JPH10228461A

JPH10228461A - 需要予測方法

Info

Publication number: JPH10228461A
Application number: JP3166597A
Authority: JP
Inventors: Masaharu Akatsu; 雅晴赤津; Tomohiro Murata; 智洋村田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1997-02-17
Filing date: 1997-02-17
Publication date: 1998-08-25

Abstract

(57)【要約】【課題】短ライフサイクルの製品において、その実績デ
ータだけでは十分な予測ができない段階で、需要予測を
行う。【解決手段】パラメータ推定機能１０により、ライフサ
イクル全体の販売実績データ３０が得られている製品に
対して、その販売量実績の推移を、販売開始から起算し
て時点tまでの累積販売量Ntが次式【数１】で表現される成長モデルに当てはめて、上記製品に適応
する上記パラメータp、q、mを推定し、推定パラメータ
４０に保存する。そして、需要予測機能２０により、販
売中の需要予測対象の製品に対して、上記推定値の中か
ら適当なものを選び、そのパラメータを（数１）に代入
することにより、需要予測を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、過去の実績データ
を元に需要予測を行う方法に関し、特に、販売開始から
販売終了までのライフサイクルが短い製品の需要予測方
法に関する。

【０００２】

【従来の技術】洋服やパーソナルコンピュータ等の流行
や技術の変化に大きく左右される商品では、ある一つの
製品の販売開始から販売終了までのライフサイクルが、
数ヶ月から一年程度であり、短い。このような製品の需
要パターンを表すモデルのひとつとして、Bassが提案し
た成長モデルが知られている。これは、販売開始直後に
急激に需要が増え、ピークを迎えた後は、単調に減少す
る、いわゆる山の形をした需要パターンを表現するモデ
ルであり、時点tでの累積需要量Ntは、次式

【０００３】

【数１】

【０００４】で、表現される。ここで、m、p、qは需要
パターンを特徴づけるパラメータであり、mはトータル
の需要量、p、qは需要カーブを決定する。

【０００５】一方、上記モデルに季節変動要因を考慮し
たモデルが松尾らによって提案されている。このモデル
では、時点tでの累積需要量Ntは、次式

【０００６】

【数３】

【０００７】で、表現される。ここで、αtは季節変動
要因であり、一般には月毎の特徴を表し、 αt ＝ αt-12 t > 12 である。

【０００８】以上の需要モデルに関しては、以下の論文
Abbas A. Kurawarwala and Hirofumi Matsuo: Product
growth models for medium term forecasting of short
life cycle products. Technical Report 92-09-04, I
C2 Institute, The University of Texas at Austin, 1
992に詳しく述べられている。

【０００９】

【発明が解決しようとする課題】ライフサイクルがある
程度長い製品であれば、考慮しているモデルを過去の実
績値にフィッティングさせて、パラメータを推定して、
その先の需要予測を行うことが可能である。しかし、今
我々が対象としている短ライフサイクルの商品では、パ
ラメータを推定するのに十分な実績データが得られたと
きには既にその製品の売り上げピークを過ぎており、そ
の時点で先の需要を予測しても、部品の調達計画や生産
計画等に利用することができないという問題があった。

【００１０】本発明はこのような事情に鑑みてなされた
もので、その目的とするところは、短ライフサイクルの
製品に対して、販売や出荷開始直後の生産計画へのフィ
ードバックが可能な段階で、需要予測を行う手段を提供
することにある。

【００１１】

【課題を解決するための手段】上記課題を解決するため
に、本発明では、まず、第一に、周期的に製品毎の販売
量実績を記録する手段と、販売開始から販売終了までの
上記販売量実績が記録された製品に対して、その販売量
実績の推移を、販売開始から起算して時点tまでの累積
販売量Ntが次式

【００１２】

【数１】

【００１３】で表現される成長モデルに当てはめて、上
記製品に適応する上記パラメータp、q、mを推定する手段
と、上記推定したp、q、mと上記記録した販売量実績と
を関連づけて保存する手段を設ける。以上の処理を複数
の製品に関して行って、データを蓄積し、需要予測に活
用する。

【００１４】第一の観点では、需要予測を行いたい製品
に対して、その製品が販売開始から起算して時点tだけ
経過している場合、その時点までの販売量実績と、上記
保存した過去の製品の販売開始から起算して時点tまで
の販売量実績を比較して、販売開始からの時点tまでの
累積販売量が最も近い製品と、販売開始から時点tまで
の販売量実績のパターンが最も近い製品を選択する手段
と、上記累積販売量が最も近い製品に対する推定値m
と、上記販売量実績パターンが最も近い製品に対する推
定値p、qを、上記販売中の製品のパラメータp、q、mと
して推定する手段を設けて、上記推定したp、q、mを用
いて、上記販売中の予測対象製品のその後の需要量を予
測する。これにより、販売開始直後の段階で、その製品
の需要予測を行うことが可能になる。

【００１５】また、第二の観点では、p、qに関しては、
第一の観点と同様に、販売実績パターンが最も近い製品
を選択して、その製品の推定値を使うとともに、パラメ
ータmに関しては、推定対象製品の現時点までの累積販
売量m0と、上記選択した製品の販売開始から起算して時
点tまでの累積販売量m1、販売停止までの累積販売量m2
を用いて、次式

【００１６】

【数２】

【００１７】により求める。

【００１８】また、第三の観点では、mに関しては第一
の観点と同様に、販売開始からの時点tまでの累積需要
量が最も近い製品を選択して、その製品の推定値を使う
とともに、パラメータp、qに関しては、推定対象製品の
実績データに、次式

【００１９】

【数１】

【００２０】の成長モデルを当てはめて、p、qを推定す
る。

【００２１】一方、本発明では、需要予測モデルとし
て、製品iの販売開始から起算して時点tまでの累積販売
量Nitが次式

【００２２】

【数３】

【００２３】で表現される成長モデルを用いたものも提
供する。

【００２４】すなわち、周期的に製品毎の販売量実績を
記録する手段と、販売開始から販売終了までの上記販売
量実績が記録された製品に対して、上記モデルを当ては
めて、上記各製品固有のパラメータpi、qi、miと全製品
共通のパラメータαtとを推定する手段と、上記推定し
たpi、qi、miと上記記録した販売量実績とを関連づけて
保存する手段と、αtを保存する手段を設ける。さら
に、需要予測対象製品に対して、上記で述べた第一から
第三のいずれかの観点と同様に、pi、qi、miを推定する
とともに、上記保存したαtを用いて、上記販売中の予
測対象製品のその後の需要量を予測する。

【００２５】また、別の観点では、販売量比較に用いる
データに関して、各製品のt月の販売量として、その実
績値をαtで割ったものを使う。

【００２６】あるいは、過去の製品iの販売開始からの
時点tまでの累積販売量として、次式

【００２７】

【数１】

【００２８】に当該製品に対応する推定値pi、qi、miを
代入して得られた値を使い、推定対象製品のt月の販売
量として、その実績値をαtで割ったものを使う。これ
により、季節変動要因を除去したデータで比較が可能に
なるので、より精度の高い推定を可能にする。

【００２９】また、別の観点では、ある製品の販売開始
から販売終了までの販売量実績が記録された時点で、当
該製品の販売量実績だけから pi、qi、mi、αitを推定
する手段と、製品iと製品jの距離を次式

【００３０】

【数４】

【００３１】で定義して、各製品をクラスタ分析して、
グループ分けを行うと共に、グループ毎にαtの代表値
を決める手段を有し、販売中製品のパラメータ推定や需
要予測の際に、上記グループの中からある一つのグルー
プを選択して、そのグループのαtを用いる。これによ
り、例えば、同一種類の製品でも仕様の細かいレベルや
販売チャネルの違いなどによって季節要因が異なるよう
な場合に、きめ細かい需要予測を可能にする。

【００３２】ところで、季節変動要因付き成長モデルの
当てはめを行う場合、αtが月毎に与えられるとする
と、１５個のパラメータを推定することになる。従っ
て、上記の観点で述べたように、製品毎に単独でモデル
の当てはめを行う場合、ライフサイクルが短いために十
分なデータがそろっていない可能性がある。そこで、別
の観点では、αitを固定してpi、qi、miだけを推定する
手段と、 pi、qi、mi を固定してαitを推定する手段を
有し、αitをすべて１に固定してpi、qi、miを推定する
処理を第一ステップとして、適当な時点で打ち切るま
で、上記二つの推定手段を繰り返し行い、 pi、qi、m
i、αitを推定する。これにより、実績データの数が少
ない製品に関しても、成長モデルの当てはめが可能にな
る。

【００３３】

【発明の実施の形態】以下、本発明の実施例を図面によ
り詳細に説明する。なお、これにより本発明が限定され
るものではない。

【００３４】図１は、本発明にかかる需要予測方法の機
能情報関連図である。本発明は大きく二つの機能、パラ
メータ推定機能１０、需要予測機能２０と、二つの情
報、販売実績データ３０、推定パラメータデータ４０か
ら成る。また、これを実現するハードウェア構成図を図
２に示す。図１の二つの機能は図２の計算装置２により
処理される。また、販売実績データ３０は、データ入力
装置１より取り込まれる。そして、販売実績データ３
０、推定パラメータデータ４０は、記憶装置３に保存さ
れる。データ入力装置１としては、例えば、キーボード
やバーコードリーダーを用いる。計算装置２は、汎用の
コンピュータで構わない。記憶装置３も、磁気ディス
ク、磁気テープ、光ディスク等、特に限定しない。出力
装置４は、予測結果を出力するもので、ディスプレイや
プリンタを用いても良いし、記憶装置３で代用しても構
わない。また、入力装置１、計算装置２、記憶装置３、
出力装置４は専用線で接続されていても、ネットワーク
上でLAN等を経由して接続されていても構わない。

【００３５】以下、図１の二つの機能の処理の流れを説
明する。まず、パラメータ推定機能１０を説明する。本
機能は、製品毎に、その製品がライフサイクルを終え
て、販売を終了した後、一度行う。まず、ステップ１０
０で、対象製品の販売実績データ３０を読み込む。本実
施例では、月毎に集計した販売実績データを用いるが、
週毎や日毎に集計したデータを用いることも可能であ
る。また、データ収集の契機に制限はない。入力装置１
として、キーボードを用いる場合、月に一度、各製品の
販売量を入力して記憶装置３に蓄えておいて、本処理時
に、記憶装置３からライフサイクル全体に渡るデータを
読み出しても良いし、全データを一括して、本処理時に
キーボードから入力しても良い。また、入力装置として
バーコードリーダーを用いる場合、製品を一つ販売する
度にバーコードリーダーを用いてその情報を読み込み、
その読み込んだデータは、記憶装置３あるいは、別の補
助記憶装置に保存しておき、本処理の開始前に、図１に
示すように、月別に集計しておく。

【００３６】次に、ステップ１１０で、その製品の販売
実績データに、tヶ月後の累積販売量Ntが次式

【００３７】

【数１】

【００３８】で表現されるモデルを当てはめる。具体的
には、最小二乗推定を計算する。すなわち、対象製品i
の販売開始からのtヶ月後の販売実績データをxitとおい
たとき、次式

【００３９】

【数５】

【００４０】ただしsi、liはそれぞれ製品iの販売開始
月、販売を記録した最終月を表すで表現される関数f1が
最小となるp、q、mを計算する。

【００４１】そして、ステップ１２０で、上記計算で得
られたp、q、mを推定パラメータ４０として記憶装置３
に保存する。その際、上記計算で用いた販売実績データ
３０とは、いずれの情報からも簡単にたどれるように、
双方向ポインタを張っておく。

【００４２】次に、需要予測機能２０の処理の流れを説
明する。

【００４３】まず、ステップ２００で、需要予測対象の
製品iに関して、販売実績データ３０を読み込む。この
読み込み方法に関しては、パラメータ推定機能１０で述
べた方法と同じである。但し、ここでは、対象製品のラ
イフサイクル全体のデータは必要ない。というより、ま
だ販売中の製品を予測対象としているので、ライフサイ
クル全体のデータは得られていないのが普通である。
今、製品iの実績データが販売開始からaヶ月だけ得られ
ているとする。

【００４４】次に、ステップ２１０で、販売実績データ
３０を元に、販売開始からaヶ月までの販売実績のパタ
ーンが予測対象製品iと最も近い製品を選択する。具体
的には、各月の実績値の傾きを比較して、その二乗差が
最小となるものを検索する。すなわち、ライフサイクル
全体の実績データを持つ任意の製品jに対して

【００４５】

【数６】

【００４６】ただしxi0=xj0=0を計算して、この値gが最
も小さいjを求める。

【００４７】そして、ステップ２２０で、推定パラメー
タデータ４０から、この製品jに対する推定値p、qを読
み込む。

【００４８】次に、ステップ２３０で、販売実績データ
３０を元に、販売開始からaヶ月までの累積販売量が予
測対象製品iと最も近い製品を選択する。具体的には、
ライフサイクル全体の実績データを持つ任意の製品jに
対して

【００４９】

【数７】

【００５０】を計算して、この値ｈが最も小さいjを求
める。

【００５１】そして、ステップ２４０で、推定パラメー
タデータ４０から、この製品jに対する推定値mを読み込
む。

【００５２】そのうえで、ステップ２５０で、上記（数
１）に上記p、q、mを代入して、t>aに対して、Ntを計算
する。この時、 Nt−Nt-1が販売開始からのtヶ月後の販
売量の予測値となる。ステップ２６０で、その結果を出
力装置４に出力する。

【００５３】以上の処理により、販売中の製品に関し
て、その後の販売量を予測することができる。

【００５４】上記実施例では、需要予測機能２０におい
て、販売実績パターン、累積販売量が予測対象製品と最
も近い製品をそれぞれ検索したが、それ以外の方法を二
つ、以下に説明する。

【００５５】第二実施例の需要予測機能２１の処理の流
れを図３に示す。mの決定方法を除いて、第一実施例の
需要予測機能２０と同じである。ステップ２３０、２４
０の変わりに、ステップ２７０、２８０を実行する。ス
テップ２７０では、ステップ２１０で求めた製品の販売
実績データ３０を読み込み、販売開始からaヶ月までの
累積販売量m1と、最終時点での累積販売量m2を計算す
る。さらに、需要予測対象製品の販売開始からaヶ月ま
での累積販売量m0も計算する。

【００５６】そして、ステップ２８０で、次式

【００５７】

【数２】

【００５８】を計算して、mを求める。

【００５９】以上述べたように、第二実施例では、販売
実績パターンが似ている製品の情報だけから予測を行
う。

【００６０】第三実施例の需要予測機能２２の処理の流
れを図４に示す。p、qの決定方法を除いて、第一実施例
の需要予測機能２０と同じである。まず、ステップ２３
０、２４０により、mを決定する。次に、ステップ２９
０で、需要予測対象製品の実績データに、上記で求めた
ｍを（数１）に代入したモデルの当てはめを行う。すな
わち、（数５）でliをaに置き換えた関数f'が最小とな
るp、qを求める。

【００６１】以上述べたように、第三実施例では、累積
販売量が似ている製品の情報だけから予測を行う。

【００６２】以上述べた実施例では、（数１）の需要予
測モデルを用いたが、製品iの販売開始から起算して時
点tまでの累積販売量Nitが次式

【００６３】

【数３】

【００６４】で表現される成長モデルを用いることによ
り、季節変動要因を考慮することもできる。ここで、パ
ラメータpi、qi、miは各製品固有であり、パラメータα
tは全製品共通である。そして、 αt ＝ αt-12 t > 12 である。

【００６５】以下、その実施例を説明する。本実施例の
機能情報関連図を図５に示す。基本的には、図１に示し
た機能、情報と同様である。その違いだけ説明する。

【００６６】情報としては、販売実績データ３０、推定
パラメータデータ４０の他に、季節要因パラメータデー
タ５０を持つ。これには推定したαt(t=1,...,12)を保
存する。

【００６７】そして、パラメータ推定機能１１では、ま
ず、ステップ１３０で、販売開始から販売終了までの全
ライフサイクルに渡る販売実績データがそろっている製
品すべてに関して、販売実績データ３０を読み込む。

【００６８】次に、ステップ１３０で、上記の全製品を
対象に、（数３）のモデルを当てはめる。具体的には、
次式

【００６９】

【数８】

【００７０】但し、nは対象となっている製品の総数を
表すで表現される関数f2が最小となるpi、qi、mi(i=1,...,
n)とαt を計算する。

【００７１】さらに、ステップ１５０で、上記計算で得
られたpi、qi、miを推定パラメータ４０の対応する製品
の推定値として、また、上記計算で得られたαtを季節
変動パラメータ５０として、それぞれ記憶装置３に保存
する。

【００７２】一方、需要予測機能２３では、ステップ３
００で、上記で保存した季節変動パラメータ５０を読み
出す。そして、ステップ３１０で、上記（数３）にステ
ップ２２０、２４０で決定したp、q、mと上記で読み込
んだαtを代入して、t>aに対して、Nitを計算する。こ
の時、 Nit−Ni,t-1が販売開始からのtヶ月後の販売量
の予測値となる。

【００７３】以上説明した需要予測方法では、季節変動
要因を考慮できるので、より精度の高い予測が可能にな
る。

【００７４】なお、上記実施例の需要予測機能２３にお
いて、第二、第三実施例で説明した方法により、p、q、
mを決定してもよい。

【００７５】また、上記実施例では、需要予測機能２３
において、販売実績データ３０をそのまま利用していた
が、季節変動要因を除去したものを用いることもでき
る。具体的には、ステップ２１０に先立ち、以下のステ
ップ２０５を実行する。

【００７６】ステップ２０５：各製品のj月の販売実績
値をαjで割った値を実績値とみなして、以下の計算に
使う。

【００７７】あるいは、以下のステップ２０６を実行す
る。

【００７８】ステップ２０６：全ライフサイクルに渡る
販売実績データが存在し、パラメータ推定機能１１を実
行して、推定パラメータ３０にp、q、mの推定値が記録
されている製品に関しては、（数１）に、その製品の推
定値pi、qi、miを代入して得られたNtを累積販売量の実
績値とみなし、需要予測対象製品に関しては、 j月の販
売実績値をαjで割った値を実績値とみなして、以下の
計算に使う。

【００７９】これにより、季節変動要因を除去したデー
タで比較を行うことができるので、さらに精度の高い予
測が可能になる。

【００８０】これまで説明した実施例では、季節要因パ
ラメータαjはすべての製品に対して共通としていた
が、次に、製品をいくつかのグループに分けて、グルー
プ毎に季節要因パラメータを用意しておき、需要予測機
能においては、その中から一つのグループを選択する実
施例について説明する。

【００８１】まず、推定パラメータデータ４１には、製
品毎に、p、q、mに加えて、αjとその製品が属するグル
ープのIDを保存するエリアを拡張する。さらに、季節変
動パラメータ５１には、複数組のαjを各グループIDと
ともに保存できるようにエリアを拡張する。これを図６
に示す。

【００８２】この実施例のパラメータ推定機能１２の処
理の流れを図７に示す。本処理は、ライフサイクルを終
えた製品に対して一度行う。

【００８３】まず、ステップ１００で、対象製品の販売
実績データ３０を読み込む。

【００８４】次に、ステップ１６０で、その製品iの販
売実績データに、tヶ月後の累積販売量Nitが（数３）で
表現されるモデルを当てはめ、当該製品の販売量実績だ
けから pi、qi、mi、αitを推定する。

【００８５】そして、ステップ１７０で、上記推定値を
推定パラメータデータ４１に保存する。

【００８６】さらに、ステップ１８０で、これまでに推
定を行った全製品を対象に、各季節要因パラメータαit
の推定値を元に、クラスタ分析を行う。具体的には、ま
ず、製品iと製品jの距離を次式

【００８７】

【数４】

【００８８】で定義する。そして、その距離がある値以
内であれば、同一グループとしてまとめる。

【００８９】次に、ステップ１９０で、上記の各グルー
プ毎に、各tに対して、そのグループに属する製品の季
節要因パラメータαitの平均を取り、それをそのグルー
プの季節要因パラメータの代表値として、季節要因パラ
メータ５１に保存する。

【００９０】需要予測機能に関しては、基本的に図４に
示した処理の流れと同じである。唯一、ステップ３００
で、一つのグループを選択する処理を追加する。その選
択の方法としては、例えば、需要予測対象の製品とタイ
プや販売チャネル等が似ている製品の属するグループを
選ぶ。

【００９１】これにより、例えば、同一種類の製品でも
仕様の細かいレベルや販売チャネルの違いなどによって
季節要因が異なるような場合に、きめ細かい需要予測を
可能にする。

【００９２】ところで、上記実施例のステップ１６０
で、製品毎に単独でモデルの当てはめを行う際、推定す
るパラメータが１５個あるのに対して、ライフサイクル
が短くて、データ数がそれ以下しか無いために、推定が
できない可能性がある。この場合のパラメータ推定方法
を以下に説明する。

【００９３】本実施例の処理の流れを図８に示す。

【００９４】まず、ステップ４００で、αitをすべて１
にセットする。

【００９５】次に、ステップ４１０で、（数３）に上記
またはステップ４２０で得られたαitを代入して、pi、
qi、miだけを推定する。その際、（数８）に推定値を代
入したときのf2の値、すなわちf2の最小値をr1として記
憶する。

【００９６】さらに、ステップ４２０で、（数３）に上
記ステップ４１０で得られた pi、qi、mi を代入して、
αitを推定する。そして、ステップ４２０と同様に、f2
の値をr2として記憶する。

【００９７】そして、ステップ４３０で、r1とr2を比較
し、r2のr1に対する減少率(r1-r2)/r1が、ある基準値を
上回った場合は、ステップ４１０に戻る。基準値以下に
なあっ場合は、処理を終了し、最後にステップ４１０を
行った時に得られたpi、qi、mi と最後にステップ４１
０を行った時に得られたαitを推定値とする。

【００９８】これにより、実績データの数が少ない製品
に関しても、季節変動要因を考慮した成長モデルの当て
はめが可能になる。

【００９９】

【発明の効果】本発明によれば、短ライフサイクルの製
品に対して、その需要を予測できるという効果がある。

【図面の簡単な説明】

【図１】本発明の第一実施例にかかる機能情報関連図で
ある。

【図２】本発明を実現するためのハードウェア構成図で
ある。

【図３】本発明の第二実施例における需要予測機能の処
理の流れである。

【図４】本発明の第三実施例における需要予測機能の処
理の流れである。

【図５】本発明の第四実施例にかかる機能情報関連図で
ある。

【図６】本発明の第六実施例に用いる情報を示す図であ
る。

【図７】本発明の第六実施例におけるパラメータ推定機
能の処理の流れである。

【図８】本発明の第七実施例におけるパラメータ推定の
手順を示すフローである。

【符号の説明】

１…入力装置、２…計算装置、３…記憶装置、４…出力
装置、１０…パラメータ推定機能、２０…需要予測機
能、３０…販売実績データ、４０…推定パラメータデー
タ、５０…季節要因パラメータデータ

Claims

【特許請求の範囲】

【請求項１】周期的に製品毎の販売量実績を記録する手
段と、販売開始から販売終了までの上記販売量実績が記
録された製品に対して、その販売量実績の推移を、販売
開始から起算して時点tまでの累積販売量Ntが次式【数１】で表現される成長モデルに当てはめて、上記製品に適応
する上記パラメータp、q、mを推定する手段と、上記推
定したp、q、mと上記記録した販売量実績とを関連づけ
て保存する手段と、ある時点において、販売開始から起
算して時点tだけ経過した販売中の製品に対して、その
販売量実績と、上記保存した過去の製品の販売開始から
起算して時点tまでの販売量実績を比較して、販売開始
からの時点tまでの累積販売量が最も近い製品と、販売
開始から時点tまでの販売量実績のパターンが最も近い
製品を選択する手段と、上記累積販売量が最も近い製品
に対する推定値mと、上記販売量実績パターンが最も近
い製品に対する推定値p、qを、上記販売中の製品のパラ
メータp、q、mとして推定する手段を有して、上記推定
したp、q、mを用いて、上記販売中製品のその後の需要
量を予測することを特徴とする需要予測方法。
【請求項２】請求項１記載の需要予測方法の販売中製品
のパラメータ推定において、パラメータp、qに関して
は、販売実績パターンが最も近い製品を選択して、その
製品の推定値を使うとともに、パラメータmに関して
は、推定対象製品の現時点までの累積販売量m1と、上記
選択した製品の販売開始から起算して時点tまでの累積
販売量m2、販売停止までの累積販売量m3を用いて、次式【数２】により求めることを特徴とする需要予測方法。
【請求項３】請求項１記載の需要予測方法の販売中製品
のパラメータ推定において、パラメータmに関しては、
販売開始からの時点tまでの累積需要量が最も近い製品
を選択して、その製品の推定値を使うとともに、パラメ
ータp、qに関しては、推定対象製品の実績データに、次
式【数１】に上記で求めたmを代入した成長モデルを当てはめて、
p、qを推定することを特徴とする需要予測方法。
【請求項４】製品毎の月毎の販売量実績を記録する手段
と、販売開始から販売終了までの上記販売量実績が記録
されたすべての製品に対して、製品iの販売量実績の推
移を、販売開始から起算してtヶ月までの累積販売量Nit
が次式【数３】ただしsiは製品iの販売開始月を表されており表現され
る成長モデルに当てはめて、上記各製品固有のパラメー
タpi、qi、miと全製品共通のパラメータαt(t=1,2,...)
とを推定する手段と、上記推定したpi、qi、miと上記記
録した販売量実績とを関連づけて保存する手段と、上記
推定したαtを保存する手段と、ある時点において、販
売開始から起算してtヶ月だけ経過した販売中の製品i0
に対して、その販売量実績と、上記保存した過去の製品
の販売開始から起算して時点tまでの販売量実績を比較
して、販売開始からの時点tまでの累積販売量が最も近
い製品i1と、販売開始から起算してtヶ月までの販売量
実績のパターンが最も近い製品i2を選択する手段と、上
記累積販売量が最も近い製品i1に対する推定値mi1と、
上記販売量実績パターンが最も近い製品i2に対する推定
値pi2、qi2を、上記販売中の製品i0のパラメータpi0、q
i0、mi0として推定する手段を有して、上記推定したpi
0、qi0、mi0と上記保存したαtを用いて、販売中の製品
のその後の需要量を予測することを特徴とする需要予測
方法。
【請求項５】請求項４記載の需要予測方法の販売中製品
のパラメータ推定において、パラメータp、qに関して
は、販売実績パターンが最も近い製品を選択して、その
製品の推定値を使うとともに、パラメータmに関して
は、推定対象製品の現時点までの累積販売量m0と、上記
選択した製品の販売開始から起算してtヶ月までの累積
販売量m1、販売停止までの累積販売量m2を用いて、次式【数２】により求めることを特徴とする需要予測方法。
【請求項６】請求項４記載の需要予測方法の販売中製品
のパラメータ推定において、パラメータmに関しては、
販売開始からの時点tまでの累積需要量が最も近い製品
を選択して、その製品の推定値を使うとともに、パラメ
ータp、qに関しては、推定対象製品の実績データに、次
式【数３】ただしsiは製品iの販売開始月を表すに上記で求めたmと
保存したαjを代入した成長モデルを当てはめて、p、q
を推定することを特徴とする需要予測方法。
【請求項７】請求項４記載の需要予測方法の販売中製品
のパラメータ推定における販売量比較に用いるデータに
関して、各製品のt月の販売量として、その実績値をαt
で割ったものを使うことことを特徴とする需要予測方
法。
【請求項８】請求項４記載の需要予測方法の販売中製品
のパラメータ推定における販売量比較に用いるデータに
関して、過去の製品iの販売開始から起算してtヶ月まで
の累積販売量として、次式【数１】に当該製品に対応する推定値pi、qi、miを代入して得ら
れた値を使い、推定対象製品のt月の販売量として、そ
の実績値をαtで割ったものを使うことことを特徴とす
る需要予測方法。
【請求項９】請求項４記載の需要予測方法において、あ
る製品の販売開始から販売終了までの販売量実績が記録
された時点で、当該製品の販売量実績だけから pi、q
i、mi、αitを推定する手段と、製品iと製品jの距離を
次式【数４】で定義して、各製品をクラスタ分析して、グループ分け
を行うと共に、グループ毎にαtの代表値を決める手段
を有し、販売中製品のパラメータ推定や需要予測の際
に、上記グループの中からある一つのグループを選択し
て、そのグループのαtを用いることを特徴とする需要
予測方法。
【請求項１０】請求項９記載の需要予測方法おいて、α
itを固定してpi、qi、miだけを推定する手段と、 pi、q
i、mi を固定してαitを推定する手段を有し、αitをす
べて１に固定してpi、qi、miを推定する処理を第一ステ
ップとして、適当な時点で打ち切るまで、上記二つの推
定手段を繰り返し行い、 pi、qi、mi、αitを推定する
ことを特徴とする需要予測方法。
【請求項１１】請求項１から１０記載の需要予測方法に
おいて、販売量実績の代わりに出荷量実績を用いること
を特徴とする需要予測方法。
【請求項１２】請求項４から１０記載の需要予測方式に
おいて、販売量実績を週毎に記録し、製品iの販売量実
績の推移を、販売開始から起算してt週までの累積販売
量Nitが次式【数３】ただしsiは製品iの販売開始週を表すで表現される成長
モデルを利用することを特徴とする需要予測方法。