对于认识购买现象而言，获取大量数据本身就是一个很大的进步。但是我们不能仅仅满足于收集数据。仅凭数量庞大、种类繁多的数据，是无法看清购买现象的全貌的。为了读取海量数据中潜藏的意义，发现提高业绩的关键，我们同时也致力于开发新的大数据专用计算机。该计算机（人工智能软件）称为“Hitachi Online Learning Machine for Elastic Society”，下文简称“H”。下面介绍一下具体的实验成果[2]。
我们首先在此商店花了 10 天时间运用该测量系统获取预备数据，并用 H 分析了这些测量数据。然后我们让人类专家和 H 竞赛，看看 1 个月后这家店铺的销售分别可以提高到何种程度。目标就是提高来店顾客在店内的消费金额（其平均值称为“客单价”）。
我们请在流通行业小有成就的两位专家组成一队，共同制定提高销售的对策。此外，我们采访了有多年工作经验的公司骨干，咨询了店长和负责店铺改善的人员，同时参考了预先录入的数据。经过这一系列准备，我们确定了水管配件和 LED 灯具等应该主推的商品群，并在店内设置广告，改善货架陈列等。
而另一方面，人工智能 H 把输入计算机中的大量数据先分解成一个个小要素，然后对这些要素进行各种搭配组合并重新合成，进而自动生成可能会对提高业绩产生影响的、庞大的数据因素群。具体来说，计算机会自动生成 6,000 个影响业绩的因素，并对这些因素与业绩统计的相关性进行全面检查。这时，我们并没有利用流通行业的常识和假说，而只是单纯地使用了数据。
经过上述检查工作，人工智能 H 提出了一个影响客单价的、出人意料的业绩因素——在店内某个特定地点站有店员。我们称之为“高灵敏度地点”。H 用定量数值告诉我们，店员在高灵敏度地点的停留时间每增加 10 秒，顾客的购买金额会平均提高 145 日元。因此，实验时我们拜托店员尽量在高灵敏度地点上停留。
1 个月后，我们再次测量这家店铺，并收集了数据。结果极富戏剧性。人类专家实施的对策对店铺业绩和顾客行为几乎没有产生任何影响。借助我们的测量技术是可以获取顾客和店员的详细行动数据的，因此我们可以从定量角度证明对策并未奏效。
那么，人工智能 H 的成果又如何呢？我们拜托店员尽量多在 H 指出的高灵敏度地点上停留，因而店员的停留时间增至 1.7 倍。结果整个店铺的客单价竟然提高了 15%，这可以说是巨大的业绩成果。客单价提高 15% 的话，销售也会提高 15%，那利润情况怎么样呢？在增加的这部分销售中，必须扣除对应商品的采购成本。扣除采购成本后，营业利润率的增长高达 5 个百分点。日本的流通行业中，营业利润率最高是 5% 左右。营业利润率增长 5 个百分点的话，也就相当于利润增长了一倍。
有趣的是，我们需要解释店员在高灵敏度地点的停留和客单价的提升之间的关联性，可要用语言说清楚并非易事。店员在高灵敏度地点停留时，顾客在店内的走动路线会发生变化，在以往很少经过的高价商品的货架前停留的时间会增加——我们有证据可以证明这一点。但让人费解的是，既然是为了改变顾客的走动路线，那为什么要将高灵敏度地点定在远离问题商品货架的地方（实际上离得很远）？此外，后面我们也会提到，店员在高灵敏度地点停留后，店员和顾客身体运动的“活跃度”也随之提高了，这点就更难解释了。对于这些提高销售额的要素，我们即便通过实验证实了，也无法直观地说明其原因所在。因此，人类想要提前确立假说，无异于天方夜谭。对于这种人类绝对无法确立的假说，人工智能 H 却可以做到。