「短期予測を改善したいですか？デマンドセンシングを試してみてください」

Want to improve short-term forecasting? Try demand sensing.

従来の予測手法の精度が停滞した場合、どのようにさらなる改善を実現できるのでしょうか？

はじめに

需要予測は、将来のある期間にわたる組織の売上を推定するプロセスです。短期的な需要予測は通常、1〜3ヶ月先を見据えますが、中期的な予測は6〜18ヶ月に及ぶことがあります。長期の予測は通常、3〜5年先まで行われます。予測は、ビジネスが何を、いつ、どれくらい売るか、在庫を保持するか、将来の動的な顧客需要に対応するためにどこに投資するかを決定するのに役立ちます。企業は通常、顧客からの入力を加えた過去のトレンドを基に、需要予測を作成するためにプロモーションや特売なども考慮します。

需要予測はいくつかの理由で重要です。それは、需要予測ができるだけ正確であることが重要であり、在庫が余分にあることに関連するコストを回避するためです。過剰な予測は、在庫に縛られた余剰の運転資本を引き起こす可能性があります。一方、一貫して需要予測が不足していると、顧客に品切れが発生したり、より高価な原材料を使用して急な注文を行ったりすることになります。正確な計画は、適切な数量の製品を適切な場所で適切な時期に製造し、高いサービスレベルと低い保管コストを実現することで、これらの状況を回避するのに役立ちます。

需要予測の課題

「未来についての予測は非常に困難です、特にそれが未来についての場合は」という言葉は、20世紀の主要な物理学者の一人であるニールス・ボーア（彼が実際にこれを言ったかどうかについては議論があります）によく帰されます。この引用は予測に関連する本質的な課題を強調しています。将来を知らないだけでなく、予測手法に関連する他の課題もあります。

・ビジネス環境の変化 — 例えば、代替品が製品を取って代わり需要を下げる場合があります。また、製品の新たな応用により、需要が歴史的なトレンドと比較して増加する場合もあります。

• 「場所の言語：生成AIのジオコーディング能力の評価」
• ベイズ最適化とハイパーバンド（BOHB）によるハイパーパラメータ調整の例
• クローズドソース対オープンソース画像注釈

・ビジネスモデルの変化 — 企業はその運営モデルとビジネス戦略を変更することがあります。たとえば、化学会社は商品化学品からより特殊な製品へのビジネスのシフトを選択する場合がありますので、歴史的な需要パターンがもはや当てはまらない可能性があります。

・データの利用可能性 — 過去の売上データ、顧客および製品階層データ、およびリアルタイムの注文データは、異なるシステムに格納されている場合があります。

・データの品質 — これには、エントリーエラーによる不正確なデータや、データ要素ごとに異なる一貫性のない粗さでキャプチャされたデータなどの問題が含まれる場合があります。

予測手法

予測は量的な手法または質的な手法に基づいて行うことができます。量的な手法では、通常は時系列分析を行い、過去のデータに基づいて時間の経過に伴うトレンド（成長、季節性など）を把握しようとします。他の量的な場合では、需要予測をビジネスに関連する要素と相関させる経済計量モデルを構築することもあります。質的な手法では、専門家の集合的な意見や調査に基づいて将来を推定しようとします。オンラインで利用可能な予測手法に関するいくつかの興味深い情報源があります。以下に一部を示します：

需要予測手法の究極のガイド：売上を増やし在庫を最適化する – nexocode

当ガイドで需要予測の秘訣を発見しましょう！方法、課題、利点、AIの役割を学びましょう…

nexocode.com

需要予測：知っておくべきことすべて

需要予測は、急成長または変動の激しい市場において企業にとって重要です。なぜならそれは彼らに未来を見る助けを提供するからです…

www.netsuite.com

適切な予測手法の選び方

予測の異なる種類と使用すべき時期について、すべてのマネージャーが知っておくべきことです。

hbr.org

需要予測と投影の6つのタイプと利点

需要予測は、在庫と生産能力についてより賢明な意思決定をするために企業を支援します。私たちは需要の種類をレビューします…

www.thefulfillmentlab.com

短期需要センシング

短期需要センシングは、リーディングインジケータを利用して近い将来の製品の販売を予測する予測手法です。歴史データとリアルタイム情報の組み合わせを使用して、日次または週次のレベルで予測を行います。これにより、市場の主要な動向を捉えることができ、特に変動が激しい時期に助けとなります。そのため、プランナーはより洗練された正確な予測に基づいて、生産と物流計画を調整し、サプライチェーンの弾力性を高め、在庫と輸送コストを削減することができます。需要センシングに関するさまざまなオンラインリソースがありますが、以下にいくつかリストアップされています。

需要センシングとは – AI/MLソリューションとサービス | Premier Google Cloudパートナー

パラメータ 伝統的な需要予測 需要センシング 伝統的な需要予測手法は、歴史に依存しています…

pluto7.com

記事 – Kearney

説明を編集する

www.kearney.com

需要センシングは、出荷の巨大な数により、コスト削減や収益損失の回避など、高い経済的価値が期待されています。予測の粒度とリフレッシュの頻度により、需要センシングはデータと計算の負荷が大きい場合があります。しかし、より多くの計算能力が利用可能になることで、追跡性が高くなることが期待されています。需要センシングの結果は、通常、線形回帰ベースのモデルを使用しているため、説明可能性が高いです。ほとんどの場合、結果は利害関係者に対して予測を明確に説明するために分析することができます。需要センシングからの予測更新の推奨事項は実行可能です。なぜなら、予測の変更に基づいて生産を変更するかどうかは組織の内部の意思決定であるからです。需要センシングアプリケーションは、ほとんどの場合、リアルタイムの注文データに依存するため、入力データのリフレッシュが持続可能です。

簡素化された需要センシングのアプローチ

需要センシングは、関連するリーディングインジケータを利用して販売予測を推定します。顧客注文がどのような速度で行われるかは、近い将来の需要のリーディングインジケータの1つとなる場合があります。例えば、石油化学産業などの一部の業界では、顧客は通常、数週間前に各月に予約するための注文を行います。この記事では、化学会社の顧客注文に基づいた需要センシングのアプローチについて説明します。

このアプローチでは、仮定は、注文が過去の注文傾向と比べて早い速度で行われる場合、最終的な月次需要が高くなるというものです。提案は、従来の予測プロセスにおいて、毎月中間に顧客注文の傾向分析を行い、次月の製品需要を推定することです。この早い洞察は、サプライチェーンと製品マネージャーにとって、生産と価格の調整に関する意思決定に非常に役立ちます。分析により、予測よりも少ない注文をする可能性のある顧客も特定され、予測された数量を超える製品を希望する顧客のために残りの数量が利用可能になるでしょう。これにより、注文ブロックと遅延が減少し、顧客の体験が向上します。

需要先进行数据收集、探索性数据分析、数据处理（清洗和特征工程）、模型开发和改进、可操作的洞察以及建议等一系列步骤，才能为需求感知案例构建一个机器学习解决方案。主要目标是基于客户订单属性，预测当前和下个月在给定粒度（例如产品系列、客户类别）的需求。以下是每个步骤的详细信息：

a. 数据收集 — 根据商品公司环境中该用例的常见情况，我们假设每个产品（或产品系列）有几十个或几百个提前下订单的客户。为了捕捉客户订单的年度和季节性趋势，我们至少收集过去36个月的数据。我们收集包括请求数量、销售订单日期、需求预订月份、客户信息（包括客户类别和地理位置）、产品属性（包括产品系列和市场细分）在内的销售订单数据。我们从需求预订月份开始，按天（工作日，不包括周末和假日）寻找销售订单中在过去两个月内（从前一个月的第一个工作日CM-1开始）请求的总产品数量。这假设在该日期之前没有下订单（前一个月的第一个工作日）。我们还需要从分析中删除取消的订单或退货的订单。表1显示了数据框中的样本数据。

*WD — 工作日

b. 探索性数据分析 — 我们首先了解数据的规模（行和列）、特征的数量和类型（数值 vs 类别）。我们还确定每列中的空值数量。我们通过直方图和箱线图来可视化数值列（查看数据的分布形状，包括均值、中位数、偏度和异常值），通过条形图来可视化类别数据（确认唯一值并识别需要处理的任何异常值）。

c. 数据处理 — 在这一步骤中，我们剔除异常值（例如，数值列中的负值或极高值）。我们还选择特征并进行特征工程。对于这个用例，我们选择的特征比预测变量的聚合级别更高。例如，如果我们预测产品系列的需求，我们选择市场细分、地理位置、累计订单量和月度基线销售预测作为预测特征。给定工作日的累计订单（表2）是特征工程中从日订单量派生出来的。图1显示了累计订单如何随工作日变化的示例。

d. 模型开发和改进 — 这个用例推荐使用多元线性回归。这预计是一个“分段”解决方案，每个工作日都有不同的回归函数。有了36个月的数据和每个产品系列的数百个客户，对于每个产品系列，训练集中将有数千个数据点。我们首先定义一个损失函数，以帮助我们构建提供最准确需求预测的模型。我们选择了几个准确度指标，包括平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和R2，并测试不同模型在这些指标上的性能（我们希望R2值高，误差值低）。原始误差简单地是月度需求预测与产品系列级别的历史实际值之间的差异。在数据准备方面，我们首先将数据分为训练集（数据的80%）和测试集（数据的20%）。对于每个集合，对缺失或空值进行单独处理，以避免数据泄漏。如果缺失值在某个特征中占据了绝大部分，我们可能会完全删除该特征，因为它几乎没有预测能力。如果只有少数行中存在空值，我们可能会删除具有缺失值的行。我们还可以用中心趋势（例如列的中位数，如果是数值型，则是众数，如果是类别型）填补缺失值。此外，我们还将类别变量转换为数值格式，采用独热编码。为了将数据缩放到线性回归模型的输入范围内，我们将依赖变量（月度需求预测）除以基线销售预测，将累计订单（自变量）除以基线销售预测。回归模型系数提供了解释预测变量变异的特征的重要性。

e. アクション可能な洞察と推奨事項 — AIアプリケーションによって予測された需要は、ベースラインの販売予測よりも高くまたは低い場合があります。ステークホルダーに結果を説明するための方法の1つは、歴史的な注文曲線とリアルタイムの注文を比較することです（図2を参照）。

※ここでは説明のために歴史的な累積注文割合曲線のうち3ヶ月分を表示しています。実際の議論では、少なくとも12ヶ月分のデータを含めることになります。

この図では、歴史的な累積注文割合曲線を実線で、リアルタイムの累積注文（ベースラインの来月の販売予測に対する割合）を点線でプロットしています。選択された歴史的な月において、前月の第10営業日までに総需要の約12%が注文されていましたが、予測では約5%の需要が予測されており、ベースラインの予測よりも需要が予想よりも低いことがわかります。この例では、需要予測の更新に関するステークホルダーの合意を得た場合、対象の製品ファミリーの生産削減の決定に情報提供することができます。また、予測は生産と在庫に関する製造業への信号として、需要の弱さや強さに関するセールスチームへの情報提供のために、毎日実行することができます。AI/MLモデルは、ビジネスの再構築時に毎四半期または四半期ごとに再トレーニングすることもできます。

経済的価値の推定

予測の精度の低さからの収益化について考える方法は、在庫切れによる失われた収益や余剰の売れ残り在庫に関連する増加した保管コストとして捉えることです。予測の変動は長期間にわたってバランスが取れる場合もありますが、予測の一貫したバイアスは製品ポートフォリオのバランスを崩す原因となります。短期の在庫切れによる失われた収益は、顧客が競合他社を選ぶことで、長期的にビジネスに影響を与えるかもしれません。以下の表3は、このような予測の不正確さによる失われた収益を示すための簡単な例を示しています。ここでの主な仮定は、組織には予測の不正確さをカバーするための十分な在庫がないということです。この表は、AIアプリケーションなしのベースラインの予測と、月ごとの10の製品ファミリー（PF1からPF10）の実際の需要を提供しています。製品ファミリーごとの価格も提供されています。これらの数字の大きさは、商品化学製品の代表的なものです。

いくつかの製品では、予測が過大評価されています（予測＞実績）、他の製品では予測が過小評価されています（予測＜実績）。予測が過小評価された製品については、この不足をカバーするための在庫がないと仮定し、価格と不足分を掛け合わせて失われた収益を計算しています。総失われた収益は約5800万ドルと推定されています。AIを活用したアプリケーションによって将来の月次需要を感知し、リアルタイムの注文を使用して予測を更新し、適切な数量の製品を作ることで、この失われた収益を減らすことができます。予測エラーの改善率が20%あるとしても（このようなアプリケーションでは珍しくない）、組織の失われた収益は毎月1160万ドル減少します。

まとめ

リアルタイムの顧客注文を使用した短期の需要感知は、従来の予測手法に比べて正確性を向上させるためにリアルタイムの情報を利用することができる手法です。ただし、すべてのユースケースやビジネスシチュエーションに適用できるわけではありません。注文パターンに一定の規則性があり、注文が事前に行われる場合に最も効果的です。この手法は、観察結果の背後にあるビジネスインサイトを理解するためにマーケットインテリジェンスと組み合わせる場合に最も効果的です。顧客は通常、6〜8週間以上先の注文を行わないため、6〜8週間以上先の予測には適用できません。

この投稿で説明されている方法は、他の目的にも使用することができます。たとえば、このアプローチを使用して、各顧客/製品の組み合わせごとに予想需要と実際の注文数の偏差を推定することができます。これにより、ベースラインの販売予測に対して、歴史的な注文パターンと比較して顧客が商品の数量を過少または過多に注文しているかを特定するのに役立ちます。

最後に、更新された予測が利用可能になったらアクションを起こす仕組みを導入したいと思います。これには、生産の増減や予測割り当てを超過した顧客やまだ数量をリフトアップしていない顧客とのフォローアップなどが含まれる場合があります。

お読みいただきありがとうございます。役に立ったと思います。ご意見は[email protected]までお気軽にお送りください。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!