【AIによる需要予測の活用事例】AIを活用して未来を作る

DX・AI技術・事例解説

最終更新日：2022/10/27（木）

この記事の目次

需要予測技術とは？その原理について
需要予測技術の歴史と最新の動向について
企業のビジネスにおける需要予測技術の活用事例
まとめ

需要予測技術とは？その原理について

需要予測技術とは、事前に商品が売れる量を予測する技術のことです。在庫が少なすぎると販売機会の損失に繋がり、多すぎても資金繰りに悪影響を及ぼすため、事前に適切な量を予測して準備をすることが求められます。どの業界でも、高い精度の需要予測技術を用いることで、販売機会の損失を回避でき、大きな利益にも繋げることができます。

需要予測の具体的な統計手法

従来の需要予測技術では統計的手法が用いられていました。過去の実績を基に、回帰分析、移動平均法、指数平滑法などの方法で予測をしていました。

移動平均法

移動平均法とは、過去数ヶ月の売り上げの平均から当月の売り上げを予測する手法です。毎月、計算する月がずれていくため、このような名前になっています。直近のデータは反映されますが、過去のデータが無駄になってしまうデメリットがあります。

指数平滑法

指数平滑法とは、過去の予測値と実績値に重み付けをして、新たに予測をする方法です。得られた過去のデータのうち、より新しいデータに大きな重みをつけます。過去のデータであればあるほど、重みを指数関数的に小さく設定するため、このような名前になっています。直近のデータだけではなく、過去のデータも活用できます。

回帰分析

回帰分析とは、因果関係のありそうな説明変数を直線の形でモデリングする方法です。使用する説明変数の数で、単回帰分析や重回帰分析などと呼び分けます。

しかし、従来の統計学的予測では、訓練データを学習しすぎてしまい、未知データに対して予測ができなくなり、逆にパフォーマンスを下げてしまう可能性が高いです。この状態を過学習と呼びます。統計学的予測では、過学習が起きやすいため、複雑に変化するマーケット環境に対しては弱いです。

そのため、AIを活用した、機械学習ベースの需要予測を導入する必要に迫られています。集合学習や深層学習などの機械学習の手法は、ブラックボックス化しているため、解釈しにくいという問題はありますが、過学習を低減でき、正確な予測をすることができます。また、AIを活用することで、過去のデータがない新商品の需要予測も、多様な外的要因のデータや類似した商品のデータを用いることで予測が可能になります。

例えば、集合学習では、線形回帰や決定木やSVMなどの手法で学習させたモデルを作り、それらの結果の平均値を出すなどして複合的に用いることで、一つのモデルよりも安定して正確な予測を行うことができます。

どの需要予測技術を用いるか判断する際、多くの選択肢からある程度の数までは原理や経験から絞ることができますが、最終的にどの手法が最適であるかは実際に検証しないとわかりません。それぞれの方法に絶対的な優位性があるわけではないため、過去のデータを使って精度を検証して、一番誤差が少なく使いやすい方法を、目的に応じて利用する必要があります。

需要予測技術がどれほど優れていても最終的に評価をして決定を下すのは人間なので、AIと人間の知能の両方を最大限に活かして、より良い未来を作っていく必要があります。

需要予測技術の歴史と最新の動向について

需要予測技術の歴史と最新の動向について述べていきます。

ひとつずつ見ていきましょう。

需要予測技術の歴史について

従来では、主に担当者の長年の経験と勘から需要を予測し、意思決定を行ってきました。しかし、これでは知見が非常に属人的であるため、共有をして組織に蓄積させることができませんでした。

そのため、より客観的な基準として、統計的手法が使用されるようになりました。しかし、この手法では過学習が起きる可能性が高く、正確な予測ができないという問題がありました。

そのため、AIを活用した、機械学習ベースの需要予測が必要になりました。これにより、過学習を抑えることができ、高い精度で予測ができるようになりました。また、新商品の需要予測をする際も、類似した商品のデータなどを用いることで予測できるようになりました。

需要予測技術の最新の動向について

現在、多くの企業において、在庫の削減が大きな経営問題となっています。しかし一方で、お客様からの要求がますます強くなっているため、欠品の発生も企業経営に大きな影響を与えています。

そのため、どの業界においても、事前に適切な在庫の量を予測して準備をすることが求められます。AIを活用して、高い精度の需要予測技術を用いることで、機会の損失を回避でき、大きな利益にも繋げることができます。

また、このような客観的な基準を基に意思決定を繰り返すことで、組織全体としての判断精度の向上が見込まれます。

さらに、グローバル化やニーズの多様化により、商品ライフサイクルが短縮されてきています。商品がヒットしてから増産をしても、間に合わずに販売の機会損失が増えてしまうことがあります。

そのため、企業には素早く柔軟な対応が求められており、需要予測はとても重要です。

関連：AI導入のメリットとデメリットは？わかりやすい具体例で解説

企業のビジネスにおける需要予測技術の活用事例

AIによるタクシー利用客の場所ごとの推移予測

AIを利用することで、場所ごとの正確な乗客数の予測をすることができます。新人ドライバーでもベテラン並みの成果を出し、早い時期から安定した収入を得ることができるため、若い人のタクシー業界への注目度が高まることが予想されます。

事例

トヨタ自動車、JapanTaxi、KDDI、アクセンチュアの4社が、AIを活用してタクシーの需要を予測し、ドライバーに配信する「配車システム」を試験導入しました。

課題

タクシー業界では少子高齢化により慢性的な人手不足が課題となっています。限られた人手でニーズがある場所に効率よくタクシーを供給させなければなりませんが、タクシー待ちなどを多く発生させてしまい、機会損失を招いていました。これまでは運転手の勘と経験で需要が多そうな場所に向かっていたので、若手運転手は成果を上げるまでに時間がかかり離職率が高くなっていました。