JP7255751B2 - デザイン評価装置、学習装置、プログラムおよびデザイン評価方法 - Google Patents

Description

本発明は、商品のパッケージや広告などでのデザインを評価するデザイン評価装置、学習装置、プログラムおよびデザイン評価方法に関する。

店頭の他に雑誌、テレビ、インターネットなど様々な媒体を通じて商品を販売したり宣伝したりするにあたり、商品パッケージの意匠や広告のデザインは、商品の売上を左右する大きな要因となる。このため、商品パッケージや広告のデザインが重要となり、商品開発者は、顧客の嗜好にあったデザインを採用したいと考えている。特許文献１に記載の発明によれば、高精度に潜在的な利用者の嗜好を判断することができる。

特開２０１４－２１９９３７号公報

特許文献１に記載の発明を用いることで、顧客のデザインに対する嗜好を判断することができる。しかしながら、嗜好のレベルが高いデザインを商品パッケージや広告に採用したとしても、商品の売上に直結するとは限らない。仮にデザインＡよりデザインＢの方が、顧客の嗜好レベルが高いとしても、顧客が消費に慎重な性格である場合には、購入に至らず、売上にはならない。

本発明は、このような背景を鑑みてなされたものであり、購入の可能性まで含めたデザインの評価を可能とするデザイン評価装置、学習装置、プログラムおよびデザイン評価方法を提供することを目的とする。

本発明の上記目的は、下記の手段によって達成される。

（１）対象物のデザインに対する評価者の感性情報を取得する感性情報取得部と、前記評価者の属性情報を取得する属性情報取得部と、前記感性情報と前記属性情報に基づいて前記対象物のデザインにおける購入期待度を予測する購入期待度予測部と、を有することを特徴とするデザイン評価装置。

（２）前記購入期待度を用いて、前記対象物の市場シェアを予測するシェア予測部を有することを特徴とする、（１）に記載のデザイン評価装置。

（３）前記購入期待度と、追加情報とを用いて市場性を判断する市場性判断部を有することを特徴とする、（１）に記載のデザイン評価装置。

（４）前記対象物に対する複数のデザインを入力として、少なくとも前記購入期待度を用いて、前記複数のデザインのなかから最適なデザインを提案する提案部を有することを特徴とする、（１）に記載のデザイン評価装置。

（５）前記購入期待度を、前記属性情報に基づいて補正する購入期待度補正値を算出する購入期待度補正値算出部を有することを特徴とする、（２）に記載のデザイン評価装置。

（６）前記購入期待度が購入確率であることを特徴とする、（１）に記載のデザイン評価装置。

（７）前記購入期待度補正値で補正された購入期待度を用いて、前記シェア予測部における市場シェアを算出することを特徴とする、（５）に記載のデザイン評価装置。

（８）前記購入期待度補正値算出部は、前記属性情報から前記評価者の属する同類を割り出し、当該同類に割り振られた購入期待度補正値を、前記購入期待度を補正する購入期待度補正値として算出することを特徴とする（５）に記載のデザイン評価装置。

（９）前記購入期待度補正値算出部は、前記属性情報から前記評価者の属する同類を割り出し、前記同類および前記対象物のカテゴリの組み合わせに割り振られた購入期待度補正値を、前記購入期待度を補正する購入期待度補正値として算出することを特徴とする（５）に記載のデザイン評価装置。

（１０）前記感性情報は、前記対象物に対する好感度の問い合わせに対する前記評価者の回答、当該回答を行うまでの時間、前記対象物の購入意向の問い合わせに対する前記評価者の回答、当該回答を行うまでの時間、前記評価者が前記対象物のデザインを注視する時間、および前記評価者が前記対象物のデザインを注視したときの脳波測定結果の少なくとも何れか１つを含むことを特徴とする（１）に記載のデザイン評価装置。

（１１）前記感性情報取得部が取得する感性情報には、前記対象物の価格が提示された後の前記評価者の感性情報を含むことを特徴とする（１）に記載のデザイン評価装置。

（１２）対象物のデザインのデータ、前記対象物のデザインに対する評価者の感性情報、前記評価者の属性情報、前記対象物に対する前記評価者の購入期待度の組を学習データとして記憶する学習データ記憶部を有し、前記対象物の前記評価者の購入行動情報を取得する購入行動取得部を有し、前記購入行動情報と、前記対象物の学習データとを関連付けて、前記デザインにおける購入期待度の学習済みモデルを生成する購入期待度学習部を有することを特徴とする学習装置。

（１３）第２対象物のデザインのデータを取得するデータ取得部と、前記データと、（１２）に記載の学習装置が生成する学習済みモデルにより前記第２対象物の購入期待度を出力する、第２対象物購入期待度出力部を有するデザイン評価装置。

（１４）前記購入期待度を用いて、前記第２対象物の市場シェアを予測するシェア予測部を有することを特徴とする、（１３）に記載のデザイン評価装置。

（１５）前記購入期待度の情報と、追加情報を用いて市場性を判断する市場性判断部を有することを特徴とする、（１３）～（１４）の何れか１項に記載のデザイン評価装置。

（１６）対象物に対する複数のデザインを入力として、少なくとも前記購入期待度を用いて、複数の対象物のなかから最適なデザインを提案する提案部を有することを特徴とする、（１３）～（１５）の何れか１項に記載のデザイン評価装置。

（１７）前記学習装置の記憶部に格納されたデザインおよび前記第２対象物のデザインの特徴量を算出する画像特徴算出部と、前記学習装置の記憶部に格納されたデザインの特徴量と、前記第２対象物のデザインの特徴量とを比較し、前記学習装置の教師データにおけるデザインのなかで前記第２対象物のデザインに最も近いデザインを抽出する抽出部とを有する、ことを特徴とする（１３）～（１６）の何れか１項に記載のデザイン評価装置。

（１８）コンピュータを（１）～（１１）および（１３）～（１７）の何れか１項に記載のデザイン評価装置として機能させるためのプログラム。

（１９）デザイン評価装置が実行するデザイン評価方法であって、対象物のデザインに対する評価者の感性情報を取得するステップと、前記評価者の属性情報を取得するステップと、前記感性情報と前記属性情報に基づいて前記対象物のデザインにおける購入期待度を予測するステップと、を実行することを特徴とするデザイン評価方法。

本発明によれば、購入の可能性まで含めたデザインの評価を可能とするデザイン評価装置、学習装置、プログラムおよびデザイン評価方法を提供することができる。

第１の実施形態に係るデザイン評価装置の機能ブロック図である。 第１の実施形態に係る評価データベースのデータ構成図である。 第１の実施形態に係る類別の例（１）である。 第１の実施形態に係る類別の例（２）である。 第１の実施形態に係る補正値データベースのデータ構成図である。 第１の実施形態に係るデザイン評価の手順を示すフローチャートである。 第１の実施形態に係るデザイン評価処理のフローチャートである。 第２の実施形態に係るデザイン評価装置の機能ブロック図である。 第２の実施形態に係る評価データベースのデータ構成図である。 第２の実施形態に係る購入量が多い同類推定処理のフローチャートである。 第３の実施形態に係るデザイン評価装置および学習装置の機能ブロック図である。 第３の実施形態に係る購入期待度学習モデルの生成処理のフローチャートである。 第３の実施形態に係る補正値更新処理のフローチャートである。

≪デザイン評価装置の概要≫
次に、本発明を実施するための形態（実施形態）におけるデザイン評価装置について説明する。デザイン評価装置は、商品パッケージの意匠や広告などのデザインを評価する評価者の属性やデザインに対する評価者の感性情報を取得する。評価者は、例えば、商品テストに応募してきたなど市場から抽出された消費者であり、商品の潜在的な購入者である。

感性情報とは、商品パッケージの意匠や広告のデザイン、延いては、商品に対する好感度、買いたい度合い、注目度である。デザイン評価装置は、感性情報から評価者が商品を購入する度合い（購入確率、購入期待度）を算出する。評価者の属性とは、人口統計学的属性、心理学的属性、および行動学的属性である。デザイン評価装置は、評価者の属性から決まる同類を用いて評価者の購入確率を補正する。例えば、評価者が慎重ないしは消極的とされる同類に属する場合には、デザイン評価装置は、購入確率が低くなるように補正する。デザイン評価装置は、補正された購入確率から商品の市場シェアや購入量（売上）を予測する。

≪デザイン評価装置の構成≫
図１は、第１の実施形態に係るデザイン評価装置１００の機能ブロック図である。デザイン評価装置１００は、制御部１１０、記憶部１３０、および入出力部１８０を含んで構成される。入出力部１８０には、ディスプレイ５１０、キーボード５２０、マウス５３０等のユーザインターフェイス装置が接続される。また、入出力部１８０には、評価者の感情情報を取得するためのカメラ５４０が接続されてもよいし、脈や皮膚電位、脳波などの評価者の生体情報を測定する装置が接続されてもよい。ディスプレイ５１０には、制御部１１０の各機能部が算出したり、推定したり、予測したり、判断したりした結果が出力（表示）される。

記憶部１３０は、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＳＳＤ（Solid State Drive）などの記憶デバイスから構成される。記憶部１３０には、プログラム１３１、評価データベース１４０、および補正値データベース１６０が記憶される。プログラム１３１は、後記する制御部１１０が実行するプログラムであり、デザイン評価処理（後記する図７参照）の手順を含む。

≪デザイン評価装置の構成：評価データベース≫
図２は、第１の実施形態に係る評価データベース１４０のデータ構成図である。評価データベース１４０は、デザインに対する評価者の評価が含まれる。評価データベース１４０の行は、評価者に係る情報（項目）と、評価者によるデザインの評価とを含む評価者のレコードである。評価データベース１４０の列は、デザインに係る情報（項目）と、評価者によるデザインの評価とを含むデザインのレコードである。

評価者のレコードは、識別情報１４１、属性１４２、同類１４３および各デザインに対する評価を含む。
識別情報１４１は、評価者の識別情報である。
属性１４２は、評価者の属性である。評価者の属性は、人口統計学的属性、心理学的属性、および行動学的属性の３つに分類される。人口統計学的属性とは、年齢（年代）、性別、居住地などの属性である。心理学的属性とは、価値観、消費性向などの属性である。行動学的属性とは、商品購入履歴、行動範囲などの属性である。

例えば、年齢などを聞くことで、人口統計学的属性を取得することができる。また、他の人がよく買うものを買うのか、ブランドものをよく買うのかなどを聞くことで、心理学的属性を取得することができる。また、最近何を買ったか、よく購入する方法などを評価者にアンケートで聞くことや、ウェブの履歴などを入手することで、行動学的属性を取得することができる。

アンケートではなく、評価者の行動（動作）を解析することで属性を取得することも可能である。例えば、顔画像から年齢を推定することや、行動・視線の動きなどから性格などを判断することも可能である。例えば、店内にあるカメラで評価者の購入行動を撮影し、購入前に商品パッケージにある記載を見る時間が長い評価者は、慎重ないしは論理的な性格と判断できる。また、アンケートと行動解析を併用すると精度よく判定（属性を取得）することが可能である。
同類１４３は、評価者の属性１４２を基に評価者を類別した結果の同類（後記する図３、図４参照）である。

図３は、第１の実施形態に係る類別の例（１）である。図３では、世帯人数と居住地によって評価者を類別している。同類を示す円の大きさは、同類の人口を示す。例えば、居住地人口が多く、世帯人数が少ない評価者は、独身貴族の同類に類別されている。また、独身貴族の人口は、他の地方大家族や一般世帯の同類より人口が多い。
図４は、第１の実施形態に係る類別の例（２）である。図４では、誠実／不実と、論理的／直感的との２つの軸で評価者を類別している。

図２に戻って、同類１４３の値は、１つに限らず、図３および図４に示したように類別の手法により複数の同類を含む場合もある。同類への類別は、例えば、クラスタリング（クラスタ分析）の手法を用いてもよいし、他の手法を用いてもよい。
評価については、後記する。

評価者のレコードに続いて、デザインのレコードを説明する。デザインのレコードは、商品名１４４、商品区分１４５、デザイン１４６、画像１４７、および各評価者による評価を含む。
商品名１４４は、デザインに係る商品の名称である。
商品区分１４５は、デザインに係る商品の区分（カテゴリ）である。商品の区分には、例えば食品や飲料、衣料などがある。

デザイン１４６は、商品パッケージの意匠や広告のデザインに付与された識別情報である。
画像１４７は、デザイン１４６の画像である。
評価者のレコードとデザインのレコードが交わった項目は、当該評価者による当該デザインの評価である。例えば、評価者のレコード１５９とデザインのレコード１５８とが交わった評価は、「評価者Ｄ」による「パッケージデザインＡ」の評価である。

評価は、デザインに対する評価者による評価であり、購入期待度である。購入期待度は、購入意向と購入確率とを含む。購入意向は、商品パッケージまたは広告を見た評価者が、商品を購入する意向を示したか否か、購入の意思の度合いを示す。購入意向は、評価者に質問して取得してもよいし、視線の動きから注目度（デザインを注視する時間など）を推定して取得してもよい。購入意向は、その高さを示す数値であってもよいし、高／中／低などのレベルであってもよい。また、現デザインと新デザインとを比較した購入意向の差などを表現してもよい。

購入確率は、商品を購入する確率である。購入意向が高ければ、購入確率も高くなると予想される。しかしながら、購入意向が同じ数値／レベルであっても、評価者によって購入する確率は異なる。例えば、可処分所得が大きい評価者や扶養者がいない評価者の方が、実際に商品を購入する場合が多い（確率が高い）と考えられる。また、新しい物好きの評価者や、慎重な性格よりもせっかちな性格の評価者の方が購入する場合が多い（確率が高い）と考えられる。このような、評価者の商品に対する購入意向から購入確率へ補正する係数が補正値（購入期待度補正値とも記す）である。

第１の実施形態では、購入確率は購入意向だけではなく、評価者の様々な属性、および商品区分１４５によって決まるということを前提とする。さらに、評価者の同類１４３への類別については、同類のなかでは補正値が近くなるように類別するようにする。これにより、補正値は、評価者の同類１４３および商品区分１４５によって決まることになる。

≪デザイン評価装置の構成：補正値データベース≫
図５は、第１の実施形態に係る補正値データベース１６０のデータ構成図である。補正値データベース１６０は、評価者の同類、商品区分、および媒体に応じた補正値を格納している。補正値データベース１６０の行は、同類によるデザインの補正値を含む同類のレコードである。補正値データベース１６０の列は、デザインに対する同類の補正値を含むデザインのレコードである。

同類のレコードは、同類１６４、平均１６５、人口１６６および各デザインに対する補正値を含む。
同類１６４は、評価者の同類であり、評価データベース１４０の同類１４３（図２参照）に対応する。
平均１６５は、同類における補正値の平均である。
人口１６６は、同類の人口である。

デザインのレコードは、商品区分１６１、媒体１６２、および各同類の補正値を含む。商品区分１６１は、商品の区分であり商品区分１４５（図２参照）に対応する。媒体は、デザインの媒体であり、例えば、パッケージデザインである「パッケージ」、Ｗｅｂ上の広告である「Ｗｅｂ広告」などの媒体がある。

同類のレコードとデザインのレコードが交わった項目は、当該同類による当該デザインの補正値である。例えば、同類のレコード１６３とデザインのレコード１６７が交わった項目は、「同類Ａ」による食品のパッケージデザインの補正値であって、その値は「０．８５」である。

≪デザイン評価装置の構成：制御部≫
図１に戻り、制御部１１０の説明を続ける。制御部１１０は、ＣＰＵ（Central Processing Unit）を含んで構成される。ＣＰＵが、プログラム１３１を実行することで、デザイン評価処理（後記する図７参照）が行われる。制御部１１０は、感性情報取得部１１１、属性情報取得部１１２、同類類別部１１３、購入期待度補正値算出部１１４、購入期待度予測部１１５、シェア予測部１１６、市場性判断部１１７、および提案部１１８を備える。

感性情報取得部１１１は、評価者の感性情報を取得する。感性情報とは、デザインに対する購入意向である。感性情報取得部１１１は、例えば、デザインをディスプレイ５１０（図１参照）に表示して、評価者により選択肢のなかから選択された（評価者が回答した）購入意向のレベルを取得する。評価者が見るデザインは、ディスプレイ５１０に表示されるデザインではなく、商品パッケージや広告ポスターの実物であってもよい。評価者の回答時間に応じて、回答の購入意向を変更してもよい。また、感性情報取得部１１１は、商品の価格を評価者に示して購入意向を取得してもよいし、価格を示さずに購入意向を取得してもよいし、価格を示す前および示した後に購入意向を取得してもよい。

また、感性情報取得部１１１は、カメラ５４０で取得した評価者のデザインへの視線を追跡し、その注目時間から購入意向を推定してもよい。他にも、感性情報取得部１１１は、評価者の脈や皮膚電位、脳波などの生体情報の測定結果から購入意向を推定してもよい。取得した購入意向は、評価データベース１４０（図２参照）のなかで、評価者とデザインに対応した評価の項目の購入意向として記憶される。

属性情報取得部１１２は、評価者の属性を取得する。属性情報取得部１１２は、例えば、属性に係る質問をディスプレイ５１０に表示して、評価者の回答を得て、属性を取得してもよい。取得した属性は、評価データベース１４０（図２参照）のなかで、評価者の属性１４２として記憶される。属性情報取得部１１２は、アンケート票にある評価者の回答を、例えばＯＣＲ（Optical Character Recognition）技術を用いて、取得してもよい。
同類類別部１１３は、属性１４２から評価者が属する同類を算出して、評価データベース１４０の同類１４３に格納する。

購入期待度補正値算出部１１４は、評価者の同類１６４（図５参照）および商品区分１６１、媒体１６２から、対応する補正値を取得する。
購入期待度予測部１１５は、補正値および購入意向から、購入期待度（購入確率を含む）を算出する。
シェア予測部１１６は、同類ごとに購入確率を算出して商品の購入量を予測して、商品の購入量から市場シェアを予測する。

市場性判断部１１７は、商品のコストや３Ｃ分析などの競合分析などの追加情報を取得して、商品の市場性を判断して出力する。例えば、競合商品の数が所定数より多かったり、シェア予測部１１６が予測した市場シェアが所定値より小さかったり、購入確率（購入確率の平均）が所定値より低かったりする場合には、市場性判断部１１７は、市場が低いと判断して、出力する。また、商品の価格を示した後の購入意向が、示す前の購入意向の所定比率以下である場合には、市場性判断部１１７は、市場性が低いと判断してもよい。競合商品の購入確率との差が、所定値以上大きければ、市場性判断部１１７は、市場性が高いと判断してもよい。
提案部１１８は、購入確率から算出される商品の購入量が最大となる同類を探索して、出力する。

≪デザイン評価の手順≫
図６は、第１の実施形態に係るデザイン評価の手順を示すフローチャートである。
ステップＳ１１～Ｓ１３において各評価者は、アンケートに回答する。詳しくは、各評価者は、デザイン評価装置１００のディスプレイ５１０に表示される商品のデザインに関する質問（購入意向の質問）や自身に関する質問（評価者の属性に関する質問）に回答する。なお、商品はデザイン評価対象の商品とは限らず、市場シェア算出に必要な競合商品も含む。

ステップＳ１４においてデザイン評価装置１００が、商品ごとの市場シェアを算出して、出力する。
ステップＳ１５においてデザイン評価装置１００は、入力された追加情報（商品コストや競合商品、３Ｃ分析などに関する情報）を取得して、商品の市場性を判断して、出力する。

≪デザイン評価処理≫
図７は、第１の実施形態に係るデザイン評価処理のフローチャートである。
ステップＳ２１において制御部１１０は、評価者ごとにステップＳ２２～Ｓ２７の処理を繰り返す処理を開始する。
ステップＳ２２において属性情報取得部１１２は、アンケートにより評価者の属性情報を取得する。詳しくは、属性情報取得部１１２は、評価者への質問事項をディスプレイ５１０（図１参照）に表示にして、評価者からの回答を取得する。属性情報取得部１１２は、回答から得られる属性を評価データベース１４０（図２参照）の属性１４２に格納する。

ステップＳ２３において感性情報取得部１１１は、デザイン評価対象である商品のデザイン（商品パッケージデザインや広告デザイン）をディスプレイ５１０に表示して、感性情報としての購入意向を取得する。詳しくは、感性情報取得部１１１は、デザインをディスプレイ５１０に表示して、評価者により選択肢のなかから選択された購入意向のレベルを取得する。感性情報取得部１１１は、取得した購入意向を評価データベース１４０の評価の項目に格納する。

ステップＳ２４において感性情報取得部１１１は、競合商品のデザインをディスプレイ５１０に表示して、感性情報としての購入意向を取得する。感性情報取得部１１１は、取得した購入意向を評価データベース１４０の評価に格納する。競合商品は１つとは限らず、複数の場合もある。
ステップＳ２５において同類類別部１１３は、評価者の属性１４２から同類を算出して同類１４３に格納する。

ステップＳ２６において購入期待度補正値算出部１１４は、評価者の同類１４３、および商品区分１４５、およびデザイン１４６（図２参照）に対応する補正値データベース１６０（図５参照）の同類１６４、商品区分１６１、および媒体１６２を特定して、対応する補正値を取得する。なお、商品区分１４５、およびデザイン１４６に対応する商品区分１６１、および媒体１６２がない場合には、購入期待度補正値算出部１１４は、平均１６５を補正値とする。

ステップＳ２７において購入期待度予測部１１５は、ステップＳ２６において取得した補正値、および購入意向から、購入確率を算出して、評価の項目に格納する。購入期待度予測部１１５は、評価対象商品および競合商品それぞれについて購入確率を算出する。購入意向がレベルならば、０～１の数値に変換して、補正値を乗じて購入確率を算出する。
ステップＳ２８において制御部１１０は、全ての評価者についてステップＳ２２～Ｓ２７の処理を終えたならば、ステップＳ２９に進み、処理を終えていない（アンケートに回答していない）評価者がいればステップＳ２２に戻る。

ステップＳ２９においてシェア予測部１１６は、デザイン評価対象の商品と競合商品の購入量を算出する。詳しくは、シェア予測部１１６は、同類ごとに、同類に属する評価対象の評価対象の商品と競合商品それぞれの購入確率の平均を算出する。次に、シェア予測部１１６は、購入確率に人口１６６を乗じて評価対象の評価対象の商品と競合商品それぞれの購入量とする。

ステップＳ３０においてシェア予測部１１６は、市場シェアを算出して出力する。詳しくは、シェア予測部１１６は、評価対象商品と競合商品の購入量の和を全体の購入量として、評価対象商品および競合商品ごとに比率を計算して市場シェアとして出力する。
ステップＳ３１において提案部１１８は、評価対象商品の購入量が最も多い同類を最大購入同類として出力する。最大購入同類は販促ターゲットとなる。
ステップＳ３２において市場性判断部１１７は、商品のコストや３Ｃ分析などの競合分析などの追加情報を取得して、商品の市場性を判断して出力する。

≪デザイン評価処理の特徴≫
デザイン評価装置１００は、商品に対する評価者の購入意向に加え、評価者の属性によって決まる同類に付与された補正値を加味して、購入確率を算出する。さらに、デザイン評価装置１００は、同類ごとに算出された商品および競合商品の購入確率に、当該同類の人口を乗じて購入量を算出し、市場シェアを算出して推定する。

購入確率は、単に商品を購入したい／買わない、好き／嫌いといった評価者（顧客、購入者）の意向・感性だけではなく、評価者の同類を考慮して算出される。可処分所得の多寡や扶養家族の人数、新しい物好きか否かなど、商品そのものやデザイン以外の商品購入に影響を与える購入者の属性を考慮した同類への類別、および同類に補正値を割り当てることで、購入確率が高精度に推定でき、延いては商品の市場シェアを高精度に算出できるようになる。
また、デザイン評価装置１００は、追加情報から市場性を判断して出力する。

≪第１の実施形態の変形例：複数のデザインがある場合≫
上記した実施形態において、評価対象のデザインは１つであるとして説明したが、これに限る必要はない。１つの商品に対して複数のデザインが入力されて評価データベース１４０に登録されており、それぞれのデザインについて感性情報取得部１１１は、評価者の購入意向を取得してもよい。さらに、シェア予測部１１６は、それぞれのデザインについて購入確率を算出し、購入量を予測してもよい。提案部１１８は、最も購入量の多いデザインを商品に対する最適なデザインとして出力して提案してもよい。

≪第１の実施形態の変形例：現デザインと新デザインがある場合≫
感性情報取得部１１１は、デザインに対する評価者の購入意向を取得している。現商品のデザインがある場合に、新デザインの購入意向を取得する替わりに、感性情報取得部１１１は、現デザインと新デザインの両方を見た評価者の購入意向が増したか否かを取得して、購入意向とみなすようにしてもよい。また、商品の価格を示す前の購入意向から価格を示した後の購入意向が増したか否かを取得して、購入意向とみなすようにしてもよい。なお、感性情報取得部１１１が取得する購入意向および購入確率を含む上位概念として購入期待度とも記す。

≪第２の実施形態：デザインによる購入意向の推定≫
上記した第１の実施形態においてデザイン評価装置１００は、商品のパッケージデザインや広告デザインを評価者に見せて、購入意向を取得している。評価対象のデザインに類似するデザインから購入意向を推定してもよい。さらに、購入量が最大となる同類（販促ターゲット）を出力してもよい。

図８は、第２の実施形態に係るデザイン評価装置１００Ａの機能ブロック図である。第１の実施形態のデザイン評価装置１００と比較すると、評価データベース１４０Ａが異なっている。また、制御部１１０に、デザイン取得部１１９、画像特徴量算出部１２０、および抽出部１２１が備わる。

図９は、第２の実施形態に係る評価データベース１４０Ａのデータ構成図である。第１の実施形態に係る評価データベース１４０と比較すると、デザインのレコード（列）が特徴量１４８を含む。特徴量１４８は、画像１４７の特徴量であって、例えば、光沢量、色合い、配色、特徴的な図形／図柄の有無や配置、文字やその大きさ・フォント・配置などに係る特徴量である。

図８に戻って、デザイン取得部１１９は、評価対象となるデザインを取得する。
画像特徴量算出部１２０は、評価対象となるデザインの画像から特徴量を算出する。
抽出部１２１は、評価対象のデザインに類似するデザインを、評価データベース１４０Ａから抽出（特定）する。抽出部１２１は、評価対象のデザインである画像の特徴に最も近い特徴量１４８をもつデザインを特定する。

≪第２の実施形態：購入量最大の同類の推定≫
図１０は、第２の実施形態に係る購入量が多い同類推定処理のフローチャートである。
ステップＳ４１においてデザイン取得部１１９は、評価対象となる商品のパッケージや広告のデザインを取得する。例えば、デザイン取得部１１９は、カメラ５４０（図１参照）からデザインを取得する。
ステップＳ４２において画像特徴量算出部１２０は、ステップＳ４１で取得したデザインの画像の特徴量を算出する。

ステップＳ４３において抽出部１２１は、ステップＳ４２において算出した特徴量に最も近い特徴量１４８をもつデザインのレコードを評価データベース１４０Ａから抽出する。
ステップＳ４４において提案部１１８は、ステップＳ４３において抽出したデザインにおいて、購入量が最大の同類を特定して出力する。特定する手法は、第１の実施形態と同様であって、シェア予測部１１６が、同類ごとに購入確率の平均値を算出し、人口１６６（図５参照）を乗じて購入量を算出した結果から、提案部１１８が、購入量が最大となる同類を特定する。

≪第２の実施形態の特徴≫
第２の実施形態では、デザイン評価装置１００は、デザインに対する評価者の購入意向を取得することなく、評価対象のデザインに最も類似する評価データベース１４０Ａのデザインから、購入量最大の同類を推定する。評価者による評価が不要となるので、評価者を集めたり、アンケートを取得したりするなどの時間やコストを削減することができるようになる。

≪第２の実施形態の変形例≫
なお、上記実施形態では、抽出部１２１は、評価データベース１４０Ａのデザインのなかで、ステップＳ４１で取得したデザインに注目して最も特徴量１４８が類似するデザインを特定している。抽出部１２１は、商品区分１４５が同じで、最も特徴量１４８が類似するデザインを特定するようにしてもよい。

また、上記実施形態では、デザイン評価装置は、最も類似するデザインから、購入量最大の同類を推定しているが、第１の実施形態と同様にして、市場シェアを算出したり、市場性を判断したりしてもよい。詳しくは、デザイン評価装置は、最も類似するデザインに係る市場シェアや市場性を、評価対象のデザインの市場シェアや市場性として出力してもよい。

デザインの特徴量が近いデザインを特定する替わりに、機械学習技術を用いてもよい。詳しくは、デザイン評価装置に備わる学習部が、デザイン（デザインの画像や画像の特徴量）を入力とし、購入量最大の同類を正解ラベルとする学習データを用いて、機械学習モデルを生成するようにしてもよい。次に、デザイン評価装置に備わる推定部が、当該機械学習モデルを用いてデザインから購入量最大の同類を推定するようにしてもよい。

学習部は、購入量最大の同類の他に、市場シェアや市場性を正解ラベルとして機械学習モデルを生成して、市場シェアや市場性を推定するようにしてもよい。また、推定部は、複数のデザインそれぞれについて、市場シェアや市場性を推定して、市場シェアや市場性が高いデザインを出力するようにしてもよい。

≪第３の実施形態：学習装置、購入期待度の学習、補正値の更新≫
購入確率を含む購入期待度は、評価者の感性情報および評価者の様々な属性によって決定される。補正値は、補正値データベース１６０（図５参照）に格納され、同類１６４ごと、商品区分１６１ごと、媒体１６２ごとに割り当てられている。実際に商品を購入したか否かを評価者に確認した情報を基に、感性情報や属性情報に基づく購入期待度予測値の算出方法を学習するようにしてもよい。また既に割り当て済の補正値を更新するようにしてもよい。

図１１は、第３の実施形態に係るデザイン評価装置１００Ｂおよび学習装置２００の機能ブロック図である。第１の実施形態のデザイン評価装置１００と第３の実施形態に係るデザイン評価装置１００Ｂとを比較すると、購入期待度補正値算出部１１４Ｂが異なる。また、デザイン評価装置１００Ｂは、学習装置２００が接続される。

学習装置２００は、ＣＰＵから構成される制御部と、ＲＡＭやＲＯＭ、ＳＳＤなどから構成される記憶部とを備える。記憶部（学習データ記憶部）には、学習データ２３０と購入期待度学習モデル２４０とが記憶される。購入期待度学習モデル２４０は、対象物のデザインと、当該デザインに対する評価者の感性情報と、評価者の属性情報とから購入期待度を算出する機械学習モデルである。

学習データ２３０は、購入期待度学習モデル２４０を生成（訓練）する学習データであって、対象物のデザインと、当該デザインに対する評価者の感性情報と、評価者の属性情報とを含んで構成されるデータである。対象物のデザインと、当該デザインに対する評価者の感性情報と、評価者の属性情報とは、評価データベース１４０（図２参照）から取得される。デザインは、例えば、デザインの画像１４７やその特徴量１４８である（図９参照）。

制御部は、購入行動取得部２１０と学習処理部２２０（購入期待度学習部）とを備える。購入行動取得部２１０は、評価者から商品購入の有無（購入行動情報）を取得する。学習処理部２２０は、学習データ２３０を蓄積し、学習データ２３０と購入行動情報とを用いて購入期待度学習モデル２４０を生成する（学習データ２３０と購入行動情報とを用いて購入期待度学習モデル２４０を訓練する）。

学習装置２００は、評価データベース１４０から取得したデータを備える学習データ２３０において、購入行動取得部２１０から評価者からの商品購入の有無を取得して、デザインと感性情報と属性情報とから購入期待度を算出する購入期待度学習モデル２４０を生成する。また、購入期待度補正値算出部１１４Ｂは、購入行動取得部２１０から評価者の商品購入の有無を取得して、補正値を更新する。

図１２は、第３の実施形態に係る購入期待度学習モデル２４０の生成処理のフローチャートである。
ステップＳ５１において学習処理部２２０は、評価者ごとにステップＳ５２～Ｓ５５を繰り返す処理を開始する。評価者の人数は、例えば１００人である。
ステップＳ５２において購入行動取得部２１０は、評価者に問い合わせて購入行動の結果（購入の有無）を取得する。

ステップＳ５３において学習処理部２２０は、評価者の感性情報と属性情報、および、購入期待度と購入結果の関係性を確認する。
ステップＳ５４において学習処理部２２０は、ステップＳ５３における関係性の確認の結果、購入期待度の算出に影響があれば（ステップＳ５４→ＹＥＳ）ステップＳ５５に進み、影響がなければ（ステップＳ５４→ＮＯ）ステップＳ５６に進む。
ステップＳ５５において学習処理部２２０は、学習データ２３０に、対象物のデザインと、当該デザインに対する評価者の感性情報と、属性情報とを含むデータを加え、このデータに正解ラベルである購入の有無を関連付けて記憶する。

ステップＳ５６において学習処理部２２０は、全ての評価者についてステップＳ５２～Ｓ５５を実行したならばステップＳ５７に進み、未処理の評価者がいれば、ステップＳ５２に戻る。
ステップＳ５７において学習処理部２２０は、学習データ２３０と評価の購入の有無とを基に、購入期待度学習モデル２４０を生成する。
学習処理部２２０において生成された購入期待度学習モデル２４０を用いて、デザイン評価装置の購入期待度を算出することで、より現実に近い期待度を算出することが可能になる。

図１３は、第３の実施形態に係る補正値更新処理のフローチャートである。
ステップＳ６１において購入期待度補正値算出部１１４Ｂは、評価者ごとにステップＳ６２～Ｓ６５を繰り返す処理を開始する。
ステップＳ６２において購入期待度補正値算出部１１４Ｂは、学習装置２００の購入行動取得部２１０から商品購入の有無を取得する。
ステップＳ６３において購入期待度補正値算出部１１４Ｂは、評価者が商品を購入したならば（ステップＳ６３→ＹＥＳ）ステップＳ６５に進み、未購入ならば（ステップＳ６３→ＮＯ）ステップＳ６４に進む。

ステップＳ６４において購入期待度補正値算出部１１４Ｂは、評価データベース１４０のなかの評価者に対応する評価の購入確率を０に更新する。
ステップＳ６５において購入期待度補正値算出部１１４Ｂは、評価データベース１４０のなかの評価者に対応する評価の購入確率を１に更新する。
ステップＳ６６において購入期待度補正値算出部１１４Ｂは、全ての評価者についてステップＳ６２～Ｓ６５を実行したならばステップＳ６７に進み、未処理の評価者がいれば、ステップＳ６２に戻る。

ステップＳ６７において購入期待度補正値算出部１１４Ｂは、補正値データベース１６０を更新する。詳しくは、購入期待度補正値算出部１１４Ｂは、同類ごとに、商品を購入した評価者の割合を算出し、この割合と、購入意向と補正値から算出される購入確率とが等しくなるように補正値を算出する。

購入期待度補正値算出部１１４Ｂは、商品購入の有無を取得できた評価者の割合に応じて補正値を算出してもよい。例えば、（商品購入の有無を取得できた評価者の割合）×（商品を購入した評価者の割合が購入意向と補正値から算出される購入確率とが等しくなる補正値）＋（商品購入の有無を取得できなかった評価者の割合）×（更新前の補正値）を更新値としてもよい。

≪第３の実施形態の特徴≫
第３の実施形態においては、デザイン評価装置１００Ｂは、評価者が実際に商品を購入したか否かを確認することで現実の購入確率を算出して、この購入確率に合うように補正値を更新している。現実のデータに合わせて補正値を更新することで、以降の市場シェアの予測や最大購入同類の推定の精度が向上する。

≪第３の実施形態の変形例≫
なお、上記実施形態では、学習装置２００を中心に記載したが、当該学習装置で生成された購入期待度学習モデル２４０を用いたデザイン評価装置として、第２実施形態と同様にして、第２対象物のデザインを取得した上で、例えば、デザインの画像や画像の特徴量が近いデザインから第２対象物のデザインの購入期待度を算出することができる。また、当該デザイン評価装置は、画像や画像の特徴量について、データ取得部が取得した第２対象物のデザインに最も近い学習データ２３０（図１１参照）のなかのデザインを抽出してもよい。また、デザイン評価装置に備わる第２対象物購入期待度出力部が、購入期待度学習モデル２４０を用いて第２対象物のデザインから購入期待度を算出してもよい。

また、当該デザイン評価装置は、さらに第１の実施形態やその変形例と同様にして、市場シェアを算出したり、市場性を判断したりしてもよい。詳しくは、デザイン評価装置は、例えば、最も類似するデザインに係る市場シェアや市場性を、評価対象のデザインの市場シェアや市場性として出力してもよい。また、デザイン評価装置は、複数のデザインについて購入期待度（購入確率）を算出して購入量を予測し、最も購入量の多いデザインを商品に対する最適なデザインとして出力して提案してもよい。

他の変形例として、デザイン評価装置は、図８記載のデザイン取得部１１９が取得した対象物（商品）のデザインと、評価者の当該デザインに対する感性情報と、評価者の属性情報とから、購入期待度学習モデル２４０を用いて当該評価者の購入期待度を算出する第２対象物購入期待度出力部を備えてもよい。また、第１の実施形態やその変形例と同様にして、デザイン評価装置は、市場シェアを算出したり、市場性を判断したりしてもよい。
他に、デザイン評価装置は、複数のデザインについて購入期待度（購入確率）を算出して購入量を予測し、最も購入量の多いデザインを対象物に対する最適なデザインとして出力して提案してもよい。また、図８記載の画像特徴量算出部１２０と抽出部１２１とを備え、対象物のデザインの特徴量に最も近い特徴量をもつ学習データ２３０（図１１参照）のなかのデザインを特定するようにしてもよい。

≪その他変形例≫
以上、本発明のいくつかの実施形態について説明したが、これらの実施形態は、例示に過ぎず、本発明の技術的範囲を限定するものではない。本発明はその他の様々な実施形態を取ることが可能であり、さらに、本発明の要旨を逸脱しない範囲で、省略や置換等種々の変更を行うことができる。これら実施形態やその変形は、本明細書等に記載された発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００，１００Ａ，１００Ｂ デザイン評価装置
１１１ 感性情報取得部
１１２ 属性情報取得部
１１３ 同類類別部
１１４，１１４Ｂ 購入期待度補正値算出部
１１５ 購入期待度予測部
１１６ シェア予測部
１１７ 市場性判断部
１１８ 提案部
１１９ デザイン取得部（データ取得部）
１２０ 画像特徴量算出部
１２１ 抽出部
１３１ プログラム
１４０，１４０Ａ 評価データベース
１６０ 補正値データベース
１８０ 入出力部
２００ 学習装置
２１０ 購入行動取得部
２２０ 学習処理部（購入期待度学習部）
２３０ 学習データ
２４０ 購入期待度学習モデル

Claims (19)

1. 対象物のデザインに対する評価者の感性情報を取得する感性情報取得部と、
   前記評価者の属性情報を取得する属性情報取得部と、
   前記感性情報と前記属性情報に基づいて前記対象物のデザインにおける購入期待度を予測する購入期待度予測部と、
   を有することを特徴とするデザイン評価装置。
2. 前記購入期待度を用いて、前記対象物の市場シェアを予測するシェア予測部を有することを特徴とする、
   請求項１に記載のデザイン評価装置。
3. 前記購入期待度と、追加情報とを用いて市場性を判断する市場性判断部を有することを特徴とする、
   請求項１に記載のデザイン評価装置。
4. 前記対象物に対する複数のデザインを入力として、
   少なくとも前記購入期待度を用いて、前記複数のデザインのなかから最適なデザインを提案する提案部を有することを特徴とする、
   請求項１に記載のデザイン評価装置。
5. 前記購入期待度を、前記属性情報に基づいて補正する購入期待度補正値を算出する購入期待度補正値算出部を有することを特徴とする、
   請求項２に記載のデザイン評価装置。
6. 前記購入期待度が購入確率であることを特徴とする、
   請求項１に記載のデザイン評価装置。
7. 前記購入期待度補正値で補正された購入期待度を用いて、前記シェア予測部における市場シェアを算出することを特徴とする、
   請求項５に記載のデザイン評価装置。
8. 前記購入期待度補正値算出部は、
   前記属性情報から前記評価者の属する同類を割り出し、
   当該同類に割り振られた購入期待度補正値を、前記購入期待度を補正する購入期待度補正値として算出する
   ことを特徴とする請求項５に記載のデザイン評価装置。
9. 前記購入期待度補正値算出部は、
   前記属性情報から前記評価者の属する同類を割り出し、
   前記同類および前記対象物のカテゴリの組み合わせに割り振られた購入期待度補正値を、前記購入期待度を補正する購入期待度補正値として算出する
   ことを特徴とする請求項５に記載のデザイン評価装置。
10. 前記感性情報は、
    前記対象物に対する好感度の問い合わせに対する前記評価者の回答、
    当該回答を行うまでの時間、
    前記対象物の購入意向の問い合わせに対する前記評価者の回答、
    当該回答を行うまでの時間、
    前記評価者が前記対象物のデザインを注視する時間、および
    前記評価者が前記対象物のデザインを注視したときの脳波測定結果の少なくとも何れか１つを含む
    ことを特徴とする請求項１に記載のデザイン評価装置。
11. 前記感性情報取得部が取得する感性情報には、前記対象物の価格が提示された後の前記評価者の感性情報を含む
    ことを特徴とする請求項１に記載のデザイン評価装置。
12. 対象物のデザインのデータ、前記対象物のデザインに対する評価者の感性情報、前記評価者の属性情報、前記対象物に対する前記評価者の購入期待度の組を学習データとして記憶する学習データ記憶部を有し、
    前記対象物の前記評価者の購入行動情報を取得する購入行動取得部を有し、
    前記購入行動情報と、前記対象物の学習データとを関連付けて、
    前記デザインにおける購入期待度の学習済みモデルを生成する購入期待度学習部を有することを特徴とする学習装置。
13. 第２対象物のデザインのデータを取得するデータ取得部と、
    前記データと、請求項１２に記載の学習装置が生成する学習済みモデルにより前記第２対象物の購入期待度を出力する、第２対象物購入期待度出力部を有する
    デザイン評価装置。
14. 前記購入期待度を用いて、前記第２対象物の市場シェアを予測するシェア予測部を有することを特徴とする、請求項１３に記載のデザイン評価装置。
15. 前記購入期待度の情報と、追加情報を用いて市場性を判断する市場性判断部を有することを特徴とする、
    請求項１３～１４の何れか１項に記載のデザイン評価装置。
16. 対象物に対する複数のデザインを入力として、
    少なくとも前記購入期待度を用いて、複数の対象物のなかから最適なデザインを提案する提案部を有することを特徴とする、
    請求項１３～１５の何れか１項に記載のデザイン評価装置。
17. 前記学習装置の記憶部に格納されたデザインおよび前記第２対象物のデザインの特徴量を算出する画像特徴算出部と、
    前記学習装置の記憶部に格納されたデザインの特徴量と、前記第２対象物のデザインの特徴量とを比較し、前記学習装置の教師データにおけるデザインのなかで前記第２対象物のデザインに最も近いデザインを抽出する抽出部とを有する、
    ことを特徴とする請求項１３～１６の何れか１項に記載のデザイン評価装置。
18. コンピュータを請求項１～１１および請求項１３～１７の何れか１項に記載のデザイン評価装置として機能させるためのプログラム。
19. デザイン評価装置が実行するデザイン評価方法であって、
    対象物のデザインに対する評価者の感性情報を取得するステップと、
    前記評価者の属性情報を取得するステップと、
    前記感性情報と前記属性情報に基づいて前記対象物のデザインにおける購入期待度を予測するステップと、
    を実行することを特徴とするデザイン評価方法。

Images