Upgrade to Pro — share decks privately, control downloads, hide ads and more …

需要予測、ダイナミックプライシング: AI・機械学習によるモダン化

需要予測、ダイナミックプライシング: AI・機械学習によるモダン化

解説記事:AI / 機械学習による需要予測のモダン化とその留意点。そして、未来を作る
https://note.com/masayamori/n/n8e68d7caaf86

サプライチェーンについて考えたとき、需要予測とそれに基づく需要計画は、多様な役割を果たす。それは単なる予測にとどまらず、調達の最適化、在庫の最適化( Inventory Optimization )、倉庫保管、出荷、価格の最適化( Price Optimization) 、予測と実際の売上との差のモニタリングによる異常事態の検知等、様々に及びます。それゆえ、需要予測はサプライチェーンを通してできるだけ現実に近づていくことが全体最適の観点で大切になります。

どのようにして現実的に可能な範囲で最高の需要予測を実現するのか。もちろん答えとなるアプローチは、業種、利用可能なリソース、需要予測で達成したい目的によって異なります。

本資料は、需要予測( Demand Prediction )の機械学習( Machine Learning )によるモダン化とその留意点、そして、ダイナミックプライシング (Dynamic Pricing) についての解説プレゼンテーション用に作成したものです。

More Decks by Masaya Mori (森正弥) / Partner of Deloitte Digital

Other Decks in Business

Transcript

  1. 2 • デロイトトーマツコンサルティング/デロイトデジタル 執行役員 • 東北大学 特任教授 • 株式会社メルカリ R4D

    顧問 • 日本ディープラーニング協会 顧問 • 元 楽天 執行役員 森 正弥 https://note.mu/masayamori • 先端技術の動向の情報発信を行い、産業横断的な公職にも携わる • 楽天では、開発組織のグローバル化、研究開発の統括を行い、 を 用いた新サービスも創出
  2. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. Proposal

    Template 5 需要予測は重要 • 需要予測とサプライチェーン – 需要の予測にとどまらないインパクトがある – 調達の最適化、在庫の最適化、倉庫保管、出荷、価格の最適化、予測と実際の売上との 差のモニタリングによる異常事態の検知等 • どのようにして現実的に可能な範囲で最高の需要予測を実現するか – 業種、商材、利用可能なリソース、需要予測で達成したい目的によりアプローチは異なる • 新商品? ホテルの空き室? 病院のベッド? • ECの需要予測なのか、実店舗の需要予測なのか • 代理店を通しての販売であれば、代理店のセールスデータを統合が必要? • 機会損失を抑えたいのか、在庫のムダをなくしたいのか、価格の最適化を狙いたいのか • 実は、新商品の開発に需要予測が使える! というのも
  3. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. 需要予測AIによる機会損失の最小化

    事前指標やオルタナティブデータより、実際の需要量を適切に把握し、AIによる予測を 行うことで、人員の最適な配置と機会損失の最小化を行うことができる 業務処理量・人員リソース 施策前 施策後 施策(プロモーションや広告キャンペーン等)にあわせて、業務処理量や 人員リソースも拡大させたが、機会損失は相変わらず発生し続ける 需要予測AIによるリアルタイムの予測 実際の需要量(ニーズ) 業務処理量・人員リソース 実際の需要のほうが大きく、 機会損失発生 実際の需要が過小で、 人員リソースが遊んでいる
  4. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. 7

    需要予測は古くて新しい • 統計手法 – 重回帰、回帰木 などなど。解釈が楽なのが大事 – 安定したマーケットでは依然重要 – 基本的なソフトウェアでOK (エクセルでも) – 最低2年分はいるが、時系列データを入れさえすればほぼ自動的にモデル構築 – 過学習の可能性は常に意識する必要がある – 顧客の嗜好の非論理的な変化を予測するのは難しい – インターネットの影響によりパーソナライズされ、個別化していく商品戦略を機動的に支え るには心もとない
  5. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. 8

    需要予測は古くて新しい • MLによるモダン化 – アンサンブルラーニング(Random Forest、GBT/XGBoost)、ディープラーニング • 解釈がしにくいという問題はあるけれど、過学習は低減する – 多様なデータを用いていき精度を高める • 自社内の様々なシステム(ERP、CRM、POS)とのデータ連携は重要 • 財務・販売レポート、マーケティング調査、マクロ経済指標 • 天気予報、キャンペーンやプロモーション (ECにおいては極めて重要) – 新商品はどうする(コールドスタート問題) • 市場調査や専門家の意見から、初期値を決めておく (HILP的アプローチ) • 類似した特性やライフサイクルカーブを持つ先行製品のデータを代替として用いる – コサイン距離、Representationやセマンティックウェブ的なアプローチとか – デマンドセンシングにより変化の予兆を掴む • 購買行動のリアルタイムの変動を捉え、既存の予測を調整し、ニアタイムの誤差を低減 • POSシステム、ECサイトからのアクセス数・オーダー数、ソーシャルメディアにおけるキーワード等、 日々のシグナルを抽出し、過去のパターンと比較することで売上の増減を検知
  6. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. Proposal

    Template 9 モデルを選択する Logistic 回帰 回帰木 Naïve Bayes Gradient Boosting Tree Random Forest 精度低い 解釈可能性 過学習 カテゴリー特徴量を追加していく 精度改善 過学習残る 精度改善 過学習低減 トレーニング大変 インプット変数を加工していく 精度改善 過学習低減 トレーニングは楽
  7. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. 10

    https://www.visualcapitalist.com/shoppe rs-buying-online-ecommerce-covid-19/
  8. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. Proposal

    Template 11 Dynamic Pricing Model 需要予測に基づき、価格も弾力的に変化させることで、需給のミスマッチの解 消をはかっていく Price Fluctuation Rate %(t) = (1/Price Elasticity) x Demand Fluctuation Rate %(t)
  9. © 2020. For information, contact Deloitte Tohmatsu Consulting LLC. 13

    AI予測や情報収集の自動化 AIでベースラインとなる予測を実現。マーケットの動きには、情報収集の自動 化で迅速に対応しつつ、人の知恵・洞察を、不確実な事象に注力させる 情報収集を行い、素早く変化の兆候を 掴み、予測を修正、対処する 過去データに基づき、安定した未来を 予測する 洞察を持ち、破壊的事象に対して 複数のシナリオで対処していく AI予測モデルによる予測 不確実な未来へ の対応 人員リソースを不確実な未来への対応へシフトさせていくことが大事 RPA、NLP、ソーシャルリスニングによる アナリストの情報収集の自動化 業界知識と経験に基づいた、 シナリオ・プランニングの実施 ソリューション 人の知恵・スキルを、不確実性 の高い領域に注力させる +
  10. 15 「創造的 と敵対的 の不思議な関係」 • という新しい アプリケーショ ンのトレンドと、それの原動力となっている (敵対的生成ネットワーク)の解説 •

    利便性のみならず、新しく社会にもたらされ ているプライバシーの脅威についても言及 https://note.com/masayamori/n/n9fddedd9a6f5