JP2023541104A - 短ライフサイクル販売曲線の推定 - Google Patents

Abstract

実施形態は、短ライフサイクルアイテムについての短ライフサイクル販売曲線を生成する。実施形態は、上記短ライフサイクルアイテムに類似している少なくとも１つの類似アイテムに対応する複数の類似販売曲線を生成する。実施形態は、各上記類似販売曲線をパラメータ化し、上記パラメータ化は、各類似販売曲線について、イノベーション係数パラメータとイミテーション係数パラメータと誤差パラメータとを推定することを含み、実施形態は、各誤差パラメータについて重みを決定する。実施形態は、上記重みを使用して、上記イノベーション係数パラメータと上記イミテーション係数パラメータとを組み合わせ、上記組み合わせられたイノベーション係数パラメータと上記組み合わせられたイミテーション係数パラメータとを使用して、上記短ライフサイクル販売曲線を生成する。

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、特に小売アイテムの需要を予測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、販売予測システムは、「販売曲線」または「需要曲線」と称される、小売アイテムについての販売単位の週ごとの予測を生成する際に問題に直面する。所定の週の小売アイテムの売り上げは、季節要因、当該週に小売アイテムに割引が適用されていたかどうか、および、当該週が商品のライフサイクルの中のどの時点にあたるかなどの多くの要因の影響を受ける。週ごとの販売単位を予測する１つの一般的なアプローチは、小売アイテムについての「因果関係需要モデル」を構築することを含む。この需要モデルは、上記の要因などの要因の観点から週ごとの販売単位を説明する数学モデルである。これらの要因は、需要モデルを形成する「需要変数」または「需要特徴」として知られている。

需要モデルは、需要変数が販売単位にどのように影響を及ぼすかを数学的に規定する。たとえば、割引の量が需要変数である場合、履歴データは、５０％の値引きが販売単位の４倍の増加を生じさせた（すなわち、価格弾力性に関連する）ことを示す場合がある。この例では、需要変数は５０％の値引きであり、履歴販売データは売り上げの４倍の増加である。因果関係需要モデルが販売単位の予測に役立つようにするためには、販売単位（４倍の増加）に対する需要変数（５０％の値引き）の関係を決定する必要がある。この関係は、需要変数に関連付けられた「需要パラメータ」と称される。

この例では、需要パラメータは、２５％の値下げごとに特定の小売アイテムの売り上げが２倍増加することを規定するように決定され得る。需要パラメータが決定されると、需要変数の将来の値を指定することによって販売単位を予測することができる。値引きの例を続けて、小売業者は、来季には数週間にわたって４０％の値引きを行う予定であるということを知っている場合がある。その場合、需要モデルは、その４０％の値引きを考慮に入れて、それらの週の販売単位を予測することになる。

需要パラメータは、小売アイテム自体または同様の小売アイテムについての値引きを含む履歴小売販売データ（「小売パネルデータ」として知られている）を調べることによって決定される。しかし、上記のように、いくつかの需要変数は、小売アイテムの売り上げに影響を及ぼす。これらのいくつかの需要変数は同時に適用される。たとえば、小売業者は、夏の間に夏用アイテムに対して５０％の値引きを行った可能性があり、この場合、売り上げの４倍の増加は、一部には夏の間の夏用小売アイテムの季節的需要の増加によるものであろう。売り上げに対するいくつかの需要変数の影響を分離するために、需要モデルに対して回帰を実行して、需要モデルを小売パネルデータに最良適合させる需要パラメータの値を決定する。

さらに、ファッション製品などのいくつかの商品は、ライフサイクルが非常に短く、入手可能な以前の販売データは、通常、非常にまばらである。販売履歴が短くかつ販売サイクルがまばらであるために、このような短ライフサイクル製品の販売曲線を推定することは非常に困難である。

概要
実施形態は、短ライフサイクルアイテムについての短ライフサイクル販売曲線を生成する。実施形態は、上記短ライフサイクルアイテムに類似している少なくとも１つの類似アイテムに対応する複数の類似販売曲線を生成する。実施形態は、各上記類似販売曲線をパラメータ化し、上記パラメータ化は、各類似販売曲線について、イノベーション係数パラメータとイミテーション係数パラメータと誤差パラメータとを推定することを含み、実施形態は、各誤差パラメータについて重みを決定する。実施形態は、上記重みを使用して、上記イノベーション係数パラメータと上記イミテーション係数パラメータとを組み合わせ、上記組み合わせられたイノベーション係数パラメータと上記組み合わせられたイミテーション係数パラメータとを使用して、上記短ライフサイクル販売曲線を生成する。

実施形態に係る、短ライフサイクル製品需要予測ツールを用いて構成されたコンピューティングデバイスを有するコンピュータシステムを示す図である。 本発明の一実施形態に係る、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、需要予測に使用することができる販売促進効果を推定する際の図１の短ライフサイクル製品需要ツールの機能のフロー図である。 本発明の実施形態の実現例の一例および各例が図３の機能にどのように対応するかを示す図である。 本発明の実施形態の実現例の一例および各例が図３の機能にどのように対応するかを示す図である。 本発明の実施形態の実現例の一例および各例が図３の機能にどのように対応するかを示す図である。 一実施形態に係る、短ライフサイクルアイテム（すなわち、所与のアイテム／場所またはＳＫＵ）についての販売／需要曲線を生成する際の図１の短ライフサイクル製品需要予測ツールの機能のフロー図である。 本発明の実施形態の実現例の一例を示す図である。 本発明の実施形態の実現例の一例を示す図である。 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図である。

詳細な説明
実施形態は、ファッションアイテムまたはテクノロジアイテムなどの短ライフサイクル製品／アイテムについての需要予測を生成する。実施形態は、需要予測システム／方法を使用して、短ライフサイクル製品に類似している製品についての、さまざまな交点レベルにおける販売曲線を生成する。次いで、実施形態は、販売曲線および誤差および誤差推定のパラメータ化を使用して、さまざまな交点における販売曲線を組み合わせる。次いで、短ライフサイクル製品についての需要予測として集計販売曲線が使用される。

短ライフサイクル製品は、短い期間だけ発生する需要によって特徴付けられ、その期間後はそれらは時代遅れになるため、場合によっては需要時系列販売曲線が非常に短くなる。短ライフサイクル製品の例としては、テクノロジ製品（たとえば、コンピュータ、民生電子機器、ビデオゲーム）およびファッション製品（たとえば、玩具、衣料品、教科書）が挙げられる。短ライフサイクル製品の需要期間は、数年から数週間とさまざまであり得る。

新製品需要のダイナミックさは、一般に、導入段階では比較的ゆっくりと成長し、その後に急成長段階が続き、その後、需要が安定して製品が成熟段階に入ることによって特徴付けられる。最終的に、需要は減少して、製品は、通常、先行する製品にかなり類似していると思われる別の製品に取って代わられる。

多くの業界、特にテクノロジ分野では、短ライフサイクル製品がますます一般的になっている。テクノロジ企業は、市場での競争が非常に激しい結果、新製品の絶え間ない導入に駆られる。企業の競争優位は、主に製品の頻繁な出入りを管理する能力によって決定される。

ファッション業界では、ファッション製品は、製品ライフサイクルが短いことおよび市場での成功が非常に不確実であることによって特徴付けられる。うまくいかなかった製品は、在庫を一掃するために複数回の価格割引を必要とする。ファッション製品の一般的なライフサイクルは、１０週間ほどであろう。

上記のように、小売業界では、小売業者は、在庫または販売促進／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。需要を正確に予測するために、小売業者は、販売促進、価格変動、季節性、天気などの、需要に影響を及ぼし得る全ての要因を考慮に入れる。小売業者にとっての公知の解決策は、販売促進または価格効果を推定するためのさまざまなアルゴリズムを使用してきたが、これらのアルゴリズムは、通常、入手可能な特定のアイテムについての履歴データがまばらであり得る短ライフサイクル製品には適していない。

具体的には、ライフサイクルが短い製品に関して言えば、製品の将来の売り上げが経時的にどのように変化していくかを判断するためのデータがこのプロセスの初期には不十分である。従来、小売業者は、シーズン中の売り上げを予想するためのプロキシとして、履歴データの中で最も近い既存のアイテムを見つけようとしていた。しかし、このような方法は、２つの理由で間違いが発生しやすいであろう。第一に、新たに導入されたアイテムに対する顧客の反応が未知であるという理由であり、第二に、新たに導入されたアイテムが、その他の各種取り揃えと相互作用することによって、全てのアイテムのライフサイクル売り上げの残りの部分を根本的に変えてしまうという理由である。

現在、とりわけ衣料品およびファッション小売業者、ならびにハイエンド民生電子機器製品小売業者を含む小売業界は、短ライフサイクル製品の普及を目の当たりにしている。旧バージョンまたは以前の短ライフサイクル製品が在庫から一掃されたり段階的に廃止されたりしても、新製品設計が市場に導入される。ライフサイクル自体のタイムスパンは、短くなってきている。たとえば、ファストファッション製品のライフサイクルは、わずか１２～１３週間である場合もあり、変化していく顧客の嗜好に小売業者がさまざまな場所で経時的に適合していく時間はほとんど残されていない。

より正確な短ライフサイクル製品需要予測は、小売業者が各種取り揃えの中の短ライフサイクルアイテムをよりよく割り当てて管理することを可能にする。しかし、新たに導入された製品についての売り上げを予想することは、販売履歴がゼロであるとともにさまざまな店舗場所がさまざまな日に発売するために、難題である。通常、短ライフサイクル製品は、市場への導入時点から売り上げが最初はゆっくりと増加し、その後、売り上げが増加してピーク値に達し、次いで、全ての在庫が売り切れるかまたは製品が市場から回収されるまで徐々に低下していくという特徴的な販売曲線を示す。

本明細書における「アイテム」または「小売アイテム」という語は、販売環境において販売、購入および／または返却される商品を指す。「特定のアイテム」および「単一のアイテム」という語は、本明細書では同義で使用され、単位アイテムではなく特定のアイテムタイプ（たとえば、ｉＰｈｏｎｅ（登録商標）８などの特定のタイプの携帯電話）を指す。

本明細書における「時間」、「期間」、「小売期間」または「カレンダ期間」という語は、計画および予測を目的としてカレンダの中のある年から次の年までの季節期間を相互に関連付けるために売り手が使用する単位時間増分（たとえば、週に７日）を指す。これらの語は、本明細書では同義で使用され得る。

本明細書における「販売チャネル」または「場所」または「小売場所」という語は、アイテムが販売される物理的な店舗またはアイテムが販売されるオンラインストアを指し得る。

本明細書における「販売データ」という語は、過去の小売期間に（たとえば、ここ１年の５２週にわたって）販売されたアイテムについて記録された履歴販売および販売促進情報を指す。販売データは、たとえば、アイテムについての１つまたは複数のタイプの販売促進を特徴付けるデータとともに、各小売期間に販売されたアイテムの単位数（または、合計金額）を含み得る。販売データは、たとえばデータベースに格納され得る。

「販売促進」および「セールスプロモーション」という語は、本明細書では同義で使用され、あるアイテムについての特定のタイプの販売促進を指す。販売促進要素のいくつかの例としては、価格割引販売促進要素、テレビ広告要素、ラジオ広告要素、新聞広告要素、インターネット広告要素、電子メール広告要素、および店舗内広告要素を挙げることができる。

「販売促進効果」という語は、あるアイテムを販売促進する効果（たとえば、売り上げおよび収益性に対する効果）を特徴付ける数値を指す。たとえば、２．０という推定販売促進効果は、販売促進または複数の販売促進の組み合わせが、あるアイテムについて２倍の売り上げ（１００％の増加）をもたらすと推定されることを示し得る。販売促進効果（すなわち、値）は、アイテムの需要を予測するための需要予測モデルで使用され得る。また、販売促進効果は、アイテムの在庫のさまざまな局面を制御するためのコンピュータ化された在庫システムで使用され得る。

実施形態は、一般に、需要予測のための以下の需要モデルまたは関数（「式（１）」）を利用する。

需要＝ベース需要×季節性×販売促進効果（×さらなる特徴効果） （１）
式中、「ベース需要」は、いかなる影響または他の要因も考慮に入れることのない履歴需要であり、季節性は、季節（すなわち、時節）に基づく需要に対する影響であり、販売促進効果は、ある期間中に提供される１つまたは複数の販売促進に基づく需要に対する効果である。需要に影響を及ぼす任意のまたは全てのさらなる特徴／変数をモデルに適宜追加することができる。しかし、状況によっては、特徴の数は１００個を超えることもある。

多くの需要モデルは、天気などのさらなる影響を考慮に入れる。たとえば、今年度の天気が前年度および２年前とは大幅に異なっている場合、予測は修正を必要とし得る。たとえば、今年は夏の暑さが長い場合、ステーキおよびアイスクリームの予測を増加させる必要があるだろう。別のさらなる影響は、在庫であってもよい。人気のあるファッションのいくつかのサイズおよび／または色が切れている場合、欠品している品物を考慮に入れるように予測を下方に調整する必要があるだろう。さらに別の影響は、店舗数であってもよい。積極的に拡大して次の年に店舗数を１０％増やすことを小売業者が計画している場合、それに応じて予測を調整する必要がある。しかし、本発明の実施形態の目的のために、季節性および販売促進効果が販売予測に対して圧倒的に大きな影響を及ぼすと想定される。

図１は、実施形態に係る、短ライフサイクル製品需要予測ツール１１０を用いて構成されたコンピューティングデバイス１０５を有するコンピュータシステム１００を示す図である。一実施形態では、短ライフサイクル製品需要予測ツール１１０は、さまざまな小売場所における小売アイテムについての売り上げ、販売促進および在庫を予測して管理するように構成されたより大きなコンピュータアプリケーション（たとえば、コンピュータ化された在庫管理および需要予測アプリケーション）の一部であってもよい。短ライフサイクル製品需要予測ツール１１０は、特にライフサイクルが短いという性質のために短ライフサイクル製品についての販売履歴がないかまたは限られている場合に当該製品の需要を予測するプロセスをコンピュータ化するように構成されている。

一実施形態では、システム１００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体を含むコンピューティング／データ処理システムである。これらのアプリケーションおよびコンピューティングシステム１００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：Software-As-A-Service」）アーキテクチャ、もしく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、またはそれらとして実現されてもよい。

販売曲線または需要曲線の形式の需要予測は、サプライチェーンの重要な推進要素である。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、その結果、小売業者に金銭的損失が生じる。本明細書に開示されている実施形態によって、販売促進されたアイテムの予測精度の向上を実現することができる。さらに、販売促進が需要に対して及ぼす影響のよりよい理解を実現することができる。これは、小売業者がたとえばチャネル、価格付けおよび顧客層に関して販売促進をより効果的に計画することを手助けする。

具体的には、将来の行動を計画するために、多くの小売業者は、さまざまなアイテムカテゴリについての商品販売およびライフサイクル計画に依拠する。これらの計画は、通常、製品の将来のライフサイクル中の販売パターンを反映した週ごとの値で構成される。これらの計画は、均一な時間間隔／期間で（たとえば、週ごとに）間隔をあけた値を有するので、販売曲線の形式の時系列として捉えられることが多い。たとえば、この時系列は、次の２６週間のアイテムの予想売り上げを評価することができる。この時系列は、通常、売り上げ対期間のグラフ／曲線の形式である。

これらの計画の長さは、時間の点でさまざまであり得て、このことは、製品ごとに計画を適合させることの難しさをもたらす。多くの場合、計画／曲線の形状は、複数のアイテム群に共通であるが、製品は異なるライフサイクルまたは販売シーズンを有し得る。リテールプランナが１つの販売計画を作成し、次いで、異なる長さのシーズンに合うようにそれを拡大または縮小するためのツールを使用することが一般的である。たとえば、確立された販売曲線は、１３週にわたっていてもよいが、小売業者は、この同一の曲線を６週間だけ販売するハイファッションアイテムで使用したいと思う場合がある。しかし、公知のツールは、曲線の立ち上がりおよび立ち下がりをゆがめる傾向がある。

さらに、ライフサイクルの終盤にかけての販売曲線の形状は、価格値下げの必要性に直接影響を及ぼす。曲線の形状によってアイテムの予測が左右される。あるべき値よりも値が高い場合、アイテムの予測は高くなる。結果として、小売業者は、積極的に価格を下げないことによって、売れ残りアイテムを有する危険を冒すことになる。形状が予想よりも低い場合、予測は低くなり、小売業者は、価格を下げることによって需要を増加させようとする。結果として、不必要な値下げに起因して利益率の低下が生じる。

一実施形態では、短ライフサイクル製品需要予測ツール１１０は、コンピューティングデバイス１０５上で実現され、短ライフサイクル製品需要予測ツール１１０のさまざまな機能的局面を実現するためのロジックまたはモジュールを含む。一実施形態では、短ライフサイクル製品需要予測ツール１１０は、ビジュアルユーザインターフェイスロジック／モジュール１２０と、類似アイテム販売曲線生成ロジック／モジュール１３０と、販売曲線パラメータ化ロジック／モジュール１４０と、需要予測生成ロジック／モジュール１５０とを含む。

他の実施形態は、図１の季節性予想モデルツール１１０と同一または同様の機能を提供する異なるロジックまたはロジックの組み合わせを提供し得る。一実施形態では、短ライフサイクル製品需要予測ツール１１０は、ロジックの機能を実行するように構成されたアルゴリズムおよび／またはプログラムモジュールを含む実行可能なアプリケーションである。このアプリケーションは、非一時的なコンピュータ記憶媒体に格納されている。一実施形態では、短ライフサイクル製品需要予測ツール１１０のロジックは、コンピュータ読取可能媒体上に格納された命令のモジュールとして実現される。

コンピュータシステム１００は、コンピューティングデバイス１０５に動作可能に接続されたディスプレイ画面２４も含む。一実施形態に従って、ディスプレイ画面２４は、短ライフサイクル製品需要予測（たとえば、季節性曲線、販売データなど）の生成に関連付けられた情報を閲覧および更新するためのビジュアルユーザインターフェイスロジック１２０によって生成されるグラフィカルユーザインターフェイス（「ＧＵＩ：Graphical User Interface」）とのユーザ対話のビューを表示してユーザ対話を容易にするように実現される。グラフィカルユーザインターフェイスは、需要予測アプリケーションに関連付けられ得て、ビジュアルユーザインターフェイスロジック１２０は、グラフィカルユーザインターフェイスを生成するように構成され得る。

一実施形態では、コンピュータシステム１００は、少なくとも本明細書に開示されている機能を提供するとともに、コンピュータネットワークを通じてコンピュータシステム１００（サーバとして機能する）と通信するコンピューティングデバイス／端末を介して多くのユーザによってアクセスされる集中化されたサーバ側アプリケーションである。したがって、ディスプレイ画面２４は、ユーザがネットワーク化されたコンピュータ通信を介して短ライフサイクル製品需要予測ツール１１０からのサービスにアクセスして受信することを可能にする複数のコンピューティングデバイス／端末を表し得る。

一実施形態では、コンピュータシステム１００は、コンピューティングデバイス１０５に動作可能に接続された少なくとも１つのデータベース１７、および／または、ネットワーク接続を介してデータベース１７にアクセスするためのネットワークインターフェイスをさらに含む。たとえば、一実施形態では、データベース１７は、ビジュアルユーザインターフェイスロジック１２０に動作可能に接続されている。一実施形態に従って、データベース１７は、短ライフサイクル製品需要予測ツール１１０に関連付けられたデータ構造（たとえば、販売データの記録）をデータベースシステム（たとえば、コンピュータ化された在庫管理および需要予測アプリケーション）に格納して管理するように構成されている。

一実施形態では、ビジュアルユーザインターフェイスロジック１２０は、季節性予想モデルツール１１０とのユーザ対話を容易にするためのグラフィカルユーザインターフェイス（「ＧＵＩ」）を生成するように構成されている。たとえば、ビジュアルユーザインターフェイスロジック１２０は、グラフィカルユーザインターフェイスを生成して、インターフェイスの実現されたグラフィカルデザインに基づいてインターフェイスを表示させるプログラムコードを含む。ＧＵＩを介したユーザアクションおよび選択に応答して、短ライフサイクル小売アイテムについての販売曲線および予想モデルの生成の関連付けられた局面を操作することができる。

たとえば、一実施形態では、ビジュアルユーザインターフェイスロジック１２０は、ユーザアクションに応答した入力の受信およびデータの読み取りを容易にするように構成されている。たとえば、ビジュアルユーザインターフェイスロジック１２０は、小売場所で販売される小売アイテムに関連付けられた販売データ（季節性情報および売上数量データまたは売上金額データ）の選択、読み取りおよび入力を容易にし得る。販売データは、グラフィカルユーザインターフェイスを介して需要予測アプリケーション（たとえば、短ライフサイクル製品需要予測ツール１１０）に関連付けられた（および、需要予測アプリケーションによってアクセス可能な）少なくとも１つのデータ構造に（たとえば、データベース１７内に）あり得る。

販売データは、たとえば、複数の過去の小売期間にわたって需要が判断される短ライフサイクルアイテムに類似しているアイテムの過去の販売および販売促進を表すデータを含み得る。販売データは、過去数週の小売期間にセグメント化され得て、過去の各週は、その週に販売されたアイテムの数（または、アイテムについて得られた金額）を示すためにそれに割り当てられた数値を有する。一実施形態に従って、販売データは、価格割引を表す数値および小売期間にわたる他の販売促進要素の値、ならびに季節性情報（販売データとは別であってもよい）も含み得る。一実施形態に従って、アイテムについての販売データは、ネットワーク通信を介してアクセスされ得る。

一実施形態では、類似アイテム販売曲線生成ロジック／モジュール１３０は、以下に開示されるように、需要予測が判断されている短ライフサイクル製品に類似しているアイテムについての、さまざまな交点レベルにおける販売曲線を生成するように構成されている。

一実施形態では、販売曲線パラメータ化ロジック／モジュール１４０は、ロジック１３０によって生成された各販売曲線をパラメータ化するように構成されている。一実施形態では、需要予測生成ロジック／モジュール１５０は、１４０において生成されたパラメータをエラーメトリックを使用して集計することによって短ライフサイクル製品の需要の予測を生成して、需要予測を提供する短ライフサイクル製品についての最終的な販売曲線に到達する。

一実施形態では、生成された需要予想は、（たとえば、単一の店舗での、あるアイテムについての）必要な在庫の量を予想し、この在庫の量は、次いで、（たとえば、コンピュータ化された在庫管理および需要予測システムによる）コンピュータ化された在庫システムへの命令に使用される。また、需要予想は、コンピュータ化された在庫システムによって割り当てられる（たとえば、単一の店舗での、あるアイテムについての）在庫の量を制御し得る。さらに、需要予想は、コンピュータ化された在庫システムによる（たとえば、単一の店舗での、あるアイテムについての）在庫の量の調整を制御し得る。

図２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１００のブロック図である。図２は、システム１００のさらなるハードウェア／ソフトウェア詳細を示している。単一のシステムとして示されているが、システム１００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１００の１つまたは複数の構成要素は、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１００は、プロセッサとメモリとを含む必要があり得るが、キーボードまたはディスプレイなどの、図２に示されている他の構成要素のうちの１つまたは複数を含んでいなくてもよい。

システム１００は、情報を通信するためのバス１２または他の通信機構と、バス１２に結合されて情報を処理するためのプロセッサ２２とを含む。プロセッサ２２は、任意の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１００は、情報およびプロセッサ２２によって実行される命令を格納するためのメモリ１４をさらに含む。メモリ１４は、ランダムアクセスメモリ（「ＲＡＭ：Random Access Memory」）、リードオンリメモリ（「ＲＯＭ：Read Only Memory」）、磁気もしくは光ディスクなどのスタティックストレージ、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１００は、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をさらに含む。したがって、ユーザは、システム１００と直接、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接続することができる。システム１００の構成要素の一部または全部が全体を実現することができる。

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る任意の利用可能な媒体であってもよく、揮発性および不揮発性媒体、リムーバブルおよび非リムーバブル媒体、ならびに通信媒体を含む。通信媒体は、コンピュータ読取可能な命令、データ構造、プログラムモジュール、または、搬送波もしくは他の搬送機構などの変調されたデータ信号内の他のデータを含み得て、任意の情報送達媒体を含む。

プロセッサ２２はさらに、バス１２を介して液晶ディスプレイ（「ＬＣＤ：Liquid Crystal Display」）などのディスプレイ２４に結合されている。ユーザがシステム１００と接続することを可能にするために、キーボード２６とコンピュータマウスなどのカーソル制御装置２８とがさらにバス１２に結合されている。

一実施形態では、メモリ１４は、プロセッサ２２によって実行されると機能を提供するソフトウェアモジュールを格納している。これらのモジュールは、システム１００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。これらのモジュールは、モジュール１２０，１３０，１４０，１５０のうちの１つまたは複数および本明細書に開示されている全ての他の機能を実現する短ライフサイクル需要予測モジュール１６をさらに含む。システム１００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１００は、小売管理システム（たとえば、オラクル社からの「オラクル小売需要予測システム」または「オラクル小売高度サイエンスエンジン（「ＯＲＡＳＥ：Oracle Retail Advanced Science Engine」）」）または企業資源計画（「ＥＲＰ：Enterprise Resource Planning」）または他のタイプの在庫管理システムなどの追加機能を含むための１つまたは複数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に結合されており、集中化されたストレージをモジュール１６および１８に提供して、顧客データ、製品データ、取引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：Structured Query Language」）を使用して格納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：Relational Database Management System」）である。一実施形態では、専用の販売時点情報管理（「ＰＯＳ：Point Of Sale」）端末９９は、需要の予測に使用される取引データおよび履歴販売データ（たとえば、各小売店舗での各アイテム／ＳＫＵ（ストック・キーピング・ユニット）の取引に関するデータ）を生成する。ＰＯＳ端末９９自体は、一実施形態に従って需要を予測するためのさらなる処理機能を含み得て、単独で、または図２の他の構成要素とともに、専用の需要予測システムとして動作することができる。

一実施形態では、特に多数の小売店舗、多数のアイテムおよび大量の履歴データがある場合、データベース１７は、メモリ内データベース（「ＩＭＤＢ：In-Memory Database」）として実現される。ＩＭＤＢは、コンピュータデータ記憶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、ディスクストレージ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高速である。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単純であり、実行されるＣＰＵ命令が少ないからである。メモリ内のデータにアクセスすることは、データに照会する際のシーク時間を無くすため、ディスクよりも高速かつ予想可能な性能を提供する。

一実施形態では、データベース１７は、ＩＭＤＢとして実現される際、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体が１つまたは複数のクラスタにおいて協力して、分散またはクラスタ環境内で情報および計算などの関連動作を管理するシステムである。分散データグリッドは、サーバ全体にわたって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の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からの「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、情報をメモリ内に格納してより高い性能を実現し、複数のサーバにわたって同期される当該情報のコピーを保持する際にリダンダンシを利用するため、サーバが故障した場合のシステムの復元性およびデータの継続的な可用性を保証する。

一実施形態では、システム１００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体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得る。アプリケーションおよびコンピューティングシステム１００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、もしく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、またはそれらとして実現されてもよい。

実施形態は、ある場所（たとえば、小売場所）で販売されるあるアイテム（すなわち、ヨーグルトまたは紳士用シャツまたは個々のＳＫＵなどのアイテムのクラス）について、当該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販売促進されることがあるという観点から開示されている。小売カレンダは、多くの小売期間（たとえば、週）を有しており、これらの小売期間は、一般的な暦年にわたって特定の態様（たとえば、１３週からなる４つの四半期）で編成されている。小売期間は、過去または将来に発生し得る。履歴販売／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単位数および関連付けられた販売促進データ（すなわち、各小売期間について、当該期間ではどの販売促進が効果があったか）、ならびにその他の関連する需要特徴／変数を含み得る。

実施形態は、さまざまな交点における販売パターンを組み合わせて、バス拡散モデルを使用することによって、短ライフサイクル曲線推定を生成する。実施形態は、公知のアプローチと比較して、より正確でロバストな短ライフサイクル曲線を生成する。

一般に数ヶ月間しか入手できない短ライフサイクルアイテムについての予測を要求するために、それは新たに導入されているので大抵は入手可能な履歴販売履歴がなく、類似アイテムについての履歴販売データを受信して使用しなければならない。たとえば、短ライフサイクルアイテムがラップトップコンピュータ（約１０週間売りに出された後に、おそらく改良プロセッサまたは大量のソリッドステートドライブ（「ＳＳＤ：Solid-State Drive」）を有する同様のラップトップコンピュータに取って代わられる）である場合、当該ラップトップの以前の「バージョン」についての販売履歴が受信される。同様に、スポーツ関連Ｔシャツなどのファッションアイテムでは、同様の以前に販売されたＴシャツを考慮に入れることができる。

実施形態は、ＳＫＵ／店舗、サブクラス／店舗、百貨店／地域などのさまざまな交点レベルにおける「類似」販売アイテムについての販売履歴を受信し、次いで、当該さまざまな交点レベルの各々において当該類似アイテムについてのさまざまな販売／需要曲線を生成する。類似販売アイテムは、たとえばそれが前の年のおよそ同じ期間にわたって販売されたという点で類似していてもよく、または、それが販売された時間枠が複数の月もしくは年にわたっているために短ライフサイクルアイテムであるとは考えられない場合であっても、単に属性（たとえば、Ｔシャツ、コンピュータなど）に基づいて類似しているという点で類似していてもよい。後者のシナリオは、やはり短ライフサイクルアイテムであると考えられる、以前に販売された別の類似アイテムが存在しない場合に使用することができる。一般に、小売業者は、通常、タイプ、サイズ、色、形状などの商品特性に基づいて「類似」製品を選び出す。

いくつかの実施形態では、任意の公知の解決策を使用して、さまざまな交点レベルの各々における類似アイテムについての販売／需要曲線を決定することができる。一実施形態では、さまざまな交点レベルにおける販売曲線を生成する代わりに、自動クラスタリング予測モデルを使用して、類似アイテムのクラスタについての販売曲線を生成し、これらの販売曲線は、類似アイテムの販売曲線と組み合わせられ得る。この実施形態では、販売促進効果／特徴は、集計レベルにおけるプールされた販売データポイントを使用して、これらのデータポイントを自動クラスタリングすることによって、推定される。複数のクラスタモデルの各々は、回帰を使用して訓練され、次いで、各々の保存されたクラスタ訓練済みモデルを使用して小売製品／アイテムの需要を予想する。

上記のように、小売業界では、小売業者は、在庫または販売促進／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。需要を正確に予測するために、小売業者は、販売促進、価格変動、季節性、天気などの、需要に影響を及ぼし得る全ての要因を考慮に入れる。小売業者にとっての公知の解決策は、販売促進または価格効果を推定するためのさまざまなアルゴリズムを使用してきた。

さらに、一般に、単一製品／場所の組み合わせは、ロバストな効果推定を生成するのに十分な販売観測結果を持たない。このことを考慮に入れるために、通常、さまざまな製品／場所／期間にわたってプールされた多数の観測結果を使用して効果を推定する。次いで、それらを使用して、推定フェーズ中にプールされた製品／場所の需要を予測する。通常、公知の解決策は、製品および場所階層に関連する情報に基づいてデータをプールする（たとえば、同一のサブクラスおよび地域内のデータをプールする）。次いで、予測中は、販売促進効果は、予測期間全体で同一であり、推定に参加した全ての製品および場所でも同一である。

しかし、これらの公知の解決策は、後述の少なくとも２つの事実を無視している。すなわち、（１）各製品／場所は、同一の販売促進によって異なったように影響を受ける。たとえば、売り上げが低迷している製品は、売り上げが好調な製品とは異なったように影響を受け、または異なる店舗様式は異なったように影響を受けるであろう。（２）顧客は、時節に応じて同一のイベントに対して異なったように反応する。言い換えれば、販売促進の効果は、有効期限がある。たとえば、アイスクリームの販売促進は、寒い冬よりも暑い夏の方が効果的であろう。

これに対して、実施形態は、機械学習および自動クラスタリングを使用して、イベントのタイミングおよびプールされたデータを用いた推定中の各製品／場所の詳細を考慮に入れることによって需要に対する販売促進の影響を推定する。これらの詳細およびタイミングは、「特徴」と総称される。特徴の例としては、ベース売り上げ、価格、季節性、ブランド、販売促進、サイズ、色、パックサイズ、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、他の特徴はアイテムに特有である。たとえば、パックサイズは、ヨーグルトの需要に影響を及ぼすが、パックの長さは重要ではない。逆に、ブランドはファッションアイテムでは非常に重要であるが、釘またはハンマなどの金物アイテムでははるかに重要性が低い。

実施形態は、全てのデータを一緒にプールすることによって、集計レベルにおける販売促進効果を推定する。結果として得られる効果は、製品／場所に特有であるとともに、有効期限があり、これは、イベントが発生する期間に応じてそれらが変化し得ることを意味する。一般に、実施形態では、販売促進効果は、集計レベルにおけるデータをプールすることによって推定され、異なる製品／場所／時間は、自動的にクラスタにグループ化される。販売促進効果は、製品／場所および時間関連の特徴に基づいて予測フェーズ中に動的にフェッチされる。履歴需要を持たない新たな製品／場所の組み合わせであっても、実施形態は、有効期限がある販売促進効果を生成することができる。

図３は、一実施形態に係る、需要予測に使用することができる販売促進効果を推定する際の図１の短ライフサイクル製品需要予測ツール１１０の機能のフロー図である。一実施形態では、図３（および以下の図６）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なもしくは有形の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現される。他の実施形態では、当該機能は、ハードウェアによって（たとえば、特定用途向け集積回路（「ＡＳＩＣ：Application Specific Integrated Circuit」）、プログラマブルゲートアレイ（「ＰＧＡ：Programmable Gate Array」）、フィールドプログラマブルゲートアレイ（「ＦＰＧＡ：Field Programmable Gate Array」）などを使用することによって）実行されてもよく、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。

３０２において、全ての店舗の全てのアイテム／ＳＫＵについて、製品の特定のクラス／カテゴリについて、または対象の１つだけのアイテムについて、履歴アイテム販売データが受信される。たとえば、クラス／カテゴリは、「ヨーグルト」、「コーヒー」または「牛乳」であってもよい。各クラスは、売りに出される各々の個々のアイテムであろうＳＫＵまたはユニバーサル製品コード（「ＵＰＣ：Universal Product Code」）レベルに至るまで、１つまたは複数のサブクラスを有している。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、さらなるサブクラスは、販売される各々の個々の異なるタイプのヨーグルトアイテムに対応するであろうＳＫＵに至るまでの、味、サイズ、タイプ（たとえば、ギリシャヨーグルトまたは通常のヨーグルト）であってもよい。

履歴販売および業績データは、たとえば、複数の過去の小売販売期間にわたる各アイテムの過去の売り上げおよび販売促進を表すデータを含み得る。履歴業績データは、過去数週の小売期間にセグメント化され得て、過去の各週は、その週に販売されたアイテムの数を示すためにそれに割り当てられた数値を有する。一実施形態に従って、履歴業績データは、小売期間にわたる価格割引を表す数値および他の販売促進要素の値も含み得る。一実施形態に従って、あるアイテムについての履歴業績データは、ネットワーク通信を介してアクセスされ得て、これは、各小売店舗における各ＰＯＳ端末９９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、週）にわたる複数の販売促進要素に関連付けられた販売データを含む。販売促進要素の例としては、価格割引要素、テレビ広告要素、ラジオ広告要素、新聞広告要素、電子メール広告要素、インターネット広告要素、および店舗内広告要素が挙げられるが、それらに限定されるものではない。履歴データは、各アイテムについて、価格、販売促進、季節性、ブランド、色、スタイルなどの、当該アイテムについての特徴／変数／属性のリストを含む。

履歴販売データは、複数のデータポイントまたは「データセット」として受信され、店舗当たりのあるアイテムの各売り上げについて（すなわち、「週」が所望の期間である実施形態では、製品／店舗／週レベルにおいて）単一のデータポイントである。実施形態では、これらのデータポイントは、全ての関連する小売店舗における全てのＰＯＳ９９によって生成されたデータを電子的に構文解析することによって受信され得る。

３０４において、集計製品／場所（店舗）レベルにおいて、さまざまなタイプの特徴が抽出される。これらの特徴のうちの多くは、関連する店舗に関連付けられたＥＲＰ、マーチャンダイジングシステムおよび在庫管理システムなどの非販売関連データから抽出される。これらの特徴のうちのいくつか（たとえば、販売データ、販売期間中に実施されている販売促進）は、３０２の販売データから抽出される。実施形態では、抽出されたタイプの特徴は以下のものを含む。

ａ．製品関連特徴ｐ_１..ｐ_ｎ（たとえば、ナショナルブランド対プライベートブランド、パッケージサイズ、売り上げ低迷対大量、測定単位（「ＵＯＭ：Unit Of Measures」）など）
ｂ．店舗特徴ｓ_１..ｓ_ｍ（たとえば、コンビニエンスストア対スーパーマーケット、人口密集地域対非人口密集地域、さまざまな店舗レイアウトなど）
ｃ．タイミング関連特徴ｔ_１..ｔ_ｋ（たとえば、休暇シーズン対非休暇シーズン、暑い日対寒い日、少ない来店者数対多い来店者数、フットボールシーズンなど）
ｄ．販売促進および価格ｘ_１..ｘ_ｊ
３０６において、実施形態は、３０４からの製品特徴（ｐ_１..ｐ_ｎ）、場所特徴（ｓ_１..ｓ_ｍ）およびタイミング特徴（ｔ_１..ｔ_ｋ）を使用して３０２からのデータポイントの「Ｎ」個のクラスタを生成して、Ｎ個のクラスタ（ｃ_１..ｃ_Ｎ）を生成する。クラスタの数Ｎは、ユーザ定義の数字であり得る。クラスタリングは、同一グループ（クラスタ）内のオブジェクトが他のグループ（クラスタ）内のオブジェクトよりもある意味で互いに類似しているようにオブジェクト（すなわち、特徴）のセットがグループ化されるデータマイニングの一種である。一実施形態では、ｋ平均クラスタリングアルゴリズムが使用される。ｋ平均クラスタリングは、ｎ個の観測結果をｋ個のクラスタに分割することを目的としており、各観測結果は、クラスタのプロトタイプの役割を果たす最も近い平均値を有するクラスタに属する。しかし、階層型クラスタリングなどの他のクラスタリングアルゴリズムも使用することができる。

一実施形態では、以下のｋ平均クラスタリングアルゴリズムが使用される。
ｋ平均値ｍ_１ ^（１），...，ｍ_ｋ ^（１）の初期セットを仮定して、アルゴリズムは、２つのステップを交互に繰り返すことによって進んでいく。

（１）割り当てステップ：各観測結果を、最も近い平均値、すなわち最小二乗ユークリッド距離を有するクラスタに割り当てる。（数学的に、これは、平均値によって生成されたボロノイ図に従って観測結果を分割することを意味する。）

式中、各ｘ_ｐは、たとえそれをそれらのうちの２つまたはそれ以上に割り当てることができるとしても、厳密に１つのＳ^（ｔ）に割り当てられる。

（２）更新ステップ：各クラスタに割り当てられた観測結果について平均値（質量中心）を再計算する。

割り当てがもはや変化しない場合、アルゴリズムは収束している。
３０８において、３０６において生成された各クラスタが訓練されて、訓練済みクラスタモデル（すなわち、３０６において生成されたクラスタ当たりの販売促進効果）を生成する。一実施形態では、訓練は、Ｎ個のクラスタの各クラスタｉについて回帰を実行することによって行われて、販売促進／価格効果のＮ個のセット（ｅ_１..ｅ_ｋ）_１...（ｅ_１..ｅ_ｋ）_Ｎを生成する。一実施形態では、訓練または効果の推定に線形回帰が使用されるが、他の回帰アルゴリズムを使用することができる。販売促進／価格効果の各セットは、対応するクラスタの特徴についての効果の最適化されたセットである。各クラスタにおける特徴は、製品／場所／期間に分解され得る。各製品／場所／期間は、効果のＮ個のセットのうちの１つにマッピングされる。

３１０において、オンデマンドで容易にロード可能なバイナリファイルにクラスタリングモデルが保存される。たとえば、実施形態では、これらのモデルは、ＰｙｔｈｏｎまたはＣ＋＋などの機械学習に特有の言語の特徴を用いて訓練される。これらのモデルは、特定の直列化フォーマットを有するバイナリファイルに保存され得る。たとえば、Ｐｙｔｈｏｎで訓練されたモデルは、Ｐｙｔｈｏｎ ｐｉｃｋｌｅバイナリファイルに保存され得る。

３１２において、小売製品についての需要予測が望まれる場合、特定の週についての特徴を識別することによって、各製品／場所／週について、保存されたクラスタ訓練済みモデルを使用してそれをＮ個のクラスタのうちの１つにマッピングする。たとえば、クラスタｉについて、効果セット（ｅ_１..ｅ_ｋ）_ｉからの販売促進／価格効果がフェッチされる。

３１４において、３１２からの販売促進／価格効果を使用して最終的な需要を予想する。一実施形態では、以下の需要予測アルゴリズム、すなわち、需要＝ベース需要×販売促進リフト×価格リフト、を使用して需要を予想する。これは、比較的単純な需要アルゴリズムであり、他の実施形態では、いずれかの方法で販売促進効果を需要予測に組み込む限りははるかに複雑な需要予測アルゴリズムを使用することができる。実施形態は、ＳＫＵ／店舗当たりベースで需要を予測するか、または、大規模行列（すなわち、各行が１つのＳＫＵ／店舗である）を使用して全ての店舗における全てのＳＫＵについて同時に需要を予測することができる。

図３の機能は、製品クラス／地域などの各々の所与の交点について、色、サイズ、店舗フォーマットおよび販売長さなどの製品属性に基づいて製品／場所を異なるグループにクラスタリングすることによって、さまざまな交点におけるＳＫＵについての複数の販売曲線を生成するために使用することができる。そして、図６に関連して使用されるような、以下に開示されている短ライフサイクル販売曲線（すなわち、各交点についての需要予測）が生成される。

図４Ａ～図４Ｂおよび図５は、本発明の実施形態の実現例の一例および各例が図３の機能にどのように対応するかを示す図である。比較的単純な例では、小売業者は以下の式を使用して需要をモデル化するとする。

需要＝ベース需要×販売促進リフト×価格リフト
単純化のために、全ての製品／店舗の組み合わせについてベース需要が５であるとする。

３０２において、履歴販売データポイントが受信される。単純な例では、２つの店舗およびｗｅｅｋ１＿２０１８からｗｅｅｋ５２＿２０１９まで（すなわち、２０１８年および２０１９年の毎週）の６個の製品に関する情報があるとする。

３０４において、実施形態は、３０２において受信された各アイテム／店舗／週販売データを製品、場所および期間関連の抽出された特徴に関連付ける。これらの抽出された特徴は、製品ブランド、パッケージサイズ、店舗タイプ、対応する週の天気、対応する週にどのようなスポーツイベントが実施されているか、価格、販売促進１，２，３，４などを含む。

３０６において、売り上げをＮ個のクラスタ（すなわち、この例では３個のクラスタ）にクラスタリングするようにクラスタリングアルゴリズムが実行される。図４Ａでは、各クラスタ（４０２，４０３，４０４）は、異なるクロスハッチングスキームによって示されている。図４Ａに示される表は、クラスタリングの結果として、３個のクラスタのうちの１つを各週の各店舗における各製品に割り当てる。

３０８において、各クラスタ４０２～４０４について、各クラスタにおけるデータを使用することによって販売データおよびその特徴を用いて回帰モデルが訓練されて、クラスタ４０２～４０４当たりの販売促進効果を生成する。図４Ｂは、各クラスタについての、価格および販売促進１～４の訓練済み販売促進効果を示している。３０８において生成される効果は、需要モデル（この単純な例では、価格および販売促進のみ）を形成する効果に基づく。より複雑な需要モデルでは、生成される効果は、休暇、新学期イベント、天気なども含み得る。図４Ｂにおける各効果数は、乗数として機能する。

３１０において、訓練済みクラスタリングモデルおよび３個の訓練済み回帰モデルがバイナリファイルに保存される。バイナリファイルは、クラスタリングモデルも回帰モデルも含み得る。図４Ａはクラスタリングモデルを示しており、図４Ｂは回帰モデルを示している。実施形態では、クラスタリングおよび回帰は、別々に行われて、その後、異なるバイナリファイルまたは単一のファイルに保存され得る。

３１２において、ｗｅｅｋ１＿２０２０からｗｅｅｋ４＿２０２０まで（すなわち、２０２０年の最初の４週）の予測を作成するために、それらの週の特徴が最初に識別される。次いで、保存されたクラスタモデルを使用して、３個のクラスタのうちの１つに対して各アイテム／店舗／週を予想する。図５は、実施形態が各製品／場所／週をクラスタにどのようにマッピングするかを示す図である。たとえば、店舗１、製品Ｂ、週２がクラスタ４０４にマッピングされ、店舗２、製品Ｃ、週３がクラスタ４０３にマッピングされている。

３１４において、各アイテム／店舗／週について、需要式を使用して、ベース需要に加えて対応するクラスタにおける効果（価格、販売促進）が適用されて、予測を作成する。具体的には、需要＝ベース需要×販売促進リフト×価格リフトであるこの例では、店舗１における製品Ａのベース需要は２．０であり、ｗｅｅｋ２＿２０２０に販売促進１および３が実施されるとすると、店舗１における製品Ａのｗｅｅｋ２＿２０２０の需要は、需要＝２×１．０５×３．２＝６．７２である。

図６は、一実施形態に係る、短ライフサイクルアイテム（すなわち、所与のアイテム／場所またはＳＫＵ）についての販売／需要曲線を生成する際の図１の短ライフサイクル製品需要予測ツール１１０の機能のフロー図である。

６０２において、短ライフサイクルアイテムに類似しているアイテムまたは複数のアイテムに関連する複数の販売曲線が生成される。一般に、これらの複数の販売曲線は、その後、残りの図６の機能を使用して「混合」される。

一実施形態では、短ライフサイクルアイテムに類似しているアイテムについて、類似アイテムについての履歴販売データを使用することによってさまざまな（「ｎ」個の）交点レベルにおいて販売曲線が生成される（なぜなら、短ライフサイクルアイテムについての入手可能な販売履歴はない、またはまばらであるからである）。たとえば、交点レベルは、ＳＫＵ／店舗、サブクラス／店舗、百貨店／地域などであってもよい。ＳＫＵ／店舗からの履歴売り上げは、より高い交点レベルに集約されて、当該交点レベルの販売曲線が決定される。いくつかの実施形態では、販売曲線（すなわち、予測された需要）を決定するために任意の公知の機能を使用することができる。

一実施形態では、図３とともに上記に開示された機能は、６０２において類似アイテムについての複数の販売曲線を生成するのに使用される。具体的には、図３の機能の最終結果は、第１のＳＫＵおよび類似アイテムの対応するクラスタ、第２のＳＫＵおよび類似アイテムの異なる対応するクラスタなどであってもよい。各ＳＫＵについての販売曲線および各対応するクラスタについての販売曲線は、公知の方法を使用して生成され得る。第１および第２のＳＫＵも短ライフサイクルアイテムに類似しているとすると、上記に開示されているように、これらの販売曲線は、以下の図６の機能への入力として使用可能であり、次いで「混合」されて短ライフサイクルアイテム販売曲線を形成する。一実施形態では、販売曲線が２つだけ、すなわち単一の類似ＳＫＵおよび対応するクラスタが生成され得る。他の実施形態では、複数の類似ＳＫＵが利用可能である場合、各類似ＳＫＵについて、および、各々の対応するクラスタについて、多くの販売曲線が生成され得る。

図３の機能が使用される場合、３０４において、抽出された特徴は、一実施形態では、各製品の売り上げに関連する複数の異なるタイプの特徴を抽出することを含み得て、これらの複数の異なるタイプの特徴は、色およびサイズなどの商品特性、価格帯などの場所特性、店舗フォーマット、棚に並んでいる合計週、棚に並んでいる最初の週などのカレンダ関連の特性を含む。

実施形態では、６０２における販売曲線の時間枠は、短ライフサイクルアイテムについての所望の販売曲線の時間枠とほぼ一致するであろう。言い換えれば、短ライフサイクルアイテムが２０２１年の夏の間に１０週間の販売シーズンを有すると予想される場合、類似アイテムについての販売曲線もそれらの同一の１０週または近い同等物（たとえば、１２週）に向けられるはずである。

６０４において、「バス拡散」モデルを使用して、各交点「ｉ」における販売曲線がパラメータ化される。バス拡散モデルは、新製品が人々にどのように採用されるかのプロセスを説明する微分式を含む。このモデルは、新製品の現在の採用者および潜在的な採用者がどのように相互作用するかの根拠を提示する。このモデルの基本的な前提は、採用者がイノベータまたはイミテータとして分類することができ、採用の速度およびタイミングが採用者間でのイノベーションの程度およびイミテーションの程度に左右される、というものである。バス拡散モデルは、予測、特に新製品の販売予測および技術予測で広く使用されてきた。数学的に、基本的なバス拡散モデルは、一定の係数を有するリカッチ方程式である。

実施形態では、バス拡散モデルを使用して、以下のように６０２からの各販売曲線をパラメータ化する。

各交点（または、他の実施形態では、各販売曲線）ｉについて、
オブジェクションＭＳＥ（ｉ）を最小化するために最小二乗オプティマイザを使用することによって、以下の式に基づいてｍ_ｉ，ｐ_ｉ，ｑ_ｉパラメータ／係数を推定する。

式中、Ｆ_ｉ（ｔ）は、交点ｉの週ｔにおける推定売り上げであり、Ｓ_ｉ（ｔ）は、交点ｉの週ｔにおける実際の販売履歴である。Ｅ_ｉは、現在の交点ｉについての誤差である。

６０６において、重み付けされた誤差に基づいて、６０４からのｐ_ｉおよびｑ_ｉパラメータが組み合わせられる。ｐ_ｉは、イノベーション係数、外的影響または広告効果とも称される。ｑ_ｉパラメータは、イミテーション係数、内的影響または口コミ効果とも称される。ｍ_ｉパラメータは、不要である、または使用されない。６０４からのｐ_ｉおよびｑ_ｉパラメータは、以下のように組み合わせられ、Ｗ_ｉは、各交点ｉについての決定された重みである。

６０８において、短ライフサイクル販売長さｌの所与の長さについて、実施形態は、以下のようにτ番目の週における曲線値を計算する。

τ番目における所与の製品／場所の最終的な曲線は、以下のようにｌを正規化することによって６０６において計算される。

これは、販売期間（たとえば、２０２１年の週２０～３０）にわたる各週（または、他の予め規定された期間）の短ライフサイクルアイテムの売上高の予測を提供する最終的な販売／需要曲線を生成する。

６１０において、６０８からの販売曲線または需要予測がロジスティクスで使用され、これは、アイテムをいくつ製造するか、在庫レベル、および特定の店舗への出荷のレベルを決定するための基準であることを含む。６０８における出力は、以下でさらに十分に説明するように、完全に自動化された製造、在庫およびロジスティクスシステムと併用することができる専用のデータ構造の形式であり得る。

図７および図８は、本発明の実施形態の実現例の一例および各例が図６の機能にどのように対応するかを示す図である。比較的単純な例では、６０２において、類似アイテムについての販売曲線が２つの交点レベル、すなわちＳＫＵ／店舗およびＳＫＵ／地域についてのみ生成される。図７は、ＳＫＵ／店舗販売曲線を７０１に示し、ＳＫＵ／地域販売曲線を７０２に示している。図７では、Ｘ軸はカレンダ（たとえば、週１、週２など）であり、Ｙ軸は曲線の形状／値である。販売曲線は、通常、週の数に正規化される。たとえば、１０週間の販売曲線では、曲線値は０．７６，０．８８，１．０２，１．１５，１．２，１．２８，１．１１，１．０５，０．８，０．７５であり得る。記載されたように、これらの値の合計は、曲線の週の長さに等しい１０になる。

６０４および６０６において、ｍ_ｉ，ｐ_ｉ，ｑ_ｉ，Ｅ_ｉおよびＷ_ｉパラメータが計算される（すなわち、販売曲線が「パラメータ化」される）。図８における８０１は、この例における計算結果を示す。

６０６において、重み付けられた誤差に基づいて、ｐおよびｑパラメータが組み合わせられる。図８における８０２は、この例における計算結果を示す。ｐおよびｑパラメータが組み合わせられた後、組み合わせられた販売曲線が６０８において計算される。図３の販売曲線７０３は、組み合わせられた販売曲線であり、短ライフサイクルアイテムについての需要予測を表す。図７の曲線の長さは、必ずしも等しくなくてもよい。式は、因数「ｌ」を含み、この因数「ｌ」は、曲線の長さである。これは、異なる長さの曲線を組み合わせることを可能にする。最終的な販売曲線は、販売されると予測されるアイテムの数を示していない。その代わりに、それは、そのライフサイクル中の販売曲線の形状を示している。

図９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９００を示す図である。実施形態は、６０８において生成された短ライフサイクルアイテムの専用の需要予測データ構造を使用して、プロセスを完全に自動化することができる。図９に示されるように、システム９００は、将来の製品需要を予測し、場合によっては、１つまたは複数の小売店舗９０１～９０４における数十万個の製品、またはいくつかのアプリケーションでは数千万個以上の製品についての将来の需要を予測しおよび／または考慮に入れる製品需要予測システム９７０を含み得る。予測システム９７０は、クラウドネットワーク９５０または他のタイプの通信ネットワークを介して、１つまたは複数の在庫システム９２０および１つまたは複数の製造システム９８０と通信する。

予測システム９７０は、上記の図３およびまたは図６とともに開示された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９２０は、在庫を保管して、トラック９１０～９１３または他の輸送機構を使用してアイテムを店舗９０１～９０４に配達するための輸送ロジスティクスを提供する。一実施形態では、在庫システム９２０は、需要予測システム９７０からの入力を使用して在庫のレベルならびに店舗９０１～９０４へのアイテムの配達の量およびタイミングを決定する企業資源計画（「ＥＲＰ」）専用コンピュータシステムまたは専用の在庫制御システムを実現する。いくつかの実施形態では、図９の機能は、自動積載機構および自動運転輸送手段および専用のデータ構造を使用して完全に自動化することができる。

製造システム９８０は、在庫システム９２０に送られるアイテムを製造して、トラック９８１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９２０に配達するための輸送ロジスティクスを提供する。一実施形態では、製造システム９８０は、予測システム９７０からの入力を使用して、製造するアイテムの量、製造に使用される資源の在庫、ならびに在庫システム９２０へのアイテムの配達の量およびタイミングを決定するＥＲＰ専用コンピュータシステムまたは専用の製造システムを実現する。

予測システム９７０は、製品の需要を予測する際に、在庫システム９２０、販売追跡システム（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９７０は、イベント、天気、社会的需要、経済的要因および他の要因に起因する１つまたは複数の製品の特徴的でない需要を予想しようとする。１つまたは複数の製品の需要に影響を及ぼし得る数十個、数百個から数千個の異なる変数が追跡されてもよい。これらの変数の変化が、特徴的でない需要を生じさせることがある。たとえば、予測された天気の変化を追跡することができ、この予測された天気に関連付けられた１つまたは複数の変数は、このような変化が需要に影響を及ぼし得る天気であるかどうかを判断するのに使用することができ、さらに需要の変化を予測することができる。

一般に、図９の要素は、販売、製造または在庫の消費を実行する。消費者向け直販のための小売場所／店舗９０１～９０４は、ランダムな性質および売り上げに影響を及ぼす外的要因に起因して、最も気まぐれな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現場（ローカル施設で使用される製品の製品インテグレータ、インターネット荷主など）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９０１～９０４は、販売データおよび履歴予測データを予測システム９７０に送る。販売データは、以前の販売サイクル（すなわち、週）、通常は４～７週間の在庫サイクルにおける、各アイテムについての棚卸減耗統計または各販売期間、通常は数日間のＳＫＵ／ＵＰＣを含む。

予測システム９７０は、販売データをリポジトリ９７２に格納し、この販売データを利用して在庫を補充するための注文を生成する。これらの順序は、アイテムのセットと、店舗９０１～９０４において在庫レベルを維持するための各アイテムの量とを含む。

多くの小売注文スキームは、販売期間および販売サイクルの曜日に依拠する。１つの構成では、各曜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９２０は、各曜日について以前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ターゲット在庫レベルを決定する。実施形態は、この在庫レベル統計に基づいて、安全在庫がそれぞれの曜日間の在庫の変動を吸収するように各曜日の在庫レベルを計算する。実施形態は、複数のアイテムの各々について、各曜日の安全在庫を含むターゲット在庫レベルを示すストックレベルをレンダリングする。実施形態は、注文される量が所定の曜日のレンダリングされた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識別することは、履歴データからの過去の週から特定の曜日のストックレベルを識別することを含むため、全ての曜日の平均ではなく同一の曜日に経時的に注目することになる。

特定の構成では、開示されている実施形態は、専用のおよび／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。大規模なロジスティクスおよび流通オペレーションでは、できる限り一杯にトラックに積載することが有益であり、次の便へのアイテムの先延ばしが必要である場合には、販売活動を遮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のアイテムを識別するようにＰＯＳシステム９９とともに動作可能である。アイテムのＵＰＣバーコード記号または無線周波数識別情報（「ＲＦＩＤ：Radio-Frequency Identification」）は、単独でまたはデータベースルックアップとともに、本明細書に定義されている安全在庫処理に適切な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ている複数のアイテムの各々について、製品識別子のためのフィールドと当該アイテムの安全在庫を示すフィールドとを識別して、製品識別子の各々について、売上高に起因する製品補充需要の増加を示す製品セグメント化フィールドを製品速度に基づいて決定することによって、収容され得る。開示されている実施形態は、安全在庫を計算するかどうか、すなわち安全在庫に従って補給を行う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考慮して価値があるものであるかどうかを、速度フィールドに基づいて判断する。

他の実施形態では、供給ロジスティクスは、１日１台のトラックよりも高い配達頻度を呼び出し得るため、より高い粒度を有する補給ウィンドウを作動させる。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、特定の曜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、供給ロジスティクスを実現して、輸送されたアイテムの需要および利益幅に従って配達便（すなわち、トラック）および積荷目録（すなわち、含まれるアイテム）を指定する際に利用され得る。高速アイテムは、特定の配達便では優先空間を有していると考えられるが、含まれるアイテムの利益幅または値上げに基づいてさらに選択され得て、最大の収益生成可能性を有するアイテムが選択されて含められる。

本明細書に開示されている需要予測を使用するとともに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、在庫補充のための販売場所への配達のためのアイテムの固定ペイロードを受信するように構成されている。実施形態は、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、安全在庫を計算して、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決定することによって、配達車両に積載する際の手引きを提供することができる。実施形態は、配達車両内の利用可能な空間が、決定された量の第１のアイテムおよび第２のアイテムにとって不十分である場合には、安全在庫に基づいてトラック積載量を再計算し、これは、特定のアイテムを除外して次の配達便に先延ばしする必要があることを意味する。

開示されているように、実施形態は、ＳＫＵ／店舗、サブクラス／店舗、百貨店／地域などのさまざまな交点における、短ライフサイクルアイテムに類似しているアイテムの販売パターンを組み合わせる。これは、短寿命商品の曲線をよりロバストにする。次いで、実施形態は、２つのパラメータを使用して曲線をパラメータ化し、次いで、製品が棚に並ぶ予定週数を適用することによって曲線を再生成する。この手法は、たとえ販売パターンが前年比で変化したとしても、曲線の再計算を非常に便利にする。曲線のパラメータ化を考えると、販売パターンを組み合わせることは、曲線の長さに左右されない。

いくつかの実施形態が本明細書に具体的に示され、および／または、記載されている。しかし、開示されている実施形態の変形および変更は、本発明の精神および所期の範囲から逸脱することなく、上記の教示によって、添付の特許請求の範囲内に包含される、ということが理解されるであろう。

Claims (20)

1. 短ライフサイクルアイテムについての短ライフサイクル販売曲線を生成する方法であって、
   前記短ライフサイクルアイテムに類似している少なくとも１つの類似アイテムに対応する複数の類似販売曲線を生成するステップと、
   各前記類似販売曲線をパラメータ化するステップとを備え、前記パラメータ化するステップは、各類似販売曲線について、イノベーション係数パラメータとイミテーション係数パラメータと誤差パラメータとを推定するステップを含み、前記方法はさらに、
   各誤差パラメータについて重みを決定するステップと、
   前記重みを使用して、前記イノベーション係数パラメータと前記イミテーション係数パラメータとを組み合わせるステップと、
   前記組み合わせられたイノベーション係数パラメータと前記組み合わせられたイミテーション係数パラメータとを使用して、前記短ライフサイクル販売曲線を生成するステップとを備える、方法。
2. さまざまな交点レベルにおける前記類似アイテムについての履歴販売データを受信するステップをさらに備え、前記履歴販売データは、前記複数の類似販売曲線を生成するための入力として使用され、異なる交点レベルについて各類似販売曲線が生成される、請求項１に記載の方法。
3. 前記短ライフサイクル販売曲線を使用して前記短ライフサイクルアイテムについての需要予測を生成するステップをさらに備える、請求項１に記載の方法。
4. 前記複数の類似販売曲線は、第１の期間にわたっており、前記短ライフサイクル販売曲線は、前記第１の期間とは異なる第２の期間にわたっている、請求項１に記載の方法。
5. 前記需要予測を表す専用のデータ構造を生成するステップと、
   前記専用のデータ構造を自動ロジスティクスシステムに送信するステップとをさらに備え、
   前記専用のデータ構造を受信したことに応答して、前記自動ロジスティクスシステムは、前記短ライフサイクルアイテムのうちの１つまたは複数を少なくとも１つの小売業者に自動的に輸送する、請求項３に記載の方法。
6. 前記複数の類似販売曲線を生成するステップは、
   集計製品／場所レベルについての履歴販売データを受信するステップを含み、前記履歴販売データは、複数の販売データポイントを含み、前記複数の販売データポイントは、複数の場所の各々における第１のアイテムについての販売データポイントを含み、前記複数の類似販売曲線を生成するステップはさらに、
   各前記類似アイテムの販売に関連する複数の異なるタイプの特徴を抽出するステップと、
   前記複数の異なるタイプの特徴に基づいて販売データポイントの複数のクラスタを生成するステップと、
   各前記クラスタを訓練して、複数の訓練済みクラスタモデルを生成するステップとを含み、前記複数の訓練済みクラスタモデルは、クラスタ当たりの販売促進効果を含み、前記複数の類似販売曲線を生成するステップはさらに、
   特定の期間、特定の場所および前記第１のアイテムについて、前記期間についての前記特徴を識別し、前記訓練済みクラスタモデルのうちの１つにマッピングして、前記期間についての前記販売促進効果をフェッチするステップと、
   前記第１のアイテムに対応する第１の販売曲線を生成するとともに、前記マッピングされた訓練済みクラスタモデルに対応する第２の販売曲線を生成するステップとを含む、請求項１に記載の方法。
7. 各交点レベルにおいて、前記イノベーション係数パラメータ（ｐ）と、イミテーション係数パラメータ（ｑ）と、各交点ｉにおける重み（Ｗ_ｉ）とを、前記交点における前記誤差（Ｅ_ｉ）に基づいて組み合わせるステップは、
   

   

   
   を含む、請求項２に記載の方法。
8. 前記短ライフサイクル販売曲線を生成するステップは、τ番目の週において、
   

   

   
   のように計算を行い、
   

   

   
   のようにｌを正規化するステップを含む、請求項７に記載の方法。
9. 命令が格納されたコンピュータ読取可能媒体であって、前記命令は、１つまたは複数のプロセッサによって実行されると、前記プロセッサに短ライフサイクルアイテムについての短ライフサイクル販売曲線を生成させ、前記販売曲線を生成することは、
   前記短ライフサイクルアイテムに類似している少なくとも１つの類似アイテムに対応する複数の類似販売曲線を生成することと、
   各前記類似販売曲線をパラメータ化することとを備え、前記パラメータ化することは、各類似販売曲線について、イノベーション係数パラメータとイミテーション係数パラメータと誤差パラメータとを推定することを含み、前記販売曲線を生成することはさらに、
   各誤差パラメータについて重みを決定することと、
   前記重みを使用して、前記イノベーション係数パラメータと前記イミテーション係数パラメータとを組み合わせることと、
   前記組み合わせられたイノベーション係数パラメータと前記組み合わせられたイミテーション係数パラメータとを使用して、前記短ライフサイクル販売曲線を生成することとを備える、コンピュータ読取可能媒体。
10. さまざまな交点レベルにおける前記類似アイテムについての履歴販売データを受信することをさらに備え、前記履歴販売データは、前記複数の類似販売曲線を生成するための入力として使用され、異なる交点レベルについて各類似販売曲線が生成される、請求項９に記載のコンピュータ読取可能媒体。
11. 前記短ライフサイクル販売曲線を使用して前記短ライフサイクルアイテムについての需要予測を生成することをさらに備える、請求項９に記載のコンピュータ読取可能媒体。
12. 前記複数の類似販売曲線は、第１の期間にわたっており、前記短ライフサイクル販売曲線は、前記第１の期間とは異なる第２の期間にわたっている、請求項９に記載のコンピュータ読取可能媒体。
13. 前記需要予測を表す専用のデータ構造を生成することと、
    前記専用のデータ構造を自動ロジスティクスシステムに送信することとをさらに備え、
    前記専用のデータ構造を受信したことに応答して、前記自動ロジスティクスシステムは、前記短ライフサイクルアイテムのうちの１つまたは複数を少なくとも１つの小売業者に自動的に輸送する、請求項１１に記載のコンピュータ読取可能媒体。
14. 前記複数の類似販売曲線を生成することは、
    集計製品／場所レベルについての履歴販売データを受信することを含み、前記履歴販売データは、複数の販売データポイントを含み、前記複数の販売データポイントは、複数の場所の各々における第１のアイテムについての販売データポイントを含み、前記複数の類似販売曲線を生成することはさらに、
    各前記類似アイテムの販売に関連する複数の異なるタイプの特徴を抽出することと、
    前記複数の異なるタイプの特徴に基づいて販売データポイントの複数のクラスタを生成することと、
    各前記クラスタを訓練して、複数の訓練済みクラスタモデルを生成することとを含み、前記複数の訓練済みクラスタモデルは、クラスタ当たりの販売促進効果を含み、前記複数の類似販売曲線を生成することはさらに、
    特定の期間、特定の場所および前記第１のアイテムについて、前記期間についての前記特徴を識別し、前記訓練済みクラスタモデルのうちの１つにマッピングして、前記期間についての前記販売促進効果をフェッチすることと、
    前記第１のアイテムに対応する第１の販売曲線を生成するとともに、前記マッピングされた訓練済みクラスタモデルに対応する第２の販売曲線を生成することとを含む、請求項９に記載のコンピュータ読取可能媒体。
15. 各交点レベルにおいて、前記イノベーション係数パラメータ（ｐ）と、イミテーション係数パラメータ（ｑ）と、各交点ｉにおける重み（Ｗ_ｉ）とを、前記交点における前記誤差（Ｅ_ｉ）に基づいて組み合わせることは、
    

    

    
    を含む、請求項１０に記載のコンピュータ読取可能媒体。
16. 前記短ライフサイクル販売曲線を生成することは、τ番目の週において、
    

    

    
    のように計算を行い、
    

    

    
    のようにｌを正規化することを含む、請求項１５に記載のコンピュータ読取可能媒体。
17. 小売アイテム需要予測システムであって、
    １つまたは複数の販売時点情報管理システムに結合された１つまたは複数のプロセッサを備え、前記プロセッサは、
    前記短ライフサイクルアイテムに類似している少なくとも１つの類似アイテムに対応する複数の類似販売曲線を生成し、
    各前記類似販売曲線をパラメータ化し、前記パラメータ化は、各類似販売曲線について、イノベーション係数パラメータとイミテーション係数パラメータと誤差パラメータとを推定することを含み、前記プロセッサはさらに、
    各誤差パラメータについて重みを決定し、
    前記重みを使用して、前記イノベーション係数パラメータと前記イミテーション係数パラメータとを組み合わせ、
    前記組み合わせられたイノベーション係数パラメータと前記組み合わせられたイミテーション係数パラメータとを使用して、前記短ライフサイクル販売曲線を生成する、システム。
18. 前記プロセッサはさらに、さまざまな交点レベルにおける前記類似アイテムについての履歴販売データを受信し、前記履歴販売データは、前記複数の類似販売曲線を生成するための入力として使用され、異なる交点レベルについて各類似販売曲線が生成される、請求項１７に記載のシステム。
19. 前記プロセッサはさらに、前記短ライフサイクル販売曲線を使用して前記短ライフサイクルアイテムについての需要予測を生成する、請求項１７に記載のシステム。
20. 前記プロセッサはさらに、
    前記需要予測を表す専用のデータ構造を生成し、
    前記専用のデータ構造を自動ロジスティクスシステムに送信し、
    前記専用のデータ構造を受信したことに応答して、前記自動ロジスティクスシステムは、前記短ライフサイクルアイテムのうちの１つまたは複数を少なくとも１つの小売業者に自動的に輸送する、請求項１９に記載のシステム。