確率的予測（2016年）
不確実性を受け入れる
私たちの経験では、既存の予測モデルを微調整したり、より良いモデルを開発するための研究開発を行っても、この問題を修正することはできません。安全在庫分析などの手法は不確実性を処理することが期待されていますが、実際には、安全在庫分析は単なる二の次の考えです。サプライチェーン管理では、コストは極端な事象によって駆動されます：驚くほど高い需要が在庫切れや顧客の不満を引き起こし、驚くほど低い需要が在庫の死につながり、結果として高コストな在庫の償却を引き起こします。すべての経営者が知っているように、企業は最善を期待すべきですが、最悪の事態に備えるべきです。需要が予想されていた場所にちょうどあるとき、すべてがスムーズに進みます。ただし、核となる予測のビジネス課題は、簡単なケースでうまくいくことではなく、供給チェーンを混乱させ、誰もがイライラするような難しいケースを処理することです。
これらの確率的予測は、未来を見る全く新しい方法を提供します。予測の数字が具体化されることが期待される願望的な視点に固執するのではなく、確率的予測は、すべてが常に可能であるが完全に等しい確率ではないことを思い出させてくれます。したがって、最悪の事態に備える際には、確率的予測はリスクを定量的にバランスさせる強力な手段を提供します（一方、従来の予測は後者に無頓着です）。
リスク分析は、従来の予測手法では後回しにされがちですが、Lokadは確率的予測でそのケースを前面に押し出しています。
実務家の視点から
確率的予測は非常に複雑で技術的に聞こえるかもしれません。しかし、サプライチェーンの実務家であれば、おそらく何年もの間、「直感的な」確率的予測を行ってきた可能性があります：リスクがあまりにも大きかったために基本的な予測を上方修正または下方修正しなければならなかったすべての状況を考えてみてください… これが確率的予測の本質です：不確かな未来に直面したときに現実的な意思決定を適切にバランスさせること。リスク分析は、従来の予測手法では後回しにされがちですが、Lokadは確率的予測でそのケースを前面に押し出しています。
確率的予測エンジンのデータ出力は確率の分布です。実務的な視点からは、この情報は非常に豊富です（結局のところ、多くの可能な未来を垣間見ることになります！）、しかし、生の形式で使用するのはかなり非効率です。その結果、Lokadは、これらの確率を再発注数量などのビジネス上の意思決定に変えるために、企業が必要とするすべてのツールとチームサポートを提供する完全なプラットフォームを提供しています。
LokadのWebアプリにはビッグデータ処理機能が搭載されており、これらの予測をビジネスに適した意思決定に変えるための必要なビジネスロジックを作成できます。これらの意思決定は、MOQ（最小発注数量）などの特定のサプライチェーンの制約、たとえば、賞味期限切れに関連するリスク、および毎日8時までに行うべき日次発注など、あなたのビジネスに特化して調整できます。
機械学習を通じたロボット化
サプライチェーン管理には、多くの製品が多くの場所に移動することが頻繁に含まれます。従来の予測ソリューションは、新製品や製品ライフサイクルの影響など、高度な統計パターンが関与する場合には、かなり手動での調整に頼る傾向があります。しかし、Lokadでは、予測ソリューションが微調整を必要とする場合、それに終わりがないことが経験から示唆されています：解決策を機能させるために何週間または何か月もの労力を費やしても、さらなる微調整が常に必要です。なぜなら、製品が多すぎ、場所が多すぎ、ビジネスが常に変化しているからです。
したがって、Lokadでは、予測プロセスの完全なロボット化を選択することにしました。これは、
- 予測を取得するために統計的知識が必要ない
- 予測を調整するために提供される微調整が期待されない
- 予測をビジネスに合わせて維持するために必要なメンテナンスが不要である
少し不利な点として、これらのアルゴリズムは従来の対応策よりもはるかに多くの処理能力を消費する傾向があります。ただし、この課題は、クラウドコンピューティングによって対処され、どれだけのデータが関与していても、予測エンジンをスムーズに稼働させることができます。
確率予測の起源
Lokadは確率予測を発明したわけではありません。他の数学者が、主に商品株価予測や天気予測など、非常に異なる問題の解決にこの概念を使用していました。また、Lokadは確率予測を最初から使用していませんでした。私たちは、クラシックな予測（2008年）、分位数予測（2012年）、分位数グリッド（2015年）を経て、
これ以前に。その結果、確率予測は実際には予測技術の第4世代です。この技術の以前のイテレーションで得られた経験から、幅広いビジネス状況に対応する予測エンジンを設計する際にかなりのノウハウを得ました。
平均値ではなく確率を推定するという考え方は、私たちがまだクラシックなアプローチをうまくいかせようとしていた初期の年に由来します。クラシックなアプローチが本質的に欠陥があり、どれだけの研究開発を行っても壊れた統計フレームワークを修正することはできないことに気づくまで、かなりの失敗がありました。予測モデルを機能させるためには、まず統計フレームワーク自体を修正する必要がありました。
さらに、私たちの予測エンジンの各イテレーションは、前のバージョンの数学的な観点からの一般化であり、新しい世代の予測エンジンは、前の世代よりも多くの状況を処理できるようになっています。実際、正確であることよりもおおよそ正しい方が良いです。最も適切な予測を生成できない状況が最も厳しい状況であり、それは、エンジンが表現力に欠けているために、特定のビジネス状況に適合する最も適切な予測を生成できない場合に遭遇します。また、エンジンが、再び、表現力が不足しているために、任意の状況で統計的洞察を得るために真に関連する入力データを処理できない場合もあります。Lokadでは、予測は進行中の作業です。確率予測エンジンを構築したことに誇りを持っていますが、これは私たちの努力の終わりではありません。オンプレミスソリューションとは異なり、新しいツールにアップグレードすること自体が課題である場合、Lokadのクライアントは、新しい世代の予測エンジンが利用可能になるとすぐに利益を得ることができます。
当社の予測FAQ
使用している予測モデルは何ですか？
当社は多くの予測モデルを使用しています。現在使用しているほとんどのモデルは、一般的に機械学習アルゴリズムと見なされます。これらのモデルはLokadによって開発されており、科学文献には通常、名前のある対応するモデルはありません。2008年に始めたとき、古典的なモデル（Box-Jenkins、ARIMA、Holt-Winters、指数平滑化など）をすべて再実装していましたが、これらのモデルは最新のモデルと競合できないため、使用されなくなりました。
使用するモデル（複数）をどのように選択しますか？
最初に良い予測を構築する際に、適切なモデルまたはモデルの適切な凸結合を選択することは半分の戦いです。統計的な観点からは、常に「最良」のモデルを選択できるシステムは、常に「完璧な」予測を選択するシステムと厳密に等価であると言えます。実際には、当社の予測エンジンは、最適なモデルのセットを選択するためにバックテストに大きく依存しています。
予測エンジンは季節性、トレンド、曜日を処理しますか？
はい、予測エンジンはすべての一般的な周期性を処理します。当社のモデルは、他の製品で観察される周期性を活用するために、複数の時系列アプローチも積極的に使用しています。自然に、2つの製品が同じ季節性を共有する場合がありますが、同じ曜日パターンを共有するわけではありません。これを処理するモデルもあります。
どのようなデータが必要ですか？
需要を予測するためには、予測エンジンには少なくとも日次の過去の需要が提供される必要があり、分解された注文履歴を提供するとさらに良いです。履歴の長さに関しては、長いほど良いです。2年未満の履歴では季節性を検出できませんが、3年の履歴は良好であり、5年は優れていると考えています。リードタイムを予測するためには、エンジンは通常、発注日と納品日の両方を含む発注書が必要です。製品またはSKUの属性を指定すると、予測をかなり精緻にするのに役立ちます。さらに、在庫レベルを提供することも、最初の意味のある在庫分析を行うために当社に非常に役立ちます。
Excelシートを予測できますか？
一般的な指針として、すべてのデータが1つのExcelシートに収まる場合、通常はあまり役立たないことがあります。正直なところ、他の誰もできません。スプレッドシートのデータは通常、週ごとまたは月ごとに集計され、そのような集計によってほとんどの履歴情報が失われます。さらに、この場合、スプレッドシートには製品に適用されるカテゴリや階層に関する情報がほとんど含まれていない可能性があります。当社の予測エンジンは、お持ちのすべてのデータを活用し、小さなサンプルでテストを行っても満足のいく結果は得られません。
在庫切れやプロモーションについては？
在庫切れとプロモーションの両方は、過去の販売にバイアスを表します。目標は需要を予測することであり、販売ではないため、このバイアスを考慮する必要があります。これらのイベントに対処する一般的であるが正しくない方法の1つは、履歴を書き換えてギャップを埋め、ピークを切り捨てることです。しかし、このアプローチは好ましくありません。なぜなら、これは予測エンジンに予測を供給することになり、過度の適合問題を引き起こす可能性があるからです。代わりに、当社のエンジンは、需要が検閲された場所や膨張した場所を示す「フラグ」をネイティブでサポートしています。
新製品の予測は可能ですか？
はい、可能です。ただし、新製品を予測するには、エンジンに他の「古い」製品の発売日と、発売時の需要の履歴が必要です。また、製品のカテゴリや/または製品階層の一部を指定することが推奨されます。エンジンは、新しい製品を予測するために、新しい製品と比較可能と見なされる「古い」製品を自動検出します。ただし、新しいアイテムに対してまだ需要が観測されていないため、予測はそれらに関連付けられた属性に完全に依存しています。
予測を調整することは可能ですか？
統計的予測の10年間の経験から、予測を調整することは決して良い考えではないと何度も学んできました。予測を調整する必要がある場合、おそらく修正する必要がある予測エンジンのバグがあるでしょう。修正すべきバグがなく、予測が統計的観点から期待どおりに実行されている場合、それを調整することは問題に対する誤った回答である可能性があります。通常、予測を調整する必要性は、何らかの経済的要因を考慮に入れる必要性を反映しており、これは予測そのものではなく、予測の上にリスク分析を影響します。
あなたの業界での経験はありますか？
私たちは多くの業界での経験があります：ファッション、生鮮食品、消費財、電子製品、部品、航空宇宙、軽工業、重工業など。また、さまざまな種類の業界プレーヤーも扱っています：eコマース企業、卸売業者、輸入業者、製造業者、流通業者、小売チェーンなど。私たちがあなたの業界での経験を持っているかどうかを確認する最も簡単な方法は、直接お問い合わせいただくことです。
予測を洗練するために外部データを使用していますか？
いいえ。あなたの予測は、他の顧客との作業中に得たノウハウや全体的なシステムチューニングから利益を得ていますが、外部データソースから得られたデータは含まれていません。Lokadの他の顧客や公開データセットからもデータは使用されません。同様に、あなたのデータは、あなたの企業アカウントに明示的に関連付けられた目的以外には使用されません。