ホーム > 特許ランキング > エムシーデジタル株式会社
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022084757
(43)【公開日】2022-06-07
(54)【発明の名称】情報処理装置、方法及びコンピュータプログラム
(51)【国際特許分類】
G06Q 10/08 20120101AFI20220531BHJP
G06Q 10/04 20120101ALI20220531BHJP
G06Q 30/02 20120101ALI20220531BHJP
【ＦＩ】
G06Q10/08 330
G06Q10/04
G06Q30/02 310
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2022040618
(22)【出願日】2022-03-15
(62)【分割の表示】P 2020156617の分割
【原出願日】2020-09-17
(71)【出願人】
【識別番号】520362310
【氏名又は名称】エムシーデジタル株式会社
(74)【代理人】
【識別番号】100114188
【弁理士】
【氏名又は名称】小野 誠
(74)【代理人】
【識別番号】100143823
【弁理士】
【氏名又は名称】市川 英彦
(74)【代理人】
【識別番号】100182132
【弁理士】
【氏名又は名称】河野 隆
(72)【発明者】
【氏名】久保長 礼
(72)【発明者】
【氏名】北村 寛
(72)【発明者】
【氏名】瀬川 晋作
(57)【要約】 （修正有）
【課題】卸売業者から小売業者に出荷される商品の数を予測する、情報処理装置、方法及びコンピュータプログラムを提供する
【解決手段】予測システムに含まれ、ネットワークを介して相互に接続される予測装置１００、小売システム及び卸システム３００は、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に卸売業者から小売業者に出荷される商品の数に関する情報を生成する情報処理装置であって、商品について、商品のカテゴリと、対象日の１日前から７日前の夫々において卸売業者から小売業者に出荷された商品の数と、小売業者における在庫日数又は商品の平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに入力情報を入力することにより、対象日に卸売業者が小売業者に出荷する商品の数に関する予測情報を学習モデルから出力させる。
【選択図】図８
【解決手段】予測システムに含まれ、ネットワークを介して相互に接続される予測装置１００、小売システム及び卸システム３００は、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に卸売業者から小売業者に出荷される商品の数に関する情報を生成する情報処理装置であって、商品について、商品のカテゴリと、対象日の１日前から７日前の夫々において卸売業者から小売業者に出荷された商品の数と、小売業者における在庫日数又は商品の平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに入力情報を入力することにより、対象日に卸売業者が小売業者に出荷する商品の数に関する予測情報を学習モデルから出力させる。
【選択図】図８
【特許請求の範囲】
【請求項1】
少なくとも１つのプロセッサを具備し、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する情報処理装置であって、
前記少なくとも１つのプロセッサが、
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、
ことを特徴とする情報処理装置。
前記少なくとも１つのプロセッサが、
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、
ことを特徴とする情報処理装置。
【請求項2】
前記少なくとも１つのプロセッサが、前記予測情報として、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数を出力する、請求項１に記載の情報処理装置。
【請求項3】
前記少なくとも１つのプロセッサが、前記予測情報として、前記卸売業者から前記小売業者に過去に出荷された前記商品の数の平均に対する、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数の変化率を出力する、請求項１に記載の情報処理装置。
【請求項4】
前記少なくとも１つのプロセッサが、
前記対象日として複数の対象日を用い、
前記予測情報として、前記複数の対象日の各々に前記卸売業者から前記小売業者に出荷される前記商品の数を出力する、請求項１に記載の情報処理装置。
前記対象日として複数の対象日を用い、
前記予測情報として、前記複数の対象日の各々に前記卸売業者から前記小売業者に出荷される前記商品の数を出力する、請求項１に記載の情報処理装置。
【請求項5】
前記少なくとも１つのプロセッサが、
前記対象日として複数の対象日を用い、
前記予測情報として、前記複数の対象日のすべてにおいて前記卸売業者から前記小売業者に出荷される前記商品の数の合計を出力する、請求項１に記載の情報処理装置。
前記対象日として複数の対象日を用い、
前記予測情報として、前記複数の対象日のすべてにおいて前記卸売業者から前記小売業者に出荷される前記商品の数の合計を出力する、請求項１に記載の情報処理装置。
【請求項6】
前記少なくとも１つのプロセッサが、
前記商品のカテゴリと、特定日より前の過去少なくとも７日間のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者において前記商品の１日あたりの販売数の平均である平均販売数で前記商品の在庫数を割った値である在庫日数と、前記特定日に前記卸売業者から前記小売業者に出荷された前記商品の数と、を教師データとして用いた学習を実行することにより、前記学習モデルを生成する、請求項１から請求項５のいずれかに記載の情報処理装置。
前記商品のカテゴリと、特定日より前の過去少なくとも７日間のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者において前記商品の１日あたりの販売数の平均である平均販売数で前記商品の在庫数を割った値である在庫日数と、前記特定日に前記卸売業者から前記小売業者に出荷された前記商品の数と、を教師データとして用いた学習を実行することにより、前記学習モデルを生成する、請求項１から請求項５のいずれかに記載の情報処理装置。
【請求項7】
前記少なくとも１つのプロセッサが、
勾配ブースティング木、線形回帰又はニューラルネットワークを用いた教師あり学習を実行することにより、前記学習モデルを生成する、請求項６に記載の情報処理装置。
勾配ブースティング木、線形回帰又はニューラルネットワークを用いた教師あり学習を実行することにより、前記学習モデルを生成する、請求項６に記載の情報処理装置。
【請求項8】
前記少なくとも１つのプロセッサが、
前記対象日より前の複数の過去の参照日の各々について、前記卸売業者から前記小売業者に出荷された前記商品の数を用いて標準偏差を取得し、
複数のパラメータの各々について、該パラメータ、前記予測情報として出力された、各参照日に前記卸売業者から前記小売業者に出荷される前記商品の数、及び、該参照日について取得された前記標準偏差を用いて、前記卸売業者における該参照日の前記商品の在庫数に対する閾値であって、該在庫数が該閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる閾値を各参照日について取得し、
前記複数のパラメータの各々について、各参照日について取得された前記閾値を用いて、前記複数の過去の参照日の全体にわたって、シミュレーションを実行することにより、前記複数の過去の参照日のうちの最終日での前記卸売業者における前記商品の在庫数、及び、前記複数の過去の参照日にわたって前記卸売業者において欠品が生ずる回数を取得し、
前記シミュレーションのうち、前記最終日での前記卸売業者における前記商品の在庫数及び前記回数に基づいて算出された基準値が最小となる特定シミュレーションにおいて用いられた前記パラメータを、最終的なパラメータとして決定し、
該最終的なパラメータと、前記予測情報として出力された前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数と、前記対象日について取得される標準偏差と、を用いて、前記卸売業者における前記対象日の前記商品の在庫数に対する最終閾値であって、該在庫数が該最終閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる最終閾値を計算する、請求項２に記載の情報処理装置。
前記対象日より前の複数の過去の参照日の各々について、前記卸売業者から前記小売業者に出荷された前記商品の数を用いて標準偏差を取得し、
複数のパラメータの各々について、該パラメータ、前記予測情報として出力された、各参照日に前記卸売業者から前記小売業者に出荷される前記商品の数、及び、該参照日について取得された前記標準偏差を用いて、前記卸売業者における該参照日の前記商品の在庫数に対する閾値であって、該在庫数が該閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる閾値を各参照日について取得し、
前記複数のパラメータの各々について、各参照日について取得された前記閾値を用いて、前記複数の過去の参照日の全体にわたって、シミュレーションを実行することにより、前記複数の過去の参照日のうちの最終日での前記卸売業者における前記商品の在庫数、及び、前記複数の過去の参照日にわたって前記卸売業者において欠品が生ずる回数を取得し、
前記シミュレーションのうち、前記最終日での前記卸売業者における前記商品の在庫数及び前記回数に基づいて算出された基準値が最小となる特定シミュレーションにおいて用いられた前記パラメータを、最終的なパラメータとして決定し、
該最終的なパラメータと、前記予測情報として出力された前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数と、前記対象日について取得される標準偏差と、を用いて、前記卸売業者における前記対象日の前記商品の在庫数に対する最終閾値であって、該在庫数が該最終閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる最終閾値を計算する、請求項２に記載の情報処理装置。
【請求項9】
前記少なくとも１つのプロセッサが、
α×前記最終日での前記卸売業者における前記商品の在庫数＋前記回数という数式に従って前記基準値を算出する、請求項８に記載の情報処理装置。
α×前記最終日での前記卸売業者における前記商品の在庫数＋前記回数という数式に従って前記基準値を算出する、請求項８に記載の情報処理装置。
【請求項10】
前記少なくとも１つのプロセッサが、
各シミュレーションにおいて、前記複数の過去の参照日の各々について、
当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数を下回っている場合に、前記卸売業者において欠品が生ずる回数を１つ増加させ、０を当該参照日での前記卸売業者における前記商品の在庫数として更新し、
当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数以上である場合に、該参照日での前記卸売業者における前記商品の在庫数から、前記卸売業者から前記小売業者に出荷された前記商品の数を減じた数を、当該参照日での前記卸売業者における前記商品の在庫数として更新し、
更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値を下回っている場合に、更新された前記卸売業者における前記商品の在庫数と前記閾値との差を、前記卸売業者における前記商品の入荷予定数とし、
更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値以上である場合に、０を前記卸売業者における前記商品の入荷予定数とし、
更新された前記卸売業者における前記商品の在庫数と前記商品の入荷予定数とを加えた数を、当該参照日の翌日での前記卸売業者における前記商品の在庫数とする、
という処理を、古い過去の参照日から新しい過去の参照日に向かって順次実行する、請求項９に記載の情報処理装置。
各シミュレーションにおいて、前記複数の過去の参照日の各々について、
当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数を下回っている場合に、前記卸売業者において欠品が生ずる回数を１つ増加させ、０を当該参照日での前記卸売業者における前記商品の在庫数として更新し、
当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数以上である場合に、該参照日での前記卸売業者における前記商品の在庫数から、前記卸売業者から前記小売業者に出荷された前記商品の数を減じた数を、当該参照日での前記卸売業者における前記商品の在庫数として更新し、
更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値を下回っている場合に、更新された前記卸売業者における前記商品の在庫数と前記閾値との差を、前記卸売業者における前記商品の入荷予定数とし、
更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値以上である場合に、０を前記卸売業者における前記商品の入荷予定数とし、
更新された前記卸売業者における前記商品の在庫数と前記商品の入荷予定数とを加えた数を、当該参照日の翌日での前記卸売業者における前記商品の在庫数とする、
という処理を、古い過去の参照日から新しい過去の参照日に向かって順次実行する、請求項９に記載の情報処理装置。
【請求項11】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１から請求項１０のいずれかに記載の情報処理装置。
【請求項12】
製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、
前記少なくとも１つのプロセッサが、前記命令を実行することにより、
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、ことを特徴とする方法。
前記少なくとも１つのプロセッサが、前記命令を実行することにより、
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、ことを特徴とする方法。
【請求項13】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１２に記載の方法。
【請求項14】
製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、少なくとも１つのプロセッサにより実行されることにより、
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプログラム。
前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、
教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプログラム。
【請求項15】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１３に記載のコンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本件出願において開示された技術は、物流において用いられる、情報処理装置、方法及びコンピュータプログラムに関する。
【背景技術】
【0002】
特開２０２０－３８５３５号公報（特許文献１）は、物流の全体像を図８において示している。卸売業者に着目してこの全体像をみると、卸売業者は、商品を製造する製造業者に対してその商品を発注することにより、製造業者からその商品を入荷して在庫として保管する。また、卸売業者は、小売業者からその商品を受注することにより、在庫として保管されているその商品を小売業者に出荷する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２０－３８５３５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
一般的に、卸売業者においては、商品の在庫がなくなる事象（欠品）の生ずる確率を低減しつつ、その商品の在庫を可能な限り削減することが、望ましいとされることが多い。そのためには、小売業者からの受注に応じて卸売業者から小売業者に出荷される商品の数を予測することが望ましい。
【0005】
そこで、本件出願において開示された技術は、卸売業者から小売業者に出荷される商品の数を予測する、情報処理装置、方法及びコンピュータプログラムを提供する。
【課題を解決するための手段】
【0006】
一態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する情報処理装置であって、前記少なくとも１つのプロセッサが、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
一態様に係る方法は、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、前記少なくとも１つのプロセッサが、前記命令を実行することにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
一態様に係るコンピュータプログラムは、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、少なくとも１つのプロセッサにより実行されることにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
一態様に係る方法は、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、前記少なくとも１つのプロセッサが、前記命令を実行することにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
一態様に係るコンピュータプログラムは、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、少なくとも１つのプロセッサにより実行されることにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
【図面の簡単な説明】
【0007】
【発明を実施するための形態】
【0008】
以下、添付図面を参照して本発明の様々な実施形態を説明する。なお、図面において共通した構成要素には同一の参照符号が付されている。また、或る図面に表現された構成要素が、説明の便宜上、別の図面においては省略されていることがある点に留意されたい。さらにまた、添付した図面が必ずしも正確な縮尺で記載されている訳ではないということに注意されたい。
【0009】
１．予測システムの概要
図１は、一実施形態に係る予測システムの概要の一例を示すブロック図である。図１に示すように、予測システム１は、予測装置１００と、小売業者により運用及び管理され得る小売システム２００と、卸売業者により運用及び管理され得る卸システム３００と、を主に含むことができる。予測装置１００、小売システム２００及び卸システム３００は、ネットワーク４００を介して相互に接続され得る。
図１は、一実施形態に係る予測システムの概要の一例を示すブロック図である。図１に示すように、予測システム１は、予測装置１００と、小売業者により運用及び管理され得る小売システム２００と、卸売業者により運用及び管理され得る卸システム３００と、を主に含むことができる。予測装置１００、小売システム２００及び卸システム３００は、ネットワーク４００を介して相互に接続され得る。
【0010】
ネットワーク４００は、携帯電話網、無線ＬＡＮ、固定電話網、インターネット、イントラネット及び／又はイーサネット（登録商標）等をこれらに限定することなく含むことができる。
【0011】
なお、図１に示した例では、予測装置１００が、小売システム２００及び卸システム３００とは独立して設けられているが、予測装置１００又はその一部が、小売システム２００、卸システム３００及び／又はその他の装置に含まれることも可能である。
【0012】
また、図１に示した例では、予測装置１００は、１つの装置として設けられているが、相互に協働して動作する複数の装置により構成され得る。この場合にも、予測装置１００を構成する複数の装置のうちの一部が、小売システム２００、卸システム３００及び／又はその他の装置に含まれることも可能である。
【0013】
図１に示す予測システム１では、簡潔にいえば、予測装置１００が、卸システム３００により記憶された情報のみを用いて、又は、卸システム３００により記憶された情報と小売システム２００により記憶された情報とを用いて、卸売業者から小売業者に出荷される商品の数に関する情報を、学習モデルを利用して予測することができる。予測装置１００による予測結果（例えば卸売業者から小売業者に出荷される商品の数に関する情報）は、卸システム３００及び／又は小売システム２００に提供され得る。
【0014】
なお、本件出願において、「商品」とは、食品、衣料品、文房具、飲料品、書籍、化粧品、薬品、鉄鉱石、石油、自動車部品及び電機製品等を（これらに限定することなく）含む、売買の対象となり得る任意の物品をいう。
【0015】
また、本件出願において、「小売業者」とは、商品を需要者に提供する任意の業者をいい、商品を需要者に専ら販売する業者だけでなく、商品を需要者に販売する限りにおいてその商品を製造する業者（例えば部品製造業者）をも含み得る。
【0016】
１－１．小売システム２００
小売システム２００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置が有するハードウェア構成は、予測装置１００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成と同様である。このハードウェア構成については、「１－３（１）」において後述する。
小売システム２００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置が有するハードウェア構成は、予測装置１００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成と同様である。このハードウェア構成については、「１－３（１）」において後述する。
【0017】
小売システム２００は、例えば小売業者が有するシステムであって、売上履歴情報、在庫履歴情報及び特売情報等を含む様々な情報を記憶することができる。これらの情報のうちの少なくとも一部は、任意のタイミングにおいて又は周期的に、予測装置１００に提供され記憶され得る。なお、これらの情報の詳細については、後に「１－３（２）」において説明する。なお、小売システム２００は、必ずしも小売業者により運用及び管理される必要はなく、小売業者に関連する企業又は他の企業により運用及び管理されるものであってもよい。
【0018】
１－２．卸システム３００
卸システム３００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置が有するハードウェア構成は、予測装置１００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成と同様である。このハードウェア構成については、「１－３（２）」において後述する。なお、卸システム３００は、必ずしも卸売業者により運用及び管理される必要はなく、卸売業者に関連する企業又は他の企業により運用及び管理されるものであってもよい。
卸システム３００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置が有するハードウェア構成は、予測装置１００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成と同様である。このハードウェア構成については、「１－３（２）」において後述する。なお、卸システム３００は、必ずしも卸売業者により運用及び管理される必要はなく、卸売業者に関連する企業又は他の企業により運用及び管理されるものであってもよい。
【0019】
卸システム３００は、例えば卸売業者が有するシステムであって、入出荷履歴情報及び商品情報を含む様々な情報を記憶することができる。これらの情報のうちの少なくとも一部は、任意のタイミングにおいて又は周期的に、予測装置１００に提供され記憶され得る。なお、これらの情報の詳細については、後に「１－３（２）」において説明する。
【0020】
１－３．予測装置１００
予測装置（情報処理装置）１００は、任意の企業により運用及び管理され得る。任意の企業には、商社、卸売業者、小売業者、製造業者、これらに関連する企業、及び、他の企業が含まれ得る。
（１）ハードウェア構成
予測装置１００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。図２は、予測システム１に含まれる予測装置１００（小売システム２００、卸システム３００）を構成する１又はそれ以上の相互に接続可能な情報処理装置の各々のハードウェア構成の一例を示すブロック図である。
予測装置（情報処理装置）１００は、任意の企業により運用及び管理され得る。任意の企業には、商社、卸売業者、小売業者、製造業者、これらに関連する企業、及び、他の企業が含まれ得る。
（１）ハードウェア構成
予測装置１００は、図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。図２は、予測システム１に含まれる予測装置１００（小売システム２００、卸システム３００）を構成する１又はそれ以上の相互に接続可能な情報処理装置の各々のハードウェア構成の一例を示すブロック図である。
【0021】
図２に示すように、各情報処理装置は、主に、中央処理装置１１と、主記憶装置１２と、入出力インタフェイス装置１３と、入力装置１４と、補助記憶装置１５と、出力装置１６と、を含むことができる。これら装置同士は、データバス及び／又は制御バスにより接続されている。
【0022】
中央処理装置１１は、「ＣＰＵ」と称され、主記憶装置１２に記憶されている命令及びデータに対して演算を行い、その演算の結果を主記憶装置１２に記憶させることができる。さらに、中央処理装置１１は、入出力インタフェイス装置１３を介して、入力装置１４、補助記憶装置１５及び出力装置１６等を制御することができる。各情報処理装置は、１又はそれ以上のこのような中央処理装置１１を含むことが可能である。
【0023】
主記憶装置１２は、「メモリ」と称され、入力装置１４、補助記憶装置１５及びネットワーク４００から、入出力インタフェイス装置１３を介して受信した命令及びデータ、並びに、中央処理装置１１の演算結果を記憶することができる。主記憶装置１２は、ＲＡＭ（ランダムアクセスメモリ）、ＲＯＭ（リードオンリーメモリ）及び／又はフラッシュメモリ等をこれらに限定することなく含むことができる。
【0024】
補助記憶装置１５は、主記憶装置１２よりも大きな容量を有する記憶装置である。補助記憶装置は、オペレーティングシステム及び特定のアプリケーション等を構成する命令及びデータ（コンピュータプログラム）を記憶することができる。この特定のアプリケーションは、各情報処理装置により実行されることにより、各情報処理装置を全体として予測装置１００として機能させることができる。さらに、補助記憶装置１５は、中央処理装置１１により制御されることにより、これらの命令及びデータ（コンピュータプログラム）を入出力インタフェイス装置１３を介して主記憶装置１２に送信することができる。補助記憶装置１５は、磁気ディスク装置及び／又は光ディスク装置等をこれらに限定することなく含むことができる。
【0025】
入力装置１４は、外部からデータを取り込む装置であって、タッチパネル、ボタン、キーボード及び／又はマウス等をこれらに限定することなく含むことができる。
【0026】
出力装置１６は、ディスプレイ装置、タッチパネル及び／又はプリンタ装置等をこれらに限定することなく含むことができる。
【0027】
このようなハードウェア構成にあっては、中央処理装置１１が、補助記憶装置１５に記憶された特定のアプリケーションを構成する命令及びデータ（コンピュータプログラム）を順次主記憶装置１２にロードし、ロードした命令及びデータを演算することができる。これにより、中央処理装置１１は、入出力インタフェイス装置１３を介して出力装置１６を制御し、或いはまた、入出力インタフェイス装置１３及びネットワーク４００を介して、他の装置（例えば、小売システム２００及び／又は卸システム３００）との間で様々な情報の送受信を行うことができる。
【0028】
なお、各情報処理装置は、中央処理装置１１に代えて又は中央処理装置１１とともに、１又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含むことも可能である。
【0029】
なお、小売システム２００及び／又は卸システム３００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成もまた、図２を参照して上述した予測装置１００を構成する１又はそれ以上の情報処理装置の各々が有するハードウェア構成と同様であり得る。
【0030】
（２）機能
図３は、図１に示した予測システム１に含まれる予測装置１００が有する機能の一例を示すブロック図である。図３に示すように、予測装置１００は、主に、通信部１１０と、制御部１２０と、記憶部１３０と、を含むことができる。
図３は、図１に示した予測システム１に含まれる予測装置１００が有する機能の一例を示すブロック図である。図３に示すように、予測装置１００は、主に、通信部１１０と、制御部１２０と、記憶部１３０と、を含むことができる。
【0031】
通信部１１０は、ネットワーク４００に接続され、小売システム２００及び／又は卸システム３００との間において様々な情報を送受信することができる。
【0032】
制御部１２０は、卸売業者から小売業者に出荷される商品の数に関する情報を生成するために必要な処理を制御及び実行することができる。これを実現するために、制御部１２０は、取得部１２２と、生成部１２４と、予測部１２６と、提供部１２８と、を主に含むことができる。
【0033】
取得部１２２は、卸売業者から小売業者に出荷される商品の数に関する情報を生成するために必要な情報を、小売システム２００及び／又は卸システム３００から取得して記憶部１３０に記憶させることができる。
【0034】
生成部１２４は、取得部１２２により取得された（記憶部１３０に記憶された）情報を用いて学習モデルを生成して記憶部１３０に記憶させることができる。
【0035】
予測部１２６は、取得部１２２により取得された（記憶部１３０に記憶された）情報と、生成部１２４により生成された（記憶部１３０に記憶された）学習モデルと、を用いて、卸売業者から小売業者に出荷される商品の数に関する情報を生成することができる。
【0036】
提供部１２８は、予測部１２６により生成された情報等を卸システム３００に送信することができる。
【0037】
記憶部１３０は、卸売業者から小売業者に出荷される商品の数に関する情報を生成するために必要な情報を記憶することができる。これを実現するために、記憶部１３０は、小売情報記憶部１３２と、卸情報記憶部１３４と、モデル情報記憶部１３６と、提供情報記憶部１３８と、を含むことができる。
【0038】
小売情報記憶部１３２は、小売システム２００から受信した小売業者に関する情報を記憶することができる。図４は、図１に示した予測システム１に含まれる予測装置１００の記憶部１３０により記憶される情報の一例を示す図である。図４に例示されるように、小売情報記憶部１３２は、小売店の識別情報（店舗ＩＤ）に対応付けて、卸売業者の識別情報（センターＩＤ）、及び、集計を行った日（集計日）等を記憶することができる。
【0039】
さらに、小売情報記憶部１３２は、小売店の識別情報（店舗ＩＤ）に対応付けて、売上履歴情報、在庫履歴情報及び特売情報等を記憶することができる。小売情報記憶部１３２は、売上履歴情報として、小売店の識別情報（店舗ＩＤ）に対応付けて、商品の識別情報（商品ＩＤ）、その商品のカテゴリ及びその商品の売上等を記憶することができる。
【0040】
さらに、小売情報記憶部１３２は、在庫履歴情報として、小売店の識別情報（店舗ＩＤ）に対応付けて、その商品（売上履歴情報の商品ＩＤにより識別される商品）の在庫数、その商品の販売数、その商品の入荷数及びその商品の廃棄数等を記憶することができる。さらにまた、小売情報記憶部１３２は、特売情報として、その商品（売上履歴情報の商品ＩＤにより識別される商品）について特売が開始された日（開始日）、及び、その特売が終了した日（終了日）等を記憶することができる。
【0041】
次に、卸情報記憶部１３４は、卸システム３００から受信した卸売業者に関する情報を記憶することができる。図５は、図１に示した予測システム１に含まれる予測装置１００の記憶部１３０により記憶される情報の別の例を示す図である。図５に例示されるように、小売業者の識別情報（小売業者ＩＤ）に対応付けて、卸売業者の識別情報（センターＩＤ）、集計を行った日（集計日）等を記憶することができる。
【0042】
さらに、卸情報記憶部１３４は、小売業者の識別情報（小売業者ＩＤ）に対応付けて、入出荷履歴情報及び商品情報等を記憶することができる。卸情報記憶部１３４は、入出荷履歴情報として、小売業者の識別情報（小売業者ＩＤ）に対応付けて、商品の入荷数、及び、その商品の出荷数等を記憶することができる。
【0043】
さらに、卸情報記憶部１３４は、商品情報として、その商品の仕入れ先の識別情報（仕入れ先ＩＤ）、その商品のカテゴリ、その商品のロット数、及び、その商品の販売が終了した日（終売日）等を記憶することができる。
【0044】
図３に戻り、モデル情報記憶部１３６は、生成部１２４に生成された学習モデル等を記憶することができる。
【0045】
提供情報記憶部１３８は、予測部１２６により生成され、卸システム３００に提供される情報等を記憶することができる。
【0046】
２．予測システム１の動作
予測システム１に含まれる予測装置１００は、学習モデルを生成した後、そのように生成した学習モデルを用いて予測を実行することができる。
予測システム１に含まれる予測装置１００は、学習モデルを生成した後、そのように生成した学習モデルを用いて予測を実行することができる。
【0047】
【0048】
まず、ステップ（以下「ＳＴ」という。）６０２において、予測装置１００の制御部１２０における取得部１２２は、小売システム２００から過去の小売に関する小売情報（例えば図４に示された情報等）を取得して小売情報記憶部１３２に記憶させ、卸システム３００から過去の卸に関する卸情報（例えば図５に示された情報等）を取得して卸情報記憶部１３４に記憶させることができる。
【0049】
次に、ＳＴ６０４において、予測装置１００の生成部１２４は、ＳＴ６０２において取得された小売情報及び卸情報に基づいて、学習モデルを生成することができる。
【0050】
図７Ａ及び図７Ｂは、図１に示した予測システム１に含まれる予測装置１００により行われる学習モデルの生成及び生成された学習モデルを用いた予測を説明するための図である。図７Ａ及び図７Ｂにおいて、「学習」の列には、学習モデルを生成する際に、教師データとして使用される情報の例が示され、「予測」の列には、学習モデルを用いた予測を実行する際に、入力情報として使用される情報の例が示されている。
【0051】
なお、ここでは、説明を簡単にするために、「必須パラメータ」の行に示された情報を用いて学習モデルを生成する場合のみに着目する。「目的変数の変更」及び「オプション」については、図７Ａ及び図７Ｂを参照して後述する。
【0052】
予測装置１００の生成部１２４は、教師あり学習を実行することにより、学習モデルを生成することができる。具体的には、生成部１２４は、図７Ａに示されているように、次の情報を教師データ（質問データ及び解答データ）として用いて学習モデルを生成することができる。
（１）ある商品のカテゴリ（質問データ）
（２）特定日（当日）の１日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（３）特定日の２日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（４）特定日の３日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（５）特定日の４日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（６）特定日の５日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（７）特定日の６日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（８）特定日の７日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（９）その商品の商品在庫日数、又は、その商品の平均販売数（質問データ）
（１０）特定日（当日）にその商品が卸売業者から小売業者に出荷された数（解答データ）
（１）ある商品のカテゴリ（質問データ）
（２）特定日（当日）の１日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（３）特定日の２日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（４）特定日の３日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（５）特定日の４日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（６）特定日の５日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（７）特定日の６日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（８）特定日の７日前にその商品が卸売業者から小売業者に出荷された数（質問データ）
（９）その商品の商品在庫日数、又は、その商品の平均販売数（質問データ）
（１０）特定日（当日）にその商品が卸売業者から小売業者に出荷された数（解答データ）
【0053】
上記（１）については、生成部１２４は、卸情報記憶部１３４に記憶された「商品情報」における「カテゴリ」を用いることができる。菓子、アイスなどの商品のカテゴリに依存して特性が異なるため、カテゴリに関する情報は必須である。なお、カテゴリに関する情報は、一例として、Ｏｎｅ Ｈｏｔエンコーディングという手法を用いて加工可能である。
【0054】
上記（２）～上記（８）については、生成部１２４は、それぞれ、卸情報記憶部１３４に記憶された「入出荷履歴情報」における特定日の１日前～７日前の「出荷数」を用いることができる。商品の週単位の出荷数をみていくことが重要である。また、曜日ごとの傾向を捉えるために、過去１週間分の商品の出荷数は必須である。
【0055】
上記（１０）については、生成部１２４は、卸情報記憶部１３４に記憶された「入出荷履歴情報」における特定日の「出荷数」を用いることができる。この特定日の出荷数は、目的変数ということもある。
【0056】
上記（９）については、その商品の商品在庫日数とは、卸売業者に紐づく小売店舗の、特定日の１日前の商品の在庫数を商品の１日あたりの平均販売数で割った値である。商品在庫日数は、例えば以下の手法により取得することが可能である。商品在庫日数の代替となるパラメータとして、その商品の平均販売数を用いることも可能である。その商品の平均販売数とは、卸売業者に紐づく小売店舗の、ある期間における商品の販売数の平均値となる。平均値を算出する期間は任意に定めることができる。
【0057】
（１）統計的な処理による手法
この商品在庫日数については、生成部１２４は、小売情報記憶部１３２に記憶された「在庫履歴情報」（図４）における在庫数及び販売数を用いて、店舗単位及び商品単位で「在庫数／１日平均販売数」により計算することができる。ここで、「１日平均販売数」（ある期間の販売数の合計／その期間に含まれる日数の合計）を算出するために対象とされた当該期間は、上記（２）に対応する日～上記（８）に対応する日のうちの少なくとも１日と重複していてもよいし、当該少なくとも１日と異なっていてもよい。また、上記期間は、１日、１週間、１ヶ月、３ヶ月、半年、１年及び２年等を含む任意の期間とすることができ、対応する商品に依存して適切に定められてもよい。
この商品在庫日数については、生成部１２４は、小売情報記憶部１３２に記憶された「在庫履歴情報」（図４）における在庫数及び販売数を用いて、店舗単位及び商品単位で「在庫数／１日平均販売数」により計算することができる。ここで、「１日平均販売数」（ある期間の販売数の合計／その期間に含まれる日数の合計）を算出するために対象とされた当該期間は、上記（２）に対応する日～上記（８）に対応する日のうちの少なくとも１日と重複していてもよいし、当該少なくとも１日と異なっていてもよい。また、上記期間は、１日、１週間、１ヶ月、３ヶ月、半年、１年及び２年等を含む任意の期間とすることができ、対応する商品に依存して適切に定められてもよい。
【0058】
（２）機械学習を用いる手法
商品の在庫日数は、教師あり学習により生成された学習モデルを用いて、算出することが可能である。図９は、図１に示した予測システム１に含まれる予測装置１００により商品の在庫日数の算出に利用する販売数の合計値を取得するために生成される学習モデルを説明するための図である。
商品の在庫日数は、教師あり学習により生成された学習モデルを用いて、算出することが可能である。図９は、図１に示した予測システム１に含まれる予測装置１００により商品の在庫日数の算出に利用する販売数の合計値を取得するために生成される学習モデルを説明するための図である。
【0059】
まず、予測装置１００が、図９に示す必須パラメータ（「オプション」の行に示されたパラメータを追加パラメータとして用いることも可能である）を用いて、学習モデルを生成することができる。なお、学習モデルの生成は、図４に示した学習モデルの生成と同様の手法により、勾配ブースティング木、線形回帰又はニューラルネットワークを用いて、教師あり学習により実行可能である。
【0060】
次に、予測装置１００は、生成された学習モデルを用いて、予測を行うことにより、（その学習モデルから目的変数として出力される）その商品のｎ日間の販売合計数を取得することができる。さらに、予測装置１００は、「取得したｎ日間の販売合計数／ｎ」を計算することにより、１日平均販売数の予測値を計算することができる。小売情報記憶部１３２に記憶された「在庫履歴情報」（図４）における在庫数、及び計算した１日平均販売数の予測値を用いて、「在庫数／１日平均販売数の予測値」により商品在庫日数を計算することができる。
【0061】
なお、生成部１２４は、この商品在庫日数を計算することに代えて、小売システム２００からこの商品在庫日数を受信して用いることも可能である。
【0062】
生成部１２４は、上記（１）～上記（１０）を教師データとして学習を行うことにより、学習モデルを生成することができる。
【0063】
一実施形態では、生成部１２４は、勾配ブースティング木を用いて学習モデルを生成することができる。生成部１２４は、目的変数及び予測値から計算される目的関数を改善するように、決定木を作成して学習モデルに追加する。これを生成部１２４は、ハイパーパラメータで定めた決定木の本数の分だけ繰り返す。生成部１２４は、２本目以降の木については、目的変数とそれまでに作成した決定木による予測との差について学習を行うことができる。このようにして、生成部１２４は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち、勾配ブースティング木では、各決定木は、教師データのうちの質問データを入力データとして決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ（目的変数）とする。さらに、このデータ（目的変数）と、教師データのうちの解答データ（目的変数）（ただし、２本目以降の木については、解答データ（目的変数）とそれまでに作成した決定木による予測値との差）との誤差が小さくなるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
【0064】
別の実施形態では、生成部１２４は、線形回帰を用いて学習モデルを生成することができる。この線形回帰では、生成部１２４は、目的変数と予測値との誤差を改善するように、線形回帰モデルのパラメータを学習することができる。すなわち、線形回帰モデルは、入力層及び出力層に分かれており、教師データのうち質問データを入力データとして入力層に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうち解答データ（目的変数）との誤差が小さくなるように、最小二乗法を用いて、線形回帰モデルに含まれるパラメータを最適化することができる。
【0065】
さらに別の実施形態では、生成部１２４は、入力層、中間層及び出力層を含むニューラルネットワークを用いることができる。具体的には、生成部１２４は、教師データのうちの質問データを入力層に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうちの解答データ（目的変数）との誤差を小さくするように、誤差逆伝搬法を用いて、ニューラルネットワークに含まれる各パラメータ（ウェイト）を最適化（学習）することができる。
【0066】
なお、ここでは、好ましい実施形態として、予測装置１００自体が学習モデルを生成する場合について説明した。しかし、予測装置１００は、自らが学習モデルを生成することに代えて、他の装置により同様の手法により生成された学習モデルをネットワーク４００を介して取得し、このように取得した学習モデルをモデル情報記憶部１３６に記憶させることも可能である。
【0067】
【0068】
まず、ＳＴ７０２において、予測装置１００の制御部１２０における取得部１２２は、既に生成（又は他の装置からネットワーク４００を介して取得）した学習モデルに入力すべき情報を、小売システム２００及び卸システム３００から取得することができる。例えば、図７Ａに示した例では、「予測」の列に挙げられた必須パラメータを学習モデルに入力する必要があるため、これらの必須パラメータを取得することができる。
【0069】
ＳＴ７０４において、予測装置１００の予測部１２６は、ＳＴ７０２において取得部１２２により取得された情報を、学習モデルに入力することができる。例えば、図７Ａに示した例では、予測部１２６は、（イ）商品のカテゴリ、（ロ）対象日の１日前にその商品が出荷された数～対象日の７日前にその商品が出荷された数、及び、（ハ）その商品の商品在庫日数を、学習モデルに入力することができる。なお、上記（ハ）の商品在庫日数は、上述したように、小売業者における商品の１日あたりの販売数の平均である平均販売数で対象日の１日前の商品の在庫数を割った値である。また、上述したように、商品在庫日数に代えて、商品の平均販売数を用いることも可能である。
また、学習の場合と同様に、予測の場合においても、上記（ハ）商品在庫日数を算出するために対象とされた期間と、上記（ロ）商品が出荷された数に対応する対象日とは、重複していても異なっていてもよい。
また、学習の場合と同様に、予測の場合においても、上記（ハ）商品在庫日数を算出するために対象とされた期間と、上記（ロ）商品が出荷された数に対応する対象日とは、重複していても異なっていてもよい。
【0070】
これにより、ＳＴ７０６において、予測部１２６は、学習モデルから目的変数として出力される出荷数（対象日に卸売業者から小売業者に出荷される商品の出荷数）を取得することができる。
【0071】
さらに、ＳＴ７０８において、提供部１２８は、ＳＴ７０６において予測部１２６により予測された出荷数を卸システム３００に提供することができる。
【0072】
３．予測システム１の変形例
上述した実施形態では、学習及び予測の際において、目的変数として、その商品の当日の出荷数が用いられている。しかし、別の実施形態では、図７Ａの「目的変数の変更１」の行に示すように、学習及び予測の際において、目的変数として、「当日の出荷数／前日までのＸか月間における出荷数の平均」にて算出される値を用いることができる。ここでＸは任意の期間で定めることができる。
上述した実施形態では、学習及び予測の際において、目的変数として、その商品の当日の出荷数が用いられている。しかし、別の実施形態では、図７Ａの「目的変数の変更１」の行に示すように、学習及び予測の際において、目的変数として、「当日の出荷数／前日までのＸか月間における出荷数の平均」にて算出される値を用いることができる。ここでＸは任意の期間で定めることができる。
【0073】
一例として、対象日（当日）を２０２０年５月１日とし、過去３か月間における出荷数の平均を用いる場合、「２０２０年５月１日の出荷数／２０２０年２月１日から２０２０年４月３０日までの期間における出荷数の平均」にて算出することができる。
【0074】
これは、その商品の当日の出荷数の、過去の出荷数の平均からの変化率（すなわち、目的変数として、卸売業者から小売業者に前日までに出荷されたその商品の数の平均に対する、対象日に卸売業者から小売業者に出荷されたその商品の数の変化率）を意味する。
【0075】
このような目的変数を用いることにより、商品間の販売量の平均の違いが大きい場合に、予測の精度を向上させることができる。
【0076】
さらに別の実施形態では、図７Ａの「目的変数の変更２」の行に示すように、学習及び予測の際において、目的変数として、複数の対象日の各々に卸売業者から小売業者に出荷される商品の数を用いることも可能である。
【0077】
さらに別の実施形態では、図７Ａの「目的変数の変更３」の行に示すように、学習及び予測の際において、目的変数として、複数の対象日（Ｎ日間）のすべてにおいて卸売業者から小売業者に出荷される商品の数の合計を用いることも可能である。
【0078】
上述した実施形態では、学習及び予測の際において、必須パラメータとして、対象日の１日前～７日前の商品の出荷数が用いられている。しかし、別の実施形態では、これに加えて、図７Ａの「オプション１」の行に示すように、Ｔ＋７日前の商品の出荷数、Ｔ週間前から起算してＵ週間分の商品の合計出荷数を、追加パラメータ（入力データ）として利用することができる。ここでＴは１以上の任意の自然数として定めることができる。Ｕは、Ｔ≧Ｕを満たす任意の自然数とする。
【0079】
また、別の実施形態では、追加パラメータとして、図７Ａの「オプション２」の行に示すように、出荷差分の情報を用いることができる。出荷差分の情報には、例えば、最終出荷日から対象日までの経過日数、及び／又は、（Ｔ－１）週間前の商品の合計出荷数とＴ週間前の商品の合計出荷数との差分を、追加パラメータ（入力データ）として利用することができる。ここでＴは２以上の任意の自然数として定めることができる。
【0080】
さらに、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション３」の行に示すように、商品の出荷数に対する直近X日間の平均、分散、中央値をパラメータとすることができる。ここでXは任意の自然数と定めることができる。
【0081】
さらにまた、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション４」の行に示すように、７日、１４日、２８日、５６日又は１２８日の移動窓関数をメーカー（製造業者）のリードタイムで合計した商品の出荷数に適用することにより得られた値を用いることができる。
【0082】
ここでは２０２０年５月１日にメーカーへ発注Ａを行なったとする。リードタイムを３日とすると同年５月１日から同年５月４日までの期間に出荷した商品数の合計Ａを算出する。同様に、同年５月２日に発注Ｂを行なったとする。リードタイムを３日とすると同年５月２日から同年５月５日までの期間に出荷した商品数の合計Ｂを算出する。同様に５月３日の発注Ｃ～５月７日の発注Ｇまで繰り返す。この場合、合計Ａから合計Ｇまでの合計値が「７日の移動窓関数をメーカーのリードタイムで合計した商品の出荷数に適用することにより得られた値」となる。
【0083】
さらにまた、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション５」の行に示すように、グループにおいて計算された統計値（グループにおける商品の出荷数の合計、平均、中央値）を用いることができる。グループはセンター（卸売業者）又は商品のカテゴリを含むことができる。センター（卸売業者）ごとに計算されたこのような統計値、商品のカテゴリごとに計算されたこのような統計値、又は、商品ごとに計算されたこのような統計値を用いることも可能である。
【0084】
さらにまた、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション６」の行に示すように、商品の出荷数に関する年間の周期を捉えるために、１月１日から対象日までの日数／３６５をＳｉｎ又はＣｏｓに変換した値を用いることも可能である。
【0085】
上記変換した値は、１つの例として、
により計算することができる。
により計算することができる。
【0086】
さらにまた、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション７」の行に示すように、商品の出荷数に関する曜日の周期を捉えるために、月曜日から対象日までの日数／７をＳｉｎ又はＣｏｓに変換した値を用いることも可能である。
【0087】
上記変換した値は、１つの例として、
により計算することができる。
により計算することができる。
【0088】
さらにまた、別の実施形態では、追加パラメータ（入力データ）として、図７Ｂの「オプション８」の行に示すように、特売の有無及びその特売のカテゴリを用いることも可能である。
【0089】
以上のように、本件出願に開示された予測装置１００によれば、商品の小売及び在庫に関する情報を用いることにより、卸売業者から小売業者に出荷されるその商品の数をより正確に予測することができる。
【0090】
４．発注点算出システムの概要
図１０は、一実施形態に係る発注点算出システムの概要の一例を示すブロック図である。図１０に示すように、発注点算出システム２は、上述した予測システム１（図１）に含まれる、予測装置１００、小売システム２００及び卸システム３００に加えて、これらに対してネットワーク４００を介して接続可能な発注点算出装置５００をさらに含むことができる。予測装置１００、小売システム２００、卸システム３００及びネットワーク４００については、図１等を算出して上述したとおりであるので、その詳細な説明を省略する。
図１０は、一実施形態に係る発注点算出システムの概要の一例を示すブロック図である。図１０に示すように、発注点算出システム２は、上述した予測システム１（図１）に含まれる、予測装置１００、小売システム２００及び卸システム３００に加えて、これらに対してネットワーク４００を介して接続可能な発注点算出装置５００をさらに含むことができる。予測装置１００、小売システム２００、卸システム３００及びネットワーク４００については、図１等を算出して上述したとおりであるので、その詳細な説明を省略する。
【0091】
図１０には、一例として、発注点算出装置５００が、小売システム２００、卸システム３００及び予測装置１００とは独立して設けられているが、発注点算出装置５００又はその一部が、予測装置１００、小売システム２００、卸システム３００及び／又はその他の装置に含まれることも可能である。
【0092】
また、図１０に示した例では、発注点算出装置５００は、１つの装置として設けられているが、相互に協働して動作する複数の装置により構成され得る。この場合にも、発注点算出装置５００を構成する複数の装置のうちの一部が、予測装置１００、小売システム２００、卸システム３００及び／又はその他の装置に含まれることも可能である。
【0093】
発注点算出装置５００は、商品に関する発注点を算出することができる。発注点とは、卸売業者における商品の在庫数に対する閾値であって、この在庫数がこの閾値を下回った場合に製造業者に対してこの商品の発注を行うために用いられる閾値を意味する。発注点算出装置５００は、算出した発注点を、ネットワーク４００を介して卸システム３００に提供することができる。これにより、卸売業者により運用及び管理される卸システム３００は、その商品の在庫数が、発注点算出装置５００から提供されたその商品に対する発注点を下回った場合に、その商品を製造業者に対して発注することができる。
【0094】
４－１．発注点算出装置５００
発注点算出装置（情報処理装置）５００は、任意の企業により運用及び管理され得る。任意の企業には、商社、卸売業者、小売業者、製造業者、これらに関連する企業、及び、他の企業が含まれ得る。
（１）ハードウェア構成
発注点算出装置５００は、予測装置１００と同様に図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置は、図２に例示したハードウェア構成を有することができる。
発注点算出装置（情報処理装置）５００は、任意の企業により運用及び管理され得る。任意の企業には、商社、卸売業者、小売業者、製造業者、これらに関連する企業、及び、他の企業が含まれ得る。
（１）ハードウェア構成
発注点算出装置５００は、予測装置１００と同様に図示しない１又はそれ以上の相互に接続可能な情報処理装置により構成され得る。各情報処理装置は、図２に例示したハードウェア構成を有することができる。
【0095】
（２）機能
図１１は、図１０に示した発注点算出システム２に含まれる発注点算出装置５００が有する機能の一例を示すブロック図である。図１１に示すように、発注点算出装置５００は、主に、通信部５１０と、制御部５２０と、記憶部５３０と、を含むことができる。
図１１は、図１０に示した発注点算出システム２に含まれる発注点算出装置５００が有する機能の一例を示すブロック図である。図１１に示すように、発注点算出装置５００は、主に、通信部５１０と、制御部５２０と、記憶部５３０と、を含むことができる。
【0096】
通信部５１０は、ネットワーク４００に接続され、予測装置１００、小売システム２００及び／又は卸システム３００との間において様々な情報を送受信することができる。
【0097】
制御部５２０は、卸売業者において用いられる商品に関する発注点を算出するために必要な処理を制御及び実行することができる。これを実現するために、制御部５２０は、取得部５２２と、計算部５２４と、提供部５２６と、を主に含むことができる。
【0098】
取得部５２２は、卸売業者において用いられる商品に関する発注点を算出するために必要な情報を、予測装置１００、小売システム２００及び／又は卸システム３００から取得して記憶部５３０に記憶させることができる。
【0099】
計算部５２４は、取得部５２２により取得され（記憶部５３０に記憶された）情報を用いて商品に関する発注点を算出して記憶部５３０に記憶させることができる。
【0100】
提供部５２６は、計算部５２４により算出され（記憶部５３０により記憶された）商品に関する発注点等を卸システム３００に送信することができる。
【0101】
記憶部５３０は、卸売業者において用いられる商品に関する発注点を算出するために必要な情報を記憶することができる。これを実現するために、記憶部５３０は、出荷予測情報記憶部５３２と、提供情報記憶部５３４と、を含むことができる。
【0102】
出荷予測情報記憶部５３２は、予測装置１００から受信した出荷予測情報等を記憶することができる。
【0103】
図１２は、図１０に示した発注点算出システム２に含まれる発注点算出装置５００の記憶部５３０に記憶される情報の一例を示す図である。図１２に示すように、出荷予測情報記憶部５３２は、例えば、商品の識別情報（商品ＩＤ）に対応付けて、卸売業者の識別情報（センターＩＤ）と、メーカー情報と、商品情報と、センター情報と、出荷予測情報と、を含むことができる。
【0104】
メーカー情報は、上記商品ＩＤにより識別される商品を製造する製造業者に関する情報であり、例えば、メーカーリードタイム（卸売業者が製造業者に商品を発注してから製造業者からこの商品を入荷するまでにかかる時間）、及び、休配日に関する情報を含むことができる。
【0105】
商品情報は、上記商品ＩＤにより識別される商品に関するロット数を示す情報である。
【0106】
センター情報は、上記商品ＩＤにより識別される商品に関する卸売業者の休配日を示す情報等を含むことができる。
【0107】
出荷予測情報は、予測装置１００から取得される情報等を含むことができる。出荷予測情報は、例えば、上記商品ＩＤにより識別される商品が、対象日（１日後）に卸売業者から小売業者に出荷される数（予測装置１００により予測された商品の出荷数）、及び、その出荷数の標準偏差等を記憶することができる。
【0108】
提供情報記憶部５３４は、計算部５２４により算出された商品に関する発注点等を記憶することができる。
【0109】
【0110】
ここでは、対象日としての２０２０年６月１日に卸売業者における商品Ｐに関する発注点を算出する場合に、発注点算出装置５００により行われる動作について説明する。
【0111】
まず、ＳＴ８０２において、発注点算出装置５００は、予測装置１００により予測された、対象日である２０２０年６月１日より前の日の商品Ｐの出荷数（例えば図１２における「１日後出荷数」）を取得することができる。
【0112】
次に、ＳＴ８０４において、発注点算出装置５００は、ＳＴ８０２にて取得した対象日より前の日の商品Ｐの出荷数を用いて、在庫数及び欠品回数を最小化させる最適化計算を実行することにより、最適なパラメータを算出することができる。発注点算出装置５００は、前記パラメータを用いて、対象日における商品Ｐに対する発注点を算出することができる。なお、最適化計算の詳細については、後に図１４及び図１５を参照して説明する。
【0113】
最後に、ＳＴ８０６において、発注点算出装置５００は、ＳＴ８０４にて算出した発注点を卸システム３００に送信することができる。
【0114】
次に、ＳＴ８０４において発注点算出装置５００により行われる動作の具体例について、図１４及び図１５を参照して説明する。図１４は、図１０に示した発注点算出システム２に含まれる発注点算出装置５００により行われる最適化計算の一例を示すフロー図である。図１５は、図１０に示した発注点算出システム２に含まれる発注点算出装置５００により最適化計算の際に行われるシミュレーションの一例を示すフロー図である。
【0115】
図１４を参照すると、ＳＴ９０２において、発注点算出装置５００は、最適パラメータを計算するための期間のデータを取得することができる。ここでは、上述したように、対象日は２０２０年６月１日であるため、発注点算出装置５００は、この対象日より前の任意の期間、例えば、２０２０年２月１日～同年５月３１日という４ヶ月の期間のデータを取得することができる（なお、２月１日より前のデータを取得してもよい）。この４ヶ月の期間のデータは、例えば、この期間に含まれる各日（各参照日）について、卸売業者における商品Ｐの在庫数及びこの卸売業者から小売業者に出荷された商品Ｐの数を含むことができる。このデータは、発注点算出装置５００が、卸システム３００からネットワーク４００を介して受信可能なものである。
【0116】
次に、ＳＴ９０４において、発注点算出装置５００は、複数のパラメータの候補を生成することができる。
【0117】
一実施形態では、卸売業者における商品Ｐの出荷数をガウス分布でモデリングする。平均及び分散が未知であるため、その平均及び分散の事前分布としてガウス－ガンマ分布を仮定する。この事前分布に対して過去の商品Ｐの出荷数を用いてベイズ更新を行うことにより得られる予測分布の分散及び標準偏差を求める。
【0118】
例えば、上記４ヵ月の期間のうち、任意の期間（ここでは、例えば、５月１日～５月３１日）を、シミュレーションの対象とされる期間（以下「シミュレーション期間」という。）とすることができる。まず、シミュレーション期間に含まれる各々の日に対応する標準偏差が以下のように計算される。
【0119】
具体的には、平均及び分散が未知であるガウス分布の分散は、以下のように求められる。
ここでは、
と定める。
シミュレーション期間のうち、例えば５月１日に対応する標準偏差を算出する場合（過去が2020年2月1日～同年4月30日という3ヶ月の期間のデータの場合）、過去の出荷の回数とは上記3か月の期間に商品Pが出荷された回数を指す。商品Pが出荷された回数は、商品Pの出荷が発生した日数に一致し、出荷数を意味しない。上記3か月の期間において2020年2月1日及び、同年2月2日、及び同年2月3日のみ出荷を行なった場合は、nは3となる。
ここでは、
と定める。
シミュレーション期間のうち、例えば５月１日に対応する標準偏差を算出する場合（過去が2020年2月1日～同年4月30日という3ヶ月の期間のデータの場合）、過去の出荷の回数とは上記3か月の期間に商品Pが出荷された回数を指す。商品Pが出荷された回数は、商品Pの出荷が発生した日数に一致し、出荷数を意味しない。上記3か月の期間において2020年2月1日及び、同年2月2日、及び同年2月3日のみ出荷を行なった場合は、nは3となる。
【0120】
更にここでは
と定める。上記3か月の期間において2020年2月1日及び、同年2月2日、及び同年2月3日のみ出荷を行なった場合、1回目の出荷日は2020年2月1日となる。すなわち、d1は2020年2月1日を表し、2回目の出荷日であるd2は2020年2月2日を表し、d3は2020年2月3日を指す。ここで2020年2月1日(すなわちd1)に出荷した商品Ｐの数が10であった場合、s1は10である。
と定める。上記3か月の期間において2020年2月1日及び、同年2月2日、及び同年2月3日のみ出荷を行なった場合、1回目の出荷日は2020年2月1日となる。すなわち、d1は2020年2月1日を表し、2回目の出荷日であるd2は2020年2月2日を表し、d3は2020年2月3日を指す。ここで2020年2月1日(すなわちd1)に出荷した商品Ｐの数が10であった場合、s1は10である。
【0121】
この場合、n及び、以下にて算出される値bを用いて
分散であるσ2は以下の通り算出することができる。
また、標準偏差σは分散σ2の平方根を計算することで算出できる。
分散であるσ2は以下の通り算出することができる。
また、標準偏差σは分散σ2の平方根を計算することで算出できる。
【0122】
このように、シミュレーション期間の初日である５月１日に対応する標準偏差は、２月１日～４月３０日までのデータを用いて、上記のように計算され得る。さらに、シミュレーション期間に含まれる５月２日に対応する標準偏差は、２月１日～５月１日までのデータを用いて、上記のように計算され、シミュレーション期間の最終日である５月３１日に対応する標準偏差は、２月１日～５月３０日までのデータを用いて、上記のように計算され得る。このように、シミュレーション期間に含まれる各日に対応する標準偏差は、２月１日～当該日の前日までのデータを用いて、同様に計算され得る。
【0123】
その上で、シミュレーション期間に含まれる各々の日のｘ％の確率で指定した値よりも小さくなる商品Ｐの出荷数（＝発注点）は、当該日の出荷数（予測装置１００により当該日を基準として過去１週間分のデータを用いてＳＴ７０６において予測された当該日の出荷数）＋「パラメータ」×当該日に対応する標準偏差、により算出され得る。例えば、ｘ＝９５％の信頼区間の計算を行う場合には、パラメータとして１.６４が使用され得る。同様に、ｘ％を変化させることにより、そのように変化させたｘに対応したパラメータが得られる。
【0124】
一実施形態では、ＳＴ９０４において、発注点算出装置５００は、１から１０まで０.０１で刻まれた数値（１、１.０１、１.０２、…、９.９８、９.９９、１０）を、複数のパラメータの候補として使用することができる。
【0125】
次に、発注点算出装置５００は、上記複数のパラメータの各々について、後述するＳＴ９０６～ＳＴ９１０を実行することができる。ここでは説明を簡単にするために、上記複数のパラメータの総数がＮであると仮定する。この場合、発注点算出装置５００は、パラメータ１～パラメータＮの各々について、後述するＳＴ９０６～ＳＴ９１０を実行することができる。
【0126】
ＳＴ９０６において、発注点算出装置５００は、上記複数のパラメータのうち対応するパラメータを用いて、後述するシミュレーションに用いられる発注点を算出することができる。例えば、パラメータ１に対応するＳＴ９０６１では、発注点算出装置５００は、パラメータ１を用いて、シミュレーション期間（ここでは、例えば５月１日～５月３１日）に含まれる各々の日の発注点を算出することができる。同様に、パラメータＮに対応するＳＴ９０６Ｎでは、発注点算出装置５００は、パラメータＮを用いて、シミュレーション期間（ここでは、例えば５月１日～５月３１日）に含まれる各々の日の発注点を算出することができる。
【0127】
発注点は、上述したように、シミュレーション期間に含まれる各々の日の出荷数（予測装置１００により当該日を基準として過去１週間分のデータを用いてＳＴ７０６において予測された当該日の出荷数）＋「パラメータ」×当該日に対応する標準偏差、により算出される。
具体的には、例えば、シミュレーション期間の初日である５月１日の発注点は、５月１日の商品の出荷数（５月１日を基準とした過去１週間分（４月２５日～４月３０日）のデータを用いて予測装置１００によりＳＴ７０６において予測された５月１日の出荷数）＋パラメータ×５月１日に対応する標準偏差、により算出され得る。また、シミュレーション期間に含まれる５月２日の発注点は、５月２日の商品の出荷数（５月２日を基準とした過去１週間分のデータを用いて予測装置１００によりＳＴ７０６において予測された出荷数）＋パラメータ×５月２日に対応する標準偏差、により算出され得る。同様に、シミュレーション期間の最終日である５月３１日の発注点は、５月３１日の商品の出荷数（５月３１日を基準とした過去１週間分のデータを用いて予測装置１００によりＳＴ７０６において予測された出荷数）＋パラメータ×５月３１日に対応する標準偏差、により算出され得る。
具体的には、例えば、シミュレーション期間の初日である５月１日の発注点は、５月１日の商品の出荷数（５月１日を基準とした過去１週間分（４月２５日～４月３０日）のデータを用いて予測装置１００によりＳＴ７０６において予測された５月１日の出荷数）＋パラメータ×５月１日に対応する標準偏差、により算出され得る。また、シミュレーション期間に含まれる５月２日の発注点は、５月２日の商品の出荷数（５月２日を基準とした過去１週間分のデータを用いて予測装置１００によりＳＴ７０６において予測された出荷数）＋パラメータ×５月２日に対応する標準偏差、により算出され得る。同様に、シミュレーション期間の最終日である５月３１日の発注点は、５月３１日の商品の出荷数（５月３１日を基準とした過去１週間分のデータを用いて予測装置１００によりＳＴ７０６において予測された出荷数）＋パラメータ×５月３１日に対応する標準偏差、により算出され得る。
【0128】
ＳＴ９０８１～ＳＴ９０８Ｎにおいて、発注点算出装置５００は、それぞれ、ＳＴ９０６１～ＳＴ９０６Ｎにて算出されたシミュレーション期間に含まれる各々の日の発注点を用いて、シミュレーションを実行することができる。このシミュレーションについては、図１５を参照して後述する。
【0129】
ＳＴ９１０１～ＳＴ９１０Ｎにおいて、発注点算出装置５００は、それぞれ、ＳＴ９０８１におけるシミュレーション～ＳＴ９０８Ｎにおけるシミュレーションにて得られた残在庫及び欠品回数を抽出することができる。
【0130】
最後に、ＳＴ９１２において、発注点算出装置５００は、複数のパラメータの各々についてＳＴ９１０１～ＳＴ９１０Ｎにて得られた残在庫及び欠品回数を用いて、上記複数のパラメータのうち、基準値（α×「シミュレーション期間の最終日（５月３１）の残在庫」＋「シミュレーション期間（５月１日～５月３１日）に発生した欠品の回数（欠品回数）」）が最小となるパラメータを最終的なパラメータとして抽出することができる。別言すれば、発注点算出装置５００は、ＳＴ９０８１におけるシミュレーション～ＳＴ９０８Ｎにおけるシミュレーションのうち、基準値が最小となる特定シミュレーションにおいて用いられたパラメータを、最終的なパラメータとして抽出することができる。なお、αは、システム利用者が欠品回数と残在庫とのバランスを考慮して適宜決定可能な任意の数であり得る。
【0131】
さらに、発注点算出装置５００は、このように抽出されたパラメータを用いて算出される対象日である６月１日の発注点（最終閾値）を、以下の数式により算出することができる。
「対象日である６月１日を基準とした過去１週間分（５月２５日～５月３１日）のデータに基づいて予測装置１００によりＳＴ７０６において予測された６月１日の商品の出荷数」＋「ＳＴ９１２において抽出されたパラメータ」×「６月１日に対応する標準偏差（２月１日～５月３１日のデータに基づいて上記のとおり計算される標準偏差）」
「対象日である６月１日を基準とした過去１週間分（５月２５日～５月３１日）のデータに基づいて予測装置１００によりＳＴ７０６において予測された６月１日の商品の出荷数」＋「ＳＴ９１２において抽出されたパラメータ」×「６月１日に対応する標準偏差（２月１日～５月３１日のデータに基づいて上記のとおり計算される標準偏差）」
【0132】
また、発注点算出装置５００は、対象日である６月２日の発注点（最終閾値）を、以下の数式により算出することができる。
「対象日である６月２日を基準とした過去１週間分（５月２６日～６月１日）のデータに基づいて予測装置１００によりＳＴ７０６において予測された６月２日の商品の出荷数」＋「ＳＴ９１２において抽出されたパラメータ」×「６月２日に対応する標準偏差（２月１日～６月１日のデータに基づいて上記のとおり計算される標準偏差）」
「対象日である６月２日を基準とした過去１週間分（５月２６日～６月１日）のデータに基づいて予測装置１００によりＳＴ７０６において予測された６月２日の商品の出荷数」＋「ＳＴ９１２において抽出されたパラメータ」×「６月２日に対応する標準偏差（２月１日～６月１日のデータに基づいて上記のとおり計算される標準偏差）」
【0133】
さらに、発注点算出装置５００は、対象日である６月３日以降の発注点についても、同様に算出することができる。
【0134】
卸売業者における商品Ｐの欠品を減少させるためには、卸売業者における商品Ｐの在庫の数を増加させる必要がある。しかし、商品Ｐの在庫の数を増加させ過ぎると、商品Ｐの廃棄数が増加することに繋がる可能性が高くなる。そのため、ＳＴ９１２において、発注点算出装置５００は、「α×シミュレーション期間の最終日の残在庫＋シミュレーション期間に発生した欠品の回数（欠品回数）」を最小化させるパラメータを抽出することにより、残在庫及び欠品回数を最小化させるような、パラメータ、ひいては、発注点を選択することができる。
【0135】
なお、発注点算出装置５００は、ＳＴ９１２において、商品Ｐの発注回数を加えて、「α×シミュレーション期間の最終日の残在庫＋β×シミュレーション期間に発生した欠品の回数（欠品回数）＋シミュレーション期間に発生した発注の回数（発注回数）」を最適化するパラメータ、ひいては、発注点を選択することも可能である。なお、α及びβは、システム利用者が欠品回数と残在庫と発注回数とのバランスを考慮して適宜決定可能な任意の数であり得る。
【0136】
次に、ＳＴ９０８において行われるシミュレーションの具体例について、図１５を参照して説明する。なお、発注点算出装置５００は、後述するＳＴ１００２～ＳＴ１０２４における処理を、上述したＳＴ９０４（図１４）において抽出された複数のパラメータの各々について実行することができる。
【0137】
まず、ＳＴ１００２において、発注点算出装置５００は、シミュレーション期間（ここでは、上述したように２０２０年５月１日～同年５月３１日）の初日（同年５月１日）の在庫数及び出荷数を取得することができる。
【0138】
ＳＴ１００４において、発注点算出装置５００は、上記在庫数（ＳＴ１００２で取得された５月１日の在庫数）が上記出荷数（ＳＴ１００２で取得された５月１日の出荷数）を下回っているかを判定することができる。上記在庫数が上記出荷数を下回っていると判定した場合には、発注点算出装置５００は、ＳＴ１００６において、欠品回数を１つ増加させ、在庫数を０に更新することができる。一方、上記在庫数が上記出荷数を下回っていないと判定した場合には、発注点算出装置５００は、ＳＴ１００８において、「在庫数－出荷数」を新たな在庫数として更新することができる。ＳＴ１００６及びＳＴ１００８の後、処理はＳＴ１０１０に移行する。
【0139】
ＳＴ１０１０において、発注点算出装置５００は、在庫数が５月１日の発注点を下回っているかを判定することができる。ここで、５月１日の発注点は、上述したように、ＳＴ９０６において、上記複数のパラメータのうち対応するパラメータを用いて算出されたものであり得る。例えば、図１５に示す処理が、パラメータＮについて行われている場合には、ＳＴ９０６Ｎにおいて、パラメータＮを用いて算出された５月１日の発注点であり得る。
【0140】
在庫数が５月１日の発注点を下回っていると判定した場合には、発注点算出装置５００は、ＳＴ１０１２において「５月１日の発注点－在庫数（更新された在庫数）」を入荷量として計算することができる。一方、在庫数が５月１日の発注点を下回っていないと判定した場合には、発注点算出装置５００は、ＳＴ１０１４において、入荷量を０に設定することができる。ＳＴ１０１２及びＳＴ１０１４の後、処理はＳＴ１０１６に移行する。
【0141】
ＳＴ１０１６において、発注点算出装置５００は、翌日（ここでは２０２０年５月２日）のデータが存在するかを判定することができる。翌日（５月２日）のデータが存在すると判定した場合には、発注点算出装置５００は、ＳＴ１０１８において、「在庫数（更新された在庫数）＋入荷量」を翌日（５月２日）の在庫数として設定することができる。ＳＴ１０１８の後、処理はＳＴ１０２２に移行する。
【0142】
一方、翌日のデータが存在しないと判定した場合には、発注点算出装置５００は、ＳＴ１０２０において、在庫数（更新された在庫数）をシミュレーション期間の最終日の残在庫として設定することができる。発注点算出装置５００は、シミュレーション期間の最終日の残在庫及びシミュレーション期間に発生した欠品の回数（欠品回数）を対応するパラメータについての出力データとして用いることができる（この後、上述したＳＴ９１０に戻ることになる）。
【0143】
ＳＴ１０２２において、発注点算出装置５００は、シミュレーション期間の２日目である５月２日の出荷数を取得し、翌日（５月２日）の在庫数（ＳＴ１０１８で設定された「翌日の在庫数」）を、期間の２日目である５月２日の在庫数として設定することができる。
【0144】
ＳＴ１０２４において、発注点算出装置５００は、期間の２日目（５月２日）についても、上述したＳＴ１００４～ＳＴ１０２０を同様に実行することができる。この場合に、ＳＴ１０１０及びＳＴ１０１２において用いられる発注点は、５月２日の発注点である。５月２日の発注点は、上述したように、ＳＴ９０６において、上記複数のパラメータのうち対応するパラメータを用いて算出されたものであり得る。
【0145】
さらに、発注点算出装置５００は、期間の３日目（２０２０年５月３日）～期間の最終日（２０２０年５月３１日）まで同様の処理を実行することができる。この結果、最終的には、ＳＴ１０２０において、発注点算出装置５００は、上述したように、シミュレーション期間の最終日（５月３１日）の残在庫及びシミュレーション期間（５月１日～５月３１日）に発生した欠品の回数（欠品回数）を対応するパラメータについての出力データとして用いることができる（この後、上述したＳＴ９１０に戻ることになる）。
【0146】
以上のように、本件出願に開示された発注点算出装置５００によれば、商品の出荷数が対象日に信頼区間に収まる複数の確率の各々に対応する複数のパラメータを用意し、各パラメータを用いたシミュレーションを実行してその商品の残在庫及び欠品回数を算出し、上記複数のパラメータのうち残在庫及び欠品回数を最小化するパラメータを用いてその商品に関する発注点（最終閾値）を算出する。これにより、より最適化されたその商品に関する発注点を取得することができる。したがって、この発注点を提供される卸売業者は、その商品の在庫数がその発注点（最終閾値）を下回ったときに、その商品を製造業者に発注することにより、その商品の在庫及び欠品回数をより効果的に抑えることができる。
【0147】
７．様々な態様
第１の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する情報処理装置であって、前記少なくとも１つのプロセッサが、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
第１の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する情報処理装置であって、前記少なくとも１つのプロセッサが、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
【0148】
第２の態様に係る情報処理装置は、上記第１の態様において「前記少なくとも１つのプロセッサが、前記予測情報として、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数を出力する」することができる。
【0149】
第３の態様に係る情報処理装置は、上記第１の態様において「前記少なくとも１つのプロセッサが、前記予測情報として、前記卸売業者から前記小売業者に過去に出荷された前記商品の数の平均に対する、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数の変化率を出力する」ことができる。
【0150】
第４の態様に係る情報処理装置は、上記第１の態様において「前記少なくとも１つのプロセッサが、前記対象日として複数の対象日を用い、前記予測情報として、前記複数の対象日の各々に前記卸売業者から前記小売業者に出荷される前記商品の数を出力する」ことができる。
【0151】
第５の態様に係る情報処理装置は、上記第１の態様において「前記少なくとも１つのプロセッサが、前記対象日として複数の対象日を用い、前記予測情報として、前記複数の対象日のすべてにおいて前記卸売業者から前記小売業者に出荷される前記商品の数の合計を出力する」ことができる。
【0152】
第６の態様に係る情報処理装置は、上記第１の態様から上記第５の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、前記商品のカテゴリと、特定日より前の過去少なくとも７日間のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、前記特定日に前記卸売業者から前記小売業者に出荷された前記商品の数と、を教師データとして用いた学習を実行することにより、前記学習モデルを生成する」ことができる。
【0153】
第７の態様に係る情報処理装置は、上記第６の態様において「前記少なくとも１つのプロセッサが、勾配ブースティング木、線形回帰又はニューラルネットワークを用いた教師あり学習を実行することにより、前記学習モデルを生成する」ことができる。
【0154】
第８の態様に係る情報処理装置は、上記第２の態様において「前記少なくとも１つのプロセッサが、前記対象日より前の複数の過去の参照日の各々について、前記卸売業者から前記小売業者に出荷された前記商品の数を用いて標準偏差を取得し、複数のパラメータの各々について、該パラメータ、前記予測情報として出力された、各参照日に前記卸売業者から前記小売業者に出荷される前記商品の数、及び、該参照日について取得された前記標準偏差を用いて、前記卸売業者における該参照日の前記商品の在庫数に対する閾値であって、該在庫数が該閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる閾値を各参照日について取得し、前記複数のパラメータの各々について、各参照日について取得された前記閾値を用いて、前記複数の過去の参照日の全体にわたって、シミュレーションを実行することにより、前記複数の過去の参照日のうちの最終日での前記卸売業者における前記商品の在庫数、及び、前記複数の過去の参照日にわたって前記卸売業者において欠品が生ずる回数を取得し、前記シミュレーションのうち、前記最終日での前記卸売業者における前記商品の在庫数及び前記回数に基づいて算出された基準値が最小となる特定シミュレーションにおいて用いられた前記パラメータを、最終的なパラメータとして決定し、該最終的なパラメータと、前記予測情報として出力された前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数と、前記対象日について取得される標準偏差と、を用いて、前記卸売業者における前記対象日の前記商品の在庫数に対する最終閾値であって、該在庫数が該最終閾値を下回った場合に前記製造業者に対して前記商品の発注を行うために用いられる最終閾値を計算する」ことができる。
【0155】
第９の態様に係る情報処理装置は、上記第８の態様において「前記少なくとも１つのプロセッサが、α×前記最終日での前記卸売業者における前記商品の在庫数＋前記回数という数式に従って前記基準値を算出する」ことができる。
【0156】
第１０の態様に係る情報処理装置は、上記第９の態様において「前記少なくとも１つのプロセッサが、各シミュレーションにおいて、前記複数の過去の参照日の各々について、当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数を下回っている場合に、前記卸売業者において欠品が生ずる回数を１つ増加させ、０を当該参照日での前記卸売業者における前記商品の在庫数として更新し、当該参照日での前記卸売業者における前記商品の在庫数が前記卸売業者から前記小売業者に出荷された前記商品の数以上である場合に、該参照日での前記卸売業者における前記商品の在庫数から、前記卸売業者から前記小売業者に出荷された前記商品の数を減じた数を、当該参照日での前記卸売業者における前記商品の在庫数として更新し、更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値を下回っている場合に、更新された前記卸売業者における前記商品の在庫数と前記閾値との差を、前記卸売業者における前記商品の入荷予定数とし、更新された前記卸売業者における前記商品の在庫数が、該シミュレーションに対応する前記閾値以上である場合に、０を前記卸売業者における前記商品の入荷予定数とし、更新された前記卸売業者における前記商品の在庫数と前記商品の入荷予定数とを加えた数を、当該参照日の翌日での前記卸売業者における前記商品の在庫数とする、という処理を、古い過去の参照日から新しい過去の参照日に向かって順次実行する」ことができる。
【0157】
第１１の態様に係る情報処理装置は、上記第１の態様から上記第１０の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
【0158】
第１２の態様に係る方法は、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、前記少なくとも１つのプロセッサが、前記命令を実行することにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる」ことができる。
【0159】
第１３の態様に係る方法は、上記第１２の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
【0160】
第１４の態様に係るコンピュータプログラムは、「製造業者から商品を入荷して小売業者に出荷する卸売業者に関連して用いられ、対象日に該卸売業者から前記小売業者に出荷される前記商品の数に関する情報を生成する、少なくとも１つのプロセッサにより実行されることにより、前記商品について、該商品のカテゴリと、前記対象日の１日前から７日前のそれぞれにおいて前記卸売業者から前記小売業者に出荷された前記商品の数と、前記小売業者における前記商品の１日あたりの販売数の平均である平均販売数で前記対象日の１日前の前記商品の在庫数を割った値である在庫日数、又は、前記商品の前記平均販売数と、を入力情報として取得し、教師あり学習を実行することにより生成された学習モデルに前記入力情報を入力することにより、前記対象日に前記卸売業者から前記小売業者に出荷される前記商品の数に関する予測情報を前記学習モデルから出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
【0161】
第１５の態様に係るコンピュータプログラムは、上記第１４の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
【0162】
以上のように、様々な態様によれば、卸売業者から小売業者に出荷される商品の数を予測する、情報処理装置、方法及びコンピュータプログラムを提供することができる。
【符号の説明】
【0163】
１ 予測システム
２ 発注点算出システム
１００ 予測装置
１１０ 通信部
１２０ 制御部
１２２ 取得部
１２４ 生成部
１２６ 予測部
１２８ 提供部
１３０ 記憶部
１３２ 小売情報記憶部
１３４ 卸情報記憶部
１３６ モデル情報記憶部
１３８ 提供情報記憶部
２００ 小売システム
３００ 卸システム
４００ ネットワーク
２ 発注点算出システム
１００ 予測装置
１１０ 通信部
１２０ 制御部
１２２ 取得部
１２４ 生成部
１２６ 予測部
１２８ 提供部
１３０ 記憶部
１３２ 小売情報記憶部
１３４ 卸情報記憶部
１３６ モデル情報記憶部
１３８ 提供情報記憶部
２００ 小売システム
３００ 卸システム
４００ ネットワーク
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7A】
【図7B】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
