需要予測

1. 需要予測

2. 需要と予測 １．需要 ２．予測 ３．手法

3. １．需要

4. 需要の分類 • 需要の意味 • ある商品に対して需要があるということは、消費者がその商品を購入したいと思い、かつ実際に購入することができることを意味する。 • 需要の例 • 衣食住行

5. 需要の特徴 • 需要の相関性 • 第1次産業、第2次産業、第3次産業（分野） • 最終製品の生産には人、物、金が必要（系列） • 気温が上昇するとエアコンが売れる（要因） • 需要の不確実性 • 個人の需要が変化する • 需要の相関関係が変化する • 注文生産と確実需要 • 需要の連続性 • 時系列分析（経線） • 将来需要予測可能性

6. 需要の構造 • 顕在需要 購入計画が決まった需要 • 取替需要 • 購入済需要 • 潜在需要 ある種の条件を満たす時に顕在化する需要 • 需要の実現条件（金、スペースなど） • ゼロ需要 • 欲望も条件もない潜在需要 • 創出需要 企業の努力により欲望と条件を満たしたゼロ需要

7. 需要の分類（ＳＣＭの観点から） • 確実、安定需要 • 確実、変動需要 • 不確実、安定需要 • 不確実、変動需要

8. 例 • 自動車メーカー（組み立て）と部品工場 • シートを毎月10万個ずつ供給する • エアコンメーカーと部品工場 • 4月から6月、10月から12月までは毎月1万個ずつ供給（例えば、センサー）

9. 例 • 月ベース販売実績 • 1月、2月、3月、4月、5月 • 100、200、300、400、500 • 1月の週ベース販売実績 1週、2週、3週、4週 20、 30、 25、 25 • 2月の週ベース販売実績 1週、2週、3週、4週 40、 50、 80、 30

10. 需要 時間 需要 時間 需要の４タイプ 需要 時間 需要 時間

11. ２．予測

12. なぜ予測するのか • ビジネスにおける競争優位のため • 投資 • 製造 • 販売 • 需要が不確実であるため • 機会損失が発生するため • 死蔵在庫が発生するため • 生産リードタイムが存在するため • 生産準備が必要なため • 人物金

13. どう予測するのか？ • プロットして観察する • 予測戦略を立てる • パターンを抽出する • トレンド • 周期 • 相関関係を利用する • 天気と傘 • 誤差を抑える • フラクタル

14. 例

15. セメント

16. 月別トレンドを見る

17. 年度別トレンドを見る

18. 移動平均

19. 誤差比較とモデルの同定

20. 相関分析

22. 需要予測の手順 • 対象選択 • 組織 • 産業 • 企業 • 店舗 • 商品 • カテゴリー • アイテム

23. 手法選択 • 市場調査 • アンケート • ディープ・インタビュー（スクリプト分析） • デルファイ法 • モデル構築 • 時系列モデル • 回帰モデル

24. 需要予測と販売予測 • 総需要とマーケットシェアー • 売れる予測と売る予測 • 顕在需要と能力制限（販売量制限） • 潜在需要と売る予測（販売量拡大）

25. 予測方法の評価基準 • 正確性(Accuracy) • 柔軟性(Bending) • 納得性(Convincing) • 持続性(Durability) • 簡便性(Easiness)

26. モデル構築 • 移動平均 • 指数平滑法 • ARIMAモデル • BASSモデル

27. 移動平均法 • 実測値： • 予測値：

29. 原系列 移動平均 k= t - H/2

30. 指数平滑法 • 指数平滑法の考え方 • よい予測とは • 需要の不規則な変動を滑らかにする • 需要の傾向変化に敏感である • 予測誤差のばらつきが小さい • 予測方法が簡単である • 予測方法のメカニズムが明確である • 予測誤差の範囲が明確である

31. 指数平滑法の計算方法 • 移動平均法は期待値による予測である。 • 指数平滑法は期待値に傾向を加える予測。 • 指数平滑法＝ｆ（期待値＋バイアス） • 予測値＝（1‐α）×前期予測値＋α×現在値 • 指数平滑法は一種の加重移動平均法である。

32. 計算方法 • y(t+1)=αx(t)+(1-α)y(t) • y(t)=αx(t-1)+(1-α)y(t-1) • … • y(t+1)=αx(t)+α(1-α)x(t-1)+α(1-α)(1-α)x(t-2)+… • α(1+(1-α)+(1-α)(1-α)+…)=1(等比数列） • 0≦α≦１

33. 指数平滑法の分類 • ウインター流（季節変動がある場合） • ブラウン流 • 単純平滑法（傾向の見られない場合） • 2次平滑法 • 一定に伸びているか、またはすたれつつある製品 • 3次平滑法 • 同上

34. ブラウン流指数平滑法 • 単純平滑法 • 2次平滑法 • y(t+1)=αx(t)+ (1-α) y(t) • z(t+1)= α y(t)+(1- α)z(t) • u=2y-z • b(t+1)= α(y(t+1)-y(t))+(1- α)b(t) • z(t+1)=y(t)+(1/α)b(t+1)

35. 3次平滑法 • y(t+1)=αx(t)+ (1-α) y(t) • z(t+1)= α y(t)+(1- α)z(t) • u(t+1)= α z(t)+(1- α)u(t) • v=3y-3z+u

36. ウインター流平滑法 • 完全指数モデル(Complete exponential model) • 純真なモデル(Naïve model) • 単純予測モデル(Simple forecasting model) • 基本値 • トレンドファクター • 季節変動指数

37. 基本値 • z(t)=α（x(t)/β(t))+(1-α)(z(t-1)+γ(t-1)) • ｔ期の実績から季節変動を除去した値と、その値の1期前における予測値とを定数αで平滑化した値を新しく第ｔ期の基本値とする。

38. トレンドファクター • γ(t)=A(z(t)-z(t-1))+(1-A)γ(t-1) • 基本値の差を定数Ａで平滑化した値を、新しく第ｔ期のトレンドファクタとする

39. 季節変動指数 • β(L+t)=B(x(t)/z(t))+(1-B)β(L+t-1) • Lは季節変動の周期（１つの周期の前計算した値を今期に使用する）

40. 予測方法 • v(t+T)=(z(t)+T×γ(t))×β(t+T) • （基本値＋トータルトレンド）×季節変動指数

41. β γ

42. 例題 • 原系列 • 7084283262562283005246769981250134689684644239432830638060476012481614172610587543983602682223164607601090147615721142

44. ARIMAモデル • 自己回帰モデル（AR） • z(t)=Φ(1)× z(t-1)+a(t) • Φ(1) ：自己回帰パラメータ • a(t)：ランダムショック（ホワイトノイズ） • z(t)=y(t)-μ、平均値からの偏差（y(t):原系列） • AR(1) • z(t)=Φ(1)× z(t-1)+ Φ(2)× z(t-2) +a(t) • AR(2)

45. Z(t-1) Z(t) 自己回帰演算子 a(t)

46. ARの性質 • 自己共分散と自己相関 • λ(p)= Cov (z(t),z(t-p))=E(z(t)z(t-p) • λ(1)= E((Φ(1)×z(t-1)+a(t))×z(t-1)） =Φ(1)×λ(0)+E(z(t-1))×E(a(t)) = Φ(1)×λ(0) • λ(p)=Φ(1) ×λ(0) • ρ(p)=λ(p)/λ(0)= Φ(1) p p

47. 記憶関数 • z(t)=Φ(1)× z(t-1)+a(t) • z(t)=a(t)+Φ(1)× a(t-1)+ Φ(1)× a(t-1)+… • 定常性条件 • 分散一定：Var(z(t))= Var(z(t-1))≧0 • 相関性：E(z(t)×z(t))=Φ×Φ×Var(z(t-1))+0+σ×σ(タイムラグに依存，異時点一定) • 記憶性：｜Φ｜＜１ 2

48. 移動平均モデル(MA) • z(t)=Φ(1)× z(t-1)+a(t) • z(t)=Φ(1)× z(t-1)+a(t)-θ(1)×a(t-1) • Φ(1)=0として， • z(t)=a(t)-θ(1)×a(t-1) • θ(1):移動平均のパラメータ • MA(1)

49. Z(t) 移動平均演算子 a(t-1),a(t)

50. 自己回帰移動平均モデル • ARMA(1,1)モデル • z(t)-Φ(1)z(t-1)=e(t) • e(t)=a(t)-θ(1)a(t-1) • z(t)-Φ(1)z(t-1) =a(t)-θ(1)a(t-1) • ARMA(1,1) • ARMA(p,q)