WO2023032959A1 - 部品事前配備支援システム及び方法 - Google Patents

部品事前配備支援システム及び方法 Download PDF

Info

Publication number
WO2023032959A1
WO2023032959A1 PCT/JP2022/032539 JP2022032539W WO2023032959A1 WO 2023032959 A1 WO2023032959 A1 WO 2023032959A1 JP 2022032539 W JP2022032539 W JP 2022032539W WO 2023032959 A1 WO2023032959 A1 WO 2023032959A1
Authority
WO
WIPO (PCT)
Prior art keywords
order
parts
machine
customer
probability
Prior art date
Application number
PCT/JP2022/032539
Other languages
English (en)
French (fr)
Inventor
廉太郎 二神
益祥 馮
弘樹 高見
啓朗 室
Original Assignee
日立建機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日立建機株式会社 filed Critical 日立建機株式会社
Priority to CN202280018133.4A priority Critical patent/CN116917916A/zh
Priority to KR1020237028635A priority patent/KR20230136632A/ko
Priority to US18/279,452 priority patent/US20240160510A1/en
Publication of WO2023032959A1 publication Critical patent/WO2023032959A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/004—Error avoidance
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0772—Means for error signaling, e.g. using interrupts, exception flags, dedicated error registers
    • 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
    • G06Q10/06—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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a component pre-deployment support system and method.
  • Patent Document 1 detects an abnormality in a machine owned by a customer according to the output of a sensor, and pre-positions parts related to the abnormality at the deployment base.
  • a conventional system determines the name and number of parts that need to be replaced, etc., according to information on anomalies and past actual replacement rates. For this reason, it is possible to avoid a discrepancy between the number of parts actually ordered and the number of parts in stock, resulting in wasted pre-deployment (overstock) or insufficient stock due to lack of pre-deployment. can't Thus, in the conventional system, it was difficult to pre-position parts according to the situation.
  • the present invention provides a component pre-deployment support system and method that enable proper execution of component pre-deployment.
  • a parts advance placement support system has a server, and the server includes a failure prediction unit that predicts a failure of the machine based on machine operation information, and a customer-owned machine.
  • the area/customer characteristic estimating unit for estimating the characteristic of the area where the machine is owned or used or the characteristic of the customer, and the outputs of the failure prediction unit and the area/customer characteristic estimating unit an order probability calculation unit that calculates an order probability, which is the probability of receiving an order for a part related to the machine, based on the above; and a pre-deployment profit/loss calculation unit that calculates based on the
  • a component pre-positioning support system and method that enable proper execution of component pre-positioning.
  • FIG. 1 is a configuration diagram showing the overall configuration of a component pre-arrangement support system according to an embodiment of the present invention
  • FIG. An example of the data configuration of the operating information table 101 will be described.
  • An example of the data configuration of the inventory management table 102 will be described.
  • An example of the data configuration of the order history table 103 will be described.
  • An example of the data configuration of the alarm history table 104 will be described.
  • An example of the data configuration of the regional customer attribute table 301 will be described.
  • An example of the data configuration of the parts allocation cost table 302 will be described.
  • An example of the data configuration of the sales promotion activity cost table 303 will be described.
  • An example of the data configuration of the sales promotion activity history table 304 will be described.
  • FIG. 4 is a table diagram showing a data configuration example of an alarm prediction table 401.
  • FIG. An example of the data configuration of the order prediction table 402 will be described.
  • An example of the data configuration of the sales-promoted order prediction table 403 will be described.
  • An example of the data configuration of the pre-deployment profit/loss table 404 will be described.
  • 4 is a flowchart for explaining a data processing procedure in an order prediction server 200;
  • FIG. 15 is a flow chart illustrating an example of details of step S201 in FIG. 14 (details of data processing procedures in the area/customer characteristic estimation unit 201). It is a flowchart explaining the detail of step S2010 (calculation of the availability of non-genuine parts in an area).
  • step S2010 It is a flowchart explaining the detail of step S2010 (calculation of the availability of non-genuine parts in an area).
  • 4 is a flowchart illustrating an example of a procedure for calculating a numerical value indicating a customer's proactiveness regarding maintenance
  • FIG. 11 is a flowchart illustrating an example of details of a procedure for calculating a busy month
  • FIG. 4 is a flowchart illustrating an example of details of a data processing procedure in an alarm prediction unit 202.
  • FIG. 4 is a flowchart illustrating an example of details of a data processing procedure in an alarm prediction unit 202.
  • FIG. 10 is a flowchart for explaining a specific procedure for calculating order probability;
  • FIG. 10 is a flowchart for explaining a specific procedure for calculating order probability;
  • FIG. 10 is a flowchart for explaining a specific procedure for calculating pre-deployment profit/loss;
  • FIG. 10 is a flowchart for explaining a specific procedure for calculating pre-deployment profit/loss;
  • FIG. 10 is a flowchart for explaining a specific procedure for calculating pre-deployment profit/loss;
  • FIG. An example of the screen of the pre-deployment plan display unit 501 is shown.
  • An example of the screen of the pre-deployment notification display unit 601 will be described.
  • An example of the operation in the pre-deployment plan display unit 501 is shown.
  • An example of the operation of the pre-deployment notification display unit 601 will be described.
  • FIG. 1 is a configuration diagram showing the overall configuration of a component pre-arrangement support system according to an embodiment of the present invention.
  • the example of FIG. 1 describes a system that assists in the pre-deployment of parts for construction equipment. Even if the target machines are machines other than construction machines, the basic system configuration is the same.
  • pre-deployment refers to predicting parts that may be ordered according to information on machine failures, and placing orders at a deployment base near the location of the machine before there is an order from the customer. It is to deliver parts from a distant deployment base or the like.
  • post-deployment means that after receiving an order for parts from a customer, the parts are delivered directly to the nearest deployment base or to the site where the machine operates.
  • the system of the present embodiment is intended to help ensure that parts are properly pre-positioned and that parts are not delivered late, while also helping prevent pre-positioning from increasing financial losses.
  • a deployment site near the location of the machine is called an "agency”
  • a deployment site farther than the agency is called a “distribution center (depot)”.
  • the system of FIG. 1 includes a business data storage unit 100, an order prediction server 200, an order prediction data storage unit 300, and an order prediction result storage unit 400.
  • the order prediction server 200 has a role of calculating the probability of receiving an order for a construction machine part and calculating the profit/loss (pre-arrangement profit/loss) when the parts are pre-arranged.
  • the order prediction server 200 calculates the order probability and pre-arrangement profit/loss according to the various business data stored in the business data storage unit 100 and the order prediction data stored in the order prediction data storage unit 300 .
  • the order prediction server 200 is connected via the network 1 to an agency terminal 500 operated by an agency that brokers parts, and a customer terminal 600 operated by a customer who owns and uses construction machinery.
  • the business data storage unit 100 is a storage unit (database) that stores business data (operation information, parts inventory management, parts order history, failure alarm history, etc.) related to construction machines owned and used by customers. be. Although illustration is omitted, various sensors are attached to the body of the construction machine owned and used by the customer, and information regarding the operation status of the construction machine is obtained from the sensors. The obtained information about the operating status is periodically transmitted to and stored in the business data storage unit 100 via the network by wireless communication.
  • business data operation information, parts inventory management, parts order history, failure alarm history, etc.
  • the order probability calculated by the order prediction server 200 and the pre-deployment profit/loss are transmitted to the order prediction result storage unit 400 and stored. It is determined whether or not parts are to be pre-arranged according to the calculated order probability and pre-arrangement profit/loss.
  • the determination result is displayed on the prior deployment notification display section 601 of the customer terminal 600 according to the request from the customer terminal 600 .
  • a pre-deployment plan created according to the calculated order probability and pre-deployment profit/loss is transmitted to the agency terminal 500 and displayed on the pre-deployment plan display section 501 .
  • the business data storage unit 100 includes, for example, an operation information table 101, an inventory management table 102, an order history table 103, and an alarm history table 104.
  • the operation information table 101 is a table that stores information (operation information) regarding the operation status of each construction machine
  • the inventory management table 102 stores information regarding inventory management of parts at each agency (placement base).
  • the order history table 103 is a table that stores information on the history of parts orders received from customers (order history).
  • the alarm history table 104 is a table that stores information on the history of failure alerts issued from construction machines (an alarm history).
  • the order prediction server 200 includes, for example, a region/customer characteristics estimation unit 201, an alarm prediction unit 202, an order probability calculation unit 203, and a pre-arrangement profit/loss calculation unit 204.
  • the area/customer characteristic estimation unit 201 has a role of estimating the characteristic of the area where the customer owns and uses the machine and the characteristic of the customer. The estimation is performed according to various data provided from the order forecast data storage unit 300 .
  • the alarm prediction unit 202 has a role of predicting that an alert indicating a failure in each construction machine will be issued according to various information.
  • the alarm prediction unit 202 is one form of a failure prediction unit that predicts a failure of the construction machine based on the operation information of the machine.
  • the order probability calculation unit 203 has a role of calculating the order probability of a certain part according to the outputs from the area/customer characteristics estimation unit 201 and the alarm prediction unit 202 . Also, the pre-deployment profit/loss calculation unit 204 has a role of calculating the profit/loss when the part is pre-deployed.
  • the order prediction data storage unit 300 includes, for example, a regional customer attribute table 301, a parts allocation cost table 302, a sales promotion activity cost table 303, and a sales promotion activity history table 304. and the pre-deployment profit/loss calculation in the pre-deployment profit/loss calculation unit 204 is stored (stored).
  • the regional customer attribute table 301 stores data indicating attributes of customers belonging to a certain region.
  • the part allocation cost table 302 stores data indicating the allocation cost for each part.
  • the promotional activity cost table 303 stores data relating to costs incurred in relation to certain sales promotional activities (hereinafter abbreviated as "promotional activities").
  • the sales promotion activity history table stores data relating to the history of sales promotion activities that have been performed. These data are supplied to the region/customer characteristic estimating unit 201 described above, and are used for estimating regional characteristics and customer characteristics.
  • the order prediction result storage unit 400 includes, as an example, an alert prediction table 401, an order prediction table 402, an order prediction table with sales promotion 403, and a pre-deployment profit/loss table 404.
  • the alarm prediction table 401 is a table that stores data relating to failure alarms (issues) issued from each construction machine.
  • the order prediction table 402 is a table that stores the probability of receiving an order for parts of each construction machine and other prediction data regarding the order.
  • the order prediction table with sales promotion 403 is a table that stores the probability of receiving an order for parts and other prediction data related to an order when a sales promotion is performed.
  • the pre-deployment profit/loss table 404 is a table that stores data relating to the pre-deployment profit/loss calculated by the pre-deployment profit/loss calculation unit 204 .
  • business data storage unit 100, the order prediction server 200, the order prediction data storage unit 300, and the order prediction result storage unit 400 may each be configured independently as hardware such as a storage device or a server device. data server.
  • the operating information table 101 stores, as an example of data items, an aircraft ID 1010, an operating day 1011, an operating time 1012, a battery SOH (State of Health) 1013, a minimum engine intake temperature 1014, and a maximum engine exhaust temperature 1015.
  • one row of data represents the operating status data (operating time, battery SOH, minimum engine intake temperature, maximum engine exhaust temperature, etc.) of a certain construction machine (machine ID) on a certain operating day.
  • the battery SOH indicates the soundness of the battery, and indicates the degree to which normal operation can be performed while avoiding failure or functional deterioration.
  • Battery SOH, engine intake air temperature, and the like can be measured by various sensors arranged on the construction machine.
  • the battery SOH, the engine intake air temperature, and the like are numerical values that affect the timing of issuing a warning in the construction machine.
  • the data items shown in FIG. 2 are examples, and needless to say, the data items are not limited to these.
  • the inventory management table 102 includes agency code 1020, part ID 1021, quantity 1022, sales price 1023, and gross profit rate 1024 as an example of data items. It represents the inventory status of parts (inventory quantity, sales price, gross profit rate, etc.).
  • the order history table 103 includes an order ID 1030, a device ID 1031, a part ID 1032, a part name 1033, a quantity 1034, and an order date 1035 as an example of data items.
  • the order ID 1030 is a symbol for identifying each order
  • the machine body ID 1031 is a symbol for identifying a construction machine
  • the part ID 1032 is a symbol for identifying a part.
  • One line of data indicates data (various IDs) of an order received for one part of a certain construction machine together with the name of the part, the number of parts, the date of order received, and the like. It should be noted that there are cases where a plurality of parts are ordered in one order. Data for the order ID 1030 is generated. That is, the order ID 1030 is given for each combination of the device ID 1031 and the part ID 1032 .
  • the alarm history table 104 includes, for example, machine ID 1040, alarm ID 1041, and alarm date 1042 as data items.
  • One row of data indicates which construction machine issued the alarm and when.
  • the local customer attribute table 301 includes, for example, machine ID 3010, application start date 3011, application end date 3012, country code 3013, agency code 3014, area code 3015, customer code 3016, availability of non-genuine parts 3017, proactiveness regarding maintenance. 3018, including Busy Month 3019.
  • One row of data indicates the country/region to which the construction machine with the machine body ID 3010 belongs and the characteristics of the customer during the period from the application start date 3011 to the application end date 3012 .
  • the application start date 3011 and application end date 3012 indicate the period (start date, end date) to which one row of data is applied. Construction machinery may change its place of operation or owner due to the movement of the machinery or the transfer of the machinery to others (trading, lending, leasing, etc.). 3011 and application end date 3012 can be included in the data item to specify the application period.
  • the application start date 3011 and application end date 3012 are examples, and can be omitted.
  • the customer ID is stored in the customer code 3016
  • the area classification of the customer's location is stored in the area code 3015
  • the country classification is stored in the country code 3013
  • the agency code is stored in the agency code 3014.
  • non-genuine parts 3017 is a numerical value that indicates the availability of non-genuine parts (non-genuine products) that are substitutes for parts that are expected to require replacement. Whether or not non-genuine parts are available depends on the region and the management policy of the customer company. There is.
  • the aggressiveness 3018 regarding maintenance is an index indicating the degree to which the customer is actively working on the maintenance work of the construction machine. The higher the numerical value of the aggressiveness 3018 regarding maintenance, the higher the probability of receiving orders for parts when a problem occurs with the construction machine.
  • the busy month 3019 indicates the numerical value of the month indicating the busy period of the business of the customer company.
  • the data of non-genuine parts availability 3017, aggressiveness regarding maintenance 3018, and busy month 3019 are values estimated by the area/customer characteristic estimation unit 201 and stored.
  • the parts allocation cost table 302 includes, for example, a part ID 3020, an agency code 3021, a depot code 3022, standard delivery days 3023, standard express delivery days 3024, delivery costs 3025, express delivery costs 3026, inventory costs/day 3027, and failure losses/day 3028. , including expected disposal costs 3029 .
  • One line of data is the cost (delivery cost, express delivery cost, inventory cost) when a part with a certain part ID 3020 is pre-arranged or post-arranged from a distribution base (depot) with a certain depot code 3022 to an agency with an agency code 3021. / day, failure loss / day, expected disposal cost, etc.).
  • the inventory cost/day 3027 indicates the inventory management cost per day for storing parts at the agency.
  • the failure loss/day 3028 indicates the expected amount (per day) of future decrease in sales due to the loss of customer confidence due to the failure of the machine.
  • the expected disposal cost 3029 indicates the expected value of the disposal cost when the prearranged parts are lost/damaged or returned to the depot with a predetermined probability.
  • the combination of various cost data is arbitrary, and it is possible to add cost items other than those illustrated in FIG. 7, and it is also possible to delete some of the illustrated items. It is also possible to change the definition of a data item. It is also possible to model delivery costs so that they change with time. Further, instead of storing the cost per part, a fixed cost may be applied uniformly to all parts, or the cost may be allocated to each part at a predetermined percentage of a given cost.
  • the sales promotion activity cost table 303 includes a sales promotion activity ID 3030, a sales promotion activity name 3031, a sales promotion cost 3032, and an execution upper limit/customer 3033 as an example of data items.
  • One row of data indicates the cost (3032) for carrying out a certain promotion and the upper limit (3033) of the number of promotions for the same customer per month.
  • Promotional costs 3032 and performance limits/customers 3033 may vary depending on the type and price of the part being promoted.
  • the sales promotion name 3031 in the case of a sales promotion that requires customer approval for execution, the name of the sales promotion given with (approved) and the name of the sales promotion not given with (approved) are stored. and (Approved) has not been granted, conduct a promotional inquiry to the customer.
  • This sales promotion activity history table 304 includes failure prediction ID 3040, sales promotion activity ID 3041, customer ID 3042, and sales promotion date 3043 as an example of data items.
  • One row of data corresponds to the failure prediction ID 3040 as a result of predicting the occurrence of a failure alarm in a certain construction machine, and the sales promotion activities (target customers, sales promotion execution date, etc.).
  • a plurality of sales promotion activity IDs 3041 and sales promotion execution dates 3043 may be stored for one failure prediction ID 3040 .
  • the data in the row where the sales promotion activity ID 3041 is 0 indicates the history of pre-deployment rather than the sales promotion activity.
  • the alarm prediction table 401 includes, as an example of data items, a device ID 4010, an alarm ID 4011, a predicted date 4012, a failure prediction ID 4013, and an alarm probability 4014.
  • Data in one row indicates the probability that an alarm with a certain alarm ID 4011 will be issued in a construction machine with a certain machine body ID 4010 within several days of a certain prediction date (4012).
  • the alarm probability 4014 stores the result of processing by the alarm prediction unit 202 .
  • the failure prediction ID 4013 is a unique ID of prediction related to the aircraft/alarm/prediction date.
  • the order prediction table 402 includes, as an example of data items, a failure prediction ID 4020, a prediction date 4021, a device ID 4022, an alarm ID 4023, a part ID 4024, an order probability 4025, a genuine purchase probability 4026, a part replacement probability 4027, an alarm probability 4028, and an alarm probability 4028.
  • 4029 forecast limit days.
  • One line of data is a part ID (part ID ( 4024), and its order probability (4025).
  • the order probability 4025 indicates the probability that the agency will finally receive the parts order according to various probabilities 4026 to 4028 .
  • the order prediction table with sales promotion 403 includes failure prediction ID 4030, sales promotion activity ID 4031, order probability with sales promotion 4032, and genuine purchase probability with sales promotion 4033 as an example of data items.
  • One line of data is the probability (4033) that a genuine part will be purchased as a countermeasure against failure when the sales promotion activity of the sales promotion activity ID 4031 is performed for each failure prediction ID 4030, and the probability that the part will be finally ordered.
  • a promotional order probability (4032) is shown.
  • Data in one row of the pre-deployment profit/loss table 404 is the number of days required for pre-deploying parts from a depot with a certain depot code 4042 to an agency with an agency code 4041 for a certain failure prediction ID 4040.
  • the number of days 4044, the order probability 4045, which is the probability that the countermeasure component will be ordered, and the expected profit 4046, which is the expected profit obtained as a result of the pre-deployment as compared with the post-deployment, are shown.
  • the order probability 4045 and the expected profit 4046 in the case of performing a sales promotion with each failure prediction ID 4040 are stored in the same row as the sales promotion activity ID 4043 of the corresponding sales promotion activity.
  • the order prediction server 200 performs data processing with the area/customer characteristic estimation unit 201 and the alarm prediction unit 202 according to the data acquired from the business data storage unit 100 and the order prediction data storage unit 300, The result is input to the order probability calculation unit 203 and predetermined data processing is executed. The result of the data processing is input to the pre-arrangement profit/loss calculating unit 204 , the pre-arrangement profit/loss is calculated, and the result of the calculation is stored in the order prediction result storage unit 400 .
  • the order prediction server 200 acquires various data from the business data storage unit 100 and the order prediction data storage unit 300, and according to the acquired data, the region/customer property estimation unit 201 estimates and estimates data related to the characteristics of the region and the customer.
  • the obtained characteristic data is stored in the regional customer attribute table 301 (step S201).
  • the prediction of the warning for each construction machine is performed by the warning prediction section 202, and the result is stored in the warning prediction table 401 (step S202).
  • the order probability calculation unit 203 calculates the order probability, which is the probability of receiving an order for a part, and the probability of an order with a sales promotion in the case where a sales promotion is carried out, according to the obtained data on the characteristics of the region/customer and the forecasted data to be issued. Calculate (step S203).
  • the calculated order probability and order probability with sales promotion are stored in the order prediction table 402 and the order prediction with sales promotion table 403, respectively.
  • the pre-arrangement profit/loss calculation unit 204 calculates the pre-arrangement profit/loss related to parts based on the calculated order probability and order probability with sales promotion, taking into account the data of the parts allocation cost table 302 and the sales promotion activity cost table 303. and stores the result in the pre-deployment profit/loss table 404 (step S204).
  • the data processing shown in FIG. 14 in the order prediction server 200 is executed by batch processing, for example, once a day.
  • step S201 of FIG. 14 An example of the details of step S201 of FIG. 14 (details of the data processing procedure in the area/customer characteristic estimation unit 201) will be described with reference to the flowchart of FIG.
  • the area/customer characteristic estimation unit 201 first extracts operation information, order history information, and notification history from the operation information table 101, the order history table 103, and the notification history table 104 of the business data storage unit 100. Information and the like are acquired, and based on the acquired data, a process of numerically estimating data relating to the characteristics of the region and the customer that influences the probability of receiving an order for maintenance parts for construction machinery is executed.
  • Data on characteristics are not limited to specific ones, but for example, data showing the availability of non-genuine parts in the region, data on the customer's proactiveness regarding maintenance, data on whether it is a busy month, and data on the customer's financial strength. These are included in the data items of the regional customer attribute table 301 .
  • the region/customer characteristic estimation unit 201 receives the data of the operation information table 101, the alarm history table 104, and the order history table 103 from the business data storage unit 100 (step S2009).
  • the region/customer characteristics estimation unit 201 calculates the availability of non-genuine parts based on the data acquired from each table (step S2010). Then, based on the data acquired from each table, aggressiveness regarding maintenance is calculated (step S2011). Finally, the busiest month is calculated based on the data acquired from each table (step S2012).
  • FIG. 15 shows an example of the procedure when the area/customer characteristic information can be calculated more precisely by calculating the above three types of data. Also, the order of data acquisition in steps S2010 to S2012 is not limited to the order shown in FIG. For example, “busy month” may be obtained first, then “positivity regarding maintenance”, and finally “availability of non-genuine parts” may be obtained.
  • step S2010 (calculation of the availability of non-genuine parts in an area) will be described with reference to the flowcharts of FIGS. 16A and 16B.
  • the area/customer characteristic estimation unit 201 acquires the area customer attribute table 301 (step S3010), acquires one unprocessed area code from the area customer attribute table 301 (step S3011), and further One unprocessed device ID 3010 is obtained (step S3012).
  • the history of the failure alarm of the construction machine related to the acquired machine body ID 3010 is acquired from the warning history table 104 (step S3013), and the history of part orders of the construction machine related to the acquired machine body ID 3010 is received. Acquired from the history table 103 (step S3014). Then, referring to the notification date 1042 and machine ID 1040 in the acquired notification history table 104, within a certain number of days after the notification date 1042, regarding the construction machine with the machine ID 1031, within a certain period (for example, the latest It is determined by referring to the order history table 103 whether or not there is an order for parts in a month).
  • step S3015 the data of the report date 1042 is acquired (step S3015), and the operation information table 101 is referenced to calculate the average operating time of the construction machine with the machine ID 1010 (step S3015). S3016). Then, whether the value of the operating time 1011 of the operating information table 101 has decreased by a certain value or by a certain percentage or more compared to the average value within a certain period (for example, the most recent month) after the alarm issuance date. It is determined whether or not (step S3017). If the determination is affirmative (yes), the process moves to step S3018, and if the determination is negative (no), the process moves to step S3019.
  • step S3018 1 is added to the number of times data N assuming that a decrease in the operating time of the construction machine is recognized (step S3018). If the determination in step S3017 is no, step S3018 is skipped. The above steps S3012 to S3018 are repeated until the processing is completed for all device codes (step S3019). When the processing for all machine codes is completed in step S3019 (yes), the average value of the number of times N of reductions in the operating time of the construction machine is calculated for each machine code for which the processing is completed (step S3020).
  • step S3021 The above steps S3012 to S3020 are repeated until the processing is completed for all area codes (step S3021).
  • step S3021 yes
  • the average value of the number of times N of decreases in operating time of the construction machine is calculated for each area code, and the obtained value is used as non-genuine parts acquisition in the area customer attribute table 301.
  • This is stored in the property 3017 (step S3022). This completes the procedure for calculating numerical values regarding the availability of non-genuine parts.
  • the area/customer characteristic estimation unit 201 acquires the area customer attribute table 301 (step S4010), and acquires one unprocessed customer code from the area customer attribute table 301. (Step S4011). Then, the device ID 3010 corresponding to the acquired customer code is acquired from the regional customer attribute table 301 (step S4012). Furthermore, the value of the battery SOH (1013) for the acquired device ID 3010 is acquired from the operation information table 101 (step S4013).
  • the region/customer characteristic estimation unit 201 acquires the data of the order date (1035) of the order data for which the part name (1033) is "battery" for the device ID 3010 acquired in step S4012 from the order history table 103. (Step S4014). Then, the average value of the battery SOH on the order date of the battery is calculated (step S4015). In addition, the average order frequency for battery parts in one year is calculated (step S4016). The annual average order frequency of battery components can be calculated, for example, according to the number of updates per year of order history data indicating that an order for battery components has been received. Also, when the value of the battery SOH 1013 in the operation information table 101 recovers from a certain low value to a value close to 100%, it can be considered that a new order for battery parts has been received.
  • step S4017 the calculated average value of battery SOH is multiplied by the average value of order frequency (step S4017), and the average value is calculated for each customer code 3016 for the multiplication result.
  • This calculated value is stored in the aggressiveness 3018 regarding maintenance of the regional customer attribute table 301 (step S4018). Then, the processing of steps S4011 to S4018 is repeated until all customer codes are completed (step S4019).
  • the customer's busy month can be calculated by referring to the data of the operating time 1012 of the operating information table 101, for example.
  • one unprocessed customer code is obtained from the regional customer attribute table 301 (step S4031).
  • data of operating time corresponding to the acquired customer code is acquired from the operating information table 101 (step S4032).
  • the data of the operating hours 1012 of all construction machines for each customer code 3016 is obtained from the operating information table 101, and using a known method, the fluctuation of this operating time is calculated as one year.
  • the period is decomposed into a seasonal component, a random component, and a trend component (step S4033).
  • the third quartile is calculated for the seasonal component of the operating hours of each day (step S4034).
  • step S4035 After acquiring the seasonal component of the operating hours for each day that has been decomposed in a certain data-unprocessed month (step S4035), the average value of the seasonal component is equal to or greater than the third quartile calculated in step S4034. It is determined whether or not (step S4036). If the determination is affirmative (yes), it can be stored in the busy month 3019 of the regional customer attribute table 301 as the customer's busy month (step S4037). The above procedure is repeated until this data processing is executed for all months and all customer codes (steps S4038 and S4039).
  • the alarm prediction unit 202 acquires the operation information table 101 and the alarm history table 104 (step S4040). acquires one alarm ID of the failure alarm (step S4041). Then, the date of issue (1042) when the alarm acquired by each machine ID is issued is acquired from the alarm history table 104, and the line related to the date of issue of the construction machine is acquired from the operation information table 101 (step S4043). .
  • step S4044 the row related to the acquired report date is assumed to be the data in the state where the failure occurred, and the row related to the day when the alarm is not issued is assumed to be the data in the normal state where the failure has not occurred. and learned as a discriminant model (step S4044). Then, from the operation information table 101, the data of the row whose operating day is the current day is acquired (step S4045), and one data of the row containing the unprocessed device ID is acquired from the acquired row data (step S4046). Then, using the discriminant model learned in step S4044, the probability that the acquired row data is data in the state where a failure has occurred is calculated, and this probability is set as the alarm probability (step S4047).
  • a unique failure prediction ID is numbered and stored in the alarm prediction table 401 (step S4048). Then, the acquired device ID, the acquired alarm ID, the date of the day, and the calculated alarm probability are stored in the row storing the failure prediction ID (step S4049). The above steps S4046 to S4049 are repeated until all device IDs are completed (step S4050).
  • the alarm probability indicates the probability that the failure alarm for each alarm ID 4011 will be issued within several days for each device ID 4010 in the alarm prediction table 401 .
  • a known change point detection method such as the Change Finder method can be used.
  • the measurement data of the operation information table 101 on the day when an alarm was issued by a certain machine is assumed to be abnormal data, and the operation data of a period in which an alarm is not issued, such as one month before and after, is assumed to be normal data.
  • a method of learning using a model and predicting the probability that the operation data is abnormal using the model as the alarm probability can also be adopted.
  • the alarm probability calculator 203 When calculating the alarm probability, how many days before the failure alarm issuance date can the alarm be predicted with a certain percentage (for example, 90% or more)? It is necessary to evaluate whether or not predictions that are above a threshold (for example, 50%) can be obtained for a certain percentage or more of predictions. Also, in all the predictions from the date of issuance to several days before the issuance of the alarm, the longest number of days for which the alarm can be predicted at a certain rate or more (for example, 90% or more) is calculated as the alarm prediction limit number of days 4029 .
  • the forecasted alert limit days 4029 calculated here are stored in the alert forecast limit days 4029 of the order forecast table 402 of the order forecast result storage part 400 as a result of processing by the order probability calculator 203 .
  • Step S4051 the alarm forecasting unit 202 acquires the data of the alarm issue date from the alarm issue history table 104 for each device ID, and acquires the rows related to the days of a certain period before the alarm issue date from the operation information table 101.
  • step S4051 the data of the lines after n days before the date of issue of the obtained line data related to the day of the fixed period is obtained.
  • the identification model is applied to the acquired row data from n days ago and later, and it is determined whether or not the row data is determined to be failure data. Then, the ratio of the data in the row judged to be failure data out of the data in the row after n days ago is calculated (step S4054).
  • step S4055 It is determined whether or not the ratio calculated in step S4054 is equal to or less than the threshold (step S4055). If the ratio is equal to or less than the threshold (yes), the warning prediction limit number of days is set using the current variable n (step S4056). On the other hand, if the ratio is greater than the threshold (no), 1 is added to the variable n (step S4057), and steps S4053 to S4057 are executed again. The above steps S4053 to S4057 are repeated until all device IDs are completed (step S4058).
  • the order probability calculation unit 203 refers to the processing results of the area/customer characteristics estimation unit 201, the processing results of the alarm prediction unit 202, and the data in each table of the business data storage unit 100, and determines the number of parts in a certain construction machine. , the probability that the order will occur within the forecasted limit number of days for notification.
  • the procedure for calculating the order probability is basically as follows. (1) Calculate the alarm probability (that is, the probability that a failure will occur) obtained by the alarm prediction unit 202 . (2) Calculate the probability that the customer will replace the countermeasure parts without leaving the alarm unattended. (3) Calculate the probability that the genuine part will be selected and replaced instead of the non-genuine part, and use this probability as the order probability.
  • the order probability calculation unit 203 acquires the alarm prediction table 401, the order history table 103, and the local customer attribute table 301 (step S4060).
  • step S4061 using the data obtained from these tables, statistical model parameters for calculating the order probability are calculated by a known method. Furthermore, using the data obtained from these tables, statistical model parameters for calculating the probability of receiving orders with sales promotion are calculated by a known method (step S4062).
  • one unprocessed device ID is acquired from the order prediction table 402 (step S4063), one unprocessed alarm ID is acquired (step S4064), and an unprocessed component ID is acquired. (Step S4065). Then, for the acquired device ID, the probability that the alarm of the acquired alarm ID will issue within a predetermined period is acquired from the alarm prediction table 401 (step S4067). Next, from the regional customer attribute table 301, the country code (3013), the availability of non-genuine parts (3017), the willingness to maintain maintenance (3018), and the busy month (3019) are obtained from the acquired aircraft ID (step S4068). Then, the order probability of the part having the part ID acquired in relation to the machine ID acquired is calculated and stored in the order prediction table 402 (step S4069).
  • step S4070 the sales promotion activity cost table 303 is obtained, and one unprocessed sales promotion activity ID is obtained (step S4070). Subsequently, based on this sales promotion activity ID, the probability of receiving an order with sales promotion for the part associated with the device ID and the part ID acquired in steps S4063 and S4065 is calculated and stored in the order prediction table 402 (step S4071). This step S4071 is repeated for all promotional activity IDs (step S4072). Then, the processing of steps S4067-4071 is repeated until the combination of all sales promotion activity IDs, all part IDs, all alarm IDs, and all machine IDs is completed (steps S4072-4075).
  • the order probability calculation in step S4069 can be calculated by Bayesian estimation as described below.
  • Logit alpha a_0 + a_1*imitation + a_2*country
  • O_i,j is represented by a Bernoulli distribution whose parameters are the probability P_i,j that the customer will replace the part and the probability alpha that the genuine part will be purchased as the part j.
  • the probability P_i,j that the customer will replace the part is determined by the alarm probability A_i of the alarm i obtained by the alarm prediction unit 202 and the parts replacement according to the alarm. It can be represented by a Bernoulli distribution with the probability beta as a parameter.
  • the probability beta of replacing a part in response to an alarm is expressed as a covariate with the logit of the probability beta, the aggressiveness 3018 (hozen) regarding maintenance of the target customer, and 1 when the forecast date is a busy month, not a busy month It can be calculated as a linear sum using the parameter delta and the parameter b_m.
  • the above statistical model can be implemented using a known probabilistic programming language such as Stan.
  • the posterior distribution of parameters is the presence or absence of orders for part j in the order history table 103 within a certain number of days after the alarm i in the alarm history table 104 is issued, and the number of days before the alarm i is issued. It can be obtained by using a known method such as the MCMC algorithm, using the alarm probability A_i at the time of alarm prediction as data. For this posterior distribution, different parameters may be obtained for each alarm i or part j.
  • the posterior distribution of the obtained parameters is used to find the distribution of the order probability, and the average value is used as the order probability, which is stored in the order probability 4025 of the order prediction table 402 of the order prediction result storage unit 400 .
  • the probability alpha of purchasing a genuine part is set to the genuine purchase probability 4026 of the order prediction table 402
  • the probability beta that the customer will replace the part in response to the alarm is set to the parts replacement probability 4027
  • the alarm issuance probability A_i is set.
  • Each can be stored in the alarm probability 4028 .
  • step S4071 the calculation of the order probability with sales promotion in step S4071 can be performed as in [Equation 2] below.
  • Equation 2 is a statistical model that expresses the probability O_i, j, k that an alarm i is issued and an order for a part j is received when a sales promotion activity k is performed.
  • probability alpha_k of purchasing a genuine part non-genuine parts availability 3017 (imitation) and country code 3013 (country) are set as covariates for the logit of the probability alpha_k, as shown in the second equation of [Equation 2].
  • the influence c_k on the purchase of parts for each promotional activity k is added. This c_k may be calculated for each customer or region, or may be multiplied by the aggressiveness 3018 regarding maintenance of the target customer. Alternatively, when performing a plurality of sales promotion activities k, the corresponding c_k may be multiplied/added.
  • the prior distribution of the parameter c_k is assumed to be a normal distribution with a mean of 0 and a variance of 1000.
  • the posterior distribution of the parameters is obtained by referring to the data similar to the calculation of the probability of receiving an order when no sales promotion is performed and the history of the execution of an order from the sales promotion activity history table 304, and using a known method such as the MCMC algorithm. can be obtained by
  • the order probability in the case of performing sales promotion activity k is obtained by obtaining the distribution of the order probability using the posterior distribution of the obtained parameters, taking the average value as the order probability, and storing the order prediction with sales promotion table 403 of the order prediction result storage unit 400 It can be stored in the promotional order probability 4032 . Also, the probability that a customer will purchase a genuine part when a sales promotion is performed can be stored in the genuine purchase probability with sales promotion 4033 of the order prediction table with sales promotion 403 .
  • the pre-arrangement profit/loss calculation unit 204 refers to the data of the order prediction table 402, the order prediction table with sales promotion 403, the parts allocation cost table 302, and the sales promotion activity history table 304, and predicts the profit/loss due to pre-positioning.
  • Pre-deployment profit and loss may include pre-deployment profit and loss without a promotion and pre-deployment profit and loss with a promotion. It is preferable to predict both the former and the latter, but it is also possible to predict only one.
  • the pre-deployment profit/loss calculation unit 204 acquires the data of the order prediction table 402, the order prediction table with sales promotion 403, the parts deployment cost table 302, and the sales promotion activity history table 304 (step S4081).
  • the pre-arrangement profit/loss calculation unit 204 acquires one item of data in a row containing an unprocessed failure prediction ID from the data in the order prediction table 402 (step S4082). Then, one unprocessed depot code related to the component ID in the acquired row data is acquired from the component allocation cost table 302 (step S4083), and similarly, an unprocessed depot code related to the component ID in the acquired row data is One agency code for the process is obtained from the parts allocation cost table 302 (step S4084). Then, the expected profit in the case of pre-deployment of parts to the depot corresponding to the acquired depot code and agency code is calculated, and this calculated value is stored in the pre-deployment profit/loss table 404 (step S4085). The procedure of steps S4083 to S4085 is repeated for all unprocessed combinations of agency codes and depot IDs (steps S4086 and S4087).
  • step S4087 When the processing of S4087 is completed (yes), next, the data of the row in which the failure prediction ID obtained in step S4082 is stored in the order prediction table with sales promotion 403 is obtained (step S4088). Then, the unprocessed sales promotion activity ID data is acquired from the data of the acquired row (step S4089). Then, the customer code 3016 of the customer who owns the construction machine related to the acquired failure prediction ID 4030 is acquired from the local customer attribute table 301 (step S4090).
  • the number of times the customer with the acquired customer code 3016 has implemented the sales promotion activity with the acquired sales promotion activity ID within a predetermined period (for example, within the current month) is calculated from the sales promotion activity history table 304 (step S4091).
  • the sales promotion activity cost table 303 is referred to, and one sales promotion activity ID for which the calculated number of implementations of the sales promotion activity does not exceed the execution upper limit/customer 3033 in the same table 303 is obtained (step S4092).
  • one unprocessed row of the order forecast table with sales promotion 403 related to the acquired failure prediction ID and sales promotion activity ID is acquired (step S4093).
  • step S4094 one unprocessed depot code related to the part ID in the unprocessed row data is obtained from the parts allocation cost table 302 (step S4094), One agency code for the process is obtained from the parts allocation cost table 302 (step S4095). Then, the expected profit is calculated when the sales promotion activity of the acquired sales promotion activity ID is performed at the depot corresponding to the acquired depot code and agency code, and the parts are pre-arranged. (step S4096). This procedure of steps S4088-S4096 is repeated until all unprocessed agency code and depot ID combinations have been processed and all promotion activity IDs have been processed or exceed the implementation limit/customer value. (Steps S4097, S4098, S4099). If all of steps S4097, S4098, and S4099 are determined to be yes, it is determined whether or not all failure prediction IDs have been processed (S4100). is repeated, and if yes, all processing ends.
  • the expected profit from pre-deployment that is, the difference in profit and loss between pre-deployment and post-deployment, is calculated using the following formula.
  • the information of the agency in charge of the construction machine to be predicted is obtained from the agency code 3021 of the parts deployment cost table 302 . Then, in the parts allocation cost table 302, the cost of the row where the part ID 3020 of the part to be pre-allocated matches the agency code 3021 is referred to.
  • Profit and loss when an order is received after pre-allocation of the above formula is obtained by multiplying the gross profit by multiplying the sales price 1023 of the inventory management table 102 by the gross profit rate 1024, and the parts delivery cost 3025 of the parts allocation cost table 302. It can be calculated by subtracting the daily inventory cost 3027 and the daily failure loss 3028 .
  • the number of days required for delivery shall be the standard number of delivery days 3023, and the number of days to be multiplied by the inventory cost and failure loss shall be the number of days required for delivery minus the number of days required for notification prediction limit number 4029 (however, 0 days if less than 0) ).
  • the profit and loss when there is no order after the pre-deployment of the above formula is obtained by removing the gross profit and the failure loss from the profit and loss when the above-mentioned pre-deployment is performed and the order is received, and subtracting the expected disposal cost of 3029.
  • it can be calculated by changing the number of days to be multiplied by the inventory cost to the standard number of days to keep the inventory. A value such as 30 days, for example, can be used as the standard number of days.
  • the profit and loss when an order is received after the post-distribution of the above formula is obtained from the gross profit obtained by multiplying the sales price 1023 of the inventory management table 102 by the gross profit rate 1024, and the parts express delivery cost 3026 of the parts allocation cost table 302. It can be calculated by subtracting the daily inventory cost 3027 and the daily failure loss 3028 .
  • the number of days required for delivery shall be 3024 standard express delivery days, and the number of days to be multiplied by the inventory cost and failure loss shall be the absolute value of the number of days required for delivery minus the forecast limit number of days for notification.
  • the expected profits of pre-deployment are calculated for the number of combinations of the agency code 3021 and the depot code 3022 of the parts allocation cost table 302 and stored in the expected profit 4046 of the pre-deployment profit/loss table 404 . It also calculates the expected profit of pre-deployment if the promotion is done. Specifically, the order probability of the above formula is replaced with the order probability with sales promotion 4032 of the order prediction with sales promotion table 403, and the profit and loss in the case where there is no order due to pre-deployment is used to calculate the sales promotion cost 3032 of the sales promotion cost table 303. Calculate by subtracting.
  • the sales promotion activity history table 304 is referred to, and the number of implementations of each sales promotion activity ID 3030 in the current month is calculated. Do not calculate the expected benefit of pre-deployment if The expected profit of the pre-deployment when the sales promotion activity is performed calculated by the above processing is stored in the expected profit 4046 in the same row as the sales promotion activity ID 4043 of the performed sales promotion activity in the pre-deployment profit/loss table 404 .
  • the pre-deployment plan for parts including the profit and loss due to pre-deployment calculated as described above, is displayed on the pre-deployment plan display section 501 of the agency terminal 500 .
  • FIG. 22 shows an example of this pre-deployment plan display section 501 .
  • the pre-deployment plan display unit 501 acquires the data of the order forecast result storage unit 400 through the network 1 and causes the order forecast data storage unit 300 to store the processing result.
  • the processing of the pre-deployment plan display unit 501 is sequentially executed each time the user operates the pre-deployment plan display unit 501 .
  • a user belonging to an agency can input an agency code 5001, a machine body ID 5002 of a construction machine under the jurisdiction of the agency, and an expected date 5003, which is the date of failure prediction. configured as possible.
  • the agency terminal 500 refers to the order prediction table 402 and extracts from the order prediction table 402 the data in the row containing the machine ID 4022 and the prediction date 4021 that match the input information. Then, an alarm ID 4023 (anticipated alarm), an alarm probability 4028, a part ID 4024 (anticipated part order), and an order probability 4025 are displayed as a table in the forecast information display section 5010 (the content of the order forecast table 402 is displayed as a table). indicate).
  • the order probability breakdown display section 5020, the pre-arranged profit display section 5030, The display of the pre-deployment content display section 5040 is updated.
  • the order probability breakdown display section 5020 is configured to display an alarm probability 4028, a part replacement probability 4027, a genuine purchase probability 4026, and an order probability 4025. These numerical values can be displayed, for example, by bar graphs. The numerical value to be displayed is specified by referring to one row of the order prediction table 402 that has the same failure prediction ID as the selected row of the prediction information display section 5010 .
  • the pre-deployed profit display section 5030 displays, as an example, an expected profit 5031, a promotional activity 5032, and an expected profit with promotion 5033.
  • the agency terminal 500 refers to the pre-deployment profit/loss table 404 and acquires the data of the selected row of the prediction information display section 5010 and the row whose failure prediction ID matches. Then, an expected profit 5031, a sales promotion activity 5032, and an expected profit with sales promotion 5033 are displayed according to the data in that row. If no sales promotion ID 4043 is stored in the acquired line data, the pre-deployment profit display section 5030 is left blank.
  • the agency user can also select the sales promotion activity ID to be applied through the operation of the sales promotion activity selection section 5032 .
  • a sales promotion activity ID is selected in the sales promotion activity selection section 5032
  • row data whose sales promotion activity ID matches the row data being selected in the forecast information display section 5010 is selected in the pre-deployment profit/loss table 404, and the selected The display of expected profit 5031 and expected profit with promotion 5033 is also updated according to the row data.
  • the pre-deployment content display section 5040 displays information on the part selected in the forecast information display section 5010, the content of the sales promotion activity selected in the sales promotion activity selection section 5032, and information on the expected profit and loss that matches it. .
  • the quantity of parts is, for example, an estimated value based on the quantity data of the order history table 103.
  • the median value is calculated for each part ID 1032 and displayed in the pre-arrangement content display section 5040 .
  • this pre-deployment content display section 5040 also displays data related to time reduction by pre-deployment.
  • the row data selected by the agent user in the prediction information display section 5010 and the row data whose failure prediction ID 4040 matches is referred to on the pre-deployment profit/loss table 404, and the agent code 4041 and the depot code included in the selected row data are obtained.
  • 4042 is further extracted from the parts deployment cost table 302 .
  • Standard express delivery days 3024 and alarm prediction limit days 4029 are extracted from the data of the extracted rows in the parts allocation cost table 302, and the number of days is calculated by subtracting the standard delivery days 3023 from the sum of both. The calculated number of days is displayed in the pre-deployment content display section 5040 as the number of days of time reduction.
  • the pre-deployment content confirmation button 5041 is pressed.
  • the sales promotion activity ID 3041 and failure prediction ID 3040 of the sales promotion activity selected by the agency user in the sales promotion activity selection section 5032 are stored in the sales promotion activity history table 304 . Note that even if no sales promotion activity is selected, the sales promotion activity history table 304 stores a row in which the sales promotion activity ID 3041 is 0 (blank) as a history of pre-deployment. However, as the sales promotion date 3043, the expected date 5003 input by the agency user is stored.
  • the advance notification display unit 601 is provided in the customer terminal 600 and acquires the data of the order forecast data storage unit 300 and the order forecast result storage unit 400 through the network 1 .
  • Data processing in the pre-deployment notification display unit 601 is sequentially executed each time the user operates the pre-deployment notification display unit 601 .
  • the pre-deployment notification display section 601 includes a display area for a predicted failure machine display section 6010 and a machine status display section 6020 .
  • the pre-deployment notification display unit 601 refers to the alarm prediction table 401 and identifies construction machines whose alarm probability 4014 is a certain value such as 0.5.
  • the list is displayed on the failure-predicted aircraft display section 6010 .
  • the predicted failure machine display section 6010 displays a machine ID indicating information specifying a construction machine, identification information of an alarm scheduled to be issued in association with the machine, and a predicted failure date.
  • the order of display can be arbitrarily set, and may be displayed in the order of the most recent expected failure date, or may be displayed in the order according to the urgency of handling the failure.
  • the user who owns the construction machine can select any one of the construction machines displayed in the failure-probable machine display section 6010 .
  • the display contents of the aircraft status display section 6020 and the pre-deployment progress display section 6030 are updated.
  • the aircraft state display section 6020 displays the probability of issuing an alarm for a certain construction machine, and the part code and price of countermeasure parts when an alarm is issued and a failure occurs, in association with each other.
  • the display may be based only on information at the time of operation, but is not limited to that, and may include future predictions. For example, since the price itself can fluctuate depending on the inventory status of parts, etc., the current price and the expected price when the probability of an alarm is raised can be displayed together. The period setting can be arbitrarily changed to one week later, two weeks later, or the like. In addition to countermeasure parts and prices, information on stock status may be simply displayed using notations such as "high", "low", and "only a few remaining".
  • Notification contents are not limited to text format, and may be notified in graph format. By doing so, it becomes possible to respond quickly according to the urgency of the failure response and the needs of the customer. These displays are made based on the alarm probability 4028 and part ID 4024 of the order prediction table 402 . Also, in the sales promotion activity history display section 6021, the progress of sales promotion activities (contacts, proposals, etc.) is displayed. When requesting parts from nearby stores that can handle parts, map information of candidate stores may be displayed.
  • a sales promotion activity approval button 6022 is displayed.
  • the sales promotion activity approval button 6022 When the user agrees to the proposal of the sales promotion activity, the user presses the sales promotion activity approval button 6022 to approve the execution of the sales promotion activity.
  • the sales promotion activity approval button 6022 When the sales promotion activity approval button 6022 is pressed, the (approved) sales promotion activity is added to the sales promotion activity history table 304 .
  • the machine status display unit 6020 acquires the sales promotion activity executed in relation to the failure prediction ID 4020 in the data of the selected row of the order prediction table 402 from the sales promotion activity history table 304, and obtains the sales promotion activity as a history of the sales promotion activity. It is displayed on the history display section 6021 .
  • the pre-deployment progress display unit 6030 acquires rows in the sales promotion activity history table 304 in which the sales promotion activity ID 3041 is 0 (indicating that the sales promotion activity is not being performed), and the aircraft status display unit 6020 indicates that the aircraft is being delivered. Shows when the parts of the However, the shipping start date is the sales promotion execution date 3043 of the sales promotion activity history table 304, and the expected arrival date is a value obtained by adding the standard delivery days 3023 of the parts allocation cost table 302 to the sales promotion execution date 3043. 24 and 25 show a bird's-eye view of the above-described operation procedure in the pre-deployment plan display section 501 and the pre-deployment notification display section 601. FIG.
  • the region/customer characteristics estimating unit estimates the region/customer characteristics of the machine, and the failure prediction unit and the region/customer characteristics estimation unit Based on the output, an order probability, which is the probability of receiving an order for parts related to the machine, is calculated. Since the probability of receiving an order is predicted by taking into account the characteristics of the region and customers, the number of parts actually ordered can be matched to the actual demand, and overstock and understock can be suppressed. can.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • the above-described embodiments have been described in detail in order to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the configurations described.
  • part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of one embodiment.
  • Network 100 Business data storage unit 101 Operation information table 102 Inventory management table 103 Order history table 104 Alert history table 200 Order prediction server 201 Region/customer characteristic estimation unit 202 Alert prediction unit 203 Order probability calculation unit 204 Pre-arrangement profit/loss calculation unit 300 Order forecast data storage unit 301 Local customer attribute table 302 Parts allocation cost table 303 Sales promotion activity cost table 304 Sales promotion activity history table 400 Order forecast result storage unit 401... Alert forecast table 402... Order forecast table 403... Order forecast table with sales promotion 404... Pre-deployment profit/loss table 500... Agency terminal 501... Pre-deployment plan display section 600... Customer terminal 601... Pre-deployment notification display section

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Emergency Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

部品の事前配備を適正に実行する。この部品事前配備支援システムは、サーバを有し、そのサーバは、機械の稼働情報に基づいて前記機械の故障を予測する故障予測部と、顧客が保有または利用する機械に関するデータに基づき、前記機械を保有又は利用する地域の特性、又は顧客の特性を推定する地域／顧客特性推定部と、前記故障予測部及び前記地域／顧客特性推定部の出力に基づき、前記機械に係る部品を受注する確率である受注確率を算出する受注確率算出部と、前記部品を、前記機械の所在地の近隣の拠点に事前配備した場合の損益を、前記受注確率に基づいて算出する事前配備損益算出部とを備える。

Description

部品事前配備支援システム及び方法
　本発明は、部品事前配備支援システム及び方法に関する。
　製造装置や建設機械などの機械においては、各種部品が消耗や劣化により交換や補充が必要になることがある。機械の生産性の向上のため、機械が停止又は機能低下するよりも前に（事前に）そのような部品をユーザに向けて供給することが望まれており、そのための部品事前配備支援システムが、例えば特許文献１等により知られている。
　特許文献１のシステムは、顧客が保有する機械の異常をセンサの出力に従って検知し、その異常に関連する部品を配備拠点に事前に配備するようにされている。しかし、このような従来のシステムは、異常の情報と、過去の実際の交換率に従って、交換等が必要となる部品名と部品数を判定するものである。このため、実際に発注される部品の数と部品の在庫数との間に乖離が生じ、事前配備が無駄になったり（在庫過剰）、事前配備が間に合わず在庫不足に陥ったりすることが避けられない。このように、従来のシステムでは、状況に応じた部品の事前配備が困難であった。
特開２００６－３３２４９号公報
　本発明は、部品の事前配備を適正に実行することを可能にした部品事前配備支援システム及び方法を提供するものである。
　上記の課題を解決するため、本発明に係る部品事前配備支援システムは、サーバを有し、前記サーバは、機械の稼働情報に基づいて前記機械の故障を予測する故障予測部と、顧客が保有または利用する前記機械に関するデータに基づき、前記機械を保有または利用する地域の特性、又は顧客の特性を推定する地域／顧客特性推定部と、前記故障予測部及び前記地域／顧客特性推定部の出力に基づき、前記機械に係る部品を受注する確率である受注確率を算出する受注確率算出部と、前記部品を、前記機械の所在地の近隣の拠点に事前配備した場合の損益を、前記受注確率に基づいて算出する事前配備損益算出部とを備える。
　本発明によれば、部品の事前配備を適正に実行することを可能にした部品事前配備支援システム及び方法を提供するものである。
本発明の実施の形態に係る部品事前配備支援システムの全体構成を示す構成図である。 稼働情報テーブル１０１のデータ構成の一例を説明する。 在庫管理テーブル１０２のデータ構成の一例を説明する。 受注履歴テーブル１０３のデータ構成の一例を説明する。 発報履歴テーブル１０４のデータ構成の一例を説明する。 地域顧客属性テーブル３０１のデータ構成の一例を説明する。 部品配備費用テーブル３０２のデータ構成の一例を説明する。 販促活動コストテーブル３０３のデータ構成の一例を説明する。 販促活動履歴テーブル３０４のデータ構成の一例を説明する。 発報予測テーブル４０１のデータ構成例を示す表図である。 受注予測テーブル４０２のデータ構成の一例を説明する。 販促付き受注予測テーブル４０３のデータ構成の一例を説明する。 事前配備損益テーブル４０４のデータ構成の一例を説明する。 受注予測サーバ２００でのデータ処理の手順を説明するフローチャートである。 図１４のステップＳ２０１の詳細（地域・顧客特性推定部２０１でのデータ処理の手順の詳細）の一例を説明するフローチャートである。 ステップＳ２０１０（地域における非純正部品の入手性の良さの算出）の詳細を説明するフローチャートである。 ステップＳ２０１０（地域における非純正部品の入手性の良さの算出）の詳細を説明するフローチャートである。 顧客における保全に関する積極性を示す数値の算出の手順の一例を説明するフローチャートである。 煩忙月の算出の手順の詳細の一例を説明するフローチャートである。 発報予測部２０２でのデータ処理の手順の詳細の一例を説明するフローチャートである。 発報予測部２０２でのデータ処理の手順の詳細の一例を説明するフローチャートである。 受注確率の算出の具体的な手順を説明するフローチャートである。 受注確率の算出の具体的な手順を説明するフローチャートである。 事前配備損益の算出の具体的な手順を説明するフローチャートである。 事前配備損益の算出の具体的な手順を説明するフローチャートである。 事前配備損益の算出の具体的な手順を説明するフローチャートである。 事前配備計画表示部５０１の画面の一例を示している。 事前配備通知表示部６０１の画面の一例を説明する。 事前配備計画表示部５０１での動作の一例を示している。 事前配備通知表示部６０１での動作の一例を説明する。
　以下、添付図面を参照して本実施形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示される場合もある。なお、添付図面は本開示の原理に則った実施形態と実装例を示しているが、これらは本開示の理解のためのものであり、決して本開示を限定的に解釈するために用いられるものではない。本明細書の記述は典型的な例示に過ぎず、本開示の特許請求の範囲又は適用例を如何なる意味においても限定するものではない。
　本実施形態では、当業者が本開示を実施するのに十分詳細にその説明がなされているが、他の実装・形態も可能で、本開示の技術的思想の範囲と精神を逸脱することなく構成・構造の変更や多様な要素の置き換えが可能であることを理解する必要がある。従って、以降の記述をこれに限定して解釈してはならない。
　図１は、本発明の実施の形態に係る部品事前配備支援システムの全体構成を示す構成図である。図１の例では、建設機械の部品の事前配備を支援するシステムを説明する。対象となる機械が建設機械以外の機械とされる場合であっても、基本的なシステムの構成は同一である。
　本明細書において「事前配備」とは、機械の故障の情報に従い、受注の可能性がある部品を予測して、顧客からの注文があるよりも前の段階で、機械の所在地近隣の配備拠点に遠方の配備拠点等から部品を配送することである。一方、「事後配備」とは、顧客から部品の注文を受けた後に、最寄りの配備拠点又は機械が稼働する現場に直接部品を配送することである。本実施の形態のシステムは、部品の事前配備が適正に行われ、部品の遅配が生じないようにする一方、事前配備による金銭的な損失が増大しないよう支援することを意図している。また、本明細書においては、機械の所在地の近隣の配備拠点を「代理店」と称しており、代理店よりも遠方の配備拠点を「物流拠点（デポ）」と称している。
　図１のシステムは、業務データ記憶部１００と、受注予測サーバ２００と、受注予測データ記憶部３００と、受注予測結果記憶部４００とを含む。受注予測サーバ２００は、本システムにおいて、建設機械の部品の受注確率を算出すると共に、部品の事前配備を行った場合における損益（事前配備損益）を算出する役割を有する。受注予測サーバ２００は、業務データ記憶部１００に記憶される各種業務データ、及び受注予測データ記憶部３００に記憶される受注予測データに従い、受注確率及び事前配備損益を算出する。受注予測サーバ２００は、ネットワーク１を介して、部品の取次を行う代理店により操作される代理店端末５００、及び建設機械を保有し利用する顧客により操作される顧客端末６００と接続される。
　業務データ記憶部１００は、顧客が保有し利用する建設機械に関する業務データ（稼働情報、部品の在庫管理、部品の受注履歴、故障アラームの発報の履歴など）を記憶する記憶部（データベース）である。なお、図示は省略するが、顧客が保有し利用する建設機械の機体には、各種センサが取り付けられており、建設機械の稼働状況に関する情報がセンサから得られる。得られた稼働状況に関する情報は、無線通信によってネットワークを介して定期的に業務データ記憶部１００に送信され、記憶される。
　受注予測サーバ２００において算出された受注確率、及び事前配備損益は、受注予測結果記憶部４００に送信され、格納される。算出された受注確率、及び事前配備損益に従い、部品の事前配備がなされるか否かが判定される。その判定結果は、顧客端末６００からの要求に従い、顧客端末６００の事前配備通知表示部６０１に表示される。また、算出された受注確率及び事前配備損益に従って作成された事前配備計画は、代理店端末５００に送信され、事前配備計画表示部５０１に表示される。
　業務データ記憶部１００は、一例として、稼働情報テーブル１０１、在庫管理テーブル１０２、受注履歴テーブル１０３、及び発報履歴テーブル１０４を備える。稼働情報テーブル１０１は、建設機械の各々の稼働状況に関する情報（稼働情報）を格納するテーブルであり、在庫管理テーブル１０２は、代理店（配備拠点）の各々における部品の在庫管理に関する情報を格納するテーブルである。また、受注履歴テーブル１０３は、顧客から部品の受注を受けた履歴（受注履歴）に関する情報を格納するテーブルである。また、発報履歴テーブル１０４は、建設機械から発せられた故障アラートの履歴（発報履歴）に関する情報を格納するテーブルである。
　受注予測サーバ２００は、一例として地域・顧客特性推定部２０１と、発報予測部２０２と、受注確率算出部２０３と、事前配備損益算出部２０４とを備える。地域・顧客特性推定部２０１は、顧客が機械を保有し利用する地域の特性や、その顧客の特性を推定する役割を有する。推定は、受注予測データ記憶部３００から提供される各種データに従って行われる。発報予測部２０２は、各種情報に従って、各建設機械における故障を示すアラートが発せられることを予測する役割を有する。発報予測部２０２は、機械の稼働情報に基づいて建設機械の故障を予測する故障予測部の一形態である。受注確率算出部２０３は、地域・顧客特性推定部２０１、及び発報予測部２０２からの出力に従い、ある部品の受注確率を算出する役割を有する。また、事前配備損益算出部２０４は、その部品を事前配備した場合における損益を算出する役割を有する。
　受注予測データ記憶部３００は、一例として、地域顧客属性テーブル３０１と、部品配備費用テーブル３０２と、販促活動コストテーブル３０３と、販促活動履歴テーブル３０４とを備え、受注確率算出部２０３での受注確率の算出、及び事前配備損益算出部２０４での事前配備損益の算出に用いられる受注予測データを記憶（格納）する。地域顧客属性テーブル３０１は、ある地域に属する顧客の属性を示すデータを格納する。また、部品配備費用テーブル３０２は、各部品についての配備費用を示すデータを格納する。販促活動コストテーブル３０３は、ある販売促進活動(以下「販促活動」と略す)に関して生じるコストに関するデータを格納する。また、販促活動履歴テーブルは、実行された販促活動の履歴に関するデータを格納する。これらのデータは、上述の地域・顧客特性推定部２０１に供給され、地域の特性、及び顧客の特性の推定に用いられる。
　受注予測結果記憶部４００は、一例として、発報予測テーブル４０１、受注予測テーブル４０２、販促付き受注予測テーブル４０３、及び事前配備損益テーブル４０４を備える。発報予測テーブル４０１は、各建設機械から発せられた故障アラーム（発報）に関するデータを格納するテーブルである。また、受注予測テーブル４０２は、各建設機械の部品の受注確率や、その他受注に関する予測データを格納するテーブルである。また、販促付き受注予測テーブル４０３は、販促活動が行われた場合における、部品の受注確率や、その他受注に関する予測データを格納するテーブルである。また、事前配備損益テーブル４０４は、事前配備損益算出部２０４で算出された事前配備損益に関するデータを格納するテーブルである。
　なお、業務データ記憶部１００、受注予測サーバ２００、受注予測データ記憶部３００、受注予測結果記憶部４００はそれぞれ記憶装置やサーバ装置などのハードウエアとして独立に構成されていてもよいが、単一のデータサーバにより実現されてもよい。
　図２を参照して、稼働情報テーブル１０１のデータ構成の一例を説明する。稼働情報テーブル１０１は、データ項目の一例として、機体ＩＤ１０１０、稼働日１０１１、稼働時間１０１２、バッテリーＳＯＨ（State of Health）１０１３、エンジン吸気温度最低値１０１４、エンジン排気温度最高値１０１５を記憶しており、１行のデータが、ある建設機械（機体ＩＤ）の、ある稼働日における稼働状態のデータ（稼働時間、バッテリーＳＯＨ、エンジン吸気温度の最低値、エンジン排気温度の最高値等）を表している。バッテリーＳＯＨは、バッテリーの健全性を示しており、故障や機能低下を避けて通常動作が行うことができる度合を示している。バッテリーＳＯＨやエンジン吸気温度等は、建設機械に配置された各種のセンサにより計測することができる。バッテリーＳＯＨやエンジン吸気温度等は、その建設機械における発報のタイミングに影響を与える数値である。図２に示すデータ項目は一例であり、これに限定されるものではないことは言うまでもない。
　図３を参照して、在庫管理テーブル１０２のデータ構成の一例を説明する。在庫管理テーブル１０２は、データ項目の一例として、代理店コード１０２０、部品ＩＤ１０２１、個数１０２２、販売価格１０２３、粗利率１０２４を含み、１行のデータが、ある代理店（代理店コード）における、ある部品の在庫状況（在庫の個数、販売価格、粗利率等）を表している。
　図４を参照して、受注履歴テーブル１０３のデータ構成の一例を説明する。受注履歴テーブル１０３は、データ項目の一例として、受注ＩＤ１０３０、機体ＩＤ１０３１、部品ＩＤ１０３２、部品名１０３３、個数１０３４、受注日１０３５を含む。受注ＩＤ１０３０は個々の受注を識別する記号であり、機体ＩＤ１０３１は建設機械を識別する記号であり、部品ＩＤ１０３２は部品を識別する記号である。１行のデータは、ある建設機械における一の部品の受注のデータ（各種ＩＤ）を、部品名、個数、受注日などと共に示している。なお、１回の受注において、複数の部品を受注することがあるが、その場合には、複数の部品に対し同一の受注ＩＤ１０３０が与えられ、受注履歴テーブル１０３においては、複数行に亘り同一の受注ＩＤ１０３０のデータが生成される。すなわち、受注ＩＤ１０３０は、機体ＩＤ１０３１と部品ＩＤ１０３２の組み合わせ毎に付与される。
　図５を参照して、発報履歴テーブル１０４のデータ構成の一例を説明する。発報履歴テーブル１０４は、一例として、データ項目として、機体ＩＤ１０４０、アラームＩＤ１０４１、発報日１０４２を含む。１行のデータは、どの建設機械が、いつアラームの発報を行ったのかを示している。
　図６を参照して、地域顧客属性テーブル３０１のデータ構成の一例を説明する。地域顧客属性テーブル３０１は、一例として、機体ＩＤ３０１０、適用開始日３０１１、適用終了日３０１２、国コード３０１３、代理店コード３０１４、地域コード３０１５、顧客コード３０１６、非純正部品入手性３０１７、保全に関する積極性３０１８、煩忙月３０１９を含む。１行のデータは、適用開始日３０１１から適用終了日３０１２までの期間内において、ある機体ＩＤ３０１０の建設機械が所属している国・地域や顧客の特性を示している。
　適用開始日３０１１及び適用終了日３０１２は、１行のデータが適用される期間（開始日、終了日）を示している。建設機械は、機械の移動や他人への譲渡（売買、貸出、リース等）により、その稼働地や所有者が変更されることがあり、このため、地域顧客属性テーブル３０１においても、適用開始日３０１１及び適用終了日３０１２をデータ項目に含め、適用期間を指定することが可能である。適用開始日３０１１及び適用終了日３０１２は一例であり、省略することも可能である。顧客のＩＤは顧客コード３０１６に、顧客の所在地の地域分類は地域コード３０１５に、所在国の分類は国コード３０１３に、代理店のコードは代理店コード３０１４に格納される。
　非純正部品入手性３０１７は、交換が必要と予測される部品の代替品である非純正部品（非正規品）の入手可能性を示す数値である。非純正品が入手可能か否かは、その地域によって、また顧客企業の経営方針等によって異なることから、非純正部品の入手可能性を数値で表すことで、地域や顧客の属性を表現しているものである。また、保全に関する積極性３０１８は、その顧客が建設機械の保全業務に積極的に取り組んでいる度合を示す指標である。保全に関する積極性３０１８の数値が高いほど、建設機械に問題が生じた場合において部品の受注確率が高くなる。煩忙月３０１９は、顧客企業の業務の煩忙期を示す月の数値を示す。非純正部品入手性３０１７、保全に関する積極性３０１８、及び煩忙月３０１９のデータは、地域・顧客特性推定部２０１にて推定されて格納される値である。
　図７を参照して、部品配備費用テーブル３０２のデータ構成の一例を説明する。部品配備費用テーブル３０２は、一例として、部品ＩＤ３０２０、代理店コード３０２１、デポコード３０２２、標準配送日数３０２３、標準速達日数３０２４、配送費３０２５、速達費３０２６、在庫費／日３０２７、故障損失／日３０２８、期待処分費３０２９を含む。１行のデータは、ある部品ＩＤ３０２０の部品を、あるデポコード３０２２の物流拠点（デポ）からある代理店コード３０２１の代理店へ事前配備又は事後配備した場合における費用（配送費、速達費、在庫費／日、故障損失／日、期待処分費等）を示している。在庫費／日３０２７は、代理店で部品を保管するための1日当たりの在庫管理費用を示す。また、故障損失／日３０２８は、機械が故障したことに起因する顧客の信頼度の低下による、将来の販売額の減少の予想額（１日当たり）を示す。
　また、期待処分費３０２９は、事前配備した部品が所定の確率で紛失・破損したり、デポへ返品されたりした場合における処分費の期待値を示している。各種費用のデータの組合せは任意であり、図７に例示した以外の費用の項目を追加することも可能であり、図示した項目の一部を削除することも可能である。データ項目の定義を変更することも可能である。また、配送費が時期によって変動する費用となるよう、モデル化することも可能である。更に、部品ごとの費用を格納するのではなく、全部品に一律に固定の費用を適用してもよいし、ある費用に対する所定の割合で各部品に費用を配分してもよい。
　図８を参照して、販促活動コストテーブル３０３のデータ構成の一例を説明する。販促活動コストテーブル３０３は、データ項目の一例として、販促活動ＩＤ３０３０、販促活動名３０３１、販促費用３０３２、実施上限／顧客３０３３を含む。１行のデータは、ある販促活動を実施する際の費用（３０３２）と、1か月当たり同一顧客への販促実施回数の上限（３０３３）を示している。販促費用３０３２、及び実施上限/顧客３０３３は、販促対象の部品の種類や価格などによって変動してもよい。また、販促活動名３０３１には、実行に顧客の承認が必要な販促活動の場合、（承認済み）が付与された販促活動名と、（承認済み）が付与されていない販促活動名が格納されており、（承認済み）が付与されていない場合には、販促活動の伺いを顧客に対し実行する。
　図９を参照して、販促活動履歴テーブル３０４のデータ構成の一例を説明する。この販促活動履歴テーブル３０４は、データ項目の一例として、故障予知ＩＤ３０４０、販促活動ＩＤ３０４１、顧客ＩＤ３０４２、及び販促実行日３０４３を含む。１行のデータは、ある建設機械において故障アラームの発報を予想した結果としての故障予知ＩＤ３０４０に対応し、その故障の対策部品を事前配備する際に実施した販促活動(対象の顧客、販促実行日等)を示している。１つの故障予知ＩＤ３０４０に対して複数の販促活動ＩＤ３０４１及び販促実行日３０４３が格納されることもある。また、販促活動ＩＤ３０４１が０である行のデータは、販促活動ではなく事前配備を行った履歴を示す。
　図１０を参照して、発報予測テーブル４０１のデータ構成の一例を説明する。発報予測テーブル４０１は、データ項目の一例として、機体ＩＤ４０１０、アラームＩＤ４０１１、予測日４０１２、故障予知ＩＤ４０１３、及び発報確率４０１４を備えている。１行のデータは、ある予測日（４０１２）の数日以内に、ある機体ＩＤ４０１０の建設機械において、あるアラームＩＤ４０１１のアラームが発報する確率を示している。発報確率４０１４は、発報予測部２０２の処理の結果を格納する。また、故障予知ＩＤ４０１３は、その機体・アラーム・予測日に関する予測のユニークなＩＤである。
　図１１を参照して、受注予測テーブル４０２のデータ構成の一例を説明する。受注予測テーブル４０２は、データ項目の一例として、故障予知ＩＤ４０２０、予測日４０２１、機体ＩＤ４０２２、アラームＩＤ４０２３、部品ＩＤ４０２４、受注確率４０２５、純正購入確率４０２６、部品交換確率４０２７、発報確率４０２８、及び発報予測限界日数４０２９を含む。１行のデータは、ある日（４０２１）に、ある建設機械（４０２２）から発せられた故障アラーム（４９２３）に基づく故障予測（４０２０）がされた場合、その故障予測に係る部品の部品ＩＤ（４０２４）、及びその受注確率（４０２５）等を示している。受注確率と共に、当該顧客が純正部品を購入する確率（４０２６）、当該顧客が故障アラームに対応して部品を交換する確率（４０２７）、故障アラームが発報される確率（４０２８）も、１行のデータに含まれる。受注確率４０２５は、各種確率４０２６～４０２８に従って、最終的に部品の注文を代理店において受ける確率を示している。
　図１２を参照して、販促付き受注予測テーブル４０３のデータ構成の一例を説明する。販促付き受注予測テーブル４０３は、データ項目の一例として、故障予知ＩＤ４０３０、販促活動ＩＤ４０３１、販促付き受注確率４０３２、販促付き純正購入確率４０３３を含む。１行のデータは、故障予知ＩＤ４０３０の各々において、販促活動ＩＤ４０３１の販促活動を行った場合において、故障対策として純正部品が購入される確率（４０３３）、及び、最終的に部品を受注する確率である販促付き受注確率（４０３２）を示している。
　図１３を参照して、事前配備損益テーブル４０４のデータ構成の一例を説明する。事前配備損益テーブル４０４の１行のデータは、ある故障予知ＩＤ４０４０に対して、あるデポコード４０４２のデポからある代理店コード４０４１の代理店に部品を事前配備した場合の、配備にかかる日数である配備日数４０４４と、対策部品が受注する確率である受注確率４０４５と、その事前配備の結果として事後配備を行う場合と比較して得られる期待利益である期待利益４０４６を示す。また、各故障予知ＩＤ４０４０で販促活動を行う場合の受注確率４０４５及び期待利益４０４６が、該当する販促活動の販促活動ＩＤ４０４３が格納されている行と同じ行に格納される。
　次に、本実施の形態の部品事前配備支援システムの動作を、図１４～図２５を参照して説明する。前述の通り、受注予測サーバ２００は、業務データ記憶部１００と受注予測データ記憶部３００から取得されるデータに従い、地域・顧客特性推定部２０１と発報予測部２０２とでデータ処理を実行し、その結果を、受注確率算出部２０３に入力して所定のデータ処理を実行する。そのデータ処理の結果は事前配備損益算出部２０４に入力され、事前配備損益が演算され、その演算の結果が受注予測結果記憶部４００に格納される。
　受注予測サーバ２００でのデータ処理の手順を図１４のフローチャートを参照して説明する。受注予測サーバ２００は、業務データ記憶部１００及び受注予測データ記憶部３００から各種データを取得し、取得したデータに従い、地域及び顧客の特性に関するデータを地域・顧客特性推定部２０１において推定し、推定された特性データを地域顧客属性テーブル３０１に格納する（ステップＳ２０１）。また、各建設機械における発報の予測を発報予測部２０２において行い、その結果を発報予測テーブル４０１において格納する（ステップＳ２０２）。
　そして、受注確率算出部２０３は、得られた地域・顧客の特性に関するデータ、及び発報予測データに従い、部品を受注する確率である受注確率、及び販促活動がされた場合における販促付き受注確率を算出する（ステップＳ２０３）。算出された受注確率、及び販促付き受注確率は、それぞれ、受注予測テーブル４０２、及び販促付き受注予測テーブル４０３に格納される。更に、事前配備損益算出部２０４は、算出された受注確率、及び販促付き受注確率に基づき、部品配備費用テーブル３０２、販促活動コストテーブル３０３のデータも加味して、部品に係る事前配備損益を算出し、その結果を事前配備損益テーブル４０４に格納する（ステップＳ２０４）。
　なお、受注予測サーバ２００での図１４に示すデータ処理は、例えば一日１回などの頻度でバッチ処理により実行される。
　図１５のフローチャートを参照して、図１４のステップＳ２０１の詳細（地域・顧客特性推定部２０１でのデータ処理の手順の詳細）の一例を説明する。受注予測サーバ２００は、まず、地域・顧客特性推定部２０１において、業務データ記憶部１００の稼働情報テーブル１０１、受注履歴テーブル１０３、及び発報履歴テーブル１０４から稼働情報、受注履歴情報、発報履歴情報等を取得し、これらの取得データに基づき、建設機械の保全部品の受注確率に影響する、当該地域や顧客の特性に関するデータを数値的に推定する処理を実行する。特性に関するデータは、特定のものには限定されないが、例えば、当該地域における非純正部品の入手性の良さを示すデータ、当該の顧客における保全に関する積極性に関するデータ、煩忙月か否かのデータ、及び顧客の資金力に関するデータ等が含まれ得る。これらは、地域顧客属性テーブル３０１のデータ項目に含まれる。
　図１５のフローチャートを参照して、地域・顧客特性推定部２０１でのデータ処理の手順を説明する。はじめに、地域・顧客特性推定部２０１は、業務データ記憶部１００から、稼働情報テーブル１０１、発報履歴テーブル１０４、及び受注履歴テーブル１０３のデータを受信する（ステップＳ２００９）。
　次に地域・顧客特性推定部２０１は、各テーブルから取得したデータに基づいて、非純正部品の入手性の良さを算出する(ステップＳ２０１０)。そして、各テーブルから取得したデータに基づいて、保全に関する積極性を算出する（ステップＳ２０１１）。最後に、各テーブルから取得したデータに基づいて、煩忙月を算出する（ステップＳ２０１２）。
　なお「非純正部品の入手性の良さ」、「保全に関する積極性」、「煩忙月」は、それぞれ地域・顧客特性を算出するための要件であるが、これら３つ全てを算出する必要はなく、状況に応じ、少なくともいずれか一つを算出するようにすることも可能である。図１５は、上記３種類のデータを算出することで、地域・顧客特性情報をより精緻に算出することができる場合の手順の一例を示している。また、ステップＳ２０１０～Ｓ２０１２のデータの取得順序は、図１５に示す順序には限られない。例えば、最初に「煩忙月」を、次に「保全に関する積極性」を取得し、最後に「非純正部品の入手性の良さ」するようにしてもよい。
　図１６Ａ～図１６Ｂのフローチャートを参照して、ステップＳ２０１０（地域における非純正部品の入手性の良さの算出）の詳細を説明する。まず、地域・顧客特性推定部２０１は、地域顧客属性テーブル３０１を取得し（ステップＳ３０１０）、その地域顧客属性テーブル３０１の中から、未処理の地域コードを１件取得し（ステップＳ３０１１）、更に未処理の機体ＩＤ３０１０を１件取得する（ステップＳ３０１２）。
　そして、取得した機体ＩＤ３０１０に係る建設機械の故障アラームの発報の履歴を、発報履歴テーブル１０４から取得すると共に（ステップＳ３０１３）、取得した機体ＩＤ３０１０に係る建設機械の部品受注の履歴を、受注履歴テーブル１０３から取得する（ステップＳ３０１４）。そして、取得した発報履歴テーブル１０４の中の発報日１０４２と機体ＩＤ１０４０を参照し、発報日１０４２以降のある日数の範囲内で、当該機体ＩＤ１０３１の建設機械に関し、一定期間内（例えば直近１か月）に部品受注がないか否かを、受注履歴テーブル１０３を参照して判定する。
　部品受注が無い場合には、その発報日１０４２のデータを取得すると共に（ステップＳ３０１５）、稼働情報テーブル１０１を参照して、当該機体ＩＤ１０１０の建設機械の稼働時間の平均値を算出する（ステップＳ３０１６）。そして、稼働情報テーブル１０１の稼働時間１０１１の値が、アラーム発報日以降の一定期間内（例えば直近１か月）の中で、当該平均値と比べ一定値、又は一定割合以上減少しているか否かが判定される（ステップＳ３０１７）。判定が肯定的（ｙｅｓ）の場合にはステップＳ３０１８に移行し、否定的（ｎｏ）の場合にはステップＳ３０１９に移行する。
　ステップＳ３０１８では、当該建設機械の稼働時間の減少が認められたとして、回数データＮに１を加算する(ステップＳ３０１８)。ステップＳ３０１７でｎｏの判定がされた場合には、ステップＳ３０１８はスキップされる。以上のステップＳ３０１２～Ｓ３０１８が、全ての機体コードについて処理が完了するまで繰り返される(ステップＳ３０１９)。ステップＳ３０１９で全ての機体コードについて処理が完了すると（ｙｅｓ）、処理が終了した機体コード毎に、建設機械の稼働時間の減少の回数Ｎの平均値が算出される（ステップＳ３０２０）。
　以上のステップＳ３０１２～Ｓ３０２０が、全ての地域コードについて処理が完了するまで繰り返される（ステップＳ３０２１）。ステップＳ３０２１ですべての地域コードについて処理が完了すると（ｙｅｓ）、建設機械の稼働時間の減少の回数Ｎの平均値を地域コード毎に算出し、その値を地域顧客属性テーブル３０１の非純正部品入手性３０１７に格納する（ステップＳ３０２２）。以上により、非純正部品の入手可能性に関する数値の算出の手順が完了する。
　次に、図１７のフローチャートを参照して、当該顧客における保全に関する積極性を示す数値の算出の手順の一例を説明する。この図１７の手順では、当該の顧客における保全に関する積極性を、顧客が保有する建設機械におけるバッテリーの交換頻度、及びバッテリー交換時のバッテリー残り寿命をファクタとして算出する。
　具体的に説明すると、まず、地域・顧客特性推定部２０１は、地域顧客属性テーブル３０１を取得し（ステップＳ４０１０）、その地域顧客属性テーブル３０１の中から、未処理の顧客コードを１件取得する（ステップＳ４０１１）。そして、取得した顧客コードに対応する機体ＩＤ３０１０を、地域顧客属性テーブル３０１から取得する（ステップＳ４０１２）。更に、取得された機体ＩＤ３０１０に関するバッテリーＳＯＨ（１０１３）の値を、稼働情報テーブル１０１から取得する（ステップＳ４０１３）。
　続いて、地域・顧客特性推定部２０１は、ステップＳ４０１２で取得した機体ＩＤ３０１０に関する部品名（１０３３）が「バッテリー」である受注データの受注日（１０３５）のデータを、受注履歴テーブル１０３から取得する（ステップＳ４０１４）。そして、そのバッテリーの受注日におけるバッテリーＳＯＨの平均値を算出する（ステップＳ４０１５）。また、バッテリー部品の一年間における平均の受注頻度を算出する（ステップＳ４０１６）。
　バッテリー部品の一年間の平均の受注頻度は、例えば、バッテリー部品の受注があった旨の受注履歴データの、１年間当たりの更新回数に従って算出することができる。また、稼働情報テーブル１０１中のバッテリーＳＯＨ１０１３の値が、ある低い値から１００％に近い値に回復した場合に、バッテリー部品の新たな受注がされたものと見なすことも可能である。
　続いて、算出されたバッテリーＳＯＨの平均値と、平均の受注頻度の値とを乗算し（ステップＳ４０１７）、その乗算結果について、顧客コード３０１６毎に平均値を算出する。この算出された値が、地域顧客属性テーブル３０１の保全に関する積極性３０１８に格納される（ステップＳ４０１８）。そして、ステップＳ４０１１～４０１８の処理が、全ての顧客コードについて終了するまで繰り返される（ステップＳ４０１９）。
　次に、図１８のフローチャートを参照して、煩忙月の算出の手順の詳細の一例を説明する。顧客の煩忙月は、一例として、稼働情報テーブル１０１の稼働時間１０１２のデータを参照して算出することができる。
　具体的には、地域顧客属性テーブル３０１を取得した後（ステップＳ４０３０）、その地域顧客属性テーブル３０１の中から、未処理の顧客コードを１件取得する（ステップＳ４０３１）。そして、取得した顧客コードと対応する稼働時間のデータを、稼働情報テーブル１０１から取得する（ステップＳ４０３２）。一例として、５年程度の期間で、顧客コード３０１６ごとに全ての建設機械の稼働時間１０１２のデータを稼働情報テーブル１０１から取得し、公知の手法を用いて、この稼働時間の変動を、１年周期の季節成分と、ランダム成分と、トレンド成分に分解する（ステップＳ４０３３）。また、分解した各日の稼働時間の季節成分において第三四分位数を算出する（ステップＳ４０３４）。
　続いて、あるデータ未処理の月において、分解した各日の稼働時間の季節成分を取得した後（ステップＳ４０３５）、その季節成分の平均値が、ステップＳ４０３４で演算した第三四分位数以上であるか否かが判定される（ステップＳ４０３６）。判定が肯定的（ｙｅｓ）である場合、その顧客の煩忙月であるとして、地域顧客属性テーブル３０１の煩忙月３０１９に格納することができる（ステップＳ４０３７）。このデータ処理が、全ての月、全ての顧客コードについて実行されるまで、上記の手順が繰り返される（ステップＳ４０３８、Ｓ４０３９）。
　次に、図１９Ａ、図１９Ｂのフローチャートを参照して、発報予測部２０２でのデータ処理の手順の詳細の一例を説明する。この図１９Ａ及び図１９Ｂの手順では、稼働情報テーブル１０１と発報履歴テーブル１０４のデータに従って、ある建設機械において故障アラートが発生する確率（発報確率４０１４）が算出される。
　具体的に図１９Ａ及び図１９Ｂに沿って説明すると、まず発報予測部２０２は、稼働情報テーブル１０１と、発報履歴テーブル１０４を取得し（ステップＳ４０４０）、発報履歴テーブル１０４から、未処理の故障アラームのアラームＩＤを１件取得する（ステップＳ４０４１）。そして、各機体ＩＤで取得したアラームが発報した発報日（１０４２）を発報履歴テーブル１０４から取得し、当該建設機械の発報日に関する行を稼働情報テーブル１０１から取得する（ステップＳ４０４３）。
　そして、その取得した発報日に関する行を、故障が発生した状態でのデータであると推定し、一方、発報がされていない日に関する行を、故障が発生していない正常状態でのデータであると推定し、識別モデルとして学習する（ステップＳ４０４４）。そして、稼働情報テーブル１０１から、稼働日が当日である行のデータを取得し（ステップＳ４０４５）、取得した行データの中から、未処理の機体ＩＤが含まれる行のデータを１件取得する(ステップＳ４０４６)。そして、ステップＳ４０４４で学習した識別モデルを用い、取得した行データが故障が発生した状態でのデータである確率を算出し、この確率を発報確率とする（ステップＳ４０４７）。そして、発報予測テーブル４０１に、ユニークな故障予知ＩＤを採番して格納させる（ステップＳ４０４８）。そして、故障予知ＩＤを格納した行に、取得した機体ＩＤと、取得したアラームＩＤと、当日の日付と、算出した発報確率を格納する（ステップＳ４０４９）。以上のステップＳ４０４６～Ｓ４０４９が、全ての機体ＩＤについて終了するまで繰り返される（ステップＳ４０５０）。なお、発報確率は、発報予測テーブル４０１の各機体ＩＤ４０１０ごとに、各アラームＩＤ４０１１の故障アラームの発報が数日以内にある確率を示している。発報確率の算出方法としては、Change Finder法などの公知の変化点検知の手法を用いることができる。あるいは、ある機体でアラーム発報した日の稼働情報テーブル１０１の計測データを異常データ、前後１か月間などでアラーム発報していない期間の稼働データを正常データとし、RandomForestモデルなどの公知の識別モデルを用いて学習し、そのモデルを用いて稼働データが異常である確率を発報確率として予測する方法も採用し得る。
　発報確率を算出するに当たり、故障アラームの発報日の何日前であれば、一定割合以上（例えば９割以上）でアラーム発報を予測することができるか（換言すれば、発報確率が閾値以上（例えば５０％）であるとの予測が、一定割合以上の予測に対して得られるか否か）を評価する必要がある。また発報日から発報の数日前までの全ての予測において、一定の割合以上（例えば９割以上）でアラームの発報を予測できる最長の日数を発報予測限界日数４０２９として算出する。ここで算出した発報予測限界日数４０２９は、受注確率算出部２０３での処理の結果、受注予測結果記憶部４００の受注予測テーブル４０２の発報予測限界日数４０２９に格納される。
　発報予測限界日数４０２９の算出は、ステップＳ４０５１～Ｓ４０５８により行われる。まず、発報予測部２０２は、機体ＩＤ毎に、発報日のデータを発報履歴テーブル１０４から取得し、その発報日よりも前の一定期間の日に関する行を稼働情報テーブル１０１から取得する（ステップＳ４０５１）。続いて、当該一定期間の日数を示す変数ｎのカウントを１とした後（ステップＳ４０５２）、取得した一定期間の日に関する行のデータのうち、発報日のｎ日前以降の行のデータを取得する（ステップＳ４０５３）。
　そして、その取得されたｎ日前以降の行のデータに識別モデルを適用し、その行のデータが故障データであると判定されるか否かを判定する。そして、ｎ日前以降の行のデータのうち、故障データと判定される行のデータの割合を算出する（ステップＳ４０５４）。
　ステップＳ４０５４で算出された割合が閾値以下であるか否かが判定される（ステップＳ４０５５）。割合が閾値以下である場合（ｙｅｓ）、現時点の変数ｎにより発報予測限界日数を設定する（ステップＳ４０５６）。一方、割合が閾値より大きい場合（ｎｏ）、変数ｎに１を加算して（ステップＳ４０５７）、ステップＳ４０５３～４０５７を再度実行する。以上のステップＳ４０５３～Ｓ４０５７が、全ての機体ＩＤについて終了するまで繰り返される（ステップＳ４０５８）。
　次に、図２０Ａ～図２０Ｂを参照して、受注確率算出部２０３における処理フローの一例を説明する。受注確率算出部２０３は、地域・顧客特性推定部２０１での処理結果、発報予測部２０２での処理結果、及び業務データ記憶部１００の各テーブルのデータを参照して、ある建設機械において部品の受注が発報予測限界日数以内に発生する確率を算出する。受注確率の算出の手順は、基本的には以下の通りである。
（１）発報予測部２０２で求めた発報確率（すなわち故障が発生する確率）を算出する。
（２）顧客がアラームを放置せず対策部品を交換する確率を算出する。
（３）非純正部品ではなく純正部品が選択され、交換される確率を算出し、この確率を受注確率とする。
　図２０Ａ及び図２０Ｂのフローチャートを参照して、受注確率算出の具体的な手順を説明する。まず、受注確率算出部２０３は、発報予測テーブル４０１と、受注履歴テーブル１０３と、地域顧客属性テーブル３０１を取得する（ステップＳ４０６０）。
　次に、これらのテーブルから取得されたデータを使用して、受注確率の算出のための統計モデルのパラメータを公知の方法により算出する（ステップＳ４０６１）。更に、これらのテーブルから取得されたデータを使用して、販促付き受注確率の算出のための統計モデルのパラメータを公知の方法により算出する（ステップＳ４０６２）。
　続いて、受注予測テーブル４０２から、未処理の機体ＩＤを１件取得し（ステップＳ４０６３）、続いて未処理のアラームＩＤを１件取得し（ステップＳ４０６４）、更に未処理の部品ＩＤを取得する（ステップＳ４０６５）。そして、取得した機体ＩＤにおいて、取得したアラームＩＤのアラームが所定期間以内に発報する確率を、発報予測テーブル４０１から取得する（ステップＳ４０６７）。続いて、地域顧客属性テーブル３０１から、取得した機体ＩＤに係る国コード（３０１３）、非純正部品入手性（３０１７）、保全に関する積極性（３０１８）、煩忙月（３０１９）のデータを取得する（ステップＳ４０６８）。そして、取得した機体ＩＤに関連して取得された部品ＩＤの部品の受注確率を算出し、受注予測テーブル４０２に格納する（ステップＳ４０６９）。
　続いて、販促活動コストテーブル３０３を取得して、その中で未処理の販促活動ＩＤを１件取得する（ステップＳ４０７０）。続いて、この販促活動ＩＤに基づいて、ステップＳ４０６３、４０６５で取得した機体ＩＤ及び部品ＩＤに係る部品の販促付き受注確率を算出し、受注予測テーブル４０２に格納する（ステップＳ４０７１）。このステップＳ４０７１が全ての販促活動ＩＤについて繰り返される（ステップＳ４０７２）。そして、ステップＳ４０６７～４０７１の処理が、全ての販促活動ＩＤ、全ての部品ＩＤ、全てのアラームＩＤ、及び全ての機体ＩＤの組合せについて終了するまで繰り返される（ステップＳ４０７２～４０７５）。
　ステップＳ４０６９における受注確率算出は、一例として、以下に説明するように、ベイズ推測によって算出することが可能である。
［数１］
　O_i、j ~ Bernoulli(P_i、j * alpha)
　P_i、j ~ Bernoulli(A_i * beta)
　Logit alpha = a_0 + a_1*imitation + a_2*country
　Logit beta = b_0 + b_1*delta + b_2*hozen
　j: parts
　i: alarm
　a_n ~ Norm(0、10^3)
　b_m ~ Norm(0、10^3)
　delta = 1: 予想日が煩忙月(country)であるとき、 0: それ以外
　上記は、アラームiが発報し部品jを受注する確率0_i、jを表した統計モデルである。O_i、jは、顧客が部品交換を行う確率P_i、jと、部品jとして純正部品が購入される確率alphaをパラメータとするベルヌーイ分布で表される。
　純正品が購入される確率alphaは、［数１］の第３式のように、確率alphaのロジットに対する共変量として、非純正部品入手性３０１７(imitation)、国コード３０１３(country)を設定して演算され得る。すなわち、確率alphaのロジットは、パラメータa_nを用いたimitationとcountryの線形和により表される。
　また、［数１］の第２式の如く、顧客が部品交換を行う確率P_i、jは、発報予測部２０２で求めたアラームiの発報確率A_iと、そのアラームに応じて部品を交換する確率betaをパラメータとするベルヌーイ分布で表すことができる。
　また、アラームに応じて部品を交換する確率betaは、確率betaのロジットに対する共変量として、対象顧客の保全に関する積極性３０１８(hozen)と、予測日が煩忙月であるとき1、煩忙月でないときとなるパラメータdeltaを用い、パラメータb_mを用いた線形和として算出することができる。なお、上記の統計モデルは、Stanなどの公知の確率的プログラミング言語を用いて実装することができる。
　上記のパラメータのうち、パラメータa_n(n=0、1、2)、及びb_n(n=0、 1、 2)は平均0、分散1000の正規分布を事前分布とする。パラメータの事後分布は、発報履歴テーブル１０４のアラームiが発報してから一定日数以内における受注履歴テーブル１０３の部品jの受注の有無と、アラームiの発報の発報予測限界日数前における発報予測時の発報確率A_iとをデータとして、ＭＣＭＣアルゴリズムなどの公知の方法を用いることで求めることができる。この事後分布は、アラームiや部品jごとに違うパラメータを求めてもよい。
　受注確率を算出するには、得られたパラメータの事後分布を用いて受注確率の分布を求め、その平均値を受注確率とし、受注予測結果記憶部４００の受注予測テーブル４０２の受注確率４０２５に格納することができる。また、純正部品が購入される確率alphaを受注予測テーブル４０２の純正購入確率４０２６に、顧客がアラーム発報に対して部品交換を行う確率betaを部品交換確率４０２７に、アラームの発報確率A_iを発報確率４０２８にそれぞれ格納することができる。
　ステップＳ４０７１における販促付き受注確率の算出は、一例として、以下の［数２］のように算出することが可能である。
［数２］
　O_i、j、k ~ Bernoulli(P_i、j * alpha_k)
　Logit alpha_k = a_0 + a_1*imitation + a_2 * country + c_k
　c_k ~ Norm(0、10^3)
　上記の［数２］は、販促活動kを行う場合に、アラームiが発報し部品jの受注がある確率O_i、j、kを表した統計モデルである。純正部品が購入される確率alpha_kは、［数２］の第２式に示すように、確率alpha_kのロジットに対する共変量として、非純正部品入手性３０１７(imitation)、国コード３０１３(country)を設定して演算され得る。更に、各販促活動kに対する部品購入への影響c_kが加算される。このc_kは、顧客や地域ごとに算出してもよいし、対象顧客の保全に関する積極性３０１８と乗算するなどしてもよい。あるいは、販促活動kを複数個行う場合には、対応するc_kをそれぞれ乗算・加算してもよい。
　パラメータc_kの事前分布は平均０、分散１０００の正規分布とする。パラメータの事後分布は、販促活動を行わない場合の受注確率の算出と同様のデータと、受注を実施した履歴を販促活動履歴テーブル３０４から参照してデータとし、MCMCアルゴリズムなどの公知の方法を用いることで求めることができる。
　販促活動kを行う場合の受注確率は、得られたパラメータの事後分布を用いて受注確率の分布を求め、その平均値を受注確率とし、受注予測結果記憶部４００の販促付き受注予測テーブル４０３の販促付き受注確率４０３２に格納することができる。また、販促活動を行った場合に顧客が純正部品を購入する確率を、販促付き受注予測テーブル４０３の販促付き純正購入確率４０３３に格納することができる。
　図２１Ａ～図２１Ｃを参照して、事前配備損益の算出の具体的な手順を説明する。この手順において、事前配備損益算出部２０４は、受注予測テーブル４０２、販促付き受注予測テーブル４０３、部品配備費用テーブル３０２、及び販促活動履歴テーブル３０４のデータを参照して、事前配備による損益を予測する。事前配備による損益は、販促活動を行わない場合の事前配備損益と、販促活動を行う場合の事前配備損益とが含まれ得る。前者及び後者の両方を予測することが好適であるが、どちらか一方のみを予測することも可能である。
　具体的には、まず事前配備損益算出部２０４は、受注予測テーブル４０２、販促付き受注予測テーブル４０３、及び部品配備費用テーブル３０２、販促活動履歴テーブル３０４のデータを取得する（ステップＳ４０８１）。
　次に、事前配備損益算出部２０４は、受注予測テーブル４０２の中のデータから、未処理の故障予知ＩＤが含まれる行のデータを１件取得する（ステップＳ４０８２）。そして、取得された行のデータの中の部品ＩＤに関する未処理のデポコードを、部品配備費用テーブル３０２から１件取得し（ステップＳ４０８３）、同様に取得された行のデータの中の部品ＩＤに関する未処理の代理店コードを、部品配備費用テーブル３０２から１件取得する（ステップＳ４０８４）。そして、取得したデポコード及び代理店コードに対応するデポに部品の事前配備をする場合の期待利益を算出し、この算出値を、事前配備損益テーブル４０４に格納する（ステップＳ４０８５）。このステップＳ４０８３～Ｓ４０８５の手順を、全ての未処理の代理店コード、及びデポＩＤの組合せについて繰り返す（ステップＳ４０８６、Ｓ４０８７）。
　Ｓ４０８７の処理が完了すると（ｙｅｓ）、次に、販促付き受注予測テーブル４０３において、ステップＳ４０８２で取得した故障予知ＩＤが格納されている行のデータを取得する(ステップＳ４０８８)。そして、その取得された行のデータの中から、未処理の販促活動ＩＤのデータを取得する（ステップＳ４０８９）。そして、取得した故障予知ＩＤ４０３０に係る建設機械を所有する顧客の顧客コード３０１６を、地域顧客属性テーブル３０１から取得する（ステップＳ４０９０）。
　続いて、取得した顧客コード３０１６の顧客が、取得した販促活動ＩＤの販促活動を所定期間内（例えば当月内）に実施した回数を、販促活動履歴テーブル３０４から算出する（ステップＳ４０９１）。そして、販促活動コストテーブル３０３を参照し、算出された販促活動の実施回数が、同テーブル３０３中の実施上限／顧客３０３３を超過していない販促活動ＩＤを１件取得する（ステップＳ４０９２）。更に、取得した故障予知ＩＤと販促活動ＩＤに関する販促付き受注予測テーブル４０３の未処理の行を１件取得する(ステップＳ４０９３)。
　そして、その未処理の行データの中の部品ＩＤに関する未処理のデポコードを、部品配備費用テーブル３０２から１件取得し（ステップＳ４０９４）、同様に取得された行のデータの中の部品ＩＤに関する未処理の代理店コードを、部品配備費用テーブル３０２から１件取得する（ステップＳ４０９５）。そして、取得したデポコード及び代理店コードに対応するデポに、取得した販促活動ＩＤの販促活動を行って部品の事前配備をする場合の期待利益を算出し、この算出値を、事前配備損益テーブル４０４に格納する（ステップＳ４０９６）。このステップＳ４０８８～Ｓ４０９６の手順を、全ての未処理の代理店コード、及びデポＩＤの組合せについて処理が終了し、且つすべての販促活動ＩＤが処理済み又は実施上限／顧客の値を超過するまで繰り返す（ステップＳ４０９７、Ｓ４０９８、Ｓ４０９９）。ステップＳ４０９７、Ｓ４０９８、Ｓ４０９９の全てでｙｅｓの判定がなされると、全ての故障予知ＩＤが処理済みであるか否かが判定され（Ｓ４１００）、Ｓ４１００がｎｏであれば、ステップＳ４０８２に戻って上記の手順が繰り返され、ｙｅｓであれば全ての処理が終了する。
　事前配備の予想利益、すなわち事前配備を行う場合と事後配備を行う場合の損益の差は、次の式で算出される。
［数３］
　事前配備の予想利益＝ 事前配備を行って受注があった場合の損益*受注確率
　+事前配備を行って受注が無かった場合の損益*(1-受注確率)
　－事後配備を行って受注があった場合の損益*受注確率
　上式による事前配備の利益を予測するに当たり、予測対象の建設機械の担当代理店の情報を、部品配備費用テーブル３０２の代理店コード３０２１から取得する。そして、部品配備費用テーブル３０２において、事前配備を行う部品の部品ＩＤ３０２０と、代理店コード３０２１とが一致する行の費用を参照する。
　上式の事前配備を行って受注があった場合の損益は、在庫管理テーブル１０２の販売価格１０２３に粗利率１０２４を乗算した粗利から、部品配備費用テーブル３０２の部品の配送費３０２５と、一日当たりの在庫費３０２７と、一日当たりの故障損失３０２８とを減算して算出することができる。ただし、配送にかかる日数は標準配送日数３０２３とし、在庫費及び故障損失に乗算する日数は、配送にかかる日数から発報予測限界日数４０２９を減算した日数とする（ただし0未満の場合は0日とする）。
　また、上式の事前配備を行って受注が無かった場合の損益は、前述の事前配備を行って受注があった場合の損益から、粗利と故障損失を削除し、期待処分費３０２９を減算し、在庫費に乗算する日数を在庫を保管しておく目安の日数に変更することで算出できる。目安の日数として例えば３０日などの値を用いることができる。
　また、上式の事後配備を行って受注があった場合の損益は、在庫管理テーブル１０２の販売価格１０２３に粗利率１０２４を乗算した粗利から、部品配備費用テーブル３０２の部品の速達費３０２６と一日当たりの在庫費３０２７と一日当たりの故障損失３０２８を減算して算出することができる。ただし、配送にかかる日数は標準速達日数３０２４とし、在庫費及び故障損失に乗算する日数は配送にかかる日数から発報予測限界日数を減算した日数の絶対値とする。
　上述のようにして事前配備の予想利益を、部品配備費用テーブル３０２の代理店コード３０２１とデポコード３０２２の組み合わせの数だけ算出し、事前配備損益テーブル４０４の期待利益４０４６に格納する。また、販促活動を行った場合の事前配備の予想利益も算出する。具体的には、上式の受注確率を販促付き受注予測テーブル４０３の販促付き受注確率４０３２に置き換え、事前配備を行って受注が無かった場合の損益から、販促活動コストテーブル３０３の販促費用３０３２を減算して求める。ただし、販促活動履歴テーブル３０４を参照して各販促活動ＩＤ３０３０の当月の実施回数を算出し、販促活動コストテーブル３０３の一か月あたりの実施上限/顧客３０３３を上回る場合には、その販促活動についての販促活動を行った場合の事前配備の予想利益を算出しない。上述の処理にて算出した販促活動を行った場合の事前配備の予想利益は、事前配備損益テーブル４０４の行った販促活動の販促活動ＩＤ４０４３と同じ行の、期待利益４０４６に格納する。
　上記のようにして算出された事前配備による損益を含む、部品の事前配備計画は、代理店端末５００の事前配備計画表示部５０１に表示される。図２２は、この事前配備計画表示部５０１の一例を示している。
　事前配備計画表示部５０１は、ネットワーク１を通して受注予測結果記憶部４００のデータを取得し、受注予測データ記憶部３００に処理の結果を格納させる。事前配備計画表示部５０１の処理は、ユーザが事前配備計画表示部５０１を操作する毎に逐次実行される。
　事前配備計画表示部５０１は、代理店に所属するユーザが、代理店コード５００１と、その代理店が管轄する建設機械の機体ＩＤ５００２と、故障予測を行う日付である予想日５００３を入力することが可能に構成されている。
　前述の情報が入力されると、代理店端末５００は、受注予測テーブル４０２を参照し、入力された情報と一致する機体ＩＤ４０２２と予測日４０２１が格納された行のデータを受注予測テーブル４０２から抽出して、予測情報表示部５０１０に、アラームＩＤ４０２３（予想アラーム）と、発報確率４０２８と、部品ＩＤ４０２４（予想部品受注）と、受注確率４０２５とをテーブルとして表示する（受注予測テーブル４０２の内容を表示する）。予測情報表示部５０１０の複数行のデータのうちの１行を、ユーザがタッチパネル上でタッチするか、マウスでクリックするなどして選択すると、受注確率内訳表示部５０２０、事前配備利益表示部５０３０、事前配備内容表示部５０４０の表示が更新される。
　受注確率内訳表示部５０２０は、発報確率４０２８と、部品交換確率４０２７と、純正購入確率４０２６と、受注確率４０２５を表示するよう構成される。これらの数値は、例えば棒グラフにより表示され得る。表示される数値は、予測情報表示部５０１０の選択された行と故障予知ＩＤが一致する、受注予測テーブル４０２の一つの行を参照することで特定される。
　事前配備利益表示部５０３０は、一例として、期待利益５０３１、販促活動５０３２、及び販促付き期待利益５０３３を表示する。代理店端末５００は、事前配備損益テーブル４０４を参照して、予測情報表示部５０１０の選択された行と故障予知ＩＤが一致する行のデータを取得する。そして、その行のデータに従い、期待利益５０３１、販促活動５０３２、及び販促付き期待利益５０３３を表示する。取得された行データに販促活動ＩＤ４０４３が格納されていない場合には、事前配備利益表示部５０３０は空欄とされる。
　代理店のユーザは、販促活動選択部５０３２の操作を通して、適用したい販促活動ＩＤを選択することもできる。販促活動ＩＤが販促活動選択部５０３２において選択されると、事前配備損益テーブル４０４において、予測情報表示部５０１０で選択中の行データと販促活動ＩＤが一致する行データが選択され、その選択された行データに従って、期待利益５０３１及び販促付き期待利益５０３３の表示も更新される。
　事前配備内容表示部５０４０は、予測情報表示部５０１０で選択している部品の情報と、販促活動選択部５０３２で選択している販促活動の内容と、それに合致する期待損益の情報とを表示する。
　部品の数量は、例えば受注履歴テーブル１０３の個数データ等に基づく推定値である。部品の数量のデータは、部品ＩＤ１０３２毎に、例えば中央値が演算され、事前配備内容表示部５０４０に表示される。
　また、この事前配備内容表示部５０４０には、事前配備による時間短縮に関するデータも表示される。代理店ユーザにより予測情報表示部５０１０において選択されている行データと故障予知ＩＤ４０４０が一致する行データを事前配備損益テーブル４０４上で参照し、選択された行データに含まれる代理店コード４０４１及びデポコード４０４２を、更に部品配備費用テーブル３０２から抽出する。この部品配備費用テーブル３０２において抽出された行のデータから、標準速達日数３０２４、発報予測限界日数４０２９を抽出し、両者の和から標準配送日数３０２３を減算した日数を算出する。その算出された日数が、時間短縮日数として事前配備内容表示部５０４０に表示される。
　事前配備内容表示部５０４０に表示されている事前配備の内容について代理店のユーザが実施を決定すると、事前配備内容確定ボタン５０４１が押下される。代理店のユーザが販促活動選択部５０３２で選択している販促活動の販促活動ＩＤ３０４１と故障予知ＩＤ３０４０が販促活動履歴テーブル３０４に格納される。なお、販促活動が１つも選択されていない場合であっても、事前配備を行うことの履歴として、販促活動ＩＤ３０４１が０（空欄）である行が販促活動履歴テーブル３０４に格納される。ただし販促実行日３０４３としては、代理店ユーザが入力している予想日５００３を格納する。
　図２３を参照して、事前配備通知表示部６０１の画面の一例を説明する。事前配備通知表示部６０１は、顧客端末６００に備わっており、ネットワーク１を通して受注予測データ記憶部３００、受注予測結果記憶部４００のデータを取得する。事前配備通知表示部６０１でのデータ処理は、ユーザが事前配備通知表示部６０１を操作する毎に逐次実行される。
　事前配備通知表示部６０１は、故障予想機体表示部６０１０と機体状態表示部６０２０の表示領域を含む。対象顧客の顧客端末６００への入力操作がされると、事前配備通知表示部６０１は発報予測テーブル４０１を参照し、発報確率４０１４の値が０．５などの一定以上である建設機械の一覧を、故障予想機体表示部６０１０に表示する。故障予想機体表示部６０１０は、建設機械を特定する情報を示す機体ＩＤと、その機体に関連付けて発報予定のアラームの識別情報、および予想故障日を表示する。表示の順序は任意に設定し得るものであって、故障予想日が直近の順で表示してもよいし、故障の対応の緊急度に応じた順で表示してもよい。ここで建設機械を保有するユーザは、故障予想機体表示部６０１０に表示された建設機械の中から任意の一つを選択することができる。ユーザが建設機械の１つを選択すると、機体状態表示部６０２０と事前配備経過表示部６０３０の表示内容が更新される。
　機体状態表示部６０２０は、ある建設機械の発報確率と、発報がなされ、故障が発生した場合の対策部品の部品コード及び価格を関連付けて表示する。なお表示は操作時点の情報のみに基づくものであってよいが、それに限られず、将来予測を含んだものとしてもよい。たとえば価格自体は部品の在庫状況などに応じて変動し得るので、現時点の価格と、発報確率が上昇した場合の予想価格を併記して表示することができる。期間設定は１週間後、２週間後など、任意に変更することができる。また、対策部品と、価格に加えて、在庫状況に関する情報を、「多」「少」「残りわずか」などの表記で簡易的に表示してもよい。通知内容はテキスト形式に限られず、グラフ形式で通知されてもよい。
　こうすることによって、故障対応の緊急度や顧客の必要性に応じた迅速な対応が可能となる。これらの表示は、受注予測テーブル４０２の発報確率４０２８と部品ＩＤ４０２４に基づいて行われる。また、販促活動履歴表示部６０２１において、販促活動の経過（ご連絡、ご提案など）が表示される。部品の手配を対応可能な近隣店舗から希望する場合、候補の店舗の地図情報を表示することとしてもよい。
　図８に示すように、販促活動コストテーブル３０３にて（承認済み）の付与の有無が異なる２つの販促活動名３０３１（巡回点検実施）が格納されている販促活動であって、同じ故障予知ＩＤ４０２０に対して（承認済み）が付与されていない販促活動のみが格納されている場合については、販促活動承認ボタン６０２２を表示する。ユーザは、販促活動の提案に対して同意すると、販促活動承認ボタン６０２２を押下し、販促活動の実行を承認する。販促活動承認ボタン６０２２が押下された場合、販促活動履歴テーブル３０４に（承認済み）の販促活動を追加する。
　また、機体状態表示部６０２０は、受注予測テーブル４０２の選択された行のデータ中の故障予知ＩＤ４０２０と関連して実行した販促活動を販促活動履歴テーブル３０４から取得し、販促活動の履歴として販促活動履歴表示部６０２１に表示する。
　事前配備経過表示部６０３０は、販促活動履歴テーブル３０４にて、販促活動ＩＤ３０４１が０（販促活動が行われていないことを示す）である行を取得し、機体状態表示部６０２０の機体について配送中の部品がいつ発送を開始し、いつ到着する見込かを表示する。ただし、発送開始日は、販促活動履歴テーブル３０４の販促実行日３０４３とし、到着見込日は、部品配備費用テーブル３０２の標準配送日数３０２３を販促実行日３０４３に加算した値とする。なお、図２４、及び図２５は、事前配備計画表示部５０１、及び事前配備通知表示部６０１における上述の動作の手順を俯瞰的に示したものである。
　以上説明したように、本実施の形態のシステムによれば、機械に係る地域の特性、又は顧客の特性が地域／顧客特性推定部により推定され、故障予測部と前記地域／顧客特性推定部の出力に基づき、機械に係る部品を受注する確率である受注確率が算出される。地域や顧客の特性を加味した受注確率の予測がなされるため、実際に発注される部品の数が、実際の需要に沿ったものとすることができ、在庫過剰や在庫不足を抑制することができる。
　以上、本発明の種々の実施形態を説明したが、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
１…ネットワーク
１００…業務データ記憶部
１０１…稼働情報テーブル
１０２…在庫管理テーブル
１０３…受注履歴テーブル
１０４…発報履歴テーブル
２００…受注予測サーバ
２０１…地域・顧客特性推定部
２０２…発報予測部
２０３…受注確率算出部
２０４…事前配備損益算出部
３００…受注予測データ記憶部
３０１…地域顧客属性テーブル
３０２…部品配備費用テーブル
３０３…販促活動コストテーブル
３０４…販促活動履歴テーブル
４００…受注予測結果記憶部
４０１…発報予測テーブル
４０２…受注予測テーブル
４０３…販促付き受注予測テーブル
４０４…事前配備損益テーブル
５００…代理店端末
５０１…事前配備計画表示部
６００…顧客端末
６０１…事前配備通知表示部

Claims (10)

  1. 　サーバを有し、
    　前記サーバは、
    　機械の稼働情報に基づいて前記機械の故障を予測する故障予測部と、
    　顧客が保有または利用する前記機械に関するデータに基づき、前記機械を保有または利用する地域の特性、又は顧客の特性を推定する地域／顧客特性推定部と、
    　前記故障予測部及び前記地域／顧客特性推定部の出力に基づき、前記機械に係る部品を受注する確率である受注確率を算出する受注確率算出部と、
    　前記部品を、前記機械の所在地の近隣の拠点に事前配備した場合の損益を、前記受注確率に基づいて算出する事前配備損益算出部と
    　を備える、部品事前配備支援システム。
  2. 　前記故障予測部は、前記機械の故障を報知するため前記機械から発せられる故障アラームの発報を予測する発報予測部である、請求項１に記載の部品事前配備支援システム。
  3. 　前記受注確率算出部は、前記部品に係る販促活動が行われる場合の販促付き受注確率を算出し、
    　前記事前配備損益算出部は、前記販促活動が行われる場合の前記損益を算出する、請求項１に記載の部品事前配備支援システム。
  4. 　前記地域／顧客特性推定部は、前記部品として非純正部品を入手する可能性を示す非純正部品入手性に従い、前記特性を推定する、請求項１に記載の部品事前配備支援システム。
  5. 　前記非純正部品入手性は、前記機械の故障のアラームの発報の履歴、部品の受注の履歴、前記機械の稼働状態に関する情報に従って判定される、請求項４に記載の部品事前配備支援システム。
  6. 　前記地域／顧客特性推定部は、前記顧客の保全に関する積極性に従い、前記特性を推定する、請求項１に記載の部品事前配備支援システム。
  7. 　前記地域／顧客特性推定部は、前記機械に搭載された部品の健全性に関する指標と、前記部品の受注頻度とに基づいて、前記顧客の保全に関する積極性を判定する、請求項６に記載の部品事前配備支援システム。
  8. 　前記地域／顧客特性推定部は、前記顧客の業務の煩忙月に従い、前記特性を推定する、請求項１に記載の部品事前配備支援システム。
  9. 　前記受注確率、及び前記損益に基づき、前記部品の事前配備に関する情報を表示する事前配備通知表示部を更に備え、
    　前記事前配備通知表示部は、前記機械毎に前記情報を表示する、請求項１に記載の部品事前配備支援システム。
  10. 　機械の稼働情報に基づいて前記機械の故障を示す予測するステップと、
    　前記機械を保有または利用する地域の特性、又は顧客の特性を推定するステップと、
    　前記故障の予測、及び前記特性の推定の結果に基づき、前記機械に係る部品を受注する確率である受注確率を算出するステップと、
    　前記部品を、前記機械の所在地の近隣の拠点に事前配備した場合の損益を、前記受注確率に基づいて算出するステップと
    　を備える、部品事前配備支援方法。
PCT/JP2022/032539 2021-09-01 2022-08-30 部品事前配備支援システム及び方法 WO2023032959A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202280018133.4A CN116917916A (zh) 2021-09-01 2022-08-30 零部件事先配备支援系统及方法
KR1020237028635A KR20230136632A (ko) 2021-09-01 2022-08-30 부품 사전 준비 지원 시스템 및 방법
US18/279,452 US20240160510A1 (en) 2021-09-01 2022-08-30 Component advance deployment assistance system and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-142066 2021-09-01
JP2021142066A JP7248753B2 (ja) 2021-09-01 2021-09-01 部品事前配備支援システム及び方法

Publications (1)

Publication Number Publication Date
WO2023032959A1 true WO2023032959A1 (ja) 2023-03-09

Family

ID=85411247

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032539 WO2023032959A1 (ja) 2021-09-01 2022-08-30 部品事前配備支援システム及び方法

Country Status (5)

Country Link
US (1) US20240160510A1 (ja)
JP (1) JP7248753B2 (ja)
KR (1) KR20230136632A (ja)
CN (1) CN116917916A (ja)
WO (1) WO2023032959A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322094A (ja) * 2004-05-11 2005-11-17 Hitachi Ltd 営業支援方法および営業支援システム
JP2006033249A (ja) 2004-07-14 2006-02-02 Canon Inc 画像形成管理システム
JP2014130468A (ja) * 2012-12-28 2014-07-10 Mitsubishi Heavy Ind Ltd 生産輸送計画立案装置、生産輸送計画立案方法、プログラム、及び記録媒体
JP2016062382A (ja) * 2014-09-19 2016-04-25 株式会社日立製作所 営業業務支援システム、及び営業業務支援方法
JP2018169684A (ja) * 2017-03-29 2018-11-01 日立建機株式会社 営業支援装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005322094A (ja) * 2004-05-11 2005-11-17 Hitachi Ltd 営業支援方法および営業支援システム
JP2006033249A (ja) 2004-07-14 2006-02-02 Canon Inc 画像形成管理システム
JP2014130468A (ja) * 2012-12-28 2014-07-10 Mitsubishi Heavy Ind Ltd 生産輸送計画立案装置、生産輸送計画立案方法、プログラム、及び記録媒体
JP2016062382A (ja) * 2014-09-19 2016-04-25 株式会社日立製作所 営業業務支援システム、及び営業業務支援方法
JP2018169684A (ja) * 2017-03-29 2018-11-01 日立建機株式会社 営業支援装置

Also Published As

Publication number Publication date
JP7248753B2 (ja) 2023-03-29
KR20230136632A (ko) 2023-09-26
US20240160510A1 (en) 2024-05-16
JP2023035307A (ja) 2023-03-13
CN116917916A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
US20200111109A1 (en) Flexible Feature Regularization for Demand Model Generation
Louit et al. Optimization models for critical spare parts inventories—a reliability approach
Yang et al. Integrated multi-period dynamic inventory classification and control
US7809456B2 (en) System and process for supply management for the assembly of expensive products
Rodger Application of a fuzzy feasibility Bayesian probabilistic estimation of supply chain backorder aging, unfilled backorders, and customer wait time using stochastic simulation with Markov blankets
CN110414880B (zh) 库存管理装置、库存管理方法和存储介质
Wong et al. Efficient heuristics for two-echelon spare parts inventory systems with an aggregate mean waiting time constraint per local warehouse
US20130132147A1 (en) Managing fresh-product inventory
JP2007199844A (ja) 部品需要予測プログラム、部品需要予測方法、及びこの方法を実行するシステム
CN114529086A (zh) 药品数据处理方法、装置及设备
JP2021163485A (ja) スマートサプライチェーンシステム
JP2012247964A (ja) 進捗管理装置、及び進捗管理プログラム
Fritzsche Cost adjustment for single item pooling models using a dynamic failure rate: A calculation for the aircraft industry
Cheng et al. Intermittent demand forecasting in a tertiary pediatric intensive care unit
WO2021149075A1 (en) Integrating machine-learning models impacting different factor groups for dynamic recommendations to optimize a parameter
JP2006235879A (ja) 販売計画作成支援システム、販売計画作成支援方法及び販売計画作成支援プログラム
US11948163B2 (en) User interface for visualizing output from supply chain replenishment simulation
JP5847137B2 (ja) 需要予測装置及びプログラム
JP2022163608A (ja) 保守支援システム
WO2023032959A1 (ja) 部品事前配備支援システム及び方法
JP2001134643A (ja) 需要予測装置及び需要予測方法
Singha et al. Computational experiment of methods to determine periodic (R, Q) inventory policy parameters: a case study of information decentralised distribution network
CN114091770A (zh) 物料需求计划的预测分析方法、装置、设备及存储介质
Park et al. Maintenance and warranty concepts
WO2022006344A1 (en) Method for dynamically recommending forecast adjustments that collectively optimize objective factor using automated ml systems

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: 22864541

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20237028635

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237028635

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 18279452

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202280018133.4

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022864541

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022864541

Country of ref document: EP

Effective date: 20240402