利益:
- 需要予測方法（移動平均、指数平滑法、季節性）を区別する能力
- AI を使用して予測シナリオを設定し、MAPE/MAE などの指標で精度を評価する機能
- ビジネスコンテキストおよびプロモーション/季節効果と予測出力をクロスチェックする機能
需要予測は、生産計画、在庫管理、サプライチェーン全体の基礎となります。間違った予測はどちらの面でも高くつきます。過大評価は在庫コストと無駄を生み出し、過小評価は売上の損失と顧客の不満につながります。人工知能は、方法の選択から履歴データの解釈、シナリオの生成に至るまで、予測プロセスのさまざまな場面で役立ちます。しかし、予測を「魔法の水晶玉」とみなすのは最大の間違いだ。この単元では、古典的な予測方法、AI を使用して予測方法を正しく構築する方法、精度を測定する方法について説明します。
予測手法の概要図
一連の要求がすべて同じように動作するわけではありません。横ばいのもの、トレンドのあるもの、季節的なものもあります。シリーズに応じて方法を選択する必要があります。
方法
いつが適切ですか?
注意
ナイーブ (最後の値)
比較用（ベンチマーク）
トレンドや季節を追わない
移動平均
静的でノイズの多いシリーズ
トレンドに遅れて反応する
指数平滑法 (SES)
定常系列、近くのデータを重視
トレンドがなければ良い
ホルト (二重指数関数)
トレンディシリーズ
季節を捉えていない
ホルト・ウィンターズ
トレンド + 季節性
十分な履歴データが必要です
回帰/機械学習
多変数、効果的なプロモーション
過剰適合のリスク
ヒント: 常に「素朴な」推測から始めてください。複雑なモデルが素朴な推測と何ら変わらないのであれば、複雑さを持ち続ける価値はありません。 Naive は、精度を測定するための無料のベンチマークです。
精度はどのように測定するのでしょうか? (指標)
測定しなければ予測精度は向上しません。最も一般的な指標:
- MAE (平均絶対誤差): 誤差の絶対値の平均。単位はデマンド単位と同じです。
- RMSE (二乗平均平方根誤差): エラーが大きいほどペナルティが高くなります。
- MAPE (平均絶対パーセント誤差): パーセント単位。アイテム間の比較には適していますが、需要がゼロに近い場合は歪められます。
- バイアス: 平均誤差。一貫して過大評価/過小評価しているかどうかを示します。
小さなサンプルアカウント。実際の需要を [100, 120, 90]、予測を [110, 115, 100] とします。
誤差 (実際 - 予測): -10、+5、-10絶対誤差: 10、5、10 → MAE = 25 / 3 ≈ 8.33誤差の割合: 10/100、5/120、10/90 = 10%、4.17%、11.11%MAPE = (10 + 4.17 + 11.11) / 3 ≈ 8.43% バイアス = (-10 + 5 - 10) / 3 = -5 → 平均で過大評価 (予測 > 実際)
負のバイアス (真のマイナス推定値) は、推定値が一貫して過大評価されていることを示します。これは在庫のインフレを意味します。このような方向のエラーは MAPE では隠蔽される可能性があるため、一緒に確認されます。
AI を使用した予測プロセスの構築
AI は 2 つの場所で最も効率的に使用できます。(1) データを調べて、実行すべき適切な方法とアクションを提案する場合と、(2) 予測コードを生成する場合です。方法の提案については、次のとおりです。
役割: あなたは、需要予測の経験がある産業エンジニアです。タスク: 以下の月次売上シリーズを調べて、適切な予測方法を推奨します。トレンドや季節性があるかどうかを評価し、その理由を書きます。データ (毎月、過去 24 か月): {{ 値 }}追加情報: 12 月にはプロモーションがあり、夏の間は需要が減少します。私が望む出力:1。シリーズのキャラクターについてのコメント (安定/トレンド/季節) 2.おすすめの方法2選とその理由.3。どのような精度指標を追跡する必要がありますか?4.注意すべき落とし穴（外れ値、宣伝効果） ルール：データを見ずに絶対的な正確性を約束しないでください。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
来月はいくらで売れるでしょうか？
これにはデータもコンテキストも含まれません。 AIはそれを拒否するか、完全にでっち上げた数値を返します。このような出力は信頼できるように見えるため、危険です。
強力なプロンプト:
この 24 か月シリーズのホルト-ウィンターズ ロジックを使用して、今後 3 か月を予測します。シーズンの長さは 12 です。最初にメソッドの前提条件を記述し、次に予測を示し、次に過去 6 か月のバックテストによって MAPE を計算します。プロモーション月を個別にマークします。データ: {{ ... }}
2 番目のプロンプトでは、予測と、その予測をどの程度信頼するか (バックテスト) の両方を尋ねます。これにより、予測が「神託」から測定可能なツールに変わります。
バックテスト: 予測の信頼性の尺度
予測の真のテストは未来ではなく過去にあります。所有するデータをモデルの構築 (トレーニング) とテストの 2 つに分割します。最初の部分でモデルを構築し、次の期間を予測して現実と比較します。この「ホールドアウト」ロジックにより、モデルが実際に機能しているかどうかが明らかになります。
次のシリーズの簡単なバックテスト計画を設定します。過去 6 か月間をテストとして確保し、残りのデータを使用して 3 つの異なるメソッド (ナイーブ、SES、ホルト-ウィンターズ) をトレーニングし、テスト期間中にそれぞれの MAPE とバイアスを計算し、比較表を作成します。必勝法と根拠を書きます。
注意: AI はバックテスト結果を「予測」し、既成のグラフを表示することがあります。つまり、実際に計算しなくても、合理的と思われる数字をでっち上げることができるのです。数値結果は必ずコード (Python/Excel) で再現してください。言語モデルは長い演算を確実に実行しません。
ミニケース：季節商品の在庫過剰
ある食品流通会社は、毎年冬になるとアイスクリームなどの季節商品の在庫が多すぎると不満を漏らす。工業エンジニアのエリフは、AI に 3 年間の月次データを与え、シリーズの性格を評価してもらいます。 Holt-Winters 氏は、AI は強い季節性 (夏のピーク) とわずかな年間成長傾向を検出すると示唆しています。 Elif は Python で予測を生成し、バックテストします。MAPE は 14% ですが、バイアスは大幅にマイナスです。モデルは一貫して過剰予測です。その理由を調査すると、履歴データのキャンペーン期間を「通常」と誤解し、モデルに高すぎるベースを教えていたことがわかりました。キャンペーン効果を削除してモデルを再構築すると、バイアスが減少し、冬季在庫が大幅に減少します。教訓: AI は方法を正しく提案しましたが、データをクリーンアップしてバイアスを解釈するのは人間の仕事でした。
よくある間違い
- メトリクスを追跡しない: 精度を推定するだけで、測定することはありません。測定なしに予測を改善することはできません。
- MAPE を見るだけ: バイアスを無視します。方向性 (系統的) エラーにより、在庫が静かに膨張します。
- AIが作った数値を計算と間違える：バックテストやメトリクスの値をコードで検証していない。
- 異常値/プロモーションをクリーンアップしない: 1 回限りのキャンペーンを通常の需要と誤解し、それをモデルに教えます。
- 過剰適合: 複雑なモデルが過去には完璧に適合していても、将来的にはパフォーマンスが低下する場合。単純なモデルをベンチマークとして保持します。
要約すると
- シリーズの特性 (定常、傾向、季節性) に応じて予測方法を選択します。常に自分自身を世間知らずと比較することから始めてください。
- MAE/RMSE/MAPE で精度を測定しますが、バイアスも監視します。方向誤差が最も高くつきます。
- メソッドの推奨とコード生成に AI を使用します。予測は「予言」ではなく、測定可能なツールとして設定します。
- バックテストは、モデルがどの程度信頼できるかを実際にテストするものです。数値結果は必ずコードで検証してください。
- データ (外れ値、昇格) をクリーニングし、結果を解釈するのは人間の仕事です。 AI はこれらのステップをスキップします。
アプリケーションタスク
少なくとも 18 ～ 24 期間の需要シリーズ (現実的なフィクションまたは現実的なフィクション) を用意してください。まずAIにシリーズを与え、その性格（傾向・季節性）を解釈して2つの方法を提案してもらいます。次に、「バックテスト計画」という強力なプロンプトを使用して、最後の 6 期間をテストとして予約し、少なくとも 2 つの方法を比較します。重要なステップ: AI によって返された MAPE 値とバイアス値を Excel または Python を使用して自分で再計算し、AI の出力と比較します。一致しない番号を見つけた場合は、それを書き留めてください。最後に、バイアスの兆候を解釈します。モデルは過大評価しているのか過小評価しているのか、これは在庫にどのような影響を与えるのでしょうか?