JP5963709B2 - 計算機、予測方法、及び、予測プログラム - Google Patents

計算機、予測方法、及び、予測プログラム Download PDF

Info

Publication number
JP5963709B2
JP5963709B2 JP2013110868A JP2013110868A JP5963709B2 JP 5963709 B2 JP5963709 B2 JP 5963709B2 JP 2013110868 A JP2013110868 A JP 2013110868A JP 2013110868 A JP2013110868 A JP 2013110868A JP 5963709 B2 JP5963709 B2 JP 5963709B2
Authority
JP
Japan
Prior art keywords
product
service
sales
data
social media
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
JP2013110868A
Other languages
English (en)
Other versions
JP2014229252A (ja
Inventor
昌幸 親松
昌幸 親松
和重 廣井
和重 廣井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2013110868A priority Critical patent/JP5963709B2/ja
Priority to US14/281,266 priority patent/US20140351008A1/en
Publication of JP2014229252A publication Critical patent/JP2014229252A/ja
Application granted granted Critical
Publication of JP5963709B2 publication Critical patent/JP5963709B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Description

本発明は、計算機に関する。
近年、小売業者は、自社で取り扱う商品の在庫管理の効率化及び品揃えの充実を目的として、ＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）データを分析する。ＰＯＳデータは、商品又は店舗ごとに売上額及び利益等の様々な指標を用いて分析されることによって、予算に対する実績の確認及び今後の経営判断の材料として活用される。一方、小売業者は、ＰＯＳデータ分析によって得られる過去の販売実績を元に需要を予測し、予測された需要に基づいて在庫量の適正化を行う。
ＰＯＳデータ分析を用いる場合、小売業者は、過去に販売したことのある商品の需要のみを予測することができる。しかし、新製品、又は、発売済みであるが在庫不足などによって消費者に提供できていない未取扱い商品に関するＰＯＳデータが存在しないため、小売業者は、新製品又は未取扱い商品に関するＰＯＳデータを分析することができない。そのため、新製品又は未取扱い商品の需要を、ＰＯＳデータから予測することは実質的に不可能である。
そこで、小売業者は、新製品又は未取扱い商品の需要予測を、過去に取り扱った類似商品の事例に基づいて、勘に頼って予想することが多い。
従来、未取扱い商品の需要を定量的に予測する技術が提案されている（例えば、特許文献１参照）。特許文献１には、「過去の購入者の所得に対する商品価格の割合に応じた過去の購入確率、および現在の購入候補者の所得に対する商品価格の割合に基づいて、現在の購入確率を算出する購入確率算出手段と、算出された購入確率に基づいて商品の販売予測量を算出する販売予測手段と、を備えた経営計画支援装置」について記載されている。
特開２００３−１８７０５１号公報
特許文献１には、商品価格と過去の購入者の所得とに基づいて購入確率を算出し、算出された購入確率に基づいて販売予測量を算出する手順が記載される。しかし、過去に商品を購入した購入者が想定通り商品を購入するとは限らないため、商品の需要が販売予測量を外れる場合がある。このように需要が販売予想量を外れることは、特許文献１に記載された手順において、過去に商品を購入した購入者の商品に対する評判及び感情が考慮されていないために発生する。
例えば、商品の発売を公表した後に、消費者が当該商品に悪い印象を抱いた場合、評判及び感情を分析せずに想定された販売予測量よりも、販売量が低い可能性がある。また、商品の発表後の印象が好評である場合、評判及び感情を分析せずに想定された販売予測量よりも、販売量が上回るため、生産量不足及び在庫不足になる可能性がある。
本願は、新製品又は未取扱い商品の売り上げを、購入者の商品に対する評判及び感情を考慮して適切に予測する方法の提供を目的とする。
本発明の代表的な一形態によると、プロセッサ及びメモリを有する計算機であって、前記計算機は、所定の期間における複数の商品又は役務に関する発言を含むソーシャルメディアデータに基づいて、前記複数の商品又は役務の各々に関して生成された中間データを、メモリに保持し、前記中間データは、前記所定の期間における前記複数の商品又は役務の各々に関する発言の頻度を少なくとも含み、前記複数の商品又は役務は、現在時において消費者へ提供するための展示が行われていない商品又は役務である第１の商品又は役務と、前記現在時において提供のための展示が既に行われている商品又は役務である少なくとも一つの第２の商品又は役務と、を含み、前記計算機は、前記第２の商品又は役務の売上げを示す売上げデータを、前記メモリに保持し、前記第１の商品又は役務に関する前記中間データと、前記第２の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出する相関度算出部と、前記算出されたソーシャルメディア相関度と、前記第２の商品又は役務の売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測する需要予測部と、を有する。
本発明の一実施形態によると、販売実績のない商品の売り上げを、発売前の評判又は関連商品の販売実績に基づいて適切に予測できる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
本実施例の需要予測装置の構成図の例を示すブロック図である。 本実施例のＣＰＵで実行される需要予測プログラムの処理とデータとを示す説明図である。 本実施例のソーシャルメディアデータ分析部の処理を示すフローチャートである。 本実施例のソーシャルメディア中間データの例を示す説明図である。 本実施例の商品相関度算出部の処理を示すフローチャートである。 本実施例の商品間のソーシャルメディア相関度を算出する処理を示すフローチャートである。 本実施例の商品情報の例を示す説明図である。 本実施例の商品相関度を算出する処理を示すフローチャートである。 本実施例の外部要因寄与度算出部の処理を示すフローチャートである。 本実施例の売上げデータの例を示す説明図である。 本実施例の外部イベントデータの例を示す説明図である。 本実施例の需要予測データの例を示す説明図である。 本実施例の外部要因データの例を示す説明図である。 本実施例の可視化部が出力する商品需要予測画面の例を示す説明図である。
以下、実施例について図面を用いて詳細に説明する。
図１は、本実施例の需要予測装置の構成図の例を示すブロック図である。
需要予測装置は、ＣＰＵ１０１、主記憶装置１０２、補助記憶装置１０３、入力装置１０４、出力装置１０５及びネットワークインターフェイス１０６等の複数の装置を有する。これらの装置の各々は、バス１０７を介して接続され、バス１０７を経由してデータを入出力する。
ＣＰＵ１０１は、主記憶装置１０２が有する需要予測プログラムの指示に従い、需要予測プログラムにおけるデータ入力、計算、データ出力等の様々な処理を実行する。ＣＰＵ１０１は、プログラムを実行するための演算装置であれば、いかなるプロセッサでもよい。本実施例の需要予測プログラムは、複数の機能を有する。
主記憶装置１０２は、ＣＰＵ１０１によって処理される需要予測プログラム及びデータなどが展開されるメモリである。主記憶装置１０２は、例えばＲＡＭ等の不揮発性のメモリである。
補助記憶装置１０３は、需要予測装置が有するデータ及び需要予測プログラムを格納する記憶装置である。補助記憶装置１０３は、ＣＰＵ１０１の命令により主記憶装置１０２へデータを入力し、また、主記憶装置１０２から出力されたデータを受け付ける。補助記憶装置１０３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の磁気ディスク、又は、ＤＶＤ等の光学ディスク等で構成される。補助記憶装置１０３は、複数台の記憶装置によって構成されてもよい。
入力装置１０４は、需要予測装置を使用するユーザの指示を受け付け、受け付けた指示をＣＰＵ１０１へ送信する装置である。入力装置１０４は、例えば、キーボード、マウス、又は、タッチパネル等である。
出力装置１０５は、ＣＰＵ１０１の指示に基づいて需要予測装置の処理結果をユーザに提供するための装置である。ユーザインターフェイスを表示する装置である。出力装置１０５は、例えば、プリンタ、又は、液晶ディスプレイ等である。出力装置１０５が液晶ディスプレイ等である場合、出力装置１０５は、ユーザインターフェイスを表示する。
ネットワークインターフェイス１０６は、インターネットを介してソーシャルメディアデータ等を受信する装置である。ネットワークインターフェイス１０６が受信するデータの内容は、ＣＰＵ１０１が実行する機能によって制御される。ネットワークインターフェイス１０６は、例えばＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）又は無線ＬＡＮインターフェイスカードなどを有する。
本実施例の需要予測装置は、商品又は役務を消費者に直接提供する小売店に設置されてもよく、また、複数の小売店の各々に備わる端末とネットワークを介して接続されるサーバでもよい。
なお、役務を商取引の対象とする業務を小売店が行う場合、本実施例の需要予測装置は、役務の需要も予測する。以下に示す需要予測装置は、商品の需要を予測するが、役務の需要も同じ方法によって予測することができる。
以下において、需要予測装置における需要予測プログラムの例を説明する。
図２は、本実施例のＣＰＵ１０１で実行される需要予測プログラムの処理とデータとを示す説明図である。
本実施例の需要予測プログラムは、ソーシャルメディアデータ分析部２０２、商品相関度算出部２０５、外部要因寄与度算出部２０６、商品需要予測部２１０、及び、可視化部２１３を含む。図２に示す需要予測装置の機能の各々は、ＣＰＵ１０１が実行する需要予測プログラムによって実装される。
しかし、本実施例の需要予測装置の機能の各々は、例えば集積回路等の物理的な処理部によって実装されてもよい。また、需要予測装置の機能の各々は、複数のプログラムによって実装されてもよいし、一つのプログラムによって実装されてもよい。
また、辞書２０３、ソーシャルメディア中間データ２０４、売上げデータ２０７、外部イベントデータ２０８、商品情報２０９、需要予測データ２１１、及び外部要因データ２１２は、主記憶装置１０２に格納されるが、データ量等の必要に応じて補助記憶装置１０３に格納されてもよい。
＜ソーシャルメディアデータ分析の説明＞
ソーシャルメディアデータ２０１は、ブログ又はＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ｓｅｒｖｉｃｅ）等のソーシャルメディアのサービスによって生成されるデータである。ソーシャルメディアデータ２０１は、運用されるサービスによってフォーマットが定められる。ソーシャルメディアデータ２０１は、ＨＴＭＬ又はＸＭＬ等の構造化されたデータ、若しくは、ＪＳＯＮ（ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ）（ＪａｖａＳｃｒｉｐｔは登録商標）等の構造が特に定まっていないデータ等様々なフォーマットによって情報を示す。
ソーシャルメディアデータ分析部２０２は、図１に示すネットワークインターフェイス１０６を介してインターネットに接続される複数のサーバからソーシャルメディアデータ２０１を収集する。そして、ソーシャルメディアデータ分析部２０２は、収集されたソーシャルメディアデータ２０１を分析し、分析された結果をソーシャルメディア中間データ２０４として本実施例に係る需要予測装置の主記憶装置１０２に格納する。
図３は、本実施例のソーシャルメディアデータ分析部２０２の処理を示すフローチャートである。
ソーシャルメディアデータ分析部２０２は、ＣＰＵ１０１の指示によって図３に示す処理を開始する。ソーシャルメディアデータ分析部２０２は、前述した方法によって所定の指定期間内のソーシャルメディアデータ２０１を収集する（ステップ３０１）。
ここで、所定の指定期間として、例えば、図３に示す処理の開始時から過去の期間が指定されてもよく、また、開始時期から現在時までの期間を指定されてもよい。また、既にソーシャルメディア中間データ２０４が生成されたことがあるキーワード（商品）について図３に示す処理が実行される場合、指定期間として、前回ソーシャルメディアを収集した時から現在時までの期間が指定されてもよい。所定の指定期間は、主記憶装置１０２にあらかじめ設定されてもよく、ユーザによって入力装置１０４を介して入力されてもよい。
また、ＣＰＵ１０１は、定期的、又は、ユーザの指示があった場合に、ソーシャルメディアデータ分析部２０２に図３に示す処理を開始するように指示する。ユーザは、未発売の商品の需要を予測したい場合、ソーシャルメディアデータ分析部２０２を実行するように、ＣＰＵ１０１に指示してもよい。また、ユーザは、発売済の商品に関する評判等を収集したい場合、ソーシャルメディアデータ分析部２０２を実行するように、ＣＰＵ１０１に指示してもよい。
ソーシャルメディアデータ分析部２０２は、ステップ３０１において、ブログ又はＳＮＳ等のサービスが一般的に公開している取得手段（例えば、ＡＰＩ）を用いてソーシャルメディアデータ２０１を収集する。また、収集されたソーシャルメディアデータ２０１は、データ量が膨大である。このため、ソーシャルメディアデータ分析部２０２は、ステップ３０１において辞書２０３に予め含まれる単語を含むソーシャルメディアデータ２０１のみを収集してもよい。または、ソーシャルメディアデータ分析部２０２は、辞書２０３に含まれる単語を含むソーシャルメディアデータ２０１を、収集されるソーシャルメディアデータ２０１から除外してもよい。
ステップ３０１の後、ソーシャルメディアデータ分析部２０２は、収集されたソーシャルメディアデータ２０１を、所定の時間単位に分割する（ステップ３０２）。ここで、所定の時間単位とは、ソーシャルメディアデータ分析部２０２を分析する単位を示し、例えば、年、月、週、日又は時間の単位である。ここで、所定の時間単位は、あらかじめ設定されていてもよいし、ユーザによって入力装置１０４を介して入力されてもよい。
以下に示す処理において、所定の時間単位は日であるが、日以外の単位であってもよい。
ソーシャルメディアデータ分析部２０２は、ステップ３０１において収集されたソーシャルメディアデータ２０１に含まれる時間情報を解析し、所定の時間単位によってソーシャルメディアデータ２０１を分割する。
ステップ３０２以後において、各機能は、分割されたソーシャルメディアデータ２０１の各々を処理する。以後において、分割されたソーシャルメディアデータ２０１を、単に複数のソーシャルメディアデータと記載する。
ステップ３０２の後、ソーシャルメディアデータ分析部２０２は、ソーシャルメディアデータの各々から、所定のキーワードが含まれる発言を抽出する（ステップ３０３）。ここで、所定のキーワードには、需要を予測する商品の名称等の識別子（商品名）が少なくとも含まれる。
所定のキーワードは、主記憶装置１０２にあらかじめ設定されてもよく、入力装置１０４を介してユーザによって指定されてもよい。所定のキーワードに含まれる商品を示す識別子は、商品の正確な名称である必要はなく、商品の名称の一部であってもよい。例えば、所定のキーワードは、「特選エビチャーハン」の商品の名称のうち、「エビチャーハン」であってもよい。また、所定のキーワードには、「特選エビチャーハン」又は「エビチャーハン」などのように複数のキーワードが指定されてもよい。
ソーシャルメディアデータ分析部２０２は、ステップ３０３において、ソーシャルメディアデータの各々に含まれるテキストを解析し、所定のキーワードが含まれる発言をテキストから抽出する。
ステップ３０３の後、ソーシャルメディアデータ分析部２０２は、ステップ３０３において抽出された発言の発言数を算出する（ステップ３０４）。
ステップ３０４の後、ソーシャルメディアデータ分析部２０２は、ステップ３０３において抽出された発言の各々を用いて、所定のキーワードについての感情分析を実行し、感情ごとの発言数を算出する（ステップ３０５）。
具体的にはステップ３０５において、ソーシャルメディアデータ分析部２０２は、ステップ３０３において抽出された発言に感情分析を実行することによって、抽出された発言の内容を、所定のキーワードが示す商品への肯定意見、否定意見又は中立意見に分類する。発言の内容の分類方法は、例えば辞書２０３に格納された肯定又は否定を示す単語を用い、ソーシャルメディアデータ分析部２０２が、発言に肯定の単語が含まれている場合、発言を肯定意見に分類する方法である。
また、ソーシャルメディアデータ分析部２０２は、辞書２０３に格納される単語と発言とを直接比較することによって肯定意見又は否定意見に分類する方法を用いてもよい。また、ソーシャルメディアデータ分析部２０２は、辞書２０３に格納される肯定又は否定の単語を各々複数組み合わせることによって肯定及び否定の表現が、発言に含まれるか否かを判定する方法を用いてもよい。
複数の単語を組合せる方法によって発言の内容を分類する場合、ソーシャルメディアデータ分析部２０２は、発言を予め形態素解析してもよい。
さらにソーシャルメディアデータ分析部２０２は、ステップ３０５において、分類された結果に基づいて、肯定意見を含む発言数、否定意見を含む発言数、及び、肯定意見も否定意見も含まない発言数の各々を算出する。
ステップ３０５の後、ソーシャルメディアデータ分析部２０２は、ステップ３０３において抽出された発言から、所定のキーワードが示す商品名に関する関連語を取得する（ステップ３０６）。具体的には、ソーシャルメディアデータ分析部２０２は、ステップ３０３において抽出された発言のテキスト文を、形態素解析等の方法を用いて、単語に分割する。ソーシャルメディアデータ分析部２０２は、発言の各々から分割された全ての単語を、当該発言の関連語として取得する。そして、ソーシャルメディアデータ分析部２０２は、取得された関連語の各々が発生する頻度を、ソーシャルメディアデータの各々において算出する。
ソーシャルメディアデータ分析部２０２は、ステップ３０６において、ソーシャルメディア中間データ２０４に格納する関連語の単語数を減らすために、関連語のうち頻度が所定の頻度よりも多い関連語を抽出してもよい。
また、ソーシャルメディアデータ分析部２０２は、ステップ３０６において、頻度の代わりに関連語に対するＴＦ−ＩＤＦ（Ｔｅｒｍ Ｆｒｅｑｕｅｎｃｙ−Ｉｎｖｅｒｓｅ Ｄｏｃｕｍｅｎｔ Ｆｒｅｑｕｅｎｃｙ）を算出し、算出されたＴＦ−ＩＤＦをソーシャルメディア中間データ２０４に格納してもよい。ＴＦ−ＩＤＦは、文章中の単語に関する重みを示す値であり、単語の出現頻度と逆文書頻度との二つの指標に基づいて算出される。
ステップ３０６の後、ソーシャルメディアデータ分析部２０２は、ステップ３０３からステップ３０６による処理結果を、ソーシャルメディア中間データ２０４に格納する（ステップ３０７）。
ステップ３０７の後、ソーシャルメディアデータ分析部２０２は、ステップ３０１において収集されたソーシャルメディアデータ２０１のすべてに、ステップ３０３からステップ３０７までの処理を実行したか否かを判定する（ステップ３０８）。収集されたソーシャルメディアデータ２０１にステップ３０３等の処理を実行していないデータが含まれる場合、ソーシャルメディアデータ分析部２０２は、ステップ３０３に戻る。
収集されたソーシャルメディアデータ２０１のすべてに、ステップ３０３等の処理が実行された場合、ソーシャルメディアデータ分析部２０２は、図３に示す処理を終了する。
図４は、本実施例のソーシャルメディア中間データ２０４の例を示す説明図である。
ソーシャルメディア中間データ２０４に含まれる複数のソーシャルメディア中間データは、商品ごとに生成される。ソーシャルメディア中間データ２０４は、商品名４００、集計時間４０１、発言頻度４０２、肯定意見数４０３、否定意見数４０４及び関連語４０５を含む。
商品名４００は、商品を一意に示す識別子を示し、例えば、商品名を示す。商品名４００は、ステップ３０７においてユーザによって識別子を入力されてもよいし、ステップ３０３において用いられたキーワードが商品を一意に示す識別子である場合、当該キーワードが格納されてもよい。
集計時間４０１は、ステップ３０２における所定の時間単位ごとに分割された期間を示す。ステップ３０２における所定の時間単位が日であった場合、集計時間４０１は、日付を示し、ソーシャルメディア中間データ２０４の各エントリは、商品名４００が示す商品への日ごとの発言に関する情報を含む。
発言頻度４０２は、ステップ３０４において算出された商品名４００が示す商品に関する発言数である。発言頻度４０２には、ステップ３０７において発言数が格納される。
肯定意見数４０３は、ステップ３０５において算出された、商品名４００が示す商品への肯定意見の発言数を示す。肯定意見数４０３には、ステップ３０７において発言数が格納される。
否定意見数４０４は、ステップ３０５において算出された、商品名４００が示す商品への否定意見の発言数を示す。否定意見数４０４には、ステップ３０７において発言数が格納される。
関連語４０５は、ステップ３０６において取得された、商品名４００が示す商品に関する関連語と当該関連語の頻度を示す。関連語４０５には、ステップ３０７において関連語と頻度とが格納される。
ソーシャルメディアデータ分析部２０２は、ステップ３０７において、ステップ３０６において取得された関連語とその出現頻度数とを対応させて、ソーシャルメディア中間データ２０４に格納する。また関連語が複数存在する場合、ソーシャルメディアデータ分析部２０２は、図４に示す関連語４０５のように、「，」等の区切り文字を用いて複数の関連語の各々を区別してもよい。
ソーシャルメディアデータ分析部２０２は、ソーシャルメディア中間データ２０４が既に生成されている商品の商品名をキーワードとして、図３に示す処理を実行する場合、ステップ３０７において、既に主記憶装置１０２に格納される当該商品のソーシャルメディア中間データ２０４に、新たなエントリを追加する。そして、ソーシャルメディアデータ分析部２０２は、改めて実行されたステップ３０３〜ステップ３０６の結果を、新たなエントリに格納する。これによって、ソーシャルメディアデータ分析部２０２は、最新のソーシャルメディアデータ２０１を用いたソーシャルメディア中間データ２０４を生成できる。
ソーシャルメディアデータ分析部２０２が図３に示す処理を実行することによって、需要を予測する商品に関するソーシャルメディア中間データ２０４が、主記憶装置１０２に格納される。また、ソーシャルメディアデータ分析部２０２が図３に示す処理を、複数の商品について繰り返し実行し続けることによって、発売後の複数の商品に関するソーシャルメディア中間データ２０４が生成される。
なお、ソーシャルメディアデータ分析部２０２は、本実施例の需要予測装置とは異なる装置から、ソーシャルメディア中間データ２０４を受信し、主記憶装置１０２に格納してもよい。
＜商品間の相関度算出方法の説明＞
商品相関度算出部２０５は、需要を予測する商品（以下、指定商品）のソーシャルメディアにおける発言頻度４０２、肯定意見数４０３及び否定意見数４０４と、過去に発売され販売実績がある関連商品の発言頻度４０２、肯定意見数４０３及び否定意見数４０４との相関を示すソーシャルメディア相関度を算出する。商品相関度算出部２０５は、需要を予測する商品が発売前又は発売済みなのかに従って、相関度を算出する期間を変更する。
図５は、本実施例の商品相関度算出部２０５の処理を示すフローチャートである。
商品相関度算出部２０５は、ＣＰＵ１０１の指示により図５に示す処理を開始する。なお、図５に示す処理の開始時において、商品相関度算出部２０５は、指定商品の識別子と当該指定商品に関連する少なくとも一つの関連商品の識別子とを、入力装置１０４を介してユーザから入力される。
指定商品は、売上げを予測するターゲットの商品である。関連商品は、図５に示す処理の開始時において既に取り扱われている商品である。
ここで、商品相関度算出部２０５は、ユーザから指定商品の識別子を受け付けた場合、後述する商品情報２０９を参照し、指定商品と同じ商品分類の商品であり、かつ、既に取扱い済の商品を関連商品として抽出してもよい。
商品相関度算出部２０５は、関連商品の識別子ごとにステップ５０１〜ステップ５０４の処理を実行する。このため、以下のステップ５０１〜ステップ５０４の説明において関連商品は一つである。
商品相関度算出部２０５は、指定商品及び関連商品のソーシャルメディア中間データ２０４を取得する（ステップ５０１）。指定商品又は関連商品のソーシャルメディア中間データ２０４が存在しない場合、商品相関度算出部２０５は、ＣＰＵ１０１を介してソーシャルメディアデータ分析部２０２に指示し、指定商品又は関連商品に関する新たなソーシャルメディア中間データ２０４を生成させてもよい。
商品相関度算出部２０５は、ステップ５０１で取得されたソーシャルメディア中間データ２０４に基づいて、指定商品と関連商品との相関を示すソーシャルメディア相関度を算出する（ステップ５０２）。ステップ５０２の詳細なフローを図６に示す。
図６は、本実施例の商品間のソーシャルメディア相関度を算出する処理を示すフローチャートである。
商品相関度算出部２０５は、ステップ５０２においてソーシャルメディア中間データ２０４に基づいてソーシャルメディア相関度を算出するために、指定商品が現在時において発売前であるか発売後（本実施例において発売日を含む）であるかを判定する（ステップ６０１）。本実施例の需要予測装置は、自らが有するタイマから、又は、インターネット等を介して現在時を取得することができる。
商品相関度算出部２０５は、後述する商品情報２０９を用いて、指定商品が現在時において発売前であるか否かを判定する。本実施例の商品情報２０９は、商品が現在時において発売前であるか発売後であるか、及び、発売後であっても各小売店において取り扱われているか否かを示す。
なお、本実施例において、商品の生産者が商品を流通経路に乗せ始めることを、発売と記載する。また、小売店が消費者に商品を提供し、さらに、提供のために展示することを取扱いと記載する。本実施例において、商品が発売後においても、在庫切れ又は販売の方針などにより、小売店の各々において商品が取り扱われない場合がある。
指定商品が現在時において発売前であった場合、ステップ６０２へ進む。また、指定商品は発売以後であるが現在取り扱われていない商品である場合、ステップ６０５へ進む。なお、指定商品が発売後であり、現在既に取り扱われている場合、需要予測装置は、従来の需要予測の方法を用いて需要を予測してもよい。
指定商品が現在時において発売前であった場合、商品相関度算出部２０５は、指定商品について現在時から指定商品の発売日までの日数差を、商品情報２０９に基づいて算出する（ステップ６０２）。商品情報２０９は、商品の発売日に関する情報を示す。商品相関度算出部２０５は、商品情報２０９のみ、又は、商品情報２０９と現在時とに基づいて、商品の発売日を求めることができる。
なお、前述において、商品相関度算出部２０５は、指定商品の発売日と現在時との日数差を算出するが、商品情報２０９が商品の発売日時を示す場合、現在時と発売日時との時間差を算出してもよい。商品情報２０９が商品の発売月を示す場合、商品相関度算出部２０５は、現在時と発売月との月数差を算出してもよい。
商品相関度算出部２０５は、ステップ６０１において指定商品が発売前であるか否かを判定することにより、指定商品の発売日と現在時との前後関係を特定し、さらに、ステップ６０２（又はステップ６０５）において現在時と発売日との時間差を算出する。商品相関度算出部２０５は、これらの前後関係及び時間差（発売日と現在時との関係）を用いて、ステップ６０３（又はステップ６０６）において関連商品の基準時を算出する。
ステップ６０２の後、商品相関度算出部２０５は、特定された前後関係が現在時が発売日前であるため、関連商品の発売日からステップ６０２において求めた日数差分を過去にさかのぼった日付（基準時）を算出する。ここで算出された関連商品における基準時は、指定商品における現在時に相当する。さらに、商品相関度算出部２０５は、指定商品のソーシャルメディア中間データ２０４に格納されるエントリ数（指定商品のエントリ数）を算出する。
そして、商品相関度算出部２０５は、関連商品のソーシャルメディア中間データ２０４のうち、算出された関連商品における基準時までの過去のソーシャルメディア中間データ２０４を、指定商品のエントリ数分抽出する（ステップ６０３）。具体的には、商品相関度算出部２０５は、商品名４００が関連商品を示すソーシャルメディア中間データ２０４のうち、集計時間４０１が基準時より過去を示すソーシャルメディア中間データ２０４のエントリを、指定商品のソーシャルメディア中間データ２０４と同じ期間分抽出する。
ステップ６０３及び後述するステップ６０６の処理によって、商品相関度算出部２０５は、指定商品のソーシャルメディア中間データ２０４と比較するための関連商品のソーシャルメディア中間データ２０４を適切に抽出することができる。
ステップ６０３の後、商品相関度算出部２０５は、指定商品のソーシャルメディア中間データ２０４のエントリとステップ６０３において取得された関連商品のソーシャルメディア中間データ２０４のエントリとの、相関度（以下、ソーシャルメディア相関度と記載）を算出する（ステップ６０４）。ステップ６０４の処理は、指定商品の発売前のソーシャルメディアにおける評判と、過去の販売実績がある関連商品の発売前のソーシャルメディアにおける評判とを比較し、同様の評判である場合、指定商品の売り上げも関連商品の売り上げと同様な変動を示す可能性があるという考えに基づく。
ステップ６０４におけるソーシャルメディア相関度の算出の一例を以下に示す。商品相関度算出部２０５は、指定商品の複数の発言頻度４０２の推移を示す関数と、関連商品の複数の発言頻度４０２の推移を示す関数との、例えば各時刻における距離を用いて、相互相関関数を求める。そして、本実施例の相互相関関数は、関数間の距離が大きいほど、すなわち、指定商品のソーシャルメディア中間データ２０４と関連商品のソーシャルメディア中間データ２０４とが異なるほど、高い値を出力する。
また、商品相関度算出部２０５は、肯定意見数４０３の推移を示す関数、又は、否定意見数４０４の推移を示す関数に対して相互相関関数を求めてもよい。また、商品相関度算出部２０５は、発言頻度４０２に対する肯定意見数４０３の割合の推移を示す関数、又は、発言頻度４０２に対する否定意見数４０４の割合の推移を示す関数に対して相互相関関数を求めてもよい。
また、商品相関度算出部２０５は、割合の推移による相互相関関数ではなく、指定商品のソーシャルメディア中間データ２０４のエントリ全体の肯定意見数４０３と否定意見数４０４とのそれぞれの発言頻度４０２に対する割合（それぞれ否定意見率、肯定意見率と呼ぶ）を求めてもよい。
そして、商品相関度算出部２０５は、ステップ６０３において抽出された関連商品のエントリに基づいて、否定意見率及び肯定意見率を求めてもよい。さらに、商品相関度算出部２０５は、指定商品の否定意見率及び肯定意見率の比と、関連商品の否定意見率及び肯定意見率の比とに、任意に重み付けした後、総和を求めてもよい。そして、商品相関度算出部２０５は、この総和をソーシャルメディア相関度として取得してもよい。
また、商品相関度算出部２０５は、ソーシャルメディア相関度の算出に関連語４０５を用いてもよい。例えば、商品相関度算出部２０５は、指定商品のエントリと抽出された関連商品のエントリとでそれぞれに含まれる同じ関連語の数を求め、相関度として取得してもよい。また、商品相関度算出部２０５は、特定の関連語に対する時系列の推移を示す相互相関関数を求め、求められた相互相関関数からソーシャルメディア相関度を算出してもよい。
さらに、商品相関度算出部２０５は、前述したソーシャルメディア相関度の算出方法のうち少なくとも一つの方法を用いてもよく、複数の方法によってソーシャルメディア相関度を算出し、算出された複数のソーシャルメディア相関度を任意に重み付けし、重み付けされた複数のソーシャルメディア相関度の総和を算出してもよい。そして、商品相関度算出部２０５は、算出されたソーシャルメディア相関度の総和を、ステップ６０４におけるソーシャルメディア相関度の結果として出力してもよい。
また、前述のソーシャルメディア相関度は、現在時までの指定商品のソーシャルメディア中間データ２０４と、基準時までの関連商品のソーシャルメディア中間データ２０４とによって算出された。しかし、商品相関度算出部２０５は、基準時を所定の範囲において変化させ、関連商品のソーシャルメディア中間データ２０４の複数の組を抽出してもよい。そして、抽出された複数の組の各々と、現在時までの指定商品のソーシャルメディア中間データ２０４との相関度（複数）を求め、求められた相関度の最大値をソーシャルメディア相関度として出力してもよい。
以上により、商品相関度算出部２０５は、ステップ６０４においてソーシャルメディア相関度を算出し、図５のステップ５０２の処理を終了する。
次に、指定商品が発売済みであり、かつ、指定商品が現在時において取り扱われていない場合のステップ６０５からの処理について説明する。
商品相関度算出部２０５は、ステップ６０１において指定商品が発売済みであり、かつ、現在時において取り扱われていないと判定された場合、ステップ６０２と同じく、現在時から指定商品の発売日までの日数差分を商品情報２０９に基づいて求める（ステップ６０５）。
ステップ６０５の後、商品相関度算出部２０５は、特定された前後関係が指定商品は現在発売済みであることを示すため、ステップ６０２において求めた日数差分を関連商品の発売日に足した日付（基準時）を算出する。ここで算出された関連商品における基準時が、指定商品における現在時に相当する。また、商品相関度算出部２０５は、指定商品のソーシャルメディア中間データ２０４に格納されるエントリ数（指定商品のエントリ数）を算出する。
そして、商品相関度算出部２０５は、関連商品のソーシャルメディア中間データ２０４のうち、算出された関連商品における日付までの過去のソーシャルメディア中間データ２０４を、指定商品のエントリ数分抽出する（ステップ６０６）。
ステップ６０６の後、商品相関度算出部２０５は、指定商品のソーシャルメディア中間データ２０４と、ステップ６０６において抽出された関連商品のソーシャルメディア中間データ２０４とのソーシャルメディア相関度を算出する（ステップ６０７）。ステップ６０７におけるソーシャルメディア相関度の算出方法は、ステップ６０４と同じである。
ステップ６０７における処理は、指定商品の発売前後のソーシャルメディア上での評判と、過去の販売実績のある関連商品の発売前後のソーシャルメディア上での評判とを比較し、同様の評判である場合、指定商品の売り上げも関連商品の売り上げと同様な変動を示す可能性があるという考えに基づく。
以上により、商品相関度算出部２０５は、ステップ６０７においてソーシャルメディア相関度を算出し、図５のステップ５０２の処理を終了する。図６に示す処理が終了した後、商品相関度算出部２０５は、図５に示すステップ５０３を実行する。
商品相関度算出部２０５は、ステップ５０２においてソーシャルメディア中間データ２０４を用いたソーシャルメディア相関度を算出した後、指定商品と各関連商品とに関する商品の分類又は価格等の属性を、図２の商品情報２０９より取得する（ステップ５０３）。
図７は、本実施例の商品情報２０９の例を示す説明図である。
商品情報２０９は、本実施例の需要予測装置のユーザが消費者に提供している、又は、将来提供する可能性がある商品に関する情報（商品の属性）を含む。商品情報２０９が示す商品には、指定商品及び関連商品が含まれる。
商品情報２０９は、商品名７０１、製造元７０２、商品分類７０３、商品価格７０４、発売日７０５、取扱い有無７０６及び商品説明７０７等の項目を含む。商品情報２０９の商品名７０１、製造元７０２、商品分類７０３、商品価格７０４及び商品説明７０７は、ユーザが商品発売前に設定する。また、製造元７０２、商品分類７０３、商品価格７０４及び商品説明７０７は、少なくとも本実施例の商品の属性に該当する。
商品名７０１は、商品を一意に示す識別子を含む。本実施例の商品名７０１は、商品名を示す。商品名７０１は、指定商品及び関連商品の識別子に対応する。
製造元７０２は、商品名７０１が示す商品の製造元を示す識別子を含む。商品分類７０３は、商品の分類を示す。商品分類７０３は、「鮮魚」又は「飲料」等の分類名を示す。商品価格７０４は、商品名７０１が示す商品の販売価格を示す。
発売日は、商品名７０１が示す商品の発売日を示す。図７に示す発売日７０５は、発売日から現在時までの相対的な日数を示す。このため、未発売の商品に関する発売日７０５は、マイナスの値を示す。
なお、発売日７０５は、絶対的な日付を示す年月日を示してもよい。発売日７０５が絶対的な日付を示す場合、ユーザがあらかじめ値を発売日７０５に設定する。発売日７０５が相対的な日数を示す場合、発売日７０５は、定期的（例えば、１日ごと）にＣＰＵ１０１によって更新される。
取扱い有無７０６は、商品名７０１が示す商品が取り扱われているか否かを示す。取扱い有無７０６は、ユーザが必要に応じて更新する。
需要予測装置が各小売店に設置され、かつ、設置される小売店において商品が取り扱われている場合、取扱い有無７０６は取扱い有りを示す。また、需要予測装置がサーバであり、各小売店の端末と接続される場合、取扱い有無７０６は、少なくとも一つの小売店において商品が取り扱われる場合、取扱い有りを示してもよい。
商品説明７０７は、商品名７０１が示す商品の説明である。商品説明７０７には、例えば、原産地又は「まろやか」等の商品を特徴づける用語又は文章が格納される。
なお、本実施例の商品情報２０９は、商品名７０１、発売日７０５及び取扱い有無７０６を少なくとも含むが、必要に応じてその他の情報を含む。例えば、商品情報２０９は、商品分類７０３に、大分類（例：「飲料」）、中分類（例：「清涼飲料」又は「炭酸飲料」等）を示す属性を含んでもよい。
また、主記憶装置１０２又は補助記憶装置１０３は、製造元７０２及び商品分類７０３に対応する製造元又は商品分類の一覧を保持してもよい。そして、製造元７０２及び商品分類７０３は、製造元の名称及び商品分類の名称ではなく、番号によって表現された識別子を含んでもよい。製造元７０２又は商品分類７０３の識別子が番号である場合、需要予測装置の機能の各々は、製造元又は商品分類の一覧に含まれる番号と名称とを対応づけることによって、相互の情報を取得する。
ステップ５０３において、商品相関度算出部２０５は、商品名７０１が指定商品を示す商品情報２０９のエントリの属性、及び、商品名７０１が関連商品を示す商品情報２０９のエントリの属性を取得する。
ステップ５０３の後、商品相関度算出部２０５は、指定商品の属性と関連商品の属性とに基づいて、商品相関度を算出する（ステップ５０４）。
図８は、本実施例の商品相関度を算出する処理を示すフローチャートである。
図８に示す処理は、ステップ５０４に相当する。
商品相関度算出部２０５は、取得された指定商品の属性と関連商品の属性とに含まれる非定量データを、定量データに変換する（ステップ８０１）。
具体的には、商品情報２０９が図７に示す商品情報２０９である場合、ステップ８０１において、商品相関度算出部２０５は、商品情報２０９に含まれる項目のうち、製造元７０２及び商品分類７０３等の非定量データを、適切な定量データに変換する。または、商品相関度算出部２０５は、商品情報２０９に含まれる項目のうち、定量データであるが、データ間の差分に有意な差がない項目の定量データを、所定の値を乗算等することによって、適切な定量データに変換する。
例えば、商品相関度算出部２０５は、商品分類７０３において、「飲料」を０に変換し、「鮮魚」を１に変換する。また、商品分類７０３又は製造元７０２等の識別子に定量的な番号が割り当てられた管理テーブルを、主記憶装置１０２が保持する場合、商品相関度算出部２０５は、当該管理テーブルを用いて、非定量データを定量データに変換する。
また、商品相関度算出部２０５は、ステップ８０１において、異なる複数の非定量データを異なる複数の定量データに必ず変換する必要はない。例えば、指定商品の商品分類７０３が「飲料」である場合、「飲料」を１に変換し、「飲料」以外の全ての商品分類７０３の識別子を０に変換してもよい。
また、商品情報２０９に図７に示す商品説明７０７のような文章が含まれている場合、商品相関度算出部２０５は、商品説明７０７の文章を形態素解析によって単語に分割し、指定商品と関連商品との商品説明７０７において同じ単語が含まれている数を算出することによって、商品説明７０７を定量データに変換してもよい。
ステップ８０１の後、商品相関度算出部２０５は、指定商品と関連商品との商品情報間距離を算出する（ステップ８０２）。商品情報間距離は、指定商品の属性と関連商品の属性との相違を示し、大きければ大きいほど、指定商品の属性と関連商品の属性とが異なることを示す。
ステップ８０２において、商品相関度算出部２０５は、指定商品と関連商品との商品情報２０９間の距離を、例えばユークリッド距離等の方法を用いて算出する。商品相関度算出部２０５は、例えば、式１を用いて商品情報２０９間の距離を算出する。
Figure 0005963709
Ｒｐ（ｎ）：関連商品ｎの商品情報２０９と指定商品の商品情報２０９間の距離
ｎ：関連商品を示す引数
Ａk：商品情報２０９に含まれるｋ番目の項目に対する重み
ｋ：商品情報２０９に含まれる項目を示す引数
Ｚk：指定商品の商品情報２０９に含まれるｋ番目の項目の定量データ
Ｘk（ｎ）：関連商品ｎの商品情報２０９に含まれるｋ番目の項目の定量データ
商品相関度算出部２０５は、ステップ８０２において算出された距離Ｒｐ（ｎ）を商品情報間距離として出力する。
ステップ８０２の後、商品相関度算出部２０５は、指定商品と関連商品との商品相関度を算出する（ステップ８０３）。ステップ８０３において、商品相関度算出部２０５は、図５に示すステップ５０２において算出されたソーシャルメディア相関度と、式１において算出された商品情報間距離とを用いて、商品相関度を算出する。具体的には以下の式２によって商品相関度を求める。
Figure 0005963709
Ｒ（ｎ，ｔ）：関連商品ｎの時間ｔにおける指定商品に対する商品相関度
Ｒｐ（ｎ）：関連商品ｎに対する指定商品に対する商品情報間距離
Ｒｓ（ｎ，ｔ）：関連商品ｎの時間ｔにおける指定商品に対するソーシャルメディア相関度
αP、αS：商品情報間距離に対する重み、ソーシャルメディア相関度に対する重み
式２によって算出された商品相関度（Ｒ（ｎ，ｔ））は、指定商品の属性と関連商品の属性とが異なれば異なるほど、高い値を示す。また、式２によって算出された商品相関度は、指定商品と関連商品とのソーシャルメディア中間データが異なれば異なるほど、高い値を示す。商品相関度算出部２０５は、ステップ８０３において算出されたＲ（ｎ，ｔ）を、関連商品の商品相関度として出力する。
ステップ８０３の後、商品相関度算出部２０５は、図５に示すステップ５０４を終了する。そして、商品相関度算出部２０５は、商品相関度が算出されていない関連商品があるか否かを判定する（ステップ５０５）。ステップ５０５において商品相関度が算出されていない関連商品があると判定された場合、商品相関度算出部２０５は、ステップ５０１に戻って次の関連商品にステップ５０１からステップ５０４の処理を行う。全ての関連商品に対する商品相関度を算出し終わったと判定された場合、商品相関度算出部２０５は、図５に示す処理を終了する。
図８に示す処理によって、指定商品の属性と関連商品の属性とによって商品相関度を算出することによって、指定商品と関連商品との類似度によって、売上げを予測するための商品相関度を算出することができる。そして、これによって、後述する商品需要予測部２１０は、指定商品と類似する関連商品の売上げデータ２０７をより強く反映させて、指定商品の売上を予測することができ、売上げ予測の精度を向上させることができる。
なお、商品相関度算出部２０５は、需要を予測するための関連商品として、商品情報２０９の各項目の値により分類し、特定の分類の商品を抽出してもよい。また、商品相関度算出部２０５は、商品相関度を、商品情報間距離とソーシャルメディア相関度とに基づいて算出したが、本実施例の商品相関度算出部２０５は、αPを０とすることによって、ソーシャルメディア相関度のみを商品相関度として出力してもよい。
＜外部要因寄与度算出方法＞
商品相関度算出部２０５による図５に示す処理が終了した場合、外部要因寄与度算出部２０６は、ソーシャルメディア中間データ２０４、売上げデータ２０７及び外部イベントデータ２０８を用いて、ソーシャルメディアにおける発言頻度、競合性、広告又は気象条件等の外部要因が、過去に発売された商品の売上げへ与える影響を定量的な指標として算出する。
図９は、本実施例の外部要因寄与度算出部２０６の処理を示すフローチャートである。
図９に示す処理は、関連商品ごとに実行される。
外部要因寄与度算出部２０６は、関連商品の売上げデータ２０７のエントリを取得する（ステップ９０１）。
図１０は、本実施例の売上げデータ２０７の例を示す説明図である。
売上げデータ２０７は、過去に発売された商品の売上げを示す。売上げデータ２０７は、ユーザによって定期的（例えば、日ごと）に更新される。売上げデータ２０７は、商品名１００１と売上高１００２とを含む。
商品名１００１は、商品を示し、商品情報２０９の商品名７０１に相当する。売上高１００２は、商品名７０１が示す商品の複数の期間の各々における売上高を示す。
売上高１００２は、図１０に示すように、例えば、日ごと又は月ごとの売上高を含む。一方、売上げデータ２０７は、売上高１００２に、日ごと又は月ごとの売上高を含み、さらに、売上高１００２に、期間ごと等の売上高を含んでもよい。
なお、売上げデータ２０７には、商品情報２０９のエントリに対応させるための情報が必ず含まれる（図１０に示す売上げデータ２０７において商品名１００１）。しかし、売上げデータ２０７のエントリと商品情報２０９のエントリとが、必ずしも商品名によって対応させられる必要はない。例えば、図９に示す商品情報２０９の各エントリにユニークなＩＤが付与され、当該ＩＤを売上げデータ２０７の各エントリが有してもよい。
ステップ９０１の後、外部要因寄与度算出部２０６は、関連商品のソーシャルメディア中間データ２０４を取得する（ステップ９０２）。ステップ９０２において、外部要因寄与度算出部２０６は、関連商品に関するエントリがソーシャルメディア中間データ２０４に含まれるか否かを判定し、含まれない場合、ソーシャルメディアデータ分析部２０２に関連商品に関するエントリを生成させてもよい。
ステップ９０２の後、外部要因寄与度算出部２０６は、関連商品の外部イベントデータ２０８を取得する（ステップ９０３）。
図１１は、本実施例の外部イベントデータ２０８の例を示す説明図である。
外部イベントデータ２０８は、商品の売上げに影響を与える可能性のある条件に関する定量データを示す。外部イベントデータ２０８は、日付１１０１を含み、例えば、気候データ１１０２、ＴＶ露出データ１１０３、マーケティングデータ１１０４及び売変率１１０５の項目を含む。
外部イベントデータ２０８は、図１１に示す各項目を、図７の商品名７０１が示す商品ごとに含む。
日付１１０１は、日付を示す。図１１に示す外部イベントデータ２０８のエントリの各々は、日ごとの条件を示すが、例えば、週ごとの条件又は時間ごとの条件を示してもよい。ただし、外部イベントデータ２０８の各エントリは、売上げデータ２０７の売上高１００２に含まれる各売上げに対応する。このため、外部イベントデータ２０８の各エントリが、日ごとの条件を示す場合、売上高１００２は、日ごとの売上げを示す値を含む。
気候データ１１０２は、日付１１０１が示す日における気象条件を示す。衣服又は季節物の食品等の商品は、寒暖など気象条件によって売上げが変動する可能性がある。このため外部イベントデータ２０８は、気象条件を含んでもよい。
気候データ１１０２は、例えば、図１１に示す気温及び降水量を含む。また、気候データ１１０２は、湿度又は降雪量等を含んでもよい。
ＴＶ露出データ１１０３は、日付１１０１が示す日において、商品がＣＭ又はＴＶ番組等において紹介された回数などを含む。商品の売上げは、ＴＶ等のマスメディアによって一般消費者に向けて商品の情報が発信されることによって、増減する可能性がある。このため外部イベントデータ２０８は、ＣＭ又はＴＶ番組において紹介された回数などを含んでもよい。具体的には、ＴＶ露出データ１１０３は、図１１に示すようなＣＭ回数及びＴＶ番組において紹介された回数を含んでもよい。
マーケティングデータ１１０４は、日付１１０１が示す日において商品に実施されたキャンペーン等の特別な宣伝、又は、新聞等と一緒に配布される広告チラシでの宣伝回数等を示す。マーケティングデータ１１０４は、事業主である本実施例の需要予測装置のユーザ又は需要予測装置を利用する組織が、能動的に行った宣伝に関する情報である。
宣伝には、例えば、街頭における店舗への呼び込み、及び、試供品の提供などが含まれる。マーケティングデータ１１０４は、これら宣伝に関する情報を示す定量データを含む。例えば、マーケティングデータ１１０４は、図１１に示すように、キャンペーン回数及びチラシの有無を示す。図１１において、チラシが配布された場合、マーケティングデータ１１０４は１を示し、チラシが配布されない場合、マーケティングデータ１１０４は０を示す。
なお、マーケティングデータ１１０４は、キャンペーン回数等の回数以外に、キャンペーンを実施するために必要であった金額又は人数を示してもよい。また、キャンペーンが複数の日を含む実施期間において行われた場合、実施期間中にキャンペーンを実行するために必要だった金額又は人数を、実施期間の日数で除算した結果を、実施期間中の日付１１０１のマーケティングデータ１１０４が含んでもよい。
売変率１１０５は、商品の単品の売値の変動を示す。商品の売上は、商品の売値の変動により影響を受ける可能性がある。このため、外部イベントデータ２０８は、売変率１１０５を含んでもよい。
売変率１１０５は、例えば、商品の単品の売値を、発売日から全ての期間における商品の売値の平均値によって除算することによって求められる。なお、売変率１１０５が外部イベントデータ２０８の項目に含まれる場合、ユーザは、売変率１１０５に相当するデータを売上げデータ２０７から算出し、算出された売変率１１０５を外部イベントデータ２０８に入力してもよい。
外部イベントデータ２０８は、需要予測装置とは異なる記憶装置に蓄積された気象データ又はＴＶ番組情報などから抽出された情報に基づいて、図１１に示すフォーマットに生成されてもよい。また、外部イベントデータ２０８は、図１１に示すデータ以外にも、日付１１０１における条件を示し、売上げデータに影響を与える可能性がある条件であれば、いかなる情報を含んでもよい。
ステップ９０３の後、外部要因寄与度算出部２０６は、関連商品の各々の売上げデータ２０７に外部イベントデータ２０８及びソーシャルメディア中間データ２０４を用いた重回帰分析を行う（ステップ９０４）。ステップ９０４において、外部要因寄与度算出部２０６は、売上げデータ２０７に対する外部イベントデータ２０８の各種データ及びソーシャルメディアでの評判情報が与えた影響を重回帰分析により算出する。例えば、外部要因寄与度算出部２０６は、売上げデータ２０７を式３により推定し、重回帰分析によって各係数を求める。
Figure 0005963709
Ｙ（ｔ）：日付ｔにおける関連商品の売上げデータ
ａm：重回帰分析で算出された説明変数ｘm(t)に対する回帰係数
ｘm(t)：外部イベントデータ２０８及びソーシャルメディア中間データ２０４の日付ｔの項目における定量データ
ｍ：外部イベントデータ２０８及びソーシャルメディア中間データ２０４の各項目を示す引数
Ｂ：日付ｔから所定の周期Ｔより前の売上げデータから日付ｔの売上を予測する需要予測モデルで推定した係数
Ｃ：定数項（ａmに対する重回帰分析及び係数Ｂに対する需要予測モデルの定数項を含む）
外部要因寄与度算出部２０６は、式３を用いて各係数を算出する際、重回帰分析及び需要予測モデル等の従来の方法を用いる。なお、外部要因寄与度算出部２０６は、重回帰分析の説明変数に、外部イベントデータ２０８及びソーシャルメディア中間データ２０４の全ての項目を用いず、一部のみを用いてもよい。
外部要因寄与度算出部２０６は、重回帰分析を行うためのソーシャルメディア中間データ２０４の項目として発言頻度４０２、肯定意見数４０３、否定意見数４０４、及び、関連語４０５のいずれかを用いる。関連語４０５を重回帰分析に用いる場合、外部要因寄与度算出部２０６は、関連語の各々を項目とし、頻度を定量データとすることによって重回帰分析を行ってもよい。
また、外部要因寄与度算出部２０６は、式３の重回帰分析を行う前に、売上げデータのみに需要予測モデルを適用してもよい。そして、外部要因寄与度算出部２０６は、需要予測モデルによって売上予測データを算出し、売上げデータと売上予測データの差分に対する重回帰分析を実行することによって、回帰係数を算出してもよい。
また、外部要因寄与度算出部２０６は、式３の重回帰分析を行う際に、各説明変数を無次元データに変換するため、説明変数の各々を説明変数の平均値によって除算するといった処理を行ってもよい。また、外部要因寄与度算出部２０６は、図１１の気候データ１１０２のように単位が気温を示す℃（セルシウス温度）であるような場合、絶対温度に変換するように、適宜量的変数への変換処理を行ってもよい。
ステップ９０４の後、外部要因寄与度算出部２０６は、ステップ９０４において得られた重回帰分析の回帰係数ａm、需要予測モデル係数Ｂ及び定数項Ｃを、外部要因寄与度として出力する（ステップ９０５）。外部要因寄与度算出部２０６は、ステップ９０５の後、図９に示す処理を終了する。
出力された外部要因寄与度は、後述する外部要因寄与度の出力画面によってユーザに出力される。また、ユーザが、出力結果に基づいて外部要因寄与度を調整することによって、後述する商品需要予測部２１０は、指定商品の売上げの予測を調整することができる。
＜商品需要予測方法の説明＞
商品需要予測部２１０は、商品相関度算出部２０５によって算出された関連商品の商品相関度、外部要因寄与度算出部２０６によって算出された関連商品の外部要因寄与度、及び、売上げデータ２０７を用い、未取扱い商品の売上げを予測する。具体的には、商品需要予測部２１０は、式４を用いて売上げを算出する。
Figure 0005963709
ｙ（ｔ）：日付ｔにおける未取扱い商品に予測される売上げ
Ｒ（ｎ，ｔnow）：現在時ｔnowにおける関連商品ｎと指定商品との商品相関度（式２を参照）
Ｙ（ｎ，ｔ−Ｔn）：関連商品ｎの売上げデータであり、かつ、日付ｔから、現在時ｔnowと関連商品の発売日との差分Ｔnを減算した日の売上げデータ（式３を参照）
Ｎ：関連商品の総数
式４によって算出される売上げは、複数の関連商品の各々の商品相関度が高ければ高いほど、高く算出される。また、式４によって算出される売上げは、複数の関連商品の各々の商品相関度が低ければ低いほど、低く算出される。
商品需要予測部２１０は、式４を用いて日付ｔにおいて予測される指定商品の売上げを算出することにより、現時点で売上げ実績のない未取扱い商品（指定商品）の需要を予測する。商品需要予測部２１０は、関連商品ｎの商品相関度又は外部要因寄与度が算出されていない場合、商品相関度算出部２０５又は外部要因寄与度算出部２０６において算出させてもよい。
商品需要予測部２１０は、商品相関度のみによって、売上げｙ（ｔ）を算出してもよい。また、商品相関度をソーシャルメディア相関度のみによって算出される場合、売上げｙ（ｔ）をソーシャルメディア相関度と式４とによって算出してもよい。
商品需要予測部２１０は、式４によって算出された売上げ（需要予測結果）を需要予測データ２１１、及び外部要因データ２１２に格納する。
図１２は、本実施例の需要予測データ２１１の例を示す説明図である。
需要予測データ２１１は、例えば、日付１２０１と需要予測結果１２０２とを含む。
日付１２０１は、日付（日付ｔに対応）を示す。需要予測結果１２０２は、式４によって商品の各々において算出された売上げｙ（ｔ）を示す。
図１３は、本実施例の外部要因データ２１２の例を示す説明図である。
外部要因データ２１２は、式３の各説明変数に対して算出された回帰係数ａmを示す。外部要因データ２１２は、例えば、商品名１３０１、需要予測影響度１３０２、気候影響度１３０３、ソーシャルメディア影響度１３０４、ＴＶ露出影響度１３０５、マーケティング影響度１３０６、及び売変率影響度１３０７を含む。
需要予測影響度１３０２は、式３における、需要予測係数Ｂを格納する。需要予測係数は適用する需要予測モデルによって係数の種類数が異なる。図１３に示す需要予測係数Ｂには、トレンド成分及び周期成分が含まれる。
気候影響度１３０３は、外部イベントデータ２０８の気候データ１１０２の項目に算出された回帰係数ａmを示す。ソーシャルメディア影響度１３０４は、ソーシャルメディア中間データ２０４の発言頻度４０２の項目に算出された回帰係数ａmを示す。
ＴＶ露出影響度１３０５は、外部イベントデータ２０８のＴＶ露出データ１１０３の項目に算出された回帰係数ａmを示す。マーケティング影響度１３０６は、外部イベントデータ２０８のマーケティングデータ１１０４の項目に算出された回帰係数ａmを示す。売変率影響度１３０７は、外部イベントデータ２０８の売変率１１０５の項目に算出された回帰係数ａmを示す。
＜商品需要予測画面の説明＞
可視化部２１３は、本実施例における需要予測装置のユーザに対して、需要予測データ２１１及び外部要因データ２１２を用いて需要予測結果を表示する。また、可視化部２１３は、ユーザからの予測に関する指示を受け付け、受け付けた指示を、ＣＰＵ１０１を介して各機能に通知する。
図１４は、本実施例の可視化部２１３が出力する商品需要予測画面１４００の例を示す説明図である。
商品需要予測画面１４００は、可視化部２１３によって出力装置１０５に表示される。商品需要予測画面１４００は、需要予測グラフ１４０１を少なくとも含み、図１４に示す商品需要予測画面１４００は、関連商品一覧表１４０２及び外部要因調整部１４０３も含む。
需要予測グラフ１４０１は、需要を予測した商品（指定商品）に関する需要予測データ２１１を、グラフによって示す。図１４に示す実線１４０６は、需要予測データ２１１が示す売上げである。また、点線１４０４は、関連商品がユーザによって選択された場合に再算出された売上げを示す。また、破線１４０５は、外部要因の重み付けをユーザによって選択された場合に再算出された売上げを示す。
関連商品一覧表１４０２は、指定商品の需要を予測するために用いられる関連商品の一覧を表示する。具体的には、関連商品一覧表１４０２は、式４において用いられた関連商品を示す。関連商品一覧表１４０２は、図１４に示すように関連商品の商品名と式２において算出された商品相関度とを表示してもよい。また、関連商品一覧表１４０２に表示される関連商品の表示順は、商品相関度の大小によって並べ替えられてもよい。
ユーザは、関連商品一覧表１４０２を操作することによって関連商品を任意に選択することができ、可視化部２１３は、ユーザによって選択された関連商品を、関連商品一覧表１４０２を介して受け付ける。そして、可視化部２１３は、例えば、選択された関連商品のエントリの枠の色を替える等の強調表示を行ってもよい。
ユーザが関連商品一覧表１４０２から関連商品を選択した場合、可視化部２１３は、選択された関連商品を用いた売上げｙ（ｔ）の再算出を、ＣＰＵ１０１に指示する。ＣＰＵ１０１は、可視化部２１３から関連商品に関する指示を受信した場合、商品相関度算出部２０５、外部要因寄与度算出部２０６及び商品需要予測部２１０に、選択された関連商品を用いて、商品相関度（ソーシャルメディア相関度等）の再算出、外部要因寄与度の再算出、及び、売上げｙ（ｔ）の再算出を指示する。
その後、可視化部２１３は出力された需要予測データ２１１を取得し、取得された需要予測データ２１１によって点線１４０４を表示する。可視化部２１３は、これらの処理を選択された関連商品が変更される度に実行する。
可視化部２１３は、図１４に示すように、すべての関連商品による需要予測結果（実線１４０６）と一部の関連商品による需要予測結果（点線１４０４）を一つの需要予測グラフ１４０１に表示することにより、選択された関連商品によって需要予測がどのように変動するかをユーザに視覚的に理解させることができる。
外部要因調整部１４０３は、関連商品の売上げに影響を与える外部要因寄与度が需要予測に影響している影響度をユーザに表示する。外部要因調整部１４０３は、外部要因データ２１２に含まれる図１３の外部要因の各項目（需要予測影響度１３０２、気候影響度１３０３、ソーシャルメディア影響度１３０４、ＴＶ露出影響度１３０５、マーケティング影響度１３０６、及び、売変率影響度１３０７）のうち、すべて又は一部の項目を表示する。例えば、外部要因調整部１４０３は、ユーザがスライドバーを用いて影響度を任意に調整できるように、項目の各々に対応するスライドバーを図１４のように表示してもよい。
例えば、ユーザが、売変率を０として商品を販売する場合の商品の需要を予測したい場合、ユーザは、図１４に示す外部要因調整部１４０３のように、売変率の影響度を０に変更するようにスライドバーを操作する。可視化部２１３は、ユーザによる操作によって変更された売変率の影響度を受け付け、ＣＰＵ１０１に変更された売変率の影響度を入力する。ＣＰＵ１０１は、可視化部２１３から変更された売変率の影響度を入力された場合、変更された売変率の影響度を外部要因寄与度算出部２０６に入力する。
外部要因寄与度算出部２０６は、式３と入力された売変率の影響度とに基づいて、売変率の説明変数項の回帰係数を０として売上げデータを算出する。その後、商品需要予測部２１０は、全ての関連商品ｎに関して再度算出された売上げＹ（ｔ）と、式４とを用いて売上ｙ（ｔ）を再度算出する。
可視化部２１３は、再度算出された売上げｙ（ｔ）を、需要予測結果として需要予測グラフ１４０１に描画する。図１４に示す点線１４０４は、外部要因調整部１４０３によって外部要因の影響度が変更された後に算出された売上げｙ（ｔ）を示す。図１４に示す可視化部２１３は、外部要因寄与度がすべて有効である場合（影響度がすべて１である場合）の需要予測結果を実線１４０６によって表示し、一部の外部要因寄与度の影響度が調整された後の需要予測結果を点線１４０４によって同時に表示する。これによって、ユーザは、外部要因の影響が変化することによって、需要予測結果がどのように変動するかを視覚的に理解し易くなる。
また、外部要因調整部１４０３によって、ユーザは、０から１までの間で外部要因寄与度の影響度を調整できる。例えば、ユーザが図１４に示す気温の影響度を０．５に変更した場合、外部要因寄与度算出部２０６は、式３を用いて売上げデータを算出する際、気候の説明変数項の回帰係数に０．５を乗じて売上げデータを算出する。これによって、ユーザが入力した影響度を需要予測結果に適切に反映できる。
そして、商品需要予測部２１０は、売上げデータの再算出を全ての関連商品に実行した結果の売上げＹを用いて、式４の需要予測を再度算出する。
さらに、外部要因調整部１４０３は、１．０以上の値を設定できるように、スライドバーを表示してもよい。これによって、外部要因調整部１４０３は、外部要因の各項目の影響度を、ユーザに入力させることができる。
以上が本実施例における需要予測装置及び方法の説明である。
本実施例の需要予測装置は、ソーシャルメディアデータ２０１を用いて商品間の相関度を算出することによって、発売前の商品の需要（売上げ）を予測できる。
また、本実施例の需要予測装置は、消費者の評判及び感情以外にも、商品が販売される地域の地域性、販売される商品と他商品との競合性、広告又は気象条件等の様々な外部要因（外部要因データ２１２に相当）に基づいて、商品の売上げを予測できる。このため、本実施例の需要予測装置は、購入者の所得以外にも販売予測の変動要因を考慮して、売上を予測することができる。
前述の需要予測装置は、未取扱い商品の売上げを予測した。しかし、既に取り扱われている商品の需要も同様に予測することが可能である。既に取り扱われている商品の需要を予測する方法には、公知の需要予測モデルが知られている。しかし、本実施例の需要予測装置によって需要を予測する場合、ソーシャルメディアの評判等の外部データの影響を加味した予測結果を示すことができる。
さらに、実際に商品の発売を開始して、本実施例の装置及びプログラムの運用を開始した場合、需要予測と実際の売上とに差が生じる場合がある。そこで、例えば需要予測に対して実際の売上が一定以上の差で低い場合、可視化部２１３は、図１４に示す商品需要予測画面１４００に警告の旨を表示してもよい。なお、売上げデータ２０７は、例えば１日ごとに更新される。
ユーザは、商品需要予測画面１４００に警告が表示された場合、例えば、売変効果及び広告効果を増大することで売上を伸ばすように商品の販売方針を決定し、さらに、商品需要予測画面１４００によって売変率の影響度及びマーケティングデータの影響度を大きくし、需要予測を取得してもよい。
また、ソーシャルメディア中間データ２０４において、発売後に対象商品のソーシャルメディアの発言数が急に増大した場合、可視化部２１３は、ＳＮＳ発言数の外部要因寄与度を増大させるようなアクションを推薦する旨を画面に表示するようにしてもよい。
また本実施例においては、商品情報２０９は、本実施例における需要予測装置のユーザの業務に従った商品に関する情報を含んでもよい。例えば、商品情報２０９は、本実施例における需要予測装置のユーザが製造業であれば、自社及びライバル会社で取り扱っている製品のリストであってもよい。
また、本実施例における需要予測装置及び方法、プログラムは、必ずしも図１及び図２のように全ての機能を単一の装置で処理する必要はない。必要に応じて並列、分散処理が行えるように、複数の装置で分割して処理を行ってもよい。
本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
また、上記の各構成、機能、処理部、処理手順等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんどすべての構成が相互に接続されていると考えてもよい。
１０１ ＣＰＵ
１０２ 主記憶装置
１０３ 補助記憶装置
１０４ 入力装置
１０５ 出力装置
１０６ ネットワークインターフェイス
２０１ ソーシャルメディアデータ
２０２ ソーシャルメディアデータ分析部
２０３ 辞書
２０４ ソーシャルメディア中間データ
２０５ 商品相関度算出部
２０６ 外部要因寄与度算出部
２０７ 売上げデータ
２０８ 外部イベントデータ
２０９ 商品情報
２１０ 商品需要予測部
２１１ 需要予測データ
２１２ 外部要因データ
２１３ 可視化部

Claims (15)

  1. プロセッサ及びメモリを有する計算機であって、
    前記計算機は、所定の期間における複数の商品又は役務に関する発言を含むソーシャルメディアデータに基づいて、前記複数の商品又は役務の各々に関して生成された中間データを、メモリに保持し、
    前記中間データは、前記所定の期間における前記複数の商品又は役務の各々に関する発言の頻度を少なくとも含み、
    前記複数の商品又は役務は、現在時において消費者へ提供するための展示が行われていない商品又は役務である第１の商品又は役務と、前記現在時において提供のための展示が既に行われている商品又は役務である少なくとも一つの第２の商品又は役務と、を含み、
    前記計算機は、
    前記第２の商品又は役務の売上げを示す売上げデータを、前記メモリに保持し、
    前記第１の商品又は役務に関する前記中間データと、前記第２の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出する相関度算出部と、
    前記算出されたソーシャルメディア相関度と、前記第２の商品又は役務の売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測する需要予測部と、を有することを特徴とする計算機。
  2. 請求項１に記載の計算機であって、
    前記計算機は、前記複数の商品又は役務の各々の発売が開始される時又は前記複数の商品又は役務の各々の発売が開始された時を示す発売時を、前記メモリに保持し、
    前記相関度算出部は、
    前記第１の商品又は役務について、前記第１の商品又は役務の発売時と前記現在時との関係を求め、
    前記第２の商品又は役務について、前記第２の商品又は役務の発売時と、前記求められた関係と同じ関係の基準時を求め、
    前記求められた基準時より前の前記第２の商品又は役務に関する中間データを抽出し、
    前記抽出された第２の商品又は役務に関する中間データと、前記第１の商品又は役務に関する中間データとによって、前記ソーシャルメディア相関度を算出することを特徴とする計算機。
  3. 請求項１又は２に記載の計算機であって、
    前記計算機は、前記複数の商品又は役務の各々の属性を示す商品情報を、前記メモリに保持し、
    前記相関度算出部は、前記商品情報に基づいて、前記第１の商品又は役務の属性と前記第２の商品又は役務の属性との相違を示す距離を算出し、
    前記需要予測部は、前記算出されたソーシャルメディア相関度と、前記算出された距離と、前記第２のデータの売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測することを特徴とする計算機。
  4. 請求項３に記載の計算機であって、
    前記計算機は、
    ユーザからの指示を受け付ける入出力部と、
    前記第２の商品又は役務の識別子と前記予測された第１の商品又は役務の売上げとを、前記入出力部に表示する可視化部とを有し、
    前記可視化部は、前記ユーザによって指示された前記第２の商品又は役務の識別子を、前記入出力部を介して受け付け、
    前記相関度算出部は、前記識別子が指示された第２の商品又は役務に関する前記中間データと、前記第１の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出することを特徴とする計算機。
  5. 請求項４に記載の計算機であって、
    前記計算機は、前記複数の商品又は役務の各々が提供された際の一定期間ごとの状況を示す外部要因データを保持し、
    前記売上げデータは、前記第２の商品又は役務の前記一定期間ごとの売上げを示し、
    前記第２の商品又は役務の外部要因データと、前記第２の商品又は役務の売上げデータとに基づいて、前記第２の商品又は役務の外部要因データの重回帰分析を行うことによって、前記第２の商品又は役務の外部要因データの回帰係数を算出し、前記算出された回帰係数を用いて予想売上げを算出する外部要因寄与度算出部を有し、
    前記需要予測部は、前記外部要因寄与度算出部によって算出された予想売上げと、前記ソーシャルメディア相関度と、前記算出された距離とに基づいて、前記第１の商品又は役務の売上げを予測することを特徴とする計算機。
  6. 請求項５に記載の計算機であって、
    前記可視化部は、
    前記算出された回帰係数に対する影響度と、前記予測された第１の商品又は役務の売上げとを、前記入出力部を介して表示し、
    前記ユーザによって指示された前記影響度を、前記入出力部を介して受け付け、
    前記外部要因寄与度算出部は、前記指示された影響度と、前記算出された回帰係数とに基づいて、前記予想売上げを算出することを特徴とする計算機。
  7. 請求項６に記載の計算機であって、
    前記外部要因寄与度算出部は、
    前記指示された影響度に前記算出された回帰係数を乗算した結果によって前記回帰係数を更新し、
    前記更新された回帰係数を用いて前記予想売上げを算出することを特徴とする計算機。
  8. プロセッサ及びメモリを有する計算機による予測方法であって、
    前記計算機は、所定の期間における複数の商品又は役務に関する発言を含むソーシャルメディアデータに基づいて、前記複数の商品又は役務の各々に関して生成された中間データを、メモリに保持し、
    前記中間データは、前記所定の期間における前記複数の商品又は役務の各々に関する発言の頻度を少なくとも含み、
    前記複数の商品又は役務は、現在時において消費者へ提供するための展示が行われていない商品又は役務である第１の商品又は役務と、前記現在時において既に提供のための展示が行われている商品又は役務である少なくとも一つの第２の商品又は役務と、を含み、
    前記計算機は、前記第２の商品又は役務の売上げを示す売上げデータを、前記メモリに保持し、
    前記方法は、
    前記プロセッサが、前記第１の商品又は役務に関する前記中間データと、前記第２の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出する相関度算出手順と、
    前記プロセッサが、前記算出されたソーシャルメディア相関度と、前記第２の商品又は役務の売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測する需要予測手順と、を含むことを特徴とする予測方法。
  9. 請求項８に記載の予測方法であって、
    前記計算機は、前記複数の商品又は役務の各々の発売が開始される時又は前記複数の商品又は役務の各々の発売が開始された時を示す発売時を、前記メモリに保持し、
    前記相関度算出手順は、
    前記プロセッサが、前記第１の商品又は役務について、前記第１の商品又は役務の発売時と前記現在時との関係を求める手順と、
    前記プロセッサが、前記第２の商品又は役務について、前記第２の商品又は役務の発売時と、前記求められた関係と同じ関係の基準時を求める手順と、
    前記プロセッサが、前記求められた基準時より前の前記第２の商品又は役務に関する中間データを抽出する手順と、
    前記プロセッサが、前記抽出された第２の商品又は役務に関する中間データと、前記第１の商品又は役務に関する中間データとによって、前記ソーシャルメディア相関度を算出する手順と、を含むことを特徴とする予測方法。
  10. 請求項８又は９に記載の予測方法であって、
    前記計算機は、前記複数の商品又は役務の各々の属性を示す商品情報を、前記メモリに保持し、
    前記相関度算出手順は、前記プロセッサが、前記商品情報に基づいて、前記第１の商品又は役務の属性と前記第２の商品又は役務の属性との相違を示す距離を算出する手順を含み、
    前記需要予測手順は、前記プロセッサが、前記算出されたソーシャルメディア相関度と、前記算出された距離と、前記第２のデータの売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測する手順を含むことを特徴とする予測方法。
  11. 請求項１０に記載の予測方法であって、
    前記計算機は、ユーザからの指示を受け付ける入出力部を有し、
    前記方法は、前記第２の商品又は役務の識別子と前記予測された第１の商品又は役務の売上げとを、前記入出力部に表示する可視化手順を含み、
    前記可視化手順は、前記プロセッサが、前記ユーザによって指示された前記第２の商品又は役務の識別子を、前記入出力部を介して受け付ける手順を含み、
    前記相関度算出手順は、前記プロセッサが、前記識別子が指示された第２の商品又は役務に関する前記中間データと、前記第１の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出する手順を含むことを特徴とする予測方法。
  12. 請求項１１に記載の予測方法であって、
    前記計算機は、前記複数の商品又は役務の各々が提供された際の一定期間ごとの状況を示す外部要因データを保持し、
    前記売上げデータは、前記第２の商品又は役務の前記一定期間ごとの売上げを示し、
    前記方法は、前記プロセッサが、前記第２の商品又は役務の外部要因データと、前記第２の商品又は役務の売上げデータとに基づいて、前記第２の商品又は役務の外部要因データの重回帰分析を行うことによって、前記第２の商品又は役務の外部要因データの回帰係数を算出し、前記算出された回帰係数を用いて予想売上げを算出する外部要因寄与度算出手順を含み、
    前記需要予測手順は、前記プロセッサが、前記外部要因寄与度算出手順によって算出された予想売上げと、前記ソーシャルメディア相関度と、前記算出された距離とに基づいて、前記第１の商品又は役務の売上げを予測する手順を含むことを特徴とする予測方法。
  13. 請求項１２に記載の予測方法であって、
    前記可視化手順は、
    前記プロセッサが、前記算出された回帰係数に対する影響度と、前記予測された第１の商品又は役務の売上げとを、前記入出力部を介して表示する手順と、
    前記ユーザによって指示された前記影響度を、前記入出力部を介して受け付ける手順と、を含み、
    前記外部要因寄与度算出手順は、前記プロセッサが、前記指示された影響度と、前記算出された回帰係数とに基づいて、前記予想売上げを算出する手順を含むことを特徴とする予測方法。
  14. 請求項１３に記載の予測方法であって、
    前記外部要因寄与度算出手順は、
    前記プロセッサが、前記指示された影響度に前記算出された回帰係数を乗算した結果によって前記回帰係数を更新する手順と、
    前記プロセッサが、前記更新された回帰係数を用いて前記予想売上げを算出する手順を含むことを特徴とする予測方法。
  15. プロセッサ及びメモリを有する計算機に処理を実行させるための予測プログラムであって、
    前記計算機は、所定の期間における複数の商品又は役務に関する発言を含むソーシャルメディアデータに基づいて、前記複数の商品又は役務の各々に関して生成された中間データを、メモリに保持し、
    前記中間データは、前記所定の期間における前記複数の商品又は役務の各々に関する発言の頻度を少なくとも含み、
    前記複数の商品又は役務は、現在時において消費者へ提供するための展示が行われていない商品又は役務である第１の商品又は役務と、前記現在時において既に提供のための展示が行われている商品又は役務である少なくとも一つの第２の商品又は役務と、を含み、
    前記計算機は、前記第２の商品又は役務の売上げを示す売上げデータを、前記メモリに保持し、
    前記予測プログラムは、
    前記計算機に、前記第１の商品又は役務に関する前記中間データと、前記第２の商品又は役務に関する前記中間データとの相関を示すソーシャルメディア相関度を算出する相関度算出手順と、
    前記計算機に、前記算出されたソーシャルメディア相関度と、前記第２の商品又は役務の売上げデータとに基づいて、前記第１の商品又は役務の売上げを予測する需要予測手順と、を実行させるための予測プログラム。
JP2013110868A 2013-05-27 2013-05-27 計算機、予測方法、及び、予測プログラム Expired - Fee Related JP5963709B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2013110868A JP5963709B2 (ja) 2013-05-27 2013-05-27 計算機、予測方法、及び、予測プログラム
US14/281,266 US20140351008A1 (en) 2013-05-27 2014-05-19 Calculating machine, prediction method, and prediction program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013110868A JP5963709B2 (ja) 2013-05-27 2013-05-27 計算機、予測方法、及び、予測プログラム

Publications (2)

Publication Number Publication Date
JP2014229252A JP2014229252A (ja) 2014-12-08
JP5963709B2 true JP5963709B2 (ja) 2016-08-03

Family

ID=51935976

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013110868A Expired - Fee Related JP5963709B2 (ja) 2013-05-27 2013-05-27 計算機、予測方法、及び、予測プログラム

Country Status (2)

Country Link
US (1) US20140351008A1 (ja)
JP (1) JP5963709B2 (ja)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6229354B2 (ja) * 2013-07-29 2017-11-15 日本電気株式会社 需要予測装置、需要予測方法、および需要予測プログラム
US9967351B2 (en) * 2015-01-31 2018-05-08 Splunk Inc. Automated service discovery in I.T. environments
WO2016129218A1 (ja) * 2015-02-09 2016-08-18 日本電気株式会社 分析用情報表示システム、方法およびプログラム
JP6603600B2 (ja) * 2015-06-30 2019-11-06 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体
US11593817B2 (en) * 2015-06-30 2023-02-28 Panasonic Intellectual Property Corporation Of America Demand prediction method, demand prediction apparatus, and non-transitory computer-readable recording medium
JP6451894B2 (ja) * 2016-03-25 2019-01-16 日本電気株式会社 商品需要予測システム、商品需要予測方法および商品需要予測プログラム
JP6801281B2 (ja) * 2016-07-26 2020-12-16 富士ゼロックス株式会社 プロモーション支援装置及びプログラム
US11151108B2 (en) 2016-11-21 2021-10-19 International Business Machines Corporation Indexing and archiving multiple statements using a single statement dictionary
US11373198B2 (en) 2016-12-02 2022-06-28 Honda Motor Co., Ltd. Evaluation device, evaluation method, and evaluation program
JP6494687B2 (ja) * 2016-12-02 2019-04-03 本田技研工業株式会社 評価装置、評価方法、および評価プログラム
JP6408090B1 (ja) * 2017-08-09 2018-10-17 ヤフー株式会社 推定装置、推定方法、および推定プログラム
CN107895213A (zh) * 2017-12-05 2018-04-10 北京三快在线科技有限公司 消费额度的预测方法、装置及电子设备
JP6756751B2 (ja) * 2018-01-26 2020-09-16 ソフトバンク株式会社 情報提供装置及び方法
JP7081070B2 (ja) * 2018-06-27 2022-06-07 三菱電機ビルソリューションズ株式会社 消費電力推定装置
JP6591004B1 (ja) * 2018-07-03 2019-10-16 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
JP6664586B2 (ja) * 2018-07-03 2020-03-13 ヤフー株式会社 情報処理装置、情報処理方法、及び情報処理プログラム
JP7094909B2 (ja) * 2019-02-27 2022-07-04 Kddi株式会社 推定装置、推定方法及び推定プログラム
JP7264715B2 (ja) * 2019-05-15 2023-04-25 株式会社日立物流 物量予測方法及び物量予測システム
JP7392285B2 (ja) * 2019-05-15 2023-12-06 Ｔｏｐｐａｎホールディングス株式会社 医薬品需要予測システムおよび医薬品流通システム
US20220292533A1 (en) * 2019-08-28 2022-09-15 Ntt Docomo, Inc. Demand prediction device
US11126986B2 (en) * 2019-09-23 2021-09-21 Gregory Tichy Computerized point of sale integration platform
WO2021060544A1 (ja) * 2019-09-25 2021-04-01 西村　勉 情報提供装置、情報提供方法及びプログラム
US11276072B2 (en) * 2020-04-24 2022-03-15 Caastle, Inc. Methods and systems for determining a quantity and a size distribution of products
WO2022190199A1 (ja) * 2021-03-09 2022-09-15 株式会社日立製作所 需要予測装置、需要予測方法および予測モデル生成装置
WO2022269667A1 (ja) * 2021-06-21 2022-12-29 日本電信電話株式会社 需要予測装置、需要予測方法、及びプログラム
WO2023021607A1 (ja) * 2021-08-18 2023-02-23 三菱電機ビルソリューションズ株式会社 消費電力推定装置、消費電力推定方法および消費電力推定プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4817434B2 (ja) * 2006-04-25 2011-11-16 株式会社リコー 需要予測方法及び需要予測プログラム
JP4987499B2 (ja) * 2007-01-31 2012-07-25 株式会社エヌ・ティ・ティ・データ 需要予測装置、需要予測方法、及び、需要予測プログラム
JP2009123015A (ja) * 2007-11-15 2009-06-04 Bbmedia Inc ブランドランク評価システムおよび方法
NL2004820A (en) * 2009-06-30 2011-01-04 Asml Netherlands Bv Lithographic apparatus and a method of measuring flow rate in a two phase flow.
CA2708911C (en) * 2009-07-09 2016-06-28 Accenture Global Services Gmbh Marketing model determination system
CN102024224A (zh) * 2009-09-11 2011-04-20 阿里巴巴集团控股有限公司 实现商品最优时间上架和/或下架的电子商务系统及方法
US20110258256A1 (en) * 2010-04-14 2011-10-20 Bernardo Huberman Predicting future outcomes
US20130231975A1 (en) * 2012-03-02 2013-09-05 Elizabeth Ann High Product cycle analysis using social media data
US20140039979A1 (en) * 2012-08-01 2014-02-06 Opera Solutions, Llc System and Method for Demand Forecasting
US20140143013A1 (en) * 2012-11-19 2014-05-22 Wal-Mart Stores, Inc. System and method for analyzing social media trends

Also Published As

Publication number Publication date
JP2014229252A (ja) 2014-12-08
US20140351008A1 (en) 2014-11-27

Similar Documents

Publication Publication Date Title
JP5963709B2 (ja) 計算機、予測方法、及び、予測プログラム
JP7021289B2 (ja) 資産情報のディスプレイ方法
JP6352798B2 (ja) マーケティング施策最適化装置、方法、及びプログラム
US8600796B1 (en) System, method and computer program product for identifying products associated with polarized sentiments
Scholz et al. Dynamic effects of user-and marketer-generated content on consumer purchase behavior: Modeling the hierarchical structure of social media websites
JP7120649B2 (ja) 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム
JP5337174B2 (ja) 需要予測装置、及びそのプログラム
US10181138B2 (en) System and method for determining retail-business-rule coefficients from current prices
US20140200992A1 (en) Retail product lagged promotional effect prediction system
JP6848230B2 (ja) 処理装置、処理方法及びプログラム
JP2009169699A (ja) 販売情報分析装置
WO2017163278A1 (ja) 商品需要予測システム、商品需要予測方法および商品需要予測プログラム
JP2018536947A (ja) ターゲットクラスタリング手法を利用して、属性タイプが混合した顧客をセグメント化するためのシステムおよび方法
JP5251217B2 (ja) 販売数予測システム、販売数予測システムの動作方法および販売数予測プログラム
JP6193817B2 (ja) 需要予測装置およびプログラム
JP5847137B2 (ja) 需要予測装置及びプログラム
JP4777941B2 (ja) 需要予測方法および装置
CN113421148B (zh) 商品数据处理方法、装置、电子设备及计算机存储介质
JP2016012224A (ja) 需要予測装置およびプログラム
KR102405503B1 (ko) 소비 데이터와 소셜 데이터를 이용한 소비동향 예측 지수 생성 방법과 이를 적용한 소비동향 예측 지수 생성 시스템 및 이를 위한 컴퓨터 프로그램
JP2004362539A (ja) 閲覧コンテンツ変更装置、閲覧コンテンツ変更方法、閲覧コンテンツ変更プログラム、および閲覧コンテンツ変更プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2015032217A (ja) 需要予測装置およびプログラム
JPWO2018061136A1 (ja) 需要予測方法、需要予測システム及びそのプログラム
US20200090113A1 (en) System and method for predicting average inventory with new items
JP7375990B2 (ja) 情報処理装置、情報処理方法、及び、プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150716

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20160524

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160621

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160628

R150 Certificate of patent or registration of utility model

Ref document number: 5963709

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees