小売データを対象とした需要予測モデル構築

Transcript

1. 小売データを対象とした 需要予測モデル構築
2. プロジェクトの背景と目的 • 在庫のミスマッチ : 毎年、ボーナス商戦期（6月・7月・12月）において、特定商品の 欠品による機会損失と、予測外れによる過剰在庫（廃棄ロス）が同時に発生してい る。 • 適当な予測 : 現在の発注業務は店長の経験と勘（KKD）に依存しており、精度にバ ラつきがあるほか、業務負荷が高い • リードタイムの制約 : 発注から納品までのリードタイムを考慮すると、「明日」ではな く「1週間後から1ヶ月先」の予測が必要である。
3. エグゼクティブサマリ • 目的: ボーナス商戦期（6月・7月・12月）における在庫切れと過剰在庫を防 ぐため、1週間後〜4週間後の売上を予測する。 • 成果: 過去の販売実績とカレンダー情報を活用し、LightGBMを用いたマ ルチステップ予測モデル を構築。 • 目的: ボーナス商戦期（6月・7月・12月）における在庫切れと過剰在庫を防 ぐため、1週間後〜4週間後の売上を予測する。
4. データ概要 • 規模: 10店舗 × 50商品（計500時系列） • 規模: 10店舗 × 50商品（計500時系列） • データの特徴 (EDAより): • 季節性: 毎年6月・7月・12月に明確な売上スパイクが存在（ボーナス 商戦）。 • 週次周期: 曜日による変動（週末のピーク等）が顕著。 • トレンド: 全体として年々緩やかな成長傾向にある。
5. 季節性
6. トレンド
7. モデリングアプローチ • 予測スキーム • $T+7$日後、$T+8$日後……$T+28$日後の売上を、それぞれ独立した22個のモ デルで直接予測する手法を採用。 • 理由: 1日ずつ予測を積み重ねる手法に比べ、誤差が累積せず、特定日のイベント（セール等）をピンポイントで捉えるのに優れてい るため。
8. アルゴリズムと特徴量 • 採用アルゴリズム : LightGBM (勾配ブースティング決定木 ) • 理由: 高速かつ高精度であり、複雑な季節性や非線形なトレンドを学習できるため。 • 主要な特徴量 : • ラグ特徴量 (lag_7等): 「先週の同じ曜日は何個売れたか？」を重視。 • 移動平均 (roll_mean_7): 「直近1週間の売上規模（勢い）」を捉える。 • カレンダー情報: 月、曜日、年。
9. 主要な特徴量の出力結果
10. 結果サマリ 精度検証（2017年テストデータ） 指標 結果 評価 RMSE (二乗平均平方根誤差 ) 9.47 大きな外れ値を出さず、安定して予測できてい る。 MAE (平均絶対誤差) 7.22 1日あたり平均28個の誤差範囲に収まってお り、発注実務において許容範囲内である。
11. 予実対比グラフ 予実対比グラフ（可視化） • 対象: Store 1, Item 1（定常需要商品） • 結果: 予測値が約28個前後で安定して推移している。 • 考察: • モデルは、突発的な変動が少ない商品に対しては 過剰な反応をせず、ベースライン（平均的 な需要）を堅実に予測 している。 • このような商品については、AI予測値を「安全在庫基準」として自動設定することで、発注業務 の完全自動化が可能である。
12. 予実対比グラフ（可視化）
13. ビジネス上の示唆と今後の展望 • 従来の発注方式（移動平均法）と比較シミュレーションを行った結果、欠品リスク（機会損失量）を 28.5% 削減できる見込み。 • シミュレーション活用 : 開発したデモアプリ（Streamlit）により、「もし直前の売上が急増したら？」と いったWhat-If分析が可能になり、リスク管理ができるようになった。 今後の展望 • 一部店舗でのテスト運用開始（AI予測値を参考値として提示）。 • 天候データやキャンペーン情報の追加による更なる精度向上。
14. 参考 デプロイアプリ https://retailstore-forecast-htjhzbb6yvkappnenejbjj2.streamlit.app/ github https://github.com/shimakimi/retail_store-_forecast