確率的予測（2016年）
不確実性の受け入れ
私たちの経験では、既存の予測モデルの微調整や、より良いモデルを開発するための研究開発の量では、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扱うことが期待されていますが、実際には安全在庫分析は後付けのものに過ぎません。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。予想外に高い需要は在庫切れと顧客の不満を生み、予想外に低い需要は在庫の滞留とそれに伴う高コストな在庫の廃棄を生み出します。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るべきですが、最悪の事態に備えるべきです。需要が予想された場所に正確にある場合、すべてがスムーズに進みます。しかし、核となる予測のビジネス上の課題は、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、皆を狂わせるような困難なケースを処理することです。
これらの確率的予測は、将来を見るためのまった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を期待す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ことを思い出させますが、同じ確率ではないということです。したがって、最悪の事態に備える際に、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対して盲目のままです）。
従来の予測手法ではリスク分析は後回しにされがちですが、Lokadは確率的予測によってその重要性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難解で技術的なもの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「直感的な」確率的予測をすでに何年も行っているはずです。リスクがあまりにも大きいために基本的な予測を上方または下方修正する必要がある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：不確実な未来に直面して実世界の意思決定を適切にバランスさせることです。従来の予測手法ではリスク分析は後回しにされがちですが、Lokadは確率的予測によってその重要性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。実用的な観点からは、この情報は非常に豊富です（つまり、多くの可能な未来を垣間見ることができます！）、しかし生の形式では使用するのはかなり非実用的です。そのため、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換するために、必要な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備わっており、これらの予測をビジネスに特化した意思決定に変換す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、最小注文数量（MOQ）などの特定のサプライチェーンの制約、商品の賞味期限切れに関連するリスクなどの経済的な要素、毎日8時までに行う必要のある日次購入注文など、あなたのビジネスに適応させることができます。
機械学習によるロボット化
サプライチェーン管理には、多くの製品が多くの場所を移動することが頻繁に関与します。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の調整に頼る傾向があります。しかし、Lokadの経験から、予測ソリューションが「微調整」を必要とする場合、それには終わりがありません：ソリューションを動作させるために何週間または何ヶ月の人員を割り当てても、常に「より多くの微調整」が必要です。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。
そのため、Lokadでは、予測プロセスを完全にロボット化することを選択しました。これは次のことを意味します。
- 予測を取得するために統計的な知識は必要ありません
- 予測を調整するための微調整は期待されません
- 予測をビジネスに合わせて維持するためのメンテナンスは必要ありません
少しのデメリットとして、これらのアルゴリズムは従来のアルゴリズム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解決されており、どれだけのデータ量が関与しているかに関係なく、予測エンジンをスムーズに実行することができます。
確率的予測の起源
Lokadは確率的予測を発明したわけではありません。他の数学者が、商品の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は最初から確率的予測を使用していませんでした。私たちは古典的な予測（2008年）、分位数予測（2012年）、分位数グリッド（2015年）を経て、これに先立っていました。
結果として、確率的予測は実際には予測技術の第4世代です。この技術の以前のバージョンで得た経験により、さまざまなビジネスシチュエーションに対応できる予測エンジンの設計に関する豊富なノウハウを得ました。
平均ではなく確率を推定するという考え自体は、古典的なアプローチをうまく機能させようとしていた初期の年に由来しています。古典的なアプローチは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的フレームワークを修正することはできませんでした。予測モデルを機能させるためには、まず統計的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、前のバージョンから数学的に見て一般化されたものであり、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、正確に間違っているよりもおおよその正確さの方が良いです。予測エンジンが特定のビジネスシチュエーションに最も適した予測を生成できない場合、エンジンが表現力に欠けているためです。また、予測エンジンが任意の状況に関する統計的な洞察を得るために真に関連性のある入力データを処理できない場合も同様です。Lokadでは、予測は進行中の作業です。確率的予測エンジンを構築したことには誇りを持っていますが、これで終わりではありません。オンプレミスのソリューションとは異なり、新しいツールへのアップグレードはそれ自体が課題ですが、Lokadのクライアントは、次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。
予測のFAQ
どの予測モデルを使用していますか？
私たち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、機械学習アルゴリズムと見なされるでしょう。これらのモデルはLokadによって開発され、一般的には科学文献において名前が付けられていません。2008年に始めた当初、すべての古典的なモデル（Box-Jenkins、ARIMA、Holt-Winters、指数平滑法など）を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することができないため、使用されなくなりました。
どのモデル（またはモデルの組み合わせ）を選択していますか？
最初に良い予測を作成するためには、適切なモデルまたは適切なモデルの組み合わせを選択することが半分の戦いです。統計的な観点からは、常に「最適な」モデルを選択するシステムは、常に「完璧な」予測を選択するシステムと厳密に等価です。実際には、私たちの予測エンジンは、最適なモデルのセットを選択するためにバックテストを重要な手段として利用しています。
予測エンジンは季節性、トレンド、曜日を扱えますか？
はい、予測エンジンは一般的な周期性をすべて扱うことができます。また、私たち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を積極的に使用しています。自然に、2つの製品は同じ季節性を共有するかもしれませんが、同じ曜日のパターンを共有するわけではありません。このような場合でも、私たちはこれを扱うためのモデルを持っています。
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、予測エンジンに少なくとも日次の過去の需要データを提供する必要があります。さらに、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、長ければ長いほど良いです。2年未満の履歴では季節性を検出することはできませんが、3年の履歴は良いと考えられ、5年は優れています。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の属性を指定することも、予測をかなり洗練させるのに非常に役立ちます。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私たちに非常に役立ちます。
Excelシートを予測できますか？
一般的な目安として、すべてのデータが1つのExcelシートに収まる場合、私たちは通常、あまり役に立ちません。正直なところ、誰も役に立てません。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るため、ほとんどの履歴情報はそのような集計を通じて失われます。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もほとんど含まれていません。私たちの予測エンジンは、お持ちのすべてのデータを活用し、小さなサンプルでのテストは満足のいく結果を得ることはありません。
在庫切れとプロモーションについてはどうですか？
在庫切れとプロモーションは、過去の販売におけるバイアスを表します。需要を予測することが目標であり、販売を予測することではないため、このバイアスは考慮する必要があります。これらのイベントを処理するための一般的なが、しかし正しくない方法は、履歴を書き換えてギャップを埋め、ピークを切り詰めることです。しかし、私たちはこのアプローチが好きではありません。なぜなら、これは予測エンジンに予測を与えることになり、過剰適合の問題を引き起こす可能性があるからです。代わりに、私たちのエンジンは、需要が検閲または膨張された場所を示す「フラグ」をネイティブに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、他の「古い」製品の発売日と、発売時の古い製品の需要履歴が必要です。また、製品のカテゴリや製品階層の一部を指定することをお勧めします。エンジンは、新しい製品に対して比較可能と見なされる「古い」製品を自動的に検出して予測します。ただし、新しいアイテムに対してまだ需要が観察されていないため、予測はそれらに関連付けられた属性に完全に依存します。
予測を調整することは可能ですか？
統計的な予測に関する10年近くの経験から、予測を調整することは決して良いアイデアではないことを何度も学びました。予測を調整する必要がある場合、おそらく予測エンジンに修正が必要なバグがあるということです。バグを修正する必要がなく、予測が統計的な観点から予想どおりに行われている場合、それらを調整することはおそらく問題に対する誤った回答です。通常、予測を調整する必要性は、経済的なドライバ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行うためのものです。
私の業界での経験はありますか？
私たちはさまざまな業界での経験があります。ファッション、生鮮食品、消費財、電子機器、予備部品、航空宇宙、軽工業、重工業などです。また、私たちはさまざまな業界のプレーヤーに対応しています。Eコマース事業、卸売業者、輸入業者、製造業者、流通業者などです。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。
予測を改善するために外部データを使用していますか？
いいえ。他のクライアントや公開データセットから取得したデータは、あなたの予測には含まれていません。ただし、他のクライアントとの協力やシステムの調整によって得られたノウハウは、あなたの予測にも活かされています。同様に、あなたのデータは、あなたの会社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。