商品の小売需要予測

小売商品の需要を予測するエンドツーエンドのソリューションを構築します。販売履歴データを使用して BigQuery ML で需要予測モデルをトレーニングし、Looker Studio ダッシュボードで予測値を可視化して関係者と共有します。需要予測によって食品廃棄物を削減する仕組みを確認する。

商品価格予測

時系列モデルは、ビジネスや生産プロセスにとって重要な商品の価格を予測し、キャッシュ フローモデルと財務計画に関する情報を提供するために使用されます。

キャッシュフローの予測

時系列モデルは通常、回帰モデルおよび分類モデルと組み合わされ、過去の会計時系列と、取引データや契約上の義務による入力に基づいて、高精度のキャッシュ フロー予測を生成します。ここでは、ARIMA_PLUS を BigQuery ML とともに使用し、GLM、ブーストツリー モデル、AutoML などの BigQuery ML の教師ありモデルと組み合わせることができます。

• サプライ チェーン予測
• 需要を促進する要因は数多くあります。流通センターでは、消費者の需要を満たすには事前の準備が重要です。Vertex AI Forecast がサプライ チェーン流通センターのモデル構築を支援し、天候、商品レビュー、マクロ経済指標、競合他社の動向、商品価格、貨物料金、海上運送業者の費用などから得られるシグナルを含むモデルを構築する方法をご確認ください。

需要予測での異常検出

祝日や贈り物の時期、年末のセールなどに、利用額が増えることが予想されます。しかし、予想外の急増（または谷）がある場合にはどうすればよいでしょうか。たとえば、予想外に高い（あるいは低い）需要を発見するにはどうすればよいでしょうか。BigQuery ML で異常を検出して、自転車レンタルの異常な急増を検出する方法を確認します。これは、ロンドン市で公共交通機関の運行が中断された日と一致します。

製造の品質管理と指標のモニタリング

IoT センサーから本番環境への出力まで、指標のモニタリングにはさまざまな形態があります。ただし、共通の要素は、これらの指標の典型的な範囲を予測し、モニタリング システムを導入して事前に計画を立て、できるだけ早く対応できるようにすることです。

異常検出のその他の一般的なユースケースとしては、価格設定の誤りによる価格の異常、リアルタイムの異常検出、製造品質管理などがあります。

広告の効果

ビジネスの効果を高めるうえで、広告はどの程度効果的でしたか？因果推論により、広告キャンペーンの統計的有意性を調べることができます。

主要イベントが時系列に及ぼす影響

英国の EU 離脱などの主要なイベントが時系列に与えた影響が統計的に有意かどうかを知りたい場合があります。因果推論により「英国の EU 離脱の投票が英国ポンドと米ドルの為替レートにどう影響したか」を確認する方法をご覧ください。

因果推論分析のその他の分野には、プロモーション、インセンティブ効果、価格弾力性の推定があります。

BigQuery ML を使用すると、BigQuery で標準 SQL クエリを使用して機械学習モデルを作成して実行できます。時系列予測タスクと異常検出タスクを実行するために、ARIMA_PLUS というモデルタイプがサポートされています。

BigQuery ML で ARIMA_PLUS モデリングを使用すると、データ ウェアハウスから離れることなく、単一の SQL クエリで数百万の時系列を予測できます。

ARIMA_PLUS は基本的に時系列モデリング パイプラインであり、次の機能が含まれています。

• 時系列のデータ頻度を推測する
• 欠損データ、不規則な時間間隔、重複したタイムスタンプを処理する
• 外れ値の急増や急減、急激なレベルの変化を検出して調整する
• 休日の影響、季節性、トレンドに対処する

1 つのクエリで数千万の時系列を一度に予測できます。十分な BigQuery スロットが利用可能な場合、異なるモデリング パイプラインが並行して実行されます。

BigQuery ARIMA_PLUS の使用を開始するには、次のチュートリアルをご覧ください。

• BigQuery ML の ARIMA_PLUS による Google アナリティクスのウェブ トラフィックの単一の時系列予測
• BigQuery ML ARIMA_PLUS を使用した、ニューヨーク市の自転車の移動に関する複数の時系列予測
• BigQuery で数百万の時系列を使用してスケーラブルな予測を行う
• BigQuery ML の ARIMA_PLUS による小売販売の需要予測

詳細については、BigQuery ML 一般公開ドキュメントをご覧ください。

Vertex Forecast には、ユーザーが時系列予測モデルをトレーニングするための複数のオプションが用意されています。

1. AutoML モデル。AutoML のトレーニングでは、最初にさまざまな特徴量エンジニアリングのアプローチが適用され、高速のハイパーパラメータ検索が実行され、AutoML で Google 所有のモデルを含む多くの高度なモデル アーキテクチャが探索され、最終的に高品質なモデルを生成します。
2. Seq2seq プラス。トレーニング プロセスでは、特にシーケンスツーシーケンス モデル アーキテクチャ内のハイパーパラメータを使用します。これにより、ハイパーパラメータ探索空間の範囲を縮小し、迅速な収束を実現できます。

詳細については、Vertex Forecast の公開ドキュメントをご覧ください。

Vertex Forecasting のチュートリアルを利用して、開始できます。

独自のカスタムコードを使用しながら、Google Cloud でトレーニング / サービング インフラストラクチャを活用する場合は、Vertex AI Notebooks を使用して、Python、R、TensorFlow、PyTorch のコードを実行できます。

TimesFM（Time Series Foundation Model）は、一変量時系列予測用に Google Research が開発した事前トレーニング済みの時系列基盤モデルです。

1.0 リリースには、推論コードとともに 2 億パラメータのチェックポイントが含まれています。これは Transformer ベースのモデルであり、1, 000 億を超える現実世界のタイムポイントを含む事前トレーニング済みデータセットを使用して、デコーダのみでトレーニングされています。オプションで頻度インジケーターの入力を使用して、最大 512 のタイムポイントのコンテキスト長と任意のホライズン長に対して一変量時系列予測を実行します。

ユースケース: 時系列予測 - このモデルは、入力コンテキストとして一変量時系列と、オプションのフリークエンシー パラメータを受け取ります。このモデルは、任意の長さの将来のホライズンに時系列を予測します。

VertexAI Model Garden で利用可能

一変量予測では、過去の時系列データのみを使用して将来のデータを予測します。たとえば、明日のニューヨーク市の気温を予測する場合、一変量予測では、単一の変数である過去の気温のみを使用して将来の気温を予測します。一変量予測では、季節的なパターンや傾向を把握することもできます。

多変量予測では、複数の要素を使用して将来のデータを予測します。たとえば、明日のニューヨーク市の気温を予測するには、過去の気温を使用するだけでなく、気圧、UV 指数、近隣地域の被雲率、風速などの変数も使用できます。