時系列（サプライチェーン）

時系列は、ビジネスで使用される最も基本的で多目的な数学ツールの1つです。単純に言えば、時系列は時間にインデックス付けられたデータポイントの系列で構成されます。したがって、時系列は、企業の売上の変化から製品の価格の変化まで、年次、月次、日次、さらには時間単位で何でもモデル化することができます。時系列は特に直感的であり、数多くの変数を記述し、視覚化し、モデル化し、最終的には予測するために理想的です。

時系列による記述統計

時系列の主な用途は記述です。時系列は、大量の情報を1つのグラフや表に縮約することができます。ただし、時系列は特に直感的であるため、人々は簡単に過度に単純化したり、誤読したりすることがあります。誤解の原因の1つは、時系列が使用する時間の集計です。私たちのカレンダーの月は、時間を区切るいくらか恣意的な方法であり、ビジネスの観点からは均質ではないという幻想に陥るべきではありません。月の中の日数や週末の数が異なることが、データの見かけ上の不一致の説明となる場合があります。その他の現象は、データの変動における周期性を説明します。たとえば、クリスマスやブラックフライデーなどの休日は、売上の急増を引き起こします。月初の給料日も同様です。ただし、このような周期性は必ずしも私たちのカレンダーに合致するわけではありません。ラマダンや中国の新年などの伝統は、データの周期的な変動を引き起こしますが、その周期は月次や年次ではありません。さらに、時系列から急いで結論を導いたり、グラフ間の過度に単純な相関関係を確立したりすることには注意が必要です。したがって、1つの変数を次の変数と区別する要素を念頭に置くことが重要です（売上から需要または利益まで）。

時系列の視覚化

時系列は、データの読み取りと視覚化、および異なる系列の比較にもよく使用されます。ただし、このようなグラフの落とし穴は、その見かけの単純さにあります。したがって、データの最良の視覚化を提供するために、さまざまなマッピング技術が使用されることがあります。たとえば、データポイント間に線を引くことで、連続性の印象を与えることができます。これは、株価の時間ごとの変動をマッピングする場合に役立ちます。

ただし、特に不連続なデータの場合、バケットグラフの方が適している場合があります。

時系列を読む際には、x軸にも注意を払う必要があります。一部のグラフでは、データの変動を強調するために小さな値の間隔に焦点を当てていますが、その場合、これらの変動が過大評価される可能性があります。指数関数的な成長などの他の現象も、x軸の線形スケールによって誤って表現されます。したがって、成長の初期段階と後の段階を同様に認識できる対数スケールを使用することを選択することができます。

モデリングと予測

時系列は、統計モデルをサポートするために頻繁に使用されます。これらのモデルの目標は2つあります。過去を説明し、未来を予測することです。サプライチェーンでは、将来の需要を予測することは、購買および生産注文を決定し、在庫過剰のリスクを最小限に抑えるために必要です。時系列内で、ベースラインと呼ばれる主要なレベル、トレンドと呼ばれる長期的な変化、季節性と呼ばれる周期的な変動、およびノイズと呼ばれるその他のランダムな変動を区別することが一般的です。これにより、定期的なサイクルに関連するデータの変動を、基礎となる減少または増加トレンドから区別することができます。これらのパターンは、経済予測の基礎となります。

予測には3つの主要なタイプがあり、それぞれ異なる目的に使用されます。

• ポイント予測は、指定された誤差メトリックに基づいて変数の「最良の」将来値を提供することを意図しています。たとえば、天気予報の場合、各日について単一の温度値を予測します。ポイント予測は、この変数の進化を忠実に表現することを目指していません（読者は予測値を中心に温度が変動する可能性があることを十分に理解しています）、しかし読者にとって有用な指標となり、将来の選択の堅固な基盤となります。
• 確率的予測は、将来の値の完全な確率分布を提供します。信頼区間は、このような予測を視覚化するために頻繁に使用されます。このような予測は、例えば投機目的に有用です。
• 生成的予測は、変数の進化を「自然」または「妥当」と見せることで、ある程度の偶発性とランダムな進化を許容します。この「生成的な視点」は、シミュレーションを実行する際に有用です。

時系列に関するソフトウェアエコシステム

時系列に関連する複雑さを考慮し、ユーザーの設計に最も適したモデルや予測を提供するために、さまざまなタイプのソフトウェアが使用されています。データベース、オープンソースのツール、時系列に特化したプログラミング言語などがあります。さまざまな予測手法も開発されています。たとえば、一部のソフトウェアは移動平均を使用して将来の値を推定するだけですが、他のタイプのソフトウェアは指数平滑化を採用し、過去の値の重みが時間の経過とともに指数関数的に減少します。

時系列は非常に多目的な抽象化および基本的な統計ツールですが、その見かけの単純さは誤解を招くことがあります。データの提示方法を変更する要因や、データの顕著な変動を説明する要因がいくつか存在します。データの収集方法を知り、前述の要因について認識することは重要です。