JP2007316746A - 来店客数予測サーバ及び来店客数予測プログラム - Google Patents

Abstract

【課題】 通常と異なる来店客傾向を持つ特異日によって起こる所定期間全体の来店客数の変化を予測する。
【解決手段】 売上げに関する売上情報を記憶するＰＯＳ端末装置から実績来店客数を取得し、この取得した実績来店客数に特異日を設定して時系列順に保存し、予測対象日を含む所定期間内に特異日があると判定すると（Ｓ２０４でＹＥＳ）、特異日として設定された日の実績来店客数と前記特異日と設定された日と同じ日を含む所定期間の実績来店客数とに基づいて予測対象日の来店客数を予測する（Ｓ２１２，Ｓ２１４，Ｓ２１６）。
【選択図】図６

Description

本発明は、来店客数を予測する来店客数予測サーバ及び来店客数予測プログラムに関する。

従来、店舗への来店客数を予測するのに重回帰分析が使用されてきた。例えば、重回帰分析の説明変数に月、曜日、店舗広告のチラシの有無などを用い、目的変数に過去のＰＯＳ（ポイントオブセールス）データから取得した来店客数を用いて予測が行なわれてきた（例えば、特許文献１参照）。
特開平４−５９６号公報

しかしながら、従来の来店客数を予測する方法では、通常と異なる来店客傾向を持つ特異日によって起こる所定期間全体の来店客数の変化を予測することはできなかった。

本発明は上記事情に鑑みてなされたものであって、その目的は、通常と異なる来店客傾向を持つ特異日によって起こる所定期間全体の来店客数の変化を予測する来店客数予測サーバ及び来店客数予測プログラムを提供することにある。

本発明は、売上げに関する売上情報を記憶するＰＯＳ端末装置から実績来店客数を取得し、この取得した実績来店客数に特異日を設定して時系列順に保存し、予測対象日を含む所定期間内に特異日があると判定すると、特異日として設定された日の実績来店客数と前記特異日と設定された日と同じ日を含む所定期間の実績来店客数とに基づいて予測対象日の来店客数を予測する来店客数予測サーバである。

本発明によると、通常と異なる来店客傾向を持つ特異日によって起こる所定期間全体の来店客数の変化を予測する来店客数予測サーバ及び来店客数予測プログラムを提供できる。

以下、本発明の一実施の形態について図面を参照して説明する。
図１は、ネットワークシステムを概略的に示す図である。図１に示すようにネットワークシステムは、来店客数の予測を行う来店客数予測サーバである店舗サーバ１と、この店舗サーバ１とネットワーク３を介して接続される複数個のＰＯＳ端末装置２とから構成される。ネットワーク３は、ＬＡＮ（ローカル・エリア・ネットワーク）、ＷＡＮ（ワイド・エリア・ネットワーク）、インターネットからなる。なお、ＰＯＳ端末装置２を１つ又は少数しか持たず店舗サーバ１を設置していないような店舗では、店舗サーバ１を設けず、ＰＯＳ端末装置２の１つに店舗サーバ１の機能を持たせるようにしても良い。

図２は、店舗サーバ１の要部構成を示すブロック図である。図２に示すように、店舗サーバ１は、ＣＰＵ１１、ＲＯＭ１２、ＲＡＭ１３、通信制御部１４、記録部１５、表示部１６、入力部１７、時計部１８を有している。ＣＰＵ１１は、店舗サーバ１全体を総括的に制御する。ＲＯＭ１２は店舗サーバ１を制御するためのプログラムを保持する。ＲＡＭ１３は、ＣＰＵ１１がＲＯＭ１２に保持されたプログラムを実行するときに必要となるワークエリアを有している。通信制御部１４は、ネットワークを介して行なうＰＯＳ端末装置２等とデータの送受信を制御する。記録部１５は、各種データを記録（保存）する。記録部１５には、例えば後述するＰＯＳデータ取得処理を実行したときに取得したＰＯＳデータから得られる来店客数、日付、曜日、後述する営業時間内の降水量、特異日を示す客数データが記録される。表示部１６はディスプレイ等へ表示を行なう。入力部１７は、マウスやキーボード等からの入力処理を行なう。時計部１８は、時刻を計時し日時情報を生成する。

図３は、ＰＯＳ端末装置２の要部構成を示すブロック図である。図３に示すように、ＰＯＳ端末装置２は、ＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、通信制御部２４、記録部２５、表示部２６、入力部２７、バーコード接続部２８、時計部２９を有している。ＣＰＵ２１は、ＰＯＳ端末装置２全体を総括的に制御する。ＲＯＭ２２は、ＰＯＳ端末を制御するためのプログラムを保持する。ＲＡＭ２３は、ＣＰＵ２１がＲＯＭ２２に保持されたプログラムを実行するときに必要となるワークエリアを有している。通信制御部２４は、ネットワークを介して行なう店舗サーバ１とのデータの送受信を制御する。記録部２５は、各種データを記録（保存）する。記録部２５には、例えば、ＰＯＳ端末装置２で精算を行なった客毎の売上情報（販売日時、曜日、客数、購入商品等）を示すＰＯＳデータが記録される。表示部２６は、ディスプレイ等へ表示を行なう。入力部２７はキーボードからの入力処理を行なう。バーコード接続部２８はバーコードリーダと接続され、バーコードリーダで読み取られたバーコードデータを入力する。時計部２９は時間を計時し日時情報を生成する。

次に、店舗サーバ１のＲＯＭ１２に記憶されたＰＯＳデータ取得プログラムが実行されたときの処理について説明する。図４は、店舗サーバ１のＰＯＳデータ取得処理を示すフローチャートである。このＰＯＳデータ取得処理は定期的にネットワーク３に接続されたＰＯＳ端末装置２からＰＯＳデータを取得する処理である。

店舗サーバ１は、ネットワーク３を介してＰＯＳ端末装置２からＰＯＳデータを定期的に、例えば１日１回取得する（Ｓ１０１，取得手段）。このＰＯＳデータを取得するタイミングは業務開始前の所定のタイミングとするがどのタイミングでも良い。これにより、前回ＰＯＳデータを取得した時刻の後から現在時刻までの１日分のＰＯＳデータが店舗サーバ１で取得される。店舗サーバ１は、取得したＰＯＳデータから、ＰＯＳ端末装置２を通過した人数を集計し、一日辺りの来店客数を計算する（Ｓ１０２）。

次に、店舗サーバ１は、ステップＳ１０２で計算した来店客数に、ＰＯＳデータに含まれる日付と曜日、入力部１７から取得した営業時間内の降水量、後述する特異日と併せて客数データとして記録部１５に保存する（Ｓ１０３，保存手段）。

ここで、降水量は、表示部１６に表示された画面を通して取得する。この画面上から入力される降水量は実績値を数値として入力するようにしても良いし、後述する離散化後のデータ“０”、“１”、“２”、“３”を入力しても良いし、離散化後のデータを言葉で置き換えた、“降らない”、“小雨”、“弱い雨”、“強い雨”を選択するようにしても良い。なお、降水量をどのように離散化するか、又は、言葉で置き換えるかは後述する。また、降水量は通信制御部１４からネットワーク３のインターネット上に存在する、日ごとの降水量を提供するサーバから取得するようにしても良い。

特異日は、正月休み、ゴールデンウィーク、お盆、クリスマス、大晦日、三日以上の連休などの、通常とは来店客数の傾向が異なる日である。特異日を含む週は、週全体の傾向も変わるため、通常の週とは分けて考える必要がある。特異日であるデータは例えば正月休みを“１”、ゴールデンウィークを“２”として、特異日でないデータを“０”などにする。またこれとは別に正月休み、ゴールデンウィークなどの連休を全て“１”にして、台風などの異常気象の時を“２”にして、特異日でないデータを“０”などにするとしても良い。

ここで特異日は表示部１６に表示される画面を通して設定することができる。この画面では、特異日にしたい日をカレンダーから選択するか、リストボックスから選択する。このように特異日を選択した後、さらに、特異日の種類をリストボックスで選択する。その後設定ボタンで特異日の登録を行う。登録された内容は店舗サーバ１の記録部１５に記録される。

図５は、記録部１５に記録される客数データを示すテーブルＴである。図５に示すように客数データは表形式で記録される。このテーブルＴには、ＰＯＳデータから取得した日付に対応させて、曜日、来店客数（客数）のデータを記録するエリア、入力部１７から取得した降水量のデータを記録するエリア、記録部１５内のカレンダーに設定された特異日から取得した特異日のデータを記録するエリア、来店客数の予測値を記録するエリアが設けられている。このテーブルＴに記録される客数データは、現在の日付よりも前少なくとも１年間は保持しておくことが望ましい。

次に、来店客数の予測として、重回帰分析を使う方法について説明する。重回帰分析は目的変数と説明変数の関係から予測モデル（重回帰式）を作成し、複数の説明変数と目的変数間の影響を分析する、一般に良く知られた統計的手法である。なお、重回帰分析については、「図解でわかる 回帰分析」涌井良幸・涌井貞美著；日本実業出版社などに詳細が記載されている。尚、予測式作成には必ずしも重回帰分析を用いる必要はない。

来店客数の変動を説明するものとして様々な要因が考えられるが、本実施の形態では、曜日、商圏人口、天候を利用する。
次に、目的変数と各説明変数について詳細を説明する。

先ず、目的変数には予測日の来店客数を用いる。次に、説明変数について説明する。来店客は決まった曜日に周期的に訪れる傾向にある。また、一般には休日の来店客数は平日よりも多くなる。一方、駅前の店舗では、仕事帰りの買い物客が多いので、逆に平日のほうが休日よりも来店客数が多くなることがある。また、毎週特定の曜日にセールをやる店舗はもちろん曜日ごとに特定の来客パターンができる。そこで説明変数に曜日を採用する。これにより曜日ごとの傾向を表現することが可能となる。曜日はダミー変数とする。ここでダミー変数は、ある変数に対して、その変数が取りうる種類分だけ新たに変数を設け、その新たに設けた変数を“０”と“１”で表すものである。

商圏人口は大まかな来店客数を判断するのに有用な情報である。商圏人口としては、地図情報に道路や建築物、家庭人口などを合わせた地図情報システムから得られる商圏人口を使うことも考えられるが、地図情報システムの構築には費用と時間がかかるという欠点がある。また店舗が所在する役所が発行する店舗を含む地域の人口データを利用することも考えられるが、これら人口データが店舗商圏と必ずしも一致するとはかぎらず、またこれら人口データは月ごとなどで更新されるため、予測をする１ヶ月以内の直近の上昇・下降のトレンドを捉えることが出来ないという欠点を持つ。

そこで商圏人口の代わりに、客数データとして店舗サーバ１の記録部１５のテーブルＴに保存されている過去の来店客数を説明変数に用いる。来店客数には七日間（１週間）の周期があるので、目的変数の対象となる予測日の前日から七日前までの平均を用いる。このように予測日の前日から七日前までの来店客数の平均を用いることで、商圏人口に代わる大まかな来店客数を判断する有用な情報が得られる。また予測をする直近の来店客数の上昇・下降のトレンドを捉えることも可能となる。

ここで平均値は相加平均を用いるが、重み付き平均でもよい。例えば、七日前の同じ曜日の来店客数は、他の曜日よりも予測日と関係があると考えられるので、他の日よりも大きな重みをつけて平均値を求める。この場合、重みはユーザの経験に基づいて決められる。

天候も来店客数の変動の重要な要因である。特に雨の影響が大きく、営業時間内に雨が降ると、来店客数は一般に減少する。雨が多ければ多いほど、来店客数の変動も大きくなる。ただし、降水量に比例してそのまま客数に影響するわけではない。例えば、降水量が２ｍｍから４ｍｍに倍増しても、来店客が半分になるわけではない。そこで、降水量は適当な範囲で区切って（すなわち、不均一に区切って）離散化する。例として、降水量を、降らない、小雨、弱い雨、強い雨の４段階に区分する。それぞれの範囲を０ｍｍ、１〜５ｍｍ、６〜１５ｍｍ、１６ｍｍ以上、として、小さいほうから順に“０”、“１”、“２”、“３”と数値を割り当てる。このように離散化したデータを説明変数とする。降水量を離散化することで、降水量が客の来店に与える影響を適正に考慮した予測が可能となる。区分の方法、上記の４区分以外でも良く、離散値“１”は傘を必要としない降水量と定義してもよい。店舗サーバ１のユーザは、上述したように入力部１７を用いて降水量の範囲と対応する言葉を選択して降水量を入力するようにしても良いし、
以上より、目的変数には予測日の来店客数、説明変数には、曜日、予測日より前七日間の来店客数の平均、降水量の三つを用いる。来店客数変動の要因として他にも地域行事や、広告、競合他店の動向などが考えられ、これらを考慮した重回帰式に拡張しても良い。

次に、店舗サーバ１が実行する来店客数の予測方法について説明する。図６は、来店客数を予測するための来店客数予測処理を示すフローチャートである。この処理は、入力部によって当該処理を開始するための指示がなされると開始される。

店舗サーバ１は、表示部１６に表示した予測処理を実行させるための画面からユーザにより入力部１７が操作され入力された予測日を取得し（Ｓ２０１）、予測日の予測降水量を取得する（Ｓ２０２）。ここで予想降水量は上記予測処理を実行させるための画面にユーザが数値として、又は離散化後のデータ”０、“１”、“２”、“３”を入力することにより店舗サーバ１が予測降水量を取得するようにしても良いし、また、離散化後のデータを言葉で置き換えた、“降らない”、“小雨”、“弱い雨”、“強い雨”を選択入力することにより店舗サーバ１が予測降水量を取得するようにしても良い。さらに、予測降水量は通信制御部１４からネットワーク３上に存在する予測降水量を提供するサーバから取得するようにしても良い。

次に店舗サーバ１は、記録部１５のテーブルＴから取得した予測日より過去３６５日間の客数データを取得する（Ｓ２０３）。なお、このとき取得される客数データは、３６５日間の客数データに限るものではない。

そして、店舗サーバ１は、予測日が特異日のある週であるか否かを判定する（Ｓ２０４，判定手段）。すなわち、予測日が含まれる月曜日から日曜日までの１週間に特異日があるか否かを判定する。図７は、予測日が含まれる１週間に特異日がない場合を説明するための図である。図７に示すように、例えば、予測日を２００５年１０月１９日とすると、１０月１９日（水曜日）が特異日ではなく、さらに、１０月１９日を含む１週間である１０月１７日（月曜日）、１０月１８日（火曜日）、１０月２０日（木曜日）、１０月２１日（金曜日）、１０月２２日（土曜日）、１０月２３日（日曜日）に特異日が含まれないかが判定される。この判定は、ステップＳ２０３で取得した客数データを参照して行なわれる。

店舗サーバ１は、予測日が特異日のある週でないと判定すると、すなわち、予測日が特異日でなく、かつ、予測日が含まれる１週間に特異日がない場合は（Ｓ２０４でＮＯ）、特異日のない週の日から重回帰式を求める（Ｓ２０５，集計手段の１つ）。つまり、店舗サーバ１は、ステップＳ２０３で取得した客数データから特異日と１週間内に特異日を含まない週の日のデータを除いた客数データを用いて、重回帰式を算出する。

ここで特異日のない週から重回帰式の求め方（Ｓ２０５）について図８のサブフローチャートを使い説明する。店舗サーバ１はステップＳ２０３で取得した客数データから特異日でない日のデータと、１週間内に特異日を含まない週の日のデータを、予測実行日に近いものから所定日数分取得する（Ｓ３０１）。すなわち特異日項目が“０”のデータと１週間内に特異日項目が“０”でない日を含まない週の日のデータを記録部１５のテーブルＴから取得する。なお、取得される所定日数分のデータは、作成される重回帰式の精度を考慮すると５０日（８週）以上であることが望ましい。次に店舗サーバ１は所定日数分の各客数データについて、それぞれ前七日間の平均客数を計算する（Ｓ３０２）。ここで前七日間に特異日により除かれたデータがある場合は、さらにその前の日のデータを用いて計算する。次に店舗サーバ１は所定日数分の客数データの曜日、降水量、前七日間平均客数を説明変数として、実際の来店客数の実績値を目的変数として重回帰分析を行い、重回帰式を求める（Ｓ３０３）。ここで曜日はダミー変数として、降水量は前述した離散化したデータに変換したものを使用する。

このようにして重回帰式を求めると（Ｓ２０５）、店舗サーバ１は、予測を行う予測実行日と予測対象の予測日が連続していないかを判定する（Ｓ２０６）。予測実行日と予測日が連続している、すなわち予測日が予測実行日の翌日の場合は（Ｓ２０６でＮＯ）、予測日の前七日間の平均客数をもとめ、ステップＳ３０３で作成された重回帰式に、予測日の曜日、ステップ２０２で取得した予測降水量、予測日の前七日間平均客数を代入して予測値を計算する（Ｓ２０７）。予測結果は記録部１５のテーブルＴに客数データの予測値項目として保存すると同時に、表示部１６を介して表示を行う（Ｓ２０８）。図９は、このようにして表示部１６に表示された予測結果の一例を示す図であり、２００５年１２月１１日（日曜日）の予測結果を示している。図９に示すように、予測結果はその日までの予測値と併せて過去の予測値を折れ線グラフにして表示しても、予測日の予測値だけを表示するようにしても良い。

一方、予測実行日と予測日が連続していないと判定すると（Ｓ２０６でＹＥＳ）、予測日まで予測来店客数を計算して予測日の予測来店客数を求める処理を行なう（２０９）。すなわち、予測日の予測値を求めるために必要な前七日間の平均客数を計算することができないため、まずは予測実行日と予測日の間の日の客数を予測し、そして求めた予測実行日と予測日の間の日の予測値を仮の客数実績値として、予測日の前七日間平均をもとめた後に、客数予測を行う。なお、図１０（ａ）は、予測実行日と予測日が連続していない場合を説明するための図である。図１０に示すように、予測実行日が１０月１６日であるのに対して予測日が１０月１９日であるため、予測実行日と予測日が連続していない。

ここで、ステップＳ２０９の処理を図１１のサブフローチャートを使い説明する。先ず、店舗サーバ１は、予測実行日の翌日が予測日か否かを判定する（Ｓ４０１）。予測実行日の翌日が予測日でない場合は（Ｓ４０１でＮＯ）、前七日間平均客数をもとめた後、Ｓ３０３で作成した重回帰式から予測客数をもとめ、その値をその日の仮の客数実績値とする（Ｓ４０２）。ここで降水量に関しては“０”、すなわち雨が降らないとしても良いし、新たに予想降水量を取得するようにしても良い。ステップＳ４０２処理の後、再びステップＳ４０１の処理へ戻り、ステップＳ４０２処理により求めた日の翌日が予測日かを判定する。

予測実行日の翌日が予測である場合は（Ｓ４０１でＹＥＳ）、店舗サーバ１は、ステップＳ４０２で求めた仮の客数実績値も含めて、その予測日の前七日間の客数平均をもとめ、かつステップＳ３０３で作成した重回帰式（予測式）を使い、客数を予測する（Ｓ４０３）。このように予測実行日の翌日から順番に客数の予測を実行していき、もとめた客数予測値を仮の客数実績値とする。そして仮の客数実績値をもちいて予測日の前七日間平均客数をもとめて、予測日の客数を予測する。

また図１０（ｂ）に示すように予測実行日と予測日の間に特異日を含む場合についても、ステップＳ３０３で作成した特異日を含まないデータで作成した重回帰式を使って仮の客数予測値を求める。

店舗サーバ１は、このようにして求められた予測結果を、記録部１５のテーブルＴに客数データの予測値項目として保存すると同時に、表示部１６を介して表示を行う（Ｓ２０８）。

一方、店舗サーバ１は、予測日が特異日のある週であると判定すると、すなわち、予測日が特異日か、又は予測日が含まれる１週間に特異日がある場合は（Ｓ２０４でＹＥＳ）、店舗サーバ１は予測日の特異日と同じ種類の特異日であるか、予測日の特異日と同じ種類の特異日と同じ週にある客数データを記録部１５のテーブルＴから取得して、重回帰分析を行い、重回帰式をもとめる（Ｓ２１０）。なお、図１２は、予測日が特異日または特異日を含む週にある場合を説明するための図である。図１２（ａ）は、予測日が特異日の場合を示しており、図１２（ｂ）は予測日の週に特異日が含まれる場合を示している。

ここで特異日を含む週の日の客数データから重回帰式の求め方（Ｓ２１０，集計手段の１つ）について図１３のサブフローチャートを使い説明する。

店舗サーバ１はステップＳ２０３で取得した客数データから、予測日と同じ種類の特異日、または予測日と同じ種類の特異日を週内に含む客数データを全て取得する（Ｓ５０１）。すなわち予測日の特異日のエリアの種類と同じ種類のデータを持つ特異日のデータと、予測日の特異日のエリアの種類と同じ種類のデータを持つ特異日を週内に含む週の日のデータを取得する。次に店舗サーバ１は取得した客数データ数が所定数より大きいか否かを判定する（Ｓ５０２）。取得したデータ数が所定数以下の場合は（Ｓ５０２でＮＯ）、データ数が少ないという警告を、表示部１６を介して発する（Ｓ５０３）。ここでは例えば所定数は２０とする。またデータ数が少ない場合は警告を発した後で処理を終了させるようにしても良い。またデータ数が少なくとも警告を発せず処理を続けても良い。次に店舗サーバ１はステップＳ５０１で取得した客数データについて、それぞれ前七日間の平均客数を計算する（Ｓ５０４）。そして、店舗サーバ１はステップＳ５０１で取得した客数データの曜日、降水量、前七日間平均客数を説明変数として、同じくステップＳ５０１で取得した来店客数の実績値を目的変数として重回帰分析を行い、重回帰式を求める（Ｓ５０５）。ここで曜日はダミー変数として、降水量は前述した離散化したデータに変換したものを使用する。

このようにして重回帰式を求めると（Ｓ２１０）、店舗サーバ１は予測日と予測実行日が連続していないか否かを判定する（Ｓ２１１）。ここで予測日が予測実行日と連続している、すなわち予測日が予測実行日の翌日の場合は（Ｓ２１１でＮＯ）、予測日の前七日間の平均客数をもとめ、ステップＳ５０５で作成された特異日用の重回帰式に予測日の曜日、離散化した予測降水量、前七日間平均客数を代入して予測値を求める（Ｓ２１２，予測手段の１つ）。このようにして求められた予測結果は記録部１５のテーブルＴに客数データの予測値項目として保存すると同時に、表示部１６を介して例えば図９で示す表示を行う（Ｓ２０８）。

したがって、特異日である予測日または週内に特異日を持つ予測日の予測に、同じ種類の特異日の客数データと同じ種類の特異日を週内に持つ日の客数データを使って重回帰式をもとめることで、通常とは異なる特異日が与える客数の傾向を週単位で捉えることが可能となる。

また、予測実行日と予測日が図１０（ａ）に示すように連続していない場合（Ｓ２１１でＹＥＳ）、店舗サーバ１は、予測実行日と予測日の間に、予測日とは異なる週が含まれるか否かを判定する（Ｓ２１３）。図１４は、予測実行日と予測日との関係を示す図である。図１４（ａ）は、予測実行日と予測日との間にある日は予測日と同じ週である場合を示しており、図１４（ｂ）は、予測実行日と予測日との間に予測日とは異なる週がある場合を示している。

図１４（ａ）に示すように、予測実行日と予測日の間に、予測日と同じ週しか存在しない場合は（Ｓ２１３でＮＯ）、予測日の予測値を求めるために必要な前七日間の平均客数を計算することができないため、まずは予測実行日と予測日の間の日の客数を予測し、そして求めた予測実行日と予測日の間の日の予測値を仮の客数実績値として、予測日の前七日間平均をもとめた後に、客数予測を行い、予測来店客数を求める（Ｓ２１４，予測手段の１つ）。ここで、ステップＳ２１４の処理はステップＳ２０９の処理と同じ処理であり、図１１のサブフローチャートと同様の処理を行なうが、ステップＳ３０３で作成した重回帰式の代わりにステップＳ５０５で作成した特異日用の重回帰式を用いて予測日の客数を予測する。このようにして求められた予測結果は記録部１５のテーブルＴに客数データの予測値項目として保存すると同時に、表示部１６を介して例えば図９で示す表示を行う（Ｓ２０８）。

ここＳ２１４の処理において、予測実行日と予測日の間の期間の客数予測（Ｓ４０１、Ｓ４０２）は、ステップＳ５０５で作成した特異日用の重回帰式を用いるのは、これら予測実行日と予測日の間の日は特異日と同じ週にあり、特異日特有の影響を受けているためである。

図１４（ｂ）に示すように、予測実行日と予測日の間に予測日と異なる週が存在する場合は（Ｓ２１３でＹＥＳ）、店舗サーバ１は予測日を含まない週のデータの仮の予測値を求めるためにステップＳ２０３で取得した客数データから特異日と特異日を含む週の日のデータを除いた客数データを使い、重回帰式を求める（Ｓ２１５）。ここで、ステップＳ２１５の処理はステップＳ２０５の処理と同じ処理であり、図８のサブフローチャートと同様の処理を行なう。なお、予測日とは異なる週に特異日が含まれていても、特異日と特異日を含む週の日を除いた客数データをもちいて重回帰式を求める。

このようにして重回帰式を求めると（Ｓ２１５）、予測日まで予測来店客数を計算して予測日の予測来店客数を求める処理を行なう（Ｓ２１６，予測手段の１つ）。

ここで、ステップＳ２１６の予測来店客数を求める処理を図１５に示すサブフローチャートを使い説明する。先ず、店舗サーバ１は、予測実行日の翌日が予測日か否かを判定する（Ｓ６０１）。ここで予測実行日の翌日が予測日でない場合は（Ｓ６０１でＮＯ）、翌日が予測日と同じ週か否かを判定する（Ｓ６０２）。ここで予測実行日の翌日が予測日と同じ週でない場合は（Ｓ６０２でＮＯ）、前七日間平均客数をもとめた後、ステップＳ３０３で作成した重回帰式（特異日がない場合の重回帰式）から予測客数をもとめ、その値をその日の仮の客数実績値とする（Ｓ６０３）。ここで降水量に関しては“０”、すなわち雨が降らないとしても良いし、新たに予想降水量を取得するようにしても良い。このステップＳ６０３の処理が終了すると、ステップＳ６０１の処理へ戻り、再びその翌日が予測日か否かを判定する。また、予測実行日の翌日が予測日と同じ週である場合（Ｓ６０２でＹＥＳ）、前七日間の平均客数をもとめてからステップＳ５０５で作成した重回帰式（特異日用の重回帰式）を用いて客数の予測を行う（Ｓ６０４）。ここで降水量に関しては“０”、すなわち雨が降らないとしても良いし、新たに予想降水量を取得するようにしても良い。このステップＳ６０４の処理が終了すると、ステップＳ６０１の処理へ戻り、再びその翌日が予測日かを判定する。

一方、予測実行日の翌日が予測日である場合（Ｓ６０１でＹＥＳ）、ステップＳ６０３，Ｓ６０４の処理で求めた仮の客数実績値も含めて前七日間の平均客数をもとめてからステップＳ５０５で作成した特異日用の重回帰式を用いて客数の予測を行う（Ｓ６０５）。降水量は例えばステップＳ２０２で取得したものを離散化したデータを使用する。

このように予測実行日の翌日から順番に客数の予測を実行していき、もとめた客数予測値を仮の客数実績値とする。そして仮の客数実績値をもちいて予測日の前七日間平均客数をもとめて予測日の客数を予測する。このようにして求められた予測結果は記録部１５のテーブルＴに客数データの予測値項目として保存すると同時に、表示部を介して例えば図９で示す表示を行う（Ｓ２０８）。

また、予測実行日と予測日の間に特異日を含む週がある場合についても、その特異日を含む週が予測日の含まれる週と異なる場合は、特異日を含まないデータで作成した重回帰式を使って仮の客数予測値を求める。

ここで、予測客数と実績値が大きく異なる場合を考える。すなわち、実際の来店客数に突発的な大きな変動が起こった場合に実際の来店客数を次の予測に活用すると、その後の予測値が大きく狂う可能性があるため、これら来店客数は予測に用いないほうが良い。そこで、実際の客数の値から前七日間の平均を求めるときに、実際の客数と予測値の差が、ユーザが指定する閾値以上であった場合、その週の客数データは計算には用いないようにする。または、平均値を求めるときに、実際の客数を使わずに、そのときの予測値を使うようにする。以下では、実際の客数と予測値の差が、ユーザが指定する閾値以上であった場合、その週の客数データは計算には用いないようにする場合について説明する。

予測値と実際の客数の比較を、店舗サーバ１がＰＯＳデータを記録部１５に記録する際に行う処理を図１６のフローチャートを使い説明する。
ステップＳ７０１及びＳ７０２の処理は、ステップＳ１０１及びＳ１０２とそれぞれ同様な処理であるため説明を省略する。店舗サーバ１は、ステップＳ７０２で集計した実際の客数と記録部１５に記録されているステップＳ７０２で集計した客数と同じ日付の予測値とを比較することにより、予測値と実際の客数との誤差の絶対値が所定値以上かどうか調べる（Ｓ７０３）。ここでは所定値として、１０００を用いる。すなわち、来店客数と予測来店客数とに１０００人以上の差があった場合のデータを用いないようにする。

次に店舗サーバ１は実際の来店客数に、ＰＯＳデータから取得した日付と曜日、入力部１７から取得した営業時間内の降水量と、ステップＳ７０３の比較結果を併せて、図１７に示す記録部１５内の表形式のテーブルＴ´に客数データとして保存する（Ｓ７０４）。図１７は、図５で説明したテーブルＴに日付に対応させて誤差のエリアを設けたテーブルＴ´を示す図である。ステップＳ７０４の比較結果は例えば誤差が１０００以上の場合は“１”、誤差が１０００未満である場合は“０”としてテーブルＴ´の誤差のエリアに記録される。

このように実際の客数と過去に行われた予測値とを比較した結果を客数データに加えることで、例えば店舗サーバ１はステップＳＴ２０３の処理で記録部１５から客数データを取得する際に、誤差のエリアが“０”、すなわち予測値と実際の客数の誤差が１０００未満の客数データだけを取得することができる。また、店舗サーバ１が客数データを週単位で取得する場合は、週内のデータに誤差項目が１つでも“１”がある場合はその週すべてのデータを除外した客数データを取得することが可能となる。または、店舗サーバ１は誤差のエリアが“１”のものは実際のデータの代わりに予測値を取得するようにしても良い。この場合も店舗サーバ１が客数データを週単位で取得する場合は、週内のデータに誤差のエリアが１つでも“１”がある場合は、その週すべてに対して予測値データを取得するようにしても良い。

予測値が実際の客数と比べて大きく異なる原因は、予想に用いた降水量と実際の降水量が大きく異なったとか、特異日として設定した以外の地域行事が行われたとか、猛暑であったとかなどの影響が考えられる。このような来客数に与える影響がその日限りの要因の場合は、その要因をその後の予測に影響しないようにする必要がある。そのためこれら影響を受けたと考えられる、すなわち予測値との誤差が１０００以上の実際の客数は予測に使用しないようにすることで、予測精度を向上させることができる。

また予測値と実際の客数が大きく異なった要因が競合他店など、影響がその日限りでなく、継続して続く場合は、これら影響をその後の予測に入れる必要があるため、誤差が１０００以上でも実際の客数を用いて予測を行う。

予測値と実際の客数の誤差が大きくなった要因がその日限りか、その後も継続するかは、客数データ内の誤差要因で“１”の値が所定日数以上続くかどうで判断できる。ここでは例えば所定日数として“７”を用いる
次に客数予測値と実績値の誤差が大きい場合の客数データの取得する処理について、図１８に示すフローチャートを使って説明する。この処理は、ステップＳ２０３の処理の代わりに行うものである。

最初に店舗サーバ１は予測実行日より過去のデータを１週間分読み込む（Ｓ８０１）。そして、誤差があるか否かを、すなわち読み込んだ１週間分のデータの誤差のエリアが“１”である日が含まれているか否かを判定する（Ｓ８０２）。誤差がないと判定したとき、すなわち、１週間分のデータの誤差のエリアが“１”である日が１つもなかったら（Ｓ８０２でＮＯ）、読み込んだ１週間分のデータを取得データに加える（Ｓ８０３）。このように読み込んだ週を取得データに加えると、取得データ数が所定数（例えば、３６５）以上か否かを判定する（Ｓ８０４）。所定数以上でないと判定すると（Ｓ８０４でＮＯ）、ステップＳ８０１の処理へ戻る。

また、誤差があると判定したとき、すなわち、１週間分のデータの誤差のエリアが“１”である日が１つ以上あったならば（Ｓ８０２でＹＥＳ）、“１”となっている誤差のエリアが所定数以上連続しているかを判定する（Ｓ８０５）。誤差のエリアが“１”の日が所定数以上連続するなら（Ｓ８０５でＹＥＳ）、ステップＳ８０３の処理へ戻り、この週は取得データに追加する（Ｓ８０３）。ここでは所定数として例えば７を用いる。すなわち、連続７日以上続いた場合は、誤差ではなく影響が継続する場合であると考えられるからである。

所定数以上連続しない場合は（Ｓ８０５でＮＯ）、前後の週につながる日、すなわち週の端である初日と最終日のいずれかまたは両方の誤差のエリアが“１”であるかを判定する（Ｓ８０６）。もし週の端に誤差項目が“１”の日がなかったら、読み込んだ週は取得せず、ステップＳ８０１の処理へ戻り、次の１週間分のデータを読み込む（Ｓ８０１）。

週の端に誤差のエリアが“１”である日があるときは（Ｓ８０６でＹＥＳ）、その日に続く日を順次見ていき、誤差のエリアが“１”の日が連続しているかを判定する（Ｓ８０８）。この所定数も上記場合と同様に、例えば７とする。誤差が所定数以上連続している場合には（Ｓ８０８でＹＥＳ）、この週のデータを取得する（Ｓ８０３）。所定数以上連続していないなら（Ｓ８０８でＮＯ）、この週のデータは取得せず、ステップＳ８０１の処理へ戻る。

一方、ステップＳ８０４において、店舗サーバ１は取得データが所定数以上であると判定すると（Ｓ８０４でＹＥＳ）、予測実行日から日付の近い所定数のデータを取得データとする（Ｓ８０９）。

図１９は、予測実行日以前の誤差のエリアに記憶されたデータだけを時系列順に並べたものである。どのような週を取得するかをこの図１９を参照して説明する。ここで所定数としての誤差の連続数は７とする。先ず、予測実行日を含む最初の週（ａ）は、誤差を含まないので、そのまま取得する。週（ｂ）は週内に７以上の誤差はないが、週（ｃ）にまたがって誤差が７以上連続しているので、この週は取得する。週（ｃ）は週内に誤差のある日が７以上あるので、取得する。週（ｄ）は、誤差はあるが７以上連続せず、前後の週に連続していないので、この週は取得しない。

ＰＯＳデータは記録部１５のテーブルＴ´に時系列で記録されているため説明変数にデータを用いた場合に、重回帰式を作成する際に誤差（異常値）があると判断された場合は、誤差と判定されなかったＰＯＳデータ（当初利用予定のＰＯＳデータを時間的に遡ったＰＯＳデータ）を用意する必要があるが、時系列で保存されているデータはデータの時間的な並びが重要であり、時間的に遡ったデータを用いると、すなわち、予測日より時間的に離れたデータを用いると予測精度が悪くなる可能性がある。しかしながら、この実施の形態によると、予測来店客数と実績来店客数の誤差を判定し、また、その誤差が所定数以上連続している場合には、実績来店客数に基づいて予測を行なうことにより、説明変数に用いるＰＯＳデータに誤差があるか否かを簡単にかつ柔軟に判定することができ、ＰＯＳデータに誤差があると判定した場合にも、予測精度を落とさないようにすることができる。

すなわち、所定数以上誤差が連続している場合は、その週のデータを取得することにより大きな誤差があっても長期的なトレンドを示すような週のデータを取得することが出来る。

上述のように予測した予測結果である来店客数は、例えば仕入れ担当者が商品の発注数量を決める際に参考にすることができ、また、パート・アルバイトなど、スタッフのシフト管理の参考にもできる。

本実施の形態では装置内部に発明を実施する機能が予め記録されている場合で説明したが、これに限らず同様の機能をネットワークから装置にダウンロードしても良いし、同様の機能を記録媒体に記憶させたものを装置にインストールしても良い。記録媒体としては、ＣＤ−ＲＯＭ等プログラムを記憶でき、かつ、装置が読取り可能な記録媒体であれば、その形態は何れの形態であっても良い。またこのように、予めインストールやダウンロードにより得る機能は装置内部のオペレーティングシステム（ＯＳ）等と協同してその機能を実現させるものであっても良い。

なお、本発明は、上述した実施の形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できるものである。

本発明の実施の形態におけるネットワークシステムを概略的に示す図。 同実施の形態における店舗サーバの要部構成を示すブロック図。 同実施の形態におけるＰＯＳ端末装置の要部構成を示すブロック図。 同実施の形態におけるＰＯＳデータ取得処理を示すフローチャート。 同実施の形態における客数データを示すテーブル。 同実施の形態における来店客数予測処理を示すフローチャート。 同実施の形態における予測日が含まれる１週間に特異日がない場合を説明するための図。 同実施の形態におけるステップＳ２０５のサブフローチャート。 同実施の形態における予測結果の表示例を示す図。 同実施の形態における予測実行日と予測日の関係を示す図。 同実施の形態におけるステップＳ２０９のサブフローチャート 同実施の形態における予測日が特異日または特異日を含む週にある場合を説明するための図。 同実施の形態におけるステップＳ２１０のサブフローチャート。 同実施の形態における予測実行日と予測日との関係を示す図。 同実施の形態におけるステップＳ２１６のサブフローチャート。 同実施の形態におけるＰＯＳデータを記録部に記録する処理を示すフローチャート。 同実施の形態における記録部に記録される客数データを示すテーブル。 同実施の形態における客数予測値と実績値の誤差が大きい場合の客数データを取得する処理を示すフローチャート。 同実施の形態における予測実行日以前の誤差のエリアに記憶されたデータだけを時系列順に並べた図。

符号の説明

１…店舗サーバ、２…ＰＯＳ端末装置、３…ネットワーク、１１，２１…ＣＰＵ、１２，２２…ＲＯＭ、１３，２３…ＲＡＭ、１４，２４…通信制御部、１５，２５…記録部、１６，２６…表示部、１７，２７…入力部、１８，２９…時計部、２８…バーコード接続部、Ｔ，Ｔ´…テーブル

Claims (5)

1. 売上げに関する売上情報を記憶するＰＯＳ端末装置から実績来店客数を取得する取得手段と、
   この取得手段で取得した実績来店客数に特異日を設定して時系列順に保存する保存手段と、
   予測対象日を含む所定期間内に特異日があるかを判定する判定手段と、
   この判定手段で特異日があると判定すると、特異日として設定された日の実績来店客数と前記特異日と設定された日と同じ日を含む所定期間の実績来店客数とに基づいて予測対象日の来店客数を予測する予測手段とを具備することを特徴とする来店客数予測サーバ。
2. 前記予測対象日を含む所定期間内に特異日があるか否かで前記保存手段に保存された実績来店客数を別に集計する集計手段をさらに具備し、
   前記予測手段は、前記集計手段で前記所定期間内に特異日がある場合に集計された実績来店客数を用いて予測対象日の来店客数を予測することを特徴とする請求項１記載の来店客数予測サーバ。
3. 前記所定期間は、１週間であることを特徴とする請求項１又は２記載の来店客数予測サーバ。
4. コンピュータに、
   売上げに関する売上情報を記憶するＰＯＳ端末装置から実績来店客数を取得させる取得機能と、
   この取得機能で取得させた実績来店客数に特異日を設定して時系列順に保存させる保存機能と、
   予測対象日を含む所定期間内に特異日があるかを判定させる判定機能と、
   この判定機能手段で特異日があると判定させると、特異日として設定された日の実績来店客数と前記特異日と設定された日と同じ日を含む所定期間の実績来店客数とに基づいて予測対象日の来店客数を予測させる予測機能とを実現させる来店客数予測プログラム。
5. 前記予測対象日を含む所定期間内に特異日があるか否かで前記保存機能に保存させた実績来店客数を別に集計させる集計機能とを実現させ、
   前記予測機能は、前記集計機能で前記所定期間内に特異日がある場合に集計させた実績来店客数を用いて予測対象日の来店客数を予測する請求項４記載の来店客数予測プログラム。

Images