JP7375990B2 - 情報処理装置、情報処理方法、及び、プログラム - Google Patents
情報処理装置、情報処理方法、及び、プログラム Download PDFInfo
- Publication number
- JP7375990B2 JP7375990B2 JP2023542671A JP2023542671A JP7375990B2 JP 7375990 B2 JP7375990 B2 JP 7375990B2 JP 2023542671 A JP2023542671 A JP 2023542671A JP 2023542671 A JP2023542671 A JP 2023542671A JP 7375990 B2 JP7375990 B2 JP 7375990B2
- Authority
- JP
- Japan
- Prior art keywords
- variable
- explanatory variable
- candidate
- error
- prediction target
- 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 63
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000011156 evaluation Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000001364 causal effect Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1は、実施の形態1に係る情報処理装置1のハードウェア構成の一例を示す図である。
情報処理装置1は、インターネット又はLAN(Local Area Network)などのネットワーク3を介して各店舗に設置された販売店端末2に接続される。
情報処理装置1のプロセッサ11は、メモリ12に格納されたプログラムなどを実行することにより、予測処理部20と予測モデル更新部30という各機能を実現する。なお、図2において情報処理装置1は、記憶部16を外付けの構成としている。ただし、情報処理装置1は、記憶部16の一部又は全部を備える構成としてもよい。
情報処理装置1は、予測処理部20により予測処理を実行する。予測処理部20は、因果関係を有する原因となっている説明変数と、その原因を受けて発生した結果となっている結果変数の関係を学習して構築された予測モデルMを用いて、入力された説明変数に対応した結果変数の予測値を出力する。
入力部21は、販売店端末2又は操作部15から入力された説明変数を予測部22に出力する。
ここで、本開示において入力部21に入力された説明変数は、例えば、「或る商品の価格を値引きするクーポンの配布」であるものとする。
予測モデル更新部30は、予測モデルMの更新に用いる新たな説明変数を選択する作業に対する作業者の煩わしさを低減すること、及び、予測モデルMの予測精度の向上を目的として、予測モデルMを更新する新たな説明変数の候補(以降、候補説明変数と称する。)、及び、候補説明変数を選択する際の指標となる影響値を算出する。さらに、予測モデル更新部30は、候補説明変数、及び、候補説明変数の影響値に基づいて選択された候補説明変数を用いて予測モデルを更新する。ここで、候補説明変数を選択するための影響値は、少なくとも、予測モデルの予測精度の向上に寄与する程度を示す値であればよい。
類似予測対象取得部34は、結果変数の実績値と結果変数の予測値の誤差に影響を及ぼすと判定された候補説明変数以外に、結果変数の実績値の変動に影響を及ぼすような候補説明変数がない対象を類似予測対象として特定する。
また、類似予測対象取得部34は、結果変数の実績値の変動に影響を及ぼすような候補説明変数があるが、結果変数の実績値の変動の向きが予測対象と類似する対象を類似予測対象として特定する。
類似予測対象取得部34は、誤差発生期間前後に誤差が生じる予測対象と、誤差が生じない対象で結果変数の実績値の変動のタイミングが類似する場合、誤差が生じない対象を類似予測対象として特定する。
類似予測対象取得部34は、予測対象の属性と同一又は類似した属性の対象を類似予測対象として特定する。例えば、類似予測対象取得部34は、予測対象が店舗である場合、販売店データに含まれた利用客の属性データ、店舗の属性データなどが類似した店舗(対象)を類似予測対象として特定する。
店舗a、店舗b、及び、店舗cには、情報処理装置1に接続された販売店端末2が設けられているものとする。そして、情報処理装置1の記憶部16には、店舗a、店舗b、及び、店舗cに関するデータセットが記憶されているものとする。ここで、予測対象を店舗aとし、店舗b、店舗cの何れか一方を類似予測対象として特定する方法を説明する。
評価部35は、予測モデルMを更新する候補説明変数、及び、候補説明変数を選択するための指標となる影響値を示す選択画面G1を表示部14に表示出力する。選択画面G1には、番号、入力構成、影響値、及び、選択ボタンが対応付けられたリストR1が表示されている。ここで、入力構成は、予測モデルMに学習させる候補の説明変数(候補説明変数)の他、予測モデルMに学習済の説明変数(学習済説明変数)を含む。また、影響値として、MAEを示している。MAEは、その数値が小さいほど誤差が小さいこと、即ち、予測の精度が高いことを示す。図4において、網掛けが施された入力構成は、予測モデルMに学習済の説明変数を示す。番号は、入力構成、影響値、及び、選択ボタンを識別するための情報を示す。リストR1の番号1には、候補説明変数として「割引率」、学習済説明変数として「前日の需要量」「前日の来客数」「予報気温」、候補説明変数のMAE(影響値)として「12.35」が示されている。リストR1の番号4には、候補説明変数として「SNS広告の共有数」、学習済説明変数として「前日の需要量」「前日の来客数」、「予報気温」、候補説明変数のMAEとして「9.28」が示されている。この場合、候補説明変数のMAEの値が小さい番号4を選択し、候補説明変数「SNS広告の共有数」を用いて予測モデルを更新Mすることで、番号4以外の番号を選択した場合よりも、予測モデルMの予測精度を向上させることができる。
ステップS100において、取得部31は、予測モデルMに入力された説明変数、及び、予測モデルMから出力された予測値を取得する。
予測モデルを更新する態様は、第1の実施形態に限られない。ここで、店舗c(予測対象)と、店舗cに類似する店舗d(類似予測対象)が情報処理装置1に接続されているものとする。そして、誤差算出部32は、店舗dの誤差が閾値以上であると判定した場合、かつ、店舗cの誤差が閾値未満であると判定した場合に、店舗dで演算した影響値を用いて店舗cの予測モデルMを更新してもよい。
ステップS100、S101、S103~S108の処理は、図5に示した各ステップの処理と同じであるため説明を省略する。
第1の実施形態においては、候補説明変数が与える誤差期間内の影響値のみを指標として予測モデルを更新したが、評価部35は、誤差算出部32で算出した誤差が閾値以上であると判定したタイミング、及び、誤差算出部32で算出した誤差が閾値未満であると判定したタイミングの夫々で、候補説明変数の影響値を算出してもよい。また、評価部35は、夫々のタイミングで算出した候補説明変数の影響値を候補説明変数の選択画面に表示出力してもよい。なお、ここでは、評価部35は、影響値の一例であるMAEを算出するものとする。以降の説明においては、誤差期間内に算出した候補説明変数の影響値を誤差期間内MAE、誤差期間外に算出した候補説明変数の影響値を誤差期間外MAEと称する。
評価部35は、予測モデルMに学習させる候補の説明変数(候補説明変数)を原因とする誤差が生じていない期間、及び、誤差が生じている期間の夫々において算出された候補説明変数に対応する結果変数の実績値の差の大きさに基づいて影響値(誤差期間内MAE、誤差期間外MAE)を算出する。また、評価部35は、候補説明変数、予測モデルMに学習済の説明変数(学習済説明変数)、候補説明変数を選択するための指標となる影響値(誤差期間内MAE、誤差期間外MAE)、グラフ、及び、選択ボタンを含む選択画面G2を表示部14に表示出力する。ここで、グラフは、少なくとも、予測対象における結果変数の実績値、及び、予測値の推移を含むものとする。
第1の実施形態において、類似予測対象取得部34は、説明変数、候補説明変数、結果変数の実績値、及び、属性の少なくとも1つ以上が、予測対象に類似する対象を類似予測対象として取得した。そして、評価部35は、予測対象における候補説明変数に対応する結果変数の実測値と、予測対象における候補説明変数の影響を受けていない結果変数の実績値との差が大きいほど、候補説明変数の影響値を高く算出した。しかしながら、このようにして取得及び評価された類似予測対象は、候補説明変数取得部33で取得された候補説明変数による影響を含んでいる恐れがある。
Claims (9)
- 予測対象において、因果関係の原因となっている説明変数、及び、当該因果関係の結果となっている結果変数の関係を学習して構築された予測モデルを用いて、入力された説明変数に対応する結果変数の予測値を出力する情報処理装置であって、
前記予測モデルに入力された前記説明変数、及び、前記予測モデルから出力された前記予測値を取得する取得部と、
前記取得部で取得された前記説明変数に対応した結果変数の実績値と、前記取得部で取得された前記予測値の誤差を算出する誤差算出部と、
前記誤差算出部で算出された前記誤差が閾値以上である場合に、当該誤差の原因となっている説明変数の候補である候補説明変数を取得する候補説明変数取得部と、
前記予測対象に類似する対象であって、前記候補説明変数取得部で取得された前記候補説明変数を原因とする誤差が生じていない対象を、類似予測対象として取得する類似予測対象取得部と、
前記予測対象における前記候補説明変数に対応する結果変数の実績値と、前記類似予測対象における前記候補説明変数に対応する結果変数の実績値との差が大きいほど、当該候補説明変数の影響値を高く算出する評価部と
を備えることを特徴とする情報処理装置。 - 前記評価部は、
前記候補説明変数を原因とする誤差が生じていない対象、及び、当該誤差が生じている対象の夫々において算出された当該候補説明変数に対応する結果変数の実績値の差の大きさに基づいて評価すること
を特徴とする請求項1に情報処理装置。 - 前記評価部は、
前記候補説明変数を原因とする誤差が生じていない期間、及び、当該誤差が生じている期間の夫々において算出された当該候補説明変数に対応する結果変数の実績値の差の大きさに基づいて評価すること
を特徴とする請求項1又は2に情報処理装置。 - 前記情報処理装置は、更に、
前記候補説明変数取得部で取得された1又は複数の前記候補説明変数の中から、前記評価部で算出された影響値の選択基準に基づいて選択した前記候補説明変数を用いて前記予測モデルを更新する更新部
を備えることを特徴とする請求項1~3のいずれかに記載の情報処理装置。 - 前記情報処理装置は、更に、
前記候補説明変数取得部で取得された1又は複数の前記候補説明変数、及び、前記評価部で算出された当該候補説明変数の影響値を対応づけて表示させ、選択操作された候補説明変数を用いて前記予測モデルを更新する更新部
を備えることを特徴とする請求項1~3のいずれかに記載の情報処理装置。 - 前記類似予測対象取得部は、
前記説明変数、前記候補説明変数、前記結果変数の実績値、及び、属性の少なくとも1つ以上が、前記予測対象に類似する対象を類似予測対象として取得すること
を特徴とする請求項1~5のいずれか1項に記載の情報処理装置。 - 前記誤差算出部で算出された前記誤差が閾値未満である場合に、前記予測対象に類似する対象であって、前記候補説明変数取得部で取得された前記候補説明変数を原因とする誤差が生じている対象を類似予測対象として取得する類似予測対象取得部と、
前記予測対象における候補説明変数に対応する結果変数の実績値と、前記類似予測対象における候補説明変数に対応する結果変数の実績値との差が大きいほど、当該候補説明変数の影響値を高く算出する評価部と
を備えることを特徴とする請求項1~6のいずれか1項に記載の情報処理装置。 - 予測対象において、因果関係の原因となっている説明変数、及び、当該因果関係の結果となっている結果変数の関係を学習して構築された予測モデルを用いて、入力された説明変数に対応する結果変数の予測値を出力する情報処理方法であって、
前記予測モデルに入力された前記説明変数、及び、前記予測モデルから出力された前記予測値を取得する取得ステップと、
前記取得ステップで取得された前記説明変数に対応した結果変数の実績値と、前記取得ステップで取得された前記予測値の誤差を算出する誤差算出ステップと、
前記誤差算出ステップで算出された前記誤差が閾値以上である場合に、当該誤差の原因となっている説明変数の候補である候補説明変数を取得する候補説明変数取得ステップと、
前記予測対象に類似する対象であって、前記候補説明変数取得ステップで取得された前記候補説明変数を原因とする誤差が生じていない対象を、類似予測対象として取得する類似予測対象取得ステップと、
前記予測対象における前記候補説明変数に対応する結果変数の実績値と、前記類似予測対象における前記候補説明変数に対応する結果変数の実績値との差が大きいほど、当該候補説明変数の影響値を高く算出する評価ステップと
を備えることを特徴とする情報処理方法。 - 予測対象において、因果関係の原因となっている説明変数、及び、当該因果関係の結果となっている結果変数の関係を学習して構築された予測モデルを用いて、入力された説明変数に対応する結果変数の予測値を出力する情報処理方法であって、
前記予測モデルに入力された前記説明変数、及び、前記予測モデルから出力された前記予測値を取得する取得ステップと、
前記取得ステップで取得された前記説明変数に対応した結果変数の実績値と、前記取得ステップで取得された前記予測値の誤差を算出する誤差算出ステップと、
前記誤差算出ステップで算出された前記誤差が閾値以上である場合に、当該誤差の原因となっている説明変数の候補である候補説明変数を取得する候補説明変数取得ステップと、
前記予測対象に類似する対象であって、前記候補説明変数取得ステップで取得された前記候補説明変数を原因とする誤差が生じていない対象を、類似予測対象として取得する類似予測対象取得ステップと、
前記予測対象における前記候補説明変数に対応する結果変数の実績値と、前記類似予測対象における前記候補説明変数に対応する結果変数の実績値との差が大きいほど、当該候補説明変数の影響値を高く算出する評価ステップと
をコンピュータに実行させることを特徴とするプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/036575 WO2023058080A1 (ja) | 2021-10-04 | 2021-10-04 | 情報処理装置、情報処理方法、及び、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2023058080A1 JPWO2023058080A1 (ja) | 2023-04-13 |
JP7375990B2 true JP7375990B2 (ja) | 2023-11-08 |
Family
ID=85803242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023542671A Active JP7375990B2 (ja) | 2021-10-04 | 2021-10-04 | 情報処理装置、情報処理方法、及び、プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7375990B2 (ja) |
WO (1) | WO2023058080A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018180712A (ja) | 2017-04-06 | 2018-11-15 | テンソル・コンサルティング株式会社 | モデル変数候補生成装置および方法 |
JP6603600B2 (ja) | 2015-06-30 | 2019-11-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体 |
-
2021
- 2021-10-04 JP JP2023542671A patent/JP7375990B2/ja active Active
- 2021-10-04 WO PCT/JP2021/036575 patent/WO2023058080A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6603600B2 (ja) | 2015-06-30 | 2019-11-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 需要予測方法、需要予測装置及び需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体 |
JP2018180712A (ja) | 2017-04-06 | 2018-11-15 | テンソル・コンサルティング株式会社 | モデル変数候補生成装置および方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2023058080A1 (ja) | 2023-04-13 |
WO2023058080A1 (ja) | 2023-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11532003B2 (en) | System, method and computer program for varying affiliate position displayed by intermediary | |
JP7120649B2 (ja) | 情報処理システム、情報処理装置、予測モデル抽出方法および予測モデル抽出プログラム | |
JP2014229252A (ja) | 計算機、予測方法、及び、予測プログラム | |
JP5337174B2 (ja) | 需要予測装置、及びそのプログラム | |
US20140200992A1 (en) | Retail product lagged promotional effect prediction system | |
JP6003736B2 (ja) | 情報処理プログラム、情報処理方法および情報処理装置 | |
JP6837411B2 (ja) | 販売促進装置、販売促進方法及び販売促進プログラム | |
CN111768243A (zh) | 销量预测方法、预测模型构建方法、装置、设备及介质 | |
JP6193817B2 (ja) | 需要予測装置およびプログラム | |
JP7375990B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2015032267A (ja) | 需要予測装置及びプログラム | |
JP6276655B2 (ja) | 需要予測装置およびプログラム | |
JP6825018B2 (ja) | 管理支援システム及び方法 | |
JP6914313B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP2016012321A (ja) | 需要予測装置およびプログラム | |
JP5786001B2 (ja) | 需要予測装置およびプログラム | |
JP7334728B2 (ja) | 情報処理システム、情報処理方法及び記憶媒体 | |
JP5844293B2 (ja) | データ編集装置およびプログラム | |
JP5781555B2 (ja) | データ編集装置およびプログラム | |
JP2021039735A (ja) | 情報処理装置、及びプログラム | |
JP6788765B1 (ja) | 生産性指標演算装置 | |
US20220284455A1 (en) | Purchasing analysis system, purchasing analysis method, and computer program | |
JP5714037B2 (ja) | データ編集装置およびプログラム | |
WO2023162238A1 (ja) | 顧客分析装置、顧客分析方法、及び、記録媒体 | |
US20240161134A1 (en) | Systems and methods for improving forecasting models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230713 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230713 |
|
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: 20230926 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231009 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7375990 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |