JP2016012223A - 需要予測装置およびプログラム - Google Patents

Abstract

【課題】特売商品の需要予測の予測精度を高める。【解決手段】各商品の過去の購買数と、当該購買数を変動させる変動因子を数値化した変動因子情報とを実績データとして記憶する記憶手段と、需要予測の対象となる基準日の入力を受け付ける受付手段と、前記記憶手段に記憶された実績データに基づいて、前記変動因子情報が前記購買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手段と、前記回帰係数算出手段により算出された前記回帰係数と、前記基準日における変動因子情報とを用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する予測購買数算出手段と、を備え、前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報を含む。【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、商品ごとの購買（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く、小売店等の商品別の需要予測が使用され始めた。例えば、購買データを分析した需要予測を、発注量過多に起因する売れ残り商品の廃棄ロスの発生や、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、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。

ところで、上記小売店等で販売される商品の中には、集客等のために特定の日時に安価に提供する商品（以下、特売商品という）が存在する。同一商品であっても、定価販売商品の場合と特売商品の場合とでは、販売数は大きく違ってくる。

しかしながら、従来の重回帰分析による需要予測では、過去の購買データも用いて予測を行うものの、特売商品の購買数は一年間を通して一定しないため、特売商品の需要予測の予測精度は低くなりがちである。

本発明が解決しようとする課題は、特売商品の需要予測の予測精度を高める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、各商品の過去の購買数と、当該購買数を変動させる変動因子を数値化した変動因子情報とを実績データとして記憶する記憶手段と、需要予測の対象となる基準日の入力を受け付ける受付手段と、前記記憶手段に記憶された実績データに基づいて、前記変動因子情報が前記購買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手段と、前記回帰係数算出手段により算出された前記回帰係数と、前記基準日における変動因子情報とを用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する予測購買数算出手段と、を備え、前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報を含む。

図１は、実施形態に係る需要予測装置を含んだシステム構成を示すブロック図である。 図２は、需要予測装置の主体となるコンピュータのハードウェア構成を示すブロック図である。 図３は、直近実績及び前年度実績を説明するための図である。 図４は、重回帰分析を模式的に示した図である。 図５は、システムにおける需要予測に係る処理の手順を示すフローチャートである。

図１は、実施形態に係る需要予測装置を含んだ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、小売店等の本部に設置される需要予測装置１と、データ収集・変換システム２と、業務支援端末３と、業務システム４と、を備える。

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、過去の販売状態と購買状況とを示す実績データを用いて、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、需要予測の対象となる基準日での販売状態と購買環境とを当てはめ、そ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、発注データ、在庫データ、売価・販促データ、及び気象データなどの過去情報を実績データとして収集する。そして、データ収集・変換システム２は、収集した実績データを所定のデータ構造に変換して、需要予測装置１の各種データベース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。

業務支援端末３は、需要予測装置１に対するユーザ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、ユーザは、業務支援端末３から、需要予測の対象となる基準日での販売状態や購買環境を入力する。また、初期に設定した販売状態及び購買環境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３から、予定売価等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４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４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４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、４、及び業務支援端末３は、何れも汎用的なコンピュータシステム、及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、４、及び業務支援端末３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。

また、図１に示した需要予測装置１及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。

なお、本実施形態の需要予測装置１は、クラウドコンピューティングの形態、例えばＳａａＳ（Software as a Service）の形態でサービス（アプリケーション）が提供されるものであっても良い。

ここで、需要予測装置１の主体となるコンピュータについて説明する。図２は、需要予測装置１の主体となるコンピュータ１００のハードウェア構成を示すブロック図である。図２に示すように、コンピュータ１００は、情報処理を行うＣＰＵ（Central Processing Unit）１０１、ＢＩＯＳなどを記憶した読出し専用メモリであるＲＯＭ（Read Only Memory）１０２、各種データを書換え可能に記憶するＲＡＭ（Random Access Memory）１０３を備えている。

また、コンピュータ１００は、各種データベースとして機能するとともに各種のプログラムを記憶する記憶部であるＨＤＤ（Hard Disk Drive）１０４、記憶媒体１１０を用いて情報を保管したり外部に情報を配布したり外部から情報を入手するためのＤＶＤドライブ等の媒体読取装置１０５、各通信回線を介して外部の他の機器と情報を伝達するための通信制御装置１０６、処理経過や結果等をユーザに表示するＬＣＤ（Liquid Crystal Display）等の表示部１０７、並びにユーザがＣＰＵ１０１に命令や情報等を入力するためのキーボードやマウス等のポインティングデバイスである入力部１０８等を備えている。

また、コンピュータ１００においては、上述した各部間で送受信されるデータは、バスコントローラ１０９によって調停される。

このようなコンピュータ１００では、ユーザが電源を投入するとＣＰＵ１０１がＲＯＭ１０２内のローダーというプログラムを起動させ、ＨＤＤ１０４よりＯＳ（Operating System）というコンピュータのハードウェアとソフトウェアとを管理するプログラムをＲＡＭ１０３に読み込み、このＯＳを起動させる。このようなＯＳは、ユーザの操作に応じてプログラムを起動したり、情報を読み込んだり、保存を行ったりする。ＯＳのうち代表的なものとしては、Ｗｉｎｄｏｗｓ（登録商標）等が知られている。これらのＯＳ上で走る動作プログラムをアプリケーションプログラムと呼んでいる。なお、アプリケーションプログラムは、所定のＯＳ上で動作するものに限らず、後述の各種処理の一部の実行をＯＳに肩代わりさせるものであってもよいし、所定のアプリケーションソフトやＯＳなどを構成する一群のプログラムファイルの一部として含まれているものであってもよい。

また、一般的には、コンピュータ１００のＨＤＤ１０４にインストールされるアプリケーションプログラムは、ＣＤ−ＲＯＭやＤＶＤなどの各種の光ディスク、各種光磁気ディスク、フレキシブルディスクなどの各種磁気ディスク、半導体メモリ等の各種方式のメディア等の記憶媒体１１０に記録され、この記憶媒体１１０に記録された動作プログラムがＨＤＤ１０４にインストールされる。このため、ＣＤ−ＲＯＭやＤＶＤ等の光情報記録メディアやＦＤ等の磁気メディア等の可搬性を有する記憶媒体１１０も、アプリケーションプログラムを記憶する記憶媒体となり得る。さらには、アプリケーションプログラムは、例えば通信制御装置１０６を介して外部から取り込まれ、ＨＤＤ１０４にインストールされても良い。

コンピュータ１００は、ＯＳ上で動作するアプリケーションプログラムが起動すると、このアプリケーションプログラムに従い、ＣＰＵ１０１が各種の演算処理を実行して各部を集中的に制御する。

なお、本実施形態の需要予測装置１の主体となるコンピュータ１００で実行されるアプリケーションプログラムを、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の主体となるコンピュータ１００で実行されるアプリケーション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。さらに、本実施形態の需要予測装置１の主体となるコンピュータ１００で実行されるアプリケーションプログラムを、ＲＯＭ等に予め組み込んで提供するように構成してもよい。

以下において、需要予測装置１の主体となるコンピュータ１００のＣＰＵ１０１がアプリケーションプログラムにより実行する各種の演算処理のうち、本実施形態の特長的な処理である需要予測処理について説明する。

図１に示すように、需要予測装置１は、アプリケーションプログラムに従ってＣＰＵ１０１が機能することにより、記憶手段として機能する記憶部１１と、回帰係数算出手段として機能する回帰係数算出部１２と、予測購買数算出手段として機能する予測購買数算出部１３と、受付手段として機能する入力受付部１４と、を備える。

記憶部１１は、商品マスタデータベース１１１、購買数データベース１１２、発注データベース１１３、在庫データベース１１４、売価・販促データベース１１５、気象データベース１１６等を備える。また、記憶部１１は、需要予測装置１のみならず、他の端末やシステムで利用される情報も管理する。また、記憶部１１は需要予測装置１に内蔵されるのみならず、外部にデータベースサーバとして需要予測装置１と異なる構成としてもよい。

商品マスタデータベース１１１は、各商品の商品コード、商品名、商品分類（カテゴリ）等を管理する。商品分類としては、例えば、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、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、複数のラインを含むライン群をデプト（部門）として分類するデプトコード等の階層化された商品分類コードが挙げられる。

購買数データベース１１２は、購買データを管理するためのデータベースである。購買数データベース１１２は、商品コードで識別される各商品に対して、現時点から過去の所定の時点までの購買数の履歴等を管理する。ここで、各種データを管理する時間単位は、実施の態様に従って定めればよく、例えば、一日単位で購買数を管理してもよいし、数時間単位で購買数を管理してもよい。

発注データベース１１３は、発注データを管理するためのデータベースである。発注データベース１１３は、商品コードで識別される各商品に対して、現時点から過去の所定の時点までの発注数の履歴等を管理する。また、在庫データベース１１４は、在庫データを管理するためのデータベースである。在庫データベース１１４は、商品コードで識別される各商品に対して、現時点から過去の所定の時点までの在庫数の履歴等を管理する。

また、記憶部１１は、商品群の購買数を変動させる変動因子となりうる情報を記憶するデータベースを有する。例えば、売価・販促データベース１１５は、変動因子の一種である売価データや販促状態を示す販促データを記憶する。具体的には、売価・販促データベース１１５は、商品コードで識別される商品に対して、現時点から過去の所定の時点までに適用された、通常の販売状態での価格を示す定番価格、特売により定番価格から変動する実際の販売価格を示す特売価格、特売価格を適用する日や期間を示す特売期間、チラシ掲載の有無を示すチラシ掲載等を管理する。

ところで、集客等のために特定の日時に安価に提供する商品（以下、特売商品という）については、特売初日と特売２日目の購買数が他の特売期間の購買数とは大きく異なることが、過去の販売実績の分析から明らかである。具体的には、特売初日には定番価格で販売している時に比べて購買数が大きく跳ね上がり、特売２日目には特売初日に比べて少し減る。そして、特売３日目以降になると定番価格で販売している時よりは購買数は多いが特売初日と特売２日目の購買数よりも少ない数で一定になってくる。そこで、本実施形態においては、特売初日および特売２日目という特売期間中における特売開始からの経過日数情報も変動因子として売価・販促データベース１１５で管理する。すなわち、特売期間中の特売日間で格差を持たせることになる。なお、本実施形態においては、特売期間中における特売開始からの経過日数情報として初日および２日目を適用したが、これに限るものではなく、初日のみであっても良い。

また、気象データベース１１６は、現時点から過去の所定の時点までの気温、湿度、天気、降水量等の気象データを記憶する。

このように、記憶部１１の各データベースは、データ収集・変換システム２で収集された実績データを記憶・管理する。

回帰係数算出部１２は、記憶部１１が記憶・管理する実績データに基づいて、商品毎に、変動因子となりうる各データが当該商品の購買数の変動に寄与する度合いを示す回帰係数を算出する。さらに、回帰係数算出部１２は、商品毎に、他の商品の各購買数が当該商品の購買数の変動に寄与する度合いを示す購買数回帰係数を算出する。

本実施形態では、商品群を構成する商品がＮ種類の場合について説明する。そして、Ｎ種類の商品を、商品１,商品２,…,商品ｎ,…商品Ｎと表すものとする。

この商品ｎ（ｎ＝１,２…,Ｎ）に対する購買数をＹ_nとする。つまり、商品１,商品２,…,商品ｎ,…商品Ｎの各購買数を、購買数Ｙ₁,Ｙ₂,…,Ｙ_n,…,Ｙ_Nと示す。そして、過去の購買数については、Ｙ~₁,Ｙ~₂,…,Ｙ~_n,…,Ｙ~_Nと示す。

また、本実施形態では、変動因子となりえるデータは、Ｍ種類あるものとする。そして、商品ｎに対する変動因子は、Ｘ_n1,Ｘ_n2,…,Ｘ_nm,…,Ｘ_nM（ｍ＝１,２…,Ｍ）と示す。変動因子Ｘ_nm（ｔ）は、販売価格、曜日、休日、気温、降水量、販売別形態、特売期間中における特売開始からの経過日数情報（特売初日および特売２日目）等とし、購買数を変動させる可能性のあるデータが数値化されたものとする。ここで、販売別形態は、例えば、定番価格で販売を行う「定番」、特売価格で販売を行い且つ特売期間が２週間以上に亘る「月間特売」、月間特売以外の「特売」等が挙げられる。

そして、回帰係数算出部１２では、商品ｎの過去の所定期間の購買数Ｙ~_nは、下記の式（１）で示すことができる。
Ｙ~_n= ａ_n1Ｙ~₁＋ａ_n2Ｙ~₂＋…＋ａ_n（n-1）Ｙ~_n-1＋ａ_n（n+1）Ｙ~_n+1＋…＋ａ_nNＹ~_N＋ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM … （１）

上記式（１）において、ｂ_n0は、定数項である商品ｎの回帰係数とする。ｂ_n1,…,ｂ_nMは、商品ｎに対する、Ｍ種類の変動因子となりえるデータ毎の回帰係数とする。ａ_n1,…,ａ_n（n-1）,ａ_n（n+1）,…,ａ_nNは、他の商品の購買数が、商品ｎの購買数を変動させる度合いを示した購買数回帰係数とする。

そして、回帰係数算出部１２は、上記式（１）をＮ種類ある商品毎に生成し、Ｍ＋Ｎ回以上の所定期間毎の各商品の過去の購買数を上記式（１）のＹ~₁,…,Ｙ~_Nに当てはめ、公知の回帰係数算出方法を用いて、回帰係数ｂ_n0,ｂ_n1,…,ｂ_nM（ｎ＝１,…,Ｎ）及び購買数回帰係数ａ_n1,…,ａ_nN（ｎ＝１,…,Ｎ）を全て算出する。

〈予測対象商品群〉
本実施の形態に係る回帰係数算出部１２は、公知の重回帰分析を用いて、上述した回帰係数及び購買数回帰係数を算出する。

回帰係数算出部１２は、これら回帰係数の算出に、記憶部１１に記憶された実績データを用いる。本実施の形態では、回帰係数算出部１２が、予め定められた期間での購買数及び変動因子となり得る実績データを用いて、回帰係数及び購買数回帰係数を算出する。

具体的に、回帰係数算出部１２は、需要予測の対象となる基準日に基づき、この基準日に直近する過去所定期間分の実績データ（以下、直近実績という）と、基準日に対応する前年度の日付から未来方向にかけての所定期間分の実績データ（以下、前年度実績という）とを用いて、回帰係数及び購買数回帰係数を算出する。

ここで、図３は、直近実績及び前年度実績を説明するための図である。図３の例では、需要予測の対象日となる基準日を、現時点（当日）の２０１４年１２月１日としている。この基準日に直近する過去３５日間分（２０１４年１０月２７日〜２０１４年１１月３０日）の実績データＲを、第１直近実績Ａ１としている。また、２０１４年１２月１日に直近する過去７０日間（２０１４年９月２２日〜２０１４年１１月３０日）の実績データＲを、第２直近実績Ａ２としている。

また、基準日に対応する前年度の日付（２０１３年１２月２日）から未来方向にかけての３５日間分（２０１３年１２月２日〜２０１４年１月５日）の実績データＲを、第１前年度実績Ｂ１としている。さらに、基準日に対応する前年度の日付（２０１３年１２月２日）から未来方向にかけての７０日間分（２０１３年１２月２日〜２０１４年２月９日）の実績データＲを、第２前年度実績Ｂ２としている。なお、図３では、基準日に対応する前年度の日付を基準日の翌日としているが、これに限らず、基準日と同日としてもよい。また、前年度実績は、前年度の実績データに限らず、前年度以前の実績データを用いてもよい。

そして、回帰係数算出部１２は、各商品に係る実績データの有無や実績データの傾向に応じて、直近実績及び前年度実績を、以下の３つのパターンに区分けして使用する。

〈〈パターンＰ１〉〉
（１）前年度実績（第１前年度実績Ｂ１、第２前年度実績Ｂ２）が存在しない商品、（２）直近実績と前年度実績との差が第１閾値以下の商品、については、パターンＰ１として第２直近実績Ａ２を用いる。ここで、第１閾値は、例えば２０％以内等、微差であることを示す値とすることが好ましい。このように、直近実績と前年度実績とが微差となる商品は、例えば、季節を問わず年間を通して恒常的に購入される定番商品や日配商品等が挙げられる。

〈〈パターンＰ２〉〉
（１）第２直近実績Ａ２で売り上げが第２閾値以下の商品、又は（２）直近実績と前年度実績との差が第３閾値以上の商品については、パターンＰ２として第２前年度実績Ｂ２を用いる。ここで、第２閾値は、例えば７個以下（０．１／日）等、売り上げ個数が少ないことを示す値とすることが好ましい。また、第３閾値は、例えば８０％以上等、大差であることを示す値とすることが好ましい。このように、直近実績と前年度実績とが大差となる商品は、例えば、特定の時期や季節に関係して購入される商品（季節性商品）や特定の日時に安価に提供する商品（特売商品）等が挙げられる。

ところで、本実施形態においては、回帰係数算出部１２は、第２前年度実績Ｂ２の期間（例えば、７０日間）における季節性商品や特売商品の購買数についての単純平均を取るのではない。回帰係数算出部１２は、第２前年度実績Ｂ２の期間を所定数分割（例えば、２分割）した分割期間における購買数の各平均値を用いて、回帰係数及び購買数回帰係数を算出する。このように第２前年度実績Ｂ２の期間を更に分割することにより、特売の多い月や季節性商品のトレンドを程よく取り込むことが可能となる。

なお、本実施形態においては、第２前年度実績Ｂ２の期間を７０日間としたが、これに限るものではなく、任意の期間に設定可能である。なお、第２前年度実績Ｂ２の期間を７０日間としたのは、季節の要因を含めるのに適当な長さであるからである。なお、消費税が変わった場合などにおいては、長期間（例えば、３か月）を設定するようにしても良い。

また、本実施形態においては、第２前年度実績Ｂ２を２分割したが、これに限るものではなく、任意の分割数に設定可能である。例えば、第２前年度実績Ｂ２の期間を１か月毎に分割するようにしても良い。

〈〈パターンＰ３〉〉
（１）予め定めた商品や予め定めた商品カテゴリに属する商品については、パターンＰ３として第１直近実績Ａ１と第１前年度実績Ｂ１を用いる。また、上記のパターンＰ１、パターンＰ２の条件に該当しない商品についても、パターンＰ３を用いてもよい。

なお、パターンＰ３において参照する期間は、第１直近実績Ａ１及び第１前年度実績Ｂ１の７０日間に限らず、この７０日間に含まれる特定の日や期間であってもよい。例えば、第１直近実績Ａ１及び第１前年度実績Ｂ１のうち、基準日の予想気温や天気に近い気象データを有する特定の日や特定の期間を参照の対象としてもよい。また、例えば、直近１週間の実績データとそれより前の実績データとを比較し、両期間の温度差から季節の変化が検出できた場合、この直近１週間の実績データと、第１前年度実績Ｂ１とを用いてもよい。

また、回帰係数算出部１２は、前年度実績及び直近実績の何れも存在しない商品又は過去実績が非常に少ない商品については、当該商品が所属する商品カテゴリ全体での実績データ（直近実績、前年度実績）の平均値や当該商品に類似する類似商品の実績データ（直近実績、前年度実績）を用いて回帰係数を算出する。

なお、需要予測は、店舗毎に行ってもよいし、全店での総需要予測を算出してもよい。需要予測を店舗毎に行う場合、予測対象となる商品群は、対象店舗での過去の購入された全商品となる。ただし、１ヶ月に数個しか購買されない商品で、今後も購買数の急激な増加が見込めない商品については商品群から除外してもよい。

このように、回帰係数算出部１２では、各商品の直近実績及び前年度実績での購買数の傾向に応じてパターンＰ１〜Ｐ３の何れかを選定することにより、回帰係数の算出に用いる直近実績及び前年度実績の期間長を変更する。なお、上述したように、直近実績及び前年度実績に係る期間長の合計が同日数（図３の例では７０日間）となるよう、各パターンを設定することが好ましい。

そして、本実施の形態では、回帰係数算出部１２が回帰係数の算出に用いる、商品ｎ（＝１,２…,Ｎ）の過去の所定の期間ｔにおける購買数を、Ｙ~_n（t）（＝Ｙ~₁（t）,Ｙ~₂（t）,…,Ｙ~_n（t）,…,Ｙ~_N（t））で表す。この所定の期間ｔは、１日間隔、１時間間隔、又は１分間隔でもよい。そして、回帰係数を算出する際に、このような所定の期間ｔで購買された合計購買数Ｙ~_n（t）が、購買数データベース１１２から読み出される。

〈変動因子〉
そして、回帰係数算出部１２が回帰係数の算出に用いるため、商品ｎ（＝１,２…,Ｎ）に対するＭ種類（ｍ＝１,２,…,Ｍ）の過去の変動因子となりえるデータＸ_nm（ｔ）が、所定期間ｔ（ｔ＝１，２，…，Ｔ）ごとに、記憶部１１の各データベースから読み出される。

つまり、回帰係数算出部１２は、商品ｎ（＝１,２…,Ｎ）に対する変動因子となる過去のデータとして、以下に示すデータを記憶部１１から読み出す。
Ｘ_n1（０）,Ｘ_n1（１）,…,Ｘ_n1（ｔ）,…,Ｘ_n1（Ｔ）
Ｘ_n2（０）,Ｘ_n2（１）,…,Ｘ_n2（ｔ）,…,Ｘ_n2（Ｔ）
……
Ｘ_nM（０）,Ｘ_nM（１）,…,Ｘ_nM（ｔ）,…,Ｘ_nM（Ｔ）

ここで、連立方程式を解くために、所定期間の合計数Ｔは、Ｍ＋１以上必要とする。換言すれば、Ｔ≧Ｍ＋１（t＝０,１,２,…,Ｔ）（ｍ＝１,２,…,Ｍ）の関係を満たしている必要がある。

〈回帰係数算出〉
次に、回帰係数算出方法について説明する。まず、公知の回帰係数の算出手法として、予測因子となる過去データＸ_nm（ｔ）を用いた場合、所定の期間ｔ（ｔ＝０,１,…,Ｔ）における商品ｎの推定購買数Ｙ_n（ｔ）は、以下に示す回帰式（２−０）〜（２−Ｔ）で示すことができる。

Ｙ_n（０）＝ｂ_n0＋ｂ_n1Ｘ_n1（０）＋ｂ_n2Ｘ_n2（０）＋…＋ｂ_nMＸ_nM（０） … （２−０）
Ｙ_n（１）＝ｂ_n0＋ｂ_n1Ｘ_n1（１）＋ｂ_n2Ｘ_n2（１）＋…＋ｂ_nMＸ_nM（１） … （２−１）
…
Ｙ_n（ｔ）＝ｂ_n0＋ｂ_n1Ｘ_n1（ｔ）＋ｂ_n2Ｘ_n2（ｔ）＋…＋ｂ_nMＸ_nM（ｔ） … （２−ｔ）
…
Ｙ_n（Ｔ）＝ｂ_n0＋ｂ_n1Ｘ_n1（Ｔ）＋ｂ_n2Ｘ_n2（Ｔ）＋…＋ｂ_nMＸ_nM（Ｔ） … （２−Ｔ）

このとき重回帰分析では、期待値を表すＥ（）を用いると、残差の２乗和Ｑは、式（３）で示すことができる。なお、Ｙ~_n（ｔ）は、所定の期間ｔにおける実際の購買数とする。

Ｑ＝Ｅ（Ｙ_n（ｔ）−Ｙ~_n（ｔ））² … （３）

そして、商品ｎの定数項と変動因子Ｘ_nmに対するＭ＋１個（ｍ＝０,１,２…,Ｍ）の回帰係数ｂ_nm（ｂ_nm＝ｂ_n0,ｂ_n1,ｂ_n2,…,ｂ_nm,…,ｂ_nM）は、式（３）のＱが最小となるよう導出される。図４は、重回帰分析を模式的に示した図である。換言すれば、図４の回帰曲線が、各実測値と近似するよう求められる。

そして、従来の手法では、回帰式（２−０）〜（２−Ｔ）の回帰係数ｂ_nmを固定し、予測対象となる期間における、変動因子となる予測データＸ_nMを代入することで、当該商品ｎの将来の購買数の予測値Ｙ_nが、以下に示す式（４）から算出される。
Ｙ_n＝ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM … （４）

ところで、上述した重回帰分析では、式（４）で示されるように、他の商品の相互作用の影響がなんら含まれていない。しかしながら、実際には、各商品の相互作用が生じている。

２つの商品Ａ−Ｂ間の購買数の増減パターンとしては、以下に示す４種類の相互作用が存在する。つまり、（１）商品Ａの購買数が増加した場合に商品Ｂの購買数の増加、（２）商品Ａの購買数が増加した場合に商品Ｂの購買数の減少、（３）商品Ａの購買数が減少した場合に商品Ｂの購買数の増加、（４）商品Ａの購買数が減少した場合に、商品Ｂの購買数の減少、が考えられる。

そして、これら４種類の相互作用を、予測対象商品群のすべてに対して記述できればよい。そこで、本実施の形態では、商品Ａの購買数を算出する回帰式において、同一期間中のＡ以外の全ての購買数を、商品Ａの購買数の変動因子として示す。

そこで、本実施の形態では、商品ｎについて、当該商品ｎを除いた、商品群のその他の商品の過去の購買数Ｙ~₁（t）,Ｙ~₂（t）,…,Ｙ~_n-1（t）,Ｙ~_n+1（t）,…,Ｙ~_N（t）に対応するＹ₁,Ｙ₂,…,Ｙ_n-1,Ｙ_n+1,…,Ｙ_Nを、商品ｎの回帰式の購買数変動因子として用いる。

そして、商品ｎの購買数変動因子Ｙ₁,Ｙ₂,…,Ｙ_n-1,Ｙ_n+1,…,Ｙ_Nに対するＮ−１個の購買数回帰係数をａ_n1,ａ_n2,…,ａ_n（n-1）,ａ_n（n+1）,…,ａ_nNと定義する。そして、商品ｎの購買数Ｙ_nを算出する回帰式として、すべての変動因子、購買数変動因子、及びそれらの回帰係数を用いた式（５）を設定できる。

Ｙ_n＝ａ_n1Ｙ₁＋ａ_n2Ｙ₂＋…＋ａ_n（n-1）Ｙ_n-1＋ａ_n（n+1）Ｙ_n+1＋…＋ａ_nNＹ_N＋ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM … （５）

式（５）の回帰係数の総数は、（Ｎ−１）＋（Ｍ＋１）＝Ｎ＋Ｍとなる。そこで、記憶部１１から抽出される、変動因子及び購買数変動因子の、過去のデータのセットもＮ＋Ｍ以上とする。つまり、Ｙ~₁（t）,Ｙ~₂（t）,…,Ｙ~_n-1（t）,Ｙ~_n+1（t）,…,Ｙ~_N（t）と、Ｘ_n1（t）,Ｘ_n2（t）,…,Ｘ_nM（t）（ｔ＝０,１,２,…,Ｔ）と、について、Ｔ≧Ｎ＋Ｍ−１が成り立つ必要がある。

そして、Ｔ≧Ｎ＋Ｍ−１の条件を満たした場合に、回帰係数算出部１２は、回帰式（５）と、公知の回帰係数算出方法と、を用いて、商品ｎに対するＮ＋Ｍ個のすべての購買数回帰係数ａ_n1,ａ_n2,…,ａ_n（n-1）,ａ_n（n+1）,…,ａ_nN及び回帰係数ｂ_n0,ｂ_n1,ｂ_n2,…,ｂ_nMを算出できる。

予測購買数算出部１３は、回帰係数算出部１２により算出された回帰係数及び購買数回帰係数と、記憶部１１に記憶された商品毎の購買数及び変動因子となるデータと、に基づいて、商品毎に、上述した過去の所定期間より後の、換言すれば現在以降の所定期間内に購買される可能性のある購買数を示した予測購買数を算出する。

予測購買数算出部１３は、商品群を構成するＮ個の商品に含まれる、商品ｎの予測購買数を算出するために以下の式（６）を用いる。

ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM ＝−ａ_n1Ｙ₁−ａ_n2Ｙ₂−…−ａ_n（n-1）Ｙ_n-1＋Ｙ_n−ａ_n（n+1）Ｙ_n+1−…−ａ_nNＹ_N … （６）

そして、予測購買数算出部１３は、現在以降の所定期間の、商品毎の変動因子となるデータを式（６）のＸ_n1,…,Ｘ_nMに当てはめた上で、式（６）をＮ種類ある商品毎に生成し、生成されたＮ個の方程式に基づいて、商品群を構成するＮ個の商品毎の予測購買数Ｙ₁,Ｙ₂,…,Ｙ_n,…,Ｙ_Nを算出する。

〈購買数推定〉
まず、将来の購買数の推定手法を説明する前に、過去の購買数の推定手法について説明する。まず、商品群を構成するＮ個の各商品について、上述したような変動因子、購買数変動因子、回帰係数、及び購買数回帰係数等を用いると、回帰式群（７−１）〜（７−Ｎ）を設定できる。

Ｙ₁＝ａ₁₂Ｙ₂＋ａ₁₃Ｙ₃＋…＋ａ_1NＹ_N＋ｂ₁₀＋ｂ₁₁Ｘ₁₁＋ｂ₁₂Ｘ₁₂＋…＋ｂ_1MＸ_1M … （７−１）
Ｙ₂＝ａ₂₁Ｙ₁＋ａ₂₃Ｙ₃＋ａ₂₄Ｙ₄＋…＋ａ_2NＹ_N＋ｂ₂₀＋ｂ₂₁Ｘ₂₁＋ｂ₂₂Ｘ₂₂＋…＋ｂ_2MＸ_2M … （７−２）
…
Ｙ_n＝ａ_n1Ｙ₁＋ａ_n2Ｙ₂＋…＋ａ_n（n-1）Ｙ_n-1＋ａ_n（n+1）Ｙ_n+1＋…＋ａ_nNＹ_N＋ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM … （７−ｎ）
…
Ｙ_N＝ａ_N1Ｙ₁＋ａ_N2Ｙ₂＋…＋ａ_N（N-2）Ｙ_N-2＋ａ_N（N-1）Ｙ_N-1＋ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nM … （７−Ｎ）

そして、回帰式群（７−１）〜（７−Ｎ）において、過去の各所定期間（ｔ＝０,１,２,…,Ｔ）について、Ｔ≧Ｎ＋Ｍ−１を満たすのであれば、右辺はすべて既知なので、以下に示す式（８−１）〜（８−Ｎ）を導出できる。

Ｙ₁（t）＝ａ₁₂Ｙ~₂（t）＋ａ₁₃Ｙ~₃（t）＋…＋ａ_1NＹ~_N（t）＋ｂ₁₀＋ｂ₁₁Ｘ₁₁（t）＋ｂ₁₂Ｘ₁₂（t）＋…＋ｂ_1MＸ_1M（t） … （８−１）
Ｙ₂（t）＝ａ₂₁Ｙ~₁（t）＋ａ₂₃Ｙ~₃（t）＋ａ₂₄Ｙ~₄（t）＋…＋ａ_2NＹ~_N（t）＋ｂ₂₀＋ｂ₂₁Ｘ₂₁（t）＋ｂ₂₂Ｘ₂₂（t）＋…＋ｂ_2MＸ_2M（t） … （８−２）
…
Ｙ_n（t）＝ａ_n1Ｙ~₁（t）＋ａ_n2Ｙ~₂（t）＋…＋ａ_n（n-1）Ｙ~_n-1（t）＋ａ_n（n+1）Ｙ~_n+1（t）＋…＋ａ_nNＹ~_N（t）＋ｂ_n0＋ｂ_n1Ｘ_n1（t）＋ｂ_n2Ｘ_n2（t）＋…＋ｂ_nMＸ_nM（t） … （８−ｎ）
…
Ｙ_N（t）＝ａ_N1Ｙ~₁（t）＋ａ_N2Ｙ~₂（t）＋…＋ａ_N（N-2）Ｙ~_N-2（t）＋ａ_N（N-1）Ｙ~_N-1（t）＋ｂ_n0＋ｂ_n1Ｘ_n1（t）＋ｂ_n2Ｘ_n2（t）＋…＋ｂ_nMＸ_nM（t） … （８−Ｎ）

そして、過去購買数推定値Ｙ_n（t）は、重回帰分析の残差の２乗和Ｑが最小となる条件で算出できる。

ところで、商品ｎに対する将来の所定期間の予測購買数の算出では、回帰式群（７−１）〜（７−Ｎ）の右辺のすべての回帰係数ａ_nk（ｎ≠ｋ）,ｂ_nmは定められており、当該将来の所定期間における変動因子となるデータＸ_nMは導出できる。しかしながら、右辺のＹ_k（ｋ≠ｎ）について、Ｙ_kは商品ｎ以外の他の商品の将来購買数の予測値を意味するため、将来時点では未知数であり、式（６）のみでは、商品ｎに対する将来の予測購買数を算出できない。

そこで、本実施の形態に係る予測購買数算出部１３が算出を行うために、変動因子Ｘ_nmと回帰係数ｂ_n0,ｂ_n1,ｂ_n2,…,ｂ_nm,…,ｂ_nMにかかわる項をＢ_n＝ｂ_n0＋ｂ_n1Ｘ_n1＋ｂ_n2Ｘ_n2＋…＋ｂ_nMＸ_nMとする。そして、当該式を用いて回帰式群（７−１）〜（７−Ｎ）を変形することで、商品群を構成するＮ個の商品に対する連立１次方程式からなる連立購買数予測式群（９−１）〜（９−Ｎ）が構築できる。

Ｂ₁＝Ｙ₁−ａ₁₂Ｙ₂−ａ₁₃Ｙ₃−…−ａ_1NＹ_N … （９−１）
Ｂ₂＝−ａ₂₁Ｙ₁−Ｙ₂−ａ₂₃Ｙ₃−ａ₂₄Ｙ₄…−ａ_2NＹ_N … （９−２）
…
Ｂ_n＝−ａ_n1Ｙ₁−ａ_n2Ｙ₂−…−ａ_n（n-1）Ｙ_n-1＋Ｙ_n−ａ_n（n+1）Ｙ_n+1−…−ａ_nNＹ_N … （９−ｎ）
…
Ｂ_N＝−ａ_N1Ｙ₁−ａ_N2Ｙ₂−…−ａ_N（N-2）Ｙ_N-2−ａ_N（N-1）Ｙ_N-1−Ｙ_N … （９−Ｎ）

ここで、連立購買数予測式群（９−１）〜（９−Ｎ）において、ａ_nn＝１（ｎ＝１,２,…,Ｎ）、Ｂ_n＝−ａ_n1Ｙ₁−ａ_n2Ｙ₂−…−ａ_n（n-1）Ｙ_n-1＋ａ_nnＹ_n−ａ_n（n+1）Ｙ_n+1−…−ａ_nNＹ_Nとすると、連立購買数予測式群（９−１）〜（９−Ｎ）は、未知数Ｙ_nがＮ個であり、式の数もＮ個である。このため、係数ａ_ij（ｉ,ｊ＝１,２,…,Ｎ）からなる行列が正則ならば、予測購買数算出部１３は、公知の連立１次方程式の解法を用いて、商品群を構成するＮ個の商品に対する将来の予測購買数Ｙ₁,Ｙ₂,…,Ｙ_n,…,Ｙ_Nを算出できる。

そして、ベクトルｂ^T＝（Ｂ₁,Ｂ₂,…,Ｂ_n,…,Ｂ_N）、ベクトルｙ^T＝（Ｙ₁,Ｙ₂,…,Ｙ_n,…,Ｙ_N）とし、行列Ａ＝｛ａ_ij｝（ｉ,ｊ＝１,２,…,Ｎ）とすると、連立購買数予測式群（９−１）〜（９−Ｎ）は、Ａｙ＝ｂ、変形すればｙ＝Ａ^-1ｂ…（１０）を導き出すことができる。

そして、予測購買数算出部１３は、係数行列である逆行列Ａ^-1を算出した後、ベクトルｂを任意に受け付けると、将来の予測購買数を示すベクトルｙを算出することができる。

ベクトルｂは、変動因子Ｘ_nm等から構成され、換言すれば販売価格、曜日、休日、気温、降水量、販売別形態、特売期間中における特売開始からの経過日数情報（特売初日および特売２日目）等を含んでいる。このため、予測購買数算出部１３は、需要予測の対象とした基準日での各種条件について、ベクトルｂの入力を受け付けることで、基準日の販売価格に対する購買数予測や、基準日の気温（予測気温）に対する購買数予測、特売期間中における特売開始からの経過日数情報（特売初日および特売２日目）に対する購買数予測を算出できる。

これにより、本実施の形態に係る需要予測装置１は、任意の商品に対する売上を最大にする当該商品の最適販売価格（特売価格）、又は全商品の売上を最大にする最適販売価格（特売価格）等を算出することができる。

入力受付部１４は、業務支援端末３等からの入力を受け付ける。例えば、入力受付部１４は、業務支援端末３から、需要予測の対象となる基準日での販売状態（予定売価等）や購買環境（販売形態、特売期間中における特売開始からの経過日数情報（特売初日および特売２日目）等）の変動因子となるデータの入力を受け付ける。また、入力受付部１４は、業務支援端末３から、予定売価等の変動因子を変化させて再予測することを指示する制御データの入力を受け付ける。ここで、入力を受け付けた変動因子から導き出されたベクトルｂを、予測購買数算出部１３に設定することで、販売状態や購買環境等に基づいた予測販売数の算出を行うことができる。

次に、本実施形態の需要予測装置１を含んだシステムにおける需要予測に係る処理について説明する。図５は、本実施形態に係るシステムにおける上述した処理の手順を示すフローチャートである。

まず、需要予測装置１の回帰係数算出部１２は、需要予測の対象となる基準日を設定する（ステップＳ１１）。続いて、需要予測装置１の回帰係数算出部１２は、ステップＳ１１で設定した基準日に基づき、記憶部１１から参照する実績データの範囲（直近実績及び前年度実績）を設定する（ステップＳ１２）。ここで、基準日は、例えば、業務支援端末３を介した指示に応じて設定する形態としてもよいし、当日の業務が終了した後に、翌日の日付（年月日）を基準日として自動的に設定する形態としてもよい。

次いで、需要予測装置１の回帰係数算出部１２は、実績データの有無や傾向等に応じて、各商品の回帰係数及び購買数回帰係数の算出に用いる直近実績及び前年度実績を、上記したパターンＰ１〜Ｐ３から選定する（ステップＳ１３）。そして、回帰係数算出部１２は、選定したパターンに基づき、直近実績及び前年度実績から回帰係数及び購買数回帰係数を算出する（ステップＳ１４）。なお、前年度実績及び直近実績の何れも存在しない商品又は過去実績が非常に少ない商品については、回帰係数算出部１２は、当該商品が所属する商品カテゴリ全体での実績データの平均値や当該商品に類似する類似商品の実績データを用いて、回帰係数及び購買数回帰係数を算出する。

続いて、需要予測装置１の入力受付部１４は、業務支援端末３等から、基準日における変動因子（データ）の入力を受け付ける（ステップＳ１５）。なお、基準日における気象データは、気象予報データとして記憶部１１から抽出されるため、入力する必要はないが、業務支援端末３等を介して入力する形態としてもよい。また、基準日における変動因子が記憶部１１等に予め保持されている場合には、入力受付部１４は、当該変動因子を読み出すことで入力を受け付ける形態としてもよい。

需要予測装置１の予測購買数算出部１３は、入力を受け付けた変動因子と、算出された回帰係数及び購買数回帰係数と、に基づいて各商品の予測購買数を算出する（ステップＳ１６）。なお、各商品の予測購買数だけでなく、売上や利益の合計等を算出してもよい。

次いで、需要予測装置１の入力受付部１４は、業務支援端末３等から、再予測を指示する制御データが入力されたか否かを判定する（ステップＳ１７）。ここで、業務支援端末３等から、変動因子を変化させて再予測することを指示する制御データの入力を受け付けた場合（ステップＳ１７；Ｙｅｓ）、ステップＳ１５に再び戻り、変動因子を変更することで、予測購買数を再度算出する。

ステップＳ１７において、再予測を指示する制御データが入力されない場合、つまり予測結果を許容する指示データが入力された場合（ステップＳ１７；Ｎｏ）、業務システム４は、需要予測装置１で算出された予測購買データ（予測購買数）や現状の予定売価等に基づいて商品の発注等を行い（ステップＳ１８）、処理を終了する。

なお、本処理では、ユーザからの指示に応じて予測購買数の算出を打ち切る形態としたが、これに限らないものとする。例えば、予測購買数や売上金額等の基準値を予め定めておき、予測結果が当該基準値を満たす場合には、ユーザからの指示を待たずに発注等の処理を行ってもよい。

以上説明したとおり、本実施形態に係る需要予測装置１によれば、回帰係数算出部１２は、特売商品については、特売期間中における特売開始からの経過日数情報（例えば、特売初日および特売２日目）を含む需要予測の対象となる基準日における変動因子を用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する。これにより、特売商品に係る需要予測の予測精度を向上させることができるため、商品毎に高精度の需要予測を行うことができる。

また、本実施形態に係る需要予測装置１によれば、回帰係数算出部１２は、季節性商品や特売商品については、需要予測の対象となる基準日に対応する前年度以前の日付から未来方向にかけての所定期間を所定数分割した分割期間における購買数の各平均値に基づいて回帰係数を算出し、この回帰係数と基準日における各種の変動因子とを用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する。これにより、特売の多い月や季節性商品のトレンドを程よく取り込むことができ、季節性商品や特売商品に係る需要予測の予測精度を向上させることができるため、商品毎に高精度の需要予測を行うことができる。

以上、本発明の実施形態を説明したが、上記実施形態は、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。上記実施形態は、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。上記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
１１ 記憶手段
１２ 回帰係数算出手段
１３ 予測購買数算出手段
１４ 受付手段

特開２０１２−１５０６７１号公報

Claims (6)

1. 各商品の過去の購買数と、当該購買数を変動させる変動因子を数値化した変動因子情報とを実績データとして記憶する記憶手段と、
   需要予測の対象となる基準日の入力を受け付ける受付手段と、
   前記記憶手段に記憶された実績データに基づいて、前記変動因子情報が前記購買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手段と、
   前記回帰係数算出手段により算出された前記回帰係数と、前記基準日における変動因子情報とを用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する予測購買数算出手段と、
   を備え、
   前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報を含む、
   ことを特徴とする需要予測装置。
2. 前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報として初日を含む、
   ことを特徴とする請求項１記載の需要予測装置。
3. 前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報として初日および２日目を含む、
   ことを特徴とする請求項１記載の需要予測装置。
4. 前記記憶手段に記憶された実績データは、前記基準日に直近する所定期間分の第１実績データと、当該基準日に対応する前年度以前の日付から未来方向にかけての所定期間分の第２実績データとであって、
   前記回帰係数算出手段は、前記第１実績データと前記第２実績データでの前記購買数の差が所定値以上となる商品については、前記第２実績データに係る期間を所定数分割した分割期間における購買数の各平均値に基づいて前記回帰係数を算出する、
   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. 前記回帰係数算出手段は、前記第２実績データに係る期間の分割数を任意に設定可能とする、
   ことを特徴とする請求項４記載の需要予測装置。
6. コンピュータを、
   各商品の過去の購買数と、当該購買数を変動させる変動因子を数値化した変動因子情報とを実績データとして記憶する記憶手段と、
   需要予測の対象となる基準日の入力を受け付ける受付手段と、
   前記記憶手段に記憶された実績データに基づいて、前記変動因子情報が前記購買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手段と、
   前記回帰係数算出手段により算出された前記回帰係数と、前記基準日における変動因子情報とを用いて、当該基準日に購買される商品毎の購買数を予測購買数として算出する予測購買数算出手段と、
   として機能させ、
   前記記憶手段が記憶する前記変動因子は、特売期間中における特売開始からの経過日数情報を含む、
   ことを特徴とするプログラム。

Images