デマンドプランナーはなぜ機械学習を導入しないのでしょうか?

オルガは、大規模小売クライアントの新製品の売上を予測した経験を持つ予測担当者です。 彼女は現在、HAVI で北米予測部門のシニア マネージャーとして働いています。 彼女の専門分野は、商品、メディア、デジタル広告、価格戦術、消費者の好みなど、プロモーションを成功させる要因の研究です。 彼女は、ウクライナ国立工科大学で経済学の学士号を取得し、カナダのオタワにあるカールトン大学で金融経済学の修士号を取得しています。

機械学習 (ML) と AI が分析とデータ サイエンスのコミュニティを興奮させていることは誰もが知っています。 自尊心のある予測部門はすべて、誰がクリックするか、買うか、嘘をつくか、死ぬかを予測する ML アルゴリズムを開発しています (このテーマに関するエリック シーゲルの独創的な著作のタイトルを借ります)。 分析カンファレンスや出版物はすべて、AI に関する流行語で溢れています。

しかし、実際の実装となると、需要予測担当者の大多数は機械学習の実装にやや慎重です。 何故ですか？ 機械学習は文字通り予測者の仕事である予測がすべてではないでしょうか? 予測に機械学習を適用する機会と落とし穴を探ってみましょう。

予測と ML の「予測」の定義方法には微妙な違いがあります。 予報士が「予測」と言うとき、それは未来についての予測を意味します。 従来の予測手法には、時系列モデリング、代数方程式、定性的判断が含まれます。 その結果、従来の予測はある程度手作業で時間がかかり、人間の判断に左右される可能性があります。 ただし、出力は簡単に解釈でき、機敏なプロセスです。 予測者は数値の出所を知っており、必要に応じて簡単に修正できます。 さらに、従来の予測は限られたデータで実行される可能性があります。

機械学習または統計モデルの「予測」とは、過去を予測することを指します。 これは少し直観に反しているように聞こえますが、アイデアはモデルの「予測」を現実と比較し、その違いや誤差を測定することです。 これらのエラーは、モデルを微調整して将来を予測するために使用されます。 その結果、モデルの予測は過去のパフォーマンスに大きく左右され、微調整することはほとんど不可能になります。 また、モデルの解釈可能性は非常に限られています。 考慮すべきもう 1 つの要素は、ML は設計上、大量のデータを必要とすることです。 利点として、機械学習は迅速かつ自動化されているだけでなく、客観的であるため人間の判断が不要です。

機械学習と AI アルゴリズムは、顧客のクリック、購入、閲覧データに関するほぼ無制限のデータを扱うデジタル世界向けに作成されました。 ご存知のとおり、これらのアルゴリズムは、私たちを繰り返し購入させたり、無料のアイテムを購入させたり、ロイヤルティ プログラムにサインアップさせたりするのに優れた役割を果たします。 予測誤差（売上の損失）による埋没費用は比較的低いです。 さらに、あらゆるエラーは機械学習アルゴリズム自体を改善する機会となります。

ただし、現実世界の市場はデジタル市場とはまったく異なります。 ここでのデータは、レジの売上、ロイヤルティ プログラム データ、または出荷データに限定される場合があります。 レストランや小売店は大量に調達するため、予測誤差による埋没費用は非常に高くなる可能性があります。 また、自動フィードバック ループがないため、予測自体を改善することはできません。 こうした理由から、多くの実店舗小売業者とそのサプライヤーは依然として従来の予測手法に依存しています。 これは、機械学習が予測を改善する機会を提供できないという意味ではありませんが、機械学習に着手する前に対処する必要がある考慮事項がいくつかあります。

機械学習アルゴリズムには大量のデータが必要です。 ここで言う「大量のデータ」とは、日付や変数のことではありません。 機械学習モデルは、定義された観察レベル (顧客、店舗など) で実行されます。機械学習が機能するには、少なくとも 1,000 (数千ではないにしても) の観察レベルが必要です。 サンプルが 10 店舗のみに限定されている場合は、機械学習を控えて、代わりに時系列テクニックを使用した方がよいでしょう。 考慮すべきもう 1 つの要素は、データの維持コストです。 すぐに利用できるのでしょうか、それとも手動で入力する必要がありますか? データを加工する必要がありますか? それは 1 回限りの作業でしょうか、それとも人的リソースとコンピューティング リソースを必要とする継続的なプロセスでしょうか? データを何年にもわたって保存すると、コストはいくらになるでしょうか?