OOSディテクターのための2つのKPI
数週間前、私たちは（物理的な）小売業者を対象とした棚上の可用性最適化システムであるShelfcheckに関する計画を公開しました。その時以来、私たちは着実に前進し、_多くの販売データ_を分析してきました。
LokadはOOS（棚切れ）の問題に取り組んでいる企業は他にもありますが、2つのOOSディテクターの相対的な優位性を評価する方法についてはほとんど文献がありません。この記事では、OOSを検出するシステムの_どれくらい優れているかを定義する2つの基本的な指標_について説明します。
直接的なOOSディテクター（Shelfcheckなど）は、_観測された販売_と_予測された販売_の乖離に依存しています。市場のランダムな（予測不可能な）変動が常に起こり得るため、このアプローチは完璧なシステムではありません（1）。これは、_感度と精度のトレードオフ_です。
(1) 完璧でないことは無価値であることを意味しません。
感度は、システムによって検出されるOOS（陽性）の割合を表します。この概念は、医療診断から航空保安まで、さまざまな分野で広く使用されています。感度が高ければ高いほど、システムのカバレッジが向上します。
ただし、感度を高めると、システムの特異性が低下します。つまり、非OOSとしてフラグが立てられる非OOSの割合（陰性）が減少します。実際には、ますます多くのアラートを生成することで、OOSディテクターは偽のアラートをより多く生成し、店舗スタッフの時間を無駄にします。
ただし、小売業の場合、特異性はあまり実用的な基準ではありません。実際、OOS製品は非OOS製品のごく一部を占めるだけです。いくつかの研究では、8%のOOSが比較的安定した世界的な平均であると引用されています。したがって、特異性は通常非常に高く、90%以上です。たとえOOSディテクターが純粋なランダムな予測を行っている場合でも、これらの高い特異性の割合は、最初からOOSと非OOSの間に存在する不均衡を反映しているため、やや誤解を招くものです。
Lokadでは、システムが生成するすべてのアラートの中で正確に識別されたOOSの割合を表す精度を重視しています。精度は、存在しない問題をチェックするために店舗スタッフが無駄にする労力の量に直接反映します。たとえば、精度が50%の場合、2つのアラートのうち1つは誤報です。
100%の感度も100%の精度も不可能です。つまり、感度が100%の場合、精度は0%（すべての製品が常にOOSと分類される）になります。逆に、精度が100%の場合、感度は0%（アラートが一度も生成されない）になります。_感度と精度のトレードオフ_は回避できません。何かを検出したい場合は、検出されるものの一部が誤っていることを受け入れる必要があります。
2つのOOSディテクターを比較するためには、それぞれの感度と精度を評価する必要があります。そして、感度と精度の両方を改善するためには、より優れた予測技術を活用することが可能です。より良い予測は、感度と精度の両方を向上させます。
ただし、これは別の懸念を引き起こします。次のものをどのように比較しますか_:_
- 感度70%、精度60%のディテクターA;
- 感度60%、精度70%のディテクターB。
この質問には純粋に統計的な方法では対応できません。最適な選択を評価するためには、経済的なコストと利益をモデル化する必要があります。
続きはお楽しみに。
