JP2020149468A - 商品管理システムおよび商品管理方法 - Google Patents

Abstract

【課題】アパレル商品のような購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品について、高い確度で予測数を算出し、過不足のない在庫管理を行う商品管理システムおよび商品管理方法を提供する。【解決手段】需要予測システム２００において、商品ごとに、販売・購買と在庫管理の実績データを保持する実績テーブル２３０と、商品ごとに、実績データから算出した予測購買数と予測在庫数を保持する予測テーブル２４０とを有し、予測対象商品をシーズン属性とトレンド属性を含むカテゴリによって分類し、予測対象商品と同じカテゴリに分類された商品の実績テーブルに格納された購買実績数に基づいて予測購買数の算出を行う。予測購買数は、同一カテゴリに含まれる商品の購買数の相加平均により、算出し、それに基づいて予測在庫数の算出を行う。【選択図】図２

Description

本発明は、商品管理システムおよび商品管理方法に係り、特に、シーズンやトレンドによって売り上げが左右されるアパレル業界の向けの需要予測・在庫管理に好適な商品管理システムおよび商品管理方法に関する。

過去の購買データ等から予測購買データを算出し、過不足のない在庫管理を可能にし、高い確度での予測購買データを算出するシステムとしては、特許文献１に記載の技術がある。特許文献１においては、新規商品等の過去の購買データが少ない商品に対しても、高い確度で予測購買数を算出する購買予測装置が開示されている。

また、過不足のない在庫管理を行う在庫管理システムとして、特許文献２に記載の技術がある。特許文献２の在庫管理システムにおいては、卸売業界（特に、多品種の在庫を保持する必要のある日用雑貨の卸売業界）向けに、安全在庫数量および発注点数量の算出する技術が開示されている。

特開２０１３−１８２４１５号公報 特開２０１８−９７５７０号公報

上記特許文献１では、過去の購買データが少ない商品に対して、高い確度で購買予測を行う技術であり、特許文献２では、多品種の在庫を管理するための安全在庫を管理するためのシステムであり、いずれも、アパレル商品などのような購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品に関する需要予測や在庫管理については、考慮されていない。

そのため、アパレル商品のような購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品については、高い確度で予測購買数や予測在庫数を算出することができない。

本発明の目的は、アパレル商品のような購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品について、高い確度で予測数を算出し、過不足のない在庫管理を行うことのできる商品管理システムおよび商品管理方法を提供することにある。

本発明の商品管理システムの構成は、好ましくは、情報処理装置により、商品の需要予測と在庫管理を行う商品管理システムであって、商品ごとに、販売・購買と在庫管理の実績データを保持する実績テーブルと、商品ごとに、実績データから算出した予測購買数と予測在庫数を保持する予測テーブルとを有し、予測対象商品をシーズン属性とトレンド属性を含むカテゴリによって分類し、予測対象商品と同じカテゴリに分類された商品の実績テーブルに格納された購買実績数に基づいて予測購買数の算出を行うようにしたものである。

本発明によれば、アパレル商品のような購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品について、高い確度で予測数を算出し、過不足のない在庫管理を行うことのできる商品管理システムおよび商品管理方法を提供することができる。

商品管理システムと商取引においてそれに関連するシステムの構成図である。 需要予測システムのハードウェア・ソフトウェア構成図である。 実績テーブルの一例を示す図である。 予測テーブルの一例を示す図である。 カテゴリテーブルの一例を示す図である。 需要予測処理の詳細を示すフローチャートである。 シーズンとトレンドの変化による商品状態を説明する図である。 商品状態の遷移パターンを説明する図である。 需要予測システムと商品管理基幹システムの連携処理を示すフローチャートである。 在庫管理画面を示す図である。

以下、本発明の一実施形態、図１ないし図１０を用いて説明する。

本実施形態では、アパレル商品を例に採り、購買数や在庫数がトレンドやシーズンといった属性に大きく影響される商品に対して、需要予測とそれに基づいた在庫管理を行う商品管理システムについて説明する。

先ず、図１を用いて本実施形態に係る商品管理システムと商取引においてそれに関連するシステムの構成について説明する。図１は、商品管理システムと商取引においてそれに関連するシステムの構成図である。

本実施形態に係る商品管理システム１０は、商品管理基幹システム１００、需要予測システム２００からなり、商取引においてそれに関連するシステムとしては、ＥＤＩシステム３００、物流システム４００がある。

商品管理基幹システム１００は、本実施形態の商品管理の基幹となるシステムであり、商品に対して販売・購買の管理と、在庫管理を行い、物流システムなどへの出荷指示などを行う。商品管理基幹システム１００は、販売・購買管理部１１０、在庫管理部１２０、表示部１３０からなる。販売・購買管理部１１０は、商品の販売と購買の管理を行う機能部である。在庫管理部１２０は、商品の在庫管理を行う機能部である。表示部１３０は、商品情報を表示する機能部である。

需要予測システム２００は、商品管理基幹システム１００で処理した商品の販売数、購買数や在庫管理の実績データに基づいて、予測購買数、予測在庫数などを算出するシステムである。需要予測システム２００は、需要予測処理部２１０、カテゴリ設定部２２０の機能部を有し、データとして、実績テーブル２３０、予測テーブル２４０、カテゴリテーブル２５０を保持する。需要予測処理部２１０は、商品の販売・購買の実績と、シーズやトレンドを含む商品特性に基づいて、需要予測をする機能部である。カテゴリ設定部２２０は、各商品のカテゴリ情報を設定する機能部である。なお、各テーブルの詳細は、後に説明する。

ＥＤＩ(electronic data interchange：電子データ交換)システム３００は、異なった企業間での商取引データのデータ形式変換を行い、通信回線を介して、互いの情報処理装置でやり取りできるようにするシステムである。

物流システム４００は、商品の物流を管理するシステムである。

本実施形態では、得意先（例えば、商品を最終消費者に販売する店舗）２０から、ＥＤＩシステム３００を媒介として、商品管理基幹システム１００に発注を行い、得意先に出荷データを送信する。また、得意先２０から、電話・ＦＡＸにより、商品管理基幹システム１００の担当者に連絡して、発注を行う。

商品管理基幹システム１００は、物流システム４００に商品の出荷指示を行い、物流システム４００から出荷検品を受ける。
また、商品管理基幹システム１００は、需要予測システム２００に、商品の販売・購買の実績を送信し、それに基づいて、商品需要予測に関する情報を受信する。

次に、図２を用いて需要予測システムのハードウェア・ソフトウェア構成について説明する。図２は、需要予測システムのハードウェア・ソフトウェア構成図である。

需要予測システム２００のハードウェア構成としては、例えば、図２に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。
需要予測システム２００は、ＣＰＵ（Central Processing Unit）５０２、主記憶装置５０４、ネットワークＩ／Ｆ５０６、表示Ｉ／Ｆ５０８、入出力Ｉ／Ｆ５１０、補助記憶Ｉ／Ｆ５１２が、バスにより結合された形態になっている。

ＣＰＵ５０２は、情報処理装置の各部を制御し、主記憶装置５０４に必要なプログラムをロードして実行する。
主記憶装置５０４は、通常、ＲＡＭなどの揮発メモリで構成され、ＣＰＵ５０２が実行するプログラム、参照するデータが記憶される。

ネットワークＩ／Ｆ５０６は、ネットワークを介して、商品管理基幹システム１００や他の外部サーバと接続するためのインタフェースである。

表示Ｉ／Ｆ５０８は、ＬＣＤ（Liquid Crystal Display）などの表示装置５２０を接続するためのインタフェースである。

入出力Ｉ／Ｆ５１０は、入出力装置を接続するためのインタフェースである。図２の例では、キーボード５３０とポインティングデバイスのマウス５３２が接続されている。

補助記憶Ｉ／Ｆ５１２は、ＨＤＤ（Hard Disk Drive）５５０やＳＳＤ（Solid State Drive）などの補助記憶装置を接続するためのインタフェースである。

ＨＤＤ５５０は、大容量の記憶容量を有しており、本実施形態を実行するためのプログラムが格納されている。需要予測システム２００には、需要予測処理プログラム５５１、カテゴリ設定プログラム５５２がインストールされている。需要予測処理プログラム５５１、カテゴリ設定プログラム５５２は、それぞれ需要予測処理部２１０、カテゴリ設定部２２０の機能を実現するプログラムである。
また、ＨＤＤ５５０は、実績テーブル２３０、予測テーブル２４０、カテゴリテーブル２５０を保持している。

次に、図３ないし図５を用いて本実施形態の商品管理システムで用いられるデータ構造について説明する。図３は、実績テーブルの一例を示す図である。図４は、予測テーブルの一例を示す図である。図５は、カテゴリテーブルの一例を示す図である。

実績テーブル２３０は、商品に関する現時点での実績情報を格納するテーブルであり、図３に示されるように、店舗コード２３０ａ、商品コード２３０ｂ、商品名２３０ｃ、日付２３０ｄ、カテゴリ２３０ｅ、店別購買数２３０ｆ、店別在庫数２３０ｇ、発注数２３０ｈ、発注日２３０ｉの各フィールドからなる。

店舗コード２３０ａには、対象商品を取り扱う店舗のコードが格納される。商品コード２３０ｂには、対象商品を識別するコードが格納される。商品名２３０ｃには、対象商品の商品名が格納される。日付２３０ｄには、このレコードが作製されたか更新される日付が格納される。カテゴリ２３０ｅには、対象商品が属するカテゴリを表す値が格納される。店別購買数２３０ｆには、対象商品に対する店舗２３０ａの店舗での店単位の購買数が格納される。店別在庫数２３０ｇには、対象商品に対する店舗２３０ａの店舗での店単位の在庫数が格納される。発注数２３０ｈには、対象商品が発注された数が格納される。発注日２３０ｉには、対象商品が発注された日が格納される。

予測テーブル２４０は、商品に関しての予測情報を格納するテーブルであり、図４に示されるように、店舗コード２４０ａ、商品コード２４０ｂ、商品名２４０ｃ、予測日付２４０ｄ、カテゴリ２４０ｅ、予測店別購買数２４０ｆ、予測店別在庫数２４０ｇ、予測発注数２４０ｈ、予測発注日２４０ｉの各フィールドからなる。

店舗コード２４０ａ、商品コード２４０ｂ、商品名２４０ｃのフィールドの意味は、実績テーブル２３０の店舗コード２３０ａ、商品コード２３０ｂ、商品名２３０ｃと同様である。また、カテゴリ２４０ｅには、実績テーブル２３０のカテゴリ２３０ｅと同様に、対象商品が属するカテゴリを表す値が格納される。

日付２４０ｄには、この対象商品について予測が行われて、このレコードが作製されたか更新される日付が格納される。予測店別購買数２４０ｆには、対象商品に対する店舗２４０ａの店舗での店単位の予測された購買数が格納される。予測店別在庫数２４０ｇには、対象商品に対する店舗２４０ａの店舗での店単位の予測在庫数が格納される。予測発注数２４０ｈには、予測された対象商品の発注数が格納される。予測発注日２４０ｉには、予測された対象商品の発注日が格納される。
なお、予測店別購買数２４０ｆ、予測店別在庫数２４０ｇ、予測発注数２４０ｈ、予測発注日２４０ｉの求め方の詳細は、後述する。

カテゴリテーブル２５０は、商品ごとの商品特性をカテゴリ分けするためのテーブルであり、図５に示されように、シーズン２５０ａ、トレンド２５０ｂ、特売区分２５０ｃ、ブランド２５０ｄ、価格２５０ｅの各フィールドからなる。

シーズン２５０ａには、その商品と季節との関係を示す情報が格納される。例えば、値が２のときに、オールシーズン、値が１のときに、シーズン商品、値が０のときには、ノンシーズン商品であると定義する。トレンド２５０ｂには、その商品の世情において流行しているか、関心がもたれているかの趨勢の情報が格納される。例えば、１がトレンド商品、２がノントレンド商品であるとする。特売区分２５０ｃには、その商品の販売価格に関する情報が格納される。例えば、定価のときには、１、特売のときには、０が格納される。ブランド２５０ｄは、その商品のブランド名が格納される。価格２５０ｅには、その商品の販売した価格が格納される。
なお、シーズンとトレンドの項目については、後に、詳説する。

次に、図６ないし図１０を用いて商品管理システムの処理について説明する。
先ず、図６を用いて商品の需要予測処理の詳細について説明する。図６は、需要予測処理の詳細を示すフローチャートである。

先ず、需要予測システムは、商品ごとのシーズン、トレンド、その他の情報により、カテゴリテーブル２５０を設定する（Ｓ１００）。
ここで、図７および図８を用いて、特に、アパレル商品などで重要視されるシーズンとトレンドの設定について詳説する。図７は、シーズンとトレンドの変化による商品状態を説明する図である。図８は、商品状態の遷移パターンを説明する図である。

本実施形態の需要予測システム２００は、図示しなかったが、インターネットより、外部システムとなるＳＮＳ（Social Networking Service）に接続されているものとする。ＳＮＳは、インターネットの普及により台頭してきたネットワーク上で個人間のコミュニケーションを図るシステムである。

需要予測システム２００は、対象商品の商品名やブランド名についてＳＮＳにおける出現回数の算出を行う。そして、出現回数が定めた回数より大きい値の場合、トレンド商品として、カテゴリテーブル２５０のトレンド２５０ｂに、トレンド商品であることを示す１をセットする。一方、出現回数が定めた回数より小さい値の場合、カテゴリテーブル２５０のトレンド２５０ｂに、ノントレンド商品であることを示す０をセットする。なお、本実施形態では、トレンドは、０、１の二値であったが、ＳＮＳにおける出現回数などの指標に基づいて、例えば、５段階表記の０〜４の値で評価するようにしてもよい。

次に、需要予測システム２００は、カテゴリテーブル２５０のシーズン２５０ａのセットを行う。シーズンは、既に説明したように、商品と季節の関りを示す情報であり、特に、夏物・冬物などにより分類されるアパレル商品に有効な考え方である。ここで、例えば、夏物のアパレル商品では、夏場では、シーズン商品であることを示す１がセットされ、冬場では、ノンシーズン商品であることを示す０がセットされる。したがって、シーズンの値は、評価する時期により変化することに留意する必要がある。

このシーズンとトレンドの分類により、図７に示されるように、商品状態が、商品状態Ｉ〜ＶＩとして分類できることになる。

また、これにより、例えば、図８に示されるような状態遷移パターンが発生する。状態遷移パターン（１）は、商品状態Ｉ（シーズン商品、トレンド商品）から商品状態ＩＩＩ（ノンシーズン商品、ノントレンド商品）に変化する場合である。これは、例えば、話題になっていた夏物のアパレル商品が、夏が過ぎるとともに、ＳＮＳなどでも取り上げられることが少なくなった場合である。状態遷移パターン（２）は、商品状態ＩＩ（シーズン商品、ノントレンド商品）から商品状態ＩＩＩ（ノンシーズン商品、ノントレンド商品）に変化する場合である。これは、例えば、あまり話題になっていない夏物のアパレル商品が、夏が過ぎて、ノンシーズンになったことを意味する。また、状態遷移パターン（３）は、商品状態ＶＩ（オールシーズン商品、ノントレンド商品）から商品状態Ｖ（オールシーズン商品、トレンド商品）に変化する場合である。これは、通年もののアパレル商品が、ＳＮＳによって人気に火がついて、トレンドになった場合が想定される。

アパレル商品の特徴として、テレビや雑誌、ＳＮＳ等の影響からシーズンごとにトレンド色の強い商品とそうではない商品に大別され、販売数がそのトレンドに左右されるという特徴があげられる。また、ほとんどの商品において、毎シーズン、トレンドを捉えた商品にカスタマイズされている。そのため、毎シーズン同一商品が販売されることはほとんどない。このような背景より、本実施形態では、アパレル商品をシーズンやトレンドといった属性で分類し、同カテゴリ商品の購買実績数をもとに予測購買数の算出を行うものである。

以上の説明では、トレンドは、ＳＮＳの出現回数を指標としたが、テレビや雑誌、新聞などのマスメディアへの出現回数などを反映してもよい。

ここでのカテゴリは、シーズンやトレンドによって分類されるが、そのほかの特売区分、ブランド、価格などにより、さらに細かいカテゴリの分類をするようにしてもよい。

次に、商品管理基幹システム１００で対象とする商品の全てについて、実績テーブルの各フィールドの値の設定を行う（Ｓ１０１）。ここで、カテゴリ２３０ｅに設定する値は、カテゴリテーブル２５０で定義された値である。

次に、予測購買数ｐｒＰを算出する（Ｓ１０２）。
予測購買数ｐｒＰは、以下の（式１）で表される。

ここで、同一商品コードの店別購買数ｒｓｌＰは、実績テーブル２３０の店別購買数２４０ｆの値である。また、Σは、同一カテゴリの中の総和をとることを意味する。ここで、同一カテゴリとは、実績テーブル２３０のカテゴリ２３０ｅの値が同じであることを意味する。

次に、予測在庫数ｐｒＳを算出する（Ｓ１０３）。
予測在庫数ｐｒＳは、以下の（式２）で表される。
＜予測在庫数ｐｒＳ＞＝＜在庫実績数ｒｓｌＳ＞＋＜前回予測購買数ｐｒＰ’＞−
＜予測購買数ｐｒＰ＞ …（式２）

ここで、在庫実績数ｒｓｌＳは、同一カテゴリ内の実績テーブル２３０の店別在庫数２４０ｇの値の平均となる。前回予測購買数ｐｒＰ’は、図４の予測テーブルにおいて、前回の予測発注日の予測店別購買数２４０ｆの値について、同一カテゴリ内の平均をとったものになる。

ここで、前回予測購買数ｐｒＰ’を右辺に加えているのは、前回予測された購買数をその商品の入荷予定数として評価するものである。

次に、予測発注数ｐｒＯ、および、予測発注日ｐｒＤを算出する（Ｓ１０４）。
予測発注数ｐｒＯ、および、予測発注日ｐｒＤは、以下の（式３）で表される。
＜予測発注数ｐｒＯ＞＝＜予測在庫数ｐｒＳ＞−＜安全在庫数ｓｆＳ＞…（式３）

なお、安全在庫数ｓｆＳは、例えば、商品ごとの過去１年間の在庫数の和の平均をとったものに対して、経営判断によって定められる商品ごとの安全係数を掛けた値に対して、同一カテゴリ内の平均を取ったものとする。また、商品ごとに安全在庫数を定めたテーブルを保持して、それから求めるようにしてもよい。

また、予測発注日ｐｒＤは、以下の（式４）で表される。
＜予測発注日ｐｒＤ＞＝［＜前回発注日＞＋＜対象商品の在庫回転期間Ｒ＞］…（式４）

ここで、前回発注日は、同一カテゴリ内で対象商品を前回発注した日付の平均である。また、［＊］の記号の意味は、カッコ内の値を超えない最大の日付とする。この式は、予測される発注日に、対象商品の在庫回転期間を考慮する実務的なものである。

対象商品の在庫回転期間Ｒは、以下の（式５）で表される。
＜対象商品の在庫回転期間Ｒ＞＝３６５×（＜棚卸高＞／＜売上高＞）

ここで、売上高は、同一カテゴリ内の対象商品の過去一年間の価格と購買数の総和であり、棚卸高は、同一カテゴリ内の対象商品の過去一年間の価格と在庫数の総和となる。

次に、予測テーブル２４０の値を設定する（Ｓ１０５）。
予測テーブル２４０の店舗コード２４０ａ、商品コード２４０ｂ、商品名２４０ｃ、カテゴリ２４０ｅには、それぞれ、店舗、商品ごとの実績テーブル２３０の店舗コード２３０ａ、商品コード２３０ｂ、商品名２３０ｃ、カテゴリ２３０ｅがコピーされて設定される。

予測日付２４０ｄには、予測処理が行われ、このレコードが作成または更新された日付が格納される。

予測店別購買数２４０ｆ、予測店別在庫数２４０ｇ、予測発注数２４０ｈ、予測発注日２４０ｉには、同一のカテゴリのレコードに対して、それぞれ上記の処理で算出された予測在庫数ｐｒＳ、予測在庫数ｐｒＳ、予測発注数ｐｒＯ、予測発注日ｐｒＤが格納される。

次に、図９および図１０を用いて商品管理システムが在庫管理の情報を表示する処理について説明する。図９は、需要予測システムと商品管理基幹システムの連携処理を示すフローチャートである。図１０は、在庫管理画面を示す図である。

需要予測システムと商品管理基幹システムの連携処理では、先ず、図４に示した予測テーブル２４０より、対象の店舗コード、商品コードのレコードの予測発注数２４０ｆの値を参照し、当該データの値が０より大きいか否かの比較を行う（Ｓ２００）。

比較の結果、予測発注数の値が１以上の場合（Ｓ２００：ＹＥＳ）、需要予測システム２００は、商品管理基幹システム１００に、予測データを出力する（Ｓ２０１）。また、予測発注数の値が１より小さい場合（Ｓ２００：ＮＯ）、担当者が発注処理を行う必要がないため、予測データを出力しない。予測発注数≦０ということは、現在在庫が十分確保されており、商品管理基幹システム１００で発注の担当者が発注を行わなくてもよいということを示しているからである。

例えば、具体例として、図４の予測テーブル２４０の第１レコードＲ１の値で説明すると、店舗コード「００１」、商品コード「４９０１２３４５６７８９１」に対応するレコードの予測発注数は、「１０」である。当該値は１以上のため、在庫管理システムに予測データである予測店別在庫数「１８」、予測発注数「１０」、さらに、予測発注日「２０１９０３０４」を出力する。

商品管理基幹システム１００の表示部１３０は、この予測データを参照して、ユーザに、図１０に示されるような在庫管理画面６００を出力することができる。

在庫管理画面６００は、店舗コード、および、商品コード単位で生成され、実績データ（店別在庫数、発注数、発注日）、および、予測データ（予測店別在庫数、予測発注数、予測発注日）が表示される。

在庫管理画面６００は、店舗コード表示欄６０１、商品コード表示欄６０２、日付表示欄６０３、店別在庫数表示欄６０４、発注数表示欄６０５、発注日表示欄６０６、予測日付表示欄６０７、予測店別在庫数表示欄６０８、予測発注数表示欄６０９、予測発注日表示欄６１０を有する。

特に、需要予測処理の結果として、予測店別在庫数表示欄６０８、予測発注数表示欄６０９、予測発注日表示欄６１０に、それぞれ、「１８」、「１０」、「２０１９０３０４」の値が表示されている。

また、実績データについては、既存システムで蓄積している店舗コード、および商品コードに紐づく店別在庫数、発注数、発注日を参照するか、需要予測システム２００の実績テーブル２３０にアクセスして、画面に出力すればよい。

これにより、担当者は、特に、同一カテゴリ内で算出された結果に基づいて、店舗の商品ごとにいつどれだけの数の商品を発注すれば良いか分かり、適切な在庫管理が可能となる。

以上、本実施形態では、シーズンとトレンドに左右される商品として、アパレル商品を例に採って説明したが、シーズンに左右される野菜などの季節食品、清涼飲料水などの商品、また、季節ごとのイベントに関係する商品の商品管理にも適用することができる。

また、インターネットのＳＮＳによりトレンドが左右されやすい、美容関係の商品や菓子食品についても、特に、この商品カテゴリにより、需要予測と在庫管理を行う手法は有効である。

１０…商品管理システム
１００…商品管理基幹システム
２００…需要予測システム
３００…ＥＤＩシステム
４００…物流システム
２３０…実績テーブル
２４０…予測テーブル
２５０…カテゴリテーブル

Claims (12)

1. 情報処理装置により、商品の需要予測と在庫管理を行う商品管理システムであって、
   商品ごとに、販売・購買と在庫管理の実績データを保持する実績テーブルと、
   商品ごとに、前記実績データから算出した予測購買数と予測在庫数を保持する予測テーブルとを有し、
   予測対象商品をシーズン属性とトレンド属性を含むカテゴリによって分類し、
   前記予測対象商品と同じカテゴリに分類された商品の前記実績テーブルに格納された購買実績数に基づいて予測購買数の算出を行う商品管理システム。
2. 前記予測購買数は、同一カテゴリに含まれる商品の購買数の相加平均により、算出されることを特徴とする請求項１記載の商品管理システム。
3. 予測在庫数は、同一カテゴリに含まれる商品ごとの在庫実績数の相加平均に、前記予測テーブルに含まれる同一カテゴリに含まれる商品の購買数の相加平均により算出された前回予測された予測購買数を加え、前記実績テーブルより算出された予測購買数を減じることにより算出されることを特徴とする請求項２記載の商品管理システム。
4. 予測発注数は、前記予測在庫数から商品ごとの安全在庫数に同一カテゴリに含まれる商品の相加平均をとった値を減じることより算出されることを特徴とする請求項３記載の商品管理システム。
5. 予測発注日は、同一カテゴリ内の商品の前回発注した日付の平均と同一カテゴリ内の商品の在庫回転期間に基づいて定められることを特徴とする請求項１記載の商品管理システム。
6. 前記シーズン属性は、オールシーズン、シーズン商品、ノントレンド商品の属性値からなり、
   前記トレンド属性は、トレンド商品、ノントレンド商品の属性値からなることを特徴とする請求項１記載の商品管理システム。
7. 前記カテゴリは、さらに、特売区分、ブランド、価格によって分類されることを特徴とする請求項１記載の商品管理システム。
8. 情報処理装置により、商品の需要予測と在庫管理を行う商品管理方法であって、
   前記情報処理装置は、商品ごとに、販売・購買と在庫管理の実績データを保持する実績テーブルと、
   商品ごとに、前記実績データから算出した予測購買数と予測在庫数を保持する予測テーブルとを有し、
   前記予測対象商品をシーズン属性とトレンド属性を含むカテゴリによって分類するステップと、
   前記予測対象商品と同じカテゴリに分類された商品の前記実績テーブルに格納された購買実績数に基づいて予測購買数の算出を行うステップとを有することを特徴とする商品管理方法。
9. 前記予測購買数は、同一カテゴリに含まれる商品の購買数の相加平均により、算出されるステップを有することを特徴とする請求項８記載の商品管理方法。
10. 予測在庫数は、同一カテゴリに含まれる商品ごとの在庫実績数の相加平均に、前記予測テーブルに含まれる同一カテゴリに含まれる商品の購買数の相加平均により算出された前回予測された予測購買数を加え、前記実績テーブルより算出された予測購買数を減じることにより算出されるステップを有することを特徴とする請求項９記載の商品管理方法。
11. 予測発注数は、前記予測在庫数から商品ごとの安全在庫数に同一カテゴリに含まれる商品の相加平均をとった値を減じることより算出されるステップを有することを特徴とする請求項１０記載の商品管理方法。
12. 予測発注日は、同一カテゴリ内の商品の前回発注した日付の平均と同一カテゴリ内の商品の在庫回転期間に基づいて定められるステップを有することを特徴とする請求項８記載の商品管理方法。

Images