MatrixFlowAI活用事例・AI導入事例

需要予測が重要な背景
需要予測が当たらない？その理由とは
高い精度で需要予測を行うための方法とは
精度の高い需要AI予測を実現できる「MatrixFlow」

昨今のビジネスにおいて需要予測が重要視される理由とは何でしょうか？
これは皆さんが取り組まれている普段のビジネスについて考えると分かりやすいでしょう。

皆さんのビジネスにおいて扱っている商品やサービスは、おそらく市場が飽和しているのではないでしょうか。
すでに、モノやコトが溢れている近年においては、市場で類似した商品やサービスが競合しているため、単純な商品の魅力だけではない付加価値で勝負することが少なくありません。
そうした中で、他社に追随を許さない、高い競合優位性を手にするにはどうすればよいのでしょうか？
まず、第一に考えられることが需要予測によって収益の最大化を図り、そこで得た利益や資金からあらたな商品やサービス、あるいはマーケティングに集中的で持続的な投資を行うことです。
このような、需要予測システムを効果的に用いるためには「予測・対策考案(Plan)→販売(Do)→効果検証(Check)→対策練り直し(Act)」 のPDCAサイクルを回していく必要があります。

ここで言う需要予測とは、在庫担当者や販売担当者の経験・勘などといった属人的な要素に頼ったものではなく、データ分析による客観的な基準をもとにしたものを指しています。
従来、企業によっては、ベテラン従業員の経験・勘から需要量を予測し、意思決定を下している場合もありました。ただし、このやり方では、属人的な部分が多いために、会社に知見が蓄積されず、もし当該従業員が退職した場合は、従来通りの需要予測が実施できなくなり、大変リスクの高い状況でした。

さらに、このような属人的な需要予測では、客観的なデータをもとに分析をしているわけではないため、予測精度は実際あまり高くありません。
「〇〇さんは長年の経験からこの業界を熟知しているため、予測は正確だ」と思えても、それは新人や業界を知らない他人と比べて高いというくらいのもので、やはりデータをもちいて分析を行った需要予測には劣る部分があると言わざるを得ない状況です。
また、実際の根拠に基づいていないことも多いため、今回はたまたま予測が当たったとしても、少し市場や商品の状況が変わると、どの部分が変数の変化で、予測がどのように変わるのかを把握していないと実際のところ一回きりの予測結果となってしまいます。
市場の変化による兆候をいち早く察知するためにも、やはりデータ分析に基づいたビジネスの基準値としての需要予測が欠かせないということになります。

このように、重要である需要予測ですが、トレンド予測はなかなか当たりません。
トレンドとは、いわゆる流行や市場の時系列の動きであり、これを予測するのは至難の業です。
大手アパレルメーカーでは18年夏に米大手IT広告企業と共同プロジェクトを開始しました。
世界中で集めたビッグデータを分析し、該当する年に流行する色やシルエットを予測し、AIを活用した精度の高い生産計画を立てることに活用を図っています。

しかし、同社社長は情報・製造・小売業への取り組みについては、まだまだ取り組みの途中であるという認識です。直近の決算期において在庫(棚卸資産)が増えてきており、店頭での値下げが増えており、消費者の買い控えを誘発するといった悪循環が起きているという分析結果もでています。

自他共に認めるデータドリブン経営企業でもAIによる需要予測は難しいことが改めて認識されました。
その理由は、実はAIの特性を理解すれば簡単に説明ができるのです。

まず、AIを用いた需要予測においてAIが高い予測精度を出すためには、以下の条件が満たされている必要があります。

・データフォーマットの統一
・十分な量のデータ
・想定外の外的要因がない

まず第一に、データフォーマットが統一されていることは重要な要素です。
こちらが統一されていないとAIは正しい予測ができないからです。
以下の2点に注意しましょう。

・データを手入力する際のミスや表記ゆれ（全角、半角なども含めて）
・ECと実店舗でデータのフォーマットが違う（品番などの表記の違いなども含めて）

上記2つはほんの一例ですが、こういった細かな点をまずは統一することが重要です。
なお、アパレル産業はデジタル化が他産業と比べ遅れていると言われていますので、会社内だけではなく、業界全体での取り組みも必要となってきます。

次に、大量のデータ(売上データ、在庫データ等の生データ)があるのは、よく売れている人気商品であるという制約条件があります。
新商品は基本的には売り上げの実データがありませんので、予測の精度にばらつきが大きくなります。

そして、3つ目の「想定外の外的要因」が実は最も重要です。実際のトレンドや需要は、外的な要因に大きく左右されつづけています。
想定外の要因としては、以下のようなものがあります。

・近隣に大型商業施設が建設される
・近隣にマンションが建設される
・競合店が値下げ → 自店の売上は下がる
・競合店が値上げ → 自店の売上は上がる
・店舗従業員のその日の気分やメンバーの顔ぶれ

このように挙げていくとキリがありませんが、現在のAIはこうした外的要因までも正確に予測に反映させる技術水準には達していないのが現状です。

需要予測が「正確には当たらない」ことを前提にするのがポイントとはいえ、毎回、予想と結果が乖離した需要予測を行ってしまっては、ビジネスにおいて、実際に活用できなくなります。
そこで検討していきたいものとして、需要予測の精度を向上させる取り組みの実施です。
コツコツとした積み上げにはなりますが、100％当たる予測は存在しなくても、その精度を0.1％でも上げていくことで、最終的には収益の最大化に近づきます。

そのためにはまず、分析に使用するデータの品質の向上を目指しましょう。

データは、まず何よりも正確であることが重要です。
長らく更新されていないデータや、取得状況の異なる信憑性の低いデータを使っても、信頼性の高い需要予測は行えないでしょう。
一見当たり前と思われることに、実はポイントが隠されていることが多くあります。
多くの企業で行われている需要予測には、データそのものに不備があり、結果、需要予測が正しく実施されていない傾向があります。

次に、データの異常値に対する対処法も重要です。
小売店におけるマーケティング活動によって、数日間だけ売上が急増することがあると思います。
この場合は、一時的に売上が増大した分のデータは異常値として需要予測モデルの入力データから取り除くか、近似などの補正処理を行った上で、慎重に取り扱う必要があります。
異常値が入ったまま需要予測を実施しても、正しい予測にはならないでしょう。

需要予測モデルを継続的に改善する取り組みも成功への大きなカギになります。
正確なデータを使用して行った需要予測も、実際の需要と大きく乖離することがあります。
そのとき、単なる失敗だったと終わらせるのではなく、予測と結果を比較し検証を行い、乖離の原因や理由を探った上で、その情報を需要予測モデルの改善に反映させましょう。
重要なのは、この取り組みを継続的に行っていくことです。
これを継続的に行うことで、今日よりも明日、明日よりも明後日、さらに1年後と需要予測の精度は上がって行くものです。

決して急激な伸びは期待できないのですが、平坦に近いほど緩やかな精度向上でも、継続していくことで、より高精度な需要予測モデルに近づいていきます。

また、昨今の需要予測にはAI・機械学習が備わっています。
AI・機械学習の本質は大量のデータから知見を導き出すことですので、つまり、分析対象となるデータが多いほど精度が増していくわけです。
このことから需要予測は、ある程度長い年月をかけて育てて行くものだと考え、結果に一喜一憂するのではなく、地道な取り組みを継続していきましょう。

プログラミングを使わずにAIを作れるMatrixFlowでの需要予測の例を簡単にご紹介します。
ここでは、在庫最適化により在庫を予測します。
まず、「在庫数の適正化」には、最適な需要の予測が欠かせません。
需要予測とは商品やサービスの短期的あるいは長期的な需要を予測するものです。
この需要予測は、これまでは担当者の経験や勘など、感覚的・属人的な判断が主でしたのであまり精度がよいとはいえませんでした。
売上を最大化するための精度の良い在庫予測をするためには、客観的な指標を用いた解決手法が必要となります。
このような背景から、クラウド、ビッグデータや処理技術の発展を背景としてAI・機械学習技術を活用した在庫最適化の課題解決への関心が高まっています。実際に多くの企業ではAI・機械学習モデルを用いて需要予測を高度化するなど、在庫最適化の課題解決に向けた取り組みが急務となっています。
AIを活用することで、精度の高い需要予測を行い、売上最大化のための在庫予測の手法についてご紹介しました。
MatrixFlowでは、在庫最適化のための需要予測AIを素早く簡単に作成することができます。
各商品の売上・注文数、在庫、顧客、各店舗の情報などを細かく設定して、過去の消費量から必要な消費量を予測し、各商品の必要在庫数を予測でき、無駄になっているコストを検知することが可能です。

詳細は、以下のMatrixFlowのお役立ちサイトをご覧ください。

売上最大化のための在庫予測

MatrixFlowはAIを素早く簡単に作成することができる、AI活用プラットフォームです。
MatrixFlowのAutoFlow（自動構築AI）を使用することで精度が高く信頼性の高い需要予測を、ボタンをクリックしていくだけでスピーディに実現することができます。
プログラミングなどの専門知識を持たない人材でもAIの作成・運用が可能です。

予測結果と共に、結果に与えた影響度合いである重要度も見ることができます。
以下のチュートリアルでは、上の図のような結果を得ることができるAIの作成手法を説明しています。