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 を使用して需要予測モデルをトレーニングしてから、予測値を Looker Studio ダッシュボードで可視化して関係者と共有します。需要予測のリファレンス パターンを使用して、Google Cloud で数百万の商品にスケールできる需要予測ソリューションを構築する方法をご確認ください。また、リファレンス パターンを使用して、需要予測で食品廃棄を削減する方法もご確認ください。

商品価格の予測

時系列モデルは、ビジネス プロセスや生産プロセスに不可欠な商品価格を予測し、キャッシュフロー モデルと財務計画の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、回帰モデルや分類モデルと組み合わせて、過去の会計時系列と取引データと契約上の義務からの入力に基づいて、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 で使用し、BigQuery ML の教師ありモデル（GLM、ブーストツリー モデル、AutoML など）と組み合わせることができます。

• サプライ チェーン予測
  • 需要を喚起する要因は数多くあり、配送センターにとっては、消費者の需要に応えるために事前準備が重要です。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。

需要予測による異常検出

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。

製造品質管理と指標モニタリング

IoT センサーから本番環境の出力まで、指標のモニタリングにはさまざまな形態があります。とはいえ、共通する要素は、これらの指標の典型的な範囲を予測することで、事前に計画を立て、監視システムを導入し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には、誤った価格による価格の異常、リアルタイムの異常検出、製造品質管理などがあります。

広告の有効性

ビジネスを伸ばすうえで、広告はどの程度効果的でしたか？因果推論は、広告キャンペーンの統計的有意性を確認するのに役立ちます。

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。

因果推論分析の他の領域には、プロモーション、インセンティブ効果、価格弾力性の推定などがあります。

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。ARIMA_PLUS というモデルタイプを使用して、時系列予測と異常検出のタスクを実行できます。

BigQuery ML の ARIMA_PLUS モデリングを使用すると、データ ウェアハウスを離れることなく、1 つの SQL クエリ内で数百万の時系列に対して予測を行うことができます。

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定する
• 欠落データ、不規則な時間間隔、重複する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
• ホリデー シーズンの影響、季節性、トレンドに対処する

1 つのクエリで一度に数千万の時系列を予測できます。十分な BigQuery スロットが利用可能な場合、さまざまなモデリング 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、以下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 の公開ドキュメントをご覧ください。

Vertex Forecast には、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が使用されます。これにより、ハイパーパラメータ検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。

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、過去の気温だけでなく、気圧、UV 指数、近隣の地理的エリアの雲量の割合、風速などの変数も使用できます。