特許 7491191 需要予測プログラム、需要予測装置および需要予測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-05-20

(45)【発行日】2024-05-28

(54)【発明の名称】需要予測プログラム、需要予測装置および需要予測方法

(51)【国際特許分類】

   G06Q 30/0202 20230101AFI20240521BHJP

【ＦＩ】

G06Q30/0202

【請求項の数】 8

(21)【出願番号】P 2020189191

(22)【出願日】2020-11-13

(65)【公開番号】P2022078490

(43)【公開日】2022-05-25

【審査請求日】2023-08-04

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】山田 智偉

(72)【発明者】

【氏名】西部 杏奈

【審査官】宮地 匡人

(56)【参考文献】

【文献】特開２００２－０２４３５０（ＪＰ，Ａ）

【文献】特開平３－１０２４９６（ＪＰ，Ａ）

【文献】特開２００４－２８７４７８（ＪＰ，Ａ）

【文献】中桐 紀幸，画面・帳票からの管理対象導出手法を小売業を題材に習得する，ネットワークコンピューティング，ネットワークコンピューティング ，株式会社リックテレコム，2000年03月01日，Vol.12 No.3，pp.74-78

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

需要予測を行う店舗および日付を受け付け、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測し、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する、
処理をコンピュータに実行させることを特徴とする需要予測プログラム。

【請求項2】

前記需要予測値を出力する処理は、前記需要予測を行う日付が特売日である場合には、前記記憶部を参照して、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けし、グループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力し、前記需要予測を行う日付が特売日でない場合には、商品における過去の商品力を記憶する記憶部を参照して、前記需要予測を行う店舗で扱う商品に対する過去の商品力と、予測した来客数とを用いて、前記商品に関する需要予測値を出力する
ことを特徴とする請求項１に記載の需要予測プログラム。

【請求項3】

前記需要予測値を出力する処理は、前記グループごとの商品力を、それぞれのグループに含まれる商品力の平均値として予測し、予測したグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を算出する
ことを特徴とする請求項２に記載の需要予測プログラム。

【請求項4】

前記需要予測値を出力する処理は、商品における過去の商品力を、直近の所定日数の商品力の平均値として予測し、予測した商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を算出する
ことを特徴とする請求項２に記載の需要予測プログラム。

【請求項5】

前記商品に関する需要予測値は、予測した商品力と、予測した来客数とを乗じて得られる値である、
ことを特徴とする請求項３または請求項４に記載の需要予測プログラム。

【請求項6】

前記グループを分ける統計処理は、カイマージを用いる
ことを特徴とする請求項１または請求項２に記載の需要予測プログラム。

【請求項7】

需要予測を行う店舗および日付を受け付ける受付部と、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測する第１の予測部と、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力を予測する第２の予測部と、
前記第２の予測部によって予測されたグループごとの商品力と、前記第１の予測部によって予測された来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する需要予測部と、
を有することを特徴とする需要予測装置。

【請求項8】

コンピュータが
需要予測を行う店舗および日付を受け付け、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測し、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する、
処理を実行することを特徴とする需要予測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、需要予測プログラムなどに関する。

【背景技術】

【0002】

近年、商品の多様化、需要の多様化によって、ＡＩ（Artificial Intelligence）や機械学習を利用した高精度な商品の需要予測のニーズが高まっている。

【0003】

高精度な商品の需要予測を行うために、予測モデルを用いる方法が知られている。例えば、販売実績データによる需要予測を行う複数の予測モデルの予測結果に基づき、需要予測を行う予測誤差が最小となるように需要予測を行う技術が開示されている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１９－１２５０４８号公報

【文献】特開２０１９－１４４８６３号公報

【文献】特開２００２－３７３２４２号公報

【文献】特開２０１６－９１３８５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、予測モデルを用いて商品の需要予測を行う近年の技術では、計算に膨大な時間がかかるという問題がある。特に、計算を要する箇所としては、予測モデルのパラメータを計算する部分である。この課題を解決する対策として大きく２つの方法が考えられる。１つは、計算機を大量に用意し、並列に処理することである。しかしながら、大量に計算機を用意すると膨大なコスト費用がかかってしまう。もう１つは、パラメータ計算の計算間隔を長くすることである。例えば、日次データの場合、教師データが日々追加されるが、パラメータ計算を毎日実施するのではなく１週間に１度など計算間隔を長くすることで計算コスト削減が可能となる。しかしながら、パラメータ計算の間隔が長くなることで、直近データの傾向を加味した予測モデルではなくなるため予測精度の低下が懸念される。

【0006】

本発明は、１つの側面では、商品の需要予測をより効率化することを目的とする。

【課題を解決するための手段】

【0007】

１つの態様では、需要予測プログラムは、需要予測を行う店舗および日付を受け付け、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測し、商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する、処理をコンピュータに実行させる。

【発明の効果】

【0008】

１実施態様によれば、商品の需要予測をより効率化できる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施例に係る需要予測システムの構成を示す機能ブロック図である。

【図2】図２は、客数実績情報のデータ構造の一例を示す図である。

【図3】図３は、説明変数実績情報のデータ構造の一例を示す図である。

【図4】図４は、商品売上実績情報のデータ構造の一例を示す図である。

【図5】図５は、商品力実績情報のデータ構造の一例を示す図である。

【図6】図６は、値引き率別商品力情報のデータ構造の一例を示す図である。

【図7】図７は、通常日商品力情報のデータ構造の一例を示す図である。

【図8】図８は、説明変数計画情報のデータ構造の一例を示す図である。

【図9】図９は、客数予測情報のデータ構造の一例を示す図である。

【図10】図１０は、特売・値引き率計画情報のデータ構造の一例を示す図である。

【図11】図１１は、商品力予測情報のデータ構造の一例を示す図である。

【図12】図１２は、商品売上予測情報のデータ構造の一例を示す図である。

【図13】図１３は、実施例に係る値引き率グループを説明する図である。

【図14】図１４は、実施例に係る客数予測モデル構築処理のフローチャートの一例を示す図である。

【図15】図１５は、実施例に係るＰＩ予測モデル構築処理のフローチャートの一例を示す図である。

【図16A】図１６Ａは、実施例に係る需要予測処理のフローチャートの一例を示す図（１）である。

【図16B】図１６Ｂは、実施例に係る需要予測処理のフローチャートの一例を示す図（２）である。

【図17A】図１７Ａは、実施例に係る需要予測の効果を説明する図（１）である。

【図17B】図１７Ｂは、実施例に係る需要予測の効果を説明する図（２）である。

【図18】図１８は、需要予測プログラムを実行するコンピュータの一例を示す図である。

【発明を実施するための形態】

【0010】

以下に、本願の開示する需要予測プログラム、需要予測装置および需要予測方法の実施例を図面に基づいて詳細に説明する。なお、本発明は、実施例により限定されるものではない。

【実施例】

【0011】

［システムの構成］
図１は、実施例に係る需要予測システムの構成を示す機能ブロック図である。需要予測システム９は、店舗で扱う商品の需要予測を行う場合に、店舗に来店した客数の客数予測と、対象の商品の商品力の商品力予測とを用いて、対象の商品の需要を予測する。

【0012】

ここでいう商品の商品力とは、商品が持つ総合力のことをいい、例えば、ＰＩ（Purchase Index）値で表わされる。ＰＩ値とは、ＰＯＳ（Point of sale）分析の手法で使われ、レジスターの通過客１０００人当たりの購買指数のことをいう。ある商品のＰＩ値は、以下の式（１）のように算出される。なお、式（１）で示す購買個数は、ある商品を売り上げた数（売上数）を示す。レジ通過客数は、レジスターの通過客を示す。
ＰＩ値＝購買個数（売上数）÷レジ通過客数（客数）×１０００・・・式（１）
なお、購買個数は（１）式より、以下の式（２）のように算出できる。
購買個数（売上数）＝ＰＩ値×レジ通過客数（客数）÷１０００・・・式（２）

【0013】

すなわち、ＰＩ値は、商品の売上数を客数で除して得られる値を示し、店舗の大小規模にも依存しない、客数の影響を排除した値となる。実施例では、商品力としてＰＩ値を用いる。

【0014】

需要予測モデル構築装置１は、制御部１０と、記憶部２０とを有する。

【0015】

制御部１０は、ＣＰＵ（Central Processing Unit）などの電子回路により実現される。制御部１０は、客数予測モデル構築部１１と、ＰＩ予測モデル構築部１２とを有する。なお、客数予測モデル構築部１１は、第１の生成部の一例である。ＰＩ予測モデル構築部１２は、第２の生成部の一例である。

【0016】

記憶部２０は、例えば、ＲＡＭ、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、または、ハードディスク、光ディスクなどにより実現される。記憶部２０は、客数実績情報２１、説明変数実績情報２２および客数予測モデル２３を有する。加えて、記憶部２０は、商品売上実績情報２４、商品力実績情報２５、値引き率別商品力情報２６および通常日商品力情報２７を有する。

【0017】

客数実績情報２１は、店舗ごとの客数の実績を示す情報である。なお、客数実績情報２１は、予め生成される。ここで、客数実績情報２１のデータ構造の一例を、図２を参照して説明する。

【0018】

図２は、客数実績情報のデータ構造の一例を示す図である。図２に示すように、客数実績情報２１は、日付、店舗コードおよび客数実績を対応付けた情報である。日付は、客数実績を採取する時の年月日を示す。店舗コードは、客数実績を採取する対象の店舗を一意に識別するコードである。客数実績は、客数の実績を示す。すなわち、客数実績は、レジ通過客数の実績である。一例として、日付が「２０１７０１０４」である場合に、店舗コードとして「Ｓ１」、客数実績として「２５１３」を記憶している。

【0019】

図１に戻って、説明変数実績情報２２は、客数予測モデルを構築する際に用いられる説明変数の実績を示す情報である。説明変数とは、客数の増減の原因となる変数のことをいい、例えば、天気などを含む。なお、説明変数実績情報２２は、予め生成される。ここで、説明変数実績情報２２のデータ構造の一例を、図３を参照して説明する。

【0020】

図３は、説明変数実績情報のデータ構造の一例を示す図である。図３に示すように、説明変数実績情報２２は、日付、店舗コード、気温、降水量、天気、祝祭日およびイベントを対応付けた情報である。日付は、年月日を示す。店舗コードは、対象の店舗を一意に識別するコードである。気温は、例えば、対象の日付の平均気温を示す。降水量は、例えば、対象の日付の合計降水量を示す。天気は、対象の日付の天気を示す。祝祭日は、対象の日付の祝祭日の区別を示す。祝祭日には、一例として、元旦、年始、成人の日、建国記念の日などの祝日や祭日が含まれる。また、祝祭日には、祝日や祭日ではない通常日が含まれる。また、祝祭日には、祝日や祭日ではないが、不特定多数の人がお祭りとみなすバレンタインデー、七夕、花火大会やハロウィーンなどが含まれる。イベントは、祝祭日以外のイベントを示す。イベントには、一例として、店舗で実施されるイベントや、店舗周辺でのお祭りなどが含まれる。

【0021】

図１に戻って、客数予測モデル２３は、特定の日付のデータを入力、来客数を出力とする予測モデルである。なお、客数予測モデル２３は、後述する客数予測モデル構築部１１によって生成される。

【0022】

商品売上実績情報２４は、店舗ごとに商品の売上数の実績を示す情報である。なお、商品売上実績情報２４は、予め生成される。ここで、商品売上実績情報２４のデータ構造の一例を、図４を参照して説明する。

【0023】

図４は、商品売上実績情報のデータ構造の一例を示す図である。図４に示すように、商品売上実績情報２４は、日付、店舗コード、商品コードおよび売上数実績を対応付けた情報である。日付は、年月日を示す。店舗コードは、対象の店舗を一意に識別するコードである。商品コードは、店舗が扱う商品を一意に識別するコードである。売上数実績は、売上数の実績を示す。すなわち、売上数実績は、購買個数の実績を示す。一例として、日付が「２０１７０１０４」である場合に、店舗コードとして「Ｓ１」、商品コードとして「１００」、売上数実績として「３」を記憶している。

【0024】

図１に戻って、商品力実績情報２５は、店舗ごとに商品の商品力の実績を示す情報である。なお、商品力実績情報２５は、予め生成される。ここで、商品力実績情報２５のデータ構造の一例を、図５を参照して説明する。

【0025】

図５は、商品力実績情報のデータ構造の一例を示す図である。図５に示すように、商品力実績情報２５は、日付、店舗コード、商品コード、通常特売判定、値引き率およびＰＩ実績を対応付けた情報である。日付は、年月日を示す。店舗コードは、対象の店舗を一意に識別するコードである。商品コードは、店舗が扱う商品を一意に識別するコードである。通常特売判定は、商品が通常販売日であるか特別販売（特売）日であるかの判定を示す。通常販売日である場合には「通常」が設定され、特売日である場合には「特売」が設定される。値引き率は、値引きの程度を示す割合であり、例えば販売価格÷販売定価によって算出される。ＰＩ実績は、商品力を示すＰＩ値の実績である。ＰＩ値は、式（１）に基づいて、商品コードの商品に関し、同一の日付、店舗コードに対応する売上数実績および客数実績について、１０００×商品売上実績情報２４の売上数実績÷客数実績情報２１の客数実績を算出して得られるＰＩ値を示す。

【0026】

図１に戻って、値引き率別商品力情報２６は、各商品について、特売日である場合の値引き率別の商品力を示す情報である。なお、値引き率別商品力情報２６は、ＰＩ予測モデル構築部１２によって生成される。

【0027】

通常日商品力情報２７は、各商品について、通常日である場合の商品力を示す情報である。なお、通常日商品力情報２７は、ＰＩ予測モデル構築部１２によって生成される。

【0028】

図６は、値引き率別商品力情報のデータ構造の一例を示す図である。図６に示すように、値引き率別商品力情報２６は、店舗コード、商品コード、値引き率グループおよびＰＩ平均値を対応付けた情報である。店舗コードは、対象の店舗を一意に識別するコードである。商品コードは、店舗が扱う商品を一意に識別するコードである。値引き率グループは、店舗で扱う商品に対する値引き率を統計処理により分けたグループを示す。隣り合う値引き率が統計処理により有意差なしと認められる場合には、統合され、同一グループとなる。ＰＩ平均値は、値引き率グループに属する値引き率に対するＰＩ値の平均値を示す。

【0029】

図７は、通常日商品力情報のデータ構造の一例を示す図である。図７に示すように、通常日商品力情報２７は、店舗コード、商品コードおよびＰＩ平均値を対応付けた情報である。店舗コードは、対象の店舗を一意に識別するコードである。商品コードは、店舗が扱う商品を一意に識別するコードである。ＰＩ平均値は、通常日における直近３０日のＰＩ値の平均値を示す。

【0030】

図１に戻って、客数予測モデル構築部１１は、客数予測モデルを構築する。例えば、客数予測モデル構築部１１は、客数実績情報２１から、店舗における日付ごとの客数を取得する。客数予測モデル構築部１１は、説明変数実績情報２２から、店舗における日付ごとの説明変数を取得する。説明変数には、気温、降水量、天気、祝祭日やイベントが含まれる。そして、客数予測モデル構築部１１は、店舗における日付ごとの説明変数と客数とを含む教師データを複数生成する。説明変数には、気温、降水量、天気、祝祭日やイベントが含まれるが、いずれのデータを用いても良い。一例として、説明変数として「天気」と「イベント」が用いられても良いし、その他のデータが単独または組合せにより用いられても良い。そして、客数予測モデル構築部１１は、生成した教師データを用いて、店舗における特定の日付の説明変数を入力すると、来客数を出力する客数予測モデル２３を生成する。そして、客数予測モデル構築部１１は、生成した客数予測モデル２３を記憶部２０に格納する。客数予測モデル２３は、一例として、バイナリファイルで記憶される。

【0031】

ＰＩ予測モデル構築部１２は、ＰＩ予測モデルを構築する。

【0032】

例えば、ＰＩ予測モデル構築部１２は、特売日である場合には、商品力実績情報２５を参照して、店舗で扱う商品に対する値引き率を、ＰＩ値（商品力）を用いて統計処理して値引き率をグルーピングする。実施例では、統計処理の一例として、カイマージを適用した場合を説明する。カイマージは、カイ二乗検定を用いて、連続データを離散化させるための手法である。ＰＩ予測モデル構築部１２は、商品力実績情報２５を参照して、通常特売判定が特売日である場合の、商品に対する値引き率を離散化させる。そして、ＰＩ予測モデル構築部１２は、隣り合う値引き率を、ＰＩ値を使ってカイ二乗検定し、有意差なしと認められた場合には統合する。ＰＩ予測モデル構築部１２は、統合処理を繰り返し、有意差が認められる分割点を算出する。そして、ＰＩ予測モデル構築部１２は、値引き率の分割点に基づいて、値引き率グループを生成する。加えて、ＰＩ予測モデル構築部１２は、値引き率グループに属するＰＩ値の平均値を算出する。そして、ＰＩ予測モデル構築部１２は、店舗で扱う商品に関し、値引き率グループおよびＰＩ平均値を対応付けて、値引き率別商品力情報２６に設定する。これにより、ＰＩ予測モデル構築部１２は、特売日である場合に、値引き率グループごとの商品力（ＰＩ値）を用いて、店舗における商品の特定の日付の値引き率を入力すると、商品力（ＰＩ値）を出力するＰＩ予測モデルを生成する。

【0033】

また、ＰＩ予測モデル構築部１２は、通常日である場合には、商品力実績情報２５を参照して、店舗で扱う商品について、直近３０日のＰＩ値の平均値を算出する。そして、ＰＩ予測モデル構築部１２は、店舗で扱う商品に関し、ＰＩ平均値を、通常日商品力情報２７に設定する。これにより、ＰＩ予測モデル構築部１２は、通常日である場合に、店舗における商品の商品力（ＰＩ値）を予測するＰＩ予測モデルを生成する。

【0034】

次に、需要予測装置３は、制御部３０と、記憶部４０とを有する。

【0035】

制御部３０は、ＣＰＵなどの電子回路により実現される。制御部３０は、客数予測部３１と、ＰＩ予測部３２と、売上予測部３３とを有する。なお、客数予測部３１は、受付部および第１の予測部の一例である。ＰＩ予測部３２および売上予測部３３は、第２の予測部の一例である。売上予測部３３は、需要予測部の一例である。また、売上予測は、需要予測の一例である。

【0036】

記憶部４０は、例えば、ＲＡＭ、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、または、ハードディスク、光ディスクなどにより実現される。記憶部４０は、説明変数計画情報４１、客数予測モデル４２、客数予測情報４３、特売・値引き率計画情報４４、値引き率別商品力情報４５、通常日商品力情報４６、商品力予測情報４７および商品売上予測情報４８を有する。

【0037】

説明変数計画情報４１は、客数を予測する際に用いられる、将来の日付に対応する説明変数を示す情報である。説明変数は、説明変数実績情報２２の説明変数と同じ意味合いである。

【0038】

図８は、説明変数計画情報のデータ構造の一例を示す図である。図８に示す説明変数計画情報４１のデータ構造は、図３に示した説明変数実績情報２２とデータ構造が同一であるので、その説明を省略する。

【0039】

図１に戻って、客数予測モデル４２は、特定の日付および店舗のデータを入力すると、来客数を出力する予測モデルである。なお、客数予測モデル４２は、需要予測モデル構築装置１で生成された客数予測モデル２３と同じものである。客数予測モデル４２は、客数予測モデル２３を需要予測モデル構築装置１から需要予測装置３へコピーされれば良い。

【0040】

客数予測情報４３は、特定の日付の店舗における客数を、客数予測モデル４２によって予測した結果を示す情報である。ここで、客数予測情報４３のデータ構造の一例を、図９を参照して説明する。

【0041】

図９は、客数予測情報のデータ構造の一例を示す図である。図９に示すように、客数予測情報４３は、日付、店舗コードおよび客数予測を対応付けた情報である。日付は、年月日を示す。店舗コードは、対象の店舗を一意に識別するコードである。客数予測は、客数予測モデル４２によって予測された来客数を示す。

【0042】

図１に戻って、特売・値引き率計画情報４４は、店舗ごとに店舗で扱う商品の特売日や値引き率の計画を示す情報である。なお、特売・値引き率計画情報４４は、予め生成される。ここで、特売・値引き率計画情報４４のデータ構造の一例を、図１０を参照して説明する。

【0043】

図１０は、特売・値引き率計画情報のデータ構造の一例を示す図である。図１０に示すように、特売・値引き率計画情報４４は、日付、店舗コード、商品コード、通常特売判定および値引き率を対応付けた情報である。日付は、年月日を示す。店舗コードは、対象の店舗を一意に識別するコードである。商品コードは、店舗が扱う商品を一意に識別するコードである。通常特売判定は、商品が通常販売日であるか特別販売（特売）日であるかの判定を示す。通常販売日である場合には「通常」が設定され、特売日である場合には「特売」が設定される。値引き率は、値引きの程度を示す割合であり、例えば販売価格÷販売定価によって算出される。

【0044】

図１に戻って、値引き率別商品力情報４５は、各商品について、特売日である場合の値引き率別の商品力を示す情報である。なお、値引き率別商品力情報４５は、需要予測モデル構築装置１で生成された値引き率別商品力情報２６と同じものである。値引き率別商品力情報４５は、値引き率別商品力情報２６を需要予測モデル構築装置１から需要予測装置３へコピーされれば良い。

【0045】

通常日商品力情報４６は、商品について、通常日である場合の商品力を示す情報である。なお、通常日商品力情報４６は、需要予測モデル構築装置１で生成された通常日商品力情報２７と同じものである。通常日商品力情報４６は、通常日商品力情報２７を需要予測モデル構築装置１から需要予測装置３へコピーされれば良い。

【0046】

商品力予測情報４７は、特定の日付の店舗における商品の商品力（ＰＩ値）を予測した結果を示す情報である。予測結果は、特売日である場合には値引き率別商品力情報４５、通常日である場合には通常日商品力情報４６によって予測される。ここで、商品力予測情報４７のデータ構造の一例を、図１１を参照して説明する。

【0047】

図１１は、商品力予測情報のデータ構造の一例を示す図である。図１１に示すように、商品力予測情報４７は、日付、店舗コード、商品コードおよびＰＩ平均値を対応付けた情報である。日付は、予測対象の年月日を示す。店舗コードは、予測対象の店舗を一意に識別するコードである。商品コードは、予測対象の商品を一意に識別するコードである。ＰＩ平均値は、特売日である場合には値引き率別商品力情報２６、通常日である場合には通常日商品力情報２７によって予測された商品力（ＰＩ値）を示す。

【0048】

図１に戻って、商品売上予測情報４８は、特定の日付の店舗における商品の売上数の予測を示す情報である。なお、商品売上予測情報４８は、後述する売上予測部３３によって生成される。ここで、商品売上予測情報４８のデータ構造の一例を、図１２を参照して説明する。

【0049】

図１２は、商品売上予測情報のデータ構造の一例を示す図である。図１２に示すように、商品売上予測情報４８は、日付、店舗コード、商品コードおよび売上数予測を対応付けた情報である。日付は、予測対象の年月日を示す。店舗コードは、予測対象の店舗を一意に識別するコードである。商品コードは、予測対象の商品を一意に識別するコードである。売上数予測は、売上数を予測した結果である。

【0050】

図１に戻って、客数予測部３１は、客数予測モデル４２を用いて、需要予測を行う店舗および日付に対応する来客数を予測する。例えば、客数予測部３１は、需要予測を行う店舗および日付を受け付ける。客数予測部３１は、説明変数計画情報４１を参照して、需要予測を行う店舗および日付に対応する説明変数を取得する。客数予測部３１は、店舗に対応する客数予測モデル４２に需要予測を行う日付および説明変数を入力し、客数予測モデル４２から出力される来客数を取得して、来客数を予測する。そして、客数予測部３１は、需要予測を行う日付および店舗に対応付けた来客数を、客数予測情報４３に設定する。

【0051】

ＰＩ予測部３２は、需要予測を行う日付について、需要予測を行う店舗で扱う特定の商品の商品力（ＰＩ値）を予測する。例えば、ＰＩ予測部３２は、特売・値引き率計画情報４４を参照して、需要予測を行う日付、店舗および商品に対応する通常特売判定および値引き率を取得する。ＰＩ予測部３２は、通常特売判定が特売日を示す「特売」である場合には、値引き率別商品力情報４５を参照して、需要予測を行う店舗、商品および値引き率に対応するＰＩ平均値を取得する。すなわち、ＰＩ予測部３２は、値引き率が属する値引き率グループに対応するＰＩ平均値を取得する。また、ＰＩ予測部３２は、通常特売判定が通常日を示す「通常」である場合には、通常日商品力情報４６を参照して、需要予測を行う店舗および商品に対応するＰＩ平均値を取得する。そして、ＰＩ予測部３２は、需要予測を行う日付、店舗および商品に対応付けたＰＩ平均値を、商品力予測情報４７に設定する。

【0052】

売上予測部３３は、需要予測を行う日付について、需要予測を行う店舗で扱う特定の商品の売上数を予測する。例えば、売上予測部３３は、需要予測を行う日付、店舗に対応する客数予測の値を、客数予測部３１から取得する。そして、売上予測部３３は、需要予測を行う日付、店舗および特定の商品に対応するＰＩ平均値を、ＰＩ予測部３２から取得する。そして、売上予測部３３は、（２）に基づいて、予測した客数予測の値にＰＩ平均値を乗算し、１０００を除することで、特定の商品に対応する売上数を予測する。そして、売上予測部３３は、需要予測を行う日付、店舗および商品に対応付けた、予測した売上数を商品売上予測情報４８に設定する。

【0053】

［値引き率グループの説明］
図１３は、実施例に係る値引き率グループを説明する図である。図１３に示すように、上段には、ある店舗における特定の商品の値引き率とＰＩ値との関係を示したグラフが表わされている。かかるグラフでは、値引き率は、離散化されている。すなわち、かかるグラフは、離散化された各値引き率に対応する各特売日のＰＩ値を表わしている。各点は、それぞれ特定日のＰＩ値を表す。

【0054】

このような商品の離散化された値引き率とＰＩ値との関係の下、ＰＩ予測モデル構築部１２は、隣り合う値引き率同士で、ＰＩ値を使ってカイマージのカイ二乗検定する。そして、ＰＩ予測モデル構築部１２は、有意差なしと認められた場合には、その隣り合う値引き率同士を統合する。ＰＩ予測モデル構築部１２は、統合処理を繰り返し、有意差が認められる分割点を算出する。下段には、統合した結果の値引き率の分割点が表わされている。ここでは、値引き率の分割点は、０．５２、０．７１、０．９２を示している。

【0055】

そして、ＰＩ予測モデル構築部１２は、値引き率の分割点に基づいて、値引き率グループを生成する。ここでは、値引き率が分割点０．５２以下の値引き率グループＧ１と、値引き率が分割点０．５２から分割点０．７１以下の値引き率グループＧ２と、値引き率が分割点０．７１から分割点０．９２以下の値引き率グループＧ３と、値引き率が分割点０．９２より大きい値引き率グループＧ４が生成される。

【0056】

そして、ＰＩ予測モデル構築部１２は、値引き率グループに属するＰＩ値の平均値を算出して、値引き率グループに対応するＰＩ平均値を求める。そして、ＰＩ予測モデル構築部１２は、ある店舗における特定の商品に関し、値引き率グループおよびＰＩ平均値を対応付けて、値引き率別商品力情報２６に設定する。これにより、ＰＩ予測モデル構築部１２は、値引き率別商品力情報２６をＰＩ予測モデルとして生成できる。すなわち、ＰＩ予測モデル構築部１２は、特売日である場合に、値引き率グループごとの商品力（ＰＩ値）を用いて、ある店舗における商品の特定の日付の値引き率を入力、商品力（ＰＩ値）を出力とするＰＩ予測モデルを生成できる。

【0057】

［客数予測モデル構築処理のフローチャート］
図１４は、実施例に係る客数予測モデル構築処理のフローチャートの一例を示す図である。

【0058】

図１４に示すように、客数予測モデル構築部１１は、客数実績情報２１から、客数実績を読み込む（ステップＳ１１）。客数予測モデル構築部１１は、説明変数実績情報２２から、説明変数実績を読み込む（ステップＳ１２）。

【0059】

そして、客数予測モデル構築部１１は、店舗別の客数予測モデル２３を構築する（ステップＳ１３）。例えば、客数予測モデル構築部１１は、店舗別に以下の処理を行う。客数予測モデル構築部１１は、店舗における日付ごとの説明変数実績と客数実績とを含む教師データを複数生成する。説明変数実績には、気温、降水量、天気、祝祭日やイベントであるか否かが含まれる。そして、客数予測モデル構築部１１は、生成した教師データを用いて、店舗における特定の日付の説明変数を入力、来客数を出力とする客数予測モデル２３を生成する。

【0060】

そして、客数予測モデル構築部１１は、店舗別の客数予測モデル２３をバイナリファイルで記憶部２０に保存する。

【0061】

［ＰＩ予測モデル構築処理のフローチャート］
図１５は、実施例に係るＰＩ予測モデル構築処理のフローチャートの一例を示す図である。

【0062】

図１５に示すように、ＰＩ予測モデル構築部１２は、店舗商品売上実績を読み込む（ステップＳ２１）。例えば、ＰＩ予測モデル構築部１２は、商品売上実績情報２４を読み込む。また、ＰＩ予測モデル構築部１２は、客数実績情報２１を読み込む。

【0063】

ＰＩ予測モデル構築部１２は、商品売上実績÷客数実績×１０００にてＰＩ値（商品力）を算出する（ステップＳ２２）。例えば、ＰＩ予測モデル構築部１２は、商品売上実績情報２４から読み込まれた、日付ごとの店舗コード、商品コードに対応する売上数実績を、客数実績情報２１から読み込まれた同一の日付の店舗コードに対応する客数実績で割り、１０００を掛ける。ＰＩ予測モデル構築部１２は、計算結果を、店舗コードが示す店舗が扱う、商品コードが示す商品のＰＩ値とする。

【0064】

ＰＩ予測モデル構築部１２は、商品力実績を読み込む（ステップＳ２３）。例えば、ＰＩ予測モデル構築部１２は、商品力実績情報２５を読み込む。ＰＩ予測モデル構築部１２は、商品力データを特売日と通常日に分割する（ステップＳ２４）。例えば、ＰＩ予測モデル構築部１２は、商品力実績情報２５から読み込んだ特売・値引き率実績の通常特売判定を参照して、日付、店舗コードおよび商品コードに対応するＰＩ値を特売日と通常日に分割する。

【0065】

ＰＩ予測モデル構築部１２は、通常日の商品力データであるか否かを判定する（ステップＳ２５）。通常日の商品力データであると判定した場合には（ステップＳ２５；Ｙｅｓ）、ＰＩ予測モデル構築部１２は、通常日の商品力データ（ＰＩ値）を、商品力実績情報２５の該当するＰＩ実績に格納する（ステップＳ２６）。

【0066】

そして、ＰＩ予測モデル構築部１２は、直近３０日のＰＩ値（商品力）の平均値を算出する（ステップＳ２７）。例えば、ＰＩ予測モデル構築部１２は、商品力実績情報２５を参照して、通常日のＰＩ実績であって、同一の店舗コードおよび商品コードに対応するＰＩ実績の直近３０日のＰＩ平均値を算出する。

【0067】

そして、ＰＩ予測モデル構築部１２は、直近３０日のＰＩ平均値を商品力データとして格納する（ステップＳ２８）。例えば、ＰＩ予測モデル構築部１２は、直近３０日の平均値を、通常日商品力情報２７の該当するＰＩ平均値に格納する。

【0068】

一方、通常日の商品力データでないと判定した場合には（ステップＳ２５；Ｎｏ）、ＰＩ予測モデル構築部１２は、特売日の商品力データ（ＰＩ値）を、商品力実績情報２５の該当するＰＩ実績に格納する（ステップＳ２９）。

【0069】

そして、ＰＩ予測モデル構築部１２は、特売日のデータを用いてカイマージを実行し、値引き率グループ別のＰＩ値（商品力）の平均値を算出する（ステップＳ３０）。例えば、ＰＩ予測モデル構築部１２は、商品力実績情報２５を参照して、通常特売判定が特売日である場合の、商品に対する値引き率を離散化させる。そして、ＰＩ予測モデル構築部１２は、隣り合う値引き率を、ＰＩ値を使ってカイ二乗検定し、有意差なしと認められた場合には統合する。ＰＩ予測モデル構築部１２は、統合処理を繰り返し、有意差が認められる分割点を算出する。そして、ＰＩ予測モデル構築部１２は、値引き率の分割点に基づいて、値引き率グループを生成する。加えて、ＰＩ予測モデル構築部１２は、値引き率グループに属するＰＩ値の平均値を算出する。

【0070】

そして、ＰＩ予測モデル構築部１２は、値引き率グループ別のＰＩ値の平均値を商品力データとして格納する（ステップＳ３１）。例えば、ＰＩ予測モデル構築部１２は、値引き率グループ別のＰＩ値の平均値を、値引き率別商品力情報２６の該当するＰＩ平均値に値引き率グループと対応付けて格納する。

【0071】

［需要予測処理のフローチャート］
図１６Ａおよび図１６Ｂは、実施例に係る需要予測処理のフローチャートの一例を示す図である。

【0072】

図１６Ａに示すように、客数予測部３１は、予測対象の店舗の店舗コード、日付を受け付けたか否かを判定する（ステップＳ４１）。予測対象の店舗の店舗コード、日付を受け付けていないと判定した場合には（ステップＳ４１；Ｎｏ）、客数予測部３１は、受け付けるまで、判定処理を繰り返す。

【0073】

一方、予測対象の店舗の店舗コード、日付を受け付けたと判定した場合には（ステップＳ４１；Ｙｅｓ）、客数予測部３１は、説明変数計画を読み込む（ステップＳ４２）。例えば、客数予測部３１は、説明変数計画情報４１から、受け付けた店舗コードおよび日付に対応する説明変数を読み込む。

【0074】

そして、客数予測部３１は、店舗別の客数予測モデル４２を使って、店舗別の客数予測を実施する（ステップＳ４３）。例えば、客数予測部３１は、店舗に対応する客数予測モデル４２に、予測対象の日付および読み込んだ説明変数を入力し、客数予測モデル４２から出力される来客数を取得して、来客数を予測する。

【0075】

そして、客数予測部３１は、客数予測データを客数予測情報４３に格納する（ステップＳ４４）。

【0076】

続いて、図１６Ｂに示すように、ＰＩ予測部３２は、特売・値引き率計画を読み込む（ステップＳ４５）。例えば、ＰＩ予測部３２は、特売・値引き率計画情報４４を参照して、予測対象の日付、店舗および商品に対応する通常特売判定および計画値引き率を取得する。

【0077】

そして、ＰＩ予測部３２は、通常特売判定が通常日であるか否かを判定する（ステップＳ４６）。通常特売判定が通常日であると判定した場合には（ステップＳ４６；Ｙｅｓ）、ＰＩ予測部３２は、直近３０日のＰＩ値（商品力）をＰＩ予測値として適用する（ステップＳ４７）。例えば、ＰＩ予測部３２は、通常日商品力情報４６を参照して、予測対象の店舗および商品に対応するＰＩ平均値を取得する。そして、ＰＩ予測部３２は、ステップＳ４９に移行する。

【0078】

一方、通常特売判定が通常日でないと判定した場合には（ステップＳ４６；Ｎｏ）、ＰＩ予測部３２は、計画値引き率が属する値引き率グループの平均ＰＩ値（商品力）をＰＩ予測値として適用する（ステップＳ４８）。例えば、ＰＩ予測部３２は、値引き率別商品力情報４５を参照して、予測対象の店舗、商品および計画値引き率に対応するＰＩ平均値を取得する。すなわち、ＰＩ予測部３２は、計画値引き率が属する値引き率グループに対応するＰＩ平均値を取得する。そして、ＰＩ予測部３２は、ステップＳ４９に移行する。

【0079】

ステップＳ４９において、ＰＩ予測部３２は、商品力の予測データを格納する（ステップＳ４９）。例えば、ＰＩ予測部３２は、予測対象の日付、店舗および商品に対応付けたＰＩ平均値を、商品力予測情報４７に格納する。

【0080】

そして、売上予測部３３は、客数予測×ＰＩ予測÷１０００より、売上数予測を算出する（ステップＳ５０）。例えば、売上予測部３３は、客数予測情報４３から、予測対象の日付、店舗に対応する客数予測を取得する。そして、売上予測部３３は、商品力予測情報４７から、予測対象の日付、店舗および商品に対応するＰＩ平均値を取得する。そして、売上予測部３３は、客数予測の値にＰＩ平均値を乗算して１０００を除することで、該当商品に対応する売上数を予測する。

【0081】

そして、売上予測部３３は、売上数の予測データを格納する（ステップＳ５１）。例えば、売上予測部３３は、予測対象の日付、店舗および商品に対応付けた売上数を商品売上予測情報４８に格納する。

【0082】

ここで、実施例に係る需要予測の効果を、図１７Ａおよび図１７Ｂを参照して説明する。図１７Ａおよび図１７Ｂは、実施例に係る需要予測の効果を説明する図である。図１７Ａ上段には、実施例に係る需要予測の手法が表わされ、図１７Ａ下段には、従来手法が表わされている。なお、従来手法は、一例であり、これに限定されるものではない。

【0083】

図１７Ａ上段に示すように、実施例に係る需要予測は、＜１＞ＰＩ値（商品力）予測と、＜２＞客数予測と、＜３＞売上数予測とを有する。

【0084】

＜１＞ＰＩ値（商品力）予測について、ＰＩ予測モデル構築部１２は、特定の店舗および店舗で扱う１つの商品に対して、商品力実績情報２５の時系列データを特売日と通常日に分ける。ＰＩ予測モデル構築部１２は、特売日のデータについて、カイマージにより、値引き率を、ＰＩ値を使って離散化させ、値引き率グループを生成する。そして、ＰＩ予測モデル構築部１２は、それぞれの値引き率グループのＰＩ値を、値引き率グループに属するＰＩ値の平均値とする。また、ＰＩ予測モデル構築部１２は、通常日のデータについて、ＰＩ値を、直近３０日のＰＩ値の平均値とする。そして、ＰＩ予測部３２は、ＰＩ予測モデル構築部１２によって生成されたＰＩ値（商品力）の情報であるＰＩ予測モデルを用いて、需要予測を行う特定の店舗および店舗で扱う１つの商品に対して、当該商品のＰＩ値（商品力）を予測する。このようなＰＩ予測処理は、店舗数×商品数分行われる。ＰＩ値（商品力）予測が、約２．４秒／商品であるとする。すると、店舗が５０、商品が１０００件の場合には、ＰＩ値（商品力）予測は、約３３（＝２．４秒×５０店舗×１０００件）時間を要する（Ａ）。

【0085】

＜２＞客数予測について、客数予測モデル構築部１１は、特定の店舗について、日付ごとの客数実績および説明変数を入力、来客数を出力とする客数予測モデル２３を生成する。客数予測部３１は、特定の店舗について、需要予測を行う日付および説明変数を客数予測モデル４２に入力し、来客数を出力して、来客数を予測する。このような客数予測処理は、店舗数分行われる。客数予測が、約１．２分／店舗であるとする。すると、店舗が５０である場合には、客数予測は、約１．０（＝１．２分×５０店舗）時間を要する（Ｂ）。

【0086】

＜３＞売上数予測について、売上予測部３３は、特定の店舗および１つの商品に対して、予測した客数予測の値にＰＩ値予測を乗算して、特定の店舗での当該商品の売上予測値を予測する。このような売上需要数の換算は、商品力×客数の単純計算のため、全店舗における全商品で約５秒を要する（Ｃ）。

【0087】

この結果、実施例に係る需要予測では、５０店舗および１０００商品について、（Ａ＋Ｂ＋Ｃ＝）約３４．０時間を要することになる。

【0088】

これに対して、従来手法では、例えば予測モデルを生成する装置は、特定の店舗が扱う１つの商品について、日付ごとの売上実績、客数、店舗イベント、天気値引き率などを入力、売上予測値を出力とする予測モデルを生成する。そして、例えば予測する装置は、特定の店舗が扱う１つの商品について、需要予測を行う日付、売上予測、客数予測、店舗イベント、天気、値引き率などを予測モデルに入力し、売上予測値を出力して、特定の店舗での当該商品の売上予測値を予測する。このような予測処理は、店舗数×商品の件数分行われる。予測モデル生成処理は、並列処理を行わないとすると、約１．２分／商品であるとする。すると、店舗が５０、商品が１０００件の場合には、予測モデル生成処理および予測処理は、約１０００（＝１．２分×５０店舗×１０００件）時間を要する。

【0089】

これにより、実施例に係る需要予測の手法は、従来手法と比べて、計算コストを約９６．６％削減できる。

【0090】

ここで、図１７Ａでの実施例に係る需要予測の手法と、従来手法との予測精度とを比較した結果について、図１７Ｂを参照して説明する。図１７Ｂでは、店舗×商品の組み合わせの１，６８４件について、ある約３ヶ月分の各日の売上数に対しての精度が検証された結果が表わされている。例えば、日あたりの売上数に対する精度比較において平均絶対誤差数では、従来手法が２．１個、需要予測が２．２個であった。また、週あたりの合計売上数に対する精度比較において平均絶対誤差数では、従来手法が９．５個、需要予測が９．５個であった。すなわち、需要予測と従来手法とでは、同程度の精度になった。したがって、実施例に係る需要予測の手法は、従来手法と比べて、同程度の精度で計算コストを約９６．６％削減できる。

【0091】

［実施例の効果］
上記実施例によれば、需要予測装置３は、需要予測を行う店舗および日付を受け付ける。需要予測装置３は、店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、需要予測を行う店舗における前記日付の来客数を予測する。需要予測装置３は、商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照して、需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けする。需要予測装置３は、グループ分けしたグループごとの商品力と、予測した来客数とを用いて、需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する。かかる構成によれば、需要予測装置３は、商品の需要予測を、１つの予測モデルで実施する従来手法に比較して、より効率化できる。

【0092】

また、上記実施例によれば、需要予測装置３は、需要予測を行う日付が特売日である場合には、記憶部を参照して、需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けする。需要予測装置３は、グループ分けしたグループごとの商品力と、予測した来客数とを用いて、需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する。需要予測装置３は、需要予測を行う日付が特売日でない場合には、商品における過去の商品力を記憶する記憶部を参照して記需要予測を行う店舗で扱う商品に対する過去の商品力と、予測した来客数とを用いて、商品に関する需要予測値を出力する。かかる構成によれば、需要予測装置３は、特売日と特売でない日とを分けて需要予測することで、特売日の需要数の跳ね上がりに対応できる。

【0093】

また、上記実施例によれば、需要予測装置３は、グループごとの商品力を、それぞれのグループに含まれる商品力の平均値として予測し、予測したグループごとの商品力と、予測した来客数とを用いて、店舗で扱う商品に関する需要予測値を算出する。かかる構成によれば、需要予測装置３は、客数予測と、商品力予測とを組み合わせて商品の需要数を算出することで、高精度な商品需要を予測できる。

【0094】

また、上記実施例によれば、需要予測装置３は、商品における過去の商品力を、直近の所定日数の商品力の平均値として予測し、予測した商品力と、予測した来客数とを用いて、店舗で扱う商品に関する需要予測値を算出する。かかる構成によれば、需要予測装置３は、客数予測と、商品力予測とを組み合わせて商品の需要数を算出することで、高精度な商品需要を予測できる。

【0095】

また、上記実施例によれば、商品に関する需要予測値は、予測した商品力と、予測した来客数とを乗じて得られる値である。かかる構成によれば、需要予測装置３は、商品の需要予測の計算コストを削減できる。

【0096】

また、上記実施例によれば、グループを分ける統計処理は、カイマージを用いる。かかる構成によれば、需要予測装置３は、特売日の値引き率に対してカイマージという統計処理を用いることで、特売日の需要数の跳ね上がりの影響にも対応できるようなロバストな需要予測をすることが可能になる。

【0097】

［その他］
なお、実施例では、需要予測モデル構築装置１が予測モデルを構築する処理を担い、需要予測装置３が構築した予測モデルを用いて売上の需要を予測する処理を担う場合を説明した。しかしながら、実施例では、これに限定されず、需要予測装置３が、予測モデルを構築する処理と、構築した予測モデルを用いて売上の需要を予測する処理とを担っても良い。

【0098】

また、実施例では、ＰＩ予測モデル構築部１２は、特売日である場合には、店舗で扱う商品に対する値引き率を、ＰＩ値（商品力）を用いて統計処理して値引き率をグルーピングする。かかる統計処理の一例として、カイマージを適用した場合を説明した。しかしながら、統計処理は、カイマージに限定されず、他の統計処理を適用する場合であっても良い。例えば、他の統計処理には、情報エントロピーや最小記述長原理などが挙げられる。

【0099】

また、実施例では、需要予測処理を、消費者に商品を販売する小売業での商品の売上需要数の予測に適用する場合を説明した。しかしながら、実施例では、これに限定されず、需要予測処理を、製造業（メーカー）から商品を仕入れて、小売業者に商品を販売する卸売業での商品の売上需要数の予測に適用する場合であっても良い。すなわち、実施例に係る需要予測処理は、商品流通の過程で、商品の売上需要数の予測を必要とする場面で適用されれば良い。

【0100】

また、図示した需要予測モデル構築装置１や需要予測装置３の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、需要予測モデル構築装置１や需要予測装置３の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、ＰＩ予測モデル構築部１２を、特売日である場合のＰＩ予測モデル構築処理部（値引き率グループごとのＰＩ値算出処理）と、通常日である場合のＰＩ予測モデル構築処理部とに分散しても良い。また、ＰＩ予測部３２と売上予測部３３とを統合しても良い。また、記憶部２０を需要予測モデル構築装置１の外部装置としてネットワーク経由で接続するようにしても良い。記憶部４０を需要予測装置３の外部装置としてネットワーク経由で接続するようにしても良い。

【0101】

また、上記実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１に示した需要予測装置３と同様の機能を実現する需要予測プログラムを実行するコンピュータの一例を説明する。図１８は、需要予測プログラムを実行するコンピュータの一例を示す図である。

【0102】

図１８に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０３と、ユーザからのデータの入力を受け付ける入力装置２１５と、表示装置２０９を制御する表示制御部２０７とを有する。また、コンピュータ２００は、記憶媒体からプログラムなどを読取るドライブ装置２１３と、ネットワークを介して他のコンピュータとの間でデータの授受を行う通信制御部２１７とを有する。また、コンピュータ２００は、各種情報を一時記憶するメモリ２０１と、ＨＤＤ（Hard Disk Drive）２０５を有する。そして、メモリ２０１、ＣＰＵ２０３、ＨＤＤ２０５、表示制御部２０７、ドライブ装置２１３、入力装置２１５、通信制御部２１７は、バス２１９で接続されている。

【0103】

ドライブ装置２１３は、例えばリムーバブルディスク２１１用の装置である。ＨＤＤ２０５は、需要予測プログラム２０５ａおよび需要予測処理関連情報２０５ｂを記憶する。

【0104】

ＣＰＵ２０３は、需要予測プログラム２０５ａを読み出して、メモリ２０１に展開し、プロセスとして実行する。かかるプロセスは、需要予測装置３の各機能部に対応する。需要予測処理関連情報２０５ｂは、説明変数計画情報４１、客数予測モデル４２、客数予測情報４３、特売・値引き率計画情報４４、値引き率別商品力情報４５、通常日商品力情報４６、商品力予測情報４７および商品売上予測情報４８などに対応する。そして、例えばリムーバブルディスク２１１が、需要予測プログラム２０５ａなどの各情報を記憶する。

【0105】

なお、需要予測プログラム２０５ａについては、必ずしも最初からＨＤＤ２０５に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、光磁気ディスク、ＩＣ（Integrated Circuit）カードなどの「可搬用の物理媒体」に当該プログラムを記憶させておく。そして、コンピュータ２００がこれらから需要予測プログラム２０５ａを読み出して実行するようにしても良い。

【0106】

以上の実施例を含む実施形態に関し、さらに以下の付記を開示する。

【0107】

（付記１）需要予測を行う店舗および日付を受け付け、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測し、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する、
処理をコンピュータに実行させることを特徴とする需要予測プログラム。

【0108】

（付記２）前記需要予測値を出力する処理は、前記需要予測を行う日付が特売日である場合には、前記記憶部を参照して、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けし、グループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力し、前記需要予測を行う日付が特売日でない場合には、商品における過去の商品力を記憶する記憶部を参照して、前記需要予測を行う店舗で扱う商品に対する過去の商品力と、予測した来客数とを用いて、前記商品に関する需要予測値を出力する
ことを特徴とする付記１に記載の需要予測プログラム。

【0109】

（付記３）前記需要予測値を出力する処理は、前記グループごとの商品力を、それぞれのグループに含まれる商品力の平均値として予測し、予測したグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を算出する
ことを特徴とする付記２に記載の需要予測プログラム。

【0110】

（付記４）前記需要予測値を出力する処理は、商品における過去の商品力を、直近の所定日数の商品力の平均値として予測し、予測した商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を算出する
ことを特徴とする付記２に記載の需要予測プログラム。

【0111】

（付記５）前記商品に関する需要予測値は、予測した商品力と、予測した来客数とを乗じて得られる値である、
ことを特徴とする付記３または付記４に記載の需要予測プログラム。

【0112】

（付記６）前記グループを分ける統計処理は、カイマージを用いる
ことを特徴とする付記１または付記２に記載の需要予測プログラム。

【0113】

（付記７）需要予測を行う店舗および日付を受け付ける受付部と、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測する第１の予測部と、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力を予測する第２の予測部と、
前記第２の予測部によって予測されたグループごとの商品力と、前記第１の予測部によって予測された来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する需要予測部と、
を有することを特徴とする需要予測装置。

【0114】

（付記８）コンピュータが
需要予測を行う店舗および日付を受け付け、
店舗の日付ごとの来客実績を用いて学習した学習モデルを用いて、前記需要予測を行う店舗における前記日付の来客数を予測し、
商品における値引き率と値引き率に対する商品力を対応付けて記憶する記憶部を参照してグループ分けしたグループであって、前記需要予測を行う店舗で扱う商品に対する値引き率を統計処理してグループ分けしたグループごとの商品力と、予測した来客数とを用いて、前記需要予測を行う店舗および日付での当該店舗で扱う商品に関する需要予測値を出力する、
処理を実行することを特徴とする需要予測方法。

【0115】

（付記９）店舗の日付ごとの来客実績を用いて店舗における各日付のデータと来客数とを含む教師データを複数取得し、
前記教師データを用いて、店舗における特定の日付のデータを入力、来客数を出力とする第１の学習モデルを生成し、
商品における複数の値引き率と各値引き率に対する複数の商品力を対応付けて記憶する記憶部を参照して、店舗で扱う商品に対する値引き率を、商品力を用いて統計処理して値引き率をグルーピングし、
グルーピングしたグループごとの商品力を計算しておき、
前記グループごとの商品力を用いて、店舗における商品の特定の日付の値引き率を入力、商品力を出力とする第２の学習モデルを生成する
処理をコンピュータに実行させる学習モデル生成プログラム。

【0116】

（付記１０）店舗の日付ごとの来客実績を用いて店舗における各日付のデータと来客数とを含む教師データを複数取得し、前記教師データを用いて、店舗における特定の日付のデータを入力、来客数を出力とする第１の学習モデルを生成する第１の生成部と、
商品における複数の値引き率と各値引き率に対する複数の商品力を対応付けて記憶する記憶部を参照して、店舗で扱う商品に対する値引き率を、商品力を用いて統計処理して値引き率をグルーピングし、グルーピングしたグループごとの商品力を計算しておき、前記グループごとの商品力を用いて、店舗における商品の特定の日付の値引き率を入力、商品力を出力とする第２の学習モデルを生成する第２の生成部と、
を有することを特徴とする学習モデル生成装置。

【0117】

（付記１１）店舗の日付ごとの来客実績を用いて店舗における各日付のデータと来客数とを含む教師データを複数取得し、
前記教師データを用いて、店舗における特定の日付のデータを入力、来客数を出力とする第１の学習モデルを生成し、
商品における複数の値引き率と各値引き率に対する複数の商品力を対応付けて記憶する記憶部を参照して、店舗で扱う商品に対する値引き率を、商品力を用いて統計処理して値引き率をグルーピングし、
グルーピングしたグループごとの商品力を計算しておき、
前記グループごとの商品力を用いて、店舗における商品の特定の日付の値引き率を入力、商品力を出力とする第２の学習モデルを生成する
処理をコンピュータが実行する学習モデル生成方法。

【符号の説明】

【0118】

１ 需要予測モデル構築装置
３ 需要予測装置
９ 需要予測システム
１０ 制御部
１１ 客数予測モデル構築部
１２ ＰＩ予測モデル構築部
２０ 記憶部
２１ 客数実績情報
２２ 説明変数実績情報
２３ 客数予測モデル
２４ 商品売上実績情報
２５ 商品力実績情報
２６ 値引き率別商品力情報
２７ 通常日商品力情報
３０ 制御部
３１ 客数予測部
３２ ＰＩ予測部
３３ 売上予測部
４０ 記憶部
４１ 説明変数計画情報
４２ 客数予測モデル
４３ 客数予測情報
４４ 特売・値引き率計画情報
４５ 値引き率別商品力情報
４６ 通常日商品力情報
４７ 商品力予測情報
４８ 商品売上予測情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16A】

【図16B】

【図17A】

【図17B】

【図18】