JP2007316758A - 来店客数予測サーバ及び来店客数予測プログラム - Google Patents
来店客数予測サーバ及び来店客数予測プログラム Download PDFInfo
- Publication number
- JP2007316758A JP2007316758A JP2006143130A JP2006143130A JP2007316758A JP 2007316758 A JP2007316758 A JP 2007316758A JP 2006143130 A JP2006143130 A JP 2006143130A JP 2006143130 A JP2006143130 A JP 2006143130A JP 2007316758 A JP2007316758 A JP 2007316758A
- Authority
- JP
- Japan
- Prior art keywords
- predicted
- information
- precipitation
- visitor number
- store
- 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】店舗において、降水量が与える影響を所定の時間単位に考慮して時間帯毎の来店客数の予測を行うことを目的とする。
【解決手段】各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報が格納された来店客数テーブルを備え、予測日の時間帯毎の降水量の予測値を示す予測降水量情報を取得し(S201)、前記予測降水量情報と実績降水量情報と実績来店客数情報とに基づいて予測日の時間帯毎の来店客数の予測値を示す予測来店客数を計算する(S208)。
【選択図】 図6
【解決手段】各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報が格納された来店客数テーブルを備え、予測日の時間帯毎の降水量の予測値を示す予測降水量情報を取得し(S201)、前記予測降水量情報と実績降水量情報と実績来店客数情報とに基づいて予測日の時間帯毎の来店客数の予測値を示す予測来店客数を計算する(S208)。
【選択図】 図6
Description
本発明は、降水量から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。
店舗における商品の販売量は、来店客数に大きく影響される。そこで、店舗において商品の仕入れや店員のスケジュール管理を行う際に、来店客数を予測する必要があった。
例えば、特許文献1に示されるように、店舗にて来店客数を予測する際に、営業月、曜日、広告の有無、天候等が用いて重回帰分析を行う手法が提案されてきた。
特開平4−596号公報
天候等のデータを用いて来店客数の予測を行った場合には、天候が「雨」であっても、小降りであるか大雨であるかによって来店客数が変動するのに対し、雨が降ったか降らなかったかによる分析しか行えず、具体的な降水量が来店客数に与える影響を所定の時間単位に分析できないという問題があった。
すなわち、営業月、曜日、広告の有無、天候等を用いて来店客数の予測を行った場合には、1日単位での来店客数の予測はできても、所定時間帯毎の来店客数の予測はできないという問題があった。
本発明は、上記課題を鑑みなされたもので、店舗において、降水量が与える影響を所定の時間単位に考慮して時間帯毎の来店客数の予測を行うことを目的とする。
上記課題を解決するために、本発明に係る来店客数予測サーバは、各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報が格納された来店客数テーブルと、予測日の時間帯毎の降水量の予測値を示す予測降水量情報を取得する予測降水量取得手段と、前記予測降水量情報と実績降水量情報と実績来店客数情報とに基づいて予測日の時間帯毎の来店客数の予測値を示す予測来店客数を計算する予測来店客数計算手段とを備えたことを特徴とする。
本発明に係る来店客数予測サーバ及び来店客数予測プログラムによると、店舗において、降水量による影響を所定の時間単位に考慮した時間帯毎の来店客数の予測が可能となる。
本発明に係る来店客数予測サーバの実施形態について、添付図面に基づいて説明する。
図1は、本発明に係る来店客数予測サーバ1が適用される来店客数予測システム2のシステム構成図である。
来店客数予測システム2は、図1に示すように、店舗に設置されて販売実績情報を収集するPOS(Point of Sales)レジ3と、POSレジ3が収集した販売実績情報に基づいて来店客数の予測を行う来店客数予測サーバ1と、来店客数予測サーバ1及びPOSレジ3を通信可能に接続するWAN(Wide Area Network)、インターネット、LAN(Local Area Network)等のネットワーク4とから構成される。
来店客数予測サーバ1は、図2に示すように、データ制御や演算等を行うCPU(Central Processing Unit)5と、CPUの処理に必要なデータを一時的に記憶するRAM(Random Access Memory)6と、CPU5の処理に必要な処理プログラム等のデータを長期的に記録するROM(Read Only Memory)7と、ネットワーク4を介したデータの送受信を制御する通信制御部8と、CPU5の処理に用いるデータを記録するハードディスク等の記憶部9と、ディスプレイ等の表示装置への表示制御を行う表示部10と、マウスやキーボード等の入力装置からの入力制御を行う入力部11と、時刻を計時し日時情報を生成する時計部12とを備える。
なお、来店客数予測サーバ1の記憶部9は、図3に示すような来店客数テーブルT1を保持する。来店客数テーブルT1には、営業日の日付情報T2、営業日の曜日情報T3、営業日が特異日であるか否かを示す特異日情報T4、各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報T5、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報T6、各日付の時間帯毎の来店客数の予測値を示す予測来店客数情報T7、実績来店客数と予測来店客数との誤差を示す誤差情報T8が格納されている。
特異日とは、連続休暇等の通常の日とは来店客数の傾向が異なる日であり、祭日や正月休み、ゴールデンウィーク、お盆、クリスマス、大晦日、その他の三日以上連続する休暇等に加え、台風、大雪等の異常気象の日が含まれる。
特異日を含む週は、週全体の来店客数の傾向が変わるため、通常の週とは分けて考える必要がある。そこで、来店客数予測サーバ1の記憶部9に、例えば特異日でない通常の日を0として正月休みを1、ゴールデンウィークを2、・・・とした特異日データが、予め各日付毎に対応付けられて記録されている。
なお、特異日データの割り当て方はこれに限らず、来店客数の増減を投影するものであれば良く、特異日でない通常の日を0とし、正月休み等の連続休暇を全て1、台風などの異常気象の日を全て2とする等、任意に設定して良い。
POSレジ3は、図4に示すように、データ制御や演算等を行うCPU13と、CPU13の処理に必要なデータを一時的に記憶するRAM14と、CPU13の処理に必要な処理プログラム等のデータを長期的に記録するROM15と、ネットワーク4を介したデータの送受信を制御する通信制御部16と、販売実績情報等を記録するハードディスク等の記憶部17と、ディスプレイ等の表示装置への表示制御を行う表示部18と、キーボード等の入力装置からの入力制御を行う入力部19と、外部接続された図示しないバーコードリーダからの入力制御を行うバーコード接続部20とを備える。
POSレジ3において入力部19やバーコードリーダ接続部20により入力された情報は、販売実績情報としてPOSレジ3の記憶部17に記録されるとともに、来店客数予測サーバ1からの指示により、あるいは定期的に、来店客数予測サーバ1に送信される。販売実績情報を受信した来店客数予測サーバ1は、販売実績情報を来店客数情報として記憶部17に記録する。
来店客数予測サーバ1がPOSレジ3から販売実績情報を受信して来店客数情報として記録する手順を、図5のフローチャートに基づいて説明する。
始めに、来店客数予測サーバ1がPOSレジ3に対して販売実績情報を要求する(S101)と、POSレジ3は来店客数予測サーバ1に対して、その日にPOSレジ3を通過した人数である来店客数データを含んだ販売実績情報を送信する(S102)。
また、来店客数予測サーバ1は、時計部12からその日の日付情報、曜日情報を取得する(S103)。
来店客数予測サーバ1は、販売実績情報の来店客数データと、日付情報及び曜日情報とを集計して時間帯毎の来店客数を計算し、実績来店客数情報とする(S104)。
次に、来店客数予測サーバ1は、店員に時間帯毎の降水量の入力を促す画面を表示して、入力されたデータをその日の時間帯毎の降水量データとして取得する(S105)。
来店客数予測サーバ1は、入力された降水量を例えば「0:0mm/時間」、「1:1〜5mm/時間」、「2:6〜10mm/時間」、「3:11mm/時間〜」のような複数の不均一に離散化された値に分類して、実績降水量情報とする(S106)。
来店客数予測サーバ1は、S103で取得した日付情報、曜日情報と、S104で作成した時間帯毎の実績来店客数情報と、S106で作成した時間帯毎の実績降水量情報とをそれぞれ対応付けて、来店客数予測サーバ1の記憶部9の来店客数テーブルT1に来店客数情報として記録する(S107)。
なお、降水量を記録する際に、店員に実際の降水量を入力させて来店客数予告サーバ1がその値を離散化する方法を示したが、これに限らず、予め離散化された値である「0」、「1」、「2」、「3」を店員に入力させてもよく、その際には「降らない」、「小雨」、「弱い雨」、「強い雨」等の選択肢を提示すると良い。
また、降水量の取得方法は、店員に入力させる方法に限定されず、降水量を提供する任意のサーバからネットワーク4を介して取得しても良い。
来店客数予測サーバ1は、ネットワーク4を介して接続されるPOSレジ3が複数存在する場合は、全てのPOSレジの販売実績情報を集計して来店客数情報を作成し、記憶部9に保存する。
なお、実績来店客数において、予測に反して突発的な大きな変動が起こった場合に、この変動を含んだ実績来店客数を予測に用いてしまうと、来店客数の予測に大きな狂いが生じる可能性がある。
そこで、突発的な変動を含んだ来店客数データを予測の際に除外するために、来店客数予測サーバ1の記憶部9の来店客数テーブルT1には、各日付毎に予測来店客数と実績来店客数との誤差が記録される。この際、例えば、時間帯毎の誤差に閾値r(例えばr=30%)以上のものが一つでも存在する場合は「1」、そうでない場合は「0」として記録する。
そして、例えば実績来店客数から平均来店客数を求める際に、実績来店客数と予測来店客数との誤差が予め指定された閾値r以上の時間帯があった場合は、来店客数予測サーバ1は、その来店客数データを計算に用いるデータから除外するようにする。
このように実績来店客数と予測来店客数との誤差を来店客数情報に加えることで、例えば来店客数予測サーバ1は、記憶部9から客数データを取得する際に、誤差項目が「0」、すなわち実績来店客数と予測来店客数との誤差が閾値r以下の来店客数情報だけを取得することができる。
また、来店客数予測サーバ1が来店客数データを週単位で取得する場合は、週内の誤差情報にて誤差項目の値に1つでも「0」がある場合は、その週の全ての来店客数情報が除外された来店客数情報を取得する。
または、来店客数予測サーバ1は、誤差項目の値が「1」であった場合は、実績来店客数の代わりに予測来店客数を取得しても良い。この場合は、来店客数予測サーバ1が来店客数情報を週単位で取得する際に、週内の誤差項目の値に1つでも「1」がある場合は、その週全ての来店客数情報に対して予測来店客数情報を取得する。
なお、誤差の閾値rを複数設定して、誤差が多く十分なデータ数が得られなかった場合に、閾値rを変更してもよい。
予測来店客数が実績来店客数と大きく異なる要因としては、予測降水量と実績降水量とが大きく異なったこと、特異日として設定されている以外の地域行事が行われたこと、猛暑であったこと等が考えられる。
来店客数に影響を与える要因がその日限りのものである場合は、その要因をその後の予測に影響させない必要がある。その日限りの要因に影響を受けたと考えられる実績来店客数情報、すなわち予測来店客数と実績来店客数との誤差が閾値r以上の実績来店客数を予測に用いないことで、予測精度が向上するものと考えられる。
一方で、予測来店客数が実績来店客数と大きく異なった要因が競合他店等であり、その日限りでなく継続する場合は、継続的な要因に影響を受けた実績来店客数情報をその後の予測に加える必要があるため、誤差が閾値r以上であっても、予測にその実績来店客数を用いる。
第1実施形態では、予測来店客数が実績来店客数と大きく異なる要因がその日限りかその後も継続するかは、来店客数情報の誤差項目で「1」の値がm(例えばm=7)日以上続くか否かで判断する。
来店客数予測サーバ1が、予測来店客数を算出する方法を、図6に示すフローチャートに基づいて説明する。
来店客数予測サーバ1は、重回帰分析を用いて来店客数の予測を行う。重回帰分析とは、基準となる変数である目的変数と、変数相互の関連性を説明するための変数である説明変数との関係から予測モデル(重回帰式)を作成し、目的変数の変動が説明変数の変動によってどの程度影響されるかを分析する手法であり、一般に良く知られた統計的手法である。
ここでは重回帰分析に際する目的変数を予測日の予測来店客数とする。また、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、重回帰分析に際する説明変数として(1)曜日、(2)時間帯、(3)天候(降水量)の3つの変数を用いる。
(1)来店客は決まった曜日に周期的に訪れる傾向にあり、一般には来店客数は平日よりも休日の方が多い。しかし駅前の店舗では、仕事帰りの買い物客が多いので、逆に平日の方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曜日毎に特定の来客パターンができる。
そこで説明変数として「曜日」を採用する。「曜日」は重回帰分析の際のダミー変数とする。ダミー変数とは、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設けられた変数であり、各曜日が「0」、「1」・・・等で表される。
(2)来店客数は、時間経過に沿って一定のパターンで変動する。食品スーパーを例にとって説明する。来店客数を一時間ごとに集計して時系列順に並べると、昼の12時頃に一度目のピークがあり、その後減少し、夕方の5時、6時頃に二度目のピークがある。
一度目のピークでは、主に主婦が昼食や夕食の買出しに来ており、二度目のピークでは、夕食の買出しに来た主婦に加えて仕事帰りの人が多く来ている。これにより、一度目のピークより二度目のピークの方が来店客数が多くなる。
このパターンを捉えるために、時間帯を説明変数とする。
時間帯とは、店舗の開店時刻から閉店時刻までを一定間隔に区切られた区間である。時間帯の幅はユーザが任意に設定できるが、第1実施形態では一時間毎に区切る例を説明する。
なお、時間帯はダミー変数で表す。例えば営業時間が10時から21時までであった場合に、これを所定時間である1時間毎に「10時〜」、「11時〜」、…、「20時〜」の11個の時間帯に区切る。これらの時間帯は10個のダミー変数を用いて表される。
(3)天候は、来店客数の変動の重要な要因であり、特に降水量が来店客数に大きく影響する。営業時間内に雨が降ると来店客数は一般に減少し、降水量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、降水量の変化が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/時間から4mm/時間に倍増しても来店客が半減するわけではない。
そこで、降水量は適当な範囲に区切られ離散化された降水量情報を説明変数とする。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。離散化の際の区分けは、状況に応じて任意に設定されて良い。
なお、来店客数変動の要因として、他にも運動会などの地域行事や、チラシやTVコマーシャルなどの広告、マンションの建築、競合他店の動向等が考えられ、これらを考慮した重回帰式に拡張しても良い。
始めに来店客数予測サーバ1は、図6に示すように、入力部11を介して入力された予測日とその予測日の時間帯毎の予測降水量との情報を取得する(S201)。
この際、図5のS105と同様に、予測降水量を数値として入力するようにしても、離散化後の値「0」、「1」、「2」、「3」等を入力するようにしても良い。
また、予測降水量を、天気予報のサーバ等の予測降水量を提供するサーバからネットワーク4を介して取得しても良い。
次に来店客数予測サーバ1は、S201で入力さた予測日から遡ってn日間(例えばn=365)の来店客数情報を記憶部9から取得する(S202)。このS202の詳細は後述する。
来店客数予測サーバ1は、S201で取得した予測日が特異日か否か、または予測日が含まれる週に特異日があるか否かを判断する(S203)。
図7に示すように予測日が特異日でなく、かつ予測日の週に特異日がない場合(S203No)は、特異日を含む週の来店客数情報を除いた来店客数情報を用いて重回帰式を求める。
まず、来店客数予測サーバ1は、S202で取得した来店客数情報から特異日を含まない週の来店客数情報を、予測実行日から遡ってd日間分(例えばd=91)取得する(S204)。すなわち、特異日項目が全て「0」の値である週の来店客数情報を取得する。
また、来店客数予測サーバ1は、d個の来店客数情報について、7日間毎に時間帯毎平均来店客数を計算して説明変数とする。
来店客数予測サーバ1は、d個の来店客数情報の曜日、時間帯毎予測降水量、7日間の時間帯毎平均来店客数を説明変数として重回帰分析を行い、通常の日用の重回帰式を作成する(S205)。
次に、予測日が特異日である場合または予測日が特異日を含む週にある場合(S203Yes)は、来店客数予測サーバ1は、S202で取得した来店客数情報から、その特異日と同じ種類の特異日を含んだ週の来店客数情報を取得する(S206)。
来店客数予測サーバ1は、取得した来店客数情報について7日間毎の時間帯毎平均来店客数を計算する。また、来店客数予測サーバ1は、S210で取得した来店客数情報の曜日、時間帯毎予測降水量、7日間分の時間帯毎平均来店客数を説明変数として重回帰分析を行い、特異日用の重回帰式を作成する(S207)。
来店客数予測サーバ1は、S205またはS207で作成された重回帰式に時間帯毎予測降水量を代入することにより、予測日の時間帯毎の予測来店客数を計算する(S208)。
時間帯毎予測来店客数が求められると、来店客数予測サーバ1は、時間帯毎予測来店客数の計算値を予測来店客数情報として記憶部9に記録するとともに、表示部10に予測結果画面21の表示を行う指示を出す。
予測結果画面21には、図7に示すように、予測日の時間帯毎の予測来店客数の数値21Aと予測来店客数のグラフ21Bとが表示される。
以上のようにして、来店客数予測サーバ1は予測来店客数を算出する。
次に、来店客数予測サーバ1が、予測来店客数と実績来店客数との誤差を考慮して来店客数情報を取得する方法について、図8に示すフローチャートに基づいて説明する。この処理は、図6にフローチャートのS202に相当する処理である。
最初に来店客数予測サーバ1は、来店客数情報を予測実行日から遡って7日間分読み込み(S301)、読み込んだ来店客数情報の誤差情報の値が「1」の日が含まれているか否かを判断する(S302)。
取得した7日間分の来店客数情報に誤差情報の値が「1」のものが存在しなかった場合(S302No)は、読み込んだ7日間分の来店客数情報を取得データに加える(S303)。
そして、取得データ数が閾値n(例えばn=365)以上であるか否かを判断し(S304)、閾値nに満たない場合(S304No)は、S301に戻って更に遡った7日間分の来店客数情報を取得する。
読み込んだ週に誤差情報の値が「1」のものが存在した場合(S302Yes)は、誤差情報の値が「1」のものがm個以上(m日以上)連続しているか否かを判断する(S305)。
誤差情報の値が「1」のものがm個以上連続していた場合(S305Yes)は、この7日間分の来店客数情報を取得データに追加する(S303)。
また、誤差情報の値が「1」のものがm個以上連続していなかった場合(S305No)は、取得した来店客数情報の週の前後の週につながる日、すなわち週の初日と最終日の一方または双方の誤差情報の値が「1」であるか否かを判断する(S306)。
取得した来店客数情報の週の前後の週につながる日の誤差情報の値が「1」でなかった場合(S306No)は、読み込んだ7日間分の来店客数情報は取得せず、S301に戻って更に遡った7日間分の来店客数情報を読み込む。
取得した来店客数情報の週の前後の週につながる日の誤差情報の値が「1」であった場合(S306Yes)は、誤差情報の値が「1」のものが前後の週をまたいでm個以上連続しているかを判定する(S307)。
誤差情報の値が「1」のものがm個以上連続していなかった場合(S307No)は、この1週間分の来店客数情報を取得せず、S301に戻って更に遡って7日間分の来店客数を読み込む。
誤差情報の値が「1」のものがm個以上連続していた場合(S307Yes)は、この1週間分の来店客数情報の取得データとして追加利用する(S303)。S305〜S307とS303から実績来店客数利用手段を構成する。
S301からS307の過程を繰り返し、取得データ数が予測実行日から遡ってn個に達した場合(S304Yes)は、この予測実行日から遡ったn個の来店客数情報を取得データとする(S308)。
図9に、予測実行日以前の誤差項目の値を時系列順に並べた例を示す。例えばm=7として、どのような週を取得するかを図9に基づいて説明する。
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個以上の誤差はないが、週(c)にまたがって誤差が7個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個以上あるので、取得する。週(d)は、誤差はあるが7個以上連続せず、前後の週にも連続していないので、この週は取得しない。
第1実施形態では、来店客数予測サーバ1とPOSレジ3とを別個に設けているが、POSレジ3に来店客数予測サーバ1の機能を持たせても良い。
また、第1実施形態では、来店客数の予測式を重回帰分析により作成しているが、これに限定されず、ニューラルネットワークやARIMAモデル等の時系列モデルを用いても良い。
第1実施形態の来店客数予測サーバ1によると、降水量、曜日、及び特異日等の情報に基づいて時間帯毎の来店客数を予測することにより、この予測結果に基づいて、仕入れる商品の発注数量を決定したり、パート・アルバイト等のスタッフのシフト管理を行ったりすることが可能となった。
すなわち、食品スーパーでは、惣菜、弁当、精肉等の生鮮商品の適切な需要を図りたい。生鮮商品は作り過ぎによる廃棄ロスや、売り切れによるチャンスロスを起こしやすく、適切な加工計画を必要とする。従って、時間帯毎の来店客数を予測することで、ユーザは過去の売上数と経験に基づいて時間帯毎の売上を予測し、加工数を計画することが可能となった。
予測結果は、惣菜などの店舗で加工する商品だけでなく、他の商品需要に利用することももちろん可能である。例えば、各商品について予めPI値を求めておけば、PI値に来店客数予測値を乗ずることで大まかな商品需要を知ることができる。なお、PI値とは販売個数を来店客数で割った値である。
なお、商品需要予測は食品スーパーだけでの利用に限らず、様々な業種・業態で活用される。
また、店舗において、スタッフの適切な出勤計画をすることで、配置の効率化と人件費の最適化を行いたい。事前に時間帯毎の来店客数を予測しておくことにより、時間帯毎に稼動させるPOSレジの台数と配置する人数が予測するとともに、パート・アルバイトの出勤計画を細かく設定することで、人件費の最適化が可能となった。
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をしたが、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よい。記録媒体としては、CD−ROM等プログラムを記憶でき、かつ装置が読み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OS(オペレーティング・システム)等と協働してその機能を実現させるものであってもよい。
1 来店客数予測サーバ
2 来店客数予測システム
3 POSレジ
4 ネットワーク
T1 来店客数テーブル
S201 予測降水量取得手段
S208 予測来店客数計算手段
2 来店客数予測システム
3 POSレジ
4 ネットワーク
T1 来店客数テーブル
S201 予測降水量取得手段
S208 予測来店客数計算手段
Claims (5)
- 各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報が格納された来店客数テーブルと、
予測日の時間帯毎の降水量の予測値を示す予測降水量情報を取得する予測降水量取得手段と、
前記予測降水量情報と実績降水量情報と実績来店客数情報とに基づいて予測日の時間帯毎の来店客数の予測値を示す予測来店客数を計算する予測来店客数計算手段とを備えたことを特徴とする来店客数予測サーバ。 - 前記実績降水量情報及び予測降水量情報が、複数区分に不均一に離散化されて表された請求項1記載の来店客数予測サーバ。
- 前記来店客数テーブルには、 前記実績来店客数と予測来店客数との誤差を示す誤差情報が格納され、
予測来店客数を算出する際に、所定値以上の誤差が所定時間単位数以上連続している場合には実績来店客数情報として利用する実績来店客数利用手段をさらに備えたことを特徴とする請求項1記載の来店客数予測サーバ。 - 各日付の営業時間内の時間帯毎の降水量の実績値を示す実績降水量情報、各日付の時間帯毎の来店客数の実績値を示す実績来店客数情報を記録する実績来店客数情報記録ステップと、
予測日の時間帯毎の降水量の予測値を示す予測降水量情報を取得する予測降水量取得ステップと、
前記予測降水量情報と実績降水量情報と実績来店客数情報とに基づいて予測日の時間帯毎の来店客数の予測値を示す予測来店客数を計算する予測来店客数計算ステップとをコンピュータに行わせるための来店客数予測プログラム。 - 前記実績降水量情報及び予測降水量情報を複数区分に不均一に離散化して表す請求項4記載の来店客数予測プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006143130A JP2007316758A (ja) | 2006-05-23 | 2006-05-23 | 来店客数予測サーバ及び来店客数予測プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006143130A JP2007316758A (ja) | 2006-05-23 | 2006-05-23 | 来店客数予測サーバ及び来店客数予測プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2007316758A true JP2007316758A (ja) | 2007-12-06 |
Family
ID=38850582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006143130A Pending JP2007316758A (ja) | 2006-05-23 | 2006-05-23 | 来店客数予測サーバ及び来店客数予測プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2007316758A (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5971784B1 (ja) * | 2015-12-22 | 2016-08-17 | パラディ有限会社 | データ分析装置、データ演算装置、およびプログラム |
JPWO2018061136A1 (ja) * | 2016-09-29 | 2018-12-06 | 株式会社日立製作所 | 需要予測方法、需要予測システム及びそのプログラム |
JP2022063338A (ja) * | 2019-09-25 | 2022-04-21 | 株式会社Ebilab | 情報可視化処理装置、情報可視化処理システム、情報可視化処理方法、及び情報可視化処理コンピュータプログラム |
WO2022264343A1 (ja) * | 2021-06-16 | 2022-12-22 | 日本電信電話株式会社 | 需要予測装置、需要予測方法、及び需要予測プログラム |
-
2006
- 2006-05-23 JP JP2006143130A patent/JP2007316758A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5971784B1 (ja) * | 2015-12-22 | 2016-08-17 | パラディ有限会社 | データ分析装置、データ演算装置、およびプログラム |
JP2017117023A (ja) * | 2015-12-22 | 2017-06-29 | パラディ有限会社 | データ分析装置、データ演算装置、およびプログラム |
JPWO2018061136A1 (ja) * | 2016-09-29 | 2018-12-06 | 株式会社日立製作所 | 需要予測方法、需要予測システム及びそのプログラム |
JP2022063338A (ja) * | 2019-09-25 | 2022-04-21 | 株式会社Ebilab | 情報可視化処理装置、情報可視化処理システム、情報可視化処理方法、及び情報可視化処理コンピュータプログラム |
JP7329885B2 (ja) | 2019-09-25 | 2023-08-21 | 株式会社Ebilab | 情報可視化処理装置、情報可視化処理システム、情報可視化処理方法、及び情報可視化処理コンピュータプログラム |
WO2022264343A1 (ja) * | 2021-06-16 | 2022-12-22 | 日本電信電話株式会社 | 需要予測装置、需要予測方法、及び需要予測プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cho et al. | The value of information sharing in a supply chain with a seasonal demand process | |
US7580852B2 (en) | System and method for modeling non-stationary time series using a non-parametric demand profile | |
US8073727B2 (en) | System and method for hierarchical weighting of model parameters | |
US8239244B2 (en) | System and method for transaction log cleansing and aggregation | |
JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
JP2008544379A (ja) | 待ち列早期警告システム | |
WO1997026613A1 (en) | System and method for weather adapted, business performance forecasting | |
JP5611254B2 (ja) | 需要予測装置およびプログラム | |
JP2007316758A (ja) | 来店客数予測サーバ及び来店客数予測プログラム | |
JP5847137B2 (ja) | 需要予測装置及びプログラム | |
JP2020060917A (ja) | 商品販売管理制御装置、商品販売管理制御プログラム | |
EP2960848A1 (en) | Demand prediction apparatus and demand prediction method by the same | |
JP2004334326A (ja) | 商品需要予測システム、商品の売上数調整システム | |
Tempelmeier et al. | A procedure for the approximation of the waiting time distribution in a discrete-time (r, S) inventory system | |
JP5758425B2 (ja) | 需要予測装置およびプログラム | |
JP2005228014A (ja) | ベイジアンネットワークを用いた来客数予測システム | |
Fernandez et al. | Dynamic pricing patterns on an Internet distribution channel: the case study of Bilbao’s hotels in 2013 | |
JP5819363B2 (ja) | 需要予測装置およびプログラム | |
JP6276655B2 (ja) | 需要予測装置およびプログラム | |
CN116187704A (zh) | 用工需求预测方法、装置及电子设备 | |
JP5750468B2 (ja) | 需要予測装置およびプログラム | |
JP2007316745A (ja) | 来店客数予測サーバ及び来店客数予測プログラム | |
TAN et al. | Can the desired service level be achieved when the demand and lost sales are unobserved? | |
JP2007316757A (ja) | 来店客数予測サーバ及び来店客数予測プログラム | |
JP2007316746A (ja) | 来店客数予測サーバ及び来店客数予測プログラム |