JP6807415B2 - Information processing equipment, information processing methods and programs - Google Patents
Information processing equipment, information processing methods and programs Download PDFInfo
- Publication number
- JP6807415B2 JP6807415B2 JP2019011486A JP2019011486A JP6807415B2 JP 6807415 B2 JP6807415 B2 JP 6807415B2 JP 2019011486 A JP2019011486 A JP 2019011486A JP 2019011486 A JP2019011486 A JP 2019011486A JP 6807415 B2 JP6807415 B2 JP 6807415B2
- Authority
- JP
- Japan
- Prior art keywords
- forecast
- target product
- demand
- days
- unit
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 40
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000003860 storage Methods 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000000047 product Substances 0.000 description 126
- 238000004364 calculation method Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 239000006227 byproduct Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、対象商品の需要を予測する情報処理装置、情報処理方法及びプログラムに関する。 The present invention relates to an information processing device, an information processing method and a program for predicting the demand of a target product.
従来から在庫管理を効率よく行うことが試みられている。例えば特許文献１では、制御部が、ＰＳＩ（生産、販売、在庫）計画編集表作成部と、シミュレーション部と、一括入力部と、一括計算部と、自動按分部と、管理データベースといったソフトウェアの構成要素を有している態様が開示されている。特許文献１の制御部は、ＰＳＩ値とリードタイムを参照して、日次表示と月次表示と一部日次表示とを切り替え表示可能な日付と、日付に対応づけてリードタイム及びＰＳＩ情報が示す在庫量とをセルに表示するＰＳＩ計画編集表を作成する態様となっている。 Conventionally, attempts have been made to efficiently manage inventory. For example, in Patent Document 1, the control unit is a software configuration such as a PSI (production, sales, inventory) plan editing table creation unit, a simulation unit, a batch input unit, a batch calculation unit, an automatic apportionment unit, and a management database. Aspects having elements are disclosed. The control unit of Patent Document 1 refers to the PSI value and the lead time, and can switch between daily display, monthly display, and partial daily display to display the date, and the lead time and PSI information corresponding to the date. It is an embodiment of creating a PSI plan editing table that displays the inventory amount indicated by.
特許文献１のような技術も提案されているが、未だ精度よく在庫管理するに至っていない。 Although a technique such as Patent Document 1 has been proposed, inventory management has not yet been performed with high accuracy.
本発明は、精度よく発注を行うことで在庫管理を精度よく行うことができる情報処理装置、情報処理方法及びプログラムを提供する。 The present invention provides an information processing apparatus, an information processing method, and a program capable of performing inventory management with high accuracy by placing an order with high accuracy.
本発明による情報処理装置は、
記憶部に記憶された対象商品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出したＮ日合計需要実績に基づいてＮ日間の合計需要予測であるＮ日合計需要予測を行い、少なくとも前記対象商品の在庫量及びＮ日合計需要予測を用いて前記対象商品に対する推奨発注量を算出する予測部と、
前記推奨発注量を出力する出力部と、
を備えてもよい。
The information processing device according to the present invention
N days, which is the total demand forecast for N days, based on the total demand results for N days calculated by adding the demand results for the target product stored in the storage unit for N days (“N” is an integer of 2 or more). A forecasting unit that makes a total demand forecast and calculates a recommended order quantity for the target product using at least the inventory amount of the target product and the N-day total demand forecast.
An output unit that outputs the recommended order quantity and
May be provided.
本発明による情報処理装置において、
前記予測部は、前記Ｎ日合計需要実績に基づいて第一予測モデルを生成し、前記記憶部に記憶された対象商品の在庫量及び前記第一予測モデルを用いて前記Ｎ日合計需要予測を行ってもよい。
In the information processing apparatus according to the present invention
The forecasting unit generates a first forecast model based on the N-day total demand actual result, and uses the inventory amount of the target product stored in the storage unit and the first forecast model to perform the N-day total demand forecast. You may go.
本発明による情報処理装置において、
前記予測部は、Ｎ日合計需要実績とＮ日合計需要予測とから需要予測誤差に関する第二予測モデルを生成し、前記第一予測モデル及び前記第二予測モデルを用いて、前記対象商品に対する推奨発注量を算出してもよい。
In the information processing apparatus according to the present invention
The forecasting unit generates a second forecast model regarding the demand forecast error from the N-day total demand actual and the N-day total demand forecast, and uses the first forecast model and the second forecast model to make recommendations for the target product. The order quantity may be calculated.
本発明による情報処理装置において、
前記予測部は、Ｎ日合計需要実績とＮ日合計需要予測とから需要予測誤差を算出し、
前記需要予測誤差が第一値である場合と第二値である場合（但し第一値＞第二値）において、第一値である場合の安全在庫量は第二値である安全在庫量よりも大きくなる前提のもと、前記予測部は前記対象商品に対する推奨発注量を算出してもよい。
In the information processing apparatus according to the present invention
The forecasting unit calculates the demand forecast error from the N-day total demand forecast and the N-day total demand forecast.
When the demand forecast error is the first value and the second value (however, the first value> the second value), the safety stock amount when the first value is the second value is higher than the safety stock amount which is the second value. The forecasting unit may calculate the recommended order quantity for the target product on the premise that the product becomes large.
本発明による情報処理装置において、
前記予測部は、前記Ｎ日合計需要予測に関し、ある需要量と当該ある需要量が生じる確率を用いた第三予測モデルを生成し、前記記憶部に記憶された対象商品の在庫量及び前記第三予測モデルを用いて、前記対象商品に対する推奨発注量を算出してもよい。
In the information processing apparatus according to the present invention
The forecasting unit generates a third forecast model using a certain demand amount and the probability that the certain demand amount will occur with respect to the N-day total demand forecast, and the inventory amount of the target product stored in the storage unit and the first item. (Iii) The recommended order quantity for the target product may be calculated using the prediction model.
本発明による情報処理装置において、
前記記憶部は前記対象商品の納品先における特別販売予定情報を記憶し、
前記予測部は、前記特別販売予定情報を用いて、前記対象商品に対する推奨発注量を予測してもよい。
In the information processing apparatus according to the present invention
The storage unit stores special sales schedule information at the delivery destination of the target product, and stores the information.
The forecasting unit may predict the recommended order quantity for the target product by using the special sales schedule information.
本発明による情報処理装置において、
前記記憶部は対象納品先との取引条件情報を記憶し、
前記予測部は、前記取引条件情報を用いて、前記対象商品に対する推奨発注量を予測してもよい。
In the information processing apparatus according to the present invention
The storage unit stores transaction condition information with the target delivery destination, and stores the transaction condition information.
The forecasting unit may predict the recommended order quantity for the target product by using the transaction condition information.
本発明による情報処理装置は、
前記出力部から出力された推奨発注量に対して承認する旨の入力が行われると、前記記憶部に記憶されている所定の発注先に前記対象製品を前記推奨発注量だけ発注する発注情報を送信する送信部を備えてもよい。
The information processing device according to the present invention
When an input is made to approve the recommended order quantity output from the output unit, the order information for ordering the target product by the recommended order quantity is sent to a predetermined supplier stored in the storage unit. A transmission unit for transmission may be provided.
本発明による情報処理装置において、
前記予測部は前記対象製品の１日後の需要も予測してもよい。
In the information processing apparatus according to the present invention
The forecasting unit may also forecast the demand of the target product one day later.
本発明による情報処理方法は、
予測部によって、記憶部に記憶された対象商品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出されたＮ日合計需要実績に基づいてＮ日間の合計需要予測であるＮ日合計需要予測を行う工程と、
予想部によって、少なくとも前記対象商品の在庫量及びＮ日合計需要予測を用いて、推奨発注量を算出する工程と、
出力部によって前記推奨発注量を出力する工程と、
を備えてもよい。
The information processing method according to the present invention
Total demand for N days based on the total demand for N days calculated by adding the actual demand for N days (“N” is an integer of 2 or more) of the target product stored in the storage unit by the forecasting unit. The process of forecasting the total demand for N days, which is the forecast, and
The process of calculating the recommended order quantity by the forecasting department using at least the inventory quantity of the target product and the N-day total demand forecast.
The process of outputting the recommended order quantity by the output unit and
May be provided.
本発明によるプログラムは、
情報処理装置にインストールするためのプログラムであって、
プログラムをインストールされた情報処理装置は、
記憶部に記憶された対象商品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出したＮ日合計需要実績に基づいてＮ日間の合計需要予測であるＮ日合計需要予測を行い、少なくとも前記対象商品の在庫量及びＮ日合計需要予測を用いて前記対象商品に対する推奨発注量を算出する予測機能と、
前記推奨発注量を出力する出力部と、
を備えてもよい。
The program according to the present invention
A program to be installed in an information processing device
The information processing device on which the program is installed
N days, which is the total demand forecast for N days, based on the total demand results for N days calculated by adding the demand results for the target product stored in the storage unit for N days (“N” is an integer of 2 or more). A forecasting function that makes a total demand forecast and calculates the recommended order quantity for the target product using at least the inventory amount of the target product and the N-day total demand forecast.
An output unit that outputs the recommended order quantity and
May be provided.
本発明において、予測部が、対象製品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出されたＮ日合計需要実績に基づいて、対象商品に対する推奨発注量を出力する態様を採用した場合には、予測誤差を低減させたうえで、推奨発注量を出力することができる。 In the present invention, the forecasting unit recommends the order quantity for the target product based on the total demand record for N days calculated by adding the actual demand for N days (“N” is an integer of 2 or more) of the target product. When the mode of outputting is adopted, the recommended order quantity can be output after reducing the prediction error.
第１の実施の形態
《構成》
以下、本発明に係る情報処理装置の実施の形態について、図面を参照して説明する。
First Embodiment << Configuration >>
Hereinafter, embodiments of the information processing apparatus according to the present invention will be described with reference to the drawings.
本実施の形態の情報処理装置は、一つの装置から構成されてもよいし複数の装置から構成されてもよい。また、複数の装置から情報処理装置が構成される場合には、各装置が同じ部屋等の同じ空間に設けられる必要はなく、異なる部屋、異なる建物、異なる地域等に設けられてもよい。また、複数の装置から情報処理装置が構成される場合には、その一部をある機関が所有及び／又は管理し、残りを別の機関が所有及び／又は管理してもよい。 The information processing device of the present embodiment may be composed of one device or a plurality of devices. Further, when the information processing device is composed of a plurality of devices, each device does not have to be provided in the same space such as the same room, and may be provided in a different room, a different building, a different area, or the like. When the information processing device is composed of a plurality of devices, a part of the information processing device may be owned and / or managed by one institution, and the rest may be owned and / or managed by another institution.
図１に示すように、情報処理装置は、対象商品の在庫量及び当該対象商品に対する過去の需要実績を記憶する記憶部２０と、過去の需要実績から対象商品の需要を予測する予測部１０であって、対象製品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出されたＮ日合計需要実績に基づいて対象製品のＮ日間の合計需要予測であるＮ日合計需要予測を行い、対象商品の在庫量及び当該Ｎ日合計需要予測から対象商品に対する推奨発注量を算出する予測部１０（図２参照）と、予測部１０で予測された推奨発注量を出力する出力部３０と、を有してもよい。図２では、過去の需要実績とその他の説明変数とからＮ日合計需要予測が行われている態様が示されている。Ｎ日としては、例えば３週間＝２１日程度を用いることができ、一例として２週間（１４日）〜４週間（２８日）の範囲で設定されてもよい。 As shown in FIG. 1, the information processing apparatus includes a storage unit 20 that stores the inventory amount of the target product and the past demand record for the target product, and a forecast unit 10 that predicts the demand of the target product from the past demand record. Therefore, N is the total demand forecast for N days of the target product based on the total demand record for N days calculated by adding the actual demand for N days (“N” is an integer of 2 or more) of the target product. The forecasting unit 10 (see FIG. 2) that makes a daily total demand forecast and calculates the recommended order quantity for the target product from the inventory amount of the target product and the N-day total demand forecast, and the recommended order quantity predicted by the forecasting unit 10. It may have an output unit 30 for output. FIG. 2 shows a mode in which the N-day total demand forecast is performed from the past demand record and other explanatory variables. As the N days, for example, about 3 weeks = 21 days can be used, and as an example, it may be set in the range of 2 weeks (14 days) to 4 weeks (28 days).
図２に示すように、予測部１０は、Ｎ日合計需要予測の他に対象製品の１日後の需要も予測してもよい。 As shown in FIG. 2, the forecasting unit 10 may forecast the demand of the target product one day later in addition to the N-day total demand forecast.
図３に示すように、外部装置から店別・商品別・日別の販売実績が転送サーバ１１０を介して情報処理装置に送付されてもよい。この際、転送サーバ１１０からの情報は送受信部６０（図１参照）で受信され、記憶部２０で記憶されてもよい。このような転送は夜間にバッチ処理として行われてもよい。また、利用者の利用する外部装置から、商品別の発注先情報、商品別・日別の特売情報（又は、商品別の商品カテゴリーコードと、商品カテゴリー別及び日別の特売情報の組み合わせ）、日別のカレンダー情報、発注先別の発注可不可情報（発注の可否を示す情報）、発注先別・発注日別の納品リードタイム、安全係数、上限在庫日数等の情報が情報処理装置に送信されてもよい。これらの情報は更新時にその都度、情報処理装置に送信されてもよい。また、当該送信は自動で行われてもよいし手動で行われてもよい。店別・商品別・日別の販売実績の情報は例えば図８に示すような態様となっており、どの商品が、いつ、いくつ、どの取引先に売れたかが関連付けて記録されている。送受信部６０は送信部と受信部の両方の機能を兼ねている。 As shown in FIG. 3, sales results by store, product, and day may be sent from the external device to the information processing device via the transfer server 110. At this time, the information from the transfer server 110 may be received by the transmission / reception unit 60 (see FIG. 1) and stored in the storage unit 20. Such transfers may be performed as batch processing at night. In addition, from the external device used by the user, supplier information for each product, special sale information for each product / day (or a combination of the product category code for each product and the special sale information for each product category and daily), Information such as daily calendar information, ordering availability information (information indicating whether ordering is possible), delivery lead time by supplier / ordering date, safety coefficient, maximum inventory days, etc. is transmitted to the information processing device. May be done. This information may be transmitted to the information processing device each time it is updated. Further, the transmission may be performed automatically or manually. Information on sales performance by store, by product, and by day is, for example, in the form shown in FIG. 8, and records which product was sold, when, how many, and to which customer. The transmission / reception unit 60 also functions as both a transmission unit and a reception unit.
記憶部２０で記憶されているデータが予測部１０で読み出されて予測モデルが構築され、予測が実施されてもよい。後述する第一予測モデル及び第二予測モデルのような予測モデルの構築は第一期間（例えば一か月）毎に実施されてもよい。また予測モデルを用いた予測は第二期間（例えば１日）毎に実施されてもよいし、記憶部２０で記憶されている発注可能日の前日に自動で実施されてもよい。予測が実施されると、需要・在庫予測結果ファイルが出力され、当該需要・在庫予測結果ファイルに基づいて利用者の端末で発注数量入力画面が表示されることになる。一例としては、発注数量入力画面に予測された発注数量が表示され、発注ボタン等の入力ボタンを利用者がクリックする等して承認することで当該発注数量の商品が発注されてもよい。また、発注数量入力画面に予測された発注数量が表示され、利用者が当該発注数量を参考にして発注数量を決定して入力するようにしてもよい。 The data stored in the storage unit 20 may be read out by the prediction unit 10, a prediction model may be constructed, and prediction may be performed. Construction of prediction models such as the first prediction model and the second prediction model described later may be carried out every first period (for example, one month). Further, the prediction using the prediction model may be carried out every second period (for example, one day), or may be automatically carried out on the day before the orderable date stored in the storage unit 20. When the forecast is executed, the demand / inventory forecast result file is output, and the order quantity input screen is displayed on the user's terminal based on the demand / inventory forecast result file. As an example, the predicted order quantity may be displayed on the order quantity input screen, and the product of the order quantity may be ordered by the user clicking an input button such as an order button to approve the order quantity. Further, the predicted order quantity may be displayed on the order quantity input screen, and the user may determine and input the order quantity with reference to the order quantity.
出力部３０から出力された推奨発注量に対して承認する旨の入力が利用者から行われると、当該情報が送受信部６０によって受信され、記憶部２０に記憶されている所定の発注先に対象製品を推奨発注量だけ発注する発注情報が送受信部６０によって送信されてもよい（図８参照）。 When the user inputs to the effect that the recommended order quantity output from the output unit 30 is approved, the information is received by the transmission / reception unit 60 and is targeted to a predetermined supplier stored in the storage unit 20. The transmission / reception unit 60 may transmit order information for ordering the product in the recommended order quantity (see FIG. 8).
予測部１０は、Ｎ日合計需要実績とＮ日合計需要予測とから需要予測誤差を算出してもよい（図４参照）。そして、出力部３０は、需要予測誤差を用いて対象商品に対する推奨発注量を出力してもよい。この態様を採用した場合には、「１日後の需要量」「１日後と２日後の合計需要量」・・・「１日後からＮ日後の需要量」をそれぞれ予測する需要予測モデルである第一予測モデルを構築した後に、「１日後の予測需要量と需要実績の誤差」「１〜２日後の合計需要予測量と合計需要実績の誤差」・・・「１〜Ｎ日後の合計需要予測量と合計需要実績の誤差」を用いて、予測誤差の予測を行うための需要予測誤差の予測モデルである第二予測モデルが予測部１０によって構築されることになる。 The forecasting unit 10 may calculate a demand forecast error from the N-day total demand forecast and the N-day total demand forecast (see FIG. 4). Then, the output unit 30 may output the recommended order quantity for the target product by using the demand forecast error. When this aspect is adopted, it is a demand forecast model that predicts "demand after 1 day", "total demand after 1 day and 2 days" ... "demand after 1 day to N days", respectively. After building a forecast model, "error between forecasted demand after 1 day and actual demand" "error between forecasted demand and total demand after 1 to 2 days" ... "total demand forecast after 1 to N days" A second forecast model, which is a forecast model of the demand forecast error for predicting the forecast error, is constructed by the forecasting unit 10 by using the "error of quantity and total demand actual".
需要予測誤差が第一値である場合と第二値である場合（但し第一値＞第二値）において、第一値である場合の安全在庫量は第二値である安全在庫量よりも大きくなってもよい。予測部は、この前提のもと対象商品に対する推奨発注量を算出してもよい。安全在庫量を一定の値とすることも考えられるが、この態様のように、需要予測誤差が大きい場合には予測が困難であると判断し、安全在庫量を多くするようにしてもよい。逆に需要予測誤差が小さい場合には、予測が容易であると判断し、安全在庫量を少なくしてもよい。このように安全在庫量を少なくすることで、実際に持つべき在庫量を少なくすることができ、在庫を持つことによるコストを抑えることができる。なお、価格の高い商品に関しては安全在庫を低く設定してもよく、第一価格以上の価格からなる商品に対する安全在庫量は第一価格未満の価格からなる商品に対する安全在庫量よりも少なくなってもよい。 When the demand forecast error is the first value and the second value (however, the first value> the second value), the safety stock amount when the first value is the first value is larger than the safety stock amount which is the second value. It may grow. The forecasting unit may calculate the recommended order quantity for the target product based on this premise. It is conceivable to set the safety stock amount to a constant value, but as in this embodiment, if the demand forecast error is large, it may be determined that the prediction is difficult and the safety stock amount may be increased. On the contrary, when the demand forecast error is small, it may be judged that the forecast is easy and the safety stock amount may be reduced. By reducing the amount of safe inventory in this way, the amount of inventory that should actually be held can be reduced, and the cost of having inventory can be suppressed. The safety stock may be set low for high-priced products, and the safety stock amount for products with prices above the first price is smaller than the safety stock amount for products with prices below the first price. May be good.
図５に示すように、第一予測モデルを構築する際には学習データ１をデータ生成部４０が生成し、当該学習データ１を用いて予測部１０が第一予測モデルを生成してもよい。また、第二予測モデルを構築する際には学習データ２をデータ生成部４０が生成し、当該学習データ２を用いて予測部１０が第二予測モデルを生成してもよい。ここでのデータ生成部４０によるデータ生成は、過去の実績データに関し、必要な情報を抽出したり整理したりすることによって行われてもよい。実績データを整理する際には特殊なデータを除外するようにしてもよい。 As shown in FIG. 5, when constructing the first prediction model, the learning data 1 may be generated by the data generation unit 40, and the prediction unit 10 may generate the first prediction model using the learning data 1. .. Further, when constructing the second prediction model, the learning data 2 may be generated by the data generation unit 40, and the prediction unit 10 may generate the second prediction model using the learning data 2. The data generation by the data generation unit 40 here may be performed by extracting and organizing necessary information regarding the past actual data. Special data may be excluded when organizing the actual data.
このようにして第一予測モデル及び第二予測モデルが生成されると、図６に示すように、データ生成部４０によって生成された予測データを用いて、第一予測モデルを用いた予測１と、第二予測モデルを用いた予測２とを実施し、推奨発注量計算１を算出部５０が算出してもよい。ここでのデータ生成部４０によるデータ生成は、予測対象となるデータに関し、必要な情報を抽出したり整理したりすることによって行われてもよい。 When the first prediction model and the second prediction model are generated in this way, as shown in FIG. 6, the prediction data generated by the data generation unit 40 is used to perform the prediction 1 using the first prediction model. , Prediction 2 using the second prediction model may be carried out, and the calculation unit 50 may calculate the recommended order quantity calculation 1. The data generation by the data generation unit 40 here may be performed by extracting and organizing necessary information regarding the data to be predicted.
前述したとおり、利用者の利用する外部装置から特売情報が送信される場合には（図３参照）、記憶部２０は対象商品の小売店等の納品先における（特売の予定情報である）特別販売予定情報を記憶しており、当該特別販売予定情報をモデル構築の際の説明変数の一つとして利用してもよい（図７参照）。予測部１０は、特別販売予定情報を用いて、対象商品に対する推奨発注量を予測してもよい。小売店等の納品先における特売の計画日と納品先から納品者である利用者への注文日にはタイムラグが存在するが、そのタイムラグは品目・小売業者によって様々である。このため、納品先毎のタイムラグを記憶部２０が記憶し、当該タイムラグを説明変数の一つとして利用して、予測部１０が予測してもよい。これらの態様では、第一予測モデルは、タイムラグ予測及び／又は特売影響予測を含む需要予測モデルとなってもよい。また、小売業者等の利用者が特売日を含む特売情報を記入することで、特売情報が需要予測モデルの生成に自動的に利用されるようになってもよい。特売情報は、特売対象となる商品、割引率、割引後の価格等が含まれてもよい。なお、販売の際の割引率が同じ値であっても納品先によって需要量に与える影響が異なることがある。このため、対象商品及び発注業者である納品先に応じて推奨発注量を変えるように予測部１０が予測することは、この意味からしても有益である。 As described above, when the special sale information is transmitted from the external device used by the user (see FIG. 3), the storage unit 20 is the special (scheduled information for the special sale) at the delivery destination such as the retail store of the target product. The sales schedule information is stored, and the special sales schedule information may be used as one of the explanatory variables when constructing the model (see FIG. 7). The prediction unit 10 may predict the recommended order quantity for the target product by using the special sales schedule information. There is a time lag between the planned sale date at the delivery destination such as a retail store and the order date from the delivery destination to the user who is the delivery destination, but the time lag varies depending on the item / retailer. Therefore, the storage unit 20 may store the time lag for each delivery destination, and the prediction unit 10 may predict using the time lag as one of the explanatory variables. In these aspects, the first forecast model may be a demand forecast model that includes a time lag forecast and / or a bargain impact forecast. Further, a user such as a retailer may enter the special sale information including the special sale date so that the special sale information is automatically used for generating the demand forecast model. The bargain information may include products to be bargained, a discount rate, a discounted price, and the like. Even if the discount rate at the time of sale is the same value, the influence on the demand amount may differ depending on the delivery destination. Therefore, it is beneficial from this point of view that the prediction unit 10 predicts that the recommended order quantity is changed according to the target product and the delivery destination which is the ordering company.
記憶部２０は対象納品先との取引条件情報を記憶してもよい。予測部１０は、取引条件情報を用いて、対象商品に対する推奨発注量を予測してもよい。例えば欠品が許されない顧客（納品先）へ納品する第一商品では安全在庫量を多くし、他方、欠品がある程度許される顧客（納品先）へ納品する第二商品では安全在庫量を少なくして推奨発注量を予測してもよい。なお、予測部１０は、Ｎ日合計需要実績とＮ日合計需要予測とから需要予測誤差を算出し、需要予測誤差及び取引条件情報に基づいて安全在庫量を算出してもよい。 The storage unit 20 may store transaction condition information with the target delivery destination. The prediction unit 10 may predict the recommended order quantity for the target product by using the transaction condition information. For example, the first product delivered to a customer (delivery destination) that cannot be out of stock has a large amount of safety stock, while the second product delivered to a customer (delivery destination) that can be out of stock to some extent has a small amount of safety stock. The recommended order quantity may be predicted. The forecasting unit 10 may calculate a demand forecast error from the N-day total demand forecast and the N-day total demand forecast, and calculate the safety stock amount based on the demand forecast error and the transaction condition information.
予測部１０は人工知能機能を有してもよい。予測部１０は、人工知能機能を用いて、過去の需要実績から対象商品の需要を予測してもよく、第一予測モデル及び第二予測モデルの各々が機械学習によって生成されてもよい。予測部１０は、過去の実績データから生成される説明変数及び当該説明変数に対する係数を用いて、対象商品の需要を予測してもよい。説明変数は日付、曜日を含むカレンダー情報、気温、天候を含む気象情報等を含んでもよい。 The prediction unit 10 may have an artificial intelligence function. The prediction unit 10 may predict the demand of the target product from the past demand record by using the artificial intelligence function, or each of the first prediction model and the second prediction model may be generated by machine learning. The prediction unit 10 may predict the demand of the target product by using the explanatory variables generated from the past actual data and the coefficients for the explanatory variables. The explanatory variables may include calendar information including dates and days of the week, weather information including temperature and weather, and the like.
上記人工知能機能の一例として、機械学習の手法を用いた分類器を用いることができる。この分類器によれば、ある過去期間の条件と需要実績から説明変数及び当該説明変数に対する係数が決定される。つまり、機械学習技術によって、利用する説明変数（要素）と、その係数（重み）が定められる。そして、定められた説明変数（要素）と、その係数（重み）を、対象商品に関するデータに適用することで、対象商品の需要を予測してもよい。 As an example of the above artificial intelligence function, a classifier using a machine learning method can be used. According to this classifier, the explanatory variables and the coefficients for the explanatory variables are determined from the conditions and the actual demand in a certain past period. That is, the machine learning technology determines the explanatory variables (elements) to be used and their coefficients (weights). Then, the demand of the target product may be predicted by applying the defined explanatory variable (element) and its coefficient (weight) to the data related to the target product.
《作用・効果》
次に、上述した構成からなる本実施の形態による作用・効果であって、未だ説明していないものを中心に説明する。なお、「作用・効果」で述べるあらゆる構成は、本実施の形態の構成として利用することができる。
《Action / Effect》
Next, the actions / effects according to the present embodiment having the above-described configuration, which have not been described yet, will be mainly described. Any configuration described in "Action / Effect" can be used as the configuration of the present embodiment.
予測部１０が、対象製品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することでＮ日合計需要実績を算出し、当該Ｎ日合計需要実績に基づいて、対象商品に対する推奨発注量を出力する態様を採用した場合には、予測誤差を低減させたうえで、推奨発注量を出力することができる（図２参照）。つまり、需要予測の予測対象を「１日後の需要量」「２日後の需要量」・・・「Ｎ日後の需要量」とするのではなく、「１日後の需要量」「１日後と２日後の合計需要量」・・・「１日後からＮ日後の需要量」とすることで、予測誤差を低減することができる。需要が発生する日をｘ日後と特定して予測することは困難であるが、ある量の需要を１日〜Ｎ日後というように「期間の幅」をもって予測することで予測精度を高めることができる。なおこの効果を得るに際しては、１日後、２日後、・・・に必要な需要量を単純に足し合わせるのではなく、１日〜Ｎ日後というように「期間の幅」をもって需要予測モデル（第一予測モデル）を生成することが極めて有益である。 The forecasting unit 10 calculates the total demand for N days by adding the actual demand for the target product between N days (“N” is an integer of 2 or more), and based on the total demand for N days, the target product. When the mode of outputting the recommended order quantity for is adopted, the recommended order quantity can be output after reducing the prediction error (see FIG. 2). In other words, the forecast target of the demand forecast is not "demand after 1 day", "demand after 2 days" ... "demand after N days", but "demand after 1 day", "demand after 1 day and 2". The forecast error can be reduced by setting "total demand after one day" ... "demand after one day to N days". It is difficult to specify and predict the day when demand will occur after x days, but it is possible to improve the prediction accuracy by predicting a certain amount of demand with a "period range" such as 1 to N days later. it can. In order to obtain this effect, instead of simply adding the demands required for 1 day, 2 days, and so on, the demand forecast model has a "period range" such as 1 to N days (No. 1). It is extremely useful to generate a prediction model).
予測部１０がＮ日合計需要予測の他に対象製品の１日後の需要も予測する態様を採用した場合には、１日後の需要も（仮情報として）予測することができる。 When the forecasting unit 10 adopts a mode of forecasting the demand of the target product one day later in addition to the N-day total demand forecast, the demand one day later can also be predicted (as provisional information).
予測部１０がＮ日合計需要実績とＮ日合計需要予測とから需要予測誤差を算出し、需要予測誤差を用いて対象商品に対する推奨発注量を算出する態様を採用した場合には（図４参照）、一定程度ならした特殊要因等によってずれる在庫の量を、さらに需要予測誤差を用いて修正したうえで推奨発注量を得ることができる点で極めて有益である。つまり、本態様では需要予想の誤差までも加味して推奨発注量を出力するので、かなり高い精度で需要量を予想でき、精度の高い推奨発注量を提供できる。 When the forecasting unit 10 calculates the demand forecast error from the N-day total demand forecast and the N-day total demand forecast, and uses the demand forecast error to calculate the recommended order quantity for the target product (see FIG. 4). ), It is extremely useful in that the recommended order quantity can be obtained after correcting the amount of inventory that deviates due to special factors that have been adjusted to a certain degree by using a demand forecast error. That is, in this embodiment, since the recommended order quantity is output in consideration of the error of the demand forecast, the demand quantity can be predicted with a considerably high accuracy, and the recommended order quantity with high accuracy can be provided.
需要予測誤差が第一値である場合と第二値である場合（但し第一値＞第二値）において、第一値である場合の安全在庫量は第二値である安全在庫量よりも大きくなる前提のもと、予測部１０が対象商品に対する推奨発注量を出力する態様を採用した場合には、需要予測誤差が大きい場合には多めの在庫を保持できるようになる。需要予想誤差が大きい場合には必要な在庫量が予想外に多くなる可能性が高まる。このため、需要予測誤差が大きい場合には安全在庫量を多く設定することで、在庫量が不足するという事態が発生することを防止できる。 When the demand forecast error is the first value and the second value (however, the first value> the second value), the safety stock amount when the first value is the first value is larger than the safety stock amount which is the second value. When the forecasting unit 10 adopts the mode of outputting the recommended order quantity for the target product on the premise that the demand forecast becomes large, a large amount of inventory can be held when the demand forecast error is large. If the demand forecast error is large, there is a high possibility that the required inventory amount will increase unexpectedly. Therefore, when the demand forecast error is large, it is possible to prevent a situation in which the inventory amount is insufficient by setting a large amount of the safe inventory amount.
予測部１０が特別販売予定情報を用いて対象商品に対する推奨発注量を予測する態様を用いた場合には（図７参照）、バーゲン等で出荷量が多くなる、すなわち必要な在庫量が多くなる可能性を加味して推奨発注量を予測することができるようになる。なお、対象商品及び割引率だけではなく、集客力や客層の異なる納品先によっても必要な在庫量が変わってくることから、納品先、対象商品及び割引率を加味して推奨発注量を予測することは非常に有益である。 When the forecasting unit 10 uses a mode of predicting the recommended order quantity for the target product using the special sales schedule information (see FIG. 7), the shipment quantity increases due to bargains and the like, that is, the required inventory quantity increases. It will be possible to predict the recommended order quantity in consideration of the possibility. In addition to the target products and discount rates, the required inventory amount changes depending on the ability to attract customers and delivery destinations with different customer bases, so the recommended order quantity is predicted by taking into account the delivery destinations, target products, and discount rates. That is very beneficial.
予測部１０が取引条件情報を用いて対象商品に対する推奨発注量を予測する態様を採用した場合には、取引条件も加味して推奨発注量を予測することができる。つまり、納品先との取引条件を加味して、在庫をギリギリの量で持つことができるのか、または在庫を余裕をもって持つ必要があるのかという条件を加味することができる。この結果、取引継続のために在庫不足を起こしてはならない納品先と、必要な在庫量を極力抑えてコストを抑えることができる納品先とを区別したうえで必要な在庫量を算出し、推奨発注量を予測できる。 When the prediction unit 10 adopts a mode of predicting the recommended order quantity for the target product using the transaction condition information, the recommended order quantity can be predicted in consideration of the transaction conditions. In other words, it is possible to take into account the conditions of transactions with the delivery destination, and the conditions of whether the inventory can be held in the last minute amount or whether the inventory needs to be held with a margin. As a result, the required inventory amount is calculated and recommended after distinguishing between the delivery destinations that should not cause inventory shortage in order to continue trading and the delivery destinations that can reduce the required inventory amount as much as possible and reduce the cost. You can predict the order quantity.
予測部１０が、Ｎ日合計需要実績とＮ日合計需要予測とから需要予測誤差を算出し、需要予測誤差及び取引条件情報に基づいて安全在庫量を算出する態様を採用した場合には、需要予測誤差の大小と顧客（納品先）との取引条件との両方を用いて安全在庫量を算出し、推奨発注量を予測できる点で有益である。 When the forecasting unit 10 calculates the demand forecast error from the N-day total demand forecast and the N-day total demand forecast, and adopts a mode of calculating the safety stock amount based on the demand forecast error and the transaction condition information, the demand It is useful in that the safety stock quantity can be calculated using both the magnitude of the forecast error and the transaction conditions with the customer (delivery destination), and the recommended order quantity can be predicted.
出力部３０から出力された推奨発注量に対して承認する旨の入力が行われると、記憶部２０に記憶されている所定の発注先に対象製品を推奨発注量だけ発注する発注情報を送信する態様を採用した場合には、出力部３０から出力された推奨発注量を承認するだけで、所定の発注先に商品を発注できるようになる。 When the input to approve the recommended order quantity output from the output unit 30 is made, the order information for ordering the target product by the recommended order quantity is transmitted to the predetermined supplier stored in the storage unit 20. When the aspect is adopted, the product can be ordered to a predetermined supplier only by approving the recommended order quantity output from the output unit 30.
発注点を算出するためには、以下のような計算式を用いることも考えられる。 In order to calculate the ordering point, it is possible to use the following formula.
発注点＝販売数量（過去平均又は予測値）×発注リードタイム＋安全在庫（式１）
安全在庫＝安全係数×１日の販売数量のばらつき×√発注リードタイム（式２）
上記式中の「安全係数」に関しては「受注量が正規分布に従う」と仮定することが考えられるが、実際にはマイナスの受注量になることはなく正規分布には従っていない点で、当該仮定は誤っている。上記式中の「発注リードタイム」に関しては、「一定の需要が持続的に生じ、一日あたりの需要量に日数を乗じれば期間需要量を求められる」と仮定することが考えられるが、単純な日数倍で需要を表すことはできない点で当該仮定は誤っている。上記式中の「１日の販売数量のばらつき」に関しては、「１日の販売数量のばらつきがほぼ一定である」と仮定することが考えられるが、実際には販売数量のばらつきは変動している点で当該仮定は誤っている。上記式中の「√発注リードタイム」については、「翌日の販売数量のばらつきと翌々日の販売数量のばらつきが独立（無相関）である」と仮定することが考えられるが、実際にはばらつきとばらつきの間には相関が存在している点で当該仮定は誤っている。
Ordering point = Sales volume (past average or forecast value) x Ordering lead time + Safety inventory (Equation 1)
Safety inventory = Safety factor x Variation in daily sales volume x √ Order lead time (Equation 2)
Regarding the "safety factor" in the above formula, it is conceivable to assume that "the order quantity follows a normal distribution", but in reality, the order quantity does not become negative and does not follow the normal distribution. Is wrong. Regarding the "order lead time" in the above formula, it is possible to assume that "a certain amount of demand is continuously generated, and the period demand can be obtained by multiplying the daily demand by the number of days". This assumption is incorrect in that demand cannot be expressed in simple days. Regarding the "variation in daily sales volume" in the above formula, it is conceivable to assume that "the variation in daily sales volume is almost constant", but in reality, the variation in sales volume fluctuates. In that respect, the assumption is incorrect. Regarding "√ order lead time" in the above formula, it is conceivable to assume that "the variation in the sales volume on the next day and the variation in the sales volume on the day after next are independent (uncorrelated)", but in reality it is a variation. This assumption is incorrect in that there is a correlation between the variability.
この点、予測部１０が人工知能機能を有し、予測部１０が人工知能機能を用いて過去の需要実績から第一予測モデル及び／又は第二予測モデルの各々を生成する態様を採用した場合には、上記の誤った仮定を採用することがない点で有益である。 In this regard, when the prediction unit 10 has an artificial intelligence function and the prediction unit 10 adopts an embodiment in which each of the first prediction model and / or the second prediction model is generated from the past demand record by using the artificial intelligence function. Is beneficial in that it does not adopt the above false assumptions.
《実施例》
次に本実施の形態による実施例についての説明を行う。
"Example"
Next, an example according to the present embodiment will be described.
本実施例では、店別・商品別・日別の販売実績、商品別の商品カテゴリーコード、商品カテゴリー別・日別の特売情報及び日別のカレンダー情報を用いて、学習データ１を生成している（図９参照）。この学習データは基準日毎、商品毎に作成されることになる。より具体的には、第一商品について第一基準日の予測が終了すると、第一商品について第二基準日の予測が行われ、その工程が繰り返される。そして、第一商品についての予測が終了すると、第二商品について同様の予測が繰り返される。この一連の工程で、需要予測モデルである第一予測モデルを生成するための学習データ１が作成される。 In this embodiment, learning data 1 is generated using the sales results by store / product / day, the product category code by product, the special sale information by product category / day, and the calendar information by day. (See Fig. 9). This learning data will be created for each reference date and each product. More specifically, when the prediction of the first base date for the first product is completed, the second base date is predicted for the first product, and the process is repeated. Then, when the prediction for the first product is completed, the same prediction for the second product is repeated. In this series of steps, learning data 1 for generating a first forecast model, which is a demand forecast model, is created.
図９に示す態様では、説明変数として、商品ｇの対象日ｉ−ｍ、・・・、対象日ｉ−１における販売実績、商品ｇの対象日ｉ−ｍ、・・・、対象日ｉ−１における特売情報、商品ｇのカテゴリー、基準日ｉの曜日、基準日ｉの属する週、基準日ｉが祝日か否か等用いられ、目的変数として商品ｇの基準日ｉ、・・・、基準日ｉ〜基準日ｉ＋ｎにおける販売実績の合計が用いられている。なお、「目的変数」は「予測したい変数」のことを意味している。 In the embodiment shown in FIG. 9, as explanatory variables, the target date im of the product g, ..., the sales performance on the target date i-1, the target date im of the product g, ..., The target date i-. The special sale information in 1, the category of the product g, the day of the week of the reference date i, the week to which the reference date i belongs, whether or not the reference date i is a holiday, etc. are used, and the reference date i of the product g, ... The total sales performance from day i to base day i + n is used. The "objective variable" means the "variable to be predicted".
次に、学習データ１と第一予測モデルとを用いて、学習データ２が作成される（図１０参照）。より具体的には学習データ１の説明変数を第一予測モデルに適用し、商品ｇの基準日ｉ、基準日ｉ〜基準日ｉ＋１、・・・、基準日ｉ〜基準日ｉ＋ｎにおける販売量の予測値を算出する。当該予測値と学習データ１の目的変数とから誤差を算出する。より具体的には、商品ｇの基準日ｉにおける販売実績と商品ｇの基準日ｉにおける販売量の予測値の誤差、商品ｇの基準日ｉ〜基準日ｉ＋１における販売実績と商品ｇの基準日ｉ〜基準日ｉ＋ｎにおける販売量の予測値の誤差を算出し、これらを学習データ２の目的変数の目的値とする。なお、用いられる誤差は絶対誤差であってもよいし二乗誤差であってもよいし、その他の誤差であってもよい。また、学習データ２の説明変数は学習データ１の説明変数と同じ内容となってもよい。 Next, the training data 2 is created using the training data 1 and the first prediction model (see FIG. 10). More specifically, the explanatory variables of the training data 1 are applied to the first prediction model, and the sales volume of the product g on the reference date i, the reference date i to the reference date i + 1, ..., The reference date i to the reference date i + n Calculate the predicted value. The error is calculated from the predicted value and the objective variable of the learning data 1. More specifically, the difference between the sales performance of the product g on the reference date i and the predicted value of the sales volume on the reference date i of the product g, the sales performance on the reference date i to the reference date i + 1 of the product g, and the reference date of the product g. The error of the predicted value of the sales volume from i to the reference date i + n is calculated, and these are used as the objective values of the objective variables of the training data 2. The error used may be an absolute error, a square error, or another error. Further, the explanatory variables of the learning data 2 may have the same contents as the explanatory variables of the learning data 1.
この学習データ２も基準日毎、商品毎に作成されることになる。より具体的には、第一商品について第一基準日の予測が終了すると、第一商品について第二基準日の予測が行われ、その工程が繰り返される。そして、第一商品についての予測が終了すると、第二商品について同様の予測が繰り返される。この一連の工程で、予測誤差の予測を行う需要予測誤差の予測モデルである第二予測モデルを生成するための学習データ２が作成される。 This learning data 2 is also created for each reference date and each product. More specifically, when the prediction of the first base date for the first product is completed, the second base date is predicted for the first product, and the process is repeated. Then, when the prediction for the first product is completed, the same prediction for the second product is repeated. In this series of steps, learning data 2 for generating a second prediction model, which is a prediction model of the demand prediction error for predicting the prediction error, is created.
次に、予測データを作成する。本実施例では、店別・商品別・日別の販売実績、商品別の商品カテゴリーコード、商品カテゴリー別・日別の特売情報及び日別カレンダー情報を用いて、予測データを生成している（図１１参照）。説明変数としては、学習データ１を生成する際と同じく、販売実績、特売情報、商品カテゴリー、曜日、週、祝日であるか否か等が用いられてもよい。この予測データは発注可能な商品毎に作成されることになる。 Next, the forecast data is created. In this embodiment, forecast data is generated using the sales results by store / product / day, the product category code by product, the special sale information by product category / day, and the daily calendar information (). (See FIG. 11). As the explanatory variables, the sales performance, the special sale information, the product category, the day of the week, the week, whether or not it is a holiday, or the like may be used as in the case of generating the learning data 1. This forecast data will be created for each product that can be ordered.
次に、予測を行う（図１２参照）。本実施例では、予測データの説明変数を予測モデル１に適用し、予測値１を算出している。予測値１としては、商品ｇの発注日ｔにおける販売量の予測値、商品ｇの発注日ｔ〜ｔ＋１における販売量の予測値、・・・、商品ｇの発注日ｔ〜ｔ＋ｎにおける販売量の予測値が算出される。 Next, a prediction is made (see FIG. 12). In this embodiment, the explanatory variables of the prediction data are applied to the prediction model 1 to calculate the prediction value 1. The predicted value 1 is the predicted value of the sales volume on the order date t of the product g, the predicted value of the sales volume on the order date t to t + 1 of the product g, ..., The sales volume on the order date t to t + n of the product g. The predicted value is calculated.
その後、予測データの説明変数を予測モデル２に適用し、予測値２を算出している。予測値２としては、商品ｇの発注日ｔにおける販売量予測値の誤差の予測値、商品ｇの発注日ｔ〜ｔ＋１における販売量予測値の誤差の予測値、・・・、商品ｇの発注日ｔ〜ｔ＋ｎにおける販売量予測値の誤差の予測値が算出される。販売量の予測値及び販売量予測値の誤差の予測値の各々は発注可能な商品毎に算出される。 After that, the explanatory variables of the prediction data are applied to the prediction model 2 to calculate the prediction value 2. As the predicted value 2, the predicted value of the error of the sales volume predicted value on the ordering date t of the product g, the predicted value of the error of the sales volume predicted value on the ordering date t to t + 1 of the product g, ..., The ordering of the product g The predicted value of the error of the sales volume predicted value on the day t to t + n is calculated. Each of the predicted value of the sales volume and the predicted value of the error of the predicted sales volume is calculated for each product that can be ordered.
次に、推奨発注量を計算する（図１３参照）。 Next, the recommended order quantity is calculated (see FIG. 13).
商品別の発注先情報、発注先別の発注可不可情報及び発注先別の納品リードタイムを用いて、ある商品ｇの発注先と、発注日ｔより、発注日ｔの次に発注可能日ｏと当該発注可能日ｏに発注した際に納品される納品日ｄを算出する（Ｓ１３１）。 Using the supplier information for each product, the orderability information for each supplier, and the delivery lead time for each supplier, the supplier of a certain product g and the orderable date t after the order date t And the delivery date d to be delivered when the order is placed on the orderable date o (S131).
次に、予測値１より、ある商品ｇの発注日ｔから納品日ｄにおける合計販売量の予測値を算出し、これらを予測需要量ａとする（Ｓ１３２）。 Next, from the predicted value 1, the predicted value of the total sales amount on the delivery date d from the ordering date t of a certain product g is calculated, and these are set as the predicted demand amount a (S132).
次に、予測値２より、ある商品ｇにおける発注日ｔ〜ｔ＋１における合計販売量予測値の誤差の予測値ｅを算出する（Ｓ１３３）。 Next, from the predicted value 2, the predicted value e of the error of the total sales volume predicted value on the ordering date t to t + 1 for a certain product g is calculated (S133).
そして、目標在庫量ｑ１をｑ１＝ａ＋λ×ｅによって算出する（Ｓ１３４）。λは安全係数であり、安全係数λは、どの程度欠品が起きる確率を許容できるか、その許容水準から定まる値である。安全係数λは安全在庫数と紐づけられてもよく、安全在庫数が多い場合には安全係数λが大きくなり、安全在庫数が少ない場合には安全係数λが小さくなってもよい。 Then, the target inventory amount q1 is calculated by q1 = a + λ × e (S134). λ is a safety factor, and the safety factor λ is a value determined from the permissible level of the probability that a shortage will occur. The safety factor λ may be associated with the number of safety stocks, and the safety factor λ may be large when the number of safety stocks is large, and may be small when the number of safety stocks is small.
予測値１から、ある商品ｇの発注日ｔ〜ｔ＋ｒにおける合計販売量の予測値を算出し、当該予測値を上限在庫量ｑ２とする（Ｓ１３５）。ここでｒは上限在庫日数であり、在庫回転日数がどのぐらい長くなっても許容できるかを示すものであり、その許容日数となっている。 From the predicted value 1, the predicted value of the total sales amount of a certain product g on the ordering date t to t + r is calculated, and the predicted value is set as the upper limit inventory amount q2 (S135). Here, r is the upper limit inventory days, which indicates how long the inventory turnover days can be tolerated, and is the allowable number of days.
そして、目標在庫量ｑ１及び上限在庫日数ｑ２と、在庫量及び発注は済んでいるが未入庫である商品の量である発注残とを用い、算出部５０が推奨発注量を算出する（Ｓ１３６）。一例としては、在庫量＋発注残＜ｍｉｎ（ｑ１，ｑ２）であれば、ｍｉｎ（ｑ１，ｑ２）−（在庫量＋発注残）をある商品ｇの推奨発注量として算出部５０が算出する。他方、（在庫量＋発注残）≧ｍｉｎ（ｑ１，ｑ２）であれば推奨発注量が０であるとして、算出部５０が算出する。ｍｉｎ（ｑ１，ｑ２）とはｑ１及びｑ２のうち、小さいほうの値を意味している。 Then, the calculation unit 50 calculates the recommended order quantity using the target inventory quantity q1 and the upper limit inventory days q2, and the inventory quantity and the order backlog which is the quantity of the products which have been ordered but have not been received (S136). .. As an example, if the inventory amount + order backlog <min (q1, q2), the calculation unit 50 calculates min (q1, q2) − (inventory amount + order backlog) as the recommended order quantity of a certain product g. On the other hand, if (inventory amount + order backlog) ≥ min (q1, q2), the recommended order amount is assumed to be 0, and the calculation unit 50 calculates. min (q1, q2) means the smaller value of q1 and q2.
以上の工程が、発注可能な商品に対して繰り返し行われる。 The above process is repeated for the products that can be ordered.
このようにして算出された予測需要量、目標在庫量及び上限在庫量の関係は例えば図１４に示すような態様となる。
第２の実施の形態
次に、本発明の第２の実施の形態について説明する。
The relationship between the predicted demand amount, the target inventory amount, and the upper limit inventory amount calculated in this way is, for example, as shown in FIG.
Second Embodiment Next, a second embodiment of the present invention will be described.
第１の実施の形態では絶対誤差、二乗誤差等の一定の仮定を用いていたが、本実施の形態では、誤差を確率的に出して用いている。本実施の形態では、予測部１０が、Ｎ日合計需要予測に関し、ある需要量と当該ある需要量が生じる確率を用いた第三予測モデルを生成し、記憶部２０に記憶された対象商品の在庫量及び第三予測モデルを用いてＮ日合計需要予測を行い、当該Ｎ日合計需要予測を用いて対象商品に対する推奨発注量を算出する、態様となっている（図１５参照）。そして、出力部３０は、対象商品に対する推奨発注量を出力するようになっている。本実施の形態では、第１の実施の形態で説明したあらゆる態様を採用することができる。第１の実施の形態で説明した部材については同じ符号を用いて説明する。 In the first embodiment, certain assumptions such as absolute error and squared error are used, but in the present embodiment, the error is stochastically used. In the present embodiment, the forecasting unit 10 generates a third forecast model using a certain demand amount and the probability that the certain demand amount will occur with respect to the N-day total demand forecast, and the target product stored in the storage unit 20. The N-day total demand forecast is performed using the inventory amount and the third forecast model, and the recommended order quantity for the target product is calculated using the N-day total demand forecast (see FIG. 15). Then, the output unit 30 outputs the recommended order quantity for the target product. In this embodiment, any aspect described in the first embodiment can be adopted. The members described in the first embodiment will be described using the same reference numerals.
本実施の形態のように、予測部１０がＮ日合計需要予測に関してある需要量と当該ある需要量が生じる確率を予測し、出力部３０がある需要量及び確率を用いて対象商品に対する推奨発注量を出力する態様を採用した場合には、対応する需要量毎の発生確率を予測したうえで、推奨発注量を提供できるようになる。この態様では、利用する情報量が第１の実施の形態と比べて大きくなるが、より正確な予測を期待できる。 As in the present embodiment, the forecasting unit 10 predicts a certain demand amount and the probability that the certain demand amount will occur with respect to the N-day total demand forecast, and the output unit 30 uses the certain demand amount and the probability to make a recommended order for the target product. When the mode of outputting the quantity is adopted, the recommended order quantity can be provided after predicting the occurrence probability for each corresponding demand quantity. In this aspect, the amount of information to be used is larger than that in the first embodiment, but more accurate prediction can be expected.
予測対象となる需要量は、非負・離散であり、かつ、その分布は実際には既知の確率分布に従わないことが多いが、需要予測では（正規分布等の）既知の確率分布に従うことを仮定することが考えられる。しかしながら、本実施の形態では、実際の需要量の分布にしたがい、需要量の確率分布を任意の形状のまま取り扱うことで、より一層合理的な需要予測と在庫管理を実現できるようになる。 The demand amount to be predicted is non-negative and discrete, and its distribution often does not actually follow a known probability distribution, but demand forecasting follows a known probability distribution (such as a normal distribution). It is possible to make assumptions. However, in the present embodiment, more rational demand forecasting and inventory management can be realized by handling the probability distribution of the demand amount in an arbitrary shape according to the distribution of the actual demand amount.
本実施の形態では、予測部１０が、第Ｍ需要量（「Ｍ」は１以上の整数である。）と、第Ｍ需要量が生じる第Ｍ確率を予測し、第Ｍ需要量と第Ｍ確率を掛けた数値を合計することで、対象商品に対する需要予測量を予測するようにしてもよい。そして、この需要予測量に関してＮ日間の情報を加算することで、Ｎ日合計需要予測を行ってもよい。 In the present embodiment, the prediction unit 10 predicts the Mth demand amount (“M” is an integer of 1 or more) and the Mth probability that the Mth demand amount will occur, and the Mth demand amount and the Mth M. The demand forecast amount for the target product may be predicted by summing the numerical values multiplied by the probabilities. Then, the total demand forecast for N days may be performed by adding the information for N days with respect to the demand forecast amount.
図１６に示すように、確率的需要予測モデルである第三予測モデルを構築する際には学習データ１を準備し、当該学習データ１を用いて予測部１０が第三予測モデルを生成する。このようにして第三予測モデルが生成されると、図１７に示すように、作成された予測データを用いて、予測３を実施し、推奨発注量計算２を算出部５０が算出する。ここで用いられる学習データ１は第１の実施の形態と同じものであってもよいし、別のデータであってもよい。学習データの生成及び予測データの生成は第１の実施の形態で述べたのと同様の態様が用いられる。 As shown in FIG. 16, when constructing the third prediction model which is a stochastic demand prediction model, the learning data 1 is prepared, and the prediction unit 10 generates the third prediction model using the learning data 1. When the third prediction model is generated in this way, as shown in FIG. 17, the prediction 3 is executed using the created prediction data, and the calculation unit 50 calculates the recommended order quantity calculation 2. The learning data 1 used here may be the same as that of the first embodiment, or may be different data. The same modes as described in the first embodiment are used for the generation of the training data and the generation of the prediction data.
予測３を実施する場合には、予測データの説明変数を第三予測モデルに適用し、予測分布３を算出してもよい（図１８参照）。予測３は発注可能な商品毎に作成されてもよい。より具体的には、予測データの説明変数を第三予測モデルに適用して、予測分布３を予測部１０が予測する。予測分布３では、商品ｇの発注日ｔにおいて販売量がｍとなる確率（確率分布）ｐ（ｇ,ｔ｜ｍ）、商品ｇの発注日ｔ〜ｔ＋１における販売量がｍとなる確率（確率分布）ｐ（ｇ,ｔ+１｜ｍ）、・・・、商品ｇの発注日ｔ〜ｔ＋ｎにおける販売量がｍとなる確率（確率分布）ｐ（ｇ,ｔ+ｎ｜ｍ）が予測される。ｐ（ｇ,ｔ+ｎ｜ｍ）は、ある商品ｇの発注日ｔ〜ｔ＋ｎにおける合計販売量がｍとなる確率を示している。 When the prediction 3 is carried out, the explanatory variables of the prediction data may be applied to the third prediction model to calculate the prediction distribution 3 (see FIG. 18). Prediction 3 may be created for each product that can be ordered. More specifically, the prediction unit 10 predicts the prediction distribution 3 by applying the explanatory variables of the prediction data to the third prediction model. In the prediction distribution 3, the probability that the sales volume will be m on the order date t of the product g (probability distribution) p (g, t | m), and the probability that the sales volume of the product g will be m on the order dates t to t + 1 (probability). Distribution) p (g, t + 1 | m), ..., The probability (probability distribution) p (g, t + n | m) that the sales volume of the product g on the ordering date t to t + n is m is predicted. To. p (g, t + n | m) indicates the probability that the total sales volume of a certain product g on the ordering date t to t + n will be m.
《実施例》
次に本実施の形態による実施例についての説明を行う。
"Example"
Next, an example according to the present embodiment will be described.
本実施例では、図１９に示すように、商品別の発注先情報、発注先別・日別の発注可不可情報及び発注先別・日別の納品リードタイムを用いて、ある商品ｇの発注先と、発注日ｔより、発注日ｔの次に発注可能日ｏと当該発注可能日ｏに発注した際に納品される納品日ｄを算出している（Ｓ１９１）。なお、商品別の発注先情報は例えば図２０に示すようになっており、商品コードと発注先コード（仕入先コード）との対応が記録されている。発注先別（仕入先別）の発注可不可情報及び発注先別の納品リードタイムに関しては、発注先コード（仕入先コード）と各曜日の発注可及び不可、納品リードタイム、各曜日の納品可及び不可が関連付けて記録されてもよい（図２１参照）。 In this embodiment, as shown in FIG. 19, an order for a certain product g is placed using the supplier information for each product, the order availability information for each supplier / day, and the delivery lead time for each supplier / day. From the previous order date t, the orderable date o next to the order date t and the delivery date d to be delivered when the order is placed on the orderable date o are calculated (S191). The supplier information for each product is shown in FIG. 20, for example, and the correspondence between the product code and the supplier code (supplier code) is recorded. Regarding the ordering availability information by supplier (by supplier) and the delivery lead time by supplier, the supplier code (supplier code) and ordering possible / impossible on each day of the week, delivery lead time, and each day of the week Delivery availability and non-delivery may be recorded in association with each other (see FIG. 21).
予測分布３と許容欠品率γより
を満たす最小のｑ３を求める（Ｓ１９２）。次に、予測分布３と上限在庫日数ｒ、許容長期在庫率ξより
を満たす最大のｑ４を求める（Ｓ１９３）。ここでｐ（ｇ,ｔ+ｄ｜ｍ）は、ある商品ｇの発注日ｔ〜ｔ＋ｄにおける合計販売量がｍとなる確率を示し、ｐ（ｇ,ｔ＋ｒ｜ｍ）は、ある商品ｇの発注日ｔ〜ｔ＋ｒにおける合計販売量がｍとなる確率を示している。許容欠品率γとは、どの程度欠品が起きる確率を許容できるかを示す値であり、許容長期在庫率ξとは、どの程度長期在庫が発生する確率を許容できるかを示す値である。
From the predicted distribution 3 and the permissible shortage rate γ
Find the minimum q3 that satisfies (S192). Next, from the predicted distribution 3, the upper limit inventory days r, and the allowable long-term inventory rate ξ.
The maximum q4 that satisfies the condition is obtained (S193). Here, p (g, t + d | m) indicates the probability that the total sales volume of a certain product g on the ordering date t to t + d is m, and p (g, t + r | m) indicates an order for a certain product g. It shows the probability that the total sales volume on days t to t + r will be m. The permissible shortage rate γ is a value indicating how much the probability of shortage can be tolerated, and the permissible long-term inventory rate ξ is a value indicating how much the probability of long-term inventory can be tolerated. ..
そして、ｑ３とｑ４とを比較し、ｑ３＞ｑ４となる場合にはｑ３を修正してｑ３≦ｑ４となるようにする（Ｓ１９５）。ｑ３の修正は利用者が入力することで行ってもよいし、例えば算出部５０が自動で行ってもよい。 Then, q3 and q4 are compared, and if q3> q4, q3 is modified so that q3 ≦ q4 (S195). The modification of q3 may be performed by inputting by the user, or may be performed automatically by, for example, the calculation unit 50.
ｑ３≦ｑ４となる場合には、ｑ３と在庫量＋（発注は済んでいるが未入庫である商品の量である）発注残を比較し、在庫量＋発注残＜ｑ３であれば、ｑ３−（在庫量＋発注残）を商品gの推奨発注量とする（Ｓ１９６）。他方、在庫量＋発注残≧ｑ３であれば推奨発注量＝０とする。 If q3 ≤ q4, compare q3 with the inventory quantity + (the quantity of products that have been ordered but not yet received), and if the inventory quantity + order balance <q3, q3- (Inventory amount + order backlog) is set as the recommended order amount of product g (S196). On the other hand, if the inventory amount + order backlog ≥ q3, the recommended order amount = 0.
上述した各実施の形態の記載及び図面の開示は、特許請求の範囲に記載された発明を説明するための一例に過ぎず、上述した実施の形態の記載又は図面の開示によって特許請求の範囲に記載された発明が限定されることはない。また、当然ながら、出願当初の特許請求の範囲の記載は本件特許明細書の範囲内で適宜変更することもでき、その範囲を拡張することもできる。 The description of each embodiment and the disclosure of the drawings described above are merely examples for explaining the invention described in the claims, and the description of the above-described embodiments or the disclosure of the drawings is included in the claims. The described invention is not limited. Further, as a matter of course, the description of the scope of claims at the time of filing can be appropriately changed within the scope of the patent specification, and the scope can be expanded.
１０ 予測部
２０ 記憶部
３０ 出力部
４０ データ生成部
５０ 算出部
６０ 送受信部
10 Prediction unit 20 Storage unit 30 Output unit 40 Data generation unit 50 Calculation unit 60 Transmission / reception unit
Claims (11)
前記推奨発注量を出力する出力部と、
を備え、
前記予測部は正規分布を用いずにＮ日合計需要予測を行う、情報処理装置。 N days, which is the total demand forecast for N days, based on the total demand results for N days calculated by adding the demand results for the target product stored in the storage unit for N days (“N” is an integer of 2 or more). A forecasting unit that makes a total demand forecast and calculates a recommended order quantity for the target product using at least the inventory amount of the target product and the N-day total demand forecast.
An output unit that outputs the recommended order quantity and
Equipped with a,
The forecasting unit is an information processing device that forecasts the total demand for N days without using a normal distribution .
前記需要予測誤差が第一値である場合と第二値である場合（但し第一値＞第二値）において、第一値である場合の安全在庫量は第二値である安全在庫量よりも大きくなる前提のもと、前記予測部は前記対象商品に対する推奨発注量を算出する、請求項３に記載の情報処理装置。 The forecasting unit calculates the demand forecast error from the N-day total demand forecast and the N-day total demand forecast.
When the demand forecast error is the first value and the second value (however, the first value> the second value), the safety stock amount when the first value is the second value is higher than the safety stock amount which is the second value. The information processing apparatus according to claim 3, wherein the forecasting unit calculates a recommended order quantity for the target product on the premise that the product becomes large.
前記予測部は、前記特別販売予定情報を用いて、前記対象商品に対する推奨発注量を予測する、請求項１乃至５のいずれか１項に記載の情報処理装置。 The storage unit stores special sales schedule information at the delivery destination of the target product, and stores the information.
The information processing device according to any one of claims 1 to 5, wherein the prediction unit predicts a recommended order quantity for the target product using the special sales schedule information.
前記予測部は、前記取引条件情報を用いて、前記対象商品に対する推奨発注量を予測する、請求項１乃至６のいずれか１項に記載の情報処理装置。 The storage unit stores transaction condition information with the target delivery destination, and stores the transaction condition information.
The information processing device according to any one of claims 1 to 6, wherein the prediction unit predicts a recommended order quantity for the target product by using the transaction condition information.
予想部によって、少なくとも前記対象商品の在庫量及びＮ日合計需要予測を用いて推奨発注量を算出する工程と、
出力部によって前記推奨発注量を出力する工程と、
を備え、
前記予測部は正規分布を用いずにＮ日合計需要予測を行う、情報処理方法。 Total demand for N days based on the total demand for N days calculated by adding the actual demand for N days (“N” is an integer of 2 or more) of the target product stored in the storage unit by the forecasting unit. The process of forecasting the total demand for N days, which is the forecast, and
The process of calculating the recommended order quantity by the forecasting department using at least the inventory quantity of the target product and the N-day total demand forecast.
The process of outputting the recommended order quantity by the output unit and
Equipped with a,
The forecasting unit is an information processing method that forecasts the total demand for N days without using a normal distribution .
プログラムをインストールされた情報処理装置は、
記憶部に記憶された対象商品のＮ日（「Ｎ」は２以上の整数）間の需要実績を加算することで算出したＮ日合計需要実績に基づいてＮ日間の合計需要予測であるＮ日合計需要予測を行い、少なくとも前記対象商品の在庫量及びＮ日合計需要予測を用いて前記対象商品に対する推奨発注量を算出する予測機能と、
前記推奨発注量を出力する出力部と、
を備え、
前記予測機能は正規分布を用いずにＮ日合計需要予測を行う、プログラム。
A program to be installed in an information processing device
The information processing device on which the program is installed
N days, which is the total demand forecast for N days, based on the total demand results for N days calculated by adding the demand results for the target product stored in the storage unit for N days (“N” is an integer of 2 or more). A forecasting function that makes a total demand forecast and calculates the recommended order quantity for the target product using at least the inventory amount of the target product and the N-day total demand forecast.
An output unit that outputs the recommended order quantity and
Equipped with a,
The forecasting function is a program that forecasts the total demand for N days without using a normal distribution .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019011486A JP6807415B2 (en) | 2019-01-25 | 2019-01-25 | Information processing equipment, information processing methods and programs |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019011486A JP6807415B2 (en) | 2019-01-25 | 2019-01-25 | Information processing equipment, information processing methods and programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020119388A JP2020119388A (en) | 2020-08-06 |
| JP6807415B2 true JP6807415B2 (en) | 2021-01-06 |
Family
ID=71890924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019011486A Active JP6807415B2 (en) | 2019-01-25 | 2019-01-25 | Information processing equipment, information processing methods and programs |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6807415B2 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102340809B1 (en) | 2021-04-26 | 2021-12-20 | 쿠팡 주식회사 | Operating method for electronic apparatus for offering information related to order and electronic apparatus supporting thereof |
| CN115496549B (en) * | 2022-08-22 | 2023-07-04 | 上海网商电子商务有限公司 | Order management system based on machine learning |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4296026B2 (en) * | 2003-04-30 | 2009-07-15 | 株式会社野村総合研究所 | Product demand forecasting system, product sales volume adjustment system |
| JP4490178B2 (en) * | 2004-06-08 | 2010-06-23 | 新日鉄ソリューションズ株式会社 | Information processing apparatus, information processing method, and program |
| JP2014174802A (en) * | 2013-03-11 | 2014-09-22 | Oki Electric Ind Co Ltd | Demand prediction device, demand prediction method, and program |
| JP2016115157A (en) * | 2014-12-15 | 2016-06-23 | 富士通株式会社 | Sale prediction program provision method, sale prediction program provision program, and sale prediction program provision device |
| WO2018042950A1 (en) * | 2016-09-05 | 2018-03-08 | 日本電気株式会社 | Order quantity determination system, order quantity determination method, and order quantity determination program |
-
2019
- 2019-01-25 JP JP2019011486A patent/JP6807415B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020119388A (en) | 2020-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW581955B (en) | Supply chain demand forecasting and planning | |
| US7552066B1 (en) | Method and system for retail store supply chain sales forecasting and replenishment shipment determination | |
| US11983671B2 (en) | Distribution-independent inventory approach under multiple service level targets | |
| JPWO2019053821A1 (en) | Order support system, order support program and order support method | |
| WO2004022463A1 (en) | Safe stock amount calculation method, safe stock amount calculation device, order making moment calculation method, order making moment calculation device, and order making amount calculation method | |
| US20210192435A1 (en) | Systems and methods for safety stock optimization for products stocked at retail facilities | |
| JP6973887B2 (en) | Project management support equipment, project management support methods and programs | |
| JP2018063598A (en) | Business supporting system and business supporting method | |
| US20230004906A1 (en) | System and methods for automated generation of dispatch schedule | |
| JP6844304B2 (en) | Demand forecast model evaluation device, demand forecast model evaluation method and demand forecast model evaluation program | |
| WO2022060884A1 (en) | Operating system for brick and mortar retail | |
| JP6807415B2 (en) | Information processing equipment, information processing methods and programs | |
| JP2009104408A (en) | Integrated demand forecasting apparatus, integrated demand forecasting method and integrated demand forecasting program | |
| KR102452440B1 (en) | Inventory management and order processing methods, devices and systems for distribution of electronic equipment | |
| JP5551806B2 (en) | Integrated demand prediction apparatus, integrated demand prediction method, and integrated demand prediction program | |
| US20170193435A1 (en) | Systems and methods for forecasting on-shelf product availability | |
| US8005728B2 (en) | Currency ordering by denomination | |
| US11238482B1 (en) | Method and system for managing clearance items | |
| US20220292535A1 (en) | Negotiation system, negotiation method, and negotiation program | |
| JP2020187416A (en) | Physical distribution management system | |
| CN114626660A (en) | Method and apparatus for surge regulation forecasting | |
| US11816614B2 (en) | Probabilistic fresh in-store production management | |
| CN110809778A (en) | Stock price prediction support system and method | |
| JP2006318046A (en) | Information management system and information management method | |
| JP2021174452A (en) | Order support device and order support method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190125 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200331 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200526 |
|
| 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: 20201110 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201207 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6807415 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |