WO2025158552A1 - 棚割支援装置、棚割支援方法、および記録媒体 - Google Patents

棚割支援装置、棚割支援方法、および記録媒体

Info

Publication number
WO2025158552A1
WO2025158552A1 PCT/JP2024/001936 JP2024001936W WO2025158552A1 WO 2025158552 A1 WO2025158552 A1 WO 2025158552A1 JP 2024001936 W JP2024001936 W JP 2024001936W WO 2025158552 A1 WO2025158552 A1 WO 2025158552A1
Authority
WO
WIPO (PCT)
Prior art keywords
shelf
product
shelves
target
sales volume
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/JP2024/001936
Other languages
English (en)
French (fr)
Inventor
雄哉 大城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Priority to PCT/JP2024/001936 priority Critical patent/WO2025158552A1/ja
Publication of WO2025158552A1 publication Critical patent/WO2025158552A1/ja
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q30/06—Buying, selling or leasing transactions

Definitions

  • This disclosure relates to a shelf allocation support device, etc.
  • shelf layouts are often manually determined by store or manufacturer staff, which can be a time-consuming process.
  • there is technology that generates multiple shelf layout candidates that represent effective display conditions for specific product sales based on the results of an analysis of specific products and sales data for those products see, for example, Patent Document 1).
  • One example of the purpose of this disclosure is to provide a shelf allocation support device that makes it easier to determine product display positions in a store.
  • the shelf allocation support device comprises: a determination means for determining candidate shelves for displaying a target product based on people flow information including at least one of the number of customers passing by each of a plurality of shelves in a store where the product is displayed and the length of time that customers stay; a prediction means for predicting the predicted sales volume when the target product is displayed on each of the candidate shelves using a model that has learned the correspondence between the shelves on which the product is displayed and the sales volume of the product; and an output means for outputting shelf information indicating the shelves that are predicted to achieve the target sales volume for the target product based on the predicted sales volume.
  • the shelf allocation support device includes: a prediction means for predicting the predicted sales volume of a target product when it is displayed on each of the multiple shelves using a model that has learned the correspondence between multiple shelves in a store on which the product is displayed, people flow information including at least one of the number of customers passing in front of each of the multiple shelves and the length of time customers stay in front of each of the multiple shelves, and the sales volume of the product; and an output means for outputting shelf information indicating which shelves in the store will meet the target sales volume of the target product from the multiple shelves based on the predicted sales volume.
  • a shelf allocation support method involves a computer determining candidate shelves for displaying a target product based on people flow information including at least one of the number of customers passing by each of multiple shelves in a store where the product is displayed and the length of time customers stay there; predicting the predicted sales volume if the target product were displayed on each of the candidate shelves using a model that has learned the correspondence between the shelves on which the product is displayed and the sales volume of the product; and outputting shelf information indicating the shelves that are predicted to achieve the target sales volume for the target product based on the predicted sales volume.
  • a shelf allocation support method involves a computer using a model that has learned the correspondence between multiple shelves in a store where products are displayed, people flow information including at least one of the number of customers passing in front of each of the multiple shelves and the length of time customers stay in front of each of the multiple shelves, and the sales quantity of the product, to predict the predicted sales quantity when a target product is displayed on each of the multiple shelves, and then outputting shelf information from the multiple shelves that indicates the shelf in the store that will meet the target sales quantity for the target product based on the predicted sales quantity.
  • a program causes a computer to execute a process that determines candidate shelves for displaying a target product based on people flow information including at least one of the number of customers passing by each of multiple shelves in a store where the product is displayed and the length of time customers stay there; predicts the predicted sales volume if the target product is displayed on each of the candidate shelves using a model that has learned the correspondence between the shelves on which the product is displayed and the sales volume of the product; and outputs shelf information indicating the shelves that are predicted to achieve the target sales volume for the target product based on the predicted sales volume.
  • a program causes a computer to execute a process that uses a model that has learned the correspondence between multiple shelves in a store where the product is displayed, people flow information including at least one of the number of customers passing in front of each of the multiple shelves and the length of time customers stay in front of each of the multiple shelves, and the sales quantity of the product, to predict the predicted sales quantity when a target product is displayed on each of the multiple shelves, and output shelf information from the multiple shelves that indicates the shelves in the store that will meet the target sales quantity for the target product based on the predicted sales quantity.
  • Each program may be stored on a non-transitory computer-readable recording medium.
  • This disclosure makes it easier to determine product display positions in stores.
  • FIG. 1 is an explanatory diagram showing an example of a plurality of shelves in a store.
  • FIG. 1 is a block diagram showing an example of the configuration of a shelf allocation support device.
  • FIG. 10 is an explanatory diagram showing an example of predicted sales quantities for each candidate shelf.
  • FIG. 10 is an explanatory diagram showing an example of display of shelf information.
  • 10 is a flowchart showing an example of the operation of the shelf allocation support device.
  • FIG. 1 is a block diagram showing an example of the configuration of a shelf allocation support device.
  • FIG. 2 is an explanatory diagram illustrating an example of a product DB.
  • FIG. 10 is an explanatory diagram showing an example of models classified by sales period.
  • FIG. 1 is an explanatory diagram showing an example of a plurality of shelves in a store.
  • FIG. 1 is a block diagram showing an example of the configuration of a shelf allocation support device.
  • FIG. 10 is an explanatory diagram showing an example of predicted sales quantities for each candidate shelf.
  • FIG. 10 is an explanatory diagram illustrating an example of learning data for year-round products.
  • FIG. 10 is an explanatory diagram showing an example of learning data for seasonal products.
  • FIG. 10 is an explanatory diagram showing examples of models for each product category.
  • 10 is a flowchart showing an example of the operation of the shelf allocation support device.
  • FIG. 1 is a block diagram showing an example of the configuration of a shelf allocation support device.
  • FIG. 10 is an explanatory diagram showing an example of predicted sales quantities by shelf.
  • 10 is a flowchart showing an example of the operation of the shelf allocation support device.
  • FIG. 1 is a block diagram showing an example of the configuration of a shelf allocation support device.
  • 10 is a flowchart showing an example of the operation of the shelf allocation support device.
  • FIG. 2 is an explanatory diagram illustrating an example of the hardware configuration of a computer.
  • shelf allocation support device shelf allocation support method, program, and non-transitory recording medium for recording the program according to the present disclosure will be described in detail.
  • the disclosed technology is not limited to these embodiments.
  • Shelf allocation support devices assist in determining product display positions in stores.
  • shelf allocation support devices use store traffic information to determine on which shelves in a store to place products.
  • Figure 1 briefly explains an example of a connection between a shelf allocation support device and another device.
  • the shelf allocation support device 10 is connected to a terminal device 11 used by a user via a communications network.
  • the type of terminal device 11 is not particularly limited, and may be a PC (Personal Computer), smartphone, tablet device, or other device.
  • the terminal device 11 may be pre-installed with an application program that is capable of sending information to the shelf allocation support device 10 and outputting information from the shelf allocation support device 10.
  • the terminal device 11 may access a website connected to the shelf allocation support device 10 and be able to send and receive information to and from the shelf allocation support device 10 via the website.
  • Figure 2 is an explanatory diagram showing an example of multiple shelves in a store.
  • multiple shelves S1 to S19 are installed in the store.
  • FIG 3 is a block diagram showing an example configuration of a shelf allocation support device.
  • the shelf allocation support device 10 includes a determination unit 102, a prediction unit 104, and an output unit 106.
  • the determination unit 102 determines candidate shelves for displaying target products based on the people flow information.
  • the target products are not particularly limited as long as they are products sold in the store.
  • the target products may be specific products such as sale items, featured items, or seasonal items.
  • the people flow information includes at least one of the number of customers passing by each of multiple shelves in a store where products are displayed and the length of time the customers stay.
  • the products may, for example, be products that have been sold in the past or products that are currently displayed on the shelves.
  • the people flow information is obtained from traffic line information that represents the movement lines of customers based on images captured by a camera installed in the store.
  • the number of customers may be expressed by the number of customers or the degree of the number of customers, and is not particularly limited.
  • the length of time customers stay may be expressed by the length of time they stay or the degree of stay, and is not particularly limited.
  • the people flow information may be statistical people flow information for a specified period of time. The specified period may be one hour, one day, one week, etc.
  • Statistical people flow information includes, but is not limited to, maximum values, minimum values, average values, median values, mode values, etc.
  • the people flow information may also include the direction of customer movement.
  • the direction of customer movement may be a left turn, a right turn, etc., and the method of expressing the direction of customer movement is not particularly limited.
  • the determination unit 102 determines, for example, based on people flow information, from among multiple shelves, shelves that are passed by a large number of customers as shelf candidates. More specifically, the determination unit 102 may determine, as shelf candidates, shelves that are passed by a predetermined number of customers or more. Alternatively, the determination unit 102 may determine, as shelf candidates, a predetermined number of shelves in descending order of the number of customers passing by. Note that the determination unit 102 may determine, as shelf candidates, a predetermined number of shelves in descending order of the number of customers passing by from among shelves that are passed by a predetermined number or more.
  • the determination unit 102 may, for example, determine as shelf candidates those shelves among a plurality of shelves where customers stay the longest, based on people flow information. More specifically, the determination unit 102 may determine as shelf candidates those shelves where passing customers stay for a predetermined length or more. Alternatively, the determination unit 102 may determine as shelf candidates a predetermined number of shelves in descending order of the length of time customers stay there. Note that the determination unit 102 may determine as shelf candidates a predetermined number of shelves in descending order of the length of time customers stay there, among shelves where passing customers stay for a predetermined length or more.
  • the determination unit 102 may determine, based on people flow information, from among multiple shelves, a shelf that is passed by many customers and where customers stay for a long time as a shelf candidate.
  • the determination unit 102 may, for example, based on people flow information, determine as shelf candidates those shelves among multiple shelves that are passed by few customers. Note that shelves that are passed by few customers may be selected based on relative evaluation, absolute evaluation, or a combination of these, just like shelves that are passed by many customers. Further, the determination unit 102 may, for example, based on people flow information, determine as shelf candidates those shelves among multiple shelves that are passed by customers for short periods of time. Note that shelves that are passed by customers for short periods of time may be selected based on relative evaluation, absolute evaluation, or a combination of these, just like shelves that are passed by many customers.
  • the prediction unit 104 uses a model that has learned the correspondence between the shelf on which the product is displayed and the sales volume of that product to predict the predicted sales volume when the target product is displayed on each of the candidate shelves.
  • the model has learned the correspondence using the shelf on which the product is displayed as an explanatory variable and the sales volume of the product as the target variable.
  • Using the shelf as an explanatory variable may mean, for example, using the location information of the shelf in the store as the explanatory variable.
  • the target sales volume and sales volume are volumes per predetermined period, such as one day, one week, or one month. The predetermined period is not particularly limited.
  • the prediction unit 104 inputs the candidate shelves into the model and obtains from the model the predicted sales volume when the target product is displayed on the candidate shelves.
  • Figure 4 is an explanatory diagram showing an example of predicted sales quantities for each shelf candidate.
  • the predicted sales quantity for shelf S2 is 200.
  • the predicted sales quantity for shelf S8 is 180.
  • the predicted sales quantity for shelf S9 is 120.
  • the predicted sales quantity for shelf S18 is 110.
  • the predicted sales quantity for shelf S19 is 100.
  • models may be prepared. For example, models may be prepared for each type of product information.
  • a model may be prepared for each product category.
  • Product categories are classifications that group together items of the same type or nature.
  • product categories may be broad categories such as daily necessities, food, and clothing. Taking clothing as an example, product categories may be more specific categories such as shirts, pants, and skirts.
  • the prediction unit 104 uses a model corresponding to the target product category to predict the expected sales volume when the target product is displayed on each of the candidate shelves.
  • models may be prepared for each product's sales period.
  • the sales period here indicates whether the product is seasonal or year-round.
  • Year-round products are products that are sold year-round, such as detergent.
  • Seasonal products for example, are products that are sold in larger quantities at specific times of the year. For example, sunscreen is a seasonal product that is sold in larger quantities during hotter periods.
  • the prediction unit 104 uses a model corresponding to the sales period of the target product to predict the expected sales volume when the target product is displayed on each of the candidate shelves.
  • models may be prepared for each product category and sales period.
  • An example in which multiple models are prepared will be explained in detail using the second embodiment.
  • the output unit 106 outputs shelf information indicating shelves that are predicted to achieve the target sales volume of the target product, based on the predicted sales volume of the candidate shelves. These shelves may also be called recommended shelves. If there are multiple shelves that are predicted to achieve the target sales volume of the target product, the output unit 106 only needs to output shelf information indicating at least one of the shelves. For example, the output unit 106 may output shelf information indicating the shelf with the highest predicted sales volume. For example, the output unit 106 may output shelf information indicating the shelf with a predicted sales volume close to the target sales volume. Note that in Figure 4, for example, if the target sales volume of the target product is 150, the shelves that are predicted to achieve the target sales volume of the target product are shelf S2 and shelf S8.
  • the output format used by the output unit 106 is not particularly limited.
  • the output method may be recording in a database or the like, screen output to a display device, audio output to an audio output device, or print output to a printing device.
  • the display device and audio output device may be provided in the terminal device.
  • the output unit 106 may, for example, display the recommended shelves in an identifiable manner on a map of the store.
  • the output unit 106 may also highlight the recommended shelves on the map of the store.
  • the output unit 106 may also output the shelf information and product information for the target product in association with each other.
  • Figure 5 is an explanatory diagram showing an example of shelf information display.
  • the recommended shelf is highlighted on a shelf map on the screen of the terminal device.
  • the screen displays product information such as the manufacturer and product name of the target product, an image of the product, shelf information indicating the recommended shelf, the target sales quantity, and the predicted sales quantity if the product is displayed on the recommended shelf.
  • the user of the terminal device can confirm that the recommended shelf for the target product is S8.
  • the screen also displays a "Go to shelf allocation determination” button. For example, when the "Go to shelf allocation determination” button is pressed, the display position of the target product on the recommended shelf may be determined.
  • (flowchart) 6 is a flowchart showing an example of operation of the shelf allocation support device 10.
  • the determination unit 102 determines, from among a plurality of shelves, shelf candidates for displaying target products based on people flow information (step S101). For example, the determination unit 102 determines, from among the plurality of shelves, a shelf that is passed by many customers as a shelf candidate based on the people flow information. For example, the determination unit 102 determines, from among the plurality of shelves, a shelf where customers stay for a long time as a shelf candidate based on the people flow information.
  • the prediction unit 104 predicts the predicted sales volume of the target product for each candidate shelf using a model that has learned the correspondence between the shelf on which the product is displayed and the sales volume of that product (step S102).
  • the output unit 106 outputs shelf information indicating the shelf that is predicted to achieve the target sales volume of the target product based on the predicted sales volume of the target product for each candidate shelf (step S103).
  • Store shelf layouts are determined manually by store staff or manufacturers, which can be time-consuming. For example, manufacturers may decide shelf layouts arbitrarily in order to sell more of their products. As a result, the appropriateness of the determined shelf layouts may not be clear. Also, as mentioned above, when selling a product, a target sales volume may be determined in advance. Furthermore, it may not be clear on which shelf the product should be displayed to meet the target sales volume.
  • the shelf allocation support device 10 determines candidate shelves for displaying target products based on people flow information. This makes it possible to narrow down the candidate shelves using the people flow information. The shelf allocation support device 10 then predicts the expected sales volume of the target product for each candidate shelf using a model that has learned the correspondence between the shelves on which the product is displayed and the sales volume of that product. The shelf allocation support device 10 outputs shelf information that indicates the shelves that will meet the target sales volume for the target product. This makes it easier to determine the display position of products in a store.
  • the shelf allocation support device 10 may determine, based on people flow information, from among multiple shelves, a shelf with a large number of customers as a shelf candidate.
  • the shelf allocation support device 10 may also determine, from among multiple shelves, a shelf where customers spend a long time as a shelf candidate. In this way, shelf candidates can be narrowed down to shelves that are likely to catch the eye. This makes it easier to determine shelves on which to display products in a store so that the target sales volume for the products can be achieved.
  • Second Embodiment The second embodiment will be described in detail with reference to the drawings.
  • a learning stage in which a model is learned will be described.
  • an example of identifying a target product will also be described.
  • explanations of content that overlaps with the above explanation will be omitted to the extent that the explanation of the second embodiment is not unclear.
  • shelf allocation support device An example of the connection between the shelf allocation support device and other devices may be similar to the example described in Figure 1, so a detailed description will be omitted.
  • FIG. 7 is a block diagram showing an example configuration of the shelf allocation support device 20.
  • the shelf allocation support device 20 includes a determination unit 202, a prediction unit 204, an output unit 206, a learning unit 208, a target product identification unit 210, an acquisition unit 212, a shelf allocation information generation unit 214, and a product determination unit 216.
  • the determination unit 202 may have the determination unit 102 shown in FIG. 3 as a basic function.
  • the prediction unit 204 may have the prediction unit 104 shown in FIG. 3 as a basic function.
  • the output unit 206 may have the output unit 106 shown in FIG. 3 as a basic function.
  • the shelf allocation support device 20 may have a product DB 2000.
  • the product DB 2000 manages product information for each product.
  • FIG 8 is an explanatory diagram showing an example of product DB2000.
  • product DB2000 stores, for each product, information such as a product ID (identifier) that identifies the product, product name, product price, product category, sales period, manufacturer, and target sales quantity.
  • the product ID is an example of identification information for identifying a product.
  • the sales period is set to be year-round.
  • the sales period is set to be the season or period when it is sold more frequently.
  • the product name of the product identified by product ID "P001" is Sunscreen zz.
  • the product price is 700 yen.
  • the product category is daily necessities.
  • the sales period is from June to September, or during the summer season.
  • the manufacturer is Company A.
  • the target sales quantity is 150 units.
  • the product name of the product identified by product ID "P002" is eye drops yz.
  • the product price is 500 yen.
  • the product category is daily necessities. Eye drops yz are available year-round, so the sales period is year-round.
  • the manufacturer is Company B.
  • the target sales quantity is 100 units.
  • the learning unit 208 generates a learning model by learning the correspondence between the shelf on which the product is displayed and the sales volume of that product. More specifically, the learning unit 208 learns the correspondence between the shelf and the sales volume, using the shelf on which the product is displayed as an explanatory variable and the sales volume of the product as a target variable. This explanatory variable may be information about the location of the shelf in the store.
  • models may be trained. For example, as described in the first embodiment, models may be trained according to the sales period of the product.
  • Figure 9 is an explanatory diagram showing an example of a model for each sales period.
  • the models are a learning model for year-round products, a learning model for spring, a learning model for summer, a learning model for autumn, and a learning model for winter. Note that there may also be a learning model for spring/summer, a learning model for autumn/winter, a learning model for winter/spring, and a learning model for summer/winter.
  • Figure 10A is an explanatory diagram showing an example of learning data for year-round products.
  • the horizontal axis represents time and the vertical axis represents sales volume.
  • Year-round data can be used as learning data for a learning model for year-round products.
  • Figure 10B is an explanatory diagram showing an example of learning data for seasonal products.
  • the horizontal axis represents time and the vertical axis represents sales volume.
  • spring and summer data can be used as learning data for a learning model for spring and summer.
  • example period of data used as training data is just an example and is not particularly limited.
  • the learning unit 208 may learn the correspondence between the shelves on which year-round products are displayed and the sales volume of the year-round products for year-round products.
  • the learning unit 208 may learn the correspondence between the shelves on which seasonal products are displayed and the sales volume of the seasonal products for seasonal products for year-round products.
  • the learning unit 208 may identify the sales period of each product using the product DB 2000.
  • models may be trained for each product category, as described in the first embodiment.
  • Figure 11 is an explanatory diagram showing examples of models for different product categories.
  • the models include a learning model for food, a learning model for daily necessities, and a learning model for cosmetics.
  • the learning unit 208 learns the correspondence between the shelves on which products classified in a category are displayed and the sales quantity of those products, by category.
  • the learning unit 208 can identify the category of each product using the product DB 2000.
  • models may be prepared for each product information, not just for product categories or product sales periods. Models may also be prepared for each product category and product sales period.
  • the learning unit 208 may also learn by using product information such as the product sales period and product category as explanatory variables and the product sales quantity as the objective variable.
  • the model may further be trained using the product's sales period as an explanatory variable.
  • the learning unit 208 may train the learning model using the product's sales period and product shelf as explanatory variables and the product's sales quantity as the objective variable.
  • the model may also be trained using the product category as an explanatory variable.
  • the learning unit 208 may train the learning model using the product category and product shelf as explanatory variables and the product sales quantity as the objective variable.
  • the learning unit 208 may generate a learning model for determining the position on the shelf by learning the correspondence between each position on the shelf and the sales quantity of the product displayed at that position for each shelf.
  • the learning unit 208 may generate a learning model for determining products to be displayed on the same shelf by learning the correspondence between the product information and sales quantity of the product and the product information of other products displayed on the same shelf as the product.
  • the product information and sales quantity of the product are explanatory variables, and the product information of other products displayed on the same shelf as the product is the objective variable.
  • the products for which shelf allocation is determined may be specified by the user, or may be identified based on future sales schedules, etc. For example, they may be specified by the user using an input device such as a terminal device.
  • annual sales promotion schedules are set by month, week, season, etc.
  • seasonal products include cold weather products in February, pollen products in March, and heat protection products, insect repellent products, and sunscreen products in summer.
  • sales shelves may be prepared that collect seasonal products, featured products, and sale products.
  • the target product identification unit 210 then references sales promotion schedule information that defines sales shelves by season, and identifies products to be promoted as target products.
  • the sales promotion schedule information may define the theme of the sales shelves, or the type of product, such as sunscreen.
  • the target product identification unit 210 may identify products that fit the theme as target products.
  • the target product identification unit 210 may identify products that are the same as or similar to products that have been displayed on shelves with the same theme in the past. Whether products are similar may be determined, for example, based on product features or product type.
  • the product DB 2000 only needs to store information that can identify the product's features and product type for each product. For example, if the current theme is sun protection, the target product identification unit 210 can identify, in the product DB 2000, the same product as a product previously displayed under the same theme, or a different sunscreen product, as the target product.
  • the target sales volume may be decided at headquarters or at the store.
  • a store sets a target sales quantity, this could be the number each store wants to sell, the number of items they want to order, etc.
  • the headquarters may have agreed on the sales volume with the manufacturer. For example, if the target product is a promotional product decided by headquarters, it is expected that headquarters will decide the target sales volume.
  • the target sales volume may also be the sales volume that serves as the basis for a rebate from the manufacturer. Note that a rebate is the amount paid by the manufacturer to the retailer.
  • the acquisition unit 212 acquires the target sales quantity for the target product. As a specific example of acquisition, the acquisition unit 212 acquires the target sales quantity by accepting input of the target sales quantity. For example, the acquisition unit 212 acquires the target sales quantity by accepting input of the target sales quantity via a terminal device. Note that at this time, the acquisition unit 212 may accept input of both the designation of the target product and the target sales quantity.
  • the acquisition unit 212 acquires the target sales quantity of the target product from the product DB 2000.
  • the target sales quantity in the product DB 2000 may be determined by the headquarters or the store.
  • the acquisition unit 212 may acquire a target sales quantity in conjunction with order information and purchasing information.
  • the acquisition unit 212 may acquire the order quantity of the target product as the target sales quantity.
  • the acquisition unit 212 may acquire the number obtained by subtracting a predetermined number from the order quantity as the target sales quantity.
  • the determination unit 202 determines candidate shelves for displaying target products based on people flow information.
  • the prediction unit 204 uses a model that has learned the correspondence between the shelf on which the product is displayed and the sales volume of that product to predict the expected sales volume when the target product is displayed on each of the candidate shelves.
  • the prediction unit 204 can predict the predicted sales quantity for each candidate shelf using a model corresponding to the sales period of the target product in the product DB 2000. For example, if the sales period of the target product is spring/summer, the prediction unit 204 can obtain the predicted sales quantity for each candidate shelf from the learning model for spring/summer.
  • the prediction unit 204 can predict the predicted sales quantity for each shelf candidate using a model corresponding to the target product category in the product DB 2000. For example, if the target product category is daily necessities, the prediction unit 204 can predict the predicted sales quantity for each shelf candidate from a learning model for daily necessities.
  • the prediction unit 204 can predict the predicted sales quantity for each shelf candidate using the model corresponding to the product information of the target item in the product DB 2000.
  • the prediction unit 204 can input the sales period of the target product in the product DB 2000 into the model and predict the predicted sales quantity for each candidate shelf. For example, if the sales period of the target product is spring/summer, the prediction unit 204 can input spring/summer as the sales period into the model and obtain the predicted sales quantity for each candidate shelf from the model.
  • the prediction unit 204 can input the category of the target product in the product DB 2000 into the model and predict the predicted sales quantity for each candidate shelf. For example, if the category of the target product is daily necessities, the prediction unit 204 can input daily necessities as the category into the model and obtain the predicted sales quantity for each candidate shelf from the model.
  • the prediction unit 204 can input the product information of the target product in the product DB 2000 into the model and predict the expected sales quantity for each shelf candidate.
  • the output unit 206 outputs shelf information indicating the shelves that are predicted to achieve the target sales volume for the target product based on the predicted sales volume of the candidate shelves.
  • the shelf allocation information generation unit 214 also generates shelf allocation information for when the target product is displayed on a shelf that is predicted to achieve the target sales volume for the target product. For example, when creating a shelf allocation for a themed shelf, products that fit the shelf theme, like the target product, are displayed on the same shelf as the target product.
  • the shelf allocation information generation unit 214 therefore generates shelf allocation information for when the target product is displayed on a shelf that is predicted to achieve the target sales volume for the product.
  • the prediction unit 204 predicts the predicted sales volume when the target product is displayed at each position on the recommended shelf. For example, the prediction unit 204 predicts the predicted sales volume of the target product when displayed at each position on the recommended shelf using a learning model that has learned the correspondence between each position on the recommended shelf and the sales volume of the product displayed at that position.
  • the shelf allocation information generation unit 214 generates shelf allocation information for when the target product is displayed on the recommended shelf, based on the predicted sales volume for each position on the recommended shelf.
  • products may be assigned priorities. Therefore, the prediction unit 204 predicts the predicted sales volume of other products to be displayed on the recommended shelf, based on their positions on the recommended shelf.
  • the shelf allocation information generation unit 214 then generates shelf allocation information based on the predicted sales volume of each position on the recommended shelf for the target product and other products, and the priorities set for the target product and other products, so that products with higher priorities are placed in positions on the recommended shelf where they will have the highest predicted sales volume. Note that there are no particular limitations on the method for setting priorities, but priorities may be set by the manufacturer, for example.
  • other products displayed on the same shelf as the target product may be products similar to the target product.
  • the other products may be products that fall under the same theme as the target product.
  • the other products may be products that sell better when displayed together with the target product.
  • the product determination unit 216 may determine products that sell better when displayed together with the target product as products to be displayed together with the target product.
  • the product determination unit 216 may acquire product information for the other products by inputting the product information and target sales quantity of the target product into a model in which the product information and sales quantity of the product are used as explanatory variables and the product information of other products displayed on the same shelf as the product is used as a target variable.
  • the output unit 206 outputs shelf allocation information.
  • the output format may be the same as the example in which shelf information is output, and is not particularly limited.
  • the output unit 206 may also output shelf information indicating shelves in a store in association with shelf allocation information indicating the position of each product on the shelf. For example, the output unit 206 may highlight the shelf in the store on which the target product is to be displayed on a store map, and output shelf allocation information for the shelf when a shelf on the map is selected.
  • the output unit 206 may also output at least some of the information such as people flow information, sales volume of the target product when it was sold in the past, sales promotion schedules, rebate information, and priority.
  • (flowchart) 12 is a flowchart showing an example of the operation of the shelf allocation support device 20.
  • the target product identification unit 210 for example, identifies a target product (step S201).
  • the acquisition unit 212 acquires the target sales quantity (step S202).
  • the determination unit 202 determines candidate shelves for displaying the target products based on the people flow information (step S203).
  • the prediction unit 204 predicts the expected sales volume of the target product for each shelf candidate (step S204).
  • the prediction unit 204 determines whether there is a shelf that is predicted to achieve the target sales volume of the target product (step S205). If there is no shelf that is predicted to achieve the target sales volume of the target product (step S205: No), the determination unit 202 returns to step S203. At this time, the determination unit 202 determines a new shelf candidate for the target product based on people flow information from shelves that are not currently candidate shelves.
  • the output unit 206 may output a message indicating that no shelf satisfies the predicted sales volume. Also, the target sales volume may be reset.
  • step S205 If there is a shelf that is predicted to achieve the target sales volume for the target product (step S205: Yes), the prediction unit 204 predicts the predicted sales volume when the target product is displayed at each position on the recommended shelf (step S206). Then, the shelf allocation information generation unit 214 generates shelf allocation information (step S207). The output unit 206 outputs the shelf allocation information (step S208), and the shelf allocation support device 20 ends the series of processes shown in FIG. 12.
  • the prediction unit 204 may predict the predicted sales volume when other products to be displayed together with the target product on the recommended shelf are displayed at each position on the recommended shelf.
  • the other products are products similar to the target product.
  • the shelf allocation information generation unit 214 generates shelf allocation information based on the predicted sales volume for each position on the recommended shelf and the priorities set for the target product and similar products to the target product, so that products with higher priorities are placed in positions on the shelf where they will have the highest predicted sales volume.
  • the shelf allocation support device 20 generates a learning model by learning the correspondence between the shelf on which a product is displayed and the sales volume of that product. This makes it possible to predict the sales volume of a target product based on the sales volume of products sold on each shelf in the past.
  • models may be prepared for determining shelf positions in a store.
  • models may be prepared by product category.
  • the shelf allocation support device 20 predicts the predicted sales volume for each shelf candidate using one of the multiple models that corresponds to the category of the target product.
  • models may be prepared by product sales period.
  • the shelf allocation support device 20 predicts the predicted sales volume for each shelf candidate using one of the multiple models that corresponds to the sales period of the target product.
  • models may be prepared by product category and sales period.
  • the model may also be trained using product information as an explanatory variable.
  • the model may also be trained using the product category as an explanatory variable.
  • the shelf allocation support device 20 inputs the target product category into the model and predicts the predicted sales volume when the target product is displayed on each of the candidate shelves.
  • the model may also be trained using the product's sales period as an explanatory variable.
  • the shelf allocation support device 20 inputs the target product's sales period into the model and predicts the predicted sales volume when the target product is displayed on each of the candidate shelves.
  • the shelf allocation support device 20 predicts the predicted sales volume when the target product is displayed at each position on the recommended shelf, and generates shelf allocation information based on the predicted sales volume for each recommended position and the priorities set for the target product and similar products to the target product, so that target products with higher priorities are placed in positions on the recommended shelf where their predicted sales volume will be higher. This makes it possible to generate shelf allocation information that increases the predicted sales volume of target products with higher priorities.
  • shelf allocation support device an example of the connection between the shelf allocation support device and other devices may be the same as the example described in Figure 1, so a detailed description will be omitted.
  • FIG. 13 is a block diagram showing an example configuration of the shelf allocation support device 30.
  • the shelf allocation support device 30 includes a prediction unit 304 and an output unit 306.
  • the prediction unit 304 predicts the predicted sales volume when a target product is displayed on each of multiple shelves, using a model that has learned the correspondence between the sales volume of a product and multiple shelves and people flow information in the store where the product is displayed.
  • the people flow information includes at least one of the number of customers passing in front of each of the multiple shelves, the length of time customers stay in front of them, and the direction of customer movement in the store.
  • the model has learned the correspondence using the location information of the shelf where the product is displayed and the people flow information at that shelf location as explanatory variables, and the sales volume of the product displayed on that shelf as the objective variable. Note that using the shelf as an explanatory variable may also mean that the shelf location information is used as the explanatory variable.
  • the prediction unit 304 inputs planned people flow information into the model and predicts the expected sales volume when the target product is placed on each of multiple shelves.
  • the planned people flow information may be people flow information determined by the user.
  • the planned people flow information may be statistical people flow information for the same period as the sales period of the target product.
  • Figure 14 is an explanatory diagram showing an example of predicted sales quantities by shelf.
  • the predicted sales quantities for shelf S1 and shelf S2 are 210.
  • the predicted sales quantities for shelves S3 to S7, shelves S10 to S15, and shelf S19 are each 100.
  • the predicted sales quantity for shelf S8 is 170.
  • the predicted sales quantity for shelf S9 is 120.
  • the predicted sales quantity for shelf S18 is 110.
  • the prediction unit 304 predicts the predicted sales quantity for all shelves.
  • the prediction unit 304 may select some of the multiple shelves as candidate shelves and predict the predicted sales quantity for each of the candidate shelves.
  • the selected shelves may be predetermined based on the product category.
  • models may be prepared for each type of product information. Specifically, for example, models may be prepared for each product category.
  • the prediction unit 304 uses a model corresponding to the target product category to predict the predicted sales volume when the target product is displayed on each of multiple shelves. Furthermore, for example, models may be prepared for each product sales period.
  • the prediction unit 304 uses a model corresponding to the target product sales period to predict the predicted sales volume when the target product is displayed on each of multiple shelves. Furthermore, models may be prepared for each product category and sales period.
  • the output unit 306 outputs shelf information indicating which shelves in the store will meet the target sales volume for the target product from among multiple shelves based on the predicted sales volume.
  • the targets sales volume is 150
  • the shelves that will meet the target sales volume for the target product are shelf S1, shelf S2, and shelf S8.
  • the output format by the output unit 306 may be similar to the output unit 306 shown in Figure 3 and the output unit 306 shown in Figure 7, and is not particularly limited.
  • an example output screen on which the output unit 306 outputs shelf information to a terminal device may be the same as the example shown in Figure 5.
  • the output unit 306 may output shelf information indicating at least one of the shelves. For example, the output unit 306 may output shelf information indicating the shelf with the highest predicted sales volume. For example, the output unit 306 may output shelf information indicating the shelf with the predicted sales volume closest to the target sales volume.
  • (flowchart) 15 is a flowchart showing an example of the operation of the shelf allocation support device 30.
  • the prediction unit 304 predicts the predicted sales quantity of a target product for each shelf using a model that has learned the correspondence between the sales quantity of the product and people flow information, which includes at least one of a plurality of shelves in a store where the products are displayed and the number of customers passing in front of each of the plurality of shelves and the length of time that customers stay in front of each shelf (step S301).
  • the output unit 306 outputs shelf information indicating the shelves that are predicted to achieve the target sales volume for the target product (step S302), and the shelf allocation support device 30 ends the series of processes shown in FIG. 15.
  • the sales volume of a product will vary depending on the movement of customers in a store. In particular, it is expected that sales volume will vary depending on the number of customers passing in front of a shelf, the length of time customers stay in front of the shelf, and the direction of customer movement in the store. For example, taking the number of customers as an example, the shelf allocation support device 30 may predict how many products will be sold if a certain number of people pass by each shelf. Therefore, the shelf allocation support device 30 uses a model in which shelf and shelf traffic information are used as explanatory variables and the sales volume of products displayed on the shelf is used as a target variable to predict the expected sales volume when target products are displayed on each shelf, and outputs shelf information indicating the shelves that are predicted to achieve the target sales volume of the target products. This makes it possible to predict sales volumes based on the traffic flow information. It is also possible to propose product displays that will more likely achieve the target sales volume. This makes it easier to determine the display positions of products in a store.
  • shelf allocation support device an example of the connection between the shelf allocation support device and other devices may be the same as the example described in Figure 1, so a detailed description will be omitted.
  • FIG. 16 is a block diagram showing an example configuration of the shelf allocation support device 40.
  • the shelf allocation support device 40 includes a determination unit, a prediction unit 404, an output unit 406, a learning unit 408, a target product identification unit 410, an acquisition unit 412, a shelf allocation information generation unit 414, and a product determination unit 416.
  • the prediction unit 404 may have the prediction unit 304 shown in FIG. 13 as a basic function.
  • the output unit 406 may have the output unit 306 shown in FIG. 13 as a basic function.
  • the target product identification unit 410 may have the target product identification unit 210 shown in FIG. 7 as a basic function.
  • the acquisition unit 412 may have the acquisition unit 212 shown in FIG. 7 as a basic function.
  • the shelf allocation information generation unit 414 may have the shelf allocation information generation unit 214 shown in FIG. 7 as a basic function.
  • the product determination unit 416 may have the product determination unit 216 shown in FIG. 7 as a basic function.
  • the shelf allocation support device 40 may further include a product DB 4000.
  • the product DB 4000 may be similar to the product DB 2000 shown in FIG. 7.
  • the learning unit 408 learns the correspondence between the shelves on which products are displayed and the people flow information, and the sales volume of the products. More specifically, the learning unit 408 learns the correspondence between the shelves and people flow information and the sales volume, using the shelves on which products are displayed and the people flow information as explanatory variables and the sales volume of the products as the objective variable.
  • This explanatory variable may be the position information of the shelves in the store.
  • models may be trained for each type of product information. Models may be trained for each type of product category. Models may be trained for each type of product sales period. Models may be trained for each type of product category and each type of product sales period. For this reason, the training unit 408 trains multiple types of models.
  • the model may further learn product information as an explanatory variable.
  • the learning unit 408 may learn the correspondence between multiple shelves, people flow information, and product information, and the sales quantity of a product. If the product information is a product category, the learning unit 408 learns the multiple shelves, people flow information, and product category as explanatory variables and the sales quantity of the product as the objective variable. If the product information is the sales period of a product, the learning unit 408 learns the multiple shelves, people flow information, and product sales period as explanatory variables and the sales quantity of the product as the objective variable.
  • the learning unit 408 may generate a learning model for determining the position on the shelf by learning the correspondence between each position on the shelf and the sales quantity of the product displayed at that position, for each shelf.
  • the learning unit 408 may generate a learning model for determining products to be displayed on the same shelf by learning the correspondence between the product information and sales quantity of a product and the product information of other products displayed on the same shelf as the product.
  • the product information and sales quantity of a product are explanatory variables, and the product information of other products displayed on the same shelf as the product is the objective variable.
  • target product identification unit 410 identifies the target product is as described in the second embodiment.
  • the prediction unit 404 uses a model to predict the expected sales volume when the target product is displayed on each shelf.
  • the prediction unit 404 can predict the predicted sales quantity for each shelf using the model corresponding to the sales period of the target product in the product DB 4000. For example, if the sales period of the target product is spring/summer, the prediction unit 404 can obtain the predicted sales quantity for each shelf from the learning model for spring/summer.
  • the prediction unit 404 can predict the predicted sales quantity for each shelf using a model corresponding to the target product category in the product DB 4000. For example, if the target product category is daily necessities, the prediction unit 404 can obtain the predicted sales quantity for each shelf from a learning model for daily necessities for each candidate shelf.
  • the prediction unit 404 can predict the predicted sales quantity for each shelf using the model corresponding to the product information of the target product in the product DB 4000.
  • the prediction unit 404 can input the sales period of the target product in the product DB 4000 into the model and predict the predicted sales quantity of the target product by shelf. For example, if the sales period of the target product is spring/summer, the prediction unit 404 can input spring/summer as the sales period into the model and obtain the predicted sales quantity by shelf from the model.
  • the prediction unit 404 can input the category of the target product in the product DB 4000 into the model and predict the predicted sales quantity of the target product by shelf. For example, if the category of the target product is daily necessities, the prediction unit 404 can input daily necessities as the category into the model and obtain the predicted sales quantity of the target product by shelf.
  • the output unit 406 outputs shelf information indicating shelves in the store that will meet the target sales volume for the target product from multiple shelves based on the predicted sales volume.
  • the output unit 406 outputs that there is no shelf that meets the predicted sales quantity of the target product.
  • the target sales quantity of the target product may also be reset.
  • the acquisition unit 412 may acquire the newly set target sales quantity.
  • the output unit 406 may then output shelf information indicating the shelf in the store that meets the new target sales quantity from multiple shelves based on the predicted sales quantity.
  • the output unit 406 may also output planned people flow information together with the information that there is no shelf that meets the predicted sales quantity of the target product. For example, the planned people flow information may be changed, and the prediction unit 404 may predict the predicted sales quantity using the changed planned people flow information.
  • the shelf allocation information generation unit 414 generates shelf allocation information for when the target product is displayed on a shelf that is predicted to achieve the target sales volume for the target product.
  • the prediction unit 404 also predicts the predicted sales volume when the target product is displayed at each position on the recommended shelf that is predicted to achieve the target sales volume of the target product, and the predicted sales volume when other products to be displayed on the shelf together with the target product are displayed at each position on the recommended shelf.
  • the shelf allocation information generation unit 414 then generates shelf allocation information based on the priorities set for the target product and other products, so that products with higher priorities are displayed at positions on the recommended shelf that will result in higher predicted sales volumes.This makes it possible to generate shelf allocation information that will result in higher predicted sales volumes for target products with higher priorities.
  • other products displayed on the same shelf as the target product may be products similar to the target product, products that fall under the same theme, or products determined by the product determination unit 416.
  • (flowchart) 17 is a flowchart showing an example of the operation of the shelf allocation support device 40.
  • the target product identification unit 410 for example, identifies a target product (step S401).
  • the acquisition unit 412 acquires the target sales quantity (step S402).
  • the prediction unit 404 predicts the expected sales quantity of the target product for each shelf (step S203).
  • the prediction unit 404 determines whether there is a shelf that is predicted to achieve the target sales quantity of the target product (step S403).
  • the prediction unit 404 predicts the predicted sales volume when the target product is displayed at each position on the recommended shelf that is predicted to achieve the target sales volume for the target product (step S404). Then, the shelf allocation information generation unit 414 generates shelf allocation information (step S405). The output unit 406 outputs the shelf allocation information (step S406), and the shelf allocation support device 40 ends the series of processes shown in FIG. 17.
  • the shelf allocation support device 40 generates a model by learning the correspondence between multiple shelves and people flow information, and product sales quantities. This makes it possible to predict the sales quantity of a target product based on the people flow information for each shelf and the sales quantities of products sold on each shelf in the past.
  • shelf allocation support devices 10, 20, 30, and 40 may be configured to include some of the functional units and information.
  • each embodiment is not limited to the examples described above and can be modified in various ways.
  • the configuration of the shelf allocation support devices 10, 20, 30, 40 is not particularly limited.
  • the functional units of the shelf allocation support devices 10, 20, 30, 40 may be implemented by a single device.
  • each functional unit or database of the shelf allocation support devices 10, 20, 30, 40 may be implemented by a different device and configured as a system.
  • each functional unit of the shelf allocation support device 20 may be configured by multiple servers and implemented as a system.
  • it may be implemented by a database server including each database and a server having each functional unit.
  • each database may include some of the information described above.
  • each piece of information may include information other than the information described above.
  • the process of generating information to be displayed on the terminal device 11 may be performed by a functional unit, such as an output unit, provided in the shelf allocation support devices 10, 20, 30, and 40. This process may also be performed by the terminal device 11. In other words, the terminal device 11 may generate information for a screen to be displayed on the terminal device 111 based on data received from the shelf allocation support devices 10, 20, 30, and 40, and display the screen.
  • a functional unit such as an output unit
  • the terminal device 11 may generate information for a screen to be displayed on the terminal device 111 based on data received from the shelf allocation support devices 10, 20, 30, and 40, and display the screen.
  • FIG. 18 is an explanatory diagram showing an example of the hardware configuration of a computer.
  • some or all of the devices can be realized using any combination of a computer 80 and programs as shown in FIG. 18.
  • Computer 80 for example, has a processor 801, a ROM (Read Only Memory) 802, a RAM (Random Access Memory) 803, and a storage device 804. Computer 80 also has a communication interface 805 and an input/output interface 806. Each component is connected to each other, for example, via a bus 807. Note that the number of each component is not particularly limited, and there may be one or more of each component.
  • Processor 801 controls the entire computer 80.
  • Processor 801 may be, for example, a CPU (Central Processing Unit), DSP (Digital Signal Processor), GPU (Graphics Processing Unit), PPU (Physics Processing Unit), TPU (Tensor Processing Unit), quantum processor, or a combination of these, but is not limited to these.
  • CPU Central Processing Unit
  • DSP Digital Signal Processor
  • GPU Graphics Processing Unit
  • PPU Physicals Processing Unit
  • TPU Tinsor Processing Unit
  • quantum processor or a combination of these, but is not limited to these.
  • the computer 80 also includes a ROM 802, a RAM 803, and a storage device 804.
  • the storage device 804 include semiconductor memory such as flash memory, a hard disk drive (HDD), and a solid state drive (SSD).
  • the storage device 804 stores an operating system (OS) program, application programs, and programs according to the embodiments.
  • the ROM 802 stores application programs and programs according to the embodiments.
  • the RAM 803 is used as a work area for the processor 801.
  • the processor 801 also loads programs stored in the storage device 804, ROM 802, etc. The processor 801 then executes each process coded in the program. The processor 801 may also download various programs via the communications network NT. The processor 801 also functions as part or all of the computer 80. The processor 801 may then execute the processes or instructions in the illustrated flowchart based on the program.
  • the communication interface 805 is connected to a communication network NT, such as a LAN (Local Area Network) or WAN (Wide Area Network), via a wireless or wired communication line.
  • the communication network NT may be made up of multiple communication networks NT. This allows the computer 80 to be connected to external devices and external computers 80 via the communication networks NT.
  • the communication interface 805 serves as an interface between the communication network NT and the inside of the computer 80.
  • the communication interface 805 also controls the input and output of data from external devices and external computers 80.
  • the input/output interface 806 is connected to at least one of an input device, an output device, and an input/output device.
  • the connection method may be wireless or wired.
  • input devices include a keyboard, a mouse, and a microphone.
  • output devices include a display device, a lighting device, and an audio output device that outputs audio.
  • input/output devices include a touch panel display. Note that the input device, output device, and input/output device may be built into the computer 80 or may be external.
  • Computer 80 may have some of the components shown in FIG. 18. Computer 80 may have components other than those shown in FIG. 18. For example, computer 80 may have a drive device, etc. The processor 801 may then read programs and data stored on a recording medium attached to the drive device, etc., into RAM 803. Examples of non-transitory tangible recording media include optical disks, flexible disks, magneto-optical disks, and USB (Universal Serial Bus) memory. As mentioned above, computer 80 may have input devices such as a keyboard and mouse. Computer 80 may have an output device such as a display. Computer 80 may also have input devices, output devices, and input/output devices.
  • the computer 80 may also have various sensors (not shown). The types of sensors are not particularly limited.
  • the computer 80 may also have an imaging device capable of capturing images and videos.
  • each device may be implemented using any combination of a different computer and program for each component.
  • multiple components of each device may be implemented using any combination of a single computer and program.
  • each device may be realized by circuits for specific applications. Furthermore, some or all of the components of each device may be realized by general-purpose circuits such as FPGAs (Field Programmable Gate Arrays). Furthermore, some or all of the components of each device may be realized by a combination of circuits for specific applications and general-purpose circuits. Furthermore, these circuits may be a single integrated circuit. Alternatively, these circuits may be divided into multiple integrated circuits. Furthermore, the multiple integrated circuits may be configured by being connected via a bus or the like.
  • each device may be realized using multiple computers, circuits, etc.
  • the multiple computers, circuits, etc. may be centrally located or distributed.
  • shelf allocation support methods described in each embodiment may be implemented by a computer such as the shelf allocation support devices 10, 20, 30, and 40.
  • Each program described in each embodiment is recorded on a computer-readable recording medium such as an HDD, SSD, flexible disk, optical disk, magneto-optical disk, or USB memory. Each program is then read from the recording medium and executed by a computer. Each program may also be distributed via the communications network NT.
  • a computer-readable recording medium such as an HDD, SSD, flexible disk, optical disk, magneto-optical disk, or USB memory.
  • Each program is then read from the recording medium and executed by a computer.
  • Each program may also be distributed via the communications network NT.
  • each of the components of shelf allocation support device 10 and shelf allocation support device 20 described above may be realized by dedicated hardware, such as a computer.
  • each component may be realized by software.
  • each component may be realized by a combination of hardware and software.
  • (Appendix 1) a determining means for determining candidates for shelves on which to display the target product based on people flow information including at least one of the number of customers passing by each of a plurality of shelves in a store on which the product is displayed and the length of time that customers stay; a prediction means for predicting a predicted sales volume when a target product is displayed on each of the candidate shelves, using a model that has learned a correspondence relationship between the shelves on which the product is displayed and the sales volume of the product; an output means for outputting shelf information indicating shelves that are predicted to achieve the target sales volume of the target product based on the predicted sales volume;
  • shelf allocation information generating means for generating shelf allocation information when the target product is displayed on the predicted shelf; Equipped with the prediction means predicts a predicted sales volume when the target product is displayed at each position on the shelf, and a predicted sales volume when other products are displayed together with the target product at each position on the shelf; the shelf allocation information generating means generates shelf allocation information for displaying the high-priority product at a position on the shelf where the predicted sales volume will be higher, based on the priorities determined for the target product and the other products; 2.
  • the shelf allocation support device 1.
  • the model is divided into product categories, the prediction means predicts the predicted sales quantity for each of the shelf candidates using a model corresponding to the category of the target product from among the plurality of models; 3.
  • the model is based on the product's sales period.
  • the prediction means predicts the predicted sales quantity for each of the shelf candidates using a model corresponding to the sales period of the target product from among the plurality of models; 4.
  • the shelf allocation support device according to claim 1.
  • the model is further trained using the product category as an explanatory variable, the prediction means inputs the category of the target product into the model and predicts the predicted sales volume when the target product is displayed on each of the candidate shelves; 5.
  • the shelf allocation support device according to any one of appendices 1 to 4.
  • the model is further trained using the sales time of the product as an explanatory variable, the prediction means inputs the sales period of the target product into the model and predicts the predicted sales quantity when the target product is displayed on each of the candidate shelves; 6.
  • a shelf allocation support device according to any one of appendices 1 to 5.
  • the determining means determines a shelf with a large number of customers as the candidate shelf from among the plurality of shelves. 7.
  • a shelf allocation support device according to any one of appendices 1 to 6.
  • the determining means determines a shelf where the customer stays for a long time as the shelf candidate from among the plurality of shelves. 8. The shelf allocation support device according to any one of appendices 1 to 7.
  • a shelf allocation support device equipped with:
  • the prediction means inputs expected customer flow information into the model and predicts the expected sales volume when the target product is placed on each of the plurality of shelves; 11.
  • the shelf allocation support device according to claim 10.
  • the planned people flow information is people flow information for the same period as the time when the target product is sold. 12.
  • shelf allocation information generating means for generating shelf allocation information when the target product is displayed on the predicted shelf; Equipped with the prediction means predicts a predicted sales volume when the target product is displayed at each position on the shelf, and a predicted sales volume when other products are displayed together with the target product at each position on the shelf; the shelf allocation information generating means generates shelf allocation information for displaying the high-priority product at a position on the shelf where the predicted sales volume will be higher, based on the priorities determined for the target product and the other products; 13.
  • the shelf allocation support device according to any one of appendices 10 to 12.
  • the model is divided into product categories, the prediction means predicts the predicted sales quantity when the target product is displayed on each of the plurality of shelves using a model corresponding to the category of the target product among the plurality of models; 14.
  • the shelf allocation support device according to any one of appendices 10 to 13.
  • the model is based on the product's sales period.
  • the prediction means predicts the predicted sales quantity when the target product is displayed on each of the plurality of shelves using a model corresponding to the sales period of the target product among the plurality of models; 15.
  • the shelf allocation support device according to any one of appendices 10 to 14.
  • the model is further trained using the product category as an explanatory variable, the prediction means inputs the category of the target product into the model and predicts the predicted sales volume when the target product is displayed on each of the plurality of shelves; 14.
  • the shelf allocation support device according to any one of appendices 10 to 13.
  • the model is further trained using the sales time of the product as an explanatory variable, the prediction means inputs the sales period of the target product into the model and predicts the predicted sales quantity when the target product is displayed on each of the plurality of shelves; 17.
  • a shelf allocation support device according to any one of appendices 1 to 13 and 16.
  • the acquisition means acquires the target sales quantity by accepting an input of the target sales quantity; 20.
  • the acquisition means acquires the order quantity of the target product as the target sales quantity.
  • the shelf allocation support device according to claim 19.
  • the computer determining candidate shelves for displaying the target products based on people flow information including at least one of the number of customers passing by each of a plurality of shelves in a store where the products are displayed and the length of time the customers stay; predicting the predicted sales volume when the target product is displayed on each of the candidate shelves using a model that has learned the correspondence relationship between the shelves on which the product is displayed and the sales volume of the product; outputting shelf information indicating shelves that are predicted to achieve the target sales volume of the target product based on the predicted sales volume; A planogram assistance method for performing processing.
  • the computer predicting the expected sales volume when a target product is displayed on each of the plurality of shelves using a model that has learned a correspondence between a plurality of shelves in a store on which products previously sold are displayed, and people flow information including at least one of the number of customers passing in front of each of the plurality of shelves and the length of time that customers stay in front of the plurality of shelves, and the sales volume of the product; outputting shelf information indicating shelves in the store that will meet the target sales volume of the target product from among the plurality of shelves based on the predicted sales volume; A planogram assistance method for performing processing.
  • Terminal device 80 Computer 102, 202 Determination unit 104, 204, 304, 404 Prediction unit 106, 206, 306, 406 Output unit 208, 408 Learning unit 210, 410 Target product identification unit 212, 412 Acquisition unit 214, 414 Shelf allocation information generation unit 216, 416 Product determination unit 304, 404 Prediction unit 801 Processor 802 ROM 803 RAM 804 Storage device 805 Communication interface 806 Input/output interface 807 Bus 2000, 4000 Product DB NT Communication Network S1-S19 Shelf

Landscapes

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

Abstract

棚割支援装置は、商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定する決定部と、商品を陳列した棚と商品の販売数量との対応関係が学習されたモデルを用いて、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測部と、予測販売数量に基づいて、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する出力部とを備える。

Description

棚割支援装置、棚割支援方法、および記録媒体
　本開示は、棚割支援装置などに関する。
　店舗において、棚割りは、店舗の担当者やメーカの担当者が手作業で決定しているなど手間がかかる場合がある。例えば、特定の商品と特定の商品の売上データに基づく解析結果に基づいて、特定の商品の売上に効果的な陳列状態を表す複数の棚割候補を生成する技術がある（例えば、特許文献１参照）。
国際公開第２０１６／１９９４０５号
　ところで、商品によっては目標販売数量が予め決まっている場合がある。店舗において目標販売数量を満たすように商品を陳列する必要がある。このため、商品の陳列位置を決定することは、依然として難しい場合がある。
　本開示の目的の一例は、店舗における商品の陳列位置の決定の容易化を図る棚割支援装置などを提供することにある。
　本開示の一態様における棚割支援装置は、商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定する決定手段と、前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する出力手段とを備える。
　本開示の一態様における棚割支援装置は、商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する出力手段とを備える。
　本開示の一態様における棚割支援方法は、コンピュータが、商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する処理を実行する。
　本開示の一態様における棚割支援方法は、コンピュータが、商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する処理を実行する。
　本開示の一態様におけるプログラムは、コンピュータに、商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する処理を実行させる。
　本開示の一態様におけるプログラムは、コンピュータに、商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、処理を実行させる。
　各プログラムは、コンピュータが読み取り可能な非一時的な記録媒体に記憶されていてもよい。
　本開示によれば、店舗における商品の陳列位置の決定の容易化を図ることができる。
棚割支援装置と他の装置との接続の一例を簡単に説明する。 店舗における複数の棚の一例を示す説明図である。 棚割支援装置の一構成例を示すブロック図である。 棚の候補別の予測販売数量の一例を示す説明図である。 棚情報の表示の一例を示す説明図である。 棚割支援装置の一動作例を示すフローチャートである。 棚割支援装置の一構成例を示すブロック図である。 商品ＤＢの一例を示す説明図である。 販売時期別のモデルの一例を示す説明図である。 通年商品用の学習データの例を示す説明図である。 季節商品用の学習データの例を示す説明図である。 商品のカテゴリ別のモデルの例を示す説明図である。 棚割支援装置の一動作例を示すフローチャートである。 棚割支援装置の一構成例を示すブロック図である。 棚別の予測販売数量の一例を示す説明図である。 棚割支援装置の一動作例を示すフローチャートである。 棚割支援装置の一構成例を示すブロック図である。 棚割支援装置の一動作例を示すフローチャートである。 コンピュータのハードウェア構成例を示す説明図である。
　以下に図面を参照して、本開示に係る棚割支援装置、棚割支援方法、プログラム、およびプログラムを記録する非一時的な記録媒体の実施形態を詳細に説明する。本実施形態は、開示の技術を限定するものではない。
　棚割支援装置は、店舗における商品の陳列位置の決定を支援する。特に、例えば、棚割支援装置は、店舗の人流情報を用いて、店舗のどの棚に商品を置くかを決定する。
　（第１の実施形態）
　第１の実施形態について、図面を参照して詳細に説明する。第１の実施形態では、店舗の人流情報に基づいて、対象商品を陳列する棚の候補を決定した後に、学習モデルを用いて、棚の候補から、目標販売数量を達成すると予想される棚を特定する例を説明する。
　図１は、棚割支援装置と他の装置との接続の一例を簡単に説明する。例えば、棚割支援装置１０は、ユーザが利用する端末装置１１と通信ネットワークを介して接続される。端末装置１１の種類は、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）、スマートフォン、タブレット型の装置など特に限定されない。なお、端末装置１１は、棚割支援装置１０に情報を送信可能であり、棚割支援装置１０からの情報を出力可能であるようなアプリケーションプログラムが予めインストールされていてもよい。または、端末装置１１は、棚割支援装置１０に接続されたＷｅｂサイトにアクセスして、Ｗｅｂサイトを介して棚割支援装置１０と情報の送受信が可能であってもよい。
　つぎに、説明の容易化のために、店舗における複数の棚の一例を図２に挙げる。図２は、店舗における複数の棚の一例を示す説明図である。図２において、例えば、店舗には、複数の棚Ｓ１からＳ１９が設置されている。
　図３は、棚割支援装置の一構成例を示すブロック図である。図３おいて、棚割支援装置１０は、決定部１０２と、予測部１０４と、出力部１０６とを備える。
　決定部１０２は、人流情報に基づいて、対象商品を陳列する棚の候補を決定する。対象商品は、店舗で販売される商品であれば、特に限定されない。例えば、対象商品は、セール商品、目玉商品、季節商品などの特定の商品であってもよい。
　人流情報は、商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む。商品は、例えば、過去に販売された商品であってもよいし、現在棚に陳列されている商品であってもよい。例えば、人流情報は、店舗に設置されたカメラによって撮像された画像に基づく顧客の動線を表す動線情報によって得られる。例えば、顧客の多さの表現方法は、顧客の人数によって表されてもよいし、顧客の多さの度合いによって表されてもよいし、特に限定されない。顧客の滞留の長さの表現方法は、滞留の時間によって表されてもよいし、滞留の度合いによって表されてもよいし、特に限定されない。人流情報は、所定の期間の統計的な人流情報であってもよい。所定の期間は、１時間、１日、１週間などであってもよい。統計的な人流情報とは、最大値、最小値、平均値、中央値、最頻値など特に限定されない。人流情報は、顧客の移動の向きを含んでいてもよい。例えば、顧客の移動の向きは、左回転、右回転などであってもよいし、顧客の移動の向きの表現方法は特に限定されない。
　ここで、商品の売上は、店舗内における顧客の動きによって変わることが予想される。特に、例えば、顧客が多く通過するような棚や顧客が滞留しているような棚は、商品が顧客の目にとまり易いことが予想される。このため、目にとまり易い棚であれば、商品の目標販売数量が達成される可能性が高い。
　そこで、具体的な棚の候補の決定方法として、決定部１０２は、例えば、人流情報に基づいて、複数の棚のうち、通過する顧客が多い棚を棚の候補に決定する。より具体的に、決定部１０２は、通過する顧客の多さが所定の多さ以上の棚を棚の候補に決定してもよい。または、決定部１０２は、通過する顧客が多い順に所定数の棚を棚の候補に決定してもよい。なお、決定部１０２は、通過する顧客の多さが所定の多さ以上の棚のうち、通過する顧客が多い順に所定数の棚を棚の候補に決定してもよい。
　また、具体的な棚の候補の別の決定方法として、決定部１０２は、例えば、人流情報に基づいて、複数の棚のうち、顧客の滞留が長い棚を棚の候補に決定する。より具体的に、決定部１０２は、通過する顧客の滞留の長さが所定の長さ以上の棚を棚の候補に決定してもよい。または、決定部１０２は、顧客の滞留が長い順に所定数の棚を棚の候補に決定してもよい。なお、決定部１０２は、通過する顧客の滞留の長さが所定の長さ以上の棚のうち、顧客の滞留が長い順に所定数の棚を棚の候補に決定してもよい。
　また、決定部１０２は、人流情報に基づいて、複数の棚のうち、通過する顧客が多く、かつ、顧客の滞留が長い棚を棚の候補に決定してもよい。
　また、目標販売数量が少ない場合、多くの顧客の目に止まらなくとも目標販売数量が達成される場合がある。目標販売数量の多少については、商品のカテゴリに応じて決められてもよい。このため、決定部１０２は、例えば、人流情報に基づいて、複数の棚のうち、通過する顧客が少ない棚を棚の候補に決定してもよい。なお、通過する顧客が少ない棚は、通過する顧客が多い棚と同様に、相対的な評価で選ばれてもよいし、絶対的な評価で選ばれてもよいし、それらの組み合わせで選ばれてもよい。また、決定部１０２は、例えば、人流情報に基づいて、複数の棚のうち、顧客の滞留が短い棚を棚の候補に決定する。なお、顧客の滞留が短い棚は、顧客の滞留が長い棚と同様に、相対的な評価で選ばれてもよいし、絶対的な評価で選ばれてもよいし、それらの組み合わせで選ばれてもよい。
　予測部１０４は、商品を陳列した棚と該商品の販売数量との対応関係が学習されたモデルを用いて、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。例えば、モデルは、商品を陳列した棚を説明変数として、商品の販売数量を目的変数として、対応関係が学習されたものである。棚を説明変数とするとは、例えば、店舗における棚の位置情報を説明変数としてもよい。なお、目標販売数量および販売数量は、１日、１週間、１か月などの所定期間当たりの数量である。所定期間は、特に限定されない。予測部１０４は、モデルに棚の候補を入力して、棚の候補に対象商品を陳列した場合の予測販売数量をモデルから取得する。
　図４は、棚の候補別の予測販売数量の一例を示す説明図である。例えば、図４において、棚の候補として５か所の棚Ｓ２、棚Ｓ８、棚Ｓ９、棚Ｓ１８、棚Ｓ１９がある。棚Ｓ２の予測販売数量が２００である。棚Ｓ８の予測販売数量が１８０である。棚Ｓ９の予測販売数量が１２０である。棚Ｓ１８の予測販売数量が１１０である。棚Ｓ１９の予測販売数量が１００である。
　また、モデルは、複数用意されていてもよい。例えば、モデルは、商品情報別に用意されてもよい。
　例えば、商品のカテゴリ別にモデルが用意されていてもよい。なお、商品のカテゴリは、同じ種類・性質のものをまとめる区分である。例えば、商品のカテゴリは、日用品、食品、衣類などの大別であってもよい。また、衣類を例に挙げると、商品のカテゴリは、シャツ、パンツ、スカートなどの小別であってもよい。予測部１０４は、対象商品のカテゴリに対応するモデルを用いて、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。
　また、具体的に、例えば、商品の販売時期別にモデルが用意されていてもよい。ここでの販売時期によって季節商品か通年商品かが分かる。通年商品とは、洗剤のように通年で販売されるような商品である。例えば、季節商品は、特定の時期により多く販売される商品である。例えば、日焼け止めは、暑い時期などにより多く販売されるような季節商品である。予測部１０４は、対象商品の販売時期に対応するモデルを用いて、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。
　また、商品のカテゴリおよび販売時期別に、モデルが用意されていてもよい。なお、複数のモデルが用意される例は、第２の実施形態を用いて詳細に説明する。
　出力部１０６は、棚の候補の予測販売数量に基づいて、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する。この棚を推奨棚とも呼ぶ場合がある。対象商品の目標販売数量を達成すると予測される棚が複数ある場合、出力部１０６は、少なくともいずれかの棚を示す棚情報を出力すればよい。例えば、出力部１０６は、予測販売数量が最も多い棚を示す棚情報を出力してもよい。例えば、出力部１０６は、予測販売数量が目標販売数量に近い棚を示す棚情報を出力してもよい。なお、図４において、例えば、対象商品の目標販売数量が１５０である場合、対象商品の目標販売数量を達成すると予測される棚は、棚Ｓ２と棚Ｓ８である。
　ここで、出力部１０６が出力する出力形式は、特に限定されない。例えば、出力方法は、データベース等への記録であってもよいし、表示装置への画面出力であってもよいし、音声出力装置への音声出力であってもよいし、印刷装置への印刷出力であってもよい。表示装置、音声出力装置は、端末装置に備えられていてもよい。
　出力部１０６は、例えば、店舗における地図上に、推奨棚を識別可能に表示してもよい。出力部１０６は、店舗における地図上に、推奨棚を強調表示してもよい。
　また、出力部１０６は、棚情報と対象商品の商品情報とを関連付けて出力してもよい。
　図５を用いて、出力部１０６が、端末装置に、棚情報を表示する例を説明する。図５は、棚情報の表示の一例を示す説明図である。図５において、端末装置の画面では、棚の地図において推奨棚が強調表示されている。図５において、画面では、対象商品のメーカや商品名、商品の画像などの商品情報と、推奨棚を示す棚情報と、目標販売数量と、推奨棚に陳列した場合の予測販売数量とが表示されている。端末装置のユーザは、対象商品の推奨棚がＳ８であることを確認することができる。
　画面には、さらに、「棚割の決定へ」ボタンが表示されている。例えば、「棚割の決定へ」ボタンが押されると、推奨棚における対象商品を陳列する位置が決定されてもよい。
　（フローチャート）
　図６は、棚割支援装置１０の一動作例を示すフローチャートである。まず、決定部１０２は、人流情報に基づいて、複数の棚のうち、対象商品を陳列する棚の候補を決定する（ステップＳ１０１）。例えば、決定部１０２は、人流情報に基づいて、複数の棚のうち、通過する顧客が多い棚を棚の候補に決定する。決定部１０２は、例えば、人流情報に基づいて、複数の棚のうち、顧客の滞留が長い棚を棚の候補に決定する。
　つぎに、予測部１０４は、商品を陳列した棚と該商品の販売数量との対応関係が学習されたモデルを用いて、棚の候補別に対象商品の予測販売数量を予測する（ステップＳ１０２）。出力部１０６は、棚の候補別に対象商品の予測販売数量に基づいて、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する（ステップＳ１０３）。
　店舗の棚割りは店舗の担当者やメーカが手作業で決定していて手間がかかる場合がある。例えば、メーカは、自社の商品をより多く販売するために、懇意的に棚割りを決定する場合がある。このため、決定された棚割りの妥当性が明確でない場合がある。また、商品を販売する際に、前述のように目標販売数量が予め決まっている場合がある。また、目標販売数量を満たすためにどの棚にその商品を陳列すればよいかが分からない場合がある。
　前述のように、商品の売上は、店舗内における顧客の動きによって変わることが予想される。そこで、本実施形態において、棚割支援装置１０は、人流情報に基づいて、対象商品を陳列する棚の候補を決定する。これにより、人流情報を使って棚の候補を絞り込むことができる。そして、棚割支援装置１０は、商品を陳列した棚と該商品の販売数量との対応関係が学習されたモデルを用いて、棚の候補別に対象商品の予測販売数量を予測する。棚割支援装置１０は、対象商品の目標販売数量を満たす棚を示す棚情報を出力する。これにより、店舗における商品の陳列位置の決定の容易化を図ることができる。
　また、棚割支援装置１０は、人流情報に基づいて、複数の棚のうち、顧客が多い棚を棚の候補に決定してもよい。棚割支援装置１０は、複数の棚のうち、顧客の滞留時間が長い棚を棚の候補に決定してもよい。このように、目にとまり易い棚を棚の候補として絞り込むことができる。これにより、商品の目標販売数量が達成することが可能となるように店舗において商品を陳列する棚の決定の容易化を図ることができる。
　（第２の実施形態）
　第２の実施形態について、図面を参照して詳細に説明する。第２の実施形態では、モデルが学習される学習段階について説明する。第２の実施形態では、さらに、対象商品を特定する例について説明する。以下、第２の実施形態の説明が不明確にならない範囲で、前述の説明と重複する内容については説明を省略する。
　棚割支援装置と他の装置の接続例は、図１で説明した例と同様であってよいため、詳細な説明を省略する。
　図７は、棚割支援装置２０の一構成例を示すブロック図である。棚割支援装置２０は、決定部２０２と、予測部２０４と、出力部２０６と、学習部２０８と、対象商品特定部２１０と、取得部２１２と、棚割情報生成部２１４と、商品決定部２１６とを備える。
　決定部２０２は、図３に示す決定部１０２を基本機能として有していてもよい。予測部２０４は、図３に示す予測部１０４を基本機能として有していてもよい。出力部２０６は、図３に示す出力部１０６を基本機能として有していてもよい。
　棚割支援装置２０は、商品ＤＢ２０００を有していてもよい。商品ＤＢ２０００は、商品別に商品情報を管理する。
　図８は、商品ＤＢ２０００の一例を示す説明図である。図８において、商品ＤＢ２０００は、商品別に、商品を識別する商品ＩＤ（Identifier）、商品名、商品価格、商品カテゴリ、販売時期、メーカ、目標販売数量の情報を記憶する。商品ＩＤは、商品を識別するための識別情報の一例である。また、例えば、商品ＤＢ２０００において、商品が通年商品である場合、販売時期としては、通年が設定される。例えば、商品ＤＢ２０００において、商品が季節商品である場合、販売時期としては、より多く販売される季節や期間などが設定される。
　図８において、商品ＩＤ「Ｐ００１」によって識別される商品の商品名は、日焼け止めｚｚである。そして、商品価格は、７００円である。商品カテゴリは、日用品である。販売時期は、６月から９月の期間、または夏などの季節である。メーカは、Ａ社である。目標販売数量は、１５０個である。
　図８において、商品ＩＤ「Ｐ００２」によって識別される商品の商品名は、目薬ｙｚである。そして、商品価格は５００円である。商品カテゴリは日用品である。目薬ｙｚは通年であるため、販売時期は通年である。メーカはＢ社である。目標販売数量は１００個である。
　つぎに、各機能部について学習段階と予測段階とのそれぞれについて説明する。
　＜学習段階＞
　まず、学習段階について説明する。
　学習部２０８は、商品を陳列した棚と該商品の販売数量との対応関係を学習することにより、学習モデルを生成する。より具体的に、学習部２０８は、商品を陳列した棚を説明変数として、商品の販売数量を目的変数として、棚と販売数量との対応関係を学習する。この説明変数は、店舗における棚の位置情報であってもよい。
　複数通りのモデルが学習されてもよい。例えば、第１の実施形態で説明したように、商品の販売時期別にモデルが学習されていてもよい。
　図９は、販売時期別のモデルの一例を示す説明図である。例えば、図９において、モデルは、通年商品用の学習モデル、春用の学習モデル、夏用の学習モデル、秋用の学習モデル、冬用の学習モデルである。なお、春夏用の学習モデル、秋冬用の学習モデル、冬春用の学習モデル、夏冬用の学習モデルなどがあってもよい。
　図１０Ａは、通年商品用の学習データの例を示す説明図である。例えば、図１０Ａにおいて、横軸が時間であり、縦軸が販売数量である。通年商品用の学習モデルの学習データは、通年のデータが用いられればよい。
　図１０Ｂは、季節商品用の学習データの例を示す説明図である。例えば、図１０Ｂにおいて、横軸が時間であり、縦軸が販売数量である。季節商品の一例として、春夏用の学習モデルの学習データは、春夏のデータが用いられればよい。
　なお、学習データとして用いられるデータの期間の例は、一例であり、特に限定されない。
　学習部２０８は、通年商品について、通年商品が陳列された棚と通年商品の販売数量との対応関係を学習すればよい。学習部２０８は、季節商品について、季節商品が陳列された棚と季節商品の販売数量との対応関係を学習すればよい。なお、学習部２０８は、各商品の販売時期を商品ＤＢ２０００によって特定可能である。
　また、複数通りのモデルが学習される別の例として、第１の実施形態で説明したように、例えば、商品のカテゴリ別にモデルが学習されていてもよい。
　図１１は、商品のカテゴリ別のモデルの例を示す説明図である。例えば、図１１において、モデルは、食品用の学習モデル、日用品用の学習モデル、化粧品用の学習モデルなどである。
　学習部２０８は、カテゴリ別に、カテゴリに分類される商品が陳列された棚と、その商品の販売数量との対応関係を学習する。なお、学習部２０８は、各商品のカテゴリを商品ＤＢ２０００によって特定可能である。
　このように、商品のカテゴリや商品の販売時期に限らず、商品情報別にモデルが用意されてもよい。また、商品のカテゴリおよび商品の販売時期別にモデルが用意されていてもよい。
　また、学習部２０８は、商品の販売時期と商品のカテゴリなどの商品情報を説明変数として、商品の販売数量を目的変数として学習してもよい。
　例えば、モデルは、さらに、商品の販売時期を説明変数として学習されてもよい。具体的に、例えば、学習部２０８は、商品の販売時期および商品の棚を説明変数として、商品の販売数量を目的変数として、学習モデルを学習すればよい。
　また、モデルは、商品のカテゴリを説明変数として学習されてもよい。具体的に、例えば、学習部２０８は、商品のカテゴリおよび商品の棚を説明変数として、商品の販売数量を目的変数として、学習モデルを学習すればよい。
　また、棚内に複数の位置がある。棚における対象商品の陳列位置を決定する場合がある。そこで、学習部２０８は、棚別に、棚における各位置とその位置に陳列された商品の販売数量との対応関係を学習することにより、棚内における位置を決定するための学習モデルを生成してもよい。
　また、対象商品と同じ棚に陳列される商品を決定する場合がある。そこで、例えば、学習部２０８は、商品の商品情報および販売数量と、商品と同じ棚に陳列された他の商品の商品情報との対応関係を学習することにより、同じ棚に陳列される商品を決定するための学習モデルを生成してもよい。商品の商品情報および販売数量が説明変数であり、商品と同じ棚に陳列された他の商品の商品情報が目的変数である。
　＜予測段階＞
　つぎに、予測段階について説明する。
　棚割りが決定される対象商品は、ユーザによって指定されてもよいし、今後の販売スケジュールなどによって特定されてもよい。例えば、ユーザによって指定される例としては、端末装置などの入力装置を用いて指定さればよい。
　店舗では、年間の販促スケジュールが月ごと、週ごと、季節ごとなどのように決まっている場合がある。例えば、季節商品としては、２月には防寒用の商品、３月には花粉用の商品、夏には暑さ対策用の商品、防虫用の商品、日焼け止めの商品などがある。このような場合に、季節商品、目玉商品、セール商品などを集めたセール棚が準備されることがある。そこで、対象商品特定部２１０は、時期ごとにセール棚を定めた販促スケジュール情報を参照し、販促対象となる商品を対象商品として特定する。例えば、販促スケジュール情報には、セール棚のテーマが定められていてもよいし、日焼け止めなどの商品の種類が定められていてもよい。例えば、対象商品特定部２１０は、テーマに沿った商品を対象商品として特定すればよい。また、例えば、対象商品特定部２１０は、過去の同じテーマの棚に陳列された商品と同じまたは類似する商品を対象商品として特定すればよい。商品が類似するかは、例えば、商品の特徴や商品の種類によって特定可能であってもよい。なお、商品ＤＢ２０００は、商品の特徴や商品の種類を特定可能な情報を商品別に記憶していればよい。例えば、今回のテーマが日焼け対策であれば、対象商品特定部２１０は、商品ＤＢ２０００において、過去と同じテーマに陳列された商品と同じ商品または日焼け止めの別の商品を対象商品として特定すればよい。
　つぎに、目標販売数量は、本部において決められてもよいし、店舗において決められてもよい。
　例えば、店舗において目標販売数量が決められる場合、目標販売数量は、各店舗が売りたい数、発注数などが挙げられる。
　一方、本部において目標販売数量が決められる場合、目標販売数量は、本部でメーカと売ることを取り決めしている場合がある。例えば、本部が決めた販促の商品が対象商品である場合に、本部が目標販売数量を決めることが予想される。メーカからの割り戻しが行われる基準となる販売量が目標販売数量であってもよい。なお、割り戻しとは、メーカから小売業者に支払われる代金である。
　取得部２１２は、対象商品の目標販売数量を取得する。取得する具体例として、取得部２１２は、目標販売数量の入力を受け付けることにより、目標販売数量を取得する。例えば、取得部２１２は、端末装置を介して、目標販売数量の入力を受け付けることにより、目標販売数量を取得する。なお、この際、取得部２１２は、対象商品の指定と目標販売数量との両方の入力を受け付けてもよい。
　取得する別の具体例として、取得部２１２は、商品ＤＢ２０００から、対象商品の目標販売数量として取得する。商品ＤＢ２０００における目標販売数量は、本部において決められてもよいし、店舗において決められてもよい。
　また、取得する別の具体例として、取得部２１２は、発注情報や仕入れ情報と連携して、目標販売数量を取得してもよい。例えば、取得部２１２は、対象商品の発注数量を目標販売数量として取得してもよい。例えば、取得部２１２は、発注数量から所定数減算した数を目標販売数量として取得してもよい。
　決定部２０２は、第１の実施形態で説明したように、人流情報に基づいて、対象商品を陳列する棚の候補を決定する。
　予測部２０４は、第１の実施形態で説明したように、商品を陳列した棚と該商品の販売数量との対応関係が学習されたモデルを用いて、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。
　例えば、商品の販売時期別にモデルがある場合、予測部２０４は、商品ＤＢ２０００における対象商品の販売時期に対応するモデルを用いて、棚の候補別の予測販売数量を予測すればよい。例えば、対象商品の販売時期が春夏であれば、予測部２０４は、棚の候補別に、春夏用の学習モデルから予測販売数量を取得すればよい。
　例えば、商品のカテゴリ別にモデルがある場合、予測部２０４は、商品ＤＢ２０００における対象商品のカテゴリに対応するモデルを用いて、棚の候補別の予測販売数量を予測すればよい。例えば、対象商品のカテゴリが日用品であれば、予測部２０４は、日棚の候補別に、日用品用の学習モデルから予測販売数量を予測すればよい。
　このように、商品情報別にモデルがある場合、予測部２０４は、商品ＤＢ２０００における対象商品の商品情報に対応するモデルを用いて、棚の候補別の予測販売数量を予測すればよい。
　例えば、説明変数として販売時期がある場合、予測部２０４は、商品ＤＢ２０００における対象商品の販売時期をモデルに入力して、棚の候補別の予測販売数量を予測すればよい。例えば、対象商品の販売時期が春夏であれば、予測部２０４は、モデルに販売時期として春夏を入力して、棚の候補別にモデルから予測販売数量を取得すればよい。
　例えば、説明変数としてカテゴリがある場合、予測部２０４は、商品ＤＢ２０００における対象商品のカテゴリをモデルに入力して、棚の候補別の予測販売数量を予測すればよい。例えば、対象商品のカテゴリが日用品であれば、予測部２０４は、モデルに、カテゴリとして日用品を入力して、棚の候補別にモデルから予測販売数量を取得すればよい。
　例えば、説明変数として商品情報がある場合、予測部２０４は、商品ＤＢ２０００における対象商品の商品情報をモデルに入力して、棚の候補別の予測販売数量を予測すればよい。
　出力部２０６は、第１の実施形態で説明した通り、棚の候補の予測販売数量に基づいて、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する。
　また、棚割情報生成部２１４は、対象商品の目標販売数量を達成すると予測される棚に陳列した場合の棚割情報を生成する。例えば、テーマが設けられた棚の棚割りを作成する場合、対象商品と同じ棚には、対象商品と同様に棚のテーマにあう商品を陳列する。
　そこで、棚割情報生成部２１４は、対象商品の目標販売数量を達成すると予測される棚に陳列した場合の棚割情報を生成する。
　また、推奨棚内に複数の位置がある。そこで、予測部２０４は、推奨棚における位置別に対象商品を陳列した場合の予測販売数量を予測する。例えば、予測部２０４は、推奨棚における各位置とその位置に陳列された商品の販売数量との対応関係が学習された学習モデルを用いて、推奨棚における各位置に陳列した場合の対象商品の予測販売数量を予測する。
　そして、棚割情報生成部２１４は、推奨棚における各位置の予測販売数量に基づいて、推奨棚に対象商品を陳列した場合の棚割情報を生成する。
　また、商品には、優先度が設けられている場合がある。そこで、予測部２０４は、推奨棚に陳列させる他の商品について、推奨棚における位置別に他の商品を陳列した場合の予測販売数量を予測する。そして、棚割情報生成部２１４は、対象商品および他の商品のそれぞれについて推奨棚における各位置の予測販売数量と、対象商品および他の商品ごとに定められた優先度に基づいて、優先度が高い商品が、推奨棚において予測販売数量がより高くなる位置に配置するよう棚割情報を生成する。なお、優先度の設定方法は、特に限定されないが、優先度は、例えば、メーカなどによって定められる場合がある。
　また、対象商品と同じ棚に陳列する他の商品は、対象商品に類似する商品であってよい。また、他の商品は、対象商品と同じテーマに該当する商品であってもよい。また、他の商品は、対象商品と一緒に陳列するとより売れる商品であってもよい。商品決定部２１６は、対象商品と一緒に陳列すると売れる商品を、対象商品と一緒に陳列する商品として決定してもよい。商品決定部２１６は、商品の商品情報および商品の販売数量を説明変数として、商品と同じ棚に陳列された他の商品の商品情報を目的変数としたモデルに、対象商品の商品情報および目標販売数量を入力して、他の商品の商品情報を取得してもよい。
　出力部２０６は、棚割情報を出力する。出力形式は、棚情報を出力する例と同様であってよく、特に限定されない。
　また、出力部２０６は、店舗における棚を示す棚情報と、棚における各商品の位置を示す棚割情報とを関連付けて出力してもよい。例えば、出力部２０６は、店舗の地図上に、対象商品を陳列させる店舗における棚を強調表示し、地図上の棚が選択されると、棚における棚割情報を出力してもよい。
　また、出力部２０６は、棚情報や棚割情報とともに、人流情報、過去に対象商品を販売した際の販売数量、販促スケジュール、割り戻し情報、優先度などの情報の少なくとも一部を出力してもよい。
　（フローチャート）
　図１２は、棚割支援装置２０の一動作例を示すフローチャートである。対象商品特定部２１０は、例えば、対象商品を特定する（ステップＳ２０１）。
　取得部２１２は、目標販売数量を取得する（ステップＳ２０２）。決定部２０２は、人流情報に基づいて、対象商品を陳列する棚の候補を決定する（ステップＳ２０３）。
　予測部２０４は、棚の候補別に対象商品の予測販売数量を予測する（ステップＳ２０４）。予測部２０４は、対象商品の目標販売数量を達成すると予測される棚があるかを判定する（ステップＳ２０５）。対象商品の目標販売数量を達成すると予測される棚がない場合（ステップＳ２０５：Ｎｏ）、決定部２０２は、ステップＳ２０３に戻る。このとき、決定部２０２は、対象商品について、棚の候補になっていない棚から、人流情報に基づいて、新たな棚の候補を決定する。
　なお、すべての棚が棚の候補となり、予測販売数量を満たす棚がない場合、出力部２０６は、予測販売数量を満たす棚がないことを出力してもよい。また、目標販売数量が再設定されてもよい。
　対象商品の目標販売数量を達成すると予測される棚がある場合（ステップＳ２０５：Ｙｅｓ）、予測部２０４は、推奨棚における各位置に対象商品を陳列した場合における予測販売数量を予測する（ステップＳ２０６）。そして、棚割情報生成部２１４は、棚割情報を生成する（ステップＳ２０７）。出力部２０６は、棚割情報を出力し（ステップＳ２０８）、棚割支援装置２０は、図１２に示す一連の処理を終了する。
　また、ステップＳ２０６において、予測部２０４は、対象商品と推奨棚に一緒に陳列する他の商品を、推奨棚における各位置に陳列した場合における予測販売数量を予測してもよい。例えば、他の商品は、対象商品の類似する商品である。ステップＳ２０７において、例えば、棚割情報生成部２１４は、推奨棚における各位置の予測販売数量と、対象商品および対象商品に類似する類似商品ごとに定められた優先度に基づいて、優先度が高い商品が、棚において予測販売数量がより高くなる位置に配置するよう棚割情報を生成する。
　以上、本実施形態において、棚割支援装置２０は、商品を陳列した棚と該商品の販売数量との対応関係を学習することにより、学習モデルを生成する。これにより、過去に各棚で販売された商品の販売数量を基にして、対象商品の販売数量を予測することができる。
　また、店舗における棚の位置を決定するために複数のモデルが用意されていてもよい。例えば、モデルは、商品のカテゴリ別にあってもよい。棚割支援装置２０は、複数のモデルのうち、対象商品のカテゴリに対応するモデルを用いて、棚の候補のそれぞれについての予測販売数量を予測する。また、モデルは、商品の販売時期別にあってもよい。棚割支援装置２０は、複数のモデルのうち、対象商品の販売時期に対応するモデルを用いて、棚の候補のそれぞれにいての予測販売数量を予測する。なお、商品のカテゴリおよび販売時期別に、モデルが用意されていてもよい。
　また、モデルが、商品の情報を説明変数として学習されていてもよい。例えば、モデルは、さらに、商品のカテゴリを説明変数として学習されていてもよい。棚割支援装置２０は、モデルに、対象商品のカテゴリを入力して、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。また、モデルは、さらに、商品の販売時期を説明変数として学習されてもよい。棚割支援装置２０は、モデルに、対象商品の販売時期を入力して、棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。
　様々な商品を販売するため、対象商品に注目して販売数量がより多くするだけでなく、他の商品の販売数量も考慮する必要がある。そこで、本実施形態において、棚割支援装置２０は、推奨棚における各位置において対象商品を陳列した場合の予測販売数量を予測し、推奨における各位置の予測販売数量と、対象商品および対象商品に類似する類似商品ごとに定められた優先度に基づいて、優先度が高い対象商品を推奨棚において予測販売数量がより高くなる位置に配置するよう棚割情報を生成する。これにより、優先度が高い対象商品がより予測販売数量が高くなるように棚割情報を生成することができる。
　（第３の実施形態）
　第３の実施形態について、図面を参照して詳細に説明する。第１の実施形態では、店舗における各棚の人流情報および各棚に陳列された商品の販売数量を学習した学習モデルを用いて、目標販売数量を達成すると予想される棚を特定する例を説明する。以下、第３の実施形態の説明が不明確にならない範囲で、前述の説明と重複する内容については説明を省略する。
　本実施形態において、棚割支援装置と他の装置の接続例は、図１で説明した例と同様であってよいため、詳細な説明を省略する。
　図１３は、棚割支援装置３０の一構成例を示すブロック図である。図１３において、棚割支援装置３０は、予測部３０４と、出力部３０６とを備える。
　予測部３０４は、商品が陳列された店舗における複数の棚および人流情報と、商品の販売数量との対応関係が学習されたモデルを用いて、複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。なお、人流情報は、複数の棚のそれぞれの前を通過する顧客の多さ、顧客の滞留の長さ、および店舗における顧客の移動の向きの少なくともいずれかを含む。モデルは、商品を陳列した棚の位置情報およびその棚の位置における人流情報を説明変数として、その棚に陳列された商品の販売数量を目的変数として、対応関係が学習されたものである。なお、棚を説明変数とするとは、棚の位置情報を説明変数としてもよい。
　具体的に、例えば、予測部３０４は、モデルに、予定の人流情報を入力して、複数の棚のそれぞれに対象商品を配置した場合の予測販売数量を予測する。予定の人流情報は、ユーザによって決められた人流情報であってもよい。例えば、予定の人流情報は、対象商品の販売時期と同時期の統計的な人流情報であってもよい。
　図１４は、棚別の予測販売数量の一例を示す説明図である。棚Ｓ１の予測販売数量および棚Ｓ２の予測販売数量が２１０である。棚Ｓ３から棚Ｓ７、棚Ｓ１０からＳ１５、棚Ｓ１９のそれぞれの予測販売数量が１００である。棚Ｓ８の予測販売数量が１７０である。棚Ｓ９の予測販売数量が１２０である。棚Ｓ１８の予測販売数量が１１０である。
　図１４において、予測部３０４は、すべての棚について、予測販売数量を予測する例を挙げて説明した。例えば、予測部３０４は、複数の棚のうちの一部の棚を棚の候補として、棚の候補のそれぞれについて予測販売数量を予測してもよい。一部の棚は、商品のカテゴリによって予め決められていてもよい。
　また、第１の実施形態、第２の実施形態と同様に、モデルは、商品情報別に用意されていてもよい。具体的に、例えば、商品のカテゴリ別にモデルが用意されていてもよい。予測部３０４は、対象商品のカテゴリに対応するモデルを用いて、複数の棚のそれぞれについて対象商品を陳列した場合の予測販売数量を予測する。また、例えば、商品の販売時期別にモデルが用意されていてもよい。予測部３０４は、対象商品の販売時期に対応するモデルを用いて、複数の棚のそれぞれについて対象商品を陳列した場合の予測販売数量を予測する。また、商品のカテゴリおよび販売時期別に、モデルが用意されていてもよい。
　出力部３０６は、予測販売数量に基づいて、複数の棚から、対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する。図１４において、目標販売数量が１５０である場合、対象商品の目標販売数量を満たす棚は、棚Ｓ１、棚Ｓ２、棚Ｓ８である。出力部３０６による出力形式は、図３に示す出力部３０６および図７に示す出力部３０６と同様であってよく、特に限定されない。例えば、出力部３０６が端末装置に棚情報を出力する出力画面例は、図５に示す例と同じであってよい。
　第１の実施形態および第２の実施形態と同様に、対象商品の目標販売数量を達成すると予測される棚が複数ある場合、出力部３０６は、少なくともいずれかの棚を示す棚情報を出力すればよい。例えば、出力部３０６は、予測販売数量が最も多い棚を示す棚情報を出力してもよい。例えば、出力部３０６は、予測販売数量が目標販売数量に近い棚を示す棚情報を出力してもよい。
　（フローチャート）
　図１５は、棚割支援装置３０の一動作例を示すフローチャートである。予測部３０４は、商品が陳列された店舗における複数の棚、および、複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、商品の販売数量との対応関係が学習されたモデルを用いて、棚別に対象商品の予測販売数量を予測する（ステップＳ３０１）。
　出力部３０６は、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力し（ステップＳ３０２）、棚割支援装置３０は、図１５に示す一連の処理を終了する。
　店舗における顧客の動きによって商品の販売数量が異なることが予想される。特に、棚の前を通過する顧客の多さ、顧客が滞留する長さ、店舗における顧客の移動の向きなどによっても販売数量が異なることが予想される。例えば、棚割支援装置３０は、顧客の多さを例に挙げると、各棚にどの位の人が通れば、どの位の数量商品が売れるだろうということを予測してもよい。そこで、棚割支援装置３０は、棚および棚の人流情報を説明変数とし、棚に陳列した商品の販売数量を目的変数としたモデルを用いて、棚別に、棚に対象商品を陳列した場合の予測販売数量を予測し、対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する。これにより、人流情報に応じた販売数量を予測することができる。目標販売数量をより達成することが可能となるような商品の陳列を提案することができる。したがって、店舗における商品の陳列位置の決定の容易化を図ることができる。
　（第４の実施形態）
　第４の実施形態について、図面を参照して詳細に説明する。第４の実施形態では、第３の実施形態に対してさらにモデルが学習される学習段階について説明する。以下、第４の実施形態の説明が不明確にならない範囲で、前述の説明と重複する内容については説明を省略する。
　本実施形態において、棚割支援装置と他の装置の接続例は、図１で説明した例と同様であってよいため、詳細な説明を省略する。
　図１６は、棚割支援装置４０の一構成例を示すブロック図である。棚割支援装置４０は、決定部と、予測部４０４と、出力部４０６と、学習部４０８と、対象商品特定部４１０と、取得部４１２と、棚割情報生成部４１４と、商品決定部４１６とを備える。
　予測部４０４は、図１３に示す予測部３０４を基本機能として有していてもよい。出力部４０６は、図１３に示す出力部３０６を基本機能として有していてもよい。
　対象商品特定部４１０は、図７に示す対象商品特定部２１０を基本機能として有していてもよい。取得部４１２は、図７に示す取得部２１２を基本機能として有していてもよい。棚割情報生成部４１４は、図７に示す棚割情報生成部２１４を基本機能として有していてもよい。商品決定部４１６は、図７に示す商品決定部２１６を基本機能として有していてもよい。
　棚割支援装置４０は、さらに、商品ＤＢ４０００を有していてもよい。なお、商品ＤＢ４０００は、図７に示す商品ＤＢ２０００と同様であってよい。
　つぎに、各機能部について学習段階と予測段階とのそれぞれについて説明する。
　＜学習段階＞
　まず、学習段階について説明する。
　学習部４０８は、商品を陳列した棚および人流情報と、商品の販売数量との対応関係を学習する。より具体的に、学習部４０８は、商品を陳列した棚および人流情報を説明変数として、商品の販売数量を目的変数として、棚および人流情報と販売数量との対応関係を学習する。この説明変数は、店舗における棚の位置情報であってもよい。
　複数通りのモデルが学習されてもよい。例えば、第１の実施形態、第２の実施形態、第３の実施形態で説明したように、商品情報別にモデルが学習されていてもよい。モデルは、商品のカテゴリ別にあってもよい。モデルは、商品の販売時期別にあってもよい。モデルは、商品のカテゴリおよび商品の販売時期別にあってもよい。このため、学習部４０８は、複数通りのモデルを学習する。
　また、例えば、第１の実施形態、第２の実施形態、第３の実施形態で説明したように、モデルは、さらに、商品情報が説明変数として学習されてもよい。例えば、学習部４０８は、複数の棚、人流情報、および商品情報と、商品の販売数量との対応関係を学習してもよい。商品情報が商品のカテゴリである場合、学習部４０８は、複数の棚、人流情報、および商品のカテゴリを説明変数として、商品の販売数量を目的変数として学習する。商品情報が商品の販売時期である場合、学習部４０８は、複数の棚、人流情報、および商品の販売時期を説明変数として、商品の販売数量を目的変数として学習する。
　第２の実施形態で説明したように、棚における対象商品の陳列位置を決定する場合、学習部４０８は、棚別に、棚における各位置とその位置に陳列された商品の販売数量との対応関係を学習することにより、棚内における位置を決定するための学習モデルを生成してもよい。
　また、第２の実施形態で説明したように、学習部４０８は、商品の商品情報および販売数量と、商品と同じ棚に陳列された他の商品の商品情報との対応関係を学習することにより、同じ棚に陳列される商品を決定するための学習モデルを生成してもよい。商品の商品情報および販売数量が説明変数であり、商品と同じ棚に陳列された他の商品の商品情報が目的変数である。
　＜予測段階＞
　つぎに、予測段階について説明する。
　対象商品特定部４１０が対象商品を特定する例は、第２の実施形態で説明した通りである。
　取得部４１２が対象商品の目標販売数量を取得する例は、第２の実施形態で説明した通りである。
　予測部４０４は、第３の実施形態で説明したように、モデルを用いて、棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する。
　例えば、商品の販売時期別にモデルがある場合、予測部４０４は、商品ＤＢ４０００における対象商品の販売時期に対応するモデルを用いて、棚別に予測販売数量を予測すればよい。例えば、対象商品の販売時期が春夏であれば、予測部４０４は、春夏用の学習モデルから、棚別に予測販売数量を取得すればよい。
　例えば、商品のカテゴリ別にモデルがある場合、予測部４０４は、商品ＤＢ４０００における対象商品のカテゴリに対応するモデルを用いて、棚別に予測販売数量を予測すればよい。例えば、対象商品のカテゴリが日用品であれば、予測部４０４は、日棚の候補別に、日用品用の学習モデルから、棚別に予測販売数量を取得すればよい。
　このように、商品情報別にモデルがある場合、予測部４０４は、商品ＤＢ４０００における対象商品の商品情報に対応するモデルを用いて、棚別に予測販売数量を予測すればよい。
　例えば、説明変数として販売時期がある場合、予測部４０４は、商品ＤＢ４０００における対象商品の販売時期をモデルに入力して、棚別に対象商品の予測販売数量を予測すればよい。例えば、対象商品の販売時期が春夏であれば、予測部４０４は、モデルに販売時期として春夏を入力して、モデルから、棚別に予測販売数量を取得すればよい。
　例えば、説明変数としてカテゴリがある場合、予測部４０４は、商品ＤＢ４０００における対象商品のカテゴリをモデルに入力して、棚別に対象商品の予測販売数量を予測すればよい。例えば、対象商品のカテゴリが日用品であれば、予測部４０４は、モデルに、カテゴリとして日用品を入力して、棚別に対象商品の予測販売数量を取得すればよい。
　第３の実施形態で説明したように、出力部４０６は、予測販売数量に基づいて、複数の棚から、対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する。
　また、予測販売数量を満たす棚がない場合、出力部４０６は、対象商品の予測販売数量を満たす棚がないことを出力する。また、対象商品の目標販売数量が再設定されてもよい。取得部４１２は、新たに設定された目標販売数量を取得してもよい。そして、出力部４０６は、予測販売数量に基づいて、複数の棚から、新たな目標販売数量を満たす店舗における棚を示す棚情報を出力してもよい。また、出力部４０６は、予定の人流情報を併せて、対象商品の予測販売数量を満たす棚がないことを出力してもよい。例えば、予定の人流情報が変更され、予測部４０４は、変更後の予定の人流情報を用いて、予測販売数量を予測してもよい。
　また、第２の実施形態で説明したように、棚割情報生成部４１４は、対象商品の目標販売数量を達成すると予測される棚に陳列した場合の棚割情報を生成する。
　また、予測部４０４は、対象商品の目標販売数量を達成すると予測される推奨棚における各位置において対象商品を陳列した場合の予測販売数量と、対象商品と一緒に前記棚に陳列する他の商品を推奨棚における各位置において陳列した場合の予測販売数量と、を予測する。そして、棚割情報生成部４１４は、対象商品および他の商品ごとに定められた優先度に基づいて、優先度が高い商品が、推奨棚において予測販売数量がより高くなる位置に陳列するよう棚割情報を生成する。これにより、優先度が高い対象商品がより予測販売数量が高くなるように棚割情報を生成することができる。
　また、対象商品と同じ棚に陳列する他の商品は、第２の実施形態で説明したように、対象商品と類似する商品であってもよいし、同じテーマに該当する商品であってもよいし、商品決定部４１６によって決められた商品であってもよい。
　（フローチャート）
　図１７は、棚割支援装置４０の一動作例を示すフローチャートである。まず、対象商品特定部４１０は、例えば、対象商品を特定する（ステップＳ４０１）。
　取得部４１２は、目標販売数量を取得する（ステップＳ４０２）。予測部４０４は、棚別に対象商品の予測販売数量を予測する（ステップＳ２０３）。予測部４０４は、対象商品の目標販売数量を達成すると予測される棚があるかを判定する（ステップＳ４０３）。
　予測部４０４は、対象商品の目標販売数量を達成すると予測される推奨棚における各位置に対象商品を陳列した場合における予測販売数量を予測する（ステップＳ４０４）。そして、棚割情報生成部４１４は、棚割情報を生成する（ステップＳ４０５）。出力部４０６は、棚割情報を出力し（ステップＳ４０６）、棚割支援装置４０は、図１７に示す一連の処理を終了する。
　以上、本実施形態において、棚割支援装置４０は、複数の棚および人流情報と、商品の販売数量との対応関係を学習することにより、モデルを生成する。これにより、各棚における人流情報と過去に各棚で販売された商品の販売数量を基にして、対象商品の販売数量を予測することができる。
　以上、各実施形態の説明を終了する。各実施形態は、組み合わせられてもよいし、変形して用いられてもよい。
　また、棚割支援装置１０，２０，３０，４０は、各機能部および情報の一部が含まれる構成であってもよい。
　また、各実施形態については、上述した例に限られず、種々変更可能である。また、棚割支援装置１０，２０，３０，４０の構成は特に限定されない。例えば、棚割支援装置１０，２０，３０，４０の機能部は、一台の装置によって実現されてもよい。または、例えば、棚割支援装置１０，２０，３０，４０の各機能部またはデータベース別に異なる装置によって実現され、システムとして構成されてもよい。例えば棚割支援装置２０の各機能部は、複数のサーバによって構成され、システムとして実現されてもよい。例えば、各データベースを含むデータベースサーバと、各機能部を有するサーバと、によって実現されてもよい。
　また、実施形態において、各データベースは、前述の情報の一部を含んでもよい。また、各情報は、前述の情報以外の情報を含んでもよい。
　また、端末装置１１に表示させる情報などを生成する処理は、出力部などの棚割支援装置１０，２０，３０，４０が備える機能部によって行われてもよい。また、この処理は、端末装置１１によって行われてもよい。すなわち、端末装置１１は、棚割支援装置１０，２０，３０，４０から受信したデータに基づいて、端末装置１１１に表示させる画面の情報を生成し、画面を表示してもよい。
　（コンピュータのハードウェア構成例）
　つぎに、棚割支援装置１０，２０，３０，４０、端末装置１１などの各装置をコンピュータで実現した場合のハードウェア構成例について説明する。
　図１８は、コンピュータのハードウェア構成例を示す説明図である。例えば、各装置の一部または全部は、図１８に示すようなコンピュータ８０とプログラムとの任意の組み合わせを用いて実現することも可能である。
　コンピュータ８０は、例えば、プロセッサ８０１と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）８０２と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）８０３と、記憶装置８０４と、を有する。また、コンピュータ８０は、通信インタフェース８０５と、入出力インタフェース８０６と、を有する。各構成部は、例えば、バス８０７を介してそれぞれ接続される。なお、各構成部の数は、特に限定されず、各構成部は１または複数である。
　プロセッサ８０１は、コンピュータ８０の全体を制御する。プロセッサ８０１としては、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＰＰＵ（Ｐｈｙｓｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＴＰＵ（Ｔｅｎｓｏｒ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、量子プロセッサ、または、これらの組み合わせなどを用いることができ、特に限定されない。
　また、コンピュータ８０は、ＲＯＭ８０２、ＲＡＭ８０３および記憶装置８０４などを有する。記憶装置８０４は、例えば、フラッシュメモリなどの半導体メモリ、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などが挙げられる。例えば、記憶装置８０４は、ＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）のプログラム、アプリケーションプログラム、各実施形態に係るプログラムなどを記憶する。または、ＲＯＭ８０２は、アプリケーションプログラム、実施形態に係るプログラムなどを記憶する。そして、ＲＡＭ８０３は、プロセッサ８０１のワークエリアとして使用される。
　また、プロセッサ８０１は、記憶装置８０４、ＲＯＭ８０２などに記憶されたプログラムをロードする。そして、プロセッサ８０１は、プログラムにコーディングされている各処理を実行する。また、プロセッサ８０１は、通信ネットワークＮＴを介して各種プログラムをダウンロードしてもよい。また、プロセッサ８０１は、コンピュータ８０の一部または全部として機能する。そして、プロセッサ８０１は、プログラムに基づいて図示したフローチャートにおける処理または命令を実行してもよい。
　通信インタフェース８０５は、無線または有線の通信回線を通じて、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などの通信ネットワークＮＴに接続される。なお、通信ネットワークＮＴは複数の通信ネットワークＮＴによって構成されてもよい。これにより、コンピュータ８０は、通信ネットワークＮＴを介して外部の装置や外部のコンピュータ８０に接続される。通信インタフェース８０５は、通信ネットワークＮＴとコンピュータ８０の内部とのインタフェースを司る。そして、通信インタフェース８０５は、外部の装置や外部のコンピュータ８０からのデータの入出力を制御する。
　また、入出力インタフェース８０６は、入力装置、出力装置、および入出力装置の少なくともいずれかに接続される。接続方法は、無線であってもよいし、有線であってもよい。入力装置は、例えば、キーボード、マウス、マイクなどが挙げられる。出力装置は、例えば、表示装置、点灯装置、音声を出力する音声出力装置などが挙げられる。また、入出力装置は、タッチパネルディスプレイなどが挙げられる。なお、入力装置、出力装置、および入出力装置などは、コンピュータ８０に内蔵されていてもよいし、外付けであってもよい。
　コンピュータ８０のハードウェア構成は一例である。コンピュータ８０は、図１８に示す一部の構成要素を有していてもよい。コンピュータ８０は、図１８に示す以外の構成要素を有していてもよい。例えば、コンピュータ８０は、ドライブ装置などを有してもよい。そして、プロセッサ８０１は、ドライブ装置などに装着された記録媒体に記憶されたプログラムやデータをＲＡＭ８０３に読み出してもよい。非一時的な有形な記録媒体としては、光ディスク、フレキシブルディスク、磁気光ディスク、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリなどが挙げられる。また、前述の通り、例えば、コンピュータ８０は、キーボードやマウスなどの入力装置を有してもよい。コンピュータ８０は、ディスプレイなどの出力装置を有していてもよい。また、コンピュータ８０は、入力装置および出力装置と、入出力装置とをそれぞれ有してもよい。
　また、コンピュータ８０は、図示しない各種センサを有してもよい。センサの種類は特に限定されない。また、コンピュータ８０は、画像や映像を撮像可能な撮像装置を備えていてもよい。
　以上で、各装置のハードウェア構成の説明を終了する。また、各装置の実現方法には、様々な変形例がある。例えば、各装置は、構成要素ごとにそれぞれ異なるコンピュータとプログラムとの任意の組み合わせにより実現されてもよい。また、各装置が備える複数の構成要素が、一つのコンピュータとプログラムとの任意の組み合わせにより実現されてもよい。
　また、各装置の各構成要素の一部または全部は、特定用途向けの回路で実現されてもよい。また、各装置の各構成要素の一部または全部は、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）のような汎用の回路によって実現されてもよい。また、各装置の各構成要素の一部または全部は、特定用途向けの回路や汎用の回路などの組み合わせによって実現されてもよい。また、これらの回路は、単一の集積回路であってもよい。または、これらの回路は、複数の集積回路に分割されてもよい。そして、複数の集積回路は、バスなどを介して接続されることにより構成されてもよい。
　また、各装置の各構成要素の一部または全部が複数のコンピュータや回路などにより実現される場合、複数のコンピュータや回路などは、集中配置されてもよいし、分散配置されてもよい。
　各実施形態で説明した棚割支援方法は、棚割支援装置１０，２０，３０，４０などのコンピュータが実行することにより実現されてもよい。
　各実施形態で説明した各プログラムは、ＨＤＤ、ＳＳＤ、フレキシブルディスク、光ディスク、磁気光ディスク、ＵＳＢメモリなどのコンピュータで読み取り可能な記録媒体に記録される。そして、各プログラムは、コンピュータによって記録媒体から読み出されることによって実行される。また、各プログラムは、通信ネットワークＮＴを介して配布されてもよい。
　以上説明した、棚割支援装置１０の各構成要素、棚割支援装置２０の各構成要素は、コンピュータのように、その機能を専用のハードウェアで実現されてもよい。または、各構成要素は、ソフトウェアによって実現されてもよい。または、各構成要素は、ハードウェアおよびソフトウェアの組み合わせによって実現されてもよい。
　以上、実施形態を参照して本開示を説明したが、本開示は上記実施形態に限定されるものではない。各本開示の構成や詳細には、本開示のスコープ内で当業者が把握し得る様々な変更を適用した実施形態を含み得る。本開示は、本明細書に記載された事項を必要に応じて適宜に組み合わせ、または置換した実施形態を含み得る。例えば、特定の実施形態を用いて説明された事項は、矛盾を生じない範囲において、他の実施形態に対しても適用され得る。例えば、複数の動作をフローチャートの形式で順番に記載してあるが、その記載の順番は複数の動作を実行する順番を限定するものではない。このため、実施形態を実施するときには、その複数の動作の順番を内容的に支障しない範囲で変更することができる。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されることができる。ただし、上記の実施形態の一部または全部は、以下に限られない。
　（付記１）
　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定する決定手段と、
　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、
　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する出力手段と、
　を備える棚割支援装置。
（付記２）
　前記対象商品を、予測される前記棚に陳列した場合の棚割情報を生成する棚割情報生成手段、
　を備え、
　前記予測手段は、前記棚における各位置において前記対象商品を陳列した場合の予測販売数量と、前記棚における各位置において前記対象商品と一緒に陳列する他の商品を陳列した場合の予測販売数量と、を予測し、
　前記棚割情報生成手段は、前記対象商品および前記他の商品ごとに定められた優先度に基づいて、前記優先度が高い商品が、前記棚において予測販売数量がより高くなる位置に陳列する棚割情報を生成する、
　付記１に記載の棚割支援装置。
（付記３）
　前記モデルは、商品のカテゴリ別にあり、
　前記予測手段は、複数の前記モデルのうち、前記対象商品のカテゴリに対応するモデルを用いて、前記棚の候補のそれぞれについての前記予測販売数量を予測する、
　付記１または２に記載の棚割支援装置。
（付記４）
　前記モデルは、商品の販売時期別にあり、
　前記予測手段は、複数の前記モデルのうち、前記対象商品の販売時期に対応するモデルを用いて、前記棚の候補のそれぞれにいての前記予測販売数量を予測する、
　付記１から３のいずれかに記載の棚割支援装置。
（付記５）
　前記モデルは、さらに、商品のカテゴリを説明変数として学習され、
　前記予測手段は、前記モデルに、前記対象商品のカテゴリを入力して、前記棚の候補のそれぞれに前記対象商品を陳列した場合の予測販売数量を予測する、
　付記１から４のいずれかに記載の棚割支援装置。
（付記６）
　前記モデルは、さらに、商品の販売時期を説明変数として学習され、
　前記予測手段は、前記モデルに、前記対象商品の販売時期を入力して、前記棚の候補のそれぞれに前記対象商品を陳列した場合の予測販売数量を予測する、
　付記１から５のいずれかに記載の棚割支援装置。
（付記７）
　前記決定手段は、前記複数の棚のうち、前記顧客が多い棚を前記棚の候補に決定する、
　付記１から６のいずれかに記載の棚割支援装置。
（付記８）
　前記決定手段は、前記複数の棚のうち、前記顧客の滞留時間が長い棚を前記棚の候補に決定する、
　付記１から７のいずれかに記載の棚割支援装置。
（付記９）
　前記商品を配置した棚と前記商品の販売数量との対応関係を学習することにより、前記モデルを生成する学習手段、
　をさらに備える付記１から８のいずれかに記載の棚割支援装置。
（付記１０）
　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、
　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する出力手段と、
　を備える棚割支援装置。
（付記１１）
　前記予測手段は、前記モデルに、予定の人流情報を入力して、前記複数の棚のそれぞれに前記対象商品を配置した場合の予測販売数量を予測する、
　付記１０に記載の棚割支援装置。
（付記１２）
　前記予定の人流情報は、前記対象商品が販売される時期と同時期の人流情報である、
　付記１１に記載の棚割支援装置。
（付記１３）
　前記対象商品を、予測される前記棚に陳列した場合の棚割情報を生成する棚割情報生成手段、
　を備え、
　前記予測手段は、前記棚における各位置において前記対象商品を陳列した場合の予測販売数量と、前記棚における各位置において前記対象商品と一緒に陳列する他の商品を陳列した場合の予測販売数量と、を予測し、
　前記棚割情報生成手段は、前記対象商品および前記他の商品ごとに定められた優先度に基づいて、前記優先度が高い商品が、前記棚において予測販売数量がより高くなる位置に陳列する棚割情報を生成する、
　付記１０から１２のいずれかに記載の棚割支援装置。
（付記１４）
　前記モデルは、商品のカテゴリ別にあり、
　前記予測手段は、複数の前記モデルのうち、前記対象商品のカテゴリに対応するモデルを用いて、前記複数の棚のそれぞれについて前記対象商品を陳列した場合の前記予測販売数量を予測する、
　付記１０から１３のいずれかに記載の棚割支援装置。
（付記１５）
　前記モデルは、商品の販売時期別にあり、
　前記予測手段は、複数の前記モデルのうち、前記対象商品の販売時期に対応するモデルを用いて、前記複数の棚のそれぞれについて前記対象商品を陳列した場合の前記予測販売数量を予測する、
　付記１０から１４のいずれかに記載の棚割支援装置。
（付記１６）
　前記モデルは、さらに、商品のカテゴリを説明変数として学習され、
　前記予測手段は、前記モデルに、前記対象商品のカテゴリを入力して、前記複数の棚のそれぞれに前記対象商品を陳列した場合の予測販売数量を予測する、
　付記１０から１３のいずれかに記載の棚割支援装置。
（付記１７）
　前記モデルは、さらに、商品の販売時期を説明変数として学習され、
　前記予測手段は、前記モデルに、前記対象商品の販売時期を入力して、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する、
　付記１から１３、１６のいずれかに記載の棚割支援装置。
（付記１８）
　前記複数の棚および前記人流情報と、前記商品の販売数量との対応関係を学習することにより、前記モデルを生成する学習手段、
　をさらに備える付記１０から１７のいずれかに記載の棚割支援装置。
（付記１９）
　前記対象商品の前記目標販売数量を取得する取得手段、
　を備える付記１から１８のいずれかに記載の棚割支援装置。
（付記２０）
　前記取得手段は、前記目標販売数量の入力を受け付けることにより、前記目標販売数量を取得する、
　付記１９に記載の棚割支援装置。
（付記２１）
　前記取得手段は、前記対象商品の発注数量を前記目標販売数量として取得する、
　付記１９に記載の棚割支援装置。
（付記２２）
　コンピュータが、
　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、
　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する、
　処理を実行する棚割支援方法。
（付記２３）
　コンピュータが、
　過去に販売された商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、
　処理を実行する棚割支援方法。
（付記２４）
　コンピュータに、
　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、
　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する、
　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
（付記２５）
　コンピュータに、
　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、
　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
（付記２６）
　コンピュータに、
　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、
　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する、
　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
（付記２７）
　コンピュータに、
　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、
　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
　また、上述した付記１に従属する付記２から付記９、付記１９、付記２０、付記２１に記載した構成の一部またはすべては、付記２２、付記２４、付記２６に対しても付記２から付記９、付記１９、付記２０、付記２１と同様の従属関係により従属し得る。また、上述した付記１０に従属する付記１１から付記２１に記載した構成の一部またはすべては、付記２３、付記２５、付記２７に対しても付記１１から付記２１と同様の従属関係により従属し得る。さらには、付記１、付記１０、付記２２、付記２３、付記２４、付記２５、付記２６、付記２７に限らず、上述した各実施形態から逸脱しない範囲において、様々なハードウェア、ソフトウェア、ソフトウェアを記録するための種々の記録手段、またはシステムに対しても同様に、付記として記載した構成の一部またはすべてを従属させ得る。
１０，２０，３０，４０　棚割支援装置
１１　端末装置
８０　コンピュータ
１０２，２０２　決定部
１０４，２０４，３０４，４０４　予測部
１０６，２０６，３０６，４０６　出力部
２０８，４０８　学習部
２１０，４１０　対象商品特定部
２１２，４１２　取得部
２１４，４１４　棚割情報生成部
２１６，４１６　商品決定部
３０４，４０４　予測部
８０１　プロセッサ
８０２　ＲＯＭ
８０３　ＲＡＭ
８０４　記憶装置
８０５　通信インタフェース
８０６　入出力インタフェース
８０７　バス
２０００，４０００　商品ＤＢ
ＮＴ　通信ネットワーク
Ｓ１～Ｓ１９　棚

Claims (20)

  1. 　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定する決定手段と、
    　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、
    　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する出力手段と、
    　を備える棚割支援装置。
  2. 　前記対象商品を、予測される前記棚に陳列した場合の棚割情報を生成する棚割情報生成手段、
    　を備え、
    　前記予測手段は、前記棚における各位置において前記対象商品を陳列した場合の予測販売数量と、前記棚における各位置において前記対象商品と一緒に陳列する他の商品を陳列した場合の予測販売数量と、を予測し、
    　前記棚割情報生成手段は、前記対象商品および前記他の商品ごとに定められた優先度に基づいて、前記優先度が高い商品が、前記棚において予測販売数量がより高くなる位置に陳列する棚割情報を生成する、
    　請求項１に記載の棚割支援装置。
  3. 　前記モデルは、商品のカテゴリ別にあり、
    　前記予測手段は、複数の前記モデルのうち、前記対象商品のカテゴリに対応するモデルを用いて、前記棚の候補のそれぞれについての前記予測販売数量を予測する、
    　請求項１または２に記載の棚割支援装置。
  4. 　前記モデルは、商品の販売時期別にあり、
    　前記予測手段は、複数の前記モデルのうち、前記対象商品の販売時期に対応するモデルを用いて、前記棚の候補のそれぞれについての前記予測販売数量を予測する、
    　請求項１から３のいずれかに記載の棚割支援装置。
  5. 　前記決定手段は、前記複数の棚のうち、前記顧客が多い棚を前記棚の候補に決定する、
    　請求項１から４のいずれかに記載の棚割支援装置。
  6. 　前記決定手段は、前記複数の棚のうち、前記顧客の滞留時間が長い棚を前記棚の候補に決定する、
    　請求項１から５のいずれかに記載の棚割支援装置。
  7. 　前記商品を配置した棚と前記商品の販売数量との対応関係を学習することにより、前記モデルを生成する学習手段、
    　をさらに備える請求項１から６のいずれかに記載の棚割支援装置。
  8. 　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測する予測手段と、
    　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する出力手段と、
    　を備える棚割支援装置。
  9. 　前記予測手段は、前記モデルに、予定の人流情報を入力して、前記複数の棚のそれぞれに前記対象商品を配置した場合の予測販売数量を予測する、
    　請求項８に記載の棚割支援装置。
  10. 　前記予定の人流情報は、前記対象商品が販売される時期と同時期の人流情報である、
    　請求項９に記載の棚割支援装置。
  11. 　前記対象商品を、予測される前記棚に陳列した場合の棚割情報を生成する棚割情報生成手段、
    　を備え、
    　前記予測手段は、前記棚における各位置において前記対象商品を陳列した場合の予測販売数量と、前記棚における各位置において前記対象商品と一緒に陳列する他の商品を陳列した場合の予測販売数量と、を予測し、
    　前記棚割情報生成手段は、前記対象商品および前記他の商品ごとに定められた優先度に基づいて、前記優先度が高い商品が、前記棚において予測販売数量がより高くなる位置に陳列する棚割情報を生成する、
    　請求項８から１０のいずれかに記載の棚割支援装置。
  12. 　前記モデルは、商品のカテゴリ別にあり、
    　前記予測手段は、複数の前記モデルのうち、前記対象商品のカテゴリに対応するモデルを用いて、前記複数の棚のそれぞれについて前記対象商品を陳列した場合の前記予測販売数量を予測する、
    　請求項１０から１１のいずれかに記載の棚割支援装置。
  13. 　前記モデルは、商品の販売時期別にあり、
    　前記予測手段は、複数の前記モデルのうち、前記対象商品の販売時期に対応するモデルを用いて、前記複数の棚のそれぞれについて前記対象商品を陳列した場合の前記予測販売数量を予測する、
    　請求項１０から１２のいずれかに記載の棚割支援装置。
  14. 　前記複数の棚および前記人流情報と、前記商品の販売数量との対応関係を学習することにより、前記モデルを生成する学習手段、
    　をさらに備える請求項８から１３のいずれかに記載の棚割支援装置。
  15. 　前記対象商品の前記目標販売数量を取得する取得手段、
    　を備える請求項１から１４のいずれかに記載の棚割支援装置。
  16. 　前記取得手段は、前記対象商品の発注数量を前記目標販売数量として取得する、
    　請求項１５に記載の棚割支援装置。
  17. 　コンピュータが、
    　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、
    　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
    　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する、
    　処理を実行する棚割支援方法。
  18. 　コンピュータが、
    　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
    　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、
    　処理を実行する棚割支援方法。
  19. 　コンピュータに、
    　商品が陳列された店舗における複数の棚のそれぞれを通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報に基づいて、対象商品を陳列する棚の候補を決定し、
    　前記商品を陳列した棚と前記商品の販売数量との対応関係が学習されたモデルを用いて、前記棚の候補のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
    　前記予測販売数量に基づいて、前記対象商品の目標販売数量を達成すると予測される棚を示す棚情報を出力する、
    　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
  20. 　コンピュータに、
    　商品が陳列された店舗における複数の棚、および、前記複数の棚のそれぞれの前を通過する顧客の多さおよび顧客の滞留の長さの少なくともいずれかを含む人流情報と、前記商品の販売数量との対応関係が学習されたモデルを用いて、前記複数の棚のそれぞれに対象商品を陳列した場合の予測販売数量を予測し、
    　前記予測販売数量に基づいて、前記複数の棚から、前記対象商品の目標販売数量を満たす店舗における棚を示す棚情報を出力する、
    　処理を実行させるプログラムを記録する、前記コンピュータが読み取り可能な非一時的な記録媒体。
PCT/JP2024/001936 2024-01-24 2024-01-24 棚割支援装置、棚割支援方法、および記録媒体 Pending WO2025158552A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/001936 WO2025158552A1 (ja) 2024-01-24 2024-01-24 棚割支援装置、棚割支援方法、および記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2024/001936 WO2025158552A1 (ja) 2024-01-24 2024-01-24 棚割支援装置、棚割支援方法、および記録媒体

Publications (1)

Publication Number Publication Date
WO2025158552A1 true WO2025158552A1 (ja) 2025-07-31

Family

ID=96545050

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2024/001936 Pending WO2025158552A1 (ja) 2024-01-24 2024-01-24 棚割支援装置、棚割支援方法、および記録媒体

Country Status (1)

Country Link
WO (1) WO2025158552A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09179903A (ja) * 1995-12-23 1997-07-11 Nec Corp 仮想店舗図における商品情報分析システム
US20160335586A1 (en) * 2015-05-12 2016-11-17 Oracle International Corporation Display space optimization
WO2016199405A1 (ja) * 2015-06-09 2016-12-15 日本電気株式会社 棚割支援装置、棚割支援システム、棚割支援方法、および、記録媒体
JP2020009157A (ja) * 2018-07-09 2020-01-16 富士ゼロックス株式会社 売上予測装置及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09179903A (ja) * 1995-12-23 1997-07-11 Nec Corp 仮想店舗図における商品情報分析システム
US20160335586A1 (en) * 2015-05-12 2016-11-17 Oracle International Corporation Display space optimization
WO2016199405A1 (ja) * 2015-06-09 2016-12-15 日本電気株式会社 棚割支援装置、棚割支援システム、棚割支援方法、および、記録媒体
JP2020009157A (ja) * 2018-07-09 2020-01-16 富士ゼロックス株式会社 売上予測装置及びプログラム

Similar Documents

Publication Publication Date Title
US11164195B2 (en) Increasing sales efficiency by identifying customers who are most likely to make a purchase
KR102684041B1 (ko) 2d 이미지 추천을 위한 시스템 및 방법
CN112330358A (zh) 产品销量预测的方法和装置、存储介质和电子设备
US20260080461A1 (en) Systems and methods for generating customized augmented reality video
JP2019082865A (ja) 販売促進装置、販売促進方法及び販売促進プログラム
US20170053189A1 (en) Usage Based Content Search Results
US20170286980A1 (en) Evaluating impact of in-store displays on shopping behavior
JP2021043477A (ja) 需要予測装置、需要予測方法、及びプログラム
JP6003736B2 (ja) 情報処理プログラム、情報処理方法および情報処理装置
JP2025159647A (ja) 情報処理システム、情報処理装置、情報処理方法、プログラム
JP2023183546A (ja) 推奨支援システム、推奨支援方法、およびプログラム
JPWO2019187968A1 (ja) 情報処理システム、情報処理方法及び記憶媒体
CN112561162A (zh) 一种信息推荐的方法及装置
JP2018081550A (ja) 営業活動支援装置、営業活動支援方法および営業活動支援プログラム
US10467654B2 (en) Forecasting customer channel choice using cross-channel loyalty
JP5847137B2 (ja) 需要予測装置及びプログラム
JP6584486B2 (ja) 予測装置、予測方法、及び予測プログラム
KR20240029797A (ko) 광고 효과를 예측하여 사용자 맞춤형 동영상 광고를 제공하는 장치
EP4685725A1 (en) Information processing device, information processing method, and information processing program
JP7375990B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN109857498A (zh) 智能内容模板推荐系统及其方法
JP2020021407A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
KR20200097544A (ko) 리셀러들을 위한 콘텐츠 큐레이션 마케팅 플랫폼 시스템
KR20240029795A (ko) 인공지능 기반의 맞춤형 동영상 광고 제공 방법 및 장치
EP3107056A1 (en) Matching system, matching method, and non-transitory computer-readable medium on which program is stored

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: 24920439

Country of ref document: EP

Kind code of ref document: A1