現代の小売のスピードで実現する予測

需要予測は、常に小売やCPGの計画の中心にあります。需要予測は在庫に関する意思決定を左右し、生産スケジュールに影響を与え、販売促進投資を促進し、その後に続くすべてのS&OPの議論の前提条件を設定します。予測が外れると、コストが急速に累積し、在庫切れ、過剰在庫、マージンの低下、そしてサプライチェーンや営業チーム全体に波及する下流工程の混乱を招きます。

近年変化したのは、予測の重要性ではありません。その難易度です。

複雑化する課題にツールが追いつかない

10年前であれば、少数のチャネルで数千のSKUを扱う需要プランナーは、統計モデル、スプレッドシート、そして苦労して得た組織のノウハウを組み合わせることで、予測の精度を管理することができました。ほとんどの小売およびCPG企業にとって、そのような時代はすでに過去のものです。SKUの急増、Eコマースチャネルの爆発的な成長、地域の細分化、およびライフサイクルの短いプロモーション用SKUの台頭により、従来のツールの多くでは対応できない予測環境が生まれています。

かつてプランナーが管理していた時系列データは数百件でしたが、今日の企業の予測課題では、日常的に数十万件、時にはそれ以上の時系列データを扱う必要があります。各時系列データには、独自の季節性プロファイル、シグナル対ノイズ特性、およびプロモーション、天候、マクロ経済状況などの外部変数に対する独自の感度があります。小規模なデータでうまく機能していた統計手法は、これほどの量と多様性を持つデータに対しては、信頼性の高い汎用性を発揮できません。精度は低下し、例外管理は維持できなくなります。そして、予測は計画のインプットとしての信頼性を失ってしまいます。

先進的な予測チームの多くがたどり着いた答えは、マルチモデルアプローチです。これは、単一の手法を選択して一律に適用するのではなく、実際のデータに対してさまざまなモデルを評価し、各時系列データに最適なモデルを結果に基づいて決定するというものです。実際、これにより精度は著しく向上しますが、同時に新たな課題も生じます。

人材不足は深刻であり、その解消はますます困難になっている

企業規模で厳密なマルチモデル予測評価を実行することは、ビジネスアナリストや採用されたばかりのデータサイエンティストに任せられるようなタスクではありません。これには、統計的予測手法、最新の機械学習やディープラーニングのアプローチ、そして近年、時系列予測の有望なツールとして登場したトランスフォーマーアーキテクチャに基づく基盤モデルのクラスに対する深い知識が必要です。さらに、計画サイクル内に数百万の時系列データを処理するために必要な規模の分散コンピューティングインフラを構成し、運用する能力も求められます。

このような専門知識を持つ人材は極めて稀です。需要計画部門は、データサイエンスの人材をめぐって社内の他のすべての部門と競合しており、この業務が求める「予測ドメインの知識」と「分散システムの習熟」という具体的な組み合わせは、本当に希少です。これを備えたチームは高い生産性を発揮します。一方で、これを欠くチームは、最新の代替手段に劣る従来のアプローチに縛られるか、あるいは一人の専門家に依存することになり、その人物の離職が組織にとって大きなリスクとなります。

人材が揃っている組織であっても、適切な予測実験（コンピューティングリソースの構成、データの準備とクレンジング、評価パラメータの選択、バックテストの実行、結果の解釈）をセットアップし、1つのモデル比較を完了するまでに数日、あるいは数週間かかることがあります。計画のサイクルが「週」単位で測定される環境において、そのサイクルタイムは多くの場合、あまりにも遅すぎます。

Many Model Forecasting：この課題のために構築されたエンジン

2024年、Databricksは、大規模なマルチモデル時系列予測向けに構築されたオープンソースフレームワークであるMany Model Forecasting（MMF）をリリースしました。MMFは、statsforecastやsktimeの統計的アプローチ、neuralforecastのディープラーニングモデル、ChronosやTimesFMの時系列基盤モデルなど、主要なオープンソースライブラリから35以上の予測モデルを統合しています。単一の手法に依存するのではなく、MMFを使用することで、チームは自社のデータに対してすべての手法を同時に評価し、各時系列データに最適なパフォーマンスを示すモデルを自動的に選択できます。

このフレームワークはDatabricks上でネイティブに動作し、分散コンピューティングを使用して、企業の小売およびCPGの予測課題が求めるデータ量を処理します。現在、数十社がMMF上で本番パイプラインを実行し、収益や在庫投資に直接影響を与える計画決定を行っています。これらの導入事例全体を通じて、精度の向上と手動での予測作業の削減が一貫して確認されています。

しかし、MMFは依然として専門家のためのツールでした。障壁はフレームワークそのものではありませんでした。それは、正しくセットアップし、コンピューティング構成、データの準備、評価設計について適切な決定を下し、計画の意思決定に実際に役立つ形で結果を解釈するために必要な知識の深さでした。MMFは専門家レベルの予測を高速化しましたが、誰もが簡単に利用できるようにしたわけではありませんでした。

MMF Agent：企業のあらゆる部門に向けたガイド付き予測

MMF Agentはこのギャップを解消します。DatabricksのAIコーディングアシスタントであるGenie Codeをベースに構築されたMMF Agentは、MMFフレームワークをインタラクティブなガイド付きワークフローでラップし、高度な技術的専門知識を必要とせずに、生データから予測のデプロイに至る予測パイプライン全体をチームが実行できるようにします。

このエージェントは5つのステージで動作します。まず、入力データを調査して品質の問題を特定し、欠損値や異常値を処理して、予測エンジン用にすべてが正しく構造化されていることを確認します。次に、データセット内の時系列データをプロファイリングして分類し、予測可能な系列とシグナルが不十分な系列を分離します。このステップは、手動でMMFを実行する際には見落とされがちですが、最も効果的な場所にリソースを向けることで、精度と計算効率の両方を一貫して向上させます。そこから、エージェントは評価対象のモデルに適したコンピューティングインフラを構成し、予測ジョブを実行し、後処理とモデル選択を行って、計画チームが実際に重視するビジネス成果に結びつく形で結果を提示します。以下の短いウォークスルーでは、需要プランナーがGenie Code内のMMF Agentを使用して、これらの各ステージを進める様子を示しています。

単にワークフローを自動化することと異なるのは、このエージェントがインタラクティブである点です。Genie CodeとUnity Catalogの統合を活用して組織のデータ環境全体を理解し、どのデータセットを使用すべきか、関連する外部変数でトレーニングデータをどのように強化するか、および予測精度の指標をビジネス用語でどのように解釈するかについて、情報に基づいた推奨事項を提示できます。自社のビジネスを理解しているもののデータサイエンティストではない計画リーダーでも、需要計画の言葉（プロモーション、季節性、チャネルミックス、計画期間など）を使ってMMF Agentとやり取りし、予測のベストプラクティスと自社データの特性の両方に基づいたガイダンスを受け取ることができます。

これが需要計画チームにとって何を意味するか

最も直接的なメリットはスピードです。以前は熟練したデータサイエンティストが数日を要していたセットアップや実験作業を、わずか数時間で完了できます。この時間の短縮は計画環境において重要です。なぜなら、チームがより多くの実験を実行し、より多くのモデル構成をテストし、市場環境の変化に迅速に対応できるようになるからです。これは、過去のパターンが信頼できる指標にならなくなった場合に極めて重要です。

予測精度も向上する傾向があります。MMF Agentがチームをガイドするデータの準備と系列分類のステップにより、通常の手動アプローチよりもクリーンなトレーニングデータが作成され、よりが的を絞ったモデル選択が可能になります。

しかし、おそらく最も大きな変化は、その「広がり」です。専任の予測データサイエンティストがいない需要計画チームでも、以前は手の届かなかったレベルの手法的な厳密さで業務を行えるようになります。マルチモデル予測を専門的な人材を抱える組織だけに限定していた専門知識の壁が取り払われ、中堅規模の小売およびCPG企業のより幅広い層にこのアプローチが開放されます。

技術的に深い知識を持つチームにとっても、MMF Agentはフレームワークのカスタマイズを容易にします。MMFは常にオープンソースでしたが、実際には、それを修正する専門知識を持つチームはごく一部に限られていました。エージェントがソースコードとガイダンススキルの両方にアクセスできる場合、エンジニアに対して、新しいモデルクラスの追加、バックテストロジックの調整、ビジネス固有の精度指標の統合などの変更をわかりやすい言葉で案内できます。かつてはフレームワークに関する深い知識が必要だった修正が、より幅広いエンジニアにとって取り組みやすいものになります。

開始方法

MMFとMMF Agentは本日よりご利用いただけます。MMF Agentのスキルは、ワークフロー全体をカバーするドキュメントやサンプルのノートブックとともに、Many Model ForecastingのGitHubリポジトリで公開されています。これらのスキルをGenie Codeまたはローカルのエージェント環境にインストールすれば、あとはアシスタントが対応します。

既存のチームやツールを活用してより優れた予測を実現したいと考えている需要計画のリーダーにとって、これは1時間かけて試してみる価値が十分にあります。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事