WO2021039767A1 - 在庫管理装置 - Google Patents

在庫管理装置 Download PDF

Info

Publication number
WO2021039767A1
WO2021039767A1 PCT/JP2020/031977 JP2020031977W WO2021039767A1 WO 2021039767 A1 WO2021039767 A1 WO 2021039767A1 JP 2020031977 W JP2020031977 W JP 2020031977W WO 2021039767 A1 WO2021039767 A1 WO 2021039767A1
Authority
WO
WIPO (PCT)
Prior art keywords
product
inventory management
trained model
determination unit
products
Prior art date
Application number
PCT/JP2020/031977
Other languages
English (en)
French (fr)
Inventor
宰 出水
佑介 深澤
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to US17/637,894 priority Critical patent/US20220284382A1/en
Priority to JP2021542918A priority patent/JP7474265B2/ja
Publication of WO2021039767A1 publication Critical patent/WO2021039767A1/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Definitions

  • One aspect of the present invention relates to an inventory management device.
  • Patent Document 1 a system that optimizes inventory management in the flow of goods (supply chain) from production to sales has been known (see, for example, Patent Document 1).
  • One aspect of the present invention has been made in view of the above circumstances, and an object thereof is, for example, an approach of reinforcement learning to perform inventory management with high accuracy.
  • the inventory management device acquires the first learned model related to the inventory management of the first product and the relevance information related to the relevance of the first product and the second product.
  • the determination unit that determines whether or not the first learned model is applied to the inventory management of the second product, and the determination unit based on the relevance information, It includes a decision-making unit that applies the first trained model to the inventory management of the second product and determines the inventory management policy of the second product.
  • the first learned model related to the inventory management of the first product is seconded based on the relevance information related to the relevance degree of the first product and the second product. It is determined whether or not the product is applied to the inventory management of the product, and when it is determined to be applied, the first trained model is applied to the inventory management of the second product. For example, for products for which inventory management measures have not been determined, such as newly released products, it is difficult to perform inventory management accurately at the beginning of sales. If you wait for the release date of a newly released product and learn a new inventory management policy, it will take time to apply it.
  • the trained model is used in consideration of the degree of relevance between the product having the trained model related to inventory management (first product) and the second product. Since it is determined whether or not to apply it to inventory management of the second product, for example, transfer learning is suppressed between products with low relevance, and transfer learning is performed only between products with high relevance. It becomes possible to do things.
  • inventory management is performed with high accuracy even for newly released products, for example, using the trained model. be able to. From the above, according to the inventory management device according to one aspect of the present invention, inventory management can be performed more accurately than in the past.
  • inventory management can be performed with high accuracy.
  • the inventory management device is, for example, a device for determining a product inventory management policy for each store.
  • the products are products for which inventory management measures have not been determined, such as new products.
  • the inventory management measure is, for example, a measure such as the timing of ordering according to the number of inventories.
  • FIG. 1 is a diagram for explaining the outline of the inventory management device according to the present embodiment.
  • the inventory management device applies, for example, the learned policy ⁇ (a / s) of the old product (the product already sold) to the inventory management of the new product based on a certain index H.
  • the inventory management policy ⁇ '(a / s) of the new product is determined based on the learned policy ⁇ (a / s) of the old product.
  • the policy ⁇ (or ⁇ ') here indicates the probability of taking action a (ordering only ⁇ ) in the case of the state s (for example, the number of stocks is XX).
  • whether or not to apply the policy is determined based on the degree of relevance of the old product and the new product.
  • the functional configuration of the inventory management device will be described in detail.
  • FIG. 2 is a diagram showing a functional configuration of the inventory management device 1.
  • the inventory management device 1 may be a device that executes specific inventory management processing such as inventory quantity management and ordering by itself, or a device that does not execute the inventory management processing. In the embodiment, only the function related to "determination of inventory management policy" of the inventory management device 1 will be described.
  • the inventory management device 1 includes an acquisition unit 11, a storage unit 12, a demand forecast unit 13, a determination unit 14, and a determination unit 15 as functional configurations thereof.
  • the acquisition unit 11 acquires the first learned model related to the inventory management of the old product (first product) and the relevance degree information related to the relevance degree of the old product and the new product (second product).
  • the first trained model is the model related to the derivation of the above-mentioned old product policy ⁇ (a / s) or the policy ⁇ (a / s) itself.
  • the acquisition unit 11 may acquire the first trained model from, for example, an external device (not shown), or may acquire it in response to an input from a business operator performing inventory management.
  • the acquisition unit 11 may acquire SNS (Social Networking Service) data of each of the old product and the new product before the release date as the relevance information.
  • the SNS data includes, for example, the number of transmissions related to products using SNS.
  • the acquisition unit 11 acquires SNS data from, for example, an external device (not shown) that manages the SNS data.
  • FIG. 3 is a diagram showing an example of relevance information.
  • FIG. 3A shows an example of SNS data.
  • FIG. 3A shows the number of related tweets xi and xj for the old product i and the new product j from n days before the release date.
  • the acquisition unit 11 may acquire the product features of the old product and the new product as the relevance information.
  • the product features include specifications such as battery capacity, memory, and waterproof level.
  • the acquisition unit 11 may acquire information on product features from, for example, an external device (not shown) that manages product features, or may acquire information in response to input from a business operator that manages inventory.
  • FIG. 3B shows an example of product features when the product is a smartphone.
  • FIG. 3B shows the vectors zi and zj regarding the product features of the old product i and the new product j.
  • the vectors zi and zj relating to the product features are values obtained by scoring the evaluation of each specification (for example, out of 10 points).
  • the acquisition unit 11 may acquire the number of stocks of the old product at the time of release (before the release) of the new product as the relevance information.
  • the acquisition unit 11 further acquires the sales data of the old product (third product) that is highly related to the new product.
  • the old product (third product) here may be the same product as the above-mentioned old product (first product) from which the policy ⁇ is derived by the first learned model, or is a different product. You may. Old products that are highly related to new products are, for example, products that have similar product characteristics to new products, products that are the same model as new products, and products that are one season ago.
  • the sales data is information on the number of sales for each sales period (elapsed period from the start of sales). For example, when the product is a smartphone, the acquisition unit 11 acquires daily sales data of the old product at the target sales store for determining the inventory management policy.
  • the acquisition unit 11 raises the grain size of the product to a higher level and raises the same product (SKU (Stock Keeping Unit)) in different colors. ) May be acquired for sales data of products with different), or the sales data of multiple stores within the same mesh (area) may be acquired by raising the granularity of the stores.
  • the acquisition unit 11 may acquire the sales data from, for example, an external device (not shown) that manages the sales data, or may acquire the sales data in response to an input from a business operator that manages the inventory.
  • the acquisition unit 11 stores the various acquisition information described above in the storage unit 12.
  • the storage unit 12 is a database that stores each information acquired by the acquisition unit 11.
  • the demand forecasting unit 13 builds a demand forecasting model for new products based on sales data of old products that are highly related to new products.
  • the demand forecasting unit 13 acquires sales data of the old product from the storage unit 12 and builds a demand forecasting model.
  • the construction of the demand forecast model may be performed by conventionally known machine learning or the like.
  • the demand forecasting unit 13 stores the constructed demand forecasting model in the storage unit 12.
  • the determination unit 14 determines whether or not to apply the first learned model to the inventory management of the new product based on the relevance information acquired by the acquisition unit 11.
  • the determination unit 14 outputs the determination result to the determination unit 15.
  • the determination unit 14 may determine that the first learned model is applied to the inventory management of the new product when, for example, the number of transmissions related to the old product and the number of transmissions related to the new product in the SNS data are similar. Specifically, the determination unit 14 determines the correlation coefficient Cor (xi, xj) between the number of related tweets related to the old product and the number of related tweets related to the new product, and the similarity D between the old product and the new product based on the SNS data. Let it be (i, j).
  • the determination unit 14 is similar in the number of transmissions related to the old product and the number of transmissions related to the new product. It is determined that the sales tendency of the product and the new product are similar, and it is determined that the first trained model is applied to the inventory management of the new product (the first trained model is used).
  • the determination unit 14 may determine that the first learned model is applied to the inventory management of the new product when the product characteristics of the old product and the product characteristics of the new product are similar. Specifically, the determination unit 14 sets the correlation coefficient Cor (zi, zj) between the product features of the old product and the product features of the new product as the similarity D (i, j) based on the product features. Then, in the determination unit 14, when the similarity D (i, j) is, for example, the threshold D'(for example, 0.7) or more, the product features of the old product and the product features of the new product are similar. It is determined that the sales tendencies of the old product and the new product are similar, and it is determined that the first trained model is applied to the inventory management of the new product (the first trained model is used).
  • the determination unit 14 determines that the first learned model is applied to the inventory management of the new product when the number of stocks of the old product at the store at the time of launch of the new product is equal to or less than a predetermined threshold value. May be good. It is thought that the number of old products in stock at the time of new product launch affects the initial sales of new products. For example, if the number of old products in stock is large, the sales force of the old products remains, and the initial sales of new products fall. On the other hand, if the stock of old products is low, sales of new products will be dominant.
  • the determination unit 15 applies the first trained model to the inventory management of the new product, and determines the new product.
  • Determine inventory management measures For example, the determination unit 15 may use the old product policy ⁇ (a / s) derived from the first trained model as it is as a new product inventory management policy.
  • the determination unit 15 sets the first trained model and the first.
  • the inventory management policy of the new product may be determined. That is, the determination unit 15 combines the policy ⁇ (a / s) derived by the first trained model and the policy ⁇ ′′ (a / s) derived by the second trained model.
  • a new product inventory management policy ⁇ '(a / s) may be determined.
  • the decision unit 15 combines the first trained model and the second trained model so that the weight of the second trained model becomes heavier as the period elapses from the start of sales of the new product.
  • Inventory management measures ⁇ '(a / s) may be determined.
  • the derivation formula of the new product inventory management policy ⁇ '(a / s) is expressed by the following formula (1) using ⁇ that gradually decreases (decays) with the passage of time.
  • ⁇ '(a / s) ⁇ ⁇ ⁇ (a / s) + (1- ⁇ ) ⁇ ⁇ '' (a / s) ⁇ (1)
  • the decision unit 15 may determine the inventory management policy of the new product in consideration of the demand forecast model of the new product constructed by the demand forecast unit 13. When the determination unit 14 determines that the first trained model is not applied to the inventory management of the new product, the determination unit 15 does not consider the first trained model and only uses the demand forecast model. Based on this, inventory management measures for new products may be decided.
  • FIG. 4 is a flowchart showing a process executed by the inventory management device 1.
  • the inventory management device 1 first includes a first learned model related to inventory management of an old product, relevance information related to the relevance of the old product and the new product, and a new product. Acquire the sales data of the old product having a high degree of relevance (step S1).
  • the inventory management device 1 builds a demand forecast model for new products based on the above-mentioned sales data (step S2).
  • the inventory management device 1 determines whether or not to apply the first learned model to the inventory management of the new product (step S3).
  • the inventory management device 1 determines whether or not to apply the first learned model to the inventory management of the new product based on the relevance degree information acquired by the acquisition unit 11.
  • the inventory management device 1 may determine that the first learned model is applied to the inventory management of the new product when, for example, the number of transmissions related to the old product and the number of transmissions related to the new product in the SNS data are similar. Further, the inventory management device 1 may determine that the first learned model is applied to the inventory management of the new product, for example, when the product features of the old product and the product features of the new product are similar. Further, the inventory management device 1 applies the first learned model to the inventory management of the new product, for example, when the number of stocks of the old product at the store at the time of launch of the new product is equal to or less than a predetermined threshold value. May be determined.
  • the inventory management device 1 When it is determined in step S3 that the first trained model is applied to the inventory management of the new product, the inventory management device 1 is based on the first trained model (and the demand forecast model) of the new product.
  • the inventory management policy is determined (step S4).
  • the policy of the old product derived by the first trained model may be used as the policy of the new product as it is, or the second trained policy related to the inventory management of the first trained model and the new product may be used.
  • the inventory management policy of the new product may be determined by combining the models, or the inventory management policy of the new product may be determined from the first learned model and the demand forecast model.
  • the inventory management device 1 determines the inventory management policy of the new product based on the demand forecast model. It may be (step S5). Further, the inventory management device 1 is based on the second trained model or after the second trained model related to the inventory management of the new product is constructed, or the second trained model and the demand forecast. Based on the model, inventory management measures for new products may be determined.
  • the inventory management device 1 is associated with the acquisition unit 11 that acquires the first learned model related to the inventory management of the old product and the relevance information related to the relevance degree of the old product and the new product. Based on the degree information, the determination unit 14 determines whether or not to apply the first trained model to the inventory management of the new product, and when the determination unit 14 determines that the first trained model is applied, the first trained model Is provided for inventory management of new products, and a decision unit 15 for determining a policy for inventory management of new products.
  • the inventory management device 1 determines whether the first learned model related to the inventory management of the old product is applied to the inventory management of the new product based on the relevance information related to the relevance degree of the old product and the new product.
  • the first trained model is applied to inventory management of new products.
  • transfer learning the measures related to inventory management of other products (learned model) and apply the measures related to inventory management of other products. Can be considered.
  • the degree of relevance between the product (old product) having the learned model related to inventory management and the new product is taken into consideration, and the trained model is used for inventory management of the new product. Since it is determined whether or not it is applied to, for example, it is possible to suppress transfer learning between products with low relevance and perform transfer learning only between products with high relevance. .. In this way, by performing transfer learning only between products that are expected to match demand trends, etc., inventory management of newly released products, etc. can be performed with high accuracy from the beginning using the learned model. Can be done.
  • the technical effect of reducing the processing load in the processing unit such as the CPU related to transfer learning is also achieved. From the above, according to the inventory management device according to one aspect of the present invention, inventory management can be performed more accurately than in the past.
  • the decision unit 15 may determine the inventory management policy of the new product by combining the first trained model and the second trained model related to the inventory management of the new product. In this way, not only the first trained model is applied to the inventory management of the new product, but also the second trained model related to the inventory management of the new product is taken into consideration to implement the inventory management policy of the new product. By making the determination, inventory management can be performed more accurately in consideration of the trained model of the new product itself while using the first trained model with a proven track record.
  • the decision unit 15 determines the inventory management policy of the new product by combining the first trained model and the second trained model so that the weight of the second trained model becomes heavier as the period elapses. You may. As a result, for example, when the second trained model is not enriched at the beginning of the new product launch, the weight of the first trained model is increased, and a period has passed since the new product was launched. After the trained models of the above are enriched, it will be possible to weigh the trained models of new products and decide the measures for inventory management. That is, by changing the trained model to be emphasized according to the time, inventory management can be performed accurately at any time.
  • the acquisition unit 11 acquires the SNS data before the release date of the old product and the new product as the relevance information, and the determination unit 14 determines that the number of transmissions related to the old product and the number of transmissions related to the new product in the SNS data are similar.
  • the first trained model is applied to inventory management of new products. For example, it is assumed that the number of SNS transmissions before the release date is similar for products whose demand trends are highly related to each other. Therefore, when the number of SNS transmissions before the release date of the old product and the new product is similar, it is assumed that the demand trend is highly relevant by applying the first learned model to the inventory management of the new product. In this case, the first trained model can be applied to the inventory management of new products, and the inventory management can be performed accurately.
  • the acquisition unit 11 acquires the product features of the old product and the new product as the relevance information, and the determination unit 14 has learned the first when the product features of the old product and the product features of the new product are similar. It may be determined that the model is applied to inventory management of new products. For products with similar product characteristics, it is considered that the demand trends are highly related to each other. Therefore, when the product features of the old product and the new product are similar, the inventory management can be performed accurately by applying the first learned model to the inventory management of the new product.
  • the inventory management device 1 further includes a demand forecast unit 13 that builds a demand forecast model for new products based on sales data of old products that are highly related to new products, and a determination unit 15 considers the demand forecast model. Therefore, the inventory management policy for new products may be decided.
  • a demand forecast model from similar products and determining inventory management measures in consideration of the demand forecast model, inventory management can be performed with higher accuracy while considering demand trends.
  • the above-mentioned inventory management device 1 may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the word “device” can be read as a circuit, device, unit, etc.
  • the hardware configuration of the inventory management device 1 may be configured to include one or more of the devices shown in the figure, or may be configured not to include some of the devices.
  • the processor 1001 For each function in the inventory management device 1, the processor 1001 performs calculations by loading predetermined software (programs) on hardware such as the processor 1001 and the memory 1002, and the communication device 1004 communicates with the memory 1002 and the storage. It is realized by controlling the reading and / or writing of the data in 1003.
  • the processor 1001 operates, for example, an operating system to control the entire computer.
  • the processor 1001 may be composed of a central processing unit (CPU: Central Processing Unit) including an interface with a peripheral device, a control device, an arithmetic unit, a register, and the like.
  • CPU Central Processing Unit
  • the control function of the determination unit 14 of the inventory management device 1 may be realized by the processor 1001.
  • the processor 1001 reads a program (program code), a software module, and data from the storage 1003 and / or the communication device 1004 into the memory 1002, and executes various processes according to these.
  • a program program that causes a computer to execute at least a part of the operations described in the above-described embodiment is used.
  • the control function of the determination unit 14 and the like of the inventory management device 1 may be realized by a control program stored in the memory 1002 and operated by the processor 1001, and may be similarly realized for other functional blocks.
  • the various processes described above are executed by one processor 1001, they may be executed simultaneously or sequentially by two or more processors 1001.
  • Processor 1001 may be mounted on one or more chips.
  • the program may be transmitted from the network via a telecommunication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one such as a ROM (Read Only Memory), an EPROM (Erasable Programmable ROM), an EPROM (Electrically Erasable Programmable ROM), and a RAM (Random Access Memory). May be done.
  • the memory 1002 may be referred to as a register, a cache, a main memory (main storage device), or the like.
  • the memory 1002 can store a program (program code), a software module, or the like that can be executed to carry out the wireless communication method according to the embodiment of the present invention.
  • the storage 1003 is a computer-readable recording medium, and is, for example, an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a photomagnetic disk (for example, a compact disk, a digital versatile disk, or a Blu-ray). It may consist of at least one (registered trademark) disk), smart card, flash memory (eg, card, stick, key drive), floppy (registered trademark) disk, magnetic strip, and the like.
  • the storage 1003 may be referred to as an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server or other suitable medium containing memory 1002 and / or storage 1003.
  • the communication device 1004 is hardware (transmission / reception device) for communicating between computers via a wired and / or wireless network, and is also referred to as, for example, a network device, a network controller, a network card, a communication module, or the like.
  • the input device 1005 is an input device (for example, a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that receives an input from the outside.
  • the output device 1006 is an output device (for example, a display, a speaker, an LED lamp, etc.) that outputs to the outside.
  • the input device 1005 and the output device 1006 may have an integrated configuration (for example, a touch panel).
  • Bus 1007 may be composed of a single bus, or may be composed of different buses between devices.
  • the inventory management device 1 includes hardware such as a microprocessor, a digital signal processor (DSP: Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and an FPGA (Field Programmable Gate Array). It may be configured by, and a part or all of each functional block may be realized by the hardware. For example, processor 1001 may be implemented on at least one of these hardware.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array
  • Each aspect / embodiment described in the present specification includes LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G, 5G, FRA (Future Radio Access), W-CDMA. (Registered Trademarks), GSM (Registered Trademarks), CDMA2000, UMB (Ultra Mobile Broad-band), IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), LTE 802.20, UWB (Ultra-Wide) Band), WiMAX®, and other systems that utilize suitable systems and / or extended next-generation systems based on them may be applied.
  • the input / output information and the like may be saved in a specific location (for example, memory) or may be managed by a management table. Input / output information and the like can be overwritten, updated, or added. The output information and the like may be deleted. The input information or the like may be transmitted to another device.
  • the determination may be made by a value represented by 1 bit (0 or 1), by a boolean value (Boolean: true or false), or by comparing numerical values (for example, a predetermined value). It may be done by comparison with the value).
  • the notification of predetermined information (for example, the notification of "being X") is not limited to the explicit one, but is performed implicitly (for example, the notification of the predetermined information is not performed). May be good.
  • Software is an instruction, instruction set, code, code segment, program code, program, subprogram, software module, whether called software, firmware, middleware, microcode, hardware description language, or another name.
  • Applications, software applications, software packages, routines, subroutines, objects, executable files, execution threads, procedures, features, etc. should be broadly interpreted to mean.
  • software, instructions, etc. may be transmitted and received via a transmission medium.
  • the software uses wired technology such as coaxial cable, fiber optic cable, twisted pair and digital subscriber line (DSL) and / or wireless technology such as infrared, wireless and microwave to websites, servers, or other When transmitted from a remote source, these wired and / or wireless technologies are included within the definition of transmission medium.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may be voltage, current, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. It may be represented by a combination of.
  • information, parameters, etc. described in the present specification may be represented by an absolute value, a relative value from a predetermined value, or another corresponding information. ..
  • User terminals may be mobile communication terminals, subscriber stations, mobile units, subscriber units, wireless units, remote units, mobile devices, wireless devices, wireless communication devices, remote devices, mobile subscriber stations, access terminals, etc. It may also be referred to as a mobile device, wireless device, remote device, handset, user agent, mobile client, client, or some other suitable term.
  • determining and “determining” used in this specification may include a wide variety of actions.
  • “Judgment”, “decision” is, for example, calculating, computing, processing, deriving, investigating, looking up (eg, table, database or another). It can include searching in the data structure), and considering that confirming is “judgment” and “decision”.
  • "judgment” and “decision” are receiving (for example, receiving information), transmitting (for example, transmitting information), input (input), output (output), and access.
  • Accessing for example, accessing data in memory
  • judgment and “decision” mean that the things such as solving, selecting, choosing, establishing, and comparing are regarded as “judgment” and “decision”. Can include. That is, “judgment” and “decision” may include considering some action as “judgment” and “decision”.
  • any reference to the elements does not generally limit the quantity or order of those elements. These designations can be used herein as a convenient way to distinguish between two or more elements. Thus, references to the first and second elements do not mean that only two elements can be adopted there, or that the first element must somehow precede the second element.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

在庫管理装置１は、旧商品の在庫管理に係る第１の学習済みモデルと、該旧商品及び新商品の関連度に係る関連度情報とを取得する取得部１１と、関連度情報に基づき、第１の学習済みモデルを新商品の在庫管理に適用させるか否かを判定する判定部１４と、判定部１４によって適用させると判定された場合に、第１の学習済みモデルを新商品の在庫管理に適用し、新商品の在庫管理の方策を決定する決定部１５と、を備える。

Description

在庫管理装置
　本発明の一態様は、在庫管理装置に関する。
　従来より、生産から販売までのモノの流れ（サプライチェーン）において在庫管理を適正化するシステムが知られている(例えば特許文献１参照)。
特開２０１４－２２９２５２号公報
　在庫管理においては、確率計画問題（Stochastic Programming Problem）や動的計画法（Dynamic Programming）を定式化して、発注量（供給量）を決定する手法が知られている。しかしながら、このような厳密解法を用いる手法は、例えば大規模なサプライチェーンを扱う場合、計算量の観点で現実的でない。一方で、移動平均値による算出を行う等、ヒューリスティックな手法は、例えばＳＫＵ（Stock Keeping Unit）等の最小単位での予測精度を担保することが難しい。このことで、在庫管理を精度良く行うことができず、機会損失又は過剰在庫によりコストが高くなることが考えられる。特に、例えば需要動向や在庫管理の方策が定まっていない新発売の商品の在庫管理を行う場合等においては、在庫管理を精度良く行うことが困難であった。
　本発明の一態様は上記実情に鑑みてなされたものであり、例えば強化学習のアプローチで、在庫管理を精度良く行うことを目的とする。
　本発明の一態様に係る在庫管理装置は、第１の商品の在庫管理に係る第１の学習済みモデルと、該第１の商品及び第２の商品の関連度に係る関連度情報とを取得する取得部と、関連度情報に基づき、第１の学習済みモデルを第２の商品の在庫管理に適用させるか否かを判定する判定部と、判定部によって適用させると判定された場合に、第１の学習済みモデルを第２の商品の在庫管理に適用し、第２の商品の在庫管理の方策を決定する決定部と、を備える。
　本発明の一態様に係る在庫管理装置では、第１の商品及び第２の商品の関連度に係る関連度情報に基づき、第１の商品の在庫管理に係る第１の学習済みモデルを第２の商品の在庫管理に適用させるか否かが判定され、適用させると判定された場合に、当該第１の学習済みモデルが第２の商品の在庫管理に適用される。例えば、新発売の商品等、在庫管理の方策が定まっていない商品については、発売当初において在庫管理を精度良く行うことが難しい。新発売の商品の発売日を待って新規に在庫管理の方策を学習していては、適用までに時間を要してしまう。このような商品については、発売当初から在庫管理を適切に行うべく、他の商品の在庫管理に係る方策（学習済みモデル）を転移学習して他の商品の在庫管理に係る方策を適用させることが考えられる。しかしながら、商品毎に需要動向等は異なることから、転移学習を行うことによって在庫管理の精度が悪化してしまうことも考えられる。この点、本発明の一態様に係る在庫管理装置では、在庫管理に係る学習済みモデルを有する商品（第１の商品）と第２の商品との関連度が考慮されて、当該学習済みモデルを第２の商品の在庫管理に適用させるか否かが判定されているため、例えば、関連度が低い商品間で転移学習が行われることを抑制し、関連度が高い商品間でのみ転移学習を行うこと等が可能となる。このように、需要動向等がマッチすると想定される商品間でのみ転移学習を行うことにより、学習済みモデルを用いて、例えば新発売の商品等についても、発売当初から高精度に在庫管理を行うことができる。以上より、本発明の一態様に係る在庫管理装置によれば、従来と比較して、在庫管理を精度良く行うことができる。
　本発明の一態様によれば、在庫管理を精度良く行うことができる。
本発明の実施形態に係る在庫管理装置の概要を説明する図である。 在庫管理装置の機能構成を示す図である。 関連度情報の一例を示す図である。 在庫管理装置が実行する処理を示すフローチャートである。 在庫管理装置のハードウェア構成を示す図である。
　以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。図面の説明において、同一又は同等の要素には同一符号を用い、重複する説明を省略する。
　本実施形態に係る在庫管理装置は、例えば販売店舗単位で、商品の在庫管理の方策を決定する装置である。ここでの商品は、例えば新商品等、在庫管理の方策が定まっていない商品である。在庫管理の方策とは、例えば在庫数に応じた発注のタイミング等の方策である。
　図１は、本実施形態に係る在庫管理装置の概要を説明する図である。本実施形態に係る在庫管理装置は、例えば、ある指標Ｈに基づいて、旧商品（既に販売されている商品）の学習済みの方策π（ａ／ｓ）を、新商品の在庫管理に適用させるか否かを判定し、適用させる場合に、旧商品の学習済みの方策π（ａ／ｓ）に基づいて新商品の在庫管理の方策π´（ａ／ｓ）を決定するものである。ここでの方策π（又はπ´）は、状態ｓ（例えば在庫数が××である）の場合に行動ａ（△△だけ発注する）をとる確率を示している。在庫管理装置では、方策を適用させるか否かの判定が、旧商品及び新商品の関連度に基づき行われる。これにより、旧商品及び新商品の関連度が高い場合にのみ、旧商品の学習済みの方策π（ａ／ｓ）を新商品の在庫管理に適用させる（転移学習を行う）ことが可能となり、転移学習によって新商品の在庫管理の精度がかえって悪化する等の事態を防止することができる。以下、在庫管理装置の機能構成について詳細に説明する。
　図２は、在庫管理装置１の機能構成を示す図である。なお、在庫管理装置１は、在庫数の管理及び発注等の具体的な在庫管理処理を自ら実行する装置であっても、当該在庫管理処理については実行しない装置であってもよいが、本実施形態では、在庫管理装置１の「在庫管理方策の決定」に係る機能のみを説明する。在庫管理装置１は、その機能構成として、取得部１１と、記憶部１２と、需要予測部１３と、判定部１４と、決定部１５と、を備えている。
　取得部１１は、旧商品（第１の商品）の在庫管理に係る第１の学習済みモデルと、旧商品及び新商品（第２の商品）の関連度に係る関連度情報とを取得する。第１の学習済みモデルとは、上述した旧商品の方策π（ａ／ｓ）の導出に係るモデル又は当該方策π（ａ／ｓ）そのものである。取得部１１は、第１の学習済みモデルを、例えば外部装置（不図示）から取得してもよいし、在庫管理を行う事業者からの入力に応じて取得してもよい。
　取得部１１は、関連度情報として、旧商品及び新商品それぞれの、発売日前のＳＮＳ（Social Networking Service）データを取得してもよい。ＳＮＳデータには、例えばＳＮＳを利用した、商品に関する発信数が含まれている。取得部１１は、ＳＮＳデータを、例えばＳＮＳデータを管理する外部装置（不図示）から取得する。
　図３は関連度情報の一例を示す図である。図３（ａ）は、ＳＮＳデータの一例を示している。図３（ａ）には、旧商品ｉ及び新商品ｊについての発売日ｎ日前からの関連ツイート数ｘｉ，ｘｊが示されている。図３（ａ）には、例えば、旧商品ｉについての発売日ｎ日前の関連ツイート数ｘｉ＝１０、新商品ｊについての発売日ｎ日前の関連ツイート数ｘｊ＝５であること等が示されている。
　取得部１１は、関連度情報として、旧商品及び新商品それぞれの、製品特徴を取得してもよい。例えば商品がスマートフォンである場合、製品特徴には、例えばバッテリー容量、メモリ、及び防水レベル等のスペックが含まれている。取得部１１は、製品特徴に関する情報を、例えば製品特徴を管理する外部装置（不図示）から取得してもよいし、在庫管理を行う事業者からの入力に応じて取得してもよい。
　図３（ｂ）は、商品がスマートフォンである場合の製品特徴の一例を示している。図３（ｂ）には、旧商品ｉ及び新商品ｊについての製品特徴に関するベクトルｚｉ，ｚｊが示されている。製品特徴に関するベクトルｚｉ，ｚｊは、各スペックについての評価を点数付けた値（例えば１０点満点）とされる。図３（ｂ）には、例えば旧商品ｉについてのバッテリー容量のベクトルｚｉ＝１０、新商品ｊについてのバッテリー容量のベクトルｚｊ＝９であること等が示されている。
　取得部１１は、関連度情報として、新商品の発売時（発売前）における旧商品の在庫数を取得してもよい。
　取得部１１は、さらに、新商品との関連度が高い旧商品（第３の商品）の販売データを取得する。ここでの旧商品（第３の商品）は、第１の学習済みモデルによって方策πが導出される上述した旧商品（第１の商品）と同一の商品であってもよいし異なる商品であってもよい。新商品との関連度が高い旧商品とは、例えば新商品と製品特徴が類似する商品、新商品と同一モデルであって１シーズン前の商品等である。販売データとは、販売時期（発売開始からの経過時期）毎の販売数の情報である。取得部１１は、例えば商品がスマートフォンである場合において、在庫管理の方策を決定する対象の販売店舗における、旧商品の日々の販売データを取得する。なお、取得部１１は、対象の販売店舗の同一商品の販売データだけでは情報がスパースになる場合には、例えば、商品の粒度を上位に上げて、色違いの同一商品（ＳＫＵ（Stock Keeping Unit）が異なる商品）の販売データについても取得することとしてもよいし、店舗の粒度を上位に上げて同一メッシュ（区域）内の多店舗の販売データについても取得することとしてもよい。取得部１１は、販売データを、例えば販売データを管理する外部装置（不図示）から取得してもよいし、在庫管理を行う事業者からの入力に応じて取得してもよい。取得部１１は、上述した各種の取得情報を、記憶部１２に格納する。記憶部１２は、取得部１１によって取得された各情報を記憶するデータベースである。
　需要予測部１３は、新商品との関連度が高い旧商品の販売データに基づき、新商品の需要予測モデルを構築する。需要予測部１３は、記憶部１２から旧商品の販売データを取得し、需要予測モデルを構築する。需要予測モデルの構築は、従来から周知の機械学習等により行われてもよい。需要予測部１３は、構築した需要予測モデルを記憶部１２に格納する。
　判定部１４は、取得部１１によって取得された関連度情報に基づき、第１の学習済みモデルを新商品の在庫管理に適用させるか否かを判定する。判定部１４は、判定結果を決定部１５に出力する。
　判定部１４は、例えばＳＮＳデータにおける旧商品に関する発信数と新商品に関する発信数とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。具体的には、判定部１４は、旧商品に関する関連ツイート数と新商品に関する関連ツイート数との相関係数Ｃｏｒ（ｘｉ，ｘｊ）を、ＳＮＳデータに基づく、旧商品及び新商品の類似度Ｄ（ｉ，ｊ）とする。そして、判定部１４は、類似度Ｄ（ｉ，ｊ）が例えば閾値Ｄ´（例えば０．７）以上である場合に、旧商品に関する発信数及び新商品に関する発信数が類似しており、旧商品及び新商品の販売傾向が類似していると判定して、第１の学習済みモデルを新商品の在庫管理に適用させる（第１の学習済みモデルを利用する）と判定する。
　判定部１４は、旧商品の製品特徴と新商品の製品特徴とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。具体的には、判定部１４は、旧商品の製品特徴と新商品の製品特徴との相関係数Ｃｏｒ（ｚｉ，ｚｊ）を製品特徴に基づく類似度Ｄ（ｉ，ｊ）とする。そして、判定部１４は、類似度Ｄ（ｉ，ｊ）が例えば閾値Ｄ´（例えば０．７）以上である場合に、旧商品の製品特徴と新商品の製品特徴とが類似しており、旧商品及び新商品の販売傾向が類似していると判定して、第１の学習済みモデルを新商品の在庫管理に適用させる（第１の学習済みモデルを利用する）と判定する。
　判定部１４は、新商品の発売時における、販売店舗での旧商品の在庫数が所定の閾値以下である場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。新商品の発売時における旧商品の在庫数によって、新商品の販売初動に影響があると考えられる。例えば、旧商品の在庫数が多い場合には旧商品の販売力が残っており、新商品の販売初動は落ちる。反対に旧商品の在庫数が少ない場合には新商品の販売が支配的になると考えられる。
　決定部１５は、判定部１４によって第１の学習済みモデルを新商品の在庫管理に適用させると判定された場合に、第１の学習済みモデルを新商品の在庫管理に適用し、新商品の在庫管理の方策を決定する。決定部１５は、例えば第１の学習済みモデルによって導出される旧商品の方策π（ａ／ｓ）をそのまま新商品の在庫管理の方策としてもよい。
　決定部１５は、例えば、ある程度新商品の販売開始から期間が経過し、新商品の在庫管理に係る第２の学習済みモデルが既に構築されている場合には、第１の学習済みモデルと第２の学習済みモデルとを組み合わせて、新商品の在庫管理の方策を決定してもよい。すなわち、決定部１５は、第１の学習済みモデルによって導出される方策π（ａ／ｓ）と、第２の学習済みモデルによって導出される方策π´´（ａ／ｓ）とを組み合わせて、新商品の在庫管理の方策π´（ａ／ｓ）を決定してもよい。決定部１５は、新商品の販売開始から期間が経過するほど、第２の学習済みモデルの重みが重くなるように、第１の学習済みモデル及び第２の学習済みモデルを組み合わせて新商品の在庫管理の方策π´（ａ／ｓ）を決定してもよい。この場合、新商品の在庫管理の方策π´（ａ／ｓ）の導出式は、時間の経過と共に徐々に小さくなる（減衰する）αを用いて以下の（１）式で示される。
π´（ａ／ｓ）＝α・π（ａ／ｓ）＋（１－α）・π´´（ａ／ｓ）・・（１）
　決定部１５は、需要予測部１３によって構築された新商品の需要予測モデルをさらに考慮して、新商品の在庫管理の方策を決定してもよい。なお、決定部１５は、判定部１４によって第１の学習済みモデルを新商品の在庫管理に適用させないと判定された場合には、第１の学習済みモデルを考慮せずに需要予測モデルのみに基づき新商品の在庫管理の方策を決定してもよい。
　次に、図４を参照して、在庫管理装置１が実行する処理を説明する。図４は、在庫管理装置１が実行する処理を示すフローチャートである。
　図４に示されるように、在庫管理装置１は、最初に、旧商品の在庫管理に係る第１の学習済みモデルと、旧商品及び新商品の関連度に係る関連度情報と、新商品との関連度が高い旧商品の販売データとを取得する（ステップＳ１）。
　つづいて、在庫管理装置１は、上述した販売データに基づいて、新商品の需要予測モデルを構築する（ステップＳ２）。
　つづいて、在庫管理装置１は、第１の学習済みモデルを新商品の在庫管理に適用させるか否かを判定する（ステップＳ３）。在庫管理装置１は、取得部１１によって取得された関連度情報に基づき、第１の学習済みモデルを新商品の在庫管理に適用させるか否かを判定する。在庫管理装置１は、例えばＳＮＳデータにおける旧商品に関する発信数と新商品に関する発信数とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。また、在庫管理装置１は、例えば旧商品の製品特徴と新商品の製品特徴とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。また、在庫管理装置１は、例えば新商品の発売時における、販売店舗での旧商品の在庫数が所定の閾値以下である場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。
　ステップＳ３において第１の学習済みモデルを新商品の在庫管理に適用させると判定された場合には、在庫管理装置１は、第１の学習済みモデル（及び需要予測モデル）に基づき、新商品の在庫管理の方針を決定する（ステップＳ４）。在庫管理装置１は、第１の学習済みモデルによって導出される旧商品の方策をそのまま新商品の方策としてもよいし、第１の学習済みモデル及び新商品の在庫管理に係る第２の学習済みモデルを組み合わせて新商品の在庫管理の方策を決定してもよいし、第１の学習済みモデル及び需要予測モデルから新商品の在庫管理の方策を決定してもよい。
　一方で、ステップＳ３において第１の学習済みモデルを新商品の在庫管理に適用させないと判定された場合には、在庫管理装置１は、需要予測モデルに基づき新商品の在庫管理の方策を決定してもよい（ステップＳ５）。また、在庫管理装置１は、新商品の在庫管理に係る第２の学習済みモデルが構築された後においては、第２の学習済みモデルに基づいて、又は、第２の学習済みモデル及び需要予測モデルに基づいて、新商品の在庫管理の方策を決定してもよい。
　次に、本実施形態に係る在庫管理装置１の作用効果について説明する。
　本実施形態に係る在庫管理装置１は、旧商品の在庫管理に係る第１の学習済みモデルと、該旧商品及び新商品の関連度に係る関連度情報とを取得する取得部１１と、関連度情報に基づき、第１の学習済みモデルを新商品の在庫管理に適用させるか否かを判定する判定部１４と、判定部１４によって適用させると判定された場合に、第１の学習済みモデルを新商品の在庫管理に適用し、新商品の在庫管理の方策を決定する決定部１５と、を備える。
　本実施形態に係る在庫管理装置１では、旧商品及び新商品の関連度に係る関連度情報に基づき、旧商品の在庫管理に係る第１の学習済みモデルを新商品の在庫管理に適用させるか否かが判定され、適用させると判定された場合に、当該第１の学習済みモデルが新商品の在庫管理に適用される。新発売の商品等、在庫管理の方策が定まっていない商品については、発売当初において在庫管理を精度良く行うことが難しい。このような商品については、発売当初から在庫管理を適切に行うべく、他の商品の在庫管理に係る方策（学習済みモデル）を転移学習して他の商品の在庫管理に係る方策を適用させることが考えられる。しかしながら、商品毎に需要動向等は異なることから、転移学習を行うことによって在庫管理の精度がかえって悪化してしまうことも考えられる。この点、本実施形態に係る在庫管理装置１では、在庫管理に係る学習済みモデルを有する商品（旧商品）と新商品との関連度が考慮されて、当該学習済みモデルを新商品の在庫管理に適用させるか否かが判定されているため、例えば、関連度が低い商品間で転移学習が行われることを抑制し、関連度が高い商品間でのみ転移学習を行うこと等が可能となる。このように、需要動向等がマッチすると想定される商品間でのみ転移学習を行うことにより、学習済みモデルを用いて、新発売の商品等についても、発売当初から高精度に在庫管理を行うことができる。また、需要動向等がマッチすると想定される商品間でのみ転移学習を行うことにより、転移学習に係るＣＰＵ等の処理部における処理負荷を軽減するという技術的効果も併せて奏する。以上より、本発明の一態様に係る在庫管理装置によれば、従来と比較して、在庫管理を精度良く行うことができる。
　決定部１５は、第１の学習済みモデルと、新商品の在庫管理に係る第２の学習済みモデルとを組み合わせて、新商品の在庫管理の方策を決定してもよい。このように、単に第１の学習済みモデルを新商品の在庫管理に適用するだけでなく、新商品の在庫管理に係る第２の学習済みモデルをも考慮して新商品の在庫管理の方策が決定されることにより、実績のある第１の学習済みモデルを用いながら、新商品自体の学習済みモデルを考慮して、在庫管理をより精度良く行うことができる。
　決定部１５は、期間が経過するほど、第２の学習済みモデルの重みが重くなるように、第１の学習済みモデル及び第２の学習済みモデルを組み合わせて新商品の在庫管理の方策を決定してもよい。これにより、例えば新商品の発売当初であって第２の学習済みモデルが充実していない場合には第１の学習済みモデルの重みを重くすると共に、新商品の発売から期間が経過し第２の学習済みモデルが充実してきた後においては新商品の学習済みモデルの重みを重くして在庫管理の方策を決定すること等が可能となる。すなわち、時期に応じて重視する学習済みモデルを変えることにより、どの時期においても在庫管理を精度良く行うことができる。
　取得部１１は、関連度情報として、旧商品及び新商品の発売日前のＳＮＳデータを取得し、判定部１４は、ＳＮＳデータにおける旧商品に関する発信数と新商品に関する発信数とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。例えば需要動向の関連度が互いに高い商品については、発売日前におけるＳＮＳの発信数が類似していると想定される。このため、旧商品及び新商品の発売日前のＳＮＳの発信数が類似する場合に第１の学習済みモデルを新商品の在庫管理に適用させることにより、需要動向の関連度が高いと想定される場合に、第１の学習済みモデルを新商品の在庫管理に適用させることができ、在庫管理を精度良く行うことができる。
　取得部１１は、関連度情報として、旧商品及び新商品の製品特徴を取得し、判定部１４は、旧商品の製品特徴と新商品の製品特徴とが類似する場合に、第１の学習済みモデルを新商品の在庫管理に適用させると判定してもよい。製品特徴が互いに類似している商品については、需要動向の関連度が互いに高いと考えられる。このため、旧商品及び新商品の製品特徴が類似する場合に第１の学習済みモデルを新商品の在庫管理に適用させることにより、在庫管理を精度良く行うことができる。
　在庫管理装置１は、新商品との関連度が高い旧商品の販売データに基づき、新商品の需要予測モデルを構築する需要予測部１３を更に備え、決定部１５は、需要予測モデルを考慮して、新商品の在庫管理の方策を決定してもよい。類似する商品から需要予測モデルが構築され、該需要予測モデルが考慮されて在庫管理の方策が決定されることにより、需要動向を考慮しながら、より高精度に在庫管理を行うことができる。
　最後に、在庫管理装置１のハードウェア構成について、図５を参照して説明する。上述の在庫管理装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。在庫管理装置１のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　在庫管理装置１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）で構成されてもよい。例えば、在庫管理装置１の判定部１４等の制御機能はプロセッサ１００１で実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、在庫管理装置１の判定部１４等の制御機能は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。
　また、在庫管理装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。
　以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。
　本明細書で説明した各態様／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future　Radio　Access）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broad-band）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ）、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-Wide　Band）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。
　本明細書で説明した各態様／実施形態の処理手順、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。
　本明細書で説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本明細書で説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。
　ユーザ端末は、当業者によって、移動通信端末、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、またはいくつかの他の適切な用語で呼ばれる場合もある。
　本明細書で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up)（例えば、テーブル、データベースまたは別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。
　本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。
　本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。
　本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。
　１…在庫管理装置、１１…取得部、１３…需要予測部、１４…判定部、１５…決定部。

Claims (6)

  1. 　第１の商品の在庫管理に係る第１の学習済みモデルと、該第１の商品及び第２の商品の関連度に係る関連度情報とを取得する取得部と、
    　前記関連度情報に基づき、前記第１の学習済みモデルを前記第２の商品の在庫管理に適用させるか否かを判定する判定部と、
    　前記判定部によって適用させると判定された場合に、前記第１の学習済みモデルを前記第２の商品の在庫管理に適用し、前記第２の商品の在庫管理の方策を決定する決定部と、を備える在庫管理装置。
  2. 　前記決定部は、前記第１の学習済みモデルと、前記第２の商品の在庫管理に係る第２の学習済みモデルとを組み合わせて、前記第２の商品の在庫管理の方策を決定する、請求項１記載の在庫管理装置。
  3. 　前記決定部は、期間が経過するほど、前記第２の学習済みモデルの重みが重くなるように、前記第１の学習済みモデル及び前記第２の学習済みモデルを組み合わせて前記第２の商品の在庫管理の方策を決定する、請求項２記載の在庫管理装置。
  4. 　前記取得部は、前記関連度情報として、前記第１の商品及び前記第２の商品の発売日前のＳＮＳデータを取得し、
    　前記判定部は、前記ＳＮＳデータにおける前記第１の商品に関する発信数と前記第２の商品に関する発信数とが類似する場合に、前記第１の学習済みモデルを前記第２の商品の在庫管理に適用させると判定する、請求項１～３のいずれか一項記載の在庫管理装置。
  5. 　前記取得部は、前記関連度情報として、前記第１の商品及び前記第２の商品の製品特徴を取得し、
    　前記判定部は、前記第１の商品の製品特徴と前記第２の商品の製品特徴とが類似する場合に、前記第１の学習済みモデルを前記第２の商品の在庫管理に適用させると判定する、請求項１～４のいずれか一項記載の在庫管理装置。
  6. 　前記第２の商品との関連度が高い第３の商品の販売データに基づき、前記第２の商品の需要予測モデルを構築する需要予測部を更に備え、
    　前記決定部は、前記需要予測モデルを考慮して、前記第２の商品の在庫管理の方策を決定する、請求項１～５のいずれか一項記載の在庫管理装置。
PCT/JP2020/031977 2019-08-30 2020-08-25 在庫管理装置 WO2021039767A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/637,894 US20220284382A1 (en) 2019-08-30 2020-08-25 Inventory management device
JP2021542918A JP7474265B2 (ja) 2019-08-30 2020-08-25 在庫管理装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019158318 2019-08-30
JP2019-158318 2019-08-30

Publications (1)

Publication Number Publication Date
WO2021039767A1 true WO2021039767A1 (ja) 2021-03-04

Family

ID=74685877

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/031977 WO2021039767A1 (ja) 2019-08-30 2020-08-25 在庫管理装置

Country Status (3)

Country Link
US (1) US20220284382A1 (ja)
JP (1) JP7474265B2 (ja)
WO (1) WO2021039767A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018042950A1 (ja) * 2016-09-05 2018-03-08 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
WO2018056222A1 (ja) * 2016-09-21 2018-03-29 日本電気株式会社 Ｓｋｕ数を決定するサーバ、方法およびプログラム

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096033B2 (en) * 2011-09-15 2018-10-09 Stephan HEATH System and method for providing educational related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, and/or services integrated with 3D spatial geomapping, company and local information for selected worldwide locations and social networking
WO2013152444A1 (en) * 2012-04-09 2013-10-17 R&D Consulting Professionals Inc. Systems and methods for managing a retail network
US10380540B2 (en) * 2013-01-31 2019-08-13 Level 3 Communications, Llc Systems and methods for managing inventory usage
US20150220874A1 (en) * 2014-02-03 2015-08-06 Homer Tlc, Inc. Systems, Devices, and Methods for Determining an Optimal Inventory Level for an Item with Disproportionately Dispersed Sales
US10373116B2 (en) * 2014-10-24 2019-08-06 Fellow, Inc. Intelligent inventory management and related systems and methods
JP6526081B2 (ja) * 2017-02-28 2019-06-05 ファナック株式会社 在庫管理および予防保全を行う機能を有する在庫管理システム
KR102245911B1 (ko) * 2019-08-09 2021-04-30 엘지전자 주식회사 인공 지능을 이용하여, 아이템의 정보를 제공하는 냉장고 및 그의 동작 방법
US11126986B2 (en) * 2019-09-23 2021-09-21 Gregory Tichy Computerized point of sale integration platform
US20210192435A1 (en) * 2019-12-20 2021-06-24 Walmart Apollo, Llc Systems and methods for safety stock optimization for products stocked at retail facilities

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018042950A1 (ja) * 2016-09-05 2018-03-08 日本電気株式会社 発注数決定システム、発注数決定方法および発注数決定プログラム
WO2018056222A1 (ja) * 2016-09-21 2018-03-29 日本電気株式会社 Ｓｋｕ数を決定するサーバ、方法およびプログラム

Also Published As

Publication number Publication date
US20220284382A1 (en) 2022-09-08
JPWO2021039767A1 (ja) 2021-03-04
JP7474265B2 (ja) 2024-04-24

Similar Documents

Publication Publication Date Title
US9684634B2 (en) Method and apparatus for evaluating predictive model
KR101868830B1 (ko) 머신 러닝에서의 가중치 생성
US11620542B2 (en) Bias scoring of machine learning project data
KR101868829B1 (ko) 머신 러닝에서의 가중치의 생성
WO2020230658A1 (ja) 特徴抽出装置及び状態推定システム
JPWO2019187358A1 (ja) 評価装置
US11687963B2 (en) Electronic apparatus and operation method thereof
US20240112229A1 (en) Facilitating responding to multiple product or service reviews associated with multiple sources
CN111783810A (zh) 用于确定用户的属性信息的方法和装置
WO2021039840A1 (ja) 需要予測装置
CN110610252A (zh) 预测系统以及预测方法
CN116128068A (zh) 一种反洗钱模型的训练方法、装置及电子设备
US20200401966A1 (en) Response generation for predicted event-driven interactions
US11615372B2 (en) Distributed warehousing
CN112243509A (zh) 从异构源生成数据集用于机器学习的系统和方法
US20220301004A1 (en) Click rate prediction model construction device
WO2021039767A1 (ja) 在庫管理装置
JP6876295B2 (ja) サーバ装置
JP2019220100A (ja) 推定装置
CN114218496A (zh) 对象推荐的方法、装置和设备、介质及产品
CN115718740A (zh) 用于稀疏时间序列数据集的数据插补的方法和装置
JP7449933B2 (ja) 推論装置
JP6835680B2 (ja) 情報処理装置および信用度算出方法
JP7350953B1 (ja) 情報処理装置
US20200111042A1 (en) Techniques to enhance employee performance using machine learning

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: 20856464

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021542918

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20856464

Country of ref document: EP

Kind code of ref document: A1