食品スーパーの多様性と顧客購買行動との関係分析

食品スーパーの多様性と顧客購買行動との関係分析 川名 純平 諏訪 竜也 関 庸一 群馬大学 防衛省 群馬大学 (受理 2017 年 3 月 24 日; 再受理 2018 年 2 月 15 日) 和文概要 本研究では，経営主体横断的に収集されたスーパーマーケットの大規模 ID 付き POS データの分 析法を提案する．これにより，店舗や顧客の販売や購買の類型をとらえ，顧客行動とその遷移傾向を明らかに する．まず，月次の商品カテゴリ上での販売額・購買額分布に注目して，これに自己組織化マップ（SOM）を 適用することで，店舗販売類型，顧客行動類型を抽出する．この際，カテゴリごとの金額が桁違いであるので， Box-Cox 変換を利用した．次に，店舗グループごとに，顧客の購買行動類型の構成比，月間の類型間遷移の頻 度，新規顧客の加入数などに注目し，その特徴を明らかにした．その結果，顧客のロイヤリティや年齢層が異 なる店舗グループの間では，米，精肉，鮮魚といった商品購買行動の傾向や遷移が異なることが明らかになっ た．提案法は，店舗間の顧客層の差異を発見するために有効であると考えられる．

キーワード: データ解析，ID付きPOSデータ, SOM,類型間遷移, Box-Cox変換,顧客ロ

イヤリティ 1. はじめに ID 付き POS データの解析としては各種のアプローチが行なわれてきている [1]．しかし， POS データの収集上の制約から，経営主体横断的な分析は難しく，スキャンパネルデータ を利用した研究 [11] はあるが，悉皆なデータで顧客の特徴をとらえ，また店舗の特徴づけを 行なっている研究はない． 本研究では，経営主体横断的で商品について悉皆な ID 付き POS データを用いて，商品 カテゴリ上での顧客の月間購買額および店舗での月間販売額の分布に注目し，これからどの ような売上構成の店舗チェーンが存在するのかという店舗類型，どのような購買傾向を持つ 顧客会員がいるのかという顧客類型を与えることを目的とする．その上で，この類型の有効 性を検証する例として，店舗類型ごとに，顧客が時間経過と共にどのように顧客類型を遷移 しているかを明らかにする．つまり，それぞれの店舗販売類型が，どのような顧客購買類型 をどの程度集め，どのような顧客購買類型に育て，あるいは，離反されているかの傾向を明 らかにする． 一度，このような類型を用意することができれば，個店の ID 付 POS データしか持たな い立場であっても，自店がどのような顧客に強みを持っているかというポジショニングを把 握し，あるいは，顧客の類型間遷移や離反を会員顧客について分析することが可能となり， 販売戦略の策定に有効な情報を提供できると考える． 利用する経営主体横断的 ID 付き POS データとしては，平成 27 年度データ解析コンペティ ションにおいて（株）アイディーズより提供された i-code データを用いる．このデータは， 全国 975 店舗，22 チェーンの食品スーパーが含まれている大規模 ID-POS データである．用

自の分類体系であり，食品スーパーにおける全商品を悉皆に把握したものである．そのた め，生鮮食品を含めた売れ行きを店舗間で比較することが可能であり，従来使用されてきた 1 店舗あるいは同一チェーンに限られていたデータでは検証不可能であったチェーン間の特 徴の違いの検討が可能である． 2. 顧客や店舗の異質性の把握の方法 顧客や店舗の異質性を捉えるためには，クラスタリングを適用しクラスターごとに得られ た特徴をプロモーション等に活用するアプローチがよくとられる．この際のクラスタリング の方法としては，クラスタリング対象の属性値から，クラスター分析を用いる古典的な方 法 [3] や，自己組織化マップ（SOM）[9] を用いる方法 [4] がある．これらでは，対象は作成 されたクラスターに排反に分類されることになる．一方，潜在クラス分析や階層ベイズモデ ルなど [1] のように，対象を作成されたクラスターに確率的に所属させるモデルもある．潜 在クラス分析を用いたセグメンテーションに関する研究はその応用可能性から多く行われ ており，たとえば，複数年のアンケートデータを利用し潜在クラス分析を行い顧客セグメン トの時系列変化を逐次的に把握する研究 [7] や，継時的な購買履歴データから，潜在構造モ デルを用いて商品カテゴリへの嗜好の違いを考慮した顧客のセグメンテーションを行う研 究 [10] などがなされている．顧客と商品の対応を確率モデルとして，潜在クラス分析の一種 である PLSI を用いてカテゴリ化している研究 [5, 6] もある．また，消費者の購買履歴を直 接利用してのクラスタリングとして非負値行列因子分解法も利用されている [8]． 本研究では，対象データが多量であるため，以上のような方法のうち SOM を用いる．SOM では，一度類型を定めれば，新規データに対して簡便な最近隣法で，排他的に所属類型が定 められるため，追加の多量データに対しても類型化が容易となるからである．また，通常 のクラスタリング法ではクラスターの特徴が入力データの高次元上でしか表現されないが， SOM は 2 次元平面のマップ上に射影した結果が得られ，類型間の遷移などをそのまま描画 できる．これらの表現を追加解析なしに用いうることにより，新規の購買行動の変化を類型 間遷移として捉えることが容易となる． 3. アプローチの方法 SOM は入力データを距離関係を用いて分類するクラスタリング手法である．本研究では， 販売及び購買の特徴を，i-code データで用いられている商品カテゴリ上の金額分布で捉え， 月単位での店舗販売と顧客購買に着目し，各類型の意味内容を金額という具体的な尺度で解 釈できるようにする．なお，類型を抽出する際に用いる金額分布相互の距離として金額をそ のまま用いると，規模が支配的となり，スケールの異なる多様な店舗や顧客の特徴が比較可 能とならない．そこで，それぞれの金額分布を基準化する方法を与える．これにより店舗規 模や顧客購買規模のみによらない特徴の抽出を実現する． また，顧客の月ごとの購買行動を最近傍法を用いて購買行動類型に照らし合わせること で，顧客の購買行動の変化を見る．これにより店舗チェーンごとに顧客の購買行動の特徴 をとらえ，また 2 年間での特徴の変化から，チェーンごとの特性の違いについて検討する． 解析の大まかな流れを図 1 に示す．なお，データクリーニングに当たっては NYSOL[12] を， 分析には R を用いた．

図 1: 本解析の概要 表 1: 使用データ概要 項目名 元データ 対象店舗データ 対象顧客データ 店舗数 975店舗 660店舗 ** データ収集期間 2013/7/1-2015/6/30 2013/7/1-2015/6/29* 2013/7/1-2015/6/29* レシート枚数 約13億9985万枚 約4億6056万枚 約4億3325万枚 会員数 6,117,712人 5,570,196人 4,764,429人 *期間中の 2014/6/30 を除く **顧客ごとの代表店舗販売類型に集約して用いるため意味を持たない（7.2 節参照） 4. データ概要と対象 4.1. 元データ概要 本研究では（株）アイディーズより提供された大小二種の i-code データのうち大規模データ を使用した．データの概要を表 1 に示す．また i-code データは商品と対応づけられる分類 1 （8 分類），分類 2（25 分類），分類 3（168 分類），分類 4（937 分類）からなる 4 階層の独 自の分類が与えられており，本研究ではカテゴリの解釈のしやすさから分類 3 を基本として 用いることとした． 4.2. 月の再定義 本研究では顧客の購買行動の週単位での周期性を考慮して，“月” を再定義する．4 週間（28 日）を集計の単位とし，これを “月” と呼ぶ．このとき 1 年間（365 日）は 13 月と 1 日とな る．使用するデータの期間は 2013 年 7 月 1 日から 2015 年 6 月 30 日までの 2 年間であるの で，2014 年と 2015 年の 6 月 30 日のレコードは余りとして除外し，計 2 年間 26 月 728 日の レコードを扱う． 4.3. 対象店舗データ 各店舗の販売状況を類型化するにあたって，元データから対象の選定を行った．まず，会員 購買行動と対照させるために会員による購買が存在する店舗の全購買履歴データを対象とし た．その上で会員番号とその会員が購買した店舗番号を座標としてプロットした結果から，

ンは 22 存在するが，会員による購買がなかった 1 チェーンの店舗については対象外となる． なお，対象とした店舗については非会員の購買レコードも扱うこととした．また一般消費を 対象とし業務目的の購買を除外するために，月に 20 万円以上の購買を行ったことがある会 員や，一度に 10 万円以上の購買を行ったレシートのレコードについては取り除いた． 以上の処理により得られたデータの概要を表 1 に示す． 4.4. 対象顧客データ 会員のデータについても対象の選定を行った．会員の購買行動の抽出を目的とするため，対 象レコードを会員に絞り，非会員のレコードを取り除いた．また店舗と同様，一般的な消費 者を対象として抽出するため，業務目的の購買であると思われる，月に 20 万円以上の購買 を行ったことがある会員のレコードを除去した．また，ひと月に購買が 1 度のみの人月は， 会員の継続的購買行動を代表していないと考え，そのレコードを除外した．得られたデータ の概要を表 1 に示す． 5. 顧客行動類型の抽出 5.1. 購買額の基準化 人月ごとの購買傾向を把握するために，会員の月間購買金額を分類 3 ごとに集計した．ただ し，分類 3 において “未分類” や “その他”，“○○ 他” のように分類分けが出来ていない商 品カテゴリは除外した．分類ごとの月次店舗売上について予備解析として主成分分析を行っ たところ，国産肉と通常肉の主成分負荷量の値が主成分の両極端にくることがわかった．こ れは店舗ごとの肉の販売分類名称の違いによるものであると考え，以下のように分類 3 のカ テゴリを統合し，最終的に対象を全 135 カテゴリとしている． • 通常牛肉と国産牛肉を通常・国産牛肉に • 通常豚肉と国産豚肉を通常・国産豚肉に • 通常鶏肉と国産鶏肉を通常・国産鶏肉に 図 2 に扱うカテゴリを示す．順序は真上から時計回りに農産，水産，畜産，食品，惣菜，嗜 好食品の順としている． 購買金額はカテゴリごとに金額のレベルが大きく異なるため，そのまま SOM で類型化す ると極端に高額の購買事例を重視した類型ができてしまう．そのため Box-Cox 変換を用い て基準化を行った．つまり zij を i 番目の人月の j 番目のカテゴリの売上金額として，次式 の eZij を用いた．ただし，λ = 0 の場合は 0 円データに対応するため 1 円を加える． e Zij = {_z ijλ−1 λ (λ̸= 0) log(zij + 1) (λ = 0) (5.1) 顧客の月間購買金額の場合， eZij の分布を見て概ね正規分布に近くなる λ = 0 を用い，対数 変換とした． また，表 1 に示すように，対象顧客データの人月数は 4,764,429 人×月数と非常に多いた め，SOM の学習データとして十分と考えられる 10 万人月をランダムにサンプリングして用 いた． 5.2. 顧客行動類型 前節のように基準化したデータを SOM によって類型化した結果を図 3 に示す．また図 4 に 分類 1 ごとの金額を，高さを総購買金額として面積で示した．

季節果物 果菜 葉菜 根菜 輸入果物茎菜_{きのこ野菜関連妻物} カット野菜_発芽野菜 野菜水煮_{カットフルーツ} 豆類冷凍野菜_果物関連 冷凍果物_{野菜盛合せ} 山菜 果物盛合せ 刺身 切身 丸物 塩蔵 刺身類盛合せ 冊類 魚卵 干物 小魚 ボイル魚 貝 海草 たたき 冷凍魚 漬魚 水産生食 味付魚 鮮魚盛合せ 通常・国産豚肉 加工肉 通常・国産鶏肉 鶏卵 通常・国産牛肉 ひき肉 輸入豚 銘柄豚 和牛 味付肉 銘柄鶏 米国産牛 豪州産牛 内臓肉 羊肉 畜産生食 輸入牛 牛肉関連 輸入鶏 精肉盛合せ 鶏肉関連 豚肉関連 馬肉 鴨肉 パン 乳製品 水物 米 加工調味料 基礎調味料 冷凍食品 練物 麺類 漬物即席麺 レトルト惣菜 煮豆・佃煮 水産乾物 水産加工品 即席汁物 食用油 米飯調味料 粉類 ドライフルーツ 農産乾物 レトルト米飯 スプレッド・ディップ 香辛料 餅 シリアル その他食品 農産加工品 皮生地 トッピング 畜産加工品 寿司惣菜 揚物惣菜 米飯惣菜 サラダ惣菜 弁当・セット物 和風惣菜 パン惣菜 焼物惣菜 中華半惣菜 中華惣菜 スナック惣菜 麺惣菜 蒲焼惣菜 半惣菜セット物 洋風半惣菜 惣菜盛合せ スナック半惣菜 揚物半惣菜 煮物半惣菜 洋風惣菜 焼物半惣菜 和風半惣菜 乾菓子 ビール類 清涼飲料 乳系飲料 半・生菓子 嗜好飲料 アイスクリーム 野菜・果実飲料 焼酎 リキュール類 日本酒 ゼリー・プリン つまみ菓子 ワイン 製菓材料 洋酒 ノンアルコール飲料 菓子関連 酒関連 冷凍菓子

農産

水産

畜産

食品

惣菜

嗜好食品

カテゴリは分類 1 ごと総販売額順に描いている． 図 2: レーダーチャートにおける商品カテゴリの凡例 なお，SOM のマップのノード数としては，解釈の容易性を考慮して，6 × 4 のマップを 採用し，近傍関係には六角格子を用いた．分析に当たっては，SOM の結果が初期値に依存 することを考慮し，10 回の解析を行って適合度が最適な結果を選択している． 両図より，全体的な傾向としてマップ右側に総購買金額が少ない類型が分布し，多く購買 をする類型は左側に分布していることが見てとれる．マップ左下には第 1，第 7，第 8 類型 のように購買金額が高く比較的生鮮食品を多く買う類型が集まっている． さらに，分類 3 の売上で類型を見ると，類型 13 や類型 19 は即席麺や冷凍食品を好んで買 い，類型 7 は和牛などの銘柄肉や日本酒といった高級食品を多く購買するといった特徴が見 て取れた． また特殊な類型として，米を多く購買する類型 3 や類型 10，ビールを多く購入する類型 2 や類型 15，菓子を多く購入する類型 17，豚肉を多く購入する類型 22 など，一部の商品の みを突出して購買する顧客購買類型も存在した．こういった類型は単価の高いビールや米を 好む類型を除きマップの右側に多く，購買金額が低いことから，目的の商品のみを購買し他 の食材は他店で買うという購買行動を行っていることが予想される．ここで店舗を一つのブ ランドと考え，店舗のロイヤリティの概念を導入する．ブランド・ロイヤリティとは，ある 顧客が長い期間にわたって表明する，一連のブランドの中で特定の一つまたは複数のブラン ドに対する偏向的な購買行動を示すものである [2]. この場合，これらの購買金額の低い類 型は，再びこの店で買いたいと思う意思や行動であるロイヤリティが低い顧客の類型である と考えられる．

各類型ごとに図 2 の順に eZijをレーダーチャートとしている．各カテゴリの線は類型中央の月次カテゴリ購買額が 0 となるレベルから

伸ばしている．したがって，線が外側に伸びているカテゴリほど購買が強い顧客購買類型であると解釈できる． 図 3: 顧客行動類型のレーダーチャート

20 30 40 50 60 70 80 90 類型 年齢 21 13 20 19 2 15 12 22 17 10 23 5 3 6 18 1 14 9 24 7 4 8 16 11 箱の幅で所属人数を表している． 図 5: 顧客行動類型の平均年齢 表 2: 顧客行動類型の名称

以上の各類型の特徴についての考察から，各顧客類型の顧客行動類型を表 2 に示すように 解釈した．なお，類型ごとの所属顧客の平均年齢を箱ひげ図を図 5 に示す．中央値で 45 歳 程度から 60 歳を超えるものまで，年齢が顧客行動類型に与える影響は大きいと思われる． 6. 店舗販売類型の抽出 6.1. 販売額の基準化 各店舗の月ごとの販売状況を捉えるため，店ごと，月ごとで分類 3 ごとの月次販売金額を集 計した．この販売額ベクトルを金額尺度のままで類型化すると，店舗の規模の差が大きいこ とから店舗規模で類型ができてしまう．そのため次の変換を行った．yij を i 番目の店月の j 番目のカテゴリの売上金額とするとき，以下のように 1 カテゴリ当たりの店月販売額平均 y_i·と一店当たりの当該カテゴリ販売額平均 y_·jで基準化する． Yij = yij √ y_·j√y_i· (6.1) さらに，5.1 節と同様に式（5.1）を用いて Yijの Box-Cox 変換を行った．店舗の月間販売 金額は分布を見て概ね正規分布に近くなる λ = 0.6 を用いた． 6.2. 店舗販売類型 前節のように基準化した eYijを用い，販売状況 {(eYij)j=1,··· ,135|i = 1, ..., 26 × 660} を SOM に より類型化した結果を図 6 に示す．用いたカテゴリとパラメータは解釈の容易性などから顧 客購買類型と同様のものを用いている．またこちらの類型化においても SOM の結果が初期 値に依存することを考慮し，10 回の解析を行い適合度が最適な結果を選択している． 各類型のレーダーチャートで外側に線が伸びているカテゴリは，全店月の販売額と所属店 月における総販売額の幾何平均を基準として，強いカテゴリであると解釈できる． マップの中心から右上にかけて小規模な店舗が配置され，その周りを平均的な規模の店 舗，さらにその周りを大規模な店舗が配置されている．販売商品で見ると，類型 1，2 に惣 菜の強い店舗が集まり，類型 19，20，21 には嗜好食品の強い店舗が集まっている．また，特 徴のある類型として 7，18，24 が銘柄豚，銘柄鶏，和牛といった高級肉を販売している．特 に，類型 7 は和牛の売上が多い特徴があった． 今回得られた SOM による店舗の販売類型について表 3 にまとめた．4 列目では各行の店 舗類型について，所属するチェーン番号のうち割合の高いチェーンの番号を丸数字で，所属 割合について括弧内に示している．類型は概ね 21 の店舗チェーンブロックと対応しており， 図 7 に示すように同一チェーンブロックはマップ上でも近くに配置されている．ただし類型 10, 16 のように同一チェーンブロックの店舗が複数に分かれている類型や，類型 15 や 17 の ように複数の小規模チェーンブロックがひとつに集まっている類型も見られた．そのため類 型ごとの差異を見るにあたって同一チェーンブロックが複数の類型に分かれている場合はま とめて統合し，複数チェーンブロックがひとつにまとまっている場合はそのままひとつのグ ループとして用いることとした．この処理によって 24 の店舗販売類型を 17 の類型グループ a から q にまとめた． 得られた店舗類型グループの特徴づけとして，全会員からランダムに 10 万人をサンプリ ングし，各グループに所属する会員の平均年齢と，ロイヤリティの高い状態である人月の割 合を求め，散布図で表した結果を図 8 に示す．なお，ここでは顧客購買類型において月間購 買額を円に換算し，これが 1000 円に満たない類型 6，12，17，18，22，23，24 に所属する

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 各類型ごとに図 2 の順に eYijをレーダーチャートとしている．各カテゴリの線は，eYij= 0，つまり yij=√y_·jy_i·と月次カ テゴリ販売額が店舗・カテゴリごとの幾何平均となるレベルから伸ばしている．したがって，線が外側に伸びているカテゴリ は販売が強く，内側に伸びているカテゴリは弱い類型であると解釈できる． 図 6: 店舗販売類型ごとの販売額レーダーチャート 図 7: 店舗販売類型上でのチェーンの分布．丸数字でチェーンを示す．

表 3: 月間の店舗販売類型と店舗チェーンの対応関係 類型 店月数 平均年齢 主な所属チェーン番号と所属割合 類型グループ 備考 23 365 55.8 ⃝(84%)1 a 4 883 54.7 ⃝(99%)2 b 8 1162 53.3 ⃝(70%),9 ⃝(16%)2 b チェーン⃝小規模店9 9 964 55.1 ⃝(76%),9 ⃝(17%)2 b チェーン⃝小規模店9 1 840 不明 ⃝(89%)9 c チェーン⃝中規模店9 2 1165 54.3 ⃝(98%)9 c チェーン⃝中規模店9 7 182 57.2 ⃝(100%)2 d 特殊な購買形態と思われる 15 733 53.4 ⃝(58%),3 ⃝(19%),7 ⃝(18%)16 e 17 548 53.7 ⃝(38%),4 ⃝(36%),11 ⃝(23%)7 f 3 520 54.2 ⃝(60%),6 ⃝(40%)5 g 13 406 52.5 ⃝(88%)7 h 10 319 54.8 ⃝(95%)10 i 16 667 55.9 ⃝(98%)10 i 5 741 58.2 ⃝(99%)12 j 11 943 52.4 ⃝(97%)12 j 6 627 不明 ⃝(96%)13 k 会員サンプルなし 14 747 56.1 ⃝(100%)14 l 21 434 不明 ⃝(100%)15 m 生年月日情報なし 12 470 52.1 ⃝(100%)19 n 19 728 不明 ⃝(100%)20 o 生年月日情報なし 20 644 不明 ⃝(100%)20 o 生年月日情報なし 18 671 58.7 ⃝(100%)21 p 24 569 58.8 ⃝(99%)21 p 22 496 54.4 多数のチェーンで 10%以下で出現 q 収集日数の少ない月の類型と思われる 人月をロイヤリティの低い人月，それ以外の類型に所属する人月をロイヤリティの高い人月 として定義した． 顧客の年齢が存在しない店舗類型グループについては，各顧客類型の平均年齢とそこに所 属する会員数を用いて平均年齢を推定している．人月の類型の所属については，表 1 の対象 顧客データの会員から，あらためてランダムに 10 万人をサンプリングし，各月の購買デー タを 5.1 節と同様のパラメータで式（5.1）を用いて基準化し，最近傍法を用いて SOM の顧 客購買行動類型に分類することで決定している．なお，類型グループ k についてはサンプリ ングした 10 万人の中での購買が存在しなかったため除外している．同様に，各グループに おける非会員を含めた全売上について，店月あたりの総売上金額と総来店回数（レシート枚 数）を散布図で表した結果を図 9 に示す． 図 9 は概ね比例関係にあるが，対して図 8 は類型グループが大きく広がっている．ロイヤ リティの高い顧客の比率で見ると，j や n といった店舗のマップ（図 6）右下の類型はロイ ヤリティの高い顧客が多く，反対に p，q，a といったマップ右上の類型はロイヤリティの 低い顧客が多いという傾向が見てとれる．平均年齢では p，j，d といった類型が特に高く， n や h は低いといった特徴が見られた． この結果から，売上金額や来店回数といった集計方法では見られなかった類型グループ間 の特性の違いが，顧客の年齢やロイヤリティといった視点から説明できるのではないかと考 えられる． 7. 顧客行動類型の遷移 7.1. 全体での顧客行動類型の遷移 顧客の購買行動がどのように遷移しているのかを見るために，前節でサンプリングした会員 について顧客購買類型に分類した各月の購買データを用いて，各会員が各月ごとに最近傍 法による分類でどの類型に所属し，また翌月にどの類型に遷移するかを集計した．この際， 購買履歴が存在しない月を，その月以前に購買がなかった場合は未入会と推測される状態，

c g b j d i n h l e f p o m q a 52 53 54 55 56 57 58 0.45 0.50 0.55 0.60 0.65 0.70 0.75 顧客の平均年齢 ロイヤル顧客の比率 図8: 類型グループの会員顧客の平均年齢と そのうちのロイヤリティの高い顧客の比率 c g b j d i n h l e f p o m q a 0 50 100 150 200 0 2 4 6 8 総売上/店月数(百万円) 総来店回数/店月数(万回) 図9: 類型グループの店月あたりの総売上金 額と総来店回数（非会員を含む全顧客） 購買があった場合は休止期間として区別し，各類型から休止期間への遷移回数について集計 をしている．集計した遷移を顧客行動類型の二次元マップ上で矢線図として描画した結果を 図 10 に示す．集計の例を表 4 に示す． 図 4 と併せて見ると，右上から右下にかけての総購買金額が低い類型は所属人数が多い が，その間で多くの遷移が行われており，また休止期間への遷移も多く，不安定な顧客の類 型であると言える．逆に左端の優良顧客や高級食品嗜好の類型では遷移が少なく安定して同 じ類型に留まるということがわかった． 表 4: 顧客の集計の例 㢳ᐈ㻵㻰 㻝 㻞 㻟 㻠 㻡 㻢 㻣 㻤 㻥 㻝㻜 㻝㻝 㻝㻞 㻝㻟 㻝㻠 㻝㻡 㻝㻢 㻝㻣 㻝㻤 㻝㻥 㻞㻜 㻞㻝 㻞㻞 㻞㻟 㻞㻠 㻞㻡 㻞㻢 㻹㻜㻜㻜㻝 㻤 㻝㻢 㻝㻢 㻞 㻝㻢 㻞㻠 㻞㻞 㻝㻢 㻤 㻝㻢 㻤 㻝㻢 㻤 㻤 㻤 㻤 㻝㻤 㻞㻠 㻞㻡 㻟 㻝㻢 㻝㻤 㻝㻣 㻞㻞 㻝㻤 㻞㻢 㻹㻜㻜㻜㻞 㻤 㻟 㻟 㻟 㻝㻞 㻝㻞 㻝㻞㻞㻡㻝㻣㻞㻡 㻝㻞 㻝㻞 㻝㻢 㻝㻞 㻡 㻝㻞 㻞㻡㻝㻞 㻡 㻝㻜 㻝㻞 㻞㻡㻝㻢 㻝㻢 㻝㻢 㻞㻟 㻹㻜㻜㻜㻟 㻞㻠 㻤 㻝㻜 㻤 㻤 㻞㻝 㻤 㻞㻠 㻞㻠 㻞㻠 㻤 㻞㻠㻞㻡 㻞㻡 㻠㻞㻡 㻞㻡 㻞㻡 㻞㻡㻝㻝 㻝㻝 㻠 㻝㻝 㻝㻝 㻝㻝 㻝㻝 㻹㻜㻜㻜㻠 㻞㻠 㻞㻠㻞㻡㻝㻣㻞㻡 㻝㻣 㻝㻤 㻞㻠 㻝㻤 㻝㻤㻞㻡㻝㻤 㻝㻤 㻝㻤 㻞㻠 㻞㻠 㻞㻞 㻞㻠 㻝㻤㻞㻡㻞㻠 㻞㻡㻝㻤㻞㻡㻞㻠 㻞㻢 㻹㻜㻜㻜㻡 㻝㻤 㻢 㻝㻣 㻢 㻝㻤 㻝㻤 㻞㻠 㻝㻤 㻝㻣 㻟 㻝㻢 㻟 㻟 㻤 㻤 㻟 㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻹㻜㻜㻜㻢 㻤㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻠 㻠㻞㻡 㻞㻡㻞㻝 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻹㻜㻜㻜㻣 㻜 㻟㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡㻝㻤㻞㻡 㻞㻡 㻞㻡 㻞㻡㻞㻠 㻞㻞㻞㻡㻞㻠 㻞㻡 㻞㻡㻝㻣 㻝㻞 㻞㻞 㻞㻞 㻞㻞㻞㻡 㻞㻡㻝㻤 㻹㻜㻜㻜㻤 㻜 㻜 㻜 㻝㻤 㻝㻤 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡㻝㻤㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻞㻡㻝㻤 㻞㻢 㻞㻢 㻞㻢 㻹㻜㻜㻜㻥 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻟㻞㻡 㻞㻡 㻞㻡 㻞㻡 㻢 㻝㻤 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻹㻜㻜㻝㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻝㻣㻞㻡㻞㻠 㻝㻤 㻝㻤 㻞㻞 㻝㻤 㻝㻤 㻹㻜㻜㻝㻝 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻝㻤 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻞㻢 㻹㻜㻜㻝㻞 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻜 㻝㻤 㻞㻢 行が顧客 ID，列が月を表し，顧客ごとにどの月でどの類型に所属していたかを示している．この表を集計することで所属と遷移の数を 比較することができる．ただし，あくまで補足説明のための表であり，表内で用いている顧客 ID は仮のものである．表内で着色されて いる欄が購買の存在しなかった月を表しており，未入会と推測される状態 (0)，休止期間 (25)，離脱状態 (26) として分けて集計してい る．例えば，M0009 の月 1 から月 13 は購買がないため所属は未入会 (0) としているが，月 14 では購買があり類型 3 に所属しているた め，15 から 18 の月では購買がない月の所属を休止期間 (25) としている．月 21 以降は一度も購買が見られなくなったため，離脱 (26) としている．

124759 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 5332.75 各顧客類型における外側の円の大きさが人月数，内側の円の大きさが同類型への遷移を面積で示している． また，黒の矢印で第 8 十分位数以上の類型間の月間遷移を表している．各類型の右上に伸びている濃い矢印 で購買行動からの離脱，薄い矢印で休止期間への遷移を，左下から伸びている濃い矢印で新規加入，薄い矢印 で休止期間からの遷移を，それぞれ表している．矢印の太さは遷移の回数（人数）を表している． 図 10: 顧客行動類型の人数と遷移 7.2. 店舗販売類型ごとの顧客行動類型変化 次に店舗販売類型ごとにその類型に所属する会員のみで顧客の類型遷移を見ることで，チェー ンごとの違いを見る． まず前節でサンプリングして用いた顧客 10 万人について，各月において最も購買回数が 多い店舗を月ごとの代表店舗とし，更に 26 か月の代表店舗のうち最も登場回数が多い店舗 をその会員と対応する店舗とした．また各店舗について，各月でどの類型に所属していたの かを集計し，2 年間を通じて最も所属回数の多い類型をその店舗の代表店舗販売類型とした． 会員，代表店舗，代表店舗販売類型の順に見ることで，各会員の所属店舗販売類型を定め た．所属店舗販売類型ごとに，そこに属する会員のみで前節と同様に顧客の購買行動の遷移 を図に表すことで，各店舗販売類型の特徴を視覚的にとらえる．店舗販売類型はほぼチェー ンによって分かれていたため，これにより類型グループごと差異を見ることでチェーン間の 特徴の違いを見ることができる． ここでは図 8 に注目し，平均年齢が高くロイヤリティの高い顧客が少ないグループ p，平 均年齢が高くロイヤリティの高い顧客が多いグループ j，平均年齢が低くロイヤリティの高 い顧客が少ないグループ h，平均年齢が低くロイヤリティの高い顧客が多い類型 n につい て，顧客の構成や遷移について詳しく述べる． 7.2.1. 類型グループ p の特徴 グループ p（店舗販売類型 18，24）は顧客の平均年齢が最も高く，かつ，顧客の中では高 ロイヤリティの顧客の比率が最も低い店舗類型グループである．図 9 を見ると，店舗規模は 平均的だが，一会計あたりの購買額は低い傾向にある．図 6 よりカテゴリごとの売上を見る と，和牛，銘柄豚，魚の丸物や切身，菓子などを多く売っている傾向がみられた． この類型グループに所属する会員のみで各顧客類型に所属する人数と遷移を図示した結 果を図 12 に示す．また，同様に所属する会員のみで各顧客類型の平均年齢を箱ひげ図で図

20 30 40 50 60 70 類型 年齢 21 1320 19 2 151222 1710 23 5 3 6 18 1 14 9 24 7 4 8 1611 (a) 店舗グループp 20 30 40 50 60 70 類型 年齢 21 1320 19 2 1512 2217 1023 5 3 6 18 1 14 9 24 7 4 8 1611 (b)店舗グループj 20 30 40 50 60 70 80 90 類型 年齢 21 1320 19 2 151222 1710 23 5 3 6 18 1 14 9 24 7 4 8 1611 (c)店舗グループh 20 30 40 50 60 70 80 90 類型 年齢 21 1320 19 2 1512 2217 1023 5 3 6 18 1 14 9 24 7 4 8 1611 (d) 店舗グループn 図中に点で図 5 に示している顧客全体での年齢の中央値を重ねて描画している．また，箱の幅で所属人数を表している． 図 11: 店舗グループごとの顧客行動類型の年齢分布 示した結果を図 11(a) に示す． 平均年齢が全体的に高いが，平均年齢が中間に位置する顧客類型の人数が多く，お年寄り らしい購買をする顧客はそれほど多くない．しかし顧客類型 7 のデラックス夕食類型の顧客 の多さは特徴的である．この類型は平均年齢が高く，魚切身，銘柄肉といった比較的高級な 食材の他に水物等を好んで購買する顧客の類型である．また会員はこの類型に安定して留 まっているため，この店舗は精肉や鮮魚の販売に強みを持つと考えられる． 遷移もデラックス夕食類型を中心に行われており，類型 4 のように鮮魚を好む顧客類型と の遷移も特徴的である．加入や離脱は全体的に少ないが，やや離脱が多い傾向にある．しか し類型 17，18 に所属する顧客は加入と離脱どちらも多く，他の店舗と比較してもこの二つ 16224 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 500.75

4931 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 281 図 13: グループ j における顧客購買行動と遷移 の類型に顧客が集まりやすい傾向にある．これらの類型は菓子などを少量購買する顧客の類 型である． 全体として，精肉や鮮魚に強みを持つが，対応する顧客は固定されており，新規顧客の育 成には課題が残る店舗であると考えられる． 7.2.2. 類型グループ j の顧客行動類型の人数と遷移 グループ j（店舗販売類型 5，11）は顧客の平均年齢が p の次に高く，高ロイヤリティの顧 客の比率が全グループの中でも突出して最も高い店舗類型グループである．図 9 を見ると， 店舗規模は比較的大きく，会計あたりの購買額はやや低い傾向にある．また，店月あたりの 来店回数も最も多いチェーンである．図 6 よりカテゴリごとの売上を見ると，切身，牛肉， 菓子，パン等を多く売っている傾向にある． この類型グループに所属する会員のみで各顧客類型に所属する人数と遷移を図示した結 果を図 13 に示す．また，同様に所属する会員のみで各顧客類型の平均年齢を箱ひげ図で図 示した結果を図 5(b) に示す． 平均年齢では所属人数の多い顧客類型において平均を上回っているが，平均以下の年齢の 類型もみられる．人数で見るとマップ左の優良顧客の所属が多い点で特徴的である．特に全 カテゴリにおいて積極的に購買を行っている類型 14（ロイヤルお母さん）や類型 1（通常夕 食），肉を中心に広く購買する類型 19（肉好き家族）などが多く安定しており，遷移につい てはこれらの類型に加え類型 10（ご飯朝食類型）や類型 11（魚夕食類型）が中心となって 行われている．また，休止への遷移や離脱が特に少ないため，顧客の入れ替わりは非常に少 ないと考えられる． 全体として，新規顧客の勧誘よりも，頻繁に来店し多く購買するロイヤリティの高い顧客 を逃さないことを重視している経営をしているのではないかと考えられる店舗グループで ある．同じく平均年齢が高い類型グループ p と比較すると，売れる商品カテゴリは似てい るものの，顧客ロイヤリティの違いが顧客類型の所属人数という形で表れている． 7.2.3. 類型グループ h の顧客行動類型の人数と遷移 グループ h（店舗販売類型 13）は顧客の平均年齢が n とともに突出して低く，高ロイヤリ ティの顧客の比率は低い店舗類型グループである．図 9 より，店舗規模は各グループの中で も平均的である．図 6 よりカテゴリごとの売上を見ると，刺身，輸入肉などは比較的良く売 れている類型グループである．

3558 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 図 14: グループ h の顧客購買行動と遷移 3752 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 249 図 15: グループ n の顧客購買行動と遷移 この類型グループに所属する会員のみで各顧客類型に所属する人数と遷移を図示した結 果を図 14 に示す．また，同様に所属する会員のみで各顧客類型の平均年齢を箱ひげ図で図 示した結果を図 5(c) に示す． 図 5(c) で平均年齢を見ると，主に所属人数の多い顧客類型において全体平均より年齢が 低くなっている．顧客はマップ右上側の非優良顧客に多く分布しており，その他には惣菜を 多く買う類型 5，9，16 や，酒を好む類型 2，15，マップ左上の若い顧客の類型 20，21 など もやや所属人数が多い．遷移について見ると惣菜を好む類型や酒を好む類型ではやや独立し て顧客が動いている．また，休止への遷移は多いが離脱は少ないため，一度店舗から離れた 客も戻ってきやすい傾向にあり，顧客の増減は少ないと考えられる． 全体としては，顧客の質にこだわらずに様々な顧客を集める経営をしていると考えられ る．同じく高ロイヤリティの顧客の比率が低い類型グループ p と比較すると，休止への遷移 は多いが加入や復帰の数も多いため，より活発なマーケティングが行われていると考えられ る．しかし，顧客の維持・囲い込みができていないとも言え，調理食材目的での来店を確立 できておらず，店舗へのこだわりが相対的に低い若い顧客の比率が高い店舗と考えられる． 7.2.4. 類型グループ n の顧客行動類型の人数と遷移 グループ n（店舗販売類型 12）は顧客の平均年齢が最も低いが，高ロイヤリティの顧客の

出して高い店舗グループである．図 6 よりカテゴリごとの売上を見ると，鮮魚での刺身や丸 物，パンや米，菓子などが多く売れている． この類型グループに所属する会員のみで各顧客類型に所属する人数と遷移を図示した結 果を図 15 に示す．また，同様に所属する会員のみで各顧客類型の平均年齢を箱ひげ図で図 示した結果を図 5(d) に示す． 類型への所属人数では偏りが少なく，様々な顧客を集めている．特に他類型グループと比 較して，マップ左側の人数が多さが特徴的である．遷移について見ると加入の多さが目立 ち，米を重点的に購買する類型 3 や魚を好む類型 4 といった顧客類型に加入が多いのは他の 類型グループにない特徴である．また，これらの類型で安定することなく，肉や米を好む買 い方の類型へと遷移している．離脱は全体と比較して少ないため，顧客は増加傾向にあると 考えられる．他に米を好む類型 10 とマップ左の高ロイヤリティの顧客類型が強く繋がって いるため，米を購買する顧客からロイヤリティの高い顧客を集めていると考えられる．これ は高ロイヤリティの類型グループ j にも見られた傾向である． 全体としては，鮮魚や米の販売に強みを持ち，質の高い顧客を集めている店舗である．店 舗の規模から，比較的高額な食品を扱えるのではないかと考えられる．同じく平均年齢が低 い類型グループ h と比較すると，マップ左側の人数，遷移，加入人数などが多く，顧客のロ イヤリティの高さがわかる．一方で，高ロイヤリティの顧客の比率が同じく高い類型グルー プ j と比較すると，新規加入が多くマップ右側の顧客を多く集めていることから，より購買 行動が積極的な顧客を集めていると考えられる．また，この傾向は顧客類型 1，9，11，14 といった平均年齢の高い顧客類型の人数が少ないこととも併せ，平均年齢の低さにも表れて いる． 8. おわりに 本研究では，店舗間の異質性をとらえる方法として，経営主体横断的で悉皆な全国スーパー マーケットの大規模 ID-POS データに対して，商品カテゴリ上での顧客の購買額および店 舗での販売額の分布に注目し，SOM を用いることで，顧客の購買行動と店舗の販売傾向を， 類型として抽出した．SOM は，一度類型を定めれば新規データに対して簡便な最近隣法で あり，データは排他的に所属類型が定められるため，追加の多量データに対しても類型化が 容易となる．これにより，新規の購買行動の変化を類型間遷移として捉えることが容易とな る点が SOM を用いる利点である． まず，顧客集団に対し，ランダムサンプリングした会員の商品カテゴリごとの購買額につ いて SOM を用いることで顧客の購買類型を得た．この類型は顧客の重点購買商品やカテゴ リ別の購買傾向によって分かれており，顧客の生活形態や嗜好を示しているものと考えられ る．さらに，店舗集団に対し，会員の購買行動が存在する各店舗に限定して，商品カテゴリ ごとの月間販売額について SOM を用いることで店舗の販売類型を得た．結果から類型はお およそ店舗の所属チェーンブロックによって分かれていたため，チェーンごとの商品の品揃 え傾向の特徴が抽出されたものと考えられる． これらの類型を用いて顧客の購買行動の月間遷移を見たところ，購買金額が少ない顧客の 類型には多くの顧客が所属し新規加入も多いが，安定もせず離脱が多いという傾向が見られ た．一方，購買金額が多い顧客の類型では加入や離脱が少なく，安定してその購買類型に留 まる傾向にあった．前者の顧客を低ロイヤリティ顧客，後者を高ロイヤリティ顧客として識 別した．

ロイヤリティと所属会員の平均年齢によって異なる結果となり，顧客ロイヤリティが高い店 舗は米を多く購買する顧客への遷移が特徴的であり，逆に低い顧客は米を購買する顧客の人 数は少なく，菓子などを好む類型の人数が多いという傾向があった．一方，平均年齢が高い 店舗では来店回数が多い傾向にあり，精肉では牛肉，鮮魚では切身の売り上げが目立つ類型 の人数が多いが，平均年齢が低い店舗では豚肉や刺身を好む顧客類型の人数が多くなってい るという違いが見られた．これらの傾向から，店舗グループごとに顧客の年齢層やロイヤ リティが，店舗の特性を表す際の指標として一般性を持つと考えられる．また，以上のよう な考察が可能となるのは，顧客行動類型という共通の比較基盤を設定できたからと考える． 多様な店舗を理解する上で，一貫した顧客行動類型を定め，類型人数と類型間遷移を見ると いう本手法には有用性があると考える． しかし，今回の分析では顧客の同定を店舗チェーンごとに用いている会員番号を元にし て行っているため，顧客の遷移について把握できたのは同一チェーン内のみである．また， 購買傾向ごとの顧客の構成により店舗グループの特徴付けを行ったが，この際，非会員の購 買行動については顧客の同定が不可能なため考慮していない．これらの要素を考慮すること でさらに詳しい考察が可能になることが期待されるが，そのためにはデータ収集法からの検 討が必要であり，これは今後の課題となる．また，顧客類型間の遷移に関して，新規加入・ 離脱・休止の三つの人数を把握したが，それ以上の一般的指標を検討できていない．この点 についても今後の課題となる． 参考文献 [1] 阿部誠, 近藤文代: マーケティングの科学―POS データの解析 (朝倉書店, 2005). [2] E. N Berkowitz: Brand Loyalty: Measurement and Management. Journal of Marketing

Research (pre-1986), 15-000004 (1978), 659.

[3] P. Girish and D. W. Stewart: Cluster analysis in marketing research: Review and suggestions for application. Journal of Marketing Research, 20-2 (1983), 134–148. [4] 五反田剛, 石井良和, 原健一郎, 関庸一: SOM によるファン層の解析に基づく CD 購買

予測モデルの作成. オペレーションズ・リサーチ, 52-2 (2007), 87–93.

[5] T. Ishigaki, T. Takenaka, and Y. Motomura: Customer-item category based knowl-edge discovery support system and its application to department store service. Services Computing Conference (APSCC), 2010 IEEE Asia-Pacific, 371–377.

[6] 石垣司, 竹中毅, 本村陽一: 日常購買行動に関する大規模データの融合による顧客行動 予測システム 実サービス支援のためのカテゴリマイニング技術. 人工知能学会論文誌, 26-6 (2011), 670–681. [7] 加藤諒, 星野崇宏, 堀江尚之: 反復横断データから消費者セグメントの構成比の変化・生 成・消滅を理解するための潜在クラスモデルと段階推定法. マーケティング・サイエン ス, 23-1 (2015), 35–59. [8] 幸島匡宏, 松林達史, 澤田宏: 属性情報を考慮した消費者行動パターン抽出のための非

[10] 中村健太郎, 篠原正裕, 豊田秀樹: 潜在構造モデルを用いた百貨店顧客の購買傾向によ るセグメンテーション. マーケティングサイエンス, 13-1 (2004), 52–65. [11] 中原孝信, 宇野毅明, 羽室行信: マイクロクラスタリングを用いた概念化とモデルの構 築. 人工知能学会全国大会論文集, 28 (2014), 1–4. [12] NYSOL, http://www.nysol.jp (2016/10/24 アクセス) 関 庸一 群馬大学 理工学府電子情報部門 〒 376-8515 桐生市天神町 1-5-1 E-mail: [email protected]

を購買額（円）に変換し，全体顧客平均と比較して各類型におけるカテゴリごとの購買金額の倍率を算出し， 上位カテゴリを「その類型において購買が多い，特徴的な商品カテゴリ」として表 A.1 に示した．目安として 倍率が 1.5 以上のカテゴリをメッシュで示し，特にその類型で特徴的な商品カテゴリには先頭に*の記号を付 けている．留意点として，今回は類型の名前を，類型を指す便宜的な呼称としてのみ用いており，ネーミング においても購買の特徴のみを用いて定めている．そのため，店舗などでの施策を詳細に検討するには，性別・ 購買時刻分布なども併せて名前を検討すべきと考える． 以下に各類型のネーミングについて示す． 1. 通常夕食 カテゴリ全体で購買金額が高いが，特に肉などの夕食の材料と思われる購買が目立った． 2. ビール焼肉／ 15. 酒とつまみ どちらもビール類を重点的に購買しているが，2 は精肉や野菜，15 は刺身やつまみを併せて購買して いた． 3. 米／ 10. ご飯朝食 どちらも米を重点的に購買しているが，3 は米のみを突出して購買しており，10 はそれ以外にもシリア ルなど朝食的なカテゴリの購買が見られた． 4. 魚料理夕食／ 11. 魚夕食 図 4 からもわかるようにどちらも水産カテゴリの食材の購買が多いが，4 は丸物や切身のような鮮魚， 11 は干物や塩蔵のような加工品の購買がみられたため，4 は魚料理夕食，11 は魚夕食とした． 5. 惣菜昼食／ 9. 惣菜昼食／ 16. 和食惣菜 いずれも惣菜の購買が目立つ類型である．5 と 9 はほぼ上位カテゴリが一致しているが，5 は酒や飲料 から昼食的，9 は野菜や汁物から夕食的とした．16 は和風惣菜，刺身，寿司惣菜などの特徴から和食惣 菜とした． 6. 少金額／ 18. 少金額 どちらも特に全体の購買額が少なく考察は難しいため少金額とした． 7. デラックス夕食 特徴として高級肉や魚，ワインなど高級志向の購買がみられた． 8. 菜食主義 特に農産カテゴリの購買が特徴的であり，他カテゴリで見られた畜産カテゴリの購買があまり見られな かった． 12. 菓子飲料 アイスクリーム，乾菓子，清涼飲料などの購買が特徴的であった． 13. 忙しいお母さん／ 19. 肉好き家族 どちらも畜産カテゴリを中心に積極的な購買を行っているが，13 は冷凍野菜や即席麺から忙しいお母 さんの類型，19 は畜産カテゴリ以外は調味料等が中心だったため肉好き家族の類型とした． 14. ロイヤルお母さん 全類型で最も購買が多く全カテゴリで平均的に購買を行っていることから，食材の購買をほぼ同じ店で 行うロイヤリティの高い主婦の類型とした． 17. 菓子 全体の購買額は少ないが，乾菓子は比較的購買していた． 20. 子育てお母さん 近傍類型の 13 や 19 と比較してアイスクリーム等の嗜好食品を多い比率で購買していた． 21. お好み焼き 肉や野菜に加えて，粉類の購買からお好み焼きとした． 22. 豚肉 ロイヤリティの低い類型ではあるが，豚肉のみ平均以上の購買を行っている． 23. 昼食 弁当・惣菜・飲料が主な購買であるため昼食類型とした． 24. 果物中心 果物関連カテゴリの購買が主である．

表 A.1: 各顧客購買類型の高倍率購買カテゴリと金額 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ⓶⏕ᆅ 㻞㻚㻣㻣 㻡㻢㻚㻣㻜 㻖 ෭෾ⳫᏊ 㻞㻚㻞㻟 㻞㻚㻟㻥 㻖 ㍺ධ㭜 㻝㻚㻣㻞 㻝㻡㻚㻞㻥 ෭෾ⳫᏊ 㻞㻚㻡㻣 㻞㻚㻣㻡 㻖 ෭෾㣗ရ 㻞㻚㻝㻞 㻢㻠㻟㻚㻢㻢 㻖 䜂䛝⫗ 㻝㻚㻠㻤 㻞㻤㻣㻚㻞㻞 㻖 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻞㻚㻡㻣 㻤㻝㻠㻚㻥㻠 㻖 ᥭ≀༙᝷⳯ 㻝㻚㻣㻝 㻠㻥㻚㻥㻡 㻖 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻝㻚㻠㻠 㻠㻡㻤㻚㻠㻤 㻖 䜂䛝⫗ 㻞㻚㻡㻜 㻠㻤㻠㻚㻤㻡 ࿡௜⫗ 㻝㻚㻢㻠 㻝㻠㻣㻚㻝㻥 ⓶⏕ᆅ 㻝㻚㻟㻥 㻞㻤㻚㻡㻞 㻖 ㍺ධ㭜 㻞㻚㻟㻠 㻞㻜㻚㻣㻣 㻖 䜰䜲䝇䜽䝸䞊䝮 㻝㻚㻢㻞 㻟㻞㻠㻚㻢㻡 㻖 ㍺ධ㇜ 㻝㻚㻞㻢 㻝㻡㻝㻚㻝㻟 㻖 ㍺ධ㇜ 㻞㻚㻟㻝 㻞㻣㻣㻚㻢㻣 㻖 䝊䝸䞊䞉䝥䝸䞁 㻝㻚㻢㻝 㻝㻠㻤㻚㻜㻟 ⨺⫗ 㻝㻚㻞㻡 㻟㻞㻚㻝㻜 ㎰⏘ຍᕤရ 㻞㻚㻞㻡 㻠㻠㻚㻜㻟 㻖 ὒ㢼༙᝷⳯ 㻝㻚㻢㻝 㻡㻡㻚㻥㻝 㻖 ㇦ᕞ⏘∵ 㻝㻚㻝㻢 㻠㻠㻚㻤㻣 ⢊㢮 㻞㻚㻞㻜 㻝㻡㻠㻚㻟㻤 㔝⳯䞉ᯝᐇ㣧ᩱ 㻝㻚㻠㻥 㻞㻠㻤㻚㻡㻟 ㎰⏘ຍᕤရ 㻝㻚㻜㻢 㻞㻜㻚㻢㻣 㻖 ㏻ᖖ䞉ᅜ⏘㇜⫗ 㻞㻚㻜㻢 㻝㻜㻥㻣㻚㻢㻥 㻖 Ύᾴ㣧ᩱ 㻝㻚㻠㻠 㻣㻟㻜㻚㻟㻢 㻖 ㍺ධ∵ 㻝㻚㻜㻟 㻝㻞㻚㻢㻜 䝅䝸䜰䝹 㻞㻚㻜㻡 㻡㻞㻚㻞㻝 ↝≀༙᝷⳯ 㻝㻚㻟㻥 㻝㻡㻚㻥㻠 㻖 䛝䛾䛣 㻝㻚㻜㻝 㻞㻞㻟㻚㻡㻠 㻖 㭜⫗㛵㐃 㻝㻚㻥㻠 㻢㻚㻢㻡 ࿴㢼༙᝷⳯ 㻝㻚㻟㻥 㻝㻚㻞㻥 ㏻ᖖ䞉ᅜ⏘㇜⫗ 㻝㻚㻜㻜 㻡㻟㻠㻚㻝㻡 㻖 ㇦ᕞ⏘∵ 㻝㻚㻥㻜 㻣㻟㻚㻜㻥 㻖 䝟䞁 㻝㻚㻟㻤 㻣㻣㻠㻚㻞㻝 㻖 ⢊㢮 㻜㻚㻥㻢 㻢㻣㻚㻞㻡 㻖 ຍᕤ⫗ 㻝㻚㻣㻠 㻣㻤㻣㻚㻤㻤 ୰⳹༙᝷⳯ 㻝㻚㻟㻤 㻝㻟㻟㻚㻞㻣 㭜⫗㛵㐃 㻜㻚㻥㻡 㻟㻚㻞㻡 ෭෾㔝⳯ 㻝㻚㻣㻟 㻡㻠㻚㻤㻜 ㍺ධ㭜 㻝㻚㻟㻡 㻝㻝㻚㻥㻤 㻖 ຍᕤ⫗ 㻜㻚㻥㻟 㻠㻞㻝㻚㻡㻡 㣗⏝Ἔ 㻝㻚㻣㻞 㻝㻣㻝㻚㻟㻢 㻖 ஝ⳫᏊ 㻝㻚㻟㻞 㻤㻡㻣㻚㻞㻢 Ⓨⱆ㔝⳯ 㻜㻚㻥㻞 㻠㻡㻚㻣㻞 䝖䝑䝢䞁䜾 㻝㻚㻢㻥 㻝㻥㻚㻠㻜 ⡿㣤ㄪ࿡ᩱ 㻝㻚㻟㻞 㻥㻢㻚㻣㻜 㻖 ⱼ⳯ 㻜㻚㻥㻜 㻞㻝㻤㻚㻠㻠 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻝㻚㻢㻤 㻤㻠㻚㻟㻤 䜹䝑䝖㔝⳯ 㻝㻚㻟㻝 㻢㻟㻚㻣㻟 㻖 ຍᕤㄪ࿡ᩱ 㻜㻚㻤㻥 㻠㻞㻢㻚㻟㻜 ෭෾ᯝ≀ 㻝㻚㻢㻤 㻣㻚㻡㻡 ㍺ධ∵ 㻝㻚㻞㻥 㻝㻡㻚㻤㻣 ᥭ≀༙᝷⳯ 㻜㻚㻤㻤 㻞㻡㻚㻣㻣 ⡿㣤ㄪ࿡ᩱ 㻝㻚㻢㻢 㻝㻞㻝㻚㻣㻞 㻖 ᥭ≀᝷⳯ 㻝㻚㻞㻣 㻡㻜㻠㻚㻥㻡 㻖 ᰿⳯ 㻜㻚㻤㻣 㻞㻥㻞㻚㻠㻣 ᥭ≀༙᝷⳯ 㻝㻚㻢㻡 㻠㻤㻚㻟㻞 䝅䝸䜰䝹 㻝㻚㻞㻢 㻟㻞㻚㻜㻞 㻖 ⴥ⳯ 㻜㻚㻤㻣 㻟㻞㻠㻚㻟㻝 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㻖 ᥭ≀༙᝷⳯ 㻠㻚㻟㻥 㻝㻞㻤㻚㻡㻞 㬞⫗ 㻡㻚㻤㻜 㻠㻚㻟㻤 㻖 䝡䞊䝹㢮 㻟㻚㻢㻠 㻞㻜㻤㻞㻚㻡㻢 ㍺ධ㇜ 㻠㻚㻜㻤 㻠㻥㻜㻚㻣㻣 㔝⳯ 㻡㻚㻣㻝 㻝㻡㻚㻞㻣 㻖 ὒ㓇 㻝㻚㻤㻟 㻢㻣㻚㻢㻡 㻖 ෭෾㣗ရ 㻟㻚㻥㻤 㻝㻞㻝㻜㻚㻡㻥 ␆⏘⏕㣗 㻠㻚㻡㻡 㻤㻠㻚㻟㻤 ㇜⫗㛵㐃 㻝㻚㻣㻡 㻞㻚㻠㻤 ⡿ᅜ⏘∵ 㻟㻚㻢㻟 㻝㻜㻟㻚㻞㻥 㻖 ่㌟㢮┒ྜ䛫 㻠㻚㻡㻠 㻡㻝㻣㻚㻢㻠 㤿⫗ 㻝㻚㻣㻡 㻝㻚㻝㻤 ㇦ᕞ⏘∵ 㻟㻚㻡㻥 㻝㻟㻤㻚㻟㻜 ࿴㢼༙᝷⳯ 㻠㻚㻡㻠 㻠㻚㻞㻝 㻖 ↝㓅 㻝㻚㻢㻡 㻞㻢㻜㻚㻣㻠 ㍺ධ㭜 㻟㻚㻡㻡 㻟㻝㻚㻡㻠 䝇䝘䝑䜽᝷⳯ 㻠㻚㻠㻟 㻞㻜㻥㻚㻟㻡 㻖 䝸䜻䝳䞊䝹㢮 㻝㻚㻡㻠 㻝㻡㻤㻚㻝㻣 㻖 ↝≀༙᝷⳯ 㻟㻚㻠㻤 㻟㻥㻚㻤㻥 㻖 䝃䝷䝎᝷⳯ 㻠㻚㻠㻞 㻤㻢㻜㻚㻝㻝 㻖 䝽䜲䞁 㻝㻚㻡㻟 㻝㻞㻜㻚㻜㻟 䝇䝘䝑䜽༙᝷⳯ 㻟㻚㻠㻡 㻝㻜㻝㻚㻤㻣 ↝≀༙᝷⳯ 㻠㻚㻟㻤 㻡㻜㻚㻞㻥 㻖 ᪥ᮏ㓇 㻝㻚㻟㻢 㻝㻠㻜㻚㻠㻣 㻖 ὒ㢼༙᝷⳯ 㻟㻚㻟㻥 㻝㻝㻤㻚㻝㻠 ⵦ↝᝷⳯ 㻠㻚㻟㻡 㻞㻞㻞㻚㻡㻝 㻖 䝜䞁䜰䝹䝁䞊䝹㣧ᩱ 㻝㻚㻞㻟 㻟㻤㻚㻜㻤 ⡿㣤ㄪ࿡ᩱ 㻟㻚㻞㻠 㻞㻟㻣㻚㻟㻝 㻖 ࿴㢼᝷⳯ 㻠㻚㻞㻥 㻡㻢㻞㻚㻥㻣 㻖 䛴䜎䜏ⳫᏊ 㻜㻚㻥㻝 㻣㻢㻚㻝㻠 䝸䜻䝳䞊䝹㢮 㻟㻚㻞㻞 㻟㻞㻥㻚㻡㻣 ୰⳹᝷⳯ 㻠㻚㻞㻤 㻞㻣㻠㻚㻜㻥 㻖 㓇㛵㐃 㻜㻚㻤㻤 㻥㻚㻡㻥 㻖 ୰⳹༙᝷⳯ 㻟㻚㻞㻝 㻟㻝㻝㻚㻟㻠 㓇㛵㐃 㻠㻚㻞㻤 㻠㻢㻚㻢㻞 ࿴㢼༙᝷⳯ 㻜㻚㻡㻥 㻜㻚㻡㻡 ࿡௜⫗ 㻟㻚㻝㻥 㻞㻤㻣㻚㻝㻢 䛯䛯䛝 㻠㻚㻞㻡 㻞㻞㻣㻚㻤㻢 ⨺⫗ 㻜㻚㻡㻡 㻝㻠㻚㻞㻜 ⨺⫗ 㻟㻚㻝㻤 㻤㻝㻚㻣㻡 䜹䝑䝖㔝⳯ 㻠㻚㻝㻤 㻞㻜㻞㻚㻥㻤 㻖 Ύᾴ㣧ᩱ 㻜㻚㻡㻠 㻞㻣㻠㻚㻢㻣 㻖 ෭෾㔝⳯ 㻟㻚㻝㻠 㻥㻥㻚㻟㻜 䝪䜲䝹㨶 㻠㻚㻝㻡 㻟㻢㻜㻚㻤㻤 ⢭⫗┒ྜ䛫 㻜㻚㻡㻝 㻠㻚㻜㻢 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻟㻚㻜㻟 㻥㻢㻝㻚㻤㻝 㻖 ่㌟ 㻠㻚㻝㻟 㻝㻝㻜㻤㻚㻠㻟 㻖 ่㌟㢮┒ྜ䛫 㻜㻚㻠㻥 㻡㻢㻚㻞㻡 䛭䛾௚㣗ရ 㻞㻚㻥㻥 㻡㻞㻚㻣㻡 㯝᝷⳯ 㻠㻚㻝㻞 㻝㻥㻣㻚㻣㻞 ␆⏘⏕㣗 㻜㻚㻠㻤 㻤㻚㻤㻥 㻖 ༶ᖍ㯝 㻞㻚㻥㻟 㻢㻜㻥㻚㻢㻢 ᝷⳯┒ྜ䛫 㻠㻚㻝㻜 㻝㻝㻢㻚㻡㻟 㻖 ↝≀᝷⳯ 㻜㻚㻠㻤 㻠㻜㻚㻠㻥 䝖䝑䝢䞁䜾 㻞㻚㻥㻟 㻟㻟㻚㻢㻠 ὒ㢼᝷⳯ 㻠㻚㻜㻡 㻢㻡㻚㻣㻢 㭜⫗㛵㐃 㻜㻚㻠㻢 㻝㻚㻡㻤 ␆⏘ຍᕤရ 㻞㻚㻤㻡 㻝㻢㻚㻡㻟 ㇋㢮 㻠㻚㻜㻠 㻝㻢㻤㻚㻟㻝 ෆ⮚⫗ 㻜㻚㻠㻢 㻝㻡㻚㻠㻠 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㻖 㖭᯶㇜ 㻣㻚㻝㻢 㻝㻜㻠㻠㻚㻡㻟 㻖 䝗䝷䜲䝣䝹䞊䝒 㻞㻚㻞㻥 㻝㻠㻤㻚㻜㻝 㻖 ࿴㢼᝷⳯ 㻠㻚㻢㻣 㻢㻝㻞㻚㻡㻣 㻖 ࿴∵ 㻢㻚㻡㻤 㻝㻜㻜㻣㻚㻢㻝 㣰 㻞㻚㻜㻞 㻥㻢㻚㻢㻣 㻖 ὒ㢼᝷⳯ 㻠㻚㻠㻤 㻣㻞㻚㻤㻡 㻖 㖭᯶㭜 㻢㻚㻠㻣 㻢㻥㻣㻚㻢㻝 㻖 Ꮨ⠇ᯝ≀ 㻝㻚㻥㻥 㻝㻝㻝㻝㻚㻝㻢 㻖 㯝᝷⳯ 㻠㻚㻠㻠 㻞㻝㻟㻚㻝㻟 㬞⫗ 㻡㻚㻞㻠 㻟㻚㻥㻢 㻖 ㍺ධᯝ≀ 㻝㻚㻥㻞 㻡㻠㻤㻚㻝㻢 㻖 ୰⳹᝷⳯ 㻠㻚㻝㻣 㻞㻢㻢㻚㻤㻜 㻖 㔝⳯㛵㐃 㻠㻚㻟㻤 㻡㻥㻝㻚㻞㻠 ㎰⏘஝≀ 㻝㻚㻣㻝 㻝㻝㻠㻚㻣㻞 㻖 ⡿㣤᝷⳯ 㻠㻚㻜㻢 㻣㻠㻤㻚㻝㻜 㤿⫗ 㻟㻚㻟㻣 㻞㻚㻞㻣 ↻㇋䞉ఢ↻ 㻝㻚㻢㻤 㻞㻡㻣㻚㻝㻠 㻖 ᘚᙜ䞉䝉䝑䝖≀ 㻠㻚㻜㻟 㻡㻤㻞㻚㻡㻣 ㇋㢮 㻟㻚㻜㻜 㻝㻞㻡㻚㻞㻤 ᯝ≀㛵㐃 㻝㻚㻢㻠 㻝㻞㻚㻠㻟 㻖 䝃䝷䝎᝷⳯ 㻟㻚㻡㻥 㻢㻥㻤㻚㻣㻡 㻖 ษ㌟ 㻞㻚㻥㻣 㻤㻜㻞㻚㻡㻣 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻝㻚㻠㻤 㻣㻠㻚㻝㻤 㻖 䝇䝘䝑䜽᝷⳯ 㻟㻚㻡㻢 㻝㻢㻤㻚㻞㻡 㻖 ୸≀ 㻞㻚㻤㻢 㻢㻝㻟㻚㻢㻞 〇Ⳬᮦᩱ 㻝㻚㻠㻣 㻡㻣㻚㻢㻤 㻖 ↝≀᝷⳯ 㻟㻚㻡㻞 㻞㻥㻣㻚㻢㻞 ∵⫗㛵㐃 㻞㻚㻡㻡 㻟㻣㻚㻝㻥 㻖 ங〇ရ 㻝㻚㻠㻢 㻢㻥㻞㻚㻥㻡 ᝷⳯┒ྜ䛫 㻟㻚㻞㻠 㻥㻝㻚㻥㻥 ᒣ⳯ 㻞㻚㻡㻜 㻢㻚㻢㻥 ጔ≀ 㻝㻚㻟㻥 㻥㻠㻚㻥㻥 㻖 ᑑྖ᝷⳯ 㻟㻚㻞㻝 㻝㻞㻠㻠㻚㻟㻟 㻖 ㈅ 㻞㻚㻡㻜 㻝㻥㻣㻚㻢㻜 㻖 ᯝ⳯ 㻝㻚㻟㻥 㻣㻤㻡㻚㻠㻟 䜹䝑䝖䝣䝹䞊䝒 㻟㻚㻝㻥 㻝㻟㻠㻚㻝㻥 㻖 䝽䜲䞁 㻞㻚㻠㻡 㻝㻥㻝㻚㻣㻢 Ỉ⏘஝≀ 㻝㻚㻟㻤 㻝㻥㻟㻚㻜㻠 㻖 ᥭ≀᝷⳯ 㻞㻚㻥㻜 㻝㻝㻡㻠㻚㻥㻤 ጔ≀ 㻞㻚㻠㻠 㻝㻢㻢㻚㻤㻠 䛴䜎䜏ⳫᏊ 㻝㻚㻟㻤 㻝㻝㻡㻚㻡㻞 䝺䝖䝹䝖⡿㣤 㻞㻚㻤㻤 㻝㻟㻜㻚㻢㻡 ᯝ≀㛵㐃 㻞㻚㻟㻣 㻝㻤㻚㻜㻟 㻖 ₕ≀ 㻝㻚㻟㻣 㻟㻢㻡㻚㻡㻠 䜹䝑䝖㔝⳯ 㻞㻚㻢㻟 㻝㻞㻣㻚㻡㻝 㻖 ㏻ᖖ䞉ᅜ⏘∵⫗ 㻞㻚㻟㻞 㻢㻡㻤㻚㻤㻜 ᾏⲡ 㻝㻚㻟㻠 㻤㻟㻚㻣㻠 ༙᝷⳯䝉䝑䝖≀ 㻞㻚㻡㻢 㻤㻡㻚㻥㻥 ᾏⲡ 㻞㻚㻞㻠 㻝㻟㻥㻚㻠㻡 㻖 Ⴔዲ㣧ᩱ 㻝㻚㻟㻠 㻟㻝㻥㻚㻥㻟 ␆⏘⏕㣗 㻞㻚㻡㻡 㻠㻣㻚㻞㻣 ㎰⏘஝≀ 㻞㻚㻞㻞 㻝㻠㻥㻚㻠㻢 ␆⏘ຍᕤရ 㻝㻚㻟㻞 㻣㻚㻢㻠 䝟䞁᝷⳯ 㻞㻚㻠㻠 㻞㻝㻜㻚㻣㻜 㻖 㣗⏝Ἔ 㻞㻚㻝㻢 㻞㻝㻠㻚㻢㻤 䝅䝸䜰䝹 㻝㻚㻟㻜 㻟㻟㻚㻝㻝 㻖 ༶ᖍỒ≀ 㻞㻚㻟㻟 㻞㻞㻠㻚㻟㻢 㻖 ᰿⳯ 㻞㻚㻝㻟 㻣㻝㻤㻚㻢㻡 ㇋㢮 㻝㻚㻞㻥 㻡㻟㻚㻤㻢 㻖 ༙䞉⏕ⳫᏊ 㻞㻚㻞㻤 㻣㻟㻡㻚㻡㻢 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㩭㨶┒ྜ䛫 㻡㻚㻣㻠 㻝㻝㻚㻠㻤 㻖 䝡䞊䝹㢮 㻠㻚㻥㻜 㻞㻤㻜㻡㻚㻣㻝 㻖 ⡿ 㻠㻚㻞㻝 㻞㻟㻡㻡㻚㻝㻥 ⓶⏕ᆅ 㻠㻚㻟㻢 㻤㻥㻚㻞㻢 㤿⫗ 㻟㻚㻝㻝 㻞㻚㻜㻥 ␆⏘ຍᕤရ 㻝㻚㻟㻤 㻤㻚㻜㻝 ㎰⏘஝≀ 㻠㻚㻝㻡 㻞㻣㻥㻚㻞㻢 㻖 䝽䜲䞁 㻞㻚㻣㻟 㻞㻝㻟㻚㻢㻢 ⨺⫗ 㻜㻚㻥㻥 㻞㻡㻚㻟㻜 ㇋㢮 㻠㻚㻜㻢 㻝㻢㻥㻚㻝㻥 㻖 䝸䜻䝳䞊䝹㢮 㻞㻚㻣㻞 㻞㻣㻤㻚㻢㻠 ෭෾㔝⳯ 㻜㻚㻤㻤 㻞㻣㻚㻣㻝 㻖 ㏻ᖖ䞉ᅜ⏘∵⫗ 㻠㻚㻜㻞 㻝㻝㻠㻟㻚㻢㻣 㻖 ὒ㓇 㻞㻚㻣㻝 㻥㻥㻚㻥㻢 䛭䛾௚㣗ရ 㻜㻚㻤㻣 㻝㻡㻚㻠㻜 ୸≀ 㻟㻚㻥㻣 㻤㻡㻟㻚㻠㻡 㻖 ↝㓅 㻞㻚㻢㻠 㻠㻝㻢㻚㻤㻜 Ⴔዲ㣧ᩱ 㻜㻚㻤㻡 㻞㻜㻠㻚㻜㻣 㻖 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻟㻚㻤㻟 㻝㻞㻝㻣㻚㻤㻜 㬞⫗ 㻞㻚㻞㻢 㻝㻚㻣㻜 ෭෾ᯝ≀ 㻜㻚㻤㻝 㻟㻚㻢㻢 ጔ≀ 㻟㻚㻢㻥 㻞㻡㻞㻚㻥㻟 㻖 ᪥ᮏ㓇 㻞㻚㻞㻟 㻞㻞㻥㻚㻠㻣 㣰 㻜㻚㻤㻜 㻟㻤㻚㻠㻟 䜂䛝⫗ 㻟㻚㻢㻥 㻣㻝㻡㻚㻜㻜 ⨺⫗ 㻞㻚㻞㻜 㻡㻢㻚㻡㻡 ᇶ♏ㄪ࿡ᩱ 㻜㻚㻣㻥 㻟㻟㻢㻚㻜㻟 ⢊㢮 㻟㻚㻢㻟 㻞㻡㻠㻚㻝㻜 㻖 䝜䞁䜰䝹䝁䞊䝹㣧ᩱ 㻝㻚㻣㻝 㻡㻟㻚㻜㻠 ⡿㣤ㄪ࿡ᩱ 㻜㻚㻣㻥 㻡㻤㻚㻜㻣 ษ㌟ 㻟㻚㻢㻝 㻥㻣㻠㻚㻞㻞 㻖 㓇㛵㐃 㻝㻚㻢㻥 㻝㻤㻚㻠㻝 㣗⏝Ἔ 㻜㻚㻣㻣 㻣㻢㻚㻤㻜 ㈅ 㻟㻚㻡㻣 㻞㻤㻞㻚㻟㻜 㻖 㭜⫗㛵㐃 㻝㻚㻢㻟 㻡㻚㻡㻤 䝅䝸䜰䝹 㻜㻚㻣㻡 㻝㻥㻚㻝㻡 㣗⏝Ἔ 㻟㻚㻡㻢 㻟㻡㻠㻚㻟㻟 㻖 㔝⳯┒ྜ䛫 㻝㻚㻠㻢 㻟㻚㻢㻞 ㇜⫗㛵㐃 㻜㻚㻣㻡 㻝㻚㻜㻣 㔝⳯Ỉ↻ 㻟㻚㻡㻞 㻝㻣㻤㻚㻤㻥 㻖 ㇜⫗㛵㐃 㻝㻚㻠㻡 㻞㻚㻜㻡 㭜⫗㛵㐃 㻜㻚㻣㻠 㻞㻚㻡㻡 Ỉ⏘஝≀ 㻟㻚㻠㻥 㻠㻤㻤㻚㻟㻝 㻖 ⢭⫗┒ྜ䛫 㻝㻚㻠㻠 㻝㻝㻚㻠㻢 ㇦ᕞ⏘∵ 㻜㻚㻣㻟 㻞㻤㻚㻞㻡 㻖 ᰿⳯ 㻟㻚㻠㻣 㻝㻝㻣㻝㻚㻠㻝 㻖 㩭㨶┒ྜ䛫 㻝㻚㻠㻟 㻞㻚㻤㻡 〇Ⳬᮦᩱ 㻜㻚㻣㻟 㻞㻤㻚㻢㻠 ∵⫗㛵㐃 㻟㻚㻠㻠 㻡㻜㻚㻜㻡 㻖 ㍺ධ∵ 㻝㻚㻠㻜 㻝㻣㻚㻞㻝 ༶ᖍ㯝 㻜㻚㻣㻞 㻝㻡㻜㻚㻝㻜 ෉㢮 㻟㻚㻠㻜 㻠㻝㻡㻚㻣㻣 㻖 ෆⶶ⫗ 㻝㻚㻟㻤 㻠㻢㻚㻤㻞 ⢭⫗┒ྜ䛫 㻜㻚㻣㻜 㻡㻚㻢㻝 㻖 ㏻ᖖ䞉ᅜ⏘㇜⫗ 㻟㻚㻟㻡 㻝㻣㻤㻡㻚㻢㻜 㻖 ࿡௜⫗ 㻝㻚㻟㻟 㻝㻝㻥㻚㻤㻞 ⢊㢮 㻜㻚㻣㻜 㻠㻥㻚㻝㻤 ෭෾㨶 㻟㻚㻟㻡 㻝㻣㻠㻚㻢㻠 㻖 䛴䜎䜏ⳫᏊ 㻝㻚㻞㻣 㻝㻜㻢㻚㻢㻟 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻜㻚㻣㻜 㻟㻡㻚㻝㻥 䝜䞊䝗㻞㻝㻔䛚ዲ䜏↝䛝㻕 䝜䞊䝗㻝㻡㻔㓇䛸䛴䜎䜏㻕 䝜䞊䝗㻥㻔᝷⳯ኤ㣗㻕 䝜䞊䝗㻟㻔⡿㻕 䝜䞊䝗㻝㻥㻔⫗ዲ䛝ᐙ᪘㻕 䝜䞊䝗㻝㻟㻔ᛁ䛧䛔䛚ẕ䛥䜣㻕 䝜䞊䝗㻣㻔䝕䝷䝑䜽䝇ኤ㣗㻕 䝜䞊䝗㻝㻔㏻ᖖኤ㣗㻕 䝜䞊䝗㻞㻜㻔Ꮚ⫱䛶䛚ẕ䛥䜣㻕 䝜䞊䝗㻝㻠㻔䝻䜲䝲䝹䛚ẕ䛥䜣㻕 䝜䞊䝗㻤㻔⳯㣗୺⩏㻕 䝜䞊䝗㻞㻔䝡䞊䝹↝⫗㻕

ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㻖 ㏻ᖖ䞉ᅜ⏘㇜⫗ 㻝㻚㻞㻥 㻢㻤㻥㻚㻠㻢 㻖 ⡿㣤᝷⳯ 㻞㻚㻠㻝 㻠㻠㻠㻚㻤㻠 㻖 ᯝ≀┒ྜ䛫 㻞㻚㻠㻥 㻞㻚㻟㻡 㻖 ㇜⫗㛵㐃 㻝㻚㻞㻡 㻝㻚㻣㻣 㻖 ᘚᙜ䞉䝉䝑䝖≀ 㻞㻚㻞㻥 㻟㻟㻜㻚㻢㻥 㻖 Ꮨ⠇ᯝ≀ 㻝㻚㻡㻡 㻤㻢㻢㻚㻣㻣 㭜⫗㛵㐃 㻜㻚㻤㻠 㻞㻚㻤㻤 㻖 㯝᝷⳯ 㻝㻚㻤㻟 㻤㻤㻚㻜㻝 㻖 ㍺ධᯝ≀ 㻜㻚㻥㻤 㻞㻣㻤㻚㻢㻜 ෆ⮚⫗ 㻜㻚㻢㻥 㻞㻟㻚㻟㻠 ᯝ≀┒ྜ䛫 㻝㻚㻠㻥 㻝㻚㻠㻝 㻖 ᯝ≀㛵㐃 㻜㻚㻤㻤 㻢㻚㻣㻜 ࿡௜⫗ 㻜㻚㻢㻢 㻡㻥㻚㻜㻞 㻖 ᑑྖ᝷⳯ 㻝㻚㻠㻞 㻡㻡㻜㻚㻝㻟 ㇜⫗㛵㐃 㻜㻚㻣㻟 㻝㻚㻜㻟 ↝≀༙᝷⳯ 㻜㻚㻢㻡 㻣㻚㻠㻢 㻖 ࿴㢼᝷⳯ 㻝㻚㻟㻞 㻝㻣㻞㻚㻤㻥 㻖 䜹䝑䝖䝣䝹䞊䝒 㻜㻚㻢㻡 㻞㻣㻚㻞㻟 ㍺ධ∵ 㻜㻚㻢㻞 㻣㻚㻢㻣 㻖 ὒ㢼᝷⳯ 㻝㻚㻞㻤 㻞㻜㻚㻤㻢 ᯝ⳯ 㻜㻚㻢㻡 㻟㻢㻡㻚㻟㻥 ㏻ᖖ䞉ᅜ⏘∵⫗ 㻜㻚㻢㻞 㻝㻣㻢㻚㻟㻞 㻖 ↝≀᝷⳯ 㻝㻚㻞㻠 㻝㻜㻠㻚㻤㻝 ㍺ධ∵ 㻜㻚㻢㻠 㻣㻚㻤㻣 ㍺ධ㭜 㻜㻚㻢㻞 㻡㻚㻡㻝 㻖 ᝷⳯┒ྜ䛫 㻝㻚㻞㻞 㻟㻠㻚㻤㻝 㻖 䝗䝷䜲䝣䝹䞊䝒 㻜㻚㻢㻠 㻠㻝㻚㻟㻤 㔝⳯┒ྜ䛫 㻜㻚㻢㻝 㻝㻚㻡㻞 㻖 ୰⳹᝷⳯ 㻝㻚㻝㻠 㻣㻞㻚㻥㻥 ங〇ရ 㻜㻚㻡㻣 㻞㻣㻞㻚㻢㻠 ᥭ≀༙᝷⳯ 㻜㻚㻢㻜 㻝㻣㻚㻠㻝 㻖 䝃䝷䝎᝷⳯ 㻝㻚㻝㻜 㻞㻝㻡㻚㻞㻝 㔝⳯㛵㐃 㻜㻚㻡㻣 㻣㻣㻚㻡㻝 ⢭⫗┒ྜ䛫 㻜㻚㻡㻤 㻠㻚㻢㻞 㻖 䝇䝘䝑䜽᝷⳯ 㻝㻚㻜㻤 㻡㻝㻚㻜㻠 ᰿⳯ 㻜㻚㻡㻣 㻝㻥㻝㻚㻤㻡 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻜㻚㻡㻣 㻝㻤㻝㻚㻥㻠 㻖 ᥭ≀᝷⳯ 㻝㻚㻜㻢 㻠㻞㻝㻚㻣㻝 ෭෾ᯝ≀ 㻜㻚㻡㻢 㻞㻚㻡㻜 ࿴㢼༙᝷⳯ 㻜㻚㻡㻡 㻜㻚㻡㻝 㻖 䝟䞁᝷⳯ 㻜㻚㻥㻢 㻤㻞㻚㻢㻤 ጔ≀ 㻜㻚㻡㻡 㻟㻣㻚㻡㻡 ∵⫗㛵㐃 㻜㻚㻡㻠 㻣㻚㻥㻞 㻖 䜹䝑䝖䝣䝹䞊䝒 㻜㻚㻣㻥 㻟㻟㻚㻝㻝 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻜㻚㻡㻡 㻞㻣㻚㻟㻥 ෭෾㨶 㻜㻚㻡㻞 㻞㻣㻚㻞㻝 ༙᝷⳯䝉䝑䝖≀ 㻜㻚㻣㻞 㻞㻠㻚㻞㻝 ⳫᏊ㛵㐃 㻜㻚㻡㻠 㻥㻚㻠㻟 ㇦ᕞ⏘∵ 㻜㻚㻠㻤 㻝㻤㻚㻠㻡 㻖 ༙䞉⏕ⳫᏊ 㻜㻚㻣㻝 㻞㻟㻜㻚㻣㻜 ங⣔㣧ᩱ 㻜㻚㻡㻟 㻞㻣㻞㻚㻢㻡 䜂䛝⫗ 㻜㻚㻠㻣 㻥㻜㻚㻥㻟 䝸䜻䝳䞊䝹㢮 㻜㻚㻢㻥 㻣㻝㻚㻝㻝 ⴥ⳯ 㻜㻚㻡㻟 㻝㻥㻥㻚㻟㻣 ↻≀༙᝷⳯ 㻜㻚㻠㻢 㻝㻟㻚㻟㻝 㻖 Ύᾴ㣧ᩱ 㻜㻚㻢㻥 㻟㻠㻥㻚㻥㻜 㔝⳯┒ྜ䛫 㻜㻚㻡㻟 㻝㻚㻟㻝 ⓶⏕ᆅ 㻜㻚㻠㻢 㻥㻚㻟㻣 ␆⏘⏕㣗 㻜㻚㻢㻥 㻝㻞㻚㻣㻟 ㇋㢮 㻜㻚㻡㻟 㻞㻞㻚㻝㻠 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㔝⳯┒ྜ䛫 㻞㻚㻜㻣 㻡㻚㻝㻞 㻖 ஝ⳫᏊ 㻜㻚㻤㻞 㻡㻟㻜㻚㻠㻝 㬞⫗ 㻜㻚㻢㻢 㻜㻚㻡㻜 㻖 ࿴㢼᝷⳯ 㻝㻚㻥㻠 㻞㻡㻠㻚㻟㻞 ᯝ≀┒ྜ䛫 㻜㻚㻡㻢 㻜㻚㻡㻡 㤿⫗ 㻜㻚㻡㻥 㻜㻚㻠㻜 㻖 ↝≀᝷⳯ 㻝㻚㻠㻥 㻝㻞㻢㻚㻟㻤 㻖 䛴䜎䜏ⳫᏊ 㻜㻚㻡㻜 㻠㻝㻚㻥㻣 ␆⏘ຍᕤရ 㻜㻚㻡㻟 㻟㻚㻜㻣 ࿴㢼༙᝷⳯ 㻝㻚㻠㻥 㻝㻚㻟㻤 䛭䛾௚㣗ရ 㻜㻚㻠㻠 㻣㻚㻤㻟 ෭෾ᯝ≀ 㻜㻚㻠㻡 㻞㻚㻜㻝 ୰⳹᝷⳯ 㻝㻚㻠㻤 㻥㻠㻚㻣㻞 䝅䝸䜰䝹 㻜㻚㻠㻟 㻝㻝㻚㻜㻠 䝟䞁᝷⳯ 㻜㻚㻠㻟 㻟㻣㻚㻠㻡 㻖 ᥭ≀᝷⳯ 㻝㻚㻠㻣 㻡㻤㻡㻚㻥㻟 䝽䜲䞁 㻜㻚㻠㻟 㻟㻟㻚㻢㻥 ᝷⳯┒ྜ䛫 㻜㻚㻠㻝 㻝㻝㻚㻣㻥 㬞⫗ 㻝㻚㻟㻢 㻝㻚㻜㻞 ⳫᏊ㛵㐃 㻜㻚㻠㻞 㻣㻚㻟㻥 ↝㓅 㻜㻚㻠㻜 㻢㻞㻚㻥㻢 㻖 ᑑྖ᝷⳯ 㻝㻚㻟㻡 㻡㻞㻠㻚㻢㻝 㻖 Ύᾴ㣧ᩱ 㻜㻚㻠㻜 㻞㻜㻟㻚㻝㻢 ᪥ᮏ㓇 㻜㻚㻟㻥 㻠㻜㻚㻟㻤 㻖 䝃䝷䝎᝷⳯ 㻝㻚㻟㻡 㻞㻢㻟㻚㻢㻢 㤿⫗ 㻜㻚㻟㻥 㻜㻚㻞㻢 㔝⳯┒ྜ䛫 㻜㻚㻟㻣 㻜㻚㻥㻞 㻖 ่㌟ 㻝㻚㻟㻡 㻟㻢㻞㻚㻟㻡 䝗䝷䜲䝣䝹䞊䝒 㻜㻚㻟㻥 㻞㻠㻚㻥㻡 ὒ㓇 㻜㻚㻟㻡 㻝㻞㻚㻤㻞 ᝷⳯┒ྜ䛫 㻝㻚㻞㻤 㻟㻢㻚㻞㻢 䜰䜲䝇䜽䝸䞊䝮 㻜㻚㻟㻤 㻣㻢㻚㻡㻟 ᘚᙜ䞉䝉䝑䝖≀ 㻜㻚㻟㻠 㻠㻤㻚㻣㻜 㻖 ↻㇋䞉ఢ↻ 㻝㻚㻞㻟 㻝㻤㻤㻚㻝㻟 ὒ㓇 㻜㻚㻟㻤 㻝㻟㻚㻥㻠 䝽䜲䞁 㻜㻚㻟㻞 㻞㻡㻚㻝㻞 ὒ㢼᝷⳯ 㻝㻚㻝㻣 㻝㻤㻚㻥㻥 䝟䞁᝷⳯ 㻜㻚㻟㻢 㻟㻝㻚㻟㻟 ㇜⫗㛵㐃 㻜㻚㻟㻞 㻜㻚㻠㻡 䝇䝘䝑䜽᝷⳯ 㻝㻚㻝㻢 㻡㻠㻚㻤㻠 䝸䜻䝳䞊䝹㢮 㻜㻚㻟㻡 㻟㻡㻚㻣㻣 ෭෾ⳫᏊ 㻜㻚㻟㻜 㻜㻚㻟㻞 䜹䝑䝖䝣䝹䞊䝒 㻝㻚㻝㻞 㻠㻣㻚㻜㻞 㔝⳯䞉ᯝᐇ㣧ᩱ 㻜㻚㻟㻟 㻡㻡㻚㻡㻢 㩭㨶┒ྜ䛫 㻜㻚㻞㻥 㻜㻚㻡㻥 㻖 ₕ≀ 㻝㻚㻝㻝 㻞㻥㻢㻚㻥㻠 Ⴔዲ㣧ᩱ 㻜㻚㻟㻟 㻣㻤㻚㻥㻞 ⳫᏊ㛵㐃 㻜㻚㻞㻤 㻠㻚㻥㻞 ⵦ↝᝷⳯ 㻝㻚㻝㻜 㻡㻢㻚㻝㻠 䝊䝸䞊䞉䝥䝸䞁 㻜㻚㻟㻞 㻞㻥㻚㻤㻜 㭜⫗㛵㐃 㻜㻚㻞㻣 㻜㻚㻥㻟 㻖 ᖸ≀ 㻝㻚㻜㻣 㻝㻞㻜㻚㻝㻞 ༶ᖍ㯝 㻜㻚㻟㻞 㻢㻢㻚㻢㻡 ᯝ≀┒ྜ䛫 㻜㻚㻞㻡 㻜㻚㻞㻠 㻖 ่㌟㢮┒ྜ䛫 㻝㻚㻜㻢 㻝㻞㻜㻚㻡㻝 㻖 ༙䞉⏕ⳫᏊ 㻜㻚㻟㻞 㻝㻜㻞㻚㻝㻠 Ⴔዲ㣧ᩱ 㻜㻚㻞㻡 㻡㻥㻚㻤㻜 䛯䛯䛝 㻝㻚㻜㻟 㻡㻠㻚㻥㻟 ༶ᖍỒ≀ 㻜㻚㻟㻞 㻟㻜㻚㻠㻢 㓇㛵㐃 㻜㻚㻞㻡 㻞㻚㻢㻤 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 㻖 ⡿ 㻠㻚㻤㻠 㻞㻣㻜㻢㻚㻢㻤 㻖 ᖸ≀ 㻟㻚㻡㻟 㻟㻥㻢㻚㻤㻜 䝅䝸䜰䝹 㻝㻚㻜㻥 㻞㻣㻚㻢㻥 ⨺⫗ 㻞㻚㻟㻟 㻡㻥㻚㻤㻥 㻖 ₕ㨶 㻟㻚㻝㻤 㻝㻟㻜㻚㻠㻡 㻖 䜰䜲䝇䜽䝸䞊䝮 㻜㻚㻥㻥 㻝㻥㻣㻚㻤㻞 㻖 ㏻ᖖ䞉ᅜ⏘㭜⫗ 㻝㻚㻥㻠 㻢㻝㻣㻚㻞㻟 㻖 ᑠ㨶 㻟㻚㻜㻢 㻞㻣㻟㻚㻣㻥 㻖 ஝ⳫᏊ 㻜㻚㻥㻞 㻡㻥㻥㻚㻢㻥 㻖 䝅䝸䜰䝹 㻝㻚㻤㻠 㻠㻢㻚㻤㻤 㻖 ሷⶶ 㻞㻚㻤㻣 㻠㻠㻣㻚㻠㻠 㻖 Ύᾴ㣧ᩱ 㻜㻚㻥㻞 㻠㻢㻠㻚㻠㻥 ⢊㢮 㻝㻚㻤㻠 㻝㻞㻤㻚㻣㻜 㻖 ෉㢮 㻞㻚㻣㻤 㻟㻟㻥㻚㻥㻢 㔝⳯䞉ᯝᐇ㣧ᩱ 㻜㻚㻥㻝 㻝㻡㻝㻚㻢㻠 㻖 ෭෾㔝⳯ 㻝㻚㻤㻝 㻡㻣㻚㻟㻤 㻖 ㈅ 㻞㻚㻣㻢 㻞㻝㻤㻚㻞㻡 ༶ᖍ㯝 㻜㻚㻥㻜 㻝㻤㻢㻚㻝㻠 䜂䛝⫗ 㻝㻚㻣㻢 㻟㻠㻜㻚㻡㻟 㻖 㨶༸ 㻞㻚㻢㻤 㻞㻥㻠㻚㻠㻤 䝊䝸䞊䞉䝥䝸䞁 㻜㻚㻤㻣 㻣㻥㻚㻡㻢 ㇦ᕞ⏘∵ 㻝㻚㻣㻡 㻢㻣㻚㻢㻟 㻖 ↻㇋䞉ఢ↻ 㻞㻚㻢㻡 㻠㻜㻣㻚㻠㻤 ␆⏘ຍᕤရ 㻜㻚㻤㻢 㻠㻚㻥㻥 㻖 ㏻ᖖ䞉ᅜ⏘㇜⫗ 㻝㻚㻣㻞 㻥㻝㻤㻚㻜㻣 㻖 ୸≀ 㻞㻚㻢㻡 㻡㻢㻥㻚㻟㻠 㻖 Ⴔዲ㣧ᩱ 㻜㻚㻤㻢 㻞㻜㻠㻚㻣㻞 ㎰⏘஝≀ 㻝㻚㻣㻞 㻝㻝㻡㻚㻥㻠 㻖 䝪䜲䝹㨶 㻞㻚㻢㻡 㻞㻟㻜㻚㻞㻠 㻖 ங⣔㣧ᩱ 㻜㻚㻤㻡 㻠㻟㻟㻚㻜㻝 ⓶⏕ᆅ 㻝㻚㻣㻝 㻟㻠㻚㻥㻟 㻖 ෭෾㨶 㻞㻚㻢㻞 㻝㻟㻢㻚㻡㻢 ෭෾㣗ရ 㻜㻚㻤㻝 㻞㻠㻡㻚㻤㻡 㻖 㣗⏝Ἔ 㻝㻚㻣㻝 㻝㻢㻥㻚㻣㻡 㻖 㩭㨶┒ྜ䛫 㻞㻚㻢㻜 㻡㻚㻞㻝 ෭෾ᯝ≀ 㻜㻚㻤㻜 㻟㻚㻢㻞 㻖 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻝㻚㻢㻣 㻤㻟㻚㻥㻝 㻖 ่㌟ 㻞㻚㻡㻜 㻢㻢㻥㻚㻝㻞 ங〇ရ 㻜㻚㻤㻜 㻟㻣㻤㻚㻜㻣 㻖 ⱼ⳯ 㻝㻚㻢㻣 㻠㻜㻡㻚㻜㻤 ᒣ⳯ 㻞㻚㻠㻤 㻢㻚㻢㻠 㻖 䝟䞁 㻜㻚㻣㻣 㻠㻞㻥㻚㻠㻞 ㎰⏘ຍᕤရ 㻝㻚㻢㻣 㻟㻞㻚㻡㻡 㻖 ษ㌟ 㻞㻚㻠㻢 㻢㻢㻠㻚㻜㻠 䝇䝥䝺䝑䝗䞉䝕䜱䝑䝥 㻜㻚㻣㻣 㻟㻤㻚㻠㻟 〇Ⳬᮦᩱ 㻝㻚㻢㻟 㻢㻟㻚㻥㻢 㻖 ෭෾ⳫᏊ 㻞㻚㻠㻟 㻞㻚㻢㻜 ༶ᖍỒ≀ 㻜㻚㻣㻢 㻣㻟㻚㻠㻜 㻖 Ⴔዲ㣧ᩱ 㻝㻚㻢㻝 㻟㻤㻠㻚㻞㻡 㻖 ࿡௜㨶 㻞㻚㻠㻝 㻞㻜㻚㻡㻟 〇Ⳬᮦᩱ 㻜㻚㻣㻠 㻞㻥㻚㻜㻞 㻖 ᰿⳯ 㻝㻚㻢㻜 㻡㻠㻜㻚㻟㻣 㻖 Ỉ⏘⏕㣗 㻞㻚㻠㻝 㻣㻞㻚㻠㻠 䛴䜎䜏ⳫᏊ 㻜㻚㻣㻟 㻢㻝㻚㻝㻝 ෭෾㨶 㻝㻚㻡㻥 㻤㻞㻚㻥㻥 㻖 䛯䛯䛝 㻞㻚㻠㻜 㻝㻞㻤㻚㻣㻜 ⡿㣤ㄪ࿡ᩱ 㻜㻚㻣㻟 㻡㻟㻚㻟㻣 㻖 ᇶ♏ㄪ࿡ᩱ 㻝㻚㻡㻣 㻢㻢㻢㻚㻝㻝 ᾏⲡ 㻞㻚㻞㻥 㻝㻠㻞㻚㻣㻜 䛭䛾௚㣗ရ 㻜㻚㻣㻟 㻝㻞㻚㻤㻜 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ศ㢮ྡ⛠ ಸ⋡ ㉎㈙㢠㻔෇㻛ே᭶㻕 ᯝ≀┒ྜ䛫 㻟㻚㻡㻢 㻟㻚㻟㻢 㻖 㯝᝷⳯ 㻠㻚㻣㻝 㻞㻞㻢㻚㻟㻣 㔝⳯┒ྜ䛫 㻝㻚㻟㻜 㻟㻚㻞㻟 㻖 ୸≀ 㻞㻚㻤㻠 㻢㻝㻜㻚㻤㻤 㻖 ⡿㣤᝷⳯ 㻠㻚㻞㻤 㻣㻤㻤㻚㻢㻥 㩭㨶┒ྜ䛫 㻜㻚㻥㻟 㻝㻚㻤㻢 ㇜⫗㛵㐃 㻞㻚㻞㻤 㻟㻚㻞㻟 㻖 ᘚᙜ䞉䝉䝑䝖≀ 㻠㻚㻜㻟 㻡㻤㻝㻚㻞㻟 㬞⫗ 㻜㻚㻢㻢 㻜㻚㻡㻜 㻖 ษ㌟ 㻞㻚㻝㻢 㻡㻤㻟㻚㻟㻠 㻖 ὒ㢼᝷⳯ 㻟㻚㻠㻤 㻡㻢㻚㻡㻤 㔝⳯㛵㐃 㻜㻚㻢㻝 㻤㻞㻚㻡㻝 㻖 ㈅ 㻝㻚㻥㻞 㻝㻡㻝㻚㻣㻠 㻖 ୰⳹᝷⳯ 㻟㻚㻠㻤 㻞㻞㻞㻚㻡㻜 ⢭⫗┒ྜ䛫 㻜㻚㻢㻝 㻠㻚㻤㻡 㻖 ෉㢮 㻝㻚㻤㻞 㻞㻞㻝㻚㻥㻝 㻖 ࿴㢼᝷⳯ 㻟㻚㻞㻣 㻠㻞㻤㻚㻢㻡 ᰿⳯ 㻜㻚㻡㻣 㻝㻥㻞㻚㻤㻣 㭜⫗㛵㐃 㻝㻚㻣㻟 㻡㻚㻥㻠 㻖 䝇䝘䝑䜽᝷⳯ 㻞㻚㻥㻠 㻝㻟㻤㻚㻤㻟 ෭෾ᯝ≀ 㻜㻚㻡㻢 㻞㻚㻡㻝 ෭෾ᯝ≀ 㻝㻚㻣㻝 㻣㻚㻣㻞 㻖 ↝≀᝷⳯ 㻞㻚㻣㻝 㻞㻞㻥㻚㻞㻢 䛝䛾䛣 㻜㻚㻡㻡 㻝㻞㻞㻚㻢㻢 ㏻ᖖ䞉ᅜ⏘∵⫗ 㻝㻚㻢㻟 㻠㻢㻞㻚㻡㻢 㻖 䝃䝷䝎᝷⳯ 㻞㻚㻢㻞 㻡㻝㻜㻚㻠㻞 㖭᯶㇜ 㻜㻚㻡㻡 㻤㻜㻚㻞㻠 ∵⫗㛵㐃 㻝㻚㻢㻜 㻞㻟㻚㻟㻟 㻖 䝺䝖䝹䝖⡿㣤 㻞㻚㻡㻢 㻝㻝㻢㻚㻞㻢 ጔ≀ 㻜㻚㻡㻟 㻟㻢㻚㻝㻟 ᒣ⳯ 㻝㻚㻡㻡 㻠㻚㻝㻠 ᝷⳯┒ྜ䛫 㻞㻚㻠㻡 㻢㻥㻚㻢㻣 ㎰⏘஝≀ 㻜㻚㻡㻞 㻟㻡㻚㻞㻡 ⢭⫗┒ྜ䛫 㻝㻚㻡㻜 㻝㻝㻚㻥㻥 㻖 䝟䞁᝷⳯ 㻞㻚㻜㻢 㻝㻣㻤㻚㻞㻣 Ⓨⱆ㔝⳯ 㻜㻚㻡㻞 㻞㻢㻚㻜㻥 㻖 ࿴∵ 㻝㻚㻠㻣 㻞㻞㻠㻚㻤㻜 䜹䝑䝖䝣䝹䞊䝒 㻝㻚㻥㻥 㻤㻟㻚㻣㻜 ⴥ⳯ 㻜㻚㻡㻞 㻝㻥㻠㻚㻥㻜 㔝⳯㛵㐃 㻝㻚㻠㻣 㻝㻥㻤㻚㻜㻟 㻖 ᑑྖ᝷⳯ 㻝㻚㻥㻢 㻣㻡㻤㻚㻥㻡 ⱼ⳯ 㻜㻚㻡㻞 㻝㻞㻡㻚㻡㻟 ㎰⏘஝≀ 㻝㻚㻠㻢 㻥㻤㻚㻜㻠 㻖 ᥭ≀᝷⳯ 㻝㻚㻥㻝 㻣㻢㻜㻚㻤㻤 Ỉ≀ 㻜㻚㻡㻝 㻞㻢㻢㻚㻝㻡 ෆ⮚⫗ 㻝㻚㻠㻡 㻠㻥㻚㻞㻡 㓇㛵㐃 㻝㻚㻤㻢 㻞㻜㻚㻞㻡 䝽䜲䞁 㻜㻚㻡㻝 㻟㻥㻚㻡㻥 ጔ≀ 㻝㻚㻠㻟 㻥㻣㻚㻥㻡 ␆⏘⏕㣗 㻝㻚㻤㻡 㻟㻠㻚㻟㻟 ࿴㢼༙᝷⳯ 㻜㻚㻠㻥 㻜㻚㻠㻡 㻖 ሷⶶ 㻝㻚㻠㻞 㻞㻞㻝㻚㻝㻠 㻖 Ύᾴ㣧ᩱ 㻝㻚㻤㻜 㻥㻝㻝㻚㻜㻡 ෆ⮚⫗ 㻜㻚㻠㻥 㻝㻢㻚㻡㻞 㖭᯶㭜 㻝㻚㻠㻞 㻝㻡㻞㻚㻡㻞 䝸䜻䝳䞊䝹㢮 㻝㻚㻣㻞 㻝㻣㻢㻚㻜㻝 ㍺ධ㭜 㻜㻚㻠㻥 㻠㻚㻟㻞 ᾏⲡ 㻝㻚㻠㻜 㻤㻣㻚㻜㻝 ༙᝷⳯䝉䝑䝖≀ 㻝㻚㻢㻢 㻡㻡㻚㻢㻝 ᇶ♏ㄪ࿡ᩱ 㻜㻚㻠㻥 㻞㻜㻡㻚㻢㻜 䝜䞊䝗㻝㻣㻔ⳫᏊ㻕 䝜䞊䝗㻝㻝㻔㨶ኤ㣗㻕 䝜䞊䝗㻡㻔᝷⳯᫨㣗㻕 䝜䞊䝗㻝㻤㻔ᑡ㔠㢠㻕 䝜䞊䝗㻝㻞㻔ⳫᏊ㣧ᩱ㻕 䝜䞊䝗㻢㻔ᑡ㔠㢠㻕 䝜䞊䝗㻝㻢㻔࿴㣗᝷⳯㻕 䝜䞊䝗㻝㻜㻔䛤䛿䜣ᮅ㣗㻕 䝜䞊䝗㻠㻔㨶ᩱ⌮ኤ㣗㻕