おすすめ情報AIで経営課題を解決する

１、店舗別にすると、なぜ売上予測は当たらなくなるのか？
　全社では数百のデータ点あるが、店舗別では 36個のデータ点（3年）しかない。
　→これが通常のAI予測モデル（LightGBM・ランダムフォレストなど）が不安定になる理由です。

　本部全体で見れば、売上データは何百か月分もあります。しかし、店舗ごとに分けた瞬間、状況は一変します。
　1店舗あたりのデータはせいぜい36か月分（3年）で、季節・天候・販促などの影響も大きいことなどから、たった数回の異常値で、結果が大きく変わります。

　この状態でよく使われるAI予測モデル（LightGBM や ランダムフォレストなど）を使うと、月ごとに予測がブレる、少し条件が変わると極端な数字が出るなどが起こり、
　「なぜそうなるのか説明できない」といった状況が発生しがちです。

２、「当たるかどうか分からない予測」は、現場では使えない
　仮に「来月の売上は 1,200万円です」と言われても、本当にそのくらい売れそうなのか？外れたらどれくらいズレるのか？少なめに見積もるべきか、攻めてよいのか？といった
　ことがが分からなければ、発注量、人員配置、シフト計画、販促の強さ、といった実務判断には使えません。

現場が本当に知りたいのは、「いくらくらいになりそうか」だけではなく、「どのくらい自信を持っていい数字なのか」です。

３、36か月のデータで、何が分かれば意思決定が楽になるのか？
　そこで考えるべき予測の形は、次のようなものです。

　・入力：店舗ID、月次来店数、月次販促費、平均気温
　・出力：来月売上とその上下限（例：95%の確率で収まりそうな範囲）

　つまり、「来月は 1,100万〜1,300万円 くらいになりそう、でも、上振れ・下振れの可能性はこれくらい」という形で分かることが重要です。

４、予測に「幅」があると、判断が一気にしやすくなる

　予測に幅があると、下限に合わせて発注を抑えたり、上限を見て人員を厚めにする、不確実性が大きい月は販促を控える、といった現実的な判断ができます。

５、少ないデータでも、こうした予測ができる理由

　このような考え方に向いているのが、ガウス過程回帰モデルという数理モデルです。
　このモデルは、データが少ない前提で作られている、「分からない部分は分からない」と正直に示す、予測値と同時に、不確実性も計算できる、という特徴があり、
　大量データが前提のAIとは、そもそもの設計思想が違います。

貴社の店舗データ（36点）で成立するか、事前に確認できます
　すべてのケースで使えるわけではありません。だからこそ、データ量、ばらつき、判断に使いたい目的（タスク）を見たうえで、「このやり方が成立するかどうか」を事前に診断することが重要です。
　貴社の店舗別データ（36か月分）でこの予測が成立するかを確認できます。

　ご依頼は下記までお問合せください。
　一般社団法人 社会整備サポート協会 https://social-navi.jp/contact/