断続的需要予測におけるアーキテクチャの複雑化よりも特徴量設計の重要性

なぜ希少な販売予測が重要なのか

自動車修理工場や部品倉庫の背後には、静かな難題があります。滅多に売れない遅動きのスペアパーツを、どれだけ棚に置いておくべきかという問題です。これらの品目はまれにかつ予測困難に売れる一方で、車両が故障したときに必ず利用可能でなければなりません。過剰発注すれば資金が埃をかぶった在庫に縛られ、過少発注すれば部品取り寄せで顧客を待たせることになります。本稿はこの日常的でコストのかかる問題に取り組み、問います。ますます複雑な予測モデルを使うべきか、それとも既存モデルにデータから工夫して設計したより良い信号を与えるべきか、どちらが有利か？

長い無販売期間から突然の急増へ

多くのサプライチェーン、特に自動車部品では、需要は牛乳やパンのように安定していません。むしろ、数か月にわたるゼロ販売が続き、数個の注文が突発的に入るというパターンが多いのです。著者らは56,000を超えるディーラー–部品の組合せ、約140万件の月次記録を解析し、大半の系列が非常に希薄であることを示しています。平均すると、販売のある月に対してゼロ月が多数あり、注文量も大きく振れます。Crostonの手法やその改良のような従来の統計手法は、この種の“オン–オフ”需要向けに構築され、安定で解釈しやすい予測を与えますが、それぞれの部品を個別に扱い、価格や製品属性のような付加情報を簡単には取り込めません。現代の機械学習システムは理論上こうした情報をすべて活用できますが、データが大部分ゼロで稀にしか情報を与えない場合には苦戦しがちです。

単純な発想：モデルに本当に重要なことを教える

著者らは、より入り組んだ機械学習アーキテクチャを設計する代わりに、モデルに与える入力に注目します。彼らはSmoothed Hybrid Occurrence–Size（SHOS）フレームワークを導入します。これは各需要履歴に対して軽量に走る統計的ルーチンです。毎月、SHOSは2つの数値を出力します。翌月に需要が発生する確率の推定値と、もし発生した場合の典型的な需要量です。過去のゼロと非ゼロを慎重に平滑化し、非常に希薄な系列に合わせて振る舞いを調整し、長い空白の後に需要が突然戻ったときにはより迅速に反応します。重要なのは、SHOS自体が最終的な予測モデルではないことです。その出力は、単純な最近の販売や移動平均、静的な製品情報とともに、標準的な機械学習アルゴリズムへの追加入力特徴量となります。

モデルの複雑性より特徴量の質を優先する

この統計的“前処理”が本当に役立つかを検証するため、研究者たちは管理された実験を構築します。彼らは勾配ブースティング木、ランダムフォレスト、線形手法などの人気モデルを、SHOS特徴量の有無で比較します。すべて同じゼロ埋めの月次パネルで学習し、実際の運用を模した厳密なローリングウィンドウ方式で評価します。需要の有無と規模を別々に予測する二段階の“ハードル”モデルも試します。11の検証ウィンドウにわたり、SHOS特徴量を追加すると、極めて断続的な品目の平均予測誤差はほぼ半分になり、ビジネス上の重要指標である加重平均絶対百分率誤差（wMAPE）は40%以上低下しました。驚くべきことに、この種のデータに特化して複雑な二段階アーキテクチャでさえ、SHOS信号を単純に取り込んだ単一の回帰器より優れた結果を出しませんでした。

モデルの判断の仕方を見る

チームは主要な精度指標を越えて、モデルが実際に与えられた情報をどのように利用しているかを詳しく調べます。機械学習予測の解釈に使われる標準的なツールであるSHAPを用い、SHOS由来の特徴—「需要発生の確率」と「発生時の規模」が一貫して最も影響力のある入力の上位に入ることを示します。長期間のゼロ需要期には、低いSHOS確率が予測をゼロ寄りに押し、誤った在庫増加を防ぎます。長い空白の後に需要の急増が現れたときには、SHOSの最近性調整が確率と規模の推定を素早く引き上げ、単一のスパイクに過剰反応することなくモデルが応答できるようにします。これらの振る舞いは単純な単段モデルでも複雑なハードル版でも見られ、利得の主因がアーキテクチャ的な工夫ではなく信号の質にあることを強調しています。

日々の在庫判断にとっての含意

適切な部品を棚に保とうとする実務者にとって、このメッセージは実用的で安心感を与えます。本研究は、注意深く設計され統計的に裏付けられた特徴量が、壊れやすく保守の難しいモデル構成に頼ることなく、まれで不規則な販売予測を大幅に改善しうることを示しています。控えめでよく調整された勾配ブースティング木にSHOS特徴量を付与するだけで、より精巧なパイプラインに匹敵または上回り、数万点に及ぶアイテムのデプロイと監視が容易になります。平たく言えば、予測システムに顧客がどの頻度でどれだけ注文しそうかをよく要約した信号を与えることは、最新で最も複雑なアルゴリズムにアップグレードすることよりも重要になり得ます。単純で解釈しやすい構成要素を重視するこの観点は、大規模で実務的なサプライチェーンにとって魅力的であり、断続的需要に直面する他業界でも同様の特徴重視の戦略が効果を上げる可能性を示唆します。

引用: Nathan, B.S., Aravinth, P.M., Reddy, B.V.S. et al. Primacy of feature engineering over architectural complexity for intermittent demand forecasting. Sci Rep 16, 4792 (2026). https://doi.org/10.1038/s41598-026-35197-y

キーワード: 断続的需要, スペアパーツ予測, 特徴量エンジニアリング, サプライチェーン分析, 機械学習