シーズナリティ(供給チェーン)

learn menu
By Joannès Vermorel, last revised September 2011

サプライチェーンにおいて、ある製品の需要、あるいは販売数が、その基礎となる時系列により、年間の時期に応じた予測可能な周期変動を示す場合、シーズナリティが存在すると言われます。シーズナリティは、需要予測の精度を向上させるために最も頻繁に利用される統計パターンの一つです。

Example: ほとんどの西洋の小売店は、クリスマスシーズンに売上がピークに達します。

季節時系列の図解

以下のグラフは、拡大表示可能な4つの季節時系列を示しています。時系列は約159週間(約3年)にわたって週次で集計されており、データは大手欧州小売業者の倉庫から出荷された4種類の製品の週間出荷量を表しています。

大手欧州小売業者の倉庫出荷を示す4つの時系列(季節性パターン)

年初(1月1日)は灰色の垂直マーカーで示されています。歴史的データは赤で表示され、Lokadの予測は紫で示されています。季節性は、各年のパターンが類似している点から視覚的に確認でき、灰色のマーカーを基準として利用できます。

季節分解の基本モデル

時刻tにおける需要を*Y(t)とします。需要Y(t)は、厳密な周期関数であるS(t)と、季節性を持たない補完部分Z(t)*の2要素に分解され、以下のように表されます:

Y(t) = S(t) * Z(t) where S(t + 1 year) = S(t)

もしこのような関数*S(t)*が推定できれば、予測プロセスは通常3段階で進行します:

  • Z(t) = Y(t) / S(t) として季節効果を除去した時系列を算出する。
  • 移動平均などを用いて、時系列*Z(t)*の予測を行う。
  • その後、予測値に季節性指数を再適用する。

初期の問題である季節性指数*S(t)*の推定に戻ると、(その他の条件とともに)トレンドがないと仮定すれば、*S(t)*は以下の方法で推定できます:

S(t) = AVERAGE( Y(t-1)/MA(t-1) + Y(t-2)/MA(t-2) + Y(t-3)/MA(t-3) + ... )

ここで、*Y(t-1)Y(t - 1 year)*の省略形であり、*MA(t)Y(t)*の1年間の移動平均を示します。

この節で提案するアプローチは_単純_ですが、Excelで容易に実装できます。文献には、Box-Jenkins、ARMA、ARIMA、Holt-Wintersなど、より複雑な方法で季節性に対処するための多くの統計モデルが存在します。

季節性指数の推定における課題

ここで示した季節性モデルは、長期間にわたる滑らかな季節時系列に対しては機能する単純なアプローチですが、季節性の推定には実務上の多くの困難があります:

  1. 時系列が短い。ほとんどの消費財の寿命は3年または4年を超えないため、特定の製品について、販売履歴は年間を通じた各季節性指数(前節参照)の推定に十分な過去のデータ点を平均して非常に少なくしか提供しません。
  2. 時系列にはノイズが含まれる。ランダムな市場変動が売上に影響を与え、季節性の分離をより困難にします。
  3. 複数の季節性が関与する。店舗レベルでの売上を見ると、製品自身の季節性は通常、店舗の季節性と絡み合っています。
  4. その他のパターン、例えばトレンドや製品ライフサイクルも時系列に影響を与え、推定に様々なバイアスを生じさせます。

これらの問題に対処するための単純な方法(手間はかかりますが)は、同じ季節的挙動が認められる製品群の集合から季節性プロファイルを手動で作成することです。製品群の寿命は通常、個々の製品の寿命よりもはるかに長いため、これらの推定問題を緩和できます。

準季節性

年に一度発生するが必ずしも同じ日付で起こるとは限らない多くのパターンがあります。Lokadでは、これらのパターンを準季節性と呼んでいます。例えば、母の日(年によって日付が異なり、国によっても変動する)や、ラマダン、イースター、ハヌカなどの祝日も準季節的です。

これらの準季節的なイベントは、周期が厳密に一定であると仮定する古典的な周期予測モデルの範囲を超えています。これらに対処するためには、より複雑な準周期的ロジックが必要です。

Lokadの注意点

私たちの経験では、季節性はほとんど全ての人間活動に影響を与えます。特に、食品・非食品を問わず消費財の売上を表す時系列では、ほぼ必ず季節要因が存在します。しかし、市場ノイズが多いため、季節性指数の推定精度が予測を洗練するには実用的なレベルに達しないことがしばしばあります。

Lokadの予測技術は、季節性と準季節性の両方をネイティブに処理するため、これらについてLokadに伝える必要はなく、既に対処済みです。

小売や製造業におけるほとんどの時系列データが持つ限られた歴史的深度に起因する問題を克服するために、Lokadは複数の時系列分析を用い、季節性を単一の製品ではなく多数の製品に基づいて評価します。これにより、季節性の推定におけるノイズを削減するとともに、製品販売開始から1年未満の場合でも予測に季節性を反映させることが可能となります。