JP7105336B2 - スマートサプライチェーンシステム - Google Patents

Description

本発明は、スマートサプライチェーンシステムに関する。

近年、メーカー、供給業者、販売店間のサプライチェーンについて有効な管理を行うことが差し迫って必要とされている。具体的には、サプライチェーン管理において、まず商品について科学的に分類及び定位管理を行う必要があり、その後、異なる分類の商品について相応の販売及び在庫戦略をとる。次に、より正確な販売予測を必要とする。商品数量の駆動装置として、これを核とした需要計画により各プロセスの計画決定をサポートでき、予測精度を１％上げるごとに数倍の運営コストの削減をもたらすことが可能である。最後に、自動在庫補充モデルを特定の状況に応用して在庫構造の最適化を行い、在庫を持続的に健全なレベルに保つ必要がある。入庫の状況下においては、今回の在庫補充条件のすべてのＳＫＵ（在庫最小管理単位）を満たすように定位管理し、在庫補充任務に基づいてモデルを稼働させて在庫補充量を立案し、最終的に在庫補充戦略を作成して生産に反映させる。

しかし、従来技術においては、上記要件を満たすサプライチェーン管理案が出されておらず、上記要件を満たすことのできるスマートサプライチェーンの構成方法が差し迫って必要とされている。

従来技術における上記技術的問題に鑑み、本発明の代表的な実施例の目的は、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合えるスマートサプライチェーンシステム及びサーバシステムを提供することにある。

本発明の実施例は、複数種の商品のサプライチェーンについて管理を行うスマートサプライチェーンシステムを提供し、その特徴は、過去のデータに基づいて複数種の商品について分類を行う商品分類装置と、過去のデータ及び上記商品分類装置の複数種の商品に対する分類結果に基づいて各種商品ごとに販売予測を行う販売予測装置と、上記販売予測装置の予測結果に基づいて自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置とを含むことである。

これにより、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合うことが可能となる。

上記スマートサプライチェーンシステムにおいて、上記商品分類装置は、過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び直近の販売時間間隔を２つの次元として、複数種の商品について分類を行い、第一段階の分類結果を得ることができるとともに、過去のデータに基づいて各商品の商品特性分析指標を計算し、上記第一段階の分類結果に対して、さらに、算出された商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とすることも可能である。上記商品特性分析指標には、販売頻度、変動係数、変動幅、顧客集中度、販売ペース、及び発売間隔のうち、少なくとも１つが含まれる。

これにより、細分化した結果に基づいて、販売員によって需要予測結果の確認を必要とする商品を抽出でき、販売員の業務経験と効果的に結合することにより、需要予測の精度を高めることができる。

上記スマートサプライチェーンシステムは、上記販売予測装置が上記商品分類装置によって細分化した需要予測結果の確認を必要とする各種商品に対して、予測を要する少なくとも１つの予測期間に関し、点予測、区間予測、及び点予測と区間予測を結合させた混合型予測の中のいずれかの予測方式を利用し、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測することも可能である。

これにより、商品の分類結果、予測が必要な期間等の要素を加味して、最も適切な予測方式を利用することで、必要な予測期間に対応した、より正確な予測結果を得ることができる。

上記スマートサプライチェーンシステムにおいて、上記スマート在庫補充装置は、上記販売予測装置の予測結果及び上記商品分類装置が計算した商品特性分析指標に基づいて、点予測による在庫補充モデル、点予測と区間予測混合型による在庫補充モデル、及び区間予測による在庫補充モデルのうちのいずれか１つの在庫補充モデルを利用して、在庫補充計画を作成することも可能である。

これにより、異なる商品特性、異なる在庫補充周期等の要素に基づいて、最適な在庫補充モデルを利用して在庫補充計画を作成し、需要をさらに満たす在庫補充戦略を提供することが可能である。

上記スマートサプライチェーンシステムにおいて、上記販売予測装置は、長短期記憶ネットワークに基づいて点予測を行う点予測部、及び確率密度の区間予測を行う区間予測部を含むことも可能である。さらに上記スマートサプライチェーンシステムは、応用対象、予測期間、上記商品分類装置の分類結果の中の少なくとも１つに基づいて、上記販売予測装置において上記点予測部により販売予測を行うのか、上記区間予測部により販売予測を行うのか、上記点予測部と上記区間予測部の双方により販売予測を行うのかを選択するモデル選択部を含むことも可能である。

これにより、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、分類結果等に基づいて、最適な予測方式を選択して販売予測を行うことができる。

上記スマートサプライチェーンシステムにおいて、上記スマート在庫補充装置は、点予測に基づく在庫補充モデルを利用して定期不定量又は不定期不定量の在庫補充計画を作成する点予測在庫補充部と、点予測及び区間予測に基づく混合型在庫補充モデルを利用して定期定量の在庫補充計画を作成する混合型在庫補充部と、区間予測に基づく在庫補充モデルを利用して不定期不定量の在庫補充計画を作成する区間予測部とを含み、上記モデル選択部は、応用対象、予測期間、上記商品分類装置の分類結果、上記販売予測装置の予測結果のうちの少なくとも１つに基づいて、上記スマート在庫補充装置において上記点予測在庫補充部、上記混合型在庫補充部及び上記区間予測在庫補充部のうちのいずれか１つを選択して在庫補充計画を作成することも可能である。

これにより、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、分類結果、予測結果等に基づいて、最適な在庫補充モデルを選択して在庫補充計画を作成することができる。

上記スマートサプライチェーンシステムにおいて、上記応用対象が販売店である場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記点予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデルをつくり、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記点予測在庫補充部により在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して定期不定量又は不定期不定量の在庫補充計画を作成することも可能である。

これにより、スマートサプライチェーンシステムを効果的に販売店に応用することが可能となる。

上記スマートサプライチェーンシステムにおいて、上記応用対象が供給業者である場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記点予測部と上記区間予測部の双方により販売予測を行うことを選択し、複数の予測期間の中の少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデル、及び上記複数の予測期間の中のその他の少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに上記複数の予測期間のそれぞれに対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記混合型在庫補充部により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して定期定量の在庫補充計画を作成することも可能である。

これにより、スマートサプライチェーンシステムを効果的に供給業者に応用することが可能となる。

上記スマートサプライチェーンシステムにおいて、上記応用対象がメーカーである場合、上記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、上記モデル選択部は、上記販売予測装置において上記区間予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに上記少なくとも１つの予測期間に対応する販売量を予測し、さらに上記モデル選択部は、上記スマート在庫補充装置において上記区間予測在庫補充部により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して不定期不定量の在庫補充計画を作成することも可能である。

これにより、スマートサプライチェーンシステムを効果的にメーカーに応用することが可能となる。

また本発明の実施例は、複数種の商品のサプライチェーンについて管理を行い、プロセッサ、メモリ及びポートを含み、上記ポート及び顧客構内設備を通じてデータ通信を行うことが可能なサーバシステムを提供し、その特徴は、上記プロセッサが上記メモリ内に保存されているプログラムを実行することにより、過去のデータに基づいて複数種の商品について分類を行う商品分類処理と、過去のデータ及び上記商品分類処理による複数種の商品に対する分類結果に基づいて各種商品ごとに販売予測を行う販売予測処理と、上記販売予測処理の予測結果に基づいて自動在庫補充モデルを応用して、在庫補充戦略を作成するスマート在庫補充処理と、を実行し、上記在庫補充戦略は、上記ポートを通じて上記顧客構内設備に送信されるということである。

本発明のスマートサプライチェーンシステムの上記各具体例及びその効果も、上記サーバシステム、上記スマートサプライチェーンシステムが実行する方法、コンピュータに上記方法を実行させるプログラム、又は上記プログラムを保存した記録メディアを通じて実現可能である。

本発明の実施例１のスマートサプライチェーンシステムを応用可能な応用対象を示したイメージ図である。 本発明の実施例１のスマートサプライチェーンシステムを示した機能構造のブロック図である。 本発明の実施例１のスマートサプライチェーンシステムのハードウェア構造を示したブロック図の一例である。 本発明の実施例１のスマートサプライチェーンシステムのハードウェア構造を示した別の一例のブロック図である。 本発明の実施例１のスマートサプライチェーンシステムの実行の方法を示したフローチャートである。 本発明の実施例２のスマートサプライチェーンシステムを示した機能構造のブロック図である。 本発明の実施例２のモデル選択部が参照するモデル選択参照表の一例を示した表である。 本発明のスマートサプライチェーンシステムを販売店に応用した場合の応用事例（具体例１）を示したフローチャートである。 本発明のスマートサプライチェーンシステムを供給業者に応用した場合の応用事例（具体例２）を示したフローチャートである。 本発明のスマートサプライチェーンシステムをメーカーに応用した場合の応用事例（具体例３）を示したフローチャートである。

以下、付図、実施例及び具体例を交えて本発明についてさらに詳細な説明を行う。下記の説明は、本発明を理解しやすくするために例を挙げているのであって、本発明の範囲を限定するために用いるものではない。具体的な実施例において、装置及びシステムに備えられている部品は、実際の状況に応じて変更、削減又は追加でき、方法の手順も実際の状況に応じて変更、削減、追加又は順序変更できる。

まず、本実施例のスマートサプライチェーンシステム１００を応用可能な応用対象について説明する。図１は、本発明の実施例１のスマートサプライチェーンシステムを応用可能な応用対象を示したイメージ図である。スマートサプライチェーンシステム１００の応用対象には、販売店、供給業者、メーカーのうち少なくとも１つが含まれ、販売店、供給業者、メーカーの関係は図１に示したとおりであり、矢印は貨物（商品）の流れの方向を示す。ここでは、販売店１、販売店２、販売店３という３つの販売店、供給業者１、供給業者２という２つの供給業者、メーカー１、メーカー２、メーカー３という３つのメーカーを示しているが、販売店、供給業者、メーカーの数及び関係はこれに限定するものではなく、実際には、おそらく非常に多くの販売店、供給業者、メーカー及びさらに複雑な関係が存在する。

その中で、販売店は、各商品の販売量の状況を管理しなければならず、これにより販売及び在庫戦略を決定する。供給業者は、異なるメーカーから商品を受け取り、受け取った貨物（商品）を複数の販売店に供給する。従って、メーカーに対し商品を発注する必要があるとともに、川下の販売店への配送計画の手配をしなければならない。メーカーは、生産した商品を複数の異なる供給業者に供給し、これにより供給業者は販売店に商品を供給する。各種商品のライフサイクルは異なるため、商品の未来における需要を予測する必要があり、これにより未来の生産計画を導出する。

上記需要のうちの少なくとも1つに対して、本実施例は、スマートサプライチェーンシステム１００を提供する。図２は、本発明の実施例１のスマートサプライチェーンシステム１００を示した機能構造のブロック図である。図２に示すように、上記スマートサプライチェーンシステム１００は商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０を含み、例えば図１に示した複数種の商品のサプライチェーンに対して管理を行う。各装置は、プロセッサを通じてメモリ内に保存されたアプリケーションプログラムを機能モジュールとして実現することもでき、またそれぞれ独立したハードウェア構造を通じて実現することもできる。具体的な実現方法については、後文で２つの具体例を説明する。

図２に示すように、商品分類装置１０は、過去のデータに基づいて、複数種の商品について分類を行う。例えば、商品分類装置１０は、従来のＡＢＣ分類法をベースとして、商品の時間特性を追加で考慮する。例えば、直近の販売時間間隔を分析次元として追加し、過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び直近の販売時間間隔を２つの次元とし、Ｒ－ＡＢＣ分類法として複数種の商品について分類を行う。これにより、ＡＢＣ分類をさらに細分化することで、従来のＡＢＣ分類の中から、さらに価値のある商品を選別できる。

ここでは、過去のデータには出庫日、月／週数、目的地倉庫番号、商品番号、出庫数量等が含まれている。例えば、応用対象が販売店である場合、過去のデータには販売日、月／週数、商品番号、販売量等が含まれる。過去のデータには、需要に基づいて、その他のデータが含まれていても良い。また、供給業者／メーカーからすると、某顧客に対する「出庫」は「販売」に相当するため、本明細書においては、供給業者／メーカーにおける「出庫」及び販売店の「販売」を統一して「販売」という言葉で表現する。例えば、「販売日」は販売店における販売日を含むだけでなく、供給業者／メーカーにおける出庫日を含み、「販売量」は販売店における販売量を含むだけでなく、供給業者／メーカーにおける出庫量を含む。

さらに一歩進んで商品の販売特性を明確化するため、商品分類装置１０は過去のデータに基づいて、各商品の商品特性分析指標を計算することも可能である。商品特性分析指標は、例えば下記指標（需要確率、販売頻度、変動係数、変動幅、顧客集中度、販売ペース、発売間隔等）のうちの少なくとも１つを含む。これにより、上記改善したＲ－ＡＢＣ分類法の分類結果（第一段階の分類結果）に基づき、算出された各商品特性分析指標を使用して、多次元の細分化を行い、最終的な分類結果とする。その上で、細分化した結果に基づいて、販売員による需要予測結果の確認が必要な商品を抽出する。これにより、効果的に販売員の業務経験を盛り込むことで、需要予測の精度を高めることができる。

販売予測装置２０は、過去のデータ及び商品分類装置１０の複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う。例を挙げると、販売予測装置２０は、商品分類装置１０の分類結果に基づいて、例えば商品分類装置１０が抽出した需要予測結果の確認を必要とする商品について、各種商品ごとに規定期間（例えば１日、１週、１ヶ月、１年等）の販売量を予測する。

具体的に説明すると、販売予測装置２０は、例えば長短期記憶ネットワークに基づく点予測を使用して、予測期間（例えば１日、１週又は１年）に対応する長短期記憶ネットワーク点予測モデルをつくり、データ収集、データ処理、モデル構築、モデル評価、モデル展開を実施し、上記予測期間に対応する予測結果を出力することが可能である。又は、販売予測装置２０は、ディープラーニング（例えばＤｅｅｐＡＲ方法）に基づく確率密度の区間予測を使用して、予測期間（例えば１ヶ月）に対応する確率密度の区間予測モデルをつくり、データ収集、データ処理、モデル構築、予測結果の処理を実行し、上記予測期間に対応する予測結果を出力することも可能である。

さらに、販売予測装置２０は、上記点予測と区間予測を組み合わせた混合型予測を利用して、複数の予測期間における各予測期間にそれぞれ対応する複数の予測モデルをつくり、複数の予測期間にそれぞれ対応する予測結果を出力することも可能である。例えば、販売予測装置２０は、１日に対応する長短期記憶ネットワーク点予測モデル、１ヶ月に対応する確率密度の区間予測モデル、及び１年に対応する長短期記憶ネットワーク点予測モデルをつくり、１日、１ヶ月及び１年に対応する予測結果をそれぞれ出力する。商品の分類結果、予測が必要な期間等の要素を加味して、最も適切な予測方式を利用することで、必要な予測期間に対応した、より正確な予測結果を得ることができる。

スマート在庫補充装置３０は、販売予測装置２０の予測結果及び商品特性評価指標に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成する。例えば、スマート在庫補充装置３０は、異なる商品の特性に対して、異なる在庫補充戦略を立て、「定期不定量」、「定期定量」、「不定期不定量」の在庫補充計画を作成する。

具体的には、スマート在庫補充装置３０は、点予測による在庫補充モデルを利用して、「定期不定量」又は「不定期不定量」の在庫補充計画を作成する。又は、スマート在庫補充装置３０は、点予測と区間予測による混合型在庫補充モデルを利用して、「定期定量」の在庫補充計画を作成する。又は、スマート在庫補充装置３０は、区間予測による在庫補充モデルを利用して、「不定期不定量」の在庫補充計画を作成する。このように、異なる商品特性、異なる在庫補充周期等の要素に基づいて、最適な在庫補充モデルを利用して在庫補充計画を作成し、需要をより満足させる在庫補充戦略を提供することが可能である。

その中で、図２では、スマートサプライチェーンシステム１００と外部のデータベース２００を接続し、外部のデータベース２００から過去のデータを取得する例を示している。しかし、本実施例はこれに限定されるものではなく、データベース２００は、スマートサプライチェーンシステム１００の内蔵記憶設備によって保存することも可能である。また、スマートサプライチェーンシステム１００と外部のデータベース２００との間の接続方式は、各種有線接続又は無線接続でも良く、ここでは限定しない。

本実施例のスマートサプライチェーンシステム１００によって、サプライチェーン管理はサプライチェーンだけではなく、ビッグデータ及び情報システムを拠り所とし、商品分類、販売予測及びスマート在庫補充という三大重要分野を効果的に融合させ、内外部のデータ要素を集めて一体化し、各システムを情報主導のもとで連携して動作させ、最大限にサービスのキャパシティを凝集し、秩序立ててサービス能力を解放する。これにより、サービスを精確にし、サプライチェーンに透明性・柔軟性・敏捷性を持たせ、各役割間でよりいっそう連携し合うことが可能となる。

以下、本実施例のスマートサプライチェーンシステム１００のハードウェア構造の２つの具体例について説明する。図３は、本発明の実施例１のスマートサプライチェーンシステム１００のハードウェア構造を示したブロック図の一例である。図３に示すように、スマートサプライチェーンシステム１００は、プロセッサ１１０、メモリ１２０、ポート１３０、入力装置１４０及びディスプレイ部１５０を含むコンピュータシステムにより、図２に示した各機能モジュールを実現する。その中で、プロセッサ１１０、メモリ１２０、ポート１３０、入力装置１４０及びディスプレイ部１５０の相互間は、バス１６０によって接続されている。

具体的に説明すると、プロセッサ１１０は、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０内に保存されているアプリケーションプログラムを実行することにより、スマートサプライチェーンシステム１００の各装置の機能を実現する。ポート１３０は、例えば通信ポートであり、データベース２００とデータ通信を行うことができる。入力装置１４０は、例えば、キーボード、マウス、マイク等の入力装置であり、ユーザーのコマンド入力に供する。ディスプレイ部１５０は、例えば液晶ディスプレイであり、スマートサプライチェーンシステム１００の処理過程及び結果に関する画面を表示できる。

本例のハードウェア構造に基づいたスマートサプライチェーンシステム１００は、例えば応用対象としての販売店、供給業者、メーカー側に設置可能であり、ユーザーとしての販売店、供給業者、メーカーが使用可能である。

図４は、本発明の実施例１のスマートサプライチェーンシステム１００のハードウェア構造を示した別の一例のブロック図である。図４に示すように、スマートサプライチェーンシステム１００は、相互にデータ通信可能なサーバシステム１００Ａ及び顧客構内設備１００Ｂを含む。サーバシステム１００Ａは、バス１６０Ａによって相互接続されるプロセッサ１１０Ａ、メモリ１２０Ａ及びポート１３０Ａを含み、顧客構内設備１００Ｂは、バス１６０Ｂによって相互接続されるプロセッサ１１０Ｂ、メモリ１２０Ｂ、ポート１３０Ｂ、入力装置１４０及びディスプレイ部１５０を含む。

具体的に説明すると、サーバシステム１００Ａのプロセッサ１１０Ａは、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０Ａ内に保存されているアプリケーションプログラムを実行することにより、スマートサプライチェーンシステム１００の各装置の機能を実現する。また、サーバシステム１００Ａのポート１３０Ａは、例えば通信ポートであり、顧客構内設備１００Ｂのポート１３０Ｂ及び／又はデータベース２００とデータ通信を行うことができる。

顧客構内設備１００Ｂのプロセッサ１１０Ｂは、例えばＣＰＵ、マイクロプロセッサ等であり、メモリ１２０Ｂ内に保存されているアプリケーションプログラムを実行することにより、ユーザーインターフェースの機能を実現する。入力装置１４０は、例えば、キーボード、マウス、マイク等の入力装置であり、ユーザーのコマンド入力に供する。ディスプレイ部１５０は、例えば液晶ディスプレイであり、スマートサプライチェーンシステム１００の処理過程及び結果に関する画面を表示できる。

本例のハードウェア構造に基づいたスマートサプライチェーンシステム１００のうち、サーバシステム１００Ａは、サービス提供業者側に設置可能であり、顧客構内設備１００Ｂは、応用対象としての販売店、供給業者、メーカー側に設置可能である。これにより、サービス提供業者は、ユーザーとしての販売店、供給業者、メーカーに対し、スマートサプライチェーンシステム１００の上記機能を提供する。

以下、本実施例のスマートサプライチェーンシステム１００の実行の方法について説明する。図５は、本発明の実施例１のスマートサプライチェーンシステム１００の実行の方法を示したフローチャートである。ここでは、本実施例のスマートサプライチェーンシステム１００の実行の方法の一例について具体的に説明するが、本実施例のスマートサプライチェーンシステム１００の実行の方法は下記の例に限定されない。

図５に示すように、手順Ｓ１において、異なる分類の商品について相応の販売及び在庫戦略をとりやすくするために、商品分類装置１０により商品について分類を行う。具体的には、上記Ｒ－ＡＢＣ分類法をベースとし、各商品特性分析指標を踏まえて、商品を細分化し、そこから販売員による需要予測結果の確認が必要な商品を選別する。

手順Ｓ２において、需要計画を立てやすくするために、販売予測装置２０により販売予測を行う。上記のとおり、販売予測装置２０は、手順Ｓ１の分類結果に基づいて、需要予測結果の確認が必要な商品について、例えば長短期記憶ネットワークに基づく点予測を利用し、又はＤｅｅｐＡＲアルゴリズムに基づく確率密度の区間予測を利用する。

手順Ｓ３において、在庫補充戦略を立てやすくするために、スマート在庫補充装置３０が自動在庫補充モデルを特定の状況に応用する。上記のとおり、スマート在庫補充装置３０は、手順Ｓ２の予測方式及び予測結果に対応して、点予測による在庫補充モデル、点予測と区間予測による混合型の在庫補充モデル、又は区間予測による在庫補充モデルを利用する。

以下、本発明の実施例２について、具体的に説明する。図６は、本発明の実施例２のスマートサプライチェーンシステム１００’を示した機能構造のブロック図である。図６に示すように、本実施例のスマートサプライチェーンシステム１００’は、実施例１のスマートサプライチェーンシステム１００をベースとして、販売予測装置２０及びスマート在庫補充装置３０の機能に変更を加え、モデル選択部４０を別途追加したものである。以下、具体的に説明する。

図６に示すように、販売予測装置２０は、点予測部２１及び区間予測部２２を含む。点予測部２１は、長短期記憶ネットワークに基づいて点予測を行い、区間予測部２２は確率密度の区間予測を行う。また、スマート在庫補充装置３０は、点予測在庫補充部３１、混合型在庫補充部３２及び区間予測在庫補充部３３を含む。点予測在庫補充部３１は、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する。混合型在庫補充部３２は、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する。区間予測在庫補充部３３は、区間予測の在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する。

さらに、スマートサプライチェーンシステム１００’は、モデル選択部４０を含む。上記モデル選択部４０は、商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０と独立したハードウェアを通じても実現可能であり、また商品分類装置１０、販売予測装置２０及びスマート在庫補充装置３０のうちのいずれか１つと同じハードウェアを通じても実現可能である。さらに、本実施例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。

モデル選択部４０は、応用対象（例えば販売店、供給業者、メーカー等）、予測期間（例えば１日、１週、１ヶ月、１年等）、商品分類装置１０の分類結果の中の少なくとも１つに基づいて、販売予測装置２０において点予測部２１により販売予測を行うか、区間予測部２２により販売予測を行うか、点予測部２１と区間予測部２２の双方により販売予測を行うかを選択する。例えば、応用対象が販売店か、供給業者か、メーカーかに基づき、予測が必要な期間を確定でき、さらに点予測部２１により長短期記憶ネットワークに基づいて点予測を行うのか、又は区間予測部２２により確率密度の区間予測を行うのかを選択可能であり、従って応用対象、予測期間、分類結果等に基づいて、最適な予測方式を選択して販売予測を行うことが可能である。

さらに進んで、モデル選択部４０は、応用対象、予測期間、商品分類装置１０の分類結果、販売予測装置２０の予測結果のうちの少なくとも１つに基づいて、スマート在庫補充装置３０において、点予測在庫補充部３１、混合型在庫補充部３２及び区間予測在庫補充部３３のうちのいずれか１つを選択して在庫補充計画を作成する。例えば、応用対象が販売店か、供給業者か、メーカーか、及び販売予測装置２０において選択された予測モデルと予測結果に基づいて、最適な在庫補充モデルを選択して在庫補充計画を作成する。

その中で、モデル選択部４０は、例えば予め保存しておいたモデル選択参照表に基づいて、上記選択を行うことができる。モデル選択部４０の選択方式は、これに限定されず、外部から選択結果を直接入力したり、又はモデル選択参照表に基づいて選択した結果に、さらに外部入力を通じて修正を行ったり、又は以前の選択結果について機械学習を適用することで選択案を作成したりすることも可能である。図７は、本発明の実施例２のモデル選択部４０が参照するモデル選択参照表の一例を示した表である。以下、具体的に説明する。

図７に示すように、スマートサプライチェーンシステム１００’の応用対象が販売店である場合において、販売店は、各商品の販売量の状況を管理しなければならず、これにより販売及び在庫戦略を決定する。このため、在庫補充計画の要求を加味して、商品分類装置１０により細分化した需要予測結果の確認が必要な各種商品に関し、各商品の需要状況について同時に日次予測、週次予測を行う。モデル選択部４０は、販売予測装置２０において、点予測部２１により日次予測及び週次予測を行うことを選択し、対応する長短期記憶ネットワークの点予測モデルを作成し、各種商品ごとに１日及び１週に対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、点予測在庫補充部３１により在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する。これにより、販売店を応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的に販売店に応用できる。

また図７に示すように、応用対象が供給業者である場合において、供給業者は、異なるメーカーから商品を受け取り、受け取った貨物（商品）を複数の店舗に供給する。従って、メーカーに対し商品を発注する必要があるとともに、川下の販売店への配送計画を手配しなければならない。供給業者は、メーカーと販売店の両方と繋がっており、商品の長期的需要と短期的需要を把握しなければならないため、在庫補充計画の要求を加味して、商品分類装置１０により細分化した需要予測結果の確認が必要な各種商品に関し、各商品の需要状況について同時に日次予測、月次区間予測、年次予測を行う。モデル選択部４０は、販売予測装置２０において、点予測部２１と区間予測部２２の双方により販売予測を実行することを選択し、点予測部２１は、１日及び１年に対応する長短期記憶ネットワークの点予測モデルをつくり、区間予測部２２は、１ヶ月に対応する確率密度の区間予測モデルをつくり、各種商品ごとに１日、１ヶ月、１年にそれぞれ対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、混合型在庫補充部３２により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する。これにより、供給業者を応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的に供給業者に応用できる。

また、図７に示すように、応用対象がメーカーである場合において、メーカーは複数種の商品を生産し、複数の異なる供給業者に供給し、供給業者が販売店に商品を供給する。各種商品のライフサイクルは異なるため、商品の未来における需要を今予測する必要があり、これにより未来の生産計画を導出する。各ロット生産で得られる商品の数量が大きいため、長い周期で商品供給を行うことが可能であり、従って上記商品分類装置が細分化した需要予測結果の確認が必要な各種商品について、商品の月需要量予測を行う。モデル選択部４０は、販売予測装置２０において、区間予測部２２により販売予測を実行することを選択し、１ヶ月に対応する確率密度の区間予測モデルをつくり、各種商品ごとに１ヶ月に対応する販売量を予測する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、区間予測在庫補充部３３により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する。これにより、メーカーを応用対象とした特性を加味し、適切な予測期間と予測モデルを確定するとともに、適切な在庫補充モデルを利用することで、スマートサプライチェーンシステム１００’を効果的にメーカーに応用できる。

また上記予測期間は一例に過ぎず、状況に応じてその他の予測期間を採用可能である。又は、ユーザーが予測期間を指定することも可能である。即ち、モデル選択部４０は入力する応用対象及び予測期間に基づいて、適切な予測モデル及び在庫補充モデルを選択することも可能である。

（具体例１）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。

本事例は、販売店で応用されるモデルの説明に用いられる。図８は、本発明のスマートサプライチェーンシステム１００’を販売店に応用した場合の応用事例（具体例１）を示したフローチャートである。

図８に示すように、手順Ｓ１０１において、商品分類装置１０は、Ｒ－ＡＢＣ分類法を利用し商品について分類を行う。

具体的には、仮に某販売店の過去３ヶ月における各商品の販売量の合計を大きいものから順に並べ、各商品の販売量が全体の販売量に占める百分率を計算し、その後、累積百分率を計算する。ＡＢＣ分類法の定義に基づき、累積比率が０％～８０％のものをＡ類、累積比率が８０％～９０％のものをＢ類、累積比率が９０％～１００％のものをＣ類とする。ここにおける比率は、実際の状況に応じて調整可能である。

しかし、従来のＡＢＣ分析法は商品の時間特性を考慮しておらず、例えば某商品は販売量合計が１００であるが、この１００に直近の販売記録が含まれているのか、又は２ヶ月以上前の販売記録なのかによって、商品の重要度が異なってくる。「直近販売間隔」という次元を追加することで、この問題をうまく解決できる。ＡＢＣ分類をベースとして、各商品の「直近販売間隔」に基づいて、商品を時間次元により３等級に分類する。その中で、商品を時間次元によって分類する等級数は、これに限定されず、実際の状況に基づいて事情を考慮して設定することが可能である。例えば、Ｒ－ＡＢＣ分類法に基づく分類結果は、表１の最後の１列に示すとおりである。

さらに、販売店の販売記録が表２のとおりであると仮定し、各商品特性分析指標の値を下記のとおり計算する。

需要確率とは、単位期間内において、どれぐらいの確率で販売実績が発生するかを計算したものである。販売頻度とは、指定期間内において、週を単位とした販売実績の統計であり、実績のある週数を頻度として統計をとったものである。変動係数とは、需要のばらつきの大きさを判断するために使用するものである。変動幅とは、指定期間内の総需要量のばらつき状況を確認するためのものである。顧客集中度とは、指定期間内における販売量が少数の顧客に集中しているか否かを確認するためのものである。販売ペースとは、商品を単位として、毎回販売記録をとり、次の販売記録までの時間間隔について統計をとったものである。発売間隔とは、商品を単位として、商品の最も早い販売日から現在の分析時間点までの時間間隔について統計をとったもので、間隔が長いほど発売期間が長く、間隔が短いほど、発売期間が短いことを意味する。

商品０９の特徴として以下のことがわかる。商品０９は、総販売量が大きく、最近の販売記録があり、現在の主力販売製品であり、販売頻度が高く、需要変動係数は小さいが、月を単位とした全体の変動幅が大きい。顧客集中度が高く、Ｃ０００２が主要顧客であり、平均販売ペースは７日、発売間隔は６７日である。予め設定した規則表に基づいて、商品０９は主要販売商品グループであり、販売頻度が高く、相対的に充足したデータサンプルを有するため、データ分析及び機械学習の方式によって未来の需要量を予測可能であると判断できる。

次に、手順Ｓ１０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例において販売店に応用する場合に関して、各種商品の需要状況を選択すると同時に、日次予測、週次予測を行い、また販売予測装置２０において点予測部２１により販売予測を行うことを選択し、ここで長短期記憶ネットワークに基づき、２つの販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、点予測在庫補充部３１により定期不定量の在庫補充モデル及び不定期不定量の在庫補充モデルを構築することを選択する。

次に、手順Ｓ１０３において、販売予測装置２０が各販売店の過去の販売データを取り込む。その属性は表３のとおりである。

次に、データ処理を行い、ｋｅｒａｓを利用して日次予測と週次予測の長短期記憶ネットワークモデルをつくり、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表４のとおりである。

次に、手順Ｓ１０４において、スマート在庫補充装置３０により最大在庫量を計算する。点予測による定期不定量在庫補充モデルを応用し、手順Ｓ１０３の予測結果に基づいて、定期在庫補充モデルにおける最小在庫量を計算し、当期在庫が最小在庫量を下回る場合、在庫補充計画を作成し、計算した最大在庫量まで在庫補充する。さらに、点予測による不定期不定量在庫補充モデルを応用し、手順Ｓ１０３の予測結果に基づいて、不定期在庫補充モデルにおける最小在庫量を計算し、当日在庫が最小在庫量を下回る場合、在庫補充計画を作成し、計算した最大在庫量まで在庫補充する。

本例においては、企業が期待する在庫周期を２週間と仮定し、需要確率と販売頻度を使用し、表５に示した規則に基づいて、異なる商品の在庫回転期間と安全係数を決定し、最大在庫量とする。安全係数は、実際の状況に応じて調整可能である。

各商品の在庫回転期間＝各商品の需要確率＊２（小数点以下切り上げ）

例における期間は２ヶ月（９週）であり、販売頻度は以下の規則に従い、高い、やや高い、普通、やや低い、低い、の５等級に分ける。

例における商品０９は高頻度商品であり、在庫回転期間は２週と定義され、安全係数は３．１である。従って、商品０９の最大在庫は、公式に従って計算すると下記のとおりである。
最大在庫量＝未来在庫回転期間内の需要予測数＋安全在庫数（ＳＳ）
＝未来２週の需要予測＋（３．１＊過去２週の１日あたりの需要実績の標準偏差＊√１４）
＝（４０＋４７）＋（３．１＊２．０５＊３．７４）＝１１１

次に、定期不定量在庫補充モデルを利用し、毎週、時間点を固定し、現在の在庫状況を定期的に検査する。標準在庫補充リードタイムを３日と仮定して、以下の公式を使用し定期在庫補充モデルにおける最小在庫量を計算する。
最小在庫回転期間（週）＝標準在庫補充リードタイム／７日（小数点以下切り上げ）＝３／７＝１（週）
最小在庫量＝未来最小在庫回転期間内の需要予測数＋安全在庫数（ＳＳ）＝未来１週の需要予測＋（３．１＊過去１週の１日あたりの需要実績の標準偏差＊√７）＝４０＋０＝４０

当期在庫が４０を下回る場合、仮に現在の在庫量が３０だとすると、在庫補充計画を作成し、在庫補充量は１１１－３０＝８１となる。

次に、不定期不定量在庫補充モデルを利用し、現在の在庫状況を毎日リアルタイムで検査する。標準在庫補充リードタイムを３日と仮定して、以下の公式を使用し不定期在庫補充モデルにおける最小在庫量を計算する。
最小在庫量＝未来標準在庫補充リードタイム内の需要予測数＋安全在庫数（ＳＳ）＝未来３日の需要予測＋（３．１＊過去３日の需要実績の標準偏差＊√３）＝（５＋１０＋６）＋０＝２１

当日の在庫が２１を下回る場合、仮に現在の在庫量が１８だとすると、在庫補充計画を作成し、在庫補充量は１１１－１８＝９３となる。

（具体例２）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。

本事例は、供給業者で応用されるモデルの説明に用いられる。図９は、本発明のスマートサプライチェーンシステム１００’を供給業者に応用した場合の応用事例（具体例２）を示したフローチャートである。

図９に示すように、手順Ｓ２０１において、商品分類装置１０は、Ｒ－ＡＢＣ分類法を利用し商品について分類を行う。本手順は、具体例１（図８の手順Ｓ１０１）と同じであってよいため、ここでは具体的な説明を省略する。

次に、手順Ｓ２０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例において供給業者に応用する場合に関して、各種商品の需要状況を選択すると同時に、日次予測、月次予測、年次予測を行い、また販売予測装置２０において点予測部２１と区間予測部２２により共同で販売予測を行うことを選択し、ここで長短期記憶ネットワークに基づき、日次予測と年次予測の２つの販売量予測モデルを構築し、確率密度の区間予測モデルに基づき、月次予測の販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、混合型在庫補充部３２により定期定量の在庫補充モデルを構築することを選択する。

次に、手順Ｓ２０３において、販売予測装置２０は、各供給業者の異なる販売店への過去の商品供給データを取り込む。その属性は表６のとおりである。

次に、データ処理を行い、ｋｅｒａｓを利用して日次予測と年次予測の長短期記憶ネットワークモデルをつくり、ＤｅｅｐＡＲモデルを利用して月次予測の確率密度の区間予測モデルを構築し、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表７及び表８に示すとおりである。

次に、手順Ｓ２０４において、スマート在庫補充装置３０により手順Ｓ２０３の予測結果に基づいて在庫補充計画を作成する。供給業者については、通常、顧客の商品発注の需要を出来る限り満たさなければならないが、最終的な市場に直接接しておらず、市場のフィードバックの遅延状況の存在が発生する可能性があるため、商品準備において、ある程度のリスク対応能力が必要とされるとともに、コストを抑えて経営を最適化しなければならない。

例えば、上記供給業者が在庫補充をする場合、年次予測、月次予測及び日次予測データを利用し、サービス水準係数を９５％、現在の在庫量を４５点、発注リードタイムを５日、毎回の発注コストを５０元／回、商品１点あたりの保有コストを３０元／点と定義する。毎日の商品準備量及び周期内の需要量は、ともに予測中央値Ｍを選択する。

（１）ＥＯＱ即ち経済的在庫補充量モデルに基づいて、最適な経済的在庫補充周期を計算する。上記商品０９を例にとる。

Ｃｅは周期内の毎回の発注コスト、Ｃｔは周期内の商品１点あたりの保管コスト、Ｄは周期内の需要量（予測中央値Ｍ）である。
最適な経済的在庫補充周期＝３６５／（年需要予測／最適な経済的在庫補充量）＝３６５／（３９８５／６９）＝６

（２）安全在庫の決定
上記商品０９の安全在庫＝（月需要標準偏差／３０＊６）＊サービス水準係数＝（２３／３０＊６）＊１．６８＝８

（３）再在庫補充点の決定
上記商品０９の再在庫補充点 ＝ 在庫補充リードタイム内の販売予測量＋安全在庫＝３３＋８＝４１

（４）在庫補充量の決定
上記商品０９の２０２０年３月１日における在庫補充量＝２＊在庫補充リードタイム内の需要予測量＋在庫補充周期内の需要予測量＋安全在庫－現在の在庫＝２＊３３＋（３２５／３０＊６）＋８－４５＝９４

予測結果のデータを例として、その在庫補充計画は表９のとおりである。

上記商品０９は、２０２０年３月１日～２０２０年４月１日の周期内において、６日おきに定期的に在庫補充を行い、在庫補充日までに在庫が４１を下回った場合、直ちに在庫補充を開始し、２０２０年３月１日の初回在庫補充が９４点という意味である。

（具体例３）
以下、本発明の具体例について説明する。ここでは、実施例２をベースに本具体例を実施した場合について説明するが、販売予測及びスマート在庫補充において使用するモデルを事前に決定している場合、本具体例は実施例１にも適用可能である。また本具体例は、図３に示したハードウェア構造にも適用可能であり、図４に示したハードウェア構造にも適用可能である。

本事例は、メーカーで応用されるモデルの説明に用いられる。図１０は、本発明のスマートサプライチェーンシステム１００’をメーカーに応用した場合の応用事例（具体例３）を示したフローチャートである。

図１０に示すように、手順Ｓ３０１において、商品分類装置１０がＲ－ＡＢＣ分類法を利用し商品について分類を行う。本手順は、具体例１（図８の手順Ｓ１０１）と同じであってよいため、ここでは具体的な説明を省略する。

次に、手順Ｓ３０２において、モデル選択部４０が販売予測及びスマート在庫補充で使用するモデルを選択する。具体的に説明すると、モデル選択部４０は、例えば図７に示すモデル選択参照表に基づき、本具体例においてメーカーに応用する場合に関して、各種商品の需要状況を選択すると同時に、月次予測を行い、また販売予測装置２０において区間予測部２２により販売予測を行うことを選択し、確率密度の区間予測モデルに基づき、月次予測の販売量予測モデルを構築する。さらに、モデル選択部４０は、スマート在庫補充装置３０において、区間予測在庫補充部３３により不定期不定量の在庫補充モデルを構築することを選択する。

次に、手順Ｓ３０３において、販売予測装置２０がメーカーの各商品の過去の販売データを取り込む。その属性は表１０のとおりである。

次に、データ処理を行い、ＤｅｅｐＡＲモデルを利用して月次予測の確率密度の区間予測モデルを構築し、また予測主体の違いによって予測結果について相応の後処理を行い、ウェブページ、レポート等、適切な形式で出力する。本例においては、データベースで予測結果表を作成する。構造及び例は、表１１に示すとおりである。上記表は、後続の在庫補充戦略のために根拠となるデータを提供するのに用いられる。

次に、手順Ｓ３０４において、スマート在庫補充装置３０が手順Ｓ３０３の予測結果に基づいて在庫補充計画を作成する。上記メーカーが川下の供給業者に対して商品を供給する必要がある場合、月次予測データを利用し、例えば、サービス水準係数を９５％、発注リードタイムを５日、毎回の発注コストを５０元／回、商品１点あたりの保有コストを１０元／点と定義する。毎日の商品準備量及び周期内の需要量は、ともに予測中央値Ｍを選択する。

まず最適な在庫補充点を決定する。商品０２を例にとる。
商品０２の安全在庫＝各ＳＫＵの需要標準偏差＊サービス水準係数＝３０２１＊１．６８＝５０７５
商品０２の発注リードタイム内の商品準備量＝発注リードタイム日数＊毎日の商品準備量（予測中央値Ｍ）＝５＊（１００２５／２２）＝２２７８（注：■月２２営業日）
商品０２の動的在庫補充点＝安全在庫＋発注リードタイム内の商品準備量＝７３５３

次に、ＥＯＱモデルに基づいて、最適な経済的在庫補充量を決定する。商品０２を例にとる。

Ｃｅは周期内の毎回の発注コスト、Ｃｔは周期内の商品１点あたりの保管コスト、Ｄは周期内の需要量（予測中央値Ｍ）である。

予測結果のデータを例として、その在庫補充計画は表１２のとおりである。

商品０２は、２０２０年３月１日～２０２０年４月１日の周期内において、在庫が７３５３を下回った場合、直ちに在庫補充を開始し、毎回６３点補充するという意味である。上記商品０４は、２０２０年３月１日～２０２０年４月１日の周期内において、在庫が９５９３を下回った場合、直ちに在庫補充を開始し、毎回１２６点補充するという意味である。

以上、付図を参照しながら本発明の具体的な実施例及び具体例について説明した。上記説明の具体的な実施例及び具体例は本発明の具体的な例を示したに過ぎず、本発明の理解のために用いられ、本発明の範囲の限定のために用いるものではない。当業者は、本発明の技術的思想に基づいて、具体的な実施例及び具体例に対して各種の変形、組み合わせ及び要素の合理的な省略を行うことが可能であり、これにより得られた方式も本発明の範囲内に含まれる。例えば、上記各実施例及び具体例はすべて相互に組み合わせることができ、その組み合わせによってできた実施例も本発明の範囲内に含まれる。

Claims (10)

1. 複数種の商品のサプライチェーンについて管理を行うスマートサプライチェーンシステムであって、
   過去のデータに基づいて、複数種の商品について分類を行う商品分類装置と、
   前記過去のデータ及び前記商品分類装置の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測装置と、
   前記販売予測装置の予測結果に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置と、
   を含み、
   前記商品分類装置は、前記過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び現在の分析時間点から直近の予め設定された期間の販売時間間隔を２つの次元として、前記複数種の商品について分類を行い、第一段階の分類結果を取得し、前記過去のデータに基づいて各商品の商品特性分析指標を計算し、前記第一段階の分類結果に対して、算出された前記商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とし、
   前記商品特性分析指標は、販売頻度、需要の変動係数、指定期間内の総需要の変動幅、顧客集中度、販売ペース、及び発売間隔のうち少なくとも１つを含む、スマートサプライチェーンシステム。
2. 請求項１に記載のスマートサプライチェーンシステムであって、
   前記販売予測装置は、前記商品分類装置によって細分化した需要予測結果の確認を必要とする各種商品に対して、予測を要する少なくとも１つの予測期間に関し、点予測、区間予測、及び点予測と区間予測を結合させた混合型予測の中のいずれかの予測方式を利用し、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測する、スマートサプライチェーンシステム。
3. 請求項２に記載のスマートサプライチェーンシステムであって、
   前記スマート在庫補充装置は、前記販売予測装置の予測結果及び前記商品分類装置が計算した商品特性分析指標に基づいて、点予測による在庫補充モデル、点予測と区間予測による混合型在庫補充モデル、及び区間予測による在庫補充モデルのうちのいずれか１つの在庫補充モデルを利用して、在庫補充計画を作成する、スマートサプライチェーンシステム。
4. 複数種の商品のサプライチェーンについて管理を行うスマートサプライチェーンシステムであって、
   過去のデータに基づいて、複数種の商品について分類を行う商品分類装置と、
   前記過去のデータ及び前記商品分類装置の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測装置と、
   前記販売予測装置の予測結果に基づいて、自動在庫補充モデルを応用し、在庫補充戦略を作成するスマート在庫補充装置と、
   を含み、
   前記販売予測装置は、
   長短期記憶ネットワークに基づいて点予測を行う点予測部と、
   販売量の確率密度の区間予測を行う区間予測部と、
   を含み、
   さらに、前記スマートサプライチェーンシステムは、応用対象、予測期間、前記商品分類装置の分類結果の中の少なくとも１つに基づいて、前記販売予測装置において、前記点予測部により販売予測を行うのか、前記区間予測部により販売予測を行うのか、前記点予測部と前記区間予測部の双方により販売予測を行うのか、を選択するモデル選択部を含む、スマートサプライチェーンシステム。
5. 請求項４に記載のスマートサプライチェーンシステムであって、
   前記スマート在庫補充装置は、
   点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する点予測在庫補充部と、
   点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を
   作成する混合型在庫補充部と、
   区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する区間予測在庫補充部と、
   を含み、
   前記モデル選択部は、前記応用対象、前記予測期間、前記商品分類装置の分類結果、前記販売予測装置の予測結果のうちの少なくとも１つに基づいて、前記スマート在庫補充装置において、前記点予測在庫補充部、前記混合型在庫補充部及び前記区間予測在庫補充部のうちのいずれか１つを選択して在庫補充計画を作成する、スマートサプライチェーンシステム。
6. 請求項５に記載のスマートサプライチェーンシステムであって、
   前記応用対象が販売店である場合、
   前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記点予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデルをつくり、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測し、
   さらに前記モデル選択部は、前記スマート在庫補充装置において前記点予測在庫補充部が在庫補充計画を作成することを選択し、点予測による在庫補充モデルを利用して、定期不定量又は不定期不定量の在庫補充計画を作成する、スマートサプライチェーンシステム。
7. 請求項５に記載のスマートサプライチェーンシステムであって、
   前記応用対象が供給業者である場合、
   前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記点予測部と前記区間予測部の双方により販売予測を行うことを選択し、複数の予測期間の中の少なくとも１つの予測期間に対応する長短期記憶ネットワークの点予測モデル、及び前記複数の予測期間の中のその他の少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに前記複数の予測期間のそれぞれに対応する販売量を予測し、
   さらに、前記モデル選択部は、前記スマート在庫補充装置において、前記混合型在庫補充部により在庫補充計画を作成することを選択し、点予測と区間予測による混合型在庫補充モデルを利用して、定期定量の在庫補充計画を作成する、スマートサプライチェーンシステム。
8. 請求項５に記載のスマートサプライチェーンシステムであって、
   前記応用対象がメーカーである場合、
   前記商品分類装置により細分化した需要予測結果の確認を必要とする各種商品に対し、前記モデル選択部は、前記販売予測装置において前記区間予測部により販売予測を行うことを選択し、少なくとも１つの予測期間に対応する確率密度の区間予測モデルをつくり、各種商品ごとに前記少なくとも１つの予測期間に対応する販売量を予測し、
   さらに、前記モデル選択部は、前記スマート在庫補充装置において、前記区間予測在庫補充部により在庫補充計画を作成することを選択し、区間予測による在庫補充モデルを利用して、不定期不定量の在庫補充計画を作成する、スマートサプライチェーンシステム。
9. 複数種の商品のサプライチェーンについて管理を行うサーバシステムであって、
   プロセッサと、
   メモリと、
   顧客構内設備とデータ通信を行うポートと、を含み、
   前記プロセッサが前記メモリに保存しているプログラムを実行することにより、
   過去のデータに基づいて、複数種の商品について分類を行う商品分類処理と、
   前記過去のデータ及び前記商品分類処理の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測処理と、
   前記販売予測処理の予測結果に基づいて、自動在庫補充モデルを応用して在庫補充戦略を作成するスマート在庫補充処理と、
   を実行し、
   前記在庫補充戦略を、前記ポートを通じて前記顧客構内設備に送信し、
   前記商品分類処理は、前記過去のデータとしての販売量データに基づいたＡＢＣ分類結果及び現在の分析時間点から直近の予め設定された期間の販売時間間隔を２つの次元として、前記複数種の商品について分類を行い、第一段階の分類結果を取得し、前記過去のデータに基づいて各商品の商品特性分析指標を計算し、前記第一段階の分類結果に対して、算出された前記商品特性分析指標を使用して多次元に細分化を行って最終的な分類結果とし、
   前記商品特性分析指標は、販売頻度、需要の変動係数、指定期間内の総需要の変動幅、顧客集中度、販売ペース、及び発売間隔のうち少なくとも１つを含む、サーバシステム。
10. 複数種の商品のサプライチェーンについて管理を行うサーバシステムであって、
    プロセッサと、
    メモリと、
    顧客構内設備とデータ通信を行うポートと、を含み、
    前記プロセッサが前記メモリに保存しているプログラムを実行することにより、
    過去のデータに基づいて、複数種の商品について分類を行う商品分類処理と、
    前記過去のデータ及び前記商品分類処理の前記複数種の商品に対する分類結果に基づいて、各種商品ごとに販売予測を行う販売予測処理と、
    前記販売予測処理の予測結果に基づいて、自動在庫補充モデルを応用して在庫補充戦略を作成するスマート在庫補充処理と、
    を実行し、
    前記在庫補充戦略を、前記ポートを通じて前記顧客構内設備に送信し、
    前記販売予測処理は、長短期記憶ネットワークに基づいて点予測を行う点予測処理と、販売量の確率密度の区間予測を行う区間予測処理と、の少なくとも一方を実行し、
    さらに、応用対象、予測期間、前記商品分類処理の分類結果の中の少なくとも１つに基づいて、前記販売予測処理において、前記点予測処理により販売予測を行うのか、前記区間予測処理により販売予測を行うのか、前記点予測処理と前記区間予測処理の双方により販売予測を行うのか、を選択する選択処理を実行する、サーバシステム。

Images