JP4099076B2

JP4099076B2 - Demand forecasting method and demand forecasting program

Info

Publication number: JP4099076B2
Application number: JP2003024054A
Authority: JP
Inventors: 武憲奥; 廣野　　元久
Original assignee: Ricoh Co Ltd
Current assignee: Ricoh Co Ltd
Priority date: 2003-01-31
Filing date: 2003-01-31
Publication date: 2008-06-11
Anticipated expiration: 2023-01-31
Also published as: JP2004234471A

Description

【０００１】
【発明の属する技術分野】
本発明は、商品の需要予測方法及び需要予測プログラムに係り、詳しくは周期変動を考慮しての商品の需要予測に関する。
【０００２】
【従来の技術】
顧客に商品を提供する場合、適切な商品在庫の管理が必要である。この商品には完成品のみならず、完成品等に用いられる消耗品や故障による交換部品等も含まれる。そして、的確な在庫管理を行なうことにより、余剰在庫による在庫損失や、在庫品の不足による機会損失を抑制することが可能である。
【０００３】
このような在庫管理を行なうためには、正確な需要予測が必要である。このような需要予測においては、例えば重回帰分析が利用されている。この重回帰分析では過去の実績を分析して予測式を作成する。しかし、一度作成した予測式を継続して使用すると、予測値と実績値との誤差が大きくなる場合がある。そこで、短期間ごとに実績に基づいて予測式を作成し直すことも考えられるが、予測式を作成するための負荷が大きくなる。
【０００４】
このため、変動要因を考慮して商品分類別の販売予測を行なう販売予測方法が提案されている（例えば、特許文献１参照。）。この販売予測方法では、まず、販売数量を予測する商品の所定期間の販売実績を平均して移動平均値を算出する。そして、販売予測日の販売数量に影響を与えると考えられる変動要因から、商品の販売数量の変動予測数量を算出する。さらに、移動平均値を前記変動予測数量に基づいて補正して第１販売予測数量を算出する。これにより、販売予測日直前の所定期間の販売実績を販売予測に反映させることができ、予測値の追従性を向上させることができる。
【０００５】
【特許文献１】
特開２０００−３３９５４３号公報（第１頁）
【０００６】
【発明が解決しようとする課題】
ところが、移動平均値による需要予測は、時間ずれ（タイムラグ）があるため予測誤差が大きく、安全在庫を多めに準備しておく必要があった。また、移動平均値を変動予測数量に基づいて補正して販売予測数量を算出する場合、販売予測日の販売数量に影響を与えると考えられる変動要因を特定した上で、商品の販売数量の変動予測数量を算出する必要がある。しかし、商品販売量の変動は色々な要因に由来することが多く、その特定は容易ではない。
【０００７】
本発明は、商品に需要予測を、より効率的かつ的確に行なうことができる需要予測方法及び需要予測プログラムを提供することにある。
【０００８】
【課題を解決するための手段】
上記問題点を解決するために、請求項１に記載の発明は、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成されるプロフィールデータが記録されているプロフィールデータ記憶部と、サービスパーツ識別子及び月単位の受注実績に関するデータが相互に関連づけられて記録される受注実績データが記録されている受注実績データ記憶部と、管理コンピュータとを用いて、前記商品の需要を予測する需要予測方法であって、前記管理コンピュータが、前記プロフィールデータ記憶部から、需要予測を行なうサービスパーツの開放月から受注実績期間を特定して、この受注実績期間が成長モデルの適用可能な期間以上かどうかを判定し、成長モデルの適用可能な期間以上の場合には、前記受注実績データ記憶部から過去の受注実績を抽出し、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移を算出し、主成分分析により、受注実績データ記憶部に記録された受注実績がピークを過ぎているか否かを判別し、ピークを経過していると判定された場合、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値を算出し、前記平均値が所定量以上である場合には、流動レベルが高いと判定する流動性判定を行ない、前記累積量推移に対して成長モデルのモデル関数の数値解析手法を用いることにより、モデル関数のパラメータを決定し、前記モデル関数の微分を行なうことにより、傾向関数を算出する傾向算出段階と、前記実績推移から傾向関数を差し引いた差分推移を算出する差分算出段階と、周期を変更させて振幅する三角関数と前記差分推移とを同調させたペリオドグラムを用いて周期変動の有無を判定し、前記ペリオドグラムにおいて周期を特定した周期関数を算出する周期関数算出段階と、前記周期関数と前記傾向関数とを合成した関数を用いて前記商品の需要を予測する需要予測算出段階とを含むことを要旨とする。
【００１２】
請求項２に記載の発明は、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成されるプロフィールデータが記録されているプロフィールデータ記憶部と、サービスパーツ識別子及び月単位の受注実績に関するデータが相互に関連づけられて記録される受注実績データが記録されている受注実績データ記憶部と、管理コンピュータとを用いて、前記商品の需要を予測する需要予測プログラムであって、前記管理コンピュータを、前記プロフィールデータ記憶部から、需要予測を行なうサービスパーツの開放月から受注実績期間を特定して、この受注実績期間が成長モデルの適用可能な期間以上かどうかを判定し、成長モデルの適用可能な期間以上の場合には、前記受注実績データ記憶部から過去の受注実績を抽出し、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移を算出し、主成分分析により、受注実績データ記憶部に記録された受注実績がピークを過ぎているか否かを判別し、ピークを経過していると判定された場合、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値を算出し、前記平均値が所定量以上である場合には、流動レベルが高いと判定する流動性判定を行ない、前記累積量推移に対して成長モデルのモデル関数の数値解析手法を用いることにより、モデル関数のパラメータを決定し、前記モデル関数の微分を行なうことにより、傾向関数を算出する傾向算出手段と、前記実績推移から傾向関数を差し引いた差分推移を算出する差分算出手段と、周期を変更させて振幅する三角関数と前記差分推移とを同調させたペリオドグラムを用いて周期変動の有無を判定し、前記ペリオドグラムにおいて周期を特定した周期関数を算出する周期関数算出手段と、前記周期関数と前記傾向関数とを合成した関数を用いて前記商品の需要を予測する需要予測算出手段として機能させることを要旨とする。
【００１６】
（作用）
請求項１又は２に記載の発明によれば、管理コンピュータが、実績データ記憶手段に記録された実績推移に基づいて、傾向関数を算出する。次に、実績推移から傾向関数を差し引いた差分推移を算出する。さらに、前記差分推移に対応した周期関数を算出し、前記周期関数と前記傾向関数とを合成した関数を用いて前記商品の需要を予測する。このため、商品の販売等の開始から終了までのライフサイクルを考慮した需要傾向に、季節変動等の周期変動を加味して、より的確な需要予測を行なうことができる。
【００１７】
本発明によれば、前記周期関数は、２次関数と三角関数とを乗算した合成関数を含んで構成される。周期変動の成分には、商品は需要に応じた振幅を有する傾向がある。そして、商品の開始時期と終了時期は需要が少なくなり、それに応じて周期の振幅の幅が狭くなる。このため、商品の開始・終了時期に共通した傾向を２次関数で振幅の幅を調整し、周期的に変動する成分を三角関数で表わすことができる。従って、商品の需要を、より的確に予測することができる。
【００１８】
本発明によれば、前記管理コンピュータが、前記差分推移に対して周期変動を判定する。そして、前記差分推移に周期変動があると判定した場合のみ、前記管理コンピュータが、前記差分推移に対応した周期関数を算出し、この周期関数と前記傾向関数とを合成した関数を用いて前記商品の需要を予測する。さらに、前記差分推移に周期変動がないと判定した場合には、前記管理コンピュータが、前記傾向関数を用いて前記商品の需要を予測する。このため、周期関数の算出は、周期変動があると判定した場合のみ行なわれるので、管理コンピュータの計算負荷を軽減することができる。
【００１９】
本発明によれば、周期変動判定段階は、ペリオドグラムを用いて行なう。このため、ペリオドグラムを用いて効率的に周期変動の有無を判定することができる。
【００２０】
本発明によれば、周期関数の周期には、前記ペリオドグラムにおいて同調強度が最大値になる周期を用いる。このため、最も確からしい周期を用いて周期関数を算出することができ、より適切な需要予測を行なうことができる。
【００２１】
【発明の実施の形態】
以下、本発明を具体化した需要予測処理の一実施形態を図１〜図１７にしたがって説明する。本実施形態では、後述するように、傾向関数に対して一定条件の下で周期関数を適用して、商品としてのサービスパーツの需要予測を行なう。具体的には、顧客に提供した製品のサービスパーツの受注実績に基づいて、サービスパーツの需要予測を行なう場合に用いる需要予測方法及び需要予測プログラムとして説明する。ここで、サービスパーツとは、消耗や故障等においてサービスを伴って交換を行なうパーツを意味する。このパーツは製品の機能を維持するための最小単位であり、サービスパーツは部品のみならず、パーツを組み合わせたユニットをも含む。
【００２２】
本実施形態では、図１に示すように、受注システム１０を用いて受注実績が入力される。さらに、この受注システム１０に出力される需要予測に基づいて発注指示が行なわれる。この受注システム１０はサービスパーツを管理するサービスパーツ管理部門に設置され、販売拠点やサービス拠点等での受注実績が入力され、生産部門や購買部門等に対する発注指示を出力する。
【００２３】
受注システム１０は、ネットワークＮを介してデータを送信する機能や、受信したデータを表示する機能等を有するコンピュータ端末である。この受注システム１０は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭの他、キーボード、マウス等の入力手段、ディスプレイ等の出力手段、通信インターフェイス等の通信手段等を有する。
【００２４】
また、受注システム１０は、図１に示すように、ネットワークＮを介して需要予測システム２０に接続されている。需要予測システム２０は、需要予測に関する各種データ処理を行なうコンピュータシステムである。この需要予測システム２０は、管理コンピュータ２１を備えている。
【００２５】
この管理コンピュータ２１は、受注システム１０との間でのデータ送受信や、需要予測を実行するための各種データの管理処理等を行なう。この管理コンピュータ２１は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭ等を有し、後述する処理（傾向算出段階、差分算出段階、周期関数算出段階、需要予測算出段階、周期変動判定段階等を含む処理）を行なう。そのための需要予測プログラムを実行することにより、管理コンピュータ２１は、傾向算出手段、差分算出手段、周期関数算出手段、需要予測算出手段、周期変動判定手段等として機能する。
【００２６】
さらに需要予測システム２０は、プロフィールデータ記憶部２２、及び実績データ記憶手段としての受注実績データ記憶部２３を備えている。
プロフィールデータ記憶部２２には、図２に示すように、需要予測を行なうサービスパーツに関するプロフィールデータ２２０が記録されている。このプロフィールデータ２２０は、サービスパーツが提供可能な状態になった場合に設定される。プロフィールデータ２２０は、サービスパーツ毎に、サービスパーツ識別子、サービスパーツ名称及び開放月に関するデータを含んで構成される。
【００２７】
サービスパーツ識別子データ領域には、サービスパーツを特定するための識別子に関するデータが記録される。例えば、サービスパーツ識別子としては部品番号等が用いられる。
【００２８】
サービスパーツ名称データ領域には、サービスパーツの名称に関するデータが記録される。
開放月データ領域には、サービスパーツを提供するために、サービスパーツ識別子を各サービス拠点に開放（拡布）した年月に関するデータが記録される。
【００２９】
受注実績データ記憶部２３には、図３に示すように、各サービスパーツに関する受注実績データ２３０が記録されている。この受注実績データ２３０は、サービスパーツ識別子の開放後に設定され、受注システム１０から確定した受注実績を受信した場合に追加記録される。受注実績データ２３０には、サービスパーツ毎に、サービスパーツ識別子及び受注実績に関するデータが相互に関連づけられて記録される。
【００３０】
サービスパーツ識別子データ領域には、受注実績のあったサービスパーツを特定するための識別子に関するデータが記録される。
受注実績データ領域には、商品の提供量として、サービスパーツの受注量に関するデータが、受注月に関するデータとともに記録される。本実施形態では、この受注量は月単位で記録されており、実績推移を構成する。この受注実績は、実績が確定したときに追加記録される。したがって、サービスパーツは開放月によって受注実績の数（ｎ）が異なり、それに応じたデータ数が記録される。
【００３１】
上記のように構成されたシステムにおいて、サービスパーツの需要予測を行なう場合の処理手順を、図４〜図１７を用いて説明する。
まず、管理コンピュータ２１は、商品としてのサービスパーツの属性に基づいてワイブル成長モデルの適用の可否を判定する。本実施形態では、後述するように、属性として受注実績期間、ピークの有無、流動性を用いる。
【００３２】
まず、管理コンピュータ２１は、サービスパーツの受注実績期間により処理を振り分ける期間判定を行なう。本実施形態では、受注実績期間が１８ヶ月以上かどうかによって処理方法を分ける（Ｓ１−１）。本実施形態において需要予測に用いるワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、ある程度の受注実績期間が必要となるからである。そのため、管理コンピュータ２１は、受注予測を行なうサービスパーツに関して、プロフィールデータ記憶部２２に記録された開放月から受注実績期間を特定する。
【００３３】
（受注実績期間が１８ヶ月以上の処理）
ここで、受注実績期間が１８ヶ月以上の場合（ステップ（Ｓ１−１）において「Ｙｅｓ」の場合）、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−２）。本実施形態では、すべての受注量を用いて累積量推移を算出する。このため、管理コンピュータ２１は受注実績データ記憶部２３から過去の受注実績を抽出する。本実施形態では、６０ヶ月間の受注実績があるものとする。
【００３４】
そして、各月の受注実績をその前の月の累積総和に加算していくことにより、月毎の累積量推移（累積推移）を算出する。ここで、一例を図１１に示す受注実績グラフ５００を用いて説明する。ここで、受注実績グラフ５００の受注実績推移５０１は、６０ヶ月前（１月）を原点として現在（６０月）までのサービスパーツの受注個数を表している。
【００３５】
図１１に示す受注実績推移から累積量推移を算出したものを、図１２に示す累積量推移グラフ５１０に示す。ここで、累積量推移グラフ５１０の累積受注実績推移５１１は、１月からの受注個数を６０月まで月毎に加算した累積個数を表わしている。
【００３６】
次に、管理コンピュータ２１は成長モデルを適用して傾向曲線の算出処理を行なう（Ｓ１−３）。ここで、傾向曲線は、需要傾向を表わした傾向関数によって生成される曲線である。この傾向曲線の算出処理を、図５を用いて説明する。まず、管理コンピュータ２１はピーク判定処理を行なう（Ｓ２−１）。このピーク判定処理を、図６を用いて説明する。ここでは、受注実績がピークを過ぎているか否かを判別するために、ピーク判定基準期間として過去６０ヶ月間の受注量に対して主成分分析を行なう。具体的には、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。この場合、この重み付けに用いる因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））の値の組み合わせによって、主成分の指標の持つ意味が異なる。
【００３７】
この処理では、受注実績が所定量（ここでは「１」）以上になった時期以降の実績を用いる。
なお、このサービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばした拡張推移を生成し、この拡張推移を各月に割り当て直すことにより受注量を見積もる。
【００３８】
まず、管理コンピュータ２１は、受注実績の基準化を行なう（Ｓ３−１）。ここでは、受注実績Ｙ（ｉ）の平均が「０」で標準偏差が「１」になる基準化受注実績Ｙｎ（ｉ）を算出する。具体的には、各月の受注個数から平均値を差し引いた値を標準偏差で除算することにより、基準化受注実績Ｙｎ（ｉ）を算出する。
【００３９】
次に、管理コンピュータ２１は、第１主成分の算出を行なう（Ｓ３−２）。第１主成分は、図６に示す因子負荷量３１を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００４０】
次に、管理コンピュータ２１は、第２主成分の算出を行なう（Ｓ３−３）。第２主成分は、図６に示す因子負荷量３２を基準化受注実績Ｙｎ（ｉ）に乗算し、総和することにより算出する。
【００４１】
因子負荷量Ｌ１（ｉ）として図６に示す因子負荷量３１を用いる場合、第１主成分は増減傾向によって変化し、減少傾向の実績推移を有するサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として図６に示す因子負荷量３２を用いる場合、第２主成分は凹凸型傾向によって変化し、凸型形状（山型）の実績推移を有するサービスパーツの値が大きくなる。このようにして第１主成分及び第２主成分の算出後、図５に示す処理に戻る。
【００４２】
そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう（Ｓ２−２）。ここでは、関数値が所定値より大きい場合には、サービスパーツの受注量が既にピークを経過していると判定する。
【００４３】
ピークを経過していると判定された場合（ステップ（Ｓ２−２）において「Ｙｅｓ」の場合）、管理コンピュータ２１はサービスパーツの受注量の流動レベルが高いかどうかを判定する流動性判定を行なう（Ｓ２−３）。本実施形態では、サービスパーツの受注期間の中で最も大きく流動していた一定期間の平均値（Ｍａｘ平均）を用いて判定する。管理コンピュータ２１は、Ｍａｘ平均が所定量以上である場合には、流動レベルが高いと判定する。
【００４４】
流動レベルが高い場合（ステップ（Ｓ２−３）において「Ｙｅｓ」の場合）、管理コンピュータ２１はワイブル成長モデルを用いてフィッティングを行なう。このため、管理コンピュータ２１はワイブル成長モデルの適用パラメータ推定処理を行なう（Ｓ２−４）。このワイブル成長モデルの適用パラメータ推定処理を、図７を用いて説明する。このワイブル成長モデルは、ワイブル分布の累積した累積分布である。
【００４５】
ここでは、予め準備された複数の初期値を用いる。この初期値は、ワイブル成長モデルのモデル関数のパラメータとして用いられる。ワイブル成長モデルのモデル関数は図７に示す式（１）で表される。ここで、「Ｙｅ（ｉ）」は累積受注個数予測値であり、「Ｘ（ｉ）」は、開放月からの月数である。「Ｔｏｐ」は累積上限値であり、パーツの開放月から打切りまでの総受注量の予測値である。また、「ｍ」は形状パラメータであり、累積量推移の形状を決定する値である。「η」は尺度パラメータであり、累積総数の約６３％地点を予測する値である。「γ」は位置パラメータであり、開放時期と需要予測に用いる期間の原点との差を補正する値である。
【００４６】
まず、管理コンピュータ２１は、準備された初期値の中から、この処理で用いる初期値（Ｔｏｐ０、ｍ０、η０、γ０）を選択する（Ｓ４−１）。
次に、管理コンピュータ２１は、選択した初期値を用いて、ワイブル成長モデルのモデル関数における各パラメータの算出を行なう（Ｓ４−２）。本実施形態では、受注実績とワイブル成長モデルの関数から得られる理論値の差の二乗和（Ｓｅ）が最小となるようなパラメータを決定する最小二乗法を用いる。この二乗和（Ｓｅ）は、図７に示す式（２）によって表される。ここでは、推定するパラメータに対してモデル関数が非線形であるため、ニュートン・ラフソン法（Newton-Raphson法）という数値解析手法を用いることによりパラメータを決定する。具体的には、選択した初期値（Ｔｏｐ０、ｍ０、η０、γ０）から、二乗和（Ｓｅ）の微分係数を用いて各パラメータの繰り返し計算を行なうことにより、収束する近似解を求める。これにより、累積予測関数として、近似解をパラメータに有するモデル関数が算出される。
【００４７】
なお、収束しない場合には、管理コンピュータ２１は他の初期値を選択して再計算を行なう。
そして、収束した近似解を算出できた場合、及び準備された全初期値を用いても収束しなかった場合には、図５の処理に戻る。
【００４８】
図５の処理においては、ワイブル成長モデルを用いて推定処理ができたかどうかによって処理が異なる（Ｓ２−５）。ワイブル成長モデルを適用することにより近似解が得られた場合（ステップ（Ｓ２−５）において「Ｙｅｓ」の場合）には、管理コンピュータ２１は、算出したパラメータを用いるワイブル成長モデルを用いて傾向曲線の算出処理を行なう（Ｓ２−７）。この傾向曲線の算出処理については後述する。
【００４９】
一方、サービスパーツの受注量がピークを経過していないと判定された場合（ステップ（Ｓ２−２）において「Ｎｏ」の場合）、管理コンピュータ２１は、他のモデルを用いてのフィッティングを行なうための適用処理を行なう（Ｓ２−６）。この他のモデルの適用処理を、図８を用いて説明する。この処理においても、図４のステップ（Ｓ１−２）で算出した累積量推移を用いる。
【００５０】
ここでは、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ５−１）。本実施形態では、図８に示すように、他のモデルとして、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。ここで、「累積２次モデル」、「累積３次モデル」、「累積４次モデル」とは、それぞれ２次、３次、４次の重回帰モデルである。ここでも、ステップ（Ｓ４−２）の処理と同様に、最小二乗法を用いてモデル関数のパラメータの算出を行なう。
【００５１】
そして、管理コンピュータ２１は予測モデルの中から最適モデルの選択処理を行なう（Ｓ５−２）。ここでは、モデル関数と実績との差分が最小になるモデル関数を採用する。そして、図５に示す処理に戻る。
【００５２】
なお、図５に示す流動レベルが低い場合（ステップ（Ｓ２−３）において「Ｎｏ」の場合）や、ワイブル成長モデルを適用した時に解が収束しなかった場合（ステップ（Ｓ２−５）において「Ｎｏ」の場合）も、管理コンピュータ２１は、上述した図８に示す他のモデルの適用処理を行なう（Ｓ２−６）。
【００５３】
ステップ（Ｓ２−４）又はステップ（Ｓ２−６）により、モデル関数を用いてフィッティングが行なわれた様子を図１３に示す累積量推移グラフ５２０を用いて説明する。この累積量推移グラフ５２０には、累積受注実績推移５１１に対してモデル関数を用いて算出した累積フィッティング曲線５２１が表示されている。
【００５４】
次に、管理コンピュータ２１は傾向曲線の算出を行なう（Ｓ２−７）。ここでは、ステップ（Ｓ２−４）又はステップ（Ｓ２−６）で特定されたモデル関数の微分を行なうことにより傾向関数を算出し、月毎の予測受注量を算出する。この様子を図１４に示す受注実績グラフ５３０を用いて説明する。図１４には、受注実績推移５０１に対して、予測受注量を表示した傾向曲線５３１を示されている。傾向曲線５３１は、図１３の累積量推移グラフ５２０の傾き（微分係数）を計算することにより算出される。このように、傾向曲線を算出後、図４に示す処理に戻る。
【００５５】
そこで、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう（Ｓ１−４）。この周期変動判定処理を、図９を用いて説明する。本実施形態では、公知のペリオドグラムを用いて判定する。
【００５６】
まず、管理コンピュータ２１は受注実績と傾向曲線との差分から差分推移を算出する（Ｓ６−１）。この差分推移は、受注実績（実績推移）と傾向関数との差分により算出される。ここで、例えば、図１４に示す受注実績推移５０１と傾向曲線５３１とを用いて説明する。両者の差分を算出することにより、図１５に示す差分グラフ６００が得られる。この差分グラフ６００には、受注実績と傾向曲線との差分を月毎に表示した差分曲線６０１が表されている。
【００５７】
次に、管理コンピュータ２１は、算出した差分に対して同調強度を算出する（Ｓ６−２）。ここでは、この同調強度は図９に示す式（３）を用いて、６ヶ月周期又は１２ヶ月周期の同調強度を算出する。ペリオドグラムでは、ある周期（μ）で振幅する三角関数と実データ（残差）を同調させることを考える。このようにして考えられた統計量を同調強度と呼ぶ。実データが周期（μ）で振幅している場合、同調強度は大きくなり、周期（μ）とはまったく異なる動きをしている場合、同調強度は小さくなる。なお、検定にはシェスターの検定を用いる。具体的には、同調強度が１％有意点より大きくなる場合には周期性がある判定し、その中で同調強度が最大になるものを周期として用いる。そして、図４に示す処理に戻る。
【００５８】
同調強度が１％有意点より大きくなり周期性があると判定される場合（ステップ（Ｓ１−５）において「Ｙｅｓ」の場合）、管理コンピュータ２１は季節変動を予測する周期変動モデルの適用処理を行なう（Ｓ１−６）。
【００５９】
この処理を、図１０を用いて説明する。まず、管理コンピュータ２１は、受注実績と傾向曲線との差分推移に、周期関数を用いた周期変動モデルを用いてフィッティングを行なう（Ｓ７−１）。ここで、差分としては、ステップ（Ｓ１−４）で算出したものを用いる。本実施形態では、周期変動モデルのモデル関数として、図１０に示す式（４）の「２次Ｓｉｎモデル」を適用する。この「２次Ｓｉｎモデル」は、２次関数と三角関数とを乗算した合成関数を含んで構成される。ここで、「Ｄ」は、受注実績と傾向曲線との差分の予測値である。また、「Ｘ（１−ｉ）」は、開放月からの通し月であり、「Ｘ（２−ｉ）」は１月から１２月までを示す月である。また、「ＰｒｏＤ」はペリオドグラムを用いて算出した周期であり、６ヶ月周期の場合には「６」、１２ヶ月周期の場合には「１２」を用いる。ｋ１〜ｋ３、ｄ、Ｃは、フィッティングのためのパラメータである。このパラメータを変化させることによりフィッティングを行なう。例えば、差分グラフ６００に示す差分曲線６０１に対してフィッティングを行なった場合、図１６に示す周期曲線６２１のような周期変動モデルが得られる。
【００６０】
そして、管理コンピュータ２１は、フィッティングさせて特定したパラメータを用いて算出した周期変動モデルの周期関数と、ステップ（Ｓ２−７）で算出した傾向曲線（傾向関数）とを合成して需要予測曲線を生成する（Ｓ７−２）。例えば、図１４に示す傾向曲線５３１に、図１６に示す周期曲線６２１を合成した場合、図１７に示す受注実績グラフ６３０のようになる。このように、受注実績推移５０１、傾向曲線５３１に対して、需要予測曲線６３１を引くことができる。このように、周期性がある場合には、傾向関数と周期関数とを合成して生成した関数を需要予測モデルを選択する。
【００６１】
そして、図１０に示す周期変動モデルの適用処理を終了した場合、図４に示す処理に戻る。なお、図４において、同調強度が小さく周期性がないと判定される場合（ステップ（Ｓ１−５）において「Ｎｏ」の場合）、ステップ（Ｓ１−６）の処理をスキップし、ステップ（Ｓ１−３）で算出した傾向曲線（傾向関数）を需要予測モデルとして用いる。
【００６２】
（受注実績期間が１８ヶ月未満の処理）
また、図４のステップ（Ｓ１−１）において「Ｎｏ」の場合、すなわち受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１は受注量の累積量推移を算出する（Ｓ１−７）。
【００６３】
次に、管理コンピュータ２１は他のモデルの適用を行なう（Ｓ１−８）。本実施形態では、図４に示すように、ここでの他のモデルとして「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。ステップ（Ｓ１−７）で算出した累積量推移は、累積２次モデルを適用する場合に用いられる。
【００６４】
ここで、「累積２次モデル」とは２次の重回帰モデルである。「６ヶ月平均モデル」とは受注量直近６ヶ月平均値、「１２ヶ月平均モデル」とは、受注量直近１２ヶ月平均値である。
【００６５】
そして、管理コンピュータ２１は最適モデルの選択処理を行なう（Ｓ１−９）。ここでは、フィッティング結果と実績との差分を算出し、差分が最小になるモデルを需要予測モデルとして採用する。
【００６６】
（需要予測の出力処理）
そして、管理コンピュータ２１は、ステップ（Ｓ１−３）、ステップ（Ｓ１−６）又はステップ（Ｓ１−９）で選択された需要予測モデルを用いて、将来の需要を予測し、この結果を、ネットワークＮを介して受注システム１０に出力する（Ｓ１−１０）。この需要予測を用いることにより、サービスパーツ管理部門は需要に応じた発注指示を行なうことができる。
【００６７】
上記実施形態の需要予測処理によれば、以下のような効果を得ることができる。
・上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移に周期変動があるかどうかを判定するため周期変動判定処理を行なう。例えば、季節変動等の周期変動のないサービスパーツに対して周期変動モデルを適用すると、ケースによっては予測値が暴走する場合がある。このため、より的確に需要予測を行なうことができる。また、周期変動モデルの適用には計算負荷がかかるが、周期変動のないサービスパーツに対して周期変動モデルを適用することなく、効率的に需要予測を行なうことができる。
【００６８】
・上記実施形態では、管理コンピュータ２１はペリオドグラムを用いて周期性の有無を判定する。このため、同調強度を用いて効率的に周期性を判定することができる。
【００６９】
・上記実施形態では、管理コンピュータ２１は、受注実績と傾向関数との差分推移を算出し、この差分推移に対して周期変動モデルを適用する。この場合、周期変動モデルのモデル関数（周期関数）として、２次関数と三角関数とを乗算した合成関数を含んで構成される「２次Ｓｉｎモデル」を用いる。サービスパーツの需要変動は、受注量に応じて変化する。「２次Ｓｉｎモデル」は、サービスパーツの受注開始時期や受注終了時期に比べ、ピーク時期の振幅を大きくしながら周期成分を表わすことができる。このため、より的確にサービスパーツの周期変動を予測することができる。
【００７０】
・上記実施形態では、管理コンピュータ２１はワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル分布は、通常、成長モデルには利用されない分布であるが、信頼性工学の分野で製品寿命を推定する際に広く用いられる分布である。このため、予測対象であるサービスパーツの需要は、製品の寿命・故障率等の製品の信頼性に関わる分野に密接な関係がある。従って、製品の機能を維持するためサービスパーツの需要を、より的確に予測することができる。
【００７１】
・上記実施形態では、管理コンピュータ２１は、受注実績期間が１８ヶ月以上の場合にワイブル成長モデルを用いてサービスパーツの需要予測を行なう。ワイブル成長モデルは、過去の実績から次の受注量を予測する手法であるため、所定の受注実績期間に基づいて、より的確な需要予測を行なうことができる。
【００７２】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを用いて需要予測を行なう。ワイブル成長モデルはサービスパーツにより、サービスパーツの受注開始から受注終了までのライフサイクルを描くものである。そのために最終の累積量（累積上限値）がどの程度になるのかを予測する。累積上限値を予測するためにはサービスパーツの受注量がピークを過ぎて落ち始めていないと予測が困難である。受注量が上昇傾向にあるパーツに対してワイブル成長モデルを適用すると、その累積上限値が予測できないために解析不能になったり、間違ったピークを付与しまったりすることがある。このため、サービスパーツの受注量推移がピークを過ぎている場合にワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００７３】
・上記実施形態では、管理コンピュータ２１は、サービスパーツの流動レベルが高い場合にワイブル成長モデルを用いて需要予測を行なう。サービスパーツの中には、月に数万個単位で流動するものから月に１個〜２個程度しか流動しないものまで様々な流動レベルで推移する。流動レベルが低いところで推移しているサービスパーツの推移が不安定でまた変動バラツキも大きく、これまでの受注量の傾向が変わってしまうこともある。このため、流動レベルが高いところで推移し、受注量の推移が安定しているサービスパーツを対象としてワイブル成長モデルを適用することにより、より的確な需要予測を行なうことができる。
【００７４】
・上記実施形態では、管理コンピュータ２１がピーク判定処理を行なう。このピーク判定処理では、管理コンピュータ２１は、各月の受注量に対して、所定の重み付けを行ない、それを総和することによって、第１主成分及び第２主成分の各主成分を算出する。因子負荷量Ｌ１（ｉ）として、図６に示す因子負荷量３１を用いる場合、第１主成分は、減少傾向のサービスパーツは大きく、増加傾向のパーツは小さくなる。また、因子負荷量Ｌ２（ｉ）として、図６に示す因子負荷量３２を用いる場合、第２主成分は、山型のサービスパーツの値が大きくなる。そして、管理コンピュータ２１は、算出した第１主成分と第２主成分とをパラメータとする関数値と所定値とを比較することにより、ピーク経過の判定を行なう。このため、管理コンピュータ２１は、受注実績がピークを過ぎているか否かを、効率的に判別することができる。
【００７５】
・上記実施形態では、ピーク判定処理を行なう場合、管理コンピュータ２１は受注実績の基準化を行なう。このため、受注量はサービスパーツによって、その規模がまったく異なる場合においても、同じ尺度でピーク判定を行なうことができる。
【００７６】
・上記実施形態では、サービスパーツの受注実績が６０ヶ月未満の場合には、管理コンピュータ２１は、受注実績データ記憶部２３に記録された受注実績期間を６０ヶ月に引き伸ばし、各月に割り当て直すことにより受注量を見積もる。このため、受注実績が６０ヶ月以上あるサービスパーツと同様に、因子負荷量（Ｌ１（ｉ）、Ｌ２（ｉ））として、因子負荷量３１や因子負荷量３２を用いることができる。
【００７７】
・上記実施形態では、受注実績期間が１８ヶ月未満の場合、管理コンピュータ２１はワイブル成長モデル以外のモデルの適用を行なう。本実施形態では、「累積２次モデル」、「６ヶ月平均モデル」、「１２ヶ月平均モデル」を用いる。また、サービスパーツの受注量がピークを経過していないと判定された場合、ワイブル成長モデル以外のモデルを用いてのフィッティングを行なうための適用処理を行なう。本実施形態では、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いる。これらのモデルは、流動レベルが低い場合や、ワイブル成長モデルを適用したときに解が収束しなかった場合にも用いられる。ワイブル成長モデルはすべてサービスパーツに対して適用できる訳でない。ワイブル成長モデルが不適合と判定されたサービスパーツに対しては、ワイブル成長モデルとは別の予測モデルを複数用意されているので、より的確な需要予測を行なうことができる。
【００７８】
なお、上記実施形態は以下のように変更してもよい。
・上記実施形態では、サービスパーツの需要予測を行なう。需要予測の対象はこれに限られるものではなく、季節変動等の周期変動を含む可能性がある商品であればよい。
【００７９】
・上記実施形態では、傾向曲線の算出処理において、ワイブル成長モデルを用いる。また、ワイブル成長モデルを適用できない場合には、「累積２次モデル」、「累積３次モデル」及び「累積４次モデル」を用いて傾向関数を算出する。傾向関数の算出方法はこれに限られるものではなく、これらに代えて、管理コンピュータ２１は他の成長モデルやこれらのモデルの一部等を用いて傾向曲線を算出してもよい。
【００８０】
・上記実施形態では、管理コンピュータ２１は、算出した差分に対して同調強度を算出する。ここでは、６ヶ月周期又は１２ヶ月周期の同調強度を算出する。これに代えて、１月から１２月までのすべての月や、１２の約数の月の周期性の同調強度を算出してもよい。これにより、特殊な周期の商品の需要を予測できる。
【００８１】
【発明の効果】
本発明によれば、所定の商品に関して周期変動を考慮して、効率的かつ的確に需要を予測することができる。
【図面の簡単な説明】
【図１】本発明の実施形態のシステム概略図。
【図２】プロフィールデータ記憶部に記録されたデータの説明図。
【図３】受注実績データ記憶部に記録されたデータの説明図。
【図４】本実施形態の処理手順の説明図。
【図５】本実施形態の処理手順の説明図。
【図６】本実施形態の処理手順の説明図。
【図７】本実施形態の処理手順の説明図。
【図８】本実施形態の処理手順の説明図。
【図９】本実施形態の処理手順の説明図。
【図１０】本実施形態の処理手順の説明図。
【図１１】本実施形態の受注量推移を示すグラフ。
【図１２】本実施形態の累積量推移を示すグラフ。
【図１３】本実施形態の累積量推移を示すグラフ。
【図１４】本実施形態の受注量推移を示すグラフ。
【図１５】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１６】本実施形態の受注実績と傾向曲線との差分を示すグラフ。
【図１７】本実施形態の受注量推移を示すグラフ。
【符号の説明】
２０…需要予測システム、２１…管理コンピュータ、２３…実績データ記憶手段としての受注実績データ記憶部。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a demand forecast method and a demand forecast program for a product, and more particularly to a demand forecast for a product in consideration of periodic fluctuations.
[0002]
[Prior art]
When providing products to customers, it is necessary to manage product inventory appropriately. This product includes not only finished products but also consumables used for finished products, replacement parts due to failure, and the like. And by carrying out accurate inventory management, it is possible to suppress inventory loss due to surplus inventory and opportunity loss due to shortage of inventory.
[0003]
In order to perform such inventory management, accurate demand prediction is necessary. In such demand prediction, for example, multiple regression analysis is used. In this multiple regression analysis, past results are analyzed to create a prediction formula. However, if the prediction formula once created is continuously used, the error between the predicted value and the actual value may increase. Thus, although it is conceivable to recreate the prediction formula based on the results for each short period, the load for creating the prediction formula increases.
[0004]
For this reason, a sales prediction method for performing sales prediction for each product category in consideration of the variation factor has been proposed (for example, see Patent Document 1). In this sales prediction method, first, a moving average value is calculated by averaging sales results of a product whose sales volume is predicted for a predetermined period. Then, the fluctuation forecast quantity of the sales quantity of the product is calculated from the fluctuation factors that are considered to affect the sales quantity on the forecast sales date. Further, the first sales forecast quantity is calculated by correcting the moving average value based on the fluctuation forecast quantity. Thereby, the sales performance in the predetermined period immediately before the sales prediction date can be reflected in the sales prediction, and the followability of the predicted value can be improved.
[0005]
[Patent Document 1]
JP 2000-339543 A (first page)
[0006]
[Problems to be solved by the invention]
However, the demand prediction based on the moving average value has a large prediction error due to a time lag, and it is necessary to prepare a large amount of safety stock. In addition, when calculating the sales forecast quantity by correcting the moving average value based on the forecasted fluctuation quantity, identify the fluctuation factors that may affect the sales quantity on the sales forecast date, and then change the sales quantity of the product. It is necessary to calculate the predicted quantity. However, fluctuations in the sales volume of merchandise are often derived from various factors, and it is not easy to identify them.
[0007]
An object of the present invention is to provide a demand prediction method and a demand prediction program capable of more efficiently and accurately performing demand prediction on a product.
[0008]
[Means for Solving the Problems]
In order to solve the above problem, the invention according to claim 1 A profile data storage unit storing profile data including data on service part identifiers, service part names, and release months, and data on service part identifiers and monthly order results are recorded in association with each other. An order record data storage unit in which order record data is recorded; A demand prediction method for predicting demand for the product using a management computer, wherein the management computer From the profile data storage unit, specify the actual order period from the release month of the service part for which demand prediction is performed, and determine whether the actual order period is equal to or longer than the applicable period of the growth model. If it is longer than the period, the past order results are extracted from the order result data storage unit, and the order amount results for each month are added to the cumulative total of the previous month, so that Calculate and determine whether the order record recorded in the order record data storage unit has exceeded the peak by principal component analysis. If it is determined that the peak has passed, When the average value is greater than or equal to a predetermined amount, a liquidity determination is made to determine that the flow level is high, and the cumulative amount transition is determined. By using numerical analysis techniques model the model function, by determining the parameters of the model function, performs the derivative of the model function, A trend calculation stage for calculating a trend function, and a difference calculation stage for calculating a difference transition obtained by subtracting the trend function from the result transition; The periodogram is determined by using a periodogram that synchronizes the trigonometric function that changes amplitude with the amplitude and the difference transition, and the period is specified in the periodogram. The gist includes a periodic function calculating step of calculating a periodic function, and a demand prediction calculating step of predicting the demand of the commodity using a function obtained by combining the periodic function and the trend function.
[0012]
Claim 2 The invention described in A profile data storage unit storing profile data including data on service part identifiers, service part names, and release months, and data on service part identifiers and monthly order results are recorded in association with each other. An order record data storage unit in which order record data is recorded; A demand prediction program for predicting demand for the product using a management computer, wherein the management computer is From the profile data storage unit, specify the actual order period from the release month of the service part for which demand prediction is performed, and determine whether the actual order period is equal to or longer than the applicable period of the growth model. If it is longer than the period, the past order results are extracted from the order result data storage unit, and the order amount results for each month are added to the cumulative total of the previous month, so that Calculate and determine whether the order record recorded in the order record data storage unit has exceeded the peak by principal component analysis. If it is determined that the peak has passed, When the average value is greater than or equal to a predetermined amount, a liquidity determination is made to determine that the flow level is high, and the cumulative amount transition is determined. By using numerical analysis techniques model the model function, by determining the parameters of the model function, performs the derivative of the model function, A trend calculating means for calculating a trend function, a difference calculating means for calculating a difference transition obtained by subtracting the trend function from the actual result transition, The periodogram is determined by using a periodogram that synchronizes the trigonometric function that changes amplitude with the amplitude and the difference transition, and the period is specified in the periodogram. The gist of the present invention is to function as a demand prediction calculating means for predicting the demand of the product using a function obtained by combining the periodic function and the trend function, and a periodic function calculating means for calculating a periodic function.
[0016]
(Function)
Claim 1 or 2 According to the described invention, the management computer calculates the trend function based on the result transition recorded in the result data storage means. Next, the difference transition obtained by subtracting the trend function from the result transition is calculated. Furthermore, a periodic function corresponding to the difference transition is calculated, and the demand for the product is predicted using a function obtained by combining the periodic function and the trend function. For this reason, it is possible to make a more accurate demand prediction by taking into account the demand fluctuation in consideration of the life cycle from the start to the end of the sale of goods, etc., and the periodic fluctuations such as seasonal fluctuations.
[0017]
Book According to the invention, the periodic function includes a synthesis function obtained by multiplying a quadratic function and a trigonometric function. As for the component of the periodic fluctuation, the product tends to have an amplitude corresponding to the demand. Then, the demand at the start time and end time of the product is reduced, and the width of the period amplitude is accordingly reduced. For this reason, the tendency common to the start / end times of the product can be adjusted by a quadratic function and the amplitude range can be adjusted, and the periodically changing component can be expressed by a trigonometric function. Therefore, the demand for goods can be predicted more accurately.
[0018]
Book According to the invention, the management computer determines a period variation with respect to the difference transition. Only when it is determined that the difference transition has a periodic variation, the management computer calculates a periodic function corresponding to the difference transition, and uses the function obtained by synthesizing the periodic function and the trend function. Forecast demand. Furthermore, when it is determined that there is no periodic variation in the difference transition, the management computer predicts the demand for the product using the trend function. For this reason, since the calculation of the periodic function is performed only when it is determined that there is a periodic variation, the calculation load of the management computer can be reduced.
[0019]
Book According to the invention, the period variation determining step is performed using a periodogram. For this reason, the presence or absence of a period fluctuation | variation can be determined efficiently using a periodogram.
[0020]
Book According to the invention, as a period of the periodic function, a period in which the tuning intensity is maximum in the periodogram is used. For this reason, a periodic function can be calculated using the most probable period, and more appropriate demand prediction can be performed.
[0021]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, an embodiment of a demand prediction process embodying the present invention will be described with reference to FIGS. In this embodiment, as will be described later, a periodic function is applied to a trend function under a certain condition to perform demand prediction of service parts as a product. Specifically, it will be described as a demand forecasting method and a demand forecasting program that are used when forecasting demand for service parts based on the order receipt of service parts for products provided to customers. Here, the service parts mean parts that are exchanged with service in the event of wear or failure. This part is a minimum unit for maintaining the function of the product, and the service part includes not only a part but also a unit combining the parts.
[0022]
In the present embodiment, as shown in FIG. 1, an order record is input using an order receiving system 10. Further, an order is instructed based on the demand forecast output to the order receiving system 10. The order receiving system 10 is installed in a service parts management department that manages service parts, and receives orders received at sales bases, service bases, etc., and outputs ordering instructions to production departments, purchasing departments, and the like.
[0023]
The order receiving system 10 is a computer terminal having a function of transmitting data via the network N, a function of displaying received data, and the like. The order receiving system 10 includes a CPU, RAM, and ROM (not shown), input means such as a keyboard and mouse, output means such as a display, communication means such as a communication interface, and the like.
[0024]
The order receiving system 10 is connected to a demand prediction system 20 via a network N as shown in FIG. The demand prediction system 20 is a computer system that performs various data processing relating to demand prediction. The demand prediction system 20 includes a management computer 21.
[0025]
The management computer 21 performs data transmission / reception with the order receiving system 10, management processing of various data for executing demand prediction, and the like. The management computer 21 has a CPU, RAM, ROM, and the like (not shown), and performs later-described processes (processes including a trend calculation stage, a difference calculation stage, a periodic function calculation stage, a demand prediction calculation stage, a periodic fluctuation determination stage, etc.). Do. By executing the demand prediction program for that purpose, the management computer 21 functions as a trend calculation means, a difference calculation means, a periodic function calculation means, a demand prediction calculation means, a periodic fluctuation determination means, and the like.
[0026]
The demand prediction system 20 further includes a profile data storage unit 22 and an order record data storage unit 23 as a record data storage unit.
As shown in FIG. 2, profile data 220 relating to service parts for which demand prediction is performed is recorded in the profile data storage unit 22. This profile data 220 is set when a service part can be provided. The profile data 220 includes, for each service part, data related to a service part identifier, a service part name, and an open month.
[0027]
In the service part identifier data area, data relating to an identifier for specifying a service part is recorded. For example, a part number or the like is used as the service part identifier.
[0028]
Data relating to the name of the service part is recorded in the service part name data area.
In the open month data area, data related to the year and month when the service part identifier was opened (expanded) to each service base in order to provide the service part is recorded.
[0029]
As shown in FIG. 3, the order record data 230 relating to each service part is recorded in the order record data storage unit 23. The order record data 230 is set after the service part identifier is released, and is additionally recorded when an order record confirmed from the order system 10 is received. In the order record data 230, for each service part, a service part identifier and data on the order record are associated with each other and recorded.
[0030]
In the service part identifier data area, data relating to an identifier for identifying a service part for which an order has been received is recorded.
In the order record data area, data relating to the order quantity of service parts is recorded together with data relating to the order month as the product provision quantity. In the present embodiment, this order quantity is recorded on a monthly basis, and constitutes an actual result transition. This order record is additionally recorded when the record is confirmed. Therefore, the service parts have a different number of orders received (n) depending on the release month, and the number of data corresponding to the number is recorded.
[0031]
In the system configured as described above, a processing procedure for performing service part demand prediction will be described with reference to FIGS.
First, the management computer 21 determines whether or not the Weibull growth model can be applied based on the attribute of a service part as a product. In this embodiment, as will be described later, the order record period, the presence / absence of a peak, and liquidity are used as attributes.
[0032]
First, the management computer 21 determines a period in which the process is distributed according to the service part order record period. In the present embodiment, the processing method is divided depending on whether the order record period is 18 months or more (S1-1). This is because the Weibull growth model used for demand prediction in the present embodiment is a method of predicting the next order quantity from the past results, and therefore requires a certain order result period. Therefore, the management computer 21 specifies the order record period from the release month recorded in the profile data storage unit 22 for the service part for which the order is predicted.
[0033]
(Processing when the order receipt period is 18 months or more)
Here, when the order record period is 18 months or more (in the case of “Yes” in step (S1-1)), the management computer 21 calculates the cumulative amount transition of the order amount (S1-2). In the present embodiment, the cumulative amount transition is calculated using all the orders received. For this reason, the management computer 21 extracts the past order record from the order record data storage unit 23. In the present embodiment, it is assumed that there is an order record for 60 months.
[0034]
Then, the cumulative amount transition (cumulative transition) for each month is calculated by adding the order received results for each month to the cumulative total of the previous month. Here, an example will be described using an order record graph 500 shown in FIG. Here, the order result transition 501 of the order result graph 500 represents the number of service parts received up to the present (60 months) starting from 60 months ago (January).
[0035]
The cumulative amount transition graph 510 shown in FIG. 12 shows the cumulative amount transition calculated from the order record transition shown in FIG. Here, the cumulative order record transition 511 of the cumulative amount transition graph 510 represents the cumulative number obtained by adding the number of orders received from January to the 60th month.
[0036]
Next, the management computer 21 applies a growth model to perform a trend curve calculation process (S1-3). Here, the trend curve is a curve generated by a trend function representing a demand trend. This trend curve calculation process will be described with reference to FIG. First, the management computer 21 performs peak determination processing (S2-1). This peak determination process will be described with reference to FIG. Here, in order to determine whether or not the order record has exceeded the peak, the principal component analysis is performed on the order quantity for the past 60 months as the peak determination reference period. Specifically, the management computer 21 performs predetermined weighting on the order quantity for each month, and sums the weights to calculate the first principal component and the second principal component. In this case, the meaning of the principal component index varies depending on the combination of the values of the factor loadings (L1 (i), L2 (i)) used for the weighting.
[0037]
In this process, the results after the time when the order results are equal to or greater than a predetermined amount (here, “1”) are used.
If the order received for this service part is less than 60 months, the management computer 21 generates an extended transition obtained by extending the received order period recorded in the received order data storage unit 23 to 60 months. Estimate the order volume by reassigning to each month.
[0038]
First, the management computer 21 standardizes the order record (S3-1). Here, a standardized order record Yn (i) in which the average of the order record Y (i) is “0” and the standard deviation is “1” is calculated. Specifically, the standardized order record Yn (i) is calculated by dividing the value obtained by subtracting the average value from the number of orders received in each month by the standard deviation.
[0039]
Next, the management computer 21 calculates the first principal component (S3-2). The first principal component is calculated by multiplying the factor load 31 shown in FIG. 6 by the standardized order receipt result Yn (i) and summing them up.
[0040]
Next, the management computer 21 calculates the second principal component (S3-3). The second principal component is calculated by multiplying the factor load 32 shown in FIG. 6 by the standardized order receipt result Yn (i) and summing them up.
[0041]
When the factor load 31 shown in FIG. 6 is used as the factor load L1 (i), the first principal component changes depending on the increasing / decreasing tendency, the service parts having the actual trend of decreasing tendency are large, and the increasing tendency parts are small. . In addition, when the factor load 32 shown in FIG. 6 is used as the factor load L2 (i), the value of the service part having the actual transition of the convex shape (mountain shape) changes in the second main component due to the uneven shape tendency. Becomes larger. After calculating the first principal component and the second principal component in this way, the process returns to the process shown in FIG.
[0042]
Then, the management computer 21 determines peak progress by comparing a function value using the calculated first principal component and second principal component as parameters and a predetermined value (S2-2). Here, when the function value is larger than the predetermined value, it is determined that the order quantity of service parts has already reached a peak.
[0043]
When it is determined that the peak has passed (in the case of “Yes” in step (S2-2)), the management computer 21 performs a fluidity determination for determining whether the flow level of the order quantity of service parts is high. (S2-3). In the present embodiment, the determination is made using an average value (Max average) for a certain period during which the order of service parts has flowed the most. The management computer 21 determines that the flow level is high when the Max average is a predetermined amount or more.
[0044]
If the flow level is high (“Yes” in step (S2-3)), the management computer 21 performs fitting using the Weibull growth model. Therefore, the management computer 21 performs an application parameter estimation process for the Weibull growth model (S2-4). The application parameter estimation process of the Weibull growth model will be described with reference to FIG. This Weibull growth model is a cumulative distribution obtained by accumulating a Weibull distribution.
[0045]
Here, a plurality of initial values prepared in advance are used. This initial value is used as a parameter of the model function of the Weibull growth model. The model function of the Weibull growth model is expressed by Expression (1) shown in FIG. Here, “Ye (i)” is a cumulative order quantity prediction value, and “X (i)” is the number of months from the open month. “Top” is a cumulative upper limit value, and is a predicted value of the total order received from the release month of the part to the cutoff. “M” is a shape parameter, which is a value that determines the shape of the cumulative amount transition. “Η” is a scale parameter, and is a value that predicts about 63% of the cumulative total. “Γ” is a position parameter, which is a value for correcting the difference between the opening time and the origin of the period used for demand prediction.
[0046]
First, the management computer 21 selects initial values (Top0, m0, η0, γ0) to be used in this process from the prepared initial values (S4-1).
Next, the management computer 21 calculates each parameter in the model function of the Weibull growth model using the selected initial value (S4-2). In the present embodiment, a least square method is used that determines a parameter that minimizes the sum of squares (Se) of the difference between theoretical values obtained from a function of an order record and a Weibull growth model. This sum of squares (Se) is expressed by equation (2) shown in FIG. Here, since the model function is nonlinear with respect to the parameter to be estimated, the parameter is determined by using a numerical analysis method called Newton-Raphson method. Specifically, an approximate solution that converges is obtained by repeatedly calculating each parameter from the selected initial values (Top0, m0, η0, γ0) using the derivative of the sum of squares (Se). Thereby, a model function having an approximate solution as a parameter is calculated as a cumulative prediction function.
[0047]
If the convergence does not occur, the management computer 21 selects another initial value and performs recalculation.
Then, when the converged approximate solution can be calculated and when the prepared initial values are not converged, the process returns to the process of FIG.
[0048]
In the process of FIG. 5, the process differs depending on whether or not the estimation process has been performed using the Weibull growth model (S2-5). When the approximate solution is obtained by applying the Weibull growth model (in the case of “Yes” in Step (S2-5)), the management computer 21 uses the Weibull growth model using the calculated parameters to set the trend curve. Is calculated (S2-7). This trend curve calculation process will be described later.
[0049]
On the other hand, when it is determined that the order quantity of service parts has not passed the peak (in the case of “No” in step (S2-2)), the management computer 21 performs fitting using another model. Is applied (S2-6). The other model application processing will be described with reference to FIG. Also in this process, the cumulative amount transition calculated in step (S1-2) in FIG. 4 is used.
[0050]
Here, the management computer 21 applies another model (S5-1). In the present embodiment, as shown in FIG. 8, “cumulative secondary model”, “cumulative tertiary model”, and “cumulative quaternary model” are used as other models. Here, “cumulative quadratic model”, “cumulative cubic model”, and “cumulative quaternary model” are secondary, cubic, and quadratic multiple regression models, respectively. Here, as in the process of step (S4-2), the parameter of the model function is calculated using the least square method.
[0051]
Then, the management computer 21 performs an optimum model selection process from the prediction models (S5-2). Here, a model function that minimizes the difference between the model function and the actual results is adopted. Then, the process returns to the process shown in FIG.
[0052]
When the flow level shown in FIG. 5 is low (“No” in step (S2-3)) or when the solution does not converge when the Weibull growth model is applied (in step (S2-5), “ In the case of “No” as well, the management computer 21 performs the application process of the other model shown in FIG. 8 described above (S2-6).
[0053]
A state in which fitting is performed using the model function in step (S2-4) or step (S2-6) will be described using a cumulative amount transition graph 520 shown in FIG. In this cumulative amount transition graph 520, a cumulative fitting curve 521 calculated using a model function with respect to the cumulative order record transition 511 is displayed.
[0054]
Next, the management computer 21 calculates a trend curve (S2-7). Here, the trend function is calculated by differentiating the model function specified in step (S2-4) or step (S2-6), and the predicted order quantity for each month is calculated. This will be described with reference to an order receipt graph 530 shown in FIG. FIG. 14 shows a trend curve 531 displaying the predicted order quantity with respect to the order result transition 501. The trend curve 531 is calculated by calculating the slope (differential coefficient) of the cumulative amount transition graph 520 of FIG. Thus, after calculating the trend curve, the process returns to the process shown in FIG.
[0055]
Therefore, the management computer 21 performs a cycle variation determination process to determine whether there is a cycle variation in the order quantity transition of service parts (S1-4). This period variation determination process will be described with reference to FIG. In the present embodiment, the determination is made using a known periodogram.
[0056]
First, the management computer 21 calculates a difference transition from the difference between the order record and the trend curve (S6-1). This difference transition is calculated by the difference between the order record (result transition) and the trend function. Here, for example, the order result transition 501 and the trend curve 531 shown in FIG. By calculating the difference between the two, a difference graph 600 shown in FIG. 15 is obtained. In the difference graph 600, a difference curve 601 is displayed in which the difference between the order record and the trend curve is displayed for each month.
[0057]
Next, the management computer 21 calculates the tuning intensity with respect to the calculated difference (S6-2). Here, the tuning intensity is calculated using a formula (3) shown in FIG. 9 for a 6-month period or a 12-month period. In the periodogram, it is considered to synchronize a trigonometric function that oscillates with a certain period (μ) and real data (residual). The statistic thus considered is called tuning intensity. When the actual data is oscillating at the period (μ), the tuning intensity is large. When the actual data is moving completely different from the period (μ), the tuning intensity is small. In addition, Chester's test is used for the test. Specifically, when the tuning strength is greater than the 1% significance point, it is determined that there is periodicity, and the one having the maximum tuning strength is used as the cycle. Then, the process returns to the process shown in FIG.
[0058]
When it is determined that the synchronization strength is greater than the 1% significance point and there is periodicity (in the case of “Yes” in step (S1-5)), the management computer 21 performs the application process of the periodic variation model for predicting seasonal variation. Perform (S1-6).
[0059]
This process will be described with reference to FIG. First, the management computer 21 performs fitting using a periodic variation model using a periodic function for the difference transition between the order record and the trend curve (S7-1). Here, the difference calculated in step (S1-4) is used. In the present embodiment, the “second-order Sin model” of Expression (4) shown in FIG. 10 is applied as the model function of the periodic variation model. This “second-order Sin model” includes a synthesis function obtained by multiplying a quadratic function and a trigonometric function. Here, “D” is a predicted value of the difference between the order record and the trend curve. “X (1-i)” is a whole month from the open month, and “X (2-i)” is a month indicating from January to December. “ProD” is a cycle calculated using a periodogram, and “6” is used for a 6-month cycle, and “12” is used for a 12-month cycle. k1 to k3, d, and C are parameters for fitting. Fitting is performed by changing this parameter. For example, when fitting is performed on the difference curve 601 shown in the difference graph 600, a periodic variation model such as a periodic curve 621 shown in FIG. 16 is obtained.
[0060]
Then, the management computer 21 combines the periodic function of the periodic variation model calculated using the parameters specified by fitting and the trend curve (trend function) calculated in step (S2-7) to generate a demand prediction curve. Generate (S7-2). For example, when the periodic curve 621 shown in FIG. 16 is combined with the trend curve 531 shown in FIG. 14, an order record graph 630 shown in FIG. 17 is obtained. Thus, the demand prediction curve 631 can be drawn with respect to the order record transition 501 and the trend curve 531. Thus, when there is periodicity, a demand prediction model is selected from a function generated by synthesizing a trend function and a periodic function.
[0061]
When the application process of the periodic variation model shown in FIG. 10 is finished, the process returns to the process shown in FIG. In FIG. 4, when it is determined that the tuning intensity is small and there is no periodicity (“No” in step (S1-5)), the process of step (S1-6) is skipped, and step (S1- The trend curve (trend function) calculated in 3) is used as a demand prediction model.
[0062]
(Processing when the order receipt period is less than 18 months)
Further, in the case of “No” in step (S1-1) of FIG. 4, that is, when the order record period is less than 18 months, the management computer 21 calculates the cumulative amount transition of the order amount (S1-7).
[0063]
Next, the management computer 21 applies another model (S1-8). In the present embodiment, as shown in FIG. 4, “cumulative secondary model”, “6-month average model”, and “12-month average model” are used as other models here. The cumulative amount transition calculated in step (S1-7) is used when the cumulative secondary model is applied.
[0064]
Here, the “cumulative secondary model” is a secondary multiple regression model. The “6-month average model” is the average value for the most recent 6-month order volume, and the “12-month average model” is the average value for the 12-month period immediately following the order volume.
[0065]
Then, the management computer 21 performs an optimum model selection process (S1-9). Here, the difference between the fitting result and the actual result is calculated, and the model that minimizes the difference is adopted as the demand prediction model.
[0066]
(Demand forecast output processing)
Then, the management computer 21 predicts the future demand using the demand prediction model selected in step (S1-3), step (S1-6) or step (S1-9), and this result is shown in the network. N to the order receiving system 10 (S1-10). By using this demand prediction, the service parts management department can issue an ordering instruction according to the demand.
[0067]
According to the demand prediction process of the said embodiment, the following effects can be acquired.
In the above embodiment, the management computer 21 performs the period variation determination process to determine whether there is a period variation in the order quantity transition of service parts. For example, when a periodic variation model is applied to a service part that does not have a periodic variation such as a seasonal variation, the predicted value may run away in some cases. For this reason, demand prediction can be performed more accurately. In addition, although a calculation load is applied to the application of the periodic variation model, demand can be efficiently predicted without applying the periodic variation model to service parts having no periodic variation.
[0068]
In the above embodiment, the management computer 21 determines the presence or absence of periodicity using a periodogram. For this reason, periodicity can be determined efficiently using the tuning intensity.
[0069]
In the above embodiment, the management computer 21 calculates the difference transition between the order record and the trend function, and applies the periodic variation model to this difference transition. In this case, as a model function (periodic function) of the periodic variation model, a “secondary Sin model” configured to include a composite function obtained by multiplying a quadratic function and a trigonometric function is used. The fluctuation in demand for service parts changes according to the order volume. The “secondary Sin model” can represent a periodic component while increasing the amplitude of the peak time as compared with the order start time and order end time for the service parts. For this reason, it is possible to predict the periodic fluctuation of the service parts more accurately.
[0070]
In the above embodiment, the management computer 21 performs demand forecast for service parts using the Weibull growth model. The Weibull distribution is a distribution that is not normally used for a growth model, but is a distribution that is widely used in estimating the product life in the field of reliability engineering. For this reason, the demand for service parts to be predicted is closely related to fields related to product reliability such as product life and failure rate. Therefore, the demand for service parts can be predicted more accurately in order to maintain the function of the product.
[0071]
In the above embodiment, the management computer 21 uses the Weibull growth model to predict demand for service parts when the order record period is 18 months or more. Since the Weibull growth model is a method of predicting the next order quantity from the past results, more accurate demand prediction can be performed based on a predetermined order result period.
[0072]
In the above embodiment, the management computer 21 performs demand prediction using the Weibull growth model when the order volume transition of service parts has exceeded the peak. The Weibull growth model draws the life cycle from the start to the end of an order for service parts. Therefore, it is predicted how much the final cumulative amount (cumulative upper limit value) will be. In order to predict the cumulative upper limit value, it is difficult to predict unless the order quantity of service parts starts to drop past the peak. If the Weibull growth model is applied to parts whose order volume is on an upward trend, the cumulative upper limit value cannot be predicted, which may make analysis impossible or give a wrong peak. For this reason, more accurate demand prediction can be performed by applying the Weibull growth model when the order volume transition of service parts has passed the peak.
[0073]
In the above embodiment, the management computer 21 performs demand prediction using the Weibull growth model when the flow level of service parts is high. Some service parts change at various flow levels from those that flow in units of tens of thousands per month to those that flow only one or two per month. The trend of service parts that are moving at a low flow level is unstable and fluctuates greatly, which may change the trend of orders received so far. For this reason, more accurate demand prediction can be performed by applying the Weibull growth model for service parts that have a high flow level and have a stable order volume.
[0074]
In the above embodiment, the management computer 21 performs peak determination processing. In this peak determination process, the management computer 21 calculates the respective principal components of the first principal component and the second principal component by performing a predetermined weighting on the order quantity for each month and summing them up. When the factor load 31 shown in FIG. 6 is used as the factor load L1 (i), the first principal component has a large service part with a decreasing tendency and a small part with an increasing tendency. Further, when the factor load 32 shown in FIG. 6 is used as the factor load L2 (i), the value of the mountain-shaped service part is large for the second principal component. Then, the management computer 21 determines peak progress by comparing a function value using the calculated first principal component and second principal component as parameters and a predetermined value. For this reason, the management computer 21 can efficiently determine whether or not the order record has reached its peak.
[0075]
In the above embodiment, when the peak determination process is performed, the management computer 21 standardizes the order record. For this reason, even when the order quantity of the order quantity is completely different depending on the service parts, the peak determination can be performed with the same scale.
[0076]
In the above embodiment, if the service part order record is less than 60 months, the management computer 21 extends the order record period recorded in the order record data storage unit 23 to 60 months and reassigns it to each month. Estimate the order volume. For this reason, the factor load 31 and the factor load 32 can be used as the factor loads (L1 (i), L2 (i)) as in the case of service parts having an order record of 60 months or more.
[0077]
In the above embodiment, when the order receipt period is less than 18 months, the management computer 21 applies a model other than the Weibull growth model. In this embodiment, “cumulative secondary model”, “6-month average model”, and “12-month average model” are used. In addition, when it is determined that the order quantity of service parts has not passed the peak, an application process for performing fitting using a model other than the Weibull growth model is performed. In this embodiment, “cumulative secondary model”, “cumulative tertiary model”, and “cumulative quaternary model” are used. These models are also used when the flow level is low or when the solution does not converge when the Weibull growth model is applied. Not all Weibull growth models are applicable to service parts. For service parts for which the Weibull growth model is determined to be incompatible, a plurality of prediction models different from the Weibull growth model are prepared, so that more accurate demand prediction can be performed.
[0078]
In addition, you may change the said embodiment as follows.
-In the said embodiment, the demand forecast of a service part is performed. The target of demand prediction is not limited to this, and any product that may include periodic fluctuations such as seasonal fluctuations may be used.
[0079]
In the above embodiment, the Weibull growth model is used in the trend curve calculation process. When the Weibull growth model cannot be applied, a trend function is calculated using “cumulative secondary model”, “cumulative tertiary model”, and “cumulative quaternary model”. The method of calculating the trend function is not limited to this. Instead, the management computer 21 may calculate a trend curve using another growth model, a part of these models, or the like.
[0080]
In the above embodiment, the management computer 21 calculates the tuning intensity for the calculated difference. Here, the tuning intensity of a 6-month cycle or a 12-month cycle is calculated. Instead of this, the synchronization intensity of the periodicity of all months from January to December or a divisor of 12 divisors may be calculated. Thereby, the demand of the goods of a special period can be estimated.
[0081]
【The invention's effect】
According to the present invention, it is possible to predict demand efficiently and accurately in consideration of periodic fluctuations for a predetermined product.
[Brief description of the drawings]
FIG. 1 is a system schematic diagram of an embodiment of the present invention.
FIG. 2 is an explanatory diagram of data recorded in a profile data storage unit.
FIG. 3 is an explanatory diagram of data recorded in an order record data storage unit.
FIG. 4 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 5 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 6 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 7 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 8 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 9 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 10 is an explanatory diagram of a processing procedure of the present embodiment.
FIG. 11 is a graph showing the order volume transition of the present embodiment.
FIG. 12 is a graph showing a cumulative amount transition of the embodiment.
FIG. 13 is a graph showing a cumulative amount transition of the embodiment.
FIG. 14 is a graph showing the order volume transition of the present embodiment.
FIG. 15 is a graph showing a difference between an order record and a trend curve according to the present embodiment.
FIG. 16 is a graph showing a difference between an order record and a trend curve according to the present embodiment.
FIG. 17 is a graph showing the order volume transition of this embodiment.
[Explanation of symbols]
20 ... Demand prediction system, 21 ... Management computer, 23 ... Order record data storage unit as record data storage means.

Claims

A profile data storage unit in which profile data including data on a service part identifier, a service part name, and a release month is recorded;
An order record data storage unit in which order record data in which data related to service part identifiers and monthly order records are associated and recorded is recorded;
A demand prediction method for predicting demand for the product using a management computer,
The management computer is
From the profile data storage unit, specify the actual order period from the release month of the service part that performs the demand prediction, and determine whether the actual order period is equal to or longer than the applicable period of the growth model,
If the period is longer than the applicable period of the growth model, the past order results are extracted from the order result data storage unit, and the order results for each month are added to the cumulative total for the previous month. To calculate the cumulative amount of
By the principal component analysis, it is determined whether or not the order record recorded in the order record data storage unit has passed the peak,
When it is determined that the peak has passed, the average value of a certain period during which the order of service parts has flowed the most is calculated, and if the average value is greater than or equal to a predetermined amount, the flow level Make the liquidity judgment to judge that the
By using a numerical analysis method of the model function of the growth model for the cumulative amount transition, the parameter of the model function is determined,
A trend calculation step of calculating a trend function by differentiating the model function ;
A difference calculation stage for calculating a difference transition obtained by subtracting a trend function from the actual transition;
Periodic function calculation step of determining the presence or absence of periodic fluctuations using a periodogram that synchronizes the trigonometric function that changes the period and amplitude and the difference transition, and calculates the periodic function that specifies the period in the periodogram ;
The demand prediction method characterized by including the demand prediction calculation stage which estimates the demand of the said goods using the function which synthesize | combined the said periodic function and the said trend function.

A profile data storage unit in which profile data including data on a service part identifier, a service part name, and a release month is recorded;
,
  An order record data storage unit in which order record data in which data related to service part identifiers and monthly order records are associated and recorded is recorded;
  A demand prediction program for predicting demand for the product using a management computer,
  The management computer,
  From the profile data storage unit, specify the actual order period from the release month of the service part that performs the demand prediction, and determine whether the actual order period is equal to or longer than the applicable period of the growth model,
  If the period is longer than the applicable period of the growth model, the past order results are extracted from the order result data storage unit, and the order results for each month are added to the cumulative total for the previous month. To calculate the cumulative amount of
  By the principal component analysis, it is determined whether or not the order record recorded in the order record data storage unit has passed the peak,
  When it is determined that the peak has passed, the average value of a certain period during which the order of service parts has flowed the most is calculated, and if the average value is greater than or equal to a predetermined amount, the flow level Make the liquidity judgment to judge that the
  By using a numerical analysis method of the model function of the growth model for the cumulative amount transition, the parameter of the model function is determined,
  A trend calculating means for calculating a trend function by differentiating the model function;
  A difference calculating means for calculating a difference transition obtained by subtracting a trend function from the result transition;
  Periodic function calculating means for determining the presence or absence of periodic fluctuations using a periodogram that synchronizes the trigonometric function that changes the period and the amplitude and the difference transition, and calculates a periodic function that specifies the period in the periodogram;
  Demand prediction calculating means for predicting demand for the product using a function obtained by synthesizing the periodic function and the trend function
Demand forecasting program characterized by functioning as