JP2020149468A - 商品管理システムおよび商品管理方法 - Google Patents
商品管理システムおよび商品管理方法 Download PDFInfo
- Publication number
- JP2020149468A JP2020149468A JP2019047416A JP2019047416A JP2020149468A JP 2020149468 A JP2020149468 A JP 2020149468A JP 2019047416 A JP2019047416 A JP 2019047416A JP 2019047416 A JP2019047416 A JP 2019047416A JP 2020149468 A JP2020149468 A JP 2020149468A
- Authority
- JP
- Japan
- Prior art keywords
- product
- forecast
- products
- inventory
- purchase
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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。
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。
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。
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。
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。
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。
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。
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。
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、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。
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。
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)
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)
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)
<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>)
<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
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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
- 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。 - 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。
- 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。
- 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019047416A JP2020149468A (ja) | 2019-03-14 | 2019-03-14 | 商品管理システムおよび商品管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019047416A JP2020149468A (ja) | 2019-03-14 | 2019-03-14 | 商品管理システムおよび商品管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020149468A true JP2020149468A (ja) | 2020-09-17 |
Family
ID=72429712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019047416A Pending JP2020149468A (ja) | 2019-03-14 | 2019-03-14 | 商品管理システムおよび商品管理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020149468A (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220043003A (ko) * | 2020-09-28 | 2022-04-05 | 주식회사 굿플레이스 | 무인매장의 상품 자동발주 서비스 제공방법, 서버 및 컴퓨터프로그램 |
WO2022190199A1 (ja) * | 2021-03-09 | 2022-09-15 | 株式会社日立製作所 | 需要予測装置、需要予測方法および予測モデル生成装置 |
CN115564359A (zh) * | 2022-11-23 | 2023-01-03 | 中汽数据(天津)有限公司 | 汽车售后备件的库存预测方法、设备和存储介质 |
CN115600772A (zh) * | 2022-12-13 | 2023-01-13 | 山东朱氏堂医疗器械有限公司(Cn) | 一种用于物理退热产品的预测管理系统 |
KR102668766B1 (ko) * | 2021-11-30 | 2024-05-24 | 한국생산기술연구원 | 상품 수요예측 모델 생성방법 및 이를 이용하여 상품의 수요를 예측하는 방법 |
-
2019
- 2019-03-14 JP JP2019047416A patent/JP2020149468A/ja active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220043003A (ko) * | 2020-09-28 | 2022-04-05 | 주식회사 굿플레이스 | 무인매장의 상품 자동발주 서비스 제공방법, 서버 및 컴퓨터프로그램 |
KR102608725B1 (ko) * | 2020-09-28 | 2023-12-01 | 주식회사 굿플레이스 | 무인매장의 상품 자동발주 서비스 제공방법, 서버 및 컴퓨터프로그램 |
WO2022190199A1 (ja) * | 2021-03-09 | 2022-09-15 | 株式会社日立製作所 | 需要予測装置、需要予測方法および予測モデル生成装置 |
KR102668766B1 (ko) * | 2021-11-30 | 2024-05-24 | 한국생산기술연구원 | 상품 수요예측 모델 생성방법 및 이를 이용하여 상품의 수요를 예측하는 방법 |
CN115564359A (zh) * | 2022-11-23 | 2023-01-03 | 中汽数据(天津)有限公司 | 汽车售后备件的库存预测方法、设备和存储介质 |
CN115564359B (zh) * | 2022-11-23 | 2023-04-07 | 中汽数据(天津)有限公司 | 汽车售后备件的库存预测方法、设备和存储介质 |
CN115600772A (zh) * | 2022-12-13 | 2023-01-13 | 山东朱氏堂医疗器械有限公司(Cn) | 一种用于物理退热产品的预测管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230018311A1 (en) | Systems and methods for quantity determinations without predicting out of stock events | |
JP2020149468A (ja) | 商品管理システムおよび商品管理方法 | |
Weng et al. | Integrating early sales with production decisions: Analysis and insights | |
US10181138B2 (en) | System and method for determining retail-business-rule coefficients from current prices | |
CN102282551A (zh) | 娱乐入场券定价的自动决策支持 | |
Yadav et al. | Retailer's optimal policy under inflation in fuzzy environment with trade credit | |
Singh et al. | An inventory model for deteriorating items with shortages and stock-dependent demand under inflation for two-shops under one management | |
JP5418326B2 (ja) | 価格決定装置、価格決定方法、およびコンピュータプログラム | |
Huang et al. | Coordination of pricing, inventory, and production reliability decisions in deteriorating product supply chains | |
Mitra | Warranty parameters for extended two-dimensional warranties incorporating consumer preferences | |
JP2018139036A (ja) | 分析装置 | |
US7921025B2 (en) | Building market models for plural market participants | |
WO2021044584A1 (ja) | 販売員評価システム、販売員評価装置、販売員評価方法および販売員評価用プログラム | |
JP2002304443A (ja) | 電力売買契約支援装置 | |
JP2016133816A (ja) | 商品需要予測システム | |
JP5847137B2 (ja) | 需要予測装置及びプログラム | |
CN112348590A (zh) | 一种物品价值确定方法、装置、电子设备和存储介质 | |
US20050049909A1 (en) | Manufacturing units of an item in response to demand for the item projected from page-view data | |
JP7117440B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
CN111400622A (zh) | 一种分布式电商系统中紧缺商品数量展现方法及装置 | |
JP4393749B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7090785B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP7086263B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
Demand et al. | Citation metadata | |
CN117217874A (zh) | 一种基于数据分析的电子商务管理系统 |