予測を超えて 顧客のサービスと事業成長の微妙なバランス
「顧客のサービスと事業成長の微妙なバランスを超えて」
企業は、不確実な未来を乗り越えるための核となる計画決定に時間系列予測を使用しています。この投稿は、計画期間の混合したバラエティでどれだけの完成品が必要かを決定するという共通のニーズを持つサプライチェーンの関係者に対して意図されています。商品の数量を計画するだけでなく、どこで需要があるかを把握することも企業の必要性となり、地理的に最適な在庫を作成するためです。
供給過剰と供給不足の微妙なバランス
メーカーが部品や完成品を少なすぎる量で生産すると、供給不足が起こり、その結果、取引パートナーや事業部門の間でリソースを割り当てる難しい選択を迫られることがあります。その結果、受注率が低下し、利益が少なくなります。サプライチェーンの下流においても、小売業者が需要に対して製品が不足している場合、在庫切れによりショッパーを失望させることがあります。小売業者のショッパーが即座のニーズを持っている場合、これらの不足は代替小売業者や代替ブランドからの購入をもたらす可能性があります。代替品は新たなデフォルトになり得る場合、顧客の転換リスクとなります。
供給の振り子の反対側では、商品の供給過剰も罰則を伴います。余剰商品は売れるまで在庫に保管されなければなりません。需要の不確実性に対応するためにある程度の安全在庫が必要ですが、過剰な在庫は組織の収益を減少させる効率の低下を引き起こします。特に商品が腐敗性のある場合、供給過剰は販売可能な完成品を取得するために行われた初期投資の全部または一部の損失を引き起こすことがあります。
商品が腐敗しない場合でも、保管中にそれらは事実上のアイドルリソースになります。バランスシート上のフリーキャッシュとして利用できるか、他の投資を追求するために使用できるはずです。バランスシートは別として、保管および運搬コストは無料ではありません。通常、組織は有限の配列された倉庫と物流能力を持っています。彼らはこれらの制約の中で、利用可能なリソースを効率的に使用する必要があります。
供給過剰と供給不足の選択肢の間で選択する際に、平均的には、ほとんどの組織は積極的に供給過剰を選択します。供給不足の計測可能なコストは、しばしば供給過剰のコストと比較して数倍高くなります。これについては次のセクションで詳しく説明します。
供給不足のもたらす無形のコストで顧客の信用を失うことを避けるために、製造業者や小売業者は顧客の長期的な価値を考慮し、ブランドの忠誠心を育むことを考えます。これは彼らのサプライチェーン戦略を形成するためのミッションとなります。
このセクションでは、需要計画プロセスに続いて多くのリソースや少ないリソースを割り当てることで生じる不平等を検証しました。次に、時間系列予測と需要予測を最適に合わせる方法について調査します。
古典的な販売とオペレーション計画サイクルのアプローチ
歴史的には、予測は統計的な手法を用いて実現され、将来の最もありそうな値を示すポイント予測結果を提供します。このアプローチは、移動平均や線形回帰の形式に基づいており、最小２乗法を用いてモデルをフィットさせることを目指します。ポイント予測は単一の平均予測値からなります。ポイント予測値が平均を中心としているため、真の値は予測値を下回る場合が50%の確率で発生します。
ポイント予測は興味深いかもしれませんが、専門家のレビューなしに従うと、小売業者は必要不可欠なアイテムが50%の確率で在庫切れになる可能性があります。顧客への適切な提供を確保するために、サプライとデマンドプランナーはマニュアルな判断オーバーライドやセーフティストックの計算式によるポイント予測の調整を行います。企業は独自のセーフティストックの計算式を使用する場合もありますが、その目的は不確実な短期の予測に対応するための製品供給の確保です。最終的に、プランナーは自身のルール、解釈、将来の主観的な見方に応じて、平均ポイント予測の予測数値を膨らませるか縮小するかを決定する必要があります。
最新の時系列予測技術が選択を可能に
現実の予測ニーズに応えるため、AWSは時間系列予測に対する現代的なアプローチを提供する幅広い機能を提供しています。Amazon SageMaker Canvasなどの機械学習（ML）サービスがあります（詳細については、Amazon SageMaker Canvasを使用した時間系列予測モデルの迅速な構築を参照）。Amazon Forecast（Amazon Forecastを使用した時間系列予測への成功する旅の開始）やAmazon SageMakerのビルトインアルゴリズム（Amazon SageMakerを使用した需要予測）なども提供しています。さらに、AWSは時系列ドメインを含むさまざまなMLタスクをサポートするオープンソースのソフトウェアパッケージAutoGluonも開発しました（詳細については、AutoGluon-TimeSeriesで簡単かつ正確な予測を参照）。
前の節で説明したポイント予測を考慮してください。現実のデータは、平均値や直線回帰の推定値で表現できるよりも複雑です。また、過剰供給と不足供給のアンバランスのため、単一のポイント予測以上のものが必要です。AWSのサービスは、MLモデルと分位数回帰を組み合わせることで、このニーズに対応しています。分位数回帰を使用すると、単一のポイント予測に頼るのではなく、多様な計画シナリオ（分位数として表される）から選択することができます。これらの分位数こそが選択肢を提供し、次のセクションで詳しく説明します。
顧客に役立ち、ビジネスの成長を生み出す予測
以下の図は、分位数回帰を介して可能になった複数の結果を持つ時系列予測の視覚化を提供しています。p05と示される赤い線は、実際の数値がp05ライン以下になる確率（どんな値であっても）が、約5％の場合であることを示しています。逆に、これは真の数値がp05ラインよりも高い確率が95％であることを意味します。
次に、p70と示される緑の線を見てみましょう。真の値は、p70ラインよりも約70％の時間で下回ることになりますが、p70を超える可能性が30％あります。 p50ラインは、将来についての中間の視点を提供し、平均的にp50よりも高いか低いかの値が50/50の確率であることを示します。これは例ですが、どの分位数も同じように解釈することができます。
次のセクションでは、過去のデータから過剰供給と不足供給を測定する方法について説明します。
過去のデータからの過剰供給と不足供給の測定
前のセクションでは、予測を観察するための図の方法を示しましたが、これらを表形式で表示する方法もあります。次の表に示されるように、時間系列モデルを作成する際には、一部のデータがトレーニング操作から保持され、精度指標を生成することができます。将来は不確かですが、ここでの主なアイデアは、ホールドバック期間の精度が、他のすべての要素が同じである場合における明日の予測のパフォーマンスの最良の近似値であるということです。
この表では精度指標ではなく、過去から知られる真の値と、p50からp90までの複数の分位数予測を示しています。最近の過去の五つの時間期間では、真の需要は218ユニットでした。分位数予測は、189ユニットから314ユニットまでの範囲の値を提供します。この表では、p50とp60が不足供給を示し、最後の3つの分位数が過剰供給を示していることがわかります。
前述したように、過剰供給と不足供給には非対称性があることを指摘しました。意図的に過剰供給を行う多くの企業は、顧客の失望を避けるためにそうするのです。重要な質問は次のようになります。「将来において、ビジネスはどの分位数予測番号に対して計画を立てるべきか？」存在する非対称性を考慮すると、加重の決定を行う必要があります。このニーズは、次のセクションで予測された数量がそれぞれの金融的な意味に変換される場所で対応されています。
利益最大化や顧客サービス目標を最大にするための正しい分位数ポイントの自動選択
分位数値をビジネスの値に変換するには、過剰在庫と不足在庫の各単位に関連付けられるペナルティを見つける必要があります。これはほとんど同等ではないため、このニーズへの解決策は、運用研究の分野でよく文書化され、研究されています。これはニュースベンダープロブレムと呼ばれています。Whitin（1955）は、価格効果が含まれた需要モデルを初めて提案しました。ニュースベンダープロブレムは、新聞販売業者がその日のために何冊の新聞を購入するかを決める必要があるときに名付けられました。少なすぎる数を選んだ場合、早く売り切れて収益の潜在能力を十分に発揮できませんでした。数が多すぎると、「昨日のニュース」で引っかかってしまい、早朝の投資の一部を失うリスクがありました。
パーユニットのオーバーペナルティとアンダーペナルティを計算するためには、予測したい各アイテムに必要ないくつかのデータがあります。ビジネス上の要件に応じて、アイテム+場所の組み合わせ、アイテム+顧客の組み合わせ、または他の組み合わせとしてデータを指定することで、複雑さを増すこともできます。
- アイテムの予想販売価値。
- アイテムの購入または製造にかかる総所有コスト。
- アイテムを在庫として保持するための見積もりの在庫保管コスト（販売されていない場合）。
- アイテムの未販売時のサルベージバリュー。高度に傷みやすい場合、サルベージバリューはゼロに近づく可能性があり、元の費用の投資を完全に損失する結果となります。棚寿命が安定している場合、サルベージバリューはアイテムの予想販売価値のどこかの範囲内に落ちることがあります。これは、保管された可能性のある年月を考慮に入れることにつながります。
次のテーブルは、既知の歴史的な期間中の利用可能な予測ポイントから、分布点を自己選択した方法を示しています。アイテム3の例を考えてみましょう。以前の期間には、1,578ユニットの実際の需要がありました。p50の予測値が1,288ユニットであれば不足供給であり、p90の値が2,578ユニットであれば過剰供給となります。観測された分布点の中で、p70の値が$7,301の最大利益を生み出します。これを知ることで、p50の選択がp70の値と比較して約$1,300のペナルティになることがわかります。これは一例ですが、テーブルの各アイテムには独自のストーリーがあります。
ソリューションの概要
以下の図は提案されたワークフローを示しています。まず、Amazon SageMaker Data Wranglerは時系列予測モデルによって生成されたバックテストの予測を受け取ります。次に、バックテストの予測と実際の値はアイテム単位の金融メタデータと結合されます。この段階では、バックテストの予測を使用して、SageMaker Data Wranglerのトランスフォームがアイテムごとのアンダーフォーキャストとオーバーフォーキャストの単価を計算します。
SageMaker Data Wranglerは、ユニット予測を金融の文脈に翻訳し、調査した分布点の中で最も高い利益を提供するアイテム固有の分布点を自動的に選択します。出力は、Amazon S3に保存される表形式のデータであり、前のセクションのテーブルと概念的に似ています。
最後に、時系列予測モデルを使用して将来の予測値を生成します。ここでは、選択された分布点に応じて推論操作を実行したり、推論データに対応したりすることも選択できます。これにより、計算コストを削減すると同時に、すべての個々のアイテムの手動レビューの負担を取り除くことができます。お客様の会社の専門家は、カタログ内の数千のアイテムに自動的な調整を適用する際、高い価値のあるアイテムにより多くの時間を費やすことができます。考慮事項として、将来はある程度の不確実性があります。ただし、他の要素がすべて等しい場合、分布点の混合選択は時系列の全体的なセットにおいて最適な結果をもたらすはずです。AWSでは、混合分位数の選択による改善の程度を定量化するために、2つのホールドバック予測サイクルを使用することをお勧めしています。
実装を加速するためのソリューションガイダンス
この記事で説明した分位数の選択ソリューションを再現し、独自のデータセットに適応する場合は、GitHubで合成サンプルデータセットとサンプルSageMaker Data Wranglerフローファイルを提供しています。全体の実践的な体験には1時間未満かかります。
この記事とサンプルソリューションガイダンスは、市場投入までの時間を短縮するための支援を目的としています。特定の分布点を推薦する主要なエンエーブラは、SageMaker Data Wranglerです。これは、データをMLユースケースに準備するまでの時間を短縮するために設計されたAWSの専用サービスです。SageMaker Data Wranglerは、データ変換の設計、データの分析、特徴量エンジニアリングを行うためのビジュアルインターフェースを提供します。
If you are new to SageMaker Data Wrangler, refer to データラングラーの使い方についてをご覧ください。Amazon SageMaker Studioでサービスを起動する方法を理解するためのリンクです。Amazon SageMaker Studio。
独自に、サービスで取り扱うさまざまなサンプルデータ変換を紹介したブログ投稿が150件以上あります。150のブログ投稿。
結論
この投稿では、分位点回帰が時系列予測において複数のビジネス的な意思決定ポイントを可能にする方法について説明しました。また、過剰予測と不足予測に関連するアンバランスなコストペナルティについても議論しました。
投稿では、組織が各アイテムごとの過剰予測と不足予測のコストを考慮して複数の分位点予測を評価し、将来の期間で最も利益をもたらす可能性のある分位点を自動的に選択する方法について説明しました。必要に応じて、ビジネスルールが動的な分位点ではなく固定の分位点を要求する場合は、選択を上書きすることもできます。
このプロセスは、各予測サイクルごとに評価されるべきであることに留意すべきです。商品コストの増加、インフレ、季節調整、新商品導入、消費者の需要変化などの変化を考慮するためです。提案された最適化プロセスは、時系列モデル生成（モデルトレーニングステップ）の後に位置づけられます。分位点の選択は将来の予測生成ステップ（推論ステップとも呼ばれる）で使用されます。
この投稿に関するご質問や、ご自身の組織のニーズについて詳しく知りたい場合は、AWSアカウントチーム、AWSソリューションアーキテクトにお問い合わせいただくか、サポートセンターで新しいケースを開いてください。
参考文献
- DeYong, G. D.（2020）。The price-setting newsvendor: review and extensions. International Journal of Production Research, 58(6), 1776–1804.
- Liu, C., Letchford, A. N., & Svetunkov, I.（2022）。Newsvendor problems: An integrated method for estimation and optimisation. European Journal of Operational Research, 300(2), 590–601.
- Punia, S., Singh, S. P., & Madaan, J. K.（2020）。From predictive to prescriptive analytics: A data-driven multi-item newsvendor model. Decision Support Systems, 136.
- Trapero, J. R., Cardós, M., & Kourentzes, N.（2019）。Quantile forecast optimal combination to enhance safety stock estimation. International Journal of Forecasting, 35(1), 239–250.
- Whitin, T. M.（1955）。Inventory control and price theory. Management Sci. 2 61–68.
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
