JP2015043167A

JP2015043167A - Sales prediction system and method

Info

Publication number: JP2015043167A
Application number: JP2013174822A
Authority: JP
Inventors: 幸成中田; Yukinari Nakata
Original assignee: Hitachi Systems Ltd
Current assignee: Hitachi Systems Ltd
Priority date: 2013-08-26
Filing date: 2013-08-26
Publication date: 2015-03-05

Abstract

PROBLEM TO BE SOLVED: To predict sales easily at low costs.SOLUTION: The sales prediction system is configured so that: an attribute addition part 280 extracts a customer or environment attribute which contributes to sales based on a sales model stored in a sales model DB 270 and then stores the attribute in an attribute by pattern DB 240; a normalization processing part 250 normalizes a sales pattern stored in a sales pattern DB 230; a SOM learning part 260 stores the sales model obtained by executing clustering of the normalized sales pattern in the sales model DB 270; and a collection part 210 collects the pieces of information stored in environment data, customer data, and POS data in accordance with a setting condition preset by a setting DB 220.

Description

本発明は、ニューラルネットワークの一種である自己組織化マップを利用してＰＯＳ売上データなどから販売予測を簡易に行うことができる売上予測システム及び売上予測方法に関する。 The present invention relates to a sales prediction system and a sales prediction method capable of easily performing sales prediction from POS sales data using a self-organizing map which is a kind of neural network.

一般に商品の売上を予測するコンピュータシステムは数多く提案され、例えば下記特許文献１には、ニューラルネットワークを用いた週単位の予測技術が記載され、特許文献２には、購入者情報を利用し予測精度を高める技術が記載されている。 In general, a number of computer systems for predicting the sales of goods have been proposed. For example, Patent Document 1 below describes a weekly prediction technique using a neural network, and Patent Document 2 discloses prediction accuracy using purchaser information. Techniques for improving the performance are described.

特開平０８−２２１３８４号公報Japanese Patent Application Laid-Open No. 08-221384 特開２０１１−７０３９６号公報JP 2011-70396 A

前述の各特許文献に記載の技術は、予測精度を高めることができるものの、ニューラルネットワークを用いた週単位の予測しかできない課題や、高価なコンピュータシステムが必要である課題があり、このため、多くの中小企業では、導入コストやランニングコストなどの制約により、売上予測システムを導入することが困難であるという課題があった。 Although the techniques described in each of the above-mentioned patent documents can improve the prediction accuracy, there are problems that can only be predicted on a weekly basis using a neural network, and problems that require an expensive computer system. SMEs have a problem that it is difficult to introduce a sales forecasting system due to restrictions such as introduction cost and running cost.

本発明の目的は、前述の従来技術による課題を解決しようとするものであり、容易且つ安価に売上予測を行うことができる売上予測システム及び売上予測方法を提供することである。 An object of the present invention is to solve the above-described problems caused by the conventional technology, and to provide a sales forecasting system and a sales forecasting method capable of forecasting sales easily and inexpensively.

前記目的を達成するため本発明は、店舗内に設置されて商品の販売管理を行うＰＯＳシステムと、該ＰＯＳシステムからのデータを受ける基幹システムと、該基幹システムからのデータに基づいて売上予測を学習するニューラルネットワーク学習装置と、該ニューラルネットワーク学習装置に接続された簡易予測処理装置とを備えた売上予測システムであって、
前記基幹システムが、ＰＯＳシステムから送信されたＰＯＳデータを格納するＰＯＳデータＤＢと、環境属性データを格納する環境データＤＢと、顧客属性を格納する顧客データＤＢとを有し、
前記ニューラルネットワーク学習装置が、顧客及び環境属性と商品の売上パターン情報を格納する売上パターンＤＢと、売上パターンと顧客属性及び環境属性との関係であるパターン別属性情報を格納するパターン別属性ＤＢと、顧客属性及び環境属性に基づく商品売上げ傾向等の売上モデルを格納する売上モデルＤＢと、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加する属性付加部と、該属性付加部が抽出した売上パターン情報を含む売上モデル属性を格納するモデル別属性ＤＢと、該売上パターンＤＢに格納した売上パターンを正規化する正規化処理部と、該正規化処理部が正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納する自己組織化マップ学習部と、前記環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計する集計部とを有することを第１の特徴とする。 In order to achieve the above object, the present invention provides a POS system that is installed in a store and manages sales of goods, a basic system that receives data from the POS system, and a sales forecast based on data from the basic system. A sales prediction system comprising a neural network learning device for learning and a simple prediction processing device connected to the neural network learning device,
The backbone system includes a POS data DB that stores POS data transmitted from the POS system, an environment data DB that stores environment attribute data, and a customer data DB that stores customer attributes.
The neural network learning device stores a sales pattern DB that stores customer and environmental attributes and sales pattern information of products, and a pattern-specific attribute DB that stores pattern-specific attribute information that is a relationship between the sales pattern, customer attributes, and environmental attributes; A sales model DB that stores sales models such as product sales trends based on customer attributes and environmental attributes, and a pattern attribute DB that extracts customer attributes or environmental attributes that contribute to sales based on the sales models stored in the sales model DB The attribute addition unit to be added to the sales pattern information stored in the table, the attribute DB for each model storing the sales model attribute including the sales pattern information extracted by the attribute addition unit, and the sales pattern stored in the sales pattern DB are normalized. And clustering of the sales pattern normalized by the normalization processing unit A self-organizing map learning unit for storing the upper model in the sales model DB; a totaling unit for totaling the environmental data DB, the customer data, and each information stored in the POS data DB according to setting conditions preset in the setting DB; It has the 1st characteristic to have.

また、本発明は、第１の特徴の売上予測システムにおいて、前記正規化処理部が、前記売上パターンＤＢに格納した売上パターンを配列Ｘ、正規化後の売上パターンを配列Ｙとしたとき「Ｙ＝（Ｘ／ΣＸ）」式を算出により売上パターンの正規化を行うことを第２の特徴とし、前記何れかの特徴の売上予測システムにおいて、前記環境属性データが、外勤温度と外気湿度と時刻帯を含み、顧客属性データが、顧客性別と顧客年代を含むことを第３の特徴とする。 Further, according to the present invention, in the sales prediction system having the first feature, when the normalization processing unit sets the sales pattern stored in the sales pattern DB as array X and the normalized sales pattern as array Y, “Y = (X / ΣX) "is calculated as a second feature to normalize the sales pattern, and in the sales forecasting system of any of the above features, the environmental attribute data includes the outside work temperature, the outside air humidity, and the time The third feature is that the customer attribute data includes a band and includes customer gender and customer age.

また、本発明は、店舗内に設置されて商品の販売管理を行うＰＯＳシステムと、該ＰＯＳシステムからのデータを受ける基幹システムと、該基幹システムからのデータに基づいて売上予測を学習するニューラルネットワーク学習装置と、該ニューラルネットワーク学習装置に接続された簡易予測処理装置とを備えたコンピュータシステムの売上予測方法であって、
前記基幹システムに、ＰＯＳシステムから送信されたＰＯＳデータを格納するＰＯＳデータＤＢと、環境属性データを格納する環境データＤＢと、顧客属性を格納する顧客データＤＢとを設け、
前記ニューラルネットワーク学習装置に、顧客及び環境属性と商品の売上パターン情報を格納する売上パターンＤＢと、売上パターンと顧客属性及び環境属性との関係であるパターン別属性情報を格納するパターン別属性ＤＢと、顧客属性及び環境属性に基づく商品売上げ傾向等の売上モデルを格納する売上モデルＤＢと、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加する属性付加部と、該属性付加部が抽出した売上パターン情報を含む売上モデル属性を格納するモデル別属性ＤＢと、該売上パターンＤＢに格納した売上パターンを正規化する正規化処理部と、該正規化処理部が正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納する自己組織化マップ学習部と、前記環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計する集計部とを設け、
前記属性付加部が、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加し、
前記正規化処理部が売上パターンＤＢに格納した売上パターンを正規化し、
前記自己組織化マップ学習部が、正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納し、
前記集計部が、環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計することを第４の特徴とする。 The present invention also provides a POS system that is installed in a store and manages sales of merchandise, a backbone system that receives data from the POS system, and a neural network that learns sales forecasts based on the data from the backbone system A computer system sales prediction method comprising a learning device and a simple prediction processing device connected to the neural network learning device,
The basic system is provided with a POS data DB for storing POS data transmitted from the POS system, an environment data DB for storing environment attribute data, and a customer data DB for storing customer attributes.
A sales pattern DB that stores customer and environmental attributes and sales pattern information of products in the neural network learning device, and a pattern attribute DB that stores pattern-specific attribute information that is a relationship between the sales pattern, customer attributes, and environmental attributes; A sales model DB that stores sales models such as product sales trends based on customer attributes and environmental attributes, and a pattern attribute DB that extracts customer attributes or environmental attributes that contribute to sales based on the sales models stored in the sales model DB The attribute addition unit to be added to the sales pattern information stored in the table, the attribute DB for each model storing the sales model attribute including the sales pattern information extracted by the attribute addition unit, and the sales pattern stored in the sales pattern DB are normalized. And clustering of the sales pattern normalized by the normalization processing unit A self-organizing map learning unit for storing the upper model in the sales model DB; a totaling unit for totaling the environmental data DB, the customer data, and each information stored in the POS data DB according to setting conditions preset in the setting DB; Provided,
The attribute adding unit extracts customer attributes or environmental attributes that contribute to sales based on the sales model stored in the sales model DB, and adds them to the sales pattern information stored in the pattern-specific attribute DB;
The normalization processing unit normalizes the sales pattern stored in the sales pattern DB,
The self-organizing map learning unit stores a sales model in which clustering of normalized sales patterns is performed in the sales model DB,
A fourth feature is that the totaling unit totals the environmental data DB, the customer data, and each information stored in the POS data DB according to a preset condition set in the setting DB.

また、本発明は、第４の特徴の売上予測方法において、前記正規化処理部に、前記売上パターンＤＢに格納した売上パターンを配列Ｘ、正規化後の売上パターンを配列Ｙとしたとき「Ｙ＝（Ｘ／ΣＸ）」式を算出により売上パターンの正規化実行させることを第５の特徴とし、前記何れかの特徴の売上予測方法において、前記環境属性データが、外勤温度と外気湿度と時刻帯を含み、顧客属性データが、顧客性別と顧客年代を含むことを第６の特徴とする。 Further, according to the fourth aspect of the sales prediction method, when the normalization processing unit sets the sales pattern stored in the sales pattern DB as array X and the normalized sales pattern as array Y, “Y = (X / ΣX) "is calculated as a fifth feature to normalize the sales pattern, and in the sales prediction method of any one of the features, the environmental attribute data includes the outside work temperature, the outside air humidity, and the time A sixth feature is that the customer attribute data includes a band and the customer attribute data includes a customer sex and a customer age.

本発明による売上予測システム及び売上予測方法は、属性付加部が、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加し、正規化処理部が売上パターンＤＢに格納した売上パターンを正規化し、自己組織化マップ学習部が、正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納し、前記集計部が、環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計することによって、容易且つ安価に売上予測を行うことができる。 In the sales prediction system and the sales prediction method according to the present invention, the attribute adding unit extracts the customer attribute or the environmental attribute that contributes to sales based on the sales model stored in the sales model DB, and stores the sales pattern information in the attribute DB by pattern. The normalization processing unit normalizes the sales pattern stored in the sales pattern DB, and the self-organizing map learning unit stores the sales model in which the clustering of the normalized sales pattern is performed in the sales model DB. The tabulation unit tabulates the environmental data DB, the customer data, and each information stored in the POS data DB according to the setting conditions set in advance in the setting DB, so that sales can be predicted easily and inexpensively.

本発明の実施形態による売上予測システムを説明するための図。The figure for demonstrating the sales prediction system by embodiment of this invention. 本実施形態による売上予測システムの全体動作処理フローを示す図。The figure which shows the whole operation | movement processing flow of the sales prediction system by this embodiment. 本実施形態による売上パターン作成処理フローを示す図。The figure which shows the sales pattern creation process flow by this embodiment. 本実施形態による売上モデル作成処理フローを示す図。The figure which shows the sales model creation process flow by this embodiment. 本実施形態による売上モデル選択処理フローを示す図。The figure which shows the sales model selection processing flow by this embodiment. 本実施形態による売上予測処理フローを示す図。The figure which shows the sales forecast processing flow by this embodiment. 本実施形態によるＰＯＳ売上データの一例を示す表図。The table which shows an example of the POS sales data by this embodiment. 本実施形態による環境属性データの一例を示す表図。The table showing an example of environment attribute data by this embodiment. 本実施形態による顧客属性データの一例を示す表図。The table showing an example of customer attribute data by this embodiment. 本実施形態による商品毎の売上集計例を示す表図。The table showing the sales totalization example for every goods by this embodiment. 本実施形態による任意期間の売上パターン例を示す表図。The table showing the sales pattern example of the arbitrary period by this embodiment. 本実施形態による売上パターン正規化例を示す表図。The table showing the example of sales pattern normalization by this embodiment. 本実施形態による売上パターン別属性データ例を示す表図。The table showing the example of attribute data classified by sales pattern by this embodiment. 本実施形態による売上モデル例を示す表図。The table which shows the sales model example by this embodiment. 本実施形態による売上モデル別属性データ割合例を示す表図。The table figure which shows the example of attribute data ratio according to sales model by this embodiment. 本実施形態による予測手法の一例を示す図。The figure which shows an example of the prediction method by this embodiment. 本実施形態による売上予測システムの画面例を示す図。The figure which shows the example of a screen of the sales prediction system by this embodiment.

以下、本発明による売上予測方法を採用した売上予測システムの一実施形態を図面を参照して詳細に説明する。
［構成］
本実施形態による売上予測システムは、図１に示す如く、店舗内に設置されて商品の販売管理を行うＰＯＳシステム１００と、該ＰＯＳシステム１００からのデータを受ける機能を有するコンピュータである基幹システム１１０と、サーバなどのコンピュータ上で動作するソフトウェアの一種のニューラルネットワーク学習装置２００と、パーソナルコンピュータやスマートデバイスなどのコンピュータ上で動作するソフトウェアの一種である簡易予測処理装置３００とを備える。 Hereinafter, an embodiment of a sales prediction system employing a sales prediction method according to the present invention will be described in detail with reference to the drawings.
[Constitution]
As shown in FIG. 1, the sales prediction system according to the present embodiment is a POS system 100 that is installed in a store and manages sales of products, and a backbone system 110 that is a computer having a function of receiving data from the POS system 100. And a neural network learning device 200 that is a kind of software that runs on a computer such as a server, and a simple prediction processing device 300 that is a kind of software that runs on a computer such as a personal computer or smart device.

前記基幹システム１１０は、インターネットなどのネットワークを介しＰＯＳシステム１００と接続され、ＰＯＳシステム１００から送信されたＰＯＳデータ１４０を格納するＰＯＳデータＤＢ１４０と、環境属性データを格納する環境データＤＢ１２０と、顧客属性を格納する顧客データＤＢ１３０と図示しない制御手段を備える。 The backbone system 110 is connected to the POS system 100 via a network such as the Internet, and stores a POS data DB 140 that stores POS data 140 transmitted from the POS system 100, an environment data DB 120 that stores environment attribute data, and customer attributes. Customer data DB 130 for storing and control means (not shown).

前記ＰＯＳデータＤＢ１４０に格納するＰＯＳデータは、図７に示す如く、商品販売毎に入力されるレシート番号と、商品の商品コード、商品を食品・文房具等の種別に分類するための大分類と、商品の購入日時、商品の購入個数、商品の購入金額、商品の属性、顧客ＩＤ等から成り、環境データＤＢ１２０に格納される環境属性データは、図８に示す如く、日時、時間、天気コード、気温コード（湿度）等の商品販売時における日時対応の自然環境データから成り、顧客データＤＢ１３０に格納する顧客属性データは、図９に示す如く、顧客ＩＤ毎に性別（１：男性、２：女性）と年齢（１：１０代、２：２０代、３：３０代〜）等の顧客特徴データを格納している。 The POS data stored in the POS data DB 140 includes, as shown in FIG. 7, a receipt number input for each product sale, a product code of the product, a large classification for classifying the product into types such as food and stationery, The environmental attribute data including the purchase date and time of the product, the number of purchases of the product, the purchase price of the product, the attribute of the product, the customer ID, and the like, and stored in the environment data DB 120 includes date and time, time, weather code, As shown in FIG. 9, the customer attribute data, which is composed of natural environment data corresponding to the date and time at the time of product sales such as temperature code (humidity), is stored in the customer data DB 130 for each customer ID. ) And age (1: 10s, 2: 20s, 3: 30s ~) and the like are stored.

前記ニューラルネットワーク学習装置２００は、顧客及び環境属性と商品の売上パターン情報を格納する売上パターンＤＢ２３０と、売上パターンと顧客及び環境属性との関係であるパターン別属性情報を格納するパターン別属性ＤＢ２４０と、顧客及び環境属性に基づく商品売上げ傾向等の売上モデルを格納する売上モデルＤＢ２７０と、売上モデルＤＢ２７０に格納した売上モデルに基づく売上げに貢献する顧客又は環境属性を抽出してパターン別属性ＤＢ２４０に格納した売上パターン情報に追加する属性付加部２８０と、該属性付加部２８０が抽出した売上パターン情報を含む売上モデル属性を格納するモデル別属性ＤＢ２９０と、該売上パターンＤＢ２３０に格納した売上パターン情報を配列Ｘ、正規化後の売上パターンを配列Ｙとしたとき「Ｙ＝（Ｘ／ΣＸ）」式により売上パターン)の正規化を図３に示したフローの如く行う正規化処理部２５０と、該正規化処理部２５０が正規化した売上パターン情報のクラスタリングを実施した売上モデルを売上モデルＤＢ２７０に格納する自己組織化マップ（ＳＯＭ）学習部２６０と、前記環境データＤＢ１２０と顧客データＤＢとＰＯＳデータＤＢに格納した各情報１２０ａと１３０ａと１４０ａとを設定ＤＢ２２０に予め設定された設定条件に従って集計する集計部２１０とを備える。 The neural network learning apparatus 200 includes a sales pattern DB 230 that stores customer and environmental attributes and sales pattern information of merchandise, and a pattern-specific attribute DB 240 that stores pattern-specific attribute information that is a relationship between the sales pattern and customers and environmental attributes. Sales model DB 270 that stores sales models such as product sales trends based on customers and environmental attributes, and customer or environmental attributes that contribute to sales based on sales models stored in sales model DB 270 are extracted and stored in attribute DB 240 for each pattern The attribute adding unit 280 to be added to the sales pattern information, the model attribute DB 290 storing the sales model attributes including the sales pattern information extracted by the attribute adding unit 280, and the sales pattern information stored in the sales pattern DB 230 are arranged. X, array Y of normalized sales pattern The normalization processing unit 250 performs normalization of the sales pattern) according to the formula “Y = (X / ΣX)” as in the flow shown in FIG. 3, and the sales pattern information normalized by the normalization processing unit 250 A self-organizing map (SOM) learning unit 260 that stores the sales model in which clustering is performed in the sales model DB 270, and the information 120a, 130a, and 140a stored in the environment data DB 120, the customer data DB, and the POS data DB are set. And a totaling unit 210 that totals according to setting conditions preset in the DB 220.

前記集計部２１０は、事前に設定ＤＢ２２０から設定情報を読み込み、環境データ１２０ａと顧客データ１３０ａとＰＯＳデータ１４０ａとを指定された時間毎に集計を行い、指定された期間毎に売上パターンＤＢ２３０に記録する機能と、売上パターン別にＰＯＳデータに付加された属性データや環境データ１２０ａ及び顧客データ１３０ａに記録されている各属性の割合を算出し、パターン別属性データＤＢ２４０に記憶する機能とを有し、計算途中の売上データ集計例は図１０に示す通りであり、売上パターン情報例は図１１に示す通りでありパターン別属性データ割合は図１３に示す通りである。 The aggregating unit 210 reads setting information from the setting DB 220 in advance, aggregates the environmental data 120a, the customer data 130a, and the POS data 140a every designated time, and records them in the sales pattern DB 230 every designated period. And a function for calculating the ratio of each attribute recorded in the attribute data added to the POS data for each sales pattern, the environmental data 120a, and the customer data 130a, and storing it in the attribute data DB 240 for each pattern. An example of sales data tabulation during calculation is as shown in FIG. 10, an example of sales pattern information is as shown in FIG. 11, and the attribute data ratio by pattern is as shown in FIG.

前記自己組織化マップ（ＳＯＭ）学習部２６０は、ランダムにＮ個抽出した売上パターン情報を正規化処理部２５０で正規化を行った後、クラスタリングを実施し、これを売上モデルとして売上モデルＤＢ２７０に格納し、売上モデル例は図１４に示す通りである。 The self-organizing map (SOM) learning unit 260 normalizes the sales pattern information extracted at random N by the normalization processing unit 250, and then performs clustering, and stores this in the sales model DB 270 as a sales model. An example of the sales model is shown in FIG.

前記属性付加部２８０は、対象となる売上パターン情報がパターン別属性データＤＢ２４０に存在する場合、ランダムにＮ個抽出した売上パターン情報に対して、合致する売上モデルを売上モデルＤＢ２７０から求め、この売上モデル別にパターン別属性データの集計と割合の算出を実施し、売上モデル別属性データとし売上モデル別属性データＤＢ２９０に格納し、売上モデル別属性データ例は図１５に示す通りであり、この売上モデル別属性データ作成処理は図４に示す。 When the target sales pattern information exists in the pattern-specific attribute data DB 240, the attribute adding unit 280 obtains a sales model that matches N sales pattern information randomly extracted from the sales model DB 270, and this sales Aggregation of pattern-specific attribute data for each model and calculation of the ratio are carried out and stored as attribute data for each sales model in the attribute data DB 290 for each sales model. An example of attribute data for each sales model is as shown in FIG. Another attribute data creation process is shown in FIG.

前記簡易予測処理装置３００は、パーソナルコンピュータ・ＰＤＡ・スマートデバイスなどであって基幹システム１１０及びニューラルネットワーク学習装置２００とネットワークを介して接続され、予測を行いたい商品の現在時刻までのＰＯＳデータを基幹システム１１０からネットワークを介して取得し、集計処理を行う売上集計部３１０と、ニューラルネットワーク学習装置２００から売上モデルとモデル別属性を取得し、この売上モデルと、売上集計部３１０により集計された売上データの相関係数を求め、これを一致度と定義する。この相関係数の一番大きい売上モデルを選択し、この売上モデルと売上データとの倍率を算出し、現在時刻以降の売上を売上モデルに上記倍率を掛けることにより売上予測（図１６）算出する予測処理部３２０と、計算された売上予測や予測に使用した売上モデルにモデル別属性データが存在した場合、各属性データを棒グラフなどの画面（図１７）を表示する表示部３４０と、ユーザによる予測を行う商品と売上モデルの変更操作や必要があれば表示部３４０の売上予測と属性データを確認しながら最適だと考えられる売上モデルを選択する操作部３３０とを備える。 The simple prediction processing device 300 is a personal computer, PDA, smart device or the like, and is connected to the basic system 110 and the neural network learning device 200 via a network, and is based on POS data up to the current time of a product to be predicted. The sales totaling unit 310 that acquires from the system 110 via the network and performs the totaling process, and acquires the sales model and model-specific attributes from the neural network learning device 200, and the sales model and the sales totaled by the sales totaling unit 310 The correlation coefficient of data is obtained and this is defined as the degree of coincidence. The sales model with the largest correlation coefficient is selected, the magnification between this sales model and sales data is calculated, and the sales forecast (FIG. 16) is calculated by multiplying the sales model after the current time by the above magnification. When attribute data for each model exists in the prediction processing unit 320, the calculated sales prediction or the sales model used for the prediction, the display unit 340 displays a screen such as a bar graph (FIG. 17) for each attribute data, and the user There is provided an operation unit 330 for selecting a sales model that is considered to be optimal while confirming the sales prediction and attribute data of the display unit 340, if necessary, operation for changing the product to be predicted and the sales model.

［動作］
本実施形態による売上予測システムの全体動作処理は、図２に示す如く、集計部２１０がＰＯＳデータＤＢ１４０に格納された過去のＰＯＳ売上データ読み込みを行うステップＳ０１０と、該ステップＳ０１０により読み込んだＰＯＳデータ１４０ａ並びに環境データＤＢ１２０から読み込んだ温度等の環境データ１２０ａ及び顧客データＤＢ１３０から読み込んだ顧客データ１３０ａに基づいて売上げと売上げ時の属性との関係をベクトル化及び正規化により解析した売上パターンを作成する売上パターン作成処理を行うステップＳ１００と、該ステップＳ１００により作成した正規化売上パターンから任意の正規化売上パターンに基づく代表モデルを抽出し、該抽出したモデル別の属性データを含む代表売上モデルを作成するステップＳ２００と、該ステップＳ２００により作成した代表売上モデルの読み込みを行うステップＳ０２０と、ＰＯＳデータＤＢ１４０に格納された最新のＰＯＳデータを読み込むステップＳ０３０と、操作者の操作により売上モデル（例えば、気温条件・時刻条件他）を選択する売上モデル選択処理を行うステップＳ３００と、該ステップＳ３００により選択された売上モデルによる売上予測処理を行うステップＳ４００と、売上モデルに属性が存在するか否かを判定するステップＳ０４０と、該ステップＳ０４０により属性が存在すると判定したときに属性ヒストグラムを表示するステップＳ０５０と、前記ステップＳ０４０により属性が存在しないと判定されたとき又はステップＳ０４０に続き、操作者の指示により売上モデルを変更するか否かを判定し、変更すると判定したときに前記ステップＳ４００に戻り、変更しない場合に処理を終了するステップＳ０６０とを実行することによって、過去の売上実績と売上時の属性（気温・時刻帯他の条件）によって売上モデルを作成し、操作者が任意に選択した売上モデルによる売上げ予想等を行うことができる。即ち、本実施形態による売上予測システムは、売上パターンをニューラルネットワークの一種である自己組織化マップ（Ｓｅｌｆ−ＯｒｇａｎｉｚｉｎｇＭａｐ：ＳＯＭ）によりクラスタリングを行い、代表ベクトルを作成し、この代表ベクトルと、予測を実施したい売上パターンとの間で一番高い相関係数を持つ代表ベクトルを選択し、売上パターンを決定することによって、この売上パターンに従い売上予測を行うことができる。 [Operation]
As shown in FIG. 2, the overall operation process of the sales forecasting system according to the present embodiment includes the step S010 in which the counting unit 210 reads past POS sales data stored in the POS data DB 140, and the POS data read in step S010. 140a and a sales pattern in which the relationship between sales and sales attributes is analyzed by vectorization and normalization based on environmental data 120a such as temperature read from the environmental data DB 120 and customer data 130a read from the customer data DB 130. Step S100 for performing sales pattern creation processing, and a representative model based on an arbitrary normalized sales pattern is extracted from the normalized sales pattern created in step S100, and a representative sales model including attribute data for each extracted model is created. Step S 00, step S020 for reading the representative sales model created in step S200, step S030 for reading the latest POS data stored in the POS data DB 140, and the sales model (for example, the temperature condition / Step S300 for performing a sales model selection process for selecting a time condition, etc., Step S400 for performing a sales prediction process based on the sales model selected in Step S300, and a step for determining whether an attribute exists in the sales model S040, step S050 for displaying an attribute histogram when it is determined that the attribute is present in step S040, and if it is determined that the attribute is not present in step S040 or following step S040, the sales model is instructed by the operator. Whether to change The process returns to the step S400 when it is determined that the change is to be made, and the process ends when the change is not made, thereby executing the past sales record and the sales attribute (temperature, time zone, and other conditions). ), A sales model can be created, and sales can be predicted based on the sales model arbitrarily selected by the operator. That is, the sales prediction system according to the present embodiment clusters sales patterns by using a self-organizing map (SOM), which is a kind of neural network, and creates a representative vector. By selecting a representative vector having the highest correlation coefficient with the sales pattern to be implemented and determining the sales pattern, sales can be predicted according to this sales pattern.

前記ステップＳ１００による売上パターン作成処理は、図３に示す如く、過去のＰＯＳデータによる売上データの集計を行うステップＳ１１０と、該ステップＳ１１０により集計した売上データを自己組織化マップ（Ｓｅｌｆ−ＯｒｇａｎｉｚｉｎｇＭａｐ：ＳＯＭ）によるクラスタリング及び代表ベクトルを作成するベクトル化処理を行うステップＳ１２０と、該ステップＳ１２０によりベクトル化した売上データをの正規化を行うことによって実行される。 As shown in FIG. 3, the sales pattern creation process in step S100 includes step S110 for totaling sales data based on past POS data, and the self-organizing map (Self-Organizing Map) for the sales data totaled in step S110. Step S120 for performing clustering by SOM) and vectorization processing for creating a representative vector, and normalizing the sales data vectorized in step S120.

前記ステップＳ２００による売上モデル作成処理は、図４に示す如く、正規化された売上パターンをランダムにＮ個取得するステップＳ２１０と、該ステップＳ２１０により取得した複数の正規化売上パターンのクラスタリングを行うステップＳ２２０と、該ステップＳ２２０によりクラスタリングした正規化売上パターンに基づいて代表的な売上モデルを作成するステップＳ２３０と、該ステップＳ２３０により作成した売上モデルに属性が含まれるか否かを判定し、含まれないと判定したときに処理を終了するステップＳ２４０と、該ステップＳ２４０において属性が含まれると判定したとき、モデル別の属性データを作成するステップＳ２５０を行うことによって実行される。 As shown in FIG. 4, the sales model creation processing in step S200 includes step S210 for randomly acquiring N normalized sales patterns, and a step for clustering a plurality of normalized sales patterns acquired in step S210. S220, step S230 for creating a representative sales model based on the normalized sales pattern clustered in step S220, and whether the sales model created in step S230 includes an attribute. If it is determined that the attribute is not included in step S240, the process is terminated. If it is determined in step S240 that the attribute is included, step S250 for generating model-specific attribute data is performed.

前記ステップＳ３００による売上モデル選択処理は、図５に示す如く、売上データを集計（例えば、商品毎の日付・時刻・顧客性別毎の売上データ）するステップＳ３１０と、該ステップＳ３１０により集計した売上データ間の相関係数（例えば、温度が何度以上の昼時間帯の清涼飲料水の売上）を計算するステップＳ３２０と、相関係数が最大のものを選択するステップＳ３３０を行うことによって実行される。 As shown in FIG. 5, the sales model selection processing in step S300 includes sales data totaled (for example, sales data for each product date / time / customer sex), and sales data aggregated in step S310. It is executed by performing step S320 for calculating a correlation coefficient between the two (for example, sales of soft drinks during the daytime when the temperature is more than a certain number of times) and step S330 for selecting the one having the largest correlation coefficient. .

前記ステップＳ４００による売上予測処理は、図６に示す如く、売上モデルと売上データとの倍率を算出するステップＳ４１０と、該ステップＳ４１０により算出した倍率を未知部分（過去統計に登録されていない時刻帯等）を乗算することにより未知部分の売上予測を行うステップＳ４２０と行うことによって実行される。 As shown in FIG. 6, the sales prediction process in step S400 includes a step S410 for calculating a magnification between the sales model and the sales data, and an unknown part (time zone not registered in past statistics) in which the magnification calculated in step S410 is calculated. Etc.) is performed by performing step S420 of performing sales prediction of the unknown part by multiplying by the same.

１００ＰＯＳシステム、１１０基幹システム、１２０ａ環境データ、
１３０ａ顧客データ、１４０ａＰＯＳデータ、１２０環境データＤＢ、
１３０顧客データＤＢ、１４０ＰＯＳデータＤＢ、
２００ニューラルネットワーク学習装置、２１０集計部、
２２０設定ＤＢ、２３０売上パターンＤＢ、２４０パターン別属性ＤＢ、
２５０正規化処理部、２６０ＳＯＭ学習部、２７０売上モデルＤＢ、
２８０属性付加部、２９０モデル別属性ＤＢ、
３００簡易予測処理装置、３１０売上集計部、３２０予測処理部、
３３０操作部、３４０表示部 100 POS system, 110 core system, 120a environmental data,
130a customer data, 140a POS data, 120 environmental data DB,
130 customer data DB, 140 POS data DB,
200 Neural network learning device, 210 Totaling unit,
220 setting DB, 230 sales pattern DB, 240 attribute DB by pattern,
250 normalization processing unit, 260 SOM learning unit, 270 sales model DB,
280 attribute addition unit, 290 attribute DB by model,
300 simple prediction processing device, 310 sales totaling unit, 320 prediction processing unit,
330 operation unit, 340 display unit

Claims

店舗内に設置されて商品の販売管理を行うＰＯＳシステムと、該ＰＯＳシステムからのデータを受ける基幹システムと、該基幹システムからのデータに基づいて売上予測を学習するニューラルネットワーク学習装置と、該ニューラルネットワーク学習装置に接続された簡易予測処理装置とを備えた売上予測システムであって、
前記基幹システムが、ＰＯＳシステムから送信されたＰＯＳデータを格納するＰＯＳデータＤＢと、環境属性データを格納する環境データＤＢと、顧客属性を格納する顧客データＤＢとを有し、
前記ニューラルネットワーク学習装置が、顧客及び環境属性と商品の売上パターン情報を格納する売上パターンＤＢと、売上パターンと顧客属性及び環境属性との関係であるパターン別属性情報を格納するパターン別属性ＤＢと、顧客属性及び環境属性に基づく商品売上げ傾向等の売上モデルを格納する売上モデルＤＢと、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加する属性付加部と、該属性付加部が抽出した売上パターン情報を含む売上モデル属性を格納するモデル別属性ＤＢと、該売上パターンＤＢに格納した売上パターンを正規化する正規化処理部と、該正規化処理部が正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納する自己組織化マップ学習部と、前記環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計する集計部とを有することを特徴とする売上予測システム。 A POS system installed in a store for managing the sales of products; a backbone system that receives data from the POS system; a neural network learning device that learns sales forecasts based on data from the backbone system; and the neural network A sales prediction system comprising a simple prediction processing device connected to a network learning device,
The backbone system includes a POS data DB that stores POS data transmitted from the POS system, an environment data DB that stores environment attribute data, and a customer data DB that stores customer attributes.
The neural network learning device stores a sales pattern DB that stores customer and environmental attributes and sales pattern information of products, and a pattern-specific attribute DB that stores pattern-specific attribute information that is a relationship between the sales pattern, customer attributes, and environmental attributes; A sales model DB that stores sales models such as product sales trends based on customer attributes and environmental attributes, and a pattern attribute DB that extracts customer attributes or environmental attributes that contribute to sales based on the sales models stored in the sales model DB The attribute addition unit to be added to the sales pattern information stored in the table, the attribute DB for each model storing the sales model attribute including the sales pattern information extracted by the attribute addition unit, and the sales pattern stored in the sales pattern DB are normalized. And clustering of the sales pattern normalized by the normalization processing unit A self-organizing map learning unit for storing the upper model in the sales model DB; a totaling unit for totaling the environmental data DB, the customer data, and each information stored in the POS data DB according to setting conditions preset in the setting DB; A sales forecasting system characterized by comprising:

前記正規化処理部が、前記売上パターンＤＢに格納した売上パターンを配列Ｘ、正規化後の売上パターンを配列Ｙとしたとき「Ｙ＝（Ｘ／ΣＸ）」式を算出により売上パターンの正規化を行うことを特徴とする請求項１記載の売上予測システム。 The normalization processing unit normalizes the sales pattern by calculating “Y = (X / ΣX)” when the sales pattern stored in the sales pattern DB is array X and the normalized sales pattern is array Y. The sales prediction system according to claim 1, wherein:

前記環境属性データが、外勤温度と外気湿度と時刻帯を含み、顧客属性データが、顧客性別と顧客年代を含むことを特徴とする請求項１又は２記載の売上予測システム。 The sales prediction system according to claim 1 or 2, wherein the environmental attribute data includes outside work temperature, outside air humidity, and time zone, and the customer attribute data includes customer sex and customer age.

店舗内に設置されて商品の販売管理を行うＰＯＳシステムと、該ＰＯＳシステムからのデータを受ける基幹システムと、該基幹システムからのデータに基づいて売上予測を学習するニューラルネットワーク学習装置と、該ニューラルネットワーク学習装置に接続された簡易予測処理装置とを備えたコンピュータシステムの売上予測方法であって、
前記基幹システムに、ＰＯＳシステムから送信されたＰＯＳデータを格納するＰＯＳデータＤＢと、環境属性データを格納する環境データＤＢと、顧客属性を格納する顧客データＤＢとを設け、
前記ニューラルネットワーク学習装置に、顧客及び環境属性と商品の売上パターン情報を格納する売上パターンＤＢと、売上パターンと顧客属性及び環境属性との関係であるパターン別属性情報を格納するパターン別属性ＤＢと、顧客属性及び環境属性に基づく商品売上げ傾向等の売上モデルを格納する売上モデルＤＢと、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加する属性付加部と、該属性付加部が抽出した売上パターン情報を含む売上モデル属性を格納するモデル別属性ＤＢと、該売上パターンＤＢに格納した売上パターンを正規化する正規化処理部と、該正規化処理部が正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納する自己組織化マップ学習部と、前記環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計する集計部とを設け、
前記属性付加部が、売上モデルＤＢに格納した売上モデルに基づく売上げに貢献する顧客属性又は環境属性を抽出してパターン別属性ＤＢに格納した売上パターン情報に追加し、
前記正規化処理部が売上パターンＤＢに格納した売上パターンを正規化し、
前記自己組織化マップ学習部が、正規化した売上パターンのクラスタリングを実施した売上モデルを売上モデルＤＢに格納し、
前記集計部が、環境データＤＢと顧客データとＰＯＳデータＤＢに格納した各情報とを設定ＤＢに予め設定された設定条件に従って集計することを特徴とする売上予測方法。 A POS system installed in a store for managing the sales of products; a backbone system that receives data from the POS system; a neural network learning device that learns sales forecasts based on data from the backbone system; and the neural network A computer system sales prediction method comprising a simple prediction processing device connected to a network learning device,
The basic system is provided with a POS data DB for storing POS data transmitted from the POS system, an environment data DB for storing environment attribute data, and a customer data DB for storing customer attributes.
A sales pattern DB that stores customer and environmental attributes and sales pattern information of products in the neural network learning device, and a pattern attribute DB that stores pattern-specific attribute information that is a relationship between the sales pattern, customer attributes, and environmental attributes; A sales model DB that stores sales models such as product sales trends based on customer attributes and environmental attributes, and a pattern attribute DB that extracts customer attributes or environmental attributes that contribute to sales based on the sales models stored in the sales model DB The attribute addition unit to be added to the sales pattern information stored in the table, the attribute DB for each model storing the sales model attribute including the sales pattern information extracted by the attribute addition unit, and the sales pattern stored in the sales pattern DB are normalized. And clustering of the sales pattern normalized by the normalization processing unit A self-organizing map learning unit for storing the upper model in the sales model DB; a totaling unit for totaling the environmental data DB, the customer data, and each information stored in the POS data DB according to setting conditions preset in the setting DB; Provided,
The attribute adding unit extracts customer attributes or environmental attributes that contribute to sales based on the sales model stored in the sales model DB, and adds them to the sales pattern information stored in the pattern-specific attribute DB;
The normalization processing unit normalizes the sales pattern stored in the sales pattern DB,
The self-organizing map learning unit stores a sales model in which clustering of normalized sales patterns is performed in the sales model DB,
A sales forecasting method, wherein the totaling unit totals the environmental data DB, the customer data, and each information stored in the POS data DB according to a preset condition set in the setting DB.

前記正規化処理部に、前記売上パターンＤＢに格納した売上パターンを配列Ｘ、正規化後の売上パターンを配列Ｙとしたとき「Ｙ＝（Ｘ／ΣＸ）」式を算出により売上パターンの正規化実行させることを特徴とする請求項４記載の売上予測方法。 When the sales pattern stored in the sales pattern DB is array X and the normalized sales pattern is array Y, the normalization processing unit normalizes the sales pattern by calculating “Y = (X / ΣX)”. The sales forecasting method according to claim 4, wherein the sales forecasting method is executed.

前記環境属性データが、外勤温度と外気湿度と時刻帯を含み、顧客属性データが、顧客性別と顧客年代を含むことを特徴とする請求項４又は５記載の売上予測方法。 6. The sales forecasting method according to claim 4, wherein the environmental attribute data includes outside work temperature, outside air humidity, and time zone, and the customer attribute data includes customer sex and customer age.