JP2015032217A - 需要予測装置およびプログラム - Google Patents

Abstract

【課題】特売・陳列位置等の販売形態の変動に対応した有効な需要予測を行う。
【解決手段】目的変数として設定された目的商品毎の購買数以外の一以上の過去の変動因子情報からなる販売形態別の第１の所定期間における購買数の平均値である平均購買数を算出する平均算出部と、販売形態別の平均購買数を変動因子の一つとし、当該販売形態別の平均購買数が当該目的変数の変動に寄与する度合いを示す回帰係数を算出する回帰係数算出部と、目的商品の購買数に対する予測式を回帰係数および予定変動因子を用いて構成し、予測式から第２所定期間における商品群の各目的商品の予測購買数を算出する予測購買数算出部と、を備える。
【選択図】図１

Description

本発明の実施形態は、需要予測装置およびプログラムに関する。

従来、ＰＯＳ（Point Of Sales）システムが普及して、商品毎の購買（売上）データが容易に収集できるようになった。そして、商品毎の購買データに基づいて小売店毎の商品別の需要を予測する需要予測装置が使用され始めた。例えば、購買データを分析した需要予測は、発注量過多に起因する売れ残り商品の廃棄ロスの発生、および発注量過少に起因する商品の品切れによる機会ロスの発生の抑制に使用できる。そして、需要予測をＥＤＩ（Electronic Data Interchange）による企業間取引の電子化と結合させ、自動発注システムまで発展させる技術が提案され始めている。

自動発注システムに使用できるような需要予測の手法としては、公知の重回帰分析がある。そして、公知の重回帰分析を用いることで、商品毎に需要予測を行うことができる。

スーパーマーケットなどの大規模小売店では、同一商品かつ同一販売価格であっても、販売形態によりその購買数は大きく異なる場合が多い。例えば、集客等のために特定の商品を日時限定で安価に提供する、所謂特売オペレーションにおいて、同一商品かつ同一販売価格の特売であっても、販売期間（陳列期間：タイムサービスなどの数時間、特定の曜日１日限り、週末のみの２日から３日間、１週間連続、１ヶ月あるいはそれ以上の連続など）、購買数は異なることになる。

そこで、従来の重回帰分析を用いた需要予測では、目的変数である購買数の変動因子として販売価格を用いることが試行されている。

ところで、従来の重回帰分析を用いた需要予測では、目的変数である購買数の変動因子としての販売価格と同様に、販売形態実施期間、陳列位置、陳列数、広告宣伝方法、販売促進方法等を変動因子として用いることも試行されている。

ところが、陳列方法、広告宣伝方法、販売促進方法は、連続した数値データとして観測することが困難になっている。例えば、チラシ掲載の有無や所定の陳列位置への陳列の有無だけである２値化データは、購買数のダイナミックな変動に追随できない、という問題がある。

一方、陳列数は連続した数値データとして扱うことができるが、入荷・品出し・廃棄の作業が行われている実際の店舗内では正確なデータとして観測することが困難である。また、販売形態実施期間は、容易に数値データとして観測できるが、その長短を一つの変動因子にすることは困難である。すなわち、販売形態実施期間は、１日、２日から３日間、１週間、１ヶ月などの個別因子での実施有無を表現する２値化データとして扱う必要もある。

このように目的変数である購買数の変動因子の数が増加すると、数か月の短期期間では、それぞれの変動因子に対応する回帰係数を算出するのに十分なだけのデータを収集することが困難になる、という問題がある。一方、数年にわたる長期のデータ収集では、来店客の購買動向の変化や、商品の入替え、競合店状況の変化などから、回帰係数の有効性の確保が困難になる、という問題がある。

本発明が解決しようとする課題は、特売・陳列位置等の販売形態の変動に対応した有効な需要予測を行うことができる需要予測装置およびプログラムを提供することである。

実施形態の需要予測装置は、記憶部と、予定情報記憶部と、平均算出部と、回帰係数算出部と、予測購買数算出部と、を備える。前記記憶部は、商品群に含まれる目的商品毎の第１所定期間における購買数と、前記商品群に含まれる各目的商品の購買数を変動させる変動因子を数値化した過去の変動因子情報と、を記憶する。前記予定情報記憶部は、前記第１の所定期間以降の期間である第２の所定期間における前記商品群の各目的商品の予測購買数を変動させる予定変動因子を数値化した未来の変動因子情報を記憶する。前記平均算出部は、目的変数として設定された目的商品毎の前記購買数以外の一以上の前記過去の変動因子情報からなる販売形態別の前記第１の所定期間における購買数の平均値である平均購買数を算出する。前記回帰係数算出部は、前記販売形態別の平均購買数を前記変動因子の一つとし、当該販売形態別の平均購買数が前記目的変数の変動に寄与する度合いを示す回帰係数を算出する。前記予測購買数算出部は、前記目的商品の購買数に対する予測式を前記回帰係数および前記予定変動因子を用いて構成し、前記予測式から前記第２所定期間における前記商品群の各目的商品の予測購買数を算出する。

図１は、本実施形態にかかる需要予測装置を含んだ本部のシステム構成を示すブロック図である。 図２は、過去情報データベースのデータ構造の一例を示す図である。 図３は、未来情報データベースのデータ構造の一例を示す図である。 図４は、初期状態の販売形態別の平均購買数テーブルのデータ構造の一例を示す図である。 図５は、販売形態の細区分の決定例を示す図である。 図６は、中間状態の販売形態別の平均購買数テーブルのデータ構造の一例を示す図である。 図７は、最終状態の販売形態別の平均購買数テーブルのデータ構造の一例を示す図である。

以下、図面を参照しながら本実施形態について説明する。

＜＜需要予測装置とその周辺システムの構成＞＞
図１は、本実施形態にかかる需要予測装置を含んだ本部のシステム構成を示すブロック図である。図１に示すように、小売業者のシステムでは、本部に、需要予測装置１と、データ収集・変換システム２と、予定データ収集・変換システム３と、業務支援端末４と、業務システム５と、を備える。

＜需要予測装置＞
需要予測装置１は、小売業における店舗における、販売側の商品の売価（販売価格）・陳列・販促等の販売状態に対する購買客の商品の購買状況をシミュレーションする。需要予測装置１は、現時点から過去の所定の時点までの販売状態と購買状況とを示す過去情報を用いて、例えば数週間、数か月、もしくは１年間程度なら時間的に変化しないと見なせる部分の購買数の回帰係数と、その回帰係数に対してより早く変化する部分である変動因子とに分割した購買客の購買モデルを構築する。そして、需要予測装置１は、構築した購買モデルの、変動因子に対して、現時点から未来の所定の時点での販売状態と購買環境とを示す未来予定情報を当てはめ、その未来の所定の時点での各商品別の購買数を予測する。

＜データ収集・変換システム＞
データ収集・変換システム２は、現時点から過去の所定の時点までの、店舗における複数の商品の購買データ、売価データ、発注データ、在庫データ、気象データ、曜日データ、および地域のイベントデータなどの過去情報を収集する。そして、データ収集・変換システム２は、複数の各種データ（収集した過去情報）を所定のデータ構造に変換して、需要予測装置１の過去情報データベース６にデータを送信するものである。データ収集・変換システム２は、公知のＰＯＳシステム、発注システム、納入商品の検品システム、気象データの受信システム、地域のイベントの入力システム等の各種データ収集システムと、データ変換システムと、を有している。

＜予定データ収集・変換システム＞
予定データ収集・変換システム３は、現時点から未来の所定の時点までの、店舗における複数の商品の予定売価データ、予定入荷データ、予定気象データ、曜日データ、予定地域のイベントデータなどの未来予定情報を収集する。そして、予定データ収集・変換システム３は、複数の各種データ（収集した未来予定情報）を所定のデータ構造に変換して、需要予測装置１の未来情報データベース７にデータを送信するものである。予定データ収集・変換システム３は、公知の売価入力システム、発注システム、気象情報データの受信システム、予定されている地域のイベントの入力システム等の各種予定データ収集システムと、データ変換システムと、を有している。

＜業務支援端末＞
業務支援端末４は、需要予測装置１に対するユーザーインターフェースであり、購買状況のシミュレーションを制御するデータを入力するものである。例えば、初期に設定した未来予定情報に対する予測購買数が、需要予測装置１のユーザにとって目標とした値ではない場合、ユーザは、業務支援端末４から、予定売価等の未来予定情報の一部を変化させて再予測するように、需要予測装置１に対して制御データを入力する。若しくは、特定商品の生産・輸送が間に合わず品切れになるというような危機的状態を仮定して、特定商品が店舗の全商品の購買状況に対する影響を把握したい場合、ユーザは、業務支援端末４から、予定陳列データ等の未来予定情報の一部を変化させて再予測するように、需要予測装置１に対して制御データを入力する。

＜業務システム＞
業務システム５は、需要予測装置１で算出した予測購買データ等を利用する各種システムであり、発注システム、加工指示システム、価格表示システム、売価登録システム等を有している。例えば、業務システム５の一つである加工指示システムは、予測購買データを、所定の発注単位や発注リードタイムに従って推奨発注データに加工して、業務システム５の一つである公知の発注システムに送る。発注システムでは、発注データを、商品毎に所定の生鮮加工センター、卸、生産者等に、所定の日時までに送信する。

以上の需要予測装置１、各種システム２，３，５、および業務支援端末４は、何れも汎用的なコンピュータシステム、および汎用的なコンピュータシステムと同様の機能を有する携帯機器を備え、その機能は、各システムに対応するコンピュータプログラムを実行することで実現される。また、需要予測装置１、各種システム２，３，５、および業務支援端末４で扱われる大規模データは、汎用的なデータベース・ソフト・ウエアによって、汎用的なコンピュータシステムの記憶装置上にデータベースとして構築される。

図１に示した需要予測装置１およびその周辺システムの構成は、１店舗あるいは複数店舗からなる小売業に対して実施可能である。

＜＜需要予測装置の構成および処理＞＞
＜需要予測装置の処理＞
需要予測装置１では、過去情報データベース（ＤＢ）６には、過去の店舗別・日別・時間別・商品別・販売条件別に、商品群に含まれる商品毎の第１所定期間における購買数データ（売上データ）６６、発注データ６８、在庫データ６７、分類・属性データ６３、売価・販促データ６４、陳列データ６５、店舗・地域データ６０、日付・時刻データ６１、気象・行事データ６２等の過去情報が格納されている。過去情報データベース６に格納された過去情報のうち、購買数を予測する対象の所定の商品（目的商品）の購買数データ６６を目的変数とし、当該目的変数を変動させる変動因子を数値化した当該目的変数以外の過去情報を過去の変動因子情報とする。

回帰係数算出部８は、目的変数以外の過去の変動因子情報が目的変数の変動に寄与する度合いを示す回帰係数を算出する。

回帰係数データベース（ＤＢ）９は、回帰係数算出部８により目的商品毎に算出された各種回帰係数を格納するものである。

未来情報データベース（ＤＢ）７は、予定情報７Ａを有している。予定情報７Ａには、過去情報データベース６に格納された過去情報が取得された時点より未来の時点（つまり、第１所定期間以降の期間である第２所定期間）における、店舗別・日別・時間別・商品別に、予定分類・属性データ７３、販売条件である予定売価・販促データ７４、予定陳列データ７５、予定店舗・地域データ７０、予定日付・時刻データ７１、予定気象・行事データ７２等の未来情報が格納されている。未来情報データベース７に格納された未来情報のうち、未来の設定された時点（第２所定期間）における目的変数を変動させる変動因子を数値化した未来情報を未来の変動因子情報とする。

定数項算出部１０では、予定情報７Ａに格納されている各種の未来の変動因子情報を含み、未来の設定された時点（第２所定期間）に対する重回帰分析に用いる定数項を目的商品毎に算出する。

定数項データベース（ＤＢ）１１は、複数の目的商品に対して算出された定数項を格納する。

予測購買数算出部１２では、予定情報７Ａに格納されている各種の未来の変動因子情報と、回帰係数データベース９に格納されている回帰係数と、定数項データベース１１に格納されている定数項とを有し、第２所定期間における、商品群に含まれる商品毎の購買数である予測購買数を算出する予測式によって、当該予測購買数を算出する。

未来情報データベース７は、予測情報７Ｂを有している。予測情報７Ｂは、商品群に含まれる商品毎に算出された予測購買数（予測購買データ７６）を格納する。

発注・在庫数算出部１３は、現在の在庫数から、予測購買数算出部１２により算出された予測購買数を減算して、未来の設定された時点（第２所定期間）での予測在庫数を算出する。さらに、発注・在庫数算出部１３は、算出した予測在庫数に基づいて、例えば予測在庫数が最低在庫数未満ならば推奨発注数を増加させ、予測在庫数が最低在庫数を超えるならば推奨発注数を減少させて、最終的に所定の発注単位や発注リードタイムに従って推奨発注データに加工する。予測情報７Ｂは、発注・在庫数算出部１３により算出された予測在庫数（予測在庫データ７７）、および推奨発注数（推奨発注データ７８）を格納する。

条件修正再計算部１４では、業務支援端末４から入力されたデータに従って、予測条件である予定情報７Ａに格納されている各種の未来の変動因子情報を修正する。これによって定数項算出部１０で定数項が再計算され、予測購買数算出部１２で予測購買数が再計算される。

また、条件修正再計算部１４では、算出された予測購買数、予測在庫数、推奨発注数が、業務支援端末４から入力された予測購買数の目標値、予測在庫数の目標値、推奨発注数の目標値を満たしていない場合に、予測条件である予定情報７Ａに格納されている各種の未来の変動因子情報を修正して予測購買数を再計算し、算出された各予測値（予測購買数、予測在庫数、推奨発注数）を目標値に近づける。

＜過去情報データベースのデータ構造＞
図２は、過去情報データベースのデータ構造の一例を示す図である。現在から過去の任意の時点までの情報を格納する過去情報データベース６は、図２に示すように、数値化された過去情報データテーブル６Ｔで構成されている。

過去情報データテーブル６Ｔに格納されたデータ種類としては、空間的な位置を示す店舗・地域データ６０と、時間を示す日付・時刻データ６１と、それらの店舗と時刻で定められる気象情報と行事情報を示す気象・行事データ６２と、商品の階層的分類および商品の属性を示す分類・属性データ６３と、店舗と時刻で識別される商品毎の販売・販売促進（以下、販促とする）状態を示す売価・販促データ６４と、その商品毎の販売・販促状態で識別される陳列状態を示す陳列データ６５と、店舗と時刻と販売・販促状態と陳列状態とで識別される各商品の購買数を示す購買数データ６６と、店舗と時刻で識別される商品毎の在庫状態を示す在庫データ６７と、店舗と時刻で識別される商品毎の発注状態を示す発注データ６８とを有する。

データ項目としては、店舗・地域データ６０は、店舗コード６０１、図示していないが店舗グループコード、地域コード、ショッピングセンター、等の施設コードなどを有する。

日付・時刻データ６１は、年月日を示す日付データ６１１、曜日データ６１２（該当曜日の場合に１、それ以外で０）、祝日データ６１３（祝日の場合に１、それ以外で０）、営業時間内の購買発生時刻（時分秒）に対応する時刻データ６１４（実際はレジでの商品購入登録時刻）、図示していないが、店休日データ、商品購入登録時のレジ番号、商品購入登録時のレジ別のレシート発行通し番号などを有する。

気象・行事データ６２は、店舗・地域データ６０と日付・時刻データ６１により店舗と時刻が限定できるので、例えば、日付データ６１１と店舗コード６０１を用いて、公開されている気象情報や有料の気象情報データサービスから入手される各種気象データを有する。例えば、気象・行事データ６２は、日別の、最高気温６２１、最低気温６２２、降水量６２３、図示していないが、湿度、風速、日照時間、積雪などである。また、図示していないが、同様に地域情報と時間情報が限定できるので、気象・行事データ６２は、地域の行事データである、運動会、お祭り、ゴミ収集日データなどを有する。

分類・属性データ６３は、例えばＪＡＮコードのような商品を識別する商品コード６３３、複数の商品を含む商品群をクラスとして分類するクラスコード６３２、複数のクラスを含むクラス群をラインとして分類するラインコード６３１、図示していないが、さらに複数のラインを含むライン群をデプト（department:部門）として分類するデプトコードなど階層化された商品分類コード体系を有する。具体例としては、分類・属性データ６３は、あるメーカーの特定銘柄の牛乳１リットルパックを示すものが商品コード６３３であり、その上位カテゴリーである牛乳を示すものがクラスコード６３２であり、さらにその上位カテゴリーである要冷蔵飲料を示すものがラインコード６３１であり、そのまた上位カテゴリーである日配食品（食品工場等で生産されて毎日配送され、数日中には消費される食品）を示すものがデプトコードである。また、図示していないが色、サイズ、柄、ブランド、産地、風味、有効成分、カロリー、賞味期限、製造年月日等の商品固有の属性をコード化することによって、商品を商品コード６３３以下にさらに細かく分類するとともに、階層化された商品識別コード体系を横断的に分類する。

売価・販促データ６４は、商品コード６３３で識別される商品に対して、例えば、通常の販売状態での価格を示す定番価格６４１と、季節遅れ商品や賞味期限に近づいた売れ残り商品を一掃するための値下げ額を示す値引額６４３と、特売や値引額６４３により定番価格６４１から変動する実際の販売金額を示す売価６４２、チラシ掲載の有無を示すチラシ掲載６４４を有する。また、売価・販促データ６４は、図示していないが、分類・属性データ６３で識別される商品に対しての、テレビ番組や店舗内での画像・音声表示での宣伝・広告、割引クーポンなどを有する。これら売価・販促データ６４は、店舗・地域データ６０と日付・時刻データ６１により定められる店舗と時刻によって異なる。

陳列データ６５は、商品コード６３３で識別される一つ一つの商品に対して、販売状態で異なる陳列状態を示し、例えば、品切れ、通常陳列、特売用の大量陳列、陳列位置などを数値化した陳列状態６５１を有する。陳列状態６５１は、店舗・地域データ６０と日付・時刻データ６１により定められる店舗と時刻によって異なる。

購買数データ６６は、例えば、店舗コード６０１、日付データ６１１、時刻データ６１４、商品コード６３３、売価６４２で一意的に識別される購買数６６１を有する。言い換えれば、購買数６６１は、一般的なＰＯＳシステムにおいて、購買客への商品購入登録時のレジで発行するレシートで、店舗コード６０１、日付データ６１１、時刻データ６１４、商品コード６３３、売価６４２が同じ商品購買記録の購買数の合計である。日別購買数６６２は、商品コード６３３で識別される各商品の店舗別・日別の購買数合計である。

また、一般的なＰＯＳシステムにおいては、陳列状態６５１は認識できないが、同じ商品コード６３３で識別される商品に対しても、さらに、陳列してある一つ一つの商品である個品に対して異なる識別コードを付与する。例えば、公知の無線タグ等を使用する場合には、購買数データ６６は、例えば、店舗コード６０１、日付データ６１１、時刻データ６１４、商品コード６３３、売価６４２、陳列状態６５１で一意的に識別される購買数６６１を有する。

在庫データ６７は、例えば、店舗コード６０１、日付データ６１１、時刻データ６１４、商品コード６３３で異なる商品毎の店舗にある在庫数６７１を有する。

発注データ６８は、例えば、店舗コード６０１、日付データ６１１、時刻データ６１４、商品コード６３３で異なる商品毎の発注した入荷予定の商品数である発注数６８１、商品毎の発注から納品までに必要な最短時間を示す発注リードタイム６８２、例えば１０個単位発注のような発注単位６８３を有する。また、発注データ６８は、図示していないが、発注数６８１と実際の店舗への納品日時がずれる場合もあるので入荷数、賞味期限切れ・季節遅れ商品の廃棄数、商品の店舗間移動数など、商品の店舗への入出データを示すデータを有する。

＜未来情報データベースのデータ構造＞
現在から未来の所定の時刻までの情報を格納する未来情報データベース７は、例えば図３に示すような、数値化された未来情報データテーブル７Ｔで構成されている。その構成は、過去情報データベース６の過去情報データテーブル６Ｔと同様な構成であり、データの数値が未来の所定の時刻までの情報に対応したものとなっている。図３は、未来情報データベースのデータ構造の一例を示す図である。

未来情報データベース７は、予測計算の条件部分である予定情報７Ａと、予測計算の結果部分である予測情報７Ｂと、を有する。

予定情報７Ａには、データ種類として、未来の所定の時刻での空間的な位置を示す予定店舗・地域データ７０と、未来の所定の時刻そのものに対応する予定日付・時刻データ７１と、それらの店舗と時刻での気象情報と行事情報を示す予定気象・行事データ７２と、未来の所定の時刻での階層的分類および商品の属性を示す予定分類・属性データ７３と、未来の所定の時刻と店舗により識別される商品毎の販売状態・販売促進状態を示す予定売価・販促データ７４と、その商品毎の予定売価・販促データ７４より識別される陳列状態を示す予定陳列データ７５を有する。

予測情報７Ｂには、データ種類として、未来の所定の時刻と店舗と販売状態・販促状態と陳列状態での各商品の購買数を示す予測購買データ７６と、未来の所定の時刻と店舗とでの商品毎の在庫状態を示す予測在庫データ７７と、未来の所定の時刻と店舗での商品毎の発注状態を示す推奨発注データ７８とを有する。

まず、予定情報７Ａのデータ項目としての予定店舗・地域データ７０は、店舗コード７０１、図示していないが店舗グループコード、地域コード、ショッピングセンター等の施設コードなどを有する。予定店舗・地域データ７０は、基本的には過去情報データベース６に格納された店舗・地域データ６０と同じデータであり、条件修正再計算部１４からの変更は不可である。

予定日付・時刻データ７１は、未来の所定の時刻をデータとして定める、日付データ７１１、営業時間内に対応する予定時間帯７１４、曜日データ７１２（該当曜日の場合に１、それ以外で０）、祝日データ７１３（祝日の場合に１、それ以外で０）、図示していないが、店休日データなどを有する。日付データ７１１、曜日データ７１２、祝日データ７１３はカレンダーから決定されるので、条件修正再計算部１４からの変更は不可である。予定時間帯７１４は、統計的な購買数の予測に対応するため時間帯で示される。時間帯は２時間単位、１時間単位、３０分単位等任意に設定される。また、予定時間帯７１４は、営業時間内に対応するので営業時間の変更に伴う変更が可能である。店休日データも変更が可能である。

予定気象・行事データ７２は、予定店舗・地域データ７０と予定日付・時刻データ７１により店舗と時刻が限定できるので、例えば、日付データ７１１と店舗コード７０１を用いて、未来の所定の時刻での、各種気象予報データを有する。例えば、予定気象・行事データ７２は、日別の、予報最高気温７２１、予報最低気温７２２、予報降水量７２３、図示していないが、湿度、風速、日照時間、積雪など各種気象予報データである。各種気象予報データは、条件修正再計算部１４からの変更が可能である。予定気象・行事データ７２は、図示していないが、同様に地域情報と時間情報が限定できるので、地域の予定行事データである、運動会、お祭り、ゴミ収集日などを有する。

予定分類・属性データ７３は、例えば、商品を識別する商品コード７３３、クラスコード７３２、ラインコード７３１、図示していないが、デプトコードなど階層化された商品分類コード体系を有する。また、予定分類・属性データ７３は、図示していないが、色、サイズ、柄、ブランド、産地、風味、有効成分、カロリー、賞味期限、製造年月日等の商品固有の属性等をデータとして有する。予定分類・属性データ７３は、初期的には過去情報データベース６に格納された分類・属性データと同じデータであるが、商品コード７３３を除いて条件修正再計算部１４からの変更が可能である。

予定売価・販促データ７４は、商品コード７３３で識別される商品に対して、未来の所定の時刻での販売状態や販促状態を示すもので、例えば、予定定番価格７４１と、予定値引き額７４３と、予定売価７４２、予定チラシ掲載７４４を有する。また、予定売価・販促データ７４は、図示していないが、予定分類・属性データ７３で識別される商品に対しての、テレビ番組や店舗内での画像・音声表示での宣伝・広告、割引クーポンなどを有する。予定売価・販促データ７４は、条件修正再計算部１４からの変更が可能である。

予定陳列データ７５は、商品コード７３３で識別される一つ一つの商品に対して、未来の所定の時刻での販売状態で異なる陳列状態を示し、例えば、予定陳列状態７５１を有する。予定陳列データ７５は、条件修正再計算部１４からの変更が可能である。

また、予定店舗・地域データ７０、予定日付・時刻データ７１、予定気象・行事データ７２は、環境パラメータ７Ｃと呼ばれ、全商品に対して共通である。

また、予定分類・属性データ７３、予定売価・販促データ７４、予定陳列データ７５は、個別パラメータ７Ｄと呼ばれ、商品毎に個別に設定される。特に、予定売価・販促データ７４、予定陳列データ７５は、予測計算を直接的に制御するので制御パラメータ７Ｅと呼ばれる。

予測情報７Ｂのデータ項目としての予測購買データ７６は、商品コード７３３で識別される一つ一つの商品に対して、予定情報７Ａに含まれる未来の所定の時刻での予定購買環境条件、予定販売・販促条件で算出された予測購買数７６１と、時刻別の予測購買数７６１を１日単位で集計した、各商品の店舗別・日別の購買数合計である予測日別購買数７６２を有する。

予測在庫データ７７は、商品コード７３３で識別される一つ一つの商品に対して、未来の所定の時刻での、店舗にあると予測される予測在庫数７７１を有する。

推奨発注データ７８は、商品コード７３３で識別される一つ一つの商品に対して、未来の所定の時刻での、予測購買数７６１から予測在庫数７７１を引いた値が正の場合に、その値を未来の所定の時刻での入荷予定の商品数である推奨発注数７８１を有する。また、推奨発注データ７８は、未来の所定の時刻での、予定発注リードタイム７８２、予定発注単位７８３と、図示していないが、入荷数、商品の廃棄数、商品の店舗間移動数など、商品の店舗への予定入出データを示すデータを有する。推奨発注数７８１を除く、予測購買データ７６および予測在庫データ７７は、条件修正再計算部１４からの変更が可能である。

＜販売形態別の平均購買数テーブルの生成処理＞
次に、販売形態別の平均購買数テーブルの生成処理について説明する。定数項算出部１０は、平均算出部としても機能するものであって、過去情報データベース６の売価・販促データ６４や購買数データ６６等を用いて、図４に示す販売形態別の平均購買数テーブル２０Ｔを生成する。この販売形態別の平均購買数は、重回帰分析の変動因子として使用されるものである。例えば、販売形態は、以下の３種類に区分される。

１．定番状態
販売単価：定番価格（最高価格）
販売期間：毎日
陳列位置：棚の定位置
陳列数 ：通常の最低陳列数
宣伝広告：なし

２．月間状態
販売単価：月間お買得価格（定番価格以下）
販売期間：対象の１ヶ月
陳列位置：棚の定位置
陳列数 ：通常の最低陳列数以上
宣伝広告：店内の陳列位置に「月間お買得」の小さな看板（ＰＯＰ）を表示

３．特売状態
販売単価：特売価格（月間価格以下）
販売期間：特売期間（１週間以内）
陳列位置：メイン通路に大量陳列台と棚の定位置
陳列数 ： 大量陳列（通常の最低陳列数の数倍以上）
宣伝広告：チラシ掲載 店内の陳列位置に「月間お買得」の大きな看板（ＰＯＰ）を表示

図４は、初期状態の販売形態別の平均購買数テーブル２０Ｔのデータ構造の一例を示す図である。図４に示す初期状態の販売形態別の平均購買数テーブル２０Ｔには、それぞれの販売形態に対応した、過去情報からなる販売状態のデータが格納されている。以下、各項目の説明を行う。

商品コード２０１は、例えばＪＡＮコードのような商品を識別する商品コードである。定番状態２０２、月間状態２１３、特売状態２２２は、それぞれの販売形態が実施された日数を表す。図４に示す例では、５６日間のデータを対象としている。このデータを収集した期間を観測期間と称する。図４において販売状態がゼロの場合は、その該当する販売形態での購買実績がないことを示している。「その販売形態で商品が販売された日が観測期間で１日もなかった」ということになる。

〈５種類の平均購買数項〉
図４に示すように、各販売形態には、５種類の平均購買数項が設けられている。符号２０４、２１４、２２４は、それぞれの販売形態に対応する、観測期間での購買数日計（日別平均）の平均値である。すなわち、符号２０４、２１４、２２４は、各販売形態の場合に１日当り平均何個の商品が購買されたかを示している。例えば、５種類の平均購買数項としては、定番状態２０２の場合の符号２０４の定番低域、定番中域、定番高域、定番超域、定番最域（最大域の略）の５つの細区分が平均購買数として設定されている。

ここで、低域、中域、高域、超域、最域（最大域の略）について図５を参照して説明する。図５に示す例においては、例えば８日間の購買数の日計（日別集計）の全８個の値が全データの集合５０１とされている。このような全データの集合５０１の平均値は、中域の値５０２として表される。また、全データの集合５０１の平均値（＝中域の値）以下のデータの集合を下位データ５１１とすると、低域の値５１２は下位データ５１１の平均値５１２となっている。一方、全データの集合５０１の平均値（＝中域の値）以上のデータの集合を上位データ５２１とすると、高域の値５２２は上位データ５２１の平均値５２２となっている。さらに、上位データ５２１の平均値（＝高域の値）以上のデータの集合を上位の上位データ５３１とすると、超域の値５３２は上位の上位データ５３１の平均値５３２となっている。さらにまた、全データの集合５０１の最大値を最域５４２と称している。

このように、販売形態をさらに分割したのは、同一の販売形態であっても購買数にかなりばらつきがあるので、さらに多様な販売形態を選択可能にするためである。

〈５種類の平均売価項〉
加えて、図４に示すように、各販売形態には、５種類の平均売価項が設けられている。符号２０３、２１３、２２３は、それぞれの販売形態の細区分に対応する平均売価である。例えば、５種類の平均売価項としては、定番状態２０２の場合の符号２０３の定番低価、定番中価、定番高価、定番超価、定番最価（最大域の略）の５つの細区分が平均売価として設定されている。

ここで、低価、中価、高価、超価、最価（最大価格の略）について説明する。上述した平均購買数と同様に、売価の全データの集合における売価の平均値が、中価の値となっている。また、全データの集合の平均値（＝中価の値）以下のデータの集合を下位データとすると、下位データの集合に対応するデータの売価の平均値が、低価の値となっている。また、全データの集合の平均値（＝中価の値）以上のデータの集合を上位データとすると、上位データの集合に対応するデータの売価の平均値が、高価の値となっている。さらに、上位データの平均値（＝高価の値）以上のデータの集合を上位の上位データとすると、上位の上位データの集合に対応するデータの売価の平均値が、超価の値となっている。さらにまた、売価の全データの集合の最大値を最価と称している。

これらの細区分された売価の値は、販売形態別の平均購買数とともに重回帰分析の変動因子として使用される。

ところで、上述のように販売形態を細分化した場合、実施されていない、すなわち過去データが観測できない区分が発生してしまう。例えば、陳列位置で入口近傍、生鮮食品近傍置、レジ近傍などの区分を作ると、過去に一回も実施されていない区分が出てくる。これでは、その実施していない区分を未来で実施しようとするときに困難を生じる。

そこで、定数項算出部１０は、図４に示した販売形態別の平均購買数テーブル２０Ｔにおいて平均購買数および平均売価が“０”の欄（空欄）を、同一商品の他の販売形態のデータがある場合には、同一商品の他の販売形態のデータで推定する。すなわち、定数項算出部１０は、同一商品の他の販売形態のデータを空欄に代入することにより、図６に示すような中間状態の販売形態別の平均購買数テーブル２０Ｔを得る。

具体的には、定数項算出部１０は、図６の符号３３１〜３３４に示すように、定番状態の値を月間状態、および特売状態の空欄に代入する。また、定数項算出部１０は、図６の符号３４０〜３４９に示すように、月間状態の値を定番状態、および特売状態の空欄に代入する。

なお、定数項算出部１０は、図６の符号３５１〜３５２に示すように、特売状態の値については、所定の調整係数を乗じた後、定番状態、および月間状態の空欄に代入する。このように所定の調整係数を乗じることにより、定番状態および月間状態の平均購買数が特売状態の値より小さくなるように調整する。また、定番状態および月間状態の売価は、所定の調整係数を乗じることにより、平均購買数とは逆に特売状態の値より大きくなるように調整する。これらの調整係数は、平均的な特売と定番、特売と月間の平均購買数の比率、同様に売価の比率から設定される。また、売価については、既定の定番売価のデータが図２に示す過去情報データベース６の売価・販促データ６４や図３に示す未来情報データベース７の予定売価・販促データ７４にある場合には、このデータを利用するようにしても良い。

加えて、図４に示した販売形態別の平均購買数テーブル２０Ｔにおいて平均購買数および平均売価が“０”の欄（空欄）であって同一商品の他の販売形態のデータがない場合には、定数項算出部１０は、平均購買数および平均売価が“０”の空欄を、他商品の同一の販売形態のデータを回帰式で直線近似して埋める。これにより、図７示すような最終状態の販売形態別の平均購買数テーブル２０Ｔを得る。

平均購買数および平均売価が“０”の空欄を、他商品の同一の販売形態のデータを回帰式で直線近似して埋める手法について説明する。

まず、定数項算出部１０は、例えば商品毎の購買数（日計値）の全データ期間おける標準偏差（図７の符号４７１参照）を算出する。ここで、販売形態別の平均購買数テーブル２０Ｔにおいては観測期間が５６日間で、空白を埋めるべき対象の図６の符号３６１、３６２、３６３、３６４の行の販売状態２０２、２１２、２２２は“０”の空欄である。つまり、この観測期間（５６日間）で購買実績データがなく、購買数の標準偏差は算出できないので、前述の「全データ期間」は５６日間を超える、全対象商品の購買実績データが存在する期間を意味している。

次いで、定数項算出部１０は、図７に示す符号４７１で示される標準偏差の小さい順にデータを並べて、平均購買数について、以下に示す平均購買数推測用回帰式（ａ）で直線近似する。
ｘ_ｎ１=ｃ_０＋ｃ_１ｚ_ｎ１ ・・・（ａ）
ｘ_ｎ１：商品ｎの細区分別の平均購買数の値
ｚ_ｎ１：商品nの購買数標準偏差（因子）
ｃ_０、ｃ_１：係数

まず、定数項算出部１０は、平均購買数推測用回帰式（ａ）に対して、図６の空白行（符号３６１、３６２、３６３、３６４）を除く定番低域のデータ列３０５をｘ_ｎ１に当てはめるとともに、対応する同一商品の図７に示す標準偏差のデータ列４７１をｚ_ｎ１に当てはめて、公知の回帰分析における最小２乗法を適用して、係数ｃ_０,ｃ_１を算出する。

次に、定数項算出部１０は、係数ｃ_０,ｃ_１と、図６の空白行（符号３６１、３６２、３６３、３６４）に対応する商品の標準偏差４７１を、式（ａ）に代入して、推測値４６１、４６２、４６３、４６４を算出する。

定数項算出部１０は、上述した処理を、すべての販売形態区分のすべての細区分に適用する。

同様に、定数項算出部１０は、平均売価について、平均売価推測用回帰式（ｂ）で直線近似する。
ｘ_ｎ２=ｄ_０＋ｄ_１ｚ_ｎ１ ・・・（ｂ）
ｘ_ｎ２：商品ｎの細区分別の平均売価の値
ｚ_ｎ１：商品nの購買数標準偏差（因子）
ｄ_０、ｄ_１：係数

まず、定数項算出部１０は、平均売価に関しても平均購買数と同様に、平均売価推測用回帰式（ｂ）に対して、図６の空白行（符号３６１、３６２、３６３、３６４）を除く定番低価のデータ列をｘ_ｎ２に当てはめるとともに、対応する同一商品の図７に示す標準偏差のデータ列４７１をｚ_ｎ１に当てはめて、公知の回帰分析における最小２乗法を適用して、係数ｄ_０,ｄ_１を算出する。

次に、定数項算出部１０は、係数ｄ_０,ｄ_１と、図６の空白行（符号３６１、３６２、３６３、３６４）に対応する商品の標準偏差４７１を、式（ｂ）に代入して、推測値４６１、４６２、４６３、４６４を算出する。

定数項算出部１０は、上述した処理を、すべての販売形態区分のすべての細区分に適用する。

なお、売価については、既定の売価のデータが図２に示す過去情報データベース６の売価・販促データ６４や図３に示す未来情報データベース７の予定売価・販促データ７４にある場合には、これを利用することもできる。

以上の処理により、図７に示す販売形態別の平均購買数テーブル２０Ｔの最終状態を得る。そして、定数項算出部１０は、生成した販売形態別の平均購買数テーブル２０Ｔを定数項データベース１１に格納する。

〈他の推定回帰式〉
なお、推測用回帰式としては、この他、全販売形態を通した平均購買数（ただし中域の推定を除く）や平均売価（ただし中価の推定を除く）が因子として使用可能である。さらに、曜日、気温等の因子も使用可能で、変数も、対数変換、逆数数変換等が選択可能である。

下記に、他の平均購買数推測用回帰式（ｃ）の例を示す。
ｘ_ｎ１=ｃ_０＋ｃ_１ｚ_ｎ１＋・・・＋ｃ_ｍｚ_ｎｍ ・・・（ｃ）
ｘ_ｎ１：商品ｎの細区分別の平均購買数の値
ｚ_ｎｍ：商品nの購買数標準偏差（因子）
ｃ_ｍ：係数
ｍ：商品nの平均購買数推定用因子

＜予測購買数の算出処理＞
次に、予測購買数の算出について説明する。

スーパーマーケットなどの大規模小売店では、同一商品かつ同一販売価格であっても、販売形態によりその購買数は大きく異なる場合が多い。例えば、集客等のために特定の商品を日時限定で安価に提供する、所謂特売オペレーションにおいて、同一商品かつ同一販売価格の特売であっても、販売期間（陳列期間：タイムサービスなどの数時間、特定の曜日１日限り、週末のみの２日から３日間、１週間連続、１ヶ月あるいはそれ以上の連続など）、購買数は異なることになる。

また、特売オペレーションにおいては、陳列方法（入口近傍、生鮮食品の通路に面した位置、レジの近傍などの商品の陳列位置、商品陳列棚のおける陳列のする棚の高さ位置、商品を陳列する什器の種類、陳列数量の大小）によっても購買数は異なることになる。

さらに、特売オペレーションにおいては、広告宣伝方法（チラシ広告、店内におけるポスターや音声での商品訴求）や販売促進方法（特定商品や特定期間におけるクーポン付与やポイント付与）の違いにより、同一商品かつ同一販売価格であってもその購買数は大きく異なることになる。

このため、従来の重回帰分析を用いた需要予測では、目的変数である購買数の変動因子としての販売価格と同様に、販売形態実施期間、陳列位置、陳列数、広告宣伝方法、販売促進方法等を変動因子として用いることが試行されている。

ところが、陳列方法、広告宣伝方法、販売促進方法は、連続した数値データとして観測することが困難になっている。例えば、チラシ掲載の有無や所定の陳列位置への陳列の有無だけである２値化データは、購買数のダイナミックな変動に追随できない、という問題がある。

一方、陳列数は連続した数値データとして扱うことができるが、入荷・品出し・廃棄の作業が行われている実際の店舗内では正確なデータとして観測することが困難である。

また、販売形態実施期間は、容易に数値データとして観測できるが、その長短を一つの変動因子にすることは困難である。すなわち、販売形態実施期間は、１日、２日から３日間、１週間、１ヶ月などの個別因子での実施有無を表現する２値化データとして扱う必要もある。

このように目的変数である購買数の変動因子の数が増加すると、数か月の短期期間では、それぞれの変動因子に対応する回帰係数を算出するのに十分なだけのデータを収集することが困難になる、という問題がある。一方、数年にわたる長期のデータ収集では、来店客の購買動向の変化や、商品の入替え、競合店状況の変化などから、回帰係数の有効性の確保が困難になる、という問題がある。

そこで、本実施形態では、公知の重回帰分析に対して（非特許文献１を参照）、重回帰分析販売形態の多様性へ対応すべく、目的商品の販売価格、販売形態実施期間、陳列位置、陳列数、広告宣伝方法、販売促進方法の一つもしくは複数の組合せからなる販売形態別の平均購買数を、重回帰分析の変動因子の一つとして購買数予測に用いる。これにより、スーパーマーケットなどの小売店での特売のように商品購買数の変動の激しい販売形態に対しても、各種の販売形態の影響を数値化できるので、確度の高い予測購買数を算出することができる。

＜目的変数＞
本実施形態では、複数の種類の商品を含む商品群に含まれる所定の商品ｎ｛商品１，商品２，・・・，商品ｎ，・・・｝に対して、その商品ｎを目的商品ｎと設定し、その目的商品ｎの購買数を過去情報データベース６の購買数６６１から抽出し、目的商品の購買数ｙ_ｎ（１≦ｎ≦Ｍ）を目的変数として設定する。目的変数が、本実施形態で示す回帰式で推定する対象、すなわち「目的」であり、目的変数が属する商品が目的商品と呼ばれる。

商品群に含まれる目的商品ｎ以外の商品を、当該目的商品ｎに対する非自己商品と設定する。

＜回帰式＞
回帰係数算出部８は、目的商品ｎに対して、目的商品ｎのＨ個の変動因子を下記のように設定する。
（ｘ_ｎ１＝ｘ_１１，ｘ_２１，・・・，ｘ_Ｍ１），（ｘ_ｎ２＝ｘ_１２，ｘ_２２，・・・，ｘ_Ｍ２），・・・，（ｘ_ｎＨ＝ｘ_１Ｈ，ｘ_２Ｈ，・・・，ｘ_ＭＨ）

また、回帰係数算出部８は、目的商品ｎに対して、目的商品ｎのＨ個の変動因子に対するＨ個の回帰係数を下記のように設定する。
（ｂ_ｎ１＝ｂ_１１，ｂ_２１，・・・，ｂ_Ｍ１），（ｂ_ｎ２＝ｂ_１２，ｂ_２２，・・・，ｂ_Ｍ２），・・・，（ｂ_ｎＨ＝ｂ_１Ｈ，ｂ_２Ｈ，・・・，ｂ_ＭＨ）

以上により、目的変数に対する回帰式は、下記の式（ｄ）で表される。
ｙ_ｎ＝ｂ_ｎ１ｘ_ｎ１＋ｂ_ｎ２ｘ_ｎ２＋・・・＋ｂ_ｎＨｘ_ｎＨ ・・・（ｄ）

ここで、目的商品ｎの販売形態別の平均購買数を変動因子ｘ_ｎ１として設定する。また、目的商品ｎの販売形態別の平均売価を変動因子ｘ_ｎ２として設定する。

なお、回帰係数を算出する際には、過去情報データベース６からの各種データおよび定数項データベース１１からの販売形態別の平均購買数、販売形態別の平均売価を使用するが、回帰係数は観測期間で購買データがある商品に対して算出されるので、図４に示す初期状態の販売形態別の平均購買数テーブル２０Ｔの値を使用する。

上述のようにして回帰係数算出部８で算出された、回帰係数は回帰係数データベース９に格納される。

＜予測計算＞
予測購買数算出部１２は、上述した式（ｄ）を使用して、未来の目的商品の購買数を予測（算出）する。

より詳細には、予測購買数算出部１２は、未来の時点で予定される販売状態に対して、図７に示す最終状態の販売形態別の平均購買数テーブル２０Ｔの該当する目的商品ｎの平均購買数の値を変動因子ｘ_ｎ１に代入するとともに、目的商品ｎの販売形態別の平均売価を変動因子ｘ_ｎ２に代入して未来の目的商品の購買数を算出する。

このとき、図４に示す初期状態の販売形態別の平均購買数テーブル２０Ｔでは、特売での購買実績のない符号２４１の行、すべての販売形態で購買実績のない符号２６１の行に対しても、図７に示す最終状態の販売形態別の平均購買数テーブル２０Ｔの値を使用するので、それぞれ対応する推定された値のある符号４４１の行、符号４６１の行の平均購買数データ、さらには平均売価データを用いて、過去観測期間で特売状態での購買実績のない商品の特売時の予測、あるいは過去観測期間ですべての販売形態での購買実績のない商品の各販売状態での購買予測が可能になる。

また、販売形態区分は、さらに平均を５つに細区分化されているので、同じ特売であっても、売価の違いや、陳列位置、陳列方法、宣伝広告方法等の違いを区別でき、より小売業業務にフィットした購買予測が可能になる。

以上説明したとおり、本実施形態によれば、目的商品の販売価格、販売形態実施期間、陳列位置、陳列数、広告宣伝方法、販売促進方法の一つもしくは複数の組合せからなる販売形態別の平均購買数を、重回帰分析の変動因子の一つとして購買数予測に用いている。これにより、スーパーマーケットなどの小売店での特売のように商品購買数の変動の激しい販売形態に対しても、各種の販売形態の影響を数値化できるので、確度の高い予測購買数を提供できる。

また、これにより目的商品にとって新規な販売形態のように、予測に使用する過去のデータがない、あるいは過去のデータが非常に少ない商品に対しても、平均して確度の高い予測購買数を提供できる。

また、本実施形態によれば、小売業の業務に適合しているので、適正な発注量を提供することができ、これにより、発注量過多に起因する商品の売れ残りによる値下げロス・廃棄ロスの発生、発注量過少に起因する商品の品切れによる機会ロスの発生の低減に有効である。

また、本実施形態によれば、変動因子として、販促状態を位置と時間で特定して、目的商品の購買数の変動に対する寄与する度合い、すなわちその効果を数値化できるので、動画を含む画像や音声に等による広告・宣伝等による効果の分析に好適である。

さらに、本実施形態によれば、数値化されたデータを対象に購買数予測を行っているので、対象とする小売店舗は、現実の店舗に限らずインターネット上に構築される仮想店舗に対しても購買数予測が可能である。

本実施形態の需要予測装置１は、ＣＰＵ（Central Processing Unit）などの制御装置と、ＲＯＭ（Read Only Memory）やＲＡＭなどの記憶装置と、ＨＤＤ、ＣＤドライブ装置などの外部記憶装置と、ディスプレイ装置などの表示装置と、キーボードやマウスなどの入力装置を備えており、通常のコンピュータを利用したハードウェア構成となっている。

本実施形態の需要予測装置１で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

また、本実施形態の需要予測装置１で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の需要予測装置１で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。

本実施形態の需要予測装置１で実行されるプログラムは、上述した各部（回帰係数算出部、定数項算出部、予測購買数算出部、発注・在庫数算出部、条件修正再計算部など）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ（プロセッサ）が上記記憶媒体からプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、回帰係数算出部、定数項算出部、予測購買数算出部、発注・在庫数算出部、条件修正再計算部などが主記憶装置上に生成されるようになっている。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１ 需要予測装置
６ 過去情報データベース
７ 未来情報データベース
８ 回帰係数算出部
９ 回帰係数データベース
１０ 定数項算出部、平均算出部
１１ 定数項データベース
１２ 予測購買数算出部

特開２００４−３３４３２６号公報

村田健郎 「線形代数と線形計算法序説」サイエンス社 １９８６年 Annette J. Dobson （訳）田中豊、森川敏彦、山中竹春 「一般化線形モデル入門」共立出版 ２００６年

Claims (6)

1. 商品群に含まれる目的商品毎の第１所定期間における購買数と、前記商品群に含まれる各目的商品の購買数を変動させる変動因子を数値化した過去の変動因子情報と、を記憶する記憶部と、
   前記第１の所定期間以降の期間である第２の所定期間における前記商品群の各目的商品の予測購買数を変動させる予定変動因子を数値化した未来の変動因子情報を記憶する予定情報記憶部と、
   目的変数として設定された目的商品毎の前記購買数以外の一以上の前記過去の変動因子情報からなる販売形態別の前記第１の所定期間における購買数の平均値である平均購買数を算出する平均算出部と、
   前記販売形態別の平均購買数を前記変動因子の一つとし、当該販売形態別の平均購買数が前記目的変数の変動に寄与する度合いを示す回帰係数を算出する回帰係数算出部と、
   前記目的商品の購買数に対する予測式を前記回帰係数および前記予定変動因子を用いて構成し、前記予測式から前記第２所定期間における前記商品群の各目的商品の予測購買数を算出する予測購買数算出部と、
   を備えることを特徴とする需要予測装置。
2. 前記平均算出部は、前記販売形態別の前記第１の所定期間における売価の平均値である平均売価も算出し、
   前記回帰係数算出部は、前記販売形態別の平均売価も前記変動因子の一つとして前記回帰係数を算出する、
   ことを特徴とする請求項１記載の需要予測装置。
3. 前記平均算出部は、前記販売形態における前記過去の変動因子情報の値に基づいて当該販売形態を更に複数に細区分したものを前記販売形態とする、
   ことを特徴とする請求項１または２記載の需要予測装置。
4. 前記平均算出部は、前記第１の所定期間内において一の販売形態に目的商品の購買数に対する前記変動因子のデータがない場合、他の前記販売形態区分における前記第１の所定期間内の目的商品の購買数に対する前記変動因子のデータを一の販売形態における前記変動因子のデータとして適用する、
   ことを特徴とする請求項１ないし３の何れか一記載の需要予測装置。
5. 前記平均算出部は、前記第１の所定期間内において全ての販売形態に目的商品の購買数に対する前記変動因子のデータがない場合、他商品の同一の販売形態の目的商品の購買数に対する前記変動因子のデータから回帰式を生成して推測用回帰係数を算出し、目的商品の同一の販売形態の購買数に対する前記変動因子のデータを前記推測用回帰係数を用いた前記推測用回帰式から推定する、
   ことを特徴とする請求項１ないし４の何れか一記載の需要予測装置。
6. 商品群に含まれる目的商品毎の第１所定期間における購買数と、前記商品群に含まれる各目的商品の購買数を変動させる変動因子を数値化した過去の変動因子情報と、を記憶する記憶部を接続するコンピュータを、
   前記第１の所定期間以降の期間である第２の所定期間における前記商品群の各目的商品の予測購買数を変動させる予定変動因子を数値化した未来の変動因子情報を記憶する予定情報記憶部と、
   目的変数として設定された目的商品毎の前記購買数以外の一以上の前記過去の変動因子情報からなる販売形態別の前記第１の所定期間における購買数の平均値である平均購買数を算出する平均算出部と、
   前記販売形態別の平均購買数を前記変動因子の一つとし、当該販売形態別の平均購買数が前記目的変数の変動に寄与する度合いを示す回帰係数を算出する回帰係数算出部と、
   前記目的商品の購買数に対する予測式を前記回帰係数および前記予定変動因子を用いて構成し、前記予測式から前記第２所定期間における前記商品群の各目的商品の予測購買数を算出する予測購買数算出部と、
   として機能させるためのプログラム。

Images