JP2018092267A - 需要予測システムおよび需要予測方法 - Google Patents
需要予測システムおよび需要予測方法 Download PDFInfo
- Publication number
- JP2018092267A JP2018092267A JP2016233318A JP2016233318A JP2018092267A JP 2018092267 A JP2018092267 A JP 2018092267A JP 2016233318 A JP2016233318 A JP 2016233318A JP 2016233318 A JP2016233318 A JP 2016233318A JP 2018092267 A JP2018092267 A JP 2018092267A
- Authority
- JP
- Japan
- Prior art keywords
- event
- demand
- information
- unit
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
Abstract
【課題】店舗における商品需要を適切に予測することができる需要予測システムを提供する。【解決手段】需要予測システム100は、それぞれが現在または将来の事象を示す情報であり当該事象の位置を示す位置情報を含む情報である複数の事象情報を、通信ネットワークを介して収集する収集部101と、収集部101で収集された複数の事象情報から、位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出部102と、抽出部102で抽出された事象情報が示す事象によって店舗において変動する商品需要を、抽出部102で抽出された事象情報が示す事象に対応する過去の事象の実績情報に従って予測する予測部103と、予測部103で予測された商品需要を示す需要予測情報を出力する出力部104とを備える。【選択図】図1
Description
本発明は、店舗における商品需要を予測する需要予測システム等に関する。
特許文献1に記載のシステムは、外部環境の情報に基づいて作成されたデータベースに基づいて、ターゲット別に現時点での外部環境における特売品を特定する。これにより、このシステムは、外部環境にリアルタイムで対応して売れ筋商品を特定し、その商品を特売セールの対象とするため、購入者の希望する商品を安く提供することができ、自動的に販売促進を図ることができる。
しかしながら、特許文献1に記載のシステムは、オンラインショップに適用されている。実際の店舗では、その店舗の付近の事象によって、商品需要が大きく変動する可能性がある。これにより、商品需要が適切に予測されず、商品の提供が適切に行われない場合がある。
そこで、本発明は、店舗における商品需要を適切に予測することができる需要予測システム等を提供する。
本発明の一態様に係る需要予測システムは、それぞれが現在または将来の事象を示す情報であり当該事象の位置を示す位置情報を含む情報である複数の事象情報を、通信ネットワークを介して収集する収集部と、前記収集部で収集された前記複数の事象情報から、前記位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出部と、前記抽出部で抽出された前記事象情報が示す事象によって前記店舗において変動する商品需要を、前記抽出部で抽出された前記事象情報が示す事象に対応する過去の事象の実績情報に従って予測する予測部と、前記予測部で予測された前記商品需要を示す需要予測情報を出力する出力部とを備える。
なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なCD−ROMなどの非一時的な記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
本発明の一態様に係る需要予測システム等は、店舗における商品需要を適切に予測することができる。
本発明の一態様に係る需要予測システムは、それぞれが現在または将来の事象を示す情報であり当該事象の位置を示す位置情報を含む情報である複数の事象情報を、通信ネットワークを介して収集する収集部と、前記収集部で収集された前記複数の事象情報から、前記位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出部と、前記抽出部で抽出された前記事象情報が示す事象によって前記店舗において変動する商品需要を、前記抽出部で抽出された前記事象情報が示す事象に対応する過去の事象の実績情報に従って予測する予測部と、前記予測部で予測された前記商品需要を示す需要予測情報を出力する出力部とを備える。
これにより、需要予測システムは、現在または将来の事象によって店舗において変動する商品需要を適切に予測し、予測された商品需要を示す情報を提供することができる。したがって、需要予測システムは、商品の適切な提供を支援することができる。
例えば、前記所定範囲は、前記店舗における前記商品需要に影響を与える範囲として定められた範囲でもよい。
これにより、需要予測システムは、店舗における商品需要に影響を与える範囲の事象に基づいて、店舗における商品需要を適切に予測することができる。
また、例えば、前記抽出部で抽出された前記事象情報が示す事象は、前記所定範囲における路線関連事象、道路関連事象、催事または流行でもよい。
これにより、需要予測システムは、所定範囲における路線関連事象、道路関連事象、催事または流行に基づいて、店舗における商品需要を適切に予測することができる。
また、例えば、前記予測部は、前記抽出部で抽出された前記事象情報が示す事象によって変動する人流を前記過去の事象の実績情報に従って予測し、予測された前記人流に従って前記商品需要を予測してもよい。
これにより、需要予測システムは、現在または将来の事象によって変動する人流を適切に予測し、人流の変動によって変動する商品需要を適切に予測することができる。
また、例えば、前記予測部は、前記抽出部で抽出された前記事象情報が示す事象によって変動する通行経路、通行量および来店数のうち少なくとも1つを前記人流として予測してもよい。
これにより、需要予測システムは、現在または将来の事象によって変動する通行経路、通行量または来店数を適切に予測し、通行経路、通行量または来店数の変動によって変動する商品需要を適切に予測することができる。
また、例えば、前記出力部は、さらに、前記予測部で予測された前記人流を示す人流予測情報を出力してもよい。
これにより、需要予測システムは、適切に予測された人流を示す情報を提供することができる。したがって、需要予測システムは、商品の適切な提供を支援することができる。
また、例えば、前記予測部は、前記人流、および、前記人流に含まれる人の属性を前記過去の事象の実績情報に従って予測し、予測された前記人流および前記属性に従って前記商品需要を予測してもよい。
これにより、需要予測システムは、事象に影響される人の属性に基づいて、商品需要を適切に予測することができる。
また、例えば、前記予測部は、前記人流に含まれる人の性別、年齢および嗜好の少なくとも1つを前記属性として予測してもよい。
これにより、需要予測システムは、事象に影響される性別または年齢等に基づいて、商品需要を適切に予測することができる。
また、例えば、前記出力部は、さらに、前記予測部で予測された前記属性を示す属性予測情報を出力してもよい。
これにより、需要予測システムは、事象に影響される人の属性を示す情報を提供することができる。したがって、需要予測システムは、商品の適切な提供を支援することができる。
さらに、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なCD−ROMなどの非一時的な記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
以下、実施の形態について、図面を参照しながら具体的に説明する。なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
(実施の形態)
図1は、本実施の形態における需要予測システムの構成を示すブロック図である。図1のように、需要予測システム100は、収集部101、抽出部102、予測部103、出力部104、記憶部105および記憶制御部106を備える。そして、需要予測システム100は、店舗における商品需要を予測する。例えば、需要予測システム100は、コンピュータである。需要予測システム100は、1つの装置で構成されてもよいし、複数の装置で構成されてもよい。
図1は、本実施の形態における需要予測システムの構成を示すブロック図である。図1のように、需要予測システム100は、収集部101、抽出部102、予測部103、出力部104、記憶部105および記憶制御部106を備える。そして、需要予測システム100は、店舗における商品需要を予測する。例えば、需要予測システム100は、コンピュータである。需要予測システム100は、1つの装置で構成されてもよいし、複数の装置で構成されてもよい。
また、需要予測システム100は、店舗内に配置されてもよいし、店舗外に配置されてもよい。例えば、需要予測システム100のうち一部または全部が、複数の店舗に対する本社に配置されてもよい。
収集部101は、通信ネットワークを介して、複数の事象情報を収集する収集器である。収集部101は、専用回路で構成されてもよいし、汎用プロセッサのような汎用回路で構成されてもよい。また、収集部101は、有線通信のための端子を備えていてもよいし、無線通信のためのアンテナを備えていてもよい。通信ネットワークは、例えば、インターネットである。
また、収集部101が収集する事象情報は、現在または将来の事象を示す情報であり、その事象の位置を示す位置情報を含む情報である。複数の事象情報が1つの事象を示していてもよいし、1つの事象情報が複数の事象を示していてもよい。事象は、例えば、電車遅れ、運転見合わせ、渋滞、工事、催事および流行等である。事象の位置は、具体的には、事象の発生位置である。事象の位置は、事象の発生場所でもよいし、事象の発生地区でもよい。
例えば、収集部101は、インターネット上の各種Webページにアクセスして、各種Webページに掲載されている事象情報を収集する。各種Webページには、自治体ホームページが含まれてもよいし、イベントホームページが含まれてもよい。さらに、FACEBOOK(登録商標)のページが含まれてもよいし、TWITTER(登録商標)のページが含まれてもよいし、他のソーシャルネットワークサービス(SNS)のページが含まれてもよい。
抽出部102は、収集部101で収集された複数の事象情報から、位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出器である。抽出部102は、専用回路で構成されてもよいし、汎用プロセッサのような汎用回路で構成されてもよい。また、店舗の位置を含む所定範囲は、例えば、店舗における商品需要に影響を与える範囲として定められた範囲である。
すなわち、抽出部102は、収集部101で収集された複数の事象情報のフィルタリングを位置情報に従って行うことにより、店舗の商品需要に影響を与える範囲における事象を示す事象情報を抽出する。抽出部102で抽出された事象情報が示す事象は、例えば、所定範囲における路線関連事象、道路関連事象、催事または流行である。以下、抽出部102で抽出された事象情報が示す事象、つまり、店舗の位置を含む所定範囲における現在または将来の事象を対象事象と呼ぶ場合がある。
なお、店舗の位置を含む所定範囲は、事象発生時における商品需要の変化の結果に従って更新されてもよい。例えば、事象発生時における商品需要の変化がなかった、または、小さかった場合、所定範囲は小さく変更されてもよいし、事象発生時における商品需要の変化が大きかった場合、所定範囲は大きく変更されてもよい。
また、抽出部102は、収集部101で収集された複数の事象情報のうちの1つの事象情報を抽出してもよいし、収集部101で収集された複数の事象情報のうちの2以上の事象情報を抽出してもよい。また、抽出部102は、収集部101で収集された複数の事象情報から、2以上の事象情報を統合することにより得られる1つの事象情報を抽出してもよい。
また、抽出部102は、さらに、収集された事象情報、または、抽出された事象情報を分析する分析部(分析器)を備えていてもよい。
予測部103は、対象事象によって店舗において変動する商品需要を対象事象に対応する過去の事象の実績情報に従って予測する予測器である。予測部103は、専用回路で構成されてもよいし、汎用プロセッサのような汎用回路で構成されてもよい。対象事象に対応する過去の事象は、対象事象と同種の過去の事象であって、対象事象と同一または類似の過去の事象である。
例えば、対象事象と同一の事象が過去に存在する場合、対象事象と同一の過去の事象が適用される。そして、対象事象と同一の事象が過去に存在しない場合、対象事象と類似の過去の事象が適用される。より具体的には、対象事象が繰り返し開催されているイベントである場合、対象事象と同一の過去の事象が適用されてもよい。そして、対象事象が単発または初回のイベントである場合、対象事象と類似の過去の事象が適用されてもよい。
また、予測部103は、対象事象によって変動する人流を過去の事象の実績情報に従って予測し、予測された人流に従って商品需要を予測してもよい。その際、予測部103は、対象事象によって変動する通行経路、通行量および来店数のうち少なくとも1つを人流として予測してもよい。
また、予測部103は、対象事象によって変動する人流、および、人流に含まれる人の属性を過去の事象の実績情報に従って予測し、予測された人流および属性に従って商品需要を予測してもよい。その際、予測部103は、人流に含まれる人の性別、年齢および嗜好の少なくとも1つを人流に含まれる人の属性として予測してもよい。
例えば、過去の事象の実績情報は、過去の事象が発生した際の商品需要を示していてもよいし、その際の人流を示していてもよいし、その人流に含まれる人の属性を示していてもよい。
なお、人流は、人の流れを意味するが、徒歩の通行人に限られない。人流は、人を含む車などの乗り物の流れであってもよい。また、人流に含まれる人の属性は、人流に含まれる複数人のうち、多数派の属性でもよい。あるいは、人流に含まれる人の属性として、人流に含まれる複数人の比率が用いられてもよい。例えば、人流に含まれる複数人の性別比および年齢比等が人流に含まれる人の属性として用いられてもよい。
また、人流に含まれる人の嗜好は、例えば、個人ごとの商品嗜好(好みの商品)、性別または年齢等に伴う商品嗜好、あるいは、新商品への嗜好等であってもよい。また、人流に含まれる人の嗜好は、人流に含まれる複数人の主要な嗜好に対応していてもよい。予測部103は、このような嗜好を人流に含まれる人の属性として予測してもよい。
出力部104は、予測部103で予測された商品需要を示す需要予測情報を出力する出力器である。出力部104は、専用回路で構成されてもよいし、汎用プロセッサのような汎用回路で構成されてもよい。
また、出力部104は、有線通信のための端子を備えていてもよいし、無線通信のためのアンテナを備えていてもよい。そして、出力部104は、情報通信によって需要予測情報を送信することにより、需要予測情報を出力してもよい。例えば、出力部104は、通信ネットワークに対して需要予測情報を送信してもよい。この場合、収集部101と出力部104とは、通信ネットワークを介して通信を行うための共通の通信器であってもよいし、共通の通信器を含んでいてもよい。
また、出力部104は、需要予測情報を画像として出力するディスプレイを備えてもよい。あるいは、出力部104は、需要予測情報を外部のディスプレイに出力してもよい。また、出力部104は、需要予測情報を音声として出力するスピーカを備えてもよい。あるいは、出力部104は、需要予測情報を外部のスピーカに出力してもよい。また、出力部104は、需要予測情報の印刷によって出力を行うプリンタを備えてもよい。あるいは、出力部104は、需要予測情報を外部のプリンタに出力してもよい。
記憶部105は、過去の事象の実績情報等が記憶される記憶部である。記憶部105は、専用メモリのような専用回路で構成されてもよいし、汎用メモリのような汎用回路で構成されてもよい。記憶部105は、揮発性メモリでもよいし、不揮発性メモリでもよい。
例えば、予測部103は、記憶部105に記憶された実績情報を参照して、商品需要を予測する。なお、記憶部105は、需要予測システム100の構成要素でなくてもよい。予測部103は、外部の記憶装置に記憶された実績情報を参照して、商品需要を予測してもよい。
記憶制御部106は、対象事象の実績情報を取得し、取得された実績情報を記憶部105に記憶させる記憶制御器である。記憶制御部106は、専用回路で構成されてもよいし、汎用プロセッサのような汎用回路で構成されてもよい。記憶部105が、記憶制御部106を備えてもよい。
例えば、対象事象の実績情報は、対象事象が発生した際の商品需要を示していてもよいし、その際の人流を示していてもよいし、その人流に含まれる人の属性を示していてもよい。記憶制御部106は、センサまたはPOS(Point Of Sales)システム等から、対象事象の実績情報を取得してもよい。
なお、記憶制御部106は、任意の構成要素であって、需要予測システム100は、記憶制御部106を備えなくてもよい。
図2は、図1に示された需要予測システム100の動作を示すフローチャートである。需要予測システム100は、図2に示された動作を行うことにより、店舗における商品需要を予測する。
まず、収集部101は、通信ネットワークを介して、複数の事象情報を収集する(S101)。次に、抽出部102は、収集部101で収集された複数の事象情報から、店舗の位置を含む所定範囲における対象事象を示す事象情報を抽出する(S102)。次に、予測部103は、対象事象によって店舗において変動する商品需要を対象事象に対応する過去の事象の実績情報に従って予測する(S103)。
次に、出力部104は、予測部103で予測された商品需要を示す需要予測情報を出力する(S104)。そして、記憶制御部106は、対象事象の実績情報を取得し、取得された実績情報を記憶部105に記憶させる(S105)。
図3は、図1に示された需要予測システム100の処理を示す概念図である。図3では、図2に示された動作が概念的に示されている。
この例では、自治体ホームページ、イベントホームページ、および、ソーシャルネットワークサービス(SNS)のページ等によって、現在または将来における各地の事象を示す事象情報が発信されている。収集部101は、これらのページから、通信ネットワークを介して、複数の事象情報を収集する(S201)。複数の事象情報には、都度新たに発生する事象情報が含まれてもよいし、過去から蓄積され掲載されている事象情報が含まれていてもよい。
次に、抽出部102は、収集された事象情報に含まれる位置情報に従って、収集された事象情報のフィルタリングを行うことによって、店舗を含む所定範囲の事象を示す事象情報を抽出する(S202)。
抽出部102は、さらに、収集された事象情報、または、抽出された事象情報を分析してもよい。例えば、抽出部102は、事象情報を複数の種別のいずれかに分類してもよい。抽出部102は、不定期の事象としてイベント、工事または災害などに該当するか否かを判定してもよいし、定期的な事象として渋滞などに該当するかを判定してもよい。
また、抽出部102は、事象情報によって示される事象の属性を取得してもよい。事象の属性には、例えば、事象の発生時期、発生時刻、発生場所および規模等が含まれていてもよい。
次に、予測部103は、抽出された事象情報が示す対象事象によって変動する人流を予測する(S203)。具体的には、予測部103は、対象事象に対応する過去の事象の実績情報に従って、対象事象によって変動する人流を予測する。より具体的には、予測部103は、対象事象と種別および属性等が一致または類似する過去の事象の実績情報に従って、対象事象によって変動する人流を予測する。
また、例えば、過去の事象の実績情報は、過去の事象によって変動した人流を示す。そして、予測部103は、対象事象に対応する過去の事象の実績情報が示す人流に従って、対象事象によって変動する人流を予測する。
また、過去の事象の実績情報は、過去の事象によって変動した通行経路、通行量または来店数等を人流として示してもよい。そして、予測部103は、過去の事象の実績情報に従って、対象事象によって変動する通行経路、通行量または来店数等を人流として予測してもよい。例えば、予測部103は、店舗の付近の通行経路の変動、店舗前の通行人数の時間変化、および、来店数の時間変化を予測する。
さらに、予測部103は、対象事象によって変動する人流における人の属性を対象事象に対応する過去の事象の実績情報に従って予測してもよい。具体的には、対象事象によって変動する人流における人の属性は、事象の関与者の属性である。例えば、過去の事象の実績情報は、過去の事象によって変動した人流における人の属性を示す。そして、予測部103は、対象事象に対応する過去の事象の実績情報が示す属性に従って、対象事象によって変動する人流における人の属性を予測する。
また、過去の事象の実績情報は、過去の事象によって変動した人流に含まれる人の性別、年齢、嗜好および通行目的等を人の属性として示してもよい。そして、予測部103は、過去の事象の実績情報に従って、対象事象によって変動する人流に含まれる人の性別、年齢、嗜好および通行目的等を人の属性として予測してもよい。
次に、予測部103は、予測された人流および属性等に従って、対象事象によって店舗において変動する商品需要を予測する(S204)。例えば、予測部103は、購入商品、購入時刻および購入数量等を商品需要として予測する。商品需要の予測において、対象事象の種別および属性が反映されてもよい。
例えば、予測部103は、対象事象の属性、および、対象事象によって変動する人流における人の属性等に従って、商品ごとに商品需要の重み付けを行って、商品需要を予測する。具体的には、予測部103は、予測された人流等に従って、飲み物の需要が通常の1.5倍、食べ物の需要が通常の1.2倍等のように、商品ごとに商品需要の重み付けを行って、商品需要を予測する。また、時刻および曜日などのコーザルデータが重み付けに反映されてもよい。
例えば、予測部103は、予測された人流および属性に基づいて、男性の来店数が多くなると予測される場合、男性用商品の商品需要が大きくなると予測する。また、予測部103は、予測された人流および属性に基づいて、若年層の来店数が多くなると予測される場合、若年層向けの商品の商品需要が大きくなると予測する。
また、予測部103は、予測された商品需要に従って、推奨される仕入れ商品、仕入れ時刻および仕入れ数量等を決定してもよい。また、予測部103は、予測された商品需要に従って、クルーの推奨シフト(店員の推奨勤務時間)を決定してもよい。
また、予測部103は、予測された商品需要に従って、推奨される商品配送計画を決定してもよい。例えば、人流の変動によって、商品需要が増加する店舗と、商品需要が減少する店舗とが存在する可能性がある。そのため、予測部103は、商品配送計画の決定において、商品需要が減少する店舗から商品需要が増加する店舗へ、商品の配送を変更してもよい。
なお、需要予測システム100が決定部を備え、予測部103ではなく、決定部が推奨される仕入れ、クルーの推奨シフト、および、推奨される商品配送計画等を決定してもよい。
また、この例において、予測部103は、過去の事象の実績情報に従って人流を予測し、予測された人流に従って、商品需要を予測する。しかしながら、予測部103は、人流を予測することなく、過去の事象の実績情報に従って商品需要を予測してもよい。この場合、過去の事象の実績情報は、過去の事象によって変動した商品需要を示していてもよい。
次に、出力部104は、予測された商品需要を示す需要予測情報を出力する(S205)。例えば、出力部104は、予測された購入商品、購入時刻および購入数量等を示す需要予測情報を出力する。出力部104は、需要予測情報を出力して、予測された商品需要を店舗の運営者に通知してもよい。
さらに、出力部104は、対象事象の種別および属性などと共に、対象事象を示す情報を出力して、これらを店舗の運営者に通知してもよい。また、出力部104は、予測された人流を示す人流予測情報を出力して、予測された人流を店舗の運営者に通知してもよいし、予測された人流を警備会社および警察等に通知してもよい。さらに、出力部104は、予測された人流における人の属性を示す属性予測情報を出力して、予測された人流における人の属性を店舗の運営者等に通知してもよい。
また、出力部104は、推奨される仕入れ商品、仕入れ時刻および仕入れ数量等を示す仕入れ推奨情報を出力して、これらを店舗の運営者に通知してもよい。また、出力部104は、クルーの推奨シフトを示す推奨シフト情報を出力して、店舗の運営者にクルーの推奨シフトを通知してもよい。また、出力部104は、推奨される商品配送計画を示す配送推奨情報を出力して、複数の店舗を統括する運営者に商品配送計画を通知してもよい。
また、出力部104は、予測された人流、および、予測された人流における人の属性等に従って、店舗および商品を示す案内情報を出力して、予測された人流における人に対して店舗における商品を案内してもよい。このような案内情報は、例えば、通信ネットワークにおける店舗のホームページに掲載されてもよいし、ダイレクトメール等で個別に送信されてもよい。
また、出力部104は、需要予測情報を出力して、仕入れシステム、勤務管理システムおよび配送システム等に需要予測情報を入力することにより、需要予測に基づく自動的な仕入れ、勤務管理および配送の支援を行ってもよい。また、出力部104は、仕入れ推奨情報、推奨シフト情報および配送推奨情報等を出力して、仕入れシステム、勤務管理システムおよび配送システム等にこれらを入力してもよい。
対象事象の発生後、記憶制御部106は、対象事象の実績情報を記憶部105に記憶させる。対象事象の実績情報は、対象事象によって店舗において変動した商品需要の結果を示していてもよいし、対象事象によって変動した人流の結果を示していてもよい。記憶部105に記憶された実績情報は、過去の事象の実績情報として利用される。
図4は、図1に示された需要予測システム100の適用例を示す概念図である。図3では、1つの店舗が示されていたが、図4のように、複数の店舗に対して、需要予測システム100が適用されてもよい。つまり、需要予測システム100は、複数の店舗のそれぞれにおける商品需要を予測してもよい。
具体的には、需要予測システム100は、現在または将来における各地の事象を示す事象情報を収集する。そして、需要予測システム100は、複数の店舗(第1店舗、第2店舗、第3店舗)のそれぞれについて、その店舗を含む所定範囲(第1範囲、第2範囲、第3範囲)における事象を示す事象情報を抽出する。
そして、需要予測システム100は、複数の店舗のそれぞれについて、抽出された事象情報に従って、商品需要を予測する。需要予測システム100は、複数の店舗のそれぞれについて、予測された商品需要を示す需要予測情報を出力する。
これにより、需要予測システム100は、複数の事象情報を十分に活用することができる。また、需要予測システム100は、各店舗の商品需要等の予測において、他の店舗の商品需要等の実績情報をより容易に利用することができる。
図5は、本実施の形態における事象の例を示す関連図である。事象には、路線関連事象、道路関連事象、催事および流行等が含まれる。また、路線関連事象には、電車遅れ、および、運転見合わせ等が含まれる。また、道路関連事象には、日常の渋滞、工事、路面凍結および事故等が含まれる。また、道路関連事象には、交通に影響を与える大雨、雪および霧等が含まれてもよい。
また、催事には、運動会、参観日、部活練習試合、盆踊り、フリマ(フリーマーケット)、商店会イベント、公園イベント、ウォーキング、コンサート、スポーツ、展示会、試験、セミナー、講演会、オープンイベント、街イベント、花火、祭り、ツーリングおよび海開き等が含まれる。また、流行には、肯定的なコメントの増加等が含まれる。
例えば、これらの事象は、定期的な事象と、不定期の事象とに分類される。また、これらの事象は、予測容易な事象と、予測困難な事象とに分類される。また、これらの事象は、予測時期によって分類される。
収集部101は、図5に示されているような事象を示す事象情報を収集する。また、収集部101は、図5に示されているような分類に基づいて、事象情報を収集してもよい。例えば、収集部101は、予測容易な催事について、将来の事象を示す事象情報を収集し、予測困難な路線関連事象について、現在の事象を示す事象情報を収集してもよい。これにより、信頼性の高い事象情報が適切に収集される。
あるいは、抽出部102が、図5に示されているような分類に基づいて、事象情報を抽出してもよい。例えば、抽出部102が、予測容易な催事について、将来の事象を示す事象情報を抽出し、予測困難な路線関連事象について、現在の事象を示す事象情報を抽出してもよい。これにより、信頼性の高い事象情報が適切に抽出される。
図6は、図5に示された事象が発生する場所の例を示す関連図である。場所の特性(種別)によって、発生事象、および、発生事象の特性が異なる可能性がある。
そこで、抽出部102は、場所の特性に基づいて、事象情報を抽出してもよい。例えば、抽出部102は、主要駅周辺の店舗について、路線関連事象を示す事象情報を優先的に抽出し、田舎の店舗について、道路関連事象を示す事象情報を優先的に抽出してもよい。これにより、事象情報が適切に抽出される。
また、例えば、予測部103は、過去の事象の発生場所の特性が対象事象の発生場所の特性と一致または類似していることを条件として用いて、過去の事象の実績情報を参照してもよい。これにより、適切な実績情報が参照される。
次に、図7〜図10を用いて、需要予測システム100によって行われる需要予測の複数の例を説明する。
図7は、図1に示された需要予測システム100によって行われる需要予測の第1例を示す概念図である。この例は、路線関連事象、より具体的には、運転見合わせの事象に対応する。
この例において、A線およびB線は、それぞれ、電車の路線である。また、A線およびB線は、互いに隣接する略平行な路線である。A線は、C駅、D駅、E駅およびF駅を含む。B線は、G駅、H駅、I駅およびJ駅を含む。そして、現在、B線では、運転見合わせが発生している。一方、A線では、通常運転が行われている。
この例では、需要予測システム100(抽出部102)により、対象事象を示す事象情報として、運行情報サイトの情報、および、SNSの情報等が抽出される。特に、運行情報サイトの情報によって、事象の基本的な情報が識別され、SNSの情報によって、事象のリアルタイムの情報が識別される。例えば、SNSの情報によって、「止まっている」、「動いているけど停車時間が長くあまり動いていない」、「動いているけど混み過ぎで改札に入れない」または「かなり正常化」等のような具体的な情報が識別される。
そして、需要予測システム100(予測部103)により、過去の同様の事象の実績情報に従って、人流として、A線とB線との間において徒歩での移動が増加すると予測される。具体的には、比較的距離の近い2つ駅の間、すなわち、C駅とG駅との間、D駅とH駅との間、E駅とI駅との間、および、F駅とJ駅との間において、徒歩での移動が増加すると予測される。また、実績情報に従って、正常化までの時間(例えば、1〜3時間等)が予測される。
また、需要予測システム100は、実績情報に従って、具体的な迂回経路を予測してもよい。そして、需要予測システム100は、実績情報に従って、時間毎に通行量を予測してもよい。そして、需要予測システム100は、時間毎に、予測された人流に従って、A線およびB線の間の複数の店舗のそれぞれにおける商品需要を予測する。需要予測システム100は、A線の運行量、B線の通常運行量、B線の現在の運行量、および、SNSの情報の変化を予測に反映させてもよい。
また、需要予測システム100は、予測された商品需要に従って、推奨される仕入れ、および、商品配送計画を決定し、A線およびB線の間の複数の店舗へ決定された情報を通知してもよい。
図8は、図1に示された需要予測システム100によって行われる需要予測の第2例を示す概念図である。この例は、催事の事象、より具体的には、コンサートの事象に対応する。
この例において、第1店舗の近くに、第1会場および第2会場がある。また、第2店舗の近くに、第3会場がある。そして、第1会場において第1回コンサート(対象コンサート)が開催される。
この例では、需要予測システム100(抽出部102)により、対象事象を示す事象情報として、告知サイトの情報、ニュースサイトの情報、および、SNSの情報等が抽出される。例えば、告知サイトにおいて、数週間前にコンサートが告知され、告知サイトの情報によって、コンサートの開催、コンサートの日時、および、コンサートの内容等が識別される。
そして、需要予測システム100(予測部103)により、過去の同様の事象の実績情報に従って、コンサートの観客数(動員数)等が予測される。例えば、過去に対象コンサートに類似するコンサートが第2会場で開催されている場合、類似のコンサートの実績情報に従って、対象コンサートの観客数等が予測される。
例えば、需要予測システム100は、類似のコンサートに関するニュースサイトの過去の記事を実績情報として用いて、対象コンサートの観客数等を予測してもよい。また、需要予測システム100は、類似のコンサートの際に収集された人の位置情報によって、人の分布を予測してもよい。
また、需要予測システム100は、過去の同様の事象の実績情報に従って、対象コンサートの観客の嗜好等の属性を予測してもよい。例えば、需要予測システム100は、類似のコンサートに関するSNSの過去の情報を実績情報として用いて、ビールが欲しい、お茶が欲しい、および、アイスが食べたい等のような観客のニーズを予測してもよい。
上記のように、需要予測システム100は、過去の事象の実績情報に従って、人の分布および属性を予測する。また、需要予測システム100は、予測される観客数等に基づいて、店舗付近の通行量を時間毎に予測する。そして、需要予測システム100は、店舗における商品需要を時間毎に予測する。
さらに、需要予測システム100は、予測された商品需要に従って、推奨される仕入れ商品、仕入れ時刻および仕入れ数量等を決定してもよい。また、需要予測システム100は、予測された商品需要に従って、クルーの推奨シフトを決定してもよい。
また、上記の例において、第1回コンサートが第1店舗の近くの第1会場で開催される際、需要予測システム100は、第1回コンサートによって第1店舗において変動する商品需要を類似のコンサートの実績情報に従って予測する。第1回コンサートと内容が同じ第2回コンサートが第2店舗の近くの第3会場で開催される際、需要予測システム100は、第2回コンサートによって第2店舗において変動する商品需要を第1回のコンサートの実績情報に従って予測してもよい。
例えば、需要予測システム100は、第1回のコンサートの開催時における第1店舗付近の人流および第1店舗の商品需要に従って、第2回コンサートによって第2店舗において変動する商品需要を予測してもよい。
図9は、図1に示された需要予測システム100によって行われる需要予測の第3例を示す概念図である。この例は、道路関連事象、より具体的には、工事の事象に対応する。
この例において、多数の人が、車で川を超えて事業場に通勤する。この通勤のための通常の経路において工事が行われる場合、多数の人が、別の経路に迂回しなければならない。
この例では、需要予測システム100(抽出部102)により、対象事象を示す事象情報として、告知サイトの情報、および、SNSの情報等が抽出される。例えば、告知サイトにおいて、数週間前または数カ月前に工事が告知される。そして、告知サイトの情報によって、工事の発生、工事の日時、および、工事の影響範囲等が識別される。また、SNSの情報によって、迂回経路、および、天候などによって変化する混雑状況の時間変化等が識別される。
需要予測システム100(予測部103)は、対象事象と同じような過去の事象の実績情報に従って、迂回経路および通行量を事前に予測する。過去に同じような工事が行われた際のSNSの情報が、過去の事象の実績情報として用いられてもよい。また、現在のSNSの情報が、迂回経路および通行量の予測に反映され、将来の迂回経路および通行量が予測されてもよい。そして、需要予測システム100は、時間毎に、予測された迂回経路および通行量に基づいて、商品需要を予測する。
さらに、需要予測システム100は、予測された商品需要に従って、推奨される仕入れ商品、仕入れ時刻および仕入れ数量等を決定してもよい。また、需要予測システム100は、予測された商品需要に従って、クルーの推奨シフトを決定してもよい。
図10は、図1に示された需要予測システム100によって行われる需要予測の第4例を示す概念図である。この例は、流行、より具体的には、コメント増加の事象に対応する。
例えば、ローカル放送局におけるテレビコマーシャルまたはテレビ番組によって、特定の地域において特定の商品が好評になる場合がある。このような場合に、特定の地域において特定の商品に関する肯定的なコメントが増加する。図10の例は、このような事象に対応する。
この例において、需要予測システム100(収集部101)は、SNSにおける複数のコメントを収集することにより、複数のコメントに含まれる複数の事象情報を収集する。例えば、特定の商品が好評になれば、収集された複数のコメントにおいて、特定の商品に関する肯定的なコメントが増加する。需要予測システム100は、複数のコメントを収集することにより、このようなコメント増加を事象として示す事象情報を含む複数の事象情報を収集する。
需要予測システム100(抽出部102)は、収集された複数のコメントに基づいて、上記のようなコメント増加を示す事象情報を抽出する。また、コメント増加を示す事象情報の位置情報は、コメントに付随する発信元情報等に基づいており、コメントが増加している地域を位置として示す。事象情報の抽出には、このような位置情報が利用される。
すなわち、具体的には、需要予測システム100(抽出部102)は、収集された複数のコメント、および、それらの発信元情報等に基づいて、店舗を含む地域におけるコメント増加を示す事象情報を抽出する。これにより、収集された複数の事象情報から、対象事象を示す事象情報が抽出される。
需要予測システム100(予測部103)は、抽出された事象情報が示す対象事象に対応する過去の事象の実績情報に従って、店舗において対象事象によって変動する商品需要を予測する。対象事象に対応する過去の事象は、例えば、類似の商品に関する過去のコメント増加の事象である。すなわち、需要予測システム100は、過去にコメントが増加した際の実績情報に従って、商品需要を予測する。
また、需要予測システム100は、過去の事象の実績情報に従って、人流(来店数)を予測してもよい。そして、需要予測システム100は、人流(来店数)に従って、コメントが増加している特定の商品、および、特定の商品以外の商品について、商品需要を予測してもよい。
そして、需要予測システム100は、予測された商品需要に従って、推奨される仕入れ商品および仕入れ数量等を決定してもよい。
上記の実施の形態の通り、需要予測システム100は、それぞれが現在または将来の事象を示す情報であり事象の位置を示す位置情報を含む情報である複数の事象情報を、通信ネットワークを介して収集する。そして、需要予測システム100は、収集された複数の事象情報から、位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する。
そして、需要予測システム100は、抽出された事象情報が示す事象によって店舗において変動する商品需要を、抽出された事象情報が示す事象に対応する過去の事象の実績情報に従って予測する。そして、需要予測システム100は、予測された商品需要を示す需要予測情報を出力する。
これにより、需要予測システム100は、現在または将来の事象によって店舗において変動する商品需要を適切に予測し、予測された商品需要を示す情報を提供することができる。したがって、需要予測システム100は、商品の適切な提供を支援することができる。
以上、本発明に係る需要予測システムについて、実施の形態等に基づいて説明したが、本発明は実施の形態に限定されるものではない。実施の形態等に対して当業者が思いつく変形を施して得られる形態、および、実施の形態等における複数の構成要素を任意に組み合わせて実現される別の形態も本発明に含まれる。
例えば、特定の処理部が実行する処理を別の処理部が実行してもよい。また、処理を実行する順番が変更されてもよいし、複数の処理が並行して実行されてもよい。
また、本発明は、需要予測システムとして実現できるだけでなく、需要予測システムを構成する処理手段をステップとする方法として実現できる。例えば、それらのステップは、コンピュータによって実行される。そして、本発明は、それらの方法に含まれるステップを、コンピュータに実行させるためのプログラムとして実現できる。さらに、本発明は、そのプログラムを記録したCD−ROM等の非一時的なコンピュータ読み取り可能な記録媒体として実現できる。
例えば、本発明が、プログラム(ソフトウェア)で実現される場合には、コンピュータのCPU、メモリおよび入出力回路等のハードウェア資源を利用してプログラムが実行されることによって、本発明の各機能要素が実現される。つまり、CPUが処理対象のデータをメモリまたは入出力回路等から取得してデータを演算したり、演算結果をメモリまたは入出力回路等に出力したりすることによって、各機能要素が実現される。
また、需要予測システムに含まれる複数の構成要素は、集積回路であるLSI(Large Scale Integration)として実現されてもよい。これらの構成要素は、個別に1チップ化されてもよいし、一部または全てを含むように1チップ化されてもよい。ここでは、LSIとしたが、集積度の違いにより、IC(Integrated Circuit)、システムLSI、スーパーLSIまたはウルトラLSIと呼称されることもある。
また、集積回路化の手法はLSIに限るものではなく、専用回路または汎用プロセッサで実現してもよい。プログラムすることが可能なFPGA(Field Programmable Gate Array)、または、LSI内部の回路セルの接続および設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりLSIに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて、需要予測システムに含まれる構成要素の集積回路化を行ってもよい。
本発明における需要予測システム等は、店舗における商品需要の予測に利用可能であり、商品の仕入れのための仕入れシステム、および、商品の配送のための配送システム等に適用可能である。
100 需要予測システム
101 収集部
102 抽出部
103 予測部
104 出力部
105 記憶部
106 記憶制御部
101 収集部
102 抽出部
103 予測部
104 出力部
105 記憶部
106 記憶制御部
Claims (11)
- それぞれが現在または将来の事象を示す情報であり当該事象の位置を示す位置情報を含む情報である複数の事象情報を、通信ネットワークを介して収集する収集部と、
前記収集部で収集された前記複数の事象情報から、前記位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出部と、
前記抽出部で抽出された前記事象情報が示す事象によって前記店舗において変動する商品需要を、前記抽出部で抽出された前記事象情報が示す事象に対応する過去の事象の実績情報に従って予測する予測部と、
前記予測部で予測された前記商品需要を示す需要予測情報を出力する出力部とを備える
需要予測システム。 - 前記所定範囲は、前記店舗における前記商品需要に影響を与える範囲として定められた範囲である
請求項1に記載の需要予測システム。 - 前記抽出部で抽出された前記事象情報が示す事象は、前記所定範囲における路線関連事象、道路関連事象、催事または流行である
請求項1または2に記載の需要予測システム。 - 前記予測部は、前記抽出部で抽出された前記事象情報が示す事象によって変動する人流を前記過去の事象の実績情報に従って予測し、予測された前記人流に従って前記商品需要を予測する
請求項1〜3のいずれか1項に記載の需要予測システム。 - 前記予測部は、前記抽出部で抽出された前記事象情報が示す事象によって変動する通行経路、通行量および来店数のうち少なくとも1つを前記人流として予測する
請求項4に記載の需要予測システム。 - 前記出力部は、さらに、前記予測部で予測された前記人流を示す人流予測情報を出力する
請求項4または5に記載の需要予測システム。 - 前記予測部は、前記人流、および、前記人流に含まれる人の属性を前記過去の事象の実績情報に従って予測し、予測された前記人流および前記属性に従って前記商品需要を予測する
請求項4〜6のいずれか1項に記載の需要予測システム。 - 前記予測部は、前記人流に含まれる人の性別、年齢および嗜好の少なくとも1つを前記属性として予測する
請求項7に記載の需要予測システム。 - 前記出力部は、さらに、前記予測部で予測された前記属性を示す属性予測情報を出力する
請求項7または8に記載の需要予測システム。 - 通信ネットワークを介して、それぞれが現在又は将来の事象を示す情報であり当該事象の位置を示す位置情報を含む情報である複数の事象情報を収集する収集ステップと、
前記収集ステップで収集された前記複数の事象情報から、前記位置情報に従って、店舗の位置を含む所定範囲における事象を示す事象情報を抽出する抽出ステップと、
前記抽出ステップで抽出された前記事象情報が示す事象によって前記店舗において変動する商品需要を前記抽出ステップで抽出された前記事象情報が示す事象に対応する過去の事象の実績情報に従って予測する予測ステップと、
前記予測ステップで予測された前記商品需要を示す需要予測情報を出力する出力ステップとを含む
需要予測方法。 - 請求項10に記載の需要予測方法をコンピュータに実行させるための
プログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016233318A JP2018092267A (ja) | 2016-11-30 | 2016-11-30 | 需要予測システムおよび需要予測方法 |
PCT/JP2017/037786 WO2018100910A1 (ja) | 2016-11-30 | 2017-10-19 | 需要予測システム、需要予測方法およびプログラム |
US16/461,510 US20190311385A1 (en) | 2016-11-30 | 2017-10-19 | Demand prediction system, demand prediction method, and program |
CN201780070953.7A CN109983495A (zh) | 2016-11-30 | 2017-10-19 | 需求预测系统、需求预测方法以及程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016233318A JP2018092267A (ja) | 2016-11-30 | 2016-11-30 | 需要予測システムおよび需要予測方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018092267A true JP2018092267A (ja) | 2018-06-14 |
Family
ID=62241563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016233318A Pending JP2018092267A (ja) | 2016-11-30 | 2016-11-30 | 需要予測システムおよび需要予測方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190311385A1 (ja) |
JP (1) | JP2018092267A (ja) |
CN (1) | CN109983495A (ja) |
WO (1) | WO2018100910A1 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020008961A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP2020008965A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP2020008966A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
WO2020054879A1 (ja) | 2018-09-10 | 2020-03-19 | 澪標アナリティクス株式会社 | 予測データを計算する情報処理装置など |
JP2020123545A (ja) * | 2019-01-31 | 2020-08-13 | 三菱電機株式会社 | 照明制御システム |
WO2023105951A1 (ja) * | 2021-12-09 | 2023-06-15 | ユニ・チャーム株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3134690A1 (en) * | 2019-03-29 | 2020-10-08 | Predict Hq Limited | Systems and methods for predicting service demand based on geographically associated events |
JP2021043867A (ja) * | 2019-09-13 | 2021-03-18 | 東芝テック株式会社 | エリア遷移予測装置及びエリア遷移予測プログラム |
US11252090B1 (en) * | 2019-12-04 | 2022-02-15 | Juniper Networks, Inc | Systems and methods for predicting future traffic loads of outgoing interfaces on network devices |
US20210182770A1 (en) * | 2019-12-13 | 2021-06-17 | Coupang, Corp. | Systems and methods for automated delivery worker scheduling |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326411A (ja) * | 2003-04-24 | 2004-11-18 | Life Business Weather:Kk | 需要動向予測装置及び需要動向予測システム |
JP2005063215A (ja) * | 2003-08-15 | 2005-03-10 | Nri & Ncc Co Ltd | 品揃え提案システム及び品揃え提案プログラム |
JP2008310477A (ja) * | 2007-06-13 | 2008-12-25 | Nec Corp | 販売数量予測システム、販売数量予測方法、および基幹装置 |
JP2014182520A (ja) * | 2013-03-18 | 2014-09-29 | Fujitsu Ltd | 情報処理プログラム、情報処理方法および情報処理装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5618501B2 (ja) * | 2009-07-14 | 2014-11-05 | 株式会社東芝 | 需要予測装置、プログラムおよび記録媒体 |
US20140122174A1 (en) * | 2012-10-31 | 2014-05-01 | Ncr Corporation | Techniques for forecasting retail activity |
CN105321090A (zh) * | 2014-07-29 | 2016-02-10 | 中华电信股份有限公司 | 来店客群分析及人流情报系统及其使用方法 |
-
2016
- 2016-11-30 JP JP2016233318A patent/JP2018092267A/ja active Pending
-
2017
- 2017-10-19 WO PCT/JP2017/037786 patent/WO2018100910A1/ja active Application Filing
- 2017-10-19 US US16/461,510 patent/US20190311385A1/en not_active Abandoned
- 2017-10-19 CN CN201780070953.7A patent/CN109983495A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004326411A (ja) * | 2003-04-24 | 2004-11-18 | Life Business Weather:Kk | 需要動向予測装置及び需要動向予測システム |
JP2005063215A (ja) * | 2003-08-15 | 2005-03-10 | Nri & Ncc Co Ltd | 品揃え提案システム及び品揃え提案プログラム |
JP2008310477A (ja) * | 2007-06-13 | 2008-12-25 | Nec Corp | 販売数量予測システム、販売数量予測方法、および基幹装置 |
JP2014182520A (ja) * | 2013-03-18 | 2014-09-29 | Fujitsu Ltd | 情報処理プログラム、情報処理方法および情報処理装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020008961A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP2020008965A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP2020008966A (ja) * | 2018-07-03 | 2020-01-16 | Zホールディングス株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
WO2020054879A1 (ja) | 2018-09-10 | 2020-03-19 | 澪標アナリティクス株式会社 | 予測データを計算する情報処理装置など |
JP2020123545A (ja) * | 2019-01-31 | 2020-08-13 | 三菱電機株式会社 | 照明制御システム |
JP7243236B2 (ja) | 2019-01-31 | 2023-03-22 | 三菱電機株式会社 | 照明制御システム |
WO2023105951A1 (ja) * | 2021-12-09 | 2023-06-15 | ユニ・チャーム株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2018100910A1 (ja) | 2018-06-07 |
CN109983495A (zh) | 2019-07-05 |
US20190311385A1 (en) | 2019-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018100910A1 (ja) | 需要予測システム、需要予測方法およびプログラム | |
US10644979B2 (en) | Telecommunications network traffic metrics evaluation and prediction | |
US10914597B2 (en) | Information processing system, information processing method, information processing device, and information processing program | |
Ehmke et al. | Vehicle routing for attended home delivery in city logistics | |
US20180293612A1 (en) | Digital information gathering and analyzing method and apparatus | |
Mantin et al. | Dynamic price dispersion in airline markets | |
Ren et al. | Impact of the COVID-19 pandemic on travel behavior: A case study of domestic inbound travelers in Jeju, Korea | |
US20140278688A1 (en) | Guest movement and behavior prediction within a venue | |
US20130103539A1 (en) | Intelligent shopping assistant | |
US10289641B2 (en) | Cluster mapping based on measured neural activity and physiological data | |
JP2015011712A (ja) | デジタル情報収集および解析方法およびその装置 | |
JP5785973B2 (ja) | 新規出店候補地分析装置及び方法及びプログラム | |
JP5002441B2 (ja) | マーケティングデータ分析方法、マーケティングデータ分析システム、データ分析サーバ装置およびプログラム | |
KR102236546B1 (ko) | 빅데이터 및 인공지능 기반 관광목적에 따른 선택이 가능한 스마트 관광 서비스 제공 방법 | |
JP2013073489A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2014157093A (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
US11301873B2 (en) | Information processing system, information processing method, and information processing program | |
JP2019114047A (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP6266113B2 (ja) | 商店の評価情報を生成するサーバ、方法、及び評価情報を受信するデバイス | |
Dhivya Bharathi et al. | Bus travel time prediction: a log-normal auto-regressive (AR) modelling approach | |
JP6048196B2 (ja) | ナビゲーションシステム、ナビゲーション方法、及びナビゲーションプログラム | |
JP6345212B2 (ja) | 情報処理サーバ、プログラム、および情報処理方法 | |
Hristova et al. | If you've got the money, i've got the time: spatio-temporal footprints of spending at sports events on foursquare | |
JP2020009157A (ja) | 売上予測装置及びプログラム | |
Guo et al. | Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190326 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190716 |