データサイエンティストでなくてもできる在庫需要予測は、思うほど難しくありません。ほとんどのチームにブラックボックスモデルは不要です。必要なのは、クリーンな販売履歴、繰り返し使える手法、そしてデータが嘘をついているときに気づく方法です。先週の金曜日にある商品が欠品していたなら、スプレッドシートに足りないのは計算ではなく背景情報です。
これは良いニュースです。なぜなら、シンプルな手法は多くの人が思う以上に強力だからです。GreenとArmstrongのJournal of Business Researchでのレビューでは、32本の論文にわたる97件の比較を調べ、複雑さを増しても予測精度が向上するという証拠の優位性は見つかりませんでした。予測は依然として難しいですが、最初の改善は通常、高度なソフトウェアではなく規律から生まれます。
役に立つ予測とは、タブが最も多いものではありません。バイヤーが説明し、疑問を呈し、次の発注期限前に使えるものです。
有用な在庫予測が実際に果たす役割
予測とは、定義された期間にわたる将来の需要の見積もりです。在庫の場合、その期間は購買リズムに合わせるべきです - サプライヤーのリードタイム plus 次のレビューまでの時間です。毎週月曜日に発注し、サプライヤーの納期が21日であれば、関心があるのは次の28日間であり、理論的な年間平均ではありません。
予測は、A品目が防げたはずの欠品に陥る前に再発注するための十分な警告を与えます。
誰かが念のために少し多めに発注したというだけで、低回転品目が運転資金を吸収するのを防ぎます。
営業、購買、オペレーションが3つの異なる勘に基づく数字を守る代わりに、ひとつの数字について議論できます。
予測は約束ではありません。出発点です。サプライヤーの問題、商業イベント、ビジネス判断は依然として上乗せします。目標は完璧さではありません。目標はサプライズを減らすことです。
シンプルな手法から始め、効果が証明されたときだけ複雑さを加える
NISTの平滑化に関するハンドブックでは、平均をデータを平滑化しランダム変動を減らす最も簡単な方法として説明しています。これはまさに、ほとんどの在庫チームが始めるべき場所です。履歴が比較的安定しているなら、単純移動平均と平滑化手法で運用上の基準線を迅速に得られます。
手法1: 安定した需要に対する移動平均
移動平均は、直近の数期間の比較可能な値を取り、その平均を計算します。週次で予測する場合、4週間移動平均で十分なことが多いです。例: 過去4週間の販売が92、104、96、108個だった場合、来週の基準予測は (92 + 104 + 96 + 108) / 4 = 100個です。
来週の予測 = (第-1週 + 第-2週 + 第-3週 + 第-4週) / 4。比較可能な期間を使用してください - 週は週と、月は月と。
手法2: 直近の履歴がより重要な場合の指数平滑化
直近の売上が古い履歴よりも重要な場合は、単純指数平滑法に進みましょう。Forecasting: Principles and Practiceで、HyndmanとAthanasopoulosは、最新の実績値と前回の予測値の加重平均としてこれを示しています。平たく言えば、昨日のデータは前四半期よりも重要ですが、前四半期が無視されるわけではありません。これにより、需要が緩やかに変動しているが強い季節性がない場合に平滑化が有効になります。
手法3: カレンダーが本当に重要な場合に季節要因を追加する
需要が繰り返すカレンダーパターンで上下する場合 - 12月のギフト需要、夏の週末、新学期、月末の発注 - 季節効果を基準レベルから分離します。Forecasting: Principles and Practiceでは、季節調整済みの系列を予測し、その後に季節パターンを戻すという実践的なアプローチが紹介されています。これはシンプルな考えの技術的な説明です - 今年の12月は昨年の5月よりも昨年の12月に似ているはずだということです。
季節調整は取り組む価値があります。同じGreenとArmstrongのレビューでは、元のM-Competitionの68の月次系列において、季節調整がMAPEを23.0から17.7パーセントに削減しました。これは、シンプルなカレンダー構造が多くの追加的な数学に勝てることを思い出させてくれます。
商品が定期的に売れ、レベルがあまり変動していない場合は、4から8期間の移動平均を使用します。
需要が徐々に変化し、直近の期間により大きなウェイトを置くべき場合は、単純指数平滑法を使用します。
同じカレンダー上の上昇が十分な頻度で繰り返され信頼できる場合は、基準予測に季節要因を加えます。
数学を信頼する前に履歴をクリーンにする
予測手法は重要ですが、入力データの品質はそれ以上に重要です。返品、一回限りのプロジェクト注文、サプライヤーの短納品、プロモーションの急増はすべて基準線を歪める可能性があります。ノイズをモデルに入力すると、悪い判断を自動化しているだけです。
欠品は最大の落とし穴です。ロストセールス在庫政策下の需要予測に関する研究では、十分な在庫がある場合、売上は需要の不偏推定値であるが、欠品がある場合、売上は需要を過小評価し予測を下方に押しやると著者らは指摘しています。これは、運用者が最も嫌う悪循環を生みます - 過少予測、過少発注、欠品、繰り返し。
棚が空のとき、売上は需要ではなく供給可能性を測定しています。
シンプルな欠品調整の例
ある商品が30日間の月に210個売れたが、在庫があったのは21日間だけだったとします。素朴な日次販売率は7個です。欠品調整後の販売率は10個です。210 / 21 = 10だからです。補充計画において、2番目の数字の方がはるかに現実に近いです。最初の数字は欠品を来月の予測に焼き込んでしまいます。
履歴クリーニングのルール
- 欠品期間をフラグする:供給可能性がゼロの日や週を追跡し、平均に含めるのではなく除外または調整します。
- プロモーションを基準線から分離する:セールの週やマーケティングの急増はイベント列に置き、基準予測を恒久的に膨らませないようにします。
- 一回限りの注文を除外する:大口のプロジェクト購入、立ち上げ時の充填、社内移動は計画イベントであり、通常の需要ではありません。
- 売上だけでなく在庫の真実を使う:記録精度が弱い場合は、まずカウントを修正します。不正確な在庫記録は履歴と購買の両方を歪めます。不正確な在庫レベルのコストをご覧ください。
- 必要に応じてバリエーションより先にファミリーを予測する:サイズ/色やパック単位の薄い履歴は、まずグループレベルで予測し、その後に個別に配分する方が精度が高いことが多いです。
毎週月曜日に実行できるスプレッドシートワークフロー
SKUを行、過去12から24期間の列、在庫有無フラグ、イベントメモ、予測、実績、誤差を持つ1つのシートで十分な予測を実行できます。目的は美しいモデルを作ることではありません。目的は繰り返し可能なルーティンを作ることです。
月曜予測ルーティン
- 週次または月次で履歴をエクスポートする:回転の速い品目は週次が良い。カタログ品目が遅いものは月次で十分です。
- ヘルパー列を2つ追加する:在庫有無ステータス用とイベントメモ用。この2つのフィールドが驚くほど多くの悪い予測を防ぎます。
- 品目クラスごとに基準手法を1つ選ぶ:安定品目には移動平均、緩やかに変動する品目には平滑化から始めます。
- 繰り返す場合のみ季節性を適用する:同じカレンダー上の上昇を複数回指し示せるなら、季節要因を追加します。そうでなければシンプルに保ちます。
- 補充期間を予測する:サプライヤーのリードタイムに次の発注レビューまでの間隔を加えた需要を予測します。
- すべてのオーバーライドを記録する:営業が来月に顧客獲得で300個追加されると言うなら、オーバーライドとその理由を入力します。隠れたオーバーライドは学習を破壊します。
普通の人でも計算できる3つの精度チェック
統計だらけのダッシュボードは不要です。予測が体系的に間違っているかどうか、そしてどの程度間違っているかを教えてくれる数個の指標があれば十分です。
符号付き平均誤差。正のバイアスは常に過大予測していることを意味します。負のバイアスは慢性的に過少予測し欠品を招くことを意味します。
平均絶対誤差、単位でのはずれの平均。GreenとArmstrongが指摘するように、MAEは生産管理と在庫管理の意思決定に対してシンプルで有用な指標です。
加重絶対パーセント誤差。AWS Supply Chainの需要計画ドキュメントでは、合計実需に対する合計予測誤差を示すため、WAPEを集計精度指標として使用しています。
MAPEの使用には注意が必要です。Hyndmanの精度ガイドでは、実際の需要がゼロの場合MAPEは未定義になり、実績がゼロに近い場合は極端に大きくなる可能性があります。そのため、低回転品目、新規品目、需要ゼロの期間が頻繁にある系列には不向きです。
バイアス、MAE、WAPEから始めましょう。この3つが安定し理解された後にのみ、より高度な指標を追加します。
購買に組み込む前にバックテストする
予測は妥当に見えるから完成ではありません。モデルが見ていない過去の期間でテストした後に完成です。Hyndmanの時系列クロスバリデーションガイドでは、ローリング予測起点について説明しています - 履歴を通して移動し、先行予測し、誤差を平均化する。これは「これは前四半期に機能しただろうか」と問うことの大人版です。
簡易バックテスト
- 直近の8から12期間をホールドアウトする:最初のモデル構築に使用しないでください。
- 各候補手法を実行する:移動平均、平滑化、比較したい季節バージョン。
- バイアス、MAE、WAPEを測定する:モデルが見ていない期間で手法を判断します。
- 人が説明できる手法を選ぶ:2つの手法が僅差なら、チームが実際にメンテナンスする方を選びます。
スプレッドシートが苦戦する場面を知る
- 新製品: 新しいSKUにはまだ安定したパターンがないため、類似品目、カテゴリ、または立ち上げ計画から履歴を借ります。
- まとまりのない、または断続的な需要: まずファミリーやカテゴリレベルで予測し、個別の補充はより多くの手動レビューで計画します。
- プロモーションとプロジェクト案件: 基準モデルに特別なイベントを推測させる代わりに、イベントオーバーライドを別途追加します。
- 不正確な在庫記録: 入荷、調整、ロケーション管理が弱い場合は、まずプロセスを修正します。不良な記録の上に予測を重ねても、発注数量は依然として間違います。
ここで優先順位付けが重要になります。ABC分析を使って、どの品目に最も予測の注意を向けるべきかを決定し、予測と規律ある安全在庫レビューを組み合わせて、不確実性が一律の過剰購入に変わらないようにします。
最終的なポイント
データサイエンティストでなくてもできる在庫需要予測は、高度な数学よりも運用上の誠実さが重要です。履歴をクリーンにする。移動平均か平滑化から始める。季節性は繰り返す場合のみ追加する。バイアスと絶対誤差を測定する。数字を信頼する前にバックテストする。
次のステップ: 重要なSKUを20個選び、週次シートを1つ作成し、今後8週間にわたって予測と実績を比較してください。その後、予測は理論的なものではなくなり、購買方法の一部になり始めます。