JPWO2019065610A1 - 情報処理装置、制御方法、及びプログラム - Google Patents

Abstract

本発明の情報処理装置は、予測対象の営業施設における実績データが存在する期間を複数の部分期間に分割する。また、情報処理装置は、所定期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する。そして、情報処理装置は、上記比較の結果に基づいて、所定期間以降についての売上予測に利用する予測モデルを決定する。

Description

本発明は情報処理装置、制御方法、及びプログラムに関する。

コンビニエンスストア等の店舗では、品切れや売れ残りによる廃棄処分などの防止を目的として、過去の商品の売上実績から商品毎に需要量を予測して適切な商品量を発注することが求められている。しかしながら、売上実績の蓄積が十分でないケース（例えば、開店直後の新店舗において商品の需要予測を行うケース）では、単純に売上実績のデータを用いて予測モデルの変数やその重みを決定するような統計的手法では、十分な予測精度を得られない場合が多い。

商品の需要予測を行う技術として、例えば特許文献１や特許文献２に開示されている技術がある。特許文献１は、類似する商品の販売実績を利用して、新商品の需要を予測するモデルを生成する技術を開示している。特許文献２は、過去の需要量変動を表すグラフと、ユーザによって手動で選択された予測モデルとを並べて表示することで、ユーザが、過去の需要変動に合う予測モデルを目視で選択できる技術を開示している。

特開２０１７−２７６３２号公報 特開２００３−３４６０７０号公報

本発明者は、店舗などの営業施設における売上量や来客数の予測に利用する予測モデルを決定する新たな技術を見出した。本発明の目的の一つは、店舗などの営業施設における売上量や来客数の予測に利用する予測モデルを決定する新たな技術を提供することである。

本発明の第１の情報処理装置は、１）予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割手段と、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較手段と、３）比較手段による比較の結果に基づいて、実績期間以降についての売上予測に利用する予測モデルを決定する第１決定手段と、を有する。

本発明の第２の情報処理装置は、１）来客の予測対象の実績データが存在する実績期間を複数の部分期間に分割する分割手段と、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較手段と、３）比較手段による比較の結果に基づいて、実績期間以降についての来客予測に利用する予測モデルを決定する第１決定手段と、を有する。

本発明の第１のプログラムは、コンピュータに、１）予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較ステップと、３）比較ステップによる比較の結果に基づいて、実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を実行させる。

本発明の第２のプログラムは、コンピュータに、１）来客の予測対象の実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較ステップと、３）比較ステップによる比較の結果に基づいて、実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を実行させる。

本発明の第１の制御方法は、コンピュータによって実行される。当該制御方法は、１）予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較ステップと、３）比較ステップによる比較の結果に基づいて、実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を有する。

本発明の第２の制御方法は、コンピュータによって実行される。当該制御方法は、１）来客の予測対象の実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、２）実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における実績データと比較する比較ステップと、３）比較ステップによる比較の結果に基づいて、実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を有する。

本発明によれば、店舗などの営業施設における売上量や来客数の予測に利用する予測モデルを決定する新たな技術が提供される。

上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。

実施形態１の情報処理装置の概要を説明するための図である。 実施形態１の情報処理装置の概要を説明するための図である。 実施形態１の情報処理装置の機能構成を例示する図である。 情報処理装置を実現するための計算機を例示する図である。 実施形態１の情報処理装置によって実行される処理の流れを例示するフローチャートである。 売上予測の対象を例示する図である。 予測モデルが記憶されているデータベースの構成を例示する図である。 情報処理装置のユーザによって第１部分期間の長さが指定される様子を例示する図である。 第１決定部が出力するデータを例示する図である。 予測モデルによって予測された将来の売上が可視化された様子を例示する図である。 実施形態２の情報処理装置の動作を例示する図である。 実施形態２の情報処理装置によって実行される処理の流れを例示するフローチャートである。 実績期間が３つの部分期間に分割されるケースを例示する図である。 実績期間と各部分期間との関係を表す図である。 実施形態３の情報処理装置の機能構成を例示する図である。 実施形態３の情報処理装置によって実行される処理の流れを例示するフローチャートである。 所定の頻度で第１決定部が利用されるケースを表で例示する図である。 実施形態４の情報処理装置の動作を説明するための図である。 実施形態４の情報処理装置の機能構成を例示する図である。 実施形態４の情報処理装置によって実行させる処理の流れを例示するフローチャートである。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また、特に説明する場合を除き、各ブロック図において、各ブロックは、ハードウエア単位の構成ではなく、機能単位の構成を表している。

［実施形態１］
＜概要＞
図１及び図２は、実施形態１の情報処理装置（図３に示す情報処理装置２０００）の概要を説明するための図である。以下で説明する情報処理装置２０００の動作は、情報処理装置２０００の理解を容易にするための例示であり、情報処理装置２０００の動作は以下の例に限定されるわけではない。情報処理装置２０００の動作の詳細やバリエーションについては後述する。

情報処理装置２０００は、予測対象の営業施設における売上実績のデータを利用して、その営業施設におけるその後の売上予測に適した予測モデルを決定する。営業施設は、例えばコンビニエンスストアなどの店舗である。例えば情報処理装置２０００は、新規に開店した営業施設（新装開店したケースも含む）について、開店してからしばらく後（例えば数週間後など）に、それまでに得られた売上実績のデータを利用して、その営業施設の売上予測に利用する予測モデルを決定する。以下、予測対象の営業施設を、「対象営業施設」とも表記する。また、売上実績のデータを、「実績データ」とも表記する。

情報処理装置２０００は、対象営業施設の実績データが存在する期間について、複数の予測モデルそれぞれに、売上を予測する予測処理を実行させる。そして、情報処理装置２０００は、予測処理の結果を表すデータ（以下、予測データ）と売上実績データとを比較することで、予測結果が実際の売上に最も適合した予測モデルを特定する。

ここで、新規に開店した営業施設における実績データの中には、開店セール期間の売上データなど、通常営業時とは異なる特殊な売上傾向を示すデータが含まれうる。例えば図１のグラフにおいて、最初の山が表す売上実績は、その後の売上実績とは大きく異なる。予測モデルの選定にこのような特殊な傾向の実績データを利用してしまうと、通常の期間の売上傾向を予測する予測モデルを適切に選定することが難しくなる。

そこで情報処理装置２０００は、売上実績が得られている期間（以下、実績期間）を複数の部分期間に分割する。さらに情報処理装置２０００は、複数の部分期間のうち、実績期間の始期を含む第１部分期間以外の部分期間である第２部分期間を、予測モデルの評価に利用する。例えば図１では、実績期間が、第１部分期間と第２部分期間の２つに分割されている。

情報処理装置２０００は、複数の予測モデルそれぞれを利用して、第２部分期間について、売上の予測処理を行う。例えば或る特定の日の売上は、その日の天候や曜日などの変数を利用して予測することができる。各予測モデルは、どの変数を利用するか、各変数の重みがどのような値か、などといった点で異なる。

情報処理装置２０００は、各予測モデルによる予測処理の結果得られる予測データを、第２部分期間の実績データと比較する。そして、情報処理装置２０００は、この比較に基づき、実績期間以降の売上予測に利用する予測モデルを決定する。例えば情報処理装置２０００は、予測データが第２部分期間の売上実績に最も近い予測モデルを、実績期間以降の売上予測に利用する。

図２は、複数の予測モデルを用いて、売上予測に利用する予測モデルが決定される様子を例示する図である。図２は、実績データと、各予測モデルが第２部分期間について生成した予測データとを示している。この例では、予測モデル M1 が生成した予測データが、実績データに最も近いといえる。そのため、情報処理装置２０００は、売上予測に利用する予測モデルを、予測モデル M1 に決定する。ただし後述するように、売上予測に利用する予測モデルを決定する方法は、実績データに最も近い予測データを生成した予測モデルを選ぶという方法に限定されない。

＜作用・効果＞
本実施形態の情報処理装置２０００によれば、売上実績が存在する実績期間から一部を除いた期間（第２部分期間）について、複数の予測モデルそれぞれによる予測と売上実績との比較が行われる。そして、その比較の結果に基づいて、売上予測に利用される予測モデルが決定される。このように、特殊な売上傾向を示す期間などを、予測モデルの適切さの評価に利用する期間から除外することで、各予測モデルの予測精度の高さを、より正確に評価することができるようになる。その結果、新店舗などの営業施設の売上を高精度に予測できる予測モデルを選定することができるため、その営業施設における将来の売上を高精度に予測することができるようになる。

以下、本実施形態の情報処理装置２０００についてさらに詳細に説明する。

＜情報処理装置２０００の機能構成の例＞
図３は、実施形態１の情報処理装置２０００の機能構成を例示する図である。情報処理装置２０００は、分割部２０２０、比較部２０４０、及び第１決定部２０６０を有する。分割部２０２０は、対象営業施設の実績データが存在する実績期間を、複数の部分期間に分割する。ここで、複数の部分期間は、第１部分期間と第２部分期間を含む。第１部分期間は、実績期間の始期を含む。比較部２０４０は、第２部分期間について、複数の予測モデルそれぞれによる予測処理を行う。さらに比較部２０４０は、各予測処理の結果得られる予測データを、第２部分期間の実績データと比較する。第１決定部２０６０は、各予測データと実績データとの比較結果に基づいて、対象営業施設における実績期間以降の売上予測に利用する予測モデルを決定する。

＜情報処理装置２０００のハードウエア構成＞
情報処理装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、情報処理装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図４は、情報処理装置２０００を実現するための計算機１０００を例示する図である。計算機１０００は任意の計算機である。例えば計算機１０００は、Personal Computer（PC）、サーバマシン、タブレット端末、又はスマートフォンなどである。計算機１０００は、情報処理装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。プロセッサ１０４０は、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、又は FPGA（Field-Programmable Gate Array）などの種々のプロセッサである。メモリ１０６０は、RAM（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、SSD（Solid State Drive）、メモリカード、又は ROM（Read Only Memory）などを用いて実現される補助記憶装置である。

入出力インタフェース１１００は、計算機１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。

ネットワークインタフェース１１２０は、計算機１０００をネットワークに接続するためのインタフェースである。この通信網は、例えば LAN（Local Area Network）や WAN（Wide Area Network）である。ネットワークインタフェース１１２０がネットワークに接続する方法は、無線接続であってもよいし、有線接続であってもよい。

ストレージデバイス１０８０は、情報処理装置２０００の各機能構成部を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

＜処理の流れ＞
図５は、実施形態１の情報処理装置２０００によって実行される処理の流れを例示するフローチャートである。分割部２０２０は、実績期間を複数の部分期間に分割する（Ｓ１０２）。Ｓ１０４からＳ１１０は、複数の予測モデルそれぞれについて実行されるループ処理である。Ｓ１０４において、情報処理装置２０００は、既に全ての予測モデルを対象にループ処理Ａを実行したか否かを判定する。既に全ての予測モデルを対象にループ処理Ａを実行した場合、図５の処理はＳ２１２に進む。一方、まだループ処理Ａの対象としていない予測モデルがある場合、情報処理装置２０００は、そのうちの１つを対象にループ処理Ａを実行する。ここでループ処理Ａの対象とする予測モデルを、予測モデルｉと表記する。

比較部２０４０は、第２部分期間について、予測モデルｉによる予測処理を行う（Ｓ１０６）。比較部２０４０は、予測結果（予測処理で得られた予測データ）と実績データとの比較を行う（Ｓ１０８）。Ｓ１１０はループ処理Ａの終端であるため、図５の処理はＳ１０４に進む。

ループ処理Ａが完了した後、第１決定部２０６０は、各予測モデルによる予測結果と実績データとの比較結果に基づいて、売上予測に利用する予測モデルを決定する（Ｓ１１２）。

ここで、図５に示す一連の処理が実行される契機、すなわち情報処理装置２０００が利用される契機は任意である。例えば情報処理装置２０００は、情報処理装置２０００のユーザから所定の入力操作を受け付けたことに応じて、図５に示す一連の処理を実行する。その他にも例えば、情報処理装置２０００は、所定の周期で、図５に示す一連の処理を実行する。例えば、一日一回、営業施設の営業開始前に情報処理装置２０００を動作させて、その日の売上予測に利用する予測モデルを決定するといった利用方法がある。

＜対象営業施設について＞
予測対象の営業施設は、商品が販売される任意の施設とすることができる。例えば営業施設は、コンビニエンスストア、スーパーマーケット、ショッピングモール、又はデパートなどの任意の店舗である。ここでいう店舗とは、商品が販売される任意の販売スペースを意味し、必ずしも建物の中に設けられている販売スペースに限定されるものではない。例えば、屋外に設けられた仮設スペースで商品等が販売されるケースでは、この仮設スペースが店舗に該当する。

その他にも例えば、営業施設は、主にサービスの提供がなされる施設（レストラン、スタジアム、博物館、又はテーマパークなど）に設けられた販売スペース（売店など）であってもよい。

ここで、大型の営業施設では、その中が複数の区域に分かれているケースがある。この場合、売上予測は、それら複数の区域それぞれについて行われてもよいし、営業施設全体について行われてもよい。前者の場合、複数の区域それぞれを、個別の対象営業施設として扱う。

＜情報処理装置２０００の利用シーンについて＞
情報処理装置２０００が利用されるシーンは、前述した、新規に開店する営業施設の売上予測に利用する予測モデルの決定に限定されない。例えば、情報処理装置２０００は、新発売の商品について、その商品が対象営業施設で販売され始めてからしばらく後に、それまでに得られたその商品の売上実績を利用して、対象営業施設におけるその商品の売上予測に利用する予測モデルを決定する。

その他にも例えば、情報処理装置２０００は、売上傾向が大きく変化したなどの理由から、売上予測に利用する予測モデルを変更すべき状況になった営業施設を対象営業施設として、予測モデルの決定を行う。具体的には、情報処理装置２０００は、対象営業施設において売上傾向が変化してからしばらく後に、売上傾向が変化した後の売上実績を利用して、その対象営業施設において新たに利用する予測モデルを決定する。

＜売上予測の対象とする商品等について＞
予測モデルは、商品等の売上の予測に利用される。ここで、売上予測の対象とする「商品等」としては、様々なものを採用できる。図６は、売上予測の対象を例示する図である。図６の上段の例において、売上予測の対象は、或る特定の商品である。この場合、予測モデルは商品ごとに決定される。例えば予測対象の営業施設で 1000 種類の商品を扱う場合、これら 1000 種類の商品それぞれについて、予測モデルが決定される。ただし、必ずしも予測対象の営業施設で扱われている全ての商品について予測モデルが決定される必要はない。商品の区別は、例えば商品名単位で行われる。その他にも例えば、商品の区別は、いわゆる SKU（Stock Keeping Unit）単位で行われてもよい。

図６の中段の例において、売上予測の対象は、或る特定のカテゴリに属する商品群である。この場合、予測モデルは商品カテゴリごとに決定される。例えば予測対象の営業施設で販売されている商品が 100 個の商品カテゴリに分類される場合、これら 100 個の商品カテゴリそれぞれについて、予測モデルが決定される。ただし、必ずしも予測対象の営業施設で扱われている全ての商品カテゴリについて予測モデルが決定される必要はない。

ここで、商品をカテゴリに分類する方法には、既存の方法を利用することができる。例えば、食料品、衣類、及び玩具などのように、商品を比較的粗く分類する商品カテゴリを採用することができる。その他にも例えば、肉類を豚肉、牛肉、及び鶏肉などに分類するなど、商品を比較的細かく分類する商品カテゴリを採用することができる。

図６の下段の例では、売上予測の対象は、予測対象の営業施設で販売されている商品全体である。この場合、１つの対象営業施設について１つの予測モデルが決定される。

＜実績データについて＞
情報処理装置２０００は、売上予測の対象とする商品等について、対象営業施設におけるその商品等の売上実績を表す実績データを取得する。例えば情報処理装置２０００が、営業施設Ａにおける商品Ｘについて予測モデルを決定する場合、利用する売上実績データは、営業施設Ａにおける商品Ｘの売上実績を表すデータである。

ここで、実績期間は必ずしも対象営業施設の売上実績が存在する全期間ではなく、情報処理装置２０００の利用シーンによって異なる。新規に開店した営業施設を対象営業施設とする場合、実績期間の始期が、例えば対象営業施設が開店した日となる。対象営業施設における新商品の売上予測を行う場合、売上期間の始期が、例えば対象営業施設においてその商品の販売が開始された日となる。商品の売上傾向が変化した営業施設を対象営業施設とする場合、実績期間が、例えばその売上傾向が変化した日となる。なお、売上傾向が変化した日は、ユーザによって指定されてもよいし、実績データを統計処理することによって情報処理装置２０００が決定してもよい。

情報処理装置２０００が利用する実績データは、売上予測の対象とする商品等と同じ粒度で、売上の実績を示す。例えば売上予測が商品単位で行われる場合、売上実績データは、商品単位で売上実績を示す。その他にも例えば、売上予測が商品カテゴリ単位で行われる場合、売上実績データは、商品カテゴリ単位で売上実績を示す。なお、実績データが予測対象よりも細かい粒度で売上実績を表している場合（例えば、予測対象の単位が商品カテゴリである一方、実績データの単位が商品である場合）、予め実績データを加工することで、予測対象同じ粒度で売上実績を表す実績データに変換しておく。情報処理装置２０００は、この変換後の実績データを利用する。

情報処理装置２０００が実績データを取得する方法は様々である。例えば実績データは、情報処理装置２０００からアクセス可能な記憶装置に予め記憶されていてもよい。その他にも例えば、実績データは、複数の営業施設それぞれから実績データを収集して管理するデータベースサーバに記憶されていてもよい。この場合、情報処理装置２０００は、このデータベースサーバにアクセスすることで、実績データを取得する。

＜予測モデルについて＞
予測モデルは、一つ以上の変数に基づいて、売上の予測値を出力する。予測モデルが利用する変数には、様々なものを採用することができる。例えば変数は、予測対象の日の直近所定期間（例えば一週間）の売上量、予測対象の日やその前後の所定期間の天候、又は予測対象の日やその前後の所定期間の属性（曜日、祝日、又は歴注など）などである。ここで、売上量とは、販売された商品の個数や重さを意味する。売上量が重さで表される商品としては、例えば量り売りされる生鮮食品などがある。

予測対象の日の直近所定期間の売上量は、実績データを利用して特定することできる。予測対象の日及びそれ以前の天候については、情報処理装置２０００からアクセス可能な記憶装置に予め記憶されていてもよいし、情報処理装置２０００の外部のサーバ等から提供される情報を利用して取得されてもよい。予測対象の日以降の天候については、例えば、天気予報を提供するサービス（ウェブページなど）を利用して特定することができる。予測対象の日やその前後の所定期間の属性については、カレンダー情報を利用して特定することができる。カレンダー情報は、情報処理装置２０００からアクセス可能な記憶装置に予め記憶されていてもよいし、情報処理装置２０００の外部のサーバ等から提供されてもよい。

情報処理装置２０００が予測モデルを取得する方法は任意である。例えば情報処理装置２０００は、予測モデルが記憶されているデータベースサーバなどから予測モデルを取得する。図７は、予測モデルが記憶されているデータベースの構成を例示する図である。まず、商品カテゴリの一覧を示す商品カテゴリ２０２がある。そして、商品カテゴリ２０２に示される商品カテゴリごとに、テーブル２００が対応づけられている。テーブル２００は、施設ＩＤ２０４と予測モデル２０６を対応づけている。

予測モデル２０６は、予測モデルの一例を示している。予測モデル２０６に示されている数式は、各変数に対して具体的な値を代入することで、予測される売上を算出する。例えば、「直近７日間の売上量」には、売上を予測したい日の直近７日間の実績データが示す売上量が代入される。また、「雨か否か」には、売上を予測したい日の天気予報が雨であれば１が代入され、そうでなければ０が代入される。なお、a11 などは、変数に対する重みである。

図７の例では、十分に売上実績が蓄積された各営業施設において、その売上実績を用いて生成された予測モデルが利用されているケースを想定している。すなわち、対象営業施設において、他の営業施設について生成された予測モデルを流用することを想定している。そのため、予測モデルに対し、その予測モデルが生成された営業施設の識別子である施設ＩＤが対応づけられている。

売上実績に基づいて予測モデルを生成する技術には、既存の技術を利用することができる。例えば予測モデルは、過去の売上実績を回帰分析などの統計的手法で解析することで生成することができる。具体的には、SVM（Support Vector Machine）、決定木、又はディープラーニングなどの手法を利用することができる。

なお、予測モデルは必ずしも営業施設ごとに生成される必要はない。例えば、属性が共通する複数の営業施設の売上実績を使って、１つの予測モデルが生成されてもよい。ここでいう属性は、例えば、地域や立地条件（駅からの距離、市街地であるか否か、近くに大きなイベント施設があるか否かなど）などである。例えば駅の近くにあるコンビニエンスストアは、平日に限って通勤時間帯における売上が多いなどといった共通の特徴を持つ蓋然性が高いため、駅の近くにある複数のコンビニエンスストアの売上実績を使って１つの予測モデルを生成することなどが考えられる。

情報処理装置２０００は、予測対象の商品等に対応する予測モデルを取得する。例えば、対象営業施設で販売されている商品Ｘについて予測モデルを決定する場合、情報処理装置２０００は、商品Ｘについての各予測モデルを取得する。

ここで、情報処理装置２０００は、予測対象の商品等に対応する予測モデルの全てではなく、その一部のみを取得してもよい。例えば情報処理装置２０００は、対象営業施設と共通の属性を持つ営業施設について生成された予測モデルのみを取得するように構成されていてもよい。例えば、対象営業施設が駅前の施設である場合、情報処理装置２０００は、駅前の各営業施設について生成された予測モデルのみを取得するようにする。営業施設の属性など、予測モデルの絞り込みに利用する情報は、例えば、前述した予測モデルと併せて、データベースサーバなどに記憶させておく。

＜分割部２０２０について：Ｓ１０２＞
分割部２０２０は、実績期間を複数の部分期間に分割する（Ｓ１０２）。この分割によって生成される複数の部分期間には、少なくとも、第１部分期間と第２部分期間が含まれる。第１部分期間は、予測モデルによる予測処理に利用しない期間である。一方で、第２部分期間は、予測モデルによる予測処理に利用する期間である。

＜＜実績期間の定め方＞＞
実績期間は、実績データが存在する任意の期間とすることができる。例えば分割部２０２０は、実績データが存在する全期間を、実績期間として扱う。その他にも例えば、分割部２０２０は、実績データが存在する期間の始期から、予め定められている所定の長さ（例えば１ヶ月）の期間を、実績期間としてもよい。その他にも例えば、分割部２０２０は、実績データが存在する期間の始期から、情報処理装置２０００のユーザによって指定された所定の長さの期間を、実績期間としてもよい。

＜＜部分期間の定め方＞＞
分割部２０２０は、実績期間を第１部分期間と第２部分期間の２つに分割する。すなわち分割部２０２０は、或る日時を境界として実績期間を２つに分割し、その日時以前の実績期間を第１部分期間とし、その日時以降の実績期間を第２部分期間とする。なお、境界とする日時は、第１部分期間と第２部分期間のどちらに含めてもよい。

ここで、第１部分期間と第２部分期間の境界とする日時を定める方法は任意である。例えば、第１部分期間の長さを予め定めておく。この場合、分割部２０２０は、実績期間を、その始期から所定の長さが経過した日時を境界として分割することで、第１部分期間と第２部分期間を生成する。第１部分期間の長さは、例えば、情報処理装置２０００からアクセス可能な記憶装置に記憶させておく。

その他にも例えば、情報処理装置２０００は、第１部分期間の長さを指定する入力操作を、情報処理装置２０００のユーザから受け付ける。図８は、情報処理装置２０００のユーザによって第１部分期間の長さが指定される様子を例示する図である。図８の表示画面１０には、実績データを可視化したグラフが描画されている。また、第１部分期間と第２部分期間の境界となる基準線４０が描画されている。

例えばユーザは、ポインタ２０で基準線４０をドラッグ等することにより、基準線４０を時間軸方向の任意の位置に動かすことで、第１部分期間の長さを指定する。その他にも例えば、ユーザは、テキストボックス３０に第１部分期間の長さを入力することで、第１部分期間の長さを指定する。

第１部分期間の長さは、分割部２０２０によって自動で決定されてもよい。この場合、分割部２０２０は、実績データを利用して、第１部分期間の長さを決定する。分割部２０２０は、例えば、一週間など一定の単位ごとに、売上の変動の大きさを定量的に表す指標（例えば、売上の分散や最大絶対微分値など）を算出する。そして、分割部２０２０は、上記指標が所定の条件を満たす時点を、第１部分期間の終期とする。例えば、一週間単位に上記指標を算出した場合に、第１部分期間の始期から３週間目（３単位目）の部分で所定の条件が満たされた場合、分割部２０２０は、第１部分期間の長さを３週間とする。

上記所定の条件は、予め固定で設定されていてもよいし、情報処理装置２０００のユーザによって指定されてもよい。

＜予測モデルを利用した予測処理：Ｓ１０６＞
比較部２０４０は、第２部分期間について、各予測モデルによる予測処理を実行する（Ｓ１０６）。具体的には、比較部２０４０は、カレンダー情報などから得られる具体的な変数の値を予測モデルに適用することで、その予測モデルに予測処理を実行させる。なお、予測モデルが利用する変数については、前述した通りである。

予測モデルは、予測処理の結果として、第２部分期間の予測データ（第２部分期間について予測される売上を表すデータ）を出力する。例えば予測データは、第２部分期間に含まれる各日について予測された売上量を示す時系列データである。ここで、時間軸についての予測粒度は日単位に限定されない。例えば予測データは、一つの日の複数の時間帯それぞれについて、売上の予測量を示してもよい。なお、時間軸における予測データの粒度は、時間軸における実績データの粒度と同じとすることが好適である。

＜比較部２０４０による評価：Ｓ１０８＞
比較部２０４０は、予測モデルから出力された予測データを実績データと比較する（Ｓ１０８）。具体的には、比較部２０４０は、予測データと実績データとの乖離度合いを定量的に表す指標値を算出する。以下、この指標値を乖離指標値と表記する。例えば乖離指標値には、平均絶対誤差や平均二乗誤差などを利用することができる。

＜第１決定部２０６０による予測モデルの決定：Ｓ１１２＞
第１決定部２０６０は、比較部２０４０による比較の結果に基づいて、売上予測に利用する予測モデルを決定する（Ｓ１１２）。具体的には、第１決定部２０６０は、乖離指標値が最小の予測モデル（実績データとの乖離度合いが最も小さい予測データを出力した予測モデル）を特定し、その予測モデルを、売上予測に利用する予測モデルとして決定する。

その他にも例えば、第１決定部２０６０は、取得した複数の予測モデルを乖離指標値に基づいて統計処理することで、売上予測に利用する予測モデルを生成してもよい。例えば第１決定部２０６０は、取得した予測モデルのうち、乖離指標値の昇順で上位所定順位までの予測モデルを統計処理することで、売上予測に利用する予測モデルを生成する。この統計処理は、例えば平均などである。この際、第１決定部２０６０は、乖離指標値が大きいほど小さくなる重み（乖離指標値の逆数や、乖離指標値の逆数を正規化した値など）を各予測モデルに付した重み付き平均を算出してもよい。

図９は、第１決定部２０６０が出力するデータを例示する図である。図９のテーブルは、予測モデルの決定に利用された実績期間、予測モデルの評価から除外された期間（第１部分期間）、予測モデルの流用元の施設ＩＤ、及び売上予測に利用する予測モデルとして決定された予測モデルを示している。なお、「予測モデルの流用元の施設ＩＤ」とは、売上予測に利用することが決定された予測モデルが、どの営業施設について生成された予測モデルであるかを示している（図７の施設ＩＤ２０４）。

＜決定された予測モデルの利用例＞
図１０は、予測モデルによって予測された将来の売上が可視化された様子を例示する図である。図１０において、実線のグラフは、実績データを可視化したものである。一方、点線のグラフは、第１決定部２０６０によって決定された予測モデルを利用して予測された将来の売上を可視化したものである。情報処理装置２０００は、このように、決定された予測モデルを利用して将来の売上を予測し、その結果を可視化することが好適である。こうすることで、情報処理装置２０００のユーザは、将来について予測される売上を容易に把握することができる。

なお前述したように、例えば情報処理装置２０００のユーザが、第１部分期間と第２部分期間の境界となる境界日時を指定できるとする。この場合、情報処理装置２０００は、ユーザが境界日時を指定したことに応じて予測モデルの決定を行い、決定された予測モデルによって予測された売上を表示画面１０に表示させることが好適である。こうすると、ユーザが境界日時を変更したことにより、選定される予測モデルが変わった場合に、表示画面１０に表示される予測の売上が変化する。そのため、例えばユーザは、「表示画面１０に表示される予測結果が適切であるかどうかを視覚的に判断しながら、適切と思われる予測結果が表示されるようになるまで、境界日時を変更していく」といった手法で、適切な予測モデルを選定することができるようになる。

［実施形態２］
図１１は、実施形態２の情報処理装置２０００の動作を例示する図である。以下で説明する情報処理装置２０００の動作は、情報処理装置２０００の理解を容易にするための例示であり、情報処理装置２０００の動作は以下の例に限定されるわけではない。また、以下で説明する点を除き、実施形態２の情報処理装置２０００は、実施形態１の情報処理装置２０００と同様の機能を有する。

実施形態２の情報処理装置２０００は、実績期間の分割を複数のパターン（以下、分割パターン）で行って、分割パターンごとに適した予測モデルを決定する。ここで、各分割パターンでは、第１部分期間の長さが異なる。図１１において、情報処理装置２０００は、実績期間を３つの分割パターン P1 から P3 のそれぞれで分割している。

情報処理装置２０００は、３つの分割パターンそれぞれについて、実施形態１で説明した方法により、売上予測に適した予測モデル（予測データと実績データとの乖離度合いが最小となる予測モデル）を決定する。ここで、或る分割パターンにおいて、売上予測に適した予測モデルとして決定される予測モデルを、候補モデルと表記する。また、或る分割パターンについて決定された候補モデルを、「その分割パターンに対応する候補モデル」と表現する。或る分割パターンに対応する候補モデルは、実施形態１の情報処理装置２０００においてその分割パターンで実績期間を分割した場合に、売上予測に利用する予測モデルとして決定されるものである。

図１１の例において、情報処理装置２０００が、５つの予測モデル M1 から M5 を取得するとする。まず情報処理装置２０００は、分割パターン P1 で実績期間を分割し、分割パターン P1 における第２部分期間について５つの予測モデルそれぞれによる予測を行う。次に情報処理装置２０００は、各予測モデルについて得られた予測データと実績データとを比較することで、分割パターン P1 に対応する候補モデルを決定する。図１１の例では、分割パターン P1 に対応する候補モデルは予測モデル M1 となっている。

情報処理装置２０００は、同様の処理を分割パターン P2 と P3 についても行う。こうすることで、分割パターン P2 と P3 それぞれに対応する候補モデルとして、予測モデル M5 と M3 が決定されている。

情報処理装置２０００は、３つの候補モデル M1、M3、及び M5 の内の１つを、実績期間以降の売上予測に利用する予測モデルとして決定する。

＜作用・効果＞
本実施形態の情報処理装置２０００によれば、第１部分期間の長さがそれぞれ異なる複数のパターンで実績期間を分割し、各パターンについて選ばれた予測モデルをさらに比較することで、売上予測に利用する予測モデルが決定される。よって、第１部分期間の適切な長さを前もって把握することが難しい場合（例えば、実績データのどの部分が特殊な売上傾向に該当するのかを正確に判別することができない場合）であっても、精度の高い予測モデルを選定することができるようになる。

＜情報処理装置２０００の機能構成の例＞
実施形態２の情報処理装置２０００の機能構成は、例えば実施形態１の情報処理装置２０００と同様に、図３で表される。実施形態２の分割部２０２０は、複数の分割パターンで実績期間を分割する。比較部２０４０は、複数の分割パターンそれぞれについて、その分割パターンにおける第２部分期間を対象として複数の予測モデルそれぞれによる予測処理を行う。そして、比較部２０４０は、予測処理の結果とそのパターンにおける第２部分期間における実績データとを比較する。

実施形態２の第１決定部２０６０は、各分割パターンについて、その分割パターンについて比較部２０４０が行った比較の結果から、その分割パターンに適した予測モデル（その分割パターンに対応する予測モデル）を決定する。例えば図１１の例において、分割パターン P1、P2、及び P3 それぞれに対応する予測モデルとして、予測モデル M1、予測モデル M5、及び予測モデル M3 が決定されている。そして、第１決定部２０６０は、複数の分割パターンそれぞれに対応する予測モデルを用いて、売上予測に利用する予測モデルを決定する。例えば図１１の例では、予測モデル M1、M3、及び M5 の中から、売上予測に利用する予測モデルが決定されている。ただし後述するように、売上予測に利用する予測モデルを決定する方法は、候補モデルの中から１つを選択する方法に限定されない。

＜処理の流れ＞
図１２は、実施形態２の情報処理装置２０００によって実行される処理の流れを例示するフローチャートである。分割部２０２０は、複数の分割パターンで、実績期間を複数の部分期間に分割する（Ｓ２０２）。Ｓ２０４からＳ２１６は、複数の分割パターンそれぞれについて実行されるループ処理Ｂである。Ｓ２０４において、情報処理装置２０００は、既に全ての分割パターンを対象にループ処理Ｂを実行したか否かを判定する。既に全ての分割パターンを対象にループ処理Ｂを実行した場合、図１２の処理はＳ２１８に進む。一方、まだループ処理Ｂの対象としていない分割パターンがある場合、情報処理装置２０００は、そのうちの１つを対象にループ処理Ｂを実行する。ここでループ処理Ｂの対象とする分割パターンを、分割パターンｊと表記する。

Ｓ２０６からＳ２１２は、複数の予測モデルそれぞれについて実行されるループ処理Ｃである。ループ処理Ｃを実行することは、分割パターンｊで分割された実績期間を対象として、図５のループ処理Ａを実行することに相当する。Ｓ２０６において、情報処理装置２０００は、既に全ての予測モデルを対象にループ処理Ｃを実行したか否かを判定する。既に全ての予測モデルを対象にループ処理Ｃを実行した場合、図１２の処理はＳ２１４に進む。一方、まだループ処理Ｃの対象としていない予測モデルがある場合、情報処理装置２０００は、そのうちの１つを対象にループ処理Ｃを実行する。ここでループ処理Ｃの対象とする予測モデルを、予測モデルｉと表記する。

比較部２０４０は、分割パターンｊの第２部分期間について、予測モデルｉによる予測処理を行う（Ｓ２０８）。比較部２０４０は、予測処理で得られた予測データと実績データとの比較を行う（Ｓ２１０）。Ｓ２１２はループ処理Ｃの終端であるため、図１２の処理はＳ２０６に進む。

ループ処理Ｃが完了した後、第１決定部２０６０は、各予測モデルによる予測結果と実績データとの比較結果に基づいて、分割パターンｊに対応する候補モデルを決定する（Ｓ２１４）。Ｓ２１６はループ処理Ｂの終端であるため、図１２の処理はＳ２０４に進む。

ループ処理Ｂが完了した後、第１決定部２０６０は、各分割パターンに対応する候補モデルを用いて、売上予測に利用する予測モデルを決定する（Ｓ２１８）。

＜売上予測に利用する予測モデルを決定する方法：Ｓ２１８＞
第１決定部２０６０は、各分割パターンに対応する候補モデルを用いて、売上予測に利用する予測モデルを決定する（Ｓ２１８）。その具体的な方法には、様々な方法を採用しうる。以下、その具体的な方法を複数例示する。

＜＜方法１＞＞
例えば第１決定部２０６０は、候補モデルの中から、対応する分割パターンが最も多いものを、売上予測に利用する予測モデルとして選択する。すなわち第１決定部２０６０は、候補モデルとして決定された回数（以下、候補回数）が最も多い予測モデルを、売上予測に利用する予測モデルとして決定する。

例えば、５つの分割パターン P1 から P5 のそれぞれに対応する候補モデルが、予測モデル M1、M2、M3、M2、及び M2 になったとする。この場合、予測モデル M2 の候補回数は３回であり、他の予測モデルよりも多い。よって、第１決定部２０６０は、予測モデル M2 を、売上予測に利用する予測モデルとして決定する。

＜＜方法２＞＞
例えば、各予測モデルに対して予め優先度を決めておいてもよい。例えば図７のテーブル２００などにおいて、各予測モデルに対して優先度を予め対応づけておく。この場合、第１決定部２０６０は、複数の候補モデルの中から、優先度が最も高い候補モデルを選択する。

例えば、３つの分割パターン P1 から P3 のそれぞれに対応する候補モデルとして、予測モデル M1、M2、M3 が決定されたとする。そして、予測モデル M1 から M3 の優先度がそれぞれ、５０、３０、及び６０であるとする。この場合、優先度が最大である候補モデルは M3 であるため、第１決定部２０６０は、予測モデル M3 を候補モデルとして決定する。

例えば予測モデルの優先度は、例えば、その予測モデルの生成に利用された実績データの量や、その予測モデルを既に利用している営業施設におけるその予測モデルの評価（予測モデルによって生成された予測データと実績データとの乖離度合いなど）に基づいて決定することができる。

＜＜方法３＞＞
例えば第１決定部２０６０は、複数の候補モデルを統計処理することで、売上予測に利用する予測モデルを生成する。この統計処理は、例えば平均などである。

ここで第１決定部２０６０は、前述した候補回数や優先度を用いて、候補モデルを統計処理してもよい。例えば第１決定部２０６０は、候補回数の大きさの降順で上位所定順位までの候補モデルを統計処理したり、優先度の大きさの降順で上位所定順位までの候補モデルを統計処理したりすることで、売上予測に利用する予測モデルを生成する。その他にも例えば、第１決定部２０６０は、候補回数が多いほど大きくなる重みや、優先度が高いほど大きくなる重みを候補モデルに付して重み付き平均を算出することで、売上予測に利用する予測モデルを生成してもよい。候補回数が多いほど大きくなる重みには、例えば、候補回数そのものや候補回数を正規化した値を利用できる。同様に、優先度が高いほど大きくなる重みには、優先度そのものや優先度を正規化した値を利用できる。

＜＜方法４＞＞
例えば、情報処理装置２０００は、実績期間を、第１部分期間、第２部分期間、及び第３部分期間という３つの部分期間に分割する。図１３は、実績期間が３つの部分期間に分割されるケースを例示する図である。図１３の各分割パターンにおいて、第２部分期間の終期は同一となっている。言い換えれば、第３部分期間の長さが同一となっている。この場合、情報処理装置２０００は、第１部分期間と第２部分期間の境界とする日時を変えることで、複数の分割パターンを生成する。

ここで、第３部分期間は、全ての分割パターンで共通とする。図１４は、実績期間と各部分期間との関係を表す図である。実績期間は、第１部分期間、第２部分期間、及び第３部分期間に分割される。第３部分期間は固定の期間である。そのため、第１部分期間と第２部分期間とを合わせた期間も固定の期間となる。一方で、第１部分期間と第２部分期間は可変となっている。すなわち、第１部分期間と第２部分期間との境界を変えることで、複数の分割パターンが生成される。

第３部分期間の長さを決める方法は様々である。例えば、第３部分期間の長さは、予め所定の値（例えば一週間）として定めておく。その他にも例えば、実績期間全体に対する第３部分期間の割合を予め定めておいてもよい（例えば２割など）。すなわち、第３部分期間の長さは、実績期間の長さに応じて決定される。

ここで、分割パターン P1 について決定された候補モデルが、予測モデル M1 であるとする。この場合、第１決定部２０６０は、分割パターン P1 における第３部分期間について、予測モデル M1 による予測処理を実行する。さらに第１決定部２０６０は、この予測結果と分割パターン P1 における第３部分期間の実績データとを比較する。具体的には、第１決定部２０６０は、分割パターン P1 における第３部分期間についての予測処理で得られた予測データと、その第３部分期間における実績データとについて、乖離指標値を算出する。第１決定部２０６０は、他の分割パターンについても同様に、その分割パターンにおける第３部分期間について候補モデルの予測処理を実行し、その結果得られる予測データとその第３部分期間における実績データの乖離度合いを表す指標値を算出する。すなわち、分割パターンごとに乖離指標値が得られる。

第１決定部２０６０は、各分割パターンについて得られた乖離指標値に基づいて、売上予測に利用する予測モデルを決定する。例えば第１決定部２０６０は、各分割パターンの候補モデルのうち、算出された乖離指標値が最小のものを、売上予測に利用する予測モデルとする。

この方法によれば、第１部分期間の長さがそれぞれ異なる複数のパターンで実績期間を分割し、各パターンについて選ばれた予測モデルを共通の第３部分期間で比較することで、売上予測に利用する予測モデルが決定される。例えば、第１部分期間を極端に短く設定された分割パターンの場合、第２部分期間に特殊な売上傾向を含んでしまう。よって、選ばれる予測モデルは第３部分期間で特殊な売上傾向を反映した予測を行うため、実績との乖離が大きくなる。一方、第１部分期間を極端に長く設定されたパターンの場合、第２部分期間に特殊な売上傾向が含まれない代わりに、第２部分期間として利用できる期間が短くなってしまう。期間が短いほど、たまたまその短い期間のみで予測が当たる予測モデルが選ばれる恐れが増す。よって、第３部分期間において、選ばれる予測モデルと実績との乖離が大きくなる。第一部分期間が特殊な売上傾向を示す期間に設定され、第２部分期間を最大限利用できる分割パターンの場合、第３部分期間において、選ばれる予測モデルと実績との乖離が最も小さくなり、最終的に利用する予測モデルに決定されると期待される。以上のことから本方法は、特殊な売上傾向に該当する期間を適切に除外し、限られたデータを最大限利用する分割パターンで選ばれた予測モデルを選定することができる。

ここで前述したように、第３部分期間は複数の分割パターンで共通である。ここで、第３部分期間の実績データは、候補モデルを評価するために利用されるデータである。よって、第３部分期間を複数の分割パターンで共通にすることは、各候補モデルが共通の売上実績で評価されることを意味する。このように各候補モデルを共通の売上実績で評価することにより、候補モデルを精度良く評価することができる。

＜ハードウエア構成の例＞
実施形態２の情報処理装置２０００を実現する計算機のハードウエア構成は、実施形態１と同様に、例えば図４によって表される。ただし、本実施形態の情報処理装置２０００を実現する計算機１０００のストレージデバイス１０８０には、本実施形態の情報処理装置２０００の機能を実現するプログラムモジュールがさらに記憶される。

［実施形態３］
図１５は、実施形態３の情報処理装置２０００の機能構成を例示する図である。以下で説明する点を除き、実施形態３の情報処理装置２０００は、実施形態１又は２の情報処理装置２０００と同様の機能を有する。

実施形態３の情報処理装置２０００は、第２決定部２０８０を有する。第２決定部２０８０は、対象営業施設において予測対象の商品等の売上予測に利用したことがある予測モデルの中から、売上予測に利用する予測モデルを決定する。すなわち、一度使ったことがある予測モデルを再度利用することとなる。

例えば第２決定部２０８０は、対象営業施設において、予測対象の商品等の売上予測に直近に利用された予測モデルを、売上予測に利用する予測モデルとして決定する。すなわち、同じ予測モデルが継続して利用される。その他にも例えば、第２決定部２０８０は、所定の期間（例えば直近１ヶ月）に利用された回数が最も多い予測モデルを、売上予測に利用する予測モデルとして決定する。ここで、対象営業施設において各商品等について利用した予測モデルに関する情報、すなわち予測モデルの利用履歴は、例えば、情報処理装置２０００からアクセス可能の記憶装置に記憶させておく。

実施形態３の情報処理装置２０００は、さらに選択部２１００を有する。選択部２１００は、第１決定部２０６０と第２決定部２０８０のいずれか一方に、予測対象の営業施設において利用する予測モデルを決定させる。具体的には、選択部２１００は、或る所定の条件（以下、第１所定条件）が満たされる場合、予測モデルの決定を第１決定部２０６０に行わせる。一方、第１所定条件が満たされない場合、選択部２１００は、予測モデルの決定を第２決定部２０８０に行わせる。

＜作用効果＞
第２決定部２０８０を利用して予測モデルを決定する方法によれば、対象営業施設で既に利用したことがある予測モデルが再度利用されるため、第１決定部２０６０を利用する場合とは異なり、予測モデルを用いて予測データを生成する処理や、予測データと実績データとを比較する処理などが不要となる。そのため、予測モデルの決定に要する時間が短く、予測モデルの決定に要する計算機資源も少ない。

一方で、第１決定部２０６０を利用して予測モデルを決定する方法によれば、実績データを用いて複数の予測モデルの中から適切な予測モデルを選定するため、比較的精度の高い予測モデルを選定することができる。

そこで実施形態３の情報処理装置２０００は、予測モデルを決定する方法として、このように特徴が異なる２つの方法を適宜使い分ける。こうすることで、予測モデルの精度を高くしつつ、予測モデルの決定に要する時間を短くしたり、予測モデルの決定に要する計算機資源を少なくしたりすることができる。

また、予測モデルを利用するユーザの中には、予測モデルの中身（どの変数が採用されているかや、重みがどのような値なのか、など）を解釈することで、売上傾向などについて経験の蓄積を行う人もいる。この場合、予測モデルが頻繁に更新されると、ユーザは頻繁に予測モデルを解釈しなければいけないこととなる。

本実施形態の情報処理装置２０００によれば、第１決定部２０６０だけでなく第２決定部２０８０も利用することにより、予測モデルが新たなものに変更される頻度が小さくなる。そのため、予測モデルの解釈を行うユーザの負担を軽減できる。

＜処理の流れ＞
図１６は、実施形態３の情報処理装置２０００によって実行される処理の流れを例示するフローチャートである。選択部２１００は、第１所定条件が満たされるか否かを判定する（Ｓ３０２）。第１所定条件が満たされている場合（Ｓ３０２：ＹＥＳ）、予測モデルの決定が第１決定部２０６０を用いて行われる（Ｓ３０４）。例えば、図５や図１２のフローチャートに示される一連の処理が実行される。

一方、第１所定条件が満たされていない場合（Ｓ３０２：ＮＯ）、予測モデルの決定が第２決定部２０８０を用いて行われる（Ｓ３０６）。

＜第１所定条件について＞
第１所定条件には、様々な条件を採用することができる。以下、第１所定条件について例示する。

＜＜第１所定条件の例１＞＞
情報処理装置２０００が所定の周期で予測モデルの決定を行うとする。具体例としては、一日一回、営業施設の営業開始前に情報処理装置２０００を動作させて、その日の売上予測に利用する予測モデルを決定するケースがある。この場合、例えば所定の頻度（所定回数に１回の頻度など）で第１決定部２０６０を利用し、それ以外の時には第２決定部２０８０を利用する（既に利用したことがある予測モデルを再度利用する）という運用が考えられる。

そこでこの場合、例えば第１所定条件を、「第１決定部２０６０を前回利用してから所定の時間が経過した」や、「第２決定部２０８０が所定の回数連続して利用された」などの条件とする。図１７は、所定の頻度で第１決定部２０６０が利用されるケースを表で例示する図である。この表は、第１決定部２０６０と第２決定部２０８０のうち、予測モデルの決定に利用される方にチェックマークを示している。この表は、７回に１回の割合（すなわち、一週間に一回の割合）で第１決定部２０６０が利用されることを表している。

＜＜第１所定条件の例２＞＞
選択部２１００は、現在利用している予測モデルの精度が下がってきた場合に第１決定部２０６０を選択し、それ以外の時には第２決定部２０８０を選択してもよい。例えば、選択部２１００は、過去所定期間（例えば前日や直近１週間など）について、現在利用している予測モデルによって得られた予測データと、売上実績のデータとについて乖離指標値を算出し、その乖離指標値に基づいて、第１決定部２０６０と第２決定部２０８０のどちらか一方を選択する。なお、乖離指標値については前述した通りである。

予測データと売上実績のデータとの乖離度合いが小さければ、現在利用している予測モデルの精度が十分であり、その予測モデルを利用し続けても問題はないと考えられる。一方で、予測データと売上実績のデータとの乖離度合いが大きければ、予測モデルの精度が低くなっており、予測モデルを変更した方がよいと考えられる。

そこで例えば、第１所定条件として、「過去所定期間における予測データと実績データとについて算出された乖離指標値が所定値以上である」という条件を利用する。これにより、乖離指標値が所定値以上であれば、実施形態１や実施形態２で説明した方法により、実績データを利用して、複数の予測モデルを用いて、売上予測に利用する予測モデルが決定される。一方、乖離指標値が所定値未満であれば、既に利用したことのある予測モデルの中から、売上予測に利用される予測モデルが決定される。なお、この所定値は、予め固定で設定されていてもよいし、情報処理装置２０００のユーザによって指定されてもよい。

＜ハードウエア構成の例＞
実施形態３の情報処理装置２０００を実現する計算機のハードウエア構成は、実施形態１と同様に、例えば図４によって表される。ただし、本実施形態の情報処理装置２０００を実現する計算機１０００のストレージデバイス１０８０には、本実施形態の情報処理装置２０００の機能を実現するプログラムモジュールがさらに記憶される。

［実施形態４］
図１８は、実施形態４の情報処理装置２０００の動作を説明するための図である。実施形態１から実施形態３の情報処理装置２０００では、対象営業施設（例えば、新規に開店した店舗）における売上を予測するために、他の営業施設について生成された予測モデルが流用される。しかしながら、対象営業施設において実績データが蓄積されていくと、その営業施設の実績データを利用して、その営業施設の売上傾向を精度良く表す予測モデルを生成することが可能になるといえる。

そこで情報処理装置２０００は、対象営業施設における予測対象の商品等の実績データを用いて、予測モデルを生成する。さらに情報処理装置２０００は、対象営業施設における予測対象の商品等の実績データが、第２所定条件を満たすか否かを判定する。第２所定条件を満たす場合、情報処理装置２０００は、上記生成された予測モデルを、対象営業施設における予測対象の商品等の売上予測に利用する予測モデルとして決定する。

例えば図１８において、期間５０では、他の営業施設について生成された予測モデルが流用される。すなわち、情報処理装置２０００は、実施形態１から実施形態３のいずれかで説明した方法により、予測モデルを決定する。一方で、期間６０では、対象営業施設について生成された予測モデルが利用される。なお、実績データから予測モデルを生成する方法については、前述した通りである。

＜作用・効果＞
対象営業施設について生成された予測モデルの精度が十分高くなった場合など、他の営業施設の予測モデルを流用する必要性が低くなったと言える場合には、対象営業施設について生成された予測モデルを利用して売上予測を行うことが好適であるといえる。本実施形態の情報処理装置２０００によれば、対象営業施設の実績データが所定の条件を満たす場合、対象営業施設について生成された予測モデルが、対象営業施設の売上予測に利用されるようになる。よって、対象営業施設の実績データを用いて精度が高い予測モデルを生成できるようになった後には、予測モデルの選定する処理が不要となり、精度の高い予測モデルで売上を予測しつつ、計算機資源を削減することができる。

＜情報処理装置２０００の機能構成の例＞
図１９は、実施形態４の情報処理装置２０００の機能構成を例示する図である。実施形態４の情報処理装置２０００は、生成部２１２０を有する。生成部２１２０は、対象営業施設における予測対象の商品等の実績データを用いて、その商品等の売上を予測する予測モデルを生成する。実施形態４の情報処理装置２０００は、対象営業施設における実績データが第２所定条件を満たしている場合、生成部２１２０によって生成された予測モデルを、売上予測に利用する予測モデルとして決定する。

＜処理の流れ＞
図２０は、実施形態４の情報処理装置２０００によって実行させる処理の流れを例示するフローチャートである。対象営業施設の実績データが第２所定条件を満たす場合（Ｓ４０２：ＹＥＳ）、生成部２１２０は、対象営業施設における予測対象の商品等の実績データを用いて、その商品等の売上を予測する予測モデルを生成する（Ｓ４０４）。第１決定部２０６０は、Ｓ４０４において生成された予測モデルを、予測対象の商品等の売上予測に利用する予測モデルとして決定する（Ｓ４０６）。一方、対象営業施設における実績データが第２所定条件を満たさない場合（Ｓ４０２：ＮＯ）、情報処理装置２０００は、他の営業施設の実績データを用いて生成された予測モデルを用いて、予測対象営業施設の売上予測に利用する予測モデルを決定する（Ｓ４０８）。Ｓ４０８では、実施形態１から実施形態３で説明したいずれかの方法で、予測モデルが決定される。

＜第２所定条件について＞
第２所定条件は、対象営業施設の実績データを用いて生成された予測モデルの精度が高いといえる場合に満たされる条件である。例えば第２所定条件は、対象営業施設の実績データが示す売上実績の期間が、所定の長さ以上であることである。ここで、情報処理装置２０００が、新規に開店した営業施設における売上予測に利用する予測モデルを決定する場合、上記売上実績の期間は、その営業施設が開店してからの期間である。そのほかにも例えば、情報処理装置２０００が、新発売の商品の売上予測に利用する予測モデルを決定する場合、上記売上実績の期間は、予測対象の店舗においてその商品の販売が開始されてからの期間である。そのほかにも例えば、情報処理装置２０００が、売上傾向が変化した後の売上予測に利用する予測モデルを決定する場合、上記売上実績の期間は、売上傾向が変化した時からの期間である。

＜ハードウエア構成の例＞
実施形態４の情報処理装置２０００を実現する計算機のハードウエア構成は、実施形態１と同様に、例えば図４によって表される。ただし、本実施形態の情報処理装置２０００を実現する計算機１０００のストレージデバイス１０８０には、本実施形態の情報処理装置２０００の機能を実現するプログラムモジュールがさらに記憶される。

［その他の実施形態］
以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記各実施形態を組み合わせた構成や、上記以外の様々な構成を採用することもできる。

例えば前述した各実施形態において、情報処理装置２０００は、商品等の売上を予測している。しかしながら、情報処理装置２０００は、同様の手法により、営業施設における来客数を予測するように構成されてもよい。

この場合、情報処理装置２０００は、売上の実績を表す実績データの代わりに、来客数の実績を表す実績データを利用する。また、情報処理装置２０００は、予測モデルとして、来客数の予測を行う予測モデルを利用する。来客数を予測する予測モデルにおいて利用される変数としては、例えば、予測対象の日の直近所定期間の来客数、予測対象の日やその前後の所定期間の天候、又は予測対象の日やその前後の所定期間の属性などを利用できる。

予測対象の客は、例えば、営業施設に来る全ての客である。その他にも例えば、予測対象の客は、営業施設に来る客のうち、特定の属性を持つ客であってもよい。例えば、性別や年齢層などの属性で客を複数のカテゴリに分類し、そのカテゴリごとに来客予測が行われる。

来客予測の対象となる営業施設は、例えば売上予測の対象と同様とすることができる。また、来客予測の対象は、レストラン、スタジアム、博物館、及びテーマパークなど、主にサービスが提供される種々の施設であってもよい。

ここで、大型の営業施設などでは、その中が複数の区域に分かれているケースがある。この場合、それら複数の区域それぞれについて来客予測が行われてもよいし、営業施設の全体について来客予測が行われてもよい。

来客数の予測をする場合において情報処理装置２０００が利用されるシーンには、例えば以下のようなシーンが考えられる。例えば、情報処理装置２０００は、新規に営業が開始された営業施設の来客予測に利用される予測モデルを決定するために利用される。この場合、実績期間の始期は、その営業施設の営業が開始された日となる。

その他にも例えば、情報処理装置２０００は、対象営業施設において新たなサービスの提供が開始された場合に、そのサービスの提供を受けるために来る客の数を予測する予測モデルを決定するために利用される。この場合、実績期間の始期は、例えば、そのサービスの提供が開始された日となる。

その他にも例えば、情報処理装置２０００は、来客数の傾向が大きく変化したなどの理由から、来客予測に利用する予測モデルを変更すべき状況になった営業施設を対象営業施設として、予測モデルの決定を行う。具体的には、情報処理装置２０００は、対象営業施設において来客数の傾向が変化してからしばらく後に、来客傾向が変化した後の来客数を表す実績データを利用して、その対象営業施設において新たに利用する予測モデルを決定する。この場合、実績期間の始期は、例えば、対象営業施設において来客数の売上傾向が変化した日となる。この日は、ユーザによって指定されてもよいし、実績データを対象に統計処理等をすることによって情報処理装置２０００が決定してもよい。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
１． 予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割手段と、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較手段と、
前記比較手段による比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定手段と、を有する情報処理装置。
２． 予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割手段と、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較手段と、
前記比較手段による比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定手段と、を有する情報処理装置。
３． 前記比較手段は、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
前記第１決定手段は、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、１．又は２．に記載の情報処理装置。
４． 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、１．乃至３．いずれか一つに記載の情報処理装置。
５． 前記分割手段は、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
前記比較手段は、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
前記第１決定手段は、
各前記パターンについて、そのパターンについて前記比較手段が行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、１．乃至４．いずれか一つに記載の情報処理装置。
６． 前記分割手段は、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
前記第３部分期間は、複数の前記パターンで共通の期間であり、
前記第１決定手段は、
複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、５．に記載の情報処理装置。
７． 前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定手段と、
前記第１決定手段と前記第２決定手段のいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択手段と、を有する１．乃至６．いずれか一つに記載の情報処理装置。
８． 前記実績データを用いて予測モデルを生成する生成手段を有し、
前記第１決定手段は、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、１．乃至７．いずれか一つに記載の情報処理装置。
９． 前記比較手段が利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、１．乃至８．いずれか一つに記載の情報処理装置。

１０． コンピュータに、
予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較ステップと、
前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を実行させるプログラム。
１１． コンピュータに、
予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較ステップと、
前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を実行させるプログラム。
１２． 前記比較ステップにおいて、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
前記第１決定ステップにおいて、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、１０．又は１１．に記載のプログラム。
１３． 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、１０．乃至１２．いずれか一つに記載のプログラム。
１４． 前記分割ステップにおいて、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
前記比較ステップにおいて、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
前記第１決定ステップにおいて、
各前記パターンについて、そのパターンについて前記比較ステップが行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、１０．乃至１３．いずれか一つに記載のプログラム。
１５． 前記分割ステップにおいて、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
前記第３部分期間は、複数の前記パターンで共通の期間であり、
前記第１決定ステップにおいて、
複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、１４．に記載のプログラム。
１６． 前記コンピュータに、
前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定ステップと、
前記第１決定ステップと前記第２決定ステップのいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択ステップと、を実行させる１０．乃至１５．いずれか一つに記載のプログラム。
１７． 前記コンピュータに、前記実績データを用いて予測モデルを生成する生成ステップを実行させ、
前記第１決定ステップは、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、１０．乃至１６．いずれか一つに記載のプログラム。
１８． 前記比較ステップにおいて利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、１０．乃至１７．いずれか一つに記載のプログラム。

１９． コンピュータによって実行される制御方法であって、
予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較ステップと、
前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を有する制御方法。
２０． コンピュータによって実行される制御方法であって、
予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較ステップと、
前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を有する制御方法。
２１． 前記比較ステップにおいて、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
前記第１決定ステップにおいて、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、１９．又は２０．に記載の制御方法。
２２． 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、１９．乃至２１．いずれか一つに記載の制御方法。
２３． 前記分割ステップにおいて、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
前記比較ステップにおいて、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
前記第１決定ステップにおいて、
各前記パターンについて、そのパターンについて前記比較ステップが行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、１９．乃至２２．いずれか一つに記載の制御方法。
２４． 前記分割ステップにおいて、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
前記第３部分期間は、複数の前記パターンで共通の期間であり、
前記第１決定ステップにおいて、
複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、２３．に記載の制御方法。
２５． 前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定ステップと、
前記第１決定ステップと前記第２決定ステップのいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択ステップと、を有する１９．乃至２４．いずれか一つに記載の制御方法。
２６． 前記実績データを用いて予測モデルを生成する生成ステップを有し、
前記第１決定ステップは、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、１９．乃至２５．いずれか一つに記載の制御方法。
２７． 前記比較ステップにおいて利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、１９．乃至２６．いずれか一つに記載の制御方法。

この出願は、２０１７年９月２９日に出願された日本出願特願２０１７−１９０３０６号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。

Claims (27)

1. 予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割手段と、
   前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較手段と、
   前記比較手段による比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定手段と、を有する情報処理装置。
2. 予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割手段と、
   前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較手段と、
   前記比較手段による比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定手段と、を有する情報処理装置。
3. 前記比較手段は、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
   前記第１決定手段は、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、請求項１又は２に記載の情報処理装置。
4. 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、請求項１乃至３いずれか一項に記載の情報処理装置。
5. 前記分割手段は、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
   前記比較手段は、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
   前記第１決定手段は、
   各前記パターンについて、そのパターンについて前記比較手段が行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
   複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、請求項１乃至４いずれか一項に記載の情報処理装置。
6. 前記分割手段は、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
   前記第３部分期間は、複数の前記パターンで共通の期間であり、
   前記第１決定手段は、
   複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
   前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、請求項５に記載の情報処理装置。
7. 前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定手段と、
   前記第１決定手段と前記第２決定手段のいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択手段と、を有する請求項１乃至６いずれか一項に記載の情報処理装置。
8. 前記実績データを用いて予測モデルを生成する生成手段を有し、
   前記第１決定手段は、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、請求項１乃至７いずれか一項に記載の情報処理装置。
9. 前記比較手段が利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、請求項１乃至８いずれか一項に記載の情報処理装置。
10. コンピュータに、
    予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
    前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較ステップと、
    前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を実行させるプログラム。
11. コンピュータに、
    予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
    前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較ステップと、
    前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を実行させるプログラム。
12. 前記比較ステップにおいて、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
    前記第１決定ステップにおいて、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、請求項１０又は１１に記載のプログラム。
13. 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、請求項１０乃至１２いずれか一項に記載のプログラム。
14. 前記分割ステップにおいて、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
    前記比較ステップにおいて、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
    前記第１決定ステップにおいて、
    各前記パターンについて、そのパターンについて前記比較ステップが行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
    複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、請求項１０乃至１３いずれか一項に記載のプログラム。
15. 前記分割ステップにおいて、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
    前記第３部分期間は、複数の前記パターンで共通の期間であり、
    前記第１決定ステップにおいて、
    複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
    前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、請求項１４に記載のプログラム。
16. 前記コンピュータに、
    前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定ステップと、
    前記第１決定ステップと前記第２決定ステップのいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択ステップと、を実行させる請求項１０乃至１５いずれか一項に記載のプログラム。
17. 前記コンピュータに、前記実績データを用いて予測モデルを生成する生成ステップを実行させ、
    前記第１決定ステップは、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、請求項１０乃至１６いずれか一項に記載のプログラム。
18. 前記比較ステップにおいて利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、請求項１０乃至１７いずれか一項に記載のプログラム。
19. コンピュータによって実行される制御方法であって、
    予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
    前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データと比較する比較ステップと、
    前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての売上予測に利用する予測モデルを決定する第１決定ステップと、を有する制御方法。
20. コンピュータによって実行される制御方法であって、
    予測対象の営業施設における実績データが存在する実績期間を複数の部分期間に分割する分割ステップと、
    前記実績期間の始期を含む第１部分期間以外の第２部分期間について、複数の予測モデルそれぞれによる予測処理を行い、その処理結果を、予測処理の対象とした部分期間における前記実績データとを比較する比較ステップと、
    前記比較ステップによる比較の結果に基づいて、前記実績期間以降についての来客予測に利用する予測モデルを決定する第１決定ステップと、を有する制御方法。
21. 前記比較ステップにおいて、各前記予測モデルについて、前記第２部分期間について前記予測モデルの予測処理で生成された売上の予測データと、前記第２部分期間における前記実績データとの乖離度合いを算出し、
    前記第１決定ステップにおいて、前記算出された乖離度合いに基づいて、前記実績期間以降について予測に利用する予測モデルを決定する、請求項１９又は２０に記載の制御方法。
22. 前記実績期間の始期は、営業が新規に開始された日、特定の商品の販売が開始された日、及び特定のサービスの提供が開始された日のいずれか１つである、請求項１９乃至２１いずれか一項に記載の制御方法。
23. 前記分割ステップにおいて、前記第１部分期間の長さがそれぞれ異なる複数のパターンで、前記実績期間を分割し、
    前記比較ステップにおいて、複数の前記パターンそれぞれについて、そのパターンにおける前記第２部分期間を対象として複数の前記予測モデルそれぞれによる予測処理を行って、前記予測処理の結果とそのパターンにおける前記第２部分期間における前記実績データとを比較し、
    前記第１決定ステップにおいて、
    各前記パターンについて、そのパターンについて前記比較ステップが行った比較の結果から、そのパターンに対応する前記予測モデルを決定し、
    複数の前記パターンそれぞれに対応する前記予測モデルを用いて、前記実績期間以降についての予測に利用する予測モデルを決定する、請求項１９乃至２２いずれか一項に記載の制御方法。
24. 前記分割ステップにおいて、複数の前記パターンそれぞれにおいて、前記実績期間を前記第１部分期間、前記第２部分期間、及び第３部分期間の３つに分割し、
    前記第３部分期間は、複数の前記パターンで共通の期間であり、
    前記第１決定ステップにおいて、
    複数の前記パターンそれぞれについて、そのパターンに対応する前記予測モデルを用いて、そのパターンにおける前記第３部分期間の予測データを生成し、前記生成された予測データとそのパターンにおける前記第３部分期間における前記実績データとの乖離度合いを算出し、
    前記算出された前記乖離度合いに基づいて、前記実績期間以降についての予測に利用する予測モデルとして決定する、請求項２３に記載の制御方法。
25. 前記予測対象について既に利用されたことのある前記予測モデルの中から、前記実績期間以降の期間の売上予測に利用する予測モデルを決定する第２決定ステップと、
    前記第１決定ステップと前記第２決定ステップのいずれか一方に、前記実績期間以降の期間の売上予測に利用する予測モデルを決定させる選択ステップと、を有する請求項１９乃至２４いずれか一項に記載の制御方法。
26. 前記実績データを用いて予測モデルを生成する生成ステップを有し、
    前記第１決定ステップは、前記実績データが第２実績条件を満たす場合、前記生成された予測モデルを、前記予測対象について利用する予測モデルとして決定する、請求項１９乃至２５いずれか一項に記載の制御方法。
27. 前記比較ステップにおいて利用する予測モデルは、前記予測対象の営業施設とは異なる営業施設における実績を利用して生成されたものである、請求項１９乃至２６いずれか一項に記載の制御方法。

Images