JP4360759B2 - 相関分析を用いて広告の販売効果を調査する方法およびシステム - Google Patents

Description

【０００１】
【発明の属する技術分野】
本発明は、データ・マイニングの方法およびシステムに関し、より詳細には、買い物かごにおける製品のダイナミクスに対する広告および販売促進の効果について、結論を引き出すために相関分析を用いるデータ・マイニングの方法およびシステムに関する。
【０００２】
【従来の技術】
データ・マイニングは、データのパタンおよび関係を発見するために用いられるよく知られた手法である。データ・マイニングは、有益なパタンおよび関係を見つけるために、データに対して高度な統計的分析およびモデル化手法を適用することを要する。結果として得られるパタンおよび関係は、事業活動を導き、将来の事業活動を計画する際に有益な予測を立てるために、事業の多数の用途に使用される。
【０００３】
データ・マイニングの一タイプは、「相関分析」、しばしば「買い物かご分析」と呼ばれる。相関分析は、「相関ルール」または「類縁関係」という形でパタンを明らかにする。製品ＡとＢの間の相関ルールは、記号でＡ→Ｂと表現され、これは、「製品Ａが買い物かごの中にあるときはいつも、製品Ｂも買い物かごの中にある傾向がある」という表現に換言される。これは、「製品のダイナミクス」、すなわち一製品の購入が他の製品に対して持つ効果の一例である。
【０００４】
データ・マイニングの伝説において、製品のダイナミクスを示す最も繰り返される話の１つは、買い物かごの中にビールとおむつがしばしば一緒に現れることを発見したと伝えられているものである。この話に与えられる説明は、父親がおむつを買いに使いに出されるとき、この父親はしばしば、褒美として６本１組の自分のお気に入りのビールを購入するというものである。上記議論の相関ルールを用いると、この例は「おむつ→ビール」と表現され、換言すれば、買い物かごにおむつが現れるときはいつも、この買い物かごにビールも現れる傾向がある、ということになる。
【０００５】
特定の相関ルールの重要性を特徴付けるために歴史的に用いられてきた尺度がいくつかある。買い物かご分析の文脈では、考慮しているすべての買い物かごに関してこれらの尺度が計算される。ルール「Ａ→Ｂ」の「確実性」は、かごがＡを含む場合にそのかごがＢも含む確率である。ルールの「サポート」は、その１組のすべての取引においてそのルールが発生する頻度である。ルールの「リフト」は、前提Ａの予測能力の一尺度である。リフトは、買い物かご中の他の品目のどんな事前知識もない場合のＢの確率に対する、Ａが存在する場合のＢの確率の乗数である。
【０００６】
説明の目的で以下の例を考慮されたい。表１は、小さな商店の所与の一日の買い物かごを表す１０件の典型的取引を示す。表中のデータから、いくつかの買い物かごの中におむつとビールが一緒に現れているのを見ることができ、取引がおむつを含むときに、その取引がビールもまた含む傾向があると結論づけることができる。おむつは６件の取引（１、３、４、８、９、１０）に現れ、ビールはおむつと共にこれらの取引の４件（１、３、９、１０）に現れる。したがってルール「おむつ→ビール」は、４／６＝６７％の確実性を有する。さらに１０件中、ビールとおむつが共に現れる取引が４件ある。これにより、ルールのサポートが４／１０＝４０％という値となる。最後に、おむつを含む６件の取引中４件にビールが現れるのに対し、この１０件の取引中では５件にビールが現れる。これは、どの取引についてのどんな事前情報もなしで、買い物かごがランダムに選ばれた場合、ビールに当たる機会は５／１０＝５０％あることを意味する。しかし、買い物かごがおむつを含む場合にビールもまた有する高い可能性があるという事前知識を利用すれば、おむつを含むと分かっている買い物かごだけから選べばビールに当たる見込みは改善される。すなわち、ビールに当たる機会は４／６＝６７％ある。したがってルール「おむつ→ビール」のリフトは、６７％／５０％＝１．３４である。
【表１】

【０００７】
相関分析手法は、設定されたサポートおよび確実性のしきい値を超えるすべての相関ルールを発見する。また、それらの相関分析手法は、サポートのしきい値を超える頻度で同じ買い物かごの中に見られる傾向のあるすべての品目セットを発見し、それらのセットは「頻繁な品目セット」と呼ばれる。
【０００８】
データ・マイニングの重要性が認識され、様々なデータ・マイニングおよびモデル化手法を実行するツールが開発されてきた。そのようなツールの１つに、ＩＢＭによって販売されるIntelligent Miner^TMがある。Intelligent Minerは、そのツール一式の一部として、相関分析のための卓越したアルゴリズムを有する。汎用ツールであるので、Intelligent Minerその他の相関分析用データ・マイニング・ツールは、頻繁な品目セットおよびルールを、それらに対応するサポート、確実性、およびリフトなどの関心のある測定基準で推測する段階までは到達するが、それ以上は行かない。
【０００９】
相関ルールは、データから引き出された事実を表現する。それらの相関ルールは、データにおいて観察される関係についての真実の表現である。これらのルールは、当初の観察が行われた条件を変更する将来の活動の効果についての理論または仮説を生成するために、確実性、サポートおよびリフトの尺度と共に用いることができ、かつ用いるべきである。プライシング活動、販売促進、キャンペーン、季節性、および製品の入手可能性を背景にして、潜在的に数千の商店および数万の品目を考慮しなければならない複雑でダイナミックな小売環境では、これらの仮説を置く必要がある。さらに、すべての活動および結果は、抽象的な概念であるサポート、確実性およびリフトではなく、収入および利益のマトリクスに対して測定されるべきである。
【００１０】
相関分析用の既存のツールは、広告および販売促進についての情報を要素に入れないので、製品販売および買い物かごの中の製品のダイナミクスに対するその効果についての理論または仮説を開発する助けにはならない。さらに、通常用いられる相関分析は、製品のダイナミクスに焦点を合わせ、本明細書において「買い物かごダイナミクス」と呼ぶ、個々の買い物かごの全体的属性を分析しない。そのような分析が行われれば、買い物かごのレベルで測定された全体的購入行動、およびその全体的購入行動を駆り立てるものを理解できるようにするデータをもたらすであろう。現在実施されている相関ルールおよび頻繁な品目セットは、例えば、「高粗利益」の買い物かごにはどんな種類の製品が見られるか、どの製品がそのような「高粗利益」の買い物かごを駆り立てることができるのかという、特定タイプの買い物かごの所有者の全体的購入習慣についての情報を判定する助けにはならない。
【００１１】
相関分析などデータ・マイニング手法を用いた買い物かごデータの分析は、最近の開発例である。関心ある特定品目の販売に対する広告および販売促進の効果を評価する伝統的方法は、全体的財務尺度に焦点を当てる。例えば伝統的手法であれば、関心ある品目を含むか、または含まない買い物かごの全体的価値を測定し、これらの測定が販売促進関連活動の関数としてどのように変化するかを計算する。これらの方法は買い物かごの全体的内容を考慮せず（すなわち、これらは関心ある品目のみに焦点を合わせ）、したがってこれらのかごが何を含む傾向があるかを説明することも、買い物かごのダイナミクスの分析を可能にするデータを明らかにすることもない。様々な品目の売上げとそれらの販売促進状況の間の関係についての情報なしでは、全体的測定において観察されたどんな変化を説明することも可能ではない。さらに、関心ある品目を含むすべてのかごを一まとめにして全体的価値を計算することによりこれらの方法は、すべてが関心ある品目を含むが、異なるダイナミクスと、したがって異なる全体的価値を有する様々なタイプのかごがある可能性を考慮しない。
【００１２】
【発明が解決しようとする課題】
したがって、購入行動を理解するために、購入行動に対する広告および販売促進活動を要素に入れるデータ・マイニング手法を利用する方法およびシステムの必要性がある。
【００１３】
【課題を解決するための手段】
本発明の一目的は、相関ルールの前提および／または結論が、販売促進または広告イベント（例えば取引が記録されたときに販売促進が行われていたという事実）を含むことができるデータ・マイニングのための方法およびシステムを提供することである。販売データは広告データと統合され、商品データと広告データを結び付けるために複数の分類法が用いられる。これにより、広告状況（広告されたまたは広告されなかった）を判定し、買い物かごの中の製品ダイナミクスに対する広告の影響を追跡するためにこの情報を用いることができるように、データが高度化される。さらに広告されたそれらの品目に対して、使用された広告についての詳細な情報もまた利用可能であり、分析に統合され、その結果例えば、特定の広告またはその要素の有効性または無効性を判定することができる。
【００１４】
本発明の他の目的および利点は、本明細書および以下の図面において一部説明され、一部は、本明細書から明らかになり、または本発明の実施により分かるであろう。
【００１５】
前述の目的を達成するために、本明細書に広く述べる本発明の目的に従って本発明は、小売業者の小売販売取引中に販売された品目に関する販売データ、および販売された品目に関する広告／販売促進データを含む市場調査データを処理する、コンピュータにより実施される方法を提供し、本方法は、販売データを受け取るステップと、広告／販売促進データを受け取るステップと、販売データ内に広告／販売促進データの要素を組み込むことによって販売データを高度化するステップと、高度化された販売データに対して相関分析を実行して相関ルールを生成するステップと、この相関ルールを表示しアーカイブするステップとを含む。
【００１６】
【発明の実施の形態】
図１は、本発明による相関分析を用いて広告の販売効果を調査するシステム１００の機能的構成要素の概要を示す。図に示された例は、標準的小売環境を対象とするが、本発明はそのような用途に限定されることなく、消費者行動に対する広告または販売促進の効果を分析することが望ましいインターネットを介した電子商取引（「Ｅ−コマース」）その他の任意の用途を含む他の多数の環境において、本発明の原理および方法を応用できることが明らかである。
【００１７】
本明細書で使用するとき、用語「小売業者」は、データの分析およびデータから得られた結論を必要とする個人または組織を指す。典型的小売業者の例には、小売店またはＥ−コマース組織のマーケティング部署、小売店の仕入れ担当、またはＥ−コマース組織のためにウェブサイトを設計するウェブサイト設計者が含まれる。
【００１８】
本明細書で使用するとき、用語「ユーザ」は、小売業者からの入力と共に本発明を使用して、希望するデータ分析および結論を提供する個人、組織、または自動化された装置を指す。典型的ユーザの例には、市場分析組織、本発明によるシステムを所有する小売業者、または本発明によるシステムにアクセスできるＥ−コマース組織のためのウェブ設計者が含まれる。
【００１９】
本明細書で使用するとき、用語「買い手」は、小売業者から品目を購入する、小売業者の顧客を指す。典型的買い手の例には、小売店の個人買い物客またはＥ−コマース組織からインターネットを介して購入する個人が含まれる。
【００２０】
システム１００は、小売業者情報入出力装置１０２、分析サーバ１０４、データベース・サーバ１０６およびデータ入力装置１０８、１１０を含む。小売業者情報入力装置１０２は、特定の小売業者の必要および希望に関する情報をシステムに入力する手段を提供する。小売業者情報は、例えば標準キーボードを介し、システムのユーザによって手入力することができ、このシナリオでは、小売業者情報は、インタビュー、アンケート、または他の知られている情報収集手法により、ユーザによって手作業で収集される。好ましい実施形態では、ユーザのウェブサイト上で利用可能な電子アンケートまたはインタビュー様式に記入することにより、小売業者が小売業者情報を直接入力し、それにより、インターネットを介して分析サーバ１０４に情報を送信する。
【００２１】
分析サーバ１０４は、自体に対するすべてのデータ入力に対して相関分析を実行する。分析サーバ１０４の一般的動作は、上記議論のＩＢＭ製Intelligent Minerなど、よく知られているシステムおよびツールの使用に基づく。しかし以下により完全に述べるように、本発明のいくつかの新規な態様を示すのは、データ・マイニング・ツールの利用、データ・マイニング・ツールによって分析されたデータの高度化、ならびに結果の後処理および解釈である。
【００２２】
データベース・サーバ１０６は、選択されたＰＯＳ（point-of-sale：販売時点）データ、広告および販売促進データ、ならびに製品データを格納し、これらはすべて、ＰＯＳシステム１０８、マーケティング部署データベース１１０などを含む様々な一般的データ・ソースから得られる。
【００２３】
システムのそれぞれの要素は、知られている任意の方法、例えばネットワーク接続または標準ケーブル接続を介して互いに通信することができる。分析サーバ１０４は、インタフェース１１２、サーバ１１４（例えばＨＴＴＰまたはインターネット・ウェブ・サーバ）、およびコントローラ１１６を含む。インタフェース１１２により、分析サーバ１０４およびシステムの他の要素が、知られている方法で互いに通信できるようになる。サーバ１１４は、入力装置１０２とデータベース・サーバ１０６の間の通信を知られている一方法で管理する。コントローラ１１６は、準備エンジン１１８、相関分析エンジン１２０および後処理エンジン１２２の間のすべての通信を含むサーバ１１４の動作を制御する。一般に、準備エンジン１１８、相関分析エンジン１２０、および後処理エンジン１２２は、ほとんどのデータ・マイニング・システムにおいて見られる、知られている構成要素である。しかし準備エンジン１１８および後処理エンジン１２２は、以下により詳細に述べるように、本発明の結果を達成するために新規な方法で利用される。
【００２４】
図２は、本発明の全体的処理を示すハイ・レベルの流れ図である。ステップ２１０において、分析および指定パラメータが取得される。これらのパラメータは、小売業者入力装置（例えば、図１の小売業者入力装置１０２の１つ）を介してシステムに入力され、小売業者が知りたいと関心を持っているのは何かを定義する。この情報は例えば、小売業者がどのＰＯＳデータ（店舗配置、具体的時間、製品ライン）を分析することに関心があるのか、どの階層（例えば、以下に述べる商品および／または広告分類法）を使用するのか、最小サポートおよび確実性のしきい値、品目の制約（例えば、分析からどの製品品目を含めるかまたは除くか）に関する詳細を含むことができる。
【００２５】
ステップ２２０では、ステップ２１０において小売業者から要求された様々な分析を実行するために必要なデータが収集され準備される。ステップ２２０の収集の態様は、一般的データ・ソース、例えばＰＯＳシステム・データベース１０８およびマーケティング部署データベース１１０からデータベース・サーバ１０６によって選択されたデータを収集することを含む。これにより、必要な情報だけが利用され、不要な情報は除かれることが確実になる。
【００２６】
ステップ２２０の準備の態様は、精査するイベントまたは品目、例えば特定の買い物かごおよびその買い物かごの中の品目のそれぞれに対して識別番号を割り当てること（識別および取引情報を追加すること）、各品目の売上げおよび各品目の費用からもたらされる収入のデータを挿入すること（財務情報）、ならびに各品目のためになされた任意の広告の詳細を追加することにより、相関分析のために収集されたデータを準備することを含む。挿入される正確なデータは、小売業者によって要求される分析に依存し、性質が非常に詳細であっても、単に非常に一般的であってもよい。挿入されるべきすべてのデータは、ＰＯＳシステム・データベース１０８およびマーケティング部署データベース１１０から入手可能である。
【００２７】
本発明によればデータは、以下にさらに述べるように、（ａ）このデータを広告および販売促進に関する情報と共に組み込むこと、ならびに／あるいは（ｂ）各買い物かごの全体的属性を識別することおよびその買い物かごデータをこれらの全体的属性に関する情報と共に組み込むことによってもまた高度化される。準備ステップにより、ブロック２３０の相関分析ステップが、小売業者によって要求されたパラメータを考慮に入れて処理できるようになり、データの高度化により、従来技術の買い物かご分析方法を用いて利用可能でないさらに他の適切な情報を、本発明が小売業者に提供できるようになる。
【００２８】
ステップ２３０では、標準相関分析アルゴリズムを用い、知られている方法で相関分析が実行されて、ステップ２２０において収集され高度化されたデータを処理する。よく知られている一方法において相関分析ステップは、データに対する相関ルールを生成する。しかし以下に述べるように、ルールは、ステップ２２０において導入された高度化によりはるかに有用である。したがって高度化されたデータに対してステップ２４０で実行される後処理ステップ（図１１に関連して以下により詳細に述べる）は、従来技術のシステムによって考慮されないパラメータに基づきデータを処理することを含み、それによりステップ２５０において、プレゼンテーションおよびアーカイブのための非常によりよい情報をもたらす。
【００２９】
最後にステップ２６０において、さらに他の分析が必要かまたは望ましいかについての判定がなされる。必要でない場合には処理が終了する。しかしさらに分析が必要な場合には、処理はステップ２１０に戻り再び開始する。さらに他の分析が必要な多数の状況がある。例えば、販売促進が実施される前、販売促進中、および販売促進終了後に分析を実行して、購入行動の変化を識別し評価できるようにすること、（例えば、地域レベルで）異なる店舗または店舗グループを比較すること、またはカテゴリ・レベルおよび部署レベルの両方で製品の分析を実行することを、小売業者が望む可能性がある。
【００３０】
図３は、本明細書で図２のブロック２２０の「全体的属性」高度化処理と呼んでいるものを示す流れ図である。図３に関連して示された全体的属性高度化処理により、特定の全体的属性を有する買い物かごを特徴付けるかまたは区別するパタン、すなわち買い物かごのダイナミクスを発見することが可能になる。買い物かごの全体的属性は、例えば全体としてマイナスの粗利益を有する買い物かご、または全体として「高い」粗利益を有する買い物かごである。図３に示すように、データ（例えば、買い物かごに含まれるすべての品目）の論理的グループ化は、１つまたは複数の指定された属性を全体として処理しながら識別される。
【００３１】
次に図３を参照すると、ステップ３１０において、特定の買い物かご（例えば８月３０日の購入客「David」の買い物かご）に属するデータが入力され、ステップ３１２において、その買い物かごに関して指定された属性が当てはまるかどうかについて判定がなされる。したがって例えば、分析されている指定された属性が買い物かご全体の粗利益であり、「高い」粗利益の買い物かごを、５０ドルを超える合計粗利益を有するすべての買い物かごと小売業者が判定した場合、ステップ３１２において、ステップ３１０の買い物かご入力が５０ドル以下の粗利益を有するならば、処理はステップ３１６に進み、通常の「非高度化」買い物かご情報が分析ファイルに書き込まれ、ステップ３１８において、分析すべき他の買い物かごがあるかどうかについて判定がなされる。分析すべき他の買い物かごがない場合、処理は終了し、分析すべき他の買い物かごがある場合、処理はステップ３１０に戻り、すべての買い物かごが分析されるまで処理が続く。
【００３２】
ステップ３１２において、買い物かご「David」の属性「粗利益」が高い、すなわち５０ドルを超えると判定される場合、ステップ３１４において、この属性をこの買い物かごの特徴として識別するためにこの属性の存在を示す標示が買い物かごに「追加」される。これらの標示を「架空品目」と呼び、標示された属性を保有するものとしてその買い物かごを分類することにより、買い物かごデータを高度化する。一例としてステップ３１４において、買い物かごが高粗利益かごであることを示すために、架空品目「ＨＭ」が買い物かごに「追加」される（すなわち、標示「ＨＭ」を含むように買い物かごデータが変更される）。架空品目の追加は、単純なコード化処理を含むことができ、この例では、買い物かごを高粗利益かごと識別する識別子が、買い物かご「David」に対するデータに追加される。小売業者から要求されるそれぞれの架空品目タイプは、互いに区別することができるように異なるコードを持たなければならず、効率性のために、架空品目が実際の品目から容易に区別できるようにすることもまた望ましい。
【００３３】
次いで処理はステップ３１６に進み、ここで今高度化されたかご情報を含む買い物かご情報が分析ファイルに書き込まれる。希望するだけ多数の属性に対して処理を繰り返すことができ、その結果かごは、そのかごの複数の全体的属性を識別する複数の架空品目を保有することができる。
【００３４】
上記で指摘のとおり、買い物かごを特徴付けることに加えて本発明により、製品の販売に対する広告／販売促進の効果を分析することもまた可能になる。広告／販売促進高度化処理中に、標準的商品分類法を用いてデータベース中のすべての品目が分類されるが、同時に、この品目が広告分類法を用いた分類もされ、この分類法により、相関分析が利用された広告媒体の要素を含むパタンを生成することが可能になる。これらの分類法を、図５〜１０に関連して以下により詳細に述べる。
【００３５】
図４は、本明細書で図２のブロック２２０の「広告／販売促進高度化」処理と呼んでいるものを示す流れ図である。この処理により、相関分析が、販売時点での品目に対する広告状況を考慮に入れることが可能になる。次に図４を参照すると、ステップ４１０において、一連の取引中の次の（または最初の）品目に属するデータが獲得される。このデータは、買い物かごの中の品目の個々の購入に関する情報を含む。ステップ４１２において、（図２のステップ２２０の間に収集されたデータに基づき）品目が購入されたときにその品目が広告および／または販売促進されていたかどうかについて判定がなされる。その品目が広告または販売促進されていなかったと判定された場合、ステップ４１４において、その品目を広告されなかった品目と識別する「高度化された品目」を作り出すために、その品目に対応するデータに情報が追加され、処理はステップ４１０に戻る。
【００３６】
ステップ４１２において、品目が購入されたときにその品目が広告または販売促進されていたと判定される場合、ステップ４１６において、その品目は広告された品目と標示され、その品目に属するデータを高度化するために広告の詳細が追加される。これらの詳細は、広告が出された特定の四半分のページなど広告媒体の低レベルの要素、広告が表示された年など広告媒体の高レベルの要素、または低レベルと高レベルの要素の間に当たる中レベルの詳細を含むことができる。広告要素は、図８〜１０に関連して以下に述べる広告分類法において使用され、広告情報を他の適切な情報に関連付けることを可能にする。
【００３７】
次に、処理はステップ４１８に進み、製品が購入されたときに同じ製品が他の広告に広告されていたかどうかを判定する。これは、単一の製品が複数の地点、様々な方法などで広告されることが多いために行われる。製品が購入されたときに、同じ製品に対して掲載されている他の広告があったと判定される場合、そのようにフラグが立てられ、処理はステップ４１６に戻り、その結果、その品目は１回より多く広告されたものとして標示され、他の広告／販売促進プログラムに関する詳細を追加することができる。これは例えば、高度化された品目データの複製を買い物かごに導入すること、他の広告に固有の情報だけを変更することにより達成することができる。これは、その品目に対する他の広告／販売促進がこれ以上ないと判定されるまで繰り返され、その時点で、処理はステップ４１０に戻り、すべての取引／品目が処理されるまで継続する。
【００３８】
高度化されたデータを相関分析において利用できるようにするために、データベース中の各品目は、標準的商品分類法、ならびに広告分類法を用いて分類される。この分類処理を図５〜１０に関連して述べる。次に図５を参照して、単純な３レベル商品分類法を述べる。実際の応用例では、データ分析の「分解度」の希望するレベルおよび小売業者の事業組織に応じて、この商品分類法をより多数のレベルから構成することができる。
【００３９】
すべての分類法の背後にある考え方は、様々な分類レベル間のリンクを確立して、分類法内の「子供」を共通の「祖先」の項目に結び付けられるようにすることである。例えば図５の商品分類法は、通常の基本的販売データ：部署レベル、カテゴリ・レベル、および品目またはＳＫＵ（例えば、小売業界で使用される任意の製品識別コード）レベルで占められる３レベル分類法を示す。特定タイプの商品として飲料を例に取ると、部署レベルでは、説明を「酒類飲料」、「非酒類飲料」とすることができ、カテゴリ・レベルでは、説明を「ビール」、「ワイン」、「リキュール」とすることができ、品目レベルでは、説明を「Heineken ６本１組 １２オンス（約３５５．２ｍｌ）瓶」、「Corona ６本１組 １２オンス 缶」、「Gallo Merlot ７５０ｍｌ」、「Kendall Jackson Pinot Noir ７５０ｍｌ」とすることができる。
【００４０】
この情報を使用できるようにするには、この情報を最低レベルから最高レベルに結び付ける関係を確立しなければならない。例えば図６は、前述の例に対してカテゴリ・レベルを品目レベルに結び付ける分類法関係表（例示的情報を示すに過ぎない）を示す。図６に見ることができるように、品目「Heineken ６本１組１２オンス 瓶」および「Corona ６本１組 １２オンス 缶」はそれぞれ、カテゴリ「ビール」に関連付けまたは結び付けられ、品目「Gallo Merlot」および「Kendall Jackson Pinot Noir」はカテゴリ「ワイン」に関連付けられる。
【００４１】
図７は、同じ例に対してカテゴリ・レベルを部署レベルに結び付ける分類法関係表を示す。図７に見ることができるように、カテゴリ「ビール」および「ワイン」のそれぞれは、部署「酒類飲料」に別々に関連付けられる。これらの分類法を作り出すことにより、様々なレベルの品目を含むパタンを識別する相関分析が可能になり、これは、低レベル、低頻度で発生する品目が含まれるときに特に重要である。そのような品目は、この分類法を用いてそれ自体に対するパタンを確立することが容易にはできないが、これらの低レベルの品目は、パタンをより容易に確立することができる高レベルで考慮することができる（例えば、「Gallo Merlot」がまれにしか購入されない場合、分類法が低レベルおよび高レベルのカテゴリの両方に対するリンクを確立するので、カテゴリ「ワイン」に対する広告を代わりに分析することができる）。
【００４２】
本発明の新規な態様は、様々なレベルの広告媒体の要素を互いに、ならびに、商品分類法内の品目と関連付けるために相関分析を使用することである。明らかにこの「相互分類法相関」は、これらの２つの分類法に限定されることなく、他の分類法もまた互いに関連付けられることが理解されよう。
【００４３】
図８は、単純な３レベル広告分類法の一例を示す。この分類法もまた、広告／販売促進データで占められる３レベル、すなわちチラシ・レベル、チラシ／ページ・レベル、および品目レベルを含む。商品分類法においても使用される１レベル（品目レベル）を用いて、２つの分類法間のリンクが確立され、その結果２つの分類法間の相互関係を作ることができる。上述の商品分類法と同様に、分類法にさらにレベルを追加することにより分析の分解度が増加する。同じ例で続けると、チラシ・レベルでは、説明を「９月２３日 Philadelphia Inquirer チラシ」、「９月３０日 Philadelphia Inquirer チラシ」、．．．、「１２月２２日 Philadelphia Inquirer チラシ」などとすることができ、チラシ／ページレベルでは、説明を「９月２３日 Philadelphia Inquirer チラシ、２ページ」、「１２月２２日 Burlington County Times チラシ、最終ページ」とすることができ、品目レベルであれば、説明は商品分類法と同じであろう。
【００４４】
図９は、この例による広告部分の品目レベルを「チラシ／ページ」レベルに結び付ける分類法関係表を示す。「チラシ／ページ」レベルは、ある特定の日の特定の広告チラシの特定ページを指す。図９を参照すると、品目「Heineken ６本１組 １２オンス 瓶」がチラシ／ページ「Philadelphia Inquirer、９月２３日／１ページ」に関連付けられているのを見ることができ、これは、この例の品目Heinekenに対する広告が、Philadelphia Inquirerの９月２３日版に含まれていたチラシの１ページに表示されていたことを意味する。同様に、この例の品目Coronaが同じ広告ページおよび日付（「Philadelphia Inquirer、９月２３日／１ページ）に関連付けられ、品目Gallo MerlotがBurlington County Timesと共に含まれていた１２月２２日のチラシの最終ページ（「Burlington County Times／１２月２２日／最終ページ」）に関連付けられ、品目Kendall Jacksonが１２月２２日のBurlington County Timesのチラシの折り込み（「Burlington County Times／１２月２２日／折り込み」）に関連付けられている。９月２３日のPhiladelphia Inquirerの最終ページにも品目Heinekenが広告されていたことに留意されたい。
【００４５】
同様に図１０は、分類法の「チラシ／ページ」レベルを「チラシ」レベルに結び付ける分類法関係表を示す（例えば、９月２３日付けPhiladelphia Inquirerのチラシの１ページが、９月２３日付けPhiladelphia Inquirerのチラシに関連付けられる）。この単純な例により、特定品目に対する広告を広告中の特定ページまたは諸ページ、および／または特定発行に対する特定広告日に関連付けられることを見ることができる。
【００４６】
図５〜１０に示された分類法関係は、相関分析を実行する際にこれらの分類法の使用をセットアップする。上述のように、これらの関係は、データを相関分析にかける前に買い物かごデータを高度化するために利用される。知られている一方法において、商品分類法内の品目を（もしあれば）広告分類法内の広告に結び付けることができる。
【００４７】
図１１は、図２の後処理ステップ２４０、具体的には、特定の全体的属性で買い物かごを特徴付けまたは区別するパタンを識別する後処理ステップの一例を示す流れ図である。前述のように、図２のステップ２３０で実行される相関分析ステップは、各買い物かごを特徴付ける一連のルールを生成し、これらのルールの多くは、処理のためにデータを準備する間に、架空品目、高度化された品目、または分類法、あるいはそれらの全てを用いることによって高度化することができた。後処理ステップ中に、データについて結論を作り出すために分析され高度化されたデータが使用される。
【００４８】
図１１を参照すると、ステップ１１１０において、関心ある品目、例えば架空品目ＨＭに対し、相関分析ステップによってルールが生成されたかどうかに関する判定がなされる。ルールが見つからない場合、これは、分析が完了し処理がその時点で終了することを示す。しかしステップ１１１０において、処理すべき次のルールが関心ある品目を含むと判定される場合、ステップ１１１４において、関心ある品目が、ルールの前提（例えば矢印の前）、またはルールの結果（例えば矢印の後）であるかどうかに関する判定がなされる。例えば関心ある品目が架空品目ＨＭであり、品目ＨＭがルール（例えば、ＨＭ→Ａ＋Ｂ、すなわち「高粗利益かごが起こるときはいつも、そのかごがＡおよびＢの両方を含む傾向がある」）の前提の一部である場合、処理はステップ１１２０に進み、相関分析ステップ中に計算されたリフト値が分析される。例えばリフトが１よりはるかに大きいかはるかに小さいと判定される場合、それが「関心ある」ルール（すなわち、小売業者にとって関心ある）と考えられ、処理はステップ１１２２に進み、ここでこのルールは、高粗利益かごなので属性ＨＭを有する買い物かごを特徴付けると見なされ（このかごがＡおよびＢを含む高い可能性があるという推理を可能にし）、次いで処理はステップ１１１０に戻る。リフトが１であるかまたは近い場合、ルールは「関心を引かない」と見なされ、そのルールは、どの特定の属性をも有すると標示されることもなく、処理はステップ１１１０に戻る。
【００４９】
他方で、ステップ１１１４において、品目ＨＭが前提の一部ではないと判定される（すなわち、品目ＨＭが結果の一部である、例えばＡ＋Ｂ→ＨＭ、すなわち「買い物かごにおいてＡおよびＢが共に起こるときはいつでも、そのかごは高粗利益かごである」）場合、ステップ１１１６において、リフト値が１よりはるかに大きいかまたははるかに小さいかに関する判定がなされる。リフト値が１よりはるかに大きいかまたははるかに小さい場合、ステップ１１１８において、このルールは、属性ＨＭを有する買い物かごを、この属性を有しない他のかごから区別し（かごが品目ＡおよびＢを含むので、かごが高粗利益かごである高い可能性があるという推理を可能にし）、次いで処理は、ステップ１１１０に戻る。ステップ１１１６において、リフト値が１であるか近いという判定がなされる場合、次いで処理は単にステップ１１１０に戻る。
【００５０】
市場調査に関連して本発明を述べているが、本明細書に述べた手法および方法は、データのグループ化を特徴付け、かつ／または特定の（例えば広告以外の）パラメータの効果を分析することが望ましいどんなタイプの調査にも適用できることが理解されよう。さらに買い物かごの属性が財務情報以外の情報を含むことができること、例えば、買い物かごを広告された品目および／または広告されなかった品目を含むことで特徴付けることができ、この情報が調査者からも利用可能であることが理解されよう。
【００５１】
まとめとして、本発明の構成に関して以下の事項を開示する。
【００５２】
（１）小売業者の小売取引中に販売された品目に関する販売データおよび前記販売品目に関する広告／販売促進データを含む市場調査データを処理するコンピュータによって実施される方法であって、
前記販売データを受け取るステップと、
前記広告／販売促進データを受け取るステップと、
前記販売データ中に前記広告／販売促進データの要素を組み込むことによって前記販売データを高度化するステップと、
前記高度化された販売データに対して相関分析を実行して、相関ルールおよび頻繁な品目セットを生成するステップと、
前記相関ルールおよび頻繁な品目セットを表示しアーカイブするステップとを含む方法。
（２）前記相関ルールおよび頻繁な品目セットを処理して、前記市場調査データに関する結論を作り出すステップをさらに含む上記（１）に記載の方法。
（３）前記販売データが商品情報を含み、前記商品情報が
各販売品目を識別する識別情報と、
各販売品目に対応する取引情報と、
各販売品目に対応する財務情報とを含み、前記商品情報が商品分類法に入力されて、前記識別情報、前記取引情報、および前記財務情報間の論理リンクを確立し、その結果前記商品情報を買い物かご分析のために利用することができる、上記（２）に記載の方法。
（４）前記広告／販売促進データが各品目の広告状況を識別する情報を含み、前記広告状況情報が前記商品情報中に組み込まれて、前記商品情報と前記広告／販売促進データとの間の論理リンクを確立し、前記高度化された販売データを作り出す、上記（３）に記載の方法。
（５）前記広告／販売促進データが、
広告された品目を識別する情報と、
前記広告された品目に対して、品目がどのように広告されたか、品目が広告された日、および、どこに品目が広告されたかを識別する情報とを含み、前記商品情報中に前記広告情報が組み込まれて、前記商品情報と前記広告／販売促進データとの間の論理リンクを確立し、それにより前記高度化された販売データを作り出す、上記（３）に記載の方法。
（６）広告された各品目がどのように広告されたかを識別する前記情報が、使用された広告媒体の識別および広告媒体中の広告の配置を含む、上記（５）に記載の方法。
（７）前記高度化ステップが、
広告／販売促進分類法内の前記広告／販売促進情報を分類するステップと、
前記広告／販売促進分類法内の前記情報を前記商品分類法内に組み込むことによって前記高度化されたデータを作り出すステップとを含む、上記（６）に記載の方法。
（８）複数のデータ要素を含むデータを分析し、データ分析者によって使用されるために分析されたデータを提示する、コンピュータによって実施される方法であって、
それによりデータが分析されるべき分析パラメータを獲得するステップと、
前記獲得された分析パラメータに対応するデータ要素を収集するステップと、
前記収集されたデータ要素を前記分析パラメータに従って高度化するステップと、
前記高度化されたデータ要素に対して相関分析を実行して、高度化された相関ルールおよび頻繁な品目セットを生成するステップと、
前記高度化された相関ルールおよび頻繁な品目セットを表示しアーカイブするステップとを含む方法。
（９）前記高度化された相関ルールおよび頻繁な品目セットを処理して、前記分析されたデータに関する結論を作り出すステップをさらに含む、上記（８）に記載の方法。
（１０）前記収集されたデータ要素が、小売業者によって販売された品目に属する商品情報および広告／販売促進情報を含み、前記高度化ステップが、
商品分類法内の前記商品情報を分類するステップと、
広告／販売促進分類法内の前記広告／販売促進情報を分類するステップと、
前記小売業者によって販売された前記品目に対応する高度化されたデータ要素を作り出すステップであって、前記高度化されたデータ要素が、各品目と、各品目に関連して行われたすべての広告／販売促進との間の相互関係を提供するステップとを含む、上記（９）に記載の方法。
【図面の簡単な説明】
【図１】本発明に従って構築されたシステムの機能的構成要素のブロック図である。
【図２】本発明の全体処理を示す高レベルの流れ図である。
【図３】図２の全体的属性高度化処理ブロックを示す流れ図である。
【図４】図２の広告／販売促進高度化ブロックを示す流れ図である。
【図５】３レベルの商品分類法を示す図である。
【図６】図５に示された分類法の、カテゴリ・レベルをＳＫＵレベルに結び付ける分類法関係表を示す図である。
【図７】図５に示された分類法の、カテゴリ・レベルを部署レベルに結び付ける分類法関係表を示す図である。
【図８】３レベルの広告分類法を示す図である。
【図９】図８に示された広告分類法の、品目レベルをチラシ／ページ・レベルに結び付ける分類法関係表を示す図である。
【図１０】図８に示された広告分類法のチラシ／ページ・レベルをチラシ・レベルに結び付ける分類法関係表を示す図である。
【図１１】図２の後処理ステップの一例を示す流れ図である。
【符号の説明】
１０２ 情報入出力装置
１０４ 分析サーバ
１０６ データベース・サーバ
１０８ ＰＯＳシステム
１１０ マーケティング部署
１１２ インタフェース
１１４ サーバ
１１６ コントローラ
１１８ 準備エンジン
１２０ 相関分析エンジン
１２２ 後処理エンジン
１２４ ＰＯＳデータ
１２６ 広告／販促データ
１３０ 製品データ

Claims (3)

1. 小売業者の小売取引において一纏りの取引単位として把握される買い物かごの販売データであって前記買い物かごに属する販売品目および前記販売品目の商品情報を含む販売データと、前記販売品目の広告に使用された広告媒体、前記広告媒体中の広告の配置および広告された日である各広告要素を含む前記販売品目毎の広告／販売促進データと、を含む市場調査データをコンピュータによって処理する方法であって、
   分析サーバが、前記販売データを受け取るステップと、
   前記分析サーバが、前記広告／販売促進データを受け取るステップと、
   前記分析サーバ内の準備エンジンが、前記販売データ中の各販売品目に前記広告／販売促進データの前記広告要素を関連付けるステップと、
   前記分析サーバ内の準備エンジンが、受け取った前記買い物かごの販売データに、前記買い物かごが所定の属性を有することを条件に、該所定の属性を前記買い物かごが有することを示す標示として架空の販売品目のデータを追加するステップと、
   前記分析サーバ内の相関分析エンジンが、前記広告／販売データの前記広告要素が関連付けられた販売データに対して、ある販売品目が前記買い物かごの中にあるときはいつも他のある販売品目も同じ買い物かごの中にある傾向にあるという前記ある販売品目と前記他のある販売品目との間の相関ルールが存在するか否かについての相関分析を実行して、ユーザが事前に設定したサポートおよび確実性のしきい値を超えるサポート値及び確実性の値をもつ相関ルールおよび販売品目のセットであって、該販売品目セットに含まれる複数の販売品目が、前記サポートのしきい値を越える頻度で同じ買い物かごに含まれる、前記販売品目のセットである頻繁な販売品目セットを生成するステップと、
   前記分析サーバ内の後処理エンジンが、生成した前記相関ルールおよび前記頻繁な販売品目セットを表示しアーカイブするステップとを含む方法。
2. 前記分析サーバ内の後処理エンジンが、前記生成した相関ルールのリフト値に基づいて、該相関ルールを関心あるルールとみなす処理をするステップをさらに含む請求項１に記載の方法。
3. 前記販売品目の商品情報が、
   各販売品目を識別する識別情報と、
   各販売品目に対応する、その販売品目が取引された店舗、時間、製品ラインその他その販売品目の取引で取得される取引情報と、
   各販売品目に対応する、その販売品目の売上げ、その他その販売品目の財務的指標を表す財務情報と、を含み、
   複数の商品分類レベルの各商品分類要素を、分類のより粗い商品分類レベル、分類のより細かい商品分類レベル又はその両方の商品分類レベルの対応する商品分類要素に結び付ける分類法関係表を用いることにより、前記販売品目を任意の商品分類レベルにより分類して該商品分類レベルの対応する商品分類要素に置き換え、前記商品情報を買い物かご分析のために利用することができるようにした、請求項２に記載の方法。

Images