JP2008176662A - 販売予測システム、方法及びコンピュータプログラム - Google Patents

Abstract

【課題】 各個店の特性や、本のジャンルや本ごとの販売予測に基づいて、個店ごとに発注・返品・展示を推奨する仕組みを得る。
【解決手段】 全店の販売管理端末から収集した販売実績を記憶する手段と、本の販売実績に基づいて、本ごとに発売後からの経過時間に応じて、全店での販売予測冊数の算出を行う手段と、本のジャンルにおける全店での総販売実績冊数に対する個店での当該ジャンルの販売実績冊数の比及び、本ごとの全店販売実績冊数に対する個店販売実績冊数の比を用いて、個店ごとに各本の販売予測を行う手段を有する。
【選択図】 図２

Description

本発明は、個店（１軒の書店）個別の特性に基づいて、各個店での発注・返品・展示の推奨を行うための技術に関する。

個店では、再販制度の下、定期的に取次店に対して、本の発注を行い展示すると共に、残った在庫については返品という形で、取次店を介して出版社へ返品している。
この場合、各個店では、発行される本の数や種類が膨大であり、また各個店によって、例えば、オフィス街ではビジネス書が良く売れ、住宅街では生活関連の本が売れるなど、売れ筋のジャンル等が異なっていた。

このような状況の下、個店では、通常どの本をどれだけ発注するかは、店員の勘と経験に頼っていた。そのため、発注を担当する店員の見込みが外れると、発注した本が売れずに余分な在庫を抱え返品する冊数が増える、また逆に品切れにより販売機会を損失するという問題があった。

また、この結果、取次店においても流通の効率が悪くなるという問題があった。

このような問題を解決するため、販売・在庫情報データベースで管理する本ごとの販売実績と在庫状況に基づいて、過去数年等の販売実績から平均販売冊数を販売見込みとして販売見込みを算出し、販売予測を行う仕組みが提案されている（特許文献１）。
また、市場の正確な売れ行き状況、在庫状況などの各種の情報を、個店、取次店、出版社がネットワークを介して共有し、適切な重版、送品、機会損失の防止などを行う仕組みも提案されている（特許文献２）。

特開２００２−１８３５４８ 特開２００２−７６６４

しかし、上述の各先行文献記載の発明は、いずれも販売実績を求めた過去のある時点から注文した本が到着する時点までの時間の経過による販売傾向の変化を考慮することなく、販売冊数を予測するものに過ぎなかった。
また、いずれの先行文献記載の発明も、全店の販売予測は行っているが、この全店の販売予測を個店の販売予測に適用しようとすると、その個店や本の特性の影響が大きいため、個店での販売予測を行うことは極めて難しかった。特に、小型の個店では、そもそも販売冊数が少ないため、偶然１冊でも個別の本が売れるとその本が推奨されてしまい、小型の個店では、過去の販売実績に基づいて個別の本の販売予測を行うことは極めて難しかった。

また、個店側としては、今までは全国での本の売れ筋情報や、大規模な大手のチェーン店などでの現在の売れ筋の本の情報を参照できても、自分の店で何が売れるのかを予測して、どの本を何冊発注するか、またどの本をいつ、何冊返品するかを決めるのは発注担当の店員の勘と経験によるところが大きかった。そのため、発注と返品が適正に行われないと、適正な本が在庫されないため、販売機会の損失が発生していた。
また、個店においては、直近の販売実績による予測をすることが多く、個店での販売開始からの全過程を考慮した売れ行き予測は行われていなかった。このため、個店のマーケットが飽和しているにもかかわらず、本の仕入れが行われることがあった。

さらに、本によっては、発売から数ヶ月あるいは数年たってから売れ出すものや、コンスタントに売れる本など、個別にその売れ方が異なっていた。このような特徴は、特に発売日からの経過日数が経過すればするほど際だつ場合が多く、このような特徴は個々の本の過去の販売冊数からは推測できないものがあった。

また、出版社・取次店・個店で情報共有を行う仕組みは提案されていたが、情報や物流の時間的なずれを考慮して、販売の予測や発注を行う仕組みは提案されていなかった。

販売予測冊数に基づいて、発注冊数を決める仕組みは提案されていたが、展示冊数が販売冊数に与える影響は考慮されていなかった。
例えば、最後に一冊残った本は、売れ筋ではない限り、売れ残る確率が高いため、販売するためには最低必要な展示冊数がある。

本発明は、上述の課題を解決するためになされたものであって、個店、本、ジャンルの特性に基づいて、個店ごとに発注・返品・展示を推奨する仕組みを提供することを目的とする。

本発明の一の観点に係る販売予測システムは、各個店について、本ごとに販売冊数の予測を行うためのシステムであって、全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段と、本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、上記全店販売予測冊数記憶手段に記憶されている全店での販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理手段と、を有することを特徴とする。
ここで、全店とは、あるまとまりをもった店の集合であって、例えば、ある取次店の配下にある個店の集合などであって、その配下にある個店が複数まとまったものをいう。
また、販売予測冊数とは、個店、全店いずれかの販売予測冊数をいう。
また、ジャンルとは、特性ごとの本の分類であり、例えば、ビジネス書、新書などの分類だけでなく、出版社もジャンルに含まれる。

当該個店に対して初めて当該本が送品された初送品日からの経過時間と、この経過時間に応じた各個店での店舗ジャンル規模係数と店舗タイトル実績係数とを用いる重み付けを表す個店調整比率パラメータを記憶する個店調整比率パラメータ記憶手段を更に有し、
上記個店販売予測処理手段は、個店ごとに当該本の初送品日からの経過時間を算出し、上記個店調整比率パラメータ記憶手段を参照して、上記算出された経過時間に対応する個店調整比率パラメータを取得して、取得した個店調整比率パラメータに基づいて、上記店舗ジャンル規模係数と店舗タイトル実績係数に重み付けを行って、当該個店での販売予測冊数を計算してもよい。

上記販売実績記憶手段を参照して、当該予測対象となる本が属するジャンルの過去の販売実績に基づいて、予測対象の本の初版販売日から第１基準日（Ｎ日目）までの総販売冊数ｐに対する、第１基準日より後の任意に定められる予測日Ｍ日目までの総販売冊数ｑとの比率（ｑ／ｐ）からＮＭ係数（ｔ）を算出し、当該本の第１基準日までの総販売実績冊数と、上記算出されたＮＭ係数（ｔ）に基づいて当該本の販売冊数を予測するＮＭ法による本の販売予測と、上記販売実績記憶手段を参照して、当該予測対象となる本が属するジャンルの過去の販売実績に基づいて、過去の３つの所定期間の総販売実績冊数を用いた次の所定期間の総販売予測冊数とその期間の総販売実績冊数との誤差を最小化したインクリメンタル係数に基づいて販売予測を行うインクリメンタル法による本の販売予測のうちの少なくとも１つの販売予測法に基づいて、全店の販売予測を行い、全店での本の総販売予測冊数を上記全店販売予測冊数記憶手段に記憶する全店販売予測処理手段を更に有してもよい。

上記本の発売後からの経過時間に応じて、上記ＮＭ法に基づく販売予測と、上記インクリメンタル法に基づく販売予測とを、それぞれ用いる際の重み付けであるハイブリッド比率パラメータを記憶したハイブリッド比率パラメータ記憶手段を更に有し、
上記全店販売予測処理手段は、上記ＮＭ法に基づく販売予測と、上記インクリメンタル法に基づくそれぞれの販売予測の結果に対して、上記ハイブリッド比率パラメータ記憶手段を参照して、上記本の発売からの経過時間に応じた上記ハイブリッド比率パラメータで重み付けをして、上記２つの販売予測法に基づく販売予測を行うようにしてもよい。

上記個店の棚の優先度と、棚ごとの展示係数及び最大展示冊数を記憶する個店展示係数テーブルと、上記各本の販売予測冊数が多い順に、上記個店展示係数テーブルの優先度が高い棚を割り付け、上記個店展示係数テーブルを参照して、割り付けられた上記棚の個店展示係数により当該本の展示推奨冊数を算出することにより、個々の本の展示推奨冊数と棚を決定し、展示推奨リストを作成する展示推奨処理手段を更に有してもよい。

上記販売実績記憶手段には、個店における本ごとの販売実績冊数に加えて、棚卸冊数、送品冊数、返品冊数が記憶されており、最新の集計した所定期間をＮとしたとき、上記個店における棚卸し冊数に、棚卸しの時点から期間Ｎまでの本ごとの送品冊数を加えて、本ごとの返品冊数及び販売実績冊数を差し引くことで、期間Ｎまでの論理在庫を求め、更に、期間Ｎ＋１の販売予測冊数を差し引くことで、期間Ｎ＋１の各店舗での本ごとの在庫予測冊数の算出を行い、上記個店販売予測処理手段により算出した次々期間Ｎ＋２の個店展示推奨冊数から、次期間Ｎ＋１の集計日の上記在庫予測冊数を差し引くことで個店の発注推奨冊数を算出し、算出した発注推奨冊数に基づいて発注推奨リストを作成して出力する出力手段を更に有してもよい。
ここに集計日とは、所定期間の在庫を確認する日であり、例えば、週次であれば週の末日である。

取次店での本の在庫データを記憶した在庫データ記憶手段を更に有し、上記出力手段は、上記販売実績記憶手段を参照して、個店から発注済みで、個店に送品されていない本の受注残冊数と、上記在庫データ記憶手段を参照して、上記発注推奨された本が、取次店で在庫があるかないかを表す在庫状態情報を上記発注推奨リストに加えて出力してもよい。

上記出力手段は、上記展示推奨処理手段により算出された展示推奨冊数が０となった本及び、上記発注推奨冊数がマイナスとなった本から返品推奨リストを作成して出力するようにしてもよい。

本発明の一の観点に係る販売予測方法は、全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、を有するコンピュータが、各個店について本ごとに販売冊数の予測を行う処理を行うための方法であって、上記コンピュータが、上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段処理と、上記全店販売予測冊数記憶手段に記憶されている全店での販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理とを行うことを特徴とする。

本発明の一の観点に係るコンピュータプログラムは、全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、を有するコンピュータを、販売予測装置として機能させるための方法であって、上記コンピュータに対して、上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段処理と、上記全店販売予測冊数記憶手段に記憶されている全店での総販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理とを実行させることを特徴とする。

本発明によれば、個店、本、ジャンルの特性に基づいて、個店ごとに発注・返品・展示を推奨することができることから、発注や返品、展示を効率よく行うことができる。これにより、個店は無駄な在庫を置くことがなく、販売機会の損失や売れない本の展示を解消することができる。
また、小型の個店であっても、その個店の特性に基づいた販売予測、展示推奨、返品推奨を行うことができる。

販売実績を求めた過去のある時点から注文した本が到着する時点までの時間の経過による販売傾向の変化を考慮して、販売冊数を予測できる。
また、情報や物流の時間的なずれを考慮して、販売の予測や発注を行うことができる。

販売予測冊数に基づいて、展示に必要な冊数を推奨し、展示に必要な冊数に基づいて発注冊数と返品冊数を推奨することにより、店頭での過剰な展示や欠品を防止することができる。

次に、本発明の実施の形態について図を参照して説明する。
図１は、本発明を個店と取次店との間の受発注、送品、返品システムに適用したシステムの全体構成を示した図である。
図１において、全店管理サーバ１と、この全店管理サーバ１とネットワーク等を介してデータの授受が可能に構成された個店端末２と取次店端末３を有している。

個店端末２は、全店管理サーバ１から送信された各個店での展示・発注推奨リスト、返品推奨リストを受信して、出力する装置である。この個店端末２としては、いわゆるパーソナルコンピュータにより構成することができる。この個店端末２は、インターネットや電話回線等を介して全店管理サーバ１に接続し、当該個店に対する展示・発注推奨リスト、返品推奨リストを取得して、ディスプレイに表示したり、又はプリンタを制御して印刷するなどして出力することができる。また、個店端末２は、個店の店員が操作することにより、全店管理サーバ１に対して、本の発注を行うことができる。
なお、この個店端末２は、ＦＡＸ装置により構成することもできる。この場合には、全店管理サーバ１から電話回線を介して送信された展示・発注推奨リスト、返品推奨リストを受信して印刷する。また店員が展示・発注推奨リスト、返品推奨リストに記載した発注・返品依頼をＦＡＸとして全店管理サーバ１へ送信することができる。個店端末２は、定期的に個店で在庫となっている全ての本のコードを読み取ることで、棚卸し対象となる本とその冊数を個店棚卸冊数として、全店管理サーバ１に通信等の手段で受け渡すことができる。
また、個店には、図示しないＰＯＳ（Ｐｏｉｎｔ
Ｏｆ Ｓａｌｅ）端末などの販売管理端末が配置され、個店での実際の販売冊数が管理され、販売実績として全店管理サーバ１へ送信されるようになっている。

取次店端末３は、全店管理サーバ１で作成された個店の発注、返品、展示推奨情報を活用して個店への送品、返品業務に活用できる。

全店管理サーバ１は、個店での発注推奨情報、返品推奨情報、展示推奨情報を作成して出力する装置である。この全店管理サーバ１は、コンピュータにより構成されており、図２に示すように全店データベース（ＤＢ）１１、取次店在庫データベース（ＤＢ）１２、係数決定処理部１３、全店販売予測処理部１４、個店販売予測処理部１５、個店展示推奨処理部１６、推奨リスト作成処理部１７、及び図３に示した各テーブルにより構成されている。

所定期間の過去の販売実績を記憶した全店データベース１１は、全店管理サーバ１の配下にある全店の過去の販売実績をデータベース化したものである。ここに、所定期間とは、後述するインクリメンタル法などの予測法に用いる各係数を決定するのに十分なデータを蓄えられる期間であればよい。
過去の販売実績は、各個店に配置されている販売管理端末により集計された販売実績であり、個店ごとに、送品、販売、返品された本のコード、冊数、日付、初送品日のデータ等が記憶されている。
返品データは、本のコード、冊数、返品日等のデータである。
また、各個店の情報としては、個店識別番号、個店名、その所在地などの情報である。
また、本の情報としては、タイトル、ジャンル、発売日、著者等の情報である。

取次店在庫データベース１２は、取次店における本の在庫データをデータベース化したものである。この取次店在庫データベース１２には、本ごとに取次店で在庫として抱えている冊数が記憶されている。

係数決定処理部１３は、全店販売冊数予測に使用する係数及びパラメータ、個店販売冊数予測に使用する係数及びパラメータ、個店の展示推奨冊数計算に使用する各係数を計算する処理を行う。
全店販売冊数予測に使用する係数及びパラメータとしては、ＮＭ係数、インクリメンタル係数、ハイブリッド比率パラメータがある。
ＮＭ係数とは、ＮＭ法に基づく販売予測に用いる係数である。ここでＮＭ法とは、予測対象となる本のジャンルに属する本の販売実績に基づいて、予測対象の本の初版販売日から第１基準日（Ｎ日目）までの総販売冊数ｐに対する、第１基準日より後の任意に定められる予測日Ｍ日目までの総販売冊数ｑとの比率（ｑ／ｐ）からＮＭ係数（ｔ）を算出し、当該本の第１基準日までの総販売実績冊数と、上記算出されたＮＭ係数（ｔ）に基づいて当該本の総販売冊数を予測する方法である。
例えば、図３（ａ）のＮＭ係数テーブルを参照して、初日の総販売実績冊数で１週間の総販売冊数を予測したい場合、第１基準日Ｎは「１日」となりＭは「８日」となる。同様に２日目の総販売実績冊数で予測したい場合、第１基準日Ｎは「２日」となりＭは「９日」となる。
このＮＭ係数を用いた販売予測の方法については、本出願人が先に出願した特願２００６−２０１８１０号に記載された予測方法を適用することができ、この範囲で特願２００６−２０１８１０号に記載された内容は、本出願の内容に含まれる。

インクリメンタル係数とは、インクリメンタル法に基づく予測法に用いる係数である。当該予測対象となる本が属するジャンルの過去の販売実績に基づいて、過去の３つの所定期間の総販売実績冊数を用いた次の所定期間の総販売予測冊数とその期間の総販売実績冊数との誤差を最小化したインクリメンタル係数に基づいて総販売冊数を予測する方法である。
ハイブリッド比率パラメータとは、ＮＭ法に基づく販売予測と、インクリメンタル法に基づく販売予測を併用する場合に、それぞれの予測に対して重み付けをするパラメータである。時間の経過及び本の特性につれて、予測方法による精度が異なるので、ハイブリッド比率パラメータで両者の予測値に重み付けすることによって、精度の高い予測値を得る。ハイブリッド比率パラメータは、過去の実績に基づいて、個店の店員及び／又は取次店の管理者が予め設定することもできるし、山登り法等の最適化アルゴリズムにより計算により求めることもできる。
個店販売冊数予測に使用する係数とパラメータとしては、店舗ジャンル規模係数、店舗タイトル実績係数、個店調整比率パラメータがある。
店舗ジャンル規模係数とは、所定期間の過去の本のジャンルごとに、全店管理サーバ１の配下の全店の当該ジャンルの全ての本の販売実績冊数合計の一店舗平均に対する各個店の当該ジャンルの全ての本の販売実績冊数合計の割合を示した係数であり、これにより、各個店の当該ジャンルでの強さ（販売規模）が分かる。
店舗タイトル実績係数とは、任意の本の全店における総販売実績冊数に対する個店の総販売実績冊数の比を表す係数であり、これにより、各個店の当該本での強さ（販売規模）が分かる。
個店調整比率パラメータとは、個店の販売予測を行う際に、店舗ジャンル規模係数を用いて予測する方法と、本ごとの店舗タイトル実績係数で予測する方法のそれぞれの重み付けをするパラメータである。この個店調整比率パラメータは、過去の実績に基づいて、個店の店員及び／又は取次店の管理者が予め設定することもできるし、準ニュートン法等の所定のアルゴリズムにより計算により求めることもできる。
また、個店の展示の計算に使用する係数として、個店展示係数がある。これは、個店の棚の規模に応じて、各本の棚に展示すべき推奨冊数を求める係数であり、棚に応じてそれぞれ展示すべき冊数が設定できる。この個店展示係数の設定は、管理者が棚規模や過去の実績に基づいて設定することができるし、個別の棚毎の展示冊数と販売冊数との相関分析等の所定のアルゴリズムにより計算により求めることもできる。

全店販売予測処理部１４は、本ごとに全店での販売冊数予測の計算処理を行う。
この処理は、ＮＭ法、インクリメンタル法、ハイブリッド比率パラメータに基づいて計算を行う。
具体的には、それぞれＮM法とインクリメンタル法で求めた販売予測に、初送品日からの経過週に応じたハイブリッド比率パラメータで重み付けして、全店販売予測を行う。

個店販売予測処理部１５は、各個店への初送品日から一定期間ごとに、個店ごとの販売を予測する。
具体的には、個店販売予測処理部１５は、初送品日からの経過時間に応じた店舗ジャンル規模係数と、店舗タイトル実績係数とを求めて、初送品日からの経過時間に応じた個店調整比率パラメータにより、両者の重み付けを行い、個店販売予測を行う。

ここで、個店に対する発注推奨・返品推奨は、図１４に示すように、期間Ｎの実績集計に基づいて、期間Ｎ＋２の展示を最適化するために、期間Ｎ＋１に期間Ｎから期間Ｎ＋２までの時間経過による販売傾向の変化を考慮して、発注推奨・返品推奨を行う。
更に、期間Ｎ＋２の店舗での展示作業を効率化するために、展示推奨を行う。

個店展示推奨処理部１６は、個店での期間Ｎ＋２の展示推奨冊数を計算する処理を行う。
具体的には、個店展示推奨処理部１６は、対象となる個店の棚における展示係数に基づいて、推奨する本ごとにその期間Ｎ＋２の展示推奨冊数を計算する。

推奨リスト作成処理部１７は、期間Ｎ＋２の個店展示推奨冊数と期間Ｎ＋１の個店の在庫数から期間Ｎ＋１の発注推奨冊数、期間Ｎ＋１の返品推奨冊数を算出して期間Ｎ＋１の展示・発注推奨リスト、期間Ｎ＋１の返品推奨リストを作成して各個店端末２へ送信する処理を行う。
この処理は、推奨リスト作成処理部１７が、取次店及び個店での在庫状況と、算出された期間Ｎ＋２の発注推奨冊数から、各個店に対する期間Ｎ＋２の発注推奨冊数、期間Ｎ＋２の展示推奨冊数を計算する処理を行う。
また、推奨リスト作成処理部１７は、各個店に対する期間Ｎ＋１の返品推奨リストを作成する。この処理は、期間Ｎ＋２の展示推奨冊数が０となった本及び、期間Ｎ＋２の発注推奨冊数がマイナスとなっている本（個店側で過剰に在庫している本）を期間Ｎ＋１の返品推奨リストとして出力する処理を行う。

次に、本実施形態に基づく処理方法の例について説明する。
この実施形態では、図２に示すように、全店販売予測に使用する係数及びパラメータ、個店販売冊数予測に使用する係数及びパラメータ、個店展示冊数計算に使用する係数をそれぞれ計算する（Ｓ１）。
そして、算出した係数及びパラメータに基づいて全店販売予測処理を行い（Ｓ２）、個店販売予測処理（Ｓ３）、個店展示冊数計算処理（Ｓ４）を行う。そして、これらの計算が完了した時点で各店での発注・展示・返品の推奨リスト作成処理を行い、これを個店端末２へ送信することで（Ｓ５）、一連の処理が終了する。

まず、前処理としての係数算出処理について図３を参照して説明する。
図３（ａ）において、係数決定処理部１３は、ジャンル別にＮＭ係数を算出する。ＮＭ係数の算出処理は、特願２００６−２０１８１０号に示した方法により行う。
まず係数及びパラメータを設定又は入力し、選択された所定のジャンルの本の母集団の時系列の各販売実績について、当該ジャンルのそれぞれの本ごとに入力された当該本の初版発売日から第１基準日（Ｎ）までの総販売冊数ｐと、当該本の予測日（M）までの総販売冊数ｑとを取得する。
そして、予測対象となる本のジャンルに属する本の販売実績に基づいて、予測対象の本の初版販売日から第１基準日（Ｎ日目）までの総販売冊数ｐに対する、第１基準日より後の任意に定められる予測日Ｍ日目までの総販売冊数ｑとの比率（ｑ／ｐ）からＮＭ係数（ｔ）を算出する。また、比率（ｑ／ｐ）の分布に基づき、ＮＭ係数（ｔ）をその精度（例えば頻度など）と共に算出する。
そして、選択された第１基準日（Ｎ）、及び予測対象の本の当該第１基準日（Ｎ）までの総販売冊数と、算出されたＮＭ係数（ｔ）に基づき、当該本の予測日（Ｍ）の総販売冊数の予測値を算出する処理を行う。

インクリメンタル係数の算出処理は、図４（ａ）に示すように、まず係数決定処理部１３が、全店データベース１１を参照して、対象ジャンルの本ごとに総販売実績冊数を算出する（Ｓ１０１）。
これにより、図４（ｂ）に示すように、本ごとに、発売後の経過週に応じた総販売実績冊数が計算される。例えば、図４（ｂ）に示すように、タイトル１の本については、１週目には２５５冊、２週目には５４２冊、３週目には９０２冊と総販売実績冊数を算出する。

次に、係数決定処理部１３は、予測と実績の誤差を最小化するインクリメンタル係数（ｋ、ｌ、ｍ）を準ニュートン法により算出して（Ｓ１０２）、処理を終了する。
この算出は、以下の式により行う。
Ｉｎｃｒｅ_{（Ｎ＋１）}＝ｋ・Ｒ_（Ｎ）＋ｌ・Ｒ_{（Ｎ−１）}＋ｍ・Ｒ_{（Ｎ−２）}
ここで、Ｉｎｃｒｅ_{（Ｎ＋１）}は期間Ｎ＋１の総販売予測冊数、Ｒ_（Ｎ）は期間Ｎの総販売実績冊数を表す。
ｍｉｎΣ（｜Ｉｎｃｒｅ_{（Ｎ＋１）}−Ｒ_{（Ｎ＋１）}｜／｜Ｒ_{（Ｎ＋１）}−Ｒ_（Ｎ）｜）
ここで、｜Ｉｎｃｒｅ_{（Ｎ＋１）}−Ｒ_{（Ｎ＋１）}｜は期間Ｎ＋１の総販売予測誤差を表す。
｜Ｒ_{（Ｎ＋１）}−Ｒ_（Ｎ）｜は期間Ｎ＋１の販売実績冊数を表す。
Σはジャンルに含まれる各本の総和を示す。
そして、予測と実績の誤差を最小化するインクリメンタル係数（ｋ、ｌ、ｍ）を図３（ｂ）のインクリメンタル係数テーブルに記憶する。

ハイブリッド比率パラメータは、過去の販売実績を解析して、ＮＭ法による予測値とインクリメンタル法による予測値のハイブリッド比率パラメータ値をハイブリッド比率パラメータテーブルに設定する。図３（ｃ）の例では、第１週及び第２週はＮＭ法（ＮM）による予測の重み付けが１．００で、インクリメンタル法（Ｉｎｃｒｅ）の重み付けが０．００であるから、ＮＭ法での予測になる。一方、３週以降は、ＮＭ法の重み付けが０．００、インクリメンタル法（Ｉｎｃｒｅ）の重み付けが１．００であるからインクリメンタル法に基づく予測となる。

図３（ｄ）の店舗ジャンル規模係数の算出は、本のジャンルごとに、（各個店の当該ジャンルの本の販売実績冊数合計）／（全店管理サーバ１配下の全店の当該ジャンルの本の販売平均実績冊数合計の一店舗平均）を計算し、これを店舗ジャンル規模係数として記憶する。

個店調整比率パラメータは過去の販売実績を解析して決定する。

次に、図５を参照して、全店販売予測処理の詳細な処理について説明する。
図５において、全店販売予測処理部１４は、全店データベース１１を参照して、当該本の発売後からの経過時間を計算する（Ｓ２０１）。例えば、週単位でインクリメンタル法によって予測を行う場合には、全店データベース１１に記憶されている発売日からの経過時間を週単位で表し、発売日から１８日経過している場合には１８／７＝２．５となることから、発売日から３週間目と特定する。
また、全店販売予測処理部１４は、全店データベースを参照して、個店の販売実績を取得する（Ｓ２０２）。
なお、更新する頻度は週に限定されるものではない。

全店販売予測処理部１４は、図３（ａ）のＮＭ係数テーブルを参照して、発売日から経過時間に応じた当該ジャンルのＮＭ係数を取得する（Ｓ２０３）。
例えば、１週間に１回発注する個店については、個店から取次店への発注から送品までの流通の時間を考慮すると、２週間分の販売予測を行うための係数が必要となる。図３（ａ）の例では、発売後2日を経過したＡジャンルの本で、発売日から１週目であれば（Ｎ＝２、Ｍ＝９日）ＮＭ係数「９．２」、発売日から２週目（Ｎ＝２日、M＝１６日）の各係数「１１．２」を取得する。
全店販売予測処理部１４は、取得したＮＭ係数に基づいて総販売予測冊数の計算を行う（Ｓ２０４）。この計算処理は、全店総販売予測ＮＭ_{（Ｎ＋１）}＝tＮＭ_（Ｎ）により計算することができる。
ここで、tはＮＭ係数、ＮＭ_（Ｎ）は期間Ｎにおける総販売実績冊数である。

また、全店販売予測処理部１４は、事前処理により決定した図３（ｂ）のインクリメンタル係数テーブルを参照して、当該本のジャンルに応じたインクリメンタル係数を取得する（Ｓ２０５）。
そして、全店販売予測処理部１４は、インクリメンタル法による総販売予測冊数の計算処理を行う（Ｓ２０６）。この計算処理は、Ｉｎｃｒｅ_{（Ｎ＋１）}＝ｋ・Ｒ_（Ｎ）＋ｌ・Ｒ_{（Ｎ−１）}＋ｍ・Ｒ_{（Ｎ−２）}により行うことができる。

ＮＭ法による総販売予測、インクリメンタル法による総販売予測が完了すると、全店販売予測処理部１４は、図３（ｃ）ハイブリッド比率パラメータテーブルを参照して、発売日からの経過時間に対応するハイブリッド比率パラメータを取得する（Ｓ２０７）。
全店販売予測処理部１４は、取得したハイブリッド比率パラメータに基づいて、全店販売予測冊数を計算する（Ｓ２０８）。この処理は、全店販売予測処理部１４が、全店販売予測冊数をＸ_{（Ｎ＋１）}＝ａ・（Ｉｎｃｒｅ_{（Ｎ＋１）}−Ｉｎｃｒｅ_（Ｎ））＋（１−ａ）・（ＮＭ_{（Ｎ＋１）}−ＮＭ_（Ｎ））により計算する。
ここで、ａはハイブリッド比率パラメータであり、Ｉｎｃｒｅ_{（Ｎ＋１）}は期間Ｎ＋１におけるインクリメンタル法に基づく全店総販売予測冊数、ＮＭ_{（Ｎ＋１）}は期間Ｎ＋１におけるＮＭ法に基づく全店総販売予測冊数である。図３（ｃ）では、発売から間もない場合には、ハイブリッド比率パラメータａ＝０となりＮＭ法のみに基づいた全店販売予測冊数が算出され、発売日から日数が経過するにつれてａの値が１に近づくことで、インクリメンタル法に基づく予測が重みを増すようになっている。
なお、あわせて、全店販売予測処理部１４は、期間Ｎ＋１、期間Ｎ＋２の全店販売予測冊数も計算して、これを全店データベース１１に記憶して処理を終了する（Ｓ２０８）。
この全店予測の表示例として、図６に示すように、前週ランキング、ＩＳＢＮコード、本のタイトル、中分類、出版社、初版日、発売後日数、現在週、全店での全店販売実績冊数（Ｎ週、Ｎ−１週、Ｎ−２週）、全店販売予測冊数（Ｎ＋１週、Ｎ＋２週）が表示される。

次に、個店の販売予測の計算方法について図７を参照して説明する。
図７において、個店販売予測処理部１５は、まず全店データベース１１を参照して、当該個店への本の初送品日を特定し、初送品日からの経過時間を計算するとともに、図３（ｅ）の個店調整比率パラメータテーブルを参照して個店調整比率パラメータを取得する（Ｓ３０１、Ｓ３０２）。
初送品日からの経過時間とは、例えば週単位で予測を行う場合には、全店データベース１１に記憶されている初送品日からの経過時間を週単位で表すものであり、初送品日から１８日経過している場合には１８／７＝２．５となることから、初送品日から３週間目と特定する。

個店販売予測処理部１５は、図３（ｄ）の店舗ジャンル規模係数テーブルを参照して、当該初送品日からの経過時間に応じた店舗ジャンル規模係数を取得する（Ｓ３０３）。

個店販売予測処理部１５は、全店データベース１１を参照して、個店送品後における特定の本の個店販売実績冊数及び全店販売実績冊数を取得して、店舗タイトル実績係数を算出する（Ｓ３０４、Ｓ３０５）。
店舗タイトル実績係数の算出は、個店販売予測処理部１５が、当該本の個店総販売実績冊数／全店総販売実績冊数により、店舗タイトル実績係数を計算する。

そして、個店販売予測処理部１５は、個店の販売予測冊数の計算処理を行い、計算した個店の販売予測冊数をメモリに記憶して（Ｓ３０６）、個店の販売予測処理を終了する。
この処理は、個店販売予測処理部１５が以下の式に基づいて計算する。
個店販売予測冊数Ｙ_{（Ｎ＋１）}＝［ｂ・店舗ジャンル規模係数＋（１−ｂ）・店舗タイトル実績係数］Ｘ_{（Ｎ＋１）}
ここで、Ｘ_{（Ｎ＋１）}は、前述の処理で予測した期間Ｎ＋１における、全店での当該本の販売予測冊数であり、ｂは個店調整比率パラメータである。
なお、この際、個店販売予測処理部１５は、あわせて期間Ｎ＋１だけでなく期間Ｎ＋２の予測も同様に行う。
この個店予測の計算例としては、図８に示すように、個店予測ランキング、全店予測ランキング、Ｎ−１週ランキング、ＩＳＢＮコード、タイトル、中分類、出版社、出版日、実売日、期間Ｎ＋１及び期間Ｎ＋２の販売予測冊数が表示される。

次に、個店の展示冊数計算処理について図９を参照して説明する。
なお、この個店展示冊数計算処理を行う場合には、図３（ｆ）の個店展示係数テーブルと（ｇ）の販売予測冊数テーブルを参照する。この個店展示係数テーブルには、本を展示するための棚の利用優先順位、棚ごとの個店展示係数（係数ｃ、係数ｄ）、棚ごとの本の最大展示冊数及び最大展示タイトル数が記憶されている。
なお、棚の優先順位は、個店の顧客が目に付き易い順に予め決めておくこともできる。
最大展示冊数及び最大タイトル数は、例えば、棚の種類によって、平台はタイトル数１、冊数制限無し、差込の棚はタイトル数制限無し、冊数制限有りと定めても良い。

図９において、個店展示推奨処理部１６は、個店販売予測処理部１５により算出された個店の販売予測冊数をメモリから取得し、個店での販売予測冊数が多い順に本をソートする（Ｓ４０１）。
これにより、メモリ上には、図３（ｇ）に示すように、販売予測冊数テーブルとして、販売予測冊数が多い順番を表す冊数順位と、タイトル、販売予測冊数が記憶される。

個店展示推奨処理部１６は、図３（ｇ）の販売予測冊数テーブルから販売予測冊数の多い順に、本を個店展示係数テーブルの利用優先順位の高い棚に割り付ける（Ｓ４０２）。
これにより、販売予測冊数の多い本が、利用優先順位の高い棚に対して順番に割付けられる。

個店展示推奨処理部１６は、個店展示係数テーブルを参照して、割り付けられた棚の個店展示係数を取得し、取得した個店展示係数により、Ｎ＋１週の個店の展示推奨冊数Ｚ_{（Ｎ＋１）}を次式により求める（S４０３）。
Ｚ_{（Ｎ＋１）}＝ｃ・Ｙ_{（Ｎ＋１）}＋ｄ
ここで、Ｙ_{（Ｎ＋１）}はＮ＋１週での個店販売予測冊数、ｃは物流の状況を勘案して決定される予測冊数に基づいて何冊をその棚に展示するか定めたパラメータを示し、ｄは当該棚での展示に最低限必要な冊数を表す。

個店展示推奨処理部１６は、棚に割り付けた本の展示推奨冊数を記憶する（Ｓ４０４）。
個店展示推奨処理部１６は、本の展示推奨冊数が、個店展示係数テーブルの最大展示冊数又は最大展示タイトル数の２つの制約のどちらかの上限を超えているか否かを判別する。（Ｓ４０５）

いずれかの上限を超えていると判別された場合は、個店展示推奨処理部１６は、次に利用優先順位の棚に、同一の本の残りの展示推奨冊数を割り付ける。（Ｓ４０６）
また、棚がある本を割り付けた後でも、いずれの制約条件も満たさない場合は、個店展示推奨処理部１６は、販売予測冊数テーブルを参照して、次に販売冊予測数の多い本を割り付ける（Ｓ４０７）。
そして、個店展示推奨処理部１６は、すべての棚の割り付けが完了したか否か判別し（Ｓ４０８）、完了していない場合には上述のＳ４０２の処理に戻る。
また、全ての棚に割り付けが完了したと判別された場合には、処理を終了する。

次に、推奨リスト作成処理について、図１０を参照して説明する。
図１０において、推奨リスト作成処理部１７は、取次店在庫データベース１２を参照して、取次店における在庫実績を取得すると共に、全店データベース１を参照して、各個店での棚卸実績を取得し、棚卸し以後の送品実績、返品実績、販売実績及び棚卸実績に基づいて、期間Ｎにおける個店の論理在庫冊数を計算する（Ｓ５０１）。
具体的には、当該個店における本ごとの棚卸実績冊数に本ごとの送品冊数を加えて、本ごとの返品冊数及び販売実績冊数を差し引いた冊数を計算することで、各個店での本ごとの論理在庫冊数を計算できる。

推奨リスト作成処理部１７は、メモリに記憶しておいた個店販売予測処理部１５により予測された対象となる本の個店販売予測冊数の値を取得し、期間Ｎ＋１の集計日時点の在庫予測を行う（Ｓ５０２）。これは、推奨リスト作成処理部１７が、Ｓ５０１で求めた期間Ｎの集計日の個店の在庫予測冊数から、期間Ｎ＋１の個店の販売予測冊数を差し引くことで、期間Ｎ＋１の集計日の在庫予測冊数を計算できる。

また、推奨リスト作成処理部１７は、期間Ｎ＋２の発注推奨冊数を計算する（Ｓ５０３）。この処理は、推奨リスト作成処理部１７が、個店展示推奨処理部１６により計算しメモリに記憶しておいた期間Ｎ＋２の個店の展示推奨冊数から、前述の処理で算出した期間Ｎ＋１の集計日の在庫予測冊数を差し引くことにより計算する。

推奨リスト作成処理部１７は、計算された期間Ｎ＋２の発注推奨冊数がマイナスか否かを判別する（Ｓ５０４）。ここで、発注推奨冊数がマイナスの場合とは、発注推奨冊数がない場合又は発注推奨冊数がマイナスの場合（個店での過剰在庫の場合）をいう。

判別の結果、発注推奨冊数がマイナスの場合には、返品推奨リストの対象となる本として、後述の図１２の返品推奨リスト作成処理に移行する。

また、判別の結果、発注推奨冊数がマイナスではない場合には、推奨リスト作成処理部１７は、受注残冊数の算定処理を行う（Ｓ５０５）。
この処理は、推奨リスト作成処理部１７が、全店データベース１１を参照して過去に注文した本の注文冊数から、その本の送品冊数を差し引くことにより計算することができる。

この状態で推奨リスト作成処理部１７は、取次店在庫ＤＢ１２を参照して、当該本について、取次店の在庫があるか否かを取得する（Ｓ５０６）。

また、判別の結果、発注推奨リストの対象となる本については、一旦その本の情報と発注推奨冊数を個店ごとにメモリに記憶しておき、推奨リスト作成処理部１７が、メモリに記憶されているこれらの本のうちから展示推奨冊数の上位順にソートしてリストアップする（Ｓ５０７）。

推奨リスト作成処理部１７は、メモリに記憶されている本の情報と、その発注推奨冊数と、展示推奨情報が記載された展示・発注推奨リストが作成され、この展示・発注推奨リストを個店端末２へ送信して（Ｓ５０８）、処理を終了する。
この展示・発注推奨リストとしては、図１１の例に示すように、各個店での販売予測に基づく個店予測順位、全店予測に基づく全店予測順位、取次店での在庫を考慮した発注順位、本のＩＳＢＮコード及びタイトルと出版社名、展示推奨冊数、Ｎ−２週及びＮ−１週の全店販売予測冊数、Ｎ−２週とＮ−１週の個店販売実績冊数、Ｎ週とＮ＋１週の個店販売予測冊数、在庫予測冊数（Ｎ週在庫実績冊数とＮ＋１週在庫予測冊数）、発注推奨冊数、注文残冊数、取次店での在庫状態、展示する棚を推奨する棚情報が表示される。
これにより、個店の店員が展示・発注推奨リストを参考にして本を展示・発注することができる。
また、その発注推奨リストを画面上で表示して、その画面上でクリックしたり、発注冊数を入力等することで個店端末２を通じて直接全店管理サーバ１へ発注処理を行えるようにしてもよい。

次に、返品推奨リスト作成処理について、図１２を参照して説明する。
図１２において、前述の図１０のＳ５０３の処理で、発注推奨冊数がプラスでなかった場合には、推奨リスト作成処理部１７は、前述の図９の処理で算出した期間Ｎ＋２の当該本の展示推奨冊数が「０冊」か否かを判別する（Ｓ６０１）。

判別の結果、展示推奨冊数が「０冊」の場合には、推奨リスト作成処理部１７は、完全返品として返品リストへ記載する（Ｓ６０２）。
これにより、個店では、個店在庫を含めて全て返品を行うことが推奨されると認識できる。

また、判別の結果、展示推奨冊数が「０」冊ではない場合、即ち、展示推奨冊数が「１冊」でもある場合には、部分返品として返品リストへ記載する（Ｓ６０３）。
これにより、個店では、展示推奨冊数を超える在庫について、返品を行うことが推奨されていることが認識できる。

そして、推奨リスト作成処理部１７は、発注推奨冊数の絶対値を返品推奨冊数として、返品推奨冊数が多い順にソートして、これを返品推奨リストとして個店端末２に出力する（Ｓ６０４）。

この返品推奨リストとしては、図１３の例に示すように、Ｎ＋１週のランキング、本のＩＳＢＮコード、タイトル、著者名、出版社、分類、返品冊数、全部返品或いは部分返品の区分を表す情報を記載する。
これにより、個店の店員は、返品推奨リストを参考にして、返品する本を選択することができる。

本発明にかかる販売予測システムを適用した個店管理システムの全体構成を示した図。 本実施形態にかかる全店管理サーバの機能ブロック図。 本実施形態にかかる各種テーブルの一例を示した図。 （ａ）本実施形態にかかるインクリメンタル係数の算出処理を示した処理フロー。（ｂ）発売後の経過週に応じた総販売実績冊数を表したテーブル。 本実施形態にかかる全店販売予測処理を示した処理フロー。 本実施形態にかかる全店販売予測の出力リストの例を示した図。 本実施形態にかかる個店販売予測の処理フロー。 本実施形態にかかる個店販売予測の出力リストの例を示した図。 本実施形態にかかる個店展示推奨冊数の算出処理フロー。 本実施形態にかかる展示・発注推奨リストの作成の処理フロー。 本実施形態にかかる展示・発注推奨リストの例を示した図。 本実施形態にかかる返品推奨リスト作成の処理フロー。 本実施形態にかかる返品推奨リストの例を示した図。 本実施形態に係る予測処理のタイムテーブルを表した図。

符号の説明

１ 全店管理サーバ
２ 個店端末
３ 取次店端末
１１ 全店データベース
１２ 取次店在庫データベース
１３ 係数決定処理部
１４ 全店販売予測処理部
１５ 個店販売予測処理部
１６ 個店展示推奨処理部
１７ 推奨リスト作成処理部

Claims (10)

1. 各個店について、本ごとに販売冊数の予測を行うためのシステムであって、
   全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、
   本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、
   上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段と、
   本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、
   上記全店販売予測冊数記憶手段に記憶されている全店での販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理手段と、
   を有することを特徴とする販売予測システム。
2. 当該個店に対して初めて当該本が送品された初送品日からの経過時間と、この経過時間に応じた各個店での店舗ジャンル規模係数と店舗タイトル実績係数とを用いる重み付けを表す個店調整比率パラメータを記憶する個店調整比率パラメータ記憶手段を更に有し、
   上記個店販売予測処理手段は、個店ごとに当該本の初送品日からの経過時間を算出し、上記個店調整比率パラメータ記憶手段を参照して、上記算出された経過時間に対応する個店調整比率パラメータを取得して、取得した個店調整比率パラメータに基づいて、上記店舗ジャンル規模係数と店舗タイトル実績係数に重み付けを行って、当該個店での販売予測冊数を計算する、
   請求項１記載の販売予測システム。
3. 上記販売実績記憶手段を参照して、当該予測対象となる本が属するジャンルの過去の販売実績に基づいて、予測対象の本の初版販売日から第１基準日（Ｎ日目）までの総販売冊数ｐに対する、第１基準日より後の任意に定められる予測日Ｍ日目までの総販売冊数ｑとの比率（ｑ／ｐ）からＮＭ係数（ｔ）を算出し、当該本の第１基準日までの総販売実績冊数と、上記算出されたＮＭ係数（ｔ）に基づいて当該本の総販売冊数を予測するＮＭ法による本の販売予測と、
   上記販売実績記憶手段を参照して、当該予測対象となる本が属するジャンルの過去の販売実績に基づいて、過去の３つの所定期間の総販売実績冊数を用いた次の所定期間の総販売予測冊数とその期間の総販売実績冊数との誤差を最小化したインクリメンタル係数に基づいて販売予測を行うインクリメンタル法による本の販売予測法、
   のうちの少なくとも１つの販売予測法に基づいて、全店の販売予測を行い、全店での本の総販売予測冊数を上記全店販売予測冊数記憶手段に記憶する全店販売予測処理手段を更に有する、
   請求項１又は２記載の販売予測システム。
4. 上記本の発売後からの経過時間に応じて、上記ＮＭ法に基づく販売予測と、上記インクリメンタル法に基づく販売予測とを、それぞれ用いる際の重み付けであるハイブリッド比率パラメータを記憶したハイブリッド比率パラメータ記憶手段を更に有し、
   上記全店販売予測処理手段は、上記ＮＭ法に基づく販売予測と、上記インクリメンタル法に基づくそれぞれの販売予測の結果に対して、上記ハイブリッド比率パラメータ記憶手段を参照して、上記本の発売からの経過時間に応じた上記ハイブリッド比率パラメータで重み付けをして、上記２つの販売予測法に基づく販売予測を行う、
   請求項３記載の販売予測システム。
5. 上記個店の棚の優先度と、棚ごとの展示係数及び最大展示冊数及び最大展示タイトル数を記憶する個店展示係数テーブルと、
   上記各本の販売予測冊数が多い順に、上記個店展示係数テーブルの優先度が高い棚を割り付け、上記個店展示係数テーブルを参照して、割り付けられた上記棚の個店展示係数により当該本の展示推奨冊数を算出することにより、個々の本の展示推奨冊数と棚を決定し、展示推奨リストを作成する展示推奨処理手段を更に有する、
   請求項１〜４のいずれかの項に記載の販売予測システム。
6. 上記販売実績記憶手段には、個店における本ごとの販売実績冊数に加えて、棚卸冊数、送品冊数、返品冊数が記憶されており、
   最新の集計した所定期間をＮとしたとき、上記個店における棚卸冊数に、棚卸しの時点から期間Ｎまでの本ごとの送品冊数を加えて、本ごとの返品冊数及び販売実績冊数を差し引くことで、期間Ｎまでの論理在庫を求め、更に、期間Ｎ＋１の販売予測冊数を差し引くことで、期間Ｎ＋１の各店舗での本ごとの在庫予測冊数の算出を行い、上記個店販売予測処理手段により算出した次々期間Ｎ＋２の個店展示推奨冊数から、次期間Ｎ＋１の集計日の上記在庫予測冊数を差し引くことで個店の発注推奨冊数を算出し、算出した発注推奨冊数に基づいて発注推奨リストを作成して出力する出力手段を更に有する、
   請求項５に記載の販売予測システム。
7. 取次店での本の在庫データを記憶した在庫データ記憶手段を更に有し、
   上記出力手段は、上記販売実績記憶手段を参照して、個店から発注済みで、個店に送品されていない本の受注残冊数と、
   上記在庫データ記憶手段を参照して、上記発注推奨された本が、取次店で在庫があるかないかを表す在庫状態情報を上記発注推奨リストに加えて出力する、
   請求項６記載の販売予測システム。
8. 上記出力手段は、上記展示推奨処理手段により算出された展示推奨冊数が０となった本及び、上記発注推奨冊数がマイナスとなった本から返品推奨リストを作成して出力する、
   請求項６記載の販売予測システム。
9. 全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、
   本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、
   本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、を有するコンピュータが、各個店について本ごとに販売冊数の予測を行う処理を行うための方法であって、
   上記コンピュータが、
   上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段処理と、
   上記全店販売予測冊数記憶手段に記憶されている全店での販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理と、
   を行うことを特徴とする販売予測方法。
10. 全ての個店の販売管理端末から収集した販売実績を記憶する販売実績記憶手段と、
    本ごとに発売後からの経過時間に応じて算出された、全店での本の販売予測冊数を記憶する全店販売予測冊数記憶手段と、
    本のジャンルごとに、各ジャンルに分類される全店の販売実績冊数の平均と予測対象となる上記個店の販売実績冊数の比を表す店舗ジャンル規模係数を個店ごとに記憶する店舗ジャンル規模係数記憶手段と、
    を有するコンピュータを、販売予測装置として機能させるための方法であって、
    上記コンピュータに対して、
    上記販売実績記憶手段を参照して、本ごとに、全店での総販売実績冊数に対する、当該個店での総販売実績冊数の割合から、当該本に対する当該個店での販売規模を表す店舗タイトル実績係数を算出する店舗タイトル実績係数算出手段処理と、
    上記全店販売予測冊数記憶手段に記憶されている全店での販売予測冊数を基にして、上記算出された店舗タイトル実績係数又は、上記店舗ジャンル規模係数のうちの少なくともいずれかの係数に基づいて、上記個店での販売予測冊数を算出する個店販売予測処理と、
    を実行させるコンピュータプログラム。