JP6617605B2 - Demand amount prediction program, demand amount prediction method, and information processing apparatus - Google Patents

Description

本発明は、需要量予測プログラム、需要量予測方法、及び情報処理装置
に関する。 The present invention relates to a demand amount prediction program, a demand amount prediction method, and an information processing apparatus.

従来、製品や半製品、部材、原料、材料等の発注や調達を行うサプライチェーンのプロセスにおいて、過去の需要に基づいて未来の需要を予測し、商品の販売計画等を立案する技術が知られている。   Conventionally, in the supply chain process for ordering and procuring products, semi-finished products, parts, raw materials, materials, etc., a technology for predicting future demand based on past demand and planning product sales plans, etc. is known. ing.

例えば、需要量の予測の際に、ユーザの経験的な知識（ノウハウ）から作成した補正ルールを用いて補正処理を行う需要量予測方法が知られている（例えば、特許文献１等参照）。また、クラスタ分析を用いて欠落した属性（性別・大きさ等のデータのカラムに相当）の値を予測する際に、ユーザの知識をクラスタ分析のルールに組み込めるようにするデータ分析装置が知られている（例えば、特許文献２等参照）。   For example, a demand amount prediction method is known in which correction processing is performed using a correction rule created from user's empirical knowledge (know-how) at the time of demand amount prediction (see, for example, Patent Document 1). In addition, a data analysis device is known that enables user knowledge to be incorporated into the rules of cluster analysis when predicting the values of missing attributes (equivalent to data columns such as gender and size) using cluster analysis. (See, for example, Patent Document 2).

特開２００３−３４６０７０号公報JP 2003-346070 A 特開２００１−１３４５７７号公報JP 2001-134777 A

しかしながら、従来においては、どの知識を予測や分析に用いるかは、ユーザの経験等に基づいて判断されているため、将来の需要を適切に予測できない可能性がある。   Conventionally, however, which knowledge is used for prediction and analysis is determined based on the user's experience and the like, so there is a possibility that future demand cannot be appropriately predicted.

１つの側面では、本発明は、需要量の予測精度の向上に寄与することが可能な需要量予測プログラム、需要量予測方法、及び情報処理装置を提供することを目的とする。   In one aspect, an object of the present invention is to provide a demand amount prediction program, a demand amount prediction method, and an information processing apparatus that can contribute to improvement in demand amount prediction accuracy.

一つの態様では、需要量予測プログラムは、過去の需要量の実績値を基に、将来の需要量を予測し、予測した前記将来の需要量を修正する修正値の入力を受け付け、前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定し、前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出し、過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、処理をコンピュータに実行させるプログラムである。   In one aspect, the demand amount prediction program predicts the future demand amount based on the actual value of the past demand amount, accepts an input of a correction value for correcting the predicted future demand amount, and the correction value The future demand amount and the actual value of the demand amount, which are set based on the correction value, set as a keyword, information on the basis of correction and / or information accumulated accompanying the input of the correction value Based on the above, the reliability of the correction value corresponding to the keyword is calculated and related to the correction of the predicted value of the future demand amount using the correction value input in the past. A program for causing a computer to execute processing for outputting a keyword corresponding to the correction value and a reliability of the correction value in association with each other.

需要量の予測精度の向上に寄与することができる。   It can contribute to the improvement of the prediction accuracy of the demand amount.

第１の実施形態に係る需要量予測システムの構成を概略的に示す図である。It is a figure showing roughly the composition of the demand amount prediction system concerning a 1st embodiment. 図２（ａ）は、サーバのハードウェア構成を示す図であり、図２（ｂ）は、利用者端末のハードウェア構成を示す図である。FIG. 2A is a diagram illustrating the hardware configuration of the server, and FIG. 2B is a diagram illustrating the hardware configuration of the user terminal. サーバの機能ブロック図である。It is a functional block diagram of a server. 予測値ＤＢのデータ構造の一例を示す図である。It is a figure which shows an example of the data structure of prediction value DB. キーワードＤＢのデータ構造の一例を示す図である。It is a figure which shows an example of the data structure of keyword DB. 予測データ蓄積処理の一例を示すフローチャート（その１）である。It is a flowchart (the 1) which shows an example of a prediction data storage process. 予測データ蓄積処理の一例を示すフローチャート（その２）である。It is a flowchart (the 2) which shows an example of a prediction data storage process. 図８（ａ）は、実績値と予測値を示す画面の一例を示す図であり、図８（ｂ）は、ユーザによって図８（ａ）の画面に修正値と修正根拠が入力された状態を示す図である。FIG. 8A is a diagram illustrating an example of a screen showing the actual value and the predicted value, and FIG. 8B is a state in which the correction value and the correction reason are input to the screen of FIG. 8A by the user. FIG. 指定期間予測値ＤＢのデータ構造の一例を示す図である。It is a figure which shows an example of the data structure of designation | designated period estimated value DB. 図１０（ａ）は実績値と修正後予測値の一例を示すグラフであり、図１０（ｂ）は、実績値ＤＢのデータ構造の一例を示す図である。FIG. 10A is a graph showing an example of the actual value and the corrected predicted value, and FIG. 10B is a diagram showing an example of the data structure of the actual value DB. 図１１（ａ）は、実績データセットを示す図であり、図１１（ｂ）は、基本データセットを示す図であり、図１１（ｃ）、図１１（ｄ）は、修正データセットを示す図である。FIG. 11A is a diagram showing an actual data set, FIG. 11B is a diagram showing a basic data set, and FIGS. 11C and 11D show a correction data set. FIG. 図１２（ａ）は、相関行列の一例を示す図であり、図１２（ｂ）は、因子負荷行列の一例を示す図であり、図１２（ｃ）は、ステップＳ３４の処理により得られるプロット結果を示す図である。FIG. 12A is a diagram illustrating an example of a correlation matrix, FIG. 12B is a diagram illustrating an example of a factor load matrix, and FIG. 12C is a plot obtained by the process of step S34. It is a figure which shows a result. 図１３（ａ）は、グループ化について説明するための図であり、図１３（ｂ）は、グループＤＢのデータ構造の一例を示す図である。FIG. 13A is a diagram for explaining grouping, and FIG. 13B is a diagram illustrating an example of a data structure of a group DB. 図１４（ａ）、図１４（ｂ）は、信頼度の算出方法について説明するための図であり、図１４（ｃ）は、信頼度ＤＢのデータ構造の一例を示す図である。14A and 14B are diagrams for explaining a reliability calculation method, and FIG. 14C is a diagram illustrating an example of a data structure of the reliability DB. 予測処理の一例を示すフローチャートである。It is a flowchart which shows an example of a prediction process. 図１６（ａ）は、新たに算出された予測値を示す図であり、図１６（ｂ）は、推奨修正値の情報や推奨外のキーワード又はグループの情報を表示する画面の一例を示す図である。FIG. 16A is a diagram showing a newly calculated predicted value, and FIG. 16B is a diagram showing an example of a screen that displays information on recommended correction values and information on non-recommended keywords or groups. It is. 第２の実施形態における、予測値の修正値を入力するための画面の一例を示す図である。It is a figure which shows an example of the screen for inputting the correction value of a predicted value in 2nd Embodiment. 図１８（ａ）は、第２の実施形態で用いられる予測値ＤＢのデータ構造の一例を示す図であり、図１８（ｂ）は、第２の実施形態で用いられる実績値ＤＢのデータ構造の一例を示す図である。FIG. 18A is a diagram illustrating an example of a data structure of a predicted value DB used in the second embodiment, and FIG. 18B is a data structure of an actual value DB used in the second embodiment. It is a figure which shows an example. 図１９（ａ）は、第２の実施形態において表示される画面の一例を示す図であり、図１９（ｂ）は、第２の実施形態で用いられる信頼度ＤＢのデータ構造の一例を示す図である。FIG. 19A shows an example of a screen displayed in the second embodiment, and FIG. 19B shows an example of the data structure of the reliability DB used in the second embodiment. FIG. 図２０（ａ）は、第３の実施形態における２ユーザの修正結果の一例を示す図であり、図２０（ｂ）は、第３の実施形態で用いる指定期間予測値ＤＢのデータ構造の一例を示す図である。FIG. 20A is a diagram illustrating an example of a correction result of two users in the third embodiment, and FIG. 20B is an example of a data structure of a specified period predicted value DB used in the third embodiment. FIG. 図２１（ａ）〜図２１（ｄ）は、図２０（ｂ）のデータを外部情報と、キーワードごとにまとめたデータを示す図である。FIG. 21A to FIG. 21D are diagrams showing data obtained by collecting the data of FIG. 20B for each external keyword and keyword. 図２２（ａ）〜図２２（ｃ）は、第３の実施形態におけるサーバの処理を説明するための図であり、図２２（ｄ）は、第３の実施形態の別例について説明するための図（その１）である。FIG. 22A to FIG. 22C are diagrams for explaining server processing in the third embodiment, and FIG. 22D is a diagram for explaining another example of the third embodiment. (No. 1) 第３の実施形態の別例について説明するための図（その２）である。It is FIG. (2) for demonstrating another example of 3rd Embodiment.

《第１の実施形態》
以下、需要量予測システムの第１の実施形態について、図１〜図１６に基づいて詳細に説明する。本第１の実施形態の需要量予測システムは、製品や半製品、部材、原料、材料等の発注、或いは調達を行うサプライチェーンのプロセスにおいて何個調達すべきか、どのくらい必要かという未来の需要量を予測するためのシステムである。 << First Embodiment >>
Hereinafter, 1st Embodiment of a demand amount prediction system is described in detail based on FIGS. The demand amount prediction system according to the first embodiment is a future demand amount that determines how many products should be procured in the supply chain process for ordering or procuring products, semi-finished products, parts, raw materials, materials, etc. It is a system for predicting.

図１には、第１の実施形態に係る需要量予測システム１００の構成が概略的に示されている。図１に示すように、需要量予測システム１００は、情報処理装置としてのサーバ１０と、利用者端末７０と、を備える。サーバ１０と利用者端末７０は、インターネットなどのネットワーク８０を介して、接続されている。   FIG. 1 schematically shows the configuration of a demand amount prediction system 100 according to the first embodiment. As shown in FIG. 1, the demand amount prediction system 100 includes a server 10 as an information processing apparatus and a user terminal 70. The server 10 and the user terminal 70 are connected via a network 80 such as the Internet.

サーバ１０は、将来の需要量を予測する装置である。図２（ａ）には、サーバ１０のハードウェア構成が示されている。図２（ａ）に示すように、サーバ１０は、ＣＰＵ（Central Processing Unit）９０、ＲＯＭ（Read Only Memory）９２、ＲＡＭ（Random Access Memory）９４、記憶部（ここではＨＤＤ（Hard Disk Drive））９６、ネットワークインタフェース９７、及び可搬型記憶媒体用ドライブ９９等を備えている。これらサーバ１０の構成各部は、バス９８に接続されている。サーバ１０では、ＲＯＭ９２あるいはＨＤＤ９６に格納されているプログラム（需要量予測プログラムを含む）、或いは可搬型記憶媒体用ドライブ９９が可搬型記憶媒体９１から読み取ったプログラム（需要量予測プログラムを含む）をＣＰＵ９０が実行することにより、図３に示す各部として機能する。なお、本第１の実施形態では、サーバ１０が１台のサーバである場合について説明したが、これに限られるものではない。例えばサーバ１０は、Ｗｅｂサーバ、アプリケーションサーバ、ＤＢサーバを含む３層構造を有していてもよい。また、サーバ１０は複数のサーバを含み、該複数のサーバで負荷分散するようにしてもよい。   The server 10 is a device that predicts future demand. FIG. 2A shows the hardware configuration of the server 10. As shown in FIG. 2A, the server 10 includes a CPU (Central Processing Unit) 90, a ROM (Read Only Memory) 92, a RAM (Random Access Memory) 94, and a storage unit (here, an HDD (Hard Disk Drive)). 96, a network interface 97, a portable storage medium drive 99, and the like. Each component of the server 10 is connected to a bus 98. In the server 10, a program stored in the ROM 92 or the HDD 96 (including a demand amount prediction program) or a program (including a demand amount prediction program) read by the portable storage medium drive 99 from the portable storage medium 91 is stored in the CPU 90. Are executed to function as each unit shown in FIG. In the first embodiment, the case where the server 10 is a single server has been described. However, the present invention is not limited to this. For example, the server 10 may have a three-layer structure including a Web server, an application server, and a DB server. Further, the server 10 may include a plurality of servers, and the load may be distributed among the plurality of servers.

図３には、サーバ１０の機能ブロック図が示されている。図３に示すように、サーバ１０は、ＣＰＵ９０がプログラムを実行することで、予測部としての予測値算出部２０、修正情報受付部２２、キーワード抽出部２４、修正値格納部２６、実績データ取得部２８、信頼度算出部３０、出力部及び修正部としての修正反映部３２、として機能する。なお、図３には、ＨＤＤ９６等に格納されるキーワードＤＢ３８、予測値ＤＢ４０、指定期間予測値ＤＢ４１、実績値ＤＢ４２、グループＤＢ４４、及び信頼度ＤＢ４６も図示されている。   FIG. 3 shows a functional block diagram of the server 10. As shown in FIG. 3, the server 10 executes a program executed by the CPU 90, so that a predicted value calculation unit 20, a correction information reception unit 22, a keyword extraction unit 24, a correction value storage unit 26, and actual data acquisition as a prediction unit It functions as a unit 28, a reliability calculation unit 30, a correction reflection unit 32 as an output unit and a correction unit. 3 also illustrates a keyword DB 38, a predicted value DB 40, a specified period predicted value DB 41, a performance value DB 42, a group DB 44, and a reliability DB 46 stored in the HDD 96 or the like.

予測値算出部２０は、過去の需要量の実績値に基づいて将来の需要量の予測値の算出を実行する。予測値算出部２０は、算出した予測値を予測値ＤＢ４０に格納する。ここで、予測値ＤＢ４０は、予測値や予測値の修正に関する情報を格納するデータベースであり、図４に示すようなデータ構造を有する。なお、予測値ＤＢ４０の詳細については後述する。   The predicted value calculation unit 20 calculates the predicted value of the future demand amount based on the past demand amount actual value. The predicted value calculation unit 20 stores the calculated predicted value in the predicted value DB 40. Here, the predicted value DB 40 is a database that stores information related to predicted values and correction of predicted values, and has a data structure as shown in FIG. Details of the predicted value DB 40 will be described later.

修正情報受付部２２は、ユーザが利用者端末７０を介して入力した予測値の修正に関する情報（修正値及び修正根拠）を取得し、キーワード抽出部２４及び修正値格納部２６に送信する。ここで、修正とは、予測値に対しユーザが独自の観点で数値調整を行うことを意味する。修正値は、予測値を調整するための数値であり、修正根拠は「なぜ修正を加えたのか」の情報であり、入力形式は単語のみであってもよいし、文章形式であってもよい。   The correction information receiving unit 22 acquires information (correction value and correction reason) regarding the correction of the predicted value input by the user via the user terminal 70 and transmits the information to the keyword extraction unit 24 and the correction value storage unit 26. Here, the correction means that the user makes numerical adjustments to the predicted value from a unique viewpoint. The correction value is a numerical value for adjusting the predicted value, the correction basis is information on “why correction was made”, and the input format may be only a word or a sentence format .

キーワード抽出部２４は、ユーザによって入力された修正根拠が文章形式であった場合に、該文章形式の修正根拠からキーワードを抽出し、キーワードＤＢ３８及び予測値ＤＢ４０に格納する。また、キーワード抽出部２４は、ユーザによって入力された修正根拠が単語であった場合には、該修正根拠をキーワードとし、キーワードＤＢ３８及び予測値ＤＢ４０に格納する。ここで、キーワードＤＢ３８は、図５に示すようなデータ構造を有する。具体的には、キーワードＤＢ３８は、図５に示すように、「キーワードＩＤ」、「予測対象」、「時間軸」、「キーワード」の各フィールドを有する。「キーワードＩＤ」のフィールドには、キーワードごとに付与される識別情報が格納される。「予測対象」のフィールドには、需要量を予測する対象（製品等）の情報（名称等）が格納される。「時間軸」のフィールドには、ユーザが修正した予測値がどの時間範囲の需要量を予測したものであるかの情報が格納される。なお、図５の時間軸のフィールドには、１年の何週目から何週目までかを示す情報が格納されている。「キーワード」のフィールドには、キーワードそのものが格納される。   When the correction basis input by the user is in the text format, the keyword extraction unit 24 extracts a keyword from the correction basis of the text format and stores it in the keyword DB 38 and the predicted value DB 40. Further, when the correction basis input by the user is a word, the keyword extraction unit 24 uses the correction basis as a keyword and stores it in the keyword DB 38 and the predicted value DB 40. Here, the keyword DB 38 has a data structure as shown in FIG. Specifically, as shown in FIG. 5, the keyword DB 38 has fields of “keyword ID”, “prediction target”, “time axis”, and “keyword”. In the “keyword ID” field, identification information assigned to each keyword is stored. In the “prediction target” field, information (name, etc.) of a target (product, etc.) whose demand is to be predicted is stored. In the “time axis” field, information indicating which time range the demand amount is predicted by the predicted value corrected by the user is stored. Note that the time axis field of FIG. 5 stores information indicating from what week to what week of the year. The keyword itself is stored in the “keyword” field.

修正値格納部２６は、修正情報受付部２２から受信した修正値（ユーザが入力した修正値）を予測値ＤＢ４０に格納する。ここで、予測値ＤＢ４０について、説明する。予測値ＤＢ４０は、図４に示すように、「予測対象」、「時間軸」、「予測値名称」、「キーワード」、「予測値」、「修正値」、「修正後予測値」の各フィールドを有する。「予測対象」のフィールドには、需要量を予測する対象（製品等）の情報（名称等）が格納される。「時間軸」のフィールドには、需要量が予測された期間の情報が格納される。「予測値名称」のフィールドには、予測値算出部２０が自動的に決定する名称が格納される。「キーワード」のフィールドには、ユーザが予測値を修正した場合にユーザによって入力された修正根拠のキーワードが格納される。「予測値」のフィールドには、予測値算出部２０が算出した予測値が格納され、「修正値」のフィールドには、ユーザが入力した修正値が格納され、「修正後予測値」のフィールドには、予測値を修正値で修正した後の値が格納される。   The correction value storage unit 26 stores the correction value (correction value input by the user) received from the correction information receiving unit 22 in the predicted value DB 40. Here, the predicted value DB 40 will be described. As shown in FIG. 4, the prediction value DB 40 includes each of “prediction target”, “time axis”, “prediction value name”, “keyword”, “prediction value”, “correction value”, and “correction prediction value”. Has a field. In the “prediction target” field, information (name, etc.) of a target (product, etc.) whose demand is to be predicted is stored. In the “time axis” field, information on a period in which the demand amount is predicted is stored. In the “predicted value name” field, a name automatically determined by the predicted value calculation unit 20 is stored. In the “keyword” field, a correction-basis keyword input by the user when the user corrects the predicted value is stored. The predicted value calculated by the predicted value calculation unit 20 is stored in the “predicted value” field, the corrected value input by the user is stored in the “corrected value” field, and the “corrected predicted value” field is stored. Stores the value after the predicted value is corrected with the corrected value.

実績データ取得部２８は、需要量が予測された期間における実際の需要量（実績値）を取得し、実績値ＤＢ４２に格納する。ここで、実績値ＤＢ４２は、予測対象（製品等）ごとに用意されており、図１０（ｂ）に示すようなデータ構造を有する。具体的には、実績値ＤＢ４２は、図１０（ｂ）に示すように、「時間軸」、「名称」、「実績値」のフィールドを有する。「時間軸」のフィールドには、実績値を取得した期間を示す情報（例えば、１年の何週目かの情報）が格納される。「名称」のフィールドには、「実績値」と格納される。「実績値」のフィールドには、需要量の実績値が格納される。実績値ＤＢ４２に格納されたデータは、予測値算出部２０が予測値を算出する際に利用される。   The actual data acquisition unit 28 acquires an actual demand amount (actual value) in a period in which the demand amount is predicted, and stores it in the actual value DB 42. Here, the actual value DB 42 is prepared for each prediction target (product or the like) and has a data structure as shown in FIG. Specifically, the actual value DB 42 has fields of “time axis”, “name”, and “actual value” as shown in FIG. In the “time axis” field, information indicating the period during which the actual value is acquired (for example, information on the week of the year) is stored. The “name” field stores “actual value”. The actual value of the demand amount is stored in the “actual value” field. The data stored in the actual value DB 42 is used when the predicted value calculation unit 20 calculates a predicted value.

信頼度算出部３０は、予測値ＤＢ４０及び実績値ＤＢ４２を参照し、修正値に基づいて修正した将来の需要量の予測値と、過去の需要量の実績値とに基づいて、キーワードに対応する予測値それぞれについての信頼度を計算する。また、キーワードを組合せてグループが作成できる場合には、信頼度算出部３０は、キーワードのグループに対応する予測値の信頼度を計算する。信頼度算出部３０は、信頼度の計算において、指定期間予測値ＤＢ４１（図９参照）及びグループＤＢ４４（図１３（ｂ）参照）を用いるものとする。指定期間予測値ＤＢ４１は、予測値ＤＢ４０から取得される指定期間のデータを一時的に格納するデータベースである。信頼度算出部３０は、グループＤＢ４４は、キーワードのグループに関する情報を格納するデータベースであり、図１３（ｂ）に示すように、「グループＩＤ」、「予測対象」、「時間軸」、「キーワード」の各フィールドを有する。「グループＩＤ」のフィールドには、グループごとに付与される識別情報が格納される。「予測対象」、「時間軸」のフィールドは、キーワードＤＢ３８の「予測対象」、「時間軸」のフィールドと同様である。「キーワード」のフィールドには、グループに属するキーワードが格納される。信頼度算出部３０は、計算した信頼度を信頼度ＤＢ４６に格納する。ここで、信頼度ＤＢ４６は、図１４（ｃ）に示すようなデータ構造を有する。具体的には、信頼度ＤＢ４６は、図１４（ｃ）に示すように、「予測対象」、「時間軸」、「キーワードorグループＩＤ」、「信頼度」の各フィールドを有する。「予測対象」、「時間軸」のフィールドは、キーワードＤＢ３８の「予測対象」、「時間軸」のフィールドと同様である。「キーワードorグループＩＤ」には、キーワードやグループのＩＤが格納され、「信頼度」のフィールドには、キーワード又はグループに基づく修正が信頼できるかを示す値が格納される。信頼度は、０〜１の値をとり、値が大きいほど信頼度が高いものとする。   The reliability calculation unit 30 refers to the predicted value DB 40 and the actual value DB 42, and corresponds to the keyword based on the predicted value of the future demand amount corrected based on the corrected value and the actual value of the past demand amount. Calculate confidence for each predicted value. In addition, when a group can be created by combining keywords, the reliability calculation unit 30 calculates the reliability of the predicted value corresponding to the keyword group. The reliability calculation unit 30 uses the designated period predicted value DB 41 (see FIG. 9) and the group DB 44 (see FIG. 13B) in the calculation of reliability. The specified period predicted value DB 41 is a database that temporarily stores data for the specified period acquired from the predicted value DB 40. The reliability calculation unit 30 is a database in which the group DB 44 stores information related to keyword groups. As shown in FIG. 13B, the “group ID”, “prediction target”, “time axis”, “keyword” ”Field. In the “group ID” field, identification information assigned to each group is stored. The fields of “prediction target” and “time axis” are the same as the fields of “prediction target” and “time axis” in the keyword DB 38. In the “keyword” field, keywords belonging to the group are stored. The reliability calculation unit 30 stores the calculated reliability in the reliability DB 46. Here, the reliability DB 46 has a data structure as shown in FIG. Specifically, as shown in FIG. 14C, the reliability DB 46 includes fields of “prediction target”, “time axis”, “keyword or group ID”, and “reliability”. The fields of “prediction target” and “time axis” are the same as the fields of “prediction target” and “time axis” in the keyword DB 38. The “keyword or group ID” stores a keyword or group ID, and the “reliability” field stores a value indicating whether the correction based on the keyword or group is reliable. The reliability takes a value of 0 to 1, and the higher the value, the higher the reliability.

修正反映部３２は、過去に入力された修正値を利用した将来の需要量の予測値を出力する際に、信頼度ＤＢ４６に基づいて、推奨する修正値及び対応するキーワードを決定する。そして、修正反映部３２は、推奨する修正値で修正した予測値や、推奨する修正値に対応するキーワードを利用者端末７０に出力する。また、修正反映部３２は、推奨外のキーワード及び信頼度も利用者端末７０に出力する。更に、修正反映部３２は、ユーザが利用者端末７０において推奨外の修正値を選択したという情報を取得すると、選択された修正値を用いた予測値の修正を実行し、修正結果を利用者端末７０に出力する。   The correction reflection unit 32 determines a recommended correction value and a corresponding keyword based on the reliability DB 46 when outputting a predicted value of a future demand amount using a correction value input in the past. Then, the correction reflecting unit 32 outputs the predicted value corrected with the recommended correction value and the keyword corresponding to the recommended correction value to the user terminal 70. Further, the correction reflection unit 32 also outputs unrecommended keywords and reliability to the user terminal 70. Furthermore, when the correction reflecting unit 32 acquires information that the user has selected an unrecommended correction value in the user terminal 70, the correction reflecting unit 32 corrects the predicted value using the selected correction value, and the correction result is displayed to the user. Output to the terminal 70.

利用者端末７０は、ＰＣ（Personal Computer）や、スマートフォンなどの携帯端末などの情報処理装置である。図２（ｂ）には、利用者端末７０のハードウェア構成が示されている。図２（ｂ）に示すように、利用者端末７０は、ＣＰＵ１９０、ＲＯＭ１９２、ＲＡＭ１９４、記憶部（ＨＤＤ）１９６、ネットワークインタフェース１９７、表示部１９３、入力部１９５及び可搬型記憶媒体１９１に記憶されたデータ等の読み取りが可能な可搬型記憶媒体用ドライブ１９９等を備えている。表示部１９３は液晶ディスプレイ等を含み、入力部１９５は、キーボードやタッチパネル等を含む。これら利用者端末７０の構成各部は、バス１９８に接続されている。利用者端末７０では、サーバ１０が予測した需要量の予測値を表示部１９３に表示したり、ユーザが入力部１９５を介して入力した予測値に関する修正情報（修正値や修正根拠）を取得し、サーバ１０に送信したりする。   The user terminal 70 is an information processing apparatus such as a personal computer (PC) or a mobile terminal such as a smartphone. FIG. 2B shows the hardware configuration of the user terminal 70. As shown in FIG. 2B, the user terminal 70 is stored in the CPU 190, ROM 192, RAM 194, storage unit (HDD) 196, network interface 197, display unit 193, input unit 195, and portable storage medium 191. A portable storage medium drive 199 capable of reading data and the like is provided. The display unit 193 includes a liquid crystal display and the input unit 195 includes a keyboard, a touch panel, and the like. Each component of the user terminal 70 is connected to the bus 198. In the user terminal 70, the predicted value of the demand amount predicted by the server 10 is displayed on the display unit 193, or the correction information (corrected value or correction ground) regarding the predicted value input by the user via the input unit 195 is acquired. Or transmitted to the server 10.

次に、本実施形態のサーバ１０による処理について説明する。なお、サーバ１０は、予測データ蓄積処理と、予測処理を実行する。   Next, processing by the server 10 of this embodiment will be described. Note that the server 10 executes a prediction data accumulation process and a prediction process.

＜予測データ蓄積処理＞
以下、予測データ蓄積処理について、図６、図７のフローチャートに沿って説明する。本処理は、将来の期間における需要量の予測値を算出し、算出した予測値がユーザによって修正された場合に、修正を分析し、分析結果を管理する処理である。 <Prediction data storage process>
Hereinafter, the prediction data accumulation process will be described with reference to the flowcharts of FIGS. 6 and 7. This process is a process of calculating a predicted value of a demand amount in a future period, analyzing the correction when the calculated predicted value is corrected by the user, and managing the analysis result.

本処理では、まずステップＳ１０において、予測値算出部２０が、需要量の予測値の算出を実行する。具体的には、予測値算出部２０は、過去の実績値（実績値ＤＢ４２に格納されている）に基づいて、例えば特許文献１，２等に記載されているような一般的な予測計算方法を用いて需要量の予測値を算出する。本実施形態では、一例として、１か月に１回、翌月（ｎ週〜ｎ＋３週）の需要量の予測値を予測対象（プロダクト１など）ごとに算出するものとする。予測値算出部２０は、図８（ａ）に示すような実績値と予測値を示す画面を、利用者端末７０の表示部１９３に表示させる。なお、図８（ａ）の実績値は、実績値ＤＢ４２から読み出される。また、図８（ａ）には、ユーザが修正値と修正根拠を入力するための入力欄が設けられている。   In this process, first, in step S10, the predicted value calculation unit 20 calculates the predicted value of the demand amount. Specifically, the predicted value calculation unit 20 is based on a past actual value (stored in the actual value DB 42), for example, a general predictive calculation method as described in Patent Documents 1 and 2, for example. Is used to calculate the predicted value of demand. In this embodiment, as an example, the predicted value of the demand amount for the next month (n week to n + 3 weeks) is calculated for each prediction target (product 1 or the like) once a month. The predicted value calculation unit 20 causes the display unit 193 of the user terminal 70 to display a screen showing the actual value and the predicted value as shown in FIG. The actual value in FIG. 8A is read from the actual value DB 42. In FIG. 8A, an input field for the user to input a correction value and a correction basis is provided.

次いで、ステップＳ１２では、修正情報受付部２２は、修正値及び修正根拠を取得する。すなわち、ユーザが利用者端末７０の入力部１９５を介して、図８（ｂ）に示すように時間軸を特定して修正値及び修正根拠を入力すると、修正情報受付部２２は、入力された情報を取得する。そして、修正情報受付部２２は、修正根拠をキーワード抽出部２４に送信するとともに、修正値を修正値格納部２６に送信する。ここで、修正値格納部２６は、修正値を予測値ＤＢ４０に格納する際に、予測値に修正値を反映させた修正後予測値を算出し、予測値ＤＢ４０に格納するものとする。   Next, in step S12, the correction information receiving unit 22 acquires a correction value and a correction basis. That is, when the user specifies the time axis and inputs the correction value and the correction reason via the input unit 195 of the user terminal 70 as shown in FIG. 8B, the correction information receiving unit 22 is input. Get information. Then, the correction information receiving unit 22 transmits the correction basis to the keyword extraction unit 24 and transmits the correction value to the correction value storage unit 26. Here, when the correction value is stored in the predicted value DB 40, the corrected value storage unit 26 calculates a corrected predicted value in which the corrected value is reflected in the predicted value, and stores the calculated value in the predicted value DB 40.

次いで、ステップＳ１４では、キーワード抽出部２４が、修正根拠からキーワードを抽出する。本ステップＳ１４では、ユーザによって入力された「修正根拠」が文章形式であった場合に、キーワード抽出部２４が、文章から単語を抽出する。例えば、キーワード抽出部２４は、従来から一般的に利用されている形態素解析等の技術を用いて単語を抽出する。なお、ユーザによって入力された「修正根拠」が単語であった場合には、キーワード抽出部２４は、入力された単語を取得する。そして、キーワード抽出部２４は、ステップＳ１４において抽出した単語又は取得した単語は「キーワード」として、キーワードＤＢ３８（図５）に格納する。   Next, in step S14, the keyword extracting unit 24 extracts keywords from the correction basis. In step S14, when the “correction basis” input by the user is in a sentence format, the keyword extraction unit 24 extracts a word from the sentence. For example, the keyword extraction unit 24 extracts words using a technique such as morphological analysis that has been generally used. If the “correction basis” input by the user is a word, the keyword extraction unit 24 acquires the input word. Then, the keyword extraction unit 24 stores the extracted word or the acquired word in step S14 as “keyword” in the keyword DB 38 (FIG. 5).

次いで、ステップＳ１６では、信頼度算出部３０が、指定期間のデータを予測値ＤＢ４０から取得する。ここで、「指定期間」とは、需要量の予測が行われ、ユーザが修正値を入力した未来方向への範囲である。すなわち、指定期間は図８（ｂ）において特定された時間軸の期間である。本ステップＳ１６では、信頼度算出部３０は、ｎ〜ｎ＋３週のデータ（キーワード、予測値、修正値、修正後予測値等）を予測値ＤＢ４０から取得する。   Next, in step S <b> 16, the reliability calculation unit 30 acquires data for the specified period from the predicted value DB 40. Here, the “designated period” is a range in the future direction in which a demand amount is predicted and a user inputs a correction value. That is, the designated period is the period of the time axis specified in FIG. In step S <b> 16, the reliability calculation unit 30 acquires data (keywords, predicted values, corrected values, corrected predicted values, etc.) for n to n + 3 weeks from the predicted value DB 40.

次いで、ステップＳ２０では、信頼度算出部３０は、取得したデータを指定期間予測値ＤＢ４１に格納する。なお、信頼度算出部３０は、指定期間内に少なくとも一部の時間軸で修正していれば、指定期間内の修正がされていない時間軸のデータも全て取得する。   Next, in step S20, the reliability calculation unit 30 stores the acquired data in the designated period predicted value DB 41. Note that if the reliability calculation unit 30 corrects at least part of the time axis within the specified period, the reliability calculation unit 30 also acquires all data on the time axis that has not been corrected within the specified period.

次いで、ステップＳ２２では、実績データ取得部２８が、指定期間（例えば１ヶ月）経過後に実績値を取得し、実績値ＤＢ４２（図１０（ｂ））に格納する。なお、図１０（ａ）は、実績値と修正後予測値の一例を示している。   Next, in step S22, the result data acquisition unit 28 acquires the result value after a specified period (for example, one month), and stores it in the result value DB 42 (FIG. 10B). FIG. 10A shows an example of the actual value and the corrected predicted value.

次いで、図７のステップＳ２４に移行すると、信頼度算出部３０は、各種データセットの相関係数を作成する。なお、「データセット」とは、指定期間のデータをまとめたデータ集合である。具体的には、図９の指定期間予測値ＤＢ４１の１〜８行目までのデータセットを「修正データセット」と呼ぶものとする。また、図９の９〜１２行目までの修正がされていないデータセットを「基本データセット」、図１０（ｂ）の実績値ＤＢ４２のデータセットを「実績データセット」と呼ぶものとする。なお、修正データセットは、図１１（ｃ）、図１１（ｄ）に示すような指定期間のデータを含む。また、基本データセットは、図１１（ｂ）に示すような指定期間のデータを含み、実績データセットは、図１１（ａ）に示すような指定期間のデータを含む。本ステップＳ２４では、指定期間内における「修正データセット」、「基本データセット」、「実績データセット」の相関を求める。なお、修正データセットは、図１１（ｃ）、図１１（ｄ）に示すように、キーワードごとのデータセットとなる。なお、この場合の「相関」とは、統計分野における相関係数を意味する。   Next, when the process proceeds to step S24 in FIG. 7, the reliability calculation unit 30 creates correlation coefficients for various data sets. The “data set” is a data set in which data for a specified period is collected. Specifically, the data sets from the first to eighth rows of the designated period predicted value DB 41 in FIG. 9 are referred to as “corrected data sets”. Further, a data set that has not been corrected in the 9th to 12th lines in FIG. 9 is referred to as a “basic data set”, and a data set in the actual value DB 42 in FIG. 10B is referred to as a “actual data set”. The correction data set includes data for a specified period as shown in FIGS. 11C and 11D. Further, the basic data set includes data for a specified period as shown in FIG. 11B, and the actual data set includes data for a specified period as shown in FIG. In this step S24, the correlation of “corrected data set”, “basic data set”, and “result data set” within the specified period is obtained. The correction data set is a data set for each keyword as shown in FIGS. 11C and 11D. In this case, “correlation” means a correlation coefficient in the statistical field.

ここで、本実施形態では、修正データセットと実績データセットの傾向の相似度合を測る指標として相関を用いることとしているが、相関を求めるためには複数のデータが必要となる。例えば修正後予測値を利用する場合に、修正したのが１週分だけであった場合には、修正後予測値は１レコードしか無いのに対して、実績値は多数のレコードがあることとなる。このため、修正した１週分の修正が修正していない予測値よりも実績値に近かったとしても、相関を求めるには不足である。そこで本実施形態では、修正後予測値を取得する際に、指定期間内の修正をしなかった期間については修正値＝０を取得することで、修正データセットとして複数データを取得するようにしている。   Here, in this embodiment, the correlation is used as an index for measuring the degree of similarity of the tendency between the corrected data set and the actual data set. However, a plurality of pieces of data are required to obtain the correlation. For example, when using the revised forecast value, if only one week was revised, the revised forecast value has only one record, while the actual value has many records. Become. For this reason, even if the corrected one week correction is closer to the actual value than the uncorrected predicted value, it is insufficient to obtain the correlation. Therefore, in the present embodiment, when the corrected predicted value is acquired, a plurality of data is acquired as a corrected data set by acquiring a correction value = 0 for a period in which the correction is not performed within the specified period. Yes.

次いで、ステップＳ２６では、信頼度算出部３０は、相関行列を作成する。具体的には、信頼度算出部３０は、ステップＳ２４で作成した相関係数を行列の形式で並べた表を作成する。ここで得る相関行列は、「実績値」、「予測値」、「修正後予測値」の相関関係を表現する行列となり、一例として、図１２（ａ）に示すような行列となる。なお、図１２（ａ）のＡ〜Ｄは、図１１（ａ）〜図１１（ｄ）のＡ〜Ｄと対応している。   Next, in step S26, the reliability calculation unit 30 creates a correlation matrix. Specifically, the reliability calculation unit 30 creates a table in which the correlation coefficients created in step S24 are arranged in a matrix format. The correlation matrix obtained here is a matrix expressing the correlation between “actual value”, “predicted value”, and “corrected predicted value”, and is, for example, a matrix as shown in FIG. Note that A to D in FIG. 12A correspond to A to D in FIG. 11A to FIG.

次いで、ステップＳ２８では、信頼度算出部３０は、相関行列の固有値を算出する。なお、１つの行列に対して固有値は複数求まる。次いで、ステップＳ３０では、信頼度算出部３０は、固有値に基づいて因子数を決定する。ここでは、信頼度算出部３０は、固有値から求まる寄与率に基づき、寄与率が高くなるように因子（潜在変数）の数を任意に決定する。   Next, in step S28, the reliability calculation unit 30 calculates an eigenvalue of the correlation matrix. A plurality of eigenvalues are obtained for one matrix. Next, in step S30, the reliability calculation unit 30 determines the number of factors based on the eigenvalue. Here, the reliability calculation unit 30 arbitrarily determines the number of factors (latent variables) so as to increase the contribution rate based on the contribution rate obtained from the eigenvalue.

次いで、ステップＳ３２では、信頼度算出部３０は、因子負荷行列を作成する。本実施形態では、統計分野における多変量解析の一手法である「因子分析」により、各種計算を行うものとする。因子分析においては、「実績値」、「予測値」、「修正後予測値」に対して、決定した因子数の分だけ「因子負荷量」という統計量が算出される。この「因子負荷量」は、因子分析における「因子」と呼ばれる潜在的な変数が、「実績値」、「予測値」、「修正後予測値」に対してどれだけの影響力を持っているかを示す統計量である。なお、本実施形態では、因子分析を用いることとしているが、「因子」に相当するような、関係性を分析できる統計手法であればその他の方法を用いてもよい。ステップＳ３２において作成される因子負荷行列は、図１２（ｂ）に示すような表で表される。   Next, in step S32, the reliability calculation unit 30 creates a factor load matrix. In the present embodiment, it is assumed that various calculations are performed by “factor analysis” which is one method of multivariate analysis in the statistical field. In the factor analysis, a statistic “factor loading” is calculated for “actual value”, “predicted value”, and “corrected predicted value” by the determined number of factors. This “factor loading” has an effect on the potential variables called “factors” in factor analysis with respect to “actual values”, “predicted values”, and “corrected predicted values”. Is a statistic indicating In the present embodiment, factor analysis is used. However, other methods may be used as long as they are statistical methods capable of analyzing relationships, which correspond to “factors”. The factor load matrix created in step S32 is represented by a table as shown in FIG.

次いで、ステップＳ３４では、信頼度算出部３０は、因子軸上に各種データセットをプロットする。ここで、相関行列の固有値から、図１２（ｂ）のｆ１〜ｆ４がそれぞれどの程度Ａ，Ｂ，Ｃ，Ｄの関係性を説明できるかを示す寄与率を求めることができる。例えば、ｆ１とｆ２の２因子のみで高い寄与率を示す場合には、ｆ３、ｆ４を使用しなくてもＡ，Ｂ，Ｃ，Ｄの関係性を十分に説明することができる。ｆ１〜ｆ４は因子であり、この個数は修正後予測値の種類の数によって変動する。因子分析の計測上で導き出されるもので、各因子を軸とした空間上に因子負荷量を座標としてプロットすると、分析するデータの関係性を視覚化することができる。今回は、ｆ１とｆ２を選択するものとする。ステップＳ３４により得られるプロット結果は、図１２（ｃ）のようなものとなる。上昇傾向を示したＡに対し傾向が似ているのはＣ，Ｄであり、ＡとＣ，Ｄを結びつける因子が潜んでいるということがｆ１として導き出される。ａ１はｆ１がＡにかかる重みであり、ｆ１という因子によってＡがよく説明されていることを示す。Ｃ，Ｄも同じ上昇傾向であるため、ｃ１，ｄ１が高くなる。Ｂは下降傾向なので全く別の因子が働いていることになり、そのことによりｆ２軸のｂ２が高く、ｆ１軸のｂ１が低くなっている。   Next, in step S34, the reliability calculation unit 30 plots various data sets on the factor axis. Here, from the eigenvalues of the correlation matrix, it is possible to obtain a contribution rate indicating how much the relationships of A, B, C, and D can be explained by f1 to f4 in FIG. For example, in the case where a high contribution rate is shown only with two factors f1 and f2, the relationship between A, B, C, and D can be sufficiently explained without using f3 and f4. f1 to f4 are factors, and this number varies depending on the number of types of corrected predicted values. It is derived in the measurement of factor analysis, and if the factor loading is plotted as coordinates on the space around each factor as an axis, the relationship of the data to be analyzed can be visualized. This time, f1 and f2 are selected. The plot result obtained in step S34 is as shown in FIG. It is derived as f1 that C and D are similar in trend to A that shows an upward trend, and that a factor that links A and C and D is lurking. a1 indicates that f1 is a weight applied to A, and that A is well explained by a factor of f1. Since C and D have the same upward trend, c1 and d1 increase. Since B is in a downward trend, a completely different factor is working, and as a result, b2 on the f2 axis is high and b1 on the f1 axis is low.

次いで、ステップＳ３６では、信頼度算出部３０は、「実績値」以外のプロット同士で距離を取得する。修正根拠に複数のキーワードが含まれている場合には、修正後予測値は図１２（ｃ）において複数プロットされるので、キーワード同士の関係を評価するために、実績値以外のプロット間の距離を取得する。   Next, in step S <b> 36, the reliability calculation unit 30 acquires a distance between plots other than “actual value”. In the case where a plurality of keywords are included in the correction basis, a plurality of corrected predicted values are plotted in FIG. 12C. Therefore, in order to evaluate the relationship between keywords, the distance between plots other than the actual values To get.

次いで、ステップＳ３８では、信頼度算出部３０は、距離の近いプロット同士をグルーピングする。ここでは、実績値以外のプロット間の距離をパラメータとして、クラスタ分析等の既存のグルーピング手法により、距離の近いプロットにグルーピングの情報を付与する。本ステップＳ３８により、キーワードとして実績値にどの程度の近さを持っているかを評価するのに加え、近い傾向を持ったキーワード群をグルーピングし、そのグループが実績値にどの程度の近さを持っているかを評価することができる。本実施形態では、例えば、図１３（ａ）に示すように、ＣとＤは同座標であり、距離は０であるため、全く同じ傾向を示すキーワードとしてグルーピングを行う。グルーピングは一般的なクラスタ分析等の手法を用いて行う。グルーピングを行うことで、「夏季」と「特需」を結び付けており、両キーワードによる修正も考慮することとしている。   Next, in step S38, the reliability calculation unit 30 groups plots that are close to each other. Here, the distance between plots other than the actual values is used as a parameter, and grouping information is given to plots with close distances by an existing grouping method such as cluster analysis. In this step S38, in addition to evaluating how close the keyword is to the actual value, a group of keywords having a close tendency is grouped, and how close the group is to the actual value. Can be evaluated. In the present embodiment, for example, as shown in FIG. 13A, since C and D have the same coordinates and the distance is 0, grouping is performed as keywords showing exactly the same tendency. Grouping is performed using a general method such as cluster analysis. By performing grouping, “summer season” and “special demand” are linked, and correction by both keywords is also considered.

次いで、ステップＳ４０では、信頼度算出部３０は、グルーピングのデータを図１３（ｂ）に示すようなグループＤＢ４４に蓄積する。この場合、信頼度算出部３０は、キーワードＤＢ３８にキーワードを蓄積した場合と同様に、グループＤＢ４４にグループに関するデータも蓄積する。また、１グループに１つのグループＩＤを付与し、属するキーワードを保持する構造でデータ蓄積を行う。   Next, in step S40, the reliability calculation unit 30 accumulates the grouping data in the group DB 44 as shown in FIG. In this case, the reliability calculation unit 30 also stores data related to the group in the group DB 44 in the same manner as when the keyword is stored in the keyword DB 38. Also, one group ID is assigned to one group, and data is stored in a structure that holds the keywords to which the group belongs.

次いで、ステップＳ４２では、信頼度算出部３０は、実績値のプロットと他のプロットとの距離を算出する。具体的には、信頼度算出部３０は、実績値のプロットと予測値のプロット又は修正後予測値のプロットとの距離を算出する。例えば、図１４（ａ）に示すように、Ａ、Ｂ間の距離を算出する。   Next, in step S42, the reliability calculation unit 30 calculates the distance between the plot of the actual value and another plot. Specifically, the reliability calculation unit 30 calculates the distance between the actual value plot and the predicted value plot or the corrected predicted value plot. For example, as shown in FIG. 14A, the distance between A and B is calculated.

次いで、ステップＳ４４では、実績プロットとグループとの距離を算出する。この場合、グループの座標は、グループに属するキーワードに紐づく修正後予測値のプロット群の重心であるものとする。例えば、グループＧ１の座標は、図１４（ｂ）に示すように、（（ｃ１＋ｄ１）／２，（ｃ２＋ｄ２）／２）となる。   Next, in step S44, the distance between the performance plot and the group is calculated. In this case, the coordinates of the group are assumed to be the center of gravity of the corrected predicted value plot group associated with the keywords belonging to the group. For example, the coordinates of the group G1 are ((c1 + d1) / 2, (c2 + d2) / 2) as shown in FIG.

次いで、ステップＳ４６では、信頼度算出部３０は、距離の近い順に各データセットに紐づくキーワードの信頼度を決定する。具体的には、信頼度算出部３０は、実績値のプロットと他のプロットとの距離に基づいて重み付けを行い、他のプロットの信頼度として定義する。なお、信頼度とは、予測値のプロットの場合は修正を行わない場合の予測の信頼性を表す量を意味する。また、キーワードに対応する修正後予測値のプロットの場合は、信頼度は、修正を行った場合のキーワードごとの予測の信頼性を表す量を意味する。また、グループのプロットの場合は、信頼度は、グループに属するキーワードが組み合わされた場合の信頼性を表す量を意味する。例えば、図１４（ａ）のように、距離が長い場合には、信頼度が低くなり、図１４（ｂ）のように、距離が短い場合には、信頼度が高くなる。   Next, in step S46, the reliability calculation unit 30 determines the reliability of keywords associated with each data set in order of increasing distance. Specifically, the reliability calculation unit 30 performs weighting based on the distance between the actual value plot and the other plots, and defines the reliability of the other plots. In the case of a plot of predicted values, the reliability means an amount representing the reliability of prediction when no correction is made. Further, in the case of a plot of corrected predicted values corresponding to keywords, the reliability means an amount representing the reliability of prediction for each keyword when correction is performed. In the case of a group plot, the reliability means an amount representing reliability when keywords belonging to a group are combined. For example, when the distance is long as shown in FIG. 14A, the reliability is low, and when the distance is short as shown in FIG. 14B, the reliability is high.

次いで、ステップＳ４８では、信頼度算出部３０は、データ蓄積を実行する。具体的には、信頼度算出部３０は、図１４（ｃ）に示す信頼度ＤＢ４６に、各キーワードＩＤ又はグループＩＤに対応して、信頼度を格納する。なお、本実施形態では、図１４（ｃ）のように、キーワードなしの場合の信頼度が０．１、キーワードＫ１（夏季）、Ｋ２（特需）、グループＧ１（夏季と特需）の場合の信頼度が０．９と算出され、信頼度ＤＢ４６に格納されたものとする。   Next, in step S48, the reliability calculation unit 30 performs data accumulation. Specifically, the reliability calculation unit 30 stores the reliability corresponding to each keyword ID or group ID in the reliability DB 46 illustrated in FIG. In the present embodiment, as shown in FIG. 14C, the reliability when there is no keyword is 0.1, the reliability when the keyword K1 (summer), K2 (special demand), and the group G1 (summer and special demand). It is assumed that the degree is calculated as 0.9 and stored in the reliability DB 46.

なお、図６、図７の処理は、任意の周期で（例えば１ヶ月ごとに）繰り返し実行される。これにより、順次、信頼度のデータが信頼度ＤＢ４６に蓄積されることになる。   6 and 7 are repeatedly executed at an arbitrary cycle (for example, every month). Thereby, the reliability data is sequentially stored in the reliability DB 46.

＜予測処理＞
次に、図１５に基づいて、予測処理について詳細に説明する。なお、図１５の処理は、修正がある程度の回数実行され、予測値ＤＢ４０等に所定以上のデータがたまった段階で、予測値の予測タイミングで（例えば１ヶ月ごとに）実行される処理である。 <Prediction process>
Next, the prediction process will be described in detail based on FIG. The process of FIG. 15 is a process that is executed at a prediction value prediction timing (for example, every month) when correction is performed a certain number of times and data of a predetermined value or more is accumulated in the prediction value DB 40 or the like. .

図１５の処理では、まず、ステップＳ６０において、予測値算出部２０が、予測値を算出する。このステップＳ６０では、前述した図４のステップＳ１０と同様にして予測値を算出する。ここでは、予測値算出部２０は、ｎ〜ｎ＋３週のプロダクト１の需要量の予測値を算出し、修正反映部３２に送信したものとする。   In the process of FIG. 15, first, in step S60, the predicted value calculation unit 20 calculates a predicted value. In step S60, a predicted value is calculated in the same manner as in step S10 of FIG. Here, it is assumed that the predicted value calculation unit 20 calculates the predicted value of the demand amount of the product 1 for n to n + 3 weeks and transmits it to the correction reflection unit 32.

次いで、ステップＳ６２に移行すると、修正反映部３２が、信頼度に基づいて修正に用いるキーワード又はグループ（推奨キーワード又はグループ）を選定する。本実施形態では、信頼度ＤＢ４６から、ステップＳ６０の予測値と同一の予測対象かつ同一の時間軸（ｎ〜ｎ＋３週）で、信頼度が最も高い（最も信頼できる）キーワード又はデータを選定する。   Next, in step S62, the correction reflection unit 32 selects a keyword or group (recommended keyword or group) used for correction based on the reliability. In the present embodiment, the keyword or data having the highest reliability (the most reliable) is selected from the reliability DB 46 on the same prediction target and the same time axis (n to n + 3 weeks) as the predicted value in step S60.

次いで、ステップＳ６４では、修正反映部３２が、選定された推奨キーワード又はグループに対応する修正値で予測値を修正した結果をユーザに提供するとともに、推奨外のキーワード又はグループの情報をユーザに提供する。例えば、図１６（ａ）に示すような予測値が得られ、かつ信頼度０．９のグループＧ１（キーワード「夏季」、「特需」を含む）が推奨グループとして選定されたとする。この場合、図１６（ｂ）のように、ｎ週〜ｎ＋３週の修正値が＋１０、＋３０、＋５０、＋７０であったとすると、修正反映部３２は、修正値に信頼度（０．９）を積算した値（＋９、＋２７、＋４５、＋６３）を推奨修正値とする。そして、修正反映部３２は、図１６（ｂ）に示すような画面を作成し、利用者端末７０に送信して、利用者端末７０の表示部１９３に当該画面を表示させる。なお、図１６（ｂ）の画面には、各推奨修正値を用いた修正後予測値のグラフ、推奨グループと信頼度、推奨修正値の情報のほか、推奨外のキーワード又はグループのアイコン８２や信頼度も表示される。なお、修正反映部３２は、推奨修正値を用いた修正の内容を予測値ＤＢ４０に格納する。   Next, in step S64, the correction reflecting unit 32 provides the user with the result of correcting the predicted value with the correction value corresponding to the selected recommended keyword or group, and provides the user with information on the keyword or group that is not recommended. To do. For example, assume that a group G1 (including keywords “summer” and “special demand”) having a predicted value as shown in FIG. 16A and having a reliability of 0.9 is selected as a recommended group. In this case, as shown in FIG. 16B, if the correction values from week n to week n + 3 are +10, +30, +50, and +70, the correction reflection unit 32 sets the reliability (0.9) as the correction value. The integrated values (+9, +27, +45, +63) are set as recommended correction values. Then, the correction reflection unit 32 creates a screen as shown in FIG. 16B, transmits it to the user terminal 70, and causes the display unit 193 of the user terminal 70 to display the screen. In addition, in the screen of FIG. 16B, in addition to the corrected predicted value graph using each recommended correction value, recommended group and reliability, recommended correction value information, an unrecommended keyword or group icon 82, The reliability is also displayed. The correction reflection unit 32 stores the content of the correction using the recommended correction value in the predicted value DB 40.

次いで、ステップＳ６６では、修正反映部３２が、推奨外のキーワード又はグループを使用するか否かを判断する。具体的には、修正反映部３２は、ユーザが利用者端末７０の入力部１９５を介して推奨外のキーワード又はグループのアイコン８２を選択したか否かを判断する。このステップＳ６６の判断が否定された場合には、ステップＳ６６が繰り返されるが、肯定された場合には、ステップＳ６８に移行する。   Next, in step S66, the correction reflection unit 32 determines whether to use a keyword or group that is not recommended. Specifically, the correction reflection unit 32 determines whether the user has selected an unrecommended keyword or group icon 82 via the input unit 195 of the user terminal 70. If the determination in step S66 is negative, step S66 is repeated. If the determination is positive, the process proceeds to step S68.

ステップＳ６８に移行すると、修正反映部３２は、ユーザによって指定されたキーワード又はグループに基づく修正に切り替える。修正反映部３２は、ユーザによって指定されたキーワード又はグループに対応する修正値に信頼度を積算した値を新たな推奨修正値として、予測値を修正した結果を用いて、図１６（ｂ）の画面を更新する。なお、修正反映部３２は、ステップＳ６４で予測値ＤＢ４０に格納した修正の内容を削除し、ユーザが新たに選択した修正の内容を予測値ＤＢ４０に格納する。   If transfering it to step S68, the correction reflection part 32 will switch to the correction based on the keyword or group designated by the user. The correction reflecting unit 32 uses the result of correcting the predicted value as a new recommended correction value obtained by adding the reliability to the correction value corresponding to the keyword or group designated by the user, and uses the result of correcting the predicted value in FIG. Update the screen. The correction reflection unit 32 deletes the content of the correction stored in the predicted value DB 40 in step S64 and stores the content of the correction newly selected by the user in the predicted value DB 40.

その後は、ステップＳ６６に戻り、ユーザが図１６（ｂ）の画面を閉じる操作を行うまで、ステップＳ６６〜Ｓ６８の処理・判断を繰り返し実行する。   Thereafter, the process returns to step S66, and the processes and determinations of steps S66 to S68 are repeatedly executed until the user performs an operation of closing the screen of FIG.

なお、上述した例では、修正値に信頼度を積算した値を推奨修正値とする場合について説明したが、これに限られるものではない。例えば、信頼度に基づいて選定されたキーワード又はグループに対応する修正値そのものを推奨修正値として扱うこととしてもよい。また、上述した例では、過去の修正実績を格納する予測値ＤＢ４０から、新たに予測する時間軸と予測対象が同一のデータを抽出し、利用する場合について説明したが、これに限られるものではない。例えば、予測対象が異なるが、時間軸が同一のデータを抽出し、利用することとしてもよい。   In the above-described example, the case where the value obtained by adding the reliability to the correction value is used as the recommended correction value. However, the present invention is not limited to this. For example, the correction value itself corresponding to the keyword or group selected based on the reliability may be handled as the recommended correction value. Moreover, although the example mentioned above demonstrated the case where the time axis to predict newly and the same prediction object were extracted from the prediction value DB 40 storing the past correction results, and used, it is not limited to this. Absent. For example, data having the same time axis may be extracted and used although the prediction target is different.

以上、詳細に説明したように、本第１の実施形態によると、予測値算出部２０は、過去の需要量の実績値を基に、将来の需要量の予測値を算出し（Ｓ１０）、修正情報受付部２２は、需要量の予測値を修正する修正値の入力を受け付け（Ｓ１２）、キーワード抽出部２４は、修正値に対応付けて、修正根拠の情報をキーワードとして設定し（Ｓ１４）、信頼度算出部３０は、修正値に基づいて修正した予測値と需要量の実績値とに基づいて、キーワードに対応する修正値の信頼度を算出する（Ｓ４６）。そして、修正反映部３２は、過去に入力された修正値を利用した予測値の修正に関連して、過去に入力された修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する（Ｓ６４、図１６（ｂ））。これにより、本第１の実施形態によれば、修正値やキーワードがユーザの知識として蓄積され、ユーザの知識の信頼度が数的に都度算出され、修正の際に出力される。したがって、ユーザは、予測値を修正する際に、過去に入力された修正値に対応するキーワードと信頼度とを参照することで、どのような修正を行うのが適切であるかを判断することができる。   As described above in detail, according to the first embodiment, the predicted value calculation unit 20 calculates the predicted value of the future demand amount based on the actual value of the past demand amount (S10), The correction information receiving unit 22 receives an input of a correction value for correcting the predicted value of demand (S12), and the keyword extracting unit 24 sets correction basis information as a keyword in association with the correction value (S14). The reliability calculation unit 30 calculates the reliability of the correction value corresponding to the keyword based on the predicted value corrected based on the correction value and the actual value of the demand amount (S46). The correction reflection unit 32 associates the keyword corresponding to the correction value input in the past with the reliability of the correction value in association with the correction of the predicted value using the correction value input in the past. (S64, FIG. 16B). Thereby, according to the first embodiment, the correction value and the keyword are accumulated as the user's knowledge, and the reliability of the user's knowledge is calculated numerically and output at the time of correction. Therefore, when the user corrects the predicted value, the user determines which correction is appropriate by referring to the keyword and reliability corresponding to the correction value input in the past. Can do.

ここで、予測精度を高めるためにユーザが定義したルールを適用するという方法を採用した場合、ユーザが既に有効な要素を見つけていることが前提となっており、かつ、決め込んだルールをシンプルに予測計算に適用することになる。また、時間が経つにつれてトレンドは変化するため、定義したルールが適切なルールであるとは限らない。これに対し、本第１の実施形態では、ユーザの知識（修正値や修正根拠）を都度評価するので、トレンドに対応した修正が可能となる。また、ユーザが定義したルールを用いる場合に必要なデータマイニングが不要となり、かつ、ユーザの知識の信頼度を都度評価することでより信頼性の高いルールを見出し、トレンドに合わせた予測計算として活用することができる。   Here, when adopting the method of applying the rules defined by the user in order to improve the prediction accuracy, it is assumed that the user has already found an effective element, and the rule that has been decided is simplified It will be applied to the prediction calculation. Also, since the trend changes over time, the defined rules are not always appropriate rules. On the other hand, in the first embodiment, since the user's knowledge (correction value or correction basis) is evaluated each time, correction corresponding to the trend is possible. In addition, data mining, which is necessary when using user-defined rules, is unnecessary, and more reliable rules can be found by evaluating the reliability of the user's knowledge each time and used as a predictive calculation that matches the trend. can do.

この場合、本第１の実施形態では、修正根拠が文章形式で入力されても、キーワード抽出部２４は、文章解析からキーワードを取得するため、修正値と修正根拠との紐付けが容易である。   In this case, in the first embodiment, even if the correction reason is input in a sentence format, the keyword extraction unit 24 acquires the keyword from the sentence analysis, so that the correction value and the correction reason can be easily linked. .

また、本第１の実施形態では、過去に入力された修正値を利用して需要量の予測値を修正するので、ユーザによって適切に選択された予測値を利用して、需要量の予測値の修正を適切に行うことが可能となる。   In the first embodiment, the demand value prediction value is corrected using the correction value input in the past. Therefore, the demand value prediction value is selected using the prediction value appropriately selected by the user. It becomes possible to correct appropriately.

また、本第１の実施形態では、過去に入力された修正値に信頼度を積算した値（信頼度で重み付けした値）で需要量の予測値を修正するので、信頼度に応じて補正した修正値を用いて、予測値を適切に修正することが可能となる。   Further, in the first embodiment, since the predicted value of the demand amount is corrected by a value obtained by adding the reliability to the correction value input in the past (a value weighted by the reliability), it is corrected according to the reliability. It is possible to appropriately correct the predicted value using the correction value.

また、本第１の実施形態では、指定期間の需要量の予測値を、指定期間と対応する過去の期間（例えば、１年のうちの第ｎ週など）において入力された修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する。これにより、過去において時期を考慮した修正値を、将来の予測値の修正に用いることが可能となる。   Further, in the first embodiment, the predicted value of the demand amount in the designated period is set to the keyword corresponding to the correction value input in the past period (for example, the nth week of the year) corresponding to the designated period. , The reliability of the correction value is output in association with it. Thereby, it becomes possible to use the correction value which considered the time in the past for correction of a future prediction value.

なお、上記実施形態では、修正根拠をキーワードとする場合について説明したが、これに限られるものではない。例えば、修正値の入力に付随して蓄積した情報（例えば、修正時期、曜日など）をキーワードとしてもよい。以下に説明する第２の実施形態では、修正時期をキーワードとして扱う場合について説明する。   In the above embodiment, the case where the correction basis is a keyword has been described. However, the present invention is not limited to this. For example, information accumulated along with the input of a correction value (for example, correction time, day of the week, etc.) may be used as a keyword. In the second embodiment described below, a case where the correction time is handled as a keyword will be described.

《第２の実施形態》
図１７には、第２の実施形態において利用者端末７０の表示部１９３上に表示される、予測値の修正値を入力するための画面（第１の実施形態の図８（ａ）に相当）が示されている。この図１７においては、ユーザが「月末に需要が高くなる」ことを見込んで、毎月末に修正を繰り返している例が示されている。なお、ユーザは、図１７の画面において時間軸を特定した後、修正値を入力するが、修正根拠については、入力しないものとする。 << Second Embodiment >>
FIG. 17 shows a screen for inputting the correction value of the predicted value displayed on the display unit 193 of the user terminal 70 in the second embodiment (corresponding to FIG. 8A of the first embodiment). )It is shown. FIG. 17 shows an example in which the user repeats correction at the end of every month in anticipation that “demand will increase at the end of the month”. It should be noted that the user inputs the correction value after specifying the time axis on the screen of FIG. 17, but does not input the correction basis.

図１８（ａ）には、第２の実施形態で用いられる予測値ＤＢ４０のデータ構造が示されている。図１８（ａ）の予測値ＤＢ４０は、第１の実施形態の予測値ＤＢ４０（図４）の「キーワード」のフィールドに代えて、「外部情報」のフィールドが設けられている。「外部情報」のフィールドには、「月末」などのキーワードが格納される。ここで、キーワード抽出部２４は、月末に繰り返し修正をしていることを検出すると、当該修正のキーワードとして、「月末」を外部情報のフィールドに格納する。なお、図１８（ａ）では、予測値名称「月末：修正後予測値」の時間軸「先月１週」の列においても、外部情報として「月末」が入力されている。しかしながら、１週目において月末に対応する修正は行われないので、修正値は０となっている。   FIG. 18A shows the data structure of the predicted value DB 40 used in the second embodiment. The predicted value DB 40 in FIG. 18A is provided with an “external information” field instead of the “keyword” field in the predicted value DB 40 (FIG. 4) of the first embodiment. In the “external information” field, keywords such as “end of month” are stored. Here, when the keyword extraction unit 24 detects that the correction is repeatedly made at the end of the month, it stores “end of month” in the field of external information as the correction keyword. In FIG. 18A, “end of month” is also input as external information in the column of the time axis “last week 1 week” of the predicted value name “end of month: corrected predicted value”. However, since the correction corresponding to the end of the month is not performed in the first week, the correction value is 0.

図１８（ｂ）には、第２の実施形態で用いられる実績値ＤＢ４２が示されている。実績値ＤＢ４２については、第１の実施形態（図１０（ｂ））と同様となっている。また、図１９（ｂ）には、第２の実施形態で用いられる信頼度ＤＢ４６のデータ構造が示されている。図１９（ｂ）の信頼度ＤＢ４６は、第１の実施形態の信頼度ＤＢ４６（図１４（ｃ））の「キーワード」のフィールドに代えて、「外部情報」のフィールドが設けられている。   FIG. 18B shows a performance value DB 42 used in the second embodiment. The result value DB 42 is the same as that in the first embodiment (FIG. 10B). FIG. 19B shows the data structure of the reliability DB 46 used in the second embodiment. The reliability DB 46 in FIG. 19B is provided with an “external information” field instead of the “keyword” field in the reliability DB 46 (FIG. 14C) of the first embodiment.

本第２の実施形態は、図６、図７の処理において、キーワードとして外部情報（例えば、時期を示す単語）を用いること以外は、第１の実施形態と同様となっている。したがって、信頼度算出部３０は、実績値と予測値と修正後予測値との関係から、外部情報ごとの信頼度を算出し（Ｓ４６）、信頼度に基づいて、図１９（ａ）に示すような画面を作成する（Ｓ６４）。図１９（ａ）の画面では、信頼度の高い外部情報に対応する修正値で修正した予測値を推奨予測値として表示している。   The second embodiment is the same as the first embodiment except that external information (for example, a word indicating time) is used as a keyword in the processing of FIGS. 6 and 7. Therefore, the reliability calculation unit 30 calculates the reliability for each external information from the relationship between the actual value, the predicted value, and the corrected predicted value (S46), and the reliability is shown in FIG. A screen like this is created (S64). In the screen of FIG. 19A, a predicted value corrected with a corrected value corresponding to external information with high reliability is displayed as a recommended predicted value.

以上、説明したように、本第２の実施形態によると、予測値算出部２０は、過去の需要量の実績値を基に、将来の需要量の予測値を算出し（Ｓ１０）、修正情報受付部２２は、需要量の予測値を修正する修正値の入力を受け付け（Ｓ１２）、キーワード抽出部２４は、修正値に対応付けて、修正根拠の情報をキーワードとして設定し（Ｓ１４）、信頼度算出部３０は、修正値に基づいて修正した予測値と需要量の実績値とに基づいて、キーワードに対応する修正値の信頼度を算出する（Ｓ４６）。そして、修正反映部３２は、過去に入力された修正値を利用した予測値の修正に関連して、過去に入力された修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する（Ｓ６４、図１６（ｂ））。これにより、本第２の実施形態によれば、ユーザは、予測値を修正する際に、過去に入力された修正値に対応する外部情報と信頼度とを参照することで、どのような修正を行うのが適切であるかを判断することができる。   As described above, according to the second embodiment, the predicted value calculation unit 20 calculates the predicted value of the future demand amount based on the actual value of the past demand amount (S10), and the correction information The reception unit 22 receives an input of a correction value for correcting the predicted value of demand (S12), and the keyword extraction unit 24 sets correction basis information as a keyword in association with the correction value (S14). The degree calculation unit 30 calculates the reliability of the correction value corresponding to the keyword based on the predicted value corrected based on the correction value and the actual value of the demand amount (S46). The correction reflection unit 32 associates the keyword corresponding to the correction value input in the past with the reliability of the correction value in association with the correction of the predicted value using the correction value input in the past. (S64, FIG. 16B). Thus, according to the second embodiment, when the user corrects the predicted value, the user can refer to the external information corresponding to the correction value input in the past and the reliability to determine what correction is made. It is possible to determine whether it is appropriate to perform.

また、本第２の実施形態では、そもそもユーザによる修正時に外部情報として与えられた「月末」という情報は、キーワード抽出部２４により各月の第４週目という「時間軸情報」に基づいて付与されている。このため、信頼度を紐付けた「月末」という外部情報（キーワード）を未来の修正に適用するタイミングは過去のユーザの修正実績のタイミングから容易に判断することができる。したがって、ユーザに対し、毎月末に修正の推奨を提示することが可能である。   In the second embodiment, the information “end of month” given as external information at the time of correction by the user is given based on the “time axis information” of the fourth week of each month by the keyword extraction unit 24. Has been. For this reason, the timing at which the external information (keyword) “end of month” associated with the reliability is applied to the future correction can be easily determined from the timing of past correction results of the user. Therefore, it is possible to present a correction recommendation to the user at the end of each month.

なお、外部情報には、ユーザ情報が含まれていてもよい。以下の第３の実施形態では、外部情報（ユーザ情報）と、修正根拠をキーワードとして扱う場合について説明する。   The external information may include user information. In the following third embodiment, a case will be described in which external information (user information) and a correction basis are treated as keywords.

《第３の実施形態》
本第３の実施形態では、予測値算出部２０が、一例として、実績値の減少傾向に基づいて、需要量が今後線形的に減少すると予測したとする。そして、２人のユーザＡ，Ｂは、ｎ週以降に「雨」が多くなるという情報を受けて、図２０（ａ）に示すように予測値を修正したとする。この場合、指定期間予測値ＤＢ４１は、図２０（ｂ）に示すようなデータ構造となる。なお、図２０（ｂ）の指定期間予測値ＤＢ４１は、図９の指定期間予測値ＤＢ４１に「外部情報」のフィールドを加えたデータ構造を有している。 << Third Embodiment >>
In the third embodiment, as an example, it is assumed that the predicted value calculation unit 20 predicts that the demand amount will decrease linearly in the future based on the decreasing tendency of the actual value. Then, it is assumed that the two users A and B receive the information that “rain” increases after n weeks and correct the predicted value as shown in FIG. In this case, the designated period predicted value DB 41 has a data structure as shown in FIG. 20B has a data structure in which a field of “external information” is added to the specified period predicted value DB 41 of FIG.

ここで図２０（ｂ）のデータを、外部情報（ユーザの情報）と、修正根拠のそれぞれについてまとめると、図２１（ａ）のＡ−１（ユーザＡに対応する修正）、図２１（ｂ）のＡ−２（ユーザＡによるキーワード「雨」に対応する修正）、図２１（ｃ）のＢ−１（ユーザＢに対応する修正）、図２１（ｄ）のＢ−２（ユーザＡによるキーワード「雨」に対応する修正）となる。   Here, when the data of FIG. 20B is collected for each of external information (user information) and the basis of correction, A-1 (correction corresponding to user A) in FIG. 21A and FIG. ) A-2 (modification corresponding to the keyword “rain” by user A), B-1 in FIG. 21C (modification corresponding to user B), B-2 in FIG. 21D (by user A) The correction corresponding to the keyword “rain”).

一方、実績値は、図２２（ａ）に示すような傾向であったとする。この場合、上記第１の実施形態と同様、ステップＳ３４の処理を行うことで、図２２（ｂ）に示すようにｆ１、ｆ２座標にＡ-１、Ａ-２、Ｂ-１、Ｂ-２の４点がプロットされる。また、上記第１の実施形態と同様、ステップＳ３８の処理を行うことで、図２２（ｃ）に示すようにＡ-１とＡ-２がグループ化され、Ｂ-１とＢ-２がグループ化される。図２２（ｃ）の例では、図２２（ａ）の実績値の傾向（一旦下がって上昇する）と最も近かったものが、Ｂ-１とＢ-２を含むグループである。したがって、Ｂ-１とＢ-２を含むグループの信頼度は高く設定される。   On the other hand, it is assumed that the actual value has a tendency as shown in FIG. In this case, similarly to the first embodiment, by performing the process of step S34, as shown in FIG. 22B, the coordinates f-1, f2 are A-1, A-2, B-1, B-2. The four points are plotted. Similarly to the first embodiment, by performing the process of step S38, A-1 and A-2 are grouped as shown in FIG. 22C, and B-1 and B-2 are grouped. It becomes. In the example of FIG. 22C, the group that includes B-1 and B-2 is the closest to the tendency of the actual value (temporarily lowering and rising) of FIG. Therefore, the reliability of the group including B-1 and B-2 is set high.

ここで、上述したグループ化の処理によって、「雨」という同一キーワードが入力されたとしても全く別の修正要素として成り立たせることが実現できる。すなわち、自動的に推奨修正値で予測値を修正する際には「ユーザＢ」と「雨」を含むグループの信頼度と、ユーザＢの修正実績を用いればよいということが判断できるようになる。   Here, by the grouping process described above, even if the same keyword “rain” is input, it can be realized as a completely different correction factor. That is, when the predicted value is automatically corrected with the recommended correction value, it can be determined that the reliability of the group including “user B” and “rain” and the correction result of user B may be used. .

なお、本第３の実施形態では、「雨」というキーワード単体の信頼度を、ユーザＡ、Ｂの修正履歴から算出することもできる。例えば、図２２（ｄ）に示すように、Ａ−２とＢ−２の中点Ｃを取り、Ｃと実績との距離に基づいて信頼度を算出することができる。例えば、「雨」の信頼度が最も高かった場合には、修正反映部３２は、自動修正（図１５の処理）を行う際は、「雨」というキーワードで修正されたユーザＡ，Ｂ両方の修正値を組み合わせて推奨修正値を決定すればよい。この場合、「雨」にかかる信頼度の種類は、「雨」単体の信頼度、「ユーザＡ」と「雨」を含むグループ、「ユーザＢ」と「雨」を含むグループの３種類になる。このように、「外部情報」を「キーワード」と組み合わせて利用することで、より適切に、予測値の自動修正を行うことが可能となる。これにより、日々、需要量予測システムに向かって作業するユーザの知識をリアルタイムで取り込み、分析し、活用できる。また、一般的に考えられる多様なデータと、ユーザの知識を表現するデータを用いることで予測精度が更に高まる。   In the third embodiment, the reliability of the keyword “rain” alone can be calculated from the correction histories of the users A and B. For example, as shown in FIG. 22D, the midpoint C of A-2 and B-2 can be taken, and the reliability can be calculated based on the distance between C and the record. For example, when the reliability of “rain” is the highest, the correction reflecting unit 32 performs both of the users A and B corrected with the keyword “rain” when performing automatic correction (the process of FIG. 15). The recommended correction value may be determined by combining the correction values. In this case, there are three types of reliability related to “rain”: the reliability of “rain” alone, a group including “user A” and “rain”, and a group including “user B” and “rain”. . In this way, by using “external information” in combination with “keywords”, it is possible to more appropriately perform automatic correction of predicted values. As a result, it is possible to capture, analyze and utilize the knowledge of users who work toward the demand forecasting system in real time. In addition, the prediction accuracy is further enhanced by using a variety of generally considered data and data expressing the knowledge of the user.

なお、上記第３の実施形態では、説明の便宜上、雨による修正をユーザＡ，Ｂごとに分けることで、４つのデータに分ける場合について説明した（図２１（ａ）〜図２１（ｄ）参照）が、これに限るものではない。例えば図２３に示すように、予測値名称を定義する時点で「ユーザＡ＋雨」と「ユーザＢ＋雨」の２種を作成しておくこととしてもよい。これにより、キーワードが「雨」で共通していても、予測値名称に基づいて別々の外部情報に紐づく別々の修正であることを識別することができる。このため、どのユーザの「雨」に基づく修正が最も信頼できるかを識別することが可能となる。   In the third embodiment, for the sake of convenience of explanation, the case where the data is divided into four data by dividing the correction by rain for each of the users A and B has been described (see FIGS. 21A to 21D). ) But not limited to this. For example, as shown in FIG. 23, two types of “user A + rain” and “user B + rain” may be created when the predicted value name is defined. Thereby, even if the keyword is common to “rain”, it is possible to identify different corrections associated with different external information based on the predicted value name. For this reason, it becomes possible to identify which user's “rain” correction is most reliable.

なお、上記第２、第３の実施形態では、外部情報が時期やユーザである場合について説明したが、これに限られるものではない。例えば、外部情報は、製品、コスト、効果などの属性情報であってもよい。   In the second and third embodiments, the case where the external information is the time and the user has been described. However, the present invention is not limited to this. For example, the external information may be attribute information such as product, cost, and effect.

なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。   The above processing functions can be realized by a computer. In that case, a program describing the processing contents of the functions that the processing apparatus should have is provided. By executing the program on a computer, the above processing functions are realized on the computer. The program describing the processing contents can be recorded on a computer-readable recording medium (except for a carrier wave).

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。   When the program is distributed, for example, it is sold in the form of a portable recording medium such as a DVD (Digital Versatile Disc) or a CD-ROM (Compact Disc Read Only Memory) on which the program is recorded. It is also possible to store the program in a storage device of a server computer and transfer the program from the server computer to another computer via a network.

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。   The computer that executes the program stores, for example, the program recorded on the portable recording medium or the program transferred from the server computer in its own storage device. Then, the computer reads the program from its own storage device and executes processing according to the program. The computer can also read the program directly from the portable recording medium and execute processing according to the program. Further, each time the program is transferred from the server computer, the computer can sequentially execute processing according to the received program.

上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。   The above-described embodiment is an example of a preferred embodiment of the present invention. However, the present invention is not limited to this, and various modifications can be made without departing from the scope of the present invention.

なお、以上の第１〜第３の実施形態の説明に関して、更に以下の付記を開示する。
（付記１） 過去の需要量の実績値を基に、将来の需要量を予測し、
予測した前記将来の需要量を修正する修正値の入力を受け付け、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定し、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出し、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、
処理をコンピュータに実行させる需要量予測プログラム。
（付記２） 前記出力する処理において出力した前記キーワードの選択を受け付け、
選択された前記キーワードに対応する前記修正値を利用して前記将来の需要量の予測値を修正する、処理を前記コンピュータに更に実行させる付記１に記載の需要量予測プログラム。
（付記３） 前記修正する処理において、過去に入力された前記修正値を該修正値の信頼度で補正した値で、前記将来の需要量の予測値を修正する、ことを特徴とする付記２に記載の需要量予測プログラム。
（付記４） 前記出力する処理では、所定期間の需要量の予測値の修正に関連して、前記所定期間と対応する過去の期間において入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、ことを特徴とする付記１〜３のいずれかに記載の需要量予測プログラム。
（付記５） 過去の需要量の実績値を基に、将来の需要量を予測し、
予測した前記将来の需要量を修正する修正値の入力を受け付け、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定し、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出し、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、
処理をコンピュータが実行する需要量予測方法。
（付記６） 前記出力する処理において出力した前記キーワードの選択を受け付け、
選択された前記キーワードに対応する前記修正値を利用して前記将来の需要量の予測値を修正する、処理を前記コンピュータが更に実行する付記５に記載の需要量予測方法。
（付記７） 前記修正する処理において、過去に入力された前記修正値を該修正値の信頼度で補正した値で、前記将来の需要量の予測値を修正する、ことを特徴とする付記６に記載の需要量予測方法。
（付記８） 前記出力する処理では、所定期間の需要量の予測値の修正に関連して、前記所定期間と対応する過去の期間において入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、ことを特徴とする付記５〜７のいずれかに記載の需要量予測方法。
（付記９） 過去の需要量の実績値を基に、将来の需要量を予測する予測部と、
予測した前記将来の需要量を修正する修正値の入力を受け付ける修正情報受付部と、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定するキーワード抽出部と、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出する信頼度算出部と、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する出力部と、
を備える情報処理装置。
（付記１０） 前記出力部は、出力した前記キーワードの選択を受け付け、
選択された前記キーワードに対応する前記修正値を利用して前記将来の需要量の予測値を修正する修正部を更に備える付記９に記載の情報処理装置。
（付記１１） 前記修正部は、過去に入力された前記修正値を該修正値の信頼度で補正した値で、前記将来の需要量の予測値を修正する、ことを特徴とする付記１０に記載の情報処理装置。
（付記１２） 前記出力部は、所定期間の需要量の予測値の修正に関連して、前記所定期間と対応する過去の期間において入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、ことを特徴とする付記９〜１１のいずれかに記載の情報処理装置。 In addition, regarding the above description of the first to third embodiments, the following additional notes are disclosed.
(Appendix 1) Forecast future demand based on the past actual demand,
Receiving an input of a correction value for correcting the predicted future demand amount;
In association with the correction value, information on the basis of correction and / or information accumulated accompanying the input of the correction value is set as a keyword,
Based on the future demand amount corrected based on the correction value and the actual value of the demand amount, the reliability of the correction value corresponding to the keyword is calculated,
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. Output,
A demand forecast program that causes a computer to execute processing.
(Appendix 2) Accepting selection of the keyword output in the output processing,
The demand amount prediction program according to supplementary note 1, further causing the computer to execute a process of correcting the predicted value of the future demand amount using the correction value corresponding to the selected keyword.
(Additional remark 3) In the said correction process, the predicted value of the said future demand amount is corrected with the value which correct | amended the said corrected value input in the past with the reliability of this corrected value, It is characterized by the above-mentioned. The demand forecast program described in 1.
(Additional remark 4) In the said process to output, in relation to correction of the predicted value of the demand amount of a predetermined period, the keyword corresponding to the said correction value input in the past period corresponding to the said predetermined period, and this correction value The demand amount prediction program according to any one of appendices 1 to 3, wherein the reliability is output in association with each other.
(Appendix 5) Forecast future demand based on past demand data,
Receiving an input of a correction value for correcting the predicted future demand amount;
In association with the correction value, information on the basis of correction and / or information accumulated accompanying the input of the correction value is set as a keyword,
Based on the future demand amount corrected based on the correction value and the actual value of the demand amount, the reliability of the correction value corresponding to the keyword is calculated,
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. Output,
A demand forecast method in which processing is executed by a computer.
(Additional remark 6) The selection of the said keyword output in the said process to output is received,
The demand amount prediction method according to appendix 5, wherein the computer further executes a process of correcting the predicted value of the future demand amount using the correction value corresponding to the selected keyword.
(Additional remark 7) In the said correction process, the predicted value of the said future demand amount is corrected with the value which correct | amended the said corrected value input in the past with the reliability of this corrected value, It is characterized by the above-mentioned. The demand forecast method described in 1.
(Additional remark 8) In the said process to output, in relation to correction of the predicted value of the demand amount of a predetermined period, the keyword corresponding to the said correction value input in the past period corresponding to the said predetermined period, and this correction value The demand amount prediction method according to any one of appendices 5 to 7, wherein the reliability is output in association with each other.
(Supplementary Note 9) Based on the actual value of past demand, a forecasting unit that predicts future demand,
A correction information receiving unit for receiving an input of a correction value for correcting the predicted future demand amount;
A keyword extracting unit that sets information on the basis of correction and / or information accumulated accompanying the input of the correction value as a keyword in association with the correction value;
A reliability calculation unit that calculates the reliability of the correction value corresponding to the keyword based on the future demand amount corrected based on the correction value and the actual value of the demand amount;
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. An output section to output,
An information processing apparatus comprising:
(Supplementary Note 10) The output unit accepts selection of the output keyword,
The information processing apparatus according to appendix 9, further comprising a correction unit that corrects a predicted value of the future demand amount using the correction value corresponding to the selected keyword.
(Additional remark 11) The said correction part corrects the predicted value of the said future demand amount with the value which correct | amended the said corrected value input in the past with the reliability of this corrected value, The additional note 10 characterized by the above-mentioned. The information processing apparatus described.
(Additional remark 12) The said output part is related with correction of the predicted value of the demand amount of a predetermined period, the keyword corresponding to the said correction value input in the past period corresponding to the said predetermined period, The information processing apparatus according to any one of supplementary notes 9 to 11, wherein the reliability is output in association with the reliability.

１０ サーバ（情報処理装置）
２０ 予測値算出部（予測部）
２２ 修正情報受付部
２４ キーワード抽出部
３０ 信頼度算出部
３２ 修正反映部（出力部、修正部）
９０ ＣＰＵ（コンピュータ） 10 servers (information processing equipment)
20 Predicted value calculation unit (prediction unit)
22 correction information reception unit 24 keyword extraction unit 30 reliability calculation unit 32 correction reflection unit (output unit, correction unit)
90 CPU (computer)

Claims (6)

過去の需要量の実績値を基に、将来の需要量を予測し、
予測した前記将来の需要量を修正する修正値の入力を受け付け、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定し、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出し、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、
処理をコンピュータに実行させる需要量予測プログラム。 Based on the actual values of past demand, forecast future demand,
Receiving an input of a correction value for correcting the predicted future demand amount;
In association with the correction value, information on the basis of correction and / or information accumulated accompanying the input of the correction value is set as a keyword,
Based on the future demand amount corrected based on the correction value and the actual value of the demand amount, the reliability of the correction value corresponding to the keyword is calculated,
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. Output,
A demand forecast program that causes a computer to execute processing. 前記出力する処理において出力した前記キーワードの選択を受け付け、
選択された前記キーワードに対応する前記修正値を利用して前記将来の需要量の予測値を修正する、処理を前記コンピュータに更に実行させる請求項１に記載の需要量予測プログラム。 Accept selection of the keyword output in the output processing;
The demand amount prediction program according to claim 1, further causing the computer to execute a process of correcting a predicted value of the future demand amount using the correction value corresponding to the selected keyword. 前記修正する処理において、過去に入力された前記修正値を該修正値の信頼度で補正した値で、前記将来の需要量の予測値を修正する、ことを特徴とする請求項２に記載の需要量予測プログラム。   The said correction process WHEREIN: The predicted value of the said future demand amount is corrected with the value which corrected the said correction value input in the past with the reliability of this correction value, The correction | amendment value of Claim 2 characterized by the above-mentioned. Demand forecast program. 前記出力する処理では、所定期間の需要量の予測値の修正に関連して、前記所定期間と対応する過去の期間において入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、ことを特徴とする請求項１〜３のいずれか一項に記載の需要量予測プログラム。   In the processing to be output, in relation to the correction of the predicted value of the demand amount in the predetermined period, the keyword corresponding to the correction value input in the past period corresponding to the predetermined period, the reliability of the correction value, The demand amount prediction program according to claim 1, wherein the demand amount is output in association with each other. 過去の需要量の実績値を基に、将来の需要量を予測し、
予測した前記将来の需要量を修正する修正値の入力を受け付け、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定し、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出し、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する、
処理をコンピュータが実行する需要量予測方法。 Based on the actual values of past demand, forecast future demand,
Receiving an input of a correction value for correcting the predicted future demand amount;
In association with the correction value, information on the basis of correction and / or information accumulated accompanying the input of the correction value is set as a keyword,
Based on the future demand amount corrected based on the correction value and the actual value of the demand amount, the reliability of the correction value corresponding to the keyword is calculated,
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. Output,
A demand forecast method in which processing is executed by a computer. 過去の需要量の実績値を基に、将来の需要量を予測する予測部と、
予測した前記将来の需要量を修正する修正値の入力を受け付ける修正情報受付部と、
前記修正値に対応付けて、修正根拠の情報及び／又は前記修正値の入力に付随して蓄積した情報をキーワードとして設定するキーワード抽出部と、
前記修正値に基づいて修正した前記将来の需要量と前記需要量の実績値とに基づいて、前記キーワードに対応する前記修正値の信頼度を算出する信頼度算出部と、
過去に入力された前記修正値を利用した将来の需要量の予測値の修正に関連して、過去に入力された前記修正値に対応するキーワードと、該修正値の信頼度とを対応付けて出力する出力部と、
を備える情報処理装置。 A forecasting unit that predicts future demand based on the actual values of past demand,
A correction information receiving unit for receiving an input of a correction value for correcting the predicted future demand amount;
A keyword extracting unit that sets information on the basis of correction and / or information accumulated accompanying the input of the correction value as a keyword in association with the correction value;
A reliability calculation unit that calculates the reliability of the correction value corresponding to the keyword based on the future demand amount corrected based on the correction value and the actual value of the demand amount;
In association with the correction of the predicted value of the future demand amount using the correction value input in the past, the keyword corresponding to the correction value input in the past is associated with the reliability of the correction value. An output section to output,
An information processing apparatus comprising:

Images