FAQ: データの粒度とメトリック定義

ビジネス データの構造や予測の使用のために、高度な詳細レベルが必須場合は、個別の予測メトリックを定義する必要があります。

シナリオ	分割の例	理由
業務ユース ケースの詳細が必要	部門または製品カテゴリ別に売上を分割する。	必要人員数と在庫量を詳細なレベルで予測する。たとえば、店舗では、各領域に正確に人材を配置したり、有効株式を管理したりするために、生産部門と電子部門で別々の予測が必要になります。
一貫性のないデータ構造/スケジュール	さまざまな組織単位にメトリックを分割する。	組織ごとの業務レポートの開始日が異なる場合は、別のメトリックが必要です。週次メトリックに設定できる週の開始日は 1 つのみであるため、週の開始日が異なるスケジューリング組織では、予測をレポートカレンダーに合わせて別個のメトリックが使用することになる可能性があります。

分割を推奨する条件は、詳細の必要性と結果のデータの品質に焦点を当てています。

データの可用性と安全性
安全性を確保するための集計: 一般的な原則として、通常は、小さなデータ セットを組み合わせることで、不要な情報や外れ値、ランダムな変動がスムーズになり、全体的な予測がより堅牢で信頼性の高いものに変わります。
精度粒度の分割のデータ セットが小さすぎるか、範囲が間違っている場合 (小量の製品カテゴリなど)、予測が不安定で、結果的に信頼性が低い可能性があります。
アクション可能性とビジネス ユーティリティ
対象の労務費/在庫: 結果の予測を詳細なレベルで直接アクション可能にする必要がある場合、個別のメトリックが必要です。たとえば、店舗の売上合計の予測を部門ごとの予測に分割することで、特定の部門で必要人員数の必要性をターゲットに設定し、最も必要とする人材配置を最適化できます。
レポート/プランニングとの整合性: セグメントが根本的に異なるプランニングサイクルやデータ構造で運用されている場合は、分割することをお勧めします。インスタンス、あるセグメントでビジネス レポートの週の開始日が異なる日を使用している場合、予測を業務の実績に一致させるために分割が必要です。

以下は、高精度の予測手法とより集計された予測手法における主要な取引のサマリです。

機能	詳細な予測 (例: 15 分レベル)	集計予測 (例: 日次レベル)
アクション可能性	高: 特定の部門/アイテムの発注、保管、人材配置のための直接入力。	低: 1 日を通して手動でスプレッドする必要があるか、均等に分割する。
予測精度 (統計データ)	安全性が低い: データは多くの場合、データが分散し、揮発性が低く、不要です。大きなエラーが発生しやすく、ランダムなエラーが発生しやすい。	信頼性が高い: 次の値がすべて取り込まれ、外れ値とランダム エラーが解消されるため、より堅牢な結果が得られます。
ビジネスの価値	高ユーティリティ: 固有のローカルで、セグメント固有の需要の推進要因を把握するのに優れています。	高信頼性:プランニングと長期的な意思決定に適しています。
データ要件	高: 個々のアイテムや場所の変動性をモデル化するのに十分な観察があるため、大量の高解決できる行レベルのデータを持っています。	低: データ ポイントを集計することでレコード数が自然に減り、幅広い季節変動傾向を特定するのに十分な履歴のみが必要とされるため、データ量が少なくなります。

信頼性の高い予測のための一般的な推奨事項は、分析するメトリックに 3 年間の履歴データを用意することです。この期間には、当社のモデルは、年次季節サイクルと長期的傾向を効果的に把握できます。

必須データ ポイントの数は、データの頻度 (詳細度) によって異なります。

粒度	対象期間	データ ポイント要件	基準
集中度 (時間単位)	1 時間ごと	3 年で十分です。	このモデルは巻のデータ ポイントを迅速に累積し、3 年間でパターン検出に対応した堅牢なデータ セットを生成します。
低頻度 (日次、週次)	日または週に 1 回	3 年は最低要件です。	この期間には、安定した予測を生成するために必要な主な傾向と季節変動を特定するのに十分なデータ ポイントが用意されています。

データの詳細度に関係なく、予測モデルからパフォーマンスを最適にするが得られるように、データ履歴は 3 年以上にすることをお勧めします。

まったく新しいコンテキスト (新しい国、ブランドの新しい製品ライン、まったく新しいビジネス メトリックなど) の予測を導入する場合、履歴データの量はどれくらいですか (月数 / 年などの期間ごとに)、一般的に、機械学習モデルが価値ある、十分な精度の予測を生成するには、 個のデータ ポイントが必須。

予測を真に新しいコンテキストに導入する場合、弊社のアプローチは、新しいシナリオを既存のトレーニング済みメトリックに結び付けて、価値のある予測を迅速に生成するかどうかにかかっています。

注: 新規の勤務事業地で、この機能を使用するには、既存のメトリック (たとえば、他の勤務地でモデルがすでに存在し、パフォーマンスが高いメトリックなど) を追跡する必要があります。

新しい事業地 (新しい国や店舗など) に ML モデルを使用した予測: ML モデルを使用してトレーニングおよび予測するメトリックの場合、新しい事業地をオープンする際に、姉妹組織" または類似のエンティティ" アプローチを使用内定て、予測プロセスを開始することができます。社内姉妹組織の機能を活用することで、新規組織は自身のデータが 2 週間分以上累積されるまで、その組織のパフォーマンスについて合理的な予測を立てることができます。その後、モデルは、新規店舗の既存の成長履歴を利用して、ますます精度の高い予測を行えるようになります。

新しい事業地 (新しい国や店舗など) に 傾向ベースの予測モデルを使用する予測: 傾向ベースの予測モデルを使用してトレーニングされたメトリックの場合、新しい事業地で 1 年分のデータが収集されるまで、姉妹組織データが使用されます。特定の履歴比較が可能になるようにします。