タイガー・ウッズ、需要計画と機械学習
従来の需要計画では、過去のデータをもとに未来を予測していました。過去のある時点で発生したイベントデータを利用して、そのイベントが将来再び発生した場合の影響を予測することもできます。 しかし、過去の学習データが無効になった場合、何が適切なデータで、何が適切でないのかが考慮されていません。最近のデータであれば、タイガー・ウッズが今年の優勝者になる可能性が高く、もちろん短期的なデータではブルックス・ケプカが全米オープンの優勝者になる可能性があります。タイガー・ウッズが優勝候補から外れるきっかけとなったのは、彼の不幸な交通事故でした。私たち人間は、これらのデータを考慮に入れ、その意味をどう解釈するかを知っていますが、システムは最初にデータを取得する必要があり、そのデータを解釈して、彼が今年の候補者にならない可能性があることを知る必要があります。
昨年、私たちは未曾有のパンデミックを経験しました。このパンデミックは、グローバルなサプライチェーンを混乱させ、消費者の行動を変え、将来のパターンを予測するための多くの期間の過去のデータの使用を無効にしました。この出来事は、従来の需要計画や需要予測の手法をも無効にしました。アルゴリズムには、時間の長さ、原因となる要因、不連続性といった観点から何が関連しているかを知るための知能が欠けています。このような不連続性をもたらす要因は、データの属性です。ゴルファーの属性には、健康状態、特定のコースやトーナメントでのパフォーマンス、雨や風の中でのパフォーマンスなどがあります。属性を含めることで、データの関連性を判断できます。 ニューラル ネット (NN) を使用すると、結果を特定できます。これは、システムをトレーニングして、将来の予測におけるそのような属性の関連性をシステムに示すことができるためです。
同じ戦略は、需要を予測するために製品に使用される最適なポリシーを特定するためにも使用できます。需要予測ポリシーは、予測アルゴリズム、過去の期間数、集計レベルなどを選択して設計します。NNを使用することで、システムは製品の属性に基づいて、最適な予測を行うポリシーの種類を特定することができます。さらに、この手法を用いて、既存のポリシーに変異を加えることで、古いポリシーよりも優れたパフォーマンスを発揮する新しいポリシーを作成することができます。機械学習(ML: Machine Learning)を使用することで、従来の予測技術がより賢くなり、新しい次元のデータを考慮して、より正確な予測を行うことができます。
