技术领域
[0001] 本发明涉及面向制造业的先行指标预测装置及先行指标预测方 法。
相关背景技术
[0002] 以往以来，各个企业为了达成经营目标，通常对营业销售额、成 本等关键绩效指标即KPI(Key Performance Indicator)进行管理，并 根据KPI采取各种措施。
[0003] 但是，KPI实际上体现的是一种结果，因此当企业针对这样的 KPI的结果做出相应的对策时，有可能为时已晚。例如，当作为KPI 而考虑成本的情况下，如果过去一个月的成本远远超过了预期，则说 明这一个月已经使用了这么高的成本，因此即使此时采取某种措施而 做出相应的调整，也只从下个月开始带来效果，对已经过去的一个月 不会带来任何影响。
[0004] 因此，迫切希望能够事先预料这种事件的发生而将其防患于未然 的技术。
[0005] 作为这样的技术，在专利文献1中公开了如下技术：收集设备的 运行数据，确定影响设备的故障的电流作为先行指标，并通过对电流 的状态的变化进行分析而预测电流的未来的状态，从而预测在未来的 什么时间段设备会发生故障。
[0006] 专利文献1：CN106933208A
[0007] 但是，设备只不过是工厂生产能力的一部分，工厂生产的整个过 程中不仅涉及利用设备的生产，还涉及作业人员、生产前期的材料准 备等其他部分。因此，专利文献1所记载的技术没有考虑整个生产过 程。
[0008] 而且，专利文献1所记载的设备工作率的改善只是针对制造生产 线或单个工厂的改善，并没有考虑各工厂设备工作率的平衡、作业负 荷的平均化等。
[0009] 另外，根据设备的不同，先行指标也会不一样，专利文献1所记 载的技术还存在不具有通用性的问题。
具体实施方式
[0035] 下面，参照附图对本发明的实施方式进行详细的说明。
[0036] (第一实施方式)
[0037] 图1是表示本发明的先行指标预测系统的整体构架的图。如图1 所示，先行指标预测系统1包括业务系统10、数据库20、以及先行 指标预测装置30。
[0038] 业务系统10可以是ERP系统等现有的各种业务系统，对与商谈、 签约、生产、销售等各种业务有关的数据进行收集。
[0039] 数据库20连接于业务系统10，保存由各个业务系统10收集到 的各种数据进行保存。
[0040] 先行指标预测装置30通过网络与数据库20连接，根据从数据库 20输入的业务数据，预测先行指标并进行输出。
[0041] 图2是表示本发明的先行指标预测装置的结构的图。如图2所示， 先行指标预测装置30包括输入部31、存储部32、预测部33以及输 出部34。
[0042] 输入部31被输入至少包括产品信息、商谈信息、订单信息以及 生产信息的业务数据。
[0043] 产品信息例如包括产品编号、品种、多个属性等。作为一例，表 示在表1中。另外，本发明中的产品信息并不限于表1所示的结构， 也可以根据需要追加其他与产品有关的信息。
[0044] 表1
[0045]产品编号 品种 属性1 属性2 属性3 … 属性N
PRD01 TYPE1 X1 X2 X3 … XN
PRD02 TYPE2 Y1 Y2 Y3 … YN
… …
[0046] 商谈信息例如包括商谈号、客户名、产品编号、负责部门、希望 交付日期、报价等。但是，商谈信息的内容不限于此，也可以根据需 要删除一些信息或追加其他信息，例如可以追加客户所在地、商谈日 期等。作为一例，表示在表2中。
[0047] 表2
[0048]商谈号 客户 客户所在地 产品编号 负责部门 商谈日 希望交付日期 报价
190102A01 A 湖南 PRD01 湖南营业所 2016/1/10 2016/3/12 10000
190105B01 B 四川 PRD02 四川营业所 2017/12/5 2018/3/12 20000
190106C01 C 广州 PRD01 广州营业所 2018/6/12 2018/12/20 12000
190106C03 C 广州 PRD02 广州营业所 2018/6/12 2018/12/20 15000 …
[0049] 订单信息例如包括签约号、客户名、产品编号、负责部门、要求 交付日期、签约金额等。但订单信息的内容不限于此，也可以根据需 要删除一些信息或追加其他信息，例如可以追加客户所在地、签约日 期等。作为一例，表示在表3中。
[0050] 表3
[0051]签约号 客户 客户所在地 製品番号 负责部门 签约日 要求交付日期 签约金额
160110A01 A 湖南 PRD01 湖南营业所 2016/1/10 2016/3/12 10000
171205B01 B 四川 PRD02 四川营业所 2017/12/5 2018/3/12 20000
180612C01 C 广州 PRD01 广州营业所 2018/6/12 2018/12/20 12000
180612C02 C 广州 PRD02 广州营业所 2018/6/12 2018/12/20 15000 …
[0052] 生产信息例如包括工厂名、签约号、生产ID、产品编号、数量、 生产计划日、生产开始日、生产结束日等。作为一例，表示在表4中。 但生产信息的内容不限于此，也可以根据需要删除一些信息或追加其 他信息。
[0053] 表4
[0054]工厂名 签约号 生产ID 产品编号 数量 生产计划日 生产开始日 生产结束日 A工厂 160110A01 A0101 PRD01 1 2016/2/1 2016/2/12 2016/3/2 A工厂 171205B01 B0101 PRD02 10 2017/1/5 2017/1/10 2017/3/4 …
B工厂 180612C01 C0101 PRD01 1 2018/8/1 2018/8/1 2018/9/20 [0055] 存储部32存储从输入部31输入的业务数据。
[0056] 预测部33根据存储部32所存储的业务数据中的产品信息、商谈 信息、订单信息以及生产信息，预测未来每个月会生产完成的产品的 数量即生产数量。
[0057] 具体而言，预测部33按产品信息中的多个属性的每个属性，计 算从商谈到生产开始、从签约到生产开始的平均前置时间。这里，优 选的是，预测部33对产品信息、商谈信息、订单信息以及生产信息 进行相关分析，从产品信息中提取对从商谈到生产开始、从签约到生 产开始的前置时间影响较大的属性，按提取的每个属性计算上述平均 前置时间。
[0058] 接着，针对已签约、已作生产计划的部分，利用生产信息中的生 产计划日，按每个品种计算未来每个月的第一生产数量。
[0059] 并且，针对已签约、未作生产计划的部分，根据产品信息、以及 商谈信息及订单信息中的有关客户的信息，利用从签约到生产开始的 平均前置时间，按每个品种计算未来每个月的第二生产数量。
[0060] 并且，针对已商谈、未签约的部分，根据产品信息、以及商谈信 息及订单信息中的有关客户的信息，利用从商谈到生产开始的平均前 置时间，按每个品种计算未来每个月的第三生产数量。
[0061] 接着，通过将第一～第三生产数量相加，得到每个品种的未来每 个月的生产数量。并且，在如上述表1中记载的那样有两个以上的品 种的情况下，进一步将每个品种的每个月的生产数量相加而得到每个 月的总生产数量。在只有一个品种的情况下，将上述的第一～第三生 产数量相加而得到的即为未来每个月的总生产数量。
[0062] 这里，也可以将由预测部33预测出的每个品种的未来每个月的 生产数量、总生产数量等保存在存储部32中。
[0063] 输出部34将由预测部33预测出的生产数量(每个品种的每个月 的生产数量和/或每个月的总生产数量)作为先行指标进行输出。
[0064] 以下，利用图3对本实施方式的先行指标预测方法进行说明。
[0065] 图3是表示本发明的先行指标预测方法的流程图。如图3所示， 首先，从输入部31输入至少包括产品信息、商谈信息、订单信息以 及生产信息的业务数据(步骤S1)。
[0066] 接着，将从输入部31输入的业务数据存储到存储部32中(步骤 S2)。
[0067] 接着，预测部33从存储部32读出业务数据中的产品信息、商谈 信息、订单信息以及生产信息，预测未来每个月会生产完成的产品的 数量即生产数量(步骤S3)。
[0068] 最后，输出部34将预测出的生产数量作为先行指标进行输出(步 骤S4)，结束处理。
[0069] 上述实施方式中，将未来每个月的生产数量作为先行指标进行预 测，当未来需要生产的数量超过工厂产能时，能够提前对设备/人员 资源进行调整，或者提前将生产订单合理的分配到其他工厂，使人工 费分配更加合理，从而能够减少成本，并且能够实现合理投资。
[0070] 另外，在上述实施方式中，预测的是每个月的生产数量，但不限 于此，也可以是任意的每规定期间的生产数量，例如是每半个月、每 两个月、每个季度、每半年等等。
[0071] 并且，在上述实施方式中，也可以预先设定某一期间，例如一个 季度、半年、一年等，从而预测出未来的该期间内的每个月的生产数 量。
[0072] 另外，在上述实施方式中记载了计算生产数量的具体的计算方 法。但不限于这些计算方法，只要能预测出每规定期间的生产数量， 则也可以使用其他任意的计算方法。
[0073] (第二实施方式)
[0074] 以下，对本发明的第二实施方式进行说明。第二实施方式中，除 了上述第一实施方式中记载的未来每个月的生产数量以外，匹配于通 常的生产过程，给出以现金循环周期改善、生产率提高、资源调整、 人工费合理化、成本减少、投资合理化中的至少一个为目的的其他多 个先行指标。第二实施方式的先行指标预测系统及装置的整体框架与 第一实施方式相同。因此，这里省略重复说明，而主要以与第一实施 方式的不同点为中心进行说明。
[0075] 图4是用于说明通常的生产过程的图。如图4所示，通常的生产 过程例如包括材料的入库及出库、制作、检查、捆包、最后的出货等 一系列的流程。在整个生产过程中，如图4所示有①生产数量、②制 造成本、③作业人员、④劳动生产性、⑤材料余额、⑥半成品库存、 ⑦完成品库存、⑧产品发送数量及金额、⑨物流费及物流费比率等多 种参数。
[0076] 在本实施方式中，基于这些参数，除了在第一实施方式中记载的 生产数量(图4中①)以外，给出制造成本(图4中②)、作业人数 (图4中③)、作业负荷(基于图4中③)、劳动生产性(图4中④)、 库存总额(基于图4中⑤～⑦)、库存持有天数(基于图4中⑤～⑦)、 产品发送数量及金额(图4中⑧)、物流费及物流费比率(图4中⑨) 等先行指标。
[0077] 以下，利用图5详细说明预测部对这些先行指标进行预测处理的 流程。
[0078] 图5是表示第二实施方式中的对先行指标进行预测处理的流程 的图。
[0079] <制造成本预测处理>
[0080] 首先，在此情况下，从输入部31中输入的业务数据中除了第一 实施方式中记载的产品信息、商谈信息、订单信息以及生产信息以外， 还包含成本信息。同样，存储部32对包括成本信息在内的业务数据 进行存储。
[0081] 成本信息中包括与产品生产过程中发生的费用有关的信息。作为 一例，如下述的表5中记载的那样，可以包括工厂名、期间、材料费、 人工费、光热水费、物流费等。当然，成本信息的内容并不限于此， 也可以根据需要删除一些信息或追加其他信息，只要是在产品的从生 产到交货期间发生的费用，都可以包含在成本信息中。
[0082] 表5
[0083]工厂名 期间 材料费 人工费 光热水费 … 物流费
A工厂 201801 461200 543280 124000 125000
A工厂 201802 384500 456820 90230 145000
…
B工厂 201801 687600 789300 268450 236700
[0084] 预测部33利用存储部32所存储的业务数据中的产品信息、生产 信息、成本信息、以及通过第一实施方式中的处理来预测出的生产数 量，预测未来每个月的制造成本。这里，在第一实施方式中将预测出 的生产数量存储在存储部32中的情况下，预测部33直接从存储部 32读出产品信息、生产信息、成本信息以及预测出的生产数量。
[0085] 具体而言，首先，预测部33利用产品信息和生产信息，按每个 品种统计出每个月生产的数量，并计算各品种在当月所有产品中所占 的比例。
[0086] 接着，利用计算出的比例和成本信息，按每个品种计算每个月发 生的成本。这里，将数量比例视为成本比例进行了计算，也就是说认 为所生产的产品越多，所发生的成本也越多。因此，此计算方法在每 个品种的成本相同或接近的情况下更为有效。
[0087] 接着，按每个品种，设所统计出的每个月生产的数量为x，所计 算出的每个月的成本为y，建立回归模型，如：线性回归模型y＝a1x+b1。
[0088] 其中，
[0089]
[0090]
[0091] 这里，n代表有多少个月的样本数据。
[0092] 接着，按每个品种，根据通过第一实施方式中的处理来预测出的 未来每个月的生产数量，利用上述线性回归模型，按每个品种求出未 来每个月的成本。
[0093] 最后，通过将各个品种的未来每个月的成本相加，得到未来每个 月的总的制造成本。这里，也可以将所得到的制造成本存储到存储部 32中。
[0094] 输出部34将预测部33预测出的制造成本作为先行指标进行输出。
[0095] 据此，通过将制造成本作为先行指标来进行预测，掌握未来的成 本水平及其变动趋势，通过提前考虑各种降低成本的方案，从而能够 减少成本，并且能够实现合理投资。
[0096] <作业人数预测处理>
[0097] 在此情况下，从输入部31中输入的业务数据中还包括工时信息。 同样，存储部32中存储包括工时信息在内的业务数据。
[0098] 工时信息例如包括工厂名、期间、人数、作业时间等。作为一例， 表示在表6中。其中，人数为完成产品所用到的作业人员的实际人数。 作业时间为完成产品所花费的实际的作业时间的合计，包括加班时 间，其单位不受限制，可以是小时、天等。当然，工时信息的内容并 不限于此，也可以根据需要删除一些信息或追加其他信息。
[0099] 表6
[0100]工厂名 期间 人数 作业时间
A工厂 201801 120 29800
A工厂 201802 118 24500
…
B工厂 201801 320 78360
B工厂 201802 310 66300
…
[0101] 预测部33利用如上所述的工时信息中的人数信息，预测未来每 个月的实际会投入到作业中的作业人数。
[0102] 具体而言，预测部33利用工时信息，将过去的月份依次作为横 轴，将实际作业人数作为纵轴，进行回归分析，针对过去几个月的作 业人数的变动拟合出直线或多项式曲线。通常根据实际数据的状况， 选择多项式。
[0103] 接着，利用拟合出的多项式，预测未来每个月的作业人数。这里， 也可以将所得到的作业人数存储到存储部32中。
[0104] 另一方面，预测部33利用产品信息、生产信息、工时信息以及 通过第一实施方式中的处理来预测出的未来每个月的生产数量，预测 未来每个月的理论上应投入到作业中的必要作业人数。
[0105] 具体而言，预测部33利用产品信息和生产信息，按每个品种统 计出每个月生产的数量，并计算各品种在当月所有产品中所占的比 例。
[0106] 接着，利用计算出的比例和工时信息，按每个品种计算每个月所 花费的作业时间。这里，将数量比例视为作业时间比例进行了计算， 也就是说设为所生产的产品越多，所消耗的时间也越多。因此，此计 算方法在每个品种的生产所消耗的时间相同或接近的情况下更为有 效。
[0107] 接着，设每个品种的所统计出的每个月生产的数量为x，所计算 出的每个月所花费的作业时间为t，建立回归模型，如：线性回归模 型t＝a2x+b2。
[0108] 其中，
[0109]
[0110]
[0111] 这里，n代表有多少个月的样本数据。
[0112] 接着，按每个品种，根据通过第一实施方案中的处理来预测出的 未来每个月的生产数量，利用上述线性回归模型，求出未来每个月内 所需要的作业时间。
[0113] 接着，通过将各个品种的未来每个月内所需要的作业时间相加， 得到未来每个月的总的必要作业时间，其表示要生产所预测出的生产 数量的产品时理论上所需的时间。
[0114] 然后，根据该必要作业时间，通过以下公式，计算未来每个月的 必要作业人数，其表示要生产所预测出的生产数量的产品时理论上所 需(应投入的)的作业人员的人数。
[0115] 必要作业人数＝必要作业时间/(1人1天的标准作业时间×当月的 标准工作日)[0116] 这里，也可以将所得到的必要作业人数存储到存储部32中。
[0117] 进一步，预测部33也可以根据如上述那样得到的作业人数及必 要作业人数，求出未来每个月的作业负荷。
[0118] 具体而言，作业负荷通过将所得到的必要作业人数除以作业人数 来得到。例如，当预测出的必要作业人数为100人，预测出的作业人 数为80人的情况下，作业负荷为100/80＝125％，这说明每个人需完 成应该由1.25人完成的作业，作业负荷较大。
[0119] 输出部34将预测部33预测出的作业人数和/或作业负荷作为先 行指标进行输出。
[0120] 通过如上述那样对作业人数进行预测，能够对设备/人员资源进 行调整，使人工费分配更加合理，从而能够减少成本。并且，通过对 作业负荷进行预测，能够对设备/人员资源进行适当分配及调整，或 者对生产订单进行合理的分配，从而至少能够提高生产率，并且能够 减少成本。
[0121] <劳动生产性预测处理>
[0122] 预测部33根据通过上述<制造成本预测处理>预测出的未来每个 月的制造成本以及通过上述<作业人数预测处理>预测出的未来每个 月的作业人数，计算未来每个月的平均生产数量即平均生产金额。
[0123] 具体而言，预测部33通过将预测出的生产数量除以作业人数， 计算每个作业人员在未来每个月内的平均生产数量，通过将预测出的 制造成本除以作业人数，计算每个作业人员在未来每个月内的平均生 产金额。
[0124] 输出部34将所得到的未来每个月的平均生产数量和平均生产金 额作为先行指标进行输出。
[0125] 通过如上述那样对平均生产数量和平均生产金额进行预测，能够 对设备/人员资源进行适当分配及调整，从而能够提高生产率，并且 能够减少成本。
[0126] <库存总额预测处理>
[0127] 在此情况下，从输入部31中输入的业务数据中还包括库存金额 信息。同样，存储部32中存储包括库存金额信息在内的业务数据。
[0128] 库存金额信息中例如包括工厂名、期间、产品编号、产品区分、 库存金额、库存年龄等。作为一例，表示在表7中。当然，库存金额 信息的内容并不限于此，也可以根据需要删除一些信息或追加其他信 息。其中，产品区分包括原材料、半成品以及完成品，将库存年龄分 为1个月、2个月、3个月、4～12个月等，但并不限于此。例如，关 于库存年龄，也可以追加1～2年、2年以上等，或者也可以不按一个 月而以其他时间间隔设定。
[0129] 表7
[0130]工厂名 期間 产品编号 产品区分 制作号 仓库号 库存金额 库存年龄 A工厂 201801 M01 原材料 INV01 32000 1个月
A工厂 201801 M02 原材料 INV01 46800 2个月
…
B工厂 201801 J01 原材料 INV02 23600 4～12个月
A工厂 201801 SEMI01 半成品 A0101 INV01 15600 1个月
A工厂 201801 SEMI02 半成品 A0101 INV01 23500 2个月
…
B工厂 201801 PRD01 完成品 C0101 INV02 45000 4～12个月
[0131] 预测部33利用生产信息、库存金额信息、以及通过第一实施方 式中的处理来预测出的未来每个月的生产数量，预测未来每个月的库 存总额。
[0132] 具体而言，预测部33按完成品、半成品以及原材料分别预测库 存金额。
[0133] 关于完成品，首先，根据生产信息及库存金额信息，统计每个月 生产的数量和按库存年龄的库存金额。
[0134] 接着，根据所统计出的每个月生产的数量和库存年龄一个月所对 应的库存金额，建立生产数量与库存年龄一个月所对应的库存金额之 间的预测模型。预测模型可以是指数模型、多项式模型、线性回归模 型等任意模型。
[0135] 这样，根据通过第一实施方式中的处理来预测出的生产数量，利 用预测模型，预测出未来每个月中库存年龄1个月所对应的库存金 额。
[0136] 接着，基于统计出的数据，预测其余库存年龄的库存。由于库存 年龄反映的是库存放置时间的长短，所以，库存年龄会随着月份的增 长而增加。例如，上个月库存年龄为1个月的库存在本月成为库存年 龄为2个月的库存。用k表示库存年龄的分类数，用n代表统计出多 少个月的样本数据，用i表示库存年龄的分类(i≤k)，用j表示月份(j ≤n)，用Mij表示库存年龄i，第j月的库存金额，则可以根据上一个 库存年龄上个月所对应的库存金额M(i-1)(j-1)(i＝2..k，j＝2..n)和 本库存年龄本月所对应的库存金额Mij，建立各库存年龄分类的库存 金额预测模型，并利用该预测模型预测未来每个月的与本库存年龄对 应的库存金额，这里的预测模型也同样是指数模型、多项式模型、线 性回归模型等任意模型。
[0137] 具体而言，针对库存年龄2个月，根据所统计的库存年龄1个月 所对应的库存金额中第1个月到第(n-1)个月的数据和库存年龄2 个月所对应的库存金额中第2个月到第n个月的数据，建立库存年龄 1个月与库存年龄2个月之间的库存金额的预测模型。这样，根据上 面预测出的库存年龄1个月所对应的库存金额，利用该预测模型，预 测出未来每个月中库存年龄2个月所对应的库存金额。同样，针对库 存年龄3个月，根据所统计的库存年龄2个月所对应的库存金额中第 1个月到第(n-1)个月的数据和库存年龄3个月所对应的库存金额中 第2个月到第n个月的数据，建立库存年龄2个月与库存年龄3个月 之间的库存金额的预测模型。这样，根据上面预测出的库存年龄2个 月所对应的库存金额，利用该预测模型，预测出未来每个月中库存年 龄3个月所对应的库存金额。库存年龄为4～12个月的情况下也同样。
[0138] 接着，将预测出的各个库存年龄所对应的库存金额相加，从而得 到未来每个月的所有完成品的库存金额。
[0139] 关于半成品，根据库存金额信息，统计每个月的半成品的库存金 额，并通过已知的指数平滑移动平均法，预测未来每个月的半成品的 库存金额。
[0140] 关于原材料，根据库存金额信息，统计每个月的原材料的库存金 额，并通过已知的指数平滑移动平均法，预测未来每个月的原材料的 库存金额。
[0141] 这样，通过将所预测出的完成品、半成品以及原材料的库存金额 相加，能够得到未来每个月的库存总额。
[0142] 进一步，预测部33也可以根据预测出的库存总额以及库存金额 预算，计算未来每个月的表示当前持有几天的库存的库存持有天数。
[0143] 库存金额预算包含在业务数据中而从输入部31输入并存储在存 储部32中。库存金额预算例如包括工厂名、期间、库存金额预算， 作为一例表示在表8中。
[0144] 表8
[0145]工厂名 期间 库存金额预算
A工厂 201801 1500000
A工厂 201802 2000000
…
B工厂 201801 3800000
[0146] 在此情况下，未来每个月的库存持有天数可以通过以下式来计 算。
[0147] 库存持有天数＝预测出的库存总额/(库存金额预算/30)
[0148] 另外，在表8中示出了按每个月给出库存金额预算的情况，但也 有仅存在库存金额年度预算的情况。在此情况下，也可以将库存金额 年度预算除以12而取平均值作为每个月的库存金额预算，并按照上 述式来计算未来每个月的库存持有天数。或者也可以通过以下式来计 算。
[0149] 库存持有天数＝预测出的库存总额/(库存金额年度预算/365)
[0150] 或者，也可以对库存金额年度预算乘以在上一年度当月库存金额 所占的比例来计算。
[0151] 然后，输出部34将预测出的未来每个月的库存总额、库存持有 天数作为先行指标进行输出。
[0152] 通过如上述那样对库存总额、库存持有天数进行预测，提前对库 存量进行控制，能够对现金循环周期进行改善。
[0153] <产品发送数量及其金额预测处理>
[0154] 在此情况下，在此情况下，从输入部31中输入的业务数据中还 包括与产品的发送有关的信息即产品发送信息。同样，存储部32中 存储包括产品发送信息在内的业务数据。
[0155] 产品发送信息例如包括工厂名、签约号、生产ID、产品编号、 数量、出库计划日、入库日及出库日等。作为一例，表示在表9中。 但产品发送信息的内容不限于此，也可以根据需要删除一些信息或追 加其他信息，
[0156] 表9
[0157]工厂名 签约号 生产ID 产品编号 数量 出库计划日 入库日 出库日 A工厂 160110A01 A0101 PRD01 1 2016/3/6 2016/3/4 2016/3/6
A工厂 171205B01 B0101 PRD02 10 2016/3/6 2017/3/4 2017/3/6 …
B工厂 180612C01 C0101 PRD01 1 2018/10/11 2018/9/20 2018/10/11 [0158] 预测部33根据产品信息、商谈信息、订单信息以及产品发送信 息，预测未来每个月会发送完成的产品的数量即产品发送数量及其金 额。
[0159] 具体而言，预测部33按产品信息中的每个属性，计算从商谈到 发送、从签约到发送的平均前置时间。这里，优选的是，预测部33 对产品信息、商谈信息、订单信息以及产品发送信息进行相关分析， 从产品信息中提取对从商谈到发送(出库)、从签约到发送的前置时 间影响较大的属性，按提取的每个属性计算上述平均前置时间。
[0160] 接着，针对已签约、已作发送计划的部分，利用产品发送信息中 的出库计划日，按每个品种计算未来每个月的第一产品发送数量。
[0161] 并且，针对已签约、未作发送计划的部分，根据产品信息、以及 商谈信息及订单信息中的有关客户的信息，利用从签约到发送的平均 前置时间，按每个品种计算未来每个月的第二产品发送数量。
[0162] 并且，针对已商谈、未签约的部分，根据产品信息、以及商谈信 息及订单信息中的有关客户的信息，利用从商谈到发送的平均前置时 间，按每个品种计算未来每个月的第三产品发送数量。
[0163] 接着，通过将第一～第三产品发送数量相加，得到每个品种的未 来每个月的产品发送数量。并且，在如上述表1中记载的那样有两个 以上的品种的情况下，进一步将每个品种的每个月的产品发送数量相 加而得到每个月的总产品发送数量。在只有一个品种的情况下，将上 述的第一～第三产品发送数量相加而得到的即为未来每个月的总产品 发送数量。
[0164] 这里，也可以将由预测部33预测出的每个品种的未来每个月的 产品发送数量、总产品发送数量等保存在存储部32中。
[0165] 并且，预测部33利用产品信息、订单信息以及产品发送信息， 按每个品种统计每个月发送的数量即签约金额，并设每个品种的所统 计出的每个月发送的数量为q，每个月的签约金额为p，建立回归模 型，如：线性回归模型p＝a3q+b3。
[0166] 其中，
[0167]
[0168]
[0169] 这里，n代表有多少个月的样本数据。
[0170] 接着，按每个品种，根据上面预测出的未来每个月的产品发送数 量，利用上述线性回归模型，按每个品种求出未来每个月发送的金额。
[0171] 最后，通过将各个品种的未来每个月发送的金额相加，得到未来 每个月的总的发送金额。这里，也可以将所得到的发送金额存储到存 储部32中。
[0172] 输出部34将由预测部33预测出的产品发送数量及其金额作为先 行指标进行输出。
[0173] 通过如上述那样对产品发送数量及其金额进行预测，掌握出库量 的趋势，提前对出库不足进行调整，通过提前对物流资源计划进行合 理的规划，从而能够减少物流成本。
[0174] <物流费预测处理>
[0175] 预测部33利用产品信息、订单信息、产品发送信息，成本信息、 以及上述的<产品发送数量及其金额预测处理>中预测出的产品发送 数量，预测未来每个月的物流费。
[0176] 具体而言，预测部33利用产品信息、订单信息以及产品发送信 息，统计出每个月每个品种向每个客户发送的数量，并计算每个品种 向每个客户的发送在当月所占的比例。
[0177] 接着，利用计算出的比例和成本信息中的物流费，计算每个月每 个品种向每个客户的发送所产生的物流费。
[0178] 接着，设所统计出的每个品种每个月向每个客户发送的数量为q， 所计算出的每个品种向每个客户的发送所产生的物流费为z，建立线 性回归模型z＝a4q+b4。
[0179] 其中，
[0180]
[0181]
[0182] 这里，n代表有多少个月的样本数据。
[0183] 接着，按每个品种每个客户，根据通过上述的<产品发送数量及 其金额预测处理>预测出的未来每个月的产品发送数量，利用上述线 性回归模型，求出每个品种每个客户的未来每个月所需的物流费。
[0184] 接着，通过将各个品种各个客户的未来每个月内的物流费相加， 得到未来每个月的总的物流费。
[0185] 进一步，预测部也可以通过将预测出的总物流费除以通过上述的 <制造成本预测处理>预测出的制造成本，能够得到未来每个月的物流 费比率。这里，也可以是，预测部将所得到的总物流费存储到存储部 32中，并在计算物流费比率时从存储部读出而使用。
[0186] 输出部34将预测部33预测出的物流费和/或物流费比率作为先 行指标进行输出。
[0187] 通过如上述那样对物流费、物流费比率进行预测，通过提前对物 流资源计划进行合理的规划，能够减少物流成本。
[0188] 另外，在上述第二实施方式中，预测部不一定对所有的先行指标 进行预测，而只要对其中的至少一个先行指标进行预测即可。并且， 也可以对第一实施方式中的先行指标和第二实施方式中的至少一个 先行指标进行组合。
[0189] 另外，在上述第二实施方式中，预测的是每个月的先行指标，但 不限于此，也可以是任意的每规定期间的先行指标，例如是每半个月、 每两个月、每个季度、每半年等等。
[0190] 并且，在上述第二实施方式中，也可以预先设定某一期间，例如 一个季度、半年、一年等，从而预测出未来的该期间内的每个月的先 行指标。
[0191] 另外，在上述第二实施方式中记载了计算各个先行指标的具体的 计算方法。但不限于这些计算方法，只要能预测出所定义的先行指标， 则也可以使用其他任意的计算方法。
[0192] 以上，基于实施方式对本发明进行了说明。但本发明并不限于此， 也可以对其进行本领域技术人员能够想到的各种变更、替换、组合。
