JP2004234470A - 需要予測方法及び需要予測プログラム - Google Patents
需要予測方法及び需要予測プログラム Download PDFInfo
- Publication number
- JP2004234470A JP2004234470A JP2003024053A JP2003024053A JP2004234470A JP 2004234470 A JP2004234470 A JP 2004234470A JP 2003024053 A JP2003024053 A JP 2003024053A JP 2003024053 A JP2003024053 A JP 2003024053A JP 2004234470 A JP2004234470 A JP 2004234470A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- transition
- product
- period
- peak
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】商品に需要予測を的確に行なうことができる需要予測方法及び需要予測プログラムを提供する。
【解決手段】管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。受注実績期間が１８ヶ月以上の場合、管理コンピュータ２１は主成分分析を用いてピーク判定処理を行なう。ピークを経過していると判定された場合、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう。流動レベルが高い場合、管理コンピュータ２１は、算出された受注量の累積量推移に対してワイブル成長モデルを用いてフィッティングを行なう。そして、管理コンピュータ２１は、フィッティングされたワイブル成長モデルを用いて傾向曲線の算出処理を行なう。そして、この傾向曲線を用いて需要予測を行なう。
【選択図】 図１
【解決手段】管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。受注実績期間が１８ヶ月以上の場合、管理コンピュータ２１は主成分分析を用いてピーク判定処理を行なう。ピークを経過していると判定された場合、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう。流動レベルが高い場合、管理コンピュータ２１は、算出された受注量の累積量推移に対してワイブル成長モデルを用いてフィッティングを行なう。そして、管理コンピュータ２１は、フィッティングされたワイブル成長モデルを用いて傾向曲線の算出処理を行なう。そして、この傾向曲線を用いて需要予測を行なう。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、商品の需要予測方法及び需要予測プログラムに係り、詳しくは製品の信頼性に関する商品の需要予測に関する。
【０００２】
【従来の技術】
顧客に商品を提供する場合、適切な商品在庫の管理が必要である。この商品には完成品のみならず、完成品等に用いられる消耗品や故障による交換部品等も含まれる。そして、的確な在庫管理を行なうことにより、余剰在庫による在庫損失や、在庫品の不足による機会損失を抑制することが可能である。
【０００３】
このような在庫管理を行なうためには、正確な需要予測が必要である。このような需要予測においては、例えば重回帰分析が利用されている。この重回帰分析では過去の実績を分析して予測式を作成する。しかし、一度作成した予測式を継続して使用すると、予測値と実績値との誤差が大きくなる場合がある。そこで、短期間ごとに実績に基づいて予測式を作成し直すことも考えられるが、予測式を作成するための負荷が大きくなる。
【０００４】
このため、変動要因を考慮して商品分類別の販売予測を行なう販売予測方法が提案されている（例えば、特許文献１参照。）。この販売予測方法では、まず、販売数量を予測する商品の所定期間の販売実績を平均して移動平均値を算出する。そして、販売予測日の販売数量に影響を与えると考えられる変動要因から、商品の販売数量の変動予測数量を算出する。さらに、移動平均値を前記変動予測数量に基づいて補正して第１販売予測数量を算出する。これにより、販売予測日直前の所定期間の販売実績を販売予測に反映させることができ、予測値の追従性を向上させることができる。
【０００５】
また、経済学の分野で使用されてきた数値解析的手法である成長モデルを用いて需要予測を行なうこともある。通常、製品の需要は、最初少しずつ売れ始め、その後、急激な伸びを示し、市場を一巡すると売れなくなり、最終的には生産打切りとなる。この場合、単位時間あたりの需要量の累積推移を計算すると、正規分布等の確率密度関数の累積分布に近似する。このため、所定の分布の累積関数（成長モデル）を用いて、その成長度を予測することもある。この成長モデルに利用されている分布として、ロジスティック分布、ゴンペルツ分布があり、両者は広い分野で活用されている。
【０００６】
【特許文献１】
特開２０００−３３９５４３号公報（第１頁）
【０００７】
【発明が解決しようとする課題】
ところが、移動平均値による需要予測は、時間ずれ（タイムラグ）があるため予測誤差が大きく、安全在庫を多めに準備しておく必要があった。また、ロジスティック分布やゴンペルツ分布では、特定の商品の需要予測を的確に行なうことが困難であった。
【０００８】
また、信頼性工学の分野において製品寿命を推定する際には、ワイブル分布が広く用いられるが、通常、成長モデルには利用されない。
本発明は、商品に需要予測を的確に行なうことができる需要予測方法及び需要予測プログラムを提供することにある。
【０００９】
【課題を解決するための手段】
上記問題点を解決するために、請求項１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測方法であって、前記管理コンピュータが、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する段階と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する段階と、前記累積予測関数を用いて前記商品の需要を予測する段階とを有することを要旨とする。
【００１０】
請求項２に記載の発明は、請求項１に記載の需要予測方法において、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
請求項３に記載の発明は、請求項１又は２に記載の需要予測方法において、前記需要予測方法は、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう段階をさらに有することを要旨とする。
【００１１】
請求項４に記載の発明は、請求項３に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００１２】
請求項５に記載の発明は、請求項３又は４に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００１３】
請求項６に記載の発明は、請求項３〜５のいずれか１項に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００１４】
請求項７に記載の発明は、請求項６に記載の需要予測方法において、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００１５】
請求項８に記載の発明は、請求項７に記載の需要予測方法において、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００１６】
請求項９に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００１７】
請求項１０に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう段階をさらに有することを要旨とする。
【００１８】
請求項１１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測プログラムであって、前記管理コンピュータを、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する手段と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する手段と、前記累積予測関数を用いて前記商品の需要を予測する手段として機能させることを要旨とする。
【００１９】
請求項１２に記載の発明は、請求項１１に記載の需要予測プログラムにおいて、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
【００２０】
請求項１３に記載の発明は、請求項１１又は１２に記載の需要予測プログラムにおいて、前記需要予測プログラムは、前記管理コンピュータを、前記商品の属性に基づいて需要予測の可否判定を行なう手段としてさらに機能させることを要旨とする。
【００２１】
請求項１４に記載の発明は、請求項１３に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００２２】
請求項１５に記載の発明は、請求項１３又は１４に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００２３】
請求項１６に記載の発明は、請求項１３〜１５のいずれか１項に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００２４】
請求項１７に記載の発明は、請求項１６に記載の需要予測プログラムにおいて、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００２５】
請求項１８に記載の発明は、請求項１７に記載の需要予測プログラムにおいて、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００２６】
請求項１９に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００２７】
請求項２０に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータを、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう手段としてさらに機能させることを要旨とする。
【００２８】
（作用）
請求項１又は１１に記載の発明によれば、管理コンピュータが、実績データ記憶手段に記録された実績推移に基づいて、商品の提供量の累積推移を算出する。次に、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する。そして、前記累積予測関数を用いて前記商品の需要を予測する。このため、ワイブル分布の累積分布を用いて累積推移を予測できる。従って、商品について的確な需要予測を行なうことができる。
【００２９】
請求項２又は１２に記載の発明によれば、前記商品は、製品の機能を維持するためのサービスパーツである。ワイブル分布は信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、製品の寿命・故障率等の製品の信頼性に関わるサービスパーツの需要を、より的確に予測することができる。
【００３０】
請求項３又は１３に記載の発明によれば、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう。需要は商品の属性によって異なるものである。このため、商品の属性に応じて、ワイブル分布の適用可否を適切に判定できる。従って、より的確に需要を予測することができる。
【００３１】
請求項４又は１４に記載の発明によれば、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含む。成長モデルは、過去の実績から将来の需要を予測する手法であるため、所定の受注実績期間が必要である。このため、実績推移が記録された期間の長さに応じて、より的確な需要予測を行なうことができる。
【００３２】
請求項５又は１５に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含む。流動レベルが低い場合、提供量が不安定で変動バラツキも大きくなり、誤った需要予測を行なう場合がある。このため、流動レベルの安定した商品に対してワイブル分布を適用して、適切な需要予測を行なうことができる。
【００３３】
請求項６又は１６に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含む。提供量のピークを経過していない場合、累積量の上限値の予測が困難で予測誤差が大きくなる。このため、ピーク経過により累積上限値の特定可能な商品についてワイブル分布を適用して需要予測を行なうことができる。
【００３４】
請求項７又は１７に記載の発明によれば、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いるピーク判定を用いて行なう。このため、主成分分析を用いて効率的にピーク判定を行なうことができる。
【００３５】
請求項８又は１８に記載の発明によれば、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成される。そして、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なう。このため、第１の因子負荷量によって減少傾向を把握できれば、効率的にピークの有無に関するピーク判定を行なうことができる。また、ピークを有する推移は第２の因子負荷量によって特定できる。
【００３６】
請求項９又は１９に記載の発明によれば、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なう。すべての提供期間の実績推移を用いることなく、同じ因子負荷量を用いての主成分分析により、効率的にピーク判定を実行できる。
【００３７】
請求項１０又は２０に記載の発明によれば、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう。このため、提供期間がピーク判定基準期間より短い場合においても、同じ因子負荷量を用いて主成分分析を行なうことができる。
【００３８】
【発明の実施の形態】
以下、本発明を具体化した需要予測処理の一実施形態を図１〜図１７にしたがって説明する。本実施形態では、後述する所定条件の下にワイブル成長モデルを適用して、商品としてのサービスパーツの需要予測を行なう。具体的には、顧客に提供した製品のサービスパーツの受注実績に基づいて、サービスパーツの需要予測を行なう場合に用いる需要予測方法及び需要予測プログラムとして説明する。ここで、サービスパーツとは、消耗や故障等においてサービスを伴って交換を行なうパーツを意味する。このパーツは製品の機能を維持するための最小単位であり、サービスパーツは部品のみならず、パーツを組み合わせたユニットをも含む。
【００３９】
本実施形態では、図１に示すように、受注システム１０を用いて受注実績が入力される。さらに、この受注システム１０に出力される需要予測に基づいて発注指示が行なわれる。この受注システム１０はサービスパーツを管理するサービスパーツ管理部門に設置され、販売拠点やサービス拠点等での受注実績が入力され、生産部門や購買部門等に対する発注指示を出力する。
【００４０】
受注システム１０は、ネットワークＮを介してデータを送信する機能や、受信したデータを表示する機能等を有するコンピュータ端末である。この受注システム１０は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭの他、キーボード、マウス等の入力手段、ディスプレイ等の出力手段、通信インターフェイス等の通信手段等を有する。
【００４１】
また、受注システム１０は、図１に示すように、ネットワークＮを介して需要予測システム２０に接続されている。需要予測システム２０は、需要予測に関する各種データ処理を行なうコンピュータシステムである。この需要予測システム２０は、管理コンピュータ２１を備えている。
【００４２】
この管理コンピュータ２１は、受注システム１０との間でのデータ送受信や、需要予測を実行するための各種データの管理処理等を行なう。この管理コンピュータ２１は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭ等を有し、後述する処理（累積推移を算出する段階、累積予測関数を算出する段階、需要を予測する段階、需要予測の可否判定を行なう段階等を含む処理）を行なう。そのための需要予測プログラムを実行することにより、管理コンピュータ２１は、累積推移を算出する手段、累積予測関数を算出する手段、需要を予測する手段、需要予測の可否判定を行なう手段等として機能する。
【００４３】
さらに需要予測システム２０は、プロフィールデータ記憶部２２、及び実績データ記憶手段としての受注実績データ記憶部２３を備えている。
プロフィールデータ記憶部２２には、図２に示すように、需要予測を行なうサービスパーツに関するプロフィールデータ２２０が記録されている。このプロフィールデータ２２０は、サービスパーツが提供可能な状態になった場合に設定される。プロフィールデータ２２０は、サービスパーツ毎に、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成される。
【００４４】
サービスパーツ識別子データ領域には、サービスパーツを特定するための識別子に関するデータが記録される。例えば、サービスパーツ識別子としては部品番号等が用いられる。
【００４５】
サービスパーツ名称データ領域には、サービスパーツの名称に関するデータが記録される。
開放月データ領域には、サービスパーツを提供するために、サービスパーツ識別子を各サービス拠点に開放（拡布）した年月に関するデータが記録される。
【００４６】
受注実績データ記憶部２３には、図３に示すように、各サービスパーツに関する受注実績データ２３０が記録されている。この受注実績データ２３０は、サービスパーツ識別子の開放後に設定され、受注システム１０から確定した受注実績を受信した場合に追加記録される。受注実績データ２３０には、サービスパーツ毎に、サービスパーツ識別子及び受注実績に関するデータが相互に関連づけられて記録される。
【００４７】
サービスパーツ識別子データ領域には、受注実績のあったサービスパーツを特定するための識別子に関するデータが記録される。
受注実績データ領域には、商品の提供量として、サービスパーツの受注量に関するデータが、受注月に関するデータとともに記録される。本実施形態では、この受注量は月単位で記録されており、実績推移を構成する。この受注実績は、実績が確定したときに追加記録される。したがって、サービスパーツは開放月によって受注実績の数（ｎ）が異なり、それに応じたデータ数が記録される。
【００４８】
上記のように構成されたシステムにおいて、サービスパーツの需要予測を行なう場合の処理手順を、図４〜図１７を用いて説明する。
まず、管理コンピュータ２１は、商品としてのサービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。本実施形態では、後述するように、属性として受注実績期間、ピークの有無、流動性を用いる。
【００４９】
まず、管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。本実施形態では、受注実績期間が１８ヶ月以上かどうかによって処理方法を分ける（Ｓ１−１）。本実施形態において需要予測に用いるワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、ある程度の受注実績期間が必要となるからである。そのため、管理コンピュータ２１は、受注予測を行なうサービスパーツに関して、プロフィールデータ記憶部２２に記録された開放月から受注実績期間を特定する。
【００５０】
（受注実績期間が１８ヶ月以上の処理）
ここで、受注実績期間が１８ヶ月以上の場合（ステップ（Ｓ１−１）において「Ｙｅｓ」の場合）、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−２）。本実施形態では、すべての受注量を用いて累積量推移を算出する。このため、管理コンピュータ２１は受注実績データ記憶部２３から過去の受注実績を抽出する。本実施形態では、６０ヶ月間の受注実績があるものとする。
【００５１】
そして、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移（累積推移）を算出する。ここで、一例を図１１に示す受注実績グラフ５００を用いて説明する。ここで、受注実績グラフ５００の受注実績推移５０１は、６０ヶ月前（１月）を原点として現在（６０月）までのサービスパーツの受注個数を表している。
【００５２】
図１１に示す受注実績推移から累積量推移を算出したものを、図１２に示す累積量推移グラフ５１０に示す。ここで、累積量推移グラフ５１０の累積受注実績推移５１１は、１月からの受注個数を６０月まで月毎に加算した累積個数を表わしている。
【００５３】
次に、管理コンピュータ２１は成長モデルを適用して傾向曲線の算出処理を行なう（Ｓ１−３）。この傾向曲線の算出処理を、図５を用いて説明する。まず、管理コンピュータ２１はピーク判定処理を行なう（Ｓ２−１）。このピーク判定処理を、図６を用いて説明する。ここでは、受注実績がピークを過ぎているか否かを判別するために、ピーク判定基準期間として過去６０ヶ月間の受注量に対して主成分分析を行なう。具体的には、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。この場合、この重み付けに用いる因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））の値の組み合わせによって、主成分の指標の持つ意味が異なる。
【００５４】
この処理では、受注実績が所定量（ここでは「１」）以上になった時期以降の実績を用いる。
なお、このサービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばした拡張推移を生成し、この拡張推移を各月に割り当て直すことにより受注量を見積もる。
【００５５】
まず、管理コンピュータ２１は、受注実績の基準化を行なう（Ｓ３−１）。ここでは、受注実績Ｙ（ｉ）の平均が「０」で標準偏差が「１」になる基準化受注実績Ｙｎ（ｉ）を算出する。具体的には、各月の受注個数から平均値を差し引いた値を標準偏差で除算することにより、基準化受注実績Ｙｎ（ｉ）を算出する。
【００５６】
次に、管理コンピュータ２１は、第１主成分の算出を行なう（Ｓ３−２）。第１主成分は、図６に示す因子負荷量３１を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５７】
次に、管理コンピュータ２１は、第２主成分の算出を行なう（Ｓ３−３）。第２主成分は、図６に示す因子負荷量３２を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５８】
因子負荷量Ｌ１（ｉ）として図６に示す因子負荷量３１を用いる場合、第１主成分は増減傾向によって変化し、減少傾向の実績推移を有するサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として図６に示す因子負荷量３２を用いる場合、第２主成分は凹凸型傾向によって変化し、凸型形状（山型）の実績推移を有するサービスパーツの値が大きくなる。このようにして第１主成分及び第２主成分の算出後、図５に示す処理に戻る。
【００５９】
そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう（Ｓ２−２）。ここでは、関数値が所定値より大きい場合には、サービスパーツの受注量が既にピークを経過していると判定する。
【００６０】
ピークを経過していると判定された場合（ステップ（Ｓ２−２）において「Ｙｅｓ」の場合）、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう（Ｓ２−３）。本実施形態では、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値（Ｍａｘ平均）を用いて判定する。管理コンピュータ２１は、Ｍａｘ平均が所定量以上である場合には、流動レベルが高いと判定する。
【００６１】
流動レベルが高い場合（ステップ（Ｓ２−３）において「Ｙｅｓ」の場合）、管理コンピュータ２１はワイブル成長モデルを用いてフィッティングを行なう。このため、管理コンピュータ２１はワイブル成長モデルの適用パラメータ推定処理を行なう（Ｓ２−４）。このワイブル成長モデルの適用パラメータ推定処理を、図７を用いて説明する。このワイブル成長モデルは、ワイブル分布の累積した累積分布である。
【００６２】
ここでは、予め準備された複数の初期値を用いる。この初期値は、ワイブル成長モデルのモデル関数のパラメータとして用いられる。ワイブル成長モデルのモデル関数は図７に示す式（１）で表される。ここで、「Ｙｅ（ｉ）」は累積受注個数予測値であり、「Ｘ（ｉ）」は、開放月からの月数である。「Ｔｏｐ」は累積上限値であり、パーツの開放月から打切りまでの総受注量の予測値である。また、「ｍ」は形状パラメータであり、累積量推移の形状を決定する値である。「η」は尺度パラメータであり、累積総数の約６３％地点を予測する値である。「γ」は位置パラメータであり、開放時期と需要予測に用いる期間の原点との差を補正する値である。
【００６３】
まず、管理コンピュータ２１は、準備された初期値の中から、この処理で用いる初期値（Ｔｏｐ０、ｍ０、η０、γ０）を選択する（Ｓ４−１）。
次に、管理コンピュータ２１は、選択した初期値を用いて、ワイブル成長モデルのモデル関数における各パラメータの算出を行なう（Ｓ４−２）。本実施形態では、受注実績とワイブル成長モデルの関数から得られる理論値の差の二乗和（Ｓｅ）が最小となるようなパラメータを決定する最小二乗法を用いる。この二乗和（Ｓｅ）は、図７に示す式（２）によって表される。ここでは、推定するパラメータに対してモデル関数が非線形であるため、ニュートン・ラフソン法（Ｎｅｗｔｏｎ−Ｒａｐｈｓｏｎ法）という数値解析手法を用いることによりパラメータを決定する。具体的には、選択した初期値（Ｔｏｐ０、ｍ０、η０、γ０）から、二乗和（Ｓｅ）の微分係数を用いて各パラメータの繰り返し計算を行なうことにより、収束する近似解を求める。これにより、累積予測関数として、近似解をパラメータに有するモデル関数が算出される。
【００６４】
なお、収束しない場合には、管理コンピュータ２１は他の初期値を選択して再計算を行なう。
そして、収束した近似解を算出できた場合、及び準備された全初期値を用いても収束しなかった場合には、図５の処理に戻る。
【００６５】
図５の処理においては、ワイブル成長モデルを用いて推定処理ができたかどうかによって処理が異なる（Ｓ２−５）。ワイブル成長モデルを適用することにより近似解が得られた場合（ステップ（Ｓ２−５）において「Ｙｅｓ」の場合）には、管理コンピュータ２１は、算出したパラメータを用いるワイブル成長モデルを用いて傾向曲線の算出処理を行なう（Ｓ２−７）。この傾向曲線の算出処理については後述する。
【００６６】
一方、サービスパーツの受注量がピークを経過していないと判定された場合（ステップ（Ｓ２−２）において「Ｎｏ」の場合）、管理コンピュータ２１は、他のモデルを用いてのフィッティングを行なうための適用処理を行なう（Ｓ２−６）。この他のモデルの適用処理を、図８を用いて説明する。この処理においても、図４のステップ（Ｓ１−２）で算出した累積量推移を用いる。
【００６７】
ここでは、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ５−１）。本実施形態では、図８に示すように、他のモデルとして、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。ここで、「累積２次モデル」、「累積３次モデル」、「累積４次モデル」とは、それぞれ２次、３次、４次の重回帰モデルである。ここでも、ステップ（Ｓ４−２）の処理と同様に、最小二乗法を用いてモデル関数のパラメータの算出を行なう。
【００６８】
そして、管理コンピュータ２１は予測モデルの中から最適モデルの選択処理を行なう（Ｓ５−２）。ここでは、モデル関数と実績との差分が最小になるモデル関数を採用する。そして、図５に示す処理に戻る。
【００６９】
なお、図５に示す流動レベルが低い場合（ステップ（Ｓ２−３）において「Ｎｏ」の場合）や、ワイブル成長モデルを適用した時に解が収束しなかった場合（ステップ（Ｓ２−５）において「Ｎｏ」の場合）も、管理コンピュータ２１は、上述した図８に示す他のモデルの適用処理を行なう（Ｓ２−６）。
【００７０】
ステップ（Ｓ２−４）又はステップ（Ｓ２−６）により、モデル関数を用いてフィッティングが行なわれた様子を図１３に示す累積量推移グラフ５２０を用いて説明する。この累積量推移グラフ５２０には、累積受注実績推移５１１に対してモデル関数を用いて算出した累積フィッティング曲線５２１が表示されている。
【００７１】
次に、管理コンピュータ２１は傾向曲線の算出を行なう（Ｓ２−７）。ここでは、ステップ（Ｓ２−４）又はステップ（Ｓ２−６）で特定されたモデル関数の微分を行なうことにより、月毎の予測受注量を算出する。この様子を図１４に示す受注実績グラフ５３０を用いて説明する。図１４には、受注実績推移５０１に対して、予測受注量を表示した傾向曲線５３１を示されている。傾向曲線５３１は、図１３の累積量推移グラフ５２０の傾き（微分係数）を計算することにより算出される。このように、傾向曲線を算出後、図４に示す処理に戻る。
【００７２】
そこで、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう（Ｓ１−４）。この周期変動判定処理を、図９を用いて説明する。本実施形態では、公知のペリオドグラムを用いて判定する。
【００７３】
まず、管理コンピュータ２１は受注実績と傾向曲線との差分を算出する（Ｓ６−１）。ここで、例えば、図１４に示す受注実績推移５０１と傾向曲線５３１とを用いて説明する。両者の差分を算出することにより、図１５に示す差分グラフ６００が得られる。この差分グラフ６００には、受注実績と傾向曲線との差分を月毎に表示した差分曲線６０１が表されている。
【００７４】
次に、管理コンピュータ２１は、算出した差分に対して同調強度を算出する（Ｓ６−２）。ここでは、この同調強度は図９に示す式（３）を用いて、６ヶ月周期又は１２ヶ月周期の同調強度を算出する。ペリオドグラムでは、ある周期（μ）で振幅する三角関数と実データ（残差）を同調させることを考える。このようにして考えられた統計量を同調強度と呼ぶ。実データが周期（μ）で振幅している場合、同調強度は大きくなり、周期（μ）とはまったく異なる動きをしている場合、同調強度は小さくなる。なお、検定にはシェスターの検定を用いる。具体的には、同調強度が１％有意点より大きくなる場合には周期性がある判定し、その中で同調強度が最大になるものを周期として用いる。そして、図４に示す処理に戻る。
【００７５】
同調強度が１％有意点より大きくなり周期性があると判定される場合（ステップ（Ｓ１−５）において「Ｙｅｓ」の場合）、管理コンピュータ２１は季節変動を予測する周期変動モデルの適用処理を行なう（Ｓ１−６）。
【００７６】
この処理を、図１０を用いて説明する。まず、管理コンピュータ２１は、受注実績と傾向曲線との差分推移に周期変動モデルを用いてフィッティングを行なう（Ｓ７−１）。ここで、差分としては、ステップ（Ｓ１−４）で算出したものを用いる。本実施形態では、周期変動モデルのモデル関数として、図１０に示す式（４）の「２次Ｓｉｎモデル」を適用する。ここで、「Ｄ」は、受注実績と傾向曲線との差分である。また、「Ｘ（１−ｉ）」は、開放月からの通し月であり、「Ｘ（２−ｉ）」は１月から１２月までを示す月である。また、「ＰｒｏＤ」はペリオドグラムを用いて算出した周期であり、６ヶ月周期の場合には「６」、１２ヶ月周期の場合には「１２」を用いる。ｋ１〜ｋ３、ｄ、Ｃは、フィッティングのためのパラメータである。このパラメータを変化させることによりフィッティングを行なう。例えば、差分グラフ６００に示す差分曲線６０１に対してフィッティングを行なった場合、図１６に示す周期曲線６２１のような周期変動モデルが得られる。
【００７７】
そして、管理コンピュータ２１は、フィッティングさせて特定したパラメータを用いて算出した周期変動モデルと、ステップ（Ｓ２−７）で算出した傾向曲線とを合成して需要予測曲線を生成する（Ｓ７−２）。例えば、図１４に示す傾向曲線５３１に、図１６に示す周期曲線６２１を合成した場合、図１７に示す受注実績グラフ６３０のようになる。このように、受注実績推移５０１、傾向曲線５３１に対して、需要予測曲線６３１を引くことができる。このように、周期性がある場合には、傾向曲線と周期変動モデルとを合成して需要予測モデルを選択する。
【００７８】
そして、図１０に示す周期変動モデルの適用処理を終了した場合、図４に示す処理に戻る。なお、図４において、同調強度が小さく周期性がないと判定される場合（ステップ（Ｓ１−５）において「Ｎｏ」の場合）、ステップ（Ｓ１−６）の処理をスキップし、ステップ（Ｓ１−３）で算出した傾向曲線を需要予測モデルとして用いる。
【００７９】
（受注実績期間が１８ヶ月未満の処理）
また、図４のステップ（Ｓ１−１）において「Ｎｏ」の場合、すなわち受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−７）。
【００８０】
次に、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ１−８）。本実施形態では、図４に示すように、ここでの他のモデルとして「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。ステップ（Ｓ１−７）で算出した累積量推移は、累積２次モデルを適用する場合に用いられる。
【００８１】
ここで、「累積２次モデル」とは２次の重回帰モデルである。「６ヶ月平均モデル」とは受注量直近６ヶ月平均値、「１２ヶ月平均モデル」とは、受注量直近１２ヶ月平均値である。
【００８２】
そして、管理コンピュータ２１は最適モデルの選択処理を行なう（Ｓ１−９）。ここでは、フィッティング結果と実績との差分を算出し、差分が最小になるモデルを需要予測モデルとして採用する。
【００８３】
（需要予測の出力処理）
そして、管理コンピュータ２１は、ステップ（Ｓ１−３）、ステップ（Ｓ１−６）又はステップ（Ｓ１−９）で選択された需要予測モデルを用いて、将来の需要を予測し、この結果を、ネットワークＮを介して受注システム１０に出力する（Ｓ１−１０）。この需要予測を用いることにより、サービスパーツ管理部門は需要に応じた発注指示を行なうことができる。
【００８４】
上記実施形態の需要予測処理によれば、以下のような効果を得ることができる。
・ 上記実施形態では、管理コンピュータ２１はワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル分布は、通常、成長モデルには利用されない分布であるが、信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、予測対象であるサービスパーツの需要は、製品の寿命・故障率等の製品の信頼性に関わる分野に密接な関係がある。従って、製品の機能を維持するためサービスパーツの需要を、より的確に予測することができる。
【００８５】
・ 上記実施形態では、管理コンピュータ２１は、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、所定の受注実績期間に基づいて、より的確な需要予測を行なうことができる。
【００８６】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを用いて需要予測を行なう。ワイブル成長モデルはサービスパーツにより、サービスパーツの受注開始から受注終了までのライフサイクルを描くものである。そのために最終の累積量（累積上限値）がどの程度になるのかを予測する。累積上限値を予測するためにはサービスパーツの受注量がピークを過ぎて落ち始めていないと予測が困難である。受注量が上昇傾向にあるパーツに対してワイブル成長モデルを適用すると、その累積上限値が予測できないために解析不能になったり、間違ったピークを付与しまったりすることがある。このため、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８７】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの流動レベルが高い場合にワイブル成長モデルを用いて需要予測を行なう。サービスパーツの中には、月に数万個単位で流動するものから月に１個〜２個程度しか流動しないものまで様々な流動レベルで推移する。流動レベルが低いところで推移しているサービスパーツの推移が不安定でまた変動バラツキも大きく、これまでの受注量の傾向が変わってしまうこともある。このため、流動レベルが高いところで推移し、受注量の推移が安定しているサービスパーツを対象としてワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８８】
・ 上記実施形態では、管理コンピュータ２１がピーク判定処理を行なう。このピーク判定処理では、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。因子負荷量Ｌ１（ｉ）として、図６に示す因子負荷量３１を用いる場合、第１主成分は、減少傾向のサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として、図６に示す因子負荷量３２を用いる場合、第２主成分は、凸形状（山型）のサービスパーツの値が大きくなる。そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう。このため、管理コンピュータ２１は、受注実績がピークを過ぎているか否かを、効率的に判別することができる。
【００８９】
・ 上記実施形態では、ピーク判定処理を行なう場合、管理コンピュータ２１は受注実績の基準化を行なう。このため、受注量はサービスパーツによって、その規模がまったく異なる場合においても、同じ尺度でピーク判定を行なうことができる。
【００９０】
・ 上記実施形態では、サービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばし、各月に割り当て直すことにより受注量を見積もる。このため、受注実績が６０ヶ月以上あるサービスパーツと同様に、因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））として、因子負荷量３１や因子負荷量３２を用いることができる。
【００９１】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう。例えば、季節変動等の周期変動のないサービスパーツに対して周期変動モデルを適用すると、ケースによっては予測値が暴走する場合がある。このため、より的確に需要予測を行なうことができる。また、周期変動モデルの適用には計算負荷がかかるが、周期変動のないサービスパーツに対して周期変動モデルを適用することなく、効率的に需要予測を行なうことができる。
【００９２】
・ 上記実施形態では、管理コンピュータ２１はペリオドグラムを用いて周期性の有無を判定する。このため、同調強度を用いて効率的に周期性を判定することができる。
【００９３】
・ 上記実施形態では、管理コンピュータ２１は、受注実績と傾向曲線との差分を算出し、この差分に対して周期変動モデルを適用する。この場合、周期変動モデルのモデル関数として「２次Ｓｉｎモデル」を用いる。サービスパーツの需要変動は、受注量に応じて変化する。「２次Ｓｉｎモデル」は、サービスパーツの受注開始時期や受注終了時期に比べ、ピーク時期の振幅を大きくしながら周期成分を表現することができる。このため、より的確にサービスパーツの周期変動を予測することができる。
【００９４】
・ 上記実施形態では、受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１はワイブル成長モデル以外のモデルの適用を行なう。本実施形態では、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、サービスパーツの受注量がピークを経過していないと判定された場合、ワイブル成長モデル以外のモデルを用いてのフィッティングを行なうための適用処理を行なう。本実施形態では、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これらのモデルは、流動レベルが低い場合や、ワイブル成長モデルを適用したときに解が収束しなかった場合にも用いられる。ワイブル成長モデルはすべてサービスパーツに対して適用できる訳でない。ワイブル成長モデルが不適合と判定されたサービスパーツに対しては、ワイブル成長モデルとは別の予測モデルを複数用意されているので、より的確な需要予測を行なうことができる。
【００９５】
なお、上記実施形態は以下のように変更してもよい。
・ 上記実施形態では、サービスパーツの需要予測を行なう。需要予測の対象はこれに限られるものではなく、提供した製品の信頼性に関する需要であればよく、例えばサービス担当者の業務量等であってもよい。
【００９６】
・ 上記実施形態では、成長モデル適用による傾向曲線の算出処理に引き続き、周期変動判定処理、周期変動モデルの適用処理を行なう。これに代えて、管理コンピュータ２１は傾向曲線のみによる受注予測を行なってもよい。これにより、ステップ（Ｓ１−４）〜（Ｓ１−６）の処理を省略することにより、より簡単に需要予測を行なうことができる。
【００９７】
・ 上記実施形態では、図４に示すステップ（Ｓ１−８）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、図８に示すステップ（Ｓ５−１）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これに代えて、これらのモデルの一部や他のモデルを用いてもよい。
【００９８】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注実績期間が１８ヶ月以上かどうかによって処理を振り分ける。具体的には、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルの適用を検討する。これに代えて、ワイブル成長モデルの適用を検討するための受注実績期間（基準実績期間）をサービスパーツの属性に応じて変更してもよい。この場合、例えば、サービスパーツのカテゴリ等に対応して基準実績期間を記録させたデータベースを準備しておく。そして、管理コンピュータ２１は、この基準実績期間と、開放月からの経過月数とを比較し、ワイブル成長モデルの適用処理を振り分ける。サービスパーツのカテゴリ等によってライフサイクルが異なることがあるが、このような場合にも、効率的に需要予測を行なうことができる。
【００９９】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。ここで、属性として受注実績期間、ピークの有無、流動性を用いる。適用可否判定するための属性は、これらの属性に限定されるものではない。これらの属性の一部やその他の属性を用いてもよい。
【０１００】
【発明の効果】
本発明によれば、所定のサービスパーツ等の商品に関してワイブル成長モデルを適用して、効率的かつ的確に需要を予測することができる。
【図面の簡単な説明】
【図１】本発明の実施形態のシステム概略図。
【図２】プロフィールデータ記憶部に記録されたデータの説明図。
【図３】受注実績データ記憶部に記録されたデータの説明図。
【図４】本実施形態の処理手順の説明図。
【図５】本実施形態の処理手順の説明図。
【図６】本実施形態の処理手順の説明図。
【図７】本実施形態の処理手順の説明図。
【図８】本実施形態の処理手順の説明図。
【図９】本実施形態の処理手順の説明図。
【図１０】本実施形態の処理手順の説明図。
【図１１】本実施形態の受注量推移を示すグラフ。
【図１２】本実施形態の累積量推移を示すグラフ。
【図１３】本実施形態の累積量推移を示すグラフ。
【図１４】本実施形態の受注量推移を示すグラフ。
【図１５】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１６】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１７】本実施形態の受注量推移を示すグラフ。
【符号の説明】
２０…需要予測システム、２１…管理コンピュータ、２３…実績データ記憶手段としての受注実績データ記憶部。
【発明の属する技術分野】
本発明は、商品の需要予測方法及び需要予測プログラムに係り、詳しくは製品の信頼性に関する商品の需要予測に関する。
【０００２】
【従来の技術】
顧客に商品を提供する場合、適切な商品在庫の管理が必要である。この商品には完成品のみならず、完成品等に用いられる消耗品や故障による交換部品等も含まれる。そして、的確な在庫管理を行なうことにより、余剰在庫による在庫損失や、在庫品の不足による機会損失を抑制することが可能である。
【０００３】
このような在庫管理を行なうためには、正確な需要予測が必要である。このような需要予測においては、例えば重回帰分析が利用されている。この重回帰分析では過去の実績を分析して予測式を作成する。しかし、一度作成した予測式を継続して使用すると、予測値と実績値との誤差が大きくなる場合がある。そこで、短期間ごとに実績に基づいて予測式を作成し直すことも考えられるが、予測式を作成するための負荷が大きくなる。
【０００４】
このため、変動要因を考慮して商品分類別の販売予測を行なう販売予測方法が提案されている（例えば、特許文献１参照。）。この販売予測方法では、まず、販売数量を予測する商品の所定期間の販売実績を平均して移動平均値を算出する。そして、販売予測日の販売数量に影響を与えると考えられる変動要因から、商品の販売数量の変動予測数量を算出する。さらに、移動平均値を前記変動予測数量に基づいて補正して第１販売予測数量を算出する。これにより、販売予測日直前の所定期間の販売実績を販売予測に反映させることができ、予測値の追従性を向上させることができる。
【０００５】
また、経済学の分野で使用されてきた数値解析的手法である成長モデルを用いて需要予測を行なうこともある。通常、製品の需要は、最初少しずつ売れ始め、その後、急激な伸びを示し、市場を一巡すると売れなくなり、最終的には生産打切りとなる。この場合、単位時間あたりの需要量の累積推移を計算すると、正規分布等の確率密度関数の累積分布に近似する。このため、所定の分布の累積関数（成長モデル）を用いて、その成長度を予測することもある。この成長モデルに利用されている分布として、ロジスティック分布、ゴンペルツ分布があり、両者は広い分野で活用されている。
【０００６】
【特許文献１】
特開２０００−３３９５４３号公報（第１頁）
【０００７】
【発明が解決しようとする課題】
ところが、移動平均値による需要予測は、時間ずれ（タイムラグ）があるため予測誤差が大きく、安全在庫を多めに準備しておく必要があった。また、ロジスティック分布やゴンペルツ分布では、特定の商品の需要予測を的確に行なうことが困難であった。
【０００８】
また、信頼性工学の分野において製品寿命を推定する際には、ワイブル分布が広く用いられるが、通常、成長モデルには利用されない。
本発明は、商品に需要予測を的確に行なうことができる需要予測方法及び需要予測プログラムを提供することにある。
【０００９】
【課題を解決するための手段】
上記問題点を解決するために、請求項１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測方法であって、前記管理コンピュータが、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する段階と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する段階と、前記累積予測関数を用いて前記商品の需要を予測する段階とを有することを要旨とする。
【００１０】
請求項２に記載の発明は、請求項１に記載の需要予測方法において、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
請求項３に記載の発明は、請求項１又は２に記載の需要予測方法において、前記需要予測方法は、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう段階をさらに有することを要旨とする。
【００１１】
請求項４に記載の発明は、請求項３に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００１２】
請求項５に記載の発明は、請求項３又は４に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００１３】
請求項６に記載の発明は、請求項３〜５のいずれか１項に記載の需要予測方法において、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００１４】
請求項７に記載の発明は、請求項６に記載の需要予測方法において、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００１５】
請求項８に記載の発明は、請求項７に記載の需要予測方法において、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００１６】
請求項９に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００１７】
請求項１０に記載の発明は、請求項７又は８に記載の需要予測方法において、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう段階をさらに有することを要旨とする。
【００１８】
請求項１１に記載の発明は、商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測プログラムであって、前記管理コンピュータを、前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する手段と、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する手段と、前記累積予測関数を用いて前記商品の需要を予測する手段として機能させることを要旨とする。
【００１９】
請求項１２に記載の発明は、請求項１１に記載の需要予測プログラムにおいて、前記商品は、製品の機能を維持するためのサービスパーツであることを要旨とする。
【００２０】
請求項１３に記載の発明は、請求項１１又は１２に記載の需要予測プログラムにおいて、前記需要予測プログラムは、前記管理コンピュータを、前記商品の属性に基づいて需要予測の可否判定を行なう手段としてさらに機能させることを要旨とする。
【００２１】
請求項１４に記載の発明は、請求項１３に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを要旨とする。
【００２２】
請求項１５に記載の発明は、請求項１３又は１４に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含むことを要旨とする。
【００２３】
請求項１６に記載の発明は、請求項１３〜１５のいずれか１項に記載の需要予測プログラムにおいて、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを要旨とする。
【００２４】
請求項１７に記載の発明は、請求項１６に記載の需要予測プログラムにおいて、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを要旨とする。
【００２５】
請求項１８に記載の発明は、請求項１７に記載の需要予測プログラムにおいて、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを要旨とする。
【００２６】
請求項１９に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを要旨とする。
【００２７】
請求項２０に記載の発明は、請求項１７又は１８に記載の需要予測プログラムにおいて、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記需要予測方法は、前記管理コンピュータを、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう手段としてさらに機能させることを要旨とする。
【００２８】
（作用）
請求項１又は１１に記載の発明によれば、管理コンピュータが、実績データ記憶手段に記録された実績推移に基づいて、商品の提供量の累積推移を算出する。次に、前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する。そして、前記累積予測関数を用いて前記商品の需要を予測する。このため、ワイブル分布の累積分布を用いて累積推移を予測できる。従って、商品について的確な需要予測を行なうことができる。
【００２９】
請求項２又は１２に記載の発明によれば、前記商品は、製品の機能を維持するためのサービスパーツである。ワイブル分布は信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、製品の寿命・故障率等の製品の信頼性に関わるサービスパーツの需要を、より的確に予測することができる。
【００３０】
請求項３又は１３に記載の発明によれば、前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう。需要は商品の属性によって異なるものである。このため、商品の属性に応じて、ワイブル分布の適用可否を適切に判定できる。従って、より的確に需要を予測することができる。
【００３１】
請求項４又は１４に記載の発明によれば、前記需要予測の可否判定は、前記商品の実績推移が記録された期間に基づいて行なう期間判定を含む。成長モデルは、過去の実績から将来の需要を予測する手法であるため、所定の受注実績期間が必要である。このため、実績推移が記録された期間の長さに応じて、より的確な需要予測を行なうことができる。
【００３２】
請求項５又は１５に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量に基づいて行なう流動性判定を含む。流動レベルが低い場合、提供量が不安定で変動バラツキも大きくなり、誤った需要予測を行なう場合がある。このため、流動レベルの安定した商品に対してワイブル分布を適用して、適切な需要予測を行なうことができる。
【００３３】
請求項６又は１６に記載の発明によれば、前記需要予測の可否判定は、前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含む。提供量のピークを経過していない場合、累積量の上限値の予測が困難で予測誤差が大きくなる。このため、ピーク経過により累積上限値の特定可能な商品についてワイブル分布を適用して需要予測を行なうことができる。
【００３４】
請求項７又は１７に記載の発明によれば、前記ピーク判定は、前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いるピーク判定を用いて行なう。このため、主成分分析を用いて効率的にピーク判定を行なうことができる。
【００３５】
請求項８又は１８に記載の発明によれば、前記因子負荷量は、前記実績推移の増減傾向を判定するための第１の因子負荷量と、前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成される。そして、前記ピーク判定は、前記第１の因子負荷量を用いて算出した第１主成分と、前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なう。このため、第１の因子負荷量によって減少傾向を把握できれば、効率的にピークの有無に関するピーク判定を行なうことができる。また、ピークを有する推移は第２の因子負荷量によって特定できる。
【００３６】
請求項９又は１９に記載の発明によれば、前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なう。すべての提供期間の実績推移を用いることなく、同じ因子負荷量を用いての主成分分析により、効率的にピーク判定を実行できる。
【００３７】
請求項１０又は２０に記載の発明によれば、前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれる。そして、前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、前記管理コンピュータが、前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、前記拡張推移に対して前記ピーク判定を行なう。このため、提供期間がピーク判定基準期間より短い場合においても、同じ因子負荷量を用いて主成分分析を行なうことができる。
【００３８】
【発明の実施の形態】
以下、本発明を具体化した需要予測処理の一実施形態を図１〜図１７にしたがって説明する。本実施形態では、後述する所定条件の下にワイブル成長モデルを適用して、商品としてのサービスパーツの需要予測を行なう。具体的には、顧客に提供した製品のサービスパーツの受注実績に基づいて、サービスパーツの需要予測を行なう場合に用いる需要予測方法及び需要予測プログラムとして説明する。ここで、サービスパーツとは、消耗や故障等においてサービスを伴って交換を行なうパーツを意味する。このパーツは製品の機能を維持するための最小単位であり、サービスパーツは部品のみならず、パーツを組み合わせたユニットをも含む。
【００３９】
本実施形態では、図１に示すように、受注システム１０を用いて受注実績が入力される。さらに、この受注システム１０に出力される需要予測に基づいて発注指示が行なわれる。この受注システム１０はサービスパーツを管理するサービスパーツ管理部門に設置され、販売拠点やサービス拠点等での受注実績が入力され、生産部門や購買部門等に対する発注指示を出力する。
【００４０】
受注システム１０は、ネットワークＮを介してデータを送信する機能や、受信したデータを表示する機能等を有するコンピュータ端末である。この受注システム１０は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭの他、キーボード、マウス等の入力手段、ディスプレイ等の出力手段、通信インターフェイス等の通信手段等を有する。
【００４１】
また、受注システム１０は、図１に示すように、ネットワークＮを介して需要予測システム２０に接続されている。需要予測システム２０は、需要予測に関する各種データ処理を行なうコンピュータシステムである。この需要予測システム２０は、管理コンピュータ２１を備えている。
【００４２】
この管理コンピュータ２１は、受注システム１０との間でのデータ送受信や、需要予測を実行するための各種データの管理処理等を行なう。この管理コンピュータ２１は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭ等を有し、後述する処理（累積推移を算出する段階、累積予測関数を算出する段階、需要を予測する段階、需要予測の可否判定を行なう段階等を含む処理）を行なう。そのための需要予測プログラムを実行することにより、管理コンピュータ２１は、累積推移を算出する手段、累積予測関数を算出する手段、需要を予測する手段、需要予測の可否判定を行なう手段等として機能する。
【００４３】
さらに需要予測システム２０は、プロフィールデータ記憶部２２、及び実績データ記憶手段としての受注実績データ記憶部２３を備えている。
プロフィールデータ記憶部２２には、図２に示すように、需要予測を行なうサービスパーツに関するプロフィールデータ２２０が記録されている。このプロフィールデータ２２０は、サービスパーツが提供可能な状態になった場合に設定される。プロフィールデータ２２０は、サービスパーツ毎に、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成される。
【００４４】
サービスパーツ識別子データ領域には、サービスパーツを特定するための識別子に関するデータが記録される。例えば、サービスパーツ識別子としては部品番号等が用いられる。
【００４５】
サービスパーツ名称データ領域には、サービスパーツの名称に関するデータが記録される。
開放月データ領域には、サービスパーツを提供するために、サービスパーツ識別子を各サービス拠点に開放（拡布）した年月に関するデータが記録される。
【００４６】
受注実績データ記憶部２３には、図３に示すように、各サービスパーツに関する受注実績データ２３０が記録されている。この受注実績データ２３０は、サービスパーツ識別子の開放後に設定され、受注システム１０から確定した受注実績を受信した場合に追加記録される。受注実績データ２３０には、サービスパーツ毎に、サービスパーツ識別子及び受注実績に関するデータが相互に関連づけられて記録される。
【００４７】
サービスパーツ識別子データ領域には、受注実績のあったサービスパーツを特定するための識別子に関するデータが記録される。
受注実績データ領域には、商品の提供量として、サービスパーツの受注量に関するデータが、受注月に関するデータとともに記録される。本実施形態では、この受注量は月単位で記録されており、実績推移を構成する。この受注実績は、実績が確定したときに追加記録される。したがって、サービスパーツは開放月によって受注実績の数（ｎ）が異なり、それに応じたデータ数が記録される。
【００４８】
上記のように構成されたシステムにおいて、サービスパーツの需要予測を行なう場合の処理手順を、図４〜図１７を用いて説明する。
まず、管理コンピュータ２１は、商品としてのサービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。本実施形態では、後述するように、属性として受注実績期間、ピークの有無、流動性を用いる。
【００４９】
まず、管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。本実施形態では、受注実績期間が１８ヶ月以上かどうかによって処理方法を分ける（Ｓ１−１）。本実施形態において需要予測に用いるワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、ある程度の受注実績期間が必要となるからである。そのため、管理コンピュータ２１は、受注予測を行なうサービスパーツに関して、プロフィールデータ記憶部２２に記録された開放月から受注実績期間を特定する。
【００５０】
（受注実績期間が１８ヶ月以上の処理）
ここで、受注実績期間が１８ヶ月以上の場合（ステップ（Ｓ１−１）において「Ｙｅｓ」の場合）、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−２）。本実施形態では、すべての受注量を用いて累積量推移を算出する。このため、管理コンピュータ２１は受注実績データ記憶部２３から過去の受注実績を抽出する。本実施形態では、６０ヶ月間の受注実績があるものとする。
【００５１】
そして、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移（累積推移）を算出する。ここで、一例を図１１に示す受注実績グラフ５００を用いて説明する。ここで、受注実績グラフ５００の受注実績推移５０１は、６０ヶ月前（１月）を原点として現在（６０月）までのサービスパーツの受注個数を表している。
【００５２】
図１１に示す受注実績推移から累積量推移を算出したものを、図１２に示す累積量推移グラフ５１０に示す。ここで、累積量推移グラフ５１０の累積受注実績推移５１１は、１月からの受注個数を６０月まで月毎に加算した累積個数を表わしている。
【００５３】
次に、管理コンピュータ２１は成長モデルを適用して傾向曲線の算出処理を行なう（Ｓ１−３）。この傾向曲線の算出処理を、図５を用いて説明する。まず、管理コンピュータ２１はピーク判定処理を行なう（Ｓ２−１）。このピーク判定処理を、図６を用いて説明する。ここでは、受注実績がピークを過ぎているか否かを判別するために、ピーク判定基準期間として過去６０ヶ月間の受注量に対して主成分分析を行なう。具体的には、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。この場合、この重み付けに用いる因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））の値の組み合わせによって、主成分の指標の持つ意味が異なる。
【００５４】
この処理では、受注実績が所定量（ここでは「１」）以上になった時期以降の実績を用いる。
なお、このサービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばした拡張推移を生成し、この拡張推移を各月に割り当て直すことにより受注量を見積もる。
【００５５】
まず、管理コンピュータ２１は、受注実績の基準化を行なう（Ｓ３−１）。ここでは、受注実績Ｙ（ｉ）の平均が「０」で標準偏差が「１」になる基準化受注実績Ｙｎ（ｉ）を算出する。具体的には、各月の受注個数から平均値を差し引いた値を標準偏差で除算することにより、基準化受注実績Ｙｎ（ｉ）を算出する。
【００５６】
次に、管理コンピュータ２１は、第１主成分の算出を行なう（Ｓ３−２）。第１主成分は、図６に示す因子負荷量３１を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５７】
次に、管理コンピュータ２１は、第２主成分の算出を行なう（Ｓ３−３）。第２主成分は、図６に示す因子負荷量３２を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００５８】
因子負荷量Ｌ１（ｉ）として図６に示す因子負荷量３１を用いる場合、第１主成分は増減傾向によって変化し、減少傾向の実績推移を有するサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として図６に示す因子負荷量３２を用いる場合、第２主成分は凹凸型傾向によって変化し、凸型形状（山型）の実績推移を有するサービスパーツの値が大きくなる。このようにして第１主成分及び第２主成分の算出後、図５に示す処理に戻る。
【００５９】
そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう（Ｓ２−２）。ここでは、関数値が所定値より大きい場合には、サービスパーツの受注量が既にピークを経過していると判定する。
【００６０】
ピークを経過していると判定された場合（ステップ（Ｓ２−２）において「Ｙｅｓ」の場合）、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう（Ｓ２−３）。本実施形態では、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値（Ｍａｘ平均）を用いて判定する。管理コンピュータ２１は、Ｍａｘ平均が所定量以上である場合には、流動レベルが高いと判定する。
【００６１】
流動レベルが高い場合（ステップ（Ｓ２−３）において「Ｙｅｓ」の場合）、管理コンピュータ２１はワイブル成長モデルを用いてフィッティングを行なう。このため、管理コンピュータ２１はワイブル成長モデルの適用パラメータ推定処理を行なう（Ｓ２−４）。このワイブル成長モデルの適用パラメータ推定処理を、図７を用いて説明する。このワイブル成長モデルは、ワイブル分布の累積した累積分布である。
【００６２】
ここでは、予め準備された複数の初期値を用いる。この初期値は、ワイブル成長モデルのモデル関数のパラメータとして用いられる。ワイブル成長モデルのモデル関数は図７に示す式（１）で表される。ここで、「Ｙｅ（ｉ）」は累積受注個数予測値であり、「Ｘ（ｉ）」は、開放月からの月数である。「Ｔｏｐ」は累積上限値であり、パーツの開放月から打切りまでの総受注量の予測値である。また、「ｍ」は形状パラメータであり、累積量推移の形状を決定する値である。「η」は尺度パラメータであり、累積総数の約６３％地点を予測する値である。「γ」は位置パラメータであり、開放時期と需要予測に用いる期間の原点との差を補正する値である。
【００６３】
まず、管理コンピュータ２１は、準備された初期値の中から、この処理で用いる初期値（Ｔｏｐ０、ｍ０、η０、γ０）を選択する（Ｓ４−１）。
次に、管理コンピュータ２１は、選択した初期値を用いて、ワイブル成長モデルのモデル関数における各パラメータの算出を行なう（Ｓ４−２）。本実施形態では、受注実績とワイブル成長モデルの関数から得られる理論値の差の二乗和（Ｓｅ）が最小となるようなパラメータを決定する最小二乗法を用いる。この二乗和（Ｓｅ）は、図７に示す式（２）によって表される。ここでは、推定するパラメータに対してモデル関数が非線形であるため、ニュートン・ラフソン法（Ｎｅｗｔｏｎ−Ｒａｐｈｓｏｎ法）という数値解析手法を用いることによりパラメータを決定する。具体的には、選択した初期値（Ｔｏｐ０、ｍ０、η０、γ０）から、二乗和（Ｓｅ）の微分係数を用いて各パラメータの繰り返し計算を行なうことにより、収束する近似解を求める。これにより、累積予測関数として、近似解をパラメータに有するモデル関数が算出される。
【００６４】
なお、収束しない場合には、管理コンピュータ２１は他の初期値を選択して再計算を行なう。
そして、収束した近似解を算出できた場合、及び準備された全初期値を用いても収束しなかった場合には、図５の処理に戻る。
【００６５】
図５の処理においては、ワイブル成長モデルを用いて推定処理ができたかどうかによって処理が異なる（Ｓ２−５）。ワイブル成長モデルを適用することにより近似解が得られた場合（ステップ（Ｓ２−５）において「Ｙｅｓ」の場合）には、管理コンピュータ２１は、算出したパラメータを用いるワイブル成長モデルを用いて傾向曲線の算出処理を行なう（Ｓ２−７）。この傾向曲線の算出処理については後述する。
【００６６】
一方、サービスパーツの受注量がピークを経過していないと判定された場合（ステップ（Ｓ２−２）において「Ｎｏ」の場合）、管理コンピュータ２１は、他のモデルを用いてのフィッティングを行なうための適用処理を行なう（Ｓ２−６）。この他のモデルの適用処理を、図８を用いて説明する。この処理においても、図４のステップ（Ｓ１−２）で算出した累積量推移を用いる。
【００６７】
ここでは、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ５−１）。本実施形態では、図８に示すように、他のモデルとして、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。ここで、「累積２次モデル」、「累積３次モデル」、「累積４次モデル」とは、それぞれ２次、３次、４次の重回帰モデルである。ここでも、ステップ（Ｓ４−２）の処理と同様に、最小二乗法を用いてモデル関数のパラメータの算出を行なう。
【００６８】
そして、管理コンピュータ２１は予測モデルの中から最適モデルの選択処理を行なう（Ｓ５−２）。ここでは、モデル関数と実績との差分が最小になるモデル関数を採用する。そして、図５に示す処理に戻る。
【００６９】
なお、図５に示す流動レベルが低い場合（ステップ（Ｓ２−３）において「Ｎｏ」の場合）や、ワイブル成長モデルを適用した時に解が収束しなかった場合（ステップ（Ｓ２−５）において「Ｎｏ」の場合）も、管理コンピュータ２１は、上述した図８に示す他のモデルの適用処理を行なう（Ｓ２−６）。
【００７０】
ステップ（Ｓ２−４）又はステップ（Ｓ２−６）により、モデル関数を用いてフィッティングが行なわれた様子を図１３に示す累積量推移グラフ５２０を用いて説明する。この累積量推移グラフ５２０には、累積受注実績推移５１１に対してモデル関数を用いて算出した累積フィッティング曲線５２１が表示されている。
【００７１】
次に、管理コンピュータ２１は傾向曲線の算出を行なう（Ｓ２−７）。ここでは、ステップ（Ｓ２−４）又はステップ（Ｓ２−６）で特定されたモデル関数の微分を行なうことにより、月毎の予測受注量を算出する。この様子を図１４に示す受注実績グラフ５３０を用いて説明する。図１４には、受注実績推移５０１に対して、予測受注量を表示した傾向曲線５３１を示されている。傾向曲線５３１は、図１３の累積量推移グラフ５２０の傾き（微分係数）を計算することにより算出される。このように、傾向曲線を算出後、図４に示す処理に戻る。
【００７２】
そこで、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう（Ｓ１−４）。この周期変動判定処理を、図９を用いて説明する。本実施形態では、公知のペリオドグラムを用いて判定する。
【００７３】
まず、管理コンピュータ２１は受注実績と傾向曲線との差分を算出する（Ｓ６−１）。ここで、例えば、図１４に示す受注実績推移５０１と傾向曲線５３１とを用いて説明する。両者の差分を算出することにより、図１５に示す差分グラフ６００が得られる。この差分グラフ６００には、受注実績と傾向曲線との差分を月毎に表示した差分曲線６０１が表されている。
【００７４】
次に、管理コンピュータ２１は、算出した差分に対して同調強度を算出する（Ｓ６−２）。ここでは、この同調強度は図９に示す式（３）を用いて、６ヶ月周期又は１２ヶ月周期の同調強度を算出する。ペリオドグラムでは、ある周期（μ）で振幅する三角関数と実データ（残差）を同調させることを考える。このようにして考えられた統計量を同調強度と呼ぶ。実データが周期（μ）で振幅している場合、同調強度は大きくなり、周期（μ）とはまったく異なる動きをしている場合、同調強度は小さくなる。なお、検定にはシェスターの検定を用いる。具体的には、同調強度が１％有意点より大きくなる場合には周期性がある判定し、その中で同調強度が最大になるものを周期として用いる。そして、図４に示す処理に戻る。
【００７５】
同調強度が１％有意点より大きくなり周期性があると判定される場合（ステップ（Ｓ１−５）において「Ｙｅｓ」の場合）、管理コンピュータ２１は季節変動を予測する周期変動モデルの適用処理を行なう（Ｓ１−６）。
【００７６】
この処理を、図１０を用いて説明する。まず、管理コンピュータ２１は、受注実績と傾向曲線との差分推移に周期変動モデルを用いてフィッティングを行なう（Ｓ７−１）。ここで、差分としては、ステップ（Ｓ１−４）で算出したものを用いる。本実施形態では、周期変動モデルのモデル関数として、図１０に示す式（４）の「２次Ｓｉｎモデル」を適用する。ここで、「Ｄ」は、受注実績と傾向曲線との差分である。また、「Ｘ（１−ｉ）」は、開放月からの通し月であり、「Ｘ（２−ｉ）」は１月から１２月までを示す月である。また、「ＰｒｏＤ」はペリオドグラムを用いて算出した周期であり、６ヶ月周期の場合には「６」、１２ヶ月周期の場合には「１２」を用いる。ｋ１〜ｋ３、ｄ、Ｃは、フィッティングのためのパラメータである。このパラメータを変化させることによりフィッティングを行なう。例えば、差分グラフ６００に示す差分曲線６０１に対してフィッティングを行なった場合、図１６に示す周期曲線６２１のような周期変動モデルが得られる。
【００７７】
そして、管理コンピュータ２１は、フィッティングさせて特定したパラメータを用いて算出した周期変動モデルと、ステップ（Ｓ２−７）で算出した傾向曲線とを合成して需要予測曲線を生成する（Ｓ７−２）。例えば、図１４に示す傾向曲線５３１に、図１６に示す周期曲線６２１を合成した場合、図１７に示す受注実績グラフ６３０のようになる。このように、受注実績推移５０１、傾向曲線５３１に対して、需要予測曲線６３１を引くことができる。このように、周期性がある場合には、傾向曲線と周期変動モデルとを合成して需要予測モデルを選択する。
【００７８】
そして、図１０に示す周期変動モデルの適用処理を終了した場合、図４に示す処理に戻る。なお、図４において、同調強度が小さく周期性がないと判定される場合（ステップ（Ｓ１−５）において「Ｎｏ」の場合）、ステップ（Ｓ１−６）の処理をスキップし、ステップ（Ｓ１−３）で算出した傾向曲線を需要予測モデルとして用いる。
【００７９】
（受注実績期間が１８ヶ月未満の処理）
また、図４のステップ（Ｓ１−１）において「Ｎｏ」の場合、すなわち受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−７）。
【００８０】
次に、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ１−８）。本実施形態では、図４に示すように、ここでの他のモデルとして「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。ステップ（Ｓ１−７）で算出した累積量推移は、累積２次モデルを適用する場合に用いられる。
【００８１】
ここで、「累積２次モデル」とは２次の重回帰モデルである。「６ヶ月平均モデル」とは受注量直近６ヶ月平均値、「１２ヶ月平均モデル」とは、受注量直近１２ヶ月平均値である。
【００８２】
そして、管理コンピュータ２１は最適モデルの選択処理を行なう（Ｓ１−９）。ここでは、フィッティング結果と実績との差分を算出し、差分が最小になるモデルを需要予測モデルとして採用する。
【００８３】
（需要予測の出力処理）
そして、管理コンピュータ２１は、ステップ（Ｓ１−３）、ステップ（Ｓ１−６）又はステップ（Ｓ１−９）で選択された需要予測モデルを用いて、将来の需要を予測し、この結果を、ネットワークＮを介して受注システム１０に出力する（Ｓ１−１０）。この需要予測を用いることにより、サービスパーツ管理部門は需要に応じた発注指示を行なうことができる。
【００８４】
上記実施形態の需要予測処理によれば、以下のような効果を得ることができる。
・ 上記実施形態では、管理コンピュータ２１はワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル分布は、通常、成長モデルには利用されない分布であるが、信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、予測対象であるサービスパーツの需要は、製品の寿命・故障率等の製品の信頼性に関わる分野に密接な関係がある。従って、製品の機能を維持するためサービスパーツの需要を、より的確に予測することができる。
【００８５】
・ 上記実施形態では、管理コンピュータ２１は、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、所定の受注実績期間に基づいて、より的確な需要予測を行なうことができる。
【００８６】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを用いて需要予測を行なう。ワイブル成長モデルはサービスパーツにより、サービスパーツの受注開始から受注終了までのライフサイクルを描くものである。そのために最終の累積量（累積上限値）がどの程度になるのかを予測する。累積上限値を予測するためにはサービスパーツの受注量がピークを過ぎて落ち始めていないと予測が困難である。受注量が上昇傾向にあるパーツに対してワイブル成長モデルを適用すると、その累積上限値が予測できないために解析不能になったり、間違ったピークを付与しまったりすることがある。このため、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８７】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの流動レベルが高い場合にワイブル成長モデルを用いて需要予測を行なう。サービスパーツの中には、月に数万個単位で流動するものから月に１個〜２個程度しか流動しないものまで様々な流動レベルで推移する。流動レベルが低いところで推移しているサービスパーツの推移が不安定でまた変動バラツキも大きく、これまでの受注量の傾向が変わってしまうこともある。このため、流動レベルが高いところで推移し、受注量の推移が安定しているサービスパーツを対象としてワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００８８】
・ 上記実施形態では、管理コンピュータ２１がピーク判定処理を行なう。このピーク判定処理では、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。因子負荷量Ｌ１（ｉ）として、図６に示す因子負荷量３１を用いる場合、第１主成分は、減少傾向のサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として、図６に示す因子負荷量３２を用いる場合、第２主成分は、凸形状（山型）のサービスパーツの値が大きくなる。そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう。このため、管理コンピュータ２１は、受注実績がピークを過ぎているか否かを、効率的に判別することができる。
【００８９】
・ 上記実施形態では、ピーク判定処理を行なう場合、管理コンピュータ２１は受注実績の基準化を行なう。このため、受注量はサービスパーツによって、その規模がまったく異なる場合においても、同じ尺度でピーク判定を行なうことができる。
【００９０】
・ 上記実施形態では、サービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばし、各月に割り当て直すことにより受注量を見積もる。このため、受注実績が６０ヶ月以上あるサービスパーツと同様に、因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））として、因子負荷量３１や因子負荷量３２を用いることができる。
【００９１】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう。例えば、季節変動等の周期変動のないサービスパーツに対して周期変動モデルを適用すると、ケースによっては予測値が暴走する場合がある。このため、より的確に需要予測を行なうことができる。また、周期変動モデルの適用には計算負荷がかかるが、周期変動のないサービスパーツに対して周期変動モデルを適用することなく、効率的に需要予測を行なうことができる。
【００９２】
・ 上記実施形態では、管理コンピュータ２１はペリオドグラムを用いて周期性の有無を判定する。このため、同調強度を用いて効率的に周期性を判定することができる。
【００９３】
・ 上記実施形態では、管理コンピュータ２１は、受注実績と傾向曲線との差分を算出し、この差分に対して周期変動モデルを適用する。この場合、周期変動モデルのモデル関数として「２次Ｓｉｎモデル」を用いる。サービスパーツの需要変動は、受注量に応じて変化する。「２次Ｓｉｎモデル」は、サービスパーツの受注開始時期や受注終了時期に比べ、ピーク時期の振幅を大きくしながら周期成分を表現することができる。このため、より的確にサービスパーツの周期変動を予測することができる。
【００９４】
・ 上記実施形態では、受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１はワイブル成長モデル以外のモデルの適用を行なう。本実施形態では、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、サービスパーツの受注量がピークを経過していないと判定された場合、ワイブル成長モデル以外のモデルを用いてのフィッティングを行なうための適用処理を行なう。本実施形態では、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これらのモデルは、流動レベルが低い場合や、ワイブル成長モデルを適用したときに解が収束しなかった場合にも用いられる。ワイブル成長モデルはすべてサービスパーツに対して適用できる訳でない。ワイブル成長モデルが不適合と判定されたサービスパーツに対しては、ワイブル成長モデルとは別の予測モデルを複数用意されているので、より的確な需要予測を行なうことができる。
【００９５】
なお、上記実施形態は以下のように変更してもよい。
・ 上記実施形態では、サービスパーツの需要予測を行なう。需要予測の対象はこれに限られるものではなく、提供した製品の信頼性に関する需要であればよく、例えばサービス担当者の業務量等であってもよい。
【００９６】
・ 上記実施形態では、成長モデル適用による傾向曲線の算出処理に引き続き、周期変動判定処理、周期変動モデルの適用処理を行なう。これに代えて、管理コンピュータ２１は傾向曲線のみによる受注予測を行なってもよい。これにより、ステップ（Ｓ１−４）〜（Ｓ１−６）の処理を省略することにより、より簡単に需要予測を行なうことができる。
【００９７】
・ 上記実施形態では、図４に示すステップ（Ｓ１−８）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、図８に示すステップ（Ｓ５−１）では、ワイブル成長モデルを適用できない場合、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これに代えて、これらのモデルの一部や他のモデルを用いてもよい。
【００９８】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの受注実績期間が１８ヶ月以上かどうかによって処理を振り分ける。具体的には、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルの適用を検討する。これに代えて、ワイブル成長モデルの適用を検討するための受注実績期間（基準実績期間）をサービスパーツの属性に応じて変更してもよい。この場合、例えば、サービスパーツのカテゴリ等に対応して基準実績期間を記録させたデータベースを準備しておく。そして、管理コンピュータ２１は、この基準実績期間と、開放月からの経過月数とを比較し、ワイブル成長モデルの適用処理を振り分ける。サービスパーツのカテゴリ等によってライフサイクルが異なることがあるが、このような場合にも、効率的に需要予測を行なうことができる。
【００９９】
・ 上記実施形態では、管理コンピュータ２１は、サービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。ここで、属性として受注実績期間、ピークの有無、流動性を用いる。適用可否判定するための属性は、これらの属性に限定されるものではない。これらの属性の一部やその他の属性を用いてもよい。
【０１００】
【発明の効果】
本発明によれば、所定のサービスパーツ等の商品に関してワイブル成長モデルを適用して、効率的かつ的確に需要を予測することができる。
【図面の簡単な説明】
【図１】本発明の実施形態のシステム概略図。
【図２】プロフィールデータ記憶部に記録されたデータの説明図。
【図３】受注実績データ記憶部に記録されたデータの説明図。
【図４】本実施形態の処理手順の説明図。
【図５】本実施形態の処理手順の説明図。
【図６】本実施形態の処理手順の説明図。
【図７】本実施形態の処理手順の説明図。
【図８】本実施形態の処理手順の説明図。
【図９】本実施形態の処理手順の説明図。
【図１０】本実施形態の処理手順の説明図。
【図１１】本実施形態の受注量推移を示すグラフ。
【図１２】本実施形態の累積量推移を示すグラフ。
【図１３】本実施形態の累積量推移を示すグラフ。
【図１４】本実施形態の受注量推移を示すグラフ。
【図１５】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１６】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１７】本実施形態の受注量推移を示すグラフ。
【符号の説明】
２０…需要予測システム、２１…管理コンピュータ、２３…実績データ記憶手段としての受注実績データ記憶部。
Claims (20)
- 商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測方法であって、
前記管理コンピュータが、
前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する段階と、
前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する段階と、
前記累積予測関数を用いて前記商品の需要を予測する段階と
を有することを特徴とする需要予測方法。 - 前記商品は、製品の機能を維持するためのサービスパーツであることを特徴とする請求項１に記載の需要予測方法。
- 前記需要予測方法は、
前記管理コンピュータが、前記商品の属性に基づいて需要予測の可否判定を行なう段階をさらに有することを特徴とする請求項１又は２に記載の需要予測方法。 - 前記需要予測の可否判定は、
前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを特徴とする請求項３に記載の需要予測方法。 - 前記需要予測の可否判定は、
前記商品の提供量に基づいて行なう流動性判定を含むことを特徴とする請求項３又は４に記載の需要予測方法。 - 前記需要予測の可否判定は、
前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを特徴とする請求項３〜５のいずれか１項に記載の需要予測方法。 - 前記ピーク判定は、
前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを特徴とする請求項６に記載の需要予測方法。 - 前記因子負荷量は、
前記実績推移の増減傾向を判定するための第１の因子負荷量と、
前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、
前記ピーク判定は、
前記第１の因子負荷量を用いて算出した第１主成分と、
前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを特徴とする請求項７に記載の需要予測方法。 - 前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、
前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを特徴とする請求項７又は８に記載の需要予測方法。 - 前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、
前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、
前記需要予測方法は、
前記管理コンピュータが、
前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、
前記拡張推移に対して前記ピーク判定を行なう段階をさらに有することを特徴とする請求項７又は８に記載の需要予測方法。 - 商品の提供量についての実績推移に関するデータを記録した実績データ記憶手段と管理コンピュータとを用いて、前記商品の需要を予測する需要予測プログラムであって、
前記管理コンピュータを、
前記実績データ記憶手段に記録された実績推移に基づいて、前記商品の提供量の累積推移を算出する手段と、
前記累積推移に対してワイブル分布の累積分布を適用して累積予測関数を算出する手段と、
前記累積予測関数を用いて前記商品の需要を予測する手段
として機能させることを特徴とする需要予測プログラム。 - 前記商品は、製品の機能を維持するためのサービスパーツであることを特徴とする請求項１１に記載の需要予測プログラム。
- 前記需要予測プログラムは、
前記管理コンピュータを、前記商品の属性に基づいて需要予測の可否判定を行なう手段としてさらに機能させることを特徴とする請求項１１又は１２に記載の需要予測プログラム。 - 前記需要予測の可否判定は、
前記商品の実績推移が記録された期間に基づいて行なう期間判定を含むことを特徴とする請求項１３に記載の需要予測プログラム。 - 前記需要予測の可否判定は、
前記商品の提供量に基づいて行なう流動性判定を含むことを特徴とする請求項１３又は１４に記載の需要予測プログラム。 - 前記需要予測の可否判定は、
前記商品の提供量の実績推移についてピークの有無を判定するピーク判定を含むことを特徴とする請求項１３〜１５のいずれか１項に記載の需要予測プログラム。 - 前記ピーク判定は、
前記実績推移に対して、所定の因子負荷量を乗算して算出した主成分を用いて行なうことを特徴とする請求項１６に記載の需要予測プログラム。 - 前記因子負荷量は、
前記実績推移の増減傾向を判定するための第１の因子負荷量と、
前記実績推移の凹凸型傾向を判定するための第２の因子負荷量とから構成され、
前記ピーク判定は、
前記第１の因子負荷量を用いて算出した第１主成分と、
前記第２の因子負荷量を用いて算出した第２主成分とを用いて行なうことを特徴とする請求項１７に記載の需要予測プログラム。 - 前記ピーク判定は所定長さのピーク判定基準期間の実績推移に対して行なわれ、
前記実績推移に関する提供期間が前記ピーク判定基準期間より長い場合には、前記ピーク判定を、最近の実績から、前記ピーク判定基準期間前までの推移に対して行なうことを特徴とする請求項１７又は１８に記載の需要予測プログラム。 - 前記ピーク判定は所定のピーク判定基準期間の実績推移に対して行なわれ、
前記実績推移に関する提供期間が前記ピーク判定基準期間より短い場合には、
前記需要予測プログラムは、
前記管理コンピュータを、
前記提供期間の実績推移を前記ピーク判定基準期間の長さに引き伸ばした拡張推移を生成し、
前記拡張推移に対して前記ピーク判定を行なう手段としてさらに機能させることを特徴とする請求項１７又は１８に記載の需要予測プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003024053A JP4226349B2 (ja) | 2003-01-31 | 2003-01-31 | 需要予測方法及び需要予測プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003024053A JP4226349B2 (ja) | 2003-01-31 | 2003-01-31 | 需要予測方法及び需要予測プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004234470A true JP2004234470A (ja) | 2004-08-19 |
| JP4226349B2 JP4226349B2 (ja) | 2009-02-18 |
Family
ID=32952694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003024053A Expired - Fee Related JP4226349B2 (ja) | 2003-01-31 | 2003-01-31 | 需要予測方法及び需要予測プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4226349B2 (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007293624A (ja) * | 2006-04-25 | 2007-11-08 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
| JP2009003850A (ja) * | 2007-06-25 | 2009-01-08 | Toyota Central R&D Labs Inc | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム |
| JP2009517779A (ja) * | 2005-11-29 | 2009-04-30 | ザ・ボーイング・カンパニー | サプライチェーンマネジメントのための方法、システムおよびコンピュータ統合プログラム製品 |
| JP2011232950A (ja) * | 2010-04-27 | 2011-11-17 | Hitachi East Japan Solutions Ltd | 需要予測装置、需要予測方法、及び需要予測プログラム |
| WO2013047440A1 (ja) * | 2011-09-26 | 2013-04-04 | 三菱重工業株式会社 | 需要予測装置、需要予測方法および需要予測プログラム |
| CN110727921A (zh) * | 2019-09-30 | 2020-01-24 | 中国人民解放军海军工程大学 | 一种正态型通用件备件需求量计算方法及装置 |
| CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
| KR20220137399A (ko) * | 2021-04-02 | 2022-10-12 | 주식회사 바이럴픽 | 오픈 마켓 상품의 시계열 수요 예측 장치 |
-
2003
- 2003-01-31 JP JP2003024053A patent/JP4226349B2/ja not_active Expired - Fee Related
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009517779A (ja) * | 2005-11-29 | 2009-04-30 | ザ・ボーイング・カンパニー | サプライチェーンマネジメントのための方法、システムおよびコンピュータ統合プログラム製品 |
| JP2007293624A (ja) * | 2006-04-25 | 2007-11-08 | Ricoh Co Ltd | 需要予測方法及び需要予測プログラム |
| JP2009003850A (ja) * | 2007-06-25 | 2009-01-08 | Toyota Central R&D Labs Inc | 企業施策の決定支援装置、企業施策の決定支援方法及びそのプログラム |
| JP2011232950A (ja) * | 2010-04-27 | 2011-11-17 | Hitachi East Japan Solutions Ltd | 需要予測装置、需要予測方法、及び需要予測プログラム |
| WO2013047440A1 (ja) * | 2011-09-26 | 2013-04-04 | 三菱重工業株式会社 | 需要予測装置、需要予測方法および需要予測プログラム |
| JP2013073261A (ja) * | 2011-09-26 | 2013-04-22 | Mitsubishi Heavy Ind Ltd | 需要予測装置、需要予測方法および需要予測プログラム |
| CN103733214A (zh) * | 2011-09-26 | 2014-04-16 | 三菱重工业株式会社 | 需求预测装置、需求预测方法以及需求预测程序 |
| CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
| CN110727921A (zh) * | 2019-09-30 | 2020-01-24 | 中国人民解放军海军工程大学 | 一种正态型通用件备件需求量计算方法及装置 |
| CN110727921B (zh) * | 2019-09-30 | 2023-11-07 | 中国人民解放军海军工程大学 | 一种正态型通用件备件需求量计算方法及装置 |
| KR20220137399A (ko) * | 2021-04-02 | 2022-10-12 | 주식회사 바이럴픽 | 오픈 마켓 상품의 시계열 수요 예측 장치 |
| KR102566421B1 (ko) * | 2021-04-02 | 2023-08-14 | 주식회사 바이럴픽 | 오픈 마켓 상품의 시계열 수요 예측 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4226349B2 (ja) | 2009-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4673727B2 (ja) | 需要予測方法及び需要予測プログラム | |
| Bassok et al. | Analysis of supply contracts with commitments and flexibility | |
| US7921030B1 (en) | Profit optimization system for supply chains with limited parts availability | |
| Anderson et al. | Designing quality into products: The use of accounting data in new product development | |
| US8315923B2 (en) | Method of determining safety stock levels | |
| US11354121B2 (en) | Software portfolio management system and method | |
| US20030144897A1 (en) | Finite life cycle demand forecasting | |
| US20020169657A1 (en) | Supply chain demand forecasting and planning | |
| CN108985527A (zh) | 一种基于动态产能的订单交货期评估方法 | |
| Zheng et al. | Newsvendor problems with demand forecast updating and supply constraints | |
| US20030050870A1 (en) | Capacity-driven production planning tools | |
| JP2004234470A (ja) | 需要予測方法及び需要予測プログラム | |
| Rossi et al. | A simulation-based finite capacity MRP procedure not depending on lead time estimation | |
| JP4099076B2 (ja) | 需要予測方法及び需要予測プログラム | |
| Rabieh et al. | Robust-fuzzy model for supplier selection under uncertainty: An application to the automobile industry | |
| Goodwin | Providing support for decisions based on time series information under conditions of asymmetric loss | |
| US9678487B1 (en) | System and method for allocating a fixed quantity distributed over a set of quantities | |
| CN115375413A (zh) | 一种erp采购计算方法与系统 | |
| Xiang et al. | The effect of backlog queue and load-building processing in a multi-echelon inventory network | |
| Mehrmanesh et al. | Modelling the customer relationship management in a multi-layer supply chain considering product life cycle | |
| JP4870468B2 (ja) | 需要予測方法及び需要予測プログラム | |
| Hekimoğlu et al. | Modeling repair demand in existence of a nonstationary installed base | |
| Sultana et al. | Demand Planning Methodology in Supply Chain Management | |
| Bangash et al. | Inventory requirements planning at lucent technologies | |
| KR102011271B1 (ko) | 표준원가관리체계를 활용한 종합원가관리 방법 및 종합원가관리 방법이 기록된 컴퓨터로 판독 가능한 기록매체 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20050609 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080401 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080602 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080819 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081020 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20081118 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20081126 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111205 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 4226349 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111205 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121205 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131205 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |