需要予測は、定義された将来の期間において顧客が必要とするものを推定します。その価値は、支援する意思決定に依存します：在庫の購入、従業員のスケジュール設定、または設備の計画。明日をうまく予測するモデルであっても、6週間先の購入決定には不適切な場合があります。
Google Cloudの2025年11月のTimesFM発表により、BigQueryとAlloyDBに事前学習済みの予測機能が導入されました。アクセスが容易になることで実験がより実用的になりますが、ビジネスの基準値と予測を比較してテストする必要性はなくなりません。
意思決定の期間から始める
モデルを選択する前に、項目、場所、時間間隔、リードタイムを定義してください。単一店舗の日次需要は、地域全体の月次需要とは異なる問題です。集計によって、全体の予測が正確に見えても、個々の場所での在庫切れが隠れることがあります。
記録された売上が需要を反映しているかどうかを確認してください。棚が空の場合、顧客の関心が強くても売上はゼロになる可能性があります。その期間をマークし、予測プロセスがそれをどのように処理するかを記録してください。
季節の基準値と比較する
単純な出発点は、前週の同じ曜日など、比較可能な前の期間と同じ値を予測します。利用可能な履歴やビジネスサイクルを反映した基準値を使用してください。
開発時には利用できなかった、後の期間で両方の方法をテストしてください。好都合な月を選ぶのではなく、いくつかの締切にわたって繰り返してください。データ漏洩防止のガイドでは、各予測日で利用可能な情報がなぜ重要かを説明しています。
影響のある箇所で誤差を測定する
平均絶対誤差は、ビジネスの単位で解釈しやすいです。また、製品や場所ごとの体系的な過大予測や過小予測も確認してください。実際の需要がほぼゼロの場合、百分率誤差には注意が必要です。
例としてのスタッフ配置のケースでは、ピーク時間を繰り返し外す予測は、日々の平均誤差が小さくても高コストになる可能性があります。すべての誤差単位が同じ影響を持つと仮定せずに、サービス遅延、在庫保管コスト、または受注漏れなどと誤差を比較してください。
範囲と明確な例外を使用する
不確実性区間は、モデルの仮定の下での可能な結果の範囲を示します。保持された期間で観測された需要がどのくらいの頻度でその範囲内に収まるかを確認してください。現実を常に外してしまう場合、狭い区間は役に立ちません。
フラグの起動、大規模なプロモーション、レビュー用の欠損データ。チームが後で元の予測と調整後の予測を比較できるように、記録を上書きします。導入後の変更はモデルドリフトプロセスを使用して監視します。
最初のプロジェクトを管理可能にする
一貫した過去の記録と測定可能な結果を持つ計画上の決定を1つ選びます。NextBrain AIでノーコード機械学習を試し、すべての製品や場所に拡大する前に、予測の時間軸とデータについて話し合います。