IP Force 特許公報掲載プロジェクト 2022.1.31 β版

知財求人 - 知財ポータルサイト「IP Force」

▶ 株式会社J−オイルミルズの特許一覧

特許7118311リピート購買力の予測装置、リピート購買力の予測方法及びその改善方法
(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】
(24)【登録日】2022-08-04
(45)【発行日】2022-08-15
(54)【発明の名称】リピート購買力の予測装置、リピート購買力の予測方法及びその改善方法
(51)【国際特許分類】
   G06Q 30/02 20120101AFI20220805BHJP
   G01N 33/02 20060101ALI20220805BHJP
【FI】
G06Q30/02 310
G01N33/02
【請求項の数】 7
(21)【出願番号】P 2022515802
(86)(22)【出願日】2021-07-05
(86)【国際出願番号】 JP2021025269
(87)【国際公開番号】W WO2022014389
(87)【国際公開日】2022-01-20
【審査請求日】2022-03-09
(31)【優先権主張番号】P 2020121414
(32)【優先日】2020-07-15
(33)【優先権主張国・地域又は機関】JP
【早期審査対象出願】
(73)【特許権者】
【識別番号】302042678
【氏名又は名称】株式会社J-オイルミルズ
(74)【代理人】
【識別番号】110000800
【氏名又は名称】特許業務法人創成国際特許事務所
(72)【発明者】
【氏名】山口 隆司
(72)【発明者】
【氏名】長畑 雄也
(72)【発明者】
【氏名】奈良 淑子
(72)【発明者】
【氏名】武本 大輝
【審査官】安田 勇太
(56)【参考文献】
【文献】特開平10-307808(JP,A)
【文献】平田 順子,Webビジネスの[課題別]AI即効導入術 CASE4 AIでユーザーの行動を予測し、好みにあった提案をする 個々の特性を把握・活用したい,ウェブデザイニング,日本,株式会社マイナビ出版,2018年08月21日,第18巻 第5号,P. 48-51
【文献】人工知能が味覚を解析してお酒を提案する「SENSYソムリエ」、ワイン、日本酒に続き、クラフトビール版リリース,[online],株式会社PR TIMES,2017年07月11日,インターネット<URL:https://prtimes.jp/main/html/rd/p/000000019.000013501.html>,[検索日 2022.05.12]
(58)【調査した分野】(Int.Cl.,DB名)
G06Q 10/00 -99/00
G01N 33/02
(57)【特許請求の範囲】
【請求項1】
消費者が特定の食品を繰り返し購入する、当該食品のリピート購買力を予測する予測装置であって、
少なくとも匂いセンサ、味覚センサ及び食感センサを用いて、前記食品の特性データを取得する特性データ取得部と、
少なくとも前記消費者の年齢層、性別及び家族構成に関連する前記食品の消費者購買データを取得する消費者購買データ取得部と、
前記特性データ取得部で取得された前記特性データと前記消費者購買データ取得部で取得された前記消費者購買データとを用いて、回帰分析により前記食品の前記リピート購買力を予測する予測モデルを作成する予測モデル作成部と、
を備えていることを特徴とする予測装置。
【請求項2】
前記予測モデルは、説明変数として前記特性データと前記消費者購買データに含まれる前記食品の重量及び価格を用い、目的変数として前記消費者購買データに含まれるリピート購入数を用いた回帰分析により得られる評価予測式であることを特徴とする請求項1に記載の予測装置。
【請求項3】
前記味覚センサは、前記食品の酸味、塩味、旨味、甘味、苦味から選ばれる1種以上を取得可能であることを特徴とする請求項1又は2に記載の予測装置。
【請求項4】
前記食感センサは、前記食品の硬さ、付着性、弾力性、ガム性、凝縮性、咀嚼性から選ばれる1種以上を取得可能であることを特徴とする請求項1~3の何れか1項に記載の予測装置。
【請求項5】
前記食品の画像データを取得する画像データ取得部を備え、
前記画像データ取得部で取得された前記画像データを前記予測モデルの作成に用いることを特徴とする請求項1~4の何れか1項に記載の予測装置。
【請求項6】
予測装置により消費者が特定の食品を繰り返し購入する、当該食品のリピート購買力を予測する予測方法であって、
前記予測装置の特性データ取得部により、少なくとも匂いセンサ、味覚センサ及び食感センサを用いて、前記食品の特性データを取得する第1のステップと、
前記予測装置の消費者購買データ取得部により、少なくとも前記消費者の年齢層、性別及び家族構成に関連する前記食品の消費者購買データを取得する第2のステップと、
前記予測装置の予測モデル作成部により、前記第1のステップで取得された前記特性データと、前記第2のステップで取得された前記消費者購買データとを用いて、回帰分析により前記食品の前記リピート購買力を予測する予測モデルを作成する第3のステップと、
を備えていることを特徴とする予測方法。
【請求項7】
前記回帰分析を、単回帰、重回帰、部分最小二乗(PLS)回帰、直交射影部分最小二乗(OPLS)回帰から選ばれる1つで実行することを特徴とする請求項6に記載の予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、消費者が特定の食品を繰り返し購入するリピート購買力を予測する予測装置、当該リピート購買力の予測方法及びその改善方法に関する。
【背景技術】
【0002】
現在、食品市場は飽和傾向にあるため、ある程度ターゲット層を明確にした商品開発が行われている。また、商品が市場に出た後にも、当該商品がどのような年齢層にどの程度購入されるかについての分析調査が行われ、新たな商品開発に役立てられている。
【0003】
例えば、特許文献1は、子供用の食品に対する適切な年齢又は適切な発達段階を予測するための方法が開示されている。本方法は、複数の既知の食品のそれぞれの少なくとも2種のテクスチャ属性を評価して、前記食品のそれぞれの各テクスチャ属性に対する数値を得るステップと、子供が前記食品を消費するのに適切な年齢及び適切な発達段階に従い、前記食品のそれぞれを特徴付けるステップと、前記食品、各既知の食品に対する前記適切な年齢、各既知の食品に対する前記適切な発達段階、及び各既知の食品に対する前記テクスチャの属性数値を含有する情報のコレクションを作成するステップと、適切なソフトウェアを実行するコンピュータを使用して前記情報のコレクションを使用した回帰分析を実施して、新たな食品に対する適切な年齢を予測するステップと、を備えている(特許文献1/段落0004)。
【0004】
特許文献1では、回帰分析を利用して新たな食品に対する適切な年齢を予測するが、食品のテクスチャ属性、すなわち、食品の食感を数値化して評価することが一般的となっている。
【先行技術文献】
【特許文献】
【0005】
【文献】特許第5875701号
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、食品は、食感以外にも見た目や匂い等、様々な要素がある。そのため、これらの要素を分析することで、食品の購入傾向及び購買数を予測することができると考えられる。
【0007】
本発明は、このような事情に鑑みてなされたものであり、消費者が食品を繰り返し購入するリピート購買力を精度良く予測する予測装置を提供することを目的とする。
【課題を解決するための手段】
【0008】
上記目的を達成するため、第1発明は、消費者が特定の食品を繰り返し購入する、当該食品のリピート購買力を予測する予測装置であって、少なくとも匂いセンサ、味覚センサ及び食感センサを用いて、前記食品の特性データを取得する特性データ取得部と、少なくとも前記消費者の年齢層、性別及び家族構成に関連する前記食品の消費者購買データを取得する消費者購買データ取得部と、前記特性データ取得部で取得された前記特性データと前記消費者購買データ取得部で取得された前記消費者購買データとを用いて、回帰分析により前記食品の前記リピート購買力を予測する予測モデルを作成する予測モデル作成部と、を備えていることを特徴とする。
【0009】
本発明の予測装置では、匂いセンサ、味覚センサ及び食感センサが食品の匂い、味覚及び食感を検出すると、特性データ取得部がこれらを特性データとして取得する。また、消費者購買データ取得部は、消費者の年齢層等に関連する当該食品の消費者購買データを取得する。
【0010】
さらに、取得された特性データ及び消費者購買データを用いて回帰分析を行うことで、食品が繰り返し購入される因子の最適な組合せが見つかるので、予測モデル作成部が当該食品のリピート購買力を予測する予測モデルを作成する。これにより、本装置は、新たな食品についてのリピート購買力を精度良く予測することができる。
【0011】
第1発明の予測装置において、前記予測モデルは、説明変数として前記特性データと前記消費者購買データに含まれる前記食品の重量及び価格を用い、目的変数として前記消費者購買データに含まれるリピート購入数を用いた回帰分析により得られる評価予測式であることが好ましい。
【0012】
予測モデル(評価予測式)は、上記説明変数と上記目的変数を用いて回帰分析を行うことにより得られる。新たな食品については、予測モデルに当該食品の各種データを入力することで、リピート購買力を予測することができる。
【0013】
また、第1発明の予測装置において、前記味覚センサは、前記食品の酸味、塩味、旨味、甘味、苦味から選ばれる1種以上を取得可能であることが好ましい。
【0014】
味覚センサにより取得される特性データは、酸味、塩味、旨味、甘味、苦味又はこれらの組合せである。本装置は、これらのデータにより当該食品の特徴を分析して、リピート購買力につながる要素を抽出することができる。
【0015】
また、第1発明の予測装置において、前記食感センサは、前記食品の硬さ、付着性、弾力性、ガム性、凝縮性、咀嚼性から選ばれる1種以上を取得可能であることが好ましい。
【0016】
食感センサにより取得される特性データは、例えば、食品に対して荷重を加えて得られる、硬さ、付着性、弾力性、ガム性、凝縮性、咀嚼性又はこれらの組合せである。本装置は、これらのデータにより当該食品の特徴を分析して、リピート購買力につながる要素を抽出することができる。
【0017】
また、第1発明の予測装置において、前記食品の画像データを取得する画像データ取得部を備え、前記画像データ取得部で取得された前記画像データを前記予測モデルの作成に用いることが好ましい。
【0018】
画像データ取得部で取得された画像データ(例えば、食品の外見、断面、色等)は、予測モデルの作成に用いることができる。これにより、本装置は、リピート購買力をさらに正確に予測可能な予測モデルとすることができる。
【0019】
第2発明は、予測装置により消費者が特定の食品を繰り返し購入する、当該食品のリピート購買力を予測する予測方法であって、前記予測装置の特性データ取得部により、少なくとも匂いセンサ、味覚センサ及び食感センサを用いて、前記食品の特性データを取得する第1のステップと、前記予測装置の消費者購買データ取得部により、少なくとも前記消費者の年齢層、性別及び家族構成に関連する前記食品の消費者購買データを取得する第2のステップと、前記予測装置の予測モデル作成部により、前記第1のステップで取得された前記特性データと、前記第2のステップで取得された前記消費者購買データとを用いて、回帰分析により前記食品の前記リピート購買力を予測する予測モデルを作成する第3のステップと、を備えていることを特徴とする。
【0020】
本発明の予測方法では、予測装置の特性データ取得部により匂いセンサ、味覚センサ及び食感センサを用いて食品の匂い、味覚及び食感を検出し、特性データとして取得する第1のステップを備える。また、消費者購買データ取得部により消費者の年齢層等に関連する当該食品の消費者購買データを取得する第2のステップを備える。
【0021】
さらに、予測モデル作成部により、第1のステップで取得された特性データ及び第2のステップで取得された消費者購買データを用いて回帰分析を行い、当該食品の前記リピート購買力を予測する予測モデルを作成する。これにより、本方法は、新たな食品についてのリピート購買力を精度良く予測することができる。
【0022】
第2発明の予測方法において、前記回帰分析を、単回帰、重回帰、部分最小二乗(PLS)回帰、直交射影部分最小二乗(OPLS)回帰から選ばれる1つで実行することが好ましい。
【0023】
回帰分析は、PLS回帰やOPLS回帰等のうち1つの手法を用いればよく、最適なデータの組合せが得られればよい。
【0024】
第3発明は、上記の予測方法を用いて得られた前記リピート購買力の予測結果に基づいて、前記リピート購買力に影響する因子を調整し、前記リピート購買力の改善を図るリピート購買力の改善方法である。
【0025】
前記予測方法によりリピート購買力を予測した結果が得られると、リピート購買力を弱める原因、強める原因となるデータが判明する。本発明のリピート購買力改善方法は、このような因子を調整(数値の変更等)することで、リピート購買力が高い食品に改良するのに役立てることができる。
【発明の効果】
【0026】
本発明によれば、新たな食品についてもリピート購買力を精度良く予測することができる。
【図面の簡単な説明】
【0027】
図1】実施形態に係る食品のリピート購買力の予測装置1の内部構成を示すブロック図。
図2】食品のリピート購買力の予測方法を説明する概略図。
図3A】第1実施形態に係る食品A(ハンバーグ、7種類)の各種センサによる測定値(購買データ、味覚データ及び食感データ)。
図3B】第1実施形態に係る食品A(ハンバーグ、7種類)の各種センサによる測定値(匂いデータ)。
図4】食品Aの回帰分析によるスコアを説明する図。
図5】リピート購入数の予測値と実測値のグラフ。
図6A】リピート購入数の相関関係を示す図。
図6B】測定項目と相関係数(横軸)の対応表。
図6C】測定項目と相関係数(縦軸)の対応表。
図7】予測モデルによるリピート購入数の改善例。
図8】第2実施形態に係る食品B(市販冷凍唐揚げ、7種類)の各種センサによる測定値(購買データ、味覚データ、食感データ及び匂いデータ)。
図9】食品Bの回帰分析によるスコアを説明する図。
図10】リピート購入数の予測値と実測値のグラフ。
図11A】リピート購入数の相関関係を示す図。
図11B】測定項目と相関係数(横軸,絶対値0.5以上)の対応表。
図12】第2実施形態に係る食品C(市販冷凍炒飯、6種類)のデータ例。
図13】食品Cの回帰分析によるスコアを説明する図。
図14】リピート購入数の予測値と実測値のグラフ。
図15A】リピート購入数の相関関係を示す図。
図15B】測定項目と相関係数(横軸,Top6)の対応表。
図15C】測定項目と相関係数(横軸,Bottom6)の対応表。
【発明を実施するための形態】
【0028】
[第1実施形態]
以下、図1図7を参照して、本発明の第1実施形態に係る、食品A(ハンバーグ)のリピート購買力の予測装置、当該リピート購買力の予測方法及び改善方法について説明する。
【0029】
図1は、実施形態に係るリピート購買力の予測装置1の内部構成を示すブロック図である。予測装置1は、特性データ取得部3と、画像データ取得部5と、消費者購買データ取得部7と、予測モデル作成部9とで構成されている。
【0030】
まず、特性データ取得部3は、匂いセンサ21、味覚センサ23及び食感センサ25と接続されている。各センサが被測定食品(食品A)から検出したデータを取得し、リピート購買力(特に、リピート購入数)を予測する予測モデル作成用のデータに加工する。なお、上記センサ以外に食品の特徴を検出可能なセンサがあれば、採用してもよい。
【0031】
匂いセンサ21は、例えば、匂いに含まれる複数の化学物質に対して異なる吸着特性を有する複数のセンサを備えている。匂いセンサ21は、様々な匂いパターンを認識、識別可能なセンサを用いることができる。このような匂いセンサ21としては、例えば、「ニオイ識別センサー」(商品名、aromabit社製)等を用いることができる。
【0032】
使用方法は特に限定されないが、例えば、前処理として被測定食品をボイリング又は電子レンジで加熱し、室温環境下に約40分間放置する。その後、食品A25gを紙コップに移し、室温環境下で1分毎の10秒間匂い測定を行う方法を採用することができる。
【0033】
また、味覚センサ23は、例えば、溶液中の味覚刺激(酸味、塩味、旨味、甘味、苦味等)に作用する複合成分を複数のセンサによる応答パターンとして取得し、基準試料との比較、或いは官能評価との相関モデルから味覚の数値化を行うセンサを用いることができる。このような味覚センサ23としては、例えば、7個のセンサからなる「電子味覚システムASTREE」(アルファ・モスジャパン社製)等を用いることができる。
【0034】
使用方法は特に限定されないが、例えば、前処理として被測定食品(例えば、100g)を計量し、蒸留水を加え、フードプロセッサで1分間攪拌する。さらに、遠心分離(3000rpm、5分間)を行い、水層部を取り出して濾過した後、10倍に希釈して測定用サンプルを作成する。その後、測定用サンプル25mlに対して、室温環境下で120秒間味覚、測定を行う方法を採用することができる。
【0035】
また、食感センサ25は、例えば、食品の硬さ、弾力性、ガム性等を測定(TPA測定)可能なテクスチャーアナライザーを用いることができる。このような食感センサ25としては、例えば、「テクスチャーアナライザーTA.XT plus」(Stable Micro Analysis社製)等を用いることができる。なお、食品の種類によっては、併せて肉汁放出量を測定してもよい。
【0036】
食感センサ25は、例えば、自動縦型サーボスタンドと呼ばれる装置からなり、上下動する可動部の下方に押圧用のプランジャが取り付けられている。プランジャ下方のステージに食品をセットして、当該プランジャの先端で当該食品を押圧し、荷重データを測定するように構成されている。
【0037】
使用方法は特に限定されないが、例えば、前処理として被測定食品をボイリング又は電子レンジで加熱し、60℃の環境下で約30分間調温する。その後、食品Aの中央部分を直径30mmのセルクルリングを使用して円筒状に抜き出し、濾紙の重量(A)と抜き出した食品の重量(B)を測定する方法を採用することができる。
【0038】
次に、濾紙上に食品Aを乗せ、直径30mmの平板型プランジャを用いて、押し込み速度1.0(mm/s)、ひずみ率60%の2回圧縮試験を行う。なお、第二次圧縮時は第一次圧縮時と同じ位置まで圧縮操作を行う。
【0039】
最後に、測定後の濾紙の重量(C)を測定し、単位重量あたりの肉汁放出量(D)を以下の式により算出する。
D=(C-A)/B ・・・(式1)
【0040】
TPA測定の各パラメータは、次のように定義した。「Hardness(H)」は第一次圧縮時の最大荷重(硬さ)であり、「Cohesiveness(Cо)」は第一ピークの仕事量に対する第二ピークの仕事量の比(凝縮性)である。また、「Springness(S)」は、第一次圧縮時に対する第二次圧縮時の圧縮距離の比(弾力性)である。
【0041】
ガム性「Gumminess(G)」、咀嚼性「Chewiness(Ch)」は、それぞれ下記の式によって算出した。
G=H×Co ・・・(式2)
Ch=H×Co×S ・・・(式3)
さらに、「Resilience(R)」は、第一次圧縮の戻り時の正方向のエネルギーに対する負方向のエネルギーの比である。
【0042】
食品Aに対して、WB(Warner-Bratzler)剪断力価計を用いて、破断時の剪断応力(share force)を測定してもよい。その場合、前処理として食品Aをボイリング又は電子レンジで加熱し、60℃の環境下で約30分間調温する。その後、食品Aの中央部分を幅25mmでカットし、WB Shearing Bladeを用いて、押し込み速度1.0(mm/s)にて完全に破断するまで圧縮する。そして、破断時の最大応力を「Firmness」、破断時のエネルギーを「Toughness」として測定する。
【0043】
画像データ取得部5は、デジタルカメラ、CMOSカメラ等の撮像センサ27と接続されている。撮像センサ27により食品Aの表面状態や断面構造、その色や肉汁の様子が撮像されるが、画像データ取得部5がこれらの画像を取得して予測モデル作成用のデータに加工する。
【0044】
消費者購買データ取得部7は、消費者購買データベース30と接続されている。消費者購買データベース30には、半期から通期の購入者(消費者)あたりの購入数の情報(例えば、マクロミル社やインテージ社のビッグデータであって、約3万人の消費者購買データ)が格納されている。
【0045】
消費者購買データは、消費者の年齢層や性別、家族構成で分類された多数のデータを含んでいる。消費者購買データ取得部7は、これらの情報を予測モデル作成用のデータに加工する。
【0046】
予測モデル作成部9は、上述の特性データ取得部3、画像データ取得部5及び消費者購買データ取得部7から各種データを取得して、回帰分析により新たな食品のリピート購買力を予測する予測モデルデータベース40を作成する。
【0047】
予測モデルデータベース40を用いることで、開発した新商品や試作品に対して特性データを取得すれば、市場投入後の購入者あたりの購入数(リピート購入数)を予測することができる。
【0048】
次に、図2を参照して、第1実施形態のリピート購買力の予測方法を説明する。
【0049】
モデル用食品FM(食品A)を使用して、リピート購買力を予測するための予測モデルM(予測モデルデータベース40)を作成する。まず、匂いセンサ21、味覚センサ23及び食感センサ25により測定したモデル用食品FMの測定データm1が予測装置1の特性データ取得部3で取得される(ステップS01)。
【0050】
例えば、食感センサ25が測定した測定データm1は、モデル用食品FMの荷重データであり、測定データm1から特徴量Pを取得する。特徴量Pは、モデル用食品FMの硬さ(Hardness)、弾力性(Springness)、ガム性(Gumminess)等の特性である。
【0051】
その後、予測装置1により予測モデルMを作成する(ステップS02)。具体的には、予測装置1に当該特徴量P及び(消費者)購買データQが入力されると、予測モデル作成部9により回帰分析が行われ、予測モデルMが作成される。このとき、撮像センサ27による画像データを併せて予測装置1に入力してもよい。作成された予測モデルMは、評価用食品FEのリピート購買力を評価するための評価予測式である。
【0052】
次に、評価用食品FE(新たな食品)に対して、匂いセンサ21、味覚センサ23及び食感センサ25による測定が行われる(ステップS03)。これにより、評価用食品FEを測定した測定データm2が取得される。また、測定データm2から特徴量Sを取得する。
【0053】
その後、予測モデルM(評価予測式)に当該特徴量Sを入力すると、評価用食品FEのリピート購買力が評価される(ステップS04)。これにより、その評価用食品FEのリピート購買力の結果が得られる。
【0054】
図3A図3Bは、モデル用食品FMとして食品A(ハンバーグ)を採用した場合の購買データと、匂いセンサ21、味覚センサ23及び食感センサ25の測定結果(匂いデータ、味覚データ及び食感データ)の一覧表を示している。
【0055】
図3Aにおいて、モデル用食品は異なる食品メーカの7種類のハンバーグa~gである。また、購買データとして、「購入者あたり購入数」、「平均価格」、「重量」、「個数」、「価格/重量」及び「価格/個数」の情報を用いた。なお、「価格/重量」は「平均価格」を「重量」で除した値であり、「価格/個数」は「平均価格」を「個数」で除した値である。
【0056】
味覚センサ23(ASTREE)により、上述した前処理及び測定条件に基づいてハンバーグa~gの味覚を測定した。「AHS(酸味)」、「CTS(塩味)」、「NMS(旨味)」等の合計7種類の味覚データは、ハンバーグa~gの味覚の特徴量(図2の特徴量Pの1つ)であり、それぞれ異なる数値が得られた。
【0057】
また、食感センサ25(TA.XT plus)により、上述した前処理及び測定条件に基づいてハンバーグa~gの食感を測定した。「Hardness(硬さ)」、「Springness(弾力性)」、「Cohesiveness(凝縮性)」等の合計9種類の食感データは、ハンバーグa~gの食感の特徴量(図2の特徴量Pの1つ)であり、それぞれ異なる数値が得られた。
【0058】
また、図3Bに示すように、匂いセンサ21(ニオイ識別センサー)により、上述した前処理及び測定条件に基づいてハンバーグa~gの匂いを測定した。「Q1」~「Q35」(一部省略)の匂いデータは、ハンバーグa~gの匂いの特徴量(図2の特徴量Pの1つ)であり、それぞれ異なる数値が得られた。
【0059】
その後、匂いセンサ21、味覚センサ23及び食感センサ25により測定した特徴量、購買データの重量や価格を説明変数とし、購買データ(図2の勾配データQ)に含まれる購入者あたり購入数(リピート購入数)を目的変数として、回帰分析(OPLSモデル)を実行した。
【0060】
回帰分析は、リピート購入数を向上させる因子の最適な組合せが得られればよく、その手法は特に問わない。予測モデルMの作成には、単回帰、重回帰、部分最小二乗(PLS:Partial Least Square)回帰、直交射影部分最小二乗(OPLS:Orthogonal PLS)回帰等のうち1つの手法を用いる。これにより、市場に出た後のリピート購入数を精度良く予測可能な予測モデルとすることができる。
【0061】
次に、図4図6Cを参照して、回帰分析の結果を説明する。
【0062】
まず、図4に、食品A(A-01~05)の回帰分析(OPLS)のスコアをプロットした座標を示す。図4において、横軸はリピート購入数(購入者あたり購入数)、縦軸は各食品の個性を示す数値である。
【0063】
食品「A-01」はリピート購入数が大きいが(図3A参照)、個性の数値は小さいことが分かる。また、食品「A-02」,「A-03」のグループと、食品「A-04」,「A-05」のグループとの間では、リピート購入数に差異がある。食品「A-02」と食品「A-03」との間、食品「A-04」と食品「A-05」との間では、それぞれリピート購入数がほぼ等しいが個性の数値が互いに異なり、両者を分類することができる。
【0064】
図5は、回帰分析のスコアから算出した、購入者あたり購入数の予測値のグラフを示している。
【0065】
図5において、横軸は購入者あたり購入数の予測値を示し、作成した予測モデルから得られた数値となっている。また、縦軸は、購入者あたり購入数の実測値を示し、図3Aの「購買データ」の数値である。今回、予測モデルから得られた予測値は、実測値とほぼ一致するという結果が得られた。
【0066】
次に、図6A図6Cを参照して、図4の予測軸に対する相関係数について説明する。
【0067】
図6Aにおいて、横軸、縦軸は共に相関係数の座標であり、円は相関係数が1の領域を意味する。図6Bの相関係数は、食品「A-01」と食品「A-04(A-05)」との間の差に関係する相関係数(図4の横軸方向の差)について、17種類の測定項目を抽出したものである。
【0068】
また、図6Cの相関係数は、食品「A-02」と食品「A-03」との間、食品「A-04」と食品「A-05」との間の差に関係する相関係数(図4の縦軸方向の差)について、17種類の測定項目を抽出したものである。
【0069】
例えば、味覚センサ23の測定項目「SCS」は、図6Aの座標において、(X,Y)=(0.90,0.42)にプロットされる。また、匂いセンサ21の測定項目「Q34」は、図6Aの座標において、(X,Y)=(0.87,-0.18)にプロットされる。このように、相関係数を分析していくことで、各項目がリピート購入数、個性にどのように影響するかについての情報を取得することができる。
【0070】
以上の例では、食品Aの画像データ(表面状態、断面構造、肉汁の様子等)を用いないで予測モデルMを作成したが、ハンバーグ、コロッケ等の食品は見た目もリピート購入数に影響を及ぼすと予想される。従って、画像データも含めて予測モデルMを作成することにより、より精度の高い予測モデルMを作成することができる。
【0071】
次に、図7を参照して、作成した予測モデルMを利用して、新たな食品のリピート購買力(リピート購入数)を改善する方法について説明する。
【0072】
今回、購入者あたり購入数が「3.78」のハンバーグa(図3AのID:A-01)のリピート購入数の向上を試みる。このため、まず、購入者あたり購入数との相関関係(絶対値)が高い測定項目を調べる。
【0073】
例えば、図3Aの「購入者あたり購入数」は、ハンバーグa(ID:A-01)、ハンバーグf(ID:A-06)、ハンバーグg(ID:A-07)の数値が高い。しかし、同じ傾向にある項目(正の相関係数)はリピート購入数を向上させる因子を含む項目であり、逆の傾向にある項目(負の相関係数)はリピート購入数を低下させる因子を含む項目といえる。
【0074】
ハンバーグaと、購入者あたり購入数が最も高いハンバーグf(図3A参照)との各測定項目との数値差を調べ、購入者あたり購入数との相関関係が高い図7の7項目の数値を調整する。すなわち、正の相関がある測定項目についてはハンバーグfに近づくように数値を増加させ、負の相関がある測定項目については数値を減少させる。
【0075】
新たな数値を取得した後、再度、予測モデルMを用いて購入者あたり購入数を算出したところ、予測値として「4.78」が得られた。このように、各測定項目が目標とする食品の数値に近づくように改良することで、リピート購入数が改善することができる。
【0076】
[第2実施形態]
以下では、図8図13を参照して、本発明の第2実施形態に係るリピート購買力の予測装置、予測方法の実施形態について説明する。
【0077】
第2実施形態の予測装置1は、第1実施形態と同様、特性データ取得部3と、画像データ取得部5と、消費者購買データ取得部7と、予測モデル作成部9とで構成されている。特性データ取得部3は、少なくとも匂いセンサ21、味覚センサ23及び食感センサ25と接続され、各センサが検出したデータを取得し、リピート購買力を予測する予測モデル作成用のデータに加工する。
【0078】
食品B(市販冷凍唐揚げ)及び食品C(市販冷凍炒飯)のリピート購買力を予測するため、匂いセンサ21としては、「ニオイ識別センサー」(aromabit社製)を用いて被測定食品(食品B、食品C)の匂いを検出する。まず、前処理として被測定食品を説明書に沿って電子レンジで加熱し、室温環境下に約40分間放置する。その後、食品25gを紙コップに移し、室温環境下で1分毎の10秒間匂い測定を行う。
【0079】
また、味覚センサ23としては、「電子味覚システムASTREE」(アルファ・モスジャパン社製)を用いて被測定食品の味覚(酸味、塩味、旨味、甘味、苦味等)を検出する。まず、前処理として被測定食品を説明書に沿って電子レンジで加熱した後、20gを計量し、蒸留水80gを加えてフードプロフェッサーで1分間攪拌する。
【0080】
その後、遠心分離(3000rpm、5分間)を行い、水層部を取り出して濾過した後、10倍に希釈して測定用サンプルを作成する。その後、測定用サンプル25mlに対して、室温環境下で120秒間味覚測定を行う。
【0081】
また、食感センサ25としては、「テクスチャーアナライザーTA.XT plus」(Stable Micro Analysis社製)を用いて食品の食感(硬さ、弾力性、ガム性等)を測定する。
【0082】
食品B(市販冷凍唐揚げ)の場合、前処理として説明書に沿って電子レンジで加熱する。その後、唐揚げの肉部分を15mm×15mm×15mmに切り出し、直径約30mmの平板型プランジャを用いて、押し込み速度1.0(mm/s)、ひずみ率60%の2回圧縮試験を行う。なお、第二次圧縮時は、第一次圧縮時と同じ位置まで圧縮操作を行う。TPA測定の各パラメータは、食品A(ハンバーグ)と同様とした。
【0083】
食品Bに対して、WB(Warner-Bratzler)剪断力価計を用いて、破断時の剪断応力(share force)を測定してもよい。その場合、前処理として食品Bを電子レンジで加熱する。その後、食品Cの中央部分を幅20mmでカットし、上部から20mmの位置で底部を切り落とし、測定用サンプルとする。
【0084】
その後、WB Shearing Bladeを用いて、押し込み速度1.0(mm/s)にて完全に破断するまで圧縮する。そして、破断時の最大応力を「Firmness」、破断時のエネルギーを「Toughness」として測定する。
【0085】
食品C(市販冷凍炒飯)の場合、前処理として説明書に沿って電子レンジで加熱する。その後、炒飯の米粒1つを取り出し、直径約30mmの平板型プランジャを用いて、押し込み速度5.0(mm/s)、ひずみ率60%の2回圧縮試験を行う。なお、第二次圧縮時は、第一次圧縮時と同じ位置まで圧縮操作を行う。TPA測定の各パラメータは、食品A(ハンバーグ)と同様とした。
【0086】
以上により、食品B、食品Cのリピート購買力を予測するための予測モデルMを作成する(図2参照)。上述の匂いセンサ21、味覚センサ23及び食感センサ25が食品B、食品Cを測定した測定結果が予測装置1の特性データ取得部3で取得される。撮像センサ27による画像データを併せて予測装置1に入力してもよい。
【0087】
図8に、上述の測定により得られる、食品B(市販冷凍唐揚げ)の測定データm1の例を示す。
【0088】
食品Bの測定データm1から特徴量Pとして、味覚センサ23による3種類の味覚データ、食感センサ25による3種類の食感データ、及び匂いセンサ21による11種類の匂いデータを選択した。また、購買データQとして4種類の項目を取得した。
【0089】
その後、予測装置1に当該特徴量P及び購買データQが入力されると、予測モデル作成部9により回帰分析が行われ、予測モデルMが作成される(図2参照)。作成された予測モデルMは、食品Bのリピート購買力を評価するための評価予測式である。
【0090】
図9に、食品B(B-01~07)の回帰分析(OPLS)のスコアをプロットした座標を示す。図9において、横軸はリピート購入数(購入者あたり購入数)、縦軸は各食品の個性を示す数値である。
【0091】
リピート購入数については、食品「B-01」,「B-02」が大きいことが分かる。また、食品「B-05」,「B-06」,「B-07」は、リピート購入数はほぼ等しいが、個性の数値が異なっている。
【0092】
図10は、回帰分析のスコアから算出した購入者あたり購入数の予測値のグラフを示している。
【0093】
図10において、横軸は購入者あたり購入数の予測値を示し、作成した予測モデルから得られた数値となっている。また、縦軸は、購入者あたり購入数の実測値を示し、図8の「購買データ」の数値である。ここでも、予測モデルから得られた予測値は、当該実測値とほぼ一致するという結果が得られ、上述の分析によりリピート購入数が予測できることが分かった。
【0094】
次に、図11A図11Bを参照して、図9の予測軸に対する相関係数について説明する。
【0095】
図11Aにおいて、横軸、縦軸は共に相関係数の座標であり、円は相関係数が1の領域を意味する。また、図11Bは、予測軸(横軸)に対する説明変数の相関関係(絶対値が0.5以上)を示している。
【0096】
図11Aにおいて、相関関係が正値の3項目は円の右側の領域に存在し、相関関係が負値の4項目は円の左側の領域に存在する。このように、相関係数を分析していくことで、各項目がリピート購入数にどのように影響するかの情報を取得することができる。
【0097】
次に、図12に、食品C(市販冷凍炒飯)についてのデータ例を示す。
【0098】
食品Cについては、購買データQとして3種類の項目(購入者あたり購入数、100人あたり購入数及び平均価格)を取得した。また、食品A、食品Bと同様に、測定データm1からの特徴量Pとして、味覚センサ23による味覚データ、食感センサ25による食感データ、及び匂いセンサ21の匂いデータを取得した(図示省略)。
【0099】
その後、予測装置1に当該特徴量P及び購買データQが入力されると、予測モデル作成部9により回帰分析が行われ、予測モデルMが作成される(図2参照)。作成された予測モデルMは、食品Cのリピート購買力を評価するための評価予測式である。
【0100】
図13に、食品C(C-01~06)の回帰分析(OPLS)のスコアをプロットした座標を示す。図13において、横軸はリピート購入数(購入者あたり購入数)、縦軸は各食品の個性を示す数値である。
【0101】
リピート購入数は、食品「C-01」が最も大きく、食品「C-06」が最も小さいことが分かる。また、食品「C-03」,「C-04」,「C-05」は、リピート購入数はほぼ等しいが、個性の数値が異なり、それぞれを分類することができる。
【0102】
図14は、回帰分析のスコアから算出した購入者あたり購入数の予測値のグラフを示している。
【0103】
図14において、横軸は購入者あたり購入数の予測値を示し、作成した予測モデルから得られた数値となっている。また、縦軸は、購入者あたり購入数の実測値を示し、図12の「購買データ」の数値である。ここでも、予測モデルから得られた予測値は、当該実測値とほぼ一致するという結果が得られた。
【0104】
最後に、図15A図15Cを参照して、図13の予想軸に対する相関係数について説明する。
【0105】
図15Aにおいて、横軸、縦軸は共に相関係数の座標であり、円は相関係数が1の領域を意味する。図15Bは、予測軸(横軸)に対する説明変数の相関関係(Top6)を示している。“Top6"の項目は、図15Aにおいて、主に円の右側の領域に存在する。
【0106】
また、図15Cは、予測軸(横軸)に対する説明変数の相関関係(Bottom6)を示している。“Bottom6"の項目は、図15Aにおいては、主に円の左側の領域に存在する。このように、相関係数を分析していくことで、各項目がリピート購入数にどのように影響するかの情報を取得することができる。
【0107】
第2実施形態においても、匂いセンサ21、味覚センサ23及び食感センサ25により測定した幾つかの特徴量P、購買データQを説明変数とし、購買データQに含まれる購入者あたり購入数(リピート購入数)を目的変数として、回帰分析(OPLSモデル)を実行する。これにより、予測装置1は、評価用食品FEのリピート購買力を正確に予測することができる。
【0108】
以上のように、様々な食品について、その特徴量と購買データを取得して回帰分析を実行することで、当該食品のリピート購買力を予測することができる。また、新たな食品を開発したとき、上記装置により予測される予測値からリピート購買力に影響を及ぼす因子を抽出し、改善することで、リピート購買力を高めた商品開発を行うことができる。
【符号の説明】
【0109】
1…予測装置、3…特性データ取得部、5…画像データ取得部、7…消費者購買データ取得部、9…予測モデル作成部、21…匂いセンサ、23…味覚センサ、25…食感センサ、27…撮像センサ、30…消費者購買データベース、40…予測モデルデータベース。
図1
図2
図3A
図3B
図4
図5
図6A
図6B
図6C
図7
図8
図9
図10
図11A
図11B
図12
図13
図14
図15A
図15B
図15C