JPH10134027A

JPH10134027A - 販売予測支援方法およびその装置

Info

Publication number: JPH10134027A
Application number: JP28647696A
Authority: JP
Inventors: Minoru Fujii; 実藤井
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 1996-10-29
Filing date: 1996-10-29
Publication date: 1998-05-22

Abstract

(57)【要約】【課題】過去の販売実績を分析して異常要因を抽出
し、その影響度を除外した実績に基づく予測を行うこと
により、予測精度を向上させた販売予測支援方法および
その装置を提供すること。【解決手段】統計処理可能な過去の事象を統計要因デ
ータベース１３に集積し、未来の事象を予見データベー
ス１２に集積し、統計処理可能な各要因の一次多項式
（モデル式）を用いて統計的処理による台数予測を行う
とともに、統計処理不可能な過去の事象を異常要因デー
タベース１４に集積し、未来の事象を予見データベース
１２に集積し、統計処理不可能な要因による寄与分を加
算できるようにした。また、適宜、各要因や予測モデル
の見直しを行い、精度の向上を図ることができるように
した。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、生産計画や在庫管
理のための商品の近未来における販売数量の予測を支援
するための方法および装置に関する。さらに詳細には、
販売に影響する種々の要因を異常要因とそれ以外とに分
離して異なる取り扱いをすることにより、予測精度を向
上させた販売予測支援方法およびその装置に関する。

【０００２】

【従来の技術】商品販売の予測に関する従来の技術とし
ては、例えば特開平５−３１４０９４号公報に記載され
た販売予測支援装置が挙げられる。この販売予測支援装
置は、概略、図６に示すものであり、ＣＰＵ１０１を中
心に実績記憶ファイル部１０２とトレンド成分演算予測
部１０３と変動成分演算予測部１０４と総合予測演算部
１０５とを配置して構成されている。そして、実績記憶
ファイル部１０２には当該商品の比較的長期間にわたる
販売実績が蓄積され、この販売実績の変動のうち周期的
なもの（季節要因など）であるトレンド成分及びこのト
レンド成分を除去した変動成分を抽出し、トレンド成分
演算予測部１０３と変動成分演算予測部１０４とで各成
分ごとに近未来における変動を予測し、総合予測演算部
１０５でこれらを総合判断して販売量の予測値を決定す
るようにしたものである。

【０００３】この販売予測支援装置は、遷移確率分布関
数の有用性に着目し、これを実用的な形に単純化して変
動成分の予測に応用することにより、必要とするデータ
量や種類が少なくてすみ操作も簡単な装置を提供しよう
としたものである。そして同号公報によれば、この販売
予測支援装置により、簡単な操作で誤りの発生も少な
く、種々の特性を持った構成要素の販売予測に基づき、
売上目標値の最適配分が可能になるとされている。

【０００４】この販売予測支援装置を自動車販売店にお
ける車種ごとの販売台数予測に適用しようとすれば、例
えば図７のグラフに示すように当該車種の過去の月次販
売実績をプロットし（ａ、…、ｂ、ｃ、ｄ）、プロット
した各点を通過するモデル式を立て、そのモデル式によ
り予測しようとする月（図中では１月）の販売台数を算
出する。この算出値を予測台数とするのである。

【０００５】

【発明が解決しようとする課題】しかしながら、前記し
た従来の販売予測支援技術には次のような問題点があっ
た。すなわち、従来の販売予測支援装置において予測の
ためのモデル式を立てる上で基礎データとしている過去
の販売実績は、種々の要因の影響を受けたものであり、
その要因の中には、販売への影響を統計的に予見できな
い異常要因も含まれている。このため、立てられたモデ
ル式から異常要因の影響による部分を分離することが事
実上不可能である。このことにより、予測精度が十分上
げられない結果となっていた。

【０００６】本発明は、従来の販売予測支援技術が有す
る前記した問題点を解決するためになめになされたもの
であり、過去の販売実績を分析して異常要因を抽出し、
その影響度を除外した実績に基づく予測を行うととも
に、異常要因については別扱いすることにより、予測精
度を向上させた販売予測支援方法およびその装置を提供
することを課題とするものである。

【０００７】

【課題を解決するための手段】この課題の解決を目的と
してなされた請求項１の発明は、商品の販売量に影響し
かつ統計処理が可能な諸要因に基づいて商品の販売量を
算出するモデル式を用い、このモデル式の算出値により
商品の販売予測を支援する方法であって、前記モデル式
は、前記諸要因にそれぞれの重み係数を掛けて合計する
ものであり、過去の複数の期間について、当該過去の期
間における前記諸要因により前記モデル式を実行し、そ
の算出値を、当該過去の期間における商品の販売実績
（統計処理が不可能な要因による寄与分を除く）と比較
し、その比較がよい一致を示すように前記重み係数を調
整し、前記重み係数の調整がなされたモデル式にある未
来期間における前記諸要因を代入して当該未来の期間に
おける商品の予測販売量を算出することを特徴として特
定される。

【０００８】この販売予測支援方法では、基本的に、一
次多項式であるモデル式を用いて商品の予測販売量を算
出し、その算出値をもって販売予測を支援する。このモ
デル式は、商品の販売量に影響しかつ統計処理が可能な
諸要因（ｘ₁、ｘ₂、…）にそれぞれの重み係数（ａ₁、
ａ₂、…）を掛けて合計した値で商品の販売台数ｙを示
す形の式である（数１参照）。ここで、商品の販売量に
影響しかつ統計処理が可能な諸要因としては例えば、当
該商品や競合商品のモデルチェンジの有無（新商品投入
効果）や月末在庫（販売員の努力度）、月（季節要因）
等であって、過去の経験からその商品の販売への影響度
が統計的にわかっているものをいう。この諸要因の中に
は、モデルチェンジの有無のように値として０もしくは
１のいずれかをとるものと、月末在庫のように値として
任意の数量値をとるものとが含まれる。ただし、競合し
うる新商品の新規登場のように、過去に類似の例がない
かまたは少なく統計処理ができないものは含まれない。
なお重み係数ａ₁、ａ₂、…は、過去の経験から各要因ご
とにおよその値がわかっている。

【０００９】

【数１】

【００１０】そして、過去の複数の期間（例えば月ご
と）について、当該過去の期間における前記諸要因の値
を前記モデル式に代入し、その値が求められる。この値
は過去における各期間ごとの、販売量を前記諸要因から
求めたものである。その算出値は、当該過去の期間にお
ける商品の販売実績と比較される。ただしここで比較に
供される販売実績は、統計処理が不可能な要因により寄
与された分を全体数から除いたものである。もしその比
較の結果一致度がよければモデル式の各重み係数の信頼
度が高いことになり、一致度が悪ければ信頼度が低いこ
とになる。そこで、よい一致が得られるように重み係数
の調整が行われる。この調整は、最小二乗法を用いた多
変量解析により行われる。調整ができたら、将来の台数
予測のためのモデル式が得られたことになる。そして、
予測しようとする期間（未来）における前記諸要因の値
を、調整後のモデル式に代入すると、信頼度の高い販売
予測量が算出されることになる。こうして商品の販売予
測の支援がなされる。

【００１１】また、請求項２の発明は、請求項１の販売
予測支援方法であって、当該未来の期間に統計処理が不
可能な要因がある場合にはその寄与分を前記重み係数の
調整がなされたモデル式の算出値に加算することを特徴
として特定される。

【００１２】この販売予測支援方法では、予測しようと
する期間内に統計処理が不可能な要因がある場合の影響
をも考慮する。すなわち、統計処理が不可能な要因とい
っても過去に類似例がまったくないわけでもなく、経験
からある程度その影響の予測値が得られる。これを、前
記モデル式（重み係数の調整後のもの）の算出値に加算
することにより、当該要因をも考慮に入れた販売予測量
が算出される。

【００１３】また、請求項３の発明は、請求項１または
請求項２の販売予測支援方法であって、ある過去期間の
販売実績とその直前に予測したときの予測値とのずれが
所定値以下になるように前記モデル式の変更を行うこと
を特徴として特定される。

【００１４】この販売予測支援方法では、ある過去期間
の販売実績とその直前に予測したときの予測値とを比較
し、そのずれが所定の値以下となるように、モデル式の
変更が行われる。この変更には、前記した重み係数の調
整の他、諸要因自体の削除や追加、変更も含まれる。こ
れによりさらに精度の高い販売予測の支援が可能となる
ものである。

【００１５】また、請求項４の発明は、商品の販売量に
影響する諸要因であって統計処理が可能なものを重み付
き加算するモデル式により商品の販売量を算出する加算
処理手段と、前記諸要因であって統計処理が可能な過去
の事象を記録する統計要因データベースと、前記諸要因
であって未来の事象を記録する予見データベースと、前
記統計要因データベースに記録された過去の事象を所定
の期間ごとに前記モデル式に入力し、その加算値が商品
の販売実績のうち統計処理が不可能な要因の寄与による
部分を除いた部分と合うように、前記モデル式の重み付
き係数を調整する分析手段とを有し、前記加算処理手段
は、前記分析手段により重み付き係数の調整がなされた
モデル式に、前記予見データベースに記録された事象で
あって統計処理が可能なものを入力してその算出値を商
品の予測販売量とする販売予測支援装置であることを特
徴として特定される。

【００１６】この販売予測支援装置では、加算処理手段
により、前記数１のようなモデル式を用いて販売量の算
出が行われる。そのために設けられた統計要因データベ
ースには、前記諸要因であって統計処理が可能な過去の
事象が記録されている。例えば、「何年何月に当該商品
や競合商品のモデルチェンジがあった」、「その月の月
末在庫」等の情報である。また、予見データベースに
は、前記諸要因であって未来の事象が記録されている。
例えば、「何年何月に当該商品や競合商品にモデルチェ
ンジがあ計画（または予想）されている」、「その月の
月末在庫（計画値）」等の情報である。そこで分析手段
により、統計要因データベースに記録された情報に基づ
く分析が行われる。分析の具体的内容は、請求項１で説
明した、モデル式の重み係数の調整である。分析ができ
たら、加算処理手段により、予見データベースに記録さ
れた統計処理可能な要因が調整後のモデル式に代入さ
れ、信頼度の高い販売予測量が算出される。こうして商
品の販売予測の支援がなされる。

【００１７】また、請求項５の発明は、請求項４の販売
予測支援装置であって、前記加算処理手段は、前記分析
手段により重み付き係数の調整がなされたモデル式に、
前記予見データベースに記録された事象であって統計処
理が可能なものを入力し、さらに、前記予見データベー
スに記録された事象であって統計処理が不可能なものに
よる寄与分を加算してその算出値を商品の予測販売量と
することを特徴として特定される。

【００１８】この販売予測支援装置では、加算処理手段
により、予見データベースに記録された統計処理可能な
要因が調整後のモデル式に代入され、さらに、予見デー
タベースに記録された事象であって統計処理が不可能な
要因による寄与分が加算される。こうして統計処理が不
可能な要因をも考慮した販売予測量が算出される。

【００１９】また、請求項６の発明は、請求項５の販売
予測支援装置であって、前記諸要因であって統計処理が
不可能な過去の事象を記録する異常要因データベースを
有し、前記予見データベースに記録された事象であって
統計処理が不可能なものに対し、前記異常要因データベ
ースを参照してその寄与分を決定することを特徴として
特定される。

【００２０】この販売予測支援装置では、異常要因デー
タベースに、前記諸要因であって統計処理が不可能な過
去の事象が記録それている。例えば、「何年何月に競合
する新商品の新規登場があった」等の情報である。そこ
で、予見データベースに記録された事象であって統計処
理が不可能な要因による寄与分を決定する際、異常要因
データベースを参照し、類似の要因の寄与分が参酌され
る。こうして、精度の高い販売予測量が算出される。

【００２１】

【発明の実施の形態】以下、本発明を具体化した実施の
形態について、図面を参照して詳細に説明する。本実施
の形態は、自動車の販売台数の予測支援に関するもので
ある。本実施の形態に係る販売台数予測支援装置１は、
過去（実績）と将来（予測）とにわたる自動車の販売台
数を、実勢（以下、「Ａ要因」という）と、統計的に考
察できる部分（以下、「Ｂ要因」という）と、予見され
る異常要因（以下、「Ｃ要因」という）と、に大別する
ことを第１の要点とする。そして、将来の予測を行うに
際し、過去の実績に関する分析を行い、その分析結果を
踏まえて予測を行うことを第２の要点とする。このた
め、過去から将来にわたるある期間（例えば、仮に現在
を９６年６月と仮定して、９３年１月から９６年１２月
までの期間、以下この対象期間を前提に説明する）につ
いてＡ、Ｂ、Ｃの各要因を集積しておき、これらを基に
分析および予測が行われる。

【００２２】［装置構成］本実施の形態に係る販売台数
予測支援装置１は、図１に示すように、記憶手段とし
て、予見データベース１２と、統計要因データベース１
３と、異常要因データベース１４と、分析結果データベ
ース１６と、予測データベース１８とを有している。ま
た、演算処理手段として、多変量解析部１５と、加算処
理部１７とを有している。このうち、統計要因データベ
ース１３と異常要因データベース１４と多変量解析部１
５と分析結果データベース１６とが、過去の販売実績に
ついての分析を行う部分３１を構成する。そして、加算
処理部１７と予測データベース１８と予見データベース
１２とが、未来の販売台数の予測を行う部分３２を構成
する。

【００２３】まず、分析部３１の各構成要素を説明す
る。予見データベース１２は、翌月以降の予見しうる事
象であって受注台数に影響を与える可能性のある事象
（以下、「予見事象」という）を格納するデータベース
である。予見事象には、前記したＡ要因、Ｂ要因、Ｃ要
因のすべてが含まれる。予見データベース１２の内容の
一部を表１に示す。

【００２４】

【表１】

【００２５】表１において、「要因名」の欄の「ｔ」、
「ｔ² 」、「月」、……が各事象であり、その左の「分
類」の欄には各事象がＡ要因、Ｂ要因、Ｃ要因のいずれ
に属するかが示されている。ここで「ｔ」、「ｔ² 」
は、対象期間内の各月に付した連続番号とその２乗であ
り、分析および予測のために用いられるものである。
「月」は、自動車の販売に及ぼす季節要因（ボーナス月
や決算月の効果等）を評価するために必要となる。これ
らが、実勢を表すＡ要因に属する。

【００２６】「自車切替」とは、予測対象車種（以下、
「自車」という）のモデルチェンジの有無（１が有、０
が無、以下同様）を意味し、本月以降モデルチェンジの
予定がないことが示されている。自車のモデルチェンジ
は、新商品効果により販売台数を増大させる要因となる
ものである。「他車ａ切替」、「他車ｂ切替」は、他の
車種であって自車の販売に影響（通常は負）を及ぼす可
能性のある車種のモデルチェンジの有無を意味してい
る。自車と市場が競合する車種（自社製、他社製とも）
はもちろん、市場が異なる車種であっても販売系列を共
通にする車種の場合は含まれる。販売店スタッフの販売
努力がその車種にシフトされるからである。ここでは、
他車ａについては９６年８月に、他社ｂについては９６
年１０月に、それぞれモデルチェンジが予定（もしくは
予想）されていることが示されている。これらは、過去
の経験から、自車の販売への影響度合いが統計的に予測
できるのでＢ要因に属する。また、「前月在庫」は販売
店スタッフの販売努力に影響するものであり、同様にＢ
要因に属する。ここに示されている数値は、計画台数で
ある。

【００２７】「他車ｘ新発」とは、従来存在していない
車種が新たに発売されることを意味している。ここでは
９６年９月に新車種ｘが発売される予定である（もしく
は予想）であることが示されている。これは、在来車種
のモデルチェンジと異なり、過去の経験から統計的に影
響度を予測することができないのでＣ要因に属する。な
お、これら以外の事象としては、販売キャンペーンの有
無（過去に何度もやったことがあるものと同種であれば
Ｂ要因、それ以外はＣ要因）、販売インセンティブの有
無（Ｂ要因）、等がある。

【００２８】統計要因データベース１３は、過去の事象
であって受注実績台数に影響を与えたと考えられる事象
のうちＣ要因以外のもの（以下、「統計要因」という）
を格納するデータベースである。統計要因データベース
１３の内容の一部を表２に示す。

【００２９】

【表２】

【００３０】表２においても、表１とほぼ同様の各種要
因名が挙げられているが、期間は過去のものである。例
えば、９３年３月に自車の、また９３年１月に他車ａ
の、それぞれモデルチェンジがあったことが記録されて
いる。また、「前月在庫」の数値は、表１では計画台数
であるのと異なり実績台数である。ただし、表１には挙
げられている「他車ｘ新発」は、Ｃ要因であるため表２
には挙げられていない。また、表１にない項目として
「Ｃ要因を除く受注実績」がある。これは、過去の受注
実績台数から、Ｃ要因による寄与と考えられる台数を引
いたものである。

【００３１】異常要因データベース１４は、過去の事象
のうちＣ要因に属するものを格納するデータベースであ
る。異常要因データベース１４の内容の一部を表３に示
す。表３には、９３年２月にビッグイベントと称する一
種の販売キャンペーン（特別仕様車の設定や景品の配
付、集中的なテレビコマーシャル等）が行われ、それに
より２３０台の販売台数増加があったことが記録されて
いる。この表３の各Ｃ要因には、適宜のキーワードを割
り付けておくと後で検索するときに便利である。

【００３２】

【表３】

【００３３】予見データベース１２、統計要因データベ
ース１３、および異常要因データベース１４の３つと、
Ａ要因、Ｂ要因、およびＣ要因の３つとの関係は、図２
に示すようになっている。すなわち、過去の事象のうち
Ａ要因およびＢ要因に属するものが統計要因データベー
ス１３に格納され、過去の事象のうちＣ要因に属するも
のが異常要因データベース１４に格納される。一方、未
来の事象はＡ要因、Ｂ要因、およびＣ要因のいずれに属
するものも予見データベース１２に格納されるのであ
る。

【００３４】次に多変量解析部１５について説明する。
多変量解析部１５は、統計要因データベース１３のデー
タに基づいて多変量解析を行う演算手段である。多変量
解析とは、統計要因データベース１３に格納されている
各事象を変数（以下、「説明変数」という）とする一次
多項式（数２）を、Ｃ要因寄与分を除いた実績販売台数
に合うようにマッチングすることである。数２におい
て、左辺ｙ_i がｉ月の販売台数（Ｃ要因寄与分を除く）
であり、右辺のｘ_1i、ｘ_2i、…が各説明変数のその月の
値である。そしてその係数ａ₁、ａ₂、…は、各説明変数
ごとの重みづけを意味する係数である。すなわち、受注
台数への影響度の大きさを示している。ここで行われる
のは、過去の各月について数２が最も合うように係数ａ
₁、ａ₂、…を決定することである。その詳細は後述す
る。この各係数が決定されると、将来の台数予測のため
のモデル式が得られたことになる。

【００３５】

【数２】

【００３６】続いて、分析結果データベース１６につい
て説明する。分析結果データベース１６は前記の多変量
解析部１５により得られた各係数を格納するデータベー
スである。表４にその内容の一部を示す。表４の「分析
値」の欄には、Ａ要因またはＢ要因に属する各要因名に
ついて、多変量解析部１５で決定された係数が記録され
ている。ここで、「他車ａ（ｂも同じ）切替」のように
分析値が負であるものは、自車の販売台数に対して負の
影響を及ぼす要因である。また、「月」の要因で月ごと
に値がかなり異なるのは、一般的に自動車販売に強い季
節要因があることの現れである。

【００３７】

【表４】

【００３８】続いて、予測部３２について説明する。前
記のように予測部３２には、加算処理部１７と予測デー
タベース１８とが含まれる。加算処理部１７は、多変量
解析部１５で決定されたモデル式と、予見データベース
１２に格納されている予見事象とに基づいて、将来のあ
る月の販売台数の予測される値を求める演算手段であ
る。すなわち加算処理部１７は、Ａ要因またはＢ要因に
属する要因については、決定されたモデル式の説明変数
として予見事象を用いてそれらを表４の分析値で重み付
けして加算するとともに、Ｃ要因に属する要因について
は個別に加算して予測値を決定する機能を有している。
そして予測データベース１８は、加算処理部１７で算出
された予測値を格納するデータベースである。予測デー
タベース１８に格納されている予測値を取り出すことに
より、未来のある月についての台数予測ができるように
したものである。

【００３９】このような各構成要素を有する販売台数予
測支援装置１は、実際には、パーソナルコンピュータ等
の汎用機に、必要な演算プログラムをインストールし、
データベースとして用いるために必要なデータエリアを
定義しておくことによって実現される。

【００４０】［予測動作］（１．データ入力）この販売台数予測支援装置１で台数
予測を行うには、まず、分析部３１の各データベースに
必要なデータが入力されていることが必要である。この
ため、個々の販売店から集計される受注実績データ等に
基づいてデータベースへの入力がなされる。また、自車
や他車（他メーカーのものも含む）についてのモデルチ
ェンジや販売キャンペーン等の事実についても入力す
る。

【００４１】まず、過去の事実に関するデータ入力を説
明する。過去の事実のうち、Ａ要因またはＢ要因に属す
る事項については、表２の統計要因データベース１３に
入力し、Ｃ要因に属する事項については、表３の異常要
因データベース１４に入力する。ここで、Ｃ要因に属す
る事項を異常要因データベース１４に入力するときは、
単に何年何月にどんなＣ要因があったかを入力するだけ
でなく、その月の販売実績台数のうち、そのＣ要因に起
因して成約に結びついた台数を記録する。すなわち、販
売店から集計された受注実績データは、表５のような構
造を有しており、Ｃ要因に起因するものはその旨が「購
入動機」の欄に記録されている。そこで表５から、Ｃ要
因ごとに台数を計数して図３のようなパレート図を作成
し、当該Ｃ要因の台数を異常要因データベース１４に入
力するのである。表３における９３年２月の「ビッグイ
ベント」の「＋２３０」は、このようにして入力された
数値である。

【００４２】

【表５】

【００４３】統計要因データベース１３にはＡ要因また
はＢ要因に属する事項が入力されるが、各月の受注実績
台数からＣ要因に起因する分を差し引いた台数も記録さ
れる。表２の最下段がそれである。したがってこの欄に
記録された数値は、受注実績台数そのものではない。例
えば９３年２月の７５５６台は、真の受注実績台数か
ら、表３の２３０台（他にもＣ要因があればそれも）を
引いた台数である。

【００４４】次に未来の事象に関するデータ入力を説明
する。表１の予見データベース１２には、将来の月末在
庫台数のような計画値として予測可能なものが入力され
る。それだけでなく、自車および他車のモデルチェンジ
や販売キャンペーン等の事象も判明している限り入力す
る。年間切替カレンダーを参照して自社製の車種に関す
る事象を入力するばかりでなく、スクープ等により得ら
れた他社製の車種に関する事象も入力する。

【００４５】以上の過去および未来にわたるデータ入力
のうち、表１および表２の「ｔ」、「ｔ² 」、「月」や
表２の「前月在庫」のような自動的に入力可能なもの
は、自動的に入力される。それ以外の、自動入力不可能
なもの（表１の「他車ｘ（他社製とする）新発」等）は
人手で入力する。

【００４６】（２．分析フェーズ）次に、統計要因デー
タベース１３に集積されたデータ、すなわちＡ要因また
はＢ要因に関する過去のデータを分析し、予測のための
モデル式を作成する。これらのデータは、Ｃ要因と異な
り統計的な手法により精度よく考察することが可能だか
らである。この作業は、図１の多変量解析部１５により
行われる。

【００４７】ここでは、表２の各要因を説明変数
（ｘ_1i、ｘ_2i、…）とする数２の一次多項式を月ごとに
作成し、数３の数式群を作成する。ここで、数３の各数
式を特定する（１）、（２）、…は、表２の「ｔ」の欄
の数値で特定される月に対応する。そしてａ₁、ａ₂、…
は、各説明変数ごとの重みづけ度合いを示す係数であ
る。係数ａ₁、ａ₂、…は、経験である程度わかってお
り、表４の分析結果データベース１６の「分析値」の欄
に格納されている。各数式の左辺ｙ₁、ｙ₂、…は、当該
月の受注台数からＣ要因寄与分を除いたものであり、係
数ａ₁、ａ₂、…の値がよければ表２の「Ｃ要因を除く受
注実績」の欄の数値に一致するはずである。したがって
ここでは、これが一致するように係数ａ₁、ａ₂、…の値
の見直しを行う。

【００４８】

【数３】

【００４９】このため、各月について数３の各ｙ₁ を計
算し、その計算値と表２の数値とを図４のようにプロッ
トする。図４では若干ばらつきが見られるので、このば
らつきが最小二乗法により最も小さくなるように、係数
ａ₁、ａ₂、…の値を調整する。このとき、ばらつきがど
うしても小さくならないようなときは、必要に応じてそ
れまでＢ要因と考えていた事項をＣ要因に変更すること
もある。その場合その変更された事項は統計的な処理の
対象から外される。あるいは逆に、それまでＣ要因と考
えていた事項をＢ要因に変更し、統計的な処理の対象に
組み入れることもあり得る。この調整がなされた係数ａ
₁、ａ₂、…により、表４の分析結果データベース１６の
「分析値」の欄が上書きされる。この数値を数２に代入
すると、過去の実績（Ｃ要因寄与分を除く）に最も合う
モデル式が作成されたことになる。

【００５０】この分析フェーズにおける実際の処理の流
れを、図５のフローチャートにより説明する。まずＳ１
において、前月の受注実績を、その直前に行われた予測
と比較する。現状の予測モデル（モデル式の他にＣ要因
も含む）の信頼度を確認するためである。次にＳ２にお
いて、予測モデルに何らかの変更を加えるか否かを判断
する。この判断は、Ｓ１での比較の一致の良否による。
すなわち、受注実績と直前予測とのずれが所定値以内な
ら、予測モデルが良好なために変更の必要なし（Ｎｏ）
と判断される。一方、ずれが所定値を超えている場合に
は、予測モデルの信頼度が不十分なので変更を加える必
要がある（Ｙｅｓ）と判断される。Ｎｏと判断された場
合には分析フェーズを終了して後述する予測フェーズに
移行する。

【００５１】Ｓ２において予測モデルを変更すべきと判
断された場合には（Ｓ２：Ｙｅｓ）、Ｓ３に進み、Ｃ要
因の変更を行うか否かを判断する。例えば、前月の実績
と直前予測との比較において、Ｃ要因に無関係な部分は
ずれが小さいのに、Ｃ要因を含めるとずれが大きくなる
ような場合等にＹｅｓと判断される。Ｓ３においてＣ要
因を変更すべきと判断された場合には（Ｓ３：Ｙｅ
ｓ）、Ｓ４に進み、Ｃ要因の変更を行う。変更には、従
来挙げられていなかったＣ要因を新たに追加すること
や、逆に従来Ｃ要因として挙げられていたものを削除す
ること、またはキーワードの変更等がある。そしてＳ５
に進み、モデル式の多変量解析を実施し、必要に応じて
係数の調整を行う。

【００５２】次にＳ６において、モデル式のＢ要因の変
更を行うか否かを判断する。Ｂ要因の変更とは、Ｂ要因
に属する事象について係数の調整に止まらない変更、す
なわち追加や削除を行うことをいう。Ｓ５での多変量解
析による係数調整を行っても一致度が所定値以内になら
ない場合にＹｅｓと判断される。Ｓ６においてＢ要因を
変更すべきと判断された場合には（Ｓ６：Ｙｅｓ）、Ｓ
７に進み、Ｂ要因の変更を行う。すなわち、従来Ｂ要因
として挙げられていたものを削除したりＣ要因に変更
し、あるいは従来挙げられていなかった要因やＣ要因と
されていたものを新たにＢ要因として追加したりする。
この後Ｓ３に戻り、処理が反復される。Ｓ６でＮｏと判
断されると、分析フェーズを終了して後述する予測フェ
ーズに移行する。

【００５３】（３．予測フェーズ）分析の結果モデル式
が作成されたら、予測を行う。この予測は、図１の加算
処理部１７により行われる。加算処理部１７では、表１
の予見データベース１２に格納されている予見事象を参
照し、各予見事象ごとの販売台数への寄与を加算するこ
とにより、見込まれる販売台数（予測値）を算出する。
ここで、予見事象のうち統計的な処理が可能なＡ要因ま
たはＢ要因に属するものについては、分析により過去の
実績に合わせられたモデル式を用いて加算処理がなされ
る。そのモデル式は前記のように、表４の「分析値」の
欄の数値（最小二乗法による調整後のもの）を数２に代
入した式である。Ｃ要因のない月については、これで予
測値が算出される。算出された予測値は、予測データベ
ース１８に格納される。

【００５４】表１の９６年９月のようにＣ要因がある月
については、モデル式による算出結果にさらにＣ要因の
寄与分を加算しなければならない。このため、表３の異
常要因データベース１４を検索し、過去のＣ要因の中か
ら、なるべく当該Ｃ要因に近い内容のものを探し出す。
この際、表３の各Ｃ要因に適宜のキーワードが割り付け
られているときは、そのキーワードを利用すると検索し
やすく便利である。近い内容のＣ要因が表３の中に発見
されたら、そこに記録されている寄与台数（９３年２月
の「ビッグイベント」であれば２３０台）を参考にして
当該Ｃ要因が寄与するであろう台数を推定する。この推
定は人が行う。この推定値を、モデル式による算出結果
に加算することにより、予測値が算出される。Ｃ要因が
２つ以上ある月については、それぞれのＣ要因ごとに寄
与台数を推定して加算する。この予測値も、予測データ
ベース１８に格納される。未来の各月についての予測値
が予測データベース１８に格納されたら、台数予測をし
ようとする月の予測値を出力することができる。

【００５５】こうして算出された予測値は、そのまま販
売台数の予測としてもよいし、さらに検証を加えてもよ
い。検証する場合は、反騰法、時系列法、類似車種との
比較等により、妥当と思える値かどうかにより判断す
る。妥当と思えない場合はモデル式の係数をさらに見直
す等の処置を行う。また、月初に前月の実績台数が判明
したら、直前に予測した時の予測値と比較し、ずれが大
きかった場合にも見直しを行う。また、予測値を出力す
る際、モデルの変更や係数調整の履歴をも出力するよう
にしておくと、見直しの参考資料として有効である。

【００５６】以上詳細に説明したように、本実施の形態
によれば、Ａ要因またはＢ要因に属する過去の事象が統
計要因データベース１３に集積され、また未来の事象が
予見データベース１２に集積されているので、Ａ要因ま
たはＢ要因に属する各要因の一次多項式（数２、モデル
式）を用いて統計的処理による台数予測を行うことがで
きる。特に、統計要因データベース１３には、各月ごと
の受注実績台数からＣ要因が寄与したものを除いた台数
もデータとして記録されているので、各月ごとにモデル
式を検証して多変量解析を行うことにより、各係数
ａ₁、ａ₂、…を調整してその信頼度を向上させることが
できる。これに、予見データベース１２に記録されてい
るＡ要因またはＢ要因を入力すれば、Ｃ要因を除いた部
分について精度の高い台数予測を行うことができる。

【００５７】そして、Ｃ要因に属する過去の事象が異常
要因データベース１４に集積され、予見データベース１
２にはＣ要因に属する未来の事象も集積されているの
で、モデル式により得られたＡ要因またはＢ要因に係る
予測値に、Ｃ要因に係る予測値を加算して全体の予測台
数を高精度に求めることができる。特に、異常要因デー
タベース１４には、各Ｃ要因ごとの寄与台数が受注実績
データから抽出されて記録されているので、予見データ
ベース１２に記録されたＣ要因に相当する異常要因デー
タベース１４のＣ要因の台数を参酌して、当該Ｃ要因が
寄与するであろう台数を予測することができる。また、
適宜予測モデル（モデル式およびＣ要因）の見直しを行
いつつ台数予測値を提供するので、運用の積み重ねによ
り信頼度を向上させていくことができる。かくして、精
度の高い予測値を提供しつつ人手による見直しを行い、
高い精度を確保できる販売台数予測支援方法とそれを行
う装置とが実現されている。

【００５８】なお、前記実施の形態は単なる例示であ
り、本発明を限定するものではない。したがって本発明
は、その要旨を逸脱しない範囲内であれば、前記実施の
形態に拘束されることなく種々の改良、変形が可能であ
ることはもちろんである。

【００５９】

【発明の効果】以上の説明から明らかなように本発明に
よれば、過去の事象を統計要因と異常要因とに分離し、
販売実績との比較による分析を行って予測精度を上げつ
つ販売予測値を出力でき、また運用によりさらに精度を
向上できる優れた販売予測支援方法およびその装置が提
供されている。

【図面の簡単な説明】

【図１】実施の形態に係る販売予測支援装置のシステム
構成を示すブロック図である。

【図２】使用される各データベースの関係を説明する図
である。

【図３】受注実績データから抽出されたＣ要因の寄与台
数を示すパレート図である。

【図４】モデル式について行う最小二乗法による多変量
解析を説明するプロット図である。

【図５】分析フェーズのフローチャートである。

【図６】従来の販売予測支援装置の概略構成を示す図で
ある。

【図７】従来の販売予測支援装置による販売予測を説明
するグラフである。

【符号の説明】

１２予見データベース１３統計要因データベース１４異常要因データベース１５多変量解析部１７加算処理部

Claims

【特許請求の範囲】

【請求項１】商品の販売量に影響しかつ統計処理が可
能な諸要因に基づいて商品の販売量を算出するモデル式
の算出値により商品の販売予測を支援する方法であっ
て、前記モデル式は、前記諸要因にそれぞれの重み係数を掛
けて合計するものであり、過去の複数の期間について、当該過去の期間における前
記諸要因により前記モデル式を実行し、その算出値を、当該過去の期間における商品の販売実績
（統計処理が不可能な要因による寄与分を除く）と比較
し、その比較がよい一致を示すように前記重み係数を調整
し、前記重み係数の調整がなされたモデル式にある未来期間
における前記諸要因を代入して当該未来の期間における
商品の予測販売量を算出することを特徴とする販売予測
支援方法。
【請求項２】請求項１の販売予測支援方法であって、当該未来の期間に統計処理が不可能な要因がある場合に
はその寄与分を前記重み係数の調整がなされたモデル式
の算出値に加算することを特徴とする販売予測支援方
法。
【請求項３】請求項１または請求項２の販売予測支援
方法であって、ある過去期間の販売実績とその直前に予測したときの予
測値とのずれが所定値以下になるように前記モデル式の
変更を行うことを特徴とする販売予測支援方法。
【請求項４】商品の販売量に影響する諸要因であって
統計処理が可能なものを重み付き加算するモデル式によ
り商品の販売量を算出する加算処理手段と、前記諸要因であって統計処理が可能な過去の事象を記録
する統計要因データベースと、前記諸要因であって未来の事象を記録する予見データベ
ースと、前記統計要因データベースに記録された過去の事象を所
定の期間ごとに前記モデル式に入力し、その加算値が商
品の販売実績のうち統計処理が不可能な要因の寄与によ
る部分を除いた部分と合うように、前記モデル式の重み
付き係数を調整する分析手段とを有し、前記加算処理手段は、前記分析手段により重み付き係数
の調整がなされたモデル式に、前記予見データベースに
記録された事象であって統計処理が可能なものを入力し
てその算出値を商品の予測販売量とすることを特徴とす
る販売予測支援装置。
【請求項５】請求項４の販売予測支援装置であって、前記加算処理手段は、前記分析手段により重み付き係数
の調整がなされたモデル式に、前記予見データベースに
記録された事象であって統計処理が可能なものを入力
し、さらに、前記予見データベースに記録された事象で
あって統計処理が不可能なものによる寄与分を加算して
その算出値を商品の予測販売量とすることを特徴とする
販売予測支援装置。
【請求項６】請求項５の販売予測支援装置であって、前記諸要因であって統計処理が不可能な過去の事象を記
録する異常要因データベースを有し、前記予見データベースに記録された事象であって統計処
理が不可能なものに対し、前記異常要因データベースを
参照してその寄与分を決定することを特徴とする販売予
測支援装置。