JP2018060547A - 指示分析のためのシステムおよび方法 - Google Patents

Abstract

【課題】指示分析を実行するためのシステム及び方法を提供する。【解決手段】シミュレーションは、入力データ（Xｉｎｐｕｔ）及びシミュレーションパラメーター（μ）からシミュレーションデータ（Ｄ）を生成する。予測モデル（Ｍ）を用いてシミュレーションデータ（Ｄ）を処理することにより、予想データが予測される。最適化モデルを用いて、予想データに基づき、指示値（ｘ’）が決定される。指示値は、最適化モデルに関連付けられた目的関数が最適化されるように決定される。目的関数の最適化は、達成すべきビジネスの目的を示す。目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、シミュレーションを実行する工程、予測する工程、及び決定する工程が反復して実行される。各反復において、第１回目の反復を除き、入力データは、直前の反復において決定された指示値であり、第１回目の反復において、入力データは、参照データである。【選択図】図３

Description

関連出願への相互参照および優先権
本出願は、２０１４年７月４日に出願されたインド国特許出願第２１７７／ＭＵＭ／２０１４号に基づく優先権を主張する。

本明細書に記載の本発明は、一般に、データ分析のための方法およびシステムに関し、より具体的には、指示（prescriptive:どうするべきか指示（指図）する）分析を提供するための方法およびシステムに関する。

今日のビジネス分析環境において、データは極めて重要な役割を果たす。特に、ビックデータを考慮に入れた場合、そのようなビックデータを操作し、管理することは、非常に重要なタスクとなる。また、未処理状態にあるビックデータは、ビジネス分析において有用となり得る如何なる価値も提供しない。ビックデータからビジネス分析を提供し、さらに、ビジネスに関する洞察（business insights）を導出するために、膨大な数のデータ分析技術が本分野において利用可能である。データ分析技術の大部分は、予測分析（predictive analytics）に基づく。予測分析では、履歴または過去データ（historical or past data）の統計分析を実行することにより、ビジネス環境において発生し得るイベントや状況のために、起こり得る未来の可能性（probable future possibilities）を予測することができる。

予測分析によって予測される起こり得る未来の可能性は、未来において発生し得るリスクや好機を示すことができる。予測されたリスクや好機に基づいて、ビジネスパーソンは、人間による決定を行わなければならない。このような人間による決断は、大局的でなく、また、信頼性がないことが多い。さらに、予測された未来の可能性に基づいて決定を行うためのサポートが提供されていない。一般に、決定は、予測された未来の可能性を改善可能な正しい、もしくは、適切な戦略を選択するために行われる。しかしながら、予測分析は、未来の可能性または未来の結果を提供することのみに制限されており、そのため、未来の可能性として予測された好機を活用し、または、リスクを軽減するための決定を提供することができない。したがって、予測分析が決定実行プロセスをサポートしない限り、予測分析は大して価値のあるものではない。そのため、データ分析に基づいて、ビジネスにおける決定の導出に役立てることができる方法およびシステムが長年にわたって切望されていた。

本概要は、実施される指示分析のためのシステムおよび方法に関する様態を紹介するために提供されるものであり、該様態は以下の詳細な説明においてさらに説明される。本概要は、本発明の本質的特徴を特定するものではなく、さらに、本発明の範囲を決定または限定するために用いられるものでもない。

実施形態の１つにおいて、指示分析を実行するためのシステムが開示される。該システムは、プロセッサーと、該プロセッサーに接続されたメモリとを含み、プロセッサーは、メモリ内に保存されている複数のモジュールを実行する。複数のモジュールは、シミュレーションモジュールと、予測モジュールと、決定モジュールと、反復モジュールとを含む。シミュレーションモジュールは、シミュレーションデータ（Ｄ）を生成するため、シミュレーションモデルを用いて、入力データ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラメーター（μ）からシミュレーションを実行する。予測モジュールは、予測モデルを用いてシミュレーションデータ（Ｄ）を処理することにより、予想データ（forecast data）を予測する。さらに、決定モジュールは、最適化モデルを用いることにより、予想データに基づき、指示値（ｘ’）を決定する。さらに、最適化モデルは、最適化モデルに関連付けられた目的関数（objective function）が最適化されるように、指示値（ｘ’）を決定する。ここで、目的関数の最適化は、達成すべきビジネスの目的を示す。さらに、反復モジュールは、シミュレーションモジュール、予測モジュールおよび決定モジュールに指示を与え、目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、シミュレーションを実行する工程、予測する工程、および決定する工程をそれぞれ反復して実行する。さらに、各反復において、第１回目の反復を除き、入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）であり、一方、第１回目の反復において、入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである。

別の実施形態において、指示分析を実行するための方法が開示される。該方法は、シミュレーションデータ（Ｄ）を生成するため、シミュレーションモデルを用いて、入力データ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラメーター（μ）からシミュレーションを実行する工程を含む。さらに、該方法は、予測モデルを用いてシミュレーションデータ（Ｄ）を処理することにより、予想データを予測する工程を含む。さらに、該方法は、最適化モデルを用いることにより、予想データに基づき、指示値（ｘ’）を決定する工程を含む。さらに、最適化モデルは、最適化モデルに関連付けられた目的関数が最適化されるように、指示値（ｘ’）を決定する。ここで、目的関数の最適化は、達成すべきビジネスの目的を示す。さらに、該方法は、目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、プロセッサーによって、シミュレーションを実行する工程、予測する工程、および決定する工程を反復して実行する工程を含む。さらに、各反復において、第１回目の反復を除き、入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）であり、一方、第１回目の反復において、入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである。

さらに別の実施形態において、指示分析を実行するために演算装置において実行可能なプログラムを具体化（embodying）する非一時的コンピューター可読媒体（non-transitory computer readable medium）が開示される。該プログラムは、シミュレーションデータ（Ｄ）を生成するため、シミュレーションモデルを用いて、入力データ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラメーター（μ）からシミュレーションを実行するためのプログラムコードを含む。さらに、該プログラムは、予測モデルを用いてシミュレーションデータ（Ｄ）を処理することにより、予想データを予測するためのプログラムコードを含む。さらに、該プログラムは、最適化モデルを用いて、予想データに基づき、指示値（ｘ’）を決定するためのプログラムコードを含む。さらに、最適化モデルは、最適化モデルに関連付けられた目的関数が最適化されるように、指示値（ｘ’）を決定する。ここで、目的関数の最適化は、達成すべきビジネスの目標を示す。さらに、該プログラムは、目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、シミュレーションを実行する工程、予測する工程、および決定する工程を反復して実行するためのプログラムコードを含む。さらに、各反復において、第１回目の反復を除き、入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）であり、一方、第１回目の反復において、入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである。

添付の図面を参照して、詳細な説明が提供される。添付の図面中の各参照番号の左端の数字は、その参照番号が最初に現れる図番号を表している。各図面において、同様の特徴およびコンポーネントには、同じ参照番号が付されている。

図１は、本発明の実施形態に係る指示分析を実行するためのシステムのネットワーク実施を示す図である。

図２は、本発明の実施形態に係るシステムを示す図である。

図３Ａ〜３Ｄは、本発明の様々な実施形態に係る指示分析を実行するためのそれぞれ異なる方法を詳細に示す図である。

図４は、本発明の実施形態に係る指示分析を実行するための方法を示す図である。

データ分析、より具体的には、指示分析（prescriptive analytics）を提供するためのシステムおよび方法が説明される。データ分析を実行するために利用可能なアプローチが複数存在する。利用可能なアプローチの１つは、予測分析である。一般的に、これらのタイプのデータ分析、すなわち、予測分析は、ビジネスプロセスを改善するために必要とされている。ビジネスプロセスは、特定のサービスまたは製品をもたらす構造的な活動（structural activities）に関連付けられている。これらサービスまたは製品は、特定の分野（ドメイン）において、ユーザーまたは顧客のグループによって利用される。そのようなサービスまたは製品を利用している間、顧客は、サービスまたは製品に関連付けられた様々に異なる状況（ステージ）に遭遇することとなる。いくつかの状況において、顧客が適切な決定を行うことを補助するため、未来の可能性を予測することが求められている。例えば、顧客についての人口統計データは、顧客の購買行動を予測するために用いられる。別の例において、保証請求（warranty claims）の過去のパターンは、未来の部品ごとの故障（future part-wise failures）を予測するために用いられる。

しかしながら、上述のような購買行動および未来の部品ごとの故障についての予測は、それらだけでは、ビジネスプロセスを最適化するため、またはビジネスのゴールや目的を示す目的関数を最適化するための如何なる具体的なアクションも提供しない。実施形態の１つにおいて、目的関数は、コストの最小化または利益の最大化である。別の実施形態において、目的関数は、顧客に請求すべき価格がいくらであるか、部品交換保証を提供するために必要なコストまたは在庫量がどれくらい必要か、等である。よって、予測分析は、ユーザーに、未来の可能性や未来の結果のみを提供することに制限されている。

本開示により、目的関数を最適化し、それにより、ビジネスの目的を達成するために、データ分析の改良された方法、すなわち、指示分析が提案される。実施形態の１つにおいて、指示分析を実行するために、指示情報融合（PIF: Prescriptive Information Fusion）フレームワークが本明細書に開示される。ＰＩＦフレームワークは、ベイジアン定式（Bayesian formulation）に基づく。一般的に、指示分析において、目的関数は、予測分析の出力を用いた最適化手続きによって評価される。保証請求を提供するためにどれくらいのリソースが必要かを判断するというシナリオを想定した場合、過去データから導出された統計または予測モデルに基づいて、部品ごとの故障を予想する必要がある。高度に個人化された価格設定戦略を決定するという別のシナリオでは、需要が顧客の属性とどの程度相関するかを知る必要がある。ここで、顧客の属性は、予測モデルによって算出される。本発明の実施形態によれば、学術分野と同様に、事業（商業）分野においても、指示分析を実行することが可能となる。

さらに、学術分野および事業分野に関する情報は、多様な情報源（ソース）から受信される。これら多様な情報は、予測および指示をＰＩＦフレームワークによって改善するために融合される。いくつかのシナリオにおいて、最適化モデルと組み合わされた予測モデルが用いられる。例えば、目的関数を最適化するための最良な戦略を決定するため、予測モデルの出力が最適化モデルの入力として用いられる。ビジネス戦略、すなわち、製品の価格設定または広告宣伝それ自体が、消費者／顧客の行動に影響を与えるような状況を想定する。このような状況において、予測モデルは、実際に検討されるビジネス戦略を考慮に入れることによって、消費者の行動をモデル化する必要がある。これは、予測−最適化プロセスが反復して実行されることに繋がり、結果として、多大な時間を必要とするプロセスになってしまう。時間の浪費は別としても、ビジネス戦略に関する次善策（sub-optimal policies）はビジネス上の重大な損失をもたらすものであるから、提案されるビジネス戦略は、実行に値するものではない。これは、現実世界において実際に実行されるビジネスの決定が、ほとんどの場合、過去において提案されたビジネス戦略の実行可能な設計領域をほんの断片的にしか網羅（カバー）していないことに起因しており、予測モデルおよび指示モデルは、このような選択を実行するのに十分なほど正確ではない。よって、このような懸念を克服するため、予測と最適化を連動してシミュレーションを実行することが必要とされている。

より良い製品または製造プロセスを設計するのが仕事となる製造分野におけるシナリオを想定すると、一般的には、新しい製品設計または任意の具体的な製造プロセスに関する経験（実験）データを利用することができない。そのため、理論ベースのシミュレーションが代わりに用いられる。しかし、シミュレーションが依拠する科学的な理論が経験（実験）とマッチングするとしても、科学的な理論は、設計される具体的な製品またはプロセスよりも、はるかに概略的な水準である。そのため、実際に必要なものは、その逆方向、すなわち、所望の製品特性を達成するための最も費用効率のよい設計パラメーターまたはプロセスパラメーターである。したがって、本明細書に開示のＰＩＦフレームワークは、統計予測モデル（statistical predictive models）を用いたシミュレーションモデルからのデータを集約（要約化）し、最適なパラメーター（すなわち、設計パラメーターまたはプロセスパラメーター）の探索を容易とすることにより、逆推定（inverse inference）を提供する。さらに、シミュレーションモデルは、それ自身が、予測モデルの助けにより、経験データを用いて調整される。よって、ＰＩＦフレームワークは、予測および指示を改善するため、予測モデルと、最適化モデルと、シミュレーションモデルとを統合する。

指示分析を実行するための記載のシステムおよび方法の様態は、数多くの異なる演算システム、環境および／または構成として実施することができるが、実施形態は、以下の例示的なシステムの文脈（context）において説明される。

図１を参照すると、本発明の実施形態に係る指示分析を実行するためのシステム１０２のネットワーク実施１００が示されている。本発明は、システム１０２が指示分析を実行するためにサーバー上に実施されているものとして説明されるが、システム１０２は、様々な演算システム（例えば、ラップトップコンピューター、デスクトップコンピューター、ノートパソコン、ワークステーション、メインフレームコンピューター、サーバー、ネットワークサーバー、タブレット、携帯電話等）として実施されていてもよいことは理解されるであろう。実施形態の１つにおいて、システム１０２は、クラウドベース環境（cloud-based environment）において実施されていてもよい。システム１０２は、１つ以上のユーザーデバイス１０４−１、１０４−２・・・１０４−Ｎ（以下、集合的にユーザーデバイス１０４と称される）、またはユーザーデバイス１０４上に駐在するアプリケーションを介して、複数のユーザーによってアクセスされることは理解されるであろう。ユーザーデバイス１０４の例としては、これに限られるものではないが、携帯型コンピューター、ＰＤＡ（Personal Digital Assistant）、ハンドヘルドデバイス、ワークステーション等が挙げられる。ユーザーデバイス１０４は、ネットワーク１０６を介して、システム１０２に通信可能に接続される。

実施形態の１つにおいて、ネットワーク１０６は、無線ネットワーク、有線ネットワーク、またはこれらの組み合わせであってもよい。ネットワーク１０６は、異なる種類のネットワーク（例えば、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネット等）のいずれか１つとして実施することができる。ネットワーク１０６は、専用ネットワークであってもよいし、共有ネットワークであってもよい。共有ネットワークは、異なる種類のネットワークの接続を意味し、様々なプロトコル（例えば、ハイパーテキストトランスファープロトコル（ＨＴＴＰ）、トランスミッションコントロールプロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、ワイヤレスアプリケーションプロトコル（ＷＡＰ）等）を用いて、互いに通信する。さらに、ネットワーク１０６は、様々なネットワークデバイス（例えば、ルーター、ブリッジ、サーバー、演算装置、ストレージ装置等）を含んでいてもよい。

図２を参照すると、本発明の実施形態に係るシステム１０２が示されている。実施形態の１つにおいて、システム１０２は、少なくとも１つのプロセッサー２０２と、入力／出力（Ｉ／Ｏ）インターフェース２０４と、メモリ２０６とを含む。少なくとも１つのプロセッサー２０２は、１つ以上のマイクロプロセッサー、マイクロコンピューター、マイクロコントローラー、デジタル信号プロセッサー、中央演算装置（ＣＰＵ）、状態マシーン、論理回路および／または操作可能（operational）な命令に基づいて信号を操作する任意の装置として実施することができる。その他の機能の中でも、少なくとも１つのプロセッサー２０２は、メモリ２０６内に保存されているコンピューター可読命令またはモジュールをフェッチ（fetch:命令コードを読み出すこと）し、実行するよう構成されている。

Ｉ／Ｏインターフェース２０４は、様々なソフトウェアインターフェースおよびハードウェアインターフェース（例えば、ウェブインターフェース、グラフィックユーザーインターフェース等）を含む。Ｉ／Ｏインターフェース２０４は、システム１０２がユーザーと直接またはユーザーデバイス１０４を介して相互通信することを可能とする。さらに、Ｉ／Ｏインターフェース２０４は、システム１０２がその他の演算装置（例えば、ウェブサーバーおよび外部データサーバー）（図示せず）と通信を行うことを可能とする。Ｉ／Ｏインターフェース２０４は、有線ネットワーク（例えば、ＬＡＮ、ケーブル等）および無線ネットワーク（例えば、ＷＬＡＮ、セルラー、衛星等）を含む広範な種類のネットワークおよびプロトコル内での多数の通信を容易にする。Ｉ／Ｏインターフェース２０４は、多数の装置を互いにまたは他のサーバーに接続するための１つ以上のポートを含む。

メモリ２０６は、本分野において既知の任意のコンピューター可読媒体およびコンピュータープログラム製品（例えば、静的ランダムアクセスメモリ（ＳＲＡＭ）や動的ランダムアクセスメモリ（ＤＲＡＭ）等の揮発性メモリおよび／またはリードオンリーメモリ（ＲＯＭ）、消去可能プログラム可能ＲＯＭ（ＥＰＲＯＭ）、フラッシュメモリ、ハードディスク、光学ディスク、コンパクトディスク（ＣＤｓ）、デジタル多用途ディスクまたはデジタルビデオディスク（ＤＶＤｓ）および磁気テープ等の不揮発性メモリ）を含む。メモリ２０６は、複数のモジュール２０８と、データ２２０とを含む。

モジュール２０８は、特定のタスクを実行または特定の抽象データ型（abstract data type）を実行するルーチン（routine）、プログラム、オブジェクト、コンポーネント、データ構造等を含む。実施形態の１つにおいて、モジュール２０８は、シミュレーションモジュール２１０と、予測モジュール２１２と、決定モジュール２１４と、反復モジュール２１６と、その他モジュール２１８とを含む。その他モジュール２１８は、システム１０２のアプリケーションおよび機能を補完するプログラムまたはコード化命令を含む。

とりわけ、データ２２０は、１つ以上のモジュール２０８によって処理され、受信され、生成されたデータを保存するためのレポジトリ（repository：データやプログラム等の一元的な保存場所）として機能する。また、データ２２０は、シミュレーションデータデータベース２２２と、指示値データベース２２４と、その他データ２２６とを含む。本発明の実施形態によれば、システム１０２のデータ２２０は、予測データおよび過去データも含む。

図３Ａ〜３Ｄを参照すると、本発明の様々な実施形態に係る指示分析を実行するための互いに異なる方法が詳細に示されている。指示分析の実行を容易にするため、指示情報融合（ＰＩＦ）フレームワークがシステム１０２において実施される。ＰＩＦフレームワークは、図３Ａ〜３Ｄを参照して、工程ごとに説明される。図３Ａ、３Ｂ、３Ｃおよび３Ｄはそれぞれ、開ループ（open loop）指示分析、適応性（adaptive）指示分析、シミュレーションベース指示分析、およびフルＰＩＦ（full PIF）フレームワークを示している。最初に、開ループ指示分析（図３Ａ参照）が詳細に説明される。図３Ａには、予測モデル（Ｍ）を用いて過去データ（Ｙ）がモデル化される従来の予測分析アプローチが示されている。また、過去データ（Ｙ）は、本明細書を通じて、実データ（real data）または経験データ（experimental data）と称される。さらに、予測モデル（Ｍ）は、未来値（future value）用の予測因子（predictor）として用いられる分布Ｐ（ｙ｜Ｍ）を生成する。例えば、過去データ（Ｙ）が、実地（フィールド）において、車両集団における部品の故障を、ある期間に渡って取得しているとすると、部品の故障はワイブル分布（Weibull distribution）を用いてモデル化され、これを用いることにより、分布Ｐ（ｙ｜Ｍ）を用いて未来の故障の期待数を算出することが可能となる。

従来の予測分析では、未来の結果または未来の可能性のみが予測され、そのため、従来の予測分析は、如何なる指示アクションも提供しない。この限界を克服するため、ここに開示されるような指示分析は、図３Ａに示すように、予測モデル（Ｍ）と最適化モデルとをリンクする。このリンクは、予測モデル（Ｍ）の出力が、最適化モデルの入力となるように形成される。例えば、予測された故障は、保証請求に対する保険を掛けるために十分な資金を計上（設定）するために用いることができ、計上オーバー（over provisioning）するか計上アンダー（under provisioning）によって発生し得る違約金（commercial penalties）を最適に平衡（optimally balance）させることができる。

図３Ａに示されているような予測モデルは、ベイジアンモデル選択として定式化されている、すなわち、最確予測モデル（most probable predictive model）Ｍ’が利用可能なデータＹ’用に選択されることに留意されたい。このような予測モデルは、任意の具体的な保証計上費用（warranty provisioning outlay）の計上オーバーまたは計上アンダーの違約金であるｃ（ｘ，ｙ）を用いて、未来の故障の量（ｙ）の確率的予測（probabilistic prediction）、すなわち、Ｐ（ｙ｜Ｍ）を生成し、さらに、予測された故障量が算出される。実施例の１つにおいて、予測モデル（Ｍ）は、それぞれ異なる部品の故障ｙ_ｉ（これら部品の故障は、それぞれ異なる計上オーバーおよび計上アンダーの違約金を発生させる）を予測する。そのため、最適化ステージは、分布Ｐ（ｙ｜Ｍ）の下で期待される違約金、すなわち、統合（統計）段階における全ての部品の合計違約金を最小化することができる計上戦略を選択する必要がある。

さらに、図３Ｂは、閉ループ（closed-loop）環境における適応性指示分析を示している。直前の実施形態では、実際のイベント発生、すなわち、部品の故障率は変化しないものであった。しかしながら、いくつかの領域では、そのようではなく、イベント発生それ自身が最適化された戦略に起因して変化する。本発明の実施形態によれば、図３Ｂは、消費者の購買意欲に基づいて、消費財（consumer goods）に対して、それぞれ異なるように値段設定するタスクをサポートするものとする。このような場合、誰にどのような価格設定をするかという戦略は、購入者の数に実際に影響を与え、そして、蓄積される収益にも影響を与えることとなる。図３Ｂによれば、最適戦略（ｘ）が実行に移されるとき、最適戦略（ｘ）は入力データ（ｘ_{ｉｎｐｕｔ}）の一部となる。さらに、過去データ（Ｙ）は、この場合、月別の売上データであり、月別の売上データをモデル化することにより、予測モデル（Ｍ）を用いて、期待される未来の売上を予想することができる。また、予測モデル（Ｍ）は、見積価格ｘや人口統計データ等のようなその他の要素から、売上量であるｙの１つの要素を推定するために用いることができる分布Ｐ（ｙ｜ｘ，Ｍ）をもたらす。月別の売上データ、すなわち、Ｙが商品／製品がどの程度消費者に売れるか（すなわち、ｙ_ｓ）、および、彼ら（顧客の）人口統計プロファイル（すなわち、ｙ_ｄ）を含んでいる場合（ここで、ｙ＝［ｙ_ｓ＋ｙ_ｄ］）を考える。月別の売上データに基づいて、事後分布（posterior distribution）がＰ（ｙ_ｓ｜ｙ_ｄ，ｘ，Ｍ）として推定される。さらに、予測モデル（Ｍ）は、顧客の人口統計プロファイルや線形回帰（linear regression）によって続くその他情報に基づいて、値段弾性的（price elasticity）モデルｙｓ＝ｂ−ｍｘを生成する各クラスターに、顧客をクラスター化（一群化）する。ここで、値段弾性的モデルは、各クラスターｋによって表される人口統計プロファイルのガウシアン事後平均値(the means of a Gaussian posterior）となる。したがって、Ｐ（ｙ_ｓ｜ｋ，ｘ，Ｍ）＝Ｎ（ｂｋ−ｍ_ｋｘ，σ）である。

次に、最適化ステージにおいて、全ての顧客にわたって総計された売上収益（すなわち、ｙ_ｓ＊ｘ_ｋ）を最大化するために、値段設定戦略を選択すること、すなわち、各クラスターｋの別個の値段ｘ_ｋを選択することが目的となる。このような最適化は、戦略の数、すなわち、「ｌ」個の値段スラブ（price slabs）π＝｛π１・・・πｌ｝およびセグメントｋが小さい場合、追跡可能（traceable）である。実施例の１つでは、ｋ個のセグメントと値段設定戦略ｘ＝｛ｘ１・・・ｘ２｝が与えられると、このような割り当て（assignment）からの期待収益は、Ｐ（ｙ_ｓ｜ｋ，ｘ，Ｍ）＝Ｎ（ｂ_ｋ−ｍ_ｋｘ，σ）を用いて、もしくは、クラスター平均によって管理されたクラスター内における各顧客の行動を仮定すること、すなわち、ｙｓ＝ｂ_ｋ−ｍ_ｋｘ_ｋを仮定することによって、容易に算出することができる。ｌ^ｋ個の可能な値段設定割り当てが存在するので、所与のｋ個のクラスター用の最適な割り当てに到達することの複雑性は、Ｏ（ｎｌ^ｋ）となる。ここで、「ｎ」は顧客の数である。

本ケースにおいて、クラスターは、その回帰係数と共に、最適化ステージへの入力となる。しかしながら、２つの工程は分断されるものと思われ、実際に、データ分析を実行する多くの機構では、そのような分断が実際行われている。簡単に言うと、そのようなケースにおいて生成される予想および予想モデル化の２つは、統合された活動というよりはむしろ、ビジネス戦略のために用いられる単なる（個別の）入力である。しかしながら、最適な戦略は、実際には予測モデル（Ｍ）の選択に依存することが経験から示されており、そのため、指示された戦略Ｘをさらなる予測反復（prediction iterations）に送り返すことは有益なことである。本発明の実施形態によれば、予測モデル（Ｍ）は、過去データ（Ｙ）のみではなくＸ（すなわち、指示された戦略）にも基づいて、選択される。したがって、クラスター化は、値段設定に反応する顧客の消費行動および顧客の人口統計に基づく。

さらに、図３Ｃは、指示分析におけるシミュレーションモデルの役割を示している。上述の顧客売上の実施例を考えると、後の反復が異なる値段に対する顧客の反応を考慮に入れることができるように、選択された戦略が実際に実行に移され、さらに、ＹおよびＸの双方の実際の観測を用い、予測モデル（Ｍ）を導出するものと仮定される。しかし、実際には、そのようになされるケースはとても少ないか、むしろ全くなく、代わりに、変動の小さなセットのみが実地において実際に試される。何故ならば、少なくとも通常（従来）の企業において、そのようなビジネスの決定は、「戦略的に」実行され、例えば、四半期ベースで実行される。このような場合、閉ループ適応性分析（図３Ｂで説明したような分析）は、実行が難しいか、ほとんど不可能に近い。

このような状況を克服するため、シミュレーションモデルを用いたシミュレーションベースの指示分析が、図３Ｃに示されているように、開示される。シミュレーションモデルは、領域個別の理論（domain-specific theories）、例えば、物理システムや人間行動（human behavior）に基づいて選択される。本発明の実施形態によれば、人間行動は、人々が単に安い値段を提示されたときと対照的に、値引き（ディスカウント）を提示されたときにどのように行動するか、そのような行動が彼らの人口統計プロファイル、友人の影響、社会的ネットワーク等にどのように依存するのか等の情報／要素を含んでいる。

実施形態の１つによれば、シミュレーションモデルは入力ｘおよびパラメーターμを入力として取り、シミュレーションデータＤを生成する。このようなシミュレーションは実行に長い時間を要することが多く、逆解析の実行を困難にしている。さらに、予測モデル（Ｍ）は、多くのシミュレーションを実行して得られた結果を集約（要約化）するために用いられる。予測モデル（Ｍ）は、逆解析をするために用いられる。ここで、逆解析は、事後分布Ｐ（ｙ_ｉｎ｜ｙ_ｏｕｔ，Ｄ，Ｍ）に帰着（相当）する。さらに、ｙ_ｉｎは、シミュレーションモデルにおける入力パラメーターであり、ｙ_ｏｕｔは、所望の行動出力（behavioral output）である。本発明の実施形態によれば、ｙ_ｉｎは、シミュレーションパラメーター（μ）および指示値（ｘ’）、すなわち、ｘ_{ｉｎｐｕｔ}に相当し、所望の行動出力ｙ_ｏｕｔは、（図３Ｄのように）シミュレーションデータ（Ｄ）に相当する。さらに、予測モデル（Ｍ）および最適化モデルと共に用いられるシミュレーンモデルの配置が図３Ｄにおいて詳細に説明される。

図３Ｄは、本明細書に開示のシステム１０２内において実施されるＰＩＦフレームワークに対応している。シミュレーションモデルは、一般的に、集合的に「実データ（real data）」Ｙと称され、入力とみなされる経験データまたは過去データを増補するために用いられる。シミュレーションモデルは、入力データ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラーメータ（μ）を入力として受信する。入力を受信した後、システム１０２のシミュレーションモデル２１０は、シミュレーションデータ（Ｄ）を生成するため、シミュレーションパラメーター（μ）に基づいて、入力データ（ｘ_{ｉｎｐｕｔ}）からシミュレーションを実行する。シミュレーションデータ（Ｄ）は、システム１０２のシミュレーションデータデータベース２２２内に保存される。さらに、シミュレーションパラメーター（μ）およびシミュレーションモデルは、シミュレーションデータ（Ｄ）が入力データ（ｘ）に対応する観測された実データ（Ｙ）とマッチングするよう、選択される。実施形態の１つにおいて、シミュレーションパラメーター（μ）は、検討されている物理システムに関する仮定とみなすことができる。

次に、システム１０２の予測モジュール２１２は、予測モデル（Ｍ）を用いてシミュレーションデータ（Ｄ）を処理することにより、予想データを予測する。予測ステージにおいて、予測モデル（Ｍ）は、数多くのシミュレーションを実行して得られる結果、すなわち、シミュレーションモデルの出力を集約（要約化）する。予測モデル（Ｍ）を用いる目的の１つは、逆分析を実行すること、すなわち、どのような入力パラメーターが特定の出力を生成するかを算出することにある。よって、統計モデルは、２つの目的を果たす。１つ目の目的は、シミュレーションモデルの結果を集約（要約化）することであり、２つ目の目的は、プロセス全体の結果が実データＹから解離しないことを保証することである。

さらに、システム１０２の決定モジュール２１４は、最適化モデルを用いることにより、予想データに基づき、指示値（ｘ’）を決定する。決定された指示値（ｘ’）は、システム１０２の指示値データベース２２４内に保存される。さらに、指示値（ｘ’）は、最適化モデルに関連付けられた目的関数が最適化されるよう、決定される。ここで、目的関数の最適化は、達成すべきビジネスの目的を示す。本発明の実施形態によれば、目的関数は、コストの最小化、または、利益の最大化である。別の実施形態において、目的関数は、顧客に請求すべき値段をいくらにするか、部品交換保証を提供するために必要なコストまたは在庫量がどれくらい必要か、等である。

図３Ｄから、最適化モデルが、予測モデル（Ｍ）の実際の目標であるコストモデルｃ（ｘ，ｙ）の最小化のために適切な設計入力「ｘ」を選択するよう機能していることが見て取れる。目標を達成するため、シミュレーションモデルおよびシミュレーションパラメーター（μ）は、観測されるデータＸおよびＹ、並びにシミュレーションデータＤの確率を最大化するよう、ベイジアン原理（Bayesian spirit）において選択される。よって、図３Ｄに示されているように、予測モデルおよびシミュレーションパラメーター（μ）は、下記式（１）を最大化するように選択される。
δ_ｓＰ（Ｍ｜ｘ，Ｄ，）＋δ_ｙＰ（Ｍ｜Ｘ，Ｙ） ・・・式（１）

ここで、δ_ｓおよびδ_ｙは、現実世界データに対するシミュレーションデータの相対重みをコントロールしている。上記式（１）を用いることによって、予測モデル（Ｍ）は、シミユレーションデータ（Ｄ）に基づき、それ自身で学習される。さらに、インプットデータ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラメーター（μ）に基づいて生成されるシミュレーションデータ（Ｄ）は、式（１）を用いて学習される。シミュレーションを実行する工程、予測する工程、および決定する工程を実行した後、事後分布Ｐの下で期待されるＥ［ｃ（ｘ，ｙ）］を最小化するために、次の最適な指示値（ｘ’）が以下のように算出される。

・・・式（２）

よって、指示分析の次のステージにおいて、システム１０２の反復モジュール２１６は、シミュレーションモジュール２１０、予測モジュール２１２、および決定モジュール２１４に指示を与え、目的関数がそれ以上最適化されず、所定の条件が満たされるまで、シミュレーションを実行する工程、予測する工程、および決定する工程をそれぞれ反復して実行する。すなわち、所定の条件が満たされるようになるまで、反復が実行される。実施例の１つでは、所定の条件は、特定の製品に対して予想される所定の売上量に対応する、企業によって設定された所定の売上利益を含む。同様に、別の実施例において、所定の条件は、保証請求を提供するために必要な資金の所定の値を含む。よって、所定の条件が満たされるか達成されるまで、反復が実行される。また、目的関数をそれ以上最適化することができないときには、反復を終了してもよい。

実施形態の１つにおいて、複数の反復の各反復において、第１回目の反復を除き、入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）である。第１回目の反復では、入力データ（ｘ_{ｉｎｐｕｔ}）は、シミュレーションプロセスを初期化し、それによりシミュレーションデータＤを生成し、さらに続いて、ＰＩＦフレームワークでの方法工程を実行するために要求される参照データまたは先験情報（apriori information）である。本分野における当業者であれば、現実世界は取りうる戦略「ｘ」の十分な範囲を含んでいないことから、指示分析に基づくこのような反復が必要とされ、そしてそのため、シミュレーションに対するニーズが生じていることを理解し、正しく認識できるであろう。次に、物理システムまたは人間行動に基づく双方のシミュレーションは、取りうる戦略ｘおよびシミュレーションパラメーター（μ）の各選択のために実行されるが、計算コスト的に高価なものであり、多大な時間を要するものである。そのため、ｘのセットのために実行されるシミュレーションは、範囲を限定しなければならない。

Ｙとして実世界データ（real-world data）を有し、実際に実行された戦略Ｘの合理的な変化近傍（reasonably varied neighborhood）に対する戦略（ｘ^０）の範囲についてのシミュレーションデータ（Ｄ^０）を生成するために、シミュレーションパラメーター（μ^０）の最良と推測される選択（best-guess choice）が検討される例を考える。上述のシナリオに基づくと、最適な戦略（ｘ^１）が算出される。ここで、これらシミュレーションの実行を用いてフィッティングされた初期モデルＭ^０に基づいて、未知のシミュレーションパラメーターμ^１についての推測が改良（refine）される。さらに、システム１０２は、再度シミュレーションを実行し、また、戦略の範囲をさらに｛ｘ^１｝に拡大し、さらにこのとき、ｘのセットをｘ^１の広近傍（large neighborhood）にまで拡大する。さらに、得られた増補されたデータセット［Ｄ^１，Ｄ^２］は、更新されたモデルＭ^２をフィッティングするために用いられる。更新されたモデルＭ^２を用いることにより、システム１０２は、シミュレーションパラメーターをμ^１からμ^２等へさらに更新することができる。システム１０２は、システムがコストモデルｃ（ｘ，ｙ）の最適化をさらに進めることができなくなるまで、このプロセスを反復して繰り返し、その一方、いくつかの現実世界の観測、すなわち、入力データ（ｘ_{ｉｎｐｕｔ}）を適切にフィッティングする。

図４を参照すると、本発明の実施形態に係る指示分析を実行する方法が示されている。方法４００は、コンピューター実行可能命令の一般的な文脈（context）において説明される。一般的に、コンピューター実行可能命令は、特定の機能を実行または特定の抽象データ型を実行するルーチン、プログラム、オブジェクト、コンポーネント、データ構造、プロシージャー、モジュール、関数等を含む。また、方法４００は、通信ネットワークを介してリンクされた遠隔処理装置によって機能が実行される分散演算環境（distributed computing environment）内で実施されてもよい。分散演算環境内では、コンピューター実行可能命令は、メモリーストレージ装置を含むローカルおよび遠隔コンピューターストレージ媒体の双方内に位置している。

方法４００が説明される順序は、限定として解釈されるものではなく、任意の数の記載の方法のブロックが任意の順序で組み合わされ、方法４００または代替的な方法を実施することができる。加えて、ここに説明される本発明の原理および範囲から逸脱することなく、個々のブロックを方法４００から削除することができる。さらに、方法は、任意の適したハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせで実施することができる。しかしながら、説明の簡易化のため、以下に記載の実施形態では、方法４００は、上述のシステム１０２において実施されているものとする。

ブロック４０２において、シミュレーションデータ（Ｄ）を生成するため、入力データ（ｘ_{ｉｎｐｕｔ}）およびシミュレーションパラメーター（μ）からシミュレーションを実行する工程が実行される。さらに、シミュレーションモデルを用いて、シミュレーションが実行される。

ブロック４０４において、シミュレーションデータ（Ｄ）を処理することにより、予想データが予測される。ここで、予測モデル（Ｍ）を用いて予測が実行される。

ブロック４０６において、最適化モデルを用いて、予想データに基づき、指示値（ｘ’）が決定される。さらに、最適化モデルに関連付けられた目的関数が最適化されるように、指示値（ｘ’）が最適化される。ここで、目的関数の最適化は、達成すべきビジネスの目的を示す。

ブロック４０８において、目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、ブロック４０２、４０４、および４０６において実行される工程が反復して実行される。さらに、各反復において、第１回目の反復を除き、入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）であり、一方、第１回目の反復において、入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである。

指示分析を実行するための方法およびシステムの実施形態が、構造的特徴および／または方法を特定する記述において説明されたが、添付の請求項は必ずしも説明された特定の特徴または方法に限定されるものではないことは理解されるであろう。むしろ、特定の特徴および方法は、指示分析を実行するための実施形態の一例として開示された。

Claims (7)

1. プロセッサーによって指示分析を実行するための方法であって、
   複数のシミュレーションデータ（Ｄ）を生成するため、前記プロセッサーによって、シミュレーションモデルに入力データ（ｘ_{ｉｎｐｕｔ}）および前記シミュレーションモデルによってシミュレーションされる物理システムに関する仮定に対応するシミュレーションパラメーター（μ）を入力パラメーターとして入力することにより、シミュレーションを実行する工程と、
   前記プロセッサーによって、どのような入力パラメーターが所定のシミュレーションデータ（Ｄ）を生成するかを特定するための逆分析を実行する予測モデル（Ｍ）を用いて、前記複数のシミュレーションデータ（Ｄ）を集約することにより、予想データを予測する工程と、
   前記プロセッサーによって、現実の物理システムにおいて観測される実データ（Ｙ）と前記シミュレーションデータ（Ｄ）とがマッチングするように前記シミュレーションパラメーター（μ）を設定し、さらに、前記最適化モデルに関連付けられた目的関数が最適化されるように指示値（ｘ’）を決定する最適化モデルを用いることにより、前記予想データに基づき、前記指示値（ｘ’）を決定する工程であって、
   前記目的関数の前記最適化は、前記目的関数の値を最小化または最大化することを意味する、前記決定する工程と、
   前記目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、前記プロセッサーによって、前記シミュレーションを実行する工程、前記予測する工程、および前記決定する工程を反復して実行する工程であって、
   各反復において、第１回目の反復を除き、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された前記指示値（ｘ’）であり、さらに、
   前記第１回目の反復において、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである、前記反復して実行する工程と、
   実データおよび経験データの少なくとも１つを用いた指示情報融合（ＰＩＦ）フレームワークを用いて前記指示分析の実行を容易にする工程と、
   １つ以上の未来値用の予測因子としての分布曲線を生成する工程であって、
   前記生成された分布曲線は、１つ以上のシミュレーションを実行して得られた結果を集約する、前記生成する工程と、を含むことを特徴とする方法。
2. 前記シミュレーションパラメーター（μ）および前記シミュレーションモデルは、下記式（１）を最大化するよう設定され、
   前記式（１）は、δ_ｓＰ（Ｍ｜ｘ，Ｄ，）＋δ_ｙＰ（Ｍ｜Ｘ，Ｙ）であり、
   前記δ_ｓおよび前記δ_ｙは、実世界データに対する前記シミュレーションデータ（Ｄ）の相対重みを示し、
   前記シミュレーションデータ（Ｄ）は、前記シミュレーションモデルを用いて生成される請求項１に記載の方法。
3. 前記指示値（ｘ’）を決定する工程は、下記式（２）を用いて、事後分布Ｐの下で期待されるコストモデルＥ［ｃ（ｘ，ｙ）］が最小化されるように、前記指示値（ｘ’）を決定する工程をさらに含み、
   前記式（２）は、
   

   

   であり、
   前記Ｅ［ｃ（ｘ，ｙ）］は、最適化される前記目的関数である請求項１に記載の方法。
4. 指示分析を実行するためのシステム１０２であって、
   プロセッサー２０２と、
   前記プロセッサー２０２に接続されたメモリ２０６と、を含み、
   前記プロセッサー２０２は、前記メモリ２０６内に保存されている複数のモジュール２０８を実行し、
   前記複数のモジュール２０８は、
   複数のシミュレーションデータ（Ｄ）を生成するため、シミュレーションモデルに入力データ（ｘ_{ｉｎｐｕｔ}）および前記シミュレーションモデルによってシミュレーションされる物理システムに関する仮定に対応するシミュレーションパラメーター（μ）を入力パラメーターとして入力することにより、シミュレーションを実行することと、
   どのような入力パラメーターが所定のシミュレーションデータ（Ｄ）を生成するかを表す予想データを算出するための逆分析を実行する予測モデル（Ｍ）を用いて、前記複数のシミュレーションデータ（Ｄ）を集約することにより、前記予想データを予測することと、
   現実の物理システムにおいて観測される実データ（Ｙ）と前記シミュレーションデータ（Ｄ）とがマッチングするように前記シミュレーションパラメーター（μ）を設定し、さらに、前記最適化モデルに関連付けられた目的関数が最適化されるように指示値（ｘ’）を決定する最適化モデルを用いることにより、前記予想データに基づき、前記指示値（ｘ’）を決定することであって、
   前記目的関数の前記最適化は、前記目的関数の値を最小化または最大化することを意味する、前記指示値（ｘ’）を決定することと、
   前記シミュレーションの実行、前記予測をすること、および前記決定することを指示し、前記目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、前記シミュレーションを実行する工程、前記予測する工程、および前記決定する工程をそれぞれ反復して実行することであって、
   各反復において、第１回目の反復を除き、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された前記指示値（ｘ’）であり、さらに、
   前記第１回目の反復において、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである、前記反復して実行することと、
   実データおよび経験データの少なくとも１つを用いた指示情報融合（ＰＩＦ）フレームワークを用いて前記指示分析の実行を容易にすることと、
   １つ以上の未来値用の予測因子としての分布曲線を生成することであって、
   前記生成された分布曲線は、１つ以上のシミュレーションを実行して得られた結果を集約する、前記分布曲線を生成することと、を実行するよう構成されていることを特徴とするシステム。
5. 前記シミュレーションパラメーター（μ）および前記シミュレーションモデルは、下記式（１）を最大化するよう設定され、
   前記式（１）は、δ_ｓＰ（Ｍ｜ｘ，Ｄ，）＋δ_ｙＰ（Ｍ｜Ｘ，Ｙ）であり、
   前記δ_ｓおよび前記δ_ｙは、実世界データに対する前記シミュレーションデータ（Ｄ）の相対重みを示し、
   前記シミュレーションデータ（Ｄ）は、前記シミュレーションモデルを用いて生成される請求項４に記載のシステム。
6. 前記決定することは、下記式（２）を用いて、事後分布Ｐの下で期待されるコストモデルＥ［ｃ（ｘ，ｙ）］が最小化されるように、前記指示値（ｘ’）を決定することをさらに含み、
   前記式（２）は、
   

   

   であり、
   前記Ｅ［ｃ（ｘ，ｙ）］は、最適化される前記目的関数を示す請求項４に記載のシステム。
7. 指示分析を実行するために演算装置において実行可能なプログラムを具体化する非一時的コンピューター可読媒体であって、
   複数のシミュレーションデータ（Ｄ）を生成するため、シミュレーションモデルに入力データ（ｘ_{ｉｎｐｕｔ}）および前記シミュレーションモデルによってシミュレーションされる物理システムに関する仮定に対応するシミュレーションパラメーター（μ）を入力パラメーターとして入力することにより、シミュレーションを実行するためのプログラムコードと、
   どのような入力パラメーターが所定のシミュレーションデータ（Ｄ）を生成するかを表す予想データを算出するための逆分析を実行する予測モデル（Ｍ）を用いて、前記複数のシミュレーションデータ（Ｄ）を集約することにより、前記予想データを予測するためのプログラムコードと、
   現実の物理システムにおいて観測される実データ（Ｙ）と前記シミュレーションデータ（Ｄ）とがマッチングするように前記シミュレーションパラメーター（μ）を設定し、さらに、前記最適化モデルに関連付けられた目的関数が最適化されるように指示値（ｘ’）を決定する最適化モデルを用いることにより、前記予想データに基づき、前記指示値（ｘ’）を決定するためのプログラムコードであって、
   前記目的関数の前記最適化は、前記目的関数の値を最小化または最大化することを意味する、前記決定するためのプログラムコードと、
   前記目的関数がそれ以上最適化されず、所定の条件を満たすようになるまで、前記シミュレーションを実行する工程、前記予測する工程、および前記決定する工程を反復して実行するためのプログラムコードであって、
   各反復において、第１回目の反復を除き、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、直前の反復において決定された指示値（ｘ’）であって、さらに、
   前記第１回目の反復において、前記入力データ（ｘ_{ｉｎｐｕｔ}）は、参照データである、前記反復して実行するためのプログラムコードと、
   実データおよび経験データの少なくとも１つを用いた指示情報融合（ＰＩＦ）フレームワークを用いて前記指示分析の実行を容易にするためのプログラムコードと、
   １つ以上の未来値用の予測因子としての分布曲線を生成するためのプログラムコードであって、
   前記生成された分布曲線は、１つ以上のシミュレーションを実行して得られた結果を集約する、前記分布曲線を生成することと、を実行するよう構成されている、前記分布曲線を生成するためのプログラムコードと、を含むことを特徴とする非一時的コンピューター可読媒体。

Images