JP6205484B2 - 行動分析装置 - Google Patents

Description

本発明は、店舗等における顧客等の行動を分析する装置に関する。

店舗での売上げ向上施策を検討するためには、顧客等の店内行動を把握することが重要である。

先行技術として、店舗内での顧客の歩行ルートおよび購買行動を解析するシステムが知られている。

特開2003−223548号公報

店舗において新しい価値を顧客に提供するためには、購入目的とはしていなかった商品を店舗で見つけて購入していただく事が必要である。しかし、これまでは店舗における商品の特性や、それを置くべき商品棚の特性を自動的に判別することが難しかったため、効率的な商品の陳列が困難であった。

本願発明の一つの側面は、店舗における、商品棚の前で立ち止った時間である立寄り時間と、商品棚に立寄った人数と該商品棚にある商品を購入した人数の比率である立寄り後購入率とを計測する装置を備えた行動分析装置であって、商品棚毎に来店人数と商品棚に立寄った人数の比率である立寄り率を、店舗全体において平面上に平滑化を行う二次元フィルタを掛ける装置を具備し、立寄り時間が長く、立寄り後購入率が低く、二次元フィルタ処理後の立寄り率が低い商品棚を算出する装置を具備する。
本願発明の他の側面では、店舗における、商品棚の前で立ち止った時間である立寄り時間と、商品棚に立寄った人数と該商品棚にある商品を購入した人数の比率である立寄り後購入率とを計測する装置を備えた行動分析装置であって、商品棚毎に来店人数と商品棚に立寄った人数の比率である立寄り率を、店舗全体において平面的に平滑化を行う装置を具備し、立寄り時間が長く、立寄り後購入率が低く、平滑化後の立寄り率が低い第１の商品棚と、立寄り時間が短く、立寄り後購入率が高く、平滑化後の立寄り率が高い第２の商品棚と、前記第１の商品棚にある商品と前記第２の商品棚にある商品を入れ換えたときの顧客単価向上期待値を算出する装置を具備する。
本発明において、立寄り時間の長短、立寄り後購入率の高低は、商品特性の傾向を示すための指標として用いられる。よって、何らかの基準を設けて判断できればよく、特に制限はない。判断の手法としては、一つまたは複数の所定の閾値を設けて弁別することができる。また、数値化したデータを並び替え、上位または下位から一定の割合を抽出してもよい。立寄り率の高低についても同様である。
本発明のさらに他の側面は、入力装置、出力装置、処理装置、および記憶装置を備えた装置に関する。入力装置は、所定の地理的範囲に入場した顧客が、所定の地理的範囲に滞在する間携帯する携帯用センサからの行動履歴情報を入力する機能を有する。行動履歴情報は、連続的または離散的な時間と場所に関する情報を含む。処理装置は、この行動履歴情報に基づいて、各顧客が地理的範囲の複数の所定の場所に立ち寄ったか否かを当該場所毎に示す、立寄り情報を抽出する。また、処理装置は、複数の所定の場所毎に、入場者総数と所定の場所に立寄った顧客の人数の比率である立寄り率をマッピングし、さらに、当該立寄り率を二次元的に平滑化する。さらに、処理装置は、平滑化された立寄り率のデータを、出力装置に表示するか、あるいは、記憶装置に記憶させるか、あるいはこれらの両方を行う。
本発明のさらに他の側面は、入力装置、出力装置、処理装置、および記憶装置を備えた装置に関する。入力装置は、所定の地理的範囲に入場した顧客が、所定の地理的範囲に滞在する間携帯する携帯用センサからの行動履歴情報を入力する機能を有する。行動履歴情報は、連続的または離散的な時間と場所に関する情報を含む。処理装置は、この行動履歴情報に基づいて、各顧客が複数の所定の場所に立ち寄った立寄り時間の長さをこれらの場所毎に示す、立寄り時間情報を抽出する。入力装置は、各顧客が複数の所定の場所に配置されている商品を購入したかどうかを、これらの場所毎に示す購買情報を入力する。処理装置は、購買情報と行動履歴情報に基づいて、特定の場所に立寄った人数と所定の場所に配置されている商品を購入した人数の比率である立寄り後購入率を計算する。処理装置は、さらに立寄り時間の長さおよび立寄り後購入率に基づいて、複数の所定の場所に配置されている商品をラベル付して分類するか、あるいは、ソートするか、あるいはこれらの両方を行う。

本発明によれば、顧客の行動履歴に基づいて、店舗内の商品の配置を改善するための情報を自動的に習得することができ、店舗において新しい価値を顧客に提供することが可能である。

本発明の行動分析装置の実施方法を示した構成図である。 本発明の行動分析装置により売上げが改善することを説明する概念図である。 目的買いと非目的買いの購入パターンを示した概念図である。 売り場の立寄り率にローパスフィルタを掛けた図である。 立寄り率を計測するデバイスを説明する斜視図である。 売り場の計測を行う手順を示した流れ図である。 計測結果である概要データの一例の表図である。 計測結果である棚別たちより時間の一例の表図である。 計測結果である棚別購入金額の一例の表図である。 計測結果である棚別購入点数の一例の表図である。 分析結果である立寄り後購入率の一例の表図である。 分析結果である平坦化立寄り率の一例の表図である。 分析結果である商品配置リストの一例の表図である。

以下、本発明の実施形態を、図面を参照して説明する。ただし、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。

店舗において新しい価値を顧客に提供するためには、購入目的とはしていなかった商品を店舗で見つけて購入していただく事が必要である。そのためには、顧客が購入を目的とはしていなかった商品を購入した場合の商品を特定することが重要である。しかし、これまでは購入を目的とした目的買いと目的では無かった非目的買いを自動で判定することが困難であった。また、非目的買商品を配置すべき位置を、自動で判定することも困難であった。このため、非目的買い商品を適切な位置に配置することが難しかった。

図１は、本発明の一実施例である店舗内での行動分析を行うシステム構成図である。全体のシステムは、入力装置、出力装置、情報処理装置、記憶装置からなるコンピュータやサーバーで実現することができる。後述する各処理部は、本実施例では、コンピュータで動作するソフトウエアで実行されることを想定しているが、ハードウエアで構成することも可能である。また、後述される各データベースは、記憶装置に格納することができる。

図１で、１０１は顧客ＩＤ毎の基本情報、棚別立寄り時間、棚別購入金額、棚別購入点数などを格納した計測結果データベースである。データの収集方法については図６で後述する。また、計測結果データベース１０１に格納されるデータについては図７で後述する。

１０２は立寄り後購入率分析処理部、１０３は立寄り率分析処理部、１０４は商品配置最適化処理部、１０５は商品の最適配置候補を示す商品配置リストデータベースである。商品配置リストデータベース１０５に格納されるデータについては、図１３で後述する。

まず、立寄り後購入率分析処理部１０２について説明する。立寄り後購入率分析処理部１０２は、立寄り時間データベース１２１、購入金額データベース１２２、比率分析処理１２３、立寄り後購入率分析結果データベース１２４から構成される。
立ち寄り時間データベース１２１に格納されるデータについては、図８で後述する。このデータは来店顧客毎に棚別の立寄り時間を集計したものである。
購入金額データベース１２２に格納されるデータについては、図９で後述する。購入金額１２２は来店顧客毎に棚別の購入金額を集計したものである。購入金額は、商品毎の価格の差を無視したければ購入点数としてもよい。この場合のデータについては図１０で後述する。
比率分析処理１２３は、立寄り時間１２１と購入金額１２２の各々について値の比率または分布を分析し、値が相対的に大きいか小さいかの判定を行う。各々の判定結果は数値化してもよい。
また、比率分析処理１２３は立寄りの後に購入した比率である立寄り後購入率を算出する。立寄り後購入比率は、例えば立ち寄り時間データベース１２１を参照して棚毎に立ち寄った顧客数Ｃ（すなわち、０以外の棚別立寄り時間を有する顧客数）を集計し、購入金額データベース１２２を参照して棚毎に商品を購入した顧客数Ｂ（すなわち、０以外の棚別購入金額を有する顧客数）を集計し、棚毎にＢをＣで除せばよい。棚毎に立ち寄った顧客数Ｃを算出する際、立寄り時間に閾値（例えば３０秒以上）を設けてもよい。
また、これらの判定結果の数値から、特定の棚にある特定の商品が、顧客の立寄り時間が長く、立寄り後購入率が低いものであるか、あるいは、顧客の立寄り時間が短く、立寄り後購入率が高いものであるか、を識別できる数値を計算しておいてもよい。例えば、立寄り時間を立寄り後購入率で除した値を用いると、非目的買商品の傾向を持つ商品は大きな値を持つ。この時、両方の値に適当な係数で重みづけをしてもよい。これらの数値化したデータは、立寄り後購入率分析結果データベース１２４に格納することができる。
判定結果と立寄り後購入率は、立寄り後購入率分析結果１２４に格納する。立寄り後購入率分析結果データベース１２４に格納される、立寄り後購入率のデータ例を図１１に示す。

次に、立寄り率分析処理部１０３について説明する。立寄り率分析処理部１０３は、立寄り率データベース１３１、２次元ローパスフィルタ処理１３２、立寄り率分析結果データベース１３３から構成される。立寄り率１３１は、来店顧客数のうち棚別に立寄った人数の比率である（例えば図１１に示される）。棚別の立寄り率は、商品の特性や棚配置の特性の影響を受ける。商品の特性とは、例えばヒット商品がある棚への立寄り率は高いといったものである。また、棚配置の特性とは、例えば入り口付近の立寄り率が高くなるといったものである。このように立寄り率には様々な要因を受けて棚毎に大きく異なる値が得られる。これらの値を平滑化するのが２次元ローパスフィルタ処理１３２である。本実施例の２次元ローパスフィルタ処理１３２では、一例として数メートル単位の平滑化を行う。これにより、局所的な変動を除去することが可能である。立寄り率分析結果１３３には、平滑化された立寄り率が格納される。平滑化された立寄り率については図１２で後述する。

本実施例では、陳列されている商品の特性の影響を低減した立ち寄り率を、取得あるいは可視化できる。すなわち、本実施例では、店舗の形状、出入口の配置、商品棚配置等、商品特性以外の要因によって定まる立ち寄り率を抽出する。このため、上述のように２次元ローパスフィルタ処理を行っている。２次元ローパスフィルタにより、商品の配置に依存する、局所的な立ち寄り率変動（例えば、人気商品周辺の立ち寄り率が高い）を平滑化することができる。商品特性による立ち寄り率の影響を低減できるということは、商品の配置を入れ替えても、本実施例により得られる立ち寄り率の分布は、あまり影響を受けないということでもある。

ローパスフィルタの特性は、店舗の大きさや形状、商品の特性や陳列方法によって定めればよい。通常のスーパーや雑貨店のように、一種類の商品の配置される範囲が数十センチ〜１メートル幅と仮定すれば、その商品分布が見えなくなるようなフィルター（例えば３〜５メートル）を用いればよい。ただし、あまり分解能を下げると、立ち寄り率の分布が見えなくなるので、店舗の広さ等を考慮して、必要な情報が得られるフィルタ特性とすべきである。

次に、商品配置最適化処理部１０４について説明する。商品配置最適化処理部１０４は、立寄り率が高い場所の算出処理１４１、非目的買い商品の検索処理１４２、商品配置変更候補の算出処理１４３から構成される。
立寄り率が高い場所の算出処理１４１では、平滑化した立寄り率から値が大きい順に並び替えを行う。例えば、後述する図１２に示す平滑化立寄り率の順に棚をソートする。
非目的買い商品の検索処理１４２では、顧客の立寄り時間が長く、立寄り後購入率が低い商品棚を検索する。このために、本実施例では、前述の比率分析処理１２３による判定結果を用いる。数値化された判定結果は、立寄り後購入率分析結果データベース１２４に格納されている。検索のためには、格納された「顧客の立寄り時間が長く、立寄り後購入率が低い」という特性を数値化したデータを、値が大きい順に並び替えを行う。
商品配置変更候補の算出処理１４３では、顧客の立寄り時間が長く、立寄り後購入率が低く、顧客の立寄り率が低い商品棚と、顧客の立寄り時間が短く、立寄り後購入率が高く、顧客の立寄り率が高い商品棚とを算出する。簡単な実現例としては、棚毎に、先に述べた比率分析処理１２３で数値化した商品の特性と、平滑化した立寄り率の逆数の積を演算し、値が大きい順に並び替えを行う。この時、各々の値に重みづけしてもよい。このようにすると、顧客の立寄り時間が長く、立寄り後購入率が低く、顧客の立寄り率が低い商品棚は、大きな値を持つ。

図２にて、上記構成により、売り上げ増加が期待できる理由を説明する。図２は、横軸に顧客の立寄り率、縦軸に立寄り後購入率をとり、商品毎に特性をプロットしたものである。ここで、商品Ａは目的買いが多い商品であり、顧客の立寄り率が高く、立寄り後購入率も高い商品である。一方、商品Ｂは非目的買いが多い商品であり、顧客の立寄り率が低く、立寄り後購入率も低い商品である。この２種類の商品配置を入れ替えた結果が同図の右の図である。商品Ａは、立寄り率の低い場所に移動したものであるが、目的買いが多い商品であるため、顧客の立寄り率はあまり減少しないことを示している。また、立寄り後購入率も大きくは変化しないため、商品Ａの売上げはそれほど変化しない。ここで、立寄り後購入率は商品の特性に依存するため、配置の変更では大きくは変化しないと考える。一方、商品Ｂは立寄り率の高い場所に移動したため、立寄り率は増加する。立寄り後購入率は大きくは変化しないが、立寄り率が増加することにより、商品Ｂの売上げは増加する。このように２種類の商品の配置を入れ替えることで、店舗としての売上げが増加する。

図３を用いて、目的買いが多い商品か、非目的買いが多い商品であるかを判定する方法について説明する。図３は、横軸に顧客の立寄り時間、縦軸に立寄り後購入率を取ったグラフである。ここで、目的買いのパターンとしては、立寄り時間が短く立寄り後購入率が高いことが特徴として挙げられる。典型例としては、買おうとしているものが来店前に決まっている場合であり、店舗では商品購入の決定が早く、購入率が高い。一方、非目的買いのパターンとしては、立寄り時間が長く立寄り後購入率が低いことが特徴として挙げられる。典型例としては、来店前には商品の購入を決めておらず、店舗において商品を見てから購入を決定している場合であり、決定までの時間が長く、購入率も低い。ここでは、目的買いと非目的買いと呼んでいるが、必ずしも目的買いか非目的買いかを正確に当てる必要はない。なぜならば、図２に示した商品の配置交換は、立寄り時間が長く立寄り後購入率が低い商品であれば立寄り率の高い場所に移動することで売り上げ増加が期待できるためである。すなわち、非目的買いであるかどうかは関係なく、購入に迷っている商品は配置を改善することにより売り上げ増加が期待できるということである。別の言い方をすれば、立寄り時間が短く立寄り後購入率が高い場合を目的買い、立寄り時間が長く立寄り後購入率が低い場合を非目的買いと考える。

図４を用いて、立寄り率が高い場所を見つける方法について説明する。図４は、棚毎に立寄り率が高い棚を濃い色で塗り、立寄り率の低い棚を薄い色で塗り分けたフロアマップである。商品棚の立寄り率は商品の特性や店舗内の棚配置の特性の影響を受ける。商品の特性とは、例えば生活必需品への立寄り率は高いといったものである。また、棚配置の特性とは、例えば主動線付近の立寄り率が高くなるといったものである。このように立寄り率には様々な要因を受けて棚毎に大きく異なる値が得られる。このままでは、局所的に商品配置を入れ替えた場合に、商品を移動したことにより立寄り率が変化するため、どこに移動すればよいのかが判定しにくいという問題がある。そこで、２次元ローパスフィルタ処理を施して平面上での平滑化を行う。平滑化した立寄り率が図４の下の図である。平滑化することで立寄り率の高い場所が明確になり、ここでは大きく３箇所あることがわかる。このように平滑化した立寄り率を用いることで局所的に商品配置を変更しても商品移動による立寄り率の変化は小さく抑えることが可能である。
図５を用いて、棚別の立寄り時間を計測する方法について説明する。図５は、赤外線を用いた通信手段により棚の前に立寄った時間を計測する手法である。ここで、５０１は来店した顧客に身に着けていただく動線検出センサデバイス、５０２は赤外線によりIDを送信する赤外線ビーコン、５０３は商品棚である。本実施例では、動線検出センサデバイス５０１は、赤外線センサ、IDの受信機能、メモリ等を備えている。商品棚毎に、異なるIDを送信する赤外線ビーコン５０２を配置することで、動線検出センサデバイス５０１がそのIDを受信し、どの棚に立寄ったか、どのくらいの時間立寄ったかを計測することが可能である。通信手段に赤外線を使用すると、赤外線の指向性が強いため、赤外線の検知の有無により、顧客が商品棚の方向を向いていた時間を測定することが可能となる。この時間を立寄り時間として用いることにより、単に通り過ぎた場合や、商品棚に対面せず別のことをしている時間を除外することができる。このため、商品を購入するのに迷った可能性の高い時間をより正確に計測可能である。計測した結果は、動線検出センサデバイス５０１のメモリに蓄積される。

図６を用いて、データの収集方法について説明する。図６は来店顧客に動線検出センサデバイス５０１を身につけていただき、買い物終了後に回収する手順を示す。まず、最初に動線検出センサデバイス５０１の装着を依頼する。動線検出センサデバイス５０１は、例えば紐で首から下げるような形式である。これは、店頭で来店顧客に調査協力を依頼する。次に、通常の買物をしていただく。ここで、動線検出センサデバイス５０１により店内を移動した動線や滞在状況を計測する。計測したデータは、一時的に動線検出センサデバイス５０１内のメモリに蓄積する。計測したデータの典型例は、店舗内の座標データおよび当該座標に存在した時間を示すデータである。あるいは、店舗内の商品棚番号と顧客が当該商品棚周辺に存在した時間を示すデータでもよい。次に、レジにて動線検出センサデバイス５０１をクレードルに接続し、メモリ内に蓄積した行動データを収集する。一方、レジでは、商品に取り付けられたタグ等から、商品ＩＤと価格のデータ等を含む購入データが収集される。これらのデータを計測結果データベース１０１に蓄積し、行動データと購入データのマッチングを行うことができる。これは、レジの通過時刻を計測する、または、顧客の会員カード番号を控えさせて頂く、あるいはレシート番号を控えさせて頂くなどにより、後でPOSデータと照合することができる。あるいは、あらかじめどの商品棚にどの商品が陳列されているかを示すデータベースを準備しておく。これらにより、棚毎に商品を購入したかどうかを調べることが可能である。最後に、退店時に動線検出センサデバイスを回収する。回収後、センサデバイス内のデータは消去する。

以上の例では、レジにおいて動線検出センサデバイス５０１内のデータをまとめて回収する方法を示した。他の例としては、動線検出センサデバイス５０１に送信機能を持たせ、動線検出センサデバイス５０１が収集した情報をリアルタイムで管理サーバーに送り、送られた情報を計測結果データベース１０１に格納するように構成してもよい。

棚別の立寄り時間を計測する方法としては、赤外線による通信手段に限定するものではなく、RFIDを用いた場所計測、レーザーによる測距、カメラによる画像認識などを用いても良い。

図７は、店舗内行動計測を行った結果の顧客毎の概要データである。このデータは図１の計測結果データベース１０１に格納される。顧客一人に一意の顧客IDが付き、入店時刻、退店時刻、それらの差分である店内滞在時間などのデータが記録される。この他にも、個人の情報として、性別、年齢層などを記録しても良い。また、アンケートを実施してその結果をまとめても良い。

図８は、店舗内行動計測を行った結果の顧客毎の棚別立ち寄り時間のデータである。このデータは図１の立寄り時間データベース１２１に格納される。顧客一人に一意の顧客IDを割り当てる。棚には個別の名前が割り当ててあり、ここでは、「棚１」「棚２」「棚３」...とする。顧客毎に各棚に立寄った時間のデータが記録される。顧客IDが１２３４は、棚６の立寄り時間が長いことが分かる。

図９は、店舗内行動計測を行った結果の顧客毎の棚別購入金額のデータである。このデータは図１の購入金額データベース１２２に格納される。顧客一人に一意の顧客IDを割り当てる。棚には個別の名前が割り当ててあり、ここでは、「棚１」「棚２」「棚３」...とする。顧客毎に各棚で購入した金額のデータが記録される。顧客IDが１２３４は、棚８の購入金額が高いことが分かる。

図１０は、店舗内行動計測を行った結果の顧客毎の棚別購入点数のデータである。このデータは、図９のデータの代わりに、あるいは図９のデータとともに、図１の購入金額データベース１２２に格納される。顧客一人に一意の顧客IDを割り当てる。棚には個別の名前が割り当ててあり、ここでは、「棚１」「棚２」「棚３」...とする。顧客毎に各棚で購入した商品点数のデータが記録される。顧客IDが１２３４は、棚１と棚８で各１点商品を購入したことが分かる。

図１１は、店舗内行動計測を行った分析結果の顧客毎の立寄り率と立寄り後購入率のデータである。このデータは図１の立寄り後購入率分析結果データベース１２４に格納される。棚には個別の名前が割り当ててあり、ここでは、「棚１」「棚２」「棚３」...とする。棚毎に立寄り率と立寄り後購入率のデータが記録される。ここで、立寄り率とは、計測を行った来店顧客のうち棚に立寄った人数を、計測を行った来店顧客の人数で割った値である。また、立寄り後購入率とは、計測を行った来店顧客のうち棚で商品を購入した人数を、計測を行った来店顧客のうち棚に立寄った人数で割った値である。

図１２は、店舗内行動計測を行った分析結果の顧客毎の立寄り率と平滑化立寄り率のデータである。このデータは図１の立寄り率分析結果データベース１３３に格納される。棚には個別の名前が割り当ててあり、ここでは、「棚１」「棚２」「棚３」...とする。棚毎に立寄り率と平滑化立寄り率のデータが記録される。ここで、立寄り率とは、計測を行った来店顧客のうち棚に立寄った人数を、計測を行った来店顧客の人数で割った値である。また、平滑化立寄り率とは、立寄り率を平面的に配置して、２次元フィルタ処理を施した値である。

図１３は、店舗内行動計測を行った分析結果の商品配置リストのデータである。このデータは図１の立寄り商品配置リストデータベース１０５に格納される。商品配置を交換することで売上げ向上が期待できる順に、対象商品、配置換え商品候補、顧客単価向上期待値を示す。ここでは、売上げ向上の期待値を顧客単価で示している。簡単な例としては、商品配置変更候補の算出処理１４３において算出し、値が大きい順に並び替えられたデータを用いる。すでに述べたように、算出処理１４３では、顧客の立寄り時間が長く、立寄り後購入率が低く、顧客の立寄り率が低い商品棚は、大きな値となるように計算を行っている。すなわち、非目的買い商品の可能性が高い商品が、立寄り率が低い商品棚に陳列されている場合が、上位に位置づけられる。図１３において、商品Ａ，Ｂ，Ｃは算出処理１４３で大きな値が得られたケースであり、商品Ｘ，Ｙ，Ｚは小さな値が得られたケースである。ここで例えば、商品Ａと商品Ｘの配置を入れ替えることで顧客単価として１６０円向上が期待できることを表している。ここで、商品Ａは立寄り時間は長いが立寄り後購入率が低く、平滑化後の立寄り率が低い商品であり、商品Ｘは立寄り時間は短いが立寄り後購入率が高く、平滑化後の立寄り率が高い商品である。

ここで、顧客単価向上期待値の求め方を説明する。商品Ａと商品Ｘの配置を入れ替えるものとする。商品Ａの立寄り率が配置換え前の値から、商品Ｘの立寄り率になると仮定する。立寄り後購入率は変化しないと仮定して、商品Ｘの立寄り率と商品Ａの立寄り率の差分に商品Ａの立寄り後購入率を掛けて、さらに商品単価を掛けると顧客単価の向上分が求まる。ここでは、商品Ｘの売上げは変化しないと仮定する。

それぞれの仮定について補足する。まず、商品Ａの立寄り率が配置換え前の値から、商品Ｘの立寄り率になると仮定したが、平滑化後の立寄り率を用いて算出することにより、局所的な商品の入れ替えにより立寄り率が大きく変化することはないため仮定は妥当である。次に、立寄り後購入率は変化しないと仮定したが、立寄り後購入率は商品の特性に依存するところが大きく、商品配置には大きく変化しないため仮定は妥当である。最後に、商品Ｘの売上げは変化しないと仮定したが、商品Ｘは立寄り時間が短く立寄り後購入率が高いため、目的買いが多い商品と推測される。そのため、売上げは商品配置に大きくは依存しないと考えられ仮定は妥当である。
以上のように、図１３のリストを元に商品の配置換えを行うことで店舗の売上げ向上が期待できる。

以上説明したように、目的買いが多い商品は、棚の立寄り率が高くない場所に持っていっても立寄り率、立寄り後購入率とも下がることは少ない。一方、非目的買いの多い商品を棚の立寄り率の高い場所に持っていくと、購買数が増加して売上向上が期待できる。
本実施例によれば、立寄り時間が短く、立寄り後購入率が高い商品は目的買いが多く、一方、立寄り時間が長く、立寄り後購入率が低い商品は非目的買いが多い商品である傾向を発見したことにより、立寄り率の高い場所に商品を配置すべきか、立寄り率の低い場所に商品を配置すべきかを自動で判定することが可能である。
本実施例の行動分析装置によれば、購入目的とはしていなかった商品を店舗で見つけることができ、店舗において新しい価値を顧客に提供することが可能である。
本発明において、商品が陳列されている棚毎の、立寄り時間の長短、立寄り後購入率の大小、平滑化後の立寄り率の大小、の各要素の評価方法あるいは数値化方法は、上記の実施例に限られるものではない。種々の他の統計的手法を使うこともできる。また、各要素に重みづけをすることもできる。要するに、特定の商品棚（場所）に特定の商品が配置されている場合、その商品棚が、立寄り時間は長いが立寄り後購入率が低く、平滑化後の立寄り率が低い商品棚であるか、立寄り時間は短いが立寄り後購入率が高く、平滑化後の立寄り率が高い商品棚であるかの傾向を評価できればよい。

実施例１（図１）では、収集されたデータに基づいて、商品配置変更候補の算出処理までを行う例を示した。
本発明の他の実施例は、図１の構成のうち、計測結果データベース１０１と立寄り率分析処理部１０３を主要部とした、立寄り率分析システムである。図１のその他の構成は省略することも可能である。すなわち、本実施例の立寄り率分析システムは、図４の下部に示される、立寄り率の高いポイントを抽出することができる。この立寄り率は前述のように平滑化されており、商品特性の影響を低減しているため、商品を置く場所を変更しても影響を受けにくい。図４に示す画像を出力装置に表示することにより、経営者は顧客が立寄る可能性が高いポイントを把握することができるので、商品配置の参考にすることができる。

本発明の他の実施例は、図１の構成のうち、計測結果データベース１０１と立寄り後購入率分析処理部１０２、および非目的買い商品の検索処理１４２を主要部とした立寄り後購入率分析システムである。図１のその他の構成は省略することも可能である。すなわち、本実施例の立寄り後購入率分析システムは、立寄り時間データベース１２１と購入金額データベース１２２のデータから、顧客の立寄り時間と立寄り後購入率に基づいて商品特性を分類する。
顧客の立寄り時間が長く、立寄り後購入率が低い商品棚の抽出方法としては、実施例１では傾向を数値化してソートする方法を示した。別の方法としては、立寄り時間および立寄り後購入率に一つまたは複数の閾値を設け、閾値によって商品特性を分類することができる。例えば、立寄り時間が３０秒以下かつ立寄り後購入率が８０％以上の商品は目的買商品とフラグ付する。また、立寄り時間が３分以上かつ立寄り後購入率が３０％以下の商品は非目的買商品とフラグ付する。これらのフラグを商品種別ＩＤと対応付けてデータベース化し、記憶装置に格納しておく。
データベースの内容は随時出力装置で表示できるようにする。表示では、立寄り時間の長さが長くかつ立ち寄り後購入率が低い商品と、立寄り時間の長さが短くかつ立ち寄り後購入率が高い商品とを、識別可能な態様で表示できるようにする。このようにすれば、商品特性が把握できるので、商品の特性に応じて商品棚に配置することができ、売上の向上を図ることができる。
上記の実施例においては、店舗内の商品棚への商品の配置を例にとって説明した。本発明の概念は、これに限らず、例えばショッピングモールや商店街の店舗への、店舗種別の配置にも適用できる。すなわち、ショッピングモール内の店舗等の場合でも、ショッピングモールの構造によって店舗毎に立寄り率の大小があり、各店舗が取り扱う商品の傾向によっては、目的買い商品の傾向が強い（例えば日用品を扱うスーパーマーケット）店舗と、そうでない店舗（例えば土産物屋）があると考えられるからである。
以上の記載において、図面等において示す各構成の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面等に開示された位置、大きさ、形状、範囲などに限定されない。
本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることが可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

店舗における商品の陳列配置や、商店街における店舗の配置の検討に有効な情報を、自動的に提供することができる。

１０１ 計測結果のデータ
１０２ 立寄り後購入率分析の処理
１０３ 立寄り率分析の処理
１０４ 商品配置最適化の処理
１０５ 商品配置リストのデータ
５０１ 動線検出センサデバイス
５０２ 赤外線ビーコン
５０３ 商品棚

Claims (10)

1. 店舗における、商品棚の前で立ち止った時間である立寄り時間と、商品棚に立寄った人数と該商品棚にある商品を購入した人数の比率である立寄り後購入率とを計測する装置を備えた行動分析装置であって、
   商品棚毎に来店人数と当該商品棚に立寄った人数の比率である立寄り率を得、当該得られた立寄り率を店舗全体において平面上に平滑化を行って１メートル以下の局所的な変動を除去する二次元フィルタを掛ける装置を具備し、
   前記立寄り時間が長く、前記立寄り後購入率が低く、前記二次元フィルタ処理後の立寄り率が低い商品棚を算出する装置を具備することを特徴とする行動分析装置。
2. 請求項１記載の行動分析装置であって、
   前記立寄り時間が短く、前記立寄り後購入率が高く、前記二次元フィルタ処理後の立寄り率が高い商品棚を算出する装置を具備することを特徴とする行動分析装置。
3. 請求項１記載の行動分析装置であって、
   前記立寄り時間は、赤外線通信により検知される商品棚の前で立ち止った時間を基に計測されることを特徴とする行動分析装置。
4. 店舗における、商品棚の前で立ち止った時間である立寄り時間と、商品棚に立寄った人数と該商品棚にある商品を購入した人数の比率である立寄り後購入率とを計測する装置を備えた行動分析装置であって、
   商品棚毎に来店人数と商品棚に立寄った人数の比率である立寄り率を得、当該得られた立寄り率を店舗全体において平面的に平滑化を行って１メートル以下の局所的な変動を除去する装置を具備し、
   前記立寄り時間が長く、前記立寄り後購入率が低く、前記平滑化後の立寄り率が低い第１の商品棚と、
   前記立寄り時間が短く、前記立寄り後購入率が高く、前記平滑化後の立寄り率が高い第２の商品棚と、
   前記第１の商品棚にある商品と前記第２の商品棚にある商品を入れ換えたときの顧客単価向上期待値を算出する装置を具備することを特徴とする行動分析装置。
5. 請求項４記載の行動分析装置であって、
   前記立寄り時間は、赤外線通信により検知される商品棚の前で立ち止った時間を基に計測されることを特徴とする行動分析装置。
6. 請求項４記載の行動分析装置であって、
   前記平滑化を行う装置は、二次元ローパスフィルタ処理を行うことで前記立寄り率の分解能を３〜５メートルとすることを特徴とする行動分析装置。
7. 入力装置、出力装置、処理装置、および記憶装置を備えた装置であって、
   前記入力装置は、所定の地理的範囲に入場した顧客が、前記所定の地理的範囲に滞在する間携帯する携帯用センサからの行動履歴情報を入力する機能を有し、
   前記行動履歴情報は、連続的または離散的な時間と場所に関する情報を含み、
   前記処理装置は、前記行動履歴情報に基づいて、前記各顧客が前記地理的範囲の複数の所定の場所に立ち寄ったか否かを当該場所毎に示す、立寄り情報を抽出する機能を有し、
   前記処理装置は、前記複数の所定の場所毎に、入場者総数と前記所定の場所に立寄った顧客の人数の比率である立寄り率をマッピングし、さらに、当該立寄り率を二次元的に平滑化して１メートル以下の局所的な変動を除去する機能を有し、
   前記処理装置は、前記平滑化された立寄り率のデータを、前記出力装置に表示するか、あるいは、前記記憶装置に記憶させるか、あるいはこれらの両方を行うことを特徴とする行動分析装置であって、
   前記立寄り時間の長さおよび前記立寄り後購入率に基づいて、前記立寄り時間の長さが長くかつ前記立ち寄り後購入率が低い商品と、前記立寄り時間の長さが短くかつ前記立ち寄り後購入率が高い商品とを、識別可能な態様で、前記出力装置に表示することを特徴とする行動分析装置。
8. 請求項７記載の行動分析装置であって、
   前記処理装置は、前記行動履歴情報に基づいて、前記各顧客が前記複数の所定の場所に立ち寄った立寄り時間の長さを、当該場所毎に示す立寄り時間情報を抽出する機能を有し、
   前記入力装置は、前記各顧客が前記複数の所定の場所に配置されている商品を購入したかどうかを、当該場所毎に示す購買情報を入力する機能を有し、
   前記処理装置は、上記購買情報と前記行動履歴情報に基づいて、前記所定の場所に立寄った人数と前記所定の場所に配置されている商品を購入した人数の比率である立寄り後購入率を計算する機能を有し、
   前記立寄り時間の長さおよび前記立寄り後購入率に基づいて、前記複数の所定の場所に配置されている商品をラベル付けして分類するか、あるいは、ソートするか、あるいはこれらの両方を行うことを特徴とする行動分析装置。
9. 請求項８記載の行動分析装置であって、
   前記二次元的な平滑化は、二次元ローパスフィルタ処理を行うことで前記立寄り率の分解能を３〜５メートルとすることを特徴とする行動分析装置。
10. 請求項８記載の行動分析装置であって、
    前記複数の所定の場所に赤外線送信機を備えた商品棚が配置され、
    前記携帯用センサは赤外線受信機を備え、
    前記処理装置は、前記携帯用センサを携帯した顧客が前記商品棚に対面し、前記赤外線送信機からの赤外線を前記赤外線受信機が検知したことを示す前記行動履歴情報によって、前記各顧客が前記複数の所定の場所に立ち寄ったか否かを判断し、
    前記処理装置は、前記携帯用センサを携帯した顧客が前記商品棚に対面し、前記赤外線送信機からの赤外線を前記赤外線受信機が検知した時間長さを示す前記行動履歴情報によって、前記各顧客が前記複数の所定の場所に立ち寄った立寄り時間の長さを判断することを特徴とする行動分析装置。

Images