AI需要予測の検証：予測日・欠品・発注条件をそろえる

いつ・何を・どの先まで予測するかを決める

商品別・店舗別・日別の数量なのか、地域全体の月次売上なのかを決めます。次に、発注を確定する日時と、入荷までの日数を並べます。例えば月曜朝に翌週分を発注するなら、その締切までに把握できた情報で翌週を予測する必要があります。これは編集部が示す計画例です。

予測対象の販売数と、買いたかった数量としての需要を分けます。欠品中に売れなかった数量は販売実績だけでは分かりません。欠品、休業、返品、販促、価格変更を識別できるか確認し、不明な期間を通常の販売ゼロと混ぜないようにします。

未来の情報を使わず、同じ締切で過去を検証する

過去のある日を予測日として固定し、その時点より前のデータで学習・調整して、その後の実績と照合します。後から確定した実際の天候や修正済みの売上を、当時分かっていた情報のように使わないことが大切です。気象予報を使うなら、予報を取得した日時も記録します。

scikit-learnのTimeSeriesSplitは、時系列順のデータで、将来を学習して過去を評価する混入を避ける分割を扱います。等間隔のサンプルを前提とするため、欠けた日や不規則な記録をそのまま当てはめて済ませず、集計間隔と評価期間を決めます。直前期間、前年同時期などの既存手法にも、同じ利用可能情報と予測期間を適用します。

予測誤差と、在庫・発注の結果を分けて見る

予測と実績の差を商品や期間ごとに残し、多く予測した場合と少なく予測した場合を分けます。数量ゼロの期間がある場合は、実績で割る誤差率の扱いを明記します。全体平均に加え、欠品を避けたい商品や繁忙期についても結果を確認します。

予測値をそのまま発注量にするとは限りません。手元在庫、入荷予定、最小発注量、調達日数、保管期限をそろえ、現在の発注方法と同じ条件で在庫・欠品・廃棄を試算します。過去データによる試算と実際の運用結果を分け、担当者による修正理由も記録すると、次の改善点を探せます。

確認した根拠を、残しましょう。

入力は送信されません。ページを離れると消えるため、必要な記録を保存してください。確認済みの数は、導入の適否や品質を表す点数ではありません。

対象の単位・予測締切・期間が決まっているか 確認資料の例：商品・拠点・数量単位、発注日、入荷日、予測対象期間

欠品・休業・返品を通常の販売ゼロと区別できるか 確認資料の例：実績データの定義、欠品等の記録、不明期間の扱い

予測時点で分かる情報だけを使ったか 確認資料の例：データの取得日時、学習期間、評価期間、前処理の記録

既存の予測方法にも同じ条件を適用したか 確認資料の例：比較に使った方法、締切、対象商品、評価期間

数量ゼロや重要商品の誤差を説明できるか 確認資料の例：指標の式、過大・過小の差、商品・期間別の結果

予測値と実際の発注条件を分けたか 確認資料の例：在庫・入荷・発注単位・期限、試算条件と運用結果

出典と確認範囲

リンク先は提供元の公式情報です。このガイド全体や当社の手順が、提供元に承認されているという意味ではありません。

scikit-learn：TimeSeriesSplit：時系列順の評価と等間隔データの前提を確認。発注計画や欠品の扱いは当社が提案する確認事項です。

scikit-learn：データ漏洩：予測時点で利用できない情報による楽観的な評価を避ける説明を参照。需要予測サービスの性能評価は行っていません。