シーズナリティ（サプライチェーン）

learn menu
Joannès Vermorelによって、最終更新日：2011年9月

サプライチェーンでは、特定の製品の需要または販売が、年内の時間に応じて予測可能な周期的な変動を経験すると言われます。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使用される統計的なパターンの1つです。

**例：**ほとんどの西洋の小売業者は、クリスマスシーズンにピークの売上を持っています。

シーズナリティの時系列の説明

以下のグラフは、4つのシーズナリティのある時系列を示しています（クリックして拡大します）。時系列は、約3年間の期間にわたって週次レベルで集計されます。データは、大規模なヨーロッパの小売業者の倉庫からの4つの異なる製品の週次出荷を表しています。

Four time-series representing warehouse shipments of a large European retail that exhibit a seasonal pattern.

1年の最初の日（1月1日）は、灰色の垂直マーカーで示されています。過去のデータは赤色で表示され、Lokadの予測は紫色で表示されます。シーズナリティは、次の年からのパターンの類似性として視覚的に観察することができます。灰色のマーカーを参照点として使用してください。

シーズナリティ分解の基本モデル

Y(t)を時刻tでの需要とします。需要*Y(t)を2つの要素に分解します：厳密に周期的な関数であるS(t)と非周期的な補完であるZ(t)*です。これにより、次のようになります：

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

このような関数*S(t)*が推定できる場合、予測プロセスは通常、次の3つのステージで行われます：

  • シーズン性を除去した時系列をZ(t) = Y(t) / S(t)として計算します。
  • 時系列*Z(t)*上で予測を行います（移動平均などを使用）。
  • 予測に対してシーズン性指数を再適用します。

シーズナリティ指数*S(t)を推定するという初期の問題に戻ると、傾向がないと仮定すると（他の要素も含む）、次のようにS(t)*を推定できます：

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)はY(t - 1 year)*の省略形であり、*MA(t)はY(t)*の1年移動平均です。

このセクションで提案されているアプローチは_単純_ですが、Excelで簡単に実装できます。より複雑な方法でシーズナリティに取り組むための多くの統計モデルが文献に存在します。例：Box-Jenkins、ARMA、ARIMA、Holt-Winters…

シーズナリティ指数の推定における課題

ここで示されているシーズナリティモデルは、長期の滑らかな季節性時系列に対してはうまく機能する比較的単純なアプローチです。しかし、シーズナリティを推定する際には、いくつかの実際的な困難があります：

  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年に達しません。その結果、特定の製品について、過去の各シーズナリティ指数（つまり、年間を通じてのS(t)の値、前のセクションを参照）を推定するために、平均して非常に少数のデータポイントしか提供されません。
  2. 時系列はノイズが多い。ランダムな市場の変動が売上に影響を与え、シーズナリティを分離するのがより困難になります。
  3. 複数の季節性が関与しています。店舗レベルでの売上を見ると、製品自体の季節性は通常、店舗の季節性と絡み合っています。
  4. トレンドや製品のライフサイクルなどの他のパターンも時系列に影響を与え、推定にさまざまなバイアスを導入します。

これらの問題に対処するための単純な（ただし労力のかかる）方法は、同じ季節性の振る舞いを持つと知られている製品の集計から手動で季節性プロファイルを作成することです。製品集計の寿命は通常、個々の製品の寿命よりもはるかに長いため、これらの推定の問題が軽減されます。

準季節性

1年に1度だけ発生するが、常に同じ日付ではないパターンは多くあります。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（年によって異なる日付になり、国によっても異なる）や、ラマダン、イースター、ハヌカーなどの他の休日（年によって異なる日付になる）が準季節性の例です。

これらの準季節的なイベントは、周期の期間が厳密に一定であると仮定する古典的な循環予測モデルの範囲を超えています。これらの準季節的なイベントに対処するには、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、季節性はほとんどの人間の活動に影響を与えます。特に、消費財（食品や非食品を問わず）の売上を表す時系列データでは、季節要素がほぼ常に存在します。しかし、市場のノイズの量のために、季節性指数の推定の品質が実用的なレベルになることは非常にまれです。

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、それについてLokadに伝える必要はありません。すでに対応されています。

小売業や製造業のほとんどの時系列データには、利用可能な歴史的な深さが限られているという問題を克服するために、Lokadは複数の時系列分析を使用し、季節性を単一の製品ではなく多くの製品を見ることで評価しています。これにより、季節性の推定におけるノイズを減らすだけでなく、製品の販売期間が1年未満であっても予測に季節性を導入します。