JP2017016361A - Estimation data generating method, estimation data generating program and estimation data generating system - Google Patents
Estimation data generating method, estimation data generating program and estimation data generating system Download PDFInfo
- Publication number
- JP2017016361A JP2017016361A JP2015131986A JP2015131986A JP2017016361A JP 2017016361 A JP2017016361 A JP 2017016361A JP 2015131986 A JP2015131986 A JP 2015131986A JP 2015131986 A JP2015131986 A JP 2015131986A JP 2017016361 A JP2017016361 A JP 2017016361A
- Authority
- JP
- Japan
- Prior art keywords
- store
- probability
- specific
- customer
- questionnaire
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 43
- 230000004044 response Effects 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、推定データ生成方法等に関する。 The present invention relates to an estimated data generation method and the like.
近年、マーケティング業務においては、店舗に対する顧客のアンケート回答に基づいて、顧客満足度を高める方策を検討することが行われている。例えば、顧客満足度を高めることは、来店頻度や、来店時の購入額を高めることにもつながる。 In recent years, in marketing work, a method for increasing customer satisfaction based on customer questionnaire responses to stores has been studied. For example, increasing customer satisfaction leads to increasing the frequency of visits and the purchase amount at visits.
複数の店舗が入店する集合商業施設において、各店舗で実施されたアンケート結果を用いることで、テナントの管理者は、顧客満足度等を高めるべく、どの店舗を新たな店舗と入れ替えるべきか、どの店舗を継続して入店させておくべきか等を判断する。例えば、管理者は、顧客満足度の低い店舗の代わりに、最近の話題の商品を取り扱う店舗や、定番商品を取り扱う店舗を入店させることがある。 By using the results of questionnaires conducted at each store in a collective commercial facility where multiple stores enter, the tenant administrator should replace which store with a new store in order to increase customer satisfaction, etc. Determine which stores should be kept open. For example, an administrator may enter a store that handles a recently-talked-about product or a store that handles a standard product, instead of a store with low customer satisfaction.
しかしながら、上述した従来技術では、顧客に対してアンケートを実際に実施しないと、アンケート回答を得ることができないという問題がある。 However, the above-described conventional technology has a problem in that a questionnaire response cannot be obtained unless a questionnaire is actually conducted for a customer.
例えば、テナントの管理者が、上記のマーケティング業務を行うためには、集合商業施設に入店する全ての店舗に対するアンケート回答を幅広い年齢層の各顧客から得ることが望ましいが、このようにアンケート回答を得ることは現実的でない。 For example, in order for a tenant administrator to conduct the above marketing work, it is desirable to obtain questionnaire responses from all customers of a wide range of age groups for all stores entering the commercial complex. It is not realistic to get.
１つの側面では、本発明は、店舗で商品を購入した顧客について、アンケートを行っていないにもかかわらず、アンケート回答を推定することができる推定データ生成方法、推定データ生成プログラムおよび推定データ生成システムを提供することを目的とする。 In one aspect, the present invention relates to an estimation data generation method, an estimation data generation program, and an estimation data generation system capable of estimating a questionnaire response for a customer who has purchased a product at a store, even though the questionnaire is not performed. The purpose is to provide.
第１の案では、コンピュータが下記の処理を実行する。コンピュータは、特定の店舗又は特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データに基づいて、該特定の顧客の特定の店舗又は他の店舗に対するロイヤリティの程度を評価する。コンピュータは、特定の店舗又は他の店舗に関するアンケートの回答データを解析して、顧客が特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出する。コンピュータは、特定の顧客に関するロイヤリティの程度の評価結果と確率とに基づいて、特定の顧客についての特定の店舗又は他の店舗に関するアンケートの回答の推定データを生成する。 In the first plan, the computer executes the following processing. The computer evaluates the degree of loyalty of the specific customer for the specific store or other stores based on the purchase history data of the specific customer regarding the specific store or other stores related to the specific store. The computer analyzes response data of a questionnaire regarding a specific store or another store, and calculates a probability that the customer selects a predetermined item in the questionnaire regarding the specific store or the other store. Based on the evaluation result and the probability of the loyalty level regarding the specific customer, the computer generates estimated data of a questionnaire response regarding the specific store or the other store regarding the specific customer.
店舗で商品を購入した顧客について、アンケートを行っていないにもかかわらず、アンケート結果を推定することができる。 A questionnaire result can be estimated for a customer who purchased a product at a store, even though the questionnaire is not conducted.
以下に、本願の開示する推定データ生成方法、推定データ生成プログラムおよび推定データ生成システムの実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。 Hereinafter, embodiments of an estimation data generation method, an estimation data generation program, and an estimation data generation system disclosed in the present application will be described in detail with reference to the drawings. Note that the present invention is not limited to the embodiments.
図１は、本実施例にかかるシステムの構成を示す図である。図１に示すように、このシステムは、購買履歴データベース５と、端末装置１０と、推定データ生成装置１００とを有する。購買履歴データベース５は、端末装置１０に接続される。推定データ生成装置１００および端末装置１０は、ネットワーク５０を介して相互に接続される。ここでは、推定データ生成装置１００と、端末装置１０とを接続する例を示すが、推定データ生成装置１００は、他の端末装置や他の装置に接続されていても良い。
FIG. 1 is a diagram illustrating a configuration of a system according to the present embodiment. As shown in FIG. 1, this system includes a
購買履歴データベース５は、図示しない集合商業施設等に設置されたＰＯＳ（Point Of Sales）システムに接続され、このＰＯＳシステムから送信される顧客の購入履歴の情報を記憶する記憶装置である。
The
図２は、購買履歴データベースのデータ構造の一例を示す図である。図２に示すように、この購買履歴データベース５は、ユーザ識別情報と、来店日と、店舗と、購入金額とを対応付ける。ユーザ識別情報は、ユーザを一意に識別する情報である。来店日は、ユーザが店舗に来店した日付を示す。店舗は、ユーザが来店した店舗を示す。購入金額は、ユーザが店舗で購入した商品の購入金額を示す。
FIG. 2 is a diagram illustrating an example of a data structure of the purchase history database. As shown in FIG. 2, this
例えば、図２に示す購買履歴データベースの１行目のレコードについて説明する。１行目のレコードでは、「ユーザＡ」が「店舗α」に「２月２５日」に来店し、店舗αで購入した商品の購入金額が「３０００」円である旨が示される。 For example, the record in the first row of the purchase history database shown in FIG. 2 will be described. The record in the first line indicates that “user A” has visited “store α” on “February 25” and the purchase price of the product purchased at store α is “3000” yen.
端末装置１０は、購買履歴データおよび回答集計データを推定データ生成装置１００に送信する装置である。購買履歴データは、ユーザが来店した来店回数を、店舗毎に集計した情報である。例えば、端末装置１０は、購買履歴データベース５にアクセスし、ユーザ毎に、店舗毎の来店数を集計することで、購買履歴データを生成する。
The
図３は、購買履歴データのデータ構造の一例を示す図である。図３に示すように、購買履歴データ１４０ａは、ユーザ識別情報と、各店舗の来客回数とを対応付ける。例えば、購買履歴データ１４０ａの１行目のレコードでは、ユーザＡが店舗αに４回来店し、店舗βに４回来店した旨が示される。
FIG. 3 is a diagram illustrating an example of a data structure of purchase history data. As shown in FIG. 3, the
回答集計データは、各店舗で実施されたアンケートの回答を集計した情報である。図４は、例えば、店舗αで実施されたアンケートの一例を示す図である。図４に示すアンケートでは、「店舗αの商品は好きですか？」という質問と、「普段よく買うものは？」という質問を含む。 The response total data is information obtained by totaling responses from questionnaires conducted at each store. FIG. 4 is a diagram illustrating an example of a questionnaire conducted at a store α, for example. The questionnaire shown in FIG. 4 includes a question “Do you like products at store α?” And a question “What do you usually buy?”.
「店舗αの商品は好きですか？」という質問については、ユーザは、「好き」、「好きではない」のうち、何れかを選択する。「普段よく買うものは？」という質問について、ユーザは、「定番品」、「流行のもの」、「お手頃なもの」から、好きな項目を選択する。ユーザは、好きな項目が複数存在する場合には、複数の項目を選択しても良い。ここで、アンケートの回答者であるユーザは、購買履歴データベース５に購入履歴の情報が記憶されている顧客とは異なる人物であって構わない。
In response to the question “Do you like the product at store α?”, The user selects either “I like” or “I do n’t like”. In response to the question “What do you usually buy?”, The user selects a favorite item from “Standard Items”, “Fashion Items”, and “Affordable Items”. When there are a plurality of favorite items, the user may select a plurality of items. Here, the user who is the answerer of the questionnaire may be a person different from the customer whose purchase history information is stored in the
例えば、管理者は、アンケートの回答を端末装置１０に入力し、端末装置１０は、アンケートの回答を集計することで、回答集計データを生成する。図４に示す例では、店舗αに対するアンケートの内容を示したが、他の店舗についても、同様のアンケートが実施され、アンケートの回答が、端末装置１０に入力されるものとする。
For example, the administrator inputs questionnaire responses to the
図５は、回答集計データのデータ構造の一例を示す図である。図５に示すように、この回答集計データ１４０ｂは、店舗毎の回答集計結果を有する。ここでは一例として、店舗αの回答集計結果１４１と、店舗βの回答集計結果１４２とを示すが、その他の店舗の回答集計結果を含んでいても良い。
FIG. 5 is a diagram illustrating an example of a data structure of the response total data. As shown in FIG. 5, the answer
図５に示す店舗αの回答集計結果１４１について説明する。店舗αのアンケートに回答したユーザは全体で「２００人」であり、このうち、店舗αに好意があるユーザは「１００人」である。例えば、図４に示したアンケートにおいて、「好き」を選択したユーザが、店舗αに好意があるユーザとなる。 The answer total result 141 of the store α shown in FIG. 5 will be described. The total number of users who answered the questionnaire for the store α is “200”, and among these, “100” are users who favor the store α. For example, in the questionnaire shown in FIG. 4, the user who selects “like” becomes a user who favors the store α.
店舗αのアンケートに回答したユーザ全体について、「普段よく買うものは？」という質問に対して、定番品を選択したユーザは「１００人」、流行のものを選択したユーザは「５０人」、お手軽なものを選択したユーザは「５０人」である。図４に示したアンケートについて、「普段よく買うものは？」という質問については、複数項目選択可能であるため、選択したユーザの合計は、必ずしもユーザ全体の人数と一致しない。 With respect to the entire user who answered the questionnaire of the store α, in response to the question “What do you usually buy?”, “100 people” selected the standard items, “50” users selected the trendy items, The number of users who have selected the easy ones is “50”. With respect to the questionnaire shown in FIG. 4, since the question “What do you often buy?” Can be selected from a plurality of items, the total number of selected users does not necessarily match the total number of users.
店舗αのアンケートに回答したユーザ全体のうち、店舗αに好意があるユーザについて、「普段よく買うものは？」という質問に対して、定番品を選択したユーザは「６０人」、流行のものを選択したユーザは「３０人」、お手軽なものを選択したユーザは「５０人」である。 Of the users who answered the questionnaire for store α, among users who favored store α, in response to the question “What do you usually buy? The number of users who have selected “30” is “50”, and the number of users who have selected a simple one is “50”.
図５に示す店舗βの回答集計結果１４２について説明する。店舗βのアンケートに回答したユーザは全体で「５０人」であり、このうち、店舗βに好意があるユーザは「３０人」である。
The answer
店舗βのアンケートに回答したユーザ全体について、「普段よく買うものは？」という質問に対して、定番品を選択したユーザは「３０人」、流行のものを選択したユーザは「２０人」、お手軽なものを選択したユーザは「２０人」である。 In response to the question “What do you usually buy?” For all the users who answered the questionnaire of store β, “30 people” selected the standard items, “20” users selected the trendy items, There are “20” users who have selected the easy ones.
店舗βのアンケートに回答したユーザ全体のうち、店舗βに好意があるユーザについて、「普段よく買うものは？」という質問に対して、定番品を選択したユーザは「２５人」、流行のものを選択したユーザは「１０人」、お手軽なものを選択したユーザは「１０人」である。 Of the users who answered the store β questionnaire, among the users who favored store β, in response to the question “What do you usually buy?” The number of users who have selected “10” is “10”, and the number of users who have selected a simple one is “10”.
推定データ生成装置１００は、購買履歴データおよび回答集計データを基にして、特定のユーザからアンケートの回答を受け付けていなくても、かかる特定のユーザのアンケートの回答を推定した推定データを生成する装置である。推定データ生成装置１００は、推定データを端末装置１０や他の装置に送信する。
The estimation
図６は、本実施例にかかる推定データ生成装置の構成を示す機能ブロック図である。図６に示すように、この推定データ生成装置１００は、通信部１１０、入力部１２０、表示部１３０、記憶部１４０、制御部１５０を有する。
FIG. 6 is a functional block diagram illustrating the configuration of the estimation data generation apparatus according to the present embodiment. As illustrated in FIG. 6, the estimated
通信部１１０は、ネットワーク５０を介して、端末装置１０や他の装置とデータ通信を実行する処理部である。例えば、通信部１１０は、通信装置に対応する。後述する制御部１５０は、通信部１１０を介して、端末装置１０とデータをやり取りする。
The communication unit 110 is a processing unit that performs data communication with the
入力部１２０は、各種の情報を入力する入力装置である。入力部１２０は、例えば、キーボードやマウス、タッチパネル等に対応する。 The input unit 120 is an input device that inputs various types of information. The input unit 120 corresponds to, for example, a keyboard, a mouse, a touch panel, and the like.
表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。表示部１３０は、例えば、液晶ディスプレイに対応する。 The display unit 130 is a display device that displays information output from the control unit 150. The display unit 130 corresponds to, for example, a liquid crystal display.
記憶部１４０は、購買履歴データ１４０ａおよび回答集計データ１４０ｂを有する。記憶部１４０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子などの記憶装置に対応する。
The storage unit 140 includes
購買履歴データ１４０ａは、ユーザが来店した来店回数を、店舗毎に集計した情報である。購買履歴データ１４０ａのデータ構造は、図３で説明したデータ構造に対応する。
The
回答集計データ１４０ｂは、各店舗で実施されたアンケートの回答を集計した情報である。回答集計データ１４０ｂのデータ構造は、図５で説明したデータ構造に対応する。
The
制御部１５０は、取得部１５０ａと、評価部１５０ｂと、推定部１５０ｃとを有する。制御部１５０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）や、ＦＰＧＡ（Field Programmable Gate Array）などの集積装置に対応する。また、制御部１５０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路に対応する。 The control unit 150 includes an acquisition unit 150a, an evaluation unit 150b, and an estimation unit 150c. The control unit 150 corresponds to an integrated device such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA). The control unit 150 corresponds to an electronic circuit such as a CPU (Central Processing Unit) or an MPU (Micro Processing Unit).
取得部１５０ａは、端末装置１０から購買履歴データ１４０ａおよび回答集計データ１４０ｂを取得する処理部である。取得部１５０ａは、購買履歴データ１４０ａおよび回答集計データ１４０ｂを、記憶部１４０に格納する。
The acquisition unit 150 a is a processing unit that acquires the
評価部１５０ｂは、購買履歴データ１４０ａに基づいて、特定のユーザの各店舗に対するロイヤリティ（loyalty）の程度を評価する処理部である。例えば、評価部１５０ｂは、特定のユーザのある店舗ｋに対するロイヤリティｌｋを、ある店舗ｋの来店回数に応じて設定する。一般に、好きな店ほど頻繁に来店する傾向があるといえるので、ある人の店舗ｋに対する来店回数の多さは、該ある人の店舗ｋに対する好意の強さの度合いと比例するとみなせよう。特定のユーザの店舗ｋへのロイヤリティｌｋの値の範囲を式（１）で定義する。下記では説明を省略するが、特定のユーザは、ユーザＡやユーザＢ等に対応するものである。
The evaluation unit 150b is a processing unit that evaluates the degree of loyalty for each store of a specific user based on the
０≦ｌｋ≦１・・・（１） 0 ≦ l k ≦ 1 (1)
評価部１５０ｂは、特定のユーザが店舗ｋに来店した来店回数が大きいほど、ロイヤリティｌｋの値を１に近づける。また、評価部１５０ｂは、特定のユーザが店舗ｋに来店した来店回数が小さいほど、ロイヤリティｌｋの値を０に近づける。 The evaluation unit 150b brings the value of the royalty l k closer to 1 as the number of visits to the store k by a specific user increases. In addition, the evaluation unit 150b, as the specific user is small number of visits to the store, which visited the store k, bringing the value of loyalty l k to 0.
評価部１５０ｂが、来店回数の大小に応じて、ロイヤリティｌｋの値をどの程度１や０に近づけるのかは、各ユーザの来店回数の最大回数、最小回数、平均回数等を用いて、適宜、管理者が調整しておくものとする。
Evaluation unit 150b is, according to the magnitude of the number of visits to the store, it is how close to what
例えば、特定のユーザを「ユーザＡ」とした場合には、評価部１５０ｂは、購買履歴データ１４０ａを基にして、上記処理を実行し、ユーザＡの店舗αに対するロイヤリティｌα、店舗βに対するロイヤリティｌβを評価する。評価部１５０ｂは、特定のユーザの各店舗に対するロイヤリティの評価結果を、推定部１５０ｃに出力する。
For example, when the specific user is “user A”, the evaluation unit 150b executes the above processing based on the
推定部１５０ｃは、特定のユーザのロイヤリティの評価結果および回答集計データ１４０ｂを基にして、特定のユーザのアンケートの回答を推定した推定データを生成する処理部である。以下において、推定部１５０ｃの処理について説明する。
The estimation unit 150c is a processing unit that generates estimation data in which the answer of the questionnaire of the specific user is estimated based on the evaluation result of the loyalty of the specific user and the response
推定部１５０ｃは、ベイズの定理（ナイーブベイズの仮定）を修正した式を用いて、アンケートに回答していない特定のユーザがアンケートのある項目を選択する相対確率を算出する。例えば、推定部１５０ｃは、アンケートに回答したユーザがある項目を選択する確率を特定のユーザのロイヤリティで補正した値を用いて、特定のユーザがある項目を選択する相対確率を算出する。 The estimation unit 150c calculates a relative probability that a specific user who has not answered the questionnaire selects an item in the questionnaire using an expression obtained by correcting the Bayes theorem (Naive Bayes' assumption). For example, the estimation unit 150c calculates a relative probability of selecting an item by a specific user using a value obtained by correcting the probability of selecting a certain item by a user who answered the questionnaire with the royalty of the specific user.
ベイズの定理を修正した式は、後述するように、式（２）に含まれる確率値Ｐ（Ｘｋ｜Ａｉｊ）を、式（４）の確率値Ｐ’（Ｘｋ｜Ａｉｊ）に置き換えたものとなる。 Expression modified Bayes 'theorem, as described below, wherein the probability value P contained in (2) | a (X k A ij), formula (4) the probability value P' | to (X k A ij) It will be replaced.
まず、ベイズの定理について説明する。ベイズの定理は、式（２）に示すものとなる。 First, the Bayes theorem will be explained. Bayes' theorem is shown in equation (2).
ここで、式（２）のＰは確率を示し、Ｐに隣接する括弧内において確率Ｐの条件を定義する。また、式（２）に含まれる記号および添え字の意味は、下記に示すものとなる。
Ａｉｊ：アンケートｉの回答がｊ
Ｘｋ：店舗ｋへ好意有り
Ｘ：好意のある店舗の集合
Here, P in the formula (2) indicates a probability, and the condition of the probability P is defined in parentheses adjacent to P. Further, the meanings of symbols and subscripts included in the formula (2) are as shown below.
A ij : The answer to questionnaire i is j
X k : Favorable to store k X: Set of stores with favor
ベイズの定理に基づく計算例について説明する。ここでは、店舗αおよび店舗βの両店舗に好意的なユーザを対象として、「普段よく買うものは？」という質問に対して「定番品」と回答する確率Ｐｓ１の推定例を説明する。例えば、式（２）のベイズの定理に従うと、確率Ｐｓ１は、式（３）に示す関係となる。 A calculation example based on Bayes' theorem will be described. Here, an estimation example of the probability Ps1 of answering “basic product” to the question “What do you usually buy?” Will be described for users who are friendly to both stores α and β. For example, according to the Bayes' theorem of Equation (2), the probability Ps1 has the relationship shown in Equation (3).
確率Ｐｓ１∝（定番品をよく買う確率）×（定番品をよく買う人が店舗αを好きな確率）×（定番品をよく買う人が店舗βを好きな確率）・・・（３） Probability Ps1∝ (probability of buying classic items often) × (probability of people who often buy classic items like store α) × (probability of people who often buy classic items like store β) (3)
式（３）の（定番品をよく買う確率）を、図５を用いて説明する。例えば、店舗αの回答集計結果１４１では全体の回答人数が「２００人」で、この２００人のうち、定番品をよく買うと回答した人数が「１００人」である。また、店舗βの回答集計結果１４２では全体の回答人数が「５０人」で、この５０人のうち、定番品をよく買うと回答した人数が「３０人」である。このため、定番品をよく買う確率は、（１００＋３０）／（２００＋５０）＝０．５２となる。
Formula (3) (probability of buying a standard product often) will be described with reference to FIG. For example, in the answer count result 141 of the store α, the total number of respondents is “200”, and among these 200 people, the number of respondents who frequently buy basic items is “100”. Further, in the
式（３）の（定番品をよく買う人が店舗αを好きな確率）を、図５を用いて説明する。例えば、店舗αの回答集計結果１４１では、全体の回答人数が２００人のうち、定番品をよく買うと回答した人数が「１００人」である。また、店舗αに好意がある１００人のうち、定番品をよく買うと回答した人数が「６０人」である。このため、定番品をよく買う人が店舗αを好きな確率は、６０／１００＝０．６となる。 Formula (3) (probability that a person who often purchases a standard item likes store α) will be described with reference to FIG. For example, in the answer count result 141 of the store α, the total number of respondents out of 200 is “100” who replied that they often buy a standard product. Further, out of 100 people who are favored by the store α, the number of people who answered that they often buy a standard product is “60 people”. For this reason, the probability that a person who often purchases a standard item likes the store α is 60/100 = 0.6.
式（３）の（定番品をよく買う人が店舗βを好きな確率）を、図５を用いて説明する。例えば、店舗βの回答集計結果１４２では、全体の回答人数が５０人のうち、定番品をよく買うと回答した人数が「３０人」である。また、店舗βに好意がある３０人のうち、定番品をよく買うと回答した人数が「２５人」である。このため、定番品をよく買う人が店舗αを好きな確率は、２５／３０＝０．８３となる。
Formula (3) (probability that a person who often buys a standard item likes store β) will be described with reference to FIG. For example, in the
このため、式（２）（式（３））のベイズの定理に従うと、確率Ｐｓ１は０．５２×０．６×０．８３＝０．２５８９６と比例関係にあることが算出される。 For this reason, according to Bayes' theorem of Equation (2) (Equation (3)), the probability Ps1 is calculated to be proportional to 0.52 × 0.6 × 0.83 = 0.25896.
確率Ｐｓ１と同様にベイズの定理に従うと、店舗αおよび店舗βの両店舗に好意的なユーザを対象として、「普段よく買うものは？」という質問に対して「流行のもの」と回答する確率Ｐｓ２は、「０．８４」と比例関係にあることが算出される。また、店舗αおよび店舗βの両店舗に好意的なユーザを対象として、「普段よく買うものは？」という質問に対して「お手頃なもの」と回答する確率Ｐｓ３は、「０．１４」と比例関係にあることが算出される。 According to Bayes' theorem in the same way as the probability Ps1, the probability of answering a “popular” answer to the question “What do you usually buy?” Targeting users who are friendly to both stores α and β. Ps2 is calculated to be proportional to “0.84”. In addition, the probability Ps3 of answering “Affordable” to the question “What do you usually buy?” Is “0.14” for users who are friendly to both stores α and β. It is calculated that there is a proportional relationship.
ここで、本実施例では、式（２）に示すベイズの定理に含まれる確率値Ｐ（Ｘｋ｜Ａｉｊ）を、式（４）の確率値Ｐ’（Ｘｋ｜Ａｉｊ）によって置き換えることで、ベイズの定理を修正する。式（４）は、特定のユーザについて、店舗ｋに対するロイヤリティｌｋが高ければ、確率値Ｐ’（Ｘｋ｜Ａｉｊ）が、Ｐ（Ｘｋ｜Ａｉｊ）により依存する値となることを示す。一方、特定のユーザの店舗ｋに対するロイヤリティｌｋが低ければ、確率値Ｐ’（Ｘｋ｜Ａｉｊ）が、確率値Ｐ（Ａｉｊ）により依存する値となることを示す。 Here, in this embodiment, the probability value P (X k | A ij ) included in the Bayes' theorem shown in Expression (2) is replaced with the probability value P ′ (X k | A ij ) in Expression (4). By doing so, we will correct Bayes' theorem. Equation (4), for a particular user, the higher the loyalty l k for store k, the probability value P '(X k | A ij ) is, P | to be a value depending by (X k A ij) Show. On the other hand, the lower the loyalty l k for store k for a particular user, the probability value P '| indicate that (X k A ij) is a value that depends by the probability value P (A ij).
式（４）によって、ベイズの定理を修正することで、例えば、式（３）に含まれる（定番品をよく買う人が店舗αを好きな確率）および（定番品をよく買う人が店舗βを好きな確率）が、特定のユーザのロイヤリティにより修正される。すなわち、特定のユーザが、「普段よく買うものは？」という質問に対して「定番品」と回答する確率Ｐｓ１’が、下記の式（５）によって算出されることを意味する。 By correcting the Bayes' theorem according to the equation (4), for example, included in the equation (3) (probability that a person who often buys a standard item likes the store α) and (a person who often buys a standard item stores the store β (Probability of liking) is corrected by the loyalty of a specific user. That is, the probability Ps1 ′ that a specific user answers “basic product” to the question “What do you usually buy?” Is calculated by the following equation (5).
確率Ｐｓ１’∝（定番品をよく買う確率）×（定番品をよく買う人が店舗αを好きな確率を、特定のユーザのロイヤリティで修正した確率）×（定番品をよく買う人が店舗βを好きな確率を、特定のユーザのロイヤリティで修正した確率）・・・（５） Probability Ps1'∝ (probability of buying classic products) x (probability of people who often buy classic products like store α with the loyalty of a specific user) × (people who often buy classic products will find store β (Probability of correcting the probability of favorite with the royalty of a specific user) (5)
以下の説明では、定番品をよく買う確率を「確率ｐｇ」、定番品をよく買う人が店舗αを好きな確率を「確率ｐｒ」、定番品をよく買う人が店舗βを好きな確率を「確率ｐｂ」とする。また、確率ｐｒを特定のユーザのロイヤリティで修正した確率を「確率ｐｒ’」とする。また、確率ｐｂを特定のユーザのロイヤリティで修正した確率を「確率ｐｂ’」とする。 In the following explanation, the probability of buying a standard product often is “probability pg”, the probability that a person who often buys a standard product likes store α is “probability pr”, and the probability that a person who often buys a standard product likes store β Let “probability pb”. Further, the probability that the probability pr is corrected with the royalty of a specific user is defined as “probability pr ′”. Further, the probability that the probability pb is corrected with the royalty of a specific user is defined as “probability pb ′”.
確率ｐｒ’について説明する。推定部１５０ｃは、（１−ｌα）×確率ｐｇ＋ｌα×確率ｐｒを算出することで、確率ｐｒ’を算出する。すなわち、ロイヤリティｌαが大きい場合には、確率ｐｒ’は、確率ｐｒに近づく。一方、ロイヤリティｌαが小さい場合には、確率ｐｒ’を確率ｐｇに近づく。 The probability pr ′ will be described. The estimation unit 150c calculates the probability pr ′ by calculating (1−l α ) × probability pg + l α × probability pr. That is, when the royalty l α is large, the probability pr ′ approaches the probability pr. On the other hand, when the royalty l α is small, the probability pr ′ approaches the probability pg.
確率ｐｂ’について説明する。例えば、推定部１５０ｃは、（１−ｌβ）×確率ｐｇ＋ｌβ×確率ｐｂを算出することで、確率ｐｂ’を算出する。すなわち、ロイヤリティｌβが大きい場合には、確率ｐｂ’は、確率ｐｂに近づく。一方、ロイヤリティｌβが小さい場合には、確率ｐｂ’は、確率ｐｂに近づく。 The probability pb ′ will be described. For example, the estimation unit 150c calculates the probability pb ′ by calculating (1−l β ) × probability pg + l β × probability pb. That is, when the royalty l β is large, the probability pb ′ approaches the probability pb. On the other hand, when the royalty l β is small, the probability pb ′ approaches the probability pb.
推定部１５０ｃは、上記のように、ベイズの定理を修正した式を用いることで、確率値ｐｒ’、ｐｂ’を算出し、特定のユーザの確率値Ｐｓ１’を算出する。推定部１５０ｃは、同様にして、特定のユーザが、「普段よく買うものは？」という質問に対して「流行のもの」と回答する確率Ｐｓ２’を算出する。推定部１５０ｃは、特定のユーザが、「普段よく買うものは？」という質問に対して「お手頃なもの」と回答する確率Ｐｓ３’を算出する。 As described above, the estimation unit 150c calculates the probability values pr ′ and pb ′ by using an expression obtained by correcting the Bayes theorem, and calculates the probability value Ps1 ′ of a specific user. Similarly, the estimation unit 150c calculates a probability Ps2 'that a specific user answers "a trendy thing" in response to a question "What do you usually buy?" The estimation unit 150c calculates a probability Ps3 'that a specific user answers "Affordable" to the question "What do you usually buy?"
推定部１５０ｃは、特定のユーザの確率値Ｐｓ１’、Ｐｓ２’、Ｐｓ３’を算出した後に、確率値Ｐｓ１’、Ｐｓ２’、Ｐｓ３’の合計値が１となるように規格化を行う。規格化を行った確率値Ｐｓ１’、Ｐｓ２’、Ｐｓ３’を、規格化後の確率値Ｐｔ１、Ｐｔ２、Ｐｔ３とする。なお、規格化を一般的な式で表すと、式（６）に示すものとなる。 After calculating the probability values Ps1 ', Ps2', and Ps3 'of the specific user, the estimation unit 150c performs normalization so that the total value of the probability values Ps1', Ps2 ', and Ps3' becomes 1. The normalized probability values Ps1 ', Ps2', and Ps3 'are set as normalized probability values Pt1, Pt2, and Pt3. In addition, when normalization is expressed by a general formula, the formula (6) is obtained.
ここで、図４等で示したアンケートでは、複数回答可能な項目があるため、かかる項目に関する確率値の合計値が１となるように規格化すると、特定のユーザが該当項目を選択する確率を過小評価することになる。このため、推定部１５０ｃは、後述する平均回答項目数を用いて、規格化後の確率値Ｐｔ１、Ｐｔ２、Ｐｔ３を修正する。例えば、推定部１５０ｃは、式（７）に基づいて、規格化後の確率値を修正した確率値を算出する。なお、推定部１５０ｃは、「Ｙｅｓ」、「Ｎｏ」のうち何れかを選択させるような項目（複数回答不可能な項目）に関する確率については、後述する修正を行わない。 Here, in the questionnaire shown in FIG. 4 and the like, there are multiple items that can be answered. Therefore, when the total value of the probability values related to such items is standardized to 1, the probability that a specific user will select the corresponding item is determined. Will be underestimated. Therefore, the estimation unit 150c corrects the normalized probability values Pt1, Pt2, and Pt3 using the average number of answer items described later. For example, the estimation unit 150c calculates a probability value obtained by correcting the normalized probability value based on Expression (7). Note that the estimation unit 150c does not perform a correction described later on the probability related to an item (an item in which a plurality of answers cannot be made) that allows one of “Yes” and “No” to be selected.
式（７）においてＲｉｋは、店舗ｋに好意的なユーザのアンケートｉの平均回答項目数を示す。ｎは、好意のある店舗数を示す。図５を用いて、店舗αに好意的なユーザを対象とした、平均回答項目数Ｒαについて説明する。アンケートに回答したユーザ全体のうち、店舗αに好意のあるユーザは「１００人」である。そして、「普段よく買うものは？」について、定番品を選択した、店舗αに好意のあるユーザの数は「６０人」である。流行のものを選択した、店舗αに好意のあるユーザの数は「３０人」である。お手頃なものを選択した、店舗αに好意のあるユーザの数は「３０人」である。この場合には、平均回答項目数Ｒαは、（６０＋３０＋５０）／１００＝１．４となる。 In equation (7), R ik represents the average number of answer items of the questionnaire i of the user who is favorable to the store k. n indicates the number of stores with favor. With reference to FIG. 5, the average answer item number R α for users who are friendly to the store α will be described. Of all the users who answered the questionnaire, the number of users who favored the store α is “100”. As for “what do you usually buy?”, The number of users who have selected a standard item and favored the store α is “60 people”. The number of users who have selected fashionable ones and favor the store α is “30”. The number of users who have selected an affordable item and favored the store α is “30”. In this case, the average answer item number R alpha, is (60 + 30 + 50) /100=1.4.
図５を用いて、店舗βに好意的なユーザを対象とした、平均回答項目数Ｒβについて説明する。アンケートに回答したユーザ全体のうち、店舗βに好意のあるユーザは「３０人」である。そして、「普段よく買うものは？」について、定番品を選択した、店舗βに好意のあるユーザの数は「２５人」である。流行のものを選択した、店舗βに好意のあるユーザの数は「１０人」である。お手頃なものを選択した、店舗βに好意のあるユーザの数は「１０人」である。この場合には、平均回答項目数Ｒβは、（２５＋１０＋１０）／３０＝１．５となる。 With reference to FIG. 5, the average answer item number R β for users who are friendly to the store β will be described. Among all the users who answered the questionnaire, “30 people” are favored by the store β. As for “what do you usually buy?”, The number of users who have selected a standard item and favored the store β is “25 people”. The number of users who have selected fashionable ones and favor the store β is “10”. The number of users who have selected an affordable item and favored the store β is “10”. In this case, the average answer item number R beta, a (25 + 10 + 10) /30=1.5.
例えば、規格化された確率値Ｐｔ１を、平均回答項目数ＲαとＲβとを用いて補正すると、補正した確率値Ｐｔ１’は、式（８）によって表すことができる。規格化された確率値Ｐｔ２を、平均回答項目数ＲαとＲβとを用いて補正すると、補正した確率値Ｐｔ２’は、式（９）によって表すことができる。規格化された確率値Ｐｔ３を、平均回答項目数ＲαとＲβとを用いて補正すると、補正した確率値Ｐｔ３’は、式（１０）によって表すことができる。 For example, when the normalized probability value Pt1 is corrected using the average number of answer items R α and R β , the corrected probability value Pt1 ′ can be expressed by Expression (8). When the normalized probability value Pt2 is corrected using the average number of answer items R α and R β , the corrected probability value Pt2 ′ can be expressed by Equation (9). The normalized probability value Pt3, is corrected by using the average reply item number R alpha and the R beta, corrected probability values Pt3 'can be represented by the formula (10).
Ｐｔ１’＝Ｐｔ１×（Ｒα＋Ｒβ）／２・・・（８）
Ｐｔ２’＝Ｐｔ２×（Ｒα＋Ｒβ）／２・・・（９）
Ｐｔ３’＝Ｐｔ３×（Ｒα＋Ｒβ）／２・・・（１０）
Pt1 ′ = Pt1 × (R α + R β ) / 2 (8)
Pt2 ′ = Pt2 × (R α + R β ) / 2 (9)
Pt3 ′ = Pt3 × (R α + R β ) / 2 (10)
推定部１５０ｃは、式（８）〜式（１０）を基にして、確率値Ｐｔ１’〜Ｐｔ３’を算出する。ここで、例えば、確率値Ｐｔ１’は、特定のユーザが、「普段よく買うものは？」について、「定番品」を選択する確率を示す。確率値Ｐｔ２’は、特定のユーザが、「普段よく買うものは？」について、「流行のもの」を選択する確率を示す。確率値Ｐｔ３’は、特定のユーザが、「普段よく買うものは？」について、「お手頃なもの」を選択する確率を示す。 The estimation unit 150c calculates probability values Pt1 'to Pt3' based on the equations (8) to (10). Here, for example, the probability value Pt <b> 1 ′ indicates a probability that a specific user selects “standard item” for “what do you usually buy?”. The probability value Pt <b> 2 ′ indicates a probability that a specific user selects “a trendy thing” for “what do you usually buy?”. The probability value Pt <b> 3 ′ indicates a probability that a specific user selects “affordable” for “what do you usually buy?”.
推定部１５０ｃは、特定のユーザを変更しながら、上記処理を繰り返し実行することで、推定データを生成する。図７は、推定データのデータ構造の一例を示す図である。ユーザ識別情報は、特定のユーザを一意に識別する情報である。「普段よく買うものは？ Ａ定番品」は、アンケートの選択項目を示すものである。なお、アンケートの他の選択項目については図示を省略する。図７に示す例では、特定のユーザ「ユーザＡ」が、アンケートで、「普段よく買うものは？」という質問について、「定番品」を選択する確率が「０．７８」である旨が示される。 The estimation unit 150c generates estimated data by repeatedly executing the above process while changing a specific user. FIG. 7 is a diagram illustrating an example of a data structure of the estimation data. The user identification information is information that uniquely identifies a specific user. “What do you usually buy? A standard item” indicates a questionnaire selection item. Illustration of other selection items of the questionnaire is omitted. The example shown in FIG. 7 indicates that the probability that a specific user “user A” selects “standard item” is “0.78” for a question “What do you usually buy?” In a questionnaire. It is.
次に、本実施例にかかる推定データ生成装置１００の処理手順について説明する。図８は、本実施例にかかる推定データ生成装置の処理手順を示すフローチャートである。図８に示すように、推定データ生成装置１００の取得部１５０ａは、購買履歴データ１４０ａおよび回答集計データ１４０ｂを取得する（ステップＳ１０１）。推定データ生成装置１００の評価部１５０ｂは、購買履歴データを基にして、特定のユーザの各店舗に対するロイヤリティを評価する（ステップＳ１０２）。
Next, a processing procedure of the estimated
推定データ生成装置１００の推定部１５０ｃは、ベイズの定理に基づき、各店舗について実施されたアンケート結果により得られる確率を重ね合わせる（ステップＳ１０３）。推定部１５０ｃは、特定のユーザのロイヤリティに応じて確率を修正し、相対確率を算出する（ステップＳ１０４）。ステップＳ１０４において、アンケートの項目毎に、特定のユーザの相対確率を算出する。上記の実施例では、推定部１５０ｃは、確率Ｐｓ１’、Ｐｓ２’、Ｐｓ３’を算出する。
Based on the Bayes' theorem, the estimation unit 150c of the estimation
推定部１５０ｃは、各相対確率の和が１になるように、各相対確率を規格化する（ステップＳ１０５）。推定部１５０ｃは、複数回答可能な項目に関する相対確率であるか否かを判定する（ステップＳ１０６）。複数回答可能な項目に関する相対確率である場合には（ステップＳ１０６，Ｙｅｓ）、推定部１５０ｃは、平均回答項目数を店舗毎に算出する（ステップＳ１０７）。推定部１５０ｃは、確率値を補正し（ステップＳ１０８）、特定のユーザの推定データを出力する（ステップＳ１０９）。 The estimation unit 150c normalizes the relative probabilities so that the sum of the relative probabilities is 1 (step S105). The estimation unit 150c determines whether or not the relative probability is related to an item that can be answered multiple times (step S106). When it is the relative probability regarding the item which can answer two or more (step S106, Yes), the estimation part 150c calculates the average number of answer items for every store (step S107). The estimation unit 150c corrects the probability value (step S108) and outputs estimated data of a specific user (step S109).
一方、推定部１５０ｃは、複数回答可能な項目に関する相対確率でない場合には（ステップＳ１０６，Ｎｏ）、ステップＳ１０９に移行する。 On the other hand, when it is not the relative probability regarding the item which can answer two or more (step S106, No), the estimation part 150c transfers to step S109.
推定データ生成装置１００は、特定のユーザの購買実績に基づいて各店舗に対するロイヤリティを評価する。また、推定データ生成装置１００は、アンケート結果から得られる一般ユーザが各店舗で実施されるアンケートである項目を選択する確率を、特定ユーザのロイヤリティに基づき修正することで、特定のユーザのアンケート結果を推定する。これによって、アンケートに実際回答していない特定のユーザのアンケート回答を推定することができる。
The estimated
推定データ生成装置１００は、特定のユーザが実際に店舗を訪れた来店回数に基づいて、ロイヤリティを評価するので、特定のユーザの店舗に対するロイヤリティを適切に評価でき、これによって、特定のユーザに関するアンケート回答の推定精度を向上させることができる。
Since the estimated
推定データ生成装置１００は、１人の顧客が選択した項目数の平均回答項目数を算出し、平均回答項目数によって、特定のユーザに関する規格化した確率値を修正する。例えば、複数回答可能な項目に関する特定のユーザの相対確率を規格化すると、特定のユーザが該当項目を選択する確率を過小評価してしまうが、上記処理により、過小評価することを回避することができる。
The estimated
次に、上記実施例に示した推定データ生成装置１００と同様の機能を実現する推定データ生成プログラムを実行するコンピュータの一例について説明する。図９は、推定データ生成プログラムを実行するコンピュータの一例を示す図である。
Next, an example of a computer that executes an estimation data generation program that realizes the same function as the estimation
図９に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０１と、ユーザからのデータの入力を受け付ける入力装置２０２と、ディスプレイ２０３とを有する。また、コンピュータ２００は、記憶媒体からプログラム等を読み取る読み取り装置２０４と、ネットワークを介して他のコンピュータとの間でデータの授受を行うインターフェース装置２０５とを有する。また、コンピュータ２００は、各種情報を一時記憶するＲＡＭ２０６と、ハードディスク装置２０７とを有する。そして、各装置２０１〜２０７は、バス２０８に接続される。
As illustrated in FIG. 9, the
ハードディスク装置２０７は、取得プログラム２０７ａ、評価プログラム２０７ｂ、推定プログラム２０７ｃを有する。ＣＰＵ２０１は、取得プログラム２０７ａ、評価プログラム２０７ｂ、推定プログラム２０７ｃを読み出してＲＡＭ２０６に展開する。取得プログラム２０７ａは、取得プロセス２０６ａとして機能する。評価プログラム２０７ｂは、評価プロセス２０６ｂとして機能する。推定プログラム２０７ｃは、推定プロセス２０６ｃとして機能する。取得プロセス２０６ａの処理は、取得部１５０ａの処理に対応する。評価プロセス２０６ｂの処理は、評価部１５０ｂの処理に対応する。推定プロセス２０６ｃの処理は、推定部１５０ｃの処理に対応する。
The
なお、取得プログラム２０７ａ、評価プログラム２０７ｂ、推定プログラム２０７ｃについては、必ずしも最初からハードディスク装置２０７に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ２００が取得プログラム２０７ａ、評価プログラム２０７ｂ、推定プログラム２０７ｃを読み出して実行するようにしてもよい。
Note that the
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。 The following supplementary notes are further disclosed with respect to the embodiments including the above examples.
（付記１）コンピュータが実行する推定データ生成方法であって、
特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データに基づいて、該特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価し、
前記特定の店舗又は前記他の店舗に関するアンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、
前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する
処理を実行することを特徴とする推定データ生成方法。
(Supplementary Note 1) An estimated data generation method executed by a computer,
Assessing the degree of loyalty of the particular customer or the other store based on the purchase history data of the particular customer regarding the particular store or other store associated with the particular store;
Analyzing the questionnaire response data regarding the specific store or the other store, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store,
Based on the evaluation result of the loyalty level related to the specific customer and the probability, executing processing for generating estimated data of a questionnaire response regarding the specific store or the other store for the specific customer An estimated data generation method characterized by the above.
（付記２）前記ロイヤリティの程度を評価する処理は、前記特定の顧客が前記特定の店舗を訪れた回数又は前記他の店舗を訪れた回数に基づいて、前記ロイヤリティの程度を評価することを特徴とする付記１に記載の推定データ生成方法。
(Supplementary note 2) The process of evaluating the degree of royalty evaluates the degree of royalty based on the number of times the specific customer has visited the specific store or the number of times the other store has been visited. The estimated data generation method according to
（付記３）複数の項目を選択可能なアンケート内容について、１人の顧客が選択した項目数の平均値を算出する処理を更に実行し、前記推定データを生成する処理は、前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記平均値とを基にして、前記確率を修正し、修正した確率に基づいて、前記推定データを生成することを特徴とする付記１又は２に記載の推定データ生成方法。
(Additional remark 3) About the questionnaire content which can select a some item, the process which calculates the average value of the number of items which one customer selected is further performed, The process which produces | generates the said estimation data is related with the said specific customer. The estimated data according to
（付記４）前記確率を算出する処理は、前記特定の店舗に関するアンケートおよび前記他の店舗に関するアンケートのそれぞれで顧客が所定の項目を選択する確率を示す第１確率と、前記所定の項目を選択した顧客が前記特定の店舗に関して所定の条件である確率を示す第２確率と、前記所定の項目を選択した顧客が前記他の店舗に関して所定の条件である確率を示す第３確率とを算出し、前記第１確率と前記第２確率と前記第３確率とを乗算した値を算出結果として出力することを特徴とする付記１に記載の推定データ生成方法。
(Additional remark 4) The process which calculates the said probability selects the 1st probability which shows the probability that a customer will select a predetermined item in each of the questionnaire regarding the said specific store, and the questionnaire regarding the said other store, and the said predetermined item And calculating a second probability indicating the probability that the customer is a predetermined condition for the specific store and a third probability indicating a probability that the customer who has selected the predetermined item is the predetermined condition for the other store. The estimated data generation method according to
（付記５）コンピュータに、
特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データに基づいて、該特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価し、
前記特定の店舗又は前記他の店舗に関するアンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、
前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する
処理を実行させることを特徴とする推定データ生成プログラム。
(Appendix 5)
Assessing the degree of loyalty of the particular customer or the other store based on the purchase history data of the particular customer regarding the particular store or other store associated with the particular store;
Analyzing the questionnaire response data regarding the specific store or the other store, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store,
Based on the evaluation result of the loyalty level for the specific customer and the probability, executing a process of generating estimated data of a questionnaire response regarding the specific store or the other store for the specific customer An estimation data generation program characterized by
（付記６）前記ロイヤリティの程度を評価する処理は、前記特定の顧客が前記特定の店舗を訪れた回数又は前記他の店舗を訪れた回数に基づいて、前記ロイヤリティの程度を評価することを特徴とする付記５に記載の推定データ生成プログラム。
(Additional remark 6) The process which evaluates the grade of the said loyalty evaluates the grade of the said loyalty based on the frequency | count that the said specific customer visited the said specific store, or the frequency | count that visited the said other store. The estimated data generation program according to
（付記７）複数の項目を選択可能なアンケート内容について、１人の顧客が選択した項目数の平均値を算出する処理を更に実行し、前記推定データを生成する処理は、前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記平均値とを基にして、前記確率を修正し、修正した確率に基づいて、前記推定データを生成することを特徴とする付記５又は６に記載の推定データ生成プログラム。
(Additional remark 7) About the questionnaire content which can select a some item, the process which calculates the average value of the number of items which one customer selected is further performed, The process which produces | generates the said estimation data is related with the said specific customer. The estimated data according to
（付記８）前記確率を算出する処理は、前記特定の店舗に関するアンケートおよび前記他の店舗に関するアンケートのそれぞれで顧客が所定の項目を選択する確率を示す第１確率と、前記所定の項目を選択した顧客が前記特定の店舗に関して所定の条件である確率を示す第２確率と、前記所定の項目を選択した顧客が前記他の店舗に関して所定の条件である確率を示す第３確率とを算出し、前記第１確率と前記第２確率と前記第３確率とを乗算した値を算出結果として出力することを特徴とする付記５に記載の推定データ生成プログラム。
(Additional remark 8) The process which calculates the said probability selects the said 1st probability which shows the probability that a customer will select a predetermined item in each of the questionnaire regarding the said specific store, and the questionnaire regarding the said other store, and the said predetermined item And calculating a second probability indicating the probability that the customer is a predetermined condition for the specific store and a third probability indicating a probability that the customer who has selected the predetermined item is the predetermined condition for the other store. The estimated data generation program according to
（付記９）端末装置と推定データ生成装置とを有する推定データ生成システムであって、
前記推定データ生成装置は、
前記端末装置から、特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データと、前記特定の店舗又は前記他の店舗に関するアンケートの回答データとを取得する取得部と、
前記購買履歴データに基づいて、前記特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価する評価部と、
前記アンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する推定部と
を有することを特徴とする推定データ生成システム。
(Supplementary note 9) An estimated data generation system having a terminal device and an estimated data generation device,
The estimated data generation device includes:
An acquisition unit that acquires, from the terminal device, purchase history data of a specific customer regarding a specific store or another store related to the specific store, and answer data of a questionnaire regarding the specific store or the other store; ,
An evaluation unit that evaluates the degree of loyalty for the specific store or the other store of the specific customer based on the purchase history data;
Analyzing the answer data of the questionnaire, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store, the evaluation result of the degree of royalty and the probability regarding the specific customer An estimation data generation system comprising: an estimation unit that generates estimation data of a questionnaire response regarding the specific store or the other store for the specific customer.
（付記１０）前記評価部は、前記特定の顧客が前記特定の店舗を訪れた回数又は前記他の店舗を訪れた回数に基づいて、前記ロイヤリティの程度を評価することを特徴とする付記９に記載の推定データ生成システム。 (Additional remark 10) The said evaluation part evaluates the grade of the said royalty based on the frequency | count that the said specific customer visited the said specific store, or the frequency | count that visited the said other store. The estimated data generation system described.
（付記１１）前記推定部は、複数の項目を選択可能なアンケート内容について、１人の顧客が選択した項目数の平均値を算出し、前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記平均値とを基にして、前記確率を修正し、修正した確率に基づいて、前記推定データを生成することを特徴とする付記９又は１０に記載の推定データ生成システム。
(Additional remark 11) The said estimation part calculates the average value of the number of items which one customer selected about the questionnaire content which can select a some item, The evaluation result of the said royalty degree regarding the said specific customer, and the said The estimated data generation system according to
（付記１２）前記推定部は、前記特定の店舗に関するアンケートおよび前記他の店舗に関するアンケートのそれぞれで顧客が所定の項目を選択する確率を示す第１確率と、前記所定の項目を選択した顧客が前記特定の店舗に関して所定の条件である確率を示す第２確率と、前記所定の項目を選択した顧客が前記他の店舗に関して所定の条件である確率を示す第３確率とを算出し、前記第１確率と前記第２確率と前記第３確率とを乗算した値を算出結果として出力することを特徴とする付記９に記載の推定データ生成システム。 (Additional remark 12) The said estimation part WHEREIN: The 1st probability which shows the probability that a customer will select a predetermined item in each of the questionnaire regarding the said specific store and the questionnaire regarding the said other store, and the customer who selected the said predetermined item Calculating a second probability indicating a probability that is a predetermined condition with respect to the specific store and a third probability indicating a probability that a customer who has selected the predetermined item is a predetermined condition with respect to the other store; The estimated data generation system according to appendix 9, wherein a value obtained by multiplying one probability, the second probability, and the third probability is output as a calculation result.
１００ 推定データ生成装置
１５０ａ 取得部
１５０ｂ 評価部
１５０ｃ 推定部
100 Estimated Data Generation Device 150a Acquisition Unit 150b Evaluation Unit 150c Estimation Unit
Claims (6)
特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データに基づいて、該特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価し、
前記特定の店舗又は前記他の店舗に関するアンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、
前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する
処理を実行することを特徴とする推定データ生成方法。 An estimated data generation method executed by a computer,
Assessing the degree of loyalty of the particular customer or the other store based on the purchase history data of the particular customer regarding the particular store or other store associated with the particular store;
Analyzing the questionnaire response data regarding the specific store or the other store, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store,
Based on the evaluation result of the loyalty level related to the specific customer and the probability, executing processing for generating estimated data of a questionnaire response regarding the specific store or the other store for the specific customer An estimated data generation method characterized by the above.
特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データに基づいて、該特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価し、
前記特定の店舗又は前記他の店舗に関するアンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、
前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する
処理を実行させることを特徴とする推定データ生成プログラム。 On the computer,
Assessing the degree of loyalty of the particular customer or the other store based on the purchase history data of the particular customer regarding the particular store or other store associated with the particular store;
Analyzing the questionnaire response data regarding the specific store or the other store, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store,
Based on the evaluation result of the loyalty level for the specific customer and the probability, executing a process of generating estimated data of a questionnaire response regarding the specific store or the other store for the specific customer An estimation data generation program characterized by
前記推定データ生成装置は、
前記端末装置から、特定の店舗又は前記特定の店舗に関連する他の店舗に関する特定の顧客の購買履歴データと、前記特定の店舗又は前記他の店舗に関するアンケートの回答データとを取得する取得部と、
前記購買履歴データに基づいて、前記特定の顧客の前記特定の店舗又は前記他の店舗に対するロイヤリティの程度を評価する評価部と、
前記アンケートの回答データを解析して、顧客が前記特定の店舗又は前記他の店舗に関するアンケートで所定の項目を選択する確率を算出し、前記特定の顧客に関する前記ロイヤリティの程度の評価結果と前記確率とに基づいて、前記特定の顧客についての前記特定の店舗又は前記他の店舗に関するアンケートの回答の推定データを生成する推定部と
を有することを特徴とする推定データ生成システム。 An estimated data generation system having a terminal device and an estimated data generation device,
The estimated data generation device includes:
An acquisition unit that acquires, from the terminal device, purchase history data of a specific customer regarding a specific store or another store related to the specific store, and answer data of a questionnaire regarding the specific store or the other store; ,
An evaluation unit that evaluates the degree of loyalty for the specific store or the other store of the specific customer based on the purchase history data;
Analyzing the answer data of the questionnaire, calculating the probability that the customer will select a predetermined item in the questionnaire regarding the specific store or the other store, the evaluation result of the degree of royalty and the probability regarding the specific customer An estimation data generation system comprising: an estimation unit that generates estimation data of a questionnaire response regarding the specific store or the other store for the specific customer.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015131986A JP6493026B2 (en) | 2015-06-30 | 2015-06-30 | Estimated data generation method, estimated data generation program, and estimated data generation system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015131986A JP6493026B2 (en) | 2015-06-30 | 2015-06-30 | Estimated data generation method, estimated data generation program, and estimated data generation system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017016361A true JP2017016361A (en) | 2017-01-19 |
| JP6493026B2 JP6493026B2 (en) | 2019-04-03 |
Family
ID=57828074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015131986A Expired - Fee Related JP6493026B2 (en) | 2015-06-30 | 2015-06-30 | Estimated data generation method, estimated data generation program, and estimated data generation system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6493026B2 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021077221A (en) * | 2019-11-12 | 2021-05-20 | 株式会社野村総合研究所 | Customer satisfaction estimation apparatus and customer satisfaction estimation method |
| WO2022154201A1 (en) * | 2021-01-15 | 2022-07-21 | 테이블매니저 주식회사 | Method and system for analyzing customer loyalty to store |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003208506A (en) * | 2002-01-11 | 2003-07-25 | Jcb:Kk | Customer evaluating information forming method, customer evaluating information forming device and program used therefor |
| JP2004110694A (en) * | 2002-09-20 | 2004-04-08 | Canon Sales Co Inc | Customer management system and data processing method in the same system |
| JP2005196579A (en) * | 2004-01-08 | 2005-07-21 | Toyota Motor Corp | Equipment setting support system |
| JP2007102647A (en) * | 2005-10-06 | 2007-04-19 | Central Res Inst Of Electric Power Ind | Questionnaire preparation method and system |
| JP2013137657A (en) * | 2011-12-28 | 2013-07-11 | Gourmet Navigator Inc | Business management system for restaurant |
| JP2013246747A (en) * | 2012-05-29 | 2013-12-09 | Fuji Xerox Co Ltd | Program and campaign management device |
-
2015
- 2015-06-30 JP JP2015131986A patent/JP6493026B2/en not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003208506A (en) * | 2002-01-11 | 2003-07-25 | Jcb:Kk | Customer evaluating information forming method, customer evaluating information forming device and program used therefor |
| JP2004110694A (en) * | 2002-09-20 | 2004-04-08 | Canon Sales Co Inc | Customer management system and data processing method in the same system |
| JP2005196579A (en) * | 2004-01-08 | 2005-07-21 | Toyota Motor Corp | Equipment setting support system |
| JP2007102647A (en) * | 2005-10-06 | 2007-04-19 | Central Res Inst Of Electric Power Ind | Questionnaire preparation method and system |
| JP2013137657A (en) * | 2011-12-28 | 2013-07-11 | Gourmet Navigator Inc | Business management system for restaurant |
| JP2013246747A (en) * | 2012-05-29 | 2013-12-09 | Fuji Xerox Co Ltd | Program and campaign management device |
Non-Patent Citations (2)
| Title |
|---|
| 伊藤 晃: "確率分布間における類似関係の階層的可視化を用いたプロファイリング", 情報処理学会研究報告 ２０１１（平成２３）年度▲２▼ ［ＣＤ−ＲＯＭ］, JPN6019002654, 15 August 2011 (2011-08-15), JP, pages 1 - 6, ISSN: 0003967270 * |
| 石垣 司: "２重潜在クラスモデルとベイジアンネットを結合した小売サービスにおける顧客購買行動モデリング", 電子情報通信学会技術研究報告, vol. 第110巻 第76号, JPN6019002652, 7 June 2010 (2010-06-07), JP, pages 165 - 171, ISSN: 0003967269 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021077221A (en) * | 2019-11-12 | 2021-05-20 | 株式会社野村総合研究所 | Customer satisfaction estimation apparatus and customer satisfaction estimation method |
| JP7359518B2 (en) | 2019-11-12 | 2023-10-11 | 株式会社野村総合研究所 | Customer satisfaction estimation device and customer satisfaction estimation method |
| WO2022154201A1 (en) * | 2021-01-15 | 2022-07-21 | 테이블매니저 주식회사 | Method and system for analyzing customer loyalty to store |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6493026B2 (en) | 2019-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10430859B2 (en) | System and method of generating a recommendation of a product or service based on inferring a demographic characteristic of a customer | |
| Yo et al. | The influencing factors of customer satisfaction: A case study of Shopee in Malaysia | |
| JP7162417B2 (en) | Estimation device, estimation method, and estimation program | |
| Dutta | Vulnerability to low-price signals: An experimental study of the effectiveness of genuine and deceptive signals | |
| Tatang et al. | The impact of website design quality, service quality, and enjoyment on repurchase intention through satisfaction and trust at Zalora | |
| Sombultawee et al. | The impact of trust on purchase intention through omnichannel retailing | |
| Purnamasari et al. | Effect of e-service quality on e-repurchase intention in Indonesia online shopping: e-satisfaction and e-trust as mediation variables | |
| Ünver et al. | Predictors of Turkish individuals’ online shopping adoption: An empirical study on regional difference | |
| Syahdan | Factors influencing Gen-Z customer perception online shopping in Indonesia | |
| JP6493026B2 (en) | Estimated data generation method, estimated data generation program, and estimated data generation system | |
| JP6775484B2 (en) | Calculation device, calculation method, and calculation program | |
| Phan et al. | Consumer trust in social network sites in Vietnam: PLS-SEM-ANN analysis | |
| Tan et al. | Comparing hypothetical and realistic privacy valuations | |
| Li et al. | The role of celebrity endorsement on impulse buying behavior with customer loyalty as a moderating in the e-commerce industry | |
| US20170213236A1 (en) | Estimation of Causal Impact of Digital Marketing Content | |
| Boakye et al. | Development of a service continance model with IT service antecedents | |
| Wahyudin et al. | Consumer behavior intentions to purchase daily needs through online store channel | |
| Mehta et al. | Examining demand elasticities in Hanemann's framework: A theoretical and empirical analysis | |
| Alavinasab et al. | Studying the influencing factors on online brand trust | |
| Long | Factors influencing consumers intention towards online food purchasing in Phnom Penh | |
| Halimi et al. | Factors affecting consumers’ attitude towards online purchasing among degree holders in Singapore | |
| JP6976283B2 (en) | Calculation device, calculation method, and calculation program | |
| JP2020154782A (en) | Proposal device, proposal method, and proposal program | |
| Risanty et al. | An empirical look at the effect of service quality on online shopping customer satisfaction in Indonesia | |
| Smoliana | Consumer behavior towards buying consumer electronics online: crossnational analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180306 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190123 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190205 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190218 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6493026 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |