特許 7495058 受注予測モデル作成方法、受注予測モデル作成装置、受注予測方法および受注予測装置

(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】2024-05-27

(45)【発行日】2024-06-04

(54)【発明の名称】受注予測モデル作成方法、受注予測モデル作成装置、受注予測方法および受注予測装置

(51)【国際特許分類】

   G06Q 30/0202 20230101AFI20240528BHJP

【ＦＩ】

G06Q30/0202

【請求項の数】 5

(21)【出願番号】P 2020159643

(22)【出願日】2020-09-24

(65)【公開番号】P2022053055

(43)【公開日】2022-04-05

【審査請求日】2023-06-12

(73)【特許権者】

【識別番号】397069868

【氏名又は名称】アズワン株式会社

(73)【特許権者】

【識別番号】520371404

【氏名又は名称】浅井 倫明

(74)【代理人】

【識別番号】110000796

【氏名又は名称】弁理士法人三枝国際特許事務所

(72)【発明者】

【氏名】福田 智宏

(72)【発明者】

【氏名】浅井 倫明

【審査官】永野 一郎

(56)【参考文献】

【文献】特開２０２０－１０２１３３（ＪＰ，Ａ）

【文献】特開２０２０－０８７０２３（ＪＰ，Ａ）

【文献】再公表特許第２０１９／０５３８２１（ＪＰ，Ａ１）

【文献】特開２００７－２９３６２４（ＪＰ，Ａ）

【文献】中国特許出願公開第１０９２８４８６６（ＣＮ，Ａ）

【文献】劉 妍，管轄エリア内のコンビニエンスストアにおける新商品の需要予測に関する研究，日本情報経営学会誌 Ｖｏｌ．２９ Ｎｏ．１，日本，日本情報経営学会 ，2008年09月20日，第29巻，p.63-73

【文献】関 和広，金融情報学：ファイナンスにおける人工知能応用，人工知能 第３２巻 第６号，日本，（一社）人工知能学会 ，2017年11月07日，第32巻，p.905-910

(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】

コンピュータによって、商品の将来の受注状況を予測するための受注予測モデルを作成する受注予測モデル作成方法であって、
過去の所定期間における前記商品の受注状況を示す受注データを取得する取得ステップと、
前記受注データを棒グラフの画像に変換する変換ステップと、
前記画像に前記所定期間後の前記商品の受注状況をラベリングして、学習用データセットを作成する作成ステップと、
前記学習用データセットに基づいて機械学習を行い、前記受注予測モデルを作成する学習ステップと、
を有する受注予測モデル作成方法。

【請求項2】

前記受注予測モデルはＣＮＮモデルである、請求項１に記載の受注予測モデル作成方法。

【請求項3】

コンピュータによって、対象商品の将来の受注状況を予測する受注予測方法であって、
請求項１または２に記載の受注予測モデル作成方法によって作成された受注予測モデルを用いて、前記対象商品の将来の受注状況を予測する受注予測方法。

【請求項4】

商品の将来の受注状況を予測するための受注予測モデルを作成する受注予測モデル作成装置であって、
過去の所定期間における前記商品の受注状況を示す受注データを取得する取得部と、
前記受注データを棒グラフの画像に変換する変換部と、
前記画像に前記所定期間後の前記商品の受注状況をラベリングして、学習用データセットを作成する作成部と、
前記学習用データセットに基づいて機械学習を行い、前記受注予測モデルを作成する学習部と、
を有する受注予測モデル作成装置。

【請求項5】

対象商品の将来の受注状況を予測する受注予測装置であって、
請求項４に記載の受注予測モデル作成装置によって作成された受注予測モデルを用いて、前記対象商品の将来の受注状況を予測する受注予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、商品の将来の受注状況を予測する技術に関する。

【背景技術】

【0002】

卸売業者や小売業者は、商品の注文に対し迅速に対応するため、受注状況をある程度予測しながら商品を仕入れている。しかし、予測に反して商品の注文が突然途絶えると、在庫がそのまま残ることになる。

【0003】

これに対し、特許文献１には、相関分析や回帰分析を利用することで、販促を実行する際の予算や販促を実行した際の商品又はサービスの受注件数又は売上の演算を可能とする販売促進計画支援システムが開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１３－１２１６８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、特許文献１のシステムでは、相互相関係数や感度係数などの因子を設定して事象の発生確率を求める必要がある。そのため、正確な受注予測を行うアルゴリズムを作成するためには、データ分析に関する専門的な知識を必要とするという問題がある。

【0006】

本発明は、上記問題を解決するためになされたものであって、商品の将来の受注状況を正確に予測するモデルを容易に作成することを課題とする。

【課題を解決するための手段】

【0007】

上記課題を解決するために、本発明は以下の態様を含む。
項１．
商品の将来の受注状況を予測するための受注予測モデルを作成する受注予測モデル作成方法であって、
過去の所定期間における前記商品の受注状況を示す受注データを取得する取得ステップと、
前記受注データに前記所定期間後の前記商品の受注状況をラベリングして、学習用データセットを作成する作成ステップと、
前記学習用データセットに基づいて機械学習を行い、前記受注予測モデルを作成する学習ステップと、
を有する受注予測モデル作成方法。
項２．
前記取得ステップと前記作成ステップとの間に、前記受注データを棒グラフの画像に変換する変換ステップをさらに備え、
前記作成ステップでは、前記受注データの代わりに前記画像に前記受注状況をラベリングする、項１に記載の受注予測モデル作成方法。
項３．
前記受注予測モデルはＣＮＮモデルである、項１または２に記載の受注予測モデル作成方法。
項４．
対象商品の将来の受注状況を予測する受注予測方法であって、
項１～３のいずれかに記載の受注予測モデル作成方法によって作成された受注予測モデルを用いて、前記対象商品の将来の受注状況を予測する受注予測方法。
項５．
商品の将来の受注状況を予測するための受注予測モデルを作成する受注予測モデル作成装置であって、
過去の所定期間における前記商品の受注状況を示す受注データを取得する取得部と、
前記受注データに前記所定期間後の前記商品の受注状況をラベリングして、学習用データセットを作成する作成部と、
前記学習用データセットに基づいて機械学習を行い、前記受注予測モデルを作成する学習部と、
を有する受注予測モデル作成装置。
項６．
対象商品の将来の受注状況を予測する受注予測装置であって、
項５に記載の受注予測モデル作成装置によって作成された受注予測モデルを用いて、前記対象商品の将来の受注状況を予測する受注予測装置。

【発明の効果】

【0008】

本発明によれば、商品の将来の受注状況を正確に予測するモデルを容易に作成することができる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施形態に係る受注予測モデル作成装置の概略構成を示すブロック図である。

【図2】本明の一実施形態に係る受注予測モデル作成方法の処理手順を示すフローチャートである。

【図3】（ａ）は、リピート商品の受注量（個数）の一例であり、（ｂ）は、失注商品の受注量（個数）の一例である。

【図4】（ａ）は、リピート商品の受注データの棒グラフ画像の一例であり、（ｂ）は、失注商品の受注データの棒グラフ画像の一例である。

【図5】本発明の一実施形態に係る受注予測装置の概略構成を示すブロック図である。

【発明を実施するための形態】

【0010】

以下、本発明の実施形態について添付図面を参照して説明する。なお、本発明は、下記の実施形態に限定されるものではない。

【0011】

（システム構成）
図１は、本発明の一実施形態に係る受注予測モデル作成装置１の概略構成を示すブロック図である。受注予測モデル作成装置１は、商品の将来の受注状況を予測するための受注予測モデルを作成する装置である。

【0012】

受注予測モデル作成装置１は、例えば汎用のコンピュータで構成することができる。受注予測モデル作成装置１は、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ（図示省略）、主記憶装置（メモリ、図示省略）および補助記憶装置１０などを備えている。補助記憶装置１０には、後述する各種プログラムや畳み込みニューラルネットワーク（ＣＮＮ）モデルなどの各種データが記憶されている。

【0013】

また、受注予測モデル作成装置１は、機能ブロックとして、受注データ取得部１１と、画像変換部１２と、学習用データセット作成部１３と、学習部１４とを備えている。これらの機能ブロックの少なくともいずれかは、受注予測モデル作成装置１のプロセッサが、受注予測モデル作成プログラムをメモリに読み出して実行することによりソフトウェア的に実現することができる。すなわち、受注予測モデル作成プログラムは、受注予測モデル作成装置１の受注データ取得部１１、画像変換部１２、学習用データセット作成部１３および学習部１４としてコンピュータを機能させ、これにより、受注予測モデル作成装置１に、本実施形態に係る受注予測モデル作成方法を実行させる。

【0014】

受注予測モデル作成プログラムは、通信ネットワークを介して受注予測モデル作成装置１にダウンロードしてもよいし、受注予測モデル作成プログラムのプログラムコードを記録したＣＤ－ＲＯＭ等のコンピュータ読み取り可能な非一時的な記録媒体を介して、受注予測モデル作成プログラムを受注予測モデル作成装置１に供給してもよい。

【0015】

（受注予測モデルの作成）
図２は、本実施形態に係る受注予測モデル作成方法の処理手順を示すフローチャートである。当該方法は、受注予測モデル作成装置１によって実行される。

【0016】

ステップＳ１（取得ステップ）では、受注データ取得部２１が、過去の所定期間（本実施形態では１年間）における商品の受注状況を示す受注データを取得する。まず、受注予測モデル作成装置１または他の装置で作成された取扱商品の受注量の一覧を取得する。図３に、受注量一覧の一例を示す。

【0017】

図３（ａ）は、注文が継続しているリピート商品の受注量（個数）を示しており、図３（ｂ）は、注文がなくなった失注商品の受注量（個数）を示している。失注商品の定義は特に限定されないが、例えば、受注量が所定期間（例えば３ヶ月）以上０または０に近い数量である状態が続いた商品を意味する。

【0018】

リピート商品の場合、受注データ取得部１１は、任意の１年間（例えば２０１９年１月～１２月）の受注量を切り出す。失注商品の場合、受注データ取得部１１は、注文がなくなる直近の１年間の受注量を切り出す。

【0019】

続いて、図２に示すステップＳ２（変換ステップ）では、画像変換部１２が、受注データを棒グラフの画像に変換する。本実施形態では、画像変換部１２は、各商品の１年間の受注量を棒グラフの画像に変換する。図４（ａ）は、リピート商品の受注データの棒グラフ画像の一例であり、図４（ｂ）は、失注商品の受注データの棒グラフ画像の一例である。なお、最大値に対応する棒の長さが各グラフ間で等しくなるように補正することが好ましい。

【0020】

続いて、図２に示すステップＳ３（作成ステップ）では、学習用データセット作成部１３が、棒グラフの画像に、当該棒グラフに対応する所定期間後の商品の受注状況をラベリングして、学習用データセットＤを作成する。具体的には、学習用データセット作成部１３は、リピート商品の画像には、受注継続を示す値（例えば「１」）をラベリングし、失注商品の画像には、受注途絶を示す値（例えば「０」）をラベリングする。あるいは、学習用データセット作成部１３は、各商品の画像に、上記所定期間後の受注量（例えば直後の３ヶ月の受注量）をラベリングしてもよい。

【0021】

学習用データセットＤのデータ量が機械学習を適度に行えるほど十分ではない場合（ステップＳ４においてＮＯ）、上記のステップＳ１～Ｓ３を繰り返す。学習用データセットＤのデータ量が機械学習を適度に行えるほど十分である場合（ステップＳ４においてＹＥＳ）、ステップＳ５（学習ステップ）に移行し、学習部１４が、学習用データセットＤに基づいて機械学習を行う。本実施形態では、学習部１４は、補助記憶装置１０に記憶されているＣＮＮモデルを読み出して、学習用データセットＤをＣＮＮモデルに入力し、誤差逆伝播法で機械学習する。これにより、未知の商品の棒グラフの画像を入力すると、当該商品の将来の受注状況（受注が継続するか否か、または今後の所定期間の受注量等）を出力する学習済みの受注予測モデルＭが作成される。

【0022】

なお、ステップＳ１～Ｓ３、Ｓ５は、受注予測モデル作成装置１のみで実行してもよいし、複数の装置で実行してもよい。

【0023】

（受注状況の予測）
図５は、本実施形態に係る受注予測装置２の概略構成を示すブロック図である。受注予測装置２は、対象商品の将来の受注状況を予測する装置であり、例えば汎用のコンピュータで構成することができる。受注予測装置２は、ハードウェア構成として、ＣＰＵやＧＰＵなどのプロセッサ（図示省略）、主記憶装置（メモリ、図示省略）および補助記憶装置２０などを備えている。補助記憶装置２０には、上述の受注予測モデル作成方法によって作成された受注予測モデルＭが記憶されている。

【0024】

また、受注予測装置２は、機能ブロックとして、受注データ取得部２１と、画像変換部２２と、予測部２３とを備えている。これらの機能ブロックの少なくともいずれかは、受注予測装置２のプロセッサが、受注予測プログラムをメモリに読み出して実行することによりソフトウェア的に実現することができる。すなわち、受注予測プログラムは、受注予測装置２の受注データ取得部２１、画像変換部２２および予測部２３としてコンピュータを機能させ、これにより、受注予測装置２に、本実施形態に係る受注予測方法を実行させる。

【0025】

受注予測プログラムは、通信ネットワークを介して受注予測装置２にダウンロードしてもよいし、受注予測プログラムのプログラムコードを記録したＣＤ－ＲＯＭ等のコンピュータ読み取り可能な非一時的な記録媒体を介して、受注予測プログラムを受注予測装置２に供給してもよい。

【0026】

受注データ取得部２１および画像変換部２２は、図１に示す受注予測モデル作成装置１の受注データ取得部１１および画像変換部１２とそれぞれ同様の機能を有している。受注データ取得部２１は、対象商品の受注状況を示す受注データを取得すると、直近の１年間の受注量を切り出して、画像変換部２２に入力する。画像変換部２２は、対象商品の直近の１年間の受注量を棒グラフの画像に変換する。

【0027】

予測部２３は、受注予測モデルＭを用いて、対象商品の将来の受注状況を予測する。具体的には、予測部２３は、補助記憶装置２０から受注予測モデルＭを読み出し、画像変換部２２によって変換された棒グラフの画像を入力する。これにより、受注予測モデルＭは、対象商品の将来の受注状況を示す値を出力し、予測部２３は、当該値に基づいて対象商品の将来の受注状況を出力する。受注状況の例としては、受注が継続／失注するか、または今後の所定期間の受注量（の平均）などが挙げられる。予測結果は、例えば図示しない表示装置に表示される。

【0028】

（総括）
本実施形態では、商品の受注データを棒グラフの画像に変換し、当該画像を用いて機械学習を行うことにより、受注予測モデルを作成している。そのため、標準化処理等のデータ分析に関する専門的な知識を必要とすることなく、商品の将来の受注状況を正確に予測するモデルを容易に作成することができる。これにより、今後受注が途絶えると予測された商品については、宣伝を強化する等の対策を事前に講じることが可能となる。

【0029】

（付記事項）
なお、本発明は上記の実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。例えば、機械学習に用いるモデルはＣＮＮモデルに限定されない。

【実施例】

【0030】

以下、本発明の実施例について説明するが、本発明はこれに限定されない。

【0031】

本実施例では、実際の継続商品１１７３件および失注商品６０９件の計１７８２件の商品について、１２ヶ月間における受注量を棒グラフの画像に変換し、当該棒グラフの画像をＣＮＮモデルに入力して機械学習を行うことにより、受注予測モデル（「棒グラフモデル」とする）を作成した。また、比較例として、同一の商品について、１２ヶ月間における受注量を折れ線グラフの画像に変換し、当該折れ線グラフの画像をＣＮＮモデルに入力して機械学習を行うことにより、受注予測モデル（「折れ線グラフモデル」とする）を作成した。

【0032】

そして、７２９個の商品について、棒グラフモデルおよび折れ線グラフモデルを用いて、将来の受注状況（継続または失注）を予測し、実際の受注状況と照らし合わせることにより、モデルの精度を算出した。

【0033】

棒グラフモデルの精度を表１に示す。

【表1】

【0034】

棒グラフモデルでは、継続商品の正答率は８８．８９％、失注商品の正答率は９１．７９％、合計正答率は８９．７１％であった。

【0035】

次に、折れ線グラフモデルの精度を表２に示す。

【表2】

【0036】

折れ線グラフモデルでは、継続商品の正答率は６２．８４％、失注商品の正答率は６３．２９％、合計正答率は６２．９６％であった。

【0037】

以上のように、棒グラフモデルのほうが、折れ線グラフモデルよりも格段に高い精度で商品の受注状況を予測できることが分かった。特に、失注商品の正答率は、棒グラフモデルと折れ線グラフモデルとで、２８ポイント以上も差があった。その理由としては、棒グラフの方が画像の情報量が多いことが考えられるが、これほどまでに顕著な差が生じることは、当業者には予測し得ないことであった。

【符号の説明】

【0038】

１ 受注予測モデル作成装置
１０ 補助記憶装置
１１ 受注データ取得部
１２ 画像変換部
１３ 学習用データセット作成部
１４ 学習部
２ 受注予測装置
２０ 補助記憶装置
２１ 受注データ取得部
２２ 画像変換部
２３ 予測部
Ｄ 学習用データセット
Ｍ 受注予測モデル

【図1】

【図2】

【図3】

【図4】

【図5】