ケーススタディ: e コマース企業の小売需要予測の問題
予測のコンセプトの詳細を説明するために、オンラインで商品を販売している、ある e コマース企業のケースを考えてみましょう。サプライチェーンについての意思決定 (在庫管理など) を最適化すると、適切な配送拠点に正確な数の商品の在庫を維持することができるため、この企業の中心的な競争力という点で重要です。つまりこれは、より短い配送時間と競争力のある価格で幅広い選択肢を用意することを意味します。これが、顧客満足度の向上につながります。このサプライチェーンソフトウェアシステムへの重要な入力データとなるのが、カタログ内のすべての商品の需要予測または潜在的な売上予測です。この予測により、下流での重要な意思決定が実現します。中でも重要な予測には以下があります。
-
マクロレベルのプランニング (戦略的予測): 企業全体として、総売上高や収益の観点から予測される成長率はどれくらいですか。 この企業が地理的に (さらに) 力を入れるべき場所はどこですか。 人事配置はどのようにすべきですか。
-
需要 (または在庫) 予測：各商品の拠点別の販売数見込みはどれくらいですか。
-
プロモーション活動 (戦術的予測): どのようなプロモーションを展開すべきですか。 清算すべき商品はありますか。
ケーススタディの後半では、運用上の予測の問題 (Januschowski & Kolassa、2019 年) の一部である 2 つ目の問題に焦点を当てます。このドキュメントでは、データ、モデル (予測子)、推論 (予測)、プロダクト化などの重要な点について説明しています。
このケーススタディの場合、予測の問題が目的を達成するための手段であることに留意することが重要です。予測はこの企業にとって非常に重要であるとはいえ、下流のサプライチェーンにおける意思決定はさらに重要です。このケーススタディでは、意思決定はオペレーションズリサーチの数学的最適化モデルを基とする自動購入システムが行っています。これらのシステムでは、この企業の見込まれるコストを最小限に抑えることが目標です。
ここでのキーワードは「見込み」です。つまり、予測は、特定の結果の確率に応じて適切な重み付けを行い、将来の 1 つの可能性ではなく、考えられるすべての将来の可能性を対象とする必要があります。そのためには、単にポイント予測を行うのではなく、予測値の分布を得ることが下流の意思決定を実現する鍵となります。次の図は、確率的予測 (密度予測とも呼ばれる) を説明しています。この確率的予測から単一点における予測 (最も可能性の高い将来) を簡単に導き出すことはできますが、単一点の予測から確率的予測への移行は、より難しくなることに注意してください。
確率的予測があれば、そこからさまざまな統計情報を取得し、意思決定に役立つ結果を調整できます。この e コマース企業には、在庫切れを避けるべき主要な商品が数多くある可能性があります。この場合、高分位数 (例えば、90 パーセンタイル) を使用してください。これは、商品の在庫がある時間の 90% に相当します。代替品が見つけやすい製品 (鉛筆など) など、その他の商品については、低パーセンタイルを使用することが、より適切である場合があります。
Amazon Forecastでは、確率的予測からさまざまな分位数を簡単に取得できます。
確率的予測の説明図
上の図の黒い線は実際の値、濃い緑の線は予測分布の中央値、濃い緑色の影付きの領域は値の 50% があると予想される予測区間、薄緑色の領域は実際の値の 90% があると予想される予測区間です。
次のセクションでは、この企業における予測の問題を解決するために必要な手順について説明します。これには以下が含まれます。
