BI online
製品体験記
使ってみましたシリーズ第七弾【SAS Viya】で需要予測編を受講してみた！

使ってみましたシリーズ第七弾
【SAS Viya】で需要予測編を受講してみた！

SNS

SAS Viyaで需要予測編

前回は『SAS Viyaを用いた品質管理編』を受講しました。そこで初めて、実はSAS Viyaは初心者にやさしいツールであることが分かりました。

▼詳細はこちらをご覧ください
https://bi-online.jp/experience/010

さて今回は更に一歩踏み込んだ『SAS Viya 需要予測編』を受講して参りました。私もかつてSASのプログラミング経験はあるのですが、プログラミング脳に染まりきらずドロップアウト。以来、SASという文字を見るだけで恐怖を覚えていたのですが、前回のハンズオンが思いの外楽しくて、今回も張り切って臨みました！SASは怖くない！むしろ面白いんだ!!
そんな模様を＜凄いポイント！>を中心にご紹介いたします！

サービスレベルを維持しながら、滞留在庫を圧縮したい。
安全在庫の水準を見直し、欠品を減らしたい。
PSI業務、SCM業務における予測精度向上や、業務負荷軽減(自動化)を行いたい。
まずは簡単＆ビジュアルに試して、みんなで見てみたい。
既存の予測の仕組みが古く精度が悪い。
製品毎の需要傾向をしっかりと俯瞰したい。
今ある手持ちデータで、どのくらいの予測ができるか試してみたい

１.SAS Viyaとは

SAS Viyaについては、前回受講したレポートに記載しております。
▼こちらをご参照ください。
https://bi-online.jp/experience/010

SAS Viyaのざっくりとした概要をご確認頂いたところで、イメージを掴むために完成レポートを見て行きたいと思います。

＜完成形レポート＞
・上段：予測値と実測値を時系列に見たグラフ
・下段左：商品分類と実測値のグラフ
・下段右上：実測値、予測値データ
・下段右下：予測モデルを用いたインフォメーション付きの予測レポート

目次に戻る

２.今回使用するデータについて

※今回のセミナーではデータを取り込んだ状態からスタートします。

メーカーが入手できる、エリア単位での売上データを使います。
メーカー・フランチャイズ店舗（大阪エリアに限定）において、売上データを使いながら、商品分類ごとに売上げ
実績や売り上げ予測などを時系列に沿って予測します。

▼データの中身はこのような感じです。

目次に戻る

３. モデルを作成

次にモデルを作成します。

ログインID　と　パスワードを使って　ログインします。

①画面左上の機能メニューからモデルの作成を選択します。

②モデルスタジオが起動したら右上のプロジェクトの新規作成をクリックします。

③名前：需要予測、種類：予測、テンプレート：自動予測、データ：参照ボタンをクリックします。

④今回使用するデータを選択します。
「保存」をクリックすると、需要予測のモデルプロジェクトが作成され、選択したデータソースの変数リストが表示されます。

予測に必要な項目を選択します。

目次に戻る

４. 時系列予測、階層予測モデルの作成

パイプラインの作成と実行します。
画面左上にある「パイプライン」をクリックします。
ノードを開くと、追加可能な機能ノードのリストが表示されます。モデル作成時のテンプレートを自動予測にしたので、すでに自動予測のパイプラインが出来上がっています。

予測モデリングからナイーブモデルをパイプラインのデータにドラッグアンドドロップします。

階層予測もパイプラインのデータにドラッグアンドドロップします。

※パイプラインは、用意されたノードを１つずつ組み合わせて作成することも可能ですし、既に用意されているパイプラインテンプレートを利用することも可能です。

パイプラインの黄色い部分に追加され、３つになったのを確認できたら＜パイプラインの実行＞をクリックします。　

モデル比較の右にある「・・・」をクリックするとサブメニューが出てきます。
＜結果＞をクリックすると比較結果が表示されます。

３つの中で一番精度が良かったと判断されると、チャンピオンにチェックが表示されます。
これを＜チャンピオンモデル＞と言います。

モデル比較の表示されているMAPEにご注目ください。この数値が低い方が良いモデルになります。
良いモデルの順位は、
１位階層予測
２位自動予測
３位ナイーブモデル予測になります。

モデル比較の結果画面では３つの予測モデルの精度が確認できます。
MAPE分布(MAPE：Mean Absolute Percentage Error)は、平均絶対誤差率のことです。
時系列予測などによく使われる予測精度指標です。
平均絶対パーセント誤差：Mean Absolute Percentage Error 各データに対して
「予測値と正解値との差を、正解値で割った値（＝パーセント誤差）」の絶対値を計算した後、その総和をデータ数
で割った指標になります。

出力データのタブをクリックし、階層予測で使われたモデルを確認します。
今回は、ESM（指数平滑化）、ARIMAの２モデルが使われています。
ESMは、指標平滑化（へいかつか）　過去の実績データを用いながら「より新しい実績値」により大きな重みを置き、
過去にさかのぼるほど小さな重みをかけて移動平均を算出す方法です。
ARIMAは下記のARモデル、Iモデル、MAモデルを組み合わせて予測を作成する方法です。

① AR（Auto Regressive:自己回帰）モデル
過去の観測地を説明変数とした回帰モデルから予測する手法です。

② I（Integrated:和文）モデル
対象の時系列でーたにトレンドや季節性が観測される場合、そのトレンド及び季節性を除去し、データを定常の状態とする手法です。最終的に差し引いた差分を加えた予測値を算出するので、Integrated(和文)と呼ばれています。

③ MA（Moving-Average:移動平均）モデル
過去の実績を平均として時期の需要を予測する手法です。例えば過去３期の実績がそれぞれ２００億、３００億、２５０億とすると、３期の平均値である２５０億を時期の需要予測とします。

※出典：AI実用化のための実践ガイド　SAS Viyaではじめるアナリティクス・ライフサイクル入門

「オーバーライド」タブをクリックすると予測結果が表示されます。

左側の属性を見ると、どの項目にもチェックが入っていないため、全体の売上げ数値が右側で表示されています。
2021年4月1日までは実測値が入っています。水色の点は実測値、黄土色は予測値です。
2021年4月1日以降は水色で塗りつぶされている部分が予測値です。正し、ある程度の範囲を持たせて表示しています。

また実測値と予測値をみると、上昇傾向にあることが分かります。
波形も直前の年の動きに追従しています。

今度は属性を指定して中身を見て行きます。
こちらはチョコレートAにチェックを入れた値です。