時系列予測とは

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。過去の販売データを使用し、BigQuery ML を使用して需要予測モデルをトレーニングします。その後、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。Google の需要予測リファレンス パターンで、Google Cloud で数百万のプロダクトへのスケーリングが可能な需要予測ソリューションを構築する方法を説明します。 また、リファレンス パターンでは、需要予測で食品廃棄物を減らす方法についても説明します。

商品価格予測

時系列モデルは、ビジネス プロセスと生産プロセスにとって重要な商品価格の予測や、キャッシュフロー モデルと財務計画への通知に使用されます。

キャッシュフローの予測

一般的に、時系列モデルは回帰モデルおよび分類モデルと組み合わされ、過去の会計時系列および取引データおよび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 とともに使用して、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
  • 需要の推進要因は数多くあり、配送センターでは消費者の需要を満たすための事前の準備が重要です。Vertex AI Forecast を使用してサプライ チェーンの配送センターがモデルを構築し、天候、商品レビュー、マクロ経済指標、競合他社の行動、商品価格、運賃、海上輸送業者のコストなどからのシグナルを含めることができる方法を学びます。

需要予測を使用した異常検出

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への出力まで、指標のモニタリングには多くの形があります。ただし、一般的な要素は、これらの指標の一般的な範囲を予測するため、モニタリング システムを導入して、可能な限り早期に計画を立て、対応できます。

異常検出のその他の一般的なユースケースには、価格設定の誤り、リアルタイムの異常検出、製造品質管理による価格異常などがあります。

広告の効果

広告がビジネスの増加にどの程度効果的だったか。因果推論を使用すると、広告キャンペーンの統計的有意性を確認できます。

主要な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 離脱後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サポートし、時系列予測タスクと異常検出タスクを実行します。

BigQuery ML の ARIMA_PLUS モデリングを使用すると、データ ウェアハウスから移動することなく、1 つの SQL クエリ内で数百万の時系列の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、次の機能が含まれます。

• 時系列のデータ頻度を推定する
• 欠損データ、不規則な時間間隔、重複するタイムスタンプの処理
• 急上昇や急降下の外れ値と急激なレベル変化を検出して調整する
• 祝日の効果、季節性、トレンドを処理する

1 つのクエリで数千万件の時系列を一度に予測できます。十分な BigQuery スロットが使用可能であれば、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 は、以下のチュートリアルからご利用いただけます。

• 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 の ARIMA_PLUS によるニューヨーク市の自転車の移動の複数の時系列予測
• 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、特にシーケンス間モデル アーキテクチャ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スペースのスコープを縮小し、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開始できます。

独自のカスタムコードを持ちながら 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 Workbench 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、ニューヨーク市の明日の気温を予測する場合、一変量予測では、将来の気温を予測するために 1 つの変数の過去の気温のみを使用することになります。一変量予測を使用すると、季節的なパターンや傾向も把握できます。

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、ニューヨーク市の明日の気温を予測する場合、過去の気温に加えて、気圧、UV インデックス、付近の地理的範囲に対する雲のカバー率、風速、その他の変数も使用します。