JP6068507B2 - 自動需要パラメータ推定 - Google Patents

Description

分野
一実施形態は概してコンピュータシステムに向けられ、特に需要パラメータの自動推定を提供するためのシステムに向けられる。

背景情報
小売の科学における、および卸売の科学などの同様の分野における経済分析には多くの実際の応用例があり得る。たとえば、小売の科学における１つの研究分野は、特定の期間内に特定の商品が何単位売れるかを求めるための商品の売上単位の予想の生成である。

商品の売上単位は、季節要因などの多くの要因によって影響され得る。季節要因は、衣類の売上に関しては温度要因などの事情を考慮し得るが、贈り物として購入される品目についてはクリスマスの買物シーズンなどの、または学校用に購入される品目については夏の終わりの新学期の開始などの、購入を誘発する他の予定行事も考慮し得る。

他の要因は、その期間中に商品に割引が適用されていたか否か、およびその期間が商品のライフサイクルのどの時点に当たるかを含み得る。これらは要因の網羅的なリストではない。

これらおよび他の要因が互いに組み合されて需要モデルが作成され得る。そして需要モデルを用いて、それらの中から小売業者（小売の科学の場合）または製造業者／販売業者（卸売の科学の場合）の統制範囲内の要因が知的に提案または合理的に選択され得る。

需要モデルは、需要変数に依存する需要パラメータを含み得る。しかし、需要パラメータと需要変数との関係の決定は完全に直感的ではない場合がある。特に、多くの異種の単位をともにプールして、最も可能性があるデータに基づいて需要パラメータを得ることは有益であり得るが、そのようなプールは同種の単位のみで構成されるプールほど正確ではない場合がある。

同様の単位をともに単純にプールすると不正確になる可能性があり、自身の十分に信頼性のある需要パラメータを有しないプールについて結果として得られる需要パラメータが確実に計算されたか否かについての信頼の欠如に繋がり得る。したがって、このアプローチには誤差が起こりやすく、比較的熟練したユーザまたは特定の製品についての直観を有するユーザを必要とし得るため、需要パラメータを計算するソフトウェアのユーザ基盤が限られてしまう。

需要パラメータの改善を試みる際には、従来から、シミュレーション技術または検索技術に依拠した非常に複雑な計算が必要とされている。これらの技術は大量の計算リソースを必要とするので、小売の科学を応用するには実用的ではないかまたは少なくとも非常に割高になってしまう。というのも、大手の小売り業者は、典型的には、非常に大量の履歴データを有しているからである。

概要
図１は、いくつかの実施形態を実現することのできるコンピュータシステムのブロック図を示す。いくつかの実施形態によると、コンピュータ可読媒体は、プロセッサによって実行されると、プロセッサに、売上階層内のレベルについての需要パラメータを決定させる命令を格納している。命令は、混合パラメータを得ることを含む。命令はまた、混合パラメータを用いて、第１のプールを拡大されたプールと混合することを含む。命令はさらに、混合に基づいて第１のプールについての需要パラメータを推定することを含む。第１のプールは拡大されたプールのサブセットである。

いくつかの実施形態を実現することのできるコンピュータシステムのブロック図である。 上位レベルと低位レベルとの関係を示す図である。 いくつかの実施形態に係る二重クロス妥当性確認を示す図である。 いくつかの実施形態に従った、物品および／またはサービスのプールの階層セット内の需要パラメータの推定を決定する際の図１の需要モデルモジュールの機能を示すフロー図である。

詳細な説明
一実施形態は、以下に説明するように、需要パラメータを混合することによって、たとえば、小さなプールからの推定と小さなプールを含む拡大されたプールから得られた推定とを混合することによって、需要パラメータの自動推定を提供するコンピュータシステムである。

図１は、いくつかの実施形態を実現することのできるコンピュータシステム１０のブロック図である。システム１０は単一のシステムとして示されるが、システム１０の機能は分散システムとしても実現され得る。システム１０は、情報を通信するためのバス１２または他の通信メカニズムと、バス１２に結合され情報を処理するためのプロセッサ２２とを含む。プロセッサ２２は、複数の命令を並列処理可能な任意の種類の汎用または特定目的のプロセッサであり得る。一実施形態では、プロセッサ２２は単体のマルチコアプロセッサであるが、互いに通信する複数の単体プロセッサ、または任意の他の種類の１つのプロセッサもしくは並列コンピューティング可能な複数のプロセッサを用いて実現され得る。代替の実施形態では、プロセッサ２２は単体のシングルコアプロセッサであり得る。

システム１０はさらに、情報およびプロセッサ２２によって実行される命令を格納するためのメモリ１４を含む。メモリ１４は、ランダムアクセスメモリ（「ＲＡＭ」）、読出専用メモリ（「ＲＯＭ」）、磁気もしくは光ディスクなどの静的記憶装置、または任意の他の種類のコンピュータ可読媒体の任意の組合せで構成され得る。たとえば、非一時的コンピュータ可読媒体がメモリ１４として使用され得る。システム１０はさらに、ネットワークへのアクセスを提供するネットワークインターフェイスカードなどの通信装置２０を含む。したがって、ユーザは直接に、またはネットワークもしくは任意の他の方法によって遠隔的に、システム１０とインターフェイスし得る。

コンピュータ可読媒体はプロセッサ２２がアクセス可能な任意の使用可能な媒体であり得、揮発性および不揮発性媒体、リムーバブルおよび非リムーバブル媒体の両方、ならびに通信媒体を含む。通信媒体は、コンピュータ可読命令、データ構造、プログラムモジュール、または搬送波もしくは他の転送メカニズムなどの変調データ信号内の他のデータを含み得、任意の情報配信媒体を含む。

プロセッサ２２はさらに、ユーザに情報を表示するための液晶ディスプレイ（「ＬＣＤ」）、プラズマディスプレイ、または陰極線管（「ＣＲＴ」）などのディスプレイ２４にバス１２を介して結合される。コンピュータマウス、タッチスクリーン、またはトラックボールデバイスなどのキーボード２６およびカーソル制御装置２８がバス１２にさらに結合され、ユーザがシステム１０とインターフェイスするのを可能にする。

一実施形態では、メモリ１４は、プロセッサ２２によって実行されると機能を提供するソフトウェアモジュールを格納する。モジュールは、システム１０にオペレーティングシステム機能を提供するオペレーティングシステム１５を含む。モジュールはさらに、小売業者の物品などの物品および／またはサービスの需要をモデル化する需要モデルモジュール１６を含む。物品、サービス、または両方の階層はまとめて売上階層と称され得る。このように、需要モデルモジュール１６を用いて、たとえば物品の売上を予想することができる。システム１０はより大きいシステムの一部であってもよい。したがって、システム１０は１つ以上の追加機能モジュール１８を含み、たとえば具体的な需要パラメータを得るためのモデルなどの追加機能を含み得る。追加機能モジュール１８の例は、すべてオラクル社の「Retail Demand Forecaster」、「Markdown Optimizer」、「Regular Price Optimizer」、「Promotional Planning and Optimization」、および「Size Profile Optimization」を含み得る。データベース１７がバス１２に結合されて、モジュール１６および１８に集中記憶を提供する。ある実施形態では、データベース１７は構造化クエリ言語（ＳＱＬ）または他のリレーショナルデータベースであり得、さまざまな物品およびサービスの需要に関する履歴情報を格納し得る。１つのデータベース１７が示されているが、複数のデータベースが含まれてもよい。

因果需要モデルは売上単位を予想する１つのアプローチであるが、他の需要モデルも可能である。説明を簡単にするために以下の説明では因果需要モデルに注目するが、記載される手順およびシステムは因果需要モデルおよび以下に記載のその特定の実施形態のいずれにも限定される必要がないことを理解すべきである。

因果需要モデルはハードウェアにおいて、またはハードウェア上のソフトウェアの動作において実現され得る。因果需要モデルはたとえば、さまざまな方法で売上単位を数学的にモデル化し得る。たとえば、因果需要モデルは、季節、商品の販売期間中の割引のタイミング、商品のライフサイクル段階などの要因の観点で売上単位をモデル化し得る。

商品の需要に影響を及ぼすと知られている、信じられている、または考えられているこれらおよび他の要因は、需要モデルの「需要変数」と称される。当該モデルは、需要変数が売上単位にどのように影響を及ぼすかを数学的に特定し得る。たとえば、割引額がモデルの需要変数である場合、モデルは、５０％の値下げによって売上単位が４倍増加すること、つまり売上が４倍になることを特定し得る。このように、因果需要モデルを用いて、需要変数の将来価値を特定することによって売上単位を予想することが可能であり得る。

値下げの例を引続き用いて、小売業者は、来季の数週間にわたって４０％のセールを計画し得る。需要モデルはこの計画を考慮して、それらの週の売上単位を予想し得る。他の可能な売上高率を用いて当該期間中の売上単位を予想してもよい。売上高率が期待需要を変える効果があると仮定して、この情報は小売業者がどの売上高率を選択すべきか決定することを助け得る。価格変更に対する需要の変化は品目の値段「弾性」、つまり価格変更に対する関連市場の反応性の反映および測定である。いくつかのモデルは価格弾性を線形として扱い得るが、一般に価格弾性曲線はさまざまな形状を取り得、それに従ってモデル化され得る。

需要モデルは、この価格弾性曲線の形状を決定し得る（または需要モデルに当該形状が供給され得る）。この曲線の形状は、需要変数と売上単位との関係に従って決定され得る。この関係は、需要モデルの文脈において、需要変数と関連付けられた需要パラメータと称され得る。

需要パラメータは当初は未知であり得、需要モデルは需要パラメータを提供するように構成され得る。需要パラメータの精密な決定によって、より精密な売上予想が達成され得る。

上記の例では、５０％の値下げによって売上単位が４倍増加する。これは単なる値の任意の選択ではない。代わりに、割引需要変数と売上単位との関係は計算方法によって決定される。特に、需要パラメータは、商品自体の値下げを含む履歴データを調べることによって決定され得る。この決定処理は「推定」と称され、履歴売上データを調べてさまざまな統計的アプローチを適用する推定ルーチンを含み得る。

しかし、商品自体が有する履歴売上データが、ルーチンが需要パラメータの信頼性のある推定をするには少なすぎることが頻繁にある。さらに、単一の商品品目のみに基づいた需要パラメータの推定が非実用的となり得る数学的および統計的な理由がある。

したがって、いくつかの商品品目の履歴データがともにプールされ得、需要パラメータの全体的な推定がすべての品目について同時になされ得る。したがって、たとえば、弾性推定は、履歴データがともにプールされているいくつかの商品品目のすべての一種の平均弾性を表わす。商品品目は類似であると想定されるため、すべての品目の平均弾性を用いても任意の特定の品目の弾性を重大に不正確に伝えることはない。

しかしながら、ともにプールされる品目が多ければ多いほど、推定された弾性が特定の品目を表すことが少なくなる。したがって、推定の信頼性と、任意の特定の品目に対する推定の適用可能性とのどちらを採るかの兼ね合いとなる。特定の品目に対する推定の適用可能性は「豊富さ（richness）」として知られている。したがって、この兼ね合いは「豊富さ対信頼性」として知られている。より多くの品目がともにプールされると、豊富さを犠牲にして信頼性が高まる一方で、プールする品目がより少なくなると、信頼性を犠牲にして豊富さが高くなる。

いくつかの実施形態は、代替手法ほどに豊富さを犠牲にすることなく、改善された信頼性を提供することによって、豊富さと信頼性との兼ね合いを部分的に緩和する方法を提供する。豊富さがさほど犠牲にされないので、最終的な結果として、個々の品目の予想が改善される。

いくつかの実施形態は広範囲の適用可能性を有し得る。一例として売上予想に関して説明しているが、説明された技術はより広く適用可能である。売上予想を行なうためだけではなく、多くの状況で需要モデルを用いることができ、小売科学に加えて他の分野でも需要モデルと同様のモデルを用いることができる。いくつかの実施形態の技術は、これらの他の用途、たとえば、データをより大きなプールやより小さなプールにプールすることを含む如何なる用途にも適用される。

一実施形態では、品目のプール化は「プール」の階層を用いて構造化および固定化された方法で行なわれ、各プールは階層内で自身の下により小さいプールを含む。これは売上階層であり得る。このように、たとえば、階層の底部は２、３の品目しか有しないプールを含む可能性があり、階層の頂点には小売業者の任意の店舗で小売業者によって販売されるすべての商品を含む１つの巨大プールがある。それらの間には、小売業者の特定の部署のすべての品目を含む、部署レベルプールなどの中間プールがある。プールの階層は小売業者毎に特有であり得、小売業者のビジネスの組織原理として作用し得る。プールの「レベル」はこの階層内のプールのレベル（たとえば「部署レベル」）である。階層の各レベルは複数のプールを含む。たとえば、部署レベルは部署毎に１つのプールを有する。同様に、サブクラスレベルはサブクラス毎に１つのプールを有する。プールはパーティションとも称され得る。

一実施形態では、階層内のプールの最下位レベルは在庫管理単位（ＳＫＵ：stock keeping level）レベルである。ＳＫＵレベルは多数のパーティションを有し得、各パーティションが単一の品目となる。次のレベルは、たとえば色レベルであり得る。色レベルは多数のパーティションを有し得、各パーティションはＳＫＵのプールを含む。色レベルの上はスタイルレベルであり得る。その上は、「男性用ベルト」などのサブクラスレベルであり得る。そして、そのレベルの上には、「男性用品」などのクラスレベルがあり得る。レベルは部署レベルへと続き、その後に部門レベルがある。需要パラメータは各レベルで計算され得る。

他の構造化および固定化された階層も可能である。たとえば、郵便番号、市、郡、州、国、および大陸の地理的階層を用いて販売場所を組織化することができる。したがって、本説明中に例として用いられる特定の階層を唯一の可能な階層とみなすべきではない。

より多くの品目がともにプールされるにつれて、推定される弾性がいずれかの特定の品目を表わす可能性が低くなる。このため、理想的なケースでは、推定は最小の最下位レベルのプールの各々の中で推定を行なうことによって生成される。したがって、各プールは、他のプールの影響を受けない独自の推定を受取る。

しかし、最下位レベルのプールの多くが有する品目または履歴データも、プールに特有の需要パラメータの信頼性のある推定をするのには少なすぎる可能性がある。それでもなお、そのようなプール内の品目は予想を必要とし得、したがって需要パラメータを必要とし得る。

いくつかの実施形態は、小さなプールから得られた推定と小さなプールを含む拡大されたプールから得られた推定との混合を用いる。したがって、たとえば、１０個の別個のベルトＳＫＵを含み得る、男性服用ベルトのプールから得られた弾性の推定は、（男性服用ベルトのうち１０個を含む）８０個のベルトＳＫＵを含み得る男性用ベルトのプールから得られた弾性の推定と組み合わせることができる。小さいプールでは豊富さは高くなるが信頼性が低くなり、大きいプールでは豊富さは低くなるが信頼性が高くなる。２つの異なるプールからの推定を混合することは、豊富さと信頼性との理想的な組合せに近づけるための一方法である。結果として得られる混合された推定は、より小さいプール、すなわち男性服用ベルト、についての推定としてみなすことができる。したがって、いくつかの実施形態では、もとの小さいプール推定をより大きいプールの推定と混合することによって、より小さいプールについての推定を改善させる。より小さいプールを「下位レベル」と称し、これらを含む拡大されたプールを「上位レベル」と称する。

特定の例においては、「サブクラス」は、さまざまなプールを有し得る下位レベルであり、「部署」は、さまざまなプールを有し得るより上位レベルであって、これら各々はサブクラスレベルのプールで構成される。図２は、上位レベルと低位レベルとの関係を示す。図２は特に、部署レベルプールＤ１が、（ともにＤ１プールを構成する）３つのサブクラスプールＳ１、Ｓ２およびＳ３から如何に構成されるかを示す。

各サブクラスプールおよび部署プールについて需要パラメータが決定されてもよい。需要パラメータのこの決定は、プールの価格弾性のようなものを予測しやすくするのに用いられる推定である。最初の推定は、各々のプール自体に基づいて形成することができる。しかしながら、この推定は改善させることができる。Ｓ１についての推定は、Ｄ１についての推定とともに混合することによって改善させることができる。同様に、Ｓ２およびＳ３についての推定は同様の方法で改善させることができる。改善方法は二重クロス妥当性確認に基づき得る。二重妥当性確認は、プールを２つの部分に分割すること、および各部分の需要パラメータを別々に計算することを含む。図２に示される階層内においては、Ｄ１は親プールまたは先祖プールであり得、Ｓ１、Ｓ２およびＳ３は、子プールまたは子孫プールであり得る。いくつかの実施形態における子孫はすべて同じレベルにあってもよい。たとえば、Ｓ１、Ｓ２およびＳ３はすべてサブクラスレベルにある。他の実施形態においては、子孫はすべて同じレベルになくてもよい。

図３は、いくつかの実施形態に従った二重クロス妥当性確認を示す。特に、図３は、そのサブクラスＳ１に関するＤ１についての二重クロス妥当性確認を示す。

図３においては、下位レベル（サブクラス）のプールが、同じ大きさの２つのプールにランダムに分割される。Ｓ１はＳ１（１）およびＳ１（２）に分割される。Ｓ２およびＳ３は同じように処理することができる。部署Ｄ１も、２つのプール（プールを分割した結果であるので「分割プール」とも称される）Ｄ１（１）およびＤ１（２）に分割される。この分割は独立して実行されることはない。代わりに、部署Ｄ１の分割はサブクラス分割から決定されるものであり、Ｄ１（１）がＳ１（１）、Ｓ２（１）およびＳ３（１）の合併となり、Ｄ１（２）がＳ１（２）、Ｓ２（２）およびＳ３（２）の合併となっている。

プールを分割する一目的は、独立した分割プールを提供することであって、その各々は、もとのプールが推定可能な需要パラメータを有していたのと同様に、推定可能な需要パラメータを有していてもよい。分割プールは、各々がもとのプールのサブセットを有しているが、もとのプールとは異なる推定された需要パラメータを有する可能性がある。これらの異なる需要パラメータは、以下に説明するように、もとのプールの需要パラメータを混合するための混合パラメータを得るのに有用であり得る。

分割後、需要パラメータは、図３の例においては、Ｄ１（１）、Ｄ１（２）、Ｓ１（１）およびＳ１（２）について計算される。次いで、クロス妥当性確認を用いて、Ｄ１（１）およびＳ１（１）についての需要パラメータをともに混合する。この「混合された」需要パラメータは、Ｓ１（２）についての推定と比較される。この混合および比較も、Ｓ１（２）と混合されかつＳ１（１）と比較されたＤ１（２）に適用される。垂直線は混合を示し、矢印付きの線は比較を示す。したがって、線３１０は、Ｄ１（１）とＳ１（１）との混合を示し、線３２０は、Ｄ１（２）とＳ１（２）との混合を示す。同様に、線３１５は、混合されたＤ１（１）およびＳ１（１）とＳ１（２）との比較を示し、線３２５は、混合されたＤ１（２）とＳ１（２）との比較を示す。

一実施形態においては、混合は、混合変数「Ｂ」に関して実行される。この混合変数「Ｂ」の開始値は未知である。混合および比較の両方によってともに共有される単一のＢが存在する。一実施形態におけるＢの範囲は０≦Ｂ≦１である。Ｂに関するこの混合および比較を表わすための式は、比較誤差（「ＣＥ」）と称され、以下のとおりである：
ＣＥ＝［混合された（Ｄ（１），Ｓ（１），Ｂ）−推定（Ｓ（２））]^２＋［混合された（Ｄ（２），Ｓ（２），Ｂ）−推定（Ｓ（１））]^２ （式１）
この場合、
混合された（Ｄ（１），Ｓ（１），Ｂ），Ｂ）＝（１−Ｂ）・推定（Ｓ（１））＋Ｂ・推定（Ｄ（１）） （式２）
であって、混合された（Ｄ（２），Ｓ（２），Ｂ）の場合も同様となる。表記を簡潔にするために、ここでは、Ｄ＝Ｄ１およびＳ＝Ｓ１とする。言いかえれば、式２は、Ｄ１（１）ではなく単に状態Ｄ（１）を示し、式２は、Ｓ１（１）の代わりに単に状態Ｓ（１）を示す。ＣＥを最小限にするために、式１におけるＣＥを最小限にするＢの値を探索することができる。したがって、たとえば、複数のＢの値を試してみて、最良の結果をもたらす値を選ぶことによって、トライアルアンドエラーの方法を追求することができる。

式１における角括弧の各セットは、図３における１本の垂直線およびそれに付随する矢印に対応する。このため、たとえば、最初の括弧内の要素は、線３１０によって示される混合と、線３１５によって示される減算とを指す。同様に、２番目の括弧内の要素は、線３２０によって示される混合と、線３２５によって示される減算とを指す。

Ｂは比較誤差を最小限にするように選択することができる。この最適なＢは探索を必要としない。なぜなら、最適なＢは、その値をもたらす閉形式の数式を有するからである。数式は以下のとおりである：

表記を簡潔にするために、式３において、Ｓ（１）は推定（Ｓ（１））を示し、Ｓ（２）の場合も同様に、Ｄ（１）およびＤ（２）を示す。Ｂの値が得られると、この値を再び比較誤差式（式１）に挿入して、実際の比較誤差を得ることができる。

Ｂの値が得られると、もとのプールＤ１およびＳ１についての推定が得られる。推定は、Ｂの値を得る前または得た後に行なうことができる。次いで、Ｓ１についての新しい推定を提供することができる。これは、Ｂによってともに混合されたＤ１およびＳ１についての推定から構成される。たとえば、Ｂが．７５であれば、Ｓ１について．７５倍の推定と、Ｄ１について（１−．７５）倍の推定とがともに追加されて、改善されたＳ１の推定が得られる。

この手法の変形例が用いられてもよい。たとえば、Ｓ１について、およびＳ１を含むより大きいプールの各々について、別個のＢを計算することができる。上述の例においては、Ｓ１を含む１つのプールＤ１だけが考慮された。しかしながら、階層構造においては、すべてがＳ１を含んでいるさらに上位のレベルのさらに大きなプールが存在し得る。たとえば、部署Ｄ１よりも上位は部門レベルプールであってもよい。したがって、最低の比較誤差を与える階層レベルが最終的に選択される。言いかえれば、各々の階層レベルでは、関連する比較誤差があり、システムは、最低の比較誤差を有する階層レベルを選択することができる。

サイズプロファイルを一例として用いると、サイズｓについて混合されたサイズプロファイル値は以下のとおりであり得る。

ここで、ｂｓｐ１は、二重クロス妥当性確認の重なり番号１からのデータを用いて推定された混合済みサイズプロファイルを指し、ｒｓｐ２は、二重クロス妥当性確認の重なり番号２を用いて推定された未処理のサイズプロファイルを指す。

図４は、いくつかの実施形態に係る方法を示す。より具体的に、図４は、売上階層内の或るレベルについての信頼性のある需要パラメータを決定する際の図１の需要モデルモジュール１６の機能を示すフロー図である。一実施形態において、図４のフロー図の機能はメモリまたは他のコンピュータ可読媒体もしくは有形媒体に格納されたソフトウェアによって実現され、単一のプロセッサまたは複数の並列プロセッサによって実行される。他の実施形態では、機能はハードウェア（たとえば特定用途向け集積回路（「ＡＳＩＣ」）、プログラマブルゲートアレイ（「ＰＧＡ」）、フィールドプログラマブルゲートアレイ（「ＦＰＧＡ」）等を用いて）、またはハードウェアとソフトウェアとの任意の組合せによって実行され得る。

図４に示されるように、機能は、４１０において、第１のプールについての需要パラメータを推定することを含む。推定は、推定された需要パラメータを得るために、拡大されたプールのサブセットとして第１のプールを含む拡大されたプールに関する混合および比較に基づいていてもよい。たとえば、第１のプールはサブクラスレベルプールであってもよく、拡大されたプールは部署レベルプールであってもよい。

４２０において、第１のプールについて、需要パラメータの第１の推定を得ることができる。第１のプールはたとえば図２におけるＳ１であってもよい。第１の推定はＳ１自体の需要パラメータの推定であり得る。最尤推定量を用いてこの推定を提供することができる。

需要パラメータの推定はまた、４３０において、拡大されたプールについての需要パラメータの第２の推定を得ることを含み得る。拡大されたプールは、たとえば、図２におけるＤ１であり得る。この推定では、Ｄ１のコンテンツすべて、すなわちＳ１、Ｓ２およびＳ３、を考慮に入れることができる。これは、下位レベルモデルパラメータの加重平均を用いることによって、または十分統計量を用いた複比の変換（double ratio transformation）を用いることによって実行することができる。

４４０において、混合パラメータを得ることができる。たとえば、上述の式３を用いて、プールおよび拡大されたプールのパーティション（すなわち分割プール）の推定からＢを計算することができる。

混合パラメータを得ることは、４４２において、第１のプールを複数の分割プールにランダムに分割することを含み得る。したがって、図２のＳ１は、図３に示されるように、Ｓ１（１）およびＳ１（２）に分割することができる。このランダムな分割は如何なる所望の方法でも実行することができる。

４４４において、第１のプールと同じレベルを有する拡大されたプールのサブプールはすべて、ランダムに分割することができる。したがって、図２のＳ２は、図３に示されるようにＳ２（１）およびＳ２（２）に分割することができ、図２のＳ３は、図３に示されるようにＳ３（１）およびＳ３（２）に分割することができる。このランダムな分割は、第１のプールについてのランダムな分割と同じ方法で実行することができる。これらの分割は、結果として、２つの分割された拡大されたプール、たとえば、図３におけるＤ１（１）およびＤ１（２）をもたらし得る。Ｄ１（１）は、Ｓ１（１）、Ｓ２（１）およびＳ３（１）の合併であり得、Ｄ１（２）は、Ｓ１（２）、Ｓ２（２）およびＳ３（２）の合併であり得る。

混合パラメータを得ることはさらに、４４６において、第１のプールおよび拡大されたプールに関する比較誤差を最小限にする混合パラメータを選択することを含み得る。トライアルアンドエラーによる探索の代替例、または式１および式２を用いる同様の技術による探索の代替例として、式３を用いて、比較誤差（ＣＥ）を最小限にする混合パラメータ（Ｂ）の値を同定することができる。

４４８において、第１のプールおよび拡大されたプールに対して二重クロス比較を実行することができる。このようなクロス比較は図３に示され、上述されている。より正確には、クロス妥当性確認は混合パラメータＢを得るための方法である。Ｂについての閉形式の数式（式３）はクロス妥当性確認技術を適用して得られた結果である。

需要パラメータを推定することは、さらに、４５０において、混合パラメータを用いて第１の推定と第２の推定とを混合して、推定された需要パラメータを得ることを含み得る。上述のとおり、混合パラメータは、需要パラメータの最終的な推定に対する第１のプールおよび拡大されたプールの影響を判断するための重み付けとして用いることができる。

第３のプールは、拡大されたプールを第３のプールのサブセットとして含み得る。たとえば、部門レベルプールは部署レベルプールを含み得る。たとえば、部門レベルプールは、図２のＤ１を含み得るが、他の部門レベルプール（Ｄ２、Ｄ３など、いずれも図示せず）も含み得る。混合および比較は、第１のプール、拡大されたプールおよび第３のプールに関して実行することができる。

したがって、上述したように、コンピュータシステムは比較および混合を用いて需要パラメータの自動推定を提供し得る。したがって、いくつかの実施形態は、需要パラメータが既に計算されている任意の既存の状況に適用可能である。コードを用いて需要パラメータを計算する場合、需要パラメータを計算するコードを、たとえば二重クロス妥当性確認のためにサブルーチンとして呼出すことができる限り、このコードを変更する必要はない。

予想のために用いる需要パラメータがいくつかの実施形態として示されるが、記載される技術およびシステムは、予想のために使用されるか何らかの他の目的のために使用されるかに関わらず、需要パラメータの任意の計算に適用され得る。実際、需要モデルと類似のモデルが小売の科学以外の多くの分野で使用され得る。このように、いくつかの実施形態は、複数のレベルにおけるデータのプール化を用いる広範囲のモデルに使用され得る。

いくつかの実施形態は、数学的に単純な方法で実現され得る。このように、ある実施形態では複雑なコードまたはサードパーティライブラリが不要である。さらに、ある実施形態は構造化クエリ言語（ＳＱＬ）で実現され得るため、リレーショナルデータベースなどのデータベース内で直接に実行可能であり、技術パフォーマンスおよびスケーラビリティを提供する。

したがって、いくつかの実施形態に従うと、（たとえば、式３に示されるような）混合重みＢは、ユーザの介入を必要とすることなく、厳密かつ十分に自動化された方法で決定することができる。さらに、Ｂについての式は、ＳＱＬを用いるデータベースにおいてその計算を簡単に行なうことができるほど単純なものであり、これにより、プログラミングの性能および容易性を向上させる。

いくつかの実施形態は、上述のとおり、普遍性という利点を有する。さらに、この普遍性の一局面として、いくつかの実施形態は、既に推定を実行したコード上で（on top of code）実現することができる。すなわち、いくつかの実施形態では既存の推定の混合が含まれているので、既存の推定コードを書換えるかまたは再び実現する必要がないかもしれない。このため、いくつかの実施形態は、既存の推定コードを単にサブルーチンとして呼出すことのできる状況であれば、実現することができる。したがって、既存のコードを大幅に再加工または書換えすることなく、いくつかの実施形態の利点を得ることができる。

このように、いくつかの実施形態は、最適な需要パラメータ推定を決定するための単純な、自動化された、高度にスケーラブルな、ＳＱＬフレンドリーなアプローチを提供し、この結果、需要モデルの予測力を大幅に向上させる。そのような実施形態は、たとえば、需要パラメータを計算してデータの階層プール化を用いる任意の製品に適用され得る。さらに、小売の科学の需要モデルと類似のモデルは小売以外の多くの分野で使用され得るため、実施形態は小売を超えたさまざまな用途で使用され得る。

上記に開示された実施形態は比較的単純な技術を適用しているが、他の技術も用いられ得る。たとえば、追加の技術を上述の技術と組み合わせることができる。

いくつかの実施形態がここに具体的に図示および／または記載される。しかし、本発明の思想および意図された範囲から逸脱することなく、開示される実施形態の修正および変形が上記の教示に含まれ、添付の特許請求の範囲内にあることが認識されるであろう。

Claims (10)

1. 複数のプールを有する売上階層内のレベルについて需要パラメータを決定する処理を実現する命令が格納されたメモリを備えるコンピュータで実行される方法であって、
   前記コンピュータのプロセッサが、第１のプールについての第１の需要パラメータと、拡大されたプールについての第２の需要パラメータとを推定するステップを含み、前記第１のプールおよび前記拡大されたプールは、前記売上階層内のプールであり、前記第１のプールは、前記拡大されたプールのレベルであって、当該拡大されたプールの子孫であり、前記方法はさらに、
   前記コンピュータのプロセッサが、混合パラメータ（Ｂ）を得るステップと、
   前記コンピュータのプロセッサが、前記混合パラメータを用いて、推定された第１の需要パラメータと推定された第２の需要パラメータとを混合するステップと、
   前記コンピュータのプロセッサが、前記混合に基づいて、前記第１のプールについての改善された需要パラメータを推定するステップとを含み、
   前記コンピュータのプロセッサが、前記第１のプールについての改善された需要パラメータを推定するステップは、
   推定された第１の需要パラメータとＢとの積と、
   前記第２の需要パラメータと（１−Ｂ）との積との合計を算出するステップを含み、０≦Ｂ≦１である、方法。
2. 前記混合パラメータを得るステップは、前記第１のプールを複数の分割プールにランダムに分割するステップを含む、請求項１に記載の方法。
3. 前記混合パラメータを得るステップは、前記第１のプールと同じレベルを有する拡大されたプールのサブプールすべてをランダムに分割するステップを含む、請求項１に記載の方法。
4. 前記混合パラメータを得るステップは、前記第１のプールおよび前記拡大されたプールに関する比較誤差を最小限にする混合パラメータを選択するステップを含む、請求項１に記載の方法。
5. 前記混合パラメータを得るステップは、
   前記第１のプールを２つの第１のサブプールに分割するステップと、
   前記拡大されたプールを２つの拡大されたサブプールに分割するステップと、
   ２つの第１のサブプールと２つの拡大されたサブプールとの間で二重クロス妥当性確認を実行するステップとを含む、請求項１に記載の方法。
6. 前記混合パラメータ（Ｂ）は、
   
   を含み、
   但し、Ｓ（１）およびＳ（２）は２つの第１のサブプールについての推定であり、Ｄ（１）およびＤ（２）は２つの拡大されたサブプールについての推定である、請求項５に記載の方法。
7. 複数のプールを有する売上階層内のレベルについて需要パラメータを決定するためのシステムであって、
   命令を格納するためのメモリと、
   前記メモリに結合されて前記命令を実行するためのプロセッサとを備え、前記命令が実行されると、
   前記プロセッサは、第１のプールについての第１の需要パラメータと、拡大されたプールについての第２の需要パラメータとを推定するように構成されており、前記第１のプールおよび前記拡大されたプールは前記売上階層内のプールであり、前記第１のプールは、前記拡大されたプールのレベルであって、当該拡大されたプールの子孫であり、前記プロセッサはさらに、
   混合パラメータ（Ｂ）を得るように構成されており、
   前記混合パラメータを用いて、推定された第１の需要パラメータと推定された第２の需要パラメータとを混合し、
   前記混合に基づいて、前記第１のプールについての改善された需要パラメータを推定するように構成されており、
   前記第１のプールについての改善された需要パラメータを推定することは、
   推定された第１の需要パラメータとＢとの積と、
   前記第２の需要パラメータと（１−Ｂ）との積との合計を算出することを含み、０≦Ｂ≦１である、システム。
8. 前記プロセッサが、前記混合パラメータを得ることは、
   前記第１のプールを２つの第１のサブプールに分割することと、
   前記拡大されたプールを２つの拡大されたサブプールに分割することと、
   ２つの第１のサブプールと２つの拡大されたサブプールとの間で二重クロス妥当性確認を実行することとを含む、請求項７に記載のシステム。
9. 前記混合パラメータ（Ｂ）は、
   
   を含み、
   但し、Ｓ（１）およびＳ（２）は２つの第１のサブプールについての推定であり、Ｄ（１）およびＤ（２）は２つの拡大されたサブプールについての推定である、請求項８に記載のシステム。
10. 請求項１〜６のいずれかに記載の方法をコンピュータに実行させる、プログラム。