JP2021507323A - モデル生成のための動的な特徴選択 - Google Patents

Abstract

実施形態では、最適化された特徴セットを含む製品の需要のモデルを生成する。実施形態では、製品の売上履歴を受信し、製品の関連特徴のセットを受信して、関連特徴のサブセットを必須の特徴として指定する。実施形態では、売上履歴から、訓練データセットおよび検証データセットを形成し、関連特徴のセットから１つ以上の任意の特徴を無作為に選択する。実施形態では、選択された任意の特徴を必須の特徴とともに含めて、特徴テストセットを作成する。実施形態では、訓練データセットおよび特徴テストセットを使用してアルゴリズムを訓練して、訓練されたアルゴリズムを生成し、訓練されたアルゴリズムおよび検証データセットを使用して早期終了メトリックを計算する。早期終了メトリックが予め規定された閾値を下回る場合、特徴テストセットは、最適化された特徴セットである。

Description

分野
一実施形態は、一般にコンピュータシステムに向けられ、特にモデル生成のための特徴を動的に選択するコンピュータシステムに向けられる。

背景情報
一般に、製品は、製造業者、卸業者、輸送業者、小売業者などのネットワークを介して消費者に配達される。協力して製品を消費者に配達するこのような機関のネットワークは、一般に「サプライチェーン」ネットワークと称される。

製品の供給業者（たとえば、製造業者、ベンダー、小売業者など）は、しばしば、絶えず変化する市場状況の存在下でサプライチェーンネットワークを介した製品のスムーズかつ効率的なフローを提供するために製品の需要を予測するというタスクに直面する。需要を過大評価すると、過剰生産および在庫の保有に関連付けられるコスト（保管コスト、旧式化など）の増加につながる可能性がある。一方、需要を過小評価すると、収益のロスにつながる可能性がある。

さらに、小売業界では、小売業者は、在庫またはプロモーション／値下げ計画をよりよく管理するために将来の需要を予想する必要がある。小売業者は、売り上げを増やすために多くのタイプのプロモーションに携わってもよい。正確な予測を生成するために、小売業者は、プロモーション、価格、季節性、天候などの、需要に影響を及ぼし得る全ての要因／特徴を検討しなければならない。

製品の需要を予測する１つの技術は、主にその製品の履歴需要情報に基づいて（たとえば、過去の購入注文、過去の出荷、過去の販売時点情報管理データなどに基づいて）需要を予測するという技術である。しかし、このような技術は、常に変化している市場状況にあまり適合できず、不正確な予測をもたらす可能性がある。さらに、検討すべき要因が多くなればなるほど、時系列分析または回帰などの従来の予測方法がうまく機能しなくなる。

概要
実施形態では、最適化された特徴セットを含む製品の需要のモデルを生成する。実施形態では、上記製品の売上履歴を受信し、上記製品の関連特徴のセットを受信して、上記関連特徴のサブセットを必須の特徴として指定する。実施形態では、上記売上履歴から、訓練データセットおよび検証データセットを形成し、上記関連特徴のセットから１つ以上の任意の特徴を無作為に選択する。実施形態では、上記選択された任意の特徴を上記必須の特徴とともに含めて、特徴テストセットを作成する。実施形態では、上記訓練データセットおよび上記特徴テストセットを使用してアルゴリズムを訓練して、訓練されたアルゴリズムを生成し、上記訓練されたアルゴリズムおよび上記検証データセットを使用して早期終了メトリックを計算する。上記早期終了メトリックが予め規定された閾値を下回る場合、上記特徴テストセットは、上記最適化された特徴セットであり、上記早期終了メトリックが上記予め規定された閾値を下回らない場合、実施形態では、上記無作為に選択すること、上記訓練することおよび上記計算することを繰り返す。

本発明の実施形態に係るコンピュータサーバ／システムのブロック図である。 一実施形態に係る、需要予測に使用できる１つ以上の最適化された特徴セットを判断する際の図１の需要予測モジュールの機能のフロー図であり、１つ以上の最適化された特徴セットの各々は、必須の特徴と１つ以上の任意の特徴とを含む。 本発明の実施形態に係る製品の特徴セットの簡略化された例を示す。 一実施形態に係る、３ラウンドが実行された後の図３の特徴セットの例を使用した図２の機能の出力の一例を示す。 一実施形態に係る、複数の訓練されたモデルを使用して集計レベルでプロモーション効果を判断する際の図１の需要予測モジュールの機能のフロー図である。 一実施形態に係るデータ点を使用した６ラウンドのモデル推定を示す。 本発明の実施形態を使用した予想と実際の売り上げとの比較を示す。 一実施形態に係る、本明細書に開示されている需要予測を含む一体化された製造、在庫およびロジスティクスシステムを示す。

詳細な説明
一実施形態では、アイテムの需要予測を判断するためにそのアイテムについて関連特徴セットを判断する。特徴セットは、必須の特徴と任意の特徴とを含む。判断された特徴を使用して１つ以上のモデルを訓練し、次にこの１つ以上のモデルを使用して需要予測を生成する。

売り上げおよび需要予測方法は、判断による方法、外挿法および因果的方法に大きく分類することができる。外挿法は、行動自体の時系列データのみを使用して予測を生成する。公知の特定のアルゴリズム／方法は、単純な移動平均および指数平滑化法から複雑なボックス・ジェンキンスアプローチへと多岐にわたる。これらの公知の方法は、トレンド、季節性および自己相関の時系列パターンを成功裏に特定して外挿するが、価格変動およびプロモーションなどの外的要因を考慮に入れない。

ベクトル自己回帰（「ＶＡＲ」）法は、他の変数を含むようにボックス・ジェンキンス法を拡張するが、ＶＡＲ法の複雑さは推定を困難にする。因果的予測は、結果の原動力であると考えられる現象を表す入力を使用して定量的なモデルを構築することを含む。これらの方法は、プロモーション変数を有する線形回帰アルゴリズムと同程度に単純であり得る。出発点は、値下げ、キャッシュバックまたは広告などのプロモーション変数を有する回帰モデルである。アイデアは、モデルが単純であることにより、管理者がモデルの変更を理解して承認または誘導することが助けられ、意思決定支援ツールについて知れば知るほど、より高度で複雑なモデルを実行できるようになる、というものである。

需要予測の向上のために、小売業者は、サポートベクターマシン（「ＳＶＭ」）、人工ニューラルネットワーク（「ＡＮＮ」）、ランダム予測などの最新の機械学習技術に移行し始めている。しかし、一般に、小売業者は、各製品／場所に対して１つのモデルを選択するのみである。本明細書では、小売業者は、単一の小売店を含んでもよく、または全てが単一もしくは複数のロジスティクスオペレーションによって一体化されて管理される多数の小売店を含んでもよい。

さらに、多くの機械学習アルゴリズム（ＳＶＭ、ＡＮＮ、ランダム予測など）では、小売業者は、特徴セット（すなわち、アイテムのさまざまな属性）を使用して、製品／場所／暦の交点（intersection）においてデータ点を定義する。これらのアルゴリズムでは、小売業者は、予測と同一の特徴セットを用いてモデルを訓練することになる。さらに、この同一の特徴セットは、いくつかの異なるアルゴリズムによって予測に使用することができる。「特徴セット」は、アイテムの需要または売り上げに影響を及ぼす特徴およびアイテムの属性を説明する特徴の集合である。特徴の例としては、ベース売り上げ、価格、季節性、ブランド、プロモーション、サイズ、色、包みサイズ、供給業者、長さなどが挙げられる。価格および季節性などの特徴は全てのタイプの製品に関連し得るが、他のいくつかのものはアイテムに特有である。たとえば、包みサイズは、ヨーグルトの需要に影響を及ぼすが、包みの長さは重要でない。逆に、ファッションアイテムではブランドが非常に重要であるが、釘または金づちなどの金物アイテムではそれほど重要ではない。

正確な予測を生成するために、小売業者は、プロモーション、価格変動、季節性、天候などの、需要／売り上げに影響を及ぼし得る全ての要因／特徴を検討しなければならない。しかし、考えられる特徴セットは、２０〜５０個の異なる考えられる特徴など、大きくなり得るので、線形回帰などの従来の需要予測ツールではそれほど多くの独立変数を処理することができない。より正確な需要予測を得るためにどれぐらい多くの特徴が必要であるかということに対して制限はないが、あるアイテム／場所にとって重要な特徴のうちのいくつかは、別のアイテム／場所にとっては重要でないかもしれない。

公知の解決策では、「経験則」技術を使用して、需要予測のための特徴セットを生成する。公知のアプローチとは対照的に、実施形態では、いずれかの特徴セットに含まれていなければならない「必須の」特徴セットから開始し、次いで最適な「任意の」特徴を判断して、特徴セットを完全なものにすることによって、特徴セットを自動的に判断する。

図１は、本発明の実施形態に係るコンピュータサーバ／システム１０のブロック図である。単一のシステムとして示されているが、システム１０の機能は、分散システムとして実現されてもよい。さらに、本明細書に開示されている機能は、ネットワークを介して結合され得る別々のサーバまたはデバイス上で実現されてもよい。さらに、システム１０の１つ以上の構成要素は、含まれていなくてもよい。たとえば、サーバの機能のために、システム１０は、プロセッサおよびメモリを含んでいる必要があるが、キーボードまたはディスプレイなどの図１に示されている他の構成要素のうちの１つ以上を含んでいなくてもよい。

システム１０は、情報を通信するためのバス１２または他の通信機構と、情報を処理するためにバス１２に結合されたプロセッサ２２とを含む。プロセッサ２２は、いかなるタイプの汎用または特定目的プロセッサであってもよい。システム１０はさらに、プロセッサ２２によって実行される情報および命令を格納するためのメモリ１４を含む。メモリ１４は、ランダムアクセスメモリ（「ＲＡＭ」）、リードオンリメモリ（「ＲＯＭ」）、スタティックストレージ（磁気または光ディスクなど）、またはその他のタイプのコンピュータ読取可能媒体の任意の組み合わせで構成され得る。システム１０はさらに、ネットワークへのアクセスを提供するためのネットワークインターフェイスカードなどの通信デバイス２０を含む。したがって、ユーザは、直接、またはネットワークを介してリモートで、またはその他の方法でシステム１０と接続してもよい。

コンピュータ読取可能媒体は、プロセッサ２２によってアクセス可能であり、揮発性および不揮発性媒体、リムーバブルおよびノンリムーバブル媒体、ならびに通信媒体を含む任意の入手可能な媒体であってもよい。通信媒体は、搬送波または他の搬送機構などの変調データ信号の形態でコンピュータ読取可能命令、データ構造、プログラムモジュールまたは他のデータを含んでもよく、任意の情報送達媒体を含む。

プロセッサ２２はさらに、液晶ディスプレイ（「ＬＣＤ」）などのディスプレイ２４にバス１２を介して結合される。ユーザがシステム１０と接続することを可能にするために、キーボード２６およびコンピュータマウスなどのカーソル制御装置２８がバス１２にさらに結合される。

一実施形態では、メモリ１４は、プロセッサ２２によって実行されたときに機能を提供するソフトウェアモジュールを格納する。モジュールは、システム１０にオペレーティングシステム機能を提供するオペレーティングシステム１５を含む。モジュールはさらに、需要予測のための最適な特徴セットを判断する需要予測モジュール１６と、本明細書に開示されている全ての他の機能を含む。システム１０は、より大きなシステムの一部であってもよい。したがって、システム１０は、小売管理システム（たとえば、オラクル社製の「オラクル小売需要予測システム」または「オラクル・リテール・アドバンスト・サイエンス・エンジン」（「ＯＲＡＳＥ」））またはエンタープライズ・リソース・プランニング（「ＥＲＰ」）システムなどの追加機能を含むように１つ以上の追加機能モジュール１８を含み得る。データベース１７は、バス１２に結合されて、モジュール１６および１８に対して集中型ストレージを提供し、顧客データ、製品データ、トランザクションデータなどを格納する。一実施形態では、データベース１７は、構造化照会言語（「ＳＱＬ」）を使用して格納されたデータを管理することができるリレーショナルデータベース管理システム（「ＲＤＢＭＳ」）である。一実施形態では、専門の販売時点情報管理（「ＰＯＳ」）端末１００は、需要を予測するために使用されるトランザクションデータおよび履歴売上データ（たとえば、各小売店における各アイテム／ＳＫＵのトランザクションに関するデータ）を生成する。ＰＯＳ端末１００自体は、一実施形態に係る需要を予測するための追加処理機能を含み得る。

一実施形態では、特に多数の小売店、多数のアイテムおよび大量の履歴データがある場合には、データベース１７は、インメモリデータベース（「ＩＭＤＢ」）として実現される。ＩＭＤＢは、コンピュータデータの格納のために主にメインメモリに依拠するデータベース管理システムである。それは、ディスク記憶機構を利用するデータベース管理システムと対比される。メインメモリデータベースは、ディスク最適化データベースよりも速い。なぜなら、ディスクアクセスは、メモリアクセスよりもゆっくりであり、内部最適化アルゴリズムは、より単純であり、実行するＣＰＵ命令がより少ないからである。メモリ内のデータにアクセスすることにより、データに照会する際のシーク時間が不要になり、ディスクよりも速くかつ予想可能なパフォーマンスが提供される。

一実施形態では、データベース１７は、ＩＭＤＢとして実現される場合、分散データグリッドに基づいて実現される。分散データグリッドは、コンピュータサーバの集合が１つ以上のクラスタにおいて連携して、分散化またはクラスタ化された環境内で情報および計算などの関連オペレーションを管理するシステムである。分散データグリッドは、サーバ間で共有されるアプリケーションオブジェクトおよびデータを管理するために使用することができる。分散データグリッドは、遅い応答時間、高いスループット、予想可能なスケーラビリティ、継続的な可用性および情報信頼性を提供する。特定の例では、たとえばオラクル社製の「オラクルコヒーレンス」データグリッドなどの分散データグリッドは、より高いパフォーマンスを実現するために情報をメモリ内に格納し、複数のサーバ間で同期されるその情報のコピーを保存する際に冗長性を利用することにより、サーバの故障が生じた場合のシステムの回復力およびデータの継続可用性を保証する。

一実施形態では、システム１０は、企業組織のためのアプリケーションまたは分散アプリケーションの集合を含むコンピューティング／データ処理システムであり、ロジスティクス、製造および在庫管理機能も実現してもよい。アプリケーションおよびコンピューティングシステム１０は、クラウドベースのネットワーキングシステム、ソフトウェア・アズ・ア・サービス（「ＳａａＳ」）アーキテクチャまたは他のタイプのコンピューティングソリューションとともに動作するように構成されてもよく、またはクラウドベースのネットワーキングシステム、ソフトウェア・アズ・ア・サービス（「ＳａａＳ」）アーキテクチャまたは他のタイプのコンピューティングソリューションとして実現されるように構成されてもよい。

実施形態では、売上予測または需要予測を判断するために、自動的に判断された１つ以上の特徴セットを使用して、１つ以上の異なるアルゴリズムから生成された１つ以上の訓練されたモデルを生成する。予測は、サプライチェーンの重要な原動力である。予測が不正確であれば、割り当ておよび補充はうまくいかず、小売業者に金銭的損失を生じさせる。プロモーションされるアイテムまたはプロモーションされないアイテムの予測精度の向上が、本明細書に開示されている実施形態によって実現可能である。さらに、プロモーションが需要に与える影響のよりよい理解が実現可能である。これは、小売業者がたとえばチャネル、価格設定および顧客区分に関してプロモーションをより効果的に計画することに役立つ。

実施形態は、ある場所（たとえば、小売場所）で販売されるアイテム（すなわち、ヨーグルトまたは紳士物のシャツなどのアイテムクラス）について、このアイテムがさまざまなとき（すなわち、１日、１週間、１ヶ月、１年などの予め規定された小売期間）にさまざまな方法でプロモーションされ得るという観点から開示されている。小売カレンダは、一般的な暦年にわたって特定の態様（たとえば、４つの１３週間の期間）で編制される多くの小売期間（たとえば、数週間）を有する。小売期間は、過去であってもよく、または将来であってもよい。履歴売上／業績データは、たとえば、複数の過去の小売期間の各々において販売されたアイテムの個数および関連付けられたプロモーションデータ（すなわち、プロモーションが実施されていた各小売期間）を含んでもよい。

以下に開示するように、実施形態では、１つ以上の異なるアルゴリズムおよび１つ以上の特徴セットから生成された１つ以上の訓練されたモデルを使用し、最終的には複数の訓練されたモデルからの予測を組み合わせて最終需要予測に到達してもよい。いくつかの実施形態で使用される訓練されたモデルは、決定木または回帰木などの訓練された線形回帰モデルもしくは機械学習技術、サポートベクターマシン（「ＳＶＭ」）またはニューラルネットワークを含み得る。

さまざまな入力および特徴セットを用いて訓練された線形回帰アルゴリズムから生成される訓練された線形回帰モデルに関連して、出力変数と複数の入力変数との間の線形関係の検索の結果、回帰設定において入力変数が段階的に選択されることになった。いくつかの実施形態では、目的は、出力変数を入力変数＋定数の線形関数として表現する関数を構築することである。段階的回帰における２つの一般的なアプローチは、前進選択および後進選択である。

前進選択では、予め定められた基準に従って、モデルへの寄与に基づいて、変数が一度に一つずつ導入される。後進選択では、全ての入力変数が最初にモデルに組み込まれ、次いで、入力変数は、やはり予め定められた基準に基づいて、モデルに寄与していないと判断されると回帰式から除去される。

機械学習では、ＳＶＭは、分類および回帰分析に使用されるデータを分析する関連付けられた学習アルゴリズムを有する教師あり学習モデルである。各々が２つのカテゴリのうちの一方または他方に属しているとして特徴付けられる訓練例セットが与えられると、ＳＶＭ訓練アルゴリズムは、新たな例を一方のカテゴリまたは他方のカテゴリに割り当てて、それを非確率論的バイナリ線形分類器にするモデルを構築する。ＳＶＭモデルは、できるだけ広い明白なギャップによって別々のカテゴリの例が分割されるようにマッピングされた空間内の点としてこれらの例を表したものである。そして、その同一の空間に新たな例がマッピングされ、ギャップのどちら側に位置するかに基づいてカテゴリに属していると予想される。

分類に加えて、ＳＶＭは、売上または需要予測に成功裏に適用されて、売上および価格などの一般的なメトリック、プロモーション、天候および人口統計情報などの外部要因を処理することができる。

ＳＶＭおよびサポートベクター回帰（「ＳＶＲ」）のその回帰バージョンは、カーネル関数を使用してインスタンスをより高次元の特徴空間に暗黙的にマッピングする。最も基本的な形態では、ＳＶＲは、理想的には、マッピングされた出力点までの距離の範囲内にあるこの空間内の線形関数を特定しようとする。この「ソフトマージン公式化」は、予め定められた距離を超える逸脱を認めてペナルティを課し、線形関係を特定するベクトルのノルムとともに違反の合計を最小化する。

回帰木技術は、データを決定木フォーマットの小さなサブセットに分割し、結果を予想するために使用される葉ごとに線形回帰モデルを適合させる。代替的なモデル木アプローチは、主に分岐される入力変数の選択基準、使用される分割基準、および木の葉ごとに構築されるモデルの点で、互いに異なっている。特定の場合における予想が木における条件およびそれらの条件を満たす場合に適用可能な回帰関数に遡ることができるという意味において木はトランスペアレントであるが、多くの層を有する木は、一般化できる態様で解釈することは容易ではない。

人工ニューラルネットワーク（「ＡＮＮ」）は、脳などの生物学的神経系が情報を処理する方法によって着想が与えられた情報処理パラダイムである。このモデルの重要な要素は、情報処理システムの新規の構造である。それは、一斉に機能して特定の問題を解決する多数の高度に相互接続された処理要素（すなわち、ニューロン）で構成されている。ＡＮＮは、例によって学習する。ＡＮＮは、学習プロセスを介して、パターン認識またはデータ分類などの特定のアプリケーションに合わせて構成される。生物系における学習は、ニューロン間に存在するシナプス接続に対する調整を含む。これは、ＡＮＮにも当てはまる。ニューラルネットワークは、データ内のパターンまたは傾向を特定することが一番得意であるので、ニーズの予想または予測に適している。

図２は、一実施形態に係る、需要予測に使用できる１つ以上の最適化された特徴セットを判断する際の図１の需要予測モジュール１６の機能のフロー図であり、１つ以上の最適化された特徴セットの各々は、必須の特徴と１つ以上の任意の特徴とを含む。一実施形態では、図２（および以下の図５）のフロー図の機能は、メモリまたは他のコンピュータ読取可能もしくは有形媒体に格納されてプロセッサによって実行されるソフトウェアによって実行される。他の実施形態では、この機能は、（たとえば、特定用途向け集積回路（「ＡＳＩＣ」）、プログラマブルゲートアレイ（「ＰＧＡ」）、フィールドプログラマブルゲートアレイ（「ＦＰＧＡ」）などを使用することにより）ハードウェアによって、またはハードウェアとソフトウェアとの任意の組み合わせによって実行されてもよい。

２０２において、特定のクラス／カテゴリの製品のためにまたは対象の１つだけのアイテムのために、全ての店舗の全てのアイテムの履歴アイテム売上データを受信する。たとえば、クラス／カテゴリは、「ヨーグルト」、「コーヒー」または「ミルク」であってもよい。各クラスは、ＳＫＵまたは共通商品コード（「ＵＰＣ」）レベルに至るまで１つ以上のサブクラスを有し、１つ以上のサブクラスの各々が、売り物の個々のアイテムであろう。たとえば、ヨーグルトのクラスでは、サブクラスは、ヨーグルトの各ブランドであってもよく、さらに他のサブクラスは、ＳＫＵに至るまで、味、サイズ、タイプ（たとえば、ギリシャまたは通常）であってもよく、販売されるヨーグルトアイテムの個々の異なるタイプに対応するであろう。一実施形態では、図２の機能から生成される判断された特徴セットは、所与の製品（すなわち、メリーランド州ボルチモア地域におけるヨーグルトなどの所与の場所におけるカテゴリ）のためのものである。

履歴売上および業績データは、たとえば複数の過去の小売期間にわたるアイテムの過去の売り上げおよびプロモーションを示すデータを含んでもよい。履歴業績データは、過去数週間の小売期間に細分化されてもよく、各々の週は、その１週間に販売されたアイテムの個数を示すために割り当てられる数値を有する。履歴業績データは、一実施形態に従って、価格割引を示す数値および小売期間にわたる他のプロモーション構成要素の値も含んでもよい。アイテムの履歴業績データは、一実施形態に従って、ネットワーク通信を介してアクセスされてもよく、各小売店における各ＰＯＳ端末１００からアクセスされること、および／または、データベース１７からアクセスされることを含む。

履歴業績データは、複数の期間（たとえば、数週間）にわたる複数のプロモーション構成要素に関連付けられた売上データを含む。プロモーション構成要素の例としては、価格割引構成要素、テレビ広告構成要素、ラジオ広告構成要素、新聞広告構成要素、電子メール広告構成要素、インターネット広告構成要素および店内広告構成要素が挙げられるが、これらに限定されるものではない。

全ての有効なデータ点をプールして、所与の集計レベルでＮ個のデータ点を有する訓練データセットＤを形成する。集計レベルは、データがプールされるＳＫＵ／店舗／週よりも高位の交点である。集計レベルの一例は、サブクラス／店舗である。このレベルで利用できるデータは、特定のサブクラスにおける全てのＳＫＵによって判断される。実施形態における集計レベルは、一般に、商品の低レベルの詳細をつかむには十分に低いが、データプールがプロモーション効果のロバスト推定に十分であるほどに高いように選択される。集計レベルの別の例は、メリーランド州ボルチモア地域で販売される全てのヨーグルトなどの製品ライン／地理的領域である。

２０４において、製品の関連特徴セットを受信する。各特徴は、製品について記載しており、製品の売り上げに影響を及ぼし得る。全ての特徴から必須特徴セット（「Ｍ」）を特定する。一実施形態では、必須特徴セットは、過去の知識または個人の趣向に基づいて、小売業者自身によって手作業で特定することができる。たとえば、Ｔシャツでは、「色」が需要／売り上げに及ぼす影響は比較的小さいことを過去のデータが示していても「色」が必須の特徴であると小売業者は考えてもよい。別の実施形態では、過去の売上履歴に基づいて必須の特徴のリストが自動的に生成され得る。そして、特徴セットの残りの特徴は、任意特徴セット（「Ｏ」）であると考えられる。

図３は、本発明の実施形態に係る製品の特徴セットの簡略化された例を示す。図３の例では、製品はヨーグルトであり、特徴セットは、１０個の特徴、すなわち季節性、価格、ブランド、パッケージサイズ、アイテムサイズ、味、色、店内陳列、エンドキャップ、および１つ購入すると１つ無料（「Ｂｏｇｏ」）プロモーション（すなわち、特徴番号１〜１０）を含む。網掛けされた特徴（季節性、価格、ブランド、味およびＢｏｇｏ）は、（１，２，３，６，１０）の必須特徴セットを形成する。残りの特徴（パッケージサイズ、アイテムサイズ、色、店内陳列およびエンドキャップ）は、（４，５，７，８，９）の任意特徴セットを形成する。図３に示される簡略化された例は合計１０個の特徴のみを含んでいるが、実際には、製品の特徴セットは５０〜１００個の特徴を含んでもよい。

２０６において、製品の売上履歴データの全てまたはサブセットを抽出する（たとえば、ボルチモア地域におけるヨーグルトの２年間の売上履歴）。売上履歴データの無作為に選択された部分が訓練データセットとして使用され、残りが検証データセットとして使用される。一実施形態では、売上履歴の８０％が無作為に選択されて訓練データセットを形成し、残り２０％を使用して検証データセットを形成する。

２０８において、受信／選択された早期終了メトリックは、反復プロセスがいつ完了するかを判断し、最適化された特徴セットが判断される。一実施形態では、平均絶対誤差率（「ＭＡＰＥ」）が使用され、誤差閾値「ｅ」と比較される。さらに、最大反復回数が受信され、最適化された特徴セットが判断されない場合にも、反復プロセスがいつ完了するかを判断する。２０８において、早期終了メトリックまたは最大反復回数に達しているか否かを判断する。

２０８において達していない場合、２１０において、任意特徴セットＯにおける特徴を無作為に選択し、特徴テストセット「Ｓ」に入れる。セットＳに追加される任意の特徴の数も無作為である。２１０の機能は、何度も繰り返されてもよく、必須の特徴と任意の特徴との満足な組み合わせが見つかるまで、任意の特徴およびそれらのうちのいくつが含まれるかは毎回変化し得る。

２１２において、セットＭの全ての必須の特徴をセットＳに追加する。
２１４において、２０６からの訓練データセットおよび特徴テストセットＳの特徴（すなわち、必須の特徴および任意の特徴の両方）を使用してアルゴリズムを訓練して、訓練されたアルゴリズム（すなわち、モデル）を生成する。訓練されるアルゴリズムは、上記のような任意の所望のアルゴリズム（たとえば、線形回帰、ＡＮＮなど）であってもよい。

２１６において、訓練されたアルゴリズム（すなわち、モデル）を検証データセットに適用することによって早期終了メトリックを計算し、機能は２０８に進んで、早期終了メトリックが閾値ｅを下回っているか否かまたは最大反復回数に達しているか否かを判断する。したがって、ステップ２１０、２１２、２１４および２１６は繰り返される。

早期終了メトリックがＭＡＰＥである２１６の一例は、以下の通りである。

３つの期間があるとすると、Ｎ＝３になるであろう。これら３つの期間の予想値は以下の通りであるものとする：
予想値（ｉ＝１）＝３
予想値（ｉ＝２）＝２
予想値（ｉ＝３）＝１。

実際の値は以下の通りであるものとする：
実際の値（ｉ＝１）＝１
実際の値（ｉ＝２）＝２
実際の値（ｉ＝３）＝３。

そうすると、式は以下のようになる。

２０８において早期終了メトリックに達している場合、２２０において、最適化された特徴セットは、２１２の特徴テストセットＳである。

最適化された特徴セットに到達することなく最大回数の反復に達している場合、機能は２２２で終了する。一実施形態では、閾値ｅをその後増加させてもよく、機能はステップ２０６に進んでもよい。

一実施形態では、複数の最適化された特徴セットを生成するために複数ラウンドの図２の機能が実行される。各特徴セットは、訓練された予測モデルを生成するための予測アルゴリズムへの入力として使用することができる。次いで、図５に関連付けて以下に詳細に開示するように、複数の訓練されたモデルは集計されて、需要予測を生成することができる。図２の機能の出力は、１つ以上の最適化された特徴セットである。

図４は、一実施形態に係る、３ラウンドが実行された後の図３の特徴セットの例を使用した図２の機能の出力の一例を示す。図４の例では、商品はヨーグルトであり、場所はメリーランド州ボルチモア地域であり、早期終了メトリックはＭＡＰＥである。ラウンド１において、早期終了閾値は１０％であり、最大反復回数は１５である。示されているように、ラウンド１では、４回目の反復（すなわち、９．５）において早期終了メトリックに達しており、アルゴリズムを訓練して第１のモデルを生成するために使用される出力される最適化された特徴セットは、（１，２，３，６，１０，５，９，７）である。ラウンド２において、早期終了閾値は１０％であり、最大反復回数は１２である。示されているように、ラウンド２では、６回目の反復において早期終了メトリック（すなわち、８．９）に達し、アルゴリズムを訓練して第１のモデルを生成するために使用される出力される最適化された特徴セットは、（１，２，３，６，１０，４，８，９）である。ラウンド３において、早期終了閾値は８％であり、最大反復回数は１５である。示されているように、ラウンド２では、１５という最大反復回数に達した後は、早期終了閾値に達していないため、ラウンド３では最適化された特徴セットは見当たらない。図４の各例は同一数の任意の特徴を含んでいるが、実際の数は反復の中で差があってもよい。

開示されているように、本発明の実施形態の機能は、早期終了基準を用いて所与の製品／場所の最良の特徴セットを自動的に選択し、機械学習ツールが正確な需要を予想することを可能にする。この特徴選択は、小売業者が、より高いレベルでデータ特徴を準備するが、各製品／場所の特徴の異なるサブセットを用いて需要を訓練／予想することを自動的に可能にすることができる。自動化されたパラメータ調整は、公知の推量／試行アプローチよりも正確な予想を実現することに役立つ。なぜなら、実施形態では製品／場所当たりより多くの検索空間を調査し、次いで、人間が手作業で処理し得るからである。さらに、実施形態では、いかなる公知の解決策よりも少ない処理サイクルおよびメモリストレージを必要とすることによって、コンピュータのパフォーマンスが向上する。

１つ以上の最適化された特徴セットが図２の機能を使用して生成される、上記の実施形態では、実施形態は、最適化された特徴セットを、予測モデルを生成するための予測アルゴリズムへの入力として使用する。図５は、一実施形態に係る、複数の訓練されたモデルを使用して集計レベルでプロモーション効果を判断する際の図１のプロモーション効果モジュール１６の機能のフロー図である。複数の訓練されたモデルは、図２の機能を使用して生成することができる。

５０２において、特定のクラス／カテゴリの製品のために全ての店舗の全てのアイテムの履歴アイテム売上データを受信する。

履歴業績データは、複数の期間（たとえば、数週間）にわたる複数のプロモーション構成要素に関連付けられた売上データを含む。プロモーション構成要素の例としては、価格割引構成要素、テレビ広告構成要素、ラジオ広告構成要素、新聞広告構成要素、電子メール広告構成要素、インターネット広告構成要素および店内広告構成要素が挙げられるが、これらに限定されるものではない。

全ての有効なデータ点をプールして、所与の集計レベルでＮ個のデータ点を有する訓練データセットＤを形成する。集計レベルは、データがプールされるＳＫＵ／店舗／週よりも高位の交点である。集計レベルの一例は、サブクラス／店舗である。このレベルで利用できるデータは、特定のサブクラスにおける全てのＳＫＵによって判断される。実施形態における集計レベルは、典型的には、商品の低レベルの詳細をつかむには十分に低いが、データプールがプロモーション効果のロバスト推定に十分であるほどに高いように選択される。

たとえば、約１年間（すなわち、５２週間）にサブクラスの中の５０個のアイテムが平均して販売されており、チェーンの中に５０個の小売店がある場合、以下のようになる。

Ｎ＝５０×５２×５０＝１３０，０００個のデータ点
５０２の結果、Ｎ個のデータ点を用いて訓練データセットＤが形成される。この例では、所与の集計レベルは、サブクラス／店舗である。

５０４において、データセットＤを複数回サンプリングして、複数の異なる訓練セットＤ（ｉ）を形成する。実施形態では、均一にＤから無作為復元サンプリングすることによって、各々がサイズｎ′（たとえば、Ｎの８０％）を有するｍ個の新たな訓練セットＤ（ｉ）を生成する。復元サンプリングは、復元により確率を求めるのに使用される。具体的には、いくつかのデータ点、ボール、カードまたは他のオブジェクトがあるイベントの確率を求め、各アイテムは、選択されるたびに交換される。たとえば、２つのものを復元サンプリングする際、２つのサンプル値は独立している。したがって、第１のものと交換されるものは、第２のものと交換されるものに影響を及ぼさない。数学的に、これは、２つのものの間の共分散がゼロであることを意味する。

訓練に使用されない（すなわち、サンプリングされたセットの一部を形成しない）データ点（Ｎ−ｎ′）は、検証／テストセットＴ（ｉ）として検証に使用される。たとえば、一実施形態では、５個の訓練セットが生成される。各訓練セットは、（１３０，０００）×（０．８）＝１０４，０００個のデータ点を有し、各テスト／検証セットは、２６，０００個の残りのデータ点を含む。無作為サンプリングによって、各訓練セットは異なっている。

５０６において、２０４における各訓練セットＤ（ｉ）について、複数の考えられる異なる機械アルゴリズムのうちの１つを実行して、モデルを生成／訓練する。一実施形態では、各訓練セットＤ（ｉ）について、機械学習アルゴリズム、すなわち線形回帰、サポートベクターマシン（「ＳＶＭ」）および人工ニューラルネットワーク（「ＡＮＮ」）、のうちの１つを使用して、モデルＭ（ｉ）を生成する。一般に、機械学習アルゴリズムは、データから学習してデータに対して予想を行うことができる。機械学習アルゴリズムは、以下の厳密に静的なプログラム命令ではなく、出力として表現されるデータ駆動予想または決定を行うために入力観察結果の例示的な訓練セットからモデルを構築することによって動作する。

一般に、機械学習アルゴリズムを使用してモデルを訓練することは、入力された特徴セットに基づいてモデルの出力がどのようにして計算されるかを説明する方法である。たとえば、線形回帰モデルでは、予測は、以下のようにモデル化され得る：予測＝ベース需要×季節性×プロモーション１×プロモーション２×...プロモーション効果１０。異なる訓練方法では、出力は異なるであろう。たとえば、（１）線形回帰では、訓練は、季節性、プロモーション効果１...プロモーション効果１０の推定を生成し、（２）ＳＶＭでは、訓練は、ある重みに関連付けられた入力データ点のセットである「サポートベクター」を生成し、（３）ＡＮＮでは、訓練出力は、各ノードの最終的な活性化関数および対応する重みであろう。

５０８において、各モデルを検証して、テストセットを使用して誤差を判断する。各モデルＭ（ｉ）について、実施形態では、テストセットＴ（ｉ）を適用して、結果を予想し、二乗平均平方根誤差ＲＭＳＥ（ｉ）を計算する。たとえば、１０個のデータ点ｘ１，..ｘ１０があるテストデータセットｉについて、実施形態では、訓練されたモデルに基づいてこれら１０個の点の出力を予想する。出力がＰ１，..Ｐ１０である場合、ＲＭＳＥは以下のように計算される。

５１０において、各モデルについて、モデル重みを計算する。一実施形態では、各モデルＭ（ｉ）について、その重みｗ（ｉ）は以下のように求められる。

次いで、実施形態では、以下のようにｗ（ｉ）の合計を求める。

最後に、実施形態では、以下のように各ｗ（ｉ）について重みを正規化する。

５１２において、モデル組み合わせを出力する。将来の需要を予測するために、各データ点ｘについて、以下のようにＭ（ｉ）を入力に反復的に適用して最終結果ｙを生成する。

式中、ｙは、予測される需要であり、ｆは、モデルに対応する、予測を作成するための関数である。たとえば、３つのモデルを考えてみたい。所与の点ｘについて、モデルは、以下の表に記載されている予測および重みをもたらす。

最終的な需要予測は、以下のように計算される。
ｙ＝４×０．５＋４．５×０．３＋３．９×０．２＝４．１３
５１４において、最終的な需要予測を製造生産、出荷ロジスティクスおよび在庫管理に使用する。最終的な需要予測は、一実施形態では、在庫管理システム、製造システム、出荷およびロジスティクスシステム、ならびに売上支援システムなどの他の特定目的コンピュータに送信される。最終的な需要予測は、一実施形態では、個々のデータビットの形式であり、これらの個々のデータビットは、需要予測から翻訳されて、格納され、他の専門のコンピュータシステムに送信され、そこでそれらのシステムによって格納され、利用される。その結果、さらに他のアイテムが製造、格納、出荷などされ得て、アイテムの最適な価格設定を行うことができる。

上記のように、一実施形態では、図２の機能の出力を図５の機能への入力として使用して、需要予測を生成することができる。たとえば、図５の一実施形態では、３つのアルゴリズム（たとえば、線形回帰、ＳＶＭ、ＡＮＮ）が検討され、図２が３つの最適化された特徴セットを生成するものとしている。上記のように、図５では、最適化された予測アルゴリズムを使用してアルゴリズムを訓練し、結果は９個（３×３）の訓練されたモデルになるであろう。これら９個のモデルをそれらの重みに従って組み合わせて、最終的な予測を作成する。

図６および図７は、一実施形態に係る、集計レベルでプロモーション効果を判断する一例を示す。図６および図７の例では、小売業者「Ａ」では、ジョージア州アトランタ地域におけるヨーグルトカテゴリの２年間の履歴があるものとする。アトランタ地域には２０個の小売店があり、各店舗は約１００個の異なるヨーグルトＵＰＣ／ＳＫＵを含むものとする。

上記の５０２に従って、この簡略化された例では、アイテム／店舗／週間売上集計レベルについて合計２０×１００×１０４＝２，０８０，０００個のデータ点があり、訓練データセットＤを形成し、式中、２０は小売店の数であり、１００はＳＫＵの数であり、１０４は２年間の履歴販売期間中の週の数である。

また、１０個の異なるタイプのプロモーションが小売業者によって提供されるものとする。これらのプロモーションは、「プロモーション１」、「プロモーション２」、「プロモーション３」...「プロモーション１０」と称される。この例では、需要モデルは以下の通りである。

売り上げ＝（ベース需要）×（季節性）×（プロモーション１効果）×（プロモーション２効果）×...（プロモーション１０効果）
ベース需要は、移動平均、単純指数平滑化などの公知の方法を使用してアイテム／店舗レベルで計算することができる。季節性は、加法および乗法ウィンタース指数平滑化法などの公知の方法を使用してカテゴリ／領域レベルで計算することができる。課題は、１０個のプロモーション効果を推定すること（すなわち、プロモーションが実施されている各販売期間中の売上予測に対する各プロモーションの効果を推定すること）である。この例では、２年間の売上履歴しかないので、公知の推定方法を使用してアイテム／店舗レベルでプロモーション効果を推定することは困難である。

図６は、一実施形態に係るデータ点を使用した６ラウンドのモデル推定を示す。各ラウンドについて、各プロモーション１〜１０のプロモーション効果が線形回帰を使用して判断される。同一タイプのアルゴリズムが各ラウンドで使用される。たとえば、各ラウンドは、線形回帰、ＳＶＭ、ニューラルネットワークなどを使用することができる。各ラウンド後に、使用される訓練セットを記載するパラメータセットが生成される。このパラメータセットが、「モデル」と称されるものである。したがって、図６の例では、６ラウンドに基づいて６個のモデルが得られる。

ラウンドＡ（行６０１）では、本発明の判断と比較する目的で全ての利用可能なデータ点が使用される。ラウンド１〜５（行６０２〜６０６）では、サンプリングデータは、（図５の５０４に従った）推定の実行に使用され、残りのテストデータは、（図５の５０８に従った）モデルのテスト／検証に使用される。一実施形態では、サンプリングデータは、データ点のうちの８０％であり、テストデータは、データのうちの残りの２０％である。

図６に示される例では、線形回帰が訓練に使用される。各ラウンドが異なる訓練データセットを使用するので、推定される効果は、ラウンドごとに異なるであろう。プロモーション効果は、製品／場所に特有であるが、期間に特有ではない。各ラウンドでは同一のモデルおよび方法が使用される。

訓練／テストの各々について、列６１１におけるＲＭＳＥは、（図５の５０８に従った）テストデータおよび対応する重みｗ（ｉ）に基づいて計算され、各ラウンドの正規化された重みｗ′（ｉ）は、上記のように列６１２，６１３において計算される。

図７は、本発明の実施形態を使用した予想と実際の売り上げとの比較を示す。
１３週間の販売期間中の各週について、および所与の店舗／ＳＫＵ（たとえば、特定の小売店で販売された特定のタイプのヨーグルト）について、行７０１は、ベースライン需要を示し、行７０２は、季節性を示し、行７０２〜７１２は、各プロモーションについての、対応する週の間中ずっとそのプロモーションがアクティブであったか否かを示す（「Ｘ」で示される）。行７１３は、対応する期間中の実際の売り上げを示す。

プロモーション効果の予想に関して言えば、行７１４は、全ての利用可能なデータを使用する公知の方法を用いて全てのデータ点が使用されるラウンドＡからの各週の売り上げの予想を示す。行７１５〜７１９は、（本発明の実施形態を使用した）各期間におけるラウンド１〜５の各々を使用した予想／推定を示し、行７２０は、ラウンド１〜５からの平均予想である。列７２１は、ＲＭＳＥを使用して、本発明の実施形態を用いたアプローチが最良のパフォーマンスを達成する（すなわち、本発明の実施形態に係る行７２０は、サンプリングなしのデータセット全体を使用する公知の方法を使用する行７２０よりも小さなＲＭＳＥを有する）ことを示す。

バイアスを導入することになる細分化したデータを扱うプロモーション効果を推定する代わりに、実施形態では、データセット全体の豊かさを利用するが、サンプリングを使用して必要な処理力を減少させる。実施形態は、完全に自動化されており、パフォーマンスと精度とのバランスをとるように調整可能である。さらに、実施形態は、プロモーションされるアイテムの予測精度を向上させる。予測は、サプライチェーンの最も重要な原動力のうちの１つである。予測が不正確であれば、割り当ておよび補充がうまくいかず、企業に金銭的損失を生じさせる。

一般に、買い物客は、プロモーションされるアイテムに特に注目する。プロモーションがうまく計画されず、予測が高すぎる場合には、アイテムは売れ残ったままになり、割引して販売される必要があり、または廃棄が増加する。どちらの場合も、収益性は低下する。予測が低い場合には、需要が満たされず、小売業者は売り上げの機会喪失および低いクライアント満足度をこうむることになる。これらは両方とも収益に対してマイナスの影響を及ぼす。実施形態では、プロモーション／売り上げ予測の精度と信頼性とのバランスをとることによって売り上げの機会損失または不必要な値下げを回避する。

開示されているように、実施形態の１つの目的は、アイテムの関連特徴を選択して最終的に予測精度を最大化することである。一般に、優れた予測は、クレジットの授受を生じさせない。アイテムは、常に入手でき、割引価格とは対照的に正規の価格で販売される。在庫レベルは高すぎてはいけないので、小売業者は在庫に金を投資することはない。小売業者および供給業者は、労働力および生産能力を確実に計画することができるべきである。

しかし、予測が不適切である（すなわち、正確でない）場合には、状況は劇的に変化する。効果は、多くのビジネスエリアにマイナスの影響を及ぼし得る。たとえば、予測が低すぎる場合、必要な製品よりも少ない製品が小売業者に到着し、小売業者は売り切ってしまう。品切れの状況により、小売業者は、収益の喪失および顧客満足度の低下をこうむることになる。また、予測が低いことにより、供給業者は、生産を縮小しなければならず、現在の労働力の必要性を見直さなければならない。

予測が高すぎる場合、マイナスの影響もある。小売業者は、販売することができるよりも多くを注文することになる。製品が腐りやすいものであれば、痛んでしまう可能性があり、廃棄が増加する。製品が腐りやすいものでなくても、小売業者は、余分なアイテムを割引価格で販売する場合もあり、収益にマイナスの影響を及ぼす。そうでなければ、小売業者は、商品を供給業者に返却する場合もある。これは、供給業者に影響を及ぼす。なぜなら、供給業者は、需要がない余分な製品を有することになるからである。さらに、製造業者は、時間および金を無駄にして不適切なものを生産することになり、供給業者の収益にマイナスの影響を及ぼす。

図８は、一実施形態に係る、本明細書に開示されている需要予測を含む一体化された製造、在庫およびロジスティクスシステム８００を示す。図８に示されるように、システム８００は、１つ以上の小売店８０１〜８０４において、将来の製品需要を予測し、場合によっては数十万個もの製品、またはいくつかの適用例では数千万個もの製品の将来の需要を予測および／または検討する製品予測システム８７０を含み得る。予測システム８７０は、クラウドネットワーク８５０または他のタイプの通信ネットワークを介して１つ以上の在庫システム８２０および１つ以上の製造システム８８０と通信する。

予測システム８７０は、上記の図２および図５に関連付けて開示されている機能を実行することによって需要予測を生成する。在庫システム８２０は、在庫を保管し、トラック８１０〜８１３または他の輸送機構を使用してアイテムを店舗８０１〜８０４に配達するように輸送ロジスティクスを提供する。在庫システム８２０は、一実施形態では、予測システム８１０からの入力を使用して在庫のレベルならびに店舗８０１〜８０４へのアイテムの配達の量およびタイミングを判断する専門のエンタープライズ・リソース・プランニング（「ＥＲＰ」）コンピュータシステムまたは専門の在庫管理システムを実現する。

製造システム８８０は、在庫システム８２０に送られるアイテムを製造し、トラック８８１または他の輸送機構を使用してこれらのアイテムを在庫システム８２０に配達するように輸送ロジスティクスを提供する。製造システム８８０は、一実施形態では、予測システム８７０からの入力を使用して、製造されるアイテムの量、製造に使用されるリソースの在庫、ならびに在庫システム８２０へのアイテムの配達の量およびタイミングを判断する専門のＥＲＰコンピュータシステムまたは専門の製造システムを実現する。

予測システム８７０は、製品の需要を予測する際に、在庫システム８２０、売上追跡システム（図示せず）および／またはデータベースからの情報を利用することができる。需要を予測する際に、予測システム８７０は、イベント、天候、社会的需要、経済的要因および他の要因に起因する１つ以上の製品の特徴的ではない需要を予想しようと試みる。数十個、数百個、数千個の異なる変数が追跡されてもよく、これらは１つ以上の製品の需要に影響を及ぼし得る。これらの変数の変化は、特徴的ではない需要をもたらし得る。たとえば、予測された天候の変化が追跡されてもよく、この予測された天候に関連付けられた１つ以上の変数は、このような天候の変化が需要に影響を及ぼし得るか否か、および需要の変化をさらに予測し得るか否かを判断するのに使用することができる。

一般に、図８の要素は、販売、製造または在庫の消費を実行する。ダイレクト・コンシューマ・セールスのための小売場所／店８０１〜８０４は、ランダム性および売り上げに影響を及ぼす外的要因に起因して、最も変動しやすい在庫パターンを示す。しかし、在庫を消費する製造施設および箇所（製品インテグレータ、インターネット荷送人などの現地の施設で使用される製品）も、本明細書に開示されている需要予測から恩恵を受ける。開示されているように、各小売場所８０１〜８０４は、売上データおよび履歴予測データを予測システム８７０に送信する。売上データは、各アイテムの在庫切れ統計、または過去の販売サイクル（すなわち、数週間）、典型的には４〜７週間の在庫サイクルにおける各販売期間、典型的には数日間のＳＫＵ／ＵＰＣを含む。

予測システム８７０は、売上データをリポジトリ８７２に格納し、在庫を補充するための注文を生成することに売上データを利用する。この注文は、アイテムセットと、店舗８０１〜８０４において在庫レベルを維持するための各アイテムの量を含む。

多くの小売り注文スキームは、販売期間および販売サイクル中の特定の週の日に依拠する。１つの構成では、特定の週の各日に特有の在庫統計を有する在庫管理環境では、在庫システム８２０は、特定の週の各日について過去の売り上げから在庫レベル統計を収集することによって目標在庫レベルを判断する。実施形態では、在庫レベル統計に基づいて特定の週の各日の在庫レベルを計算することにより、特定の週の異なる日同士の間の在庫のばらつきを安全在庫が吸収する。実施形態では、複数のアイテムの各々について、ストックレベルが、特定の週の各日の安全在庫を含む目標在庫レベルを示すようにする。実施形態では、注文された量に達して特定の週の定められた日のストックレベルを満たすように、リードタイムに基づいて注文量を計算する。実際のストックレベルを特定することは、履歴データから過去数週間における特定の週の特定の日のストックレベルを特定することにより、特定の週の全ての日の平均ではなく、ある期間に亘って特定の週の同じ日に注目することを含む。

特定の構成では、開示されている実施形態は、専門的なおよび／または特に大量の小売販売環境とともに利用されてもよい。大型のロジスティクスおよび流通オペレーションでは、トラックにできるだけ満載することが有益であり、後続の配達にアイテムを先送りすることが必要である場合には、販売活動を妨げる可能性が最も低いアイテムを選択することが有益である。したがって、実施形態は、他のアイテムよりも速く販売および補充される傾向がある高速または高回転率アイテムを特定するようにＰＯＳシステム１００と連携して動作可能である。アイテムのＵＰＣバーコード記号または無線周波数識別（「ＲＦＩＤ」）は、単独でまたはデータベース検索と組み合わせて、本明細書に定義されている安全在庫処理に適した高速アイテムとしてアイテムを指定するフィールド、名称または値を含む。

高速アイテムは、在庫データベースに示される複数のアイテムの各々について、製品ＩＤのためのフィールドとアイテムの安全在庫を示すフィールドとを特定して、製品ＩＤの各々について、販売量に起因した製品補充需要の増加を示す製品速度に基づいて、製品細分化フィールドを判断することによって、対応されてもよい。開示されている実施形態では、速度フィールドに基づいて、安全在庫を計算するか否か、すなわち安全在庫に従って再供給するためのオーバーヘッドおよび負担が、製品スループットを想定して見合うものであるか否か、を判断する。

他の実施形態では、サプライロジスティクスは、１日にトラック１台よりも高い配達頻度を求めてもよく、そのため、より高い粒度を有する再供給ウィンドウを生じさせる。このような場合、安全在庫は、月曜日の午前および月曜日の午後など、個々の日よりも具体的であってもよく、または、午前７時、午前１１時および午後４時など、特定の週の特定の日の中で複数の配達もしくは時間ウィンドウを指定してもよい。

生成された需要予測を含む実施形態は、サプライロジスティクスを実現して、輸送されるアイテムの需要および利益率に従って配達（すなわち、トラック）および積荷目録（すなわち、含まれているアイテム）を指定する際に利用されてもよい。高速アイテムは、特定の配達に際して優先空間を有すると考えられるが、含まれているアイテムの利益率または利幅に基づいてさらに選択されてもよく、最大の収益生成の可能性を有するアイテムが含められるように選択される。

本明細書に開示されている需要予測を使用して複数の輸送車両を有するこのような製品在庫出荷環境では、各車両（たとえば、トラック）は、一定のペイロードのアイテムを受け取って、在庫補充のために販売場所に配達するように構成される。実施形態では、第１のアイテムと第２のアイテムとを含む複数のアイテムの各アイテムについて、安全在庫を計算し、第１のアイテムおよび第２のアイテムの計算された安全在庫に基づいて、配達車両に積載される第１のアイテムおよび第２のアイテムの各々の量を判断することによって、配達車両に積載する際に指導を行うことができる。実施形態では、判断された量の第１のアイテムおよび第２のアイテムに対して十分な空間を配達車両で利用できない場合には、安全在庫に基づいてトラック積載量を再計算し、これは、特定のアイテムを含めないようにして後続の配達に先送りする必要があることを意味する。

本明細書では、いくつかの実施形態について具体的に説明し、および／または、記載している。しかし、開示されている実施形態の変形例および変更例が、上記の教示によって、本発明の精神および意図した範囲から逸脱することなく添付の特許請求の範囲の範囲内に包含されることが理解されるであろう。

Claims (20)

1. 最適化された特徴セットを備える製品の需要のモデルを生成する方法であって、
   前記製品の売上履歴を受信するステップと、
   前記製品の関連特徴のセットを受信して、前記関連特徴のサブセットを必須の特徴として指定するステップと、
   前記売上履歴から、訓練データセットおよび検証データセットを形成するステップと、
   前記関連特徴のセットから１つ以上の任意の特徴を無作為に選択し、前記選択された任意の特徴を前記必須の特徴とともに含めて、特徴テストセットを作成するステップと、
   前記訓練データセットおよび前記特徴テストセットを使用してアルゴリズムを訓練して、訓練されたアルゴリズムを生成するステップと、
   前記訓練されたアルゴリズムおよび前記検証データセットを使用して早期終了メトリックを計算するステップと、
   前記早期終了メトリックが予め規定された閾値を下回る場合、前記特徴テストセットは、前記最適化された特徴セットであるステップと、
   前記早期終了メトリックが前記予め規定された閾値を下回らない場合、前記無作為に選択するステップ、前記訓練するステップおよび前記計算するステップを繰り返すステップとを備える、方法。
2. 前記方法を繰り返して、複数の最適化された特徴セットを生成するステップをさらに備え、前記最適化された特徴セットの各々は、予測アルゴリズムに入力されて、訓練されたモデルを生成する、請求項１に記載の方法。
3. 前記訓練データセットおよび前記検証データセットを形成するステップは、前記売上履歴の第１のサブセットを前記訓練データセットとして無作為に選択し、前記売上履歴の残りを前記検証データセットとして使用するステップを備える、請求項１に記載の方法。
4. 前記アルゴリズムは、線形回帰、サポートベクターマシンまたは人工ニューラルネットワークのうちの１つを備える機械学習アルゴリズムを備える、請求項１に記載の方法。
5. 前記早期終了メトリックは、平均絶対誤差率を備える、請求項１に記載の方法。
6. 訓練セットを使用して前記最適化された特徴セットに対応する複数のモデルを訓練し、対応する検証セットを使用して各々の訓練されたモデルを検証して誤差を計算するステップと、
   各モデルのモデル重みを計算するステップと、
   各モデルについて予測と重みとを備えるモデル組み合わせを出力するステップと、
   前記モデル組み合わせに基づいて将来の売り上げの予測を生成するステップとをさらに備える、請求項２に記載の方法。
7. 前記誤差は、二乗平均平方根誤差（ＲＭＳＥ）であり、各訓練セットｉの各モデルでは、前記モデル重みｗ（ｉ）を計算するステップは、
   を備える、請求項６に記載の方法。
8. 命令を格納したコンピュータ読取可能媒体であって、前記命令は、プロセッサによって実行されると、前記プロセッサに最適化された特徴セットを生成させ、前記生成させることは、
   製品の売上履歴を受信することと、
   前記製品の関連特徴のセットを受信して、前記関連特徴のサブセットを必須の特徴として指定することと、
   前記売上履歴から、訓練データセットおよび検証データセットを形成することと、
   前記関連特徴のセットから１つ以上の任意の特徴を無作為に選択し、前記選択された任意の特徴を前記必須の特徴とともに含めて、特徴テストセットを作成することと、
   前記訓練データセットおよび前記特徴テストセットを使用してアルゴリズムを訓練して、訓練されたアルゴリズムを生成することと、
   前記訓練されたアルゴリズムおよび前記検証データセットを使用して早期終了メトリックを計算することと、
   前記早期終了メトリックが予め規定された閾値を下回る場合、前記特徴テストセットは、前記最適化された特徴セットであることと、
   前記早期終了メトリックが前記予め規定された閾値を下回らない場合、前記無作為に選択すること、前記訓練することおよび前記計算することを繰り返すこととを備える、コンピュータ読取可能媒体。
9. 前記生成させることは、前記生成させることを繰り返して、複数の最適化された特徴セットを生成することをさらに備え、前記最適化された特徴セットの各々は、予測アルゴリズムに入力されて、訓練されたモデルを生成する、請求項８に記載のコンピュータ読取可能媒体。
10. 前記訓練データセットおよび前記検証データセットを形成することは、前記売上履歴の第１のサブセットを前記訓練データセットとして無作為に選択し、前記売上履歴の残りを前記検証データセットとして使用することを備える、請求項８に記載のコンピュータ読取可能媒体。
11. 前記アルゴリズムは、線形回帰、サポートベクターマシンまたは人工ニューラルネットワークのうちの１つを備える機械学習アルゴリズムを備える、請求項８に記載のコンピュータ読取可能媒体。
12. 前記早期終了メトリックは、平均絶対誤差率を備える、請求項８に記載のコンピュータ読取可能媒体。
13. 訓練セットを使用して前記最適化された特徴セットに対応する複数のモデルを訓練し、対応する検証セットを使用して各々の訓練されたモデルを検証して誤差を計算することと、
    各モデルのモデル重みを計算することと、
    各モデルについて予測と重みとを備えるモデル組み合わせを出力することと、
    前記モデル組み合わせに基づいて将来の売り上げの予測を生成することとをさらに備える、請求項９に記載のコンピュータ読取可能媒体。
14. 前記誤差は、二乗平均平方根誤差（ＲＭＳＥ）であり、各訓練セットｉの各モデルでは、前記モデル重みｗ（ｉ）を計算することは、
    を備える、請求項１３に記載のコンピュータ読取可能媒体。
15. 小売売上予測システムであって、
    記憶装置に結合され、需要予測モジュールを実現するプロセッサを備え、
    製品の売上履歴を受信することと、
    前記製品の関連特徴のセットを受信して、前記関連特徴のサブセットを必須の特徴として指定することと、
    前記売上履歴から、訓練データセットおよび検証データセットを形成することと、
    前記関連特徴のセットから１つ以上の任意の特徴を無作為に選択し、前記選択された任意の特徴を前記必須の特徴とともに含めて、特徴テストセットを作成することと、
    前記訓練データセットおよび前記特徴テストセットを使用してアルゴリズムを訓練して、訓練されたアルゴリズムを生成することと、
    前記訓練されたアルゴリズムおよび前記検証データセットを使用して早期終了メトリックを計算することと、
    前記早期終了メトリックが予め規定された閾値を下回る場合、前記特徴テストセットは、最適化された特徴セットであることと、
    前記早期終了メトリックが前記予め規定された閾値を下回らない場合、前記無作為に選択すること、前記訓練することおよび前記計算することを繰り返すこととを備える、小売売上予測システム。
16. 複数の最適化された特徴セットを生成することをさらに備え、前記最適化された特徴セットの各々は、予測アルゴリズムに入力されて、訓練されたモデルを生成する、請求項１５に記載の小売売上予測システム。
17. 前記訓練データセットおよび前記検証データセットを形成することは、前記売上履歴の第１のサブセットを前記訓練データセットとして無作為に選択し、前記売上履歴の残りを前記検証データセットとして使用することを備える、請求項１５に記載の小売売上予測システム。
18. 前記アルゴリズムは、線形回帰、サポートベクターマシンまたは人工ニューラルネットワークのうちの１つを備える機械学習アルゴリズムを備える、請求項１５に記載の小売売上予測システム。
19. 前記早期終了メトリックは、平均絶対誤差率を備える、請求項１５に記載の小売売上予測システム。
20. 訓練セットを使用して前記最適化された特徴セットに対応する複数のモデルを訓練し、対応する検証セットを使用して各々の訓練されたモデルを検証して誤差を計算することと、
    各モデルのモデル重みを計算することと、
    各モデルについて予測と重みとを備えるモデル組み合わせを出力することと、
    前記モデル組み合わせに基づいて将来の売り上げの予測を生成することとをさらに備える、請求項１６に記載の小売売上予測システム。