需要予測

需要予測は、需要計画および売上予測（DP＆SF）とも呼ばれ、 ^[1]将来の時点で消費者またはビジネス顧客が要求する商品やサービスの量を予測します。 ^[2]具体的には、需要予測の方法には、主要な経済状況を考慮して顧客の需要を推定する予測分析の使用が含まれます。 これは、効率的なサプライチェーン管理を通じてビジネスの収益性を最適化するための重要なツールです。 需要予測方法は、定性的方法と定量的方法の2つの主要なカテゴリに分けられます。

• 定性的な方法は、専門家の意見と現場から収集された情報に基づいています。この方法は、ビジネスや製品が最近市場に投入されたときなど、分析に利用できるデータがほとんどない状況で主に使用されます。
• 定量的な方法では、利用可能なデータと分析ツールを使用して予測を作成します。

需要予測は、資源の割り当て、在庫管理、将来の生産能力要件の評価、新しい市場への参入の決定などに利用されることがあります。^[3]

需要予測は、さまざまな業界の企業にとって、特に特定のビジネス活動に関連するリスクを軽減する上で重要な役割を果たします。しかし、需要予測は、分析、特に定量分析の複雑さのために、企業にとって困難な作業であることが知られています。^[4]それでも、顧客のニーズを理解することは、ビジネス活動を効率的に実行し、市場のニーズにより適切に対応するためには、どの業界でも不可欠な部分です。企業が需要を効果的に予測できれば、いくつかの利点が得られます。これには、無駄の削減、リソースの最適な割り当て、売上と収益の大幅な増加の可能性などが含まれますが、これらに限定されません。

企業が需要予測を必要とする理由としては、次のようなものが挙げられます。

1. 目標の達成- 成功している組織のほとんどは、ビジネスが理想的な成果で運営されるように、事前に定められた成長軌道と長期計画を持っています。将来の需要市場を理解することで、企業はこのビジネス環境で目標が達成されるように積極的に取り組むことができます。
2. ビジネス上の決定- 目標達成に関して、将来の業界需要を徹底的に理解することで、経営陣と主要な役員は、より高い収益性と成長を促す戦略的なビジネス上の決定を下すことができます。これらの決定は、通常、キャパシティ、市場ターゲット、原材料の調達、ベンダー契約の方向性の理解といった概念と関連しています。
3. 成長- 将来の予測を正確に把握することで、企業はコスト効率よく拡張できる期間内で拡張の必要性を判断することができます。^[5]
4. 人的資本管理- 業界で需要が急増しているにもかかわらず、企業が販売注文を満たすのに十分な従業員がいない場合、顧客は競合他社から購入せざるを得なくなり、消費者の忠誠心が悪影響を受ける可能性があります。 ^[6]
5. 財務計画- キャッシュフロー、在庫会計、一般的な運用コストなどの要素の観点から、将来の運用の予算を効率的に立てるためには、需要予測を理解することが不可欠です。 ^[7]正確な需要予測モデルを使用すると、保有する必要のある安全在庫が少なくなるため、企業の運用コストを大幅に削減できます。 ^[8]

需要を予測するために、様々な統計的および計量経済学的分析が用いられます。^[9]需要予測は7段階のプロセスに分けられ、7段階は以下のように説明されます。

需要を予測する最初のステップは、さまざまなビジネス戦略を導き出すための一連の目標または情報を決定することです。これらの目標は、通常、経済理論または過去の実証研究の組み合わせから得られる一連の仮説に基づいています。たとえば、マネージャーは、需要の弾力性が過去の会社の売上に及ぼした影響に基づいて、新製品の最適な価格と生産量を見つけたいと考える場合があります。

経営者が実行したい分析に応じて異なる多くの異なる計量経済モデルがあります。需要を予測するために選択されるモデルの種類は、取得されるデータのタイプや観測数など、多くの異なる側面に依存します。^[10]この段階では、需要を予測するために使用する変数の種類を定義することが重要です。回帰分析は、予測の主な統計的手法です。回帰分析には多くの異なるタイプがありますが、基本的には、1つまたは複数の変数が測定される従属変数にどのように影響するかを分析します。需要を予測するためのモデルの例としては、測定されるデータポイントに対する季節性の影響を測定するための M. Roodman (1986) の需要予測回帰モデルがあります。^{[11]このモデルは}線形回帰モデルに基づいており、季節サイクルに基づく線形傾向と、それが需要に与える影響、つまり夏と冬の売上に基づく製品の季節的需要を測定するために使用されます。

線形回帰モデルは次のように記述されます。

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

ここで、は従属変数、は切片、は傾き係数、は独立変数、eは誤差項です。 ${\displaystyle Y_{i}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$${\displaystyle X_{i}}$

M. Roodman の需要予測モデルは線形回帰に基づいており、次のように説明されます。

${\displaystyle \lambda _{q}=\{t\mid t=1,\dots ,n{\text{ and }}t{\bmod {Q}}=q\}\qquad q=1,\dots ,Q}$

${\displaystyle \lambda _{q}}$は、四半期qのすべてのt インデックスの集合として定義されます。四半期q に含まれるすべての期間tのデータを生成するプロセスは、 次のように表されます。

${\displaystyle Y_{t}=(\beta +\tau \times t)\times \sigma _{q}+e}$

• ${\displaystyle Y_{t}}$= 期間のデータ
• β = 時系列期間の開始時におけるベース需要
• τ = 四半期ごとの線形傾向
• ${\displaystyle \sigma _{q}}$= 四半期の季節係数
• e = 擾乱項

ステージ 2 でモデルの種類を指定したら、データとデータ収集方法を指定する必要があります。収集する必要がある変数を決定するには、まずモデルを指定する必要があります。逆に、目的の予測モデルを決定するときは、正しいモデルを策定するために、利用可能なデータまたはデータ収集方法を考慮する必要があります。収集時系列データと横断的データは、使用できるさまざまな収集方法です。時系列データは、時間の経過とともに連続的に取得された履歴観測に基づいています。これらの観測は、データから関連する統計、特性、および洞察を導き出すために使用されます。^[12]時系列データを使用して収集できるデータ ポイントには、売上、価格、製造コスト、およびそれらに対応する時間間隔 (週、月、四半期、年、またはその他の定期的な間隔) があります。横断的データとは、異なる期間に単一のエンティティについて収集されたデータを指します。需要予測で使用される横断的データは、通常、個人、企業、業界、または地域から収集されたデータ ポイントを表します。たとえば、第1四半期の企業Aの売上高。このタイプのデータは、最終的なデータポイントにつながるさまざまなデータポイントをカプセル化します。データポイントのサブセットは観察可能または決定不可能である可能性がありますが、需要予測モデルの精度を高めるための実用的な方法になる可能性があります。^[13]データのソースは、企業の記録、商業または民間の機関、または公式ソースから見つけることができます。

モデルとデータが取得されると、値を計算して、独立変数が焦点となる従属変数に与える影響を判断できます。線形回帰モデルをパラメータ推定の例として使用すると、次の手順が実行されます。

線形回帰式:

${\displaystyle Y_{i}=\beta _{0}+\beta _{1}X_{i}+e}$

最初のステップは、従属変数の観測値と直線からの近似値との差の二乗和を最小化する直線を見つけることです。^[9]これは、回帰直線からの近似値 であると を最小化すると表現されます。${\displaystyle {\hat {Y}}_{i}=\beta _{0}+\beta _{1}{X_{i}}}$${\displaystyle \Sigma (Y_{i}-{\hat {Y_{i}}})^{2}}$${\displaystyle {\hat {Y_{i}}}=\beta _{0}}$

${\displaystyle \beta _{0}}$およびも、直線の切片と傾きを求めるために表す必要があります。 および を決定する方法は、両方の式をゼロに設定して同時に解くことにより、 との両方に関して偏微分を使用することです。 これらの変数を省略する方法を次に示します。 ${\displaystyle \beta _{1}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$${\displaystyle \beta _{0}}$${\displaystyle \beta _{1}}$

${\displaystyle {\begin{aligned}\beta _{1}&={\frac {n\Sigma XY-\Sigma X\Sigma y}{n\Sigma X^{2}-(\Sigma X)^{2}}}\\\beta _{0}&={\frac {\Sigma Y}{n}}-{\frac {\beta _{1}\Sigma X}{n}}\end{aligned}}}$

需要予測の精度を計算することは、製品に対する顧客の需要に関する予測の精度を決定するプロセスです。^{[14] [15]}顧客の需要を理解し予測することは、在庫切れを回避し、適切な在庫レベルを維持するために、製造業者や販売業者にとって不可欠です。予測は決して完璧ではありませんが、実際の需要に備えるために必要です。最適化された在庫と効果的なサプライチェーンを維持するためには、正確な需要予測が不可欠です。

サプライ チェーンの予測精度は、通常、平均絶対パーセント誤差(MAPE) を使用して測定されます。統計的には、MAPE はパーセント誤差の平均として定義されます。

しかし、ほとんどの専門家は、MAPE を平均絶対偏差を平均売上高で割ったものとして定義して使用しています。これは単なる数量加重 MAPE であり、MAD/平均比率とも呼ばれます。これは、絶対偏差の合計をすべての製品の総売上高で割ることと同じです。A が実際の値でF が予測であるこの計算は、WAPE (加重絶対パーセント誤差) とも呼ばれます。 ${\displaystyle {\frac {\sum {|A-F|}}{\sum {A}}}}$

もう 1 つの興味深いオプションは、加重です 。この測定の利点は、誤差を加重できることです。唯一の問題は、季節商品の場合、売上 = 0 のときに未定義の結果が生成され、対称ではないことです。つまり、売上が予測よりも高い場合の方が、低い場合よりも不正確になる可能性があります。そのため、対称平均絶対パーセント誤差とも呼ばれるsMAPE を使用してこれを修正します。 ${\displaystyle {\text{MAPE}}={\frac {\sum (w\cdot |A-F|)}{\sum (w\cdot A)}}}$

最後に、断続的な需要パターンの場合、上記のいずれも特に有用ではありません。このような状況では、企業はMASE（平均絶対スケール誤差）を主要業績評価指標として使用することを検討できます。ただし、この計算は前述のものほど直感的ではないため、使用は困難です。^[16]特に断続的または不規則な需要パターンがある場合に検討すべきもう1つの指標は、SPEC（在庫管理指向の予測誤差コスト）です。^[17]この指標の背後にある考え方は、予測期間にわたって理論的な発生コストを計算することにより、予測需要と実際の需要を比較することです。予測需要が実際の需要より高い場合は在庫管理コストが発生し、予測需要が実際の需要より低い場合は機会コストが発生すると想定しています。SPECは、時間的シフト（実際の需要の前または後の予測）またはコスト関連の側面を考慮に入れ、ビジネスの側面に基づいて需要予測を比較することもできます。

予測誤差は、実際の売上を基準にして計算する必要があります。予測誤差の計算方法には、平均パーセント誤差、二乗平均平方根誤差、トラッキング シグナル、予測バイアスなど、いくつかの形式があります。

モデルが決定されたら、そのモデルを使用して、第 1 段階で述べた理論または仮説をテストします。結果では、何を達成しようとしているのかを説明し、理論または仮説が正しいか間違っているかを判断します。第 1 段階で提供された例に関連して、モデルは市場の需要弾力性と、過去の会社の売上との相関関係を示す必要があります。これにより、管理者は、新製品の最適な価格と生産レベルに関して情報に基づいた決定を下すことができます。

最後のステップは、作成されたデータ セットとモデルに基づいて需要を予測することです。需要を予測するには、選択した変数の推定値を使用して、需要への影響を判断します。選択した変数の推定に関しては、回帰モデルを使用するか、定性的評価と定量的評価の両方を実装できます。定性的評価と定量的評価の例は次のとおりです。

• 独力での判断
• マーケティング調査
• デルファイ法
• ゲーム理論
• 判断力のあるブートストラッピング
• シミュレーションによるインタラクション
• 意図と期待に関する調査
• 執行陪審員法

• 離散イベントシミュレーション
• 外挿
• グループデータ処理法(GMDH)
• 参照クラス予測
• 定量的な類推
• ルールベースの予測
• イノベーションの普及
• ニューラルネットワーク
• データマイニング
• コンジョイント分析
• 因果モデル
• セグメンテーション
• 指数平滑化モデル
• ボックス・ジェンキンスモデル
• ハイブリッドモデル

その他には以下が含まれます:

• 需給
• 需要チェーン
• 需要の弾力性
• 在庫 § 在庫比例原則
• 参照クラス予測
• コンセンサス予測
• 楽観バイアス
• 制作予算
• ボリュームリスク

• ミルゲート、マレー (2008 年 3 月)。 「商品と商品」。スティーブン N. デュラウフとローレンス E. ブルーム共著。『新パルグレイブ経済学辞典』(第 2 版)。パルグレイブ マクミラン。pp. 546–48。doi :10.1057/9780230226203.0657。2010 年 3 月 24 日閲覧。
• Montani, Guido (1987)。「希少性」。Eatwell, J.、Millgate, M.、Newman, P. The New Palgrave. A Dictionary of Economics 4 に収録。Palgrave、Houndsmill。pp. 253–54。