JP2019148897A - 行動パターン探索システム、および行動パターン探索方法 - Google Patents

Abstract

【課題】特定の特徴を持つ顧客に共通して生起する行動パターンの変化の中で、ＫＰＩ向上につながるものを発見する。【解決手段】顧客の購買履歴情報と前記顧客の属性情報とに基づいて生成された顧客の状態の傾向を示す状態遷移モデルと、顧客の行動パターンの変化により起こると予想される特徴的な購買行動を示す変容結果情報とに基づいて、変容結果情報を満たす顧客である変容候補者を分類する候補者モデル生成部と、変容候補者として分類された顧客のうち特徴的な状態遷移をする顧客の状態遷移パスの中から所定の方法により顧客の状態をグループ化した状態グループをまたぐ遷移がある顧客を選択し、選択した当該顧客の状態遷移パスを含む分析結果を出力する行動変容探索部と、を備える。【選択図】 図９

Description

本発明は、行動パターン探索システム、および行動パターン探索方法に関する。

従来のマーケティング分野における課題として、ＫＰＩ(Key Performance Indicator)を向上させるために、各顧客に適切な施策を打つことが挙げられる。この課題に対し、従来技術では、各顧客の購買行動をモデル化することが試みられている。例えば、特許文献１では、過去の購買行動に基づいて、各顧客が各商品を購入する可能性を表すスコアを計算したり、顧客全体の購買傾向の変化がモデル化されている。

特開２０１５−９５１２０号公報

上述したような従来の課題に対しては、例えば、特許文献１に記載の技術を用いて、特定の特徴を持つ顧客に共通して生起する行動パターンの変化で、ＫＰＩ向上につながるものを発見するというアプローチも考えられる。もしそのような行動パターンの変化を発見できれば、より多くの顧客をその変化に誘導することで、ＫＰＩを向上させることができるためである。

しかしながら、特許文献１に記載の技術では、顧客ごとに購買行動分析を行うため、必ずしも、特定の特徴を持つ顧客に共通して生起する行動パターンの変化の中で、ＫＰＩ向上につながるものを発見することができなかった。

本発明は、特定の特徴を持つ顧客に共通して生起する行動パターンの変化の中で、ＫＰＩ向上につながるものを発見することが可能な行動パターン探索システム、および行動パターン探索方法を提供することを目的とする。

本発明にかかる行動パターン探索システムは、顧客の購買履歴情報と前記顧客の属性情報とに基づいて生成された前記顧客の状態の傾向を示す状態遷移モデルと、前記顧客の行動パターンの変化により起こると予想される特徴的な購買行動を示す変容結果情報とに基づいて、前記変容結果情報を満たす顧客である変容候補者を分類する候補者モデル生成部と、前記変容候補者として分類された前記顧客のうち特徴的な状態遷移をする顧客の状態遷移パスの中から所定の方法により前記顧客の状態をグループ化した状態グループをまたぐ遷移がある顧客を選択し、選択した当該顧客の状態遷移パスを含む分析結果を出力する行動変容探索部と、を備えることを特徴とする行動パターン探索システムとして構成される。

また、本発明は、上記行動パターン探索システムで行われる行動パターン探索方法としても把握される。

本発明によれば、特定の特徴を持つ顧客に共通して生起する行動パターンの変化の中で、ＫＰＩ向上につながるものを発見することができる。

実施例１のシステム構成図 購買履歴情報の例 顧客属性情報の例 変容結果情報の例 分析結果の例 顧客全体の状態遷移モデルの例 分析部の出力の例 画面表示部の表示の例 分析部の処理フロー図 実施例２のシステム構成図 変容結果情報生成部のフロー図 ステップＳ２０４の処理の例

以下に添付図面を参照して、行動パターン探索システム、および行動パターン探索方法の実施の形態を詳細に説明する。なお、以下では、本システムが複数のサーバや端末により構成されている前提で説明しているが、これらが１つの装置として構成されていてもよい。

実施例１では、購買履歴情報と、顧客属性情報と、変容結果情報をもとに、行動パターンの変化を発見する方式について説明する。図１は、本実施例における行動パターン探索システム１０００の構成例を示す図である。図１に示すように、本システムは、クライアント端末１００と、ＤＢ（Data Base）サーバ２００と、分析サーバ３００とを有して構成される。これらの装置はネットワークＮ１およびＮ２を介して相互に情報を送受信することができる。ネットワークＮ１およびＮ２は、物理的には、インターネット等の一般的な通信回線網から構成される。

クライアント端末１００は、本システムを利用する分析者が使用する端末である。図１に示すように、クライアント端末１００は、分析の開始信号およびＤＢサーバ２００へのアクセス情報を通信部１２０に送信するプログラムである起動部１１０と、分析サーバ３００と通信するためのプログラムである通信部１２０と、分析結果を表示する画面表示部１３０とを有する。

クライアント端末１００は、ハードウェアとしては、ＰＣ（Personal Computer）等の一般的なコンピュータにより構成され、ＣＰＵ（Central Processing Unit）、メモリ、外部記憶装置、通信Ｉ／Ｆ（インタフェース）、出力装置、入力装置等の各部を備えている。クライアント端末１００を構成するこれらの各部は、内部バス等の内部通信線により電気的に接続されている。

ＣＰＵは、外部記憶装置に記憶されている各種プログラムを読み出してメモリにロードして実行することにより、クライアント端末１００の各種機能を実現する。メモリは、例えば、データの読書き可能なＲＡＭ（Random Access Memory）から構成され、ＣＰＵにより上記各種プログラムがロードされる。外部記憶装置は、例えば、ＲＯＭ（Read Only Memory）等の記憶媒体、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の記憶装置から構成され、クライアント端末１００の処理に必要な各種プログラムを記憶する。

なお、上記各種プログラムは、通信Ｉ／Ｆを介してネットワークから外部記憶装置にダウンロードされ、メモリ上にロードされて、ＣＰＵにより実行されるようにしてもよい。また、ＣＤ(Compact Disk)やＤＶＤ(Digital Versatile Disk)等の可搬性を有するコンピュータで読み取り可能な記憶媒体に対して情報を読み書きする読書装置を介して、当該記憶媒体からメモリ上に直接ロードされＣＰＵにより実行されるようにしてもよい。さらには、上記各種プログラムを、コンピュータにインストール可能な形式又は実行可能な形式のファイルで上記記憶媒体に記録して提供したり、配布してもよい。さらには、上記各種プログラムを、通信ネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供したり、配布してもよい。クライアント端末１００が行う具体的な処理については後述する。続いて、ＤＢサーバ２００について説明する。

ＤＢサーバ２００は、本システムで利用する各種データを蓄積するサーバである。図１に示すように、ＤＢサーバ２００には、図２に示す購買履歴情報２１０、図３に示す顧客属性情報２２０、図４に示す変容結果情報２３０がデータベースに格納されている。

図２は、購買履歴情報２１０の例を示す図である。購買履歴情報２１０は、各顧客がいつどのような商品を購入したかを表すテーブルである。図２に示すように、購買履歴情報２１０は、顧客を識別するための顧客ＩＤと、当該顧客が商品を購入した日付を示す購入日と、当該顧客が購入日に購入した商品を識別するための商品ＩＤと、当該商品ＩＤにより識別される商品の分類を示す商品カテゴリと、当該商品が購入された数を示す個数と、当該商品が購入された金額とが対応付けて記憶されている。

図２では、例えば、顧客ＩＤが「４」の顧客は、２０１７年９月１５日に、商品ＩＤが「１１」の飲料商品を５個購入し、その代金は６００円であったことを示している。

図３は、顧客属性情報２２０の例を示す図である。顧客属性情報２２０は、各顧客の属性を表すテーブルである。当該属性は、顧客の行動パターンの変化の有無を判定するための付随的な情報である。また、顧客の行動パターンとは、顧客の状態遷移のパターンである。顧客の状態遷移については、図６を用いて後述する。以下では、当該属性として「クーポン利用回数累計」を例示しているが、分析する条件等に応じて様々な情報を定めることができる。図３に示すように、顧客属性情報２２０は、顧客が商品を購入した日付を示す購入日と、当該顧客を識別するための顧客ＩＤと、当該顧客の年齢と、当該顧客がクーポンを利用した回数の累計値を示すクーポン利用回数累計とが対応付けて記憶されている。

図３では、例えば、顧客ＩＤが「４」の顧客は、年齢が４０歳であり、２０１７年８月２５日にクーポンを利用せずに商品を購入し、２０１７年９月１日にクーポンを利用して商品を購入したことを示している（クーポン利用回数累計「１」）。さらに、２０１７年９月８日にクーポンを利用せずに商品を購入し、２０１７年９月１５日にクーポンを利用して商品を購入したことを示している（クーポン利用回数累計「２」）。

購買履歴情報２１０および顧客属性情報２２０は、本システムを活用する分析者が、分析開始以前に、別の方法で取得し、ＤＢサーバ２００に予め格納しておく。例えば、ＥＣ（Electronic Commerce）サイトでは、レコメンドなどのために、購買履歴情報および顧客属性情報が既に収集されていることが一般的であり、このような状況では、本分析のために新たに購買履歴情報２１０および顧客属性情報２２０を収集する必要はない。

図４は、変容結果情報２３０の例を示す図である。変容結果情報２３０は、顧客の行動パターンの変化により起こると予想される、特徴的な購買行動のリストである。図４に示すように、変容結果情報２３０は、顧客の行動変容の結果を識別するための変容結果ＩＤと、当該変容結果ＩＤにより識別される顧客の行動変容時に購入した商品の集合を示す商品集合と、当該商品集合の商品の購入数を示す個数の下限および上限と、当該商品集合を購入した期間を示す購入期間とが対応付けて記憶されている。

図４では、例えば、変容結果ＩＤが「１」である変容結果は、商品ＩＤが「１１」または「１２」の商品を２０１７年８月１日から２０１７年８月３１日までの期間には購入せず、次の２０１７年９月１日から２０１７年９月３０日までの期間で商品ＩＤが「１１」または「１２」の商品を５個以上購入するという顧客の行動パターンの変化であることを示している。このように、変容結果情報２３０には、変容結果ＩＤ１つと、顧客の特徴的な購買行動１つが対応している。

本実施例では、変容結果情報２３０は、本システムを活用する分析者が、分析開始以前に予め手動で設定し、ＤＢサーバ２００に格納しておく。例えば、図２のように、商品がカテゴリごとに分類されている場合には、商品カテゴリごとに、そのカテゴリの商品が１ヶ月にどれだけ買われたら変容結果と見なせるのか、という個数を推測し、その情報を設定しておく。続いて、分析サーバ３００について説明する。

分析サーバ３００は、本システムにおいて顧客の行動パターンを探索する処理を行うサーバである。図１に示すように、分析サーバ３００は、クライアント端末１００と通信を行うプログラムであるクライアント通信部３１０と、ＤＢサーバ２００と通信を行うプログラムであるＤＢサーバ通信部３２０と、制御部３３０と、データ取得部３４０と、分析部３５０と、画面生成部３６０とを有して構成されている。

制御部３３０は下記のような制御プログラムである。まず、制御部３３０は、クライアント通信部３１０からの入力情報を受け取る。入力情報とは、起動部１１０から通信部１２０、クライアント通信部３１０を経由して送信された、分析の開始信号およびＤＢサーバ００２へのアクセス情報である。

そして、制御部３３０は、開始信号を受信したことを契機に、プログラムであるデータ取得部３４０を起動する。その際、制御部３３０は、ＤＢサーバ２００へのアクセス情報（例えば、ログインＩＤおよびログインパスワード）をデータ取得部３４０に送信する。データ取得部３４０は、制御部３３０から送信されたＤＢサーバ２００へのアクセス情報をもとに、ＤＢサーバ２００から、購買履歴情報２１０、顧客属性情報２２０、変容結果情報２３０を取得し、取得したデータを分析サーバ３００のメモリに記憶する。また、データ取得部３４０は、実行終了時には、終了信号とデータの格納場所を制御部３３０に送信する。

制御部３３０は、データ取得部３４０から終了信号を受信したことを契機に、分析部３５０のプログラムを起動する。その際、制御部３３０は、データの格納場所を分析部３５０に送信する。分析部３５０は、制御部３３０から送信されたデータの格納場所に格納されている購買履歴情報２１０、顧客属性情報２２０、変容結果情報２３０を入力とし、図５に示すような分析結果を出力するプログラムである。具体的には、変容結果情報２３０の変容結果ＩＤで識別される各変容結果情報に対して、特徴的な行動パターンの変化が発見されたかを示す発見有無情報を出力する。

図５の上段は、このような発見有無情報を記憶する発見有無情報テーブルの例を示す図である。図５の上段に示すように、発見有無情報テーブル５１０は、顧客の行動変容の結果を識別するための変容結果ＩＤと、後述する分析の結果、当該変容結果ＩＤにより識別される顧客の行動パターンの変化が発見されたことを示す有無情報（ＹＥＳまたはＮＯ）とが対応付けて記憶されている。図５の上段では、変容結果ＩＤが「１」で識別される顧客の変容行動の結果として、顧客の行動パターンの変化があったと分析されたことを示している。

また、分析部３５０は、特徴的な行動パターンの変化が発見された各変容結果情報に対して、図５の下側の表に示すような行動パターンの変化の詳細を示す行動パターン変化テーブル５２０を出力する。行動パターンの変化の詳細の具体的な内容については後述する。
また、分析部３５０は、図６に示すような状態遷移モデルを出力する。状態遷移モデルの詳細は後述する。
また、分析部３５０は、全体モデル生成部３５１と、候補者モデル生成部３５２と、行動変容探索部３５３を有して構成される。

全体モデル生成部３５１は、購買履歴情報２１０と顧客属性情報２２０をもとに、顧客全体の状態遷移モデル（図６）を出力し、出力した状態遷移モデルを、分析サーバ３００のメモリに記憶する。顧客全体の状態遷移モデルとは、顧客の状態遷移の全体傾向を示した有向グラフである。頂点は、顧客の状態を表し、頂点間の有向枝は、頂点間の移動のしやすさを示す。

ここで、顧客の状態とは、顧客の購買行動や属性を判定するための条件の集合を示す。各顧客は常に状態遷移モデルの中の１つの状態に対応するため、いずれか１つの頂点に対応する。例えば、図６に示すように、各頂点は、週あたり飲料購買数が０で、クーポン利用回数累計が１回以上（頂点Ｃ）、というような顧客の状態に対応し、各頂点は、移動のしやすさに基づき有向枝で結ばれる。本例では、顧客の状態を示す頂点として、週あたり飲料購買数およびクーポン利用回数累計を示しているが、顧客の行動パターンに応じて、様々な情報を頂点とすることができる。このように、すべての顧客は、この双方の条件に基づき、いずれか１つの頂点に対応する。

全体モデル生成部３５１が出力する状態遷移モデルにおいて、各顧客が各時刻でどの状態に対応するのかは、購買履歴情報２１０、および顧客属性情報２２０から判定できる。また、全体モデル生成部３５１は、状態遷移モデルの各状態が優良状態であるかどうかを表す優良フラグ、および各状態の状態グループ番号を出力する。以上の出力は、図７に示すような２つのリストでまとめることができる。なお、状態遷移モデルは、図６では有向グラフで表現したが、図７では頂点と枝のリストの構造で同じものを記載している。

例えば、図７上段の各頂点の状態を示す頂点状態テーブル７１０に示すように、頂点を識別するための頂点ＩＤと、当該頂点の状態と、上記優良フラグと、上記状態グループとが対応付けて記憶されている。この例では、図６に示した状態遷移モデルの各頂点Ａ〜Ｅに対応する状態が記憶され、頂点ＡとＢとが状態グループ「１」を形成し、頂点Ｃ〜Ｅが状態グループ「２」を形成し、頂点Ｅが優良状態と分析されたことを示している。さらに、図７下段の状態遷移前後の各頂点の対応関係を示す状態遷移対応関係テーブル７２０に示すように、遷移前の状態と遷移後の状態とが対応付けて記憶されている。この例では、図６に示した状態遷移モデルの頂点Ａが頂点Ｂに遷移し、頂点Ｃが頂点Ｄに遷移し、頂点Ｄと頂点Ｅとは、相互に遷移していることを示している。

候補者モデル生成部３５２は、全体モデル生成部３５１で作成した状態遷移モデル上の、変容候補者集合の特徴的な遷移パスの集合を出力する。処理の詳細は後述の処理フローの説明内で述べる。

行動変容探索部３５３は、図５に示した分析結果を出力し、その分析結果を分析サーバ３００のメモリに記憶する。また、行動変容探索部３５３は、分析部３５０の実行終了時には、終了信号とデータの格納場所を制御部３３０に送信する。

制御部３３０は、分析部３５０から終了信号を受信したことを契機に、画面生成部３６０のプログラムを起動する。その際、制御部３３０は、分析部の出力結果の格納場所と、変容結果情報の格納場所を画面生成部３６０に送信する。

画面生成部３６０は、図４のような変容結果情報２３０と、分析結果として出力された図５のような行動パターンの変化の情報（発見有無情報テーブル５１０および行動パターン変化テーブル５２０）と、図７のような状態遷移モデル（頂点状態テーブル７１０および状態遷移対応関係テーブル７２０）をもとに、図８のような変容結果についての分析結果を表示する分析結果画面を出力するためのデータを生成するプログラムである。この画面は、例えば、分析者やマーケティングの施策を決定したい人が、分析結果を確認するために用いられる。

ＤＢサーバ２００および分析サーバ３００は、それぞれ、ハードウェアとしては、サーバ等の一般的なコンピュータにより構成され、ＣＰＵ、メモリ、外部記憶装置、通信Ｉ／Ｆ、出力装置、入力装置等の各部を備えている。これらのサーバを構成する各部は、内部バス等の内部通信線により電気的に接続されている。

ＣＰＵは、外部記憶装置に記憶されている各種プログラムを読み出してメモリにロードして実行することにより、これらのサーバの各種機能を実現する。メモリは、例えば、データの読書き可能なＲＡＭから構成され、ＣＰＵにより上記各種プログラムがロードされる。外部記憶装置は、例えば、ＲＯＭ等の記憶媒体、ＨＤＤやＳＳＤ等の記憶装置から構成され、これらのサーバの処理に必要な各種プログラムを記憶する。

なお、上記各種プログラムは、通信Ｉ／Ｆを介してネットワークから外部記憶装置にダウンロードされ、メモリ上にロードされて、ＣＰＵにより実行されるようにしてもよい。また、ＣＤやＤＶＤ等の可搬性を有するコンピュータで読み取り可能な記憶媒体に対して情報を読み書きする読書装置を介して、当該記憶媒体からメモリ上に直接ロードされＣＰＵにより実行されるようにしてもよい。さらには、上記各種プログラムを、コンピュータにインストール可能な形式又は実行可能な形式のファイルで上記記憶媒体に記録して提供したり、配布してもよい。さらには、上記各種プログラムを、通信ネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供したり、配布してもよい。これらのサーバが行う具体的な処理については後述する。

以下、分析結果画面の出力イメージである図８について述べる。画面生成部３６０は、分析者により、分析結果画面において変容結果ＩＤが選択されると、その変容結果ＩＤに対応する変容結果情報および、分析部３５０による対応する分析結果を表示する。各変容結果ＩＤに対応する変容結果情報は、変容結果情報２３０から取得できる。また、画面生成部３６０は、各変容結果ＩＤに対応する分析部３５０の分析結果を、図７のような状態遷移モデル上に、図６のような行動パターンの変化の情報を描画した状態遷移モデルとして表示する。具体的には、画面生成部３６０は、行動変容探索部３５３の出力である遷移パスを描画した状態遷移モデルとして表示する。また、画面生成部３６０は、遷移パス上における状態グループをまたぐ遷移の直前と直後の状態、および行動パターンの変化の結果である、ＫＰＩ向上に寄与する状態には、それぞれフラグを表示する。また、画面生成部３６０は、行動パターンの変化を経験した顧客のリストを表示する。さらに、画面生成部３６０は、状態遷移モデル上で同じ状態グループの頂点は同じ色で表示する。生成された画面表示用のデータは制御部３３０による制御のもと、画面生成部３６０が、クライアント通信部３１０、通信部１２０を経て画面表示部１３０に表示する。

図９は、本実施における分析部３５０が行う分析処理の処理手順を示すフローチャートである。分析処理では、Ｓ１０１からＳ１０３までの各ステップを、全体モデル生成部３５１が実行し、Ｓ１０４からＳ１０５までの各ステップを、候補者モデル生成部３５２が実行し、Ｓ１０６からＳ１０７までの各ステップを、行動変容探索部３５３が実行する。以下、図９の各ステップの詳細を述べる。

まず、ステップＳ１０１では、全体モデル生成部３５１は、購買履歴情報２１０と顧客属性情報２２０をもとに、図６に示すような、顧客の状態遷移の全体傾向を示した有向グラフである状態遷移モデルを作成する。状態遷移モデルは、例えば、一般的によく知られている隠れマルコフモデルを用いて作成することができる。状態遷移モデルの作成方法の一例を下記に示す。

まず、全体モデル生成部３５１は、購買履歴情報２１０と顧客属性情報２２０から各顧客についての値を計算できる指標である変数を選択する。例えば、全体モデル生成部３５１は、顧客属性情報２２０に記載のクーポン利用回数累計という変数と、購買履歴情報２１０から計算できる週あたり飲料購買数という変数を選択する。次に、全体モデル生成部３５１は、選択した各変数の値域を区間に分割し、各区間の組に対応するような頂点を定める。例えば、図６の例では、上記２つの変数をもとに、週あたり飲料購買数が３以上で、クーポン利用回数累計が１以上、などの状態に対応する５つの頂点を定めている。そして、全体モデル生成部３５１は、購買履歴情報２１０と顧客属性情報２２０から、各状態間の遷移確率を計算し、遷移確率が一定値以上であるものに有向枝を引く。

ステップＳ１０２では、全体モデル生成部３５１は、状態遷移モデルの頂点を、遷移しやすいもの同士のグループに分割する。具体的には、全体モデル生成部３５１は、同じ状態グループの中では枝が密になり、異なる状態グループ間では枝が疎になるようなグルーピングを行う。この操作により得られるグループのことを状態グループと定義する。なお、上記のようにグラフの頂点を分割するアルゴリズムは、グラフ分割・コミュニティ検出などの文脈で様々な手法が提案されており、いずれを用いてもよい。一例として、頂点集合を連結成分ごとにグルーピングする方法がある。この方法によるグルーピングで、図６の状態遷移モデルをグルーピングすると、頂点ＡとＢが同じ状態グループになり、頂点ＣとＤとＥが同じ状態グループになる。

ステップＳ１０３では、全体モデル生成部３５１は、Ｓ１０１で作成した状態遷移モデルの状態の中から優良状態の集合を決定する。具体的には、各状態について、優良度合いを表す指標を計算して、その値が閾値以上である状態を優良状態と定める。優良度合いを表す指標としてはいくつか考えられるが、いずれの指標を用いてもよい。例えば、各状態に対して、最新の時刻においてその状態にいる顧客の直近一週間の売上の平均値を、優良度合いを表す指標とする。ステップＳ１０３までの出力は、Ｓ１０１で作成した状態遷移モデル、およびＳ１０２で決定した、状態遷移モデル６０１の各頂点がどの状態グループに属するのかの対応関係、およびＳ１０３で決定した、各頂点が優良状態か否かを表すフラグである。全体モデル生成部３５１は、これらの情報を出力し、図７に示すような２つのリスト（頂点状態テーブル７１０および状態遷移対応関係テーブル７２０）に記憶させる。

ステップＳ１０４からＳ１０７までは、変容結果情報２３０に記載の変容結果ＩＤごとに実行される。

ステップＳ１０４では、候補者モデル生成部３５２は、購買履歴情報２１０および変容結果情報２３０をもとに、変容結果情報２３０を満たすような顧客のリストを作成する。このリストを変容候補者集合と呼ぶ。例えば、候補者モデル生成部３５２は、図２の購買履歴情報２１０の顧客ＩＤ「４」を読み取り、当該ＩＤ「４」である顧客が、図４の変容結果ＩＤ「１」の条件を満たしているか否かを判定し、当該条件を満たしているので、当該顧客を変容候補者として分類し、変容候補者集合に所属させる。

次に、ステップＳ１０５を実行するために、候補者モデル生成部３５２は、状態遷移パスを定義する。まず、状態遷移モデルにおいて、候補者モデル生成部３５２は、時刻ｔで顧客ｐに対応する頂点をｖ（ｐ，ｔ）とする。また、候補者モデル生成部３５２は、分析期間に沿って時刻ｔを増やしてくことで、頂点ｖ（ｐ，ｔ）の列を定める。候補者モデル生成部３５２は、この頂点の列を、顧客ｐに対応する状態遷移パスと定義しＰ（ｐ）とする。例えば、候補者モデル生成部３５２は、図２の購買履歴情報２１０と図３の顧客属性情報２２０とを参照し、顧客ＩＤ「４」である顧客は図６の状態遷移モデル上では頂点Ａ→Ｂ→Ｄ→Ｅという遷移をしていると判断し、Ｐ（４）＝（Ａ，Ｂ，Ｄ，Ｅ）と定義する。

ステップＳ１０５では、候補者モデル生成部３５２は、状態遷移モデルの頂点の列Ｑ＝（ｖ１，ｖ２，…，ｖｎ）の中で、以下の条件を満たすものを求める。
条件１：終点ｖｎが、ステップＳ１０３で決定した優良状態の集合に含まれる。
条件２：ステップＳ１０４で抽出した変容候補者の中で、一定人数ｋ人以上の顧客がＱに沿って遷移した。ただし、顧客ｐがＱに沿って遷移したとは、Ｑが状態遷移パスＰ（ｐ）の部分列として含まれることを言う。
条件３：上記の２つの条件を満たすパスの中で極大である。すなわち、任意の頂点ｖ０に対して、(ｖ０，ｖ１，ｖ２…，ｖｎ)は上記の条件１を満たさない。

候補者モデル生成部３５２は、上記の３つの条件を満たす頂点の列Ｑを、変容候補者集合の特徴的な状態遷移パスとする。例えば、ステップＳ１０４の例において、顧客ＩＤが４である顧客は、変容結果ＩＤ１の分析において変容候補者集合に属しており、Ｐ（４）＝（Ａ，Ｂ，Ｄ，Ｅ）であったので、閾値をｋ＝１と設定した場合、Ｑ＝（Ａ，Ｂ，Ｄ，Ｅ）は、条件２を満たす。また、頂点Ｅは図７において優良状態であるため、条件１を満たす。さらに、Ｑは条件１と条件２を満たすパスの中で極大であるため、条件３も満たす。よって、候補者モデル生成部３５２は、Ｑを変容候補者集合の特徴的な状態遷移パスであると判断する。また、候補者モデル生成部３５２は、出力する各パスＱに対して、変容候補者の中でＱに沿って遷移した人のリストを計算しておく。このように、ステップＳ１０５では、優良状態になるパスの中で、図４に示した変容結果情報２３０を満たすパスを特徴的な遷移パスとして求め、求めたパスに沿って遷移した人をリストアップしてその人数を計算する。

ステップＳ１０６では、行動変容探索部３５３は、Ｓ１０５で抽出した変容候補者集合の特徴的な状態遷移パスを特定し、特定した当該特徴的な状態遷移パスの中で、状態グループをまたぐ遷移が１回だけ起きているものを選択する。具体的には、行動変容探索部３５３は、Ｓ１０５で抽出した各パスＱに対して以下の処理を行う。まず、行動変容探索部３５３は、Ｑの頂点列（ｖ１，ｖ２，…，ｖｎ）に対応する状態グループの列（ｇ１，ｇ２，…，ｇｎ）を求める。そして、行動変容探索部３５３は、状態グループの列が（ａ，…，ａ，ｂ，…，ｂ）のように、途中で一回のみ変化しているか否かを判定し、途中で一回のみ変化していると判定した場合にはパスＱを選択し、そうでない場合にはパスＱは選択しない。例えば、図７によると、Ｓ１０５で抽出したＡ→Ｂ→Ｄ→Ｅというパスに対応する状態グループ列は（１，１，２，２）であり、状態グループ１から状態グループ２に遷移が一回あるが、それ以外の状態グループをまたぐ遷移（例えば、状態グループ２から状態グループ１に戻るような遷移）はないため、上記の処理で選択される。さらに、上記の処理でパスが２つ以上選択された場合、最も有効そうな１つのパスのみを選択する。例えば、行動変容探索部３５３は、Ｓ１０５で計算した、そのパスに沿って遷移した人のリストの要素数が最大であるもののみを選択する。

なお、ステップＳ１０５では、上記状態グループをまたぐ遷移パスが１つである前提で説明しているが、上記状態グループをまたぐ遷移パスが複数存在する場合には、候補者モデル生成部３５２は、日付や購入日などを参照し、それらの遷移パスのうち、最新のパスを、上記状態グループをまたぐ遷移パスとして選択する。

ステップＳ１０７では、行動変容探索部３５３は、Ｓ１０６までの分析結果をそれまでの分析結果に追記して更新する。ステップＳ１０６で、いずれのパスも選択されなかった場合、行動変容探索部３５３は、図５における変容結果ＩＤが「２」であるもののように、行動パターンの変化が発見されなかった旨を表すフラグを出力する。一方、パスが選択された場合、行動変容探索部３５３は、図５における変容結果ＩＤが「１」であるもののように、行動パターンの変化が発見された旨を表すフラグを出力する。その場合には、行動変容探索部３５３は、さらに図５の下側に示す形式の結果を追記し、遷移パスにはＳ１０６で選択したパスを記載する。また、行動変容探索部３５３は、行動パターンの変化の直前の状態には、状態グループをまたぐ直前の状態の頂点ＩＤを記録し、行動パターンの変化の直後の状態には、状態グループをまたいだ直後の状態の頂点ＩＤを記録する。

また、行動変容探索部３５３は、行動パターンの変化の結果である、ＫＰＩ向上に寄与する状態には、Ｓ１０５で発見した遷移パスの最終状態の頂点ＩＤを記録する。行動パターンの変化を経験した顧客のリストには、変容候補者のうちで、Ｓ１０６で選択したパスをたどった人を示す顧客ＩＤのリストを記録する。

このように、本実施例では、候補者モデル生成部３５２が、顧客の購買履歴情報２１０と顧客の属性情報２２０とに基づいて生成された顧客の状態の傾向を示す状態遷移モデルと、顧客の行動パターンの変化により起こると予想される特徴的な購買行動を示す変容結果情報２３０とに基づいて、変容結果情報２３０を満たす顧客である変容候補者を分類し、行動変容探索部３５３が、変容候補者として分類された顧客のうち特徴的な状態遷移をする顧客の状態遷移パスの中から所定の方法により顧客の状態をグループ化した状態グループをまたぐ遷移がある顧客を選択し、選択した当該顧客の状態遷移パスを含む分析結果を出力するので、特定の特徴を持つ顧客に共通して生起する行動パターンの変化の中で、ＫＰＩ向上につながるものを発見することができる。

また、行動変容探索部３５３が、上記状態グループをまたぐ遷移が複数回ある顧客については、上記遷移の中で最新の状態遷移パスを特定し、特定した最新の状態遷移パスを特徴的な前記顧客の状態遷移パスとして分析結果に含めて出力するので、状態グループをまたぐ遷移が何度も発見された場合であっても、当該顧客の最新の状態遷移に基づいた分析が可能となる。

実施例２では、購買履歴情報と、顧客属性情報をもとに、行動パターンの変化を発見する方式について説明する。実施例１では変容結果情報を分析者が作成していたのに対して、実施例２では購買履歴情報をもとに、変容結果情報を自動で生成する点が異なる。

図１０は、本実施例におけるシステム構成図である。図１０において、ＤＢサーバ７００は、変容結果情報２３０が記憶されていない点で、実施例１におけるＤＢサーバ２００とは異なっている。また、分析サーバ８００は、変容結果情報生成部３７０が保持されていない点で、実施例１における分析サーバ３００とは異なっている。以下では、主に実施例１との違いについて説明し、特に説明する場合を除き、同一の構成要素には同一の符号を付してその説明を省略している。

変容結果情報生成部３７０は、購買履歴情報２１０を入力として、変容結果情報２３０を生成するプログラムである。データ取得部３４０が制御部３３０によって起動されるまでのフローは実施例１と同じである。データ取得部３４０は、ＤＢサーバ７００から、購買履歴情報２１０、顧客属性情報２２０を取得し、これらのデータを分析サーバ８００のメモリに記憶する。また、データ取得部３４０は、実行終了時には、終了信号とデータの格納場所を制御部３３０に送信する。

制御部３３０は、データ取得部３４０から終了信号を受信したことを契機に、変容結果情報生成部３７０のプログラムを起動する。変容結果情報生成部３７０は、図２のような購買履歴情報２１０をもとに、変容結果情報を生成する。変容結果情報の生成方法の例については後述する。変容結果情報生成部３７０は、生成した変容結果情報を、分析サーバ８００のメモリに格納する。変容結果情報生成部３７０は、実行終了時には、終了信号とデータの格納場所を制御部３３０に送信する。制御部３３０は、変容結果情報生成部３７０から終了信号を受信したことを契機に、分析部３５０のプログラムを起動する。以降の処理は実施例１と同様である。

図１１は、変容結果情報生成部３７０が行う変容結果情報生成処理の処理手順を示すフローチャートである。以下、図１１の各ステップの詳細を述べる。
まず、ステップＳ２０１では、変容結果情報生成部３７０は、変容結果情報を定めるための分析期間と比較期間を設定する。例えば、分析期間を直近１ヶ月とし、比較期間をその前の１ヶ月とする。なお、分析期間、比較期間、および以下のステップで用いるパラメータａ，ｂ，ｃ，ｄ，ｅは、固定値ではなく起動部１１０の実行時に分析者が引数として与える例も考えられる。以降のステップでは、変容結果情報生成部３７０は、比較期間と比較した際の分析期間における特徴的な購買行動を特定し、変容結果情報として格納する。

ステップＳ２０２では、変容結果情報生成部３７０は、顧客ごとの、分析期間および比較期間のＫＰＩをそれぞれ計算する。例えば、購買履歴情報２１０の金額列の和を顧客ごとに計算する。

ステップＳ２０３では、変容結果情報生成部３７０は、比較期間に対する分析期間のＫＰＩ増加量が多い順にａ人抽出する。

ステップＳ２０４では、変容結果情報生成部３７０は、ステップＳ２０３で抽出したリストの各顧客に対して、比較期間を基準とした際の、分析期間に購入した商品と個数のペアのリストを作成する。作成のイメージを図１２に示す。

図１２は、変容結果情報生成部３７０が生成した購買に関するＫＰＩの増加量を算出するためのリストであるＫＰＩ増加量リストの例を示す図である。図１２に示すように、ＫＰＩ増加量リストは、ステップＳ２０３で出力された顧客の数（連番）と、分析期間における購買商品およびその個数と、比較期間における購買商品およびその個数と、購買商品ごとの分析期間の個数と比較期間の個数との差とが対応付けて記憶されている。図１２では、例えば、連番「１」の顧客は、比較期間では商品「Ａ」を２個購入したが、分析期間では商品「Ａ」を５個購入し、その差は３個の増加であることを示している。同様に、連番「１」の顧客は、比較期間では商品「Ｂ」を４個購入したが、分析期間では商品「Ｂ」を２個購入し、その差は２個の減少であることを示している。同様に、連番「２」の顧客は、比較期間では商品「Ａ」を購入していないが、分析期間では商品「Ａ」を４個購入し、その差は４個の増加であることを示している。

ステップＳ２０５では、ステップＳ２０４で作成したリストをもとに、変容結果情報を決定する。例えば、ｂ人以上のリストに、商品ｃをｄ個以上購入したという情報が含まれる、という条件を満たすような（ｂ，ｃ，ｄ）のペアの中でｄが大きいものをｅ個取得する。

ステップＳ２０６では、変容結果情報生成部３７０は、ステップＳ２０５の結果を、図４のような変容結果情報の形式に変換し、分析サーバ００３のメモリに記憶する。例えば、各（ｂ，ｃ，ｄ）のペアに対して、変容結果情報の商品集合としては、ステップＳ２０５で取得した商品ｃとし、個数（以上）はステップＳ２０５で取得した個数ｄとし、個数（以下）をＮＵＬＬとする。また、購入期間はステップＳ２０１で計算した分析期間とする。以降、実施例１と同様の処理が実行され、実施例２の場合も同様に、候補者モデル生成部３５２は、日付や購入日などを参照し、上記状態グループをまたぐ遷移パスが複数存在する場合には、それらの遷移パスの中で最新のパスを、上記状態グループをまたぐ遷移パスとして選択する。

このように、本実施例では、変容結果情報生成部３７０が、所定期間（例えば、分析期間や比較期間）において顧客の行動パターンにより得られる購買数の増減に基づいて、変容結果情報を生成するので、分析者が変容結果情報を生成する手間を削減することができる。

また、行動変容探索部は、変容結果情報生成部３７０により生成された変容結果情報を用いて分類された変容候補者のうち、状態グループをまたぐ遷移が複数回ある顧客については、遷移の中で最新の状態遷移パスを特定し、特定した最新の状態遷移パスを特徴的な顧客の状態遷移パスとして分析結果に含めて出力するので、変容結果情報を自動的に生成した場合においても、複数回発見された状態グループをまたぐ遷移の顧客について、最新の状態遷移に基づいた分析が可能となる。

００１クライアント端末
００２ＤＢサーバ
００３分析サーバ
１１０起動部
１２０通信部
１３０画面表示部
２１０購買履歴情報
２２０顧客属性情報
２３０変容結果情報
３１０クライアント通信部
３２０ＤＢサーバ通信部
３３０制御部
３４０データ取得部
３５０分析部
３５１分析モデル生成部
３５２候補者モデル生成部
３５３行動変容探索部
３６０画面生成部
３７０変容結果情報生成部

Claims (8)

1. 顧客の購買履歴情報と前記顧客の属性情報とに基づいて生成された前記顧客の状態の傾向を示す状態遷移モデルと、前記顧客の行動パターンの変化により起こると予想される特徴的な購買行動を示す変容結果情報とに基づいて、前記変容結果情報を満たす顧客である変容候補者を分類する候補者モデル生成部と、
   前記変容候補者として分類された前記顧客のうち特徴的な状態遷移をする顧客の状態遷移パスの中から所定の方法により前記顧客の状態をグループ化した状態グループをまたぐ遷移がある顧客を選択し、選択した当該顧客の状態遷移パスを含む分析結果を出力する行動変容探索部と、
   を備えることを特徴とする行動パターン探索システム。
2. 請求項１に記載の行動パターン探索システムであって、
   前記行動変容探索部は、前記状態グループをまたぐ遷移が複数回ある顧客については、前記遷移の中で最新の状態遷移パスを特定し、特定した前記最新の状態遷移パスを特徴的な前記顧客の状態遷移パスとして前記分析結果に含めて出力する、
   ことを特徴とする行動パターン探索システム。
3. 請求項１に記載の行動パターン探索システムであって、
   所定期間において前記顧客の行動パターンにより得られる購買数の増減に基づいて、前記変容結果情報を生成する変容結果情報生成部、
   を備えることを特徴とする行動パターン探索システム。
4. 請求項３に記載の行動パターン探索システムであって、
   前記行動変容探索部は、前記変容結果情報生成部により生成された前記変容結果情報を用いて分類された前記変容候補者のうち、前記状態グループをまたぐ遷移が複数回ある顧客については、前記遷移の中で最新の状態遷移パスを特定し、特定した前記最新の状態遷移パスを特徴的な前記顧客の状態遷移パスとして前記分析結果に含めて出力する、
   ことを特徴とする行動パターン探索システム。
5. 候補者モデル生成部が、顧客の購買履歴情報と前記顧客の属性情報とに基づいて生成された前記顧客の状態の傾向を示す状態遷移モデルと、前記顧客の行動パターンの変化により起こると予想される特徴的な購買行動を示す変容結果情報とに基づいて、前記変容結果情報を満たす顧客である変容候補者を分類し、
   行動変容探索部が、前記変容候補者として分類された前記顧客のうち特徴的な状態遷移をする顧客の状態遷移パスの中から所定の方法により前記顧客の状態をグループ化した状態グループをまたぐ遷移がある顧客を選択し、選択した当該顧客の状態遷移パスを含む分析結果を出力する、
   を備えることを特徴とする行動パターン探索方法。
6. 請求項５に記載の行動パターン探索方法であって、
   前記行動変容探索部は、前記状態グループをまたぐ遷移が複数回ある顧客については、前記遷移の中で最新の状態遷移パスを特定し、特定した前記最新の状態遷移パスを特徴的な前記顧客の状態遷移パスとして前記分析結果に含めて出力する、
   ことを特徴とする行動パターン探索方法。
7. 請求項５に記載の行動パターン探索方法であって、
   変容結果情報生成部が、所定期間において前記顧客の行動パターンにより得られる購買数の増減に基づいて、前記変容結果情報を生成する、
   ことを特徴とする行動パターン探索方法。
8. 請求項７に記載の行動パターン探索方法であって、
   前記行動変容探索部が、前記変容結果情報生成部により生成された前記変容結果情報を用いて分類された前記変容候補者のうち、前記状態グループをまたぐ遷移が複数回ある顧客については、前記遷移の中で最新の状態遷移パスを特定し、特定した前記最新の状態遷移パスを特徴的な前記顧客の状態遷移パスとして前記分析結果に含めて出力する、
   ことを特徴とする行動パターン探索方法。

Images