JP2020009157A - 売上予測装置及びプログラム - Google Patents

Abstract

【課題】商品に対する顧客の興味や関心を考慮した売上予測を行うことが可能な売上予測装置及びプログラムを提供する。
【解決手段】売上予測装置１は、特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部４と、算出された素性ごとの第１の予測値に基づいて特定の期間における商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部６とを備える。
【選択図】図１

Description

本発明は、売上予測装置及びプログラムに関する。

近年、売上げの変動要因と来店客の購買行動との関係に基づいて、売上げ効果の高い手段を予測し提示することが可能な売場計画支援システムが提案されている（例えば、特許文献１参照。）。

特許文献１に記載された売場計画支援システムは、売上げ変動要因を設定する仮説設定手段と、売場における来店客の動きを計測する動線計測手段と、動線計測手段により計測された動線データおよび売上げデータを蓄積するデータ蓄積手段と、仮説設定手段により設定された仮説と動線計測手段により計測された動線データとの差異を比較し検証する比較・検証手段と、データ蓄積手段に蓄積された売上げデータと動線データとの関係を分析する分析手段と、分析手段により分析された結果から売上げを予測する売上げ予測手段と、予測手段により予測された内容に対応する要因を提示する要因提示手段とを備える。

特開２００４−１１８４５４号公報

本発明の課題は、商品に対する顧客の興味や関心を考慮した売上予測を行うことが可能な売上予測装置及びプログラムを提供することにある。

［１］特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における前記素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部と、
算出された前記素性ごとの前記第１の予測値に基づいて前記特定の期間における前記商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部と、を備えた売上予測装置。
［２］前記第２の予測部は、前記素性ごとの前記第１の予測値と前記第２の予測値との関係情報を提示する、前記［１］に記載の売上予測装置。
［３］前記関係情報は、前記素性ごとの前記第１の予測値の前記第２の予測値への寄与率である、前記［２］に記載の売上予測装置。
［４］前記過去の顧客の行動に関する履歴データから前記素性ごとの時系列データを取得する取得部を、さらに備えた前記［１］から［３］のいずれか１つの記載の売上予測装置。
［５］前記第１の予測部は、前記時系列データを取得する前記履歴データの範囲の変化率に応じた前記第１の予測モデルを用いて前記素性ごとの予測値を算出する、前記［４］に記載の売上予測装置。
［６］前記第１の予測部は、前記履歴データの範囲の前記変化率が閾値よりも小さい場合、前記第１の予測モデルとして時系列モデルを用いる、前記［５］に記載の売上予測装置。
［７］前記第１の予測部は、前記履歴データの範囲の前記変化率が前記閾値以上の場合、前記第１の予測モデルとして機械学習モデルを用いる、前記［５］に記載の売上予測装置。
［８］前記取得部は、前記素性ごとの時系列データの個々の素性値に信頼度を付加して前記第１の予測部に入力する、前記［４］から［７］のいずれか１つの記載の売上予測装置。
［９］前記第１の予測部は、前記商品のネットワーク上の仮想店舗における顧客の行動に関する素性に基づいて前記信頼度を修正する、前記［８］に記載の売上予測装置。
［１０］前記特定の場所は、棚であり、前記顧客の行動に関する素性は、前記棚における顧客の特定の行動を行った人数を含む、前記［１］から［９］に記載の売上予測装置。
［１１］前記特定の行動を行った人数は、前記棚の前を通過した人数、前記棚の前に予め定められた時間滞留した人数、前記商品を予め定められた時間注目した人数を含む、前記［１０］に記載の売上予測装置。
［１２］前記第１の予測部は、商品の関連度が閾値以上の他の商品の前記特定の行動を行った人数を用いて前記第１の予測値を算出する、前記［１１］に記載の売上予測装置。
［１３］前記顧客の行動に関する素性は、前記顧客の属性ごとの人数を含む、前記［１］から［１２］のいずれか１つに記載の売上予測装置。
［１４］前記顧客の属性は、性別及び年代を含む、前記［１３］に記載の売上予測装置。
［１５］前記第２の予測部は、前記第１の予測値及び環境情報の素性値から前記第２の予測値を算出する、前記［１］から［１４］のいずれか１つに記載の売上予測装置。
［１６］コンピュータを、特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における前記素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部と、
算出された前記素性ごとの前記第１の予測値に基づいて用いて前記特定の期間における前記商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部、として機能させるためのプログラム。

請求項１、４、１６に係る発明によれば、商品に対する顧客の興味や関心を考慮した売上予測を行うことが可能になる。
請求項２、３に係る発明によれば、売上予測を改善するための関係情報を提示することができる。
請求項５〜７に係る発明によれば、履歴データの性質に応じた予測モデルを用いることで履歴データの性質に依らず同一の予測モデルを用いる場合と比べて売上予測を高精度に行うことができる。
請求項８、９に係る発明によれば、信頼度を用いない場合と比べて売上予測を高精度に行うことができる。
請求項１０、１１に係る発明によれば、顧客の棚の前の行動を分析することで、商品に対する顧客の興味や関心の程度を知ることができる。
請求項１２に係る発明によれば、おにぎり等の食べ物を購入した顧客はお茶等の飲料を購入する傾向にある等のように、商品間の関連性が高い場合に、予測に用いるデータ数が増えて売上予測を高精度に行うことができる。
請求項１３、１４に係る発明によれば、商品への興味や関心が顧客の属性によって異なるような商品に対しては、顧客の属性を素性に用いない場合と比べて売上予測を高精度に行うことができる。
請求項１５に係る発明によれば、一般的に予測に用いられる環境情報を統合して売上予測を行うことができる。

図１は、本発明の実施の形態に係る売上予測システムの概略の構成例を示す図である。 図２は、第２の記憶部に記憶されているテーブルの一例を示し、（ａ）は、属性別来店人数テーブルの一例を示す図、（ｂ）は、棚前行動データテーブルの一例を示す図である。 図３は、環境情報取得部及び行動データ取得部の機能を説明するための図である。 図４は、第２の予測部の第２の予測モデルが完成した後、売上増加のための施策を推薦するための構成を示す図である。 図５は、売上予測装置の変形例１を示す図である。 図６（ａ）〜（ｄ）は、信頼度を説明するための図である。 図７は、従来と本実施の形態の予測モデルについて予測精度をシミュレーションした結果を示す図である。

以下、本発明の実施の形態について図面を参照して説明する。なお、各図中、実質的に同一の機能を有する構成要素については、同一の符号を付してその重複した説明を省略する。

［実施の形態の要約］
本発明の実施の形態に係る売上予測装置は、特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部と、算出された素性ごとの第１の予測値に基づいて特定の期間における商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部とを備える。

「特定の場所」は、例えば、実店舗内の商品が陳列された棚である。「商品」は、単品の商品でも同一の棚に陳列された同種の複数の商品でもよい。同種の商品は、例えば、具材が異なるおにぎり、容量や商品名等が異なる緑茶のペットボトル等がある。「顧客の行動」には、来店、棚前の通行、棚前の滞留、商品の注目、商品の購入等が含まれる。「素性」とは、売上に影響を与え得る要素のことである。顧客の行動に関する素性には、例えば、顧客の属性別の来店人数、棚前の行動等が含まれる。棚前行動には、棚前を通行する人数（通行人数）、棚前に一定の時間滞在する人数（滞留人数）、商品を見た人数（注目人数）等が含まれる。「時系列データ」は、測定された日時が異なる複数の素性値からなる。素性値は、素性の具体的な値のことである。例えば、素性が曜日の場合、日曜日、月曜日等が素性値となる。「特定の期間」は、一日でもよく、１週間のように複数の日に跨った期間でもよい。「予測モデル」とは、学習した結果としてのパラメータを用いて予測アルゴリズムを実行するものである。

［実施の形態］
図１は、本発明の実施の形態に係る売上予測システムの概略の構成例を示す図である。この売上予測システム１０は、例えば、コンビニエンストア、百貨店、ショッピングセンター等の実店舗１００に適用され得る。実店舗１００には、例えば、商品が陳列される複数の棚１１と、店員が会計処理を行うための端末装置１２と、店内を撮影する第１乃至第４のカメラ１３Ａ、１３Ｂ、１３Ｃ、１３Ｄ（これらを総称するときは、単に「カメラ１３」という。）と、カメラ１３で撮影された画像から実店舗１００内の顧客の行動を解析する解析装置１４とが配置されている。棚１１は、特定の場所の一例である。なお、解析装置１４は、クラウドサーバに設けられていてもよい。

また、売上予測システム１０は、環境情報１５０を記憶する第１の記憶部１５と、解析装置１４で解析された顧客の行動情報１６０及び購買データ１２０を記憶する第２の記憶部１６と、環境情報１５０及び行動情報１６０に基づいて将来の特定の期間における売上の予測値を算出する売上予測装置１とを備える。行動情報１６０は、過去の顧客の行動に関する履歴データの一例である。

売上予測装置１は、環境情報取得部２と、行動データ取得部３と、環境情報１５０及び行動情報１６０に基づいて素性予測値４１を算出する第１の予測部４と、データを統合するデータ統合部５と、データ統合部５によって統合されたデータを入力して売上予測値６０を算出する第２の予測部６とを備える。行動データ取得部３は、取得部の一例である。素性予測値４１は、第１の予測値の一例である。売上予測値６０は、第２の予測値の一例である。

この売上予測装置１は、例えば、コンピュータのＣＰＵ（Central Processing Unit）、インターフェース等から構成された制御部と、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ハードディスク等で構成された記憶部とを用いて実現することができる。売上予測装置１の各部は、例えば、ＣＰＵが記憶部に記憶されたプログラムに従って動作することで機能する。

実店舗１００は、顧客が通過できるエリアＥ_１〜Ｅ_１２が設けられている。同図に示すルートＲは、一例として、顧客の移動経路を示すものである。顧客の移動経路は、実店舗１００における顧客の購買行動プロセス（例えば、来店、棚前の通行、棚前の滞留、商品の注目、商品の購入等）に対応している。

棚１１には、商品として、例えば、おにぎり、弁当、お茶、カップラーメン、菓子、日用品、パン類、アルコール類、雑誌類をそれぞれ陳列している棚１１ａ〜１１ｉがある。

端末装置１２は、カウンタに配置されたＰＯＳ（Point Of Sale）レジスタと呼ばれるコンピュータ装置である。実店舗１００に入店した顧客は、手に取った商品をカウンタに持って行き、会計を行う。端末装置１２は、実店舗１００で販売されている商品が顧客によって購入される際に、会計のための処理、商品の購入を記録したレシートの発行、商品ごとの購買を示す購買データ１２０の生成等を行う。端末装置１２は、購買データ１２０を無線又は有線により解析装置１４に送信するとともに、第２の記憶部１６に記憶する。

カメラ１３は、動画でも静止画でもよい。カメラ１３は、撮影した画像を撮影日時とともに無線又は有線により解析装置１４に送信する。第１のカメラ１３Ａは、エリアＥ_１〜Ｅ_７、Ｅ_１１、Ｅ_１２を含む店内を撮影し、第２のカメラ１３Ｂは、エリアＥ_７〜Ｅ_１２を含む店内を撮影する。第３のカメラ１３Ｃは、エリアＥ_１、Ｅ_１１、Ｅ_１２、端末装置１２及び入口１０１を含む店内を撮影する。第４のカメラ１３Ｄは、天井に設けられ、店内における顧客の位置を検出するための全方位カメラである。なお、カメラ１３の配置は上記に限られるものではない。また、顧客の位置をビーコンによる位置センシング等の技術を用いて取得してもよい。

解析装置１４は、カメラ１３から送信された画像と撮影日時、及び端末装置１２から送信された購買データ１２０に基づいて、顧客の行動を解析し、解析結果を行動情報１６０として収集し、第２の記憶部１６に記憶する。具体的には、解析装置１４は、カメラ１３から送信された画像のうち顧客の顔の部分の画像（以下「顔画像」ともいう。）に基づいて、実店舗１００に来店した顧客の性別及び年代を解析し、来店した人数を性別及び年代ごとに取得し、性別及び年代ごとの来店した人数（以下「属性別来店人数」ともいう。）を撮影日時とともに行動情報１６０として第２の記憶部１６に記憶する。性別及び年代は顧客の属性の一例である。なお、顧客の性別及び年代の一方のみを解析してもよい。

また、解析装置１４は、カメラ１３から送信された画像に基づいて、棚１１ａ〜１１ｉごとに、棚１１ａ〜１１ｉの前を通行した人数（以下「通行人数」ともいう。）、棚１１ａ〜１１ｉの前で予め定められた時間（例えば、５秒以上１０秒未満、１０秒以上）ごとに滞留した人数（以下「滞留人数」ともいう。）、及び棚１１に陳列された商品を予め定められた時間（例えば、１秒以上５秒未満、５秒以上）ごとに注目した人数（以下「注目人数」ともいう。）を取得し、それらを撮影日時とともに行動情報１６０として第２の記憶部１６に記憶する。解析装置１４は、顔画像から顔の向きを検出し、顔の向きから注目している商品を特定することにより、棚１１ａ〜１１ｉごとに上記通行人数、滞留人数及び注目人数を取得することができる。

第１の記憶部１５に記憶される環境情報１５０には、商品の売上に影響を与え得る各種の素性が含まれる。素性には、例えば、天候（例えば、気温、湿度、風速、降水量、天気）、カレンダ（例えば、年、月、週、曜日、祝日、休日、季節、ゴールデンウィーク（ＧＷ）、お盆、年末年始）、イベント（例えば、セール、キャンペーン等）等がある。環境情報１５０は、過去、現在及び将来の予定又は予想の情報である。

第２の記憶部１６に記憶される行動情報１６０には、属性別来店人数テーブル１６１（図２（ａ）参照）、棚前行動データテーブル１６２（図２（ｂ）参照）が含まれる。

図２は、第２の記憶部１６に記憶されているテーブル１６１、１６２の一例を示す図である。図２（ａ）は、属性別来店人数テーブル１６１の一例を示す図、図２（ｂ）は、棚前行動データテーブル１６２の一例を示す図である。属性別来店人数テーブル１６１は、図２（ａ）に示すように、来店年月日と、男性１０代、男性２０代、・・・、女性６０代、・・・等の性別及び年代の複数の項目を有する。棚前行動データテーブル１６２は、図２（ｂ）に示すように、来店年月日と、通行人数、滞留人数（５秒以上１０秒未満）、滞留人数（１０秒以上）、注目人数（１秒以上５秒未満）、注目人数（５秒以上）等の複数の項目を有する。例えば、滞留人数（５秒以上１０秒未満）や注目人数（１秒以上５秒未満）は、当該商品を購入する目的で実店舗１００に入店した顧客と考えられる。また、滞留人数（１０秒以上）や注目人数（５秒以上）は、当該商品の購入を迷っている可能性があることから、当該商品が購入されていない場合には、レイアウト以外の改善を提言するのに役立てることができる。

データ統合部５は、第１の予測部４が予測した素性予測値４１と環境情報取得部２が求めたバイナリ列２１ｂ、２２ｂ、２３ｂとを統合して第２の予測部６に出力する。

図２は、環境情報取得部２及び行動データ取得部３の機能を説明するための図である。

〔環境情報取得部の構成〕
環境情報取得部２は、第１の記憶部１５から、天候に関する素性（例えば、気温、湿度、風速、降水量、天気）の素性値２１ａ、カレンダに関する素性（例えば、年、月、週、曜日、祝日、休日、季節、ゴールデンウィーク（ＧＷ）、お盆、年末年始）の素性値２２ａ、及びイベントに関する素性（例えば、セール、キャンペーン等）の素性値２３ａを取得する。

環境情報取得部２は、天候に関する素性値２１ａを対応するバイナリテーブル２１を参照してバイナリ列２１ｂに変換し、カレンダに関する素性値２２ａを対応するバイナリテーブル２２を参照してバイナリ列２２ｂに変換し、イベントに関する素性値２３ａを対応するバイナリテーブル２３を参照してバイナリ列２３ｂに変換し、それらをデータ統合部５に出力する。バイナリ列は、複数のバイナリ値（０又は１）からなる。バイナリ列は、素性値が数値化された値の一例である。

例えば、２０１８年７月の最終の日曜日のアイスクリームの売上を予測する場合、天候に関する素性値２１ａとしては、例えば、当日予測される気温、湿度がそれぞれ素性値２１ａとなる。カレンダに関する素性値２２ａとしては、例えば、２０１８年、７月、２９日、日曜日がそれぞれ素性値２２ａとなる。なお、各素性値２１ａ、２２ａ、２３ａは、それぞれ１つでも２つ以上でもよい。

〔行動データ取得部の構成〕
行動データ取得部３は、第２の記憶部１６が記憶する行動情報１６０から売上予測に必要な顧客の行動に関するデータ、すなわち属性別来店人数の素性値３１及び棚前行動データの素性値３２を取得し、複数の素性値３１からなる時系列データ３１０及び複数の素性値３２からなる時系列データ３２０を生成し、それらを第１の予測部４に出力する。以下、属性別来店人数に関する素性値３１や時系列データ３１０及び棚前行動データに関する素性値３２や時系列データ３２０を行動データともいう。棚前行動データに関する素性値３２や時系列データ３２０を棚前行動データともいう。

（時系列データ）
行動データ取得部３が取得する時系列データ３１０、３２０は、時系列的な複数の素性値からなり、例えば、先頭の新しい素性値から古い素性値まで順に配列されたデータである。時系列データ３１０、３２０は、例えば次の式（１）で表すことができる。
｛ｙ_ｔ｝^Ｔ _ｔ＝１＝｛ｙ_１，ｙ_２，・・・，ｙ_Ｔ｝ ・・・（１）
ここで、ｙ：素性値、Ｔ：素性値の数、ｔ＝１〜Ｔ：異なる時間

例えば、２０１８年７月の最終の日曜日のアイスクリームの売上を予測する場合、属性別来店人数の時系列データ３１０は、例えば、当日から１週間前の来店人数、２週間前の来店人数、３週間前の来店人数、・・・等の周期的な複数の素性値３１でもよい。棚前行動データの通行人数の時系列データ３２０は、例えば、当日から１週間前の通行人数、２週間前の通行人数、３週間前の通行人数、・・・等の周期的な複数の素性値３２でもよい。

（データを取得する期間の長さ）
行動データ取得部３が時系列データ３１０、３２０を取得する行動情報１６０の範囲（期間ともいう。）の長さを、例えば、次のように決めてもよい。なお、行動情報１６０の期間は、第１の予測部４が使う予測モデルで定義される。

（ｉ）短期の場合
時系列データ３１０、３２０を取得する行動情報１６０の範囲の変化率が閾値以上で急激に変化する場合は、例えば、データを取得する期間を比較的短期（例えば、１ヶ月以下）としてもよい。

（ii）長期の場合
時系列データ３１０、３２０を取得する行動情報１６０の範囲の変化率が閾値未満で緩やかに変化する場合は、例えば、データを取得する期間を比較的長期（例えば、２ヶ月以上）としてもよい。

（データを取得する期間の長さを固定とするか変動とするか）
行動データ取得部３が時系列データ３１０、３２０を取得する行動情報１６０の期間を固定するか変動とするかを、例えば、次のように決めてもよい。

（ｉ）固定の場合
時系列モデルの場合、期間は固定期間（直近１週間、過去４週同曜日、又はこれらの組合せ等）としてもよい。時系列データが長期（例えば１ヶ月以上）に渡ってほとんど変化がない場合は、平均値を用いてもよく、直近の１日のみを用いてもよい。機械学習モデルの場合、期間は固定期間としてもよい。

（ii）変動の場合
時系列モデルの場合、ＳＮＳで話題になり始めたら短期間に設定する等のように期間を売上に影響する因子ごとに動的に設定してもよい。また、行動データの値が直近で急激に増加又は減少する場合は、その期間のみを用いたり、直近ほど重みを大きくしてもよい。また、１日だけ値が大きく異なる場合は、その日の重み付けを０としてもよい。固定期間での変動に応じて期間やモデルの重みを変更してもよい。すなわち、固定期間における直近の変動が大きければ直近の履歴データを使用し、直近の変動が小さければ長期の履歴データを使用してもよい。また、モデルに関しては、固定期間における変動パターンに規則性が無い場合（ランダムに変化している等）は正規分布、自己回帰性がある場合（自身の過去の値と相関がある）は時系列分析モデル、変動パターンがある要因に従って変動している場合（天気や曜日の影響を受けている等）は機械学習モデルを用いてもよい。

〔第１の予測部の構成〕
第１の予測部４は、行動データ取得部３から出力された時系列データ３１０、３２０に基づいて第１の予測モデルを用いて演算を行い、素性ごとに素性予測値４１を算出し、それらをデータ統合部５に出力する。

（予測モデルの種類）
第１の予測部４は、時系列データ３１０、３２０を取得する行動情報１６０の範囲（例えば、ある数ヶ月の期間）の変化率に応じて次に説明する第１の予測モデルを用いて素性ごとの素性予測値４１を算出する。

（ｉ）時系列モデル
第１の予測部４は、行動情報１６０の範囲の変化率が閾値よりも小さい場合、第１の予測モデルとして時系列モデルを用いる。時系列モデルとしては、例えば自己回帰（ＡＲ）モデル、移動平均（ＭＡ）モデル、自己回帰移動平均（ＡＲＭＡ）モデル等を用いて実現することができる。変化率は、例えば、分散やデータの最大値と最小値の差を用いてもよい。

（ii）機械学習モデル
第１の予測部４は、行動情報１６０の範囲の変化率が閾値以上の場合、第１の予測モデルとして機械学習モデルを用いる。機械学習モデルとしては、例えば、ニューラルネットワークやＳＶＭ（Support Vector Machine）等を用いて実現することができる。機械学習モデルは、教師あり学習でも教師なし学習でもよい。教師あり学習の場合は、時系列データ３１０、３２０に対応する実績データと素性予測値４１に対応する実績データとを用いる。

（時系列データの変形例）
第１の予測部４に出力されるデータは、上記の属性別来店人数や、通行人数、滞留人数、注目人数等の棚前行動データに限られず、コンバージョン率などそれらの掛け合わせにより計算される情報でもよい。コンバージョン率としては、例えば、通行人数／来店人数、滞留人数／通行人数が考えられる。

（第１の予測モデルの予測アルゴリズム）
第１の予測部４は、第１の予測モデルとして時系列モデルを採用した場合、例えば、属性別来店人数（例えば、男性１０代）の時系列データ３１０の当日（予測日）から１週間前の来店人数、２週間前の来店人数、３週間前の来店人数、・・・の加算平均を行って得られた値を属性別来店人数の素性予測値４１としてもよく、重み付け平均（加重平均）を用いてもよい。なお、通行人数、滞留人数、注目人数等の棚前データについても、加算平均や加重平均を用いて素性予測値４１を求めてもよい。

〔第２の予測部の構成〕
第２の予測部６は、環境情報取得部２からデータ統合部５を介して出力された、天候に関するバイナリ列２１ｂ、カレンダに関するバイナリ列２２ｂ、及びイベントに関するバイナリ列２３ｂと、第１の予測部４からデータ統合部５を介して出力された属性別来店人数、通行人数、滞留人数、注目人数ごとの素性予測値４１とを入力し、第２の予測モデルを用いて特定の期間、例えば、特定の日の売上予測値を算出する。

第２の予測モデルとしては、例えば、ニューラルネットワークやＳＶＭ（Support Vector Machine）等の機械学習モデルを用いて実現することができる。機械学習モデルは、教師あり学習でも教師なし学習でもよい。教師あり学習の場合は、素性予測値４１に対応する実績データと売上予測値６０に対応する実績の購買データとを用いる。一般的な機械学習による予測モデルでは、当日の天候、カレンダ、イベント等の情報を用いるが、属性別来店人数や棚前行動データ等の当日の行動データは、事前に入手できないために予測値としての素性予測値４１を用いる。

図４は、第２の予測部６の第２の予測モデルが完成した後、売上増加のための施策を推薦するための構成を示す図である。予測モデルは、購買データ１２０及び行動情報１６０の実績に基づいて学習する。第２の予測モデルが完成した後は、行動データを任意の値に設定し、売上のシミュレーションを行うことが可能である。

第２の予測部６は、素性ごとの素性予測値４１と売上予測値６０との関係情報を提示してもよい。関係情報は、例えば、素性ごとの素性予測値４１の売上予測値６０への寄与率でもよい。

また、売上に影響する行動データを抽出し、顧客の興味や関心に基づく施策の推薦が可能である。例えば、属性別来店人数に対しては属性に応じた入口誘導改善、通行人数に対しては店内のレイアウトの改善等、滞留人数に対してはＰＯＰ設置、商品の配置変更等、注目人数に対してはＰＯＰ設置、フェイス数（陳列棚に左右方向に並べられた同一商品の数）の変更等をそれぞれ推薦することができる。例えば、来店人数が増加し、これに伴いある棚前の通行人数が増加しても当該棚の滞留人数や注目人数が増加していない場合は、顧客は他の商品に関心があるが、当該棚に配置されている商品に関心がないため、当該商品は売上増加に寄与しにくいことを提言することができる。

（変形例１）
図５は、売上予測装置の変形例１を示す図である。この変形例１では、行動データ取得部３は、図２に示す属性別来店人数の時系列データ３１０に含まれる素性値３１に信頼度３１１を付加したものである。

行動データは、カメラ映像解析やビーコンセンシングなどにより収集するため、図６（ａ）に示すように、計測誤差や欠損値等の外れ値を多く含む。このため、図６（ｂ）に示すように、外れ値除去などの前処理を行うと、データ数が減少し予測に必要なデータが欠損する可能性がある。そこで、図６（ｃ）に示すように、行動データ１つ１つの値と分布中央値（例えば、平均値）との距離を信頼度として評価して、信頼度を素性として追加することでデータ数を保持してもよい。信頼度は、図６（ｄ）に示すように、分布中央値までの距離が短い程大きくなり、長い程小さくなる。なお、信頼度は、属性別来店人数の時系列データ３１０だけでなく、棚前行動の時系列データ３２０に対して付加してもよい。

（変形例２）
インターネット等のネットワーク上の仮想店舗、例えばＥＣ（Electronic Commerce）サイトの顧客行動を第１の予測部４の第１の予測モデルにフィードバックしてもよい。すなわち、ＥＣサイトでの行動データ（訪問者数/滞在時間/クリック数/コンバージョン率など）に基づいて、使用する行動データを選択したり、行動データの重みや信頼度を決定してもよい。この場合、ＥＣサイトの行動データの傾向に合うよう行動データを修正したり、信頼度を算出してもよい。また、対象商品のクリック数が低い場合は、注目人数は使用しないか、重みや信頼度を小さくしてもよい。

（変形例３）
対象商品の種類によって顧客行動の項目を変えてもよい。棚前行動データは属性別に計測されてもよい。対象が商品単品の場合、棚前行動データには接触人数を追加してもよい。対象が商品単品の場合、注目人数は視線計測結果から計算されたものでもよい。商品間の関連性が強い場合には、関連性の強い商品棚における棚前行動データも用いてもよい。すなわち、第１の予測部４は、商品の関連度が閾値以上の他の商品の特定の行動（例えば、棚前行動）を行った人数を用いて素性予測値４１を算出してもよい。

（変形例４）
環境情報１５０の素性の履歴データを行動データに組み合わせてもよい。この場合、環境情報１５０の素性から特異日を抽出し、該当する日の顧客行動データの重みを小さくしてもよい。特異日とは、実店舗１００におけるイベントの開催や特売日等のように通常の営業日と異なる環境となる日をいう。

図７は、従来と本実施の形態の予測モデルについて予測精度をシミュレーションした結果を示す図である。ベースラインモデルは、環境情報１５０の天候、カレンダ、イベントを素性とするモデルである。＋（ａ）来店人数、＋（ｂ）棚前行動、＋（ａ），（ｂ）は、本実施の形態に対応する予測モデルであり、Ｔｅｓｔ１、２、３はそれぞれ２０１６年３、４、５月の最終週をテスト用のデータ、２０１５年１０月からテスト期間の１週間前までを学習用のデータに分割している。また、図７（ｂ）の図表はＴｅｓｔ１、２、３について各売上予測モデルの精度を示しており、１００％に近いほど精度が良いことを示す指標である。ここで、Ｓａｌｅｓ ＳＭＡは売上個数の過去４週同曜日の移動平均値、ベースモデルは天候／カレンダ／イベント情報を使った機械学習モデル、＋（ａ）、＋（ｂ）、＋（ａ），（ｂ）はそれぞれベースラインモデルの特徴量に来店人数及び棚前行動の両者を加えた機械学習モデル、Ｃｕｓｔｏｍｅｒモデルは来店人数と棚前行動を特徴量とする機械学習モデル、ＥｎｓｅｍｂｌｅモデルはベースラインモデルとＣｕｓｔｏｍｅｒモデルの予測結果の平均値を予測値とするモデルである。

以上、本発明の実施の形態を説明したが、本発明の実施の形態は上記実施の形態に限定されるものではなく、本発明の要旨を変更しない範囲内で種々の変形、実施が可能である。

制御部の各部は、それぞれ一部又は全部を再構成可能回路（ＦＰＧＡ：Field Programmable Gate array）、特定用途向け集積回路（ＡＳＩＣ：Application Specific Integrated Circuit）等のハードウエア回路によって構成してもよい。

また、本発明の要旨を変更しない範囲内で、上記実施の形態の構成要素の一部を省くことや変更することが可能である。また、本発明の要旨を変更しない範囲内で、上記実施の形態のフローにおいて、ステップの追加、削除、変更、入替え等が可能である。また、上記実施の形態で用いたプログラムをＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体に記録して提供することができる。また、上記実施の形態で用いたプログラムをクラウドサーバ等の外部サーバに格納しておき、ネットワークを介して利用することができる。

１…売上予測装置、２…環境情報取得部、３…行動データ取得部、４…第１の予測部、５…データ統合部、６…第２の予測部、１０…売上予測システム、１１、１１ａ-１１ｉ…棚、１２…端末装置、１３、１３Ａ〜１３Ｄ…カメラ、１４…解析装置、１５…第１の記憶部、１６…第２の記憶部、２１、２２、２３…バイナリテーブル、２１ａ、２２ａ、２３ａ…素性値、２１ｂ、２２ｂ、２３ｂ…バイナリ列、３１、３２…素性値、４１…素性予測値、６０…売上予測値、１００…実店舗、１０１…入口、１２０…購買データ、１５０…環境情報、１６０…行動情報、１６１…属性別来店人数テーブル、１６２…棚前行動テーブル、３１０、３２０…時系列データ、３１１…信頼度、３２０…時系列データ、Ｅ_１-Ｅ_１２…エリア、Ｒ…ルート

Claims (16)

1. 特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における前記素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部と、
   算出された前記素性ごとの前記第１の予測値に基づいて前記特定の期間における前記商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部と、
   を備えた売上予測装置。
2. 前記第２の予測部は、前記素性ごとの前記第１の予測値と前記第２の予測値との関係情報を提示する、
   請求項１に記載の売上予測装置。
3. 前記関係情報は、前記素性ごとの前記第１の予測値の前記第２の予測値への寄与率である、
   請求項２に記載の売上予測装置。
4. 前記過去の顧客の行動に関する履歴データから前記素性ごとの時系列データを取得する取得部を、
   さらに備えた請求項１から３のいずれか１項に記載の売上予測装置。
5. 前記第１の予測部は、前記時系列データを取得する前記履歴データの範囲の変化率に応じた前記第１の予測モデルを用いて前記素性ごとの予測値を算出する、
   請求項４に記載の売上予測装置。
6. 前記第１の予測部は、前記履歴データの範囲の前記変化率が閾値よりも小さい場合、前記第１の予測モデルとして時系列モデルを用いる、
   請求項５に記載の売上予測装置。
7. 前記第１の予測部は、前記履歴データの範囲の前記変化率が前記閾値以上の場合、前記第１の予測モデルとして機械学習モデルを用いる、
   請求項５に記載の売上予測装置。
8. 前記取得部は、前記素性ごとの時系列データの個々の素性値に信頼度を付加して前記第１の予測部に入力する、
   請求項４から７のいずれか１項の記載の売上予測装置。
9. 前記第１の予測部は、前記商品のネットワーク上の仮想店舗における顧客の行動に関する素性に基づいて前記信頼度を修正する、
   請求項８に記載の売上予測装置。
10. 前記特定の場所は、棚であり、前記顧客の行動に関する素性は、前記棚における顧客の特定の行動を行った人数を含む、
    請求項１から９のいずれか１項に記載の売上予測装置。
11. 前記特定の行動を行った人数は、前記棚の前を通過した人数、前記棚の前に予め定められた時間滞留した人数、前記商品を予め定められた時間注目した人数を含む、
    請求項１０に記載の売上予測装置。
12. 前記第１の予測部は、商品の関連度が閾値以上の他の商品の前記特定の行動を行った人数を用いて前記第１の予測値を算出する、
    請求項１１に記載の売上予測装置。
13. 前記顧客の行動に関する素性は、前記顧客の属性ごとの人数を含む、
    請求項１から１２のいずれか１項に記載の売上予測装置。
14. 前記顧客の属性は、性別及び年代を含む、請求項１３に記載の売上予測装置。
15. 前記第２の予測部は、前記第１の予測値及び環境情報の素性値から前記第２の予測値を算出する、
    請求項１から１４のいずれか１項に記載の売上予測装置。
16. コンピュータを、
    特定の場所に配置された商品に対する過去の顧客の行動に関する素性ごとの時系列データから将来の特定の期間における前記素性ごとの第１の予測値を第１の予測モデルを用いて算出する第１の予測部と、
    算出された前記素性ごとの前記第１の予測値に基づいて用いて前記特定の期間における前記商品の売上の第２の予測値を第２の予測モデルを用いて算出する第２の予測部、
    として機能させるためのプログラム。