JP6159056B2 - 選択プログラム、選択方法及び選択装置 - Google Patents

Description

本発明は、選択プログラム、選択方法及び選択装置に関する。

従来、商品の生産管理や在庫管理を行うために、商品の需要を予測する需要予測が行われている。需要予測では、商品の需要を予測するための計算手法を規定する予測モデルが種々用いられている。この予測モデルは、過去の実績値から将来の予測値を算出する予測関数を規定する。需要予測を行う際には、需要予測の対象となる商品の特性や季節変動などに応じて予測関数が選択され、選択された予測関数を用いて商品の実績値から予測値が算出される。

需要予測に関連する技術として、過去の実績値と予測値との誤差を検証した上で、予測関数を選択する技術が存在する。この技術は、ある商品の過去の実績値のうち直近３ヶ月分のデータを検証用のデータとして利用する。つまり、この技術は、実績値のうち直近３ヶ月分のデータを除いたデータから直近３ヶ月分の予測値を予測関数ごとに算出する。そして、この技術は、直近３ヶ月分の実績値と予測値との誤差を検証し、実績値との誤差が少ない予測値を算出した予測関数を選択する。

特開２００７−２９３６２４号公報

ところで、上記の需要予測では、予測精度を向上させることが求められている。しかしながら、予測関数を選択する際に、実績値との誤差が少ない予測関数を選択するだけでは、期待通りの予測精度が得られない場合があることを、発明者は見出した。

例えば、需要予測の対象となる商品が売れ筋か死に筋かに応じて、その商品を販売する者が重要視する期間が異なる。つまり、売れ筋の商品は、販売機会を失うことなく供給したい商品である。このため、売れ筋の商品の需要予測では、直近の予測精度が高いことが期待される。しかしながら、上記の従来技術では、期待される直近の予測精度が得られない場合があった。

一方、死に筋の商品は、在庫数を削減する方向で調整したい商品である。在庫数を調整するためには、需要の長期的な見通しを要するので、死に筋の商品の需要予測では、長期の予測精度が高いことが期待される。しかしながら、上記の従来技術では、期待される長期の予測精度が得られない場合があった。

開示の技術は、上記に鑑みてなされたものであって、予測精度を向上させることができる選択プログラム、選択方法及び選択装置を提供することを目的とする。

本願の開示する技術は、一つの態様において、受付部と、分類部と、算出部と、選択部とを備える。受付部は、複数の商品について、実績データを受け付ける。分類部は、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。算出部は、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データから複数の予測値を算出する。選択部は、算出した複数の予測値と実績データとに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。

本願の開示する技術の一つの態様によれば、予測精度を向上させることができるという効果を奏する。

図１は、実施例１に係る選択装置の機能構成を示すブロック図である。 図２は、実績データとして記憶される情報の一例を示す図である。 図３Ａは、決定部によって決定される予測モデルについて説明するための図である。 図３Ｂは、決定部によって決定される予測モデルについて説明するための図である。 図３Ｃは、決定部によって決定される予測モデルについて説明するための図である。 図４は、分類部が商品をグループに分類する処理を説明するための図である。 図５は、分類部が商品をグループに分類する処理を説明するための図である。 図６は、分類部が商品をグループに分類する処理を説明するための図である。 図７は、分類部が商品をグループに分類する処理を説明するための図である。 図８は、算出部が予測値を算出する処理について説明するための図である。 図９は、算出部が予測値を算出する処理について説明するための図である。 図１０は、実施例１に係る選択装置の処理手順を示すフローチャートである。 図１１は、データセンタへの適用例を説明するための図である。 図１２は、選択プログラムを実行するコンピュータの一例を示す図である。

以下に、本願の開示する選択プログラム、選択方法及び選択装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

実施例１に係る選択装置の機能構成の一例について説明する。図１は、実施例１に係る選択装置の機能構成を示すブロック図である。図１に示すように、この選択装置１００は、記憶部１１０と、制御部１２０とを有する。また、選択装置１００は、入力装置１０１と、出力装置１０２と接続される。選択装置１００は、例えば、パーソナルコンピュータやワークステーションなどの情報処理装置に対応する。

入力装置１０１は、各種情報の入力を受け付ける装置であり、例えば、キーボードやマウス、媒体読み取り装置、あるいはタッチパネル機能付きディスプレイなどに対応する。例えば、入力装置１０１は、選択装置１００を利用する者から、期間ごとの売上数量を示す実績データ１１１の入力を受け付ける。入力装置１０１は、受け付けた各種情報の入力を後述の受付部１２１に出力する。

出力装置１０２は、各種情報を出力する装置であり、例えば、ディスプレイやモニタなどに対応する。例えば、出力装置１０２は、商品ごとの予測関数を、後述の選択部１２５から受け付ける。出力装置１０２は、受け付けた各種情報を出力する。

記憶部１１０は、実績データ１１１を記憶する。記憶部１１０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、ハードディスク装置や光ディスク装置などの記憶装置に対応する。

実績データ１１１は、例えば、期間ごとの売上数量を示す。一例としては、実績データ１１１は、後述の受付部１２１によって記憶部１１０に格納される。また、他の例としては、実績データ１１１は、後述の決定部１２２、分類部１２３、算出部１２４及び選択部１２５によって参照される。

一態様としては、実績データ１１１は、需要予測の対象となる複数の商品ごとに、日付と、売上数量と、利益金額とが対応付けられた時系列データを示す。このうち、「日付」は、商品が売れた過去の日付を指す。また、「売上数量」は、１日の間に商品が売れた数量を指す。また、「利益金額」は、１日の間に商品が売れたことによって得られた利益の金額を指す。なお、ここでは、売上数量が１日ごとに集計された場合を例示したが、開示の技術はこれに限定されるものではない。例えば、売上数量が１週ごとに集計されていても良く、１年ごとに集計されていても良い。また、売上数量が集計される単位は、「バケット」とも称される。以下では、バケットが１日である場合を説明する。

図２は、実績データとして記憶される情報の一例を示す図である。図２に示す実績データ１１１は、一例として、商品Ａの売上数量を１０万個単位で示し、その売上数量によって得られた利益金額を１００万円単位で示したものである。図２の１番目のレコードには、日付「２０１２０２２０」と、売上数量「１０」と、利益金額「１」とが対応付けられる。これは、２０１２年２月２０日に売れた商品Ａが１００万個であり、それによって得られた利益が１００万円であることを示す。また、図２の２番目のレコードには、日付「２０１２０２１９」と、売上数量「１４」と、利益金額「２」とが対応付けられる。これは、２０１２年２月１９日に売れた商品Ａが１４０万個であり、それによって得られた利益が２００万円であることを示す。また、実績データ１１１には、他の過去の日付についても同様に、売上数量と、利益金額とが対応付けられる。なお、図２では、一例として、商品Ａの実績データ１１１を例示したが、需要予測の対象となる他の商品の実績データ１１１についても同様に、日付と、売上数量と、利益金額とが対応付けられる。

制御部１２０は、受付部１２１と、決定部１２２と、分類部１２３と、算出部１２４と、選択部１２５とを有する。制御部１２０の機能は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路により実現することができる。また、制御部１２０の機能は、例えば、ＣＰＵ（Central Processing Unit）が所定のプログラムを実行することで実現することができる。

受付部１２１は、例えば、複数の商品について、期間ごとの売上数量を示す実績データ１１１を受け付ける。一例としては、受付部１２１は、複数の商品ごとに、日付と、売上数量と、利益金額とが対応付けられた実績データ１１１を受け付ける。そして、受付部１２１は、受け付けた実績データ１１１を記憶部１１０に格納する。

また、例えば、受付部１２１は、受け付けた実績データ１１１に対して、データ密度分析を実行する。ここで、データ密度分析は、受け付けた時系列データが需要予測の処理対象として十分なデータ密度を有するか否かを判定するものである。例えば、受付部１２１は、時系列データに含まれる所定の期間について、売上数量のデータを含まないレコードを示す間欠部分と、売上数量のデータを含まないレコードを示す有効部分とをそれぞれ検出する。そして、受付部１２１は、所定の期間に含まれる有効部分の割合を算出する。そして、受付部１２１は、算出した割合が閾値以上の場合には、時系列データが需要予測の処理対象として十分なデータ密度を有すると判定し、閾値未満の場合には、時系列データが需要予測の処理対象として十分なデータ密度を有しないと判定する。なお、ここで十分なデータ密度を有しないと判定された時系列データは、例えば、受付部１２１によって削除される。

また、例えば、受付部１２１は、受け付けた実績データ１１１に対して、バラツキ分析を実行する。ここで、バラツキ分析とは、受け付けた時系列データが需要予測の信頼性を保てる程度のバラツキであるか否かを判定するものである。例えば、受付部１２１は、時系列データに含まれる所定の期間について、売上数量の標準偏差を算出する。そして、受付部１２１は、算出した標準偏差が閾値未満の場合には、時系列データが需要予測の信頼性を保てる程度のバラツキであると判定し、閾値以上の場合には、時系列データが需要予測の信頼性を保てない程度のバラツキであると判定する。なお、ここで信頼性を保てない程度のバラツキであると判定された時系列データは、例えば、受付部１２１によって削除される。

なお、受付部１２１は、必ずしもデータ密度分析及びバラツキ分析を実行しなくても良い。例えば、データ密度分析及びバラツキ分析を実行済みの時系列データを受け付けた場合には、受付部１２１は、データ密度分析及びバラツキ分析を実行しなくても良い。

決定部１２２は、例えば、過去の売上数量から将来の売上数量を予測するための予測モデルを商品ごとに決定する。この予測モデルには、例えば、指数平滑モデル、伸長率モデル及び季節調整モデルなどが含まれる。このうち、指数平滑モデルは、商品の売上数量が安定的に増加することが過去のデータから予測される場合に適用されるモデルである。また、伸長率モデルは、商品の売上数量の変化が、成長期、安定期及び衰退期という一連のライフサイクルを示すことが、過去のデータから予測される場合に適用されるモデルである。また、季節調整モデルは、商品の売上数量が周期性を示すことが過去のデータから予測される場合に適用されるモデルである。それぞれの予測モデルは、過去の売上数量から将来の売上数量を算出する予測関数をそれぞれ含む。

ここで、図３Ａから図３Ｃを用いて、決定部１２２によって予測モデルが決定される場合を説明する。図３Ａから図３Ｃは、決定部１２２によって決定される予測モデルについて説明するための図である。図３Ａから図３Ｃには、ある商品の売上数量の経時的変化を例示する。図３の縦軸は、売上数量を示し、横軸は時間を示す。図３Ａに例示する商品は、売上数量の経時的変化にバラツキが少なく、安定的に増加するという特性を有する。例えば、決定部１２２は、図３Ａに示すような特性を有する商品に対して、指数平滑モデルを適用することを決定する。また、図３Ｂに例示する商品は、売上数量が一時的に増加した後に、増加が鈍化し、徐々に減少するという特性を有する。例えば、決定部１２２は、図３Ｂに示すような特性を有する商品に対して、伸長率モデルを適用することを決定する。また、図３Ｃに例示する商品は、売上数量が周期性を示すという特性を有する。例えば、決定部１２２は、図３Ｃに示すような特性を有する商品に対して、季節調整モデルを適用することを決定する。

例えば、決定部１２２は、記憶部１１０に記憶された各実績データ１１１が周期性を有するか否かを判定することで、季節調整モデルを適用するか否かを実績データ１１１ごとに決定する。一例としては、決定部１２２は、商品ごとに、実績データ１１１を所定の周期で重ね合わせ、重ね合わせた売上数量の経時的変化に相関がある場合に、周期性があるものと判定し、その実績データ１１１に季節調整モデルを適用することを決定する。ここで、周期性の有無を判定するために用いられる周期は、「サイクルパラメータ」とも称される。このサイクルパラメータは、例えば、バケットが１日である場合には、曜日の特性を評価するために「７」が指定される。また、例えば、バケットが１週である場合には、季節の特性を評価するために「５２」が指定され、バケットが１年である場合にも、季節の特性を評価するために「１２」が指定される。なお、ここで指定されるサイクルパラメータは、これに限定されるものではなく、任意の値が指定されても良い。

また、例えば、決定部１２２は、記憶部１１０に記憶された各実績データ１１１が成長期、安定期及び衰退期という一連のライフサイクルを有するか否かを判定することで、伸長率モデルを適用するか否かを実績データ１１１ごとに決定する。一例としては、決定部１２２は、商品ごとの実績データ１１１と、ライフサイクルを有することが既知の商品の実績データ１１１との間に相関がある場合に、ライフサイクルを有する者と判定し、その実績データ１１１に伸長率モデルを適用することを決定する。また、例えば、決定部１２２は、季節調整モデル及び伸長率モデルが適用されない実績データ１１１には、季節調整モデルを適用することを決定する。

なお、決定部１２２によって決定される予測モデルは上記の例に限定されるものではない。また、ここでは、決定部１２２が実績データ１１１ごとに予測モデルを決定する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、予測モデルが予め指定された実績データ１１１に対しては、決定部１２２は、予測モデルを決定しなくても良い。

分類部１２３は、例えば、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。一例としては、分類部１２３は、需要予測の対象となる複数の商品を、各商品の売上数量に応じて売れ筋と死に筋とに分類する。このうち、「売れ筋」は、複数の商品のうち他の商品と比較して良く売れている商品を指し、「死に筋」は、複数の商品のうち他の商品と比較してあまり売れていない商品を指す。なお、売れ筋は、「ネット」とも称される。また、死に筋は、「グロス」とも称される。

一態様としては、分類部１２３は、ＡＢＣ分析を行って、複数の商品を売れ筋と死に筋とに分類する。この「ＡＢＣ分析」とは、複数の商品の実績データ１１１を比較して、各商品に重要度を割り当てるための分析手法であり、重要なものから順にＡ、Ｂ及びＣの３つのランクに分類する手法である。例えば、分類部１２３は、複数の商品を、各商品の実績データ１１１に含まれる売上数量及び利益金額を用いてＡＢＣ分析をそれぞれ行った後に、それぞれの分析結果を用いて、各商品を売れ筋と死に筋とに分類する。なお、ＡＢＣ分析は、「重点分析」とも称される。

図４から図７を用いて、分類部１２３が商品をグループに分類する処理を説明する。図４から図７は、分類部１２３が商品をグループに分類する処理を説明するための図である。なお、ここでは、分類部１２３が商品Ａ〜商品Ｉまでの９種の商品を売れ筋と死に筋とに分類する場合を説明する。また、商品Ａ〜商品Ｉの各実績データ１１１は、記憶部１１０に記憶されているものとする。

図４を用いて、分類部１２３が商品Ａ〜商品ＩをＡ〜Ｃのランクに分類する処理を説明する。図４に示す例では、商品ごとに、売上、構成比、累計及び売上ランクを示す。このうち、「売上」は、所定期間における各商品の売上数量の和を指す。例えば、売上は、図２の実績データ１１１のうち直近３日間の売上数量の和に対応する。また、例えば、売上は、１０万個単位で示される。また、「構成比」は、各商品の売上が全商品の売上の総和に占める割合を指す。また、「累計」は、構成比が大きい商品から順に各商品の構成比を加算した累積構成比を指す。また、「売上ランク」は、累計の値に応じて各商品に割り当てられる重要度を指す。例えば、累計が０％〜７０％に対応する商品には、ＡＢＣ分析によって分析される全商品のうち最も重要であることを示す売上ランク「Ａ」が割り当てられる。また、例えば、累計が７０％〜９０％に対応する商品には、売上ランク「Ａ」の次に重要であることを示す売上ランク「Ｂ」が割り当てられる。また、例えば、累計が９０％〜１００％に対応する商品には、重要ではないことを示す売上ランク「Ｃ」が割り当てられる。なお、売上を算出するための所定期間は、商品の重要度を分析するための期間であり、選択装置１００を利用する者が任意に設定して良い。また、売上ランクを割り当てるための累計の値についても、選択装置１００を利用する者が任意に設定しても良い。

図４に示すように、例えば、分類部１２３は、商品Ａ〜商品Ｉの各実績データ１１１を記憶部１１０から取得し、各商品の実績データ１１１のうち直近３日間の売上数量の和を、売上として算出する。一例としては、分類部１２３は、図４に示すように、商品Ａの売上として１０００万個を算出し、商品Ｂの売上として２０００万個を算出する。続いて、分類部１２３は、各商品の売上を加算して全商品の売上の総和を求め、求めた総和に占める各商品の売上の割合を、構成比として算出する。一例としては、分類部１２３は、図４に示すように、商品Ａの構成比として３％を算出し、商品Ｂの構成比として６％を算出する。その後、分類部１２３は、構成比が大きい商品から順に各商品の構成比を加算して、最も構成比が大きい商品から各商品までの累計を算出する。一例としては、分類部１２３は、図４に示すように、商品Ａ〜商品Ｉのうち、最も構成比が大きい商品Ｇの構成比「１８％」を、商品Ｇの累計とする。続いて、分類部１２３は、商品Ｇの次に構成比が大きい商品Ｈの構成比「１７％」を、Ｇの累計「１８％」に加算して、商品Ｈまでの累計「３５％」を算出する。同様に、分類部１２３は、構成比が大きい商品から順に各商品の構成比を加算することで、各商品Ａ〜商品Ｉまでの累計を算出する。そして、分類部１２３は、累計の値に応じて各商品に売上ランクを割り当てる。一例としては、分類部１２３は、累計が０％〜７０％に対応する４種の商品Ｇ，Ｈ，Ｉ，Ｆに売上ランク「Ａ」を割り当てる。分類部１２３は、累計が７０％〜９０％に対応する２種の商品Ｅ，Ｄに売上ランク「Ｂ」を割り当てる。分類部１２３は、累計が９０％〜１００％に対応する３種の商品Ｃ，Ｂ，Ａに売上ランク「Ｃ」を割り当てる。このように、分類部１２３は、商品Ａ〜商品Ｉの各実績データ１１１を用いて、商品Ａ〜商品ＩをＡ〜Ｃの売上ランクに分類する。なお、ここでは、分類部１２３が商品をＡ〜Ｃの３つのランクに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部１２３は、Ａ〜Ｄの４つのランクに分類しても良く、Ａ又はＢの２つのランクに分類しても良い。

図５を用いて、分類部１２３が商品Ａ〜商品ＩをＡ〜Ｃのランクに分類する処理を説明する。図５に示す例では、商品ごとに、利益、構成比、累計及び利益ランクを示す。このうち、「利益」は、所定期間における各商品の利益金額の和を指す。例えば、利益は、図２の実績データ１１１のうち直近３日間の利益金額の和に対応する。また、例えば、利益は、１００万円単位で示される。また、「構成比」は、各商品の利益が全商品の利益の総和に占める割合を指す。また、「累計」は、構成比が大きい商品から順に各商品の構成比を加算した累積構成比を指す。また、「利益ランク」は、累計の値に応じて各商品に割り当てられる重要度を指す。例えば、累計が０％〜７０％に対応する商品には、ＡＢＣ分析によって分析される全商品のうち最も重要であることを示す利益ランク「Ａ」が割り当てられる。また、例えば、累計が７０％〜９０％に対応する商品には、売上ランク「Ａ」の次に重要であることを示す利益ランク「Ｂ」が割り当てられる。また、例えば、累計が９０％〜１００％に対応する商品には、重要ではないことを示す利益ランク「Ｃ」が割り当てられる。なお、利益を算出するための所定期間は、商品の重要度を分析するための期間であり、選択装置１００を利用する者が任意に設定して良い。また、利益ランクを割り当てるための累計の値についても、選択装置１００を利用する者が任意に設定しても良い。

図５に示すように、例えば、分類部１２３は、商品Ａ〜商品Ｉの各実績データ１１１を記憶部１１０から取得し、各商品の実績データ１１１のうち直近３日間の利益金額の和を、利益として算出する。一例としては、分類部１２３は、図５に示すように、商品Ａの利益として２０００万円を算出し、商品Ｂの利益として１億３０００万円を算出する。続いて、分類部１２３は、各商品の利益を加算して全商品の利益の総和を求め、求めた総和に占める各商品の利益の割合を、構成比として算出する。一例としては、分類部１２３は、図５に示すように、商品Ａの構成比として４％を算出し、商品Ｂの構成比として２６％を算出する。その後、分類部１２３は、構成比が大きい商品から順に各商品の構成比を加算して、最も構成比が大きい商品から各商品までの累計を算出する。一例としては、分類部１２３は、図５に示すように、商品Ａ〜商品Ｉのうち、最も構成比が大きい商品Ｂの構成比「２６％」を、商品Ｂの累計とする。続いて、分類部１２３は、商品Ｂの次に構成比が大きい商品Ｇの構成比「２５％」を、Ｂの累計「２６％」に加算して、商品Ｇまでの累計「５０％」を算出する。同様に、分類部１２３は、構成比が大きい商品から順に各商品の構成比を加算することで、各商品Ａ〜商品Ｉまでの累計を算出する。そして、分類部１２３は、累計の値に応じて各商品に利益ランクを割り当てる。一例としては、分類部１２３は、累計が０％〜７０％に対応する３種の商品Ｂ，Ｇ，Ｆに利益ランク「Ａ」を割り当てる。分類部１２３は、累計が７０％〜９０％に対応する１種の商品Ｅに利益ランク「Ｂ」を割り当てる。分類部１２３は、累計が９０％〜１００％に対応する５種の商品Ｈ，Ａ，Ｃ，Ｉ，Ｄに利益ランク「Ｃ」を割り当てる。このように、分類部１２３は、商品Ａ〜商品Ｉの各実績データ１１１を用いて、商品Ａ〜商品ＩをＡ〜Ｃの利益ランクに分類する。なお、ここでは、分類部１２３が商品をＡ〜Ｃの３つのランクに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部１２３は、Ａ〜Ｄの４つのランクに分類しても良く、Ａ又はＢの２つのランクに分類しても良い。

図６及び図７を用いて、分類部１２３が商品Ａ〜商品Ｉを売れ筋と死に筋とに分類する処理を説明する。図６には、図４の売上ランクと図５の利益ランクとを集計した結果を例示する。一例として、図６の１つ目のレコードは、商品Ａの売上ランクが「Ｃ」であり、利益ランクも「Ｃ」であることを示す。図７には、９つの格子を有するマトリクスに、図６の集計結果を当てはめたものを例示する。図７に示す例では、横方向をＡ〜Ｃの売上ランクとし、縦方向をＡ〜Ｃの利益ランクとする。一例として、図７の右上の格子には、売上ランク及び利益ランクがともに「Ａ」である商品Ｆ，Ｇが含まれる。この場合、分類部１２３は、例えば、図７の領域７ａに含まれる商品を売れ筋に分類し、領域７ｂに含まれる商品を「死に筋」に分類する。つまり、図７の例では、分類部１２３は、３種の商品Ｅ，Ｆ，Ｇを売れ筋に分類し、６種の商品Ａ，Ｂ，Ｃ，Ｄ，Ｈ，Ｉを死に筋に分類する。

このように、分類部１２３は、ＡＢＣ分析を行って、商品Ａ〜商品Ｉを売れ筋と死に筋とに分類する。そして、分類部１２３は、分類した結果を後述の算出部１２４及び選択部１２５に出力する。なお、ここでは、分類部１２３がＡＢＣ分析を行って売れ筋と死に筋とに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部１２３は、各商品の売上数量を比較して、売上数量が最も多い商品を売れ筋とし、残りの商品を死に筋としても良い。

算出部１２４は、例えば、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ１１１から複数の予測値を算出する。この「予測値」は、実績データ１１１との誤差を検証するために、過去の検証期間について算出されるものである。言い換えると、例えば、算出部１２４は、各商品の実績データ１１１のうち、検証期間を除いた期間の実績データ１１１から、検証期間の予測値を算出する。

一例としては、算出部１２４は、分類部１２３によって分類されたグループに応じて、検証期間を設定する。例えば、算出部１２４は、売上数量が多い商品を含むグループほど短い検証期間を設定し、売上数量が少ない商品を含むグループほど長い検証期間を設定する。続いて、算出部１２４は、決定部１２２によって決定された予測モデルに応じた予測関数に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する。そして、算出部１２４は、生成した複数パターンの予測関数を用いて、設定した検証期間を除いた期間の実績データ１１１から複数パターンの予測値を商品ごとに算出する。

図８及び図９を用いて、算出部１２４が予測値を算出する処理について説明する。図８及び図９は、算出部１２４が予測値を算出する処理について説明するための図である。図８及び図９の縦軸は、売上数量を示し、横軸は時間を示す。図８の曲線８ａは、商品Ｆの売上数量の経時的変化を示し、図９の曲線９ａは、商品Ａの売上数量の経時的変化を示す。なお、商品Ｆは売れ筋に分類され、商品Ａは死に筋に分類されるものとする。また、商品Ａ及び商品Ｆには、予測モデルとして指数平滑モデルが適用されるものとする。この指数平滑モデルで用いられる予測関数は、平滑指数と呼ばれるパラメータを含む。この平滑指数には、例えば、「０．１」から「０．９」までの任意の値が設定される。以下では、説明の都合上、指数平滑モデルで用いられる予測関数を「ｆ（ｘ）」と表記する。

図８及び図９に示すように、算出部１２４は、売れ筋である商品Ｆに検証期間８ｂを設定し、死に筋の商品Ａに検証期間９ｂを設定する。ここで、検証期間８ｂが検証期間９ｂよりも短いことが特徴であり、例えば、検証期間８ｂは、現在から遡った３日間に設定され、検証期間９ｂは現在から遡った７日間に設定される。続いて、算出部１２４は、予測関数ｆ（ｘ）に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する。例えば、算出部１２４は、平滑指数を「０．３」に設定した予測関数ｆ１（ｘ）と、平滑指数を「０．５」に設定した予測関数ｆ２（ｘ）と、平滑指数を「０．７」に設定した予測関数ｆ３（ｘ）とをそれぞれ生成する。そして、図８に示す例では、算出部１２４は、予測関数ｆ１（ｘ），ｆ２（ｘ）及びｆ３（ｘ）を用いて、検証期間８ｂを除いた期間８ｃの実績データ１１１から予測値８ｄ，８ｅ及び８ｆをそれぞれ算出する。このうち、予測値８ｄは予測関数ｆ１（ｘ）によって算出された予測値に対応し、予測値８ｅは予測関数ｆ２（ｘ）によって算出された予測値に対応し、予測値８ｆは予測関数ｆ３（ｘ）によって算出された予測値に対応する。また、図９に示す例では、算出部１２４は、予測関数ｆ１（ｘ），ｆ２（ｘ）及びｆ３（ｘ）を用いて、検証期間９ｂを除いた期間９ｃの実績データ１１１から予測値９ｄ，９ｅ及び９ｆをそれぞれ算出する。このうち、予測値９ｄは予測関数ｆ１（ｘ）によって算出された予測値に対応し、予測値９ｅは予測関数ｆ２（ｘ）によって算出された予測値に対応し、予測値９ｆは予測関数ｆ３（ｘ）によって算出された予測値に対応する。

このように、算出部１２４は、複数パターンの予測関数を用いて、検証期間を除いた期間の実績データ１１１から複数パターンの予測値を商品ごとに算出する。なお、ここでは、算出部１２４が３パターンの予測関数について３パターンの予測値を算出する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、算出部１２４は、選択装置１００を利用する者が任意の数のパターンのパラメータを予測関数に設定することで、任意の数のパターンの予測値を算出することとしても良い。

選択部１２５は、複数の予測値と実績データ１１１とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を選択する。例えば、選択部１２５は、複数の予測関数のうち、売上数量が多い商品を含むグループほど短い検証期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。また、選択部１２５は、売上数量が少ない商品を含むグループほど長い検証期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。このとき、選択部１２５は、分類されたグループに応じた算出方法で、複数パターンの予測値と実績データ１１１との誤差をそれぞれ検証する。

図８に示す例では、選択部１２５は、検証期間８ｂについて、商品Ｆの売上数量の曲線８ａと、予測値８ｄ，８ｅ及び８ｆとの誤差をそれぞれ検証する。このとき、選択部１２５は、売れ筋である商品Ｆに対しては、平均絶対偏差（ＭＡＤ：Mean Absolute Deviation）を用いて誤差を検証する。このＭＡＤは、実績データ１１１と予測値との誤差の絶対値の平均値である。選択部１２５は、商品Ｆの売上数量の曲線８ａと、予測値８ｄ，８ｅ及び８ｆとの誤差からＭＡＤをそれぞれ算出する。そして、選択部１２５は、算出したＭＡＤが最も小さいものに対応する予測関数を選択する。図８に示す例では、ＭＡＤが最も小さい予測値は予測値８ｆであるので、選択部１２５は、予測値８ｆに対応する予測関数ｆ３（ｘ）を選択する。

図９に示す例では、選択部１２５は、検証期間９ｂについて、商品Ａの売上数量の曲線９ａと、予測値９ｄ，９ｅ及び９ｆとの誤差をそれぞれ検証する。このとき、選択部１２５は、死に筋である商品Ａに対しては、トラッキングシグナル（ＴＳ：Tracking Signal）を用いて誤差を検証する。このＴＳは、実績データ１１１と予測値との誤差の累計をＭＡＤで除算したものである。選択部１２５は、商品Ａの売上数量の曲線９ａと、予測値９ｄ，９ｅ及び９ｆとの誤差の累計をＭＡＤで除算して、ＴＳをそれぞれ算出する。そして、選択部１２５は、算出したＴＳが最も小さいものに対応する予測関数を選択する。図９に示す例では、ＴＳが最も小さい予測値は予測値９ｄであるので、選択部１２５は、予測値９ｄに対応する予測関数ｆ１（ｘ）を選択する。

このように、選択部１２５は、複数の予測値と実績データ１１１とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を商品ごとに選択する。そして、選択部１２５は、商品ごとに選択した予測関数を出力装置１０２に出力する。なお、選択部１２５は、選択した予測関数に設定されたパラメータを特定し、特定したパラメータを出力しても良い。

次に、実施例１に係る選択装置１００の処理手順について説明する。図１０は、実施例１に係る選択装置１００の処理手順を示すフローチャートである。図１０に示す処理は、例えば、受付部１２１が実績データ１１１を受け付けたことを契機として実行される。

図１０に示すように、例えば、受付部１２１が複数の商品の実績データ１１１を受け付けると（ステップＳ１０１肯定）、受付部１２１は、各商品の実績データ１１１を記憶部１１０に格納する（ステップＳ１０２）。

続いて、決定部１２２は、予測モデルを決定する（ステップＳ１０３）。例えば、決定部１２２は、記憶部１１０に格納された商品の実績データ１１１ごとに、指数平滑モデル、伸長率モデル及び季節調整モデルのうち、どの予測モデルを適用するかを決定する。

続いて、分類部１２３は、需要予測の対象となる複数の商品を売れ筋と死に筋とに分類する（ステップＳ１０４）。例えば、分類部１２３は、各商品の売上数量を用いて、各商品をＡ〜Ｃの売上ランクに分類する。分類部１２３は、各商品の利益金額を用いて、各商品をＡ〜Ｃの利益ランクに分類する。そして、分類部１２３は、売上ランクと利益ランクに基づいて、各商品を売れ筋と死に筋とに分類する。

続いて、算出部１２４は、分類部１２３によって分類されたグループに応じて、検証期間を設定する（ステップＳ１０５）。例えば、算出部１２４は、売上数量が多い商品を含むグループほど短い検証期間を設定し、売上数量が少ない商品を含むグループほど長い検証期間を設定する。続いて、算出部１２４は、決定部１２２によって決定された予測モデルに応じた予測関数に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する（ステップＳ１０６）。そして、算出部１２４は、生成した複数パターンの予測関数を用いて、設定した検証期間を除いた期間の実績データ１１１から複数パターンの予測値を商品ごとに算出する（ステップＳ１０７）。

続いて、選択部１２５は、複数の予測値と実績データ１１１とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を選択する（ステップＳ１０８）。このとき、例えば、選択部１２５は、売れ筋の商品に対してはＭＡＤを用いて誤差を検証し、誤差が最も小さい予測関数を選択する。また、例えば、選択部１２５は、死に筋の商品に対してはＴＳを用いて誤差を検証し、誤差が最も小さい予測関数を選択する。

そして、選択部１２５は、商品ごとに選択した予測関数を出力装置１０２に出力する（ステップＳ１０９）。なお、選択部１２５は、選択した予測関数に設定されたパラメータを特定し、特定したパラメータを出力しても良い。

次に、実施例１に係る選択装置１００の効果について説明する。実施例１に係る選択装置１００は、例えば、複数の商品について、実績データ１１１を受け付ける。選択装置１００は、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。選択装置１００は、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ１１１から複数の予測値を算出する。選択装置１００は、算出した複数の予測値と実績データ１１１とに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。このため、選択装置１００は、予測精度を向上させることができる。

また、例えば、選択装置１００は、複数の予測関数のうち、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。一方、選択装置１００は、複数の予測関数のうち、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。すなわち、選択装置１００は、例えば、売れ筋の商品ほど短期間の予測値が実績データ１１１にフィットする予測関数を選択する。一方、選択装置１００は、死に筋の商品ほど長期間の予測値が実績データ１１１にフィットする予測関数を選択する。このように、選択装置１００は、売れ筋か死に筋かに応じて適切な期間を用いて予測関数を選択するので、適切なパラメータを選択することができ、予測精度を向上させることができる。

また、例えば、選択装置１００は、複数の商品を、各商品の売上数量及び利益金額に応じて、売れ筋と死に筋とに分類する。そして、選択装置１００は、売れ筋の商品ほど短期間の予測値が実績データ１１１にフィットする予測関数を選択する。一方、選択装置１００は、死に筋の商品ほど長期間の予測値が実績データ１１１にフィットする予測関数を選択する。このように、選択装置１００は、利益金額を用いて売れ筋と死に筋とに分類するので、例えば、売上数量は多いが利益金額が小さい商品については販売機会を逃しても良いという経営判断を踏まえて分類することができる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、その他の実施例にて実施されても良い。そこで、以下では、その他の実施例について説明する。

例えば、上記の実施例では、実績データ１１１が利益金額を含む場合を説明したが、必ずしも利益金額が含まれることを要しない。すなわち、実績データ１１１には、日付と、売上数量とが対応付けられていれば良い。

また、例えば、上記の実施例では、分類部１２３が各商品の売上数量及び利益金額に応じて売れ筋と死に筋とに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部１２３は、利益金額を用いることなく、各商品の売上数量に応じて売れ筋と死に筋とに分類することとしても良い。

また、例えば、上記の実施例では、分類部１２３が売れ筋と死に筋の２つのグループに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、売れ筋、死に筋の間に中間筋を設け、３つのグループに分類することとしても良い。この場合、例えば、算出部１２４は、売れ筋の商品の検証期間を３日間に設定し、中間筋の商品の検証期間を５日間に設定し、死に筋の商品の検証期間を７日間に設定する。これによれば、選択装置１００は、売れ筋、死に筋のみならず、さらに詳細に分類したグループに応じて適切な期間を設定し、予測関数を選択するので、予測精度を向上させることができる。

また、例えば、上記の実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上述文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図１に示した選択装置１００の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、選択装置１００の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、選択装置１００にネットワークを介して外部記憶装置を接続し、記憶部１１０が記憶する情報を外部記憶装置が記憶するようにしても良い。

また、選択装置１００は、選択装置１００の各機能を既知の情報処理装置に搭載することによって実現することもできる。既知の情報処理装置は、例えば、パーソナルコンピュータ、ワークステーションなどの装置に対応する。

［予測モデルの選択］
また、例えば、上記の実施例では、選択装置１００が、予め決定された予測モデルについて、異なるパラメータが設定された複数パターンの予測関数から一つの予測関数を選択する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、選択装置１００は、異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択することもできる。

以下では、図８及び図９を用いて、選択装置１００が異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択する場合を説明する。ここでは、図８の曲線８ａは、商品Ｆの売上数量の経時的変化を示し、図９の曲線９ａは、商品Ａの売上数量の経時的変化を示す。なお、商品Ｆは売れ筋に分類され、商品Ａは死に筋に分類されるものとする。また、商品Ａ及び商品Ｆには、予測モデルとして指数平滑モデル、伸長率モデル及び季節調整モデルが適用されるものとする。以下では、説明の都合上、指数平滑モデルで用いられる予測関数を「ｆ（ｘ）」と表記し、伸長率モデルで用いられる予測関数を「ｇ（ｘ）」と表記とし、季節調整モデルで用いられる予測関数を「ｈ（ｘ）」と表記する。

図８及び図９に示すように、算出部１２４は、売れ筋である商品Ｆに検証期間８ｂを設定し、死に筋の商品Ａに検証期間９ｂを設定する。ここで、検証期間８ｂが検証期間９ｂよりも短いことが特徴であり、例えば、検証期間８ｂは、現在から遡った３日間に設定され、検証期間９ｂは現在から遡った７日間に設定される。そして、図８に示す例では、算出部１２４は、予測関数ｆ（ｘ），ｇ（ｘ）及びｈ（ｘ）を用いて、検証期間８ｂを除いた期間８ｃの実績データ１１１から予測値８ｄ，８ｅ及び８ｆをそれぞれ算出する。このうち、予測値８ｄは予測関数ｆ（ｘ）によって算出された予測値に対応し、予測値８ｅは予測関数ｇ（ｘ）によって算出された予測値に対応し、予測値８ｆは予測関数ｈ（ｘ）によって算出された予測値に対応する。また、図９に示す例では、算出部１２４は、予測関数ｆ（ｘ），ｇ（ｘ）及びｈ（ｘ）を用いて、検証期間９ｂを除いた期間９ｃの実績データ１１１から予測値９ｄ，９ｅ及び９ｆをそれぞれ算出する。このうち、予測値９ｄは予測関数ｆ（ｘ）によって算出された予測値に対応し、予測値９ｅは予測関数ｇ（ｘ）によって算出された予測値に対応し、予測値９ｆは予測関数ｈ（ｘ）によって算出された予測値に対応する。

続いて、選択部１２５は、予測値８ｄ，８ｅ，８ｆ，９ｄ，９ｅ及び９ｆと実績データ１１１とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を商品ごとに選択する。図８に示す例では、選択部１２５は、検証期間８ｂについて、商品Ｆの売上数量の曲線８ａと、予測値８ｄ，８ｅ及び８ｆとの誤差からＭＡＤをそれぞれ算出する。そして、選択部１２５は、算出したＭＡＤが最も小さいものに対応する予測関数を選択する。図８に示す例では、ＭＡＤが最も小さい予測値は予測値８ｆであるので、選択部１２５は、予測値８ｆに対応する予測関数ｈ（ｘ）を選択する。図９に示す例では、選択部１２５は、検証期間９ｂについて、商品Ａの売上数量の曲線９ａと、予測値９ｄ，９ｅ及び９ｆとの累計をＭＡＤで除算して、ＴＳをそれぞれ算出する。そして、選択部１２５は、算出したＴＳが最も小さいものに対応する予測関数を選択する。図９に示す例では、ＴＳが最も小さい予測値は予測値９ｄであるので、選択部１２５は、予測値９ｄに対応する予測関数ｆ（ｘ）を選択する。

このように、選択装置１００は、異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択する。このため、選択装置１００は、売れ筋か死に筋かに応じて適切な期間を用いて予測関数を選択するので、適切な予測モデルを選択することができ、予測精度を向上させることができる。

［データセンタ］
また、例えば、選択装置１００は、クラウド上でサービスを提供するデータセンタに適用されても良い。図１１は、データセンタへの適用例を説明するための図である。図１１に示すように、データセンタ２００は、例えば、ネットワーク２１０を介してクライアント２２０ａ，２２０ｂ・・・と接続される。ネットワーク２１０には、有線又は無線を問わず、インターネット（Internet）、ＷＡＮ（Wide Area Network）などの任意の種類の通信網を採用できる。また、クライアント２２０ａ，２２０ｂ・・・は、複数の機関に分散して設置される。また、データセンタ２００は、サーバ装置２０１ａ，２０１ｂ・・・と、記憶装置２０２ａ，２０２ｂ・・・とを有する。なお、ここでは、クライアント２２０ａ，２２０ｂ・・・を区別なく述べる場合にクライアント２２０と総称する。また、サーバ装置２０１ａ，２０１ｂ・・・を区別なく述べる場合にサーバ装置２０１と総称する。また、記憶装置２０２ａ，２０２ｂ・・・を区別なく述べる場合に記憶装置２０２と総称する。例えば、データセンタ２００は、サーバ装置２０１を用いて、図１に示した選択装置１００の機能を仮想マシンとして実現する。

例えば、データセンタ２００において、選択装置１００の機能を担う仮想マシンである選択ＶＭ（Virtual Machine）は、次のように処理を実行する。すなわち、選択ＶＭは、例えば、複数の商品について、実績データ１１１を受け付ける。選択ＶＭは、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。選択ＶＭは、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ１１１から複数の予測値を算出する。選択ＶＭは、算出した複数の予測値と実績データ１１１とに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。このため、選択ＶＭは、予測精度を向上させることができる。

［プログラム］
図１２は、選択プログラムを実行するコンピュータの一例を示す図である。図１２に示すように、コンピュータ３００は、各種演算処理を実行するＣＰＵ３０１と、ユーザからデータの入力を受け付ける入力装置３０２と、モニタ３０３とを有する。また、コンピュータ３００は、記憶媒体からプログラム等を読み取る媒体読み取り装置３０４と、他の装置と接続するためのインターフェース装置３０５と、他の装置と無線により接続するための無線通信装置３０６とを有する。また、コンピュータ３００は、各種情報を一時記憶するＲＡＭ（Random Access Memory）３０７と、ハードディスク装置３０８とを有する。また、各装置３０１〜３０８は、バス３０９に接続される。

ハードディスク装置３０８には、図１に示した受付部１２１、分類部１２３、算出部１２４及び選択部１２５との各処理部と同様の機能を有する選択プログラムが記憶される。また、ハードディスク装置３０８には、選択プログラムを実現するための各種データが記憶される。

ＣＰＵ３０１は、ハードディスク装置３０８に記憶された各プログラムを読み出して、ＲＡＭ３０７に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータを図１に示した受付部１２１、分類部１２３、算出部１２４及び選択部１２５として機能させることができる。

なお、上記の選択プログラムは、必ずしもハードディスク装置３０８に記憶されている必要はない。例えば、コンピュータが読み取り可能な記録媒体に記憶されたプログラムを、コンピュータ３００が読み出して実行するようにしても良い。コンピュータが読み取り可能な記録媒体は、例えば、ＣＤ−ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等に接続された装置にこのプログラムを記憶させておき、コンピュータ３００がこれらからプログラムを読み出して実行するようにしても良い。

以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）コンピュータに、
複数の商品について、期間ごとの売上数量を示す実績データを受け付け、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類し、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出し、
算出した複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する
各処理を実行させることを特徴とする選択プログラム。

（付記２）前記選択する処理は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記１に記載の選択プログラム。

（付記３）前記分類する処理は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択する処理は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記１に記載の選択プログラム。

（付記４）前記選択する処理は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記２または３に記載の選択プログラム。

（付記５）コンピュータによって実行される選択方法であって、
コンピュータが、
複数の商品について、期間ごとの売上数量を示す実績データを受け付け、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類し、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出し、
算出した複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する
各処理を実行することを特徴とする選択方法。

（付記６）前記選択する処理は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記５に記載の選択方法。

（付記７）前記分類する処理は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択する処理は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記５に記載の選択方法。

（付記８）前記選択する処理は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記６または７に記載の選択方法。

（付記９）複数の商品について、期間ごとの売上数量を示す実績データを受け付ける受付部と、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類する分類部と、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出する算出部と、
算出された複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する選択部と
を有することを特徴とする選択装置。

（付記１０）前記選択部は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記９に記載の選択装置。

（付記１１）前記分類部は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択部は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記９に記載の選択装置。

（付記１２）前記選択部は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記１０または１１に記載の選択装置。

１００ 選択装置
１０１ 入力装置
１０２ 出力装置
１１０ 記憶部
１１１ 実績データ
１２０ 制御部
１２１ 受付部
１２２ 決定部
１２３ 分類部
１２４ 算出部
１２５ 選択部
２００ データセンタ
２０１ サーバ装置
２０２ 記憶装置
２１０ ネットワーク
２２０ クライアント
３００ コンピュータ
３０１ ＣＰＵ
３０２ 入力装置
３０３ モニタ
３０４ 媒体読み取り装置
３０５ インターフェース装置
３０６ 無線通信装置
３０７ ＲＡＭ
３０８ ハードディスク装置
３０９ バス

Claims (5)

1. コンピュータに、
   商品の売上数量の変化を示す売上実績データを記憶する記憶部から、特定の商品の売上実績データを読み出し、
   複数の予測モデルのうち、読み出した前記売上実績データの特性に対応する予測モデルについて、異なる複数種類のパラメータを適用して、複数の売上予測データを生成し、
   前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、
   前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する、
   各処理を実行させることを特徴とする選択プログラム。
2. 前記パラメータの選択は、前記特定の期間における、前記売上実績データと前記複数の売上予測データとの差が小さいパラメータを選択する、ことを特徴とする請求項１に記載の選択プログラム。
3. 前記特定の期間は、前記商品の売上利益が大きいほど短く設定される、ことを特徴とする請求項１に記載の選択プログラム。
4. コンピュータによって実行される選択方法であって、
   コンピュータが、
   商品の売上数量の変化を示す売上実績データを記憶する記憶部から、特定の商品の売上実績データを読み出し、
   複数の予測モデルのうち、読み出した前記売上実績データの特性に対応する予測モデルについて、異なる複数種類のパラメータを適用して、複数の売上予測データを生成し、
   前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、
   前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する、
   各処理を実行することを特徴とする選択方法。
5. 商品の売上数量の変化を示す売上実績データを記憶する記憶部から、特定の商品の売上実績データを読み出し、複数の予測モデルのうち、読み出した前記売上実績データの特性に対応する予測モデルについて、異なる複数種類のパラメータを適用して、複数の売上予測データを生成する生成部と、
   前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する選択部と、
   を有することを特徴とする選択装置。

Images