专利名称：订单预测系统、订单预测方法及订单预测程序的制作方法
技术领域：
本发明涉及订单预测系统、订单预测方法及订单预测程序，特别涉及用于根据由作为需求者的客户所提供的预测信息(forecastinformation)，执行订单预测的订单预测系统、订单预测方法及订单预测程序。
背景技术：
近年，主要在制造业或流通业等方面，于资材调度、库存管理，甚至于产品配送等一连串事务活动，已超越企业或组织的界线而进行整合性管理，由此改善业务效率的手法正备受瞩目。这种组合一般通称为“供应链管理(Supply Chain Management，SCM)”，主要在缩短交货期间或减少缺货、压缩库存等方面颇具效果。
为能充分发挥供应链管理的效果，供应者与需求者间的密切信息交换是属不可或缺。例如，若需求者将未来的详细订单预估通知供应者的话，供应者便可根据此数据建立未来的生产计划，可抑制发生库存过剩或缺货的情况。这种根据未来的订单预估(即供应者立场的未来订单预估)信息，便称为“预测信息”，可谓属于使供应链管理充分发挥功能的必要信息。
在此针对供应者立场的订单种类与其性质进行说明。因为就供应者立场而言，需求者即为“客户”，因而在下述说明中，便将需求者写为“客户”。
供应者立场的订单种类，可区分为“确定订单”与“预约订单”等二种。所谓“确定订单”是指交货日及数量均已确定的订单。确定订单是因为就客户立场而言属于确定下单，因而供应者在接受确定订单之后，在客户端便将产生产品交易的义务。而所谓“预约订单”是指数量虽已确定，但是交货日尚未确定的订单。预约订单是在交货日未确定的前提下，客户端为求确保产品预定数量而下单，因此一般在接受预约订单之后，在客户端便将产生产品交易的义务。就这点而言，预约订单具有与确定订单相同的性质。
相对于此，上述“预测信息”并非所谓的订单，而是关于未来订单的预估信息。所以，交货日或数量均未确定，只不过提供每个交货预定日的所需数量而已。通常预测信息由客户端提供，但是并未因此而与客户端产生产品交易的义务，充其量只不过当作使供应链管理达顺畅功能的预估信息而已。
图21所示是订单与生产的时间关系的一例图，是生产所需期间(以下称为“产品前置时间(product leadtime)”)短(或相等)于从确定订单起至交货日为止的期间的情况。如图21所示，若将从确定订单起至交货日为止的期间设定为T1，将该产品的产品前置时间设定为T0的话，在本例中因为T1≥T0，因此在接受确定订单之后才开始生产便可。即，因为在接受确定订单之后，于截至交货日为止的剩余期间为T0的时间点才开始生产的话，便可在交货日完成生产，因此供应者便不会有库存。所以，这种状况的预约订单或预测信息对每项产品(或每项品名)的生产计划并不具有多大的意义。
图22所示是订单与生产的时间关系的另一例图，是产品前置时间长于从确定订单起至交货日为止的期间，而产品前置时间短(或相等)于从预约订单起至交货日为止的期间的情况。如图22所示，在本例中因为T1＜T0，
因此在接受确定订单之后才开始生产的话，将无法于交货日如期完成产品，但是当将从预约订单起至交货预定日为止的期间设定为T2的情况时，因为T2≥T0，因此在接受预约订单之后才开始生产便可。此情况下，若在接受预约订单之后，于截至交货预定日为止的剩余期间为T0的时间点才开始生产的话，便可在交货预定日完成生产。但是，因为预约订单并未确定正式的交货日，因此随确定订单的内容，实际的应交货日期恐有在此预定日前后的状况。所以，为使不致发生缺货情况，便有必须在比截至交货预定日的剩余期间达T0时点，更早的时间点便开始进行实际的生产，结果多少将出现库存情况。
图23所示是订单与生产的时间关系的再另一例图，是产品前置时间长于从确定订单起至交货预定日为止的期间的情况。如图23所示，在本例中因为T2＜T0，因此在接受预约订单之后才开始生产的话，将无法于交货预定日如期完成产品，而发生缺货的情况。为能防止缺货，便必须根据预测信息执行预估生产，但是如上所述，依照预测信息的交货日或交货数量均属未确定，不仅有变动的可能性，而且因为客户端并无产品交易义务，因此供应者端必须负担全部风险(因缺货所衍生的交货风险或因滞销所衍生的库存风险)。这种风险在订制产品的预估生产方面可谓特别深刻。
再者，根据预估信息执行生产管理的系统，有如日本专利特开2002-140110号公报中所揭示。
近年，产品的寿命周期有越来越短的倾向，在这种市场环境下企业为求确实提升利润，在较佳时机将产品投入市场中或迅速调整供应量的事是越显重要。为能达成此要求，便产生必须缩短从确定订单起至交货日为止的期间(T1)或缩短从预约订单起至交货预定日为止的期间(T2)，如图23所示例，产品前置时间(T0)长于从预约订单起至交货预定日为止的期间(T2)的情况已非常普遍的增加。这种倾向不仅通用产品，就连订制产品也是相同，因预估生产所衍生的供应者风险越来越大。
所以，对供应者而言预测信息的正确性便属非常重要，但是因为市场需求动向无时无刻在变动，因而就连客户端也颇难对供应者端提供正确的预测信息。因此，供应者端在为求降低交货风险或库存风险方面，根据从客户所提供的预测信息进行高精度订单预测的事便相形重要。
发明内容
本发明的目的在于提供可根据预测信息进行高精度订单预测的订单预测系统、订单预测方法及订单预测程序。
本发明者等针对采用预测信息的订单预测进行深入钻研，结果发现在预测信息与相应于此的订单实绩之间，每位客户(或客户群)及每项产品(或产品群)，存在特有相关性。即，整体观之，预测信息与订单实绩间的关系各不相同，几乎无法发现一定的倾向，但是若关注于某客户(或客户群)的某项产品(或产品群)的话，便可发现在预测信息与订单实绩之间的一定关系，且得知这种关系是依每位客户(或客户群)及产品(或产品群)而不同。
本发明是根据这种见解而构思，本发明的订单预测系统，根据表示多个交货预定日或交货预定期间每个的所需数量的预测信息，预测订购数量，其中具备储存着接收日不同的过去的多个预测信息的预测储存部；储存着每个交货日或交货期间的各订单实绩的订单实绩储存部；以及根据上述预测储存部中所储存的上述过去的预测信息及上述订单实绩储存部中所储存的上述订单实绩，通过对为预测对象的新预测信息内的所需数量进行修正，而计算出订单预测数量的处理部；其中，上述处理部是计算为上述过去的预测信息中所含1或2个以上所需数量与其所对应的1或2个以上订单实绩间之比的转换系数，并计算出从预测接收日起至交货预定日为止间的期间的预测前置时间，为相等的多个转换系数的标准偏差，将上述标准偏差或根据其所获得的数值未超过预定阈值的预测前置时间判断为有效的预测前置时间，通过进行采用上述新预测信息中所含的所需数量之中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，而计算出订单预测数量。
再者，本发明的订单预测方法，根据表示多个交货预定日或交货预定期间每个的所需数量的预测信息，预测订购数量，其特征在于，将接收日不同的过去的多个预测信息储存于预测储存部中，并将每个交货日或交货期间的各订单实绩储存于订单实绩储存部中，再利用根据上述预测储存部中所储存的过去的预测信息中所含1或2个以上所需数量，与上述订单实绩储存部中所储存订单实绩中，相对应的1或2个以上订单实绩间之比，计算出转换系数，并计算出从预测接收日起至交货预定日为止的期间的预测前置时间相等的多个转换系数的标准偏差，将上述标准偏差或根据其所获得的数值未超过预定阈值的预测前置时间判断为有效的预测前置时间，利用进行采用新预测信息中所含的所需数量之中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，由此计算出订单预测数量。
再者，本发明的订单预测程序的特征是使计算机执行下述步骤利用过去的预测信息中所含1或2个以上所需数量与其对应的1或2个以上订单实绩间之比，计算出转换系数的步骤；计算出从预测接收日起至交货预定日为止的期间的预测前置时间相等的多个转换系数的标准偏差的步骤；将上述标准偏差或根据其所获得的数值与预定阈值，依每个预测前置时间进行比较，并将未超过上述预定阈值的预测前置时间判断为有效的预测前置时间的步骤；利用进行采用新预测信息中所含的所需数量中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，由此计算出订单预测数量的步骤。
若依照每位客户(或客户群)及产品(或产品群)进行上述处理的话，因为所获得的预测订购数量是经考量各客户(或客户群)的各产品(或产品群)，所相关预测信息与订单实绩间的关系的数值，因此相较于预测信息内所需数量的下，接近实际确定订单量的机率非常高。由此，依照本发明的话，便可降低因预估生产所衍生的风险(因缺货所衍生的交货风险或因滞销所衍生的库存风险)。在订单预测数量的计算方面，只要将新预测信息中所含的所需数量，乘上其所对应的多个转换系数的平均值的话便可。
在本发明中，最好利用过去的预测信息中所含的所需数量中，预测前置时间连续的2个以上所需数量，与其所对应的2个以上订单实绩之比，计算出转换系数。若依此计算出转换系数的话，因为将形成也考量过去有变更交货状况的订单预测，因此可更加降低因预估生产所衍生的风险。此情况下，转换系数最好在连续2以上预测前置时间中，当作期间最短的预测前置时间所对应转换系数予以处置。若依这种处置的话，便可获得重要性最高的逼近交货预定日或交货预定期间，所相关的预测订购数量。
在本发明中，最好将标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间判断为有效的预测前置时间。若采用这种判断基准的话，便可更加降低根据最后所获得预测订购数量执行预估生产时的风险。
图1为预测信息的数据结构图。
图2为预测变迁表20的结构图。
图3为预测变迁表30的结构图。
图4为订单实绩表40的结构图。
图5为本发明较佳实施方式的订单预测方法的流程图。
图6为预测转换系数表50的结构图。
图7为预测转换系数表60的结构图。
图8为预测转换系数表70的结构图。
图9为标准偏差表80的结构图。
固10为标准偏差表90的结构图。
图11为标准偏差表100的结构图。
图12为平均值表110的结构图。
图13为平均值表120的结构图。
图14为平均值表130的结构图。
图15为采用平均值表110，根据最新预测信息执行订购数量的预测计算方法说明图。
图16为采用平均值表120，根据最新预测信息执行订购数量的预测计算方法的一例说明图。
图17为采用平均值表120，根据最新预测信息执行订购数量的预测计算方法的另一例说明图。
图18为采用平均值表130，根据最新预测信息执行订购数量的预测计算方法的一例说明图。
图19为采用平均值表130，根据最新预测信息执行订购数量的预测计算方法的另一例说明图。
图20为本发明较佳实施方式的订单预测系统构造的方块图，图21为订单与生产的时间关系的一例图。
图22为订单与生产的时间关系的另一例图。
图23为订单与生产的时间关系的再另一例图。
图号说明
10预测信息11单位数据12交货预定日(或交货预定期间)13所需数量20，30预测变迁表21～25，31～34所需数量数据组40订单实绩表50，60，70预测转换系数表51，52，61～65，71～74栏80，90，100 标准偏差表110，120，130 平均值表200 订单预测系统210 处理部220 记录部221 程序储存部222 预测储存部223 订单实绩储存部224 转换系数储存部225 标准偏差储存部226 平均值储存部230 输入部240 显示部具体实施方式
以下，参照附图，针对本发明较佳实施方式进行详细说明。
图1所示是一般预测信息的数据结构图。如图1所示，预测信息10由多个单位数据11、11、…所构成，各单位数据11、11、…由交货预定日(或交货预定期间)12与在各交货预定日(或交货预定期间)所应交货的产品数量(即所需数量13)所构成。
本发明的订单预测通过统计这种预测信息10，而首先制作预测变迁表。但是，在预测信息10中所含的交货预定日的间隔或交货预定期间的长度(在本说明书中称为“时段(time bucket)”)，依客户及产品而各不相同，而且预测信息10的发表间隔，即供应者立场的预测信息10的接收间隔(在本说明书中称为“预测接收间隔”)，也依客户与产品而各不相同。因此，预测变迁表的制作必须区分为时段与预测接收间隔一致的情况，及并非一致的情况实施。
图2所示是预测变迁表的一例图，表示预测接收间隔与时段一致的情况。如图2所示，预测变迁表20是具有列为分配着交货预定日(或交货预定期间)，而行则分配着接收预测信息的日期(在本说明书中称“预测接收日”)的结构。在图2所示例子中，预测接收间隔及时段均设为1周，例如第1周所接收的预测信息10-1由第2周至第5周的各周所需数量数据构成，而第2周所接收的预测信息10-2则由第3周至第6周的各周所需数量数据构成。关于第3周至第5周所接收的预测信息10-3～10-5亦同，分别由第4周至第7周、第5周至第8周、第6周至第9周的各周所需数量数据构成。
如图2所示，当将预测接收日(在本例中为接收的那一周)设为“a”，将交货预定日(在本例中为交货预定周)设为“b”时，各所需数量数据便如下表示F(a，b)。
例如，第2周所接收的预测信息10-2中所含所需数量数据中，第5周应交货的数量记为F(2，5)。
在图2所示例子中，各预测信息10-1～10-5分别表示从预测接收日起观之，经1周后至4周后的所需数量。所以，将从预测接收日(在本例中为接收的那一周)起至各交货预定日为止的期间，定义为“预测前置时间(以下记为“预测LT”)”，若将其数值设定为“c”的话，则预测LT便为下式c＝b-a。
例如，所需数量数据F(2，5)的预测LT为下式c＝5-2＝3(3周)。
图3所示是预测变迁表的另一例图，表示预测接收间隔与时段并非一致的情况。如图3所示，预测时间过程表30表示时段为1周，而预测接收间隔为2周的情况，各预测信息10-11～10-14分别表示从预测接收日起观之，经1周后至6周后的所需数量(c＝1～6)。
再者，在图2及图3所示例子中，虽在所有预测信息中含有预测LT为1周(c＝1)的所需数量数据，但是也有在各预测信息中仅含有预测LT为2周(c＝2)以后的所需数量数据的状况。反之，也有含有预测LT为0周(c＝0)的所需数量数据(如F(1，1))的状况。例如，在星期一所接收的预测信息中，包含有同周星期五便应交货的产品所需数量数据的情况等。即，图2及图3所示预测变迁表充其量只不过为一例而已，仅要配合接收的预测信息中所含所需数量数据的预测LT，制作适当预测变迁表的话便可。
在本发明的订单预测中，是合并上述预测变迁表20(30)，采用表示每个时段的订单实绩的订单实绩表。图4所示是订单实绩表40的结构图，表示每个时段的订单实绩(确定订单中的数量)。如图4所示，各订单实绩是当将交货日(在本例中为交货周)设为“d”的情况时，便表示如下式QTY(d)。
例如，第3周的订单实绩如下式QTY(3)。
当然，预测信息的所需数量数据与订单实绩并不限定于一定要一致。
本发明利用对这种预测变迁表20(30)与订单实绩表40进行分析，而实际进行订单预测。以下，针对本发明较佳实施方式的订单预测顺序，采用流程表进行详细说明。
图5所示是本发明较佳实施方式的订单预测方法的流程图。
如图5所示，在本实施方式的订单预测中，首先制作上述预测变迁表20(30)及订单实绩表40(步骤S1)。如上所述，预测变迁表20(30)的制作将所接收的预测信息10，依交货预定日(或交货预定期间)对其的方式，依照时间顺序排列。
接着，根据预测变迁表20(30)与订单实绩表40，制作预测转换系数表(步骤S2)。所谓“预测转换系数”(以下简称“转换系数”)，利用预测变迁表20(30)中所含的所需数量数据与订单实绩表40中所含的订单实绩间之比(QTY/F)而定义，预测转换系数表是对其预测LT，依每个预测接收日表示转换系数的表。转换系数是表示所需数量数据对订单实绩到底偏离何种程度的数值，若其超过100％且变大的话，是意味着所需数量数据相对于订单实绩过小，而若低于100％且变小的话，则意味着所需数量数据相对于订单实绩过大。
图6所示是预测转换系数表的一例图。如图6所示，表示预测转换系数表50中每个预测LT与预测接收日(在本例中为接收的那一周)的转换系数，而原始数据是采用图2所示预测变迁表20与订单实绩表40。
预测转换系数表50中，列表示预测LT，例如在c＝1的列中，分配着预测LT为“1(1周)”的所需数量数据(即b-a＝1的所需数量数据)，与其所对应的订单实绩，即，d＝b的订单实绩之比。此外，预测转换系数表50中，行表示预测接收日，例如在a＝1的行中，分配着预测接收日为“1(第1周)”的所需数量数据与其所对应的订单实绩，即，
d＝b的订单实绩之比。
因此，例如在c＝1的列与a＝1的行的栏51中，分配着第1周所接收的预测信息中，预测LT为“1”的所需数量数据F(1，2)与其所对应订单实绩QTY(2)之比QTY(2)/F(1，2)，而在c＝4的列与a＝3的行的栏52中，分配着第3周所接收的预测信息中，预测LT为“4”的所需数量数据F(3，7)与该交货日订单实绩QTY(7)之比QTY(7)/F(3，7)。
图7所示是预测转换系数表的另一例图。
图7所示是预测转换系数表60原始数据，如同上述预测转换系数表50，采用预测变迁表20与订单实绩表40，但是构成预测转换系数表60的各栏是分配着预测LT连续的2个所需数量数据总计与其所对应订单实绩总计之比。例如在c＝1与2的列中，便分配着预测LT为“1(1周)”的所需数量数据及“2(2周)”的所需数量数据的合计，与其所对应的2个订单实绩总和之比。由此例如构成c＝1与2的列的栏61～65，便分别对应着图2所示所需数量数据组21～25。
图8所示是预测转换系数表的再另一例图。
图8所示预测转换系数表70，原始数据采用图3所示预测变迁表30与订单实绩表40，在构成预测转换系数表70的各栏中，分配着预测LT连续的4个所需数量数据总计与其所对应订单实绩总计之比。例如在c＝1～4的列中，便分配着预测LT为“1(1周)”至“4(4周)”的所需数量数据总计，与其所对应4个订单实绩总计之比。由此例如构成c＝1～4的列的栏71～74，便分别对应着图3所示所需数量数据组31～34。
上述充其量只不过是预测转换系数表的几个例子而已。即，虽图6所示预测转换系数表50为依每个预测LT，计算着所需数量数据与订单实绩之比(转换系数)，图7所示预测转换系数表60为连续2个预测LT汇总(统筹)计算，图8所示预测转换系数表70为连续4个预测LT汇总计算，但是在预测转换系数表中，预测LT的汇总数量(＝e)并不仅限定于上述例子(图6为e＝1、图7为e＝2、图8为e＝4)，也可e＝6或e＝8。具体而言，在预测信息与确定订单之间，当数量偏差较多，但交货偏差较少的情况时，最好将预测LT的汇总数量e设定为较小值(e＝1、e＝2等)，而当数量偏差较小，但交货偏差较多的情况时，最好将预测LT的汇总数量e设定为较大值(e＝6、e＝8等)。实际上，仅要配合客户(或客户群)与产品(或产品群)的性质而决定便可。
请再参照图5，接着采用预测转换系数表，依每个预测LT或每个预测LT组求取转换系数的标准偏差(步骤S3)。如上所述，各转换系数是因为依每个预测接收日进行计算，所以标准偏差较大的事是意味着每个预测接收日的转换系数偏差较大的涵义，而标准偏差较小的事是意味着每个预测接收日的转换系数偏差较小的涵义。
图9所示是依图6所示预测转换系数表50为原始数据所制成的标准偏差表80，由每个预测LT的标准偏差所构成。即，标准偏差表80的标准偏差s(1)，表示构成图6所示c＝1的列的各数值的标准偏差，同样的，标准偏差s(2)、s(3)及s(4)分别表示构成c＝2、c＝3、及c＝4的列的各数值的标准偏差。
图10所示是依图7所示预测转换系数表60为原始数据所制成的标准偏差表90，由连续2个预测LT组的标准偏差所构成。即，标准偏差表90的标准偏差s(1-2)，表示构成图了所示c＝1与2的列的各数值的标准偏差，同样的，标准偏差s(2-3)及s(3-4)分别表示构成c＝2与3、及c＝3与c＝4的列的各数值的标准偏差。
图11所示是依图8所示预测转换系数表70为原始数据所制成的标准偏差表100，由连续4个预测LT组的标准偏差所构成。即，标准偏差表100的标准偏差s(1-4)，表示构成图8所示c＝1～4的列的各数值的标准偏差，同样的，标准偏差s(2-5)及s(3-6)分别表示构成c＝2～5、及c＝3～6的列的各数值的标准偏差。
当在步骤S3中求取标准偏差之际，未必需要使用各预测LT或预测LT组中所含的全部转换系数，当转换系数的数量较多的情况时，即长期统计预测信息10的情况时，最好仅使用含有逼近预测接收日所对应转换系数的数个转换系数。这是因为当转换系数的数量非常多的情况时，若使用所有转换系数的话，将含有旧有预测信息或旧有订单实绩所对应转换系数，结果对预测信息与实际订单内容的相关变动的敏感度将恶化。相对于此，若仅使用含有逼近预测接收日所对应转换系数的数个转换系数的话，即便预测信息与实际订单内容的相关产生变动的情况下，仍可随其连动而进行精度较高的订单预测。关于在标准偏差计算中所采用的转换系数数量并无特别的限制，最好利用预测接收日的旧的程度进行规范。例如，仅使用由接收日在最近3个月内的预测信息所获得转换系数等。若使用这种基准的话，则不管预测接收间隔或时段长度，均可将对上述关系变动的敏感度维持于一定状态。
接着，依每个预测LT或预测LT组判断，在步骤S3中所获得标准偏差是否在预定阈值以下(步骤S4)。这是判断每个预测接收日的转换系数偏差是否在容许范围内，当标准偏差超过阈值的情况(即转换系数偏差超过容许范围的情况)，是意味着在预测信息与实际订单内容之间并未发现特定关系，此情况便判断为不可进行订单预测。反之，当标准偏差在阈值以下的情况时，是意味着在预测信息与实际订单内容之间存在有特定关系，此情况便判断为可进行订单预测，并朝下一步骤(容后述)前进。
关于上述阈值的具体数值并无特别限制，最好设定为10％以上(大于等于)、且低于30％，尤以设定在20％左右为佳。这是因为若上述阈值设定为低于10％的话，仅当预测信息与实际订单内容间的关系(相关)属于非常强烈的情况时，才能进行订单预测，即便连原本可进行订单预测的状况也恐有变成无法预测之虞，反之，若上述阈值设定为超过30％的话，就连预测信息与实际订单内容的关系较薄弱(或几乎无关系)的状况，都将被涵盖于订单预测对象中，将产生有导致预测结果非常不正确之虞。相对于这些情况，若将上述阈值设定在20％左右的话，针对大多数的状况均可进行高精度的订单预测。
标准偏差与预定阈值的比较，因为依照每个预测LT或预测LT组实施，因此仅针对部分预测LT或部分预测LT组，假设为标准偏差超过阈值的状况。此情况下，只要判断关于阈值以下的预测LT或预测LT组属于可进行订单预测，并朝下一步骤前进的话便可。但是，在为求进行更高精度的订单预测方面，也可针对所有预测LT或所有预测LT组，于上述标准偏差未低于阈值以下的前提下，判断属于不可进行订单预测。
当在步骤S4中判断标准偏差在阈值以下的情况时，接着，便依每个预测LT或预测LT组，求取转换系数的平均值(步骤S5)。其中，当在步骤S3中求取标准偏差之际，并非采用所有的转换系数而是仅采用数个转换系数的情况时，在平均值的计算中，最好也是仅以为标准偏差计算对象的转换系数为对象。此外，当在步骤S4中关于部分预测LT或部分预测LT组的标准偏差超过阈值的情况时，仅要针对标准偏差在阈值以下的每个预测LT或预测LT组，求取平均值的话便可。
图12所示是依图6所示预测转换系数表50为原始数据所制成的平均值表110，由每个预测LT的平均值所构成。即，平均值表110的平均值Ave(1)，表示构成图6所示c＝1的列的各数值的平均值，同样的，平均值Ave(2)、Ave(3)及Ave(4)表示分别构成c＝2、c＝3、及c＝4的列的各数值的平均值。
图13所示是依图7所示预测转换系数表60为原始数据所制成的平均值表120，由连续2个预测LT组的每组平均值所构成。即，平均值表120的平均值Ave(1-2)，表示构成图了所示c＝1与2的列的各数值的平均值，同样的，平均值Ave(2-3)与Ave(3-4)表示分别构成c＝2与c＝3、及c＝3与c＝4的列的各数值的平均值。
图14所示是依图8所示预测转换系数表70为原始数据所制成的平均值表130，由连续4个预测LT组的每组平均值所构成。即，平均值表130的平均值Ave(1-4)，表示构成图8所示c＝1～4的列的各数值的平均值，同样的，平均值Ave(2-5)与Ave(3-6)表示分别构成c＝2～5及c＝3～6的列的各数值的平均值。
接着，采用步骤S5中所制成的平均值表110(120、130)与最新的预测信息10，实际进行订购数量的预测计算(步骤S6)。步骤S6中的订购数量的预测计算，原则上将最新的预测信息10中所含订单预定数量，乘上其所对应的平均值。以下，针对具体的订购数量的预测计算方法进行说明。
图15所示是采用图12所示平均值表110，根据最新的预测信息10-6进行订购数量预测计算的方法说明图。在此，所谓“最新的预测信息10-6”是指图2所示预测信息10-5的下一个接收的预测信息，预测接收日(a)为第6周(a＝6)。
如图15所示，采用平均值表110的订购数量预测计算，将最新的预测信息10-6中所含各所需数量数据(F(6，7)、F(6，8)、F(6，9)、F(6，10))，分别乘上构成平均值表110的平均值(Ave(1)～Ave(4))中预测LT为相等者。例如，针对预测LT为1周(c＝1)的所需数量数据F(6，7)，利用乘上预测LT为1周(c＝1)的平均值Ave(1)而修正其数值，获得预测订购数量RD(7)。同样的，针对预测LT为2周～4周(c＝2～4)的所需数量数据F(6，8)、F(6，9)及F(6，10)，分别乘上所对应的平均值Ave(2)、Ave(3)及Ave(4)，而修正数值并获得预测订购数量RD(8)、RD(9)及RD(10)。
依此所获得的预测订购数量RD(7)～RD(10)是针对分别对应的所需数量数据(F(6，7)、F(6，8)、F(6，9)、F(6，10))进行修正过的数值，可利用为从目前的预测接收日(a＝6)起，分别经1周后～4周后的预测订购数量。即，预测订购数量RD(7)可利用为第7周(b＝7)的交货预定日的预测订购数量，预测订购数量RD(8)可利用为第8周(b＝8)的交货预定日的预测订购数量，预测订购数量RD(9)可利用为第9周(b＝9)的交货预定日的预测订购数量，预测订购数量RD(10)可利用为第10周(b＝10)的交货预定日的预测订购数量。这些预测订购数量是因为经考量过该客户(或客户群)的该产品(或产品群)关于预测信息与订单实绩间的关系的数值，因此与预测信息10-6中所含所需数量数据相比较，接近实际的确定订购数量的机车非常高，由此便可降低因预估生产所衍生的风险(因缺货所衍生的交货风险或因滞销所衍生的库存风险)。
图16所示是采用图13所示平均值表120，根据最新的预测信息10-6进行订购数量预测计算的较佳方法说明图。如上所述，所谓“最新的预测信息10-6”是指预测信息10-5的下一个接收的预测信息。
如图16所示，采用平均值表120的订购数量预测计算，将最新的预测信息10-6中所含各所需数量数据(F(6，7)、F(6，8)、F(6，9)、F(6，10))，分别乘上构成平均值表120的平均值(Ave(1-2)、Ave(2-3)、Ave(3-4)中，前面的预测LT属于相等者。例如，针对预测LT为1周(c＝1)的所需数量数据F(6，7)，利用乘上预测LT的前端为1周(c＝1)的平均值Ave(1-2)而修正其数值，获得预测订购数量RD(7)。同样的，针对前端的预测LT为2周及3周(c＝2及3)的所需数量数据F(6，8)及F(6，9)，分别乘上所对应的平均值Ave(2-3)及Ave(3-4)，而修正数值并获得预测订购数量RD(8)及RD(9)。在本例子中，因为在平均值表120内并未含前端的预测LT为4周的平均值，所以并无法获得所需数量数据F(6，10)所对应的预测订购数量RD(10)。
如上所述，所获得预测订购数量RD(7)～RD(9)是针对分别对应的所需数量数据(F(6，7)、F(6，8)、F(6，9))进行修正过的数值，可利用为从目前的预测接收日(a＝6)起，分别经1周后～3周后的预测订购数量。
其中，于各所需数量数据的修正中，重要点在于比该预测LT更长的预测LT相关成分参与。例如，在预测LT为1周(c＝1)的所需数量数据F(6，7)的修正中，不仅预测LT为1周(c＝1)的成分(所需数量数据F(1，2)或所需数量数据F(2，3)等)，就连预测LT为2周(c＝2)的成分(所需数量数据F(1，3)或所需数量数据F(2，4)等)也参与。由此，因为可执行也考量过去曾更改交货期状况的订单预测，因此可更加降低因预估生产所衍生的风险。
图17所示是采用图13所示平均值表120，并根据最新的预测信息10-6执行订购数量预测计算的另一方法说明图。
图17所述方法是不同于图16所示方法，在各所需数量数据的修正中，比该预测LT更短的预测LT相关成分参与。例如，在预测LT为2周(c＝2)的所需数量数据F(6，8)的修正中，不仅预测LT为2周(c＝2)的成分(所需数量数据F(1，3)或所需数量数据F(2，4)等)，就连预测LT为1周(c＝1)的成分(所需数量数据F(1，2)或所需数量数据F(2，3)等)也参与。即便以这种方法，虽仍可执行也考量过去曾更改交货期状况的订单预测，但是，本方法是因为并无法获得最具重要性的逼近交货预定日(在本例中为第7周)关于预测订购数量，因此若考量这点的话，利用图16所示方法进行订单预测可谓较佳的方法。
图18所示是采用图14所示乎均值表130，根据最新的预测信息10-15中进行订购数量预测计算的方法说明图。在此，所谓“最新的预测信息10-15”是指图3所示预测信息10-14的下一个接收的预测信息，预测接收日(a)为第9周(a＝9)。
如图18所示，采用平均值表130的订购数量预测计算，如同图16所示的计算方法，将最新的预测信息10-15中所含各所需数量数据(F(9，10)、F(9，11)、F(9，12)、F(9，13)、F(9，14)、F(9，15))，分别乘上构成平均值表130的平均值(Ave(1-4)、Ave(2-5)、Ave(3-6))中，前头的预测LT为相等者。例如，针对预测LT为1周(c＝1)的所需数量数据F(9，10)，利用乘上预测LT的前端为1周(c＝1)的平均值Ave(1-4)而修正其数值，获得预测订购数量RD(10)。同样的，针对前端的预测LT为2周及3周(c＝2及3)的所需数量数据F(9，11)及F(9，12)，分别乘上所对应的平均值Ave(2-5)及Ave(3-6)，而修正数值并获得预测订购数量RD(11)及RD(12)。在本例子中，因为在乎均值表130内并未含前端的预测LT为4周以上的平均值，所以并无法获得所需数量数据F(9，13)、F(9，14)及F(9，15)所对应的预测订购数量RD(13)、RD(14)及RD(15)。
其中，于各所需数量数据的修正中，重要点在于比该预测LT更长的预测LT相关成分参与，由此因为可执行考量过去曾更改交货期状况的订单预测，因而可更加降低因预估生产所衍生的风险。
图19所示是采用图14所示平均值表130，并根据最新的预测信息10-15执行订购数量预测计算的另一方法说明图。
图19所述方法是类似图17所示方法，在各所需数量数据的修正中，比该预测LT更长的预测LT相关成分与更短的预测LT相关成分参与。例如，在预测LT为2周(c＝2)的所需数量数据F(9，11)修正中，不仅预测LT为2周(c＝2)的成分(所需数量数据F(1，3)等)，就连预测LT为1周(c＝1)的成分(所需数量数据F(1，2)等)，和预测LT为3周(c＝3)及4周(c＝4)的成分(所需数量数据F(1，4)或所需数量数据F(1，5)等)也参与。即便依这种方法，虽仍可执行考量过去曾更改交货期状况的订单预测，但是，如之前所说明一样，本方法因为并无法获得关于最具重要性的逼近交货预定日(在本例中为10周)的预设订购数量，因此若考量这点的话，利用图18所示方法进行订单预测可谓较佳的方法。
以上是本发明较佳实施方式的订单预测方法。
接着，针对实施上述订单预测的顺序用的订单预测系统进行说明。
图20所示是本发明较佳实施方式的订单预测系统构造的方块图。
如图20所示，实施方式的订单预测系统200具备控制着整体订单预测系统200动作的处理部210、储存后述各种数据等的存储部220、将必要数据输入于订单预测中的输入部230、及显示订单预测结果的显示部240。存储部220具备储存订单预测程序的程序储存部221、储存预测变迁表(20，30)的预测储存部222、储存订单实绩表(40)的订单实绩储存部223、储存预测转换系数表(50，60，70)的转换系数储存部224、储存标准偏差表(80，90，100)的标准偏差储存部225、储存平均值表(110，120，130)的平均值储存部226。其中，这些储存部221、226并不需要各自物理性独立的硬件资源，若分别分配于1或2以上记录装置(硬盘装置或半导体存储器等)的部分存储区域中的话便足够，所分配的区域也可进行动态变化。
程序储存部221中所储存的订单预测程序，是供使处理部210执行图5所示顺序用的程序。因此，若经由输入部230利用操作员输入预测信息与订单实绩的话，处理部210便依照程序储存部221中所储存的订单预测程序，执行图5所示顺序。关于具体的顺序因在前已有叙述，因此便不再赘述，显示部240显示出最后所获得的预测订购数量，由此操作员便可确认每个交货预定日(或交货预定期间)的预测订购数量。
再者，预测信息及订单实绩的输入，也可非由操作员经由输入部230实施，而采取利用电子数据交换(EDIElectronic DataInterchange)，直接使用由客户经由连线(online)传输的数据。此情况下，每次利用连线传输新的预测信息之时，便自动执行订单预测程序，由此便可构成自动执行订单预测。
如上述所说明，本实施方式因为从过去所接收的预测信息与其所对应订单实绩中，调查每个客户(或客户群)及每项产品(或产品群)的预测信息与订单实绩间的关系，再根据此执行订单预测，因此获得接近实际确定订购数量的数值的机率非常高。即，可执行精度佳的订单预测，可降低因预估生产所衍生的风险(因缺货所衍生的交货风险或因滞销所衍生的库存风险)。
特别是在预测转换系数表的制作中，若将预测LT的汇总数(＝e)设定在2以上(尤其是4左右)的话，因为将可执行也考量过去曾更改交货期状况的订单预测，因此可更加降低因预估生产所衍生的风险。
本发明并不仅限定于上述所说明的实施方式，可在权利要求所揭示的发明范畴内进行各种变更，这些当然均涵盖于本发明中。
例如，在上述实施方式中，利用标准偏差是否在预定阈值以下，而判断是否可执行订单预测(参照步骤S4)，但判断的方法并不仅限于此，例如也可将标准偏差与其所对应转换系数的平均值之比(s/Ave)当作参数使用，当其超过阈值的情况时，便判断为不可执行订单预测。若采用这种判断基准的话，可更加降低根据最后所获得预测订购数量进行预估生产时的风险。这是因为当标准偏差与平均值之比(s/Ave)较大的情况时，预测值的误差范围(绝对值)将较大，因此即便标准偏差本身为相同值，但是与标准偏差与平均值之比相比较为较小的情况下，根据预测值进行预估生产的风险将增加。
再者，当存在某交货预定日(或交货预定期间)所需数量欠缺的预测信息的情况时，也可将预测转换系数表中的该栏予以空白，也可将前次或下一次所接收的预测信息中，相同交货预定日(或交货预定期间)所对应的所需数量，当作弥补数据而加以利用。此外，当预测LT的汇总数(＝e)在2以上的情况时(参照图7、图8)，也可于该转换系数的计算中，求取所需数量数据平均值与订单实绩平均值之比，并将其使用为转换系数。
再者，在上述实施方式中，虽在判断标准偏差是否在阈值以下(步骤S4)之后，才进行平均值的计算(步骤S5)，但是也可在进行相关判断之前，便先执行平均值的计算。
再者，于计算转换系数的平均值之际，当存在有数值比其他转换系数大幅偏离的转换系数(异常值)的情况时，也可将其排除之后再求取平均值。其基准利用标准偏差的话便可，例如若采行与包含视为异常值在内的转换系数所获得平均值间的差值，在标准偏差的2倍以上的数值，便当作异常值处置等处理的话便可。
如上述所说明，本发明因为依照每个客户(或客户群)及每项产品(或产品群)，调查预测信息与订单实绩间的关系，再根据此执行订单预测，因此可执行精度佳的订单预测，可降低因预估生产所衍生的风险。
权利要求
1.一种订单预测系统，根据表示多个交货预定日或交货预定期间每个的所需数量的预测信息，预测订购数量，其特征在于具备储存着接收日不同的过去的多个预测信息的预测储存部；储存着每个交货日或交货期间的订单实绩的订单实绩储存部；以及根据上述预测储存部中所储存的上述过去的预测信息与上述订单实绩储存部中所储存的上述订单实绩，利用对作为预测对象的新预测信息内的所需数量进行修正，而计算出订单预测数量的处理部；其中，上述处理部是计算上述过去的预测信息中所含1或2个以上所需数量与其所对应的1或2个以上订单实绩间之比的转换系数，并计算出从预测接收日起至交货预定日为止的期间的预测前置时间相等的多个转换系数的标准偏差，将上述标准偏差或根据其所获得的数值未超过预定阈值的预测前置时间判断为有效的预测前置时间，进行采用上述新预测信息中所含的所需数量之中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，由此计算出订单预测数量。
2.如权利要求1的订单预测系统，其中，利用将上述新预测信息中所含的所需数量，乘上其所对应的多个转换系数的平均值，而计算出上述订单预测数量。
3.如权利要求1的订单预测系统，其中，利用上述过去的预测信息中所含的所需数量中、预测前置时间连续的2个以上所需数量，与其所对应的2个以上订单实绩之比，计算出上述转换系数。
4.如权利要求2的订单预测系统，其中，利用上述过去的预测信息中所含的所需数量中、预测前置时间连续的2个以上所需数量，与其所对应的2个以上订单实绩之比，计算出上述转换系数。
5.如权利要求3的订单预测系统，其中，上述转换系数作为连续2个以上预测前置时间中，期间最短的预测前置时间所对应转换系数而加以处置。
6.如权利要求4的订单预测系统，其中，上述转换系数作为连续2个以上预测前置时间中，期间最短的预测前置时间所对应转换系数而加以处置。
7.如权利要求1的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
8.如权利要求2的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
9.如权利要求3的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
10.如权利要求4的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
11.如权利要求5的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
12.如权利要求6的订单预测系统，其中，将上述标准偏差与其所对应多个转换系数的平均值间之比未超过预定阈值的预测前置时间，判断为有效的预测前置时间。
13.一种订单预测方法，根据表示多个交货预定日或交货预定期间每个的所需数量的预测信息，预测订购数量，其特征在于将接收日不同的过去的多个预测信息储存于预测储存部中；将每个交货日或交货期间的各订单实绩储存于订单实绩储存部中；利用根据上述预测储存部中所储存的过去的预测信息中所含1或2个以上所需数量，与上述订单实绩储存部中所储存订单实绩中，相对应的1或2个以上订单实绩间之比，计算出转换系数计算出从预测接收日起至交货预定日为止的期间的预测前置时间相等的多个转换系数的标准偏差；将上述标准偏差或根据其所获得的数值未超过预定阈值的预测前置时间，判断为有效的预测前置时间；以及进行采用上述新预测信息中所含的所需数量之中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，由此计算出订单预测数量。
14.一种订单预测程序，其特征为，使计算机执行下述步骤利用过去的预测信息中所含1或2个以上所需数量，与其对应的1或2个以上订单实绩间之比，计算出转换系数的步骤；计算出从预测接收日起至交货预定日为止的期间的预测前置时间相等的多个转换系数的标准偏差的步骤；将上述标准偏差或根据其所获得的数值与预定阈值，依每个预测前置时间进行比较，并将未超过上述预定阈值的预测前置时间判断为有效的预测前置时间的步骤；以及进行采用新预测信息中所含的所需数量中、上述有效预测前置时间所对应的所需数量与其所对应的转换系数的运算，由此计算出订单预测数量的步骤。
全文摘要
本发明的目的是根据预测信息执行高精度的订单预测。本发明根据多个交货预定日或交货预定期间的每个所需数量的预测信息，预测订购数量。首先，计算出过去的预测信息中所含1或2个以上所需数量数据与其所对应的1或2个以上订单实绩之比的转换系数(S1、S2)，接着，计算出从预测接收日起至交货预定日的期间的预测LT为相等的多个转换系数的标准偏差(S3)。然后，将标准偏差未超过预定阈值的预测LT，判断为有效的预测LT(S4)，并利用将新预测信息中所含所需数量中，有效预测LT所对应的所需数量，乘上其所对应的转换系数的平均值(S5)，而计算出订单预测数量(S6)。
文档编号G06Q50/00GK1813264SQ20048001849
公开日2006年8月2日 申请日期2004年6月11日 优先权日2003年6月30日
发明者吉田智之, 大池爱, 志和池阳介, 井上祐保 申请人:Tdk株式会社