JP2004519021A - 動的値付けシステム - Google Patents

Abstract

要約書なし。

Description

【０００１】
［関連出願］
本出願は、２０００年５月１９日付けで出願された米国仮出願第６０／２０５，７１４号の優先権を主張するものであり、この開示を参照によりすべて本明細書に援用する。
【０００２】
［発明の分野］
本発明は、以前の取引統計から導き出される予想売上および価格感応度に基づいて、見込まれる利益を最大化するように最適化された推奨価格を提示する動的値付けシステムである。
【０００３】
［発明の背景］
歴史的に見て、利益を最大化するためにはどの価格で製品を販売しなければならないかを供給側が非常に確実に予測する方法はなかった。古典的な販売モデルでは、利益の最大化を期待して、予想される製品の需要と推定される価格感応度等の予測に基づいて価格の決定が行われる。こういった予測をたてる手順は時間および労働集約的である。たとえば、既存のスプレッドシートプログラムにおいて、スプレッドシートに入力されたデータ変更から導き出される値を自動的に再計算することが知られている。このように再計算される値を表示すると、事業決定のための仮説的な“ｗｈａｔ−ｉｆ（別の状態を仮定する）”シナリオの評価が容易になる。しかしながら、これはスプレッドシートのセル中の値を変更することによって行われ、変更された変数に応じてすべての変数項目が再計算されることになる。再計算されたスプレッドシートまたは再計算されたスプレッドシートから導き出されるグラフを示す別個の画面を入念に検討せずに、ユーザがこのような変更の全体的な影響を見ることは容易ではない。このため、ユーザがスプレッドシートのセル中の値を変更し、結果得られる従属変数変化のグラフを取得し、これら結果が望ましいものかどうかを判定し、望ましくない場合にはスプレッドシートに戻りセルにおいて別の値変更を行い、グラフを再び描画し、望ましい結果が得られるまで以下同様の面倒な繰り返しプロセスになる。ユーザが、スプレッドシートに新しいセルを作成する必要があるグラフへのライン追加を望む場合、このプロセスはさらに面倒である。改良されたシステムは、ユーザからの入力が殆どない状態でこういった機能を自動的に実行するであろう。
【０００４】
自動的な動的値付けシステムを構築するにはいくつかの問題がある。１つの問題は、殆どの売り手が不完全な値付けデータを保有することである。たとえば、このシステムの理想的なクライアントは、失った顧客、競争相手の価格、業界での有用性などについてのデータを維持するが、殆どの売り手は、市場反応の潜在的な原動力の部分集合についてのデータしか持たないであろう。さらに、既知の動的値付けシステムは、市場の状況変化を考慮に入れて素早く調整することもできなければ、別の市場に関して別の価格を示唆することもできない。
【０００５】
［発明の概要］
これらおよび他の必要性に応え、本発明は、１つまたは複数の製品についての推奨価格を生成する動的値付けシステムを提供する。本システムは、各売上が単一のセグメントにのみ入るように、以前の売上の記録を分割して市場セグメントを定義する。次に、本システムはこれら売上からの値付けおよび販売データを使用し、ユーザの経営目標を記述するパラメータを考慮してこれら目標の達成に最適な価格を決定し、値付けリストを生成する。特に、本システムは、市場履歴データを使用して各チャネルセグメント、製品種別、および先物期日範囲内での予想売上を予測する。市場履歴データをさらに使用して、予測された将来の売上に対する価格変更の影響を予測する。次に、本システムは、売上予測を使用し、異なる価格に合わせて売上予測を調整し、次にシステムへの入力である製品の費用を差し引くことにより、異なる価格でのこれら売上からの利益を予測する。本システムは、オプションとして、現在および予定の在庫制約およびビジネスルールとしても知られる異なる戦略目標の下で価格を最適化する。したがって、本システムは、所望の売上高レベル内で利益を最大化する価格をユーザに提供する。
【０００６】
一実施形態では、本システムは、予想販売数を用いて推奨価格を生成した後、実際の売上および値付け情報を監視する。次に、本システムは、予想売上統計を実際の売上統計と比較し、実際の売上高や予測した値とは大幅に異なる価格等あらゆる相違をユーザに通知する。
【０００７】
別の実施形態では、動的値付けシステムは、様々な程度の利用可能なデータを用いて推奨価格を提供するのに十分汎用的である。特に、本システムは、利用可能なデータを用いて妥当な値付け値推定を生成し、そして、新しいデータが利用可能になったときにその新しいデータを組み込むことによってその推定価格を変更し、予測正確度を上げる。このようにして、本システムは一貫してかつリアルタイムで機能して、最も新しく取得した売上データを反映するように推奨価格を更新・変更する。
【０００８】
次に、全体を通して同様の参照符号が対応するパーツを表す図面を参照する。
【０００９】
［発明の好ましい実施形態の詳細な説明］
図１に示すように、本発明は、推奨価格の集合を自動的に生成する動的値付けシステム１００を提供する。動的値付けシステム１００は、入力装置１０と、１つまたは複数の出力装置２０とに電気的に接続される。キーボードやマウス等の入力装置１０は、動的値付けシステム１００が必要とする電子フォーマットに情報を変換することにより、ユーザが動的値付けシステム１００にデータを提供できるようにする。同様に、モニタやプリンタ等の出力装置２０は、推奨価格および他の情報を動的値付けシステム１００からユーザに非電子フォーマットで提示する。入力装置１０および出力装置２０は、ユーザと動的値付けシステム１００とが電子的に対話できるようにする。
【００１０】
図２に示すように、動的値付けシステム１００は概して、取引データベース１２０、正規化売上予測器１３０、価格感応度モデル１４０、費用モデル１５０、売上予測器１６０、および価格オプティマイザ２００を備える。コンポーネントは共に結び付いて、動的値付けシステム１００が以前の取引からの履歴データを使用して将来の売上について利益を最大化する推奨価格を形成できるようにする。動的値付けシステム１００は具体的に、履歴データを使用して特定のチャネルセグメントにおける製品の価格弾力性を推定する。動的値付けシステム１００はさらに履歴データを使用して、現在の価格での将来の製品の売上を予測する。次に、動的値付けシステム１００は、予測売上を価格弾力性の結果と組み合わせて、製品の異なる価格での将来の市場セグメントにおける売上レベルを予測する。次に、動的値付けシステム１００は、製品の費用を決定し、異なる価格レベルで予測された売上と費用結果を組み合わせ、様々な市場での製品についての最適で利益を最大化する価格の集合を決定する。次に、これら個々のコンポーネントの機能についてさらに詳細に述べる。
【００１１】
取引データ
システム１００は、以前の取引についての記録を取引データベース１２０に格納する。ユーザは、入力装置１０を使用してこの情報を入力することも、また後述のように、たとえば顧客への発送を監視することによって取引データを外部ソースから取引データベース１２０に自動的に供給することもできる。しかしながら、取引データを処理し格納する特定の様式および方法は、ユーザのニーズを満たすよう必要に応じて選択し得ることを理解されたい。特に、本発明は取引データの解析に関連し、概してこのデータの収集には関与しない。実際には、動的値付けシステム１００は、データ収集に欠陥があるか、もしくは不完全である場合、さらに詳細に後述するように正確な推奨価格を作成するように調整する。
【００１２】
通常、取引データベース１２０が使用可能で機能的に編成されるように、プリプロセッサ１１０が取引データを解析する。このようにして、取引データベースは、迅速かつ一貫したデータアクセスに必要な任意の使用可能な記憶フォーマットを有し得る。一実施形態では、取引データベース１２０は、多次元分析（ＯＬＡＰ）のための多次元データベースである。多次元データベースは、そのデータが組織の異なる部分においていくつかのアプリケーションにわたって広がる場合であっても、大量の複雑かつ相互に関連するデータの柔軟性があり高パフォーマンスのアクセスおよび解析を容易にする。多次元データベースは、大量の企業データの統合および解析という本来の能力の他に、エンドユーザがビジネスデータを視覚化する方法と概念的に良好に適合する。たとえば、行および列のフォーマットでの月々の収支計算書は、単純な二次元データ構造の例である。三次元データ構造は、各月につき１枚のワークシートを積み重ねたものであり得る。第三次元を追加すると、エンドユーザは傾向について時間をまたがってアイテムをより容易に調べることができる。事業運営への洞察を探り出すことができ、また、予測および統計等の強力な解析ツールを適用して関係を調べ、将来の機会を計画することができる。
【００１３】
取引データベース１２０中の取引データは概して、取引の日付、取引された製品、取引された製品の価格、取引に関与した関係者など、各取引の詳細を特定する情報を含む。各取引は、異なる特徴を特定するいくつかの属性を有し、属性内の類似性を利用することによって取引を市場セグメントでグループ化することができる。さらに、異なる市場セグメントを、チャネルセグメント（ＣＳ）と呼ばれる互いに重ならず全体ですべてを網羅する集合にグループ化することができる。この開示内において、チャネルセグメントは市場セグメント次元に沿った取引の総計と定義される。たとえば、地理的エリア、販売規模、配送方法、買い手の特徴などを用いてチャネルセグメントを定義し得る。チャネルセグメントは入力装置１０を通してユーザによって指定され、すべての販売取引の普遍集合（「市場」）上のチャネルセグメントを組み合わせて互いに重ならずすべてを網羅する集合を形成しなければならない。換言すれば、あらゆる販売はそれぞれ１つのみのチャネルセグメントに分類することができる。これらチャネルセグメントは、製品の価格が推奨されるレベルであるとともに、動的値付けシステム１００が予測を計算するレベルである。チャネルセグメントを広く定義すると、解析のためのサンプル数が増えることによって数値解析が向上する。しかしながら、チャネルセグメントを広く定義すると、特に多数のより小さなチャネルセグメントを値付けすることからのユーザ／売り手の増益の可能な利得が制限される。
【００１４】
理想的には、図３に示すように、ユーザは取引データベース１２０を見て以前の取引を検討することができる。図示の取引データベース１２０では、各取引１２１が、製品識別子１２２、チャネルセグメント識別子１２３、販売数量識別子１２４、および販売価格識別子１２５を含む。
【００１５】
価格感応度
図２の価格感応度モデル（ＰＳＭ）１４０は、取引データベース１２０中の情報を使用して、問題となっている製品（複数可）の買い手の価格感応度を予測する。換言すれば、ＰＳＭ１４０は、製品の価格変更がその製品の買い手の需要にどのように影響するかを数学的に推定する。ＰＳＭ１４０からの価格感応度計算は、製品の利益最大化価格を生成するときに動的値付けシステム１００がこれら計算を用いて様々な価格での製品の売上の変化を予測するため重要である。特定のチャネルセグメントについて、ＰＳＭ１４０は概して、価格Ｐに伴って変動する関数を通して特定製品の価格感応度をモデリングし、売上高Ｘの相対的な変化を表す。価格感応度関数Ｆ_ＰＳ（Ｐ）のパラメータは、調査、実験、または解析を通して経験的に決定しても、またそうでなければユーザが入力装置２０を通して供給することもできる。あるいは、動的値付けシステム１００が、既知の会計法および統計法に従って取引データベース１２０中の取引データの解析からＦ_ＰＳ（Ｐ）のパラメータを動的に決定することができる。換言すれば、ＰＳＭ１４０は、過去に価格変更がチャネルセグメント内の売上にどのように影響したかを見て調べ、これら結果を用いて将来の価格調整の影響を予測する。動的値付けシステム１００は、あらゆる製品およびチャネルセグメントについて別個の価格感応度関数Ｆ_ＰＳ（Ｐ）を決定する。
【００１６】
一実施において、ＰＳＭ１４０は販売価格の変更に注意を向け、価格変更の関数として売上の変化をモデリングする（δＸ／δＰ）。この方法は、価格が売上高に瞬間的に影響を及ぼし、かつこの影響は経時的に一貫しているという仮定を前提とする。したがって、ＰＳＭ１４０は、売上高が厳密に価格レベルの関数であるものと仮定する。この実施において、ＰＳＭは、開始価格または参照価格Ｐ_ｒｅｆでは特定の製品の需要がすべて売上になるものと仮定する。取引がＰ_ｒｅｆとは異なる最終価格Ｐ_{ｆｉｎａｌ}で行われる場合、取引量は参照価格の場合とは異なるものと仮定する。次に、価格感応度関数Ｆ_ＰＳ（Ｐ）によって生成される正規化因子を使用して取引量を正規化する。たとえば、１００ユニットの製品がＰ_{ｆｉｎａｌ}＝＄３０／ユニットで販売され、Ｐ_ＲＥＦ＝＄３５／ユニットかつＦ_ＰＳ（Ｐ_{ｆｉｎａｌ}）＝０．９の場合、正規化取引量は１００／０．９＝１１１であり、このチャネルセグメントで製品を＄３０に値付けすると売上は１１１ユニットになるであろうことを意味する。
【００１７】
ＰＳＭ１４０は、ベルギーの数学者ピエール・ベルハルスト（Ｐｉｅｒｒｅ Ｖｅｒｈｕｌｓｔ）によって作成されたロジスティックモデルからＦ_ＰＳ（Ｐ）を決定することができる。ロジスティックモデルは、生物学的個体群の研究において頻繁に使用され、変更における上下の漸近線を仮定する。したがって、価格感応度関数は以下の数式を通して推定することができる。
【００１８】
Ｆ_ＰＳ（Ｐ）＝０．２＊｛１−［ＡｒｃＴａｎ（α＊（Ｐ_{ｆｉｎａｌ}−Ｐ_ＲＥＦ））＊２／Ｐｉ］｝ （式１）
【００１９】
式中、αの値は取引記録に従って経験的に決定される。たとえば、ＰＳＭ１４０は、αの２つの可能なオプション（たとえばα_１およびα_２）の中から選択する場合、以前の取引からの売上および物価指数に最もよく対応するαの値を選択する。式１は、０．０および２．０において漸近線を有するため、売上は負になりえず、価格の低減は最大で売上高を倍にすることができる。式１を使用することの別の帰結は、価格が変化しないときには売上高が変化しないことである。
【００２０】
ＰＳＭ１４０は、以下の数式を通して式１の価格感応度関数も同様に一般化することができる。
【００２１】
Ｆ_ＰＳ（Ｐ）＝ｒ＊｛ｅｘｐ（Ｋ_０＋Ｋ_１＊Ｐ）｝／｛１＋ｅｘｐ（Ｋ_０＋Ｋ_１＊Ｐ）｝ （式２）
【００２２】
式中、Ｋ_ｉ≧０かつｒ≒０．２である。式２では、変数ｒは価格感応度関数の可能な限り最大の変化率を表し、Ｋ_ｉは時間期間ｉにおける最大変化率ｒを制限する市場要因を表す。上述したように、結論として式２はＦ_ＰＳ（Ｐ_ＲＥＦ）＝１となるため、価格が変更しない場合、チャネルセグメント内の売上は変化しない。ｒおよびＫ_ｉは、取引記録および製品の価格弾力性に関連するパラメータを解析することにより、既知の統計技法を使用して決定される。また、モデルは、Ｆ_ＰＳ（０）＝２であるため、無料の製品を提供するとチャネルセグメント内のその製品の消費が倍になるものとさらに仮定し得る。式１および式２の代替表現に対応して、Ｆ_ＰＳの他の関数形態も可能である。
【００２３】
代替として、ＰＳＭ１４０は線形モデルを使用してもよい。線形モデルでは、Ｆ_ＰＳ（Ｐ）は、価格変更当たりの売上変化を推定する傾きおよび売上高がゼロである価格軸との交点によって定義されるラインである。
【００２４】
システム１００は、図４に示すようにＰＳＭ１４０が生成する結果を表示することができる。具体的に、図４は、各チャネルセグメントでの製品の解析に使用される価格感応度モデルタイプ１４１ならびに価格感応度モデル変数値１４２ａおよび１４２ｂの表示を示す。図４はさらに、最高価格と最低価格の間の線形モデルを使用する価格感応度曲線のグラフ１４３の表示も示す。
【００２５】
取引データベース１２０が、不十分な在庫等の変更可能な状況を通して失われた販売数を表す逸失売上データを含む場合、図２の逸失売上モデル（ＬＳＭ）１３５が、ＰＳＭ１４０の価格感応度関数Ｆ_ＰＳと同様の勝率関数Ｆ_ＷＰを採用することができる。勝率関数は、制御変数を独立変数（在庫レベル等）として採用し、制御変数が変化したときの特定のチャネルセグメントにおける製品の売上増大の推定を生成する。通常、勝率関数の制御変数は、チャネルセグメントの価格あるいは調整マージンである。
【００２６】
売上予測器
図２の正規化売上予測器（ＮＳＦ）１３０は、取引データベース１２０からの取引情報を使用して、参照価格が課されるものと仮定して特定のチャネルセグメント内の将来の売上を予測する。特に、ＮＳＦ１３０は、汎用一変量時系列予測器として機能し、一定の参照価格が予測範囲全体を通して適用されるものと仮定して売上高を予測する。ＮＳＦ１３０は、行われるオファーの総数ならびに正規化販売数量をさらに予測することもできる。
【００２７】
次に、売上予測器（ＳＦ）１６０は、ＮＳＦ１３０からの売上予測およびＰＳＭ１４０からの価格感応度の結論を使用して、様々な価格でのチャネルセグメント内の製品の売上を予測する。具体的に、ＳＦ１６０は、価格の上昇による売上の減少および製品価格の減少による売上の上昇を予測する。次に、動的値付けシステム１００はＳＦ１６０からの売上予測を用いて、種々のチャネルセグメント内の各種製品の利益最大化価格を決定する。
【００２８】
ＮＳＦ１３０およびＳＦ１６０からの売上予測の正確度は、動的値付けシステム１００が妥当な推奨値付けを生成することを可能にするものである。将来の売上を予測する際、ＮＳＦ１３０およびＳＦ１６０は、どの程度までの将来の売上を予測するかを指定する定義された予測範囲を使用し、本来短期予測のほうがより正確であるため、可能な場合にはより短期の予測範囲を使用することによって売上予測の正確度を向上させる。予測を行う日付範囲は在庫補充間隔の長さに依存し得るため、これら間隔は注意深く選択すべできある。非常に長い在庫補充サイクルの場合、動的値付けシステム１００は、在庫補充間隔をより短い一連の予測範囲としてモデリングすることができる。
【００２９】
売上予測の正確度は、逸失売上データを利用することが可能な場合、明確で信頼のおける逸失の定義付けによってさらに向上させることができる。ＮＳＦ１３０およびＳＦ１６０からの売上予測は、相対的に少数のチャネルセグメントを使用すること、および別個の製品を扱いやすいモデルカテゴリ集合にグループ化することによってさらに向上させることができる。チャネルセグメントの数が少なくなるということは、各チャネルセグメントについての履歴データが多くなり、かつ管理するチャネルセグメントが少なくなることを意味する。同様に、モデルカテゴリの数が少なくなると、各モデルカテゴリについての履歴データが多くなり、かつ管理するモデルカテゴリが少なくなる。
【００３０】
一実施形態では、ＮＳＦ１３０およびＳＦ１６０は、取引データベース１２０からの情報を使用して、チャネルセグメント（ＣＳ）内の特定の製品（ＳＫＵ）の売上をある時間範囲（ｔ_ｉ）にわたって加算することにより、チャネルセグメント内のその製品のその時間範囲にわたる総売上Ｘ_ＳＫＵを生成する。同様に、チャネルセグメント内の複数の製品（ＳＫＵ_１−ｎ）の総売上合計ΣＸ_ＳＫＵは、各製品の売上合計Ｘ_ＳＫＵを加算することによって見つけられる。次にシステムは、複数の製品の総売上合計で特定製品の売上合計を除算することによって総売上高に占めるその製品の割合を決定することができる。次に、動的値付けシステム１００はチャネルセグメント単位で一群の製品の日毎の売上高を予測する。
【００３１】
動的値付けシステム１００は、指数、べき乗、対数、ゴンペルツ、ロジスティック、または放物線関数に基づく曲線あてはめを使用する線形回帰または非線形回帰解析など既知の統計学的方法を通して予測を行うことができる。加えて、統計予測の正確度を上げる多くの平均化、平滑化、および分解技法が既知であり、動的値付けシステム１００に採用することができる。当業者には理解されるように、ＮＳＦ１３０およびＳＦ１６０は市販のあらゆる予測プログラムを採用し得る。
【００３２】
好ましい実施形態において、ＮＳＦ１３０およびＳＦ１６０は、以前の販売数がある時間期間にわたって予測可能なように変化する売上サイクルを予測するように適合される。こういった売上サイクルを正確に予測するため、ＮＳＦ１３０およびＳＦ１６０は各曜日を別個に予測する、すなわち月曜日の時系列を火曜日、水曜日などとは別個に予測することができる。次に、ＮＳＦ１３０およびＳＦ１６０は、分散分析（ＡＮＯＶＡ）またはｔ検定を行ってどの曜日が平均レベルから統計学的に「異なる」かを検出することができる。代替として、ＮＳＦ１３０およびＳＦ１６０は、何週かを合計し、一連の合計を予測し、乗数（全週の平均割合）を適用して元の日毎レベルに分離解除することができる。ＮＳＦ１３０およびＳＦ１６０は、タイムラグおよび循環依存性（ｃｙｃｌｉｃａｌ ｄｅｐｅｎｄｅｎｃｙ）を明示的にモデリングするＡＲＩＭＡ（Ａｓｓｏｃｉａｔｉｏｎ ｏｆ Ｒｉｓｋ ａｎｄ Ｉｎｓｕｒａｎｃｅ Ｍａｎａｇｅｒｓ ｏｆ Ａｍｅｒｉｃａ）法をさらに採用することができる。上記技法は同様に、日付サイクル、月末までの日数サイクル、および週（ｗｅｅｋ−ｏｆ−ｍｏｎｔｈ）サイクルなど異なる時間サイクルに一般化することが可能である。
【００３３】
ＮＳＦ１３０およびＳＦ１６０は、既知の方法を通して売上予測の正確度を評価して、「適合度」統計を決定することができる。予測の適合度がよくない場合、動的値付けシステム１００は、非線形回帰を使用して予測を決定するなど予測手順を変更することによって結果を向上させることが可能である。
【００３４】
ＮＳＦ１３０の結果は、図５に示すようにユーザに表示することができる。図５は、列１３２がチャネルセグメント内の製品の予測需要を列挙するスプレッドシート１３１である。
【００３５】
費用モデル
値付けシステム１００は、利益最大化価格を決定する際に使用される費用仮定を計算する図２の費用モデル（ＣＭ）１５０をさらに備える。ＣＭ１５０は、入力装置１０を通してユーザから入力を受け入れることによって動作することができる。このようにして、この機能は収益を生成するためだけに動作し、利益を考える際にユーザの費用推定を用いる。
【００３６】
しかしながら、システム１００の好ましい実施形態では、ＣＭ１５０は外部から提供されるデータを調べて、製品の売り手に対する実際の費用を表す基本製品原価（ｂａｓｅ ｐｒｏｄｕｃｔ ｃｏｓｔ）を決定する。製造業者の場合、基本製品原価は、原料取得費用およびこれら材料を１ユニットの最終財にする費用を表し、再販売業者の場合、基本製品原価は１ユニットの製品を取得するために実際に支払った量を表す。
【００３７】
基本製品原価は、１ユニットの製品の取得に本質的に関連する支出のみを含み、製品の製造および／または取得に関連する費用をすべて含むわけではない。たとえば、追加ユニットの製品の売上により広告費は本質的に増大しないため、広告費は基本製品原価ではない。他のいくつかのさらなる費用は間接費、在庫取扱費、管理費、開発費、保証費、訓練費、および運送費である。これらのタイプのさらなる費用は、動的値付けシステム１００によって製品原価調整として扱うことができるため、利益最大化価格を決定するときに考慮することができる。好ましい実施形態では、動的値付けシステム１００は、ユーザが各製品について増分および／または割合調整を提供できるようにする。すべての調整により変更された基本費用である製品の総費用は、調整製品原価と呼ばれる。
【００３８】
一実施形態において、ＣＭ１５０は異なるチャネルセグメントにおける取引費用の相違を考慮することができる。異なるチャネルセグメント中の売上原価は、異なる流通方法、場所の相違、またはチャネルセグメントにおける他の共通する売上の特徴によるものであり得る。ＣＭ１５０は、以前の取引データを評価することによってこれらの費用を動的に決定することができる。好ましくは、動的値付けシステム１００ではまた、ユーザがチャネルセグメントにおける製品売上の増分および割合調整成分を入力して調整製品原価を生成することができる。このようにして、ユーザは、異なる値で調整要因を初期化することによって異なるタイプの費用距離（ｃｏｓｔ ｍｅｔｒｉｃｓ）にアクセスすることができる。
【００３９】
チャネルセグメントレベルで製品に関連するさらなる費用を考慮するチャネルセグメント固有の調整に加えて、売り手が特定の買い手について特別な費用すなわち買い手固有の費用調整を考慮する必要がある場合があり得る。たとえば、特定の買い手への売上が、取引費用および運送費が高いためにより高い場合があり得る。ＣＭ１５０は、既知の統計解析技法を使用して以前の取引データを評価することにより、任意特定の買い手に関してさらなる費用を動的に決定することができる。動的値付けシステム１００ではまた、好ましくは、ユーザが特定の買い手への製品売上について費用調整を行い、買い手調整製品原価を生成することができる。
【００４０】
別の実施形態では、ＣＭ１５０は大量販売の場合に買い手に与えるいずれの割引もさらに考慮する。こういった割引は概して、売上高が増大するにつれて増大する割引を表す関数を通してモデリングされる。たとえば、割引は、売上金額の増大に伴って割引額を増大する階段関数であることができる。割引は特定の売上から予想される利益を減少させるが、チャネルセグメント内の他の取引に影響を与えないため、動的値付けシステム１００は割引を費用として扱う。
【００４１】
システム１００はまた、費用および割引数量をユーザに表示することもでき、これは図５のスプレッドシート１３１に示される。スプレッドシート１３１は、各チャネルセグメントの各製品ごとに調整費用列１５１および割引列１５２を含む。
【００４２】
供給予測
一実施形態において、システム１００は在庫レベルをさらに考慮する。特に、動的システム１００の基本的な前提は、将来の売上が将来の在庫レベルを超えることができないというものである。このため、動的値付けシステム１００は売上予測の上限を予測在庫レベルに制限する。動的値付けシステム１００では、供給予測器（ＳＵＦ）１９０が各チャネルセグメントにおける将来の在庫を予測する。ＳＵＦ１９０は、既知の任意の会計技法を使用して在庫を予測することができ、通常、現在の在庫レベルならびに売上および在庫補充など予測される在庫レベルの将来の変更を見る。売り手が無制限の追加在庫を購入し得る場合、あらゆるレベルの売上を達成し得るため、システムはＳＵＦ１９０なしで動作することが可能である。また、ＳＵＦ１９０を対応する第三者システムで置換して、同じ供給入力を提供することも可能である。
【００４３】
予測範囲が在庫補充日前に終わる場合、予測範囲を通して需要を満たすために、現在の在庫をすべては使用できないことがある。この場合、ＳＵＦ１９０は、現在の在庫のうちどれくらいを、予測範囲を通して将来の需要を満たすために利用することができるかを決定する。１つの単純な手法は、在庫レベルが大きく突然変更される階段関数を使用するのではなく、新しい在庫量が常に追加される線形近似を用いる。たとえば、利用可能な在庫は、次に在庫が補充されるときまでの時間で予測範囲を除算した比で現在の在庫を乗算して近似することができる。
【００４４】
価格オプティマイザ
図２を参照すると、動的値付けシステム１００は、すべてのチャネルセグメントにわたり所与の制約下で総利益を最大化する最適価格の集合を生成する価格オプティマイザ（ＯＰＴ）２００を備え、制約は、値付け問題の一般の設定あるいはユーザが選択する特定のルールのいずれかによって定義される。ＯＰＴ２００は、ＣＭ１５０からの製品原価データおよびＳＦ１６０からの売上予測を含む各種データを使用して利益最大化価格を作成する。
【００４５】
ＯＰＴ２００は概して、製品が特定のチャネルセグメントについて単一の価格で販売されるものと仮定する。価格の相違は、費用計算の上記考察において説明したように、量割引の形態でモデリングすることができる。次に、ＯＰＴ２００は、様々な価格でのチャネルセグメント内の製品の様々な売上からの利益を推定する。特に、ＯＰＴ２００は以下の数式に頼る。
【００４６】
Π_Ｐ，ＣＳ＝Ｘ_Ｐ，ＣＳ＊（Ｐ_ＣＳ−Ｃ_ＣＳ） （式３）
【００４７】
式中、Ｐ_ＣＳはチャネルセグメント内の製品の価格であり、Ｃ_ＣＳはチャネルセグメント内の製品当たりの費用であり、Ｘ_Ｐ，ＣＳは価格Ｐにおけるチャネルセグメント内の製品の予測される売上であり、Π_Ｐ，ＣＳは価格Ｐにおけるチャネルセグメント内の製品の売上からの予測される利益である。上述したように、ＳＦ１６０は、ＮＳＦ１３０によって決定される現在の価格レベルにおいて予測される将来の売上を用い、次にＰＳＭ１４０によって決定されるチャネルセグメント内の買い手の価格弾力性で予測される販売数を調整することによって、Ｘ_Ｐ，ＣＳを予測する。
【００４８】
Ｘ_Ｐ，ＣＳ＝Ｘ_{Ｐｒｅｆ，ＣＳ}＊Ｆ_ＰＳ（Ｐ） （式４）
【００４９】
式中、Ｘ_{Ｐｒｅｆ，ＣＳ}はＮＳＦ１４０からの現在価格における正規化売上予測であり、Ｆ_ＰＳ（Ｐ）は価格Ｐにおける売上に対する価格感応度調整である。同様に、ＣＭ１５０は、チャネルセグメント内の製品当たりの費用を決定する。ＯＰＴ２００は概して基準価格Ｐ_ｂａｓｅから開始し、設定された増分で価格を徐々に増大させる。次に、ＯＰＴ２００は、チャネルセグメント内の利益を最大化する製品の特定の価格（複数可）を示唆する。ＯＰＴ２００は、印刷されたページなど任意の形態の出力で推奨価格を提示することができるが、一般には、ディスプレイモニタ上のグラフィックユーザインタフェース（ＧＵＩ）を通して価格を提示する。
【００５０】
一実施形態において、ＯＰＴ２００は、価格の上昇に起因する利益の変化のみを見る。この実施では、ＯＰＴ２００は、利益を最大化する価格の上昇、一般に製品当たりの収益を増大しながら売上高を実質的に低減しない価格を推奨することができる。
【００５１】
別の実施形態において、ＯＰＴ２００は、複数の関連するチャネルセグメント内の売り手の利益レベルの推定を行い、複数のチャネルセグメントの価格を提供することによってより大域的な解析を行う。この方法では、売り手があるチャネルセグメント内の利益を犠牲にして、第２のチャネルセグメントにおける利益を増大することができる。たとえば、すべてのチャネルセグメントにおいて流通する総在庫が限られている売り手は、第１の市場でより少ないアイテムを販売して第２の市場における利益を増大させるようがよいことがある。
【００５２】
製品の最適価格を決定する上記解析では、ＯＰＴ２００は、１つの製品の値付けおよび売上が第２の製品の値付けおよび売上に影響しないなどいくつかの基本的な仮定を用いる。その結果、予測される売上金額は、正規化予測売上に価格感応度調整を乗算したものに等しい。さらに、ＯＰＴ２００は、オプションとして、チャネルセグメント内で許容可能な最低価格および最大価格があるものと仮定することもできる。これら仮定の下で、ＯＰＴ２００は常に１つまたは複数の利益最大化価格を生成することが可能である。
【００５３】
ＯＰＴ２００は、チャネル内の最小および最大の販売数を仮定することも可能である。ＯＰＴ２００は、オプションとして、２つのチャネルセグメントにおける製品価格の最大差があるものとさらに仮定することができ、この最大差は絶対量（価格が＄１０よりも大きく異なることができないなど）であるか、または価格での相対比（価格が１０％よりも大きく異なることができないなど）である。ＯＰＴ２００はさらに仮定を行うにつれ、ソリューションが仮定内では不可能になるため、利益最大化価格の集合が存在しない可能性が増す。そうすると、ＯＰＴ２００はソリューションが可能になるまで仮定を無視し始める。
【００５４】
仮定は、戦略目標（またはビジネスルール）データベース２１０に格納される。ユーザは、製品および市場の現実に従ってこれら仮定を調整することができる。たとえば、第１の製品の値付けまたは売上が第２の製品の値付けまたは売上に影響を与える場合、ＯＰＴ２００は、ある製品の需要（または売上）が他の製品の需要（または売上）から独立しているという仮定、および製品間価格弾力性が存在しないという仮定を行うことができない。したがって、ＯＰＴ２００は、この従属性を考慮したＳＦ１６０からの売上予測、そして双方の製品からの売上を最大化する製品値付けを用いなければならない。２つの製品の売上は、一方の製品の売上が第２の製品の売上を増大させるようにプラスに相関し得る。あるいは、２つの製品の売上は、代用可能な製品など、第１の製品の売上が第２の製品の売上を減少させるようにマイナスに相関し得る。この場合、第１の製品の価格を下げるとこの製品の需要が増大し、第２の製品の需要ならびに売上が減少する。動的値付けシステム１００は、特定の製品の需要予測に、その製品の需要履歴データを使用することに加えて、関連製品の需要履歴データも調べるようにＳＦ１６０の動作を変更することにより、こういった市場の状況を考慮することが可能である。ＯＰＴ２００は、最適価格を決定するに当たり製品間弾力性も考慮することが可能である。そうすると通常、第１の製品の予測総利益は、当初予測された利益に、第２の製品の売上に起因する利益へのあらゆる調整を加えて、２つの製品の共依存性を反映させたものになる。
【００５５】
δ（総利益）／δ（製品１の価格）＝（δ（製品１の売上）／δ（製品１の価格））＊ユニット当たりの利益（製品１）＋（製品１の売上）＊（δ（製品１の売上）／δ（製品１の価格））＋（δ（製品２の売上）／δ（製品１の価格））＊ユニット当たりの利益（製品２） （式５）
【００５６】
上記動作において、ＯＰＴ２００は、売れ残っている在庫が実際の費用または機会費用をいずれも生じさせないものとさらに仮定する。価格予測を向上させるために、売り手は、ＰＭ１５０の計算に含められる売れ残った在庫の保管費の推定を提供することができる。たとえば、ＯＰＴ２００は、売れ残ったいずれの在庫も将来の利益に対する費用として取り扱う原価計算を採用し得る。ユーザは、予測範囲の最後および／または在庫補充日における在庫の評価の仕方を指定しなければならない。生じる問題としては、決定期間の終わりに余剰在庫を評価すること、ならびに販売期間にまたがるアイテムの持ち越しに関連する機会費用および次の期間までの保管中に発生する製品のあらゆる価値増大（ａｎｙ ｉｎｃｒｅａｓｅ ｉｎ ｐｒｏｄｕｃｔ）（評価益）の捕捉の仕方が挙げられる。同様に、ＯＰＴ２００は、不十分な在庫による逸失売上の費用を考慮すべきである。
【００５７】
ＯＰＴ２００はまた、供給および需要における不確実性を考慮しない。代わりに、ＯＰＴ２００は、供給および需要が予測されるとこれらの要因を決定論的なものとして扱う。ＳＵＦ１９０およびＳＦ１６０は、不確実性要因を組み込むように容易に変更することができる。あるいは、対数正規関数など既知の平均および分散を有する確率過程として需要および供給をモデリングすることもできる。そうなると、ＯＰＴ２００の最適化の目的関数は、予想される総利益を最大化する関数で置換される。
【００５８】
ＯＰＴ２００はまた、競合データが利用不可能であるという仮定の下でも動作する。競合データは、同じチャネルセグメント内の競合製品の価格および売上についての情報に関連する。この情報が利用可能である場合、競合製品の価格および供給は明らかに売上に影響を及ぼすため、動的値付けシステム１００は売上予測を向上させることができる。たとえば、低価格での密接に関連する製品の存在は、売り手が価格を増大させる能力を実質的に制限する。ＰＳＭ１４０およびＳＦ１６０は、既知の技法を用いて競合データを組み込み、使用することができる。
【００５９】
別の実施形態では、動的値付けシステム１００は、ＯＰＴ２００の最適な利益最大化価格の決定に当たり競争相手について利用可能な情報を用いる。たとえば、競争相手反応モデル（ＣＲＭ）１７０は、競争相手の値付けおよび供給情報についての履歴データを使用して、ＰＳＭ１４０の価格感応度の発見およびＳＦ１６０の売上予測を変更する。これらの調整は、市場内の代用製品の価格および有用性は消費者の価格感応度に影響すると共に将来の売上にも同様に影響を与えるという論理的な仮定に基づく。ＯＰＴ２００は、既知の技法を用いて、競争相手の価格に関する特定製品の需要弾力性を決定し、目的関数にこれを組み込むことができる。あるいは、価格感応度を決定するシステム内の制御変数（目下、製品の価格）を、競争相手の価格に対する売り手の製品価格の比または２つの値の差で置換することが可能である。
【００６０】
したがって、動的値付けシステム１００は、広範囲の利用可能な値付けおよび売上データを利用することによって最適な推奨価格を生成することができる。この広範囲の市場情報が利用可能な場合、動的値付けシステム１００は、潜在的な市場規模ならびに市場の価格に対する感応度をモデリングすることが可能である。動的値付けシステム１００は、市場の価格感応度から市場規模をモデリングすることによって価格および時間の関数として売上予測を行う。次に、動的値付けシステム１００は、利用可能な供給データおよび売り手の戦略目標に関してこの売上予測を評価し、最適な推奨価格を生成することができる。不都合なことに、広範囲の市場データはめったに利用することができない。
【００６１】
しかしながら、殆どの場合、動的値付けシステム１００は、完全でない値付け情報を用いて市場を解析しなければならない。たとえば、逸失データが利用不可能である、または意味をなさない場合、市場規模を捕捉することは困難である。価格推奨を達成するより直接的な方法は、価格および時間の関数として売上を直接予測するというものである。この方法では、システムは市場規模および反応をモデリングする必要性を回避するが、おそらく正確度のより低い予測を生成する。
【００６２】
同様に、動的値付けシステムは、市場反応のいくつかの原動力についてのデータが利用不可能な場合であっても、いくつかの重要な市場原動力は高い信頼性をもってデータで捕捉することができるため最適な価格推奨を行うことができる。たとえば、市場における全体的な供給は、量的というよりも質的であり得る観察である。そのため、最終価格への調整サイズまたは市場反応のシフトとしてユーザからの入力を使用して、より単純に価格または市場反応への対応する調整を行う必要がある。これら調整は、売上予測、需要予測、または市場反応へのオーバーライドを通して、あるいはより直接的に、利用可能なデータから導き出される推奨価格を単純に割合調整することによって達成することができる。ユーザは、どの調整を行うか選ぶことができる。
【００６３】
価格オプティマイザ２００からの推奨価格は、システム１００が他のコンポーネントでは明示的に対処されない各種問題に対処できるようにポストプロセッサ２４０でさらに変更し得る。その他のパラメータデータベース２５０は、上記モデルに表現されない行動を反映するように価格を調整するために使用されるパラメータを格納する。これは、ベンダーおよびチャネル管理ルールなどのアイテムならびに業界／市場での有用性を含み得る。
【００６４】
システム１００は、推奨価格を推奨価格データベース２６０に格納することができるため、システム１００は後で推奨価格にアクセスすることができる。推奨価格データベース２６０はまた、推奨価格の形成に使用される仮定／予測も格納することができる。
【００６５】
警告発生器
別の実施形態において、動的値付けシステム１００は、新しい製品価格の集合が生成された後、または新しい１日分の取引がロードされた後に動作する図２の警告発生器２２０をさらに備える。警告発生器２２０は、価格、あるいは実際の販売行動が先に予測された行動とは大幅に異なるときを示すことができる実際に販売されたユニット数または実際のマージンを含む他の製品特徴のあらゆる有意な変更をユーザに通知する。
【００６６】
ユーザは、入力装置１０を通して、警告発生器２２０が通知を与える条件を選ぶことができ、選択された警告条件は警告データベース２３０に格納される。たとえば、警告発生器２２０は、実際の売上統計が予想された予測値と異なるときをユーザに通知することができる。チャネルセグメントにおける任意特定の製品について、警告発生器２２０は、在庫統計、販売数、売上における製品の実際の価格、実際の費用、収益、または実際の利益を見ることができる。警告発生器２２０は、実際の数が、動的値付けシステム１００の他のコンポーネントによって決定される予測値と異なるときをユーザに通知する。
【００６７】
これらの比較を行うために、警告発生器２２０はＯＰＴ２００からの結果を格納する。警告発生器２２０はさらに、実際の取引からのデータを受け取って解析し、取引を予測と比較する。警告発生器は概して、取引データベース１２０中の新しいエントリを推奨価格データベース２６０に含まれる予測と比較することによって動作する。
【００６８】
オプションとして、ユーザは、警告発生器２２０による予測結果と実際の結果との比較を開始する時間期間を指定することもできる。たとえば、ユーザは、前日、先週、先月、または前年を選択することができる。同様に、警告に選択されるしきい値は、予想される利益からの小さなずれは短期では重要であり得るが、長期間では問題ではないことがあるため、タイムスパン選択により変化するように選択することもできる。
【００６９】
動的価格システムの統合
図６に示すように、動的値付けシステム１００は、より大きな枠組み４００内に共存し得る。特に、システム１００は、倉庫４１０、製造センタ４２０、および購買センタ４３０を含むユーザのサプライチェーン内の各種要素と相互作用して、供給が、動的値付けシステム１００によって予測される需要と適宜一致するように保証することができる。動的値付けシステム１００はさらに、在庫レベルを鑑みて価格を設定する。同様に、動的値付けシステム１００は、店４４０およびメールオーダーセンタ４５０などのユーザのための販売サイトと結び付く。このようにして、動的値付けシステム１００は、販売価格を設定し、販売サイト４４０および４５０での実際の売上を監視する。フィードバックループのように、動的値付けシステム１００は売上データを使用してセールスチェーンへの価格およびサプライチェーンへの在庫要求を調整する。
【００７０】
このモデルに基づいて、動的値付けプロセス５００を図７に示す。具体的には、動的値付けシステムは、ステップ５１０において過去の売上データを収集し、ステップ５２０において、このデータを使用して様々な価格での将来の売上を予測する。ステップ５３０において、ステップ５２０からの結果を使用して、動的値付けシステムは利益を最大化する価格を選択する。ステップ５４０において、条件を選択することにより、それに従って利益最大化を調整することができる。次にステップ５５０において、売り手が各チャネルセグメントにおいてステップ５３０からの推奨価格で販売する。ステップ５６０において、ステップ５３０からの推奨価格を反映する新しい売上情報が収集され、その他の過去の売上データに追加され（ステップ５１０）、プロセスが最初からくり返される。
【００７１】
結論
本発明の好ましい実施形態の上記説明は、例示および説明を目的として提示されたものである。すべてを網羅するものではなく、本発明を開示された厳密な形態に限定する意図はない。上記教示に鑑みて多くの変更および変形が可能である。本発明の範囲は、この詳細な説明ではなく併記される特許請求の範囲によって制限されるものである。
【図面の簡単な説明】
【図１】本発明の好ましい実施形態による図２の動的値付けシステムを組み込んだシステムの模式図である。
【図２】本発明の好ましい実施形態による動的値付けシステムの模式図である。
【図３】本発明の好ましい実施形態による図２のシステムからの出力イメージである。
【図４】本発明の好ましい実施形態による図２のシステムからの出力イメージである。
【図５】本発明の好ましい実施形態による図２のシステムからの出力イメージである。
【図６】本発明の好ましい実施形態による図２の動的値付けシステムを組み込んだシステムの模式図である。
【図７】本発明の好ましい実施形態による動的値付け方法のフローチャート図である。

Claims (47)

1. 製品を動的に値付けするシステムであって、
   ａ．過去の売上についてのデータを収集し格納する手段と、
   ｂ．前記過去の売上データに基づいて、正規化された将来の売上高を予測する手段と、
   ｃ．前記過去の売上データに基づいて、正規化された将来の売上高を予測する手段と、
   ｄ．過去のデータに基づいて、前記製品の価格変更に対する消費者の価格感応度を決定する手段と、
   ｅ．前記正規化された将来の売上高予測を前記価格感応度で調整することにより、様々な価格での将来の売上高を予測する手段と、
   ｆ．前記製品の前記将来の売上高予測および費用を用いて利益を最大化する最適価格を決定する手段と、
   を備えるシステム。
2. 前記過去の売上を１つまたは複数のチャネルセグメントに分類する手段をさらに備え、前記過去の売上はそれぞれ１つのチャンネルセグメントにのみ分類される請求項１記載のシステム。
3. 前記最適価格を決定する手段は、前記チャネルセグメントそれぞれにおいて最適価格を決定する請求項２記載のシステム。
4. 前記製品の費用は、前記チャネルセグメントそれぞれにおける異なるチャネルセグメント費用を含む請求項２記載のシステム。
5. 前記最適価格を決定する手段は、１つまたは複数の戦略目標を考慮にいれる請求項１記載のシステム。
6. 前記戦略目標の１つは、前記製品の最低価格である請求項５記載のシステム。
7. 前記戦略目標の１つは、前記製品の最高価格である請求項５記載のシステム。
8. 前記戦略目標の１つは、前記製品の最低売上高である請求項５記載のシステム。
9. 前記戦略目標の１つは、前記製品の最高売上高である請求項５記載のシステム。
10. 売り手による前記製品の価格変更に対する競争相手の反応を予測する手段をさらに備え、前記様々な価格での将来の売上高を予測する手段は前記競争相手の反応を考慮にいれる請求項１記載のシステム。
11. 逸失売上データを決定する手段をさらに備え、前記様々な価格での将来の売上高を予測する手段は競争相手の反応を考慮にいれる請求項１記載のシステム。
12. 予め指定されるイベントの発生を売り手に警告する手段をさらに備える請求項１記載のシステム。
13. 前記売り手に警告する手段は、実際の販売価格を前記最適価格と比較し、前記予め指定されるイベントは、前記実際の販売価格と前記最適価格の差である請求項１２記載のシステム。
14. 前記売り手に警告する手段は、前記最適価格での実際の売上を前記最適価格での前記予測された売上高と比較する請求項１２記載のシステム。
15. 前記予め指定されるイベントは、前記予測された売上高に対する実際の売上高の比が第１の予め指定される量未満であるときに発生する請求項１４記載のシステム。
16. 前記予め指定されるイベントは、前記予測された売上高が前記実際の売上高を第２の予め指定される量を越える分だけ超過するときに発生する請求項１４記載のシステム。
17. 前記価格感応度を決定する手段は、ロジスティック数学モデルを使用する請求項１記載のシステム。
18. 製品を動的に値付けする方法であって、
    ａ．過去の売上についてのデータを収集するステップと、
    ｂ．前記過去の売上データに基づいて、正規化された将来の売上高を予測するステップと、
    ｃ．前記過去の売上データに基づいて、前記製品の価格変更に対する消費者の価格感応度を決定するステップと、
    ｄ．前記正規化された将来の売上高予測を前記価格感応度で調整することにより、様々な価格での将来の売上高を予測するステップと、
    ｅ．前記製品の前記将来の売上高予測および費用を用いて利益を最大化する最適価格を決定するステップと、
    を含む方法。
19. 前記製品の費用を動的に決定するステップをさらに含む請求項１８記載の方法。
20. 前記過去の売上を異なるチャネルセグメントに分類するステップをさらに含み、前記過去の売上はそれぞれチャンネルセグメントの１つにのみ分類され、前記様々な価格での将来の売上を予測するステップは、前記チャネルセグメントそれぞれにおける将来の売上を予測することをさらに含む請求項１８記載の方法。
21. 前記製品の費用は、前記チャネルセグメントそれぞれについて異なるチャネルセグメント費用を含む請求項２０記載の方法。
22. 前記最適価格を決定するステップは、前記チャネルセグメントそれぞれについて行われる請求項２０記載の方法。
23. 前記最適価格を決定するステップは、１つまたは複数の戦略目標を考慮にいれることを含む請求項１８記載の方法。
24. 売り手から１つまたは複数の戦略目標を受け入れ格納することをさらに含む請求項２３記載の方法。
25. 前記戦略目標の１つは、前記製品の最低価格である請求項２３記載の方法。
26. 前記戦略目標の１つは、前記製品の最高価格である請求項２３記載の方法。
27. 前記戦略目標の１つは、前記製品の最低売上高である請求項２３記載の方法。
28. 前記戦略目標の１つは、前記製品の最高売上高である請求項２３記載の方法。
29. 前記将来の売上高を予測するステップは、前記製品の在庫をさらに考慮に入れる請求項１８記載の方法。
30. 前記在庫は、前記最適価格での前記製品の前記予測される売上を考慮に入れる請求項２９記載の方法。
31. 前記将来の売上高を予測するステップは、競争相手の予想される反応をさらに考慮にいれる請求項１８記載の方法。
32. 前記将来の売上高を予測するステップは、逸失売上データをさらに考慮にいれる請求項１８記載の方法。
33. 前記最適価格での実際の売上を前記最適価格での予測売上高と比較するステップをさらに含む請求項１８記載の方法。
34. 実際の売上を考慮にいれて前記最適価格を調整するステップをさらに含む請求項３３記載の方法。
35. 前記最適価格での予測売上高に対する実際の売上高の比が第１の予め指定される量未満であるとき売り手に警告するステップをさらに含む請求項３３記載の方法。
36. 第２の予め指定される量を越える分だけ前記実際の売上高が前記予測された売上高を下回るとき売り手に警告するステップをさらに含む請求項３３記載の方法。
37. 前記最適価格を決定するステップは、前記製品の量割引（ｖｏｌｕｍｅ ｄｉｓｃｏｕｎｔ）を考慮にいれることをさらに含む請求項１８記載の方法。
38. 前記価格感応度を決定するステップは、ロジスティック数学モデルを使用することをさらに含む請求項１８記載の方法。
39. 前記価格感応度を決定するステップは、前記製品の売上と第２の製品の売上の間の関係を考慮にいれることをさらに含む請求項１８記載の方法。
40. 製品の推奨価格を決定する動的値付けネットワークであって、
    前記製品の以前の取引についての情報を格納するデータベースと、
    該データベース中の前記情報にアクセスして、将来の売上高の正規化された予測を生成する正規化売上予測モジュールと、
    前記データベース中の前記情報にアクセスして、前記製品の価格変更に対する消費者の価格感応度を決定する価格感応度モジュールと、
    前記正規化された予測および前記価格感応度を用いて複数の異なる価格それぞれでの将来の売上高の予測を生成する売上予測モジュールと、
    前記データベース中の前記情報にアクセスして前記製品の費用を決定する費用モジュールと、
    前記将来の売上高予測および前記費用を用いて利益を最大化する価格を推奨するオプティマイザと、
    を備える動的値付けネットワーク。
41. 前記データベース中の前記情報にアクセスし、前記過去の取引を１つまたは複数のチャネルセグメントに分類するプリプロセッサをさらに備え、該プリプロセッサは、前記取引それぞれを１つのチャネルセグメントにのみ分類する請求項４０記載の動的値付けネットワーク。
42. 前記オプティマイザは、前記チャネルセグメントそれぞれにおける最適価格をさらに決定する請求項４１記載の動的値付けネットワーク。
43. 前記費用モジュールは、前記チャネルセグメントそれぞれにおける費用をさらに決定する請求項４１記載の動的値付けネットワーク。
44. １つまたは複数の戦略目標についてのデータを格納する戦略目標データベースをさらに備え、前記オプティマイザは、前記戦略目標データベースにアクセスし、前記利益を最大化する価格を推奨するときに１つまたは複数の戦略目標を考慮にいれる請求項４０記載の動的値付けネットワーク。
45. １つまたは複数の警告状況を格納する警告状況データベースと、
    前記警告状況の１つが発生したときにユーザに通知する警告発生器と、
    をさらに備える請求項４０記載の動的値付けネットワーク。
46. 製品の価格を動的に決定するコンピュータプログラムを格納したコンピュータ読み取り可能な媒体を備える製造品であって、前記コンピュータプログラムは、
    （ａ）コンピュータで実行されると、前記製品の以前の取引についての情報を格納するデータベースを定義する第１のコードセグメントと、
    （ｂ）コンピュータで実行されると、将来の売上の正規化された予測を自動的に生成する正規化売上予測モジュールを定義する第２のコードセグメントと、
    （ｃ）コンピュータで実行されると、前記製品の価格感応度を自動的に決定する価格感応度モジュールを定義する第３のコードセグメントと、
    （ｄ）コンピュータで実行されると、前記正規化された予測および前記価格感応度を使用して様々な価格での前記製品の将来の売上の予測を生成する第４のコードセグメントと、
    （ｅ）コンピュータで実行されると、前記製品の費用を決定する第５のコードセグメントと、
    （ｆ）コンピュータで実行されると、前記様々な価格での将来の売上の予測および前記費用を使用して利益最大化価格を自動的に推奨する第６のコードセグメントと、
    を備える製造品。
47. 製品の価格を動的に決定する方法ステップを実行する、マシンが実行可能な命令のプログラムを有形具現する、マシン読み取り可能なプログラム記憶装置であって、前記方法ステップは、
    ａ．過去の売上についてのデータを収集すること、
    ｂ．前記過去の売上データで識別された現在の状況下で正規化された将来の売上高を予測すること、
    ｃ．前記過去の売上データに基づいて前記製品の価格変更に対する消費者の価格感応度を決定すること、
    ｄ．前記正規化された将来の売上高予測を前記価格感応度で調整することによって様々な価格での調整された将来の売上高を予測すること、
    ｅ．前記製品の前記調整された将来の売上高予測および費用を用いて利益を最大化する最適価格を決定することと、
    を含むプログラム記憶装置。

Images