アクセス解析システム及びアクセス解析方法
【課題】コンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいて、ユーザ端末のアクセス動向を解析するアクセス解析システム及びアクセス解析方法を提供する。
【解決手段】アクセス解析システム１０は、ウェブサイトのページ構造を記録するウェブ構造ＤＢ１４と、ページ構造をページカテゴリに分類して記録するページカテゴリＤＢ１８と、アクセスログＤＢ１１の記録に基づいて各ユーザ端末が各ページを渡り歩いた経路を定義する経路定義ＤＢ１７と、コンバージョンに至る順に顧客のクラスを定義する顧客クラスＤＢ１６と、顧客クラス判別処理によって顧客クラスの特性を分析した結果を記録する特性パターンＤＢ１５と、表示端末１９に接続された制御部２０と、を用いてアクセス解析を実行する。
【解決手段】アクセス解析システム１０は、ウェブサイトのページ構造を記録するウェブ構造ＤＢ１４と、ページ構造をページカテゴリに分類して記録するページカテゴリＤＢ１８と、アクセスログＤＢ１１の記録に基づいて各ユーザ端末が各ページを渡り歩いた経路を定義する経路定義ＤＢ１７と、コンバージョンに至る順に顧客のクラスを定義する顧客クラスＤＢ１６と、顧客クラス判別処理によって顧客クラスの特性を分析した結果を記録する特性パターンＤＢ１５と、表示端末１９に接続された制御部２０と、を用いてアクセス解析を実行する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システム及びアクセス解析方法に関する。
【背景技術】
【０００２】
近年のインターネットの急速な普及に伴い、インターネットを通じて様々な商品や各種サービスの販売を行うｅ−コマース（エレクトロニック・コマース：電子商取引）のウェブサイトが増えるに従い、ウェブサイトへの訪問者である消費者（以下、顧客という）がこれらの商品やサービスを購入する機会も増えている。
【０００３】
このような状況下において、ｅ−コマースを運営する企業側もインターネット上での顧客行動に着目することで、伝統的なマーケティングとは異なるｅ−マーケティングがその重要性を増し、例えば、バーチャル・モール・サイトでは商品購入、コミュニティサイトでは会員登録などのビジネスにとって重要性が増加する顧客のアクション（以下、コンバージョンと呼ぶ）が重要となる。特に、ｅ−マーケティングでは、コンバージョン率を向上させることを目的の一つとし、顧客の好みに合わせた商品・情報の提供をするために顧客のアクションの収集及び分析を行っている。
【０００４】
一般的に、繰り返し購買を主流とするｅ−コマースにおいては、ＰＯＳデータの蓄積により豊富な顧客の購買履歴と商品特性から頻繁に商品を購入する優良顧客の判定が容易となる。これに対して、耐久消費財等の販売を主流とするｅ−コマースおいては、想定耐用年数が1年以上で比較的購入価格が高いものという性格上、顧客は数年に１回購買するかしないかといういわゆる１回購買となり、顧客の購買履歴情報は存在せず、有力な情報としては、リファラ（当該サイトを訪問する直前のサイトの情報）、ランディング・ページ及びページ閲覧経路等、顧客がもたらすアクセス記録に依拠せざるを得ない。
【０００５】
このような問題を解決する技術として、多くのユーザがアクセスすることでユーザ情報であるユーザプロファイルが頻繁に更新され、商品の入れ替えが頻繁に行われるｅ−コマースにおいて、これらの情報を組み合わせることによって解決するものがある。特許文献１には、電子的な店舗等において商品等の呈示をユーザの好みに合わせてリコメンデーションするため、顧客の情報を格納しているユーザプロファイルからユーザの好みを取り出すコラボレーティブフィルタリングを用いた静的なリコメンデーションと、アクセスログからユーザのアクセス履歴に基づくデータマイニングを用いた動的なリコメンデーションと、を組み合わせたリコメンデーションシステムが開示されている。
【０００６】
【特許文献１】特開２００２−３６６８３８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
上述した特許文献１は、顧客情報を格納したユーザプロファイルとアクセスログを用いて処理しているものの、このような技術を顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて顧客の好みを分析することは各商品、各分野に特化した解析ソフトを作る必要があり、容易ではない。
【０００８】
そこで、本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいて、各商品、各分野に特化する割合を減らし、汎用化した解析ソフトによりユーザ端末のアクセス動向を解析するアクセス解析システム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】
【０００９】
以上のような目的を達成するために、本発明に係るアクセス解析システムは、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムにおいて、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類手段と、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義手段と、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類手段と、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出手段と、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出手段と、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み手段と、を有し、絞り込み手段からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００１０】
また、本発明に係るアクセス解析システムにおいて、絞り込み手段は、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割手段と、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ手段と、第１のフィルタ手段で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ手段と、第１と第２のフィルタ手段により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ手段と、抽出された端末クラスに関する情報を出力する出力手段と、を有することを特徴とする。
【００１１】
また、本発明に係るアクセス解析システムにおいて更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集手段と、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証手段と、を有することを特徴とする。
【００１２】
また、本発明に係るアクセス解析方法は、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析方法において、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類工程と、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義工程と、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類工程と、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出工程と、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出工程と、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み工程と、を含み、絞り込み工程からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００１３】
また、本発明に係るアクセス解析方法において、絞り込み工程は、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割工程と、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ工程と、第１のフィルタ工程で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ工程と、第１と第２のフィルタ工程により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ工程と、抽出された端末クラスに関する情報を出力する出力工程と、を有することを特徴とする。
【００１４】
また、本発明に係るアクセス解析方法において更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集工程と、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証工程と、を有することを特徴とする。
【発明の効果】
【００１５】
本発明を用いると、顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいてユーザ端末のアクセス動向を解析することが可能となる。
【発明を実施するための最良の形態】
【００１６】
以下、本発明を実施するための最良の形態（以下実施形態という）を、図面に従って説明する。
（実施形態）
【００１７】
図１はアクセス解析システム１０の全体構成を示ている。ウェブサイトホームページは複数のページを有し、ウェブサイトをユーザ端末（３１〜３３）に公開しているウェブサーバ１はインターネット２を介してコンテンツをユーザ端末（３１〜３３）に提供する。アクセス解析システム１０は、ユーザ端末３１を操作する顧客のクリック動作によりアクセスされる各ページの情報を検出し、アクセスログＤＢ（データベース、以下ＤＢと略す）１１に記憶する。
【００１８】
アクセス解析システム１０は、コンピュータシステムであり、ウェブサイトのページ構造を記録するウェブ構造ＤＢ１４と、ページ構造をページカテゴリに分類して記録するページカテゴリＤＢ１８と、アクセスログＤＢ１１の記録に基づいて各ユーザ端末が各ページを渡り歩いた経路を定義する経路定義ＤＢ１７と、コンバージョンに至る順に顧客のクラスを定義する顧客クラスＤＢ１６と、後述する顧客クラス判別処理によって顧客クラスの特性を分析した結果を記録する特性パターンＤＢ１５と、表示端末１９に接続された制御部２０と、を用いてアクセス解析を実行する。また、アクセスログＤＢ１１は、後述する顧客クラス判別処理で用いる学習用ログＤＢ１２と試験用ログＤＢ１３とを有している。
【００１９】
図２は、本実施形態においてアクセス解析を行った「シビラ（登録商標）」のウェブサイトを示している。「シビラ（登録商標）」はアクセス解析用のソフトウエアであり、１回購買に該当することから、顧客の購買履歴は通常は存在せず、有力な情報要素としては、リファラ（サイトのページのリンクをクリックして別のページに移動したときの、リンク元のページ情報等）、ランディング・ページ（インターネット広告や、検索エンジンの検索結果からのリンク先となるウェブページ）、ページ閲覧経路、ページ閲覧時間、検索キーワード等、顧客がもたらすアクセスログデータだけである。
【００２０】
図３は本実施形態におけるアクセス解析処理の流れを示している。本アクセス解析処理では、コンバージョンにアップグレードすると予想される優良顧客を判別するために、学習用ログと試験用ログを用いて顧客クラス判定処理に必要な様々なパラメータを特定し、その後に顧客クラス判定を行うものである。
【００２１】
アクセス解析処理が実行されると、ループ回数を判定（ステップＳ１０）し、１回目であれば、学習用ログの読み出し（ステップＳ１２）を実行する。次に、ウェブサイトで提供されている複数のページを分類して定義するためにページカテゴリ定義（ステップＳ１４）と、ページカテゴリに関連する顧客クラスを定義するために顧客クラスの定義（ステップＳ１６）を実行する。学習用ログ、ページカテゴリ及び顧客クラスに基づいて固有アクセスパターンの抽出（ステップＳ１８）と、固有アクセスパターンによって特徴付けられた顧客クラスを特定（ステップＳ２０）する。顧客クラス特定時に使用したパラメータによりパラメータを特定（ステップＳ２２）し、顧客クラス判定（ステップＳ２４）を実行し、ステップＳ２６において、判定した顧客クラスの評価を実行して、継続する場合には、ループ先頭であるステップＳ１０へ戻る。
【００２２】
ループ回数判定（ステップＳ１０）において、２回目と判定された場合には、試験用ログの読み出し（ステップＳ３０）を実行する。次に、試験用ログ、ページカテゴリ及び顧客クラスに基づいて、固有アクセスパターンの抽出（ステップＳ１８）と、固有アクセスパターンにより特徴付けられて顧客クラスを特定（ステップＳ２０）する。顧客クラス特定時に使用したパラメータによりパラメータを特定（ステップＳ２２）し、顧客クラス判定（ステップＳ２４）を実行し、ステップＳ２６において、判定した顧客クラスの評価を実行し、パラメータの最適化を行う。継続する場合には、ループ先頭であるステップＳ１０へ戻る。
【００２３】
ループ回数判定（ステップＳ１０）において、３回以上と判定された場合には、アクセスログの読み出し（ステップＳ３２）を実行し、次に、顧客クラス判定（ステップＳ３４）を実行してコンバージョンに至るであろう顧客を予想する。ステップＳ３６において、継続しないと判定されることにより、処理が終了する。
【００２４】
図４はウェブサイトページカテゴリの一例を示している。１回購買のサイトのコンバージョンに結びつくページカテゴリの内容は、（１）料金表、（２）プレゼント応募、（３）会員登録、（４）お問い合わせ・資料請求（５）お試し、（６）商談予約等の六つに分類することができる。ここで、ビジネスにとっての重要度は、番号が増えるに従いその重要度は高いものとなる。
【００２５】
一般に、ウェブサイトは図４に示したように複数の階層（Ｐ０１−Ｐ０１０１等）に分かれた大量のページによって構成されるため、個々のページに対するアクセス（以下ＰＶ：ページビューと略す）単位として顧客のアクセス経路の分析を試みると、各ページの訪問回数に関するヒストグラムが極端に平坦になってしまい、顧客の行動特性を捉えることが困難となる。そこで、内容的に纏まりを持ち、かつ顧客の行動特性を把握できる程度の詳細さを保持しつつ、ページのカテゴリ化を行う必要がある。なお、本実施形態では、ページのカテゴリを六つとした。
【００２６】
図５はウェブサイトの顧客クラスの一例を示している。六つのページのカテゴリ化を行った後、顧客が閲覧したページカテゴリの経路を基に、Ｎ個の顧客クラス（Ｃ１〜Ｃｎ）に分類する。実施形態では、Ｃ１〜Ｃ４の４個の顧客クラスをページカテゴリの経路から定義した。具体的には、「シビラ（登録商標）」の場合、（１）料金表、（４）お問い合わせ・資料請求、（５）お試し、等を用いて、顧客クラスＣ１はＰ０１，Ｐ０４，Ｐ０５に到達せずにサイトを離脱した顧客。顧客クラスＣ２はＰ０１を閲覧したが、Ｐ０４，Ｐ０５にに到達しない顧客。顧客クラスＣ３はＰ０４，Ｐ０５を閲覧したが、送信完了をおこなわなかった顧客。顧客クラスＣ４はＰ０４，Ｐ０５を閲覧し、送信完了を行った顧客に分類した。このように顧客クラスを分類することにより、ページカテゴリの経路とスタート地点から、ゴール地点までのアップグレード及びアクセスの流れが表現できるようになる。
【００２７】
アクセスパターンは連続するｋＰＶ（ページビュー）を基本単位とし、「シビラ（登録商標）」では学習用ログの解析からｋ＝３，Ｋ＝６とした。ＰＶ判別は１〜ｋＰＶ，２〜（ｋ＋１〜）ＰＶ，・・・，（Ｋ−ｋ＋１）〜ＫＰＶ）つまり、１〜３ＰＶ（１，２，３）、２〜４ＰＶ（２，３，４）、３〜５ＰＶ（３，４，５）、４〜６ＰＶ（４，５，６）のＰＶ数を基準として最大６ＰＶ以内でクラス判定を行った。
【００２８】
アクセスパターンを抽出するため、相関規則の統計的な意味付けとしてサポート値(Support)とコンフィデンス値（Confidence）という値を用いる。Ｃ１〜Ｃ４のアクセスパターンｐに対するサポート値とは、Ｃｉの顧客が起こした全アクセスパターン数の内、アクセスパターンｐの起こった回数の占める割合である。また、コンフィデンス値とは、アクセスパターンｐの総数の内、Ｃｉがそのアクセスパターンｐを起こした回数の占める割合である。
【００２９】
ある顧客クラスのあるアクセスパターンに対するサポート値が高いということは、そのクラスに属する顧客がそのアクセスパターンを生起する蓋然性が高いことを意味するが、そのことのみによって、そのアクセスパターンがその顧客クラスの特性を表すことには無理がある。
【００３０】
例えば、サポート値は高くてもコンフィデンス値が低い場合、そのアクセスパターンを起こした顧客が別の顧客クラスに属する蓋然性はより高いことになる。従って、ある顧客クラスの特性としてあるパターンを特性する為には、サポート値とコンフィデンス値の双方とも高い値を持つことが必要である。この理由により、Ｃｉのアクセスパターンｐに対して、それぞれのしきい値α，βを上回ったとき、そのアクセスパターンをＣｉの特性パターンとする。
【００３１】
図６は顧客クラス判別処理の一例を示している。顧客クラス判別処理とは、顧客クラスの特性を把握するために、アクセスログから各顧客クラスに固有のアクセスパターンを抽出し、そのクラスに属する顧客がそのパターンを生起する蓋然性が高い特性を求めることである。また、具体例として、顧客クラスを二つ（Ｃ１，Ｃ２）、ページビューが（Ａ）Ｐ０１，（Ｂ）Ｐ０４，（Ｃ）Ｐ０５におけるアクセスパターンが四つしか存在しない場合を示している。
【００３２】
図７（Ａ）はアクセスパターンの抽出例を示し、図７（Ｂ）は図７（Ａ）から算出されたサポート値、図７（Ｃ）は図７（Ａ）から算出されたコンフィデンス値、図７（Ｄ）は最終的な特性パターンを示している。
【００３３】
ここで、Ｃ２顧客クラスのうちＰ０１，Ｐ０４，Ｐ０５（Ａ−Ｂ−Ｃ）を閲覧し、送信完了をしたページビューパターン１を識別するためのしきい値α，βの選ぶ手順を示す。Ｃ２顧客クラスのうち特性パターンＡ−Ｂ−Ｃを満たすサポート値は０．３７５であり、コンフィデンス値は０．７５であることが図７（Ｄ）に示されており、しきい値（α、β）＝（０．３７５，０．７５）以上とすると、サポート値０．３７５を上回る０．４４５のＣ１顧客クラスの特性パターンＡ−Ｃ−Ｂが該当するが、コンフィデンス値が０．４４であり、Ｃ２顧客クラスの０．７５を上回らないため、特性パターンＡ−Ｃ−ＢはＣ２顧客クラスでは選択されない。さらに、図７（Ｂ），（Ｃ）から学習用ログで求められたしきい値は、例えば、（α、β）＝（０．３５，０．５）としてもＣ２顧客クラスの特性パターンＡ−Ｂ−Ｃが選択されることになる。
【００３４】
上述したように、１回購買サイトの分析においては、特性パターンを構成する情報要素としては、リファイラ、ランディング・ページ、ページ閲覧経路、ページ閲覧時間、検索キーワード等、顧客がもたらすアクセスログに依存する。これらの組み合わせでアクセスパターンを構成すれば良いかはウェブサイトのページ構造や、顧客のアクセス行動により一概に決定することができない。そこで、本実施形態では、複数の組み合わせを学習用ログと試験用ログとを用いて評価し、後述する顧客クラス判定処理の評価にて最良の結果をもたらす組み合わせを決定した。
【００３５】
図８は顧客クラス判別処理の流れを示している。本実施形態は、図５のＣ１−Ｐ（Ｃ１最終顧客；ステージ１）からアップグレードする顧客クラスの判別において、顧客が六つのページを渡り歩く際、Ｔ＝１では１〜３ＰＶ（ページビュー）に注目して非優良顧客を選別し、Ｔ＝２では２〜４ＰＶに、Ｔ＝３では３〜５ＰＶに、Ｔ＝４では４〜６ＰＶに着目して顧客がアップグレードするか否かの選別を行う。ここで、ｋ＝３，Ｋ＝３，ｉはＣｉの添え字とする。
【００３６】
顧客クラス判別処理が開始すると、最初にＴ＝１を代入する（ステップＳ４０）。次に、１〜３ＰＶのループ外かを判定（ステップＳ４２）し、ループ条件内であれば、ステップＳ４６に移る。また、アップグレードをした場合にはステップＳ４４にて判定を行う。ステップＳ４６ではＴ時点でステージ１（ステージは１，２，３まで）にいる顧客がアップグレードするのか、最終的に現在の顧客クラスに留まるのかを判定する。この時点でアップグレードすると判定した場合にはそこで判別を終了すべくステップＳ５８に移る。また、Ｔ時点でコンバージョンを達成してしまった場合には、以後その顧客を考察の対象から排除（ステップＳ５８）する。もし、アップグレードしないと判定した場合には（Ｔ＋１）時点以降でも引き続き判別をおこなうべく、ステップＳ４８に移る。
【００３７】
ステップＳ４８において、Ｃ１のＵＣＰ（ユニーク・キャラクタリスティック・パターン）であるかを判定し、上述のしきい値α、βによりＣ１顧客クラスの特性パターンと一致することをステップＳ５２で判断する。また、Ｃ１のＵＣＰ以外へのアップグレードによりＣ２のＵＣＰを含む場合は、ステップＳ５０に移り、複数クラスのＵＣＰを待つことになる。もし、アップグレードにより複数クラスのＵＣＰを受け取ると、ステップＳ５４にて二つの顧客クラスに共通の特性パターンと一致した時は二つの顧客クラスのサポート値の比率により各顧客クラスに振り分ける。また、サポート比率によっても振り分けができない時には、顧客数比で振り分ける（ステップＳ５６）。これらの処理が終わると、ステップＳ６０に移り、Ｔに１を加えてステップＳ６２にてループに戻るか否かを判定し、戻る場合には残りのＴ＝２，３，４を順次実行する。
【００３８】
なお、ステップＳ５０では、複数クラスのＵＣＰを待ち、リファラ，ランディング・ページ，ページ閲覧時間であるＤｗｅｌｌ Ｔｉｍｅ等をアクセスパターンに取り入れ、特性パターンの判別精度の参考データを蓄積している。この参考データにより、最良の結果をもたらす組み合わせを評価する。
【００３９】
上述した顧客クラス判定処理では、学習用ログを用い、特性パターンを表現する情報要素を組み合わせて各顧客クラスの特性パターンを判別するためのしきい値（α，β）を求め、最良の結果をもたらす組み合わせの評価を行った。
【００４０】
一般的に、これらのパラメータには許容幅があることから、さらに、試験用ログを用いて顧客クラス判定処理の評価を行うことになる。この評価を行うに当たり、二項分布特性に当てはめたＲｅｃａｌｌ，Ｐｒｅｃｉｓｉｏｎの値を算出する。
【００４１】
図９、図１０はコンバージョンにアップグレードするであろう優良顧客の選別例を示し、Ｃ１のステージ１におけるＴ＝１（１〜３ＰＶ）からＴ＝４（４〜６ＰＶ）までの４つの段階において、それぞれＲｅｃａｌｌとＰｒｅｃｉｓｉｏｎの値を示している。図９（Ａ）ではＴ＝１（１〜３ＰＶ）においてアクセス後すぐに離脱してしまう顧客を弁別した非優良顧客選別結果を示している。ここで、Ｃ１−ＰのＰｒｅｃｉｓｉｏｎは高く（７２．６４％）、非優良顧客を高い精度で選別できていることが分かる。図９（Ｂ）Ｔ＝２における絞り込み１回目は、Ｃ２へアップグレードする顧客のＰｒｅｃｉｓｉｏｎを（３４．３７％）しながら、Ｔ＝３，４でもＰｒｅｓｉｓｏｎを（３４．２５％，３４．６７％）というように維持することができ、さらに、Ｒｅｃａｌｌも上昇させることに成功し、篩いとして機能していることが分かる。
【００４２】
さらに、Ｔ＝４におけるアップグレードのＰｒｅｃｉｓｉｏｎを見ると３５５／１０２４＝３４．６７％である。これは、一見すると低い精度と思われがちであるが、試験用ログから１０２４名を無差別に抽出し、それぞれがアップグレードが否かをランダムに判定したときに３５５名もしくはそれ以上を正しく言い当てる確率と比較は、約０．０２％となる。この事実から、顧客クラス判定処理における優良顧客判定の精度が高いものであるかが理解されるであろう。
【００４３】
なお、ランダムに判定した時の確率の算出方法は、正解率をＸとし、正解率ＸはＮ＝１０２４，θ＝アップグレードのオリジナルの値である０．２９２２の二項分布に従い、Ｎは十分大きいので正規近似を用いＸが３５５もしくはそれ以上である確率を求めると、その値は約０．００００２（０．００２％）となる。
【００４４】
以上、上述したように、本実施形態に係るアクセス解析システムを用いると、顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいてユーザ端末のアクセス動向を解析することが可能となる。
【００４５】
（補遺）
本発明では、主にアクセス解析システム及びアクセス解析方法を説明したが、これにかぎらず、アクセス解析プログラムも重要であることから、以下その内容を記載する。
【００４６】
本発明に係るアクセス解析プログラムは、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析プログラムにおいて、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類ステップと、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義ステップと、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類ステップと、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出ステップと、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出ステップと、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込みステップと、をコンピュータによって実行し、絞り込みステップからの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００４７】
また、本発明に係るアクセス解析プログラムにおいて、絞り込みステップは、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割ステップと、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタステップと、第１のフィルタステップで得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタステップと、第１と第２のフィルタステップにより弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタステップと、抽出された端末クラスに関する情報を出力する出力ステップと、を有することを特徴とする。
【００４８】
また、本発明に係るアクセス解析プログラムにおいて更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集ステップと、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証ステップと、を有することを特徴とする。
【産業上の利用可能性】
【００４９】
本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムに利用することが可能である。
【図面の簡単な説明】
【００５０】
【図１】本発明の実施形態に係るアクセス解析システムの全体構成を示す構成図である。
【図２】本実施形態でアクセス解析をおこなったウェブサイトの一例である。
【図３】本実施形態に係るアクセス解析処理の流れを示すフローチャート図である。
【図４】本実施形態に係るページカテゴリの一例を説明する説明図である。
【図５】本実施形態に係るウェブサイトの顧客クラスを説明する説明図である。
【図６】本実施形態に係る顧客クラス判別処理の一例を説明する説明図である。
【図７】本実施形態に係るアクセスパターンの抽出例を示す模式図である。
【図８】本実施形態に係る顧客クラス判別処理の流れを示すフローチャート図である。
【図９】本実施形態に係るコンバージョンに至るであろう優良顧客の選別例を示す模式図である。
【図１０】本実施形態に係るコンバージョンに至るであろう優良顧客の選別例を示す模式図である。
【符号の説明】
【００５１】
１ ウェブサーバ、２ インターネット、１０ アクセス解析システム、１１ アクセスログＤＢ、１２ 学習用ログＤＢ、１３ 試験用ログＤＢ、１４ ウェブ構造ＤＢ、１５ 特性パターンＤＢ、１６ 顧客クラスＤＢ、１７ 経路定義ＤＢ、１８ ページカテゴリＤＢ、１９ 表示端末、２０ 制御部、３１，３２，３３ ユーザ端末。
【技術分野】
【０００１】
本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システム及びアクセス解析方法に関する。
【背景技術】
【０００２】
近年のインターネットの急速な普及に伴い、インターネットを通じて様々な商品や各種サービスの販売を行うｅ−コマース（エレクトロニック・コマース：電子商取引）のウェブサイトが増えるに従い、ウェブサイトへの訪問者である消費者（以下、顧客という）がこれらの商品やサービスを購入する機会も増えている。
【０００３】
このような状況下において、ｅ−コマースを運営する企業側もインターネット上での顧客行動に着目することで、伝統的なマーケティングとは異なるｅ−マーケティングがその重要性を増し、例えば、バーチャル・モール・サイトでは商品購入、コミュニティサイトでは会員登録などのビジネスにとって重要性が増加する顧客のアクション（以下、コンバージョンと呼ぶ）が重要となる。特に、ｅ−マーケティングでは、コンバージョン率を向上させることを目的の一つとし、顧客の好みに合わせた商品・情報の提供をするために顧客のアクションの収集及び分析を行っている。
【０００４】
一般的に、繰り返し購買を主流とするｅ−コマースにおいては、ＰＯＳデータの蓄積により豊富な顧客の購買履歴と商品特性から頻繁に商品を購入する優良顧客の判定が容易となる。これに対して、耐久消費財等の販売を主流とするｅ−コマースおいては、想定耐用年数が1年以上で比較的購入価格が高いものという性格上、顧客は数年に１回購買するかしないかといういわゆる１回購買となり、顧客の購買履歴情報は存在せず、有力な情報としては、リファラ（当該サイトを訪問する直前のサイトの情報）、ランディング・ページ及びページ閲覧経路等、顧客がもたらすアクセス記録に依拠せざるを得ない。
【０００５】
このような問題を解決する技術として、多くのユーザがアクセスすることでユーザ情報であるユーザプロファイルが頻繁に更新され、商品の入れ替えが頻繁に行われるｅ−コマースにおいて、これらの情報を組み合わせることによって解決するものがある。特許文献１には、電子的な店舗等において商品等の呈示をユーザの好みに合わせてリコメンデーションするため、顧客の情報を格納しているユーザプロファイルからユーザの好みを取り出すコラボレーティブフィルタリングを用いた静的なリコメンデーションと、アクセスログからユーザのアクセス履歴に基づくデータマイニングを用いた動的なリコメンデーションと、を組み合わせたリコメンデーションシステムが開示されている。
【０００６】
【特許文献１】特開２００２−３６６８３８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００７】
上述した特許文献１は、顧客情報を格納したユーザプロファイルとアクセスログを用いて処理しているものの、このような技術を顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて顧客の好みを分析することは各商品、各分野に特化した解析ソフトを作る必要があり、容易ではない。
【０００８】
そこで、本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいて、各商品、各分野に特化する割合を減らし、汎用化した解析ソフトによりユーザ端末のアクセス動向を解析するアクセス解析システム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】
【０００９】
以上のような目的を達成するために、本発明に係るアクセス解析システムは、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムにおいて、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類手段と、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義手段と、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類手段と、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出手段と、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出手段と、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み手段と、を有し、絞り込み手段からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００１０】
また、本発明に係るアクセス解析システムにおいて、絞り込み手段は、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割手段と、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ手段と、第１のフィルタ手段で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ手段と、第１と第２のフィルタ手段により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ手段と、抽出された端末クラスに関する情報を出力する出力手段と、を有することを特徴とする。
【００１１】
また、本発明に係るアクセス解析システムにおいて更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集手段と、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証手段と、を有することを特徴とする。
【００１２】
また、本発明に係るアクセス解析方法は、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析方法において、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類工程と、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義工程と、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類工程と、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出工程と、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出工程と、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み工程と、を含み、絞り込み工程からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００１３】
また、本発明に係るアクセス解析方法において、絞り込み工程は、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割工程と、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ工程と、第１のフィルタ工程で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ工程と、第１と第２のフィルタ工程により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ工程と、抽出された端末クラスに関する情報を出力する出力工程と、を有することを特徴とする。
【００１４】
また、本発明に係るアクセス解析方法において更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集工程と、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証工程と、を有することを特徴とする。
【発明の効果】
【００１５】
本発明を用いると、顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいてユーザ端末のアクセス動向を解析することが可能となる。
【発明を実施するための最良の形態】
【００１６】
以下、本発明を実施するための最良の形態（以下実施形態という）を、図面に従って説明する。
（実施形態）
【００１７】
図１はアクセス解析システム１０の全体構成を示ている。ウェブサイトホームページは複数のページを有し、ウェブサイトをユーザ端末（３１〜３３）に公開しているウェブサーバ１はインターネット２を介してコンテンツをユーザ端末（３１〜３３）に提供する。アクセス解析システム１０は、ユーザ端末３１を操作する顧客のクリック動作によりアクセスされる各ページの情報を検出し、アクセスログＤＢ（データベース、以下ＤＢと略す）１１に記憶する。
【００１８】
アクセス解析システム１０は、コンピュータシステムであり、ウェブサイトのページ構造を記録するウェブ構造ＤＢ１４と、ページ構造をページカテゴリに分類して記録するページカテゴリＤＢ１８と、アクセスログＤＢ１１の記録に基づいて各ユーザ端末が各ページを渡り歩いた経路を定義する経路定義ＤＢ１７と、コンバージョンに至る順に顧客のクラスを定義する顧客クラスＤＢ１６と、後述する顧客クラス判別処理によって顧客クラスの特性を分析した結果を記録する特性パターンＤＢ１５と、表示端末１９に接続された制御部２０と、を用いてアクセス解析を実行する。また、アクセスログＤＢ１１は、後述する顧客クラス判別処理で用いる学習用ログＤＢ１２と試験用ログＤＢ１３とを有している。
【００１９】
図２は、本実施形態においてアクセス解析を行った「シビラ（登録商標）」のウェブサイトを示している。「シビラ（登録商標）」はアクセス解析用のソフトウエアであり、１回購買に該当することから、顧客の購買履歴は通常は存在せず、有力な情報要素としては、リファラ（サイトのページのリンクをクリックして別のページに移動したときの、リンク元のページ情報等）、ランディング・ページ（インターネット広告や、検索エンジンの検索結果からのリンク先となるウェブページ）、ページ閲覧経路、ページ閲覧時間、検索キーワード等、顧客がもたらすアクセスログデータだけである。
【００２０】
図３は本実施形態におけるアクセス解析処理の流れを示している。本アクセス解析処理では、コンバージョンにアップグレードすると予想される優良顧客を判別するために、学習用ログと試験用ログを用いて顧客クラス判定処理に必要な様々なパラメータを特定し、その後に顧客クラス判定を行うものである。
【００２１】
アクセス解析処理が実行されると、ループ回数を判定（ステップＳ１０）し、１回目であれば、学習用ログの読み出し（ステップＳ１２）を実行する。次に、ウェブサイトで提供されている複数のページを分類して定義するためにページカテゴリ定義（ステップＳ１４）と、ページカテゴリに関連する顧客クラスを定義するために顧客クラスの定義（ステップＳ１６）を実行する。学習用ログ、ページカテゴリ及び顧客クラスに基づいて固有アクセスパターンの抽出（ステップＳ１８）と、固有アクセスパターンによって特徴付けられた顧客クラスを特定（ステップＳ２０）する。顧客クラス特定時に使用したパラメータによりパラメータを特定（ステップＳ２２）し、顧客クラス判定（ステップＳ２４）を実行し、ステップＳ２６において、判定した顧客クラスの評価を実行して、継続する場合には、ループ先頭であるステップＳ１０へ戻る。
【００２２】
ループ回数判定（ステップＳ１０）において、２回目と判定された場合には、試験用ログの読み出し（ステップＳ３０）を実行する。次に、試験用ログ、ページカテゴリ及び顧客クラスに基づいて、固有アクセスパターンの抽出（ステップＳ１８）と、固有アクセスパターンにより特徴付けられて顧客クラスを特定（ステップＳ２０）する。顧客クラス特定時に使用したパラメータによりパラメータを特定（ステップＳ２２）し、顧客クラス判定（ステップＳ２４）を実行し、ステップＳ２６において、判定した顧客クラスの評価を実行し、パラメータの最適化を行う。継続する場合には、ループ先頭であるステップＳ１０へ戻る。
【００２３】
ループ回数判定（ステップＳ１０）において、３回以上と判定された場合には、アクセスログの読み出し（ステップＳ３２）を実行し、次に、顧客クラス判定（ステップＳ３４）を実行してコンバージョンに至るであろう顧客を予想する。ステップＳ３６において、継続しないと判定されることにより、処理が終了する。
【００２４】
図４はウェブサイトページカテゴリの一例を示している。１回購買のサイトのコンバージョンに結びつくページカテゴリの内容は、（１）料金表、（２）プレゼント応募、（３）会員登録、（４）お問い合わせ・資料請求（５）お試し、（６）商談予約等の六つに分類することができる。ここで、ビジネスにとっての重要度は、番号が増えるに従いその重要度は高いものとなる。
【００２５】
一般に、ウェブサイトは図４に示したように複数の階層（Ｐ０１−Ｐ０１０１等）に分かれた大量のページによって構成されるため、個々のページに対するアクセス（以下ＰＶ：ページビューと略す）単位として顧客のアクセス経路の分析を試みると、各ページの訪問回数に関するヒストグラムが極端に平坦になってしまい、顧客の行動特性を捉えることが困難となる。そこで、内容的に纏まりを持ち、かつ顧客の行動特性を把握できる程度の詳細さを保持しつつ、ページのカテゴリ化を行う必要がある。なお、本実施形態では、ページのカテゴリを六つとした。
【００２６】
図５はウェブサイトの顧客クラスの一例を示している。六つのページのカテゴリ化を行った後、顧客が閲覧したページカテゴリの経路を基に、Ｎ個の顧客クラス（Ｃ１〜Ｃｎ）に分類する。実施形態では、Ｃ１〜Ｃ４の４個の顧客クラスをページカテゴリの経路から定義した。具体的には、「シビラ（登録商標）」の場合、（１）料金表、（４）お問い合わせ・資料請求、（５）お試し、等を用いて、顧客クラスＣ１はＰ０１，Ｐ０４，Ｐ０５に到達せずにサイトを離脱した顧客。顧客クラスＣ２はＰ０１を閲覧したが、Ｐ０４，Ｐ０５にに到達しない顧客。顧客クラスＣ３はＰ０４，Ｐ０５を閲覧したが、送信完了をおこなわなかった顧客。顧客クラスＣ４はＰ０４，Ｐ０５を閲覧し、送信完了を行った顧客に分類した。このように顧客クラスを分類することにより、ページカテゴリの経路とスタート地点から、ゴール地点までのアップグレード及びアクセスの流れが表現できるようになる。
【００２７】
アクセスパターンは連続するｋＰＶ（ページビュー）を基本単位とし、「シビラ（登録商標）」では学習用ログの解析からｋ＝３，Ｋ＝６とした。ＰＶ判別は１〜ｋＰＶ，２〜（ｋ＋１〜）ＰＶ，・・・，（Ｋ−ｋ＋１）〜ＫＰＶ）つまり、１〜３ＰＶ（１，２，３）、２〜４ＰＶ（２，３，４）、３〜５ＰＶ（３，４，５）、４〜６ＰＶ（４，５，６）のＰＶ数を基準として最大６ＰＶ以内でクラス判定を行った。
【００２８】
アクセスパターンを抽出するため、相関規則の統計的な意味付けとしてサポート値(Support)とコンフィデンス値（Confidence）という値を用いる。Ｃ１〜Ｃ４のアクセスパターンｐに対するサポート値とは、Ｃｉの顧客が起こした全アクセスパターン数の内、アクセスパターンｐの起こった回数の占める割合である。また、コンフィデンス値とは、アクセスパターンｐの総数の内、Ｃｉがそのアクセスパターンｐを起こした回数の占める割合である。
【００２９】
ある顧客クラスのあるアクセスパターンに対するサポート値が高いということは、そのクラスに属する顧客がそのアクセスパターンを生起する蓋然性が高いことを意味するが、そのことのみによって、そのアクセスパターンがその顧客クラスの特性を表すことには無理がある。
【００３０】
例えば、サポート値は高くてもコンフィデンス値が低い場合、そのアクセスパターンを起こした顧客が別の顧客クラスに属する蓋然性はより高いことになる。従って、ある顧客クラスの特性としてあるパターンを特性する為には、サポート値とコンフィデンス値の双方とも高い値を持つことが必要である。この理由により、Ｃｉのアクセスパターンｐに対して、それぞれのしきい値α，βを上回ったとき、そのアクセスパターンをＣｉの特性パターンとする。
【００３１】
図６は顧客クラス判別処理の一例を示している。顧客クラス判別処理とは、顧客クラスの特性を把握するために、アクセスログから各顧客クラスに固有のアクセスパターンを抽出し、そのクラスに属する顧客がそのパターンを生起する蓋然性が高い特性を求めることである。また、具体例として、顧客クラスを二つ（Ｃ１，Ｃ２）、ページビューが（Ａ）Ｐ０１，（Ｂ）Ｐ０４，（Ｃ）Ｐ０５におけるアクセスパターンが四つしか存在しない場合を示している。
【００３２】
図７（Ａ）はアクセスパターンの抽出例を示し、図７（Ｂ）は図７（Ａ）から算出されたサポート値、図７（Ｃ）は図７（Ａ）から算出されたコンフィデンス値、図７（Ｄ）は最終的な特性パターンを示している。
【００３３】
ここで、Ｃ２顧客クラスのうちＰ０１，Ｐ０４，Ｐ０５（Ａ−Ｂ−Ｃ）を閲覧し、送信完了をしたページビューパターン１を識別するためのしきい値α，βの選ぶ手順を示す。Ｃ２顧客クラスのうち特性パターンＡ−Ｂ−Ｃを満たすサポート値は０．３７５であり、コンフィデンス値は０．７５であることが図７（Ｄ）に示されており、しきい値（α、β）＝（０．３７５，０．７５）以上とすると、サポート値０．３７５を上回る０．４４５のＣ１顧客クラスの特性パターンＡ−Ｃ−Ｂが該当するが、コンフィデンス値が０．４４であり、Ｃ２顧客クラスの０．７５を上回らないため、特性パターンＡ−Ｃ−ＢはＣ２顧客クラスでは選択されない。さらに、図７（Ｂ），（Ｃ）から学習用ログで求められたしきい値は、例えば、（α、β）＝（０．３５，０．５）としてもＣ２顧客クラスの特性パターンＡ−Ｂ−Ｃが選択されることになる。
【００３４】
上述したように、１回購買サイトの分析においては、特性パターンを構成する情報要素としては、リファイラ、ランディング・ページ、ページ閲覧経路、ページ閲覧時間、検索キーワード等、顧客がもたらすアクセスログに依存する。これらの組み合わせでアクセスパターンを構成すれば良いかはウェブサイトのページ構造や、顧客のアクセス行動により一概に決定することができない。そこで、本実施形態では、複数の組み合わせを学習用ログと試験用ログとを用いて評価し、後述する顧客クラス判定処理の評価にて最良の結果をもたらす組み合わせを決定した。
【００３５】
図８は顧客クラス判別処理の流れを示している。本実施形態は、図５のＣ１−Ｐ（Ｃ１最終顧客；ステージ１）からアップグレードする顧客クラスの判別において、顧客が六つのページを渡り歩く際、Ｔ＝１では１〜３ＰＶ（ページビュー）に注目して非優良顧客を選別し、Ｔ＝２では２〜４ＰＶに、Ｔ＝３では３〜５ＰＶに、Ｔ＝４では４〜６ＰＶに着目して顧客がアップグレードするか否かの選別を行う。ここで、ｋ＝３，Ｋ＝３，ｉはＣｉの添え字とする。
【００３６】
顧客クラス判別処理が開始すると、最初にＴ＝１を代入する（ステップＳ４０）。次に、１〜３ＰＶのループ外かを判定（ステップＳ４２）し、ループ条件内であれば、ステップＳ４６に移る。また、アップグレードをした場合にはステップＳ４４にて判定を行う。ステップＳ４６ではＴ時点でステージ１（ステージは１，２，３まで）にいる顧客がアップグレードするのか、最終的に現在の顧客クラスに留まるのかを判定する。この時点でアップグレードすると判定した場合にはそこで判別を終了すべくステップＳ５８に移る。また、Ｔ時点でコンバージョンを達成してしまった場合には、以後その顧客を考察の対象から排除（ステップＳ５８）する。もし、アップグレードしないと判定した場合には（Ｔ＋１）時点以降でも引き続き判別をおこなうべく、ステップＳ４８に移る。
【００３７】
ステップＳ４８において、Ｃ１のＵＣＰ（ユニーク・キャラクタリスティック・パターン）であるかを判定し、上述のしきい値α、βによりＣ１顧客クラスの特性パターンと一致することをステップＳ５２で判断する。また、Ｃ１のＵＣＰ以外へのアップグレードによりＣ２のＵＣＰを含む場合は、ステップＳ５０に移り、複数クラスのＵＣＰを待つことになる。もし、アップグレードにより複数クラスのＵＣＰを受け取ると、ステップＳ５４にて二つの顧客クラスに共通の特性パターンと一致した時は二つの顧客クラスのサポート値の比率により各顧客クラスに振り分ける。また、サポート比率によっても振り分けができない時には、顧客数比で振り分ける（ステップＳ５６）。これらの処理が終わると、ステップＳ６０に移り、Ｔに１を加えてステップＳ６２にてループに戻るか否かを判定し、戻る場合には残りのＴ＝２，３，４を順次実行する。
【００３８】
なお、ステップＳ５０では、複数クラスのＵＣＰを待ち、リファラ，ランディング・ページ，ページ閲覧時間であるＤｗｅｌｌ Ｔｉｍｅ等をアクセスパターンに取り入れ、特性パターンの判別精度の参考データを蓄積している。この参考データにより、最良の結果をもたらす組み合わせを評価する。
【００３９】
上述した顧客クラス判定処理では、学習用ログを用い、特性パターンを表現する情報要素を組み合わせて各顧客クラスの特性パターンを判別するためのしきい値（α，β）を求め、最良の結果をもたらす組み合わせの評価を行った。
【００４０】
一般的に、これらのパラメータには許容幅があることから、さらに、試験用ログを用いて顧客クラス判定処理の評価を行うことになる。この評価を行うに当たり、二項分布特性に当てはめたＲｅｃａｌｌ，Ｐｒｅｃｉｓｉｏｎの値を算出する。
【００４１】
図９、図１０はコンバージョンにアップグレードするであろう優良顧客の選別例を示し、Ｃ１のステージ１におけるＴ＝１（１〜３ＰＶ）からＴ＝４（４〜６ＰＶ）までの４つの段階において、それぞれＲｅｃａｌｌとＰｒｅｃｉｓｉｏｎの値を示している。図９（Ａ）ではＴ＝１（１〜３ＰＶ）においてアクセス後すぐに離脱してしまう顧客を弁別した非優良顧客選別結果を示している。ここで、Ｃ１−ＰのＰｒｅｃｉｓｉｏｎは高く（７２．６４％）、非優良顧客を高い精度で選別できていることが分かる。図９（Ｂ）Ｔ＝２における絞り込み１回目は、Ｃ２へアップグレードする顧客のＰｒｅｃｉｓｉｏｎを（３４．３７％）しながら、Ｔ＝３，４でもＰｒｅｓｉｓｏｎを（３４．２５％，３４．６７％）というように維持することができ、さらに、Ｒｅｃａｌｌも上昇させることに成功し、篩いとして機能していることが分かる。
【００４２】
さらに、Ｔ＝４におけるアップグレードのＰｒｅｃｉｓｉｏｎを見ると３５５／１０２４＝３４．６７％である。これは、一見すると低い精度と思われがちであるが、試験用ログから１０２４名を無差別に抽出し、それぞれがアップグレードが否かをランダムに判定したときに３５５名もしくはそれ以上を正しく言い当てる確率と比較は、約０．０２％となる。この事実から、顧客クラス判定処理における優良顧客判定の精度が高いものであるかが理解されるであろう。
【００４３】
なお、ランダムに判定した時の確率の算出方法は、正解率をＸとし、正解率ＸはＮ＝１０２４，θ＝アップグレードのオリジナルの値である０．２９２２の二項分布に従い、Ｎは十分大きいので正規近似を用いＸが３５５もしくはそれ以上である確率を求めると、その値は約０．００００２（０．００２％）となる。
【００４４】
以上、上述したように、本実施形態に係るアクセス解析システムを用いると、顧客情報が乏しい１回購買を主流とするｅ−コマースにおいて、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたコンバージョンに至ったアクセス記録を含む記録データとに基づいてユーザ端末のアクセス動向を解析することが可能となる。
【００４５】
（補遺）
本発明では、主にアクセス解析システム及びアクセス解析方法を説明したが、これにかぎらず、アクセス解析プログラムも重要であることから、以下その内容を記載する。
【００４６】
本発明に係るアクセス解析プログラムは、ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析プログラムにおいて、ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類ステップと、ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義ステップと、アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類ステップと、定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出ステップと、当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出ステップと、算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込みステップと、をコンピュータによって実行し、絞り込みステップからの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とする。
【００４７】
また、本発明に係るアクセス解析プログラムにおいて、絞り込みステップは、アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割ステップと、短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタステップと、第１のフィルタステップで得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタステップと、第１と第２のフィルタステップにより弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタステップと、抽出された端末クラスに関する情報を出力する出力ステップと、を有することを特徴とする。
【００４８】
また、本発明に係るアクセス解析プログラムにおいて更に、学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集ステップと、学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証ステップと、を有することを特徴とする。
【産業上の利用可能性】
【００４９】
本発明は、複数ページによってコンテンツを公開するウェブサーバへのユーザ端末のアクセスを検出して記録し、コンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムに利用することが可能である。
【図面の簡単な説明】
【００５０】
【図１】本発明の実施形態に係るアクセス解析システムの全体構成を示す構成図である。
【図２】本実施形態でアクセス解析をおこなったウェブサイトの一例である。
【図３】本実施形態に係るアクセス解析処理の流れを示すフローチャート図である。
【図４】本実施形態に係るページカテゴリの一例を説明する説明図である。
【図５】本実施形態に係るウェブサイトの顧客クラスを説明する説明図である。
【図６】本実施形態に係る顧客クラス判別処理の一例を説明する説明図である。
【図７】本実施形態に係るアクセスパターンの抽出例を示す模式図である。
【図８】本実施形態に係る顧客クラス判別処理の流れを示すフローチャート図である。
【図９】本実施形態に係るコンバージョンに至るであろう優良顧客の選別例を示す模式図である。
【図１０】本実施形態に係るコンバージョンに至るであろう優良顧客の選別例を示す模式図である。
【符号の説明】
【００５１】
１ ウェブサーバ、２ インターネット、１０ アクセス解析システム、１１ アクセスログＤＢ、１２ 学習用ログＤＢ、１３ 試験用ログＤＢ、１４ ウェブ構造ＤＢ、１５ 特性パターンＤＢ、１６ 顧客クラスＤＢ、１７ 経路定義ＤＢ、１８ ページカテゴリＤＢ、１９ 表示端末、２０ 制御部、３１，３２，３３ ユーザ端末。
【特許請求の範囲】
【請求項１】
ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムにおいて、
ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類手段と、
ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義手段と、
アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類手段と、
定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出手段と、
当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出手段と、
算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み手段と、
を有し、
絞り込み手段からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とするアクセス解析システム。
【請求項２】
請求項１に記載のアクセス解析システムにおいて、
絞り込み手段は、
アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割手段と、
短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ手段と、
第１のフィルタ手段で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ手段と、
第１と第２のフィルタ手段により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ手段と、
抽出された端末クラスに関する情報を出力する出力手段と、
を有することを特徴とするアクセス解析システム。
【請求項３】
請求項１又は２に記載のアクセス解析システムにおいて更に、
学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集手段と、
学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証手段と、
を有することを特徴とするアクセス解析システム。
【請求項４】
ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析方法において、
ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類工程と、
ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義工程と、
アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類工程と、
定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出工程と、
当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出工程と、
算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み工程と、
を含み、
絞り込み工程からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とするアクセス解析方法。
【請求項５】
請求項４に記載のアクセス解析方法において、
絞り込み工程は、
アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割工程と、
短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ工程と、
第１のフィルタ工程で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ工程と、
第１と第２のフィルタ工程により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ工程と、
抽出された端末クラスに関する情報を出力する出力工程と、
を有することを特徴とするアクセス解析方法。
【請求項６】
請求項４又は５に記載のアクセス解析方法において更に、
学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集工程と、
学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証工程と、
を有することを特徴とするアクセス解析方法。
【請求項１】
ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析システムにおいて、
ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類手段と、
ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義手段と、
アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類手段と、
定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出手段と、
当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出手段と、
算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み手段と、
を有し、
絞り込み手段からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とするアクセス解析システム。
【請求項２】
請求項１に記載のアクセス解析システムにおいて、
絞り込み手段は、
アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割手段と、
短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ手段と、
第１のフィルタ手段で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ手段と、
第１と第２のフィルタ手段により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ手段と、
抽出された端末クラスに関する情報を出力する出力手段と、
を有することを特徴とするアクセス解析システム。
【請求項３】
請求項１又は２に記載のアクセス解析システムにおいて更に、
学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集手段と、
学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証手段と、
を有することを特徴とするアクセス解析システム。
【請求項４】
ウェブサーバが複数ページによってコンテンツをユーザ端末に公開し、ウェブサーバへのユーザ端末のアクセスを記録してコンテンツの内容と記録されたアクセス記録とに基づいてユーザ端末のアクセス動向を解析するアクセス解析方法において、
ビジネスに関係するウェブサーバの各ページを予め決められた数のカテゴリに分類するカテゴリ分類工程と、
ビジネスにとって重要性が増加するユーザ端末のアクセス結果であるコンバージョンに結びつくようなユーザ端末のアクセスを、分類されたカテゴリに基づいてコンバージョンに至る連続経路として定義する経路定義工程と、
アクセス記録に記録されている付帯情報をさらに組み合わせて、ユーザ端末が複数のページを渡り歩くパターンであるアクセスパターンの傾向を、カテゴリ毎に端末クラスに分類する端末クラス分類工程と、
定義された連続経路と分類されたカテゴリとに基づく端末クラスの特性を、相関規則を用いて求めるため、端末クラスに該当するユーザ端末が起こした全アクセスパターン数のうち、ある端末クラスが起こしたアクセスパターンの回数の占める割合であるユーザ端末のサポート値を算出する端末特性算出工程と、
当該アクセスパターンの寄与度を求めるため、全アクセスパターン数のうち、当該アクセスパターンを起こした回数の占める割合であるユーザ端末の全体のアクセスに対するコンフィデンス値を算出する端末寄与度算出工程と、
算出されたユーザ端末のサポート値及びコンフィデンス値を予め決められたしきい値に基づいてアクセスパターンを絞り込む絞り込み工程と、
を含み、
絞り込み工程からの情報に基づいて、コンバージョンに至る端末クラスを予想することを特徴とするアクセス解析方法。
【請求項５】
請求項４に記載のアクセス解析方法において、
絞り込み工程は、
アクセス記録から取り出したユーザ端末の連続するアクセスパターンを複数の短いアクセスパターンに分割する分割工程と、
短いアクセスパターンに基づいて、サポート度及びコンフィデンス度の低い端末クラスのアクセスを予め決められたしきい値により、アクセス記録から弁別する第１のフィルタ工程と、
第１のフィルタ工程で得られたアクセス記録から、コンバージョンに至る手前の端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第２のフィルタ工程と、
第１と第２のフィルタ工程により弁別され抽出された残りのアクセス記録からコンバージョンに至った端末クラスに着目したサポート値及びコンフィデンス値のしきい値により抽出する第３のフィルタ工程と、
抽出された端末クラスに関する情報を出力する出力工程と、
を有することを特徴とするアクセス解析方法。
【請求項６】
請求項４又は５に記載のアクセス解析方法において更に、
学習用記録と試験用記録との二つのアクセス記録を収集するアクセス記録収集工程と、
学習用記録から求められたサポート値及びコンフィデンス値のしきい値に基づいて試験用記録を処理することで、しきい値を検証するしきい値検証工程と、
を有することを特徴とするアクセス解析方法。
【図１】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図２】
【公開番号】特開２０１０−１５７１５１（Ｐ２０１０−１５７１５１Ａ）
【公開日】平成２２年７月１５日（２０１０．７．１５）
【国際特許分類】
【出願番号】特願２００８−３３５７３８（Ｐ２００８−３３５７３８）
【出願日】平成２０年１２月２９日（２００８．１２．２９）
【出願人】（３０００６４１０２）株式会社環 (7)
【公開日】平成２２年７月１５日（２０１０．７．１５）
【国際特許分類】
【出願日】平成２０年１２月２９日（２００８．１２．２９）
【出願人】（３０００６４１０２）株式会社環 (7)
[ Back to top ]