時系列 (サプライチェーン)

learn menu
マキシム・バルビエによる, 2021年6月

時系列は、ビジネスで用いられる最も基本的で多用途な数学的ツールの一つです。簡単に言えば、時系列とは時間を基準にインデックス付けされた一連のデータポイントから構成されます。このため、時系列は、企業の売上高の推移から製品の価格変動に至るまで、年間、月間、日間、あるいは時単位であらゆる現象をモデル化できます。時系列は非常に直感的であるため、変数の記述、視覚化、モデリング、そして最終的な予測に最適です。

時系列のイラスト

時系列による記述統計

時系列の主な用途は記述にあります。時系列は、大量の情報を1つのグラフや表に凝縮することが可能です。しかし、時系列は非常に直感的であるため、人々はそれを過度に単純化したり誤読したりしがちです。誤解の一因は、時系列が使用する時間の集約単位にあります。我々のカレンダーの月は、時間を区切るためのやや恣意的な手段であり、ビジネスの観点から月が均一であるという幻想にとらわれるべきではありません。月ごとの日数や週末の数の不均一性が、最初はデータの不一致のように見える現象を説明する場合があります。その他の現象は、データ変動における季節性を説明します。例えば、クリスマスやブラックフライデーなどの祝日は、月初の給料日と同様に売上の急増を引き起こします。しかし、このような周期性は必ずしも我々のカレンダーに沿ったものではありません。ラマダンや旧正月といった伝統行事は、月単位や年単位ではない周期でデータに変動をもたらします。さらに、時系列から性急な結論を導いたり、グラフ間に単純すぎる相関関係を認めたりすることは危険です。したがって、売上と需要、または利益など、各変数を区別する要因を念頭に置くことが重要です。

時系列の視覚化

時系列は、データの読み取りや視覚化、さらには異なるシリーズの比較にもよく用いられます。しかし、その見かけ上の単純さに潜む落とし穴にも注意が必要です。さまざまなマッピング手法を用いることで、データをできる限り最適に視覚化することが可能です。例えば、データポイント間に線を引くことは連続性の印象を与え、これは株価の時間ごとの推移を表現する際に有用です。

しかし、特に不連続なデータの場合には、バケットグラフの方が適していることもあります。

時系列を読む際には、x軸にも細心の注意を払う必要があります。一部のグラフは、データ変動を強調するために狭い値の範囲に焦点を当て、その結果、変動が過大評価されるリスクがあります。また、指数関数的な成長などの現象は、x軸を線形スケールで表すと正確に描写されない場合があります。したがって、成長の初期段階も後期段階も適切に捉えるために、対数スケールを採用する選択肢もあります。

モデリングと予測

時系列は統計モデルを支援するためによく利用されます。これらのモデルの目的は、過去を解明し未来を予測するという2点にあります。サプライチェーンでは、購入や生産の注文を決定し、過剰在庫のリスクを最小限に抑えるために、将来の需要の予測が求められます。一般に、時系列は基準となるレベル(ベースライン)、長期的な推移(トレンド)、周期的または定期的な変動(季節性)、そしてその他のランダムな変動(ノイズ)に区分されます。これにより、規則的なサイクルに起因するデータ変動と、基調となる増加または減少の傾向を識別することができます。これらのパターンは経済予測の基礎を成します。

予測には主に3種類があり、それぞれ異なる目的に応じて用いられます。

  • ポイント予測は、指定された誤差指標に基づいて変数の「最良」の未来値を1つ提供することを目的としています。例えば、天気予報では各日に対して1つの気温が予測されます。ポイント予測は、その変数の推移を完全に再現することを意図しているわけではなく(読者も、気温が予測値の周りで変動する可能性が高いことを十分に理解しているでしょう)、読者にとって有用な指標および今後の判断のための確固たる基盤となります。
  • 確率的予測は、未来の値の完全な確率分布を提供します。信頼区間は、そのような予測を視覚化する際によく用いられます。この種の予測は、例えば投機的な目的に有用です。
  • 生成的予測は、変数の推移を「自然」または「もっともらしい」ものとして示し、不測の事態やランダムな変動を一定程度許容します。この「生成的視点」は、シミュレーションを実施する際に有用です。

時系列を取り巻くソフトウェアエコシステム

現在、時系列に伴う複雑性を考慮し、ユーザーのニーズに最適なモデルや予測を提供するために、さまざまな種類のソフトウェアが利用されています。時系列専用のデータベース、オープンソースツール、さらにはプログラミング言語さえも存在します。また、数多くの予測方法が開発されています。例えば、あるソフトウェアは単純に移動平均を用いて未来の値を推定するのに対し、他のソフトウェアは指数平滑法を採用し、過去の値の重みが時間の経過とともに指数関数的に低下するようにしています。

このように、時系列は非常に多用途で基本的な統計ツールですが、その見かけ上の単純さは誤解を招く可能性があります。データの提示方法を変えたり、顕著な変動を説明したりする要因は多数存在します。データがどのように収集され、前述の要因に留意するかを理解することが極めて重要です。