JP2007122415A - 店舗支援システム - Google Patents
店舗支援システム Download PDFInfo
- Publication number
- JP2007122415A JP2007122415A JP2005313800A JP2005313800A JP2007122415A JP 2007122415 A JP2007122415 A JP 2007122415A JP 2005313800 A JP2005313800 A JP 2005313800A JP 2005313800 A JP2005313800 A JP 2005313800A JP 2007122415 A JP2007122415 A JP 2007122415A
- Authority
- JP
- Japan
- Prior art keywords
- sales
- prediction value
- past
- relevance
- event
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】人間の経験則に頼ることなく、商品をどのタイミングでどのくらい発注すれば良いかとかといったことの判断を誰もが容易に行えるようにする。
【解決手段】実績データ記憶部1に記憶されている商品の過去の販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析し、当該分析した時系列の売上実績から売上の基本予測値を算出する基本予測値演算部3を設けることにより、将来の特定のタイミングにおいてその商品がどの程度売れそうかの客観的な予測値を得ることができるようにして、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員が、商品をどのタイミングでどのくらい発注すれば良いかを適切に判断することができるようにする。
【選択図】 図1
【解決手段】実績データ記憶部1に記憶されている商品の過去の販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析し、当該分析した時系列の売上実績から売上の基本予測値を算出する基本予測値演算部3を設けることにより、将来の特定のタイミングにおいてその商品がどの程度売れそうかの客観的な予測値を得ることができるようにして、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員が、商品をどのタイミングでどのくらい発注すれば良いかを適切に判断することができるようにする。
【選択図】 図1
Description
本発明は店舗支援システムに関し、特に、過去における商品の販売実績データを分析してその結果を提示するシステムに用いて好適なものである。
従来、店舗による商品の発注や売場作りは、店舗内の店員が、その経験則で行ってきた。ここでいう経験則とは、具体的には「来週は○○がどのくらい売れるはず」「このイベントを実施すれば○○がより売れるはず」「こう並べればより売れるはず」といった、店員による長年の売場での経験から得られた勘のようなものである。何年も同じ地域の同じ店舗で働くことにより、この経験則も研ぎ澄まされ、目標の利益を達成することが可能となる。
ところが、実際には2、3年おきに人事異動があり、別の人間が売場を任されることが多い。そして、新しく任された売場の人間がまた一から経験を積んでいくこととなり、この繰り返しである。これでは、異動のたびに経験の積みなおしが発生するため、非効率的であった。また、経験則というのは人によって感じ方が異なり、常に一定の質を保つことができないという問題もあった。
本発明はこのような問題を解決するために成されたものであり、人間の経験則に頼ることなく、商品をどのタイミングでどのくらい発注すれば良いかとか、店舗内で商品をどのように並べたら良いかとか、どのようなイベントをするとどの程度売上が伸びるのかといったことの判断を誰もが容易に行えるようにすることを目的とする。
上記した課題を解決するために、本発明では、商品の過去の販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析し、当該分析した時系列の売上実績から売上の基本予測値を算出する。また、商品の過去の販売実績データに基づいて、過去におけるイベントの実施時期と当該実施したイベントの内容とイベント実施に起因する売上の増減率とを分析し、当該分析したイベント関連の販売実績から売上の変動予測値を算出する。そして、算出した基本予測値と変動予測値とを掛けることによって、将来の売上予測値を算出する。
本発明の他の態様では、商品の過去の販売実績データに基づいて、一度にまとめて購入される可能性の高い複数の商品をグループ化するとともに、グループ毎の売上を求め、複数のグループに属する商品について最も高い売上を有するグループを分析し、当該分析したグループ内の商品を提示する。
上記のように構成した本発明によれば、ある商品に関して求められる売上の基本予測値から、将来の特定のタイミングにおいてその商品がどの程度売れそうかの予測を客観的に立てることが可能となる。これにより、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、商品をどのタイミングでどのくらい発注すれば良いかを適切に判断することができるようになる。
また、本発明によれば、ある商品に関して求められるイベント実施に関する変動予測値から、どのようなイベントをどのタイミングで実施するとどの程度売上が伸びるのかといった予測を客観的に立てることが可能となる。これにより、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、どのタイミングでどのようなイベントをするのが売上増大に貢献するのかを適切に判断することができるようになる。
また、本発明の他の特徴によれば、グループ化された商品群から、どの商品とどの商品とが一度にまとめて購入される可能性のある組合せとして有力なのかが分かる。しかも、ある商品ついて複数の組合せが考えられる場合に、過去に最も高い売上を有する商品の組合せ(グループ)が提示されることとなる。これにより、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、
どの商品とどの商品の組合せが最も売上に貢献できるのかを適切に判断することができ、商品の棚割りを適切に行うことができるようになる。
どの商品とどの商品の組合せが最も売上に貢献できるのかを適切に判断することができ、商品の棚割りを適切に行うことができるようになる。
以下、本発明の一実施形態を図面に基づいて説明する。図1は、本実施形態による店舗支援システムの要部構成を示す機能ブロック図である。図1に示すように、本実施形態の店舗支援システムは、実績データ記憶部1、関連度データ記憶部2、基本予測値演算部3、変動予測値演算部4、売上予測値演算部5および商品グループ分析部6を備えて構成されている。このうち基本予測値演算部3、変動予測値演算部4、売上予測値演算部5および商品グループ分析部6は、実際にはCPU、ROM、RAMなどから成るマイクロコンピュータにより構成されている。
実績データ記憶部1は、過去における商品の販売実績に関するデータを記憶するものであり、例えばハードディスク、CD(Compact Disc)、DVD(Digital Versatile Disk)などの記録媒体により構成されている。販売実績データは、例えば、店舗のPOS(Point Of Sale)システムより入力したPOSデータである。
なお、POSシステムでは、商品に付けられたバーコードや磁気記録などを読み取ることにより、それが売買された時点(キャッシュレジスタに記録された時点)で商品コード、販売価格などのデータを取得することが可能である。このようにして取得したデータをコンピュータに通知することにより、商品の販売数や販売時期、売上などを集計、分析することが可能である。本実施形態において利用するPOSデータは公知のものであるので、ここでは詳細な説明を割愛する。
関連度データ記憶部2は、同じまたは異なる商品どうしの関連度、同じまたは異なるイベントどうしの関連度、同じまたは異なるイベント実施時期どうしの関連度に関するデータを記憶するものであり、例えばハードディスク、CD、DVDなどの記録媒体により構成されている。この関連度データは、後述する変動予測値を算出する際に使用する。
商品の関連度は、商品の類似の度合いに応じて定めたパラメータであり、0〜1(0%〜100%)の値をとる。商品が完全に同一の場合の関連度が100%である。異なる商品どうしの場合は、その商品の類似の度合いが高いほど、関連度の値も高くなるようにする。関連度データ記憶部2には、商品の関連度としてあらかじめ定めた値が、テーブルデータとして記憶されている。
イベントの関連度は、イベントの類似の度合いに応じて定めたパラメータであり、0〜1(0%〜100%)の値をとる。イベントの内容が完全に同一の場合の関連度が100%である。異なるイベントどうしの場合は、そのイベントの類似の度合いが高いほど、関連度の値も高くなるようにする。関連度データ記憶部2には、イベントの関連度としてあらかじめ定めた値が、テーブルデータとして記憶されている。
イベント実施時期の関連度は、イベント実施時期の近さに応じて定めたパラメータであり、0〜1(0%〜100%)の値をとる。イベント実施時期の関連度は、2つの発想をもとに定める。1つは、実績が最近であればあるほどその実績が信頼できるという発想である。もう1つは、多少時期が離れていても、季節や祭事が重なる実績を信頼するという発想である。関連度データ記憶部2には、イベント実施時期の関連度としてあらかじめ定めた値が、テーブルデータとして記憶されている。
基本予測値演算部3は、実績データ記憶部1に記憶されている販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析する。そして、当該分析した時系列の売上実績データに基づいて、過去の異なる時期を比較した場合の売上の増減率を求める。さらに、過去の一時期の売上実績に対して売上の増減率を掛けることにより、売上の基本予測値を算出する。
売上の基本予測値は、過去の売上実績と最近の傾向とを掛け合わせて算出したものである。平たく言えば、「去年は1,000円の売上があった」「最近の売上は、去年の売上に対して10%の増加傾向にある」という分析結果から、「来週は1,000×1.1=1,100円の売上があるはず」と予測するのが基本予測である。
図2は、ある商品に関する過去における時系列の売上実績の分析結果を示す図である。この図2は、ある月の昨年度売上実績と今年度売上実績とを比較したものであり、実線の折れ線Aが昨年度売上実績の時系列データ、点線の折れ線Bが今年度売上実績の時系列データを示している。今年度売上実績に関しては、11日までの実績がある状態である。このような過去の売上実績から今月12日の売上を予測したものが、三角マークのポイントCの箇所である。今年度の11日までの売上実績が昨年度より若干増加傾向であるので、12日の売上も昨年度に比べて同程度増加するであろうというが基本的な考え方である。
すなわち、基本予測値演算部3は、ある商品について実績データ記憶部1に記憶されている販売実績データに基づいて、折れ線Aで示す時系列の昨年度売上実績と、折れ線Bで示す時系列の今年度売上実績とを分析する。そして、当該分析した昨年度売上実績の11日までのデータと、今年度売上実績の11日までのデータとを比較し、昨年度に対する今年度の売上の増減率を求める。この増減率は、例えば毎日の増減率を計算してそれらを平均化した値とする。さらに、昨年度売上実績の12日のデータに対して、上述のようにして求めた売上の増減率を掛けることにより、今年度における12日の売上に関する基本予測値を算出する。
このように基本予測値は、過去の傾向から、これからどれだけ売れるかを予測した値である。したがって、利用する過去の販売実績データは、特殊なイベント等を実施したときの販売実績データを排除した基本的な販売実績データのみを対象とする。また、「最近の傾向」は、昨年度の売上実績と今年度の売上実績とを比較した傾向を比率として導いたものであり、例えば自店と類似店のデータから導き出すことも可能である。
変動予測値演算部4は、実績データ記憶部1に記憶されている販売実績データに基づいて、過去におけるイベントの実施時期と当該実施したイベントの内容とイベント実施に起因する売上の増減率とを分析する。そして、当該分析した過去のイベント実施に対する売上の増減率に対して、関連度データ記憶部2に記憶されている各関連度のデータを掛けることにより、売上の変動予測値を算出する。
変動予測値とは、特定の販売促進イベント等を実施した際に、それが売上にどの程度影響するのかを統計的に算出したものであり、変動要素予測と呼ばれる予測技法に基づいている。変動要素予測とは、基本的な販売方法に対する付加的な要素のことであり、例えば、POPの有無・マネキンの有無・販促イベント等のことである。これらの影響度は、過去の販売実績データから統計的に算出する。
すなわち、変動予測値演算部4は、実績データ記憶部1に記憶されている販売実績データに基づいて、過去にそのイベントを実施したときに売上に対して何%影響したかを示す売上の増減率を分析する。そして、当該分析した売上の増減率に対して、「イベント実施時期の関連度×商品の関連度×イベントの関連度」の値を掛けることにより、売上の変動予測値を算出する。
このように、変動予測値も基本予測値と同様に、過去の販売実績データから統計的に算出する。しかし、あるイベントを実施するときの変動予測値を算出する際に、都合よく昨年度の同じ時期に同じ商品について同じイベントを実施しているとは限らない。そこで、過去の近い時期に近い商品について実施した類似のイベントに関する複数の販売実績データを利用し、それらの統計をとることで変動予測値を算出する。
具体的には、関連度データ記憶部2に記憶されている各関連度のデータに基づいて、イベント実施時期の関連度と、商品の関連度と、イベントの関連度とを乗算する。そして、その掛け合わせの値が大きいものから順にn個(nは1以上の整数)の販売実績データを抽出し、これを変動予測値の計算に利用する。
例えば、ジョナゴールド(りんご)の売上を増やすためにマネキンを置くことを検討している場合、マネキンを置くことで得られる売上の変動率が変動予測値である。図3の例が示すように、1週間前と2週間前にそれぞれ、王林(りんご)と紀州みかんのマネキンイベントを実施した実績があり、これらが関連度の大きいn個の販売実績データとして抽出されたとする。また、図3の例では、それぞれの販売実績データを分析した結果、マネキンイベントを実施することによって、イベント実施前の前週比で売上が1.2倍と1.5倍となったことが示さている。
このときジョナゴールドの売上予測をするうえで、より信頼できるのは同じりんごである王林の販売実績だが、紀州みかんの販売実績も無視できない。本実施形態では、商品の関連度として、ジョナゴールドと王林との関連度を0.95、ジョナゴールドと紀州みかんとの関連度を0.6として、商品の類似度に応じて関連度に重み付けをし、紀州みかんの販売実績も変動予測値の算出に反映させる。また、イベント実施時期の関連度に関しても、1週間前の実施と2週間前の実施とに重み付けをし、それぞれの関連度を0.90と0.85とする。なお、王林の販売実績も紀州みかんの販売実績も同じマネキンイベントなので、イベントの関連度は共に1.0である。
因みに、イベント実施による売上増減率の実績から単純に平均を取ると、(1.2+1.5)/2=1.35となってしまい、商品の種類やイベント実施時期を無視してしまうこととなる。そこで、王林および紀州みかんに関するそれぞれの売上増減率の実績と、予測対象との関連度とを加味し、以下のように重み付き平均値をとる。その結果、来週ジョナゴールドの販売をする際に、マネキンを置くことで1.32倍の売上を期待できることとなる。
王林:0.95×0.85≒0.81
紀州みかん:0.60×0.90=0.54
重み合計:0.81+0.54=1.35
重み付き平均値:1.2×0.81/1.35+1.5×0.54/1.35≒1.32
王林:0.95×0.85≒0.81
紀州みかん:0.60×0.90=0.54
重み合計:0.81+0.54=1.35
重み付き平均値:1.2×0.81/1.35+1.5×0.54/1.35≒1.32
上述したように、実際の予測を行うときは、過去の大量の実績から重みの高いもの(関連度の大きいもの)をn個取り出し、重み付き平均値を計算することとなる。このnの決め方は、関連度の合計が所定の閾値X(これは事前に準備しておく)以上になるように流動的に決めることが好ましい。つまり、関連度の高いものが多いときは少数の販売実績データから変動予測値を算出できるが、関連度の高いものが少ないときは大量の販売実績データから変動予測値を算出する。
売上予測値演算部5は、基本予測値演算部3により算出された基本予測値と、変動予測値演算部4により算出された変動予測値とを掛けることによって、将来の売上の予測値を算出する。
商品グループ分析部6は、実績データ記憶部1に記憶されている販売実績データに基づいて、一度にまとめて購入される可能性の高い複数の商品をグループ化するとともに、グループ毎の売上を求める。そして、複数のグループに属する商品について最も高い売上を有するグループを分析し、当該分析したグループ内の商品を提示する。提示された複数の商品は、顧客が一度にまとめて購入する可能性の高い商品群である。この計算は、店舗内における商品の売場提案のための行うものである。
例えば、スーパー等における青果の売場は、棚と平台の2つに集約される。この棚・平台内の商品の並べ方を棚割りといい、売上に影響する重要な因子である。従来、棚割りはスーパーの発注を行う人間が、感覚や経験で決めるのが一般的であったが、これを過去の販売実績データ(POSデータ)から導こうとするのが、売場提案の発想である。POSデータには、一人の客が同時に購入した商品のリストがあるので、これらを商品グループとして取り出し、どの商品とどの商品が組合せとして有力なのかを捕らえることができる。
図4は、商品のグループ化の例を示す図である。図4に示す例は、客がよく同時に購入する商品の間を線で結んだものである。これを見ると、サラダ菜を購入した客はきゅうり・にんじん・たまねぎも同時に購入することが多いことが分かる。また、たまねぎを見てみると、たまねぎを購入する客は鍋物系食材を同時に買う傾向があることが分かる。この場合、商品グループ分析部6は、売上が最も高い鍋物グループにある各商品を、例えば図示しない表示装置によって店員に提示する。これにより店員は、たまねぎを精力的に売りたいのであれば、提示された鍋物グループの商品の近くに配置して販売するのが最も合理的であろうことが予想できる。
以上詳しく説明したように、本実施形態によれば、商品の過去の販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析し、当該分析した時系列の売上実績から売上の基本予測値を算出するようにしたので、将来の特定のタイミングにおいて商品がどの程度売れそうかの予測を客観的に立てることが可能となる。これにより、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、商品をどのタイミングでどのくらい発注すれば良いかを適切に判断することができるようになる。
また、本実施形態によれば、商品の過去の販売実績データに基づいて、過去におけるイベントの実施時期と当該実施したイベントの内容とイベント実施に起因する売上の増減率とを分析し、当該分析したイベント関連の販売実績から売上の変動予測値を算出するようにしたので、どのようなイベントをどのタイミングで実施するとどの程度売上が伸びるのかといった予測を客観的に立てることが可能となる。これにより、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、どのタイミングでどのようなイベントをするのが売上増大に貢献するのかを適切に判断することができるようになる。
また、本実施形態によれば、商品の過去の販売実績データに基づいて、一度にまとめて購入される可能性の高い複数の商品をグループ化するとともに、グループ毎の売上を求め、複数のグループに属する商品について最も高い売上を有するグループを分析し、当該分析したグループ内の商品を提示するようにしたので、店舗内に経験を積んだいわゆるスペシャリストが居なくても、店員は、どの商品とどの商品の組合せが最も売上に貢献できるのかを適切に判断することができ、商品の棚割りを適切に行うことができるようになる。
なお、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその精神、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
1 実績データ記憶部
2 関連度データ記憶部
3 基本予測値演算部
4 変動予測値演算部
5 売上予測値演算部
6 商品グループ分析部
2 関連度データ記憶部
3 基本予測値演算部
4 変動予測値演算部
5 売上予測値演算部
6 商品グループ分析部
Claims (2)
- 過去における商品の販売実績に関するデータを記憶する実績データ記憶部と、
同じまたは異なる商品どうしの関連度、同じまたは異なるイベントどうしの関連度、同じまたは異なるイベント実施時期どうしの関連度に関するデータを記憶する関連度データ記憶部と、
上記実績データ記憶部に記憶されている販売実績データに基づいて、過去における商品の販売時期と売上とを関連付けて成る時系列の売上実績を分析し、当該分析した時系列の売上実績データに基づいて、過去の異なる時期を比較した場合の売上の増減率を求め、過去の一時期の売上実績に対して上記売上の増減率を掛けることによって売上の基本予測値を算出する基本予測値演算部と、
上記実績データ記憶部に記憶されている販売実績データに基づいて、過去におけるイベントの実施時期と当該実施したイベントの内容とイベント実施に起因する売上の増減率とを分析し、当該分析した売上の増減率に対して、上記関連度データ記憶部に記憶されている各関連度のデータを掛けることによって売上の変動予測値を算出する変動予測値演算部と、
上記基本予測値演算部により算出された上記基本予測値と上記変動予測値演算部により算出された上記変動予測値とを掛けることによって将来の売上の予測値を算出する売上予測値演算部とを備えたことを特徴とする店舗支援システム。 - 上記実績データ記憶部に記憶されている販売実績データに基づいて、一度にまとめて購入される可能性の高い複数の商品をグループ化するとともに、グループ毎の売上を求め、複数のグループに属する商品について最も高い売上を有するグループを分析し、当該分析したグループ内の商品を提示する商品グループ分析部を更に備えたことを特徴とする請求項1に記載の店舗支援システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005313800A JP2007122415A (ja) | 2005-10-28 | 2005-10-28 | 店舗支援システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2005313800A JP2007122415A (ja) | 2005-10-28 | 2005-10-28 | 店舗支援システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007122415A true JP2007122415A (ja) | 2007-05-17 |
Family
ID=38146202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005313800A Pending JP2007122415A (ja) | 2005-10-28 | 2005-10-28 | 店舗支援システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2007122415A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310477A (ja) * | 2007-06-13 | 2008-12-25 | Nec Corp | 販売数量予測システム、販売数量予測方法、および基幹装置 |
JP2009169699A (ja) * | 2008-01-16 | 2009-07-30 | Nomura Research Institute Ltd | 販売情報分析装置 |
JP2022109135A (ja) * | 2021-01-14 | 2022-07-27 | MONET Technologies株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2005
- 2005-10-28 JP JP2005313800A patent/JP2007122415A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008310477A (ja) * | 2007-06-13 | 2008-12-25 | Nec Corp | 販売数量予測システム、販売数量予測方法、および基幹装置 |
JP2009169699A (ja) * | 2008-01-16 | 2009-07-30 | Nomura Research Institute Ltd | 販売情報分析装置 |
JP2022109135A (ja) * | 2021-01-14 | 2022-07-27 | MONET Technologies株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7133656B2 (ja) | 2021-01-14 | 2022-09-08 | MONET Technologies株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ailawadi et al. | When Wal-Mart enters: How incumbent retailers react and how this affects their sales outcomes | |
JP6027679B2 (ja) | 祭日用売れ筋商品を決定するための方法及びデバイス | |
JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
JP7107222B2 (ja) | 商品需要予測システム、商品需要予測方法および商品需要予測プログラム | |
CN109741082A (zh) | 一种基于时间序列分解的季节性商品需求预测方法 | |
Basker | Change at the checkout: Tracing the impact of a process innovation | |
US20120330807A1 (en) | Systems and methods for consumer price index determination using panel-based and point-of-sale market research data | |
JP2014225181A (ja) | 商品コード分析システム及び商品コード分析プログラム | |
US10909558B2 (en) | Marketing support system | |
JP2019145043A (ja) | データ管理装置およびデータ管理システム | |
Murmu et al. | Quality and selling price dependent sustainable perishable inventory policy: Lessons from Covid-19 pandemic | |
JP2007122415A (ja) | 店舗支援システム | |
EP2720154A1 (en) | Pattern extraction device and method | |
JP6143930B1 (ja) | マーケティング支援方法、プログラム、コンピュータ記憶媒体及びマーケティング支援システム | |
JP6956072B2 (ja) | 宣伝用ディスプレイ空間のためのスケジュールデータ構造を生成するための方法およびシステム | |
JP2002334379A (ja) | 商品評価システム及び方法 | |
JP6071408B2 (ja) | プロモーション管理システムおよびプロモーション管理用プログラム | |
JP2001134648A (ja) | 顧客維持育成のための顧客データ分析方法 | |
JP2005135042A (ja) | 情報処理装置、情報処理装置の制御方法、プログラムおよび記録媒体 | |
JPH11265486A (ja) | 商品販売におけるポイント処理装置 | |
WO2002057973A1 (fr) | Systeme et procede de promotion de la vente de marchandises | |
Suryani et al. | Analysis of the Effect of Tolerance Value on EOQ Method for optimization of Inventory Management Model | |
JP2006227726A (ja) | 発注数立案支援装置及び発注数立案支援プログラム | |
JP2016143237A (ja) | 情報処理装置 | |
JP2002140502A (ja) | 顧客維持育成のための顧客データ分析方法 |