WO2022044924A1 - 棚割情報生成装置および予測モデル - Google Patents

棚割情報生成装置および予測モデル Download PDF

Info

Publication number
WO2022044924A1
WO2022044924A1 PCT/JP2021/030218 JP2021030218W WO2022044924A1 WO 2022044924 A1 WO2022044924 A1 WO 2022044924A1 JP 2021030218 W JP2021030218 W JP 2021030218W WO 2022044924 A1 WO2022044924 A1 WO 2022044924A1
Authority
WO
WIPO (PCT)
Prior art keywords
product
information
unit
shelf allocation
sales
Prior art date
Application number
PCT/JP2021/030218
Other languages
English (en)
French (fr)
Inventor
貴也 玉城
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 JP2022544501A priority Critical patent/JP7492587B2/ja
Priority to US18/042,662 priority patent/US20230351286A1/en
Publication of WO2022044924A1 publication Critical patent/WO2022044924A1/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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

  • This disclosure relates to a shelving allocation information generator and a prediction model.
  • shelving allocation information is generated by the system.
  • a standard shelf allocation pattern including a maximum shelf allocation pattern in which the sales floor scale is the largest and a minimum shelf allocation pattern in which the sales floor scale is the minimum is registered among the store groups, and the store having the largest sales floor scale and the store.
  • a method of generating a shelving allocation pattern for stores excluding the smallest store is shown.
  • Patent Document 1 Although the method described in Patent Document 1 is good at generating a plurality of shelving allocation patterns for a plurality of store groups, there is room for improvement from the viewpoint of improving sales on a specific shelf.
  • This disclosure was made in view of the above, and aims to provide a technology that can generate shelving allocation information that is expected to improve sales.
  • the shelf allocation information generation device is a shelf allocation information generation device that generates shelf allocation information related to product arrangement on a product shelf, and generates the shelf allocation information. For each product based on the shelf allocation condition acquisition unit that acquires the shelf allocation conditions related to the target product shelf and the machine learning model created based on the past purchase information of the products that may be placed on the product shelf.
  • a shelf allocation determination unit that generates the shelf allocation information so that the estimated sales amount of the products placed on the product shelves is maximized based on the selection result of the display candidate product and the grouping result. ..
  • the future sales number of each product is predicted based on the machine learning model created based on the past purchase information of the products that may be placed on the product shelves.
  • shelving allocation information is generated so that the forecasted sales amount of the products placed on the product shelves is maximized. Therefore, it is possible to generate shelf allocation information that can be expected to improve sales of products placed on the product shelves.
  • a technology capable of generating shelving allocation information that is expected to improve sales is provided.
  • FIG. 1 is a diagram showing a functional configuration of a shelf allocation information generation system including a shelf allocation information generation device according to an embodiment.
  • FIG. 2 is a diagram showing a configuration example of purchasing information.
  • FIG. 3 is a diagram schematically showing a learning method of a sales number prediction model.
  • FIG. 4 is a diagram schematically showing an inference method of a sales number prediction model.
  • FIG. 5 is a diagram showing a configuration example of the product master.
  • FIG. 6 is a diagram showing an example of functional category information.
  • FIG. 7 is a diagram showing an example of grouping by the product grouping unit.
  • FIG. 8 is a diagram showing a configuration example of shelving allocation information.
  • FIG. 9 is a configuration example of a product shelf to which the shelf allocation product arrangement optimization unit is applied.
  • FIG. 9 is a configuration example of a product shelf to which the shelf allocation product arrangement optimization unit is applied.
  • FIG. 9 is a configuration example of a product shelf to which the shelf allocation product arrangement optimization unit
  • FIG. 10 is a diagram showing an example of category information used in the shelving allocation product arrangement optimization unit.
  • FIG. 11 is a diagram showing an example of product category arrangement by the shelf allocation product arrangement optimization unit.
  • FIG. 12 is a diagram showing an example of product arrangement by the shelf allocation product arrangement optimization unit.
  • FIG. 13 is a diagram showing an example of display by the display unit.
  • FIG. 14 is a diagram showing another example of display by the display unit.
  • FIG. 15 is a diagram schematically showing an operation method by the correction unit.
  • FIG. 16 is a flowchart showing the processing contents of the shelf allocation information generation method.
  • FIG. 17 is a diagram showing a configuration of a shelf allocation information generation program.
  • FIG. 18 is a hard block diagram of the shelf allocation information generation device.
  • FIG. 1 is a diagram showing a functional configuration of a shelf allocation information generation system 1 including a shelf allocation information generation device 10 according to an embodiment.
  • the shelving allocation information generation device 10 is an apparatus that automatically determines the arrangement of products and generates shelving allocation information and basis information so that the sales prospect of the products arranged on the product shelves is maximized. Further, the shelf allocation information generation device 10 presents the generated shelf allocation information to the user so that the user can confirm and correct the sales forecast based on the shelf allocation information and the shelf allocation information. Including the composition of.
  • the shelf allocation information generation system 1 includes a shelf allocation information generation device 10, an operation / display device 20, a shelf allocation condition storage unit 30, a learning / inference result storage unit 40, a product information storage unit 50, and a display. It includes a candidate product storage unit 60, a grouping result storage unit 70, a shelf allocation information storage unit 80, a purchase information storage unit 90, and an optimization result storage unit 100.
  • the shelf allocation information generation device 10 has a function of generating the above-mentioned shelf allocation information. Details related to the functions of the shelf allocation information generation device 10, such as each functional unit constituting the shelf allocation information generation device 10 and generation of shelf allocation information in the shelf allocation information generation device 10, will be described later.
  • the operation / display device 20 is a device used by the user (shelf allocation proposer) of the shelf allocation information generation system 1.
  • various information provided by the user is acquired by the operation / display device 20 and provided to the shelf allocation information generation device 10. Further, the operation / display device 20 presents to the user by displaying the shelf allocation information and the like generated and output by the shelf allocation information generation device 10. As a result, the user can modify the generated shelving allocation information and the like.
  • the operation / display device 20 acquires the information / instruction provided by the user and provides the function to the shelf allocation information generation device 10 and the information output from the shelf allocation information generation device 10. It has a function to be provided to the user.
  • the result storage unit 100 has a function of holding various information used in the shelf allocation information generation device 10. What kind of information and how each storage unit holds it will be described later.
  • the above-mentioned shelf allocation information generation system 1 may be configured as one device, a shelf allocation information generation device 10, an operation / display device 20, a shelf allocation condition storage unit 30, a learning / inference result storage unit 40, and a product. Functions as an information storage unit 50, a display candidate product storage unit 60, a grouping result storage unit 70, a shelf allocation information storage unit 80, a purchase information storage unit 90, and an optimization result storage unit 100 are distributed and arranged in a plurality of devices. You may. Further, although the shelf allocation information generation device 10 is configured to include a plurality of functional units, each functional unit of the shelf allocation information generation device 10 may be distributed and arranged in the plurality of devices.
  • the operation / display device 20 is configured as one terminal, and each functional unit other than the operation / display device 20 including the shelf allocation information generation device 10 is provided by one server. It may be configured. Further, as another example, one or a plurality of functional units among the functional units constituting the operation / display device 20 and the shelf allocation information generation device 10 may be configured as one device. Further, the shelf allocation condition storage unit 30, the learning / inference result storage unit 40, the product information storage unit 50, the display candidate product storage unit 60, the grouping result storage unit 70, the shelf allocation information storage unit 80, the purchase information storage unit 90, and the like. The optimization result storage unit 100 may be configured to be accessible from the shelf allocation information generation device 10. Therefore, these storage units may be configured by any aspect of the device.
  • the shelf allocation information generation system 1 uses the operation / display device 20 to store a shelf. Upload or enter the information and conditions required to generate the discount information. Then, based on the information acquired by the operation / display device 20, the shelf allocation information generation device 10 creates and outputs the shelf allocation information. The user confirms whether the output shelving allocation information is appropriate by using the operation / display device 20, and corrects the output shelving allocation information as necessary to obtain the final shelving allocation information and the shelving allocation information. It is assumed that such information (for example, information related to the forecast sales amount, ground information for determining the shelving allocation) and the operation to be acquired are generated.
  • the terminal constituting the operation / display device 20, or the terminal constituting a part of each functional unit of the operation / display device 20 and the shelf allocation information generation device 10, is, for example, a PC or a high-performance mobile phone (smartphone). It is configured as an information processing terminal such as a mobile phone or a tablet. Further, each of the one or more devices constituting the shelf allocation information generation device 10 may be configured by, for example, a PC or the like.
  • the shelf allocation information generation device 10 is functionally a shelf allocation condition / data acquisition unit 1001, a sales number prediction model learning unit 1002, and a sales number prediction model inference unit 1003 (sale number prediction unit).
  • Display candidate product selection unit 1004 candidate product selection unit
  • product grouping unit 1005 grouping unit
  • shelf allocation product placement optimization unit 1006 shelf allocation determination unit
  • basis information generation unit 1007 display unit 1008, correction unit It is configured to include 1009 and an output unit 1010.
  • the shelving allocation condition / data acquisition unit 1001 is for optimizing the conditions necessary for generating the shelving allocation information input by the user in the operation / display device 20 and the shelving allocation information so as to maximize the sales forecast. Get the data and.
  • the conditions required to generate the shelf allocation information are, for example, the scale (width) of the shelf allocation for which the shelf allocation information is generated, the number of shelves (the number of shelves), the number of stages, and the ratio of manufacturers constituting the product group to be arranged. Fixed products that you definitely want to place are assumed. These conditions are stored in the shelf allocation condition storage unit 30. In addition to the above information, if there are conditions necessary for generating shelving allocation information, it can be acquired as appropriate.
  • Examples of data for optimizing shelf allocation information include product masters, common shelf allocation information (PTS: Planogram Transfer Specifications), POS (Point of Sale System) data, ID-POS, and category data based on concurrent purchase information. Market POS data etc. are assumed.
  • PTS Planogram Transfer Specifications
  • POS Point of Sale System
  • ID-POS ID-POS
  • category data based on concurrent purchase information.
  • Market POS data etc. are assumed.
  • the above example of data for optimizing the shelving allocation information is just an example, and if the data can be used to generate the shelving allocation information that maximizes the sales forecast, the type, format, etc. of the information will be. Not particularly limited.
  • POS data / ID-POS data which is information related to past purchase results of products
  • FIG. 2 shows an example of POS data / or ID-POS data.
  • the purchase information may include a purchase date and time, information that identifies the purchased product, a selling price, a sales quantity, a sales amount, and the like.
  • the purchase information of such a product is stored in the purchase information storage unit 90.
  • the purchase information of the product can be used to predict the number of sales when the product is placed on the shelving allocation.
  • the sales number prediction model learning unit 1002 has a function of generating a model for predicting the sales number of a specific product based on the purchase information stored in the purchase information storage unit 90.
  • FIG. 3 schematically shows a method of creating a model for predicting the number of sales of a specific product (sale number prediction model).
  • the past sales quantity information DT1 of the specific product can be obtained from the POS data or the like stored in the purchase information storage unit 90.
  • a prediction model PM1 that outputs the sales quantity feature quantity ie2 in the next section is created by inputting (learning data) the feature quantity ie1 based on the sales quantity in the past specific section (period) of the sales quantity information DT1. .. That is, the prediction model PM1 is trained so that the evaluation formula r1 is highly evaluated by using the actually measured data obtained in the period after the number of sales in the specific section used as the training data as the teacher signal t1.
  • the feature quantities ie1 and ie2 of the number of units sold used in the above description are information that reflects the relationship with the sales of the product, such as the average value and the total value of the weekly and monthly, and are predetermined. Any format suitable for use in the learner may be used.
  • the number of all data constituting the sales quantity information DT1 is set to N
  • the number of training data is set to NP, leaving P last data points.
  • This evaluation method is just an example, and any evaluation method may be used as long as it is an evaluation method for acquiring a model for predicting the sales of a product or a product category in general. After learning is repeated so that the evaluation of the evaluation formula r1 becomes high to create the prediction model PM1, the model is stored in the learning / inference result storage unit 40.
  • the prediction model PM1 is used as a linear learner
  • the sales quantity feature amount ie1 is used as a time series data group (y t-1 , y t-2 , ...) Of the sales quantity in a specific section, and the sales quantity feature quantity in the next section is used.
  • ye2 the number of units sold be yt
  • the evaluation score r1 as AIC (Akaike Information Criterion) be s.
  • y t and s are calculated based on the following mathematical formulas (1) and (2), respectively.
  • the parameter w is for weighting the feature amount, and is a parameter obtained in advance by learning a prediction model based on the feature amount.
  • w)) indicates the log-likelihood of the model based on the teacher signal ts1 based on the measured data.
  • the prediction model PM1 and the evaluation formula r1 are not limited to the case where the linear learner and the AIC are configured.
  • the above configuration is an example and any well known technique may be employed.
  • the sales number prediction model inference unit 1003 has a function of predicting the future sales quantity of a specific product by using the prediction model PM1 created by the sales number prediction model learning unit 1002 and stored in the learning / inference result storage unit 40.
  • FIG. 4 is a diagram schematically showing a method of predicting the number of units sold using the prediction model PM1.
  • the sales quantity prediction model inference unit 1003 uses the sales quantity feature quantity ie3 based on the past actual measurement data DT2 as an input to the prediction model PM1 and predicts the future sales quantity feature quantity ze1 without observation data. ..
  • the same feature amount ee1 used in the sales number prediction model learning unit 1002 is selected.
  • the model for predicting the number of sales used in the sales number prediction model learning unit 1002 and the sales number prediction model inference unit 1003 may be at least a model for predicting the number of sales, and for example, the sales amount is calculated based on the prediction. It may be a model to be calculated.
  • the sales number prediction model learning unit 1002 and the sales number prediction model inference unit 1003 described above the sales number prediction of each product is performed.
  • the display candidate product selection unit 1004 performs ABC analysis (priority analysis) and the like for each item such as the number of units sold and the amount of sales based on the POS data (which may include ID-POS) of the store / or market stored in advance. Perform various analyzes and select candidate products to be displayed on the product shelves. As an example, the number of faces may be increased or decreased, and the product to be added / cut may be selected. As described above, the POS data (including ID-POS) of the store and the market are stored in the purchase information storage unit 90. The display candidate product selection unit 1004 selects a product as a candidate to be displayed on the product shelf by using the purchase information stored in the purchase information storage unit 90.
  • the method of selecting products is not limited to ABC analysis. The above embodiment is merely an example, and any well-known technique can be adopted. The selected result is stored in the display candidate product storage unit 60.
  • the product grouping unit 1005 performs product grouping in order to determine from which product group the product arrangement optimization calculation is preferentially performed by the shelf allocation product arrangement optimization unit 1006 described later.
  • the category information included in the product master the attribute category information based on the product characteristics such as type, capacity, and flavor, and the functional category information of the product based on the store / or market joint purchase information are used. Group each product.
  • the above-mentioned product master category information, product attribute category information, and functional category information are stored in advance in the product information storage unit 50. Further, the purchase information of the store is stored in advance in the purchase information storage unit 90. Further, the grouping result generated by the product grouping unit 1005 is stored in the grouping result storage unit 70.
  • the functional category information based on the purchase information of the store is classified based on the function of the product, which can affect the number of sales of the product such as the purchasing factor of the consumer, regardless of the manufacturer of the product. ..
  • a method of acquiring functional category information from purchase information a method such as CDT (Category Decision Tree) analysis for constructing a systematic diagram of consumer purchasing decision factors is assumed.
  • the clustering method is not limited to CDT analysis, and any well-known technique can be adopted as long as it is a method for determining a consumer's purchasing determinant.
  • FIG. 5 shows an example of the format of the product master including the attribute category information of the product
  • FIG. 6 shows an example of the format of the functional category information.
  • the product master includes information such as size, series / brand, manufacturer (manufacturer or distributor), standard, etc. in association with the product name.
  • FIG. 6 shows an example in which chocolate is classified using a functional category. Examples of the types of functional categories of chocolate include “cacao blending amount", “capacity", "maker” and the like.
  • FIG. 6 shows a state in which these plurality of categories are arranged so that the one with the higher purchase decision priority or the higher grouping priority is ranked higher.
  • a grouping result is generated in which the product group divided by the target category information is further subdivided by the attribute category information.
  • the example shown in FIG. 7 is an example.
  • the priority of grouping (which category is prioritized for classification) differs depending on the user. Therefore, even if the products are of the same type, the structure of the grouping result can take any shape depending on the user.
  • the information related to the priority of grouping may be included in, for example, the conditions necessary for generating the shelf allocation information stored in the shelf allocation condition storage unit 30.
  • the shelving allocation product placement optimization unit 1006 uses the optimization algorithm OA1 to make a final determination of the display products in the display candidate product group obtained by the display candidate product selection unit 1004 in order to maximize the sales amount. And product placement, and output the shelf allocation information pt1 and the estimated sales amount es1.
  • the optimization algorithm OA1 is an algorithm for determining and arranging display products so as to maximize the estimated sales amount. For example, an algorithm for solving an optimization problem related to discrete variables such as a mixed integer programming method is available. Can be used.
  • the main input data of the optimization algorithm OA1 is shelving allocation conditions (conditions necessary for generating shelving allocation information), sales quantity prediction results, product masters, product grouping results, PTS (common shelving allocation information), POS data, etc. Is assumed.
  • the shelf allocation conditions, the number of sales forecast results (results calculated using the forecast model), the product master, the product grouping results, and the purchase information used in the shelf allocation product placement optimization unit 1006 are stored in the shelves. It is stored in advance in the split condition storage unit 30, the learning / inference result storage unit 40, the product information storage unit 50, the display candidate product storage unit 60, the grouping result storage unit 70, and the purchase information storage unit 90.
  • At least a part of the various information listed above is used as the input data input to the optimization algorithm OA1 here. Further, the input data may be configured by combining information different from the information listed above.
  • the shelving allocation information pt1 of the optimization result and the estimated sales amount es1 are stored in the optimization result storage unit 100.
  • FIG. 8 is shelving allocation information before optimization, and is information showing a state in which a group of display candidate products stored in the display candidate product storage unit 60 is displayed as a whole.
  • the mixed integer programming method is adopted for the optimization algorithm OA1 based on the shelving allocation information shown in FIG.
  • the selling price of the product i obtained from the purchase information storage unit 90 is set as pi, and the product obtained from the learning / inference result storage unit 40.
  • the objective function Z for maximizing the sales amount is formulated as in the following equation (5).
  • the number of products i lined up on the shelf k of the gondola o (table o) is defined as Wiokf
  • the product of category m and the product of category n are used.
  • the adjacency determination indicating the presence or absence of adjacency is defined as T mnok .
  • ⁇ k in the formula (5) is a weighting of the shelf k
  • Wiokf indicates the number of faces of the product category / or the product i in the shelf k in the gondola o.
  • the reason for weighting each shelf is that sales depending on the shelf position differ depending on the product. For example, in general, a shelf position with a height of about 85 cm to 150 cm, which is the easiest to see and pick up a product, is called a golden zone, whereas a shelf position with a low shelf position is called a child zone. For example, in the confectionery section, products that attract children's attention are placed in the child zone, but in the general food section, the gold zone is more likely to contribute to sales than the child zone. In this way, the height of the shelf position related to sales differs for each product.
  • the objective function Z obtained by the above formula (5) is a product of the selling price per product, the number of faces, and the predicted number of units sold, and is the estimated sales amount of all products. Is shown.
  • the determination of the adjacency relationship by T mnk may be performed by a value represented by 1 bit (0 or 1), may be performed by a true / false value (Boolean: true or false), or may be a numerical value. It may be done by comparison (eg, comparison with a predetermined value). In this way, various methods can be used to determine the adjacency relationship.
  • the optimization process has a final product selection function in consideration of sales such as face-up, face-down, and cut. ..
  • T mn5 1
  • the product of category m and the product of category n are arranged with the category m on the left side with the number of faces 2 and the category n on the right side with the number of faces 4 as shown in FIG. It is decided to be placed. In this way, the optimization process determines how the products in each category are arranged.
  • the product category can be selected by the user. / Or it is also possible to adjust the placement ratio of the products.
  • ui is the upper limit of placement of goods / or goods categories given by the shelving allocation condition
  • li is the lower limit of placement
  • the value of the objective function Z shown in the formula (5) obtained by the placement optimization process indicates the predicted value of the sales amount in the gondola in consideration of the selling price of the displayed product and the predicted sales quantity. Therefore, the user can know how much sales can be expected from the generated shelving allocation information.
  • the above embodiment is just an example, and if it is a method of determining the product arrangement in order to maximize the sales amount of the entire product in the gondola and outputting the predicted value of the sales amount, the combination of input data and the constraint formula Any optimization algorithm may be used, including.
  • the basis information generation unit 1007 summarizes the processing results of the sales number prediction model learning unit 1002, the sales number prediction model inference unit 1003, the display candidate product selection unit 1004, the product grouping unit 1005, and the shelf allocation product placement optimization unit 1006, and produces the product.
  • the basis for selection and the basis for placement in the generated shelving allocation are output as information.
  • As the evidence information specifically, for example, in the case of the basis information of product selection, the ABC analysis ranking based on the number of units sold in the store / or the market and the sales amount, and the list of actually selected / cut products are shown. Output.
  • the above example is just an example, and any method or technique can be used as long as it is a method for the user to know the processing basis of each part.
  • the display unit 1008 is generated by the sales quantity prediction model inference unit 1003, the sales quantity prediction result, the display candidate product selection unit 1004, the display candidate product, the product grouping unit 1005, the grouping result, and the shelving allocation product arrangement optimization unit 1006.
  • the operation / display device 20 displays the processing results of each unit such as the shelving allocation information, the estimated sales amount, and the basis information generated by the basis information generation unit 1007. It should be noted that this is not an essential configuration in the shelf allocation information generation device 10 of the present embodiment.
  • FIG. 13 is a diagram showing an example of displaying information regarding the generated shelving allocation.
  • the display unit 1008 associates the predicted sales amount based on the shelf allocation information generated by the shelf allocation product arrangement optimization unit 1006 and the priority analysis result by the display candidate product selection unit 1004, and displays them in a predetermined manner.
  • the example shown in FIG. 13 is an output example to the screen or the like of the operation / display device 20.
  • the display unit 1008 operates / displays the previous shelf allocation X1 (previous shelf allocation information) and the generated shelf allocation X2 (shelf allocation information created in this process) on the display device 20. Display. Further, the display unit 1008 causes the operation / display device 20 to display the information UI1 regarding the priority analysis result MT by the display candidate product selection unit 1004 and the standard of product arrangement.
  • the information UI1 is information regarding, for example, conditions of generated shelving allocation information such as evaluation standard D1 and display standard D2, and sales forecast result D3 for increasing / decreasing faces and selecting additional / cut products. This information is associated with the previous shelf allocation X1 and the generated shelf allocation X2.
  • FIG. 14 is a diagram showing another example of displaying information regarding the generated shelving allocation.
  • the display unit 1008 displays the shelf allocation X2 generated by the shelf allocation product arrangement optimization unit 1006 on the operation / display device 20, and displays it on the operation / display device 20 in association with the basis information UI2 for the shelf allocation arrangement. ..
  • the user clicks on a specific product with the cursor C the user can know what kind of information the selected product is based on when it is placed at the position.
  • sales information D4 of the product, reason D5 for placement, transition D6 of sales, and the like are assumed.
  • the correction unit 1009 corrects the arrangement or changes the shelf allocation conditions by the user based on the shelf allocation information displayed by the display unit 1008.
  • FIG. 15 is a diagram showing an example of a screen display when a user modifies the arrangement of the generated shelving allocation information.
  • the display unit 1008 displays the generated shelf allocation X2 on the operation / display device 20, and also associates the information UI3 of the product to be replaced and displays it on the operation / display device 20.
  • the user selects a product to be replaced by clicking with the cursor C of the operation / display device 20.
  • the information UI3 the product information D7 of the replacement source and the product information D8 of the replacement destination are displayed.
  • the configuration may be such that an instruction is given by double-clicking the cursor C, or a confirmation button or the like may be provided.
  • the output unit 1010 outputs the final shelving allocation information determined by the correction unit 1009, and the basis information including the sales forecast result, the product selection result, the grouping result, the optimization processing result, and the like.
  • FIG. 16 is a flowchart showing the processing contents of the shelf allocation information generation method of the present embodiment.
  • step S01 the shelf allocation condition / data acquisition unit 1001 acquires the shelf allocation condition and necessary data input by the operation / display device 20.
  • step S02 the sales number prediction model learning unit 1002 learns a machine learning model for predicting the sales number from the purchase information acquired in step S01.
  • step S03 the sales quantity prediction model inference unit 1003 predicts the future sales quantity of the product by using the machine learning model learned in S02 and the purchase information.
  • step S04 the display candidate product selection unit 1004 selects the display candidate product to be used for the arrangement optimization process of the shelf allocation based on the purchase information.
  • step S05 the product grouping unit 1005 groups the product categories from the product information.
  • step S06 the shelving allocation product placement optimization unit 1006 has the shelving allocation conditions and necessary data acquired in step S01, the sales quantity prediction result in step S03, the display candidate product selection result in step S04, and step S05.
  • the final face increase / decrease, selection of additional / cut products, and optimization of product placement are performed using the grouping results based on the above, and shelving allocation information and forecast sales amount information are generated.
  • step S07 the basis information generation unit 1007 summarizes the processing results of each unit and generates basis information explaining how the shelving allocation was generated.
  • step S08 the display unit 1008 causes the operation / display device 20 to display the result of each process.
  • step S09 the correction unit 1009 corrects the arrangement of products or changes the shelf allocation conditions by the user based on the shelf allocation information displayed in step S08.
  • step S12 the process proceeds to step S12.
  • step S10 the process proceeds to step S10.
  • step S10 when the correction unit 1009 only corrects the product arrangement (S10-YES), the process proceeds to step S11, the product arrangement is corrected, and the process of step S08 is executed again.
  • step S11 when not only the product arrangement but also the shelving allocation condition or the data is changed (S10-NO), the process returns to step S01 and the processes of steps S01 to S08 are repeated.
  • step S12 the output unit 1010 outputs the confirmed shelf allocation information and the basis information.
  • FIG. 17 is a diagram showing the configuration of the shelf allocation information generation program P1.
  • the shelving allocation information generation program P1 is a main module m10 that comprehensively controls the generation processing of the shelving allocation information and the basis information in the shelving allocation information generation device 10, a shelf allocation condition / data acquisition module m11, a sales quantity prediction model learning module m12, It is composed of a sales number prediction model inference module m13, a display candidate product selection module m14, a product grouping module m15, a shelf allocation product placement optimization module m16, a basis information generation module m17, a display module m18, a correction module m19, and an output module m20. Will be done.
  • the shelving allocation information generation program P1 may be transmitted via a transmission medium such as a communication line, or may be stored in the recording medium M1 as shown in FIG. good.
  • the shelf allocation information generation device 10 is a shelf allocation information generation device that generates shelf allocation information related to product arrangement in the product shelf, and generates shelf allocation information. Created based on the shelf allocation condition / data acquisition unit 1001 as the shelf allocation condition acquisition unit that acquires the shelf allocation condition related to the target product shelf, and the past purchase information of the products that may be placed on the product shelf. Based on the sales number prediction model inference unit 1003 as the sales number prediction unit that predicts the future sales number for each product based on the machine learning model, and the past purchase information of the products that may be placed on the product shelves.
  • a display candidate product selection unit 1004 as a display candidate product selection unit that selects display candidate products from products that may be placed on the product shelves, and as a grouping unit that groups products that can be placed on the product shelves.
  • Product grouping unit 1005 shelving allocation conditions, sales forecast results of products that may be placed on the product shelves, selection results of display candidate products, and products placed on the product shelves based on the grouping results.
  • It has a shelf allocation product placement optimization unit 1006 as a shelf allocation determination unit that generates shelf allocation information so that the estimated sales amount according to the above is maximized.
  • the future sales number of each product is predicted based on the machine learning model created based on the past purchase information of the products that may be placed on the product shelves.
  • shelving allocation information is generated so that the forecasted sales amount of the products placed on the product shelves is maximized. Therefore, it is possible to generate shelf allocation information that can be expected to improve sales of products placed on the product shelves.
  • the shelving allocation determination unit can generate sales information indicating the estimated sales amount related to the generated shelving allocation information.
  • the sales information can also be presented to the user of the device. Therefore, the user can grasp the estimated sales amount when the generated shelving allocation information is adopted.
  • a basis information generation unit 1007 for generating basis information which is information related to the basis for generating the shelf allocation information in the shelf allocation determination unit.
  • the basis information can also be presented to the user of the device. Therefore, the user can grasp what kind of information the generated shelving allocation information is based on.
  • the product arrangement included in the shelf allocation information or the shelf allocation It is possible to further have a modification unit 1009 that performs a modification process of the condition. In this case, it is possible to modify the shelf allocation information generated by the shelf allocation determination unit in response to an instruction from the user based on the information displayed on the display unit 1008, and the shelf allocation information corresponding to the user's needs can be obtained. It becomes possible to generate.
  • the correction unit 1009 is not an essential configuration.
  • a sales number prediction model learning unit 1002 as a model learning unit for creating a machine learning model used in the sales number prediction unit.
  • a machine learning model for predicting the number of sales by the own device.
  • the machine learning model itself may be created by an external device different from the shelf allocation information generation device 10.
  • the shelving allocation determination unit can generate shelving allocation information by solving an optimization problem for maximizing the predicted sales amount. In this case, since the product arrangement suitable for maximizing the predicted sales amount is automatically specified, it is possible to generate the shelving allocation information that does not reflect the human intention or the like.
  • the prediction model PM1 is the past of products that may be arranged on the product shelf in the shelf allocation information generation device 10 so as to generate the shelf allocation information related to the product arrangement on the product shelf.
  • a trained forecasting model for operating a computer to predict future sales for each product based on the purchase information of a specific product, and a feature quantity based on the sales quantity information of a specific product in the past for a specific period. It may be generated by executing machine learning using a combination of the product and the feature amount based on the sales quantity information in the next period of the period as training data.
  • the shelf allocation information generation device 10 described in the above embodiment can be changed in various ways. Therefore, the function of each part may be changed in response to the change of each part.
  • each functional block is realized using one physically or logically coupled device, or two or more physically or logically separated devices can be directly or indirectly (eg, for example). , Wired, wireless, etc.) and may be realized using these plurality of devices.
  • the functional block may be realized by combining the software with the one device or the plurality of devices.
  • Functions include judgment, decision, judgment, calculation, calculation, processing, derivation, investigation, search, confirmation, reception, transmission, output, access, solution, selection, selection, establishment, comparison, assumption, expectation, and assumption.
  • a functional block (component) that makes transmission function is called a transmitting unit (transmitting unit) or a transmitter (transmitter).
  • the realization method is not particularly limited.
  • FIG. 18 is a diagram showing an example of the hardware configuration of the shelf allocation information generation device 10 according to the present embodiment.
  • the shelving allocation information generation device 10 may be physically configured as a computer device including a processor C1, a memory C2, a storage C3, a communication device C4, an input device C5, an output device C6, a bus C7, and the like.
  • the word “device” can be read as a circuit, device, unit, etc.
  • the hardware configuration of the shelf allocation information generation device 10 may be configured to include one or more of the devices shown in FIG. Further, it may be configured without including some devices.
  • Each function in the shelving allocation information generation device 10 is performed by the processor C1 by loading predetermined software on the hardware such as the processor C1 and the memory C2, and the communication by the communication device C4, the memory C2, and the storage C3. It is realized by controlling the reading and / or writing of the data in.
  • Processor C1 operates, for example, an operating system to control the entire computer.
  • the processor C1 may be configured by 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. Further, the processor C1 may be configured to include a GPU (Graphics Processing Unit). For example, each functional unit (1001 to 1010) shown in FIG. 1 may be realized by the processor C1.
  • the processor C1 reads a program (program code), a software module and data from the storage C3 and / or the communication device C4 to the memory C2, and executes various processes according to these.
  • a program program code
  • a program that causes a computer to execute at least a part of the operations described in the above-described embodiment is used.
  • each functional unit (1001 to 1010) of the shelf allocation information generation device 10 may be stored in the memory C2 and realized by a control program operated by the processor C1.
  • processor C1 may be mounted on one or more chips.
  • the program may be transmitted from the network via a telecommunication line.
  • the memory C2 is a computer-readable recording medium, for example, a ROM (Read Only Memory), an EEPROM (Erasable Project ROM), an EEPROM (Electrically Erasable Project ROM), a RAM (Random Memory), a RAM (Random Memory), or the like. It may be configured.
  • the memory C2 may be referred to as a register, a cache, a main memory (main storage device), or the like.
  • the memory C2 can store a program (program code), a software module, and the like that can be executed to implement the shelving allocation information generation method according to the embodiment of the present disclosure.
  • the storage C3 is a computer-readable recording medium, and is, for example, an optical disk such as a CD-ROM (Comp act Disc ROM), a hard disk drive, a flexible disk, an optical magnetic disk (for example, a compact disk, a digital versatile disk, Blu-). It may consist of at least one such as a ray® disk), a smart card, a flash memory (eg, a card, stick, key drive), a floppy® disk, a magnetic strip, and the like.
  • the storage C3 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 C2 and / or storage C3.
  • the communication device C4 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 C5 is an input device (for example, a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that accepts an input from the outside.
  • the output device C6 is an output device (for example, a display, a speaker, an LED lamp, etc.) that outputs to the outside.
  • the input device C5 and the output device C6 may have an integrated configuration (for example, a touch panel).
  • each device such as the processor C1 and the memory C2 is connected by the bus C7 for communicating information.
  • the bus C7 may be composed of a single bus or may be composed of different buses between the devices.
  • the shelf allocation information generation device 10 includes a microprocessor, a digital signal processor (DSP: Digital Signal Processor), an ASIC (Application Specific Integrated Circuit), a PLD (Programmable Logic Device), and a PLC (Programmable Logic Device). It may be configured to include hardware, and the hardware may realize a part or all of each functional block. For example, processor C1 may be implemented on at least one of these hardware.
  • DSP Digital Signal Processor
  • ASIC Application Specific Integrated Circuit
  • PLD Programmable Logic Device
  • PLC Programmable Logic Device
  • information notification includes physical layer signaling (for example, DCI (Downlink Control Information), UCI (Uplink Control Information)), higher layer signaling (for example, RRC (Radio Resource Control) signaling, MAC (Medium Access) Signaling). It may be carried out by notification information (MIB (Master Information Block), SIB (System Information Block)), other signals, or a combination thereof.
  • RRC signaling may be referred to as an RRC message, and may be, for example, an RRC connection setup (RRC Connection Setup) message, an RRC connection reconstruction message, or the like.
  • Each aspect / embodiment described in the present disclosure includes LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G (4th generation mobility communication system), 5G (5G). system), 6th generation mobile communication system (6G), xth generation mobile communication system (xG) (xG (x is, for example, an integer, a fraction)), FRA (FutureRadioC Registered Trademarks), GSM (Registered Trademarks), CDMA2000, UMB (Ultra Mobile Broadband), IEEE 802.11 (Wi-Fi (Registered Trademarks)), IEEE 802.16 (WiMAX® (Registered Trademarks)), IEEE 802.20, It may be applied to at least one of UWB (Ultra-WiideBand), Bluetooth®, and other systems that utilize suitable systems and extensions based on them. Further, a plurality of systems may be applied in combination (for example, a combination of at least one of LTE and LTE-A and 5G).
  • Information etc. can be output from the upper layer (or lower layer) to the lower layer (or upper layer). Input / output may be performed via a plurality of network nodes.
  • the input / output information and the like may be stored in a specific location (for example, a memory) or may be managed using a management table. Information to be input / output may 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 one bit (0 or 1), by a true / false value (Boolean: true or false), or by a numerical comparison (eg, 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 whether referred to as software, firmware, middleware, microcode, hardware description language, or other names, is an instruction, instruction set, code, code segment, program code, program, subprogram, software module.
  • Applications, software applications, software packages, routines, subroutines, objects, executable files, execution threads, procedures, features, etc. should be broadly interpreted.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • the software may use at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL: Digital Subscriber Line), etc.) and wireless technology (infrared, microwave, etc.) to create a website.
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL: Digital Subscriber Line), etc.
  • wireless technology infrared, microwave, etc.
  • the information, signals, etc. described in this disclosure may be represented using any of a variety of different techniques.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. that may be referred to throughout the above description are voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. It may be represented by a combination of.
  • a channel and a symbol may be a signal (signaling).
  • the signal may be a message.
  • the component carrier CC: Component Carrier
  • CC Component Carrier
  • system and “network” used in this disclosure are used interchangeably.
  • the information, parameters, etc. described in the present disclosure may be expressed using an absolute value, a relative value from a predetermined value, or another corresponding information. It may be represented.
  • the radio resource may be one indicated by an index.
  • determining and “determining” used in the present disclosure may include a wide variety of actions.
  • "Judgment” and “decision” are, for example, judgment (judging), calculation (calculating), calculation (computing), processing (processing), derivation (diving), investigation (investigating), search (looking up, search, inquiry). (For example, searching in a table, database or another data structure), ascertaining may be regarded as “judgment” or “decision”.
  • judgment and “decision” are receiving (for example, receiving information), transmitting (for example, transmitting information), input (input), output (output), and access. It may include the fact that (for example, accessing the data in the memory) is regarded as “judgment” or “decision”.
  • judgment and “decision” are considered to be “judgment” and “decision” when the things such as solving, selecting, selecting, 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”. Further, “judgment (decision)” may be read as “assuming", “expecting”, “considering” and the like.
  • connection means any direct or indirect connection or connection between two or more elements and each other. It can include the presence of one or more intermediate elements between two “connected” or “combined” elements.
  • the connection or connection between the elements may be physical, logical, or a combination thereof.
  • connection may be read as "access”.
  • the two elements use at least one of one or more wires, cables and printed electrical connections, and, as some non-limiting and non-comprehensive examples, the radio frequency domain. Can be considered to be “connected” or “coupled” to each other, such as with electromagnetic energy having wavelengths in the microwave and light (both visible and invisible) regions.
  • the term "A and B are different” may mean “A and B are different from each other”.
  • the term may mean that "A and B are different from C”.
  • Terms such as “separate” and “combined” may be interpreted in the same way as “different”.
  • ... Shelf allocation information generation system 10 ... Shelf allocation information generation device, 20 ... Operation / display device, 30 ... Shelf allocation condition storage unit, 40 ... Learning / inference result storage unit, 50 ... Product information storage unit, 60 ... Display Candidate product storage unit, 70 ... Grouping result storage unit, 80 ... Shelf allocation information storage unit, 90 ... Purchase information storage unit, 100 ... Optimization result storage unit, 1001 ... Shelf allocation condition / data acquisition unit, 1002 ... Sales number forecast Model learning unit, 1003 ... Sales number prediction model inference unit, 1004 ... Display candidate product selection unit, 1005 ... Product grouping unit, 1006 ... Shelf allocation product placement optimization unit, 1007 ... Rationale information generation unit, 1008 ... Display unit, 1009 ... correction part, 1010 ... output part.

Landscapes

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

Abstract

棚割情報生成装置（１０）は、棚割情報を生成する対象の商品棚に係る棚割条件を取得する棚割条件取得部としての棚割条件／データ取得部（１００１）と、品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行う売数予測部としての売数予測モデル推論部（１００３）と、過去の購買情報に基づいて陳列候補の商品を選定する陳列候補商品選定部としての陳列候補商品選定部（１００４）と、商品棚に配置され得る商品のグルーピングを行うグルーピング部としての商品グルーピング部（１００５）と、棚割条件、商品棚に配置される可能性のある商品の売数予測結果、陳列候補商品の選定結果、および、グルーピング結果に基づいて、商品棚に配置された商品による予測売上金額が最大となるように棚割情報を生成する棚割決定部としての棚割商品配置最適化部（１００６）と、を有する。

Description

棚割情報生成装置および予測モデル
　本開示は、棚割情報生成装置および予測モデルに関する。
　商品棚を作成するために、システムにより棚割情報を生成することが行われている。例えば、特許文献１では、店舗群のうち売場規模が最大である最大棚割パターンと売場規模が最小である最小棚割パターンを含む基準棚割パターンを登録し、売場規模が最大である店舗及び最小である店舗を除く店舗を対象とした棚割パターンを生成する方法が示されている。
特開２０１６－２６４７５４号公報
　しかしながら、特許文献１に記載の方法は、複数の店舗群を対象とした複数の棚割パターンの生成には長けているものの、特定の棚における売上の向上という観点では改良の余地があった。
　本開示は上記を鑑みてなされたものであり、売上向上が見込める棚割情報を生成可能な技術を提供することを目的とする。
　上記目的を達成するため、本開示の一形態に係る棚割情報生成装置は、商品棚における商品配置に関わる棚割情報を生成する棚割情報生成装置であって、前記棚割情報を生成する対象の商品棚に係る棚割条件を取得する棚割条件取得部と、前記商品棚に配置される可能性のある商品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行う売数予測部と、前記商品棚に配置される可能性のある商品の過去の購買情報に基づいて、前記商品棚に配置される可能性のある商品から陳列候補の商品を選定する陳列候補商品選定部と、前記商品棚に配置され得る商品のグルーピングを行うグルーピング部と、前記棚割条件、前記商品棚に配置される可能性のある商品の売数予測結果、前記陳列候補商品の選定結果、および、グルーピング結果に基づいて、前記商品棚に配置された商品による予測売上金額が最大となるように前記棚割情報を生成する棚割決定部と、を有する。
　上記の棚割情報生成装置によれば、商品棚に配置される可能性のある商品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行った上で、この売数予測にも基づいて、商品棚に配置された商品による予測売上金額が最大となるように棚割情報が生成される。したがって、商品棚に配置された商品の売上向上が見込める棚割情報を生成することが可能となる。
　本開示によれば、売上向上が見込める棚割情報を生成可能な技術が提供される。
図１は、一実施形態に係る棚割情報生成装置を含む棚割情報生成システムの機能的構成を示す図である。 図２は、購買情報の構成例を示す図である。 図３は、売数予測モデルの学習方法を模式的に示す図である。 図４は、売数予測モデルの推論方法を模式的に示す図である。 図５は、商品マスタの構成例を示す図である。 図６は、機能的カテゴリ情報の一例を示す図である。 図７は、商品グルーピング部によるグルーピングの例を示す図である。 図８は、棚割情報の構成例を示す図である。 図９は、棚割商品配置最適化部を適用させる商品棚の構成例である。 図１０は、棚割商品配置最適化部で利用するカテゴリ情報の例を示す図である。 図１１は、棚割商品配置最適化部による商品カテゴリ配置の例を示す図である。 図１２は、棚割商品配置最適化部による商品配置の例を示す図である。 図１３は、表示部による表示の例を示す図である。 図１４は、表示部による表示の他の例を示す図である。 図１５は、修正部による操作方法を模式的に示す図である。 図１６は、棚割情報生成方法の処理内容を示すフローチャートである。 図１７は、棚割情報生成プログラムの構成を示す図である。 図１８は、棚割情報生成装置のハードブロック図である。
　以下、添付図面を参照して、本開示を実施するための形態を詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。
　図１は、一実施形態に係る棚割情報生成装置１０を含む棚割情報生成システム１の機能的構成を示す図である。棚割情報生成装置１０は、商品棚に配置した商品の売上の見込みが最大となるように、商品の配置を自動的に決定し、棚割情報および根拠情報を生成する装置である。さらに棚割情報生成装置１０は、生成された棚割情報をユーザに対して提示することで、ユーザが棚割情報および棚割情報に基づく売上見込みを確認し、修正することを可能とするための構成を含む。
　図１に示すように、棚割情報生成システム１は、棚割情報生成装置１０と操作／表示装置２０、棚割条件記憶部３０、学習／推論結果記憶部４０、商品情報記憶部５０、陳列候補商品記憶部６０、グルーピング結果記憶部７０、棚割情報記憶部８０、購買情報記憶部９０、および最適化結果記憶部１００を含む。
　棚割情報生成装置１０は、上述の棚割情報を生成する機能を有する。棚割情報生成装置１０を構成する各機能部について、および、棚割情報生成装置１０における棚割情報の生成について、等の棚割情報生成装置１０の機能に係る詳細は後述する。
　操作／表示装置２０は、棚割情報生成システム１のユーザ（棚割提案者）によって使用される装置である。ユーザが操作／表示装置２０を操作することで、ユーザ提供される各種情報を操作／表示装置２０において取得され、棚割情報生成装置１０に対して提供される。また、操作／表示装置２０は、棚割情報生成装置１０において生成・出力された棚割情報等を表示することで、ユーザに対して提示する。これにより、ユーザは生成された棚割情報の修正等を行うことが可能となる。このように、操作／表示装置２０は、ユーザから提供される情報・指示等を取得し、棚割情報生成装置１０に対して提供する機能と、棚割情報生成装置１０から出力された情報をユーザに対して提供する機能と、を有する。
　棚割条件記憶部３０、学習／推論結果記憶部４０、商品情報記憶部５０、陳列候補商品記憶部６０、グルーピング結果記憶部７０、棚割情報記憶部８０、購買情報記憶部９０、および最適化結果記憶部１００は、棚割情報生成装置１０で使用する各種情報をそれぞれ保持する機能を有する。各記憶部がどのような情報をどのように保持するかについては後述する。
　上記の棚割情報生成システム１は、１つの装置として構成されてもよいし、棚割情報生成装置１０、操作／表示装置２０、棚割条件記憶部３０、学習／推論結果記憶部４０、商品情報記憶部５０、陳列候補商品記憶部６０、グルーピング結果記憶部７０、棚割情報記憶部８０、購買情報記憶部９０、および最適化結果記憶部１００としての機能が複数の装置に分散配置されていてもよい。さらに、棚割情報生成装置１０は、複数の機能部を含んで構成されるが、棚割情報生成装置１０の各機能部が複数の装置に分散配置されていてもよい。
　棚割情報生成システム１の装置構成の一例としては、操作／表示装置２０が１つの端末として構成され、棚割情報生成装置１０を含む操作／表示装置２０以外の各機能部が１つのサーバにより構成されてもよい。また、他の一例としては、操作／表示装置２０と棚割情報生成装置１０を構成する各機能部のうちの一または複数の機能部と、が一つの装置として構成されてもよい。また、棚割条件記憶部３０、学習／推論結果記憶部４０、商品情報記憶部５０、陳列候補商品記憶部６０、グルーピング結果記憶部７０、棚割情報記憶部８０、購買情報記憶部９０、および最適化結果記憶部１００は、棚割情報生成装置１０からアクセス可能に構成されていればよい。したがって、これらの記憶部は、いかなる態様の装置で構成されてもよい。
　棚割情報生成システム１の操作／表示装置２０が１つの端末として構成される場合、例えば、棚割情報生成システム１のユーザ（棚割提案者）が操作／表示装置２０を利用して、棚割情報の生成に必要な情報・条件のアップロードまたは入力を行う。そして、操作／表示装置２０において取得された情報に基づいて、棚割情報生成装置１０において棚割情報が作成されて、出力される。ユーザは、操作／表示装置２０を利用して、出力された棚割情報が適切なものかを確認し必要に応じて修正を行うことで、最終的な棚割情報と、その棚割情報に係る情報（例えば予測売上金額に係る情報、棚割の決定に根拠情報）と、を生成する取得する運用が想定される。
　操作／表示装置２０を構成する端末、または、操作／表示装置２０および棚割情報生成装置１０の各機能部のうちの一部を構成する端末は、例えば、ＰＣや高機能携帯電話機（スマートフォン）や携帯電話機、タブレットなどの情報処理端末として構成される。また、棚割情報生成装置１０を構成する１以上の装置は、それぞれ例えばＰＣ等によって構成されていてもよい。
　次に、棚割情報生成装置１０の各機能部について説明する。図１に示すように、棚割情報生成装置１０は、機能的には、棚割条件／データ取得部１００１、売数予測モデル学習部１００２、売数予測モデル推論部１００３（売数予測部）、陳列候補商品選定部１００４（候補商品選定部）、商品グルーピング部１００５（グルーピング部）、棚割商品配置最適化部１００６（棚割決定部）、根拠情報生成部１００７、表示部１００８、修正部１００９、および出力部１０１０を含んで構成される。
　棚割条件／データ取得部１００１は、操作／表示装置２０においてユーザによって入力された、棚割情報の生成に必要な条件と、売上見込が最大となるように棚割情報を最適化するためのデータと、を取得する。棚割情報の生成に必要な条件とは、例えば、棚割情報を生成する対象となる棚割の尺（幅）、本数（棚の数）、段数、配置する商品群を構成するメーカー比率、必ず配置したい固定商品などが想定される。これらの条件は、棚割条件記憶部３０に記憶される。上記の情報のほかにも棚割情報の生成に必要な条件があれば適宜取得され得る。
　棚割情報を最適化するためのデータの例としては、商品マスタ、共通棚割情報（ＰＴＳ：Planogram　Transfer　Specifications）、ＰＯＳ（Point　of　Sale　System）データ、ＩＤ－ＰＯＳ、併買情報に基づくカテゴリデータ、市場ＰＯＳデータなどが想定される。上記の棚割情報を最適化するためのデータの例はあくまで一例であり、売上見込を最大化された棚割情報を生成することに利用可能なデータであれば、情報の種類、形式等は特に限定されない。
　棚割情報を最適化するためのデータの一例として、商品の過去の購買結果に係る情報であるＰＯＳデータ／ＩＤ－ＰＯＳデータは有用であると考えられる。図２は、ＰＯＳデータ／又はＩＤ－ＰＯＳデータの一例を示している。購買情報には、購買日時、購買された商品を特定する情報、売価、売上数量、売上金額等が含まれ得る。このような商品の購買情報は、購買情報記憶部９０に記憶される。商品の購買情報は、棚割に商品を配置した際の売数の予測に利用され得る。
　売数予測モデル学習部１００２は、購買情報記憶部９０に記憶される購買情報に基づいて、特定の商品の売数を予測するためのモデルを生成する機能を有する。図３は、特定の商品の売数を予測するためのモデル（売数予測モデル）を作成する手法を模式的に示したものである。図３に示すように、購買情報記憶部９０に記憶されたＰＯＳデータ等から、特定商品の過去の売上個数情報ＤＴ１が得られるとする。このとき、売上個数情報ＤＴ１のうち過去の特定の区間（期間）の売上個数に基づく特徴量ｉｅ１を入力（学習データ）として、次区間の売上個数特徴量ｉｅ２を出力する予測モデルＰＭ１を作成する。すなわち、学習データとして使用した特定区間の売上げ個数よりも後の期間に得られた実測データを教師信号ｔ１として、評価式ｒ１の評価が高くなるように、予測モデルＰＭ１の学習を行う。
　なお、上記の説明に使用した売上個数の特徴量ｉｅ１およびｉｅ２は、例えば、週間や月間の平均値や合計値など、商品の売上との関連性が反映されている情報であって、所定の学習器に用いるのに適した形式であれば、どのようなものであってもよい。
　また、予測モデルＰＭ１における学習評価の一例として、例えば、売上個数情報ＤＴ１を構成する全てのデータ数をＮ個として、最後のデータ点をＰ個残して学習用データの個数をＮ－Ｐ個とし、評価に用いるテストデータを残したＰ点の中の最初の１点（最も学習用データに近い１点）として評価を行うという方法が挙げられる。この評価を、Ｐ回繰り返し、汎化性能を見ることで、予測モデルＰＭ１における学習評価を行うような手法が想定される。この評価手法はあくまで一例であり、商品、又は商品カテゴリの売上を汎用的に予測するモデルを取得するための評価方法であれば、いかなる手法でもよい。評価式ｒ１の評価が高くなるように学習を繰り返して予測モデルＰＭ１を作成した後に、当該モデルが学習／推論結果記憶部４０に保存される。
　売数予測モデル学習部１００２におけるモデルの作成手法の一例を以下に説明する。例えば、予測モデルＰＭ１を線形学習器とし、売上個数特徴量ｉｅ１を特定区間の売上個数の時系列データ群（ｙｔ－１，ｙｔ－２，…）とし、次区間の売上個数特徴量をｉｅ２、売上個数をｙｔとし、評価式ｒ１をＡＩＣ（Akaike　Information　Criterion）とした評価スコアをｓとする。この場合、ｙｔ、ｓは、それぞれ以下の数式（１），（２）に基づいて算出される。
Figure JPOXMLDOC01-appb-M000001
Figure JPOXMLDOC01-appb-M000002
　ここで、パラメータｗは、特徴量に重み付けをするためのものであって、予め、特徴量に基づく予測モデルの学習により、得られたパラメータである。また、ｌｏｇＬ（（ｙｔ｜ｗ））は、実測データによる教師信号ｔｓ１に基づく、モデルの対数尤度を示す。上記のスコアｓが最小となるパラメータｗを求めることで、将来の売上個数を予測する学習モデルを得ることができる。
　予測モデルＰＭ１および評価式ｒ１は、線形学習器およびＡＩＣにより構成される場合に限定されない。上記の構成は一例であり、あらゆる周知の技術を採用し得る。
　売数予測モデル推論部１００３は、売数予測モデル学習部１００２で作成されて学習／推論結果記憶部４０に保存された予測モデルＰＭ１を用いて、特定の商品の将来の売上個数を予測する機能を有する。図４は、予測モデルＰＭ１を用いた売上個数の予測方法を模式的に示す図である。図４に示すように、売数予測モデル推論部１００３は、過去の実測データＤＴ２に基づく売上個数特徴量ｉｅ３を予測モデルＰＭ１に対する入力とし、観測データがない将来の売上個数特徴量ｚｅ１を予測する。ここでの売上個数の特徴量ｉｅ３としては、売数予測モデル学習部１００２で用いた特徴量ｉｅ１と同様のものが選択される。
　売数予測モデル推論部１００３における売数の予測方法の一例を以下に説明する。例えば、本実施形態の一例として、過去の売上個数の時系列データ群（ｙｔ－１，ｙｔ－２，…）から、学習済みの線形学習器を用いて、観測データがない将来の売上個数データ群（ｏｔ，ｏｔ＋１，…）を出力することを考える。その際のｏｔ，ｏｔ＋１は、それぞれ以下の数式（３），（４）に基づいて算出される。
Figure JPOXMLDOC01-appb-M000003
Figure JPOXMLDOC01-appb-M000004
　上記の数式によれば、ｏｔ＋１を算出するために、過去の売上個数データ群（ｙｔ－１，ｙｔ－２，…）だけでなく、予測されたｏｔも入力変数として利用される。また、ｏｔ＋２を求める際には、ｏｔ＋１の算出と同様にｏｔ＋１が入力変数の一部として利用される。こられを繰り返すことで、任意の期間の売上個数の予測が可能となる。なお、上記の実施形態はあくまでも一例であり、売上個数特徴量を予測するための手法であれば、あらゆる周知の技術を採用し得る。また、売数予測モデル学習部１００２および売数予測モデル推論部１００３で用いられる売数を予測するモデルは、少なくとも売数を予測するモデルであればよく、例えば、その予測に基づいて売上金額を算出するモデルであってもよい。
　上記の売数予測モデル学習部１００２および売数予測モデル推論部１００３が機能することによって、各商品の売数予測が行われる。
　陳列候補商品選定部１００４は、予め記憶された店舗／又は市場のＰＯＳデータ（ＩＤ－ＰＯＳを含んでもよい）に基づいて、売上個数や売上金額などの各項目別にＡＢＣ分析（重点分析）等の各種分析を行い、商品棚に陳列する候補となる商品を選択する。一例として、フェースの増減、および追加／カットの対象となる商品の選定を行ってもよい。上述のように、店舗、および市場のＰＯＳデータ（ＩＤ－ＰＯＳを含む）は、購買情報記憶部９０に記憶される。陳列候補商品選定部１００４は、購買情報記憶部９０に記憶される購買情報を用いて、商品棚に陳列する候補となる商品を選択する。なお、商品を選定する手法はＡＢＣ分析に限定されない。上記の実施形態はあくまでも一例であり、あらゆる周知の技術を採用し得る。選定された結果は、陳列候補商品記憶部６０に記憶される。
　商品グルーピング部１００５は、後述の棚割商品配置最適化部１００６でどの商品グループから優先的に商品配置の最適化計算を行うかを決定するために、商品のグルーピングを行う。具体的には、商品マスタに含まれるカテゴリ情報や、種類、容量、風味などの商品の特徴に基づいた属性カテゴリ情報、店舗／又は市場の併買情報に基づく商品の機能的カテゴリ情報を利用し、各商品をグルーピングする。
　上述の商品マスタのカテゴリ情報、商品属性カテゴリ情報、および機能的カテゴリ情報は商品情報記憶部５０に予め記憶される。また、店舗の購買情報は購買情報記憶部９０に予め記憶される。また、商品グルーピング部１００５によって生成されたグルーピング結果はグルーピング結果記憶部７０に記憶される。
　なお、店舗の購買情報に基づく機能的カテゴリ情報とは、商品のメーカー等によらず、消費者の購買要因等商品の売数に影響を与え得る、商品の機能に基づいて分類したものである。購買情報から機能的カテゴリ情報を取得する手法としては、消費者の購買決定要因の体系図を構築するＣＤＴ（Category　Decision　Tree）分析のような手法が想定される。クラスタリングする手法はＣＤＴ分析だけに限定されず、消費者の購買決定要因を求めるための手法であれば、あらゆる周知の技術を採用し得る。
　グルーピングを行う手法の一例として、各商品にラベリングされた、商品マスタのカテゴリ情報のシリーズ／ブランド項目、機能的カテゴリ情報を元に、定められた優先度に従って商品群を分割もしくは統合することを考える。商品の属性カテゴリ情報を含む商品マスタの形式の一例を図５に示し、機能的カテゴリ情報の形式の一例を図６に示す。
　商品マスタには、図５に示すように、商品名に対応付けて、サイズ、シリーズ／ブランド、メーカー（製造または販売業者）、規格等の情報が含まれる。また、図６では、チョコレートについて、機能的カテゴリを利用して分類した例を示している。チョコレートの機能的カテゴリの種類としては、例えば「カカオ配合量」、「容量」、「メーカー」等が挙げられ得る。図６では、これらの複数種のカテゴリを、購買決定優先度またはグルーピング優先度が高いものが上位となるように配列した状態を示している。
　図５に示す情報と、図６に示す情報とを併せて、機能的カテゴリ情報、商品マスタのカテゴリ情報の順に分岐、統合するように優先度を定めたとすると、図７に示すように、機能的カテゴリ情報で分けられた商品群をさらに、属性カテゴリ情報で再分割したグルーピング結果が生成される。図７に示す例は一例である。グルーピングの優先順位（どのカテゴリに基づいて優先して分類するか）はユーザにより異なる。そのため、同一種類の商品であっても、グルーピング結果の構造は、ユーザによってあらゆる形を取り得る。なお、グルーピングの優先順位に係る情報は、例えば、棚割条件記憶部３０に記憶される棚割情報の生成に必要な条件に含まれていてもよい。
　棚割商品配置最適化部１００６は、陳列候補商品選定部１００４で得られた陳列候補商品群の中で、売上金額を最大化するために、最適化アルゴリズムＯＡ１を用いて、陳列商品の最終決定と商品配置を行い、棚割情報ｐｔ１と予測売上金額ｅｓ１を出力する。最適化アルゴリズムＯＡ１とは、予測売上金額が最大となるように、陳列商品の決定および配置を行うアルゴリズムであり、例えば、混合整数計画法等の離散変数に係る最適化問題を解くためのアルゴリズムが用いられ得る。
　最適化アルゴリズムＯＡ１の主な入力データとしては、棚割条件（棚割情報の生成に必要な条件）、売数予測結果、商品マスタ、商品グルーピング結果、ＰＴＳ（共通棚割情報）、ＰＯＳデータなどが想定される。棚割商品配置最適化部１００６で使用される、棚割条件、売数予測結果（予測モデルを用いて算出した結果）、商品マスタ、商品グルーピング結果、購買情報は、それぞれ上述したように、棚割条件記憶部３０、学習／推論結果記憶部４０、商品情報記憶部５０、陳列候補商品記憶部６０、グルーピング結果記憶部７０、購買情報記憶部９０に予め記憶される。これらの情報のうち、棚割情報生成装置１０における処理の結果得られる、売数予測結果（予測モデルを用いて算出した結果）および商品グルーピング結果以外の情報は、棚割条件／データ取得部１００１の処理によって各部に記憶される。
　ここでの最適化アルゴリズムＯＡ１に対して入力される入力データとして、上記で列挙した各種の情報の少なくとも一部が用いられる。また、上記で列挙した情報とは異なる情報を組み合わせて入力データを構成してもよい。最適化結果の棚割情報ｐｔ１と予測売上金額ｅｓ１は最適化結果記憶部１００に記憶される。
　最適化アルゴリズムＯＡ１による最適化の手順の一例について説明する。図８は、最適化前の棚割情報であり、陳列候補商品記憶部６０に記憶された陳列候補の商品群を一通り陳列した状態を示す情報である。この棚割情報に対して最適化アルゴリズムＯＡ１を適用することによって、最適化後の棚割情報を生成する。
　例えば、図８に示す棚割情報に基づいて、最適化アルゴリズムＯＡ１に混合整数計画法を採用したとする。このとき、陳列候補商品記憶部６０に記憶された陳列候補の商品群の中で、購買情報記憶部９０から得られる商品ｉの売価をｐｉとし、学習／推論結果記憶部４０から得られる商品ｉの予測売上個数をβｉとすると、売上金額を最大化するための目的関数Ｚは以下の数式（５）のように定式化される。
　また、ゴンドラｏ（台ｏ）の棚ｋで商品ｉが並んでいる個数をＷｉｏｋｆとし、以下の数式（６）に示すゴンドラｏの棚ｋにおいて、カテゴリｍの商品とカテゴリｎの商品との隣接の有無を示す隣接判定をＴｍｎｏｋとする。上記の個数Ｗｉｏｋｆと隣接判定Ｔｍｎｏｋとを求めることにより、売上金額を最大化するゴンドラ内における商品配置を決定することができる。
Figure JPOXMLDOC01-appb-M000005
Figure JPOXMLDOC01-appb-M000006
　ここで、数式（５）におけるγｋは棚ｋの重み付けであり、Ｗｉｏｋｆはゴンドラｏ内の棚ｋにおける商品カテゴリ／又は商品ｉのフェース数を示す。棚ごとに重み付けを行う理由としては、棚位置による売上げは商品毎によって異なるからである。例えば、一般的に商品がもっとも見やすく手に取りやすい高さ８５ｃｍ～１５０ｃｍ程度の棚位置はゴールデンゾーンと言われるのに対して、棚位置が低いものにおいてはチャイルドゾーンと呼ばれる。例えば、お菓子売り場等では、チャイルドゾーンに子供が気を引きやすい商品が配置されるが、一般食品の売り場ではチャイルドゾーンよりもゴールドゾーンのほうが売上に寄与しやすい。このように、商品ごとに、売上に関係する棚位置の高さは異なるためである。
　また、上記の数式（５）で求められる目的関数Ｚは、各商品の１つあたりの売価、フェース数、および、予測された売上個数が掛け合わされたものであり、全ての商品の売上見込み金額を示す。Ｔｍｎｋによる隣接関係の判定は、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又は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。このように、隣接関係の判定は種々の手法を用いることができる。
　また、フェース数Ｗｉｏｋｆが０の場合は商品がカットされることを意味し、ここでの最適化処理は、フェースアップ、フェースダウン、カットなどの売上を考慮した最終的な商品選定機能を備える。
　本実施形態の一例として、例えば、図９に示すような、４本パターンの棚割情報から求められるゴンドラｏ＝１～４を想定する。各ゴンドラは、棚ｋ＝１～５の５段の棚を有するとする。また、陳列候補商品記憶部６０に記憶された陳列候補商品群の中で、商品Ａ～Ｄについてのグルーピング結果が図１０に示されるようになったとする。具体的には、商品Ａおよび商品Ｂがカテゴリｍとして、商品Ｃおよび商品Ｄがカテゴリｎとして、グルーピングされたとする。ここで、最適化処理により、ゴンドラｏ＝１の棚ｋ＝５でカテゴリｍが並んでいる個数Ｗ１５ｍｆについてＷ１５ｍｆ＝２であり、カテゴリｎが並んでいる個数Ｗ１５ｎｆについて、Ｗ１５ｍｆ＝４、カテゴリｍがカテゴリｎの左隣にいるかどうかの判定結果がＴｍｎ５＝１と求められたとする。このとき、ｋ＝５の棚において、カテゴリｍの商品とカテゴリｎの商品とは、図１１に示すように、カテゴリｍが左側にフェース数２で配置され、カテゴリｎが右側にフェース数４で配置されることが決定される。このように、最適化処理によって、各カテゴリの商品をどのように配置するかが決定される。
　また、商品単位でも同様に考えることができる。ここでは、ゴンドラｏ＝１の棚ｋ＝５で商品Ａが並んでいる個数がＷ１５Ａｆ＝１、商品Ｂが並んでいる個数がＷ１５Ｂｆ＝１、商品Ａが商品Ｂの左隣にいるかどうかの判定結果がＴＡＢ５＝１と最適化処理により求められたとする。このとき、カテゴリｍ内における商品の配置は、図１２に示すように決定される。さらに、ゴンドラｏ＝１の棚ｋ＝５で商品Ｃが並んでいる個数がＷ１５Ｃｆ＝１、商品Ｄが並んでいる個数がＷ１５Ｄｆ＝３、商品Ｃが商品Ｄの左隣にいるかどうかの判定結果がＴＣＤ５＝１と最適化処理により求められたとすると、カテゴリｎ内の商品の配置も、図１２に示すように決定される。
　また、例えば、最適化処理において棚割条件記憶部３０に記憶された棚割条件に基づき、最適化処理時に数式（７）、（８）のような制約式を設けることで、ユーザにより商品カテゴリ／又は商品の配置比率を調整することも可能である。
Figure JPOXMLDOC01-appb-M000007
Figure JPOXMLDOC01-appb-M000008
　ここで、ｕｉは棚割条件により与えられる商品／又は商品カテゴリの配置上限数であり、ｌｉは配置下限数である。
　さらに、配置最適化処理によって求められた、数式（５）に示す目的関数Ｚの値は、陳列商品の売価と予測売上個数を考慮したゴンドラ内の売上金額の予測値を示している。そのため、ユーザは生成された棚割情報でどれだけ売上が見込めるかを知ることが可能である。
　上記の実施形態はあくまでも一例であり、ゴンドラ内の商品全体の売上金額を最大化するために商品配置を決定し、売上金額の予測値を出力する手法であれば、入力データの組み合わせおよび制約式を含む最適化アルゴリズムはどのようなものであってもよい。
　根拠情報生成部１００７は、売数予測モデル学習部１００２、売数予測モデル推論部１００３、陳列候補商品選定部１００４、商品グルーピング部１００５、棚割商品配置最適化部１００６の処理結果をまとめ、商品選定の根拠や、生成した棚割における配置の根拠を情報として出力する。根拠情報として、具体的には、例えば、商品選定の根拠情報の場合、店舗／又は市場での売上個数、および売上金額に基づくＡＢＣ分析のランキングと、実際に選定／カットされた商品のリストを出力する。上記の例はあくまでも一例であり、各部の処理根拠をユーザが知るための手法であれば、いかなる手法、技術を利用し得る。
　表示部１００８は、売数予測モデル推論部１００３による売上個数の予測結果、陳列候補商品選定部１００４による陳列候補商品、商品グルーピング部１００５によるグルーピング結果、棚割商品配置最適化部１００６により生成された棚割情報および予測売上金額、根拠情報生成部１００７により生成された根拠情報など各部の処理結果を操作／表示装置２０に表示させる。なお、本実施形態の棚割情報生成装置１０において必須の構成ではない。
　図１３は、生成した棚割に関する情報の表示の例を示す図である。表示部１００８は、棚割商品配置最適化部１００６により生成された棚割情報に基づく予測売上金額、陳列候補商品選定部１００４による重点分析結果を関連付けて、所定の態様で表示させる。図１３に示す例は、操作／表示装置２０の画面等への出力例である。
　図１３に示すように、表示部１００８は、前回の棚割Ｘ１（これまでの棚割情報）と生成した棚割Ｘ２（今回の処理で作成した棚割情報）とを操作／表示装置２０に表示させる。さらに、表示部１００８は、陳列候補商品選定部１００４による重点分析結果ＭＴおよび商品配置の基準に関する情報ＵＩ１を操作／表示装置２０に表示させる。
　情報ＵＩ１は、例えば、フェースの増減、追加／カット商品の選定のための、評価基準Ｄ１や陳列基準Ｄ２、および売上予測結果Ｄ３などの生成した棚割情報の条件等に関する情報である。これらの情報を前回の棚割Ｘ１と生成した棚割Ｘ２に関連付けられている。
　図１３に示す例では、売上予測結果Ｄ３として生成した棚割Ｘ２の売上金額が前回の棚割よりも増加することを示している。また、その際の具体的なフェースアップ／追加商品、フェースダウン商品、カット商品に関する情報が、評価基準Ｄ１、陳列基準Ｄ２と共に、最適化アルゴリズムＯＡ１による最終的な商品選定結果ＭＴとしてユーザに対して提示されている。
　図１４は、生成した棚割に関する情報の表示の他の例を示す図である。表示部１００８は、棚割商品配置最適化部１００６により生成された棚割Ｘ２を操作／表示装置２０に表示させると共に、棚割配置の根拠情報ＵＩ２を関連付けて、操作／表示装置２０に表示させる。
　図１４に示す例では、具体的には、配置された商品をユーザが操作／表示装置２０のカーソルＣでクリックすることを想定している。この場合、ユーザがカーソルＣで特定の商品をクリックすると、選択した商品がどのような情報を根拠に当該位置に配置されたのかをユーザは知ることができる。根拠情報の例としては、商品の売上情報Ｄ４、配置理由Ｄ５、売上の推移Ｄ６などが想定される。
　上記の例はあくまでも一例であり、各部の処理結果をユーザが知るための手法であれば、いかなる手法、結果の組み合わせを採用し得る。
　修正部１００９は、表示部１００８により表示された棚割情報に基づき、ユーザによる配置修正または棚割条件の変更を行う。
　図１５は、生成された棚割情報に対して、ユーザが配置の修正を加える際の画面表示の例を示す図である。表示部１００８は、生成された棚割Ｘ２を操作／表示装置２０に表示させると共に、置き換える商品の情報ＵＩ３を関連付けて、操作／表示装置２０に表示させている。
　図１５に示す例では、具体的には、ユーザが操作／表示装置２０のカーソルＣでクリックすることで、置き換える商品を選択する。このとき、情報ＵＩ３としては、置き換え元の商品情報Ｄ７および置き換え先の商品情報Ｄ８が表示される。ユーザがカーソルＣで選択した商品の置き換えを実行する場合には、例えば、カーソルＣをダブルクリックすること等による指示を行う構成としてもよいし、確定ボタン等が用意されていてもよい。
　なお、商品の置き換えだけでなく、棚割条件そのものを変更し、再度最適化処理を行うことを可能としてもよい。棚割条件自体を変更することをユーザが指示した場合には、上述の棚割条件／データ取得部１００１による処理まで戻り、再度各部の処理を実行する。
　出力部１０１０は、修正部１００９において確定した最終的な棚割情報および、売上予測結果や商品選定結果、グルーピング結果、最適化処理結果などを含む根拠情報を出力する。
　次に、図１６を参照して、棚割情報生成装置１０における棚割情報生成方法について説明する。図１６は、本実施形態の棚割情報生成方法の処理内容を示すフローチャートである。
　ステップＳ０１において、棚割条件／データ取得部１００１は、操作／表示装置２０により入力された棚割条件および必要データを取得する。
　次に、ステップＳ０２において、売数予測モデル学習部１００２は、ステップＳ０１にて取得した購買情報から、売数を予測する機械学習モデルを学習させる。
　次に、ステップＳ０３において、売数予測モデル推論部１００３は、Ｓ０２にて学習した機械学習モデルと購買情報とを用いて、商品の将来の売上個数を予測する。
　次に、ステップＳ０４において、陳列候補商品選定部１００４は、購買情報に基づき、棚割の配置最適化処理に利用する陳列候補商品を選定する。
　次に、ステップＳ０５において、商品グルーピング部１００５は、商品情報から商品カテゴリのグルーピングを行う。
　次に、ステップＳ０６において、棚割商品配置最適化部１００６は、ステップＳ０１により取得した棚割条件および必要データ、ステップＳ０３による売数予測結果、ステップＳ０４による陳列候補商品選定結果、および、ステップＳ０５によるグルーピング結果を用いて、最終的なフェースの増減、追加／カット商品の選定、商品配置の最適化を行い、棚割情報と予測売上金額の情報を生成する。
　ステップＳ０７において、根拠情報生成部１００７は、各部の処理結果をまとめ、棚割がどのように生成されたのかを説明する根拠情報を生成する。
　ステップＳ０８において、表示部１００８は、各処理の結果を操作／表示装置２０に表示させる。
　ステップＳ０９において、修正部１００９は、ステップＳ０８で表示された棚割情報に基づき、ユーザによる商品の配置修正または棚割条件の変更を行う。ここで、修正の必要がない場合（Ｓ０９－ＮＯ）は、ステップＳ１２に進む。一方、修正の必要がある場合はステップＳ１０に進む。
　ステップＳ１０において、修正部１００９は、商品配置修正だけを行う場合（Ｓ１０－ＹＥＳ）には、ステップＳ１１に進み、商品の配置修正を行い、再びステップＳ０８の処理が実行される。一方、商品配置だけでなく、棚割条件の変更またはデータの変更を行う場合（Ｓ１０－ＮＯ）には、ステップＳ０１に戻り、ステップＳ０１～Ｓ０８の処理が繰り返される。
　棚割が確定した（Ｓ０９－ＮＯ）後、ステップＳ１２において、出力部１０１０は、確定した棚割情報および根拠情報を出力する。
　次に、コンピュータを、本実施形態の棚割情報生成装置１０として機能させるための棚割情報生成プログラムについて説明する。図１７は、棚割情報生成プログラムＰ１の構成を示す図である。
　棚割情報生成プログラムＰ１は棚割情報生成装置１０における棚割情報および根拠情報の生成処理を統括的に制御するメインモジュールｍ１０、棚割条件／データ取得モジュールｍ１１、売数予測モデル学習モジュールｍ１２、売数予測モデル推論モジュールｍ１３、陳列候補商品選定モジュールｍ１４、商品グルーピングモジュールｍ１５、棚割商品配置最適化モジュールｍ１６、根拠情報生成モジュールｍ１７、表示モジュールｍ１８、修正モジュールｍ１９、出力モジュールｍ２０を備えて構成される。そして、各モジュールｍ１１～ｍ２０により、棚割情報生成装置１０における棚割条件／データ取得部１００１、売数予測モデル学習部１００２、売数予測モデル推論部１００３、陳列候補商品選定部１００４、商品グルーピング部１００５、棚割商品配置最適化部１００６、根拠情報生成部１００７、表示部１００８、修正部１００９、および出力部１０１０のための各機能が実現される。なお、棚割情報生成プログラムＰ１は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１７に示されるように、記録媒体Ｍ１に記憶される態様であってもよい。
　上記実施形態で説明したように、本実施形態に係る棚割情報生成装置１０は、商品棚における商品配置に関わる棚割情報を生成する棚割情報生成装置であって、棚割情報を生成する対象の商品棚に係る棚割条件を取得する棚割条件取得部としての棚割条件／データ取得部１００１と、商品棚に配置される可能性のある商品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行う売数予測部としての売数予測モデル推論部１００３と、商品棚に配置される可能性のある商品の過去の購買情報に基づいて、商品棚に配置される可能性のある商品から陳列候補の商品を選定する陳列候補商品選定部としての陳列候補商品選定部１００４と、商品棚に配置され得る商品のグルーピングを行うグルーピング部としての商品グルーピング部１００５と、棚割条件、商品棚に配置される可能性のある商品の売数予測結果、陳列候補商品の選定結果、および、グルーピング結果に基づいて、商品棚に配置された商品による予測売上金額が最大となるように棚割情報を生成する棚割決定部としての棚割商品配置最適化部１００６と、を有する。
　上記の棚割情報生成装置によれば、商品棚に配置される可能性のある商品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行った上で、この売数予測にも基づいて、商品棚に配置された商品による予測売上金額が最大となるように棚割情報が生成される。したがって、商品棚に配置された商品の売上向上が見込める棚割情報を生成することが可能となる。
　棚割決定部は、生成された棚割情報に係る予測売上金額を示す売上情報を生成する態様とすることができる。この場合、売上情報についても装置のユーザに対して提示することが可能となる。そのため、ユーザは、生成された棚割情報を採用した場合にどの程度の予測売上金額を把握することが可能となる。
　棚割決定部における棚割情報の生成の根拠に係る情報である根拠情報を生成する根拠情報生成部１００７をさらに有する態様とすることができる。この場合、根拠情報についても装置のユーザに対して提示することが可能となる。そのため、ユーザは、生成された棚割情報がどのような情報を根拠として生成されたものであるかを把握することが可能となる。
　棚割決定部により作成された棚割情報を表示する表示部１００８と、表示部において表示された棚割情報に対するユーザからの指示に基づいて、棚割情報に含まれる商品配置、または、棚割条件の修正処理を行う修正部１００９をさらに有する態様とすることができる。この場合、表示部１００８において表示された情報に基づくユーザからの指示に応じて、棚割決定部で生成された棚割情報を修正することが可能となり、ユーザのニーズに対応した棚割情報を生成することが可能となる。なお、修正部１００９は必須の構成ではない。
　売数予測部において用いられる機械学習モデルを作成するモデル学習部としての売数予測モデル学習部１００２をさらに有する態様とすることができる。この場合、自装置で売数を予測するための機械学習モデルを作成することができる。なお、機械学習モデル自体は棚割情報生成装置１０とは異なる外部の装置で作成されていてもよい。
　棚割決定部は、予測売上金額を最大化するための最適化問題を解くことで棚割情報を生成する態様とすることができる。この場合、予測売上金額を最大化するために適した商品配置が自動的に特定されるため、人間の意志等が反映されていない棚割情報を生成することができる。
　また、本開示の一形態に係る予測モデルＰＭ１は、商品棚における商品配置に関わる棚割情報を生成するように棚割情報生成装置１０において、商品棚に配置される可能性のある商品の過去の購買情報に基づいて商品毎の将来の売数予測を行うよう、コンピュータを機能させるための学習済みの予測モデルであって、特定の商品の過去の特定の期間の売上個数情報に基づく特徴量と、当該期間の次の期間の売上個数情報に基づく特徴量との組み合わせを学習データとして用いた機械学習を実行することによって生成されていてもよい。上記の予測モデルＰＭによれば、過去の特定の期間の売上個数情報に基づく特徴量を入力とした場合に、当該期間の次の期間の売上個数情報に基づく特徴量を出力することが可能となる。この学習データを用いて学習させることによって、売数予測の精度を向上させることが可能となる。
　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開示の趣旨および範囲を逸脱することなく修正およ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。
　例えば、上述のとおり、上記実施形態で説明した棚割情報生成装置１０は種々の変更が可能である。したがって、各部の変更に対応させて、各部の機能を変更してもよい。
（その他）
　上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェアおよびソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（ｂｒｏａｄｃａｓｔｉｎｇ）、通知（ｎｏｔｉｆｙｉｎｇ）、通信（ｃｏｍｍｕｎｉｃａｔｉｎｇ）、転送（ｆｏｒｗａｒｄｉｎｇ）、構成（ｃｏｎｆｉｇｕｒｉｎｇ）、再構成（ｒｅｃｏｎｆｉｇｕｒｉｎｇ）、割り当て（ａｌｌｏｃａｔｉｎｇ、ｍａｐｐｉｎｇ）、割り振り（ａｓｓｉｇｎｉｎｇ）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（ｔｒａｎｓｍｉｔｔｉｎｇ　ｕｎｉｔ）や送信機（ｔｒａｎｓｍｉｔｔｅｒ）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　図１８は、本実施形態に係る棚割情報生成装置１０のハードウェア構成の一例を示す図である。棚割情報生成装置１０は、物理的には、プロセッサＣ１、メモリＣ２、ストレージＣ３、通信装置Ｃ４、入力装置Ｃ５、出力装置Ｃ６、バスＣ７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、「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。棚割情報生成装置１０のハードウェア構成は、図１８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。また、一部の装置を含まずに構成されてもよい。
　棚割情報生成装置１０における各機能は、プロセッサＣ１、メモリＣ２などのハードウェア上に所定のソフトウェアを読み込ませることにより、プロセッサＣ１が演算を行い、通信装置Ｃ４による通信、メモリＣ２、およびストレージＣ３におけるデータの読み出しおよび／又は書き込みを制御することにより実現される。
　プロセッサＣ１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Ｃ１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。また、プロセッサＣ１は、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を含んで構成されてもよい。例えば、図１に示した各機能部（１００１～１０１０）などは、プロセッサＣ１により実現されてもよい。
　また、プロセッサＣ１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Ｃ３および／又は通信装置Ｃ４からメモリＣ２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、棚割情報生成装置１０の各機能部（１００１～１０１０）は、メモリＣ２に格納され、プロセッサＣ１で動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサＣ１で実行される旨を説明してきたが、２以上のプロセッサＣ１により同時又は逐次に実行されてもよい。プロセッサＣ１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Ｃ２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　Ｐｒｏｇｒａ　ｍｍａｂｌｅ　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Ｃ２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Ｃ２は、本開示の一実施の形態に係る棚割情報生成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Ｃ３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（Ｃｏｍｐ　ａｃｔ　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Ｃ３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Ｃ２および／又はストレージＣ３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Ｃ４は、有線および／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Ｃ５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Ｃ６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Ｃ５および出力装置Ｃ６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Ｃ１やメモリＣ２などの各装置は、情報を通信するためのバスＣ７で接続される。バスＣ７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、棚割情報生成装置１０は、マイクロプロセッサ、デジタル信号プロセッサ（Ｄ　ＳＰ：Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）　、　ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）　、　ＰＬＤ（Ｐ　ｒｏｇｒａｍｍａｂｌｅ　　　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Ｃ１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。
　情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。例えば、情報の通知は、物理レイヤシグナリング（例えば、ＤＣＩ（Ｄｏｗｎｌｉｎｋ　Ｃｏｎｔｒｏｌ　Ｉｎｆｏｒｍａｔｉｏｎ）、ＵＣＩ（Ｕｐｌｉｎｋ　Ｃｏｎｔｒｏｌ　Ｉｎｆｏｒｍａｔｉｏｎ））、上位レイヤシグナリング（例えば、ＲＲＣ（Ｒａｄｉｏ　Ｒｅｓｏｕｒｃｅ　Ｃｏｎｔｒｏｌ）シグナリング、ＭＡＣ（Ｍｅｄｉｕｍ　Ａｃｃｅｓｓ　Ｃｏｎｔｒｏｌ）シグナリング、報知情報（ＭＩＢ（Ｍａｓｔｅｒ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｂｌｏｃｋ）、ＳＩＢ（Ｓｙｓｔｅｍ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｂｌｏｃｋ）））、その他の信号又はこれらの組み合わせによって実施されてもよい。また、ＲＲＣシグナリングは、ＲＲＣメッセージと呼ばれてもよく、例えば、ＲＲＣ接続セットアップ（ＲＲＣ　Ｃｏｎｎｅｃｔｉｏｎ　Ｓｅｔｕｐ）メッセージ、ＲＲＣ接続再構成（ＲＲＣ　Ｃｏｎｎｅｃｔｉｏｎ　Ｒｅｃｏｎｆｉｇｕｒａｔｉｏｎ）メッセージなどであってもよい。
　本開示において説明した各態様／実施形態は、ＬＴＥ（Ｌｏｎｇ　Ｔｅｒｍ　Ｅｖｏｌｕｔｉｏｎ）、ＬＴＥ－Ａ（ＬＴＥ－Ａｄｖａｎｃｅｄ）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（４ｔｈ　ｇｅｎｅｒａｔｉｏｎ　ｍｏｂｉｌｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ）、５Ｇ（５ｔｈ　ｇｅｎｅｒａｔｉｏｎ　ｍｏｂｉｌｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ）、６ｔｈ　ｇｅｎｅｒａｔｉｏｎ　ｍｏｂｉｌｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ（６Ｇ）、ｘｔｈ　ｇｅｎｅｒａｔｉｏｎ　ｍｏｂｉｌｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎ　ｓｙｓｔｅｍ（ｘＧ）（ｘＧ（ｘは、例えば整数、小数））、ＦＲＡ（Ｆｕｔｕｒｅ　Ｒａｄｉｏ　Ａｃｃｅｓｓ）、ＮＲ（ｎｅｗ　Ｒａｄｉｏ）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ｕｌｔｒａ　Ｍｏｂｉｌｅ　Ｂｒｏａｄｂａｎｄ）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ｕｌｔｒａ－ＷｉｄｅＢａｎｄ）、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およびこれらに基づいて拡張された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥおよびＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、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、本開示において説明した方法については、例示的な順序を用いて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。
　情報等は、上位レイヤ（又は下位レイヤ）から下位レイヤ（又は上位レイヤ）へ出力され得る。複数のネットワークノードを介して入出力されてもよい。
　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、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。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又は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。
　本開示において説明した各態様／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。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示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。本開示は、請求の範囲の記載により定まる本開示の趣旨および範囲を逸脱することなく修正および変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　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、情報などは、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、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）など）および無線技術（赤外線、マイクロ波など）の少なくとも一方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、これらの有線技術および無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において説明した情報、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、本開示において説明した用語および本開示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。例えば、チャネルおよびシンボルの少なくとも一方は信号（シグナリング）であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア（ＣＣ：Ｃｏｍｐｏｎｅｎｔ　Ｃａｒｒｉｅｒ）は、キャリア周波数、セル、周波数キャリアなどと呼ばれてもよい。
　本開示において使用する「システム」および「ネットワーク」という用語は、互換的に使用される。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。例えば、無線リソースはインデックスによって指示されるものであってもよい。
　上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。様々なチャネルおよび情報要素は、あらゆる好適な名称によって識別できるので、これらの様々なチャネルおよび情報要素に割り当てている様々な名称は、いかなる点においても限定的な名称ではない。
　本開示で使用する「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、判定（ｊｕｄｇｉｎｇ）、計算（ｃａｌｃｕｌａｔｉｎｇ）、算出（ｃｏｍｐｕｔｉｎｇ）、処理（ｐｒｏｃｅｓｓｉｎｇ）、導出（ｄｅｒｉｖｉｎｇ）、調査（ｉｎｖｅｓｔｉｇａｔｉｎｇ）、探索（ｌｏｏｋｉｎｇ　ｕｐ、ｓｅａｒｃｈ、ｉｎｑｕｉｒｙ）（例えば、テーブル、データベース又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。また、「判断（決定）」は、「想定する（ａｓｓｕｍｉｎｇ）」、「期待する（ｅｘｐｅｃｔｉｎｇ）」、「みなす（ｃｏｎｓｉｄｅｒｉｎｇ）」などで読み替えられてもよい。
　「接続された（ｃｏｎｎｅｃｔｅｄ）」、「結合された（ｃｏｕｐｌｅｄ）」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブルおよびプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域および光（可視および不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「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。
　本開示において、「含む（ｉｎｃｌｕｄｅ）」、「含んでいる（ｉｎｃｌｕｄｉｎｇ）」およびそれらの変形が使用されている場合、これらの用語は、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、本開示において使用されている用語「又は（ｏｒ）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのａ，ａｎおよびｔｈｅのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１…棚割情報生成システム、１０…棚割情報生成装置、２０…操作／表示装置、３０…棚割条件記憶部、４０…学習／推論結果記憶部、５０…商品情報記憶部、６０…陳列候補商品記憶部、７０…グルーピング結果記憶部、８０…棚割情報記憶部、９０…購買情報記憶部、１００…最適化結果記憶部、１００１…棚割条件／データ取得部、１００２…売数予測モデル学習部、１００３…売数予測モデル推論部、１００４…陳列候補商品選定部、１００５…商品グルーピング部、１００６…棚割商品配置最適化部、１００７…根拠情報生成部、１００８…表示部、１００９…修正部、１０１０…出力部。

Claims (7)

  1. 　商品棚における商品配置に関わる棚割情報を生成する棚割情報生成装置であって、
    　前記棚割情報を生成する対象の商品棚に係る棚割条件を取得する棚割条件取得部と、
    　前記商品棚に配置される可能性のある商品の過去の購買情報に基づいて作成された機械学習モデルに基づいて商品毎の将来の売数予測を行う売数予測部と、
    　前記商品棚に配置される可能性のある商品の過去の購買情報に基づいて、前記商品棚に配置される可能性のある商品から陳列候補の商品を選定する陳列候補商品選定部と、
    　前記商品棚に配置され得る商品のグルーピングを行うグルーピング部と、
    　前記棚割条件、前記商品棚に配置される可能性のある商品の売数予測結果、前記陳列候補商品の選定結果、および、グルーピング結果に基づいて、前記商品棚に配置された商品による予測売上金額が最大となるように前記棚割情報を生成する棚割決定部と、
    を有する、棚割情報生成装置。
  2. 　前記棚割決定部は、生成された前記棚割情報に係る前記予測売上金額を示す売上情報を生成する、請求項１に記載の棚割情報生成装置。
  3. 　前記棚割決定部における前記棚割情報の生成の根拠に係る情報である根拠情報を生成する根拠情報生成部をさらに有する、請求項１または２に記載の棚割情報生成装置。
  4. 　前記棚割決定部により生成された前記棚割情報を表示する表示部と、
    　前記表示部において表示された前記棚割情報に対するユーザからの指示に基づいて、前記棚割情報に含まれる商品配置、または、前記棚割条件の修正処理を行う修正部をさらに有する、請求項１～３のいずれか一項に記載の棚割情報生成装置。
  5. 　前記売数予測部において用いられる前記機械学習モデルを作成するモデル学習部をさらに有する、請求項１～４のいずれか一項に記載の棚割情報生成装置。
  6. 　前記棚割決定部は、前記予測売上金額を最大化するための最適化問題を解くことで前記棚割情報を生成する、請求項１～５のいずれか一項に記載の棚割情報生成装置。
  7. 　商品棚における商品配置に関わる棚割情報を生成するように棚割情報生成装置において、前記商品棚に配置される可能性のある商品の過去の購買情報に基づいて商品毎の将来の売数予測を行うよう、コンピュータを機能させるための学習済みの予測モデルであって、
    　特定の商品の過去の特定の期間の売上個数情報に基づく特徴量と、当該期間の次の期間の売上個数情報に基づく特徴量との組み合わせを学習データとして用いた機械学習を実行することによって生成された、予測モデル。
PCT/JP2021/030218 2020-08-27 2021-08-18 棚割情報生成装置および予測モデル WO2022044924A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022544501A JP7492587B2 (ja) 2020-08-27 2021-08-18 棚割情報生成装置および予測モデル
US18/042,662 US20230351286A1 (en) 2020-08-27 2021-08-18 Planogram information generation device and prediction model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020143580 2020-08-27
JP2020-143580 2020-08-27

Publications (1)

Publication Number Publication Date
WO2022044924A1 true WO2022044924A1 (ja) 2022-03-03

Family

ID=80355117

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/030218 WO2022044924A1 (ja) 2020-08-27 2021-08-18 棚割情報生成装置および予測モデル

Country Status (3)

Country Link
US (1) US20230351286A1 (ja)
JP (1) JP7492587B2 (ja)
WO (1) WO2022044924A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023201510A1 (zh) * 2022-04-19 2023-10-26 烟台创迹软件有限公司 销售预测方法、销售预测装置及销售预测模型的学习方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230274225A1 (en) * 2022-01-31 2023-08-31 Walmart Apollo, Llc Methods and apparatus for generating planograms

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020102133A (ja) * 2018-12-25 2020-07-02 株式会社日立製作所 データ処理装置及びデータ処理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020102133A (ja) * 2018-12-25 2020-07-02 株式会社日立製作所 データ処理装置及びデータ処理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
10 May 2018 (2018-05-10), Retrieved from the Internet <URL:https://www.itmedia.co.jp/business/articles/1805/10/news002.html>> *
March 2019 (2019-03-01), pages 15, 22, 64, 65,, Retrieved from the Internet <URL:https://www.meti.go.jp/meti_lib/report/H30FY/000528.pdf>> *
PLANET, INC, August 2019 (2019-08-01), Retrieved from the Internet <URL:https://www.planet-van.co.jp/pdf/research/08_optimisation_reserch.pdf>> *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023201510A1 (zh) * 2022-04-19 2023-10-26 烟台创迹软件有限公司 销售预测方法、销售预测装置及销售预测模型的学习方法

Also Published As

Publication number Publication date
JPWO2022044924A1 (ja) 2022-03-03
US20230351286A1 (en) 2023-11-02
JP7492587B2 (ja) 2024-05-29

Similar Documents

Publication Publication Date Title
WO2022044924A1 (ja) 棚割情報生成装置および予測モデル
JP2019075159A (ja) 学習モデル選択システム、学習モデル選択方法およびプログラム
US20160189210A1 (en) System and method for appying data modeling to improve predictive outcomes
US20150066586A1 (en) Evaluation calculating device, evaluation calculating method, and recording medium
JP2015041121A (ja) 販売予測システム及び販売予測方法
WO2021105770A1 (en) Orchestrated intelligent supply chain optimizer
US7797260B2 (en) Automated document classifier tuning including training set adaptive to user browsing behavior
CN105094515A (zh) 商业问题网络化系统和工具
GB2541649A (en) User feedback for machine learning
WO2018079367A1 (ja) 商品需要予測システム、商品需要予測方法および商品需要予測プログラム
CA2910808A1 (en) Systems, devices, and methods for determining an operational health score
CN111435474A (zh) 优化零件提取清单和路线的方法、系统和计算机可读介质
US11301763B2 (en) Prediction model generation system, method, and program
JP2021043477A (ja) 需要予測装置、需要予測方法、及びプログラム
WO2021039797A1 (ja) クリック率予測モデル構築装置
JP7005463B2 (ja) 学習装置、学習方法及びプログラム
US10504254B2 (en) Predictor visualization system, predictor visualization method, and predictor visualization program
JP2020201611A (ja) 計画立案システム及びその方法
JPWO2020085114A1 (ja) 情報処理装置、情報処理方法、および、プログラム
JPWO2020004049A1 (ja) 情報処理装置、情報処理方法、およびプログラム
WO2022009876A1 (ja) レコメンドシステム
JP6403861B1 (ja) 提供プログラム、提供装置、および提供方法
JPWO2016136148A1 (ja) グルーピングシステム、方法、およびプログラム
JP6601820B2 (ja) 提供装置、提供方法、及び提供プログラム
JP7350953B1 (ja) 情報処理装置

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: 21861352

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022544501

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: 21861352

Country of ref document: EP

Kind code of ref document: A1