WO2025181981A1 - 施策策定支援装置、方法、及びプログラム - Google Patents

施策策定支援装置、方法、及びプログラム

Info

Publication number
WO2025181981A1
WO2025181981A1 PCT/JP2024/007433 JP2024007433W WO2025181981A1 WO 2025181981 A1 WO2025181981 A1 WO 2025181981A1 JP 2024007433 W JP2024007433 W JP 2024007433W WO 2025181981 A1 WO2025181981 A1 WO 2025181981A1
Authority
WO
WIPO (PCT)
Prior art keywords
policy
measure
segment
target
target segment
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2024/007433
Other languages
English (en)
French (fr)
Inventor
節夫 山田
昌英 水島
恵太 西本
順暎 金
準二 富田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Inc
NTT Inc USA
Original Assignee
Nippon Telegraph and Telephone Corp
NTT Inc USA
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 Nippon Telegraph and Telephone Corp, NTT Inc USA filed Critical Nippon Telegraph and Telephone Corp
Priority to PCT/JP2024/007433 priority Critical patent/WO2025181981A1/ja
Publication of WO2025181981A1 publication Critical patent/WO2025181981A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Definitions

  • the disclosed technology relates to a policy formulation support device, a policy formulation support method, and a policy formulation support program.
  • the direction of the measures is the requirement for implementing the measures, and mainly includes the type of measure target when implementing the measures and the measure KPI (Key Performance Indicator) that they want to improve through the measures.
  • Types of measure targets include products, purchases, customers, etc.
  • measure KPIs include purchase amount, number of purchases, number of store visits, etc. Therefore, an example of the direction of the measures would be, "We want to increase the number of purchases (measure KPI) of products (type of measure target)."
  • Non-Patent Document 1 extracts segments that are combinations of classification attribute values for the type of promotion target based on the classification attributes and classification attribute values in store data. This method then selects from the extracted segments a segment with a low value for the promotion KPI that is to be improved, and implements sales promotion measures with that segment as the promotion target.
  • Non-Patent Document 2 utilizes the characteristics of each customer to estimate products and sales periods and implement sales promotion measures.
  • the disclosed technology was developed in light of the above points, and aims to support the selection of policy targets that will be highly effective depending on the policy direction.
  • a first aspect of the present disclosure is a policy formulation support device that includes: an acquisition unit that acquires store data, which is data related to purchases at a store, and instruction information that indicates the direction of a sales promotion policy, including the type of policy target and indicators to be improved by implementing the policy; an aggregation unit that aggregates the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the instruction information; an extraction unit that extracts from the aggregated segments pairs of policy target segments for which policies are to be implemented and policy target segments that are the goals of the policies; a calculation unit that calculates, for each pair, an expected policy effect that is expected when a policy is implemented for the policy target segment; and an output unit that outputs the calculated expected policy effect in association with the pair of policy target segment and policy target segment.
  • a second aspect of the present disclosure is a policy formulation support method executed by a policy formulation support device including an acquisition unit, a counting unit, an extraction unit, a calculation unit, and an output unit, in which the acquisition unit acquires store data, which is data related to purchases at the store, and instruction information indicating the direction of a sales promotion policy, including the type of policy target and indicators to be improved by implementing the policy; the counting unit aggregates the store data for each segment, which is a combination of classification attribute values corresponding to combinations of classification attributes of the store data, in accordance with the instruction information; the extraction unit extracts from the aggregated segments pairs of policy target segments for which policies are to be implemented and policy target segments that are the goals of the policies; the calculation unit calculates, for each pair, the expected policy effect expected when a policy is implemented for the policy target segment; and the output unit outputs the calculated expected policy effect in association with the pair of policy target segment and policy target segment.
  • the acquisition unit acquires store data, which is data related to purchases at the store, and instruction information indicating the direction of a
  • a third aspect of the present disclosure is a policy development support program for causing a computer to function as each component of the policy development support device described above.
  • the disclosed technology can assist in selecting policy targets that will be highly effective depending on the policy direction.
  • FIG. 2 is a block diagram showing a hardware configuration of the policy formulation support device.
  • FIG. 2 is a block diagram illustrating an example of a functional configuration of the policy formulation support device.
  • FIG. 3 is a diagram illustrating an example of store data according to the present embodiment.
  • FIG. 10 is a diagram illustrating an example of a counting result according to the present embodiment.
  • FIG. 10 is a diagram illustrating an example of an extraction result in the present embodiment.
  • FIG. 10 is a diagram showing an example of support information according to the present embodiment.
  • FIG. 10 is a diagram showing an example of a list of support information according to the present embodiment.
  • FIG. 10 is a diagram illustrating an example of a generation definition of a policy content in the present embodiment.
  • FIG. 10 is a diagram showing an example of a list display of rankings of combinations of classification attributes in this embodiment.
  • FIG. 10 is a diagram illustrating an example of a generation definition of a policy example according to the present embodiment.
  • FIG. 10 is a diagram showing an example of a list display of rankings of support information in this embodiment.
  • FIG. 10 is a diagram showing an example of an evaluation result in the present embodiment.
  • 10 is a flowchart illustrating an example of a policy formulation support process.
  • 10 is a flowchart illustrating an example of an extraction process.
  • 10 is a flowchart illustrating an example of an output process.
  • 10 is a flowchart illustrating an example of an evaluation process.
  • FIG. 10 is a diagram illustrating an example of store data in another application example.
  • FIG. 10 is a diagram illustrating an example of store data in another application example.
  • FIG. 10 is a diagram illustrating an example of a counting result in another application example.
  • FIG. 10 is a diagram illustrating an example of an extraction result in another application example.
  • FIG. 10 is a diagram illustrating an example of support information in another application example.
  • 10 illustrates an example of a list of support information in another application example.
  • FIG. 10 is a diagram illustrating an example of a generation definition of a policy content in another application example.
  • FIG. 10 is a diagram showing an example of a list display of rankings of combinations of classification attributes in another application example.
  • FIG. 10 is a diagram illustrating an example of a generation definition of a policy embodiment in another application example.
  • FIG. 10 is a diagram showing an example of a list display of rankings of support information in another application example.
  • FIG. 10 is a diagram illustrating an example of an evaluation result in another application example.
  • FIG. 1 is a block diagram showing the hardware configuration of a policy development support device 10 according to this embodiment.
  • the policy development support device 10 has a CPU (Central Processing Unit) 11, a ROM (Read Only Memory) 12, a RAM (Random Access Memory) 13, storage 14, an input unit 15, a display unit 16, and a communication I/F (Interface) 17.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • storage 14 storage 14
  • I/F Communication I/F (Interface) 17
  • Each component is connected to each other via a bus 19 so that they can communicate with each other.
  • CPU 11 is a central processing unit that executes various programs and controls each component. That is, CPU 11 reads programs from ROM 12 or storage 14 and executes them using RAM 13 as a work area. CPU 11 controls the above components and performs various calculation processes in accordance with the programs stored in ROM 12 or storage 14. In this embodiment, ROM 12 or storage 14 stores the policy formulation support program described below.
  • ROM 12 stores various programs and data.
  • RAM 13 temporarily stores programs or data as a working area.
  • Storage 14 is made up of storage devices such as HDDs (Hard Disk Drives) and SSDs (Solid State Drives), and stores various programs and data, including the operating system.
  • the input unit 15 includes a pointing device such as a mouse and a keyboard, and is used to enter various types of input.
  • the display unit 16 is, for example, an LCD display, and displays various types of information.
  • the display unit 16 may also function as the input unit 15 by employing a touch panel system.
  • the communication I/F 17 is an interface for communicating with other devices.
  • wired communication standards such as Ethernet (registered trademark) and FDDI
  • wireless communication standards such as 4G, 5G, and Wi-Fi (registered trademark) are used.
  • FIG. 2 is a block diagram showing an example of the functional configuration of the policy development support device 10.
  • the policy development support device 10 includes, as its functional components, an acquisition unit 21, a counting unit 22, an extraction unit 23, a calculation unit 24, and an output unit 25.
  • a predetermined storage area of the policy development support device 10 stores a store data DB (database) 31, a counting result DB 32, an extraction result DB 33, and a support information DB 34.
  • Each functional component is realized when the CPU 11 reads out a policy development support program stored in the ROM 12 or storage 14, expands it into the RAM 13, and executes it.
  • Sales promotion measures are measures implemented in stores to promote sales.
  • Measure direction refers to the requirements for implementing a measure, such as the type of measure target when implementing the measure and the measure KPIs that you want to improve through the measure; measure policy information specifies these requirements.
  • Measure target type refers to the type of target for which the measure is implemented, such as customers, purchases, or products. If the measure target is customers, you will develop a measure to be implemented for one customer; if the measure target is purchases, you will develop a measure to be implemented for one purchase; if the measure target is products, you will develop a measure to be implemented for one product.
  • Measure KPIs are indicators whose value you want to improve by implementing the measure, such as purchase amount, number of purchases, or number of store visits.
  • classification attributes are attributes in the store data related to customers, purchases, products, etc. Classification attributes are attributes used to classify data during data analysis. In this embodiment, classification attributes are combined to narrow down the target of measures. For example, classification attributes of store data related to "customers" include gender, age, etc. Also, for example, classification attributes of store data related to "purchases” include the date of purchase and time of day, etc. Also, for example, classification attributes of store data related to "products" include cross-purchase patterns, number of products purchased, etc. Classification attribute values are specific values of the classification attributes; for example, classification attribute values for the classification attribute "time of day” are morning, noon, evening, night, etc. Also, for example, classification attribute values for the classification attribute "cross-purchase pattern” are coffee only, coffee and bread, beverages and meals, etc.
  • a segment is a collection of data obtained by aggregating store data for each combination of classification attribute values corresponding to a combination of classification attributes. For example, if store data is aggregated by purchase unit using combinations of classification attribute values for combinations of classification attributes (for example, "time of day” and "dual purchase pattern"), a collection of data for purchases of only coffee in the morning will form one segment. Furthermore, by aggregating store data by segment, the frequency of each segment can be determined. The frequency of a segment is the number of data points included in that segment (the number of purchases of only coffee in the morning).
  • a target segment is a segment for which a measure is implemented
  • a target segment is a segment that serves as a target when implementing a measure targeting the target segment. For example, if the segment "Coffee only in the morning" is the target segment, and a measure to target this segment involves selling a set of coffee and bread, then the segment “Coffee and bread in the morning” could be the target segment.
  • the expected effect of a measure is the effect of the measure expected before the measure is implemented.
  • the effect of the measure is the improvement in the measure KPI due to the measure. Specifically, it is the difference between the measure KPI of the target segment before the measure and the measure KPI after the measure is implemented.
  • the measure KPI is purchase amount
  • Sales promotion measures are formulated based on information obtained from the policy formulation support device 10 regarding what measures are likely to be effective when implemented in what segments. Each functional unit of the policy formulation support device 10 is described in detail below.
  • Store data DB31 stores store data for each specified classification attribute related to customers, purchases, products, etc.
  • the acquisition unit 21 acquires policy information entered by the user.
  • policy information includes information such as the policy target type when implementing the policy, and the policy KPI that is to be improved by the policy.
  • the policy target type when implementing the policy
  • the policy KPI that is to be improved by the policy.
  • an example is given in which the user is considering "increasing purchase sales (purchase amount per purchase)" as the direction of the sales promotion policy.
  • policy information is acquired that includes "purchases" as the policy target type and "purchase amount” as the policy KPI.
  • the acquisition unit 21 also acquires store data (store data recorded in units of "purchases” in this case) for a predetermined period (e.g., one month's worth) from the store data DB 31 in accordance with the acquired policy information.
  • Figure 3 shows an example of store data recorded in units of "purchases.”
  • each row corresponds to purchase data for one purchase, and each purchase data includes information on "purchase ID,” "gender,” “age group,” “date,” “time slot,” “concurrent purchase pattern,” “number of purchased items,” and “purchase amount.”
  • "Purchase ID” is an identifier for the purchase data.
  • “Gender,” “age group,” “date,” “time slot,” “concurrent purchase pattern,” and “number of purchased items” are examples of classification attributes. These are information indicating the gender and age group of the customer who made the purchase, the date and time slot when the purchase was made, the category of items purchased simultaneously, and the number of items purchased simultaneously, respectively.
  • “Purchase amount” is an example of an indicator that serves as a policy KPI.
  • the acquisition unit 21 passes the acquired policy information and store data for each "purchase” to the aggregation unit 22.
  • the aggregation unit 22 aggregates the store data for each "purchase” unit passed from the acquisition unit 21 based on the policy direction information passed from the acquisition unit 21. Specifically, for each combination of two classification attributes included in the store data for each "purchase”, the aggregation unit 22 aggregates data based on the policy KPI for each segment, which is a combination of the classification attribute values of the combination of classification attributes. For example, based on the policy KPI being "purchase amount", the aggregation unit 22 aggregates values related to the "purchase amount" of the same segment for each combination of classification attributes of the store data for each "purchase”. The aggregation unit 22 may calculate, for example, the median purchase amount or the frequency of purchases (number of purchases) as the aggregated value of the "purchase amount”.
  • Figure 4 shows an example of the aggregation results for the combination of the classification attributes "time of day” and "multi-purchase pattern" in store data by "purchase.”
  • the segment "Morning, Coffee” indicates that the classification attribute value for the classification attribute "time of day” is "morning” and the classification attribute value for the classification attribute "multi-purchase pattern” is “coffee.”
  • the example in Figure 4 shows that, for purchases in the segment "Morning, Coffee,” for example, when store data by "purchase” for one month is aggregated, the median purchase amount is "250 yen” and the frequency of purchases is "1,000 times.”
  • the aggregation unit 22 will aggregate all combinations of the two classification attributes included in the store data for each "purchase” in the same manner as above. Furthermore, if the policy direction information includes a specification of classification attributes to be combined, the aggregation unit 22 will aggregate the specified combinations of classification attributes in the same manner as above. The aggregation unit 22 stores the aggregation results in the aggregation result DB 32 and passes the policy direction information to the extraction unit 23. In the example, there are two classification attributes, but the number of classification attributes may be three or more (for example, "time period,” “multiple purchase patterns," "age group,” etc.). Furthermore, the number of classification attributes to be combined can also be specified in the policy direction information, and if the number of classification attributes is specified, aggregation will be performed for all combinations of the specified number of classification attributes included in the store data for each "purchase.”
  • the extraction unit 23 acquires the corresponding aggregation results from the aggregation result DB 32 based on the policy direction information passed from the aggregation unit 22. Based on the policy direction information, the extraction unit 23 extracts from the segments included in the acquired aggregation results pairs of policy target segments, which are segments targeted by implementing policies, and policy target segments, which are segments that serve as targets when implementing policies targeting the policy target segments.
  • the extraction unit 23 extracts pairs of two segments included in the aggregation results, and extracts pairs of segments whose inter-segment relationship satisfies predetermined extraction conditions.
  • the predetermined extraction conditions include statistical conditions based on the statistical difference in the measure KPIs between the segments, and characteristic conditions related to the similarity between the segments. Furthermore, the extraction unit 23 sets the segment with the lower measure KPI as the measure target segment, and the segment with the higher measure KPI as the measure target segment.
  • the extraction unit 23 may use as a statistical condition that there is a statistical difference in the distribution of the campaign KPIs between segments, for example, that there is a significant difference and the effect size is greater than a threshold.
  • the presence or absence of a significant difference may be determined, for example, by performing a Steele-Duwas multiple comparison test on the medians of the campaign KPIs between the campaign target segment and the campaign target segment, to determine whether the difference in the medians of the campaign KPIs is statistically significant.
  • the effect size may also be a value calculated by using, for example, Cliff's delta method, which compares the magnitude of all segment pairs included in the aggregation results.
  • the extraction unit 23 may also use as a characteristic condition that the campaign can bring the campaign target segment closer to the campaign target segment, that is, that it can change purchasing behavior.
  • the characteristic condition may be that the classification attribute values of the classification attribute "time of day” are the same and that the classification attribute values of the classification attribute "multiple purchase patterns" are in an inclusive relationship.
  • the extraction unit 23 stores the extraction results of pairs of policy target segments and policy target segments extracted from the tabulation results in the extraction result DB 33.
  • Figure 5 shows an example of the extraction results in which pairs of policy target segments and policy target segments are extracted from an example of the tabulation results for the combination of the classification attributes "time period" and "concurrent purchase pattern" shown in Figure 4.
  • the extraction result DB 33 stores the "segment,” “median purchase amount,” and “frequency” of each of the "policy target segment” and “policy target segment” for each "combination of classification attributes" as extraction results.
  • the "significance” and "effect size” obtained to determine the above statistical conditions are also stored as “segment pair statistics.”
  • classification attribute value 1 is a proper subset of classification attribute value 2
  • classification attribute value 1 is the classification attribute value for "combined purchasing pattern" of the segment selected as the target segment
  • classification attribute value 2 is the classification attribute value for "combined purchasing pattern" of the segment selected as the target segment.
  • the inclusion relationship here does not refer to an inclusion relationship regarding the content of product categories, but rather means that when each product category included in a combination purchasing pattern is considered an element of a set, the product categories of one segment are a subset of the product categories of the other segment.
  • the extraction unit 23 first extracts a pair of two segments from the segments included in the aggregation results shown in FIG. 4. For example, if the extraction unit 23 extracts a pair of segments, "Morning, coffee” and “Morning, beverage,” the segment “Morning, beverage” with the lowest median of the campaign KPI (here, purchase amount) within this pair is set as the campaign target segment, and the segment “Morning, coffee” with the highest median is set as the campaign target segment.
  • the extraction unit 23 does not extract this pair of segments.
  • the extraction unit 23 extracts the segment pair "Morning coffee” and “Morning coffee and bread,” from the aggregation results, it sets the measure target segment as “Morning coffee” and the measure target segment as “Morning coffee and bread” based on the measure KPI. In this case, there is a significant difference, and the effect size of 0.4 is above the threshold, so the statistical conditions are met. Furthermore, the classification attribute value of "time period” is the same as “morning,” and the classification attribute value of "combined purchase pattern” is in an inclusive relationship in which "coffee” is a proper subset of “coffee and bread,” so the characteristic conditions are also met. Therefore, the extraction unit 23 extracts this segment pair and stores it in the extraction result DB 33.
  • the median purchase amount is used as the campaign KPI
  • the Steele-Dwas multiple comparison test is used to test for significance
  • the Cliff delta method is used to measure the effect size. This is because it is assumed that normality is not necessarily guaranteed for the statistical distribution of purchase amounts. If normality is guaranteed for the purchasing trends of the target stores, then the average purchase amount can be used as the campaign KPI and a parametric multiple comparison test, such as the Tukey method, can be used, and Cohen's d can be used as the effect size. Any method that can measure the statistical difference between the two groups, the campaign target segment and the campaign target segment, will suffice.
  • the extraction unit 23 Once the extraction unit 23 has finished extracting pairs of policy target segments and policy target segments for all aggregation results for combinations of classification attributes and storing them in the extraction result DB 33, it passes the policy direction information to the calculation unit 24.
  • the calculation unit 24 acquires the corresponding extraction results from the extraction result DB 33 based on the policy direction information passed from the extraction unit 23. For each pair of policy target segment and policy target segment included in the acquired extraction results, the calculation unit 24 calculates the expected policy effect when a policy is implemented for the policy target segment, targeting the policy KPI of the policy target segment. Specifically, the calculation unit 24 calculates, as the expected policy effect, the expected change in the policy KPI of the policy target segment when a policy is implemented to bring the policy KPI for the policy target segment closer to the policy KPI for the policy target segment.
  • the calculation unit 24 calculates the expected effect of the policy for the policy target segment from the difference in policy KPIs between the two segments and the similarity between the two segments, with the aim of bringing the policy target segment closer to the policy target segment.
  • Expected effect of the policy a x b x c - d a: Frequency value of the segment with the lowest median purchase amount b: Median purchase amount of the segment with the highest median purchase amount - Median purchase amount of the segment with the lowest median purchase amount c: Response rate (or similarity) to the campaign d: Cost amount related to the measures
  • the above definition is used to calculate the expected effect of a campaign from the perspective of whether the median purchase amount for purchases with a frequency (number of purchases) belonging to the campaign target segment will approach the median purchase amount for the campaign target segment as a result of the campaign. Assuming that the campaign will not necessarily bring purchases belonging to all campaign target segments closer to the median purchase amount for the campaign target segment, the expected effect of the campaign is calculated by dividing by the response rate to the campaign, c, which is set to a value of 0 ⁇ c ⁇ 1, and subtracting the cost amount related to the campaign.
  • the calculation unit 24 extracts, for example, the combination of "morning coffee” as the measure target segment and “morning coffee and bread” as the measure target segment from the extraction results shown in FIG. 5.
  • the calculation unit 24 calculates the expected effect of the measure for this combination in accordance with the definition of the above-mentioned calculation method for the expected effect of the measure.
  • the calculation unit 24 uses values stored in the extraction result DB 33 as the median purchase amount and frequency for each of the measure target segment and measure target segment included in the above-mentioned definition.
  • the calculation unit 24 uses data defined in advance for each combination of classification attributes for the response rate and cost amount included in the above-mentioned definition.
  • the response rate and cost amount may also be defined for each segment combination.
  • the expected effect of the campaign is calculated to be 65,000 yen, as shown below.
  • the calculation unit 24 associates the calculated expected policy effect with a pair of a policy target segment and a policy target segment, and stores the result as support information in the support information DB 34.
  • the calculation unit 24 passes the policy direction information to the output unit 25.
  • the output unit 25 acquires support information corresponding to the policy information passed from the calculation unit 24 from the support information DB 34, and outputs the acquired support information in a list to the display unit 16. As a result, the support information is displayed in a list on the display unit 16.
  • Figure 7 shows an example of a list of support information for a combination of the classification attributes "time zone" and "dual purchase pattern.”
  • the output unit 25 may also be configured to tally the expected effects of measures for each combination of classification attributes and output a list in which the expected effects of measures for each combination of classification attributes are ranked in descending order.
  • the output unit 25 may also add the details of measures corresponding to the combination of classification attributes to the ranked combinations of classification attributes. This case will now be described in detail.
  • the output unit 25 retrieves all support information for a certain combination of classification attributes from the support information DB 34, and calculates the maximum, average, total, etc. of the expected effect of the measures contained in the retrieved support information as a representative value for that combination of classification attributes.
  • support information for the combination of classification attributes "time zone” and “multiple purchase pattern” shown in Figure 7 if the representative value is taken as the maximum value, the expected effect of the measures for the combination of classification attributes "time zone” and “multiple purchase pattern” is 95,000 yen.
  • the output unit 25 generates and assigns policy content for each combination of classification attributes in accordance with a predetermined policy content generation definition. As shown in Figure 8, the generation of policy content is defined based on the combination of policy target type, policy KPI, and classification attributes. In the example of Figure 8, when the policy target type is "purchase,” the policy KPI is "purchase amount,” and the combination of classification attributes is "time period, concurrent purchase pattern,” the policy content is "product set sales.”
  • Figure 9 shows an example of policy content assigned to each combination of classification attributes, sorted in descending order of expected policy effect, and displayed in a list.
  • the output unit 25 may also output a list such as that shown in FIG. 9 that ranks the policy target segments, policy target segments, and expected policy effects that correspond to the combination of classification attributes selected by the user in order of highest expected policy effect, and further includes examples of policy implementations. This case will be explained in detail below.
  • the output unit 25 retrieves support information corresponding to the combination of classification attributes specified by the user from the support information DB 34. For example, in Figure 9, if the combination of the first-ranked classification attributes "time zone" and "dual purchase pattern" is specified, the output unit 25 retrieves support information corresponding to this combination from the support information DB 34. In addition, the output unit 25 generates a policy example for each piece of retrieved support information in accordance with a predetermined policy example generation definition. As shown in Figure 10, the policy example is generated using a template defined based on the combination of policy target type, policy KPI, and classification attribute, and the support information.
  • the output unit 25 generates a policy example by inserting the classification attribute values included in each of the policy target segment and policy target segment included in the support information into a template in accordance with the above generation definition.
  • Figure 10 is an example of a generation definition of a policy example under the conditions that the policy target type is "purchase”, the policy KPI is "purchase amount”, and the combination of classification attributes is "time period, concurrent purchase pattern".
  • the template defined is "When purchasing ⁇ a set of classification attribute values of the policy target segment>, ⁇ a classification attribute value of the concurrent purchase pattern of the policy target segment> is sold as a set.”
  • the output unit 25 generates a policy example by inserting data obtained from the support information within the ⁇ > of the template.
  • the ⁇ a set of classification attribute values of the policy target segment> is "coffee in the morning" (underlined in Figure 10), and the ⁇ a classification attribute value of the concurrent purchase pattern of the policy target segment> is "coffee and bread” (wavy line in Figure 10).
  • the policy example generated is "When purchasing coffee in the morning, coffee and bread are sold as a set.”
  • the output unit 25 for example, assigns the example measures generated as described above to each piece of support information shown in Figure 7, and outputs a list ranking the measures in order of expected effectiveness.
  • Figure 11 shows an example of the list display in this case.
  • the output unit 25 may accept the actual effect of the measure input by the user after the measure is implemented, and output an evaluation result comparing the expected effect of the measure with the actual effect of the measure. Specifically, the output unit 25 calculates an evaluation of the expected effect of the measure, such as the ratio of the actual effect of the measure to the expected effect of the measure, or the difference between the expected effect of the measure and the actual effect of the measure. For example, assume that the actual effect of the measure is 57,000 yen when a set of coffee and bread is sold at the time of purchase for the measure target segment "morning coffee.” In this case, the output unit 25 outputs an evaluation result such as that shown in FIG. 12 using the actual effect of the measure of 57,000 yen input by the user. In the example of FIG. 12, the achievement rate of the expected effect of the measure is calculated as the evaluation. In this example, the achievement rate is calculated as "actual effect of the measure / expected effect of the measure,” and the achievement rate is displayed as 0.88.
  • the expected effect of the measure such as the ratio of the actual effect
  • Figure 13 is a flowchart showing the flow of policy formulation support processing by the policy formulation support device 10.
  • Figure 16 is a flowchart showing the flow of evaluation processing by the policy formulation support device 10.
  • the policy formulation support processing and evaluation processing are performed by the CPU 11 reading out the policy formulation support program from the ROM 12 or storage 14, expanding it into the RAM 13, and executing it.
  • the policy formulation support processing and evaluation processing are examples of the policy formulation support method disclosed herein.
  • step S10 the CPU 11, functioning as the acquisition unit 21, acquires the policy information input by the user, including the policy target type and policy KPI.
  • the policy target type is "purchase”
  • the policy KPI is "purchase amount.”
  • step S30 the CPU 11, as the aggregation unit 22, aggregates the values of the policy KPIs for each segment, which is a combination of the classification attribute values of each combination of two classification attributes included in the store data for each "purchase.”
  • the CPU 11, as the aggregation unit 22, then stores the aggregation results in the aggregation result DB 32 and passes the policy information to the extraction unit 23.
  • step S40 the CPU 11 executes extraction processing as the extraction unit 23.
  • the extraction processing will now be described in detail with reference to FIG. 14.
  • step S41 the CPU 11, functioning as the extraction unit 23, selects one combination of classification attributes from the combinations of classification attributes linked to store data in "purchase" units.
  • step S42 the CPU 11, functioning as the extraction unit 23, acquires the aggregation results for the selected combination of classification attributes from the aggregation result DB 32. Then, the CPU 11, functioning as the extraction unit 23, selects one segment set from the acquired aggregation results.
  • step S43 the CPU 11, as the extraction unit 23, sets, for example, the segment with the lowest median purchase amount as the measure target segment and the segment with the highest median purchase amount as the measure target segment based on the statistical value of the measure KPI "purchase amount" within the selected segment set.
  • step S44 the CPU 11, functioning as the extraction unit 23, determines whether the selected segment set satisfies the extraction conditions.
  • the extraction conditions include statistical conditions based on the statistical difference in the policy KPIs between the segments, and characteristic conditions related to the similarity between the segments. If the extraction conditions are met, the process proceeds to step S45; if the extraction conditions are not met, the process proceeds to step S46.
  • step S45 the CPU 11, functioning as the extraction unit 23, extracts the set of policy target segment and policy target segment set in step S43 above, and stores them in the extraction result DB 33.
  • step S46 the CPU 11, functioning as the extraction unit 23, determines whether all segment sets have been selected from the segments included in the aggregation results. If there are unselected segment sets, the process returns to step S42; if all segment sets have been selected, the process proceeds to step S47.
  • step S47 the CPU 11, functioning as the extraction unit 23, determines whether all combinations of classification attributes of store data in "purchase" units have been selected. If there are unselected combinations, the process returns to step S41; if all combinations have been selected, the CPU 11, functioning as the extraction unit 23, passes the policy direction information to the calculation unit 24, terminates the extraction process, and returns to the policy formulation support process ( Figure 13).
  • steps S42 to S46 above can be performed for that combination of classification attributes.
  • step S50 the CPU 11, functioning as the calculation unit 24, acquires extraction results corresponding to the policy direction information from the extraction result DB 33. Then, for each pair of policy target segment and policy target segment included in the acquired extraction results, the CPU 11, functioning as the calculation unit 24, calculates the expected policy effect that is expected when a policy is implemented on the policy target segment with the policy KPI for the policy target segment as the target. For all pairs of policy target segment and policy target segment included in the extraction results, for each combination of classification attributes, the CPU 11, functioning as the calculation unit 24, associates the calculated expected policy effect with the pair of policy target segment and policy target segment, and stores this as support information in the support information DB 34. Then, the CPU 11, functioning as the calculation unit 24, passes the policy direction information to the output unit 25.
  • step S60 the CPU 11 executes output processing as the output unit 25.
  • the output processing will now be described in detail with reference to FIG. 15.
  • step S63 the CPU 11, as the output unit 25, generates policy content for each combination of classification attributes in accordance with a predetermined policy content generation definition.
  • step S64 the CPU 11, as the output unit 25, ranks the combinations of classification attributes in descending order of the expected policy effect calculated in step S62 above, and displays a list with the policy content generated in step S63 above.
  • step S65 the CPU 11, as the output unit 25, acquires from the support information DB 34 support information corresponding to the combination of classification attributes selected by the user from the list displayed in step S64.
  • step S66 the CPU 11, as the output unit 25, generates a policy example for each support information item, for each pair of policy target segment and policy target segment included in the acquired support information, in accordance with a predetermined policy example generation definition.
  • step S67 the CPU 11, as the output unit 25, ranks pairs of policy target segments and policy target segments in descending order of the expected effect of the policy contained in the support information acquired in step S65 above, and displays a list of the policy examples generated in step S66 above.
  • the extraction process then ends, and the process returns to the policy formulation support process ( Figure 13), which then ends.
  • step S67 the process may return to step S64 at the user's instruction, or the ranking of the classification attribute combinations in step S64 may be constantly displayed, and a classification attribute combination may be specified in step S65. In other words, a classification attribute combination different from the previous one may be accepted.
  • step S71 the CPU 11, as the output unit 25, accepts the actual policy effect input by the user after the policy is implemented.
  • step S72 the CPU 11, as the output unit 25, calculates an evaluation such as the ratio of the actual policy effect to the expected policy effect, and the difference between the expected policy effect and the actual policy effect.
  • step S73 the CPU 11, as the output unit 25, displays the evaluation results, and the evaluation process ends.
  • the policy formulation support device acquires store data, which is data related to purchases made at stores, and policy policy information, which includes policy target types and policy KPIs.
  • the policy formulation support device also aggregates the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the policy policy information.
  • the policy formulation support device also extracts, from the aggregated segments, pairs of policy target segments for which policies are to be implemented and policy target segments, which are the goals of the policies. For each pair of policy target segment and policy target segment, the policy formulation support device then calculates the expected policy effects that are expected when policies are implemented for the policy target segment, with the policy KPIs for the policy target segment as targets, and displays these in association as support information. This makes it possible to support the selection of policy targets with high policy effects according to the policy direction.
  • the policy development support device also outputs the policy content and example policy implementations along with the support information. This makes it easy to select the policy content and example policy implementations for a policy targeting "purchasing morning snacks," for example, whether to sell snacks in a set with something else, or to lower the price of the snacks.
  • the acquisition unit 21 acquires policy policy information that includes "customer” as the policy target type and "number of store visits” as the policy KPI.
  • the acquisition unit 21 also acquires store data recorded by the policy target type "customer” included in the acquired policy policy information from the store data DB 31.
  • Figure 17 shows an example of store data recorded by "customer”.
  • each row corresponds to customer data for one customer, and each customer data includes information on "customer ID", "gender”, “age group”, “visit interval”, "number of store visits", “number of purchased items", and "purchase amount”.
  • “Customer ID” is an identifier for customer data.
  • “Time slot” is the time slot during which the customer identified by the customer ID frequently visits the store, and is classified into classes (for example, four time slot classes: morning, noon, afternoon, and evening) based on the number of visits by time slot over a specified period (for example, one month). Any method of classifying classes may be used as long as it is based on the time of visit. For example, classification may be based on the time slot during which the customer visited the store most frequently over a month, or multiple customers may be clustered based on the similarity of the frequency distribution of visit times per customer, and each class may be classified as a single time slot class.
  • Visit interval is classified into classes (for example, four classes based on the number of visits per day, once every three days, once every five days, and once every six days or less) based on the number of visits per specified period (for example, one month).
  • the method for classifying the number of visits into classes can be any method that classifies based on visit intervals, such as clustering multiple customers based on the similarity of the frequency distribution of visit intervals for each customer and classifying each class as a single visit interval class.
  • the aggregation unit 22 aggregates store data by "customer” based on the policy information and stores the aggregation results in the aggregation result DB 32. For example, based on the policy KPI being "number of store visits," the aggregation unit 22 aggregates values related to the "number of store visits" for the same segment for each combination of classification attributes of store data by "customer.” The aggregation unit 22 may calculate, for example, the median number of store visits or the customer frequency (number of customers) as the aggregated value of the "number of store visits.” The aggregation unit 22 also calculates the median purchase amount in order to calculate the expected effect of the policy in the calculation unit 24.
  • Figure 18 shows an example of the aggregation results for a combination of the classification attributes "time of day” and "visit interval” in store data by "customer.”
  • the segment “morning, once a day” indicates that the classification attribute value for the classification attribute "time of day” is “morning” and the classification attribute value for the classification attribute "visit interval” is "once a day.”
  • the example in Figure 18 shows that, for example, when store data by "customer” for a customer in the segment "morning, once a day” is aggregated for one month, the median purchase amount is "3,700 yen” and the customer frequency (total number of customers) is "100 people.”
  • the extraction unit 23 extracts pairs of policy target segments and policy target segments from the segments included in the aggregation results based on the policy direction information, and stores the extraction results in the extraction result DB 33.
  • the process of extracting pairs of policy target segments and policy target segments from the aggregation results of combinations of the classification attributes "time period" and "visit interval” will be described.
  • an example of extraction processing will be described under extraction conditions where the statistical conditions are significant difference, effect size > 0.15, and the characteristic conditions are that the classification attribute value of "time period" is the same, and the classification attribute value of "visit interval" is shorter for the policy target segment than for the policy target segment (higher visit frequency).
  • the extraction unit 23 first extracts a pair of two segments from the segments included in the aggregation results shown in FIG. 18. For example, if the extraction unit 23 extracts a pair of segments, "morning, once a day” and “morning, once every three days," the segment “morning, once every three days” with the lowest median of the measure KPI (here, the number of store visits) within this pair is set as the measure target segment, and the segment “morning, once a day” with the highest median is set as the measure target segment. In this example, the statistical condition is determined to have no significant difference, and the extraction unit 23 does not extract this pair of segments.
  • the extraction unit 23 extracts a segment pair of "morning, once every 3 days” and “morning, once every 5 days” from the aggregation results, it sets the measure target segment to "morning, once every 5 days” and the measure target segment to "morning, once every 3 days” based on the measure KPI. In this case, there is a significant difference, and the effect size of 0.4 is greater than the threshold, so the statistical conditions are met. Furthermore, the classification attribute value for "time period” is the same, "morning," and the classification attribute value for "visit interval” indicates that the visit interval is shorter (visit frequency is higher) in the measure target segment than in the measure target segment, so the characteristic conditions are also met. Therefore, the extraction unit 23 extracts this segment pair and stores it in the extraction result DB 33.
  • the extraction unit 23 extracts a segment pair of "morning, once every three days” and “afternoon, once every five days” from the aggregation results.
  • the classification attribute values of "time period" are not the same, and the characteristic conditions are not satisfied, so the extraction unit 23 does not extract this segment pair.
  • the calculation unit 24 calculates the expected effect of a measure for each pair of a measure target segment and a measure target segment included in the extraction result by the extraction unit 23. For example, it is assumed that a calculation method of the expected effect of a measure is defined as shown below.
  • the above definition is used to calculate the expected effect of a campaign from the perspective that the median number of store visits by customers in the campaign target segment (number of customers) will approach the median number of store visits for the campaign target group as a result of the campaign. Assuming that the campaign will not necessarily bring all customers in the campaign target segment closer to the median number of store visits for the campaign target segment, the expected effect of the campaign is calculated by dividing by the response rate d to the campaign, which is set to a value of 0 ⁇ d ⁇ 1, and subtracting the cost of the number of store visits related to the campaign. Note that costs are often defined on a monetary basis, so the cost e is the monetary cost converted into the number of store visits.
  • the response rate may be a constant based on past implementation of measures, or if the similarity between the measure target segment and the measure target segment can be calculated, it may be the similarity between segments.
  • the similarity can be considered to be the similarity in the distribution of the time periods when customers visit the store.
  • the similarity between segments can be calculated by calculating the centroid vectors of the measure target segment and the measure target segment based on a vector whose elements are the number of customers visiting the store by time period, and then calculating the cosine similarity between the centroid vectors as the similarity between the segments.
  • the response rate is not limited to being set directly based on the cosine similarity; any method is acceptable as long as it allows for setting a response rate according to the similarity between segments.
  • a threshold value can be set as the response rate, such as 1.0 when the cosine similarity is 0.9 or greater, and 0 when it is less than 0.5.
  • the similarity value can be input into a sigmoid function to emphasize the response rate for those with greater similarity and, conversely, weaken the response rate for those with less similarity. This makes it possible to increase the response rate of the top pairs in descending order of similarity among all pairs of policy target segments and policy target segments, and decrease the response rate of the bottom pairs. If the response rate is set to a small value (e.g., 0), the expected effect of the policy will be small, so support information including these two segments may be excluded from the support information presented to the user.
  • the calculation unit 24 first extracts, for example, a pair of "morning, once every five days" as the measure target segment and "morning, once every three days" as the measure target segment from the extraction results shown in FIG. 19.
  • the calculation unit 24 calculates the expected effect of the measure for this pair in accordance with the definition of the above-mentioned calculation method for the expected effect of the measure.
  • the calculation unit 24 uses values stored in the extraction result DB 33 as the median number of store visits, median purchase amount, and frequency for each of the measure target segment and measure target segment included in the above definition. Furthermore, for the response rate and cost amount included in the above definition, the calculation unit 24 uses data that is predefined for each combination of classification attributes and for each segment group.
  • the expected effect of the campaign is calculated as 85 times, as shown below.
  • the calculation unit 24 associates the calculated expected effect of the measure with a pair of the measure target segment and the measure target segment, and stores this as support information in the support information DB 34.
  • the output unit 25 displays a list of support information.
  • Figure 21 shows an example of a list of support information for a combination of the classification attributes "time period" and "visit interval.”
  • the output unit 25 may also tally the expected effect of the measures for each combination of classification attributes, rank the combinations of classification attributes in descending order of expected effect, and output a list with the details of the measures attached to each combination of classification attributes. This case will be explained in detail below. For example, in the case of support information for the combination of classification attributes "time period" and "visit interval” shown in Figure 21, if the representative value is set to the maximum value, the expected effect of the measures for the combination of classification attributes "time period" and "visit interval" will be 600 times.
  • the output unit 25 generates and assigns policy content for each combination of classification attributes in accordance with a predetermined policy content generation definition.
  • the generation of policy content is defined based on the combination of policy target type, policy KPI, and classification attributes.
  • the policy target type is "customer”
  • the policy KPI is "number of store visits”
  • the combination of classification attributes is "time period, store visit interval”
  • the policy content is "distribute coupons.”
  • Figure 23 shows an example of policy content assigned to each combination of classification attributes, sorted in descending order of expected policy effect, and displayed in a list.
  • the output unit 25 may also output a list such as that shown in FIG. 23 that ranks the policy target segments, policy target segments, and expected policy effects that correspond to the combination of classification attributes selected by the user in order of highest expected policy effect, and further includes examples of policy implementations. This case will be explained in detail below.
  • the output unit 25 retrieves support information corresponding to this combination from the support information DB 34.
  • the output unit 25 generates a policy example for each piece of retrieved support information in accordance with a predetermined policy example generation definition. As shown in Figure 24, the policy example is generated using a template defined based on the combination of policy target type, policy KPI, and classification attribute, and the support information.
  • the output unit 25 generates a policy example by inserting the classification attribute values included in each of the policy target segment and policy target segment included in the support information into a template in accordance with the generation definition.
  • Figure 24 shows an example of a generation definition for a policy example under the conditions that the policy target type is "customer," the policy KPI is "number of visits,” and the combination of classification attributes is "time period, visit interval.”
  • the template defined is, "To customers of ⁇ group of classification attribute values of the policy target segment>, distribute coupons after the visit interval reaches ⁇ classification attribute value of the visit interval of the policy target segment>.”
  • the ⁇ group of classification attribute values of the policy target segment> is "daytime, once every five days" (underlined in Figure 24), and the ⁇ classification attribute value of the visit interval of the policy target segment> is "once a day” (wavy line in Figure 24).
  • the policy example generated is, "To customers who visit once a day in the daytime, distribute coupons after the visit interval
  • the output unit 25 for example, assigns the example measures generated as described above to each piece of support information shown in FIG. 21, and outputs a list ranking the measures in descending order of expected effectiveness.
  • FIG. 25 shows an example of the list display in this case.
  • the output unit 25 may accept the actual effect of the measure input by the user after the measure is implemented, and output an evaluation result comparing the expected effect of the measure with the actual effect of the measure. For example, suppose a measure is implemented targeting customers whose visit interval is "once every five days during the day" and who visit the store approximately "once a day” throughout the month, whereby coupons such as discount coupons or product exchange coupons are distributed when the visit interval reaches once a day. Assume that the actual effect of this measure in one month is a total of 500 visits. In this case, the output unit 25 outputs an evaluation result such as that shown in FIG. 26 using the 500 actual effect of the measure input by the user. In the example of FIG. 26, the achievement rate of the expected effect of the measure is calculated as the evaluation. In this example, the achievement rate is calculated as "actual effect of the measure / expected effect of the measure", and the achievement rate is displayed as 0.83.
  • the policy formulation support processing and evaluation processing which are executed by the CPU by loading software (programs), may also be executed by various processors other than the CPU.
  • processors in this case include PLDs (Programmable Logic Devices) such as FPGAs (Field-Programmable Gate Arrays), whose circuit configuration can be changed after manufacture, and dedicated electrical circuits, such as ASICs (Application Specific Integrated Circuits), which are processors with circuit configurations designed specifically to execute specific processes.
  • the policy formulation support processing and evaluation processing may be executed by one of these various processors, or by a combination of two or more processors of the same or different types (e.g., multiple FPGAs, or a combination of a CPU and an FPGA).
  • the hardware structure of these various processors is, more specifically, an electrical circuit that combines circuit elements such as semiconductor devices.
  • the policy formulation support program is pre-stored (installed) in storage 14, this is not limiting.
  • the program may also be provided in a form stored on a non-transitory storage medium such as a CD-ROM (Compact Disk Read Only Memory), a DVD-ROM (Digital Versatile Disk Read Only Memory), or a USB (Universal Serial Bus) memory.
  • the program may also be downloaded from an external device via a network.
  • an acquisition unit that acquires store data, which is data related to purchases at the store, and instruction information that indicates the direction of sales promotion measures, including the type of measure target and indicators that are to be improved by implementing the measures; a counting unit that counts the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the instruction information; an extraction unit that extracts, from the aggregated segments, a pair of a measure target segment that is a target of the measure and a measure target segment that is a target of the measure; a calculation unit that calculates, for each group, an expected effect of a measure that is expected when a measure is implemented for the measure target segment; an output unit that associates the calculated expected effect of the measure with a pair of the measure target segment and the measure target segment and outputs the result;
  • a policy formulation support device including:
  • the extraction unit extracts, from the aggregated sets of segments, sets of segments that satisfy extraction conditions including statistical conditions based on the statistical differences in the indicators between the segments and characteristic conditions regarding the similarity of the classification attribute values, as sets of the policy target segment and the policy target segment.
  • the output unit is a policy formulation support device described in any one of appendix 1 to appendix 4, which aggregates the expected policy effects for each group of segments for each combination of classification attributes, ranks the aggregated expected policy effects in order of highest to lowest, and displays a list of the combinations of classification attributes.
  • the output unit is a policy formulation support device described in Appendix 5 or Appendix 6, which displays a list of the policy target segments, policy target segments, and expected policy effects that correspond to a specified combination of classification attributes from the ranked combinations of classification attributes, ranked in order of the highest expected policy effects.
  • the output unit generates a policy example based on the direction of the sales promotion policy and the difference between the classification attribute value of the policy target segment and the classification attribute value of the policy target segment, and displays a list of the policy example attached to the policy target segment, the policy target segment, and the expected effect of the policy.
  • a policy formulation support method executed by a policy formulation support device including an acquisition unit, a counting unit, an extraction unit, a calculation unit, and an output unit
  • the acquisition unit acquires store data, which is data related to purchases at the store, and instruction information indicating the direction of sales promotion measures, including the type of measure target and indicators to be improved by implementing the measures;
  • the aggregation unit aggregates the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the instruction information;
  • the extraction unit extracts, from the aggregated segments, a pair of a measure target segment that is a target of the measure and a measure target segment that is a target of the measure;
  • the calculation unit calculates, for each group, an expected effect of a measure that is expected when a measure is implemented for the measure target segment;
  • the output unit outputs the calculated expected effect of the measure in association with a pair of the measure target segment and the measure target segment.
  • a policy development support program for causing a computer to function as each part of the policy development support device according to any one of supplementary items 1 to 9.
  • the processor Acquire store data, which is data related to purchases at the store, and instruction information indicating the direction of sales promotion measures, including the type of measure target and the indicators to be improved by implementing the measures; aggregating the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the instruction information; extracting, from the aggregated segments, a pair of a measure target segment to which a measure is to be implemented and a measure target segment to which the measure is to be targeted; For each group, calculate an expected effect of a measure that is expected when a measure is implemented for the measure target segment; outputting the calculated expected effect of the measure in association with a pair of the measure target segment and the measure target segment;
  • the policy formulation support device is configured as follows.
  • a non-transitory storage medium storing a program executable by a computer to execute a policy formulation support process
  • the policy formulation support process includes: Acquire store data, which is data related to purchases at the store, and instruction information indicating the direction of sales promotion measures, including the type of measure target and the indicators to be improved by implementing the measures; aggregating the store data for each segment, which is a combination of classification attribute values corresponding to a combination of classification attributes of the store data, in accordance with the instruction information; extracting, from the aggregated segments, a pair of a measure target segment to which a measure is to be implemented and a measure target segment to which the measure is to be targeted; For each group, calculate an expected effect of a measure that is expected when a measure is implemented for the measure target segment; outputting the calculated expected effect of the measure in association with a pair of the measure target segment and the measure target segment; Non-transitory storage medium.

Landscapes

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

Abstract

施策策定支援装置は、店舗における購買に関連するデータと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、店舗データを指示情報に従って店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、集計したセグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、組毎に、施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、施策対象セグメントと施策目標セグメントとの組に、算出された施策期待効果を対応付けて出力する。

Description

施策策定支援装置、方法、及びプログラム
　開示の技術は、施策策定支援装置、施策策定支援方法、及び施策策定支援プログラムに関する。
　実店舗のマーケティングにおいて、店舗運営者や、店舗における購買に係るデータである店舗データの分析者等の販売促進施策の策定者が、施策の方向性に合致した施策を策定する場合、店舗の観察や、店舗データの分析を通して、施策を策定する。施策の方向性とは、施策を実施するための要件で、主に、施策を実施する際の施策対象の種類、施策によって向上させたい施策ＫＰＩ（Ｋｅｙ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｉｎｄｉｃａｔｏｒ）等である。施策対象の種類は、例えば、商品、購買、顧客等であり、施策ＫＰＩは、例えば、購買金額、購買数、来店数等である。したがって、施策の方向性としては、例えば、「商品（施策対象の種類）の購買数（施策ＫＰＩ）を増やしたい」等となる。
　例えば、非特許文献１の方法では、店舗データにおける分類属性及び分類属性値を基に、施策対象の種類に対して、分類属性値の組み合わせであるセグメントを抽出する。そして、この方法では、抽出したセグメントの中で向上させたい施策ＫＰＩの値が低いセグメントを選定し、そのセグメントを施策対象として、販売促進施策を実施している。
　また、非特許文献２の方法では、顧客毎の特性を活かして商品や販売時期を推定して販売促進施策を実施している。
渡辺美智子、"大規模データの分類技法－潜在クラスモデルの行動計量的活用－"、横幹連合コンファレンス予稿集、２００５、２００５巻、第１回横幹連合コンファレンス、セッションＩＤ　Ｋ２－５４、ｐ．２２３、公開日　２００６／０６／２７ 山根智之、菅原光太郎、西村直樹、"時系列モデルによる商品販促効果の分析"、オペレーションズ・リサーチ＝Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ　ｏｆ　ｔｈｅ　Ｏｐｅｒａｔｉｏｎｓ　Ｒｅｓｅａｒｃｈ　Ｓｏｃｉｅｔｙ　ｏｆ　Ｊａｐａｎ：経営の科学　６１（２）、２０１６－０２、日本オペレーションズ・リサーチ学会、ｐ．６５－７０
　従来技術では、施策ＫＰＩの値が低いセグメントや、顧客が購入し易い商品を施策対象にすることは可能である。しかし、店舗データにおける分類属性や分類属性値の種類が多く、分類属性値の組み合わせも多くなる場合、全てのセグメントについて、施策実施による施策ＫＰＩの向上値等の施策効果を事前に予測し、施策効果の高いセグメントを見つけることは難しい。また、同様に、施策ＫＰＩの値が高い等、施策の目標となる優良なセグメントを見つけることも難しい。そのため、施策の方向性に応じて施策効果が高い施策対象を選定することが難しい。
　例えば、店舗データの分類属性である購入時間帯（朝、昼、午後、夜等）及び購入商品カテゴリに着目し、店舗観察や店舗データから、朝にパンの購入が多いが、朝に飲料の購入が少なく、さらに、朝に菓子の購入がより少ないことが分かったとする。施策対象として、購入がより少ないセグメント「朝の菓子の購入」を選定することはできる。しかし、店舗データから「朝の菓子の購入」と「朝の飲料の購入」とに対して、どちらの施策効果が高いかを判断することは難しい。
　開示の技術は、上記の点に鑑みてなされたものであり、施策の方向性に応じて施策効果が高い施策対象の選定を支援することを目的とする。
　本開示の第１態様は、施策策定支援装置であって、店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得する取得部と、前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計する集計部と、集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出する抽出部と、前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出する算出部と、前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する出力部と、を含む。
　本開示の第２態様は、取得部と、集計部と、抽出部と、算出部と、出力部とを含む施策策定支援装置が実行する施策策定支援方法であって、前記取得部が、店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、前記集計部が、前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、前記抽出部が、集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、前記算出部が、前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、前記出力部が、前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する方法である。
　本開示の第３態様は、コンピュータを、上記の施策策定支援装置の各部として機能させるための施策策定支援プログラムである。
　開示の技術によれば、施策の方向性に応じて施策効果が高い施策対象の選定を支援することができる。
施策策定支援装置のハードウェア構成を示すブロック図である。 施策策定支援装置の機能構成の例を示すブロック図である。 本実施形態における店舗データの一例を示す図である。 本実施形態における集計結果の一例を示す図である。 本実施形態における抽出結果の一例を示す図である。 本実施形態における支援情報の一例を示す図である。 本実施形態における支援情報の一覧の一例を示す図である。 本実施形態における施策内容の生成定義の一例を示す図である。 本実施形態における分類属性の組み合わせのランキングの一覧表示例を示す図である。 本実施形態における施策実施例の生成定義の一例を示す図である。 本実施形態における支援情報のランキングの一覧表示例を示す図である。 本実施形態における評価結果の一例を示す図である。 施策策定支援処理の一例を示すフローチャートである。 抽出処理の一例を示すフローチャートである。 出力処理の一例を示すフローチャートである。 評価処理の一例を示すフローチャートである。 他の適用例における店舗データの一例を示す図である。 他の適用例における集計結果の一例を示す図である。 他の適用例における抽出結果の一例を示す図である。 他の適用例における支援情報の一例を示す図である。 他の適用例における支援情報の一覧の一例を示すである。 他の適用例における施策内容の生成定義の一例を示す図である。 他の適用例における分類属性の組み合わせのランキングの一覧表示例を示す図である。 他の適用例における施策実施例の生成定義の一例を示す図である。 他の適用例における支援情報のランキングの一覧表示例を示す図である。 他の適用例における評価結果の一例を示す図である。
　以下、開示の技術の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。
　図１は、本実施形態に係る施策策定支援装置１０のハードウェア構成を示すブロック図である。図１に示すように、施策策定支援装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１３と、ストレージ１４と、入力部１５と、表示部１６と、通信Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）１７とを有する。各構成は、バス１９を介して相互に通信可能に接続されている。
　ＣＰＵ１１は、中央演算処理ユニットであり、各種プログラムの実行、各部の制御等を行う。すなわち、ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４からプログラムを読み出し、ＲＡＭ１３を作業領域としてプログラムを実行する。ＣＰＵ１１は、ＲＯＭ１２又はストレージ１４に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。本実施形態では、ＲＯＭ１２又はストレージ１４には、後述する施策策定支援プログラムが格納されている。
　ＲＯＭ１２は、各種プログラム及び各種データを格納する。ＲＡＭ１３は、作業領域として一時的にプログラム又はデータを記憶する。ストレージ１４は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置により構成され、オペレーティングシステムを含む各種プログラム及び各種データを格納する。
　入力部１５は、マウス等のポインティングデバイス、及びキーボードを含み、各種の入力を行うために使用される。表示部１６は、例えば、液晶ディスプレイであり、各種の情報を表示する。表示部１６は、タッチパネル方式を採用して、入力部１５として機能してもよい。
　通信Ｉ／Ｆ１７は、他の機器と通信するためのインタフェースである。当該通信には、例えば、イーサネット（登録商標）、ＦＤＤＩ等の有線通信の規格、又は、４Ｇ、５Ｇ、Ｗｉ－Ｆｉ（登録商標）等の無線通信の規格が用いられる。
　次に、施策策定支援装置１０の機能構成について説明する。図２は、施策策定支援装置１０の機能構成の例を示すブロック図である。図２に示すように、施策策定支援装置１０は、機能構成として、取得部２１と、集計部２２と、抽出部２３と、算出部２４と、出力部２５とを含む。また、施策策定支援装置１０の所定の記憶領域には、店舗データＤＢ（ｄａｔａｂａｓｅ）３１と、集計結果ＤＢ３２と、抽出結果ＤＢ３３と、支援情報ＤＢ３４とが記憶される。各機能構成は、ＣＰＵ１１がＲＯＭ１２又はストレージ１４に記憶された施策策定支援プログラムを読み出し、ＲＡＭ１３に展開して実行することにより実現される。
　図２に示すように、施策策定支援装置１０には、販売促進施策の方向性を示す施策方針情報が入力される。施策策定支援装置１０は、入力された施策方針情報に従って、店舗データをセグメント毎に集計する。施策策定支援装置１０は、集計されたセグメントから、施策の実施対象のセグメントである施策対象セグメントと、施策の目標となるセグメントである施策目標セグメントとの組を抽出する。また、施策策定支援装置１０は、セグメントの組毎に、施策対象セグメントに対して、施策目標セグメントの施策ＫＰＩを目標とする施策を行った場合に期待される施策期待効果を算出する。そして、施策策定支援装置１０は、抽出した施策対象セグメントと施策目標セグメントとの組に、算出した施策期待効果を対応付けた支援情報を出力する。
　販売促進施策とは、店舗にて販売を促進するために実施する施策である。施策の方向性とは、施策を実施する際の施策対象種類、施策によって改善させたい施策ＫＰＩ等、施策を実施するための要件であり、これらの要件を指定したものが施策方針情報である。施策対象種類とは、施策を実施する対象の種類であり、例えば、顧客、購買、商品等である。施策対象が顧客の場合、１顧客に対して実施する施策を策定し、施策対象が購買の場合、１購買に対して実施する施策を策定し、施策対象が商品の場合、１商品に対して実施する施策を策定する。施策ＫＰＩとは、施策を実施することで値を向上させたい指標であり、例えば、購買金額、購買数、来店数等である。
　また、店舗データとは、店舗における購買に関するデータである。分類属性とは、店舗データにおける、顧客、購買、商品等に関する属性である。なお、分類属性は、データ分析の際にデータを分類するための属性である。本実施形態では、分類属性を組み合わせることで、施策対象を絞り込む。例えば、「顧客」に関する店舗データの分類属性は、性別、年代等を含む。また、例えば、「購買」に関する店舗データの分類属性は、購買の日付、時間帯等を含む。また、例えば、「商品」に関する店舗データの分類属性は、併買パターン、購買商品数等を含む。分類属性値は、分類属性の具体的な値であり、例えば、分類属性「時間帯」の分類属性値は、朝、昼、夕方、夜等である。また、例えば、分類属性「併買パターン」の分類属性値は、珈琲のみ、珈琲とパン、飲料と食事等である。
　また、セグメントとは、分類属性の組み合わせに対応する分類属性値の組み合わせ毎に店舗データを集計したデータの集合である。例えば、店舗データを購買単位で分類属性の組み合わせ（例えば、「時間帯」と「併買パターン」）の分類属性値の組み合わせで集計した場合、例えば、朝、珈琲のみの購買のデータの集合が１つのセグメントとなる。また、店舗データをセグメント毎に集計することにより、各セグメントの頻度が求まる。セグメントの頻度は、そのセグメントに含まれるデータの数（朝、珈琲のみを購入した数）となる。
　また、施策対象セグメントとは、施策を実施する対象のセグメントであり、施策目標セグメントとは、施策対象セグメントを対象とする施策を実施する際の目標となるセグメントである。例えば、セグメント「朝、珈琲のみ」を施策対象セグメントとする場合、この施策対象セグメントに対する施策として珈琲とパンとのセット販売を実施する場合、セグメント「朝、珈琲とパン」が施策目標セグメントとなり得る。
　また、施策期待効果とは、施策実施前に期待される施策効果である。施策効果とは、施策によって向上した施策ＫＰＩである。具体的には、施策対象セグメントの施策前の施策ＫＰＩと施策実施後の施策ＫＰＩとの差分である。例えば、施策ＫＰＩが購買金額の場合、施策を実施することによって得られた購買金額の合計が施策効果である。より具体的には、施策対象セグメントの施策実施前の購買金額合計が１００，０００円、施策対象セグメントの施策実施後の購買金額合計が２００，０００円の場合、施策効果は１００，０００円（＝２００，０００円－１００，０００円）である。
　販売促進施策は、どんなセグメントにどんな施策を実施すると、どのくらい施策効果が見込めそうかという情報を施策策定支援装置１０から得て策定される。以下、施策策定支援装置１０の各機能部について詳述する。
　店舗データＤＢ３１には、顧客、購買、商品等に関する所定の分類属性毎に店舗データが記憶されている。
　取得部２１は、ユーザにより入力された施策方針情報を取得する。上述の通り、施策方針情報には、施策を実施する際の施策対象種類、施策によって改善させたい施策ＫＰＩ等の情報が含まれる。本実施形態では、ユーザが、販売促進施策の方向性として「購買の売り上げ（１購買についての購買金額）を上げたい」を考えていた場合を例として説明する。この例では、施策対象種類として「購買」、施策ＫＰＩとして「購買金額」を含む施策方針情報が取得される。
　また、取得部２１は、店舗データＤＢ３１から、取得した施策方針情報に応じて、所定期間分（例えば、１か月分）の店舗データ（ここでは、「購買」単位で記録された店舗データ）を取得する。図３に、「購買」単位で記録された店舗データの一例を示す。図３の例では、各行（各レコード）が１購買についての購買データに相当し、各購買データは、「購買ＩＤ」、「性別」、「年代」、「日付」、「時間帯」、「併買パターン」、「購買商品数」、及び「購買金額」の情報を含む。「購買ＩＤ」は、購買データの識別子である。「性別」、「年代」、「日付」、「時間帯」、「併買パターン」、及び「購買商品数」は、分類属性の一例である。それぞれ、購買を行った顧客の性別及び年代、購買が行われた日付及び時間帯、同時に購買された商品のカテゴリ、同時に購買された商品の数を示す情報である。「購買金額」は、施策ＫＰＩとなる指標の一例である。
　取得部２１は、取得した施策方針情報及び「購買」単位の店舗データを集計部２２に受け渡す。
　集計部２２は、取得部２１から受け渡された施策方針情報に基づいて、取得部２１から受け渡された「購買」単位の店舗データを集計する。具体的には、集計部２２は、「購買」単位の店舗データに含まれる２つの分類属性の組み合わせ毎に、その分類属性の組み合わせの分類属性値の組み合わせであるセグメント単位で施策ＫＰＩに基づきデータを集計する。例えば、集計部２２は、施策ＫＰＩが「購買金額」であることに基づいて、「購買」単位の店舗データの分類属性の組み合わせ毎に、同一セグメントの「購買金額」に関する値を集計する。集計部２２は、「購買金額」の集計値として、例えば、購買金額の中央値、購買の頻度（購買回数）を算出してよい。
　図４に、「購買」単位の店舗データにおける、分類属性「時間帯」と「併買パターン」との組み合わせについての集計結果の一例を示す。図４では、例えば、セグメント「朝、珈琲」は、分類属性「時間帯」の分類属性値が「朝」、分類属性「併買パターン」の分類属性値が「珈琲」であることを表している。また、図４の例では、例えば、セグメント「朝、珈琲」の購買について、例えば、１か月分の「購買」単位の店舗データを集計すると、購買金額の中央値が「２５０円」、購買の頻度が「１０００件」であることを示している。
　なお、集計部２２は、取得部２１から受け渡された施策方針情報に施策対象種類及び施策ＫＰＩ以外の要件が含まれていない場合、「購買」単位の店舗データに含まれる２つの分類属性の全ての組み合わせについて、上記と同様に集計する。また、集計部２２は、施策方針情報に組み合わせる分類属性の指定が含まれている場合は、指定された分類属性の組み合わせについて、上記と同様に集計する。集計部２２は、集計結果を集計結果ＤＢ３２に格納すると共に、抽出部２３に施策方針情報を受け渡す。例では、分類属性が２つの場合であったが、分類属性の数は３つ以上（例えば、「時間帯」、「併買パターン」、「年代」等）でもよい。また、施策方針情報に組み合わせる分類属性の数を指定することもでき、分類属性の数が指定された場合、「購買」単位の店舗データに含まれる指定された分類属性の数の分類属性に対して、全ての組み合わせについて集計する。
　抽出部２３は、集計部２２から受け渡された施策方針情報に基づいて、対応する集計結果を集計結果ＤＢ３２から取得する。抽出部２３は、取得した集計結果に含まれるセグメントから、施策方針情報に基づいて、施策を実施する対象のセグメントである施策対象セグメントと、施策対象セグメントを対象とする施策を実施する際の目標となるセグメントである施策目標セグメントとの組を抽出する。
　具体的には、抽出部２３は、集計結果に含まれる２つのセグメントの組のうち、セグメント間が所定の抽出条件を満たすセグメント組を抽出する。所定の抽出条件は、セグメント間の施策ＫＰＩの統計的な差に基づく統計条件、及びセグメント間の類似性に関する特性条件を含む。また、抽出部２３は、セグメント組のうち、施策ＫＰＩが低い方のセグメントを施策対象セグメント、施策ＫＰＩが高い方のセグメントを施策目標セグメントとする。
　より具体的には、抽出部２３は、セグメント間の施策ＫＰＩの分布に統計的な差があること、例えば、有意差があり、効果量が閾値より大きいことを統計条件としてよい。有意差の有無は、例えば、施策対象セグメントと施策目標セグメントとの施策ＫＰＩの中央値に対して、スティール・デュワス多重比較検定を実施することで、施策ＫＰＩの中央値の差が統計的に有意かどうかで判定してよい。また、効果量は、例えば、集計結果に含まれる全てのセグメント組で大小比較をするＣｌｉｆｆのｄｅｌｔａ法で、セグメント間の差の大きさを算出した値としてよい。また、抽出部２３は、施策によって施策対象セグメントを施策目標セグメントに近づけることができる、すなわち、購買行動を変化させることができることを特性条件としてよい。例えば、分類属性「時間帯」の分類属性値が同じで、分類属性「併買パターン」の分類属性値が包含関係にあることを特性条件としてよい。
　抽出部２３は、集計結果から抽出した施策対象セグメントと施策目標セグメントとの組の抽出結果を抽出結果ＤＢ３３に格納する。図５に、図４に示す分類属性「時間帯」と「併買パターン」との組み合わせについての集計結果の一例から、施策対象セグメントと施策目標セグメントとの組を抽出した抽出結果の一例を示す。図５の例では、抽出結果ＤＢ３３には、「分類属性の組み合わせ」毎に、「施策対象セグメント」及び「施策目標セグメント」の各々の「セグメント」、「購買金額央値」、及び「頻度」が抽出結果として格納されている。また、図５の例では、「セグメント組の統計量」として、上記の統計条件を判定するために得られた「有意差」及び「効果量」も格納されている。
　図５を参照して、統計条件が、有意差あり、効果量＞０．１５、特性条件が、「時間帯」の分類属性値が同じで、「併買パターン」の分類属性値が包含関係（分類属性値１が分類属性値２の真部分集合）にあることとする抽出条件の下での抽出処理の一例について説明する。なお、分類属性値１は、施策対象セグメントとしたセグメントの「併買パターン」の分類属性値、分類属性値２は、施策目標セグメントとしたセグメントの「併買パターン」の分類属性値である。また、ここでの包含関係とは、商品カテゴリの内容に関する包含関係ではなく、併買パターンに含まれる各商品カテゴリを集合の要素とした場合、一方のセグメントの商品カテゴリが他方のセグメントの商品カテゴリの部分集合であることを意味する。
　この例において、抽出部２３は、まず、図４に示す集計結果に含まれるセグメントから、２つのセグメントの組を取り出す。例えば、抽出部２３は、「朝、珈琲」と「朝、飲料」とのセグメント組を取り出した場合、このセグメント組の中で施策ＫＰＩ（ここでは、購買金額）の中央値が低いセグメント「朝、飲料」を施策対象セグメント、中央値が高いセグメント「朝、珈琲」を施策目標セグメントとする。「朝、珈琲」と「朝、飲料」とでは、「併買パターン」の分類属性値「珈琲」と「飲料」とが包含関係になく、特性条件を満たさないため、抽出部２３は、このセグメント組を抽出しない。
　また、抽出部２３は、集計結果から、「朝、珈琲」と「朝、珈琲とパン」とのセグメント組を取り出した場合、施策ＫＰＩに基づいて、施策対象セグメントを「朝、珈琲」、施策目標セグメントを「朝、珈琲とパン」とする。この場合、有意差があり、効果量０．４が閾値以上であるため、統計条件を満たす。また、「時間帯」の分類属性値は「朝」で同一であり、「併買パターン」の分類属性値は、「珈琲」が「珈琲とパン」との真部分集合であるという包含関係にあるため、特性条件も満たす。したがって、抽出部２３は、このセグメント組を抽出し、抽出結果ＤＢ３３に格納する。
　なお、上記では、施策ＫＰＩに購買金額の中央値を採用し、その有意差検定にスティール・デュワス多重比較検定、効果量測定にＣｌｉｆｆのｄｅｌｔａ法を用いる場合について説明した。これは、購買金額の統計的な分布に正規性が必ずしも保証されないことを前提としていることによる。対象とする店舗の購買傾向として、正規性が保証される場合は、購買金額の平均値を施策ＫＰＩとして、パラメトリックな多重比較検定である、例えばＴｕｋｅｙ法を用い、効果量として、例えばＣｏｈｅｎのｄを用いてよい。施策対象セグメントと施策目標セグメントとの２群間の統計的な差が測定できる方法であればよい。
　抽出部２３は、分類属性の組み合わせの全ての集計結果について、施策対象セグメントと施策目標セグメントとの組の抽出及び抽出結果ＤＢ３３への格納を終了すると、施策方針情報を算出部２４へ受け渡す。
　算出部２４は、抽出部２３から受け渡された施策方針情報に基づいて、対応する抽出結果を抽出結果ＤＢ３３から取得する。算出部２４は、取得した抽出結果に含まれる施策対象セグメントと施策目標セグメントとの組毎に、施策対象セグメントに対して、施策目標セグメントの施策ＫＰＩを目標とする施策を行った場合に期待される施策期待効果を算出する。具体的には、算出部２４は、施策対象セグメントについての施策ＫＰＩを施策目標セグメントについての施策ＫＰＩに近づけるように施策を実施する場合に想定される施策対象セグメントの施策ＫＰＩの変動分を施策期待効果として算出する。
　より具体的には、算出部２４は、施策対象セグメントと施策目標セグメントとの組に対して、施策対象セグメントを施策目標セグメントに近づける観点で、２つのセグメントの施策ＫＰＩの差、及び２つのセグメントの類似性から、施策対象セグメントの施策期待効果を算出する。
　例えば、以下に示すように、施策期待効果の算出方法が定義されているとする。
　　施策期待効果＝ａ×ｂ×ｃ－ｄ
　　　ａ：購買金額の中央値が低いセグメントの頻度の値
　　　ｂ：購買金額の中央値が高いセグメントの購買金額の中央値
　　　　　－購買金額の中央値が低いセグメントの購買金額の中央値
　　　ｃ：施策への反応率（または類似度）
　　　ｄ：施策に係るコスト金額
　上記定義は、施策対象セグメントに属する頻度（購買回数）分の購買の購買金額の中央値が、施策によって施策目標セグメントの購買金額の中央値に近づく観点で施策期待効果を算出するための定義である。全ての施策対象セグメントに属する購買が、施策によって施策目標セグメントの購買金額の中央値に近づくとは限らないことを想定し、０＜ｃ＜１の値で設定された、施策への反応率ｃで除算し、施策に関わるコスト金額を減算し、施策期待効果を算出している。
　この場合において、算出部２４は、図５に示す抽出結果から、例えば、施策対象セグメントとして「朝、珈琲」と、施策目標セグメントとして「朝、珈琲とパン」との組を取り出す。算出部２４は、この組に対して、上記の施策期待効果の算出方法の定義に従って、施策期待効果を算出する。算出部２４は、上記定義に含まれる施策対象セグメント及び施策目標セグメントの各々の購買金額中央値及び頻度として、抽出結果ＤＢ３３に格納されている値を利用する。また、算出部２４は、上記定義に含まれる反応率及びコスト金額については、分類属性の組み合わせ毎に予め定義されたデータを利用する。また、反応率及びコスト金額は、セグメント組毎にも定義されていてもよい。
　施策対象セグメント「朝、珈琲」に対して、施策目標セグメントを「朝、珈琲とパン」として施策を実施する場合において、反応率が０．５、コスト金額が１０，０００であるとすると、下記に示すように、施策期待効果として６５，０００円が算出される。
　　施策期待効果＝ａ×ｂ×ｃ－ｄ
　　　　　　　　＝１０００×（４００－２５０）×０．５－１００００
　　　　　　　　＝６５０００
　算出部２４は、図６に示すように、施策対象セグメントと施策目標セグメントとの組に、算出した施策期待効果を対応付けて、支援情報として支援情報ＤＢ３４に格納する。算出部２４は、抽出結果に含まれる全ての施策対象セグメントと施策目標セグメントとの組に対して、施策期待効果の算出及び支援情報ＤＢ３４への格納が終了すると、施策方針情報を出力部２５へ受け渡す。
　出力部２５は、算出部２４から受け渡された施策方針情報に対応する支援情報を支援情報ＤＢ３４から取得し、取得した支援情報を一覧にして表示部１６へ出力する。これにより、表示部１６において、支援情報が一覧表示される。図７に、分類属性「時間帯」と「併買パターン」との組み合わせについての支援情報の一覧の一例を示す。
　また、出力部２５は、分類属性の組み合わせ単位で施策期待効果を集計し、分類属性の組み合わせ単位で施策期待効果の高い順にランキングした一覧を出力するようにしてもよい。また、出力部２５は、ランキングされた分類属性の組み合わせに、分類属性の組み合わせに対応する施策内容を追加してもよい。この場合について、具体的に説明する。
　出力部２５は、ある分類属性の組み合わせについての支援情報を支援情報ＤＢ３４から全て取り出し、取り出した支援情報に含まれる施策期待効果の最大値、平均値、合計値等を、その分類属性の組み合わせについての代表値として算出する。図７に示す分類属性「時間帯」と「併買パターン」との組み合わせについての支援情報の場合において、代表値を最大値とすると、分類属性「時間帯」と「併買パターン」との組み合わせについての施策期待効果は、９５，０００円となる。
　出力部２５は、予め定められた施策内容の生成定義に従って、分類属性の組み合わせ毎に、施策内容を生成して付与する。図８に示すように、施策内容の生成は、施策対象種類、施策ＫＰＩ、及び分類属性の組み合わせを条件に定義される。図８の例では、施策対象種類が「購買」、施策ＫＰＩが「購買金額」、分類属性の組み合わせが「時間帯、併買パターン」の場合、施策内容は「商品のセット販売」となる。図９に、分類属性の組み合わせ毎に施策内容を付与し、施策期待効果の高い順に並べて一覧表示した例を示す。
　また、出力部２５は、図９に示すような一覧の中からユーザにより選択された分類属性の組み合わせに該当する、施策対象セグメント、施策目標セグメント、及び施策期待効果を、施策期待効果の高い順にランキングし、さらに施策実施例を付与した一覧を出力してもよい。この場合について、具体的に説明する。
　出力部２５は、ユーザが指定した分類属性の組み合わせに該当する支援情報を支援情報ＤＢ３４から取り出す。例えば、図９のうち、順位１位の分類属性「時間帯」と「併買パターン」との組み合わせが指定された場合、この組み合わせに該当する支援情報を支援情報ＤＢ３４から取り出す。また、出力部２５は、予め定められた施策実施例の生成定義に従って、取り出した支援情報毎に、施策実施例を生成する。図１０に示すように、施策実施例は、施策対象種類、施策ＫＰＩ、及び分類属性の組み合わせを条件に定義されたテンプレートと、支援情報とを用いて生成される。
　出力部２５は、上記生成定義に従って、支援情報に含まれる施策対象セグメント及び施策目標セグメントの各々に含まれる分類属性値をテンプレートに挿入することで施策実施例を生成する。例えば、図１０は、施策対象種類が「購買」、施策ＫＰＩが「購買金額」、分類属性の組み合わせが「時間帯、併買パターン」であることを条件とする施策実施例の生成定義の一例である。この例では、テンプレートとして、「＜施策対象セグメントの分類属性値の組＞の購入時に、＜施策目標セグメントの併買パターンの分類属性値＞をセット販売する」が定義されている。出力部２５は、テンプレートの＜　＞内に、支援情報から得られるデータを挿入することで、施策実施例を生成する。図１０の例では、＜施策対象セグメントの分類属性値の組＞が「朝、珈琲」（図１０中の下線部）、＜施策目標セグメントの併買パターンの分類属性値＞が「珈琲とパン」（図１０中の波線部）である。この場合、施策実施例として「朝、珈琲の購入時に、珈琲とパンをセット販売する」が生成される。
　出力部２５は、例えば、図７に示す支援情報の各々に、上記のように生成した施策実施例を付与すると共に、施策期待効果の高い順にランキングした一覧を出力する。図１１に、この場合の一覧表示の一例を示す。
　上記のように、様々な態様で支援情報を出力することにより、ユーザ（施策策定者）にとって利用し易い表示を行うことができる。
　また、出力部２５は、施策実施後に、ユーザから入力される実際の施策効果を受け付け、施策期待効果と実際の施策効果とを比較した評価結果を出力してもよい。具体的には、出力部２５は、施策期待効果に対する実際の施策効果の割合、施策期待効果と実際の施策効果との差分等、施策期待効果についての評価を算出する。例えば、施策対象セグメント「朝、珈琲」の購買時に、珈琲とパンのセット販売を実施した場合の、実際の施策効果が５７，０００円であったとする。この場合、出力部２５は、ユーザにより入力される実際の施策効果５７，０００円を用いて、例えば、図１２に示すような評価結果を出力する。図１２の例では、施策期待効果の達成率を評価として算出している。この例では、達成率を「実際の施策効果／施策期待効果」で算出しており、達成率が０．８８と表示されている。
　この評価結果を、次回に似たような施策を策定する際の施策期待効果に反映することよって、実際の施策に応じた施策期待効果を算出することが可能となる。そこで、出力部２５は、例えば、算出部２４で算出する施策期待効果の算出方法の定義に含まれる反応率に、評価結果である達成率を乗算して、反応率を再定義してもよい。例えば、出力部２５は、元の反応率が０．５、達成率が０．８８の場合、次回の反応率を０．４４＝０．５×０．８８と再定義してもよい。
　次に、施策策定支援装置１０の作用について説明する。図１３は、施策策定支援装置１０による施策策定支援処理の流れを示すフローチャートである。また、図１６は、施策策定支援装置１０による評価処理の流れを示すフローチャートである。ＣＰＵ１１がＲＯＭ１２又はストレージ１４から施策策定支援プログラムを読み出して、ＲＡＭ１３に展開して実行することにより、施策策定支援処理及び評価処理が行なわれる。なお、施策策定支援処理及び評価処理は、本開示の施策策定支援方法の一例である。
　まず、図１３に示す施策策定支援処理について説明する。
　ステップＳ１０で、ＣＰＵ１１は、取得部２１として、ユーザにより入力された、施策対象種類及び施策ＫＰＩを含む施策方針情報を取得する。ここでは、施策対象種類が「購買」、施策ＫＰＩが「購買金額」であるものとする。
　次に、ステップＳ２０で、ＣＰＵ１１は、取得部２１として、店舗データＤＢ３１から、取得した施策方針情報に応じて、所定期間分（例えば、１か月分）の「購買」単位で記録されている店舗データを取得する。そして、ＣＰＵ１１は、取得部２１として、取得した施策方針情報及び「購買」単位の店舗データを集計部２２に受け渡す。
　次に、ステップＳ３０で、ＣＰＵ１１は、集計部２２として、「購買」単位の店舗データに含まれる２つの分類属性の組み合わせ毎に、その分類属性の組み合わせの分類属性値の組み合わせであるセグメント単位で施策ＫＰＩの値を集計する。そして、ＣＰＵ１１は、集計部２２として、集計結果を集計結果ＤＢ３２に格納すると共に、抽出部２３に施策方針情報を受け渡す。
　次に、ステップＳ４０で、ＣＰＵ１１は、抽出部２３として、抽出処理を実行する。ここで、図１４を参照して、抽出処理について詳述する。
　ステップＳ４１で、ＣＰＵ１１は、抽出部２３として、「購買」単位の店舗データに紐づく分類属性の組み合わせから、１つの分類属性の組み合わせを選択する。次に、ステップＳ４２で、ＣＰＵ１１は、抽出部２３として、選択した分類属性の組み合わせについての集計結果を集計結果ＤＢ３２から取得する。そして、ＣＰＵ１１は、抽出部２３として、取得した集計結果からセグメント組を１つ選択する。
　次に、ステップＳ４３で、ＣＰＵ１１は、抽出部２３として、選択したセグメント組の中で施策ＫＰＩである「購買金額」の統計値に基づいて、例えば、購買金額中央値が低いセグメントを施策対象セグメント、購買金額中央値が高いセグメントを施策目標セグメントに設定する。
　次に、ステップＳ４４で、ＣＰＵ１１は、抽出部２３として、選択したセグメント組が抽出条件を満たすか否かを判定する。抽出条件は、セグメント間の施策ＫＰＩの統計的な差に基づく統計条件、及びセグメント間の類似性に関する特性条件を含む。抽出条件を満たす場合は、ステップＳ４５へ移行し、抽出条件を満たさない場合には、ステップＳ４６へ移行する。ステップＳ４５では、ＣＰＵ１１は、抽出部２３として、上記ステップＳ４３で設定した施策対象セグメントと施策目標セグメントとの組を抽出し、抽出結果ＤＢ３３に格納する。
　ステップＳ４６では、ＣＰＵ１１は、抽出部２３として、集計結果に含まれるセグメントから、全てのセグメント組を選択したか否かを判定する。未選択のセグメント組が存在する場合には、ステップＳ４２に戻り、全てのセグメント組の選択が終了している場合には、ステップＳ４７へ移行する。
　ステップＳ４７では、ＣＰＵ１１は、抽出部２３として、「購買」単位の店舗データの分類属性の組み合わせを全て選択したか否かを判定する。未選択の組み合わせが存在する場合には、ステップＳ４１に戻り、全ての組み合わせの選択が終了している場合には、ＣＰＵ１１は、抽出部２３として、施策方針情報を算出部２４へ受け渡し、抽出処理を終了して、施策策定支援処理（図１３）にリターンする。
　なお、施策方針情報において、分類属性の組み合わせが指定されている場合には、その分類属性の組み合わせについて、上記ステップＳ４２～Ｓ４６の処理を実行すればよい。
　次に、ステップＳ５０で、ＣＰＵ１１は、算出部２４として、施策方針情報に対応する抽出結果を抽出結果ＤＢ３３から取得する。そして、ＣＰＵ１１は、算出部２４として、取得した抽出結果に含まれる施策対象セグメントと施策目標セグメントとの組毎に、施策対象セグメントに対して、施策目標セグメントについての施策ＫＰＩを目標とする施策を行った場合に期待される施策期待効果を算出する。ＣＰＵ１１は、算出部２４として、分類属性の組み合わせ毎に、抽出結果に含まれる全ての施策対象セグメントと施策目標セグメントとの組について、施策対象セグメントと施策目標セグメントとの組に、算出した施策期待効果を対応付けて、支援情報として支援情報ＤＢ３４に格納する。そして、ＣＰＵ１１は、算出部２４として、施策方針情報を出力部２５へ受け渡す。
　次に、ステップＳ６０で、ＣＰＵ１１は、出力部２５として、出力処理を実行する。ここで、図１５を参照して、出力処理について詳述する。
　ステップＳ６１で、ＣＰＵ１１は、出力部２５として、施策方針情報に対応する支援情報を支援情報ＤＢ３４から取得し、取得した支援情報を一覧表示する。次に、ステップＳ６２で、ＣＰＵ１１は、出力部２５として、分類属性の組み合わせ毎の支援情報に含まれる施策期待効果の最大値、平均値、合計値等の代表値を、その分類属性の組み合わせについての施策期待効果として算出する。
　次に、ステップＳ６３で、ＣＰＵ１１は、出力部２５として、予め定められた施策内容の生成定義に従って、分類属性の組み合わせ毎に、施策内容を生成する。次に、ステップＳ６４で、ＣＰＵ１１は、出力部２５として、分類属性の組み合わせを、上記ステップＳ６２で算出した施策期待効果の高い順にランキングし、上記ステップＳ６３で生成した施策内容を付与して一覧表示する。
　次に、ステップＳ６５で、ＣＰＵ１１は、出力部２５として、上記ステップＳ６４で表示した一覧の中からユーザにより選択された分類属性の組み合わせに対応する支援情報を支援情報ＤＢ３４から取得する。次に、ステップＳ６６で、ＣＰＵ１１は、出力部２５として、取得した支援情報に含まれる施策対象セグメントと施策目標セグメントとの組毎に、予め定められた施策実施例の生成定義に従って、支援情報毎に施策実施例を生成する。
　次に、ステップＳ６７で、ＣＰＵ１１は、出力部２５として、上記ステップＳ６５で取得した支援情報に含まれる施策期待効果の高い順に、施策対象セグメントと施策目標セグメントとの組をランキングし、上記ステップＳ６６で生成した施策実施例を付与して一覧表示する。そして、抽出処理を終了して、施策策定支援処理（図１３）にリターンし、施策策定支援処理は終了する。
　なお、上記ステップＳ６１、Ｓ６４、及びＳ６７の各々で一覧を表示しているが、これらを全て表示する必要はなく、少なくとも１つを選択的に表示するようにしてもよい。また、ステップＳ６７の表示後に、ユーザの指示によってステップＳ６４に戻って、あるいは、ステップＳ６４の分類属性の組み合わせのランキングは常に表示しておき、ステップＳ６５で分類属性の組み合わせの指定を受け付けてもよい。すなわち、前回と別の分類属性の組み合わせを受け付けるようにしてもよい。
　次に、図１６に示す評価処理について説明する。
　ステップＳ７１で、ＣＰＵ１１は、出力部２５として、施策実施後に、ユーザから入力される実際の施策効果を受け付ける。次に、ステップＳ７２で、ＣＰＵ１１は、出力部２５として、施策期待効果に対する実際の施策効果の割合、施策期待効果と実際の施策効果との差分等の評価を算出する。次に、ステップＳ７３で、ＣＰＵ１１は、出力部２５として、評価結果を表示し、評価処理は終了する。
　以上説明したように、本実施形態に係る施策策定支援装置は、店舗における購買に関連するデータである店舗データと、施策対象種類及び施策ＫＰＩを含む施策方針情報を取得する。また、施策策定支援装置は、店舗データを施策方針情報に従って店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計する。また、施策策定支援装置は、集計されたセグメントから、施策の実施対象の施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出する。そして、施策策定支援装置は、施策対象セグメントと施策目標セグメントとの組毎に、施策対象セグメントに対して、施策目標セグメントについての施策ＫＰＩを目標とする施策を行った場合に期待される施策期待効果を算出し、これらを対応付けて支援情報として表示する。これにより、施策の方向性に応じて施策効果が高い施策対象の選定を支援することができる。
　また、本実施形態に係る施策策定支援装置は、上記支援情報と共に、施策内容や施策実施例も出力する。これにより、例えば、「朝の菓子の購入」を対象とする施策について、菓子と何かとのセット販売か、菓子を値下げするか等、施策内容や施策実施例を容易に選定することができる。
　また、本実施形態に係る施策策定支援装置は、施策実施後に、施策期待効果と実際の施策効果とに基づいて、施策期待効果を評価し、評価結果を表示する。これにより、次回以降の同様の施策における施策期待効果の算出に評価結果を反映することができ、その結果、店舗の状況に合わせた施策期待効果を算出することが可能となる。
　なお、上記実施形態では、支援情報の一覧等を表示部に表示する場合について説明したが、支援情報の出力態様はこれに限定されない。例えば、上記実施形態で説明した各種一覧をプリンタで印刷するようにしてもよい。
＜他の適用例＞
　上記実施形態では、販売促進施策の方向性が「購買の売り上げを上げたい」である場合を例に説明したが、本開示の技術は、他の販売促進施策の方向性についても適用可能である。ここでは、販売促進施策の方向性が、「顧客の来店数を上げたい」である場合に、本開示の技術を適用した場合について説明する。なお、本適用例において、上記実施形態と同様の部分については、一部記載を省略する。
　取得部２１は、施策対象種類として「顧客」、施策ＫＰＩとして「来店数」を含む施策方針情報を取得する。また、取得部２１は、店舗データＤＢ３１から、取得した施策方針情報に含まれる施策対象種類「顧客」単位で記録された店舗データを取得する。図１７に、「顧客」単位で記録された店舗データの一例を示す。図１７の例では、各行（各レコード）が１人の顧客についての顧客データに相当し、各顧客データは、「顧客ＩＤ」、「性別」、「年代」、「来店間隔」、「来店数」、「購買商品数」、及び「購買金額」の情報を含む。
　「顧客ＩＤ」は、顧客データの識別子である。「時間帯」は、顧客ＩＤが示す顧客がよく来店する時間帯であり、所定期間（例えば、１ヶ月）における時間帯別の来店数に基づいてクラス（例えば、朝、昼、午後、及び夜の４つの時間帯別のクラス）に分類したものである。クラスの分類方法は、来店時間の観点で分類する方法であれば何でもよい。例えば、該当の顧客が１か月の中で一番多く来店した時間帯で分類してもよいし、顧客単位の来店時間の頻度分布の類似度に基づいて複数の顧客をクラスタ化した場合の各クラスを１つの時間帯のクラスとして分類してもよい。「来店間隔」は、所定期間（例えば、１ヶ月）当たりの来店数に基づいてクラス（例えば、１日１回、３日に１回、５日に１回、及び６日に１回以下の４つの来店数別のクラス）に分類している。来店数のクラスの分類方法も、時間帯のクラスの分類方法と同様に、顧客単位の来店間隔の頻度分布の類似度に基づいて複数の顧客をクラスタ化した場合の各クラスを１つの来店間隔のクラスとして分類する等、来店間隔の観点で分類するものであれば何でもよい。
　集計部２２は、施策方針情報に基づいて、「顧客」単位の店舗データを集計し、集計結果を集計結果ＤＢ３２に格納する。例えば、集計部２２は、施策ＫＰＩが「来店数」であることに基づいて、「顧客」単位の店舗データの分類属性の組み合わせ毎に、同一セグメントの「来店数」に関する値を集計する。集計部２２は、「来店数」の集計値として、例えば、来店数の中央値、顧客の頻度（顧客数）を算出してよい。また、集計部２２は、算出部２４における施策期待効果の算出のために、購買金額の中央値も算出する。
　図１８に、「顧客」単位の店舗データにおける、分類属性「時間帯」と「来店間隔」との組み合わせについての集計結果の一例を示す。図１８では、例えば、セグメント「朝、１日に１回」は、分類属性「時間帯」の分類属性値が「朝」、分類属性「来店間隔」の分類属性値が「１日に１回」であることを表している。また、図１８の例では、例えば、セグメント「朝、１日に１回」の顧客について、例えば、１か月分の「顧客」単位の店舗データを集計すると、購買金額の中央値が「３７００円」、顧客の頻度（顧客のべ数）が「１００人」であることを示している。
　抽出部２３は、集計結果に含まれるセグメントから、施策方針情報に基づいて、施策対象セグメントと施策目標セグメントとの組を抽出し、抽出結果を抽出結果ＤＢ３３に格納する。図１９を参照して、分類属性「時間帯」と「来店間隔」との組み合わせの集計結果から施策対象セグメントと施策目標セグメントとの組を抽出する処理について説明する。ここでは、統計条件が、有意差あり、効果量＞０．１５、特性条件が、「時間帯」の分類属性値が同じで、「来店間隔」の分類属性値が、施策対象セグメントよりも施策目標セグメントの方が短い（来店頻度が高い）こととする抽出条件の下での抽出処理の一例について説明する。
　この例において、抽出部２３は、まず、図１８に示す集計結果に含まれるセグメントから、２つのセグメントの組を取り出す。例えば、抽出部２３は、「朝、１日に１回」と「朝、３日に１回」とのセグメント組を取り出した場合、このセグメント組の中で施策ＫＰＩ（ここでは、来店数）の中央値が低いセグメント「朝、３日に１回」を施策対象セグメント、中央値が高いセグメント「朝、１日に１回」を施策目標セグメントとする。この例では、統計条件の有意差が「無」と判定され、抽出部２３は、このセグメント組を抽出しない。
　また、抽出部２３は、集計結果から、「朝、３日に１回」と「朝、５日に１回」とのセグメント組を取り出した場合、施策ＫＰＩに基づいて、施策対象セグメントを「朝、５日に１回」、施策目標セグメントを「朝、３日に１回」とする。この場合、有意差があり、効果量０．４が閾値以上であるため、統計条件を満たす。また、「時間帯」の分類属性値は「朝」で同一であり、「来店間隔」の分類属性値は、施策対象セグメントよりも施策目標セグメントの方の来店間隔が短い（来店頻度が高い）ことを示しているため、特性条件も満たす。したがって、抽出部２３は、このセグメント組を抽出し、抽出結果ＤＢ３３に格納する。
　また、抽出部２３は、集計結果から、「朝、３日に１回」と「昼、５日に１回」とのセグメント組を取り出したとする。この場合、「時間帯」の分類属性値が同一ではなく、特性条件を満たさないため、抽出部２３は、このセグメント組は抽出しない。
　算出部２４は、抽出部２３による抽出結果に含まれる施策対象セグメントと施策目標セグメントとの組毎に施策期待効果を算出する。例えば、以下に示すように、施策期待効果の算出方法が定義されているとする。
　　施策期待効果＝ａ×ｂ×ｄ－ｅ
　　　ａ：来店数の中央値が低いセグメントの頻度の値
　　　ｂ：来店数の中央値が高いセグメントの来店数の中央値
　　　　　－来店数の中央値が低いセグメントの来店数の中央値
　　　ｃ：来店数の中央値が高いセグメントの購買金額の中央値
　　　　　－来店数の中央値が低いセグメントの購買金額の中央値
　　　ｄ：施策への反応率（または、類似度）
　　　ｅ：施策に係る来店数のコスト（コスト金額／ｃ）×ｂ
　上記定義は、施策対象セグメントに属する顧客の頻度（顧客数）分の顧客の来店数の中央値が、施策によって施策目標群の来店数の中央値に近づく観点で施策期待効果を算出するための定義である。全ての施策対象セグメントに属する顧客が、施策によって施策目標セグメントの来店数の中央値に近づくとは限らないことを想定し、０＜ｄ＜１の値で設定された、施策への反応率ｄで除算し、施策に関わる来店数のコストを減算し、施策期待効果を算出している。なお、コストは金額ベースで定義されることが多いため、ｅのコストは、金額ベースのコストを来店数に換算したものとしている。
　また、反応率は、過去の施策実施等に基づく定数としてもよいし、施策対象セグメントと施策目標セグメントとの類似度が計算できる場合には、セグメント間の類似度としてもよい。例えば、顧客の来店する時間帯の分布の類似性を類似度と考える。この場合、セグメント間の類似度は、顧客の時間帯別の来店数を要素としたベクトルに基づいて、施策対象セグメント及び施策目標セグメントの各々の重心ベクトルを計算し、重心ベクトル間のコサイン類似度をセグメント間の類似度として計算できる。
　さらに、コサイン類似度をそのまま反応率として設定する場合に限定されず、セグメント間の類似性に応じた反応率を設定できれば、その方法は何でもよい。例えば、コサイン類似度が０．９以上の場合は１．０、０．５未満の場合は０のように閾値を決めて反応率としてもよい。また、シグモイド関数に類似度の値を入力して、類似度が大きい方の反応率をより強調し、逆に類似度が小さい方の反応率を弱めるようにしてもよい。これにより、施策対象セグメントと施策目標セグメントとの全ての組の中で、類似度が大きい順に上位の組の反応率を大きくし、下位の組の反応率を小さくすることができる。反応率を小さい値（例えば、０）とする場合、施策期待効果が小さい値となるため、この２つのセグメントを含む支援情報を、ユーザに提示する支援情報から除外するようにしてもよい。
　上記の算出定義を用いる例において、算出部２４は、まず、図１９に示す抽出結果から、例えば、施策対象セグメントとして「朝、５日に１回」と、施策目標セグメントとして「朝、３日に１回」との組を取り出す。算出部２４は、この組に対して、上記の施策期待効果の算出方法の定義に従って、施策期待効果を算出する。算出部２４は、上記定義に含まれる施策対象セグメント及び施策目標セグメントの各々の来店数中央値、購買金額中央値、及び頻度として、抽出結果ＤＢ３３に格納されている値を利用する。また、算出部２４は、上記定義に含まれる反応率及びコスト金額については、分類属性の組み合わせ毎、かつセグメント組毎に予め定義されたデータを利用する。
　施策対象セグメント「朝、５日に１回」に対して、施策目標セグメントを「朝、３日に１回」として施策を実施する場合において、反応率が０．３、コスト金額が５０，０００であるとすると、下記に示すように、施策期待効果として８５回が算出される。
　　施策期待効果＝ａ×ｂ×ｃ－ｄ
　　　　　　　　＝２５０×（６－４）×０．３
　　　　　　　　　－（５００００／（２８００－１２５０）×（６－４））
　　　　　　　　≒８５
　算出部２４は、図２０に示すように、施策対象セグメントと施策目標セグメントとの組に、算出した施策期待効果を対応付けて、支援情報として支援情報ＤＢ３４に格納する。
　出力部２５は、支援情報を一覧表示する。図２１に、分類属性「時間帯」と「来店間隔」との組み合わせについての支援情報の一覧の一例を示す。
　また、出力部２５は、分類属性の組み合わせ単位で施策期待効果を集計し、分類属性の組み合わせ単位で施策期待効果の高い順にランキングし、さらに分類属性の組み合わせ毎に施策内容を付与した一覧を出力するようにしてもよい。この場合について具体的に説明する。例えば、図２１に示す分類属性「時間帯」と「来店間隔」との組み合わせについての支援情報の場合において、代表値を最大値とすると、分類属性「時間帯」と「来店間隔」との組み合わせについての施策期待効果は、６００回となる。
　出力部２５は、予め定められた施策内容の生成定義に従って、分類属性の組み合わせ毎に、施策内容を生成して付与する。図２２に示すように、施策内容の生成は、施策対象種類、施策ＫＰＩ、及び分類属性の組み合わせを条件に定義される。図２２の例では、施策対象種類が「顧客」、施策ＫＰＩが「来店数」、分類属性の組み合わせが「時間帯、来店間隔」の場合、施策内容は「クーポン配布」となる。図２３に、分類属性の組み合わせ毎に施策内容を付与し、施策期待効果の高い順に並べて一覧表示した例を示す。
　また、出力部２５は、図２３に示すような一覧の中からユーザにより選択された分類属性の組み合わせに該当する、施策対象セグメント、施策目標セグメント、及び施策期待効果を、施策期待効果の高い順にランキングし、さらに施策実施例を付与した一覧を出力してもよい。この場合について具体的に説明する。
　出力部２５は、例えば、図２３のうち、順位１位の分類属性「時間帯」と「来店間隔」との組み合わせが指定された場合、この組み合わせに該当する支援情報を支援情報ＤＢ３４から取り出す。また、出力部２５は、予め定められた施策実施例の生成定義に従って、取り出した支援情報毎に、施策実施例を生成する。図２４に示すように、施策実施例は、施策対象種類、施策ＫＰＩ、及び分類属性の組み合わせを条件に定義されたテンプレートと、支援情報とを用いて生成される。
　出力部２５は、上記生成定義に従って、支援情報に含まれる施策対象セグメント及び施策目標セグメントの各々に含まれる分類属性値をテンプレートに挿入することで施策実施例を生成する。例えば、図２４は、施策対象種類が「顧客」、施策ＫＰＩが「来店数」、分類属性の組み合わせが「時間帯、来店間隔」であることを条件とする施策実施例の生成定義の一例である。この例では、テンプレートとして、「＜施策対象セグメントの分類属性値の組＞の顧客を対象に、来店間隔が＜施策目標セグメントの来店間隔の分類属性値＞の達成後にクーポン券を配布する」が定義されている。図２４の例では、＜施策対象セグメントの分類属性値の組＞が「昼、５日に１回」（図２４中の下線部）、＜施策目標セグメントの来店間隔の分類属性値＞が「１日に１回」（図２４中の波線部）である。この場合、施策実施例として「昼、５日に１回の顧客を対象に、来店間隔が１日に１回の達成後にクーポン券を配布する」が生成される。
　出力部２５は、例えば、図２１に示す支援情報の各々に、上記のように生成した施策実施例を付与すると共に、施策期待効果の高い順にランキングした一覧を出力する。図２５に、この場合の一覧表示の一例を示す。
　また、出力部２５は、施策実施後に、ユーザから入力される実際の施策効果を受け付け、施策期待効果と実際の施策効果とを比較した評価結果を出力してもよい。例えば、来店間隔が「昼、５日に１回」の顧客を対象に、例えば、１か月を通して「１日に１回」程度来店した場合等、来店間隔が１日に１回を達成した場合に、例えば、割引券、商品交換券等のクーポン券を配布する施策を実施したとする。この施策に対して、１か月の実際の施策効果として延べ５００回の来店があったとする。この場合、出力部２５は、ユーザにより入力される実際の施策効果５００回を用いて、例えば、図２６に示すような評価結果を出力する。図２６の例では、施策期待効果の達成率を評価として算出している。この例では、達成率を「実際の施策効果／施策期待効果」で算出しており、達成率が０．８３と表示されている。
　このように、本適用例においても、上記実施形態と同様の効果を奏する。
　なお、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した施策策定支援処理及び評価処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、施策策定支援処理及び評価処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。
　また、上記実施形態では、施策策定支援プログラムがストレージ１４に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等の非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体に記憶された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。
　以上の実施形態に関し、更に以下の付記を開示する。
（付記項１）
　店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得する取得部と、
　前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計する集計部と、
　集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出する抽出部と、
　前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出する算出部と、
　前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する出力部と、
　を含む施策策定支援装置。
（付記項２）
　前記抽出部は、集計された前記セグメントの組のうち、前記セグメント間における前記指標の統計的な差に基づく統計条件、及び前記分類属性値の類似性に関する特性条件を含む抽出条件を満たす前記セグメントの組を、前記施策対象セグメントと前記施策目標セグメントとの組として抽出する付記項１に記載の施策策定支援装置。
（付記項３）
　前記抽出部は、前記セグメントの組のうち、前記指標が低い方の前記セグメントを前記施策対象セグメント、前記指標が高い方の前記セグメントを前記施策目標セグメントとして抽出する付記項１又は付記項２に記載の施策策定支援装置。
（付記項４）
　前記算出部は、前記施策対象セグメントについての指標を前記施策目標セグメントについての指標に近づけるように施策を実施する場合に想定される前記施策対象セグメントの指標の変動分を前記施策期待効果として算出する付記項１～付記項３のいずれか１項に記載の施策策定支援装置。
（付記項５）
　前記出力部は、前記セグメントの組毎の前記施策期待効果を、分類属性の組み合わせ毎に集計し、集計した前記施策期待効果の高い順にランキングして、前記分類属性の組み合わせを一覧表示する付記項１～付記項４のいずれか１項に記載の施策策定支援装置。
（付記項６）
　前記出力部は、ランキングされた分類属性の組み合わせに、前記分類属性の組み合わせに対応する施策内容を付与して一覧表示する付記項５に記載の施策策定支援装置。
（付記項７）
　前記出力部は、ランキングされた分類属性の組み合わせの中から指定された分類属性の組み合わせに該当する前記施策対象セグメント、前記施策目標セグメント、及び前記施策期待効果を、前記施策期待効果の高い順にランキングして一覧表示する付記項５又は付記項６に記載の施策策定支援装置。
（付記項８）
　前記出力部は、前記販売促進施策の方向性、及び前記施策対象セグメントの分類属性値と前記施策目標セグメントの分類属性値との差分に基づいて施策実施例を生成し、前記施策対象セグメント、前記施策目標セグメント、及び前記施策期待効果に前記施策実施例を付与して一覧表示する付記項７に記載の施策策定支援装置。
（付記項９）
　前記出力部は、施策実施後に、実際の施策効果を取得し、前記施策期待効果と前記実際の施策効果をと比較した評価結果を表示する付記項１～付記項８のいずれか１項に記載の施策策定支援装置。
（付記項１０）
　取得部と、集計部と、抽出部と、算出部と、出力部とを含む施策策定支援装置が実行する施策策定支援方法であって、
　前記取得部が、店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、
　前記集計部が、前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、
　前記抽出部が、集計されたセグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、
　前記算出部が、前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、
　前記出力部が、前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する、
　施策策定支援方法。
（付記項１１）
　コンピュータを、付記項１～付記項９のいずれか１項に記載の施策策定支援装置の各部として機能させるための施策策定支援プログラム。
（付記項１２）
　メモリと、
　前記メモリに接続された少なくとも１つのプロセッサと、
　を含み、
　前記プロセッサは、
　店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、
　前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、
　集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、
　前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、
　前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する、
　ように構成されている施策策定支援装置。
（付記項１３）
　施策策定支援処理を実行するようにコンピュータによって実行可能なプログラムを記憶した非一時的記憶媒体であって、
　前記施策策定支援処理は、
　店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、
　前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、
　集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、
　前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、
　前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する、
　非一時的記憶媒体。
１０   施策策定支援装置
１１   ＣＰＵ
１２   ＲＯＭ
１３   ＲＡＭ
１４   ストレージ
１５   入力部
１６   表示部
１７   通信Ｉ／Ｆ
１９   バス
２１   取得部
２２   集計部
２３   抽出部
２４   算出部
２５   出力部
３１   店舗データＤＢ
３２   集計結果ＤＢ
３３   抽出結果ＤＢ
３４   支援情報ＤＢ

Claims (8)

  1. 　店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得する取得部と、
    　前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計する集計部と、
    　集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出する抽出部と、
    　前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出する算出部と、
    　前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する出力部と、
    　を含む施策策定支援装置。
  2. 　前記抽出部は、集計された前記セグメントの組のうち、前記セグメント間における前記指標の統計的な差に基づく統計条件、及び前記分類属性値の類似性に関する特性条件を含む抽出条件を満たす前記セグメントの組を、前記施策対象セグメントと前記施策目標セグメントとの組として抽出する請求項１に記載の施策策定支援装置。
  3. 　前記抽出部は、前記セグメントの組のうち、前記指標が低い方の前記セグメントを前記施策対象セグメント、前記指標が高い方の前記セグメントを前記施策目標セグメントとして抽出する請求項１又は請求項２に記載の施策策定支援装置。
  4. 　前記算出部は、前記施策対象セグメントについての指標を前記施策目標セグメントについての指標に近づけるように施策を実施する場合に想定される前記施策対象セグメントの指標の変動分を前記施策期待効果として算出する請求項１又は請求項２に記載の施策策定支援装置。
  5. 　前記出力部は、前記セグメントの組毎の前記施策期待効果を、分類属性の組み合わせ毎に集計し、集計した前記施策期待効果の高い順にランキングして、前記分類属性の組み合わせを一覧表示する請求項１又は請求項２に記載の施策策定支援装置。
  6. 　前記出力部は、ランキングされた分類属性の組み合わせに、前記分類属性の組み合わせに対応する施策内容を付与して一覧表示する請求項５に記載の施策策定支援装置。
  7. 　取得部と、集計部と、抽出部と、算出部と、出力部とを含む施策策定支援装置が実行する施策策定支援方法であって、
    　前記取得部が、店舗における購買に関連するデータである店舗データと、施策対象の種類及び施策を実施することにより向上させたい指標を含む販売促進施策の方向性を示す指示情報を取得し、
    　前記集計部が、前記店舗データを前記指示情報に従って前記店舗データの分類属性の組み合わせに対応する分類属性値の組み合わせであるセグメント毎に集計し、
    　前記抽出部が、集計された前記セグメントから、施策の実施対象となる施策対象セグメントと、施策の目標となる施策目標セグメントとの組を抽出し、
    　前記算出部が、前記組毎に、前記施策対象セグメントに対して、施策を行った場合に期待される施策期待効果を算出し、
    　前記出力部が、前記施策対象セグメントと前記施策目標セグメントとの組に、算出された前記施策期待効果を対応付けて出力する、
    　施策策定支援方法。
  8. 　コンピュータを、請求項１又は請求項２に記載の施策策定支援装置の各部として機能させるための施策策定支援プログラム。
PCT/JP2024/007433 2024-02-28 2024-02-28 施策策定支援装置、方法、及びプログラム Pending WO2025181981A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/007433 WO2025181981A1 (ja) 2024-02-28 2024-02-28 施策策定支援装置、方法、及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/007433 WO2025181981A1 (ja) 2024-02-28 2024-02-28 施策策定支援装置、方法、及びプログラム

Publications (1)

Publication Number Publication Date
WO2025181981A1 true WO2025181981A1 (ja) 2025-09-04

Family

ID=96920163

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/007433 Pending WO2025181981A1 (ja) 2024-02-28 2024-02-28 施策策定支援装置、方法、及びプログラム

Country Status (1)

Country Link
WO (1) WO2025181981A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014048780A (ja) * 2012-08-30 2014-03-17 Accenture Global Services Ltd マーケティング装置、マーケティング方法、プログラム、及び記録媒体
JP2016118975A (ja) * 2014-12-22 2016-06-30 株式会社日立製作所 マーケティング施策最適化装置、方法、及びプログラム
JP2019082865A (ja) * 2017-10-31 2019-05-30 株式会社日立製作所 販売促進装置、販売促進方法及び販売促進プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014048780A (ja) * 2012-08-30 2014-03-17 Accenture Global Services Ltd マーケティング装置、マーケティング方法、プログラム、及び記録媒体
JP2016118975A (ja) * 2014-12-22 2016-06-30 株式会社日立製作所 マーケティング施策最適化装置、方法、及びプログラム
JP2019082865A (ja) * 2017-10-31 2019-05-30 株式会社日立製作所 販売促進装置、販売促進方法及び販売促進プログラム

Similar Documents

Publication Publication Date Title
US20210264474A1 (en) Predictive recommendation system using price boosting
US9916594B2 (en) Multidimensional personal behavioral tomography
JP6181360B2 (ja) マーケティング装置、マーケティング方法、プログラム、及び記録媒体
US11321724B1 (en) Product evaluation system and method of use
JP6744882B2 (ja) 行動パターン探索システム、および行動パターン探索方法
US11200593B2 (en) Predictive recommendation system using tiered feature data
Zhang et al. Market segmentation for product family positioning based on fuzzy clustering
US10078706B2 (en) Information processing apparatus, information processing method, information processing program, and recording medium storing thereon information processing program which classifies and displays a plurality of elements constituting a list on a plurality of pages
JP2016207059A (ja) 行動分析システム及び行動分析方法
Marshall Search and wholesale price discrimination
KR20220117425A (ko) 빅데이터를 활용한 시장성 분석 및 사업화방법론 분석 시스템
JP2009169698A (ja) 販売情報分析装置
JP6473194B2 (ja) 売り上げ推計システム
Hong et al. Measuring product type with dynamics of online product review variances: A theoretical model and the empirical applications
JP2020154841A (ja) 決定装置、決定方法及び決定プログラム
JP6584486B2 (ja) 予測装置、予測方法、及び予測プログラム
Hemalatha Market basket analysis–a data mining application in Indian retailing
CN112036987A (zh) 确定推荐商品的方法和装置
CN117495457A (zh) 广告推送方法、装置、设备及存储介质
Namvar et al. An approach to optimised customer segmentation and profiling using RFM, LTV, and demographic features
JP2013246503A (ja) 商品推薦方法及びサーバ装置
US20240242099A1 (en) Systems and methods for conducting simulations with virtual humans
JP7387974B2 (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
Xuan et al. Comparisons Of Data Mining Classification Algorithms For Customers' Shopping Intention In E-Commerce
JP2001282985A (ja) 販売情報分析方法

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: 24927261

Country of ref document: EP

Kind code of ref document: A1