JP2005038140A - 商品販売数予測装置と予測方法とそのためのプログラム - Google Patents
商品販売数予測装置と予測方法とそのためのプログラム Download PDFInfo
- Publication number
- JP2005038140A JP2005038140A JP2003199523A JP2003199523A JP2005038140A JP 2005038140 A JP2005038140 A JP 2005038140A JP 2003199523 A JP2003199523 A JP 2003199523A JP 2003199523 A JP2003199523 A JP 2003199523A JP 2005038140 A JP2005038140 A JP 2005038140A
- Authority
- JP
- Japan
- Prior art keywords
- sales
- transition
- predetermined period
- cumulative
- actual
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】少量のデータを利用して、新規商品の販売数を高精度に予測し、全体として効率の良い販売数予測技術を実現する。
【解決手段】推移パターン選択手段５２は、モデル式記憶手段７８ａに記憶されているモデル式と、実績販売数記憶手段７２ａに記憶されている実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算し、累積販売数によって販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の割合推移を計算し、推移記憶手段７６ａに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。予測販売数計算手段５４は、選択された推移パターンの標準推移と、新規商品の第２所定期間経過時時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【選択図】 図２
【解決手段】推移パターン選択手段５２は、モデル式記憶手段７８ａに記憶されているモデル式と、実績販売数記憶手段７２ａに記憶されている実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算し、累積販売数によって販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の割合推移を計算し、推移記憶手段７６ａに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。予測販売数計算手段５４は、選択された推移パターンの標準推移と、新規商品の第２所定期間経過時時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【選択図】 図２
Description
【０００１】
【発明の属する技術分野】本発明は、新規商品の販売数を予測する技術に関する。特に、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する技術に関する。
【０００２】
本明細書中で使用する主要な用語についての説明をする。
単位期間とは、新規商品の販売数予測をする単位となる期間をいう。例えば、販売数の変動サイクルが短い商品であれば１時間、１日、１週等が単位期間に相当する。あるいは、販売数の変動サイクルが長い商品であれば１月、３月、半年、１年等が単位期間に相当する。
第１所定期間とは、販売が開始された新規商品の販売数予測に利用するのに十分なだけの新規商品の実績販売数の推移を示すデータが蓄積される期間をいう。第１所定期間には複数の単位期間が含まれる。例えば、新規商品の販売開始時点から２単位期間の実績販売数の推移データがあれば、その新規商品の将来の販売数を予測するのに十分であれば、第１所定期間は２単位期間となる。あるいは、新規商品の販売開始時点から４単位期間の実績販売数のデータがあれば、その新規商品の将来の販売数を予測するのに十分であれば、第１所定期間は４単位期間となる。
第２所定期間とは、第１所定期間経過時点以降の販売数の予測対象期間をいう例えば、単位期間が１週であり、第１所定期間が４週であるとき、第２所定期間が４８週とされることがある。この場合には、販売開始時点から第１所定期間と第２所定期間が経過した時点は、販売開始時点から５２週が経過した時点となり、販売開始時点からほぼ１年が経過した時点となる。この時点のことを、本明細書では第２所定期間が経過した時点ということがある。単位期間が１ヶ月であり、第１所定期間が３ヶ月であり、第２所定期間が９ヶ月とされることもある。
また、販売数だけではなく、例えば製品が自動車等の場合は、受注数も同様に予測することができる。その場合、予約受注のデータ等、販売開始前のデータを利用することもできる。よって、第１所定期間が、例えば販売開始時点の４週間前から販売開始時点までとなることもある。
【０００３】
【従来の技術】新規商品の販売数を正確に予測することは、販売戦略を決定したり生産計画を立案したりする上で極めて重要である。新規商品の販売数を予測する技術が、特許文献１に開示されている。この技術では、未だ販売されていない新規商品の販売数を、現実に販売している既存商品の販売実績を参考にして予測する。この予測技術では、商品（車両）の特性に関する情報（車種、仕様、諸元、カラー等）と、商品の購入者から得られる情報（性別・年齢・職業・趣味性等の購入者層、購入動機、商品に対する評価等）を利用することによって、商品及び購入者をそれぞれの類似性から集合化し、その集合間の嗜好の強弱を購入実現率と定義し、この購入実現率を用いて新規商品の販売数を予測している。この際、広告宣伝、販売力等の商品性以外の要因をも考慮している。
特許文献２にも、商品の特性に関する情報と、商品の購入者から得られる情報を利用することによって、新規商品の販売数を予測する技術が開示されている。
【０００４】
【特許文献１】
特開２００２−９９７０６号公報
【特許文献２】
特開平９−１２０３９５号公報
【０００５】
【発明が解決しようとする課題】昨今、消費者のニーズが多様化するのに対応して、企業では多種多様な商品を生産することが多い。上記の技術では、商品の種類数が多い場合には、販売数予測に利用すべき商品の特性に関する情報と、商品の購入者から得られる情報の量は膨大となる。このため、新規商品の販売数予測に要する計算量と計算時間が増大化してしまう。
特に、購入者に関する情報を収集するのに、多大の労力、時間、コスト等がかかり、効率的とはいえない。
【０００６】
本発明は、既存商品の実績販売数の推移と、新規商品の販売開始時点から所定期間を経過したときまでの実績販売数の推移から、新規商品のその後の販売数を予測する。少量のデータを利用して、新規商品の販売数を高精度に予測する。
これにより、新規商品の販売数予測に要する計算量と計算時間を減少させ、また、情報収集に要していた労力、時間、コスト等を削減し、全体として効率の良い販売数予測技術を実現する。
【０００７】
【課題を解決するための手段と作用と効果】本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する装置が創作された。
この装置は、第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を記憶しているモデル式記憶手段とを備える。
また、モデル式記憶手段に記憶されているモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段を備える。
また、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段を備える。
また、推移パターン別標準推移記憶手段に記憶されている推移パターン別の標準推移のうち、推移計算手段で計算された推移に最も類似する推移パターンを選択する推移パターン選択手段を備える。
更に、推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段を備える。
【０００８】
本商品販売数予測装置は、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する。例えば、新規商品の販売開始時点から１年間（約５２週）の販売数を予測をしたい場合に、新規商品の販売開始時点から４週（第１所定期間）を経過した時点で、その時点から残りの４８週（第２所定期間）の週別（単位期間別）の販売数を予測する。新規商品の実績販売数の推移と、既存商品の実績販売数の推移を利用して予測する。
実績販売数記憶手段は、新規商品の販売開始時点から第１所定期間が経過するまでの単位期間別の実績販売数の推移を記憶している。例えば、１週目の実績販売数は１０、２週目の実績販売数は９、３週目の実績販売数は１１、４週目の実績販売数は１０という推移を記憶している。
また、推移パターン別標準推移記憶手段は、既存商品の実績販売数から求められる標準推移を推移パターン別に記憶している。ここで推移とは、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値、すなわち、例えば５２週の累積実績販売数を１００％としたときの単位期間別の実績販売数の割合の推移をいう。例えば、ある既存商品の５２週の累積実績販売数が１００で、１週目の実績販売数が１０、２週目の実績販売数が５、３週目の実績販売数が３、・・・であれば、１週目の割合は１０％、２週目の割合は５％、３週目の割合は３％、・・・といった推移となる。これらの各既存商品の推移を、クラスター分析等の既存の手法を用いることによって、類似するものをパターンに分類することができる。例えば、最初から最後まで一定の割合が継続する「安定パターン」や、最初は割合が高くその後は割合が減衰していく「減衰パターン」や、最初は割合が低いがその後は割合が増大していく「増大パターン」等に分類することができる。標準推移とは、これら各推移パターンの標準的な推移であり、例えば、同一推移パターンに属する既存商品の推移の平均値を取ることによって求めることができる。
モデル式記憶手段は、既存商品の実績販売数に基づいて生成されるモデル式を記憶している。モデル式とは、既存商品の第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積実績販売数を算出する式である。例えば、図９（１）に示すように、既存商品の販売開始時点から第１所定期間（４週）経過時点までの累積実績販売数と、既存商品の販売開始時点から第２所定期間（５２週）経過時点までの累積実績販売数を二次元座標にプロットした相関グラフを作成し、相関グラフから一次式又は二次式による近似線を推定してモデル式を生成することができる。このようにシンプルな既存の手法によってモデル式が生成され得る。
【０００９】
本商品販売数予測装置の累積予測販売数計算手段は、モデル式記憶手段に記憶されているモデル式に、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数を計算する。
推移計算手段は、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値、すなわち、第１所定期間経過時点までの各単位期間の実績販売数の割合の推移を計算する。
推移パターン選択手段は、推移パターン別標準推移記憶手段に記憶されている推移パターン別の標準推移のうち最も類似する「推移パターン」を選択する。例えば推移計算手段で計算された単位期間別の実績販売数の推移が、１週目の割合が２％、２週目の割合が１．８％、３週目の割合が２．２％、４週目の割合が２％であれば、最も類似する「安定パターン」を選択する。
予測販売数計算手段は、推移パターン選択手段で選択された推移パターンの標準推移での各単位期間の実績販売数の割合を、累積予測販売数計算手段で計算された新規商品の第２所定期間が経過する時点までの累積予測販売数に乗算して、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【００１０】
本商品販売数予測装置によれば、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移を利用することによって、新規商品の販売数の予測を精度良く行うことができる。これにより、予測処理の負担を軽減して効率向上に寄与することができる。
【００１１】
また、本発明によって、もう一つの方式の商品販売数予測装置が創作された。
この装置は、第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に記憶している推移パターン別モデル式記憶手段とを備える。
また、新規商品の推移パターンを仮定する推移パターン仮定手段と、推移パターン別モデル式記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンのモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段を備える。
また、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段を備える。
また、推移パターン別標準推移記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンの標準推移と、推移計算手段で計算された推移の類似度を計算する推移類似度計算手段と、推移類似度計算手段で計算された類似度が最も高い推移パターンを選択する推移パターン選択手段とを備える。
更に、推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段を備える。
【００１２】
本商品販売数予測装置の推移パターン別モデル式記憶手段は、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に記憶している。例えば、既存商品の各単位期間の販売割合の推移を、第２所定期間経過時点までに累積していくと、図２２（１）に例示するようなグラフを得ることができる。このグラフから、一次式又は二次式による近似線を推定して、推定パターン別のモデル式を生成することができる。本記憶手段は、例えばこの手法によって生成された推定パターン別のモデル式を記憶している。図２２の場合であれば、推移パターンαである商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式と、推移パターンβである商品のモデル式と、推移パターンγである商品のモデル式を記憶している。
【００１３】
推移パターン仮定手段は、新規商品の推移パターンを仮定する。例えば、各既存商品の推移パターンがα，β，γの３つの推移パターンに分類された場合は、新規商品の推移パターンがαであると仮定し、次にβであると仮定し、最後にγであると仮定する。
累積予測販売数計算手段は、推移パターン仮定手段で仮定された推移パターンのモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する。前記したように、新規商品の推移パターンがαであると仮定した場合には、パターンαのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σαを計算する。パターンβであると仮定した場合には、パターンβのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σβを計算する。パターンγであると仮定した場合には、パターンγのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σγを計算する。
推移計算手段は、累積予測販売数Σαによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔαを計算し、累積予測販売数Σβによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔβを計算し、累積予測販売数Σγによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔγを計算する。
【００１４】
推移類似度計算手段は、推移パターン仮定手段で仮定された推移パターンの標準推移と、推移計算手段で計算された推移の類似度を計算する。前記の例では、仮定された推移パターンαの標準推移と、推移Ｔαの類似度を計算し、仮定された推移パターンβの標準推移と、推移Ｔβの類似度を計算し、仮定された推移パターンγの標準推移と、推移Ｔγの類似度を計算する。例えば、標準推移と、推移計算手段で計算された推移との絶対誤差を計算して類似度とすることができる。この場合、絶対誤差が小さいほど類似度が高く、絶対誤差が大きいほど類似度が低いとすることができる。そして推移パターン選択手段は、推移類似度計算手段で計算された類似度が最も高い推移パターンを選択する。
予測販売数計算手段は、推移パターン選択手段で選択された推移パターンの標準推移での各単位期間の実績販売数の割合を、累積予測販売数計算手段で計算された新規商品の第２所定期間が経過する時点までの累積予測販売数に乗算して、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【００１５】
本商品販売数予測装置では、推移パターン別に用意されたモデル式を利用する。推移パターン別のモデル式から計算される累積予測販売数によって新規商品の推移を夫々に計算し、夫々の推移を夫々の推移パターンの標準推移と比較して最も良く類似する推移パターンを選択する。推移パターン別に用意されたモデル式を利用することによって、より誤差の小さい累積予測販売数を得ることができるため、一層精度の高い予測を行なうことが可能となる。
【００１６】
本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する方法が創作された。この方法は、コンピュータによって下記の工程、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る工程と、
・読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
・読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する工程と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程とを実行する。
本商品販売数予測方法によれば、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移から、新規商品の販売数を予測することができ、予測処理の負担を軽減して効率向上に寄与できる。
【００１７】
また、本発明によって、他の商品販売数予測方法が創作された。この方法は、コンピュータによって下記の工程、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に読取る工程と、
・新規商品の推移パターンを仮定する工程と、
・仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
・仮定された推移パターンの標準推移と、推移の類似度を計算する工程と、
・計算された類似度が最も高い推移パターンを選択する工程と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程とを実行する。
本商品販売数予測方法によれば、より精度の高い予測を行なうことが可能となる。
【００１８】
本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測するためのプログラムが創作された。このプログラムは、コンピュータに下記の処理、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る処理と、
・読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
・読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する処理と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理とを実行させる。
本プログラムによると、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移から、新規商品の販売数を精度良く行うことができ、予測処理の負担を軽減して効率向上に寄与できる。
【００１９】
また、本発明によって、他の商品販売数予測のためのプログラムが創作された。このプログラムは、コンピュータに下記の処理、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に読取る処理と、
・新規商品の推移パターンを仮定する処理と、
・仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
・仮定された推移パターンの標準推移と、推移の類似度を計算する処理と、
・計算された類似度が最も高い推移パターンを選択する処理と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理とを実行させる。
本商品販売数予測のためのプログラムによれば、より精度の高い予測を行なうことが可能となる。
【００２０】
【発明の実施の形態】以下に説明する実施例の主要な特徴を最初に列記する。
（形態１）販売数予測装置には、
販売開始時点から１年が経過した既存商品の単位期間別の実績販売数に基づいて、季節指数を算定する季節指数算定手段と、
季節指数算定手段で算定された季節指数に、予測販売数計算手段で計算された新規商品の対応する単位期間の予測販売数を乗算することによって、予測販売数に季節性を付加する季節性付加手段と、
が付加されている。
（形態２）季節性付加手段は、更に、販売系列特性を加味して、予測販売数に季節性を付加する。
（形態３）実績販売数記憶手段は、商品の販売地域を対応付けて記憶しており、推移パターン別標準推移記憶手段は、販売開始時点から５２週以上経過した既存商品のうち、新規商品と同じ販売地域のものの推移パターン別に標準推移を記憶しており、
モデル式記憶手段は、販売開始時点から５２週以上経過した既存商品のうち、新規商品と同じ販売地域のものの実績販売数に基づいて生成されたモデル式を記憶している。
【００２１】
【実施例】初めに、本実施例で使用する主要な用語について説明をする。
本実施例において車種とは、商品である自動車の種類をいう。また、カテゴリーとは、大きさと形状が類似する複数車種が属する分類をいう。例えば、コンパクトカー、セダン、ワゴン等が該当する。
販売系列とは、自動車の販売店が属する系列のことをいう。１つの販売系列で販売できる車種は決まっていることが多い。
割合推移とは、５２週に亘る累積実績販売数を１００％としたときの、各週の実績販売数が占める割合（％）の推移をいう。
【００２２】
図１を参照して、本実施例の販売数の予測対象車種の販売期間と予測対象期間の関係と、販売数予測に利用されるデータを提供する車種の販売期間の関係を説明する。
本実施例では、販売数の予測対象車種はＸである。車種Ｘは現時点における販売期間（第１所定期間）が４週であり、いわば販売開始直後の新規車種である。予測対象期間（第２所定期間）は、販売開始後４週間が経過した現時点から４８週（網掛け付与週）の間であり、販売開始時点から予測対象期間の終了時点までの期間（５２週）は販売計画や生産計画の立案対象となる期間（本実施例では１年）に対応している。
車種Ｘの販売数予測に利用されるデータを提供する車種はＡ〜Ｊである。車種Ａ〜Ｊは、現時点における販売期間が５２週以上の既存車種である。例えば、車種Ａは販売開始時点から現時点までに５２週が経過しており、車種Ｂは１０４週が経過しており、車種Ｃは５３週が経過しており、・・・、車種Ｊは１５６週が経過している。いずれの車種についても、割合推移を作成するのに利用されるデータは販売開始後の５２週（ハッチ付与週）分である。
【００２３】
（第１実施例）図２に、本発明を具現化した第１実施例の販売数予測装置の主要構成のブロック図を示す。
販売数予測装置２０は、データを入力し、記憶し、演算し、演算結果を出力し、演算結果に基づいて周辺装置を機能させるコンピュータであり、純然たるハードウエアの説明は省略する。販売数予測装置２０は、一台のコンピュータで構成してもよいし、必要に応じて入力、記憶、演算、出力の各機能を複数のコンピュータに分散して持たせ、各コンピュータをネットワークで接続し、複数台のコンピュータで一つの販売数予測装置２０として作動するように構成してもよい。
販売数予測装置２０は、コンピュータネットワークを介して、販売部門の管理コンピュータ１０と生産部門の管理コンピュータ６０と相互に通信可能に接続されている。
【００２４】
図２に示された販売数予測装置２０へは、販売部門管理コンピュータ１０からネットワークを介して、週別の実績販売数が、車種とその車種が属するカテゴリーと販売系列と販売地域とに対応付けられて送信されてくる。実績販売数記憶手段７２ａは、送信されてきた実績販売数を記憶している。
図４に、実績販売数記憶手段７２ａに記憶されたデータ構成例を示す。例えば、車種Ａはカテゴリーが１、販売系列が▲１▼、販売地域はａ，ｂのものがあり、実績販売数は販売開始時点から１週目が３５２０、２週目が１５７５、３週目が９９０、４週目が６７５であり、５２週目までの実績販売数が記憶されている（図１に示すように、車種Ａは販売開始時点から５２週が経過している）。また車種Ｂはカテゴリーが１、販売系列が▲１▼、販売地域はｃ，ｄのものがあり、実績販売数は販売開始時点から１週目が１２００、２週目が１１５０、３週目が１２３０、４週目が１１７０であり、１０４週目までの実績販売数が記憶されている（図１に示すように、車種Ｂは販売開始時点から１０４週が経過している）。以下同様に、各車種のカテゴリーと販売系列と販売地域と週別の実績販売数が示されている。
【００２５】
図２に示されたデータ準備手段３０は、販売数の予測に利用されるデータを予め準備しておく。データ準備手段３０によって準備されるのは、季節指数のデータと、季節調整済（以下、季調済という）の実績販売数のデータと、割合推移（標準推移を含む）のデータと、モデル式のデータである。
なお、季節指数のデータと季調済実績販売数のデータは本発明に必須ではない。しかしながら後述する季節性付加処理を行なうために必要であるため、本実施例では準備しておくこととする。したがって、以下に説明する季節指数算定手段３２と季節調整手段３４も本発明に必須の構成ではないが、本実施例では備えておくものとする。
【００２６】
図３に、データ準備手段３０の主要構成のブロック図を示す。
季節指数のデータは、季節指数算定手段３２によって準備される。季節指数算定手段３２は、（１）販売数記憶手段７２ａに記憶された全ての販売単位期間の週別実績販売数を月別に集計し、（２）集計結果から季節指数を算定する。
（１）〜（２）の算定処理については、後に詳細な説明をする。
この場合（１）において、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の単位別、更に（ｄ）販売系列別の単位別に集計を行い、（２）において、これら４つの夫々の単位別の季節指数を算定しておく。
季節指数算定手段３２によって算定された（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種、また（ｄ）販売系列別の季節指数は、季節指数記憶手段７４に記憶される。図５（１）に、季節指数記憶手段７４に記憶された（ｂ）カテゴリー別の季節指数のデータ構成例を示す。例えばカテゴリー１（車種Ａ，Ｂ）の季節指数は、１月が１０３．５、２月が１０５．５、３月が８８．１、・・・であり、最低は１１月の６４．０、最高は６月の１６５．３である。以下同様に、各カテゴリーの１月から１２月までの季節指数が示されている。
【００２７】
季調済実績販売数のデータは、図３の季節調整手段３４によって準備される。季節調整手段３４は、実績販売数記憶手段７２ａに記憶された全ての週別実績販売数に、季節指数記憶手段７４に記憶された季節指数を乗算して、季調済実績販売数を計算する。季節指数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で算定されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で季調済実績販売数を計算する。この計算処理ついては、後に詳細な説明をする。
季節調整手段３４によって計算された季調済実績販売数は、季調済実績販売数記憶手段７２ｂに記憶される。
【００２８】
なお、図２及び図３において、実線は季節調整されていないデータの流れを示し、一点鎖線は季節調整されたデータ（季節指数のデータ自体を含む）の流れを示している。また、符号「ａ」が付された記憶手段は季節調整されていないデータを記憶しており、符号「ｂ」が付された記憶手段は季節調整されたデータを記憶している。
【００２９】
割合推移のデータ（標準推移のデータを含む）は、図３の割合推移作成手段３６によって準備される。割合推移作成手段３６は、（１）実績販売数記憶手段７２ａに記憶された週別実績販売数に基づいて、５２週に亘る各週の実績販売数の割合の推移を作成する。
あるいは、（１）季調済実績販売数記憶手段７２ｂに記憶された週別季調済実績販売数に基づいて、５２週に亘る実績販売数の割合推移を作成する。この場合、季調済実績販売数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で計算されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で割合推移を作成する。
そして、（２）作成された割合推移のうち類似するものをパターンに分類し、（３）推移パターンの標準推移を作成する。
（１）〜（３）の作成処理については、後に詳細な説明をする。
実績販売数に基づいて作成された各車種の割合推移と各推移パターンの標準推移は、推移記憶手段７６ａに記憶される。また、季調済実績販売数に基づいて作成された各車種の割合推移と各推移パターンの標準推移は、推移記憶手段７６ｂに記憶される。
【００３０】
モデル式のデータは、図３のモデル式生成手段３８によって準備される。モデル式生成手段３８は、（１）実績販売数記憶手段７２ａに記憶された週別実績販売数から実績販売数相関グラフを作成する。ここでいう相関グラフとは、車種Ａ〜ｊの販売開始時点から４週までの累積実績販売数と、販売開始時点から５２週までの累積実績販売数との相関を表すグラフである。
あるいは、（１）実績販売数記憶手段７２ｂに記憶された週別の季調済実績販売数から季調済実績販売数相関グラフを作成する。この場合、季調済実績販売数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で計算されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で相関グラフを作成する。
そして、（２）作成された相関グラフからモデル式を生成する。
（１）〜（２）の生成処理については、後に詳細な説明をする。
実績販売数に基づいて生成されたモデル式は、モデル式記憶手段７８ａに記憶される。また、季調済実績販売数に基づいて作成されたモデル式は、モデル式記憶手段７８ｂに記憶される。
【００３１】
以上のように準備されたデータは、図２に示された販売数予測手段５０によって利用される。
販売数予測手段５０は、上記した各種データを利用して、販売数予測処理の目的数である予測販売数を算出する。このために販売数予測手段５０は、推移パターン選択手段５２と、予測販売数計算手段５４と、季節性付加手段５６とを備えている。
なお、季節性付加手段５６は本発明に必須の構成ではないが、予測精度向上のために有効であるため、本実施例では備えておくものとする。
【００３２】
販売数予測手段５０は、所要情報入力手段４０から入力される情報に従って販売数予測処理を実行する。所要情報入力手段４０からは、販売数予測処理に必要な種々の情報が入力される。これらの情報については、以下で説明をする。
【００３３】
販売数予測手段５０の推移パターン選択手段５２は、推移記憶手段７６ａに記憶された標準推移のうち、予測対象車種の割合推移に最も類似する推移パターンを選択する。また、所要情報入力手段４０から季節性付加処理を行なう指示が入力されたときは、推移記憶手段７６ｂに記憶された標準推移のうち、予測対象車種の割合推移に最も類似する推移パターンを選択する。
具体的には、所要情報入力手段４０から前記指示が入力されなかったときは、
（１）モデル式記憶手段７８ａに記憶された予測モデルを利用し、実績販売数記憶手段７２ａに記憶された実績販売数から５２週に亘る累積予測販売数を計算し、
（２）累積予測販売数によって新規商品の販売開始時点から４週の週別の実績販売数を除算し、最初の４週の割合推移を計算し、（３）推移記憶手段７６ａに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。
一方、所要情報入力手段４０から前記指示が入力されたときは、（１）モデル式記憶手段７８ｂに記憶された予測モデルを利用し、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数から５２週に亘る累積予測販売数を計算し、（２）累積予測販売数によって新規商品の販売開始時点から４週の週別の実績販売数を除算し、最初の４週の割合推移を計算し、（３）推移記憶手段７６ｂに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。前記指示では更に、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれの単位で算定された季節指数を利用するのかが指定されるので、（１）から（３）においては指定された単位で季節調整されたデータを利用する。
（１）〜（３）の選択処理については、後に詳細な説明をする。
【００３４】
販売数予測手段５０の予測販売数計算手段５４は、推移パターン選択手段５２で選択された推移パターンの標準推移を利用して、推移パターン選択手段５３で計算された累積予測販売数から予測対象車種の５週〜５２週の週別の予測販売数を計算する。
この場合も、所要情報入力手段４０から季節性付加処理を行なう指示が入力されたか否かによって、季節調整されたデータに基づく標準推移や累積販売数を利用するか否かが決定される。
実績販売数に基づいて計算された予測販売数は、予測販売数記憶手段８０ａに記憶される。また、季節調整されたデータに基づいて計算された予測販売数は、予測販売数記憶手段８０ｂに記憶される。
【００３５】
所要情報入力手段４０から季節性付加処理を行なう指示が入力されたときは、季節性付加手段５６が作動する。季節性付加手段５６は、予測販売数記憶手段８０ｂに記憶された予測販売数に、季節指数７４に記憶された季節指数を乗算して、予測販売数に季節性を付加する。前述のようにこの指示では、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれの単位で算定された季節指数を利用するのかが指定されているので、指定された単位で算定された季節指数を利用する。
更に、販売系列特性を加味する指示が入力されたときは、（ｄ）販売系列別に算定された季節指数も利用して季節性を付加する。
季節性付加手段５６によって季節性が付加された予測販売数は、季節性付加予測販売数記憶手段８２ｃに記憶される。
【００３６】
予測販売数記憶手段８０ａ，８０ｂ、あるいは、季節性付加予測販売数記憶手段８２ｃに記憶されたデータは、販売部門管理コンピュータ１０や生産部門管理コンピュータ６０にコンピュータネットワークを介して送信される。
販売部門管理コンピュータ１０では、送信されてきたデータを利用して、販売戦略の決定や販売計画の立案等を行なうことが可能となる。生産部門管理コンピュータ６０では、送信されてきたデータに基づいて受注予測を行い、生産計画の立案等を行うことが可能となる。
【００３７】
次に、図１１から図１７のフローチャートを参照して、販売数予測装置２０が行なう商品販売数予測処理について説明をする。
図１１は、商品販売数予測処理のメイン処理のフローチャートである。メイン処理は、大きく分けて、データ準備処理（ステップＳ２）、推移パターン選択処理（ステップＳ４）、予測販売数計算処理（ステップＳ６）、季節性付加処理（ステップＳ１０）の４つの処理から構成される。以下では、これらの各処理を詳細に説明する。
【００３８】
図１１のステップＳ２のデータ準備処理では、季節指数算定処理と実績販売数季節調整処理と割合推移作成処理とモデル式生成処理の４つの処理が実行される。
このうち季節指数算定処理と実績販売数季節調整処理は本発明の必須処理ではないが、予測精度向上のために有効であるため、本実施例においては実行するものとする。
【００３９】
まず図１２のフローチャートを参照して、データ準備手段３０の季節指数算定手段３２が実行する季節指数算定処理について説明する。
最初に、実績販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の実績販売数を読取る（ステップＳ２０２）。図４に示す車種Ａ〜Ｊの全ての販売単位期間の週別実績販売数が読取られる。
次に、季節指数算定の単位別に、読取った実績販売数を月別に集計する（ステップＳ２０４）。すなわち、図４に示す実績販売数を、（ａ）車種（Ａ〜Ｊ）別、（ｂ）カテゴリー（１〜５）別、（ｃ）販売系列（▲１▼〜▲３▼）別、（ｄ）全車種（Ａ〜Ｊ）の夫々の単位で、１月〜１２月の月別に集計する。この場合、各車種の販売単位期間は夫々異なっているため、例えば車種Ａについては１月〜１２月までの１周期分の週別実績販売数を集計し、車種Ｂについては２周期分の週別実績販売数を集計する。
【００４０】
続く図１２のステップＳ２０６では、ステップＳ２０４での集計結果から季節指数を、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）販売系列別、（ｄ）全車種の４つの夫々の単位で算定する。季節指数の算定方法としては、月別平均法、連環比率法、移動平均法、センサス局法等の種々の既存の方法を採用することができる。図５（２）に示した式は、最も一般的な月別平均法によるものである。月別平均法では、各月の実績販売数を１年間の実績販売数の平均で除算し、それに１００を乗算することによって、季節指数を求める。
算定した季節指数は、季節指数記憶手段７４に記憶される（ステップＳ２０８）。図５（１）に、季節指数記憶手段７４に記憶された（ｂ）カテゴリー別の季節指数のデータ構成例が示されている。
【００４１】
次に、季節調整手段３４が実行する実績販売数季節調整処理について説明する。
この処理では、実績販売数記憶手段７２ａに記憶された、販売開始時点より５２週以上が経過した車種の全ての週別実績販売数に、季節指数記憶手段７４に記憶された季節指数を乗算して、季調済実績販売数を計算する。この場合、季節指数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で算定されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で季調済実績販売数を計算する。
例えば、図４のカテゴリー１の車種Ａの販売単位期間の１週目から４週目が４月であった場合、図５（１）のカテゴリー１の４月の季節指数（７８．０）を乗算すると、車種Ａについてのカテゴリー別の季調済実績販売数は１週目は３５２０×０．７８≒２７４６、２週目は１５７５×０．７８≒１２２９、３週目は９９０×０．７８≒７７２、４週目は６７５×０．７８≒５２７（小数点第１位以下四捨五入）と計算される。
【００４２】
次に図１３のフローチャートを参照して、割合推移作成手段３６が実行する割合推移作成処理について説明する。
割合推移は、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて作成されるものと、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数に基づいて作成されるものがある。以下では代表として、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて作成される割合推移について説明をする。
最初に販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の５２週分の実績販売数を読取る（ステップＳ２１２）。図４に示す車種Ａ〜Ｊの５２週分の週別実績販売数が読取られる。
【００４３】
次に、ステップＳ２１２で読取った実績販売数から車種別に割合推移を作成する（ステップＳ２１４）。割合推移は、５２週分の実績販売数を累積し、累積した実績販売数を１００％として１週〜５２週の各週の実績販売数が占める割合を求めて作成する。
図６に、作成された車種Ａの割合推移を例示する。（１）は５２週のうち各週の実績販売数が占める割合を数字（％）で示し、（２）は横軸を週、縦軸を％としたグラフで表している。販売開始時点直後の実績販売数が最高であり、後は多少の増減を繰返す割合推移であることがわかる。
【００４４】
続く図１３のステップＳ２１６では、類似する割合推移をパターンに分類する。分類手法の一例として、クラスター分析を用いることができる。クラスター分析では、データを多次元空間内の点とみなして距離を定義し、距離が近いものを類似するとして同じパターン（クラスター）に分類する。
図７でクラスター分析を用いたパターン分類を簡単に説明する。図７は、各車種について、横軸を４週目の実績販売数の割合（％）、縦軸を１２週目の実績販売数の割合（％）とする二次元座標にプロットしたグラフである。楕円で囲まれた各パターン（クラスター）には、プロット点間の距離が近い車種の割合推移が含まれている。ここでは車種Ａ〜Ｊの割合推移がα，β，γの３つの推移パターンに分類されている。なおこの例では簡単のために二次元グラフを利用しているが、３次元以上のグラフを利用することもできる。また、実績販売数の割合（％）以外にも、実績販売数（台数）やその他の値を用いてプロットしてもよい。
【００４５】
続く図１３のステップＳ２１８では、ステップＳ２１６で分類された推移パターンの標準推移を作成する。推移パターン内の各車種の割合推移の平均値を取ることにより、標準推移を作成する。例えば、パターンαの標準推移を作成する場合、パターンαに属する車種Ａの１週目の実績販売数の割合（図６（１）を参照）と、車種Ｄの１週目の実績販売数の割合と、車種Ｇの１週目の実績販売数の割合の平均値を取って標準推移の１週目の割合とし、車種Ａの２週目の実績販売数の割合（図６（１）を参照）と、車種Ｄの２週目の実績販売数の割合と、車種Ｇの２週目の実績販売数の割合の平均値を取って標準推移の２週目の割合とする。この計算を５２週に亘って実行する。同様に、パターンβ，γの標準推移の作成においてもこの計算を実行する。
図８に、作成された標準推移を示している。（１）は各推移パターンの各週の実績販売数が占める割合を数字（％）で示し、（２）は横軸を週、縦軸を％としたグラフで表している。パターンαは販売開始時点直後の実績販売数が最高で、後は多少の増減を繰返すパターンであり、パターンβは微小な増減を繰返すものの、ほぼ一定の実績販売数となるパターンであり、パターンγは販売開始時点直後は実績販売数が少ないが、徐々に増大して後は多少の増減を繰返すパターンであることがわかる。
作成された割合推移は車種と対応付けて、作成された標準推移は推移パターンと対応付けて推移記憶手段７６ａに記憶される（ステップＳ２２０）。なお、季調済実績販売数に基づいて作成された割合推移と標準推移は、推移記憶手段７６ｂに記憶される（同じくステップＳ２２０）。
【００４６】
次に図１４のフローチャートを参照して、モデル式生成手段３８が実行するモデル式生成処理について説明する。
モデル式は、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて生成されるものと、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数に基づいて生成されるものがある。以下では代表として、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて生成されるモデル式について説明をする。
最初に、実績販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の実績販売数を読取る（ステップＳ２２２）。図４に示す車種Ａ〜Ｊの全ての販売単位期間の週別実績販売数が読取られる。
【００４７】
次に、ステップＳ２２２で読取った実績販売数の相関グラフを作成する（ステップＳ２２４）。ここでいう相関グラフとは、ｗ１週まで（第１所定期間）の累積実績販売数と、ｗ２週まで（第１所定期間＋第２所定期間）の累積実績販売数との相関を表すグラフであり、図９（１）に横軸をｗ１週＝４週、縦軸をｗ２週＝５２週とした相関グラフの例が示されている。
【００４８】
続く図１４のステップＳ２２６では、ステップＳ２２４で作成した相関グラフから一次式又は二次式による近似線を推定して、予測対象車種の５２週の累積予測販売数を計算するモデル式を生成する。図９（１）の例示の場合、二次式による近似線ｆ１が推定されるため、（２）に示すモデル式が生成される。
生成されたモデル式は、モデル式記憶手段７８ａに記憶される（ステップＳ２２８）。なお、季調済実績販売数に基づいて作成されたモデル式は、モデル式記憶手段７８ｂに記憶される（同じくステップＳ２２８）。
【００４９】
以上のようにデータ準備処理によって季節指数、割合推移（標準推移を含む）、モデル式の各データの準備が終了すると、図１１のステップＳ４において、推移パターン選択処理が実行される。
図１５のフローチャートを参照して、販売数予測手段５０の推移パターン選択手段５２が実行する推移パターン選択処理を説明する。
最初に、所要情報入力手段４０から、販売数予測処理に必要な種々の情報が入力される（ステップＳ４０２）。販売数予測処理に必須の情報として、予測対象車種の４週の実績販売数が入力される。本実施例では、図１０（１）に示す車種Ｘの４週の実績販売数が入力される。またこのとき、任意の情報として、下記に説明する季節性付加処理のための指示情報も入力することができる（この指示情報の詳細については後述することとする）。
【００５０】
次に、モデル式記憶手段７８ａからモデル式を読取る（ステップＳ４０４）。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、モデル式記憶手段７８ｂからモデル式を読取る（同じくステップＳ４０４）。
ステップＳ４０６では、ステップＳ４０４で読取ったモデル式を利用して、ステップＳ４０２で入力された予測対象車種の４週の累積実績販売数から、５２週に亘る累積予測販売数を計算する。
図１０（１）に示すように、予測対象車種Ｘの４週の累積実績販売数は、６３００＋２２４０＋１８２０＋１４５０＝１１８１０と計算される。これを図９（２）のモデル式に代入すると、５２週に亘る累積予測販売数を計算することができる。計算結果が図１０（２）に例示されている。
【００５１】
続く図１５のステップＳ４０８では、累積予測販売数によって、４週の週別実績販売数を除算して、４週の週別の割合推移を計算する。例えば、図１０（２）に例示する車種Ｘの５２週に亘る累積予測販売数８４３３５によって、（１）に示す４週の週別実績販売数を除算すると、１週目は７．５％、２週目は２．７％、３週目は２．２％、４週目は１．７％という割合推移が計算される（小数点第２位以下は四捨五入）。計算結果が図１０（３）に示されている。
【００５２】
図１５のステップＳ４１０では、推移記憶手段７６ａから各推移パターンの標準推移を読取る。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、推移記憶手段７６ｂから各推移パターンの標準推移を読取る。
ステップＳ４１２では、ステップＳ４１０で読取った標準推移のうち、割合推移に最も類似する推移パターンを選択する。図８に示す標準推移と図１０（３）に示す４週の週別の割合推移の絶対誤差は、パターンαが２．８、パターンβが７．０、パターンγが１２．１であることから、最も類似するのはパターンαであるため、パターンαが選択される。
【００５３】
以上のように推移パターンが選択されると、図１１のステップＳ６において、予測販売数計算処理が実行される。
図１６のフローチャートを参照して、販売数予測手段５０の予測販売数計算手段５４が実行する予測販売数計算処理を説明する。
最初に、推移パターン選択手段５２が計算した予測対象車種の５２週に亘る累積予測販売数を取得する（ステップＳ６０２）。図１０（２）に示す車種Ｘの累積予測販売数が取得される。
次に、推移パターン選択手段５２が選択した推移パターンの標準推移を取得する（ステップＳ６０４）。上記の例ではパターンαの標準推移が取得される。
ステップＳ６０６では、選択された推移パターンの標準推移を利用して、５２週に亘る累積予測販売数から、５週〜５２週の週別の予測販売数を計算する。例えば、図４に示すパターンαの標準推移では５０週目の割合が１．６％、５１週目の割合が１．９％、５２週目の割合が２．１％である。図１０（３）に例示する累積予測販売数を乗算すると、５０週目は１．６％×８４３３５≒１３４９、５１週目は１．９％×８４３３５≒１６０２、５０週目は２．１％×８４３３５≒１７７１（小数点第１位以下四捨五入）という予測販売数が計算される。同様の計算を、５週〜５２週の全ての週について行う。
ステップＳ６０２で取得された５２週に亘る累積予測販売数と、ステップＳ６０６で計算された５週〜５２週の週別予測販売数は、予測販売数記憶手段８０ａに記憶される（ステップＳ６０８）。あるいは、所要情報入力手段４０から季節性付加処理指示が入力された場合は、予測販売数記憶手段８０ｂに記憶される（同じくステップＳ６０８）。
【００５４】
以上のように予測販売数が計算されると、図１１のステップＳ８において、予測販売数に季節性を付加するか否かが判定される。
図１５のステップＳ４０２において所要情報入力手段４０から季節性付加処理指示が入力されていた場合（図１１のステップＳ８でＹＥＳ）は、販売数予測手段５０の季節性付加手段５６が作動して、図１１のステップＳ１０において、予測販売数に季節性を付加する処理を実行する。いずれの商品であっても季節によって販売数は変動するため、季節性を付加することによって、より精度の高い予測販売数を得ることができる。
【００５５】
図１７のフローチャートを参照して、季節性付加手段５６が実行する季節性付加処理を説明する。
最初に、所要情報入力手段４０から季節性付加処理指示とともに入力された、予測対象車種の販売開始日と、利用する季節指数の単位（（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれか）を取得する（ステップＳ１０２）。
次に、ステップＳ１０４では、季節指数記憶手段７４から季節指数を読取る。この際、ステップＳ１０２で入力された単位のうち予測対象車種が属する季節指数（例えば、（ｂ）カテゴリー別の単位が入力された場合、車種Ｘが属するカテゴリー１の季節指数）を読取る。また、入力された販売開始日が属する月を最初の月として（例えば、車種Ｘの販売開始日が４月３日であれば、４月を最初の月として）として読取る。それと共に、予測販売数記憶手段８０ｂから予測対象車種の予測販売数を読取る。
【００５６】
ステップＳ１０６では、所要情報入力手段４０から季節性付加処理指示に併せて、季節指数に販売系列特性を加味する指示が入力されていたか否かを判定する。ＮＯの場合はステップＳ１１０に移行し、ＹＥＳの場合はステップＳ１０８に移行する。
ステップＳ１０８に移行した場合は、ステップＳ１０４で読取った季節指数に販売系列特性指数を加算する。販売系列特性指数は、（ｄ）全車種の季節指数と、（ｄ）販売系列別に算定された季節指数との差である。例えば、全車種の４月の季節指数が７７．０であり、販売系列▲１▼の４月の季節指数が８０．０であるとすると、販売系列▲１▼の特性指数は７７．０−８０．０＝−３．０となる。ステップＳ１０４で読取った季節指数が（ｂ）カテゴリー別であった場合、図５（１）の例示ではカテゴリー１の４月の季節指数が７８．０であるため、車種Ａ，Ｂの販売系列▲１▼の特性指数−３．０を加算して、７５．０という販売系列特性を加味した季節指数を得る。
このように販売系列特性を加味すれば、例えば販売系列で販売促進キャンペーンを行なった結果一時的に販売数が増大した月や、夫々の販売系列の販売力等、季節によらない販売数の変動をも考慮することができる。
【００５７】
ステップＳ１１０では、季節販売数に、対応する週の週別予測販売数を乗算して、季節性付加予測販売数を計算する。ステップＳ１０８で販売系列特性が加味された場合は、販売系列特性が加味された季節指数を用いて計算する。
計算された季節性付加予測販売数は、季節性付加予測販売数記憶手段８２ｃに記憶される。
【００５８】
以上によって、第１実施例の商品販売数予測処理が終了する。
本実施例の商品販売数予測処理では、既存車種の実績販売数から作成されたデータと、予測対象車種の４週の実績販売数のみを利用する。従来から販売数の予測に利用されているシンプルな計算方法を組合せることによって、従来と同様の高い精度の予測販売数を得られる。
したがって、計算量や計算時間を節約することができ、予測処理の効率を向上させることが可能となる。
【００５９】
（第２実施例）第２実施例では、モデル式を推移パターン別に生成し、推移パターン別に予測対象商品の累積予測販売数を計算する。これにより、予測誤差の少ない累積予測販売数を得ることができ、一層精度の高い販売数予測処理を行うことが可能となる。
なお、これ以外の処理や構成等については第１実施例と変わるところがないため、以下では第１実施例と異なる処理や構成等のみについて説明をする。
【００６０】
最初に、第２実施例の販売数予測装置について説明をする。図１８は、第２実施例の販売数予測装置１２０の主要構成のブロック図である。販売数予測装置１２０の主要構成は、第１実施例の販売数予測装置２０の主要構成と変るところがないため、重複説明を省略する。
図１９に、第２実施例の販売数予測装置のデータ準備手段１３０のブロック構成図を示す。このデータ準備手段１３０においては、モデル式生成手段１３８が利用するデータが第１実施例と異なる。モデル式生成手段１３８が利用するデータは、推移記憶手段１７６ａに記憶された標準推移、あるいは、推移記憶手段１７６ｂに記憶された標準推移である。
【００６１】
図２０のフローチャートを参照して、モデル式生成手段１３８が実行するモデル式生成処理を説明する。
最初に、推移記憶手段１７６ａ、または、推移記憶手段１７６ｂから、各推移パターンの標準推移を読取る（ステップＳ２３２）。以下では代表として、推移記憶手段１７６ａから読取った標準推移によって説明をする。図８に示す推移パターンα，β，γの標準推移が読取られる。
次に、各標準推移の累積グラフを作成する（ステップＳ２３４）。図８で示した推移パターンα，β，γの標準推移の各週の割合（％）を累積していくと、図２２（１）に示すような累積グラフを作成することができる。
【００６２】
図２０のステップＳ２３６では、ステップＳ２３４で作成した累積グラフから一次式又は二次式による近似線を推定して、予測対象車種の５２週の累積予測販売数を計算するモデル式を生成する。図２２（１）の例示の場合、パターンαについては二次式による近似線、パターンβについては一次式による近似線、パターンγについては一次式による近似線が推定されるため、（２）に示すモデル式が生成される。
生成されたモデル式は、推移パターンと対応付けられてモデル式記憶手段１７８ａに記憶される（ステップＳ２３８）。なお、推移記憶手段１７６ｂに記憶された標準推移に基づいて作成されたモデル式は、モデル式記憶手段１７８ｂに記憶される（同じくステップＳ２２８）。
【００６３】
以上のように準備されたモデル式を利用して、販売数予測手段１５０の推移パターン選択手段１５２が実行する推移パターン選択処理を、図２１のフローチャートを参照して説明する。
最初に、所要情報入力手段１４０から、販売数予測処理に必要な種々の情報が入力される（ステップＳ４２２）。必須の情報として、図２３（１）に示す車種Ｘの４週の実績販売数が入力される。またこのとき、任意の情報として、季節性付加処理のための指示情報も入力することができる。
【００６４】
次に、最初に処理を行う推移パターンｉを設定する（ステップＳ４２４）。最初に設定する推移パターンは任意に選択することができるが、本実施例においては便宜的にα→β→γの順に処理を行うこととして、最初にαを設定する。ステップＳ４２６では、予測対象車種の推移パターンｉをαに仮定する。
ステップＳ４２８では、モデル式記憶手段１７８ａから仮定された推移パターンのモデル式を読取る。あるいは、ステップＳ４２２において季節性付加処理指示が入力された場合は、モデル式記憶手段１７８ｂから各推移パターンのモデル式を読取る（同じくステップＳ４２８）。
ステップＳ４３０では、ステップＳ４２８で読取った推移パターンのモデル式を利用して、ステップＳ４２２で入力された予測対象車種の４週の累積実績販売数から、５２週に亘る累積予測販売数を計算する。図２２（２）の各推移パターンのモデル式は、各週の累積割合を求めるものである。例えば、４週目の累積割合を求め、これで図２３（１）に示す予測対象車種Ｘの４週までの累積実績販売数を除算すると、予測対象車種の５２週に亘る累積予測販売数を計算することができる。計算結果が図２３（２）に例示されている。まずパターンαのモデル式による累積実績販売数が計算される。
【００６５】
図１５のステップＳ４３２では、ステップＳ４３０で計算された累積予測販売数によって、４週の週別実績販売数を除算して、４週の週別の割合推移を計算する。図２３（２）に例示するパターンαのモデル式による車種Ｘの５２週に亘る累積予測販売数によって、（１）に示す４週の週別実績販売数を除算すると、（３）に例示する割合推移が計算される（１週目は８．５％、２週目は３．０％、３週目は２．５％、４週目は２．０％、小数点第２位以下は四捨五入）。
【００６６】
図１５のステップＳ４３４では、次の推移パターンが残存しているか否かを判定し、ＮＯの場合はステップＳ４３８に移行する。ＹＥＳの場合はステップＳ４３６で次の推移パターンｉとしてβを設定し、ステップＳ４２６に戻ってステップＳ４３２までの一連の処理を実行する。図２３（３）に、パターンβの割合推移が示されている。
再びステップＳ４３４でＹＥＳと判定したら、ステップＳ４３６で次の推移パターンｉとしてγを設定し、ステップＳ４２６に戻ってステップＳ４３２までの一連の処理を実行する。図２３（３）に、パターンγの割合推移が示されている。
続くステップＳ４３４ではＮＯと判定して、ステップＳ４３８に移行する。
【００６７】
図１５のステップＳ４３８では、推移記憶手段７６ａから仮定された各推移パターンの標準推移を読取る。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、推移記憶手段７６ｂから仮定された各推移パターンの標準推移を読取る。
ステップＳ４４０では、ステップＳ４３８で読取った標準推移と、割合推移の類似度が最も高い推移パターンを選択する。図８に示す標準推移と図２３（３）に示す４週の週別の割合推移の絶対誤差は、パターンαが０．９、パターンβが４．３、パターンγが１．２であることから、最も類似度が高いのはパターンαであるため、パターンαが選択される。
【００６８】
以上のように選択された標準推移を利用して、予測販売数計算手段１５４が予測対象車種の５２週に亘る週別予測販売数を計算する。また、このように計算された予測販売数に対して、季節性付加処理手段１５６が季節性を付加する。
【００６９】
このように、本実施例では、推移パターン別にモデル式を生成し、推移パターン別に予測対象車種の５２週に亘る累積予測販売数を計算する。したがって、全車種でモデル式を生成して計算した累積予測販売数よりも誤差の少ない累積予測販売数を得ることができ、一層精度の高い予測販売数を得ることができる。
【００７０】
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
・本実施例では、第１所定期間を販売開始時点から４週としていたが、これに限られるものではない。１週分のデータから十分に予測可能であれば販売開始時点から１週を第１所定期間としてもよいし、更に予測精度を高めたい場合は販売開始時点から８週間、１２週間等のより長い期間を第１所定期間としてもよく、任意の期間を設定することができる。
・本実施例では、第２所定期間を４８週とし、第１所定期間＋第２所定期間を５２週（約１年）としていたが、これに限られるものではない。より短期の予測を行いたい場合は、第１所定期間＋第２所定期間を１２週（約３月）、２６週（約半年）としてもよいし、より長期の予測を行いたい場合は１０４週（約２年）、１５６週（約３年）としてもよく、任意の期間を設定することができる。
・本実施例では、販売地域を考慮せずに全ての商品のデータを利用していたが、予測測対象商品と同じ地域で販売された商品のみを抽出して、これらの商品の実績販売数のデータのみを利用することもできる。これにより、地域性を加味した販売数予測処理を行なうことができる。例えば、図４のでは、予測対象車種Ｘの販売地域はａ及びｄであるため、車種Ａ〜Ｊのうち、販売地域がａ又はｄのものだけを抽出してデータを利用する。例えば車種Ａについては販売地域ａのものだけを抽出し、車種Ｂについては販売地域ｄのものだけを抽出する。車種Ｃ〜Ｊについても販売地域ａ又はｄのものだけを抽出する。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組み合わせによって技術的有用性を発揮するものであり、出願時請求項記載の組み合わせに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
【図面の簡単な説明】
【図１】予測対象車種の販売期間と予対象期間の関係と、データ提供車種の販売期間の関係を説明する図である。
【図２】第１実施例の販売数予測装置の主要構成のブロック図である。
【図３】第１実施例のデータ準備手段の主要構成のブロック図である。
【図４】実績販売数のデータ構成例を示す図である。
【図５】季節指数のデータ構成例を示す図である。
【図６】割合推移の例を示す図である。
【図７】クラスター分析によるパターン分類を説明する図である。
【図８】標準推移の例を示す図である。
【図９】相関グラフとモデル式の例を示す図である。
【図１０】予測対象車種の実績販売数と累積予測販売数と割合推移の例を示す図である。
【図１１】商品販売数予測処理のメイン処理のフローチャートである。
【図１２】季節指数算定処理のフローチャートである。
【図１３】割合推移作成処理のフローチャートである。
【図１４】モデル式生成処理のフローチャートである。
【図１５】推移パターン選択処理のフローチャートである。
【図１６】予測販売数計算処理のフローチャートである。
【図１７】季節性付加処理のフローチャートである。
【図１８】第２実施例の販売数予測装置の主要構成のブロック図である。
【図１９】第２実施例のデータ準備手段の主要構成のブロック図である。
【図２０】モデル式生成処理のフローチャートである。
【図２１】推移パターン選択処理のフローチャートである。
【図２２】累積グラフとモデル式の例を示す図である。
【図２３】予測対象車種の実績販売数と累積予測販売数と割合推移の例を示す図である。
【符号の説明】
２０：販売数予測装置、
３０：データ準備手段、
３２：季節指数算定手段、
３４：季節調整手段、
３６：割合推移作成手段、
３８：モデル式生成手段、
５０：販売数予測手段、
５２：推移パターン選択手段、
５４：予測販売数計算手段、
５６：季節性付加手段、
７２ａ：実績販売数記憶手段、
７６ａ：推移記憶手段、
７８ａ：モデル式記憶手段、
８０ａ：予測販売数記憶手段、
８２ｃ：季節性付加予測販売数記憶手段
【発明の属する技術分野】本発明は、新規商品の販売数を予測する技術に関する。特に、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する技術に関する。
【０００２】
本明細書中で使用する主要な用語についての説明をする。
単位期間とは、新規商品の販売数予測をする単位となる期間をいう。例えば、販売数の変動サイクルが短い商品であれば１時間、１日、１週等が単位期間に相当する。あるいは、販売数の変動サイクルが長い商品であれば１月、３月、半年、１年等が単位期間に相当する。
第１所定期間とは、販売が開始された新規商品の販売数予測に利用するのに十分なだけの新規商品の実績販売数の推移を示すデータが蓄積される期間をいう。第１所定期間には複数の単位期間が含まれる。例えば、新規商品の販売開始時点から２単位期間の実績販売数の推移データがあれば、その新規商品の将来の販売数を予測するのに十分であれば、第１所定期間は２単位期間となる。あるいは、新規商品の販売開始時点から４単位期間の実績販売数のデータがあれば、その新規商品の将来の販売数を予測するのに十分であれば、第１所定期間は４単位期間となる。
第２所定期間とは、第１所定期間経過時点以降の販売数の予測対象期間をいう例えば、単位期間が１週であり、第１所定期間が４週であるとき、第２所定期間が４８週とされることがある。この場合には、販売開始時点から第１所定期間と第２所定期間が経過した時点は、販売開始時点から５２週が経過した時点となり、販売開始時点からほぼ１年が経過した時点となる。この時点のことを、本明細書では第２所定期間が経過した時点ということがある。単位期間が１ヶ月であり、第１所定期間が３ヶ月であり、第２所定期間が９ヶ月とされることもある。
また、販売数だけではなく、例えば製品が自動車等の場合は、受注数も同様に予測することができる。その場合、予約受注のデータ等、販売開始前のデータを利用することもできる。よって、第１所定期間が、例えば販売開始時点の４週間前から販売開始時点までとなることもある。
【０００３】
【従来の技術】新規商品の販売数を正確に予測することは、販売戦略を決定したり生産計画を立案したりする上で極めて重要である。新規商品の販売数を予測する技術が、特許文献１に開示されている。この技術では、未だ販売されていない新規商品の販売数を、現実に販売している既存商品の販売実績を参考にして予測する。この予測技術では、商品（車両）の特性に関する情報（車種、仕様、諸元、カラー等）と、商品の購入者から得られる情報（性別・年齢・職業・趣味性等の購入者層、購入動機、商品に対する評価等）を利用することによって、商品及び購入者をそれぞれの類似性から集合化し、その集合間の嗜好の強弱を購入実現率と定義し、この購入実現率を用いて新規商品の販売数を予測している。この際、広告宣伝、販売力等の商品性以外の要因をも考慮している。
特許文献２にも、商品の特性に関する情報と、商品の購入者から得られる情報を利用することによって、新規商品の販売数を予測する技術が開示されている。
【０００４】
【特許文献１】
特開２００２−９９７０６号公報
【特許文献２】
特開平９−１２０３９５号公報
【０００５】
【発明が解決しようとする課題】昨今、消費者のニーズが多様化するのに対応して、企業では多種多様な商品を生産することが多い。上記の技術では、商品の種類数が多い場合には、販売数予測に利用すべき商品の特性に関する情報と、商品の購入者から得られる情報の量は膨大となる。このため、新規商品の販売数予測に要する計算量と計算時間が増大化してしまう。
特に、購入者に関する情報を収集するのに、多大の労力、時間、コスト等がかかり、効率的とはいえない。
【０００６】
本発明は、既存商品の実績販売数の推移と、新規商品の販売開始時点から所定期間を経過したときまでの実績販売数の推移から、新規商品のその後の販売数を予測する。少量のデータを利用して、新規商品の販売数を高精度に予測する。
これにより、新規商品の販売数予測に要する計算量と計算時間を減少させ、また、情報収集に要していた労力、時間、コスト等を削減し、全体として効率の良い販売数予測技術を実現する。
【０００７】
【課題を解決するための手段と作用と効果】本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する装置が創作された。
この装置は、第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を記憶しているモデル式記憶手段とを備える。
また、モデル式記憶手段に記憶されているモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段を備える。
また、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段を備える。
また、推移パターン別標準推移記憶手段に記憶されている推移パターン別の標準推移のうち、推移計算手段で計算された推移に最も類似する推移パターンを選択する推移パターン選択手段を備える。
更に、推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段を備える。
【０００８】
本商品販売数予測装置は、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する。例えば、新規商品の販売開始時点から１年間（約５２週）の販売数を予測をしたい場合に、新規商品の販売開始時点から４週（第１所定期間）を経過した時点で、その時点から残りの４８週（第２所定期間）の週別（単位期間別）の販売数を予測する。新規商品の実績販売数の推移と、既存商品の実績販売数の推移を利用して予測する。
実績販売数記憶手段は、新規商品の販売開始時点から第１所定期間が経過するまでの単位期間別の実績販売数の推移を記憶している。例えば、１週目の実績販売数は１０、２週目の実績販売数は９、３週目の実績販売数は１１、４週目の実績販売数は１０という推移を記憶している。
また、推移パターン別標準推移記憶手段は、既存商品の実績販売数から求められる標準推移を推移パターン別に記憶している。ここで推移とは、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値、すなわち、例えば５２週の累積実績販売数を１００％としたときの単位期間別の実績販売数の割合の推移をいう。例えば、ある既存商品の５２週の累積実績販売数が１００で、１週目の実績販売数が１０、２週目の実績販売数が５、３週目の実績販売数が３、・・・であれば、１週目の割合は１０％、２週目の割合は５％、３週目の割合は３％、・・・といった推移となる。これらの各既存商品の推移を、クラスター分析等の既存の手法を用いることによって、類似するものをパターンに分類することができる。例えば、最初から最後まで一定の割合が継続する「安定パターン」や、最初は割合が高くその後は割合が減衰していく「減衰パターン」や、最初は割合が低いがその後は割合が増大していく「増大パターン」等に分類することができる。標準推移とは、これら各推移パターンの標準的な推移であり、例えば、同一推移パターンに属する既存商品の推移の平均値を取ることによって求めることができる。
モデル式記憶手段は、既存商品の実績販売数に基づいて生成されるモデル式を記憶している。モデル式とは、既存商品の第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積実績販売数を算出する式である。例えば、図９（１）に示すように、既存商品の販売開始時点から第１所定期間（４週）経過時点までの累積実績販売数と、既存商品の販売開始時点から第２所定期間（５２週）経過時点までの累積実績販売数を二次元座標にプロットした相関グラフを作成し、相関グラフから一次式又は二次式による近似線を推定してモデル式を生成することができる。このようにシンプルな既存の手法によってモデル式が生成され得る。
【０００９】
本商品販売数予測装置の累積予測販売数計算手段は、モデル式記憶手段に記憶されているモデル式に、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数を計算する。
推移計算手段は、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値、すなわち、第１所定期間経過時点までの各単位期間の実績販売数の割合の推移を計算する。
推移パターン選択手段は、推移パターン別標準推移記憶手段に記憶されている推移パターン別の標準推移のうち最も類似する「推移パターン」を選択する。例えば推移計算手段で計算された単位期間別の実績販売数の推移が、１週目の割合が２％、２週目の割合が１．８％、３週目の割合が２．２％、４週目の割合が２％であれば、最も類似する「安定パターン」を選択する。
予測販売数計算手段は、推移パターン選択手段で選択された推移パターンの標準推移での各単位期間の実績販売数の割合を、累積予測販売数計算手段で計算された新規商品の第２所定期間が経過する時点までの累積予測販売数に乗算して、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【００１０】
本商品販売数予測装置によれば、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移を利用することによって、新規商品の販売数の予測を精度良く行うことができる。これにより、予測処理の負担を軽減して効率向上に寄与することができる。
【００１１】
また、本発明によって、もう一つの方式の商品販売数予測装置が創作された。
この装置は、第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に記憶している推移パターン別モデル式記憶手段とを備える。
また、新規商品の推移パターンを仮定する推移パターン仮定手段と、推移パターン別モデル式記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンのモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段を備える。
また、累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段を備える。
また、推移パターン別標準推移記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンの標準推移と、推移計算手段で計算された推移の類似度を計算する推移類似度計算手段と、推移類似度計算手段で計算された類似度が最も高い推移パターンを選択する推移パターン選択手段とを備える。
更に、推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段を備える。
【００１２】
本商品販売数予測装置の推移パターン別モデル式記憶手段は、既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に記憶している。例えば、既存商品の各単位期間の販売割合の推移を、第２所定期間経過時点までに累積していくと、図２２（１）に例示するようなグラフを得ることができる。このグラフから、一次式又は二次式による近似線を推定して、推定パターン別のモデル式を生成することができる。本記憶手段は、例えばこの手法によって生成された推定パターン別のモデル式を記憶している。図２２の場合であれば、推移パターンαである商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式と、推移パターンβである商品のモデル式と、推移パターンγである商品のモデル式を記憶している。
【００１３】
推移パターン仮定手段は、新規商品の推移パターンを仮定する。例えば、各既存商品の推移パターンがα，β，γの３つの推移パターンに分類された場合は、新規商品の推移パターンがαであると仮定し、次にβであると仮定し、最後にγであると仮定する。
累積予測販売数計算手段は、推移パターン仮定手段で仮定された推移パターンのモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する。前記したように、新規商品の推移パターンがαであると仮定した場合には、パターンαのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σαを計算する。パターンβであると仮定した場合には、パターンβのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σβを計算する。パターンγであると仮定した場合には、パターンγのモデル式に、第１所定期間経過時点までの累積実績販売数を代入して、新規商品の第２所定期間経過時点までの累積予測販売数Σγを計算する。
推移計算手段は、累積予測販売数Σαによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔαを計算し、累積予測販売数Σβによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔβを計算し、累積予測販売数Σγによって、新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移Ｔγを計算する。
【００１４】
推移類似度計算手段は、推移パターン仮定手段で仮定された推移パターンの標準推移と、推移計算手段で計算された推移の類似度を計算する。前記の例では、仮定された推移パターンαの標準推移と、推移Ｔαの類似度を計算し、仮定された推移パターンβの標準推移と、推移Ｔβの類似度を計算し、仮定された推移パターンγの標準推移と、推移Ｔγの類似度を計算する。例えば、標準推移と、推移計算手段で計算された推移との絶対誤差を計算して類似度とすることができる。この場合、絶対誤差が小さいほど類似度が高く、絶対誤差が大きいほど類似度が低いとすることができる。そして推移パターン選択手段は、推移類似度計算手段で計算された類似度が最も高い推移パターンを選択する。
予測販売数計算手段は、推移パターン選択手段で選択された推移パターンの標準推移での各単位期間の実績販売数の割合を、累積予測販売数計算手段で計算された新規商品の第２所定期間が経過する時点までの累積予測販売数に乗算して、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する。
【００１５】
本商品販売数予測装置では、推移パターン別に用意されたモデル式を利用する。推移パターン別のモデル式から計算される累積予測販売数によって新規商品の推移を夫々に計算し、夫々の推移を夫々の推移パターンの標準推移と比較して最も良く類似する推移パターンを選択する。推移パターン別に用意されたモデル式を利用することによって、より誤差の小さい累積予測販売数を得ることができるため、一層精度の高い予測を行なうことが可能となる。
【００１６】
本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する方法が創作された。この方法は、コンピュータによって下記の工程、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る工程と、
・読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
・読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する工程と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程とを実行する。
本商品販売数予測方法によれば、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移から、新規商品の販売数を予測することができ、予測処理の負担を軽減して効率向上に寄与できる。
【００１７】
また、本発明によって、他の商品販売数予測方法が創作された。この方法は、コンピュータによって下記の工程、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に読取る工程と、
・新規商品の推移パターンを仮定する工程と、
・仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
・仮定された推移パターンの標準推移と、推移の類似度を計算する工程と、
・計算された類似度が最も高い推移パターンを選択する工程と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程とを実行する。
本商品販売数予測方法によれば、より精度の高い予測を行なうことが可能となる。
【００１８】
本発明によって、新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測するためのプログラムが創作された。このプログラムは、コンピュータに下記の処理、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る処理と、
・読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
・読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する処理と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理とを実行させる。
本プログラムによると、新規商品の第１所定期間の実績販売数の推移と、既存商品の実績販売数の推移から、新規商品の販売数を精度良く行うことができ、予測処理の負担を軽減して効率向上に寄与できる。
【００１９】
また、本発明によって、他の商品販売数予測のためのプログラムが創作された。このプログラムは、コンピュータに下記の処理、即ち、
・第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
・既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
・既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に読取る処理と、
・新規商品の推移パターンを仮定する処理と、
・仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
・計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
・仮定された推移パターンの標準推移と、推移の類似度を計算する処理と、
・計算された類似度が最も高い推移パターンを選択する処理と、
・選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理とを実行させる。
本商品販売数予測のためのプログラムによれば、より精度の高い予測を行なうことが可能となる。
【００２０】
【発明の実施の形態】以下に説明する実施例の主要な特徴を最初に列記する。
（形態１）販売数予測装置には、
販売開始時点から１年が経過した既存商品の単位期間別の実績販売数に基づいて、季節指数を算定する季節指数算定手段と、
季節指数算定手段で算定された季節指数に、予測販売数計算手段で計算された新規商品の対応する単位期間の予測販売数を乗算することによって、予測販売数に季節性を付加する季節性付加手段と、
が付加されている。
（形態２）季節性付加手段は、更に、販売系列特性を加味して、予測販売数に季節性を付加する。
（形態３）実績販売数記憶手段は、商品の販売地域を対応付けて記憶しており、推移パターン別標準推移記憶手段は、販売開始時点から５２週以上経過した既存商品のうち、新規商品と同じ販売地域のものの推移パターン別に標準推移を記憶しており、
モデル式記憶手段は、販売開始時点から５２週以上経過した既存商品のうち、新規商品と同じ販売地域のものの実績販売数に基づいて生成されたモデル式を記憶している。
【００２１】
【実施例】初めに、本実施例で使用する主要な用語について説明をする。
本実施例において車種とは、商品である自動車の種類をいう。また、カテゴリーとは、大きさと形状が類似する複数車種が属する分類をいう。例えば、コンパクトカー、セダン、ワゴン等が該当する。
販売系列とは、自動車の販売店が属する系列のことをいう。１つの販売系列で販売できる車種は決まっていることが多い。
割合推移とは、５２週に亘る累積実績販売数を１００％としたときの、各週の実績販売数が占める割合（％）の推移をいう。
【００２２】
図１を参照して、本実施例の販売数の予測対象車種の販売期間と予測対象期間の関係と、販売数予測に利用されるデータを提供する車種の販売期間の関係を説明する。
本実施例では、販売数の予測対象車種はＸである。車種Ｘは現時点における販売期間（第１所定期間）が４週であり、いわば販売開始直後の新規車種である。予測対象期間（第２所定期間）は、販売開始後４週間が経過した現時点から４８週（網掛け付与週）の間であり、販売開始時点から予測対象期間の終了時点までの期間（５２週）は販売計画や生産計画の立案対象となる期間（本実施例では１年）に対応している。
車種Ｘの販売数予測に利用されるデータを提供する車種はＡ〜Ｊである。車種Ａ〜Ｊは、現時点における販売期間が５２週以上の既存車種である。例えば、車種Ａは販売開始時点から現時点までに５２週が経過しており、車種Ｂは１０４週が経過しており、車種Ｃは５３週が経過しており、・・・、車種Ｊは１５６週が経過している。いずれの車種についても、割合推移を作成するのに利用されるデータは販売開始後の５２週（ハッチ付与週）分である。
【００２３】
（第１実施例）図２に、本発明を具現化した第１実施例の販売数予測装置の主要構成のブロック図を示す。
販売数予測装置２０は、データを入力し、記憶し、演算し、演算結果を出力し、演算結果に基づいて周辺装置を機能させるコンピュータであり、純然たるハードウエアの説明は省略する。販売数予測装置２０は、一台のコンピュータで構成してもよいし、必要に応じて入力、記憶、演算、出力の各機能を複数のコンピュータに分散して持たせ、各コンピュータをネットワークで接続し、複数台のコンピュータで一つの販売数予測装置２０として作動するように構成してもよい。
販売数予測装置２０は、コンピュータネットワークを介して、販売部門の管理コンピュータ１０と生産部門の管理コンピュータ６０と相互に通信可能に接続されている。
【００２４】
図２に示された販売数予測装置２０へは、販売部門管理コンピュータ１０からネットワークを介して、週別の実績販売数が、車種とその車種が属するカテゴリーと販売系列と販売地域とに対応付けられて送信されてくる。実績販売数記憶手段７２ａは、送信されてきた実績販売数を記憶している。
図４に、実績販売数記憶手段７２ａに記憶されたデータ構成例を示す。例えば、車種Ａはカテゴリーが１、販売系列が▲１▼、販売地域はａ，ｂのものがあり、実績販売数は販売開始時点から１週目が３５２０、２週目が１５７５、３週目が９９０、４週目が６７５であり、５２週目までの実績販売数が記憶されている（図１に示すように、車種Ａは販売開始時点から５２週が経過している）。また車種Ｂはカテゴリーが１、販売系列が▲１▼、販売地域はｃ，ｄのものがあり、実績販売数は販売開始時点から１週目が１２００、２週目が１１５０、３週目が１２３０、４週目が１１７０であり、１０４週目までの実績販売数が記憶されている（図１に示すように、車種Ｂは販売開始時点から１０４週が経過している）。以下同様に、各車種のカテゴリーと販売系列と販売地域と週別の実績販売数が示されている。
【００２５】
図２に示されたデータ準備手段３０は、販売数の予測に利用されるデータを予め準備しておく。データ準備手段３０によって準備されるのは、季節指数のデータと、季節調整済（以下、季調済という）の実績販売数のデータと、割合推移（標準推移を含む）のデータと、モデル式のデータである。
なお、季節指数のデータと季調済実績販売数のデータは本発明に必須ではない。しかしながら後述する季節性付加処理を行なうために必要であるため、本実施例では準備しておくこととする。したがって、以下に説明する季節指数算定手段３２と季節調整手段３４も本発明に必須の構成ではないが、本実施例では備えておくものとする。
【００２６】
図３に、データ準備手段３０の主要構成のブロック図を示す。
季節指数のデータは、季節指数算定手段３２によって準備される。季節指数算定手段３２は、（１）販売数記憶手段７２ａに記憶された全ての販売単位期間の週別実績販売数を月別に集計し、（２）集計結果から季節指数を算定する。
（１）〜（２）の算定処理については、後に詳細な説明をする。
この場合（１）において、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の単位別、更に（ｄ）販売系列別の単位別に集計を行い、（２）において、これら４つの夫々の単位別の季節指数を算定しておく。
季節指数算定手段３２によって算定された（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種、また（ｄ）販売系列別の季節指数は、季節指数記憶手段７４に記憶される。図５（１）に、季節指数記憶手段７４に記憶された（ｂ）カテゴリー別の季節指数のデータ構成例を示す。例えばカテゴリー１（車種Ａ，Ｂ）の季節指数は、１月が１０３．５、２月が１０５．５、３月が８８．１、・・・であり、最低は１１月の６４．０、最高は６月の１６５．３である。以下同様に、各カテゴリーの１月から１２月までの季節指数が示されている。
【００２７】
季調済実績販売数のデータは、図３の季節調整手段３４によって準備される。季節調整手段３４は、実績販売数記憶手段７２ａに記憶された全ての週別実績販売数に、季節指数記憶手段７４に記憶された季節指数を乗算して、季調済実績販売数を計算する。季節指数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で算定されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で季調済実績販売数を計算する。この計算処理ついては、後に詳細な説明をする。
季節調整手段３４によって計算された季調済実績販売数は、季調済実績販売数記憶手段７２ｂに記憶される。
【００２８】
なお、図２及び図３において、実線は季節調整されていないデータの流れを示し、一点鎖線は季節調整されたデータ（季節指数のデータ自体を含む）の流れを示している。また、符号「ａ」が付された記憶手段は季節調整されていないデータを記憶しており、符号「ｂ」が付された記憶手段は季節調整されたデータを記憶している。
【００２９】
割合推移のデータ（標準推移のデータを含む）は、図３の割合推移作成手段３６によって準備される。割合推移作成手段３６は、（１）実績販売数記憶手段７２ａに記憶された週別実績販売数に基づいて、５２週に亘る各週の実績販売数の割合の推移を作成する。
あるいは、（１）季調済実績販売数記憶手段７２ｂに記憶された週別季調済実績販売数に基づいて、５２週に亘る実績販売数の割合推移を作成する。この場合、季調済実績販売数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で計算されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で割合推移を作成する。
そして、（２）作成された割合推移のうち類似するものをパターンに分類し、（３）推移パターンの標準推移を作成する。
（１）〜（３）の作成処理については、後に詳細な説明をする。
実績販売数に基づいて作成された各車種の割合推移と各推移パターンの標準推移は、推移記憶手段７６ａに記憶される。また、季調済実績販売数に基づいて作成された各車種の割合推移と各推移パターンの標準推移は、推移記憶手段７６ｂに記憶される。
【００３０】
モデル式のデータは、図３のモデル式生成手段３８によって準備される。モデル式生成手段３８は、（１）実績販売数記憶手段７２ａに記憶された週別実績販売数から実績販売数相関グラフを作成する。ここでいう相関グラフとは、車種Ａ〜ｊの販売開始時点から４週までの累積実績販売数と、販売開始時点から５２週までの累積実績販売数との相関を表すグラフである。
あるいは、（１）実績販売数記憶手段７２ｂに記憶された週別の季調済実績販売数から季調済実績販売数相関グラフを作成する。この場合、季調済実績販売数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で計算されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で相関グラフを作成する。
そして、（２）作成された相関グラフからモデル式を生成する。
（１）〜（２）の生成処理については、後に詳細な説明をする。
実績販売数に基づいて生成されたモデル式は、モデル式記憶手段７８ａに記憶される。また、季調済実績販売数に基づいて作成されたモデル式は、モデル式記憶手段７８ｂに記憶される。
【００３１】
以上のように準備されたデータは、図２に示された販売数予測手段５０によって利用される。
販売数予測手段５０は、上記した各種データを利用して、販売数予測処理の目的数である予測販売数を算出する。このために販売数予測手段５０は、推移パターン選択手段５２と、予測販売数計算手段５４と、季節性付加手段５６とを備えている。
なお、季節性付加手段５６は本発明に必須の構成ではないが、予測精度向上のために有効であるため、本実施例では備えておくものとする。
【００３２】
販売数予測手段５０は、所要情報入力手段４０から入力される情報に従って販売数予測処理を実行する。所要情報入力手段４０からは、販売数予測処理に必要な種々の情報が入力される。これらの情報については、以下で説明をする。
【００３３】
販売数予測手段５０の推移パターン選択手段５２は、推移記憶手段７６ａに記憶された標準推移のうち、予測対象車種の割合推移に最も類似する推移パターンを選択する。また、所要情報入力手段４０から季節性付加処理を行なう指示が入力されたときは、推移記憶手段７６ｂに記憶された標準推移のうち、予測対象車種の割合推移に最も類似する推移パターンを選択する。
具体的には、所要情報入力手段４０から前記指示が入力されなかったときは、
（１）モデル式記憶手段７８ａに記憶された予測モデルを利用し、実績販売数記憶手段７２ａに記憶された実績販売数から５２週に亘る累積予測販売数を計算し、
（２）累積予測販売数によって新規商品の販売開始時点から４週の週別の実績販売数を除算し、最初の４週の割合推移を計算し、（３）推移記憶手段７６ａに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。
一方、所要情報入力手段４０から前記指示が入力されたときは、（１）モデル式記憶手段７８ｂに記憶された予測モデルを利用し、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数から５２週に亘る累積予測販売数を計算し、（２）累積予測販売数によって新規商品の販売開始時点から４週の週別の実績販売数を除算し、最初の４週の割合推移を計算し、（３）推移記憶手段７６ｂに記憶されている標準推移のうち、割合推移に最も類似する推移パターンを選択する。前記指示では更に、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれの単位で算定された季節指数を利用するのかが指定されるので、（１）から（３）においては指定された単位で季節調整されたデータを利用する。
（１）〜（３）の選択処理については、後に詳細な説明をする。
【００３４】
販売数予測手段５０の予測販売数計算手段５４は、推移パターン選択手段５２で選択された推移パターンの標準推移を利用して、推移パターン選択手段５３で計算された累積予測販売数から予測対象車種の５週〜５２週の週別の予測販売数を計算する。
この場合も、所要情報入力手段４０から季節性付加処理を行なう指示が入力されたか否かによって、季節調整されたデータに基づく標準推移や累積販売数を利用するか否かが決定される。
実績販売数に基づいて計算された予測販売数は、予測販売数記憶手段８０ａに記憶される。また、季節調整されたデータに基づいて計算された予測販売数は、予測販売数記憶手段８０ｂに記憶される。
【００３５】
所要情報入力手段４０から季節性付加処理を行なう指示が入力されたときは、季節性付加手段５６が作動する。季節性付加手段５６は、予測販売数記憶手段８０ｂに記憶された予測販売数に、季節指数７４に記憶された季節指数を乗算して、予測販売数に季節性を付加する。前述のようにこの指示では、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれの単位で算定された季節指数を利用するのかが指定されているので、指定された単位で算定された季節指数を利用する。
更に、販売系列特性を加味する指示が入力されたときは、（ｄ）販売系列別に算定された季節指数も利用して季節性を付加する。
季節性付加手段５６によって季節性が付加された予測販売数は、季節性付加予測販売数記憶手段８２ｃに記憶される。
【００３６】
予測販売数記憶手段８０ａ，８０ｂ、あるいは、季節性付加予測販売数記憶手段８２ｃに記憶されたデータは、販売部門管理コンピュータ１０や生産部門管理コンピュータ６０にコンピュータネットワークを介して送信される。
販売部門管理コンピュータ１０では、送信されてきたデータを利用して、販売戦略の決定や販売計画の立案等を行なうことが可能となる。生産部門管理コンピュータ６０では、送信されてきたデータに基づいて受注予測を行い、生産計画の立案等を行うことが可能となる。
【００３７】
次に、図１１から図１７のフローチャートを参照して、販売数予測装置２０が行なう商品販売数予測処理について説明をする。
図１１は、商品販売数予測処理のメイン処理のフローチャートである。メイン処理は、大きく分けて、データ準備処理（ステップＳ２）、推移パターン選択処理（ステップＳ４）、予測販売数計算処理（ステップＳ６）、季節性付加処理（ステップＳ１０）の４つの処理から構成される。以下では、これらの各処理を詳細に説明する。
【００３８】
図１１のステップＳ２のデータ準備処理では、季節指数算定処理と実績販売数季節調整処理と割合推移作成処理とモデル式生成処理の４つの処理が実行される。
このうち季節指数算定処理と実績販売数季節調整処理は本発明の必須処理ではないが、予測精度向上のために有効であるため、本実施例においては実行するものとする。
【００３９】
まず図１２のフローチャートを参照して、データ準備手段３０の季節指数算定手段３２が実行する季節指数算定処理について説明する。
最初に、実績販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の実績販売数を読取る（ステップＳ２０２）。図４に示す車種Ａ〜Ｊの全ての販売単位期間の週別実績販売数が読取られる。
次に、季節指数算定の単位別に、読取った実績販売数を月別に集計する（ステップＳ２０４）。すなわち、図４に示す実績販売数を、（ａ）車種（Ａ〜Ｊ）別、（ｂ）カテゴリー（１〜５）別、（ｃ）販売系列（▲１▼〜▲３▼）別、（ｄ）全車種（Ａ〜Ｊ）の夫々の単位で、１月〜１２月の月別に集計する。この場合、各車種の販売単位期間は夫々異なっているため、例えば車種Ａについては１月〜１２月までの１周期分の週別実績販売数を集計し、車種Ｂについては２周期分の週別実績販売数を集計する。
【００４０】
続く図１２のステップＳ２０６では、ステップＳ２０４での集計結果から季節指数を、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）販売系列別、（ｄ）全車種の４つの夫々の単位で算定する。季節指数の算定方法としては、月別平均法、連環比率法、移動平均法、センサス局法等の種々の既存の方法を採用することができる。図５（２）に示した式は、最も一般的な月別平均法によるものである。月別平均法では、各月の実績販売数を１年間の実績販売数の平均で除算し、それに１００を乗算することによって、季節指数を求める。
算定した季節指数は、季節指数記憶手段７４に記憶される（ステップＳ２０８）。図５（１）に、季節指数記憶手段７４に記憶された（ｂ）カテゴリー別の季節指数のデータ構成例が示されている。
【００４１】
次に、季節調整手段３４が実行する実績販売数季節調整処理について説明する。
この処理では、実績販売数記憶手段７２ａに記憶された、販売開始時点より５２週以上が経過した車種の全ての週別実績販売数に、季節指数記憶手段７４に記憶された季節指数を乗算して、季調済実績販売数を計算する。この場合、季節指数は（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種で算定されたものを利用して、（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種の夫々の単位で季調済実績販売数を計算する。
例えば、図４のカテゴリー１の車種Ａの販売単位期間の１週目から４週目が４月であった場合、図５（１）のカテゴリー１の４月の季節指数（７８．０）を乗算すると、車種Ａについてのカテゴリー別の季調済実績販売数は１週目は３５２０×０．７８≒２７４６、２週目は１５７５×０．７８≒１２２９、３週目は９９０×０．７８≒７７２、４週目は６７５×０．７８≒５２７（小数点第１位以下四捨五入）と計算される。
【００４２】
次に図１３のフローチャートを参照して、割合推移作成手段３６が実行する割合推移作成処理について説明する。
割合推移は、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて作成されるものと、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数に基づいて作成されるものがある。以下では代表として、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて作成される割合推移について説明をする。
最初に販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の５２週分の実績販売数を読取る（ステップＳ２１２）。図４に示す車種Ａ〜Ｊの５２週分の週別実績販売数が読取られる。
【００４３】
次に、ステップＳ２１２で読取った実績販売数から車種別に割合推移を作成する（ステップＳ２１４）。割合推移は、５２週分の実績販売数を累積し、累積した実績販売数を１００％として１週〜５２週の各週の実績販売数が占める割合を求めて作成する。
図６に、作成された車種Ａの割合推移を例示する。（１）は５２週のうち各週の実績販売数が占める割合を数字（％）で示し、（２）は横軸を週、縦軸を％としたグラフで表している。販売開始時点直後の実績販売数が最高であり、後は多少の増減を繰返す割合推移であることがわかる。
【００４４】
続く図１３のステップＳ２１６では、類似する割合推移をパターンに分類する。分類手法の一例として、クラスター分析を用いることができる。クラスター分析では、データを多次元空間内の点とみなして距離を定義し、距離が近いものを類似するとして同じパターン（クラスター）に分類する。
図７でクラスター分析を用いたパターン分類を簡単に説明する。図７は、各車種について、横軸を４週目の実績販売数の割合（％）、縦軸を１２週目の実績販売数の割合（％）とする二次元座標にプロットしたグラフである。楕円で囲まれた各パターン（クラスター）には、プロット点間の距離が近い車種の割合推移が含まれている。ここでは車種Ａ〜Ｊの割合推移がα，β，γの３つの推移パターンに分類されている。なおこの例では簡単のために二次元グラフを利用しているが、３次元以上のグラフを利用することもできる。また、実績販売数の割合（％）以外にも、実績販売数（台数）やその他の値を用いてプロットしてもよい。
【００４５】
続く図１３のステップＳ２１８では、ステップＳ２１６で分類された推移パターンの標準推移を作成する。推移パターン内の各車種の割合推移の平均値を取ることにより、標準推移を作成する。例えば、パターンαの標準推移を作成する場合、パターンαに属する車種Ａの１週目の実績販売数の割合（図６（１）を参照）と、車種Ｄの１週目の実績販売数の割合と、車種Ｇの１週目の実績販売数の割合の平均値を取って標準推移の１週目の割合とし、車種Ａの２週目の実績販売数の割合（図６（１）を参照）と、車種Ｄの２週目の実績販売数の割合と、車種Ｇの２週目の実績販売数の割合の平均値を取って標準推移の２週目の割合とする。この計算を５２週に亘って実行する。同様に、パターンβ，γの標準推移の作成においてもこの計算を実行する。
図８に、作成された標準推移を示している。（１）は各推移パターンの各週の実績販売数が占める割合を数字（％）で示し、（２）は横軸を週、縦軸を％としたグラフで表している。パターンαは販売開始時点直後の実績販売数が最高で、後は多少の増減を繰返すパターンであり、パターンβは微小な増減を繰返すものの、ほぼ一定の実績販売数となるパターンであり、パターンγは販売開始時点直後は実績販売数が少ないが、徐々に増大して後は多少の増減を繰返すパターンであることがわかる。
作成された割合推移は車種と対応付けて、作成された標準推移は推移パターンと対応付けて推移記憶手段７６ａに記憶される（ステップＳ２２０）。なお、季調済実績販売数に基づいて作成された割合推移と標準推移は、推移記憶手段７６ｂに記憶される（同じくステップＳ２２０）。
【００４６】
次に図１４のフローチャートを参照して、モデル式生成手段３８が実行するモデル式生成処理について説明する。
モデル式は、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて生成されるものと、季調済実績販売数記憶手段７２ｂに記憶された季調済実績販売数に基づいて生成されるものがある。以下では代表として、実績販売数記憶手段７２ａに記憶された実績販売数に基づいて生成されるモデル式について説明をする。
最初に、実績販売数記憶手段７２ａから、販売開始時点より５２週以上が経過した車種の実績販売数を読取る（ステップＳ２２２）。図４に示す車種Ａ〜Ｊの全ての販売単位期間の週別実績販売数が読取られる。
【００４７】
次に、ステップＳ２２２で読取った実績販売数の相関グラフを作成する（ステップＳ２２４）。ここでいう相関グラフとは、ｗ１週まで（第１所定期間）の累積実績販売数と、ｗ２週まで（第１所定期間＋第２所定期間）の累積実績販売数との相関を表すグラフであり、図９（１）に横軸をｗ１週＝４週、縦軸をｗ２週＝５２週とした相関グラフの例が示されている。
【００４８】
続く図１４のステップＳ２２６では、ステップＳ２２４で作成した相関グラフから一次式又は二次式による近似線を推定して、予測対象車種の５２週の累積予測販売数を計算するモデル式を生成する。図９（１）の例示の場合、二次式による近似線ｆ１が推定されるため、（２）に示すモデル式が生成される。
生成されたモデル式は、モデル式記憶手段７８ａに記憶される（ステップＳ２２８）。なお、季調済実績販売数に基づいて作成されたモデル式は、モデル式記憶手段７８ｂに記憶される（同じくステップＳ２２８）。
【００４９】
以上のようにデータ準備処理によって季節指数、割合推移（標準推移を含む）、モデル式の各データの準備が終了すると、図１１のステップＳ４において、推移パターン選択処理が実行される。
図１５のフローチャートを参照して、販売数予測手段５０の推移パターン選択手段５２が実行する推移パターン選択処理を説明する。
最初に、所要情報入力手段４０から、販売数予測処理に必要な種々の情報が入力される（ステップＳ４０２）。販売数予測処理に必須の情報として、予測対象車種の４週の実績販売数が入力される。本実施例では、図１０（１）に示す車種Ｘの４週の実績販売数が入力される。またこのとき、任意の情報として、下記に説明する季節性付加処理のための指示情報も入力することができる（この指示情報の詳細については後述することとする）。
【００５０】
次に、モデル式記憶手段７８ａからモデル式を読取る（ステップＳ４０４）。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、モデル式記憶手段７８ｂからモデル式を読取る（同じくステップＳ４０４）。
ステップＳ４０６では、ステップＳ４０４で読取ったモデル式を利用して、ステップＳ４０２で入力された予測対象車種の４週の累積実績販売数から、５２週に亘る累積予測販売数を計算する。
図１０（１）に示すように、予測対象車種Ｘの４週の累積実績販売数は、６３００＋２２４０＋１８２０＋１４５０＝１１８１０と計算される。これを図９（２）のモデル式に代入すると、５２週に亘る累積予測販売数を計算することができる。計算結果が図１０（２）に例示されている。
【００５１】
続く図１５のステップＳ４０８では、累積予測販売数によって、４週の週別実績販売数を除算して、４週の週別の割合推移を計算する。例えば、図１０（２）に例示する車種Ｘの５２週に亘る累積予測販売数８４３３５によって、（１）に示す４週の週別実績販売数を除算すると、１週目は７．５％、２週目は２．７％、３週目は２．２％、４週目は１．７％という割合推移が計算される（小数点第２位以下は四捨五入）。計算結果が図１０（３）に示されている。
【００５２】
図１５のステップＳ４１０では、推移記憶手段７６ａから各推移パターンの標準推移を読取る。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、推移記憶手段７６ｂから各推移パターンの標準推移を読取る。
ステップＳ４１２では、ステップＳ４１０で読取った標準推移のうち、割合推移に最も類似する推移パターンを選択する。図８に示す標準推移と図１０（３）に示す４週の週別の割合推移の絶対誤差は、パターンαが２．８、パターンβが７．０、パターンγが１２．１であることから、最も類似するのはパターンαであるため、パターンαが選択される。
【００５３】
以上のように推移パターンが選択されると、図１１のステップＳ６において、予測販売数計算処理が実行される。
図１６のフローチャートを参照して、販売数予測手段５０の予測販売数計算手段５４が実行する予測販売数計算処理を説明する。
最初に、推移パターン選択手段５２が計算した予測対象車種の５２週に亘る累積予測販売数を取得する（ステップＳ６０２）。図１０（２）に示す車種Ｘの累積予測販売数が取得される。
次に、推移パターン選択手段５２が選択した推移パターンの標準推移を取得する（ステップＳ６０４）。上記の例ではパターンαの標準推移が取得される。
ステップＳ６０６では、選択された推移パターンの標準推移を利用して、５２週に亘る累積予測販売数から、５週〜５２週の週別の予測販売数を計算する。例えば、図４に示すパターンαの標準推移では５０週目の割合が１．６％、５１週目の割合が１．９％、５２週目の割合が２．１％である。図１０（３）に例示する累積予測販売数を乗算すると、５０週目は１．６％×８４３３５≒１３４９、５１週目は１．９％×８４３３５≒１６０２、５０週目は２．１％×８４３３５≒１７７１（小数点第１位以下四捨五入）という予測販売数が計算される。同様の計算を、５週〜５２週の全ての週について行う。
ステップＳ６０２で取得された５２週に亘る累積予測販売数と、ステップＳ６０６で計算された５週〜５２週の週別予測販売数は、予測販売数記憶手段８０ａに記憶される（ステップＳ６０８）。あるいは、所要情報入力手段４０から季節性付加処理指示が入力された場合は、予測販売数記憶手段８０ｂに記憶される（同じくステップＳ６０８）。
【００５４】
以上のように予測販売数が計算されると、図１１のステップＳ８において、予測販売数に季節性を付加するか否かが判定される。
図１５のステップＳ４０２において所要情報入力手段４０から季節性付加処理指示が入力されていた場合（図１１のステップＳ８でＹＥＳ）は、販売数予測手段５０の季節性付加手段５６が作動して、図１１のステップＳ１０において、予測販売数に季節性を付加する処理を実行する。いずれの商品であっても季節によって販売数は変動するため、季節性を付加することによって、より精度の高い予測販売数を得ることができる。
【００５５】
図１７のフローチャートを参照して、季節性付加手段５６が実行する季節性付加処理を説明する。
最初に、所要情報入力手段４０から季節性付加処理指示とともに入力された、予測対象車種の販売開始日と、利用する季節指数の単位（（ａ）車種別、（ｂ）カテゴリー別、（ｃ）全車種のいずれか）を取得する（ステップＳ１０２）。
次に、ステップＳ１０４では、季節指数記憶手段７４から季節指数を読取る。この際、ステップＳ１０２で入力された単位のうち予測対象車種が属する季節指数（例えば、（ｂ）カテゴリー別の単位が入力された場合、車種Ｘが属するカテゴリー１の季節指数）を読取る。また、入力された販売開始日が属する月を最初の月として（例えば、車種Ｘの販売開始日が４月３日であれば、４月を最初の月として）として読取る。それと共に、予測販売数記憶手段８０ｂから予測対象車種の予測販売数を読取る。
【００５６】
ステップＳ１０６では、所要情報入力手段４０から季節性付加処理指示に併せて、季節指数に販売系列特性を加味する指示が入力されていたか否かを判定する。ＮＯの場合はステップＳ１１０に移行し、ＹＥＳの場合はステップＳ１０８に移行する。
ステップＳ１０８に移行した場合は、ステップＳ１０４で読取った季節指数に販売系列特性指数を加算する。販売系列特性指数は、（ｄ）全車種の季節指数と、（ｄ）販売系列別に算定された季節指数との差である。例えば、全車種の４月の季節指数が７７．０であり、販売系列▲１▼の４月の季節指数が８０．０であるとすると、販売系列▲１▼の特性指数は７７．０−８０．０＝−３．０となる。ステップＳ１０４で読取った季節指数が（ｂ）カテゴリー別であった場合、図５（１）の例示ではカテゴリー１の４月の季節指数が７８．０であるため、車種Ａ，Ｂの販売系列▲１▼の特性指数−３．０を加算して、７５．０という販売系列特性を加味した季節指数を得る。
このように販売系列特性を加味すれば、例えば販売系列で販売促進キャンペーンを行なった結果一時的に販売数が増大した月や、夫々の販売系列の販売力等、季節によらない販売数の変動をも考慮することができる。
【００５７】
ステップＳ１１０では、季節販売数に、対応する週の週別予測販売数を乗算して、季節性付加予測販売数を計算する。ステップＳ１０８で販売系列特性が加味された場合は、販売系列特性が加味された季節指数を用いて計算する。
計算された季節性付加予測販売数は、季節性付加予測販売数記憶手段８２ｃに記憶される。
【００５８】
以上によって、第１実施例の商品販売数予測処理が終了する。
本実施例の商品販売数予測処理では、既存車種の実績販売数から作成されたデータと、予測対象車種の４週の実績販売数のみを利用する。従来から販売数の予測に利用されているシンプルな計算方法を組合せることによって、従来と同様の高い精度の予測販売数を得られる。
したがって、計算量や計算時間を節約することができ、予測処理の効率を向上させることが可能となる。
【００５９】
（第２実施例）第２実施例では、モデル式を推移パターン別に生成し、推移パターン別に予測対象商品の累積予測販売数を計算する。これにより、予測誤差の少ない累積予測販売数を得ることができ、一層精度の高い販売数予測処理を行うことが可能となる。
なお、これ以外の処理や構成等については第１実施例と変わるところがないため、以下では第１実施例と異なる処理や構成等のみについて説明をする。
【００６０】
最初に、第２実施例の販売数予測装置について説明をする。図１８は、第２実施例の販売数予測装置１２０の主要構成のブロック図である。販売数予測装置１２０の主要構成は、第１実施例の販売数予測装置２０の主要構成と変るところがないため、重複説明を省略する。
図１９に、第２実施例の販売数予測装置のデータ準備手段１３０のブロック構成図を示す。このデータ準備手段１３０においては、モデル式生成手段１３８が利用するデータが第１実施例と異なる。モデル式生成手段１３８が利用するデータは、推移記憶手段１７６ａに記憶された標準推移、あるいは、推移記憶手段１７６ｂに記憶された標準推移である。
【００６１】
図２０のフローチャートを参照して、モデル式生成手段１３８が実行するモデル式生成処理を説明する。
最初に、推移記憶手段１７６ａ、または、推移記憶手段１７６ｂから、各推移パターンの標準推移を読取る（ステップＳ２３２）。以下では代表として、推移記憶手段１７６ａから読取った標準推移によって説明をする。図８に示す推移パターンα，β，γの標準推移が読取られる。
次に、各標準推移の累積グラフを作成する（ステップＳ２３４）。図８で示した推移パターンα，β，γの標準推移の各週の割合（％）を累積していくと、図２２（１）に示すような累積グラフを作成することができる。
【００６２】
図２０のステップＳ２３６では、ステップＳ２３４で作成した累積グラフから一次式又は二次式による近似線を推定して、予測対象車種の５２週の累積予測販売数を計算するモデル式を生成する。図２２（１）の例示の場合、パターンαについては二次式による近似線、パターンβについては一次式による近似線、パターンγについては一次式による近似線が推定されるため、（２）に示すモデル式が生成される。
生成されたモデル式は、推移パターンと対応付けられてモデル式記憶手段１７８ａに記憶される（ステップＳ２３８）。なお、推移記憶手段１７６ｂに記憶された標準推移に基づいて作成されたモデル式は、モデル式記憶手段１７８ｂに記憶される（同じくステップＳ２２８）。
【００６３】
以上のように準備されたモデル式を利用して、販売数予測手段１５０の推移パターン選択手段１５２が実行する推移パターン選択処理を、図２１のフローチャートを参照して説明する。
最初に、所要情報入力手段１４０から、販売数予測処理に必要な種々の情報が入力される（ステップＳ４２２）。必須の情報として、図２３（１）に示す車種Ｘの４週の実績販売数が入力される。またこのとき、任意の情報として、季節性付加処理のための指示情報も入力することができる。
【００６４】
次に、最初に処理を行う推移パターンｉを設定する（ステップＳ４２４）。最初に設定する推移パターンは任意に選択することができるが、本実施例においては便宜的にα→β→γの順に処理を行うこととして、最初にαを設定する。ステップＳ４２６では、予測対象車種の推移パターンｉをαに仮定する。
ステップＳ４２８では、モデル式記憶手段１７８ａから仮定された推移パターンのモデル式を読取る。あるいは、ステップＳ４２２において季節性付加処理指示が入力された場合は、モデル式記憶手段１７８ｂから各推移パターンのモデル式を読取る（同じくステップＳ４２８）。
ステップＳ４３０では、ステップＳ４２８で読取った推移パターンのモデル式を利用して、ステップＳ４２２で入力された予測対象車種の４週の累積実績販売数から、５２週に亘る累積予測販売数を計算する。図２２（２）の各推移パターンのモデル式は、各週の累積割合を求めるものである。例えば、４週目の累積割合を求め、これで図２３（１）に示す予測対象車種Ｘの４週までの累積実績販売数を除算すると、予測対象車種の５２週に亘る累積予測販売数を計算することができる。計算結果が図２３（２）に例示されている。まずパターンαのモデル式による累積実績販売数が計算される。
【００６５】
図１５のステップＳ４３２では、ステップＳ４３０で計算された累積予測販売数によって、４週の週別実績販売数を除算して、４週の週別の割合推移を計算する。図２３（２）に例示するパターンαのモデル式による車種Ｘの５２週に亘る累積予測販売数によって、（１）に示す４週の週別実績販売数を除算すると、（３）に例示する割合推移が計算される（１週目は８．５％、２週目は３．０％、３週目は２．５％、４週目は２．０％、小数点第２位以下は四捨五入）。
【００６６】
図１５のステップＳ４３４では、次の推移パターンが残存しているか否かを判定し、ＮＯの場合はステップＳ４３８に移行する。ＹＥＳの場合はステップＳ４３６で次の推移パターンｉとしてβを設定し、ステップＳ４２６に戻ってステップＳ４３２までの一連の処理を実行する。図２３（３）に、パターンβの割合推移が示されている。
再びステップＳ４３４でＹＥＳと判定したら、ステップＳ４３６で次の推移パターンｉとしてγを設定し、ステップＳ４２６に戻ってステップＳ４３２までの一連の処理を実行する。図２３（３）に、パターンγの割合推移が示されている。
続くステップＳ４３４ではＮＯと判定して、ステップＳ４３８に移行する。
【００６７】
図１５のステップＳ４３８では、推移記憶手段７６ａから仮定された各推移パターンの標準推移を読取る。あるいは、ステップＳ４０２において季節性付加処理指示が入力された場合は、推移記憶手段７６ｂから仮定された各推移パターンの標準推移を読取る。
ステップＳ４４０では、ステップＳ４３８で読取った標準推移と、割合推移の類似度が最も高い推移パターンを選択する。図８に示す標準推移と図２３（３）に示す４週の週別の割合推移の絶対誤差は、パターンαが０．９、パターンβが４．３、パターンγが１．２であることから、最も類似度が高いのはパターンαであるため、パターンαが選択される。
【００６８】
以上のように選択された標準推移を利用して、予測販売数計算手段１５４が予測対象車種の５２週に亘る週別予測販売数を計算する。また、このように計算された予測販売数に対して、季節性付加処理手段１５６が季節性を付加する。
【００６９】
このように、本実施例では、推移パターン別にモデル式を生成し、推移パターン別に予測対象車種の５２週に亘る累積予測販売数を計算する。したがって、全車種でモデル式を生成して計算した累積予測販売数よりも誤差の少ない累積予測販売数を得ることができ、一層精度の高い予測販売数を得ることができる。
【００７０】
以上、本発明の具体例を詳細に説明したが、これらは例示にすぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。
・本実施例では、第１所定期間を販売開始時点から４週としていたが、これに限られるものではない。１週分のデータから十分に予測可能であれば販売開始時点から１週を第１所定期間としてもよいし、更に予測精度を高めたい場合は販売開始時点から８週間、１２週間等のより長い期間を第１所定期間としてもよく、任意の期間を設定することができる。
・本実施例では、第２所定期間を４８週とし、第１所定期間＋第２所定期間を５２週（約１年）としていたが、これに限られるものではない。より短期の予測を行いたい場合は、第１所定期間＋第２所定期間を１２週（約３月）、２６週（約半年）としてもよいし、より長期の予測を行いたい場合は１０４週（約２年）、１５６週（約３年）としてもよく、任意の期間を設定することができる。
・本実施例では、販売地域を考慮せずに全ての商品のデータを利用していたが、予測測対象商品と同じ地域で販売された商品のみを抽出して、これらの商品の実績販売数のデータのみを利用することもできる。これにより、地域性を加味した販売数予測処理を行なうことができる。例えば、図４のでは、予測対象車種Ｘの販売地域はａ及びｄであるため、車種Ａ〜Ｊのうち、販売地域がａ又はｄのものだけを抽出してデータを利用する。例えば車種Ａについては販売地域ａのものだけを抽出し、車種Ｂについては販売地域ｄのものだけを抽出する。車種Ｃ〜Ｊについても販売地域ａ又はｄのものだけを抽出する。
また、本明細書または図面に説明した技術要素は、単独であるいは各種の組み合わせによって技術的有用性を発揮するものであり、出願時請求項記載の組み合わせに限定されるものではない。また、本明細書または図面に例示した技術は複数目的を同時に達成するものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
【図面の簡単な説明】
【図１】予測対象車種の販売期間と予対象期間の関係と、データ提供車種の販売期間の関係を説明する図である。
【図２】第１実施例の販売数予測装置の主要構成のブロック図である。
【図３】第１実施例のデータ準備手段の主要構成のブロック図である。
【図４】実績販売数のデータ構成例を示す図である。
【図５】季節指数のデータ構成例を示す図である。
【図６】割合推移の例を示す図である。
【図７】クラスター分析によるパターン分類を説明する図である。
【図８】標準推移の例を示す図である。
【図９】相関グラフとモデル式の例を示す図である。
【図１０】予測対象車種の実績販売数と累積予測販売数と割合推移の例を示す図である。
【図１１】商品販売数予測処理のメイン処理のフローチャートである。
【図１２】季節指数算定処理のフローチャートである。
【図１３】割合推移作成処理のフローチャートである。
【図１４】モデル式生成処理のフローチャートである。
【図１５】推移パターン選択処理のフローチャートである。
【図１６】予測販売数計算処理のフローチャートである。
【図１７】季節性付加処理のフローチャートである。
【図１８】第２実施例の販売数予測装置の主要構成のブロック図である。
【図１９】第２実施例のデータ準備手段の主要構成のブロック図である。
【図２０】モデル式生成処理のフローチャートである。
【図２１】推移パターン選択処理のフローチャートである。
【図２２】累積グラフとモデル式の例を示す図である。
【図２３】予測対象車種の実績販売数と累積予測販売数と割合推移の例を示す図である。
【符号の説明】
２０：販売数予測装置、
３０：データ準備手段、
３２：季節指数算定手段、
３４：季節調整手段、
３６：割合推移作成手段、
３８：モデル式生成手段、
５０：販売数予測手段、
５２：推移パターン選択手段、
５４：予測販売数計算手段、
５６：季節性付加手段、
７２ａ：実績販売数記憶手段、
７６ａ：推移記憶手段、
７８ａ：モデル式記憶手段、
８０ａ：予測販売数記憶手段、
８２ｃ：季節性付加予測販売数記憶手段
Claims (6)
- 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する装置であり、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を記憶しているモデル式記憶手段と、
モデル式記憶手段に記憶されているモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段と、
累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段と、
推移パターン別標準推移記憶手段に記憶されている推移パターン別の標準推移のうち、推移計算手段で計算された推移に最も類似する推移パターンを選択する推移パターン選択手段と、
推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段と、
を備える商品販売数予測装置。 - 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する装置であり、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を記憶している実績販売数記憶手段と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を記憶している推移パターン別標準推移記憶手段と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を推移パターン別に記憶している推移パターン別モデル式記憶手段と、
新規商品の推移パターンを仮定する推移パターン仮定手段と、
推移パターン別モデル式記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンのモデル式と、実績販売数記憶手段に記憶されている第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する累積予測販売数計算手段と、
累積予測販売数計算手段で計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する推移計算手段と、
推移パターン別標準推移記憶手段に記憶されている、推移パターン仮定手段で仮定された推移パターンの標準推移と、推移計算手段で計算された推移の類似度を計算する推移類似度計算手段と、
推移類似度計算手段で計算された類似度が最も高い推移パターンを選択する推移パターン選択手段と、
推移パターン選択手段で選択された推移パターンの標準推移と、累積予測販売数計算手段で計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する予測販売数計算手段と、
を備える商品販売数予測装置。 - 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する方法であり、コンピュータによって下記の工程、即ち、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る工程と、
読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する工程と、
選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程と、
を実行する商品販売数予測方法。 - 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測する方法であり、コンピュータによって下記の工程、即ち、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る工程と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る工程と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出する、推移パターン別のモデル式を読取る工程と、
新規商品の推移パターンを仮定する工程と、
仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する工程と、
計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する工程と、
仮定された推移パターンの標準推移と、計算された推移の類似度を計算する工程と、
計算された類似度が最も高い推移パターンを選択する工程と、
選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する工程と、
を実行する商品販売数予測方法。 - 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測するためのプログラムであり、コンピュータに下記の処理、即ち、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出するモデル式を読取る処理と、
読取られたモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
読取られた推移パターン別の標準推移のうち、計算された推移に最も類似する推移パターンを選択する処理と、
選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理と、
を実行させる商品販売数予測のためのプログラム。 - 新規商品の販売開始時点から第１所定期間を経過した時点で、その時点から第２所定期間が経過するまでの単位期間別の販売数を予測するためのプログラムであり、コンピュータに下記の処理、即ち、
第１所定期間を複数に区分した単位期間別の新規商品の実績販売数の推移を読取る処理と、
既存商品の販売開始時点から第１所定期間と第２所定期間が経過した時点までの累積実績販売数によって単位期間別の実績販売数を除した値の推移パターン別に標準推移を読取る処理と、
既存商品の第１所定期間経過時点までの累積実績販売数から第２所定期間経過時点までの累積実績販売数を算出する、推移パターン別推移パターン別のモデル式を読取る処理と、
新規商品の推移パターンを仮定する処理と、
仮定された推移パターンのモデル式と、読取られた第１所定期間経過時点までの累積実績販売数から、新規商品の第２所定期間経過時点までの累積予測販売数を計算する処理と、
計算された累積予測販売数によって新規商品の販売開始時点から第１所定期間経過時点までの単位期間別の実績販売数を除した値の推移を計算する処理と、
仮定された推移パターンの標準推移と、計算された推移の類似度を計算する処理と、
計算された類似度が最も高い推移パターンを選択する処理と、
選択された推移パターンの標準推移と、計算された新規商品の第２所定期間経過時点までの累積予測販売数から、第１所定期間経過時点から第２所定期間経過時点までの単位期間別の予測販売数を計算する処理と、
を実行させる商品販売数予測のためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003199523A JP4254392B2 (ja) | 2003-07-18 | 2003-07-18 | 商品販売数予測装置と商品販売数予測装置の動作方法とそのためのプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003199523A JP4254392B2 (ja) | 2003-07-18 | 2003-07-18 | 商品販売数予測装置と商品販売数予測装置の動作方法とそのためのプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2005038140A true JP2005038140A (ja) | 2005-02-10 |
| JP4254392B2 JP4254392B2 (ja) | 2009-04-15 |
Family
ID=34208925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003199523A Expired - Fee Related JP4254392B2 (ja) | 2003-07-18 | 2003-07-18 | 商品販売数予測装置と商品販売数予測装置の動作方法とそのためのプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4254392B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007058848A (ja) * | 2005-07-25 | 2007-03-08 | Toyo Eng Corp | 予測支援システム |
| JP2009230555A (ja) * | 2008-03-24 | 2009-10-08 | Mitsubishi Electric Corp | 需要予測方法、在庫計画策定方法、需要予測システムおよび在庫計画策定システム |
| JP2015032034A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 需要予測装置、需要予測システム、制御方法、及びプログラム |
| CN110163666A (zh) * | 2019-05-06 | 2019-08-23 | 北京三快在线科技有限公司 | 一种商品推荐的方法及装置 |
| JP2020035004A (ja) * | 2018-08-27 | 2020-03-05 | 株式会社日立製作所 | 需要予測システムおよび需要予測方法 |
| JP2021103398A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社 日立産業制御ソリューションズ | クラスタ分割評価装置、クラスタ分割評価方法及びクラスタ分割評価プログラム |
| CN115063173A (zh) * | 2022-06-21 | 2022-09-16 | 多点生活(成都)科技有限公司 | 基于线性规划的便利店速食区商品数量配置方法 |
-
2003
- 2003-07-18 JP JP2003199523A patent/JP4254392B2/ja not_active Expired - Fee Related
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007058848A (ja) * | 2005-07-25 | 2007-03-08 | Toyo Eng Corp | 予測支援システム |
| JP2009230555A (ja) * | 2008-03-24 | 2009-10-08 | Mitsubishi Electric Corp | 需要予測方法、在庫計画策定方法、需要予測システムおよび在庫計画策定システム |
| JP2015032034A (ja) * | 2013-07-31 | 2015-02-16 | キヤノンマーケティングジャパン株式会社 | 需要予測装置、需要予測システム、制御方法、及びプログラム |
| JP2020035004A (ja) * | 2018-08-27 | 2020-03-05 | 株式会社日立製作所 | 需要予測システムおよび需要予測方法 |
| JP7163105B2 (ja) | 2018-08-27 | 2022-10-31 | 株式会社日立製作所 | 需要予測システムおよび需要予測方法 |
| CN110163666A (zh) * | 2019-05-06 | 2019-08-23 | 北京三快在线科技有限公司 | 一种商品推荐的方法及装置 |
| JP2021103398A (ja) * | 2019-12-25 | 2021-07-15 | 株式会社 日立産業制御ソリューションズ | クラスタ分割評価装置、クラスタ分割評価方法及びクラスタ分割評価プログラム |
| CN115063173A (zh) * | 2022-06-21 | 2022-09-16 | 多点生活(成都)科技有限公司 | 基于线性规划的便利店速食区商品数量配置方法 |
| CN115063173B (zh) * | 2022-06-21 | 2024-05-24 | 多点生活(成都)科技有限公司 | 基于线性规划的便利店速食区商品数量配置方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP4254392B2 (ja) | 2009-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101213925B1 (ko) | 적응적 분석 다차원 프로세싱 시스템 | |
| Pfaffenbichler et al. | The integrated dynamic land use and transport model MARS | |
| US20110208701A1 (en) | Computer-Implemented Systems And Methods For Flexible Definition Of Time Intervals | |
| CN102272758A (zh) | 因果驱动和市场响应弹性或提升因素的自动规范、估计和发现 | |
| CN101482944A (zh) | 构建时间序列模型的系统与方法 | |
| US20080065463A1 (en) | System and method for optimization of a promotion plan | |
| CN104937804A (zh) | 电力需求预测装置、方法和程序以及需求抑制计划制定装置 | |
| CN107609289A (zh) | 基于bim模型的结构加固工程的建材成本管控方法以及系统 | |
| WO2024001045A1 (zh) | 碳配额盈缺预测方法、装置电子设备及存储介质 | |
| JP4254392B2 (ja) | 商品販売数予測装置と商品販売数予測装置の動作方法とそのためのプログラム | |
| CN112613637A (zh) | 充电负荷的处理方法和装置 | |
| JP2002288278A (ja) | 製品原価変動解析システム | |
| US11037183B2 (en) | System and method for blending promotion effects based on statistical relevance | |
| Fischer et al. | Forecasting the data cube: A model configuration advisor for multi-dimensional data sets | |
| CN112329962B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| US20220292554A1 (en) | Cost accounting program, cost accounting device, and cost accounting method | |
| JP2005284470A (ja) | 商品毎のシェア予測装置と予測方法とそのためのプログラム | |
| CN116187704A (zh) | 用工需求预测方法、装置及电子设备 | |
| Lee | Study of demand models and price optimization performance | |
| JPH08115369A (ja) | 販売量予測方式 | |
| JP2001209674A (ja) | 商品価値評価装置 | |
| JPH10228461A (ja) | 需要予測方法 | |
| Farooq et al. | Economic impact/forecast model of intelligent transportation systems in Michigan: An input output analysis | |
| JP3735505B2 (ja) | Ｐｏｓ分析システム | |
| CN115599771A (zh) | 预计算模型生成方法、装置以及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051115 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20080716 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080729 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080919 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20081118 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081125 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20090106 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090119 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120206 Year of fee payment: 3 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 4254392 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120206 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120206 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130206 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130206 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140206 Year of fee payment: 5 |
|
| LAPS | Cancellation because of no payment of annual fees |