JP2007058848A - Prediction support system - Google Patents

Prediction support system Download PDF

Info

Publication number
JP2007058848A
JP2007058848A JP2006201810A JP2006201810A JP2007058848A JP 2007058848 A JP2007058848 A JP 2007058848A JP 2006201810 A JP2006201810 A JP 2006201810A JP 2006201810 A JP2006201810 A JP 2006201810A JP 2007058848 A JP2007058848 A JP 2007058848A
Authority
JP
Grant status
Application
Patent type
Prior art keywords
prediction
date
publication
sales
books
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.)
Pending
Application number
JP2006201810A
Other languages
Japanese (ja)
Inventor
Hideaki Miyata
秀明 宮田
Original Assignee
Toyo Eng Corp
東洋エンジニアリング株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Abstract

<P>PROBLEM TO BE SOLVED: To accurately perform medium- or long-term prediction of the sales of a publication such as a book. <P>SOLUTION: The prediction support device 10 supports prediction of the medium- or long-term sales of the publication. The prediction support device 100 comprises a result data storage part 118; a population selection part 104 selecting, based on an attribute related to the publication to be predicted, a plurality of result data as a population from the result data storage part 118; a multiple calculation part 106 calculating multiples of the sales m of the publication in a medium or long term with respect to the sales m from a release date of initial edition of the publication to be predicted to an initial first reference day N, based on distribution of multiple q/p of the total sales p up to a predetermined sales saturated day M to the total sales p up to the first reference day N in each of the plurality of result data selected by the population selection part 104; and an output processing part 112 outputting the predicted multiple calculated by the calculation part 106 in association with the accuracy thereof. <P>COPYRIGHT: (C)2007,JPO&INPIT

Description

本発明は、出版物の長期的な販売冊数の予測を支援する予測支援システムに関する。 The present invention relates to a prediction support system for supporting the prediction of long-term sales number of books of publication.

書籍や雑誌等の出版物は、種類が非常に多い、新刊数が膨大、ライフサイクルが短い等の理由から、売上予測を立てるのが困難だった。 Publications such as books and magazines, the type is very large, new book number is huge, because of the life cycle is short, etc., it was difficult to make a sales forecast.

特許文献1には、書籍の種類および販売目標から当該書籍のライフサイクルを計算し、出荷量の変化を予測するステップと、計算されたライフサイクルにおける書籍の生産コストを複数の生産方法について計算し、その中で最も低コストになる生産方法を選択するステップと、選択された生産方法に基づいて生産指示量と納期を指示するステップと、を有する書籍生産管理方法が開示されている。 Patent Document 1, the life cycle of the book calculated from the book type and sales target, comprising the steps of predicting changes in the shipments, to calculate the book production costs in the calculated life cycle for a plurality of production methods , selecting a production method comprising the lowest cost among them, book production management method and a step of instructing the production instruction amounts and delivery based on the selected production method is disclosed.
特開2003−122419号公報 JP 2003-122419 JP

特許文献1に記載された技術は、販売目標に基づき、書籍の出荷量の変化を予測している。 Technique described in Patent Document 1 is based on sales target, predicts the change in shipments books. しかし、書籍等の出版物においては、書籍を生産する出版社が読者に直接商品を販売するのではなく、取次店や書店を介して読者に販売するのが一般的である。 However, in the publication of the book, and the like, rather than the publisher to produce a book to sell goods directly to the reader, it is common to sell to readers through the agency and bookstores. このような取次店や書店等では、販売目標等とは関わりなく、出版物の売上予測をたてる必要がある。 In such an agency and bookstores, etc., regardless of the sales target, etc., it is necessary to make a sales forecast of publication.

また、書店では、書籍を棚に並べて販売することから、読者のニーズの高い書籍を出版社から仕入れるとともに、ニーズの低い書籍を出版社に返品する等を効率よく行う必要がある。 In addition, in the bookstores, from the fact that to sell books side by side on the shelf, along with the stocking of the high demand of readers books from the publisher, it is necessary to carry out efficiently, such as to return the low needs books to the publisher. しかし、上述したように、従来、売上予測を立てるのが困難なため、書店から出版社への返品率も高く、近年、各新刊の出版部数が減少される傾向にある。 However, as described above, the prior art, because it is difficult to make a sales forecast, return rates from the bookstore to the publisher is also high, in recent years, there is a tendency that publication number of copies of each new book is reduced. 一方、各新刊出版物の出版部数が少ないと、すべての書店に新刊を配置することができないという問題が生じる。 On the other hand, when the publication number of copies of each new book publication is small, all the problems that it is not possible to place the new book to bookstores occurs. これにより、需要があっても供給が充分でないために売り上げが減少する販売ロス等の弊害が生じる。 Thus, negative effects, such as sales loss sales decreases because insufficient supply even if the demand arises.

本発明は上記事情に鑑みてなされたものであり、その目的とするところは、書籍等の出版物の中期的または長期的な販売冊数の予測を精度よく行うための予測支援技術を提供することにある。 The present invention has been made in view of the above circumstances, and it is an object to provide a supporting estimation technique for the prediction of medium term or long-term sales Volumes publications such as books accurately It is in.

本発明によれば、 According to the present invention,
出版物の中期的または長期的な販売冊数の予測を支援する予測支援システムであって、 A prediction support system for supporting the medium-term or prediction of long-term sales number of books of publication,
出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶部と、 And publications, and attributes relating to the publication, the result data storage unit for storing a plurality and long-term sales Volumes data, the actual data that associates of the publication,
予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶部から母集団となる前記実績データを複数選択する母集団選択部と、 Accepting an input of the attribute related publications prediction target, based on the attribute input, a search area selection unit for selecting a plurality of said actual data to be population from the result data storage unit,
前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、中期的または長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択部が選択した前記複数の実績データそれぞれにおける前記第1基準日Nまでの総販売冊数pに対する所定の販売飽和日Mまでの総販売冊数qの倍数q/pの分布に基づき算出する倍数算出部と、 The sales number of books m from the first edition Date of publication of the prediction target until the first date earlier, the medium term or long term prediction multiples the publication indicates several times sells the sales Volumes m based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date M to total sales number of books p until the first date N in said plurality of actual data respectively search area selection unit selects and multiple calculating unit for calculating,
前記倍数算出部が算出した前記予測倍数を、その精度に対応付けて出力する出力処理部と、 The predicted multiples the multiple calculating unit has calculated, and an output processing unit that outputs in association with the precision,
を含む予測支援システムが提供される。 Prediction assisting system comprising provided.

また、本発明によれば、 Further, according to the present invention,
出版物の中期的または長期的な販売冊数の予測を支援するためにコンピュータを、 The computer in order to support the medium-term or prediction of long-term sales number of books of publication,
出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶手段、 Publications and the attributes relating to the publication, actual data storage means for storing plural and long-term sales Volumes data, the actual data that associates of the publication,
予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶手段から母集団となる前記実績データを複数選択する母集団選択手段、 Accepting an input of the attribute related publications prediction target, based on the attribute inputted, the result data storage unit search area selection means for selecting a plurality of said actual data to be population from
前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、中期的または長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択手段が選択した前記複数の実績データそれぞれにおける前記第1基準日Nまでの総販売冊数pに対する所定の販売飽和日Mまでの総販売冊数qの倍数q/pの分布に基づき算出する倍数算出手段、 The sales number of books m from the first edition Date of publication of the prediction target until the first date earlier, the medium term or long term prediction multiples the publication indicates several times sells the sales Volumes m based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date M to total sales number of books p until the first date N in said plurality of actual data respectively population selection means selects multiple calculating means for calculating,
前記倍数算出手段が算出した前記予測倍数を、その精度に対応付けて出力する出力処理手段、 Output processing means for the multiple calculating means said predicted multiples calculated, and outputs in association with the precision,
として機能させるための予測支援プログラムが提供される。 Prediction support program to function as is provided.

本発明者等は、書籍や雑誌等の出版物においては、初版出版日から比較的短期間の初期の売上冊数に基づき、最終的な総販売冊数を精度よく予測できることを見出した。 The present inventors have, in publications such as books and magazines, on the basis of a relatively short period of time of initial sales number of books from the first edition publication date, the final total sales number of books were found that can be predicted accurately. また、最終的な総販売冊数等に基づき、初版出版日から中期的または長期的にわたる期間の任意の時点におけるたとえば1日、または1週間といった短期間あたりの販売冊数もある程度予測できることを見出した。 Further, based on the final total sales number of books and the like, first edition publication date medium term or long term over a period any example at the time 1 day from, or sell Volumes per short period such as one week it was found to be predicted to some extent. 初期の売上冊数に基づき総販売冊数を予測できれば、出版物を出版してから比較的短期間経過後に、その出版物の売上予測をたてることができる。 If you can predict the total sales number of books based on the initial sales number of books, after a relatively short period of time has elapsed since the publication of the publication, it is possible to make a sales forecast of its publication. そのため、たとえば書店や取次店では、出版物の仕入れや返品等を効率よく行うことができる。 Therefore, for example, in the bookstores and development agency, it can be carried out efficiently purchase and returned goods, etc. publications. また、出版社においても、増版の計画等をたてやすくなる。 Also, in the publisher, it becomes easy vertical-increasing version of the plans. また、できるだけ早い段階で予測を立てることができれば、競合他社に比べて仕入れの対策を早くとることができて有利である。 In addition, if it is possible to make predictions as early as possible, it is advantageous to be able to take early measures of purchase as compared to the competitors. 一方、ある程度の予測精度が確保されていないと、予測をたててもあまり意義のないものになってしまう。 On the other hand, when not secured to some extent predictive accuracy, even make a prediction becomes what not very meaningful.

本発明の予測支援システムまたは予測支援プログラムによれば、初期の第1基準日までの販売冊数mに対して中期的または長期的にその何倍売れるかを示す予測倍数が、その精度に対応付けて出力される。 According to the prediction assisting system or predicting support program of the present invention, medium term or long term prediction multiples indicating whether the many times sells the sales Volumes m up to the first date earlier is, correspondence to the accuracy It is output Te. ここで、精度は、数値として出力されてもよく、視覚的に精度のレベルが把握できるかたちで出力されてもよい。 Here, the accuracy may be output as a numerical, visual may be output in the form of the level of accuracy can be grasped. そのため、ユーザは、精度を参考にして、適切な予測倍数を選択することができる。 Therefore, the user precision reference, it is possible to select an appropriate prediction multiples.

ここで、第1基準日(N日)とは、ユーザがある出版物について初期の総販売冊数に基づき中期的または長期的な総販売冊数を予測する際に、初期のデータとして初版発売日から何日目までの総販売冊数を用いるかを決定するための基準日である。 Here, the first reference date and (N day), when predicting medium term or long-term total sales Volumes based on initial total sales number of books for publication with the user, the first edition Date as initial data which is the reference date for determining whether to use the total sales number of books up to what day. たとえば、初日の総販売冊数で長期的な総販売冊数を予測したい場合、第1基準日Nは「1日」となる。 For example, if you want to predict the long-term total sales number of books in the total sales number of books on the first day, the first date N is "one day". 販売飽和日(M日)とは、総販売冊数にほとんど変化がなくなり、出版物のライフサイクルの最終期に達した日のことである。 The sale saturated Date (M day), there is no little change in the total sales number of books, is the day that has reached the final phase of the publication of the life cycle. 販売飽和日Mは、たとえば母集団選択部が選択したすべての実績データについて、たとえば200日のように同じ日を設定してもよく、各実績データにおいて、実際の総販売冊数に変化がなくなった日とすることもできる。 Sales saturation date M is, for example, for all of the actual data that the population selection unit has selected, may be set the same day as, for example, 200 days, in each performance data, no longer is a change in the actual total sales number of books It can also be a day. ここで、販売冊数データは、各出版物の初版発売日Nから販売飽和日Mにわたって全日数の販売冊数を示すデータを含むこともできるが、たとえば初版発売日Nから初期の所定の日数分の販売冊数を示すデータと、販売飽和日Mにおける総販売冊数を示すデータだけを含むこともできる。 Here, sales number of books data, each publication is from the first edition Date N may be over sold saturated date M includes data indicating the total number of days sales number of books, for example the first edition Date fraction initial predetermined day from N and data indicating the sales number of books, it is also possible to include only the data that indicates the total sales number of books in the sale saturation date M.

前記属性は、前記出版物のタイトル名(タイトルに含まれる文字列を含む)、ジャンル(大ジャンル、中ジャンル、小ジャンル等)、コード(ISBNコード、出版社コード、取次店が独自に付与する分類番号等)、著者、出版社、または出版物の見た目のいずれか一以上を含むことができる。 The attribute, the title name of the publication (including a character string that is included in the title), genre (large genre, medium-genre, small genre, etc.), code (ISBN code, publisher code, the agency is its own to grant classification number, etc.), it is possible to include author, publisher, or any one or more of the publication of appearance. また、前記属性は、前記出版物のタイトル名(タイトルに含まれる文字列を含む)、ジャンル(大ジャンル、中ジャンル、小ジャンル等)、コード(ISBNコード、出版社コード、取次店が独自に付与する分類番号等)、著者、出版社、または出版物の見た目、あるいは当該出版物を販売した書店の属性のいずれか一以上を含むことができる。 In addition, the attribute, the title name of the publication (including a character string that is included in the title), genre (large genre, medium-genre, small genre, etc.), code (ISBN code, publisher code, the agency is on its own such classification numbers for) may include author, publisher, or publication of appearance, or any one or more of the bookstore attributes that sold the publication. また、属性は、発売前の話題性や宣伝方法等とすることもできる。 In addition, attributes, can also be a pre-release buzz and advertising method and the like. ここで、出版物の見た目とは、たとえば出版物のサイズやカラーか白黒か、写真やイラスト付きか、等とすることができる。 Here, the appearance of the publication, for example, size and color or black-and-white or publications, or with photos and illustrations, can be an equal.

出版物の売上予測を行う際に、同様の属性を有する出版物の実績データを用いることにより、より精度よく予測を行うことができる。 When performing publication sales forecasts, by using the actual data of publication with the same attribute can be performed more accurately predicted. なお、母集団選択部は、たとえばベストセラー等、特異な販売パターンを示した出版物については、実績データとして選択しないようにすることもできる。 Incidentally, the population selection unit, for example, for the best-selling, etc., publications showed specific sales patterns, it is also possible not to select as the actual data.

本発明の予測支援システムにおいて、前記倍数算出部は、前記複数の実績データそれぞれの前記総販売冊数pを変数x、前記総販売冊数qを変数yとしたデータセットを用いて最小二乗法により傾きを算出し、当該傾きを前記予測倍数として算出することができる。 Slope in the prediction assisting system of the present invention, the multiple calculating unit, the plurality of performance data each of the total sales Volumes p variables x, by the method of least squares using the data set and the total sales Volumes q variables y is calculated, it is possible to calculate the slope as the predicted multiples.

本発明の予測支援システムにおいて、前記出力処理部が出力する前記精度は、決定係数R2で表すことができる。 In the prediction support system of the present invention, the accuracy of the output processing unit outputs can be expressed by the coefficient of determination R2.

本発明の予測支援システムにおいて、前記倍数算出部は、前記予測倍数を、その頻度に対応付けて算出することができ、前記出力処理部は、前記倍数算出部が算出した結果に基づき、最も頻度の高い前記予測倍数を出力することができる。 In the prediction support system of the present invention, the multiple calculating unit, the predicted multiples may be calculated in association with the frequency, the output processing unit, based on a result of the multiple calculating unit has calculated, the most frequently can output high the predicted multiples. ここで、精度は、頻度とすることができる。 Here, the precision can be a frequency.

本発明の予測支援システムにおいて、前記出力処理部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日について、それぞれ最も頻度の高い前記予測倍数とその頻度とを対応付けて出力することができる。 In the prediction support system of the present invention, the output processor, based on the plurality of performance data of the same of the population, the candidate date of a plurality of the first date N, and the most frequent are the predicted multiples it can be output in association with the frequency.

このようにすれば、ユーザは、頻度を参考にして、複数の第1基準日の候補の中から適切なものを選択することができる。 In this way, the user, and the frequency reference can be selected appropriate from among candidates of the plurality of first reference date.

本発明の予測支援システムにおいて、前記倍数算出部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日について、それぞれ前記予測倍数を算出することができ、前記出力処理部は、複数の前記第1基準日Nの候補日について、それぞれ前記予測倍数をその精度に対応付けて出力することができる。 In the prediction support system of the present invention, the multiple calculating unit, based on the plurality of performance data of the same of the population, the candidate date of a plurality of the first date N, be calculated each said predicted multiples can, the output processing unit, for candidate date of a plurality of the first date N, can each be output in association with the predicted multiples accuracy.

このようにすれば、ユーザは、精度を参考にして、複数の第1基準日の候補の中から適切なものを選択することができる。 In this way, the user, and the precision reference, it is possible to select an appropriate one among the candidate of the plurality of first reference date.

本発明の予測支援システムにおいて、前記倍数算出部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日および複数の前記所定の販売飽和日Mの候補日の組合せについて、それぞれ前記予測倍数を算出することができ、前記出力処理部は、複数の前記組合せについて、それぞれ前記予測倍数をその精度に対応付けて出力することができる。 In the prediction support system of the present invention, the multiple calculating unit, based on the plurality of performance data of the same of the population, of the plurality of the first date N candidate date and a plurality of the predetermined sales saturated date M the combination of candidate date, each able to calculate the predicted multiples the output processing unit, a plurality of the combination may each be output in association with the predicted multiples accuracy.

このようにすれば、ユーザは、精度を参考にして、複数の第1基準日の候補および複数の販売飽和日の候補日の組合せの中から適切なものを選択することができる。 In this way, the user can be a precision reference, select the appropriate one among the combinations of candidate date candidates and a plurality of sales saturated date of the plurality of first reference date.

本発明の予測支援システムにおいて、同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、精度が最も高い前記予測倍数を与える前記候補日を選択する基準日選択部をさらに含むことができる。 In the prediction support system of the present invention, based on the plurality of performance data of the same of the population, from the plurality of candidate date, date selector which selects the candidate date that precision gives the highest the predicted multiples It may further include a.

このようにすれば、精度が最も高くなる第1の基準日および予測倍数がユーザに提供される。 In this way, the first date and the predicted multiples accuracy is the highest is provided to the user.

本発明の予測支援システムは、希望の精度の入力を受け付ける条件入力受付部と、同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、前記予測倍数に対応付けられた前記精度が前記条件入力受付部が受け付けた前記精度以上となる前記候補日を選択する基準日選択部と、をさらに含むことができる。 Prediction support system of the present invention includes a condition input accepting portion for accepting an input of the desired accuracy, based on the plurality of performance data of the same of the population, from the plurality of candidate date, correspondence to the predicted multiples a date selection portion in which the accuracy is to select the candidate date that the condition input accepting unit is the accuracy more than the accepted it may further include a.

このようにすれば、ユーザが希望する精度を満たす第1の基準日が選択され、ユーザに提供される。 In this way, the first date is selected to satisfy the accuracy desired by the user is provided to the user.

本発明の予測支援システムは、前記予測対象の出版物について、前記第1基準日Nの指定とともに、その予測対象の出版物の当該第1基準日Nまでの総販売冊数の入力を受け付ける受付部と、前記受付部が受け付けた前記総販売冊数と、前記倍数算出部が算出した前記予測倍数とに基づき、当該予測対象の出版物の中期的または長期的な総販売冊数の予測値を算出する予測値算出部と、をさらに含むことができる。 Prediction support system of the present invention, the the publication of the prediction target, with specification of the first date N, accepting portion for accepting an input of the total sales number of books to the first date N publications the prediction target When the the total sales number of books that the accepting unit accepts, on the basis of said predicted multiples the multiple calculating unit has calculated, to calculate the medium term or long term predictive value of the total sales number of books publication of the prediction target a predicted value calculation unit may further include a.

これにより、初版出版日から比較的短期間の初期の売上冊数に基づき、最終的な総販売冊数を精度よく予測することができる。 As a result, based on a relatively short period of time of initial sales number of books from the first edition publication date, the final total sales number of books can be predicted accurately. また、一度第1基準日を選択して、予測値算出部により予測値を算出した後、第1基準日としてより遅い日時を選択することにより、より精度の高い予測結果を得ることもできる。 Also, once you select the first date, after calculating the predicted value by the prediction value calculation unit, by selecting the slower time than the first reference date, it is also possible to obtain a more accurate prediction results.

本発明の予測支援システムにおいて、前記予測値算出部は、前記出版物の中期的または長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物の初版発売日から前記販売飽和日までの販売冊数の推移を示す販売パターンを予測することができる。 In the prediction support system of the present invention, the predicted value calculation unit, a predicted value of the medium-term or long-term total sales number of books of the publication, on the basis of said actual data stored in the result data storage unit, wherein it is possible to predict the sales pattern from the first edition Date of publication of the prediction target showing a change in the sales number of books to the sale saturation date.

本発明の予測支援システムにおいて、前記予測値算出部は、前記出版物の中期的または長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物が最も多く売れる販売ピーク日および当該販売ピーク日における前記出版物の販売冊数を予測するとともに、当該予測も考慮して、前記販売パターンを予測することができる。 In the prediction support system of the present invention, the predicted value calculation unit, a predicted value of the medium-term or long-term total sales number of books of the publication, on the basis of said actual data stored in the result data storage unit, wherein with predicting sales number of books of the publication in the sales peak day and the sales peak day publications prediction target sells most, can be also the prediction in consideration, to predict the sales pattern.

なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。 Incidentally, any combinations of the foregoing components and expressions changed among a method, apparatus, system, recording medium, even those that have been and computer programs, is effective as an embodiment of the present invention.

本発明によれば、書籍等の出版物の中期的または長期的な販売冊数の予測を精度よく行うための予測支援技術が提供される。 According to the present invention, supporting estimation technique for the prediction of medium term or long-term sales Volumes publications books such accuracy is provided.

以下、本発明の実施の形態について、図面を用いて説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. 尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。 In the drawings, like numerals represent like components, the explanation will be appropriately omitted. 以下の実施の形態において、予測支援システムは、予測支援装置とすることができる。 In the following embodiments, the prediction support system may be a predictive support apparatus.

(第1の実施の形態) (First Embodiment)
図1は、本実施の形態における、出版物の長期的(または中期的)な販売冊数の予測を支援する予測支援装置の構成を示すブロック図である。 1, in this embodiment, is a block diagram showing a configuration of a prediction support apparatus for supporting a long-term (or medium term) prediction of sales number of books publications.
予測支援装置100は、条件入力受付部102、母集団選択部104、倍数算出部106、基準日選択部110、出力処理部112、実績データ取得部114、実績データ記憶部118、および予測結果記憶部120を含む。 Predicting support apparatus 100, the condition input reception unit 102, search area selection unit 104, a multiple calculation unit 106, date selection part 110, an output processing unit 112, actual data acquisition unit 114, result data storage unit 118, and a prediction result storage including the section 120.

予測支援装置100の各構成要素は、任意のコンピュータのCPU、メモリ、メモリにロードされた本図の構成要素を実現するプログラム、そのプログラムを格納するハードディスクなどの記憶ユニット、ネットワーク接続用インタフェースを中心にハードウェアとソフトウェアの任意の組合せによって実現される。 Each component of the predictive support apparatus 100, the center of an arbitrary computer CPU, memory, a program for realizing the components of the diagram that is loaded into memory, a storage unit such as a hard disk for storing the program, an interface for a network connection It is realized by any combination of hardware and software. そして、その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。 Then, the implementation method, that there are various modifications in the device is about to those skilled in the art will appreciate. 以下説明する各図は、ハードウェア単位の構成ではなく、機能単位のブロックを示している。 Each drawing described below, rather than the configuration of the hardware units, and a block of a functional unit.

本実施の形態において、予測支援装置100は、初版出版日から比較的短期間の初期の総販売冊数に基づき、最終的な総販売冊数を精度よく予測する処理を支援する。 In this embodiment, predictive support apparatus 100, based on a relatively short period of initial total sales number of books from the first edition publication date, the final total sales Volumes assist process to predict accurately. たとえば、予測支援装置100は、これから発売予定の出版物について、初版発売日から短期間のどの程度の日数までの総販売冊数に基づき長期的な総販売冊数の予測を行えば、どの程度の確率(精度)の予測結果が得られるかを事前にユーザに提供することができる。 For example, the predicted support apparatus 100, for future publications will be released, be carried out a long-term prediction of the total sales number of books based on the total sales number of books from the first edition Release Date extent to which the number of days in a short period of time, how much of probability may provide either (accuracy) prediction result is obtained in advance to the user. 本実施の形態において、予測倍数の精度としては、頻度が用いられる。 In the present embodiment, the accuracy of the prediction multiples, frequently used. また、予測支援装置100は、ユーザが上記のような予測をするのに適切な日数を提供する。 Further, the predicted support apparatus 100, the user provides a reasonable number of days for the prediction as described above. 適切な日数とは、たとえば予測確率が高く、できるだけ早い日数である。 An adequate number of days, for example, high predicted probability, which is the earliest possible dates. 以下、この初期の日を第1基準日またはN日という。 Hereinafter, the initial day of the first date or N days.

条件入力受付部102は、予測対象の出版物に関する属性および/または書店の属性の入力を受け付ける。 Condition input accepting unit 102 accepts an input of attributes of attributes and / or bookstore about publications of the prediction target. ここで、属性とは、たとえば出版物のタイトル名(タイトルに含まれる文字列を含む)、ジャンル(大ジャンル、中ジャンル、小ジャンル等)、著者、出版社、または出版物の見た目等の出版物属性、または当該出版物を販売する書店のエリアや立地等の書店属性とすることができる。 Here, the attribute, (including a character string that is included in the title), for example, the publication of the title name, genre (large genre, medium-genre, small genre, etc.), author, publication of such appearance of the publisher, or publication It may be object attribute or bookstore attribute area and location etc. of the bookstore selling the publication. また、ISBN(International Standard Book Number:国際標準図書番号)コード、出版社コード、取次店が独自に付与する分類番号等のコードを属性とすることもできる。 In addition, ISBN (International Standard Book Number: International Standard Book Number) code, can publisher code, also be an attribute of the code such as a classification number that the agency is on its own grant.

実績データ記憶部118は、出版物と、当該出版物に関する属性と、当該出版物の中期的または長期的な販売冊数データと、を対応付けた実績データを複数記憶する。 Result data storage unit 118, and publications, and attributes relating to the publication, stores a plurality of record data associated with mid-term or long-term sales Volumes data of the publication, the. 販売冊数データは、各出版物の初版発売日から販売飽和日にわたって全日数の販売冊数を示すデータを含むこともできるが、たとえば初版発売日から初期の所定の日数分の販売冊数を示すデータと、販売飽和日における総販売冊数を示すデータだけを含むこともできる。 Sales number of books data, but may also include data indicating the total number of days sales Volumes over sale saturated days from the first edition Date of each publication, for example, data indicating the initial predetermined number of days of sales Volumes from the first edition Date , it is also possible to include only the data that indicates the total sales number of books in the sale saturation date.

図2は、実績データ記憶部118の内部構成を示す図である。 Figure 2 is a diagram showing the internal structure of the result data storage unit 118.
図2(a)は、タイトル毎に販売冊数データが記憶された例を示す。 2 (a) shows an example of sales Volumes data is stored for each title. 実績データ記憶部118は、NO. Result data storage unit 118, NO. 欄、タイトル欄、販売冊数データ欄、および出版物属性欄を含む。 Column, including the title column, sales number of books data field, and the publication attribute column. 出版物属性欄は、ジャンル欄、著者欄、および出版社欄を含む。 Publication attribute field, including genre field, author field, and the publisher column. たとえば、No. For example, No. 「1」の実績データは、タイトルが「ビジネスマナー」、販売冊数データが「001」である。 Actual data of "1", the title of "Business Etiquette", sales number of books data is "001". また、属性として、本のジャンルが「22」、著者が「D」、出版社が「d」とされている。 In addition, as an attribute, the genre of the book "22", the author of "D", the publisher is set to "d".

図2(b)は、タイトルおよび書店属性が異なる毎に販売冊数データが記憶された例を示す。 2 (b) shows an example of sales Volumes data is stored for each title and bookstores attributes are different. ここで、実績データ記憶部118は、NO. Here, the actual data storage unit 118, NO. 欄、タイトル欄、販売冊数データ欄、および出版物属性欄に加えて、書店属性欄をさらに含む。 Field, title field, sales number of books data field, and in addition to the publication attribute column, further comprising a bookstore attribute column. 書店属性欄は、エリア欄、および立地欄を含む。 Bookstore attribute field, area field, and a location field. たとえば、No. For example, No. 「2−1」の実績データは、タイトルが「ビジネス文書の書き方」、販売冊数データが「005」である。 Actual data of "2-1" is, "how to write a business document" title, sales number of books data is "005". また、属性として、本のジャンルが「22」、著者が「E」、出版社が「e」、書店のエリアが「1004」、立地が「2005」とされている。 In addition, as an attribute, the genre of the book "22", the author of "E", the publisher is "e", the area of ​​the bookstore is "1004", the location is the "2005". また、No. In addition, No. 「2−2」の実績データは、タイトルが「ビジネス文書の書き方」で、No. Actual data of "2-2", the title is "how to write a business document", No. 「2−1」の実績データと同じタイトルの出版物であるが、書店属性が異なる。 Is a publication of the same title and the actual data of "2-1", it is different from bookstores attribute. 書店のエリアが「1001」、立地が「2005」とされている。 Bookstore of the area is "1001", the location is the "2005". つまり、No. In other words, No. 「2−1」の実績データとNo. No. between the actual data of "2-1" 「2−2」の実績データとは、同一出版物の異なる書店における実績データである。 The actual data of "2-2", is the actual data in different bookstores of the same publication. なお、出版物に関する属性は、ここで例示したものに限られず、種々設定可能である。 Note that attributes related publications are not limited to those exemplified here, and can be variously set.

本実施の形態において、予測支援装置100は、たとえば取次店に設置することができる。 In this embodiment, predictive support apparatus 100 can be installed for example in agency. 書店端末200や書店端末202は、各書店に設置される。 Bookstore terminal 200 and bookstores terminal 202 is installed in each bookstore. 実績データ取得部114は、ネットワーク210を介して接続された書店端末200や書店端末202から、実績データを取得することができる。 Actual data acquisition unit 114, the bookstore terminal 200 and bookstores terminal 202 connected via the network 210 can acquire the actual data. また、実績データ取得部114は、予測支援装置100の入力部(不図示)等を介して、実績データを取得することもできる。 Further, actual data acquisition unit 114 may also be via the input unit of the supporting estimation device 100 (not shown) or the like, to obtain the actual data. 実績データ取得部114は、取得した実績データを実績データ記憶部118に記憶する。 Actual data acquisition unit 114 stores the actual data acquired result data storage unit 118.

実績データ取得部114は、ネットワーク210を介して接続された書店端末200や書店端末202等の種々の書店から、日々実績データを取得し、実績データ記憶部118に蓄積していくことができる。 Actual data acquisition unit 114 may be from a variety of bookstores such bookstore terminal 200 and bookstores terminal 202 connected via a network 210, retrieves a daily record data, and accumulates the result data storage unit 118. 書店端末200や書店端末202は、POS(point of sales)ターミナルとすることができ、実績データ取得部114は、POSシステムにより、実績データを取得することができる。 Bookstore terminal 200 and bookstores terminal 202 may be a POS (point of sales) terminals, actual data acquisition unit 114 may be a POS system, to obtain the actual data. このように、日々実績データを蓄積していくことにより、予測支援装置100でより精度の高い予測支援を行うことができる。 Thus, by accumulating the daily performance data, it is possible to perform more accurate prediction assist in predicting support apparatus 100.

母集団選択部104は、条件入力受付部102が受け付けた出版物に関する属性に基づき、実績データ記憶部118から、母集団となる実績データを複数選択する。 Search area selection unit 104, based on the attribute related publications condition input accepting unit 102 accepts, from the result data storage unit 118, selects a plurality of performance data to be population. 母集団選択部104は、条件入力受付部102が受け付けた出版物に関する属性に基づき、実績データ記憶部118から、条件入力受付部102が受け付けた出版物に関する属性と同様の属性を有する実績データを母集団として選択することができる。 Search area selection unit 104, based on the attribute related publications condition input accepting unit 102 accepts, from the result data storage unit 118, the actual data having the same attributes and attribute related publications condition input accepting unit 102 accepts it can be selected as the population.

たとえば、母集団選択部104は、予測対象の出版物の属性に応じて、その出版物と中ジャンルが同じ、小ジャンルが同じ、出版社が同じ、中ジャンルと出版社(中ジャンル×出版社)が同じ、小ジャンルと出版社(小ジャンル×出版社)が同じ出版物の実績データを選択することができる。 For example, the population selection unit 104, according to the attribute of the publication to be predicted, medium genre and the publication are the same, small genre is the same, publishers same medium genre and publisher (medium Genres × Publisher ) is the same, it is possible that small genre and publisher (small genre × publisher) to select the performance data of the same publication. 母集団選択部104は、母集団を複数選択することができる。 Search area selection unit 104 may select a plurality of populations. たとえば、母集団選択部104は、予測対象の出版物と出版社が同じである出版物の実績データを第1の母集団として選択するとともに、予測対象の出版物と中ジャンルが同じである出版物の実績データを第2の母集団として選択することができる。 For example, the population selection unit 104 is configured to select the actual data publications and publishers are the same publication of the prediction target as a first population, is the same medium and publication of the prediction target genre published can be selected actual data of the object as the second population. この場合、各母集団の実績データに基づき予測を行い、予測精度が高い方の結果を用いることができる。 In this case, making predictions based on actual data for the population, it can be used the results of the higher prediction accuracy.

たとえば、母集団選択部104は、条件入力受付部102が受け付けた予測対象の出版物と同じジャンルの出版物の実績データを母集団として選択することができる。 For example, the population selection unit 104, the actual data publications and publications of the same genre of the prediction target condition input accepting unit 102 accepts can be selected as the population. 実績データ記憶部118において、各実績データの属性は、予め所定の手法で数値化しておくことができる。 In result data storage unit 118, the attribute of each record data can be previously digitized in a predetermined manner. また、母集団選択部104は、条件入力受付部102が受け付けた出版物に関する属性を同様の手法で数値化し、数値を比較することにより、同様の属性を有する実績データを母集団として選択することができる。 Also, the population selection unit 104, by digitizing the same technique attributes about publications condition input accepting unit 102 accepts, comparing the numerical value, selecting a track record data having the same attributes as the population can. ここで、数値化の手法としては、種々の方法を用いることができるが、たとえばクラスタリング分析を用いることもできる。 Here, as a method of digitizing, may be used various methods, it may for example be used clustering analysis.

また、他の例として、条件入力受付部102は、ユーザから、母集団選択部104が母集団とする実績データを選択する際に用いる属性の指定を受け付けることができる。 As another example, condition input accepting unit 102 may be a user, accepts the designation of the attribute to be used in selecting the actual data search area selection unit 104 as a population. たとえば、条件入力受付部102は、母集団選択部104が母集団となる実績データを選択する際に用いる属性として、出版社コードや分類番号等の指定を受け付けることができる。 For example, the condition input accepting unit 102, as an attribute to be used in selecting the actual data search area selection unit 104 is the population, it can accept the designation of imprint codes or classification number.

倍数算出部106は、母集団選択部104が選択した複数の実績データそれぞれにおける第1基準日(またはN日)までの総販売冊数pに対する所定の販売飽和日までの総販売冊数qの倍数q/pを算出する。 Multiple calculating unit 106, a multiple of the total sales number of books q to predetermined sales saturated date for total sales number of books p until the first date in the plurality of actual data search area selection unit 104 selects (or N days) q / p is calculated. 次いで、倍数算出部106は、倍数q/pの分布に基づき、予測対象の出版物の初版発売日から第1基準日までの販売冊数mに対して、長期的に当該出版物が販売冊数mの何倍売れるかを示す予測倍数を、その頻度に対応付けて算出する。 Then, multiple calculating unit 106, a multiple based on the distribution of q / p, the sales number of books m from the first edition Date of publication of the prediction target to the first date, long-term the publication sales Volumes m It predicted multiples indicating how many times sell of the calculated in association with the frequency.

図3は、複数の実績データの販売冊数データをグラフ化した図である。 Figure 3 is a diagram showing a graph of the sales number of books data of a plurality of actual data. ここで、横軸が初版発売日からの日数、縦軸が総販売冊数である。 Here, the horizontal axis is the number of days from the first edition Release Date, and the vertical axis represents the total sales number of books. ここでは、3つの実績データの販売冊数データ「001」、「002」、および「003」が示されている。 Here, the sales number of books data of the three actual data "001", "002", and "003" are shown. 販売飽和日は、各出版物の総販売冊数が飽和する日とすることができる。 Sales saturation date, can be total sales number of books of each publication is the date on which saturated. 販売飽和日は、各実績データ毎に、実績データに基づいて異なる日を設定してもよく、また、すべての実績データについて、たとえば第2基準日を設定して、同日とすることもできる。 Sales saturated date, for each actual data may be set different days based on actual data, also for all actual data, for example by setting the second reference date may be the same day. 本実施の形態においては、母集団選択部104が選択したすべての実績データについて、販売飽和日を200日とする。 In this embodiment, for all actual data search area selection unit 104 selects the sell saturated date and 200 days. なお、ここでは説明のために販売冊数データをグラフ化したが、販売冊数データは、初版発売日からの日数と、その日までのその出版物の総販売冊数とが対応付けられた構成であれば、どのようなデータ構造であってもよい。 It should be noted that, although graph of the sales number of volumes data for the purpose of explanation, the sales number of books data, and the number of days from the first edition Release Date, if the configuration in which the total sales number of books of the publication of until that day is associated it may be any data structure.

次に、倍数算出部106が、予測倍数とその頻度とを算出する例を説明する。 Then, multiple calculating unit 106, an example of calculating the predicted multiples and the frequency. まず、倍数算出部106は、第1基準日の候補を入力する。 First, multiple calculating section 106 inputs the candidates of the first date. ここで、第1基準日の候補は、予め設定しておいてもよく、条件入力受付部102を介してユーザから条件の入力を受け付けることもできる。 Here, the candidate of the first date may be set in advance, it is also possible to accept an input condition from a user via a condition input accepting unit 102. たとえば、予測対象の出版物について、初版発売日から10日以内に予測を行いたい場合、第1基準日の候補を「10日以内」と設定しておくことができる。 For example, for the publication of the prediction target, if you want to predict from the first edition Release Date within 10 days, the candidates of the first date can be set as "within 10 days".

倍数算出部106は、母集団選択部104が選択した母集団の各実績データについて、入力された第1基準日の候補までの総販売冊数pと販売飽和日までの総販売冊数qとを取得する。 Multiple calculating unit 106, for each actual data population search area selection unit 104 selects, acquires the total sales number of books q to total sales Volumes p sold saturated date to the candidate of the first date entered to. 倍数算出部106は、各実績データについて、第1基準日の候補までの総販売冊数pに対する販売飽和日までの総販売冊数qの倍数q/pを算出する。 Multiple calculating unit 106, for each performance data to calculate a multiple q / p of the total sales number of books q to sales saturated date for total sales number of books p to candidates of the first date. 倍数算出部106は、倍数q/pの分布に基づき、予測倍数をその頻度とともに算出する。 Multiple calculating unit 106, based on the distribution of multiple q / p, calculates the predicted multiples with the frequency. また、倍数算出部106は、以上のようにして算出した予測倍数の中から、最も頻度が高い予測倍数を選択する。 Also, multiple calculating unit 106, from among the predicted multiples calculated as described above, to select the most frequently predicted multiples. ここで、頻度とは、母集団選択部104が選択した母集団の実績データ数に対する、各予測倍数を与える実績データ数の割合のことである。 Here, the frequency and the relative actual number of data population search area selection unit 104 selects, is that the ratio of the number of actual data that gives each prediction multiples.

図4は、倍数算出部106が算出した予測倍数とその予測倍数を与える実績データの個数との関係を示す図である。 Figure 4 is a diagram showing the relationship between the number of actual data that gives the predicted multiples and the predicted multiples multiple calculating unit 106 calculates. ここでは、各実績データにおける倍数q/pを四捨五入した整数を予測倍数とした結果を示す。 Here, a result of the prediction multiple integer obtained by rounding off a multiple q / p for each actual data. また最も頻度が高い予測倍数の頻度も表示される。 The frequency of and most frequently predicted multiples are also displayed.

図4(a)は第1基準日が3日の場合の例、図4(b)は第1基準日が10日の場合の例を示す。 Examples of the case shown in FIG. 4 (a) first date is three days, Fig. 4 (b) shows an example of a case where the first reference date is 10 days. ここで、第1基準日が3日の場合、実績データの個数が最も多いのは、予測倍数4で、その頻度は15%である。 Here, when the first date is three days, is most often the number of actual data, the forecast multiples 4, the frequency is 15%. また、第1基準日が10日の場合、実績データの個数が最も多いのは、予測倍数3で、その頻度は60%である。 Further, when the first date is 10 days, is most often the number of actual data, the forecast multiples 3, the frequency is 60%.

つまり、予測対象の出版物の3日目までの総販売冊数m に基づき、その出版物の総販売冊数が飽和する約200日目までの総販売冊数を予測する場合、最終的に4m 冊の出版物が販売される可能性が最も高く、その頻度が15%であることがわかる。 That is, if based on the total sales number of books m 1 to day 3 of publications to be predicted, predicts the total sales number of books up to about 200 days total sales number of books of the publication is saturated eventually 4m 1 the most likely to devote publications are sold, the frequency is found to be 15%. また、予測対象の出版物の10日目までの総販売冊数m に基づき、その出版物の総販売冊数が飽和する約200日目までの総販売冊数を予測する場合、最終的に3m 冊の出版物が販売される可能性が最も高く、その頻度が60%であることがわかる。 Also, if based on the total sales number of books m 2 up to 10 days of publication of the prediction target, to predict a total sales number of books up to about 200 days total sales number of books of the publication is saturated eventually 3m 2 the most likely to devote publications are sold, the frequency is found to be 60%.

たとえば、ユーザが15%の頻度でも良いからできるだけ早く予測を行いたい場合は、たとえば第1基準日として「3日」を選択することができる。 For example, If the user does want to as soon as possible prediction from may be at a frequency of 15%, it is possible to select "3 days", for example, as a first date. 一方、ユーザがある程度の頻度が確保されてから予測を行いたい場合は、たとえば第1基準日として「10日」を選択することができる。 On the other hand, If the user does want to predict since the secured some frequency, it is possible to select "10 days", for example, as a first date.

上述したように、母集団選択部104が複数の母集団を選択している場合、倍数算出部106は、各母集団の実績データに基づき、予測倍数および頻度を算出することができる。 As described above, if the search area selection unit 104 has selected a plurality of populations, multiple calculating unit 106, based on the actual data of each population, it is possible to calculate the predicted multiples and frequency. この場合、倍数算出部106は、高い頻度を与える母集団を検出し、その結果を母集団選択部104にフィードバックすることができる。 In this case, multiple calculating unit 106 detects a population provide high frequency, it is possible to feed back the result to the search area selection unit 104. 母集団選択部104は、倍数算出部106からフィードバックされた結果を、次回以降の母集団の選択時に利用することができる。 Search area selection unit 104, the result of the feedback from the multiple calculating unit 106 can be used when selecting the next and subsequent population.

図9は、ユーザが予測支援装置100に条件等を入力するための入力画面の一例を示す図である。 Figure 9 is a diagram showing an example of an input screen for a user to input conditions or the like for supporting estimation device 100.
この画面は、データファイル欄、分析内容欄、分析区分欄、分析期間欄、およびM日設定欄を含む。 This screen includes, data file column, analysis content column, analysis classification column, the analysis period column, and the M days setting field. ユーザは、データファイル欄のパスを指定することにより、実績データ記憶部118を指定することができる。 The user can specify a path of the data file column, it is possible to specify the actual data storage unit 118.

分析区分欄には、分類NO. The analysis classification column, classification NO. 欄、ISBN欄、出版社コード欄、および経過日数欄が設けられている。 Column, ISBN column, publisher code column, and the number of days elapsed column is provided. 経過日数とは、第1基準日またはN日のことである。 The number of days elapsed, is that the first date or N days. たとえば、ユーザが母集団となる実績データを選択するための属性として出版社コードを指定したい場合は、出版社コード欄に指定する出版社コードを入力する。 For example, if you want to specify the publisher code as an attribute for selecting the actual data that the user is population entering the publisher code that specifies the publisher code column. また、たとえば、ユーザが母集団となる実績データを選択するための属性として分類NO. Further, for example, classified NO as an attribute for selecting actual data that the user is the population. を指定したい場合は、分類NO. A If you want to specify the classification NO. 欄に指定する分類NO. Classification NO specified in the field. を入力する。 To enter.

分析期間欄には、母集団選択部104が母集団とする実績データにおける初版出版日が含まれる期間が設定される。 The analysis period field period search area selection unit 104 includes first edition publication date of actual data to the population is set. M日設定欄には、予測支援装置100の予測対象の中期的または長期的な日が設定される。 The M Dated field prediction target medium-term or long-term day forecast support apparatus 100 is set. 予測対象の日は、開始日および終了日を指定して期間として設定することができ、また間隔も設定することができる。 The day prediction target, can be set as the period by specifying the start date and end date, also interval can also be set.

分析内容欄には、対象ISBN表示欄、グループ毎N―M分析欄、およびISBN指定N−M分析欄が設けられている。 The analysis content column, target ISBN display field, group-specific N-M analysis column, and ISBN designated N-M analysis column is provided. たとえば、ユーザが分析区分欄の分類NO. For example, classification NO users analysis classification column. 欄に分類NO. Column in classification NO. を入力して、分析内容欄の対象ISBN表示欄を選択して「実行」ボタンを押すと、分類NO. Enter the, by selecting the target ISBN display field of analysis content column and press the "execute" button, classification NO. 欄に入力された分類NO. Input column classification NO. を有する出版物のISBN、出版物名、出版社コード、出版社名、分類NO. Publication of the ISBN with, publication name, publisher code, publisher name, classification NO. 等の一覧が表示される。 List of etc. is displayed. これにより、ユーザはその分類NO. Thus, the user classification NO. にどのような出版物が含まれるかを把握することができる。 It is possible to grasp what kind of publications are included in the.

また、たとえば、ユーザが分析区分欄の分類NO. Further, for example, classification NO users analysis classification column. 欄に分類NO. Column in classification NO. を入力して、分析内容欄のグループ毎N−M分析を選択して「実行」ボタンを押すと、分類NO. Enter the, select the group for each N-M analysis of the contents of analysis column and press the "execute" button, classification NO. 欄に入力された分類NO. Input column classification NO. を有する出版物を母集団として、N−M分析が行われる。 As the population publications having, N-M analysis.

また、たとえば、ユーザが分析区分欄のISBN欄にISBNを入力して、分析内容欄のISBN指定N−M分析を選択して「実行」ボタンを押すと、ISBN欄に入力されたISBNを有する出版物と同じグループに分類された実績データを母集団として、N−M分析が行われる。 Further, a for example, the user inputs the ISBN to ISBN field analysis classification field and select the ISBN specified N-M analysis analytical description column pressing the "Run" button, the ISBN entered in ISBN field the actual data classified into the same group and publications as the population, N-M analysis.

図1に戻り、出力処理部112は、倍数算出部106が算出した結果に基づき、最も頻度の高い予測倍数を出力する。 Returning to Figure 1, the output processing unit 112, based on the result of multiple calculating unit 106 calculates and outputs a high prediction multiples the most frequent. なお、倍数算出部106は、母集団選択部104が選択した同一の母集団の実績データに基づき、複数の第1基準日の候補について、それぞれ予測倍数をその頻度に対応付けて算出することができる。 Incidentally, multiple calculating unit 106, based on the actual data of the same population search area selection unit 104 selects, for candidates of the plurality of first reference date, be calculated in association with the predicted multiples to the frequency respectively it can. 出力処理部112は、複数の第1基準日の候補について、倍数算出部106が算出した結果を出力することができる。 Output processing unit 112, the candidate of the plurality of first reference date, it is possible to output a result of multiple calculating unit 106 calculates.

ユーザは、出力処理部112により出力された結果に基づき、予測対象の出版物の中期的または長期的な売上予測を行うことができる。 The user, based on the result output by the output processing unit 112 can perform the medium term or long-term forecast of the publication to be predicted. 複数の第1基準日の候補が提示された場合、頻度が高い予測倍数を選択することにより、精度の高い売上予測を行うことができる。 If the candidate of the plurality of first reference date is presented, by selecting a high frequency prediction multiples, it is possible to perform a highly accurate forecast. すなわち、選択された母集団に含まれる実績データにおける倍数のばらつきがほとんどないような第1基準日を選択することにより、頻度の高い予測倍数を得ることができる。 That is, by selecting the first reference date such as little variation in fold in actual data included in the selected population, it is possible to obtain a high prediction multiples frequent.

基準日選択部110は、ユーザから入力された条件、または予め設定された条件に基づき、複数の第1基準日の候補の中から、適切な第1基準日を選択する。 Date selection unit 110, based on the condition input by the user or preset condition from among the candidates of the plurality of first reference date, to select the appropriate first date. たとえば、基準日選択部110は、同一の母集団の複数の実績データに基づき、複数の第1基準日の候補の中から、最も頻度の高い予測倍数を与える候補日を選択して第1基準日とすることができる。 For example, the reference date selector 110, based on a plurality of actual data of the same population, from the candidates of the plurality of first reference date, the first reference to select the candidate date that gives high prediction multiples most frequently it can be a day.

また、条件入力受付部102は、ユーザから希望の頻度の入力を受け付けることができる。 The condition input accepting unit 102 may accept an input of the frequency desired by the user. 基準日選択部110は、同一の母集団の複数の実績データに基づき、複数の第1基準日の候補の中から、最も頻度の高い予測倍数の頻度が条件入力受付部102が受け付けた頻度以上となる候補日を選択して第1基準日とすることができる。 Date selection unit 110, based on a plurality of actual data of the same population, from the candidates of the plurality of first reference date, the most frequent of frequent prediction multiples condition input accepting unit 102 is often more accepted It may be the first date select candidate date to be.

さらに、条件入力受付部102は、ユーザから予測倍数の範囲の指定を受け付けることもできる。 Furthermore, the condition input accepting unit 102 can accept a designation of the range of the predicted multiples from the user. 図4に示した例では、各第1基準日に関する結果について、最も頻度が高い予測倍数1つだけが選択された例を示したが、たとえば、図6に示すように、複数の予測倍数を選択することもできる。 In the example shown in FIG. 4, the results for each first reference date, an example in which only one most frequent prediction multiples is selected, for example, as shown in FIG. 6, a plurality of predicted multiples It can also be selected. たとえば、種々の第1基準日の候補について、頻度が80%以上となる予測倍数が強調表示されるようにすることもできる。 For example, the candidate of the various first date, frequency may also be adapted prediction multiples of 80% or more is highlighted. 図6(a)は第1基準日が3日の場合の例、図6(b)は第1基準日が10日の場合の例を示す。 Examples of the case of FIG. 6 (a) first date is three days, FIG. 6 (b) shows an example of a case where the first reference date is 10 days.

第1基準日が3日の場合、頻度が80%以上となるのは、予測倍数が「2」から「7」を足した場合である。 When the first date is three days, the frequency of is 80% or more is the case where the sum "7" predicted multiples from "2". つまり、予測対象の出版物について、初版発売日から3日までの総販売冊数mに基づいて長期的な総販売冊数を予測する場合、頻度が80%以上となるようにするためには、総販売冊数=2m〜7mとなり、効率的な予測を行うことができないことになる。 That is, for publication of the prediction target, to predict the long-term total sales Volumes based on the total sales number of books m from the first edition Date up to 3 days, in order to frequency is 80% or more, the total sales Volumes = 2M~7m next, would not be able to perform efficient prediction.

一方、第1基準日が10日の場合、頻度が80%となるのは、予測倍数が「3」および「4」をあわせた場合である。 On the other hand, when the first date is 10 days, the frequency is 80% is when the predicted multiples are together "3" and "4". つまり、予測対象の出版物について、初版発売日から10日までの総販売冊数mに基づいて長期的な総販売冊数を予測する場合、頻度が80%以上となるようにするためには、総販売冊数=3m〜4mとなり、ある程度精度よく予測を行うことができる。 That is, for publication of the prediction target, to predict the long-term total sales Volumes based on the total sales number of books m from the first edition Date until 10 days, in order to frequency is 80% or more, the total sales Volumes = 3m~4m next, it is possible to make predictions good to some extent accuracy.

なお、倍数算出部106は、たとえば図6に示したグラフがユーザに提示され、ユーザが適宜予測倍数を選択すると、選択された予測倍数に対する頻度を算出して、表示されるようにすることができる。 Incidentally, multiple calculating unit 106, for example, the graph shown is presented to the user in FIG. 6, when the user selects an appropriate prediction multiples, that calculates the frequency for the predicted multiples selected, to be displayed it can.

予測値算出部108は、基準日選択部110が選択した第1基準日、またはユーザが選択した第1基準日の指定、および予測対象の出版物の当該第1基準日までの総販売冊数の入力を受け付け、この総販売冊数と、倍数算出部106が算出した最も頻度の高い予測倍数とに基づき、当該予測対象の出版物の中期的または長期的な販売冊数の予測値を算出する。 Predicted value calculation unit 108, a first date to the reference date selector 110 selects, or specifying the first date selected by the user, and publications to be predicted total sales number of books of the to the first date accepting an input, and the total sales number of books, based on the most frequent prediction multiples multiple calculating unit 106 calculates, it calculates the predicted value of the medium-term or long-term sales Volumes publication of the prediction target. 予測値算出部108は、算出した予測値を予測結果記憶部120に記憶する。 Predicted value calculation unit 108 stores the calculated predicted value to the prediction result storage unit 120.

図7は、本実施の形態における予測支援装置100の処理手順を示すフローチャートである。 Figure 7 is a flowchart illustrating a processing procedure of the supporting estimation apparatus 100 in this embodiment.
条件入力受付部102が、予測対象の出版物に関する属性の入力を受け付けると(S100のYES)、母集団選択部104は、入力された属性に基づき、実績データ記憶部118から母集団となる実績データを複数選択する(S102)。 Actual condition input accepting unit 102 accepts the input attributes for publication of the prediction target (YES in S100), the population selection unit 104, which based on the input attribute consists result data storage unit 118 as a population data select more (S102). たとえば、条件入力受付部102が受け付けた予測対象の出版物のジャンルが「ビジネス・法律」である場合、母集団選択部104は、この出版物とジャンルが同じ出版物を母集団として選択する。 For example, when the genre of the publication of the prediction target condition input accepting unit 102 accepts is "Business Law" search area selection unit 104, this publication and the genre selecting the same publication as a population.

つづいて、予測支援装置100の制御部(不図示)は、第1基準日を選択するか否かを判断する(S104)。 Subsequently, the control unit of the supporting estimation device 100 (not shown) determines whether to select the first reference date (S104). たとえば、ユーザが既に第1基準日を決定しており、第1基準日を入力した場合は、予測支援装置100による第1基準日の選択は行わず(S104のNO)、ステップS140に進む。 For example, the user has already determined the first date, if you enter the first date, selection of the first date by predicting support apparatus 100 is not performed (NO in S104), the process proceeds to step S140. この処理は後述する。 This process will be described later.

ステップS104において、第1基準日を選択すると判断された場合(S104のYES)、条件入力受付部102は、ユーザから第1基準日選択のための条件の入力を受け付ける(S106)。 In step S104, if it is determined that selecting a first date (YES in S104), the condition input accepting unit 102 accepts an input of conditions for the first date selection from the user (S106). ここで、条件とは、希望の第1基準日の範囲や希望の頻度等である。 Here, conditions are often such scope and desired first date desired. 第1基準日が遅くなるほど頻度は高くなる傾向にあるが、できるだけ早い段階で総販売冊数を予測するためには、第1基準日が早い方が好ましい。 There is enough frequency tends to increase the first reference date is late, in order to predict the total sales number of books at the earliest possible stage, it is preferable that the first date is earlier. このように、ユーザの要望を入力させることにより、適切な第1基準日を選択することができる。 In this way, by inputting the user's request, it is possible to select a suitable first date.

倍数算出部106は、ユーザから入力された条件に基づき、第1基準日の候補日を入力する(S108)。 Multiple calculating unit 106, based on the condition input from the user to input the candidate date of the first date (S108). たとえば、第1基準日の条件として、ユーザが「5日以内」と入力していた場合、倍数算出部106は、第1基準日の候補日を1〜5日として、それぞれについて順次入力する。 For example, as a condition of the first date, when the user has entered a "within five days", multiple calculating unit 106, the candidate date of the first date as 1-5 days, sequentially inputs each. 倍数算出部106は、入力した候補日を第1基準日として、第1基準日までの総販売冊数mに対して、長期的に当該出版物が販売冊数mの何倍売れるかを示す予測倍数を、その頻度に対応付けて算出する(S110)。 Multiple calculating unit 106 as the first date the candidate date entered, the total sales number of books m up to the first reference date, long-term the publications predicted multiples indicating how many times sell Sales Volumes m the calculated in association with the frequency (S110). その後、候補日すべてについて予測倍数算出が終了したか否かを判断し(S114)、終了していない場合(S114のNO)、ステップS108に戻り、次の候補日を入力する。 Then, for all candidate date to determine whether the predicted multiple calculating is completed (S114), if not finished (S114 of NO), the process returns to step S108, and inputs the next candidate date. ステップS114において、予測倍数算出が終了した場合(S114のYES)、たとえばユーザの指示に基づき、算出結果を表示するか否かを判断する(S116)。 In step S114, if the predicted multiple calculating is completed (YES in S114), for example based on a user instruction, it determines whether to display the calculation result (S116). 算出結果を表示する場合(S116のYES)、算出結果を表示部(不図示)に表示する(S118)。 When displaying the calculation result (YES in S116), and displayed on the display unit the calculation result (not shown) (S118). このとき、出力処理部112は、図4または図6に示したようなグラフを表示部に表示することができる。 At this time, the output processing unit 112 can be displayed on the display unit a graph as shown in FIG. 4 or 6.

つづいて、たとえばユーザの指示に基づき、第1の基準日を自動選択するか否かを判断する(S120)。 Subsequently, for example, based on the user instruction, it determines whether to automatically select the first date (S120). 第1の基準日を自動選択する場合(S120のYES)、基準日選択部110は、倍数算出部106が算出した結果、およびユーザから入力された条件に基づき、適切な第1基準日を選択する(S122)。 If for automatically selecting a first date (YES in S120), date selection unit 110 as a result of multiple calculating unit 106 calculates, and based on the condition input from the user, select the appropriate first date to (S122). つづいて、出力処理部112は、基準日選択部110が選択した第1基準日を表示部に表示する(S124)。 Subsequently, the output processing unit 112, date selection unit 110 is displayed on the display unit a first date selected (S124). これにより、ユーザが、予測対象の出版物について、適切な第1基準日を把握することができる。 Thus, the user can, for publication of the prediction target, to develop an appropriate first date.

その後、処理を終了するか否かを判断し(S136)、処理を終了しない場合(S136のNO)、属性を変更するか否かを判断する(S138)。 Thereafter, it is determined whether to end the processing (S136), (NO in S136) if it does not finish the process, it is determined whether to change the attribute (S138). 属性を変更する場合(S138のYES)、ステップS100に戻る。 When changing the attribute (YES in S138), the flow returns to step S100. ステップS138で、属性を変更しない場合(S138のNO)、ステップS104に戻る。 In step S138, (NO in S138) If you do not change the attributes, the flow returns to step S104.

また、ステップS104において、第1基準日を選択しないと判断した場合(S104のNO)、条件入力受付部102は、ユーザから第1基準日の入力を受け付ける(S140)。 Further, in step S104, when it is determined not to select the first date (NO in S104), the condition input accepting unit 102 accepts an input of the first reference date from the user (S140). 倍数算出部106は、入力された第1基準日までの総販売冊数mに対して、長期的に当該出版物が販売冊数mの何倍売れるかを示す予測倍数を、その頻度に対応付けて算出する(S142)。 Multiple calculating unit 106, the total sales number of books m up to the first date that is input, the long term prediction multiples indicating how many times sell of the publication sales Volumes m, in association with the frequency calculated to (S142). つづいて、出力処理部112は、倍数算出部106が算出した結果を表示部に表示する(S146)。 Then, the output processing unit 112 displays on the display unit the result of multiple calculating unit 106 calculates (S146). その後、ステップS136に進む。 Thereafter, the process proceeds to step S136.

以上により、第1基準日と、その頻度とを算出および出力することができる。 Thus, a first date can be calculated and output and the frequency. この処理は、予測対象の出版物の初版発売日前に行うことができる。 This process can be carried out in the first edition Release Date prior to the publication of the prediction target. これにより、予測対象の出版物の初版発売後、第1基準日までの総販売冊数のデータを取得することにより、その出版物の長期的な販売冊数を予測することができる。 As a result, after the first edition launch of the publication of the prediction target, by obtaining the data of the total sales number of books of up to the first reference date, it is possible to predict the long-term sales number of books of the publication.

この処理を予測支援装置100で行う場合、予測値算出部108は、ユーザから第1基準日の選択、および予測対象の出版物の第1基準日までの総販売冊数の入力を受け付ける。 When performing this process in predicting support apparatus 100, the predicted value calculation unit 108 selects the first reference date from the user, and accepts the input of the total sales number of books to the first date of publication of the prediction target. 予測値算出部108は、これらのデータに基づき、予測対象の出版物の長期的な販売冊数の予測値を算出する。 Predicted value calculation unit 108, based on these data, calculates a predicted value of the long-term sales Volumes publications to be predicted. 出力処理部112は、予測値算出部108が予測した予測値を表示部に表示する。 Output processing unit 112 displays on the display unit a prediction value predicted value calculation section 108 predicts.

なお、予測対象の出版物の第1基準日までの総販売冊数は、実績データ取得部114を介して書店端末200や書店端末202等から入力され、それらが自動的に集計されるようにすることもできる。 The total sales number of books to the first date of publication of the prediction target is input from the bookstore terminal 200 and bookstores terminal 202 or the like via the actual data acquisition unit 114, so that they are automatically aggregated it is also possible. たとえば、予め第1基準日を設定しておき、その日になったら、予測値算出部108が予測対象の出版物の長期的な販売冊数の予測値を算出するようにすることもできる。 For example, set in advance first date, may be the day When turned, the predicted value calculation unit 108 to calculate the predicted value of the long-term sales Volumes publications to be predicted. また、第1基準日は予め設定しておくのではなく、予測対象の出版物を指定しておくことにより、基準日選択部110が、その出版物について最も適切な第1基準日を選択し、その日になったら、予測値算出部108がその出版物の長期的な販売冊数の予測値を算出するようにすることもできる。 The first date rather than preset, by specifying the publication of the prediction target, date selection unit 110 selects the most appropriate first reference date for the publication , it is also possible to make Once turned on that day, the predicted value calculation unit 108 calculates the predicted value of the long-term sales number of books of the publication. この場合、母集団選択部104は、たとえば予測対象の出版物の初日の販売冊数等に基づき、同様の販売冊数だった同ジャンルの出版物に関する実績データを母集団として選択し、倍数算出部106は、その母集団の実績データに基づき、予測倍数を算出することもできる。 In this case, the population selection unit 104, for example, based on the sales number of books such as the first day of the publication of the prediction target, actual data relating to publication of the same genre was similar sales Volumes selected as the population, multiple calculating unit 106 It can also be based on the actual data of the population, to calculate the predicted multiples. このようにすれば、実際の売れ行きも考慮しつつ、最終的な総販売冊数を予測することができる。 In this way, it is possible to predict while also taking into account the actual sales, the final total sales number of books.

さらに、予測値算出部108は、総販売冊数を算出するとともに、予測した総販売冊数に基づき、予測対象の出版物の初版発売日から販売飽和日までの販売冊数の推移を示す販売パターンを予測することもできる。 Further, the predicted value calculation unit 108 calculates the total sales number of volumes, based on the total sales number of books predicted, predicts sales pattern showing changes in the sales number of books from the first edition Date of publication of the prediction target to sales saturated Date it is also possible to. 図8は、ある出版物について、予測値算出部108が算出した初版発売日からの日数と販売冊数との関係を示す図である。 8, for a publication is a diagram showing the relationship between the number of days and the sales number of books from the first edition Date the predicted value calculation unit 108 has calculated.

予測値算出部108は、予測対象の出版物について、販売のピーク日、ピーク半減期、変曲点、定常点等を算出する。 Predicted value calculation unit 108, the publication of the prediction target, to calculate sales peak day, peak half-life, the inflection point, a stationary point or the like. 販売のピーク日、ピーク半減期、変曲点、定常点等は、第1基準日を算出する際に、母集団選択部104が選択した母集団に含まれる実績データに基づき、算出することができる。 Sales of peak day, peak half-life, inflection points, stationary point, etc., when calculating the first date, it is based on the actual data contained in the population search area selection unit 104 selects, calculates it can. また、母集団選択部104により選択された母集団の中で、第1基準日までの総販売冊数やその時系列変化等に基づき、予測対象の出版物と類似するものを新たに母集団として選択し、販売のピーク日、ピーク半減期、変曲点、定常点等を算出することもできる。 Further, among the population selected by the search area selection unit 104, based on the total sales number of books and the time-series change of up to the first reference date, selected as a new population those similar to publications of the prediction target and, sales peak day, peak half-life can be calculated inflection point, a stationary point or the like. また、販売のピーク日、ピーク半減期、変曲点、定常点における出版物の販売冊数も、母集団に含まれる実績データおよび予測対象の出版物の総販売冊数の予測値に基づき算出することができる。 Sales of peak day, peak half-life, the inflection point, sales Volumes publication also be calculated based on the predicted value of the total sales number of books of the actual data and publications of the prediction target included in the population at steady point can. ここで、販売パターンのグラフにおいて、予測値算出部108が算出した長期的な総販売冊数は、図中斜線で示した箇所の積分値となる。 Here, in the graph of sales patterns, long term total sales number of books that predicted value calculation unit 108 has calculated, the integral value of a portion indicated by oblique lines in FIG.

このように、販売冊数およびその販売パターンを予測することにより、販売飽和日までのどの時点でどの程度の販売冊数となるかを把握することができる。 Thus, by predicting the sales Volumes and sales patterns, we can know the extent of selling number of books at any time to sales saturated date. これにより、たとえば取次店や書店では、出版物の仕入れや返品等を効率よく行うことができる。 As a result, for example, in the agency and bookstores, it can be carried out efficiently purchase and returned goods, etc. publications. また、出版社においても、増版の計画等をたてやすくなる。 Also, in the publisher, it becomes easy vertical-increasing version of the plans.

また、本実施の形態において、実績データ取得部114が、ネットワーク210を介して種々の書店から日々実績データを取得して実績データ記憶部118に蓄積している。 Further, in the present embodiment, actual data acquisition unit 114 has accumulated in result data storage unit 118 via the network 210 to retrieve daily performance data from a variety of bookstores. そのため、予測値算出部108は、新たに取得される実績データに応じて、販売パターンの再予測を行うことができる。 Therefore, the predicted value calculation unit 108, in accordance with the actual data that is newly acquired, it is possible to re-forecast sales patterns. これにより、販売パターンが適宜補正されるので、より精度よく予測を行うことができる。 Thus, the sales pattern is appropriately corrected, it can be more accurately predicted.

(第2の実施の形態) (Second Embodiment)
本実施の形態において、倍数算出部106は、複数の実績データそれぞれの総販売冊数pを変数x、総販売冊数qを変数yとしたデータセットを用いて最小二乗法により傾きを算出し、当該傾きを予測倍数として算出する。 In this embodiment, multiple calculating unit 106 calculates the slope by the least squares method using the plurality of actual data, respectively of the total sales number of books p variables x, a data set in which the total sales Volumes q and variable y, the to calculate the slope as the predicted multiples.

なお、母集団選択部104が選択する母集団を適切に選択すると、倍数のばらつきがほとんどなくなる。 Incidentally, when the search area selection unit 104 is appropriately selecting the population to be selected, almost no variation in multiples. また、第1基準日を適切に選択すると、その母集団に含まれる実績データにおいて、倍数のばらつきがほとんどなくなる。 Further, when the proper selection of the first date, in actual data contained in the population, almost no variation in multiples. その例を図5に示す。 The example shown in FIG.

図5は、実績データ毎に変数x=第1基準日までの総販売冊数、変数y=販売飽和日までの総販売冊数としたxyグラフを示す図である。 Figure 5 is a diagram illustrating for each actual data variable x = total sales number of books to the first reference date, the xy graph the total sales number of books to the variable y = Sales saturated date. 横軸xが第1基準日までの総販売冊数(p)、縦軸yが販売飽和日までの総販売冊数(q)である。 Total sales number of books on the horizontal axis x until the first date (p), the vertical axis y is the total sales number of books to sales saturated day (q).

倍数算出部106は、最小二乗法等の直線回帰式等により、傾きを算出する。 Multiple calculating unit 106, the linear regression equation such as the method of least squares to calculate the slope. この傾きがこの母集団に含まれる実績データの予測倍数となる。 This inclination is predictive multiple of the actual data contained in this population. たとえば、直線の傾きが4だとすると、この母集団に含まれる実績データに基づく予測倍数が4ということである。 For example, Datosuruto linear slope 4, the predicted multiples based on actual data contained in the population is that 4. この場合、予測倍数の精度は、図5に示したようなグラフにおける各点の分散度や最小二乗法処理の結果のR二乗の値(決定係数R2)等とすることができる。 In this case, the accuracy of the prediction multiples can result in R squared values ​​of dispersity and least squares method processing of each point in the graph shown (coefficient of determination R2) such as in FIG.

図10および図11は、出力処理部112が出力する予測倍数および精度(決定係数R2)を示す図である。 10 and 11 are diagrams showing the predicted multiples and accuracy (coefficient of determination R2) the output processing unit 112 outputs. 出力処理部112は、N−M表を出力する。 Output processing unit 112 outputs the N-M tables. ここで、Nとは、第1基準日となる日数のことであり、Mとは、予測対象日のことである。 Here, the N, and that the number of days that the first reference date, and M, is that of the prediction target day. すなわち、本実施の形態において、予測支援装置100は、N日目の累積販売冊数に基づき、M日目の累積販売冊数を予測する。 That is, in this embodiment, the prediction support apparatus 100, based on the cumulative sales number of books of the N-th day, predict the cumulative sales number of books of the M-th day. N−M表は、図10(a)に示すように、縦軸にN日、横軸にM日が記入され、これらの交差部分に予測倍数が記入される。 N-M tables, as shown in FIG. 10 (a), N date on the vertical axis, M date is entered on the horizontal axis, the predicted multiples are entered in these intersections. たとえば、販売後4日目の累積販売冊数に基づき60日目の累積販売冊数を予測した場合、予測倍数は6.23となる。 For example, if the predicted 60-day cumulative sales Volumes based on the cumulative sales number of books of the fourth day after the sale, the predicted multiples becomes 6.23. 図10(b)は、図10(a)と同じN−M表の各条件の組合せにおける予測倍数が記入された例を示す。 10 (b) shows an example in which prediction multiples are entered in the combination of each condition of the same N-M tables and FIG. 10 (a). 本実施の形態において、複数のN日に対して複数のM日における予測倍数が表示される。 In this embodiment, the predicted multiples in a plurality of M date is displayed for a plurality of N days. これにより、ユーザは様々な条件における予測倍数を把握することができる。 Thus, the user can grasp the predicted multiples in various conditions.

図11は、図10(b)に対応し、各条件の組合せにおけるR2(精度)が記入された例を示す。 Figure 11 corresponds to FIG. 10 (b), the show examples of R2 (accuracy) are entered in the combination of each condition. ここで、R2の値が1.0に近いほど精度が高いことを意味する。 Here, it means that the value of R2 is higher accuracy closer to 1.0. 図10(b)および図11を参照すると、たとえば、販売後7日目の累積販売冊数に基づき90日目の累積販売冊数を予測した場合、予測倍数は3.92となり、その精度は0.66となる。 Referring to FIGS. 10 (b) and 11, for example, if the predicted cumulative sales number of books of 90 days based on the cumulative sales number of books 7 days after sale, predicted multiples becomes 3.92, the accuracy 0. the 66. ユーザは、精度を参考にして、どの段階で予測を行うかを決定することができる。 The user can determine whether to precision reference, make predictions at any stage.

ユーザは、図10(b)に示した予測倍数の表と図11に示した精度の表とを参照して、精度を考慮しつつ、希望のN日とM日との組合せを選択し、予測倍数を取得することができる。 The user refers to the accuracy of the table shown in Table and Figure 11 of the predicted multiples shown in FIG. 10 (b), taking into account the accuracy, select the combination of N days and M date desired, it is possible to get a prediction multiples. また、精度は、数値として示すだけでなく、色分けやパターン分けにより視覚的にすぐに度合いがわかるように表示することができる。 Further, accuracy is not only shown as numerical values, visually can be displayed as soon as the degree seen by color or pattern division. 図11には、一例として、R2が、0.96以上、0.9以上0.96未満、0.6以上0.9未満、0.6未満の4段階に分類し、各段階毎に異なるパターンを付した例を示す。 11, as an example, R2 is 0.96 or more and less than 0.9 or 0.96, 0.6 or more and less than 0.9 are classified into four stages of less than 0.6, different for each stage It shows an example in which given the pattern.

図13は、図10(b)に示したのと同様の予測倍数の表に、算出されたR2(精度)に基づき精度を示すパターンを付した表を示す図である。 Figure 13 is a diagram showing a table attached with pattern indicating accuracy based on the, the calculated R2 (accuracy) table similar predicted multiples to that shown in Figure 10 (b). ここでも、図11に示したのと同様、精度を4段間に分類し、各段階毎に異なるパターンを付している。 Again, similar to that shown in FIG. 11, classifies accuracy between four stages, are given different patterns for each stage. このような表示とすると、ユーザは各N日とM日との組合せ毎に、精度の段階を把握しながら、予測倍数を取得することができる。 With such a display, the user for each combination of the respective N days and M days, while grasping the stage of precision, it is possible to obtain the predicted multiples.

図12は、ある出版物について、予測値算出部108が算出した初版発売日からの日数と累積販売冊数との関係を示す図である。 12, for a publication is a diagram showing the relationship between the number of days and cumulative sales number of books from the first edition Date the predicted value calculation unit 108 has calculated. ここで、初版発売日からの日数を示し、縦軸は累積販売冊数を示す。 Here, the number of days from the first edition Release Date, the vertical axis represents the cumulative sales number of books. ここで示した例では、第1基準日(N日)が4日、予測日(M日)が30日〜210日(30日間隔)である。 In the example shown here, a first date (N date) 4 days, predicted day (M date) 30 to 210 days (30 days apart).

以上のように、本実施の形態における予測支援装置100によれば、たとえば取次の仕入担当者が、リスク(精度)を踏まえながら、在庫判断(取扱量、発注や入手時期、商品のプレミア度合)を行うことができる。 As described above, according to the prediction support apparatus 100 in the present embodiment, for example agency of purchasing personnel, while light of the risk (accuracy), stock determination (handling volume, ordering and availability time, Premier degree Product )It can be performed. また、母集団を適宜選択しながら複数のN―Mの組合せ(N日とM日との組合せ)につき、予測倍数が算出されるので、ユーザに複数のオプションを提示することができる。 Further, while appropriately selecting the population per combination of a plurality of N-M (combination of N days and M days), since the predicted multiples are calculated, it can present a plurality of options to the user.

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。 Having described embodiments of the present invention with reference to the attached drawings, merely as examples of the present invention, it is also possible to adopt various other configurations.

以上で説明した予測支援装置100を用いて予測した結果に基づき、たとえば以下の処理を行うことができる。 Based on a prediction using the prediction assisting device 100 described above, for example, it is possible to perform the following processing.

たとえば、予測支援装置100を取次店に設けた場合、取次店は、書店に対して、各出版物の仕入れ時期および返品時期の目安をアドバイスすることができる。 For example, if the predicted support device 100 is provided to the agency, the agency may be against bookstores, to advise the measure of purchasing time and return time of each publication. 予測支援装置100の実績データ取得部114は、多数の書店から日々実績データを取得することができる。 Actual data acquisition unit 114 of the supporting estimation apparatus 100 can obtain the daily performance data from a large number of bookstores. そのため、実績データ記憶部118には、種々の書店から取得した実績データが記憶されることになる。 Therefore, the actual data storage unit 118, so that the actual data obtained from a variety of bookstores are stored. たとえば、ある書店におけるある出版物の仕入れや返品計画を立てる場合、母集団選択部104は、その書店の属性に類似する書店属性を有する書店から取得された実績データを母集団として選択するようにすることができる。 For example, if you make a purchase or return plan publications that in some bookstores search area selection unit 104 to select the actual data obtained from the bookstore with bookstore attributes similar to the attributes of the bookstore as population can do. これにより、個々の書店の特性に応じた精度の高い予測結果を得ることができる。 Thus, it is possible to obtain high prediction result accurate in accordance with the characteristics of the individual bookstores.

これにより、各書店において、最適な発注を行うことができるとともに、返品率を減少することができる。 Thus, in each bookstore, it is possible to perform optimal ordering, it is possible to reduce the return rate. また、適切な仕入れを行うことにより、販売ロスを防ぐこともできる。 Also, by performing appropriate stocking it can also prevent sales losses. また、書店において、早期に発注や返品の決定が行われることにより、取次店においても、出版社に対する発注等を早期に行うことができ、ニーズの高い出版物を早期に獲得することができる。 In addition, in bookstores, by early to determine the order or return is carried out, even in the agency, ordering, etc. can be carried out at an early stage to the publisher, it is possible to obtain a high demand publication at an early stage.

以上の実施の形態においては、予測支援システムが予測支援装置100である場合を例として説明した。 In the above embodiment has been described when the prediction support system is supporting estimation apparatus 100 as an example. しかし、他の例において、予測支援装置100を構成する各構成要素は、複数の端末に分散配置されていてもよい。 However, in other examples, the components constituting the supporting estimation apparatus 100 may be distributed to a plurality of terminals. この場合、各端末間は各種ネットワークを介して接続した構成とすることができる。 In this case, between the respective terminals can be formed by the connected via various network.

なお、本発明は以下の態様も含む。 The present invention also includes the following aspects.
(1) (1)
出版物の長期的な販売冊数の予測を支援する予測支援装置であって、 A prediction support apparatus for supporting the prediction of long-term sales number of books of publication,
出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶部と、 And publications, and attributes relating to the publication, the result data storage unit for storing a plurality and long-term sales Volumes data, the actual data that associates of the publication,
予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶部から母集団となる前記実績データを複数選択する母集団選択部と、 Accepting an input of the attribute related publications prediction target, based on the attribute input, a search area selection unit for selecting a plurality of said actual data to be population from the result data storage unit,
前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択部が選択した前記複数の実績データそれぞれにおける前記第1基準日までの総販売冊数pに対する所定の販売飽和日までの総販売冊数qの倍数q/pの分布に基づき、その頻度に対応付けて算出する倍数算出部と、 Wherein the sales Volumes m from the first edition Date of publication of the prediction target to the first date earlier, the long-term prediction multiples which the publications indicate sell many times the sales number of books m, the mother based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date for total sales number of books p until the first date in the plurality of performance data each of mass selection unit selects, corresponding to the frequency and multiple calculating unit for calculating put,
前記倍数算出部が算出した結果に基づき、最も頻度の高い前記予測倍数を出力する出力処理部と、 Based on the results the multiple calculating unit has calculated, and an output processing unit that outputs the most frequent the predicted multiples
を含む予測支援装置。 Prediction support device comprising a.
(2) (2)
上記(1)に記載の予測支援装置において、 In supporting estimation apparatus according to (1),
前記倍数算出部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日の候補日について、それぞれ前記予測倍数をその頻度に対応付けて算出する予測支援装置。 The multiple calculating unit, based on the plurality of performance data of the same of the population, the candidate date of a plurality of the first date, predicting support device respectively calculates associates the predicted multiples the frequency.
(3) (3)
上記(2)に記載の予測支援装置において、 In supporting estimation apparatus according to (2),
前記出力処理部は、同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日について、それぞれ最も頻度の高い前記予測倍数とその頻度とを対応付けて出力する予測支援装置。 The output processing unit, based on the same said plurality of actual data of the population for the plurality of candidate date, prediction assist apparatus for outputting in association with most frequent the predicted multiples respectively and their frequency.
(4) (4)
上記(2)または(3)に記載の予測支援装置において、 In supporting estimation apparatus according to (2) or (3),
同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、最も頻度の高い前記予測倍数を与える前記候補日を選択する基準日選択部をさらに含む予測支援装置。 Based on the plurality of actual data of the same said population, said plurality of out of the candidate date, the most frequent further comprising supporting estimation device date selector which selects the candidate date that gives the predicted multiples.
(5) (5)
上記(2)または(3)に記載の予測支援装置において、 In supporting estimation apparatus according to (2) or (3),
希望の頻度の入力を受け付ける条件入力受付部と、 And the condition input receiving unit that receives the input of the frequency of hope,
同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、最も頻度の高い前記予測倍数の頻度が前記条件入力受付部が受け付けた前記頻度以上となる前記候補日を選択する基準日選択部と、 Based on the plurality of performance data of the same of the population, the from among a plurality of candidate date, most frequently frequent the predicted multiples is the frequency above which the condition input accepting unit accepts the candidate date and date selection section for selecting,
をさらに含む予測支援装置。 Prediction support apparatus further comprises a.
(6) (6)
上記(1)乃至(5)いずれかに記載の予測支援装置において、 In predicting support device according to any one of (1) to (5),
前記予測対象の出版物について、前記第1基準日の指定とともに、その予測対象の出版物の当該第1基準日までの総販売冊数の入力を受け付ける受付部と、 The publication of the prediction target, with specification of the first date, a reception unit that receives an input of a total sales number of books to the first date of publication of the prediction target,
前記受付部が受け付けた前記総販売冊数と、前記倍数算出部が算出した最も頻度の高い前記予測倍数とに基づき、当該予測対象の出版物の長期的な総販売冊数の予測値を算出する予測値算出部と、 Prediction wherein said total sales number of books that accepting unit accepts, based on the most frequent the multiple calculating unit has calculated the predicted multiples to calculate the predicted value of the long-term total sales number of books publication of the prediction target and value calculation unit,
をさらに含む予測支援装置。 Prediction support apparatus further comprises a.
(7) (7)
上記(6)に記載の予測支援装置において、 In supporting estimation apparatus according to (6),
前記予測値算出部は、前記出版物の長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物の初版発売日から前記販売飽和日までの販売冊数の推移を示す販売パターンを予測する予測支援装置。 The predicted value calculation unit, the prediction value of the long-term total sales number of books publication, on the basis of the stored the actual data in the result data storage unit, wherein the first edition Date of the publication of the prediction target prediction support apparatus to predict the sales pattern showing changes in the sales number of books to sales saturation date.
(8) (8)
上記(7)に記載の予測支援装置において、 In supporting estimation apparatus according to (7),
前記予測値算出部は、前記出版物の長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物が最も多く売れる販売ピーク日および当該販売ピーク日における前記出版物の販売冊数を予測するとともに、当該予測も考慮して、前記販売パターンを予測する予測支援装置。 The predicted value calculation unit includes a predicted value of the long-term total sales number of books of the publication, on the basis of the stored the actual data in the result data storage unit, publications most sold sales peak of the prediction target with predicting sales number of books of the day and the publication of the sales peak day, predicting supporting apparatus even the prediction in consideration, to predict the sales pattern.
(9) (9)
上記(1)乃至(8)いずれかに記載の予測支援装置において、 In predicting support device according to any one of (1) to (8),
前記属性は、前記出版物のジャンル、著者、または出版社のいずれか一以上を含む予測支援装置。 The attribute, the publication of the genre, author or publisher either prediction support device comprising one or more of,.
(10) (10)
上記(1)乃至(9)いずれかに記載の予測支援装置において、 In predicting support device according to any one of (1) to (9),
前記属性は、前記出版物のジャンル、著者、または出版社、あるいは当該出版物を販売した書店の属性のいずれか一以上を含む予測支援装置。 The attribute is the publication of genre, author or publisher, or supporting estimation apparatus including any one or more of the bookstore attributes that sold the publication.
(11) (11)
出版物の長期的な販売冊数の予測を支援するためにコンピュータを、 The computer in order to support the prediction of long-term sales number of books of publication,
出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶手段、 Publications and the attributes relating to the publication, actual data storage means for storing plural and long-term sales Volumes data, the actual data that associates of the publication,
予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶手段から母集団となる前記実績データを複数選択する母集団選択手段、 Accepting an input of the attribute related publications prediction target, based on the attribute inputted, the result data storage unit search area selection means for selecting a plurality of said actual data to be population from
前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択手段が選択した前記複数の実績データそれぞれにおける前記第1基準日までの総販売冊数pに対する所定の販売飽和日までの総販売冊数qの倍数q/pの分布に基づき、その頻度に対応付けて算出する倍数算出手段、 Wherein the sales Volumes m from the first edition Date of publication of the prediction target to the first date earlier, the long-term prediction multiples which the publications indicate sell many times the sales number of books m, the mother based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date for total sales number of books p until the first date in the plurality of performance data each of mass selection means has selected, corresponding to the frequency multiple calculating means for calculating put,
前記倍数算出手段が算出した結果に基づき、最も頻度の高い前記予測倍数を出力する出力手段、 Output means for the multiple calculating means based on the result calculated, and outputs the most frequent the predicted multiples
として機能させるための予測支援プログラム。 Prediction support program for functioning as a.

本発明の実施の形態における、出版物の長期的な販売冊数の予測を支援する予測支援装置の構成を示すブロック図である。 In the embodiment of the present invention, it is a block diagram showing a configuration of a prediction support apparatus for supporting the prediction of long-term sales Volumes publications. 実績データ記憶部の内部構成を示す図である。 It shows an internal structure of the actual data storage unit. 複数の実績データの販売冊数データをグラフ化した図である。 It is a diagram obtained by graphing the sales number of books data of a plurality of actual data. 倍数算出部が算出した予測倍数と、その実績データの個数との関係を示す図である。 A prediction multiples multiple calculating unit has calculated a diagram showing the relationship between the number of the actual data. 第1基準日までの総販売冊数と販売飽和日までの総販売冊数との関係を示す図である。 Is a diagram showing the relationship between the total sales number of books to sales saturated date and total sales number of books to the first date. 倍数算出部が算出した予測倍数と、その実績データの個数との関係を示す図である。 A prediction multiples multiple calculating unit has calculated a diagram showing the relationship between the number of the actual data. 本発明の実施の形態における予測支援装置の処理手順を示すフローチャートである。 It is a flowchart illustrating a processing procedure of the supporting estimation apparatus according to an embodiment of the present invention. ある出版物について、予測値算出部が算出した初版発売日からの日数と販売冊数との関係を示す図である。 For some publications, it is a diagram showing the relationship between the number of days and the sales number of books from the first edition Date the predicted value calculation unit was calculated. ユーザが予測支援装置に条件等を入力するための入力画面の一例を示す図である。 Is a diagram showing an example of an input screen for a user to input conditions or the like for supporting estimation device. 出力処理部が出力する予測倍数および精度を示す図である。 It is a diagram showing a predictive multiples and accuracy output processing unit outputs. 出力処理部が出力する予測倍数の精度を示す図である。 It is a diagram showing the accuracy of prediction multiples output processing unit outputs. ある出版物について、予測値算出部が算出した初版発売日からの日数と累積販売冊数との関係を示す図である。 For some publications, it is a diagram showing the relationship between the number of days and the cumulative sales number of books from the first edition Date the predicted value calculation unit was calculated. 図10(b)に示したのと同様の予測倍数の表に、算出されたR2(精度)に基づき精度を示すパターンを付した表を示す図である。 Similar predicted multiples table to that shown in FIG. 10 (b), a diagram showing a table marked with a pattern indicating the accuracy based on the calculated R2 (accuracy).

符号の説明 DESCRIPTION OF SYMBOLS

100 予測支援装置102 条件入力受付部104 母集団選択部106 倍数算出部108 予測値算出部110 基準日選択部112 出力処理部114 実績データ取得部118 実績データ記憶部120 予測結果記憶部200 書店端末202 書店端末210 ネットワーク 100 supporting estimation apparatus 102 condition input accepting unit 104 search area selection unit 106 multiple calculating unit 108 predicted value calculation unit 110 date selector 112 the output processing unit 114 record the data acquisition unit 118 result data storage unit 120 the prediction result storage unit 200 bookstore terminal 202 bookstore terminal 210 network

Claims (15)

  1. 出版物の中期的または長期的な販売冊数の予測を支援する予測支援システムであって、 A prediction support system for supporting the medium-term or prediction of long-term sales number of books of publication,
    出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶部と、 And publications, and attributes relating to the publication, the result data storage unit for storing a plurality and long-term sales Volumes data, the actual data that associates of the publication,
    予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶部から母集団となる前記実績データを複数選択する母集団選択部と、 Accepting an input of the attribute related publications prediction target, based on the attribute input, a search area selection unit for selecting a plurality of said actual data to be population from the result data storage unit,
    前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、中期的または長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択部が選択した前記複数の実績データそれぞれにおける前記第1基準日Nまでの総販売冊数pに対する所定の販売飽和日Mまでの総販売冊数qの倍数q/pの分布に基づき算出する倍数算出部と、 The sales number of books m from the first edition Date of publication of the prediction target until the first date earlier, the medium term or long term prediction multiples the publication indicates several times sells the sales Volumes m based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date M to total sales number of books p until the first date N in said plurality of actual data respectively search area selection unit selects and multiple calculating unit for calculating,
    前記倍数算出部が算出した前記予測倍数を、その精度に対応付けて出力する出力処理部と、 The predicted multiples the multiple calculating unit has calculated, and an output processing unit that outputs in association with the precision,
    を含む予測支援システム。 Prediction support system, including.
  2. 請求項1に記載の予測支援システムにおいて、 In the prediction support system according to claim 1,
    前記倍数算出部は、前記複数の実績データそれぞれの前記総販売冊数pを変数x、前記総販売冊数qを変数yとしたデータセットを用いて最小二乗法により傾きを算出し、当該傾きを前記予測倍数として算出する予測支援システム。 The multiple calculating unit calculates the slope by the least squares method using the plurality of record data each of the total sales Volumes p variables x, a data set in which the variable y the total sales number of books q, wherein the inclination prediction support system to calculate as a predicted multiples.
  3. 請求項2に記載の予測支援システムにおいて、 In the prediction support system according to claim 2,
    前記出力処理部が出力する前記精度は、決定係数R2で表される予測支援システム。 Prediction support system the accuracy, represented by the coefficient of determination R2 of the output processing unit outputs.
  4. 請求項1に記載の予測支援システムにおいて、 In the prediction support system according to claim 1,
    前記倍数算出部は、前記予測倍数を、その頻度に対応付けて算出し、 The multiple calculating unit, the prediction multiples, calculated in association with the frequency,
    前記出力処理部は、前記倍数算出部が算出した結果に基づき、最も頻度の高い前記予測倍数を出力する予測支援システム。 The output processing unit, the prediction support system the multiple calculating section based on the result calculated, and outputs the most frequent the predicted multiples.
  5. 請求項4に記載の予測支援システムにおいて、 In the prediction support system according to claim 4,
    前記出力処理部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日について、それぞれ最も頻度の高い前記予測倍数とその頻度とを対応付けて出力する予測支援システム。 The output processing unit, based on the plurality of performance data of the same of the population, the candidate date of a plurality of the first date N, associates the most frequent the predicted multiples respectively and its frequency output prediction support system.
  6. 請求項1から5いずれかに記載の予測支援システムにおいて、 In the prediction support system according to claim 1, 5 or,
    前記倍数算出部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日について、それぞれ前記予測倍数を算出し、 The multiple calculating unit, based on the plurality of performance data of the same of the population, the candidate date of a plurality of the first date N, respectively calculate the predicted multiples
    前記出力処理部は、複数の前記第1基準日Nの候補日について、それぞれ前記予測倍数をその精度に対応付けて出力する予測支援システム。 Prediction support system wherein the output processing unit that the candidate date of a plurality of the first date N, and outputs the respective association with the predicted multiples accuracy.
  7. 請求項1から5いずれかに記載の予測支援システムにおいて、 In the prediction support system according to claim 1, 5 or,
    前記倍数算出部は、同一の前記母集団の前記複数の実績データに基づき、複数の前記第1基準日Nの候補日および複数の前記所定の販売飽和日Mの候補日の組合せについて、それぞれ前記予測倍数を算出し、 The multiple calculating unit, based on the plurality of performance data of the same of the population, the combination of a plurality of candidate date of the first date N and a plurality of predetermined sales saturated date M candidate date of each said to calculate the predicted multiples,
    前記出力処理部は、複数の前記組合せについて、それぞれ前記予測倍数をその精度に対応付けて出力する予測支援システム。 Prediction support system wherein the output processing unit, the plurality of the combinations, and outputs each associated with the predicted multiples accuracy.
  8. 請求項6または7に記載の予測支援システムにおいて、 In the prediction support system according to claim 6 or 7,
    同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、精度が最も高い前記予測倍数を与える前記候補日を選択する基準日選択部をさらに含む予測支援システム。 Based on the plurality of actual data of the same said population, it said from the plurality of candidate date, prediction support system further comprising a date selector which selects the candidate date that precision gives the highest the predicted multiples.
  9. 請求項6または7に記載の予測支援システムにおいて、 In the prediction support system according to claim 6 or 7,
    希望の精度の入力を受け付ける条件入力受付部と、 And the condition input receiving unit that receives the input of the desired accuracy,
    同一の前記母集団の前記複数の実績データに基づき、前記複数の候補日の中から、前記予測倍数に対応付けられた前記精度が前記条件入力受付部が受け付けた前記希望の精度より高い前記候補日を選択する基準日選択部と、 Based on the same said plurality of actual data of the population, said plurality of out of the candidate date, the said precision associated with the predicted multiples is higher than the desired accuracy of the condition input accepting unit accepts the candidate and date selection unit for selecting a day,
    をさらに含む予測支援システム。 Prediction support system further comprises a.
  10. 請求項1から9いずれかに記載の予測支援システムにおいて、 In the prediction support system according to claim 1, 9 or,
    前記予測対象の出版物について、前記第1基準日Nの指定とともに、その予測対象の出版物の当該第1基準日Nまでの総販売冊数の入力を受け付ける受付部と、 The publication of the prediction target, with specification of the first date N, a reception unit that receives an input of a total sales number of books to the first date N publications of the prediction target,
    前記受付部が受け付けた前記総販売冊数と、前記倍数算出部が算出した前記予測倍数とに基づき、当該予測対象の出版物の中期的または長期的な総販売冊数の予測値を算出する予測値算出部と、 Wherein the receiving unit is the total sales number of books accepted, based on said predicted multiples the multiple calculating unit has calculated, predicted values ​​to calculate the predicted value of the medium-term or long-term total sales number of books publication of the prediction target a calculation unit,
    をさらに含む予測支援システム。 Prediction support system further comprises a.
  11. 請求項10に記載の予測支援システムにおいて、 In the prediction support system according to claim 10,
    前記予測値算出部は、前記出版物の中期的または長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物の初版発売日から前記販売飽和日までの販売冊数の推移を示す販売パターンを予測する予測支援システム。 The predicted value calculation unit, the medium term or long term predictive value of the total sales number of books publications and, on the basis of said actual data stored in the result data storage unit, the first edition release of the publication of the prediction target prediction support system to predict the sales pattern showing changes in the sales number of books to the sale saturation days from the day.
  12. 請求項11に記載の予測支援システムにおいて、 In the prediction support system according to claim 11,
    前記予測値算出部は、前記出版物の中期的または長期的な総販売冊数の予測値と、前記実績データ記憶部に記憶された前記実績データとに基づき、前記予測対象の出版物が最も多く売れる販売ピーク日および当該販売ピーク日における前記出版物の販売冊数を予測するとともに、当該予測も考慮して、前記販売パターンを予測する予測支援システム。 The predicted value calculation unit, the medium term or long term predictive value of the total sales number of books publications and, the based on the actual the actual data stored in the data storage unit, the prediction target publications most with predicting sales number of books of the publication in the sales peak day and the sales peak day salable, prediction support system the prediction be considered to predict the sales pattern.
  13. 請求項1から12いずれかに記載の予測支援システムにおいて、 In the prediction support system according to claim 1, 12 or,
    前記属性は、前記出版物のジャンル、コード、著者、または出版社のいずれか一以上を含む予測支援システム。 It said attribute, said publication genre code, the author or publisher prediction assisting system comprising either one or more.
  14. 請求項1から13いずれかに記載の予測支援システムにおいて、 In the prediction support system according to claims 1 13 to either,
    前記属性は、前記出版物のジャンル、コード、著者、または出版社、あるいは当該出版物を販売した書店の属性のいずれか一以上を含む予測支援システム。 It said attribute, said publication genre code, the author or publisher or prediction assisting system comprising any one or more of the bookstore attributes that sold the publication.
  15. 出版物の中期的または長期的な販売冊数の予測を支援するためにコンピュータを、 The computer in order to support the medium-term or prediction of long-term sales number of books of publication,
    出版物と、当該出版物に関する属性と、当該出版物の長期的な販売冊数データと、を対応付けた実績データを複数記憶する実績データ記憶手段、 Publications and the attributes relating to the publication, actual data storage means for storing plural and long-term sales Volumes data, the actual data that associates of the publication,
    予測対象の出版物に関する属性の入力を受け付け、入力された前記属性に基づき、前記実績データ記憶手段から母集団となる前記実績データを複数選択する母集団選択手段、 Accepting an input of the attribute related publications prediction target, based on the attribute inputted, the result data storage unit search area selection means for selecting a plurality of said actual data to be population from
    前記予測対象の出版物の初版発売日から初期の第1基準日までの販売冊数mに対して、中期的または長期的に当該出版物が前記販売冊数mの何倍売れるかを示す予測倍数を、前記母集団選択手段が選択した前記複数の実績データそれぞれにおける前記第1基準日Nまでの総販売冊数pに対する所定の販売飽和日Mまでの総販売冊数qの倍数q/pの分布に基づき算出する倍数算出手段、 The sales number of books m from the first edition Date of publication of the prediction target until the first date earlier, the medium term or long term prediction multiples the publication indicates several times sells the sales Volumes m based on the distribution of multiple q / p of the total sales number of books q to predetermined sales saturated date M to total sales number of books p until the first date N in said plurality of actual data respectively population selection means selects multiple calculating means for calculating,
    前記倍数算出手段が算出した前記予測倍数を、その精度に対応付けて出力する出力処理手段、 Output processing means for the multiple calculating means said predicted multiples calculated, and outputs in association with the precision,
    として機能させるための予測支援プログラム。 Prediction support program for functioning as a.
JP2006201810A 2005-07-25 2006-07-25 Prediction support system Pending JP2007058848A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2005213601 2005-07-25
JP2006201810A JP2007058848A (en) 2005-07-25 2006-07-25 Prediction support system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006201810A JP2007058848A (en) 2005-07-25 2006-07-25 Prediction support system

Publications (1)

Publication Number Publication Date
JP2007058848A true true JP2007058848A (en) 2007-03-08

Family

ID=37922239

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006201810A Pending JP2007058848A (en) 2005-07-25 2006-07-25 Prediction support system

Country Status (1)

Country Link
JP (1) JP2007058848A (en)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134027A (en) * 1996-10-29 1998-05-22 Toyota Motor Corp Method and device for supporting prediction of sale
JPH10143490A (en) * 1996-11-07 1998-05-29 Fujitsu Ltd Demand prediction method, demand prediction system and recording medium
JP2001134643A (en) * 1999-11-02 2001-05-18 Hitachi Ltd Device and method for predicting demand
JP2001282906A (en) * 2000-04-03 2001-10-12 Nippon Syst Design Kk Processing system for calculating predicted value of number of sales and order quantity
JP2002063471A (en) * 2000-08-22 2002-02-28 Nec Corp System for managing merchandise information
JP2003233710A (en) * 2001-12-05 2003-08-22 Canon Inc Program, device, and method for forecasting demand
JP2003323542A (en) * 2002-05-08 2003-11-14 K's:Kk Business operation support device based on prediction of sale day
JP2004102357A (en) * 2002-09-04 2004-04-02 Shiseido Co Ltd Production volume calculating method, device, system and program, and recording medium
JP2004326346A (en) * 2003-04-23 2004-11-18 Hitachi Ltd Demand forecasting device and method, and production planning support device and method
JP2005038140A (en) * 2003-07-18 2005-02-10 Toyota Motor Corp Merchandise sales volume forecasting device and forecasting method, and program therefor
JP2005056024A (en) * 2003-07-31 2005-03-03 Hitachi East Japan Solutions Ltd Support system and support method for creating supply plan, and supporting computer program

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10134027A (en) * 1996-10-29 1998-05-22 Toyota Motor Corp Method and device for supporting prediction of sale
JPH10143490A (en) * 1996-11-07 1998-05-29 Fujitsu Ltd Demand prediction method, demand prediction system and recording medium
JP2001134643A (en) * 1999-11-02 2001-05-18 Hitachi Ltd Device and method for predicting demand
JP2001282906A (en) * 2000-04-03 2001-10-12 Nippon Syst Design Kk Processing system for calculating predicted value of number of sales and order quantity
JP2002063471A (en) * 2000-08-22 2002-02-28 Nec Corp System for managing merchandise information
JP2003233710A (en) * 2001-12-05 2003-08-22 Canon Inc Program, device, and method for forecasting demand
JP2003323542A (en) * 2002-05-08 2003-11-14 K's:Kk Business operation support device based on prediction of sale day
JP2004102357A (en) * 2002-09-04 2004-04-02 Shiseido Co Ltd Production volume calculating method, device, system and program, and recording medium
JP2004326346A (en) * 2003-04-23 2004-11-18 Hitachi Ltd Demand forecasting device and method, and production planning support device and method
JP2005038140A (en) * 2003-07-18 2005-02-10 Toyota Motor Corp Merchandise sales volume forecasting device and forecasting method, and program therefor
JP2005056024A (en) * 2003-07-31 2005-03-03 Hitachi East Japan Solutions Ltd Support system and support method for creating supply plan, and supporting computer program

Similar Documents

Publication Publication Date Title
US6078892A (en) Method for customer lead selection and optimization
US6308168B1 (en) Metadata-driven data presentation module for database system
US7295995B1 (en) Computer processes and systems for adaptively controlling the display of items
US20020118192A1 (en) Multiple chart user interface
US20030028527A1 (en) Ranking items
US7836051B1 (en) Predictive analysis of browse activity data of users of a database access system in which items are arranged in a hierarchy
US20050131779A1 (en) Production scheduling system
US20030195791A1 (en) System, method and article of manufacture to determine and communicate redistributed product demand
US7571191B2 (en) Defining a data analysis process
US20130138656A1 (en) Method and Device for Expiration Date Weighted Food Inventory System and Meal Planner
US20050108116A1 (en) Method and apparatus for allocating items on a bill
US20020004764A1 (en) Electronic product catalog systems
US20040267553A1 (en) Evaluating storage options
US6542873B1 (en) System and method for using an enhanced external data interface to display data in EPL systems
US20140188956A1 (en) Personalized real-time recommendation system
JP2001092825A (en) Device and method for processing information
JP2001184153A (en) Information processor and recording medium having information display program recorded thereon
JP2000331004A (en) Retrieval card system
US20090006216A1 (en) Method, Device, and System for Analyzing and Ranking Web-Accessable Data Targets
JP2002251518A (en) Support system for cooking, and controller for foodstuff
Hoffman et al. A two-stage model for structuring global facility site selection decisions: the case of the brewing industry
US8024218B2 (en) Method and apparatus for determining the product marketability utilizing a percent coverage
JP2005115514A (en) Database search system, its search method, and program
Ruan et al. ILM: a web server for predicting RNA secondary structures with pseudoknots
JP2007286701A (en) Electronic shopping mall system and computer device for electronic shopping mall system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20071226

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100511

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100712

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20100907

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20110201