予測とは

予測には、定性的または定量的な手法があります。

定性的手法

定性的予測は、マーケティングの専門家による短期的な予測を利用します。履歴データが不十分な場合は、定性的な方法を用いることができます。例えば、次の 2 つのユースケースがあります。

• 世論調査やアンケートなどの市場調査手法は、消費者の需要を特定します。
• Delphi モデリング手法は、特定の分野の専門家にアンケート調査を行って意見を収集し、その分野の傾向を予測します。

定量的手法

定量的予測モデルは、意味のある統計と履歴データを使用して、長期的な将来の傾向を予測します。以下に、標準的な定量的手法の例を示します。

• 計量経済学モデリングは、ローンや投資データなどの財務データセットを分析して、重大な経済的変化とそれが企業に与える影響を予測します。
• インジケーターアプローチは、データポイントを比較して、一見無関係に見えるデータ間の関係を識別します。例えば、GDP の変化を使用して、失業率を予測できます。
• このシナリオでは、GDP データは先行指標と呼ばれ、失業率は遅行指標です。
• 時系列予測は、さまざまな時間間隔で収集されたデータを分析して、将来の傾向を予測します。 

時系列予測は、機械学習やその他のコンピュータテクノロジーを使用して過去の観測を調査し、時系列データの将来の値を予測するデータサイエンス手法です。時系列予測の例をいくつか見てみましょう。

• 天文データは、何世紀にもわたる惑星の反復的な動きで構成されています。このデータを使用して、日食や彗星などの天文現象を正確に予測できます。
• 天気予報では、風と気温のパターンを使用して天気の変化を予測します。
• 科学者は、出生率と移住データを使用して人口増加を予測できます。

時系列分析と時系列予測

時系列分析は、時系列データの根本的な原因を調査します。この研究分野は、時系列データセットの背後にある「理由」を理解しようとします。アナリストは、意味のある統計やその他の特性を抽出するために、多くの場合、仮定を立て、データを分解またはブレークダウンする必要があります。

時系列分析はデータセットを理解することですが、予測はデータセットを予測することです。以下は、予測モデリングの 3 つのステップです。

• 質問をして、過去の期間のこの質問に答える時系列データのサンプルセットを収集します。
• 過去の値を使用して、コンピュータソフトウェアまたは予測アルゴリズムをトレーニングします。
• 予測アルゴリズムを使用して、将来の観測を行います。

予測は、現在と将来の両方に関する関連性のある信頼できる情報を企業に提供します。予測テクノロジーのユースケースの例を以下に説明します。

オペレーション – More Retail Limited はオートメーションを使用して製品の売上をどう予測しているか?

More Retail Ltd.(MRL) は、インドでトップ 4 の食料品小売業者の 1 つであり、収益は数十億ドルです。同社は広範な店舗ネットワークとディストリビューターの複雑なサプライチェーンを持っています。在庫の見積もりと注文は店長の手作業による判断に頼っていましたが、これは特に生鮮食品のカテゴリーでカスタマーエクスペリエンスに影響を及ぼしました。MRL は、AWS による予測サービスを利用して自動注文システムを構築し、生鮮食品の無駄を 30% 削減しました。

製造業 – Foxconn は予測をどのように利用して製造需要を管理しているか?

鴻海 (ホンハイ) 精密工業 Group (Foxconn) は、世界最大の電子機器メーカーであり、ソリューションプロバイダーです。新型コロナウイルス感染症の大流行が発生して、Foxconn は、顧客需給や生産量において前例のない変動に直面しました。同社は、Amazon Machine Learning Solutions Lab と協力して、メキシコの自社工場の正確な純注文予測を行いました。この予測により、年間 500,000 USD 以上の節約につながりました。

カスタマーサポート – Affordable Tours は、カスタマーエクスペリエンスを向上させるために売上予測をどのように使用しているか?

Affordable Tours.com は、米国での添乗員付きツアー、クルーズ、リバークルーズ、アクティブな休暇の最大のベンダーの 1 つです。同社は、顧客からの電話の量を処理するときにリソースを割り当てるのに苦労していました。エージェントが多すぎる日もあれば、少なすぎる日もあり、一貫性のないカスタマーエクスペリエンスを生み出し、不在着信率が増加しました。同社は Amazon Forecast を利用して、顧客からの電話の量をより正確に予測し、不在着信率を 20% 改善しました。