利益:
- 時系列、トレンド、季節性、キャンペーンの影響の概念を理解し、人工知能を使用して適切な質問とクリーンなデータを使用して需要を予測する能力。
- 予測の精度 (MAPE、偏差) と不確実性 (信頼区間、シナリオ) を解釈し、単一の数値ではなく範囲に基づいて計画を立てる能力
- 人工知能による予測が過去のデータに基づいていることと、新製品、プロモーション、供給危機などの中断の場合には専門家の判断が前面に出てくることを区別できること。
サプライチェーンにおけるあらゆる意思決定は、需要はどれくらいあるのかという 1 つの質問に基づいて行われます。この質問に正確に答えるほど、保有する株式が減り、保有する株式が減り、拘束されるお金も減ります。需要予測はサプライチェーンの原動力です。在庫、購買、生産、輸送計画はすべてここから入力されます。人工知能は人間よりもはるかに速く何千もの製品の履歴をスキャンし、パターンを抽出するため、この分野では非常に強力です。しかし、その力の源は限界でもあります。AI は過去から学習します。もし未来が過去に似ていないとしたら、それは間違いです。この単元では、予測の言語、精度の測定、不確実性の管理、AI がどこに委ねるべきかを学びます。
予測の言語: 時系列、傾向、季節性
通常、需要データは時系列であり、毎日の製品の売上など、時間順に並べられた一連の数値です。このシーケンスを 3 つの部分に分割することが予測の基礎となります。
傾向、長期的な方向性: 売上高は年々増加していますか、それとも減少していますか?季節性、定期的に繰り返される変動: アイスクリームは夏に売れ、ヒーターは冬に売れます。金曜日と土曜日は市場が混雑します。ノイズ、原因不明のランダムな再生。優れた予測は傾向と季節性を捉えており、ノイズに騙されません。これらに加えて、キャンペーン、プロモーション、祝日、天候、競合他社の移動などのイベントが積み重なっていきます。 AI に予測させるときは、これらのイベントを AI に伝える必要があります。あなたが彼に伝えなければ、彼はキャンペーン日にジャンプすることが「普通」であると考え、将来について間違いを犯すでしょう。
ヒント: AI に生の販売データを与えるときは、キャンペーン、休日、在庫切れの日にマークを付けます。在庫のない日は重要です。その日は売上が低いように見えますが、実際の需要は高く、入手可能な商品がまったくありませんでした。これを指定しない場合、AI は実際の需要を過小評価します。
測定精度：MAPEとバイアス
「天気予報は大丈夫ですか？」質問に対する答えは、感覚ではなく測定から得られます。最も一般的な指標は MAPE (平均絶対パーセント誤差 - 予測が現実から平均して何パーセント乖離しているか) です。 MAPE が 10% の場合、予測が実際の値を平均 10% 外すことを意味します。 MAPE が低いほど優れています。 2 番目の重要な概念はバイアスです。つまり、あなたの予測は一貫して現実を上回っていますか (過剰在庫を生み出す)、または在庫不足 (在庫不足のまま) ですか?予測の MAPE が低い場合でも、常に同じ方向に逸脱する場合は、体系的な問題があります。
AI に履歴の一部を「トレーニング」として、一部を「テスト」として与え、その予測と現実を比較することができます。これは、信頼を構築するための誠実な方法です。見たことのないデータでモデルをテストします。予測は、過去に一貫性があることが証明されている場合にのみ、将来に適用する価値があります。
注意: 100% 正確な予測はありません。それが起こることは予想されていません。目標は、完璧な単一の数値を生成することではなく、偏差を把握して管理可能な範囲を生成することです。 「予測が当たった/当たらなかった」という二元論的な考え方は間違っています。正しい質問は、「どれくらい逸脱したか、それに応じてどれくらいのバッファを確保したか?」です。
不確実性の管理: 単一の数値ではなく範囲
プランナーの最も危険な習慣は、予測を単一の具体的な数字として扱うことです。実際には、すべての予測には信頼区間があります。たとえば、「来月の需要は 900 ～ 1,100 の間である可能性が高いです」などです。この範囲が広いほど、不確実性は高くなります。範囲を知ることは在庫の決定に直接影響します。範囲が狭い場合は必要な安全在庫が少なくなり、範囲が広い場合はより多くのバッファが必要になります。
したがって、常に AI にシナリオを尋ねます。悲観的 (需要が低いと判明した場合)、期待的、楽観的 (需要が高いと判明した場合)。 3 つのシナリオを考慮して、この計画は 1 つの想定ではなく、さまざまな可能性を考慮して作成されています。これは、「単一番号のロック」の罠から抜け出すための最も現実的な方法です。
ステップバイステップ: AI を使用した需要予測の研究
- データをクリアします。欠品日、在庫切れ日、未処理の誤った記録をマークします。匿名の製品コードを使用します。
- イベントにタグを付けます。キャンペーン、休日、プロモーションの日をデータに追加します。
- パターンを差し引きます。 AI にトレンド、季節性、注目すべきイベントを要約してもらいます。
- テストしてみましょう。履歴の最後の部分を保存し、AIに予測させ、現実と比較します（MAPEとバイアス方向）。
- シナリオを作成します。悲観的/期待的/楽観的な 3 つの予測と、それぞれの信頼区間を尋ねます。
- エキスパートフィルター。 AI は、今後起こる既知の混乱 (新製品、供給危機、法律) については知りません。手動で追加してください。最終的な計画はあなたのものです。
ミニケース3個
ケース 1 — 季節性を捉える。ある飲料販売業者は、夏の間は常に在庫切れで、冬には商品が残っていると不満を漏らしていた。プランナーは YZ に 3 年間の匿名の毎日の売上を与え、季節性を取り除きました。6 月から 8 月の需要は冬の平均の 2.4 倍で、毎年 5 月中旬に急増が始まりました。このパターンによれば、彼は 3 週間前に夏用の在庫を準備しました。夏のデッドストックは70％減少し、冬のデッドストックは減少しました。 AI はパターンを示しました。在庫の決定はプランナーが行いました。
ケース 2 — 新製品に屈服する。ある会社がまったく新しい製品を発売しようとしていました。過去の売上データはありませんでした。プランナーはAIに「最初の3か月の需要はどれくらいですか？」と尋ねた。彼は尋ねた。 AI は妥当と思われる数値を生成しましたが、プランナーはそれが根拠がないことを知っていました。データがありませんでした。代わりに、AI は「過去に同様のセグメントでリリースされた製品の最初の 3 か月のパターンは何でしたか?」と尋ねます。分析して予測レンジとして設定し、慎重な開始銘柄を設定します。専門家の判断はAIの架空の信頼を覆した。
ケース 3 — 在庫なしは今日の罠です。あるアナリストは、製品の需要が減少していると結論付け、在庫を減らすよう勧告した。彼の先輩は、データ内の売上が少ない日が実際には在庫切れの日であることに気づきました。つまり、需要は落ちておらず、商品がありませんでした。このメモでデータを修正してAIに再度与えたところ、実需が増加したことが分かりました。データが不適切にクリーニングされていると、不正確な予測が生成されます。
コピー可能な 4 つのテンプレート
1) パターン抽出:
あなたの役割: 需要計画アナリストのアシスタント。以下は、ある製品（匿名コード：PRODUCT-X）の過去 36 か月の月次売上データです。キャンペーン月[月リスト]、在庫なし月[月リスト]。タスク: (1) 傾向、(2) 季節パターン、(3) 注目すべき出来事を要約します。在庫のない月には真の需要が隠れていることを考慮してください。データを提供しなかった月は捏造されています。
2) 精度テスト:
以下の 36 か月のうち最初の 30 か月を使用して、過去 6 か月を予測します。次に、私の予測を実際の過去 6 か月と比較します。各月の偏差と合計 MAPE を計算します。あなたの推定に一貫して偏りがあるかどうか教えてください。式を表示します。
3) シナリオ予測:
この製品の次の四半期の月次需要を、悲観的/期待的/楽観的な 3 つのシナリオで推定します。各シナリオに信頼区間を与え、それがどの仮定に基づいているかを書き留めます。これは決定的なものではなく、計画のための間隔であることに注意してください。
4) 破損制御:
私があなたに提供した過去のデータに基づく予測が、今後の出来事によってどのように無効になるかを列挙してください: [新製品 / プロモーション / 供給危機 / 規制変更]。それぞれの予測を手動で調整する方法を提案します。
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？
データも製品もコンテキストもありません。 AIは拒否するか仲直りするかのどちらかです。どちらの結果も機能しません。
強力なプロンプト:
あなたの役割: 需要計画アシスタント。以下は、過去 24 か月間の PRODUCT-X の売上です。キャンペーン月と在庫なし月がマークされています。今後 3 か月間の悲観的/期待的/楽観的な予測を与え、それぞれに信頼区間を追加し、過去のテストに対する MAPE を表示します。私が在庫の最終決定権を持っていると仮定してください。
アプローチ
ヒット
不確実性の管理
リスク
単一の番号に依存する
誤解を招く
なし
高 — 計画が崩れる
シナリオ＋範囲
現実的な
良い
低い
ただの直感
変数
弱い
中～高
AIの盲従
変数
なし
高い
よくある間違い
- 在庫切れの日を実際の需要が少ないと誤解する。商品が入手できない場合、売上は低く見えます。これは需要が減少したことを意味するものではありません。
- 単一の番号でロックします。予測を絶対的な真実とみなすことは、不確実性を無視することになります。常に範囲とシナリオを尋ねます。
- キャンペーンにタグを付けていません。プロモーションのバウンスが「正常」であると考えるモデルは、未来を歪めます。
- 歴史のない新製品への予測。データのない製品に対する AI の数は一見安全であるように見えますが、これには根拠がありません。
- ブレーキングはAIに任せる。 AI は疫病、供給危機、法律などの構造的破綻を知りません。専門家の介入が必要です。
注意: 予測がどれほど優れているように見えても、その予測が基づくデータの品質よりも優れていることはありません。 「ゴミは入る、ゴミは出る。」ほとんどの時間をデータのクリーニングに費やします。残りはモデル部分が行います。
要約すれば
需要予測はサプライチェーンのエンジンであり、AI はこのエンジンを加速する強力なアシスタントです。しかし、AI は過去から学びます。未来が過去に似ていないとき、それは間違いです。傾向と季節性をキャプチャし、イベントにタグを付け、MAPE とドリフト方向で精度を測定し、単一の数値ではなくシナリオと範囲として予測を設定します。新製品や構造上の破壊については、専門家の判断が優先されます。データ クレンジングはすべての基礎です。最終的な計画はあなたのものです。
アプリケーションタスク
自社の製品 (または仮想の製品) の過去 12 ～ 24 か月の販売データを取得し、キャンペーンと在庫切れの月をマークします。 「シナリオ予測」テンプレートで3つのシナリオをAIに質問します。次に、履歴の一部を「精度テスト」テンプレートに保存し、予測と現実を比較します。見つけたMAPEと選択したシナリオをその理由とともに5項目にまとめて記入してください。また、追加するセキュリティ バッファも指定します。
チェックリスト
- [ ] データ、在庫切れおよびキャンペーン日のマークを消去しましたか?
- [ ] MAPE による予測とバックテストによるバイアスの方向を検証しましたか?
- [ ] 単一の数値ではなく、シナリオと信頼区間を要求しましたか?
- [ ] 新品/破損がある場合、専門家の判断を優先していますか?
- [ ] 最終的な株式計画は私自身の承認を受けていますか?