
AI・機械学習による需要予測のメリットは?高い予測精度を実現する方法を解説
昨今、多くの企業で『需要予測』が注目されています。目まぐるしく変わる社会の変化に合わせて、無駄なく製品の提供するには需要予測が欠かせません。 需要予測の目的は、「消費者が製品を必要とするタイミングや量を予測し、適切に供給する」ことにあります。
精度の高い需要予測を実現することで、人・物・コストの流れを最適化することができ、企業によっては数億円のインパクトになることもあるでしょう。
これまで、需要予測はベテラン従業員のKDD(*1)に頼る傾向がありました。近年では「AI」「機械学習」などを活用した新しい手法も身近になりました。
本記事で『需要予測』について、そのメリットや最新のAI・機械学習を活用方法について解説していきます。
(*1) KKDとは日本語の「経験」(KEIKEN)、「勘」(KAN)、「度胸」(DOKYOU)の頭文字を取ってできた言葉で、製造業を中心に職人の技として尊重されてきた手法です。
需要予測とは?
需要予測とは、市場において自社提供する商品やサービスがどの程度売れるか(需要)を短期的または長期的に予測することです。
需要予測の目的は、簡単に言えば「企業収益の最大化」です。
需要予測は仕入れ、生産、販売、人員配置、設備投資、資金調達などの計画策定を大きく左右し、経営の根幹に関わる重要な業務となっています。
需要予測を行うことで、販売の機会損失や過剰在庫を抱えるリスクやコストの増加を減らすことができます。
企業の事業の成長をサポートし、コストを抑制して利益率を高めるためることで、会社の経営戦略を正しい方向へと導き「企業収益の最大化」に繋がります。
ニーズが多様化した現在、需要予測は必要不可欠と言えるでしょう。
需要予測の手法・種類
需要予測には、場合によってさまざまな手法が存在します。従来の方法も含めて、どのような種類があるか、一つずつみていきましょう。
◆算術平均法
算術平均法は、過去のデータの算術平均を計算し、今後も同じく不規則な変動が続くものとして算術平均値を予測値とする手法です。最小二乗法の原理を利用し、誤差のある測定値を分析するときに役立ちます。
◆回帰直線法
回帰直線法は、上昇傾向あるいは下降傾向にあるデータを分析するときに使用する手法です。データの流れを直線で表し、傾向を求めます。算術平均法と似ていますが、複数の数値の平均を一つの数値として取り扱う算術平均法に対して、そのままのデータで求めるのが回帰直線法です。
◆時系列分析法
時系列分析法は、過去の販売データをもとにして分析を実施する手法です。過去複数年にわたって実績がある場合に使用できます。状況によっては以前のトレンドなども交えて分析します。シーズンごとの販売実績を加味するか、以前のトレンドが再流行するかなどの内容があるかないかによって、4つの手法を使い分けるのが特徴です。
・非季節手法
・季節手法
・ARIMA(自己回帰和分移動平均)モデル
・重回帰分析
◆移動平均法
移動平均法は、移動平均を求めたい中心となるデータから、前後いくつかのデータで平均をとって需要予測をする手法です。一般的には昨年の売上データの平均を利用して求めます。移動平均は、仕入れた時点の商品(受入棚卸資産)と在庫棚卸資産の平均原価を使って算出するため、仕入れの度に計算する必要があります。
◆加重移動平均法
加重移動平均法は移動平均法の一種で、移動平均法よりも最新の需要変動の影響を考慮した方法です。それぞれの各月の販売数量に加重係数(加重係数の合計は1)をかけ合わせて求めていきます。場合によっては移動平均法よりも正確な結果が期待できます。
◆指数平滑法
指数平滑法は、過去の販売から算出される予測値を使って需要を予測する手法です。前回の実績値が予測値とどれだけ乖離していたかを確認し、一定の平滑定数aを乗算して予測値を導いていきます。aは0~1の間で設定され、1に近いほど予測値に近い予測ができ、0に近いほど前回実績値に近い予測ができます。予測値はa×前回実績値+(1-a)×前回予測値という式によって導かれます。
◆ホルト・ウィンタース法
ホルト・ウィンタース法は、傾向と季節性の両方を含められる一般的な時系列予測手法です。時系列データの標本数が少なく、季節指数が作成できない場合でも、外部で作成した季節指数を利用できます。需要に明確な季節変動がない場合は活用できないため、注意が必要です。
◆多変量解析
多変量解析は、多くの情報を基にその関係性を解き明かす解析作業の総称です。「消費者アンケートの結果から競合と比べて自社の商品の強みと弱みを知りたい」「既存店舗の売り上げや商圏人口などのデータから、チェーン店が次にこの場所で新たに店をオープンした場合の将来的な売り上げを知りたい」といった場合に、複数のデータを活用して問題を解決できます。
ー成功・失敗の分岐点は「必要なデータが揃っているか」
需要予測について、成功するケースと精度があがらず失敗に終わるケースがあります。両者の違いはどこにあるのでしょうか?
成功ケースを見ると、信用できるデータを大量に確保できており、その中から需要予測につながるデータを特定することで高い精度での予測を実現しています。
一方失敗したケースの要因としては、関連するデータの種類が少ない、データの精度が信用できない、予測モデルの設計に問題がある、などが挙げられます。
このように、成功と失敗の分岐点には「必要なデータが揃っているかどうか」が大きく関わってきます。
しかし、外れてしまったときに、それを単なる失敗として終わらせるのではなく、予測と結果を比較して需要予測モデルに反映させることが大切です。需要予測の外れには、「なくなる外れ」と「なくならない外れ」の2種類があります。この内、なくすことのできる外れについては、極力少なくするような業務設計が重要です。なくならない外れの取り扱いは難しいですが、その外れの大きさをあらかじめ見積もることができれば、外れた時の損害を少なくすることもできます。
AI・機械学習を活用した需要予測のメリット
続きは以下、MatrixFlow記事をご覧ください(無料で閲覧できます)。
MatrixFlowでは一緒に世界を変えるAIプラットフォームを作る仲間を募集しています!!
【会社概要】
株式会社MatrixFlowは、「テクノロジーで世界をつくる」をミッションとするAIベンチャーです。大人から子供、ビジネスマンから学生、デザイナーからサイエンティストに至るまで、様々な人々がAIを活用し、素晴らしい着想を得たり、あっと言わせるクールな活動をすることを支援したいと考えています。その実現に向けた第一歩として、プログラミング不要のクラウド型AI構築プラットフォーム「MatrixFlow」を開発しております。また、様々な会社でのAI活用を推進するためにAIの受託開発・コンサルティング事業も行っております。
【会社情報】
設立 :2018年10月
本社 :東京都台東区
URL:https://www.matrixflow.net/
事業内容:ビジネスのためのAI活用プラットフォーム「MatrixFlow」の運営、および、AIの受託開発・コンサルティング