JPWO2018079367A1

JPWO2018079367A1 - 商品需要予測システム、商品需要予測方法および商品需要予測プログラム

Info

Publication number: JPWO2018079367A1
Application number: JP2018547596A
Authority: JP
Inventors: 敬之中野; 祐貴久保田
Original assignee: NEC Corp
Current assignee: NEC Corp
Priority date: 2016-10-31
Filing date: 2017-10-18
Publication date: 2019-09-12
Anticipated expiration: 2037-10-18
Also published as: JP7107222B2; US20190251609A1; WO2018079367A1

Abstract

学習部８１は、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する。予測部８２は、対象商品の需要数量を予測する。具体的には、予測部８２は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測する。

Description

本発明は、商品の需要を予測する商品需要予測システム、商品需要予測方法および商品需要予測プログラムに関する。

過去の商品の取引実績に基づいて予測モデルを学習し、その予測モデルに基づいて将来の需要予測を行う方法が広く知られている。例えば、過去の売上実績、店舗営業時間、キャンペーン情報および気象情報などのデータと商品の需要量とを含む学習データに基づいて予測モデルを作成し、予測する日の説明変数値を作成された予測モデルに代入することで予測値が得られる。

一方、新商品のように過去に取引実績がない場合や、欠品等によって一定期間販売ができなかった商品の場合、その商品についての学習データが不足するため、上述する方法で適切な予測モデルを作成することは難しい。そこで、発売前に需要実績に関する情報がない場合でも需要予測を行う方法が提案されている。

例えば、特許文献１には、過去の需要データがない新商品の需要予測を行うシステムが記載されている。特許文献１に記載されたシステムは、新商品と類似する商品を選択し、類似商品の過去の需要量から新商品のベース需要量を算出して、新商品の発売開始日以降の需要量を求める。

特開２０１５−３２０３４号公報

しかし、特許文献１に記載されたシステムでは、類似するか否かの判断が人間の主観に依存し、その判断基準が自明ではない。すなわち、特許文献１に記載されたシステムでは、ある商品に類似する商品の入力をユーザから受け付けて類似商品としているが、その類否判断の方法は不明である。そのため、類似するか否かの判断が、例えば、熟練のマーケット担当者による過去の経験や勘などの主観に依存してしまい、需要予測精度が低下する場合がある。

また、同一の商品の実績データが存在しない場合、予測モデルを学習する際には、新商品に類似する過去の商品群の実績データを纏めて予測モデルを学習することが考えられる。しかし、どの商品を類似する商品群として纏めるかも自明ではないため、やはり、予測モデルの精度が経験者の主観に依存してしまい、需要予測精度が低下する場合がある。

そこで、本発明は、商品の需要予測精度を向上させることができる商品需要予測システム、商品需要予測方法および商品需要予測プログラムを提供することを目的とする。

本発明による商品需要予測システムは、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習部と、対象商品の需要数量を予測する予測部とを備え、予測部は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による商品需要予測方法は、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習し、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による商品需要予測プログラムは、コンピュータに、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習処理、および、対象商品の需要数量を予測する予測処理を実行させ、予測処理で、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測させることを特徴とする。

本発明によれば、商品の需要予測精度を向上させることができる。

本発明による商品需要予測システムの一実施形態の構成例を示すブロック図である。学習データの例を示す説明図である。商品需要予測システムの動作例を示すフローチャートである。予測モデルの例を示す説明図である。本発明による商品需要予測システムの概要を示すブロック図である。

例えば、新商品は過去に販売実績がないため、その商品の販売実績から予測モデルを作成ることはできない。また、欠品等によって一定期間販売ができなかった商品も、その期間の販売実績がないため、販売実績のみから予測モデルを作成すると需要予測精度が低くなってしまう。

そこで、発明者は、商品のそのものの過去の販売実績ではなく、商品の原材料に着目し、その原材料を含む商品の過去の販売実績を利用するとの着想を得た。具体的には、本願発明では、商品の原材料に関する情報（より具体的には、原材料、その原材料の重量や割合等）を説明変数とし、商品の需要数量（例えば、取引数、販売数、注文数など）を予測する。以下、本発明の実施形態を図面を参照して説明する。

実施形態１．
図１は、本発明による商品需要予測システムの第１の実施形態の構成例を示すブロック図である。本実施形態の商品需要予測システム１００は、記憶部１０と、学習部２０と、予測部３０と、出力部４０とを備えている。

記憶部１０は、後述する学習部２０が予測モデルの作成に用いる学習データを記憶する。記憶部１０は、例えば、磁気ディスク装置等により実現される。後述する学習部２０と記憶部１０とは、有線または無線ＬＡＮ（Local Area Network）を介して接続されていてもよく、インターネットを介して接続されていてもよい。

予測モデルは、説明変数と目的変数の相関関係を表す情報である。予測モデルは、例えば、説明変数に基づいて目的とする変数を算出することにより予測対象の結果を予測するためのコンポーネントである。予測モデルは、「モデル」、「学習モデル」、「推定モデル」、「予測式」または「推定式」などと記載されることもある。

記憶部１０は、商品の原材料に関する情報（具体的には、原材料、原材料の重量、商品の総重量に対する原材料の割合など）と、商品の需要数量とを含む学習データを記憶する。例えば、日単位で需要数量が管理される場合、記憶部１０は、商品の販売日と、商品の原材料に関する情報と、その販売日の需要数量とを含む学習データを記憶する。以下、学習データに含まれる需要数量の集計期間の単位を単位期間と記すこともある。例えば、日単位の学習データが存在する場合、単位期間は１日になる。

本実施形態の具体例として、ある工場が予測の対象とする商品（以下、対象商品と記す。）をどの程度製造すべきかを需要数量として予測することを想定する。製造すべき数量を予測できれば、その工場で対象商品の製造に必要な原材料を予測することも可能になる。学習データには、例えば、店舗で過去に取得された商品の売上データ（例えば、ＰＯＳ（Point of sale ）データ）が用いられる。例えば、「弁当」が対象商品の場合、過去の売上データのうち、同じカテゴリの商品（すなわち、弁当）の売上データを学習データに用いることが好ましい。

本実施形態では、商品の原材料に関する情報が説明変数として用いられるため、記憶部１０は、説明変数として用いられる原材料が各商品に含まれるか否か、また含まれている場合に、その原材料の重量や重量の割合がどの程度かを記憶する。対象商品の例として、新商品や、既存の商品のうち今まで扱っていなかった商品、欠品等で一定期間販売実績がない商品などが挙げられる。

図２は、記憶部１０が記憶する学習データの例を示す説明図である。図２では、店舗および日付（曜日）ごとに、販売された商品の総重量、その商品に含まれる原材料、および、その商品の需要数量を含む学習データを例示している。図２に例示する取引実績数（需要数量）は、例えば、各店舗の売上数量や発注数の合算値である。

図２に示す例では、変数１が、商品の総重量を表わし、また、変数２〜変数７が、予め定めた原材料が商品に含まれる重量（含まれない場合は０、含まれる場合には重量）を表わす。図２に示す例では、変数２が「ご飯」の重量、変数３が「パン」の重量、変数４が「鳥唐揚げ」の重量、変数５が「焼きサバ」の重量、変数６が「スパゲッティ」の重量、変数７が「煮物」の重量をそれぞれ表わす。

また、変数８が曜日を表わす。本実施形態では、日曜日から土曜日までを、それぞれ１〜７で表すものとする。

なお、図２には、学習データとして原材料の重量が用いられる場合を例示しているが、学習データとして、原材料の重量の比が用いられてもよい。この場合、例えば、図２に例示する「焼きサバ弁当」において、記憶部１０は、変数１、変数２および変数５が、それぞれ、６：２：１と記憶してもよい。このように、記憶部１０は、商品に含まれる原材料の重量の比（割合）を記憶していてもよい。また、記憶部１０が商品の売上と、その商品に含まれる原材料の情報とを、それぞれ別の情報（テーブル）として記憶していてもよい。

また、図２に示す例では、学習データが、商品の総重量、その商品に含まれる原材料、および、その商品の需要数量を含む場合を例示しているが、学習データには、その他の変数を含んでいてもよい。その他の変数として、各商品の特性を示す情報や、各日の特性を示す情報などが挙げられる。

また、各商品を分類するため、学習データは、その商品のカテゴリを示す情報を含んでいてもよい。例えば、商品が食品の場合、学習データは、「弁当」や「おにぎり」などのカテゴリを示す情報を含んでいてもよい。また、学習データは、カテゴリを階層的に示す情報を含んでいてもよい。

学習部２０は、上述する学習データに基づいて予測モデルを作成する。具体的には、学習部２０は、需要数量を目的変数とし、学習データに含まれる変数（情報）を説明変数とする１つの予測モデルを作成する。予測モデルの作成方法は任意である。学習部２０は、一般的に知られている方法を用いて予測モデルを作成すればよい。予測モデルの作成方法は広く知られているため、詳細な説明を省略する。

予測部３０は、対象商品（すなわち、上述する学習データが不足する商品）の需要数量を予測する。具体的には、予測部３０は、学習部２０により作成された予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測する。

予測対象期間における対象商品の需要数量として、例えば、１日や１週間の需要数量、発注間隔に応じた需要数量などが考えられる。

以下、図２で例示した説明変数を用いた場合の予測方法を、具体例を示しながら説明する。ここでは、新発売商品「ヘルシーミックス弁当」についての需要数量を予測するものとする。

図２に例示する学習データの変数を用いた予測モデルは、例えば、以下に例示する式１で表される。ここで、ｆは予測式を表わす任意の関数である。
需要数量Ｄ＝ｆ（変数１、変数２、…、変数７、変数８）・・・（式１）

以下、ある日曜日の需要数量を予測する場合について説明する。ここで、新発売商品の原材料には、「ご飯」、「焼きサバ」、「煮物」が少なくとも含まれているとする。また、原材料として、それぞれ「ご飯」が８０ｇ、「焼きサバ」が４０ｇ、「煮物」が３０ｇの重量を有し、総重量が２３０ｇであるとする。この場合、変数１＝２３０、変数２＝８０、変数３＝０、変数４＝０、変数５＝４０、変数６＝０、変数７＝３０になる。また、日曜日の需要数量を予測するため、変数８＝１になる。

予測部３０は、これらの変数を上記に示す式１に代入することで、日曜日の需要数量Ｄを予測する。また、一定期間内の総需要数量を算出する場合、例えば、対応する曜日ごとに予測した需要数量Ｄを加算し、その総合計を総需要数量としてもよい。

出力部４０は、予測部３０による予測結果を出力する。出力部４０は、例えば、ディスプレイ装置により実現される。

学習部２０と、予測部３０とは、プログラム（商品需要予測プログラム）に従って動作するコンピュータのＣＰＵによって実現される。例えば、プログラムは、記憶部１０に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、学習部２０および予測部３０として動作してもよい。また、商品需要予測システムの機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。

また、学習部２０と、予測部３０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。

また、各装置の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントアンドサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。

次に、本実施形態の商品需要予測システムの動作を説明する。図３は、本実施形態の商品需要予測システム１００の動作例を示すフローチャートである。

学習部２０は、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する（ステップＳ１１）。予測部３０は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測する（ステップＳ１２）。

以上のように、本実施形態では、学習部２０が、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する。そして、予測部３０が、対象商品の需要数量を予測する。具体的には、予測部３０は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測する。そのような構成により、学習データが不足する商品の需要予測精度を向上させることができる。

すなわち、本実施形態の商品需要予測システムでは、商品の原材料という客観的な情報に基づいて予測モデルが作成される。そのため、新商品や欠品等によって一定期間販売ができなかった商品であるデータ（過去のデータなど）が不足している商品であっても需要予測精度を向上できる。さらに、人の主観による商品を類似する商品群として纏める作業を無くすことができ、主観に依存しない需要予測を行うことができる。

また、例えば、新商品を製造する工場の観点では、新商品の発売前に必要となる原材料量を事前に把握できるため、原材料の過不足が発生するリスクを抑えることが可能になる。また、新商品を販売する店舗の観点では、新商品の在庫を抱えたり、機会損失が発生したりといったリスクを抑えることが可能になる。

次に、第１の実施形態の変形例を説明する。第１の実施形態では、予測モデルが式１で例示するような１つの予測式で表される場合について例示した。一方、予測モデルは、１つの予測式で表される態様に限定されない。学習部２０は、対象商品の需要予測に用いられる変数の値に応じて予測式が決定される予測モデルを作成してもよい。そして、予測部３０は、作成された予測モデルから対象商品の需要予測に用いられる変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測してもよい。

図４は、対象商品を特定する変数の値に応じて予測式が決定される予測モデルの例を示す説明図である。図４では、選択される予測式が木構造で表される予測モデルを例示している。図４に示す例では、まず総重量が３５０ｇ以上か否かで予測式の候補が選択される。以降、例えば、総重量が３５０ｇ未満の場合であって、カロリーが９８０ｋｃａｌ未満であり、原材料に野菜が含まれる場合、予測式５が選択される。

次に、本発明の概要を説明する。図５は、本発明による商品需要予測システムの概要を示すブロック図である。本発明による商品需要予測システム８０（例えば、商品需要予測システム１００）は、商品の原材料に関する情報（例えば、原材料、重量、総重量に対する割合等）と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習部８１（例えば、学習部２０）と、対象商品の需要数量（例えば、発注数など）を予測する予測部８２（例えば、予測部３０）とを備えている。

予測部８２は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測する。

そのような構成により、学習データが不足する商品の需要予測精度を向上させることができる。

また、学習部８１は、需要数量を目的変数とし、商品の原材料に関する情報を表わす変数を説明変数に含む１つの予測モデルを作成してもよい。

具体的には、学習部８１は、その商品に使用されている原材料と商品の需要数量とを含む学習データに基づいて、予測モデルを学習してもよい。

他にも、学習部８１は、商品の原材料の総重量、各原材料の重量、および、商品の総重量に対する各原材料の重量の割合の少なくとも１つを含む学習データに基づいて、予測モデルを学習してもよい。

また、学習部８１は、対象商品の需要予測に用いられる変数の値に応じて予測式が決定される予測モデルを作成してもよい。そして、予測部８２は、作成された予測モデルから対象商品の需要予測に用いられる変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測してもよい。

以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１６年１０月３１日に出願された日本特許出願２０１６−２１２９２３を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１０記憶部
２０学習部
３０予測部
４０出力部
１００商品需要予測システム

本発明による商品需要予測システムは、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、原材料を説明変数とする予測モデルを学習する学習部と、対象商品の需要数量を予測する予測部とを備え、予測部は、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による商品需要予測方法は、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、原材料を説明変数とする予測モデルを学習し、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測することを特徴とする。

本発明による商品需要予測プログラムは、コンピュータに、商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、原材料を説明変数とする予測モデルを学習する学習処理、および、対象商品の需要数量を予測する予測処理を実行させ、予測処理で、予測モデルおよび対象商品の原材料に基づいて、予測対象期間における対象商品の需要数量を予測させることを特徴とする。

Claims

商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習部と、
対象商品の需要数量を予測する予測部とを備え、
前記予測部は、前記予測モデルおよび対象商品の原材料に基づいて、予測対象期間における当該対象商品の需要数量を予測する
ことを特徴とする商品需要予測システム。
学習部は、商品に使用されている原材料と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する
請求項１記載の商品需要予測システム。
学習部は、商品の原材料の総重量、各原材料の重量、および、商品の総重量に対する各原材料の重量の割合の少なくとも１つを含む学習データに基づいて、予測モデルを学習する
請求項１または請求項２記載の商品需要予測システム。
学習部は、需要数量を目的変数とし、商品の原材料に関する情報を表わす変数を説明変数に含む１つの予測モデルを作成する
請求項１から請求項３のうちのいずれか１項に記載の商品需要予測システム。
学習部は、対象商品の需要予測に用いられる変数の値に応じて予測式が決定される予測モデルを作成し、
予測部は、作成された予測モデルから対象商品の需要予測に用いられる変数の値に応じて予測式を特定し、特定された予測式を用いて対象商品の需要数量を予測する
請求項１から請求項３のうちのいずれか１項に記載の商品需要予測システム。
商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習し、
前記予測モデルおよび対象商品の原材料に基づいて、予測対象期間における当該対象商品の需要数量を予測する
ことを特徴とする商品需要予測方法。
商品に使用されている原材料と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する
請求項６記載の商品需要予測方法。
コンピュータに、
商品の原材料に関する情報と商品の需要数量とを含む学習データに基づいて、予測モデルを学習する学習処理、および、
対象商品の需要数量を予測する予測処理を実行させ、
前記予測処理で、前記予測モデルおよび対象商品の原材料に基づいて、予測対象期間における当該対象商品の需要数量を予測させる
ための商品需要予測プログラム。
コンピュータに、
学習処理で、商品に使用されている原材料と商品の需要数量とを含む学習データに基づいて、予測モデルを学習させる
請求項８記載の商品需要予測プログラム。