JP2005222489A - 競合関係データ生成方法とそのためのコンピュータとプログラム - Google Patents

Abstract

【課題】 多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを取得できる技術を提供すること。
【解決手段】
コンピュータ１０は、コンジョイント分析工程と選択確率算出工程と主成分分析工程を実施する。
コンジョイント分析工程では、アンケート結果に対してコンジョイント分析を実行することによって、需要者毎の、商品の各属性の水準毎の部分効用値を算出する。
選択確率算出工程では、複数の商品のそれぞれに対して設定されている各属性の水準と、コンジョイント分析工程による算出結果とに基づいて、需要者毎の、複数の商品のそれぞれに対する選択確率を算出する。
主成分分析工程では、選択確率算出工程による算出結果に対して主成分分析を実行して、需要者毎の、複数の商品のそれぞれに対する選択確率を要約することによって、商品毎の主成分を算出する。
【選択図】 図５

Description

本発明は、多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成する技術に関する。

通常は市場に多種類の商品が流通している。自動車、パソコン、携帯電話、お菓子等の商品には、それぞれ何十種類が存在する。需要者は、多種類の中から特定の種類を選択して購入する。
企業は、様々な局面で、商品種類同士の競合関係を把握する必要がある。例えば、市場に投入されている既存商品群の中から自社商品と競合する他社商品を特定し、競合する他社商品に対抗する販売施策を立案して実施することがある。また、これから市場に投入する新規商品と競合するであろう他社商品を特定し、その他社商品と差別化できるように新規商品を改良することもある。
商品種類同士の競合関係を把握する際には、商品種類毎の性能や仕様や価格によって、多種類の商品をグループに分類することが多い。商品種類毎の性能や仕様は様々な項目に亘って設定されている。例えば自動車という商品の場合は、排気量、燃費、サイズ、乗員数等の項目毎に仕様等が決められている。これらの項目毎の具体的仕様を比較することによって、商品種類同士が類似しているのか類似していないのかを判別して分類する。
本明細書と特許請求の範囲では、排気量、燃費、サイズ、乗員数等のように、商品の特性を決定する項目を「商品の属性」といい、具体的仕様を「水準」という。例えば排気量が１．２リットルの自動車は、「排気量という属性」について「１．２リットルという水準」が設定されている商品であるという。商品種類同士の競合関係を把握する際には、属性毎の水準を比較し、各属性の水準同士が類似する商品種類同士は競合すると判断され、各属性の水準同士が類似しない商品種類同士は競合しないと判断されることが多い。最近では、商品種類毎に属性毎の水準の設定をデータベースに記憶し、それをコンピュータで処理することによって、競合する商品種類群を抽出する技術が実用化されている。

本発明者らの調査、研究によって、性能や仕様や価格が類似している商品種類の組合せでありながら、需要者が選択時に比較考量しない商品種類の組合せがあることがわかってきた。その反面、性能や仕様や価格が類似していない商品種類の組合せでありながら、需要者が選択時に比較考量して選択に迷う商品種類の組合せがあることがわかってきた。需要者が同等に評価して選択に迷う商品種類群と、性能や仕様や価格が類似している商品種類群が一致しないことがわかってきた。
販売施策を立案したり新規商品を企画したりする際に必要とされる情報は、需要者の視点での商品種類同士の競合関係を示す情報であり、商品種類間で性能や仕様や価格が類似ないし非類似していることを示す情報ではない。販売施策や新規商品を企画しても的外れになることがあるのは、性能や仕様や価格が類似しているから需要者が同等に評価して選択に迷う商品種類の組合せであると判断したり、性能や仕様や価格が非類似であるから需要者が選択時に比較考量しない商品種類の組合せであると判断したりすることが一つの原因であることがわかってきた。即ち、性能や仕様や価格が類似しているから需要者が同等に評価して選択に迷うであろうという仮説や、性能や仕様や価格が非類似であるから需要者が選択時に比較考量しないであろうという仮説が誤っていることが判明した。

需要者の選択基準が均質化されていれば、比較的少ない需要者を対象とした調査をすることによって、需要者からみた商品種類同士の競合関係を知ることができる。しかしながら、需要者の選択基準や価値観は変化に富んでおり、例えば、商品ＡとＢを同等に評価して商品Ｃには関心がない需要者もいれば、商品ＡとＣを同等に評価して商品Ｂには関心がない需要者もいる。需要者を対象として需要者が認める商品種類同士の競合関係を調査しても、平均的需要者が認める商品種類同士の競合関係を抽出することはできない。
本発明は、上記した実情に鑑みてなされたものであり、性能や仕様や価格等から商品種類同士の競合関係を抽出するのではなく、平均的需要者からみた商品種類同士の競合関係を抽出できる技術を提供する。

本発明は、多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成する方法に具現化することができる。
この方法では、商品の属性毎に水準群を設定して実行した属性と水準に関する価値観調査結果をコンピュータによってコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析工程を実施する。続いて、コンピュータによって、商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出工程を実施する。続いて、コンピュータによって、需要者／商品種類／相対的評価値算出工程の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析工程を実施する。本発明は、上記工程を実施することを特徴としており、それ以外の工程が付加されていていてもかまわない。

コンジョイント分析工程によって算出される属性毎の水準群のそれぞれの部分効用値は需要者が商品を選択する過程において水準が持つ好ましさの程度を数値化した値である。通常は属性毎の水準群のそれぞれの部分効用値の平均値がゼロに規格化されおり、好ましい水準には大きな正の数が与えられ、好ましくない水準には負の数が与えられる。例えば２．０リットルの排気量が好ましいとする需要者は、排気量という属性の２．０リットルの水準に大きな部分効用値を与え、２．０リットル以上の水準には大きすぎることから小さな部分効用値を与え、２．０リットル以下の水準には小さすぎることから小さな部分効用値を与え、２．０リットルから大きく隔てた水準にはマイナスの部分効用値を与える。コンジョイント分析は、需要者が水準に抱く評価の高さを分析して明らかにする技術である。なおコンジョイント分析の詳細は、「商品企画七つ道具、編著者：神田範明、株式会社日科技連出版社」の第９章に詳しく説明されている既知の技術である。
需要者が抱く属性と水準毎の部分効用値が判明すると、商品の属性毎の水準設定を参照することによって、需要者がその商品に抱く評価の高さを数値化することができる。ここではそれを全体効用値という。例えば、排気量という属性の２．０リットルという水準に０．８の部分効用値を抱き、トランスミッションという属性の四速マニュアルという水準に０．２の部分効用値を抱き、トランスミッションという属性のオートマチックという水準に０．６の部分効用値を抱く需要者１は、排気量が２．０リットルで四速マニュアルの商品Ａには、１．０（０．８＋０．２）の評価を与え、排気量が２．０リットルでオートマチックの商品Ｂには、１．４（０．８＋０．６）の評価を与えることがわかる。ここでは、簡単のために、属性の数が２の場合を説明しているが、実際には属性数がもっと多いことが多い。属性毎の部分効用値を全属性について合計することによって全体効用値が得られる。全体効用値は、需要者が商品に抱く評価の高さを数値化した値であり、需要者と商品種類の組合せ毎に算出することができる。
需要者が抱く属性と水準毎の部分効用値から、需要者が商品に抱く全体効用値が判明すると、需要者が個々の商品種類に抱く評価値の相対的関係を全商品種類群について知ることができる。需要者１は、商品Ａには１．０の相対評価値を与え、商品Ｂには１．４の相対評価値を与え、商品Ｃには０．７の相対評価値を与えるといったことが判明する。

需要者が個々の商品種類に抱く評価値の相対的関係が全商品種類について判明すると、その需要者が商品種類に抱く相対的評価値を算出することが可能となる。例えば、商品毎の全体効用値の比率によって、相対的評価値とすることもできる。あるいは、商品選択確率を計算し、それを相対的評価値とすることもできる。商品毎の全体効用値から商品種類毎の商品選択確率を計算することができる。例えば、需要者１は、商品Ａを３５％の確率で選択し、商品Ｂを５０％の確率で選択し、商品Ｃを１５％の確率で選択するであろうという確率を商品種類毎に算出することができる。
需要者毎に属性と水準毎に持つ部分効用値が異なるために、各商品の相対的評価値（その一例が選択確率）は需要者毎に異なったものとなる。従って、需要者が同等に評価して選択に迷う商品種類の組合せは需要者毎に異なったものとなり、需要者が選択時に比較考量しない商品種類の組合せも需要者毎に異なったものとなる。商品Ａ，Ｂ，Ｃを高く評価する者もいれば、商品Ａ，Ｂ，Ｄを高く評価する者もいれば、商品Ａ，Ｃ，Ｄを高く評価する者もいる。それだけでは、平均的需要者からみた商品種類同士の競合関係が判明しない。

本発明では、需要者／商品種類／相対的評価値算出工程の算出結果を多変量解析してこの問題を解決する。多変量解析には、例えば主成分分析法や因子分析法を採用することができる。多変量解析することによって、商品の総合評価ベクトルを算出することができる。商品の総合評価は、一次元では代表しきれないために多次元量となり、ベクトルとなる。例えば主成分分析を用いれば、商品毎に第１主成分と第２主成分（必要ならさらに低次の主成分）を解析することができ、第１主成分、第２主成分、第３主成分・・からなる総合評価ベクトルを算出することができる。多変量解析法は、主成分分析法に限られず、多変量データを低次元のデータに要約できる任意の多変量解析法を利用することができる。
以上の工程を実施することによって、需要者が抱く価値観に基づいて商品を評価した総合評価値（ベクトル）を得ることができる。需要者毎の個性に基づくばらつきの影響が除去され、平均的需要者の価値観に基づいて商品を評価したときの総合評価ベクトルが得られる。総合評価値（ベクトル）が近似する商品種類同士は、需要者が同様に評価して選択に迷うように類似競合しており、総合評価値（ベクトル）が近似しない商品種類同士は、需要者が選択に際して迷うことがないほど類似していないことになる。
本発明によると、平均的需要者が同等に評価して選択に迷う商品種類の組合せや平均的需要者が選択に際して迷うことがない商品種類の組合せを知ることができる。需要者からみた商品種類同士の競合関係を知ることができる。この技術によると、商品種類同士の正しい競合関係を知ることができ、その知識に基づいて販売施策や新規商品を企画することが可能となる。

需要者／商品種類／相対評価値算出工程では、新規商品に予定されている属性毎の水準の設定に基づいて、新規商品投入後の相対評価値を算出することが好ましい。
このようにすると、予定している属性と水準に設定して新規商品を市場に投入したときに、平均的需要者が新規商品と同等に評価して比較考量する商品種類や、平均的需要者が新規商品と比較して選択を迷うことがない商品種類を知ることができる。新規商品に予定している属性毎の水準設定の妥当性が評価しやすくなる

新規商品の企画検討を進めるためには、コンピュータによって、所定の既存商品の総合評価ベクトルと新規商品の総合評価ベクトルが多次元空間にマッピングされた場合における所定の既存商品と新規商品の間の距離を計算する距離計算工程が付加されていることが好ましい。
距離を計算することができれば、新規商品が平均的需要者からみて既存商品と同質に評価されるのか、異質に評価されるのかを知ることができる。距離を所定値と比較するようにすると、同質に評価されるのか異質に評価されるのかを判別することもできる。同質に評価される場合には、新規商品に予定している属性と水準の設定を見直すことによって、異質に評価される新規商品に変更することもできる。

また、上記した方法において、（１）コンピュータによって、距離計算工程で計算された距離が予め設定された所定範囲に含まれるか否か判別する判別工程と、（２）判別工程において前記した距離が所定範囲に含まれないと判別された場合に、新規商品の少なくとも一つの属性の水準を異なる水準に変更し、変更後の「新規商品の属性毎の水準の設定」に基づいて需要者／商品種類／相対的評価値算出工程と多変量解析工程と距離計算工程と判別工程を再び実施する再実施工程とをさらに実施するようにしてもよい。この場合、判別工程において前記した距離が所定範囲に含まれると判別されるまで再実施工程を繰返し実施するようにしてもよい。
この発明によると、商品種類間の距離が所定範囲に含まれないと、新規商品に対して設定されている各属性の水準が変更される。そして、変更後の水準が設定された新規商品を用いて、需要者／商品種類／相対的評価値算出工程、多変量解析工程、距離算出工程、及び判別工程を再度実施する。新規商品の水準を変更して各工程を再度実施することは、商品種類間の距離が所定範囲に含まれるまで行なわれる。これにより、商品種類間の距離が所定範囲に含まれる場合の「新規商品の属性毎の水準の設定」を得ることができる。例えば、上記した所定の既存商品を他社商品に設定し、上記した所定範囲を商品種類間の距離が大きい範囲に設定すると、他社商品との距離が大きくなるような「新規商品の属性毎の水準の設定」を知ることができる。即ち、需要者からみて他社商品に対して異質性をもった「新規商品の属性毎の水準の設定」を知ることができる。また例えば、上記した所定の既存商品を以前にヒットした自社商品に設定し、上記した所定範囲を商品種類間の距離が小さい範囲に設定すると、ヒットした自社商品と競合すると需要者によって判断される「新規商品の属性毎の水準の設定」を知ることができる。即ち、多くの需要者に好まれるであろう水準設定を知ることができる。
本発明によると、既存商品に対して所望の競合関係を成立させるための「新規商品の属性毎の水準の設定」を得ることができる。本発明を用いると、新規商品の属性毎の水準を意思決定する過程を強力に支援することができる。

上記した方法において、商品種類毎の総合評価ベクトルが多次元空間にマッピングされた場合に近接して存在する商品種類群をグルーピングする工程を実施してもよい。
本発明の方法では、多次元空間にマッピングした商品種類間の距離を指標として総合評価値（ベクトル）が近似しているか否かを判別し、近接している商品種類群を一つのグループに分類する。即ち、平均的需要者が同等に評価して選択に迷う商品種類群がグループ化されることになる。この技術によると、平均的需要者が同等に評価して選択に迷う類似商品種類群を容易に把握することができるようになる。

本発明によって、多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成するコンピュータが創作されたということができる。このコンピュータは、商品の属性と水準に関する価値観調査結果を記憶している手段と、商品種類毎に属性毎の水準の設定を記憶している手段と、情報処理手段を備える。記憶手段には外部記憶手段を利用してもよい。
情報処理手段は、価値観調査結果をコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析処理を実行する。また、商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出処理を実行する。そして、需要者／商品種類／相対的評価値算出処理の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析処理を実行する。
あるいは、本発明によって、多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成するプログラムが創作されたということもできる。このプログラムは、コンピュータに、以下の各処理、即ち、（１）商品の属性と水準に関する価値観調査結果にアクセスする処理と、（２）商品種類毎の属性毎の水準の設定にアクセスする処理と、（３）価値観調査結果をコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析処理と、（４）商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出処理と、（５）需要者／商品種類／相対的評価値算出処理の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析処理を実行させる。
上記のコンピュータやプログラムを用いると、平均的需要者からみた商品種類同士の競合関係を知ることができる。平均的需要者が同等に評価する商品種類の組合せや平均的需要者が選択に際して迷わない商品種類の組合せを知ることができる。このコンピュータやプログラムを用いると、商品種類同士の正しい競合関係に基づいて販売施策や新規商品を企画することが可能となる。

最初に、下記の実施例の主要な特徴をまとめておく。
（形態１）既存商品群のそれぞれに設定されている属性毎の水準と、新規商品に予定されている属性毎の水準と、コンジョイント分析結果（各属性の水準毎の部分効用値を需要者毎に算出した結果）から、需要者毎に、既存商品群と新規商品のそれぞれの商品に関する選択確率を算出する。
例えば、既存商品Ａ、Ｂ、Ｃと新規商品Ｘが存在する場合、需要者１は、既存商品Ａを１０％の確率で選択し、既存商品Ｂを２０％の確率で選択し、既存商品Ｃを３０％の確率で選択し、新規商品Ｘを４０％の確率で選択するといった選択確率を算出する。選択確率は需要者毎に算出され、例えば需要者２は、既存商品Ａを３０％の確率で選択し、既存商品Ｂを１０％の確率で選択し、既存商品Ｃを５０％の確率で選択し、新規商品Ｘを１０％の確率で選択するといった選択確率も算出する。
（形態２）需要者毎に計算された、既存商品群と新規商品のそれぞれに対する選択確率に対して主成分分析を実行する。
この結果、各商品種類が主成分によって表現される。各主成分に対して寄与率が計算され、寄与率の大きい２つの主成分を総合評価ベクトル（２次元ベクトル）とする。
（形態３）コンピュータは、商品種類毎に、寄与率の大きい２つの主成分を２次元平面に配置したマップを作成する。作成されたマップが出力される（表示される）。
このマップを見ることによって、商品種類同士の競合関係を容易に把握することができる。
（形態４）寄与率の大きい２つの主成分を２次元平面に配置したマップにおいて、近接して配置される商品種類群がグループ化される。このグループ化には、クラスター分析法が用いられる。
同一グループに属する商品種類同士は、需要者が同等に評価する程よく類似する関係にあるといえる。グループ化することによって、商品種類同士の競合関係を容易に把握することができる。
（形態５）変更可能な水準が予め設定されており、これに従って新規商品の水準を変更する。
このようにすると、新規商品の属性毎の水準が、実現不可能な水準に変更されることを禁止できる。また、新規商品の開発コンセプトがある程度決まっている場合には、開発コンセプトからあまりにかけ離れたものになることを禁止しながら、新規商品の属性毎の水準を変更することができる。例えば、四輪駆動車の新規商品を開発すると決定されている場合に、二輪駆動の水準に変更することを禁止することができる。

（形態６） 多変量解析工程では、所定の既存商品の総合評価ベクトルと新規商品の総合評価ベクトルを算出し、その他の既存商品の総合評価ベクトルを算出しないようにしてもよい。このようにすると、多変量解析工程での計算量を少なくすることができる。
（形態７） 形態６の技術を利用すると以下の方法を具現化することができる。この方法は、コンピュータによって、新規商品の属性毎の水準を決定する過程を支援する方法である。
この方法では、コンピュータが、コンジョイント分析工程と、需要者／商品種類／相対的評価値算出工程と、多変量解析工程と、距離計算工程と、判別工程と、再実施工程を実施する。
コンジョイント分析工程は、商品の属性毎に水準群を設定して実行した属性と水準に関する価値観調査結果をコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出する。
需要者／商品種類／相対的評価値算出工程では、既存商品毎の属性毎の水準の設定と、新規商品に予定されている属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する。
多変量解析工程では、需要者／商品種類／相対的評価値算出工程の算出結果に対して多変量解析（例えば主成分分析）を実行し、商品の総合評価ベクトルを所定の既存商品と新規商品について算出する。
距離計算工程では、上記した所定の既存商品の総合評価ベクトルと新規商品の総合評価ベクトルが多次元空間にマッピングされた場合における所定の既存商品と新規商品の間の距離を計算する。
判別工程では、距離計算工程で計算された距離が所定範囲に含まれるか否か判別する。
再実施工程は、判別工程において前記の距離が所定範囲に含まれないと判別された場合に実施される。再実施工程は、新規商品の少なくとも一つの属性の水準を異なる水準に変更し、変更後の「新規商品の属性毎の水準の設定」に基づいて需要者／商品種類／相対的評価値算出工程と多変量解析工程と距離計算工程と判別工程を再び実施する。
そして、コンピュータは、判別工程において上記した距離が所定範囲に含まれると判別されるまで再実施工程を繰返し実施する。
本方法によると、計算量を圧縮しながら、既存商品に対して所望の競合関係が成立する「新規商品の属性毎の水準」を得ることができる。新規商品の属性毎の水準を決定する過程を強力に支援することができる。

（第１実施例） 図面を参照して本発明の実施例を説明する。図１に、本実施例に係るコンピュータ装置１０の機能を模式的に示している。コンピュータ装置１０のハード構成は公知のものと同様であるために、ここではハード構成に関する説明を省略する。このコンピュータ１０は、需要者の視点から見て類似競合する自動車の車種群を抽出してグループ化する。
コンピュータ１０は、情報処理部２０と、各記憶部３０，３２，３４，３６，３８，４０，４２と、ディスプレイ５０等を備えている。図中の符号３０ａ，３２ａ，３４ａ，３６ａ，３８ａ，４０ａ，４２ａは、各記憶部３０等と情報処理部２０を接続する信号線である。例えば、情報処理部２０と商品情報記憶部３０は信号線３０ａを介して通信可能に接続されている。また符号５０ａは、ディスプレイ５０と情報処理部２０を接続する信号線である。
情報処理部２０は、予め設定されたプログラムに従って様々な処理を実行する。詳しい処理内容は後で説明する。情報処理部２０は、種々の情報をディスプレイ５０で表示させることができる。

商品情報記憶部３０には、新規商品の各属性の水準と既存商品毎の各属性の水準が記憶されている。情報処理部２０が後述する各処理を実行する前に商品情報記憶部３０に記憶されている「新規商品の各属性の水準」は、仮に設定されたものである。図２に、商品情報記憶部３０の記憶内容の一例を示している。商品名（車種名）の欄における商品Ｘは市場投入前の新規商品であり、商品Ａ、Ｂ、Ｃ…は既存商品（既存車種）である。
本実施例では、商品の属性として、販売価格、排気量、燃費、乗車定員、エアコン等を採用している。各商品Ｘ、Ａ、Ｂ…には、「販売価格」の水準として具体的な価格が設定されている。また、「排気量」、「燃費」、「乗車定員」の水準として、それぞれに具体的な数値が設定されている。「エアコン」の水準としては、マニュアルとオートの二種類が設定されている。

図１に示されるアンケート情報記憶部３２には、多数の需要者に対して実行したアンケート結果（価値観調査結果）が記憶されている。図３に、アンケート情報記憶部３２の記憶内容の一例を示している。図３に例示されるように、多数の需要者（回答者）のそれぞれが複数の設問に回答した結果が記憶されている。設問は、各属性の水準が決められた複数の商品（図３では２つの商品）のいずれを好むのかを問うものである。図３では、黒で塗りつぶされた四角印が付けられた商品が、需要者によって選択された商品であることを例示している。なお、設問の回答の中に「いずれの商品も好まない」という選択肢を設けてもよい。
コンピュータ１０のユーザーは、図３に例示されるアンケート結果をアンケート情報記憶部３２に予め記憶させておく。

図１に示される部分効用値記憶部３４、選択確率記憶部３６、主成分分析結果記憶部３８、及びマップ記憶部４０は、情報処理部２０によって実行された処理の結果を記憶する。これらの記憶部３４，３６，３８，４０の記憶内容については後で詳しく説明する。
禁則条件記憶部４２は、新規商品Ｘの属性の水準として設定可能（変更可能）な水準が記憶されている。図４に、禁則条件記憶部４２の記憶内容の一例を示している。条件１から３として、設定することができない水準の組合せが記憶されている。これは、設定することができる水準の組合せを記憶していることに等しい。例えば条件１の「価格Ｙ万以下で排気量１３００ｃｃ以上は設定不可」は、価格Ｙ万より大きい場合には１３００ｃｃ以上の排気量を設定できること、及び、排気量が１３００ｃｃ以下であれば価格Ｙ万以下に設定できることを意味している。
また、禁則条件記憶部４２には、条件４や条件５に例示されるように、一つの属性についての禁則条件も記憶されている。即ち、例えば条件４では、価格を１００〜１５０万の間で設定しなければならないことが記憶されている。また例えば条件５では、ハイブリッドエンジンのみが設定可能であり、それ以外のエンジンを新規商品Ｘに設定することはできないことが記憶されている。新規商品を開発する際には、開発コンセプトに従っていくつかの属性の水準を決定しておき、残りの属性の水準は後に決定していくことがある。条件４や条件５は、新規商品（本実施例ではＸ）が開発コンセプトからあまりかけ離れたものにならないようにするために記憶されている。なお、条件４や条件５のような条件を設定しないようにしてもよい。

続いて、情報処理部２０が実行する処理の内容について説明していく。図５に、情報処理部２０が実行する処理のフローチャートを示している。なお図５では、情報処理部２０が実行する全ての処理を示しているわけではなく、本発明に関連する主な処理を示している。
情報処理部２０はアンケート情報を読込む（ステップＳ２）。即ち、アンケート情報記憶部３２の記憶内容（図３参照）を読込む。
情報処理部２０は、読込んだアンケート情報に対してコンジョイント分析を実行する（ステップＳ４）。コンジョイント分析では、需要者が商品選択要因とする商品の属性とその水準に対して需要者が認める重要度（部分効用値）を計測する。コンジョイント分析の詳細は、例えば「商品企画七つ道具、第９章、編著者：神田範明、株式会社日科技連出版社」に解説されている。ここでは、コンジョイント分析について簡単に説明する。需要者の商品選択過程で果たす水準の持つ強さは一定でなく、ある需要者１が排気量１３００ｃｃという水準を重視して商品を選択すると、その需要者１にとっては排気量１０００ｃｃという水準が好ましくないことになる。また、その需要者１が、エアコンがマニュアルなのかオートなのかについては重視しないこともある。この場合、需要者１にとって、排気量が１３００ｃｃという水準は商品選択に際して強く有利に働く水準であり、１０００ｃｃという水準は商品選択に際して強く不利に働く水準であり、エアコンがマニュアルであるという水準やオートであるという水準は中立的な水準であるということがいえる。水準が商品選択に際して機能する重要度は数値化することができ、例えば有利に働く水準を正の値、中立な水準をゼロの値、不利に働く水準を負の値で示すことができる。この場合、強く働く度合いに応じて大きな絶対値を与える。水準が商品選択に際して果たす重要度を数値化した値を部分効用値という。本実施例では、有利に働く水準を正の値、中立な水準をゼロの値、不利に働く水準を負の値で示す基準を採用している。なお、数値化する基準は任意にとることができ、最も不利に働く水準をゼロにし、中立な水準、有利な水準、強く有利に働く水準の順に正の大きな値を持つようにしてもよい。
情報処理部２０は、アンケート結果に対してコンジョイント分析を実行し、各水準の部分効用値を需要者毎に算出する。本実施例では、コンジョイント分析を実行するためのソフトウェアとして、Sawtooth Software社製のSMRTを用いている。図６（Ａ）に、コンジョイント分析処理（図５のステップＳ４）による計算結果の一例を示している。回答者（需要者）毎に、属性と水準の組合せ毎に部分効用値が算出されている。
情報処理部２０は、ステップＳ４で需要者毎に属性毎の水準群のそれぞれの部分効用値を算出すると、その結果を部分効用値記憶部３４に記憶させておく。

続いて、情報処理部２０は商品情報を読込む（ステップＳ６）。具体的には、商品情報記憶部３０の記憶内容（図２参照）を読込む。
そして、商品情報記憶部３０の記憶内容と、ステップＳ４での計算結果（部分効用値記憶部３４の記憶内容）とに基づいて、需要者毎に、各商品種類の選択確率を算出する（ステップＳ８）。
図６（Ｂ）は、商品情報記憶部３０から読込まれた記憶内容を模式的に示す。図６（Ｃ）は、図６（Ｂ）に示される各商品の各属性の水準に相当する部分効用値を、図６（Ａ）から抽出したものを示す。各商品の各属性に一個の部分効用値が付与される。各商品について、各属性の部分効用値を全属性について合計することによって、各商品の全体効用値が計算できる。全体効用値は、需要者と商品種類の組合せ毎に一個の値が計算される。全体効用値は、その需要者がその商品種類に認める評価の高さを意味し、値が大きいほど評価が高いことを示す。
本実施例では、１２種類の既存商品Ａ〜Ｌと１種類の新規商品Ｘの計１３種類の商品種類が流通しているものとして処理する。
図５のステップＳ８では、商品種類毎に計算される全体効用値を利用して、計１３種類の商品種類のなかから需要者が選択するであろう選択確率を算出する。需要者が１３種類の商品種類のなかから特定商品（Ａ〜Ｌ、Ｘのいずれか）を選択する確率は次式によって算出することができる。
＜選択確率の算出式＞
特定商品の選択確率＝ｅｘｐ（特定商品の全体効用値）／Ｃ
Ｃ＝ｅｘｐ（商品Ａの全体効用値）＋ｅｘｐ（商品Ｂの全体効用値）＋・・・
＋ｅｘｐ（商品Ｌの全体効用値）＋ｅｘｐ（商品Ｘの全体効用値）
上記の式を用いて、回答者（需要者）１が新規商品Ｘを選択する確率を導出する例を説明する。まず、需要者１に対して算出された各属性の各水準の部分効用値から、商品Ａ〜Ｌ、Ｘのそれぞれの全体効用値を算出する。全体効用値を算出する例を次に示しておく。商品が、価格と排気量と燃費と乗車定員とエアコンの５つの属性のみで定義されるとする。需要者１は、価格Ｙ１に対する部分効用値がｙ１であり、排気量Ｙ２に対する部分効用値がｙ２であり、燃費Ｙ３に対する部分効用値がｙ３であり、乗車定員Ｙ４に対する部分効用値がｙ４であり、マニュアルエアコンに対する部分効用値がｙ５であるとする。この場合、価格Ｙ１、排気量Ｙ２、燃費Ｙ３、乗車定員Ｙ４、及びマニュアルエアコンの各水準をもつ商品（車種）に対する需要者１の全体効用値は、ｙ１とｙ２とｙ３とｙ４とｙ５の和となる。各商品の全体効用値を算出すると、選択確率の算出式から、商品の選択確率を需要者毎に算出することが可能となる。
図７に、ステップＳ８で算出された選択確率の一例を示している。各商品の選択確率が需要者毎に算出されている。当然のことながら、需要者の一人について、商品毎の選択確率を全商品種類について合計すると、合計値は１になる。
情報処理部２０は、ステップＳ８で選択確率を算出すると、その算出結果を選択確率記憶部３６（図１参照）に記憶する。
選択確率は、商品種類群内における各商品種類の評価の高さを相対的に示すものであり、相対評価値の一例である。相対評価値には、全体効用値をそのまま利用してもよいし、他の変換式で変換した値を利用してもよい。

続いて、情報処理部２０は、需要者毎に求められた各商品に対する選択確率に対して主成分分析を実行する（図５のステップＳ１０）。主成分分析法は、情報損失を抑制しながら、多くの変量を少数個の総合的指標（主成分）で代表させる手法である。主成分分析の詳細は、多変量解析に関する種々の出版物に記載されている。例えば、現代数学社から出版されている「多変量解析法」（田中豊、脇本和昌著）にも記載されている。
情報処理部２０は、主成分分析を実行するにあたって、商品種類毎に、選択確率の平均（多数の需要者について平均する）、分散、標準偏差、最小値、最大値等を商品毎に算出する。図８には、その算出結果を例示している。図８における選択確率の平均の単位はパーセントである。図中のＡ〜Ｌは既存商品であり、Ｘは新規商品である。
情報処理部２０は、選択確率の平均、分散等に基づいて、各商品の主成分を算出する。図９に、図８に基づいて算出された各商品種類の主成分を示している。本実施例では、１３種類の商品を用いているために、主成分の数も１３存在する。図９では、各主成分の固有値、寄与率、累積寄与率も示している。
情報処理部２０は、図５のステップＳ１０で商品毎の各主成分を算出すると、その算出結果を主成分分析結果記憶部３８（図１参照）に記憶する。
主成分は、平均的需要者の価値観に基づいて商品を評価したときの評価値を多次元（この場合１３次元）ベクトルで表示している。例えば、新商品Ｘは、平均的需要者が、第１主成分が−０．３４であり、第２主成分が−０．２３である商品であると評価することを示している。主成分からは、需要者毎の個性に基づくばらつきの影響が除去されており、平均的需要者の価値観に基づいて商品を評価したときの総合評価ベクトルに変換されている。

情報処理部２０は、続いて、各主成分が算出された商品群を、各主成分に基づいてマッピングしてグループ分けする（図５のステップＳ１２とＳ１４）。このグループ分けは以下のようにして行なわれる。
ステップＳ１２では、商品種類毎に算出されている第１主成分から第ｎ主成分をｎ次元空間にマッピングする。この実施例では、第１主成分と第２主成分を二次元空間（平面）にマッピングする。第１主成分をｘ座標とし第２主成分をｙ座標とする点に、各商品の評価点をマッピングする。マッピング結果の一例が図１０に示される。この実施例では、第１主成分と第２主成分のみを採用し、第３主成分以下を採用しない。第３主成分以下の各主成分は寄与率が小さいためである。必要に応じて、各商品の第１主成分〜第３主成分を三次元空間にマッピングしてもよいし、第１主成分〜第４主成分を４次元空間にマッピングしてもよい。この明細書でいう多次元空間とは、二次元空間(平面)以上の任意の次数を持つ空間をいい４次元以上の仮想的な空間を含む。
続いて、二次元座標位置で示される各商品の位置をクラスター分析してグループ分けする。二次元座標位置で示される個体群（本実施例の場合は商品種類群）をクラスター分析してグループ分けする手法は、上記した出版物「多変量解析法」に記載されている。本明細書では、クラスター分析に関する詳しい説明は省略するが、図１１を用いて簡単に説明しておく。本実施例におけるクラスター分析は、ユークリッド距離に基づいた最短距離法を採用している。図１１に、クラスター分析によって得られたテンドログラムを、その端枝部分を省略して示している。図１１の破線は、グループ分けの基準となるユークリッド距離を表している。この破線とテンドログラムが６つの点で交わっているので、６つのグループ（クラスター）が構築されている。なお図１１の下には、各グループに含まれる商品を示している。例えば第１グループには、車種Ａ，Ｂ，Ｃ，Ｄ，Ｇ，Ｈ，Ｉが含まれている。

情報処理部２０は、各商品をグループ分けすると、グラフ上にマッピングされている商品種類群にグループ表示を追加する（図５のステップＳ１６）。図１０は、グループ表示が追加されたマップを示している。楕円がグループを示しており、同じグループに属する商品種類群が容易に把握できる。
なお、情報処理部２０は、各商品がマッピングされたグラフ（即ちマップ）をマップ記憶部４０（図１参照）に記憶させる。グループ情報もあわせて記憶される。

情報処理部２０は、グルーピング処理（ステップＳ１４）を終えると、各商品がマッピングされ、グループ表示が付加されたグラフ（マップ；図１０参照）をディスプレイ５０に表示する（図５のステップＳ１６）。コンピュータ１０のユーザーは、ディスプレイ５０に表示されたマップを見ることによって、新規商品Ｘと他の既存商品Ａ〜Ｌの競合関係を知ることができる。このとき、平均的需要者の価値に基づいて商品を評価したときの競合関係を把握することができる。例えば、第１グループに属する商品Ａ、Ｂ、Ｃ、Ｄ、Ｇ、Ｈ、Ｉは、需要者からみると同等に評価できて選択に迷う商品種類群であることが把握できる。本実施例の場合、新規商品Ｘはどのグループにも属さない。従って、ユーザーは、新規商品Ｘに対して仮に設定された各属性の水準（図２を例にすると、販売価格１００万、排気量１０００ｃｃ、燃費１８ｋｍ／Ｌ、乗車定員５名、マニュアルエアコン）を採用すると、各既存商品と差別化を図ることができると判断することができる。本コンピュータ１０は、ユーザーが新規商品Ｘの各属性の水準を決定するのを強力に支援することができる。
本実施例では、新規商品Ｘと同じグループに属する既存商品が存在しない。仮に、新規商品Ｘと同じグループに属する既存商品が存在する場合には、ユーザーは、需要者からみた新規商品Ｘの競合商品を知ることができる。この場合、ユーザーは、例えば、新規商品Ｘに対して仮に設定された各属性の水準を採用しないと決定することもできる。

（第２実施例）
ここでは、第１実施例と異なる点を中心に説明する。本実施例では、情報処理部２０が実行する処理の内容が第１実施例と異なる。図１２に、本実施例の情報処理部２０が実行する処理のフローチャートを示している。図１２のステップＳ２’〜Ｓ１４’の処理については、第１実施例と同様であるために説明を省略する。
情報処理部２０は、グルーピング処理（ステップＳ１４’）を終えると、ステップＳ３０に進む。ステップＳ３０では、新規商品Ｘと、その新規商品Ｘと同一グループに属する既存商品との間の距離を算出する。新規商品Ｘと同じグループに複数の既存商品が存在する場合は、同一グループ内の既存商品毎に新規商品Ｘとの間の距離を算出する。新規商品Ｘと同一グループに既存商品が存在しない場合は、ステップＳ３０の処理は行なわない。
ステップＳ３０を終えると、ステップＳ３０で算出された距離が所定値（図１２では「Ｓ」）より大きいか否かを判定する。この所定値Ｓは、予め設定される値である。ステップＳ３０で複数の距離が算出された場合（即ち複数の既存商品と新規商品Ｘとで一つのグループが構成されている場合）は、各距離が上記した所定値Ｓより大きいか否かが判断される。一つでも所定値Ｓ以下であると判断された場合は、ステップＳ３２でＮＯとされる。
最小距離を所定値Ｓと比較することになる。なお、新規商品Ｘと同一グループ内に既存商品が存在せずにステップＳ３０の処理が実行されなかった場合は、ステップＳ３２をスキップしてステップＳ３６に進む。
計算される最小距離は、新規商品とそれに最も類似する既存商品との類似の程度を示し、距離が近いほど類似の程度が低い。距離が所定値Ｓ以下である場合は、需要者からみると既存商品と同等に評価できる代わり映えのしない新規商品が投入されたと評価されることを示している。

ステップＳ３２でＮＯと判断されると、ステップＳ３４に進む。ステップＳ３４では、新規商品Ｘの属性の水準を変更する。水準を変更する際には、禁則条件記憶部４２の記憶内容（図４に例示している）を参照にする。図４を例にすると、現在設定されている排気量が１３００ｃｃである場合に、価格をＹ万以下に変更することは禁止される。また例えば、エンジンをハイブリッドエンジン以外のエンジンに変更することも禁止される。新規商品Ｘの一つの属性の水準を変更するようにしてもよいし、二つ以上の属性の水準を変更するようにしてもよい。
各属性には、優先順位が予め設定されている（ユーザーが予め設定しておく）。例えば、販売価格が第１位であり、排気量が第２位であり、燃費が第３位であり、乗車定員が第４位であり、エアコンが第５位であるとする。ステップＳ３４では、優先順位の高い順に属性の水準を変更する。上記の例の場合、まず、販売価格の水準を変更する。その変更後に再びステップＳ３４を実行する場合（再び実行することについては後で説明する）には、優先順位が第２位である排気量の水準を変更する。ステップＳ３４を実行する毎に、水準を変更する属性の優先順位を下げていく。最下位の属性を変更してもなおステップＳ３４を実行する場合には、最上位の属性を再び変更する。水準を変更する場合には、需要者にとって有利な水準になるように、あるいは、自動車の性能が向上するように変更する。例えば、販売価格を変更する場合には、販売価格を下げて需要者にとって有利になるようにする。また例えば、排気量を変更する場合には、排気量を上げて性能が向上するように変更する。具体的な数値で水準が設定される属性については、変更幅があまり大きくならないように変更する。予定されている新規商品の仕様を大きく変動させないためである。
このステップＳ３４の処理は、新規商品Ｘの変更後の水準を商品情報記憶部３０（図１参照）に書き込むことによって行なわれる。これにより、商品情報記憶部３０では、新規商品Ｘの新たな水準が記憶されることになる。
なお、ステップＳ３４における水準の変更はコンピュータ１０によって実行するようにしないで、ユーザーが実行するようにしてもよい。この場合、コンピュータ１０には、水準を変更するための入力手段（例えばキーボードやマウス）が設けられる。そして、ステップＳ３４の処理は、ユーザーによって入力された変更後の水準を商品情報記憶部３０に記憶させることによって実行される。コンピュータ１０は、禁則条件記憶部４２の記憶内容を表示し、ユーザーは、禁則条件記憶部４２の記憶内容を参照にして水準を変更する。

ステップＳ３４の処理が終了すると、ステップＳ６’以降の処理を再び実行する。即ち、新規商品Ｘの変更後の水準を読込み（ステップＳ６’）、変更後の水準を用いた場合における各商品の選択確率を新たに算出し（ステップＳ８’）、変更後の水準を用いた場合における各商品の主成分を新たに算出し（ステップＳ１０’）、新たに算出された主成分に基づいて各商品をマッピングし（ステップＳ１２’）、マップに基づいてグルーピングし（ステップＳ１４’）、そしてステップＳ３０の距離算出処理を再度に実施する。新規商品Ｘの水準を変更してステップＳ６’以降の処理を再び実行する処理が、ステップＳ３２において距離が所定値Ｓ以上であると判別されるまで続けられる。所定値Ｓ以上であると判別されれば、既存商品から異質な商品と評価される新規商品の水準設定が得られたことに相当する。
ステップＳ３２でＹＥＳと判断されると、各商品がマッピングされたグラフ（図１０参照）が表示されるとともに、新規商品Ｘに対して現在設定されている各属性の水準も表示される。新規商品Ｘの水準が変更された場合は変更後の水準が表示されることになる。

本実施例によると、同一グループに属する既存商品とある程度の距離を持った新規商品Ｘの各水準を知ることができる。即ち、需要者からみて新規商品Ｘと類似競合する既存商品（即ち新規商品Ｘと同一グループに属する既存商品）とある程度の異質性をもった新規商品Ｘの各水準を知ることができる。
本実施例によると、新規商品Ｘの各属性の水準を決定する過程を強力に支援することができる。

（第３実施例）
ここでは、上記した各実施例と異なる点を中心に説明する。本実施例では、情報処理部２０が実行する処理が上記の各実施例と異なる。図１３に、本実施例の情報処理部２０が実行する処理のフローチャートを示している。
ステップＳ２’〜Ｓ１４’までの処理は、第１実施例のステップＳ２〜Ｓ１４と同じ処理であるために説明を省略する。
情報処理部２０は、ステップＳ１４’を終えると、新規商品Ｘと特定の既存商品（本実施例では既存商品Ｆ；図１０等参照）との間の距離を算出する（ステップＳ４０）。特定の既存商品は予め設定されるものである。本実施例では、ライバル視している既存商品Ｆを特定の既存商品とする。
そして、ステップＳ４０で算出された距離が所定値Ｓより大きいか否かを判別する（ステップＳ４２）。ここでＹＥＳと判別されればステップＳ４６に進み、ＮＯと判別されればステップＳ４４に進む。ステップＳ４４の処理は、第２実施例で説明したステップＳ３４の処理（図１２参照）と同様である。ステップＳ４４で新規商品Ｘの水準が変更されると、ステップＳ６’以降の処理を再び実行する点も第２実施例と同様である。

本実施例によると、ライバル視する既存商品Ｆとの距離が所定値Ｓより大きくなるのに必要な新規商品Ｘの各属性の水準を知ることができる。即ち、既存商品Ｆに対して異質性をもつために必要な新規商品Ｘの各属性の水準を知ることができる。本実施例によっても、新規商品Ｘの水準を意思決定するのが強力に支援される。
なお、本実施例の主成分分析処理（ステップＳ１０’）では、既存商品Ｆと新規商品Ｘの主成分のみを算出し、他の既存商品Ａ、Ｂ等の主成分は算出しないようにしてもよい。このようにすると、ステップＳ１０’での計算量を圧縮することができる。
また、過去にヒットした自社商品を特定の既存商品として設定してもよい。この場合、ステップＳ４２において、ステップＳ４０で算出された距離がＴ（Ｔは任意の値）より小さいか否かを判別するようにする。このようにすると、ヒットした自社商品と類似競合すると需要者によって判断される新規商品の各水準を知ることができる。即ち、多くの需要者に好まれる新規商品の各水準を知ることができる。
距離の比較は目的によって、以上であったり、以下であったり、あるいは所定の距離範囲内に設定することもできる。

（第４実施例）
ここでは、上記した各実施例と異なる点を中心に説明する。本実施例では、情報処理部２０が実行する処理が上記した各実施例と異なる。
図１４に、本実施例の情報処理部２０が実行する処理のフローチャートを示している。ステップＳ２’〜Ｓ１４’の処理は、上記した第１実施例のステップＳ２〜Ｓ１４の処理と同様であるために説明を省略する。
情報処理部２０は、ステップＳ１４’を終えるとステップＳ５０に進む。ステップＳ５０では、新規商品Ｘと特定の既存商品（本実施例では既存商品Ｆ；図１１等参照）との間の距離を算出する。この処理は、第３実施例のステップＳ４０（図１３参照）と同じ処理内容である。
ステップＳ５２では、特定の既存商品Ｆと、ステップＳ１２’でつくられたグループの中で最も商品数の多いグループ（これを最大グループと呼ぶことにする）との間の距離を算出する。図１１を例にすれば、第１グループが最大グループになる。この場合、既存商品Ｆと第１グループとの間の距離が算出されることになる。本実施例では、最大グループの基準位置を、その最大グループを囲っている楕円（図１１参照）の中心とする。ステップＳ５２の処理を実行することによって、最大グループに対して既存商品Ｆがどれだけ異質性をもっているのかを示す距離が算出されることになる。
ステップＳ５４では、ステップＳ５０で算出された距離（即ち新規商品Ｘと既存商品Ｆとの間の距離）が、ステップＳ５２で算出された距離（即ち既存商品Ｆと最大グループとの間の距離）より大きいか否かが判別される。ここでＮＯと判別されると、ステップＳ５６に進み新規商品Ｘの水準が変更される。ＹＥＳと判別されると、上述のマップ（図１１参照９）と、新規商品Ｘの各属性の水準とが表示される（ステップＳ５８）。

本実施例によると、既存商品Ｆと新規商品Ｘとの間の距離が既存商品Ｆと最大グループとの間の距離より大きくなる場合の、新規商品Ｘの各属性の水準を得ることができる。既存商品Ｆに対する新規商品Ｘの異質性が、最大グループに対する既存商品Ｆの異質性と同等以上になる場合における新規商品Ｘの各水準を知ることができる。

以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
例えば、上記した各実施例ではクラスター分析を用いてグループ分けをしているが、各商品がどの象限にマッピングされるかに基づいてグループ分けをするようにしてもよい。図１０を例にすると、第１象限に配置されているＦ、Ｌ、Ｋを一つのグループにし、第２象限に配置されているＣ、Ｅ、Ｉを一つのグループにし、第３象限に配置されているＡ、Ｂ、Ｄ、Ｇ、Ｈ、Ｘを一つのグループにし、第４象限に配置されているＪを一つのグループにする。
また、上記した各実施例では、需要者毎の各商品に対する選択確率を算出しているが、需要者毎の各商品に対する相対的な評価を示すものであれば選択確率以外の評価値を用いることもできる。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組合せによって技術的有用性を発揮するものであり、出願時請求項記載の組合せに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。

実施例に係るコンピュータ装置の機能を示した図である。 商品情報記憶部の記憶内容の一例を示す。 アンケート情報記憶部の記憶内容の一例を示す。 禁則条件記憶部の記憶内容の一例を示す。 情報処理部が実行する処理のフローチャートを示す（第１実施例）。 需要者毎の各水準に対する部分効用値を例示した図である。 需要者毎の各商品に対する選択確率を例示した図である。 各商品に対する選択確率の平均、分散、標準偏差、最小値、及び最大値を例示した図である。 各商品の主成分を例示した図である。 各商品が配置されたマップの一例を示す。 クラスター分析を説明するための図である。 情報処理部が実行する処理のフローチャートを示す（第２実施例）。 情報処理部が実行する処理のフローチャートを示す（第３実施例）。 情報処理部が実行する処理のフローチャートを示す（第４実施例）。

符号の説明

１０：コンピュータ装置
２０：情報処理部
３０：商品情報記憶部
３２：アンケート情報記憶部
３４：部分効用値記憶部
３６：選択確率記憶部
３８：主成分分析結果記憶部
４０：マップ記憶部
４２：禁則条件記憶部
５０：ディスプレイ

Claims (9)

1. 多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成する方法であり、
   商品の属性毎に水準群を設定して実行した属性と水準に関する価値観調査結果をコンピュータによってコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析工程と、
   コンピュータによって、商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出工程と、
   コンピュータによって、需要者／商品種類／相対的評価値算出工程の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析工程と
   を備えている競合関係データ生成方法。
2. 需要者／商品種類／相対的評価値算出工程では、新規商品に予定されている属性毎の水準の設定に基づいて、新規商品投入後の相対的評価値を算出することを特徴とする請求項１の競合関係データ生成方法。
3. コンピュータによって、所定の既存商品の総合評価ベクトルと新規商品の総合評価ベクトルが多次元空間にマッピングされた場合における前記所定の既存商品と新規商品の間の距離を計算する距離計算工程が付加されていることを特徴とする請求項２の競合関係データ生成方法。
4. コンピュータによって、距離計算工程で計算された距離が予め設定された所定範囲に含まれるか否か判別する判別工程と、
   判別工程において前記距離が前記所定範囲に含まれないと判別された場合に、新規商品の少なくとも一つの属性の水準を異なる水準に変更し、変更後の「新規商品の属性毎の水準の設定」に基づいて需要者／商品種類／相対的評価値算出工程と多変量解析工程と距離計算工程と判別工程を再び実施する再実施工程とを備え、
   判別工程において前記距離が前記所定範囲に含まれると判別されるまで再実施工程を繰返し実施することを特徴とする請求項３の競合関係データ生成方法。
5. 商品種類毎の総合評価ベクトルが多次元空間にマッピングされた場合に近接して存在する商品種類群をグルーピングする工程が付加されていることを特徴とする請求項１から４のいずれかの競合関係データ生成方法。
6. 需要者／商品種類／相対的評価値算出工程では、商品種類毎の選択確率を需要者毎に算出することを特徴とする請求項１から５のいずれかの競合関係データ生成方法。
7. 商品の総合評価ベクトルは、需要者／商品種類／相対的評価値算出工程の算出結果に対して主成分分析して得られた第１主成分と第２主成分を含むことを特徴とする請求項１から６のいずれかの競合関係データ生成方法。
8. 多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成するコンピュータであり、
   商品の属性と水準に関する価値観調査結果を記憶している手段と、商品種類毎に属性毎の水準の設定を記憶している手段と、情報処理手段とを備え、
   その情報処理手段が、価値観調査結果をコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析処理と、
   商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出処理と、
   需要者／商品種類／相対的評価値算出処理の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析処理と
   を実行することを特徴とするコンピュータ。
9. 多種類の商品がある場合に、平均的需要者からみた商品種類同士の競合関係を示すデータを生成するプログラムであり、
   商品の属性と水準に関する価値観調査結果にアクセスする処理と、
   商品種類毎の属性毎の水準の設定にアクセスする処理と、
   価値観調査結果をコンジョイント分析することによって、需要者毎にその需要者が商品の属性毎の水準のそれぞれに抱く部分効用値を算出するコンジョイント分析処理と、
   商品種類毎の属性毎の水準の設定と、コンジョイント分析結果に基づいて、需要者毎にその需要者がその商品種類に抱く相対的評価値を算出する需要者／商品種類／相対的評価値算出処理と、
   需要者／商品種類／相対的評価値算出処理の算出結果に対して多変量解析を実行し、商品の総合評価ベクトルを商品種類毎に算出する多変量解析処理と
   をコンピュータに実行させるプログラム。