化学業界の需要予測(AI)におけるDXの展望

Transcript

2. 1. 業界/ビジネス 現状 1. 企業 基本的な目標 何か？ 2. 確認されている課題（化学業界 場合） 3. なぜ予測が重要な か？ 4. ダイナミックプライシング 利点 2. AI予測 海外事例 1. 化学業界におけるAI予測事例 2. B2B業界におけるAI予測事例 3. B2C業界におけるAI予測事例 3. AI予測 国内事例 1. B2B業界におけるAI予測事例 2. B2C業界におけるAI予測事例 4. AI予測を実現するために必要なこと 1. 現状 価格予測における根本的な問題と 2. 独自 予測モデルを構築するために 3. 予測 精度を上げるに 4. 分析自体 他に必要なこと 2 アジェンダ Agenda
3. 3 業界/ビジネス 現状 1
4. 4 1 組織 ミッション・ビジョンにもよるが、多く 営利企業にとって利益 最大化。 そ ために、需給を正確に予測することが重要となる。 業界/ビジネス 現状 企業 基本的な目標 何か 予測により、価格と数量 最適な組み合わせ を発見し、利益を最大化できる 出典：Sales Origo
 https://salesorigo.com/ 確立された産業 ほとんど 企業 基本的な目標 ? できるだけ多く 利益を上げること 利益を最大化する方法 ？ 最適な価格と数量 組み合わせを見つける 最適な組み合わせを見つけるに ？ 予測を行い、それに沿って実行する 数量と価格 どちら 方が予測しやすいですか？ 価格です、より市場で 透明性が高い で
5. 5 1 従来 化学業界 、他業界と比較して価格交渉力が低く、価格上昇による売上 減少を心配して、価格設定に強く出られない傾向にあっ た。そ ため、適正価格を予測するダイナミックプライシングも、他業界より発展しづらい傾向にあった。 業界/ビジネス 現状 確認されている課題（化学業界 場合）1/3 出典：The Formula for Better Pricing in Chemicals by Bain & Company
 https://www.bain.com/insights/the-formula-for-better-pricing-in-chemicals/
6. 6 1 化学業界が価格決定において受動的な中、 エチレン、苛性ソーダ、ベンゼンなど 基本的な化学成分 、歴史的に価格変動が激しく、業界に不利な状況となっている。 また、石油・銅・鉄鋼など 各種コモディティも、特にここ2〜3年 価格変動が激しい。 業界/ビジネス 現状 確認されている課題（化学業界 場合）2/3 出典：ダイナミック・プライシング – デジタルとアナリティクスを活用して化学品業界 バリューベース・プライシングを次 ステージへ 
 https://www.mckinsey.com/jp/our-insights/dynamic-pricing-leverage-digital-and-analytics-for-next-stage
7. 7 1 価格 多く 要因に影響されるが、主に以下3つに分類される。 ①外部環境　②生産・運用コスト　③顧客・協力者と 関係 業界/ビジネス 現状 確認されている課題（化学業界 場合）3/3 ②生産・運用コスト • 原材料・エネルギー（特に原油） 価格 • 輸送コスト 上昇（ドライバー 労働時間制限や人材不足） • チャネル コスト（商品が最終顧客に直接届けられる か、中間業者を介して届けられる か） • 二酸化炭素排出/労働/汚染など 規制へ 対応による価格上昇 ①外部環境 • 主要国 中央銀行による金融政策 変更　例：米国FRB※による無制限量的緩和 • 世界的な保護貿易 復活に伴う、関税 上昇 不確実性 • 世界/地域 経済成長と政治 安定性 • 需給状況（買い手市場/売り手市場） ③顧客・協力者と 関係 • 供給者と顧客 ビジネス関係（長期契約が一般的） • 供給 信頼性（時間通りに配達されるかどうか） • 商品 品質（生産開始前に品質向上 ために更なる加工が必要か） • そ 他 顧客へ 付加価値 提供（特注などにより、特定 顧客 特定 要求を満たすこと） ※連邦準備理事会。米国 中央銀行として金融政策を策定・実施する機関。
8. 8 1 短期的に 、市場 変化に合わせた販売価格設定と、それに伴うコスト削減による、組織 収益性に貢献。 長期的に 、社内 意思決定、デジタル化レベル 向上だけでなく、自社ならで 価格設定戦略による競争力強化に貢献。 金融、航空、物流など 分野で意思決定 ためにリアルタイム予測 利用が拡大していることを考えると、予測価格設定 、化学業界でビ ジネスを行う上で中心的な役割を果たす可能性がある 業界/ビジネス 現状 なぜ「価格予測」が重要な か • 短期的影響 a. 市場 変化に迅 に対応し、調達コスト・販売価格 変化 前に予測を立てることで、価格 上下を利 用可能 b. 売上・利益 最大化、既存事業・新規事業へ 投資 ため 資金 確保 c. 生産コスト（原材料 価格）、営業費（人件費等）、在庫 無駄（在庫過多・在庫 長期間滞留状態）を削 減 • 長期的影響 a. 価格に関する意思決定 透明性 向上（営業担当とトップマネジメント 間 情報格差を解消） b. 競合他社に対する優位性 獲得：同様な製品を提供している企業が 多いレッドオーシャン市場におい て、適切な価格設定を見つけることで、激しい価格競争から抜け出すことが 可能 c. 自社にマッチした戦略を見つけ、適切な方向に向かう（トレンドを利用する） d. デジタルインフラを必要とするため、ビジネス戦略と ITを組み合わせて、組織 デジタル化レベルを 更に 向上させることが可能
9. 9 1 AIによる価格予測 最も一般的な応用例であるダイナミックプライシングに 、 参加者同士が収益回収 ために争う化学業界において、組織内 効率を向上させる様々な利点がある。 業界/ビジネス 現状 ダイナミックプライシング 利点 • マージン（利益率） 向上 ◦ 一貫した価格戦略を確立し、すべて 製品 価格が均一になるようにする • 見積もりスピードと精度 向上 ◦ 社内 複雑なワークフローや承認を最小限に抑え、見積もり スピードを向上 • プライシング規律 向上 ◦ 詳細な指標を用いて、様々なレベルで 価格設定 改善を測定 • 自動的に価格を決定 ◦ 複数 地域にまたがる何千も 製品に対して、迅 かつ正確に、自動的に価格決定可能 • 収益性を最大化するため アンダーパフォーマー 特定 ◦ 不振 製品や顧客を特定し、迅 に是正措置を取ることが可能 • 透明性と可視性 向上 ◦ 顧客別、製品別、そ 他多く 属性別に詳細な価格データを可視化することで、経営陣、製品管理、 営業、物流、財務、そ 他 部門が、より適切な情報に基づいた価格決定を行うことが可能 • 注文数 増加 ◦ トランザクション・アクティビティを分析し、既存顧客 中に隠れた販売機会を発見し、解約を検出 • 営業効率 向上 ◦ 洞察力、分析力、新しいビジネスチャンス、最適な価格設定、合理的なワークフローなど、 すべてを1つ プラットフォーム上で実現し、顧客体験を向上 • チェンジマネジメント 実現 ◦ 経営陣、製品管理、営業、物流、財務など 各部門でユーザー 採用を促進するため 変更管理計画を 策定し、迅 かつ持続的な ROIを実現
10. 10 AI予測 海外事例 2
11. 化学業界 トップパフォーマー 、需給に応じて価格を変動させるダイナミック・プライシングを行う傾向にある。 対抗するために 、当該仕組みを使って何を行った か、把握する必要がある。 11 2 化学業界におけるAI予測事例 1/3 AI予測 海外事例 出典：The Formula for Better Pricing in Chemicals by Bain & Company
 https://www.bain.com/insights/the-formula-for-better-pricing-in-chemicals/
12. ダイナミック・プライシングに本格的に取り組んでいる特殊化学品メーカーおよび石油化学製品メーカー 売上 、急 かつ大幅に伸びてい る。以下 化学業界におけるダイナミック・プライシング 例である。 12 2 化学業界におけるAI予測事例 2/3 AI予測 海外事例 特殊化学品メーカー（アジア） • サプライヤ 稼働停止による原材料費 劇的な高騰、という化学品業界で誰もが知る問題 に直面した • こ 問題 、基本的に コストプラス手法だが、地域によって価格が大きく異なる既存 プ ライシング手法に大混乱を引き起こした • 同メーカー 地域、顧客セグメント、チャネルを横断して価格を差別化し、新しいプライシン グツール 導入、営業部門 集中的な研修および差別化した製品 増加に向けたバ リューベース・プライシング 推進に支えられた新しい手法を導入した • こ 新しい手法が功を奏し、そ 後9ヶ月で売上利益率が2%上昇した 特殊化学品メーカー （グローバル） • 買収による成長期間を経て、異なるプライシング制度およびインフラが絡み合う • 数万に上る製品および顧客に対するプライシングが業界セグメント、国、同一顧客企業 別部署により異なる等、一貫性が欠如していた • そこで先進アナリティクスを活用してアルゴリズムおよび機械学習を通じてシステム体 制を改善し、差別化された製品に適切なプレミアムを付与、大口・長期取引顧客に対す る様々なレベル 値引き、原材料費 上昇 追跡およびパススルー 保証等 ケイ パビリティを構築した • そ 結果、一年で売上利益率 3%改善に成功した
13. 特殊化学品メーカー（米国） • 自社製品ラインアップから大きな価値を得ていないことを認識し、ダイナミック・プライシ ングを導入した。 • 安定した継続的な契約が事業 大部分を占める、既存 アプローチ 供給開始後に合 意した価格を維持することだった • アナリティクス 利用を開始し、製品がもたらす価値および顧客がサプライヤを変更す る可能性を基に各顧客に求める値上げを決定 • 一年で売上利益率を3%改善することに成功した これら 事例 ように、ダイナミック・プライシング 企業 収益性に大きく貢献し、 企業全体 運営をより効率的なも にしている。 13 2 化学業界におけるAI予測事例 3/3 AI予測 海外事例 石油化学製品メーカー • 原材料価格また 市場 緊張に反応するだけだったプライシング戦略全体を刷新する ため、ダイナミック・プライシング 採用を決定し、3つ プライシング手法 導入に乗り 出した ◦ 一つ目 最も差別化された製品 バリューベース・プライシング ◦ 二つ目 需給バランスおよび原材料費 動きを網羅したデータアナリティクスに 基づくコモディティ製品 価格および契約 積極的な管理 ◦ 三つ目 そ 中間グレード向けに双方を組み合わせた • 数百名が集中研修プログラムに携わり、値上げ 根拠を示す方法や顧客企業 経営 陣と リハーサルを含め、営業部門による新しい洞察 活用を支援した • そ 結果、9ヶ月で売上利益率 10%改善を達成した
14. グローバルエネルギー企業 • 経営陣が予想していた利益率 改善を3倍に拡大 • 導入後6ヶ月間で300万ドル以上 収益増を達成 • 導入後6ヶ月で300万ドル以上、導入後1年で800万ドル以上 収益増加 • 重要な情報 収集を自動化することで、プライシングアナリストが市場 変化に迅 に対応可能に • 競合他社 ポジショニングと需要へ 影響 両方を価格決定に反映可能に 化学業界と 類似点があるエネルギー業界 事例を紹介する。 エネルギー業界も様々な外部要因に大きく影響を受けるコモディティを扱い、参画者 似た商品を開発している。 14 2 B2B業界におけるAI予測事例 1/3 AI予測 海外事例 マルチセクター・エネルギー・グループ • プライシングをCRMに統合することで、より良いセールスおよびカスタマーエクスペリエンスを実現 • 市場や顧客 期待 変化に対応するため、システム 柔軟性と拡張性を実現 • 最近 買収後、プライシングと販売プロセスを迅 かつ容易にビジネスに統合 多国籍石油・ガス会社 • 市場 変化に迅 に対応し、破壊的な価格下落を防ぐことで、3億5,000万ドル分利益を改善 • 破壊的な価格下落を防止 • 燃料 卸売り価格設定担当者が、毎日、そして多く 場合 1日以内にスポット価格を設定可能に • 潤滑油 価格設定担当者が定期的に公示価格を調整可能に • 潤滑油 営業チームが（割引、リベートプログラム、投資、現金払い 条件が取引全体 収益性に影響する）複雑な 長期契約を交渉可能に
15. 以下 AI予測において進んでいる海外投資銀行における事例である。 世界で最も収益性と競争力 高い業界 一つである金融業界にいる投資銀行 、高度な定量分析スキルを駆使して様々な問題を解決する。これによ り、効率的な方法で意思決定や取引 処理を行うことを実現している。また、トレーダー 役割を自動ツールに置き換えることが可能なため、人件費を 大幅に削減することができる。 15 2 B2B業界におけるAI予測事例 2/3 AI予測 海外事例 • オランダ 銀行であるING 、債券トレーダーがより良い価格決定を迅 に行えるようにするため 新しいツール「 Katana」を 発表した • ktana 、過去 データとリアルタイム データを 用いた予測分析によって、債券トレーダーが顧客用 債券を売買する際に 採用すべき価格を決定することを援助する • Katana 、何十万件も 取引履歴から学習し、トレーダー ために予測や決定 案に変換する。トレーダー自身 意思決定 を補完するも であり、トレーダーに取って代わるも で ない • ロンドン エマージング・マーケット（ EM）デスクでKatanaをテストした最初 結果で 、 90％ 取引で価格決定が くなり、取 引コストが25％削減され、トレーダー 4倍 頻度で顧客に最良 価格を提供できるようになった • Man Groupが支援するオックスフォード大学 研究者 、株価 動きを予測する機械学習プログラムを作成し、約 30秒間 ライブトレードに相当する（訳者注：取引量 ） 80％ 成功率を記録したと発表した • 市場 タイミングを計るファストマネートレーダーにとって一歩前進 兆しとなるが、こ アルゴリズム 、市場 状況に応じて 約30秒から2分 取引に相当する100ティック 期間で、価格 動き 方向を予測した。株価 動きを 1〜2ミリ秒先に予測す ること 、10年以上前から統計的アービトラージや取引所コロケーションなど 戦略 目標とされてきた • Man AHL社 チーフ・サイエンティストである Anthony Ledford氏によると、こ アルゴリズム まだテスト段階であ るが、通 常大量 株式注文を複数 小さな取引に分割するヘッジファンド・マネージャーにとって、明らかに魅力的なも だという
16. AIや機械学習・深層学習を用いることで、予測モデル 自発的に最適化され、時間 経過とともに精度が向上していく。 しかし、自動ツールが投資家 利益を大きく損なうリスク ある行動を取らないようにするために 、基本的に 人間 介入が必要となる。 16 2 B2B業界におけるAI予測事例 3/3 AI予測 海外事例 • クレディ・スイス 外国為替グループ 、分単位で 価格予測にディープラーニングを利用している。 • インターバンク市場 板（オーダーブック） データを使用した。これら インプット（買値、売値、両方 量、最後 価格変動か ら 経過時間、モメンタム指標や板 不均衡など 他 指標） 、ニューラルネットに入れられ、過去 データに基づいて価 格 動きを予測するよう自己学習をする • 制御フレームワーク 、ニューラルネットが提供する価格変動が大きすぎたり、市場やお客様 価格を不当に動かしたりしな いようにする。また、ニューラルネット 、マシンがあまりにも行き過ぎてしまった場合に 、シャットダウンする。例え 、顧客 制限に抵触した場合に 、マシン 価格 生成を停止する • フランス 銀行であるBNPパリバ 、2017年に発表した「Smart Chaser」というAIを搭載したツールを活用し、予測分析に よってトレードマッチング プロセスを効率化 • Smart Chaser 、BNPセキュリティーズ・サービスを通じて行われた取引 データを利用し、失敗に至ったパターンを特定 する。そ 後、こちら システム 特定 取引が将来的に手動で 介入を必要とする可能性を予測する • 同行 ミドルオフィス商品 グローバル責任者であるトーマス・デュリフ氏によると、当時処理された取引 うち、最大で 30％が手動介入を必要としていたと ことである。 Smart Chaser ツール 、BNP パリバがリリース時に 98% 予測精 度があるとされていた
17. • Uber 、時間帯、雨や雪など 悪天候、コンサートや映画 プレミ アなど イベント、交通状況、緊急事態など 際に、サージ・プライ シング戦略をとることで有名 • ドライバーとライダー 間 料金を計算することで、 1回 乗車料金 を一定 割合で引き上げることができる • こ 仕組みにより、必要としている人 、より多く お金を払って ニーズを一刻も早く満た すことが可能 • また、需要が急増したときに 、より多く ドライバーが勤務するよ うになり、ピーク時 ドライバー不足 問題を解決 可能 • こ 戦略 背後にある理論 、需要と供給 関係に基づいた単純 なも だが、Uber 取引からあらゆる種類 データを収集し、自動 的に価格を算出することが可能となっている ダイナミック・プライシング 有名な例として、米国MaaSプロバイダーであるUberが挙げられる。 Uber サービス 、収集データに大きく依存しており、価格決定 自動的に行われる。Uber 場合、最も重要な情報 、乗車を求める顧客 位置情報である。自動プライシング 仕組み 、利益を上げるために重要な役割を果たし、そ 中で可視化されたデータ 、現地 トップ マネジメントが施策を適宜調整する際に役立てられている。 17 2 B2C業界におけるAI予測事例 1/2 AI予測 海外事例 The real time ride demand at Melbourne city 出典：Uber
18. 商品や株式 取引と同様に、不動産も自動ツールによって計算された価格で売買される。そ 結果、優れたアルゴリズムを持っている企業 、市場において競争優位性を持つ。手元にある資産を増減させることで、経営戦略を調整することができる。 18 2 B2C業界におけるAI予測事例 2/2 AI予測 海外事例 • iBuyer 概念 、自動査定モデルを備えた米国 不動産会社 Opendoorが作ったも • Opendoor社 、ビッグデータ／機械学習をベースにしたモデルによって算出された価格で住宅を売買してい る。基本的に 、価格が安いときに不動産を購入し、高いときに不動産を売却することを目的としている • しかし、それ 決して簡単なことで ない。競合他社である Zillow社が、市場動向 予測を誤り、比較的不合理 な価格で物件を買いすぎたために市場から撤退したことと比較すると、 Opendoor社 、トレンドを正しく予測す る能力 おかげで、こ ビジネス分野で利益を上げることができた。厳しい状況下でも適切な戦略を選択 するこ とで、利益を上げることができる。
19. 19 AI予測 国内事例 3
20. 製品 価格や需要 予測だけでなく、生産、原材料 準備、物流、廃棄物 削減など、バリューチェーン ほぼすべて 段階で、AI予測 効果が発揮される。売上を伸 しながらコストを削減することで、組織 収益性をより迅 に向上させることができる。 20 3 B2B業界におけるAI予測事例 1/5 AI予測 国内事例 • 在庫金額 数億円カットも見込める、三井化学が NECと需要予測AI 実証実験 ◦ 三井化学 データ分析ソフト dotDataを、NEC コンサルティングサービスと併せて活用することで、製品価格 予測モ デルを構築した。そ 結果、改善点 あるも 、翌月 製品 需要予測を高い精度でできるようになったという。三井 化学 市場動向を踏まえた販売価格 設定や、販売計画 立案、資材 調達・生産につなげることで、在庫金額を数 億円規模で削減することも見込めるとする • LPガス需要をAIで予測　 伊藤忠エネクス系が開発 ◦ 液化石油（LP）ガス 販売などを手掛ける 伊藤忠エネクス子会社 伊藤忠エネクスホームライフ東北（仙台市） 、 LP ガス 需要を人工知能（ AI）で予測するシステムを開発した。専門人材が数時間かけていた毎月 需要予測が、システ ム導入で約5分で済むという。価格変動が大きい LPガス 需要をいち早く見極め、毎月 売り上げ予測を立てやすくす る ◦ 本アルゴリズムによりHL東北全て 事業所において従来を大きく上回る予測精度を達成、予測誤差を大幅に改善する ことで3％程度 使用量予測精度向上を実現した • 日本気象協会が提供する，電力事業者向け 電力需要予測や電力取引価格予測 ◦ 相対取引や電力先物市場で重要となる天候と市場価格 長期見通し ほか、自社小売需要あるい エリア電力需要 長期予測データを提供している ◦ 電力需要予測、エネルギー需要変動解析、プライス予測 • AIを活用した野菜5品目 市場価格を予測するサービスを開始 ◦ 本実証を通じた栽培物 成長制御や物流など各プロセス 最適化などによりバリューチェーン全体を効率化し、植物工 場における野菜 廃棄や販売 機会損失を減らし、業界全体 生産性と収益性 向上を目指す
21. 銀行で 、AIによる予測精度 60~70%程度 状態。 多く 場面において 最終判断 人間が行い、AIが補助をする状態となっている。 21 3 B2B業界におけるAI予測事例 2/5 AI予測 国内事例 出典：MILIZE • 金融機関で 、元々予測モデル自体 存在していた そ モデルを用いた予測を、人間で なく AIに代替させることで、より早く、より精度高く予測しようとしている状態 • 予測精度として 60~70%程度。AR（Accuracy Ratio）値が50%以上であれ 業務に使用可能と判断している ただ、複雑なモデルになると 50%を切ることもある ◦ トレーディング業務であれ 予測精度 より高い • 単純な予測であれ AIでも可能だが、最終判断 結局人間がやるしかない ◦ 細かい部分を予測すべく、モデルを再 調整するが、データが多い部分について予測が偏るため難しい ◦ 説明責任 問題でブラックボックス 許容できないこともあり、 AIに完全に判断を任せること 出来ない • AI予測 内製化している 技術領域・業務領域的にフィットするデータサイエンス人材が集まりにくい中、 金融機関 場合、クオンツという数理に強い職種 人材をデータサイエンティストに転換する場合がある また、金融業界においても、業務知見があり、かつ技術者と会話できる人材が希少な が課題 銀行 AI予測従事者にヒアリングした内容
22. 22 3 B2B業界におけるAI予測事例 3/5 AI予測 国内事例
23. 23 3 B2B業界におけるAI予測事例 4/5 AI予測 国内事例
24. 24 3 B2B業界におけるAI予測事例 5/5 AI予測 国内事例
25. 電力やガソリンなど、資源市場で 価格予測が進んでいる。 ダイナミック・プライシングを用いて新たにインフラ業界に参入する企業もある。 25 3 B2C業界におけるAI予測事例 1/3 AI予測 国内事例 AIによるダイナミック・プライシングを活用した電力サービス開始：アークエルテクノロジーズ株式会社 • 業界初 AIによるダイナミック・プライシングを活用した電力サービス • 30分ごとに変動する電気料金を LINE通知、基本料金なし 100%クリーン電力メニューも提供 • 環境志向 高いZ世代 エシカル消費ニーズにも対応 • 来春までに3千件導入を目指す AIとフィンテック 企業がガソリン価格 AI予測を提供：株式会社 MILIZE • 金融市場 みならず、資源市場・貴金属市場・製品市場・消費財など 市場・価格 分析にも AIを活用 • 手始めとしてガソリン価格 予測提供を開始 出典：https://wmr.tokyo/tech/2020/08/54228/
26. 26 3 B2C業界におけるAI予測事例 2/3 AI予測 国内事例
27. 27 3 B2C業界におけるAI予測事例 3/3 AI予測 国内事例
28. 28 AIによる予測を実現するために必要なこと 4
29. 29 4 化学業界 一部 企業で 、価格決定 ため 予測を行おうとしているが、 整理されたシステムや仕組みがないため、効果が限定的である。 人がロボットに完全に代替されるわけで ないが、 AIやデータ指向 手法 、競合他社に対する競争優位性を得るために、重要な役割を果たすこととなる。 AIによる予測を実現するために必要なこと 現状 価格予測における根本的な問題と • 必ずしもデータに基づいているわけで なく、経験や勘に基づいているため、そ 道 ベテランであっても予測 精度が低い 可能性がある • 効果があると分かっていても、時間をかけて蓄積することができない。有識者が会社を辞めてしまうと、予測が出来なくなる • 世界を目指している会社であれ 、データなしに市場 動向を予測すること ほぼ不可能である • 市場価値しか考えず、価格決定者で なく価格受容者になりがちで、利益率 極めて低い
30. AIによる予測を実現するために必要なこと ビジネス 特性に応じて、適切な分析方法を見つけ出すことが必要である。スモールスタートで段階的に発展させ、限られたデータからビッ グデータへ、徐々にツールによる自動化を進めるなど 対応方法も可能である。 30 4 独自 予測モデルを構築するために 1/3 出典：ダイナミック・プライシング – デジタルとアナリティクスを活用して化学品業界 バリューベース・プライシングを次 ステージへ 
 https://www.mckinsey.com/jp/our-insights/dynamic-pricing-leverage-digital-and-analytics-for-next-stage
31. 31 4 AIなど 自動ツールによる予測を可能とするために 、既にデジタル化されているデータを集計・加工・分析するシステムを予め構築してお く必要がある。こ ダイナミックプライシングモデルが、商業戦略、データ、そして高度な分析を統合し、新しい価格管理エンジンを作り上げ る。 AIによる予測を実現するために必要なこと 独自 予測モデルを構築するために 2/3 出典：ダイナミック・プライシング – デジタルとアナリティクスを活用して化学品業界 バリューベース・プライシングを次 ステージへ 
 https://www.mckinsey.com/jp/our-insights/dynamic-pricing-leverage-digital-and-analytics-for-next-stage
32. 4 独自 予測モデルを構築するため 簡単な例を紹介する。より精度 高い予測を行うために 、可能な限り多く 効果的な要素を定量的 に考慮する必要がある。 AIによる予測を実現するために必要なこと 独自 予測モデルを構築するために 3/3 価格設定する際に考慮する要素 把握（グローバル、マクロ、戦略、需給、原材料等） 要素が変動するパターン 特定（トレンド、季節変動、不規則変動） 各要素がど ように関連しているか、そ 定量化と検証 モデルを構築する際に含む要素 選択 6ヶ月先まで 価格 構築、学習、予測、精度検証を行う 32
33. 33 4 予測モデル 精度を上げるために 、データ 質と量を向上させ、定量的（データ指向）・定性的（人 経験） 両面から洞察を得るなど 対応が必要である。 AIによる予測を実現するために必要なこと 予測 精度を上げるに • 時間をかけてアップデートする ◦ AIや機械学習による予測 、膨大な量 データからインサイトを得る必要があり、 データが多けれ 多いほど精度が高くなる • 予測に使用するデータ 質を向上させ、異常値を排除する • データが十分な量に達したら、顧客をいくつか グ ループに分け、 異なる戦略を実施して価格テストを進める • 取引に関するニュース、競合他社 工場 停止・増産、顧客業界 動向など、 関連する情報をできる限り多く収集する • 分析から得られたインサイトと、営業担当者が有する専門知識を組み合わせる
34. AIによる予測を実現するために必要なこと AI予測 、決してツールだけ 話で ない。全て 戦略 、組織 人間が行う必要がある。 新しい仕組みを円滑に運用し、組織 メンバー 一人ひとりが効果的に役割を果たせるような組織体制を構築する必要がある。 34 4 分析 他に必要なこと • 経営者を始めとするトップマネジメント サポートとコミットメント • AI分析実施 ため ITインフラ整備 • AI予測担当者と営業担当者 信頼関係構築と、それに基づいたOJT 実施 • 改革 恩恵を組織 メンバー一人一人が楽しめる雰囲気作り • 地域毎やグローバルにプライシングオフィスを設置し、プライシングモデル 維持・開発、販売実績 モニタリング、モ デルと現実 差異 把握を行うような仕組み設計 • 市場や原材料 情報に基づいて、価格設定 ため スケジュールとマイルストーンを設定し、それに基づいて運用で きる仕組み設計 • AI導入に合わせた、新たな人事評価制度 導入
35. 35 会社情報 アイデアとテクノロジーで 一人ひとり 想いを形に RIT デジタル技術 コンサルティングとインキュベーション （超高 新規事業開発）を通して、お客様やメンバー 想いを形にしていきます。 コンサルティングで培った思考力・企画力と新規事業開発で培った実行力・技術力と いう強みを活かして、新たな価値創 に次々とチャレンジしていきます。 関わる全て 人々に最高 ワクワクを提供する企業を目指して ABOUT US 企業名 株式会社RIT（RIT Inc.） URL https://rit-inc.co.jp/ MAIL info@rit-inc.co.jp 代表者 代表取締役　安武遼太 所在地 〒104-0061 東京都中央区銀座 6-10-1 GINZA SIX 13F WeWork 事業内容 ビジネスコンサルティング ビジネスインキュベーション webサイト制作・企画・運営管理 プロフェッショナル人材紹介
36. 36 E.O.F.