翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
新製品需要予測のベストプラクティス
このセクションでは、新製品の需要予測に関する以下のベストプラクティスについて説明します。
データ駆動型 NPI 需要予測のデータ準備要件を満たす
NPI 需要予測のデータ駆動型アプローチを採用するには、組織はデータサイエンス部門や分析部門のマネージャー、サプライチェーン、マーケティング、IT 部門など、関連するすべてのステークホルダーからサポートを受ける必要があります。その後、組織は以下を特定する必要があります。
-
既存の内部データおよび関連する外部データのソース
-
これらのデータソースの所有者
-
イニシアチブでこれらのデータソースを使用するために必要な手順とアクセス許可
データの準備状況は、以下の種類の必須データセットとオプションデータセットに対して評価できます。オプションの種類を含め、できるだけ多くのデータセットを使用すると、機械学習モデルがより正確な NPI 需要予測を生成するのに役立ちます。
必要な内部データソースの例を次に示します。
-
起動する新製品と類似した属性を持つすべての製品または製品のサブセットの販売履歴 (製品の起動から中止まで) を完了します。販売履歴は、複数の販売チャネルから取得することも、すべてのチャネルで組み合わせることもできます。
-
製品属性マッピングは、起動される新製品と同様の属性を持つ製品のサブセットを識別します。
以下は、オプションの内部データソースの例です。
-
類似製品のプロモーションと割引を追跡するマーケティングデータ。このデータは、販売履歴の長さ以上である必要があります。
-
製品レビュー、評価、ウェブトラフィックデータ。このデータは、販売履歴の長さ以上である必要があります。
-
コンシューマー属性データ
以下は、内部データを補完できるオプションの外部データソースの例です。
-
コンシューマーインデックスデータ
-
競合販売データ
-
アンケートデータ
コスト効率の高いデータ取り込みメカニズムを構築する
データ準備要件が満たされたら、組織は最適なデータ取り込みとデータストレージのメカニズムを選択できます。組織の主要な販売データがさまざまなチャネルから毎日収集されている場合は、バッチデータの取り込みを検討してください。ストリーミングデータの取り込みは、最新のデータを活用するセルフサービス予測が必要な場合のもう 1 つのオプションです。
raw データ取り込みパイプラインは、軽量変換のために抽出、変換、ロード (ETL) パイプラインを使用する必要があります。パイプラインはデータ品質チェックを実行し、ダウンストリームで使用するために処理されたデータをデータベースに保存する必要があります。
AWS のサービス、、AWS GlueAWS Glue Data CatalogAmazon Data Firehose、Amazon Simple Storage Service (Amazon S3) などの を使用して、コスト効率の高いデータ取り込みとストレージを実現できます。 AWS Glue は、フルマネージド型のサーバーレス ETL サービスであり、さまざまなデータストア間でデータを分類、クリーンアップ、変換、確実に転送するのに役立ちます。のコアコンポーネントは、 と呼ばれる中央メタデータリポジトリと AWS Glue Data Catalog、Python および Scala コードを自動的に生成して ETL ジョブを管理する ETL ジョブシステム AWS Glue で構成されます。Amazon Data Firehose は、あらゆる規模でリアルタイムのストリーミングデータを収集、処理、分析するのに役立ちます。Firehose は、リアルタイムのストリーミングデータをデータレイク (Amazon S3 など）、データストア、分析サービスに直接配信して、さらなる処理を行うことができます。Amazon S3 は、スケーラビリティ、データ可用性、セキュリティ、パフォーマンスを提供するオブジェクトストレージサービスです。
NPI 需要を予測するための実行可能な ML アプローチを決定する
特定のユースケースに応じて、組織はさまざまな予測オプションを検討できます。
Bass 拡散モデル
新製品に大きなイノベーションが見られない場合、組織は新製品に最も近い製品の販売履歴で動作する時系列予測モデルを使用できます。Amazon SageMaker AI DeepAR 予測アルゴリズムなどの ML ベースの予測アルゴリズムを使用すると、複数の類似製品の時系列売上データを使用できます。これは、時系列の予測を生成するが、既存の履歴データがほとんどまたはまったくない場合のコールドスタート予測シナリオに適しています。次の図は、関連製品の時系列データを使用して、新しい類似製品の予測を生成する方法を示しています。
新製品の発売タイムラインに沿った予測の生成を検討する必要があります。事前に予測を生成して、ロジスティック修正に十分なバッファを確保します。
予測効果のスケーリングと追跡
NPI 需要予測の概念実証を完了した後、ソリューションは最終的に追加の製品と複数のリージョンを含めるようにスケールする必要があります。人工知能と機械学習 (AI/ML) フレームワークを使用してデータを準備し、モデルを開発、デプロイ、モニタリングします。
次の図は、組織の NPI 予測ソリューションが成熟するにつれて起動およびスケール戦略を示しています。
また、経営幹部や利害関係者が予測をセルフサービスできるようにソリューションを設計することをお勧めします。例えば、ステークホルダーが最新の予測にオンデマンドでアクセスできるように、Amazon Quick Sight ダッシュボードを作成できます。
予測精度を注意深くモニタリングし、逸脱を徹底的に調査して、合理的な投資収益率 (ROI) を確保します。Amazon SageMaker AI Model Monitor でモデルモニタリングを設定すると、ライブデータに対してリアルタイムの予測を行うモデルのパフォーマンスを追跡できます。Amazon SageMaker Model Dashboard を使用して、データ品質、モデル品質、バイアス、説明可能性に設定したしきい値に違反するモデルを検索できます。詳細については、Amazon SageMaker SageMaker AI ドキュメントの「ガバナンスを使用してアクセス許可を管理し、モデルのパフォーマンスを追跡する」を参照してください。
