JP7139932B2 - 需要予測方法、需要予測プログラムおよび需要予測装置 - Google Patents

Description

本発明は、需要予測方法、需要予測プログラムおよび需要予測装置に関する。

商品の需要予測は、過去の売上実績の傾向に基づき将来を予測する手法が一般的であるが、新商品の発売前の研究開発や企画段階では、予測したい新商品の受注データや売上データが存在しないため、売上予測ができない。このため、過去にすでに発売された類似商品を探索し、その類似商品の過去の売上データを用いることで、新商品の売上予測をすることが行われている。

例えば、新商品の発売前や発売初期に、予測実行者が複数の類似商品の探索および各類似商品の重みを指定し、その重みを用いて類似商品の過去の売上の重み付け加算を算出して、需要予測を行う技術が知られている。また、商品に関する発言を含むソーシャルメディアデータと商品属性データを用いて、過去に発売された類似商品を抽出し、この類似商品の実績を用いて、新商品の売り上げを予測する技術が知られている。

特開２００８－１８６４１３号公報 特開２０００－３３８８号公報 特開２０１３－１８２４１５号公報

しかしながら、上記技術では、発売前である新商品の需要予測の精度を向上させることが難しい。

例えば、予測実行者が類似商品の指定と重み付けの指定を行う場合、主観的や属人的な要素が強く、類似商品のどのような内容が新商品の需要予測に影響するのかを定量的に把握することができないので、必ずしも新商品の需要予測の精度が高いとは限らない。また、類似商品の過去の売上の重み付け加算やソーシャルメディアデータでは、過去の類似製品の単純な組み合わせでは表現できない新商品の需要を正しく予測することができない。

一つの側面では、新商品の需要予測の精度を向上させることができる需要予測方法、需要予測プログラムおよび需要予測装置を提供することを目的とする。

第１の案では、需要予測方法は、コンピュータが、発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出する処理を実行する。需要予測方法は、コンピュータが、前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成する処理を実行する。需要予測方法は、コンピュータが、生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する処理を実行する。

一実施形態によれば、新商品の需要予測の精度を向上させることができる。

図１は、実施例１にかかる需要予測装置を説明する図である。 図２は、実施例１にかかる需要予測装置の機能構成を示す機能ブロック図である。 図３は、企画書ＤＢに記憶される企画書の一例を示す図である。 図４は、売上情報ＤＢに記憶される情報の例を示す図である。 図５は、月別売上情報ＤＢに記憶される情報の例を示す図である。 図６は、実施例１にかかる学習フェーズを説明する図である。 図７は、実施例１にかかる適用フェーズを説明する図である。 図８は、処理の流れを示すフローチャートである。 図９は、実施例２にかかる需要予測装置を説明する図である。 図１０は、実施例２にかかる学習フェーズを説明する図である。 図１１は、実施例２にかかる適用フェーズを説明する図である。 図１２は、スムージングの例を説明する図である。 図１３は、スムージングの別例を説明する図である。 図１４は、スムージング結果を説明する図である。 図１５は、効果を説明する図である。 図１６は、効果の比較例を説明する図である。 図１７は、ハードウェア構成例を説明する図である。

以下に、本願の開示する需要予測方法、需要予測プログラムおよび需要予測装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［需要予測装置の説明］
図１は、実施例１にかかる需要予測装置１０を説明する図である。図１に示す需要予測装置１０は、発売前の新商品の需要予測を実行するコンピュータ装置の一例である。この需要予測装置１０は、学習フェーズにおいて予測モデルを学習し、適用フェーズにおいて学習済みの予測モデルを用いた需要予測を実行する。

図１に示すように、学習フェーズでは、需要予測装置１０は、すでに発売されている既存商品の企画書や発売前の研究開発時や企画時に作成される新商品の企画書などのテキスト情報から、内容を表す単語（キーワード）を抽出する。そして、需要予測装置１０は、抽出したキーワードを用いて、クラスタリングを行ってクラスタを生成する。その後、需要予測装置１０は、既存商品のクラスタ結果を説明変数、既存商品の売上情報を目的変数とする学習データを用いて、需要予測を行う予測モデルを学習する。

学習完了後の適用フェーズでは、需要予測装置１０は、学習フェーズで生成された新商品のクラスタ結果を、学習済みの予測モデルに入力する。そして、需要予測装置１０は、予測モデルの出力結果を需要予測として取得する。

このように、需要予測装置１０は、商品に紐づくテキスト情報を入力としてクラスタリングを行い、キーワード群の意味的なまとまりを持つクラスタを得て、このクラスタ結果を説明変数として予測モデルに投入する。これにより、各クラスタの売上に対する影響度を定量的に計算することができる。したがって、需要予測装置１０は、新商品の需要予測の精度を向上させることができる。

［機能構成］
図２は、実施例１にかかる需要予測装置１０の機能構成を示す機能ブロック図である。図２に示すように、需要予測装置１０は、通信部１１、記憶部１２、制御部３０を有する。

通信部１１は、他の装置の間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、管理者から各種処理開始の指示や各種データなどを受信し、管理者端末に学習結果や予測結果などを送信する。

記憶部１２は、各種データや制御部３０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやハードディスクなどである。記憶部１２は、企画書ＤＢ１３、売上情報ＤＢ１４、月別売上情報ＤＢ１５、テキスト情報ＤＢ１６、重み情報ＤＢ１７、クラスタＤＢ１８、学習データＤＢ１９、学習結果ＤＢ２０、予測結果ＤＢ２１を有する。

企画書ＤＢ１３は、すでに発売されている既存商品の企画書のデータと、発売前であり、研究開発段階や企画段階で生成された新商品の企画書のデータとを記憶するデータベースである。具体的には、企画書ＤＢ１３は、材料名、ターゲット年代、商品の内容などの商品に関する情報を表すキーワードが含まれる各企画書のデータを記憶する。

図３は、企画書ＤＢ１３に記憶される企画書の一例を示す図である。図３に示すように、企画書は、商品の特徴や商品の説明などを表す項目ａと項目ｂが記載される。また、項目ａには、項目ａに関する情報を具体的に記載した文書１ａが記載され、項目ｂには、項目ｂに関する情報を具体的に記載した文書１ｂが記載される。また、文書１ａと文書１ｂには、キーワードが含まれる。例えば、項目ａは、商品特徴を説明する項目であり、項目ｂは、商品のターゲットを記載する項目などである。

売上情報ＤＢ１４は、既存商品の売上情報を記憶するデータベースである。具体的には、売上情報ＤＢ１４は、既存商品の発売日の売上を記憶する。図４は、売上情報ＤＢ１４に記憶される情報の例を示す図である。図４に示すように、売上情報ＤＢ１４は、「商品、発売日、売り上げ」を対応付けて記憶する。

ここで記憶される「商品」は、発売された既存商品の商品名であり、「発売日」は、発売が開始された日であり、「売り上げ」は、売上個数などである。図４の例では、商品１は、2018年6月10日に発売が開始されて、その日の売上が100個だったことを示す。なお、売上情報ＤＢ１４は、発売開始日の売上に限らず、特定のある発売日の売上を記憶することもできる。なお、本実施例では、商品１、商品２、商品３を既存商品として説明する。

月別売上情報ＤＢ１５は、既存商品の月別の売上情報を記憶するデータベースである。図５は、月別売上情報ＤＢ１５に記憶される情報の例を示す図である。図５に示すように、売上情報ＤＢ１４は、「商品、１か月目、２か月目、３か月目」を対応付けて記憶する。

ここで記憶される「商品」は、発売された既存商品の商品名であり、「１か月目」等は、発売開始から１か月、２か月、３か月ごとの売上個数などである。図５の例では、商品１は、発売開始から１か月目で1000個、１か月目から２か月目で300個、２か月目から３か月目で100個の売り上げがあったことを示す。なお、月別に限らず、日別や年別などの情報を用いることもできる。

テキスト情報ＤＢ１６は、既存商品および新商品の各企画書に関するデータを記憶するデータベースである。具体的には、テキスト情報ＤＢ１６は、各商品について、項目ａと項目ｂのそれぞれにどのような文書が含まれるかを記憶する。

例えば、テキスト情報ＤＢ１６は、「商品、項目ａ、項目ｂ」を対応付けて記憶する。ここで記憶される「商品」は、商品名であり、「項目ａ」と「項目ｂ」は、クラスタ分類に使用されるキーワードの抽出元となる文書が記載されている箇所を示す情報である。一例を挙げると、商品１の項目ａに含まれる文書１ａと項目ｂに含まれる文書１ｂとが抽出元である場合、テキスト情報ＤＢ１６は、「商品、項目ａ、項目ｂ」として「商品１、文書１ａ、文書１ｂ」を記憶する。

重み情報ＤＢ１７は、テキスト情報に含まれるキーワードの重みに関する情報を記憶するデータベースである。具体的には、重み情報ＤＢ１７は、企画書などから抽出された各キーワードの重みを記憶する。

クラスタＤＢ１８は、既存商品と新商品とを含む各商品が分類されたクラスタに関する情報を記憶するデータベースである。具体的には、クラスタＤＢ１８は、各商品をキーワードでクラスタリングした結果を記憶する。すなわち、クラスタＤＢ１８は、商品ごとの、各クラスタに割り当てられたクラスタＩＤを記憶する。

学習データＤＢ１９は、月別の予測モデルの学習に使用される学習データを記憶するデータベースである。具体的には、学習データＤＢ１９は、各商品のクラスタＩＤを説明変数に設定し、各商品の発売後の月別ごとの各売り上げを目的変数に設定した複数の学習データを記憶する。例えば、学習データＤＢ１９は、１か月目の売上予測用の予測モデルを学習するための学習データ、２か月目の売上予測用の予測モデを学習するための学習データル、３か月目の売上予測用の予測モデルそれぞれを学習するための学習データを記憶する。

学習結果ＤＢ２０は、月別の各予測モデルの学習結果を記憶するデータベースである。例えば、学習結果ＤＢ２０は、制御部３０による学習データの判別結果（分類結果）、重回帰分析や機械学習などによって学習された各種パラメータを記憶する。例えば、学習結果ＤＢ２０は、１か月目の売上予測用の予測モデル、２か月目の売上予測用の予測モデル、３か月目の売上予測用の予測モデルそれぞれを構成するための各種パラメータなどを記憶する。

予測結果ＤＢ２１は、学習済みの予測モデルを用いて予測された、新商品の売上予測結果を記憶するデータベースである。具体的には、予測結果ＤＢ２１は、各新商品について、１か月目の売上予測結果、２か月目の売上予測結果、３か月目の売上予測結果を記憶する。

制御部３０は、需要予測装置１０全体を司る処理部であり、例えばプロセッサなどである。この制御部３０は、学習処理部４０と予測処理部５０を有する。なお、学習処理部４０と予測処理部５０は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。

学習処理部４０は、単語抽出部４１、重み算出部４２、選定部４３、クラスタリング部４４、学習データ生成部４５、学習部４６を有し、月別ごとの予測モデルを学習する処理部である。

単語抽出部４１は、既存商品および新商品の企画書に含まれる項目ごとに出現するキーワードを抽出する処理部である。例えば、単語抽出部４１は、商品１の企画書の項目ａに記載される文書１ａに形態素解析などを実行して、キーワードとして、Ｋ１ａ、Ｋ２ａ、Ｋ３ａ、Ｋ４ａなどを抽出する。また、単語抽出部４１は、商品１の企画書の項目ｂに記載される文書１ｂに形態素解析などを実行して、キーワードとして、Ｋ１ｂ、Ｋ２ｂ、Ｋ３ｂ、Ｋ４ｂ、Ｋ５ｂなどを抽出する。

このようにして、単語抽出部４１は、既存商品の企画書および新商品の企画書からキーワードを抽出し、抽出結果をテキスト情報ＤＢ１６に格納するとともに、重み算出部４２に出力する。

重み算出部４２は、各キーワードの重みを算出する処理部である。具体的には、重み算出部４２は、単語抽出部４１によって抽出された各キーワードのＴＦＩＤＦ（Term Frequency Inverse Document Frequency）を算出する。上記例で説明すると、重み算出部４２は、商品１について、項目ａの文書１ａにおけるキーワード「Ｋ１ａ」のＴＧＩＤＦを、Ｋ１ａの重みとして算出する。

このようにして、重み算出部４２は、既存商品の企画書から抽出された各キーワードおよび新商品の企画書から抽出された各キーワードの重みを算出して、算出結果を重み情報ＤＢ１７に格納し、選定部４３に出力する。

選定部４３は、キーワードの選定を実行する処理部である。具体的には、選定部４３は、単語抽出部４１によって抽出された各キーワードのうち、重みが所定値未満のキーワード、ストップワードリストに該当するキーワード、除外対象に品詞に該当するキーワードを除外する。

このようにして、選定部４３は、既存商品の各キーワードおよび新商品の各キーワードのそれぞれから選定を実行し、選定結果をクラスタリング部４４に出力する。なお、ストップキーワードとは、キーワードとして対象外とする単語の一覧であり、除外対象の品詞とは、助詞などであり、これらは管理者等により予め設定されたり、一般的な辞書を用いたりすることができる。

クラスタリング部４４は、選定部４３により選定されたキーワードを用いて、商品のクラスタリングを実行する処理部である。すなわち、クラスタリング部４４は、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成する。

例えば、クラスタリング部４４は、各商品についてクラスタリングを実行し、各クラスタにクラスタＩＤを付与する。例えば、クラスタリング部４４は、項目ａに属するキーワードのうち、Ｋ１ａとＫ３ａを有するクラスタにＩＤ「Ｃ１ａ」を設定し、Ｋ２ａとＫ３ａを有するクラスタにＩＤ「Ｃ２ａ」を設定する。同様に、クラスタリング部４４は、項目ｂに属するキーワードのうち、Ｋ１ｂとＫ２ｂを有するクラスタにＩＤ「Ｃ１ｂ」を設定し、Ｋ２ｂとＫ３ｂを有するクラスタにＩＤ「Ｃ２ｂ」を設定する。

そして、クラスタリング部４４は、商品とクラスタＩＤとを対応付けて、商品ごとに「項目ａ（Ｃ１ａ、Ｃ２ａ）、項目ｂ（Ｃ１ｂ、Ｃ２ｂ）」を生成する。例えば、クラスタリング部４４は、商品１の項目ａにおけるキーワードが「Ｋ２ａ、Ｋ３ａ」、項目ｂにおけるキーワードが「Ｋ１ｂ、Ｋ２ｂ」である場合、商品１の「項目ａ（Ｃ１ａ、Ｃ２ａ）、項目ｂ（Ｃ１ｂ、Ｃ２ｂ）」として「0，1，1，0」を生成する。

このようにして、クラスタリング部４４は、既存商品および新商品を含む各商品のクラスタリングを実行し、クラスタリング結果をクラスタＤＢ１８に格納し、学習データ生成部４５に出力する。なお、クラスタリング手法は、一般的な様々な手法を用いることができる。

学習データ生成部４５は、クラスタリング結果を用いて、学習データを生成する処理部である。具体的には、学習データ生成部４５は、クラスタリング結果のうち既存商品のクラスタリング結果を説明変数、月別売上情報を目的変数とする学習データを生成し、学習データＤＢ１９に格納する。

上記例で説明すると、学習データ生成部４５は、商品１の「項目ａ（Ｃ１ａ、Ｃ２ａ）、項目ｂ（Ｃ１ｂ、Ｃ２ｂ）」である「0，1，1，0」を説明変数、月別売上情報ＤＢ１５に記憶される１か月目の売上「1000」、２か月目の売上「300」、３か月目の売上「100」それぞれを目的変数とする学習データを生成する。

つまり、学習データ生成部４５は、１か月目の売上予測を行う予測モデル用の学習データとして「（0，1，1，0），1000」を生成し、２か月目の売上予測を行う予測モデル用の学習データとして「（0，1，1，0），300」を生成し、１か月目の売上予測を行う予測モデル用の学習データとして「（0，1，1，0），100」を生成する。このようにして、学習データ生成部４５は、既存商品が属するクラスタＩＤを用いて、月別ごとの予測モデル用の各学習データを生成する。

学習部４６は、月別ごとの予測モデルの学習を実行する処理部である。具体的には、学習部４６は、学習データＤＢ１９に記憶される月別ごとの学習データを用いて、月別ごとの予測モデルを生成する教師有学習を実行する。例えば、学習部４６は、重回帰分析を用いて学習処理を実行する。

そして、学習部４６は、学習結果を学習結果ＤＢ２０に格納する。なお、学習処理を終了するタイミングは、所定数以上の学習データを用いた学習が完了した時点、目的変数（ラベル）と予測モデルの出力結果との誤差が閾値未満となった時点など、任意に設定することができる。

予測処理部５０は、学習済みの予測モデルを用いて、新商品の売上予測を実行する処理部である。例えば、予測処理部５０は、学習結果ＤＢ２０から各種パラメータを読み出して、１か月目用の予測モデル、２か月目用の予測モデル、３か月目用の予測モデルを構築する。そして、予測処理部５０は、新商品に対応付けられたクラスタＩＤ「1，0，1，0」を特徴量として各予測モデルに入力して各出力結果を取得し、予測結果ＤＢ２１に格納する。このようにして、予測処理部５０は、新商品について、１か月目の売上予測、２か月目の売上予測、３か月目の売上予測を行う。

［具体例］
次に、図６と図７を用いて、学習フェーズと適用フェーズの具体例を説明する。図６は、実施例１にかかる学習フェーズを説明する図である。図７は、実施例１にかかる適用フェーズを説明する図である。

（学習フェーズ）
図６に示すように、テキスト情報ＤＢ１６は、商品ごとに項目ａに属する文書と項目ｂに属する文書とを記憶する。具体的には、テキスト情報ＤＢ１６は、「商品、項目ａ、項目ｂ」として「商品１、文書１ａ、文書１ｂ」、「商品２、文書２ａ、文書２ｂ」、「商品３、文書３ａ、文書３ｂ」、「新商品、文書ａ、文書ｂ」を記憶する。

そして、単語抽出部４１は、各商品の文書からキーワードを抽出する（Ｓ１）。例えば、単語抽出部４１は、項目ａの文書からキーワード「Ｋ１ａ、Ｋ２ａ、Ｋ３ａ」を抽出し、項目ｂの文書からキーワード「Ｋ１ｂ、Ｋ２ｂ、Ｋ３ｂ」を抽出する。

続いて、重み算出部４２が、各キーワードのＴＦＩＤＦを算出し、選定部４３は、キーワードの選定を実行する（Ｓ２）。例えば、商品１については、Ｋ１ａは該当なし、Ｋ２ａは重み（０．７）、Ｋ３ａは重み（０．１）、Ｋ１ｂは重み（０．８）、Ｋ２ｂは重み（０．６）、Ｋ３ｂは該当なしと選定される。商品２については、Ｋ１ａは重み（０．８）、Ｋ２ａは該当なし、Ｋ３ａは重み（０．７）、Ｋ１ｂは該当なし、Ｋ２ｂは重み（０．１）、Ｋ３ｂは重み（０．８）と選定される。

商品３については、Ｋ１ａは該当なし、Ｋ２ａは重み（０．８）、Ｋ３ａは重み（０．３）、Ｋ１ｂは該当なし、Ｋ２ｂは重み（０．３）、Ｋ３ｂは重み（０．５）と選定される。新商品については、Ｋ１ａは重み（０．７）、Ｋ２ａは該当なし、Ｋ３ａは重み（０．９）、Ｋ１ｂは重み（０．７）、Ｋ２ｂは重み（０．６）、Ｋ３ｂは該当なしと選定される。

そして、クラスタリング部４４は、重み算出やキーワード選定の結果を用いて、既存商品および新商品のクラスタリングを実行する（Ｓ３）。例えば、クラスタリング部４４は、項目ａについて、Ｋ１ａとＫ３ａを含む商品をクラスタＣ１ａに分類し、Ｋ２ａとＫ３ａを含む商品をクラスタＣ２ａに分類する。また、クラスタリング部４４は、項目ｂについて、Ｋ１ｂとＫ２ｂを含む商品をクラスタＣ１ｂに分類し、Ｋ２ｂとＫ３ｂを含む商品をクラスタＣ２ｂに分類する。

この結果、商品１は、項目ａに関してＣ２ａに属し、項目ｂに関してＣ１ｂに属するので、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「０，１，１，０」が生成される。商品２は、項目ａに関してＣ１ａに属し、項目ｂに関してＣ２ｂに属するので、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「１，０，０，１」が生成される。

商品３は、項目ａに関してＣ２ａに属し、項目ｂに関してＣ２ｂに属するので、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「０，１，０，１」が生成される。新商品は、項目ａに関してＣ１ａに属し、項目ｂに関してＣ１ｂに属するので、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「１，０，１，０」が生成される。

その後、学習データ生成部４５は、既存商品と新商品とを含むクラスタリング結果のうち既存商品のクラスタリング結果と、既存商品の売上実績とを用いて、学習データを生成する（Ｓ４とＳ５）。

例えば、学習データ生成部４５は、商品１について３つの学習データを生成する。すなわち、学習データ生成部４５は、商品１のクラスタリング結果「０，１，１，０」を説明変数に設定し、１か月目の売上「１０００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品１のクラスタリング結果「０，１，１，０」を説明変数に設定し、２か月目の売上「３００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品１のクラスタリング結果「０，１，１，０」を説明変数に設定し、３か月目の売上「１００」を目的変数に設定した学習データを生成する。

同様に、学習データ生成部４５は、商品２のクラスタリング結果「１，０，０，１」を説明変数に設定し、１か月目の売上「１５００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品２のクラスタリング結果「１，０，０，１」を説明変数に設定し、２か月目の売上「１０００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品２のクラスタリング結果「１，０，０，１」を説明変数に設定し、３か月目の売上「７００」を目的変数に設定した学習データを生成する。

同様に、学習データ生成部４５は、商品３のクラスタリング結果「０，１，０，１」を説明変数に設定し、１か月目の売上「５０００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品３のクラスタリング結果「０，１，０，１」を説明変数に設定し、２か月目の売上「２０００」を目的変数に設定した学習データを生成する。学習データ生成部４５は、商品３のクラスタリング結果「０，１，０，１」を説明変数に設定し、３か月目の売上「５００」を目的変数に設定した学習データを生成する。

そして、学習部４６は、生成された各学習データを用いて、各予測モデルを学習する（Ｓ６）。すなわち、学習部４６は、クラスタリング結果を商品の特徴を表すベクトルデータ、月別の売上情報を正解情報として、予測モデル（学習モデル）を学習する。

例えば、学習部４６は、商品１の学習データ「（０，１，１，０）、１０００」と、商品２の学習データ「（１，０，０，１）、１５００」と、商品３の学習データ「（０，１，０，１）、５０００」とを用いて、重回帰分析により、１か月目の売上予測を行う予測モデルを学習する。

同様に、学習部４６は、商品１の学習データ「（０，１，１，０）、３００」と、商品２の学習データ「（１，０，０，１）、１０００」と、商品３の学習データ「（０，１，０，１）、２０００」とを用いて、重回帰分析により、２か月目の売上予測を行う予測モデルを学習する。

同様に、学習部４６は、商品１の学習データ「（０，１，１，０）、１００」と、商品２の学習データ「（１，０，０，１）、７００」と、商品３の学習データ「（０，１，０，１）、５００」とを用いて、重回帰分析により、３か月目の売上予測を行う予測モデルを学習する。

（適用フェーズ）
適用フェーズでは、図７に示すように、予測処理部５０は、図６のＳ３で得られたクラスタリング結果のうち、新商品のクラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「１，０，１，０」を抽出する。

そして、予測処理部５０は、新商品のクラスタリング結果「１，０，１，０」を、１か月用の予測モデル、２か月用の予測モデル、３か月用の予測モデルのそれぞれに入力する。その後、予測処理部５０は、１か月用の予測モデルの出力値「２５００」、２か月用の予測モデルの出力値「２０」、３か月用の予測モデルの出力値「３００」を取得する。

この結果、予測処理部５０は、新商品が発売されてから１か月目の売上予測を「２５００個」、１か月目から２か月目までの売上予測を「２０個」、２か月目から３か月目までの売上予測を「３００個」と予測する。

［処理の流れ］
図８は、処理の流れを示すフローチャートである。図８に示すように、学習処理部４０は、処理開始が指示されると（Ｓ１０１：Ｙｅｓ）、企画書ＤＢ１３に記憶される企画書のデータを読み込む（Ｓ１０２）。

続いて、学習処理部４０は、各企画書のデータからキーワードを抽出し（Ｓ１０３）、キーワードの重みを算出する（Ｓ１０４）。そして、学習処理部４０は、ストップワードリストや重みを用いて、キーワードの選定を実行する（Ｓ１０５）。

その後、学習処理部４０は、選定されたキーワードを用いてクラスタリングを実行し（Ｓ１０６）、商品とクラスタＩＤとを対応付けたクラスタリング結果を生成する（Ｓ１０７）。

そして、学習処理部４０は、新商品を含むクラスタリングのうち、既存商品のクラスタリング結果を説明変数として抽出し（Ｓ１０８）、各商品の月別の売上情報を用いて学習データを生成する（Ｓ１０９）。続いて、学習処理部４０は、学習データを用いて、予測モデルの学習を実行する（Ｓ１１０）。

その後、学習が完了すると（Ｓ１１１：Ｙｅｓ）、予測処理部５０は、学習フェーズにおけるクラスタリング結果のうち、新商品のクラスタリング結果を学習済みの予測モデルに入力して（Ｓ１１２）、予測結果を取得する（Ｓ１１３）。

実施例１では、新商品を含めた状態でクラスタリングを実行する例を説明したが、この手法は、学習時に、新商品の企画書などが作成されている場合には有効な手法である。しかし、学習時に新商品の企画書がない場合も考えられる。そこで、実施例２では、学習時には既存商品の企画書を用いて予測モデルを学習し、予測時に新商品の企画書を用いて予測を実行する例を説明する。

［実施例２にかかる需要予測装置の説明］
図９は、実施例２にかかる需要予測装置１０を説明する図である。図９に示すように、学習フェーズでは、需要予測装置１０は、すでに発売されている既存商品の企画書から、内容を表すキーワードを抽出する。そして、需要予測装置１０は、抽出した単語を用いて、既存商品のクラスタリングを行ってクラスタを生成する。その後、需要予測装置１０は、既存商品のクラスタ結果を説明変数に設定し、既存商品の売上情報を目的変数に設定した学習データを用いて、需要予測を行う予測モデルを学習する。

学習完了後の適用フェーズでは、需要予測装置１０は、新商品の企画書からキーワードを抽出し、キーワードの一致数などを用いて、各商品と新商品とのテキスト間の類似度を算出する。そして、需要予測装置１０は、各商品と新商品とのテキスト間の類似度を用いて、既存商品のクラスタＩＤごとの重み付け加算を算出する。すなわち、需要予測装置１０は、各商品が属するクラスタへの新商品の依存度を算出する。その後、需要予測装置１０は、重み付け加算の結果を各予測モデルに入力して、予測モデルの出力結果を需要予測として取得する。

［具体例］
次に、図１０と図１１を用いて、学習フェーズと適用フェーズの具体例を説明する。図１０は、実施例２にかかる学習フェーズを説明する図である。図１１は、実施例２にかかる適用フェーズを説明する図である。

（学習フェーズ）
実施例１と異なる点は、新商品の情報は用いずに、既存商品の情報のみを用いて、既存商品のみをクラスタリングする点である。具体的には、図１０に示すように、テキスト情報ＤＢ１６は、商品ごとに項目ａに属する文書情報である「商品、項目ａ、項目ｂ」として「商品１、文書１ａ、文書１ｂ」、「商品２、文書２ａ、文書２ｂ」、「商品３、文書３ａ、文書３ｂ」を記憶する。

そして、単語抽出部４１は、各商品の文書からキーワードを抽出する（Ｓ１０）。例えば、単語抽出部４１は、項目ａの文書からキーワード「Ｋ１ａ、Ｋ２ａ、Ｋ３ａ」を抽出し、項目ｂの文書からキーワード「Ｋ１ｂ、Ｋ２ｂ、Ｋ３ｂ」を抽出する。

続いて、重み算出部４２が、各キーワードのＴＦＩＤＦを算出し、選定部４３は、キーワードの選定を実行する（Ｓ１１）。例えば、商品１については、Ｋ１ａは該当なし、Ｋ２ａは重み（０．７）、Ｋ３ａは重み（０．１）、Ｋ１ｂは重み（０．８）、Ｋ２ｂは重み（０．６）、Ｋ３ｂは該当なしと選定される。商品２については、Ｋ１ａは重み（０．８）、Ｋ２ａは該当なし、Ｋ３ａは重み（０．７）、Ｋ１ｂは該当なし、Ｋ２ｂは重み（０．１）、Ｋ３ｂは重み（０．８）と選定される。商品３については、Ｋ１ａは該当なし、Ｋ２ａは重み（０．８）、Ｋ３ａは重み（０．３）、Ｋ１ｂは該当なし、Ｋ２ｂは重み（０．３）、Ｋ３ｂは重み（０．５）と選定される。

そして、クラスタリング部４４は、重み算出やキーワード選定の結果を用いて、既存商品のクラスタリングを実行する（Ｓ１２）。例えば、クラスタリング部４４は、実施例１と同様、項目ａについてクラスタＣ１ａとＣ２ａに分類し、項目ｂについてクラスタＣ１ｂとＣ２ｂに分類する。

この結果、商品１について、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「０，１，１，０」が生成される。商品２について、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「１，０，０，１」が生成される。商品３について、クラスタリング結果「Ｃ１ａ，Ｃ２ａ，Ｃ１ｂ，Ｃ２ｂ」として「０，１，０，１」が生成される。

その後、学習データ生成部４５は、既存商品のクラスタリング結果と既存商品の売上実績とを用いて、学習データを生成する（Ｓ１３）。例えば、学習データ生成部４５は、商品１について、商品１のクラスタリング結果「０，１，１，０」を説明変数に設定し、１か月目の売上「１０００」、２か月目の売上「３００」、３か月目の売上「１００」のそれぞれを目的変数に設定した３つの学習データを生成する。

同様に、学習データ生成部４５は、商品２のクラスタリング結果「１，０，０，１」を説明変数に設定し、１か月目の売上「１５００」、２か月目の売上「１０００」、３か月目の売上「７００」それぞれを目的変数に設定した、３つの学習データを生成する。同様に、学習データ生成部４５は、商品３のクラスタリング結果「０，１，０，１」を説明変数に設定し、１か月目の売上「５０００」、２か月目の売上「２０００」、３か月目の売上「５００」それぞれを目的変数に設定した、３つの学習データを生成する。

そして、学習部４６は、生成された各学習データを用いて、各予測モデルを学習する（Ｓ１４）。例えば、学習部４６は、商品１の学習データ「（０，１，１，０）、１０００」と、商品２の学習データ「（１，０，０，１）、１５００」と、商品３の学習データ「（０，１，０，１）、５０００」とを用いて、重回帰分析により、１か月目の売上予測を行う予測モデルを学習する。

同様に、学習部４６は、商品１の学習データ「（０，１，１，０）、３００」と、商品２の学習データ「（１，０，０，１）、１０００」と、商品３の学習データ「（０，１，０，１）、２０００」とを用いて、重回帰分析により、２か月目の売上予測を行う予測モデルを学習する。

同様に、学習部４６は、商品１の学習データ「（０，１，１，０）、１００」と、商品２の学習データ「（１，０，０，１）、７００」と、商品３の学習データ「（０，１，０，１）、５００」とを用いて、重回帰分析により、３か月目の売上予測を行う予測モデルを学習する。

（適用フェーズ）
適用フェーズでは、実施例１と異なり、新商品の情報を用いて、新商品と既存商品とのテキスト間類似度を算出し、新商品が分類済みのクラスタにどれだけ関連するかを示す特徴量を算出する。そして、新商品の特徴量を入力として予測を実行する。

図１１に示すように、テキスト情報ＤＢ１６は、新商品の企画書データ「商品、項目ａ、項目ｂ」として「新商品、文書ａ、文書ｂ」を記憶する。この状態で、予測処理部５０は、新商品の企画書データの各文書からキーワードを抽出し、ＴＧＩＤＦなどを用いた各キーワードの重みの算出、キーワードの選定などを実行する（Ｓ２０）。例えば、予測処理部５０は、新商品の項目ａの文書ａからキーワード「Ｋ１ａ、Ｋ３ａ」を抽出し、項目ｂの文書ｂからキーワード「Ｋ１ｂ、Ｋ２ｂ」を抽出する。そして、予測処理部５０は、Ｋ１ａの重み「０．７」、Ｋ３ａの重み「０．９」、Ｋ１ｂの重み「０．７」、Ｋ２ｂの重み「０．６」を算出する。ここでは、Ｋ２ａとＫ３ｂは、抽出されなかったとする。

続いて、予測処理部５０は、コサイン類似度などの手法を用いて、新商品の重み情報と各既存商品の重み情報との間のテキスト間類似度を算出する（Ｓ２１）。例えば、予測処理部５０は、既存の商品１について、項目ａのテキスト間類似度「０．１１」と項目ｂのテキスト間類似度「１．００」を算出する。同様に、予測処理部５０は、既存の商品２について、項目ａのテキスト間類似度「０．９８」と項目ｂのテキスト間類似度「０．０８」を算出する。また、予測処理部５０は、既存の商品３について、項目ａのテキスト間類似度「０．２８」と項目ｂのテキスト間類似度「０．３３」を算出する。なお、コサイン類似度を用いたテキスト間類似度に限らず、全キーワードののうち一致する割合など一般的な類似度の算出手法を用いることもできる。

その後、予測処理部５０は、既存商品のクラスタＩＤのダミー変数を、テキスト間類似度で重み付け加算を行う。（Ｓ２２）。上記例で説明すると、予測処理部５０は、商品１に対して、図１０のＳ１２で生成されたクラスタリング結果を参照し、商品１が属する項目ａのクラスタＣ２ａにテキスト間類似度「０．１１」、商品１が属する項目ｂのクラスタＣ１ｂにテキスト間類似度「１．００」を設定する。

同様に、予測処理部５０は、商品２に対して、図１０のＳ１２で生成されたクラスタリング結果を参照し、商品２が属する項目ａのクラスタＣ１ａにテキスト間類似度「０．９８」、商品２が属する項目ｂのクラスタＣ２ｂにテキスト間類似度「０．０８」を設定する。また、予測処理部５０は、商品３に対して、図１０のＳ１２で生成されたクラスタリング結果を参照し、商品３が属する項目ａのクラスタＣ２ａにテキスト間類似度「０．２８」、商品２が属する項目ｂのクラスタＣ２ｂにテキスト間類似度「０．３３」を設定する。

その後、予測処理部５０は、各既存商品のクラスタＩＤに対して設定されたテキスト間類似度を加算して、新商品の特徴量（特徴ベクトル）を生成する。上記例で説明すると、予測処理部５０は、項目ａのＣ１ａに対して、商品２のテキスト間類似度「０．９８」を設定し、項目ａのＣ２ａに対して、商品１のテキスト間類似度「０．１１」と商品３のテキスト間類似度「０．２８」を加算した「０．３９」を設定する。同様に、予測処理部５０は、項目ｂのＣ１ｂに対して、商品１のテキスト間類似度「１．００」を設定し、項目ｂのＣ２ｂに対して、商品２のテキスト間類似度「０．０８」と商品３のテキスト間類似度「０．３３」を加算した「０．４２」を設定する。

そして、予測処理部５０は、加算結果「０．９８，０．３９，１．００，０．４２」を説明変数として、学習済みである１か月用の予測モデル、２か月用の予測モデル、３か月用の予測モデルそれぞれに入力して、予測結果を取得する（Ｓ２３）。上記例で説明すると、予測処理部５０は、新商品が発売されてから１か月目の売上予測を「２５００個」、１か月目から２か月目までの売上予測を「２０個」、２か月目から３か月目までの売上予測を「３００個」と予測する。

ところで、実施例１と実施例２では、月別の予測モデルを用いて、月別の需要予測を行う場合を説明したが、これに限定されるものではない。例えば、月別の需要予測結果を用いてスムージングを実行することにより、予測されていない期間の予測結果を推測することができる。

例えば、需要予測装置１０の予測処理部５０は、学習データの時間粒度（例えば４週）が予測したい時間粒度（例えば週次）よりも大きい場合は、予測結果が得られたのち、予測したい時間粒度に合わせて等分割する。例を挙げると、予測処理部５０は、４週分の予測値４分割して、階段状の週次の予測値に変換する。

続いて、予測処理部５０は、発売後の売上が特定の確率分布に従って時間的に変化すると仮定する。なお、一般に売上は減衰していくので、ワイブル分布、対数正規分布、対数ロジスティック分布などの確率分布を使用する。

そして、予測処理部５０は、複数の予測値全体にフィットするように、一般的な手法を用いて確率分布のパラメータを計算し、得られたパラメータを用いて、任意の時刻での新たな予測値（補間・補正した予測値）を計算する。つまり、時刻を代入すると新たな予測値が得られる。

ここで、図１２から図１４を用いて具体例を説明する。図１２は、スムージングの例を説明する図であり、図１３は、スムージングの別例を説明する図である。図１４は、スムージング結果を説明する図である。

図１２では、スムージングを不規則変動の低減に用いる場合を説明する。例えば、週別の売上を独立に予測するため、予測結果に不規則変化（予測誤差）が含まれると予測結果がばらつく可能性がある。このため、複数週の予測結果を総合的に判断して予測値の補間や補正を行うことにより、不規則変化を抑えることができる。

図１２に示す図は、週次の売上実績を目的変数として週次の予測モデルを学習し、学習済みの週次の予測モデルを用いて発売日から週次（各週）の売上予測を算出し、週次の予測値に対しスムージングを行った結果である。このようにすることで、予測値を補正することができるので、需要予測の精度を向上させることができる。なお、入力の予測値の単位は週次に限定されない。月次の予測値や４週分の予測値に対し同様の処理を行うことも可能である。

図１３では、学習データの時間粒度と予測の時間粒度のギャップ調整に用いる場合を説明する。例えば、予測モデルの学習に使用するデータの単位（例えば４週）と、予測が必要となる単位（例えば週次）にギャップがある場合がある。

例を挙げると、４週でしかデータを取得して管理していないので、週次データが存在しないときが挙げられる。また、週次のデータは存在するが、数量が少量のためデータ量が不足し、そのままではうまく予測モデルを作成することができず、より大きい括り（４週）で集計して学習に使用する必要が発生したときなどが挙げられる。これらの場合、一般的な手法では、学習データと同じ単位での予測結果しか得られない。

そこで、予測結果を補間および補正することにより、学習データとは異なる任意の時間粒度での予測結果を計算する。図１３では、４週分データで学習し得られた４週分の予測値に対してスムージングを行い、新たに週次の予測値が得られた結果である。つまり、４週分の予測値を４分割して、階段状の週次の予測値に一度変換したものを図示する。

このように、予測結果では得られない予測値を推定することができるので、学習データに依存することなく、需要予測を行うことができる。なお、週次に限らず、日次など任意の単位で算出を行うことができる。また、入力の予測値の単位は４週に限定されず、月次の予測値や週次の予測値に対し、同様の処理を行うこともできる。

このようなスムージング手法を実施例１や実施例２に適用することで、図１４に示す結果を得ることができる。具体的には、月別の予測モデルから得られた月別の予測結果を用いて、週別の予測値を推定することができる。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［実施例の効果］

図１５と図１６を用いて、上記実施例の効果を説明する。図１５は、効果を説明する図である。図１６は、効果の比較例を説明する図である。図１５に示すように、上記実施例による手法は、企画書に記載される狙い、ターゲット層、特徴、キャンペーン情報などを用いてテキストマイニングおよびクラスタリングを実行した結果を説明変数に設定し、商品の属性である過去の販売実績などを目的変数に設定した学習データを用いた機械学習を実行する。

このような学習により、上記実施例による手法は、新商品の初期需要と需要の推移を学習することができるとともに、累積の増加や需要傾向（パターン）をも学習することができる。すなわち、上記実施例による手法は、類似商品の需要パターンを要素の組合せに分解して学習することができる。

この結果、図１６に示すように、定数予測を行う一般手法Ａや、定型情報や数値情報のみを用いた機械学習を行う一般手法Ｂに比べて、誤差率を低減することができる。シミュレーションによれば、実施例による手法を用いることで、誤差率の中央値を１９．３％まで低減することができる。

［データや数値等］
上記実施例で用いた数値、データ例、データの数、ラベルの設定内容等は、あくまで一例であり、任意に変更することができる。また、キーワードは、特徴語の一例である。また、既存商品は、過去の商品であり、現段階で販売が終了している商品であってもよく、現段階で販売が継続中の商品であってもよい。また、目的変数には、売上以外にも、携帯電話などの契約数を用いることができる。また、上記実施例では、月別の売上情報を用いて月別の予測モデルを生成する例を説明したが、これに限定されるものではなく、日別、週別、年別の売上情報を用いることで、様々な予測モデルを生成することができる。

また、企画書データの項目ａと項目ｂを用いる例を説明したが、これに限定されるものではなく、１つ以上の項目を用いることができ、企画書全体を１つの項目として用いることもできる。また、企画書以外にも商品の説明書などを用いることもできる。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、学習処理部４０と予測処理部５０とを別々の装置で実現することもできる。

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［ハードウェア］
図１７は、ハードウェア構成例を説明する図である。図１７に示すように、需要予測装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１７に示した各部は、バス等で相互に接続される。

通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各機能を実行するプロセスを動作させる。すなわち、このプロセスは、需要予測装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、学習処理部４０と予測処理部５０等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、学習処理部４０と予測処理部５０等と同様の処理を実行するプロセスを実行する。

このように需要予測装置１０は、プログラムを読み出して実行することで需要予測方法を実行する情報処理装置として動作する。また、需要予測装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、需要予測装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

１０ 需要予測装置
１１ 通信部
１２ 記憶部
１３ 企画書ＤＢ
１４ 売上情報ＤＢ
１５ 月別売上情報ＤＢ
１６ テキスト情報ＤＢ
１７ 重み情報ＤＢ
１８ クラスタＤＢ
１９ 学習データＤＢ
２０ 学習結果ＤＢ
２１ 予測結果ＤＢ
３０ 制御部
４０ 学習処理部
４１ 単語抽出部
４２ 重み算出部
４３ 選定部
４４ クラスタリング部
４５ 学習データ生成部
４６ 学習部
５０ 予測処理部

Claims (10)

1. コンピュータが、
   発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出し、
   前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成し、
   生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する
   処理を実行することを特徴とする需要予測方法。
2. 前記抽出する処理は、複数の既存商品それぞれに対応する各文書と前記新商品に対応する文書とから前記特徴語を抽出し、
   前記生成する処理は、前記複数の既存商品と前記新商品とを、それぞれから抽出された特徴語を用いてクラスタリングして前記クラスタリング情報を生成し、
   前記学習する処理は、前記クラスタリング情報のうち前記複数の既存商品それぞれに該当するクラスタリング情報を用いて複数の学習データを生成し、前記複数の学習データを用いて前記予測モデルを学習する処理を実行することを特徴とする請求項１に記載の需要予測方法。
3. 前記クラスタリング情報のうち、前記新商品に該当するクラスタリング情報を、学習済みの予測モデルに入力し、前記学習済みの予測モデルの出力結果を、前記新商品の需要予測として取得する、処理を前記コンピュータが実行することを特徴とする請求項２に記載の需要予測方法。
4. 前記抽出する処理は、複数の既存商品それぞれに対応する各文書から前記特徴語を抽出し、
   前記生成する処理は、前記複数の既存商品を、それぞれから抽出された特徴語を用いてクラスタリングして前記クラスタリング情報を生成し、
   前記学習する処理は、複数の既存商品の前記クラスタリング情報を用いて複数の学習データを生成し、前記複数の学習データを用いて前記予測モデルを学習する処理を実行することを特徴とする請求項１に記載の需要予測方法。
5. 前記新商品に対応する文書から前記特徴語を抽出し、
   前記新商品の特徴語と、前記複数の既存商品それぞれの特徴語とを用いて、前記新商品と前記複数の既存商品それぞれとの類似度を算出し、
   前記類似度を用いて、前記新商品を前記複数の既存商品がクラスタリングされた各クラスタに対応付け、
   前記新商品を前記各クラスタに対応付けた結果を、学習済みの予測モデルに入力し、前記学習済みの予測モデルの出力結果を、前記新商品の需要予測として取得する、
   処理を前記コンピュータが実行することを特徴とする請求項４に記載の需要予測方法。
6. 前記学習する処理は、前記クラスタリング情報を説明変数に設定し、前記既存商品の所定期間ごとの売上実績それぞれを目的変数に設定した各学習データを用いて、前記所定期間ごとの前記新商品の需要予測を行う各予測モデルを学習することを特徴とする請求項１に記載の需要予測方法。
7. 前記新商品に該当するクラスタリング情報を、学習済みの各予測モデルに入力し、前記学習済みの各予測モデルの出力結果を、前記所定期間ごとの前記新商品の需要予測として取得する、処理を前記コンピュータが実行することを特徴とする請求項６に記載の需要予測方法。
8. 前記所定期間ごとに予測された前記新商品の需要予測の結果を用いてスムージングを実行して各所定期間の間の予測結果を補間する、処理を前記コンピュータが実行することを特徴とする請求項７に記載の需要予測方法。
9. コンピュータに、
   発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出し、
   前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成し、
   生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する
   処理を実行させることを特徴とする需要予測プログラム。
10. 発売が開始されている既存商品または発売が開始されていない新商品の属性が記載された各文書から、予め設定された条件に基づいて各商品の属性を示す特徴語を抽出する抽出部と、
    前記各文書に含まれる特徴語の出現頻度から、商品ごとに特徴語を有する度合の組み合わせを示したクラスタリング情報を生成する生成部と、
    生成したクラスタリング情報を説明変数に設定し、前記既存商品の売上実績を目的変数に設定した学習データを用いて、前記新商品の需要予測を行う予測モデルを学習する学習部と
    を有することを特徴とする需要予測装置。

Images