JPH0721151A - 売上高予測装置 - Google Patents
売上高予測装置Info
- Publication number
- JPH0721151A JPH0721151A JP16339393A JP16339393A JPH0721151A JP H0721151 A JPH0721151 A JP H0721151A JP 16339393 A JP16339393 A JP 16339393A JP 16339393 A JP16339393 A JP 16339393A JP H0721151 A JPH0721151 A JP H0721151A
- Authority
- JP
- Japan
- Prior art keywords
- sales
- deterministic
- factor
- calculated
- processing means
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【目的】本発明は、売上高を予測する要因として数値化
しにくい不確定要素の売上高を考慮して、より正確に売
上高実績値に近い売上高予測値を算出できることを最も
主要な目的とする。 【構成】既存店舗データを基に、新規出店店舗に接する
道路における通行量や居住者数等の、売上高を予測する
数値化しやすい確定要素を決定する予測要素決定手段
と、この決定された確定要素に基づいて、当該確定要素
に基づく売上高を算出する第１の売上高演算処理手段
と、上記決定された確定要素、および年商，日商等の売
上高実績値に基づいて、新規出店店舗周辺の街の雰囲気
や界隈性等の数値化しにくい不確定要素を考慮して、当
該不確定要素に基づく売上高を算出する第２の売上高演
算処理手段と、各売上高演算処理手段により算出された
売上高を合計して売上高予測値を算出し出力する出力処
理手段とを備えたことを特徴とする。
しにくい不確定要素の売上高を考慮して、より正確に売
上高実績値に近い売上高予測値を算出できることを最も
主要な目的とする。 【構成】既存店舗データを基に、新規出店店舗に接する
道路における通行量や居住者数等の、売上高を予測する
数値化しやすい確定要素を決定する予測要素決定手段
と、この決定された確定要素に基づいて、当該確定要素
に基づく売上高を算出する第１の売上高演算処理手段
と、上記決定された確定要素、および年商，日商等の売
上高実績値に基づいて、新規出店店舗周辺の街の雰囲気
や界隈性等の数値化しにくい不確定要素を考慮して、当
該不確定要素に基づく売上高を算出する第２の売上高演
算処理手段と、各売上高演算処理手段により算出された
売上高を合計して売上高予測値を算出し出力する出力処
理手段とを備えたことを特徴とする。
Description
【０００１】
【産業上の利用分野】本発明は、小売業等における店舗
のある一時点（例えば、出店時）の売上高を予測する売
上高予測装置にかかり、特に売上高を予測する要因とし
て数値化しやすい確定要素および売上高実績値に基づい
て、新規出店店舗周辺の街の雰囲気や界隈性等の数値化
しにくい不確定要素を考慮した売上高を把握して、より
正確に売上高実績値に近い売上高予測値を算出できるよ
うにした売上高予測装置に関するものである。
のある一時点（例えば、出店時）の売上高を予測する売
上高予測装置にかかり、特に売上高を予測する要因とし
て数値化しやすい確定要素および売上高実績値に基づい
て、新規出店店舗周辺の街の雰囲気や界隈性等の数値化
しにくい不確定要素を考慮した売上高を把握して、より
正確に売上高実績値に近い売上高予測値を算出できるよ
うにした売上高予測装置に関するものである。
【０００２】
【従来の技術】従来から、小売業等における店舗のある
一時点（例えば、出店時）の売上高を、売上高予測装置
を用いて予測する場合、新規出店店舗に接する道路にお
ける通行量や居住者数等の、売上高を予測する要因とし
て数値化しやすい確定要素に基づいた個々の売上高を合
計したものを、売上高予測値とするようにしている。
一時点（例えば、出店時）の売上高を、売上高予測装置
を用いて予測する場合、新規出店店舗に接する道路にお
ける通行量や居住者数等の、売上高を予測する要因とし
て数値化しやすい確定要素に基づいた個々の売上高を合
計したものを、売上高予測値とするようにしている。
【０００３】しかしながら、このような売上高予測装置
では、売上高を予測する際に、新規出店店舗周辺の街の
雰囲気や界隈性等の売上高予測に重要な要素があるにも
かかわらず、これらの要素は売上高を予測する要因とし
て数値化しにくい不確定要素であることから考慮せず、
通行量や居住者数等の、数値化しやすい確定要素のみに
限定している。そのため、売上高実績値に近い売上高を
予測することができないという問題がある。
では、売上高を予測する際に、新規出店店舗周辺の街の
雰囲気や界隈性等の売上高予測に重要な要素があるにも
かかわらず、これらの要素は売上高を予測する要因とし
て数値化しにくい不確定要素であることから考慮せず、
通行量や居住者数等の、数値化しやすい確定要素のみに
限定している。そのため、売上高実績値に近い売上高を
予測することができないという問題がある。
【０００４】
【発明が解決しようとする課題】以上のように、従来の
売上高予測装置においては、売上高を予測する場合に、
売上高を予測する要因として数値化しにくい不確定要素
を考慮していないことから、売上高実績値に近い売上高
を予測することが困難であるという問題があった。
売上高予測装置においては、売上高を予測する場合に、
売上高を予測する要因として数値化しにくい不確定要素
を考慮していないことから、売上高実績値に近い売上高
を予測することが困難であるという問題があった。
【０００５】本発明の目的は、売上高を予測する要因と
して数値化しにくい不確定要素の売上高を考慮して、よ
り正確に売上高実績値に近い売上高予測値を算出するこ
とが可能な極めて信頼性の高い売上高予測装置を提供す
ることにある。
して数値化しにくい不確定要素の売上高を考慮して、よ
り正確に売上高実績値に近い売上高予測値を算出するこ
とが可能な極めて信頼性の高い売上高予測装置を提供す
ることにある。
【０００６】
【課題を解決するための手段】上記の目的を達成するた
めに本発明では、小売業等における店舗のある時点の売
上高を予測する売上高予測装置において、既存店舗デー
タに基づいて、新規出店店舗に接する道路における通行
量や居住者数等の、売上高を予測する要因として数値化
しやすい確定要素を決定する予測要素決定手段と、予測
要素決定手段により決定された確定要素に基づいて、当
該確定要素に基づく売上高を算出する第１の売上高演算
処理手段と、予測要素決定手段により決定された確定要
素、および年商，日商等の売上高実績値に基づいて、新
規出店店舗周辺の街の雰囲気や界隈性等の数値化しにく
い不確定要素を考慮して、当該不確定要素に基づく売上
高を算出する第２の売上高演算処理手段と、第１の売上
高演算処理手段により算出された売上高と第２の売上高
演算処理手段により算出された売上高とを合計して売上
高予測値を算出し出力する出力処理手段とを備えて構成
している。
めに本発明では、小売業等における店舗のある時点の売
上高を予測する売上高予測装置において、既存店舗デー
タに基づいて、新規出店店舗に接する道路における通行
量や居住者数等の、売上高を予測する要因として数値化
しやすい確定要素を決定する予測要素決定手段と、予測
要素決定手段により決定された確定要素に基づいて、当
該確定要素に基づく売上高を算出する第１の売上高演算
処理手段と、予測要素決定手段により決定された確定要
素、および年商，日商等の売上高実績値に基づいて、新
規出店店舗周辺の街の雰囲気や界隈性等の数値化しにく
い不確定要素を考慮して、当該不確定要素に基づく売上
高を算出する第２の売上高演算処理手段と、第１の売上
高演算処理手段により算出された売上高と第２の売上高
演算処理手段により算出された売上高とを合計して売上
高予測値を算出し出力する出力処理手段とを備えて構成
している。
【０００７】ここで、特に上記第２の売上高演算処理手
段としては、既存店舗データに基づいて、予測要素決定
手段により決定された確定要素を入力項目とし、かつ当
該確定要素より算出された売上高の合計値と売上高実績
値との差である不確定要素の売上高を出力項目とする不
確定要素に基づく売上高を算出するニューラルネットワ
ークを用いたモデルを作成し、当該売上高算出モデルに
予測要素決定手段により決定された確定要素を入力し
て、新規出店店舗の不確定要素に基づく売上高を算出す
るようにしている。
段としては、既存店舗データに基づいて、予測要素決定
手段により決定された確定要素を入力項目とし、かつ当
該確定要素より算出された売上高の合計値と売上高実績
値との差である不確定要素の売上高を出力項目とする不
確定要素に基づく売上高を算出するニューラルネットワ
ークを用いたモデルを作成し、当該売上高算出モデルに
予測要素決定手段により決定された確定要素を入力し
て、新規出店店舗の不確定要素に基づく売上高を算出す
るようにしている。
【０００８】
【作用】従って、本発明の売上高予測装置においては、
既存店舗のデータの、売上高を予測すると思われる要因
として数値化しやすい要素と売上高実績値より、売上高
を予測する確定要素が決定される。
既存店舗のデータの、売上高を予測すると思われる要因
として数値化しやすい要素と売上高実績値より、売上高
を予測する確定要素が決定される。
【０００９】次に、この決定した確定要素を新規出店店
舗において調査し、これらの情報を入力して、個々の売
上高が算出される。次に、既存店舗のデータより、売上
高を予測する確定要素を入力項目とし、さらにこれらよ
り予測された売上高の合計値と実績値の差である不確定
要素の売上高を出力項目として、不確定要素の売上高を
算出する売上高算出モデルが作成される。
舗において調査し、これらの情報を入力して、個々の売
上高が算出される。次に、既存店舗のデータより、売上
高を予測する確定要素を入力項目とし、さらにこれらよ
り予測された売上高の合計値と実績値の差である不確定
要素の売上高を出力項目として、不確定要素の売上高を
算出する売上高算出モデルが作成される。
【００１０】次に、この売上高算出モデルに、新規出店
店舗における売上高を予測する確定要素の情報を入力
し、新規出店店舗の不確定要素に基づく売上高が算出さ
れる。最後に、確定要素に基づく売上高と不確定要素に
基づく売上高とを合計し、売上高予測値が算出されて出
力される。
店舗における売上高を予測する確定要素の情報を入力
し、新規出店店舗の不確定要素に基づく売上高が算出さ
れる。最後に、確定要素に基づく売上高と不確定要素に
基づく売上高とを合計し、売上高予測値が算出されて出
力される。
【００１１】以上の入力データ、算出データが出力処理
手段より出力される。これにより、売上高を予測する要
因として数値化しやすい要素のみに限定した売上高より
も、より売上高実績値に近い売上高を予測することがで
きる。
手段より出力される。これにより、売上高を予測する要
因として数値化しやすい要素のみに限定した売上高より
も、より売上高実績値に近い売上高を予測することがで
きる。
【００１２】
【実施例】本発明は、売上高を予測する要因として数値
化しやすい確定要素、および売上高実績値に基づいて、
売上高を予測する要因として数値化しにくい新規出店店
舗の不確定要素を考慮した売上高を求める手段を設けた
売上高予測装置とするものである。
化しやすい確定要素、および売上高実績値に基づいて、
売上高を予測する要因として数値化しにくい新規出店店
舗の不確定要素を考慮した売上高を求める手段を設けた
売上高予測装置とするものである。
【００１３】以下、上記のような考え方に基づく本発明
の一実施例について、図面を参照して詳細に説明する。
図１は、本発明による売上高予測装置の構成例を示す機
能ブロック図である。すなわち、本実施例の売上高予測
装置は、図１に示すように、予測要素決定部１０１と、
第１の売上高演算処理部１０３および第２の売上高演算
処理部１０４よりなる売上高演算処理部１０２と、売上
高算出モデル作成部１０５と、出力処理部１０７とから
構成している。
の一実施例について、図面を参照して詳細に説明する。
図１は、本発明による売上高予測装置の構成例を示す機
能ブロック図である。すなわち、本実施例の売上高予測
装置は、図１に示すように、予測要素決定部１０１と、
第１の売上高演算処理部１０３および第２の売上高演算
処理部１０４よりなる売上高演算処理部１０２と、売上
高算出モデル作成部１０５と、出力処理部１０７とから
構成している。
【００１４】ここで、予測要素決定部１０１は、既存店
舗データ１０６に基づいて、新規出店店舗に接する道路
における通行量や居住者数等の、売上高を予測する要因
として数値化しやすい確定要素を決定するものである。
舗データ１０６に基づいて、新規出店店舗に接する道路
における通行量や居住者数等の、売上高を予測する要因
として数値化しやすい確定要素を決定するものである。
【００１５】また、第１の売上高演算処理部１０３は、
予測要素決定部１０１により決定された確定要素に基づ
いて、その確定要素に基づく売上高を算出するものであ
る。さらに、第２の売上高演算処理部１０４は、予測要
素決定部１０１により決定された確定要素、および年
商，日商等の売上高実績値に基づいて、新規出店店舗周
辺の街の雰囲気や界隈性等の数値化しにくい不確定要素
を考慮して、その不確定要素に基づく売上高を、売上高
算出モデル作成部１０５により作成される売上高算出モ
デルを用いて算出するものである。
予測要素決定部１０１により決定された確定要素に基づ
いて、その確定要素に基づく売上高を算出するものであ
る。さらに、第２の売上高演算処理部１０４は、予測要
素決定部１０１により決定された確定要素、および年
商，日商等の売上高実績値に基づいて、新規出店店舗周
辺の街の雰囲気や界隈性等の数値化しにくい不確定要素
を考慮して、その不確定要素に基づく売上高を、売上高
算出モデル作成部１０５により作成される売上高算出モ
デルを用いて算出するものである。
【００１６】一方、売上高算出モデル作成部１０５は、
既存店舗データ１０６に基づいて、予測要素決定部１０
１により決定された確定要素を入力項目とし、かつその
確定要素より算出された売上高の合計値と売上高実績値
との差である不確定要素の売上高を出力項目とする不確
定要素に基づく売上高を算出する売上高算出モデルを作
成するものである。
既存店舗データ１０６に基づいて、予測要素決定部１０
１により決定された確定要素を入力項目とし、かつその
確定要素より算出された売上高の合計値と売上高実績値
との差である不確定要素の売上高を出力項目とする不確
定要素に基づく売上高を算出する売上高算出モデルを作
成するものである。
【００１７】また、出力処理部１０７は、第１の売上高
演算処理部１０３により算出された売上高と第２の売上
高演算処理部１０４により算出された売上高とを合計し
て売上高予測値を算出し出力するものである。
演算処理部１０３により算出された売上高と第２の売上
高演算処理部１０４により算出された売上高とを合計し
て売上高予測値を算出し出力するものである。
【００１８】図２は、確定要素に基づく第１の売上高演
算処理部１０３の構成例を示すブロック図である。すな
わち、図２に示すように、通行量に基づく売上高算出部
１０３１は、予測要素決定部１０１から入力される通行
量と、通行量基礎データ格納部１０３２より取り出した
売上高算出係数とにより、通行量に基づく売上高を算出
する。
算処理部１０３の構成例を示すブロック図である。すな
わち、図２に示すように、通行量に基づく売上高算出部
１０３１は、予測要素決定部１０１から入力される通行
量と、通行量基礎データ格納部１０３２より取り出した
売上高算出係数とにより、通行量に基づく売上高を算出
する。
【００１９】また、居住者数に基づく売上高算出部１０
３３は、予測要素決定部１０１から入力される居住者数
と、居住者数基礎データ格納部１０３４より取り出した
売上高算出係数とにより、居住者数に基づく売上高を算
出する。さらに、それぞれ算出された売上高を合計し
て、確定要素に基づく売上高とする。
３３は、予測要素決定部１０１から入力される居住者数
と、居住者数基礎データ格納部１０３４より取り出した
売上高算出係数とにより、居住者数に基づく売上高を算
出する。さらに、それぞれ算出された売上高を合計し
て、確定要素に基づく売上高とする。
【００２０】図３は、売上高算出モデル作成部１０５に
より作成される売上高算出モデルに用いられるニューラ
ルネットワークの構成例を示す概要図である。すなわ
ち、本実施例では、不確定要素に基づく売上高算出モデ
ル作成部１０５により不確定要素を算出する売上高算出
モデルを作成する方法として、例えばバックプロパゲー
ション・アルゴリズム等の学習アルゴリズムを用いて学
習を行なうニューラルネットワークを採用する。
より作成される売上高算出モデルに用いられるニューラ
ルネットワークの構成例を示す概要図である。すなわ
ち、本実施例では、不確定要素に基づく売上高算出モデ
ル作成部１０５により不確定要素を算出する売上高算出
モデルを作成する方法として、例えばバックプロパゲー
ション・アルゴリズム等の学習アルゴリズムを用いて学
習を行なうニューラルネットワークを採用する。
【００２１】本ニューラルネットワークは、図３に示す
ように、通行量および居住者数等の既存店舗データをそ
れぞれ入力とする複数の入力ノード２０１と、ネットワ
ーク２０４で結合された複数の中間ノード２０２と、不
確定要素に基づく売上高（実績値と、通行量および居住
者数等から算出された売上高予測値との差）を出力とす
る出力ノード２０３とで構成されている。
ように、通行量および居住者数等の既存店舗データをそ
れぞれ入力とする複数の入力ノード２０１と、ネットワ
ーク２０４で結合された複数の中間ノード２０２と、不
確定要素に基づく売上高（実績値と、通行量および居住
者数等から算出された売上高予測値との差）を出力とす
る出力ノード２０３とで構成されている。
【００２２】ここで、バックプロパゲーション・アルゴ
リズムにより、入力ノードの入力パターンに対して、望
ましい出力パターンを出力するように学習を行なう。こ
の学習により、入力ノード２０１と中間ノード２０２
間、および中間ノード２０２と出力ノード２０３間のネ
ットワーク２０４のパラメータを算出し、不確定要素に
基づく売上高を算出するモデルを作成する。
リズムにより、入力ノードの入力パターンに対して、望
ましい出力パターンを出力するように学習を行なう。こ
の学習により、入力ノード２０１と中間ノード２０２
間、および中間ノード２０２と出力ノード２０３間のネ
ットワーク２０４のパラメータを算出し、不確定要素に
基づく売上高を算出するモデルを作成する。
【００２３】次に、以上のように構成した本実施例の売
上高予測装置の作用について説明する。図１において、
既存店舗データ１０６を使用して、予測要素決定部１０
１により、売上高を予測する要因として数値化しやすい
確定要素が決定される。この確定要素は、例えば通行量
や居住者数等である。
上高予測装置の作用について説明する。図１において、
既存店舗データ１０６を使用して、予測要素決定部１０
１により、売上高を予測する要因として数値化しやすい
確定要素が決定される。この確定要素は、例えば通行量
や居住者数等である。
【００２４】次に、この決定した通行量および居住者数
の情報である確定要素は、売上高演算処理部１０２内
の、確定要素に基づく第１の売上高演算処理部１０３に
入力され、確定要素に基づく個々の売上高が算出され
る。
の情報である確定要素は、売上高演算処理部１０２内
の、確定要素に基づく第１の売上高演算処理部１０３に
入力され、確定要素に基づく個々の売上高が算出され
る。
【００２５】一方、既存店舗データ１０６を使用して、
不確定要素に基づく売上高算出モデル作成部１０５によ
り、不確定要素に基づく売上高算出モデルが作成され
る。そして、この売上高算出モデルに、予測要素決定部
１０１からの通行量および居住者数等の情報である確定
要素を入力し、不確定要素に基づく第２の売上高演算処
理部１０４により、不確定要素に基づく売上高が算出さ
れる。
不確定要素に基づく売上高算出モデル作成部１０５によ
り、不確定要素に基づく売上高算出モデルが作成され
る。そして、この売上高算出モデルに、予測要素決定部
１０１からの通行量および居住者数等の情報である確定
要素を入力し、不確定要素に基づく第２の売上高演算処
理部１０４により、不確定要素に基づく売上高が算出さ
れる。
【００２６】さらに、このようにしてそれぞれ算出され
た確定要素に基づく売上高と不確定要素に基づく売上高
の合計が、売上高予測値として出力処理部１０７により
出力される。
た確定要素に基づく売上高と不確定要素に基づく売上高
の合計が、売上高予測値として出力処理部１０７により
出力される。
【００２７】次に、以上の売上高予測装置における売上
高の予測について、図４および図５を用いてより具体的
に説明する。まず、売上高を予測すると思われる数値化
しやすい確定要素の中から適当な組み合わせを考え、重
回帰分析により、各組み合わせの予測売上高と実績売上
高との差が最小となる組み合わせの要素を決定する。
高の予測について、図４および図５を用いてより具体的
に説明する。まず、売上高を予測すると思われる数値化
しやすい確定要素の中から適当な組み合わせを考え、重
回帰分析により、各組み合わせの予測売上高と実績売上
高との差が最小となる組み合わせの要素を決定する。
【００２８】例えば、図４に示すように、売上高を予測
すると思われる確定要素の組み合わせとして、１居住者
数と３次産業人口比、２通行量と３次産業人口比、３通
行量と居住者数といった組み合わせである。
すると思われる確定要素の組み合わせとして、１居住者
数と３次産業人口比、２通行量と３次産業人口比、３通
行量と居住者数といった組み合わせである。
【００２９】これらの確定要素のデータと実績売上高を
既存店舗データ１０６より抽出し、重回帰分析により、
予測売上高と実績売上高との差が最小となる通行量と居
住者数の組み合わせを、売上高を予測する確定要素とし
て決定する。
既存店舗データ１０６より抽出し、重回帰分析により、
予測売上高と実績売上高との差が最小となる通行量と居
住者数の組み合わせを、売上高を予測する確定要素とし
て決定する。
【００３０】次に、通行量に基づく売上高（Ｍk ）と、
居住者数に基づく売上高（Ｍe ）等を算出する。この場
合、算出にあたっては、調査した通行量（ｋ）や居住者
数（ｅ）等を入力する。例えば、通行量としては５００
人、居住者数としては２０００人といった情報である。
居住者数に基づく売上高（Ｍe ）等を算出する。この場
合、算出にあたっては、調査した通行量（ｋ）や居住者
数（ｅ）等を入力する。例えば、通行量としては５００
人、居住者数としては２０００人といった情報である。
【００３１】さらに、通行量に関する売上高算出係数
（α）、および居住者数に関する売上高算出係数（β）
を取り出す。例えば、αとしては２００円／人日、βと
しては１００円／人日といった係数である。
（α）、および居住者数に関する売上高算出係数（β）
を取り出す。例えば、αとしては２００円／人日、βと
しては１００円／人日といった係数である。
【００３２】そして、これらの情報を基にして、通行量
に基づく売上高（Ｍk ＝α×ｋ、例えば２００円／人日
×５００人＝１０万円／日）と、居住者数に基づく売上
高（Ｍe ＝β×ｅ、例えば１００円／人日×２０００人
＝２０万円／日）を算出する。
に基づく売上高（Ｍk ＝α×ｋ、例えば２００円／人日
×５００人＝１０万円／日）と、居住者数に基づく売上
高（Ｍe ＝β×ｅ、例えば１００円／人日×２０００人
＝２０万円／日）を算出する。
【００３３】さらに、このようにしてそれぞれ算出した
売上高を合計して、確定要素に基づく売上高（Ｍ＝Ｍk
＋Ｍe ）を算出する。例えば、１０万円／日＋２０万円
／日＝３０万円／日となる。
売上高を合計して、確定要素に基づく売上高（Ｍ＝Ｍk
＋Ｍe ）を算出する。例えば、１０万円／日＋２０万円
／日＝３０万円／日となる。
【００３４】次に、不確定要素の売上高算出の過程につ
いて以下に述べる。まず、不確定要素に基づく売上高算
出モデルを作成する。この売上高算出モデルの作成は、
ニューラルネットワークを使用する。既存店舗データ１
０６からの通行量、居住者数、売上高実績値、売上高予
測値等を基に、通行量、居住者数を入力データとし、
（売上高実績値−売上高予測値）を出力データとする。
いて以下に述べる。まず、不確定要素に基づく売上高算
出モデルを作成する。この売上高算出モデルの作成は、
ニューラルネットワークを使用する。既存店舗データ１
０６からの通行量、居住者数、売上高実績値、売上高予
測値等を基に、通行量、居住者数を入力データとし、
（売上高実績値−売上高予測値）を出力データとする。
【００３５】例えば、図５に示すようなデータの通りで
ある。そして、店舗別にニューラルネットワークに学習
させる。例えば、店舗１において、通行量５００人およ
び居住者数２０００人を入力ノード２０１に入力し、売
上高実績値−売上高予測値の５万円／日を出力ノード２
０３に入力する。同様に、店舗２から店舗４までについ
て入力し、ニューラルネットワークに学習させる（学習
方法はブラックボックスである）。
ある。そして、店舗別にニューラルネットワークに学習
させる。例えば、店舗１において、通行量５００人およ
び居住者数２０００人を入力ノード２０１に入力し、売
上高実績値−売上高予測値の５万円／日を出力ノード２
０３に入力する。同様に、店舗２から店舗４までについ
て入力し、ニューラルネットワークに学習させる（学習
方法はブラックボックスである）。
【００３６】すなわち、この学習は、ある店舗の入力デ
ータが入力ノード２０１に入力された時に、望ましい出
力データを出力ノード２０３に出力することである。こ
のような学習により、ニューラルネットワークのパラメ
ータを算出し、不確定要素に基づく売上高を算出する売
上高算出モデルを作成する。
ータが入力ノード２０１に入力された時に、望ましい出
力データを出力ノード２０３に出力することである。こ
のような学習により、ニューラルネットワークのパラメ
ータを算出し、不確定要素に基づく売上高を算出する売
上高算出モデルを作成する。
【００３７】次に、売上高の予測を行なう店舗の通行量
および居住者数を、予測要素決定部１０１より入力デー
タとして、不確定要素に基づく売上高算出モデルに入力
することにより、不確定要素に基づく売上高（売上高実
績値−売上高予測値）を算出する（算出方法はブラック
ボックスである）。
および居住者数を、予測要素決定部１０１より入力デー
タとして、不確定要素に基づく売上高算出モデルに入力
することにより、不確定要素に基づく売上高（売上高実
績値−売上高予測値）を算出する（算出方法はブラック
ボックスである）。
【００３８】例えば、新規出店店舗の通行量が５５０
人、居住者数が１５００人を入力することにより、不確
定要素に基づく売上高は、−５万円／日となる。最後
に、確定要素による売上高と、不確定要素による売上高
とを合計して、売上高予測値とする。
人、居住者数が１５００人を入力することにより、不確
定要素に基づく売上高は、−５万円／日となる。最後
に、確定要素による売上高と、不確定要素による売上高
とを合計して、売上高予測値とする。
【００３９】例えば、３０万円／日＋（−５万円／日）
＝２５万円／日となる。上述したように、本実施例の売
上高予測装置は、既存店舗データ１０６に基づいて、新
規出店店舗に接する道路における通行量や居住者数等
の、売上高を予測する要因として数値化しやすい確定要
素を決定する予測要素決定部１０１と、予測要素決定部
１０１により決定された確定要素に基づいて、その確定
要素に基づく売上高を算出する第１の売上高演算処理部
１０３と、予測要素決定部１０１により決定された確定
要素、および年商，日商等の売上高実績値に基づいて、
新規出店店舗周辺の街の雰囲気や界隈性等の数値化しに
くい不確定要素を考慮して、その不確定要素に基づく売
上高を、売上高算出モデル作成部１０５により作成され
る売上高算出モデルを用いて算出する第２の売上高演算
処理部１０４と、既存店舗データ１０６に基づいて、予
測要素決定部１０１により決定された確定要素を入力項
目とし、かつその確定要素より算出された売上高の合計
値と売上高実績値との差である不確定要素の売上高を出
力項目とする不確定要素に基づく売上高を算出する売上
高算出モデルを作成する売上高算出モデル作成部１０５
と、第１の売上高演算処理部１０３により算出された売
上高と第２の売上高演算処理部１０４により算出された
売上高とを合計して売上高予測値を算出し出力する出力
処理部１０７とから構成したものである。
＝２５万円／日となる。上述したように、本実施例の売
上高予測装置は、既存店舗データ１０６に基づいて、新
規出店店舗に接する道路における通行量や居住者数等
の、売上高を予測する要因として数値化しやすい確定要
素を決定する予測要素決定部１０１と、予測要素決定部
１０１により決定された確定要素に基づいて、その確定
要素に基づく売上高を算出する第１の売上高演算処理部
１０３と、予測要素決定部１０１により決定された確定
要素、および年商，日商等の売上高実績値に基づいて、
新規出店店舗周辺の街の雰囲気や界隈性等の数値化しに
くい不確定要素を考慮して、その不確定要素に基づく売
上高を、売上高算出モデル作成部１０５により作成され
る売上高算出モデルを用いて算出する第２の売上高演算
処理部１０４と、既存店舗データ１０６に基づいて、予
測要素決定部１０１により決定された確定要素を入力項
目とし、かつその確定要素より算出された売上高の合計
値と売上高実績値との差である不確定要素の売上高を出
力項目とする不確定要素に基づく売上高を算出する売上
高算出モデルを作成する売上高算出モデル作成部１０５
と、第１の売上高演算処理部１０３により算出された売
上高と第２の売上高演算処理部１０４により算出された
売上高とを合計して売上高予測値を算出し出力する出力
処理部１０７とから構成したものである。
【００４０】従って、既存店舗データ１０６から、不確
定要素に基づく売上高算出モデルを作成し、それを基
に、より正確な新規出店店舗の売上高予測値を算出する
ことが可能となる。
定要素に基づく売上高算出モデルを作成し、それを基
に、より正確な新規出店店舗の売上高予測値を算出する
ことが可能となる。
【００４１】すなわち、既存店舗において、売上高を予
測する要因として数値化しやすい確定要素、および年
商、日商等の売上高実績値に基づいて、新規出店店舗の
不確定要素を考慮した売上高を算出することができるた
め、売上高を予測する要因として数値化しやすい確定要
素のみに限定した売上高よりも、より売上高実績値に近
い売上高を予測することが可能となる。
測する要因として数値化しやすい確定要素、および年
商、日商等の売上高実績値に基づいて、新規出店店舗の
不確定要素を考慮した売上高を算出することができるた
め、売上高を予測する要因として数値化しやすい確定要
素のみに限定した売上高よりも、より売上高実績値に近
い売上高を予測することが可能となる。
【００４２】これにより、新規店舗出店時の意志決定の
みならず、それ以後の経営戦略を支援するのに好適な売
上高予測装置を得ることができる。尚、本発明は上記実
施例に限定されるものではなく、次のようにしても同様
に実施できるものである。
みならず、それ以後の経営戦略を支援するのに好適な売
上高予測装置を得ることができる。尚、本発明は上記実
施例に限定されるものではなく、次のようにしても同様
に実施できるものである。
【００４３】上記実施例では、第２の売上高演算処理部
１０４において、不確定要素に基づく売上高を算出する
場合に、売上高算出モデル作成部１０５により作成され
るニューラルネットワークを用いた売上高算出モデルを
用いて算出する場合について説明したが、何らこの方法
に限定されるものではない。
１０４において、不確定要素に基づく売上高を算出する
場合に、売上高算出モデル作成部１０５により作成され
るニューラルネットワークを用いた売上高算出モデルを
用いて算出する場合について説明したが、何らこの方法
に限定されるものではない。
【００４４】
【発明の効果】以上説明したように本発明によれば、既
存店舗データに基づいて、新規出店店舗に接する道路に
おける通行量や居住者数等の、売上高を予測する要因と
して数値化しやすい確定要素を決定する予測要素決定手
段と、予測要素決定手段により決定された確定要素に基
づいて、当該確定要素に基づく売上高を算出する第１の
売上高演算処理手段と、予測要素決定手段により決定さ
れた確定要素、および年商，日商等の売上高実績値に基
づいて、新規出店店舗周辺の街の雰囲気や界隈性等の数
値化しにくい不確定要素を考慮して、当該不確定要素に
基づく売上高を算出する第２の売上高演算処理手段と、
第１の売上高演算処理手段により算出された売上高と第
２の売上高演算処理手段により算出された売上高とを合
計して売上高予測値を算出し出力する出力処理手段とを
備えて構成したので、売上高を予測する要因として数値
化しにくい不確定要素の売上高を考慮して、より正確に
売上高実績値に近い売上高予測値を算出することが可能
な極めて信頼性の高い売上高予測装置が提供できる。
存店舗データに基づいて、新規出店店舗に接する道路に
おける通行量や居住者数等の、売上高を予測する要因と
して数値化しやすい確定要素を決定する予測要素決定手
段と、予測要素決定手段により決定された確定要素に基
づいて、当該確定要素に基づく売上高を算出する第１の
売上高演算処理手段と、予測要素決定手段により決定さ
れた確定要素、および年商，日商等の売上高実績値に基
づいて、新規出店店舗周辺の街の雰囲気や界隈性等の数
値化しにくい不確定要素を考慮して、当該不確定要素に
基づく売上高を算出する第２の売上高演算処理手段と、
第１の売上高演算処理手段により算出された売上高と第
２の売上高演算処理手段により算出された売上高とを合
計して売上高予測値を算出し出力する出力処理手段とを
備えて構成したので、売上高を予測する要因として数値
化しにくい不確定要素の売上高を考慮して、より正確に
売上高実績値に近い売上高予測値を算出することが可能
な極めて信頼性の高い売上高予測装置が提供できる。
【図１】本発明による売上高予測装置の一実施例を示す
機能ブロック図。
機能ブロック図。
【図２】同実施例における第１の売上高演算処理部の構
成例を示すブロック図。
成例を示すブロック図。
【図３】同実施例における売上高算出モデル作成部によ
り作成される売上高算出モデルに用いられるニューラル
ネットワークの構成例を示す概要図。
り作成される売上高算出モデルに用いられるニューラル
ネットワークの構成例を示す概要図。
【図４】同実施例における確定要素の決定の方法を説明
するための図。
するための図。
【図５】同実施例における不確定要素の算出方法を説明
するための図。
するための図。
１０１…予測要素決定部、１０２…売上高演算処理部、
１０３…第１の売上高演算処理部、１０４…第２の売上
高演算処理部、１０５…売上高算出モデル作成部、１０
６…既存店舗データ、１０７…出力処理部、１０３１…
売上高算出部、１０３２…通行量基礎データ格納部、１
０３３…売上高算出部、１０３４…居住者数基礎データ
格納部、２０１…入力ノード、２０２…中間ノード、２
０３…出力ノード、２０４…ネットワーク。
１０３…第１の売上高演算処理部、１０４…第２の売上
高演算処理部、１０５…売上高算出モデル作成部、１０
６…既存店舗データ、１０７…出力処理部、１０３１…
売上高算出部、１０３２…通行量基礎データ格納部、１
０３３…売上高算出部、１０３４…居住者数基礎データ
格納部、２０１…入力ノード、２０２…中間ノード、２
０３…出力ノード、２０４…ネットワーク。
Claims (2)
- 【請求項１】 小売業等における店舗のある時点の売上
高を予測する売上高予測装置において、 既存店舗データに基づいて、新規出店店舗に接する道路
における通行量や居住者数等の、売上高を予測する要因
として数値化しやすい確定要素を決定する予測要素決定
手段と、 前記予測要素決定手段により決定された確定要素に基づ
いて、当該確定要素に基づく売上高を算出する第１の売
上高演算処理手段と、 前記予測要素決定手段により決定された確定要素、およ
び年商，日商等の売上高実績値に基づいて、前記新規出
店店舗周辺の街の雰囲気や界隈性等の数値化しにくい不
確定要素を考慮して、当該不確定要素に基づく売上高を
算出する第２の売上高演算処理手段と、 前記第１の売上高演算処理手段により算出された売上高
と前記第２の売上高演算処理手段により算出された売上
高とを合計して売上高予測値を算出し出力する出力処理
手段と、 を備えて成ることを特徴とする売上高予測装置。 - 【請求項２】 前記第２の売上高演算処理手段として
は、前記既存店舗データに基づいて、前記予測要素決定
手段により決定された確定要素を入力項目とし、かつ当
該確定要素より算出された売上高の合計値と売上高実績
値との差である不確定要素の売上高を出力項目として、
不確定要素に基づく売上高を算出するニューラルネット
ワークを用いたモデルを作成し、当該売上高算出モデル
に前記予測要素決定手段により決定された確定要素を入
力して、新規出店店舗の不確定要素に基づく売上高を算
出するようにしたことを特徴とする請求項１に記載の売
上高予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16339393A JPH0721151A (ja) | 1993-07-01 | 1993-07-01 | 売上高予測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP16339393A JPH0721151A (ja) | 1993-07-01 | 1993-07-01 | 売上高予測装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0721151A true JPH0721151A (ja) | 1995-01-24 |
Family
ID=15773040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP16339393A Pending JPH0721151A (ja) | 1993-07-01 | 1993-07-01 | 売上高予測装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0721151A (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
| JP2020009157A (ja) * | 2018-07-09 | 2020-01-16 | 富士ゼロックス株式会社 | 売上予測装置及びプログラム |
| JP2020095404A (ja) * | 2018-12-11 | 2020-06-18 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 |
| JPWO2019059137A1 (ja) * | 2017-09-20 | 2020-10-15 | 本田技研工業株式会社 | 情報分析装置及び情報分析方法 |
| JP2020205127A (ja) * | 2018-12-11 | 2020-12-24 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム及び情報処理装置 |
-
1993
- 1993-07-01 JP JP16339393A patent/JPH0721151A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2019059137A1 (ja) * | 2017-09-20 | 2020-10-15 | 本田技研工業株式会社 | 情報分析装置及び情報分析方法 |
| WO2019234907A1 (ja) * | 2018-06-08 | 2019-12-12 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラムが記録された記録媒体 |
| JPWO2019234907A1 (ja) * | 2018-06-08 | 2021-06-03 | 日本電気株式会社 | 制御装置、制御方法、及び、制御プログラム |
| JP2020009157A (ja) * | 2018-07-09 | 2020-01-16 | 富士ゼロックス株式会社 | 売上予測装置及びプログラム |
| JP2020095404A (ja) * | 2018-12-11 | 2020-06-18 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム、情報処理装置及び学習済みモデルの生成方法 |
| JP2020205127A (ja) * | 2018-12-11 | 2020-12-24 | 東京電力ホールディングス株式会社 | 情報処理方法、プログラム及び情報処理装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sonmez et al. | Construction labor productivity modeling with neural networks | |
| Lam et al. | Decision support system for contractor pre‐qualification—artificial neural network model | |
| Stathopoulos et al. | Fuzzy modeling approach for combined forecasting of urban traffic flow | |
| Yang et al. | Forecasting overall pavement condition with neural networks: Application on Florida highway network | |
| CN119401452A (zh) | 基于多源异构数据特征融合的电力负荷预测方法、系统设备及介质 | |
| CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
| Lam et al. | An artificial neural network and entropy model for residential property price forecasting in Hong Kong | |
| CN116264388A (zh) | 基于GRU-LightGBM模型融合和贝叶斯优化的短期负荷预测方法 | |
| CN109492793A (zh) | 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法 | |
| Chao et al. | Neural network method of estimating construction technology acceptability | |
| Wang et al. | Generating population migration flow data from inter-regional relations using graph convolutional network | |
| Henderson et al. | Leveraging quantum annealing for election forecasting | |
| CN109635246B (zh) | 一种基于深度学习的多属性数据建模方法 | |
| Huang et al. | Forecasting emergency calls with a Poisson neural network-based assemble model | |
| CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
| Alshamrani | Initial cost forecasting model of mid-rise green office buildings | |
| Elwakil et al. | Construction productivity fuzzy knowledge base management system | |
| CN116227817A (zh) | 一种动态车辆路径全链路问题分析与模型求解方法 | |
| Cheng et al. | Evolutionary fuzzy hybrid neural network for project cash flow control | |
| Sun et al. | Biobjective emergency logistics scheduling model based on uncertain traffic conditions | |
| Hu et al. | Integrated optimization of multi‐vehicle‐type timetabling and scheduling to accommodate periodic passenger flow | |
| Mou et al. | Predictive model of train delays in a railway system | |
| CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
| CN115718981B (zh) | 基于二阶锥优化的应急设施选址和路径优化方法及系统 | |
| JPH0721151A (ja) | 売上高予測装置 |