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

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

Slide 1

Slide 1 text

需要予測、ダイナミックプライシング・機械学習によるモダン化デロイトデジタル執行役員森正弥 2020/07/30 https://note.mu/masayamori

Slide 2

Slide 2 text

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

Slide 3

Slide 3 text

3 「機械学習による需要予測のモダン化」 • ビジネスに大きなインパクトを出しうる需要予測について、統計的手法とによるモダン化についてその概要を解説 https://note.com/masayamori/n/n8e68d7caaf86

Slide 4

Slide 4 text

Slide 5

Slide 5 text

© 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

Slide 6

Slide 6 text

© 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

Slide 7

Slide 7 text

© 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

Slide 8

Slide 8 text

© 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

Slide 9

Slide 9 text

© 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

Slide 10

Slide 10 text

Slide 11

Slide 11 text

© 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)

Slide 12

Slide 12 text

Slide 13

Slide 13 text

© 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＋

Slide 14

Slide 14 text

14 Appendix

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

16 「探索と活用）」 https://note.com/masayamori/n/nd4a3e2cfd1b4 • 近年成功している垂直型スタートアップが体現しているモデル • 人との共創に対する実践的な回答でもある

Slide 17

Slide 17 text

需要予測、ダイナミックプライシング・機械学習によるモダン化デロイトデジタル執行役員森正弥 2020/07/30 https://note.mu/masayamori