特開 2022-149951 情報処理装置、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022149951

(43)【公開日】2022-10-07

(54)【発明の名称】情報処理装置、およびプログラム

(51)【国際特許分類】

   G06Q 30/02 20120101AFI20220929BHJP

   G06N 20/00 20190101ALI20220929BHJP

   G06N 5/04 20060101ALI20220929BHJP

【ＦＩ】

G06Q30/02 300

G06N20/00

G06N5/04

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2021052315

(22)【出願日】2021-03-25

(71)【出願人】

【識別番号】000003562

【氏名又は名称】東芝テック株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】大石 正人

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB04

(57)【要約】

【課題】本発明が解決しようとする課題は、施策を実施した効果の有無を容易に判断することが可能な情報処理装置、情報処理方法およびプログラムを提供することである。
【解決手段】実施形態の情報処理装置は、過去データに基づいて機械学習した機械学習モデルを記憶する記憶部と、前記機械学習モデルを使用して実施された施策を、前記施策を実施しないとした説明変数に基づいて推論して前記施策を実行しなかった場合の予測データを出力する出力手段と、出力された前記予測データおよび前記施策を実施した実績データを比較可能に表示させる表示手段と、を備える。
【選択図】図１１

【特許請求の範囲】

【請求項1】

過去データに基づいて機械学習した機械学習モデルを記憶する記憶部と、
前記機械学習モデルを使用して実施された施策を、前記施策を実施しないとした説明変数に基づいて推論して前記施策を実行しなかった場合の予測データを出力する出力手段と、
出力された前記予測データおよび前記施策を実施した実績データを比較可能に表示させる表示手段と、
を備える情報処理装置。

【請求項2】

前記出力手段は、当該施策を実施した説明変数から当該施策の実施に係る情報を削除した説明変数に基づいて推論する、
請求項１に記載の情報処理装置。

【請求項3】

前記実績データは前記施策を実施した売上実績データであり、前記出力手段が出力する予測データは前記施策を実施しない場合の売上予測データである、
請求項１または２に記載の情報処理装置。

【請求項4】

前記表示手段は、前記実績データと前記予測データとを対比して表示させる、
請求項１乃至３のいずれか一に記載の情報処理装置。

【請求項5】

前記実績データと前記予測データとの差異を算出する算出手段、をさらに備え、
前記表示手段は、前記差異を表す差異データを、前記実績データおよび前記予測データとともに比較可能に表示させる。
請求項４に記載の情報処理装置。

【請求項6】

過去データに基づいて機械学習した機械学習モデルを記憶する記憶部を備えた情報処理装置としてのコンピュータを、
前記機械学習モデルを使用して実施された施策を、前記施策を実施しないとした説明変数に基づいて推論して前記施策を実行しなかった場合の予測データを出力する出力手段と、
出力された前記予測データおよび前記施策を実施した実績データを比較可能に表示させる表示手段と、
して機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、情報処理装置、およびプログラムに関する。

【背景技術】

【0002】

従来、例えばスーパーマーケット、量販店、コンビニエンスストア等の店舗において、種々の施策を実施して店舗の売上の向上を図っている。そして、施策を実施した場合の実績データと施策を実施しなかった場合の実績データとを比較することで、例えば、売上、客数、客単価等の向上を確認する。

【0003】

この場合、施策を実施した効果によって売上、客数、客単価等が向上したのか、別の要因（例えば天候、災害、同時に実施していた別施策、店舗の評判、等）によって売上、客数、客単価等が向上したのかの判断が難しかった。

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明が解決しようとする課題は、施策を実施した効果の有無を容易に判断することが可能な情報処理装置、およびプログラムを提供することである。

【課題を解決するための手段】

【0005】

実施形態の情報処理装置は、過去データに基づいて機械学習した機械学習モデルを記憶する記憶部と、前記機械学習モデルを使用して実施された施策を、前記施策を実施しないとした説明変数に基づいて推論して前記施策を実行しなかった場合の予測データを出力する出力手段と、出力された前記予測データおよび前記施策を実施した実績データを比較可能に表示させる表示手段と、を備える。

【図面の簡単な説明】

【0006】

【図1】図１は、実施形態に係る情報処理システムを示す図である。

【図2】図２は、機械学習の仕組みを示す説明図である。

【図3】図３は、情報処理装置のハードウェア構成を示すブロック図である。

【図4】図４は、売上管理部の構成を示すメモリマップである。

【図5】図５は、過去データ部の構成を示すメモリマップである。

【図6】図６は、説明変数部の構成を示すメモリマップである。

【図7】図７は、目的変数部の構成を示すメモリマップである。

【図8】図８は、店舗期待値の算出方法を示す説明図である。

【図9】図９は、情報処理装置の機能構成を示す機能ブロック図である。

【図10】図１０は、情報処理装置における機械学習モデルの選択に係る制御処理の流れを示すフローチャートである。

【図11】図１１は、情報処理装置における予測データの出力に係る制御処理の流れを示すフローチャートである。

【図12】図１２は、表示部への表示例をしめす図である。

【図13】図１３は、売上実績と予測結果の差異を示すグラフである。

【図14】図１４は、売上実績と予測結果の差異の累積を示すグラフである。

【図15】図１５は、クラウドサービスシステムを説明するためのシステム図である。

【発明を実施するための形態】

【0007】

以下、図面を参照して、実施形態について説明する。実施形態では、スーパーマーケット、量販店、コンビニエンスストア等の店舗において、売上予測に使用するための機械学習モデルの選択を行う、例えば本部に設置された本部サーバ（クラウドサーバ）を情報処理装置の一例として説明する。なお、実施形態により本発明が限定的に解釈されない。

【0008】

機械学習とは、経験からの学習により自動的に改善するコンピュータアルゴリズムであって、大量の学習データを使ってパターンを学習し、学習結果を使って未来のデータを予測（推論）する公知の技術である。例えば、商品の購買履歴に関する大量のデータに基づいて人の好みを分析して、興味や関心がありそうな情報をもとに当該人に合った情報を提供する。また、例えば大量の文字等のデータを学習して、人が書いた文字等を推測するＯＣＲに利用する。

【0009】

機械学習を行う機械学習モデルは、通常複数のパターンを有する複数個が用いられ、それぞれの機械学習モデルは、学習手法、または／および、入力される説明変数条件が異なっている。これは、使用する学習手法、説明変数の種類によってそれぞれの機械学習モデルの精度が異なることから、入力されるデータに対して精度が高い機械学習モデルを選択することを可能にするためである。

【0010】

実施形態の本部サーバは、各店舗別に、当該店舗における例えば一日の売上実績データ（実績データ）と、当該一日に係る説明変数（パラメータ）を関連付けて入力データとして、例えば１年間蓄積したこのデータに基づいて機械学習させた機械学習モデルを作成する。過去データとしての売上データに基づいて作成されたのが売上実績に係る機械学習モデルである。本部サーバは、各店舗別に、売上実績以外に、図８で後述する各目的変数別にそれぞれの目標について機械学習をさせた機械学習モデルを作成する。また、実施形態の本部サーバは、当該機械学習モデルを用いて目的変数別のデータを推論する。

【0011】

図１は、実施形態に係る情報処理システムを示す図である。図１に示すように、情報処理システム１０は、本部サーバ１、店舗サーバ３、ＰＯＳ（Point of Sales）端末５等を有する。本部サーバ１と店舗サーバ３は、例えばインターネットや専用回線等のネットワークＮを介して通信可能に接続される。本部サーバ１には、ネットワークＮを介して一または複数の店舗サーバ３が接続される。また、店舗サーバ３とＰＯＳ端末５は、店舗Ｔ内において、例えばＬＡＮ（Local Area Network）等の通信回線Ｌを介して通信可能に接続される。店舗サーバ３には、通信回線Ｌを介して一または複数台のＰＯＳ端末５が接続される。なお、一般的な呼び名としての店舗Ｔを以降「店舗」といい、特定の店舗について例えば「店舗Ａ」という。

【0012】

ＰＯＳ端末５は、店舗で販売される商品の商品登録処理および決済処理を実行する。商品登録処理とは、商品に付されているバーコード等のシンボルを読み取って、当該シンボルに含まれる商品を特定する商品コードに基づいて、当該商品の商品情報（商品名、商品の価格、等）を読み出して、記憶する処理を含む。決済処理とは、商品登録処理した商品についての決済を行う処理を含む。具体的には、商品登録した商品の合計金額を算出し、釣り銭がある場合は釣り銭額を算出し、商品情報、合計金額、釣り銭額等の決済情報を印字したレシートを発行する処理を含む。

【0013】

また、ＰＯＳ端末５は、決済した商品に係る売上情報（商品情報および決済情報を含む）を、逐次または所定のタイミングで店舗サーバ３に送信する処理を行う。

【0014】

店舗サーバ３は、ＰＯＳ端末５が送信した売上情報を受信する。店舗サーバ３は、各ＰＯＳ端末５から受信した売上情報を集計して売上情報部３１に累積的に記憶する。また、店舗サーバ３は、売上情報部３１に記憶した売上情報を定期的（例えば一日に一回）に本部サーバ１に送信する。

【0015】

本部サーバ１は、各店舗サーバ３から受信した売上情報を記憶する。本部サーバ１は、各店舗サーバ３から受信した売上情報を累積的に記憶する。また、本部サーバ１は、受信した売上情報を種々の単位に分類して、種別の情報として記憶する。例えば、本部サーバ１は、売上情報を店舗別に記憶する。また、例えば本部サーバ１は、売上情報を商品別に記憶する。また、例えば本部サーバ１は、売上情報を期間別（年別、月別、週別、日別、時間帯別、曜日別、季節別、等）に記憶する。本部サーバ１は、その他にもいろいろな単位で売上情報を記憶する。

【0016】

また、本部サーバ１は、ネットワークＮを介して店舗に係るキーワード情報を、日毎に取得する。店舗に係るキーワード情報とは、店舗の評判（清潔、接客、距離、品揃え、等）、商品の価格（価格が高め、安め）、イベント（イベントの開催に係る情報）、等に係る口コミ情報である。また、本部サーバ１は、ネットワークＮを介して店舗別の当該店舗に係る気象情報を、日毎に取得する。気象情報とは、天気、気温、湿度、日照時間、風の強さ、降水量、災害の情報、等である。説明変数（すなわちパラメータ）とは、年、月、日、曜日、地域を特定する情報、上記キーワード情報、気象情報、実施した施策の施策情報、等を含む。

【0017】

本部サーバ１は、過去の売上情報に基づいて未来の売上予測をするために、定期的に機械学習を行う。図２は、本部サーバ１における機械学習の仕組みを示す説明図である。図２に示すように、本部サーバ１は、過去データを用いて複数の機械学習モデルを作成（生成）する。実施形態では、モデル１、モデル２、モデル３の３種類の機械学習モデルを作成する。各機械学習モデルは、それぞれ、学習手法、または／および、機械学習モデルの作成に係る説明変数条件が異なっている。具体的には、各機械学習モデルの作成において、天気、気温、実施した施策等の情報を含む毎日異なる説明変数とその日の売上情報を毎日セットにして蓄積する。本部サーバ１は、蓄積された毎日の売上情報と説明変数の情報のセットから機械学習を行うことで、各機械学習モデル別の傾向を示す所定の予測結果（売上予測）を出力することが可能な各機械学習モデルを作成する。そして、本部サーバ１は、作成した機械学習モデルの各々に、当該過去の売上情報に係る売上実績情報等の評価用データを入力することで得られる予測結果（以下、学習結果ともいう）を比較することで、学習結果が最も売上実績情報に近い（すなわち精度が高い）一つの機械学習モデルを選択する。評価用データは、機械学習モデルの作成の際に入力されなかった一部の売上情報である。売上情報のうちの多くは機械学習モデルの作成の際に入力され、売上情報のうちの残りは評価用データとして作成された評価用データに入力される。

【0018】

次に本部サーバ１は、選択した機械学習モデルに対して売上予測をしたいデータに係る過去の説明変数を入力することで、特定の日または未来（例えば本日）の売上を予測させる。

【0019】

次に本部サーバ１は、選択した機械学習モデルに対して例えば先週の同じ曜日の説明変数を入力して推論を行い、本日の売上を予測する。

【0020】

また、本部サーバ１は、機械学習が終了した機械学習モデルを抽出する。そして抽出した機械学習モデルに対して評価用のデータを入力して得た出力結果を評価する。そして、先に選択した機械学習モデルの精度と比較して、精度が高い一つの機械学習モデルを選択する。

【0021】

ここからは、本部サーバ１のハードウェアについて説明する。図３は、本部サーバ１のハードウェア構成を示すブロック図である。図３に示すように、本部サーバ１は、ＣＰＵ（Central Processing Unit）１１、ＲＯＭ（Read Only Memory）１２、ＲＡＭ（Random Access Memory）１３、メモリ部１４等を備えている。ＣＰＵ１１は制御主体となる。ＲＯＭ１２は各種プログラムを記憶する。ＲＡＭ１３はプログラムや各種データを展開する。メモリ部１４は各種プログラムを記憶する。ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、メモリ部１４は、互いにバス１５を介して接続されている。ＣＰＵ１１とＲＯＭ１２とＲＡＭ１３が、制御部１００を構成する。すなわち、制御部１００は、ＣＰＵ１１がＲＯＭ１２やメモリ部１４に記憶されＲＡＭ１３に展開された制御プログラムに従って動作することによって、後述する本部サーバ１の制御処理を実行する。

【0022】

ＲＡＭ１３は、売上管理部１３１を備えている。売上管理部１３１は、各店舗サーバ３から受信した、各店舗における売上情報を累積的に記憶する。売上管理部１３１については図４で後述する。

【0023】

メモリ部１４は、電源を切っても記憶情報が保持されるＨＤＤ（Hard Disc Drive）やフラッシュメモリ等の不揮発性メモリで構成され、本部サーバ１を制御する制御プログラムを記憶する制御プログラム部１４１、モデル記憶部１４２（記憶部）、過去データ部１４３、実績記憶部１４４、差異累積部１４５を有する。モデル記憶部１４２は、機械学習を行い作成された機械学習モデルを記憶する。モデル記憶部１４２は、店舗別の械学習モデルを記憶する。モデル記憶部１４２は、目的変数別の械学習モデルを記憶する。実施形態では、一例として、モデル１、モデル２、モデル３の３種類の機械学習モデルを記憶する。過去データ部１４３は、機械学習モデルの機械学習および評価の際に使用する売上実績データと説明変数を関連付けて記憶する。説明変数は、例えば店舗別の客層のデータ、店舗別の周辺のイベントの情報、日付、曜日、天気、店舗期待値等のデータ、施策の情報、施策の実施の有無の情報である。実績記憶部１４４は、売上管理部１３１に集計されたデータに基づいて、種々の切り口からまとめた店舗別の実績データを記憶する。実績記憶部１４４については図７で後述する。差異累積部１４５は、店舗別の実績データと予測した予測データとの差異を店舗別、日別かつ上記種々の切り口別に記憶する。また、差異累積部１４５は、実績データと予測した予測データとの差異を累積した累積データを記憶する。

【0024】

また、制御部１００は、バス１５およびコントローラ１６を介して、操作部１７、表示部１８と接続している。コントローラ１６は、制御部１００からの指示を受けて、操作部１７、表示部１８を制御する。ただし、説明の都合上、コントローラ１６が行う制御を制御部１００が行うとして説明する。操作部１７は例えばキーボードやタッチパネルであり、本部サーバ１の操作者が操作する。表示部１８は例えば液晶表示器であり、本部サーバ１の操作者に対して情報を表示する。

【0025】

また、制御部１００は、バス１５を介して、通信部１９と接続している。通信部１９は、ネットワークＮを介して、各店舗サーバ３と接続される。

【0026】

ここからは、売上管理部１３１について説明する。売上管理部１３１は、各店舗サーバ３から受信した、各店舗での売上情報を集約して累積的に記憶する。図４は、売上管理部１３１の構成を示すメモリマップである。図４に示すように、売上管理部１３１は、店舗別売上管理部１３１１、商品別売上管理部１３１２、合計売上管理部１３１３等を備える。店舗別売上管理部１３１１は、店舗別の例えば過去の売上データをたとえば一年毎に記憶する。店舗別売上管理部１３１１は、同様に、各店舗別の例えば一月毎、一週間毎、一日毎等の売上情報をそれぞれ記憶する。商品別売上管理部１３１２は、商品別（あるいは商品の分類別）の売上情報を、例えば一年毎、一カ月毎、一週間毎、一日毎等に記憶する。合計売上管理部１３１３は、各店舗サーバ３から受信した売上情報を、例えば一年毎、一カ月毎、一週間毎、一日毎等に記憶する。なお、売上管理部１３１は、その他の切り口でまとめた売上情報を例えば一年毎、一カ月毎、一週間毎、一日毎等に記憶する。

【0027】

ここからは、過去データ部１４３について説明する。過去データ部１４３は、日別の売上情報と、当該日の説明変数とを、店舗別に記憶する。例えば、○月○日の店舗Ａの売上情報を、当日の説明変数と結びつけて記憶する。図５は、過去データ部１４３の構成を示すメモリマップである。図５に示すように、過去データ部１４３は、店舗部１４３１、説明変数部１４３２、目的変数部１４３３を有する。店舗部１４３１は、店舗を特定する店舗コードを記憶する。説明変数部１４３２は、店舗部１４３１に記憶された店舗コードに関連付けて、日別に説明変数を記憶する。目的変数部１４３３は、店舗部１４３１に記憶された店舗コードに関連付けて、日別に当該店舗の目的変数別の売上実績データを記憶する。

【0028】

次に、説明変数部１４３２について説明する。図６は、説明変数部１４３２の代表的な構成を示すメモリマップである。図６に示す説明変数部１４３２は、例えば店舗Ａに対応した説明変数を記憶する。説明変数部１４３２は、店舗別に説明変数を記憶する。図６に示すように、説明変数部１４３２は、年月日部１４３２１、曜日部１４３２２、イベント部１４３２３、日照時間部１４３２４、気温部１４３２５、湿度部１４３２６、店舗期待値部１４３２７、施策Ａ部１４３２８、施策Ｂ部１４３２９、施策Ｃ部１４３３０を有する。なお、説明変数部１４３２は、これ以外にも種々の説明変数を記憶する。

【0029】

年月日部１４３２１は、年月日を記憶する。なお、年月日部１４３２１は、年を記憶する年部、月を記憶する月部、日にちを記憶する日部に分かれていてもよい。曜日部１４３２２は、当該年月日の曜日を記憶する。イベント部１４３２３は、当該年月日に実施されたイベントの情報を記憶する。日照時間部１４３２４は、当該年月日の日照時間を記憶する。気温部１４３２５は、当該年月日の気温（例えば最低気温と最高気温、平均気温）を記憶する。湿度部１４３２６は、当該年月日の湿度（例えば最低湿度と最高湿度、平均湿度）を記憶する。店舗期待値部１４３２７は、当該年月日の当該店舗（例えば店舗Ａ）に対する店舗期待値を記憶する。店舗期待値については、図７で後述する。施策Ａ部１４３２８は、施策Ａの情報、および当該年月日に施策Ａが実施されたか否かの情報を記憶する。施策Ｂ部１４３２９は、施策Ｂの情報、および当該年月日に施策Ｂが実施されたか否かの情報を記憶する。施策Ｃ部１４３３０は、施策Ｃの情報、および当該年月日に施策Ｃが実施されたか否かの情報を記憶する。なお、実施形態では、実施可能な施策として、施策Ａ、施策Ｂ、施策Ｃを例示する。説明変数部１４３２は、店舗別、かつ年月日別にこれらの説明変数を記憶する。

【0030】

次に、目的変数部１４３３について説明する。目的変数部１４３３は、売上管理部１３１に記憶されている売上実績データに基づいて、各目的変数に対応した店舗別の日別の実績データを記憶する。図７は、目的変数部１４３３の構成を示すメモリマップである。目的変数部１４３３は、各店舗について、店舗別に種々の目的変数に係る実績データを日別に記憶する。

【0031】

目的変数部１４３３は、日別売上実績部１４３３１、日別客単価実績部１４３３２、日別レジ通過数実績部１４３３３、日別平均買上点数実績部１４３３４、日別平均買上単価実績部１４３３５、日別来店頻度実績１４３３６、日別会員客数実績部１４３３７を有する。日別売上実績部１４３３１は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の売上実績データを記憶する。日別客単価実績部１４３３２は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の客単価を記憶する。客単価とは、顧客が１回の買物（取引）で支払う金額を記憶する。日別レジ通過数実績部１４３３３は、店舗部１４３１に記憶された店舗コードの店舗に係る日別のＰＯＳ端末５を通過する（ＰＯＳ端末５を利用する）顧客の人数を記憶する。日別平均買上点数実績部１４３３４は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の顧客１人の商品品購入点数を記憶する。日別平均買上単価実績部１４３３５は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の顧客１人が購入する商品の平均単価を記憶する。日別来店頻度実績１４３３６は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の顧客１人当たりの来店頻度を記憶する。日別会員客数実績部１４３３７は、店舗部１４３１に記憶された店舗コードの店舗に係る日別の会員となっている顧客の数を記憶する。目的変数部１４３３の種別が予測データとして予測する項目（目的変数）である。実施形態では、目的変数部１４３３の目的変数に係る店舗別の日別の売上データの予測、店舗別の日別の客単価の予測、店舗別の日別の日別レジ通過数の予測、店舗別の日別の平均買上点数の予測、店舗別の日別の平均買上単価の予測、店舗別の日別の顧客の来店頻度の予測、店舗別の日別の会員客数の予測を行う。

【0032】

ここからは、店舗期待値部１４３２７に記憶される日別の店舗期待値の算出方法について説明する。図８は、店舗期待値の算出方法を示す説明図である。図８に示すように、本部サーバ１は、メモリ部１４内に文言点数設定部７１を備える。文言点数設定部７１には、口コミ等で店舗の評判に係るコメント等で使用される文言のうち、代表的な文言が多数記憶されている。文言点数設定部７１は、文言部７１１、点数部７１２を有する。文言部７１１は、店舗の評判に使用される文言が記憶される。点数部７１２は、各文言に対する重みづけを示す点数を記憶する。店舗の評判への影響力が大きい文言ほど高い重みづけがされた点数が記憶される。

【0033】

実施形態の場合、文言として「安い」「不便」「高い」「便利」のような文言が記憶されている。「安い」「高い」は店舗で販売されている商品の価格に関する評判を示す。「不便」「便利」は、店舗に来るまでの快適さや店舗そのものの利便性に関する評判を示す。そして、「安い」の文言には、＋（プラス）３点の点数が記憶されている。店舗にとって商品が安いとの評判は高く評価されることを示す。また、「便利」の文言には、＋４点の点数が記憶されている。店舗を利用し易いとの評判は、高く評価されることを示す。逆に、「不便」の文言には、－（マイナス）４点の点数が記憶されている。店舗への集客の観点から、不便であることは大きなマイナスとなる。また、「高い」の文言には、－４点の点数が記憶されている。商品が高いとの評判は大きなマイナスとなる。

【0034】

また、本部サーバ１（正確には後述する制御部１００）は、インターネットを通じて店舗の評判について口コミ等で語られるネガティブ・ポジティブ情報を収集する。また、本部サーバ１は、収集したネガティブ・ポジティブ情報に含まれる上記文言の数をカウントして集計する。ＲＡＭ１３は、カウント部７２を備える。カウント部７２は、集計した文言の数を文言別に記憶する。

【0035】

また、ＲＡＭ１３は、日別店舗期待値部７３を備える。本部サーバ１は、カウント部７２に記憶されている文言毎に、当該文言のカウント数に点数部７１２に記憶されている点数を乗算して集計し、店舗期待値として日別店舗期待値部７３に日別に記憶する。日別店舗期待値部７３に記憶されている点数が高いほど、当該日における当該店舗の店舗期待値は高い。日別店舗期待値部７３に記憶されている点数が店舗期待値部１４３２７に記憶される。

【0036】

ここからは、本部サーバ１の機能構成について説明する。図９は、本部サーバ１の機能構成を示す機能ブロック図である。図９に示すように、本部サーバ１の制御部１００は、ＲＯＭ１２やメモリ部１４の制御プログラム部１４１に記憶された制御プログラムに従うことで、出力手段１０１、表示手段１０２、算出手段１０３として機能する。

【0037】

出力手段１０１は、機械学習モデルを使用して実施された施策を、施策を実施しないとした説明変数に基づいて推論して前記施策を実行しなかった場合の予測データを出力する。具体的には、出力手段１０１は、比較しようとしている目的変数に係る説明変数において、実施した施策のうち実施しないとする施策に係るデータを施策を実施しない状態に変更し、当該説明変更を用いて機械学習モデルによって推論された予測データを出力する。例えば、店舗の日別売上実績という目的変数において、実施された施策である施策Ａ、施策Ｂ，施策Ｃのうち、施策Ｃが売上実績にどれだけ寄与したかを判断する場合、当該日における日別売上実績に対応した説明変数において、施策Ｃに関するデータを施策Ｃを実施しない状態（例えば、施策Ｃに関する情報を０にする）にし、当該説明変数を日別売上実績に係る機械学習モデルに入力する。機械学習モデルは、入力された説明変数を用いて推論した結果の予測データを出力する。具体的には、出力手段１０１は、施策Ｃ部１４３３０に記憶されている、施策Ｃが実施されたことを示す情報を、施策Ｃが実施されないことを示す情報に変換する。この場合、出力される予測データは、施策Ｃを実施しないことを前提とした当該日における日別売上実績を予測したデータである。施策Ａを実施しないことを示す情報に変換する場合は、施策Ａ部１４３２８に記憶されている、施策Ａが実施されたことを示す情報を、施策Ａが実施されないことを示す情報に変換する。施策Ｂを実施しないことを示す情報に変換する場合は、施策Ｂ部１４３２９に記憶されている、施策Ｂが実施されたことを示す情報を、施策Ｂが実施されないことを示す情報に変換する。

【0038】

表示手段１０２は、出力された予測データおよび施策を実施した実績データを比較可能に表示させる。具体的には、表示手段１０２は、出力手段１０１が出力した予測データと、当該施策を実施した実績データとを比較可能に表示する。表示手段１０２は、例えば予測データと実績データを同一画面に縦方向に並べて表示させる。

【0039】

また、実績データは施策を実施した店舗での売上実績データであり、出力手段１０１が出力する推論する予測データが施策を実施しない場合の店舗での売上予測データである場合、表示手段１０２は、売上実績データと売上予測データとを比較可能に表示させる。

【0040】

算出手段１０３は、売上実績データと売上予測データとの差異を算出する。また、実績データは施策を実施した店舗での売上実績データであり、出力手段１０１が出力する予測データは施策を実施しない場合の当該店舗での売上予測データである場合、算出手段１０３は、売上実績データと売上予測データとの差異を算出する。上実績データと売上予測データが金額データである場合、算出手段１０３は、差額を算出する。

【0041】

表示手段１０２は、売上実績データと売上予測データとの差異を表す差異データを比較可能に表示させる。

【0042】

ここからは、本部サーバ１の制御について説明する。図１０は、本部サーバ１における機械学習モデルの選択に係る制御処理の流れを示すフローチャートである。図１１は、本部サーバ１における予測データの出力に係る制御処理の流れを示すフローチャートである。

【0043】

図１０に示すように、本部サーバ１の制御部１００は、所定時刻であるかを判断する（Ｓ１１）。所定時刻は、例えば店舗の閉店後の決められた時刻である。所定時刻であると判断した場合には（Ｓ１１のＹｅｓ）、制御部１００は、機械学習モデルを作成しようとする店舗の過去データ部１４３に記憶されている、過去データを入力する（Ｓ１２）。具体的には、制御部１００は、例えば店舗Ａの日別売上に係る機械学習モデルを作成しようとする場合、日別売上に係る説明変数部１４３２に記憶されている説明変数と当該説明変数に対応した日別売上実績データの組み合わせた過去データを、例えば１年分入力する（Ｓ１２）。そして制御部１００は、入力された過去データに基づいて機械学習モデルに、機械学習させる（Ｓ１３）。なお、制御部１００は、複数の機械学習モデルに対し、同じ過去データを入力して機械学習をさせる。そして制御部１００は、Ｓ１１に戻る。

【0044】

また、所定の時刻ではないと判断した場合には（Ｓ１１のＮｏ）、制御部１００は、機械学習モデルにおける機械学習が終了したかを判断する（Ｓ２１）。機械学習が終了したと判断した場合には（Ｓ２１のＹｅｓ）、制御部１００は、評価用のデータを入力して、出力された学習結果を評価する（Ｓ２２）。制御部１００は、評価用のデータの実績データと学習結果とを比較して、実績データに近い学習結果を出力した機械学習モデルを高く評価する。逆に、制御部１００は、実績データと遠い学習結果を出力した機械学習モデルを低く評価する。

【0045】

次に制御部１００は、機械学習モデルが出力した学習結果を比較する（Ｓ２３）。そして、制御部１００は、最も評価が高い一つの機械学習モデルを選択する（Ｓ２４）。そして制御部１００は、処理を終了する。なお、機械学習モデルにおける機械学習が終了していないと判断した場合には（Ｓ２１のＮｏ）、制御部１００はＳ１１に戻る。

【0046】

ここからは、選択した機械学習モデルを使用して行う、予測データの推論の制御について説明する。制御部１００は、一つの機械学習モデルが選択されたかを判断する（Ｓ４１）。選択されるまで待機し（Ｓ４１のＮｏ）、一つの機械学習モデルが選択されたと判断した場合には（Ｓ４１のＹｅｓ）、制御部１００は、当該機械学習モデルに対して予測データを出力するために説明変数が入力されたかを判断する（Ｓ４２）。

【0047】

選択された機械学習モデルを使用してある店舗の未来（例えば本日）の予測データ（例えば売上予測データ）を推論する場合には、例えば本日と同じ先週の同じ曜日や先月の同じ日にちの説明変数を入力する。この場合、機械学習モデルは、本日の売上予測を推論して、売上予測データを出力する。このようにして本日の売上予測を予測する。

【0048】

また、過日（例えば昨日）にある店舗で実施した施策による売上実績（目的変数の一つ）に対する効果の程度（実施した施策が売上に貢献したか否か）を検証する場合には、施策を実施した過去の日にちの説明変数のうちの効果を検証したい施策を実施しない状態（例えば施策を実施しないことを示す数値を入力した説明変数とする）に変更した説明変数を、選択した機械学習モデルに入力する。この場合、機械学習モデルには、過日において、施策を実施しない状態の説明変数が入力される。機械学習モデルは、入力された説明変数に基づいて施策が実施されない状態における推論を行う（Ｓ４３）。そして、出力手段１０１は、推論に基づく売上の予測データを出力する（Ｓ４４）。

【0049】

次に算出手段１０３は、出力された過日の施策を実施しない状態での売上予測データと、目的変数部１４３３（正確には日別売上実績部１４３３１）に記憶されている、過日の売上実績データとを比較して、差異を算出する（Ｓ４５）。そして表示手段１０２は、売上実績データと売上予測データと、差異データとを表示部１８に比較可能に並べて表示させる（Ｓ４６）。

【0050】

図１２は、Ｓ４６において表示手段１０２が表示させた表示例を示す。図１２に示すように、表示手段１０２は、表示部１８に表示画面１８１を表示する。表示画面１８１は、比較する目標変数および比較するデータの日にちを示す表示１８１１、実際には実施したが、実施しないとする施策の施策名の表示１８１２、日別売上実績部１４３３１に記憶されている過日の売上実績データの表示１８１３、施策を実施しないとした説明変数を入力した機械学習モデルが推論して出力した売上予測データの表示１８１４、売上実績データと売上予測データの差異を示す差異データ１８１５を、同一画面に縦に並べて表示する。

【0051】

評価者は、表示された売上実績データの表示１８１３、売上予測データの表示１８１４、差異データの表示１８１５を見て、実施した施策が売上に貢献したかを判断する。売上実績データと売上予測データの差異（すなわち差異データ）が大きい場合、当該施策が売上に貢献したと判断できる。逆に、売上実績データと売上予測データの差異が一定数より小さい場合、当該施策は売上に貢献していないと判断できる。

【0052】

また、制御部１００は、売上実績データ、売上予測データ、差異データを差異累積部１４５に日別に累積的に記憶する。そして表示手段１０２は、図１３に示すように、差異データを差異累積部１４５に記憶されたデータを日別の実績データ（実線で示す）と予測データ（破線で示す）をグラフ化して表示する。このグラフは、横軸を日にち、縦軸を売上げ額とし、施策を実施した実績データと施策を実施しない予測データとに基づく売上の差を長期間視覚化して示すことができる。図１３のグラフによれば、施策を実施した方が施策を実施しないより売上が大きく改善することが分かる。すなわち、施策は売上に大きく貢献していることが分かる。

【0053】

また、表示手段１０２は、図１４に示すように、施策を実施した場合の実績データと実施しなかったとした場合の予測データの差の累積値をグラフ化して表示する。このグラフは、施策を実施した実績データと施策を実施しない予測データとに基づく売上の差がどのくらいの期間にどの程度大きくなっていくかを視覚化して示すことができる。図１４では、横軸を日にち、縦軸を売上げ額とし、施策を実施した場合は、施策を実施しなかった場合に比べて売上げ額の差が広がっていくことを示している。すなわち、図１４のようなデータによれば、施策を継続していくことで、売上に貢献できることを示している。

【0054】

ここからは、上記情報処理システム１０を組み取り入れたクラウドサービスシステムについて説明する。これまでの実施形態は、本部サーバ１が、説明変数やＰＯＳ端末５から収集した売上実績データに基づいて機械学習した機械学習モデルを作成し、使用しているが、人手不足や技術不足等の理由で企業単位ではデータの収集、収集したデータの分析が進まないことがある。そのため、クラウドサービスシステムでは、各企業が収集したデータの分析を一手に行う。そして、企業に対して、新たな企画を提案する（プロモーションを行う）。そして、提案した企画の是非を分析するために、本実施形態の仕組みを利用して検証する。

【0055】

図１５は、クラウドサービスシステムを説明するためのシステム図である。図１５に示すように、クラウドサービスシステムは、クラウドサーバＤＧ、本部サーバ１、ＰＯＳ端末５を備える。クラウドサーバＤＧにはデータベースＤＢが設けられる。本部サーバ１は、ＰＯＳ端末５と店舗サーバ３（図１を参照）を介して接続される。クラウドサーバＤＧは、各企業の本部サーバ１とインターネット回線等で接続され、相互にデータや情報の送受信が可能である。

【0056】

本部サーバ１は、各ＰＯＳ端末５から売り上げ実績データ等の情報を収集する。本部サーバ１は、収集した情報をクラウドサーバＤＧに送信する。クラウドサーバＤＧは、本部サーバ１から受信したデータや情報をデータベースＤＢに収集する。また、クラウドサーバＤＧは、本部サーバ１から受信した顧客データや気象情報をデータベースＤＢに収集する。

【0057】

クラウドサーバＤＧは、収集したデータや情報に基づいて、各企業別の企画を立案し提案する。例えばある企業に対する販売促進企画としてクーポン発行を行う提案する。企業の本部サーバ１は、提案を受けた企画を実施するための具体的施策を立案して、各ＰＯＳ端末５に実行させる。

【0058】

次にクラウドサーバＤＧは、企画が実行されたことによる効果（施策が売上に貢献したか、あるいは、企画が売上に貢献したか、等）を検証する。クラウドサーバＤＧは、この検証に実施形態の本部サーバ１と同様の機能を使用する。そしてクラウドサーバＤＧは、検証結果を可視化して当該企業の本部サーバ１に還元する。具体的には、図１３や図１４のグラフを作成する。クラウドサーバＤＧを含むクラウドサービスシステムは、このようなサービスを企業に提供することで、企業における人で不足や人材不足等の課題を解決することが可能となる。

【0059】

以上説明したように、実施形態の情報処理装置は、過去データに基づいて機械学習した機械学習モデルを記憶するモデル記憶部１４２と、機械学習モデルを使用して実施された施策を、施策を実施しないとした説明変数に基づいて推論して施策を実行しなかった場合の予測データを出力する出力手段１０１と、出力された予測データおよび施策を実施した実績データを比較可能に表示させる表示手段１０２と、を備える。

【0060】

このような実施形態の情報処理装置によれば、施策を実施しない予測データと施策を実施した実績データとの比較ができいるため、施策を実施した効果の有無を容易に判断することが可能となる。

【0061】

以上、本発明の実施形態を説明したが、この実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【0062】

例えば、実施形態では、店舗における日別の売上データを例に予測データを出力するようにした。しかしながらこれに限らず、図７にある項目について、あるいはそれ以外の項目について予測データを出力するようにしてもよい。

【0063】

また、実施形態では、表示部１８に予測データと実績データを表示させるようにした。しかしながらこれに限らず、例えば他の装置や携帯端末等に表示させるようにしてもよい。

【0064】

また、実施形態では、予測データと実績データを縦に並べて一画面に表示せるようにした。しかしながらこれに限らず、予測データと実績データを横に並べることでもよいし、予測データと実績データが同一画面に表示されればどのような表示の仕方でもよい。

【0065】

また、実施形態では、本部サーバ１をクラウドサーバとして説明したが、本部サーバ１はクラウドサーバ以外のサーバであってもよい。

【0066】

また、実施形態では、本部サーバ１を情報処理装置の一例として説明した。しかしながらこれに限らず、例えば店舗サーバ３が情報処理装置であってもよい。

【0067】

なお、実施形態の本部サーバ１で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、フレキシブルディスク（FD）、ＣＤ－Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

【0068】

また、実施形態の本部サーバ１で実行されるプログラムを、インターネット等の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するように構成しても良い。また、実施形態の本部サーバ１で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。

【0069】

また、実施形態の本部サーバ１で実行されるプログラムを、それぞれＲＯＭ等に予め組み込んで提供するように構成してもよい。

【符号の説明】

【0070】

１ 本部サーバ
３ 店舗サーバ
５ ＰＯＳ端末
１０ 情報処理システム
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ メモリ部
３１ 売上情報部
７１ 文言点数設定部
７２ カウント部
７３ 日別店舗期待値部
１００ 制御部
１０１ 出力手段
１０２ 表示手段
１０３ 算出手段
１３１ 売上管理部
１４２ モデル記憶部
１４３ 過去データ部
１４４ 実績記憶部
１４５ 差異累積部
１４３１ 店舗部
１４３２ 説明変数部
１４３３ 目的変数部
１４３２１ 年月日部
１４３２２ 曜日部
１４３２３ イベント部
１４３２４ 日照時間部
１４３２５ 気温部
１４３２６ 湿度部
１４３２７ 店舗期待値部
１４３２８ 施策Ａ部
１４３２９ 施策Ｂ部
１４３３０ 施策Ｃ部
１４３３１ 日別売上実績部
１４３３２ 日別客単価実績部
１４３３３ 日別レジ通過数実績部
１４３３４ 日別平均買上点数実績部
１４３３５ 日別平均買上単価実績部
１４３３６ 日別来店頻度実績
１４３３７ 日別会員客数実績部
ＤＢ データベース
ＤＧ クラウドサーバ

【先行技術文献】

【特許文献】

【0071】

【特許文献1】特開２０１７－２２８０８６号公報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】