JP2003233710A - Program, device, and method for forecasting demand - Google Patents
Program, device, and method for forecasting demandInfo
- Publication number
- JP2003233710A JP2003233710A JP2002333818A JP2002333818A JP2003233710A JP 2003233710 A JP2003233710 A JP 2003233710A JP 2002333818 A JP2002333818 A JP 2002333818A JP 2002333818 A JP2002333818 A JP 2002333818A JP 2003233710 A JP2003233710 A JP 2003233710A
- Authority
- JP
- Japan
- Prior art keywords
- demand
- prediction
- sales
- function
- consumables
- 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
- 238000000034 method Methods 0.000 title claims abstract description 125
- 230000006870 function Effects 0.000 claims description 111
- 238000013277 forecasting method Methods 0.000 claims description 50
- 238000003860 storage Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 68
- 238000012545 processing Methods 0.000 description 52
- 230000001932 seasonal effect Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 29
- 238000009792 diffusion process Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 25
- 238000009434 installation Methods 0.000 description 21
- 230000032683 aging Effects 0.000 description 19
- 238000012937 correction Methods 0.000 description 16
- 230000002093 peripheral effect Effects 0.000 description 14
- 230000007704 transition Effects 0.000 description 13
- 230000010365 information processing Effects 0.000 description 12
- 230000001186 cumulative effect Effects 0.000 description 11
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 7
- 230000008034 disappearance Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010977 unit operation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 101100325756 Arabidopsis thaliana BAM5 gene Proteins 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101150046378 RAM1 gene Proteins 0.000 description 1
- 101100476489 Rattus norvegicus Slc20a2 gene Proteins 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/82—Elements for improving aerodynamics
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
Description
【0001】[0001]
【発明の属する技術分野】本発明は、予測方法切替プロ
グラム、装置、及び方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a prediction method switching program, device and method.
【0002】[0002]
【従来の技術】従来の予測手法においては、製品の全て
の販売期間にわたって単一の予測手法が用いられている
ため、販売需要がその予測手法の想定していない原因に
よって変動する場合には、販売予測の精度が低下するこ
とがあった。2. Description of the Related Art In the conventional forecasting method, a single forecasting method is used over the entire sales period of a product. Therefore, when the sales demand fluctuates due to a cause not assumed by the forecasting method, The accuracy of sales forecasts sometimes decreased.
【0003】[0003]
【発明が解決しようとする課題】特に以下の3点におい
て、従来の予測手法では的確な予測を実現することが困
難であった。
A. パイプラインフィル
事務機やパソコンの周辺機器の消耗品等の業界において
は、消耗品をエンドユーザに対して確実に供給する義務
があるため、仲卸業者や販売店が在庫を持つケースが多
い。それらの在庫を満たすための需要を一般にパイプラ
インフィルと呼んでいる。このパイプラインフィルのた
め、販売の初期においては、従来の予測手法では予測で
きない特徴的な需要が生ずる。
B. 互換品の出現
事務機やパソコンの周辺機器の消耗品等の業界において
は、事務機等の本体メーカが製造した消耗品の他、これ
と互換性を有する他のメーカが製造した互換製品が出現
する場合がある。この場合、本体メーカが製造する消耗
品の販売に影響を与える場合がある。従来の予測手法で
は、このような互換品の出現に対する十分な予測ができ
なかった。
C. 消耗品販売期間の末期
事務機やパソコンの周辺機器の消耗品は、その本体の販
売が終了した後もユーザーが本体の使用を継続する間は
販売する必要があるため、その消耗品販売期間の末期に
おいては、事務機やパソコンの周辺機器本体の中古品が
メーカーの想定した市場以外に流通するなどして、消耗
品の販売が不安定になる場合がある。従来の予測手法で
は、このような販売期間の末期を正確に予測することが
できなかった。Particularly, in the following three points, it is difficult to realize accurate prediction by the conventional prediction method. A. In the industry such as pipeline fill office machines and consumables for peripherals of personal computers, there are many cases where intermediate wholesalers and dealers have inventory because they are obliged to reliably supply consumables to end users. The demand to meet those inventories is commonly called pipeline fill. Due to this pipeline fill, a characteristic demand that cannot be predicted by the conventional prediction method is generated in the early stage of sales. B. Appearance of compatible products In the industry such as consumables for office machines and PC peripherals, in addition to consumable products manufactured by the main makers of office machines, compatible products manufactured by other manufacturers that are compatible with this have appeared. There is a case. In this case, the sales of consumables manufactured by the main body manufacturer may be affected. The conventional prediction method cannot sufficiently predict the appearance of such compatible products. C. End of consumables sales period Consumables for office machines and PC peripherals need to be sold for as long as the user continues to use the main unit even after the main unit has been sold. At the end of the period, the sales of consumables may become unstable due to the distribution of second-hand items for office machines and computer peripherals outside the markets envisioned by the manufacturer. Conventional forecasting methods have not been able to accurately forecast the end of such a sales period.
【0004】[0004]
【課題を解決するための手段】上記の課題を解決するた
めに、本発明の需要予測プログラムは、複数の需要予測
手法をコンピュータにより実現することができる需要予
測プログラムであって、前記複数の需要予測方手法のう
ち1の需要予測手法を選択する第1の選択機能と、前記
第1の選択機能により選択された需要予測手法により需
要予測を行う第1の需要予測機能と、前記第1の需要予
測機能により、予測された結果が所定の条件を満たすか
否かを判断する判断機能と、前記判断機能により前記所
定の条件を満たすと判断された場合に、前記第1の選択
機能により選択された需要予測手法とは別の需要予測手
法を選択する第2の選択機能と、前記第2の選択機能に
より選択された需要予測手法により需要予測を行う第2
の需要予測機能と、をコンピュータに実現させることを
特徴とする。In order to solve the above-mentioned problems, a demand forecasting program of the present invention is a demand forecasting program which can realize a plurality of demand forecasting methods by a computer. A first selecting function for selecting one of the forecasting methods, a first demand forecasting function for forecasting the demand by the demand forecasting method selected by the first selecting function, and the first forecasting function A judgment function for judging whether or not the predicted result satisfies a predetermined condition by the demand prediction function, and a selection function for selecting the predetermined result by the first selection function when the judgment function judges that the predetermined condition is satisfied. A second selection function of selecting a demand forecasting method different from the demand forecasting method selected, and a second forecasting method of performing the demand forecasting by the demand forecasting method selected by the second selection function.
The demand forecasting function of is realized by a computer.
【0005】また、本発明の需要予測プログラムは、製
品が出力する出力物の出力量を入力する出力量入力手段
を制御する出力量入力制御機能と、消耗品の販売量を入
力する販売量入力手段を制御する販売量入力制御機能
と、前記出力量、及び前記販売量のメモリへの記憶を制
御する記憶制御機能と、前記出力量と前記販売量から将
来の出力物を出力するための消耗品の消費量を予測する
第1の予測機能と、前記第1の予測機能とは、別の予測
手法により前記消耗品の消費量を予測する第2の予測機
能と、前記第1の予測機能により予測される予測結果、
及び前記第2の予測機能により予測される予測結果を、
実際の販売結果と比較する比較機能と、前記比較機能に
より、前記第2の予測機能により予測された予測結果と
実際の販売結果との差異が、前記第1の予測機能により
予測された第1の予測結果と実際の販売結果との差異よ
りも小さい場合に、前記第2の予測結果を前記消耗品の
消費量の需要予測として採用する予測結果採用機能とを
コンピュータに実現させることを特徴とする。Further, the demand forecast program of the present invention has an output amount input control function for controlling an output amount input means for inputting an output amount of an output product output from a product, and a sales amount input for inputting a sales amount of consumables. A sales volume input control function for controlling the means, a storage control function for controlling the output volume and the storage of the sales volume in a memory, and a consumption for outputting a future output product from the output volume and the sales volume A first prediction function for predicting the consumption amount of a product and a second prediction function for predicting the consumption amount of the consumable product by a different prediction method from the first prediction function, and the first prediction function. The prediction result predicted by
And a prediction result predicted by the second prediction function,
A comparison function for comparing with an actual sales result, and a difference between the prediction result predicted by the second prediction function and the actual sales result by the comparison function is first predicted by the first prediction function. A prediction result adoption function of adopting the second prediction result as a demand prediction of the consumption amount of the consumable item when the difference is smaller than the difference between the prediction result and the actual sales result. To do.
【0006】また、本発明の需要予測方法は、複数の需
要予測手法をコンピュータにより実現する需要予測方法
であって、前記複数の需要予測手法のうち1の需要予測
手法を選択する第1の選択工程と、前記第1の選択工程
で選択された需要予測手法により需要予測を行う第1の
需要予測工程と、前記第1の需要予測工程で、予測され
た結果が所定の条件を満たすか否かを判断する判断工程
と、前記判断工程で前記所定の条件を満たすと判断され
た場合に、前記第1の選択工程で選択された需要予測手
法とは別の需要予測手法を選択する第2の選択工程と、
前記第2の選択工程で選択された需要予測手法により需
要予測を行う第2の需要予測工程とを有することを特徴
とする。The demand forecasting method of the present invention is a demand forecasting method for realizing a plurality of demand forecasting methods by a computer, and a first selection for selecting one of the plurality of demand forecasting methods. A process, a first demand forecasting process for performing demand forecasting by the demand forecasting method selected in the first selecting process, and whether or not the predicted result in the first demand forecasting process satisfies a predetermined condition. And a second step of selecting a demand forecasting method different from the demand forecasting method selected in the first selecting step when it is determined that the predetermined condition is satisfied in the determining step. And the selection process of
A second demand forecasting step of performing demand forecasting by the demand forecasting method selected in the second selecting step.
【0007】また、本発明の需要予測装置は、複数の需
要予測手法を実現する需要予測装置であって、前記複数
の需要予測手法のうち1の需要予測手法を選択する第1
の選択手段と、前記第1の選択手段により選択された需
要予測手法により需要予測を行う第1の需要予測手段
と、前記第1の需要予測手段により予測された結果が所
定の条件を満たすか否かを判断する判断手段と、前記判
断手段で前記所定の条件を満たすと判断された場合に、
前記第1の選択により選択された需要予測手法とは別の
需要予測手法を選択する第2の選択手段と、前記第2の
選択手段により選択された需要予測手法により需要予測
を行う第2の需要予測手段とを有することを特徴とす
る。The demand forecasting apparatus of the present invention is a demand forecasting apparatus that realizes a plurality of demand forecasting methods, and selects one of the plurality of demand forecasting methods.
Selection means, a first demand prediction means for performing demand prediction by the demand prediction method selected by the first selection means, and whether the result predicted by the first demand prediction means satisfies a predetermined condition. Determining means for determining whether or not, and when the determining means determines that the predetermined condition is satisfied,
A second selecting means for selecting a demand forecasting method different from the demand forecasting method selected by the first selection, and a second forecasting method for demand forecasting by the demand forecasting method selected by the second selecting means. And a demand forecasting means.
【0008】[0008]
【発明の実施の形態】本発明は、従来実現できなかっ
た、本体にかかる消耗品の需要予測方法を確立し、その
結果をもとに消耗品ビジネスの計画策定支援(新製品の
投入計画やリプレース(交換)計画)を行うことを目的
とする。BEST MODE FOR CARRYING OUT THE INVENTION The present invention establishes a demand forecasting method for a consumable item for a main body, which has not been realized so far, and based on the result, a plan formulation support for a consumable item business (a new product introduction plan or The purpose is to carry out a replacement (exchange) plan.
【0009】これらを実現するべく、以下のような技術
課題がある。
消耗品の使用される本体の稼働台数の予測方法。
消耗品の使用される本体の平均プリントボリューム
(以下、「PV」とする。)の予測方法。
消耗品の使用される本体の総PVの予測方法。
消耗品の過去に販売された実績数量と、それが使用さ
れている本体の総予測PVから消耗品の将来使用される
数量の予測方法。
販売実績が十分に存在しない場合(計画段階、又は立
ち上がり後間もない段階)における、本体の稼働台数の
予測方法。
販売実績が十分に存在しない場合における、本体の平
均PVの予測方法。
販売実績が十分に存在しない場合における、消耗品の
耐久枚数の決定方法。
予測結果に対して、市場動向を鑑みて補正(増減)を
させる補正方法。
予測結果に対して季節変動の補正を行う方法。In order to realize these, there are the following technical problems. A method of predicting the number of operating main units that use consumables. A method of predicting an average print volume (hereinafter referred to as "PV") of a main body of a consumable item used. A method for predicting the total PV of a main body of a consumable item used. A method of predicting the quantity of consumables used in the past and the quantity of consumables to be used in the future from the total forecast PV of the main body in which it is used. A method of predicting the number of operating main units when there are not enough sales records (planning stage, or just after start-up). A method of predicting the average PV of the main body when there is not enough sales record. A method for determining the number of durable consumables when there are not enough sales records. A correction method that corrects (increases or decreases) the forecast results in consideration of market trends. A method of correcting seasonal fluctuations for forecast results.
【0010】本実施の形態においては、本体をコピー機
・プリンタ、消耗品をそのコピー機・プリンタで使用さ
れる紙・トナー・ドラムであるとするが、例えば、本体
を車、消耗品をその車で使用されるガソリン(燃料)で
あるとしてもよい。In the present embodiment, it is assumed that the main body is a copier / printer and the consumables are paper, toner, and drums used in the copier / printer. It may be gasoline (fuel) used in a car.
【0011】本実施の形態は、以下のような構成であ
る。
〔1.システム構成〕
〔2.本体の平均PV(プリントボリューム)の予測
(平均PV予測ブロック)〕
〔3.本体の総PVの予測(総予測PVブロック)〕
〔4.消耗品の需要予測(消耗品予測ブロック)〕
〔5.予測結果の表示〕
〔6.予測方法の切替〕
〔7.消耗品マクロ需要予測〕以下、添付図面に従っ
て、本発明に係る好適な実施の形態を詳細に説明する。The present embodiment has the following configuration. [1. System configuration] [2. Prediction of Average PV (Print Volume) of Main Body (Average PV Prediction Block)] [3. Prediction of Total PV of Main Body (Total Predicted PV Block)] [4. Consumables demand forecast (consumables forecast block)] [5. Display of prediction result] [6. Switching of prediction method] [7. Consumables Macro Demand Forecast] Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings.
【0012】〔1.システム構成〕図1は、本発明を実
現するための情報処理装置の構成を示した図である。[1. System Configuration] FIG. 1 is a diagram showing a configuration of an information processing apparatus for realizing the present invention.
【0013】101はCPUであり、情報処理装置内の
各部の制御を行う他、本実施の形態に示されている処理
を実現するための制御を行う。Reference numeral 101 denotes a CPU, which controls each part in the information processing apparatus and also controls for realizing the processing shown in the present embodiment.
【0014】102は入力部であり、情報処理装置の操
作者からの情報の入力を可能にさせる。入力部102に
は、例えば、キーボード、マウス、デジタイザ等があ
る。Reference numeral 102 denotes an input unit which allows an operator of the information processing apparatus to input information. The input unit 102 includes, for example, a keyboard, a mouse, a digitizer, and the like.
【0015】103は出力部であり、情報処理装置の操
作者に情報を表示する。出力部103には、例えば、C
RTや液晶ディスプレイ等がある。出力部103は、操
作者に対して各種情報の入力を促すような情報を表示し
たり、後述する予測結果をグラフ表示、及び/又は、テ
ーブル表示したりする。An output unit 103 displays information to the operator of the information processing apparatus. The output unit 103 has, for example, C
There are RTs and liquid crystal displays. The output unit 103 displays information that prompts the operator to input various kinds of information, and displays a prediction result described later in a graph and / or a table.
【0016】104は外部記憶装置であり、情報処理装
置とは別個のメディアについて情報の読書きを行う。外
部記憶装置104には、例えば、FDドライブ、MOド
ライブ、CD−Rドライブ等がある。An external storage device 104 reads and writes information on a medium separate from the information processing device. The external storage device 104 includes, for example, an FD drive, an MO drive, a CD-R drive, and the like.
【0017】105はROM(Read Only M
emory)であり、読出し専用メモリである。ROM
105は、使用者が電気的にプログラムを書き込むこと
ができるPROM(Programmable Ro
m)と製造するときに内容を書き込むマスクROMとが
あるが、本実施の形態においては何れのROMであって
もよい。Reference numeral 105 denotes a ROM (Read Only M
memory), which is a read-only memory. ROM
A PROM (Programmable Ro) 105 allows a user to electrically write a program.
m) and a mask ROM in which the contents are written at the time of manufacturing, but any ROM may be used in the present embodiment.
【0018】106はRAM(Random Acce
ss Memory)であり、自由書き込み・自由読出
しができるメモリーである。RAM106は、本実施の
形態の処理を行う際に一時的にデータを蓄える等の機能
を有する。Reference numeral 106 denotes a RAM (Random Acce).
ss Memory), which is a memory that allows free writing and free reading. The RAM 106 has a function of temporarily storing data when performing the processing of this embodiment.
【0019】107はネットワークインターフェースで
あり、インターネットやLAN・WAN等のネットワー
クに接続を可能にする。ネットワークインターフェース
107には、例えば、モデムやネットワークカード等が
ある。また、通信はTCP/IP等のネットワークプロ
トコルにより実現される。Reference numeral 107 denotes a network interface, which enables connection to networks such as the Internet and LAN / WAN. The network interface 107 includes, for example, a modem and a network card. Further, the communication is realized by a network protocol such as TCP / IP.
【0020】108は内部記憶装置であり、情報を情報
処理装置内で記憶するための装置である。内部記憶装置
の例としては、ハードディスク等がある。Reference numeral 108 denotes an internal storage device, which is a device for storing information in the information processing device. A hard disk is an example of the internal storage device.
【0021】109はバスであり、情報処理装置内の各
ブロック間の各種データのやりとり及び電力の供給をす
るものである。バス109は、アドレス線、データ線、
制御線、電源・グラウンド線等からなる。Reference numeral 109 denotes a bus, which exchanges various data and supplies electric power between each block in the information processing apparatus. The bus 109 includes address lines, data lines,
Consists of control lines, power / ground lines, etc.
【0022】以下に、前記情報処理装置内の各部の動作
について説明する。The operation of each section in the information processing apparatus will be described below.
【0023】まず、CPU101は、ROM105、内
部記憶装置108、または外部記憶装置104内に記憶
されている本実施の形態に示されている処理(機能)を
実現するプログラム(以下、「プログラム」という)を
RAM106に読み込む。そして、RAM106に読み
込まれたプログラムはRAM106上に展開される。こ
のプログラムは、インタプリタ型であってもコンパイル
型であってもよい。First, the CPU 101 stores a program (hereinafter referred to as a "program") that realizes the processing (function) stored in the ROM 105, the internal storage device 108, or the external storage device 104 and shown in the present embodiment. ) Is read into the RAM 106. Then, the program read into the RAM 106 is expanded on the RAM 106. The program may be interpreted or compiled.
【0024】RAM106上に展開されたプログラム
は、CPU101と協働して各種処理を実現する。The program expanded on the RAM 106 realizes various processes in cooperation with the CPU 101.
【0025】図17は、プログラムのモジュール構成を
示している。FIG. 17 shows the module structure of the program.
【0026】プログラムは、「入力制御モジュール」
「演算モジュール」「出力モジュール」「ネットワーク
モジュール」等に大きく分けられ、各モジュールは、更
に細分化されたモジュールに分けられる。The program is an "input control module"
The modules are roughly divided into “calculation modules”, “output modules”, “network modules”, etc., and each module is further divided into modules.
【0027】このプログラムによる本願発明の処理は、
CPU101やRAM106等のハードウェア資源を用
いて具体的に実現される。つまり、プログラムが情報処
理装置に読み込まれることにより、ソフトウェアとハー
ドウェア資源とが協働した具体的手段によって、本願発
明の目的に応じた特有の情報処理装置またはその動作方
法が構築されることとなる。The processing of the present invention by this program is
It is specifically realized by using hardware resources such as the CPU 101 and the RAM 106. That is, when the program is read into the information processing device, the specific information processing device or its operating method according to the object of the present invention is constructed by the specific means in which the software and the hardware resources cooperate. Become.
【0028】また、プログラムは一つである必要はな
く、複数のプログラムの組み合わせであってもよい。例
えば、汎用表計算ソフトウェアの一部の機能を利用する
プログラム(例えば、マクロプログラム等)により、本
願発明の処理を実現させてもよい。Further, the number of programs need not be one, and may be a combination of a plurality of programs. For example, the processing of the present invention may be realized by a program (for example, a macro program) that uses a part of the functions of general-purpose spreadsheet software.
【0029】CPU101は、プログラム中の入力制御
モジュールと協働して、出力部103を介してユーザに
入力を促し、入力部102を介してユーザからのデータ
の入力を実現させ、入力されたデータを外部記憶装置1
04、RAM106、内部記憶装置108等に記憶させ
る。The CPU 101, in cooperation with the input control module in the program, prompts the user for input through the output unit 103, realizes the input of data from the user through the input unit 102, and receives the input data. External storage device 1
04, RAM 106, internal storage device 108 and the like.
【0030】また、CPU101は、プログラム中の演
算モジュールと協働して、本願発明の処理に必要な各種
演算(例えば、消耗品の消費量を予測する演算等)を実
行する。Further, the CPU 101 cooperates with the arithmetic module in the program to execute various arithmetic operations necessary for the processing of the present invention (for example, arithmetic operations for predicting the consumption amount of consumables).
【0031】また、CPU101は、プログラム中の出
力モジュールと協働して、出力部103を介してユーザ
に各種情報(例えば、入力要求や演算結果等)を表示す
る。Further, the CPU 101 cooperates with the output module in the program to display various information (for example, input request, calculation result, etc.) to the user via the output unit 103.
【0032】更に、CPU101は、プログラム中のネ
ットワークモジュールと協働して、LANやWAN等の
ネットワーク(不図示)との接続を実現させ、ネットワ
ークを介して外部の装置との各種データの交換を実現さ
せる。Further, the CPU 101 cooperates with a network module in the program to realize connection with a network (not shown) such as LAN or WAN, and exchange various data with external devices via the network. make it happen.
【0033】プログラムの構成は、上記のプログラムモ
ジュールに限られるものでないことは言うまでもない。It goes without saying that the structure of the program is not limited to the above program modules.
【0034】本発明において本体の消耗品の販売数量
(需要量)を予測するにあたって、その消耗品を使用し
ている本体の稼働台数の予測(本体稼働台数予測ブロッ
ク)と平均PVの予測(平均PV予測ブロック)に基づ
き総予測PVを求め(総予測PVブロック)、これをも
って消耗品の需要予測(消耗品予測ブロック)を行う。In predicting the sales quantity (demand amount) of the consumables of the main body in the present invention, the prediction of the operating number of the main bodies using the consumables (main body operating number prediction block) and the average PV prediction (average) The total forecast PV is calculated based on the (PV forecast block) (total forecast PV block), and the demand forecast of the consumable item (consumable item forecast block) is performed with this.
【0035】図12は、本体稼働台数予測ブロック、平
均PV予測ブロック、総予測PVブロックを示した図で
ある。FIG. 12 is a diagram showing a main body operating number prediction block, an average PV prediction block, and a total prediction PV block.
【0036】図13は、消耗品予測ブロックを示した図
である。FIG. 13 is a diagram showing a consumables prediction block.
【0037】以下、各予測ブロックについて説明する。Each prediction block will be described below.
【0038】〔1.本体の稼働台数の予測(本体稼働台
数予測ブロック)〕図8は、本体の稼働台数の予測をす
る際の処理フローを示した図である。[1. Prediction of Operating Number of Main Units (Block for Predicting Operating Number of Main Units)] FIG. 8 is a diagram showing a processing flow when predicting the operating number of main units.
【0039】本処理で用いる定数・変数・関数は以下の
通りである。
t:データを観測した単位時刻(例えば月)、ここでは
本体販売開始年月を0(起点)とする。
a(t):t月の本体販売実績台数
b(t):t月の本体販売計画台数
x(t):t月の本体販売実績計画台数
d:遅れ係数(例えば月数)
y(t):t月の本体稼動実績台数
T:本体稼動実績台数が観測された最後の月(y(t)
の観測された期間、有効件数)The constants, variables, and functions used in this processing are as follows. t: A unit time (for example, month) at which the data is observed, where the main body sales start date is 0 (starting point). a (t): Main unit sales record number in t month b (t): Main unit sales plan number in t month x (t): Main unit sales record number in t month d: Delay coefficient (for example, months) y (t) : Actual operation number of main unit in t month T: Last month when actual operation number of main unit was observed (y (t)
(Observed period, number of valid cases)
【外1】 [Outer 1]
【0040】S(j):残存率関数(本体の設置j月後
の残存確率)
f(t):本体の死亡確率密度関数(本体の設置j月後
の単位時間における死亡確率)
J(t):設置拡散係数
μ:本体の平均寿命
σ:本体の平均寿命の標準偏差
φ:本体の平均寿命の変動係数
h:本体の稼動台数予測の信頼係数
s:本体稼動予測台数の標準誤差
Ag:エイジング係数
Ed:本体消滅年月
以下、本体の稼働台数の予測について説明する。S (j): Survival rate function (remaining probability after the installation of the main body j months) f (t): Death probability density function of the main body (death probability in unit time after the installation of the main body j months) J (t ): Installation diffusion coefficient μ: Average life of main body σ: Standard deviation of average life of main body φ: Coefficient of variation of average life of main body h: Confidence coefficient of prediction of operating number of main bodies s: Standard error of predicted number of operating main bodies Ag: Aging coefficient Ed: The prediction of the number of operating main bodies will be described below.
【0041】本体の稼働台数の予測は、予測処理単位毎
に実行する。予測処理単位とは、製品と地域毎に分けら
れた単位をいう。予測処理単位は、予めユーザにより入
力部102を介して入力され(ユーザーに入力を促した
り、入力されたデータを情報処理装置内の各部に転送す
る主体はCPU101であることは言うまでもない)、
RAM106に記憶されている。また、予測処理単位
は、外部記憶装置104や内部記憶装置108に予め記
憶されているものを利用してもよい。The prediction of the number of operating main bodies is executed for each prediction processing unit. The prediction processing unit is a unit divided into products and regions. The prediction processing unit is input in advance by the user via the input unit 102 (needless to say, the subject that urges the user to input or transfers the input data to each unit in the information processing apparatus is the CPU 101),
It is stored in the RAM 106. Further, as the prediction processing unit, one that is stored in advance in the external storage device 104 or the internal storage device 108 may be used.
【0042】図2は、本実施の形態における予測処理単
位を説明する表を示す図である。FIG. 2 is a diagram showing a table for explaining the prediction processing unit in this embodiment.
【0043】図2においては、製品はコピー機A、コピ
ー機B、プリンタA、プリンタBの4製品であり、地域
は日本、米国、英国、独国、仏国の5カ国である。本実
施の形態では、地域を国単位としたが、地方自治体単位
や販売会社の担当地域単位であっても良い。以下、この
製品を「製品モデル」、この地域の単位を「拠点」と呼
ぶ。In FIG. 2, there are four products, a copy machine A, a copy machine B, a printer A and a printer B, and the regions are five countries of Japan, the United States, the United Kingdom, Germany and France. In this embodiment, the region is a country unit, but it may be a local government unit or a sales company responsible region unit. Hereinafter, this product is referred to as a "product model", and the unit of this area is referred to as a "base".
【0044】図2において、「○」で示されている予測
処理単位は、その拠点でその製品が販売されていること
を示している。即ち、日本では全ての製品が販売されて
いるが、英国では、コピー機AとプリンタBのみが販売
されているということになる。In FIG. 2, the prediction processing unit indicated by "○" indicates that the product is sold at the base. That is, all the products are sold in Japan, but only the copy machine A and the printer B are sold in the UK.
【0045】以下、この予測処理単位毎に本体の稼働台
数の予測をする手順を示す。The procedure for predicting the number of operating main bodies for each prediction processing unit will be described below.
【0046】〔ステップm0〕本体販売実績計画台数算
出ステップ(S802)このステップでは、本体販売実
績台数a(t)又は、本体販売計画台数b(t)から、
本体販売実績計画台数x(t)を生成する。[Step m0] Calculation Step of Main Unit Sales Actual Planned Step (S802) In this step, from the main unit sales actual number a (t) or the main unit planned sales number b (t),
The main unit sales record planned number x (t) is generated.
【0047】まず、本体販売実績台数a(t)、及び本
体販売計画台数b(t)のデータが入力される。ここ
で、「入力」とは、
A.ユーザによる入力部102を介してのデータの入
力、
B.外部記憶装置104又は内部記憶装置108に記憶
されているデータの入力
C.ネットワークインタフェース107により外部の装
置からネットワークを介して受信するデータの入力、を
さす。この「入力」の機能はプログラムに基づいてCP
U101等により実現される。入力は、ユーザの指示に
基づいて行われてもよいし、プログラムに基づいて一定
の規則により(例えば、周期的に)実現されてもよい。
以下、特にことわりがない限り、「入力」とは上記A.
B.C.による入力を指すものとする。First, the data of the main unit sales record number a (t) and the main unit sales plan number b (t) are input. Here, "input" means A. Data input by the user via the input unit 102. B. Input of data stored in the external storage device 104 or the internal storage device 108 C. The network interface 107 is used to input data received from an external device via the network. This "input" function is CP based on the program.
It is realized by U101 and the like. The input may be performed based on a user's instruction, or may be realized according to a certain rule (eg, periodically) based on a program.
Hereinafter, unless otherwise specified, “input” means the above A.
B. C. Input.
【0048】入力された本体販売実績台数a(t)、及
び本体販売計画台数b(t)は、RAM106に記憶さ
れる。そして、プログラム中の演算モジュールに基づい
て、CPU101により以下の演算処理が行われる。
(数1)
a(t)=null then x(t)=b(t)
a(t)≠null then x(t)=a(t)
なお、本体販売実績台数a(t)は、販売店やディーラ
等が実際に販売したデータを参照することにより、予測
処理単位毎のほぼ正確な販売台数の推移を得ることがで
きる。また、本体販売計画台数b(t)は、販売目標や
経済状況等から決定される販売台数の計画値の推移であ
る。The main body sales record number a (t) and the main body sales plan number b (t) that have been input are stored in the RAM 106. Then, the following arithmetic processing is performed by the CPU 101 based on the arithmetic module in the program. (Equation 1) a (t) = null then x (t) = b (t) a (t) ≠ null then x (t) = a (t) The main unit sales record a (t) is By referring to the data actually sold by a dealer or the like, it is possible to obtain an almost accurate transition of the sales volume for each prediction processing unit. The main unit sales plan b (t) is a transition of the planned value of the sales volume determined from the sales target, the economic situation, and the like.
【0049】図3は、2001年1月から2001年1
2月までの本体販売実績台数a(t)と本体販売計画台
数b(t)から本体販売実績計画台数x(t)を算出す
る一例を示す図である。FIG. 3 shows from January 2001 to 2001
It is a figure which shows an example which calculates the main body sales result planned quantity x (t) from the main body sales actual quantity a (t) and main body sales planned quantity b (t) by February.
【0050】2001年2月から8月までは、本体販売
実績台数a(t)は、値を持っているので本体販売実績
計画台数x(t)は、a(t)となる。一方、2001
年9月以降は、本体販売実績台数a(t)は、値を持っ
ていないので(null)、本体販売実績計画台数x
(t)は、本体計画台数b(t)となる。From February to August 2001, the main unit sales record number a (t) has a value, so the main unit sales record number x (t) becomes a (t). On the other hand, 2001
Since September, 2014, the main unit sales record a (t) has no value (null), so the main unit sales record plan x
(T) is the main unit planned number b (t).
【0051】このように、本体販売実績台数a(t)と
本体販売計画台数b(t)を組合わせた本体販売実績計
画台数x(t)を用いて、その後の予測をすることは本
発明の特徴のひとつである。As described above, it is the present invention to make a subsequent prediction by using the main unit sales record planned number x (t) which is a combination of the main unit sales actual number a (t) and the main unit sales planned number b (t). Is one of the features.
【0052】本ステップについて、さらに詳述する。本
ステップでは、実績データを計画データよりも優先させ
る。This step will be described in more detail. In this step, the actual data is given priority over the planned data.
【0053】本体販売実績台数a(t)と本体販売計画
台数b(t)の切り分けは、時刻に基づくことも考えら
れる。例えば、「本体販売実績計画台数x(t)は、2
001年9月以前は本体販売実績台数a(t)であり、
2001年10月以降は本体販売計画台数b(t)とす
る。」とすることが考えられる。しかし、データの取得
にかかるタイムラグ等により時刻に基づく処理では不都
合が生ずる。特に、海外データを扱う場合には、このデ
ータ取得のタイミングのずれは顕著である。It is conceivable that the actual sales volume a (t) and the planned sales volume b (t) are separated based on time. For example, "the main unit sales performance plan number x (t) is 2
Before September 001, the number of units sold was a (t),
After October 2001, the number of units sold is b (t). Is possible. However, inconvenience arises in the processing based on the time due to the time lag etc. required for the acquisition of data. In particular, when dealing with overseas data, the deviation of the data acquisition timing is significant.
【0054】そこで、本願発明においては、数1のよう
に本体販売実績台数a(t)の「ある」「なし」で判別
する(切り分ける)ことにより、上記のような問題を解
消することができる。Therefore, in the present invention, the above problem can be solved by discriminating (separating) according to "Yes" or "None" of the actual sales number a (t) of the main body as shown in Formula 1. .
【0055】〔ステップm1〕対象拠点・対象モデル選
択ステップ(S803)
前述の予測処理単位(拠点・本体モデル)を選択する。
本実施の形態では、簡単のため1つの予測処理単位に注
目して予測処理をするが、選択される予測処理単位は複
数であってもよい(複数の予測処理単位を一括して予測
した後に、予測結果を分割して各予測処理単位毎の予測
結果を算出する手法については後述する)。[Step m1] Target base / target model selection step (S803) The aforementioned prediction processing unit (base / main model) is selected.
In the present embodiment, for the sake of simplicity, one prediction processing unit is focused on for prediction processing, but a plurality of prediction processing units may be selected (after a plurality of prediction processing units are collectively predicted). The method of dividing the prediction result and calculating the prediction result for each prediction processing unit will be described later).
【0056】予測処理単位の「選択」は、上述の「入
力」と同様に、プログラムの指令に基づいてCPU10
1等により前記A.B.C.のいずれかの方法により実
現される。The "selection" of the prediction processing unit is similar to the "input" described above, based on the command of the program, the CPU 10
1 and the like, the A. B. C. It is realized by either method of.
【0057】〔ステップm2〕本体販売実績計画台数x
(t)・本体稼動実績台数y(t)読込みステップ(S
804)
時系列的に蓄えられた本体販売実績計画台数x(t)と
本体稼動実績台数y(t)を予測処理単位(1本体モデ
ル・1拠点)毎にRAM106に読込む。本体稼動実績
台数y(t)は、サービスエンジニアがメンテナンスで
顧客を訪問する等した際に確認される本体の稼動状況
(稼動している台数)である。この本体稼動実績台数y
(t)の入力は、上述の「入力」と同様に、プログラム
に基づいてCPU101等により前記A.B.C.のい
ずれかの方法により実現される。これら読込まれたデー
タは、後述する本体稼動予測台数を算出する際に使用さ
れる。[Step m2] Main Unit Sales Actual Planned Number x
(T) -Main unit operation record number y (t) Read step (S
804) The main unit sales record planned number x (t) and the main unit operation record number y (t) stored in time series are read into the RAM 106 for each prediction processing unit (one main unit model / one base). The actual number of operating main bodies y (t) is the operating status of the main units (the number of operating units) confirmed when the service engineer visits the customer for maintenance. This actual operating number y
The input of (t) is performed by the CPU 101 or the like based on a program, similar to the above-mentioned “input”. B. C. It is realized by either method of. These read data are used when calculating the main body operation predicted number which will be described later.
【0058】〔ステップm3〕本体販売開始年月検出ス
テップ(S805)
本体の販売開始年月を検出する。[Step m3] Main body sales start date detection step (S805) The main body sales start date is detected.
【0059】CPU101は、RAM106に記憶され
ている本体販売実績計画台数x(t)をはじめからサー
チし(図3においては左からサーチし)、初めて0でな
い値を検出した時をアドレスの起点(t=0)としてR
AM106に記憶する。図3を例にとると、2001年
2月がアドレスの起点となる。The CPU 101 searches from the beginning for the main unit sales record planned quantity x (t) stored in the RAM 106 (searches from the left in FIG. 3), and when the first non-zero value is detected, the starting point of the address ( R as t = 0)
It is stored in the AM 106. Taking FIG. 3 as an example, February 2001 is the starting point of the address.
【0060】図4は、2001年1月から2001年1
2月までの本体稼動実績台数y(t)の一例を示す図で
ある。FIG. 4 shows from January 2001 to January 2001.
It is a figure which shows an example of the main body operation | movement record number y (t) by February.
【0061】CPU101は、RAM106に記憶され
ている本体稼動実績台数y(t)を終わりからサーチし
(図4においては右からサーチし)、初めて0またはn
ullでない値を検出した時、アドレスの起点(t=
0)から数えられる有効件数Tを設定し、RAM106
に記憶する。The CPU 101 searches the actual operating number y (t) of the main body stored in the RAM 106 from the end (searching from the right in FIG. 4), and then 0 or n for the first time.
When a value that is not null is detected, the start point of the address (t =
0) The effective number T counted from 0) is set, and the RAM 106
Remember.
【0062】図4から、本体稼動実績台数y(t)にお
いて初めて0でない値が検出されるのは、2001年7
月であることから、アドレスの起点を2001年2月と
すると、有効件数Tは6となる。From FIG. 4, the first non-zero value is detected in the actual operating number y (t) of the main body in 2001.
Since it is a month, the effective number T is 6 when the starting point of the address is February 2001.
【0063】〔ステップm3c〕予測モード制御ステッ
プ(S806)
2つの予測方法から1つの予測方法を選択する。
(予測方法1)ステップm3a1、m3a2、m3a
3、m3a4を実行する
(予測方法2)ステップm3b1、m3b2を実行する
後述するが、予測方法1は、本体販売実績計画台数x
(t)や本体稼動実績台数y(t)等のデータ数をある
程度必要とするので、データが少ないときは適さず、予
測方法2の予測方法が適している場合が多い。この予測
方法は、予め設定しておいてもよいが(強制予測モー
ド)、以下のように、自動的に予測方法が選択(自動予
測モード)されるようにしてもよい。[Step m3c] Prediction Mode Control Step (S806) One prediction method is selected from the two prediction methods. (Prediction method 1) Steps m3a1, m3a2, m3a
3, m3a4 is executed (prediction method 2) Steps m3b1 and m3b2 are executed.
Since the number of data such as (t) and the actual number of operation of the main body y (t) is required to some extent, it is not suitable when the data is small, and the prediction method of the prediction method 2 is often suitable. This prediction method may be set in advance (forced prediction mode), but the prediction method may be automatically selected (automatic prediction mode) as follows.
【0064】すなわち、CPU101は、RAM106
に記憶されている有効件数Tがある閾値N以上の場合
は、予測方法1に十分なデータがあるとして、予測方法
1を選択するが、一方、有効件数Tが閾値N未満の場合
は、予測方法1に十分なデータがないと判断して、予測
方法2を選択する(S807)。この閾値Nは予めユー
ザにより入力部102やネットワークインターフェース
107を介してRAM106に記憶されている。That is, the CPU 101 has the RAM 106.
If the number of valid cases T stored in is greater than or equal to a certain threshold N, the prediction method 1 is selected assuming that the prediction method 1 has sufficient data, while if the number of valid cases T is less than the threshold N, the prediction is performed. When it is judged that the method 1 does not have sufficient data, the prediction method 2 is selected (S807). This threshold value N is stored in the RAM 106 by the user in advance via the input unit 102 and the network interface 107.
【0065】例えば、N=24として、もしも、有効件
数Tが24以上であれば、予測方法1が選択され、有効
件数Tが24未満であれば、予測方法2が選択される。For example, when N = 24, if the number of valid cases T is 24 or more, the prediction method 1 is selected, and if the number of valid cases T is less than 24, the prediction method 2 is selected.
【0066】予測方法2は、十分なデータが得られない
場合や、販売計画段階におけるシミュレーション時に選
択されることが多い。Prediction method 2 is often selected when sufficient data cannot be obtained or during simulation at the sales planning stage.
【0067】一般的には、予測方法1の方が予測方法2
よりも予測の精度は高いとされている。このような場合
は強制予測モードとして、予測方法2を強制的に選択す
る。しかし、あるケースにおいては、例えデータが十分
あるときでも予測方法2の方が予測方法1よりも精度が
高い場合がある。このような場合は、適宜強制予測モー
ド、自動予測モードを使い分けることとなる。In general, the prediction method 1 is the prediction method 2
It is said that the accuracy of the prediction is higher than that. In such a case, the prediction method 2 is forcibly selected as the forced prediction mode. However, in some cases, the prediction method 2 may be more accurate than the prediction method 1 even if there is sufficient data. In such a case, the forced prediction mode and the automatic prediction mode are properly used.
【0068】〔ステップm3a1〕遅れ係数による補正
ステップ(予測方法1)(S809)
実際に本体が販売されてから設置される(稼動する)ま
でには時間差(遅れ係数)が生ずる。すなわち本体販売
実績計画台数x(t)と、本体販売実績台数y(t)に
は遅れ係数dがある。この時間差を考慮すれば、より正
確な予測が可能となる。[Step m3a1] Correction Step Using Delay Coefficient (Prediction Method 1) (S809) There is a time difference (delay coefficient) from the actual sale of the main body to the installation (operation). That is, there is a delay coefficient d between the main unit sales record planned number x (t) and the main unit sales record y (t). If this time difference is taken into consideration, more accurate prediction becomes possible.
【0069】以下、遅れ係数dの算出方法について説明
する。The method of calculating the delay coefficient d will be described below.
【0070】まず、設置拡散係数J(t)を設定する。First, the installation diffusion coefficient J (t) is set.
【0071】図14は、予めRAM106に入力されて
いる設置拡散係数J(t)の一例を示している。横軸は
時間であり、縦軸は設置拡散係数J(t)を示してい
る。本実施の形態においては、横軸の時間は月単位であ
るが、年単位、週単位、日単位であってもよいことはい
うまでもない。FIG. 14 shows an example of the installed diffusion coefficient J (t) which is input to the RAM 106 in advance. The horizontal axis represents time and the vertical axis represents the installation diffusion coefficient J (t). In the present embodiment, the time on the horizontal axis is in months, but it goes without saying that it may be in years, weeks, or days.
【0072】この設置拡散係数J(t)は、本体販売実
績計画台数x(t)が将来において設置される時刻の確
率を示している。よって、CPU101により、RAM
106に記憶されている各月の本体販売実績計画台数x
(t)と設置拡散係数J(t)をかけ合わせることによ
り、その月に販売された(計画されている)本体が設置
されるかがわかる。設置拡散係数J(t)の時間積分は
1となる。The installation diffusion coefficient J (t) indicates the probability of the time when the main unit sales record planned number x (t) is installed in the future. Therefore, the CPU 101 causes the RAM
Monthly main unit sales performance plan number of units stored in 106 x
By multiplying (t) by the installation diffusion coefficient J (t), it is possible to know whether the main body sold (planned) that month is installed. The time integral of the installed diffusion coefficient J (t) is 1.
【0073】図15は、本実施の形態における各月の設
置台数と累積設置台数を示した図である。FIG. 15 is a diagram showing the number of installed units and the cumulative number of installed units for each month in this embodiment.
【0074】2001年7月を例にして説明する。20
01年7月の本体販売実績計画台数x(t)は53台で
す。この53台は、販売された直後に全て市場に設置さ
れるわけではなく、時間をおいて徐々に設置されてい
く。この状態を表したのが前述の設置拡散係数J(t)
である。販売されて1月目の設置拡散係数J(t)は
0.1であるから、53台のうち1割(5.3台)が設
置されることが予想される。2月目の設置拡散係数J
(t)は0.15であるから、53台のうち、この期間
には7.95台が設置されることが予想される。同様に
3月目以降も設置される台数が計算される。Description will be made taking July 2001 as an example. 20
The unit sales performance plan for the July 2001 x (t) is 53 units. These 53 units are not all installed in the market immediately after being sold, but will be installed gradually over time. This state is represented by the above-mentioned installation diffusion coefficient J (t).
Is. Since the installation diffusion coefficient J (t) in the first month after being sold is 0.1, it is expected that 10% (5.3) of 53 will be installed. Installation diffusion coefficient J for the second month
Since (t) is 0.15, it is expected that 7.95 of 53 units will be installed during this period. Similarly, the number of units installed after the third month is calculated.
【0075】各月の本体販売実績計画台数x(t)につ
いて同様の計算をほどこす。そして、各月において、設
置台数を累積することにより累積設置台数を求める。The same calculation is performed for the main unit sales record planned number x (t) of each month. Then, in each month, the cumulative number of installed units is obtained by accumulating the number of installed units.
【0076】そして、任意の定点を定める。例えば、6
月を定点とする。6月の本体販売実績台数y(t)の6
8は累積設置台数の111.1よりも小さい。これは、
実際の稼働台数が予測台数に追いついていないことを意
味している。次に、累積台数を未来方向に1ヶ月シフト
し仮の累積台数とする。6月の仮の累積台数は66.4
5となり、本体販売実績台数y(t)の68が、累積台
数(予測台数)の66.45に追いついたことになる。
このシフト量である1ヶ月を時間差(遅れ係数)dとす
る。Then, an arbitrary fixed point is determined. For example, 6
The moon is the fixed point. 6 of main unit sales record y (t) in June
8 is smaller than the cumulative installed number of 111.1. this is,
This means that the actual number of machines in operation has not kept up with the forecast number. Next, the cumulative number of vehicles is shifted by one month in the future direction to make a temporary cumulative number of vehicles. The provisional cumulative number of vehicles in June is 66.4.
5, the main unit sales record number y (t) of 68 has caught up with the cumulative number (predicted number) of 66.45.
One month, which is this shift amount, is defined as a time difference (delay coefficient) d.
【0077】本体販売実績計画台数x(t)と、本体稼
動実績台数y(t)から求められる時間差dをもってx
(t)を未来方向(tが増加する方向)にシフトする。
このシフトされた値を改めてx(t)として、以下の予
測処理を実行することによって、より正確な予測が可能
となる。この時間差d、シフトされたx(t)を演算す
る処理は、プログラムに基づきCPU101によりなさ
れることは言うまでもない。X with a time difference d obtained from the main unit sales record planned number x (t) and the main unit actual record number y (t)
Shift (t) in the future direction (direction in which t increases).
By executing the following prediction process with the shifted value as x (t) again, more accurate prediction is possible. It goes without saying that the processing for calculating the time difference d and the shifted x (t) is performed by the CPU 101 based on a program.
【0078】このシフトされたx(t)を以後、設置台
数と定義する。This shifted x (t) is hereinafter defined as the number of installed units.
【0079】〔ステップm3a2〕残存率関数算出ステ
ップ・予測本体稼働台数算出ステップ(予測方法1)
(S810)
残存率関数S(t)を求める。残存率関数S(t)と
は、設置された本体台数に対するt月後の稼動している
本体台数の割合を示している関数である。設置された全
ての本体が稼動している場合は残存率は1となり、設置
された本体の半分が稼動している場合は残存率は0.5
となる。[Step m3a2] Residual rate function calculation step / predicted operating main machine number calculation step (prediction method 1)
(S810) The residual rate function S (t) is calculated. The residual rate function S (t) is a function indicating the ratio of the number of operating main bodies after t months to the number of installed main bodies. The survival rate is 1 when all installed main units are operating, and the remaining rate is 0.5 when half of the installed main units are operating.
Becomes
【0080】図5は、設置時A、設置時B、設置時Cに
おける残存率関数を示した図である。FIG. 5 is a diagram showing the residual rate function at the time of installation A, installation B, and installation C.
【0081】図5の横軸は時刻tであり、縦軸は残存率
を示している。ここでの稼働台数の予測方法の考え方
は、同一拠点の同一本体モデル(予測処理単位)は、ど
の時刻に設置されても「同一の」残存率で残存してると
いうことである。つまり、設置時A、設置時B、設置時
Cはそれぞれ異なる時刻に設置されているが、その残存
率関数は共通である。The horizontal axis of FIG. 5 represents time t, and the vertical axis represents the residual rate. The idea of the method of predicting the number of operating machines here is that the same main body model (prediction processing unit) at the same base remains at the "same" remaining rate regardless of the time of installation. That is, the installation time A, the installation time B, and the installation time C are installed at different times, but the remaining rate function is common.
【0082】したがって、tにおける本体稼働台数は、
それ以前の設置台数の残存台数の合計となる。この関係
は販売計画中の販売台数においても成立する。従って、
時刻tにおける本体実績稼働台数y(t)は以下の式で
表される。Therefore, the operating number of main bodies at t is
It is the total of the remaining number of installed units before that. This relationship holds even when the sales volume is planned. Therefore,
The actual operating number of main bodies y (t) at time t is expressed by the following equation.
【0083】[0083]
【外2】 [Outside 2]
【0084】e(t)は時刻tにおける誤差である。本
体稼動実績台数y(t)と本体販売実績計画台数x
(t)は有効件数Tまでは既知であるので、誤差e
(t)の二乗和を示すSeは以下のように表される。E (t) is the error at time t. Main unit operating record y (t) and main unit sales record planned x
Since (t) is known up to the effective number T, the error e
Se indicating the sum of squares of (t) is expressed as follows.
【0085】[0085]
【外3】 [Outside 3]
【0086】そして、誤差二乗和Seを最小にする残存
率関数S(t)を解析的又は数値的に求める。数3より
解析的に残存率関数S(t)を求めることは困難である
場合が多く、通常は、例えばThen, the residual rate function S (t) that minimizes the error sum of squares Se is analytically or numerically obtained. In many cases, it is difficult to analytically obtain the residual rate function S (t) from Equation 3, and normally, for example,
【外4】 [Outside 4]
【0087】として、定数ω及びrを数値計算で求め
る。その場合、残存率関数S(t)は、前述の関数に限
られず、対象としているモデルにあった関数であればど
のような関数であっても良い。The constants ω and r are numerically calculated. In that case, the residual rate function S (t) is not limited to the above-mentioned function, and may be any function as long as it is a function suitable for the target model.
【0088】上記の処理は、プログラムに従いCPU1
01により以下のように実現される。すなわち、CPU
101は、RAM106に記憶されている本体稼動実績
台数y(t)、残存率関数S(t)、及び本体販売実績
稼働台数x(t)に基づいて、上記(数3)の式をRA
M106上にセットする。そして、数値計算に必要な刻
み幅tをセットし、時刻0からTまで計算した際に、誤
差自乗和Seが最小になるように、S(t)を数値計算
で求める。The above processing is executed by the CPU 1 according to the program.
It is realized by 01 as follows. That is, the CPU
Reference numeral 101 denotes the above equation (3) based on the actual operation number y (t) of the main body, the remaining rate function S (t), and the actual operation number x (t) of the main body stored in the RAM 106.
Set on M106. Then, the step size t required for the numerical calculation is set, and S (t) is calculated by the numerical calculation so that the error sum of squares Se becomes minimum when the calculation is performed from time 0 to T.
【0089】図6は、本体設置台数と本体稼働台数の関
係を表した図である。FIG. 6 is a diagram showing the relationship between the number of installed main bodies and the number of operating main bodies.
【0090】図中の破線で示される線は本体稼働実績台
数y(t)を示している。また、各月が起点となって減
衰しながら伸びている線の起点はそれぞれ各月の設置台
数である。数3に基づいて、誤差二乗和Seを最小にす
る残存率関数S(t)が求められ、その残存率関数S
(t)と本体販売実績計画台数x(t)から残存台数が
求まる。The line indicated by the broken line in the figure indicates the actual number of main body operation y (t). In addition, the starting point of the line that gradually decreases while each month is the starting point is the number of units installed in each month. The residual rate function S (t) that minimizes the error sum of squares Se is obtained based on Equation 3, and the residual rate function S
The remaining number of units can be obtained from (t) and the main unit sales record planned number of units x (t).
【0091】この予測方法(予測方法1)によれば、十
分に本体販売実績計画台数x(t)がある場合には、非
常に精度の高い、安定した予測が可能となる。According to this prediction method (prediction method 1), it is possible to make highly accurate and stable prediction when there is a sufficient number of main body sales record planned quantity x (t).
【0092】〔ステップm3a3〕死亡確率密度関数算
出ステップ(予測方法1)(S811)
死亡確率密度関数f(t)を求める。死亡確率密度関数
は死亡累積関数(F(t)=1−S(t))を時間で微
分したもので下記の式で与えられる。[Step m3a3] Death probability density function calculation step (prediction method 1) (S811) Death probability density function f (t) is obtained. The death probability density function is obtained by differentiating the cumulative death function (F (t) = 1-S (t)) with respect to time and is given by the following equation.
【0093】[0093]
【外5】 [Outside 5]
【0094】CPU101は、RAM106に記憶され
ている〔ステップm3a2〕で演算されたS(t)に基
づいて残存率密度関数S(t)を演算する。この死亡確
率密度関数f(t)は、本体の市場での消滅確率を示す
関数である。The CPU 101 calculates the residual density function S (t) based on S (t) stored in the RAM 106 and calculated in [step m3a2]. This death probability density function f (t) is a function indicating the disappearance probability of the main body in the market.
【0095】〔ステップm3a4〕平均寿命、標準偏
差、変動係数算出ステップ(予測方法1)
平均寿命μ、平均寿命の標準偏差σ、平均寿命の変動係
数φを求める。[Step m3a4] Average Life, Standard Deviation, Variation Coefficient Calculation Step (Prediction Method 1) Average life μ, standard deviation σ of average life, and variation coefficient φ of average life are obtained.
【0096】[0096]
【外6】 [Outside 6]
【0097】[0097]
【外7】 [Outside 7]
【0098】[0098]
【外8】 [Outside 8]
【0099】これら平均寿命μ、平均寿命の標準偏差
σ、及び平均寿命の変動関数φは、CPU101により
RAM106に記憶されている死亡平均密度関数f
(t)に基づいて順次演算される。これらの値は、本体
の消滅状況を示す値であり、開発・生産・販売等に活用
される。The average life μ, the standard deviation σ of the average life, and the variation function φ of the average life are the death average density function f stored in the RAM 106 by the CPU 101.
It is sequentially calculated based on (t). These values are values indicating the disappearance status of the main body, and are used for development, production, sales, etc.
【0100】図16は、平均寿命μ及び変動係数φを変
化させた場合の残存率関数の変化を示した一例である。FIG. 16 is an example showing changes in the residual rate function when the average life μ and the variation coefficient φ are changed.
【0101】図中の横軸である平均寿命μが大きければ
大きいほど本体の寿命が大きいことがわかる。It can be seen that the larger the average life μ which is the horizontal axis in the figure, the longer the life of the main body.
【0102】図中の縦軸である変動係数φが大きければ
大きいほど残存率関数は平坦になりなだらかに消滅して
いくことがわかる。一方、変動係数φが小さければ小さ
いほど残存率関数の変化は急となり、ある時点で急に消
滅するということがわかる。It can be seen that the larger the coefficient of variation φ, which is the vertical axis in the figure, the flatter the remaining rate function and the more gradually disappears. On the other hand, it can be seen that the smaller the coefficient of variation φ, the steeper the change in the survival rate function, and the more suddenly it disappears at some point.
【0103】このように、平均寿命μと変動係数φを検
討することにより、本体の性能の評価(どのように消滅
していくか)、新製品の投入時期、リプレイス時期等を
検討することができ、戦略的なビジネスが可能となる。As described above, by examining the average life μ and the coefficient of variation φ, it is possible to evaluate the performance of the main body (how it disappears), the time of introduction of a new product, the time of replacement, and the like. Yes, strategic business is possible.
【0104】以下に、本発明の特徴を再述する。本発明
は、「販売台数」の予測ではなく、「稼働台数」の予測
であることが特徴である。これは、プリンタやコピー機
等のように本体を販売した後に、メンテナンスにより利
益をあげるビジネス(アフターマーケットをターゲット
としたビジネス)において、その効果を発揮する。The features of the present invention will be described again below. The present invention is characterized in that it is not a forecast of “sales number” but a forecast of “operating number”. This is effective in a business (a business targeting the aftermarket) that makes a profit from maintenance after selling the main body such as a printer or a copier.
【0105】〔ステップm3b1〕死亡確率密度関数算
出ステップ(予測方法2)(S812)
通常、本体販売実績計画台数x(t)のデータ数が十分
ない場合は、予測の精度・安定性はよくない。この場
合、予め設定してあるパラメータから前述の死亡確率密
度関数を求める。[Step m3b1] Death Probability Density Function Calculation Step (Prediction Method 2) (S812) Normally, if the number of data of the planned sales volume of main body x (t) is not sufficient, the accuracy and stability of the prediction are not good. . In this case, the above-mentioned death probability density function is obtained from preset parameters.
【0106】死亡確率密度関数の算出に必要なパラメー
タは、平均寿命μ、平均寿命の変動係数φ(又は平均寿
命の標準偏差σ)である。これらのパラメータは、前記
A.B.C.のいずれかの方法により入力される。The parameters necessary for calculating the death probability density function are the average life μ and the coefficient of variation φ of the average life (or the standard deviation σ of the average life). These parameters are described in A. B. C. It is input by either method of.
【0107】また、本体販売実績計画台数x(t)を遅
れ係数dで未来方向にシフトして(補正して)、それを
改めて設置台数x(t)とする。Further, the planned sales volume x (t) of the main body is shifted (corrected) in the future direction by the delay coefficient d, and the number is set again as x (t).
【0108】遅れ係数dも、前記A.B.C.のいずれ
かの方法により入力される。The delay coefficient d is also the same as in the above A. B. C. It is input by either method of.
【0109】そして、CPU101は、入力されRAM
106に記憶されているμ、φ(又はσ)に基づいて数
4−数7から数値計算により死亡確率密度関数f(t)
を求める。Then, the CPU 101 inputs the RAM
Based on μ, φ (or σ) stored in 106, the death probability density function f (t) is calculated numerically from Equations 4 to 7.
Ask for.
【0110】〔ステップm3b2〕残存率関数算出ステ
ップ(予測方法2)(S814)
数4から明らかなように、以下の式を用いてCPU10
1は、死亡確率密度関数f(t)から残存率関数S
(t)を求める。[Step m3b2] Remaining Rate Function Calculation Step (Prediction Method 2) (S814) As is clear from Equation 4, the CPU 10 is calculated using the following equation.
1 is the survival rate function S from the death probability density function f (t)
Find (t).
【0111】[0111]
【外9】 [Outside 9]
【0112】S(0)=1(数9)
〔ステップm4〕本体稼動予測台数算出ステップ(S8
14)
数1から明らかなように、本体稼動予測台数S (0) = 1 (Equation 9) [Step m4] Step of calculating the main body operation predicted number (S8)
14) As is clear from equation 1, the number of main unit operation forecasts
【外10】 [Outside 10]
【0113】は以下のようになる。Is as follows.
【0114】[0114]
【外11】 [Outside 11]
【0115】図6は、本体設置台数と本体稼動予測台数
・本体稼動実績台数の関係を表した図である。FIG. 6 is a diagram showing the relationship between the number of installed main units and the predicted number of main unit operations / actual unit actual operation numbers.
【0116】図中の破線で示される線は本体稼働実績台
数y(t)を示している。また、各月で減衰しながら伸
びている線の起点はそれぞれ設置台数x(t)である。
CPU101は、各月毎に残存台数の和をとり、各月の
予測本体稼働台数とする。図中では一点鎖線で示されて
いる。The line shown by the broken line in the figure indicates the actual number of operating main bodies y (t). Further, the starting points of the lines that are decreasing and extending in each month are the number of installed units x (t).
The CPU 101 takes the sum of the remaining numbers of vehicles for each month and sets the sum as the predicted number of operating main bodies for each month. In the figure, it is indicated by a one-dot chain line.
【0117】〔ステップm5〕各種係数算出ステップ
CPU101は、RAM106上に記憶されている各種
パラメータに基づいて、本体稼働台数予測の信頼度係数
h、標準誤差s、市場での消滅年月Ed、エイジング係
数Agを求める。[Step m5] Various Coefficient Calculation Steps The CPU 101, based on various parameters stored in the RAM 106, the reliability coefficient h for predicting the operating number of main bodies, the standard error s, the disappearance date Ed in the market, and the aging. The coefficient Ag is calculated.
【0118】[0118]
【外12】 [Outside 12]
【0119】通常、予測の信頼度係数hは強制予測モー
ドの時は算出しない。Normally, the prediction reliability coefficient h is not calculated in the forced prediction mode.
【0120】この予測の信頼度係数hは、予測モデルの
安定性・精度を表す指標で、その値が1を超えると安定
した予測結果が得られる。The prediction reliability coefficient h is an index indicating the stability / accuracy of the prediction model, and when the value exceeds 1, a stable prediction result is obtained.
【0121】また、標準誤差sは以下の式で求められ
る。The standard error s is calculated by the following equation.
【0122】[0122]
【外13】 [Outside 13]
【0123】標準誤差sは、予測精度を表す指標で小さ
い値ほど良い。The standard error s is an index showing the prediction accuracy, and the smaller the value, the better.
【0124】市場での消滅年月Edは、予測モデルにお
いて本体が市場から消滅するであろう時刻(年月)を表
す。消滅年月は、本体稼動予測台数The disappearance date Ed in the market represents the time (year / month) at which the main body will disappear from the market in the prediction model. Expiration date is the estimated number of operating units
【外14】 [Outside 14]
【0125】が0になる時刻であるが、0になる時刻の
代わりに本体稼動予測台数It is the time when becomes 0, but instead of the time when it becomes 0
【外15】 [Outside 15]
【0126】がある閾値未満になる時刻を消滅時刻とし
てもよい。The time when the value becomes less than a certain threshold may be set as the extinction time.
【0127】エイジング係数Agは以下の式により求め
られる。The aging coefficient Ag is calculated by the following equation.
【0128】[0128]
【外16】 [Outside 16]
【0129】Cは、予測処理を実行した時刻に対応する
時刻である。この値は市場において、本体が「老いてい
く」状態を示す指標である。本体が市場に投入された直
後であれば、エイジング係数Agは0であり、本体が市
場から消滅すれば、エイジング係数Agは1となる。C is the time corresponding to the time when the prediction process is executed. This value is an index showing the state that the main body is "aging" in the market. Immediately after the main body is put on the market, the aging coefficient Ag is 0, and when the main body disappears from the market, the aging coefficient Ag is 1.
【0130】エイジング係数Agは、市場における本体
の稼動状況を表す上で重要な指標となる。The aging coefficient Ag is an important index for representing the operating status of the main body in the market.
【0131】〔2.本体の平均PV(プリントボリュー
ム)の予測(平均PV予測ブロック)〕図9は、本体の
平均PVの予測をする際の処理フローを示した図であ
る。[2. Predicting Average PV (Print Volume) of Main Body (Average PV Prediction Block)] FIG. 9 is a diagram showing a processing flow when predicting the average PV of the main body.
【0132】本処理ブロックで用いる定数・変数・関数
は以下の通りである。
t:データを観測した単位時刻(例えば月)、ここでは
本体販売開始年月を起点0とする。
p(t):t月の平均PV実績
q(t):t月の平均PVダミー
v(t):t月の平均PV実績ダミーThe constants, variables and functions used in this processing block are as follows. t: A unit time (for example, month) at which the data is observed, where the start date of the main body sale is 0 as the starting point. p (t): average PV performance of t months q (t): average PV dummy of t months v (t): average PV performance dummy of t months
【外17】 [Outside 17]
【0133】R:重相関係数
s:標準誤差
〔ステップp0〕平均PC実績ダミー算出ステップ(S
902)
CPU101は、入力され、RAM106に記憶されて
いる平均PV実績p(t)と平均PVダミーq(t)か
ら次式に基づいて平均PV実績ダミーv(t)を生成す
る。
(数14)
if p(t)=null then v(t)=q
(t)
if p(t)≠null then v(t)=p
(t)
平均PV実績p(t)は、サービスエンジニアが顧客を
訪問し確認することにより得ることができる。平均PV
ダミーq(t)は、実績がない場合、または実績が存在
する場合であっても、データが信用できない場合に予め
設定しておくものである。なお、平均PVとは、1単位
時間あたりの1台のプリント枚数である。本実施の形態
では、単位時間は、月単位であるが、年単位、週単位、
日単位等であってもかまわないことは、言うまでもな
い。R: Multiple correlation coefficient s: Standard error [step p0] Average PC performance dummy calculation step (S
902) The CPU 101 generates an average PV actual result dummy v (t) based on the following equation from the average PV actual result p (t) and the average PV dummy q (t) which are input and stored in the RAM 106. (Equation 14) if p (t) = null then v (t) = q
(T) if p (t) ≠ null then v (t) = p
(T) The average PV performance p (t) can be obtained by the service engineer visiting and confirming the customer. Average PV
The dummy q (t) is set in advance when the data cannot be trusted even when there is no actual result or when the actual result exists. The average PV is the number of prints per unit time per unit. In the present embodiment, the unit time is a monthly unit, but an annual unit, a week unit,
Needless to say, it does not matter if it is on a daily basis.
【0134】〔ステップp1〕対象拠点・対象モデル選
択ステップ(S903)
ステップm1と同様に、予測処理を実行する拠点と本体
モデル(予測処理単位)を選択する。選択される予測処
理単位は複数であってもよい。この選択は、前述の「入
力」により実現される。[Step p1] Target base / target model selection step (S903) Similar to step m1, a base and a main model (prediction processing unit) for which prediction processing is to be executed are selected. A plurality of prediction processing units may be selected. This selection is realized by the "input" described above.
【0135】〔ステップp2〕平均PV実績・平均PV
ダミー読込みステップ(S904)
ステップm2と同様に、時系列的に蓄えられた平均PV
実績p(t)と平均PVダミーq(t)を予測処理単位
毎に読み込む。すなわち、入力された平均PV実績p
(t)及び平均PVダミーq(t)をRAM106に記
憶する。[Step p2] Average PV Actual / Average PV
Dummy reading step (S904) Similar to step m2, average PV stored in time series
The actual result p (t) and the average PV dummy q (t) are read for each prediction processing unit. That is, the input average PV performance p
(T) and the average PV dummy q (t) are stored in the RAM 106.
【0136】〔ステップp3〕平均PV予測ステップ
(S905)
平均PVの予測は以下の3つモードがある。
(1)予測モード1:平均PV実績p(t)を非線形回
帰にかける。
(2)予測モード2:平均PVダミーq(t)を非線形
回帰にかける。
(3)予測モード3:平均PV実績ダミーv(t)を非
線形回帰にかける。[Step p3] Average PV Prediction Step (S905) The average PV prediction has the following three modes. (1) Prediction mode 1: The average PV actual result p (t) is subjected to nonlinear regression. (2) Prediction mode 2: Non-linear regression is performed on the average PV dummy q (t). (3) Prediction mode 3: The average PV performance dummy v (t) is subjected to nonlinear regression.
【0137】以上の3つの予測モードから、データの信
頼性等を勘案して、最も適している予測モードを選択す
る。この「選択」は、ユーザが入力部102を介して行
ってもよいし、ある条件(例えば、データ数等)に基づ
いてCPU101が行ってもよい。From the above three prediction modes, the most suitable prediction mode is selected in consideration of data reliability and the like. This “selection” may be performed by the user via the input unit 102, or may be performed by the CPU 101 based on a certain condition (for example, the number of data items).
【0138】例として予測モード3の場合を記す。平均
PV実績ダミーv(t)を以下のモデル式とする。As an example, the case of the prediction mode 3 will be described. The average PV actual result dummy v (t) is defined as the following model formula.
【0139】[0139]
【外18】 [Outside 18]
【0140】モデル式が数15に限られないことは、い
うまでもない。e(t)は時刻tにおける誤差である。
Tをv(t)の有効件数とすると、誤差二乗和Seは、It goes without saying that the model formula is not limited to the equation (15). e (t) is the error at time t.
If T is the effective number of v (t), the error sum of squares Se is
【外19】 [Outside 19]
【0141】と表され、この誤差二乗和Seが最小にな
るように係数b、r、aを決める。CPU101は、数
値解析(例えば、最小二乗法)を用いて前記係数b,
r,aを求める。そして、求められたb,r,aから平
均PV予測The coefficients b, r, and a are determined so that the error sum of squares Se is minimized. The CPU 101 uses the numerical analysis (for example, the least squares method) to calculate the coefficient b,
Find r and a. And the average PV prediction from the obtained b, r, a
【外20】 [Outside 20]
【0142】は、以下のようになる。Is as follows.
【0143】[0143]
【外21】 [Outside 21]
【0144】なお、モデルによっては線形回帰であって
もよいことはいうまでもない。Needless to say, linear regression may be used depending on the model.
【0145】〔ステップp4〕重相関係数、標準誤差算
出ステップ
ステップp3における非線形回帰(線形回帰)の評価を
するために、CPU101は、RAM106に記憶され
ている各種パラメータに基づいて重相関係数Rと標準誤
差sを以下の式を用いて算出する。[Step p4] Multiple Correlation Coefficient, Standard Error Calculation Step In order to evaluate the non-linear regression (linear regression) in step p3, the CPU 101 calculates the multiple correlation coefficient based on various parameters stored in the RAM 106. R and standard error s are calculated using the following formula.
【0146】[0146]
【外22】 [Outside 22]
【0147】[0147]
【外23】 [Outside 23]
【0148】(数19)(Equation 19)
【外24】 [Outside 24]
【0149】〔3.本体の総PVの予測(総予測PVブ
ロック)〕図10は、本体の総PVの予測をする際の処
理フローを示した図である。[3. Prediction of Total PV of Main Body (Total Predicted PV Block)] FIG. 10 is a diagram showing a processing flow when predicting total PV of the main body.
【0150】本処理で用いる定数・変数・関数は以下の
通りである。
t:単位時刻(例えば月)The constants, variables, and functions used in this processing are as follows. t: Unit time (for example, month)
【外25】 [Outside 25]
【0151】[0151]
【外26】 [Outside 26]
【0152】上記の演算は、CPU101によりRAM
106に記憶されている前述のパラメータに基づいて実
現される。The above calculation is performed by the CPU 101 in the RAM.
It is realized based on the above-mentioned parameters stored in 106.
【0153】〔ステップs2〕エイジング係数算出ステ
ップ(S1003)
以下の式を用いてCPU101は、PVを加味したエイ
ジング係数Agを求める。[Step s2] Aging Coefficient Calculation Step (S1003) The CPU 101 obtains the aging coefficient Ag in consideration of PV using the following formula.
【0154】[0154]
【外27】 [Outside 27]
【0155】Cは予測処理日の時刻(年月)をアドレス
に変換したものである。エイジング係数Agの値はPV
を加味した本体が市場での老いていく状態を示す指標
で、本体に誕生した状態であれば、エイジング係数Ag
は0であり、市場から消滅した場合は、エイジング係数
Agは1となる。C is the time (year / month) of the predicted processing day converted into an address. The value of the aging coefficient Ag is PV
Is an index showing the state of aging in the market with the main body added, and if it is in the state of being born in the main body, the aging coefficient Ag
Is 0, and when it disappears from the market, the aging coefficient Ag becomes 1.
【0156】〔4.消耗品の需要予測(消耗品予測ブロ
ック)〕図11は、消耗品の需要予測をする際の処理フ
ローを示した図である。[4. Consumables Demand Forecast (Consumables Prediction Block)] FIG. 11 is a diagram showing a processing flow when the consumables demand is predicted.
【0157】本処理で用いる定数・変数・関数は以下の
通りである。
t:単位時刻(例えば月)
z(t):t月の消耗品販売実績The constants, variables, and functions used in this processing are as follows. t: Unit time (for example, month) z (t): Sales record of consumables for t months
【外28】 [Outside 28]
【0158】T:実績データの観測された期間
0≦t≦Tの時は実績、T≦tの時は予測
C:耐久枚数
H:拡散レンジ(遅れ巾)
p(i):拡散密度関数(0≦i≦H)
u(i):季節変動係数(0≦i≦11)
Ed:消滅時刻
Ag:エイジング係数
R:重相関係数
s:標準誤差
〔ステップk1〕対象拠点・対象モデル選択ステップ
(S1102)
予測処理を実行する拠点と消耗品モデルを選択する。選
択される拠点及び消耗品モデルは複数であってもよい。
この「選択」は、前述のA.B.C.のいずれかの入力
方法により実現される。T: Actual period when observed data is 0 ≦ t ≦ T, actual when T ≦ t, C: predicted number of sheets H: diffusion range (delay width) p (i): diffusion density function ( 0 ≦ i ≦ H) u (i): Seasonal coefficient of variation (0 ≦ i ≦ 11) Ed: Extinction time Ag: Aging coefficient R: Multiple correlation coefficient s: Standard error [step k1] Target base / target model selection step (S1102) A base and a consumable item model for performing the prediction process are selected. There may be a plurality of locations and consumable item models selected.
This "selection" is based on the above-mentioned A. B. C. It is realized by any one of the input methods.
【0159】図7は、と消耗品モデルの対応を示した図
である。FIG. 7 is a diagram showing the correspondence between and the consumable model.
【0160】図中の「○」は、その拠点でその消耗品モ
デルが販売されていることを示している。[0160] "O" in the figure indicates that the consumable model is sold at the site.
【0161】〔ステップk2〕消耗品販売実績・総PV
予測読込みステップ(S1103)
時系列的に蓄えられた消耗品販売実績z(t)とその消
耗品を使用している本体の総PV予測[Step k2] Sales record of consumables / total PV
Prediction reading step (S1103) Consumable sales record z (t) accumulated in time series and total PV prediction of the main body using the consumable.
【外29】 [Outside 29]
【0162】を1消耗品モデル・1拠点(消耗品予測処
理単位)毎に入力され、RAM106に記憶される。注
目している消耗品が複数の本体で使用されていれば、そ
れぞれの本体の総PV予測Is input for each consumable model and one site (consumable prediction processing unit) and stored in the RAM 106. If the consumable you are looking for is used in multiple units, the total PV forecast for each unit
【外30】 [Outside 30]
【0163】の合計を改めてResuming the sum of
【外31】 [Outside 31]
【0164】とする。It is assumed that
【0165】例えば、図2及び図7において、日本でコ
ピー機A(201)とプリンタB(202)が共通のト
ナーC(701)を利用する場合、消耗品予測処理単位
の拠点は日本、消耗品モデルはトナーC、総PV予測For example, in FIG. 2 and FIG. 7, when the copier A (201) and the printer B (202) use the common toner C (701) in Japan, the base of the consumables prediction processing unit is Japan, Product model is Toner C, total PV forecast
【外32】 [Outside 32]
【0166】は、日本におけるコピー機Aの総PV予測Is the total PV forecast of copy machine A in Japan.
【外33】 [Outside 33]
【0167】とプリンタBの総PV予測And total PV prediction of printer B
【外34】 [Outside 34]
【0168】を足し合わせたものである。It is the sum of
【0169】〔ステップk3〕予測モード制御ステップ
(S1104)
本体稼動台数を予測する場合と同様に、以下の2つの予
測方法から1の予測方法を選択する。
(予測方法A)ステップk3a1、k3a2を実行する
(予測方法B)ステップk3b1を実行する
予測モードAは、実績データのデータ数をある程度必要
とするので、データが少ないときは適さず、予測方法2
の予測方法が適している場合が多い。この予測方法は予
め設定しておいてもよいが(強制予測モード)、以下の
ように、自動的に予測方法が選択(自動予測モード)さ
れるようにしてもよい。[Step k3] Prediction Mode Control Step (S1104) One prediction method is selected from the following two prediction methods as in the case of predicting the number of operating main bodies. (Prediction method A) Execute steps k3a1 and k3a2 (Prediction method B) Prediction mode A, which executes step k3b1, requires a certain number of actual data, and is not suitable when the data is small.
The prediction method of is often suitable. Although this prediction method may be set in advance (forced prediction mode), the prediction method may be automatically selected (automatic prediction mode) as follows.
【0170】すなわち、有効件数Tがある閾値N以上の
場合は、予測方法1に十分なデータがあるとして、予測
方法1を選択するが、一方、有効件数Tが閾値N未満の
場合は、予測方法1に十分なデータがないと判断して、
予測方法2を選択する(S1105)。この判断は、C
PU101により実現される。That is, when the number of valid cases T is greater than or equal to a certain threshold value N, the prediction method 1 is selected assuming that the prediction method 1 has sufficient data. On the other hand, when the number of valid cases T is less than the threshold value N, prediction is performed. Judging that Method 1 does not have enough data,
The prediction method 2 is selected (S1105). This judgment is C
It is realized by the PU 101.
【0171】例えば、N=24として、もしも、有効件
数Tが24以上であれば、予測方法1が選択され、有効
件数Tが24未満であれば予測方法2が選択される。For example, assuming N = 24, if the number of valid cases T is 24 or more, the prediction method 1 is selected, and if the number of valid cases T is less than 24, the prediction method 2 is selected.
【0172】また、上記の例では、有効件数Tによって
予測方法を選択するとしたが、別のパラメータを利用し
て予測方法を選択しても良い。In the above example, the prediction method is selected according to the number of valid cases T, but the prediction method may be selected using another parameter.
【0173】予測方法2は、十分なデータが得られない
場合や、販売計画段階におけるシミュレーション時に選
択されることが多い。The prediction method 2 is often selected when sufficient data cannot be obtained or during simulation at the sales planning stage.
【0174】本体稼働台数を予測する場合と同様に、予
測方法1の方が予測方法2よりも予測精度は高いとされ
ている。しかし、あるケースにおいては、例えデータが
十分あるときで予測方法2の方が予測方法1よりも精度
が高い場合がある。このような場合は、強制予測モード
が選択されることとなる。As in the case of predicting the number of operating main bodies, it is said that the prediction method 1 has higher prediction accuracy than the prediction method 2. However, in some cases, the prediction method 2 may be more accurate than the prediction method 1 even when there is sufficient data. In such a case, the forced prediction mode will be selected.
【0175】〔ステップk3a1〕消耗品販売実績平滑
化ステップ(S1106)
消耗品販売実績z(t)を平滑化する。CPU101
は、RAM106に記憶されている消耗品販売実績z
(t)に移動平均をかける(例えば12ヶ月の移動平
均)ことにより平滑化を実現する。平滑化された消耗品
販売実績z(t)を新たな消耗品販売実績z(t)とす
る。この平滑化は誤差による変動や季節変動を吸収する
ためであるので、平滑化を可能にする手法であれば、移
動平均をかけることに限られない。[Step k3a1] Consumable item sales record smoothing step (S1106) The consumable item sales record z (t) is smoothed. CPU 101
Is the consumable sales record z stored in the RAM 106.
Smoothing is realized by multiplying (t) by a moving average (for example, a moving average of 12 months). Let the smoothed consumable item sales record z (t) be the new consumable item sales record z (t). This smoothing is for absorbing fluctuations due to errors and seasonal fluctuations, and thus the method is not limited to applying a moving average as long as it is a method capable of smoothing.
【0176】〔ステップk3a2〕耐久枚数・拡散係数
算出ステップ1(S1107)
平滑化された消耗品販売実績z(t)と総PV予測[Step k3a2] Endurance Number / Diffusion Coefficient Calculation Step 1 (S1107) Smoothed Consumables Sales Record z (t) and Total PV Prediction
【外35】 [Outside 35]
【0177】から単位時間当たりの耐久枚数C、拡散密
度関数p(t)を求める。耐久枚数とは、単位時間にお
ける1単位当たりでとれるPVであり、拡散密度関数p
(t)とは、ある時刻以前の時間H(拡散レンジ、遅れ
巾)中に販売された消耗品の時間H中に消費される確率
密度である。From the number of durable sheets C per unit time and the diffusion density function p (t) are obtained from the following. The number of durable sheets is PV that can be taken per unit in a unit time, and the diffusion density function p
(T) is the probability density of the consumable goods sold during the time H (diffusion range, delay width) before a certain time, consumed during the time H.
【0178】ここでの消耗品の予測モデルにおいては、
同一拠点の同一消耗品モデルの耐久枚数Cは、どの時刻
においても一定であり、かつ同一の拡散密度関数に従う
とする。この仮定は、本発明の一つの特徴である。In the consumables prediction model here,
It is assumed that the durable number C of the same consumable model at the same location is constant at any time and follows the same diffusion density function. This assumption is one feature of the present invention.
【0179】従って、消耗品の予測モデルは以下の式で
表される。Therefore, the predictive model of the consumable item is expressed by the following equation.
【0180】[0180]
【外36】 [Outside 36]
【0181】ここでp(t)は確率密度関数である。p
(t)は区間0≦t≦Hで定義され、Here, p (t) is a probability density function. p
(T) is defined in the interval 0 ≦ t ≦ H,
【外37】 [Outside 37]
【0182】及び、
p(t)≧0(数25)
を満たす。また、e(t)は時刻tにおける誤差であ
る。誤差e(t)の二乗和を示す誤差二乗和Seは以下
のように表される。And, p (t) ≧ 0 (Equation 25) is satisfied. Further, e (t) is an error at time t. The error sum of squares Se, which indicates the sum of squares of the error e (t), is expressed as follows.
【0183】[0183]
【外38】 [Outside 38]
【0184】この誤差二乗和Seを数24及び数25の
条件の下で最小にする耐久枚数Cと拡散密度関数p
(t)をCPU101により数値解析により求める。な
お、この時、拡散レンジ(遅れ巾)Hは事前に入力され
ているものとする。The number of durable sheets C and the diffusion density function p that minimize the error sum of squares Se under the conditions of Eqs.
(T) is obtained by numerical analysis by the CPU 101. At this time, the diffusion range (delay width) H is assumed to be input in advance.
【0185】〔ステップk3b1〕耐久枚数・拡散係数
設定ステップ(S1109)
消耗品の販売実績z(t)のデータ数が少ないときは、
安定した耐久枚数C、確率密度関数p(t)を求めるの
は困難であるため、事前に耐久枚数C、拡散密度関数p
(t)及び拡散レンジ(遅れ巾)Hを入力しておく。[Step k3b1] Endurance Number / Diffusion Coefficient Setting Step (S1109) When the number of data of sales record z (t) of consumables is small,
Since it is difficult to obtain the stable durable sheet number C and the probability density function p (t), the durable sheet number C and the diffusion density function p are calculated in advance.
(T) and diffusion range (delay width) H are input.
【0186】〔ステップk4〕消耗品販売予測ステップ
(S1110)
消耗品の販売予測(需要予測)[Step k4] Consumables Sales Forecasting Step (S1110) Consumables Sales Forecasting (Demand Forecasting)
【外39】 [Outside 39]
【0187】を求める。[0187]
【0188】ステップk3a1で求まった耐久枚数C、
拡散密度関数p(t)及び拡散レンジH、又はステップ
k3b1により設定された耐久枚数C、拡散密度関数p
(t)及び拡散レンジHを数23に代入し、Seが最小
になるようにz(t)を順次決定していく。The number of durable sheets C found in step k3a1,
Diffusion density function p (t) and diffusion range H, or durable sheet number C set by step k3b1, diffusion density function p
Substituting (t) and the diffusion range H into the equation 23, z (t) is sequentially determined so that Se is minimized.
【0189】その消耗品の販売予測を[0189] Forecast the sales of the consumables
【外40】 [Outside 40]
【0190】とする。It is assumed that
【0191】〔ステップk5〕季節変動補正ステップ
(S1111)
季節変動による補正処理を行う。ここでいう季節変動と
は、本実施の形態の画像形成装置の例でいえば、クリス
マスシーズンや決算期にプリントボリュームが多くなる
等、季節により販売数量が変動することをいう。[Step k5] Seasonal Fluctuation Correction Step (S1111) Correction processing based on seasonal fluctuations is performed. In the example of the image forming apparatus according to the present embodiment, the term “seasonal fluctuation” means that the sales volume fluctuates depending on the season, such as a large print volume during the Christmas season or the settlement period.
【0192】まず、季節変動補正をするか否かが判断さ
れる。この判断は、CPU101がある条件(例えば、
RAM106に記憶されているあるパラメータのデータ
数等)に注目して実現されてもよいし、ユーザが入力部
102を介してこの判断を決定してもよい。季節変動す
ると判断された場合は、季節変動を考慮した消耗品の販
売予測がなされるが、季節変動しないと判断された場合
には季節変動を考慮した消耗品の販売予測はなされな
い。First, it is determined whether or not seasonal fluctuation correction is performed. This judgment is made under certain conditions of the CPU 101 (for example,
It may be realized by paying attention to the number of data of a certain parameter stored in the RAM 106, or the user may determine this determination via the input unit 102. If it is determined that seasonal fluctuations occur, sales forecasts for consumables considering seasonal fluctuations are made, but if it is determined that seasonal fluctuations do not occur, sales forecasts for consumables considering seasonal fluctuations are not made.
【0193】季節変動を考慮した消耗品の販売予測を行
うとした場合、以下の処理が行われる。When the sales forecast of consumables in consideration of seasonal variation is performed, the following processing is performed.
【0194】季節変動を考慮する場合、季節変動係数u
(i)を決定する必要がある。この季節変動係数u
(i)は、実績データから算出されるが、予め入力され
ていてもよい。季節変動係数u(i)を実績データから
算出したものを採用するか、或いは予め設定されたもの
を採用するかは適宜選択される。この選択は、CPU1
01がある条件に基づいて自動的に行ってもよいし、入
力されてもよい。選択方法は以下の2つのモードがあ
る。When the seasonal variation is considered, the seasonal variation coefficient u
It is necessary to determine (i). This seasonal coefficient u
(I) is calculated from the performance data, but may be input in advance. It is appropriately selected whether the seasonal variation coefficient u (i) calculated from the actual data is used or a preset value is used. This selection is CPU1
01 may be automatically performed based on a certain condition, or may be input. The selection method has the following two modes.
【0195】(1)自動算出モード
RAM106に記憶されている有効件数Tが、同じくR
AM106に記憶されている閾値N(例えばN=24)
以上の場合は、実績データから季節変動係数を算出す
る。最新の時刻のデータから12n≦Tを満たす最大の
自然数nを見つけ、時刻T−12n+1からTまでのデ
ータから季節変動係数を求める。ここでは便宜上T−1
2n+1を起点0、Tを12n−1の時刻とする。(1) The number T of effective cases stored in the automatic calculation mode RAM 106 is the same as R
Threshold value N stored in AM 106 (eg N = 24)
In the above cases, the seasonal variation coefficient is calculated from the actual data. The maximum natural number n that satisfies 12n ≦ T is found from the latest time data, and the seasonal variation coefficient is obtained from the data from time T-12n + 1 to T. Here, for convenience, T-1
It is assumed that 2n + 1 is the starting point 0 and T is 12n-1.
【0196】CPU101は、RAM106に記憶され
ている周期から以下の式を用いて変動率g(t)を求め
る。The CPU 101 obtains the fluctuation rate g (t) from the cycle stored in the RAM 106 using the following formula.
【0197】[0197]
【外41】 [Outside 41]
【0198】季節変動を抽出する場合、変動の大きさは
その月の絶対量が大きい時は大きく変動し、絶対量が小
さい時は小さく変動する。例えば、販売数量(基本需要
量)が2000年1月に100、2001年1月に10
00の時では変動量もそれに応じて10、100と変動
する場合が多いので変動率で捉えた方がよい。この例で
は10/100、100/1000でどちらも0.1と
なる。従って周期的な変動を抽出する場合には絶対量の
大小に依存しないように変動率で捉えるほうが現実に合
う場合が多い(正規化)。そのために観測値から傾向値
(基本需要量)を除き、それを傾向値で除算することで
正規化を行っている。そして、CPU101は、以下の
式により季節変動係数u(i)を求める。When the seasonal variation is extracted, the magnitude of the variation fluctuates greatly when the absolute amount of the month is large, and changes small when the absolute amount is small. For example, the sales volume (basic demand) is 100 in January 2000 and 10 in January 2001.
When it is 00, the variation amount often changes to 10, 100 accordingly, so it is better to capture it by the variation rate. In this example, both 10/100 and 100/1000 are 0.1. Therefore, in the case of extracting periodic fluctuations, it is often more realistic to capture the fluctuations so as not to depend on the magnitude of the absolute amount (normalization). Therefore, normalization is performed by removing the trend value (basic demand) from the observed value and dividing it by the trend value. Then, the CPU 101 obtains the seasonal variation coefficient u (i) by the following formula.
【0199】[0199]
【外42】 [Outside 42]
【0200】上記の式は各月の変動率の平均を求めてい
る。例えば5月の変動係数は1998年5月、1999
年の5月、2000年5月の変動率の平均というよう
に、1月から12月までの各月での変動率の平均を求
め、これを季節変動係数とする。変動率は(数27)で
絶対量に依存しないように求められているので平均をと
ることに意味があり、かつ平均をとることでより精度が
向上する。但し、
0≦i≦11(数29)
である。季節変動補正後の販売予測The above equation finds the average of the volatility for each month. For example, the coefficient of variation for May is May 1998, 1999
The average of the volatility in each month from January to December, such as the average of the volatility in May and May 2000 of the year, is obtained and used as the seasonal coefficient of variation. Since the fluctuation rate is calculated in (Equation 27) so as not to depend on the absolute amount, it makes sense to take an average, and the accuracy is further improved by taking the average. However, 0 ≦ i ≦ 11 (Equation 29). Sales forecast after seasonal fluctuation correction
【外43】 [Outside 43]
【0201】は以下の式により求まる。Is calculated by the following equation.
【0202】[0202]
【外44】 [Outside 44]
【0203】上式は販売予測(傾向値、基本需要量)に
対して各月の季節変動係数を乗じて季節変動を加味した
販売予測を求める式である。この演算はCPU101に
より実現される。The above formula is a formula for multiplying the sales forecast (trend value, basic demand amount) by the seasonal variation coefficient of each month to obtain the sales forecast in consideration of the seasonal variation. This calculation is realized by the CPU 101.
【0204】例えば、2000年5月の販売予測は20
00年5月の販売予測に5月の季節変動係数を乗じて季
節変動を加味した値を求めるものである。For example, the sales forecast for May 2000 is 20.
The sales forecast for May 2000 is multiplied by the seasonal variation coefficient for May to obtain a value that takes seasonal variation into account.
【0205】なお、mod(t,12)はtを12で除
算した時の剰余を表す。求まったNote that mod (t, 12) represents the remainder when t is divided by 12. Found
【外45】 [Outside 45]
【0206】をあらためてAnew
【外46】 [Outside 46]
【0207】とする。It is assumed that
【0208】一方、有効件数Tがある閾値N未満の場合
には、u(i)を事前に与えられたi+1月の季節変動
係数とする。季節変動補正後の値は事前に与えられたu
(i)を用いて数30によって求まり、求まったOn the other hand, when the number of valid cases T is less than a certain threshold value N, u (i) is set as a predetermined seasonal coefficient of seasonal variation for i + 1 month. The value after seasonal fluctuation correction is given in advance u
Equation (30) using (i)
【外47】 [Outside 47]
【0209】をあらためてRenewing
【外48】 [Outside 48]
【0210】とする。It is assumed that
【0211】(2)強制モード
自動算出モードでは、季節変動係数を算出するか、事前
に与えられたものを採用するかは、自動的に判断された
が、自動的に判断されては不都合な場合がある。この場
合は、この強制モードにより、季節変動係数を算出する
か、或いは、事前に与えられたものを採用するかを事前
に決定しておく。(2) Forced mode In the automatic calculation mode, whether to calculate the seasonal variation coefficient or to use the one given in advance was automatically determined, but it is inconvenient if it is automatically determined. There are cases. In this case, it is determined in advance whether to calculate the seasonal variation coefficient or to use the one given in advance in this forced mode.
【0212】このように自動算出モードであるか、或い
は強制モードかの選択を可能にすることによって、より
柔軟、かつ機動的な予測が可能となる。As described above, by making it possible to select the automatic calculation mode or the forced mode, more flexible and agile prediction becomes possible.
【0213】〔ステップk6〕各種係数算出ステップ
次にCPU101は、RAM106に記憶されている各
種パラメータに基づいて消耗品の消滅年月Ed、エイジ
ング係数Ag、重相関係数R、標準誤差sを求める。[Step k6] Various Coefficient Calculation Steps Next, the CPU 101 obtains the expiry date Ed of the consumables, the aging coefficient Ag, the multiple correlation coefficient R, and the standard error s based on the various parameters stored in the RAM 106. .
【0214】消滅時刻EdはThe disappearance time Ed is
【外49】 [Outside 49]
【0215】が0となる時刻(年月)である。これは市
場で消耗品の需要がなくなるであろう時刻を表す。This is the time (year / month) when is zero. This represents the time when there will be no demand for consumables on the market.
【0216】[0216]
【外50】 [Outside 50]
【0217】が0になる代わりにある閾値未満になった
時刻を需要がなくなった時刻をEdとすることもでき
る。Instead of 0, the time when the demand becomes less than a certain threshold can be set as Ed.
【0218】エイジング係数は以下の式にて算出するこ
とができる。The aging coefficient can be calculated by the following formula.
【0219】[0219]
【外51】 [Outside 51]
【0220】Cは予測処理を実行した時刻に対応するア
ドレスである。これは消耗品の市場での全需要に対して
現時点でどの程度の需要があったかを示す指標である。
エイジング係数Agが0の場合、現時点で需要は発生し
ていないことを示し、エイジング係数Agが1の場合、
現時点で既に需要は終えたことを示している。C is an address corresponding to the time when the prediction process is executed. This is an index showing how much of the consumables market is currently in demand.
When the aging coefficient Ag is 0, it indicates that no demand is generated at this moment, and when the aging coefficient Ag is 1,
At this point, the demand has already ended.
【0221】重相関係数Rは以下の式により求まる。The multiple correlation coefficient R is obtained by the following equation.
【0222】[0222]
【外52】 [Outside 52]
【0223】なお、It should be noted that
【外53】 [Outside 53]
【0224】である。重相関係数Rは、予測精度を表す
指標であり、1に近づくほど精度がよく、0に近づくほ
ど精度は悪いことを示している。[0224] The multiple correlation coefficient R is an index indicating the prediction accuracy, and the closer to 1 the accuracy is, and the closer to 0 the accuracy is.
【0225】標準誤差sは以下の式により求まる。The standard error s is obtained by the following formula.
【0226】[0226]
【外54】 [Outside 54]
【0227】標準誤差sは、予測精度を表す指標であ
り、0に近づくほど精度がよいことを示している。The standard error s is an index showing the prediction accuracy, and the closer to 0, the better the accuracy.
【0228】本実施の形態では、単位時間を月とした
が、年単位、日単位、週単位であってもよい。また、単
位時間毎に処理を進めるのではなく、任意の時間毎に処
理をしてもよい。すなわち、1ヶ月間→2ヶ月間→1ヶ
月間→3ヶ月間のように不定の間隔で処理を進めてもよ
い。In the present embodiment, the unit time is a month, but it may be a year unit, a day unit, or a week unit. Further, the process may not be performed every unit time, but may be performed at any time. That is, the processing may proceed at indefinite intervals such as 1 month → 2 months → 1 month → 3 months.
【0229】以上のように、本発明によれば、消耗品の
需要予測結果をもとに消耗品ビジネスの計画策定支援等
を行うことができる。As described above, according to the present invention, it is possible to support the planning of the consumables business based on the demand forecast result of the consumables.
【0230】〔5.予測結果の表示〕前述の本体の稼働
台数の予測結果、消耗品の需要予測結果は、CPU10
1による制御により、出力部103上に、テーブル形
式、又は/及びグラフ形式で表示される。[5. Display of Prediction Result] The above-mentioned prediction result of the number of operating main bodies and demand prediction result of consumables are the CPU
Under the control of 1, the information is displayed on the output unit 103 in a table format and / or a graph format.
【0231】図36は、消耗品の需要予測結果を出力部
103上に表示した際の画面を示している。FIG. 36 shows a screen when the demand forecast result of consumables is displayed on the output unit 103.
【0232】同様に各種係数(例えば、信頼度係数h、
消滅年月Ed、エイジング係数Ag等)も、出力部10
3に表示するとしてもよいことはいうまでもない。Similarly, various coefficients (for example, reliability coefficient h,
The disappearance date Ed, the aging coefficient Ag, etc.) are also output by the output unit 10.
Needless to say, it may be displayed in 3.
【0233】〔6.予測方法の切替〕従来の予測手法、
及び上記の予測手法においては、製品の全ての販売期間
にわたって単一の予測手法が用いられているため、販売
需要がその予測手法の想定していない原因によって変動
する場合には、販売予測の精度が低下することがあっ
た。[6. Switching of prediction method] Conventional prediction method,
Also, in the above forecasting method, a single forecasting method is used over the entire sales period of the product, so if the sales demand fluctuates due to causes not anticipated by the forecasting method, the accuracy of the sales forecasting Was sometimes reduced.
【0234】特に以下の3点において、従来の予測手法
では的確な予測を実現することが困難であった。
A. パイプラインフィル
事務機やパソコンの周辺機器の消耗品等の業界において
は、消耗品をエンドユーザに対して確実に供給する義務
があるため、仲卸業者や販売店が在庫を持つケースが多
い。それらの在庫を満たすための需要を一般にパイプラ
インフィルと呼んでいる。このパイプラインフィルのた
め、販売の初期においては、従来の予測手法では予測で
きない特徴的な需要が生ずる。
B. 互換品の出現
事務機やパソコンの周辺機器の消耗品等の業界において
は、事務機等の本体メーカが製造した消耗品の他、これ
と互換性を有する他のメーカが製造した互換製品が出現
する場合がある。この場合、本体メーカが製造する消耗
品の販売に影響を与える場合がある。従来の予測手法で
は、このような互換品の出現に対する十分な予測ができ
なかった。
C. 消耗品販売期間の末期
事務機やパソコンの周辺機器の消耗品は、その本体の販
売が終了した後もユーザーが本体の使用を継続する間は
販売する必要があるため、その消耗品販売期間の末期に
おいては、事務機やパソコンの周辺機器本体の中古品が
メーカーの想定した市場以外に流通するなどして、消耗
品の販売が不安定になる場合がある。従来の予測手法で
は、このような販売期間の末期を正確に予測することが
できなかった。Particularly, in the following three points, it was difficult to realize accurate prediction by the conventional prediction method. A. In the industry such as pipeline fill office machines and consumables for peripherals of personal computers, there are many cases where intermediate wholesalers and dealers have inventory because they are obliged to reliably supply consumables to end users. The demand to meet those inventories is commonly called pipeline fill. Due to this pipeline fill, a characteristic demand that cannot be predicted by the conventional prediction method is generated in the early stage of sales. B. Appearance of compatible products In the industry such as consumables for office machines and PC peripherals, in addition to consumable products manufactured by the main makers of office machines, compatible products manufactured by other manufacturers that are compatible with this have appeared. There is a case. In this case, the sales of consumables manufactured by the main body manufacturer may be affected. The conventional prediction method cannot sufficiently predict the appearance of such compatible products. C. End of consumables sales period Consumables for office machines and PC peripherals need to be sold for as long as the user continues to use the main unit even after the main unit has been sold. At the end of the period, the sales of consumables may become unstable due to the distribution of second-hand items for office machines and computer peripherals outside the markets envisioned by the manufacturer. Conventional forecasting methods have not been able to accurately forecast the end of such a sales period.
【0235】本発明は、上記のような課題を解決すべく
創作された。以下に図面に基づいて詳説する。The present invention was created to solve the above problems. The details will be described below with reference to the drawings.
【0236】図18は、消耗品の需要予測の概念図であ
る。FIG. 18 is a conceptual diagram of demand forecast of consumables.
【0237】図中には、販売実績の遷移とある時点での
消耗品の需要予測が示してある。以下、「消耗品」に関
して説明するが、これが「製品」であってもよい。In the figure, the transition of the sales record and the demand forecast of the consumables at a certain point are shown. Hereinafter, the “consumable item” will be described, but this may be a “product”.
【0238】図19は、パイプラインフィル(A)の問
題を解決するための初期需要予測の概念図である。FIG. 19 is a conceptual diagram of initial demand forecast for solving the problem of pipeline fill (A).
【0239】図19中の販売実績を見てわかるように、
販売数量が、販売の初期の期間において、それ以外の期
間と別の挙動を示す。As can be seen by looking at the sales record in FIG.
The sales quantity behaves differently in the initial period of sale than in other periods.
【0240】図20は、互換品の出現(B)の問題を解
決するための他社反映需要予測の概念図である。FIG. 20 is a conceptual diagram of another-company reflected demand forecast for solving the problem of appearance (B) of compatible products.
【0241】図20中の販売実績を見てわかるように、
販売数量がある時点(互換品の出現)から当初の需要予
測から外れていることがわかる。As can be seen from the sales record in FIG. 20,
It can be seen that the sales volume deviates from the initial demand forecast at some point (the appearance of compatible products).
【0242】図21は、販売期間の末期の問題を解決す
るためのトレンド需要予測の概念図である。FIG. 21 is a conceptual diagram of trend demand forecast for solving the problem at the end of the sales period.
【0243】図21中の販売実績を見てわかるように、
販売期間の末期においては、当初の需要予測と乖離した
挙動を示す。As can be seen from the sales record in FIG. 21,
At the end of the sales period, the behavior deviates from the initial demand forecast.
【0244】図23は、予測手法を切り替えるための図
17のプログラムのモジュール構成に付加するモジュー
ル構成を示している。FIG. 23 shows a module structure added to the module structure of the program of FIG. 17 for switching the prediction method.
【0245】〔消耗品需要予測モジュール(230
3)〕前述の本体や消耗品の需要予測方法や、単純な線
形(非線形)近似を利用した需要予測を実行するモジュ
ールである。消耗品需要予測モジュール(503)は、
常に最新の予測結果が蓄積されていると仮定する。[Consumables Demand Forecasting Module (230
3)] This module executes the demand forecasting method for the main body and consumables described above and the demand forecasting using a simple linear (non-linear) approximation. Consumables demand forecast module (503)
It is assumed that the latest prediction results are always accumulated.
【0246】〔消耗品初期需要予測モジュール(230
4)〕図19のパイプラインフィルの問題を解決するた
めの消耗品初期需要予測(F2)を実現するモジュール
である。[Consumables Initial Demand Forecast Module (230
4)] It is a module that realizes a consumable product initial demand forecast (F2) for solving the pipeline fill problem of FIG.
【0247】消耗品初期需要モジュールは、以下のよう
な2つのモデルに基づいて実現される。The consumable goods initial demand module is realized based on the following two models.
【0248】(モデル1) 本体付随モデル
本体販売開始月より一定期間(消耗品初期需要予測モデ
ルマスタで指定)、本体販売実績計画(RPM)に対し
て、消耗品初期需要モデルマスタで指定された係数をか
け、その予測結果を採用する。(Model 1) For the fixed period (specified by the consumables initial demand forecasting model master) from the month when the main body accompanying model is sold, it is designated by the consumables initial demand model master for the main unit sales result plan (RPM) Multiply the coefficient and use the prediction result.
【0249】(モデル2) 需要予測比例モデル
消耗品需要予測の発生月より一定期間(消耗品初期需要
予測マスタモデルで指定)、消耗品需要予測結果(FC
1)に対して、消耗品需要モデルマスタで指定された係
数をかけ、その予測結果を採用する。(Model 2) Demand Forecast Proportional Model Consumables demand forecast results (FC
1) is multiplied by the coefficient specified in the consumables demand model master, and the prediction result is adopted.
【0250】〔消耗品他社反映需要予測モジュール(2
305)〕図20の互換品の出現(B)の問題を解決す
るための消耗品他社反映予測(F4)を実現するモジュ
ールである。[Consumables Demand Reflection Module Reflected by Other Company (2
305)] It is a module that implements a consumable product other-company reflection prediction (F4) for solving the problem of appearance (B) of a compatible product in FIG.
【0251】ここに、消耗品他社反映需要予測とは、消
耗品需要予測結果(FC1)に対して、消耗品他社反映
係数をかけ、その計算結果を予測結果とする予測であ
る。対象となる期間は以下のように決定される。The consumables company reflected demand forecast is a prediction in which the consumables demand forecast result (FC1) is multiplied by a consumables company reflection coefficient and the calculation result is used as the forecast result. The target period is determined as follows.
【0252】消耗品販売実績(RC)のある最初の月よ
り、他社反映予測モデルマスタの期間(月数)経過した
月以降を消耗品他社反映予測対象期間(T(FC5))
とする。[0252] From the first month in which the consumables sales record (RC) is present, the period after the period (number of months) of the forecast model master for reflecting other companies has passed and the period for which the consumables other company reflects forecasting period (T (FC5)).
And
【0253】図36は、消耗品販売実績(RC)と消耗
品他社反映予測対象期間(T(FC5))の例を示した
図である。FIG. 36 is a diagram showing an example of the consumables sales record (RC) and the consumables other-company reflected prediction target period (T (FC5)).
【0254】図36の例では、1999年3月から販売
実績があるため24ヶ月目の2001年2月から対象期
間となる。In the example of FIG. 36, since the sales record has been available since March 1999, the target period starts from February 2001, which is the 24th month.
【0255】また、消耗品他社反映係数は他社反映モデ
ルマスタにあらかじめ任意に設定する。The consumables other company reflection coefficient is arbitrarily set in advance in the other company reflection model master.
【0256】〔消耗品トレンド需要予測モジュール(2
305)〕図21の販売期間の末期の問題を解決するた
めの消耗品トレンド需要予測(F3)を実現するモジュ
ールである。[Consumables Trend Demand Forecasting Module (2
305)] This module realizes a consumable product trend demand forecast (F3) for solving the problem at the end of the sales period in FIG.
【0257】消耗品需要トレンド予測においては、消耗
品需要予測に用いられる総PV予測との因果関係を使用
しないで時間軸上で消耗品自身の販売実績を非線形回帰
分析等をすることにより需要を予測する。In the consumables demand trend prediction, the demand is calculated by performing a non-linear regression analysis or the like on the sales results of the consumables itself on the time axis without using the causal relationship with the total PV prediction used for the consumables demand prediction. Predict.
【0258】対象となる消耗品は、本体の販売がほぼ終
了しているもの、もしくは任意に指定した消耗品が対象
となる。The target consumables are those for which the main body has been almost sold, or consumables designated arbitrarily.
【0259】〔判定モジュール(2307)〕最新の実
績に対してどの需要予測結果が適しているか判定する。
最新の過去nか月の実績と其々の需要予測との差異を計
算し、最も差異の小さい需要予測を選択する。[Determination Module (2307)] Which demand forecast result is suitable for the latest performance is determined.
The difference between the latest past n months of actual results and each demand forecast is calculated, and the demand forecast with the smallest difference is selected.
【0260】図24は、本発明の全体のフロー図であ
る。FIG. 24 is an overall flow chart of the present invention.
【0261】図中のS2401の消耗品需要予測処理
は、前述の〔1.本体の稼働台数の予測〕〔2.本体の
平均PVの予測〕〔3.本体の総PVの予測〕〔4.消
耗品の需要予測〕に従うものである。The consumable product demand forecasting process of S2401 in the figure is performed by the above-mentioned [1. Prediction of the number of operating main units] [2. Prediction of average PV of main body] [3. Prediction of total PV of main body] [4. Consumables demand forecast].
【0262】図25は、図24のS2402の消耗品初
期需要予測処理の詳細を示したフロー図である。FIG. 25 is a flow chart showing details of the consumable goods initial demand forecasting process of S2402 of FIG.
【0263】S2501において、CPU101は、消
耗品初期需要クロスマスタDB(DB(F))より初期
需要消耗品拠点/クロスマスタMCを呼び出しRAM1
06に書き込む。In S2501, the CPU 101 calls the initial demand consumable goods base / cross master MC from the consumable goods initial demand cross master DB (DB (F)) RAM1.
Write to 06.
【0264】S2502において、CPU101は、消
耗品初期需要モデルDB(DB(G))よりMCにて指
定された消耗品初期需要モデルマスタMI1を呼び出し
RAM106に書き込む。In S2502, the CPU 101 calls the consumable product initial demand model master MI1 designated by MC from the consumable product initial demand model DB (DB (G)) and writes it in the RAM 106.
【0265】S2503において、CPU101は、本
体販売予定/実績DB(DB(H))より本体販売実績
計画RPMを呼び出し、RAM106に書き込む。[0265] In S2503, the CPU 101 calls the main body sales performance plan RPM from the main body sales schedule / performance DB (DB (H)) and writes it in the RAM 106.
【0266】S2504において、CPU101は、初
期需要予測(F2)を実行する。In S2504, the CPU 101 executes the initial demand forecast (F2).
【0267】S2505において、初期需要予測(F
2)の結果を消耗品初期需要予測結果DB(DB
(C))の消耗品初期需要予測結果FC3の領域に書き
込む。In S2505, the initial demand forecast (F
The result of 2) is the consumables initial demand forecast result DB (DB
(C)) Write in the area of the consumables initial demand forecast result FC3.
【0268】図26は、図24のS2403の消耗品他
社反映需要予測処理の詳細を示したフロー図である。FIG. 26 is a flow chart showing the details of the consumables company reflected demand forecasting process of S2403 of FIG.
【0269】S2601において、CPU101は、消
耗品他社反映クロスマスタDB(DB(K))より消耗
品他社反映拠点/クロスマスタMC4を呼び出し、RA
M106に書き込む。In S2601, the CPU 101 calls up the consumables company reflected site / cross master MC4 from the consumables company reflected cross master DB (DB (K)) to execute RA
Write to M106.
【0270】S2602において、CPU101は、消
耗品他社反映モデルマスタDB(DB(L))よりMC
4にて指定された消耗品他社反映予測モデルマスタMI
2を呼び出しRAM106に書き込む。[0270] In S2602, the CPU 101 reads the MC from the model master DB (DB (L)) reflecting the consumable product of another company.
Consumables Specified in 4 Other company reflected prediction model master MI
2 is written and written in the RAM 106.
【0271】S2603において、CPU101は、消
耗品販売実績DB(DB(D))より消耗品販売実績
(RC)を呼び出しRAM106に書き込む。In S2603, the CPU 101 calls the consumables sales record (RC) from the consumables sales record DB (DB (D)) and writes it in the RAM 106.
【0272】S2604において、RAM106上に、
消耗品他社反映予測対象期間(T(FC5))を作成す
る。[0272] In S2604, in the RAM 106,
Create a forecast period (T (FC5)) for reflecting the consumables company.
【0273】S2605において、CPU101は、消
耗品他社反映需要予測の対象期間か否かを判定する。具
体的には、消耗品他社反映需要予測対象期間(T(FC
5))内に消耗品販売実績(RC)がない場合には、S
2606に進み、消耗品他社反映需要予測結果DB(D
B(M))の消耗品他社反映需要予測結果FC5の領域
に全て“0”を書き込む。[0273] In S2605, the CPU 101 determines whether or not it is the target period of the consumables company reflected demand forecast. Specifically, the period for which the consumable product is reflected in another company's demand forecast (T (FC
5)) If there is no sales record (RC) of consumables in S, S
Proceeding to 2606, the demand forecast result DB (D
All of "0" is written in the area of the demand forecast result FC5 of the consumable product reflected by another company of B (M)).
【0274】また、S2605において、CPU101
が、消耗品他社反映需要予測期間内に消耗品販売実績が
あると判定した場合は、S2607に進み、消耗品需要
予測結果(補正前)(DB(A))より消耗品需要予測
結果(補正前)(FC1)を呼び出しRAM106に書
き込む。Also, in S2605, the CPU 101
However, if it is determined that there is a consumables sales record within the consumables reflected demand forecast period, the process proceeds to S2607, and the consumables demand forecast result (before correction) (DB (A)) is calculated. Before) (FC1) is called and written in the RAM 106.
【0275】S2608において、CPU101は、消
耗品他社反映需要予測(F4)を実行する。[0275] In S2608, the CPU 101 executes the consumables company reflected demand forecast (F4).
【0276】S2609において、CPU101は、消
耗品他社反映需要予測(F4)の結果を消耗品他社需要
予測結果DB(DB(M))の消耗品他社反映需要予測
結果F5Cの領域に書き込む。[0276] In S2609, the CPU 101 writes the result of the consumables company reflected demand forecast (F4) in the area of the consumables company reflected demand forecast result F5C of the consumables company other demand forecast result DB (DB (M)).
【0277】図27は、図24のS2404の消耗品ト
レンド需要予測処理の詳細を示したフロー図である。FIG. 27 is a flow chart showing details of the consumable goods trend demand forecasting process of S2404 of FIG.
【0278】S2701において、CPU101は、本
体販売予定/実績DB(DB(H))より本体販売実績
(RM)、及び本体販売実績計画を呼び出し、RAM1
06に書き込む。In S2701, the CPU 101 calls the main body sales result (RM) and the main body sales result plan from the main body sales schedule / actual result DB (DB (H)), and the RAM 1
Write to 06.
【0279】S2702において、CPU101は、消
耗品トレンド需要予測アイテムDB(DB(I))より
消耗品トレンド予測対象アイテムをRAM106に書き
込む。[0279] In S2702, the CPU 101 writes the consumable goods trend prediction target item in the RAM 106 from the consumable goods trend demand prediction item DB (DB (I)).
【0280】S2703において、CPU101は、消
耗品トレンド予測期間であるか否かを判定する。具体的
には、本体販売実績の総和を本体販売実績計画の総和で
除したものが任意の数値(図27では、0.90)以上
である場合を、消耗品トレンド需要予測期間であるとす
る。[0280] In S2703, the CPU 101 determines whether or not it is the consumable goods trend prediction period. Specifically, when the sum of the main body sales results divided by the sum of the main body sales performance plans is equal to or greater than an arbitrary value (0.90 in FIG. 27), the consumable product trend demand forecast period is set. .
【0281】また、S2703において、消耗品トレン
ド需要予測期間でなくても、ユーザーが強制的に消耗品
トレンド需要予測を実行したいという要請がある。そこ
で、S2704において、消耗品トレンド需要予測アイ
テムDB(DB(I))が存在するか否かを判定し、存
在する場合は、強制的にS2709に移行する。Also, in S2703, there is a request for the user to forcibly execute the consumable goods trend demand prediction even during the consumable goods trend demand prediction period. Therefore, in S2704, it is determined whether or not the consumable goods trend demand prediction item DB (DB (I)) exists, and if it exists, the process forcibly proceeds to S2709.
【0282】一方、S2704において、消耗品トレン
ド需要予測アイテムDB(DB(I))が存在しなけれ
ば、S2705に移行し、消耗品トレンド需要予測結果
DB(DB(M))の消耗品他社反映需要予測結果FC
5の領域の全てに“0”を書き込む。On the other hand, if the consumables trend demand forecast item DB (DB (I)) does not exist in S2704, the process proceeds to S2705, and the consumables trend demand forecast result DB (DB (M)) is reflected by the other companies. Demand forecast result FC
Write "0" in all of the 5 areas.
【0283】S2706において、CPU101は、消
耗品販売実績DB(DB(D))より消耗品販売実績
(RC)を呼び出し、RAM106に書き込む。In S2706, the CPU 101 calls the consumables sales record (RC) from the consumables sales record DB (DB (D)) and writes it in the RAM 106.
【0284】S2707において、CPU101は、消
耗品トレンド需要予測(F3)を実行する。[0284] In S2707, the CPU 101 executes consumable product trend demand forecast (F3).
【0285】S2708において、CPU101は、消
耗品トレンド需要予測の結果を消耗品トレンド需要予測
結果DB(DB(I))の消耗品トレンド需要予測結果
FC4の領域に書き込む。[0285] In S2708, the CPU 101 writes the result of the consumable goods trend demand prediction in the area of the consumable goods trend demand prediction result FC4 of the consumable goods trend demand prediction result DB (DB (I)).
【0286】図28及び図29は、図24のS2405
及びS2407の予測手法の判別のフローを示した図で
ある。28 and 29 show S2405 of FIG.
7 is a diagram showing a flow of determining a prediction method in S2407 and S2407.
【0287】S2801において、CPU101は、消
耗品需要予測モジュールより消耗品需要予測結果(FC
1)を呼び出し、RAM106、及び消耗品需要予測結
果(補正後)DB(DB(B))に書き込む。[0287] In S2801, the CPU 101 causes the consumable goods demand prediction module to calculate the consumable goods demand prediction result (FC
1) is called and written in the RAM 106 and the consumables demand forecast result (corrected) DB (DB (B)).
【0288】S2802において、CPU101は、初
期需要予測モジュールより消耗品需要予測結果(FC
3)を呼び出し、RAM106に書き込む。[0288] In S2802, the CPU 101 causes the consumables demand forecast result (FC
3) is called and written in the RAM 106.
【0289】S2803において、CPU101は、消
耗品他社反映予測モジュールより消耗品他社反映需要予
測結果(FC5)を呼び出し、RAM106に書き込
む。In S2803, the CPU 101 calls the consumables company reflected demand forecast result (FC5) from the consumables company reflected forecast module and writes it in the RAM 106.
【0290】S2804において、CPU101は、消
耗品トレンド予測モジュールより消耗品トレンド予測結
果(FC4)を呼び出し、RAM106に書き込む。[0290] In S2804, the CPU 101 calls the consumable goods trend prediction result (FC4) from the consumable goods trend prediction module and writes it in the RAM 106.
【0291】S2805において、CPU101は、消
耗品販売実績DB(DB(D))より消耗品販売実績
(RC)を呼び出し、RAM106に書き込む。In S2805, the CPU 101 calls the consumables sales record (RC) from the consumables sales record DB (DB (D)) and writes it in the RAM 106.
【0292】S2806において、CPU101は、消
耗品販売実績があるか否かを判定する。具体的には、消
耗品販売実績期間(T(RC))が0よりも大きけれ
ば、S2807に移行し、そうでなければ、S2809
に移行する。[0292] In S2806, the CPU 101 determines whether or not there is a consumable product sales record. Specifically, if the consumable product sales record period (T (RC)) is greater than 0, the process proceeds to S2807, and if not, S2809.
Move to.
【0293】S2807において、CPU101は、消
耗品販売実績期間は初期需要予測期間以下か否かを判定
する。具体的には、初期需要予測期間(T(FC3))
が消耗品販売実績期間(T(RC))以上であれば、S
2808に移行し、そうでなければ、後述する図29の
S2910に移行する。[0293] In S2807, the CPU 101 determines whether or not the consumable product sales record period is less than or equal to the initial demand forecast period. Specifically, the initial demand forecast period (T (FC3))
Is the consumables sales record period (T (RC)) or more, S
If not, the process proceeds to S2910 of FIG. 29, which will be described later.
【0294】S2808においては、CPU101は、
初期需要予測結果が消耗品需要予測結果と比べ、消耗品
販売実績との差異が小さいか否かを判定する。具体的に
は、過去nか月(nは任意)の消耗品需要予測結果と消
耗品販売実績結果との差の絶対値が、消耗品需要予測結
果と消耗品販売実績結果との差の絶対値よりも小さいか
否かを判定する。CPU101は、過去nか月の消耗品
需要予測結果と消耗品販売実績結果との差の絶対値が、
消耗品需要予測結果と消耗品販売実績結果との差の絶対
値よりも小さいと判定した場合は、S2809に移行
し、そうでなければ、後述する図29のS2910に移
行するように動作する。At S2808, the CPU 101
It is determined whether or not the difference between the initial demand forecast result and the consumable item demand forecast result is smaller than the consumable item sales record. Specifically, the absolute value of the difference between the consumables demand forecast result and the consumables sales record result for the past n months (n is arbitrary) is the absolute difference between the consumables demand forecast result and the consumables sales record result. It is determined whether it is smaller than the value. The CPU 101 determines that the absolute value of the difference between the consumables demand forecast result for the past n months and the consumables sales result result is
If it is determined that it is smaller than the absolute value of the difference between the consumable goods demand prediction result and the consumable goods sales result result, the operation proceeds to S2809, and if not, the operation proceeds to S2910 of FIG. 29 described later.
【0295】S2890において、CPU101は、消
耗品初期需要予測結果(FC4)を消耗品需要予測結果
(補正後)DB(DB(B))の消耗品需要予測結果
(FC2)に書き込む。[0295] In S2890, the CPU 101 writes the consumable goods initial demand prediction result (FC4) in the consumable goods demand prediction result (corrected) DB (DB (B)) consumable goods demand prediction result (FC2).
【0296】図29のS2910において、以下のA,
B,Cのうち差の絶対値が最も小さいものを判定する。In S2910 of FIG. 29, the following A,
Of B and C, the one having the smallest absolute value of the difference is determined.
【0297】A.過去nか月の消耗品需要予測結果と消
耗品販売実績結果との差の絶対値
B.過去nか月の消耗品トレンド需要予測結果と消耗品
販売実績結果との差の絶対値
C.過去nか月の消耗品他社反映需要予測結果と消耗品
販売実績結果との差の絶対値
B.が最も小さいのであれば、S2911に移行し、消
耗品トレンド需要予測結果(FC4)を消耗品需要予測
結果(補正後)DB(DB(B))の消耗品需要予測結
果(FC2)に書き込む。Cが最も小さいのであれば、
S2912に移行し、消耗品他社反映需要予測結果(F
C3)を消耗品需要予測結果(補正後)DB(DB
(B))の消耗品需要予測結果(FC2)に書き込む。A. Absolute value of the difference between the consumables demand forecast result and the consumables sales result result in the past n months B. Absolute value of the difference between the consumables trend demand forecast result for the past n months and the consumables sales result result C. Absolute value of the difference between the forecast results of consumables reflected by other companies in the past n months and the results of sales of consumables B. Is the smallest, the process proceeds to S2911, and the consumable goods demand forecast result (FC4) is written to the consumable goods demand forecast result (corrected) DB (DB (B)) consumable demand forecast result (FC2). If C is the smallest,
After shifting to S2912, the demand forecast result (F
C3) is the consumables demand forecast result (after correction) DB (DB
(B)) Consumables demand forecast result (FC2) is written.
【0298】本発明の特徴の一つである、消耗品トレン
ド予測モジュール(2305)について更に詳述する。The consumable goods trend prediction module (2305), which is one of the features of the present invention, will be described in more detail.
【0299】消耗品トレンド需要予測モジュール(23
05)は、消耗品トレンド需要予測(F3)を実行する
モジュールである。この需要予測では、消耗品需要予測
に用いられる総PV予測との因果関係を使用しないで時
間軸上で消耗品自身の販売実績を非線形回帰分析を行い
需要予測とする。Consumables Trend Demand Forecasting Module (23
05) is a module that executes consumable goods trend demand forecast (F3). In this demand forecast, non-linear regression analysis is performed on the sales record of the consumable item itself on the time axis without using the causal relationship with the total PV forecast used for the consumable item demand forecast, and is used as the demand forecast.
【0300】対象となる消耗品は本体の販売がほぼ終了
しているもの、もしくは任意に指定した消耗品が対象と
なる。The target consumables are those for which the main body has been almost sold, or the consumables designated arbitrarily.
【0301】一例として、下記のモデルを使用する。
y(t)=a exp(btr)
y(t):t月の消耗品の販売数量
exp:exp関数
a:求める係数
b:求める係数
非線形回帰モデルを適用するためには、予測値と実測値
の残差の二乗和が最小になるように回帰式の係数を決定
する。このときの計算式については、一般的な最小時情
報を用いるため、ここでの説明は省略する。このとき、
係数を求めるために使用する販売実績データの期間(開
始年月、終了年月)の与え方は以下の2パターンある。As an example, the following model is used. y (t) = a exp (bt r ) y (t): sales amount of consumables in month t exp: exp function a: desired coefficient b: desired coefficient In order to apply the non-linear regression model, predicted value and actual measurement The coefficients of the regression equation are determined so that the sum of squares of the residuals of the values is minimized. As for the calculation formula at this time, general minimum time information is used, and thus the description thereof is omitted here. At this time,
There are the following two patterns for giving the period (start date, end date) of the sales performance data used for obtaining the coefficient.
【0302】CASE1
開始年月:本体実績の総和が本体販売実績計画の総和に
対して任意の比率を超えた場合
終了年月:予測データの存在する年月まで
CASE2
開始年月:ユーザが指定する
終了年月:予測データの存在する年月まで
図34及び図35は、本発明の各種データベースを示し
た図である。CASE1 Start year / month: When the total sum of the main body results exceeds an arbitrary ratio with respect to the total sum of the main body sales performance plan End year / month: Until the year and month when the forecast data exists CASE2 Start year / month: Specified by the user End date: Until the year and month when the prediction data exists FIGS. 34 and 35 are diagrams showing various databases of the present invention.
【0303】図30は、消耗品初期需要予測の際のデー
タベースの遷移を示した図である。FIG. 30 is a diagram showing the transition of the database when the consumables initial demand forecast is made.
【0304】図31は、消耗品他社反映需要予測の際の
データベースの遷移を示した図である。FIG. 31 is a diagram showing the transition of the database at the time of forecasting the demand reflected by the consumables company.
【0305】図32は、消耗品トレンド需要予測の際の
データベースの遷移を示した図である。FIG. 32 is a diagram showing the transition of the database at the time of the consumable goods trend demand forecast.
【0306】図33は、予測手法の判別の際の遷移を示
した図である。FIG. 33 is a diagram showing the transition at the time of determining the prediction method.
【0307】なお、上記の処理は何れも図1に示したC
PU101等により実現されていることはいうまでもな
い。[0307] Note that the above-mentioned processing is performed by the C shown in FIG.
Needless to say, it is realized by the PU 101 or the like.
【0308】図24から図35までのフローやデータベ
ースの遷移を見ればわかるように、本発明は、A.パイ
プラインフィル、B.互換品の出現、C.販売期間の末
期という販売の特質に着目し、これらの特質により生じ
るであろう予測誤差を最小限にするための工夫がなされ
ている。As can be seen by looking at the flow from FIG. 24 to FIG. Pipeline fill, B.I. Appearance of compatible products, C.I. Attention has been paid to the characteristics of sales at the end of the sales period, and efforts have been made to minimize forecast errors that may occur due to these characteristics.
【0309】図22は、これらの処理をまとめたもので
ある。FIG. 22 shows a summary of these processes.
【0310】本発明は以下のような効果がある。
○ 消耗品需要予測切替システム
販売期間別に最適な需要予測手法を持ちかつ、選択する
ことにより販売期間毎に精度の高い生産、販売、在庫計
画を実施することが可能になる。その結果として、販売
機会を逃さず、かつ適正な在庫を保持することが可能に
なる。
○ 消耗品初期需要予測システム
消耗品販売期間初期に発生する仲卸業者や販売店の在庫
需要を満たす為の需要を予測することにより、販売機会
を逃さず、かつ適正な在庫を保持することが可能にな
る。
○ 消耗品他社反映需要予測システム
事務機やパソコン周辺機器の消耗品等の業界では、その
消耗品において、事務機本体メーカーが製造した互換製
品のほか、これと互換性を有する非事務機本体メーカー
が製造した互換品が存在することがある。互換品が出現
した場合において、その影響を需要予測に反映すること
により、販売機会を逃さず、かつ適正な在庫を保持する
ことが可能になる。
○ 消耗品トレンド需要予測
事務機やパソコン周辺機器の消耗品の販売期間は、その
本体の販売が終了した後も本体の使用が継続されるた
め、その消耗品販売期間の末期においては事務機やパソ
コン周辺機器本体の中古機がメーカーの想定した市場
以外に流通するなどして、消耗品の販売が不安定になる
場合がある。このような場合、消耗品自身の販売実績よ
り将来の販売予測をおこなう。その結果として、販売機
会を逃さず、かつ適正な在庫を保持することが可能にな
る。
〔7.消耗品マクロ需要予測〕従来の消耗品予測の方法
では1市場、1商品を対象に予測する為、相互に影響を
与え合う市場、商品が存在した場合、従来予測では対応
できない。The present invention has the following effects. ○ Consumables demand forecast switching system Having an optimal demand forecast method for each sales period and selecting it makes it possible to carry out highly accurate production, sales, and inventory planning for each sales period. As a result, it is possible to hold an appropriate inventory without missing a sales opportunity. ○ Consumables Initial Demand Forecasting System By forecasting the demand to meet the inventory demand of intermediary wholesalers and retailers that occurs in the early stage of the consumables sales period, it is possible to retain appropriate inventory without missing sales opportunities. It will be possible. ○ Consumables Demand forecast system reflected by other companies In the industry such as consumables for office machines and PC peripherals, in addition to compatible products manufactured by office machine manufacturers, non-office machine manufacturers that are compatible with this There may be compatible products manufactured by. When a compatible product appears, by reflecting the influence on the demand forecast, it is possible to hold a proper inventory without missing a sales opportunity. ○ Consumables trend demand forecast During the sales period of consumables for office machines and PC peripherals, the main unit will continue to be used even after the sale of the main unit, so at the end of the consumables sales period A market where used machines of PC peripherals are assumed by the manufacturer
The distribution of consumables may become unstable due to distribution to other sources. In such a case, the future sales forecast is made based on the sales results of the consumables themselves. As a result, it is possible to hold an appropriate inventory without missing a sales opportunity. [7. Consumables Macro Demand Forecast] In the conventional method of predicting consumables, since prediction is made for one market and one product, if there are markets and products that mutually affect each other, the conventional prediction cannot cope.
【0311】○ 相互に機能を代替できる2つの商品が
存在する場合(例:複写機C3300用消耗品、C33
00ドラムユニットとC3300単体ドラムのケース)
感光体ドラムは保守作業を必要とする複写機もしくはパ
ソコン用周辺機器が一定の出力物を出力すると交換を必
要とする主要な消耗品である。また、複写機もしくはパ
ソコン周辺機器は感光体ドラム以外に交換を必要とする
交換パーツが存在する。When there are two products whose functions can be mutually replaced (eg, consumables for copier C3300, C33)
Case of 00 drum unit and C3300 unit drum) The photoconductor drum is a major consumable item that needs to be replaced when a peripheral device for a copying machine or a personal computer requiring maintenance work outputs a certain output. Further, in the copying machine or the peripheral equipment of the personal computer, there are replacement parts that need to be replaced in addition to the photosensitive drum.
【0312】本実施例ではC3300ドラムユニットは
感光体ドラムと予めユニットに組み込まれた他の交換パ
ーツと同時に交換できる為、作業者の作業時間を削減で
きる。一方C3300単体ドラムは作業者がそれぞれの
消耗品の消耗度を判断し交換する為、部品コストを削減
できる。In this embodiment, the C3300 drum unit can be replaced at the same time as the photosensitive drum and other replacement parts incorporated in the unit, so that the working time of the operator can be reduced. On the other hand, for the C3300 single-piece drum, the operator determines the wear level of each consumable item and replaces it, so that the cost of parts can be reduced.
【0313】従って、C3300ドラムユニットとC3
300単体ドラムのトータルの需要は変わらず一方の販
売が増加すれば、一方の販売は減少する関係にある。Therefore, the C3300 drum unit and the C3
The total demand for 300 single-piece drums remains unchanged, and if the sales of one increases, the sales of one decreases.
【0314】両者の需要を予測する為に複写機C330
0用のC3300ドラムユニット及び、C3300単体
ドラム合計の需要予測を行ったのち、従来機種の実績乃
至、C3300ドラムユニット、C3300単体ドラム
自身の過去の実績から合計の需要予測を分割し、それを
それぞれの機種の需要予測とする。Copy machine C330 to predict the demands of both parties.
After making a demand forecast for the C3300 drum unit for 0 and the total of the C3300 single drums, the total demand forecast is divided from the actual results of the conventional model or the past results of the C3300 drum unit and the C3300 single drum itself, and divides them into the respective models. Demand forecast.
【0315】○ 相互に影響を与え合う2市場の需要を
予測する場合(例:ドイツとオーストリアで販売される
複写機C3300とその消耗品C3300トナーのケー
ス)
ある1種類の複写機やパソコン用周辺機器が別々の2つ
市場で販売された場合においても、消耗品においてはそ
れぞれの2つの市場が互いに影響をうける場合がある。
例えばドイツとオーストリアの市場において複写機C3
300とその消耗品が販売されている場合、地理的、文
化的な近さから消耗品を扱う販売店は国境を意識するこ
となく消耗品を調達することが考えられる。この場合両
者の需要の合計の需要は変わらず、一方の販売が増加す
れば、一方の販売は減少する関係にある。このため両者
の需要を予測する為に両市場合計のC3300トナーの
需要予測を行った後、従来機種の実績乃至、C3300
トナー自身の過去の実績から合計の需要予測を分割し、
それをそれぞれの市場の需要予測とする。When predicting the demands of two markets that affect each other (Example: Case of copier C3300 and its consumable C3300 toner sold in Germany and Austria) One kind of copier or PC peripheral Even if the equipment is sold in two separate markets, the two markets may affect each other in consumables.
Copier C3 in the German and Austrian markets for example
When 300 and its consumables are sold, it is conceivable that dealers dealing with the consumables may procure the consumables without being aware of the border because of geographical and cultural proximity. In this case, the total demand of both parties does not change, and if the sales of one increase, the sales of one decrease. Therefore, after forecasting the demand for C3300 toner for both markets in order to forecast the demand for both, the actual results of the conventional model or C3300
Dividing the total demand forecast from Toner's own past performance,
Let it be the demand forecast of each market.
【0316】図37は、消耗品マクロ需要予測の概念図
を示した図である。以下、図37に基づいて消耗品マク
ロ需要予測を説明する。FIG. 37 is a diagram showing a conceptual diagram of consumables macro demand forecast. The consumables macro demand forecast will be described below with reference to FIG.
【0317】グラフ(A)は、販売地域Aの需要予測の
グラフである。グラフ(B)は、販売地域Bの需要予測
のグラフである。The graph (A) is a graph of the demand forecast of the sales area A. The graph (B) is a graph of the demand forecast of the sales area B.
【0318】販売地域A、及び販売地域Bにおいて、そ
れぞれ全く同様に複写機を累計1、000台販売し、全
く同じパラメータで需要予測したとすると、グラフ
(A)及びグラフ(B)の消耗品需要予測のグラフのよ
うに、両者は全く同じになる。In the sales area A and the sales area B, if a total of 1,000 copying machines are sold in exactly the same way and the demand is forecasted with the same parameters, the consumables in the graph (A) and the graph (B) will be consumed. Both are exactly the same, as in the demand forecast graph.
【0319】しかし、互いに影響の与える市場の場合、
合計した販売予測数量は、販売実績と一致するが、一方
の販売実績は販売予想を上回り(図37の場合は販売地
域B)、一方は、販売予測を下回る(図37の場合は販
売地域A)場合がある。すなわち、両者は相互に影響し
合っているため、それぞれ、需要予測が販売予測と乖離
している。However, in the case of markets that influence each other,
The total sales forecast quantity matches the sales record, but one sales record exceeds the sales forecast (Sales area B in the case of FIG. 37), and one is below the sales forecast (Sales area A in the case of FIG. 37). ) There are cases. That is, since the two influence each other, the demand forecast deviates from the sales forecast.
【0320】そこで、上記の販売地域Aと販売地域Bの
本体販売実績、消耗品販売実績、予測パラメータ等を合
算して予測する。グラフ(C)は、販売地域AとBの各
種値を合算して予測を行った結果である。Therefore, the main body sales record of the sales region A and the sales region B, the consumable product sales record, the prediction parameter, and the like are summed up for prediction. Graph (C) is the result of making a prediction by adding together the various values of sales areas A and B.
【0321】合算して予測した後に、販売地域A及び、
販売地域Bの所定の比率(「所定の比率」に関しては後
述する)に基づいて消耗品販売予測を再配分(分割)す
る。After summing up and predicting, sales area A and
The consumables sales forecast is redistributed (divided) based on a predetermined ratio of the sales area B (the “predetermined ratio” will be described later).
【0322】グラフ(D)及びグラフ(E)は、再配分
(分割)した後の販売地域A及び販売地域Bの需要予測
のグラフを示している。Graphs (D) and (E) show the demand forecast graphs of the sales area A and the sales area B after the reallocation (division).
【0323】グラフ(A)、(B),(D),(E)を
比べてみれば明らかなように、合算して計算した後に分
割する予測手法は、非常に良好な予測を実現をすること
ができる。As can be seen by comparing the graphs (A), (B), (D), and (E), the prediction method in which the calculation is performed after summing and then dividing realizes a very good prediction. be able to.
【0324】図38は、マクロ需要予測のためのモジュ
ールの構成を示している。FIG. 38 shows the structure of a module for macro demand forecasting.
【0325】図39は、消耗品マクロ需要予測のフロー
の概略図である。FIG. 39 is a schematic diagram of the consumables macro demand forecast flow.
【0326】図40は、消耗品マクロ需要予測のフロー
の詳細図である。FIG. 40 is a detailed diagram of the flow of the consumables macro demand forecast.
【0327】S4001において、CPU101は、消
耗品マクロマスタDB(DB(N))より消耗品マクロ
マスタ(MM)を呼び出し、RAM106に書き込む。[0327] In S4001, the CPU 101 calls the consumables macro master (MM) from the consumables macro master DB (DB (N)) and writes it in the RAM 106.
【0328】S4002において、CPU101は、消
耗品マクロパラメタDB(DB(R))より消耗品マク
ロパラメタ(MP)を呼び出し、RAM106に書き込
む。In step S4002, the CPU 101 calls the consumables macro parameter (MP) from the consumables macro parameter DB (DB (R)) and writes it in the RAM 106.
【0329】S4003において、CPU101は、消
耗品販売実績DB(DB(D))より消耗品販売実績
(RC)を呼び出し、RAM106に書き込む。In S4003, the CPU 101 calls the consumables sales record (RC) from the consumables sales record DB (DB (D)) and writes it in the RAM 106.
【0330】S4004において、CPU101は、R
AM106上で、消耗品販売実績(RC)から消耗品販
売実績(z)を作成する。この操作により、2以上の消
耗品販売実績が合算される(詳しくは、後述する図41
の一番下のテーブルを参照のこと)
S4005において、CPU101により、消耗品の需
要予測が実行される。In S4004, the CPU 101 reads R
On the AM 106, the consumables sales record (z) is created from the consumables sales record (RC). By this operation, the sales results of two or more consumables are added up (for details, refer to FIG.
(See the bottom table of the above) In S4005, the CPU 101 executes the demand forecast of consumables.
【0331】S4006において、消耗品販売実績期間
が所定期間(図40においては、1年)以上か否か判定
される。消耗品販売実績期間が所定期間以上であれば、
S4007に移行し、マクロ対象アイテム自身の消耗品
販売実績よりマクロ分割比率(mdr)を作成する。マ
クロ分割比率について、以下に詳述(3形態)する。
(1)販売実績の累計値を採用することによりマクロ分
割比率(mdr)を作成
図45は、ある年の10月までの消耗品販売実績を示す
テーブルである。[0331] In S4006, it is determined whether or not the consumable product sales record period is equal to or longer than a predetermined period (1 year in FIG. 40). If the sales period of consumables is more than a predetermined period,
In step S4007, the macro division ratio (mdr) is created based on the sales record of the consumable supplies of the macro target item itself. The macro division ratio will be described in detail below (three modes). (1) Creating a macro division ratio (mdr) by adopting the cumulative value of sales results FIG. 45 is a table showing the sales results of consumables until October of a certain year.
【0332】10月までの累計値はC2000カートリ
ッジは370、C4000カートリッジは145である
ことから、マクロ分割比率(mdr)は、370:14
5ということになる。
(2)販売実績に重みをつけることにより、マクロ分割
比率を作成
図46は、販売実績に乗すべき重みを示したグラフであ
る。図46に示されている重みはあらかじめRAM10
6等に書き込まれている。図45の販売実績に図46の
重みをかけて、それをもってマクロ分割比率(mdr)
とする。Since the cumulative value up to October is 370 for the C2000 cartridge and 145 for the C4000 cartridge, the macro division ratio (mdr) is 370: 14.
It will be 5. (2) Creating Macro Division Ratio by Weighting Sales Results FIG. 46 is a graph showing weights to be added to sales results. The weights shown in FIG. 46 are stored in the RAM 10 in advance.
It is written in 6th grade. The sales record of FIG. 45 is multiplied by the weight of FIG. 46, and then the macro division ratio (mdr)
And
【0333】C2000カートリッジ:100×0.4
+70×0.3+50×0.2+20×0.1=73
C4000カートリッジ:30×0.4+20×0.3
+10×0.2+50×0.1=25
であるから、マクロ分割比率(mdr)は、73:25
ということになる。このように、マクロ分割比率作成の
際に、重みを採用することにより、最近のデータを反映
した予測が可能となる。なお、上述の計算はCPU10
1により実現されることはいうまでもない。S4008
は、消耗品販売実績期間が所定期間に満たない場合にな
される処理である。この場合、消耗品マクロマスタDB
(N)を参照し、予測対象の消耗品と類似する消耗品を
検索し、その類似する消耗品に対応するマクロ分割比率
(mdr)を採用する。C2000 cartridge: 100 × 0.4
+ 70 × 0.3 + 50 × 0.2 + 20 × 0.1 = 73 C4000 Cartridge: 30 × 0.4 + 20 × 0.3
Since + 10 × 0.2 + 50 × 0.1 = 25, the macro division ratio (mdr) is 73:25.
It turns out that. As described above, by adopting the weight when creating the macro division ratio, it is possible to perform prediction that reflects recent data. The above calculation is performed by the CPU 10
Needless to say, it is realized by 1. S4008
Is a process performed when the consumable product sales record period is shorter than the predetermined period. In this case, Consumables Macro Master DB
Referring to (N), a consumable item similar to the consumable item to be predicted is searched, and the macro division ratio (mdr) corresponding to the similar consumable item is adopted.
【0334】S4010において、消耗品需要予測結果
(z)をマクロ分割比率に従い分割する。In S4010, the consumable product demand forecast result (z) is divided according to the macro division ratio.
【0335】S4011において、マクロ需要予測結果
(FC6)をマクロ需要予測結果DB(DB(Q))に
書き込む。At S4011, the macro demand forecast result (FC6) is written in the macro demand forecast result DB (DB (Q)).
【0336】S4012において、マクロ需要予測結果
(FC6)を消耗品需要予測結果(補正後)(FC2)
として、消耗品需要予測結果(補正後)(DB(B))
に書き込む。In S4012, the macro demand forecast result (FC6) is changed to the consumable demand forecast result (after correction) (FC2).
As a consumables demand forecast result (after correction) (DB (B))
Write in.
【0337】消耗品需要予測結果(補正後)は、CPU
101の制御により出力部103に表示される。具体的
には図37(D)および(E)のような各々の需要予測
が図44の表示形式(グラフ形式及び/又は表形式)で
表示される。The consumables demand forecast result (after correction) is the CPU
It is displayed on the output unit 103 under the control of 101. Specifically, the demand forecasts as shown in FIGS. 37D and 37E are displayed in the display format (graph format and / or table format) of FIG.
【0338】図41は、消耗品マクロ合成モジュール3
803のDBの遷移図である。FIG. 41 shows the consumables macro synthesis module 3
It is a transition diagram of 803 DB.
【0339】図42は、消耗品マクロ分解モジュール3
805のDBの遷移図である。なお、図42の例では、
マクロ分割比率は80:20となっている。FIG. 42 shows the consumables macro disassembly module 3
It is a transition diagram of DB of 805. In the example of FIG. 42,
The macro division ratio is 80:20.
【0340】(3)為替影響により、分解比率を作成
一般的に通貨の違う国間での取引では双方の国で同じ商
品が販売されていた場合、通貨弱い国から通貨の強い国
へ商品がより多く販売される傾向にある。その理由を次
の例で説明する。(3) Creating a decomposition ratio due to the effect of exchange rates Generally, in the case of transactions between countries with different currencies, when the same product is sold in both countries, the product is transferred from a country with a weak currency to a country with a strong currency. It tends to be sold more. The reason will be described in the following example.
【0341】為替がEURO/US$=1.0のときに
ある商品AAがUS$地域で$100、ユーロ地域で1
00ユーロ で販売されているとする。その後為替がユ
ーロ/US$=1.1になっととする。この時にユーロ
地域の販売者がUS$地域に$100で商品AAを販売
すると輸出経費を考慮しなければ110ユーロを受け取
ることができる。輸送費、関税等の輸出経費を考慮して
も為替が大きく変動した場合は販売者にとってはより多
くの利益を得ることが出来る場合が考えら、ユーロ地域
の販売者がUS$地域の販売所もしくは消費者への販売
量が多くなることが考えられる。為替が逆に動いた場合
は逆にUS$地域からEURO地域に商品が販売される
場合が多くなると想定される。消耗品の場合も為替が大
きく変動した場合などにこのようなことが発生すること
が考えられる。そのために別の国から為替の違う国に商
品を販売する場合、それぞれの国への過去の販売実績の
みの比率から計算した分解比率では為替影響分が考慮さ
れない為、正確な予測が算出できない場合があり為替影
響を考慮した分解比率での需要予測が必要になる。When the exchange rate is EURO / US $ = 1.0, the product AA that is present is $ 100 in the US $ area and 1 in the euro area.
It is supposed to be sold for 00 euros. After that, it is assumed that the exchange rate becomes Euro / US $ = 1.1. At this time, if the seller in the Euro area sells the product AA for $ 100 to the US $ area, 110 Euro can be received without considering the export cost. Even if export costs such as transportation costs and tariffs are taken into consideration, if the exchange rate fluctuates significantly, it may be possible for the seller to make more profits, so the euro area seller will sell in the US $ area. Alternatively, the amount of sales to consumers may increase. When the exchange rate moves in the opposite direction, it is assumed that products are often sold from the US $ area to the EURO area. Even in the case of consumables, such a situation may occur when the exchange rate fluctuates greatly. For that reason, when selling products from different countries to countries with different exchange rates, when the accurate forecast cannot be calculated because the effect of exchange rate is not taken into account in the decomposition ratio calculated from the ratio of past sales results to each country only. Therefore, it is necessary to forecast the demand with a decomposition ratio that takes into consideration the effect of exchange rates.
【0342】以下に、為替影響を考慮した分解比率の計
算式の一例を示す。
・分解比率為替修正係数(ERC)YY(予め設定(記
憶)されている)
・為替レート基準(SER)通貨AA/通貨BB=ZZ
(予め設定(記憶)されている)
・消耗品の修正前分解比率が通貨AA地域:通貨BB地
域=mdr1:mdr2の場合において、為替レートが
通貨AA/通貨BB=ZZ1に動いた場合(ZZ1は、
銀行等の金融機関から自動的に入手された為替の最新実
勢レート、若しくは将来の予測値を採用する)
修正分解比率計算の一例としては
通貨XX地域:通貨XY地域=mdr1+(ZZ1−Z
Z)×YY:mdr2−(ZZ1−ZZ)×YY (数
35)
となる為替がユーロ/US$=1.0のときに、消耗品
の修正前分解比率が、EURO地域:US$地域=1:
2、分解比率為替修正係数(ERC)が2であるとす
る。
[例1] 為替がユーロ/US$=0.9に変動した場
合
分解比率は、ユーロ:US$=1+(0.9−1)×
2:2−(0.9−1)×2=0.8:2.2=4:1
1となる。
[例2] 為替がユーロ/US$=1.1に変動した場
合
分解比率は、ユーロ:US$=1+(1.1−1)×
2:2−(1.1−1)×2=1.2:1.8=2:3
となる。The following is an example of the formula for calculating the decomposition ratio in consideration of the influence of exchange rates.・ Disassembly ratio Exchange correction coefficient (ERC) YY (preset (stored)) ・ Exchange rate reference (SER) currency AA / currency BB = ZZ
(Preset (stored)) When the pre-correction disassembly ratio of consumables is currency AA area: currency BB area = mdr1: mdr2, and the exchange rate moves to currency AA / currency BB = ZZ1 (ZZ1 Is
The latest prevailing exchange rate automatically obtained from a financial institution such as a bank or a future forecast value is adopted.) As an example of the calculation of the modified decomposition ratio, currency XX region: currency XY region = mdr1 + (ZZ1-Z
Z) × YY: mdr2- (ZZ1-ZZ) × YY (Equation 35) When the exchange rate is EURO / US $ = 1.0, the pre-correction decomposition ratio of the consumables is EURO area: US $ area = 1:
2. Assume that the decomposition ratio exchange rate correction coefficient (ERC) is 2. [Example 1] When the exchange rate fluctuates to Euro / US $ = 0.9 The decomposition ratio is Euro: US $ = 1 + (0.9-1) ×
2: 2- (0.9-1) * 2 = 0.8: 2.2 = 4: 1
It becomes 1. [Example 2] When the exchange rate fluctuates to Euro / US $ = 1.1 The decomposition ratio is Euro: US $ = 1 + (1.1-1) ×
2: 2- (1.1-1) × 2 = 1.2: 1.8 = 2: 3
Becomes
【0343】図43は、消耗品マクロ需要予測に関する
データベースの一覧を示した図である。FIG. 43 is a diagram showing a list of databases concerning the consumables macro demand forecast.
【0344】図37−図43からも明らかなように、本
発明よれば、互いに影響を与える市場、商品の販売につ
いて相互の影響を合算して予測することにより全体とし
てより精度の高い予測の実行が可能となる。また、精度
の高い予測に基づいて生産、販売、在庫計画を実施する
ことが可能になる。その結果として、販売機会を逃さ
ず、かつ適正な在庫を保持することが可能になる。As is clear from FIGS. 37 to 43, according to the present invention, a more accurate prediction is performed as a whole by predicting the effects of each other on the markets and the sales of products that affect each other. Is possible. In addition, production, sales, and inventory planning can be performed based on highly accurate forecasts. As a result, it is possible to hold an appropriate inventory without missing a sales opportunity.
【0345】[0345]
【発明の効果】以上のように、本発明によれば、販売期
間別に最適な需要予測手法を持ちかつ、選択することに
より販売期間毎に精度の高い生産、販売、在庫計画を実
施することが可能になる。その結果として、販売機会を
逃さず、かつ適正な在庫を保持することが可能になる。As described above, according to the present invention, it is possible to carry out highly accurate production, sales, and inventory planning for each sales period by having and selecting an optimum demand forecasting method for each sales period. It will be possible. As a result, it is possible to hold an appropriate inventory without missing a sales opportunity.
【図1】本発明の需要予測装置、方法、及びプログラム
を実現するための情報処理装置の構成を示した図であ
る。FIG. 1 is a diagram showing a configuration of an information processing device for realizing a demand forecasting device, a method, and a program of the present invention.
【図2】本実施の形態における予測処理単位を説明する
表を示す図である。FIG. 2 is a diagram showing a table for explaining prediction processing units according to the present embodiment.
【図3】2001年1月から2001年12月までの本
体販売実績台数a(t)と本体販売計画台数b(t)か
ら本体販売実績計画台数x(t)を算出する一例を示す
図である。FIG. 3 is a diagram showing an example of calculating a main unit sales record planned number x (t) from main unit sales record number a (t) and main unit sales plan number b (t) from January 2001 to December 2001. is there.
【図4】2001年1月から2001年12月までの本
体稼動実績台数y(t)の一例を示す図である。FIG. 4 is a diagram showing an example of the main unit operation record number y (t) from January 2001 to December 2001.
【図5】設置時A、設置時B、設置時Cにおける残存率
関数を示した図である。FIG. 5 is a diagram showing a residual rate function at installation A, installation B, and installation C.
【図6】本体設置台数と本体稼働台数の関係を表した図
である。FIG. 6 is a diagram showing a relationship between the number of installed main bodies and the number of operating main bodies.
【図7】拠点と消耗品モデルの対応を示した図である。FIG. 7 is a diagram showing correspondence between bases and consumable model.
【図8】本体の稼働台数の予測をする際の処理フローを
示した図である。FIG. 8 is a diagram showing a processing flow when predicting the number of operating main bodies.
【図9】本体の平均PVの予測をする際の処理フローを
示した図である。FIG. 9 is a diagram showing a processing flow when predicting the average PV of the main body.
【図10】本体の総PVの予測をする際の処理フローを
示した図である。FIG. 10 is a diagram showing a processing flow when predicting the total PV of the main body.
【図11】消耗品の需要予測をする際の処理フローを示
した図である。FIG. 11 is a diagram showing a processing flow when predicting the demand for consumables.
【図12】本体稼働台数予測ブロック、平均PV予測ブ
ロック、総予測PVブロックを示した図である。FIG. 12 is a diagram showing a main body operating number prediction block, an average PV prediction block, and a total prediction PV block.
【図13】消耗品予測ブロックを示した図である。FIG. 13 is a diagram showing a consumables prediction block.
【図14】設置拡散係数j(t)の一例を示している。FIG. 14 shows an example of an installed diffusion coefficient j (t).
【図15】本実施の形態における各月の設置台数と累積
設置台数を示した図である。FIG. 15 is a diagram showing the number of installed units and the cumulative number of installed units for each month in the present embodiment.
【図16】平均寿命μ及び変動係数φを変化させた場合
の残存率関数の変化を示した一例である。FIG. 16 is an example showing changes in the residual rate function when the average life μ and the variation coefficient φ are changed.
【図17】本発明のプログラムのモジュール構成を示し
ている。FIG. 17 shows a module configuration of a program of the present invention.
【図18】消耗品の需要予測の概念図である。FIG. 18 is a conceptual diagram of demand forecast for consumables.
【図19】初期需要予測の概念図である。FIG. 19 is a conceptual diagram of initial demand forecast.
【図20】他社反映需要予測の概念図である。FIG. 20 is a conceptual diagram of another-company reflected demand forecast.
【図21】販売期間の末期の需要予測(トレンド予測)
の概念図である。[Fig. 21] Demand forecast (trend forecast) at the end of the sales period
It is a conceptual diagram of.
【図22】消耗品初期需要予測、消耗品他社反映需要予
測、消耗品需要予測の予測方法、及び予測方法を切り替
えるための条件を示した図である。FIG. 22 is a diagram showing a consumables initial demand forecast, a consumables company reflected demand forecast, a consumables demand forecasting prediction method, and conditions for switching the forecasting method.
【図23】図17のプログラムのモジュール構成に付加
するモジュール構成を示す図である。23 is a diagram showing a module configuration added to the module configuration of the program of FIG.
【図24】全体のフロー図である。FIG. 24 is an overall flowchart.
【図25】消耗品初期需要予測処理の詳細を示したフロ
ー図である。FIG. 25 is a flowchart showing details of a consumable product initial demand prediction process.
【図26】消耗品他社反映需要予測処理の詳細を示した
フロー図である。FIG. 26 is a flowchart showing details of a consumables company reflected demand forecasting process.
【図27】消耗品トレンド需要予測処理の詳細を示した
フロー図である。FIG. 27 is a flowchart showing details of consumable goods trend demand prediction processing.
【図28】予測手法の判別のフローを示した図である。FIG. 28 is a diagram showing a flow of determining a prediction method.
【図29】予測手法の判別のフローを示した図である。FIG. 29 is a diagram showing a flow of determining a prediction method.
【図30】消耗品初期需要予測の際のデータベースの遷
移を示した図である。[Fig. 30] Fig. 30 is a diagram showing the transition of the database at the time of predicting the initial demand of consumables.
【図31】消耗品他社反映需要予測の際のデータベース
の遷移を示した図である。[Fig. 31] Fig. 31 is a diagram showing the transition of the database at the time of forecasting the demand reflected by the consumables company.
【図32】消耗品トレンド需要予測の際のデータベース
の遷移を示した図である。[Fig. 32] Fig. 32 is a diagram showing the transition of the database at the time of the consumable goods trend demand prediction.
【図33】予測手法の判別の際の遷移を示した図であ
る。FIG. 33 is a diagram showing a transition at the time of determining a prediction method.
【図34】本発明の各種データベースを示した図であ
る。FIG. 34 is a diagram showing various databases of the present invention.
【図35】本発明の各種データベースを示した図であ
る。FIG. 35 is a diagram showing various databases of the present invention.
【図36】消耗品販売実績(RC)と消耗品他社反映予
測対象期間(T(FC5))の例を示した図である。FIG. 36 is a diagram showing an example of a consumable product sales record (RC) and a consumable product other-company reflection prediction target period (T (FC5)).
【図37】消耗品マクロ需要予測の概念図を示した図で
ある。FIG. 37 is a diagram showing a conceptual diagram of consumables macro demand forecast.
【図38】マクロ需要予測のためのモジュールの構成を
示している。FIG. 38 shows the configuration of a module for macro demand forecasting.
【図39】消耗品マクロ需要予測のフローの概略図であ
る。[Fig. 39] Fig. 39 is a schematic diagram of a consumables macro demand forecast flow.
【図40】消耗品マクロ需要予測のフローの詳細図であ
る。FIG. 40 is a detailed diagram of a consumables macro demand forecast flow.
【図41】消耗品マクロ合成モジュール3803のDB
の遷移図である。FIG. 41 is a database of a consumables macro synthesis module 3803.
FIG.
【図42】消耗品マクロ分解モジュール3805のDB
の遷移図である。FIG. 42 is a DB of a consumables macro disassembly module 3805.
FIG.
【図43】消耗品マクロ需要予測に関するデータベース
の一覧を示した図である。FIG. 43 is a diagram showing a list of databases relating to consumables macro demand forecast.
【図44】消耗品の需要予測結果を出力部103上に表
示した際の画面を示した図である。FIG. 44 is a diagram showing a screen when the demand forecast result of a consumable item is displayed on the output unit 103.
【図45】ある年の10月までの消耗品販売実績を示す
テーブルを示す図である。FIG. 45 is a diagram showing a table showing the sales record of consumables until October of a certain year.
【図46】販売実績に乗すべき重みを示したグラフを示
す図である。FIG. 46 is a diagram showing a graph showing weights to be added to sales records.
101 CPU 102 入力部 103 出力部 104 外部記憶装置 105 ROM 106 RAM 107 ネットワークインターフェース 108 内部記憶装置 109 バス 101 CPU 102 Input section 103 output section 104 external storage device 105 ROM 106 RAM 107 network interface 108 internal storage device 109 bus
───────────────────────────────────────────────────── フロントページの続き (72)発明者 松崎 幸一郎 東京都大田区下丸子3丁目30番2号キヤノ ン株式会社内 Fターム(参考) 5B056 BB62 BB64 BB66 ─────────────────────────────────────────────────── ─── Continued front page (72) Inventor Koichiro Matsuzaki Kyano, 3-30-2 Shimomaruko, Ota-ku, Tokyo Within the corporation F-term (reference) 5B056 BB62 BB64 BB66
Claims (8)
り実現することができる需要予測プログラムであって、 前記複数の需要予測方手法のうち1の需要予測手法を選
択する第1の選択機能と、 前記第1の選択機能により選択された需要予測手法によ
り需要予測を行う第1の需要予測機能と、 前記第1の需要予測機能により、予測された結果が所定
の条件を満たすか否かを判断する判断機能と、 前記判断機能により前記所定の条件を満たすと判断され
た場合に、前記第1の選択機能により選択された需要予
測手法とは別の需要予測手法を選択する第2の選択機能
と、 前記第2の選択機能により選択された需要予測手法によ
り需要予測を行う第2の需要予測機能と、 をコンピュータに実現させることを特徴とする需要予測
プログラム。1. A demand forecasting program capable of realizing a plurality of demand forecasting methods by a computer, comprising: a first selecting function for selecting one of the plurality of demand forecasting methods; A first demand forecasting function for forecasting demand by the demand forecasting method selected by the first selecting function and the first demand forecasting function determine whether or not the predicted result satisfies a predetermined condition. A determining function; and a second selecting function for selecting a demand forecasting method different from the demand forecasting method selected by the first selecting function when it is determined by the determining function that the predetermined condition is satisfied. , A second demand forecasting function for performing demand forecasting by the demand forecasting method selected by the second selecting function, and a demand forecasting program, characterized by:
あ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。2. The demand forecast program according to claim 1, wherein the predetermined condition is an initial period of a sales period.
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。3. The demand forecast program according to claim 1, wherein the predetermined condition is the appearance of a compatible product.
あ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。4. The demand forecast program according to claim 1, wherein the predetermined condition is the end of the sales period.
る出力量入力手段を制御する出力量入力制御機能と、 消耗品の販売量を入力する販売量入力手段を制御する販
売量入力制御機能と、 前記出力量、及び前記販売量のメモリへの記憶を制御す
る記憶制御機能と、 前記出力量と前記販売量から将来の出力物を出力するた
めの消耗品の消費量を予測する第1の予測機能と、 前記第1の予測機能とは、別の予測手法により前記消耗
品の消費量を予測する第2の予測機能と、 前記第1の予測機能により予測される予測結果、及び前
記第2の予測機能により予測される予測結果を、実際の
販売結果と比較する比較機能と、 前記比較機能により、前記第2の予測機能により予測さ
れた予測結果と実際の販売結果との差異が、前記第1の
予測機能により予測された第1の予測結果と実際の販売
結果との差異よりも小さい場合に、前記第2の予測結果
を前記消耗品の消費量の需要予測として採用する予測結
果採用機能とをコンピュータに実現させることを特徴と
する需要予測プログラム。5. An output amount input control function for controlling an output amount input means for inputting an output amount of an output product output from a product, and a sales amount input control for controlling a sales amount input means for inputting a sales amount of consumables. A function, a storage control function for controlling storage of the output amount and the sales amount in a memory, and predicting a consumption amount of a consumable item for outputting a future output product from the output amount and the sales amount One prediction function, the first prediction function, a second prediction function that predicts the consumption amount of the consumable product by another prediction method, a prediction result that is predicted by the first prediction function, and A comparison function of comparing the prediction result predicted by the second prediction function with an actual sales result, and a difference between the prediction result predicted by the second prediction function and the actual sales result by the comparison function. However, due to the first prediction function A computer implements a prediction result adoption function of adopting the second prediction result as a demand forecast of the consumption amount of the consumables when the difference is smaller than the difference between the predicted first forecast result and the actual sales result. A demand forecasting program characterized by:
であるか否かを判断する販売期間判断機能を更に有し、 前記予測結果採用機能は、前記販売期間判断機能によ
り、前記予測するタイミングが前記所定の販売期間内で
あると判断され、かつ、前記比較機能により、前記第2
の予測機能により予測された予測結果と実際の販売結果
との差異が、前記第1の予測機能により予測された予測
結果と実際の販売結果との差異よりも小さい場合に、前
記第2の予測結果を前記消耗品の消費量の需要予測とし
て採用することを特徴とする請求項5に記載の需要予測
プログラム。6. A sales period judgment function for judging whether or not the timing for predicting is within a predetermined sales period, and the prediction result adoption function is characterized in that the timing for predicting is determined by the sales period judgment function. It is determined that it is within the predetermined sales period, and the second
If the difference between the prediction result predicted by the prediction function and the actual sales result is smaller than the difference between the prediction result predicted by the first prediction function and the actual sales result, the second prediction The demand forecast program according to claim 5, wherein the result is adopted as a demand forecast of the consumption amount of the consumable item.
り実現する需要予測方法であって、 前記複数の需要予測手法のうち1の需要予測手法を選択
する第1の選択工程と、 前記第1の選択工程で選択された需要予測手法により需
要予測を行う第1の需要予測工程と、 前記第1の需要予測工程で、予測された結果が所定の条
件を満たすか否かを判断する判断工程と、 前記判断工程で前記所定の条件を満たすと判断された場
合に、前記第1の選択工程で選択された需要予測手法と
は別の需要予測手法を選択する第2の選択工程と、 前記第2の選択工程で選択された需要予測手法により需
要予測を行う第2の需要予測工程と、 を有することを特徴とする需要予測方法。7. A demand forecasting method for realizing a plurality of demand forecasting methods by a computer, the first selecting step of selecting one of the plurality of demand forecasting methods, and the first selection. A first demand forecasting step of performing demand forecasting by the demand forecasting method selected in the step; and a determining step of determining whether or not the forecasted result satisfies a predetermined condition in the first demand forecasting step, A second selecting step of selecting a demand forecasting method different from the demand forecasting method selected in the first selecting step when it is determined that the predetermined condition is satisfied in the determining step; And a second demand forecasting step for forecasting the demand by the demand forecasting method selected in the selecting step of.
装置であって、 前記複数の需要予測手法のうち1の需要予測手法を選択
する第1の選択手段と、 前記第1の選択手段により選択された需要予測手法によ
り需要予測を行う第1の需要予測手段と、 前記第1の需要予測手段により予測された結果が所定の
条件を満たすか否かを判断する判断手段と、 前記判断手段で前記所定の条件を満たすと判断された場
合に、前記第1の選択により選択された需要予測手法と
は別の需要予測手法を選択する第2の選択手段と、 前記第2の選択手段により選択された需要予測手法によ
り需要予測を行う第2の需要予測手段と、 を有することを特徴とする需要予測装置。8. A demand forecasting device for realizing a plurality of demand forecasting methods, comprising: a first selecting means for selecting one of the plurality of demand forecasting methods; and a first selecting means. First demand forecasting means for forecasting demand by the selected demand forecasting method, judging means for judging whether or not the result forecasted by the first demand forecasting means satisfies a predetermined condition, and the judging means When it is determined that the predetermined condition is satisfied, the second selection unit that selects a demand prediction method different from the demand prediction method selected by the first selection, and the second selection unit. A second demand forecasting means for forecasting demand by the selected demand forecasting method, and a demand forecasting device.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2002333818A JP2003233710A (en) | 2001-12-05 | 2002-11-18 | Program, device, and method for forecasting demand |
US10/310,084 US7383201B2 (en) | 2001-12-05 | 2002-12-04 | Demand forecast device, method, and program product |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2001-371577 | 2001-12-05 | ||
JP2001371576 | 2001-12-05 | ||
JP2001-371576 | 2001-12-05 | ||
JP2001371577 | 2001-12-05 | ||
JP2002333818A JP2003233710A (en) | 2001-12-05 | 2002-11-18 | Program, device, and method for forecasting demand |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2003233710A true JP2003233710A (en) | 2003-08-22 |
Family
ID=27792024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2002333818A Pending JP2003233710A (en) | 2001-12-05 | 2002-11-18 | Program, device, and method for forecasting demand |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2003233710A (en) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007058848A (en) * | 2005-07-25 | 2007-03-08 | Toyo Eng Corp | Prediction support system |
JP2010181963A (en) * | 2009-02-03 | 2010-08-19 | Ntt Data Corp | Demand prediction device, demand prediction method and program |
JP2013012168A (en) * | 2011-06-02 | 2013-01-17 | Kurokawa Co Ltd | Sales promoting plan support system and its program |
JP2013225340A (en) * | 2013-07-22 | 2013-10-31 | Ntt Data Corp | Demand prediction device, demand prediction method and program |
JP2017027632A (en) * | 2016-11-10 | 2017-02-02 | キヤノンマーケティングジャパン株式会社 | Demand prediction device, demand prediction system, control method, and program |
-
2002
- 2002-11-18 JP JP2002333818A patent/JP2003233710A/en active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007058848A (en) * | 2005-07-25 | 2007-03-08 | Toyo Eng Corp | Prediction support system |
JP2010181963A (en) * | 2009-02-03 | 2010-08-19 | Ntt Data Corp | Demand prediction device, demand prediction method and program |
JP2013012168A (en) * | 2011-06-02 | 2013-01-17 | Kurokawa Co Ltd | Sales promoting plan support system and its program |
JP2013225340A (en) * | 2013-07-22 | 2013-10-31 | Ntt Data Corp | Demand prediction device, demand prediction method and program |
JP2017027632A (en) * | 2016-11-10 | 2017-02-02 | キヤノンマーケティングジャパン株式会社 | Demand prediction device, demand prediction system, control method, and program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7383201B2 (en) | Demand forecast device, method, and program product | |
Keyvanshokooh et al. | Hybrid robust and stochastic optimization for closed-loop supply chain network design using accelerated Benders decomposition | |
US7840896B2 (en) | Definition and instantiation of metric based business logic reports | |
US7257544B2 (en) | Assortment decisions | |
US7848943B2 (en) | System and method for supporting purchase or production of products by potential demand prediction | |
US20060259336A1 (en) | Methods and systems for managing risks associated with a project | |
WO2012086097A1 (en) | Database, data-management server, and data-management program | |
US20090144101A1 (en) | System and Method Determining Reference Values of Sensitivities and Client Strategies Based on Price Optimization | |
US20190114655A1 (en) | System and method for retail merchandise planning | |
Wilcoxen | The effects of environmental regulation and energy prices on US economic performance | |
CN101950395A (en) | Marketing model is determined system | |
Chua et al. | Information flows and stock market volatility | |
JP5803469B2 (en) | Prediction method and prediction program | |
JP2003233710A (en) | Program, device, and method for forecasting demand | |
JP2003263300A (en) | Program, apparatus, and method for predicting expendable supplies demand | |
CN114187061B (en) | System and method for dynamic scheduling of data processing | |
Vasilyev et al. | Assortment optimization using an attraction model in an omnichannel environment | |
JP2003233696A (en) | Device, method, and program for forecasting number of working product | |
JP2019175435A (en) | Transaction support system, transaction support method, and transaction support program | |
WO2012114481A1 (en) | Part shipment count prediction system and program | |
JP2005032079A (en) | Project pre-evaluation method | |
JP2003233709A (en) | Demand forecast program, device, and method | |
JP4767017B2 (en) | Campaign dynamic optimization system and method thereof, recording medium recording the method, and transmission medium transmitting the method | |
US20220067628A1 (en) | Directional stream value analysis system and server | |
Estelami et al. | Determinants of extended warranty prices for consumer durables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051116 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070522 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20070925 |