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
販売予測システム、方法及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2008176662A JP2008176662A JP2007010795A JP2007010795A JP2008176662A JP 2008176662 A JP2008176662 A JP 2008176662A JP 2007010795 A JP2007010795 A JP 2007010795A JP 2007010795 A JP2007010795 A JP 2007010795A JP 2008176662 A JP2008176662 A JP 2008176662A
- Authority
- JP
- Japan
- Prior art keywords
- sales
- store
- book
- books
- individual
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【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
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。
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)。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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、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)
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。
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。
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。
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)。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007010795A JP4678879B2 (ja) | 2007-01-19 | 2007-01-19 | 販売予測システム、方法及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2007010795A JP4678879B2 (ja) | 2007-01-19 | 2007-01-19 | 販売予測システム、方法及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2008176662A true JP2008176662A (ja) | 2008-07-31 |
JP4678879B2 JP4678879B2 (ja) | 2011-04-27 |
Family
ID=39703622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2007010795A Expired - Fee Related JP4678879B2 (ja) | 2007-01-19 | 2007-01-19 | 販売予測システム、方法及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4678879B2 (ja) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013109506A (ja) * | 2011-11-18 | 2013-06-06 | Visual Japan Inc | 書籍の注文及び返品支援システム |
JP2016130991A (ja) * | 2015-01-15 | 2016-07-21 | 株式会社ビジュアルジャパン | 書籍の注文支援システムおよび書籍の注文支援プログラム |
JP6139770B1 (ja) * | 2016-12-05 | 2017-05-31 | 株式会社 コスパクリエーション | レコメンド装置、方法およびプログラム |
JP2019102035A (ja) * | 2017-12-08 | 2019-06-24 | 大日本印刷株式会社 | 推奨度判定装置、表示システム、制御方法及びプログラム |
JP2020064351A (ja) * | 2018-10-15 | 2020-04-23 | 凸版印刷株式会社 | 商品管理システム、商品管理方法及びプログラム |
CN111062749A (zh) * | 2019-12-12 | 2020-04-24 | 北京爱奇艺科技有限公司 | 增长量预估方法、装置、电子设备及存储介质 |
JP2021021977A (ja) * | 2019-07-24 | 2021-02-18 | 東芝テック株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
KR20210065345A (ko) * | 2019-11-27 | 2021-06-04 | 주식회사 지에스리테일 | 구매 예약 서비스 제공 시스템 및 방법 |
CN113763065A (zh) * | 2020-06-17 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN116151861A (zh) * | 2023-04-21 | 2023-05-23 | 杭州比智科技有限公司 | 基于间断时间序列样本构建的销量预测模型及构建方法 |
CN116433145A (zh) * | 2023-03-10 | 2023-07-14 | 广州手拉手互联网股份有限公司 | 电商数据监测与订单管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002007664A (ja) * | 2000-06-21 | 2002-01-11 | Heiando:Kk | 書籍情報管理システムおよび管理方法 |
JP2002183548A (ja) * | 2000-12-15 | 2002-06-28 | Mitsubishi Electric Information Systems Corp | 書籍自動発注システム及び書籍自動発注方法及びプログラムを記録したコンピュータ読み取り可能な記録媒体及びプログラム |
JP2004334327A (ja) * | 2003-04-30 | 2004-11-25 | Nri & Ncc Co Ltd | 発注提案システムおよび方法 |
JP2006185230A (ja) * | 2004-12-28 | 2006-07-13 | Hitachi Ltd | 流通在庫偏在解消システム、装置および方法 |
-
2007
- 2007-01-19 JP JP2007010795A patent/JP4678879B2/ja not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002007664A (ja) * | 2000-06-21 | 2002-01-11 | Heiando:Kk | 書籍情報管理システムおよび管理方法 |
JP2002183548A (ja) * | 2000-12-15 | 2002-06-28 | Mitsubishi Electric Information Systems Corp | 書籍自動発注システム及び書籍自動発注方法及びプログラムを記録したコンピュータ読み取り可能な記録媒体及びプログラム |
JP2004334327A (ja) * | 2003-04-30 | 2004-11-25 | Nri & Ncc Co Ltd | 発注提案システムおよび方法 |
JP2006185230A (ja) * | 2004-12-28 | 2006-07-13 | Hitachi Ltd | 流通在庫偏在解消システム、装置および方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013109506A (ja) * | 2011-11-18 | 2013-06-06 | Visual Japan Inc | 書籍の注文及び返品支援システム |
JP2016130991A (ja) * | 2015-01-15 | 2016-07-21 | 株式会社ビジュアルジャパン | 書籍の注文支援システムおよび書籍の注文支援プログラム |
JP6139770B1 (ja) * | 2016-12-05 | 2017-05-31 | 株式会社 コスパクリエーション | レコメンド装置、方法およびプログラム |
JP2018092396A (ja) * | 2016-12-05 | 2018-06-14 | 株式会社 コスパクリエーション | レコメンド装置、方法およびプログラム |
JP7114888B2 (ja) | 2017-12-08 | 2022-08-09 | 大日本印刷株式会社 | 推奨度判定装置、表示システム、制御方法及びプログラム |
JP2019102035A (ja) * | 2017-12-08 | 2019-06-24 | 大日本印刷株式会社 | 推奨度判定装置、表示システム、制御方法及びプログラム |
JP7259256B2 (ja) | 2018-10-15 | 2023-04-18 | 凸版印刷株式会社 | 商品管理システム、商品管理方法及びプログラム |
JP2020064351A (ja) * | 2018-10-15 | 2020-04-23 | 凸版印刷株式会社 | 商品管理システム、商品管理方法及びプログラム |
JP2021021977A (ja) * | 2019-07-24 | 2021-02-18 | 東芝テック株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
JP7387319B2 (ja) | 2019-07-24 | 2023-11-28 | 東芝テック株式会社 | 情報処理装置及び情報処理プログラム |
KR20210065345A (ko) * | 2019-11-27 | 2021-06-04 | 주식회사 지에스리테일 | 구매 예약 서비스 제공 시스템 및 방법 |
KR102367305B1 (ko) * | 2019-11-27 | 2022-02-23 | 주식회사 지에스리테일 | 구매 예약 서비스 제공 시스템 및 방법 |
CN111062749A (zh) * | 2019-12-12 | 2020-04-24 | 北京爱奇艺科技有限公司 | 增长量预估方法、装置、电子设备及存储介质 |
CN113763065A (zh) * | 2020-06-17 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 推荐商品的方法、装置、设备和计算机可读介质 |
CN116433145A (zh) * | 2023-03-10 | 2023-07-14 | 广州手拉手互联网股份有限公司 | 电商数据监测与订单管理方法及系统 |
CN116433145B (zh) * | 2023-03-10 | 2023-12-19 | 广州手拉手互联网股份有限公司 | 电商数据监测与订单管理方法及系统 |
CN116151861A (zh) * | 2023-04-21 | 2023-05-23 | 杭州比智科技有限公司 | 基于间断时间序列样本构建的销量预测模型及构建方法 |
Also Published As
Publication number | Publication date |
---|---|
JP4678879B2 (ja) | 2011-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4678879B2 (ja) | 販売予測システム、方法及びコンピュータプログラム | |
Dolgui et al. | Does the ripple effect influence the bullwhip effect? An integrated analysis of structural and operational dynamics in the supply chain | |
Yang et al. | Integrated multi-period dynamic inventory classification and control | |
Axsäter et al. | A distribution inventory model with transshipments from a support warehouse | |
Ben-Daya et al. | Consignment and vendor managed inventory in single-vendor multiple buyers supply chains | |
Veinott Jr | Optimal policy in a dynamic, single product, nonstationary inventory model with several demand classes | |
Li et al. | Revisiting rescheduling: MRP nervousness and the bullwhip effect | |
Sitompul et al. | Safety stock placement problem in capacitated supply chains | |
Archibald | Modelling replenishment and transshipment decisions in periodic review multilocation inventory systems | |
Altendorfer et al. | An analytical model for service level and tardiness in a single machine MTO production system | |
Rezapour et al. | Strategic design of competing supply chain networks for inelastic demand | |
Firoozi et al. | Distribution network design for fixed lifetime perishable products: a model and solution approach | |
Englberger et al. | Two-stage stochastic master production scheduling under demand uncertainty in a rolling planning environment | |
JP2021163485A (ja) | スマートサプライチェーンシステム | |
Tan et al. | A discrete-in-time deteriorating inventory model with time-varying demand, variable deterioration rate and waiting-time-dependent partial backlogging | |
Khilwani et al. | Hybrid Petri-nets for modelling and performance evaluation of supply chains | |
Satır et al. | Shipment consolidation with two demand classes: Rationing the dispatch capacity | |
JP2012247964A (ja) | 進捗管理装置、及び進捗管理プログラム | |
Teimoury et al. | An integrated operations-marketing perspective for making decisions about order penetration point in multi-product supply chain: a queuing approach | |
JP2010117919A (ja) | 棚割データ作成システム及び曜日別販売個数予測システム | |
Khamseh et al. | A new dynamic optimisation model for operational supply chain recovery | |
Mahar et al. | Appreciating how your bread is buttered: improving online order allocation for cross-channel retailers | |
de Kok | Modelling short-term manufacturing flexibility by human intervention and its impact on performance | |
Pillai et al. | Performance analysis of some supply chain replenishment strategies | |
Weng et al. | An efficient priority rule for scheduling job shops to minimize mean tardiness |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20080618 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20101027 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20101224 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110118 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110131 |
|
R150 | Certificate of patent (=grant) or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (prs date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140210 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |