2024年9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3回を開催しました。今回のセミナーでは、機械学習を活用した既存商品の需要予測に焦点を当て、その基本的な流れや注意点について解説しました。本レポートでは、セミナーの主な内容を紹介し、精度の高いAI需要予測を活用してビジネスを成功させるためのポイントを解説します。
録画視聴はこちら>>>https://service.datafluct.com/seminar/240911
時系列モデルによる需要予測の基本的な考え方
時系列モデルは、需要予測における基本的な手法の一つで、最低でも2〜3年分の過去実績データが必要とされています。データが1年分しかない場合、新商品プロモーションなどの影響が大きいため、予測に使うデータとしては不十分です。
時系列モデルによるシンプルな予測方法として、売上の前年比推移を使った予測があります。たとえば、過去数年販売している人気の既存商品の売上について、年々全体的な売上規模が縮小し、前年より10%減少しているとします。このデータから今年の売上を予測するには、前年の同期間の売上実績に90%をかけることで予測が可能です。この方法は計算方法が簡単であるがゆえに、SKU（在庫単位）が多い企業でも有効ですが、過去データの修正やトレンド変化に合わせたパラメーター調整が必要です。
過去データの解釈とトレンド変化への対応
過去データの解釈においては、特に「品切れ」や「セールスプロモーション」の影響に留意する必要があります。品切れが発生すると、ある時期の売上が極端に低くなり、その後において反動で需要が急増することがあります。このようなデータは、そのままでは正確な予測ができないため、調整が必要です。
また、変則的なことが多い発売1年目と対比した2年目の需要や、需要自体の水準変化にも留意する必要があります。さらに競合商品や新たな販売チャネルの追加も、需要の変動要素として影響を与えます。これらの要因を無視せず、AIによる需要予測を行う際には、トレンド変化を反映するモデルの調整が求められます。
高度な統計モデルによる需要予測とシステム活用
国内の企業の約6割は依然としてエクセルなどによる手動での需要予測を行っているとされ、システムを活用している企業は全体の約3割に過ぎません。AIを活用している企業に絞ればさらにその数は減少するでしょう。AIを活用することで、従来の手法よりも正確で迅速な意思決定が可能になります。AI需要予測ツールを導入することは、特に複雑なデータや外部要因が絡む場合に非常に効果的です。
需要の変動要素と社内の情報共有
需要の変動要素には、「セールスプロモーション」「取扱店舗数の増減」「類似商品の販売」「大規模な納品計画」などがあります。こうした要素は、過去データの調整だけでなく、今後の納品計画などの情報も考慮して予測に反映する必要があります。最新の情報は営業担当者だけが持っている場合もあり、営業担当者と需要予測チームの情報共有の仕組みを整えることが、予測精度向上のカギとなります。
移動平均前年比を計算して変曲点を察知する
移動平均前年比の計算は、需要予測においてノイズを抑え、季節性の影響を除去するのに効果的です。一定期間のデータを平均化することで、短期的な変動を平滑化し、トレンドの変化をより明確に捉える手法です。具体的には、「本年の移動平均」を「前年の移動平均」で割ることで、過去との比較を行い、需要のトレンドを把握します。
たとえば、直近1年間の移動平均前年比が110%、半年間が100%、3ヶ月間が90%である場合、このデータから需要のトレンドが徐々に上昇から横ばい、そして下降局面に入ったと判断できます。このような情報を元に、需要予測モデルのパラメーターを適切に調整することで、予測の精度を向上させることが可能です。変曲点の察知は、需要の変動に迅速に対応するための重要なスキルであり、とくに季節性の影響が大きいビジネスにおいては非常に有効な手法です。
需要予測の修正による社内への影響
需要予測の修正は、予測精度を維持するために欠かせないプロセスですが、その影響を社内全体で理解し、迅速に対応することが求められます。予測の上方修正が行われると、工場での追加生産や配送計画の見直しが必要となり、そのために追加の人員やコストが発生します。一方で、予測の修正を怠ると、在庫不足による販売機会の損失や、過剰在庫による無駄なコストが発生するリスクがあります。
これらの影響を最小限に抑えるためには、社内の情報共有が非常に重要です。営業、マーケティング、生産、物流といった各部門が連携し、最新の需要予測データや修正内容を速やかに共有することで、全社的な対応が可能となります。また、予測の信頼性を担保するためには、修正の理由やデータの背景を社内で透明性をもって説明することが不可欠です。こうしたプロセスを整備することで、需要予測の精度向上と効率的な対応が実現します。
因果モデルの活用
1年以上先の中長期的な需要予測を行う際には、時系列モデルと因果モデルで予測するのが効果的です。因果モデルは、需要に影響を与える外部要因（経済状況、為替レート、季節的要因、広告キャンペーンなど）を考慮し、これらが需要にどのような影響を及ぼすかを解析する手法です。単純な時系列モデルだけでは捕らえきれない複雑な因果関係を見出すことができるため、精度の高い予測が可能になります。
具体的な活用シーンとしては、販売規模の大きな主力商品の需要予測や、製品リニューアル前の最終生産量の決定など、時系列データのみでの予測が難しい場合に適しています。因果モデルを用いることで、予測の精度を高め、無駄な在庫を減らし、適切な生産計画を立てることが可能です。
機械学習による需要予測の大まかな流れ
移動平均前年比の計算は、需要予測においてノイズを抑え、季節性の影響を除去するのに効果的です。一定期間のデータを平均化することで、短期的な変動を平滑化し、トレンドの変化をより明確に捉える手法です。具体的には、「本年の移動平均」を「前年の移動平均」で割ることで、過去との比較を行い、需要のトレンドを把握します。
たとえば、直近1年間の移動平均前年比が110%、半年間が100%、3ヶ月間が90%である場合、このデータから需要のトレンドが徐々に上昇から横ばい、そして下降局面に入ったと判断できます。このような情報を元に、需要予測モデルのパラメーターを適切に調整することで、予測の精度を向上させることが可能です。変曲点の察知は、需要の変動に迅速に対応するための重要なスキルであり、とくに季節性の影響が大きいビジネスにおいては非常に有効な手法です。
需要予測の修正による社内への影響
需要予測の修正は、予測精度を維持するために欠かせないプロセスですが、その影響を社内全体で理解し、迅速に対応することが求められます。予測の上方修正が行われると、工場での追加生産や配送計画の見直しが必要となり、そのために追加の人員やコストが発生します。一方で、予測の修正を怠ると、在庫不足による販売機会の損失や、過剰在庫による無駄なコストが発生するリスクがあります。
これらの影響を最小限に抑えるためには、社内の情報共有が非常に重要です。営業、マーケティング、生産、物流といった各部門が連携し、最新の需要予測データや修正内容を速やかに共有することで、全社的な対応が可能となります。また、予測の信頼性を担保するためには、修正の理由やデータの背景を社内で透明性をもって説明することが不可欠です。こうしたプロセスを整備することで、需要予測の精度向上と効率的な対応が実現します。
因果モデルの活用
1年以上先の中長期的な需要予測を行う際には、時系列モデルと因果モデルで予測するのが効果的です。因果モデルは、需要に影響を与える外部要因（経済状況、為替レート、季節的要因、広告キャンペーンなど）を考慮し、これらが需要にどのような影響を及ぼすかを解析する手法です。単純な時系列モデルだけでは捕らえきれない複雑な因果関係を見出すことができるため、精度の高い予測が可能になります。
具体的な活用シーンとしては、販売規模の大きな主力商品の需要予測や、製品リニューアル前の最終生産量の決定など、時系列データのみでの予測が難しい場合に適しています。因果モデルを用いることで、予測の精度を高め、無駄な在庫を減らし、適切な生産計画を立てることが可能です。
機械学習による需要予測の大まかな流れ
機械学習を用いた需要予測モデルの構築は、以下の4つのステップで進めます。
1.AIの開発目的を決める
まずは、AIを開発する目的や解決したい課題を明確にします。これには、需要予測を行う理由、対象とする商品の範囲、予測結果をどのように活用するかといった大まかな仕様の決定も含まれます。どこまでの機能をAIに持たせるかを具体的に定めることが重要です。
2.学習データの収集・前処理
次に、AIに学習させるためのデータを収集し、そのデータを適切な形式に整える「前処理」を行います。データ収集では、売上データ、在庫データ、顧客データ、外部データ（天候、経済指標など）など、予測に関連するすべての情報を集めます。その後、データの欠損値を補完したり、形式を揃えたりする前処理を行い、AIが学習しやすいデータを準備します。
3.機械学習/AIモデルの作成
前処理を行ったデータを用いて、AIモデルを作成します。このステップでは、機械学習のアルゴリズム（例：ツリー系、深層学習系、時系列解析系など）を選定し、AIに学習させます。同じデータを使用しても、選ぶアルゴリズムによってアウトプットが異なるため、ビジネスの目的に最も適したアルゴリズムを選ぶことが重要です。
4.テスト・運用モデルの修正等
最後に、作成したAIモデルにテストデータを用いて検証を行い、アウトプットの質を確認します。予測の精度が期待値を下回る場合は、モデルのチューニングや修正を行います。その後、実際の運用に入りますが、モデルは定期的にメンテナンスし、継続的な改善が必要です。
機械学習の流れの中で特に大変なイメージがあるのはモデルの作成ですが、実際にはその前段階のデータ収集と前処理に時間がかかるケースが多いです。AIで予測精度を向上させるには、単に大量のデータを使うだけでは不十分で、データをどのように解釈し、整理するかという「特徴量エンジニアリング」が鍵を握ります。たとえば、売上データだけでなく、マーケティング活動や天候といった外部データをどう活用するかが、予測モデルの精度に大きく影響します。
さらに、扱うデータが構造化データ（数値データやテーブル形式）であるか、ラベル付けが必要な非構造化データ（SNS投稿やマーケティングレポートなど）であるかも重要なポイントです。とくに、非構造化データは多くの場合AIで扱うには前処理が必要で、これをうまく整理・分析することが、予測の精度を左右します。DATAFLUCTでは、顧客と密にコミュニケーションを取り、こうした社内外のデータを最大限に活用して需要予測モデルを構築しています。
需要予測を成功させるチーム構成
需要予測を成功させるためには、効果的なチーム構成が重要です。実務に精通したビジネスプロフェッショナルと、データ分析やモデル構築のエキスパートであるデータサイエンティストが協力することで、より精度の高い予測が可能になります。
ビジネスプロフェッショナルは、実績データの提供や、ビジネスの現場で何が重要かをデータサイエンティストに伝え、モデル構築に必要な特徴量エンジニアリングを支援します。また、AI予測の結果をビジネスの文脈で解釈し、戦略的な意思決定に結びつけることも彼らの役割です。
一方、データサイエンティストは、提供されたデータを元にデータベースを構築し、最適なAIモデルを設計します。ビジネスプロフェッショナルからのインプットを反映しながら、データの選定やアルゴリズムの調整を行い、モデルの精度を高めていきます。このような多様なスキルが融合したチームが、AIによる需要予測の成功を支えるのです。
既存商品の需要を機械学習で予測するなら「Perswell」
DATAFLUCTが提供する「Perswell」は、機械学習を活用して従来の手法では難しかった多様な外部データを効果的に取り入れ、高い予測精度を実現する需要予測ソリューションです。天候や経済指標、消費者トレンドなどの外部要因を最新の機械学習アルゴリズムで解析し、サプライチェーンの様々な課題を解決します。
Perswellは、本セミナーで紹介した「需要の変動要素」も十分考慮して需要予測を行うことができます。Perswellを活用中の冷凍食品製造企業では、従来は3ヶ月から半年先の販売計画を営業担当者が手動で作成しており、業務量の負担や予測精度に課題がありました。
こちらの企業では、大口顧客からの需要の動向は営業ヨミ情報を反映した方が予測精度が高まるなど独自の傾向がありました。そこでこうした情報を手動で反映できるように、自動予測と手動予測を住み分けた予測システムを実現しました。Perswell活用後は、約8割の商品で従来の予測より予測精度を向上させることができました。
Perswellは、経験豊富なDATAFLUCTのデータサイエンティストがモデル構築を行うため、自社にデータサイエンティストがいなくても、精度の高い機械学習による需要予測を始めることができます。複雑なデータ処理やモデルチューニングの負担を軽減しながら、ビジネスの意思決定に役立つインサイトを得ることが可能です。需要予測をより高度に、そして手軽に実現したい企業には、Perswellがおすすめです。
まとめ
今回のセミナーでは、機械学習を活用した既存商品の需要予測について、その基本的な考え方から実践的なアプローチまでを解説しました。需要の変動要素やデータの解釈方法、トレンド変化への対応など、成功するためのポイントを理解し、適切にモデルを活用することで、より正確で迅速な意思決定ができるようになります。
次回のセミナーレポートでは、新商品の需要予測についてさらに深掘りします。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