい。
　以下、図８に示す購買予測装置１の各機能について説明する。
　格納部１０は、購買予測装置１における算出などで利用される任意の情報及び購買予測装置１における算出の結果などを格納する。格納部１０によって格納された情報は、購買予測装置１の各機能によって適宜参照されてもよい。
　格納部１０は、所定のメッシュ（エリア）にいる人が購買（行動）に関わる確率である予測係数（行動確率）と、所定のメッシュにいる人が移動先のメッシュである移動メッシュ（移動先エリア）に移動する確率である平均移動人口比率（移動確率）とを格納する。行動は、店舗での製品又はサービスの購買であってもよい。本実施形態では、行動の一例である購買を前提としているが、これに限るものではない。予測係数及び平均移動人口比率の詳細は後述する。
　取得部１１は、ネットワークを介した他の装置又は自装置（購買予測装置１）から情報を取得する。取得部１１は、取得した情報を格納部１０によって格納させてもよいし、他の機能ブロックに出力してもよい。
　取得部１１は、人口分布データ取得装置２などから、メッシュ（エリア）毎の人口に関する人口分布データを取得する。人口分布データの人口は、さらに時刻毎であってもよい。すなわち、取得部１１は、時刻及びメッシュ毎の人口に関する人口分布データを取得する。人口分布データの人口は、さらに人の属性毎であってもよい。すなわち、取得部１１は、メッシュ及び人の属性毎の人口に関する人口分布データを取得してもよいし、時刻、メッシュ及び人の属性毎の人口に関する人口分布データを取得してもよい。
　取得部１１は、移動人口データ取得装置３などから、移動人口データを取得してもよい。取得部１１は、外部データ取得装置４などから、天候データを取得してもよい。取得部１１は、購買在庫管理装置５などから、購買数データ及び在庫数データを取得してもよい。取得部１１は、店舗管理者装置６などから、送客条件データ及び配信情報を取得してもよい。取得部１１は、顧客スマホ７などから、位置属性情報を取得してもよい。
　学習部１２は、格納部１０によって格納（蓄積）された過去データ（人口分布データ、購買数データ、外部データ）に基づいて、将来の購買数を予測する予測モデルを生成する。学習部１２は、生成した予測モデルを格納部１０によって格納させる。
　予測モデルは、コンピュータプログラムとパラメータとの組み合わせである。また、予測モデルは、ニューラルネットワークの構造と当該ニューラルネットワークの各ニューロン間の結びつきの強さであるパラメータ（重み付け係数）との組み合わせである。また、予測モデルは、コンピュータに対する指令であって、一の結果を得る（所定の処理を実行する）ことができるように組み合わされたもの、すなわち、コンピュータを機能させるコンピュータプログラムである。
　学習部１２は、入力データと正解値データとを含む組から構成される学習データに基づく学習を行って予測モデルを生成してもよい。例えば、学習部１２は、過去の任意の日の午前の（店舗の周辺の人口分布に関する）人口分布データ及び当該日の午後の（店舗の周辺の）天候データ（を含む入力データ）と当該日の午後の（店舗の）購買数データ（を含む正解値データ）とを含む組から構成される学習データに基づく学習を行って予測モデルを生成する。図９は、学習データの一例を示す図である。図９に示す学習データには、１月１日の午前の人口分布データ及び同日（１月１日）午後の天候データと同日（１月１日）午後の正解値データとの組が示されている（実際は１月２日分、１月３日分などと、複数の組で構成される）。
　学習部１２は、図９に示す学習データに基づく学習を行うことで、例えば、任意の日の午前の（店舗の周辺の人口分布に関する）人口分布データと、その日の午後の（店舗の周辺の）天候データとから、その日の午後の（店舗の）購買数（又は購買数データ）の関係を学習する。学習部１２は、図９に示す学習データに基づく学習を行うことで、例えば、任意の日の午前の（店舗の周辺の人口分布に関する）人口分布データと、その日の午後の（店舗の周辺の）天候データとから、その日の午後の（店舗の）購買数（又は購買数データ）を出力する予測モデルを生成する。すなわち、生成された予測モデルは将来の購買数を予測する。
　学習部１２の学習によって生成される予測係数について説明する。学習部１２の学習により、例えば、午前の人口分布と午後の天気と午後の購買数との関係が学習され、製品・時刻・天候別に予測係数が最適化される。購買数は、例えば以下の式で示される。
購買数＝Σ（人口日時，メッシュ，性別，年代，居住地×予測係数日時，メッシュ，性別，年代，居住地）
　予測係数は、機械学習における既存技術である。予測係数は、例えば、オープンソースの機械学習ライブラリｓｃｉｋｉｔ－ｌｅａｒｎにおけるＥｌａｓｔｉｃ－Ｎｅｔを解説している以下のＵＲＬのサイトを参照されたい。
https://www.tutorialspoint.com/scikit_learn/scikit_learn_elastic_net.htm
　決定木系のアルゴリズム（ランダムフォレストやＸＧＢｏｏｓｔなど）も特徴量毎の予測に対する寄与度を算出できるため、予測係数と同等の使い方が見込める。ただし、予測係数はこれらの具体的な既存技術の内容に限定されるものではない。
　図１０は、予測係数を含む人口分布データのテーブル例（その１）を示す図である。図１０に示すテーブル例の予測係数は、天気「晴れ」である時刻「１３：００」時点での製品「製品Ａ」の購買に寄与する人（人口分布）の確率（度合）を示している。例えば、図１０のテーブル例の１レコード目は、時刻「９：００」にメッシュ「メッシュＸ」に位置する、性別「男」、年代「２０代」及び居住地「東京都」である人は、天気「晴れ」である（同日の）時刻「１３：００」時点での製品「製品Ａ」を購買する確率が「０．０５」（５％）であることを示している。
　図１１は、予測係数を含む人口分布データのテーブル例（その２）を示す図である。図１０に示すテーブル例との差分は、天気「晴れ」ではなく天気「曇り」であることであり、それに伴って予測係数も異なることである。
　学習部１２は、学習によって生成された予測係数（又は予測係数を含む人口分布データ）を格納部１０によって格納させる。
　予測部１３は、格納部１０によって格納された予測モデルに基づいて、店舗での（未来の）購買数を予測する。より具体的には、予測部１３は、予測モデルに、任意の日（例えば本日）の午前の（店舗の周辺の人口分布に関する）人口分布データと、その日の午後の（店舗の周辺の）天候データとを適用することで、予測モデルが出力するその日の午後の（店舗の）購買数（又は購買数データ）を取得し、予測結果とする。予測部１３は、予測した購買数（又は購買数データ）を格納部１０によって格納させる。
　図１２は、予測モデルによる購買数の予測の一例を示す図である。図１２では、当日（４月１日）午前の（店舗の周辺の人口分布に関する）人口分布データと、当日午後の（店舗の周辺の）天候データ（予報）とを予測モデルに適用することで、当日午後の（店舗の）購買数データを予測している場面を示している。
　予測部１３は、格納部１０によって格納された予測係数と、取得部１１によって取得された移動人口データとに基づいて（午後の時刻、メッシュ、性別、年代、居住地毎の）購買確率を算出する。以下、具体的な算出方法について説明する。
　予測部１３は、取得部１１によって取得された移動人口データに基づいて、平均移動人口比率を算出する。平均移動人口比率とは、各メッシュから典型的にどこに移動する確率が高いのかを示す比率（確率）である。予測部１３は、移動人口データに基づいて、午前の任意のメッシュから午後の任意のメッシュへの平均的な人口の移動を算出してもよい。予測部１３は、移動人口データ（日付、時刻、メッシュ、移動時刻、移動メッシュ、性別、年代、居住地、移動人口）を時刻に対して合算したデータを平均移動人口として算出すると共に、それぞれのレコード（行）の平均移動人口に対して該当する時刻での平均移動人口の総数（後述の図１３に示すテーブル例では「１０００」）を割った値として平均移動人口比率を算出する。図１３は、平均移動人口及び平均移動人口比率を含む移動人口データのテーブル例を示す図である。予測部１３は、算出した移動人口比率を格納部１０によって格納させる。
　予測部１３は、取得部１１によって取得された人口分布データと、格納部１０によって格納された予測係数（行動確率）及び平均移動人口比率（移動確率）とに基づいて、移動先メッシュ毎の購買（行動）に関わる人口を予測する。
　予測係数は、所定の時刻に所定のメッシュにいる人が購買（行動）に関わる確率であってもよい。平均移動人口比率は、所定の時刻に所定のメッシュにいる人が移動先メッシュに移動する確率であってもよい。
　予測係数は、人の属性毎の確率であってもよい。平均移動人口比率は、人の属性毎の確率であってもよい。予測部１３は、移動先メッシュ及び人の属性毎の購買（行動）に関わる人口を予測してもよい。
　予測係数は、天候毎の確率であってもよい。予測部１３は、取得部１１によって取得された天候データにさらに基づいて予測してもよい。
　予測部１３は、予測した購買（行動）に関わる人口に基づいて、人が購買（行動）に関わる確率をさらに予測してもよい。
　以下、上述した図１０及び図１３に加え、図１４、図１５及び図１６を参照しながら詳細を説明する。
　図１４は、購買確率の算出に用いる人口分布データのテーブル例を示す図である。図１４に示すテーブル例は、午前の（リアルタイムの）人口分布データに当日午後の天気（予報）を組み込んだテーブルである。
　予測部１３は、図１４に示すテーブル例の午前時刻・当日午後の天気に合致する、図１０に示すテーブル例のモデルを対応づけし、図１４に示すテーブル例の各午前時刻・メッシュ・属性における人口と、図１０に示すテーブル例の各午前時刻・メッシュ・属性における予測係数を乗算することで、各午前時刻・属性毎の購買人口を算出する。次に、予測部１３は、算出した各午前時刻・メッシュ・属性毎の購買人口と対応する各午前時刻（移動前時刻）・移動元メッシュ・属性を持つ、図１３に示すテーブル例の平均移動人口比率を乗算し、各午後時刻（移動後時刻）・移動先メッシュ・属性で合算することで、午後の購買人口を算出する。予測部１３は、算出した購買人口を格納部１０によって格納させる。
　図１５は、購買人口データのテーブル例を示す図である。図１５に示す通り、購買人口データでは、移動時刻と、移動メッシュと、移動した人の性別と、移動した人の年代と、移動した人の居住地と、予測部１３によって算出された購買人口である予測購買人口とが互いに対応付いている。
　予測部１３は、算出した各午後時刻・移動先メッシュ・属性毎の購買人口を各時刻毎の購買人口の合算値で割ることで、購買確率を算出する。すなわち、予測部１３は、購買人口を比率に直して、それぞれの移動時刻・移動メッシュ・性別・年代・居住地別の購買確率を求める。予測部１３は、算出した購買確率を格納部１０によって格納させる。
　図１６は、購買確率を含む購買人口データのテーブル例を示す図である。図１６に示す通り、予測部１３によって算出された購買確率である予測購買確率がさらに対応付いている。
　送客部１４は、各製品、時刻において購買数予測値と在庫数を用いて、事前に登録した送客条件に基づいて送客を判断する。例えば、送客部１４は、購買在庫管理装置５から取得した在庫数データと、店舗管理者装置６から取得した送客条件データと、（時刻と、製品ＩＤと、購買数とが互いに対応付いた）購買数予測値と、（時刻と、製品ＩＤ、性別と、年代と、居住地と、位置と、購買確率とが互いに対応付いた）購買確率予測値と（の少なくとも１つ以上）に基づいて送客を判断してもよい。例えば、送客部１４は、「１８：００」時点で消費期限が当日の製品Ａの在庫数と予測購買数との差が「１００」の場合に、送客すると判断する。
　送客部１４は、送客すると判断した場合、購買確率予測値を用いて時刻、製品毎に購買確率の高いターゲット（性別、年代、居住地、位置など）を選択する。送客部１４は、選択結果を、送客ターゲット情報として判定部１５に出力する。送客ターゲット情報では、例えば、時刻と、製品ＩＤと、ターゲットの性別と、ターゲットの年代と、ターゲットの居住地と、ターゲットの位置とが互いに対応付いている。
　判定部１５は、送客部１４から入力された送客ターゲット情報に基づいて、ジオフェンスを登録し、チェックインの判定を行う。判定部１５は、ジオフェンスを登録する際に、顧客スマホ７にジオフェンス登録情報を送信する。ジオフェンス登録情報では、例えば、時刻と、ジオフェンスを設定する期間と、ターゲットの性別と、ターゲットの年代と、ターゲットの居住地と、ターゲットの位置と、ジオフェンスの範囲とが互いに対応付いている。
　判定部１５は、ジオフェンスを登録した後に、ジオフェンス登録情報に基づいて顧客スマホ７から位置属性情報を取得すると、取得した位置属性情報に基づいてジオフェンスにチェックインしたか否かのチェックイン判定を行う。判定部１５は、チェックイン判定の判定結果を、チェックイン判定情報として配信部１６に出力する。チェックイン判定情報では、例えば、チェックインした顧客の識別情報である顧客ＩＤと、送客ターゲット情報に含まれる製品ＩＤとが互いに対応付いている。
　配信部１６は、判定部１５から入力されたチェックイン判定情報と、店舗管理者装置６から取得した配信情報とに基づいて、顧客配信情報を顧客スマホ７に送信する。顧客配信情報では、例えば、チェックイン判定情報に含まれる顧客ＩＤと、配信情報に含まれる製品の情報（広告など）とが互いに対応付いている。
　顧客は、顧客スマホ７が取得して表示した製品の情報を閲覧し、気に入ったら対応する店舗に向かう。
　図１７は、送客の一例を示す図である。図１７では、図１６に示す購買人口データのテーブル例において、３レコード目が送客部１４によってターゲットとして選択されたことを前提としている。図１７では、判定部１５が、移動メッシュ「メッシュＣ」（移動先エリア）において、移動時刻「１３：００」（「１３：００～１３：５９」の時間でもよい）、性別「女」、年代「４０代」及び居住地「神奈川県」の顧客に対するジオフェンス（メッシュＣ中心の同心円（半径２５０ｍ）のジオフェンス）を登録している。
　以上の通り、送客部１４、判定部１５及び配信部１６は、予測部１３による予測結果に基づいて人の誘導を行う。より具体的には、送客部１４、判定部１５及び配信部１６は、各時刻別の購買確率の高いセグメントを対象にジオフェンスを設定し、情報配信により送客を促す。送客部１４、判定部１５及び配信部１６は、移動先メッシュにいる人に対して誘導を行ってもよい。誘導は、店舗への送客であってもよい。
　図１８及び図１９を参照しながら、購買予測システム８が実行する処理の例を説明する。図１８は、購買予測システム８が実行する処理の一例を示すフローチャート（その１）である。図１９は、購買予測システム８が実行する処理の一例を示すフローチャート（その２）である。図１８及び図１９のフローチャートは連続してもよい。すなわち、図１８の最後の処理（Ｓ１０）に続いて、図１９の最初の処理（Ｓ１１）が行われてもよい。
　図１８において、まず、人口分布データ取得装置２が、人口分布データを購買予測装置１に送信する（ステップＳ１）。次に、購買予測装置１の格納部１０が、Ｓ１で送信された人口分布データを格納する（ステップＳ２）。次に、移動人口データ取得装置３が、移動人口データを購買予測装置１に送信する（ステップＳ３）。次に、購買予測装置１の格納部１０が、Ｓ３で送信された移動人口データを格納する（ステップＳ４）。次に、外部データ取得装置４が、外部データを購買予測装置１に送信する（ステップＳ５）。次に、購買予測装置１の格納部１０が、Ｓ５で送信された外部データを格納する（ステップＳ６）。次に、購買在庫管理装置５が、購買数データを購買予測装置１に送信する（ステップＳ７）。次に、購買予測装置１の学習部１２が、予測モデルを生成する（ステップＳ８）。次に、購買予測装置１の予測部１３が、購買数を予測する（ステップＳ９）。次に、購買予測装置１の予測部１３が、購買確率を算出する（ステップＳ１０）。
　なお、図１８において、Ｓ１、Ｓ３、Ｓ５及びＳ７の順番は任意の順番でよいし、それぞれ複数回実行されてもよいし、それぞれ定期的に繰り返し実行されてもよい。Ｓ２は、Ｓ１以降Ｓ８以前であれば任意の時点で実行されてもよい。Ｓ４は、Ｓ３以降Ｓ１０以前であれば任意の時点で実行されてもよい。Ｓ６は、Ｓ５以降Ｓ８以前であれば任意の時点で実行されてもよい。Ｓ９とＳ１０の順番は逆でもよい。
　図１９において、店舗管理者装置６が、送信条件を購買予測装置１に送信する（ステップＳ１１）。次に、購買在庫管理装置５が、在庫数情報を購買予測装置１に送信する（ステップＳ１２）。次に、購買予測装置１の送客部１４が、送客を判断する（ステップＳ１３）。Ｓ１３にて、送客すると判断したとする。次に、購買予測装置１の送客部１４が、購買確率の高いターゲットを選択する（ステップＳ１４）。次に、購買予測装置１の判定部１５が、顧客スマホ７に対してフィオフェンス登録を行う（ステップＳ１５）。次に、顧客スマホ７が、位置属性情報を購買予測装置１に送信する（ステップＳ１６）。次に、購買予測装置１の判定部１５が、チェックイン判定を行う（ステップＳ１７）。次に、店舗管理者装置６が、配信情報を購買予測装置１に送信する（ステップＳ１８）。次に、購買予測装置１の配信部１６が、顧客配信情報を顧客スマホ７に送信する（ステップＳ１９）。
　なお、図１９において、Ｓ１１とＳ１２の順番は逆でもよい。Ｓ１８はＳ１９以前であれば任意の時点で実行されてもよい。
　図２０を参照しながら、購買予測装置１が実行する処理の例を説明する。図２０は、実施形態に係る購買予測装置１が実行する処理の一例を示すフローチャートである。
　まず、格納部１０が、予測係数及び平均移動人口比率を格納する（ステップＳ３０、格納ステップ）。次に、取得部１１が、人口分布データを取得する（ステップＳ３１、取得ステップ）。次に、予測部１３が、Ｓ３１で取得した人口分布データと、Ｓ３０で格納した予測係数及び平均移動人口比率とに基づいて、移動メッシュ毎の購買人口を予測する（ステップＳ３２）。
　続いて、実施形態に係る購買予測装置１の作用効果について説明する。
　購買予測装置１によれば、格納部１０が、所定のメッシュ（エリア）にいる人が購買（行動）に関わる確率である予測係数（行動確率）と、所定のメッシュにいる人が移動先のメッシュである移動先メッシュに移動する確率である平均移動人口比率（移動確率）とを格納し、取得部１１が、メッシュ毎の人口に関する人口分布データを取得し、予測部１３が、取得部１１によって取得された人口分布データと、格納部１０によって格納された予測係数及び平均移動人口比率とに基づいて、移動先メッシュ毎の購買に関わる人口を予測する。この構成により、人口分布データと行動確率及び移動確率とに基づいて、移動先メッシュ毎の行動に関わる人口が予測される。すなわち、移動先メッシュでの行動に関わる人口を予測することができる。
　また、購買予測装置１において、予測係数は、所定の時刻に所定のメッシュにいる人が購買に関わる確率であり、平均移動人口比率は、所定の時刻に所定のメッシュにいる人が移動先メッシュに移動する確率であり、人口分布データの人口は、さらに時刻毎であってもよい。この構成により、時刻及び移動先メッシュ毎の行動に関わる人口を予測することができる。すなわち、より正確な予測を行うことができ、予測結果の有用性が高まる。
　また、購買予測装置１において、予測係数は、人の属性毎の確率であり、平均移動人口比率は、人の属性毎の確率であり、人口分布データの人口は、さらに人の属性毎であり、予測部１３は、移動先メッシュ及び人の属性毎の購買に関わる人口を予測してもよい。この構成により、移動先メッシュ及び人の属性毎の購買に関わる人口を予測することができる。すなわち、より正確な予測を行うことができ、予測結果の有用性が高まる。
　また、購買予測装置１において、予測係数は、天候毎の確率であり、取得部１１は、天候に関する天候データをさらに取得し、予測部１３は、取得部１１によって取得された天候データにさらに基づいて予測してもよい。この構成により、予測において天候データを反映することができる。それにより、より正確な予測を行うことができ、予測結果の有用性が高まる。
　また、購買予測装置１において、予測部１３は、予測した購買に関わる人口に基づいて、人が購買に関わる確率をさらに予測してもよい。この構成により、人が購買に関わる確率を予測することができ、予測結果の有用性が高まる。
　また、購買予測装置１において、予測部１３による予測結果に基づいて人の誘導を行う送客部１４、判定部１５及び配信部１６をさらに備えてもよい。この構成により、予測結果に基づいて人を適切に誘導することができる。
　また、購買予測装置１において、送客部１４、判定部１５及び配信部１６は、移動先メッシュにいる人に対して誘導を行ってもよい。この構成により、移動先メッシュにいる人に対して誘導をすることができるため、より確実に人を誘導することができる。
　また、購買予測装置１において、購買は、店舗での製品又はサービスの購買であり、誘導は、店舗への送客であってもよい。この構成により、例えば、消費期限が近い食品の在庫を大量に抱えた店舗へ送客することで、食品ロスを削減することができる。
　以上の通り、購買予測装置１によれば、店舗への自動送客を行うことができる。
　なお、上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態における購買予測装置１などは、本開示の購買予測方法の処理を行うコンピュータとして機能してもよい。図２１は、本開示の一実施の形態に係る購買予測装置１のハードウェア構成の一例を示す図である。上述の購買予測装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。購買予測装置１のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　購買予測装置１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。例えば、上述の取得部１１、学習部１２、予測部１３、送客部１４、判定部１５及び配信部１６などは、プロセッサ１００１によって実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、取得部１１、学習部１２、予測部１３、送客部１４、判定部１５及び配信部１６は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ROM）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ROM）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency　Division　Duplex）及び時分割複信（ＴＤＤ：Time　Division　Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、上述の取得部１１、学習部１２、予測部１３、送客部１４、判定部１５及び配信部１６などは、通信装置１００４によって実現されてもよい。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、ＬＥＤランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　また、購買予測装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。
　情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。
　本開示において説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th　generation　mobile　communication　system）、５Ｇ（5th　generation　mobile　communication　system）、ＦＲＡ（Future　Radio　Access）、ＮＲ（new　Radio）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broadband）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　情報等は、上位レイヤ（又は下位レイヤ）から下位レイヤ（又は上位レイヤ）へ出力され得る。複数のネットワークノードを介して入出力されてもよい。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital　Subscriber　Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。
　上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。
　本開示で使用する「判断（determining）」、「決定（determining）」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定（judging）、計算（calculating）、算出（computing）、処理（processing）、導出（deriving）、調査（investigating）、探索（looking　up、search、inquiry）（例えば、テーブル、データベース又は別のデータ構造での探索）、確認（ascertaining）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信（receiving）（例えば、情報を受信すること）、送信（transmitting）（例えば、情報を送信すること）、入力（input）、出力（output）、アクセス（accessing）（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決（resolving）、選択（selecting）、選定（choosing）、確立（establishing）、比較（comparing）などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。
　「接続された（connected）」、「結合された（coupled）」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　上記の各装置の構成における「手段」を、「部」、「回路」、「デバイス」等に置き換えてもよい。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa、an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１…購買予測装置、２…人口分布データ取得装置、３…移動人口データ取得装置、４…外部データ取得装置、５…購買在庫管理装置、６…店舗管理者装置、７…顧客スマホ、８…購買予測システム、１０…格納部、１１…取得部、１２…学習部、１３…予測部、１４…送客部、１５…判定部、１６…配信部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (8)

  1. 　所定のエリアにいる人が行動に関わる確率である行動確率と、所定のエリアにいる人が移動先のエリアである移動先エリアに移動する確率である移動確率とを格納する格納部と、
    　エリア毎の人口に関する人口分布データを取得する取得部と、
    　前記取得部によって取得された人口分布データと、前記格納部によって格納された行動確率及び移動確率とに基づいて、移動先エリア毎の行動に関わる人口を予測する予測部と、
    　を備える行動予測装置。
  2. 　行動確率は、所定の時刻に所定のエリアにいる人が行動に関わる確率であり、
    　移動確率は、所定の時刻に所定のエリアにいる人が移動先エリアに移動する確率であり、
    　人口分布データの人口は、さらに時刻毎である、
    　請求項１に記載の行動予測装置。
  3. 　行動確率は、人の属性毎の確率であり、
    　移動確率は、人の属性毎の確率であり、
    　人口分布データの人口は、さらに人の属性毎であり、
    　前記予測部は、移動先エリア及び人の属性毎の行動に関わる人口を予測する、
    　請求項１又は２に記載の行動予測装置。
  4. 　行動確率は、天候毎の確率であり、
    　前記取得部は、天候に関する天候データをさらに取得し、
    　前記予測部は、前記取得部によって取得された天候データにさらに基づいて予測する、
    　請求項１～３の何れか一項に記載の行動予測装置。
  5. 　前記予測部は、予測した行動に関わる人口に基づいて、人が行動に関わる確率をさらに予測する、
    　請求項１～４の何れか一項に記載の行動予測装置。
  6. 　前記予測部による予測結果に基づいて人の誘導を行う誘導部をさらに備える、
    　請求項１～５の何れか一項に記載の行動予測装置。
  7. 　前記誘導部は、移動先エリアにいる人に対して誘導を行う、
    　請求項６に記載の行動予測装置。
  8. 　行動は、店舗での製品又はサービスの購買であり、
    　誘導は、店舗への送客である、
    　請求項６又は７に記載の行動予測装置。
PCT/JP2022/031590 2021-09-30 2022-08-22 行動予測装置 WO2023053775A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US18/688,513 US20240354833A1 (en) 2021-09-30 2022-08-22 Behavior predicting device
JP2023550455A JP7587053B2 (ja) 2021-09-30 2022-08-22 行動予測装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021160671 2021-09-30
JP2021-160671 2021-09-30

Publications (1)

Publication Number Publication Date
WO2023053775A1 true WO2023053775A1 (ja) 2023-04-06

Family

ID=85782323

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/031590 WO2023053775A1 (ja) 2021-09-30 2022-08-22 行動予測装置

Country Status (3)

Country Link
US (1) US20240354833A1 (ja)
JP (1) JP7587053B2 (ja)
WO (1) WO2023053775A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004036476A1 (en) * 2002-10-15 2004-04-29 Myweather, Llc Targeted information content delivery using a combination of environmental and demographic information
JP2008204370A (ja) * 2007-02-22 2008-09-04 Fujitsu Ltd 顧客誘導方法
WO2018008203A1 (ja) * 2016-07-05 2018-01-11 パナソニックＩｐマネジメント株式会社 シミュレーション装置、シミュレーションシステム、及びシミュレーション方法
WO2020213612A1 (ja) * 2019-04-16 2020-10-22 株式会社Ｎｔｔドコモ 需要予測装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015055934A (ja) 2013-09-10 2015-03-23 株式会社ゼンリンデータコム 情報処理装置、情報処理方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004036476A1 (en) * 2002-10-15 2004-04-29 Myweather, Llc Targeted information content delivery using a combination of environmental and demographic information
JP2008204370A (ja) * 2007-02-22 2008-09-04 Fujitsu Ltd 顧客誘導方法
WO2018008203A1 (ja) * 2016-07-05 2018-01-11 パナソニックＩｐマネジメント株式会社 シミュレーション装置、シミュレーションシステム、及びシミュレーション方法
WO2020213612A1 (ja) * 2019-04-16 2020-10-22 株式会社Ｎｔｔドコモ 需要予測装置

Also Published As

Publication number Publication date
US20240354833A1 (en) 2024-10-24
JP7587053B2 (ja) 2024-11-19
JPWO2023053775A1 (ja) 2023-04-06

Similar Documents

Publication Publication Date Title
CN112182412B (zh) 用于推荐体检项目的方法、计算设备和计算机存储介质
JP7542540B2 (ja) 需要予測装置
US20190287155A1 (en) Landing page providing server and method of providing customized landing page
JP6875231B2 (ja) 情報処理装置
JP2019144951A (ja) 推奨情報特定装置、推奨情報特定システム、推奨情報特定方法、及びプログラム
JP7503050B2 (ja) 需要分散装置
JP7536771B2 (ja) クリック率予測モデル構築装置
JP7587053B2 (ja) 行動予測装置
JP2016051207A (ja) 購入商品予測装置及び購入商品予測方法
CN118586979A (zh) 商品推荐模型训练及应用方法、电子设备
KR102511634B1 (ko) 리테일 키오스크를 위한 상황인지 기반 크로스도메인 추천 서비스 제공 시스템
KR20190095202A (ko) 헬스케어 정보 기반의 마켓 플레이스 및 개인별 선호도 제공 방법
JP2016071482A (ja) 情報配信システム及び情報配信方法、サーバ装置及び端末装置並びにサーバ装置用プログラム及び端末装置用プログラム
JP7554595B2 (ja) 行動特性決定装置
Zhang et al. Patient choice analysis and demand prediction for a health care diagnostics company
JP7397738B2 (ja) 集計装置
JP7478140B2 (ja) 需要予測装置
JP2022026687A (ja) 情報提供装置
US20220215411A1 (en) Demand prediction device
Lee et al. Integration of General Bayesian Network and ubiquitous decision support to provide context prediction capability
JP7572809B2 (ja) 情報提供装置
US20210073576A1 (en) Crowd Sourced Trends and Recommendations
JP2022112232A (ja) 情報処理装置
JP7350953B1 (ja) 情報処理装置
JP2021144647A (ja) 情報処理装置

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: 22875647

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023550455

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18688513

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22875647

Country of ref document: EP

Kind code of ref document: A1