ファッション需要予測

Joannes Vermorel

予測は難しい。ファッションの未来を予測することは非常に困難です。その結果、ほとんどの場合、ファッション業界はオープン・トゥ・バイのような、いわば単なる表面的なトップダウンの移動平均に過ぎない粗悪な手法に依存しています。しかし、多くのサプライチェーンの実務者は、現実世界でオープン・トゥ・バイを実際に上回るものが存在しない限り、オープン・トゥ・バイは手法がいかに粗野であっても時代遅れではないと主張するでしょう。実際、つい最近まで、私たち自身の観察結果もファッション企業が伝えてくる内容と一致しており、ファッションには本当に効果的な方法はなく、推測が他のどの選択肢よりも、たとえそれが不十分であっても最良の選択肢であるというものでした.

昨年リリースされた私たちの確率的予測エンジンは、ファッション業界に革命をもたらしました。長年ファッション需要のパターンに苦しんだ末、ついにファッション分野特有の課題に対応できる予測エンジンを手に入れました。ここ数ヶ月、複数のファッション企業のサプライチェーンを牽引してきましたが、実際に効果があることがわかりました！ファッション業界における予測ベンダーの実績を考えると、我々に有利な状況とは言えませんでした.

ファッションにおける需要は新しさによって駆動されるのが一般的であり、新製品は_コレクション_を通じて一堂に会します。コレクションはファッションの観点から不可欠ですが、同時に大規模な予測課題を表しています.

需要はまだ販売されていない製品について予測される必要があります.

ファッションは長期間売れていない製品ではなく、_まったく売れていない_製品に重点が置かれます。この見方は、ほぼ全ての予測システムの基盤となる時系列予測手法と根本的に一致しません（ただし、Lokadは例外です）。実際、時系列の視点から見ると、ファッションの場合、時系列には全く履歴がなく、予測に頼るべきものが何もありません.

Lokadの確率的予測エンジンは全く異なる立場を取ります。すなわち、ブランド、スタイル、色、素材、サイズ、価格帯、カテゴリーなど、さまざまな製品属性を積極的に活用し、過去のコレクションでの類似製品の実績に基づいた需要予測を構築します.

Lokadの予測エンジンが_行わない_ことの一つは、製品をコレクション間で手動でペアリングする必要があることです。まず、これらのペアリングを確立することは非常に複雑で、極めて時間がかかります。サプライチェーンの実務者は自身のシステムの奴隷であるべきではありません。もしシステムが何千もの製品を手動でペアリングすることを要求するなら、その時間を人間の洞察に直接基づいた手動予測を作成する方が有効でしょう。第二に、ファッションにおいては、旧コレクションと新コレクションの1対1の対応関係は、多くの場合、意味をなさないのです。新しいコレクションは、微妙ながら重要な方法でコードを再定義する可能性があり、一つの製品が複数に分かれることもあれば、その逆もあり得ます。1対1のペアリングにのみ依存する手法は、将来のコレクションについて非常に素朴な結果をもたらすことが保証されます.

Lokadの予測エンジンは、機械学習アルゴリズムを用いて、これらすべての類似点を完全自動化で計算することに重点を置いています。_人工知能_は現在メディアで大いに注目されていますが、実際のところ、過去30年間にわたって着実かつ徐々に進化してきた機械学習アルゴリズムに帰着します。Lokadは、サプライチェーン向けに特化した複数の種類の機械学習アルゴリズムを活用しています.

さらに、Lokadは確率的な予測を提供します。一つの需要予測―中央値または平均値―を提供するのではなく、それが（ほぼ）確実に誤っている可能性がある代わりに、ほぼすべての需要シナリオに対する確率を提供します。この点は、ファッション業界にとって極めて重要です。不確実性は如何なる場合も縮小不可能であり、適切な供給注文はしばしばリスク分析に帰着するからです.

ファッションにおいて、主なリスクは在庫不足による機会損失と、コレクションの残余在庫を一掃するためにセール期間中に非常に積極的な割引で販売しなければならない場合の在庫価値の下落です。Lokadは、ファッションにおいて極めて重要なこの特定のリスク分析に対応する固有の機能を備えています.

Lokadのファッション向け機能に興味がありますか？デモコールの予約をぜひご検討ください.