人工知能学会第２種研究会資料 SIG-KST-2009-03-04(2010-03-04) 知識ベースによる販売予測法の改良法と出版増刷支援システム “The Cluster Grouping Approach for NM Forecasting Model Its Publishing Support System” 田中謙司 1, 宮村幸宏,鈴木慎太郎 Kenji Tanaka, Yukihiro Miyamura, Shintaro Suzuki 東京大学大学院工学系研究科システム創成学専攻 Department of Systems Innovation, Graduate School of Engineering, The University of Tokyo Abstract: 新製品の販売推移は、販売後に急増しその後突然ピークアウトする。この需要変動は、機会損失と廃棄ロスを大量に発生させてきた。本研究では、専門家の知識を活用する NM 予測法に改良を加え、更にそれを用いた出版支援システムを提案する。出版支援システムにおいては、様々なノウハウを市場流通量などのパラメータで表現する。これら手法を２出版社における実験を通じて検証し有効性を確認した。 Keywords: forecast, book sales, knowledge utilization, k-means 1. はじめに 21 世紀に入り消費財市場は、高度成長期の大量消費から、消費者ニーズの多様化が進展した少量多品種のへと変化した。デジタル家電など多くのメーカーは、次々と新製品を投入して市場を刺激することで市場変化に適応し、製品ライフサイクルは大幅に短縮された。販売期間が短くなったことで、販売総数に対する過剰在庫数の割合は大きくなり、その最終的な製品在庫廃棄率が、製品のライフサイクル収益を大きく左右するようになった。その廃棄率に決定的な影響を与えているのは需要予測に基づく生産計画である。生産過剰になれば、最終廃棄コストが収益を下げ、過少になれば店頭在庫不足による機会損失を発生する。そのような業界における生産計画数およびそのタイミングの決定は収益管理上極めて重要な事項である。Agrawal and Schorling[1]は、計画決定における需要予測の精度が最終的な収益に大きく影響することを示した。その重要性とは対照的にその予測の困難さと精度の低さによってこれまで予測を用いた実用的な収益管理はなされてこなかった。 Mentzer and Bienstock[2], Chu and Zhang[3]が指摘しているようにロングセラー製品のような販売既存の確立した予測法は傾向には確立した線形予測手法はに限定されるため、不安定かつ非線形な挙動を示すあるものの、発売直後の新製品の予測は不安定かつ非線形で予測は困難である。これに対してニューラルネットワークによる予測法などが研究されてきたものの、予測精度制度が安定しない、設定準備が、事前の設定準備に多くの手数を必要とするためアイテム数の多い製品などでは普及するまでには至っていない（Callen et al[4], Kirby et al[5]）。したがって、「経験と勘」に基づく決定に頼ってきているのが現状である。そのため在庫廃棄率は、デジタル家電業界や書籍流通業界のように販売総数の 4 割以上に達する場合も存在し、業界全体に深刻な影響を及ぼしている。書籍業界を取り巻く環境の変化や出版業界の商習慣、構造的特徴がもたらす弊害により、近年出版業界は厳しい困難に直面している。出版物の売上は 1996 年をピークに減り続けており、2009 年には 21 年ぶりに書籍と雑誌を合わせた売上高が 2 兆円を割る事態となった。また、返本率は 40%前後を推移しており、改善が望まれているものの未だ効果的な策が打ち出されていない。このような状況を改善するために、業界各プレイヤによるデータ共有と、科学的な未来予測に基づく経営システムを提供する目的で BBI（Book Business Innovation）プロジェクトが進められている。本研究はこの一環として行われた。BBI プロジェクトとは返品率 40％に代表される書籍流通の非効率を業界全体最適の観点から効率化し、業界すべてのプレイヤの利益向上を図る試みとして、東京大学、書籍卸会社、およびエンジニアリング会社が共同で進め田中謙司東京大学大学院工学系研究科システム創成学専攻助教東京都文京区本郷 7-3-1 e-mail:kenji_tanaka@sys.t.u-tokyo.ac.jp *)本資料の著作権は著者に帰属します。ているものである（図 1）。このプロジェクトにおいて予測法が開発され利用されているが、本研究は、更に予測精度を必要とする商材に関して、エキスパートによるグルーピングを、クラスタリング手法を用いて改良し、出版社支援システムへ実装することを目的とする。出版社取次書店顧客 4000 社 17,000 書店 ….. … 販売予測返本率２割統合データ図1 BBI プロジェクトコンセプトグループから除外することで予測精度を向上させるというアプローチである。異常タイトル判定には、販売傾向を表す指標として、売上到達日数（Sales Accomplished Day，以下 SAD）を定義し、これを用いる。SAD は、ある期間において、期間内の総売上数に対して p %売上を達成するのに要する日数である。p はグループの特徴によって変更可能な SAD の変数であり、p を考慮する場合は特に SAD（p）と表す。あるグループにおいて、｢SAD(70)＜60｣という条件でフィルタリングを行った結果を図 2 に示す。SAD の閾値と p を変化させることでさまざまなフィルタリングが可能であるため、これらを変更させて最もよい精度が期待できるフィルタリングを採用する。最適なパラメータを決定するまでの流れを、図 3 に示す。２. 販売予測法の改良 2.1 NM 予測法 NM 予測法とは、田中ら[6]により改良アプローチが研究された販売予測法で、逓減型の販売傾向を示す商材の予測に適性がある。これは、販売流通プロセスが同一であり、商材の種類も似ているグループでは累積販売傾向が類似していることを利用して、 N 日目までの累積販売数にから将来の累積販売数を予測する手法である。その基本概念は図．1 に示す。 NM 予測法における予測精度は、販売傾向の類似したグループを作製すること、予測対象商材を販売結果が判明する以前に所属するグループへ所属させることに影響する。田中らは、エキスパートの知識を用いた書籍ジャンルグルーピングを採用することで一定の実用精度を確保した。 7日－365日累積売上冊数分布（文庫ジャンルの例） y = 2.85x R 2= 0.8185 予測 365日目の累積販売数 1000 N日 500 ７日目の累積販売数 1000 N日目とM日目の累積販売数は相関がある M日（冊） N日目の実績からM日目の累積販売数を予測する図. 1 NM 予測法の基本概念 2.2 図 3 定法 2.3 0 0 SAD(p)によるフィルタリング結果 NM予測（冊） 2000 図2 フィルタリングによる改良グループ内の販売傾向のばらつきは大きくないが、大きく販売傾向の異なる少数のタイトル(異常タイトル)が含まれている場合、それらの異常タイトルを SAD フィルタリングによる最適パラメータ決クラスタリング手法による改良グループ内のばらつきが大きいグループでは、グループ内でクラスタリングを行い適切なグループを生成することにより予測精度の向上を目指す。本研究では、（ア）販売傾向によるクラスタリング（イ）初版部数によるクラスタリング（ウ）初版部数と販売傾向のクラスタリングという 3 つのクラスタリング手法を試みた。販売傾向によるクラスタリングとは、対象グループに対して SAD を用いた k-means 法によりクラスタリングを行い、生成されたグループで NM 係数を算出する。そして予測時には、まず予測時点以前から予測時点まで各クラスタの NM 係数を用いて予測を行い、誤差の最も小さいクラスタを採用する。採用されたクラスタの NM 係数により、予測時点から予測目標日までの販売予測を行う方法である。この手順を図 4 にチャートで示す。また、初版部数によるクラスタリングとは、初版部数により事前に所属クラスタを決定する手法で、初版部数と販売傾向によるクラスタリングとは、これらを組合せた手法である。 2.4 増刷推奨システム出版経営では不適切な増刷により過剰在庫を抱えてしまう傾向にある。そこで、本研究の販売予測法を用いた増刷推奨するシステムを開発した。本システムでは週次で更新されるデータから販売数予測を行い、それに基づき時期に合わせた増刷推奨を提供する。システムの概要を図 5 に示す。図5 増刷推奨システム概要３.本手法の検証 3.1 シミュレーションによる検証本研究で示す販売傾向クラスタリングを採用した販売予測を行い、増刷推奨で示された数の増刷シミュレーションを行った。対象は中堅ビジネス出版社 2 社の 2006-2009 年に出版された全タイトルを用いる。累計推奨印刷実績と販売実績を用いて時間進行の再現シミュレーションから効果を検証する。印刷のリードタイムは 2 週間とした。 3.2 誤差±30%以内タイトル割合（予測時点－予測日）既存手法との比較検証 50% グループ1 45% +12% 40% 40% 33% 30% 30% 20% 14日－182日 20% 10% 10% 0% 0% 中分類 60% 50% +9% 46% 70% 55% 予測 q日目までの販売数を k個のクラスタにより予測発売後p日目 3× 2 クラスタ2を適用 30日－182日 30% 20% 20% 10% 10% 0% 0% 中分類 90% 80% 70% +12% 傾向3クラスタ 79% p q m 日数 n 予測クラスタ判定決定したクラスタにより m日目を予測発売後n日目(n≧q) 図 4 販売傾向クラスタリングを用いた予測の手順傾向3クラスタ 87% 79% 70% 60% 50% 40% 40% 60日－182日 30% 30% 20% 20% 10% 10% 0% 傾向4クラスタ平均11%の精度向上図6 +8% 90% 80% 67% 0% 発売後q日目中分類 100% 50% 最も精度のよいクラスタを採用クラスタ1 66% 40% p日時点の予測の精度を評価クラスタ2が × 最も近い傾向3クラスタ 50% 30% 大分類 ○ +3% 63% 60% 60% 実績修正NM中分類傾向4クラスタ 40% まず、予測法の検証を行う。既存手法ではグルーピングはエキスパートによる分類の大分類、中分類、および、それぞれのフィードバック修正 NM 法[6] と合わせて 4 種類を準備する。これらのうち最も良いものとクラスタを用いた予測手法の比較を図 6 に示す。グループ247% 39% +8% 50% 中分類傾向3クラスタ平均6%の精度向上既存予測手法と本研究の予測手法との比較ここでグループ 1、2 とは出版社 A、B を示す。量出版社の結果においても 11%、6%と 30%誤差ないタイトルが増加し、本研究の予測手法の有効性を示すことができた。 3.3 出版支援システムの検証出版支援システムの再現シミュレーションの結果、返本は、全体で 35%、218,267 冊削減した。返本数削減の効果を、図 6 に示す。増刷を行ったタイトルに限れば、返本冊数を 56%削減することができた。 2. （冊） 700,000 3. 600,000 －218267（冊） 500,000 397776 400,000 実増刷ありタイトル返本数合計 173509 300,000 全体で約35%減少増刷ありタイトルでは約56%減少を開発することで、既存の NM 予測法が抱えていた問題点を解決し、6-11%の予測精度向上を達成した。開発した予測法をもとに、出版社における出版経営システムを構築した。さらに、実データによるシミュレーションの結果、35%の過剰在庫削減できる可能性を示した。出版社における実証実験を実施し、実際にシステムが運用できることを示し、さらにその結果 7 割以上のタイトルを予測精度 30%以内という予測精度が達成された。 200,000 実増刷なしタイトル返本数合計 [１] Agrawal, D., Schorling, C., Market share forecasting: An empirical comparison of artificial neural network and multinomial logit model,, Journal of Retailing 72(4), 220718 100,000 226718 383-407(1996) [２] Mentzer, J.T., Bienstock, C.C., Sales Forecasting, 0 現状推奨 Management. Sage, Thousand Oaks, CA.(1996) [３] Ching-Wu Chu, Guoqiang Peter Zhang, A comparative 図6 システム適用による返本削減効果 study of linear and nonlinear models for aggregate retail sales forecasting, 3.3 実証実験 2010 年 1 月より 2 ヶ月間、取次会社とビジネス中堅出版社 2 社との共同実験により、本システムによる週 2 回の増刷推奨を提供する実証実験を行った。その結果による予測精度の検証を図 7 に示す。短期間の実験ので、返本数の削減の検証が困難なため目標は、7 割以上のタイトルを予測精度が 30%以内にすることであった。これは返本率 40%より小さくすることを目的とした。図 7 に示すように、実験の結果 A、B 両社ともその目標が達成されている。 Int. J. Production Economics 86, 217–231(2003) [４] Callen, J.L., Kwan, C.Y., Yip, C.Y., Yuan, Y., Neural network forecasting of quarteryly accounting earnings. International Journal of Forecasting 12, 255-267(1996) [５] Kirby, H.R., Watson, S.M., Dougherty, M.S.,Should we use neural networks or statistical models for short-term motorway traffic forecasting?, International Journal of Forecasting 12, 43-50(1997) [６] Kenji Tanaka, Shoji Takechi, Knowledge based Forecasting for Non-linear Trend Products, Proceedings of the ISPE International Conference Concurrent Engineering(2009) [７] 宮田秀明, 田中謙司, 佐藤一郎, 西陽一「増刷推奨処理システム」, 特願 2007-127052, 平成 19 年 5 月 11 日出願 [８] 宮田秀明, 田中謙司, 佐藤一郎, 西陽一「販売予測システム、方法、及び、コンピュータプログラム」, 特願 2007-10795, 平成 19 年 1 月 19 日出願図7 各予測目標日における予測精度の検証４.結論本研究の結論は以下の通り 1. データのフィルタリング、クラスタリング手法