2024年8月、DATAFLUCTは、これから需要予測に取り組みたい方に向けて、基礎から実践までを学べる「需要予測セミナーシリーズ」の第2回を開催しました。本セミナーで紹介した、古典的な需要予測モデル、機械学習による需要予測モデル（ツリー系、深層学習系、時系列解析系）、 需要予測を成功させるための必要スキルや企業風土についての一部を紹介します。
録画視聴はこちら>>>https://service.datafluct.com/seminar/240822
需要予測の基本：古典的モデルと機械学習モデル
需要予測にはいくつかの手法があります。古典的な手法はデータ量が少ない場合やデータのパターンが単純な場合に有効である一方、機械学習モデルは大量のデータを扱い、複雑なパターンや外部要因に対応できるのが強みです。古典的な手法は計算が軽く、機械学習モデルは高度な計算資源を必要とします。どちらを選ぶかは、利用するデータの種類、目的、予測精度、計算コストなどに応じて決めましょう。
古典的な需要予測モデルの特徴
まずは、古典的な予測モデルとして「時系列モデル」「移動平均法」「指数平滑法」「因果モデル」「判断的モデル」の5つの特徴を解説します。時系列モデルは、過去のデータに基づいて未来の需要を予測する手法です。月別の販売実績などの時系列データを分析し、未来の時系列を予測します。データのトレンド（需要の変化の方向性）や季節性（短期的に見られる需要のパターン）を考慮することが重要で、比較的単純なデータパターンに適しています。
移動平均法は、直近のデータを使って次の予測を行うシンプルな方法です。月曜〜日曜の平均、火曜〜月曜の平均、水曜〜火曜の平均…というように、期間を1単位ずつずらしながら平均値を計算します。トレンドや季節性による変動が小さく、ランダム変動のもの、かつ需要の規模が小さいものの予測に適しています。
指数平滑法は、過去のデータの中でも「直近のもの」により大きな重みを与えることで、最近の傾向を反映した予測を行います。この考え方は、より高度なモデルの基礎を理解するために重要です。
因果モデルは、需要に影響を与える要素を特定し、それらの要素の影響を用いて予測を行う手法です。たとえば、訪日外国人の増減や為替レートによって、化粧品の需要がどれくらい変動するかを数値で表現することができます。時系列モデルは過去の販売データと未来の需要に関連がある商材に適していますが、因果モデルは、繰り返し購入しない商材の予測に適しています。
判断的モデルは、定量的な予測ロジック・モデルを用いず、人間の判断によって行う需要予測です。不十分・不定型なデータでも扱えるメリットがあり、いろいろな業界・企業で幅広く行われている方法です。情報のバイアスが入りやすく、予測精度にばらつきが出る可能性がある点はデメリットとなります。判断的モデルを客観的に進める方法として、デルファイ法が存在しますが、実務で行われることはあまり多くありません。
これらの古典的な予測モデルでは、過去の需要実績データのみを活用して予測を行う手法が主流であり、外部要因の考慮ができないという点に注意しましょう。
機械学習による需要予測の精度向上
まずは、古典的な予測モデルとして「時系列モデル」「移動平均法」「指数平滑法」「因果モデル」「判断的モデル」の5つの特徴を解説します。時系列モデルは、過去のデータに基づいて未来の需要を予測する手法です。月別の販売実績などの時系列データを分析し、未来の時系列を予測します。データのトレンド（需要の変化の方向性）や季節性（短期的に見られる需要のパターン）を考慮することが重要で、比較的単純なデータパターンに適しています。
移動平均法は、直近のデータを使って次の予測を行うシンプルな方法です。月曜〜日曜の平均、火曜〜月曜の平均、水曜〜火曜の平均…というように、期間を1単位ずつずらしながら平均値を計算します。トレンドや季節性による変動が小さく、ランダム変動のもの、かつ需要の規模が小さいものの予測に適しています。
指数平滑法は、過去のデータの中でも「直近のもの」により大きな重みを与えることで、最近の傾向を反映した予測を行います。この考え方は、より高度なモデルの基礎を理解するために重要です。
因果モデルは、需要に影響を与える要素を特定し、それらの要素の影響を用いて予測を行う手法です。たとえば、訪日外国人の増減や為替レートによって、化粧品の需要がどれくらい変動するかを数値で表現することができます。時系列モデルは過去の販売データと未来の需要に関連がある商材に適していますが、因果モデルは、繰り返し購入しない商材の予測に適しています。
判断的モデルは、定量的な予測ロジック・モデルを用いず、人間の判断によって行う需要予測です。不十分・不定型なデータでも扱えるメリットがあり、いろいろな業界・企業で幅広く行われている方法です。情報のバイアスが入りやすく、予測精度にばらつきが出る可能性がある点はデメリットとなります。判断的モデルを客観的に進める方法として、デルファイ法が存在しますが、実務で行われることはあまり多くありません。
これらの古典的な予測モデルでは、過去の需要実績データのみを活用して予測を行う手法が主流であり、外部要因の考慮ができないという点に注意しましょう。
機械学習による需要予測の精度向上
機械学習による需要予測では、時系列分析の予測手法では困難だった外部データ活用や、細かい単位でのモデル構成、アンサンブルモデル（複数のモデルを組み合わせること）によって予測精度を大きく向上できる可能性が高いです。ここでは、実務で用いられることが多い「ツリー系」と、「深層学習系」「時系列解析系」の予測モデルを紹介します。
ツリー系アルゴリズムは、回帰問題において非常に高い精度を誇り、多くの分野で広く活用されています。代表的な手法には、LightGBM、CatBoost、XGBoost、Extra Treeなどがあります。これらのアルゴリズムは、データを条件ごとに分割し、複数の決定木を組み合わせて予測を行うことが特徴です。ツリー系アルゴリズムは、特に多様なデータや非線形な関係性が含まれる問題に対して有効です。データの構造が直感的に理解しやすい点がメリットですが、データ前処理や長期予測に課題があります。
ディープラーニングを基盤とする深層学習系アルゴリズムは、ニューラルネットワークを利用し、多くのデータを学習してパターンを見つける高度な手法です。データから複雑なパターンを学習する能力に優れており、とくにTabNet、LSTM、NeuralNetなどが注目されています。TabNetは最新の深層学習アルゴリズムの一つであり、特定のテーマにおいては、従来のツリー系アルゴリズムを超える精度を達成することもあります。深層学習系アルゴリズム高精度な予測が可能ですが、大量のデータや計算リソースが必要で、結果の解釈が難しい場合があります。
時系列解析系アルゴリズムは、過去のデータに基づいて未来を予測する手法です。代表的なアルゴリズムとして、ProphetやSARIMAXが挙げられます。従来の時系列データに季節性やトレンドを考慮した予測を行うことができ、とくにProphetは、季節性やトレンドだけでなく、イベント情報（セールや祝日など）も予測モデルに組み込むことができるため、ビジネスやマーケティングの分野で需要予測に広く利用されています。時系列解析系アルゴリズムはデータ前処理が簡単ですが、外部要因の導入が難しいというデメリットがあります。
まずは、古典的な予測モデルとして「時系列モデル」「移動平均法」「指数平滑法」「因果モデル」「判断的モデル」の5つの特徴を解説します。時系列モデルは、過去のデータに基づいて未来の需要を予測する手法です。月別の販売実績などの時系列データを分析し、未来の時系列を予測します。データのトレンド（需要の変化の方向性）や季節性（短期的に見られる需要のパターン）を考慮することが重要で、比較的単純なデータパターンに適しています。
移動平均法は、直近のデータを使って次の予測を行うシンプルな方法です。月曜〜日曜の平均、火曜〜月曜の平均、水曜〜火曜の平均…というように、期間を1単位ずつずらしながら平均値を計算します。トレンドや季節性による変動が小さく、ランダム変動のもの、かつ需要の規模が小さいものの予測に適しています。
指数平滑法は、過去のデータの中でも「直近のもの」により大きな重みを与えることで、最近の傾向を反映した予測を行います。この考え方は、より高度なモデルの基礎を理解するために重要です。
因果モデルは、需要に影響を与える要素を特定し、それらの要素の影響を用いて予測を行う手法です。たとえば、訪日外国人の増減や為替レートによって、化粧品の需要がどれくらい変動するかを数値で表現することができます。時系列モデルは過去の販売データと未来の需要に関連がある商材に適していますが、因果モデルは、繰り返し購入しない商材の予測に適しています。
判断的モデルは、定量的な予測ロジック・モデルを用いず、人間の判断によって行う需要予測です。不十分・不定型なデータでも扱えるメリットがあり、いろいろな業界・企業で幅広く行われている方法です。情報のバイアスが入りやすく、予測精度にばらつきが出る可能性がある点はデメリットとなります。判断的モデルを客観的に進める方法として、デルファイ法が存在しますが、実務で行われることはあまり多くありません。
これらの古典的な予測モデルでは、過去の需要実績データのみを活用して予測を行う手法が主流であり、外部要因の考慮ができないという点に注意しましょう。
機械学習による需要予測の精度向上
機械学習による需要予測では、時系列分析の予測手法では困難だった外部データ活用や、細かい単位でのモデル構成、アンサンブルモデル（複数のモデルを組み合わせること）によって予測精度を大きく向上できる可能性が高いです。ここでは、実務で用いられることが多い「ツリー系」と、「深層学習系」「時系列解析系」の予測モデルを紹介します。
ツリー系アルゴリズムは、回帰問題において非常に高い精度を誇り、多くの分野で広く活用されています。代表的な手法には、LightGBM、CatBoost、XGBoost、Extra Treeなどがあります。これらのアルゴリズムは、データを条件ごとに分割し、複数の決定木を組み合わせて予測を行うことが特徴です。ツリー系アルゴリズムは、特に多様なデータや非線形な関係性が含まれる問題に対して有効です。データの構造が直感的に理解しやすい点がメリットですが、データ前処理や長期予測に課題があります。
ディープラーニングを基盤とする深層学習系アルゴリズムは、ニューラルネットワークを利用し、多くのデータを学習してパターンを見つける高度な手法です。データから複雑なパターンを学習する能力に優れており、とくにTabNet、LSTM、NeuralNetなどが注目されています。TabNetは最新の深層学習アルゴリズムの一つであり、特定のテーマにおいては、従来のツリー系アルゴリズムを超える精度を達成することもあります。深層学習系アルゴリズム高精度な予測が可能ですが、大量のデータや計算リソースが必要で、結果の解釈が難しい場合があります。
時系列解析系アルゴリズムは、過去のデータに基づいて未来を予測する手法です。代表的なアルゴリズムとして、ProphetやSARIMAXが挙げられます。従来の時系列データに季節性やトレンドを考慮した予測を行うことができ、とくにProphetは、季節性やトレンドだけでなく、イベント情報（セールや祝日など）も予測モデルに組み込むことができるため、ビジネスやマーケティングの分野で需要予測に広く利用されています。時系列解析系アルゴリズムはデータ前処理が簡単ですが、外部要因の導入が難しいというデメリットがあります。
需要予測担当者に求められるスキルと、需要予測を成功させるための企業風土
最後に、需要予測を成功させるには、企業全体が需要予測の重要性を認識し、それを経営戦略の中でしっかりと位置付けていることが大切です。たとえば、中期経営計画において、需要予測の精度向上を戦略目標として明記することは、予測活動に対する全社的な理解を深め、担当者の業務を支援するのに効果的です。また、需要予測は専門性が高いため、担当者に対するOJTも重要です。新人や新しい担当者が業務をスムーズに習得できるよう、実務の中で技術やノウハウを学べる環境が必要です。
さらに、持続的に予測の精度を向上させるためには、定期的に予測結果を振り返り、結果に基づいた改善策を講じるためのフィードバックの仕組みが求められます。このフィードバックプロセスを通じて、過去の誤差や改善点を分析し、次回の予測精度を向上させる文化を持つことが重要です。
これらの要素を企業全体で推進することで、需要予測の精度向上と持続的な業績向上が期待できます。
Perswellで始めるAI需要予測
AIを活用した需要予測は、企業が競争力を維持するために不可欠な要素となっています。AIを使った予測は、従来の手法では扱いにくかった外部要因を考慮することができるだけではなく、膨大なデータを解析し、複雑なパターンや非線形性を捉えることもできます。こうした高精度の需要予測は、ビジネス全体の計画をより正確に立てることに役立ちます。
株式会社DATAFLUCTが提供するAI需要予測サービス「Perswell」は、需要予測の精度を飛躍的に向上させるソリューションです。Perswellは、販売実績や商品情報に加え、外部の天候データ、イベント情報、経済指標といった多様なデータを統合して、より精度の高い予測を実現します。
まとめ
第2回の需要予測セミナーでは、古典的な予測モデルから機械学習を活用した高度な予測モデルまで、さまざまな手法について解説しました。精度の高い需要予測は、企業が競争力を維持し、在庫管理や生産計画を最適化するための不可欠な要素です。とくに、AIを活用した需要予測は、外部要因や複雑なデータを取り込み、従来の手法を超える精度とスピードで意思決定を支援できます。
次回のセミナーレポートでは、今回紹介した予測モデルを既存商品の需要予測に活用するための流れや注意点を解説します。セミナーのアーカイブ視聴や、DATAFLUCTへのご相談は下記をご覧ください。
DATAFLUCTが提供するAI自動需要予測・最適化ソリューション「Perswell」は以下のURLから
https://service.datafluct.com/perswell