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
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 Download PDFInfo
- Publication number
- JP2005222489A JP2005222489A JP2004032558A JP2004032558A JP2005222489A JP 2005222489 A JP2005222489 A JP 2005222489A JP 2004032558 A JP2004032558 A JP 2004032558A JP 2004032558 A JP2004032558 A JP 2004032558A JP 2005222489 A JP2005222489 A JP 2005222489A
- Authority
- JP
- Japan
- Prior art keywords
- product
- consumer
- level
- attribute
- product type
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 230000002860 competitive effect Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims description 84
- 230000010365 information processing Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 30
- 238000000491 multivariate analysis Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000013215 result calculation Methods 0.000 claims 2
- 239000000470 constituent Substances 0.000 abstract 4
- 238000006073 displacement reaction Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 11
- 239000000446 fuel Substances 0.000 description 9
- 238000007621 cluster analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 102100030569 Nuclear receptor corepressor 2 Human genes 0.000 description 1
- 101710153660 Nuclear receptor corepressor 2 Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
【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。
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。
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、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。
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。
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。
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
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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、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。
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。
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。
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。
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。
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。
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。
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。
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。
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)。
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。
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。
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
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)
- 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。 - 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。
- 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。
- 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。 - 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。
- 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。
- 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。
- 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004032558A JP2005222489A (ja) | 2004-02-09 | 2004-02-09 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2004032558A JP2005222489A (ja) | 2004-02-09 | 2004-02-09 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005222489A true JP2005222489A (ja) | 2005-08-18 |
Family
ID=34998044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004032558A Pending JP2005222489A (ja) | 2004-02-09 | 2004-02-09 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2005222489A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316899A (ja) * | 2006-05-25 | 2007-12-06 | Toyota Motor Corp | 次期モデル商品の需要量を予測する装置と方法 |
JP2011253402A (ja) * | 2010-06-03 | 2011-12-15 | Kozo Keikaku Engineering Inc | 商品価値出力装置、商品価値出力方法、およびプログラム |
US10128628B2 (en) | 2014-12-15 | 2018-11-13 | Autonetworks Technologies, Ltd. | Wire with terminal and manufacturing method therefor |
JP2021009574A (ja) * | 2019-07-01 | 2021-01-28 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2004
- 2004-02-09 JP JP2004032558A patent/JP2005222489A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007316899A (ja) * | 2006-05-25 | 2007-12-06 | Toyota Motor Corp | 次期モデル商品の需要量を予測する装置と方法 |
JP4640261B2 (ja) * | 2006-05-25 | 2011-03-02 | トヨタ自動車株式会社 | 次期モデル商品の需要量を予測する装置と方法 |
JP2011253402A (ja) * | 2010-06-03 | 2011-12-15 | Kozo Keikaku Engineering Inc | 商品価値出力装置、商品価値出力方法、およびプログラム |
US10128628B2 (en) | 2014-12-15 | 2018-11-13 | Autonetworks Technologies, Ltd. | Wire with terminal and manufacturing method therefor |
JP2021009574A (ja) * | 2019-07-01 | 2021-01-28 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7177013B2 (ja) | 2019-07-01 | 2022-11-22 | ヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200057950A1 (en) | Personal Taste Assessment Method and System | |
US5124911A (en) | Method of evaluating consumer choice through concept testing for the marketing and development of consumer products | |
US8015057B1 (en) | Method and system for analyzing service outsourcing | |
JP2002510410A (ja) | 分析決定プロセッサを持つ消費者プロファイリングシステム | |
AU2019200542A1 (en) | Recommendation system based on group profiles of personal taste | |
JP3851786B2 (ja) | 品質機能展開表のチェック方法及びプログラム | |
US20010049678A1 (en) | Data display apparatus and method for displaying data mining results as multi-dimensional data | |
US20090299870A1 (en) | Consumptible identification system and method | |
Jonsson et al. | It’sa decent bet that our children will be professors too | |
Song et al. | A decision support model for buying battery electric vehicles considering consumer learning and psychological behavior | |
KR100616054B1 (ko) | 데이터 분석 시스템, 데이터 분석 방법 및 프로그램을기록하는 컴퓨터 판독 가능한 기록 매체 | |
US20200302507A1 (en) | Item presentation method, item presentation program, and item presentation apparatus | |
JP2005222489A (ja) | 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 | |
Kang et al. | Integrating continuous fuzzy Kano model and fuzzy quality function deployment to the sustainable design of hybrid electric vehicle | |
CN112598405B (zh) | 一种基于大数据的商业项目数据管理方法及*** | |
JPWO2020003355A1 (ja) | マッチングスコア算出装置 | |
Wilson et al. | Shared concepts in group decision making: A model for decisions based on qualitative data | |
JP7168062B2 (ja) | 商品特徴スコア推定装置、方法およびプログラム | |
JP2015014856A (ja) | ソフトウェア開発プロジェクトの評価方法及びシステム | |
JP4337676B2 (ja) | 商品評価装置 | |
US20110136093A1 (en) | Personalized studying path generating method in serious game | |
JP4278022B2 (ja) | データ管理システムおよび検索システム | |
JP2007293428A (ja) | 潜在的需要量の表示装置と表示方法 | |
JP4631559B2 (ja) | 需要量予測装置、需要量予測方法 | |
WO1991005307A1 (en) | A method of evaluating consumer choice through concept testing for the marketing and development of consumer products |