図面 (/)

技術 販売数予測システム、販売数予測方法および販売数予測プログラム

出願人 日本電気株式会社
発明者 黒岩由希子
出願日 2008年4月3日 (13年3ヶ月経過) 出願番号 2008-096966
公開日 2009年10月29日 (11年8ヶ月経過) 公開番号 2009-251779
状態 特許登録済
技術分野 特定用途計算機
主要キーワード 短期データ 自己回帰移動平均モデル 最終閾値 判定ラベル 加重移動平均 現行車 長期データ 予測対象時刻
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2009年10月29日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (16)

課題

時間の経過とともに変化する需要、すなわち販売数を自動的に予測する。

解決手段

売上データベースと、属性販売条件とし、ラベルを1つの商品またはサービス販売されれば第1ラベルとし、販売されなければ第2ラベルとして、短期データの組を生成する短期データ群生成部と、長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、スコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、仮想短期データを生成する仮想短期データ生成部と、スコアを算出するスコア算出部と、予測対象時刻における閾値を推定する閾値推定部と、予測対象時刻の販売数を予測する販売数予測部とを備える。

概要

背景

小売店では、POS(Point of Sales)システムが用いられており、収集された商品売上データは様々に活用されている。その中で、売上データに基づいて商品の需要予測し、発注に活用するシステムがある。

例えば、特許文献1には、商品の売上実績から、売価天気などの各種変動要因による売上の変動を考慮して商品の需要を予測するシステムが記載されている。

特許文献2には、新商品を構成するユニット仕様毎販売予測を行う方法が記載されている。商品の商品特性などをニューラルネットワーク式で表現した販売構成比モデル関数代入することによって、ユニット仕様別の販売構成比を算出する。

また、特許文献3には、過去の販売実績数量から販売量を予測する装置が記載されている。専門家が持っている経験則ルールとして体系化し、そのルールを使って販売予測をする方法であり、調整した結果を検証するために、手入力による仮想データシミュレーションを行い、アラームを表示する手段も記載されている。

特許文献4には、POSデータ分析から消費者の併売傾向を把握するシステムが記載されている。

特開2004−334326号公報
特開2003−122895号公報
特開平07−175787号公報
特開2007−094592号公報

概要

時間の経過とともに変化する需要、すなわち販売数を自動的に予測する。売上データベースと、属性販売条件とし、ラベルを1つの商品またはサービス販売されれば第1ラベルとし、販売されなければ第2ラベルとして、短期データの組を生成する短期データ群生成部と、長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、スコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、仮想短期データを生成する仮想短期データ生成部と、スコアを算出するスコア算出部と、予測対象時刻における閾値を推定する閾値推定部と、予測対象時刻の販売数を予測する販売数予測部とを備える。

目的

そこで、本発明は、時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を自動的に予測する販売数予測システム予測方法および予測プログラムを提供することを目的とする。

効果

実績

技術文献被引用数
1件
牽制数
2件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、前記売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、前記短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、前記閾値の時系列的な変化を解析する時系列解析部と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部と、前記仮想短期データ生成部が生成した仮想短期データと前記長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、前記時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、前記スコア算出部が算出したスコアと前記閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数予測する販売数予測部とを備えたことを特徴とする販売数予測システム

請求項2

1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、前記売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、前記短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、前記長期データ生成部が生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と前記長期分類器生成部が生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと前記短期閾値群推定部が推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部と、前記仮想データ生成部が算出した販売率と前記短期閾値群推定部が算出した閾値との関数を推定する閾値関数推定部と、仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成部と、前記仮想短期データ生成部が生成した仮想短期データと前記長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、前記時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、前記スコア算出部が算出したスコアと前記閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えたことを特徴とする販売数予測システム。

請求項3

短期データ群生成部は、属性となる販売条件として、商品またはサービスの売価在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気気温気温変化曜日、休祝日を示すいずれかの情報を含む短期データを生成する請求項1または請求項2に記載の販売数予測システム。

請求項4

1つ以上の顧客の情報を記憶する顧客データベースを備え、売上データベースは、一部に顧客との対応付けが可能な情報を含む情報を記憶し、短期データ群生成部は、前記売上データベースおよび顧客データベースが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する請求項1から請求項3のうちのいずれか1項に記載の販売数予測システム。

請求項5

顧客データベースは、属性となる顧客の情報として、顧客の年齢性別職業商品全体において最も頻繁に購入する曜日・時刻購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する請求項4に記載の販売数予測システム。

請求項6

1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、長期データの属性に基づいてラベルを判定するルールであって第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出し、前記閾値の時系列的な変化を解析し、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成し、生成した仮想短期データと分類器とに基づいて、スコアを算出し、解析した結果に基づいて、予測対象時刻における閾値を推定し、算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測することを特徴とする販売数予測方法

請求項7

1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、長期データの属性に基づいてラベルを判定するルールであって第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出し、生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出し、算出した販売率と閾値との関数を推定し、仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成し、生成した仮想短期データと分類器とに基づいて、スコアを算出し、解析した結果に基づいて、予測対象時刻における閾値を推定し、算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測することを特徴とする販売数予測方法。

請求項8

属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する請求項6または請求項7に記載の販売数予測方法。

請求項9

1つ以上の顧客の情報を記憶する顧客データベースと、一部に顧客との対応付けが可能な情報を含む情報を記憶する売上データベースとが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する請求項6から請求項8のうちのいずれか1項に記載の販売数予測方法。

請求項10

顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する顧客データベースが記憶する情報に基づいて短期データを生成する請求項9に記載の販売数予測方法。

請求項11

コンピュータに、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、前記短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、前記閾値の時系列的な変化を解析する時系列解析処理と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成処理と、前記仮想短期データ生成処理で生成した仮想短期データと前記長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、前記時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、前記スコア算出処理で算出したスコアと前記閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測処理とを実行させるための販売数予測プログラム

請求項12

コンピュータに、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、前記短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、前記長期データ生成処理で生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と前記長期分類器生成処理で生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと前記短期閾値群推定処理で推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成処理と、前記仮想データ生成処理で算出した販売率と前記短期閾値群推定処理で算出した閾値との関数を推定する閾値関数推定処理と、仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成処理と、前記仮想短期データ生成処理で生成した仮想短期データと前記長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、前記時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、前記スコア算出処理で算出したスコアと前記閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測処理とを実行させるための販売数予測プログラム。

請求項13

短期データ群生成処理で、属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する請求項11または請求項12に記載の販売数予測プログラム。

請求項14

1つ以上の顧客の情報を記憶する顧客データベースと、一部に顧客との対応付けが可能な情報を含む情報を記憶する売上データベースとが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する請求項11から請求項13のうちのいずれか1項に記載の販売数予測プログラム。

請求項15

顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する顧客データベースが記憶する情報に基づいて短期データを生成する請求項14に記載の販売数予測プログラム。

技術分野

0001

本発明は、小売業販売する商品またはサービス需要予測する販売数予測システム販売数予測方法および販売数予測プログラムに関し、特に顧客情報を用いた需要を予測する販売数予測システム、販売数予測方法および販売数予測プログラムに関する。

背景技術

0002

小売店では、POS(Point of Sales)システムが用いられており、収集された商品の売上データは様々に活用されている。その中で、売上データに基づいて商品の需要を予測し、発注に活用するシステムがある。

0003

例えば、特許文献1には、商品の売上実績から、売価天気などの各種変動要因による売上の変動を考慮して商品の需要を予測するシステムが記載されている。

0004

特許文献2には、新商品を構成するユニット仕様毎販売予測を行う方法が記載されている。商品の商品特性などをニューラルネットワーク式で表現した販売構成比モデル関数代入することによって、ユニット仕様別の販売構成比を算出する。

0005

また、特許文献3には、過去の販売実績数量から販売量を予測する装置が記載されている。専門家が持っている経験則ルールとして体系化し、そのルールを使って販売予測をする方法であり、調整した結果を検証するために、手入力による仮想データシミュレーションを行い、アラームを表示する手段も記載されている。

0006

特許文献4には、POSデータ分析から消費者の併売傾向を把握するシステムが記載されている。

0007

特開2004−334326号公報
特開2003−122895号公報
特開平07−175787号公報
特開2007−094592号公報

発明が解決しようとする課題

0008

商品やサービスは、時間の経過とともに価値が変化し、それに伴って需要が変化するが、特許文献1に記載されている需要予測では、時間の経過とともに変化する需要を予測することができない。その理由は、時間の経過とともに需要が変化しないことを前提として、長期間の売上実績を各種変動要因による影響で調整して、需要を予測するからである。

0009

特許文献2,3に記載されている販売数予測システムは、専門家による知見無しに自動的に販売数を予測することができない。その理由は、特許文献2では、商品特性を自動的に推定する方法は開示されておらず、実施の形態では、現行車新車共に開発者特性値百分率で指定するよう構成されているためである。従って、開発者という専門家による商品特性の数値化が必要であり、自動的に販売数を予測することはできない。特許文献3でもまた、専門家による経験則なしに自動的に販売量を予測する方法は開示されていない。ファジイニューロデータテーブルにプロダクションルールメンバシップ関数が予め登録されており、そのプロダクションルールとメンバシップ関数を自動的に生成する方法は開示されていない。従って、時間の経過とともに変化する需要を予測するためのプロダクションルールは、専門家が与える必要があり、専門家による既知のルールの範囲内でしか分析することができない。

0010

特許文献4に記載されているマーケティングデータ収集分析システムは、販売数を分析することはできるが、予測することはできない。

0011

また、商品やサービスの価値は、個別の顧客の特性に応じて異なるが、特許文献1,2,3は、そのような違いを考慮しない。その理由は、売上数に基づいて処理するため、個別の顧客の違いは総和され相殺されてしまうためである。特許文献4に記載されているシステムでは、顧客特性を考慮するが、顧客特性を指定するのはシステムのユーザであり、自動的に分類した顧客特性に応じた需要を分析することはできない。

0012

そこで、本発明は、時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を自動的に予測する販売数予測システム、予測方法および予測プログラ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

0013

本発明による販売数予測システムは、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えたことを特徴とする。

0014

本発明による販売数予測方法は、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、長期データの属性に基づいてラベルを判定するルールであって第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出し、閾値の時系列的な変化を解析し、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成し、生成した仮想短期データと分類器とに基づいて、スコアを算出し、解析した結果に基づいて、予測対象時刻における閾値を推定し、算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測することを特徴とする。

0015

本発明による販売数予測プログラムは、コンピュータに、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、閾値の時系列的な変化を解析する時系列解析処理と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成処理と、仮想短期データ生成処理で生成した仮想短期データと長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、スコア算出処理で算出したスコアと閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測処理とを実行させることを特徴とする。

発明の効果

0016

本発明によれば、変動要因を考慮しながら時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を予測することができるという効果がある。

発明を実施するための最良の形態

0017

まず、本発明の概要について図面を参照して説明する。図1は、本発明による販売数予測システムの最小の構成例を示すブロック図である。図1に例示する販売数予測システムは、売上データベース1と、短期データ群生成部31と、長期データ生成部32と、長期分類器生成部33と、短期閾値群推定部34と、時系列解析部35と、仮想短期データ生成部41と、スコア算出部42と、閾値推定部43と、販売数予測部44とを備える。

0018

売上データベース1は、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する。

0019

短期データ群生成部31は、売上データベース1が記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する。

0020

長期データ生成部32は、短期データ群生成部31が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する。

0021

長期分類器生成部33は、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する。

0022

短期閾値群推定部34は、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する。

0023

時系列解析部35は、閾値の時系列的な変化を解析する。

0024

仮想短期データ生成部41は、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する。

0025

スコア算出部42は、仮想短期データ生成部41が生成した仮想短期データと長期分類器生成部33が生成した分類器とに基づいて、スコアを算出する。

0026

閾値推定部43は、時系列解析部35が解析した結果に基づいて、予測対象時刻における閾値を推定する。

0027

販売数予測部44は、スコア算出部42が算出したスコアと閾値推定部43が推定した閾値とに基づいて、予測対象時刻の販売数を予測する。

0028

図1に示すように構成すれば、変動要因を考慮しながら時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を予測することができる。

0029

なお、本発明による販売数予測システムの好ましい一態様は、例えば、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースと、売上データベースの情報に基づいて、属性を販売条件、ラベルを1つの商品またはサービスが販売されれば第1ラベル、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期間データの組に基づいて長期データを生成する長期データ生成部と、長期間のデータの属性からラベルを判定するルールであって第1ラベルらしさ(または第2ラベルらしさ)の実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器で各短期データのスコアを算出し、各短期データのラベルとスコアとに基づいて、スコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、長期データの属性に基づいて生成された仮想的な販売条件である仮想データの属性と予測対象時刻の販売条件とに基づいて、仮想短期データを生成する仮想短期データ生成部と、仮想短期データと分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部での解析に基づいて、予測対象時刻の閾値を推定する閾値推定部と、スコア算出部で算出されたスコアと閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えることを特徴とする。

0030

また、本発明による販売数予測システムの好ましい他の一態様は、例えば、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースと、売上データベースの情報に基づいて、属性を販売条件、ラベルを1つの商品またはサービスが販売されれば第1ラベル、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期間データの組に基づいて長期データを生成する長期データ生成部と、長期間のデータの属性からラベルを判定するルールであって第1ラベルらしさ(または第2ラベルらしさ)の実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器で各短期データのスコアを算出し、各短期データのラベルとスコアとに基づいて、スコアの閾値を算出する短期閾値群推定部と、長期データの属性に基づいて生成した仮想データの属性と分類器とに基づいて仮想データのスコアを算出し、スコアと短期閾値群推定部で推定された閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部と、販売率と閾値との関数を推定する閾値関数推定部と、仮想データの属性と予測対象時刻の販売条件とに基づいて、仮想短期データを生成する仮想短期データ生成部と、仮想短期データと分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部での解析に基づいて、予測対象時刻の閾値を推定する閾値推定部と、スコア算出部で算出されたスコアと閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えることを特徴とする。

0031

また、本発明による販売数予測システムの好ましい他の一態様は、例えば、前述した2つの構成のいずれかに加えて、1つ以上の顧客の情報を記憶した顧客データベースと、売上データベースの情報の一部には顧客との対応を記憶した売上データベースとを含み、短期データ群生成部は、属性を販売条件と顧客の情報とすることを特徴とする。

0032

実施形態1.
以下、本発明の第1の実施形態を図面を参照して説明する。なお、有料で商品やサービスを利用する者だけでなく、無料で商品やサービスを利用する者や、今後商品やサービスを利用すると思われる潜在顧客も顧客と呼ぶ。商品やサービスが無料の場合は、売価は0とする。また、商品またはサービスの概念としては、製品などの完成品だけでなく、製品の機能を維持するための最小単位も含まれる。さらに、ある商品またはサービスのカテゴリを1つの商品と考えて適用することもできる。

0033

本発明による販売数予測システムは、販売数の時系列的な変化を予測する。図2は、本発明による販売数予測システムの第1の実施形態の構成例を示すブロック図である。図2に示す第1の実施形態の販売数予測システムは、売上実績のデータを記憶する売上データベース(以下、売上DBと記す)1と、記憶部2と、各種変動要因を考慮しながら販売実績を分析する分析部3と、販売数を予測する予測部4とを備える。

0034

売上DB1は、1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報(売上実績データ)を記憶する。売上DB1は、売上実績データとして、1度のレジで販売された商品またはサービスの情報を集めたデータを記憶する。図3は、売上DB1が記憶するデータの例を示す説明図である。売上DB1が記憶する売上実績データは、商品またはサービスの売価、売上数、天気、曜日時刻など様々な情報のいずれか1つ以上を含む。図3には、売上DB1が、販売条件に対応付けて、商品A,Bの売価、供給の有無および販売数を含むデータを記憶する場合を例示する。販売条件は、例えば、商品を販売した年月日、曜日、時刻、天気等を含む情報であって、商品を販売するにあたっての条件を示す情報である。また、売上DB1が記憶するデータは、販売数を予測しようとする商品またはサービスに関してだけでなく、それ以外の商品またはサービスの情報を含むことができる。

0035

記憶部2は、長期データベース(以下、長期DBと記す)21と、条件データベース(以下、条件DBと記す)22と、分類器データベース(以下、分類器DBと記す)23と、閾値データベース(以下、閾値DBと記す)24とを備える。

0036

長期DB21は、後述する長期データ生成部32が生成した長期データを記憶する。

0037

条件DB22は、ある期間における販売条件と、来店した顧客に対して販売した回数(レジ打ちの回数)である販売回数との組を記憶する。ここで、複数の商品やサービスを同時に販売した場合は、販売回数は1回とする。

0038

分類器DB23は、ある商品またはサービスの購入されやすさを示す実数値を出力するためのルール(分類器)を記憶する。

0039

閾値DB24は、商品またはサービス毎に、時刻に対応させて、購入するか否かを判定するための閾値を求める式を記憶する。

0040

分析部3は、短期データ群生成部31と、長期データ生成部32と、長期分類器生成部33と、短期閾値群推定部34と、時系列解析部35とを備える。

0041

短期データ群生成部31は、例えばユーザによって複数の期間(期間の組)が入力されると、売上DB1に基づいて、複数の期間に対応する複数の短期データを生成する。ここで、期間の組とは、売上DB1に売上実績が入力されている期間の中で、分析対象となる期間の組である。例えば、90日間の販売実績があり、期間を1日ずつとすると、期間の組は、1日目、2日目、・・・、90日目として入力される。入力される期間は3時間や1週間などでもよい。

0042

短期データは、属性とクラス(ラベル)とを含む情報である。属性は、例えば、売上DB1が記憶する売上実績データが含む販売条件、各商品の売価および供給の有無を含む情報である。また、クラスは、商品が販売されたか否かを示す情報である。以下、ある所定の期間(時刻)tにおける短期データを、短期データtと表記する場合がある。

0043

図4は、商品Aについて販売数を予測する場合の短期データの例を示す説明図である。図4には、期間を2008年3月10日とし、対象商品Aの販売数やそれ以外の商品の販売数を除いて、短期データの属性(項目)とする場合を例示する。短期データ群生成部31は、対象商品Aの販売数が1以上なら、クラスを正(+)とし、0以下なら、クラスを負(−)として短期データを生成する。

0044

また、短期データ群生成部31は、所定の期間における販売条件と販売回数との組を条件DB22に記憶させる。短期データ群生成部31は、例えば、入力された期間に合致する年月日を販売条件に含む売上実績データを抽出し、販売回数を算出して、条件DB22に記憶させる。

0045

長期データ生成部32は、短期データ群生成部31が生成した短期データを全て合わせることにより、長期データを生成し、長期DB21に記憶させる。

0046

長期分類器生成部33は、長期データ生成部32が生成した長期データに基づいて、分類器を生成し、分類器DB23に記憶させる。

0047

本発明における分類器は、属性とクラス(ラベル)との組であるデータを入力すると、第1ラベルらしさ(または第2ラベルらしさ)を示す数値であるスコアを出力するルールである。例えば、第1ラベルは、商品またはサービスが販売されたことを示す情報であり、第2ラベルは、商品またはサービスが販売されなかったことを示す情報である。すなわち、分類器は、例えば、属性とクラスとの組に、商品の購入されやすさを示す実数値(スコア)が対応付けられたルールである。長期分類器生成部33が分類器を生成する方法については、後述する。

0048

短期閾値群推定部34は、長期分類器生成部33が生成した分類器と複数の短期データとに基づいて、複数の閾値を推定(算出)する。短期閾値群推定部34が算出する閾値は、スコアの閾値であって、例えば、正(+)のクラスと負(−)のクラスとの境界に対応するスコアの値である。

0049

時系列解析部35は、短期閾値群推定部34が推定した複数の閾値を時系列解析し、閾値を求める式を閾値DB24に記憶させる。すなわち、時系列解析部35は、閾値の時系列的な変化を解析する。

0050

予測部4は、仮想短期データ生成部41と、スコア算出部42と、閾値推定部43と、販売数予測部44とを備える。

0051

仮想短期データ生成部41は、例えばユーザによって、予測対象期間(時刻)と予測対象期間における販売条件とが入力されると、長期DB21と条件DB22とに基づいて、予測対象期間での仮想的な販売条件である属性を示す仮想短期データの属性を生成する。仮想短期データは、例えば、販売数を予測するための仮想的な売上データである。

0052

予測対象期間は、例えば、ユーザが販売数の予測を希望する対象期間を示す情報である。また、予測対象期間における販売条件とは、例えば、予測対象期間に商品を販売するにあたっての条件を示す情報である。

0053

スコア算出部42は、分類器DB23に記憶されている分類器と仮想短期データの属性とに基づいて、仮想短期データの個別データ(各レコード)に対するスコアを算出する。

0054

閾値推定部43は、閾値DB23に記憶されている閾値を求める式に基づいて、予測対象期間における閾値を推定する。

0055

販売数予測部44は、仮想短期データの個別データのスコアと予測対象期間の閾値とに基づいて、予測対象期間の販売数を予測する。

0056

なお、分析部3の短期データ群生成部31に入力される分析対象の期間の組や、予測部4の仮想短期データ生成部41に入力される予測対象期間と予測対象期間での販売条件などは、キーボードなどの入力装置(図示せず。)を介して、入力されてもよい。また、予測された販売数を出力するためのディスプレイなどの出力装置(図示せず。)が設けられていてもよい。

0057

なお、販売数予測システムは、コンピュータで実現可能であり、販売数予測システムを構成する分析部3および予測部4は、コンピュータの処理装置(CPU)に上述した機能を実現させるためのプログラムとして実現可能である。そのコンピュータは、売上DB1および記憶部2を内蔵してもよい。

0058

次に、図面を参照して第1の実施形態の動作について説明する。

0059

図5は、本発明の販売数予測システムにおける分析部3の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、期間の組がT個入力されると、販売数予測システムは、以下のように動作する。

0060

短期データ群生成部31は、売上DB1と入力された期間の組に基づいて、短期間の販売データである短期データ1,・・・短期データTを作成する(ステップS101)。また、短期データ群生成部31は、期間での販売条件と販売回数との組を条件DB22に記憶させる(ステップS102)。ここで、販売条件からは、商品の売価のように、来店前には分からず来店後に影響すると思われる条件を除くものとする。また、販売回数とは、短期データの個別データ(各レコード)の数である。

0061

長期データ生成部32は、短期データ1,・・・短期データTを合わせて、長期データを作成し、長期DB21に記憶させる(ステップS103)。

0062

長期分類器生成部33は、長期データを用いて分類器を生成し、分類器DB23に記憶させる(ステップS104)。

0063

本発明における分類器は、属性とクラスとの組であるデータを入力すると、第1ラベルらしさ(または第2ラベルらしさ)の数値であるスコアを出力するルールである。長期分類器生成部33は、属性とクラスとの組であるデータが入力されると、分類器を作成するための様々なアルゴリズムを用いて、分類器を生成する。

0064

例えば、分類器は、ニューラルネットワーク、サポートベクタマシンアンサンブル学習など、出力が連続値となる分類器ならいずれでもよいし、これらの組合せでもよい。ここでは、説明の都合上、長期分類器生成部33は、クラスが正のときに出力値(スコア)が大きくなるような分類器を生成するとする。

0065

短期閾値群推定部34は、まず、時刻tを1に初期化する(ステップS105)。次に、短期閾値群推定部34は、長期分類器生成部33が生成した分類器を用いて、短期データtのスコアを算出する(ステップS106)。例えば、短期閾値群推定部34は、分類器DB23が記憶する分類器に、短期データtに含まれる属性およびクラスを入力して、スコアを出力させる。

0066

それから、短期閾値群推定部34は、短期データtのクラスおよびスコアに基づいて、スコアの閾値を算出する。例えば、短期閾値群推定部34は、実数である閾値を変化させながら、スコア(閾値)に基づいてクラスを予測し、予測したクラスと実際のクラスとに基づいて誤差を算出し、誤差が最小となる閾値(以下、Thres[t]と記す)を求める(ステップS107)。誤差は、例えば、予測したクラスと実際のクラスが異なる数とする。あるいは、実際のクラスが正である個別データ数と予測したクラスが正である個別データ数との差の絶対値とする。

0067

図6は、短期データtのスコアの例を示す説明図である。短期閾値群推定部34は、ステップS106において、図6に示すように、短期データの中の個別データに対して、購入されやすさを示すスコアを算出する。また、短期閾値群推定部34は、図6に示す例では、ステップS107において、閾値0.6に対するクラスおよび閾値0.8に対するクラスをそれぞれ予測する。短期閾値群推定部34は、ID1の個別データに対し、閾値0.6に対するクラスと実際のクラスとの誤差を0と算出し、ID2の個別データに対し、閾値0.8に対するクラスと実際のクラスとの誤差を1と算出する。図6に示す例では、例えば、1つの短期データがID1からID3までの3つの個別データだったと仮定すると、閾値0.6における誤差が0であり、閾値0.8における誤差が1であるため、短期閾値群推定部34は、Thres[t]=0.6と算出する。

0068

短期閾値群推定部34は、tをTと比較し(ステップS108)、t<Tの場合(Yes)、ステップS109に動作を移し、t≧Tの場合(No)、ステップS110に動作を移す。

0069

ステップS109で、短期閾値群推定部34は、tをインクリメントして、ステップS106に動作を移す。

0070

時系列解析部36は、時系列解析により、時刻tに対する閾値Thres[t](t=1,・・・,T)を求める式を推定し、閾値DB24に記憶させる(ステップS110)。時系列解析部36は、時系列解析により、例えば、以下の式で表されるような自己回帰移動平均モデルなどを推定する。

0071

0072

ここで、a[i]、b[j]は任意の定数パラメタであり、pは、自己回帰次数、qは過去の残差移動平均の次数、e[t]は、残差である。モデルの推定では、e[t]を平均0の正規分布と仮定して、データThres[t](t=1,・・・,T)に合うように各種パラメタを推定すればよい。ここで、処理の前に、閾値の外れ値を適当に補完して用いてもよい。

0073

図7は、本発明の販売数予測システムにおける予測部4の処理経過の例を示すフローチャートである。予測部4は、キーボードの入力装置などを介して、予測対象期間(予測対象時刻とその期間)や、予測対象期間における売価、天気などの販売条件を入力されると、以下のように動作する。

0074

仮想短期データ生成部41は、まず、長期DB21から、入力された販売条件と類似する属性を抽出し、入力された予測対象期間(時刻)における販売条件と合致するように販売条件を書き換えて、仮想短期データとする(ステップS201)。ここで、仮想短期データ生成部41は、長期データの属性の一部をランダムに変化させて生成した属性を加えてから、属性を抽出してもよい。

0075

仮想短期データ生成部41は、仮想短期データ中の個別データの数をNALLとする(ステップS202)。すなわち、NALLは、仮想短期データにおける販売回数である。

0076

スコア算出部42は、分類器DB23に記憶されている分類器を用いて、仮想短期データの属性から、仮想短期データのスコアを算出する(ステップS203)。

0077

閾値推定部43は、閾値DB24に記憶されている閾値を求める式に基づいて、予測対象期間での閾値を計算する(ステップS204)。

0078

販売数予測部44は、予測されたラベルと閾値とに基づいて、販売と予測される個別データ数NPを計算する(ステップS205)。例えば、販売数予測部44は、ステップS203で算出した仮想短期データのスコアと、ステップS204で算出した閾値とを比較し、クラスが正(販売)であると予測した仮想短期データの個別データ数NPを算出する。

0079

そして、販売数予測部44は、条件DB22の中から、入力された販売条件に合致する販売回数Nを抽出し(ステップS206)、販売と予測される個別データ数をN×NP/NALLなどと正規化して、対象商品またはサービスの予測販売数とする(ステップS207)。

0080

ここで、入力された販売条件に合致する条件(販売回数)が条件DB22に複数あるときは、例えば、複数の販売回数の平均とする。または、最近の販売回数としてもよい。入力された販売条件に合致する条件が条件DB22にないときは、最も類似した条件での販売回数とする。

0081

また、予測された販売数のみを出力する例を説明したが、システムのユーザが信頼性を知るため、分析部3が算出した誤差などの情報を出力してもよい。例えば、短期閾値群推定部34が推定した閾値のグラフや、短期閾値群推定部34で推定された閾値と時系列解析部35で推定される閾値との差である誤差などを出力装置に出力してもよい。

0082

また、記憶部2を設けずに、必要になる都度、売上DB1からデータや分類器などを生成してもよい。

0083

また、分析部3が分析した後に続けて予測部4が販売数を予測する例を説明したが、分析部3だけで分析することもできる。また、分析部3が予め分析した結果に基づいて、予測部4を動作させてもよい。また、分析部3による分析結果をシステムのユーザが修正したり補完したりした後で予測部4を動作させてもよい。

0084

以上に説明したように、第1の実施形態によれば、各種変動要因を含んだ長期データを用いて分類器を生成し、短期データを予測することにより、時系列的な変化を閾値の変化で評価して、販売数を予測する。従って、各種変動要因を考慮しながら、販売数の時系列的な変化を予測することができる。また、個別の販売条件における購入されやすさのスコアを計算する。従って、最適な販売条件について分析することができる。

0085

実施形態2.
第2の実施形態の販売数予測システムは、第1の実施形態の構成に加えて顧客データベースを備えたシステムであり、購買しやすい顧客特性と販売条件を分析、予測することができる。すなわち、第2の実施形態の販売数予測システムは、自動的に分類された顧客特性に応じて個別の顧客の需要を予測することを目的とする。

0086

図8は、本発明による販売数予測システムの第2の実施形態の構成例を示すブロック図である。第2の実施形態の販売数予測システムは、売上DB1と、顧客の情報を含んだデータである顧客データベース(以下、顧客DBと記す)5と、記憶部2と、分析部6と、販売数を予測する予測部4とを備える。

0087

売上DB1、記憶部2、予測部4は、それぞれ、第1の実施形態における売上DB1、記憶部2、予測部4と同様である。分析部6は、第1の実施形態における分析部3に対し、短期データ群生成部31が短期データ群生成部61に変更されている。以降、第1の実施形態と異なる部分のみを説明する。

0088

顧客DB5は、顧客カードや販売時の店員の操作などにより、顧客特性を収集したデータを記憶する。図9は、顧客DB5が記憶するデータの例を示す説明図である。顧客DB5が記憶するデータは、顧客の年齢性別職業などや、商品全体において最も頻繁に購入する曜日・時刻や購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻や購入頻度など様々な情報のいずれか1つ以上を含む。図9には、顧客DB5が、顧客を特定可能な顧客IDに対応付けて、顧客の特性である年齢、性別、職業、商品等を最も繁盛に購入する最頻曜日、最頻時刻および頻度を含む情報を記憶する場合を例示する。

0089

なお、売上DB1は、顧客との対応付けが可能な情報(例えば、顧客ID)を記憶してもよい。

0090

短期データ群生成部61は、例えばユーザによって複数の期間が入力されると、売上DB1と顧客DB5とに基づいて、複数の期間に対応する複数の短期データを生成する。例えば、短期データ群生成部61は、属性となる顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻や購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む短期データを生成する。

0091

次に、図面を参照して第2の実施形態の動作について説明する。

0092

図10は、本発明の販売数予測システムにおける分析部6の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、期間の組がT個入力されると、販売数予測システムは、以下のように動作する。

0093

短期データ群生成部61は、売上DB1と顧客DB5とに基づいて、複数の期間に対応する複数の短期データを生成する(ステップS301)。

0094

図11は、図3に例示する売上データと、図9に例示する顧客データとから生成した短期データの例を示す説明図である。なお、顧客に対応付けられない売上がある場合には、顧客に関する属性は、不明としてよい。図11に示す例では、不明な属性を「?」で現している。また、販売に不要と思われる属性があれば、計算時間を短縮するために、システムのユーザが予め指定しておくことにより、短期データを生成するときに除くようにしてもよい。

0095

なお、図10におけるステップS102からステップS110の処理は、第1の実施形態における処理と同様なため説明を省略する。

0096

次に、第2の実施形態の効果について、説明する。第2の実施形態では、売上DB1と顧客DB5とに基づいて仮想データが生成され、予測部4が顧客特性と販売条件などの属性から、購入されやすさのスコアを計算する。従って、どのような顧客がどのような販売条件でいつなら購入しやすいかについて分析、予測することができる。すなわち、個別の顧客の需要を予測することができる。

0097

実施形態3.
第3の実施形態の販売数予測システムは、第1および第2の実施形態と同様の効果を持つシステムであり、特に近似式を単純にすることができるため、推定に用いる期間の組の数がより少ない場合に適する。

0098

図12は、本発明の販売数予測システムの第3の実施形態の例を示すブロック図である。図12に示す第3の実施形態の販売数予測システムは、売上DB1と、顧客DB5と、記憶部7と、分析部8と、予測部9とを備える。

0099

売上DB1、顧客DB5は、それぞれ、第2の実施形態における売上DB1、顧客DB5と同様である。

0100

記憶部7は、仮想データの属性とスコアを記憶する仮想DB71と、条件DB22と、分類器DB23と、販売回数中の対象商品またはサービスの販売の割合である販売率に対し閾値を求める式を記憶する閾値DB72とを備える。

0101

分析部8は、第2の実施形態における分析部6において、時系列解析部35の代わりに、閾値平滑化部81と、仮想データ生成部82と、閾値関数推定部83とを備える。

0102

予測部9は、仮想短期データ生成部91と、スコア算出部42と、閾値推定部92と、販売数予測部44とを備える。以降、第2の実施形態と異なる部分のみを説明する。

0103

閾値群平滑化部81は、短期閾値群推定部34で推定された閾値を平滑化する。

0104

仮想データ生成部82は、長期データ生成部32で生成された長期データに基づいて仮想データの属性を生成し、生成した仮想データの属性と分類器DB23に記憶された分類器とに基づいて、仮想データのスコアを算出する。仮想データは、例えば、販売率を算出するための仮想的な売上データである。

0105

閾値関数推定部83は、仮想データのスコアに基づいて、ある時刻での販売率に対して、次の時刻の閾値Thres[t]を求める式を推定し、推定された式と最終閾値Thres[T]とを閾値DB72に記憶させる。

0106

仮想短期データ生成部91は、仮想DB71に記憶された仮想データに基づいて、仮想短期データの属性を生成する。

0107

閾値推定部92は、閾値DB72に記憶されている閾値を求める式と最終閾値Thres[T]とに基づいて、予測対象時刻での閾値を計算する。

0108

次に、図面を参照して第3の実施形態の動作について説明する。

0109

図13は、本発明の販売数予測システムにおける分析部8の閾値平滑化部81と仮想データ生成部82と閾値関数推定部83との処理経過の例を示すフローチャートである。

0110

閾値平滑化部81は、Thres[1],・・・Thres[T]を平滑化する(ステップS401)。平滑化は、移動平均を取るなどにより行う。移動平均とは、各閾値に対し、その前後の閾値の平均を求めることである。Thres[t]に対する5つの移動平均を求める式は、例えば、以下のようになる。

0111

(Thres[t−2]+Thres[t−1]+Thres[t]+Thres[t+1]+Thres[t+2])/5

0112

移動平均は、個々のデータに重み付けて平均を計算することもできる。Thres[t]に対する5日間の加重移動平均を求める式は、例えば、以下のようになる。

0113

(Thres[t−2]+2×Thres[t−1]+3×Thres[t]+2×Thres[t+1]+Thres[t+2])/(1+2+3+2+1)

0114

また、これらの処理の前に、閾値の外れ値を除いておいてもよい。なお、ステップS401の処理は、行うことが望ましいが、必ずしも必要ではなく処理を省くこともできる。

0115

仮想データ生成部82は、長期データの属性に基づいて、仮想データの属性を生成し、仮想DB71に記憶させる(ステップS402)。ここで、仮想データの属性は、長期データの属性のままでもよいし、長期データの属性の一部をランダムに変化させて生成した属性を加えてもよい。

0116

それから、仮想データ生成部82は、仮想データの属性と分類器DB23に記憶された分類器とに基づいて、仮想データのスコアを算出し、仮想DB71に記憶させる(ステップS403)。

0117

次に、仮想データ生成部82は、t=1に初期化し(ステップS404)、閾値Thres[t]に基づいて、仮想データのラベルを判定する(ステップS405)。それから、仮想データ生成部82は、販売率SR[t]を計算する(ステップS406)。ここで、販売率は、仮想データの個別データ数に対する仮想データで販売と予測された個別データ数とする。仮想データ生成部82は、tとTとを比較し(ステップS407)、t<Tの場合(Yes)、ステップS408でtをインクリメントし、ステップS405に動作を移す。t≧Tの場合(No)、ステップS409に動作を移す。

0118

図14は、仮想データのスコア、閾値および判定ラベルの例を示す説明図である。図14には、説明のために販売回数が僅か5回の例を示す。仮想データ生成部82は、仮想データの個別データに対して、スコアがThres[t]以上なら、ラベルは正(+)と判定し、Thres[t]未満なら、ラベルは負(−)と判定する。仮想データ生成部82は、t=1のとき、ラベルが正である個別データ数が1、ラベルが負である個別データ数が4なので、販売率をSR[1]=0.2と計算する。同様に、SR[21]=0.4、SR[3]=0.6と計算する。

0119

閾値関数推定部83は、(SR[t],Thres[t+1])(t=1,・・・,T−1)を、曲線近似することにより、ある時刻の販売率SR[t]から次の時刻の販売の有無を判定するための閾値Thres[t+1]を求める閾値関数を推定する(ステップS409)。閾値関数は、システムのユーザにより入力されてもよいし、予め定めておいてもよい。例えば、閾値関数を、以下の式と定める。

0120

Thres[t+1]=a・SR[t]+b

0121

ここで、a、bは推定すべきパラメタであり、最小二乗法などを用いて求めることができる。

0122

それから、閾値関数推定部83は、推定した閾値関数および最終閾値Thres[T]を閾値DB24に記憶する(ステップS410)。

0123

図15は、本発明の販売数予測システムにおける予測部9の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、予測対象時刻TPREDや販売条件が入力されると、以下のように動作する。なお、TPREDがT以前の場合は実績があるので、ここでは、TPREDがT以降の場合について説明する。

0124

仮想短期データ生成部91は、仮想DB71の中から、入力された販売条件と類似する個別データを抽出し、入力された販売条件と合致するように販売条件を書き換えて、仮想短期データとする(ステップS501)。

0125

ステップS202、ステップS203の動作は、第1および第2の実施形態と同様である。

0126

閾値推定部92は、t=Tに初期化する(ステップS502)。それから、閾値推定部92は、Thres[t]を用いて、仮想データにおける販売率SR[t]を求める(ステップS503)。閾値推定部92は、閾値DB72に記憶された閾値を求める式に基づいて、販売率SR[t]に対する閾値Thres[t+1]を計算する(ステップS504)。それから、t+1とTPREDとを比較し(ステップS505)、t+1<TPREDの場合(Yes)、tをインクリメントし(ステップS506)、ステップS503に動作を移す。t+1≧TPREDの場合(No)、ステップS507に動作を移す。

0127

ステップS507は、t+1とTPREDとを比較し、t+1=TPREDの場合(Yes)、ステップS205に動作を移し、t+1!=TPREDの場合(No)、Thres[TPRED]を計算し(ステップS508)、ステップS205に動作を移す。Thres[TPRED]の計算は、例えば、Thres[t]とThres[t+1]の平均とする。または、以下のように計算してもよい。

0128

((t+1−TPRED)×Thres[t]+(TPRED−t)×Thres[t+1])

0129

閾値をThres[TPRED]として、以降の動作は、第2の実施の形態と同様である。

0130

なお、分析部8の閾値関数推定部83は、各販売率における次の時刻の閾値を求めてから曲線近似により閾値関数を求めたが、各販売率における次の時刻の仮想データのスコアをそのまま用いて、判別分析により閾値関数を求めてもよい。また、第3の実施形態は、第2の実施形態と同様に顧客DB5がある場合について説明したが、顧客DB5がない第1の実施形態と同様の構成とすることもできる。

0131

第3の実施形態においても、第2の実施形態と同様の効果を得ることができる。特に、閾値と関係がある販売率に基づいて閾値を求めているので、時刻に基づいて閾値を求めた第2の実施形態に比べ単純な式で近似でき、推定に用いる期間の組の数Tがより少なくても販売数を予測することができる。

0132

なお、上記に示した実施形態では、以下の(1)〜(5)に示すような特徴的構成を備えた販売数予測システムが示されている。

0133

(1)1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベース(例えば、売上データベース1で実現される)と、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部(例えば、短期データ群生成部31で実現される)と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部(例えば、長期データ生成部32で実現される)と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部(例えば、長期分類器生成部33で実現される)と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部(例えば、短期閾値群推定部34で実現される)と、閾値の時系列的な変化を解析する時系列解析部(例えば、時系列解析部35で実現される)と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部(例えば、仮想短期データ生成部41で実現される)と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部(例えば、スコア算出部42で実現される)と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部(例えば、閾値推定部43で実現される)と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部(例えば、販売数予測部44で実現される)とを備えたことを特徴とする販売数予測システム。

0134

(2)1つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを1つの商品またはサービスが販売されれば第1ラベルとし、販売されなければ第2ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部(例えば、短期データ群生成部61で実現される)と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第1ラベルらしさまたは第2ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第1ラベルと第2ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、長期データ生成部が生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と長期分類器生成部が生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと短期閾値群推定部が推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部(例えば、仮想データ生成部82で実現される)と、仮想データ生成部が算出した販売率と短期閾値群推定部が算出した閾値との関数を推定する閾値関数推定部(例えば、閾値関数推定部83で実現される)と、仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成部(例えば、仮想短期データ生成部91で実現される)と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部(例えば、閾値推定部92で実現される)と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えたことを特徴とする販売数予測システム。そのように構成された販売数予測システムは、単純な式で近似でき、推定に用いる期間の組の数がより少なくても販売するを予測することができる。

0135

(3)短期データ群生成部は、属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する販売数予測システム。

0136

(4)1つ以上の顧客の情報を記憶する顧客データベース(例えば、顧客データベース5で実現される)を備え、売上データベースは、一部に顧客との対応付けが可能な情報を含む情報を記憶し、短期データ群生成部は、売上データベースおよび顧客データベースが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する販売数予測システム。そのように構成された販売数予測システムは、顧客ごとに、販売条件を分析し、販売数を予測することができる。

0137

(5)顧客データベースは、属性となる顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する販売数予測システム。

0138

本発明は、例えば、小売業の商品またはサービスの販売数を予測する用途に好適に適用される。

図面の簡単な説明

0139

本発明による販売数予測システムの最小の構成例を示すブロック図である。
本発明による販売数予測システムの第1の実施形態の構成例を示すブロック図である。
売上DBが記憶するデータの例を示す説明図である。
商品Aについて販売数を予測する場合の短期データの例を示す説明図である。
本発明の販売数予測システムにおける分析部の処理経過の例を示すフローチャートである。
短期データtのスコアの例を示す説明図である。
本発明の販売数予測システムにおける予測部の処理経過の例を示すフローチャートである。
本発明による販売数予測システムの第2の実施形態の構成例を示すブロック図である。
顧客DBが記憶するデータの例を示す説明図である。
本発明の販売数予測システムにおける分析部の処理経過の例を示すフローチャートである。
短期データの例を示す説明図である。
本発明の販売数予測システムの第3の実施形態の例を示すブロック図である。
本発明の販売数予測システムにおける分析部の閾値平滑化部と仮想データ生成部と閾値関数推定部との処理経過の例を示すフローチャートである。
仮想データのスコア、閾値および判定ラベルの例を示す説明図である。
本発明の販売数予測システムにおける予測部の処理経過の例を示すフローチャートである。

符号の説明

0140

1売上データベース
31短期データ群生成部
32長期データ生成部
33 長期分類器生成部
34短期閾値群推定部
35時系列解析部
41仮想短期データ生成部
42スコア算出部
43閾値推定部
44販売数予測部

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 凸版印刷株式会社の「 情報登録判定システム」が 公開されました。( 2021/04/22)

    【課題】実物の識別コード画像と該識別コードを携帯端末のカメラで撮像して得られた複製画像とを判別することによって、実物の識別コードを直接撮像した場合に限って来場の証明が行われるシステムを提供する。【解決... 詳細

  • 神田智一の「 機材管理システム」が 公開されました。( 2021/02/15)

    【課題・解決手段】異なる場所に設置された多数のコーティング液生成装置(1)をそれぞれ個別に管理することができ、各コーティング液生成装置(1)の稼働状況を離れた場所で一元管理することが可能なシステムを提... 詳細

  • 株式会社村田製作所の「 ハンガーラック用リーダ装置、ハンガーラック、及び衣料品の商品管理システム」が 公開されました。( 2019/12/05)

    【課題】ハンガーパイプに吊り下げられた複数の衣料品のRFIDタグをより確実に読み取ることができるハンガーパイプ用リーダ装置を提供する。【解決手段】本発明に係るハンガーパイプ用リーダ装置は、複数のハンガ... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ