00:00:05 季節性の売上予測。
00:00:35 主要な季節性パターンの説明。
00:02:23 季節性予測と製品寿命の課題。
00:04:33 季節性に関連するさらなる課題の探求。
00:06:53 過去のデータの欠損問題の克服。
00:07:16 解決策：季節性のために製品コレクションを考慮する。
00:08:49 動的時間歪み。
00:09:06 予測のためのディープラーニングへの移行。
00:10:02 需要予測における動的時間歪み。
00:12:09 過去のデータのスパイクとプロモーションの処理。
00:13:01 正確なデータと機械学習の必要性。
00:16:01 機械学習の人気度。
00:16:30 過去のデータの将来予測への制約。
00:17:40 モデリングのための人間の事象における季節性。
00:19:42 機械学習による予測の改善。
00:21:39 時間の経過に伴う機械学習の利点。
要約
インタビューで、ジョアネス・ヴェルモレルは季節性を売上予測に組み込む課題について話しています。季節性は、年、週、日によって影響を受ける周期的な売上パターンであり、需要の変動に寄与します。“給与効果"や"準季節性"などの二次的な周期性も重要です。需要のベースライン、トレンド、データの統計的ノイズを理解することは、正確な予測に役立ちます。多くの製品の寿命が短く、クリスマスなどの年間のイベントの変動も課題となっています。ヴェルモレルは、似たような製品の集合的な視点を採用して新製品のパフォーマンスを予測し、季節性バケットの自動メンテナンスに機械学習セットアップを使用することを提案しています。
詳細な要約
キエラン・チャンドラーがジョアネス・ヴェルモレルに売上予測における季節性の概念とそれに関連する課題についてインタビューしています。
季節性は、売上予測の精度を向上させるために使用される中心的なパターンの1つですが、よく誤解され、適切に適用されていません。ヴェルモレルは、売上パターンの主要な周期性として季節性を特定しています。彼はこれらの周期性を年の時期、週の曜日、日の時刻の3つの主要なタイプに分けており、これらが消費者の需要の変動に寄与しています。
ヴェルモレルは、“給与効果"と呼ばれる二次的な周期性についても説明しています。これは人々が給与を受け取る月次サイクルと、それによる購買行動への影響です。さらに、彼はイースターやラマダン、中国の新年などのイベントを含む"ミネラル周期性"または"準季節性"を紹介しています。これらのイベントは繰り返されますが、グレゴリオ暦において毎年同じ日になるわけではありません。
需要のベースライン、トレンド、データの統計的ノイズのレベルを理解することは、ヴェルモレルが強調する別の重要な側面です。これらのパターンを認識することは、ランダムなノイズと本物の統計的パターンを区別するのに役立ち、効果的な予測に不可欠です。
市場のほとんどの製品の寿命が短いため、季節性は一見単純なものですが、人々がそれに苦しむ理由についてヴェルモレルは語っています。たとえば、高速消費財（FMCG）製品の平均寿命は3〜5年です。これは、製品カタログの大部分が1年間も存在しない可能性があることを意味し、季節性の適用を複雑にします。
ヴェルモレルは、季節性における「時間の歪み」という概念を紹介しています。これは、さまざまな要因による季節パターンの変化を指します。気候パターンの変化により、消費者は通常よりも早くまたは遅く冬のショッピングを始めることがあります。政治的な状況や消費者の気持ちも、クリスマスショッピングなどの購買のタイミングに影響を与えることがあります。これらの変化により、通常の季節パターンが歪んでしまい、予測が困難になります。
次に、ヴェルモレルは季節性と他のパターンの干渉について話しています。彼はこれらの外部の影響と本物の季節的なトレンドを区別することの重要性を強調しています。カタログの大部分に対する十分な歴史データがないことによって引き起こされる課題についても詳しく説明しています。彼は共通の季節パターンを特定することで、類似した製品の範囲全体で共有されるパターンを特定することを提案しています。この共有パターンは新製品に適用することができ、販売履歴のない製品でも最初の日から季節性の予測が可能になります。
不確実な天候条件での予測についての質問に対して、ヴェルモレルは動的時間歪みの概念を提案しています。しかし、動的時間歪みの実装は非常に複雑であるため、Lokadは音声認識コミュニティと同様に、予測エンジンにディープラーニングを採用しています。
季節的な需要とプロモーションの急増を区別するために、ヴェルモレルはパラメトリック分解アプローチを提案しています。しかし、彼はこの方法の制約を認識しており、通常、歴史データが絡み合っているため、独立してパターンを学習することが困難です。
これを解決するために、ヴェルモレルは2つの戦略を提案しています。まず、需要の観測を歪めるすべてのイベント、プロモーション、ストックアウト、その他の販売に影響を与える要素を記録します。次に、これらのパターンを個別に学習しようとするのではなく、機械学習のセットアップを使用してこれらのパターンをすべて共同で学習します。彼はこれがなぜディープラーニングが機械学習コミュニティで人気になったのかを示唆しています。
ヴェルモレルは、データの歪みにより結果に完全な信頼を置くことの難しさを認めています。しかし、彼はほとんどの市場が多くの慣性を持っており、最近の過去が近い将来の合理的な近似値であると主張しています。
彼はまた、需要予測における季節性の重要性を強調し、その安定性を認識しながらも、その固定性を強調しています。つまり、季節性は年々進化する可能性があり、良い統計モデルはこの平均的な進化率を予測できるはずです。
会話の結論として、ヴェルモレルは、季節性のプロファイルを手動で作成する従来の方法から、機械学習のセットアップに移行し、季節性をよりよく考慮することで予測手法を改善しようとする企業に対して、機械学習のセットアップへの移行を推奨しています。機械学習により、季節バケットの自動メンテナンスが可能になり、時間の経過とともに精度が向上します。
フルトランスクリプト
キーラン・チャンドラー: ジョアネス、私たちはよく季節性を予測の精度を向上させるために適用される基本的なパターンの1つとして話しますが、実際にはどういう意味ですか？基本的なパターンとは何ですか？
ジョアネス・ヴェルモレル: 季節性は主要な周期的なパターンの1つです。年の時期、週の曜日、一日の時間の3つの主要なサイクルがあります。これらが主要なものです。次に、給与効果などのいくつかの副次的なサイクルがあります。これは、月ごとの周期的なパターンであり、給与を受け取る人や月の初めや終わりに何かが起こるという効果です。そして、イースターやラマダン、中国の新年などのような準季節性のようなものもあります。これらのイベントは毎年起こりますが、グレゴリオ暦によると必ずしも同じ時期ではありません。これらの周期的なパターンがあり、季節性はその中でも非常に重要なものです。周期の他にも、需要のベースライン、時間の経過に伴う成長や縮小の傾向、そして統計的ノイズの量も非常に大きなパターンです。変動性を正確に理解し、見ているものがノイズなのか実際の統計的パターンなのかを判断する必要があります。
キーラン・チャンドラー: それでは、季節性自体について話しましょう。なぜ人々がそれに苦労するのでしょうか？クリスマスになると、売上が急増し、休日シーズンにはさまざまな商品の売上が見られることは非常に明らかです。では、なぜ人々がそれに苦労するのでしょうか？
ジョアネス・ヴェルモレル: 季節性は正しく把握するのが難しいです。課題を見てみましょう。最初の課題は、ほとんどの製品が市場で短命です。FMCG製品の平均寿命は3〜5年程度です。つまり、平均して市場で3年間持続する製品を販売している場合、製品の半分は1年半しか存在しません。1/3の製品は1年未満しか持っていません。ですので、単純な季節モデル、前のクリスマスと同じような売上を予測するという統計モデルを持ちたい場合、製品の1/3には前のクリスマスが存在しません。参照がありません。ですので、市場で6年程度の寿命を持つ車の部品などの場合でも、製品の1/6は1年の売上がありません。したがって、この素敵な季節性をカタログのかなりの部分に適用することはできません。これが季節性に関する私たちが直面する問題の一つです。
キーラン・チャンドラー: 季節性に関して他にも問題はありますか？
ジョアネス・ヴェルモレル: もう一つの問題は、季節性が必ずしも毎年完全に同じではないということです。クリスマスは毎年12月25日ですが、1年から別の年に移ると、クリスマスシーズンは商人の視点からは異なるかもしれません。
キーラン・チャンドラー: ある年は10月に早くも寒くなり、人々がシーズンの初めに冬の買い物を始めるようになりました。逆に、時には気温が長く穏やかなままであり、人々は後で買い物を始めるようになります。時には政治的な状況も買い物の習慣に影響を与えます。例えば、将来について非常に心配している場合、クリスマスの購入を最後の瞬間まで延期することにするかもしれません。これらは、通常「時間の歪み」と呼ばれるものを引き起こす要因の一部です。クリスマスピークはまだありますが、クリスマスシーズンの始まりは年によって数週間異なる場合があります。このような歪みはすべての季節パターンで発生する可能性があります。同意していただけますか？
ジョアネス・ヴェルモレル: 絶対にそうですね。それはおそらく2番目の問題です。3番目の問題は、季節性が他のパターンによって影響を受けることです。例えば、昨年の9月に大規模なプロモーションを行ったが、今年は繰り返さない場合、そのプロモーションの影響を季節性と混同してはいけません。季節性を他のパターンから分離する必要があります。そして、これらの変化が組み合わさることで、季節性は、長期間安定している製品に対して単純な状況で取り扱っている場合よりもはるかに捉えにくくなります。
キーラン・チャンドラー: それでは、これらの問題のいくつかを克服する方法について話しましょう。カタログの3分の1について過去のデータがない場合、それらの製品の予測に季節性を実際に使用できますか？
ジョアネス・ヴェルモレル: はい、ただし、製品を1つずつ調べるのではなく、製品のコレクションとして見る必要があります。つまり、冬用ブーツがあるとします。それらの製品にはおそらく共有の季節性パターンが存在するでしょう。共有の季節性が存在すると合理的に想定できます。したがって、この共有の季節性を特定できれば、今年と昨年とで異なる冬用ブーツを販売していても問題ありません。例えば、「冬用ブーツ全体について、このパターンがあることを知っています。」と言えます。したがって、市場に新しい製品を導入する際に、売上履歴がゼロの場合でも、冬用ブーツ全体の集計に基づいた季節性パターンを適用することができます。製品の深さではなく、製品の幅を見ることが重要な洞察です。
キーラン・チャンドラー: 数ヶ月先の予測を行う場合、夏が1ヶ月延長されるかどうかをどのように知ることができますか？それに対してどのように予測しますか？
ジョアネス・ヴェルモレル: これは次の段階に入るところであり、すべての歪みに対処する方法です。これは、動的時間歪みとして知られる技術を使用して分析的に行うことができます。興味がある方は、Wikipediaで調べることができます。動的時間歪みを実装することは、ソフトウェア的には非常に複雑です。約10年前、音声認識コミュニティは、音声認識のための機械学習を行っていたが、動的時間歪みに取り組むことが難しすぎて断念し、ディープラーニングに移行しました。興味深いことに、Lokadは季節性に対してまったく同じことをしました。私たちは予測エンジンに動的時間歪みを実装しましたが、最新世代の予測エンジンではすべてをディープラーニングに置き換えました。
キーラン・チャンドラー: タイムワーピングというのはとてもSFっぽいですね。簡単な概要を教えていただけますか？
ジョアネス・ヴェルモレル: 概要は、季節がおそらくまもなく終わることを知っているが、正確な終了時期はわからないということです。ただし、変動性を考慮することができます。
キーラン・チャンドラー: シーズナリティ分析において、このような動的時間歪みがない場合はどうなりますか？シーズンが早期に終了した場合はどうなりますか？
ジョアネス・ヴェルモレル: シーズンが早期に終了した場合、新しいベースラインまたはレベルがあり、シーズナリティプロファイルによれば、12月の最初の週の需要は8月の最後の週の半分になるはずです。それが静的で硬直したプロファイルです。しかし、問題は、夏が早期に終わり、8月の最後の週にはすでに夏のシーズンが終わっている状況では、9月の最初の週に需要を再び2で割りたくないということです。なぜなら、8月の最後の週から9月の最初の週までの間に需要が減少しており、需要が既に減少している状況にあるからです。
動的時間歪みは、シーズンが遅れたり早まったりした場合に、シーズナリティプロファイルを2回適用して誤差を蓄積することを避けるための技術です。需要の最初の減少が発生し、その後、シーズンが早く始まったために需要がすでに新たな段階に達していると示唆されるか、逆に需要がさらに減少すると再び適用されることになります。動的時間歪みは、シーズン間の遷移をより良く予測するわけではありませんが、これらの誤差を回避することができます。
キーラン・チャンドラー: つまり、需要プロファイルは同じようになるが、シーズンに応じて圧縮または伸長されるということですか？
ジョアネス・ヴェルモレル: まさにその通りです。
キーラン・チャンドラー: そして、前回話したのは、データの歴史的なスパイクをシーズナリティに転送しないことでした。それは実際にどのように機能するのですか？それらを考慮に入れないようにするにはどうすればよいのですか？季節的な需要とプロモーションなどによるスパイクを区別する方法はありますか？
ジョアネス・ヴェルモレル: 時系列予測の古典的なアプローチは、パラメトリックな分解です。需要の履歴から、この需要の一部は基準線、この需要の一部はシーズナリティ要素、この需要はトレンドで説明できる、などと言うことになります。このアプローチは、すべてのパターンを独立して学習できるようにしたいという意味で弱いですが、現実は、歴史的なデータではすべてが完全に混ざり合っています。
この問題には少なくとも2つの視点があります。まず、需要に影響を与えたイベント、つまり販売に影響を与えたプロモーションや在庫切れなどではなく、需要の観測を正しく記録する必要があります。販売は需要と同じではありません。例えば、予測を行いたい場合、通常は「通常価格の需要を予測したい、スーパーロープロモーション価格の需要を予測したくない」と言いたいと思うでしょう。しかし、履歴には販売が含まれており、販売はプロモーションや在庫切れなどの影響で歪んでいます。
ですので、まず、販売に対して需要の認識を歪めた要素をすべて記録する必要がありますが、これは思ったよりも難しいです。非常に少数の企業しか、販売に影響を与えたすべてのイベントを非常に正確に記録していません。例えば、eコマース企業の場合、製品がホームページの一部であったか、セクションで目立っていたか、製品がニュースレターの一部であったか、製品の価格変動があったか、競合他社の製品の価格を覚えていたかなどです。
キーラン・チャンドラー: 競合他社が在庫切れではなく、彼らが大規模なプロモーションを行い、あなたが彼らと価格を合わせていなかったために需要が減少した可能性があるということですね。
ジョアネス・ヴェルモレル: はい、それがレシピの一部です。2つ目の要素は、これらのパターンを共同で学習できる機械学習のセットアップの必要性です。現代の機械学習は、統計的なパターンを個別に学習しようとはしません。まずシーズナリティを学習し、次にトレンドを学習し、そしてプロモーション効果を学習するのではありません。代わりに、すべてのパターンを一度に捉えようとするモデルがあります。これは、非常に表現力のあるモデルが必要です。そのため、機械学習コミュニティの多くの人々がディープラーニングを受け入れています。これは、さまざまなパターンを捉えることができるモデルを生成するアプローチです。
キーラン・チャンドラー: 歪みについてよく言及されていますね。データが歪む可能性が非常に多くあり、シーズナリティを実装するのが非常に困難に思えます。データの歪みの可能性がある中で、結果に完全な信頼を置くことは本当にできるのでしょうか？
ジョアネス・ヴェルモレル: 確かに、過去が将来を予測するための基本的な仮定はどれくらいの範囲でしょうか？それが統計的需要予測の核心的な仮定です。残念ながら、将来を常に過去で予測することはできません。ただし、これは数か月先の予測については完全には当てはまりません。ほとんどの市場は多くの慣性を持っています。最近の過去は、近い将来の合理的な近似値です。それを活用しています。
季節パターンは比較的強力です。すべての人間の事柄に見られます。すべてはこの年間サイクルに従い、おそらく何千年もの間そうであったでしょう。人間は習慣の生き物であり、これらの強力な習慣は人間の事柄を表すほぼすべての時系列に反映されています。
たとえば、飛行機の乗客数は年間の曲線に従います。年間のある日に買われる牛乳の量には季節性の曲線があります。同様に、ビデオゲームの購入、電力消費なども同様です。
これらのパターンは非常に安定しており、活用することができます。ただし、将来には常にある程度の不確実性があります。
キーラン・チャンドラー: サプライチェーン最適化における確率的アプローチについて話し合ってきました。私の理解では、このアプローチは季節性も扱うことができるということです。年ごとの季節パターンの変化に対処する方法について詳しく説明していただけますか？
ジョアネス・ヴェルモレル: もちろんです。私たちの統計モデルは、進化する季節性に適応するように設計されています。正確な変化を予測することはできないかもしれませんが、進化の平均速度を予測することはできます。これにより、予測に適切な不確実性を導入することができます。これらの予測は季節性パターンを組み込んだ確率分布です。ただし、これは完璧な表現ではありません。振幅にはある程度の曖昧さがあります。ピークシーズン中のアップリフトの量や、これらのピークのタイミングを考慮しています。これらの2つの要素の組み合わせです。
キーラン・チャンドラー: それは非常に理にかなっています。最後に、企業が予測手法を改善するために、特に季節性に関してどのような手順を踏むことができるか教えていただけますか？
ジョアネス・ヴェルモレル: まあ、まず思い浮かぶのは、Lokadに連絡することです！冗談はさておき、私は最も重要なステップは機械学習のセットアップに移行することだと思います。季節性の管理における従来のアプローチでは、季節性プロファイルを手動で作成することが求められます。基本的には、共有の季節性に基づいて製品をグループ化します。ただし、この方法は人間の入力に大きく依存しており、時間の経過とともに維持するのが難しいです。
キーラン・チャンドラー: この従来のアプローチの問題について詳しく説明していただけますか？
ジョアネス・ヴェルモレル: もちろんです。主な問題は、専門家の仮定が必ずしも間違っているわけではないことです。サプライチェーンの専門家は、製品のグループが同じ季節性を共有していると正確に評価するかもしれません。問題は、このシステムを維持することが時間の経過とともに悪化してしまうことです。新しい製品を発売するたびに、それが適切なグループに入るようにする必要があります。最初のクラスタリングは良いかもしれませんが、時間の経過とともに劣化し、効率が悪くなります。
キーラン・チャンドラー: では、機械学習への移行はこれにどのように役立つのでしょうか？
ジョアネス・ヴェルモレル: 機械学習のセットアップを使用すると、季節性のバケットを自動的に維持することができます。これにより、バケットは完璧でなくても、時間の経過とともに劣化することはありません。必要な時には常に再生成されますので、精度が大幅に向上します。
キーラン・チャンドラー: それは非常に洞察に富んでいますね。残念ながら、今日はここまでです。お時間をいただき、ありがとうございました、ジョアネスさん。
ジョアネス・ヴェルモレル: どういたしまして、私の方こそ光栄でした。
キーラン・チャンドラー: 今週はこれで終わりです。来週もまた別のエピソードでお会いしましょう。それまで、ご視聴いただきありがとうございました。
