JP2000357204A - 消費者の財政的挙動の予測モデル化方法及びシステム - Google Patents

Abstract

(57)【要約】 （修正有） 【課題】消費者の財政的挙動の予測モデル化方法および
装置を提供する。 【解決手段】小売業者用の共起に基づいた小売業者セグ
メントを、取引データから導き出す。小売業者ベクトル
は、小売業者の共起のの大小によって表される。小売業
者ベクトルを、クラスタ化し、小売業者セグメントの購
入分析をする。セグメント毎に、過去の消費者取引デー
タを使用して、予測モデルを作る。小売業者セグメント
予測モデルは、消費者による消費支出実績に基づいて、
各小売業者セグメント内での消費支出を予測する。消費
者プロファイルが、セグメント内とセグメント全体にわ
たっての各消費者の消費支出の統計量を示す。メンバシ
ップ関数によって関連付けられたセグメントの消費者の
分析によって、セグメント内での予測消費支出または消
費者の識別と、セグメントと小売業者の販売促進オファ
ーの目標設定を行うこととが可能になる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、一般的に消費者の
財政的挙動の分析に関し、さらに特に、消費者の将来の
消費支出挙動を正確に予測するために消費者の財政的挙
動の履歴を分析することに関し、さらに特に、明確に識
別されたデータ駆動型の産業セグメントにおける将来の
消費支出に関する。

【０００２】

【発明の背景】小売業者、広告業者、および、様々な他
の機関が、消費者の消費支出習慣を理解することに強い
関心を持っている。こうした企業は、消費者がどのよう
に金銭を消費支出するかを知るために、消費者の興味の
対象を識別し類別するために夥しいリソースを投資して
いる。個々の消費者の興味の対象を確かめることが可能
ならば、こうした興味の対象に関係した広告と販売促進
とが、広告される製品またはサービスの購入のような肯
定的な消費者の反応を得ることに成功する可能性が一層
高くなるだろう。

【０００３】一般的に、消費者の興味の対象を確かめる
ための従来の手段は、消費者の収入、年齢、居住場所、
職業等のような、消費者に関する人口統計学的情報を収
集することと、様々な人口統計学的カテゴリを興味の対
象と小売り業者の様々なカテゴリに関連付けることとに
依存している。興味対象の情報が、調査、刊行物購読契
約リスト、製品保証カード、および、様々な他のソース
から収集されてよい。その次に、複雑なデータ処理がデ
ータソースに対して加えられ、その結果として、多数の
消費者の各々に関する特定の興味ある人口統計学的記述
が得られる。

【０００４】消費者の挙動を理解するためのこのアプロ
ーチは、的はずれであるである場合が多い。このタイプ
のアプローチの最終的な目的は、認めようと認めまいと
に関わらず、将来における消費者の消費支出を予測する
ことである。消費者の購読契約リストや人口統計学的特
性のようなことがらによって表現される消費者自身の興
味に基づいて、消費者が金銭を支出するということが想
定されている。しかし、一般的には、興味対象の調査の
基礎となるデータが、消費者の実際の消費支出パターン
に間接的に関係付けられているにすぎない。例えば、大
半の出版物はその読者層の人口統計学的モデルを開発し
ており、その出版物の読者層の特定の人口統計に関心を
もつ他者に対して販売用の購読契約リストを提供してい
る。しかし、特定の出版物に対する購読契約は、将来に
おける消費者の消費支出パターンが何であるかを示す指
標としてはかなり不十分である。

【０００５】購読契約リストと保証登録カード等の組合
せのような多数の様々なデータソースを考慮に入れたと
しても、得られるものは、依然として、消費者に関する
互いに無関係なデータの不完全な集まりであるにすぎな
い。こうした従来のアプローチにおける問題点の１つ
が、消費支出パターンが時間基準であるということであ
る。すなわち、消費者は、一般的に時間に関係した仕方
で自分が興味を抱く小売業者において金銭を支出する。
例えば、ビジネス旅行客である消費者が、１回のビジネ
ス旅行中に、旅客機チケットと乗用車レンタルとホテル
宿泊とレストランと娯楽とのすべてに関して金銭を支出
する。こうした購入は全体として、そのいずれか１つの
購入だけに比較して、消費者の真の興味対象と選好とを
より明確に示す。さらに、消費者分析の従来のアプロー
チは、こうした購入を個別的にかつ時間に無関係に取り
扱うことが一般的である。

【０００６】従来のアプローチに関するさらに別の問題
点が、購入の類別が、ＳＩＣコードのような小売業者と
商業とにおける標準化された産業分類法を基準とするこ
とが多いということである。この分類セットは全く恣意
的であり、実際の消費者挙動には殆ど無関係である。消
費者は、小売業者のＳＩＣコードに基づいてどの小売業
者から購入するかを決定するわけではない。したがっ
て、消費者の財政的挙動を予測するために恣意的な分類
を使用することは、消費者の消費支出の実際のデータに
関しては殆ど無意味なので、予測に関して失敗をもたら
すことになる。

【０００７】第３の問題点は、異なる消費者グループが
互いに異なった形で金銭を支出するということである。
例えば、高級品の小売店を頻繁に訪れる消費者は、バー
ゲン買い物客である消費者とは全く異なった消費支出習
慣を有する。この問題に対処するために、大半のシステ
ムは、実際には、非常に限定された事前定義済みのタイ
プの消費者に排他的に焦点を当て、こうした消費者の興
味対象またはタイプが既知であると仮定し、この消費者
に興味を抱かせる広告または販売促進であると考えられ
るものをこの消費者を目標として提示する。しかし、こ
のアプローチは、本質的に、諺にあるように「馬の前に
荷車を繋ぐ」ことに等しい。すなわち、このアプローチ
は、特定の消費者グループの興味の対象および消費支出
パターンを憶測しているのであって、実際の消費支出デ
ータからこうした興味の対象および消費支出パターンを
発見することを怠っている。したがって、このアプロー
チは、憶測によって想定された消費者グループが実際に
存在するかどうか、または、この消費者グループが、そ
の興味の対象であると憶測されている興味の対象を実際
に有するかどうかという論点を巧みに避けている。

【０００８】したがって、必要とされているのは、各消
費者の購入が時間の推移に応じて変化するという性質を
反映する実際の履歴消費支出パターンに基づいて、消費
者の財政的挙動をモデル化する能力である。さらに、実
際の消費支出パターンに基づいて小売業者の有意味な分
類を抽出し、この分類の組合せから、個々の有意味な小
売業者グループにおける個々の消費者の将来の消費支出
を予測することが望ましい。

【０００９】情報の、特にテキスト検索のアプリケーシ
ョン領域においては、文書および語のベクトル方式の表
現が公知である。文書のベクトル空間表現が、Ｃａｉｄ
他に交付された米国特許第５，６１９，７０９号と、Ｇ
ａｌｌａｎｔに交付された米国特許第５，３２５，２９
８号とに開示されている。一般的に、語または文書を表
現するためにベクトルが使用される。語と語の間の関係
と、文書と文書の間の関係とが学習され、学習法則にし
たがってベクトルに符号化される。しかし、Ｃａｉｄの
文脈ベクトルを含む、ベクトル空間表現のこうした使用
は、主として情報検索のために設計されているので、ク
レジットカード利用明細書等のような文書に適用される
時には、挙動の予測分析に有効ではない。Ｃａｉｄの手
法を予測の問題に適用した時には、この手法は数多くの
欠点を有した。第１に、取引回数の多い小売業者を取り
扱う際に、この手法に問題が生じた。こうした小売業者
は、取引明細書の集まりの中に名称が非常に頻繁に出現
する小売業者である。Ｃａｉｄのシステムは、頻繁に出
現する項目の有意性を軽視するので、こうした取引頻度
が高い小売業者が正確には表現されなかった。しかし、
取引頻度が高い小売業者をデータセットから排除するこ
とは、こうした重要な小売業者における取引を予測する
システムの能力を低下させる。第２に、過去の２回のト
レーニングの反復では、Ｃａｉｄのシステムの性能が収
束せずに低下することが発見された。このことは、学習
法則が、特に取引予測のための学習情報である代わり
に、取引予測に一致するにすぎない学習情報であるとい
うことを示す。したがって、小売業者が取引データ中に
出現する頻度の重要度を適正に反映するように、小売業
者と消費者との間の関係を学習するための新たな方法を
提供することが望ましい。

【００１０】

【発明の概要】本発明は、基礎となる消費者の興味を正
確に反映する有意味な小売業者グループ（セグメント）
と、小売業者セグメントの各々に関する消費者支出パタ
ーンの予測モデルとの両方を生成するために、個々の消
費者の時間依存形の履歴消費支出パターンを使用する、
消費者の財政的挙動を分析し予測するシステムと方法と
を提供することによって、消費者分析に対する従来のア
プローチの限界を克服する。さらに、個々の消費者また
は消費者グループの現在の消費支出データを、小売業者
クラスタの各々における消費者の将来の消費支出を予測
するための予測モデルに適用することが可能である。

【００１１】本発明の一側面では、本発明は、本質的に
消費者のグループの実際の消費支出パターンに基づい
た、データに依存した小売業者グループの生成を含む。
各消費者の消費支出データが得られ、この消費支出デー
タは、時間に関係付けられた形で消費者の消費支出パタ
ーンを表す。例えば、クレジットカードのデータは、単
に小売業者と支出額とを示すだけでなく、購入が行われ
たシーケンスをも示す。本発明の特徴の１つは、有意味
な小売業者セグメントに小売業者をグループ分けするた
めに、個々の小売業者における購入の共起を使用する能
力である。すなわち、幾つかの取引の中で頻繁に購入が
行われる小売業者、または、相互の時間期間内で頻繁に
購入が行われる小売業者が、有意味なクラスタを反映す
る。小売業者のこのデータ依存形のクラスタ化が、消費
者の興味または選好をより正確に表す。

【００１２】好ましい一実施態様では、消費者の支出の
分析が、クレジットカード利用明細書のような消費者支
出データを使用し、このデータを処理して、幾つかの取
引、期間、又は他のシーケンス関連の基準の何れかに基
づいて、定義された共起窓内における購入の共起を識別
する。各々の小売業者はベクトル表現に関連付られる。
すなわち、小売業者全てに関する初期ベクトルを、小売
業者ベクトル空間内のベクトルの疑似直交セットを表す
ようにランダム化する。各々の消費者の購入を反映する
各消費者の取引データ（例えば、クレジットカード利用
明細書、銀行取引明細書等）を、小売業者において購入
が行われた全般的な順序を反映するように時系列的に編
成する。個々の共起窓内での各消費者の取引データの分
析によって、どの小売業者が共起するかを識別する。各
々２つずつの小売業者毎に、これらの小売業者ベクトル
の各々を、共起の頻度の関数としてベクトル空間内で更
新する。消費支出データの処理後に、消費者が共に頻繁
に訪れる小売業者の小売業者ベクトルを、小売業者ベク
トル空間内において概ね同一方向に揃える。その次に、
これらの小売業者ベクトルに基づいて小売業者のクラス
タを発見するために、クラスタ化手法を適用する。これ
らのクラスタは小売業者セグメントを形成し、小売業者
セグメントの各々はそのセグメント内に小売業者のリス
トを有する。各々の小売業者セグメントは、小売業者の
タイプと小売業者の平均購入と取引割合とに関する有益
な情報、および、他の統計情報を与える。（本明細書で
は小売業者「セグメント」と小売業者「クラスタ」とを
区別なしに同義語として使用する。） 各消費者が、様々な人口統計学的データと消費支出習慣
に関する要約データとを含むプロファイルも与えられる
ことが好ましい。これに加えて、各消費者に消費者ベク
トルが与えられることが好ましい。消費支出データか
ら、消費者が最も頻繁にまたは最も最近に購入を行った
小売業者が判定される。この場合に、消費者ベクトル
は、これらの小売業者ベクトルの和である。新たな購入
が行われると、消費者ベクトルが更新され、それによっ
て、好ましくは、より古い購入の影響が減少させられ
る。本質的には、本発明は、小売業者のベクトルを消費
者ベクトルの構成に使用するので、「貴方は、何を食べ
るかによって決まる」という表現と同様に、「貴方は、
どの小売業者で買物をするかによって決まる」ことを明
らかにする。

【００１３】このアプローチの利点の１つは、消費者と
小売業者の両者が共通のベクトル空間で表現されるとい
うことである。このことは、ある１つの消費者ベクトル
が与えられたならば、この消費者ベクトルに「類似して
いる」複数の小売業者ベクトルを、例えばドット積分析
（ｄｏｔ ｐｒｏｄｕｃｔ ａｎａｌｙｓｉｓ）を使用
して容易に求めることが可能である（すなわち、こうし
た小売業者ベクトルが、小売業者ベクトル空間内で概ね
同一の方向にあるということを意味する）。したがっ
て、消費者に「類似した」小売業者を容易に見出すこと
が可能であり、こうした小売業者は、消費者がその小売
業者から以前に物品を購入したことがない場合でさえ、
その消費者の興味の対象となる可能性が高い小売業者で
ある。

【００１４】小売業者セグメントに関しては、本発明
は、これらのセグメント内の小売業者から物品を購入し
たことがある消費者によるこの小売業者セグメントでの
消費支出履歴と他のセグメント内での消費支出履歴との
取引統計量と、物品購入の全体に関するデータとに基づ
いて、各小売業者セグメント内での将来の消費支出の予
測モデルを作成する。一実施態様では、各々の予測モデ
ルが、最近の６ヶ月間のような先行の期間中の小売業者
クラスタ内での消費支出履歴に基づいて、３ヶ月間のよ
うな予測対象の期間中での小売業者クラスタ内での消費
支出を予測する。モデルトレーニング（ｍｏｄｅｌ ｔ
ｒａｉｎｉｎｇ）中には、小売業者クラスタ内で消費支
出した消費者に関する小売業者クラスタ内の取引履歴
が、要約統計量として各消費者プロファイルに集約さ
れ、予測される期間内での実際の消費支出と共に、予測
モデルに入力される。実際の消費支出を用いた予測消費
支出の妥当性検査が、モデル性能の確認のために使用さ
れる。この予測モデルは、ニューラルネットワーク、ま
たは、他の多変量統計モデルであってよい。

【００１５】このモデル化のアプローチが、２つの理由
から有利である。第１に、この予測モデルは、ＳＩＣク
ラスのような恣意的な小売業者の分類の場合とは異なっ
て、基礎となる消費支出データに実際に現れる小売業者
クラスタに固有である。第２に、小売業者クラスタ内の
小売業者で実際に物品購入を行った消費者の消費者支出
データが使用されるので、これらのデータは、これらの
消費者がこれらの小売業者でどのように既に消費支出し
たか、および、将来においてどのように消費支出するか
を最も正確に反映する。

【００１６】消費者の財政的挙動を予測するためには、
好ましくは最近の過去の期間中の同じタイプの要約統計
量を使用する消費者の消費者プロファイルが、各々に異
なる小売業者クラスタに対する予測モデルに入力され
る。この結果として、実際の消費支出データが未だ入手
不可能である将来の期間中に各小売業者クラスタ内で消
費者が消費支出する可能性が高い金額の予測が得られ
る。

【００１７】消費者の各々に関して、各小売業者セグメ
ントにその消費者がどれだけ強く関連付けられているか
を表すメンバシップ関数を定義してもよい。（このメン
バシップ関数が各々の小売業者セグメントに関するメン
バシップ値を出力することが好ましい。）このメンバシ
ップ関数は、各小売業者セグメント内での予測された将
来の消費支出であってよく、または、消費者に関する消
費者ベクトルと小売業者セグメントベクトルと関数（例
えば、各々の小売業者セグメントの重心）であってもよ
い。このメンバシップ関数は、各小売業者セグメント内
で消費者によって支出される金額、または、他の因子に
よって重み付けされることが可能である。メンバシップ
関数に関しては、消費者が最大のメンバシップ値を有す
る小売業者クラスタが特に重要である。こうした小売業
者クラスタは、消費者が将来において最多の金銭を支出
すると推定されるクラスタであり、または、消費者の消
費支出習慣がクラスタ内の小売業者に最も類似している
クラスタである。これによって、こうした消費者に対す
る販売促進と広告等の非常に明確で正確な目標設定が可
能になる。予測された消費支出情報を使用する金融機関
が、ある特定の小売業者セグメント内で多額の消費支出
を行うと予測される消費者に対して、その小売業者セグ
メント内の小売業者に関連した販売促進の指図をする
（オファーを行う）ことが可能である。

【００１８】あるいは、メンバシップ値に関しては、小
売業者セグメントの間で消費者の興味の移行を識別する
ために、時間の推移に応じたメンバシップ値の変化を容
易に判定することが可能である。例えば、各々の月間に
おいて（例えば、新たなクレジットカード請求期間また
は銀行取引明細書の後に）、メンバシップ関数が消費者
に関して求められ、この結果として、各々の小売業者ク
ラスタに関する新たなメンバシップ値が得られる。最大
の正の増加または負の増加を表示するために、この新た
なメンバシップ値を前月のメンバシップ値と比較し、そ
れによって消費者の物品購入習慣の変化が明らかにな
る。正の変化は、新たな小売業者クラスタ内での物品購
入の興味を反映し、一方、負の変化は、前月における小
売業者クラスタ内での物品購入の興味を消費者が失って
いることを反映する。このようなセグメント移行が、メ
ンバシップ値の大きな増大を消費者が示す小売業者セグ
メント内の小売業者のための販売促進の目標として、金
融機関がその消費者を目標設定することを可能にする。

【００１９】本発明は、その別の側面において、取引デ
ータ中の小売業者間の関係を学習するための、および、
小売業者を表現するベクトルを定義するための、改善さ
れた方法を提供する。さらに明確に述べると、本発明の
この側面は、各々に異なる小売業者における取引の共起
を生じさせる消費支出挙動のパターンを正確に識別して
獲得する。この方法は概ね次の通りである。

【００２０】最初に、取引データ内において各々２つず
つの小売業者が互いに同時に出現する回数を求める。こ
こでは、基本的な直観は、互いに関係があることを消費
者の挙動が示す小売業者は頻繁に同時に出現し、一方、
無関係の小売業者はあまり頻繁には同時に出現しないと
いうことである。例えば、新たに母親なった女性が、子
供用衣料店と玩具店と他の類似の小売業者で買い物をす
る可能性が高く、一方、独身の若い男性が、このタイプ
の小売業者で買い物をする可能性は低いだろう。小売業
者の識別は、取引データ中の小売業者名称の出現を計数
することによる。変動を低減させかつ小売業者名称の様
々なバージョンを単一の共通名称に一致させるために、
小売業者の名称を正規化してもよい。

【００２１】次に、観察される小売業者の共起が、予測
される２つの小売業者の共起に対してどれだけ大きい偏
差を有するかに基づいて、各々２つずつの小売業者の間
の関係の強さを求める。予測される共起は、取引データ
または共起イベントにおける個々の小売業者の出現の頻
度に関する統計的測度に基づいている。例えば、予測さ
れる共起の標準偏差、または、対数尤度比（ｌｏｇ ｌ
ｉｋｅｌｉｈｏｏｄｒａｔｉｏ）に基づいた、関係の強
さの様々な測度が、使用されてもよい。

【００２２】各々２つずつの小売業者の間の関係の強さ
の測度がその予測される頻度よりも著しく高い頻度で共
起する２つの小売業者は、互いに肯定的に関係してお
り、予測される頻度よりも著しく低い頻度で共起する２
つの小売業者は、互いに否定的に関係しており、およ
び、予測される回数と概ね同じ回数で共起する２つの小
売業者は、互いに無関係であるという特徴を有する。

【００２３】その次に、各々２つの小売業者の間での関
係の強さを、ベクトル空間内にマッピングする。これ
を、各々２つの小売業者の間の関係の強さの関数として
各々２つの小売業者ベクトルの間の所望のドット積を求
めることによって行う。このステップは、互いに肯定的
に関係している小売業者に関する小売業者ベクトルは正
のドット積を有し、互いに否定的に関係している小売業
者に関する小売業者ベクトルは負のドット積を有し、お
よび、互いに無関係の小売業者に関する小売業者ベクト
ルはゼロのドット積を有するという特徴を有する。

【００２４】最後に、各々２つずつの小売業者ベクトル
に関してドット積が得られている場合に、各々２つの小
売業者ベクトルの間の実際のドット積が、予め決められ
た所望のドット積に少なくとも近似しているように、小
売業者ベクトルの位置を更新する。本発明は、さらに、
何らかの２つのストリングが、ある１つの小売業者名称
の様々なスペリングのように、同じ１つのものを表現す
るかどうかを判定するための方法も含む。本発明のこの
側面は、大量の取引データの中で、典型的には同一の小
売業者名称の各々に異なったスペリングまたは形式とし
て示されている小売業者名称を識別し正規化するため
に、効果的に使用される。本発明のこの側面では、取引
データ中の小売業者名称のような一連のストリングに関
する、個々の３文字名称（ｔｒｉｇｒａｍ）（さらに一
般的には、ｎ文字名称（ｎ−ｇｒａｍ））の頻度が調べ
られる。個々の３文字名称をその頻度に応じて重み付け
る。頻繁に出現する３文字名称に小さい重みを割り当
て、一方、希にしか出現しない３文字名称に大きい重み
を割り当てることが好ましい。３文字名称１個につき１
つの次元の形で、高次元のベクトル空間を定義する。直
交単位ベクトルを各々の３文字名称に関して定義する。
比較されるべき各々のストリング（例えば、小売業者名
称）に、３文字名称ベクトル空間内でのベクトルを与え
る。このベクトルを、３文字名称の重みによって重み付
けた各ストリング中の各々の３文字名称に関する単位ベ
クトルの要約として定義する。その次に、小売業者名称
のような任意の２つのストリングを、これらのドット積
をとることによって比較することが可能である。（デー
タセットの分析から得られる）閾値をドット積が越えて
いる場合には、これらのストリングは互いに同等物と見
なされる。オリジナルのストリングの長さが上記比較に
影響しないように、ストリングベクトルの長さを正規化
してもよい。部分的な正規化（一方のストリングを正規
化するが他方のストリングは正規化しない）であろう
と、正規化が行われなかろうと、ストリングの長さが上
記比較に影響を与えるが、しかし、一方のストリングの
一部分を別のストリングの全体に一致させるようにスト
リングの長さを使用してもよい。この方法が、ストリン
グの一致のための極めて高速で正確なメカニズムを提供
する。この一致のプロセスを、例えば、各々２つずつの
小売業者名称が同一であるかどうか、２つの企業名称が
同一であるかどうか、２つの人名が同一であるかどうか
等を判定するために使用してもよい。これは、共通の一
群のエンティティ（例えば、小売業者名称を含む多数の
取引ソースからの取引レコード）を参照するストリング
を含む発散性のデータソースまたは様々なタイプのデー
タを一致させることを必要とするアプリケーションにお
いて有効である。

【００２５】本発明は様々な形態で具体化されてよい。
コンピュータプログラム製品としては、本発明は、消費
者の消費支出データを取得して関連の口座と時系列編成
の物品購入との編成済みファイルの形にこのデータを処
理するデータ前処理モジュールを含む。個々の小売業者
の様々に変形した名称を正規化するために、消費支出デ
ータ中の小売業者名称を処理する。データ後処理モジュ
ールが、予測モデルのトレーニングに使用するために、
選択された期間内における消費者の要約統計量のプロフ
ァイルを生成する。予測モデル生成システムが小売業者
ベクトルを生成し、この小売業者ベクトルを小売業者ク
ラスタにクラスタ化し、消費者プロファイルと取引デー
タとを使用して各々の小売業者セグメントの予測モデル
をトレーニングする。小売業者ベクトルと消費者プロフ
ァイルとがデータベース内に格納される。各々の小売業
者セグメントにおいて予測される消費支出を提供し、か
つ、小売業者セグメントに関する消費者のメンバシップ
関数を計算するために、プロファイリングエンジン（ｐ
ｒｏｆｉｌｉｎｇ ｅｎｇｉｎｅ）が消費者プロファイ
ルと消費者取引データとを予測モデルに適用する。レポ
ーティングエンジン（ｒｅｐｏｒｔｉｎｇ ｅｎｇｉｎ
ｅ）が、予測される消費支出およびメンバシップ情報に
関するレポートを様々なフォーマットで出力する。小売
業者クラスタの間での消費者の有意な移行を識別するた
めに、セグメント移行検出エンジンが、各々の消費者の
メンバシップ値の変化を計算する。さらに、本発明を、
コンピュータのハードウェアコンポーネントと共に協働
する上記のプログラム製品要素と共に、システムとして
実現してもよく、および、コンピュータによって実行さ
れる方法として実現してもよい。

【００２６】

【好ましい実施形態の詳細な説明】Ａ．消費者および小
売業者のベクトル表現と、小売業者における物品購入の
共起との概要 Ｂ．システムの概要 Ｃ．機能の概要 Ｄ．データ前処理モジュール Ｅ．予測モデル生成システム １．小売業者ベクトルの生成 ２．小売業者ベクトルのトレーニング：ＵＤＬアルゴリ
ズム ａ）共起の計数 ｉ）順方向の共起の計数 ｉｉ）逆方向の共起の計数 ｉｉｉ）双方向の共起の計数 ｂ）予測される共起の回数の推定 ｃ）小売業者ベクトル間の所望ドット積 ｄ）小売業者ベクトルのトレーニング ３．クラスタ化モジュール Ｆ．データ後処理モジュール Ｇ．予測モデル生成 Ｈ．プロファイリングエンジン １．メンバシップ関数：各セグメントにおける予測消費
支出 ２．消費者ベクトルに基づくセグメントのメンバシップ ３．消費者プロファイルの更新 Ｉ．レポーティングエンジン １．基本レポーティング機能 ２．一般セグメントレポート ａ）一般セグメント情報 ｂ）セグメントメンバ情報 ｃ）リフトチャート ｄ）人口統計表 ｉ）セグメント統計量 ｉｉ）行の記述 Ｊ．目標設定エンジン Ｋ．セグメント移行の検出 Ａ．消費者および小売業者のベクトル表現と、小売業者
における物品購入の共起との概要 特定の小売業者における消費者の消費支出レベルを予測
することを可能にする本発明の特徴の１つが、消費者と
小売業者の両方を同一のモデル化表現で表現する能力で
ある。こうした予測の従来の例は、消費者と小売業者の
両方を人口統計学的標識（例えば、「ベービーブーム世
代」または「老夫婦」）によって分類しようとしてき
た。この従来のアプローチは単純に恣意的であり、様々
な小売業者とって消費者がどれだけ類似しているかを直
接的に定量化するためのメカニズムを全く提供しない。
しかし、本発明は、消費者と小売業者の両方の高次元の
ベクトル表現と個々の消費者の消費支出データ中の小売
業者の共起とに基づいて、こうした定量化可能な分析を
提供する。

【００２７】次に、図１の（ａ）と図１の（ｂ）とを参
照すると、これらの図には、小売業者と消費者とのベク
トル空間表現の単純化したモデルが示されている。これ
らの図ではベクトル空間１００が３つの軸だけによって
示されているが、実際には、一般的に１００〜３００個
の成分を有する高次元のハイパースフェア（ｈｙｐｅｒ
ｓｐｈｅｒｅ）である。このベクトル空間１００内で
は、各々の小売業者に小売業者ベクトルが割り当てられ
ている。小売業者ベクトルの疑似直交分布を実現するた
めに、各小売業者のベクトルの初期の割当てが本質的に
ランダムな値の成分を含むことが好ましい。これは、最
初は小売業者ベクトルが本質的に互いに垂直であり、し
たがって、予め決められたまたは仮定された結合または
類似性が小売業者の間に存在しないということを意味す
る。

【００２８】図１の（ａ）には、初期化後かつ更新前の
５つの小売業者Ａ、Ｂ、Ｃ、Ｄ、Ｅに関する小売業者ベ
クトルが示されている。小売業者Ａが高級衣料品店であ
り、小売業者Ｂがディスカウント家具店であり、小売業
者Ｃが高級家具店であり、小売業者Ｄがディスカウント
衣料品のカタログ直販店であり、小売業者Ｅが宝飾品の
オンラインショップである。図１の（ｃ）に示すよう
に、小売業者Ａと小売業者Ｂが両方とも衣料品店なので
同じＳＩＣコードを有し、小売業者Ｂと小売業者Ｃとが
両方とも家具店なので同じＳＩＣコードを有する。言い
換えると、ＳＩＣコードは、こうした店舗を頻繁に訪れ
る各々の消費者のタイプを区別しない。

【００２９】図１の（ｂ）には、小売業者ベクトルをト
レーニングするために本発明にしたがって消費者の消費
支出データが処理され終わった後の、図１の（ａ）のベ
クトル空間と同じベクトル空間１００が示されている。
小売業者ベクトルのトレーニングは、各消費者の取引デ
ータ中での小売業者の共起に基づいている。図１の
（ｃ）は、２人の消費者Ｃ１、Ｃ２に関する消費者取引
データ１０４を示している。Ｃ１に関する取引データが
小売業者Ａ、Ｃ、Ｅにおける取引１１０を含む。この例
では、小売業者Ａと小売業者Ｃとにおける取引が共起窓
１０８内で共起し、同様に、小売業者Ｃと小売業者Ｅと
における取引が別の共起窓１０８内で共起する。Ｃ２に
関する取引データが、小売業者Ｂと小売業者Ｄとにおけ
る取引１１０を含み、これらも共起イベントを形成す
る。

【００３０】消費者の取引データ中で取引が共起する複
数の小売業者は、ベクトル空間内においてより高い度合
いで同一方向に方向付けられるように、すなわち、これ
らの小売業者の各々のベクトル成分値をより一層近似さ
せるように更新されたベクトルを有する。したがって、
図１の（ｂ）では、消費者の取引データの処理後に、小
売業者Ａ、Ｃ、Ｅに関する小売業者ベクトルが、Ｃ１の
取引のような実際の消費支出データに基づいて、概ね同
一の方向に方向付けられるように更新され終わってお
り、同様に、小売業者Ｂ、Ｄに関する小売業者ベクトル
が、Ｃ２の取引に基づいて、概ね同一の方向に方向付け
られるように更新され終わっている。その次に、小売業
者の小売業者ベクトル４０２に基づいて小売業者のクラ
スタまたはセグメントを識別するために、クラスタ化手
法を使用する。図１の（ｂ）の例では、小売業者セグメ
ントは、「高級／テクノロジー／実際的知識」のような
小売業者Ａ、Ｃ、Ｅを含むものとして定義されている。
上記で定義したように、これらの小売業者のＳＩＣコー
ドは全く無関係であり、したがって、ＳＩＣコードの分
析はこの小売業者グループを示さないだろうということ
に留意されたい。さらに、この例では、取引データ１０
４に示されているように、小売業者Ｂと小売業者Ｄとが
同一のＳＩＣコードを第１のセグメント内の小売業者と
共有する場合でさえ、小売業者Ｂと小売業者Ｄに関して
各々に異なったセグメントが識別される。

【００３１】各々の小売業者セグメントは、小売業者セ
グメントベクトル１０５に関連付けられており、さら
に、好ましくは小売業者クラスタの重心に関連付けられ
ている。小売業者セグメント内の小売業者のタイプと、
セグメント内で物品購入したことがある消費者とに基づ
いて、セグメント名称が定義されることが可能であり、
産業、下位産業（ｓｕｂ−ｉｎｄｕｓｔｒｙ）、地理、
および／または、消費者人口統計を表現してもよい。

【００３２】小売業者セグメントは、消費者に関する非
常に有益な情報を提供する。図１の（ｂ）には、消費者
Ｃ１、Ｃ２に関する消費者ベクトル１０６が示されてい
る。各消費者のベクトルは、その消費者が物品購入を行
う小売業者の要約ベクトルである。この要約は、定義さ
れた最近の期間内で消費者が物品購入を行った小売業者
ベクトルのベクトル和であることが好ましい。このベク
トル和は、物品購入の最近性（ｒｅｃｅｎｃｙ）、購入
金額、または、他の因子によって重み付けされることが
可能である。

【００３３】消費者ベクトル１０６は、小売業者ベクト
ルと同じベクトル空間に存在することによって、顧客の
実際の消費支出挙動の観点から消費者の興味対象を示
す。この情報は、小売業者における消費者の支出を予測
するための根拠として、皮相的な人口統計学的ラベルま
たはカテゴリに比べてはるかに優れている。したがっ
て、消費者Ｃ１のベクトルが、小売業者Ａ、Ｃ、Ｅの小
売業者ベクトルと非常に強く整合しており、このこと
は、消費者Ｃ１がこれらの小売業者の製品とサービスと
に対して興味を持っている可能性が高いことを示してい
る。消費者Ｃ１が以前にはこれらの小売業者のどれにお
いても物品購入したことがない場合でさえ、消費者Ｃ１
のベクトルはこれらの小売業者と整合していることがあ
り得る。したがって、小売業者Ａ、Ｃ、Ｅは、これらの
小売業者からの物品購入に興味を持っているかも知れな
い消費者を識別するための明確な手段を有することにな
る。

【００３４】どの消費者がどの小売業者ベクトルに関連
付けられているかを、メンバシップ関数によって判定す
ることも可能である。この関数は、小売業者セグメント
ベクトルと消費者ベクトル（例えば、ドット積）とに、
または、各小売業者セグメントにおける消費者の消費支
出額もしくは予測される消費支出額のような他の定量可
能なデータに完全に基づいていることが可能である。

【００３５】ある１つのセグメントのメンバである消費
者に関して、その平均支出額、支出割合、人口平均と比
較したこのセグメント内の消費者の支出金額の比率等の
ような有益な統計量が、このセグメントに関して生成さ
れることが可能である。この情報が、適切な消費者に対
して小売業者が自分の製品を精確に目標設定し販売促進
することを可能にする。

【００３６】図２は、本発明によって作成されることが
可能である小売業者セグメントのインデックスのよう
な、小売業者セグメントのサンプルインデックスの一部
分を示している。１からＭ（セグメントの総数）の間の
固有のセグメント番号を各々のセグメントに割り当てる
ことによって、セグメントが命名されている。これに加
えて、各セグメントが、小売業者セグメントを記述する
記述フィールド２１０を有する。好ましい記述フィール
ドは次の形式である。

【００３７】大分類カテゴリ／小分類カテゴリ／人口統
計学的情報／地理的情報大分類カテゴリ２０２は、ある
１つの小売業者セグメント内の消費者が典型的にはどの
ように自分の口座を使用するかを記述する。小売品購
入、直販購入、および、このタイプが判定できない場合
には、旅行用途と教育用途とサービス等のような他の主
要なカテゴリが使用される。小分類カテゴリ２０４は、
大分類カテゴリのサブタイプ（例えば、購読契約は直販
のサブタイプである）と、そのセグメントで一般的に購
入される、取引で購入される製品またはサービス（例え
ば、家庭用品、スポーツ用品、家具）との両方を記述す
る。人口統計学的情報２０６は、消費者の年齢範囲また
は性別のような最も高頻度のまたは平均的な人口統計学
的特徴を記述するために、このセグメントを頻繁に訪れ
る消費者からの口座データを使用する。地誌的情報２０
８は、セグメント内の最も共通した地理的位置を記述す
るために消費者の口座データを使用する。セグメント記
述２１０の各部分には、１つ以上の記述子（すなわち、
多数の大分類記述子、小分類記述子、人口統計学的記述
子、または、地理的記述子）を使用してもよい。この命
名形式は、従来のＳＩＣ分類に比べてはるかに強力でき
め細かく、しかも、（ＳＩＣの場合のように）異なる小
売業者の産業に対する洞察を実現するだけでなく、さら
に重要なことであるが、各セグメント内の消費者の地理
上の特徴、おおよその年齢または性別、および、ライフ
スタイル上での選好に対する洞察をも実現する。

【００３８】セクションＩのレポーティングエンジンで
は、様々なタイプのセグメントレポートをさらに詳細に
説明する。 Ｂ．システムの概要 次に図４と図５とを参照すると、これらの図は、消費者
の消費支出を予測するモードで動作している時の、本発
明の一実施形態のシステムアーキテクチャを示してい
る。システム４００が、データ前処理モジュール４０２
で始まって、データ後処理モジュール４１０と、プロフ
ァイリングエンジン４１２と、レポーティングエンジン
４２６とを含む。随意の構成要素が、移行検出エンジン
４２０と目標設定エンジン４２２とを含む。システム４
００は、消費者要約ファイル４０４と消費者取引ファイ
ル４０６とを含む入力としての様々なタイプのデータを
操作し、プロファイルデータベース４１４内の消費者プ
ロファイルと小売業者ベクトル４１６と小売業者セグメ
ント予測モデル４１８とを含む暫定的なモデルとデータ
を生成し、様々なセグメントレポート４２８〜４３２を
含む様々な有用な出力を発生する。

【００３９】図６と図７は、トレーニングモードで動作
する時のシステム４００を示しており、システム４００
は、さらに、予測モデル生成システム４４０をさらに含
む。 Ｃ．機能の概要 次に図３を参照すると、この図には、本発明によってサ
ポートされるプロセスの機能の概要が示されている。こ
の図に例示しておりかつ後述することになるプロセスの
流れは、本発明をどのように使用してよいかを示す一例
であるが、このプロセスの変形例が容易に考案できるの
で、本発明をこの特定のプロセスの流れに限定するもの
ではない。

【００４０】一般的に、マスタファイル４０８が、消費
者要約ファイル４０４と消費者取引ファイル４０６との
中に格納されてもよい金融機関の多数の消費者（口座所
有者）に関する口座取引データから生成されるか更新さ
れる（ステップ３００）。このマスタファイル４０８
は、様々な取引明細書期間から各消費者の取引を収集し
て、各消費者毎の取引データの日付順シーケンスに編成
する。マスタファイル４０８の処理が取引データ内の小
売業者名称を正規化し、小売業者名称の出現の頻度に関
する頻度統計量を生成する。

【００４１】トレーニングモードでは、本発明は、小売
業者名称に関連付けられている小売業者ベクトルを作成
または更新する（ステップ３０２）。小売業者ベクトル
は、（取引回数または時間期間のような）定義された共
起窓内の小売業者名称の共起に基づいている。共起統計
量が、任意の２つの小売業者の互いの共起の頻度と他の
小売業者との共起の頻度とに基づいて、この２つの小売
業者がどれだけ密接に関係しているかという測度を導き
出すために使用される。一方、この関係の測度は、ベク
トル空間内での小売業者ベクトルの位置決めに影響を与
えるので、頻繁に共起する小売業者がベクトル空間内で
同じ方向に方向付けられているベクトルを有するように
なり、小売業者ベクトルの類似性の度合いは、小売業者
ベクトルの共起率の関数となる。

【００４２】その次に、小売業者ベクトルを小売業者セ
グメントにクラスタ化する（ステップ３０４）。小売業
者セグメントは、一般的に、多くの消費者の取引に基づ
いた、（データにおいて）消費者が「同時に」物品購入
が行なうことが自然である小売業者グループを示す。各
々の小売業者セグメントが、そのために計算されるセグ
メントベクトルを有し、このセグメントベクトルが小売
業者セグメント内の小売業者ベクトルの要約（例えば、
重心）である。小売業者セグメントが、取引や物品購入
等の割合および量に関する統計量を含む、各セグメント
のメンバである小売業者に関する非常に豊富な情報を提
供する。

【００４３】小売業者セグメントの定義が完了すると、
消費支出挙動の予測モデルを、各々の小売業者セグメン
トに関して生成する（ステップ３０６）。各々の小売業
者セグメントの予測モデルを、２つの時間期間内、すな
わち、入力時間窓と後続の予測時間窓とにおける消費者
取引の観測情報から導き出す。各消費者に関する入力時
間窓内の取引からのデータ（一意のセグメントとクロス
セグメントとを含む）を、独立変数を抽出するために使
用し、一方、予測窓内の実際の消費支出が従属変数を与
える。この独立変数は、一般的に、全セグメント内とモ
デル化されているセグメント内とにおける消費支出の割
合と頻度と金額とを示す。消費者の取引から導き出され
る消費者ベクトルを使用してもよい。セグメント予測モ
デルの性能を確認するために、このモデルの妥当性検査
と分析とを行なってもよい。

【００４４】生成段階では、このシステムを、実際のデ
ータが未だ存在しない将来の時間期間中の消費支出、ま
たは、データが入手可能でありかつ遡及分析のために使
用される最近の過去の時間期間中の消費支出を予測する
ために使用する。一般的に、各々の口座（または消費
者）が、口座所有者の取引挙動を要約するプロファイル
を有する。セグメントに関する予測モデルに入力するた
めの適切な変数を生成するために、この情報を作成し、
または、最近の取引データが存在する場合にはその最近
の取引データを使用して、この情報を更新する（ステッ
プ３０８）。（モデル生成のための独立変数の生成が、
口座プロファイルの更新（ステップ３０８）も含んでよ
い。） 各々の口座は、さらに、例えば最近の３ヶ月といった定
義された時間期間内で消費者が物品購入を行ったことが
ある小売業者の小売業者ベクトルから、例えば要約ベク
トルとして導き出される消費者ベクトルを含む。消費者
ベクトルに対する各小売業者ベクトルの寄与を、例えば
取引の金額、割合または最近性によって、その小売業者
での消費者の取引によって重み付けることが可能であ
る。消費者ベクトルが、小売業者セグメントベクトルと
共に、予測能力の初期レベルを与える。各々の消費者
を、消費者に関する消費者ベクトルに最も近似した消費
者セグメントベクトルを有する消費者セグメントに関連
付けることが可能である。

【００４５】更新された口座プロファイルを使用する時
には、所期の予測時間期間内の各小売業者セグメントに
おける予測消費支出額を各々の消費者毎に生成する（ス
テップ３１０）ために、このデータを１組の予測モデル
に入力する。例えば、後続の３ヶ月の予測窓内での消費
支出を予測するために、この予測モデルを６ヶ月間の入
力窓に基づいてトレーニングしてもよい。予測される期
間は、実際の将来の期間、実際の消費支出が得られる現
在の（例えば最近の過去の）期間であってよい。

【００４６】予測消費支出レベルと消費者プロファイル
とが、様々なレベルとタイプの口座およびセグメント分
析３１２を可能にする。最初に、各々の口座を、様々な
メンバシップ関数に基づいて、口座がどのセグメント
（またはどの複数のセグメント）のメンバであるかを判
定するために分析してよい。好ましいメンバシップ関数
は予測消費支出値であり、したがって、各消費者は、最
も高い予測消費支出をその消費者が有するセグメントの
メンバである。口座とセグメントとの間の関連を示す他
の測度が、様々な小売業者セグメントの全体における各
消費者の予測消費支出の百分位数の順位に基づいてもよ
い。どの消費者がどのセグメントに関連しているかを求
めるこうした（または類似の）方法のいずれかを使用し
て、各セグメント内の消費者による様々なタイプの取引
の割合と量の分析を生成することが可能である。さら
に、１つ以上のセグメント内の口座の目標設定を、高い
金額または取引割合が予測される顧客の母集団を選択的
に識別するために使用してもよい。さらに、口座の分析
が、メンバシップ値の増減によって表示されるセグメン
ト間を移行した消費者を識別する。

【００４７】目標設定基準を使用することによって、特
定のセグメント内の特定の消費者とこれらのセグメント
内の小売業者とを対象とする販売促進３１４を実現する
ことが可能である。例えば、所与の小売業者セグメント
に関して、そのセグメント内で最高レベル（または最高
の順位）の予測消費支出を示す消費者を識別してもよ
く、または、そのセグメントのベクトルに最も近似した
消費者ベクトルを有する消費者を選択してもよい。また
は、セグメント内で最高レベルのメンバシップの増大を
示す消費者を選択してもよい。そのセグメントを構成す
る小売業者がセグメントのクラスタ化から判明する（ス
テップ３０４）。割引価格、販売奨励金等のような、そ
のセグメント内の小売業者に特有の１つ以上の販売促進
オファーを実現することが可能である。その次に、小売
業者に特有の販売促進オファーの目標として、その選択
された消費者を設定する。こうした口座所有者がセグメ
ント内で最も高い消費支出の可能性を示す消費者として
識別されているので、この販売促進オファーがこの口座
所有者の消費支出挙動と利益上で一致する。これによ
り、販売促進オファーが償われる成功率の増大が好適に
もたらされる。

【００４８】本発明のこうした使用および応用と他の使
用および応用とが当業者には明らかだろう。 Ｄ．データ前処理モジュール データ前処理モジュール４０２（ＤＰＭ）は、小売業者
ベクトルと消費者ベクトルと小売業者セグメント予測モ
デルとの生成の準備のために、クレジットカード発行会
社のような消費者口座および取引の情報源から受け取る
消費者データの初期処理を行う。ＤＰＭ ４０２が作成
モードとトレーニングモードの両方で使用される。（こ
の説明では、術語「消費者」、「顧客」、「口座所有
者」を同義語として使用する。） ＤＰＭに対する入力は、消費者要約ファイル４０４と消
費者取引ファイル４０６である。一般的に、消費者要約
ファイル４０４は、口座番号と他の口座識別および記述
情報とのような、取引データが処理されるべき各消費者
に関する口座データを提供する。消費者取引ファイル４
０６は各消費者の取引の詳細を提供する。ＤＰＭ ４０
２がこれらのファイルを処理して、消費者口座の口座識
別子によって両方のデータセットを編成し、各々の消費
者の要約データが消費者の取引と共に得られるようにデ
ータファイルを併合する。

【００４９】顧客ファイル４０４：顧客要約ファイル４
０４は、システムによってプロファイル化される各々の
顧客毎に１つのレコードを含み、顧客の口座の口座情報
を含み、さらに随意に、顧客に関する人口統計学的情報
（ｄｅｍｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎ）を
含む。顧客要約ファイル４０４は、典型的には、銀行の
ような金融機関とクレジットカード発行会社と百貨店等
とが各消費者に関して保持する顧客要約ファイルであ
る。顧客または金融機関は、情報値または予測値である
と思われるさらに別の人口統計学的フィールドを提供し
てもよい。人口統計学的フィールドの例は、年齢、性
別、および、収入を含む。他の人口統計学的フィールド
が、金融機関の必要に応じて提供されてもよい。

【００５０】表１は、好ましい実施形態における顧客要
約ファイル４０４のための１組のフィールドを示す。大
半のフィールドは改めて説明する必要がない。説明が必
要な唯一のフィールドは、各々の顧客口座と取引とを一
意的に識別する口座識別子である。この口座識別子が消
費者口座番号と同一であってもよいが、消費者が金融機
関との間に複数の口座関係（例えば、複数のクレジット
カードまたは銀行口座）を有するかも知れず、および、
消費者の全ての取引が一括して処理されるべきなので、
別々の識別子が使用されることが好ましい。各々の口座
識別子が各々１つの口座番号に一意的に関連付けられて
いるように、口座識別子が、例えば一方向ハッシュまた
は暗号化値によって、口座番号から導き出されることが
好ましい。ｐｏｐ＿ｉｄフィールドは、例えば支払い履
歴、口座タイプ、地理的区域等によって金融機関によっ
て指定される任意の個別の母集団に顧客母集団をセグメ
ント化するために随意に使用される。

【００５１】

【表１】

【００５２】各顧客に関する人口統計学的情報を収める
ための追加の随意の人口統計学的フィールドに留意され
たい。人口統計学的情報に加えて、消費者の口座の様々
な要約統計が含まれてもよい。これらは次のいずれかを
含む。

【００５３】

【表２】

【００５４】消費者取引ファイル４０６。消費者取引フ
ァイル４０６は、消費者要約ファイル内の消費者に関す
る取引レベルデータを含む。共有キーは口座識別子（ａ
ｃｃｏｕｎｔ＿ｉｄ）である。好ましい実施形態では、
取引ファイルが次の記述を有する。

【００５５】

【表３】

【００５６】ＳＫＵと小売業者ＺＩＰコードのデータは
随意であり、これらのデータを、どの取引が共起してい
るかを調べる上でより一層きめ細かいフィルタリングを
行うために使用してよい。ＤＰＭに対する出力が、各消
費者に関する口座情報と取引情報の合併ファイルを含む
マスタファイル４０８の集まりである。このマスタファ
イルは、プロファイリングエンジン４１２にデータを入
力する前に前処理段階として生成される。マスタファイ
ル４０８は、本質的に、各顧客の口座レコードの末端に
顧客の取引が付加されている顧客要約ファイル４０４で
ある。したがって、マスタファイルは可変長のレコード
を有する。マスタファイル４０８は、ＳＱＬ質問を可能
にするデータベースフォーマットの形で格納されること
が好ましい。口座識別子１つ毎に１つのレコードが存在
する。

【００５７】好ましい実施形態では、マスタフィイル４
０８は次の情報を有する。

【００５８】

【表４】

【００５９】各顧客毎に含まれている取引は、上記の様
々なデータフィールドと、金融機関が追跡調査すること
を望む他のあらゆる随意の取引１回毎のデータとを含
む。マスタファイル４０８は、最終の更新と更新回数と
を示すヘッダを含むことが好ましい。このマスタファイ
ルは、新たな顧客と既存の顧客に関する新たな取引とに
関して増分的に更新されてよい。金融機関の顧客による
新たな取引を捕捉するために、このマスタファイルデー
タベースを１ヶ月単位で更新することが好ましい。

【００６０】ＤＰＭ ４０２は、次のプロセスによって
消費者要約ファイル４０４と消費者取引ファイル４０６
とからマスタファイル４０８を作成する。 ａ）最小データ要件を検査する。ＤＰＭ ４０２は、口
座数と取引数とを調べるために、（多数の物理媒体ソー
スが存在するかも知れないので）そのＤＰＭが取り扱っ
ているデータファイルの個数とファイルの長さとを調べ
る。小売業者とセグメントの十分に高精度のモデルを実
現するためには、少なくとも２００万個の口座に関し
て、少なくとも１２ヶ月間の取引を使用することが好ま
しい。しかし、システム４００が操作することが可能な
データの量に対して、形式的な下限は存在しない。

【００６１】ｂ）データクリーニング（ｄａｔａ ｃｌ
ｅａｎｉｎｇ）。ＤＰＭ ４０２は、有効なデータフィ
ールドを検査し、無効なレコードを廃棄する。無効なレ
コードは取引ファイルの消費者要約ファイルのために必
要なフィールドのいずれかを失っているレコードであ
る。ＤＰＭ ４０２は、さらに、壊れているフィールド
に関する紛失値または紛失データを表示するが、これは
随意である。重複取引は、口座ＩＤ、口座番号、取引コ
ード、取引金額、日付、および、小売業者記述をキーと
して使用することによって取り除かれる。

【００６２】ｃ）ファイルのソートとマージ。消費者要
約ファイル４０４と消費者取引ファイル４０６の両方を
口座ＩＤによってソートする。消費者取引ファイル４０
６をさらに取引データによってソートする。小売業者の
共起の判定にさらに影響を与えるために、例えば時間、
取引タイプ、小売業者ＺＩＰコードに基づく取引ファイ
ルに対する追加のソート処理を行ってもよい。上記の通
りに、ソートされたファイルが、口座１つ毎に１つのレ
コードを伴ってマスタファイル４０８の形にマージされ
る。

【００６３】この段階に関与するデータの量が多量であ
るために、マスタファイル４０８の圧縮が好ましく、こ
の場合には、オンザフライ（ｏｎ−ｔｈｅ−ｆｌｙ）圧
縮および解凍がサポートされる。これによって、Ｉ／Ｏ
の減少のためにシステム性能が改善される場合が多い。
これに加えて、この場合も同様に、一度に取り扱うデー
タの量を減らすために、図４ａに示すように、例えば母
集団ＩＤまたは他の変数によって分割する形で、マスタ
ファイル４０８を多数のサブファイルに分割してもよ
い。 Ｅ．予測モデル生成システム 図４と図５を参照すると、これらの図に示されているよ
うに、予測モデル生成システム４４０が、マスタファイ
ル４０８を入力として受け取り、消費者ファイルと、消
費者ベクトルと、小売業者ベクトルと、小売業者セグメ
ントと、セグメント予測モデルとを作成する。このデー
タが、データ後処理モジュール４１０からの入力を使用
して各小売業者セグメント内の消費者による将来の消費
支出の予測を生成するために、プロファイリングエンジ
ンによって使用される。

【００６４】図８は、３つのモジュール、すなわち、小
売業者ベクトル生成モジュール５１０と、クラスタ化モ
ジュール５２０と、予測モデル生成モジュール５３０と
を含む予測モデル生成システム４４０の１つの実施形態
を示す。 １．小売業者ベクトルの生成 小売業者ベクトルの生成は、顧客の口座データに対す
る、特にマスタファイル４０８に対する、文脈ベクトル
タイプの分析の適用である。小売業者ベクトルの生成の
ための操作は、小売業者ベクトル生成モジュール５１０
によって管理される。

【００６５】初期小売業者ベクトルを得るために、マス
タファイル４０８の追加の処理がマスタファイル４０８
内で共起する小売業者の分析を進める。小売業者記述に
対して使用される２つの逐次処理、すなわち、ステミン
グ（ｓｔｅｍｍｉｎｇ）と等価化（ｅｑｕｉｖａｌｅｎ
ｃｉｎｇ）が存在する。これらの処理は、小売業者にお
ける取引の終始一貫した識別を可能にするために、個々
の小売業者名称の異形を単一の共通な小売業者名称に正
規化する。この処理はベクトル生成モジュール５１０に
よって管理される。

【００６６】ステミングは、小売業者記述から不要な文
字を取り除くプロセスである。不要文字の例は句読点と
トレーリング数字とを含む。トレーリング数字は、一般
的に、大きな店舗チェーン会社における個別の店舗を表
示する（例えば、Ｗａｌ−Ｍａｒｔ＃１２３４５）の
で、こうしたトレーリング数字が除去される。特定の店
舗チェーン会社の全ての系列店を単一の小売業者記述と
して識別することが好ましい。随意に、ステミングは全
ての文字を小文字に変換し、かつ、間隔文字をダッシュ
で置き換える。これによって、小売業者記述の全てが、
間隔文字を含まない文字の連続したストリングとなる。
小文字への拘束は、ステミング済みの小売業者記述から
ステミングされていない小売業者記述を区別することを
容易にするという利点を有する。

【００６７】等価化はステミングの後に行われ、この等
価化は、個々の小売業者記述の様々に異なったスペリン
グを、単一の小売業者記述に関連しているものとして識
別する。例えば、「Ｒｏｔｏ−Ｒｏｏｔｅｒ」社が、
「ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＷＥＲ−ＳＥＲＶ」と
「ＲＯＴＯ−ＲＯＯＴＥＲ−ＳＥＲＶＩＣＥ」と「ＲＯ
ＴＯ−ＲＯＯＴＥＲ−ＳＥＷＥＲ−ＤＲ」という３つの
ステミング済みの小売業者記述を伴って取引データ中に
出現するだろう。ルート名称と等価名称全てのリストと
を含む等価表が設定される。この例では、ＲＯＴＯ−Ｒ
ＯＯＴＥＲ−ＳＥＷＥＲ−ＳＥＲＶがルート名称にな
り、上記記述の他の２つが等価名称としてリストされ
る。後続のマスタファイル４０８の生成（例えば、次の
月次更新）のような操作時には、識別された等価化済み
の名称が、等価表からのルート名称で置き換えられる。

【００６８】一実施形態では、等価化を、さらに随意に
第３の段階を伴う形で、２つの段階で行う。第１の等価
化段階が、近似的に同一のスペリングを有する小売業者
記述を発見するためにファジイ３文字名称照合アルゴリ
ズムを使用する。この方法は、全ての小売業者記述にお
ける３文字名称（語の形の３つの連続した文字のセッ
ト）全てに関する統計を収集し、各々の小売業者記述に
おける３文字名称のリストを維持する。その次に、この
方法は、小売業者名称が共通して有する３文字名称の個
数に基づいて、比較のために提供されている任意の２つ
の小売業者名称に関する近似性の評点を求める。２つの
小売業者名称が十分に近似していると採点される場合に
は、これらの小売業者名称が等価化される。下記の付録
Ｉが、小売業者名称（および他のストリング）を等価化
するために使用可能な新規の３文字名称照合アルゴリズ
ムを示す。このアルゴリズムは、３文字名称ベクトルを
生成するために、データセット中での３文字名称の出現
頻度に基づいて、各々の３文字名称のベクトル表現を使
用し、ベクトルドット積に基づいて近似性を評価する。

【００６９】同一のＳＩＣコードを割り当てられている
小売業者だけに等価化を適用することが好ましい。２つ
の小売業者が類似した名称を有するかも知れないので、
この制限が有益であるが、２つの小売業者が互いに異な
ったＳＩＣ分類項目に属している場合には、これら２つ
の小売業者は実際には互いに異なった事業である可能性
が高い。

【００７０】第２の等価化段階は、一群の特殊な事例を
固定することから成る。処理中の取引データの特定のセ
ットによって経験が得られるので、こうした特殊な事例
が識別される。こうした特殊な事例の殆どを含む２つの
大まかな種類が存在し、すなわち、店舗チェーンの特定
の店舗を識別するために番号の代わりに場所の名称が使
用され、および、百貨店の中には、特定の売り場の名称
をその店舗チェーンの名称に追加するものがある。この
第１のケースの事例がＵ−Ｈａｕｌであり、この場合
に、ステミングした記述がＵ−ＨＡＵＬ−ＳＡＮ−ＤＩ
ＥＧＯ、Ｕ−ＨＡＵＬ−ＡＴＬＡＮＴＡ等になる。第２
の事例がＲｏｂｉｎｓｏｎｓ−Ｍａｙ百貨店であり、そ
のステミングした記述がＲＯＢＩＮＳＯＮＭＡＹ−ＬＥ
Ｅ−ＷＯＭＥＮ、ＲＯＢＩＮＳＯＮＭＡＹ−ＬＥＶＩ−
ＳＨＯＲＴ、ＲＯＢＩＮＳＯＮＭＡＹ−ＴＲＩＦＡＲＩ
−ＣＯ、および、ＲＯＢＩＮＳＯＮＭＡＹ−ＪＡＮＥ−
ＡＳＨＬＥとなる。両方の事例とも、ルート名称（例え
ば、Ｕ−ＨＡＵＬまたはＲＯＢＩＮＳＯＮＭＡＹ）を含
む、適正なＳＩＣコードにおけるあらゆる小売業者記述
が、このルート名称に等価化される。

【００７１】第３の随意の段階は、最も頻度が高い小売
業者に関する記述の手作業による検査と訂正を含む。こ
の検査を受ける小売業者の数は、処理ストリームにおけ
る時間的制約条件に応じて様々である。この段階は、上
記の２つの段階には当てはまらない事例に適用される。
この一例がＭｉｃｒｏｓｏｆｔ Ｎｅｔｗｏｒｋであ
り、小売業者記述がＭＩＣＲＯＳＯＦＴ−ＮＥＴおよび
ＭＳＮ−ＢＩＬＬＩＮＧとなる。取引データから十分な
サンプルを得ることによって、これらの小売業者記述
が、上記の２つの段階で特殊な事例に付加されることも
可能である。

【００７２】マスタファイル４０８の少なくとも１つの
セットが、等価化の決定前に作成されることが好まし
い。これは、等価化の開始前に各々のＳＩＣコード内の
各小売業者記述の頻度に基づいて統計量をまとめるため
に望ましい。等価表の作成が完了すると、当初のマスタ
ファイル４０８が、等価化済みの小売業者記述を使用し
て再構成される。この段階は、全ての等価化済みの小売
業者記述子をその関連のルート名称で置き換え、これに
よって、小売業者に関する全ての取引が同じ１つの小売
業者記述子に関連付けられることを確実なものにする。
この当初の等価表を使用して、後続の入力取引データ
を、マスタファイルに加えられる前に等価化することが
可能である。

【００７３】所与の等価表に関して、各々の小売業者記
述子（および、その等化物を含む）の出現の頻度を表
す、小売業者記述子の頻度リストを求めることが可能で
ある。この等価表の定義が終わると、初期の小売業者ベ
クトルを各ルート名称に割り当てる。その次に、共起に
基づく小売業者ベクトルのトレーニングを行い、口座Ｉ
Ｄによってマスタファイルを処理し、その次に上記のよ
うに日付によってマスタファイルを処理する。 ２．小売業者ベクトルのトレーニング：ＵＤＬアルゴリ
ズム 上記のように、小売業者ベクトルは、各消費者の取引デ
ータにおける小売業者の共起に基づいている。口座によ
って順序付けられかつ取引データによって口座内で順序
付けられたマスタファイル４０８を、口座毎に処理し、
その次に、共起する小売業者のグループを識別するため
に日付順に処理する。（等価化された）小売業者名称の
共起が、小売業者ベクトルの値を更新する基礎である。

【００７４】小売業者ベクトルのトレーニングは、取引
における小売業者の共起に関する「予想外の偏差（ｕｎ
ｅｘｐｅｃｔｅｄ ｄｅｖｉａｔｉｏｎ）」に基づいて
いる。さらに明確に述べると、取引データ中でいずれか
各々２つずつの小売業者が共起する予測上の割合を、個
々の個別の小売業者が他のいずれかの小売業者と共に共
起の形で出現する頻度と、共起イベントの合計数とに基
づいて推定する。各々２つずつの小売業者の実際の共起
の回数を求める。各々２つずつの小売業者が予想よりも
高い頻度で共起する場合には、これらの２つの小売業者
が互いに肯定的に関係しており、この関係の強さは共起
の「予想外の」量の共起の関数である。各々２つずつの
小売業者が予想よりも低い頻度で共起する場合には、こ
れら２つの小売業者は互いに否定的に関係している。各
々２つずつの小売業者が取引データ中で概ね予想通りに
共起する場合には、これらの２つの小売業者の間には一
般的に互いに関係が存在しない。小売業者ベクトル間の
所望のドット積としての、各々２つずつの小売業者の関
係の強さを使用することによって、小売業者ベクトルの
値をベクトル空間内で求めることが可能である。このプ
ロセスが、「予想外の偏差」学習アルゴリズム（ｕｎｅ
ｘｐｅｃｔｅｄ ｄｅｖｉａｔｉｏｎ ｌｅａｒｎｉｎ
ｇ ａｌｇｏｒｉｔｈｍ）、すなわち、「ＵＤＬ」の基
礎である。

【００７５】このアプローチが、データベース全体に関
係した項目の全体的頻度に基づく傾向を有する従来のベ
クトルベースの表現モデルに関連した問題点を克服す
る。特に、従来のモデルでは、極めて多数の物品購入が
行われる小売業者である高頻度の小売業者が、他の多く
の小売業者と共に共起することになり、さらには、こう
した他の小売業者がこの高頻度の小売業者に関連してい
るという誤った示唆を与えるか、または、単純に、極め
て僅かしか影響しないかのように著しく低い重みを与え
られることになるだろう。すなわち、高頻度の小売業者
の名称が高頻度の英語単語「ｔｈｅ」や「ａｎｄ」等の
ように取り扱われることになり、こうした単語は、特に
その高頻度のために、従来のベクトルシステムでは非常
に低い重みを与えられる。

【００７６】しかし、本発明は、個々の小売業者の高頻
度の出現を考慮し、高頻度の小売業者を含む小売業者が
他の小売業者と共に共起する際の予想割合を分析する。
高頻度の小売業者は、より頻繁に出現すると予想され
る。高頻度の小売業者と別の小売業者とが予想頻度より
も高い頻度で共起する場合には、これらの小売業者の間
に肯定的な相関が存在する。したがって、本発明は、従
来の方法では不可能な仕方で高頻度の小売業者を考慮に
入れる。

【００７７】「予想外の偏差」を使用する小売業者ベク
トルのモデル化の全体的プロセスは次の通りである。 １．最初に、取引データ中で小売業者が別の１つの小売
業者と共に共起する回数を計数する。互いに関連した小
売業者が頻繁に共起し、互いに無関係の小売業者が頻繁
には共起しないということが直感的知識である。

【００７８】２．その次に、観察した共起が予想した共
起からどれだけ逸脱しているかに基づいて、小売業者間
の関係の強さを計算する。この関係の強さは次の特徴を
有する。 ・ 予想頻度よりも著しく高い頻度で共起する２つの小
売業者は、互いに肯定的に関係している。

【００７９】・ 予想頻度よりも著しく低い頻度で共起
する２つの小売業者は、互いに否定的に関係している ・ 予想頻度と概ね同じ頻度で共起する２つの小売業者
は、互いに無関係である。 ３．関係の強さをベクトル空間内にマッピングする。す
なわち、小売業者間の関係の強さが与えられた全ての各
々２つずつの項目に関して、小売業者ベクトルの相互間
の所望のドット積を求める。このマッピングによって次
の特徴が得られる。

【００８０】・ 互いに肯定的に関係している小売業者
に関する小売業者ベクトルは、正のドット積を有する。 ・ 互いに否定的に関係している小売業者に関する小売
業者ベクトルは、負のドット積を有する。 ・ 互いに無関係である小売業者に関する小売業者ベク
トルは、ゼロのドット積を有する。 ４．小売業者ベクトル間のドット積が所望のドット積に
少なくとも著しく近いように、小売業者ベクトルをその
初期の割当てから更新する。

【００８１】次のセクションでは、このプロセスをさら
に詳細に説明する。 ａ）共起の計数 共起の計数は、２つの項目（ここでは小売業者記述）が
何らかのデータセット（ここでは消費者の取引）内の固
定サイズの共起窓の中で共起する回数を計数する処理手
順である。この計数を、順方向、逆方向、または、双方
向に行うことが可能である。共起の計数を例示する最善
の方法は、各タイプの共起計数に関して事例を示すこと
である。

【００８２】例：次の小売業者名称のシーケンスを検討
する。 Ｍ１ Ｍ３ Ｍ１ Ｍ３ Ｍ３ Ｍ２ Ｍ３ ここで、Ｍ１、Ｍ２およびＭ３は、消費者による取引の
シーケンスの中に出現する通りの任意の小売業者名称を
表している。この例では、取引の日付、金額、取引識別
子等といった余計なデータが無視されている。さらに、
サイズが３である共起窓を想定する。この場合、この共
起窓は、項目すなわち取引の単純な計数に基づいてお
り、したがって、この共起窓は、連続する３つの取引か
ら構成される取引のグループを表現する。

【００８３】ｉ）順方向の共起の計数 計数プロセスの第１の段階は、順方向の共起窓を設定す
ることである。図６ａが、この小売業者名称シーケンス
の順方向の共起の計数のための共起窓６０２を示してい
る。定義から必然的に、各々の小売業者名称が、唯一の
共起窓６０２に関する（矢印で示されている）目標６０
４である。したがって、この例では、１から７の番号が
付けられている７つの順方向共起窓６０２が存在する。
所与の共起窓６０２内の他の小売業者名称を、ネイバー
（ｎｅｉｇｈｂｏｒ）６０６と呼ぶことにする。順方向
の共起の計数では、ネイバーは目標の後に出現する。窓
サイズ＝３である場合には、所与の共起窓６０２内に多
くとも３つのネイバー６０６が存在する可能性がある。
当然のことながら、窓のサイズが大きければ大きいほ
ど、一度に共起する小売業者（および、取引）の数が多
い。

【００８４】その次の段階が、全ての共起イベントを含
む表を作成することである。共起イベントとは、単純
に、目標６０４をネイバー６０６と対にすることであ
る。図９の（ａ）の共起窓＃１の場合には、目標がＭ１
であり、ネイバーがＭ３とＭ１とＭ３である。したがっ
て、この窓における共起イベントは（Ｍ１，Ｍ３）、
（Ｍ１，Ｍ１）、および、（Ｍ１，Ｍ３）である。表５
が、この例の各々の共起窓に関する共起イベントの完全
なリストを含む。

【００８５】

【表５】

【００８６】最後の段階は、各々の一意の共起イベント
が出現する回数を集計することである。一意の共起イベ
ントは、２つの小売業者名称の（任意の順序の）組合せ
である。表６はこの集計を行列形式で示す。行が目標を
示し、列がネイバーを示す。後述の説明内容の参考のた
めに述べておくと、この行列が順方向共起行列と呼ばれ
るだろう。

【００８７】

【表６】

【００８８】ii）逆方向の共起の計数 逆方向の共起の計数を、共起窓内でネイバーが目標に先
行することを除いて順方向の共起の計数と同じ仕方で行
う。図９の（ｂ）は、逆方向の共起の計数のための、同
じ小売業者名称シーケンスに関する共起窓を示してい
る。共起窓を特定した後に、共起イベントを識別して計
数することが可能である。

【００８９】

【表７】

【００９０】その次に、各々の一意の共起イベントが出
現した回数を、逆方向共起行列に記録する。

【００９１】

【表８】

【００９２】順方向共起行列と逆方向共起行列とが互い
の転置行列であることに留意されたい。逆方向の共起の
計数が、取引ストリームが逆転されている順方向の共起
の計数と同一であるので、この関係は直観的知識であ
る。したがって、両方を計数する必要はなく、どちらか
一方の計数を使用することが可能であり、その次に、そ
の結果得られた共起行列の転置行列として、他方の共起
行列が得られる。 iii)双方向の共起の計数 双方向共起行列は、順方向共起行列と逆方向共起行列と
の和にすぎない。この結果として得られる行列は常に対
称である。言い換えると、小売業者名称Ａと小売業者名
称Ｂとの間の共起は、小売業者名称Ｂと小売業者名称Ａ
との間の共起と同一である。これと同じ対称性がベクト
ル空間内では本来的であるので、この性質が望ましい。
すなわち、小売業者Ａと小売業者Ｂとに関する小売業者
ベクトルＶ_A とベクトルＶ_B との場合に、Ｖ_A ( ベクト
ル）・Ｖ_B （ベクトル）＝Ｖ_B （ベクトル）・Ｖ_B （ベ
クトル）が成立する。この理由から、好ましい実施形態
が次式の双方向共起行列を使用する。

【００９３】

【表９】

【００９４】図１０の（ａ）と図１０の（ｂ）は、マス
タファイル４０８内の消費者取引データの文脈における
上記着想を示している。図１０の（ａ）には、特定の顧
客の取引を含むマスタファイル４０８の一部分が示され
ている。このデータは、上記のステミング段階および等
価化段階の以前のものであり、したがって、間隔文字と
店舗番号と所在地と他の非本質的データとを伴う小売業
者の当初の名称を含む。

【００９５】図１０の（ｂ）は、ステミングと等価化の
後の上記と同じデータを示している。以前には店舗番号
を識別したＳＴＡＰＬＥＳにおける２つの取引が、この
時点では等価化されているということに留意されたい。
以前には取引が所在地を含んでいたＡＬＡＭＯにおける
２つの自動車レンタル取引が、ＡＬＡＭＯに等価化され
ており、同様に、以前にはホテル所在地を含んでいたＨ
ＩＬＴＯＮにおけるホテル滞在が等価化されている。さ
らに、ＨＩＬＴＯＮ取引がホテル名称の前のホテル所在
地を指定したことに留意されたい。最後に、以前には売
り場を識別したＮＯＲＤＳＴＲＯＭＳにおける２つの取
引が、店舗名称自体に等価化されている。

【００９６】さらに、単一の順方向共起窓７００が、Ｈ
ＩＬＴＯＮでの最初の取引である目標７０２と共に示さ
れており、その次の３つの取引がネイバー７０４であ
る。したがって、ステミングと等価化とが済んだ名称に
よってマスタファイル４０８を更新した後に、小売業者
ベクトル生成モジュール５１０が、各々の消費者口座に
対して次の諸段階を行う。

【００９７】１．日付の順序で取引データを読み取る。 ２．予め決めた共起窓を使用して、取引データ中の小売
業者名称の共起を順方向に計数する。 ３．順方向共起行列と逆方向共起行列と双方向共起行列
とを生成する。 好ましい一実施形態は、取引３つ分の共起窓サイズを使
用する。これは、シーケンスだけに基づいて共起イベン
ト（および、互いの３つの語の中の小売業者名称の存在
でない）として取引データを収集する。別の実施形態で
は、この共起窓が、共起イベントを識別するために日付
範囲を使用して時間に基づいている。例えば、特定の目
標取引に関して、１週間の共起窓を使用する場合には、
共起するネイバー取引が目標取引の１週間の内に出現す
る。さらに別のデータ収集のアプローチは、取引として
ではなく目標時間期間として目標を定義することであ
り、この場合、共起窓を別の時間期間として定義するこ
とである。例えば、目標期間が３ヶ月のブロックである
ことが可能であり、したがって、このブロック内の全て
の取引が目標であり、この場合に、共起窓は目標期間後
に続く２ヶ月間の全ての取引であってよい。したがっ
て、この目標期間内に取引を有する各々の小売業者が、
共起期間内に取引を有する各々の小売業者（同じ小売業
者または他の小売業者）と共に共起する。当業者は、本
発明による共起のシーケンスおよび／または時間に関連
した原理を表現する別の共起の定義を容易に考案するこ
とが可能である。 ｂ）予測共起計数の推定 ２つの小売業者が互いに関係しているかどうかを判定す
るために、ＵＤＬアルゴリズムが、これら２つの小売業
者における取引発生の予想回数に関する推定値を使用す
る。取引データに関する既知の情報が、各々の小売業者
名称が共起イベントに出現する回数だけであると仮定す
る。追加の情報がない場合には、任意の２つの小売業者
名称がどれだけ強く関係しているかを示すこれら２つの
小売業者名称の間の相関を求めることは不可能である。
言い換えれば、１つの小売業者における取引の出現の可
能性が別の小売業者における取引の出現の可能性を増減
させるかどうかを判定することは不可能だろう。

【００９８】次に、２つの任意の小売業者である小売業
者ｉと小売業者ｊが共起する回数を予測することが求め
られていると仮定する。追加の情報が全くない場合に
は、小売業者ｉと小売業者ｊとが相関していないと見な
さなければならないだろう。確率論の観点からは、この
ことは、小売業者ｉにおける取引の発生が小売業者ｊに
おける取引の発生の確率に影響しないということを意味
する。すなわち、

【００９９】

【数４】

【０１００】小売業者ｉと小売業者ｊの結合確率が次式
で示され、

【０１０１】

【数５】

【０１０２】

【数６】

【０１０３】が得られる。しかし、真の確率Ｐ_i とＰ_j
とが未知であり、したがって、これらの真の確率がデー
タに関して示された限定された情報から推定されなけれ
ばならない。このシナリオでは、Ｐ_i とＰ_j とに関する
最尤推定値＾Ｐ

【０１０４】

【数７】

【０１０５】

【数８】

【０１０６】

【数９】

【０１０７】であり、ここで、Ｔ_i は、小売業者ｉが出
現した共起イベントの個数であり、Ｔ_j は、小売業者ｊ
が出現した共起イベントの個数であり、Ｔは、共起イベ
ントの合計数である。これらのデータ値が双方向共起行
列から取り込まれる。

【０１０８】これらの推定値を等式［３］に代入するこ
とによって、Ｐ_ijに関する推定値である

【０１０９】

【数１０】

【０１１０】が生じる。取引データ中には合計Ｔ個の独
立した共起イベントが存在するので、小売業者ｉと小売
業者ｊの共起取引の予想数が、

【０１１１】

【数１１】

【０１１２】である。この予想値は、取引データ中の任
意の２つの小売業者の間の相関を判定するための基準点
の役割を果たす。２つの小売業者が予想値よりも＾Ｔ_y
だけかなり高い頻度で共起する場合には、この２つの小
売業者は肯定的に関係している。同様に、２つの小売業
者が予想値よりもかなり低い頻度で共起する場合には、
この２つの小売業者は否定的に関係している。それ以外
の場合には、２つの小売業者は実際には互いに無関係で
ある。

【０１１３】さらに、所与の結合確率推定値＾Ｐ_y と独
立した共起イベント数Ｔとに関して、小売業者ｉと小売
業者ｊとが共起する回数に関する推定確率分布関数を求
めることが可能である。確率論から、Ｔ個の独立した試
行（この場合には取引）と各々の試行に関する成功（こ
の場合には、成功とは小売業者ｉと小売業者ｊの共起で
ある）の確率＾Ｐ_y とを有する実験を、二項分布を使用
してモデル化することが可能である。この場合には小売
業者の共起の回数を表す成功の合計回数ｋが次の確率分
布を有する。

【０１１４】

【数１２】

【０１１５】この分布は次の平均を有し、

【０１１６】

【数１３】

【０１１７】これは、異なったアプローチを使用して以
前に推定した値と同じ値である。この分布は分散を有す
る。

【０１１８】

【数１４】

【０１１９】この分散を、下記のＵＤＬ １で間接的に
使用する。ｔ_ij，σ_ijの標準偏差が分散Ｖ_ar[ ｔ_ij] の
平方根である。小売業者ｉと小売業者ｊとが互いに無関
係である場合には、実際の共起回数と予想共起回数との
間の差Ｔ_ij−＾Ｔ_ijがσ_ijよりもあまり大きくはないは
ずである。 ｃ）小売業者ベクトル間の所望ドット積 ２つの小売業者ベクトルの間の所望のドット積（ｄ_ij）
を計算するために、ＵＤＬアルゴリズムが、（双方向共
起行列内で発見した）観察した共起の回数を予測共起回
数に対して比較する。最初に、このアルゴリズムは、共
起回数から生の関係の測度（ｒ_ij）を算出し、その次
に、ｒ_ijから所望のドット積ｄ_ijを算出する。少なくと
も次の各々に異なる３つの方法によって、関係の強さと
所望のドット積とを共起データから算出することが可能
である。方法：ＵＤＬ １

【０１２０】

【数１５】

【０１２１】方法：ＵＤＬ ２

【０１２２】

【数１６】

【０１２３】方法：ＵＤＬ ３

【０１２４】

【数１７】

【０１２５】ここで、Ｔ_ijが小売業者ｉと小売業者ｊに
関する共起イベントの実際の回数であり、σ_r が全ての
ｒ_ijの標準偏差である。ＵＤＬ ２とＵＤＬ ３では、
対数尤度比ｌｎλが次式によって与えられる。

【０１２６】

【数１８】

【０１２７】各々の方法が、予想外の偏差、すなわち、
予想共起回数からの実際の共起回数の偏差を算出する。
上記で定義した変数で表すと、この予想外の偏差は、

【０１２８】

【数１９】

【０１２９】である。したがって、Ｄ_ijを、予想外の偏
差の生の測度として理解してもよい。各々の方法が同じ
予想外の偏差の測度を使用するので、各々の方法の間の
相違は、その方法がＤ_ijからｒ_ijを計算するために異な
った式を使用するということだけである。（他のドット
積の計算を使用してもよいということに留意された
い。） 第１の方法であるＵＤＬ １は、予想共起回数の標準偏
差で割り算された予想外の偏差Ｄ_ijとしてｒ_ijを定義す
る。関係の測度に関するこの式は、統計学者によって一
般的に使用されている有意性の測度であるカイ自乗（χ
² ）に密接に関係している。実際には、

【０１３０】

【数２０】

【０１３１】である。共起回数が少ない状況では、すな
わち、＾Ｔ_y ＜＜１である状況では、ＵＤＬ１がｒ_ijに
関して過度に大きな値を与える。例えば、少ない共起回
数であることを９０％以上が示す典型的な小売取引デー
タでは、約１０⁹ のｒ_ijの値が得られている。大きな関
係の測度をこうした高い割合で有するデータセットが問
題となる可能性がある。何故なら、こうした場合には、
σ_r も非常に大きくなるからである。同じσ_r が全ての
共起対で使用されるので、σ_r の大きな値が、小さな回
数を被らない共起対に関してｒ_ij／σ_r が非常に小さく
なることの原因となる。したがって、こうした場合に
は、ｄ_ijが

【０１３２】

【数２１】

【０１３３】となる。この特徴は、２つの小売業者が予
想よりも著しく高い度合いで共起する時でさえ、２つの
小売業者の小売業者ベクトルが過剰に直交していること
を強いるので、望ましくない。第２の方法であるＵＤＬ
２は、ｒ_ijを計算するために対数尤度比の推定値を使
用することによって「少ない回数」という問題を克服す
る。対数尤度比は、少ない回数に関してχ² よりも優れ
ている挙動を有すると同時に、非「少ない回数」領域内
ではχ² と同じ挙動を維持するということが既に示され
ている。

【０１３４】第３の方法であるＵＤＬ ３は、ＵＤＬ
２を僅かに変更した方法である。両者の違いは、対数尤
度比が１／√＾Ｔ_ijで基準化されるということである。
この基準化が、対数尤度比の推定値から√＾Ｔ_ijの偏り
を取り除く。この好ましい実施形態は殆どの場合にＵＤ
Ｌ ２を使用する。したがって、本発明は一般的に次の
通りに進行する。

【０１３５】１．ルート小売業者名称の各対に関して、
（あらゆる小売業者に関する）各々の小売業者名称に関
与する共起取引の合計数と共起取引の合計数とから、こ
のルート小売業者名称の対の共起の予測回数を求める。 ２．ルート小売業者名称の各対に関して、共起の予想回
数と共起の実際の回数との間の差に基づいて、関係の強
さの測度を求める。

【０１３６】３．ルート小売業者名称の各対に関して、
関係の強さの測度から、小売業者ベクトルの間の所望の
ドット積を求める。ｄ）小売業者ベクトルのトレーニング ベクトルのトレーニングの目的は、小売業者ベクトルの
間のドット積がその所望のドット積に非常に接近するよ
うに高次元のベクトル空間内に小売業者ベクトルを位置
決めすることである。（好ましい一実施形態では、ベク
トル空間が２８０個の次元を有し、これらの次元のうち
の幾つかを使用することが可能である。）これを、より
形式的に表現すると、小売業者ベクトルの集合Ｖ＝｛Ｖ
₁ （ベクトル），Ｖ₂ （ベクトル），…，Ｖ _n （ベクト
ル）｝と、各ベクトル対に関する所望のドット積の集合
Ｄ＝｛ｄ₁₂，ｄ₁₃，…，ｄ_1N，ｄ₂₁，ｄ₂₃，…，ｄ_2N，
ｄ_3,1 …ｄ_N(N-1)とに関して、費用関数が最小化される
ように各々の小売業者ベクトルを位置決めし、例えば、

【０１３７】

【数２２】

【０１３８】である。典型的な取引データの典型的なマ
スタファイル４０８では、小売業者ベクトルの集合が数
万個以上のベクトルを含む。これは、最適の解を発見す
ることが望ましいならば、数万個以上の高次元線形方程
式の系を解かなければならないことを意味する。情報が
必要とされる時間フレームのタイプによっては、この計
算は一般的に実用にならない。したがって、費用関数を
最小化する別の方法が好ましい。

【０１３９】こうしたアプローチの１つは勾配の降下に
基づいている。この方法では、所望のドット積が、小売
業者ベクトルの各対に関する実際のドット積と比較され
る。各々２つずつの小売業者ベクトルの間のドット積が
所望のドット積よりも小さい場合には、その２つのベク
トルが互いにより近くに移動させられる。各々２つずつ
の小売業者ベクトルのドット積が所望のドット積よりも
大きい場合には、その２つのベクトルが互いから離れる
ように移動させられる。ベクトル方程式の形で記述する
と、この更新規則は、

【０１４０】

【数２３】

【０１４１】である。学習速度（α）が十分に小さい
（および、使用する特定の取引データの分析によって決
定され、典型的には０．１から０．５の範囲内である）
限り、この方法が収束するが、この収束は非常に緩慢だ
ろう。別の方法は小売業者ベクトルの平均を使用する。
この実施形態では、他の小売業者ベクトルの現在の位置
と、現在の小売業者ベクトルと他の小売業者ベクトルと
の間の所望のドット積が与えられていると仮定して、現
在の小売業者ベクトルの所望の位置を他の小売業者ベク
トルの各々について求める。その次に、これらの所望の
位置の誤り重み付け平均（ｅｒｒｏｒ ｗｅｉｇｈｔｅ
ｄ ａｖｅｒａｇｅ）を計算し、現在の小売業者ベクト
ルの最終位置として取り入れる。ベクトル方程式の形で
記述すると、この更新規則は、

【０１４２】

【数２４】

【０１４３】であり、ここで、Ｖ_(n+1) （ベクトル）は
現在小売業者ベクトルＶ_i （ベクトル）の更新された位
置であり、Ｕ_ij（ベクトル）は、他の小売業者ベクトル
の各々Ｖ_i （ベクトル）に関する現在小売業者ベクトル
Ｖ_i （ベクトル）の所望の位置である。Ｕ_ij（ベクト
ル）は次式を使用して計算してよく、

【０１４４】

【数２５】

【０１４５】ここで、ｄ_ijはＶ_i （ベクトル）とＶ
_j （ベクトル）の間の所望のドット積であり、ε_ijはＶ
_i （ベクトル）とＶ_j （ベクトル）の間の現在のドット
積である。Ｕ_ij（ベクトル）は、小売業者ベクトルＶ_i
（ベクトル）とＶ_j （ベクトル）の線形組合せなので、
これらのベクトルＶ_i （ベクトル）とＶ_j （ベクトル）
の平面内に常に位置している。

【０１４６】これらの様々なアプローチの結果はいずれ
も、全ての小売業者名称に関する小売業者ベクトルの最
終的な集合である。下記の付録IIは、誤り重み付け更新
プロセスのための幾何学的に導き出されたアルゴリズム
を示している。付録III は、このプロセスの代数的に導
き出されたアルゴリズムを示しており、このアルゴリズ
ムは十分なコードインプリメンテーション（ｃｏｄｅ
ｉｍｐｌｅｍｅｎｔａｔｉｏｎ）を生じさせて、付録II
のアルゴリズムと同じ結果をもたらす。

【０１４７】当業者は、上記の変形を含むＵＤＬアルゴ
リズムと、付録に示すそのインプリメンテーションと
が、小売業者の共起の判定以外の文脈において使用され
てもよいということを理解するだろう。本発明のこの側
面を、例えば排他演算なしに高頻度のデータ項目を表現
する必要がある、あらゆるアプリケーション領域におけ
るベクトル表現と共起分析とのために使用してもよい。
したがって、ＵＬＤアルゴリズムを、情報検索と、文書
ルーティングと、他の分野の情報分析とに使用してもよ
い。 ３．クラスタ化モジュール 小売業者ベクトルの生成とトレーニングとの後に、クラ
スタ化モジュール５２０を、結果として得られた小売業
者ベクトルをクラスタ化して小売業者セグメントを識別
するために使用する。Ｋ平均クラスタ化（ＭａｃＱｕｅ
ｅｎ）を含む様々なクラスタ化アルゴリズムを使用して
もよい。クラスタ化の出力は、各々が小売業者ベクトル
の重心である小売業者セグメントベクトルの集合と、小
売業者セグメント内に含まれる小売業者ベクトル（した
がって小売業者）のリストである。

【０１４８】小売業者セグメントを生成するために一般
的に使用されてよい２つの異なったクラスタ化のアプロ
ーチがある。第１に、クラスタ化を小売業者ベクトル自
体に対して行ってよい。このアプローチは、ベクトル空
間内で概ね整列している小売業者ベクトルを有する小売
業者を捜し出し、これらの小売業者をセグメントの形に
クラスタ化し、各セグメントに関してクラスタベクトル
を計算する。したがって、取引が頻繁に共起しかつ小売
業者ベクトルの間の高いドット積を有する小売業者が、
小売業者セグメントを形成する傾向がある。ある１つの
クラスタ内の全ての小売業者が多くの消費者の取引にお
いて全て共起することは必ずしも必要ではないというこ
とに留意されたい。その代わりに、共起が結合的であ
り、小売業者Ａと小売業者Ｂとが頻繁に共起し、かつ、
小売業者Ｂと小売業者Ｃとが頻繁に共起する場合には、
A とＣとが同じ小売業者セグメント内に存在する可能性
が高い。

【０１４９】第２のクラスタ化のアプローチは消費者ベ
クトルを使用することである。各々の口座識別子に関し
て、消費者ベクトルを、定義された時間期間（例えば以
前の３ヶ月）内に消費者が物品購入を行ったことのある
小売業者のベクトルの合計として生成する。この生成の
単純な具体例は、

【０１５０】

【数２６】

【０１５１】であり、ここで、Ｃは、口座に関する消費
者ベクトルであり、Ｎは、選択された時間期間内の顧客
口座の取引データ中の一意のルート小売業者名称の個数
であり、Ｖ_i は、ｉ番目の一意のルート小売業者名称に
関する小売業者ベクトルである。その次に、消費者ベク
トルを単位長さに正規化する。より興味深い消費者ベク
トルが、各々の小売業者のベクトルの有意性を重み付け
るために、次のように様々な重み付け因子を計算に入
れ、

【０１５２】

【数２７】

【０１５３】ここで、Ｗｉは小売業者ベクトルＶｉに対
して割り当てられる重みである。例えば、時間期間中に
小売業者において消費者によって購入された合計（また
は平均）購入金額によって、最後の物品購入から経過し
た時間によって、時間期間中の物品購入の合計回数によ
って、または、他の因子によって、小売業者ベクトルを
重み付けすることが可能である。

【０１５４】しかし、計算の後に、互いに類似した消費
者がその物品購入挙動に基づいて小売業者セグメントを
形成するように、消費者ベクトルをクラスタ化すること
が可能である。これによって、小売業者セグメントベク
トルが定義される。ある特定の小売業者セグメントベク
トルに最も近い小売業者ベクトルは、その小売業者セグ
メントに含まれると見なされる。

【０１５５】小売業者セグメントとそのセグメントベク
トルとを使用して、各々のセグメントに関する予測モデ
ルを生成してよい。予測モデルの生成を説明する前に、
このプロセスで使用するトレーニングデータを説明す
る。Ｆ．データ後処理モジュール 小売業者セグメントの識別の後に、各々のセグメント内
の消費者の消費支出予測モデルを、小売業者セグメント
内における消費者の過去の取引から生成する。消費者セ
グメント内における消費者の過去の取引を使用すること
は、将来の消費支出を予測するための確実な根拠を提供
し、かつ、消費者の実際の消費支出パターンに基づいて
小売業者セグメントが識別されたので、人口統計学をベ
ースとする従来の予測の恣意性が最小限に抑制される。
セグメントに固有ではない消費者の追加の取引も、取引
挙動の根拠を与えるために使用してよい。

【０１５６】セグメントモデルを生成するために、消費
者取引データを観測情報（ｏｂｓｅｒｖａｔｉｏｎ）の
グループに編成する。各々の観測情報を、選択した終了
日付に関連付ける。この終了日付は観測情報を予測窓と
入力窓とに分割する。入力窓は、選択された終了日付の
以前の定義された過去の期間（例えば６ヶ月前）内の取
引の集合を含む。予測窓は、選択された終了日付の後の
定義された期間（例えば次の３ヶ月）内の一連の取引を
含む。予測窓の取引は、予測のための従属変数のソース
であり、入力窓の取引は、予測のための独立変数のソー
スである。

【０１５７】さらに明確に述べると、観測情報生成モジ
ュール５３０のための入力はマスタファイル４０８であ
る。その出力は、各口座に関する観測情報の集合であ
る。各々の口座は３つのタイプの観測情報を受け取る。
図１１がこの観測情報のタイプを示している。第１のタ
イプの観測情報は、ある特定の小売業者セグメント内で
の将来の消費支出を予測する予測モデルをトレーニング
するために使用されるトレーニング観測情報（ｔｒａｉ
ｎｉｎｇ ｏｂｓｅｒｖａｔｉｏｎｓ）である。Ｎが観
測情報入力の計算を行う窓の長さ（月数）である場合に
は、各セグメント毎に２Ｎ−１個のトレーニング観測情
報がある。

【０１５８】図１１には、１年目の３月から翌年の６月
までの１６ヶ月分の取引データが示されている。トレー
ニング観測情報が、１１月１日である対象日付の以前に
選択される。入力窓は、予測窓内の次の２ヶ月を予測す
るために４ヶ月分の過去データを含む。したがって、最
初の入力窓８０２ａが、６月１日という選択日付を使用
し、過去の取引を網羅するために３月〜６月を含み、予
測窓８０３ａからの７月〜８月の取引を予測する。次の
入力窓８０２ｂが、選択日付として８月１日を使用し、
過去の取引として４月〜７月の取引を使用し、予測窓８
０３ｂとして８月〜９月を使用する。このセットの最後
の入力窓が８０２ｄであり、この入力窓はその選択日付
として１１月１日を使用し、１１月〜１２月を予測窓８
０３ｄとして使用する。

【０１５９】第２のタイプの観測情報はブラインド観測
情報（ｂｌｉｎｄ ｏｂｓｅｒｖａｔｉｏｎｓ）であ
る。ブラインド観測情報は、トレーニング観測情報にお
ける予測窓のための時間フレームのいずれにも予測窓が
重複しない観測情報である。ブラインド観測情報は、セ
グメントモデルの性能を評価するために使用される。図
１１では、図に示すように、ブラインド観測情報８０４
が９月から２月のブラインド観測情報を含む。

【０１６０】第３の観測情報のタイプはアクション観測
情報（ａｃｔｉｏｎ ｏｂｓｅｒｖａｔｉｏｎｓ）であ
り、生成段階で使用される。アクション観測情報は入力
（選択日付が付けられた過去の取引）だけを有し、選択
日付の後には目標取引を持たない。アクション観測情報
は、最終月の利用可能なデータ全体を含む入力窓によっ
て構成される。これらの取引は、実際の予測の基礎とな
る取引である。したがって、これらの取引は、最近の選
択日付（例えば、最近の月末日）から、トレーニング中
に使用された入力窓の長さ全体にわたって遡る形で延び
る入力窓内の取引であるべきである。図１１では、アク
ション観測情報８０６は１１月１日から２月末日までを
対象範囲とし、実際の予測の期間は３月から５月末日で
ある。

【０１６１】図１１は、さらに、上記予測窓中の幾つか
のポイントにおいて、金融機関が、選択された消費者の
様々な小売業者セグメント内での予測上の消費支出に基
づいて、この選択された消費者に販売促進用資料を送る
ことを示している。図６及び図７を再び参照すると、こ
の図に示されているように、ＤＰＰＭが、マスタファイ
ル４０８と特定の選択された最終日付とを取得し、当該
セグメント内の取引と他のあらゆる取引とを含む消費者
の取引からのトレーニング観測情報とブラインド観測情
報とのセットを各消費者毎に構成し、その次にこれを各
セグメント毎に構成する。したがって、３００個のセグ
メントが存在する場合には、各消費者毎に３００セット
の観測情報が存在するだろう。予測のための生成中にＤ
ＰＰＭが使用される場合には、観測情報のセットはアク
ション観測情報のセットである。

【０１６２】トレーニングのために、ＤＰＰＭは、消費
者の取引から取引統計量を計算する。この取引統計量が
入力窓内の独立変数の役割を果たし、かつ、予測窓内で
の取引からの従属変数の役割を果たす。好ましい一実施
形態では、これらの変数は次の通りである。予測窓：従
属変数は一般的に予測窓内のセグメントにおける消費者
による消費支出の量または割合のあらゆる測度である。
単純な測度が、予測窓内の取引において消費者によって
セグメント内で消費支出されたドル総額である。別の測
度が小売業者で消費支出された平均金額（例えば、取引
回数で割り算した合計金額）であってよい。

【０１６３】入力窓：独立変数は、最終日付に至る入力
窓内での消費支出の様々な測度である（幾つかがその入
力窓の外側にあってもよい）。一般的に、消費者に関す
る取引統計量が、小売業者の様々なグループから抽出さ
れることが可能である。これらの小売業者グループが、
（１）全セグメント内の小売業者、（２）モデル化され
ている小売業者セグメント内の小売業者、（３）モデル
化されているセグメントに関するセグメントベクトルに
最も近似した小売業者ベクトルを有する小売業者（この
小売業者はこのセグメント内に存在しても存在しなくて
もよい）、および、（４）小売業者ベクトルが消費者の
消費者ベクトルに最も近い小売業者として定義されてよ
い。

【０１６４】入力変数の１つの好ましいセットが、 （１）最近性（Ｒｅｃｅｎｃｙ）。 現在の終了日付と、あらゆるセグメント内の消費者の最
新の取引との間の時間量（月数単位）。最近性は、使用
可能な全時間にわたって計算されてよく、かつ、入力窓
に制限されない。 （２）頻度。 全セグメントに関する終了日付に先行する入力窓内での
消費者による取引の回数。

【０１６５】（３）購入の金銭的価値。 全セグメントに関する終了日付に先行する入力窓内にお
ける消費者によって支出されたドル金額の測度。合計、
平均、または、他の測度が使用されてよい。 （４）最近性＿セグメント。 現在の終了日付とセグメント内の消費者の最新の取引と
の間の時間量（月数単位）。最近性は、使用可能な全時
間にわたって計算されてよく、かつ、入力窓に制限され
ない。

【０１６６】（５）頻度＿セグメント。 現在の終了日付に先行する入力窓内での消費者によるセ
グメント内の取引回数。 （６）金銭的価値＿セグメント。 現在の終了日付に先行する入力窓内での消費者によるセ
グメント内の支出ドル金額。 （７）最も近いプロファイル小売業者の最近性。 現在の終了日付と、消費者の消費者ベクトルに最も近い
小売業者の集まりにおける消費者の最新の取引との間の
時間量（月数単位）。最近性は、使用可能な全時間にわ
たって計算されてよく、かつ、入力窓に制限されない。

【０１６７】（８）最も近いプロファイル小売業者の頻
度。 現在の終了日付に先行する入力窓内の消費者による消費
者の消費者ベクトルに最も近い小売業者の集まりの中の
取引の回数。 （９）最も近い頻度小売業者の金銭的価値。 現在の終了日付に先行する入力窓内の消費者による消費
者の消費者ベクトルに最も近い小売業者の集まりの中の
支出ドル金額。

【０１６８】（１０）最も近いセグメント小売業者の最
近性。 現在の終了日付と、セグメントベクトルに最も近い小売
業者の集まりにおける消費者の最新の取引との間の時間
量（月数単位）。最近性は、使用可能な全時間にわたっ
て計算されてよく、かつ、入力窓には制限されない。 （１１）最も近いセグメント小売業者の頻度。 現在の終了日付に先行する入力窓内の消費者によるセグ
メントベクトルに最も近い小売業者の集まりの中の取引
の回数。

【０１６９】（１２）最も近いセグメント小売業者の金
銭的価値。 現在の終了日付に先行する入力窓内の消費者によるセグ
メントベクトルに最も近い小売業者の集まりの中の支出
ドル金額。 （１３）セグメント確率評点。 終了日付に先行する入力窓内の消費者に関する小売業者
取引の全てが与えられていると仮定した場合に、予測窓
内におけるセグメントで消費者が支出する確率。好まし
いアルゴリズムの１つが、再帰的ベイズ法を使用して、
結合確率を推定する。

【０１７０】（１４）季節性変数（ｓｅａｓｏｎａｌｉ
ｔｙ ｖａｒｉａｂｌｅ）。 周期的成分の基本周期が既知であると仮定する。季節性
の場合には、１２ヶ月の周期を仮定することが可能であ
る。２つの変数が、季節性に関係したモデルに加えられ
る。第１の変数が日付のサインをコード化し、第２の変
数が日付のコサインをコード化する。これらの変数に対
する計算が、 ｓｉｎ入力 ＝ ｓｉｎ（２．０＊ＰＩ＊（１年の中の
サンプル日）／３６５） ｃｏｓ入力 ＝ ｃｏｓ（２．０＊ＰＩ＊（１年の中の
サンプル月）／３６５） （１５）（セグメントベクトル−消費者ベクトルの近似
性。 随意の入力として、セグメントに関するセグメントベク
トルと消費者ベクトルとのドット積が、入力変数として
使用される。

【０１７１】これらの取引統計量に加えて、以前の１年
または複数年における、同じ順方向予測窓におけるセグ
メント小売業者、最も近いプロファイル小売業者、最も
近いセグメント小売業者の全ての場合に関する購入頻度
と金銭的価値とに関して、変数を定義してもよい。Ｇ．予測モデルの生成 各セグメントに関するトレーニング観測情報を、セグメ
ントに関する予測モデルを生成するためにセグメント予
測モデル生成モジュール５３０の中に入力する。図１２
は、予測モデル生成プロセスの論理の全体を示す。マス
タファイル４０８は、この図では一例として口座１から
口座Ｎで示している口座識別子に基づいて、口座によっ
て編成されている。セグメント１からセグメントＭによ
って示されるＭ個のセグメントが存在する。ＤＰＰＭ
は、口座と小売業者セグメントの各々の組合せに関し
て、入力とブラインド観測情報のセットを生成する。多
数の口座１、．．．、Ｎからの各々の小売業者セグメン
トＭに関する個々の観測情報を、トレーニング中に個々
のセグメント予想モデルＭに入力する。トレーニングが
完了すると、各々のセグメント予想モデルを、対応する
ブラインド観測情報を使用して検査する。各セグメント
毎に、トレーニング観測情報によって生成されるリフト
チャートを、ブラインド観測情報から生成されるリフト
チャートと比較することによって、この検査を行ってよ
い。リフトチャートをさらに詳細に後述する。

【０１７２】予測モデル生成モジュール５３０は、従来
の多層編成と逆伝播トレーニング（ｂａｃｋｐｒｏｐａ
ｇａｔｉｏｎ ｔｒａｉｎｉｎｇ）とを使用するニュー
ラルネットワークであることが好ましい。好ましい一実
施形態では、予測モデル生成モジュール５３０を、ＨＮ
Ｃ Ｓｏｆｔｗａｒｅ（Ｓａｎ Ｄｉｅｇｏ，Ｃａｌｉ
ｆｏｒｎｉａ）から入手可能なＨＮＣ Ｓｏｆｔｗａｒ
ｅ製のＤａｔａｂａｓｅ Ｍｉｎｉｎｇ Ｗｏｒｋｓｔ
ａｔｉｏｎによって実現している。

【０１７３】この好ましい実施形態は予測モデルのため
にニューラルネットワークを使用するが、他のタイプの
予測モデルを使用してもよい。例えば、線形回帰モデル
を使用してもよい。Ｈ．プロファイリングエンジン プロファイリングエンジン４１２は、システム４００に
よってデータが処理される各々の顧客に関する口座プロ
ファイルの形式で分析データを提供する。このプロファ
イリングエンジンは、消費者に関する新たな取引データ
が受け取られるにつれて消費者プロファイルを時間の経
過に応じて更新する役割を果たす。口座プロファイル
が、データベース４１４内に格納されることが可能なオ
ブジェクトであり、かつ、小売業者セグメント内の顧客
による将来の支出を予測するためにシステム４００の計
算構成要素に対する入力として使用される。プロファイ
ルデータベース４１４がＯＤＢＣに準拠していることが
好ましく、これによって、顧客プロファイルに関するＳ
ＱＬ質問を行うために口座プロバイダ（例えば、金融機
関）が上記データをインポートすることが可能になる。

【０１７４】口座プロファイルは、消費者ベクトルと、
予め決められた将来の時間期間における各セグメント内
での消費者の予測支出のような各小売業者セグメントに
関する消費者のメンバシップ値を示すメンバシップベク
トルと、予測モデルトレーニングに関して上述した最近
性変数と頻度変数と金銭的価値変数とを含むことが好ま
しい。

【０１７５】プロファイリングエンジン４１２は、次の
ように口座プロファイルを生成する。１．メンバシップ関数：各セグメントにおける予測支出 各々の口座所有者のプロファイルは、各セグメントに関
するメンバシップ値を含む。このメンバシップ値はメン
バシップ関数によって算出される。メンバシップ関数の
目的は、消費者が最も近い関係を有するセグメント、す
なわち、消費者が買い物をしたことがありかつ将来にお
いて買い物をする可能性が高い１つまたは複数の小売業
グループを最も適切に表現するセグメントを識別するこ
とである。

【０１７６】好ましい一実施形態では、以前の物品購入
履歴が与えられている場合に、メンバシップ関数が、口
座所有者が各セグメント内で物品購入を行うと予測され
るドル金額として、各セグメントに関するメンバシップ
値を計算する。このドル金額は、予め決められた過去の
期間（例えば、過去の取引の６ヶ月）に基づく予測期間
（例えば、今後の３ヶ月）に関して予測される。これら
の２つの時間期間が、小売業者セグメント予測モデルの
トレーニング中に使用される入力窓と予測窓の時間期間
に対応する。したがって、３００個の小売業者セグメン
トが存在する場合には、メンバシップ値のセットが、個
々の小売業者セグメントに対応する３００個の予測ドル
金額のリストである。消費者の支出履歴が与えられてい
ると仮定すれば、メンバシップ値によってこのリストを
ソートすることによって、将来の時間期間内での消費者
が最多の金額を支出すると予測される小売業者セグメン
トを識別することが可能になる。

【０１７７】支出を予測するために、各口座に関する特
定のデータをセグメント予測モデルの各々に入力する。
入力されるこの変数は、プロファイルのメンバシップ関
数と無矛盾であるプロファイルを得るように生成され
る。この入力変数が、上記のモデルトレーニング中に使
用される入力変数と同じであることが好ましい。メンバ
シップ関数に関する追加の入力変数が、（モデルがその
ようにトレーニングされる場合には）消費者ベクトルと
セグメントに関するセグメントベクトルとの間のドット
積を含んでよい。セグメントモデルの出力は、予測時間
期間内において各セグメント内で消費者が支出すると予
測されるドル金額である。２．消費者ベクトルに基づくセグメントメンバシップ 口座プロファイルにおけるメンバシップの第２の別の側
面が、各々の口座プロファイルに関する顧客ベクトルに
基づいたメンバシップである。消費者ベクトルは、クラ
スタ化に関して上述した通りに、口座が物品購入を行っ
た小売業者の要約ベクトルである。この側面では、消費
者ベクトルとセグメントに関するセグメントベクトルと
のドット積がメンバシップ値を定義する。この実施形態
では、メンバシップ値のリストは３００個のドット積の
集合であり、消費者は、最大のドット積を有する小売業
者セグメントのメンバである。

【０１７８】こうしたメンバシップ関数のどれか１つを
使用して、（各セグメントに関する最大のメンバシップ
値を有する口座に基づいて）各セグメントのメンバであ
る口座の母集団を判定することが可能である。この母集
団から、現金前払い金、物品購入、借方記入等のよう
な、口座に関する様々な要約統計量が生成されることが
可能である。この情報をさらに詳細に後述する。３．消費者プロファイルの更新 消費者の追加の取引が周期的に（例えば、毎月）受け取
られるのに応じて、その新たな取引における小売業者に
関連した小売業者ベクトルを、好ましくは更新対象の所
望の時間期間にわたる指数平均化のような平均手法を用
いて、消費者ベクトルの更新のために使用することが可
能である。

【０１７９】消費者ベクトルに対する更新は、おそらく
は小売業者において支出されたドルの平均に対する、支
出されたドルの関数であることが好ましい。したがっ
て、小売業者ベクトルが、その小売業者に関する消費者
による取引の時点と有意性の両方によって、新たな取引
期間内で重み付けされる（例えば、小売業者における消
費者による取引のドル金額によって重み付けされる）。
小売業者を重み付けするための１つの式が、

【０１８０】

【数２８】

【０１８１】であり、ここで、Ｗ_i は、小売業者ｉの小
売業者ベクトルに対して割り当てられる重みであり、Ｓ
_i は、更新時間期間内における小売業者ｉでの取引のド
ル金額であり、ｔは、小売業者ｉにおける最後の取引時
から経過した時間量であり、λは、小売業者の影響全体
を調整する定数である。

【０１８２】プロファイリングエンジン４１２は、さら
に、最後の更新の時点を示す、各消費者ベクトルに関す
るフラグを記憶する。Ｉ．レポーティングエンジン レポーティングエンジン４２６は、セグメントおよび口
座に固有の様々なタイプのレポートを提供する。こうし
たレポートを、プロファイリングエンジン４１２とセグ
メントと関連の口座とに関する口座データベースとに質
問を行うことと、セグメントと口座とに関する様々な統
計量を集計することとによって生成する。

【０１８３】１．基本的なレポーティング機能 レポーティングエンジン４２６は、 ａ）生の小売業者名称、ルート名称、または、等価名称
を含む、小売業者名称による探索、 ｂ）小売業者名称、取引頻度、取引の金額と量、小売業
者における取引回数、または、ＳＩＣコードによる、小
売業者リストのソート、 ｃ）小売業者における取引回数によるレポート内容のフ
ィルタリングを行う機能性を提供する。

【０１８４】レポーティングエンジン４２６は、これら
の入力基準に応じて、次のタイプのレポートを提供す
る。２．一般セグメントレポート 各々の小売業者セグメントに関して、そのセグメントの
非常に詳細で強力な分析をセグメントレポート内で生成
することが可能である。この情報は、 ａ）一般セグメント情報 小売業者結合：小売業者ベクトルがこのセグメント内で
どれだけ近接してクラスタ化されているかの測度。これ
は、小売業者ベクトルとこのセグメントの重心ベクトル
とのドット積の平均である。数字が大きいほど、クラス
タ化が緊密である。

【０１８５】取引の回数：全セグメントにおける購入取
引の合計回数に対する、このセグメントでの小売業者に
おける購入取引の回数であり、このセグメントが取引量
においてどれだけ有意であるかの測度を示す。 支出ドル金額：全セグメントにおける合計ドル支出金額
に対する、このセグメント内での小売業者で支出された
合計ドル金額であり、このセグメントに関するドルの量
の測度を与える。

【０１８６】最も密接に関係付けられているセグメン
ト：現在セグメントに最も近い他のセグメントのリス
ト。このリストは、セグメントベクトルのドット積によ
って、または、現在セグメントで購入がある場合には他
のセグメントでの購入の条件付き確率の測度によって、
ランク付けされてよい。この条件付き確率の測度Ｍは次
の通りである。Ｐ（Ａ｜Ｂ）が、以前の時間期間（例え
ば、６ヶ月）中においてセグメントＢでの購入があった
場合に、その次の時間期間（例えば、３ヶ月）中におけ
るセグメントＡでの購入の確率である。Ｐ（Ａ｜Ｂ）／
Ｐ（Ａ）＝Ｍ。Ｍ＞１である場合には、セグメントＢに
おける購入が、セグメントＡにおける購入に肯定的な影
響を与え、一方、Ｍ＜１である場合には、セグメントＢ
における購入が、セグメントＡにおける購入に否定的な
影響を与える。これは、セグメントＢにおける購入の確
率に関する情報が無ければ、Ｐ（Ａ｜Ｂ）＝Ｐ（Ａ）で
あり、したがってＭ＝１だからである。Ｐ（Ａ｜Ｂ）に
関する値が、これら２つのセグメントにおける小売業者
での購入の共起から求められ、Ｐ（Ａ）が、全セグメン
トに対して比較されたセグメントＡにおける購入の相対
的頻度から求められる。

【０１８７】（例えば、最も低い条件付き確率測度を使
用して）最遠のセグメントのリストを提供することも可
能である。ｂ）セグメントメンバ情報 セグメントのメンバである各小売業者に関して詳細な情
報が提供される。この情報は次のものを含む。

【０１８８】小売業者名称とＳＩＣコード、 ドル帯域幅（ｄｏｌｌａｒ ｂａｎｄｗｉｄｔｈ）：こ
のセグメントにおいて支出された全金額の中の、この小
売業者で支出される部分（パーセント）、 取引回数：この小売業者における購入取引の回数、 平均取引金額：この小売業者における購入取引の平均
値、 小売業者評点：この小売業者のベクトルと小売業者セグ
メントの重心ベクトルとのドット積（１．０の値が、そ
の小売業者ベクトルが重心にあることを示す）、 ＳＩＣ記述：ＳＩＣコードとその説明、 この情報を上記の次元のいずれかに沿ってソートしても
よい。ｃ）リフトチャート 予測時間窓内の予測支出を実際の支出と比較することに
よる、予測モデルの性能を妥当性検査するために有効な
リフトチャート。

【０１８９】次の表１０が、小売業者セグメントに関す
るリフトチャートのサンプルを示す。

【０１９０】

【表１０】

【０１９１】一般的にリフトチャートを次のように作成
する。上記のように、入力窓（例えば６ヶ月）と予測窓
（例えば３ヶ月）とを画定する。利用可能な最新の支出
データの末端に対するこれらの窓の全長からのデータが
取り入れられる。例えば、各口座における実際の支出に
関するデータが現在の月の月末を通して利用可能であ
り、その次に、以前の３ヶ月分の実際のデータを予測窓
として使用し、その以前の６ヶ月に関するデータを入力
窓のためのデータとして使用する。その次に、入力デー
タを、３ヶ月の予測窓内での支出を「予測する」ために
使用するが、この支出に関しては実は実際の支出データ
が存在する。予測モデルの妥当性を検査するために、予
測した支出金額を実際の金額と比較する。

【０１９２】その次に、各々の小売業者セグメント毎
に、予測窓の期間内の各セグメントに関する消費者の予
測支出によって消費者口座をランク付けする。口座のラ
ンク付けが終わると、ビン（ｂｉｎ）１が最大の支出口
座を有し、ビンＮが最低ランクの支出口座を有するよう
に、これらの口座をＮ個（例えば、２０個）の同じサイ
ズのビンに分割する。これによって、ある特定のセグメ
ントに関して予測モデルがこのセグメントにおいて最大
の支出を行うはずであると予測した口座所有者を識別す
ることが可能になる。

【０１９３】その次に、各々のビン毎に、過去の時間期
間におけるこのセグメント内の口座毎の実際支出の平均
と予測支出の平均とを計算する。全てのビンにわたって
の実際支出の平均も計算する。この全口座に関する実際
支出の平均が、表１０の最後の行に示されている通りの
基底線支出値（ドル単位）である。この数字が、予測窓
期間内に各セグメントにおいて口座所有者全員が支出し
た金額の平均を示す。

【０１９４】ある１つのビンに関するリフトが、基底線
支出値でそのビン内の口座による実際支出平均を割り算
した値である。セグメントに関する予測モデルが正確で
あれば、最高位にランクされたビンにおける口座が１よ
りも大きいリフトを有するはずであり、リフトが一般的
に増大していくはずであり、ビン１が最高のリフトを有
する。これが当てはまる場合には、例えば表１０に示さ
れているように、ビン１内において、このことが、ビン
１内の口座が実際に基底線の数倍の金額を支出したとい
うことを示し、それによって、これらの口座が当セグメ
ント内の他の口座よりも多くの金額を実際に支出するだ
ろうという予測を確証する。

【０１９５】ある１つのビンに関する累積リフトを、こ
のビンとこのビンよりも高いランクの全てのビンとの中
の口座による平均支出を取り入れることと、この平均支
出を基底線支出で割り算することとによって算出する
（すなわち、ビン３に関する累積リフトが、基底線支出
で割り算した、ビン１からビン３における口座１個当た
りの平均支出である）。ビンＮに関する累積リフトは常
に１．０である。この累積リフトは、販売促進オファー
の目標にすべき口座グループを識別するのに有効であ
る。

【０１９６】リフト情報が、セグメント内の小売業者に
関連付けられている販売促進オファーの標的として金融
機関が特定の口座グループ（例えば、ビン１内の口座）
を高度に選択的に目標設定することを可能にする。小売
業者セグメントに関連した非常に離散的な個別口座のグ
ループに関するこのレベルの詳細な予測分析は、従来の
方法では現在のところ実現不可能であると考えられる。ｄ）母集団統計量表 レポーティングエンジン４２６は、さらに、様々な選択
基準に基づくセグメントに関連した口座母集団の財政的
挙動に関する２つのタイプの分析を提供する。セグメン
ト優勢評点口座統計量（ｓｅｇｍｅｎｔ ｐｒｅｄｏｍ
ｉｎａｎｔ ｓｃｏｒｅｓ ａｃｃｏｕｎｔ ｓｔａｔ
ｉｓｔｉｃｓ）表とセグメント上位５％評点口座統計量
（ｓｅｇｍｅｎｔ ｔｏｐ ５％ ｓｃｏｒｅｓ ａｃ
ｃｏｕｎｔ ｓｔａｔｉｓｔｉｃｓ）表とが、ある特定
のセグメントにおける、買い物をするかまたは買い物を
する可能性が高い２つのタイプの消費者母集団に関する
平均化した口座統計量を与える。これらの２つの母集団
を次のように求める。 セグメント優勢評点口座統計量表 少なくとも１つの購入取引を伴う全ての使用可能な口座
を全セグメントに関して評点（予測支出）する。各セグ
メント内において、口座を評点によって順位付けし、百
分位数の順位を割り当てる。この結果として、各口座毎
に小売業者セグメントの各々に関する百分位数の順位値
が得られる。

【０１９７】特定のセグメントに関する対象の母集団
を、当セグメント内で最高の百分位数の順位値を有する
口座として定義する。例えば、ある口座が、セグメント
＃１０８において最高の百分位数の順位を有する場合に
は、その口座はセグメント＃１０８に関する統計量表の
母集団に含まれるが、他のいずれかのセグメントには含
まれないだろう。このアプローチは各々の口座所有者を
各々に１つのセグメントだけに割り当てる。セグメント上位５％評点口座統計量 セグメント上位５％評点口座統計量表に関しては、現在
のセグメント内の９５％以上の百分位数の順位を有する
口座として母集団を定義する。これらの口座は、入力デ
ータ時間窓の後に続く予測される将来の時間期間におい
てそのセグメント内で最も多額を支出すると予測される
母集団の５％である。これらの口座が２つ以上のセグメ
ントにおいてこの母集団内に出現してよく、したがっ
て、高位の支出者が多くのセグメントに出現するだろ
う。これに付随して、非常に僅かしか支出しない支出者
はどのセグメントにも割り当てられないだろう。

【０１９８】各々の表に関する母集団内の口座の個数も
求められ、（下記の２つの表のタイトルとして示される
通りに）、生の個数として、および、全ての使用可能な
口座のパーセンテージとして示されることが可能であ
る。表１１と表１２とがこれら２つのタイプの表のサン
プルを示す。 表１１：セグメント優勢評点口座統計量：８２９１個の
口座（０．１７％）

【０１９９】

【表１１】

【０２００】表１２：セグメント上位５％評点口座統計
量：１５４７８６個の口座（３．１０％）

【０２０１】

【表１２】

【０２０２】ｉ）セグメント統計量 上記表が、行１つ当たり１つのカテゴリの形で、複数の
カテゴリの各々に関する下記の統計量を示す。 平均値：母集団全体にわたっての平均が評点される。 標準偏差：母集団全体にわたっての標準偏差が評点され
る。

【０２０３】母集団平均：上記平均値の全セグメントに
わたっての平均（したがって、この列は全セグメントに
関して同一であり、比較を容易にするために含まれてい
る）、 相対評点：上記母集団平均の小部分としての上記平均値
（パーセント表示）。 ii）行の記述 現金前払い金、購入、借方記入、支出合計における支出
と割合とに関する行を含む。

【０２０４】・支出の行（現金前払い金、購入、借方記
入）は、利用可能なデータの時間期間全体にわたっての
母集団内の全口座に関する１ヶ月当たりのドル金額に関
する統計量を示す。 ・割合の行（現金前払い金の割合、借方記入の割合、購
入の割合）は、利用可能なデータの時間期間全体にわた
っての母集団内の全口座に関する１ヶ月当たりの取引回
数に関する統計量を示す。

【０２０５】・借方記入は、現金前払い金と購入とから
成る。 ・セグメント内のドル金額は、このセグメント内で支出
される支出合計の小部分を示す。これは、このセグメン
ト全体がどれだけ有意であるかを金融機関に知らせる。 ・セグメント内の割合は、このセグメント内に出現する
購入取引全体の小部分を示す。

【０２０６】これら２つの母集団の間の差異は僅かであ
るが重要であり、上記の表によって示されている。セグ
メント優勢母集団が、そのセグメント内で消費者自身の
支出に関して最も多く支出すると予測される個人を、そ
のセグメントのメンバとして識別する。例えば、ある１
つのセグメント内での予測支出が＄２０．００（この金
額が７５番目の百分位数の順位を消費者を与える）であ
る消費者を想定する。他のあらゆるセグメントにおける
この消費者の百分位数の順位が７５番目の百分位数の順
位を下回る場合には、この消費者は、このセグメントに
関してこの母集団内で選択される。したがって、これ
は、口座間のメンバシップ関数と見なされてもよい。

【０２０７】この代わりに、上位５％評点の母集団が、
セグメント内で全ての他の口座所有者に比較して最も多
額を支出すると予測される口座所有者を含む。したがっ
て、その小売業者セグメント内で＄２０．００しか支出
しないと予測された口座所有者は、例えば＄１００．０
０を支出すると予測できる９５番目の百分位数の順位を
十分に下回るので、この母集団のメンバではないだろ
う。

【０２０８】上記の表のサンプルでは、これらの差異が
明示されている。表１１では、セグメント優勢母集団の
平均購入は＄１６６．８６にすぎない。表１２では、上
位５％の母集団による平均購入は、＄３９１．５４で、
セグメント優勢母集団の平均購入の２倍以上である。こ
の情報は、ある特定のセグメントにおいて支出する可能
性が最も高い口座を金融機関が正確に識別することを可
能にし、これらの口座を当該セグメント内の小売業者の
ための販売促進オファーの目標として設定することを可
能にする。

【０２０９】上記の表を、さらに、消費者ベクトルとセ
グメントベクトルとの間のドット積を含む、セグメント
に関連した口座を識別するために他の関数に基づいて作
成してもよい。Ｊ．目標設定エンジン 目標設定エンジン４２２が、予め決められた販売促進オ
ファーを受けるための目標となる母集団の選択を可能に
するために、各々の（または、いずれかの）小売業者セ
グメントに関する目標の母集団を金融機関が特定するこ
とを可能にする。

【０２１０】金融機関は、例えばある１つのセグメント
内の上位１０００人の口座所有者または上位１０％の口
座所有者のような、ある１つのセグメントに関する母集
団を特定することによって、このセグメントに関して目
標の母集団を特定することが可能である。この選択を、
ドット積または予測支出を含むメンバシップ関数のいず
れかによって実現することが可能である。例えば＄１０
０のようなセグメント内での最低支出額のような基準と
組み合わせて、他の目標設定仕様を使用してもよい。目
標の母集団を選択するためのパラメータが、目標設定エ
ンジン４２２に対する入力である目標仕様文書４２４で
定義されている。１つ以上の販売促進を、セグメントベ
クトルとの最大の相関、最高の平均取引額、または、他
の選択基準を有する小売業者のような、ある１つのセグ
メント内の特定の小売業者に明確に関連付けることが可
能である。これに加えて、販売促進で提供される金額
が、選択された各々の消費者に固有であり、かつ、セグ
メント内での各消費者の予測支出または歴史的支出に基
づいていることが可能である。この金額は、例えば小売
業者のドル帯域幅または平均取引額等に応じて、そのセ
グメント内での購入に対する小売業者の寄与の関数とし
て、販売促進が提供される個々の小売業者に応じて様々
であってよい。

【０２１１】選択された口座に関する口座識別子を、セ
グメントに関する適切な目標設定レポートを生成するレ
ポーティングエンジン４２６に与えることによって、目
標設定セグメンテーションレポート４３０を生成するた
めに、選択された口座を使用することが可能である。こ
のレポートは、一般的なセグメントレポートとして同じ
フォーマットを有するが、選択された母集団に応じてコ
ンパイルされる。

【０２１２】目標設定仕様４２４の一例を次に示す。

【０２１３】

【表１３】

【０２１４】表１３が、４つのセグメントと２つの販売
促進オファー（ＩＤ １とＩＤ ２）との全体にわたっ
て分布している合計で少なくとも２２８，０００個の顧
客口座の仕様を示す。各々のセグメントまたは販売促進
オファー毎に、異なった選択基準およびフィルタリング
基準が存在する。販売促進＃１の場合には、＄５０を越
えるセグメント内の平均取引を有する、予測支出に基づ
いたセグメント＃１２２内の上位７５，０００人の消費
者が、選択される。セグメント＃４１３におけるこの販
売促進の場合には、消費者ベクトルとセグメントベクト
ルの間のドット積に基づく上位１０％の口座が、セグメ
ント内に＄１００という最小の支出を有するので、これ
らの口座が選択される。最後に、販売促進＃２の場合に
は、２つのセグメント全体にわたって８７，０００人の
消費者が選択される。各々の販売促進オファー（例え
ば、オファーＩＤ １）において、販売促進オファーを
反映する単一のリフトチャートをセグメントの結合とし
て生成するためにセグメントモデルを併合してもよい。

【０２１５】その次に、目標設定エンジン４２２が次の
追加の機能性を提供する。 １．メールファイル（ｍａｉｌ ｆｉｌｅ）４３４に挿
入される選択された口座の口座プロファイルからフィー
ルドを選択する。例えば、口座に関する名称と住所と他
の情報とを抽出してもよい。 ２．その次に、メールファイル４３４を、有効なワード
プロセシングシステムまたはバルクメーリングシステム
にエクスポートする。

【０２１６】３．購入、借方記入、現金前払い金、また
は、他の口座データを含むような、口座フィールドを選
択するための、要約および累積頻度を含むレポートを生
成することを、レポーティングエンジン４２６に命令す
る。 ４．セグメント内の目標設定母集団に関するリフトチャ
ートを生成することと、重複した（結合された）セグメ
ントに関するリフトチャートを生成することを、レポー
ティングエンジン４２６に命令する。Ｋ．セグメント移行の検出 すでに明らかであるように、本発明のシステムは、ドッ
ト積と予測支出等のようなメンバシップの様々な測度に
基づいて、消費者がどの小売業者セグメントに関連して
いるかという問題に関する詳細な洞察を提供する。さら
に、消費者が時間の経過に応じて消費支出し続けるの
で、消費者口座と、セグメントに対する消費者の関連と
が、消費者の個々の消費支出習慣の変化に応じて時間経
過と共に変化すると推定される。

【０２１７】本発明は、セグメント移行検出エンジン４
２０によって消費者の消費支出の変化を検出することを
可能にする。ある特定のデータ期間（例えば、次の毎月
サイクル、または、複数月にわたるデータ収集）内にお
いて、各消費者に関するメンバシップの集合が、各々の
セグメントに関して上記のように様々に定義される。こ
の場合も同様に、これは、各セグメントにおける消費者
による予測支出、消費者ベクトルと各セグメントベクト
ルとの間のドット積、または、他のメンバシップ関数で
あってよい。

【０２１８】後続の時間期間内では、追加の支出および
／または予測データを使用して、メンバシップ値が再計
算される。各々の消費者が、セグメントメンバシップに
おいて最高限Ｐの増加と最低限Ｑの減少とを有するだろ
う。すなわち、２つの興味の変化、すなわち、消費者に
関するメンバシップ値における最大の増加を伴うＰ（例
えば、５）個のセグメントと、セグメントメンバシップ
における最大の減少を伴うＱ個のセグメントとが存在す
るだろう。

【０２１９】セグメントに関するメンバシップ値の増加
が、現時点で消費者がある特定のセグメントにおいてよ
り多くの金銭を支出している（または、支出すると予測
される）ということを示す。セグメントに関するメンバ
シップ値の減少が、そのセグメントにおける消費者の興
味の低下を示す。これらの移動はどちらも、消費者のラ
イフスタイル、収入、または、他の人口統計学的要素の
変化を反映するだろう。

【０２２０】以前には低いメンバシップ値を有した小売
業者セグメントにおける著しい増加が、そのセグメント
内に移行してくる口座所有者に対して販売促進オファー
を目標設定する上で特に有効である。これは、メンバシ
ップの著しい増加が、セグメント内の小売業者がそのセ
グメント内でより多く物品購入されると予測されるの
で、セグメント内の小売業者のための販売促進オファー
を消費者が現在において受け入れる可能性が非常に高い
ということを示すからである。

【０２２１】したがって、セグメント移行検出エンジン
４２０は、典型的には以前の時間期間内におけるメンバ
シップに関して（現在の取引明細書日付で終了または開
始する）最新の予測窓内のデータを使用して、２つの選
択された時間期間の間での各消費者のメンバシップ値の
変化を計算する。金融機関が、閾値よりも大きいメンバ
シップの変化を伴う口座を選択するために、閾値変化値
を定義することが可能である。その次に、選択された口
座を、セグメントへの移行またはセグメントからの移行
をすでに行ったと見なされる口座に適用されることを除
いて一般的なセグメントレポートと同様であるセグメン
ト移行レポート４３２を含む様々なレポートの生成のた
めのレポーティングエンジン４２６に提供してもよい。
これは、さらに、消費者がメンバシップにおいて最も大
きい正の増加を示したセグメント内の小売業者のための
販売促進オファーの目標として、金融機関がこれらの消
費者を選択的に目標設定することを可能にする。

【０２２２】その次に、要約して述べると、本発明は、
予め決められた時間期間に関して、別々に定義されたセ
グメントにおける消費者の財政的挙動を予測する様々な
強力な分析方法を提供する。小売業者セグメントにおけ
る小売業者のクラスタ化が、対象の消費者を識別するた
めに時系列と予測期間との両方において、各々の個別の
セグメントにおける消費者の取引の分析を可能にする。
その次に、識別された消費者を、特定のセグメント内の
小売業者に精確に狙いを定めた販売促進オファーの目標
に設定することが可能である。付録 Ｉ：Ｎ文字名称の照合アルゴリズム １．１組のトレーニング例題をこのアルゴリズムに与え
る。この場合には、トレーニング例題は、処理される全
ての小売業者名称である。 ２．各々のトレーニング例題を、選択したｎの値（３文
字名称ではｎ＝３）に応じて、使用可能な全てのｎ文字
名称に分割する。例えば、小売業者名称「ｗａｌ−ｍａ
ｒｔ」は、３文字名称「＾＾ｗ」、「＾ｗａ」、「ｗａ
ｌ」、「ａｌ−」、「ｌ−ｍ」、「−ｍａ」、「ｍａ
ｒ」、「ａｒｔ」、「ｒｔ＾」、「ｔ＾＾」を与え、こ
こで「＾」が「ストリング端」の字句である。 ３．各々の３文字名称がトレーニング例題内のいずれか
の場所に出現する頻度を計数する。 ４．好ましい実施形態では、各々の３文字名称に、次式
によって与えられる重みを割り当て、

【０２２３】

【数２９】

【０２２４】ここで、ｘｙｚは特定の３文字名称を示
し、Ｆ_xyz は、トレーニング例題内のいずれかの場所に
３文字名称が出現する回数であり、Ｎは、全ての３文字
名称に関するＦの最大値である。したがって、頻繁に出
現する３文字名称には小さい重みを割り当て、一方、希
にしか出現しない３文字名称には大きい重みを割り当て
る。一様な重みを含む他の重み付け方式が使用可能であ
る。 ５．トレーニング例題のセット内に出現する各々の３文
字名称毎に１つずつの次元を有する形で、高次元ベクト
ル空間を構成する。 ６．上記ベクトル空間内でベクトルによって各ストリン
グが表現される２つの特定の文字ストリング（小売業者
名称）である、ストリング１とストリング２を互いに比
較する。ストリング１に関するベクトルを、 ａ）ストリング内の各々の３文字名称の頻度ｆｘｙｚを
計数することと、 ｂ）次式によって表される単位ベクトルの重み付き合計
を得ることと、

【０２２５】

【数３０】

【０２２６】ここでｘｙｚはストリング１内の全ての３
文字名称を範囲に含み、Ｕ_xyz （ベクトル）がベクトル
空間内のｘｙｚ次元の方向における単位ベクトルであ
り、 ｃ）１（好ましい実施形態）の長さにＶ_string1 を正規
化すること、または、別の正規化を使用すること、また
は、正規化を全く行わないことと、 ｄ）他方のストリングに対応する同様のベクトルＶ
_string2 を構成することと、 ｅ）Ｖ_string1 とＶ_string2 とのドット積を得ること。
大きいドット積（１に近い）がこれら２つのストリング
が互いに密接に関係していることを示し、一方、小さい
ドット積（ゼロに近い）がこれら２つのストリングが互
いに無関係であることを示す。によって構成する。 ７．２つの小売業者名称のベクトルのドット積が特定の
閾値よりも大きい場合には、その２つの小売業者名称を
等価化する。この閾値は、好ましい実施形態では、一般
的に０．６−０．９の範囲内である。付録II：幾何学的に導き出されたベクトルトレーニング
アルゴリズム 初期化：各ステム毎に、ｉ∈｛コーパス内の全ステム｝

【０２２７】

【数３１】

【０２２８】Ｖ_i （ベクトル）を長さ１に正規化する

【０２２９】

【数３２】

【０２３０】ＥＮＤ 各ステム毎に、ｉ∈｛コーパス内の全ステム｝ 更新を計算する：各ステム毎に、ｊ∈｛ステムｉと共に
共起する全ステム｝，ｊ≠ｉＶ_j に対するＶ_i の理想位
置である新たなベクトルＵ_ijを計算したい。言い換える
と、Ｕ_ijとＶ_j のドット積がｄ_ijであることを望み、Ｕ
_ijが単位長さを有することを望み、Ｕ_ijがＶ_i とＶ_j に
よって定義される平面内に位置することを望む。

【０２３１】

【数３３】

【０２３２】

【数３４】

【０２３３】

【数３５】

【０２３４】

【数３６】

【０２３５】ＩＦ ｄ_ij＞０ ＴＨＥＮ ／／ステムｊ
とステムｉとの間の正の関係ならば、

【０２３６】

【数３７】

【０２３７】ＥＬＳＥ ＩＦ ｄｉｊ＜０ ＴＨＥＮ
／／ステムｊとステムｉとの間の負の関係ならば、

【０２３８】

【数３８】

【０２３９】ＥＮＤ ＩＦ

【０２４０】

【数３９】

【０２４１】Ｖ_i が存在すべき位置の推定値を導き出す
ために、全てのｊに関するＵ_ijの重み付き合計を生成す
る。ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＬＯＧ＿Ｆ
ＲＥＱＴＨＥＮ

【０２４２】

【数４０】

【０２４３】ＥＬＳＥ ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ
＝＝ ＦＲＥＱ ＴＨＥＮ

【０２４４】

【数４１】

【０２４５】ＥＬＳＥ

【０２４６】

【数４２】

【０２４７】ＥＮＤ ＩＦ ＥＮＤ ｊ 更新を行う：

【０２４８】

【数４３】

【０２４９】ＥＮＤ ｉ 備考 １）ここではステムはルート小売業者名称である。 ２）ステムｉと共に共起するステムｊ（小売業者名称）
のリストが、共起データから既知である。 ３）ｄ_ijは、ＵＤＬ１、ＵＤＬ２またはＵＤＬ３によっ
て算出した関係の強さの測度である。 ４）Ｆ［ｊ］は、データ内にステムｊが出現する頻度で
ある。 ５）ｗｅｉｇｈｔ＿ｍｏｄｅは、Ｆ［ｊ］がＵに対して
及ぼす影響を決定するユーザ制御値である。ｗｅｉｇｈ
ｔ＿ｍｏｄｅがＦＲＥＱならば、ステムｊの頻度がＵに
直接影響し、したがって、より高頻度のステム（小売業
者名称）は、その結果として生じる小売業者ｉの小売業
者ベクトルに強い影響を与える。Ｆ［ｊ］の対数を使用
するｗｅｉｇｈｔ＿ｍｏｄｅ ＝ ＬＯＧ ＦＲＥＱに
よって、より緩慢な影響が与えられる。ｗｅｉｇｈｔ＿
ｍｏｄｅが設定されていないならば、デフォルト値はＦ
［ｊ］による影響を受けない。 ６）ガンマは、学習速度０−１であり、典型的には学習
速度０．５−０．９である。付録III ：代数的に導き出されたベクトルトレーニング
アルゴリズム 初期化：各ステム毎に、ｉ∈｛コーパス内の全ステム｝

【０２５０】

【数４４】

【０２５１】Ｖ_i （ベクトル）を正規化する／／ベクト
ルを単位長さに正規化する

【０２５２】

【数４５】

【０２５３】ＥＮＤ 各ステム毎に、ｉ∈｛コーパス内の全ステム｝ 更新を計算する：各ステム毎に、ｊ∈｛ステムｉと共に
共起する全ステム｝，ｊ≠ｉ／／これは、小売業者ｉと
共に共起する全ての小売業者ｊである。Ｖ_j に対するＶ
_i の理想位置である新たなベクトルＵ_ijを計算したい。
言い換えると、Ｕ_ijとＶ_j のドット積がｄ_ijであること
を望み、Ｕ_ijが単位長さを有することを望み、Ｕ_ijがＶ
_i とＶ_j によって定義された平面内に位置することを望
む。Ｕ_ij（ベクトル）をＶ_i （ベクトル）とＶ_j （ベク
トル）との線形結合として表現することが可能であり、
ここで、

【０２５４】

【数４６】

【０２５５】Ｖ_i が存在すべき位置の推定を導き出すた
めに全てのｊに関してＵ_ijの重み付き合計を生成する。 ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ ＝＝ ＬＯＧ＿ＦＲＥ
Ｑ ＴＨＥＮ

【０２５６】

【数４７】

【０２５７】ＥＬＳＥ ＩＦ ｗｅｉｇｈｔ＿ｍｏｄｅ
＝＝ ＦＲＥＱ ＴＨＥＮ

【０２５８】

【数４８】

【０２５９】ＥＬＳＥ

【０２６０】

【数４９】

【０２６１】ＥＮＤ ＩＦ ＥＮＤ ｊ 更新を行う：

【０２６２】

【数５０】

【０２６３】ＥＮＤ ｉ 備考 １）ここではステムはルート小売業者名称である。 ２）ステムｉと共に共起するステムｊ（小売業者名称）
のリストが、共起データから既知である。 ３）ｄ_ijは、ＵＤＬ１、ＵＤＬ２またはＵＤＬ３によっ
て算出した関係の強さの測度である。 ４）Ｆ［ｊ］は、データ内にステムｊが出現する頻度で
ある。 ５）ｗｅｉｇｈｔ＿ｍｏｄｅは、Ｆ［ｊ］がＵに対して
及ぼす影響を決定するユーザ制御値である。ｗｅｉｇｈ
ｔ＿ｍｏｄｅがＦＲＥＱならば、ステムｊの頻度がＵに
直接影響し、したがって、より高頻度のステム（小売業
者名称）が、その結果として生じる小売業者ｉの小売業
者ベクトルに強い影響を与える。Ｆ［ｊ］の対数を使用
するｗｅｉｇｈｔ＿ｍｏｄｅ ＝ ＬＯＧ ＦＲＥＱに
よって、より緩慢な影響が与えられる。ｗｅｉｇｈｔ＿
ｍｏｄｅが設定されていないならば、デフォルト値はＦ
［ｊ］による影響を受けない。 ６）ガンマは、学習速度０−１であり、典型的には学習
速度０．５−０．９である。

【図面の簡単な説明】

【図１】小売業者および消費者のベクトル表現の説明図
である。

【図２】小売業者セグメントのサンプルリストである。

【図３】本発明のプロセス全体の流れ図である。

【図４】動作中の本発明の一実施形態のシステムアーキ
テクチャの一部の説明図である。

【図５】システムアーキテクチャの他の一部の説明図で
ある。

【図６】小売業者ベクトルの生成およびトレーニング中
の本発明のシステムアーキテクチャと、小売業者セグメ
ント予測モデルとの一部の説明図である。

【図７】システムアーキテクチャと小売業者セグメント
予測モデルとの他の一部の説明図である。

【図８】予測モデル生成システムの機能構成要素の説明
図である。

【図９】順方向共起窓および逆方向共起窓の説明図であ
る。

【図１０】（ａ）はステミング（ｓｔｅｍｍｉｎｇ）お
よび等価化（ｅｑｕｉｖａｌｅｎｃｉｎｇ）の以前のマ
スターファイルデータの説明図であり、（ｂ）は、ステ
ミングおよび等価化の後のマスターファイルデータのこ
の部分における順方向共起窓の説明図である。

【図１１】モデルトレーニング中の様々なタイプの観測
情報の説明図である。

【図１２】多重セグメント予測モデルに対する多重消費
者口座データの適用の説明図である。

【符号の説明】

４０２…データ処理モジュール ４１０…データ処理モジュール ４１７…小売業者モジュール ４１８…小売業者セグメントモデル

───────────────────────────────────────────────────── フロントページの続き (72)発明者 エー．ユー．マティアス ブルーム アメリカ合衆国，カリフォルニア 92126, サンディエゴ，グレンドバー レーン 10697 (72)発明者 ケネス ビー．ブラウン アメリカ合衆国，カリフォルニア 92126, サンディエゴ，ケンズリー ウエイ 6960 (72)発明者 ウィリアム アール．カイド アメリカ合衆国，カリフォルニア 92117, サンディエゴ，ジェームズタウン 5438 (72)発明者 テッド イー．ダニング アメリカ合衆国，カリフォルニア 92126, サンディエゴ，リバー リム ロード 11797 (72)発明者 ラリー エス．ペラニッチ アメリカ合衆国，カリフォルニア 92130, サンディエゴ，ラ コリナ ロード 11745 (72)発明者 ジェラルド エス．ラッセル アメリカ合衆国，カリフォルニア 92130, サンディエゴ，カーメル ケープ 12427 (72)発明者 ケブン エル．シッツ アメリカ合衆国，カリフォルニア 92126, サンディエゴ，ウッドラウン ドライブ 9024

Claims (20)

【特許請求の範囲】
1. 【請求項１】 消費者の財政的挙動を予測する方法であ
   って、 複数の消費者に関する取引データから、各消費者毎の日
   付順の取引シーケンスを生成することと、 各消費者に関する一群の入力取引を形成するために各消
   費者毎に日付順の取引のセットを選択することと、 各消費者毎に、過去の時間期間中の入力取引と後続の時
   間期間中の予測上の消費支出との間の予測関数を各小売
   業者グループ毎に定義して各消費者毎に各小売業者セグ
   メント内において予測される消費支出額を生じさせる複
   数の小売業者セグメント予測モデルの各々に対して、消
   費者の入力取引を適用することとを含む方法。
2. 【請求項２】 各消費者毎に、他の小売業者セグメント
   に比較して最大の予測消費支出をその消費者が示す小売
   業者セグメントに対して、その消費者を関連付けること
   をさらに含む請求項１に記載の方法。
3. 【請求項３】 各小売業者セグメント毎に、その小売業
   者セグメントに関連付けられている小売業者の小売業者
   ベクトルの要約ベクトルとしてセグメントベクトルを求
   めることと、 各消費者毎に、小売業者セグメントのセグメントベクト
   ルとその消費者の消費者ベクトルとの間の最大のドット
   積を有する小売業者セグメントにその消費者を関連付け
   ることとをさらに含む請求項１に記載の方法。
4. 【請求項４】 各小売業者セグメント毎に、 その小売業者セグメント内での消費者の予測消費支出に
   よってその消費者を順位付けすることと、 各消費者毎にその小売業者セグメント内での百分位数の
   順位を求めることと、 各消費者毎に、各々１つの小売業者セグメントに各消費
   者を一意的に関連付けるために、各消費者の百分位数の
   順位が最高位である小売業者セグメントを求めること
   と、 各小売業者セグメント毎に、その小売業者セグメントに
   一意的に関連付けられている消費者に関する要約取引統
   計量を求めることとをさらに含む請求項１に記載の方
   法。
5. 【請求項５】 各小売業者セグメント毎に、 その小売業者セグメント内での消費者の予測消費支出に
   よって消費者を順位付けすることと、 その小売業者セグメント内での百分位数の順位を各消費
   者毎に求めることと、 予め決められた百分位数の閾値を上回る百分位数の順位
   を有する消費者を、母集団として選択することと、 選択された消費者母集団に関する要約取引統計量を求め
   ることとをさらに含む請求項１に記載の方法。
6. 【請求項６】 取引データ内の各小売業者毎に小売業者
   ベクトルを設定することと、 前記取引データ内の各小売業者の共起にしたがって他の
   小売業者の小売業者ベクトルに対して各小売業者の小売
   業者ベクトルを更新することとをさらに含む請求項１に
   記載の方法。
7. 【請求項７】 各小売業者が他の小売業者と共に共起す
   る頻度における予想外の量の偏差に基づいて、各小売業
   者の小売業者ベクトルを更新することをさらに含む請求
   項６に記載の方法。
8. 【請求項８】 前記取引データ中における各小売業者が
   他の小売業者と共に共起する頻度を求めることと、 各々２つずつの小売業者毎に、求められた共起の頻度
   が、予想される共起の頻度からどれだけ偏っているかに
   基づいて、その各々２つずつの小売業者の間の関係の強
   さを求めることと、 各々２つずつの小売業者ベクトルの毎に、この各々２つ
   ずつの小売業者における各々の小売業者ベクトルの間の
   所望のドット積として前記関係の強さをベクトル空間内
   にマッピングすることと、 各々２つずつの小売業者ベクトルの間の実際のドット積
   がこれらの小売業者ベクトルの間の所望のドット積に近
   似するように、この各々の小売業者ベクトルを更新する
   こととをさらに含む請求項６に記載の方法。
9. 【請求項９】 各々２つずつの小売業者毎にこの各々２
   つずつの小売業者の間の関係の強さを求めることは、さ
   らに、 次式によって前記関係の強さを求めることを含み、 【数１】 ここで、ｒ_ijは、各々２つずつの小売業者における小売
   業者ｉと小売業者ｊとの間の関係の強さであり、 Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊとの
   実際の共起の頻度であり、 ＾Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊと
   の予想される共起の頻度である請求項８に記載の方法。
10. 【請求項１０】 各々２つずつの小売業者毎に、この各
    々２つずつの小売業者の間の関係の強さを求めること
    は、さらに、 次式によって前記関係の強さを求めることを含み、 【数２】 ここで、ｒ_ijは、各々２つずつの小売業者における小売
    業者ｉと小売業者ｊとの間の関係の強さであり、 λは、対数尤度比であり、 Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊとの
    実際の共起の頻度であり、 ＾Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊと
    の予想される共起の頻度である請求項８に記載の方法。
11. 【請求項１１】 各々２つずつの小売業者毎に、この各
    々２つずつの小売業者の間の関係の強さを求めること
    は、さらに、 次式によって前記関係の強さを求めることを含み、 【数３】 ここで、ｒ_ijは、各々２つずつの小売業者における小売
    業者ｉと小売業者ｊとの間の関係の強さであり、 λは、対数尤度比であり、 Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊとの
    実際の共起の頻度であり、 ＾Ｔ_ijは、取引データ中での小売業者ｉと小売業者ｊと
    の予想される共起の頻度である請求項８に記載の方法。
12. 【請求項１２】 各々２つずつの小売業者ベクトルの間
    の実際のドット積がこれらの小売業者ベクトルの間の所
    望のドット積に近似するようにこの各々の小売業者ベク
    トルを更新することは、これらの小売業者ベクトルの間
    の実際のドット積が前記所望のドット積より大きいか小
    さいかに応じてこれらの小売業者ベクトルを更新する勾
    配降下更新を含む請求項８に記載の方法。
13. 【請求項１３】 各々２つずつの小売業者ベクトルの間
    の実際のドット積がこれらの小売業者ベクトルの間の所
    望のドット積に近似するようにこの各々の小売業者ベク
    トルを更新することは、この各々の小売業者ベクトル毎
    に、他の小売業者ベクトル各々の現在位置からこの小売
    業者ベクトルの所望の位置の誤り重み付け平均を求める
    ことと、この小売業者ベクトルと他の小売業者ベクトル
    各々との間の所望のドット積を求めることとを含む請求
    項８に記載の方法。
14. 【請求項１４】 取引データ中の各々の小売業者名称毎
    に、小売業者ベクトルを求めることと、 同じ１つの小売業者セグメントに各々が関連している小
    売業者ベクトルの各々をクラスタ化して、複数の小売業
    者セグメントを形成することと、 各々の小売業者セグメント毎に、その小売業者に関連す
    る小売業者における消費者の取引から、そのセグメント
    内での消費者取引の統計上の測度を求めることとをさら
    に含む請求項１に記載の方法。
15. 【請求項１５】 少なくとも１つの小売業者セグメント
    に関連した複数の消費者を、その小売業者セグメント内
    での消費者の予測消費支出にしたがって選択すること
    と、 前記選択された複数の消費者に対して販売促進オファー
    を提供することとをさらに含む請求項１に記載の方法。
16. 【請求項１６】 各々の小売業者セグメント毎に予測モ
    デルをトレーニングして、過去の時間期間中における消
    費者の取引の取引統計量に基づいて予測時間期間中の消
    費支出を予測することをさらに含む請求項１に記載の方
    法。
17. 【請求項１７】 前記取引統計量は、１つ以上の小売業
    者セグメント内での消費者の取引の最新性と、１つ以上
    の小売業者セグメント内での消費者の取引の頻度と、１
    つ以上の小売業者セグメント内での消費者の取引の量と
    を示す変数を含む請求項１６に記載の方法。
18. 【請求項１８】 消費者の財政的挙動を予測するシステ
    ムであって、 １組の小売業者が各小売業者セグメントに関連付けられ
    ている複数の小売業者セグメントと、 以前の時間期間中の取引に関する消費者の取引統計量の
    関数として予測時間期間中における小売業者セグメント
    内での個々の消費者による消費支出を予測するための、
    小売業者セグメントの１つずつに各々が関連付けられて
    いる複数の小売業者セグメント予測モデルと、 消費者に関する取引データを受け取って、前記複数の小
    売業者セグメント予測モデルの中の選択された小売業者
    セグメント予測モデルに対して１つに対して入力するた
    めの、前記以前の時間期間に関する取引統計量を構成す
    るデータ処理モジュールとを含むシステム。
19. 【請求項１９】 小売業者セグメントを形成するシステ
    ムであって、 複数の消費者口座に関する消費者統計量を受け取り、口
    座毎に前記取引データを編成し、口座内において時系列
    に取引を順序付けるデータ処理モジュールと、 この順序付けられた取引データから各小売業者に関する
    共起の予想頻度を求め、かつ、小売業者の共起の予想外
    の頻度の関数として各小売業者毎に小売業者ベクトルを
    構成するデータ処理モジュールと、 互いに接近して整列している小売業者ベクトルを求める
    ことによって、小売業者ベクトルを小売業者セグメント
    にクラスタ化するクラスタ化モジュールとを含むシステ
    ム。
20. 【請求項２０】 ２つのストリングが概ね同一であるか
    どうかを調べる方法であって、 複数のサブストリングの各サブストリング毎に、データ
    セット内のサブストリングの頻度の関数として重みを求
    めることと、 単位ベクトルの次元の数として前記複数のサブストリン
    グを使用して、各サブストリング毎に直交単位ベクトル
    を定義することと、 互いに比較される２つのストリングの各ストリング毎
    に、そのストリング内の全てのサブストリングの単位ベ
    クトルの和であるベクトルを定義することと、 前記２つのストリングに関するストリングベクトルのド
    ット積を求めることと、 前記ドット積が予め決められた閾値を上回る場合に前記
    ２つのストリングが概ね同一であると判定することとを
    含む方法。