JP4514160B2 - Acquisition value forecast program, sales landing forecast program and device - Google Patents
Acquisition value forecast program, sales landing forecast program and device Download PDFInfo
- Publication number
- JP4514160B2 JP4514160B2 JP2007077958A JP2007077958A JP4514160B2 JP 4514160 B2 JP4514160 B2 JP 4514160B2 JP 2007077958 A JP2007077958 A JP 2007077958A JP 2007077958 A JP2007077958 A JP 2007077958A JP 4514160 B2 JP4514160 B2 JP 4514160B2
- Authority
- JP
- Japan
- Prior art keywords
- probability
- case
- sales
- random number
- function
- 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.)
- Expired - Fee Related
Links
Images
Description
本発明は、複数の事柄について達成確率と達成時の獲得値がそれぞれ与えられている場合に、総獲得値を予測する技術に関する。 The present invention relates to a technique for predicting a total acquired value when an achievement probability and an acquired value at the time of achievement are given for a plurality of matters.
企業、特に営業を担当する部署においては、当期や来期の売上高を予測する作業が必須である。その場合、各担当者や事業案件毎に予測値を出すのみならず、業績判断や投資家への開示などのために、部署全体や企業全体の予測値が必要となる。従来、このような売上高予測は、担当者から報告される事業案件毎の予測値を単純に合計して算出されることが多い。例えば、特許文献１に記載の売上高予測装置では、第１および第２の売上高演算処理手段により算出された売上高を合計することで、売上高予測値を算出するようにしている。
しかしながら、特許文献１のように個別の売上高を合計するだけでは、単一の予測値しか得ることができない。意思決定者の立場からすれば、売上高予測値の確率分布を求めて多様な定量分析をしたいという要望がある。
However, only a single predicted value can be obtained only by summing up individual sales as in
本発明はこうした状況に鑑みてなされたものであり、その目的は、ある組織において受注の成否によって売上などの数値を獲得できるか否かが決まるような複数の案件を管理している場合に、組織全体で獲得できる数値を予測する技術を提供することにある。 The present invention has been made in view of such a situation, and its purpose is to manage a plurality of matters that determine whether or not a numerical value such as sales can be acquired depending on the success or failure of an order in a certain organization, It is to provide a technique for predicting the numerical value that can be obtained in the entire organization.
本発明のある態様は、獲得値予想プログラムである。このプログラムは、並列して存在する複数の予定事項について、各事項を達成したときに獲得可能な獲得値とその事項が達成される確率との組合せが予め入力されている予定事項データを受け取りメモリに保持する保持機能と、予定事項データに含まれる予定事項に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与機能と、予定事項毎に付与された乱数と確率とを比較して該予定事項を達成できるか否かを判定する判定機能と、達成できると判定された全ての予定事項の獲得数値を合計して合計獲得値を求める計算機能と、乱数の付与と達成の判定からなる試行を繰り返し実行させる試行制御機能と、複数回の試行結果に基づいて合計獲得値の確率分布を求める予測機能と、をコンピュータに発揮させる。 One embodiment of the present invention is an acquired value prediction program. This program receives schedule data in which a combination of an acquired value that can be acquired when each item is achieved and a probability that the item will be achieved is input in advance for a plurality of schedule items that exist in parallel. A random number assignment function that assigns a random number generated between the minimum and maximum probabilities for the schedule items included in the schedule item data, and a random number and a probability assigned to each schedule item A determination function that determines whether or not the scheduled item can be achieved, a calculation function that sums the acquired numerical values of all the scheduled items that are determined to be achieved, and a random number assignment The computer exhibits a trial control function for repeatedly executing trials consisting of determinations of achievement and a prediction function for obtaining a probability distribution of total acquired values based on a plurality of trial results.
この態様によると、期待値のような単一の値ではなく獲得値の確率分布を求めることができるため、多様な定量分析が可能になる。 According to this aspect, since it is possible to obtain a probability distribution of acquired values instead of a single value such as an expected value, various quantitative analyzes are possible.
本発明の別の態様は、売上着地予想プログラムである。このプログラムは、複数の受注予定案件について見積額と各案件を将来受注できる確率とが予め入力されている案件データを受け取りメモリに保持する保持機能と、案件データに含まれる案件に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与機能と、案件毎に付与された乱数と確率とを比較して該案件を受注できるか否かを判定する判定機能と、受注できると判定された全ての案件の見積額を合計して予測売上高を求める計算機能と、乱数の付与と受注の判定からなる試行を繰り返し実行させる試行制御機能と、複数回の試行結果に基づいて予測売上高の確率分布を求める分布作成機能と、をコンピュータに発揮させる。 Another aspect of the present invention is a sales landing forecast program. This program has a retention function that receives and stores in the memory the case data in which the estimated amount and the probability of receiving each case in the future are input in advance, and the probability for the cases included in the case data A random number assignment function that assigns a random number generated between the minimum and maximum values, a determination function that determines whether or not an order can be accepted by comparing the random number and probability assigned to each case, Based on the result of multiple trials, a calculation function that calculates the estimated sales by summing the estimated amounts of all projects that are judged to be possible, a trial control function that repeatedly executes trials consisting of assigning random numbers and judging orders The computer creates a distribution creation function that calculates the probability distribution of the predicted sales.
この態様によると、複数の案件の売上高を予測する場合に、期待値のような単一の値ではなく予測売上高の確率分布を求めることができる。したがって、予測売上高のブレ幅や、売上目標を達成できる確率などを容易に知ることができる。 According to this aspect, when the sales of a plurality of projects are predicted, a probability distribution of the predicted sales can be obtained instead of a single value such as an expected value. Therefore, it is possible to easily know the fluctuation range of the predicted sales, the probability that the sales target can be achieved, and the like.
第１の案件の受注が成功したときに限り第２の案件の受注が可能となるような条件付き案件が案件データ内に含まれている場合、乱数付与機能は、第１の案件と第２の案件に対して同一の乱数を付与してもよい。この場合、第１の案件の確率が第２の案件の確率よりも大きくなるように入力される。これによると、案件間に依存関係がある場合でもそれらに同一の乱数を与えるという操作をするだけで、例外的な処理をすることなくシミュレーションを実施することができる。このように依存条件を考慮することで、より実際に即した売上高予測をすることができる。 When the matter data includes a conditional matter that allows the second matter to be accepted only when the order of the first matter is successful, the random number assignment function performs the first matter and the second matter. The same random number may be assigned to the case. In this case, the input is made so that the probability of the first case is larger than the probability of the second case. According to this, even when there is a dependency relationship between cases, it is possible to perform a simulation without performing exceptional processing only by performing an operation of giving them the same random number. By considering the dependency condition in this way, it is possible to make a sales forecast that is more realistic.
予測売上高の確率分布の尖度を算出する尖度算出機能と、売上を集計するための対象期間内に複数回求められる確率分布の尖度の変化に基づいて、所定時点での予測売上高の分布度合いを推定する推定機能と、をさらにコンピュータに発揮させてもよい。これによると、尖度の変化の傾向を求め、これに基づいて将来の確率分布を推定する。 Based on the kurtosis calculation function that calculates the kurtosis of the probability distribution of the predicted sales and the change in the kurtosis of the probability distribution obtained multiple times within the target period for collecting sales, the predicted sales at a given point in time The computer may further have an estimation function for estimating the degree of distribution. According to this, a tendency of change in kurtosis is obtained, and a future probability distribution is estimated based on this tendency.
案件データに含まれる案件のうち受注金額の比較的高い案件について確率を変化させてみることで、該案件の受注の成否による予測売上高に対する影響を推定する機能をさらにコンピュータに発揮させてもよい。これによると、案件データに高額案件が含まれるとき、その案件について確度を変えた予測売上高分布を作成することで、その案件が売上高全体に与える影響を推定することができる。 By changing the probability of a case with a relatively high order value among the cases included in the case data, the computer may be further used to estimate the effect on the predicted sales due to the success or failure of the order. . According to this, when a high-priced case is included in the case data, it is possible to estimate the influence of the case on the overall sales amount by creating a predicted sales distribution with the accuracy changed for the case.
本発明の別の態様は、売上着地予想装置である。この装置は、複数の受注予定案件について見積額と各案件を将来受注できる確率とが予め入力されている案件データを受け取り保持するデータ保持部と、案件データに含まれる案件に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与部と、案件毎に付与された乱数と確率とを比較して該案件を受注できるか否かを判定する判定部と、受注できると判定された全ての案件の見積額を合計して予測売上高を求める売上高計算部と、乱数の付与と受注の判定からなる試行を繰り返し実行させる試行制御部と、複数回の試行結果に基づいて予測売上高の確率分布を求める分布作成部と、を備える。 Another aspect of the present invention is a sales landing prediction device. This device has a data holding unit that receives and holds case data in which the estimated amount and the probability of receiving an order for each case in advance are received for a plurality of planned orders, and a minimum probability for the cases included in the case data A random number assigning unit that assigns a random number generated between a value and a maximum value, a determination unit that determines whether or not the case can be accepted by comparing the random number and probability assigned to each case, and can receive an order The sales calculation unit that calculates the estimated sales by summing the estimated amounts of all the cases that are determined to be, the trial control unit that repeatedly executes trials consisting of random number assignment and order determination, and multiple trial results A distribution creation unit for obtaining a probability distribution of the predicted sales based on the distribution.
なお、以上の構成要素の任意の組合せ、本発明を方法、装置、システム、記録媒体、コンピュータプログラムにより表現したものもまた、本発明の態様として有効である。 It should be noted that any combination of the above-described components and a representation of the present invention by a method, apparatus, system, recording medium, and computer program are also effective as an aspect of the present invention.
本発明によれば、ある組織において受注の成否によって売上などの数値を獲得できるか否かが決まるような複数の案件を管理している場合に、組織全体で獲得できる数値を予測することができる。 According to the present invention, it is possible to predict a numerical value that can be acquired in the entire organization when managing a plurality of cases in which whether a numerical value such as sales can be acquired or not is determined by success or failure of an order in a certain organization. .
本発明の一実施形態は、ある組織で扱う複数の案件について見積額と受注見通しとが与えられている場合に、組織全体の売上高を予想する売上着地予想技術である。 One embodiment of the present invention is a sales landing prediction technique for predicting sales of an entire organization when an estimated amount and an order forecast are given for a plurality of cases handled by a certain organization.
初めに、従来の一般的な着地予想の手法について説明する。図５に示すように、複数の事業案件についてその受注確率９６と見積額９４とが入力されているテーブルがあるものとする。従来では、この組織の期末での売上高を予想するために期待値を求めることが多い。つまり、見積額に受注確率を乗じて期待受注額９８を全ての案件について算出する。そして、これら期待受注額を合計することで予測売上高を求める。
First, a conventional general landing prediction method will be described. As shown in FIG. 5, it is assumed that there is a table in which the
しかし、このような手法では、予測売上高として一つの値が示されるだけであり、期中の受注状況に応じてどの程度の増減が見込まれるのかや、目標売上高を達成する確率がどの程度であるかといった情報を全く得ることができない。複数の案件の進行を管理し業績を予想する必要がある立場にある意思決定者としては、より詳細かつ意思決定の役に立つ情報を含む売上高予測ができると好ましい。 However, this method only shows a single value for the forecasted sales, how much is expected to increase or decrease depending on the order status during the period, and what is the probability of achieving the target sales? I can't get any information. For decision-makers who need to manage the progress of multiple projects and predict performance, it is preferable to be able to forecast sales that include more detailed and useful information for decision-making.
そこで、本実施形態では、周知のモンテカルロシミュレーションを売上高予測に適用することによって、売上高の確率分布を求めるようにした。これによって、予測売上高の平均値や標準偏差などの詳細な情報を得ることができ、意思決定者が定量的な判断を下せるようになる。 Therefore, in the present embodiment, the sales probability distribution is obtained by applying a well-known Monte Carlo simulation to sales prediction. As a result, detailed information such as the average value and standard deviation of the predicted sales can be obtained, and the decision maker can make a quantitative judgment.
図１は、本発明の一実施形態に係る売上着地予想システム１０の構成図である。以下では、配下に複数のチームを有する会社内のある事業部において、各チームの担当者が当期の売上見通しをマネージャに報告し、マネージャが売上見通しを集計して当期の予測売上高を見積もるケースを前提として説明する。
FIG. 1 is a configuration diagram of a sales
担当者端末１２は、担当者が今期中に受注の見込まれる案件名、見積額、受注の確率などの案件データを入力するための端末である。マネージャ端末２０は、事業部のマネージャや営業担当役員などが使用する端末である。
The person-in-
担当者端末１２とマネージャ端末２０とは、社内ＬＡＮ（Local Area Network）などのネットワーク１４を介して接続される。担当者端末１２とマネージャ端末２０は、例えばパーソナルコンピュータであり、少なくとも表示装置であるディスプレイとキーボードおよびマウスなどの入力装置とを備える。
The person-in-
マネージャ端末２０は、複数の担当者端末１２から案件データの提供を受け、シミュレーションを実行して予測売上高を求める。図１では、マネージャ端末２０は機能ブロック図として示されている。これらの構成は、ハードウェア的には、任意のコンピュータのＣＰＵ、メモリ、その他のＬＳＩで実現でき、ソフトウエア的にはメモリにロードされたプログラムなどによって実現される。これらの機能ブロックがハードウェアのみ、ソフトウエアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
The
データ保持部２２は、複数の受注予定案件についての案件データを担当者端末１２から受け取り保持する。
The
図２は、各担当者によって入力される案件データの一例を示すテーブルである。列６２は、案件毎に付与される番号を表わす。列６４、列６６は、それぞれ顧客名と案件名を表わす。列６８は、案件を受注できる確率を予め決められている確度符号で表わす。列７０には、複数案件の間に依存条件がある場合に依存先の案件名が記入される。この依存条件については後述する。列７２は、各案件の見積額を表わす。図２では、ＸチームがＸ０１〜Ｘ０３の三つの案件の受注を見込んでいることが分かる。
FIG. 2 is a table showing an example of item data input by each person in charge. A
なお、見かけ上は一つの案件でも、一定程度の金額は受注確実であるが上積みできる金額は不明であることがある。例えば、総額１００万円のうち５０万円は確実に受注が見込まれるが、それ以上は受注できるか不明であるような場合である。このような場合は、受注確実の部分とそれ以外の部分とを別々の案件として入力することが好ましい。 Apparently, even for a single project, a certain amount of money is certain to receive an order, but the amount that can be added may be unknown. For example, it is a case where an order is surely expected for 500,000 yen out of a total of 1 million yen, but it is unclear whether or not an order can be received beyond that. In such a case, it is preferable to input the order-accurate part and the other part as separate matters.
図３は、確度符号の一例を示す。この例では、案件を受注できる確度が６つの符号に分類されている。「Ｐ」は１００％、すなわち案件の受注が確定したことを示す。「Ａ」「Ｂ」「Ｃ」「Ｄ」はそれぞれ、８０％、５０％、２０％、５％の確率で案件を受注できる見通しであることを示す。「Ｘ」は０％、すなわち案件の受注に失敗したことを示す。担当者は、各案件の受注見通しについて最も近いと考える確度符号を選択して案件データに記入する。当然であるが、確度符号を使用せずに受注確率を直接数値で入力してもよい。 FIG. 3 shows an example of the accuracy code. In this example, the probability that an order can be received is classified into six codes. “P” indicates 100%, that is, the order of the project is confirmed. “A”, “B”, “C”, and “D” indicate that orders can be received with a probability of 80%, 50%, 20%, and 5%, respectively. “X” indicates 0%, that is, the order of the project has failed. The person in charge selects an accuracy code that is considered to be the closest to the prospect of orders received for each case and enters it in the case data. Of course, the order probability may be directly input as a numerical value without using the accuracy code.
図１に戻り、集計部２４は、データ保持部２２に保持されている複数の担当者からの案件データを組合せて案件一覧データを作成する。
Returning to FIG. 1, the
シミュレーション実行部２６は、集計部２４から案件一覧データを受け取り、モンテカルロ法を使用して予測売上高を求めるシミュレーションを実行する。モンテカルロ法は、確率を近似的に求める手法として周知である。例えば、シミュレーションをｎ回行い、そのうちある事象がｍ回発生すれば、その事象の起こる確率はｍ／ｎで近似される。試行回数が少なければ粗い近似となり、試行回数を増やすほど良好な近似が得られる。
The
乱数生成部３４は、担当者が付与する受注確率の最小値と最大値の間、通常は０以上１未満の間で乱数を発生させる。モンテカルロ法の精度は使用する乱数の性質によって決まるが、本実施形態では疑似乱数を使用する。代わりに、物理乱数を発生するハードウェアを利用してもよい。
The
乱数付与部２８は、案件データに含まれる各案件に対して、乱数生成部３４で生成した乱数を一つずつ付与して行く。但し、乱数付与部２８は、案件間に依存条件、すなわちある案件の受注が別の案件受注の条件となっているような場合には、これら両案件に対して同一の乱数を生成するよう動作する。
The random
判定部３２は、乱数付与部２８によって案件毎に付与された乱数と、担当者によって予め入力されている受注確率とを比較して、それぞれの案件を受注できるか否かを判定する。この判定は、乱数と受注確率の大小に基づいてなされる。受注確率が乱数以上である場合には、対応する案件を受注できたものと判定する。受注確率が乱数未満である場合には、対応する案件を受注できなかったものと判定する。より具体的に述べると、例えば確度符号がＡ（８０％）の案件に対して０．８０以下の乱数が付与された場合、その案件を受注できたと判定する。０．８０より大きい乱数が付与された場合、その案件を受注できなかったと判定する。このように、個別の案件についてデジタル的に受注の成功と失敗を判定する。
The
試行制御部３０は、乱数の付与と、全ての案件に対する受注の判定からなる試行を繰り返し実行させる。この試行を多数回、例えば１０００回以上繰り返すことで、確率分布の精度が信頼できるものとなる。
The
売上高計算部３６は、各試行において受注できると判定された全ての案件の見積額を合計して、その試行における予測売上高を求める。売上高計算部３６は、全ての試行についてそれぞれ予測売上高を計算する。
The
影響検証部３８は、案件一覧データに含まれる案件のうち、他の案件と比べて見積額の比較的高い案件が存在する場合、例えば予測売上高に対して所定の割合以上を占めるような案件（以下、「高額案件」という）が存在する場合、高額案件の受注の成否による売上高全体の予測に与える影響を検証する。具体的には、対象となる高額案件について予め入力されている確率をいくつかの他の確率に変化させ、それぞれの場合についてシミュレーションを実行させる。
The
分析部４０は、売上高計算部３６で算出された予測売上高を使用して様々な処理を実行する。
分布作成部４２は、複数回の試行における予測売上高の確率分布を表わすグラフを作成する。また、分布作成部４２は、確率分布の平均値や標準偏差、当期目標の達成確率などの数値を計算する。作成されたグラフは、マネージャ端末２０や担当者端末１２のディスプレイで閲覧できるように出力される。
The
The
尖度算出部４４は、分布作成部４２で作成された予測売上高の確率分布の尖度を算出する。尖度の算出は、周知の任意の方法を使用できる。推定部４６は、尖度算出部４４によって売上高の算出対象となる期中に複数回算出された尖度の傾向に基づいて、将来のある時点、例えば期末における予測売上高の分布の様子を推定する。
The
図４は、本発明の一実施形態にしたがった売上着地予想プロセスを説明するフローチャートである。
まず、各担当者は、受注予定案件について見積額と確度とを担当者端末１２で入力する（Ｓ１０）。マネージャ端末２０の集計部２４は入力された案件データを収集し、当期の受注予定案件の全ての情報を含む案件一覧データを作成する（Ｓ１２）。乱数付与部２８は、全ての案件に対して乱数を付与する（Ｓ１４）。判定部３２は、案件毎に付与された乱数と確度とを比較し、確度≧疑似乱数であれば受注成功、確度＜疑似乱数であれば受注失敗と判定する（Ｓ１６）。
FIG. 4 is a flowchart illustrating a sales landing forecast process according to one embodiment of the present invention.
First, each person in charge inputs an estimated amount and accuracy of an order scheduled item at the person in charge terminal 12 (S10). The totaling
売上高計算部３６は、判定部３２により受注成功とされた案件の見積額を合計し、予測売上高を求める（Ｓ１８）。試行制御部３０は、Ｓ１４からＳ１８の処理が所定の試行回数だけ繰り返されたか否かを判定する（Ｓ２０）。所定回数に達していなければ（Ｓ２０のＮ）、同様の処理を繰り返す。所定の試行回数に到達すると（Ｓ２０のＹ）、全試行における予測売上高を集計し、予測売上高の確率分布を求める（Ｓ２２）。
The
以下、本実施形態による分析例について説明する。 Hereinafter, an analysis example according to the present embodiment will be described.
分析例１．
図５は、集計部２４によって集計された案件一覧データの一例を示すテーブルである。列８２は、各案件を扱うチームの名称を表わしている。つまり、テーブル８０は、Ｘ、Ｙ、Ｚの３チームの案件を含んでいる。列８４〜９４は、各担当者によって入力されるテーブル６０の列６２〜７２と対応している。図５では、条件列９２に「Ｙ０１」「Ｚ０１」が記入されている。これは、案件Ｙ０２が案件Ｙ０１の受注成功時にのみ受注可能となること、および案件Ｚ０２が案件Ｚ０１の受注成功時にのみ受注可能となることを示している。
Analysis Example 1
FIG. 5 is a table showing an example of item list data aggregated by the
図６は、図５の案件一覧データに対してシミュレーションを実施したときの結果の一例を示す。図６では、図５のデータのうちチーム名、項番、確度、見積額のみを取り出しており、また確度を数値で表わした「受注確率」列１０２が追加されている。
案件一覧データに対して複数回実行された試行の結果を試行１、２、３・・・として表わす。「乱数」列１０４、１０８、１１２は、乱数付与部２８によって案件毎に付与された乱数である。「受注売上」列１０６、１１０、１１４は、判定部３２によって案件毎に受注確率と乱数とを比較した結果、受注に成功したと判定された案件の見積額である。各試行において、受注成功と判定された案件の受注売上の合計が、予測売上高１１８として示されている。
FIG. 6 shows an example of a result when a simulation is performed on the case list data of FIG. In FIG. 6, only the team name, item number, accuracy, and estimated amount are extracted from the data in FIG. 5, and an “order probability”
The results of trials executed a plurality of times on the case list data are represented as
一例として、項番Ｘ０２で指定される行１１６について、判定部３２による判定を説明する。この案件の確度はＢであり、したがって受注確率は「０．５」になる。一回目の試行では、乱数「０．３７６」が付与されている。判定部３２は、受注確率「０．５」と乱数「０．３７６」とを比較し、受注確率の方が大きいことからこの案件を受注したと判定する。その結果、見積額「１００」が受注売上としてカウントされる。二回目の試行では、乱数「０．６１４」が付与されている。今度は、受注確率の方が乱数よりも小さいため、判定部３２はこの案件を受注できないと判定する。したがって、受注売上は「０」とカウントされる。以下、各試行において同様の判定が繰り返される。
As an example, the determination by the
図７は、試行を１０００回繰り返したときの予測売上高の分布を表わすグラフである。シミュレーションの結果、予測売上高が正規分布に近い広がりを持つことが分かる。
図８（ａ）は、１０００回施行時の予測売上高の平均値と標準偏差を示す。この分布が正規分布であると仮定すると、平均±１σが７４５百万円〜１２０１百万円の範囲になることなどが分かる。図８（ｂ）は、予測売上高を降順で並べて最大値から数えたときの予測売上高１２６を示す。予測売上高の最大値は「１５５２百万円」、上から１０番目の値は「１４５１百万円」であり、最小値は「２９６百万円」であったことが分かる。また、この部署の目標売上高が１０００百万円だったとすると、図７の基となるデータから、達成確率が４６．５％であることも分かる。
FIG. 7 is a graph showing the distribution of predicted sales when the trial is repeated 1000 times. As a result of the simulation, it is understood that the predicted sales have a spread close to a normal distribution.
FIG. 8A shows the average value and the standard deviation of the predicted sales amount at the time of
このように、本実施形態によって売上高を予測すると、予測売上高の取りうるばらつきを定量的に把握することができ、また目標売上高をどの程度の確率で達成できるかなどの情報も得ることができる。 As described above, when the sales are predicted according to the present embodiment, it is possible to quantitatively grasp the variation that the predicted sales can take, and to obtain information such as the probability that the target sales can be achieved. .
分析例２．
上述したように、受注案件の中には依存条件のあるものがある。つまり、第１の案件の受注が成功したときに限り第２の案件の受注が可能となるような案件である。具体例としては、新規受注とその商品に関連する保守契約とがある。この場合、受注ができなければ保守契約が結ばれることはない。このようなケースにおいて、シミュレーション中の各試行で保守契約案件の受注のみが成功して新規案件の受注が失敗することを許すと、その試行は現実にはあり得ない試行となってしまう。そこで、分析例２では、そのような試行が起こりえないように、依存条件を考慮した場合のシミュレーションについて説明する。
Analysis Example 2
As described above, some orders are subject to dependency conditions. In other words, the second project can be ordered only when the first project has been successfully ordered. Specific examples include a new order and a maintenance contract related to the product. In this case, if an order cannot be received, a maintenance contract will not be concluded. In such a case, if only an order for a maintenance contract item succeeds and an order for a new item fails in each trial during the simulation, the trial becomes an impossible trial. Therefore, in the analysis example 2, a simulation in which the dependency condition is considered so that such a trial cannot occur will be described.
図９は、図５の案件一覧データに対して依存条件を考慮してシミュレーションを実施したときの結果の一例を示す。図５に示したように、案件Ｙ０２、Ｚ０２は、それぞれＹ０１、Ｚ０１に依存する関係にある。そのため、依存条件を考慮してシミュレーションすると、Ｙ０２、Ｚ０２については試行結果が異なる。図６と結果が異なる部分を太枠１５２、１５４で囲んで示す。
FIG. 9 shows an example of a result when a simulation is performed in consideration of the dependency condition on the case list data of FIG. As shown in FIG. 5, the cases Y02 and Z02 are in a relationship depending on Y01 and Z01, respectively. Therefore, when the simulation is performed in consideration of the dependency condition, the trial results are different for Y02 and Z02. Portions having different results from those in FIG. 6 are shown surrounded by
乱数付与部２８は、依存関係にある案件については依存先に付与された乱数と同一の乱数を付与するようにする。そのため、案件Ｙ０２に付与される乱数は案件Ｙ０１に付与された乱数と等しく、また案件Ｚ０２に付与される乱数は案件Ｚ０１に付与された乱数と等しくなっている。この結果、判定部３２による受注成否の判定が変わる。
The random
具体的には、案件Ｙ０２の二回目の試行において、付与される乱数がＹ０１と同一となり受注確率０．２を下回った結果、判定部３２は案件Ｙ０２の受注に成功したと判定する。したがって、受注売上の欄に見積額「１３５」が計上される。反対に、三回目の試行においては、付与される乱数がＹ０１と同一になり受注確率０．２を上回った結果、判定部３２は案件Ｙ０２の受注に失敗したと判定する。したがって、受注売上の欄に見積額は計上されない。
同様に、案件Ｚ０２の一回目の試行において、付与される乱数がＹ０１と同一になった結果、判定部３２はＺ０２の受注に成功したと判定する。このように、依存条件を考慮することで判定部３２による判定の結果が変化する。結果として、受注売上の合計である予測売上高も変わる。
Specifically, in the second trial of the case Y02, the
Similarly, in the first trial of the matter Z02, the
依存関係にある両案件に同一の乱数を付与するので、第２の案件のみが受注され第１の案件が受注されないという矛盾した結果が起こらないことも理解されよう。図９においても、Ｙ０２またはＺ０２で受注売上が計上されている場合は、依存先の案件においても受注売上が計上されていることが分かる。
なお、依存関係にある両案件について、担当者は（第１の案件の確度）＞（第２の案件の確度）の関係を満たすように確度を設定する必要がある。これは、第１の案件が受注できなければ第２の案件は受注できないことから、当然理解されることである。
It will be understood that since the same random number is assigned to both cases that are dependent, there is no contradictory result that only the second case is ordered and the first case is not. Also in FIG. 9, it can be seen that when the order sales are recorded in Y02 or Z02, the order sales are also recorded in the dependence-destination case.
It should be noted that for both cases that are in the dependency relationship, the person in charge needs to set the accuracy so as to satisfy the relationship of (the accuracy of the first case)> (the accuracy of the second case). This is naturally understood because the second case cannot be ordered unless the first case can be ordered.
図１０は、依存条件を考慮して試行を１０００回繰り返したときの予測売上高の分布を表わすグラフである。図１１（ａ）はこのグラフの平均値と標準偏差である。図１１（ｂ）は、予測売上高を降順で並べて最大値から数えたときの予測売上高を、依存条件を考慮しない場合１６４と依存条件を考慮した場合１６６とに分けて示す。
図示するように、依存条件を考慮すると、依存条件を考慮しない場合とは分布の様子が変わる。条件を考慮しない場合と比べて平均値はほとんど変わらないが、標準偏差が増加していることから予測売上高のばらつきが大きくなっていることが分かる。
このように、依存条件を考慮してシミュレーションを実行することで、より現実的な予想結果を導くことが可能になる。
FIG. 10 is a graph showing the distribution of predicted sales when the trial is repeated 1000 times in consideration of the dependency condition. FIG. 11A shows the average value and standard deviation of this graph. FIG. 11B shows the predicted sales when the predicted sales are arranged in descending order and counted from the maximum value, divided into 164 when the dependency condition is not considered and 166 when the dependency condition is considered.
As shown in the figure, when the dependency condition is taken into account, the distribution changes from the case where the dependency condition is not taken into consideration. Compared to the case where the conditions are not taken into account, the average value is almost the same, but since the standard deviation is increased, it can be seen that the variation in the predicted sales is increased.
As described above, it is possible to derive a more realistic prediction result by executing the simulation in consideration of the dependency condition.
分析例３．
図１２は、他の案件に比して見積額が大きい案件が含まれている場合の案件一覧データを示す。テーブル１７０では、案件Ｚ０７の見積額が５００百万円であり、他の案件の見積額と比べて著しく大きい。このように見積額の大きな高額案件が存在する場合には、その案件の成否によって売上高全体に与える影響を吟味する必要がある。つまり、このような高額案件があるときに、従来のように単に期待金額を合計して予測売上高を計算すると、高額案件を受注できなかったときの売上高と受注できたときの売上高とが大きく異なることになり、予測の正確さの観点からは不適切と言える。
そこで、本実施形態では、影響検証部３８によって、高額案件の確度１８８をいくつかの値に変化させて、それぞれの場合についてシミュレーションを実施する。
Analysis Example 3
FIG. 12 shows the case list data when a case with a large estimated amount is included as compared with other cases. In the table 170, the estimated amount of the project Z07 is 500 million yen, which is significantly larger than the estimated amounts of other projects. In this way, when there is a large-scale project with a large estimated amount, it is necessary to examine the effect on the overall sales by the success or failure of the project. In other words, when there is such a high-priced item, simply calculating the expected sales by simply summing the expected amounts as before, the sales when the high-priced item could not be accepted and the sales when the order was received Are very different from the viewpoint of prediction accuracy.
Therefore, in this embodiment, the
図１３は、高額案件Ｚ０７の確度をＸ、Ｄ、Ｃ、Ｂ、Ａに変化させた場合それぞれについて、試行を１０００回繰り返したときの予測売上高の分布を表わすグラフである。図１４は、確度をＸ、Ｄ、Ｃ、Ｂ、Ａにしたときの予測売上高分布の平均値と標準偏差を示す。 FIG. 13 is a graph showing the distribution of predicted sales when the trial is repeated 1000 times for each of the cases where the accuracy of the high-priced project Z07 is changed to X, D, C, B, and A. FIG. 14 shows the average value and standard deviation of the predicted sales distribution when the accuracy is X, D, C, B, and A.
図示するように、予測売上高の分布には、売上高８〜９億円の山と売上高１２〜１３億円の二つの山ができるという明確な特徴が現れる。これは、案件Ｚ０７を受注できるかできないかで売上高が大きく異なるためである。このような分析をすることによって、意思決定者は、高額案件の売上高全体に与える影響を明確に認識することができる。また、予測売上高を公表する場合にも、高額案件の受注に成功した場合と失敗した場合とで分けて公表することができる。 As shown in the figure, the distribution of the predicted sales shows a clear feature that there are two peaks of sales of 800 to 900 million yen and sales of 1.2 to 1.3 billion yen. This is because the sales greatly differ depending on whether or not the order for the project Z07 can be received. By making such an analysis, the decision maker can clearly recognize the impact on the overall sales of high-priced deals. Also, when forecasted sales are announced, it can be announced separately when the order for a high-priced project is successful and when it fails.
図１５（ａ）、（ｂ）、（ｃ）はそれぞれ、３月決算の部署において４月、９月、１月にシミュレーションを実行したときの予測売上高分布を示す。通常、４月の時点では売上が受注できるか否か不明な件が多く、確度も不正確なものが多いため、分布は比較的ばらついたものになる。その後、時期が進んで行くにつれて受注済の案件や受注が失敗した案件が増えて行き、また受注見通しも正確なものとなってくるので、予測売上高の分布が中央に集まった尖った形状になることが推定される。 FIGS. 15A, 15B, and 15C show predicted sales distributions when simulations are executed in April, September, and January, respectively, in a department that ends in March. Usually, as of April, there are many cases where it is unclear whether or not sales can be accepted, and the accuracy is often inaccurate, so the distribution is relatively uneven. After that, as time goes on, orders that have already been received and orders that have failed will increase, and the forecast of orders will become accurate, so the distribution of forecast sales will be in a sharp shape centered in the center. It is estimated that
本実施形態の分析部４０は、期初から期末に向かうにつれて分布グラフの尖度が大きくなっていくことを利用して、期中のある時点における予測売上高分布を推定する。具体的には、間隔を空けて複数の時点で案件一覧データを集計し、それぞれの予測売上高分布をシミュレーションで求める。例えば、期初から一ヶ月置きにシミュレーションを実行する。続いて、尖度算出部４４は、周知の方法を用いて確率分布グラフの尖度を算出する。推定部４６は、複数回分の尖度の傾向に基づいて知りたい時点の尖度を計算し、それにしたがって予測売上高分布の確率分布を推定する。例えば、複数回分の尖度に基づいて時間を変数とする尖度変化の関数を作成した後、この関数を利用して求めたい時点の尖度を計算する。そして、求めた尖度を有するような確率分布を推定する。確率分布を求めることで、平均値や標準偏差も同時に予測することができる。
The
推定部４６は、過去のシミュレーション結果を利用してもよい。各部署において毎年売上高予測のシミュレーションをしていれば、一年間にわたる尖度変化の傾向を知ることができる。この傾向にしたがって、推定部４６は、期初の予測売上高に基づいて期中のある時点での予測売上高分布を求めることができる。
The
以上説明したように、本実施形態によると、複数の案件の売上高を予測する場合において、期待値のような単一の値ではなく、予測売上高の確率分布を求めることができる。したがって、予測売上高のブレ幅や、売上目標を達成できる確率などを容易に知ることができる。さらに、５億円であれば８０％の確率で達成可能、８億円であれば１０％の確率で達成可能といったような予測ができるため、決算予想などにおいてより組織の実体に即した発表ができるようになる。また、一覧データに含まれる案件の受注の成功や失敗が確定した場合には、その案件の確度を変更するだけで再度予測売上高の分布を求められるので、受注状況の変化に対応して迅速な予測をすることができる。 As described above, according to the present embodiment, when the sales of a plurality of projects are predicted, a probability distribution of the predicted sales can be obtained instead of a single value such as an expected value. Therefore, it is possible to easily know the fluctuation range of the predicted sales, the probability that the sales target can be achieved, and the like. Furthermore, since it is possible to predict that it can be achieved with a probability of 80% if it is 500 million yen, and 10% if it is 800 million yen, announcements that are more in line with the organization's substance in financial forecasts etc. become able to. In addition, when the success or failure of an order for an item included in the list data is confirmed, the distribution of the predicted sales can be obtained again simply by changing the accuracy of the item. Can make predictions.
また、複数の案件間に依存条件がある場合でも、それらに同一の乱数を与えるという操作をするだけで、例外的な処理をすることなくシミュレーションを実施することができる。依存条件を考慮することで、より実際に即した売上高予測をすることができる。 Moreover, even when there are dependency conditions between a plurality of matters, it is possible to perform a simulation without performing exceptional processing only by performing an operation of giving them the same random number. By considering the dependency condition, it is possible to make a sales forecast that is more realistic.
また、他の案件と比べて見積額が大きい高額案件があるとき、その案件について確度を変えたときの予測売上高の分布を作成することで、その案件が売上高全体に与える影響を推定することができる。さらに、売上目標を達成するには高額案件の獲得率をどの程度にすればよいかといったことも分かるため、営業目標の作成などにも応用することができる。 In addition, when there is a high-priced case that has a large estimated amount compared to other cases, the impact of the case on overall sales is estimated by creating a distribution of the predicted sales when the accuracy is changed for that case. be able to. Furthermore, since it can be seen how much the acquisition rate of high-priced items should be in order to achieve the sales target, it can be applied to the creation of a sales target.
さらに、期初の予測売上高と期末の実際の売上高とを複数年にわたって比較することで、各担当者の受注確度の判断の傾向、すなわち見通しが甘いか厳しいかを明らかにすることも可能である。その結果に基づいて、確度の与え方の目安を得ることもできる。 Furthermore, by comparing the forecasted sales at the beginning of the term with the actual sales at the end of the term over multiple years, it is also possible to clarify the tendency of each person in charge to determine the order accuracy, that is, whether the outlook is poor or severe. is there. Based on the result, it is also possible to obtain an indication of how to give accuracy.
以上、本発明をいくつかの実施の形態をもとに説明した。これらの実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。
請求項に記載の各構成要件が果たすべき機能は、本実施例において示された各機能ブロックの単体もしくはそれらの連係によって実現されることも当業者には理解されるところである。
The present invention has been described based on some embodiments. It is understood by those skilled in the art that these embodiments are exemplifications, and that various modifications can be made to combinations of the respective constituent elements and processing processes, and such modifications are also within the scope of the present invention. By the way.
It should also be understood by those skilled in the art that the functions to be fulfilled by the constituent elements described in the claims are realized by the individual functional blocks shown in the present embodiment or their linkage.
実施の形態では売上高の予測について説明したが、本発明は、この他にもある事項を達成したか否かに応じて獲得できる値がデジタルに変化するような事項が複数あり、その合計を求める必要がある場合にも適用できる。例えば、社内の全部署や子会社の売上高の合計の予想、仕入原価の予想などにも適用できる。 In the embodiment, the forecast of sales has been described. However, the present invention has a plurality of other items that can be digitally changed depending on whether or not a certain item has been achieved. It can also be applied when required. For example, the present invention can be applied to the forecast of the total sales of all departments and subsidiaries in the company and the forecast of the purchase cost.
１０ 売上着地予想システム、 １２ 担当者端末、 １４ ネットワーク、 ２０ マネージャ端末、 ２２ データ保持部、 ２４ 集計部、 ２６ シミュレーション実行部、 ２８ 乱数付与部、 ３０ 試行制御部、 ３２ 判定部、 ３４ 乱数生成部、 ３６ 売上高計算部、 ４０ 分析部、 ４２ 分布作成部、 ４４ 尖度算出部、 ４６ 推定部。
DESCRIPTION OF
Claims (4)
前記予定事項データに含まれる予定事項に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与機能と、
予定事項毎に付与された乱数と確率とを比較して該予定事項を達成できるか否かを判定する判定機能と、
達成できると判定された全ての予定事項の獲得値を合計して合計獲得値を求める計算機能と、
乱数の付与と達成の判定からなる試行を繰り返し実行させる試行制御機能と、
複数回の試行結果に基づいて合計獲得値の確率分布を求める予測機能と、
合計獲得値の確率分布の尖度を算出する尖度算出機能と、
予想合計獲得値を集計するための対象期間内に確率分布が複数回求められているとき、それぞれの確率分布について尖度を計算し、前記確率分布を求めた時間を変数とする尖度変化の関数を作成し、この関数を利用して所与の時点の尖度を計算し、この尖度と複数回の確率分布とから前記所与の時点における合計獲得値の確率分布を推定する推定機能と、
をコンピュータに発揮させる獲得値予想プログラムであって、
前記判定機能は、各予定事項が達成される確率が乱数以上であるときに対応する予定事項を達成できたと判定し、
第１の予定事項が達成されたときに限り第２の予定事項の達成が可能となるような条件付き事項が前記予定事項データ内に含まれている場合、前記乱数付与機能は、前記第１の予定事項と第２の予定事項に対して同一の乱数を付与し、
前記第１の予定事項の確率が第２の予定事項の確率よりも大きくなるように入力されることを特徴とする獲得値予想プログラム。 Retention of a plurality of schedule items that exist in parallel, receiving schedule data in which a combination of an acquired value that can be acquired when each of the items is achieved and a probability that the data will be achieved is input in advance and stored in memory Function and
A random number assignment function for assigning a random number generated between the minimum value and the maximum value of the probability for the schedule item included in the schedule item data;
A determination function that compares the random number and probability assigned to each schedule item to determine whether the schedule item can be achieved;
A calculation function for summing up the earned values of all the scheduled items determined to be achieved to obtain the total earned value;
Trial control function that repeatedly executes trials consisting of random number assignment and achievement determination;
A prediction function that calculates the probability distribution of the total earned value based on the results of multiple trials;
A kurtosis calculation function for calculating the kurtosis of the probability distribution of the total acquired value;
When probability distributions are calculated multiple times within the target period for counting the expected total acquired values, the kurtosis is calculated for each probability distribution, and the kurtosis change of the kurtosis change using the time at which the probability distribution is calculated as a variable An estimation function that creates a function, calculates the kurtosis at a given time using this function, and estimates the probability distribution of the total acquired value at the given time from this kurtosis and the probability distribution of multiple times When,
A caught obtained value expected program Ru be exhibited to the computer,
The determination function determines that the corresponding schedule item has been achieved when the probability that each schedule item is achieved is equal to or greater than a random number;
In the case where a conditional matter that allows the second scheduled item to be achieved only when the first scheduled item is achieved is included in the scheduled item data, the random number assigning function The same random number is assigned to the schedule item and the second schedule item,
The acquired value prediction program, wherein the probability of the first scheduled item is inputted so as to be larger than the probability of the second scheduled item.
前記案件データに含まれる案件に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与機能と、
案件毎に付与された乱数と確率とを比較して該案件を受注できるか否かを判定する判定機能と、
受注できると判定された全ての案件の見積額を合計して予測売上高を求める計算機能と、
乱数の付与と受注の判定からなる試行を繰り返し実行させる試行制御機能と、
複数回の試行結果に基づいて予測売上高の確率分布を求める分布作成機能と、
予測売上高の確率分布の尖度を算出する尖度算出機能と、
売上を集計するための対象期間内に確率分布が複数回求められているとき、それぞれの確率分布について尖度を計算し、前記確率分布を求めた時間を変数とする尖度変化の関数を作成し、この関数を利用して所与の時点の尖度を計算し、この尖度と複数回の確率分布とから前記所与の時点における予測売上高の確率分布を推定する推定機能と、
をコンピュータに発揮させる売上着地予想プログラムであって、
前記判定機能は、各案件の確率が乱数以上であるときに対応する案件を受注できたと判定し、
第１の案件の受注が成功したときに限り第２の案件の受注が可能となるような条件付き案件が前記案件データ内に含まれている場合、前記乱数付与機能は、前記第１の案件と第２の案件に対して同一の乱数を付与し、
前記第１の案件の確率が第２の案件の確率よりも大きくなるように入力されることを特徴とする売上着地予想プログラム。 A holding function for receiving the matter data in which the estimated amount and the probability of accepting each matter in the future are input in advance for a plurality of orders to be received and holding it in the memory;
A random number assignment function for assigning a random number generated between the minimum value and the maximum value of the probability for the case included in the case data;
A determination function that determines whether or not an order can be accepted by comparing the random number assigned to each case and the probability;
A calculation function that calculates the estimated sales by adding the estimated amounts of all the cases that are determined to be accepted,
Trial control function that repeatedly executes trials consisting of random number assignment and order determination;
A distribution creation function that calculates the probability distribution of forecast sales based on the results of multiple trials,
A kurtosis calculation function that calculates the kurtosis of the probability distribution of the predicted sales,
When probability distributions are obtained multiple times within the target period for summarizing sales, kurtosis is calculated for each probability distribution, and a function of kurtosis change with the time at which the probability distribution is obtained as a variable is created And using this function to calculate the kurtosis at a given point in time, and from this kurtosis and a plurality of probability distributions, an estimation function for estimating the probability distribution of the predicted sales at the given point in time ,
The a sale jacket areas expected program that is exhibited to the computer,
The determination function determines that a corresponding case has been accepted when the probability of each case is greater than or equal to a random number,
When the case data includes a conditional case that allows the second case to be received only when the first case has been successfully received, the random number assigning function And give the same random number to the second case,
The sales landing prediction program, wherein the probability of the first case is input so as to be larger than the probability of the second case.
前記案件データに含まれる案件に対して確率の最小値と最大値の間で発生させた乱数を付与する乱数付与部と、
案件毎に付与された乱数と確率とを比較して該案件を受注できるか否かを判定する判定部と、
受注できると判定された全ての案件の見積額を合計して予測売上高を求める売上高計算部と、
乱数の付与と受注の判定からなる試行を繰り返し実行させる試行制御部と、
複数回の試行結果に基づいて予測売上高の確率分布を求める分布作成部と、
予測売上高の確率分布の尖度を算出する尖度算出部と、
売上を集計するための対象期間内に確率分布が複数回求められているとき、それぞれの確率分布について尖度を計算し、前記確率分布を求めた時間を変数とする尖度変化の関数を作成し、この関数を利用して所与の時点の尖度を計算し、この尖度と複数回の確率分布とから前記所与の時点における予測売上高の確率分布を推定する推定部と、
を備え、
前記判定部は、各案件の確率が乱数以上であるときに対応する案件を受注できたと判定し、
第１の案件の受注が成功したときに限り第２の案件の受注が可能となるような条件付き案件が前記案件データ内に含まれている場合、前記乱数付与部は、前記第１の案件と第２の案件に対して同一の乱数を付与し、
前記第１の案件の確率が第２の案件の確率よりも大きくなるように入力されることを特徴とする売上着地予想装置。 A data holding unit that receives and holds matter data in which an estimated amount and a probability of receiving each matter in the future are input in advance for a plurality of planned orders;
A random number assigning unit for assigning a random number generated between the minimum value and the maximum value of the probability for the case included in the case data;
A determination unit that determines whether or not the order can be accepted by comparing the random number assigned to each case and the probability;
A sales calculation unit that calculates the estimated sales by adding the estimated amounts of all the cases determined to be accepted,
A trial control unit that repeatedly executes trials including assignment of random numbers and determination of orders;
A distribution creation unit that obtains a probability distribution of predicted sales based on the results of multiple trials;
A kurtosis calculation unit for calculating the kurtosis of the probability distribution of the predicted sales;
When probability distributions are obtained multiple times within the target period for summarizing sales, kurtosis is calculated for each probability distribution, and a function of kurtosis change with the time at which the probability distribution is obtained as a variable is created and an estimation unit for using this function calculates the kurtosis of a given time, estimates a probability distribution of the predicted sales in the given time from this kurtosis and multiple probability distributions,
Equipped with a,
The determination unit determines that the corresponding case has been accepted when the probability of each case is greater than or equal to a random number,
When the case data includes a conditional case that allows the second case to be received only when the first case has been successfully received, the random number assigning unit And give the same random number to the second case,
The sales landing forecasting device, wherein the probability of the first case is inputted so as to be larger than the probability of the second case.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007077958A JP4514160B2 (en) | 2007-03-23 | 2007-03-23 | Acquisition value forecast program, sales landing forecast program and device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007077958A JP4514160B2 (en) | 2007-03-23 | 2007-03-23 | Acquisition value forecast program, sales landing forecast program and device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2008242530A JP2008242530A (en) | 2008-10-09 |
| JP4514160B2 true JP4514160B2 (en) | 2010-07-28 |
Family
ID=39913849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007077958A Expired - Fee Related JP4514160B2 (en) | 2007-03-23 | 2007-03-23 | Acquisition value forecast program, sales landing forecast program and device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4514160B2 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002230273A (en) * | 2001-01-31 | 2002-08-16 | Hitachi Ltd | Method for business risk management |
| JP2003534609A (en) * | 2000-05-22 | 2003-11-18 | アデイタム ソフトウェア，インコーポレイティド | Revenue forecasting and sales force management using statistical analysis |
| JP2004086665A (en) * | 2002-08-28 | 2004-03-18 | Toshiba Corp | Method and apparatus for business portfolio preparation |
| JP2005018327A (en) * | 2003-06-25 | 2005-01-20 | Hitachi Ltd | Project evaluating device, project evaluating method, and project evaluating program |
| JP2005216020A (en) * | 2004-01-30 | 2005-08-11 | Hitachi Ltd | Project evaluation system, program and storage medium |
-
2007
- 2007-03-23 JP JP2007077958A patent/JP4514160B2/en not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003534609A (en) * | 2000-05-22 | 2003-11-18 | アデイタム ソフトウェア，インコーポレイティド | Revenue forecasting and sales force management using statistical analysis |
| JP2002230273A (en) * | 2001-01-31 | 2002-08-16 | Hitachi Ltd | Method for business risk management |
| JP2004086665A (en) * | 2002-08-28 | 2004-03-18 | Toshiba Corp | Method and apparatus for business portfolio preparation |
| JP2005018327A (en) * | 2003-06-25 | 2005-01-20 | Hitachi Ltd | Project evaluating device, project evaluating method, and project evaluating program |
| JP2005216020A (en) * | 2004-01-30 | 2005-08-11 | Hitachi Ltd | Project evaluation system, program and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2008242530A (en) | 2008-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Todorov et al. | Activity signature functions for high-frequency data analysis | |
| Aytac et al. | Characterization of demand for short life-cycle technology products | |
| JP6009864B2 (en) | Company evaluation system, company evaluation method and company evaluation program | |
| US20170116624A1 (en) | Systems and methods for pricing optimization with competitive influence effects | |
| CN109409963A (en) | Prediction technique and device, storage medium, the computer equipment of customer life cycle | |
| US20130166350A1 (en) | Cluster based processing for forecasting intermittent demand | |
| US20170116653A1 (en) | Systems and methods for analytics based pricing optimization with competitive influence effects | |
| US11842293B2 (en) | Systems and methods for short identifier behavioral analytics | |
| US20140379310A1 (en) | Methods and Systems for Evaluating Predictive Models | |
| O'Neil et al. | Newsvendor problems with demand shocks and unknown demand distributions | |
| Kim et al. | Tracking temporal dynamics of purchase decisions via hierarchical time-rescaling model | |
| Hung et al. | Inventory rationing decision models during replenishment lead time | |
| Caesarita et al. | Identifying bottlenecks and fraud of business process using alpha++ and heuristic miner algorithms (Case study: CV. Wicaksana Artha) | |
| JP5084968B1 (en) | Market risk prediction apparatus, market risk prediction method, and market risk prediction program | |
| Fricker Jr et al. | Applying a bootstrap approach for setting reorder points in military supply systems | |
| KR101603977B1 (en) | Prediction system for business ordering possibillity | |
| JP4514160B2 (en) | Acquisition value forecast program, sales landing forecast program and device | |
| JP2019215749A (en) | Logistics prediction system and prediction method | |
| Lee | A semi-parametric approach for estimating critical fractiles under autocorrelated demand | |
| CN111553734A (en) | Method and system for predicting marketing decision result | |
| JP2008242531A (en) | Sales landing prediction program and enclosure | |
| WO2015191592A1 (en) | System and method for generating descriptive measures that assesses the financial health of a business | |
| Greenfield et al. | How old is too old? An economic approach to replacing military aircraft | |
| KR20190100506A (en) | Method for forecasting of promising patents and apparatus thereof | |
| JP2019145007A (en) | Project progress prediction device and project progress prediction system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20091005 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20091013 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091210 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100119 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100323 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20100506 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20100507 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130521 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130521 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140521 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |