JPH05314094A

JPH05314094A - 販売予測支援装置

Info

Publication number: JPH05314094A
Application number: JP11768292A
Authority: JP
Inventors: Mikiaki Sasajima; 己喜朗笹島; Hiroto Yamaguchi; 裕人山口; Masato Baba; 正人馬場; Nobuo Hirai; 伸郎平井
Original assignee: Kao Corp
Current assignee: Kao Corp
Priority date: 1992-05-11
Filing date: 1992-05-11
Publication date: 1993-11-26

Abstract

(57)【要約】【目的】過去のデータから製品の販売予定数を短時間
に少ない手数で正確に予測する。【構成】変動の遷移する過程に基づき演算を行う遷移
確率分布関数が有用な論理であることに着目し、これを
実用的な形に単純化して利用する。【効果】短時間に簡単な操作で、種々の特性を持った
構成要素への売上目標値の最適配分が可能となる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、工場の生産計画や商品
の販売計画を立案するために、商品の販売予測を行うた
めの支援装置として利用する。本発明は、商品の在庫数
量を最小限にコントロールするとともに、商品の注文に
対して欠品や納品遅れをなくし、さらに営業活動による
販売促進を合理的に行うために、過去の販売実績から次
期の販売予測を行うための支援装置として利用する。本
発明の装置はコンピュータ装置を利用するものであっ
て、演算および表示はすべてプログラム制御により実行
される。

【０００２】

【従来の技術】商品の在庫数量を最小限にして在庫コス
トを小さくすることは商品のコストを小さく抑制するた
めに重要であり、一方、商品の注文に対して在庫がない
状態すなわち欠品があると、その商品の信用を失うとと
もに契約によっては違約金を支払わなければならない。
また、営業活動により商品の売れ行きを促進する場合に
次期の販売目標をどこに設定するかは重要な要素であ
る。

【０００３】このために従来から、過去の当該商品につ
いて毎月集計される販売実績を長くコンピュータに記録
しておき、それをコンピュータの表示画面にグラフで表
示し、この表示を見ながら担当の管理者が次の月の販売
数量を予測することが一般に行われている。この場合
に、例えば商品が洗剤であるとすると、洗剤は夏期に需
要が大きく冬期には需要が少ない季節変動を有する性質
があるから、次の月の販売数量を予測するには、この季
節変動をトレンド成分として差し引いて考えることが行
われる。このために、コンピュータによりトレンド成分
を抽出して、表示画面に表示されるグラフにはこの抽出
されたトレンド成分を差し引いて表示する技術も知られ
ている。

【０００４】一方、ＯＲ（オペレーション・リサーチ）
の研究分野では、販売予測あるいは生産管理のためにこ
れまでさまざまなアルゴリズムが知られている。このア
ルゴリズムによりコンピュータ装置を利用して多数のデ
ータとともに演算を行った報告はいくつか知られてい
る。

【０００５】

【発明が解決しようとする課題】販売予測を高級なアル
ゴリズムあるいは高級な装置を用いて実行しても、実際
の販売は自然法則に左右されるだけでなく人間的な要素
により変動する部分があるから、演算の結果をそのまま
うのみにして営業政策に利用することはできない。最終
的には企業の営業あるいは経営の判断として人間的に判
断されることになる。高級なアルゴリズムや高級な装置
はできるだけ正確な予測を行うための研究成果ではある
が、日常的に利用される販売予測のためには、投入する
データの種類や量が多くなり、操作が複雑になり、利用
する上での誤りも発生しやすいなど、必ずしも使用者が
利用し判断するための便利な支援装置とはならない。

【０００６】本発明は、販売予測あるいは生産管理のた
めに、変動の遷移する過程に基づき演算を行う遷移確率
分布関数、あるいはメンバーシップ関数が有用な論理で
あることに着目し、これを実用的な形に単純化して、投
入するデータの種類や量が小さく、操作が簡単であり、
誤りの発生も小さく、最終的に人が予測判断をするため
に便利な支援装置を提供することを目的とする。

【０００７】

【課題を解決するための手段】本発明は、１つまたは複
数の商品について販売実績が蓄積された実績記憶ファイ
ルと、この実績記憶ファイルに蓄積された前記販売実績
を取り出しこの販売実績から周期的な変動であるトレン
ド成分を抽出するトレンド成分演算手段と、前記販売実
績から前記トレンド成分を除去して変動成分を抽出する
変動成分演算手段と、次に到来する期間についてこの変
動成分の予測を行う変動成分予測手段と、前記次に到来
する期間について前記トレンド成分を外挿することによ
りトレンド成分の予測を行うトレンド成分予測手段と、
このトレンド成分予測手段により予測されたトレンド成
分予測値と前記変動成分予測手段により予測された変動
成分予測値との和を前記次に到来する期間についての総
合予測値とする予測演算手段とを備えた販売予測支援装
置において、前記変動成分予測手段は、前記実績記憶フ
ァイルから取り出した実績値を複数個のクラスタに区分
し、最新実績値の変動成分Ｈ（ｋ）がｉ番目のクラスタ
にありｉ番目のクラスタから変動した実績値をΔａｊ
（ｊ＝１、２、…、Ｎ）とするとき、その平均値を

【０００８】

【数４】とし、変動成分予測値をＨ' （ｋ＋１）＝Ｈ（ｋ）＋ Δｉとして演算する手段を備えたことを特徴とする。

【０００９】また、前記実績値、前記トレンド成分、お
よび前記変動成分を時間軸上に表示するとともに、前記
総合予測値を頂点位置とし前記変動成分演算手段により
抽出された変動成分の振幅を底辺長さとし次に到来する
期間の長さを高さとする三角形で表示する手段を備える
ことが望ましい。さらに、前記最新実績値の変動成分Ｈ
（ｋ）が変動成分が零であるクラスタ内にあるときに
は、変動成分予測値を零として、前記トレンド成分予測
値を前記総合予測値とすることが望ましい。

【００１０】本発明のもう一つの観点として、１つまた
は複数の商品について販売実績が蓄積された実績記憶フ
ァイルと、この実績記憶ファイルに蓄積された前記販売
実績から季節変動に伴うトレンド成分を抽出するトレン
ド成分演算手段と、前記販売実績から前記トレンド成分
を除去して変動成分を抽出する変動成分演算手段と、次
に到来する期間についてこの変動成分の予測を行う変動
成分予測手段と、前記次に到来する期間について前記ト
レンド成分を外挿することによりトレンド成分の予測を
行うトレンド成分予測手段と、このトレンド成分予測手
段により予測されたトレンド成分予測値と前記変動成分
予測手段により予測された変動成分予測値との和を前記
次に到来する期間についての総合予測値とする予測演算
手段とを備えた販売予測支援装置において、前記変動成
分予測手段は、前記実績記憶ファイルから取り出した実
績値を複数個のクラスタに区分し、最新実績値の変動成
分Ｈ（ｋ）がｉ番目のクラスタにあり、その変動成分Ｈ
（ｋ）がその１期前の変動成分実績値Ｈ（ｋ−１）に対
し増加傾向にあるとき、ｉ番目のクラスタから増加変動
した実績値をΔｃｊ、（ｊ＝１、２、…、Ｎ）として、
その増加変動した実績値の平均値を

【００１１】

【数５】とし、その変動成分Ｈ（ｋ）がその１期前の変動成分実
績値Ｈ（ｋ−１）に対し減少傾向にあるとき、ｉ番目の
クラスタから減少変動した実績値をｅｊとして、その減
少変動した実績値の平均値を

【００１２】

【数６】とし、変動成分予測値をＨ' （ｋ＋１）＝Ｈ（ｋ）＋ Δｉとして演算する手段を備えたことを特徴とする。

【００１３】また、前記実績値、前記トレンド成分、お
よび前記変動成分を時間軸上に表示するとともに、前記
総合予測値を頂点位置とし前記変動成分演算手段により
抽出された変動成分の振幅を底辺長さとし次に到来する
期間の長さを高さとする三角形で表示する手段を備える
ことが望ましい。前記最新実績値の変動成分Ｈ（ｋ）が
変動成分が零であるクラスタ内にあるときには、Ｈ' （ｋ＋１）＝０として、前記トレンド成分予測値を前記総合予測値とす
ることが望ましい。さらに、複数の商品品目について前
記総合予測値、前記変動成分予測値、および前記三角形
を演算する手段を備えることが望ましい。

【００１４】

【作用】入力装置（キーボードなど）から入力された過
去の販売実績データが実績記憶ファイル部に蓄積されて
いる。このデータを元にしてトレンド成分演算予測部で
は、トレンド成分の抽出および予測が行われる。トレン
ド成分とは売行きの傾向のことで、一時的で特異な条件
下での販売実績の伸びを除去して平滑化され、予測値が
算出される。これは特異なデータが予測値の精度に影響
するのを防ぐためである。

【００１５】次に、変動成分演算予測部において変動成
分の抽出および予測が行われる。変動成分とは売行きの
増減およびその変動幅のことである。変動幅は数段階の
クラスタに分解され、それぞれのクラスタごとに変動の
予測値が算出されるが増加傾向のときと、減少傾向のと
きでさらに分類され、増加傾向のときは過去の増加傾向
のデータを元に予測値を算出し、減少傾向のときは過去
の減少傾向のデータを元に予測値を算出する。

【００１６】このように算出されたトレンド成分および
変動成分の予測値を元にして、総合予測演算部は次月の
売上予測値を算出する。その結果は総合予測値データ出
力インタフェースから出力される。

【００１７】また、この算出された総合予測値を元にし
て、製品の品目ごとの遷移確率分布関数を三角形で表わ
し、出力装置（ＣＲＴなど）に表示することもできる。
三角形の底辺を変動幅の大きさで表わし、頂点を品目ご
との総合予測値で表わし、高さは全品目とも一定とすれ
ば、よりなだらかな三角形ほど過去に売上の変動が大き
く、今後の販売戦略によってはまだまだ売れる見込みが
あると判断される。

【００１８】

【実施例】本発明実施例装置の構成を図１を参照して説
明する。図１は本発明実施例装置のブロック図である。

【００１９】本発明は、１つまたは複数の商品について
それぞれ十分に長い期間にわたる販売実績が蓄積された
実績記憶ファイル部１と、この実績記憶ファイル部１に
蓄積された前記販売実績を取り出しこの販売実績から周
期的な変動や季節変動に伴うトレンド成分を抽出して前
記販売実績から前記トレンド成分を除去して変動成分を
抽出し、次に到来する期間についてこの変動成分の予測
を行う変動成分演算予測部３と、前記次に到来する期間
について前記トレンド成分を外挿することによりトレン
ド成分の予測を行うトレンド成分演算予測部２と、この
トレンド成分演算予測部２により予測されたトレンド成
分予測値と変動成分演算予測部３により予測された変動
成分予測値との和を前記次に到来する期間についての総
合予測値とする総合予測演算部４とを備えた販売予測支
援装置において、変動成分演算予測部３は、実績記憶フ
ァイル部１から取り出した長い期間にわたる実績値を複
数個のクラスタに区分し、最新実績値の変動成分Ｈ
（ｋ）がｉ番目のクラスタにありｉ番目のクラスタから
増加傾向に変動した実績値をΔａｊ、（ｊ＝１、２、
…、Ｎ）とするとき、その変動成分Ｈ（ｋ）がその１期
間前の変動成分実績値Ｈ（ｋ−１）に対し増加傾向にあ
るとき、その平均値を

【００２０】

【数７】とし、その変動成分Ｈ（ｋ）がその１期間前の変動成分
実績値Ｈ（ｋ−１）に対し減少傾向にあるとき、ｉ番目
のクラスタから減少変動した実績値をｅｊ（ｊ＝１、
２、…、Ｎ）とするとき、その平均値を

【００２１】

【数８】とし、変動成分予測値をＨ' （ｋ＋１）＝Ｈ（ｋ）＋ Δｉとして演算する手段を備えたことを特徴とする。

【００２２】また、前記実績値、前記トレンド成分、お
よび前記変動成分を時間軸上に表示するとともに、前記
総合予測値を頂点位置とし変動成分演算予測部３により
抽出された変動成分の振幅を底辺長さとし次に到来する
期間の長さを高さとする三角形でＣＲＴ１０に表示する
手段を備える構成である。さらに、前記最新実績値の変
動成分Ｈ（ｋ）が変動成分が零であるクラスタ内にある
ときには、Ｈ' （ｋ＋１）＝０として、前記トレンド成分予測値を前記総合予測値とす
る。また、複数の商品品目について前記総合予測値、前
記変動成分予測値、および前記三角形を演算する手段を
備える構成である。

【００２３】次に、本発明実施例装置の動作を図２を参
照して説明する。図２は本発明実施例装置の動作を示す
フローチャートである。十分に長い期間にわたる販売実
績を入力して、まずトレンド予測を行う。トレンド成分
の計算アルゴリズムは、３つのステップからなるモデル
フィッティングとＡＩＣ（赤池の情報量基準）によるモ
デル選択からなる。モデルは以下の４つの式の中からＡ
ＩＣの値が最小になるものが選ばれる、モデル１：ｙ＝ａ＋ｂ・ｋ＋ｃ・ｓｉｎ（πｋ／６）＋
ｄ・ｃｏｓ（πｋ／６）モデル２：ｙ＝ａ＋ｂ・ｓｉｎ（πｋ／６）＋ｃ・ｃｏ
ｓ（πｋ／６）モデル３：ｙ＝ａ＋ｂ・ｋモデル４：ｙ＝ａ（ただしａ、ｂ、ｃ、ｄ：パラメータ，ｋ：通算月）モデル１は、季節変動（１年周期の正弦波）とリニア
（直線的）なトレンドの上昇または下降を考慮したモデ
ルである。モデル２は季節変動のみを考慮したモデルで
あり、モデル３はリニアなトレンドの上昇または下降の
みを考慮したモデルである。また、モデル４はほぼ一定
の販売量があるというモデルである。モデルは各月ごと
に機械的に選択されるので、データセット（品目）によ
っては月ごとに選ばれるモデルが異なる可能性がある。
しかし、特異なデータ以外の販売量の変化をこれら４つ
のモデルのいずれかで表現することが可能な商品につい
ては、選択されるモデルが変化することがトレンド成分
の予測に重大な影響を与えることはないと考えられる。
モデルのフィッティングは３つのステップにより行われ
る。第一のステップは３ヵ月移動メディアンが用いら
れ、第二のステップは通常の最小２乗法（ＯＬＳ：Ｏｒ
ｄｉｎａｒｙＬｅａｓｔＳｑｕａｒｅｓ）によって
モデルフィッティングが行われる。そして、第三のステ
ップは反復重み付き最小２乗法（ＩＷＬＳ：Ｉｔｅｒａ
ｔｅｄＷｅｉｇｈｔｅｄＬｅａｓｔＳｑｕａｒｅ
ｓ）によって最終的なパラメータの計算がなされる。

【００２４】次に、第一のステップについて説明する。
第一のステップの主な目的は、ピーク除去にある。「３
ヵ月移動メディアン」とは各月とその前後１ヵ月を合わ
せた３ヵ月のデータを用い、それらのメディアン（中央
値）を値とする方法である。３ヵ月移動メディアンを図
３および図４を参照して説明する。図３および図４は３
ヵ月移動メディアンを説明する図である。図３におい
て、１９８９年７月の場合は実績が８９年８月＜８９年７月＜８９年６月の順番なので、移動メディアン値は７月のデータ値その
ものになる。また、１９８９年１２月の場合は実績が９０年１月＜８９年１１月＜８９年１２月の順番なので、移動メディアン値は１１月のデータ値に
なる。３ヵ月移動メディアンを用いると、３ヵ月に１回
以下の大きな変動は除去することができる。移動メディ
アンの特徴は、図４に示したようにデータの値が単調に
増加または減少している場合には両端のデータ以外はも
とのデータ値そのものになるという点である。図４の９
０年１月〜７月では、移動メディアンのデータと実績の
データはほとんど一致している。また、移動メディアン
を用いた場合は両端の点（図３および図４では８９年１
月と９０年８月）の値は定義されないのでデータ数はも
とのデータ数より２つ少なくなることになる。

【００２５】次に、第二のステップについて図５を参照
して説明する。図５は最小２乗法を説明する図である。
第二のステップの目的は、第三のステップの初期値を与
えることにある。もとのデータ数をＫ個とすると、第一
のステップの移動メディアンによって両端の２ヵ月を除
いたＫ−２個のデータが得られている。これらＫ−２個
のデータに対して、通常の最小２乗法を用いた回帰によ
ってモデルのあてはめを行う。初めに示した４つのモデ
ルについてそれぞれあてはめを行うので、最小２乗法の
計算は４回行われることになる。最小２乗法は残差の２
乗和の最小化であり、

【００２６】

【数９】（ただしｒ：残差）となり、図５に示すような回帰が得
られる。

【００２７】次に、第三のステップについて図６を参照
して説明する。図６は反復重み付け最小２乗法を説明す
るための図である。移動メディアンでは３ヵ月に一度の
ピークは除去できるものの、２ヵ月続く特異なデータに
対しては効果が少ない。図６の販売実績を例にとると１
１月と１２月の販売量が他の月と比較して特に大きくな
っている。そのため第二のステップで得られる回帰式
（初期解）はそれらの２ヵ月のデータの影響を大きく受
けていることがわかる。この影響を取り除くために反復
重み付き最小２乗法を用いている。反復重み付き最小２
乗法とは、通常の最小２乗法が残差の２乗和の最小化で
あり、

【００２８】

【数１０】（ただしｒ：残差）をもとにしているのに対して、（基
準化）残差の適当な偶関数ρの和の最小化

【００２９】

【数１１】（ただしｕ：基準化残差ｕ_k＝ｒ_k／σ，σ：標準偏差
の推定値）をもとにしている。この式は便宜的に、

【００３０】

【数１２】（ただしｗ：重み関数）という重み付き最小２乗法に書
き直すことができる。今回ρにはｂｉｗｅｉｇｈｔ（ま
たはｂｉｓｑｕａｒｅ）とよばれている、 ρ（ｕ）＝（Ｂ²／６）（１−（１−（ｕ／Ｂ）²）³）ｉｆ｜ｕ｜＜Ｂまたは、 ρ（ｕ）＝（Ｂ²／６）ｏｔｈｅｒｗｉｓｅ（ただしＢ：定数（本発明実施例では６．０））を用い
ており、この場合重み関数ｗはρの導関数ρ′からｗ（ｕ）＝ ρ′（ｕ）／ｕ＝（１−（ｕ／Ｂ）²）² ｉｆ｜ｕ｜＜Ｂまたは、 ρ′（ｕ）／ｕ＝０ｏｔｈｅｒｗｉｓｅとなる。今回の場合は定数Ｂを６．０にしているので、
回帰直線から標準偏差の６倍以上離れたデータについて
は重みが０、つまり実質的にはそのデータが除去された
ことと同じことになる。重みを決定するためには基準化
残差が必要であり、基準化残差を求めるためには標準偏
差の推定が必要になる。標準偏差の推定は初期値（移動
メディアン値に対する回帰）の場合には、

【００３１】

【数１３】（ただしｒ′：移動メディアンの値と回帰式の値の差，
Ｋ：データ数（月数））を用いている。第二のステップ
の最小２乗法は元データではなく移動メディアン値に対
して行われるので、標準偏差の推定値は便宜的に通常の
場合の式の２倍にしてある。回帰式が決定した後では、

【００３２】

【数１４】を標準偏差の推定値として用いている。標準偏差の推定
値は各データの重みが変われば変化する。また逆に、各
データの重みは標準偏差の推定値が変われば変化する。
そこで、これらの変化が充分小さくなるまで反復計算を
行う。今回の場合には収束判定条件として「データの重
みの変化が充分小さい」という意味で

【００３３】

【数１５】（ただしｗ_k：回帰式を求めるために用いた重み，
ｗ′_k：得られた回帰式から計算される重み）を用いて
いる。

【００３４】次に、図６の販売実績の重みの変化を図７
を参照して説明する。図７は重みの変化を説明する図で
ある。図６にモデル１をあてはめた場合の重み付けの変
遷を図７に示している。図７（ａ）〜（ｄ）には実績、
トレンド成分（つまり重み１の線）、および重み０．
９、０．５、０の等高線が示してある。図７（ａ）か
ら、移動メディアン値に対する回帰式から得られた初期
重みでは、１２月のデータの重みは０にはなっていない
ことがわかる。また、１１月のデータの重みは０．９以
上である。その「初期重み」を重みとした重み付き最小
２乗法の結果が図７（ｂ）の「反復１」のトレンド成分
である。この結果から重みを計算し直すと、１２月のデ
ータでは重みが０になっており、また１１月のデータの
重みも低くなっていることがわかる。反復計算の過程を
追っていくと、１１月のデータは図７（ｄ）の３回目の
反復計算の結果から得られる重みが０になっており、そ
れ以降の計算には影響していないことがわかる。この場
合は図７（ｅ）の５回目の反復で収束条件が成立し、反
復計算が終了する。移動メディアン値に対して第二のス
テップまでの回帰を行った場合と比較して、１１月、１
２月といった特異なデータの影響が充分小さくなってい
ることがわかる。第二のステップが各モデルに対して計
算を行ったのと同様に、第三のステップも各モデルに対
して計算が行われる。当然ながら各モデルに対する初期
解は、それぞれのモデルについて第二のステップで計算
された回帰式を用いる。

【００３５】次に、モデル選択について説明する。それ
ぞれフィッティングを行った４つのモデルの中からどの
モデルを選択するのかという問題にはＡＩＣ（赤池の情
報量基準）を用いている。今回の場合、ＡＩＣは、

【００３６】

【数１６】（ただしｐ：モデルのパラメータの数）でモデル１の場
合４個、モデル２の場合３個、モデル３の場合２個、モ
デル４の場合１個という式で表される。４つのモデルの
それぞれの収束値について上式の値を計算し、その値が
最小になるモデルを選択する。この選択の結果により選
ばれたモデルの回帰式がトレンド成分として用いられ
る。さらに選択された回帰式にＫ＋１を代入した値が次
月の予想値として計算される。

【００３７】次に、このトレンド成分を用いて変動成分
を計算し、変動成分予測値を算出する手順を図８を参照
して説明する。図８は変動成分予測値算出を説明するた
めの図である。図８（ａ）にトレンド成分Ｔと売上実績
データの関係を示した（Ｔ'（ｋ＋１）：トレンド成分
Ｔの変動成分予測値）。変動成分Ｈは、変動成分Ｈ＝（売上実績データ）−（トレンド成分Ｔ）という関係を用いて計算し、図８（ｂ）に示すようなグ
ラフを得る。さらに変動成分予測を算出する手段は、図
８（ｃ）に示すように変動成分データを等間隔の９個の
クラスタに分け、今月の変動成分データがあるクラスタ
内における過去の変動成分データの次月への変動量の平
均を求める。そして、その値を今月の変動成分データに
加え、次月の変動成分の予測値とする。図８（ｃ）の場
合には今月の変動成分Ｈ（ｋ）はクラスタ「８」に属す
るため、今月の変動成分Ｈ（ｋ）から変動成分予測値Ｈ
（ｋ＋１）への変動量Δ８は、過去にクラスタ「８」に
属する変動成分の変動量（Δａ、Δｂ）の平均値とな
り、 Δ８＝（Δａ＋Δｂ）／２である。従って、変動成分予測値Ｈ' （ｋ＋１）は、Ｈ' （ｋ＋１）＝Ｈ（ｋ）＋Δ８となる。各クラスタごとに変動量の平均Δ１〜Δ９の値
が定まるが今月の変動成分が０の近傍にある場合、変動
成分を予測すると逆に予測精度が劣化するというシミュ
レーション結果が得られた。従って、変動成分０のある
クラスタとその近傍のクラスタ、図８（ｃ）では「６」
とその近傍のクラスタ「５」および「７」に今月の変動
成分があるときは変動成分予測値は０とし、次月の売上予測値＝トレンド成分予測値とすることにする。クラスタｉの変動量Δｉが図８
（ｄ）に示すような場合、 Δｉ＝（Δａ＋Δｂ＋Δｃ＋Δｄ）／４としていたが、これでは売上が増加傾向の場合も減少傾
向の場合もいずれも同じ予測値を与えることになる。そ
こでクラスタｉにある今月の変動成分が前月に比して増
加傾向の場合と減少傾向の場合の予測値を別々に与える
ことにする。つまり、今月の変動成分Ｈ（ｋ）が前月の
変動成分Ｈ（ｋ−１）から増加傾向にあるときは、増加
傾向でクラスタｉに存在する変動成分を次月への変動量
の平均値とする。図８（ｄ）のクラスタｉを見ると、前
月から今月へは増加傾向にあるので、過去の同クラスタ
内の増加傾向の平均値Δｉ′を求めると、 Δｉ′＝（Δｂ＋Δｄ）／２となる。従って、変動成分予測値は、Ｈ' （ｋ＋１）＝Ｈ（ｋ）＋Δｉ′ となる。このようにして、次月の売上予測値はトレンド
成分予測値と変動成分予測値の和として与えられる。

【００３８】ここで、図９を参照して総生産量と遷移確
率の関係を説明する。図９は変動成分と遷移確率を示す
図である。これは図９の左側に変動成分の推移を示し、
右側に第ｋ期時点での遷移確率分布を模式的に示す。こ
の図では、縦軸に変動成分の変位量を取り、横軸に遷移
確率を示しており、構成要素ｍ、ｎ（品目に対応）の確
率分布をそれぞれρ_m、ρ_nとした時の最大確率を与え
るときの変動成分の変位量をＸ_m、Ｘ_nとして示す。つ
まり、このＸ_m、Ｘ_nは変動成分の予測値そのものであ
る。通常、総生産量Ｇは予測値Ｘｉの合計と等しくなる
とは限らず、

【００３９】

【数１７】となる。

【００４０】次に、図１０を参照して遷移確率分布関数
を三角形で表す手順を説明する。図１０は遷移確率分布
関数を三角形で表す手順を説明する図である。図９に示
したような遷移確率と変位の関係は図１０（ａ）に示す
ような三角形であらわされる。次に、図１０（ｂ）に示
すように総生産量Ｇと予測値合計との差分を各構成要素
ｉ（ｉ∈Ｎ）に最適配分する。

【００４１】次に、図１１を参照して遷移確率分布関数
から最適配分を決定する手順を説明する。図１１は遷移
確率分布関数から最適配分を決定する手順を説明する図
である。ここで、 ρｉ（ΔＸｉ）＝ｙｉとおくことにより、遷移確率の増減を方程式で表す。こ
れらの遷移確率分布関数を用いて総生産量１０００単位
を達成するように線形最適問題を解く、ただし、Ｇ−ΣＸｉ＞０ならばａｉ＝−１／ΔＸ_iｍａ
ｘＧ−ΣＸｉ＜０ならばａｉ＝−１／ΔＸ_iｍｉｎ（ここでΔＸ_iｍａｘは変動成分の最大値、ΔＸ_iｍｉ
ｎは変動成分の最小値を表す）として、図１１（ａ）の
ような形で表わせば遷移確率分布関数は、となる。ここで図１１（ｂ）に示すように、ｙ１＝ｙ２＝…＝ｙｎ＝α （０＜α≦１）として、これらの式を満たすΔＸ_iをＴ−ΣＸ_i＝ΣΔＸ_i の制約の中で求めればよい。

【００４２】以上のように、変動成分の系列のうち、変
動成分の最大値および最小値を底辺とし、図８に示す過
程により算出した変動成分予測値を頂点とする三角形を
構成する。この三角形が、遷移確率ρを与える遷移確率
分布関数を近似し、構成要素毎（本実施例では品目に相
当する）にこれを決定する。このようにして決定した遷
移確率分布関数をもとに、前述の最適配分法によって予
測値の合計と売上目標金額の差分を図１０（ｂ）に示す
ように構成要素に振り分ける。この場合の遷移確率分布
関数は売行きの感度を表わす関数ということになる。な
お、遷移確率分布関数を三角形で定義することにより、
誰にもわかりやすい形つまりデータメンテナンスに有利
な形にすることが可能であるばかりでなく、これにより
演算の高速化を実現できる。

【００４３】次に、４品目の製品の変動成分データに対
する、三角形で表した遷移確率分布関数を図１２を参照
して説明する。図１２は４品目の製品の変動成分データ
と遷移確率分布関数の三角形の関係を示す図である。図
１２に示すように、変動成分データから三角形で表され
た遷移確率分布関数が得られるが、品目１、２、４と品
目３の三角形を比較したとき、品目３の三角形は底辺が
長く、変動の振幅が大きいことがうかがえる。すなわ
ち、販売戦略によっては予測値以上に売れる可能性がま
だかなりあるということが推測できる。従って品目３に
予測値と売上目標との差分が大きな割合で割り振れるこ
とが推測できる。一方、何らかの理由（例えば、生産力
の向上、新規市場の開拓、他社の動向等）によって、遷
移確率分布が今後の状況にそぐわなくなった場合、それ
に対応する手段が必要となる。図１２（ａ）は本発明実
施例装置にて、各品目の変動成分および遷移確率分布関
数を表示したときのイメージである。図１２（ｂ）に遷
移確率分布関数を９０度回転した図を示す。ここで、直
接的に遷移確率分布関数（ピークの位置や変位幅）を変
えることにより、前述の対応手段とすることが可能とな
る。また、この機能は最適化を図る上でのシミュレーシ
ョン機能でもあり、データ量の少ない系列（新製品、季
節限定商品）の予測に対しても有効である。このように
して遷移過程の情報を有することから、種々の特性を持
った構成要素への最適配分が可能になった。図１３は新
手法による販売予定予測を示す図であるがその結果、図
１３に示すように販売予定の予測精度が向上し、販売予
定策定までの工数が短縮できる。

【００４４】

【発明の効果】以上説明したように、本発明は販売予測
あるいは生産管理のために、変動の遷移する過程に基づ
き演算を行う遷移確率分布関数、あるいはメンバーシッ
プ関数が有用な論理であることに着目し、これを実用的
な形に単純化して、投入するデータの種類や量が小さ
く、操作が簡単であり、誤りの発生も小さく、最終的に
人が予測判断をするために便利である。遷移確率分布関
数を実用的な形に単純化して、投入するデータの種類や
量が小さく、操作も簡単であり、誤りの発生も少なく、
種々の特性を持った構成要素の販売予測に基づいて、目
標値の品目ごとの最適配分が可能となり、その結果、販
売予定の予測精度が向上し、販売予定策定までの工数が
短縮できる。

【図面の簡単な説明】

【図１】本発明実施例装置のブロック図。

【図２】本発明実施例装置の動作を示すフローチャー
ト。

【図３】移動メディアンを説明する図。

【図４】移動メディアンを説明する図。

【図５】最小２乗法を説明する図。

【図６】反復重み付け最小２乗法を説明する図。

【図７】重み付けの変遷を説明する図。

【図８】変動成分予測値算出を説明する図。

【図９】変動成分と遷移確率を示す図。

【図１０】遷移確率分布関数を三角形で表わす手順を説
明する図。

【図１１】遷移確率分布関数から最適配分を決定する手
順を説明する図。

【図１２】４品目の製品の変動成分データと遷移確率分
布関数の三角形の関係を示す図。

【図１３】新手法による販売予定予測を示す図。

【符号の説明】

１実績記憶ファイル部２トレンド成分演算予測部３変動成分演算予測部４総合予測演算部１０ＣＲＴ

Claims

【特許請求の範囲】

【請求項１】１つまたは複数の商品について販売実績
が蓄積された実績記憶ファイルと、この実績記憶ファイルに蓄積された前記販売実績を取り
出しこの販売実績から周期的な変動であるトレンド成分
を抽出するトレンド成分演算手段と、前記販売実績から前記トレンド成分を除去して変動成分
を抽出する変動成分演算手段と、次に到来する期間についてこの変動成分の予測を行う変
動成分予測手段と、前記次に到来する期間について前記トレンド成分を外挿
することによりトレンド成分の予測を行うトレンド成分
予測手段と、このトレンド成分予測手段により予測されたトレンド成
分予測値と前記変動成分予測手段により予測された変動
成分予測値との和を前記次に到来する期間についての総
合予測値とする予測演算手段とを備えた販売予測支援装
置において、前記変動成分予測手段は、前記実績記憶ファイルから取り出した実績値を複数個の
クラスタに区分し、最新実績値の変動成分Ｈ（ｋ）がｉ
番目のクラスタにあり、ｉ番目のクラスタから変動した
実績値をΔａｊ（ｊ＝１、２、…、Ｎ）とするとき、そ
の平均値を【数１】とし、変動成分予測値をＨ' （ｋ＋１）＝Ｈ（ｋ）＋ Δｉとして演算する手段を備えたことを特徴とする販売予測
支援装置。
【請求項２】前記実績値、前記トレンド成分、および
前記変動成分を時間軸上に表示するとともに、前記総合
予測値を頂点位置とし前記変動成分演算手段により抽出
された変動成分の振幅を底辺長さとし次に到来する期間
の長さを高さとする三角形で表示する手段を備えた請求
項１記載の販売予測支援装置。
【請求項３】前記最新実績値の変動成分Ｈ（ｋ）が変
動成分が零であるクラスタ内にあるときには変動成分予
測値を零として、前記トレンド成分予測値を前記総合予
測値とする請求項１記載の販売予測支援装置。
【請求項４】１つまたは複数の商品について販売実績
が蓄積された実績記憶ファイルと、この実績記憶ファイルに蓄積された前記販売実績から季
節変動に伴うトレンド成分を抽出するトレンド成分演算
手段と、前記販売実績から前記トレンド成分を除去して変動成分
を抽出する変動成分演算手段と、次に到来する期間についてこの変動成分の予測を行う変
動成分予測手段と、前記次に到来する期間について前記トレンド成分を外挿
することによりトレンド成分の予測を行うトレンド成分
予測手段と、このトレンド成分予測手段により予測されたトレンド成
分予測値と前記変動成分予測手段により予測された変動
成分予測値との和を前記次に到来する期間についての総
合予測値とする予測演算手段とを備えた販売予測支援装
置において、前記変動成分予測手段は、前記実績記憶ファイルから取り出した実績値を複数個の
クラスタに区分し、最新実績値の変動成分Ｈ（ｋ）がｉ
番目のクラスタにあり、その変動成分Ｈ（ｋ）がその１
期前の変動成分実績値Ｈ（ｋ−１）に対し増加傾向にあ
るとき、ｉ番目のクラスタから増加変動した実績値をΔｃｊ（ｊ
＝１、２、…、Ｎ）として、その増加変動した実績値の
平均値を【数２】とし、その変動成分Ｈ（ｋ）がその１期前の変動成分実
績値Ｈ（ｋ−１）に対し減少傾向にあるとき、ｉ番目のクラスタから減少変動した実績値をΔｅｊ（ｊ
＝１、２、…、Ｎ）として、その減少変動した実績値の
平均値を【数３】とし、変動成分予測値をＨ' （ｋ＋１）＝Ｈ（ｋ）＋ Δｉとして演算する手段を備えたことを特徴とする販売予測
支援装置。
【請求項５】前記実績値、前記トレンド成分、および
前記変動成分を時間軸上に表示するとともに、前記総合
予測値を頂点位置とし前記変動成分演算手段により抽出
された変動成分の振幅を底辺長さとし次に到来する期間
の長さを高さとする三角形で表示する手段を備えた請求
項４記載の販売予測支援装置。
【請求項６】前記最新実績値の変動成分Ｈ（ｋ）が変
動成分が零であるクラスタ内にあるときにはＨ' （ｋ＋１）＝０として、前記トレンド成分予測値を前記総合予測値とす
る請求項４記載の販売予測支援装置。
【請求項７】複数の商品品目について前記総合予測
値、前記変動成分予測値、および前記三角形を演算する
手段を備えた請求項１ないし２のいずれかに記載の販売
予測支援装置。