AutoMLを学ぶ (Japanese Edition)

第15章 ケーススタディ 2：小売—オムニチャネル需要予測

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

第14章では、GlobalBankが厳しい遅延要件と敵対的な環境下で、リアルタイムの不正検知にどのように取り組んだかを見てきた。ここでは、別の課題に目を向ける。それは、顧客が何を購入し、いつ購入し、どこで購入するか――実店舗とデジタルチャネルの両方にわたって――を予測することだ。

注

本章のすべてのコード例は、AutoGluon 1.4.0 を使用してテストおよび妥当性確認されている。完全な実装、詳細な出力、実験的なバリエーション、および追加の高度なテクニックについては、付属の Jupyter NotebookSupplementary_Code_B_Demand_Forecasting.ipynb を参照のこと。

AutoGluonは現在も開発が進められている。最新の文書化やインストール手順については、AutoGluonのWebサイトを参照のこと。

ビジネス上の課題とコンテキスト

RetailCo（）は、450店舗を展開し、eコマースプラットフォームを拡大中の全国規模の小売業者である。同社は、典型的な在庫のジレンマに直面していた。つまり、不適切な商品が過剰にある一方で、適切な商品が不足しているという状況だ。1億2700万ドル相当の過剰在庫を抱えており、売れ行きの悪いSKUが倉庫スペースを占有し、最終的にはMarkdown販売を余儀なくされていた。一方、在庫切れ率は12%前後で推移しており、顧客が求める人気商品が頻繁に入手できないため、競合他社へ顧客を奪われていた。

同社の従来の予測システムは23%の予測エラー（MAPE）を生んでおり、スペースを確保するために過剰在庫は後に40%～60%の割引価格で販売され、年間1,800万ドルのMarkdownによる損失を招いていた。

2012年に季節性ARIMAモデルに基づいて構築されたRetailCoの予測システムは、現代のオムニチャネル小売の複雑さに対応できなかった。顧客は現在、店頭で購入する前にオンラインで商品を調べたり、店頭で商品を見て回った後にモバイル端末で購入したりしている。BOPIS（オンライン購入・店頭受取）は、従来のモデルでは捉えきれない需要パターンを生み出した。つまり、ECで注文が入ったものの、店舗の在庫から出荷されるケースだ。

この小売業者は年間200件以上の販促キャンペーンを実施しており、それぞれが複雑な波及効果をもたらしていた。「1つ買うと1つ無料」といったオファーは、その後数週間にわたり定価販売の売上を食いつぶしていた。ホリデーシーズンのプロモーションでは、顧客が商品をまとめて購入するため、カテゴリー全体に波及する需要の急増が生じていた。天候、地域のイベント、競合他社の価格、ソーシャルメディアのトレンドといった外部シグナルは、いずれも予測に組み込まれていなかった。

スケールの課題

450店舗にわたる5万点以上のSKUを予測するには、2,250万件の個別予測を生成する必要があり、これはARIMAモデルでは処理できない規模だった。すべてのモデルの再トレーニングには、小売業者のオンプレミスクラスターで6日を要し、トレンドが変化した際に迅速に対応することは不可能だった。

警鐘

転機となったのは、2022年夏に太平洋岸北西部を襲った熱波だった。シアトルでは気温が華氏108度（約42度）に達し、扇風機、エアコン、冷却製品の需要が840%急増した。6月の平均気温が華氏72度（約22度）という過去のデータでトレーニングされた予測システムは、通常の需要を予測していた。その結果、北西部では大規模な品切れが発生する一方で、南東部では同じ製品の過剰在庫を抱える事態となった。 ...