JP2009251779A - 販売数予測システム、販売数予測方法および販売数予測プログラム - Google Patents

Abstract

【課題】時間の経過とともに変化する需要、すなわち販売数を自動的に予測する。
【解決手段】売上データベースと、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、短期データの組を生成する短期データ群生成部と、長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、スコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、仮想短期データを生成する仮想短期データ生成部と、スコアを算出するスコア算出部と、予測対象時刻における閾値を推定する閾値推定部と、予測対象時刻の販売数を予測する販売数予測部とを備える。
【選択図】図１

Description

本発明は、小売業が販売する商品またはサービスの需要を予測する販売数予測システム、販売数予測方法および販売数予測プログラムに関し、特に顧客情報を用いた需要を予測する販売数予測システム、販売数予測方法および販売数予測プログラムに関する。

小売店では、ＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅｓ）システムが用いられており、収集された商品の売上データは様々に活用されている。その中で、売上データに基づいて商品の需要を予測し、発注に活用するシステムがある。

例えば、特許文献１には、商品の売上実績から、売価や天気などの各種変動要因による売上の変動を考慮して商品の需要を予測するシステムが記載されている。

特許文献２には、新商品を構成するユニット仕様毎に販売予測を行う方法が記載されている。商品の商品特性などをニューラルネットワーク式で表現した販売構成比モデル関数に代入することによって、ユニット仕様別の販売構成比を算出する。

また、特許文献３には、過去の販売実績数量から販売量を予測する装置が記載されている。専門家が持っている経験則をルールとして体系化し、そのルールを使って販売予測をする方法であり、調整した結果を検証するために、手入力による仮想データでシミュレーションを行い、アラームを表示する手段も記載されている。

特許文献４には、ＰＯＳデータの分析から消費者の併売傾向を把握するシステムが記載されている。

特開２００４−３３４３２６号公報 特開２００３−１２２８９５号公報 特開平０７−１７５７８７号公報 特開２００７−０９４５９２号公報

商品やサービスは、時間の経過とともに価値が変化し、それに伴って需要が変化するが、特許文献１に記載されている需要予測では、時間の経過とともに変化する需要を予測することができない。その理由は、時間の経過とともに需要が変化しないことを前提として、長期間の売上実績を各種変動要因による影響で調整して、需要を予測するからである。

特許文献２，３に記載されている販売数予測システムは、専門家による知見無しに自動的に販売数を予測することができない。その理由は、特許文献２では、商品特性を自動的に推定する方法は開示されておらず、実施の形態では、現行車、新車共に開発者が特性値を百分率で指定するよう構成されているためである。従って、開発者という専門家による商品特性の数値化が必要であり、自動的に販売数を予測することはできない。特許文献３でもまた、専門家による経験則なしに自動的に販売量を予測する方法は開示されていない。ファジイ・ニューロデータテーブルにプロダクションルールとメンバシップ関数が予め登録されており、そのプロダクションルールとメンバシップ関数を自動的に生成する方法は開示されていない。従って、時間の経過とともに変化する需要を予測するためのプロダクションルールは、専門家が与える必要があり、専門家による既知のルールの範囲内でしか分析することができない。

特許文献４に記載されているマーケティングデータ収集分析システムは、販売数を分析することはできるが、予測することはできない。

また、商品やサービスの価値は、個別の顧客の特性に応じて異なるが、特許文献１，２，３は、そのような違いを考慮しない。その理由は、売上数に基づいて処理するため、個別の顧客の違いは総和され相殺されてしまうためである。特許文献４に記載されているシステムでは、顧客特性を考慮するが、顧客特性を指定するのはシステムのユーザであり、自動的に分類した顧客特性に応じた需要を分析することはできない。

そこで、本発明は、時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を自動的に予測する販売数予測システム、予測方法および予測プログラムを提供することを目的とする。

本発明による販売数予測システムは、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えたことを特徴とする。

本発明による販売数予測方法は、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、長期データの属性に基づいてラベルを判定するルールであって第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出し、閾値の時系列的な変化を解析し、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成し、生成した仮想短期データと分類器とに基づいて、スコアを算出し、解析した結果に基づいて、予測対象時刻における閾値を推定し、算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測することを特徴とする。

本発明による販売数予測プログラムは、コンピュータに、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、閾値の時系列的な変化を解析する時系列解析処理と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成処理と、仮想短期データ生成処理で生成した仮想短期データと長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、スコア算出処理で算出したスコアと閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数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、変動要因を考慮しながら時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を予測することができるという効果がある。

まず、本発明の概要について図面を参照して説明する。図１は、本発明による販売数予測システムの最小の構成例を示すブロック図である。図１に例示する販売数予測システムは、売上データベース１と、短期データ群生成部３１と、長期データ生成部３２と、長期分類器生成部３３と、短期閾値群推定部３４と、時系列解析部３５と、仮想短期データ生成部４１と、スコア算出部４２と、閾値推定部４３と、販売数予測部４４とを備える。

売上データベース１は、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する。

短期データ群生成部３１は、売上データベース１が記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する。

長期データ生成部３２は、短期データ群生成部３１が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する。

長期分類器生成部３３は、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する。

短期閾値群推定部３４は、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する。

時系列解析部３５は、閾値の時系列的な変化を解析する。

仮想短期データ生成部４１は、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する。

スコア算出部４２は、仮想短期データ生成部４１が生成した仮想短期データと長期分類器生成部３３が生成した分類器とに基づいて、スコアを算出する。

閾値推定部４３は、時系列解析部３５が解析した結果に基づいて、予測対象時刻における閾値を推定する。

販売数予測部４４は、スコア算出部４２が算出したスコアと閾値推定部４３が推定した閾値とに基づいて、予測対象時刻の販売数を予測する。

図１に示すように構成すれば、変動要因を考慮しながら時間の経過とともに変化する商品またはサービスの需要、すなわち販売数を予測することができる。

なお、本発明による販売数予測システムの好ましい一態様は、例えば、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースと、売上データベースの情報に基づいて、属性を販売条件、ラベルを１つの商品またはサービスが販売されれば第１ラベル、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期間データの組に基づいて長期データを生成する長期データ生成部と、長期間のデータの属性からラベルを判定するルールであって第１ラベルらしさ（または第２ラベルらしさ）の実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器で各短期データのスコアを算出し、各短期データのラベルとスコアとに基づいて、スコアの閾値を算出する短期閾値群推定部と、閾値の時系列的な変化を解析する時系列解析部と、長期データの属性に基づいて生成された仮想的な販売条件である仮想データの属性と予測対象時刻の販売条件とに基づいて、仮想短期データを生成する仮想短期データ生成部と、仮想短期データと分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部での解析に基づいて、予測対象時刻の閾値を推定する閾値推定部と、スコア算出部で算出されたスコアと閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えることを特徴とする。

また、本発明による販売数予測システムの好ましい他の一態様は、例えば、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースと、売上データベースの情報に基づいて、属性を販売条件、ラベルを１つの商品またはサービスが販売されれば第１ラベル、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、短期間データの組に基づいて長期データを生成する長期データ生成部と、長期間のデータの属性からラベルを判定するルールであって第１ラベルらしさ（または第２ラベルらしさ）の実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器で各短期データのスコアを算出し、各短期データのラベルとスコアとに基づいて、スコアの閾値を算出する短期閾値群推定部と、長期データの属性に基づいて生成した仮想データの属性と分類器とに基づいて仮想データのスコアを算出し、スコアと短期閾値群推定部で推定された閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部と、販売率と閾値との関数を推定する閾値関数推定部と、仮想データの属性と予測対象時刻の販売条件とに基づいて、仮想短期データを生成する仮想短期データ生成部と、仮想短期データと分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部での解析に基づいて、予測対象時刻の閾値を推定する閾値推定部と、スコア算出部で算出されたスコアと閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えることを特徴とする。

また、本発明による販売数予測システムの好ましい他の一態様は、例えば、前述した２つの構成のいずれかに加えて、１つ以上の顧客の情報を記憶した顧客データベースと、売上データベースの情報の一部には顧客との対応を記憶した売上データベースとを含み、短期データ群生成部は、属性を販売条件と顧客の情報とすることを特徴とする。

実施形態１．
以下、本発明の第１の実施形態を図面を参照して説明する。なお、有料で商品やサービスを利用する者だけでなく、無料で商品やサービスを利用する者や、今後商品やサービスを利用すると思われる潜在顧客も顧客と呼ぶ。商品やサービスが無料の場合は、売価は０とする。また、商品またはサービスの概念としては、製品などの完成品だけでなく、製品の機能を維持するための最小単位も含まれる。さらに、ある商品またはサービスのカテゴリを１つの商品と考えて適用することもできる。

本発明による販売数予測システムは、販売数の時系列的な変化を予測する。図２は、本発明による販売数予測システムの第１の実施形態の構成例を示すブロック図である。図２に示す第１の実施形態の販売数予測システムは、売上実績のデータを記憶する売上データベース（以下、売上ＤＢと記す）１と、記憶部２と、各種変動要因を考慮しながら販売実績を分析する分析部３と、販売数を予測する予測部４とを備える。

売上ＤＢ１は、１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報（売上実績データ）を記憶する。売上ＤＢ１は、売上実績データとして、１度のレジで販売された商品またはサービスの情報を集めたデータを記憶する。図３は、売上ＤＢ１が記憶するデータの例を示す説明図である。売上ＤＢ１が記憶する売上実績データは、商品またはサービスの売価、売上数、天気、曜日、時刻など様々な情報のいずれか１つ以上を含む。図３には、売上ＤＢ１が、販売条件に対応付けて、商品Ａ，Ｂの売価、供給の有無および販売数を含むデータを記憶する場合を例示する。販売条件は、例えば、商品を販売した年月日、曜日、時刻、天気等を含む情報であって、商品を販売するにあたっての条件を示す情報である。また、売上ＤＢ１が記憶するデータは、販売数を予測しようとする商品またはサービスに関してだけでなく、それ以外の商品またはサービスの情報を含むことができる。

記憶部２は、長期データベース（以下、長期ＤＢと記す）２１と、条件データベース（以下、条件ＤＢと記す）２２と、分類器データベース（以下、分類器ＤＢと記す）２３と、閾値データベース（以下、閾値ＤＢと記す）２４とを備える。

長期ＤＢ２１は、後述する長期データ生成部３２が生成した長期データを記憶する。

条件ＤＢ２２は、ある期間における販売条件と、来店した顧客に対して販売した回数（レジ打ちの回数）である販売回数との組を記憶する。ここで、複数の商品やサービスを同時に販売した場合は、販売回数は１回とする。

分類器ＤＢ２３は、ある商品またはサービスの購入されやすさを示す実数値を出力するためのルール（分類器）を記憶する。

閾値ＤＢ２４は、商品またはサービス毎に、時刻に対応させて、購入するか否かを判定するための閾値を求める式を記憶する。

分析部３は、短期データ群生成部３１と、長期データ生成部３２と、長期分類器生成部３３と、短期閾値群推定部３４と、時系列解析部３５とを備える。

短期データ群生成部３１は、例えばユーザによって複数の期間（期間の組）が入力されると、売上ＤＢ１に基づいて、複数の期間に対応する複数の短期データを生成する。ここで、期間の組とは、売上ＤＢ１に売上実績が入力されている期間の中で、分析対象となる期間の組である。例えば、９０日間の販売実績があり、期間を１日ずつとすると、期間の組は、１日目、２日目、・・・、９０日目として入力される。入力される期間は３時間や１週間などでもよい。

短期データは、属性とクラス（ラベル）とを含む情報である。属性は、例えば、売上ＤＢ１が記憶する売上実績データが含む販売条件、各商品の売価および供給の有無を含む情報である。また、クラスは、商品が販売されたか否かを示す情報である。以下、ある所定の期間（時刻）ｔにおける短期データを、短期データｔと表記する場合がある。

図４は、商品Ａについて販売数を予測する場合の短期データの例を示す説明図である。図４には、期間を２００８年３月１０日とし、対象商品Ａの販売数やそれ以外の商品の販売数を除いて、短期データの属性（項目）とする場合を例示する。短期データ群生成部３１は、対象商品Ａの販売数が１以上なら、クラスを正（＋）とし、０以下なら、クラスを負（−）として短期データを生成する。

また、短期データ群生成部３１は、所定の期間における販売条件と販売回数との組を条件ＤＢ２２に記憶させる。短期データ群生成部３１は、例えば、入力された期間に合致する年月日を販売条件に含む売上実績データを抽出し、販売回数を算出して、条件ＤＢ２２に記憶させる。

長期データ生成部３２は、短期データ群生成部３１が生成した短期データを全て合わせることにより、長期データを生成し、長期ＤＢ２１に記憶させる。

長期分類器生成部３３は、長期データ生成部３２が生成した長期データに基づいて、分類器を生成し、分類器ＤＢ２３に記憶させる。

本発明における分類器は、属性とクラス（ラベル）との組であるデータを入力すると、第１ラベルらしさ（または第２ラベルらしさ）を示す数値であるスコアを出力するルールである。例えば、第１ラベルは、商品またはサービスが販売されたことを示す情報であり、第２ラベルは、商品またはサービスが販売されなかったことを示す情報である。すなわち、分類器は、例えば、属性とクラスとの組に、商品の購入されやすさを示す実数値（スコア）が対応付けられたルールである。長期分類器生成部３３が分類器を生成する方法については、後述する。

短期閾値群推定部３４は、長期分類器生成部３３が生成した分類器と複数の短期データとに基づいて、複数の閾値を推定（算出）する。短期閾値群推定部３４が算出する閾値は、スコアの閾値であって、例えば、正（＋）のクラスと負（−）のクラスとの境界に対応するスコアの値である。

時系列解析部３５は、短期閾値群推定部３４が推定した複数の閾値を時系列解析し、閾値を求める式を閾値ＤＢ２４に記憶させる。すなわち、時系列解析部３５は、閾値の時系列的な変化を解析する。

予測部４は、仮想短期データ生成部４１と、スコア算出部４２と、閾値推定部４３と、販売数予測部４４とを備える。

仮想短期データ生成部４１は、例えばユーザによって、予測対象期間（時刻）と予測対象期間における販売条件とが入力されると、長期ＤＢ２１と条件ＤＢ２２とに基づいて、予測対象期間での仮想的な販売条件である属性を示す仮想短期データの属性を生成する。仮想短期データは、例えば、販売数を予測するための仮想的な売上データである。

予測対象期間は、例えば、ユーザが販売数の予測を希望する対象期間を示す情報である。また、予測対象期間における販売条件とは、例えば、予測対象期間に商品を販売するにあたっての条件を示す情報である。

スコア算出部４２は、分類器ＤＢ２３に記憶されている分類器と仮想短期データの属性とに基づいて、仮想短期データの個別データ（各レコード）に対するスコアを算出する。

閾値推定部４３は、閾値ＤＢ２３に記憶されている閾値を求める式に基づいて、予測対象期間における閾値を推定する。

販売数予測部４４は、仮想短期データの個別データのスコアと予測対象期間の閾値とに基づいて、予測対象期間の販売数を予測する。

なお、分析部３の短期データ群生成部３１に入力される分析対象の期間の組や、予測部４の仮想短期データ生成部４１に入力される予測対象期間と予測対象期間での販売条件などは、キーボードなどの入力装置（図示せず。）を介して、入力されてもよい。また、予測された販売数を出力するためのディスプレイなどの出力装置（図示せず。）が設けられていてもよい。

なお、販売数予測システムは、コンピュータで実現可能であり、販売数予測システムを構成する分析部３および予測部４は、コンピュータの処理装置（ＣＰＵ）に上述した機能を実現させるためのプログラムとして実現可能である。そのコンピュータは、売上ＤＢ１および記憶部２を内蔵してもよい。

次に、図面を参照して第１の実施形態の動作について説明する。

図５は、本発明の販売数予測システムにおける分析部３の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、期間の組がＴ個入力されると、販売数予測システムは、以下のように動作する。

短期データ群生成部３１は、売上ＤＢ１と入力された期間の組に基づいて、短期間の販売データである短期データ１，・・・短期データＴを作成する（ステップＳ１０１）。また、短期データ群生成部３１は、期間での販売条件と販売回数との組を条件ＤＢ２２に記憶させる（ステップＳ１０２）。ここで、販売条件からは、商品の売価のように、来店前には分からず来店後に影響すると思われる条件を除くものとする。また、販売回数とは、短期データの個別データ（各レコード）の数である。

長期データ生成部３２は、短期データ１，・・・短期データＴを合わせて、長期データを作成し、長期ＤＢ２１に記憶させる（ステップＳ１０３）。

長期分類器生成部３３は、長期データを用いて分類器を生成し、分類器ＤＢ２３に記憶させる（ステップＳ１０４）。

本発明における分類器は、属性とクラスとの組であるデータを入力すると、第１ラベルらしさ（または第２ラベルらしさ）の数値であるスコアを出力するルールである。長期分類器生成部３３は、属性とクラスとの組であるデータが入力されると、分類器を作成するための様々なアルゴリズムを用いて、分類器を生成する。

例えば、分類器は、ニューラルネットワーク、サポートベクタマシン、アンサンブル学習など、出力が連続値となる分類器ならいずれでもよいし、これらの組合せでもよい。ここでは、説明の都合上、長期分類器生成部３３は、クラスが正のときに出力値（スコア）が大きくなるような分類器を生成するとする。

短期閾値群推定部３４は、まず、時刻ｔを１に初期化する（ステップＳ１０５）。次に、短期閾値群推定部３４は、長期分類器生成部３３が生成した分類器を用いて、短期データｔのスコアを算出する（ステップＳ１０６）。例えば、短期閾値群推定部３４は、分類器ＤＢ２３が記憶する分類器に、短期データｔに含まれる属性およびクラスを入力して、スコアを出力させる。

それから、短期閾値群推定部３４は、短期データｔのクラスおよびスコアに基づいて、スコアの閾値を算出する。例えば、短期閾値群推定部３４は、実数である閾値を変化させながら、スコア（閾値）に基づいてクラスを予測し、予測したクラスと実際のクラスとに基づいて誤差を算出し、誤差が最小となる閾値（以下、Ｔｈｒｅｓ［ｔ］と記す）を求める（ステップＳ１０７）。誤差は、例えば、予測したクラスと実際のクラスが異なる数とする。あるいは、実際のクラスが正である個別データ数と予測したクラスが正である個別データ数との差の絶対値とする。

図６は、短期データｔのスコアの例を示す説明図である。短期閾値群推定部３４は、ステップＳ１０６において、図６に示すように、短期データの中の個別データに対して、購入されやすさを示すスコアを算出する。また、短期閾値群推定部３４は、図６に示す例では、ステップＳ１０７において、閾値０．６に対するクラスおよび閾値０．８に対するクラスをそれぞれ予測する。短期閾値群推定部３４は、ＩＤ１の個別データに対し、閾値０．６に対するクラスと実際のクラスとの誤差を０と算出し、ＩＤ２の個別データに対し、閾値０．８に対するクラスと実際のクラスとの誤差を１と算出する。図６に示す例では、例えば、１つの短期データがＩＤ１からＩＤ３までの３つの個別データだったと仮定すると、閾値０．６における誤差が０であり、閾値０．８における誤差が１であるため、短期閾値群推定部３４は、Ｔｈｒｅｓ［ｔ］＝０．６と算出する。

短期閾値群推定部３４は、ｔをＴと比較し（ステップＳ１０８）、ｔ＜Ｔの場合（Ｙｅｓ）、ステップＳ１０９に動作を移し、ｔ≧Ｔの場合（Ｎｏ）、ステップＳ１１０に動作を移す。

ステップＳ１０９で、短期閾値群推定部３４は、ｔをインクリメントして、ステップＳ１０６に動作を移す。

時系列解析部３６は、時系列解析により、時刻ｔに対する閾値Ｔｈｒｅｓ［ｔ］（ｔ＝１，・・・，Ｔ）を求める式を推定し、閾値ＤＢ２４に記憶させる（ステップＳ１１０）。時系列解析部３６は、時系列解析により、例えば、以下の式で表されるような自己回帰移動平均モデルなどを推定する。

ここで、ａ［ｉ］、ｂ［ｊ］は任意の定数パラメタであり、ｐは、自己回帰の次数、ｑは過去の残差の移動平均の次数、ｅ［ｔ］は、残差である。モデルの推定では、ｅ［ｔ］を平均０の正規分布と仮定して、データＴｈｒｅｓ［ｔ］（ｔ＝１，・・・，Ｔ）に合うように各種パラメタを推定すればよい。ここで、処理の前に、閾値の外れ値を適当に補完して用いてもよい。

図７は、本発明の販売数予測システムにおける予測部４の処理経過の例を示すフローチャートである。予測部４は、キーボードの入力装置などを介して、予測対象期間（予測対象時刻とその期間）や、予測対象期間における売価、天気などの販売条件を入力されると、以下のように動作する。

仮想短期データ生成部４１は、まず、長期ＤＢ２１から、入力された販売条件と類似する属性を抽出し、入力された予測対象期間（時刻）における販売条件と合致するように販売条件を書き換えて、仮想短期データとする（ステップＳ２０１）。ここで、仮想短期データ生成部４１は、長期データの属性の一部をランダムに変化させて生成した属性を加えてから、属性を抽出してもよい。

仮想短期データ生成部４１は、仮想短期データ中の個別データの数をＮＡＬＬとする（ステップＳ２０２）。すなわち、ＮＡＬＬは、仮想短期データにおける販売回数である。

スコア算出部４２は、分類器ＤＢ２３に記憶されている分類器を用いて、仮想短期データの属性から、仮想短期データのスコアを算出する（ステップＳ２０３）。

閾値推定部４３は、閾値ＤＢ２４に記憶されている閾値を求める式に基づいて、予測対象期間での閾値を計算する（ステップＳ２０４）。

販売数予測部４４は、予測されたラベルと閾値とに基づいて、販売と予測される個別データ数ＮＰを計算する（ステップＳ２０５）。例えば、販売数予測部４４は、ステップＳ２０３で算出した仮想短期データのスコアと、ステップＳ２０４で算出した閾値とを比較し、クラスが正（販売）であると予測した仮想短期データの個別データ数ＮＰを算出する。

そして、販売数予測部４４は、条件ＤＢ２２の中から、入力された販売条件に合致する販売回数Ｎを抽出し（ステップＳ２０６）、販売と予測される個別データ数をＮ×ＮＰ／ＮＡＬＬなどと正規化して、対象商品またはサービスの予測販売数とする（ステップＳ２０７）。

ここで、入力された販売条件に合致する条件（販売回数）が条件ＤＢ２２に複数あるときは、例えば、複数の販売回数の平均とする。または、最近の販売回数としてもよい。入力された販売条件に合致する条件が条件ＤＢ２２にないときは、最も類似した条件での販売回数とする。

また、予測された販売数のみを出力する例を説明したが、システムのユーザが信頼性を知るため、分析部３が算出した誤差などの情報を出力してもよい。例えば、短期閾値群推定部３４が推定した閾値のグラフや、短期閾値群推定部３４で推定された閾値と時系列解析部３５で推定される閾値との差である誤差などを出力装置に出力してもよい。

また、記憶部２を設けずに、必要になる都度、売上ＤＢ１からデータや分類器などを生成してもよい。

また、分析部３が分析した後に続けて予測部４が販売数を予測する例を説明したが、分析部３だけで分析することもできる。また、分析部３が予め分析した結果に基づいて、予測部４を動作させてもよい。また、分析部３による分析結果をシステムのユーザが修正したり補完したりした後で予測部４を動作させてもよい。

以上に説明したように、第１の実施形態によれば、各種変動要因を含んだ長期データを用いて分類器を生成し、短期データを予測することにより、時系列的な変化を閾値の変化で評価して、販売数を予測する。従って、各種変動要因を考慮しながら、販売数の時系列的な変化を予測することができる。また、個別の販売条件における購入されやすさのスコアを計算する。従って、最適な販売条件について分析することができる。

実施形態２．
第２の実施形態の販売数予測システムは、第１の実施形態の構成に加えて顧客データベースを備えたシステムであり、購買しやすい顧客特性と販売条件を分析、予測することができる。すなわち、第２の実施形態の販売数予測システムは、自動的に分類された顧客特性に応じて個別の顧客の需要を予測することを目的とする。

図８は、本発明による販売数予測システムの第２の実施形態の構成例を示すブロック図である。第２の実施形態の販売数予測システムは、売上ＤＢ１と、顧客の情報を含んだデータである顧客データベース（以下、顧客ＤＢと記す）５と、記憶部２と、分析部６と、販売数を予測する予測部４とを備える。

売上ＤＢ１、記憶部２、予測部４は、それぞれ、第１の実施形態における売上ＤＢ１、記憶部２、予測部４と同様である。分析部６は、第１の実施形態における分析部３に対し、短期データ群生成部３１が短期データ群生成部６１に変更されている。以降、第１の実施形態と異なる部分のみを説明する。

顧客ＤＢ５は、顧客カードや販売時の店員の操作などにより、顧客特性を収集したデータを記憶する。図９は、顧客ＤＢ５が記憶するデータの例を示す説明図である。顧客ＤＢ５が記憶するデータは、顧客の年齢、性別、職業などや、商品全体において最も頻繁に購入する曜日・時刻や購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻や購入頻度など様々な情報のいずれか１つ以上を含む。図９には、顧客ＤＢ５が、顧客を特定可能な顧客ＩＤに対応付けて、顧客の特性である年齢、性別、職業、商品等を最も繁盛に購入する最頻曜日、最頻時刻および頻度を含む情報を記憶する場合を例示する。

なお、売上ＤＢ１は、顧客との対応付けが可能な情報（例えば、顧客ＩＤ）を記憶してもよい。

短期データ群生成部６１は、例えばユーザによって複数の期間が入力されると、売上ＤＢ１と顧客ＤＢ５とに基づいて、複数の期間に対応する複数の短期データを生成する。例えば、短期データ群生成部６１は、属性となる顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻や購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む短期データを生成する。

次に、図面を参照して第２の実施形態の動作について説明する。

図１０は、本発明の販売数予測システムにおける分析部６の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、期間の組がＴ個入力されると、販売数予測システムは、以下のように動作する。

短期データ群生成部６１は、売上ＤＢ１と顧客ＤＢ５とに基づいて、複数の期間に対応する複数の短期データを生成する（ステップＳ３０１）。

図１１は、図３に例示する売上データと、図９に例示する顧客データとから生成した短期データの例を示す説明図である。なお、顧客に対応付けられない売上がある場合には、顧客に関する属性は、不明としてよい。図１１に示す例では、不明な属性を「？」で現している。また、販売に不要と思われる属性があれば、計算時間を短縮するために、システムのユーザが予め指定しておくことにより、短期データを生成するときに除くようにしてもよい。

なお、図１０におけるステップＳ１０２からステップＳ１１０の処理は、第１の実施形態における処理と同様なため説明を省略する。

次に、第２の実施形態の効果について、説明する。第２の実施形態では、売上ＤＢ１と顧客ＤＢ５とに基づいて仮想データが生成され、予測部４が顧客特性と販売条件などの属性から、購入されやすさのスコアを計算する。従って、どのような顧客がどのような販売条件でいつ頃なら購入しやすいかについて分析、予測することができる。すなわち、個別の顧客の需要を予測することができる。

実施形態３．
第３の実施形態の販売数予測システムは、第１および第２の実施形態と同様の効果を持つシステムであり、特に近似式を単純にすることができるため、推定に用いる期間の組の数がより少ない場合に適する。

図１２は、本発明の販売数予測システムの第３の実施形態の例を示すブロック図である。図１２に示す第３の実施形態の販売数予測システムは、売上ＤＢ１と、顧客ＤＢ５と、記憶部７と、分析部８と、予測部９とを備える。

売上ＤＢ１、顧客ＤＢ５は、それぞれ、第２の実施形態における売上ＤＢ１、顧客ＤＢ５と同様である。

記憶部７は、仮想データの属性とスコアを記憶する仮想ＤＢ７１と、条件ＤＢ２２と、分類器ＤＢ２３と、販売回数中の対象商品またはサービスの販売の割合である販売率に対し閾値を求める式を記憶する閾値ＤＢ７２とを備える。

分析部８は、第２の実施形態における分析部６において、時系列解析部３５の代わりに、閾値平滑化部８１と、仮想データ生成部８２と、閾値関数推定部８３とを備える。

予測部９は、仮想短期データ生成部９１と、スコア算出部４２と、閾値推定部９２と、販売数予測部４４とを備える。以降、第２の実施形態と異なる部分のみを説明する。

閾値群平滑化部８１は、短期閾値群推定部３４で推定された閾値を平滑化する。

仮想データ生成部８２は、長期データ生成部３２で生成された長期データに基づいて仮想データの属性を生成し、生成した仮想データの属性と分類器ＤＢ２３に記憶された分類器とに基づいて、仮想データのスコアを算出する。仮想データは、例えば、販売率を算出するための仮想的な売上データである。

閾値関数推定部８３は、仮想データのスコアに基づいて、ある時刻での販売率に対して、次の時刻の閾値Ｔｈｒｅｓ［ｔ］を求める式を推定し、推定された式と最終閾値Ｔｈｒｅｓ［Ｔ］とを閾値ＤＢ７２に記憶させる。

仮想短期データ生成部９１は、仮想ＤＢ７１に記憶された仮想データに基づいて、仮想短期データの属性を生成する。

閾値推定部９２は、閾値ＤＢ７２に記憶されている閾値を求める式と最終閾値Ｔｈｒｅｓ［Ｔ］とに基づいて、予測対象時刻での閾値を計算する。

次に、図面を参照して第３の実施形態の動作について説明する。

図１３は、本発明の販売数予測システムにおける分析部８の閾値平滑化部８１と仮想データ生成部８２と閾値関数推定部８３との処理経過の例を示すフローチャートである。

閾値平滑化部８１は、Ｔｈｒｅｓ［１］，・・・Ｔｈｒｅｓ［Ｔ］を平滑化する（ステップＳ４０１）。平滑化は、移動平均を取るなどにより行う。移動平均とは、各閾値に対し、その前後の閾値の平均を求めることである。Ｔｈｒｅｓ［ｔ］に対する５つの移動平均を求める式は、例えば、以下のようになる。

（Ｔｈｒｅｓ［ｔ−２］＋Ｔｈｒｅｓ［ｔ−１］＋Ｔｈｒｅｓ［ｔ］＋Ｔｈｒｅｓ［ｔ＋１］＋Ｔｈｒｅｓ［ｔ＋２］）／５

移動平均は、個々のデータに重み付けて平均を計算することもできる。Ｔｈｒｅｓ［ｔ］に対する５日間の加重移動平均を求める式は、例えば、以下のようになる。

（Ｔｈｒｅｓ［ｔ−２］＋２×Ｔｈｒｅｓ［ｔ−１］＋３×Ｔｈｒｅｓ［ｔ］＋２×Ｔｈｒｅｓ［ｔ＋１］＋Ｔｈｒｅｓ［ｔ＋２］）／（１＋２＋３＋２＋１）

また、これらの処理の前に、閾値の外れ値を除いておいてもよい。なお、ステップＳ４０１の処理は、行うことが望ましいが、必ずしも必要ではなく処理を省くこともできる。

仮想データ生成部８２は、長期データの属性に基づいて、仮想データの属性を生成し、仮想ＤＢ７１に記憶させる（ステップＳ４０２）。ここで、仮想データの属性は、長期データの属性のままでもよいし、長期データの属性の一部をランダムに変化させて生成した属性を加えてもよい。

それから、仮想データ生成部８２は、仮想データの属性と分類器ＤＢ２３に記憶された分類器とに基づいて、仮想データのスコアを算出し、仮想ＤＢ７１に記憶させる（ステップＳ４０３）。

次に、仮想データ生成部８２は、ｔ＝１に初期化し（ステップＳ４０４）、閾値Ｔｈｒｅｓ［ｔ］に基づいて、仮想データのラベルを判定する（ステップＳ４０５）。それから、仮想データ生成部８２は、販売率ＳＲ［ｔ］を計算する（ステップＳ４０６）。ここで、販売率は、仮想データの個別データ数に対する仮想データで販売と予測された個別データ数とする。仮想データ生成部８２は、ｔとＴとを比較し（ステップＳ４０７）、ｔ＜Ｔの場合（Ｙｅｓ）、ステップＳ４０８でｔをインクリメントし、ステップＳ４０５に動作を移す。ｔ≧Ｔの場合（Ｎｏ）、ステップＳ４０９に動作を移す。

図１４は、仮想データのスコア、閾値および判定ラベルの例を示す説明図である。図１４には、説明のために販売回数が僅か５回の例を示す。仮想データ生成部８２は、仮想データの個別データに対して、スコアがＴｈｒｅｓ［ｔ］以上なら、ラベルは正（＋）と判定し、Ｔｈｒｅｓ［ｔ］未満なら、ラベルは負（−）と判定する。仮想データ生成部８２は、ｔ＝１のとき、ラベルが正である個別データ数が１、ラベルが負である個別データ数が４なので、販売率をＳＲ［１］＝０．２と計算する。同様に、ＳＲ［２１］＝０．４、ＳＲ［３］＝０．６と計算する。

閾値関数推定部８３は、（ＳＲ［ｔ］，Ｔｈｒｅｓ［ｔ＋１］）（ｔ＝１，・・・，Ｔ−１）を、曲線近似することにより、ある時刻の販売率ＳＲ［ｔ］から次の時刻の販売の有無を判定するための閾値Ｔｈｒｅｓ［ｔ＋１］を求める閾値関数を推定する（ステップＳ４０９）。閾値関数は、システムのユーザにより入力されてもよいし、予め定めておいてもよい。例えば、閾値関数を、以下の式と定める。

Ｔｈｒｅｓ［ｔ＋１］＝ａ・ＳＲ［ｔ］＋ｂ

ここで、ａ、ｂは推定すべきパラメタであり、最小二乗法などを用いて求めることができる。

それから、閾値関数推定部８３は、推定した閾値関数および最終閾値Ｔｈｒｅｓ［Ｔ］を閾値ＤＢ２４に記憶する（ステップＳ４１０）。

図１５は、本発明の販売数予測システムにおける予測部９の処理経過の例を示すフローチャートである。例えば、入力装置などを介して、予測対象時刻ＴＰＲＥＤや販売条件が入力されると、以下のように動作する。なお、ＴＰＲＥＤがＴ以前の場合は実績があるので、ここでは、ＴＰＲＥＤがＴ以降の場合について説明する。

仮想短期データ生成部９１は、仮想ＤＢ７１の中から、入力された販売条件と類似する個別データを抽出し、入力された販売条件と合致するように販売条件を書き換えて、仮想短期データとする（ステップＳ５０１）。

ステップＳ２０２、ステップＳ２０３の動作は、第１および第２の実施形態と同様である。

閾値推定部９２は、ｔ＝Ｔに初期化する（ステップＳ５０２）。それから、閾値推定部９２は、Ｔｈｒｅｓ［ｔ］を用いて、仮想データにおける販売率ＳＲ［ｔ］を求める（ステップＳ５０３）。閾値推定部９２は、閾値ＤＢ７２に記憶された閾値を求める式に基づいて、販売率ＳＲ［ｔ］に対する閾値Ｔｈｒｅｓ［ｔ＋１］を計算する（ステップＳ５０４）。それから、ｔ＋１とＴＰＲＥＤとを比較し（ステップＳ５０５）、ｔ＋１＜ＴＰＲＥＤの場合（Ｙｅｓ）、ｔをインクリメントし（ステップＳ５０６）、ステップＳ５０３に動作を移す。ｔ＋１≧ＴＰＲＥＤの場合（Ｎｏ）、ステップＳ５０７に動作を移す。

ステップＳ５０７は、ｔ＋１とＴＰＲＥＤとを比較し、ｔ＋１＝ＴＰＲＥＤの場合（Ｙｅｓ）、ステップＳ２０５に動作を移し、ｔ＋１！＝ＴＰＲＥＤの場合（Ｎｏ）、Ｔｈｒｅｓ［ＴＰＲＥＤ］を計算し（ステップＳ５０８）、ステップＳ２０５に動作を移す。Ｔｈｒｅｓ［ＴＰＲＥＤ］の計算は、例えば、Ｔｈｒｅｓ［ｔ］とＴｈｒｅｓ［ｔ＋１］の平均とする。または、以下のように計算してもよい。

（（ｔ＋１−ＴＰＲＥＤ）×Ｔｈｒｅｓ［ｔ］＋（ＴＰＲＥＤ−ｔ）×Ｔｈｒｅｓ［ｔ＋１］）

閾値をＴｈｒｅｓ［ＴＰＲＥＤ］として、以降の動作は、第２の実施の形態と同様である。

なお、分析部８の閾値関数推定部８３は、各販売率における次の時刻の閾値を求めてから曲線近似により閾値関数を求めたが、各販売率における次の時刻の仮想データのスコアをそのまま用いて、判別分析により閾値関数を求めてもよい。また、第３の実施形態は、第２の実施形態と同様に顧客ＤＢ５がある場合について説明したが、顧客ＤＢ５がない第１の実施形態と同様の構成とすることもできる。

第３の実施形態においても、第２の実施形態と同様の効果を得ることができる。特に、閾値と関係がある販売率に基づいて閾値を求めているので、時刻に基づいて閾値を求めた第２の実施形態に比べ単純な式で近似でき、推定に用いる期間の組の数Ｔがより少なくても販売数を予測することができる。

なお、上記に示した実施形態では、以下の（１）〜（５）に示すような特徴的構成を備えた販売数予測システムが示されている。

（１）１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベース（例えば、売上データベース１で実現される）と、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部（例えば、短期データ群生成部３１で実現される）と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部（例えば、長期データ生成部３２で実現される）と、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部（例えば、長期分類器生成部３３で実現される）と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部（例えば、短期閾値群推定部３４で実現される）と、閾値の時系列的な変化を解析する時系列解析部（例えば、時系列解析部３５で実現される）と、長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部（例えば、仮想短期データ生成部４１で実現される）と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部（例えば、スコア算出部４２で実現される）と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部（例えば、閾値推定部４３で実現される）と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部（例えば、販売数予測部４４で実現される）とを備えたことを特徴とする販売数予測システム。

（２）１つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、売上データベースが記憶する情報に基づいて、属性を販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部（例えば、短期データ群生成部６１で実現される）と、短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、長期データ生成部が生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と長期分類器生成部が生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと短期閾値群推定部が推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部（例えば、仮想データ生成部８２で実現される）と、仮想データ生成部が算出した販売率と短期閾値群推定部が算出した閾値との関数を推定する閾値関数推定部（例えば、閾値関数推定部８３で実現される）と、仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成部（例えば、仮想短期データ生成部９１で実現される）と、仮想短期データ生成部が生成した仮想短期データと長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部（例えば、閾値推定部９２で実現される）と、スコア算出部が算出したスコアと閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部とを備えたことを特徴とする販売数予測システム。そのように構成された販売数予測システムは、単純な式で近似でき、推定に用いる期間の組の数がより少なくても販売するを予測することができる。

（３）短期データ群生成部は、属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する販売数予測システム。

（４）１つ以上の顧客の情報を記憶する顧客データベース（例えば、顧客データベース５で実現される）を備え、売上データベースは、一部に顧客との対応付けが可能な情報を含む情報を記憶し、短期データ群生成部は、売上データベースおよび顧客データベースが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する販売数予測システム。そのように構成された販売数予測システムは、顧客ごとに、販売条件を分析し、販売数を予測することができる。

（５）顧客データベースは、属性となる顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する販売数予測システム。

本発明は、例えば、小売業の商品またはサービスの販売数を予測する用途に好適に適用される。

本発明による販売数予測システムの最小の構成例を示すブロック図である。 本発明による販売数予測システムの第１の実施形態の構成例を示すブロック図である。 売上ＤＢが記憶するデータの例を示す説明図である。 商品Ａについて販売数を予測する場合の短期データの例を示す説明図である。 本発明の販売数予測システムにおける分析部の処理経過の例を示すフローチャートである。 短期データｔのスコアの例を示す説明図である。 本発明の販売数予測システムにおける予測部の処理経過の例を示すフローチャートである。 本発明による販売数予測システムの第２の実施形態の構成例を示すブロック図である。 顧客ＤＢが記憶するデータの例を示す説明図である。 本発明の販売数予測システムにおける分析部の処理経過の例を示すフローチャートである。 短期データの例を示す説明図である。 本発明の販売数予測システムの第３の実施形態の例を示すブロック図である。 本発明の販売数予測システムにおける分析部の閾値平滑化部と仮想データ生成部と閾値関数推定部との処理経過の例を示すフローチャートである。 仮想データのスコア、閾値および判定ラベルの例を示す説明図である。 本発明の販売数予測システムにおける予測部の処理経過の例を示すフローチャートである。

符号の説明

１ 売上データベース
３１ 短期データ群生成部
３２ 長期データ生成部
３３ 長期分類器生成部
３４ 短期閾値群推定部
３５ 時系列解析部
４１ 仮想短期データ生成部
４２ スコア算出部
４３ 閾値推定部
４４ 販売数予測部

Claims (15)

1. １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、
   前記売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、
   前記短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、
   長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、
   前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、
   前記閾値の時系列的な変化を解析する時系列解析部と、
   長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成部と、
   前記仮想短期データ生成部が生成した仮想短期データと前記長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、
   前記時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、
   前記スコア算出部が算出したスコアと前記閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部と
   を備えたことを特徴とする販売数予測システム。
2. １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースと、
   前記売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成部と、
   前記短期データ群生成部が生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成部と、
   長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成部と、
   前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定部と、
   前記長期データ生成部が生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と前記長期分類器生成部が生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと前記短期閾値群推定部が推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成部と、
   前記仮想データ生成部が算出した販売率と前記短期閾値群推定部が算出した閾値との関数を推定する閾値関数推定部と、
   仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成部と、
   前記仮想短期データ生成部が生成した仮想短期データと前記長期分類器生成部が生成した分類器とに基づいて、スコアを算出するスコア算出部と、
   前記時系列解析部が解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定部と、
   前記スコア算出部が算出したスコアと前記閾値推定部が推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測部と
   を備えたことを特徴とする販売数予測システム。
3. 短期データ群生成部は、属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する
   請求項１または請求項２に記載の販売数予測システム。
4. １つ以上の顧客の情報を記憶する顧客データベースを備え、
   売上データベースは、一部に顧客との対応付けが可能な情報を含む情報を記憶し、
   短期データ群生成部は、前記売上データベースおよび顧客データベースが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する
   請求項１から請求項３のうちのいずれか１項に記載の販売数予測システム。
5. 顧客データベースは、属性となる顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する
   請求項４に記載の販売数予測システム。
6. １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、
   生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、
   長期データの属性に基づいてラベルを判定するルールであって第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、
   前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出し、
   前記閾値の時系列的な変化を解析し、
   長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成し、
   生成した仮想短期データと分類器とに基づいて、スコアを算出し、
   解析した結果に基づいて、予測対象時刻における閾値を推定し、
   算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測する
   ことを特徴とする販売数予測方法。
7. １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶した売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成し、
   生成した短期データの組に基づいて、短期データを全て含む長期データを生成し、
   長期データの属性に基づいてラベルを判定するルールであって第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成し、
   前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出し、
   生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出し、
   算出した販売率と閾値との関数を推定し、
   仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成し、
   生成した仮想短期データと分類器とに基づいて、スコアを算出し、
   解析した結果に基づいて、予測対象時刻における閾値を推定し、
   算出したスコアと推定した閾値とに基づいて、予測対象時刻の販売数を予測する
   ことを特徴とする販売数予測方法。
8. 属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する
   請求項６または請求項７に記載の販売数予測方法。
9. １つ以上の顧客の情報を記憶する顧客データベースと、一部に顧客との対応付けが可能な情報を含む情報を記憶する売上データベースとが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する
   請求項６から請求項８のうちのいずれか１項に記載の販売数予測方法。
10. 顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する顧客データベースが記憶する情報に基づいて短期データを生成する
    請求項９に記載の販売数予測方法。
11. コンピュータに、
    １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、
    前記短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、
    長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、
    前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、
    前記閾値の時系列的な変化を解析する時系列解析処理と、
    長期データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む仮想短期データを生成する仮想短期データ生成処理と、
    前記仮想短期データ生成処理で生成した仮想短期データと前記長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、
    前記時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、
    前記スコア算出処理で算出したスコアと前記閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測処理と
    を実行させるための販売数予測プログラム。
12. コンピュータに、
    １つ以上の販売条件と複数の商品またはサービスの過去の売上とを示す情報を記憶する売上データベースが記憶する情報に基づいて、属性を前記販売条件とし、ラベルを１つの商品またはサービスが販売されれば第１ラベルとし、販売されなければ第２ラベルとして、時系列的な短期間における属性とラベルとの組である短期データの組を生成する短期データ群生成処理と、
    前記短期データ群生成処理で生成した短期データの組に基づいて、短期データを全て含む長期データを生成する長期データ生成処理と、
    長期データの属性に基づいてラベルを判定するルールであって、第１ラベルらしさまたは第２ラベルらしさを示す実数値であるスコアを出力する分類器を生成する長期分類器生成処理と、
    前記分類器を用いて各短期データのスコアを算出し、各短期データのラベルと算出したスコアとに基づいて、第１ラベルと第２ラベルとの境界に対応するスコアの閾値を算出する短期閾値群推定処理と、
    前記長期データ生成処理で生成した長期データの属性に基づいて、仮想的な販売条件を属性として含む販売率を算出するための仮想データを生成し、生成した仮想データの属性と前記長期分類器生成処理で生成した分類器とに基づいて仮想データのスコアを算出し、算出したスコアと前記短期閾値群推定処理で推定した閾値とに基づいて仮想データのラベルを判定し、判定したラベルに基づいて、販売率を算出する仮想データ生成処理と、
    前記仮想データ生成処理で算出した販売率と前記短期閾値群推定処理で算出した閾値との関数を推定する閾値関数推定処理と、
    仮想データの属性と予測対象時刻における販売条件とに基づいて、仮想的な販売条件を属性として含む販売数を予測するための仮想短期データを生成する仮想短期データ生成処理と、
    前記仮想短期データ生成処理で生成した仮想短期データと前記長期分類器生成処理で生成した分類器とに基づいて、スコアを算出するスコア算出処理と、
    前記時系列解析処理で解析した結果に基づいて、予測対象時刻における閾値を推定する閾値推定処理と、
    前記スコア算出処理で算出したスコアと前記閾値推定処理で推定した閾値とに基づいて、予測対象時刻の販売数を予測する販売数予測処理と
    を実行させるための販売数予測プログラム。
13. 短期データ群生成処理で、属性となる販売条件として、商品またはサービスの売価、在庫陳列数、他の商品またはサービスの売価、在庫陳列数、天気、気温、気温変化、曜日、休祝日を示すいずれかの情報を含む短期データを生成する
    請求項１１または請求項１２に記載の販売数予測プログラム。
14. １つ以上の顧客の情報を記憶する顧客データベースと、一部に顧客との対応付けが可能な情報を含む情報を記憶する売上データベースとが記憶する情報に基づいて、属性を販売条件と顧客の情報とする短期データを生成する
    請求項１１から請求項１３のうちのいずれか１項に記載の販売数予測プログラム。
15. 顧客の情報として、顧客の年齢、性別、職業、商品全体において最も頻繁に購入する曜日・時刻、購入頻度、様々な商品またはサービスのカテゴリにおいて最も繁盛に購入する曜日・時刻、購入頻度、初回購入時期、最終購入時期を示すいずれかの情報を含む顧客の情報を記憶する顧客データベースが記憶する情報に基づいて短期データを生成する
    請求項１４に記載の販売数予測プログラム。

Images