JP6159056B2 - Selection program, selection method and selection device - Google Patents
Selection program, selection method and selection device Download PDFInfo
- Publication number
- JP6159056B2 JP6159056B2 JP2012057905A JP2012057905A JP6159056B2 JP 6159056 B2 JP6159056 B2 JP 6159056B2 JP 2012057905 A JP2012057905 A JP 2012057905A JP 2012057905 A JP2012057905 A JP 2012057905A JP 6159056 B2 JP6159056 B2 JP 6159056B2
- Authority
- JP
- Japan
- Prior art keywords
- sales
- product
- data
- prediction
- selection
- 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.)
- Active
Links
- 238000010187 selection method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims description 42
- 238000003860 storage Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 description 133
- 238000004364 calculation method Methods 0.000 description 39
- 238000012795 verification Methods 0.000 description 38
- 230000001186 cumulative effect Effects 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000009499 grossing Methods 0.000 description 14
- 230000001932 seasonal effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 230000007774 longterm Effects 0.000 description 6
- 230000002498 deadly effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、選択プログラム、選択方法及び選択装置に関する。 The present invention relates to a selection program, a selection method, and a selection device.
従来、商品の生産管理や在庫管理を行うために、商品の需要を予測する需要予測が行われている。需要予測では、商品の需要を予測するための計算手法を規定する予測モデルが種々用いられている。この予測モデルは、過去の実績値から将来の予測値を算出する予測関数を規定する。需要予測を行う際には、需要予測の対象となる商品の特性や季節変動などに応じて予測関数が選択され、選択された予測関数を用いて商品の実績値から予測値が算出される。 Conventionally, in order to perform product production management and inventory management, demand prediction for predicting demand for products has been performed. In the demand prediction, various prediction models that define calculation methods for predicting the demand for goods are used. This prediction model defines a prediction function for calculating a future predicted value from a past actual value. When performing the demand prediction, a prediction function is selected according to the characteristics of the product that is the target of the demand prediction, seasonal variation, and the like, and the predicted value is calculated from the actual value of the product using the selected prediction function.
需要予測に関連する技術として、過去の実績値と予測値との誤差を検証した上で、予測関数を選択する技術が存在する。この技術は、ある商品の過去の実績値のうち直近3ヶ月分のデータを検証用のデータとして利用する。つまり、この技術は、実績値のうち直近3ヶ月分のデータを除いたデータから直近3ヶ月分の予測値を予測関数ごとに算出する。そして、この技術は、直近3ヶ月分の実績値と予測値との誤差を検証し、実績値との誤差が少ない予測値を算出した予測関数を選択する。 As a technique related to demand prediction, there is a technique for selecting a prediction function after verifying an error between a past actual value and a predicted value. This technology uses data for the latest three months among past actual values of a certain product as data for verification. That is, this technique calculates predicted values for the latest three months for each prediction function from data obtained by excluding data for the latest three months from the actual values. Then, this technique verifies an error between the actual value and the predicted value for the latest three months, and selects a prediction function that calculates a predicted value with a small error from the actual value.
ところで、上記の需要予測では、予測精度を向上させることが求められている。しかしながら、予測関数を選択する際に、実績値との誤差が少ない予測関数を選択するだけでは、期待通りの予測精度が得られない場合があることを、発明者は見出した。 By the way, in said demand prediction, improving the prediction precision is calculated | required. However, the inventor has found that, when selecting a prediction function, the prediction accuracy as expected may not be obtained only by selecting a prediction function with a small error from the actual value.
例えば、需要予測の対象となる商品が売れ筋か死に筋かに応じて、その商品を販売する者が重要視する期間が異なる。つまり、売れ筋の商品は、販売機会を失うことなく供給したい商品である。このため、売れ筋の商品の需要予測では、直近の予測精度が高いことが期待される。しかしながら、上記の従来技術では、期待される直近の予測精度が得られない場合があった。 For example, the period for which the person who sells the product attaches importance differs depending on whether the product for which the demand is to be forecasted is a best seller or a dead one. In other words, the best-selling product is a product that one wants to supply without losing sales opportunities. For this reason, it is expected that the most recent prediction accuracy is high in the demand prediction of the best-selling products. However, in the above-described conventional technology, the expected latest prediction accuracy may not be obtained.
一方、死に筋の商品は、在庫数を削減する方向で調整したい商品である。在庫数を調整するためには、需要の長期的な見通しを要するので、死に筋の商品の需要予測では、長期の予測精度が高いことが期待される。しかしながら、上記の従来技術では、期待される長期の予測精度が得られない場合があった。 On the other hand, merchandise that is dying is a product that you want to adjust in a direction that reduces the number of stocks. In order to adjust the number of stocks, it is necessary to have a long-term outlook for demand. Therefore, it is expected that the long-term forecast accuracy is high in the demand forecast for daring products. However, in the above-described conventional technology, there are cases where the expected long-term prediction accuracy cannot be obtained.
開示の技術は、上記に鑑みてなされたものであって、予測精度を向上させることができる選択プログラム、選択方法及び選択装置を提供することを目的とする。 The disclosed technology has been made in view of the above, and an object thereof is to provide a selection program, a selection method, and a selection device that can improve prediction accuracy.
本願の開示する技術は、一つの態様において、受付部と、分類部と、算出部と、選択部とを備える。受付部は、複数の商品について、実績データを受け付ける。分類部は、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。算出部は、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データから複数の予測値を算出する。選択部は、算出した複数の予測値と実績データとに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。 In one aspect, the technology disclosed in the present application includes a reception unit, a classification unit, a calculation unit, and a selection unit. A reception part receives performance data about a plurality of goods. The classification unit classifies the plurality of products into a plurality of groups according to the sales volume of each product. The calculation unit uses a plurality of prediction functions for predicting future sales volume from past sales volume, and calculates a plurality of predicted values from the actual data. A selection part selects a prediction function according to a group among several prediction functions based on the calculated some predicted value and performance data.
本願の開示する技術の一つの態様によれば、予測精度を向上させることができるという効果を奏する。 According to one aspect of the technology disclosed in the present application, there is an effect that the prediction accuracy can be improved.
以下に、本願の開示する選択プログラム、選択方法及び選択装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Embodiments of a selection program, a selection method, and a selection device disclosed in the present application will be described below in detail with reference to the drawings. Note that the present invention is not limited to the embodiments. Each embodiment can be appropriately combined within a range in which processing contents do not contradict each other.
実施例1に係る選択装置の機能構成の一例について説明する。図1は、実施例1に係る選択装置の機能構成を示すブロック図である。図1に示すように、この選択装置100は、記憶部110と、制御部120とを有する。また、選択装置100は、入力装置101と、出力装置102と接続される。選択装置100は、例えば、パーソナルコンピュータやワークステーションなどの情報処理装置に対応する。
An example of a functional configuration of the selection device according to the first embodiment will be described. FIG. 1 is a block diagram illustrating a functional configuration of the selection device according to the first embodiment. As illustrated in FIG. 1, the
入力装置101は、各種情報の入力を受け付ける装置であり、例えば、キーボードやマウス、媒体読み取り装置、あるいはタッチパネル機能付きディスプレイなどに対応する。例えば、入力装置101は、選択装置100を利用する者から、期間ごとの売上数量を示す実績データ111の入力を受け付ける。入力装置101は、受け付けた各種情報の入力を後述の受付部121に出力する。
The input device 101 is a device that receives input of various types of information, and corresponds to, for example, a keyboard, a mouse, a medium reading device, or a display with a touch panel function. For example, the input device 101 receives an input of performance data 111 indicating the sales volume for each period from a person who uses the
出力装置102は、各種情報を出力する装置であり、例えば、ディスプレイやモニタなどに対応する。例えば、出力装置102は、商品ごとの予測関数を、後述の選択部125から受け付ける。出力装置102は、受け付けた各種情報を出力する。
The output device 102 is a device that outputs various types of information, and corresponds to, for example, a display or a monitor. For example, the output device 102 receives a prediction function for each product from the
記憶部110は、実績データ111を記憶する。記憶部110は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)などの半導体メモリ素子、ハードディスク装置や光ディスク装置などの記憶装置に対応する。
The
実績データ111は、例えば、期間ごとの売上数量を示す。一例としては、実績データ111は、後述の受付部121によって記憶部110に格納される。また、他の例としては、実績データ111は、後述の決定部122、分類部123、算出部124及び選択部125によって参照される。
The performance data 111 indicates, for example, the sales volume for each period. As an example, the performance data 111 is stored in the
一態様としては、実績データ111は、需要予測の対象となる複数の商品ごとに、日付と、売上数量と、利益金額とが対応付けられた時系列データを示す。このうち、「日付」は、商品が売れた過去の日付を指す。また、「売上数量」は、1日の間に商品が売れた数量を指す。また、「利益金額」は、1日の間に商品が売れたことによって得られた利益の金額を指す。なお、ここでは、売上数量が1日ごとに集計された場合を例示したが、開示の技術はこれに限定されるものではない。例えば、売上数量が1週ごとに集計されていても良く、1年ごとに集計されていても良い。また、売上数量が集計される単位は、「バケット」とも称される。以下では、バケットが1日である場合を説明する。 As one aspect, the performance data 111 indicates time-series data in which a date, a sales quantity, and a profit amount are associated with each other for each of a plurality of products that are targets of demand prediction. Among these, “date” indicates a past date when the product was sold. “Sales volume” refers to the quantity of products sold during one day. “Profit amount” indicates the amount of profit obtained by selling a product during one day. In addition, although the case where sales volume was totaled for every day was illustrated here, the technique of an indication is not limited to this. For example, the sales volume may be totaled every week or may be totaled every year. The unit in which the sales volume is totaled is also referred to as “bucket”. Below, the case where a bucket is one day is demonstrated.
図2は、実績データとして記憶される情報の一例を示す図である。図2に示す実績データ111は、一例として、商品Aの売上数量を10万個単位で示し、その売上数量によって得られた利益金額を100万円単位で示したものである。図2の1番目のレコードには、日付「20120220」と、売上数量「10」と、利益金額「1」とが対応付けられる。これは、2012年2月20日に売れた商品Aが100万個であり、それによって得られた利益が100万円であることを示す。また、図2の2番目のレコードには、日付「20120219」と、売上数量「14」と、利益金額「2」とが対応付けられる。これは、2012年2月19日に売れた商品Aが140万個であり、それによって得られた利益が200万円であることを示す。また、実績データ111には、他の過去の日付についても同様に、売上数量と、利益金額とが対応付けられる。なお、図2では、一例として、商品Aの実績データ111を例示したが、需要予測の対象となる他の商品の実績データ111についても同様に、日付と、売上数量と、利益金額とが対応付けられる。 FIG. 2 is a diagram illustrating an example of information stored as performance data. The performance data 111 shown in FIG. 2 shows, for example, the sales volume of the product A in units of 100,000, and the profit amount obtained by the sales volume in units of 1 million yen. In the first record in FIG. 2, the date “20120220”, the sales quantity “10”, and the profit amount “1” are associated with each other. This indicates that there are 1 million products A sold on February 20, 2012, and the profit obtained thereby is 1 million yen. Further, the date “201202019”, the sales quantity “14”, and the profit amount “2” are associated with the second record in FIG. This indicates that there are 1.4 million products A sold on February 19, 2012, and the profit obtained thereby is 2 million yen. Similarly, the sales data and the profit amount are associated with the past data 111 for other past dates. In FIG. 2, the actual data 111 of the product A is illustrated as an example, but the date, the sales volume, and the profit amount correspond to the actual data 111 of other products that are targets of demand prediction. Attached.
制御部120は、受付部121と、決定部122と、分類部123と、算出部124と、選択部125とを有する。制御部120の機能は、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)などの集積回路により実現することができる。また、制御部120の機能は、例えば、CPU(Central Processing Unit)が所定のプログラムを実行することで実現することができる。
The control unit 120 includes a reception unit 121, a determination unit 122, a classification unit 123, a calculation unit 124, and a
受付部121は、例えば、複数の商品について、期間ごとの売上数量を示す実績データ111を受け付ける。一例としては、受付部121は、複数の商品ごとに、日付と、売上数量と、利益金額とが対応付けられた実績データ111を受け付ける。そして、受付部121は、受け付けた実績データ111を記憶部110に格納する。
For example, the reception unit 121 receives the record data 111 indicating the sales quantity for each period for a plurality of products. As an example, the accepting unit 121 accepts performance data 111 in which a date, a sales quantity, and a profit amount are associated with each other for each of a plurality of products. Then, the reception unit 121 stores the received performance data 111 in the
また、例えば、受付部121は、受け付けた実績データ111に対して、データ密度分析を実行する。ここで、データ密度分析は、受け付けた時系列データが需要予測の処理対象として十分なデータ密度を有するか否かを判定するものである。例えば、受付部121は、時系列データに含まれる所定の期間について、売上数量のデータを含まないレコードを示す間欠部分と、売上数量のデータを含まないレコードを示す有効部分とをそれぞれ検出する。そして、受付部121は、所定の期間に含まれる有効部分の割合を算出する。そして、受付部121は、算出した割合が閾値以上の場合には、時系列データが需要予測の処理対象として十分なデータ密度を有すると判定し、閾値未満の場合には、時系列データが需要予測の処理対象として十分なデータ密度を有しないと判定する。なお、ここで十分なデータ密度を有しないと判定された時系列データは、例えば、受付部121によって削除される。 For example, the reception unit 121 performs data density analysis on the received performance data 111. Here, the data density analysis is to determine whether or not the received time-series data has a sufficient data density as a processing target for demand prediction. For example, the reception unit 121 detects, for a predetermined period included in the time series data, an intermittent portion indicating a record that does not include sales volume data and an effective portion that indicates a record that does not include sales volume data. And the reception part 121 calculates the ratio of the effective part contained in a predetermined period. Then, the reception unit 121 determines that the time-series data has a sufficient data density as a processing target of the demand prediction when the calculated ratio is equal to or greater than the threshold value, and if the calculated ratio is less than the threshold value, the time-series data includes the demand data. It is determined that there is not enough data density as a prediction processing target. Note that the time series data determined not to have a sufficient data density here is deleted by the receiving unit 121, for example.
また、例えば、受付部121は、受け付けた実績データ111に対して、バラツキ分析を実行する。ここで、バラツキ分析とは、受け付けた時系列データが需要予測の信頼性を保てる程度のバラツキであるか否かを判定するものである。例えば、受付部121は、時系列データに含まれる所定の期間について、売上数量の標準偏差を算出する。そして、受付部121は、算出した標準偏差が閾値未満の場合には、時系列データが需要予測の信頼性を保てる程度のバラツキであると判定し、閾値以上の場合には、時系列データが需要予測の信頼性を保てない程度のバラツキであると判定する。なお、ここで信頼性を保てない程度のバラツキであると判定された時系列データは、例えば、受付部121によって削除される。 For example, the reception unit 121 performs a variation analysis on the received performance data 111. Here, the variation analysis is to determine whether or not the received time-series data is variation enough to maintain the reliability of demand prediction. For example, the reception unit 121 calculates the standard deviation of the sales quantity for a predetermined period included in the time series data. If the calculated standard deviation is less than the threshold, the reception unit 121 determines that the time-series data has enough variation to maintain the reliability of the demand prediction. It is determined that the variation is such that the reliability of demand prediction cannot be maintained. Note that the time-series data determined to have such a variation that the reliability cannot be maintained is deleted by the receiving unit 121, for example.
なお、受付部121は、必ずしもデータ密度分析及びバラツキ分析を実行しなくても良い。例えば、データ密度分析及びバラツキ分析を実行済みの時系列データを受け付けた場合には、受付部121は、データ密度分析及びバラツキ分析を実行しなくても良い。 Note that the reception unit 121 does not necessarily perform the data density analysis and the variation analysis. For example, when receiving time-series data for which data density analysis and variation analysis have been performed, the reception unit 121 does not need to perform data density analysis and variation analysis.
決定部122は、例えば、過去の売上数量から将来の売上数量を予測するための予測モデルを商品ごとに決定する。この予測モデルには、例えば、指数平滑モデル、伸長率モデル及び季節調整モデルなどが含まれる。このうち、指数平滑モデルは、商品の売上数量が安定的に増加することが過去のデータから予測される場合に適用されるモデルである。また、伸長率モデルは、商品の売上数量の変化が、成長期、安定期及び衰退期という一連のライフサイクルを示すことが、過去のデータから予測される場合に適用されるモデルである。また、季節調整モデルは、商品の売上数量が周期性を示すことが過去のデータから予測される場合に適用されるモデルである。それぞれの予測モデルは、過去の売上数量から将来の売上数量を算出する予測関数をそれぞれ含む。 For example, the determination unit 122 determines a prediction model for predicting a future sales quantity from a past sales quantity for each product. Examples of the prediction model include an exponential smoothing model, an expansion rate model, a seasonal adjustment model, and the like. Among them, the exponential smoothing model is a model that is applied when it is predicted from past data that the sales volume of a product will stably increase. The growth rate model is a model applied when it is predicted from past data that a change in the sales volume of a product shows a series of life cycles of a growth period, a stable period, and a decline period. The seasonal adjustment model is a model that is applied when it is predicted from past data that the sales volume of a product shows periodicity. Each prediction model includes a prediction function for calculating a future sales volume from a past sales volume.
ここで、図3Aから図3Cを用いて、決定部122によって予測モデルが決定される場合を説明する。図3Aから図3Cは、決定部122によって決定される予測モデルについて説明するための図である。図3Aから図3Cには、ある商品の売上数量の経時的変化を例示する。図3の縦軸は、売上数量を示し、横軸は時間を示す。図3Aに例示する商品は、売上数量の経時的変化にバラツキが少なく、安定的に増加するという特性を有する。例えば、決定部122は、図3Aに示すような特性を有する商品に対して、指数平滑モデルを適用することを決定する。また、図3Bに例示する商品は、売上数量が一時的に増加した後に、増加が鈍化し、徐々に減少するという特性を有する。例えば、決定部122は、図3Bに示すような特性を有する商品に対して、伸長率モデルを適用することを決定する。また、図3Cに例示する商品は、売上数量が周期性を示すという特性を有する。例えば、決定部122は、図3Cに示すような特性を有する商品に対して、季節調整モデルを適用することを決定する。 Here, the case where a prediction model is determined by the determination part 122 is demonstrated using FIG. 3A to FIG. 3C. 3A to 3C are diagrams for explaining the prediction model determined by the determination unit 122. FIG. 3A to FIG. 3C illustrate changes over time in the sales volume of a certain product. The vertical axis in FIG. 3 indicates the sales volume, and the horizontal axis indicates time. The product illustrated in FIG. 3A has a characteristic that there is little variation in the change in the sales volume with time, and the sales volume increases stably. For example, the determination unit 122 determines to apply the exponential smoothing model to a product having the characteristics shown in FIG. 3A. The product illustrated in FIG. 3B has a characteristic that after the sales volume temporarily increases, the increase slows down and gradually decreases. For example, the determination unit 122 determines to apply the expansion rate model to a product having characteristics as illustrated in FIG. 3B. In addition, the product illustrated in FIG. 3C has a characteristic that the sales quantity shows periodicity. For example, the determination unit 122 determines to apply the seasonal adjustment model to a product having characteristics as illustrated in FIG. 3C.
例えば、決定部122は、記憶部110に記憶された各実績データ111が周期性を有するか否かを判定することで、季節調整モデルを適用するか否かを実績データ111ごとに決定する。一例としては、決定部122は、商品ごとに、実績データ111を所定の周期で重ね合わせ、重ね合わせた売上数量の経時的変化に相関がある場合に、周期性があるものと判定し、その実績データ111に季節調整モデルを適用することを決定する。ここで、周期性の有無を判定するために用いられる周期は、「サイクルパラメータ」とも称される。このサイクルパラメータは、例えば、バケットが1日である場合には、曜日の特性を評価するために「7」が指定される。また、例えば、バケットが1週である場合には、季節の特性を評価するために「52」が指定され、バケットが1年である場合にも、季節の特性を評価するために「12」が指定される。なお、ここで指定されるサイクルパラメータは、これに限定されるものではなく、任意の値が指定されても良い。
For example, the determination unit 122 determines whether to apply the seasonal adjustment model for each performance data 111 by determining whether each performance data 111 stored in the
また、例えば、決定部122は、記憶部110に記憶された各実績データ111が成長期、安定期及び衰退期という一連のライフサイクルを有するか否かを判定することで、伸長率モデルを適用するか否かを実績データ111ごとに決定する。一例としては、決定部122は、商品ごとの実績データ111と、ライフサイクルを有することが既知の商品の実績データ111との間に相関がある場合に、ライフサイクルを有する者と判定し、その実績データ111に伸長率モデルを適用することを決定する。また、例えば、決定部122は、季節調整モデル及び伸長率モデルが適用されない実績データ111には、季節調整モデルを適用することを決定する。
Further, for example, the determination unit 122 applies the growth rate model by determining whether each performance data 111 stored in the
なお、決定部122によって決定される予測モデルは上記の例に限定されるものではない。また、ここでは、決定部122が実績データ111ごとに予測モデルを決定する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、予測モデルが予め指定された実績データ111に対しては、決定部122は、予測モデルを決定しなくても良い。 Note that the prediction model determined by the determination unit 122 is not limited to the above example. Although the case where the determination unit 122 determines a prediction model for each performance data 111 has been described here, the disclosed technique is not limited to this. For example, the determination unit 122 may not determine the prediction model for the performance data 111 in which the prediction model is designated in advance.
分類部123は、例えば、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。一例としては、分類部123は、需要予測の対象となる複数の商品を、各商品の売上数量に応じて売れ筋と死に筋とに分類する。このうち、「売れ筋」は、複数の商品のうち他の商品と比較して良く売れている商品を指し、「死に筋」は、複数の商品のうち他の商品と比較してあまり売れていない商品を指す。なお、売れ筋は、「ネット」とも称される。また、死に筋は、「グロス」とも称される。 For example, the classification unit 123 classifies a plurality of products into a plurality of groups according to the sales volume of each product. As an example, the classification unit 123 classifies a plurality of products that are targets of demand prediction into the best selling and the most dead according to the sales volume of each product. Of these, “Selling” refers to products that sell well compared to other products among multiple products, and “Sustained” refers to products that sell less than other products among multiple products. Refers to a product. Note that the best selling is also referred to as “net”. The dead muscle is also called “gross”.
一態様としては、分類部123は、ABC分析を行って、複数の商品を売れ筋と死に筋とに分類する。この「ABC分析」とは、複数の商品の実績データ111を比較して、各商品に重要度を割り当てるための分析手法であり、重要なものから順にA、B及びCの3つのランクに分類する手法である。例えば、分類部123は、複数の商品を、各商品の実績データ111に含まれる売上数量及び利益金額を用いてABC分析をそれぞれ行った後に、それぞれの分析結果を用いて、各商品を売れ筋と死に筋とに分類する。なお、ABC分析は、「重点分析」とも称される。 As one aspect, the classifying unit 123 performs ABC analysis to classify a plurality of products into the best selling and the most dead. This “ABC analysis” is an analysis method for comparing the performance data 111 of a plurality of products and assigning importance to each product, and classifying them into three ranks A, B and C in order from the most important one. It is a technique to do. For example, the classification unit 123 performs ABC analysis on a plurality of products using the sales volume and profit amount included in the performance data 111 of each product, and then uses each analysis result to identify each product as a best seller. Classify as dead muscle. The ABC analysis is also referred to as “important analysis”.
図4から図7を用いて、分類部123が商品をグループに分類する処理を説明する。図4から図7は、分類部123が商品をグループに分類する処理を説明するための図である。なお、ここでは、分類部123が商品A〜商品Iまでの9種の商品を売れ筋と死に筋とに分類する場合を説明する。また、商品A〜商品Iの各実績データ111は、記憶部110に記憶されているものとする。
A process in which the classification unit 123 classifies the products into groups will be described with reference to FIGS. 4 to 7. FIG. 4 to FIG. 7 are diagrams for explaining a process in which the classification unit 123 classifies products into groups. Here, a case will be described in which the classification unit 123 classifies the nine types of products from the product A to the product I into the best selling and the dead ones. In addition, it is assumed that the record data 111 of the products A to I is stored in the
図4を用いて、分類部123が商品A〜商品IをA〜Cのランクに分類する処理を説明する。図4に示す例では、商品ごとに、売上、構成比、累計及び売上ランクを示す。このうち、「売上」は、所定期間における各商品の売上数量の和を指す。例えば、売上は、図2の実績データ111のうち直近3日間の売上数量の和に対応する。また、例えば、売上は、10万個単位で示される。また、「構成比」は、各商品の売上が全商品の売上の総和に占める割合を指す。また、「累計」は、構成比が大きい商品から順に各商品の構成比を加算した累積構成比を指す。また、「売上ランク」は、累計の値に応じて各商品に割り当てられる重要度を指す。例えば、累計が0%〜70%に対応する商品には、ABC分析によって分析される全商品のうち最も重要であることを示す売上ランク「A」が割り当てられる。また、例えば、累計が70%〜90%に対応する商品には、売上ランク「A」の次に重要であることを示す売上ランク「B」が割り当てられる。また、例えば、累計が90%〜100%に対応する商品には、重要ではないことを示す売上ランク「C」が割り当てられる。なお、売上を算出するための所定期間は、商品の重要度を分析するための期間であり、選択装置100を利用する者が任意に設定して良い。また、売上ランクを割り当てるための累計の値についても、選択装置100を利用する者が任意に設定しても良い。
A process in which the classification unit 123 classifies the products A to I into ranks A to C will be described with reference to FIG. In the example shown in FIG. 4, the sales, the composition ratio, the cumulative total, and the sales rank are shown for each product. Among these, “sales” refers to the sum of the sales volume of each product in a predetermined period. For example, the sales correspond to the sum of the sales quantities for the latest three days in the performance data 111 of FIG. For example, sales are shown in units of 100,000. “Composition ratio” indicates the ratio of sales of each product to the total sales of all products. Further, “cumulative” refers to a cumulative composition ratio obtained by adding the composition ratios of the products in order from the products with the largest composition ratio. “Sales rank” indicates the importance assigned to each product according to the cumulative value. For example, the sales rank “A” indicating the most important of all the products analyzed by the ABC analysis is assigned to the products corresponding to the total of 0% to 70%. Further, for example, a sales rank “B” indicating that the product corresponding to the cumulative total of 70% to 90% is the next most important after the sales rank “A” is assigned. Further, for example, a sales rank “C” indicating that the cumulative total corresponds to 90% to 100% is not important. The predetermined period for calculating the sales is a period for analyzing the importance of the product, and may be arbitrarily set by a person using the
図4に示すように、例えば、分類部123は、商品A〜商品Iの各実績データ111を記憶部110から取得し、各商品の実績データ111のうち直近3日間の売上数量の和を、売上として算出する。一例としては、分類部123は、図4に示すように、商品Aの売上として1000万個を算出し、商品Bの売上として2000万個を算出する。続いて、分類部123は、各商品の売上を加算して全商品の売上の総和を求め、求めた総和に占める各商品の売上の割合を、構成比として算出する。一例としては、分類部123は、図4に示すように、商品Aの構成比として3%を算出し、商品Bの構成比として6%を算出する。その後、分類部123は、構成比が大きい商品から順に各商品の構成比を加算して、最も構成比が大きい商品から各商品までの累計を算出する。一例としては、分類部123は、図4に示すように、商品A〜商品Iのうち、最も構成比が大きい商品Gの構成比「18%」を、商品Gの累計とする。続いて、分類部123は、商品Gの次に構成比が大きい商品Hの構成比「17%」を、Gの累計「18%」に加算して、商品Hまでの累計「35%」を算出する。同様に、分類部123は、構成比が大きい商品から順に各商品の構成比を加算することで、各商品A〜商品Iまでの累計を算出する。そして、分類部123は、累計の値に応じて各商品に売上ランクを割り当てる。一例としては、分類部123は、累計が0%〜70%に対応する4種の商品G,H,I,Fに売上ランク「A」を割り当てる。分類部123は、累計が70%〜90%に対応する2種の商品E,Dに売上ランク「B」を割り当てる。分類部123は、累計が90%〜100%に対応する3種の商品C,B,Aに売上ランク「C」を割り当てる。このように、分類部123は、商品A〜商品Iの各実績データ111を用いて、商品A〜商品IをA〜Cの売上ランクに分類する。なお、ここでは、分類部123が商品をA〜Cの3つのランクに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部123は、A〜Dの4つのランクに分類しても良く、A又はBの2つのランクに分類しても良い。
As illustrated in FIG. 4, for example, the classification unit 123 acquires each result data 111 of the products A to I from the
図5を用いて、分類部123が商品A〜商品IをA〜Cのランクに分類する処理を説明する。図5に示す例では、商品ごとに、利益、構成比、累計及び利益ランクを示す。このうち、「利益」は、所定期間における各商品の利益金額の和を指す。例えば、利益は、図2の実績データ111のうち直近3日間の利益金額の和に対応する。また、例えば、利益は、100万円単位で示される。また、「構成比」は、各商品の利益が全商品の利益の総和に占める割合を指す。また、「累計」は、構成比が大きい商品から順に各商品の構成比を加算した累積構成比を指す。また、「利益ランク」は、累計の値に応じて各商品に割り当てられる重要度を指す。例えば、累計が0%〜70%に対応する商品には、ABC分析によって分析される全商品のうち最も重要であることを示す利益ランク「A」が割り当てられる。また、例えば、累計が70%〜90%に対応する商品には、売上ランク「A」の次に重要であることを示す利益ランク「B」が割り当てられる。また、例えば、累計が90%〜100%に対応する商品には、重要ではないことを示す利益ランク「C」が割り当てられる。なお、利益を算出するための所定期間は、商品の重要度を分析するための期間であり、選択装置100を利用する者が任意に設定して良い。また、利益ランクを割り当てるための累計の値についても、選択装置100を利用する者が任意に設定しても良い。
The process in which the classification unit 123 classifies the products A to I into the ranks A to C will be described with reference to FIG. In the example shown in FIG. 5, the profit, the composition ratio, the cumulative total, and the profit rank are shown for each product. Among these, “profit” refers to the sum of profit amounts of each product in a predetermined period. For example, the profit corresponds to the sum of the profit amounts for the most recent three days in the performance data 111 of FIG. Further, for example, the profit is shown in units of 1 million yen. “Composition ratio” refers to the ratio of the profit of each product to the total profit of all products. Further, “cumulative” refers to a cumulative composition ratio obtained by adding the composition ratios of the products in order from the products with the largest composition ratio. The “profit rank” indicates the importance assigned to each product according to the cumulative value. For example, a profit rank “A” indicating that it is most important among all the products analyzed by ABC analysis is assigned to the products corresponding to the cumulative total of 0% to 70%. Further, for example, a profit rank “B” indicating that it is the next most important product after the sales rank “A” is assigned to products corresponding to a cumulative total of 70% to 90%. Further, for example, a profit rank “C” indicating that it is not important is assigned to a product corresponding to a cumulative total of 90% to 100%. The predetermined period for calculating the profit is a period for analyzing the importance of the product, and may be arbitrarily set by a person using the
図5に示すように、例えば、分類部123は、商品A〜商品Iの各実績データ111を記憶部110から取得し、各商品の実績データ111のうち直近3日間の利益金額の和を、利益として算出する。一例としては、分類部123は、図5に示すように、商品Aの利益として2000万円を算出し、商品Bの利益として1億3000万円を算出する。続いて、分類部123は、各商品の利益を加算して全商品の利益の総和を求め、求めた総和に占める各商品の利益の割合を、構成比として算出する。一例としては、分類部123は、図5に示すように、商品Aの構成比として4%を算出し、商品Bの構成比として26%を算出する。その後、分類部123は、構成比が大きい商品から順に各商品の構成比を加算して、最も構成比が大きい商品から各商品までの累計を算出する。一例としては、分類部123は、図5に示すように、商品A〜商品Iのうち、最も構成比が大きい商品Bの構成比「26%」を、商品Bの累計とする。続いて、分類部123は、商品Bの次に構成比が大きい商品Gの構成比「25%」を、Bの累計「26%」に加算して、商品Gまでの累計「50%」を算出する。同様に、分類部123は、構成比が大きい商品から順に各商品の構成比を加算することで、各商品A〜商品Iまでの累計を算出する。そして、分類部123は、累計の値に応じて各商品に利益ランクを割り当てる。一例としては、分類部123は、累計が0%〜70%に対応する3種の商品B,G,Fに利益ランク「A」を割り当てる。分類部123は、累計が70%〜90%に対応する1種の商品Eに利益ランク「B」を割り当てる。分類部123は、累計が90%〜100%に対応する5種の商品H,A,C,I,Dに利益ランク「C」を割り当てる。このように、分類部123は、商品A〜商品Iの各実績データ111を用いて、商品A〜商品IをA〜Cの利益ランクに分類する。なお、ここでは、分類部123が商品をA〜Cの3つのランクに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部123は、A〜Dの4つのランクに分類しても良く、A又はBの2つのランクに分類しても良い。
As shown in FIG. 5, for example, the classification unit 123 acquires each result data 111 of the products A to I from the
図6及び図7を用いて、分類部123が商品A〜商品Iを売れ筋と死に筋とに分類する処理を説明する。図6には、図4の売上ランクと図5の利益ランクとを集計した結果を例示する。一例として、図6の1つ目のレコードは、商品Aの売上ランクが「C」であり、利益ランクも「C」であることを示す。図7には、9つの格子を有するマトリクスに、図6の集計結果を当てはめたものを例示する。図7に示す例では、横方向をA〜Cの売上ランクとし、縦方向をA〜Cの利益ランクとする。一例として、図7の右上の格子には、売上ランク及び利益ランクがともに「A」である商品F,Gが含まれる。この場合、分類部123は、例えば、図7の領域7aに含まれる商品を売れ筋に分類し、領域7bに含まれる商品を「死に筋」に分類する。つまり、図7の例では、分類部123は、3種の商品E,F,Gを売れ筋に分類し、6種の商品A,B,C,D,H,Iを死に筋に分類する。
A process in which the classification unit 123 classifies the products A to I into the best-selling and dead lines will be described with reference to FIGS. 6 and 7. FIG. 6 exemplifies the result of tabulating the sales rank of FIG. 4 and the profit rank of FIG. As an example, the first record in FIG. 6 indicates that the sales rank of the product A is “C” and the profit rank is also “C”. FIG. 7 illustrates an example in which the aggregation result of FIG. 6 is applied to a matrix having nine lattices. In the example shown in FIG. 7, the horizontal direction is a sales rank of A to C, and the vertical direction is a profit rank of A to C. As an example, the upper right grid in FIG. 7 includes products F and G whose sales rank and profit rank are both “A”. In this case, for example, the classifying unit 123 classifies the product included in the
このように、分類部123は、ABC分析を行って、商品A〜商品Iを売れ筋と死に筋とに分類する。そして、分類部123は、分類した結果を後述の算出部124及び選択部125に出力する。なお、ここでは、分類部123がABC分析を行って売れ筋と死に筋とに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部123は、各商品の売上数量を比較して、売上数量が最も多い商品を売れ筋とし、残りの商品を死に筋としても良い。
In this way, the classification unit 123 performs ABC analysis and classifies the products A to I into the best selling and the dead one. Then, the classification unit 123 outputs the classified result to the calculation unit 124 and the
算出部124は、例えば、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ111から複数の予測値を算出する。この「予測値」は、実績データ111との誤差を検証するために、過去の検証期間について算出されるものである。言い換えると、例えば、算出部124は、各商品の実績データ111のうち、検証期間を除いた期間の実績データ111から、検証期間の予測値を算出する。 For example, the calculation unit 124 calculates a plurality of predicted values from the performance data 111 by using a plurality of prediction functions for predicting a future sales quantity from a past sales quantity. This “predicted value” is calculated for a past verification period in order to verify an error from the actual data 111. In other words, for example, the calculation unit 124 calculates the predicted value of the verification period from the actual data 111 of the period excluding the verification period among the actual data 111 of each product.
一例としては、算出部124は、分類部123によって分類されたグループに応じて、検証期間を設定する。例えば、算出部124は、売上数量が多い商品を含むグループほど短い検証期間を設定し、売上数量が少ない商品を含むグループほど長い検証期間を設定する。続いて、算出部124は、決定部122によって決定された予測モデルに応じた予測関数に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する。そして、算出部124は、生成した複数パターンの予測関数を用いて、設定した検証期間を除いた期間の実績データ111から複数パターンの予測値を商品ごとに算出する。 As an example, the calculation unit 124 sets the verification period according to the group classified by the classification unit 123. For example, the calculation unit 124 sets a shorter verification period for a group including products with a large sales volume, and sets a longer verification period for a group including products with a small sales volume. Subsequently, the calculation unit 124 sets a plurality of patterns of parameters in the prediction function corresponding to the prediction model determined by the determination unit 122, thereby generating a plurality of patterns of prediction functions. And the calculation part 124 calculates the predicted value of a several pattern for every goods from the performance data 111 of the period except the set verification period using the produced | generated prediction function of the several pattern.
図8及び図9を用いて、算出部124が予測値を算出する処理について説明する。図8及び図9は、算出部124が予測値を算出する処理について説明するための図である。図8及び図9の縦軸は、売上数量を示し、横軸は時間を示す。図8の曲線8aは、商品Fの売上数量の経時的変化を示し、図9の曲線9aは、商品Aの売上数量の経時的変化を示す。なお、商品Fは売れ筋に分類され、商品Aは死に筋に分類されるものとする。また、商品A及び商品Fには、予測モデルとして指数平滑モデルが適用されるものとする。この指数平滑モデルで用いられる予測関数は、平滑指数と呼ばれるパラメータを含む。この平滑指数には、例えば、「0.1」から「0.9」までの任意の値が設定される。以下では、説明の都合上、指数平滑モデルで用いられる予測関数を「f(x)」と表記する。
The process in which the calculation part 124 calculates a predicted value is demonstrated using FIG.8 and FIG.9. FIG. 8 and FIG. 9 are diagrams for explaining processing in which the calculation unit 124 calculates a predicted value. 8 and 9, the vertical axis indicates the sales volume, and the horizontal axis indicates time. A
図8及び図9に示すように、算出部124は、売れ筋である商品Fに検証期間8bを設定し、死に筋の商品Aに検証期間9bを設定する。ここで、検証期間8bが検証期間9bよりも短いことが特徴であり、例えば、検証期間8bは、現在から遡った3日間に設定され、検証期間9bは現在から遡った7日間に設定される。続いて、算出部124は、予測関数f(x)に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する。例えば、算出部124は、平滑指数を「0.3」に設定した予測関数f1(x)と、平滑指数を「0.5」に設定した予測関数f2(x)と、平滑指数を「0.7」に設定した予測関数f3(x)とをそれぞれ生成する。そして、図8に示す例では、算出部124は、予測関数f1(x),f2(x)及びf3(x)を用いて、検証期間8bを除いた期間8cの実績データ111から予測値8d,8e及び8fをそれぞれ算出する。このうち、予測値8dは予測関数f1(x)によって算出された予測値に対応し、予測値8eは予測関数f2(x)によって算出された予測値に対応し、予測値8fは予測関数f3(x)によって算出された予測値に対応する。また、図9に示す例では、算出部124は、予測関数f1(x),f2(x)及びf3(x)を用いて、検証期間9bを除いた期間9cの実績データ111から予測値9d,9e及び9fをそれぞれ算出する。このうち、予測値9dは予測関数f1(x)によって算出された予測値に対応し、予測値9eは予測関数f2(x)によって算出された予測値に対応し、予測値9fは予測関数f3(x)によって算出された予測値に対応する。
As illustrated in FIGS. 8 and 9, the calculation unit 124 sets a
このように、算出部124は、複数パターンの予測関数を用いて、検証期間を除いた期間の実績データ111から複数パターンの予測値を商品ごとに算出する。なお、ここでは、算出部124が3パターンの予測関数について3パターンの予測値を算出する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、算出部124は、選択装置100を利用する者が任意の数のパターンのパラメータを予測関数に設定することで、任意の数のパターンの予測値を算出することとしても良い。
As described above, the calculation unit 124 calculates the predicted value of the plurality of patterns for each product from the performance data 111 in the period excluding the verification period, using the prediction function of the plurality of patterns. Here, the case where the calculation unit 124 calculates three patterns of prediction values for the three patterns of prediction functions has been described, but the disclosed technique is not limited to this. For example, the calculation unit 124 may calculate a predicted value of an arbitrary number of patterns by a person using the
選択部125は、複数の予測値と実績データ111とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を選択する。例えば、選択部125は、複数の予測関数のうち、売上数量が多い商品を含むグループほど短い検証期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。また、選択部125は、売上数量が少ない商品を含むグループほど長い検証期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。このとき、選択部125は、分類されたグループに応じた算出方法で、複数パターンの予測値と実績データ111との誤差をそれぞれ検証する。
The
図8に示す例では、選択部125は、検証期間8bについて、商品Fの売上数量の曲線8aと、予測値8d,8e及び8fとの誤差をそれぞれ検証する。このとき、選択部125は、売れ筋である商品Fに対しては、平均絶対偏差(MAD:Mean Absolute Deviation)を用いて誤差を検証する。このMADは、実績データ111と予測値との誤差の絶対値の平均値である。選択部125は、商品Fの売上数量の曲線8aと、予測値8d,8e及び8fとの誤差からMADをそれぞれ算出する。そして、選択部125は、算出したMADが最も小さいものに対応する予測関数を選択する。図8に示す例では、MADが最も小さい予測値は予測値8fであるので、選択部125は、予測値8fに対応する予測関数f3(x)を選択する。
In the example illustrated in FIG. 8, the
図9に示す例では、選択部125は、検証期間9bについて、商品Aの売上数量の曲線9aと、予測値9d,9e及び9fとの誤差をそれぞれ検証する。このとき、選択部125は、死に筋である商品Aに対しては、トラッキングシグナル(TS:Tracking Signal)を用いて誤差を検証する。このTSは、実績データ111と予測値との誤差の累計をMADで除算したものである。選択部125は、商品Aの売上数量の曲線9aと、予測値9d,9e及び9fとの誤差の累計をMADで除算して、TSをそれぞれ算出する。そして、選択部125は、算出したTSが最も小さいものに対応する予測関数を選択する。図9に示す例では、TSが最も小さい予測値は予測値9dであるので、選択部125は、予測値9dに対応する予測関数f1(x)を選択する。
In the example illustrated in FIG. 9, the
このように、選択部125は、複数の予測値と実績データ111とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を商品ごとに選択する。そして、選択部125は、商品ごとに選択した予測関数を出力装置102に出力する。なお、選択部125は、選択した予測関数に設定されたパラメータを特定し、特定したパラメータを出力しても良い。
As described above, the
次に、実施例1に係る選択装置100の処理手順について説明する。図10は、実施例1に係る選択装置100の処理手順を示すフローチャートである。図10に示す処理は、例えば、受付部121が実績データ111を受け付けたことを契機として実行される。
Next, a processing procedure of the
図10に示すように、例えば、受付部121が複数の商品の実績データ111を受け付けると(ステップS101肯定)、受付部121は、各商品の実績データ111を記憶部110に格納する(ステップS102)。 As illustrated in FIG. 10, for example, when the reception unit 121 receives the performance data 111 of a plurality of products (Yes in step S101), the reception unit 121 stores the performance data 111 of each product in the storage unit 110 (step S102). ).
続いて、決定部122は、予測モデルを決定する(ステップS103)。例えば、決定部122は、記憶部110に格納された商品の実績データ111ごとに、指数平滑モデル、伸長率モデル及び季節調整モデルのうち、どの予測モデルを適用するかを決定する。
Subsequently, the determination unit 122 determines a prediction model (step S103). For example, the determination unit 122 determines which prediction model is to be applied among the exponential smoothing model, the expansion rate model, and the seasonal adjustment model for each of the product performance data 111 stored in the
続いて、分類部123は、需要予測の対象となる複数の商品を売れ筋と死に筋とに分類する(ステップS104)。例えば、分類部123は、各商品の売上数量を用いて、各商品をA〜Cの売上ランクに分類する。分類部123は、各商品の利益金額を用いて、各商品をA〜Cの利益ランクに分類する。そして、分類部123は、売上ランクと利益ランクに基づいて、各商品を売れ筋と死に筋とに分類する。 Subsequently, the classifying unit 123 classifies the plurality of products targeted for demand prediction into the best selling and the most dead (step S104). For example, the classification unit 123 uses the sales volume of each product to classify each product into sales ranks A to C. The classification unit 123 classifies each product into the profit ranks A to C using the profit amount of each product. And the classification | category part 123 classify | categorizes each goods into a best selling and a dead line based on a sales rank and a profit rank.
続いて、算出部124は、分類部123によって分類されたグループに応じて、検証期間を設定する(ステップS105)。例えば、算出部124は、売上数量が多い商品を含むグループほど短い検証期間を設定し、売上数量が少ない商品を含むグループほど長い検証期間を設定する。続いて、算出部124は、決定部122によって決定された予測モデルに応じた予測関数に複数パターンのパラメータを設定することで、複数パターンの予測関数を生成する(ステップS106)。そして、算出部124は、生成した複数パターンの予測関数を用いて、設定した検証期間を除いた期間の実績データ111から複数パターンの予測値を商品ごとに算出する(ステップS107)。 Subsequently, the calculation unit 124 sets a verification period according to the group classified by the classification unit 123 (step S105). For example, the calculation unit 124 sets a shorter verification period for a group including products with a large sales volume, and sets a longer verification period for a group including products with a small sales volume. Subsequently, the calculation unit 124 sets a plurality of patterns of parameters to the prediction function corresponding to the prediction model determined by the determination unit 122, thereby generating a plurality of patterns of prediction functions (step S106). And the calculation part 124 calculates the predicted value of a several pattern for every goods from the performance data 111 of the period except the set verification period using the produced | generated prediction function of the several pattern (step S107).
続いて、選択部125は、複数の予測値と実績データ111とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を選択する(ステップS108)。このとき、例えば、選択部125は、売れ筋の商品に対してはMADを用いて誤差を検証し、誤差が最も小さい予測関数を選択する。また、例えば、選択部125は、死に筋の商品に対してはTSを用いて誤差を検証し、誤差が最も小さい予測関数を選択する。
Subsequently, the
そして、選択部125は、商品ごとに選択した予測関数を出力装置102に出力する(ステップS109)。なお、選択部125は、選択した予測関数に設定されたパラメータを特定し、特定したパラメータを出力しても良い。
And the
次に、実施例1に係る選択装置100の効果について説明する。実施例1に係る選択装置100は、例えば、複数の商品について、実績データ111を受け付ける。選択装置100は、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。選択装置100は、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ111から複数の予測値を算出する。選択装置100は、算出した複数の予測値と実績データ111とに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。このため、選択装置100は、予測精度を向上させることができる。
Next, effects of the
また、例えば、選択装置100は、複数の予測関数のうち、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。一方、選択装置100は、複数の予測関数のうち、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択する。すなわち、選択装置100は、例えば、売れ筋の商品ほど短期間の予測値が実績データ111にフィットする予測関数を選択する。一方、選択装置100は、死に筋の商品ほど長期間の予測値が実績データ111にフィットする予測関数を選択する。このように、選択装置100は、売れ筋か死に筋かに応じて適切な期間を用いて予測関数を選択するので、適切なパラメータを選択することができ、予測精度を向上させることができる。
In addition, for example, the
また、例えば、選択装置100は、複数の商品を、各商品の売上数量及び利益金額に応じて、売れ筋と死に筋とに分類する。そして、選択装置100は、売れ筋の商品ほど短期間の予測値が実績データ111にフィットする予測関数を選択する。一方、選択装置100は、死に筋の商品ほど長期間の予測値が実績データ111にフィットする予測関数を選択する。このように、選択装置100は、利益金額を用いて売れ筋と死に筋とに分類するので、例えば、売上数量は多いが利益金額が小さい商品については販売機会を逃しても良いという経営判断を踏まえて分類することができる。
In addition, for example, the
さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、その他の実施例にて実施されても良い。そこで、以下では、その他の実施例について説明する。 Although the embodiments of the present invention have been described so far, the present invention may be implemented in other embodiments besides the above-described embodiments. Therefore, other embodiments will be described below.
例えば、上記の実施例では、実績データ111が利益金額を含む場合を説明したが、必ずしも利益金額が含まれることを要しない。すなわち、実績データ111には、日付と、売上数量とが対応付けられていれば良い。 For example, in the above-described embodiment, the case where the performance data 111 includes the profit amount has been described, but it is not always necessary that the profit amount is included. That is, it is only necessary that the date and the sales quantity are associated with the result data 111.
また、例えば、上記の実施例では、分類部123が各商品の売上数量及び利益金額に応じて売れ筋と死に筋とに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、分類部123は、利益金額を用いることなく、各商品の売上数量に応じて売れ筋と死に筋とに分類することとしても良い。 Further, for example, in the above-described embodiment, the case where the classification unit 123 classifies the merchandise according to the sales volume and the profit amount of each product has been described as the best selling or the dead one, but the disclosed technique is not limited thereto. Absent. For example, the classification unit 123 may classify the item into the best selling or the most dead according to the sales volume of each product without using the profit amount.
また、例えば、上記の実施例では、分類部123が売れ筋と死に筋の2つのグループに分類する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、売れ筋、死に筋の間に中間筋を設け、3つのグループに分類することとしても良い。この場合、例えば、算出部124は、売れ筋の商品の検証期間を3日間に設定し、中間筋の商品の検証期間を5日間に設定し、死に筋の商品の検証期間を7日間に設定する。これによれば、選択装置100は、売れ筋、死に筋のみならず、さらに詳細に分類したグループに応じて適切な期間を設定し、予測関数を選択するので、予測精度を向上させることができる。
Further, for example, in the above-described embodiment, the case where the classification unit 123 classifies into two groups of selling and dead muscles has been described. However, the disclosed technique is not limited to this. For example, an intermediate line may be provided between the best-selling and dead lines, and it may be classified into three groups. In this case, for example, the calculation unit 124 sets the verification period of the hot selling product to 3 days, sets the verification period of the intermediate selling product to 5 days, and sets the verification period of the deadly selling product to 7 days. . According to this, since the
また、例えば、上記の実施例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上述文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。 Further, for example, among the processes described in the above embodiments, all or part of the processes described as being automatically performed can be manually performed, or are described as being performed manually. All or part of the processing can be automatically performed by a known method. In addition, the processing procedures, control procedures, specific names, and information including various data and parameters shown in the above-described document and drawings can be arbitrarily changed unless otherwise specified.
また、図1に示した選択装置100の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、選択装置100の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、選択装置100にネットワークを介して外部記憶装置を接続し、記憶部110が記憶する情報を外部記憶装置が記憶するようにしても良い。
Further, each component of the
また、選択装置100は、選択装置100の各機能を既知の情報処理装置に搭載することによって実現することもできる。既知の情報処理装置は、例えば、パーソナルコンピュータ、ワークステーションなどの装置に対応する。
The
[予測モデルの選択]
また、例えば、上記の実施例では、選択装置100が、予め決定された予測モデルについて、異なるパラメータが設定された複数パターンの予測関数から一つの予測関数を選択する場合を説明したが、開示の技術はこれに限定されるものではない。例えば、選択装置100は、異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択することもできる。
[Select prediction model]
For example, in the above-described embodiment, the case where the
以下では、図8及び図9を用いて、選択装置100が異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択する場合を説明する。ここでは、図8の曲線8aは、商品Fの売上数量の経時的変化を示し、図9の曲線9aは、商品Aの売上数量の経時的変化を示す。なお、商品Fは売れ筋に分類され、商品Aは死に筋に分類されるものとする。また、商品A及び商品Fには、予測モデルとして指数平滑モデル、伸長率モデル及び季節調整モデルが適用されるものとする。以下では、説明の都合上、指数平滑モデルで用いられる予測関数を「f(x)」と表記し、伸長率モデルで用いられる予測関数を「g(x)」と表記とし、季節調整モデルで用いられる予測関数を「h(x)」と表記する。
Below, the case where the
図8及び図9に示すように、算出部124は、売れ筋である商品Fに検証期間8bを設定し、死に筋の商品Aに検証期間9bを設定する。ここで、検証期間8bが検証期間9bよりも短いことが特徴であり、例えば、検証期間8bは、現在から遡った3日間に設定され、検証期間9bは現在から遡った7日間に設定される。そして、図8に示す例では、算出部124は、予測関数f(x),g(x)及びh(x)を用いて、検証期間8bを除いた期間8cの実績データ111から予測値8d,8e及び8fをそれぞれ算出する。このうち、予測値8dは予測関数f(x)によって算出された予測値に対応し、予測値8eは予測関数g(x)によって算出された予測値に対応し、予測値8fは予測関数h(x)によって算出された予測値に対応する。また、図9に示す例では、算出部124は、予測関数f(x),g(x)及びh(x)を用いて、検証期間9bを除いた期間9cの実績データ111から予測値9d,9e及び9fをそれぞれ算出する。このうち、予測値9dは予測関数f(x)によって算出された予測値に対応し、予測値9eは予測関数g(x)によって算出された予測値に対応し、予測値9fは予測関数h(x)によって算出された予測値に対応する。
As illustrated in FIGS. 8 and 9, the calculation unit 124 sets a
続いて、選択部125は、予測値8d,8e,8f,9d,9e及び9fと実績データ111とに基づいて、複数の予測関数から、売れ筋か死に筋かに応じて予測関数を商品ごとに選択する。図8に示す例では、選択部125は、検証期間8bについて、商品Fの売上数量の曲線8aと、予測値8d,8e及び8fとの誤差からMADをそれぞれ算出する。そして、選択部125は、算出したMADが最も小さいものに対応する予測関数を選択する。図8に示す例では、MADが最も小さい予測値は予測値8fであるので、選択部125は、予測値8fに対応する予測関数h(x)を選択する。図9に示す例では、選択部125は、検証期間9bについて、商品Aの売上数量の曲線9aと、予測値9d,9e及び9fとの累計をMADで除算して、TSをそれぞれ算出する。そして、選択部125は、算出したTSが最も小さいものに対応する予測関数を選択する。図9に示す例では、TSが最も小さい予測値は予測値9dであるので、選択部125は、予測値9dに対応する予測関数f(x)を選択する。
Subsequently, the
このように、選択装置100は、異なる予測モデルで生成された複数パターンの予測関数から一つの予測関数を選択する。このため、選択装置100は、売れ筋か死に筋かに応じて適切な期間を用いて予測関数を選択するので、適切な予測モデルを選択することができ、予測精度を向上させることができる。
As described above, the
[データセンタ]
また、例えば、選択装置100は、クラウド上でサービスを提供するデータセンタに適用されても良い。図11は、データセンタへの適用例を説明するための図である。図11に示すように、データセンタ200は、例えば、ネットワーク210を介してクライアント220a,220b・・・と接続される。ネットワーク210には、有線又は無線を問わず、インターネット(Internet)、WAN(Wide Area Network)などの任意の種類の通信網を採用できる。また、クライアント220a,220b・・・は、複数の機関に分散して設置される。また、データセンタ200は、サーバ装置201a,201b・・・と、記憶装置202a,202b・・・とを有する。なお、ここでは、クライアント220a,220b・・・を区別なく述べる場合にクライアント220と総称する。また、サーバ装置201a,201b・・・を区別なく述べる場合にサーバ装置201と総称する。また、記憶装置202a,202b・・・を区別なく述べる場合に記憶装置202と総称する。例えば、データセンタ200は、サーバ装置201を用いて、図1に示した選択装置100の機能を仮想マシンとして実現する。
[Data Center]
For example, the
例えば、データセンタ200において、選択装置100の機能を担う仮想マシンである選択VM(Virtual Machine)は、次のように処理を実行する。すなわち、選択VMは、例えば、複数の商品について、実績データ111を受け付ける。選択VMは、複数の商品を、各商品の売上数量に応じた複数のグループに分類する。選択VMは、過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、実績データ111から複数の予測値を算出する。選択VMは、算出した複数の予測値と実績データ111とに基づいて、複数の予測関数のうち、グループに応じて予測関数を選択する。このため、選択VMは、予測精度を向上させることができる。
For example, in the
[プログラム]
図12は、選択プログラムを実行するコンピュータの一例を示す図である。図12に示すように、コンピュータ300は、各種演算処理を実行するCPU301と、ユーザからデータの入力を受け付ける入力装置302と、モニタ303とを有する。また、コンピュータ300は、記憶媒体からプログラム等を読み取る媒体読み取り装置304と、他の装置と接続するためのインターフェース装置305と、他の装置と無線により接続するための無線通信装置306とを有する。また、コンピュータ300は、各種情報を一時記憶するRAM(Random Access Memory)307と、ハードディスク装置308とを有する。また、各装置301〜308は、バス309に接続される。
[program]
FIG. 12 is a diagram illustrating an example of a computer that executes a selection program. As illustrated in FIG. 12, the
ハードディスク装置308には、図1に示した受付部121、分類部123、算出部124及び選択部125との各処理部と同様の機能を有する選択プログラムが記憶される。また、ハードディスク装置308には、選択プログラムを実現するための各種データが記憶される。
The
CPU301は、ハードディスク装置308に記憶された各プログラムを読み出して、RAM307に展開して実行することで、各種の処理を行う。また、これらのプログラムは、コンピュータを図1に示した受付部121、分類部123、算出部124及び選択部125として機能させることができる。
The
なお、上記の選択プログラムは、必ずしもハードディスク装置308に記憶されている必要はない。例えば、コンピュータが読み取り可能な記録媒体に記憶されたプログラムを、コンピュータ300が読み出して実行するようにしても良い。コンピュータが読み取り可能な記録媒体は、例えば、CD−ROMやDVDディスク、USB(Universal Serial Bus)メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、LAN(Local Area Network)、WAN(Wide Area Network)等に接続された装置にこのプログラムを記憶させておき、コンピュータ300がこれらからプログラムを読み出して実行するようにしても良い。
Note that the above selection program need not necessarily be stored in the
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。 The following supplementary notes are further disclosed with respect to the embodiments including the above examples.
(付記1)コンピュータに、
複数の商品について、期間ごとの売上数量を示す実績データを受け付け、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類し、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出し、
算出した複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する
各処理を実行させることを特徴とする選択プログラム。
(Supplementary note 1)
For multiple products, we accept performance data showing the sales volume for each period,
Classifying the plurality of products into a plurality of groups according to the sales volume of each product;
Using multiple prediction functions to predict future sales volume from past sales volume, calculate multiple prediction values from the actual data,
A selection program that executes each process of selecting a prediction function according to the group from the plurality of prediction functions based on the calculated plurality of prediction values and the actual data.
(付記2)前記選択する処理は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記1に記載の選択プログラム。
(Additional remark 2) The said process to select selects the prediction function with the smallest difference | error between the predicted value and performance data in a short period for the group containing the goods with many sales quantities from these several prediction functions, and there are few sales quantities The selection program according to
(付記3)前記分類する処理は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択する処理は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記1に記載の選択プログラム。
(Additional remark 3) The said classification | category process classifies the said some goods into the some group according to the sales volume and profit amount of each goods,
The selecting process selects a prediction function having a smallest error between the predicted value and the actual data in a short period of time for a group including products having a larger sales volume and profit amount from the plurality of forecast functions, The selection program according to
(付記4)前記選択する処理は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記2または3に記載の選択プログラム。
(Supplementary Note 4) The selection program according to
(付記5)コンピュータによって実行される選択方法であって、
コンピュータが、
複数の商品について、期間ごとの売上数量を示す実績データを受け付け、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類し、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出し、
算出した複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する
各処理を実行することを特徴とする選択方法。
(Appendix 5) A selection method executed by a computer,
Computer
For multiple products, we accept performance data showing the sales volume for each period,
Classifying the plurality of products into a plurality of groups according to the sales volume of each product;
Using multiple prediction functions to predict future sales volume from past sales volume, calculate multiple prediction values from the actual data,
A selection method comprising: executing each process of selecting a prediction function according to the group from the plurality of prediction functions based on the plurality of calculated prediction values and the actual data.
(付記6)前記選択する処理は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記5に記載の選択方法。
(Additional remark 6) The process to select selects a prediction function with the smallest difference | error between the predicted value and performance data in a short period for the group containing a product with many sales quantities from these several prediction functions, and there are few sales quantities The selection method according to
(付記7)前記分類する処理は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択する処理は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記5に記載の選択方法。
(Additional remark 7) The said process to classify | categorize the said some goods into the some group according to the sales quantity and profit amount of each goods,
The selecting process selects a prediction function having a smallest error between the predicted value and the actual data in a short period of time for a group including products having a larger sales volume and profit amount from the plurality of forecast functions, The selection method according to
(付記8)前記選択する処理は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記6または7に記載の選択方法。
(Supplementary note 8) The selection method according to
(付記9)複数の商品について、期間ごとの売上数量を示す実績データを受け付ける受付部と、
前記複数の商品を、各商品の売上数量に応じた複数のグループに分類する分類部と、
過去の売上数量から将来の売上数量を予測する予測関数を複数利用して、前記実績データから複数の予測値を算出する算出部と、
算出された複数の予測値と前記実績データとに基づいて、前記複数の予測関数から、前記グループに応じて予測関数を選択する選択部と
を有することを特徴とする選択装置。
(Additional remark 9) About several goods, the reception part which receives the performance data which show the sales volume for every period,
A classification unit for classifying the plurality of products into a plurality of groups according to the sales volume of each product;
Using a plurality of prediction functions for predicting future sales volume from past sales volume, and calculating a plurality of predicted values from the actual data,
A selection device comprising: a selection unit that selects a prediction function according to the group from the plurality of prediction functions based on the plurality of calculated prediction values and the actual data.
(付記10)前記選択部は、前記複数の予測関数から、売上数量が多い商品を含むグループほど短期間における予測値と実績データとの誤差が最も小さい予測関数を選択し、売上数量が少ない商品を含むグループほど長期間における予測値と実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記9に記載の選択装置。 (Additional remark 10) The said selection part selects the prediction function in which the difference | error of the predicted value and performance data in the short term is the smallest in the group containing a product with many sales quantities from these several prediction functions, and goods with few sales volumes The selection apparatus according to appendix 9, wherein a prediction function having a smallest error between the predicted value and the actual data in a long period is selected for a group including.
(付記11)前記分類部は、前記複数の商品を、各商品の売上数量及び利益金額に応じた複数のグループに分類し、
前記選択部は、前記複数の予測関数から、売上数量及び利益金額が多い商品を含むグループほど短期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択し、売上数量及び利益金額が少ない商品を含むグループほど長期間における前記予測値と前記実績データとの誤差が最も小さい予測関数を選択することを特徴とする付記9に記載の選択装置。
(Additional remark 11) The said classification | category part classifies the said some goods into the some group according to the sales volume and profit amount of each goods,
The selection unit selects, from the plurality of prediction functions, a prediction function in which a difference between the predicted value and the actual data in a short period is the smallest for a group including a product having a large sales volume and profit amount, and the sales volume and profit The selection apparatus according to appendix 9, wherein a group including products with a small amount of money selects a prediction function having a smallest error between the predicted value and the actual data over a long period of time.
(付記12)前記選択部は、分類したグループに応じた算出方法で前記誤差を算出することを特徴とする付記10または11に記載の選択装置。
(Additional remark 12) The said selection part calculates the said error with the calculation method according to the classified group, The selection apparatus of
100 選択装置
101 入力装置
102 出力装置
110 記憶部
111 実績データ
120 制御部
121 受付部
122 決定部
123 分類部
124 算出部
125 選択部
200 データセンタ
201 サーバ装置
202 記憶装置
210 ネットワーク
220 クライアント
300 コンピュータ
301 CPU
302 入力装置
303 モニタ
304 媒体読み取り装置
305 インターフェース装置
306 無線通信装置
307 RAM
308 ハードディスク装置
309 バス
DESCRIPTION OF
302
308 Hard disk device 309 Bus
Claims (5)
商品の売上数量の変化を示す売上実績データを記憶する記憶部から、特定の商品の売上実績データを読み出し、
複数の予測モデルのうち、読み出した前記売上実績データの特性に対応する予測モデルについて、異なる複数種類のパラメータを適用して、複数の売上予測データを生成し、
前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、
前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する、
各処理を実行させることを特徴とする選択プログラム。 On the computer,
Read the sales performance data of a specific product from the storage unit that stores the sales performance data indicating the change in the sales volume of the product,
Applying a plurality of different types of parameters for the prediction model corresponding to the characteristics of the read sales performance data among the plurality of prediction models, generating a plurality of sales prediction data,
Based on the sales performance data, set a specific period shorter as the number of sales of the product is larger,
Wherein in said certain times of the actual sales data for a particular product, based on said a sales record data a plurality of forecast data, applies any of the parameters of the plurality of types of parameters to the prediction model parameters Select as the
A selection program characterized by causing each process to be executed.
コンピュータが、
商品の売上数量の変化を示す売上実績データを記憶する記憶部から、特定の商品の売上実績データを読み出し、
複数の予測モデルのうち、読み出した前記売上実績データの特性に対応する予測モデルについて、異なる複数種類のパラメータを適用して、複数の売上予測データを生成し、
前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、
前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する、
各処理を実行することを特徴とする選択方法。 A selection method performed by a computer,
Computer
Read the sales performance data of a specific product from the storage unit that stores the sales performance data indicating the change in the sales volume of the product,
Applying a plurality of different types of parameters for the prediction model corresponding to the characteristics of the read sales performance data among the plurality of prediction models, generating a plurality of sales prediction data,
Based on the sales performance data, set a specific period shorter as the number of sales of the product is larger,
Wherein in said certain times of the actual sales data for a particular product, based on said a sales record data a plurality of forecast data, applies any of the parameters of the plurality of types of parameters to the prediction model parameters Select as the
A selection method characterized by executing each process.
前記売上実績データに基づいて、前記商品の売上数が大きいほど特定の期間を短く設定し、前記特定の商品の売上実績データのうち前記特定の期間における、売上実績データと前記複数の売上予測データとに基づいて、前記複数種類のパラメータのうちいずれかのパラメータを前記予測モデルに適用するパラメータとして選択する選択部と、
を有することを特徴とする選択装置。 From the storage unit storing the sales result data indicating the change in the sales volume of the product, the sales result data of the specific product is read, and the prediction model corresponding to the characteristics of the read sales result data among the plurality of prediction models, Applying different types of parameters to generate multiple sales forecast data,
The sales on the basis of the actual data, the set specific period shorter the larger sales number of products, in the particular time period of the actual sales data of the particular product, sales record data and the plurality of forecast data And a selection unit that selects any one of the plurality of types of parameters as a parameter to be applied to the prediction model, and
The selection apparatus characterized by having.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012057905A JP6159056B2 (en) | 2012-03-14 | 2012-03-14 | Selection program, selection method and selection device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012057905A JP6159056B2 (en) | 2012-03-14 | 2012-03-14 | Selection program, selection method and selection device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2013191099A JP2013191099A (en) | 2013-09-26 |
JP6159056B2 true JP6159056B2 (en) | 2017-07-05 |
Family
ID=49391246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012057905A Active JP6159056B2 (en) | 2012-03-14 | 2012-03-14 | Selection program, selection method and selection device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6159056B2 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6232258B2 (en) * | 2013-11-07 | 2017-11-15 | 株式会社エヌ・ティ・ティ・データ | Prediction device, prediction method, and program |
WO2016063433A1 (en) * | 2014-10-21 | 2016-04-28 | 日本電気株式会社 | Estimation results display system, estimation results display method, and estimation results display program |
JP2016115157A (en) * | 2014-12-15 | 2016-06-23 | 富士通株式会社 | Sale prediction program provision method, sale prediction program provision program, and sale prediction program provision device |
JP6580334B2 (en) * | 2015-02-06 | 2019-09-25 | 株式会社Jsol | Information processing apparatus, program, and information processing method |
JP6506432B1 (en) * | 2018-03-19 | 2019-04-24 | 三菱電機インフォメーションシステムズ株式会社 | Inventory management system and program |
JP2019192014A (en) * | 2018-04-26 | 2019-10-31 | 株式会社日立ソリューションズ東日本 | Information processing device and information processing method |
JP7406447B2 (en) * | 2020-04-30 | 2023-12-27 | ロジスティード株式会社 | Computer system and item demand forecasting method |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4230975B2 (en) * | 2004-09-17 | 2009-02-25 | キヤノンItソリューションズ株式会社 | Data prediction apparatus, data prediction method, and program |
JP2010108078A (en) * | 2008-10-28 | 2010-05-13 | Hitachi East Japan Solutions Ltd | Demand prediction device |
JP2011095946A (en) * | 2009-10-29 | 2011-05-12 | Mitsubishi Electric Corp | Prediction error-evaluating device, prediction error-evaluating method, and prediction error-evaluating program |
-
2012
- 2012-03-14 JP JP2012057905A patent/JP6159056B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2013191099A (en) | 2013-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6159056B2 (en) | Selection program, selection method and selection device | |
US11182808B2 (en) | Method and system for attributes based forecasting | |
JP5961445B2 (en) | Business results trade-off simulator | |
JP6727149B2 (en) | Electric power transaction support device and market price forecast information generation method | |
US8571916B1 (en) | Methods, systems, and articles of manufacture for determining optimal parameter settings for business initiative testing models | |
Wauters et al. | Study of the stability of earned value management forecasting | |
US20140100989A1 (en) | Systems and methods for deetermining a fair price range for commodities | |
US20150032512A1 (en) | Method and system for optimizing product inventory cost and sales revenue through tuning of replenishment factors | |
US20150161629A1 (en) | Retail optimization for markdown | |
US20210158259A1 (en) | Orchestrated intelligent supply chain optimizer | |
US11727420B2 (en) | Time series clustering analysis for forecasting demand | |
EP1652022A2 (en) | System and method for representing and incorporating available information into uncertainty-based forecasts | |
CN102004982A (en) | Model optimization system using variable scoring | |
US7742939B1 (en) | Visibility index for quality assurance in software development | |
O'Neil et al. | Newsvendor problems with demand shocks and unknown demand distributions | |
KR102097045B1 (en) | Method and apparatus to recommend products reflecting characteristics of users | |
US20230306347A1 (en) | Systems and methods for supply chain optimization with channel saliency | |
JP2005174313A (en) | Method and apparatus for calculating economic value of patent or technology | |
JP6435803B2 (en) | Order quantity determination device, order quantity determination method and order quantity determination program | |
US20160292625A1 (en) | Product data analysis | |
JP7411512B2 (en) | production planning system | |
JP7330783B2 (en) | Information processing system and information processing method | |
JP6968730B2 (en) | Project progress prediction device and project progress prediction system | |
Kuo et al. | Subpopulation preference adjective non-dominated sorting genetic algorithm for multi-objective capacity expansion for matured fabs | |
Beagon et al. | Optimal scheduling of distributed generation to achieve linear aggregate response |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141112 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150826 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150908 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151105 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20160412 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160712 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20160721 |
|
A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20160902 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6159056 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |