需要予測支援システム「Forecast Pro」
最新の「Forecast Pro バージョン12.0」では、従来の需要予測手法群に加え新たに機械学習AI予測モデル「XGBoost：eXtreme Gradient Boosting (勾配ブースティング決定木)」が搭載されたました。
機械学習AI予測モデルは、従来の時系列モデルでは需要予測が難しかった不規則なデータに対して有効性が高く、予測精度が高い需要予測を実現します。つまり、機械学習AI予測モデルが加わることにより、需要予測の適用範囲が広がり、予測精度の底上げを実現します。
従来から搭載されている「予測自動選択機能(エキスパートシステム)」と統合し、需要実績の特性に応じて、機械学習AI予測モデルが適しているのか、従来の時系列モデルが適しているのかを自動判定します。よって、機械学習AI・統計の知識の乏しいユーザ様でも利用可能となります。
また、機械学習AI予測モデルの主要パラメタの個別設定や時系列特徴量以外に複数の外部要因を考慮し、予測モデルのカスタマイズも可能です。
機械学習AI予測モデルとは、過去需要実績から、月、先月実績、昨年実績、過去1年平均などの特徴量を自動抽出して、特徴量による決定木を複数生成・組み合わせながら、将来需要予測するモデルです。決定木の深さ、決定木の数は、エキスパートシステムが最適化します。
また、決定木の深さや数を自由に調整したり、特徴量に加えて、気象情報や経済指標などの外部要因を決定木の要素とすことも可能です。
従来の時系列モデルで、季節傾向の把握には、需要実績期間が2年以上必要で、2年未満の実績データは移動平均的な予測結果しか算出できませんでした。実績データ期間や特性によりますが、機械学習AI予測モデルでは、2年未満のデータでも季節傾向を把握することが可能となります。
従来の時系列モデルでは、需要変動に直ぐには追従できず、前年、前々年の需要傾向を反映してしまいます。需要変動の度合いにもよりますが、機械学習AI予測モデルでは、需要変動を敏感に反応し、比較的早めに需要変動に追従することが可能となります。
機械学習AI予測モデルでは、需要実績から自動抽出した特徴量により決定木を生成します。需要に影響を及ぼす外部要因を決定木の要素へ加えることにより、より予測精度を向上することが可能となります。
AI予測モデルの概要を説明したリーフレット。搭載している予測モデルや導入ステップ、導入コストについてご紹介しています。
Forecast Proの製品の詳細資料です。
適用例や導入事例、特長など製品の詳細な内容を画面イメージも交えながらご紹介しています。
2022年11月に実施したオンラインセミナー動画です。動画では、機械学習AIモデルを含む、Forecast Proの特長についてデモンストレーションを交えながらご紹介します。また、需要予測システム導入に至るまでのステップや評価サービスについても併せてご説明します。
その他、デモ・トライアル・導入相談など、お問い合わせも受け付けております
検索
Japan