JPH07175787A - 販売量予測装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は販売量予測装置に関し、過去の販売
実績数量などの定量的な数値から販売製品の販売量を精
度よく自動予測する。 【構成】 予測対象の過去の販売実績数量を含む各種デ
ータを入力する入力手段と、入力された過去の販売実績
数量を予測対象ごとに記憶するデータ記憶手段と、過去
の販売実績数量で最適化を図ったニューラルネットワー
クモデルの結合係数を数値で登録するニューロデータテ
ーブルと、データ記憶手段から過去の販売実績数量と予
測期間の販売予定数量を読み出し、最適化を図ったニュ
ーラルネットワークモデルによって将来の販売予測数量
を求める演算手段と、求めた販売予測数量を出力する出
力手段から構成される。また、ニューロデータテーブル
にファジイテーブルを追加したファジイ・ニューロテー
ブルを用いて、予めファジイ演算で将来の一次販売予測
数量を求め、ニューラルネットワークモデルでさらに精
度の高い販売予測数量を求めることもできる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、過去の販売実績数量な
どの定量的な数値から販売製品の販売量を自動予測する
販売量予測装置に関する。

【０００２】

【従来の技術】近年、製造業における販売製品（予測対
象）は多種多様化し、次々に新製品が市場に送られるよ
うになってきている。従って、生産側も販売側もすべて
の製品について販売量の予測を行い、詳細な計画を立案
することは不可能になってきた。しかし、製品数の増加
に伴って、製品管理の面ではさらに詳細な計画をするこ
とが必要となってきている。そこで、計画系における販
売量の予測に関して、一般には注目製品に限って各担当
者による予測が行われ、その他の製品については前年実
績数量をそのまま販売予測数量として採用していた。と
ころが、この担当者による予測はその人の持っている販
売予測能力、情報収集能力、時間的余裕などによりかな
りの個人差や月による予測尺度の無意識的な変動を含ん
でいる。

【０００３】そこで、例えば、プロダクションルールと
メンバーシップ関数とを熟練者の経験則に基づいて作成
しておくことにより、需要量を予測する装置が提案され
ている（特開平０２−２６４３５５号公報「水需要予測
装置」、および特開平０３−２０２５１５号公報「配水
量の需要予測装置」を参照）。

【０００４】特開平０２−２６４３５５号公報の水需要
量の予測装置によれば、天候や気温といった変動成分を
ファジイ推論に取り込み、このモデルによって算出され
た水需要変動量と過去の実績による水需要量パターンと
を加算することにより、先所定日数分の水需要の予測値
を決定するようにしている。

【０００５】また、特開平０３−２０２５１５号公報の
配水量の需要予測装置によれば、天候や気温といった気
象情報とカレンダーを使って各種配水需要の補正係数を
ファジイ推論によって求め、その補正係数から予測配水
量を決定するようにしている。

【０００６】さらに、過去の需要量の実績についてニュ
ーラルネットワークにより学習し、それを基に誤差を補
正する装置が提案されている（特開平０４−３７２０４
６号公報「需要量予測方法及び装置」、および特開平０
５−１８９９５号公報「電力総需要量予測装置」を参
照）。

【０００７】特開平０４−３７２０４６号公報の需要量
予測方法及び装置によれば、需要量に影響を与える要因
を連続的な要因と不連続的な要因とに分け、それぞれの
組合せごとに要因と需要量の相関関数を求め、この関数
によって予測対象時点の需要量を予測することができ、
この関数を重回帰モデルやニューラルネットモデルを用
いて算出するようにしている。

【０００８】また、特開平０５−１８９９５号公報の電
力総需要量予測装置によれば、気温や湿度といった気象
情報と過去の電力量に関する統計予測モデルを用いて電
力量を予測し、さらに気象情報や暦日情報により予測誤
差量を計算してこの値を基にニューラルネットによる学
習補正ができるようにしている。

【０００９】

【発明が解決しようとする課題】しかしながら、上記の
予測装置は全て日々の短期予測を基本に置いているた
め、日々の細かい変動には対応できるが、長期戦略にお
ける将来の予測には向いていない。また上記の予測装置
は全て１つの決まった対象（水や電力）を基本としてい
るので、ある程度予測要因（過去の実績数量や気象情
報）が決定されたモデルとなっているため、長期予測に
ついて複数の商品を扱う場合は、その要因そのものが新
しく発生したり、不必要になったりするので、上記の装
置はその変動に対応できていない。さらに上記の装置
は、水や電力の需要量を予測する装置であって、利用者
と消費者の間に第３者（販売会社等）が絡むことのない
場合だけしか適用できない。

【００１０】本発明は以上の問題を考慮してなされたも
ので、長期の販売予測をするために長期戦略を立案する
専門家が持っている経験則をルールとして体系化し、そ
のルールを使って精度のよい長期予測の販売予測を具現
化する手段で構成し、さらに、マーケティング情報、販
売予定情報などの販売活動（戦略）情報を取り込み、上
記の経験則へ組み込むことによって販売側も考慮したさ
らに精度のよい販売予測を可能とする販売予測装置を提
供するものである。

【００１１】

【課題を解決するための手段】図１は請求項１の発明の
基本構成を示すブロック図である。図１において、本発
明は、予測対象の過去の販売実績数量を含む各種データ
を入力する入力手段１０１と、入力された過去の販売実
績数量を予測対象ごとに記憶するデータ記憶手段１０２
と、過去の販売実績数量で最適化を図ったニューラルネ
ットワークモデルの結合係数を数値で登録するニューロ
データテーブル１０３と、データ記憶手段１０２から過
去の販売実績数量と予測期間の販売予定数量を読み出
し、最適化を図ったニューラルネットワークモデルによ
って将来の販売予測数量を求める演算手段１０４と、求
めた販売予測数量を出力する出力手段１０５とを備えた
ことを特徴とする販売量予測装置である。

【００１２】図２は請求項２の発明の基本構成を示すブ
ロック図である。図２において、本発明は、予測対象の
過去の販売実績数量を含む各種データを入力する入力手
段１０１と、入力された過去の販売実績数量を予測対象
ごとに記憶するデータ記憶手段１０２と、過去の販売実
績数量の大きさと複数の販売量変動度合いの関係を表す
ファジイ集合で定義されたプロダクションルール、メン
バーシップ関数及び過去の実績数量で最適化を図ったニ
ューラルネットワークモデルの結合係数を数値で登録す
るファジイ・ニューロデータテーブル２０３と、データ
記憶手段１０２からその予測対象の過去の販売実績数量
を読み出し、ファジイ・ニューロデータテーブル２０３
内のプロダクションルールとメンバーシップ関数を参照
し、ファジイ演算することにより販売量変動度合いを定
量化して将来の一次販売予測数量を求め、さらに求めた
一次販売予測数量と過去の販売実績数量を用い、最適化
を図ったニューラルネットワークモデルによって将来の
販売予測数量を求める演算手段２０４と、求めた販売予
測数量を出力する出力手段１０５と、前記ファジイ・ニ
ューロデータテーブルに登録されたプロダクションルー
ルとメンバーシップ関数を適時調整するメンテナンス手
段２０６とを備えたことを特徴とする販売予測装置であ
る。

【００１３】前記入力手段１０１から入力される各種デ
ータは、販売予測対象における過去の販売実績数量以外
に販売予測対象における販売予定数量および／または販
売予測対象におけるマーケティング情報に基づく数値で
ある。

【００１４】前記ファジイ・ニューロデータテーブル２
０３は、販売量変動の知識に対応するプロダクションル
ールを販売製品ごとに分類して登録する領域と、それぞ
れのプロダクションルールに対応するメンバーシップ関
数を数値で登録する領域と、さらに過去の販売実績数量
等で最適化を図ったニューラルネットワークモデルの結
合係数を数値で登録する領域から構成されることが好ま
しい。

【００１５】前記出力手段１０５は画面を有する表示装
置を備え、前記演算手段１０４、２０４により求められ
た販売予測数量を表示装置に出力する際に、前年実績数
量や販売予定数量など各種販売予実績情報とそのトレン
ドをグラフで表示するグラフ表示機能と、販売予測数量
が前年実績数量や販売予定数量などと比較して大幅に異
なっていることを報知するアラーム表示機能を備えた構
成にすることが好ましい。

【００１６】前記メンテナンス手段２０６は、各販売製
品ごとにファジイ・ニューロデータテーブル２０３を調
整し、仮想データを入力し、調整したファジイ・ニュー
ロデータテーブル２０３と入力された仮想データに基づ
いて販売予測をシュミレートするシミュレーション機能
を備えた構成にすることが好ましい。

【００１７】なお、本発明において、入力手段１０１と
しては、各販売拠点ごとの販売情報を端末機から入力す
るとともにデータ記憶手段１０２に転送する通信装置を
用いることができる。また、キーボード装置、タブレッ
ト装置、マウスなどの入力装置が用いられる。データ記
憶手段１０２、ニューロデータテーブル１０３、ファジ
イ・ニューロデータテーブル２０３、演算手段１０４、
２０４、メンテナンス手段２０６としては、ＣＰＵ、Ｒ
ＯＭ、ＲＡＭ、Ｉ／Ｏポートからなるマイクロコンピュ
ータを用いることができる。特に、データ記憶手段１０
２、ニューロデータテーブル１０３、ファジイ・ニュー
ロデータテーブル２０３、メンテナンス手段２０６の記
憶部としては、その中のＲＡＭあるいはＦＤ（フロッピ
ーディスク）装置、ＨＤ（ハードディスク）装置などの
磁気記憶装置が用いられる。出力手段１０５としては、
ＣＲＴ表示装置、ＬＣＤ（液晶表示）装置、ＥＬ表示装
置などの表示装置、あるいは熱転写プリンタ、レーザプ
リンタ、インクジェットプリンタ、ドットインパクトプ
リンタなどのプリンタが用いられる。

【００１８】なお、ファジイ集合とはあいまいな概念を
表現するために導入された集合の拡張概念であり、普遍
集合Ｕから区間〔０，１〕への写像はメンバーシップ関
数μで特定される。メンバーシップ関数の意義について
は、株式会社トリケップス発行「ファジイコンピュータ
・ファジイエキスパートシステム」第２３頁〜第２７頁
その他に記述されているのでこれらを参考にすることが
できる。

【００１９】また、バックプロパゲーションとは、情報
処理としての人間の神経回路を模倣しようという試みで
あるニューラルネットワークの代表的な手法の一つであ
り、教師信号と呼ばれる理想的な出力値が算出できるよ
うにネットワークモデルを構成する結合係数を調整する
手法である。バックプロパゲーション及び教師信号につ
いては、産業図書株式会社発行「ニューラルネットワー
ク情報処理」第５０頁〜第５４頁その他に記述されてい
るのでこれらを参考にすることができる。

【００２０】

【作用】本願の請求項１に係わる発明によれば、図１に
おいて、入力手段１０１から予測対象の過去の販売実績
数量を含む各種データを入力すると、入力された過去の
販売実績数量を予測対象ごとにデータ記憶手段１０２に
記憶される。ニューロデータテーブル１０３には過去の
販売実績数量で最適化を図ったニューラルネットワーク
結合係数が予め数値で登録されている。演算手段１０４
はデータ記憶手段１０２から過去の販売実績数量と予測
期間の販売予定数量を読み出し、最適化を図ったニュー
ラルネットワークモデルによって将来の販売予測数量を
求める。出力手段１０５は求めた販売予測数量を出力す
る。従って、利用者は、長期の生産計画及び販売計画を
立案する時に必要な販売製品の将来の販売予測数量を決
定し読み出すことができ、学習による販売予測からその
変化量を考慮して計画の変更や新しい計画の追加を早急
に行うことができる。

【００２１】本願の請求項２に係わる発明によれば、図
２において、入力手段１０１から予測対象の過去の販売
実績数量を含む各種データを入力すると、入力された過
去の販売実績数量を予測対象ごとにデータ記憶手段１０
２に記憶される。ファジイ・ニューロデータテーブル２
０３には過去の販売実績数量の大きさと複数の販売量変
動度合いの関係を表すファジイ集合で定義されたプロダ
クションルールとメンバーシップ関数及び過去の実績数
量で最適化を図ったニューラルネットワークモデルの結
合係数が予め数値で登録されている。演算手段２０４
は、データ記憶手段１０２からその予測対象の過去の販
売実績数量を読み出し、ファジイ・ニューロデータテー
ブル２０３内のプロダクションルールとメンバーシップ
関数を参照し、ファジイ演算することにより販売量変動
度合いを定量化して将来の一次販売予測数量を求め、さ
らに求めた一次販売予測数量と過去の販売実績数量を用
い、最適化を図ったニューラルネットワークモデルによ
って将来の販売予測数量を求める。出力手段１０５は求
めた販売予測数量を出力する。従って、利用者は短期の
生産計画及び販売計画を立案及び修正する時に必要な販
売製品のダイナミックな販売予測数量を決定し読み出す
ことができる。さらに、ファジイ・ニューロデータテー
ブル２０３に登録されたプロダクションルールとメンバ
ーシップ関数をメンテナンス手段２０６で適時調整する
ことができるので販売予測の精度を高めていくことがで
きる。

【００２２】上記構成によれば、前記入力手段１０１か
ら入力される各種データとして、販売予測対象における
過去の販売実績数量のデータだけでなく、さらに販売予
測対象における販売予定数量、販売予測対象におけるマ
ーケティング情報（キャンペーン情報、新製品・改良品
情報等）に基づく数値などの販売活動情報を取り込むこ
とができるので，販売側も考慮した販売予測が得られ精
度をさらに高めることができる。

【００２３】また、前記ファジイ・ニューロデータテー
ブル２０３は、販売量変動の知識に対応するプロダクシ
ョンルールを販売製品ごとに分類して登録する領域と、
それぞれのプロダクションルールに対応するメンバーシ
ップ関数を数値で登録する領域と、さらに過去の販売実
績数量等で最適化を図ったニューラルネットワークモデ
ルの結合係数（荷重）を数値で登録する領域から構成さ
れているので、演算手段２０４は前記各販売製品ごとの
情報を検索して、それに対応するプロダクションルール
とメンバーシップ関数をそれぞれの領域で自動的に作成
しファジイ演算し一次販売予測数量を求める。さらに、
この一次販売予測数量を入力値とし、その月及びその販
売製品に対応するニューラルネットワークの結合係数を
ファジイ・ニューロデータテーブル２０３から検索して
きて、ニューラルネットワークの計算を行い、将来の販
売予測数量（初期予測）を決定し、データ記憶手段１０
２に登録することができる。

【００２４】また、前記出力手段１０５は画面を有する
表示装置を備え、前記演算手段１０４又は２０４により
求められた販売予測数量を表示装置に出力する際に、前
年実績数量や販売予定数量など各種販売予実績情報とそ
のトレンドをグラフ表示するだけでなく、販売予測数量
が前年実績数量や販売予定数量などと比較して大幅に異
なっている場合にアラーム表示するので、利用者は各種
販売予実績情報とそのトレンドをグラフ表示で確認する
とともに入力手段１０１から入力した多数ある販売製品
の中から特に注目しなければならない製品をアラームに
よって特定することができる。

【００２５】また、前記メンテナンス手段２０６は、日
々変動する販売特性に対応するため各販売製品ごとにフ
ァジイ・ニューロデータテーブル２０３を調整し、仮想
データを入力し、調整したファジイニューロデータテー
ブル２０３と入力された仮想データに基づいて販売予測
をシュミレートするシミュレーション機能を備えた構成
にすることができるので、ファジイ・ニューロデータテ
ーブル２０３が最適に調整されているか確認することが
できる。

【００２６】上記構成によれば、前記ファジイ・ニュー
ロデータテーブル２０３に、各販売製品に対応するプロ
ダクションルールを登録しておき、さらに、それぞれの
ルールに対応するメンバーシップ関数を数値で登録す
る。また、入力手段１０１によって集計された各種販売
情報はデータ記憶手段１０２に記憶される。さらに過去
の販売実績数量等で最適化を図ったニューラルネットワ
ークモデルの結合係数（荷重）を数値で登録する。ま
た、入力手段１０１によって集計された各種販売情報は
データ記憶手段１０２に登録する。演算手段２０４は前
記各販売製品ごとの情報を検索して、それに対応するプ
ロダクションルールとメンバーシップ関数を自動的に作
成し、そのルールに従ってファジイ演算をする。その演
算結果は図形によって表され、次にその図形の重心点を
算出し、そのｘ座標の値が販売量変動度合いとなる。

【００２７】さらに、この度合いを基準として販売予測
数量を決定し、データ記憶手段１０２に登録する。これ
により利用者は、長期の生産計画及び販売計画を立案す
る時に必要な販売製品の将来の販売予測数量を読み出す
ことができる。また、演算手段２０４はこの一次販売予
測数量を入力値とし、さらに、その月及びその販売製品
に対応するニューラルネットワークの結合係数をファジ
イ・ニューロデータテーブル２０３から検索してきて、
ニューラルネットワークの計算を行い、将来の販売予測
数量（初期予測）を決定し、データ記憶手段１０２に登
録する。さらに、また、演算手段２０４は日々の販売実
績数量を教師信号として、ニューラルネットワークを学
習させ、上記販売予測数量を修正する。修正した販売予
測数量は、データ記憶手段１０２に登録する。これによ
り、利用者は短期の生産計画及び販売計画を立案及び修
正する時に必要な販売製品のダイナミックな販売予測数
量を読み出すことができる。

【００２８】

【実施例】以下、図に示す実施例に基づいて本発明を詳
述する。なお、これによって、本発明は限定されるもの
でない。図３は本発明の販売量予測装置の一実施例を示
すブロック図である。図３において、１は入力装置、２
はニューロ演算、ファジイ・ニューロ演算を行う中央処
理装置、３は各種販売情報が記憶された第１データベー
ス、４はニューラルネットワーク結合係数を登録したニ
ューロデータテーブル領域と、プロダクションルールと
メンバーシップ関数を登録したファジイデータテーブル
領域からなる第２データベース、５は日々変動する販売
特性に対応するために、第２データベース４のファジイ
データテーブル領域を調整するメンテナンス装置、６は
中央処理装置２でニューロ演算またはファジイ・ニュー
ロ演算された演算結果を表示するＣＲＴ表示装置、７は
ＣＲＴ表示装置６に表示される内容を印刷する熱転写プ
リンタであり、本装置は以上の構成要素を備えている。

【００２９】次に、本発明の実施例１に基づき本装置の
各構成要素の動作について図３を用いて説明する。ま
ず、入力装置１からは、各種販売情報が入力される。第
１データベース３には、入力装置１から入力された各種
販売情報が販売製品ごとに登録される。また、第２デー
タベース４には、過去の販売実績数量等で最適化を図っ
たニューラルネットワークモデルの結合係数が月毎に数
値で登録されている。中央処理装置２は、販売予測を行
うべき販売製品の各種販売情報を第１データベース３か
ら検索し、さらにその販売製品及び販売予測月に対応し
たニューラルネットワークモデルの結合係数を第２デー
タベース４から検索する。

【００３０】次に、月別販売予定数量の日割りを入力値
とし、主に前年販売実績数量等で最適化を図ったニュー
ラルネットワークモデルによって日別の販売予測数量
（初期予測）を算出する。その後、販売予測月の日々の
販売実績数量が、入力された時点でその値を教師信号と
して、ニューラルネットワークを学習させ、日別の販売
予測数量を修正する。さらに、販売予測月の販売実績数
量が確定した段階でモデルの最適化を図り、最適化され
たモデルは次回の初期予測モデルとして採用する。ＣＲ
Ｔ表示装置６は各販売製品ごとの販売予測数量と各種販
売予実績情報が大幅に異なる時、その販売製品のアラー
ムを表示する。この画面上から例えば何百種類もある販
売製品の中から特に注目しなければならない製品をアラ
ームによって特定することができる。熱転写プリンタ７
は、ＣＲＴ表示装置６の画面上に表示される内容を印刷
するので、必要に応じて印刷出力することができる。

【００３１】次に、本発明の実施例１の詳細な処理動作
について説明する。入力装置１から入力された各種販売
情報が第１データベース３に登録されたとする。登録さ
れる情報は予測月の月別販売予定数量と予測月の販売日
々実績数量である。次に、本発明の実施例１における中
央処理装置２の処理動作を説明する。図４は本発明の実
施例１における中央処理装置の処理動作の概略を示すフ
ローチャートである。図４において、まず、第１データ
ベース３に登録された各種販売情報を検索する（ステッ
プ４０１）。次に、第２データベース４から、予測対象
製品の予測対象月に対応するニューラルネットワーク結
合係数を検索する（ステップ４０２）。ここで、予測対
象月の販売日々実績が存在しているか否かをチェックし
（ステップ４０３）、予測日が予測対象月以前で、まだ
販売の日々実績数量が存在していない場合は、予測月の
月別販売予定数量の日割りを入力値としてニューラルネ
ットワーク全体を計算し（ステップ４０４）、算出され
た値はその対象月の初期予測値とし、第１データベース
３に登録される（ステップ４０５）。

【００３２】次に、予測日が予測対象月内に含まれ販売
日々実績が存在している場合、さらに予測対象月の販売
日々実績数量が全て確定しているか否かチェックし（ス
テップ４０６）、まだ、販売日々実績数量が全て確定し
ていない場合、予測月の月別販売予定数量の日割りを入
力値とし、また予測日までの販売日々実績数量を教師信
号としてニューラルネットワークを学習させる（ステッ
プ４０７）。この学習によって修正された値は、その対
象月の学習予測値（修正版）とし、第１データベース３
に登録される（ステップ４０８）。予測対象月の販売日
々実績数量が確定した場合、さらにまた、予測月の月別
販売実績数量の日割りを入力値とし、また予測月の販売
日々実績数量を教師信号として、ニューラルネットワー
クを学習させる（ステップ４０９）。この学習によって
修正されたニューラルネットワーク結合係数が次回の初
期ニューラルネットワークとして第２データベース４に
登録される（ステップ４１０）。

【００３３】図５は本発明におけるニューラルネットワ
ークモデルの一例を示す説明図である。また、図６は本
発明における各ニューロンでの演算事例を示す説明図で
ある。販売予測月の販売実績数量が入力されていない段
階では初期予測だけであるが、販売実績数量（教師信
号）が入力されると、バックプロパゲーション法によっ
てニューラルネットワークが学習される。その学習後の
ニューラルネットワークモデルによって計算した値が、
日別の販売予測数量の修正版となる。さらに販売予測月
の販売実績数量が確定した段階で最終学習を行い、モデ
ルの最適化を図ったうえでそれが次回の初期予測モデル
として採用される。

【００３４】次に、ＣＲＴ表示装置６を説明する。まず
中央処理装置２によって算出された販売予測数量と各種
販売情報を指定された期間内で各販売製品ごとにトレン
ドをグラフ表示する。図７、図８は本発明の実施例１に
おけるＣＲＴ表示装置の出力例（１）および（２）を示
す説明図である。これは、販売予測数量と販売実績数量
と販売予定数量（月トータルの日割り）についての一ヵ
月間の日別累計トレンドである。図７は、初期予測数量
と、本年販売実績数量、前年販売実績数量、販売予定数
量とを比較するグラフであり、図８は、１週学習（７日
間の販売実績数量による学習予測数量）と、本年販売実
績数量、前年販売実績数量、販売予定数量とを比較する
グラフである。

【００３５】また、このＣＲＴ表示装置６ではトレンド
だけでなく、アラーム表示機能として販売予測数量が前
年販売実績数量や販売予定数量と大幅に異なる時にその
内容を表示し、長期計画担当者または短期計画担当者に
例えば何百種類もある販売製品からどの製品に注目すれ
ばよいかを知らせる機能を有している。そして、短期計
画担当者は、日別販売予測数量に従って短期生産計画及
び短期販売計画の詳細な立案を行うだけでなく、学習に
よる販売予測の修正からその変化量を考慮して計画の変
更や新しい計画の追加等を早急に行っていくことができ
る。

【００３６】次に、本発明の実施例２に基づき本装置の
各構成要素の動作について図３を用いて説明する。ま
ず、入力装置１からは、各種販売情報が入力される。第
１データベース３には、入力装置１から入力された各種
販売情報が販売製品ごとに登録される。また、第２デー
タベース４には、プロダクションルールが販売製品ごと
に分類して登録され、それぞれのプロダクションルール
に対応するメンバーシップ関数が数値で登録されてい
る。さらに、過去の販売実績数量等で最適化を図ったニ
ューラルネットワーク結合係数が数値で登録されてい
る。中央処理装置２は、販売予測を行うべき販売製品の
各種販売情報を第１データベース３から検索し、さらに
その販売製品に対応したプロダクションルール及びメン
バーシップ関数及びニューラルネットワーク結合係数を
第２データベース４から検索する。

【００３７】その後、これらのデータベースから得られ
た結果を各販売製品ごとに図形によって表し、その図形
の重心点のｘ座標の値を各販売製品における月別の販売
変動度合いとして算出し、前年販売実績数量と変動係数
と共にかけ合わせることによって販売変動量を算出す
る。さらに、この値を前年販売実績数量とたし合わせた
値が販売予測数量である。従って、販売予測数量を求め
る数式は以下のようになる。 月別販売予測数量＝前年販売実績数量＋月別販売変動度
合い×前年販売実績数量×変動係数

【００３８】また、この月別販売予測数量を入力値と
し、主に前年販売実績数量等で最適化を図ったニューラ
ルネットワークモデルによって日別の販売予測数量（初
期予測）を算出する。次に、販売予測月の日々の販売実
績数量が、入力された時点でその値を教師信号として、
ニューラルネットワークを学習させ、日別の販売予測数
量を修正する。さらに、販売予測月の販売実績数量が確
定した段階でモデルの最適化を図り、最適化されたモデ
ルは次回の初期予測モデルとして採用する。

【００３９】メンテナンス装置５は、第２データベース
４に登録している各販売製品ごとにプロダクションルー
ル及びメンバーシップ関数を現在の販売特性に合わせて
調整を行う。また、調整した結果の検証をするために、
手入力による仮想データでシミュレーションを行うこと
ができる。ＣＲＴ表示装置６は、各販売製品ごとに販売
予測数量と各種販売予実績情報が大幅に異なる時、その
販売製品のアラームを表示することができる。従って、
この画面上から例えば何百種類もある販売製品の中から
特に注目しなければならない製品をアラームによって特
定することができる。熱転写プリンタ７は、ＣＲＴ表示
装置６の画面上に表示される内容を印刷するので、必要
に応じて印刷出力することができる。

【００４０】なお、ファジイ演算、メンバーシップ関数
については、 株式会社トリケップス発行「ファジイコンピュータ
・ファジイエキスパートシステム」（昭和６３年７月２
８日）第２６頁〜第３０頁、 経営開発センター出版部発行「ファジイシステムの
実用化基礎理論と応用事例」（平成１年１月８日）第１
０頁〜第３０頁、に詳細な記述があるので、これらを参
考にすることができる。

【００４１】次に、本発明の実施例２の詳細な処理動作
について説明する。図９は本発明における第１データベ
ースに登録されるデータの一例を示す説明図である。図
３に示すように、入力装置１から入力された各種販売情
報が第１データベース３に登録されたとする。ここで、
マーケティング情報（キャンペーン情報、新製品・改良
品情報等）は説明を簡単にするため省いた。

【００４２】次に、本実施例２における中央処理装置２
のファジイ演算処理動作について説明する。図１０は本
発明の実施例２における中央処理装置の処理動作の概略
を示すフローチャートである。図１０において、 ステップ１００１：第１データベース３から予測の対象
となる製品の各種販売情報を検索する。 ステップ１００２：検索した販売情報をファジイ演算に
必要な情報に加工する。 ステップ１００３：予測対象製品に対応するプロダクシ
ョンルールを第２データベースから検索し作成する。 ステップ１００４：ルールに対応するメンバーシップ関
数を割り付ける。 ステップ１００５：ファジイ演算を行い重心法による販
売変動度合いを算出する。 ステップ１００６：販売変動度合い、前年実績数量、変
動係数から販売予測数量を決定する。

【００４３】まず、第１データベース３に登録された各
種販売情報を検索してきて、ファジイ演算するために前
加工する。加工データは以下の通りである。ここで、実
績及び予定の単位は千梱、結果は割合であるため単位は
記載しない（図９参照）。 当月前々年比＝当月前年実績÷当月前々年実績＝２４０
÷４２０≒０．５７ 先月前々年比＝先月前年実績÷先月前々年実績＝１５０
÷３２０≒０．４７ 先月前年比＝先月本年実績÷先月前年実績＝２２０÷１
５０≒１．４７ 先々月前年比＝先々月本年実績÷先々月前年実績＝２９
０÷２８０≒１．０４ 当月予定前年実績比＝当月予定÷当月前年実績＝１９０
÷２４０≒０．７９ 先月予定比＝先月本年実績÷先月予定＝２２０÷１９０
≒１．１６

【００４４】図１１は本発明におけるプロダクションル
ールの一例を示す説明図である。前記加工データに対応
する販売製品のプロダクションルールを作成すると図１
１のようになる。さらに、このルールに対応するメンバ
ーシップ関数を自動割り付けする。また、図１２は本発
明におけるメンバーシップ関数の一例を示す説明図であ
る。図１２−１は当月前々年比、図１２−２は先月前々
年比、図１２−３は先月前年比、図１２−４は先々月前
年比、図１２−５は当月予定前年実績比、図１２−６は
先月予定比からなるメンバーシップ関数の各条件部グラ
フを示し、図１２−７は、図１２−１〜図１２−６のメ
ンバーシップ関数の結果部グラフとして販売予測数量を
示す。ここで、前記加工データとプロダクションルール
とメンバーシップ関数によりファジイ演算を実施する
が、あえて説明を簡単にするために、以下の２つのルー
ルに設定する。 ルール１：先月前年比が高いならば、販売予測数量は多
い。 ルール２：当月予定前年実績比が高いならば、販売予測
数量は少し多い。

【００４５】図１３は本発明の仮想データによるファジ
イ演算の一例を示す説明図である。前記２つのルールに
対するファジイ演算は図１３に示す通りとなる。ここ
で、図１３の条件部グラフ（図１３ａ、１３ｂ）の横軸
は各加工データごとに設定されている値で通常０〜２内
である。また結果部グラフ（図１３ｃ、１３ｄ）の横軸
は変動の度合いを表す数字であり、−１〜１と設定して
いる。演算方法はまず先月前年比（１．４７）に対応す
るメンバーシップ関数の度合い（ファジイ度）を求め
て、結果部メンバーシップ関数のファジイ度以下の領域
の図形（図１３ｃ、１３ｄの網かけ部）がそのルールの
結果（ファジイ値）となる（ＭＩＮ演算）。次に、同様
にして、当月予定前年実績比（０．７９）についてファ
ジイ値を求める。最後に全ルールのファジイ値を図１３
ｅのように合成し（ＭＡＸ演算）、その合成図形の重心
のｘ座標の値が販売変動度合いとなる。

【００４６】この場合、重心のｘ座標の値は０．４であ
るので、月別予測数量は以下の通りとなる。ここで、変
動係数とは各販売製品ごとに設定された係数であってあ
らかじめ任意に設定された値である（通常は０．５とい
う値を持つ）。 月別販売予測数量＝前年販売実績数量＋月別販売変動度
合い×前年販売実績数量×変動係数…の式から、 月別販売予測数量＝前年販売実績数量＋０．４×前年販
売実績数量×０．５となり、この式に前年販売実績数量
を代入すれば月別販売予測数量が求まる。さらに、この
月別販売予測数量を入力値として、過去の販売実績数量
等で最適化されたニューラルネットワークモデルを計算
すると、日別の販売予測数量（初期予測）が算出され
る。

【００４７】図５は本発明におけるニューラルネットワ
ークモデルの一例を示す説明図である。また、図６は本
発明における各ニューロンでの演算事例を示す説明図で
ある。販売予測月の販売実績数量が入力されていない段
階では初期予測だけであるが、販売実績数量（教師信
号）が入力されると、バックプロパゲーション法によっ
てニューラルネットワークが学習される。その学習後の
ニューラルネットワークモデルによって計算した値が、
日別の販売予測数量の修正版となる。さらに販売予測月
の販売実績数量が確定した段階で最終学習を行い、モデ
ルの最適化を図ったうえでそれが次回の初期予測モデル
として採用される。

【００４８】次に、ＣＲＴ表示装置６を説明する。ま
ず、中央処理装置２によって算出された販売予測数量と
各種販売情報を指定された期間内で各販売製品ごとにそ
のトレンドをグラフ表示する。図１４、図１５は本発明
の実施例２におけるＣＲＴ表示装置の出力例（１）およ
び（２）を示す説明図である。また、図１４は、販売予
測数量と販売予定数量と販売実績数量についての一年間
の月別トレンド表示であり、図１５は、販売予測数量と
販売実績数量についての一ヵ月間の日別トレンド表示で
ある。月別トレンドにおいて、グラフ上販売予測数量し
か存在していない月と販売予測数量と販売予定数量が存
在している月とすべての数量が存在している月の３通り
にグラフの内容が分かれているが、これは現時点が１９
９３年８月と仮定した場合のグラフであり、当然販売予
定数量と販売実績数量は存在していない月があるという
ことである。

【００４９】また、このＣＲＴ表示装置６ではトレンド
のグラフ表示機能だけでなく、アラーム表示機能として
販売予測数量が前年販売実績数量や販売予定数量などと
比較して大幅に異なる時にその内容を表示し、長期計画
担当者または短期計画担当者に例えば何百種類もある販
売製品からどの製品に注目すればよいかを知らせる機能
を有している。そして、長期計画担当者によって最終的
に決定された月別販売予測数量は、長期生産計画及び長
期販売計画等の月別販売数量として採用され、長期戦略
の調整等が行われる。また、短期計画担当者は、日別販
売予測数量に従って短期生産計画及び短期販売計画の詳
細な立案を行うだけでなく、学習による販売予測の修正
からその変化量を考慮して計画の変更や新しい計画の追
加等を早急に行っていく。

【００５０】

【発明の効果】本願の請求項１の発明によれば、次の効
果を奏し得るのである。短期計画担当者は、日別販売予
測数量に従って短期生産計画及び短期販売計画の詳細な
立案を行うだけでなく、学習による販売予測の修正から
その変化量を考慮して計画の変更や新しい計画の追加等
を早急に行っていくことができる。また、本願の請求項
２の発明によれば、次の効果を奏し得るのである。長期
戦略の支援として生産側と販売側は長期の計画を立案す
る時に、精度のよい販売予測数量を採用することがで
き、それに従って生産側は前造り計画や工場間応援計
画、販売側はキャンペーン計画等の時期や数量を正確に
決定できるだけでなく、突発的な出来事にもある程度柔
軟に対処できるような効果がある。また短期戦略の支援
として、生産側と販売側は短期の計画を立案する時に精
度のよい日別販売予測数量を採用することができ、さら
に急激な販売動向の変化に応じた日別販売予測数量の修
正値を採用することにより、生産側は生産計画及び在庫
計画及び原材料納入計画等の早期修正と、販売側は在庫
計画及びキャンペーン計画の早期修正、早期追加等突発
的な販売動向の変化に柔軟な対応ができる効果がある。

【図面の簡単な説明】

【図１】請求項１の発明の基本構成を示すブロック図で
ある。

【図２】請求項２の発明の基本構成を示すブロック図で
ある。

【図３】本発明の販売量予測装置の一実施例を示すブロ
ック図である。

【図４】本発明の実施例１における中央処理装置の処理
動作の概略を示すフローチャートである。

【図５】本発明におけるニューラルネットワークモデル
の一例を示す説明図である。

【図６】本発明における各ニューロンでの演算事例を示
す説明図である。。

【図７】本発明の実施例１におけるＣＲＴ表示装置の出
力例（１）を示す説明図である。

【図８】本発明の実施例１におけるＣＲＴ表示装置の出
力例（２）を示す説明図である。

【図９】本発明における第１データベースに登録される
データの一例を示す説明図である。

【図１０】本発明の実施例２における中央処理装置の処
理動作の概略を示すフローチャートである。

【図１１】本発明におけるプロダクションルールの一例
を示す説明図である。。

【図１２】本発明におけるメンバーシップ関数の一例を
示す説明図である。

【図１３】本発明の仮想データによるファジイ演算の一
例を示す説明図である。

【図１４】本発明の実施例２におけるＣＲＴ表示装置の
出力例（１）を示す説明図である。

【図１５】本発明の実施例２におけるＣＲＴ表示装置の
出力例（２）を示す説明図である。

【符号の説明】

１ 入力装置 ２ 中央処理装置 ３ 第１データベース ４ 第２データベース ５ メンテナンス装置 ６ ＣＲＴ表示装置 ７ 熱転写プリンタ

Claims (6)

【特許請求の範囲】
1. 【請求項１】 予測対象の過去の販売実績数量を含む各
   種データを入力する入力手段と、入力された過去の販売
   実績数量を予測対象ごとに記憶するデータ記憶手段と、
   過去の販売実績数量で最適化を図ったニューラルネット
   ワークモデルの結合係数を数値で登録するニューロデー
   タテーブルと、データ記憶手段から過去の販売実績数量
   と予測期間の販売予定数量を読み出し、最適化を図った
   ニューラルネットワークモデルによって将来の販売予測
   数量を求める演算手段と、求めた販売予測数量を出力す
   る出力手段とを備えたことを特徴とする販売量予測装
   置。
2. 【請求項２】 予測対象の過去の販売実績数量を含む各
   種データを入力する入力手段と、入力された過去の販売
   実績数量を予測対象ごとに記憶するデータ記憶手段と、
   過去の販売実績数量の大きさと複数の販売量変動度合い
   の関係を表すファジイ集合で定義されたプロダクション
   ルール、メンバーシップ関数及び過去の実績数量で最適
   化を図ったニューラルネットワークモデルの結合係数を
   数値で登録するファジイ・ニューロデータテーブルと、
   データ記憶手段からその予測対象の過去の販売実績数量
   を読み出し、ファジイ・ニューロデータデータテーブル
   内のプロダクションルールとメンバーシップ関数を参照
   し、ファジイ演算することにより販売量変動度合いを定
   量化して将来の一次販売予測数量を求め、さらに求めた
   一次販売予測数量と過去の販売実績数量を用い、最適化
   を図ったニューラルネットワークモデルによって将来の
   販売予測数量を求める演算手段と、求めた販売予測数量
   を出力する出力手段と、前記ファジイ・ニューロデータ
   テーブルに登録されたプロダクションルールとメンバー
   シップ関数を適時調整するメンテナンス手段とを備えた
   ことを特徴とする販売予測装置。
3. 【請求項３】 前記入力手段から入力される各種データ
   は、販売予測対象における過去の販売実績数量以外に販
   売予測対象における販売予定数量および／または販売予
   測対象におけるマーケティング情報に基づく数値である
   ことを特徴とする請求項１又は請求項２記載の販売量予
   測装置。
4. 【請求項４】 前記ファジイ・ニューロデータテーブル
   は、販売量変動の知識に対応するプロダクションルール
   を販売製品ごとに分類して登録する領域と、それぞれの
   プロダクションルールに対応するメンバーシップ関数を
   数値で登録する領域と、さらに過去の販売実績数量等で
   最適化を図ったニューラルネットワークモデルの結合係
   数を数値で登録する領域を備えていることを特徴とする
   請求項２記載の販売量予測装置。
5. 【請求項５】 前記出力手段は画面を有する表示装置を
   備え、前記演算手段により求められた販売予測数量を表
   示装置に出力する際に、前年実績数量や販売予定数量な
   ど各種販売予実績情報とそのトレンドをグラフで表示す
   るグラフ表示機能と、販売予測数量が前年実績数量や販
   売予定数量などと比較して大幅に異なっていることを報
   知するアラーム表示機能を備えたことを特徴とする請求
   項１又は請求項２記載の販売量予測装置。
6. 【請求項６】 前記メンテナンス手段は、各販売製品ご
   とにファジイ・ニューロデータテーブルを調整し、仮想
   データを入力し、調整したファジイ・ニューロデータテ
   ーブルと入力された仮想データに基づいて販売予測をシ
   ュミレートするシミュレーション機能を備えていること
   を特徴とする請求項２記載の販売量予測装置。