「洗練されたアルゴリズムなしで予測指標とプロセスを改善するにはどうすればいいですか？」
アルゴリズムなしで予測指標とプロセスを改善する方法は？
記述的な分析の開発により、需要計画のKPIとプロセス効率の改善に焦点を当てるための重要な領域を特定することができます
イントロダクション
需要計画は統合ビジネス計画（IBP）プロセスの最前線に位置しています。この段階での結果は、他の段階（例：供給計画、生産計画）の基盤となります。この段階では、通常、過去の販売実績に基づいた統計予測を生成し、販売のインプットと組み合わせて初期のベースライン予測を得ます。この予測は、販売およびマーケティングの関係者とのレビューおよび調整を経て、合意形成予測に磨き上げられます。通常、このIBPの段階では、予測の精度とバイアスを主要なパフォーマンス指標（KPI）として追跡します。サプライチェーン、販売およびマーケティングチームは、予測を正確にするためにかなりの時間と労力（およびお金）を費やすことがあります。予測の精度を向上させるための一連の高度なアルゴリズムを持つことは確かに役立ちますが、過去の販売および予測データから派生した記述的な分析も需要計画プロセスを効率化し、KPIを向上させるのに役立ちます。
なぜこのような分析が必要なのか？
分析は主に2つの目的に役立ちます：
1) KPIを改善する機会を認識するのに役立ちます
2) プロセスの非効率なステップを特定するのに役立ちます
たとえば、各製品や顧客ごとに販売予測の精度と統計予測の精度を比較することで、販売インプットを収集するために時間を費やすことでシステム生成の統計予測よりも正確な結果が得られる領域を理解することができます。営業チームはそれらの特定のアイテムに焦点を当てることができ、時間と労力を節約しながらより良い予測を生成することができます。
また、分析は具体的なアクション項目について経営陣に明確なメッセージを伝えるのにも役立ちます。曖昧なKPIデータを理解しようとする代わりに、分析は改善すべき特定の領域や高いパフォーマンスのエンティティを強調し、ビジネス全体からの学びを活用することができます。これは、経営陣の購買を得て、具体的で具体的な目標に向かって取り組むために非常に効果的です。
分析の設計
より直感的なアプローチの1つは、需要計画プロセスの個々のコンポーネント（図1）を見ることで、それぞれのサブプロセスに対して記述的な分析を開発することです。
* この記事のすべての画像（それ以外の場合を除く）は著者によるものです
まず、過去の販売データを分析し、外れ値をクリーニングします。統計予測生成のステップでは、外れ値を調整した過去の販売データを使用してシステムベースの予測を生成します。次のステップでは、営業チームが顧客のフィードバックを収集するか、需要の見積もりを提供し、それが販売予測となります。統計予測と販売予測、過去の販売データ、特別なイベント情報は、分析ダッシュボードを使用して需要マネージャーによって分析され、ベースライン予測が作成されます。ベースライン予測は、営業、マーケティング、および供給計画チームのステークホルダーによって定期的な会議（通常は月次または週次）でレビューされ、合意形成予測に合わせるために調整されます。この会議では、すべてのステークホルダーが分析をレビューし、焦点を当てるべき行動項目を確立します。この議論の後、予測の最終版にはサプライ制約（ある場合）が組み込まれます。
分析を実施する前に、その詳細度を決定することが重要です。組織内の異なる事業部門は、異なる製品や顧客の階層で需要、供給、物流を計画する場合があります。製造設備の設定に応じて、製品計画はSKU、製品ファミリー（またはその他）のレベルで行われる場合があります。アカウントの設定に応じて、顧客計画は顧客レベルまたは市場セグメントレベルなどで行われる場合があります。個々のエンティティごとに記述的な分析を開発して表示するのではなく、分析と洞察を表示するためのレベルを選択する柔軟性を開発することは価値があるかもしれません。分析の設計は、改善したいKPIにも影響を与えます。この記事では、予測の精度を示す指標として、ボリュームベースの記述的な分析に焦点を当てます。
分析テンプレート
このセクションでは、予測と過去の販売実績（実績）を使用した記述的な分析について説明します。選択した粒度で売上高の予測と実績が行われていることに注意してください。以下の可視化の選択された粒度（製品と顧客の階層、過去の時間期間、予測の種類など）は単なる例であり、ビジネス設定に合わせて更新できます。各可視化の上部にある青いボックスは、ユーザーが複数のアイテムを選択できるドロップダウンです（Display Entityの場合、1つのエンティティのみを選択できます）。Display Entityは、分析が可視化されるレベルを示します。時間期間は、分析が行われる最も最近の過去期間（このセクションの例では月単位）を示します。
I. 需要のスケールと変動性
図2では、過去12ヶ月のSKUレベルでの実際の販売を表示しています。これは、歴史的な時間期間における販売の中央値、25パーセンタイル、75パーセンタイル、最小値、最大値をハイライトしたボックスプロットの形式で表示されます。
洞察：図2に示されるボックスプロットは、歴史的な時間期間にわたる需要のスケール（中央値で示される）と需要の変動性（四分位範囲（IQR）で表される）の感覚を提供します。中央値またはIQRでソートすることで、最大のボリュームまたは最大の変動性のあるアイテムを特定することができます。
アクション：通常、需要が高く変動性の高いアイテムに対して予測の努力を集中し、需要が低いか変動性の低いアイテムには統計的な予測を使用します。
II. 過去の販売パレート
図3では、過去6ヶ月間における各顧客ごとの実績をプロットしています。
洞察：図3のチャートでは、顧客が過去6ヶ月間に持ち上げたボリュームの降順に並べて表示されます。このビューでは、一連の顧客に対してこの過去期間にわたる累積販売も計算することができます。
アクション：しばしば、ごく一部の顧客が需要の大部分（80-20の法則）を担当しています。これらのアイテムについて予測を行い、時間投資の収益性を高めることが賢明です。
III. 一貫してパフォーマンスの低いアイテム
図4Aと図4Bでは、過去6ヶ月間のSKUレベルでの予測と実績の生データおよび絶対値の偏差を表示しています。
洞察：図4Aの正の偏差は、一貫して過剰予測されている領域を示し、負の偏差は一貫して予測不足のあるアイテムを示しています。2つ目のチャート（図4B）は、アイテムの予測のタイミングが間違っている箇所を示しています（断続的に過剰予測および予測不足）。
アクション：理想的には、一貫して正のバイアスのあるアイテムの予測を下げ、一貫して予測不足のあるアイテムの予測を増やすことが望ましいです（ただし、ビジネス状況が変わっていない場合）。タイミングを正確に捉えられないアイテムについては、顧客と協力して原因を理解し、タイミングをより正確に捉えるようにすることがあります。
IV. 予測精度に基づくセグメント項目
図5では、過去6ヶ月間にわたってSKU-顧客の組み合わせで集計した販売予測誤差と統計予測誤差の偏差を表示しています。
洞察: 図5の正のバイアスは、販売予測が対応する統計予測よりも過去6ヶ月間の累積誤差が高い場所を示しています。負の偏差は、販売調整が統計予測よりも予測を改善している場所を示しています（つまり、選択した時間期間における累積販売予測誤差が累積統計予測誤差よりも低い場合）。
アクション: メトリックを改善するために、正の偏差を持つアイテムには統計予測を使用し、負の偏差を持つエンティティには販売予測を使用します。これは、再び事業条件が安定していると仮定しています。
V. 最近の販売に基づく外れ値
図6では、次の月の販売予測と過去3ヶ月の平均との偏差を調査しています。
洞察: 図6の正の誤差は、最近の販売に比べて過剰予測している場所を示しており、負の偏差は、販売が最近の履歴よりもはるかに低いと予測される場所を示しています。
アクション: 外れ値を注意深く確認し、予測が適切であるか、または最近の販売に異常があったかを検証し、必要に応じて予測を調整する必要があります。
VI. 成長と季節性に基づく外れ値
これらの可視化では、通常、製品ファミリーやより高いレベルを選択します。低レベルの属性（例：SKU）は成長率にノイズをもたらす可能性があるためです。同様の理由で、月次ではなく四半期単位で外れ値を確認する傾向があります。図7Aでは、予想されるQ2の売上に対する販売予測の偏差を持つ製品ファミリーを調べています。Q2の予想売上は、単純に利用可能な過去のQ2の売上と複数年にわたるQ2の平均成長率の積です。図7Bでは、過去3年間にわたる年々の成長率（％）を調べるために複数の四半期を深く掘り下げます。
洞察: 図7Aの正の誤差は、平均年々成長率と季節性を考慮した予想売上に対して過剰予測している場所を示しており、負の偏差は、予想される季節性に合わせた年々成長率よりも低い売上が予測される場所を示しています。図7Bの製品ファミリー（例：PF21）の詳細を調べると、次年度のQ2の推定成長率が過去3年間の平均Q2成長率よりもはるかに低く、さらなる検討が必要です。
アクション: 最大の偏差（正および負）を確認して、予測が予想される成長と季節性と一致しない理由を理解し、それに応じて調整する必要があります。
VII. 価格-数量の外れ値
図8では、製品ファミリーPF23のボリュームに対して正規化された価格をプロットしています。価格は関連フィード「Feed3」の価格を使用して正規化されていますが、ボリュームは正規化されていません。なぜなら、この製品ファミリーまたは類似の製品ファミリーの全体的な需要に関するデータがない場合があるためです。過去の期間では、散布図を生成するために過去の価格とボリュームが使用され、予測された価格とボリュームは将来を見据えた正規化された価格とボリュームの予測を生成するために使用されます。
洞察：散布図は、価格（正規化）とボリューム（正規化）が異なる粒度で相関していることを示しています。これはボリュームが価格の変動とどのように関連しているかを近似的に表していますが、（正規化エンティティ自体が近似値であることに注意してください）このチャートは、（正規化された）歴史的な価格対ボリュームのトレンドと比較して、予測の外れ値を特定するのに役立つことができます。
アクション：予測期間の価格対ボリュームチャートで予測の外れ値を調査し、歴史的な業務コンテキストと現在の市場需要および供給状況をレビューして外れ値の値が正当化されているかどうかを評価します。正当化されていない場合、予測を歴史的なトレンドに合わせるためにボリュームまたは価格を調整します。
VIII. 時間の経過による一貫した予測の低下または向上を示すエンティティ
図9Aでは、過去6ヶ月間のSKUレベルでLag2Final予測（実際のデータを分析する月より2ヶ月前に確定する予測）のパフォーマンスを分析しています。さらに、図9Bに示すように、過去6ヶ月間でLag2Final予測の絶対誤差が最も小さい製品ファミリーアイテムを調査します。図9Cでは、各アイテムの異なるラグ予測と実績をプロットしてトレンドを把握します。
洞察：図9Aから、エラーが正の場合は一貫して予測が過大評価されているエンティティを、エラーが負の場合は一貫して予測が過小評価されているエンティティを特定することができます。図9Bは、選択されたラグ予測において一定の期間にわたって最も正確なアイテムを示しています。図9Bのテーブルの各アイテムについて、過去の期間全体で他のラグ予測と比較してどのようにパフォーマンスしたかを調査するために、図9Cでオニオンの皮をむきます。
アクション：すべてのラグ予測のエラーを減らしたいと考えており、その結果、これらの予測のすべてでパフォーマンスが低いアイテムに焦点を当てることになります。また、関心のある粒度で一貫して最も優れたパフォーマンスを示すラグ予測から学ぶこともできます。たとえば、Lag3FinalからLag2Final、Lag1Finalへの予測を悪化させた場合、まず原因を理解する必要があります。ビジネスの異常と関係のない予測の更新が不十分であると判断された場合、特定のアイテムの予測をLag3Final以降では更新しないようにすることができます。
まとめ
私たちは主要な記述的な需要計画分析について説明しましたが、これらはすべてではありません。たとえば、詳細なリストはこちらで確認できます。ただし、多すぎる分析と少なすぎる分析の間のトレードオフを考慮することが重要です。少なすぎると十分な洞察が得られず、多すぎると多くの時間と労力を消費し、元の予測管理の目的を妨げることになります。目的は、複数の分析からの洞察の一貫性を見つけることです。分析の数に関係なく、最終的にはこれらを使用して、組織の需要計画プロセスと予測の正確性を向上させるために追加の注意を必要とする領域を特定したいと考えています。
お読みいただきありがとうございました。役に立ったかどうか、ご意見を[email protected]までお送りください。LinkedInでつながりましょう。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
