特許 6962888 特徴抽出装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6962888

(24)【登録日】2021年10月18日

(45)【発行日】2021年11月5日

(54)【発明の名称】特徴抽出装置

(51)【国際特許分類】

   G06Q 10/06 20120101AFI20211025BHJP

【ＦＩ】

   G06Q10/06 300

【請求項の数】6

【全頁数】15

(21)【出願番号】特願2018-165867(P2018-165867)

(22)【出願日】2018年9月5日

(65)【公開番号】特開2020-38535(P2020-38535A)

(43)【公開日】2020年3月12日

【審査請求日】2020年2月21日

(73)【特許権者】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110001807

【氏名又は名称】特許業務法人磯野国際特許商標事務所

(72)【発明者】

【氏名】三品 知子

(72)【発明者】

【氏名】徳永 和朗

【審査官】 藤原 拓也

(56)【参考文献】

【文献】 特開２０１７−０９０９８２（ＪＰ，Ａ）

【文献】 特開２０１６−２０６８７８（ＪＰ，Ａ）

【文献】 特開２０１６−１２６６４８（ＪＰ，Ａ）

【文献】 国際公開第２０１５／０４９７９７（ＷＯ，Ａ１）

【文献】 国際公開第２０１７／０７２８６９（ＷＯ，Ａ１）

【文献】 特開２０１６−１１８９７５（ＪＰ，Ａ）

【文献】 特開２０１８−０５５５１９（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１４／０３０４０３３（ＵＳ，Ａ１）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｑ １０／００−９９／００

(57)【特許請求の範囲】

【請求項1】

企業における購入および販売に係るデータを蓄積したデータ連携基盤と、
前記データ連携基盤に蓄積されたデータのうち２つを組み合わせたマトリクス構造を構築して分析する解析エンジンと、
を備え、
前記解析エンジンは、
２つのデータを組み合わせた前記マトリクス構造および重要業績評価指標、需要者の属性であるペルソナを関連付けたニューラルネットワークを構築するネットワーク構造構築部と、
前記ニューラルネットワークから前記重要業績評価指標に寄与する特徴量を推定する特徴量推定部と、
を更に備え、
業務単位ごとに２つのデータを組み合わせた前記マトリクス構造を構築し、前記業務単位ごとにデータと前記重要業績評価指標との関係を分析する、
ことを特徴とする特徴抽出装置。

【請求項2】

前記重要業績評価指標とは、売上高、粗利、純利、出荷数、販売数量、購買点数、購買頻度のうちいずれかである、
ことを特徴とする請求項１に記載の特徴抽出装置。

【請求項3】

前記データ連携基盤は、繋がりのある複数企業間の購入および販売に係るデータを蓄積している、
ことを特徴とする請求項１に記載の特徴抽出装置。

【請求項4】

前記ネットワーク構造構築部は、前記データ連携基盤に保持された定量的データおよび質的データのうち２つを組み合わせて正規化する、
ことを特徴とする請求項１に記載の特徴抽出装置。

【請求項5】

前記特徴量を、当該特徴量を構成する元のデータに変換するデータ解釈部、
を更に備えることを特徴とする請求項４に記載の特徴抽出装置。

【請求項6】

前記ネットワーク構造構築部は、正規化された２つのデータの組合せを画像に変換し、前記画像および前記重要業績評価指標、前記ペルソナを関連付けたニューラルネットワークを構築する、
ことを特徴とする請求項１に記載の特徴抽出装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、データ連携基盤を活用した特徴量抽出装置に関するものである。具体的には、商品の生産から流通、店舗を介して消費者の手に届くまでの工程で取得可能な全てのデータを基に、売上高等である重要業績評価指標（KPI:Key Performance Indicator）を向上する特徴量を抽出し、効率的に業務改善施策をレコメンドできる技術に関する。

【背景技術】

【0002】

スーパー、コンビニエンスストアなどの小売業をはじめとして、原材料メーカからメーカ、卸、小売の繋がりは、一般的にはサプライチェーンの概念で理解されている。

【0003】

図８は、サプライチェーンの概要を示す図である。
サプライチェーンは、原材料メーカ・生産者９０、製品メーカ９１、商社・卸９２、小売９３、消費者９４がそれぞれ繋がって構成される。原材料メーカ・生産者９０は、製品メーカ９１から生産計画を受領し、これに従って調達物流を製品メーカ９１に流す。

【0004】

製品メーカ９１は、商社・卸９２から販売計画を受領し、これに従って商社・卸９２の共配センタへ商品を集約する。矢印で示された「ＳＣＭ（サプライチェーン・マネジメント）の最適化」とは、原材料メーカ・生産者９０から商社・卸９２までの商品の流れを改善することをいう。
商社・卸９２は、小売９３から発注見込みを受領し、これに従って小売９３の店舗に商品を配送する。矢印で示された「店舗／物流業務の効率化」とは、小売９３から製品メーカ９１までの発注の流れと、製品メーカ９１から小売９３までの商品の流れを改善することをいう。
小売９３は、消費者９４の需要・嗜好を察知し、これに従って商品を、例えば消費者９４の戸口に配送するなどして販売する。ここでは、小売９３から消費者９４への配送サービスのレベル向上と、広告やキャンペーンなどに代表される各施策が課題とされる。

【0005】

マーケティングとは、このサプライチェーン全体を改善することである。物流（在庫）情報の連携や業務プロセスの効率化とは、原材料メーカ・生産者９０から小売９３までの商品の流れを効率化することである。

【0006】

現状、このモノやカネの流れは、企業ごとに自社でデータを保有するのみである。よって、小売９３と原材料メーカ・生産者９０とが企業間で連携することや、小売９３のデータを原材料メーカ・生産者９０が保有することは難しい。従って、サプライチェーンという概念はあるものの、サプライチェーン全体の繋がりを実際に統括して業務管理するのは難しい。

【0007】

企業内で調達必要量やマーケティングの実施量などを導出する場合、それぞれ実施したい必要量の性質や分析したい特徴量にあわせるため、それぞれ異なるモデルを作成し、必要量を導出することが多かった。ここでモデル作成の手法としては、例えば商品需要予測ではＡＲＩＭＡ（Autoregressive Integrated Moving Average）モデルが適用されることが多く、マーケティングであれば販売傾向分析が適用されることが多い。

【0008】

或る商品のマーケティングを実施した場合、マーケティングを実施しなかった従前よりも、この商品の販売量が増加すると考えられる。この商品の販売量の増加は、例えばこの商品またはその原材料の発注量の増加を引き起こす。このようにサプライチェーンのいずれかで生じた変化は、それぞれサプライチェーンの全体に関連性を有する。よって、サプライチェーンの変化は、サプライチェーン全体のモデルに即座に反映されることが望ましい。
しかし、現状では、サプライチェーンを構成するそれぞれの企業ごとにモデルを作成しているので、次のモデリングを実施するまで、サプライチェーンの変化が反映されないといった課題があった。

【0009】

そこで、特許文献１に記載されているような発明が発表されている。特許文献１に記載の発明は、様々なビジネスに汎用的に使用できる安価なシステムであって、高度な専門知識を必要とせず、大規模な企業連携型を効率的に最適化することが可能な、企業連携型最適化支援システムである。

【先行技術文献】

【特許文献】

【0010】

【特許文献1】特開２００４−１２７２５９号公報

【発明の概要】

【発明が解決しようとする課題】

【0011】

特許文献１の請求項１には、「製品を顧客へ提供するビジネスにおいて、企業価値を向上するべく、企業連携型の最適化を支援するシステムであって、（１）最適化の対象となる企業連携型に応じて、ビジネスプロセスを記述・設計する手段と、（２）製品及び中間製品の調達・生産・配送・販売の制約条件、リソース及びコストデータを入力する手段と、（３）前記の制約条件、リソース及びコストデータを考慮しながら、前記ビジネスプロセスに基づき『Ｐ１最適化』を実施する手段とを有することを特徴とする、企業連携型最適化支援システム。」と記載されている。

【0012】

しかし、特許文献１の方法では、前後のプロセスを理解するのに時間と工数がかかる。また、人が全ての制約に気付いてその制約式を記述するのは困難である。更に業務の特徴を理解して、制約式を構築するには専門知識が必要であり、システムによる自動化が難しい。

【0013】

そこで、本発明は、人が業務の特徴を理解することなく、漏れなく網羅的なサプライチェーンの分析を可能とすることを課題とする。

【課題を解決するための手段】

【0014】

本発明の特徴抽出装置は、企業における購入および販売に係るデータを蓄積したデータ連携基盤と、前記データ連携基盤に蓄積されたデータのうち２つを組み合わせたマトリクス構造を構築して分析する解析エンジンとを備え、前記解析エンジンは、２つのデータを組み合わせた前記マトリクス構造および重要業績評価指標、需要者の属性であるペルソナを関連付けたニューラルネットワークを構築するネットワーク構造構築部と、前記ニューラルネットワークから前記重要業績評価指標に寄与する特徴量を推定する特徴量推定部と、を更に備え、業務単位ごとに２つのデータを組み合わせた前記マトリクス構造を構築し、前記業務単位ごとにデータと前記重要業績評価指標との関係を分析する。

【0015】

その他の手段については、発明を実施するための形態のなかで説明する。

【発明の効果】

【0016】

本発明によれば、人が業務の特徴を理解することなく、漏れなく網羅的なサプライチェーンの分析が可能となる。

【図面の簡単な説明】

【0017】

【図1】本実施形態における特徴抽出装置の構成例を示す図である。

【図2】特徴抽出装置のハードウェア構成を示す図である。

【図3】特徴抽出装置の処理の一例を示す図である。

【図4】２つの変数を組み合わせて、ヒートマップ画像を作成する動作を示す図である。

【図5】構築されたニューラルネットワークの一例を示す図である。

【図6】構築されたニューラルネットワークを探索して特徴量を発見する方法の一例を示す図である。

【図7】特徴量から元の変数に逆変換する動作の一例を示す図である。

【図8】サプライチェーンの概要を示す図である。

【発明を実施するための形態】

【0018】

以下に本発明の実施形態について、商品の生産から流通、店舗を介して消費者の手に届くまでの工程において、業務改善施策をレコメンデーションした場合を例に、各図を用いて詳細に説明する。

【0019】

図１は、本実施形態における特徴抽出装置１の構成例を示す図である。
本実施形態の特徴抽出装置１は、データ連携基盤２と、解析エンジン装置３と、データ保存部４と、施策考案部５と、外部システムインタフェース部６とを備え、これらを一連に実施するコンピュータである。

【0020】

データ連携基盤２は、商品の生産メーカが仕入れる材料に関するデータから始まり、生産工程、商品卸し、流通、店舗・ＥＣサイトに至る情報を保存する。データ連携基盤２は、繋がりのある企業間でデータを同一基盤に蓄積するので、それらのデータを一元的に取り扱うことを可能としている。

【0021】

データ連携基盤２は、原材料メーカデータ２１、製品メーカデータ２２、商社・卸データ２３、店舗データ２４１、ＥＣ（Electronic Commerce）サイトデータ２４２、消費者データ２５、ＩＳＭ（In-store Merchandising）データ２４６を格納する。データ連携基盤２は更に、販促履歴データ２６３、ＳＮＳ（Social Networking Service）データ２６２、外部データ２６１、顧客管理データ２４３、ＩｏＴデータ２４４、センサデータ２４５、顧客管理データ２４３などを格納する。

【0022】

原材料メーカデータ２１は、製品の原材料の生産量や時期に関する情報である。
製品メーカデータ２２は、各製品の生産量の情報やこれら製品の出荷時期に関する情報であり、仕入れた原材料に基づいている。これら原材料メーカデータ２１や製品メーカデータ２２は、例えは各メーカにおける製造実行システム（ＭＥＳ：Manufacturing Execution System）から取得される。

【0023】

商社・卸データ２３は、生産された製品（商品）の流通量や時期に関する情報である。
店舗データ２４１は、実店舗における購買数、時期に関する情報である。
ＥＣサイトデータ２４２は、ＥＣサイト上における行動履歴に関する情報である。
消費者データ２５は、消費者の行動を把握するために小売業が保有する情報であり、例えばＥＣサイトへのアクセス履歴におけるページビュー数やネット回遊履歴などである。また顧客管理データ２４３は、ＣＲＭ（Customer Relationship Management）から取得されるサプライチェーンでつながる企業の一つ下、またはそれ以下の下流側の商品購買情報、マーケティング情報である。顧客管理データ２４３は、小売業にとっての消費者の情報である。

【0024】

ＩＳＭデータ２４６は、店舗内の陳列・配置情報であり、例えば棚の数や照明、ＰＯＰ（Point of Purchase advertising）の有無、入り口からの距離等をいう。販促履歴データ２６３は、原材料メーカや製品メーカや商社・卸や小売業によるサプライチェーン下流側への販売促進（キャンペーン）に関する履歴情報である。ＳＮＳデータ２６２は、ＳＮＳによって発信された書き込み情報や集計情報である。外部データ２６１は、気象情報、ＧＰＳ（Global Positioning System）やメッシュによる位置情報、競合店の存在情報、曜日情報やイベント情報などである。ＩｏＴデータ２４４とは、人流センサ等を用いた消費者の動線や商品棚への接触行動の情報や、温度センサ等を用いた店舗や外の気温情報、湿度センサを用いた店舗や外の湿度情報、その他花粉量、風速、雨量等をセンサで検知した情報である。センサデータ２４５は、ウェアラブルセンサを用いた店舗内のスタッフや消費者の行動データであり、歩数、行動推定、活性度等が含まれる。

【0025】

それぞれの業務ごと、データ収集単位ごとのデータを、以下「グループ」と呼び、その構成されるデータ項目を、以下「変数」と呼ぶ。例えば製粉メーカや製乳メーカなどの複数企業が菓子の原材料を提供する場合、これら複数企業は、原材料メーカという同じグループに属する。また、メーカから卸Ａを介して卸Ｂに流れ、小売店に繋がる多段階卸の場合、これら卸Ａと卸Ｂとは、同じ役割であり卸という同じグループに属する。本実施形態の解析エンジン装置３の処理は、グループ単位に実施される。また、業務単位である１グループごとに、ペルソナが設定される。

【0026】

解析エンジン装置３は、データ前処理部３１と、ネットワーク構造構築部３２と、特徴量推定部３３と、商品レコメンド計画部３４と、データ解釈部３５とを備える。
データ前処理部３１は、データ連携基盤２に含まれる各種データの前処理を行って特徴量を生成する。

【0027】

ネットワーク構造構築部３２は、ペルソナと、データ前処理部３１が生成した各特徴量と、重要業績評価指標とを関係付けるネットワーク構造を、ディープラーニング技術により構築する。ペルソナとは、ユーザ情報（属性）や、サービス・商品の典型的なユーザ像である。重要業績評価指標とは、売上高や粗利や純利や出荷数や販売数量や購買点数や購買頻度のうちいずれかである。

【0028】

特徴量推定部３３は、ネットワーク構造構築部３２が構築したネットワーク構造に基づき、重要業績評価指標の向上に寄与する特徴量を推定する。特徴量推定部３３は、入力層から人の理解可能な中間層を介して出力層までの因果関係を推定する。
商品レコメンド計画部３４は、特徴量推定部３３が推定した特徴量に基づき、重要業績評価指標の向上に寄与する商品を推薦する。

【0029】

データ解釈部３５は、特徴量推定部３３が推定した特徴量を、人が解釈しやすい形に逆変換する。小売業のマーケティング担当者や商品メーカのマーケティング担当者、商品開発者は、データ解釈部３５が逆変換した各種データからペルソナごとの因子の変化をとらえる。更に、各担当者や開発者は、ペルソナによる中間層の傾向変化を意味づけて理解することが可能となる。

【0030】

データ保存部４は、データ前処理部３１が生成した特徴量である前処理済み画像７２，７４，７６や、ペルソナの各属性を含むペルソナデータ４１や、重要業績評価指標データ４２などを保存する。
施策考案部５は、特徴量推定部３３が推定した特徴量（正規化されている）から、重要業績評価指標を更に向上させるのに最適な２つの変数の組合せを算出して、これを施策として考案する
外部システムインタフェース部６は、外部システムと連携するためのインタフェースである。外部システムインタフェース部６は、解析エンジン装置３で計画した販売促進施策を、外部システムへ配信して連携するためのインタフェースである。

【0031】

本実施形態の特徴抽出装置１は、データ連携基盤２を活用して、性質の異なるモデル間であっても、各モデルの傾向変化を互いにとらえて補正する。特徴抽出装置１の解析エンジン装置３は、複雑なそれぞれの要素や特徴量を、その成分である因子に分解して、ペルソナおよび重要業績評価指標との関係を推定する。これにより、施策考案部５は、重要業績評価指標を向上させるための施策を考案することができる。更に小売業のマーケティング担当者や商品メーカのマーケティング担当者、商品開発者は、特徴抽出装置１によって、購買者の特徴を抽出して商品レコメンド施策の検討や商品開発の参考とすることができる。ここで購買者とは、一般消費者のことであり、小売業側からみるとユーザ、会員等を意味する。

【0032】

例えば、小売業のマーケティング担当者は、自部門自事業のデータのみならず、製造、流通に関わるといったデータを、データ連携基盤２を活用して収集する。このマーケティング担当者は更に、この解析エンジン装置３により、業種を横断した新たな特徴量を発見し、新たな観点で販売促進施策を検討できる。業種を横断した新たな特徴量により、従来では発見できなかった購買者の嗜好を把握することができるので、担当者は効率的な販売促進施策（例えば、商品の推薦、クーポン券の配布、商品の適切な流通施策）を可能とし、よって重要業績評価指標（ＫＰＩ）を向上させることができる。

【0033】

図２は、特徴抽出装置１のハードウェア構成を示す図である。
特徴抽出装置１は、ＣＰＵ（Central Processing Unit）１１、ＲＯＭ（Read Only Memory）１２、ＲＡＭ（Random Access Memory）１３、補助記憶装置１４、通信装置１５、表示装置１６、入力装置１７、メディア読取装置１８を備える。

【0034】

ＣＰＵ１１は、各種演算処理を実行するユニットである。ＣＰＵ１１は、例えば、補助記憶装置１４に格納された解析エンジンプログラム１４１をＲＡＭ１３に読み出して実行することにより、解析エンジン装置３を具現化する。
この解析エンジンプログラム１４１は、例えば、通信ネットワーク上のコンピュータにダウンロード可能な状態で格納し、ＢＤ（Blu-ray Disk）等の可搬性を有する記憶媒体に格納して流通させることができる。また、解析エンジンプログラム１４１は、通信装置１５またはメディア読取装置１８を介して、特徴抽出装置１にインストールすることができる。

【0035】

ＲＯＭ１２は、特徴抽出装置１の起動プログラム等を格納する記憶装置である。ＲＡＭ１３は、ＣＰＵ１１により実行されるプログラムや、プログラムの実行に使われるデータ等を格納する記憶装置である。

【0036】

補助記憶装置１４は、例えば、ＨＤＤ（Hard Disk Drive）、フラッシュＲＯＭ等を用いたＳＳＤ（Solid State Drive）等の記憶装置であり、解析エンジンプログラム１４１を記憶する。
通信装置１５は、外部のコンピュータやデバイスと通信を行う装置である。
表示装置１６は、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electro Luminescence）等の装置である。
入力装置１７は、例えば、キーボードやそれに類する装置、マウス、タッチパネル、マイクロフォン等の装置である。
メディア読取装置１８は、例えば、ＢＤ等の可搬性を有する記録媒体に対して情報を読み書きする装置である。

【0037】

特徴抽出装置１が解析エンジン装置３として機能する場合、データ前処理部３１のデータ保存領域は、ＲＡＭ１３または補助記憶装置１４により実現される。また、データ前処理部３１のデータ保存領域の一部または全部は、例えば、通信装置１５を介して接続される通信ネットワーク上のストレージ等に実現してもよい。
各機能部（データ保存部４、解析エンジン装置３、外部システムインタフェース部６）は、例えば、ＣＰＵ１１、ＲＡＭ１３および補助記憶装置１４の少なくとも一方により実現される。すなわち、各機能部の処理は、例えば、ＣＰＵ１１が補助記憶装置１４に記憶されている解析エンジンプログラム１４１をＲＡＭ１３にロードして実行することで実現できる。なお、解析エンジン装置３は、複数のコンピュータが連携することで実現されてもよい。

【0038】

図３は、解析エンジン装置３の処理の一例を示すフローチャートである。
図３に示す処理は、例えば、小売業のマーケティング担当者が指示したタイミング、例えば、周期的または所定スケジュールに従って実行されてもよく、商品メーカのマーケティング担当者・商品開発者が商品開発したタイミングで実行されてもよい。

【0039】

まず、解析エンジン装置３のデータ前処理部３１は、データ連携基盤２から分析に必要なデータを取得する（Ｓ１０）。例えば、データ前処理部３１は、各メーカにおける製造実行システムから生産、出荷、在庫などの計画、実績情報を取得し、それぞれ原材料メーカデータ２１や製品メーカデータ２２とする。次に、データ前処理部３１は、流通におけるサプライチェーン・マネジメントから工場、物流倉庫における在庫、流通計画などの情報を取得して商社・卸データ２３とする。

【0040】

また、データ前処理部３１は、顧客管理としてＣＲＭ（Customer Relationship Management）から商品購買情報、マーケティング情報などを取得し、顧客管理データ２４３とする。データ前処理部３１は、ＥＣサイトへのアクセス履歴からページビュー数、ネット回遊履歴などを取得し、消費者データ２５とする。

【0041】

次にデータ前処理部３１は、データ連携基盤２上の各業務から、集計キーとなるキーワードを決定し、各業務に保存されているデータを主キーごとに集計する（Ｓ１１）。この場合の集計単位は、例えば１週間や１ヶ月などの単位、それ以外に任意の周期、または任意のスケジュール単位などのうち、いずれでもよい。

【0042】

データ前処理部３１は、ステップＳ１２からＳ１６までのループを、変数の組合せだけ繰り返す。
最初、データ前処理部３１は、例えば業種ごとに生成した分割テーブル２４１ｄから、任意の２つの変数を組み合わせる（Ｓ１３）。
次に、データ前処理部３１は、各業種の全ての変数を２つ組み合わせた変数マトリクスを可視化したヒートマップ画像を作成する（Ｓ１４）。

【0043】

図４は、メーカへの発注量に係る全変数のうち２つを組み合わせて、ヒートマップ画像を作成する動作を示す図である。
図４に示すように、ここでは変数＃１（７１ａ）と変数＃４（７１ｄ）とを組み合わせてヒートマップを作成している。変数＃１（７１ａ）と変数＃４（７１ｄ）とは、データ連携基盤２に保持された定量的データおよび質的データのうち２つの組合せである。組み合わせた２つの変数は、０．０から１．０までに正規化されてヒートマップ化され、前処理済み画像７２ｂ，７２ｃ，…が作成される。前処理済み画像７２ｂ，７２ｃ，…は、業務単位ごとに２つのデータを組み合わせたマトリクス構造である。
以下、各前処理済み画像７２ｂ，７２ｃ，…を区別しないときには、単に前処理済み画像７２と記載する。ここで、メーカへの発注量に係るＮ個の変数があった場合、_ｎＣ_２通りの前処理済み画像７２が作成されることになる。

【0044】

このように、特徴抽出装置１は、２つの変数の組合せを正規化したヒートマップ画像を作成しているので、画像の類似度を判定する既存のニューラルネットワークのライブラリを流用することができる。更に、このようなニューラルネットワークでヒートマップ画像を学習することにより、重要業績評価指標（ＫＰＩ）の向上と共に発火（活性化）する画像を容易に特定可能である。

【0045】

再び図３に戻り、ステップＳ１５以降の処理を説明する。データ前処理部３１は、メーカへの発注量に係る全変数のうち２つを組み合わせた前処理済み画像７２と、卸への発注量に係る全変数のうち２つを組み合わせた前処理済み画像７４と、小売での購買量に係る全変数のうち２つを組み合わせた前処理済み画像７６を作成し、データ保存部４に保存する（Ｓ１５）。ステップＳ１６において、データ前処理部３１は、全ての業種において全変数のうち２つの組合せを繰り返したならば、このループ処理を終了し、ステップＳ１７の処理に進む。

【0046】

ネットワーク構造構築部３２は、ペルソナ８０と、前処理済み画像７２，７４，７６と、重要業績評価指標８４を用いて、ニューラルネットワーク８を構築する（Ｓ１７）。この際、入力データは、例えば購買者の属性情報であるペルソナ８０とし、出力データは、その購買者に対する売上高や出荷数等の重要業績評価指標８４とする。

【0047】

図５は、構築されたニューラルネットワーク８の一例を示す図である。
ニューラルネットワーク８は、ペルソナ８０と、メーカへの発注量８１と、卸への発注量８２と、小売での購買量８３によって構成されたネットワークである。ペルソナ８０は、消費者の属性を示す各要素を備える。例えば性別、年齢、職業、収入、趣味などである。これらの各要素は、メーカへの発注量８１を構成する前処理済み画像７２ａ〜７２ｄなどと相互に部分的なネットワークを構成する。また、メーカへの発注量８１と、卸への発注量８２と、小売での購買量８３は、それぞれニューラルネットワーク８の層を構成する。

【0048】

ペルソナ８０の各要素は、部分的なネットワークの入力層のニューロンに結び付けられる。前処理済み画像７２ａ〜７２ｄなどは、部分的なネットワークの出力層のニューロンに結び付けられる。入力層と出力層の間には隠れ層があり、その前の層が持つ値で演算した結果を格納する。そして、隠れ層のニューロンが入力層と出力層との関係を学習することで、これらペルソナ８０の各要素を入力として前処理済み画像７２ａ〜７２ｄなどを出力する部分的なネットワークを得ることができる。

【0049】

ここで部分的なネットワークの各ノードは、前の層の各ノードからの影響を示す重みと、前の層のノードに影響しない定数であるバイアスとを有している。このネットワークを学習させる際、ネットワーク構造構築部３２は、各ノードの重みとバイアスを初期化して、入力データから各層の値を計算し、出力層の計算値と前処理済み画像７２ａ〜７２ｄとの乖離を示す損失関数を計算して、この損失関数に対する各層の重みとバイアスの偏微分を計算する。そして、入力ごとの損失関数に対する偏微分から、全体損失に対する偏微分を計算しつつ、最急降下法を用いて重みとバイアスとを修正する。これにより、ペルソナ８０の各要素を入力層に与えたときに、前処理済み画像７２ａ〜７２ｄを出力する部分的なネットワークを得ることができる。

【0050】

同様に、メーカへの発注量８１を構成する前処理済み画像７２ａ〜７２ｄなどは、卸への発注量８２を構成する前処理済み画像７４ａ〜７４ｅなどと相互に部分的なネットワークを構成する。メーカへの発注量８１を構成する前処理済み画像７２ａ〜７２ｄなどは、この部分的なネットワークの入力層のニューロンに結び付けられる。前処理済み画像７４ａ〜７４ｅなどは、この部分的なネットワークの出力層のニューロンに結び付けられる。入力層と出力層の間には隠れ層があり、その前の層が持つ値で演算した結果を格納する。そして、隠れ層のニューロンが入力層と出力層との関係を学習することで、これら前処理済み画像７２ａ〜７２ｄなどを入力として前処理済み画像７４ａ〜７４ｅを出力する部分的なネットワークを得ることができる。

【0051】

卸への発注量８２を構成する前処理済み画像７４ａ〜７４ｅなどは、小売での購買量８３を構成する前処理済み画像７６ａ〜７６ｅなどと相互に部分的なネットワークを構成する。卸への発注量８２を構成する前処理済み画像７４ａ〜７４ｅなどは、この部分的なネットワークの入力層のニューロンに結び付けられる。前処理済み画像７６ａ〜７６ｅなどは、この部分的なネットワークの出力層のニューロンに結び付けられる。入力層と出力層の間には隠れ層があり、その前の層が持つ値で演算した結果を格納する。そして、隠れ層のニューロンが入力層と出力層との関係を学習することで、これら前処理済み画像７４ａ〜７４ｅなどを入力として前処理済み画像７６ａ〜７６ｅを出力する部分的なネットワークを得ることができる。

【0052】

小売での購買量８３を構成する前処理済み画像７６ａ〜７６ｅなどは、重要業績評価指標８４との間で相互に部分的なネットワークを構成する。小売での購買量８３を構成する前処理済み画像７６ａ〜７６ｅなどは、この部分的なネットワークの入力層のニューロンに結び付けられる。重要業績評価指標８４は、この部分的なネットワークの出力層のニューロンに結び付けられる。入力層と出力層の間には隠れ層があり、その前の層が持つ値で演算した結果を格納する。そして、隠れ層のニューロンが入力層と出力層との関係を学習することで、これら前処理済み画像７６ａ〜７６ｅなどを入力として重要業績評価指標８４を出力する部分的なネットワークを得ることができる。

【0053】

ニューラルネットワーク８は、ノードの全てがいずれかの層に属し、全てのノードは隣接する層のノードとの間にのみ接続を持つ順伝播型のニューラルネットワークである。つまり、ニューラルネットワーク８は、一層どうしの接続や、層をまたいだ接続を有していない。これにより、逆伝播法によって特徴量を求めることができる。

【0054】

ステップＳ１８において、特徴量推定部３３は、ニューラルネットワーク８の構造を、逆伝播法などの技術を用いて、重要業績評価指標（ＫＰＩ）が向上する際に発火（活性化）する特徴量と状態とそのネットワーク関係を発見し、これら特徴量をデータ保存部４に保存する。

【0055】

図６は、構築されたニューラルネットワーク８を探索して特徴量を発見する方法の一例を示す図である。
ここで特徴量推定部３３は、重要業績評価指標（ＫＰＩ）が向上する際に発火する特徴量が、前処理済み画像７６ａであると推定する。その判定された前処理済み画像７６ａのニューロンを発火させる前段のニューロンが、前処理済み画像７４ｃであると推定する。前処理済み画像７４ｃのニューロンを発火させる前段のニューロンが、前処理済み画像７２ｂであると推定する。

【0056】

ここで、誤差逆伝播法について説明する。ニューラルネットワーク８において、重要業績評価指標を向上させるための特徴量を推定する際、特徴量推定部３３は、ニューラルネットワーク８に学習のためのサンプルを与える。次に特徴量推定部３３は、ニューラルネットワーク８が出力する重要業績評価指標を求めて、このニューラルネットワーク８の出力層における誤差を求める。特徴量推定部３３は、その誤差を用い、各ニューロンについての誤差を計算する。つまり、特徴量推定部３３は、個々のニューロンの期待される出力値と倍率を計算し、要求された出力と実際の出力の差を計算して局所誤差とする。

【0057】

特徴量推定部３３は、この局所誤差が小さくなるように各ニューロンの重みを調整する。そして、より大きな重みで接続された前段のニューロンには、局所誤差の責任があると判定する。つまり、局所誤差の責任があると判定された前段のニューロンは、重要業績評価指標の変化に寄与する特徴量である。特徴量推定部３３は、そのように判定された前段のニューロンの更に前段のニューロン群について同様の処理を行う。

【0058】

重要業績評価指標（ＫＰＩ）と前処理済み画像７６ａ〜７６ｅなどとの間には、実際には複数の隠れ層が存在するが、これら隠れ層についての特徴量を順番に推定することにより、前処理済み画像７６ａ〜７６ｅのうちいずれが重要業績評価指標（ＫＰＩ）に寄与する特徴量であるかを算出可能である。

【0059】

図３に戻り、説明を続ける。ステップＳ１９において、商品レコメンド計画部３４は、特徴量推定部３３が推定した特徴量に基づく商品のレコメンドを作成し、外部システムインタフェース部６などを介して外部に報知する。
ステップＳ２０において、データ解釈部３５は、抽出した特徴量を解釈するために、正規化された変数の組合せを元のデータに逆変換する。これにより、人が施策立案する上で理解し易くなり、好適な目標数値や属性を立案することができる。

【0060】

図７は、特徴量から元の変数に逆変換する動作の一例を示す図である。
図７に示す前処理済み画像７２ｂは、変数＃１（７１ａ）と変数＃４（７１ｄ）とを組み合わせて作成されたヒートマップである。組み合わせた２つの変数は、０．０から１．０までに正規化されているので、これを逆変換して元の変数＃１（７１ａ）と変数＃４（７１ｄ）を得る。

【0061】

図３に戻り説明を続ける。ステップＳ２１において、施策考案部５は、解釈した特徴量をデータ連携基盤２のデータと紐付けて重要業績評価指標（ＫＰＩ）を向上する施策を考案する。例えば、特徴量推定部３３は、前処理済み画像の領域を分割してニューロンとし、各ニューロンについて重要業績評価指標（ＫＰＩ）の局所誤差が小さくなるように重みを調整する。そして、そして、より大きな重みで接続された前段の前処理済み画像の領域には、局所誤差の責任があると判定する。つまり、局所誤差の責任があると判定された前処理済み画像の領域は、重要業績評価指標の変化に寄与する特徴量である。施策考案部５は、このように推定された前処理済み画像の領域の変化を、施策として考案する。

【0062】

ステップＳ２２において、サプライチェーンに係わる人々は、施策考案部５が考案した施策を業務にフィードバックする。このようにして、サプライチェーンに係わる人々は、特徴抽出装置１を利用して、業務のＰＤＣＡ（Plan,Do,Check,Action）サイクルを効率的に運用することを可能とする。

【0063】

《本実施形態の効果》
本実施形態の特徴抽出装置１によれば、商品の生産から流通、店舗を介して消費者の手に届くまでの全ての工程を考慮して、重要業績評価指標（ＫＰＩ）を変化させるための特徴量を発見し、重要業績評価指標（ＫＰＩ）を向上する施策を立案することが可能となる。

【0064】

また、業界の業務特徴を理解せずとも機械的に分析が可能となり、専門知識を必要とせずにビジネスプロセスを構築できるようになる。また、これまで人では発見することのできなかった特徴量を明らかにし、かつ隠れた前後プロセスの関係性を把握することができ、効果的な施策を実現可能とする。

【0065】

（変形例）
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。例えば上記した実施形態は、本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。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、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も可能である。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・置換をすることも可能である。

【0066】

上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路などのハードウェアで実現してもよい。上記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈して実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリ、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、フラッシュメモリカード、ＤＶＤ（Digital Versatile Disk）などの記録媒体に置くことができる。
各実施形態に於いて、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には、殆ど全ての構成が相互に接続されていると考えてもよい。

【0067】

本発明の変形例として、例えば、次の（ａ）〜（ｆ）のようなものがある。
（ａ） 本発明の特徴抽出装置は、クラウド（データセンタ）上のサーバで構成されてもよく、更にオンプレミス（自社保有）のサーバで構成されてもよく、限定されない。
（ｂ） ニューラルネットワークを構成する各ニューロンは、２つの変数で構成されるヒートマップ画像に限定されず、各変数そのものであってもよい。
（ｃ） 本発明は、繋がりのある複数企業間のサプライチェーンに限定されない。単一の企業における購入および販売に係るデータを分析して、重要業績評価指標（ＫＰＩ）を向上する施策を考案してもよい。この場合、ペルソナは最終消費者ではなく、その企業の需要者となる。
（ｄ） データ連携基盤２に格納されるデータは、図１に示したものに限定されず、これ以外のデータを格納してもよい。
（ｅ） 特徴量を求める方法は、誤差逆伝播法に限られず、任意の方法を用いてもよい。
（ｆ） マトリクス構造は２次元画像に限定されず、３次元以上の多次元のオブジェクトであってもよい。例えば、マトリクス構造を３次元物体とすることで、３次元物体を取り扱う既存のニューラルネットワークのライブラリを流用可能である。

【符号の説明】

【0068】

１ 特徴抽出装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 補助記憶装置
１４１ 解析エンジンプログラム
１５ 通信装置
１６ 表示装置
１７ 入力装置
１８ メディア読取装置
２ データ連携基盤
２１ 原材料メーカデータ
２２ 製品メーカデータ
２３ 商社・卸データ
２４１ 店舗データ
２４２ ＥＣサイトデータ
２４３ 顧客管理データ
２４４ ＩｏＴデータ
２４５ センサデータ
２４６ ＩＳＭデータ
２５ 消費者データ
２６１ 外部データ
２６２ ＳＮＳデータ
２６３ 販促履歴データ
３ 解析エンジン装置 （解析エンジン）
３１ データ前処理部
３２ ネットワーク構造構築部
３３ 特徴量推定部
３４ 商品レコメンド計画部
３５ データ解釈部
４ データ保存部
４１ ペルソナデータ
４２ 重要業績評価指標データ
５ 施策考案部
６ 外部システムインタフェース部
７１ａ 変数＃１
７１ｄ 変数＃４
７２，７２ａ〜７２ｄ 前処理済み画像 （マトリクス構造）
７４，７４ａ〜７４ｅ 前処理済み画像 （マトリクス構造）
７６，７６ａ〜７６ｅ 前処理済み画像 （マトリクス構造）
８ ニューラルネットワーク
８０ ペルソナ
８１ メーカへの発注量
８２ 卸への発注量
８３ 小売での購買量
８４ 重要業績評価指標
９０ 原材料メーカ・生産者
９１ 製品メーカ
９２ 商社・卸
９３ 小売
９４ 消費者

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】