WO2019203184A1 - 需要予測装置、需要予測方法及びプログラム - Google Patents

需要予測装置、需要予測方法及びプログラム Download PDF

Info

Publication number
WO2019203184A1
WO2019203184A1 PCT/JP2019/016134 JP2019016134W WO2019203184A1 WO 2019203184 A1 WO2019203184 A1 WO 2019203184A1 JP 2019016134 W JP2019016134 W JP 2019016134W WO 2019203184 A1 WO2019203184 A1 WO 2019203184A1
Authority
WO
WIPO (PCT)
Prior art keywords
sales
product
demand
past
results
Prior art date
Application number
PCT/JP2019/016134
Other languages
English (en)
French (fr)
Inventor
薫子 飯田
Original Assignee
アビームコンサルティング株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by アビームコンサルティング株式会社 filed Critical アビームコンサルティング株式会社
Publication of WO2019203184A1 publication Critical patent/WO2019203184A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Definitions

  • the present invention relates to a demand prediction apparatus, a demand prediction method, and a program.
  • Patent Document 1 discloses a technology that can optimize the amount of merchandise in a distribution base.
  • the sales history recorded at the sales store records the number of sales mixed with the number of sales expected to increase due to special sales and the number of normal sales (number sold regardless of special sales). There are many. Therefore, simply adding the planned number of sales by special sales to the past sales results would result in a large demand forecast, which is not appropriate.
  • the present disclosure is intended to provide a technology capable of appropriately performing demand prediction in consideration of the number of products sold by special sales when performing demand prediction of products.
  • the demand prediction device includes, for a product sold at a plurality of sales stores, special sale schedule information indicating a planned sale number for a sale for each sale store related to the product; A management unit that manages past performance information indicating the number of past sales results for each store related to products including the number of sales results from normal sales, and past sales results for each store related to products included in the past result information
  • the total number of sales results for each store obtained by subtracting the number of sales results exceeding the specified threshold from the number is estimated as the demand forecast number for normal sales, and the estimated demand for normal sales Predict the number of products demand forecast for the first predetermined period at the base that manages the products delivered to multiple sales stores by adding the planned number of sales by special sales to the forecast number That has a prediction unit, a.
  • FIG. 1 is a diagram illustrating an example of a demand prediction system according to the embodiment.
  • the demand prediction system includes a demand prediction device 10 that performs demand prediction of products, and a terminal 20 that transmits and receives data to and from the demand prediction device 10.
  • the demand prediction device 10 and the terminal 20 are connected by a communication network N and can communicate with each other.
  • the demand prediction device 10 may be configured by one or a plurality of physical or virtual servers, or may be configured by a cloud server.
  • the terminal 20 includes a terminal possessed by a user who uses the demand prediction system and a terminal installed in a factory, a warehouse, a wholesale store, and a sales store that are each base existing in the distribution channel.
  • a personal computer, a smartphone Or it is a tablet terminal.
  • the terminal 20 is used to input various information to the demand prediction device 10 and to display the demand prediction result of the product predicted by the demand prediction device 10. Although one terminal 20 is illustrated in FIG. 1, a plurality of terminals 10 may be connected to the demand prediction device 10.
  • the product is delivered to the sales store via a plurality of locations that manage the product until the product is generated at the factory and lined up at the sales store.
  • the products produced at the manufacturer's factory are once managed in the manufacturer's warehouse (also called a shipping warehouse).
  • the product is delivered to a wholesale store (also called a warehouse of the wholesale store), and further delivered from the wholesale store to a sales store that sells the product.
  • the distribution route shown in FIG. 1 is merely an example, and there may be a form in which goods are delivered from a factory to a plurality of warehouses, for example.
  • the demand prediction apparatus 10 has a function of predicting the demand of a product in consideration of the number of sales planned for special sales (hereinafter referred to as “the number of special sales”).
  • the demand prediction apparatus 10 will be described on the assumption that the demand prediction is mainly performed in units of “warehouse” or “factory”.
  • the demand prediction apparatus 10 is not limited to this, and can also perform demand prediction in units of “wholesale stores”.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of the demand prediction apparatus 10.
  • the demand prediction device 10 includes a communication IF (Interface) used to connect a processor 11 such as a CPU (Central Processing Unit), a storage device 12 such as a memory or an HDD (HardDisk), and a communication network N. 13) includes an input device 14 such as a keyboard and a touch panel, and an output device 15 such as a display.
  • a communication IF Interface
  • a processor 11 such as a CPU (Central Processing Unit)
  • a storage device 12 such as a memory or an HDD (HardDisk)
  • a communication network N includes an input device 14 such as a keyboard and a touch panel, and an output device 15 such as a display.
  • FIG. 3 is a diagram illustrating an example of a functional block configuration of the demand prediction apparatus 10.
  • the demand prediction apparatus 10 includes a special sale schedule management unit 101, a past performance management unit 102, a demand prediction unit 103, a display unit 104, and a storage unit 105.
  • base information indicating each base (factory, warehouse, wholesale store, and sales store) managed by the demand prediction device 10
  • special sale schedule information that indicates the number of products scheduled to be sold by special sale
  • past product information indicating the sales performance is stored.
  • the special sale schedule management unit 101, the past performance management unit 102, the demand prediction unit 103, and the display unit 104 can be realized by the processor 11 executing a program stored in the storage device 12.
  • the program can be stored in a non-temporary recording medium, for example.
  • the recording medium storing the program may be a non-temporary recording medium.
  • the non-temporary recording medium is not particularly limited, but may be a recording medium such as a USB memory or a CD-ROM.
  • the storage unit 105 can be realized using the storage device 12.
  • the special sale schedule management unit 101 has a function of managing special sale schedule information. Specifically, the special sale schedule management unit 101 receives and receives from the terminal 20 various types of information related to special sale (a product to be special sale, a date when the special sale is performed, a sales store where the special sale is performed, and the planned number of special sale). Various types of information are stored in the special sale schedule information stored in the storage unit 105. The number of scheduled sales is input by, for example, a purchaser at a sales store or a salesperson of a product operating the terminal 20.
  • the past performance management unit 102 has a function of managing past performance information. Specifically, the past performance management unit 102 receives the number of sales results of products at each sales store from the terminal 20, and stores the received number of sales results for each sales store in past performance information.
  • the number of sales results stored in the past result information includes both the number of sales results by special sales and the number of sales results by normal sales. This is because there are many cases where the number of sales is not counted at a sales store by distinguishing whether a product is sold because of a special sale or whether the product is sold regardless of the special sale.
  • special sale is not only sales promotion activities that sell at a discount than usual, but also a lot of products such as promotion activities at stores and product display that makes products stand out. Includes sales promotion activities through sales activities aimed at selling. Normal sales means that products are sold not by special sales but by a normal sales method, and is also called “standard sales”.
  • the demand forecasting unit 103 estimates the number of demand forecasts based on normal sales based on the number of scheduled special sales and the number of past sales, and adds the planned number of special sales to the estimated number of demand forecasts based on normal sales.
  • the number of product demand forecasts in the short term is predicted for each warehouse (base for managing products). “Short term” is used to mean from the next day to one week later, but the present embodiment is not limited to this.
  • the demand prediction unit 103 may predict the demand forecast number from the next day to two weeks later as a short-term demand forecast, or may forecast the demand forecast number until three weeks later. .
  • the demand forecasting unit 103 is the number of demand forecasts for products in units of warehouses (sites that manage products) or factories (bases that produce products) that supply products to the warehouse, and is in the medium term (second predetermined period). You may make it estimate the demand forecast number of goods in.
  • the medium term is a period longer than the short term (for example, up to four months later) and excluding a period corresponding to the short term.
  • “medium term” is used to mean from one week to four months later, but like “short term”, the present embodiment is not limited to this.
  • the display unit 104 displays the short-term or medium-term demand forecast number predicted by the demand forecast unit 103 on the screen of the terminal 20.
  • the display unit 104 has a Web server function, for example, and may display a screen indicating the demand forecast number on a browser provided in the terminal 20.
  • FIG. 4 is a diagram showing an example of the base information.
  • the “product ID” stores an identifier for uniquely identifying a product to be sold.
  • the “sales store” stores the name of the sales store or an identifier for uniquely identifying the sales store.
  • the “wholesale store” stores the name of the wholesale store or an identifier for uniquely identifying the wholesale store.
  • the “warehouse” stores the name of the warehouse or an identifier for uniquely identifying the warehouse.
  • “Factory” stores the name of the factory or an identifier for uniquely identifying the factory. In the example of FIG.
  • a product produced at the factory Y (a product with a product ID of 01) is delivered from the warehouse A to the wholesale stores DA and DB, and further delivered from the wholesale store DA to the sales stores SA and SB.
  • a series of distribution channels are defined that are delivered from the wholesale store DB to the sales stores SC and SD. If the distribution channel is the same regardless of the product, the product ID may be omitted.
  • FIG. 5 is a diagram showing an example of special sale schedule information.
  • the “product ID” stores an identifier for uniquely identifying a product to be sold.
  • “Date” stores the date on which the sale is performed.
  • the “sales store” stores the name of the store where the sale is performed or an identifier for uniquely identifying the store.
  • “Scheduled sale number” stores the planned sale number of a product scheduled for sale (the number of stocks to be secured as a sale).
  • FIG. 6 is a diagram showing an example of past performance information.
  • Product ID stores an identifier for uniquely identifying a product.
  • Date stores a date corresponding to the sales record.
  • the “sales store” stores the name of the sales store or an identifier for uniquely identifying the sales store.
  • Stored in the “number of sales records (sales store)” is the quantity that the product corresponding to the product ID is sold in the store.
  • the “warehouse” stores the name of a warehouse that delivers products to the “sales store” via the wholesale store or an identifier that uniquely identifies the warehouse.
  • the “number of sales records (unit of warehouse)” stores the total number of “sales records (unit of sales stores)” of all sales stores that are delivery destinations.
  • product 01 a product whose product ID is 01 (hereinafter referred to as “product 01”) is 350 on sale stores SA, SB, SC, and SD on January 4, 2017. It is recorded that 150, 120, and 210 pieces were sold. In addition, when viewed in units of warehouse A, it is recorded that a total of 830 products 01 have been sold.
  • the demand prediction apparatus 10 assumes that the past performance information on the same day in a past predetermined period (here, it is assumed that it is one year ago) is used for demand prediction. For example, when making a demand forecast from January 4, 2018 to January 10, 2018, the demand forecasting device 10 is based on the premise that the past results from January 4, 2017 to January 10 are used for the demand forecast. To do.
  • the past predetermined period is not limited to one year ago. For example, it may be three months ago or six months ago. Further, the date may be shifted in order to match the day of the week. For example, when performing short-term demand forecast from January 4, 2018 (Monday) to January 10, 2018 (Sunday), the demand forecasting device 10 is changed from January 9, 2017 (Monday) to January 15 (Sunday). ) May be used for demand prediction.
  • the demand prediction unit 103 accesses the base information and recognizes the distribution route in the product 01. Specifically, the demand prediction unit 103 recognizes that the product 01 is delivered from the warehouse A to each sales store (SA, SB, SC, SD) via the wholesale stores DA and DB. Subsequently, the demand prediction unit 103 accesses the special sale schedule information, and acquires the special sale schedule number from the next day (January 4, 2018) to one week later (January 10, 2018) related to the product 01. Subsequently, the demand forecasting unit 103 accesses the past performance information and stores each store of the product 01 from January 4, 2017 to January 10, 2017, which is one year before the period for performing short-term demand forecasting. The number of sales results in (SA, SB, SC, SD) is acquired.
  • the demand forecasting unit 103 estimates the number of demand forecasts based on the normal sales from the number of sales results at each sales store (SA, SB, SC, SD), and sets the planned number of special sales to the estimated number of sales results based on the normal sales. By adding, the number of short-term demand forecasts is calculated.
  • the demand prediction unit 103 performs estimation of the number of demand predictions based on normal sales and calculation of the number of short-term demand predictions by using either one of the processing procedure 1 or the processing procedure 2 shown below.
  • the demand prediction unit 103 determines the past sales by special sales for the number of sales results on a day exceeding a predetermined threshold among the daily sales results for each sales store (SA, SB, SC, SD).
  • the number of actual demand is estimated by subtracting the number of sales results exceeding a predetermined threshold from the number of past sales results.
  • the number of short-term demand forecasts is calculated by adding the planned number of special sales to the estimated number of demand forecasts for normal sales.
  • step S101 the demand prediction unit 103 searches for a date in which the number of sales results exceeds a predetermined threshold among the number of daily sales results for each sales store (SA, SB, SC, SD).
  • a predetermined threshold among the number of daily sales results for each sales store (SA, SB, SC, SD).
  • SA sales store
  • SB sales store
  • SC sales store
  • the predetermined threshold is set to 270. If it does so, the day when the number of sales results exceeds a predetermined threshold among the number of sales results from January 4, 2017 to January 10, 2017 at the store SA will be January 4 and January 5.
  • the predetermined threshold value may be set in the demand prediction device 10 in advance, or may be arbitrarily changed from the terminal 20.
  • the demand forecasting unit 103 regards the number of sales results on January 4 and January 5 that exceed a predetermined threshold (that is, 80 and 130) as the number of sales results by special sale, By subtracting these numbers from the number of sales results, the number of sales results by normal sales is estimated.
  • the demand forecasting unit 103 has 270 sales, 270 sales, 250 sales, 130 sales, and 180 sales in the sales store SA from the normal sales from January 4, 2017 to January 10, 2017, respectively. , 250 and 230.
  • the demand prediction apparatus 10 also performs the process described in step S101 for the sales stores SB, SC, and SD.
  • step S102 the demand forecasting unit 103 totals the number of sales results from the normal sales for each sales store (SA, SB, SC, SD) estimated in the processing procedure of step S101.
  • the number of sales results by normal sales in the warehouse A unit is calculated.
  • the calculation results are shown in FIG.
  • the number of sales by the normal sales in the warehouse A in the daily unit from January 4, 2017 to January 10, 2017 is 750, 780, 830, 700, respectively. It is calculated as 770, 960, and 930.
  • the demand forecasting device 10 regards these numbers as the demand forecast numbers by the normal sales from January 4, 2018 to January 10, 2018, so that the demand forecast numbers by the normal sales in the daily unit and the warehouse A unit are calculated. presume.
  • step S103 the demand prediction unit 103 totals the scheduled sales numbers for each sales store (SA, SB, SC, SD) from January 4, 2018 to January 10, 2018 acquired from the special sales schedule information.
  • the planned number of special sales in units of days and units of warehouse A is calculated.
  • the planned sales numbers from January 4, 2018 to January 10, 2018 are 250 pieces, 250 pieces, 300 pieces, 300 pieces, 250 pieces, 250 pieces, and 300 pieces, respectively.
  • the number shown in FIG. 5 since there are no days when special sales are performed at two or more stores on the same day, the number shown in FIG.
  • the demand prediction device 10 calculates the scheduled sale number in January and 2018 from January 4, 2018 to January 10, 2018 to January 4, 2018 estimated in step S102.
  • the demand forecast number in the warehouse A is 1000 (750 + 250), 1030 (780 + 250), 1130 (830 + 300), It is calculated as 1000 (700 + 300), 1020 (770 + 250), 1210 (960 + 250), 1230 (930 + 300).
  • the demand prediction unit 103 among the past sales results for each sales store included in the past performance information, each sales store (SA, SB, SC, SD) that receives delivery of the product 01 from the warehouse A.
  • the total number of sales records in the past predetermined period (that is, the period one year before the forecast period) corresponding to the forecast period (from the next day to one week later) is added to correspond to the forecast period.
  • the number of sales results in the past predetermined period is calculated.
  • the demand prediction unit 103 sets the number of daily sales schedules for each sales store included in the sales schedule information for each sales store (SA, SB, SC, SD) that receives the delivery of the product 01 from the warehouse A.
  • the total number of sales scheduled for the forecast period is totaled to calculate the number of special sales scheduled for the warehouse A and for the forecast period.
  • the demand forecasting unit 103 calculates the planned number of sales (sale price in the warehouse A unit and forecast period) from the calculated number of sales results (number of sales results in the past predetermined period corresponding to the warehouse A unit and forecast period). By subtracting the (scheduled number), the number of demand forecasts due to normal sales is estimated. In addition, the estimated number of demand forecasts for regular sales is prorated by the ratio of the number of actual sales per day in the past specified period, and the planned number of special sales is added to the number of demand forecasts for prorated regular sales. Calculate the demand forecast number.
  • step S111 by summing the number of sales records for each store (SA, SB, SC, SD) from January 4, 2017 to January 10, 2017, January 4, 2017 to January 10, 2017.
  • the number of sales results in the warehouse A in one week until is calculated.
  • the calculated number of sales results is 6790 (830 + 910 + 1040 + 820 + 1000 + 1080 + 1110).
  • step S112 the demand prediction unit 103 totals the planned sales numbers for each sales store (SA, SB, SC, SD) in the period from January 4, 2018 to January 10, 2018.
  • the planned number of sales in the warehouse A for one week from January 4 to January 10 is calculated.
  • the calculated planned number of sales is 1650 (250 + 250 + 300 + 300 + 250 + 250 + 300).
  • the demand forecasting unit 103 normally calculates the number calculated by subtracting the planned sales number in the warehouse A unit for one week from the calculated actual sales number in the warehouse A unit for one week.
  • the number of demand forecasts by sales is estimated.
  • it is estimated that the number of demand forecasts for normal sales in the warehouse A unit for one week from January 4, 2018 to January 10, 2018 is 5140 (6790-1650).
  • step S113 the demand forecasting unit 103 calculates the demand forecast number (5140) in units of warehouse A for one week estimated in step S112 for each day from January 4, 2018 to January 10. Apportioned to the number of demand forecasts.
  • the demand forecasting unit 103 uses the ratio of the number of sales records in units of warehouses for each day from January 4, 2017 to January 10, 2017 in the past record information as a proportion when apportioning.
  • the number of demand forecasts for each warehouse A from January 4, 2018 to January 10, 2018 is 628, 689, 787, 621, 757, 818, respectively.
  • 840 is calculated.
  • step S114 the demand forecasting unit 103 totals the number of scheduled sales for each sales store (SA, SB, SC, SD) from January 4, 2018 to January 10, 2018 acquired from the special sales schedule information.
  • the planned number of special sales in units of days and units of warehouse A is calculated.
  • the planned sales numbers from January 4, 2018 to January 10, 2018 are 250 pieces, 250 pieces, 300 pieces, 300 pieces, 250 pieces, 250 pieces, and 300 pieces, respectively.
  • the demand prediction device 10 calculates the scheduled sale number in January and 2018 from January 4, 2018 to January 10, 2018 to January 4, 2018 estimated in step S113.
  • the demand forecast number in the warehouse A from January 4, 2018 to January 10, 2018 is 878 (628 + 250), 939 (689 + 250), 1087 (787 + 300), 921 (621 + 300), 1007 (757 + 250), 1068 (818 + 250), 1140 (840 + 300).
  • FIG. 9 is a diagram for explaining a processing procedure for performing medium-term demand prediction.
  • special sales that are decided in advance, such as one month ahead, and special sales that are decided to be implemented just before the event, the number of special sales that can be used for medium-term demand forecasts It is possible that has not been confirmed.
  • a purchase person in charge of a sales store, a sales person in charge of a product, or the like inputs the planned number of special sales after the date of the special sale approaches.
  • the demand forecasting unit 103 does not exclude the number of sales by special sales as in the short-term demand forecast, but as shown in FIG.
  • the number of actual sales in a warehouse unit corresponding to a past predetermined period that is, a period one year before the forecast period) corresponding to the past four months
  • the medium-term demand forecast is often used mainly for production planning of products in factories. Therefore, the demand prediction unit 103 may perform medium-term demand prediction in units that are rougher than daily units (for example, weekly units or monthly units).
  • the number of sales records of the warehouse A unit stored in the past record information is the number of sales records for the second week, the third week, the fourth week and the first week of February 2017 in January 2017. , 6000, 7000, 5000, and 6500 are stored.
  • the demand forecasting unit 103 determines that the medium-term demand forecasts for the second week, the third week, the fourth week, and the first week of February 2018 in January 2018 are 6000, 7000, 5000, You may make it estimate that it is 6500 pieces.
  • the demand prediction unit 103 may add at least a part of the sale schedule input in the sale schedule information to the medium-term demand forecast.
  • the designation of the special sale to be added to the medium-term demand forecast may be received from the user (for example, a person in charge of grasping the special sale carried out last year) via the terminal 20.
  • the demand prediction device 10 can reflect the change in the number of demands due to special sales in the medium-term demand prediction.
  • the demand forecast is calculated using the number of daily sales for each sales store.
  • a system capable of automatically counting the number of sales for each product is introduced. It is also assumed that the number of daily sales results cannot be counted due to reasons such as not being done. Therefore, as a modification, the demand prediction may be calculated without using the number of daily sales results for each sales store.
  • the demand forecasting unit 103 for the number of shipments of goods shipped from the warehouse to each wholesale store, ships on a day that exceeds a predetermined threshold among the number of shipment results per day for each wholesale store.
  • the actual number is regarded as the number of actual shipments by special sales, and the number of actual shipments exceeding the predetermined threshold is subtracted from the past actual shipments to estimate the number of demand forecasts (shipment predictions) due to normal sales. .
  • the number of short-term demand forecasts for each warehouse and each day is finally calculated.
  • the past performance information shown in FIG. 6 includes the number of past shipments shipped from the warehouse to the wholesale store for each wholesale store that delivers products to a plurality of sales stores. And More specifically, among the past performance information shown in FIG. 6, “number of sales results (warehouse unit)”, “sales store”, and “number of sales results (unit of sales store)” are respectively “from warehouse to wholesale store”. Replaced by “Number of Shipments (Warehouse Unit)”, “Wholesale Store”, “Number of Shipments from Warehouse to Wholesale Store (Wholesale Store Unit)”. In addition, the processing procedure of steps S101 to S103 shown in FIG. 7A is replaced with a processing procedure described below.
  • step S101 the demand prediction unit 103 sends the number of shipments in units of days shipped from the warehouse to each wholesale store (that is, the number stored in the “number of shipments from the warehouse to the wholesale store (unit of warehouse)”). Among these, a date for which the actual number of shipments exceeds a predetermined threshold is searched.
  • the demand forecasting unit 103 regards the number of shipments in a unit of days shipped from the warehouse to each wholesale store as the number of shipments exceeding a predetermined threshold is the number of shipments by sale, and determines these numbers. By subtracting from the actual number of shipments, the number of actual shipments from the warehouse by normal sales is estimated for each wholesale store.
  • step S102 the demand forecasting unit 103 totals the number of shipments from the warehouse by normal sales for each wholesale store estimated in the processing procedure of step S101, thereby shipping by normal sales in daily units and warehouse units. Calculate the number of achievements.
  • step S103 the demand prediction unit 103 calculates the number of scheduled sales on a daily basis and on a warehouse basis by totaling the number of scheduled sales for each sales store acquired from the scheduled sales information.
  • the demand prediction device 10 adds the number of actual shipments based on the daily sales and the daily sales estimated in Step S102 to the calculated daily sales and the number of special sales in the warehouse. Calculate the number of daily demand forecasts.
  • the sales performance by normal sales is estimated from the past sales performance in which both the sales performance by special sales and the sales performance by normal sales are mixed,
  • the demand forecast is calculated by adding the planned sales by special sales to the estimated sales performance.
  • the medium-term demand forecast it is assumed that the planned number of sales by special sales is uncertain, and the past sales performance is used as it is for medium-term demand forecast.
  • the demand prediction apparatus 10 can perform the demand prediction of goods in consideration of the planned number of sales by special sale.
  • the demand prediction unit 103 may predict the number of short-term demand predictions described in the processing procedure 1 not in units of days but in units of weeks. Specifically, the demand forecasting unit 103 calculates the number of “weekly” sales performances (calculated by adding daily past performance information for each week) for each sales store (SA, SB, SC, SD). Of these, the number of sales results in “week” exceeding a predetermined threshold is regarded as the number of past sales results by special sales, and the number of sales results exceeding the predetermined threshold is subtracted from the number of past sales results. The number of demand forecasts based on normal sales may be estimated. Note that the details of the process of predicting the short-term demand forecast number on a weekly basis can be realized by replacing the description on a daily basis with a weekly basis in the processing procedure of steps S101 to S103 described with reference to FIG.
  • the demand forecasting unit 103 determines the number of shipments in “weeks” exceeding the predetermined threshold among the number of shipments from the warehouse to the wholesale store in the past by the number of past shipments by sale. It may be assumed that the demand forecast number by normal sales is estimated by subtracting the number of shipment results exceeding a predetermined threshold from the number of past shipment results.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

複数の販売店舗で販売される商品に関して、商品に関する販売店舗ごとの特売による販売予定数を示す特売予定情報と、商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる商品に関する販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理する管理部(101,102)と、過去実績情報に含まれる商品に関する販売店舗ごとの過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで得られた、販売店舗ごとの販売実績数を合算した数を、通常販売による需要予測数と推定し、推定した通常販売による需要予測数に特売による販売予定数を加算することで、複数の販売店舗に配送する商品を管理する拠点における第１所定期間についての商品の需要予測数を予測する予測部(103)と、を有する需要予測装置(10)を提供する。

Description

需要予測装置、需要予測方法及びプログラム 関連出願の相互参照
　本出願は、２０１８年４月１７日に出願された日本出願番号（特願）２０１８－０７９０５９号に基づくもので、ここにその記載内容を援用する。
　本発明は、需要予測装置、需要予測方法及びプログラムに関する。
　現在、商品が店舗に並ぶまでの間には、商品を生産する工場等から倉庫への配送、倉庫から卸店舗への配送、卸店舗から販売店舗への配送といったように、複数の拠点を経由した複雑な物流経路が構築されている。
　このような複雑な物流経路において、販売店舗で欠品が生じないようにするためには、工場における商品の生産量や、倉庫及び卸店舗における在庫数が、商品の需要予測に基づいて適切にコントロールされている必要がある。特許文献１には、物流基地における商品在庫量の適正化を図ることが可能な技術が開示されている。
特開２００３－０８１４３３号公報
　近年では、ＰＯＳシステムの普及により、販売店舗で販売された商品の販売実績が日々記録されている。そのため、物流経路上の各拠点における商品の需要予測を行う際には、過去の販売実績を利用することで精度の高い予測を行うことが可能であると考える。
　ここで、販売店舗では、商品の販売促進を目的とした特売が行われることが多い。そのため、商品の需要予測を行う際には、特売による販売数増加を考慮した需要予測を行うことが望ましい。
　しかしながら、販売店舗で記録された販売履歴には、特売により増加したと想定される販売数と、通常の販売数（特売とは関係なく販売された数）とが混在した販売数が記録されていることが多い。従って、単純に過去の販売実績に対して特売による販売予定数を加えるだけでは、需要予測が大きめに予測されてしまうことになり、適切ではないと考えられる。
　そこで、本開示は、商品の需要予測を行う際に、特売による販売予定数を考慮した需要予測を適切に行うことが可能な技術を提供することを目的とする。
　本開示の一態様に係る需要予測装置は、複数の販売店舗で販売される商品に関して、商品に関する販売店舗ごとの特売による販売予定数を示す特売予定情報と、商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる商品に関する販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理する管理部と、過去実績情報に含まれる商品に関する販売店舗ごとの過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで得られた、販売店舗ごとの販売実績数を合算した数を、通常販売による需要予測数と推定し、推定した通常販売による需要予測数に特売による販売予定数を加算することで、複数の販売店舗に配送する商品を管理する拠点における第１所定期間についての商品の需要予測数を予測する予測部と、を有する。
　本開示によれば、商品の需要予測を行う際に、特売による販売予定数を考慮した需要予測を適切に行うことが可能な技術を提供することができる。
実施形態に係る需要予測システムの一例を示す図である。 需要予測装置のハードウェア構成の一例を示す図である。 需要予測装置の機能ブロック構成の一例を示す図である。 拠点情報の一例を示す図である。 特売予定情報の一例を示す図である。 過去実績情報の一例を示す図である。 短期の需要予測を行う際の処理手順１及び処理手順２を説明するための図である。 通常販売による販売実績数の算出結果を示す図である。 中期需要予測を行う処理手順を説明するための図である。
　添付図面を参照して、本発明の好適な実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
　＜システム構成＞
　図１は、実施形態に係る需要予測システムの一例を示す図である。需要予測システムは、商品の需要予測を行う需要予測装置１０と、需要予測装置１０との間でデータの送受信を行う端末２０とを含む。需要予測装置１０と端末２０は、通信ネットワークＮで接続されており、相互に通信することができる。
　需要予測装置１０は、１つ又は複数の物理的又は仮想的なサーバで構成されていてもよいし、クラウドサーバで構成されていてもよい。端末２０は、需要予測システムを利用するユーザが所持する端末と、流通経路に存在する各拠点である工場、倉庫、卸店舗及び販売店舗に設置される端末とを含み、例えば、パーソナルコンピュータ、スマートフォン又はタブレット端末等である。
　端末２０は、需要予測装置１０に対する各種の情報の入力や、需要予測装置１０で予測された商品の需要予測結果を表示するために用いられる。図１には端末２０が１つ図示されているが、複数の端末１０が需要予測装置１０に接続されていてもよい。
　商品が工場で生成されて販売店舗に並ぶまでの間に、商品は、商品を管理する複数の拠点を経由して販売店舗に届けられる。具体的には、図１に示すように、メーカの工場で生産された商品は一旦メーカの倉庫（出荷倉庫とも呼ばれる）で管理される。その後、商品は卸店舗（卸店舗の倉庫とも呼ばれる）に配送され、更に、卸店舗から商品を販売する販売店舗に配送される。なお、図１に示す流通経路はあくまで一例であり、例えば工場から複数の倉庫に商品が配送される形態もあり得る。
　このような物流を滞りなく行い、販売店舗で欠品が生じないようにするためには、各拠点で必要な在庫量を適切に予測する（すなわち需要予測を行う）と共に、予測した在庫量が各拠点に予定通り確保されるように、工場による生産計画や、卸店舗及び販売店舗への配送計画を立てる必要がある。また、販売店舗では、商品の販売促進を目的とした特売（例えば値引き販売）が行われることが多いことから、特売による販売数増加を考慮して需要予測を行うことが必要である。
　本実施形態に係る需要予測装置１０は、特売による販売予定数（以下、「特売予定数」と言う。）を考慮して、商品の需要予測を行う機能を有している。以下の説明では、需要予測装置１０は、主に「倉庫」や「工場」単位での需要予測を行う場合を前提に説明する。しかしながら、需要予測装置１０は、これに限定されず、「卸店舗」単位での需要予測を行うことも可能である。
　＜ハードウェア構成＞
　図２は、需要予測装置１０のハードウェア構成の一例を示す図である。図２に示すように、需要予測装置１０は、ＣＰＵ（Central Processing Unit）等のプロセッサ１１、メモリ又はＨＤＤ（HardDisk）等の記憶装置１２、通信ネットワークＮと接続するために用いられる通信ＩＦ（Interface）１３、キーボードやタッチパネル等の入力装置１４及びディスプレイ等の出力装置１５を含む。
　＜機能ブロック構成＞
　図３は、需要予測装置１０の機能ブロック構成の一例を示す図である。需要予測装置１０は、特売予定管理部１０１と、過去実績管理部１０２と、需要予測部１０３と、表示部１０４と、記憶部１０５とを含む。記憶部１０５には、需要予測装置１０が管理する各拠点（工場、倉庫、卸店舗及び販売店舗）を示す拠点情報と、特売による商品の販売予定数を示す特売予定情報と、商品の過去の販売実績を示す過去実績情報とを記憶する。
　特売予定管理部１０１と、過去実績管理部１０２と、需要予測部１０３と、表示部１０４とは、プロセッサ１１が、記憶装置１２に記憶されたプログラムを実行することで実現することができる。なお、当該プログラムは、例えば非一時的な記録媒体に格納することができる。当該プログラムを格納した記録媒体は、非一時的な記録媒体であってもよい。非一時的な記録媒体は特に限定されないが、例えば、ＵＳＢメモリ又はＣＤ－ＲＯＭ等の記録媒体であってもよい。また、記憶部１０５は、記憶装置１２を用いて実現することができる。
　特売予定管理部１０１は、特売予定情報を管理する機能を備える。具体的には、特売予定管理部１０１は、特売に関する各種の情報（特売対象の商品、特売が行われる日付、特売が行われる販売店舗、特売予定数）の入力を端末２０から受け付け、受け付けた各種の情報を記憶部１０５に記憶されている特売予定情報に格納する。特売予定数の入力は、例えば販売店舗の仕入担当者や商品の営業担当者等が端末２０を操作することで行われる。
　過去実績管理部１０２は、過去実績情報を管理する機能を備える。具体的には、過去実績管理部１０２は、各販売店舗における商品の販売実績数を端末２０から受信し、受信した販売実績数を販売店舗ごとに過去実績情報に格納する。ここで、過去実績情報に格納される販売実績数には、特売による販売実績数と通常販売による販売実績数との両方が含まれる前提である。これは、販売店舗にて、特売がきっかけで商品が売れたのか、若しくは特売とは無関係に商品が売れたのかを区別して販売数をカウントしていないことが多いためである。なお、特売（特別販売）とは、通常よりも値引きして販売するという販売促進活動のみならず、店頭でのプロモーション活動や商品を目立たせるような商品陳列を行うといったように、商品を大量に販売することを目的した営業活動による販売促進活動も含む。通常販売とは、特売ではなく通常の販売方法により商品を販売することを意味しており、「定番販売」とも呼ばれる。
　需要予測部１０３は、特売予定数と過去の販売実績数とに基づいて、通常販売による需要予測数を推定すると共に、推定した通常販売による需要予測数に特売予定数を加算することで、商品を管理する倉庫（商品を管理する拠点）単位で、短期（第１所定期間）での商品の需要予測数を予測する。なお、「短期」とは翌日から１週間後までを意味するものとして使用するが、本実施形態がこれに限定されるものではない。例えば、需要予測部１０３は、短期での需要予測として翌日から２週間後までの需要予測数を予測するようにしてもよいし、３週間後までの需要予測数を予測するようにしてもよい。
　また、需要予測部１０３は、倉庫（商品を管理する拠点）単位又は倉庫に商品を供給する工場（商品を生産する拠点）単位の商品の需要予測数であって、中期（第２所定期間）での商品の需要予測数を予測するようにしてもよい。中期とは、短期よりも長い期間（例えば、４か月後まで等）であり、かつ短期に該当する期間を除く期間である。本実施形態では、「中期」とは、１週間後から４か月後までを意味するものとして使用するが、「短期」と同様、本実施形態がこれに限定されるものではない。
　表示部１０４は、需要予測部１０３で予測された短期又は中期の需要予測数を端末２０の画面に表示させる。表示部１０４は、例えばＷｅｂサーバ機能を備えており、端末２０が備えるブラウザに、需要予測数を示す画面を表示させるようにしてもよい。
　図４は、拠点情報の一例を示す図である。「商品ＩＤ」には、特売対象の商品を一意に識別する識別子が格納される。「販売店舗」には、販売店舗の名称又は販売店舗を一意に識別する識別子が格納される。「卸店舗」には、卸店舗の名称又は卸店舗を一意に識別する識別子が格納される。「倉庫」には、倉庫の名称又は倉庫を一意に識別する識別子が格納される。「工場」には、工場の名称又は工場を一意に識別する識別子が格納される。図４の例では、工場Ｙで生産された商品（商品ＩＤが０１である商品）が、倉庫Ａから卸店舗ＤＡ及びＤＢに配送され、更に、卸店舗ＤＡから販売店舗ＳＡ及びＳＢに配送されると共に、卸店舗ＤＢから販売店舗ＳＣ及びＳＤに配送されるという一連の流通経路が定義されている。なお、商品によらず流通経路が同一である場合、商品ＩＤは省略されていてもよい。
　図５は、特売予定情報の一例を示す図である。「商品ＩＤ」には、特売対象の商品を一意に識別する識別子が格納される。「日付」には、特売が行われる日付が格納される。「販売店舗」には、特売が行われる販売店舗の名称又は販売店舗を一意に識別する識別子が格納される。「特売予定数」には、特売を予定している商品の販売予定数（特売分として確保すべき在庫数）が格納される。
　図６は、過去実績情報の一例を示す図である。「商品ＩＤ」には、商品を一意に識別する識別子が格納される。「日付」には、販売実績に対応する日付が格納される。「販売店舗」には、販売店舗の名称又は販売店舗を一意に識別する識別子が格納される。「販売実績数（販売店舗）」には、販売店舗において商品ＩＤに該当する商品が販売された数量が格納される。「倉庫」には、卸店舗を経由して「販売店舗」に商品を配送する倉庫の名称又は倉庫を一意に識別する識別子が格納される。「販売実績数（倉庫単位）」には、配送先である全ての販売店舗の「販売実績（販売店舗単位）」を合計した数が格納される。例えば、図６の例では、商品ＩＤが０１である商品（以下、「商品０１」と記載する。）が、２０１７年１月４日には、販売店舗ＳＡ、ＳＢ、ＳＣ及びＳＤでそれぞれ３５０個、１５０個、１２０個及び２１０個販売されたことが記録されている。また、倉庫Ａ単位で見ると、商品０１が合計８３０個販売されたことが記録されている。
　＜処理手順＞
　続いて、需要予測装置１０が短期及び中期の需要予測を行う際の処理手順について具体的に説明する。以下の説明では、本日は２０１８年１月３日であり、需要予測装置１０は、商品０１を対象に需要予測を行う前提とする。また、需要予測装置１０は、「倉庫Ａ」における短期及び中期の需要予測を行う前提とする。また、需要予測装置１０が短期の需要予測を行う予測期間は、翌日（２０１８年１月４日）から１週間後（２０１８年１月１０日）までである前提とする。また、拠点情報、特売予定情報及び過去実績情報には、それぞれ、図４、図５及び図６に示すデータが登録されている前提とする。また、需要予測装置１０は、過去の所定の期間（ここでは１年前である前提とする）の同日の過去実績情報を、需要予測に利用する前提とする。例えば、２０１８年１月４日から１月１０日までの需要予測を行う場合、需要予測装置１０は、２０１７年１月４日から１月１０日までの過去実績を需要予測に利用する前提とする。なお、過去の所定の期間とは１年前であることに限定されない。例えば、３か月前や半年前とすることも可能である。また、曜日が一致するようにするため、日付をずらすようにしてもよい。例えば、２０１８年１月４日（月）から１月１０日（日）までの短期需要予測を行う場合、需要予測装置１０は、２０１７年１月９日（月）から１月１５日（日）までの過去実績を需要予測に利用するようにしてもよい。
　（短期需要予測）
　まず、需要予測部１０３は、拠点情報にアクセスし、商品０１における流通経路を認識する。具体的には、需要予測部１０３は、商品０１は、倉庫Ａから卸店舗ＤＡ及びＤＢを経由して各販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）に配送されることを認識する。続いて、需要予測部１０３は、特売予定情報にアクセスし、商品０１に関する翌日（２０１８年１月４日）から１週間後（２０１８年１月１０日）までの特売予定数を取得する。続いて、需要予測部１０３は、過去実績情報にアクセスし、短期の需要予測を行う期間の１年前である２０１７年１月４日から２０１７年１月１０日における、商品０１の各販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）での販売実績数を取得する。
　続いて、需要予測部１０３は、各販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）における販売実績数から、通常販売による需要予測数を推定し、推定した通常販売による販売実績数に特売予定数を加算することで、短期の需要予測数を算出する。ここで、需要予測部１０３は、以下に示す処理手順１又は処理手順２のいずれか一方を用いることで、通常販売による需要予測数の推定と短期の需要予測数を算出とを行う。
　［処理手順１］
　処理手順１では、需要予測部１０３は、販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの日単位の販売実績数のうち、所定の閾値を超える日の販売実績数については特売による過去の販売実績数であるとみなし、当該過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで、通常販売による需要予測数を推定する。また、推定した通常販売による需要予測数に特売予定数を加算することで、短期の需要予測数を算出する。以下、図７（ａ）を用いて具体例を説明する。
　ステップＳ１０１で、需要予測部１０３は、販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの日単位の販売実績数のうち、販売実績数が所定の閾値を超える日付を検索する。例えば、図６の例では、販売店舗ＳＡにおける１月４日から１０日までの販売実績数は、それぞれ、３５０個、４００個、２５０個、１３０個、１８０個、２５０個、２３０個である。ここで、所定の閾値は２７０個に設定されていると仮定する。そうすると、販売店舗ＳＡにおける２０１７年１月４日から１月１０日までの販売実績数のうち、販売実績数が所定の閾値を超える日は１月４日及び１月５日になる。なお、所定の閾値は、予め需要予測装置１０に設定されていてもよいし、端末２０から任意に変更可能であってもよい。
　続いて、需要予測部１０３は、１月４日及び１月５日の販売実績数のうち、所定の閾値を超える個数（すなわち８０個及び１３０個）は特売による販売実績数であったとみなし、これらの個数を販売実績数から減算することで通常販売による販売実績数を推定する。ここでは、需要予測部１０３は、販売店舗ＳＡにおける２０１７年１月４日から１月１０日までの通常販売による販売実績数は、それぞれ、２７０個、２７０個、２５０個、１３０個、１８０個、２５０個、２３０個であったと推定することになる。需要予測装置１０は、ステップＳ１０１で説明した処理を、販売店舗ＳＢ、ＳＣ及びＳＤについても行う。
　ステップＳ１０２で、需要予測部１０３は、ステップＳ１０１の処理手順で推定された販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの通常販売による販売実績数を合計することで、２０１７年１月４日から１月１０日までの日単位における、倉庫Ａ単位での通常販売による販売実績数を算出する。算出結果を図８に示す。図８に示すように、２０１７年１月４日から１月１０日までの日単位における、倉庫Ａでの通常販売による販売実績数は、それぞれ、７５０個、７８０個、８３０個、７００個、７７０個、９６０個、９３０個と算出される。需要予測装置１０は、これらの数を、２０１８年１月４日から１月１０日までの通常販売による需要予測数とみなすことで、日単位かつ倉庫Ａ単位での通常販売による需要予測数を推定する。
　ステップＳ１０３で、需要予測部１０３は、特売予定情報から取得した２０１８年１月４日から１月１０日までの販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの特売予定数を合計することで、日単位かつ倉庫Ａ単位での特売予定数を算出する。算出された２０１８年１月４日から１月１０日までの特売予定数は、それぞれ、２５０個、２５０個、３００個、３００個、２５０個、２５０個、３００個になる。なお、図５の例では、同一日に２店舗以上で特売が行われる日が存在しないことから、ここでは、図５に示す数がそのまま倉庫Ａ単位の特売予定数になる。
　続いて、需要予測装置１０は、算出された２０１８年１月４日から１月１０日までの日単位かつ倉庫Ａ単位での特売予定数に、ステップＳ１０２で推定された２０１８年１月４日から１月１０日までの日単位かつ倉庫Ａ単位での通常販売による販売予定数を加算することで、倉庫Ａにおける２０１８年１月４日から１月１０日までの日単位での需要予測数を算出する。具体的には、倉庫Ａにおける２０１８年１月４日から１月１０日までの日単位での需要予測数は、それぞれ、１０００（７５０＋２５０）個、１０３０（７８０＋２５０）個、１１３０（８３０＋３００）個、１０００（７００＋３００）個、１０２０（７７０＋２５０）個、１２１０（９６０＋２５０）個、１２３０（９３０＋３００）個と算出される。
　［処理手順２］
　処理手順２では、需要予測部１０３は、過去実績情報に含まれる販売店舗ごとの過去の販売実績数のうち、倉庫Ａから商品０１の配送を受ける各販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）についての予測期間（翌日から１週間後まで）に対応する過去の所定の期間（すなわち予測期間の１年前の期間）の販売実績数を合計することで、倉庫Ａ単位かつ予測期間に対応する当該過去の所定の期間における販売実績数を算出する。続いて、需要予測部１０３は、特売予定情報に含まれる販売店舗ごとの日単位の特売予定数のうち、倉庫Ａから商品０１の配送を受ける販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの予測期間の販売予定数を合計することで、倉庫Ａ単位かつ予測期間における特売予定数を算出する。
　続いて、需要予測部１０３は、算出した販売実績数（倉庫Ａ単位かつ予測期間に対応する過去の所定の期間における販売実績数）から、算出した販売予定数（倉庫Ａ単位かつ予測期間における特売予定数）を減算することで、通常販売による需要予測数を推定する。また、推定した通常販売による需要予測数を、過去の所定の期間における日ごとの販売実績数の比率で按分すると共に、按分した通常販売による需要予測数に特売予定数を加算することで、短期の需要予測数を算出する。以下、図７（ｂ）を用いて具体例を説明する。
　ステップＳ１１１で、２０１７年１月４日から１月１０日までの販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの販売実績数を合計することで、２０１７年１月４日から１月１０日までの１週間における倉庫Ａ単位での販売実績数を算出する。図６の例では、算出された販売実績数は、６７９０（８３０＋９１０＋１０４０＋８２０＋１０００＋１０８０＋１１１０）個になる。
　ステップＳ１１２で、需要予測部１０３は、２０１８年１月４日から１月１０日までの期間における販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとに販売予定数を合計することで、２０１８年１月４日から１月１０日までの１週間における倉庫Ａ単位での販売予定数を算出する。図５の例では、算出された販売予定数は、１６５０（２５０＋２５０＋３００＋３００＋２５０＋２５０＋３００）個になる。
　続いて、需要予測部１０３は、算出した１週間分の倉庫Ａ単位での販売実績数から、算出した１週間分の倉庫Ａ単位での販売予定数を減算することで算出された数を通常販売による需要予測数とみなすことで、通常販売による需要予測数を推定する。ここでは、２０１８年１月４日から１月１０日までの１週間分の倉庫Ａ単位での通常販売による需要予測数は、５１４０（６７９０－１６５０）個であると推定されることになる。
　ステップＳ１１３で、需要予測部１０３は、ステップＳ１１２で推定された１週間分の倉庫Ａ単位での需要予測数（５１４０個）を、２０１８年１月４日から１月１０日までの１日ごとの需要予測数に按分する。需要予測部１０３は、按分する際の比率として、過去実績情報における２０１７年１月４日から１月１０日までの１日ごとの倉庫単位での販売実績数の比率を利用する。例えば２０１８年１月４日の需要予測数は、５１４０×（８３０÷６７９０）＝６２８個と算出することができる。これにより、２０１８年１月４日から１月１０日までの１日ごとの倉庫Ａ単位での需要予測数は、それぞれ、６２８個、６８９個、７８７個、６２１個、７５７個、８１８個、８４０個であると算出される。
　ステップＳ１１４で、需要予測部１０３は、特売予定情報から取得した２０１８年１月４日から１月１０日までの販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの特売予定数を合計することで、日単位かつ倉庫Ａ単位での特売予定数を算出する。算出された２０１８年１月４日から１月１０日までの特売予定数は、それぞれ、２５０個、２５０個、３００個、３００個、２５０個、２５０個、３００個になる。
　続いて、需要予測装置１０は、算出された２０１８年１月４日から１月１０日までの日単位かつ倉庫Ａ単位での特売予定数に、ステップＳ１１３で推定された２０１８年１月４日から１月１０日までの日単位かつ倉庫Ａ単位での通常販売による販売予定数を加算することで、倉庫Ａにおける２０１８年１月４日から１月１０日までの日単位での需要予測数を算出する。具体的には、倉庫Ａにおける２０１８年１月４日から１月１０日までの日単位での需要予測数は、それぞれ、８７８（６２８＋２５０）個、９３９（６８９＋２５０）個、１０８７（７８７＋３００）個、９２１（６２１＋３００）個、１００７（７５７＋２５０）個、１０６８（８１８＋２５０）個、１１４０（８４０＋３００）個になる。
　（中期需要予測）
　図９は、中期需要予測を行う処理手順を説明するための図である。ここで、販売店舗で行われる特売には、１ヶ月先など予め実施が決まっている特売と、開催の直前で実施が決まる特売とがあることから、中期の需要予測に利用可能な特売予定数が確定していないことが考えられる。また、販売店舗の仕入担当者や商品の営業担当者等が、特売の実施日が近づいてから特売予定数を入力することも想定される。
　そこで、需要予測部１０３は、中期需要予測を行う場合、短期需要予測のように特売による販売実績数を除外するのではなく、図９（ａ）に示すように、予測期間（例えば１週間後から４か月後まで）に対応する過去の所定の期間（すなわち予測期間の１年前の期間）の倉庫単位における販売実績数を、そのまま当該倉庫における中期の需要予測数とする。なお、中期需要予測は、短期需要予測とは異なり、主に工場における商品の生産計画等に用いられることが多いと考えられる。そのため、需要予測部１０３は、日単位より荒い単位（例えば１週間単位や１ヶ月単位）で中期需要予測を行うようにしてもよい。
　例えば、過去実績情報に格納されている倉庫Ａ単位の販売実績数に、２０１７年１月の第２週、第３週、第４週及び２０１７年２月第１週の販売実績数として、それぞれ、６０００個、７０００個、５０００個、６５００個が格納されていたと仮定する。この場合、需要予測部１０３は、２０１８年１月の第２週、第３週、第４週及び２０１８年２月第１週の中期需要予測は、それぞれ、６０００個、７０００個、５０００個、６５００個であると予測するようにしてもよい。
　ここで、販売店舗で行われる特売の中には、昨年度の同時期には実施していなかったが本年度初めて実施するといった特売が行われることがある。その場合、単純に過去実績を需要予測としてしまうと、本年度実施する特売の特売予定数が中期需要予測に反映されないことになってしまう。そこで、需要予測部１０３は、図９（ｂ）に示すように、特売予定情報に入力されている特売予定のうち少なくとも一部を中期需要予測に加えるようにしてもよい。中期需要予測に加える特売の指定は、端末２０を介してユーザ（例えば昨年の実施した特売を把握している担当者等）から受け付けるようにしてもよい。これにより、需要予測装置１０は、特売による需要数の変化を、中期需要予測に反映させることが可能になる。
　＜変形例＞
　以上説明した処理手順１では、販売店舗ごとの日々の販売実績数を用いて需要予測を算出するようにしたが、販売店舗によっては、商品ごとの販売数を自動的にカウント可能なシステムが導入されていない等の理由により、日々の販売実績数をカウントできない場合も想定される。そこで、変形例として、販売店舗ごとの日々の販売実績数を用いずに需要予測を算出するようにしてもよい。
　具体的には、需要予測部１０３は、倉庫から各卸店舗に向けて出荷された商品の出荷実績数について、卸店舗ごとの日単位の出荷実績数のうち、所定の閾値を超える日の出荷実績数については特売による出荷実績数であるとみなし、当該過去の出荷実績から所定の閾値を超える分の出荷実績数を減算することで、通常販売による需要予測数（出荷予測数）を推定する。また、推定した通常販売による需要予測数に特売予定数を加算することで、最終的に倉庫単位かつ日単位での短期の需要予測数を算出する。
　本変形例では、図６に示す過去実績情報には、複数の販売店舗に商品を配送する卸店舗ごとに、倉庫から卸店舗に向けて出荷された過去の出荷実績数が含まれているものとする。より詳細には、図６に示す過去実績情報のうち「販売実績数（倉庫単位）」、「販売店舗」、「販売実績数（販売店舗単位）」は、それぞれ、「倉庫から卸店舗への出荷実績数（倉庫単位）」、「卸店舗」、「倉庫から卸店舗への出荷実績数（卸店舗単位）」に置き換えられる。また、図７（ａ）に示すステップＳ１０１～ステップＳ１０３の処理手順は、以下に説明する処理手順に置き換えるものとする。
　ステップＳ１０１で、需要予測部１０３は、倉庫から各卸店舗に向けて出荷された日単位の出荷実績数（つまり「倉庫から卸店舗への出荷実績数（倉庫単位）」に格納された数）のうち、出荷実績数が所定の閾値を超える日付を検索する。
　続いて、需要予測部１０３は、倉庫から各卸店舗に向けて出荷された日単位の出荷実績数のうち、所定の閾値を超える個数は特売による出荷実績数であったとみなし、これらの個数を出荷実績数から減算することで、通常販売による倉庫からの出荷実績数を、卸店舗ごとに推定する。
　ステップＳ１０２で、需要予測部１０３は、ステップＳ１０１の処理手順で推定された卸店舗ごとの、通常販売による倉庫からの出荷実績数を合計することで、日単位かつ倉庫単位での通常販売による出荷実績数を算出する。
　ステップＳ１０３で、需要予測部１０３は、特売予定情報から取得した販売店舗ごとの特売予定数を合計することで、日単位かつ倉庫単位での特売予定数を算出する。
　続いて、需要予測装置１０は、算出された日単位かつ倉庫単位での特売予定数に、ステップＳ１０２で推定された日単位かつ倉庫単位での通常販売による出荷実績数を加算することで、倉庫における日単位での需要予測数を算出する。
　＜まとめ＞
　以上、実施形態について説明した。本実施形態によれば、商品の短期需要予測を行う際に、特売による販売実績数と通常販売による販売実績数との両方が混在した過去の販売実績から、通常販売による販売実績を推定し、推定した販売実績に特売による販売予定数を加えることで、需要予測を算出するようにした。また、中期需要予測を行う際、特売による販売予定数が未確定である場合等を想定し、過去の販売実績をそのまま中期の需要予測に利用することとした。これにより、需要予測装置１０は、特売による販売予定数を考慮して、商品の需要予測を行うことを可能とした。
　＜補足事項＞
　以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態で説明したフローチャート、シーケンス、実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
　例えば、以上説明した実施形態において、日単位の処理を、週単位の処理に置き換えることも可能である。例えば、需要予測部１０３は、処理手順１で説明した短期の需要予測数を、日単位ではなく週単位で予測するようにしてもよい。具体的には、需要予測部１０３は、販売店舗（ＳＡ、ＳＢ、ＳＣ、ＳＤ）ごとの“週単位”の販売実績数（日単位の過去実績情報を週単位に合算することで算出）のうち、所定の閾値を超える“週”の販売実績数については特売による過去の販売実績数であるとみなし、当該過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで、通常販売による需要予測数を推定するようにしてもよい。なお、短期の需要予測数を週単位で予測する処理の詳細は、図７で説明したステップＳ１０１～ステップＳ１０３の処理手順において、日単位の記載を、週単位に置き換えることで実現可能である。
　また、上述した変形例についても同様に、日単位の処理を、週単位の処理に置き換えることも可能である。具体的には、需要予測部１０３は、倉庫から卸店舗への“週単位”の出荷実績数のうち、所定の閾値を超える“週”の出荷実績数については特売による過去の出荷実績数であるとみなし、当該過去の出荷実績数から所定の閾値を超える分の出荷実績数を減算することで、通常販売による需要予測数を推定するようにしてもよい。
　１０…需要予測装置、１１…プロセッサ、１２…記憶装置、１３…通信ＩＦ、１４…入力装置、１５…出力装置、２０…端末、１０１…特売予定管理部、１０２…過去実績管理部、１０３…需要予測部、１０４…表示部、１０５…記憶部

Claims (9)

  1. 　複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理する管理部と、
    　前記過去実績情報に含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで得られた、前記販売店舗ごとの販売実績数を合算した数を、通常販売による需要予測数と推定し、推定した前記通常販売による需要予測数に前記特売による販売予定数を加算することで、前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測する予測部と、
    　を有する需要予測装置。
  2. 　複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理する管理部と、
    　前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測する予測部であって、
    　　前記特売予定情報で示される前記販売店舗ごとの特売による販売予定数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間の販売予定数を合計することで、前記拠点における前記第１所定期間の販売予定数を算出し、
    　　前記過去実績情報で示される前記販売店舗ごとの過去の販売実績数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間に対応する過去の期間の販売実績数を合計することで、前記拠点における前記第１所定期間に対応する過去の期間の販売実績数を算出し、
    　　前記拠点における前記第１所定期間に対応する過去の期間の販売実績数から、前記拠点における前記第１所定期間の販売予定数を減算した数を、前記拠点における前記通常販売による需要予測数と推定し、
    　　推定した前記通常販売による需要予測数を、算出した前記拠点における前記第１所定期間に対応する過去の期間における日ごとの販売実績数の比率で按分し、按分した日ごとの販売実績数に、算出した前記拠点における前記第１所定期間の日ごとの販売予定数を加算することで、前記商品の需要予測数を予測する予測部と、
    　を有する需要予測装置。
  3. 　前記予測部は、前記商品を管理する拠点単位又は前記拠点で管理される前記商品を生産する拠点単位の前記商品の需要予測数であって、前記第１所定期間よりも長い期間であり、かつ前記第１所定期間を除く第２所定期間における需要予測数を予測する、
    　請求項１又は２に記載の需要予測装置。
  4. 　前記予測部は、ユーザの指示に基づいて、前記特売予定情報で示される特売による販売予定数の少なくとも一部を前記第２所定期間における需要予測数に加えることで、前記第２所定期間における需要予測数を予測する、
    　請求項３に記載の需要予測装置。
  5. 　前記過去実績情報には、前記複数の販売店舗に前記商品を配送する卸店舗ごとに、前記商品を管理する拠点から前記卸店舗に向けて出荷された過去の出荷実績数が含まれており、
    　前記予測部は、前記過去実績情報に含まれる前記商品に関する前記卸店舗ごとの過去の出荷実績数から所定の閾値を超える分の出荷実績数を減算することで得られた、前記卸店舗ごとの出荷実績数を合算した数を、前記通常販売による需要予測数とする、
    　請求項１に記載の需要予測装置。
  6. 　商品の需要を予測する需要予測装置が行う需要予測方法であって、
    　前記需要予測装置が、複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理するステップと、
    　前記需要予測装置が、前記過去実績情報に含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで得られた、前記販売店舗ごとの販売実績数を合算した数を、通常販売による需要予測数と推定し、推定した前記通常販売による需要予測数に前記特売による販売予定数を加算することで、前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測するステップと、
    　を有する需要予測方法。
  7. 　商品の需要を予測する需要予測装置が行う需要予測方法であって、
    　需要予測装置が、複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理するステップと、
    　需要予測装置が、前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測するステップであって、
    　　前記特売予定情報で示される前記販売店舗ごとの特売による販売予定数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間の販売予定数を合計することで、前記拠点における前記第１所定期間の販売予定数を算出し、
    　　前記過去実績情報で示される前記販売店舗ごとの過去の販売実績数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間に対応する過去の期間の販売実績数を合計することで、前記拠点における前記第１所定期間に対応する過去の期間の販売実績数を算出し、
    　　前記拠点における前記第１所定期間に対応する過去の期間の販売実績数から、前記拠点における前記第１所定期間の販売予定数を減算した数を、前記拠点における前記通常販売による需要予測数と推定し、
    　　推定した前記通常販売による需要予測数を、算出した前記拠点における前記第１所定期間に対応する過去の期間における日ごとの販売実績数の比率で按分し、按分した日ごとの販売実績数に、算出した前記拠点における前記第１所定期間の日ごとの販売予定数を加算することで、前記商品の需要予測数を予測するステップと、
    　を有する需要予測方法。
  8. 　コンピュータに、
    　複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理するステップと、
    　前記過去実績情報に含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数から所定の閾値を超える分の販売実績数を減算することで得られた、前記販売店舗ごとの販売実績数を合算した数を、通常販売による需要予測数と推定し、推定した前記通常販売による需要予測数に前記特売による販売予定数を加算することで、前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測するステップと、
    　を実行させるプログラム。
  9. 　コンピュータに、
    　複数の販売店舗で販売される商品に関して、前記商品に関する前記販売店舗ごとの特売による販売予定数を示す特売予定情報と、前記商品に関して、特売による販売実績数と通常販売による販売実績数とが含まれる前記商品に関する前記販売店舗ごとの過去の販売実績数を示す過去実績情報とを管理するステップと、
    　前記複数の販売店舗に配送する前記商品を管理する拠点における第１所定期間についての前記商品の需要予測数を予測するステップであって、
    　　前記特売予定情報で示される前記販売店舗ごとの特売による販売予定数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間の販売予定数を合計することで、前記拠点における前記第１所定期間の販売予定数を算出し、
    　　前記過去実績情報で示される前記販売店舗ごとの過去の販売実績数のうち、前記拠点から前記商品の配送を受ける前記販売店舗ごとの前記第１所定期間に対応する過去の期間の販売実績数を合計することで、前記拠点における前記第１所定期間に対応する過去の期間の販売実績数を算出し、
    　　前記拠点における前記第１所定期間に対応する過去の期間の販売実績数から、前記拠点における前記第１所定期間の販売予定数を減算した数を、前記拠点における前記通常販売による需要予測数と推定し、
    　　推定した前記通常販売による需要予測数を、算出した前記拠点における前記第１所定期間に対応する過去の期間における日ごとの販売実績数の比率で按分し、按分した日ごとの販売実績数に、算出した前記拠点における前記第１所定期間の日ごとの販売予定数を加算することで、前記商品の需要予測数を予測するステップと、
    　を実行させるプログラム。
PCT/JP2019/016134 2018-04-17 2019-04-15 需要予測装置、需要予測方法及びプログラム WO2019203184A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-079059 2018-04-17
JP2018079059A JP6474511B1 (ja) 2018-04-17 2018-04-17 需要予測装置、需要予測方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2019203184A1 true WO2019203184A1 (ja) 2019-10-24

Family

ID=65516987

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/016134 WO2019203184A1 (ja) 2018-04-17 2019-04-15 需要予測装置、需要予測方法及びプログラム

Country Status (2)

Country Link
JP (1) JP6474511B1 (ja)
WO (1) WO2019203184A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150683A (ja) * 2001-11-16 2003-05-23 Lion Corp 流通処理システム
JP2005539330A (ja) * 2002-09-18 2005-12-22 ミツイ ブッサン ロジスティックス，インコーポレイテッド 配送チェーンの管理システム及び方法
JP2016012321A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003150683A (ja) * 2001-11-16 2003-05-23 Lion Corp 流通処理システム
JP2005539330A (ja) * 2002-09-18 2005-12-22 ミツイ ブッサン ロジスティックス，インコーポレイテッド 配送チェーンの管理システム及び方法
JP2016012321A (ja) * 2014-06-30 2016-01-21 東芝テック株式会社 需要予測装置およびプログラム

Also Published As

Publication number Publication date
JP2019185651A (ja) 2019-10-24
JP6474511B1 (ja) 2019-02-27

Similar Documents

Publication Publication Date Title
Lee A multi-echelon inventory model for repairable items with emergency lateral transshipments
US10679178B2 (en) Big data sourcing simulator
Martins et al. An optimization-simulation approach to the network redesign problem of pharmaceutical wholesalers
US20190258979A1 (en) Method and system for transfer order management
JP4678879B2 (ja) 販売予測システム、方法及びコンピュータプログラム
Low et al. Integration of production scheduling and delivery in two echelon supply chain
JP6424311B2 (ja) サプライチェーンマネージメント装置、及びその方法、システム、プログラム
Jasin et al. Omnichannel operations: Challenges, opportunities, and models
JP2003162619A (ja) 売り上げ予測装置および方法
Emde et al. Scheduling direct deliveries with time windows to minimise truck fleet size and customer waiting times
US7533036B2 (en) Method and system for preparing a new store for opening and operation
JP2016207154A (ja) 商品発注数調整装置、商品発注数調整方法、発注システムおよびコンピュータプログラム
US20140350991A1 (en) Systems and methods for logistics network management
US11481858B2 (en) Peak period network capacity planning
JP6193817B2 (ja) 需要予測装置およびプログラム
JP5847137B2 (ja) 需要予測装置及びプログラム
Madsen et al. Real-time multi-agent forecasting and replenishment solution for legos branded retail outlets
JP6474511B1 (ja) 需要予測装置、需要予測方法及びプログラム
US20230004928A1 (en) Order Fulfillment System
US20190370734A1 (en) Avoidance of product stockouts through optimized routing of online orders
WO2022113894A1 (ja) 供給方法決定装置
Johnston et al. Breadth of range and depth of stock: forecasting and inventory management at Euro Car Parts Ltd.
JP2016012224A (ja) 需要予測装置およびプログラム
Lam et al. Multiobjective vendor allocation in multiechelon inventory systems: a spreadsheet model
JP2008165597A (ja) 業務パラメータ決定システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19788843

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19788843

Country of ref document: EP

Kind code of ref document: A1