JP7121118B2 - 重み付けされた混合機械学習モデルを使用した需要予測 - Google Patents

Description

分野
一実施形態は、一般にコンピュータシステムに向けられ、特に需要を予測するコンピュータシステムに向けられる。

背景情報
一般に、製品は、製造業者、販売業者、輸送業者、小売業者などのネットワークを介して消費者に届けられる。このような製品を消費者に届ける設備のネットワークは、一般に「サプライチェーン」ネットワークと称される。

製品の供給業者（たとえば、製造業者、ベンダー、小売業者など）は、絶えず変化する市場状況の存在下でサプライチェーンネットワークを介してスムーズかつ効率的な製品の流れを提供するために、製品の需要を予測するというタスクに直面することが多々ある。需要を過大評価すると、生産過剰および在庫の保持に関連するコスト（たとえば、保管コスト、旧式化など）の増加につながるおそれがある。一方、需要を過小評価すると、収益の減少につながるおそれがある。

さらに、小売業界では、小売業者は、将来の需要を予想して在庫または販売促進／値引き計画をよりよく管理する必要がある。小売業者は、売上を伸ばすために多くのタイプの販売促進に関与し得る。正確な予測を生成するために、小売業者は、販売促進、価格、季節性、天候などの、需要に影響を及ぼし得る全ての要因を考慮に入れなければならない。

製品の需要を予測するための１つの技術は、主に当該製品の履歴需要情報に基づいて（たとえば、過去の購入注文、過去の出荷、過去の販売時点管理データなどに基づいて）需要を予測するというものである。しかし、このような技術は、絶え間なく変化する市場状況にはうまく適合しないおそれがあり、予測が不正確になる可能性がある。さらに、考慮に入れるべき要因が増えるにつれて、時系列分析または回帰などの従来の予測方法はうまく機能しなくなっている。

概要
実施形態では、複数の過去の期間についての品物の履歴販売データを受信することによって、上記品物の需要を予測し、上記履歴販売データは、１つ以上の特徴セットを規定する複数の特徴を含む。実施形態では、上記特徴セットを１つ以上の異なるアルゴリズムへの入力として使用して、複数の異なるモデルを生成する。実施形態では、上記異なるモデルの各々を同一の訓練セットを用いて訓練して、複数の訓練されたモデルを生成する。実施形態では、上記訓練されたモデルの各々を使用して、上記過去の期間のうちの一部または全ての各々について複数の過去需要予測を生成し、将来の期間の各々について複数の将来需要予測を生成する。実施形態では、上記過去需要予測の各々について二乗平均平方根誤差（ＲＭＳＥ）を求め、上記ＲＭＳＥに基づいて、上記訓練されたモデルの各々について重みを求め、各重みを正規化する。次いで、実施形態では、各々の訓練されたモデルについての重み値を組み合わせることによって、各々の将来の期間についての上記品物の最終需要予測を生成する。

本発明の実施形態に係るコンピュータサーバ／システムのブロック図である。 一実施形態に係る、需要予測を求める際の図１の需要予測モジュールの機能のフロー図である。 本発明の実施形態に係る、単一のＳＫＵについての求められた需要予測の数値例を示す図である。 本発明の実施形態に係る、単一のＳＫＵについての求められた需要予測の数値例を示す図である。 一実施形態に係る、本明細書に開示されている需要予測を含む統合された製造、在庫およびロジスティクスシステムを示す図である。

詳細な説明
一実施形態では、履歴販売データ入力を使用して複数のアルゴリズム／方法および複数の特徴を訓練して複数の訓練されたモデルを得て、次いで訓練されたモデルの各々を誤差値に基づいて重み付けすることによって、製品の需要を予測する。重みおよび複数のモデルを使用して、訓練されたモデルの各々によって生成された重み付けされた予測を組み合わせることによって需要予測を生成する。

販売および需要予測方法は、大まかに、判断に頼る方法、外挿法および原因法に分類することができる。外挿法は、行動自体の時系列データのみを使用して予測を生成する。公知の特定のアルゴリズム／方法は、単純な移動平均および指数平滑法から複雑なボックス・ジェンキンス手法まで幅がある。これらの公知の方法は、傾向、季節性および自己相関の時系列パターンをうまく識別して外挿するが、価格変動および販売促進などの外的要因を考慮に入れない。

ベクトル自己回帰モデル（「ＶＡＲ」）法は、他の変数を含むようにボックス・ジェンキンス法を拡張したものであるが、複雑であるために推定が困難になる。原因予測は、結果の駆動因子であると考えられる現象を表す入力を使用して定量モデルを構築することを含む。これらの方法は、販売促進変数を有する線形回帰アルゴリズムと同程度に単純であり得る。もとになるのは、値引き、割り戻しまたは広告などの販売促進変数を有する回帰モデルである。これは、モデルが単純であることにより、管理者がモデルの変更を理解して承認または指導することに役立ち、管理者は、意思決定支援ツールについて詳しくなるにつれてより高度で複雑なモデルを実現できるようになる、という考え方である。

需要予測を改良するために、小売業者は、サポートベクターマシン（「ＳＶＭ」）、人工ニューラルネットワーク（「ＡＮＮ」）、ランダム予測などの最新の機械学習技術に移行し始めている。しかし、一般に、小売業者は、各製品／場所について１つのモデルしか選択しない。本明細書では、小売業者は、単一の小売店舗を含む場合もあれば、全てが単一または複数のロジスティクスオペレーションによって統合および管理される多数の小売店舗を含む場合もある。

さらに、多くの機械学習アルゴリズム（ＳＶＭ、ＡＮＮ、ランダム予測など）では、小売業者は、特徴セットを使用して製品／場所／カレンダ交点におけるデータポイントを規定する。これらのアルゴリズムでは、小売業者は、予測のための特徴セットと同一の特徴セットを用いてモデルを訓練する。さらに、この同一の特徴セットは、いくつかの異なるアルゴリズムによって予測に使用され得る。「特徴セット」は、品物の需要に影響を及ぼす特徴の集合である。特徴の例は、価格、季節性、ブランド、販売促進、サイズ、色、パックサイズ、供給業者、長さなどである。価格および季節性などの特徴は、全てのタイプの製品に関連し得るが、その他のものは品物に特有である。たとえば、パックサイズはヨーグルトの需要に影響を及ぼすが、長さは重要でない。逆に、ブランドはファッションアイテムでは非常に重要であるが、釘またはハンマなどの金物部品ではそれほど重要でない。

各製品／場所について１つのモデルしか選択しない公知の需要予測手法とは対照的に、実施形態では、複数の異なる訓練されたモデルをともに使用して、小売業者の需要を予想し、次いで、結果を組み合わせるために使用される新規のルール／アルゴリズムを使用して重みを生成する。

図１は、本発明の実施形態に係るコンピュータサーバ／システム１０のブロック図である。単一のシステムとして示されているが、システム１０の機能は、分散システムとして実現されてもよい。さらに、本明細書に開示されている機能は、ネットワークを介して結合され得る別々のサーバまたはデバイス上で実現されてもよい。さらに、システム１０の１つ以上の構成要素は含まれていなくてもよい。たとえば、システム１０は、サーバの機能のためにプロセッサおよびメモリを含む必要があるが、キーボードまたはディスプレイなどの図１に示されている他の構成要素のうちの１つ以上を含んでいなくてもよい。

システム１０は、情報を通信するためのバス１２または他の通信機構と、バス１２に結合されて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、任意のタイプの汎用または特定目的プロセッサであってもよい。システム１０は、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をさらに含む。メモリ１４は、ランダムアクセスメモリ（「ＲＡＭ」）、リードオンリメモリ（「ＲＯＭ」）、スタティックストレージ（磁気もしくは光ディスク）、またはその他のタイプのコンピュータ読取可能媒体の任意の組み合わせで構成され得る。システム１０は、ネットワークへのアクセスを提供するために、ネットワークインターフェイスカードなどの通信デバイス２０をさらに含む。したがって、ユーザは、直接、またはネットワークを介してリモートで、またはその他の方法で、システム１０と接続することができる。

コンピュータ読取可能媒体は、プロセッサ２２によってアクセス可能であって、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メディア、および通信媒体を含む任意の利用可能な媒体であってもよい。通信媒体は、搬送波または他の搬送機構などの変調されたデータ信号の形態のコンピュータ読取可能命令、データ構造、プログラムモジュールまたは他のデータを含んでもよく、任意の情報送達媒体を含む。

プロセッサ２２は、バス１２を介して、液晶ディスプレイ（「ＬＣＤ」）などのディスプレイ２４にさらに結合される。キーボード２６およびコンピュータマウスなどのカーソル制御装置２８がさらにバス１２に結合されて、ユーザがシステム１０と接続することを可能にする。

一実施形態では、メモリ１４は、プロセッサ２２によって実行されたときに機能を提供するソフトウェアモジュールを格納する。これらのモジュールは、システム１０に対して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。これらのモジュールは、需要予測を求める販売促進効果モジュール１６、および本明細書に開示されている全ての他の機能をさらに含む。システム１０は、より大きな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、小売管理システム（たとえば、オラクル社からの「オラクル小売需要予測システム」もしくは「オラクル・リテール・アドバンスト・サイエンス・エンジン（「ＯＲＡＳＥ」）」）または企業資源計画（「ＥＲＰ」）システムなどの追加機能を含むための１つ以上の追加機能モジュール１８を含み得る。データベース１７は、バス１２に結合されて、モジュール１６および１８に対して集中型ストレージを提供し、顧客データ、製品データ、取引データなどを格納する。一実施形態では、データベース１７は、構造化照会言語（「ＳＱＬ」）を使用して格納されたデータを管理することができるリレーショナルデータベース管理システム（「ＲＤＢＭＳ」）である。一実施形態では、専門の販売時点管理（「ＰＯＳ」）端末１００は、需要を予測するために使用される取引データおよび履歴販売データ（たとえば、各小売店舗における各品物／ＳＫＵの取引に関するデータ）を生成する。ＰＯＳ端末１００自体は、一実施形態に従って需要を予測するための追加処理機能を含み得る。

一実施形態では、特に多数の小売店舗、多数の品物および大量の履歴データがある場合には、データベース１７は、インメモリデータベース（「ＩＭＤＢ」）として実現される。ＩＭＤＢは、主にコンピュータデータ格納のためにメインメモリに頼るデータベース管理システムである。それは、ディスクストレージ機構を利用するデータベース管理システムと対照をなす。メインメモリデータベースは、ディスク最適化データベースよりも高速である。なぜなら、ディスクアクセスは、メモリアクセスよりもゆっくりであり、内部最適化アルゴリズムは、より単純であり、実行するＣＰＵ命令がより少ないからである。メモリ内のデータにアクセスすることにより、データに照会する際のシーク時間が解消され、ディスクよりも高速かつ予想可能な性能が提供される。

一実施形態では、データベース１７は、ＩＭＤＢとして実現された場合、分散データグリッドに基づいて実現される。分散データグリッドは、コンピュータサーバの集合が１つ以上のクラスタの状態で連携して、分散またはクラスタ環境内で情報および計算などの関連動作を管理するシステムである。分散データグリッドは、サーバ間で共有されるアプリケーションオブジェクトおよびデータを管理するのに使用することができる。分散データグリッドは、低い応答時間、高いスループット、予想可能なスケーラビリティ、連続的な利用可能性、および情報信頼性を提供する。特定の例では、たとえばオラクル社からの「オラクルコヒーレンス」データグリッドなどの分散データグリッドは、情報をメモリ内に格納してより高い性能を実現し、当該情報のコピーを複数のサーバ間で同期させ続けるのにリダンダンシを利用することにより、サーバが故障した場合にシステムの回復力およびデータの連続利用可能性を保証する。

一実施形態では、システム１０は、企業組織のためのアプリケーションまたは分散アプリケーションの集合を含むコンピューティング／データ処理システムであり、ロジスティクス、製造および在庫管理機能も実現してもよい。アプリケーションおよびコンピューティングシステム１０は、クラウドベースのネットワーキングシステム、ソフトウェア・アズ・ア・サービス（「ＳａａＳ」）アーキテクチャもしくは他のタイプのコンピューティングソリューションとともに動作するように構成されてもよく、または、クラウドベースのネットワーキングシステム、ＳａａＳアーキテクチャもしくは他のタイプのコンピューティングソリューションとして実現されてもよい。

実施形態では、販売予測または需要予測を推定するために、１つ以上の異なるアルゴリズムから生成された複数の訓練されたモデルを使用する。予測は、サプライチェーンの重要な駆動因子である。予測が不正確であれば、割り当ておよび補充がうまく行われず、その結果、小売業者にとっては金銭的損失になる。販売促進される品物または販売促進されない品物の予測精度の向上は、本明細書に開示されている実施形態によって実現することができる。さらに、販売促進が需要に与える影響のよりよい理解も実現することができる。これは、小売業者がたとえばチャネル、価格設定および顧客層に関してより効果的に販売促進を計画することに役立つ。

ある場所（たとえば、小売場所）で販売される品物（たとえば、ＳＫＵによって表される小売品物）について、当該品物は、さまざまなとき（すなわち、１日、１週間、１ヶ月、１年などの予め規定された小売期間）にさまざまな方法で販売促進され得るという観点から実施形態が開示されている。小売カレンダは、一般的な暦年にわたって特定の態様（たとえば、１３週からなる四半期が４つ）で編成される多くの小売期間（たとえば、週）を有する。小売期間は、過去に存在する場合もあれば、将来に存在する場合もある。履歴販売／業績データは、たとえば、複数の過去の小売期間の各々において販売された品物の個数および関連する販売促進データ（すなわち、各小売期間について、どの販売促進が当該期間に実施されていたか）を含み得る。

以下に開示されているように、実施形態では、１つ以上の異なるアルゴリズムから生成された１つ以上の訓練されたモデルを使用し、訓練されたモデルについて重みを生成する。いくつかの実施形態において使用される訓練されたモデルは、決定もしくは回帰木、サポートベクターマシン（「ＳＶＭ」）、またはニューラルネットワークなどの訓練された線形回帰モデルまたは機械学習技術を含み得る。

異なる入力を用いて訓練された線形回帰アルゴリズムから生成される訓練された線形回帰モデルに関連して、出力変数と複数の入力変数との間の線形関係の検索は、回帰設定における入力変数の段階的選択を生じさせていた。いくつかの実施形態では、目標は、入力変数と定数との組み合わせの線形関数として出力変数を表現する関数を構築することである。段階的回帰における２つの一般的な手法は、変数増加法および変数減少法である。

変数増加法では、変数は、予め定められた基準に従ったモデルへの寄与に基づいて、一度に一つ導入される。変数減少法では、全ての入力変数が最初にモデルに組み込まれ、次いで、入力変数は、やはり予め定められた基準に基づいてモデルに寄与しないと判断されると回帰式から除去される。

機械学習では、ＳＶＭは、分類および回帰分析に使用されるデータを分析する関連の学習アルゴリズムを有する教師付き学習モデルである。各々が２つのカテゴリのうちの一方または他方に属しているとされる訓練セットの例が与えられると、ＳＶＭ訓練アルゴリズムは、新たな例を一方または他方のカテゴリに割り当てるモデルを構築して、それを非確率論的バイナリ線形分類器にする。ＳＶＭモデルは、これらの例を空間内のポイントとして表したものであり、これらの例は、できるだけ広いはっきりしたギャップによって別々のカテゴリの例が隔てられるようにマッピングされている。そして、新たな例は、その同一の空間にマッピングされて、ギャップのどちら側にあるかに基づいてカテゴリに属していることが予想される。

分類に加えて、ＳＶＭは、販売または需要予測にうまく適用されてきており、販売ならびに価格、販売促進、外的要因（天候および人口統計情報など）などの一般的なメトリクスを処理することができる。

ＳＶＭおよびサポートベクター回帰（「ＳＶＲ」）のその回帰バージョンは、カーネル関数を用いて、インスタンスをより高次元の特徴空間に暗黙的にマッピングする。その最も基本的な形式において、ＳＶＲは、理想的には、マッピングされた出力ポイントまである距離の範囲内にあるこの空間内の線形関数を識別しようとする。この「ソフトマージン定式化」は、予め定められた距離を超える逸脱を許容してペナルティを科し、線形関係を識別するベクトルのノルムとともに違反の合計を最小化する。

回帰木技術は、データを決定木フォーマットのより小さなサブセットに分割して、結果の予想に使用される線形回帰モデルを葉ごとに適合させる。主に分岐対象の入力変数の選択基準、使用される分割基準、および木の葉ごとに構築されるモデルの点で、代替のモデル木手法は互いに異なっている。特定のケースの予想は、木の中の条件およびそれらの条件を満たすケースに適用できる回帰関数まで遡ることができるという意味において、木は透過的であるが、多くの層を有する木は、一般化可能に解釈するのは容易ではない。

人工ニューラルネットワーク（「ＡＮＮ」）は、脳などの生物神経系が情報を処理する方法からヒントを得た情報処理パラダイムである。このモデルの重要な要素は、情報処理システムの新規の構造である。それは、一斉に機能して特定の問題を解く多数の高度に相互接続された処理要素（すなわち、ニューロン）で構成される。ＡＮＮは、例によって学習する。ＡＮＮは、学習プロセスを通じて、パターン認識またはデータ分類などの特定のアプリケーション向けに構成される。生物系における学習は、ニューロン間に存在するシナプス結合に対する調整を含む。これは、ＡＮＮにも当てはまる。ニューラルネットワークは、データ内のパターンまたは傾向を識別することが最も得意であるので、ニーズの予想または予測に適している。

図２は、一実施形態に係る、需要予測を求める際の図１の需要予測モジュール１６の機能のフロー図である。一実施形態では、図２のフロー図の機能は、メモリまたは他のコンピュータ読取可能なもしくは有形の媒体に格納され、プロセッサによって実行されるソフトウェアによって実現される。他の実施形態では、この機能は、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」）などを用いて）によって、またはハードウェアとソフトウェアとの任意の組み合わせによって実行されてもよい。

２０２において、特定のクラス／カテゴリの製品について全ての店舗の全ての品物の履歴品物販売データを受信する。たとえば、このクラス／カテゴリは、「ヨーグルト」、「コーヒー」または「牛乳」であってもよい。各クラスは、販売される各々の個々の品物であろうＳＫＵまたはユニバーサル製品コード（「ＵＰＣ」）レベルに至るまで１つ以上のサブクラスを有する。たとえば、ヨーグルトのクラスでは、サブクラスはヨーグルトの各ブランドであってもよく、さらなるサブクラスは、販売される各々の個々の異なるタイプのヨーグルト製品に対応するであろうＳＫＵまでの、味、サイズ、タイプ（たとえば、ギリシャまたは通常）であってもよい。各ＳＫＵまたはＵＰＣは、個別のデータポイントまたは個別の品物と考えられるであろう。

履歴販売および業績データは、たとえば複数の過去の小売期間にわたる品物の過去の販売および販売促進を表すデータを含んでもよい。履歴業績データは、過去数週間の小売期間に区分化されてもよく、過去の各週は、当該週に販売された品物の数を示すためにそれに割り当てられた数値を有する。履歴業績データは、一実施形態に従って、小売期間にわたる他の販売促進要素の価格割引および金額を表す数値も含んでもよい。品物の履歴業績データは、一実施形態に従って、ネットワーク通信を介して中央の場所でアクセスされてもよく、これは、各小売店舗における各ＰＯＳ端末１００からアクセスされること、および／または、データベース１７からアクセスされることを含む。

図３および図４に示される実施形態の一例では、履歴販売データは、単一のＳＫＵのためのものであり、所与の製品／場所（すなわち、複数場所小売業者にとっての多くの小売場所の中の単一の小売場所）についての過去１００週間（すなわち、週１～９９であり、週「９９」は、履歴データの最後の直近の過去の週であり、週「１００」は、将来の最初の週である）のデータを含む。この実施形態の例における目標は、次の／将来の２０週間（すなわち、週１００～１２０）の当該場所における製品の需要を予測することである。図３は、過去の週９０～９９のみを（３０１に）示している（すなわち、週１～８９は図示していない）。

２０２からの履歴販売データは、複数の特徴を含み、これら複数の特徴から複数の特徴セットを形成／規定して、１つ以上の異なるアルゴリズム／方法への入力として使用して、複数の異なるモデルを生成することができる。たとえば、１つの特徴セットは、価格、ブランドおよび色を含んでもよく、第２の特徴セットは、価格、季節性および供給業者を含んでもよい。

２０４において、２０２からの販売履歴によって規定された特徴セットを入力として使用して、１つ以上の異なるアルゴリズム／方法を生成する。図３および図４に示される実施形態の例では、３つのタイプのアルゴリズム、すなわち線形回帰（行３１０）、ＳＶＭ（行３１１）およびＡＮＮ（行３１２）が使用される。異なるタイプのアルゴリズムの代わりに、異なる特徴セットを入力として使用する単一のタイプのアルゴリズムを使用することができるため、実施形態の目的のために最終的に異なるモデルを生成するであろう。たとえば、ＳＶＭでは、２つの異なるモデルを使用することができ、１つのアルゴリズムは１０個の特徴を有し、１つのモデルは２０個の特徴を有する。または、ＡＮＮでは、１つのモデルは１つの隠れ層および１０個のノードを含んでもよく、１つのモデルは２つの隠れ層および５～７個のノードを含んでもよい。実施形態では、複数の機械学習モデルのセット（「Ｍ」）の各モデルについて需要予測を訓練／予想するのに使用され得るデータポイントを表すように特徴セットを規定し、当該セットは、「ｍ」個のモデルを含む。

２０６において、実施形態では、モデルセットＭにおける各モデル「ｉ」を同一の訓練データセットを用いて訓練する。各モデルについて、実施形態では、最終的な訓練されたモデルＴ（ｉ）を生成する。訓練データセットは、価格データ、販売データ、および選択された特徴の値などの、需要に影響を及ぼす履歴情報を含み得る。たとえば、品物がＴシャツである場合、特徴およびそれらの値は、ブランド：ボロ、色：ピンク、サイズ：Ｍ、スタイル：Ｖネック、価格：１５＄、販売：１３個であってもよい。

２０８において、実施形態では、２０６からの訓練されたモデルを使用して、想定された予測開始日（この例では、週１００）よりも「ｎ」（図３および図４の例では、１０）週間前の需要予測を生成する。モデルセットを使用して週（ｋ，ｋ＋１，...，ｋ＋Ｌ－１）における需要時系列を予想する代わりに、カレンダインデックスｋ（たとえば、１００）から開始するＬ週間（たとえば、１００）の予測を予想するために、実施形態では、カレンダインデックスｋ－ｎ（たとえば、１００－１０＝９０）から開始する余分のｎ週を予想する。したがって、予想される予測時系列は、（ｋ－ｎ，ｋ－ｎ－１，...，ｋ，ｋ＋１，...，ｋ＋Ｌ－１）であるだろう。図３に示されるように、各々の訓練されたモデル（すなわち、線形回帰（行３１０）、ＳＶＭ（行３１１）およびＡＮＮ（行３１２））を使用して、履歴販売データが存在する（すなわち、将来の需要予測ではない）ｎ週間である週９０～９９の需要予測を生成する。

２１０において、３０１および３０２の列に示されるように、２０６からの訓練されたモデルの各々を使用して、将来の数週間（すなわち、週１００～１２０）の需要予測を求める。一般に、モデルセットＭにおける各モデルについて、訓練されたモデルＴ（ｉ）を適用して、所与の製品／場所について週ｋ－ｎからｋ＋Ｌ－１までの予測Ｆ（ｉ）を予想する。

２１２において、ｋ－ｎからｋ－１までの期間（すなわち、予測期間の前の数週間、または図３および図４の例では週９０～９９）の予測Ｆ（ｉ）の各々について二乗平均平方根誤差（「ＲＭＳＥ」）Ｒ（ｉ）を求める。一例では、ＲＭＳＥは、現在の期間（すなわち、販売がある最後の期間）よりも「ｎ」週間前に予測を開始することによって求められる。したがって、これらのｎ週間は、販売データも予測も生成することができる。販売データおよび予測とともに、公知のＲＭＳＥ計算を使用してＲＭＳＥを計算することができる。図３および図４の例では、以下のように、３つの訓練されたモデルまたは方法を使用して、週９０から週９９までの予測のためにＲＭＳＥを求める。

２１４において、以下のように、２１２において求められたＲＭＳＥに基づいて、各々の方法／訓練されたモデル「ｉ」について重みを求める／割り当てる。

次いで、各重みを以下のように正規化する。

全ての重みを加算し、それらの合計が１．０に等しくなるように個々の重みを正規化する。たとえば、対応するＲＭＳＥがそれぞれ０．１４３および０．１６７である２つの訓練されたモデルがあってもよい。これらの重みは、ＲＭＳＥの逆数であるため、それぞれ７および６である。正規化後の重みは、６／（６＋７）＝０．４６２および７／（６＋７）＝０．５３８である。図３および図４の例では、求められる重みは以下の通りである。

２１６において、過去に求められた予測の各々の訓練されたモデルについての各重み値を組み合わせることによって、最終予測を求める。実施形態では、週「ｘ」における最終予測をＦ′（ｘ）＝ｓｕｍ（ｗ′（ｉ）*ｆ（ｉ，ｘ））として組み合わせ、ここで、ｘはｋからｋ＋Ｌ－１までの週インデックスを示し、ｉは訓練されたモデルを示す。最終需要予測は、図４において行４０１に示されている。

２１８において、最終需要予測を製造生産、出荷ロジスティクスおよび在庫管理に使用する。一実施形態では、最終需要予測は、在庫管理システム、製造システム、出荷およびロジスティクスシステム、ならびに販売支援システムなどの他の特定目的コンピュータに送られる。一実施形態では、最終需要予測は、個々のデータビットの形式であり、これらは、需要予測から変換され、他の専門のコンピュータシステムに格納および送信され、それらのシステムによって格納および利用される。その結果、追加の品物が製造、保管、出荷などされ得て、品物は最適に価格設定することができる。

開示されているように、実施形態の１つの目標は、品物の関連する特徴を選択して最終的に予測精度を最大化することである。一般に、優れた予測は、クレジットを受け取らない。品物は、常に入手可能であり、割引価格ではなく正規の価格で販売される。在庫レベルは高すぎるべきではなく、そのため、小売業者は、在庫に拘束されて自由に使えないお金を持たない。小売業者および供給業者は、労働力および生産能力を確実に計画することができるはずである。

しかし、予測が誤っている（すなわち、正確でない）場合、話は激変する。その影響は、多くのビジネス領域に対して悪影響を及ぼし得る。たとえば、予測が低すぎると、必要数よりも少ない数の製品が小売業者に到着して売り切られる。在庫切れ状態は、収益の減少および顧客満足の低下という形で小売業者に影響を及ぼす。低い予測は、供給業者にも影響を及ぼし、供給業者は、生産を縮小して現在の労働力の必要性を再検討しなければならなくなる。

予測が高すぎた場合にも悪影響がある。小売業者は、販売できる以上の数を注文することになる。製品が腐りやすいものである場合、痛んでしまう可能性があり、無駄が増加する。製品が腐りやすいものでなくても、小売業者は、余分な品物を割引価格で販売することになり、収益に悪影響を及ぼす。さもなければ、小売業者は、商品を供給業者に返却する場合もある。これは、供給業者に影響を及ぼす。なぜなら、供給業者は、需要のない余分な製品を持つことになるからである。さらに、製造業者は、誤ったものを生産する時間およびお金を無駄にする可能性があり、供給業者の収益に悪影響を及ぼす。

図５は、一実施形態に係る、本明細書に開示されている需要予測を含む統合された製造、在庫およびロジスティクスシステム５００を示す図である。図５に示されるように、システム５００は、将来の製品需要を予測し、場合によっては１つ以上の小売店舗５０１～５０４における数十万個の製品、適用例によっては数千万個以上の製品についての将来の需要を予測および／または検討する製品予測システム５７０を含み得る。予測システム５７０は、クラウドネットワーク５５０または他のタイプの通信ネットワークを介して、１つ以上の在庫システム５２０および１つ以上の製造システム５８０と通信する。

予測システム５７０は、上記の図２に関連付けて開示されている機能を実行することによって需要予測を生成する。在庫システム５２０は、在庫を保管し、トラック５１０～５１３または何らかの他の輸送機構を使用して品物を店舗５０１～５０４に配達するための輸送ロジスティクスを提供する。一実施形態では、在庫システム５２０は、予測システム５１０からの入力を使用して在庫のレベルならびに店舗５０１～５０４への品物の配達の量およびタイミングを判断する企業資源計画（「ＥＲＰ」）専門コンピュータシステムまたは専門の在庫管理システムを実現する。

製造システム５８０は、在庫システム５２０に送られるべき品物を製造し、トラック５８１または何らかの他の輸送機構を使用してこれらの品物を在庫システム５２０に配達するための輸送ロジスティクスを提供する。一実施形態では、製造システム５８０は、予測システム５７０からの入力を使用して、品物の製造量、製造に使用される資源の在庫、ならびに在庫システム５２０への品物の配達の量およびタイミングを判断するＥＲＰ専門コンピュータシステムまたは専門の製造システムを実現する。

予測システム５７０は、製品の需要を予測する際に、在庫システム５２０、販売追跡システム（図示せず）および／またはデータベースからの情報を利用することができる。需要を予測する際、予測システム５７０は、イベント、天候、社会的需要、経済的要因および他の要因に起因する１つ以上の製品の特徴的でない需要を予想しようとする。１つ以上の製品の需要に影響を及ぼし得る数十～数百～数千個の異なる変数が追跡されてもよい。これらの変数の変化は、特徴的でない需要を生じさせ得る。たとえば、予測された天候の変化が追跡されてもよく、その予測された天候に関連付けられた１つ以上の変数は、そのような天候の変化が需要に影響を及ぼし得るか否かの判断に使用され得て、需要の変化をさらに予測し得る。

一般に、図５の要素は、販売、製造または在庫の消費を実行する。消費者への直販のための小売場所／店舗５０１～５０４は、ランダム性および販売に影響を及ぼす外的要因のために、最も変化しやすい在庫パターンを示す。しかし、在庫を消費する製造施設および現場（製品インテグレータ、インターネット荷送人などであって、製品がローカル施設で使用される）も、本明細書に開示されている需要予測から恩恵を受ける。開示されているように、各小売場所５０１～５０４は、販売データおよび履歴予測データを予測システム５７０に送る。販売データは、過去の販売サイクル（すなわち、数週間）（一般に、４～７週間の在庫サイクル）における各販売期間（一般に、数日間）についての各品物またはＳＫＵ／ＵＰＣの在庫枯渇統計を含む。

予測システム５７０は、販売データをリポジトリ５７２に格納し、販売データを利用して在庫を補充するための注文を生成する。これらの注文は、店舗５０１～５０４における在庫レベルを維持するための品物セットおよび各品物の量を含む。

多くの小売注文スキームは、販売期間および販売サイクルの曜日に依拠する。１つの構成では、各曜日に特有の在庫統計を有する在庫管理環境において、在庫システム５２０は、各曜日について在庫レベル統計を過去の販売から収集することによって目標在庫レベルを判断する。実施形態では、異なる曜日間の在庫の変動を安全在庫が吸収するように、在庫レベル統計に基づいて各曜日の在庫レベルを計算する。実施形態では、複数の品物の各々について、在庫レベルが各曜日の安全在庫を含む目標在庫レベルを示すようにする。実施形態では、注文した量が到着して所定の曜日の在庫レベルを満たすように、リードタイムに基づいて注文量を計算する。実際の在庫レベルを識別することは、履歴データから過去数週間の中のある曜日の在庫レベルを識別することによって、全ての曜日の平均ではなく、同じ曜日に経時的に注目することを含む。

特定の構成では、開示されている実施形態は、専門のおよび／または特に大量小売販売の環境に関連付けて利用されてもよい。大規模なロジスティクスおよび物流オペレーションでは、トラックにできる限りいっぱいに積み込むことが有益であり、品物を次回の配達に繰り延べる必要がある場合には、販売活動を中断させる可能性が最も低い品物を選択することが有益である。したがって、実施形態は、他の品物よりも速く販売されて補充される傾向がある高速または高回転率の品物を識別するようにＰＯＳシステム１００と連携して動作可能である。品物のＵＰＣバーコード記号または無線ＩＤタグ（「ＲＦＩＤ」）は、単独でまたはデータベースルックアップと組み合わせて、品物を本明細書に規定されている安全在庫処理に適切な高速品物として指定するフィールド、名称または値を含む。

高速品物は、在庫データベースに示されている複数の品物の各々について、製品識別子のためのフィールドと品物の安全在庫を示すフィールドとを識別し、製品識別子の各々について、販売量に起因する製品補充需要の増加を示す製品速度に基づいて製品区分フィールドを判断することによって収容されてもよい。開示されている実施形態では、速度フィールドに基づいて、安全在庫を計算するか否か、すなわち安全在庫に従って補給するためのオーバーヘッドおよび負担が製品スループットを考慮して価値のあるものであるか否かを判断する。

他の実施形態では、サプライロジスティクスは、１日当たり１台のトラックよりも高い配達頻度を呼び出してもよく、これにより、より高い粒度を有する補給ウィンドウをトリガする。このような場合、安全在庫は、月曜日の午前および月曜日の午後など、個々の日よりも具体的であってもよく、または午前７時、午前１１時および午後４時など、特定の曜日において複数の配達または時間ウィンドウを指定してもよい。

生成された需要予測を含む実施形態は、サプライロジスティクスを実現して、輸送される品物の需要および利益率に従って配達業者（すなわち、トラック）および積荷目録（すなわち、含まれる品物）を指定するのに利用されてもよい。高速品物は、特定の配達の際に優先スペースを有すると考えられ得るが、含まれる品物の利益率または利幅に基づいてさらに選択され得て、収益生成の可能性が最も大きい品物が選択されて含められる。

本明細書に開示されている需要予測を使用し、複数の輸送車両を有するこのような製品在庫出荷環境では、各車両（たとえば、トラック）は、販売場所に配達して在庫補充するための品物の一定のペイロードを受信するように構成される。実施形態では、第１の品物と第２の品物とを含む複数の品物の各品物について、安全在庫を計算し、第１の品物および第２の品物の計算された安全在庫に基づいて、配達車両に積み込まれる第１の品物および第２の品物の各々の量を求めることによって、配達車両の積み込みの際に指示を提供することができる。実施形態では、第１の品物および第２の品物の求められた量に対して利用できる配達車両内のスペースが不十分である場合、つまり特定の品物を除外して次回の配達に繰り延べる必要がある場合には、安全在庫に基づいてトラック積み込み量を再計算する。

開示されているように、実施形態では、将来の販売期間についての１つ以上の品物の需要予測を求める。この需要予測は、過去の販売データに基づいて訓練および重み付けされた複数の重み付けされた異なる訓練されたモデルを使用する。次いで、生成された需要予測は、他の専門のシステムに送られて、予測された品物のための製造、在庫管理、ロジスティクスおよび他の機能を制御する。

本明細書ではいくつかの実施形態について具体的に説明および／または記載している。しかし、開示されている実施形態の変形および変更は、本発明の精神および所期の範囲から逸脱することなく、上記の教示によって添付の特許請求の範囲の範囲内に包含される、ということが理解されるであろう。

Claims (9)

1. 品物の需要を予測する方法であって、
   複数の過去の期間についての前記品物の履歴販売データを受信することを備え、前記履歴販売データは、前記品物の需要に影響を及ぼす複数の特徴を備え、前記方法はさらに、
   異なる複数の特徴セットを規定することを備え、前記複数の特徴セットの各々について、当該特徴セットに含まれる複数の特徴は、他の特徴セットに含まれる複数の特徴とは異なり、前記方法はさらに、
   前記複数の特徴セットを１つ以上の異なるアルゴリズムへの入力として使用して、複数の異なるモデルを生成することと、
   前記複数の異なるモデルの各々を同一の訓練セットを用いて訓練して、複数の訓練されたモデルを生成することと、
   前記複数の訓練されたモデルの各々を使用して、前記過去の期間のうちの一部または全ての各々について複数の過去需要予測を生成し、将来の期間の各々について複数の将来需要予測を生成することと、
   前記過去需要予測の各々について二乗平均平方根誤差（ＲＭＳＥ）を求めることと、
   前記ＲＭＳＥに基づいて、前記複数の訓練されたモデルの各々について重みを求め、各重みを正規化することと、
   前記複数の訓練されたモデルの各々についての重み値を組み合わせることによって、各々の将来の期間についての前記品物の最終需要予測を生成することとを備える、方法。
2. 前記特徴は、価格、季節性、ブランド、販売促進、サイズ、または色である、請求項１に記載の方法。
3. 前記複数の異なるモデルは同じアルゴリズムを有し、
   前記複数の異なるモデルのうちの第１モデルの前記アルゴリズムに入力される前記特徴セットに含まれる特徴の数は、前記複数の異なるモデルのうちの第２モデルの前記アルゴリズムに入力される前記特徴セットに含まれる特徴の数とは異なる、請求項１または２に記載の方法。
4. 前記重み（Ｗ（ｉ））は、（Ｗ（ｉ）＝１／Ｒ（ｉ）のように前記ＲＭＳＥ（Ｒ（ｉ））から求められる、請求項１～３のいずれか１項に記載の方法。
5. 各重みは、
   

   

   
   のように正規化される、請求項４に記載の方法。
6. 週（ｘ）における前記最終需要予測（Ｆ′（ｘ））は、Ｆ′（ｘ）＝ｓｕｍ（ｗ′（ｉ）*ｆ（ｉ，ｘ））を備える、請求項５に記載の方法。
7. 前記最終需要予測は、専門の在庫管理システムおよび専門の製造システムに送信される、請求項１～６のいずれか１項に記載の方法。
8. 請求項１～７のいずれか１項に記載の方法をプロセッサに実行させるためのコンピュータ読取可能プログラム。
9. 需要予測システムであって、
   記憶装置に結合されて、需要予測モジュールを実現するプロセッサを備え、前記需要予測モジュールは、
   複数の過去の期間についての品物の履歴販売データを受信し、前記履歴販売データは、前記品物の需要に影響を及ぼす複数の特徴を備え、前記需要予測モジュールはさらに、
   異なる複数の特徴セットを規定し、前記複数の特徴セットの各々について、当該特徴セットに含まれる複数の特徴は、他の特徴セットに含まれる複数の特徴とは異なり、前記需要予測モジュールはさらに、
   前記複数の特徴セットを１つ以上の異なるアルゴリズムへの入力として使用して、複数の異なるモデルを生成し、
   前記複数の異なるモデルの各々を同一の訓練セットを用いて訓練して、複数の訓練されたモデルを生成し、
   前記複数の訓練されたモデルの各々を使用して、前記過去の期間のうちの一部または全ての各々について複数の過去需要予測を生成し、将来の期間の各々について複数の将来需要予測を生成し、
   前記過去需要予測の各々について二乗平均平方根誤差（ＲＭＳＥ）を求め、
   前記ＲＭＳＥに基づいて、前記複数の訓練されたモデルの各々について重みを求め、各重みを正規化し、
   前記複数の訓練されたモデルの各々についての重み値を組み合わせることによって、各々の将来の期間についての前記品物の最終需要予測を生成する、システム。

Images