AI需要予測は、過去の販売などのデータから将来の数量を見積もり、仕入れや生産の判断を支えるために使います。ただし、予測値が出ることと、適切な発注ができることは別です。
導入を検討するときは、何をいつまでに予測し、その数字を誰がどの判断に使うかを先に決めましょう。精度の平均値だけでなく、欠品や余剰、確認作業への影響まで評価する必要があります。
予測の単位と、判断する締切を決める
店舗別の商品数量を翌日単位で予測するのか、拠点全体の需要を月単位で予測するのかでは、必要なデータと出力が異なります。商品、拠点、期間を決め、発注や生産計画をいつ確定するのかを合わせます。
架空の例として、翌週の入荷を今週中に発注する業務を考えます。翌週の確定情報を使って予測を評価すると、実際の発注時には使えない情報を前提にしてしまいます。評価でも、判断時点で手元にあった情報を使う条件にそろえてください。
予測したい数量が販売数なのか、注文数なのかも明確にします。売り切れで販売できなかった分は、売上記録だけから確定できません。欠品や休業などの記録を、通常の販売実績とどう区別するかを検討します。
データは、数量とその意味を一緒に確認する
商品ID、日付、数量がそろっていても、返品やキャンセルをどう数えたか、商品コードが途中で変わっていないかなどの確認が必要です。欠けた値と、販売がなかったゼロも同じ扱いにしないようにします。
販促や価格、休日などを使う場合は、運用時にも同じ情報を取得できるか確かめます。過去データにだけ詳細な実績があり、予測するときには予定しか分からないなら、その差を評価へ反映します。
最初からすべての外部情報を集めるより、今あるデータで予測対象と期間を再現できるかを確認する方法があります。不足を推測で埋める前に、業務担当者へ記録の意味を確認してください。
過去の期間を使い、今の方法と同じ条件で比べる
AWSのAmazon Forecastの技術文書では、時系列データを学習用とテスト用に分け、テスト側の実績と予測を比較するバックテストが説明されています。本記事では評価の考え方として参照し、同サービスの導入を勧めるものではありません。出典：AWS Evaluating Predictor Accuracy
自社の試行では、現在の担当者の予測や、前年・直近の数量を使う簡単な方法を比較対象にできます。対象商品、予測の締切、評価期間、予測する先の長さをそろえましょう。AIだけ有利な情報を使う比較では、業務での差を判断できません。
特定の一週間だけでなく、繁忙期や通常期など業務上意味のある違いを含め、どこで誤差が増えるかを見ます。試していない期間や新商品へ、同じ精度が出るとは決めつけないでください。
誤差の大きさと、過剰・不足の方向を分ける
仮に予測100に対して実績80だった場合と、予測80に対して実績100だった場合は、差の大きさが同じでも発注への影響が異なります。余剰の処理と欠品の対応では必要な行動が違うためです。
評価表には、誤差の大きさだけでなく、多め・少なめに外れているか、特定商品へ偏っているかを残す方法があります。全商品の合計では合っていても、商品ごとの過不足が相殺されている場合があるので、実際に判断する単位でも確認します。
精度指標には複数の種類があります。AWSの文書も複数の指標を区別していますが、名称を選ぶだけでなく、ゼロが多い商品や大きな誤差をどう評価するかを確認してください。数式の点数と現場の損失を同一視しないことが重要です。出典：AWS
発注や生産の条件を加えて、業務への効果を確かめる
予測値をそのまま発注数にはできないことがあります。現在庫、入荷予定、最小発注数、納期、保管期限など、業務で使っている条件を確認します。どの条件をシステムへ渡し、どこを人が調整するかを整理してください。
試行では、予測の誤差に加え、既存の発注条件で判断した場合の欠品や余剰、担当者の確認負担を比べると、次の改善を考えやすくなります。想定上の計算と実運用の結果は分けて記録し、試算だけで削減効果を確定しないでください。
需要予測の検討は、モデル選びだけでなく、データの意味と業務判断の整理から始まります。対象業務の切り分けやシステムとの接続を含む相談は、テクノヴァースのAI活用の案内をご確認ください。