需要予測在庫管理Sweet 1.3
Horizon：Sweet 1.3の商品別在庫予測
Horizonは統計モデルと日次予測を競わせ、直近28日で当たった方を商品ごとに採用します。8店舗、4時点の検証で誤差は3方式で最小、難しい商品では2倍以上小さくなり、店舗別の調整も可能です。子ども服で4.14から1.77、アウトドアで3.57から1.64に改善。
3 分で読めます
HorizonはSweet 1.3の在庫予測AIです。商品ごとに統計モデルと日次予測を競わせ、直近4週間を再現して、最もよく当たった予測を採用します。 祝日、セール、季節など、カレンダーで分かっている要素も織り込みます。
2つのモデルと1つの調停役
商品にはそれぞれ固有のリズムがあります。安定した売れ筋は統計モデルで十分に予測できますが、季節商品やトレンド商品は日次で読み解くほうが精度が上がります。Horizonは、どちらかに固定しません。
- 2つの予測を計算します。
- 商品ごとの直近28日間で、両方を再現します。
- 精度に応じて重みを付けます。基準は統計モデルです。
- 両者が大きく食い違うときは、Sweet Instinctが判断します。
補充、欠品日、予約発注は、採用された予測に基づいて計算されます。
結果
当社のベンチマークでは、8店舗、4つの基準日、1店舗あたり最大250商品を対象としました。
| 統計モデル | 日次予測のみ | Horizon（Sweet 1.3） | |
|---|---|---|---|
| 予測範囲の誤差（低いほど良い） | 0.0906 | 0.0914 | 0.0905 |
| 平均誤差（MASE） | 1.439 | 2.047 | 1.424 |
3つの中でHorizonが最も高精度でした。 難しい商品では、誤差を最大で2倍以上縮めています。
| 店舗 | 日次予測のみ | Horizon |
|---|---|---|
| 子ども服ブランド | 4.14 | 1.77 |
| アウトドア | 3.57 | 1.64 |
| メンズファッション | 2.77 | 1.43 |
店舗ごとにチューニング
Horizonの設定は、店舗ごとの構成ファイルで個別に調整されます。テニス・パデルの店舗では、7月・8月で選んだ設定を5月・6月に再現したところ、統計モデル単独と比べて在庫コストが2.4％下がりました。
よくある質問
なぜ1つのモデルを選ばず、2つを組み合わせるのですか？
どのモデルも、すべての商品で勝てるわけではないからです。商品ごとに競わせることで、Horizonは両方の長所を活かし、日次予測が役に立たないときは統計モデルのままにします。
Horizonはセールや祝日を考慮しますか？
はい。祝日、曜日、セール期間、商品の季節性を考慮します。
日次予測が使えない場合はどうなりますか？
Horizonは統計モデルで継続します。推奨はいつもどおり届きます。