図面 (/)

技術 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

出願人 インターナショナル・ビジネス・マシーンズ・コーポレーション
発明者 ステファノス・マンガナリススティーヴン・ズェラーキース・ハーミズ
出願日 2001年2月13日 (18年5ヶ月経過) 出願番号 2001-034835
公開日 2001年9月7日 (17年10ヶ月経過) 公開番号 2001-243334
状態 特許登録済
技術分野 特定用途計算機
主要キーワード 標準ケーブル 製品品目 広告要素 事業組織 製品識別コード 分析ファイル 製品ダイ リフト値
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2001年9月7日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (12)

課題

広告販売促進イベント(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)をデータの相関分析の要素に入れる、データ・マイニング用の方法およびシステムを提供すること。

解決手段

販売データ広告データ統合され、商品データを広告データと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)を判定することができるようにデータが高度化され、この情報を用いて、買い物かごの中の製品ダイミクスおよび販売に対する広告の影響を追跡することができる。さらに広告されたそれらの品目に対して、使用された広告に関する詳細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、特定の広告の有効性または無効性を判定することができる。

概要

背景

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。

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。

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、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。

特定の相関ルールの重要性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。

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。

概要

広告販売促進イベント(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)をデータの相関分析の要素に入れる、データ・マイニング用の方法およびシステムを提供すること。

販売データ広告データ統合され、商品データを広告データと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)を判定することができるようにデータが高度化され、この情報を用いて、買い物かごの中の製品ダイミクスおよび販売に対する広告の影響を追跡することができる。さらに広告されたそれらの品目に対して、使用された広告に関する詳細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、特定の広告の有効性または無効性を判定することができる。

目的

効果

実績

技術文献被引用数
1件
牽制数
3件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

小売業者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。

請求項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請求項1に記載の方法。

請求項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、請求項2に記載の方法。

請求項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、請求項3に記載の方法。

請求項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、請求項3に記載の方法。

請求項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、請求項5に記載の方法。

請求項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、請求項6に記載の方法。

請求項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。

請求項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、請求項8に記載の方法。

請求項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、請求項9に記載の方法。

技術分野

(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。

背景技術

0001

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

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、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。

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 MinerTM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。

発明が解決しようとする課題

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。

課題を解決するための手段

0012

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

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。販売データ広告データ統合され、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

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」、「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、「GalloMerlot」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 CountyTimes/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。

図面の簡単な説明

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。

--

0053

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53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83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。

0054

102情報入出力装置
104分析サーバ
106データベース・サーバ
108POS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
124POSデータ
126広告/販促データ
130 製品データ

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ