JP2004334328A - 商品需要予測システムおよび年末年始の商品需要予測システム - Google Patents
商品需要予測システムおよび年末年始の商品需要予測システム Download PDFInfo
- Publication number
- JP2004334328A JP2004334328A JP2003125755A JP2003125755A JP2004334328A JP 2004334328 A JP2004334328 A JP 2004334328A JP 2003125755 A JP2003125755 A JP 2003125755A JP 2003125755 A JP2003125755 A JP 2003125755A JP 2004334328 A JP2004334328 A JP 2004334328A
- Authority
- JP
- Japan
- Prior art keywords
- sales
- product
- period
- year
- coefficient
- 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】年末に売上数が上昇し、年始に売上数が急減少するような商品の需要予測の精度を向上させる。
【解決手段】需要予測システム１００は、複数商品について、過去の商品別の売上数を示す情報を記憶した調整済み売上ＤＢ１８と、年末年始処理を行う年末年始処理部１１０と、予測値算出部１５０とを備える。年末年始処理部１１０は、第１の期間の第１の売上数と第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出し、調整済み売上ＤＢ１８に記憶されている抽出された商品の売上数を示す情報に基づいて、その商品の第１の期間内の売上数の増加または減少の程度を示すトレンド係数を、商品ごとに算出する。予測値算出部１５０は、トレンド係数を用いて第１の期間内の将来の商品別売上数を予測する。
【選択図】 図２０
【解決手段】需要予測システム１００は、複数商品について、過去の商品別の売上数を示す情報を記憶した調整済み売上ＤＢ１８と、年末年始処理を行う年末年始処理部１１０と、予測値算出部１５０とを備える。年末年始処理部１１０は、第１の期間の第１の売上数と第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出し、調整済み売上ＤＢ１８に記憶されている抽出された商品の売上数を示す情報に基づいて、その商品の第１の期間内の売上数の増加または減少の程度を示すトレンド係数を、商品ごとに算出する。予測値算出部１５０は、トレンド係数を用いて第１の期間内の将来の商品別売上数を予測する。
【選択図】 図２０
Description
【０００１】
【発明の属する技術分野】
本発明は、小売店が販売する商品の需要を予測するための技術に関する。
【０００２】
【従来の技術】
小売店の多くにはＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅｓ）システムが普及し、これを通じて集めた商品の売上データが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て、効率的に発注を行う自動発注システムがある。
【０００３】
例えば、特許文献１には、商品の需要の変動要因を考慮して需要予測をし、予測結果に基づいて商品を自動発注するシステムが記載されている。
【０００４】
【特許文献１】
特開平１−２２４８６４号公報
【０００５】
【発明が解決しようとする課題】
しかしながら、特許文献１に記載されている自動発注システムが行っている需要予測は、過去データの単なる平均であったり、店長等の在庫管理者のノウハウに基づいた補正ルール等に基づいて補正を行ったりしている。つまり、変動要因がどの程度売上数を変動させるかが、店長の経験とカンに基づいて決定されている。
【０００６】
また、需要予測結果に基づく発注数も、店長等のノウハウに基づいた診断ルール等に基づいて修正を行って、決定している。つまり、システムが算出した発注数を店長の経験とカンで修正している。
【０００７】
このように、従来の自動発注システムでは、結局のところノウハウを有する者がいないと需要予測の精度を上げることができないし、さらには、適正な発注数を決定することもできない。
【０００８】
本発明は、ノウハウがなくても商品の需要予測ができるようにするための技術を提供することである。
【０００９】
本発明の別の目的は、一定の期間に限り、その時期に特有な売れ方をする商品の需要予測をするための技術を提供することである。
【００１０】
本発明のさらに別の目的は、年末に売上数が上昇し、年始に売上数が急減少するような商品の需要予測の精度を向上させるための技術を提供することである。
【００１１】
【課題を解決するための手段】
本発明の一つの実施態様に従う商品の需要予測システムは、複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された前記商品別の売上数を示す情報に基づいて、第１の期間の第１の売上数と第１の期間より以前の第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出する手段と、前記記憶手段に記憶されている前記抽出された商品の売上数を示す情報に基づいて、前記抽出された商品の第１の期間内の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段と、前記算出された商品別の指標に基づいて、第１の期間内の将来の商品別売上数を予測する手段とを備える。
【００１２】
好適な実施形態では、前記算出手段は、前記記憶手段に記憶されている前記抽出された商品の売上数を統計的に処理して、売上数の増加または減少を近似的に示す関数を導出する手段と、前記関数に基づいて、将来の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段とをさらに備えるようにしてもよい。
【００１３】
さらに、前記導出手段は、複数種類の関数の中から、売上数の増加または減少を最も近似的に示す一の関数を選択するようにしてもよい。
【００１４】
好適な実施形態では、前記記憶手段に記憶されている商品別の売上数を示す情報は、少なくとも売価による変動要因を除去した後の売上数を示す情報であってもよい。
【００１５】
好適な実施形態では、第１の売上数と第２の売上数との比較は、ｔ検定を用いて行ってもよい。
【００１６】
本発明の一つの実施態様に従う年末年始の商品需要予測システムは、複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された商品別売上数を示す情報に基づいて、年末を含む第１の期間で売上数が増加傾向にある商品を抽出する手段と、抽出された商品ごとに、前記売上数の増加傾向を示す指標を算出し、前記指標および前記過去の商品別の売上数に基づいて第１の期間の売上数を予測する第１の予測手段と、全商品について、第１の期間の後の年始を含む第２の期間の売上数を０と予測する第２の予測手段と、第１の期間の終盤から第２の期間への売上数の減少幅が所定以上である商品について、第２の期間の後の第３の期間の売上数を０と予測する第３の予測手段とを備える。
【００１７】
【発明の実施の形態】
以下、本発明を適用した実施形態について、図面を用いて説明する。
【００１８】
本発明の一実施形態に係る在庫管理システムは、複数の小売店における複数の商品の売上実績データに基づいて、小売店ごとに各商品の需要を予測する需要予測システム１と、この需要予測に基づいて各小売店に対して発注数量の提案を行う発注提案システム２と、小売店からの発注指示を受けて実際に商品の発注を行う発注システム３と、各小売店に設置されていて、発注提案を受け付けて発注要求を行う小売店システム４とを備える。
【００１９】
需要予測システム１、発注提案システム２、発注システム３および小売店システム４は、いずれも例えば汎用的なコンピュータシステムにより構成され、以下に説明する各システム１、２、３、４内の個々の構成要素または機能は、例えば、コンピュータプログラムを実行することにより実現される。
【００２０】
まず、需要予測システム１について、図２を用いて説明する。
【００２１】
需要予測システム１では、売上数調整部１１が売上データベース５に蓄積されている過去の店舗別、日別、商品別の売上実績データを取得し、各商品の売上数を変動させる様々な変動要因が売上数の変動へ寄与する度合いを、商品別に係数として求め、係数テーブル１２へ格納する。売上数調整部１１は、さらに、求めた各係数を用いて、それぞれの変動要因による売上数の増減の影響を取り除いた商品別の調整済み売上数を求める。調整済み売上数は、調整済み売上データベース１８に記憶される。ここで、各係数がそれぞれの変動要因を正確に反映していないこともあるので、係数補正部１４が調整済み売上数を分析し、必要に応じて係数を補正する。また、基準値予測部１３が、過去の調整済み売上数を用いて、将来の調整済み売上数に相当する基準値を予測する。そして、予測値算出部１５が、上述の処理で求められた基準値および補正後の係数を用いて、各商品別の売上数を予測する。
【００２２】
以下、需要予測システム１における個別の処理について詳細に説明する。
【００２３】
売上数調整部１１は、売上データベース５から売上実績データを取得して、売価および販売促進（以下、販促という）の効果を取り除く売価・販促調整（Ｓ１）、天気の影響を取り除く天気調整（Ｓ２）、休業している店舗の影響を取り除く店調整（Ｓ３）、休日（土曜、日曜および祝祭日）であることによる影響を取り除く休日調整（Ｓ４）および曜日別の影響を取り除く曜日調整（Ｓ５）を、この順序で行う。なお、これらの各調整処理は、順序を変更して行うことも可能であるし、一つ以上の調整処理を省略することもできる。
【００２４】
売上データベース５は、日別、商品別の各小売店での売上数などの情報を記憶する。例えば、売上データベース５は、図３に示すように、データ項目として商品を識別する商品コード５０１と、店を識別するための店コード５０２と、年月日５０３と、曜日５０４と、休日であるかどうかを示す休日フラグ５０５と、天気を示す天気コード５０６と、店のある地域を示す地域コード５０７と、店の規模を示す規模コード５０８と、商品の基本となる売値である基本売価５０９と、
実際に商品が販売されたときの売価５１０と、その売価での売上数量５１１と、販促を行っていたかどうかを示す販促フラグ５１２とを有する。
【００２５】
天気コード５０６は、年月日５０３が示す日の、店コード５０２で示す店舗がある場所の天気を示すコードである。天気コード５０６は、例えば、「晴れ」、「晴れのち曇り」、「晴れのち一時曇り」などの１日の天気に対してコードが割り当てられている。
【００２６】
売上データベース５には、過去１２０日分および将来８日分のデータが記憶されている。過去のデータについては、すべて実績データが記憶されている。将来のデータについては、天気コード５０６は天気予報に基づいて設定され、売価５１０および販促フラグ５１２は各店が予定している内容が設定される。
【００２７】
次に、売上調整部１１が行うステップＳ１〜Ｓ５までの処理の詳細について説明する。
【００２８】
まず、売価・販促調整Ｓ１について、図４〜図７を用いて説明する。
【００２９】
売上数調整部１１は、売上データベース５の過去の全実績データを前処理して、売価集計データベース５１を生成する（Ｓ１１）。この前処理では、例えば、売上データベース５の所定のデータ項目について、商品コード、販促フラグおよび売上比率をキーにして集計する。売価集計データベース５１は、例えば、図５（ａ）に示すように、データ項目として、商品コード５１０１と、販促フラグ５１０２と、売価比率５１０３と、売上数５１０４と、度数５１０５とを有する。
【００３０】
ここで、売価比率５１０３とは、基本売価５０９に対する実際の売価５１０の比率であり、売価５１０が基本売価５０９と同じときに１となる。例えば、基本売価が１００円の商品を７０円で販売すると、売価比率は０．７である。
【００３１】
売上数５１０４は、売価比率５１０３ごとの過去１２０日間の全店舗の売り上げ数の平均である。
【００３２】
度数５１０５は、すべての店舗で、過去１２０日間に各売価比率５１０３で販売された延べ店舗数を示す。例えば、過去１２０日間に、２０店舗が商品Ｂを売価比率 “１”で販売した日数が１０日あったとすれば、売価比率５１０３が“１”の度数５１０５は“２００”とカウントされる。
【００３３】
図４に戻り説明を続ける。ステップＳ１１の前処理が終わると、売上数調整部１１は、売価集計データベース５１に記憶されたデータを統計処理して、売価と売上数との関係を求める。ここでは、各商品ごとに回帰分析を行い、回帰曲線を算出する（Ｓ１２）。回帰曲線算出の処理イメージを、図６を用いて説明する。
ここでは、売上比率と売上数との関係を示す曲線を最小二乗法を用いて算出する。なお、ここでは計算を容易にするために売価を正規化した売価比率を用いているが、売価を用いて行っても良い。
【００３４】
まず、売価集計データベース５１に記憶された、販促を行っていないときのデータ、すなわち販促フラグ５１０２が立っていないデータについて、売価比率５１０３をｘ軸、売上数５１０４をｙ軸にとったｘ−ｙ平面上へプロット（■）する。このとき、各プロットは度数５１０５に応じた重み付けがなされる。ここで、式（１）に示す回帰曲線と、重み付けされたプロット群とを用いて、最小二乗法によりｂ０およびｂ１を算出する。
ｙ＝ｂ０ｅｘｐ（−ｂ１ｘ） …（１）
【００３５】
図４に戻り、ステップＳ１２で求めた回帰曲線を用いて、売価係数および販促係数を算出する（Ｓ１３）。
【００３６】
販促係数は、以下のようにして算出する、すなわち、販促を行っていないときの売価比率と売上数との関係を示す式（１）の両辺の対数をとり、式（２）を得る。
ｌｏｇｅｙ＝ｌｏｇｅｂ０−ｂ１ｘ …（２）
【００３７】
そして、Ｘ軸に売価比率、Ｙ軸にｌｏｇｅ（売上数）をとりグラフ化すると、図７に示す直線Ａが得られる。このＸ−Ｙ平面上に、売価集計データベース５１に記憶された、販促を行ったときのデータ、つまり販促フラグ５１０２が立っているときの売価比率５１０３と売上数５１０４との関係をプロット（□）する。
【００３８】
ここで、販促を行ったときの売価比率とｌｏｇｅ（売上数）との間にも、式（２）と同じ傾き（−ｂ１）の直線関係があると仮定して、販促を行ったときの直線を示す式（３）を算出する。
ｌｏｇｅｙ＝ｌｏｇｅｋｂ０−ｂ１ｘ …（３）
ここで、切片ｌｏｇｅｋｂ０のｋを販促係数とする。
【００３９】
次に、売価係数の算出法について、図６を参照して説明する。まず、売価比率の中で度数が最も高いものを求める。つまり、売価比率５１０３をキーにして度数５１０５を集計したとき、最も大きな度数となる売価比率５１０３（以下、基準売価比率と呼ぶ）を求める。そして、基準売価比率を式（１）に代入し、そのときの売上数（以下、基準売上数と呼ぶ）を求める。そして、各売価比率の売価係数は、各売価比率の売上数の基準売上数に対する比率で表す。
【００４０】
例えば、本実施形態では、様々な売価比率のときの売上数を式（１）を使って求め、それぞれの売上数と基準売上数との比を、それぞれの売価係数として算出する。
【００４１】
図６を用いて、さらに具体的に説明する。図６の例では、基準売価比率は０．９であり、そのときの売上数（基準売上数）が１００であったとする。このとき、売価比率が０．９のときの売価係数は“１”である。さらに、売価比率が０．８のときの売上数が１１０であったとすると、そのときの売価係数は“１．１”となる。
【００４２】
本実施形態では、売価集計データベース５１に格納されているすべての売価比率５１０３について、上述の手順で売価係数を算出する。また、売上データベース５には、未来のデータ（予定の売価等）を記憶することが可能であり、未来にしか存在しない売価が売上データベース５にあるときには、これについても売価係数を算出することができる。
【００４３】
ここで求められた売価係数および販促係数は、売価・販促係数テーブル１２１に格納される。売価・販促係数テーブル１２１の例を図５（ｃ）に示す。すなわち、売価・販促係数テーブル１２１のデータ項目は、商品コード１２１１、売価１２１２、売価比率１２１３、売価係数１２１４および販促係数１２１５である。
【００４４】
そして、売価係数および販促係数を用いて、それぞれの商品について売上数の売価・販促調整を行う（Ｓ１４）。例えば、売上データベース５に格納されている過去の全実績データの売上数５１１を、商品コード５０１および基本売価５０９と売価５１０とにより定まる売価比率に対応する売価係数１２１４で除算することにより、売価調整を行う。この売価調整は、各売価のときの売上数を基準売価での売上数に換算することに相当する。つまり、実際の商品の売上数は売価に大きく依存するが、この売価調整を行うことにより、売価変動に起因する売上数の増減効果を取り除くことができる。
【００４５】
また、販促フラグ５１２が立っているデータについては、上述の売価調整行った後に、さらに販促係数１２１５で除算して販促調整を行う。売価と同様に、売上数は販促を行ったかどうかで大きく変動するため、この販促調整により、販促を行わなかったときの売上数に換算して、販促による売上数の増減効果を取り除くことができる。
【００４６】
この結果、売上データベース５に記憶されている過去の全実績データについて、売価および販促調整が行われる。ここで得た売価調整済みの売上数、ならびに、売価および販促調整済みの売上数を調整済み売上数Ａと呼ぶ。
【００４７】
調整済み売上数Ａは、調整済み売上数Ａデータベース５２に記憶される。調整済み売上数Ａデータベース５２は、図５（ｂ）に示すように、商品コード５２１と、店コード５２２と、年月日５２３と、曜日５２４と、休日フラグ５２５と、天気コード５２６と、地域コード５２７と、規模コード５２８と、調整済み売上数Ａ５２９とをデータ項目として有する。
【００４８】
次に、天気調整Ｓ２について、図８〜図１０を用いて説明する。
【００４９】
ここでは、売価および販促調整済みの調整済み売上数Ａを用いて天気調整を行う。そこで、売上数調整部１１は、調整済み売上数Ａデータベース５２に記憶されている全データを前処理して、天気集計データベース５３を生成する（Ｓ２１）。この前処理では、例えば、調整済み売上数Ａデータベース５２の所定の項目について、商品コード５２１および天気コード５２６をキーにして集計する。
【００５０】
天気集計データベース５３は、例えば、図９（ａ）に示すように、商品コード５３１と、天気コード５３２と、天気比率５３３と、調整済み売上数Ａ５３４と、度数５３５とをデータ項目として有する。
【００５１】
ここで、天気比率５３３とは、太陽が地平線より上にある時間帯に、実際に太陽が出ていた時間の割合を、天気コードに基づいて０から１までを８段階に区分して表したものである。ここでは、例えば、天気コードが晴れを示す場合は天気比率を「１」、天気コードが晴れのち曇りまたは曇りのち晴れを示す場合は天気比率を「０．５」、天気コードが雨を示す場合は天気比率を「０」などとする。
すなわち、天気によって太陽が出ていたと思われる大まかな時間は定まるので、天気コードが決まれば天気比率は一意に定まる。
【００５２】
調整済み売上数Ａ５３４は、各天気比率５３３のときの、過去１２０日の全店舗の調整済み売上数Ａの平均である。
【００５３】
度数５３５は、すべての店舗で、過去１２０日間に各天気比率５３３で販売された延べ店舗数を示す。例えば、過去１２０日間に、１０店舗が商品Ｄを天気比率“０．５”のときに販売した日数が２０日あったとすれば、天気比率５３３が“０．５”の度数５３５は“２００”とカウントされる。
【００５４】
再び図８を参照すると、売上数調整部１１は、天気集計データベース５３に記憶されたデータを統計処理して、天気と売上数との関係を求める。ここでは、天気集計データベース５３のデータを用いて各商品ごとに回帰分析を行い、回帰曲線を算出する（Ｓ２２）。この回帰分析処理について、図１０を用いて説明する。図１０は、ｘ軸に天気比率、ｙ軸に売上数をとったｘ−ｙ平面上で、天気比率と売上数との関係を示す直線を最小二乗法を用いて算出するときの処理イメージを示す。
【００５５】
図１０に示すｘ−ｙ平面上に、天気集計データベース５３のデータを、度数に応じた重み付けをしてプロットし、このプロット群を用いて式（４）のｃ０およびｃ１を最小二乗法を用いて算出する。
ｙ＝ｃ０＋ｃ１ｘ …（４）
【００５６】
図８に戻り、ステップＳ２２で求めた式（４）の直線を用いて、各商品について天気係数を算出する（Ｓ２３）。天気係数は、例えば、売価係数を算出するときと同様に、最も度数が高い天気比率（以下、基準点天気比率と呼ぶ）を求め、そのときの調整済み売上数Ａ（以下、基準調整済み売上数Ａと呼ぶ）を式（４）を用いて求め、この基準調整済み売上数Ａを基準にして定める。例えば、すべての天気比率に対応する調整済み売上数Ａを式（４）で求め、基準調整済み売上数Ａと、他の７段階の天気比率のときの調整済み売上数Ａとの比を求め、これをそれぞれの天気比率のときの天気係数とする。
【００５７】
図１０を用いて具体的に説明する。図１０の例では、最も度数が高い天気比率が０．６２５であり、そのときの調整済み売上数Ａ（基準調整済み売上数Ａ）が１００であったとする。このとき、天気比率が０．６２５のときの天気係数は“１”である。さらに、天気比率が０．５のときの調整済み売上数Ａが９０であったとすると、そのときの天気係数は０．９となる。
【００５８】
本実施形態では、天気集計データベース５３に格納されているすべての天気比率５３３について天気係数を算出する。また、売上データベース５には、未来のデータ（予定の売価等）を記憶することが可能であり、未来にしか存在しない天気比率が売上データベース５にあるときには、これについても天気係数を算出することができる。
【００５９】
ステップＳ２２で算出された天気係数は、天気係数テーブル１２２に格納される。天気係数テーブル１２２は、図９（ｃ）に示すように、商品コード１２２１と、天気コード１２２２と、天気係数１２２３とをデータ項目として備える。
【００６０】
次に、天気係数を用いて各商品の売上数の天気調整を行う。すなわち、天気調整は、調整済み売上数Ａデータベース５２の調整済み売上数Ａ５２９を、それぞれの天気コード５２６と対応する天気係数１２２３で除算して行われる。つまり、商品の売上数は天気により変動するが、この天気調整を行うことにより、天気が売上数の売上数の増減に与える影響が除去される。ここで求まった売上数は、売価および販促に加えて、さらに天気の影響も除去されたことになり、この売上数を調整済み売上数Ｂと呼ぶ。
【００６１】
調整済み売上数Ｂは、調整済み売上数Ｂデータベース５４に格納される。調整済み売上数Ｂデータベース５４のデータ項目は、例えば、図９（ｂ）に示すように、商品コード５４１と、店コード５４２と、年月日５４３と、曜日５４４と、休日フラグ５４５と、地域コード５４６と、規模コード５４７と、調整済み売上数Ｂ５４８とを有する。
【００６２】
次に、店調整Ｓ３について、図１１〜図１２を用いて説明する。
【００６３】
ここでは、売価、販促および天気調整済みの調整済み売上数Ｂを用いて店調整を行う。そこで、調整済み売上数Ｂデータベース５４に記憶されているデータを前処理して、店集計データベース５５を生成する（Ｓ３１）。この前処理では、例えば、調整済み売上数Ｂデータベース５４の商品コードと店コードとをキーにして集計する。店集計データベース５５は、例えば、図１２（ａ）に示すように、商品コード５５１と、店コード５５２と、地域コード５３３と、規模コード５５４と、調整済み売上数Ｂ５５５とをデータ項目として有する。
【００６４】
前処理後、売上調整処理部１１は、店集計データベース５５のデータを用いて、商品別に、店舗別の売上比率を示す店係数を算出する（Ｓ３２）。店係数の算出は、例えば、以下の式（５）を用いて、店ごと商品ごとに行う。
【００６５】
【数１】
【００６６】
また、売上調整処理部１１は、各店ごとに店係数を算出するとともに、それぞれの店を、各店の特性に応じて複数のクラスタのいずれかに分類する。例えば、各店の存在する地域を示す地域コード５５３、各店の規模を示す規模コード５５４、あるいは休日の売上金額などに応じてクラスタリングを行うことができる。
これ以降のＳ３の処理およびＳ４、Ｓ５の処理は、クラスタ単位で行うこともできる。
【００６７】
ここで算出された店係数およびクラスタリング結果は、店係数テーブル１２３に格納される。店係数テーブル１２３は、図１２（ｃ）に示すように、商品コード１２３１と、店コード１２３２と、店係数１２３３と、クラスタ番号１２３４とを有する。
【００６８】
次に、ここで求めた店係数を用いて、調整済み売上数Ｂに対して商品別、日別に店調整を行う（Ｓ３３）。ここでは、休業した店があると、その日は全体の売上数が減少するため、店の休業による売上数の減少を補償する。この店調整により、調整済み売上数Ｂからさらに店舗の休業による売上変動が除去される。店調整後の売上数を調整済み売上数Ｃと呼ぶ。それぞれの日の調整済み売上数Ｃは、次の式（６）で得られる。
【００６９】
【数２】
【００７０】
なお、式（６）の右辺の分母の営業している店舗の店係数合計は、以下のようにして求める。すなわち、もともと売上データベース５には休業している店のデータが存在しないので、調整済み売上数Ｂデータベース５４の調整済み売上数Ｂ５４８を日別に集計する際、店コード５４２を抽出しておき、その店コード５４２の店係数１２３３を集計する。
【００７１】
これにより、調整済み売上数Ｃの算出対象となっている日に休業している店があったとしても、その店が休業でなかった場合に予想される売上数が求まる。
【００７２】
調整済み売上数Ｃは、調整済み売上数Ｃデータベース５６に格納される。調整済み売上数Ｃデータベース５６のデータ項目は、例えば、図１２（ｂ）に示すように、商品コード５６１と、クラスタ番号５６２と、年月日５６３と、曜日５６４と、休日フラグ５６５と、店係数合計５６６と、調整済み売上数Ｃ５６７とを有する。
【００７３】
次に、休日調整Ｓ４について、図１３〜図１４を用いて説明する。
【００７４】
ここでは、売価、販促、天気および店調整済みの調整済み売上数Ｃを用いて休日要因の調整を行う。そこで、調整済み売上数Ｃデータベース５６に記憶されているデータを用いて、商品別に休日係数を算出する（Ｓ４１）。休日係数は、過去１２０日にあるすべての休日（土曜、日曜および国民の祝日）について、以下の式（７）で算出する。
【００７５】
【数３】
平日とは休日以外の日を指す。
【００７６】
ここで算出した休日係数は、休日係数テーブル１２４へ格納される。休日係数テーブル１２４は、例えば、図１４（ａ）に示すように、商品コード１２４１と、クラスタ番号１２４２と、休日係数１２４３と、休日フラグ１２４４とを有する。
【００７７】
そして、休日フラグ５６５が立っている調整済み売上数Ｃ５６７に対して、休日係数を用いて商品別に休日調整を行う（Ｓ４２）。休日調整は、例えば、各休日の調整済み売上数Ｃを、休日係数で除算することによって行う。この休日調整により、調整済み売上数Ｃからさらに休日であることによる売上変動が除去される。休日調整後の売上数を調整済み売上数Ｄと呼ぶ。
【００７８】
調整済み売上数Ｄは、調整済み売上数Ｄデータベース５７に格納される。調整済み売上数Ｄデータベース５７のデータ項目は、例えば、図１４（ｂ）に示すように、商品コード５７１と、クラスタ番号５７２と、年月日５７３と、曜日５７４と、休日フラグ５７５と、店係数合計５７６と、調整済み売上数Ｄ５７７とを有する。
【００７９】
次に、曜日調整Ｓ５について、図１５〜図１７を用いて説明する。
【００８０】
ここでは、売価、販促、天気、店および休日調整済みの調整済み売上数Ｄを用いて曜日調整を行う。そこで、調整済み売上数Ｄデータベース５７に記憶されているデータを用いて、各曜日の売上の特性を示す曜日係数を算出する（Ｓ５１）。曜日係数は、以下のようにして算出する。
【００８１】
まず、売上データベース５に実績データが記憶されている過去１２０日のうち、最も過去の３日と最近の３日を除く１１４日分の調整済み売上数Ｄを対象に、移動平均をかけて曜日別の特性を除去する。
【００８２】
移動平均は、例えば、図１６に示すように、移動平均算出対象日およびその日の前後各３日分（対象となる日を含めて７日分）の調整済み売上数Ｄを用いて行う。つまり、この７日の調整済み売上数Ｄの平均値が、算出対象日の移動平均値となる。そして、対象となる日の調整済み売上数Ｄを、この移動平均値で除算して得た値を、曜日ごとに平均して曜日係数を算出する。
【００８３】
ここで求まった曜日係数は、曜日係数テーブル１２５に格納される。曜日係数テーブル１２５は、例えば、図１７（ａ）に示すように、商品コード１２５１と、クラスタ番号１２５２と、曜日１２５３と、曜日係数１２５４とを有する。
【００８４】
図１５に戻り、調整済み売上数Ｄに対して、それぞれの曜日に応じた曜日係数を用いて曜日調整を行う（Ｓ５２）。例えば、曜日調整は、調整済み売上数Ｄデータベースに記憶されている調整済み売上数Ｄ５７７を、それと対応する曜日５７４の曜日係数１２５４で除算して行われる。この結果、調整済み売上数Ｄからさらに、曜日による売上変動が除去される。ここで、曜日による売上変動が除去された売上数が、すべての売上変動要因を除去した調整済みの売上数である。そして、この調整済み売上数が調整済み売上データベース１８に格納される。
【００８５】
調整済み売上データベース１８は、図１７（ｂ）に示すように、商品コード１８１と、クラスタ番号１８２と、年月日１８３と、曜日１８４と、休日フラグ１８５と、店係数合計１８６と、調整済み売上数１８７とを、データ項目として有する。
【００８６】
以上に説明したように、売上数調整部１１は、売上データベース５に記憶されている実際の売上数（以下、調整前の売上数と呼ぶことがある）などのデータを用いて、様々な変動要因が売上数の変動に寄与する度合いをそれぞれの係数として求め、その係数を用いて各変動要因による売上数の変動を除去した調整済み売上数を求める。ここで求まった調整済み売上数および各係数は、以下のように利用される。
【００８７】
図２を参照して、基準値予測部１３について説明する。
【００８８】
基準値予測部１３は、調整済み売上データベース１８に記憶されている商品別の調整済みの売上数を用いて、調整済み売上数に対応する将来の売上数（以下、基準値と呼ぶ）をすべての商品について予測する。
【００８９】
基準値予測部１３は、調整済み売上数は、変動要因の影響が十分に除去されているかどうかの検定を行って、離れ値を除去する検定処理（Ｓ６）と、検定処理後の調整済み売上数に対して指数平滑化法を用いて基準値を算出する指数平滑処理（Ｓ７）とを行う。
【００９０】
まず、検定処理Ｓ６について説明する。
【００９１】
基準値予測部１３は、商品ごとに、過去の調整後の売上数についてヒストグラムをとり、このヒストグラムが正規分布に従うかどうを、式（８）に示す歪度を計算して判定する。
【００９２】
【数４】
ｎはサンプルとなった調整済み売上数の数（日数）、ｘｉは調整済み売上数、ｘａｖはｘｉの平均値、Ｖはｘｉの分散である。
【００９３】
完全に正規分布に従う場合は歪度が０となるので、歪度が０を含む所定の範囲内である商品に関しては、変動要因が十分に除去されているものとして扱う。これに対して、歪度が所定のしきい値の範囲外となる商品は、売上調整部１１が行った調整では、変動要因が十分に除去されていないものと考えられる。従って、基準値予測部１３は、歪度が所定のしきい値の範囲外となる商品を抽出する。
【００９４】
ここで抽出された商品の調整済み売上数データを用いて、いわゆる箱ヒゲ図を作成する。箱ヒゲ図の作成方法の一例は、図１８を用いて説明する。
【００９５】
一日の調整済み売上数データを値の小さい順に並べ、中央値を求めた後、２５％点および７５％点を求める。そして、２５％点から７５％点までを箱で表す。
そして、中央値から箱の下端までの距離の１／２の長さのヒゲを箱の下端に付け、中央値から箱の上端までの距離の１／２の長さのヒゲを箱の上端に付ける。そして、上下のヒゲのさらに外側にある調整済み売上数データを離れ値として除去する。あるいは、離れ値は、離れ値以外の調整済み売上数データを用いて計算した平均値と置換してもよい。
【００９６】
次に、指数平滑処理Ｓ７について説明する。
【００９７】
検定処理で離れ値が除去された調整済み売上数データに対して、商品別に指数平滑化法を適用して、各商品の基準値を算出する。指数平滑化法による予測値算出式を以下に示す。
ｆｔ＋１＝α・ｘｔ＋（１−α）ｆｔ …（９）
ｆｔ＋１は翌日の予測値、ｘｔは対象商品の当日の調整済み売上数、ｆｔは対象商品の当日の予測値を示す。αは０から１までの値をとる。
【００９８】
まず、調整済み売上データベース１８に記憶されている過去の調整済み売上数データを式（９）に適用して、最適なαを算出する。例えば、様々なα（例えば、０から１まで０．０１刻み）に対して、調整済み売上数をｘｔに設定して翌日の予測値ｆｔ＋１を算出する。このとき、予測値ｆｔの初期値は０とする。そして、予測値ｆｔ＋１と調整済み売上数ｘｔ＋１との誤差の二乗を、過去１２０日分のデータに付いて合計し、その合計が最小となるようなαを最適なαとする。
【００９９】
最適なαが定まると、このαを用いて翌日の基準値を算出する。すなわち、ｘｔに本日の調整済み売上数、ｆｔに最適なαのときの本日の予測値を代入して、翌日の基準値を求める。
【０１００】
なお、この基準値は予測値算出部１５が将来の売上数を予測するときに用いられるが、その際、翌日以降の将来の日の基準値は、翌日の基準値と同一であるとする。
【０１０１】
次に、係数補正部１４について説明する。係数補正部１４は、本システムの予測モデルの予測精度を商品別に検証するモデル適合度判定（Ｓ８）と、モデル適合度判定の結果に基づいて係数を補正する補正処理（Ｓ９）を行う。
【０１０２】
ここで、次に説明する予測値算出部１５は、算出した売上数の予測値を事前予測値記憶部１９に格納する。つまり、事前予測値記憶部１９には、過去の商品別の売上数の予測値が蓄積されている。
【０１０３】
ステップＳ８のモデル適合度判定では、各商品について、この蓄積された事前予測値と、売上データベース５に記憶されている調整前の売上数の実績データとの誤差を求める。そして、この誤差を分析して、本システムの予測モデルの精度を判定し、予測精度が低く、本システムの予測モデルが実績データと適合していない商品を抽出する。例えば、係数補正部１４は、各商品の過去の所定日数分の事前予測値と調整前の売上数との誤差の分布を求める。この誤差の分布は正規分布に従うと考えられるので、正規分布から大きくはずれる商品、あるいは正規分布に近い誤差分布を有するが、標準偏差が所定のしきい値よりも大きい商品などを抽出する。
【０１０４】
ステップＳ９の係数補正処理では、モデルへの適合度が低いとして抽出された商品に関するデータを用いて各係数を補正する。例えば、最適化アルゴリズムを用いて、抽出された商品の事前予測値と調整前の売上数との誤差が最小になるような係数を算出する。算出された係数を用いて係数テーブル１２を更新し、係数を補正する。
【０１０５】
予測値算出部１５は、係数テーブル１２に蓄積された各係数と、基準値予測部１３が予測した各商品の基準値と、売上データベース５に格納されている予定の売価などの販売条件とを用いて、将来の売上数の予測値を算出する。例えば、以下の式を用いて、各店舗の日別商品別の売上数の予測値を算出する。
売上数の予測値＝ 基準値×売価係数×販促係数×天気係数×店係数×休日係数×曜日係数 …（１０）
【０１０６】
売価係数は、予測対象日に予定している売価に対応する売価係数である。販促係数は、予測対象日に販促が予定されていない場合は１とする。天気係数は、予測対象日の予想される天気（天気予報）と対応する天気係数である。店係数は、予測対象店舗の店係数である。曜日係数は、予測対象日の曜日と対応する曜日係数である。休日係数は、予測対象日が平日である場合は１である。
【０１０７】
ここまでに説明した需要予測システム１が算出した各商品の売上数の予測値、すなわち、商品別の需要予測値を用いて、発注提案システム２が各小売店に対して発注数量の提案を行う。
【０１０８】
発注提案システム２は、需要予測システム１が算出した需要予測値および各小売店の在庫状況に基づいて、各小売店に対して発注提案を行う。
【０１０９】
発注提案システム２の処理手順について、図１９を用いて説明する。発注提案システム２は、需要予測システム１から商品別の売上数予測値を取得し、各小売店の在庫状況を記憶した在庫データベース６から、各小売店の商品別の在庫数および発注済みで今後納品が予定されている納品数を取得する。
【０１１０】
発注提案システム２は、小売店システム４から店舗別、商品別の基準在庫数を取得する。ここで、基準在庫数とは、各小売店がそれぞれ定める在庫数であり、例えば、店の陳列棚に商品を陳列したときに、ボリューム感があり顧客に対して訴求する効果があると思われる在庫数であってもよい。この場合、基準在庫数は、陳列スペースの混み具合、またはすき具合に基づいて定めることができる。陳列スペースの混み具合またはすき具合は、例えば、陳列スペースに陳列可能な商品数に対する、陳列されている商品数の割合を占有率として用いてもよい。この場合、基準在庫数は、商品毎に予め定められている占有率に基づいて定まる。
【０１１１】
また、各小売店システム４発注提案システム２に対して、それぞれの小売店における商品別の基準在庫数を報告する（Ｓ１１１）。
【０１１２】
そして、発注提案システム２は、店舗別商品別の発注提案数を算出する（Ｓ１０１）。このときの算出式の一例が式（１１）である。
発注提案数＝売上数予測値（３日分）−在庫数−納品数＋基準在庫数 …（１１）
【０１１３】
そして、発注提案システム２は、この発注提案数を各小売店システム４へ送信して、発注提案を行う（Ｓ１０２）。
【０１１４】
各小売店システム４は、この発注提案を受信し、店舗の担当者が発注提案数を確認して、発注依頼をする（Ｓ１１２）。このとき、発注数を変更することもできる。
【０１１５】
発注提案システム２は、小売店システム４からの発注依頼を受けて、発注システム３に対して正式な発注を行う（Ｓ１０３）。
【０１１６】
なお、基準在庫数は、品切れ防止のために必要な安全在庫数と置き換えられても良い。
【０１１７】
次に、需要予測システムの第２の実施形態について説明する。本実施形態に係る需要予測システム１００の構成図を図２０に示す。この需要予測システム１００では、年末年始の需要予測を行うための年末年始処理部１１０を備えている。
年末年始には、商品によっては売れ行きが通常とは大きく異なるものがある。その代表的なものが掃除用品やお正月用品などであり、年末の一定の時期に売上数が著しく増加し、それを過ぎると売上数が一時的に著しく減少する。以下に説明する第２の実施形態に係る需要予測システム１００では、このような商品であっても需要予測を行うことができるようになる。なお、第１の実施形態で説明した構成または機能と同一のものについては、同一の符号を付し、説明を省略することがある。
【０１１８】
需要予測システム１００は、第１の実施形態と同様に、売上数調整部１１と、係数テーブル１２０と、基準値予測部１３と、係数補正部１４と、予測値算出部１５０と、調整後の売上数等を記憶する調整済み売上データベース１８と、事前予測値データベース１９とを備え、さらに、年末年始処理部１１０を備える。
【０１１９】
係数テーブル１２０は、第１の実施形態の係数テーブル１２と同様に、売価・販促係数テーブル１２１と、天気係数テーブル１２２と、店係数テーブル１２３と、休日係数テーブル１２４と、曜日係数テーブル１２５とを備え、さらに、トレンド係数テーブル１２６を備える。トレンド係数は、後述する年末年始処理部１１０のトレンド分析Ｓ２２０によって算出される。トレンド係数テーブル１２６には、日別のトレンド係数が、少なくとも需要予測の対象日について格納される。
【０１２０】
予測値算出部１５０は、基準値および各係数テーブル１２１〜１２６に格納されている各係数を用いて予測値を算出する。予測値算出部１５０の処理の詳細については後述する。
【０１２１】
年末年始処理部１１０は、年末年始の商品の売れ行きを分析し、年末年始の需要予測に必要な処理を行う。
例えば、年末年始処理部１１０は、全商品について売上数の変化にトレンドがあるかどうかを判定するトレンド検定Ｓ２１０と、トレンドがある商品についてそのトレンドを定量化するためのトレンド分析Ｓ２２０とを行う。以下、これらの詳細について説明する。
【０１２２】
ところで、本実施形態では年末年始処理の対象となる期間が定められていて、その期間内でもさらに、複数の期間に分割されている。本実施形態では、例えば、売上数が急激に増加すると予想されるハイシーズンと、増加した売上数が急激に減少し、平均の売上数よりも落ち込むと予想されるロウシーズンと、落ち込んだ売上数が通常の売上数へ徐々に回復していくミドルシーズンと、年末年始の影響を受けないと考えられるこれら以外の時期のノーマルシーズンとに分割して考える。ハイシーズン、ロウシーズンおよびノーマルシーズンの定め方は任意であるが、ここでは、ハイシーズンは１２月２０日から１２月３０日まで、ロウシーズンは１２月３１日から翌年の１月４日まで、ミドルシーズンは１月５日から１月９日までとし、これら以外の期間をノーマルシーズンとする。以下に説明する年末年始処理は、処理対象日（当日）がハイシーズン、ミドルシーズンおよびロウシーズンのいずれかの期間内であれば行われるものであり、ノーマルシーズンの期間には行われない。
【０１２３】
年末年始処理部１１０が行うトレンド検定Ｓ２１０について、図２１を用いて説明する。なお、ロウシーズンの場合、トレンド検定Ｓ２１０を省略することができる。
【０１２４】
まず、調整済み売上データベース１８に記憶されている商品別の調整済み売上数１８７を用いて、ノーマルシーズン内の所定期間における商品別の平均およびその分散を算出する（Ｓ２１１）。例えば、調整済み売上データベース１８に記憶されている１２月１９日以前の調整済み売上数１８７を用いて、商品コード１８１ごとに平均μおよび分散ＳＤを算出する。このとき、すでに説明したいわゆる箱ヒゲ図を用いて、調整済み売上数が大きくはずれている離れ値を除外してから算出してもよい。
【０１２５】
つぎに、ここで求めた平均μおよび分散ＳＤを用いて、処理対象日の商品ごとのｔ値を算出する（Ｓ２１２）。つまり、ステップＳ２１２では、ノーマルシーズンとそれ以外のシーズンとの売上数を、ｔ検定を用いて比較する。
【０１２６】
【数５】
ｎは、平均μおよび分散ＳＤ算出に用いたノーマルシーズンの日数である。ｘｉは、処理対象日の調整済み売上数である。
【０１２７】
トレンド検定Ｓ２１０で求めたｔ値を用いて、トレンド分析Ｓ２２０を行う。
トレンド分析の処理は、ハイシーズンのときの処理手順を図２２、ミドルシーズンのときの処理手順を図２３にそれぞれ示す。
【０１２８】
ハイシーズンのときは、まず、ｔ値を用いてトレンド判定を行う（Ｓ１２１）。例えば、ある商品のｔ値が所定のしきい値よりも大きいときは、その商品の売上数は増加していて、ノーマルシーズンとは異なる性質を示している。つまり、この場合、その商品はハイシーズンにおいて増加のトレンドを示しているものとして抽出する。そして、以下の処理はトレンドがある場合のみ行う。
【０１２９】
トレンドを示した商品について、直近の６日から１０日程度の調整済み売上数１８７を用いて１次関数（直線）、ｎ次関数（ｎは２以上の自然数）、および指数関数の３パターンについて回帰分析を行い、３つの回帰曲線（直線）を求める（Ｓ１２２）。各回帰曲線の例を図２４に示す。（ａ）が１次関数、（ｂ）がｎ次関数（ここではｎ＝２）、（ｃ）が指数関数である。この図は、処理対象日が１２月２６日で、直近の７日のデータを用いて回帰分析を行った結果である。なお、調整済み売上数１８７のばらつきを取り除くため、調整済み売上数１８７の日別２期移動平均を求めて、これ用いてもよい。
【０１３０】
そして、式（１３）に示す決定係数を用いて、調整済み売上数１８７の増加傾向が３つの回帰曲線のいずれに最も近似しているかを判定する（Ｓ１２３）。なお、式（１３）は、回帰分析の最小二乗法で用いられる一般的な式である。
【０１３１】
【数６】
ここで、ｙｉは回帰式によって計算された調整済み売上数、ｘｉは調整済み売上数、ｘＡＶはｘｉの平均である。
【０１３２】
決定係数は０から１の値をとり、１に近いほど回帰曲線への当てはまりの良さを示す。ステップＳ１２３では、各回帰曲線について決定係数を算出し、商品ごとに最も１に近い回帰曲線を選択する。
【０１３３】
ここで選択された回帰曲線を用いて、トレンド係数を算出する（Ｓ１２４）。トレンド係数は、ハイシーズン、ロウシーズンおよびミドルシーズンの間の売上数の増減の程度を示す指標であり、商品別日別に求められる。トレンド係数の算出について、図２４の例で具体的に説明する。ここでは、ステップＳ１２３で図２４（ｂ）の２次関数が選択されたものとする。このとき、処理対象日（１２月２６日）を基準として、これよりも将来の日では、どの程度の売上数の増加が予想されるかを求める。例えば、処理対象日の調整済み売上数を１としたときの将来の売上数を、回帰曲線から求める。図２４の例では、１２月２７日のトレンド係数は１．２、１２月２８日のトレンド係数は１．４となる。トレンド係数は需要予測対象日について算出される。たとえば、５日先まで需要予測を行うのであれば、５日先までのトレンド係数が算出される。
【０１３４】
ここで算出されたトレンド係数は、トレンド係数テーブル１２６に格納される（Ｓ１２６）。
【０１３５】
ハイシーズンのときは、以上の処理のよりトレンド係数が算出され、後述するように予測値算出部１５０がハイシーズンの売上数を予測する。
【０１３６】
つぎに、ミドルシーズンのときは、図２３の処理を行う。まず、ｔ値を用いてトレンド判定を行う（Ｓ１２６）。ミドルシーズンのトレンド判定は、ハイシーズンのトレンド判定Ｓ１２１とは異なる。つまり、このトレンド判定により、ハイシーズンで売上が急激に伸び、ロウシーズンになると売上数が急激に落ち込み、ハイシーズン終盤の売上数からロウシーズンの売上数への減少幅が所定以上であるというトレンドを示す商品を抽出する。例えば、ハイシーズンの終盤の所定日数（例えば３日）のｔ値の平均と、処理対象日の直近の所定日数（例えば５日）のｔ値の平均とを比較して、それらの差分があるしきい値以上である商品を抽出する。そして、以下の処理はトレンドがある場合のみ行う。
【０１３７】
トレンドを示した商品については、需要予測対象日のトレンド係数を０に設定して、トレンド係数テーブルに格納する（Ｓ１２７）。
【０１３８】
ロウシーズンのときは、全商品の需要予測対象日のトレンド係数をすべて０に設定して、トレンド係数テーブルに格納する。
【０１３９】
予測値算出部１５０は、年末年始処理以外の通常の処理と同様に、係数テーブル１２０に蓄積された各係数と、基準値予測部１３が予測した各商品の基準値と、売上データベース５に格納されている予定の売価などの販売条件とを用いて、将来の売上数の予測値を算出する。例えば、以下の式を用いて、ハイ、ロウ、ミドルの各シーズンの各店舗の日別商品別の売上数の予測値を算出する。
売上数の予測値＝ 基準値×売価係数×販促係数×天気係数×店係数×休日係数×曜日係数×トレンド係数 …（１４）
トレンド係数は、予測対象日のトレンド係数である。
【０１４０】
なお、年末年始処理では、基準値予測部１３の検定処理Ｓ６を省略してもよい。
【０１４１】
これにより、年末になると急激に売上数が増加し、年始になると急激に減少するような商品についても、売れ行きの動向に沿った需要予測を行うことができるようになる。
【０１４２】
なお、本実施形態では売上数が増加した後、急激に減少する場合について説明したが、これとは反対に、売上数が減少した後、急激に増加するような場合にも適用可能である。
【０１４３】
また、本実施形態では年末年始に特殊な売れ方をする商品の需要予測を行う場合について説明したが、これ以外にも暦または季節などによって急激に売上数が増加または減少する商品について、その時期の需要予測にも適用可能である。
【０１４４】
上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。
【０１４５】
例えば、上述した需要予測システム、発注提案システム及び発注システムは、それら３つを纏めて一つのコンピュータマシンで集中的に実現することもできるし、それぞれ一つのコンピュータマシンに分けて実現することもできるし、それぞれ複数のコンピュータマシンで分散的に実現することもできる。
【図面の簡単な説明】
【図１】本発明を適用した一実施形態に係る在庫管理システムの構成を示す図である。
【図２】第１の実施形態に係る需要予測システムの構成を示す図である。
【図３】売上データベース５のデータ構造の一例を示す図である。
【図４】売価・販促調整の手順を示すフローチャートである。
【図５】（ａ）は売価集計データベース５１、（ｂ）は調整済み売上数Ａデータベース５２、および（ｃ）売価・販促係数テーブル１２１の構成の一例を示す図である。
【図６】売上数と売価比率との関係を示す図である。
【図７】売上数と売価比率との関係を示す図である。
【図８】天気調整の手順を示すフローチャートである。
【図９】（ａ）は天気集計データベース５３、（ｂ）は調整済み売上数Ｂデータベース５４、および（ｃ）天気係数テーブル１２２の構成の一例を示す図である。
【図１０】調整済み売上数Ａと天気比率との関係を示す図である。
【図１１】店調整の手順を示すフローチャートである。
【図１２】（ａ）は店集計データベース５５、（ｂ）は調整済み売上数Ｃデータベース５６、および（ｃ）店係数テーブル１２３の構成の一例を示す図である。
【図１３】休日調整の手順を示すフローチャートである。
【図１４】（ａ）は休日係数テーブル１２４、および（ｂ）は調整済み売上数Ｄデータベース５７の構成の一例を示す図である。
【図１５】曜日調整の手順を示すフローチャートである。
【図１６】移動平均値の算出手順を説明するための図である。
【図１７】（ａ）は曜日係数テーブル１２５、および（ｂ）は調整済み売上数データベース１８の構成の一例を示す図である。
【図１８】検定処理手順を説明するための図である。
【図１９】本実施形態に係る発注提案システムの構成を示す図である。
【図２０】
第２の実施形態に係る需要予測システムの構成を示す図である。
【図２１】
トレンド検定の手順を示すフローチャートである。
【図２２】
ハイシーズンのトレンド分析の手順を示すフローチャートである。
【図２３】
ミドルシーズンのトレンド分析の手順を示すフローチャートである。
【図２４】
トレンド係数を算出する手順を説明するための図である。
【符号の説明】
１、１００…需要予測システム、２…発注提案システム、３…発注システム、４…小売店システム、５…売上データベース、６…在庫データベース、１１…売上数調整部、１２、１２０…係数テーブル、１３…基準値予測部、１４…係数補正部、１５、１５０…予測値算出部、１８…調整済み売上データベース、１９…事前予測値データベース、１１０…年末年始処理部、Ｓ１…売価・販促調整処理、Ｓ２…天気調整処理、Ｓ３…店調整処理、Ｓ４…休日調整処理、Ｓ５…曜日調整処理、Ｓ６…検定処理、Ｓ７…指数平滑処理、Ｓ８…モデル適合度判定処理、Ｓ９…補正処理。
【発明の属する技術分野】
本発明は、小売店が販売する商品の需要を予測するための技術に関する。
【０００２】
【従来の技術】
小売店の多くにはＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅｓ）システムが普及し、これを通じて集めた商品の売上データが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て、効率的に発注を行う自動発注システムがある。
【０００３】
例えば、特許文献１には、商品の需要の変動要因を考慮して需要予測をし、予測結果に基づいて商品を自動発注するシステムが記載されている。
【０００４】
【特許文献１】
特開平１−２２４８６４号公報
【０００５】
【発明が解決しようとする課題】
しかしながら、特許文献１に記載されている自動発注システムが行っている需要予測は、過去データの単なる平均であったり、店長等の在庫管理者のノウハウに基づいた補正ルール等に基づいて補正を行ったりしている。つまり、変動要因がどの程度売上数を変動させるかが、店長の経験とカンに基づいて決定されている。
【０００６】
また、需要予測結果に基づく発注数も、店長等のノウハウに基づいた診断ルール等に基づいて修正を行って、決定している。つまり、システムが算出した発注数を店長の経験とカンで修正している。
【０００７】
このように、従来の自動発注システムでは、結局のところノウハウを有する者がいないと需要予測の精度を上げることができないし、さらには、適正な発注数を決定することもできない。
【０００８】
本発明は、ノウハウがなくても商品の需要予測ができるようにするための技術を提供することである。
【０００９】
本発明の別の目的は、一定の期間に限り、その時期に特有な売れ方をする商品の需要予測をするための技術を提供することである。
【００１０】
本発明のさらに別の目的は、年末に売上数が上昇し、年始に売上数が急減少するような商品の需要予測の精度を向上させるための技術を提供することである。
【００１１】
【課題を解決するための手段】
本発明の一つの実施態様に従う商品の需要予測システムは、複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された前記商品別の売上数を示す情報に基づいて、第１の期間の第１の売上数と第１の期間より以前の第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出する手段と、前記記憶手段に記憶されている前記抽出された商品の売上数を示す情報に基づいて、前記抽出された商品の第１の期間内の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段と、前記算出された商品別の指標に基づいて、第１の期間内の将来の商品別売上数を予測する手段とを備える。
【００１２】
好適な実施形態では、前記算出手段は、前記記憶手段に記憶されている前記抽出された商品の売上数を統計的に処理して、売上数の増加または減少を近似的に示す関数を導出する手段と、前記関数に基づいて、将来の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段とをさらに備えるようにしてもよい。
【００１３】
さらに、前記導出手段は、複数種類の関数の中から、売上数の増加または減少を最も近似的に示す一の関数を選択するようにしてもよい。
【００１４】
好適な実施形態では、前記記憶手段に記憶されている商品別の売上数を示す情報は、少なくとも売価による変動要因を除去した後の売上数を示す情報であってもよい。
【００１５】
好適な実施形態では、第１の売上数と第２の売上数との比較は、ｔ検定を用いて行ってもよい。
【００１６】
本発明の一つの実施態様に従う年末年始の商品需要予測システムは、複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された商品別売上数を示す情報に基づいて、年末を含む第１の期間で売上数が増加傾向にある商品を抽出する手段と、抽出された商品ごとに、前記売上数の増加傾向を示す指標を算出し、前記指標および前記過去の商品別の売上数に基づいて第１の期間の売上数を予測する第１の予測手段と、全商品について、第１の期間の後の年始を含む第２の期間の売上数を０と予測する第２の予測手段と、第１の期間の終盤から第２の期間への売上数の減少幅が所定以上である商品について、第２の期間の後の第３の期間の売上数を０と予測する第３の予測手段とを備える。
【００１７】
【発明の実施の形態】
以下、本発明を適用した実施形態について、図面を用いて説明する。
【００１８】
本発明の一実施形態に係る在庫管理システムは、複数の小売店における複数の商品の売上実績データに基づいて、小売店ごとに各商品の需要を予測する需要予測システム１と、この需要予測に基づいて各小売店に対して発注数量の提案を行う発注提案システム２と、小売店からの発注指示を受けて実際に商品の発注を行う発注システム３と、各小売店に設置されていて、発注提案を受け付けて発注要求を行う小売店システム４とを備える。
【００１９】
需要予測システム１、発注提案システム２、発注システム３および小売店システム４は、いずれも例えば汎用的なコンピュータシステムにより構成され、以下に説明する各システム１、２、３、４内の個々の構成要素または機能は、例えば、コンピュータプログラムを実行することにより実現される。
【００２０】
まず、需要予測システム１について、図２を用いて説明する。
【００２１】
需要予測システム１では、売上数調整部１１が売上データベース５に蓄積されている過去の店舗別、日別、商品別の売上実績データを取得し、各商品の売上数を変動させる様々な変動要因が売上数の変動へ寄与する度合いを、商品別に係数として求め、係数テーブル１２へ格納する。売上数調整部１１は、さらに、求めた各係数を用いて、それぞれの変動要因による売上数の増減の影響を取り除いた商品別の調整済み売上数を求める。調整済み売上数は、調整済み売上データベース１８に記憶される。ここで、各係数がそれぞれの変動要因を正確に反映していないこともあるので、係数補正部１４が調整済み売上数を分析し、必要に応じて係数を補正する。また、基準値予測部１３が、過去の調整済み売上数を用いて、将来の調整済み売上数に相当する基準値を予測する。そして、予測値算出部１５が、上述の処理で求められた基準値および補正後の係数を用いて、各商品別の売上数を予測する。
【００２２】
以下、需要予測システム１における個別の処理について詳細に説明する。
【００２３】
売上数調整部１１は、売上データベース５から売上実績データを取得して、売価および販売促進（以下、販促という）の効果を取り除く売価・販促調整（Ｓ１）、天気の影響を取り除く天気調整（Ｓ２）、休業している店舗の影響を取り除く店調整（Ｓ３）、休日（土曜、日曜および祝祭日）であることによる影響を取り除く休日調整（Ｓ４）および曜日別の影響を取り除く曜日調整（Ｓ５）を、この順序で行う。なお、これらの各調整処理は、順序を変更して行うことも可能であるし、一つ以上の調整処理を省略することもできる。
【００２４】
売上データベース５は、日別、商品別の各小売店での売上数などの情報を記憶する。例えば、売上データベース５は、図３に示すように、データ項目として商品を識別する商品コード５０１と、店を識別するための店コード５０２と、年月日５０３と、曜日５０４と、休日であるかどうかを示す休日フラグ５０５と、天気を示す天気コード５０６と、店のある地域を示す地域コード５０７と、店の規模を示す規模コード５０８と、商品の基本となる売値である基本売価５０９と、
実際に商品が販売されたときの売価５１０と、その売価での売上数量５１１と、販促を行っていたかどうかを示す販促フラグ５１２とを有する。
【００２５】
天気コード５０６は、年月日５０３が示す日の、店コード５０２で示す店舗がある場所の天気を示すコードである。天気コード５０６は、例えば、「晴れ」、「晴れのち曇り」、「晴れのち一時曇り」などの１日の天気に対してコードが割り当てられている。
【００２６】
売上データベース５には、過去１２０日分および将来８日分のデータが記憶されている。過去のデータについては、すべて実績データが記憶されている。将来のデータについては、天気コード５０６は天気予報に基づいて設定され、売価５１０および販促フラグ５１２は各店が予定している内容が設定される。
【００２７】
次に、売上調整部１１が行うステップＳ１〜Ｓ５までの処理の詳細について説明する。
【００２８】
まず、売価・販促調整Ｓ１について、図４〜図７を用いて説明する。
【００２９】
売上数調整部１１は、売上データベース５の過去の全実績データを前処理して、売価集計データベース５１を生成する（Ｓ１１）。この前処理では、例えば、売上データベース５の所定のデータ項目について、商品コード、販促フラグおよび売上比率をキーにして集計する。売価集計データベース５１は、例えば、図５（ａ）に示すように、データ項目として、商品コード５１０１と、販促フラグ５１０２と、売価比率５１０３と、売上数５１０４と、度数５１０５とを有する。
【００３０】
ここで、売価比率５１０３とは、基本売価５０９に対する実際の売価５１０の比率であり、売価５１０が基本売価５０９と同じときに１となる。例えば、基本売価が１００円の商品を７０円で販売すると、売価比率は０．７である。
【００３１】
売上数５１０４は、売価比率５１０３ごとの過去１２０日間の全店舗の売り上げ数の平均である。
【００３２】
度数５１０５は、すべての店舗で、過去１２０日間に各売価比率５１０３で販売された延べ店舗数を示す。例えば、過去１２０日間に、２０店舗が商品Ｂを売価比率 “１”で販売した日数が１０日あったとすれば、売価比率５１０３が“１”の度数５１０５は“２００”とカウントされる。
【００３３】
図４に戻り説明を続ける。ステップＳ１１の前処理が終わると、売上数調整部１１は、売価集計データベース５１に記憶されたデータを統計処理して、売価と売上数との関係を求める。ここでは、各商品ごとに回帰分析を行い、回帰曲線を算出する（Ｓ１２）。回帰曲線算出の処理イメージを、図６を用いて説明する。
ここでは、売上比率と売上数との関係を示す曲線を最小二乗法を用いて算出する。なお、ここでは計算を容易にするために売価を正規化した売価比率を用いているが、売価を用いて行っても良い。
【００３４】
まず、売価集計データベース５１に記憶された、販促を行っていないときのデータ、すなわち販促フラグ５１０２が立っていないデータについて、売価比率５１０３をｘ軸、売上数５１０４をｙ軸にとったｘ−ｙ平面上へプロット（■）する。このとき、各プロットは度数５１０５に応じた重み付けがなされる。ここで、式（１）に示す回帰曲線と、重み付けされたプロット群とを用いて、最小二乗法によりｂ０およびｂ１を算出する。
ｙ＝ｂ０ｅｘｐ（−ｂ１ｘ） …（１）
【００３５】
図４に戻り、ステップＳ１２で求めた回帰曲線を用いて、売価係数および販促係数を算出する（Ｓ１３）。
【００３６】
販促係数は、以下のようにして算出する、すなわち、販促を行っていないときの売価比率と売上数との関係を示す式（１）の両辺の対数をとり、式（２）を得る。
ｌｏｇｅｙ＝ｌｏｇｅｂ０−ｂ１ｘ …（２）
【００３７】
そして、Ｘ軸に売価比率、Ｙ軸にｌｏｇｅ（売上数）をとりグラフ化すると、図７に示す直線Ａが得られる。このＸ−Ｙ平面上に、売価集計データベース５１に記憶された、販促を行ったときのデータ、つまり販促フラグ５１０２が立っているときの売価比率５１０３と売上数５１０４との関係をプロット（□）する。
【００３８】
ここで、販促を行ったときの売価比率とｌｏｇｅ（売上数）との間にも、式（２）と同じ傾き（−ｂ１）の直線関係があると仮定して、販促を行ったときの直線を示す式（３）を算出する。
ｌｏｇｅｙ＝ｌｏｇｅｋｂ０−ｂ１ｘ …（３）
ここで、切片ｌｏｇｅｋｂ０のｋを販促係数とする。
【００３９】
次に、売価係数の算出法について、図６を参照して説明する。まず、売価比率の中で度数が最も高いものを求める。つまり、売価比率５１０３をキーにして度数５１０５を集計したとき、最も大きな度数となる売価比率５１０３（以下、基準売価比率と呼ぶ）を求める。そして、基準売価比率を式（１）に代入し、そのときの売上数（以下、基準売上数と呼ぶ）を求める。そして、各売価比率の売価係数は、各売価比率の売上数の基準売上数に対する比率で表す。
【００４０】
例えば、本実施形態では、様々な売価比率のときの売上数を式（１）を使って求め、それぞれの売上数と基準売上数との比を、それぞれの売価係数として算出する。
【００４１】
図６を用いて、さらに具体的に説明する。図６の例では、基準売価比率は０．９であり、そのときの売上数（基準売上数）が１００であったとする。このとき、売価比率が０．９のときの売価係数は“１”である。さらに、売価比率が０．８のときの売上数が１１０であったとすると、そのときの売価係数は“１．１”となる。
【００４２】
本実施形態では、売価集計データベース５１に格納されているすべての売価比率５１０３について、上述の手順で売価係数を算出する。また、売上データベース５には、未来のデータ（予定の売価等）を記憶することが可能であり、未来にしか存在しない売価が売上データベース５にあるときには、これについても売価係数を算出することができる。
【００４３】
ここで求められた売価係数および販促係数は、売価・販促係数テーブル１２１に格納される。売価・販促係数テーブル１２１の例を図５（ｃ）に示す。すなわち、売価・販促係数テーブル１２１のデータ項目は、商品コード１２１１、売価１２１２、売価比率１２１３、売価係数１２１４および販促係数１２１５である。
【００４４】
そして、売価係数および販促係数を用いて、それぞれの商品について売上数の売価・販促調整を行う（Ｓ１４）。例えば、売上データベース５に格納されている過去の全実績データの売上数５１１を、商品コード５０１および基本売価５０９と売価５１０とにより定まる売価比率に対応する売価係数１２１４で除算することにより、売価調整を行う。この売価調整は、各売価のときの売上数を基準売価での売上数に換算することに相当する。つまり、実際の商品の売上数は売価に大きく依存するが、この売価調整を行うことにより、売価変動に起因する売上数の増減効果を取り除くことができる。
【００４５】
また、販促フラグ５１２が立っているデータについては、上述の売価調整行った後に、さらに販促係数１２１５で除算して販促調整を行う。売価と同様に、売上数は販促を行ったかどうかで大きく変動するため、この販促調整により、販促を行わなかったときの売上数に換算して、販促による売上数の増減効果を取り除くことができる。
【００４６】
この結果、売上データベース５に記憶されている過去の全実績データについて、売価および販促調整が行われる。ここで得た売価調整済みの売上数、ならびに、売価および販促調整済みの売上数を調整済み売上数Ａと呼ぶ。
【００４７】
調整済み売上数Ａは、調整済み売上数Ａデータベース５２に記憶される。調整済み売上数Ａデータベース５２は、図５（ｂ）に示すように、商品コード５２１と、店コード５２２と、年月日５２３と、曜日５２４と、休日フラグ５２５と、天気コード５２６と、地域コード５２７と、規模コード５２８と、調整済み売上数Ａ５２９とをデータ項目として有する。
【００４８】
次に、天気調整Ｓ２について、図８〜図１０を用いて説明する。
【００４９】
ここでは、売価および販促調整済みの調整済み売上数Ａを用いて天気調整を行う。そこで、売上数調整部１１は、調整済み売上数Ａデータベース５２に記憶されている全データを前処理して、天気集計データベース５３を生成する（Ｓ２１）。この前処理では、例えば、調整済み売上数Ａデータベース５２の所定の項目について、商品コード５２１および天気コード５２６をキーにして集計する。
【００５０】
天気集計データベース５３は、例えば、図９（ａ）に示すように、商品コード５３１と、天気コード５３２と、天気比率５３３と、調整済み売上数Ａ５３４と、度数５３５とをデータ項目として有する。
【００５１】
ここで、天気比率５３３とは、太陽が地平線より上にある時間帯に、実際に太陽が出ていた時間の割合を、天気コードに基づいて０から１までを８段階に区分して表したものである。ここでは、例えば、天気コードが晴れを示す場合は天気比率を「１」、天気コードが晴れのち曇りまたは曇りのち晴れを示す場合は天気比率を「０．５」、天気コードが雨を示す場合は天気比率を「０」などとする。
すなわち、天気によって太陽が出ていたと思われる大まかな時間は定まるので、天気コードが決まれば天気比率は一意に定まる。
【００５２】
調整済み売上数Ａ５３４は、各天気比率５３３のときの、過去１２０日の全店舗の調整済み売上数Ａの平均である。
【００５３】
度数５３５は、すべての店舗で、過去１２０日間に各天気比率５３３で販売された延べ店舗数を示す。例えば、過去１２０日間に、１０店舗が商品Ｄを天気比率“０．５”のときに販売した日数が２０日あったとすれば、天気比率５３３が“０．５”の度数５３５は“２００”とカウントされる。
【００５４】
再び図８を参照すると、売上数調整部１１は、天気集計データベース５３に記憶されたデータを統計処理して、天気と売上数との関係を求める。ここでは、天気集計データベース５３のデータを用いて各商品ごとに回帰分析を行い、回帰曲線を算出する（Ｓ２２）。この回帰分析処理について、図１０を用いて説明する。図１０は、ｘ軸に天気比率、ｙ軸に売上数をとったｘ−ｙ平面上で、天気比率と売上数との関係を示す直線を最小二乗法を用いて算出するときの処理イメージを示す。
【００５５】
図１０に示すｘ−ｙ平面上に、天気集計データベース５３のデータを、度数に応じた重み付けをしてプロットし、このプロット群を用いて式（４）のｃ０およびｃ１を最小二乗法を用いて算出する。
ｙ＝ｃ０＋ｃ１ｘ …（４）
【００５６】
図８に戻り、ステップＳ２２で求めた式（４）の直線を用いて、各商品について天気係数を算出する（Ｓ２３）。天気係数は、例えば、売価係数を算出するときと同様に、最も度数が高い天気比率（以下、基準点天気比率と呼ぶ）を求め、そのときの調整済み売上数Ａ（以下、基準調整済み売上数Ａと呼ぶ）を式（４）を用いて求め、この基準調整済み売上数Ａを基準にして定める。例えば、すべての天気比率に対応する調整済み売上数Ａを式（４）で求め、基準調整済み売上数Ａと、他の７段階の天気比率のときの調整済み売上数Ａとの比を求め、これをそれぞれの天気比率のときの天気係数とする。
【００５７】
図１０を用いて具体的に説明する。図１０の例では、最も度数が高い天気比率が０．６２５であり、そのときの調整済み売上数Ａ（基準調整済み売上数Ａ）が１００であったとする。このとき、天気比率が０．６２５のときの天気係数は“１”である。さらに、天気比率が０．５のときの調整済み売上数Ａが９０であったとすると、そのときの天気係数は０．９となる。
【００５８】
本実施形態では、天気集計データベース５３に格納されているすべての天気比率５３３について天気係数を算出する。また、売上データベース５には、未来のデータ（予定の売価等）を記憶することが可能であり、未来にしか存在しない天気比率が売上データベース５にあるときには、これについても天気係数を算出することができる。
【００５９】
ステップＳ２２で算出された天気係数は、天気係数テーブル１２２に格納される。天気係数テーブル１２２は、図９（ｃ）に示すように、商品コード１２２１と、天気コード１２２２と、天気係数１２２３とをデータ項目として備える。
【００６０】
次に、天気係数を用いて各商品の売上数の天気調整を行う。すなわち、天気調整は、調整済み売上数Ａデータベース５２の調整済み売上数Ａ５２９を、それぞれの天気コード５２６と対応する天気係数１２２３で除算して行われる。つまり、商品の売上数は天気により変動するが、この天気調整を行うことにより、天気が売上数の売上数の増減に与える影響が除去される。ここで求まった売上数は、売価および販促に加えて、さらに天気の影響も除去されたことになり、この売上数を調整済み売上数Ｂと呼ぶ。
【００６１】
調整済み売上数Ｂは、調整済み売上数Ｂデータベース５４に格納される。調整済み売上数Ｂデータベース５４のデータ項目は、例えば、図９（ｂ）に示すように、商品コード５４１と、店コード５４２と、年月日５４３と、曜日５４４と、休日フラグ５４５と、地域コード５４６と、規模コード５４７と、調整済み売上数Ｂ５４８とを有する。
【００６２】
次に、店調整Ｓ３について、図１１〜図１２を用いて説明する。
【００６３】
ここでは、売価、販促および天気調整済みの調整済み売上数Ｂを用いて店調整を行う。そこで、調整済み売上数Ｂデータベース５４に記憶されているデータを前処理して、店集計データベース５５を生成する（Ｓ３１）。この前処理では、例えば、調整済み売上数Ｂデータベース５４の商品コードと店コードとをキーにして集計する。店集計データベース５５は、例えば、図１２（ａ）に示すように、商品コード５５１と、店コード５５２と、地域コード５３３と、規模コード５５４と、調整済み売上数Ｂ５５５とをデータ項目として有する。
【００６４】
前処理後、売上調整処理部１１は、店集計データベース５５のデータを用いて、商品別に、店舗別の売上比率を示す店係数を算出する（Ｓ３２）。店係数の算出は、例えば、以下の式（５）を用いて、店ごと商品ごとに行う。
【００６５】
【数１】
また、売上調整処理部１１は、各店ごとに店係数を算出するとともに、それぞれの店を、各店の特性に応じて複数のクラスタのいずれかに分類する。例えば、各店の存在する地域を示す地域コード５５３、各店の規模を示す規模コード５５４、あるいは休日の売上金額などに応じてクラスタリングを行うことができる。
これ以降のＳ３の処理およびＳ４、Ｓ５の処理は、クラスタ単位で行うこともできる。
【００６７】
ここで算出された店係数およびクラスタリング結果は、店係数テーブル１２３に格納される。店係数テーブル１２３は、図１２（ｃ）に示すように、商品コード１２３１と、店コード１２３２と、店係数１２３３と、クラスタ番号１２３４とを有する。
【００６８】
次に、ここで求めた店係数を用いて、調整済み売上数Ｂに対して商品別、日別に店調整を行う（Ｓ３３）。ここでは、休業した店があると、その日は全体の売上数が減少するため、店の休業による売上数の減少を補償する。この店調整により、調整済み売上数Ｂからさらに店舗の休業による売上変動が除去される。店調整後の売上数を調整済み売上数Ｃと呼ぶ。それぞれの日の調整済み売上数Ｃは、次の式（６）で得られる。
【００６９】
【数２】
なお、式（６）の右辺の分母の営業している店舗の店係数合計は、以下のようにして求める。すなわち、もともと売上データベース５には休業している店のデータが存在しないので、調整済み売上数Ｂデータベース５４の調整済み売上数Ｂ５４８を日別に集計する際、店コード５４２を抽出しておき、その店コード５４２の店係数１２３３を集計する。
【００７１】
これにより、調整済み売上数Ｃの算出対象となっている日に休業している店があったとしても、その店が休業でなかった場合に予想される売上数が求まる。
【００７２】
調整済み売上数Ｃは、調整済み売上数Ｃデータベース５６に格納される。調整済み売上数Ｃデータベース５６のデータ項目は、例えば、図１２（ｂ）に示すように、商品コード５６１と、クラスタ番号５６２と、年月日５６３と、曜日５６４と、休日フラグ５６５と、店係数合計５６６と、調整済み売上数Ｃ５６７とを有する。
【００７３】
次に、休日調整Ｓ４について、図１３〜図１４を用いて説明する。
【００７４】
ここでは、売価、販促、天気および店調整済みの調整済み売上数Ｃを用いて休日要因の調整を行う。そこで、調整済み売上数Ｃデータベース５６に記憶されているデータを用いて、商品別に休日係数を算出する（Ｓ４１）。休日係数は、過去１２０日にあるすべての休日（土曜、日曜および国民の祝日）について、以下の式（７）で算出する。
【００７５】
【数３】
【００７６】
ここで算出した休日係数は、休日係数テーブル１２４へ格納される。休日係数テーブル１２４は、例えば、図１４（ａ）に示すように、商品コード１２４１と、クラスタ番号１２４２と、休日係数１２４３と、休日フラグ１２４４とを有する。
【００７７】
そして、休日フラグ５６５が立っている調整済み売上数Ｃ５６７に対して、休日係数を用いて商品別に休日調整を行う（Ｓ４２）。休日調整は、例えば、各休日の調整済み売上数Ｃを、休日係数で除算することによって行う。この休日調整により、調整済み売上数Ｃからさらに休日であることによる売上変動が除去される。休日調整後の売上数を調整済み売上数Ｄと呼ぶ。
【００７８】
調整済み売上数Ｄは、調整済み売上数Ｄデータベース５７に格納される。調整済み売上数Ｄデータベース５７のデータ項目は、例えば、図１４（ｂ）に示すように、商品コード５７１と、クラスタ番号５７２と、年月日５７３と、曜日５７４と、休日フラグ５７５と、店係数合計５７６と、調整済み売上数Ｄ５７７とを有する。
【００７９】
次に、曜日調整Ｓ５について、図１５〜図１７を用いて説明する。
【００８０】
ここでは、売価、販促、天気、店および休日調整済みの調整済み売上数Ｄを用いて曜日調整を行う。そこで、調整済み売上数Ｄデータベース５７に記憶されているデータを用いて、各曜日の売上の特性を示す曜日係数を算出する（Ｓ５１）。曜日係数は、以下のようにして算出する。
【００８１】
まず、売上データベース５に実績データが記憶されている過去１２０日のうち、最も過去の３日と最近の３日を除く１１４日分の調整済み売上数Ｄを対象に、移動平均をかけて曜日別の特性を除去する。
【００８２】
移動平均は、例えば、図１６に示すように、移動平均算出対象日およびその日の前後各３日分（対象となる日を含めて７日分）の調整済み売上数Ｄを用いて行う。つまり、この７日の調整済み売上数Ｄの平均値が、算出対象日の移動平均値となる。そして、対象となる日の調整済み売上数Ｄを、この移動平均値で除算して得た値を、曜日ごとに平均して曜日係数を算出する。
【００８３】
ここで求まった曜日係数は、曜日係数テーブル１２５に格納される。曜日係数テーブル１２５は、例えば、図１７（ａ）に示すように、商品コード１２５１と、クラスタ番号１２５２と、曜日１２５３と、曜日係数１２５４とを有する。
【００８４】
図１５に戻り、調整済み売上数Ｄに対して、それぞれの曜日に応じた曜日係数を用いて曜日調整を行う（Ｓ５２）。例えば、曜日調整は、調整済み売上数Ｄデータベースに記憶されている調整済み売上数Ｄ５７７を、それと対応する曜日５７４の曜日係数１２５４で除算して行われる。この結果、調整済み売上数Ｄからさらに、曜日による売上変動が除去される。ここで、曜日による売上変動が除去された売上数が、すべての売上変動要因を除去した調整済みの売上数である。そして、この調整済み売上数が調整済み売上データベース１８に格納される。
【００８５】
調整済み売上データベース１８は、図１７（ｂ）に示すように、商品コード１８１と、クラスタ番号１８２と、年月日１８３と、曜日１８４と、休日フラグ１８５と、店係数合計１８６と、調整済み売上数１８７とを、データ項目として有する。
【００８６】
以上に説明したように、売上数調整部１１は、売上データベース５に記憶されている実際の売上数（以下、調整前の売上数と呼ぶことがある）などのデータを用いて、様々な変動要因が売上数の変動に寄与する度合いをそれぞれの係数として求め、その係数を用いて各変動要因による売上数の変動を除去した調整済み売上数を求める。ここで求まった調整済み売上数および各係数は、以下のように利用される。
【００８７】
図２を参照して、基準値予測部１３について説明する。
【００８８】
基準値予測部１３は、調整済み売上データベース１８に記憶されている商品別の調整済みの売上数を用いて、調整済み売上数に対応する将来の売上数（以下、基準値と呼ぶ）をすべての商品について予測する。
【００８９】
基準値予測部１３は、調整済み売上数は、変動要因の影響が十分に除去されているかどうかの検定を行って、離れ値を除去する検定処理（Ｓ６）と、検定処理後の調整済み売上数に対して指数平滑化法を用いて基準値を算出する指数平滑処理（Ｓ７）とを行う。
【００９０】
まず、検定処理Ｓ６について説明する。
【００９１】
基準値予測部１３は、商品ごとに、過去の調整後の売上数についてヒストグラムをとり、このヒストグラムが正規分布に従うかどうを、式（８）に示す歪度を計算して判定する。
【００９２】
【数４】
【００９３】
完全に正規分布に従う場合は歪度が０となるので、歪度が０を含む所定の範囲内である商品に関しては、変動要因が十分に除去されているものとして扱う。これに対して、歪度が所定のしきい値の範囲外となる商品は、売上調整部１１が行った調整では、変動要因が十分に除去されていないものと考えられる。従って、基準値予測部１３は、歪度が所定のしきい値の範囲外となる商品を抽出する。
【００９４】
ここで抽出された商品の調整済み売上数データを用いて、いわゆる箱ヒゲ図を作成する。箱ヒゲ図の作成方法の一例は、図１８を用いて説明する。
【００９５】
一日の調整済み売上数データを値の小さい順に並べ、中央値を求めた後、２５％点および７５％点を求める。そして、２５％点から７５％点までを箱で表す。
そして、中央値から箱の下端までの距離の１／２の長さのヒゲを箱の下端に付け、中央値から箱の上端までの距離の１／２の長さのヒゲを箱の上端に付ける。そして、上下のヒゲのさらに外側にある調整済み売上数データを離れ値として除去する。あるいは、離れ値は、離れ値以外の調整済み売上数データを用いて計算した平均値と置換してもよい。
【００９６】
次に、指数平滑処理Ｓ７について説明する。
【００９７】
検定処理で離れ値が除去された調整済み売上数データに対して、商品別に指数平滑化法を適用して、各商品の基準値を算出する。指数平滑化法による予測値算出式を以下に示す。
ｆｔ＋１＝α・ｘｔ＋（１−α）ｆｔ …（９）
ｆｔ＋１は翌日の予測値、ｘｔは対象商品の当日の調整済み売上数、ｆｔは対象商品の当日の予測値を示す。αは０から１までの値をとる。
【００９８】
まず、調整済み売上データベース１８に記憶されている過去の調整済み売上数データを式（９）に適用して、最適なαを算出する。例えば、様々なα（例えば、０から１まで０．０１刻み）に対して、調整済み売上数をｘｔに設定して翌日の予測値ｆｔ＋１を算出する。このとき、予測値ｆｔの初期値は０とする。そして、予測値ｆｔ＋１と調整済み売上数ｘｔ＋１との誤差の二乗を、過去１２０日分のデータに付いて合計し、その合計が最小となるようなαを最適なαとする。
【００９９】
最適なαが定まると、このαを用いて翌日の基準値を算出する。すなわち、ｘｔに本日の調整済み売上数、ｆｔに最適なαのときの本日の予測値を代入して、翌日の基準値を求める。
【０１００】
なお、この基準値は予測値算出部１５が将来の売上数を予測するときに用いられるが、その際、翌日以降の将来の日の基準値は、翌日の基準値と同一であるとする。
【０１０１】
次に、係数補正部１４について説明する。係数補正部１４は、本システムの予測モデルの予測精度を商品別に検証するモデル適合度判定（Ｓ８）と、モデル適合度判定の結果に基づいて係数を補正する補正処理（Ｓ９）を行う。
【０１０２】
ここで、次に説明する予測値算出部１５は、算出した売上数の予測値を事前予測値記憶部１９に格納する。つまり、事前予測値記憶部１９には、過去の商品別の売上数の予測値が蓄積されている。
【０１０３】
ステップＳ８のモデル適合度判定では、各商品について、この蓄積された事前予測値と、売上データベース５に記憶されている調整前の売上数の実績データとの誤差を求める。そして、この誤差を分析して、本システムの予測モデルの精度を判定し、予測精度が低く、本システムの予測モデルが実績データと適合していない商品を抽出する。例えば、係数補正部１４は、各商品の過去の所定日数分の事前予測値と調整前の売上数との誤差の分布を求める。この誤差の分布は正規分布に従うと考えられるので、正規分布から大きくはずれる商品、あるいは正規分布に近い誤差分布を有するが、標準偏差が所定のしきい値よりも大きい商品などを抽出する。
【０１０４】
ステップＳ９の係数補正処理では、モデルへの適合度が低いとして抽出された商品に関するデータを用いて各係数を補正する。例えば、最適化アルゴリズムを用いて、抽出された商品の事前予測値と調整前の売上数との誤差が最小になるような係数を算出する。算出された係数を用いて係数テーブル１２を更新し、係数を補正する。
【０１０５】
予測値算出部１５は、係数テーブル１２に蓄積された各係数と、基準値予測部１３が予測した各商品の基準値と、売上データベース５に格納されている予定の売価などの販売条件とを用いて、将来の売上数の予測値を算出する。例えば、以下の式を用いて、各店舗の日別商品別の売上数の予測値を算出する。
売上数の予測値＝ 基準値×売価係数×販促係数×天気係数×店係数×休日係数×曜日係数 …（１０）
【０１０６】
売価係数は、予測対象日に予定している売価に対応する売価係数である。販促係数は、予測対象日に販促が予定されていない場合は１とする。天気係数は、予測対象日の予想される天気（天気予報）と対応する天気係数である。店係数は、予測対象店舗の店係数である。曜日係数は、予測対象日の曜日と対応する曜日係数である。休日係数は、予測対象日が平日である場合は１である。
【０１０７】
ここまでに説明した需要予測システム１が算出した各商品の売上数の予測値、すなわち、商品別の需要予測値を用いて、発注提案システム２が各小売店に対して発注数量の提案を行う。
【０１０８】
発注提案システム２は、需要予測システム１が算出した需要予測値および各小売店の在庫状況に基づいて、各小売店に対して発注提案を行う。
【０１０９】
発注提案システム２の処理手順について、図１９を用いて説明する。発注提案システム２は、需要予測システム１から商品別の売上数予測値を取得し、各小売店の在庫状況を記憶した在庫データベース６から、各小売店の商品別の在庫数および発注済みで今後納品が予定されている納品数を取得する。
【０１１０】
発注提案システム２は、小売店システム４から店舗別、商品別の基準在庫数を取得する。ここで、基準在庫数とは、各小売店がそれぞれ定める在庫数であり、例えば、店の陳列棚に商品を陳列したときに、ボリューム感があり顧客に対して訴求する効果があると思われる在庫数であってもよい。この場合、基準在庫数は、陳列スペースの混み具合、またはすき具合に基づいて定めることができる。陳列スペースの混み具合またはすき具合は、例えば、陳列スペースに陳列可能な商品数に対する、陳列されている商品数の割合を占有率として用いてもよい。この場合、基準在庫数は、商品毎に予め定められている占有率に基づいて定まる。
【０１１１】
また、各小売店システム４発注提案システム２に対して、それぞれの小売店における商品別の基準在庫数を報告する（Ｓ１１１）。
【０１１２】
そして、発注提案システム２は、店舗別商品別の発注提案数を算出する（Ｓ１０１）。このときの算出式の一例が式（１１）である。
発注提案数＝売上数予測値（３日分）−在庫数−納品数＋基準在庫数 …（１１）
【０１１３】
そして、発注提案システム２は、この発注提案数を各小売店システム４へ送信して、発注提案を行う（Ｓ１０２）。
【０１１４】
各小売店システム４は、この発注提案を受信し、店舗の担当者が発注提案数を確認して、発注依頼をする（Ｓ１１２）。このとき、発注数を変更することもできる。
【０１１５】
発注提案システム２は、小売店システム４からの発注依頼を受けて、発注システム３に対して正式な発注を行う（Ｓ１０３）。
【０１１６】
なお、基準在庫数は、品切れ防止のために必要な安全在庫数と置き換えられても良い。
【０１１７】
次に、需要予測システムの第２の実施形態について説明する。本実施形態に係る需要予測システム１００の構成図を図２０に示す。この需要予測システム１００では、年末年始の需要予測を行うための年末年始処理部１１０を備えている。
年末年始には、商品によっては売れ行きが通常とは大きく異なるものがある。その代表的なものが掃除用品やお正月用品などであり、年末の一定の時期に売上数が著しく増加し、それを過ぎると売上数が一時的に著しく減少する。以下に説明する第２の実施形態に係る需要予測システム１００では、このような商品であっても需要予測を行うことができるようになる。なお、第１の実施形態で説明した構成または機能と同一のものについては、同一の符号を付し、説明を省略することがある。
【０１１８】
需要予測システム１００は、第１の実施形態と同様に、売上数調整部１１と、係数テーブル１２０と、基準値予測部１３と、係数補正部１４と、予測値算出部１５０と、調整後の売上数等を記憶する調整済み売上データベース１８と、事前予測値データベース１９とを備え、さらに、年末年始処理部１１０を備える。
【０１１９】
係数テーブル１２０は、第１の実施形態の係数テーブル１２と同様に、売価・販促係数テーブル１２１と、天気係数テーブル１２２と、店係数テーブル１２３と、休日係数テーブル１２４と、曜日係数テーブル１２５とを備え、さらに、トレンド係数テーブル１２６を備える。トレンド係数は、後述する年末年始処理部１１０のトレンド分析Ｓ２２０によって算出される。トレンド係数テーブル１２６には、日別のトレンド係数が、少なくとも需要予測の対象日について格納される。
【０１２０】
予測値算出部１５０は、基準値および各係数テーブル１２１〜１２６に格納されている各係数を用いて予測値を算出する。予測値算出部１５０の処理の詳細については後述する。
【０１２１】
年末年始処理部１１０は、年末年始の商品の売れ行きを分析し、年末年始の需要予測に必要な処理を行う。
例えば、年末年始処理部１１０は、全商品について売上数の変化にトレンドがあるかどうかを判定するトレンド検定Ｓ２１０と、トレンドがある商品についてそのトレンドを定量化するためのトレンド分析Ｓ２２０とを行う。以下、これらの詳細について説明する。
【０１２２】
ところで、本実施形態では年末年始処理の対象となる期間が定められていて、その期間内でもさらに、複数の期間に分割されている。本実施形態では、例えば、売上数が急激に増加すると予想されるハイシーズンと、増加した売上数が急激に減少し、平均の売上数よりも落ち込むと予想されるロウシーズンと、落ち込んだ売上数が通常の売上数へ徐々に回復していくミドルシーズンと、年末年始の影響を受けないと考えられるこれら以外の時期のノーマルシーズンとに分割して考える。ハイシーズン、ロウシーズンおよびノーマルシーズンの定め方は任意であるが、ここでは、ハイシーズンは１２月２０日から１２月３０日まで、ロウシーズンは１２月３１日から翌年の１月４日まで、ミドルシーズンは１月５日から１月９日までとし、これら以外の期間をノーマルシーズンとする。以下に説明する年末年始処理は、処理対象日（当日）がハイシーズン、ミドルシーズンおよびロウシーズンのいずれかの期間内であれば行われるものであり、ノーマルシーズンの期間には行われない。
【０１２３】
年末年始処理部１１０が行うトレンド検定Ｓ２１０について、図２１を用いて説明する。なお、ロウシーズンの場合、トレンド検定Ｓ２１０を省略することができる。
【０１２４】
まず、調整済み売上データベース１８に記憶されている商品別の調整済み売上数１８７を用いて、ノーマルシーズン内の所定期間における商品別の平均およびその分散を算出する（Ｓ２１１）。例えば、調整済み売上データベース１８に記憶されている１２月１９日以前の調整済み売上数１８７を用いて、商品コード１８１ごとに平均μおよび分散ＳＤを算出する。このとき、すでに説明したいわゆる箱ヒゲ図を用いて、調整済み売上数が大きくはずれている離れ値を除外してから算出してもよい。
【０１２５】
つぎに、ここで求めた平均μおよび分散ＳＤを用いて、処理対象日の商品ごとのｔ値を算出する（Ｓ２１２）。つまり、ステップＳ２１２では、ノーマルシーズンとそれ以外のシーズンとの売上数を、ｔ検定を用いて比較する。
【０１２６】
【数５】
【０１２７】
トレンド検定Ｓ２１０で求めたｔ値を用いて、トレンド分析Ｓ２２０を行う。
トレンド分析の処理は、ハイシーズンのときの処理手順を図２２、ミドルシーズンのときの処理手順を図２３にそれぞれ示す。
【０１２８】
ハイシーズンのときは、まず、ｔ値を用いてトレンド判定を行う（Ｓ１２１）。例えば、ある商品のｔ値が所定のしきい値よりも大きいときは、その商品の売上数は増加していて、ノーマルシーズンとは異なる性質を示している。つまり、この場合、その商品はハイシーズンにおいて増加のトレンドを示しているものとして抽出する。そして、以下の処理はトレンドがある場合のみ行う。
【０１２９】
トレンドを示した商品について、直近の６日から１０日程度の調整済み売上数１８７を用いて１次関数（直線）、ｎ次関数（ｎは２以上の自然数）、および指数関数の３パターンについて回帰分析を行い、３つの回帰曲線（直線）を求める（Ｓ１２２）。各回帰曲線の例を図２４に示す。（ａ）が１次関数、（ｂ）がｎ次関数（ここではｎ＝２）、（ｃ）が指数関数である。この図は、処理対象日が１２月２６日で、直近の７日のデータを用いて回帰分析を行った結果である。なお、調整済み売上数１８７のばらつきを取り除くため、調整済み売上数１８７の日別２期移動平均を求めて、これ用いてもよい。
【０１３０】
そして、式（１３）に示す決定係数を用いて、調整済み売上数１８７の増加傾向が３つの回帰曲線のいずれに最も近似しているかを判定する（Ｓ１２３）。なお、式（１３）は、回帰分析の最小二乗法で用いられる一般的な式である。
【０１３１】
【数６】
【０１３２】
決定係数は０から１の値をとり、１に近いほど回帰曲線への当てはまりの良さを示す。ステップＳ１２３では、各回帰曲線について決定係数を算出し、商品ごとに最も１に近い回帰曲線を選択する。
【０１３３】
ここで選択された回帰曲線を用いて、トレンド係数を算出する（Ｓ１２４）。トレンド係数は、ハイシーズン、ロウシーズンおよびミドルシーズンの間の売上数の増減の程度を示す指標であり、商品別日別に求められる。トレンド係数の算出について、図２４の例で具体的に説明する。ここでは、ステップＳ１２３で図２４（ｂ）の２次関数が選択されたものとする。このとき、処理対象日（１２月２６日）を基準として、これよりも将来の日では、どの程度の売上数の増加が予想されるかを求める。例えば、処理対象日の調整済み売上数を１としたときの将来の売上数を、回帰曲線から求める。図２４の例では、１２月２７日のトレンド係数は１．２、１２月２８日のトレンド係数は１．４となる。トレンド係数は需要予測対象日について算出される。たとえば、５日先まで需要予測を行うのであれば、５日先までのトレンド係数が算出される。
【０１３４】
ここで算出されたトレンド係数は、トレンド係数テーブル１２６に格納される（Ｓ１２６）。
【０１３５】
ハイシーズンのときは、以上の処理のよりトレンド係数が算出され、後述するように予測値算出部１５０がハイシーズンの売上数を予測する。
【０１３６】
つぎに、ミドルシーズンのときは、図２３の処理を行う。まず、ｔ値を用いてトレンド判定を行う（Ｓ１２６）。ミドルシーズンのトレンド判定は、ハイシーズンのトレンド判定Ｓ１２１とは異なる。つまり、このトレンド判定により、ハイシーズンで売上が急激に伸び、ロウシーズンになると売上数が急激に落ち込み、ハイシーズン終盤の売上数からロウシーズンの売上数への減少幅が所定以上であるというトレンドを示す商品を抽出する。例えば、ハイシーズンの終盤の所定日数（例えば３日）のｔ値の平均と、処理対象日の直近の所定日数（例えば５日）のｔ値の平均とを比較して、それらの差分があるしきい値以上である商品を抽出する。そして、以下の処理はトレンドがある場合のみ行う。
【０１３７】
トレンドを示した商品については、需要予測対象日のトレンド係数を０に設定して、トレンド係数テーブルに格納する（Ｓ１２７）。
【０１３８】
ロウシーズンのときは、全商品の需要予測対象日のトレンド係数をすべて０に設定して、トレンド係数テーブルに格納する。
【０１３９】
予測値算出部１５０は、年末年始処理以外の通常の処理と同様に、係数テーブル１２０に蓄積された各係数と、基準値予測部１３が予測した各商品の基準値と、売上データベース５に格納されている予定の売価などの販売条件とを用いて、将来の売上数の予測値を算出する。例えば、以下の式を用いて、ハイ、ロウ、ミドルの各シーズンの各店舗の日別商品別の売上数の予測値を算出する。
売上数の予測値＝ 基準値×売価係数×販促係数×天気係数×店係数×休日係数×曜日係数×トレンド係数 …（１４）
トレンド係数は、予測対象日のトレンド係数である。
【０１４０】
なお、年末年始処理では、基準値予測部１３の検定処理Ｓ６を省略してもよい。
【０１４１】
これにより、年末になると急激に売上数が増加し、年始になると急激に減少するような商品についても、売れ行きの動向に沿った需要予測を行うことができるようになる。
【０１４２】
なお、本実施形態では売上数が増加した後、急激に減少する場合について説明したが、これとは反対に、売上数が減少した後、急激に増加するような場合にも適用可能である。
【０１４３】
また、本実施形態では年末年始に特殊な売れ方をする商品の需要予測を行う場合について説明したが、これ以外にも暦または季節などによって急激に売上数が増加または減少する商品について、その時期の需要予測にも適用可能である。
【０１４４】
上述した本発明の実施形態は、本発明の説明のための例示であり、本発明の範囲をそれらの実施形態にのみ限定する趣旨ではない。当業者は、本発明の要旨を逸脱することなしに、他の様々な態様で本発明を実施することができる。
【０１４５】
例えば、上述した需要予測システム、発注提案システム及び発注システムは、それら３つを纏めて一つのコンピュータマシンで集中的に実現することもできるし、それぞれ一つのコンピュータマシンに分けて実現することもできるし、それぞれ複数のコンピュータマシンで分散的に実現することもできる。
【図面の簡単な説明】
【図１】本発明を適用した一実施形態に係る在庫管理システムの構成を示す図である。
【図２】第１の実施形態に係る需要予測システムの構成を示す図である。
【図３】売上データベース５のデータ構造の一例を示す図である。
【図４】売価・販促調整の手順を示すフローチャートである。
【図５】（ａ）は売価集計データベース５１、（ｂ）は調整済み売上数Ａデータベース５２、および（ｃ）売価・販促係数テーブル１２１の構成の一例を示す図である。
【図６】売上数と売価比率との関係を示す図である。
【図７】売上数と売価比率との関係を示す図である。
【図８】天気調整の手順を示すフローチャートである。
【図９】（ａ）は天気集計データベース５３、（ｂ）は調整済み売上数Ｂデータベース５４、および（ｃ）天気係数テーブル１２２の構成の一例を示す図である。
【図１０】調整済み売上数Ａと天気比率との関係を示す図である。
【図１１】店調整の手順を示すフローチャートである。
【図１２】（ａ）は店集計データベース５５、（ｂ）は調整済み売上数Ｃデータベース５６、および（ｃ）店係数テーブル１２３の構成の一例を示す図である。
【図１３】休日調整の手順を示すフローチャートである。
【図１４】（ａ）は休日係数テーブル１２４、および（ｂ）は調整済み売上数Ｄデータベース５７の構成の一例を示す図である。
【図１５】曜日調整の手順を示すフローチャートである。
【図１６】移動平均値の算出手順を説明するための図である。
【図１７】（ａ）は曜日係数テーブル１２５、および（ｂ）は調整済み売上数データベース１８の構成の一例を示す図である。
【図１８】検定処理手順を説明するための図である。
【図１９】本実施形態に係る発注提案システムの構成を示す図である。
【図２０】
第２の実施形態に係る需要予測システムの構成を示す図である。
【図２１】
トレンド検定の手順を示すフローチャートである。
【図２２】
ハイシーズンのトレンド分析の手順を示すフローチャートである。
【図２３】
ミドルシーズンのトレンド分析の手順を示すフローチャートである。
【図２４】
トレンド係数を算出する手順を説明するための図である。
【符号の説明】
１、１００…需要予測システム、２…発注提案システム、３…発注システム、４…小売店システム、５…売上データベース、６…在庫データベース、１１…売上数調整部、１２、１２０…係数テーブル、１３…基準値予測部、１４…係数補正部、１５、１５０…予測値算出部、１８…調整済み売上データベース、１９…事前予測値データベース、１１０…年末年始処理部、Ｓ１…売価・販促調整処理、Ｓ２…天気調整処理、Ｓ３…店調整処理、Ｓ４…休日調整処理、Ｓ５…曜日調整処理、Ｓ６…検定処理、Ｓ７…指数平滑処理、Ｓ８…モデル適合度判定処理、Ｓ９…補正処理。
Claims (10)
- 複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された前記商品別の売上数を示す情報に基づいて、第１の期間の第１の売上数と第１の期間より以前の第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出する手段と、
前記記憶手段に記憶されている前記抽出された商品の売上数を示す情報に基づいて、前記抽出された商品の第１の期間内の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段と、
前記算出された商品別の指標に基づいて、第１の期間内の将来の商品別売上数を予測する手段とを備える商品の需要予測システム。 - 前記算出手段は、
前記記憶手段に記憶されている前記抽出された商品の売上数を統計的に処理して、売上数の増加または減少を近似的に示す関数を導出する手段と、
前記関数に基づいて、将来の売上数の増加または減少の程度を示す指標を、商品ごとに算出する手段とをさらに備える請求項１記載の商品の需要予測システム。 - 前記導出手段は、複数種類の関数の中から、売上数の増加または減少を最も近似的に示す一の関数を選択する請求項２記載の商品の需要予測システム。
- 前記記憶手段に記憶されている商品別の売上数を示す情報は、少なくとも売価による変動要因を除去した後の売上数を示す情報である請求項１記載の需要予測システム。
- 第１の売上数と第２の売上数との比較は、ｔ検定を用いて行う請求項１記載の需要予測システム。
- 複数商品について、過去の商品別の売上数を示す情報を記憶した記憶手段と、前記記憶手段に記憶された商品別売上数を示す情報に基づいて、年末を含む第１の期間で売上数が増加傾向にある商品を抽出する手段と、
抽出された商品ごとに、前記売上数の増加傾向を示す指標を算出し、前記指標および前記過去の商品別の売上数に基づいて第１の期間の売上数を予測する第１の予測手段と、
全商品について、第１の期間の後の年始を含む第２の期間の売上数を０と予測する第２の予測手段と、
第１の期間の終盤から第２の期間への売上数の減少幅が所定以上である商品について、第２の期間の後の第３の期間の売上数を０と予測する第３の予測手段とを備える年末年始の商品需要予測システム。 - 記憶手段から過去の商品別の売上数を示す情報を取得するステップと、
前記取得した商品別の売上数を示す情報に基づいて、第１の期間の第１の売上数と第１の期間より以前の第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出するステップと、
前記抽出された商品の売上数を示す情報に基づいて、前記抽出された商品の第１の期間内の売上数の増加または減少の程度を示す指標を、商品ごとに算出するステップと、
前記算出された商品別の指標に基づいて、第１の期間内の将来の商品別売上数を予測するステップとを備える商品の需要予測方法。 - 記憶手段から過去の商品別の売上数を示す情報を取得するステップと、
前記取得した商品別売上数を示す情報に基づいて、年末を含む第１の期間で売上数が増加傾向にある商品を抽出するステップと、
抽出された商品ごとに、前記売上数の増加傾向を示す指標を算出するステップと、
前記指標および前記過去の商品別の売上数に基づいて第１の期間の売上数を予測するステップと、
全商品について、第１の期間の後の年始を含む第２の期間の売上数を０と予測するステップと、
第１の期間の終盤から第２の期間への売上数の減少幅が所定以上である商品について、第２の期間の後の第３の期間の売上数を０と予測するステップとを備える年末年始の商品需要予測方法。 - コンピュータに実行されると、
記憶手段から過去の商品別の売上数を示す情報を取得するステップと、
前記取得した商品別の売上数を示す情報に基づいて、第１の期間の第１の売上数と第１の期間より以前の第２の期間の第２の売上数とを比較し、第１の売上数が第２の売上数より増加または減少している商品を抽出するステップと、
前記抽出された商品の売上数を示す情報に基づいて、前記抽出された商品の第１の期間内の売上数の増加または減少の程度を示す指標を、商品ごとに算出するステップと、
前記算出された商品別の指標に基づいて、前記第１の期間内の将来の商品別売上数を予測するステップとを行う商品の需要予測のためのコンピュータプログラム。 - コンピュータに実行されると、
記憶手段から過去の商品別の売上数を示す情報を取得するステップと、
前記取得した商品別売上数を示す情報に基づいて、年末を含む第１の期間で売上数が増加傾向にある商品を抽出するステップと、
抽出された商品ごとに、前記売上数の増加傾向を示す指標を算出するステップと、
前記指標および前記過去の商品別の売上数に基づいて第１の期間の売上数を予測するステップと、
全商品について、第１の期間の後の年始を含む第２の期間の売上数を０と予測するステップと、
第１の期間の終盤から第２の期間への売上数の減少幅が所定以上である商品について、第２の期間の後の第３の期間の売上数を０と予測するステップとを行う年末年始の商品需要予測のためのコンピュータプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003125755A JP4296027B2 (ja) | 2003-04-30 | 2003-04-30 | 商品需要予測システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003125755A JP4296027B2 (ja) | 2003-04-30 | 2003-04-30 | 商品需要予測システム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008300237A Division JP4988687B2 (ja) | 2008-11-25 | 2008-11-25 | 商品需要予測システムおよび年末年始の商品需要予測システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004334328A true JP2004334328A (ja) | 2004-11-25 |
| JP4296027B2 JP4296027B2 (ja) | 2009-07-15 |
Family
ID=33502927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003125755A Expired - Fee Related JP4296027B2 (ja) | 2003-04-30 | 2003-04-30 | 商品需要予測システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4296027B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
| JP2015528170A (ja) * | 2012-10-29 | 2015-09-24 | ベイジン ジンドン センチュリー トレーディング シーオー．，エルティーディー．Ｂｅｉｊｉｎｇ Ｊｉｎｇｄｏｎｇ Ｃｅｎｔｕｒｙ Ｔｒａｄｉｎｇ Ｃｏ．， Ｌｔｄ． | 祭日用売れ筋商品を決定するための方法及びデバイス |
| JP2019023537A (ja) * | 2017-07-25 | 2019-02-14 | 日本ピーマック株式会社 | 水熱源ヒートポンプユニットシステム |
| CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN112668125A (zh) * | 2021-01-06 | 2021-04-16 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102235130B1 (ko) * | 2019-03-06 | 2021-04-05 | 베스핀글로벌 주식회사 | 판매량 예측 장치 및 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05189406A (ja) * | 1992-01-17 | 1993-07-30 | Meidensha Corp | ファジィ推論による客数・売上予測装置 |
| JPH09237265A (ja) * | 1995-12-27 | 1997-09-09 | Toyota Motor Corp | 販売予測装置および販売予測方法 |
| JP2001167168A (ja) * | 1999-12-07 | 2001-06-22 | Nec Software Chubu Ltd | 商品発注支援装置、商品発注支援方法及び記録媒体 |
| JP2002024350A (ja) * | 2000-07-03 | 2002-01-25 | Kasumi Co Ltd | 小売店舗管理システム |
| JP2002133026A (ja) * | 2000-10-18 | 2002-05-10 | Ns Solutions Corp | 業務支援システム、操業支援システム及び記録媒体 |
| JP2002324206A (ja) * | 2001-04-25 | 2002-11-08 | Fujitsu Ltd | データ解析方法及び装置 |
-
2003
- 2003-04-30 JP JP2003125755A patent/JP4296027B2/ja not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05189406A (ja) * | 1992-01-17 | 1993-07-30 | Meidensha Corp | ファジィ推論による客数・売上予測装置 |
| JPH09237265A (ja) * | 1995-12-27 | 1997-09-09 | Toyota Motor Corp | 販売予測装置および販売予測方法 |
| JP2001167168A (ja) * | 1999-12-07 | 2001-06-22 | Nec Software Chubu Ltd | 商品発注支援装置、商品発注支援方法及び記録媒体 |
| JP2002024350A (ja) * | 2000-07-03 | 2002-01-25 | Kasumi Co Ltd | 小売店舗管理システム |
| JP2002133026A (ja) * | 2000-10-18 | 2002-05-10 | Ns Solutions Corp | 業務支援システム、操業支援システム及び記録媒体 |
| JP2002324206A (ja) * | 2001-04-25 | 2002-11-08 | Fujitsu Ltd | データ解析方法及び装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
| JP2015528170A (ja) * | 2012-10-29 | 2015-09-24 | ベイジン ジンドン センチュリー トレーディング シーオー．，エルティーディー．Ｂｅｉｊｉｎｇ Ｊｉｎｇｄｏｎｇ Ｃｅｎｔｕｒｙ Ｔｒａｄｉｎｇ Ｃｏ．， Ｌｔｄ． | 祭日用売れ筋商品を決定するための方法及びデバイス |
| JP2019023537A (ja) * | 2017-07-25 | 2019-02-14 | 日本ピーマック株式会社 | 水熱源ヒートポンプユニットシステム |
| CN109658154A (zh) * | 2018-12-25 | 2019-04-19 | 广州裕琪凌贸易有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN109658154B (zh) * | 2018-12-25 | 2022-10-14 | 山东浪潮新世纪科技有限公司 | 一种基于区域贸易数据分析的订单预测方法 |
| CN112668125A (zh) * | 2021-01-06 | 2021-04-16 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
| CN112668125B (zh) * | 2021-01-06 | 2023-07-04 | 北京信息科技大学 | 提高非完整小圆弧评价精度的方法、系统、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4296027B2 (ja) | 2009-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7147561B2 (ja) | 発注数決定システム、発注数決定方法および発注数決定プログラム | |
| US7580852B2 (en) | System and method for modeling non-stationary time series using a non-parametric demand profile | |
| US8374903B2 (en) | Information criterion-based systems and methods for constructing combining weights for multimodel forecasting and prediction | |
| JP7402791B2 (ja) | 需要予測パラメータの最適化 | |
| US20020198794A1 (en) | Inventory management system for determining suggested part stocking levels for a vehicle dealer | |
| US20020099596A1 (en) | Dynamic ratemaking for insurance | |
| US20110225023A1 (en) | Prioritized Product Distribution | |
| JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
| JP5031715B2 (ja) | 商品需要予測システム、商品の売上数調整システム | |
| JP2001084239A (ja) | 商品販売数量の分析方法、その予測方法、商品発注量の決定方法、及びプログラムを記憶した記憶媒体 | |
| US20100138275A1 (en) | Automatic event shifting of demand patterns using multi-variable regression | |
| CA2471294A1 (en) | Sales optimization | |
| JP5611254B2 (ja) | 需要予測装置およびプログラム | |
| CN112074849A (zh) | 价格优化系统 | |
| JP4296026B2 (ja) | 商品需要予測システム、商品の売上数調整システム | |
| KR20110100188A (ko) | 투자 트랙킹을 위한 시스템 및 방법 | |
| JP4988687B2 (ja) | 商品需要予測システムおよび年末年始の商品需要予測システム | |
| CN115829167B (zh) | 一种物流信息平台数据智能管理方法及系统 | |
| CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及系统 | |
| CN114037383A (zh) | 采购数据的确定方法及其装置、计算机可读存储介质 | |
| US20020188529A1 (en) | System and method for calculation of controlling parameters for a computer based inventory management | |
| US7328168B2 (en) | Daily delivered articles order optimization support system, method, and storage medium therefor | |
| JP2004334328A (ja) | 商品需要予測システムおよび年末年始の商品需要予測システム | |
| JP5758425B2 (ja) | 需要予測装置およびプログラム | |
| JP5750468B2 (ja) | 需要予測装置およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060414 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20060414 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080924 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081125 |
|
| 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: 20090407 |
|
| 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: 20090413 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120417 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120417 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130417 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130417 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140417 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |